친화도는 다량의 아이디어를 유사성이나 연관성에 따라 묶는(grouping) 방법이다. 이 기법을 이용하면 자연스런 연관관계에 따라 다양한 아이디어나 정보를 몇 개의 그룹으로 분류할 수 있다. 친화도를 사용하는 일반적인 용도는 다음과 같다.
여러 가지 아이디어나 생각들이 정돈되지 않은 상태로 있어서 전체적인 파악이 어려울 때, 이를 이해하기 쉽도록 정리한다.
브레인스토밍 등을 통해 도출된 많은 아이디어들을 연관성이 높은 것끼리 묶어서 정리한다.
이 방법은 떠오르는 아이디어를 정리할 때 가장 자주 사용되는 방법이며, 특별히 이런 어려운 이름을 대지 않더라도 아이디어를 그룹화할 때 한번쯤 비슷하게 진행해 본 경험이 있는 방법일 것입니다. 먼저 소개한 카드 소팅도 이런 친화도 다이어그램을 사용자에게 그려보라고 하는 것으로 생각할 수 도 있겠습니다.
정의
일본의 인류학자인 카와키타 지로(Kawakita Jiro)가 개발한 사회과학 방법론으로 방대한 데이터에서 의미 있는 결론을 이끌어 내는데 효과적인 방법 중의 하나입니다. 다양한 소스(Source)로부터 방대한 데이터를 얻게 되었을 때, 개별 데이터의 ‘의미론적 연관성/상호 의존성/존속성’ 등에 따라서 데이터들을 밑에서부터 점진적으로 구조화해 가는 기법입니다. 대부분의 경우 정량적인 리서치의 결과는 처음부터 의도된 프레임에 의거하여 데이터가 수집되므로 통계 분석을 통해서 바로 결과를 도출할 수 있지만, 필드 리서치를 통한 정성적 리서치는 수집된 데이터들이 산발적이고 양이 많기 때문에 곧바로 결과를 도출하기 힘든 속성을 가지고 있습니다. 리서치에서 획득된 다양하고 방대한 데이터로부터 의미 있는 ‘무언가’를 도출하기 위해서는 ‘정리/문제 해결의 기술’이 필요한데, 여기에 활용되는 방법이 어피니티 다이어그램(Affinity Diagram)입니다. 이 방법을 이용하면 다양한 아이디어나 정보를 몇 개의 연관성 높은 그룹으로 분류하고 파악할 수 있어 문제에 대한 해결안을 도출할 수 있으며, 실제 서비스 디자인의 아이디어 도출 과정에서 많이 사용하고 있는 방법 중의 하나입니다.
이점
사용자 리서치를 통해 찾아낸 수많은 데이터들은 저마다 나름의 의미와 비중을 가지고 있으나 중복도 많고 불필요하거나 범위를 넘어서는 것들도 뒤섞여 있어서 논리적인 정리를 필요로 합니다. 그런 관점에서 질적인 데이터 분석 방법으로 어피니티 다이어그램은 간단한 아이디어이지만 현상을 이해하는데 기초적인 분석 기법을 제공하며 사용자 관점에서 현상을 분석할 수 있다는 장점이 있습니다. 도출된 다량의 자료를 분류, 분석하기 위해 그에 대한 데이터나 이슈를 적은 후 만들어진 카드나 포스트잇을 분류, 정리하는 과정을 통해 도출되는 인사이트를 통해서 공통된 패턴을 확인할 수 있습니다. 다시 말해, 어피니티 다이어그램은 현상에서 ‘규칙’을 찾을 수 있는 유용한 분석 방법입니다. 사용자가 이용하는 서비스의 목적, 기능, 방법 등의 다양한 이슈에 대해서, 사용자들이 경험하거나 하게 될 많은 상황을 규명하고 분류할 수 있을 것입니다.
프로세스
어피니티 다이어그램은 수집된 요구사항을 체계적으로 정리하기 위한 기법으로 연관된 단어를 그룹별로 분류하고 분류된 그룹 속에서 Header를 도출하여 상향식으로 전개해 나가는 방식이며 큰 보드에 포스트잇을 붙여놓고, 몇 개의 그룹으로 나누는 것이 대표적인 방법입니다. 어피니티 다이어그램 진행방법은 ‘Rapid Contextual Design’이라는 책에 잘 정리되어 있으니 참고하시길 바라며, 대표적인 적용 방법은 아래와 같습니다. 먼저, 각각의 참가자들에게 주어진 Task에 대한 이슈를 적을 수 있는 포스트잇을 한 묶음씩 나누어 줍니다. 그리고, 참가자들이 리서치를 통해 얻은 시스템이나 제품의 서비스나 사용 목적, 방법 등 이슈에 관련된 것이라고 생각하는 것을 주어진 Task 에 맞게 각각의 카드나 포스트잇에 적는 것에서부터 시작됩니다. 도출된 결과를 포스트잇에 모두 적는다. 이때 사용자의 다양한 요구사항을 일련의 팩트, 정보, 자료, 시사점등을 대표하는 용어로 기술해야 하고 하나의 문장으로 정리될 수 있어야 한다. 또한 되도록이면 현실적이고(Realistic), 구체적이며(Feasible), 아이디어에 영감을 주거나(Inspirational), 직접 활용할 수 있어야 하고(available), 관찰 또는 확인할 수 있어야 하며(perceivable), 수긍할 수 있는(Understandable) 것이어야 한다.
포스트잇에 적힌 요구사항을 Affinity wall 에 부착한다. 브레인스토밍을 통해 Affinity wall에 부착된 포스트잇을 분류하고 그룹핑한다. 이때, 분류와 그룹핑은 누군가의 주장이 일방적으로 앞서서는 안 된다. 구성원들의 모두가 동의하고 같이 만들어가는 과정이 중요하다. 그렇기 때문에 브레인스토밍은 이 과정에서 필수 요소가 된다. 또한 서로 열린 마인드로 주어진 사실들에 대해 열띤 토론을 진행하여야 한다. 단지 묶는 것이 목적이 아니라 묶어 나가면서 발견한 새로운 사실을 통해 이전에 몰랐던 지식이 더해지기도 하기 때문이다. 분류된 포스트잇의 그룹에서 해당 그룹의 Header를 도출하고 Header를 중심으로 재 그룹핑한다. 이때 좋은 헤더를 만들기 위해서는 다음과 같은 사항을 유념해야 한다. 첫째, 반드시 사실에 기반한 구체적인 내용이 적혀져야 한다. 둘째, 요약 보다는 하위 Affinity 들을 아우르는 발견을 찾는 것이 중요하다. 셋째, 하위 Affinity들과 개연성이 충분해야 한다. 논리적일 필요는 없으나, 설득력은 갖춰야 한다. 넷째, 꼭 정답을 찾아야 한다기보다 지속적으로 개선해 나가면서 최적화를 찾는 것이 더 중요하다.
장점
이 때, Affinity Diagram 작성에서 가장 중요한 것은 수많은 데이터들의 규칙을 발견하는 것입니다. 사용자 리서처들은 현상들을 보고 그것들 안의 패턴을 발견하고 규칙을 발견합니다. 수집된 리서치 데이터 중 일부를 생략하거나 무리하게 해석하는 절차가 아니며, 여러 가지 데이터들의 연관관계를 분석하여 Bottom-up 방식으로 sum해 나가는 과정입니다. 데이터들의 규칙성을 찾아서 모델링을 하고, 그 모델링을 통해서 다른 현상을 이해하거나, 현재의 문제점과 더 개선해야 할 것들, 또는 새로운 것을 만들 수 있는 것들을 찾아 냅니다. 그러기 위해서는 카드에 적힌 데이터를 보면서 데이터의 특성 및 데이터들 간의 관련성을 찾아야 하는데 현상에서 규칙을 찾아내는 과정이 가장 어렵죠. 관련성, 규칙은 대부분 여러 프레임들의 지식과 경험을 바탕으로 한 직관에서 나오며 단위 데이터(Raw data)로부터 그 현상을 설명하는 규칙을 찾는 것은 어렵지만, 가장 중요한 과정 중의 하나입니다.