3. 01 WHY THIS PAPER
data-driven
퍼소나
어떤 데이터를 사용하는지?
데이터를 어떻게 해석해야 하는지?
Data-driven 퍼소나 제작의 전반적인 과정을 상세히 기술한 논문
데이터 클러스터링은 어떻게?
- 몇 개의 클러스터?
유효한 퍼소나일까?
4. 02 INTRODUCTION
1) Big data 분석 플랫폼'Platfora'의 새로운 퍼소나 도출하고자 함
- 4 종류의 퍼소나가 이미 존재하지만, 사업이 확장됨에 따라 새로운 타입의 유저가 생김
- 질적 퍼소나는 사용자의 행동 데이터를 반영할 수 없다는 한계가 있음
웹사이트의 Click data를 활용한 data-driven 퍼소나 방법을 제시하고자 함
- Bottom-up 방식
- 서베이나 인터뷰 대신 2단계의 통계적 머신러닝 기법 활용
2) Data-driven 퍼소나로 접근
5. 03 TELEMETRY AND CLICKSTREAM
데이터 수집 및 처리
- 웹 사이트의 Click 데이터 수집
- 수집 기간 : 2년간 수집 (2013~2015)
수집 된 Click 데이터를 Clickstream으로 변환
- 한 로그인 세션의 모든 Click 데이터 시퀀스
- 적어도 20개 이상의 Click 데이터
(20개 이하는 의미를 갖기에 너무 짧음)
- ID도 같이 매핑
- 시작시간으로 구분
- 총 3.5백만개의 Click 데이터 → 39,000개의 Clickstream
- 30개 거래처의 2,400 명의 유저
데이터 수
6. 04 CONSTRUCTING PERSONAS
Step 1 : Clickstream 간의 거리 행렬 계산
Step 2 : Clickstream 클러스터링
Step 3 : Clickstream을 common workflow로 매핑
Step 4 : Mixed model 사용하여 퍼소나 제작
7. 04 CONSTRUCTING PERSONAS
Step 1 : Clickstream 간의 거리 행렬 계산
Step 2 : Clickstream 클러스터링
Step 3 : Clickstream을 common workflow으로 매핑
Step 4 : Mixed model 사용하여 퍼소나 제작
8. 04 CONSTRUCTING PERSONAS
Step 1 : Clickstream 간의 거리 행렬 계산
Jaccard index를 사용하여 유사도 계산
: 전체 unique click 수에서 공통 unique click 수의 비율
2개의 Clickstream의 유사도; S1, S2
S1 = {A, B, B, C, D, B, A, C}
S2 = {E, F, F, B, A, C, B, B}
전체 unique click = {A, B, C, D, E, F}
공통 unique clikc = {A, B, C}
두 clickstram의 유사도
0.5 = 3/6
(예시)
10. 04 CONSTRUCTING PERSONAS
Step 4 : Mixed model 사용
가정 : common workflow의 빈도가 비슷하다면 같은 퍼소나를 가질 것이다.
Expectation-Maximization(EM) 알고리듬을 이용하여
Maximum Likelihood Estimators(MLE) 계산
[빨강 0.5 / 노랑 0.5]
[초록 지배적]
[분홍 0.5 / 파랑 0.5]
* 하나의 원은 하나의 Clickstream
11. 05 FIVE PERSONAS VIA HIERARCHICAL CLUSTERING AND MIXED MODELS
1. Click data 수집
2. Click data를 Clickstream으로 변환
3. Clickstream을 클러스터링하여 10개의 common workflow 도출
4. 각 유저의 common workflow 빈도 계산
5. 5개의 퍼소나 생성
12. 05 FIVE PERSONAS VIA HIERARCHICAL CLUSTERING AND MIXED MODELS
Clickstream을 클러스터링하여 10개의 common workflow 도출
- 전문가 관점과 각 클러스터의 25개 대표 Click을 보고, 클러스터링의 기준을 잡음
- 기존 퍼소나는 클러스터링 과정에 도움을 줌
13. 05 FIVE PERSONAS VIA HIERARCHICAL CLUSTERING AND MIXED MODELS
- 사용자 행동 전문가와 함께 14개의 웹 페이지 key step을 도출함
- Figure 7은 각 클러스터의 key step click 빈도를 나타냄
Clickstream을 클러스터링하여 10개의 common workflow 도출
14. 05 FIVE PERSONAS VIA HIERARCHICAL CLUSTERING AND MIXED MODELS
: Build lens with optional modification to a dataset
Clickstream을 클러스터링하여 10개의 common workflow 도출
- Key step 빈도를 이용하여 Cluster3은 다음과 같이 설명할 수 있음
15. 05 FIVE PERSONAS VIA HIERARCHICAL CLUSTERING AND MIXED MODELS
Clickstream을 클러스터링하여 10개의 common workflow 도출
- 모든 common workflow의 특징
16. 05 FIVE PERSONAS VIA HIERARCHICAL CLUSTERING AND MIXED MODELS
- 사용자 행동 전문가 의견을 바탕으로 5개의 퍼소나 생성
- 사용자 수 : 총 1,011명 (Clickstream 수 5이상)
5개의 퍼소나 생성
17. 05 FIVE PERSONAS VIA HIERARCHICAL CLUSTERING AND MIXED MODELS
Luis
Jeffrey
Debra
Marybeth
Dave
5개의 퍼소나 생성
- Common workflow를 바탕으로 description 작성
5. Pure Vizboards user
(Debra):
Unlike the previous personas,
this persona’s clickstreams has
a 95 percent probability of
representing just one of the
three common work
fl
ows
related to Vizboards. This is
the only non Full-stack user
among the
fi
ve personas.
18. 06 DISCUSSION AND FUTURE WORK
- Interviewer or noisy self-report에 의한 추론이 적다
5개의 퍼소나는 사용자 행동 전문가 인터뷰에 의해
해당 프로덕트의 전형적인 유저라는 것이 증명되었다
자동으로 데이터가 모이기 때문에 비용이 적게 들고, 직접적인 접근 방법이다
Clickstream 기반 퍼소나 제작은 확장성을 가지고 있다
기존의 퍼소나가 변하는 것을 목격했다
기존 퍼소나 Jeffrey
- 데이터 사이언티스트
- dataset을 다루는 것에 능숙함
- Data curation과 visualization 전문가
- 인사이트를 공유하는 것에 관심 없음
Clikstream의 순서 정보를 포함시키는 것은 의미가 있을 것이다
우리의 접근 방식이 clickstream 데이터나 분석 플랫폼에 한정적이지 않다 (Domain neutral)
새로운 퍼소나 Jeffrey
- full-stack user
- dataset을 다루는 것에 능숙함
- Data curation과 visualization 전문가
- 인사이트를 공유하는 것에 관심 있음
19. 07 TAKEAWAY
1. 적당한 가정을 세우는 것이 필요하다.
예) common workflow의 빈도가 비슷하다면 같은 퍼소나를 가질 것이다.
2. 행동 변수를 클러스터링하고, 사람은 클러스터의 비율로 분류하는 것은 유효하다.
3. 사람의 행동을 대변할 수 있는 하나의 행동 변수를 찾는 것이 필요하다.
예) click의 합을 clickstream으로 변환하여 사용
4. Bottom-up 퍼소나가 능사는 아니다..?
- 너무 지엽적인 행동에 대한 퍼소나가 아닌지?
- 그럼 어느정도 퍼소나가 되야하는지?
5. 전문가 인터뷰를 통해 퍼소나가 타당한지 증명하는 것이 옳을까..?
