고객 설문을 돌립니다. 지원, 가격, 속도, 안정성, 온보딩 등 12개 문항을 각각 1~5점으로 평가받습니다. 평균이 돌아오는데 전부 3.8에서 4.3 사이에 몰려 있습니다. 전체 만족도는 무난한 4.1. 이제 임원의 질문이 떨어집니다. 다음 분기에 딱 하나만 개선할 수 있다면, 무엇을 고쳐야 하나?
솔깃한 방법은 직접 물어보는 것입니다 — "지원이 얼마나 중요하십니까?" — 그리고 답을 순위화하는 거죠. 하지만 거의 모든 사람이 거의 모든 것을 중요하다고 답합니다. 말로 표현한 중요도는 4점과 5점의 벽으로 뭉개져 아무것도 알려주지 않습니다. 효과적인 방법은 묻기를 멈추고 측정하기를 시작하는 것입니다. 각 문항의 점수가 전체 만족도와 함께 어떻게 움직이는지를 보고, 결과를 진짜로 흔드는 요인이 위로 떠오르게 하는 겁니다.
Note
만족도 순위나 단순 상관이 오도하는 이유
그럴듯해 보이는 두 가지 지름길이 모두 실패합니다. 문항을 자기 만족도 점수로 순위화하면 어디가 약한지는 알 수 있어도, 그 약함이 어디에 타격을 주는지는 알 수 없습니다 — 아무도 신경 쓰지 않는 항목의 낮은 점수는 문제가 아닙니다. 단순 상관으로 순위화하면 더 가깝지만 중복 계산됩니다. 지원 품질과 응답 속도가 서로 상관되어 있다면, 각각이 상대방 때문에 부분적으로 중요해 보이고, 실제로 무엇을 움직여야 할지 구분할 수 없습니다.
동인 분석은 모든 문항을 하나의 다중회귀분석에 한꺼번에 넣어 이를 해결합니다. 각 문항의 계수는 그 고유한 기여분 — 다른 문항을 일정하게 고정했을 때의 효과입니다. 이것이 서로 겹치는 평가의 더미를 깔끔하고 방어 가능한 순위로 바꿔줍니다.
| 방법 | 순위화 대상 | 결함 |
|---|---|---|
| 만족도 점수순 | 점수가 낮은 곳 | 관심 여부를 무시 |
| 단순 상관순 | 결과와 함께 움직이는 것 | 겹치는 문항을 중복 계산 |
| 표현된 중요도순 | 사람들이 중요하다 말한 것 | 모든 항목이 '중요'로 나옴 |
| 핵심 동인(회귀) | 결과에 대한 고유 효과 | — 각 동인을 분리하는 유일한 방법 |
동인 분석의 작동 원리
엔진은 일반 최소제곱(OLS) 회귀분석입니다. 전체 만족도가 종속변수이고, 모든 동인 문항이 예측변수입니다.
전체 만족도 = b0
+ b1 x (지원 품질)
+ b2 x (사용 편의성)
+ b3 x (가격 / 가치)
+ ... + 오차원래 계수(b)는 단위가 제각각이라 직접 비교할 수 없습니다. 해법은 표준화 계수(β) — 각 변수를 표준편차 단위로 다시 스케일링하는 것입니다. β가 0.34라는 것은, 그 동인을 표준편차 1만큼 끌어올리면 나머지를 모두 고정한 채 전체 만족도가 표준편차 0.34만큼 움직인다는 뜻입니다. 이제 모든 동인이 같은 자로 측정되고 순위가 의미를 갖습니다.
- 1결과를 정합니다(전체 만족도, 추천 의향, 재계약 의향).
- 2그 결과를 모든 동인 문항에 대해 동시에 회귀시킵니다.
- 3동인을 비교 가능하도록 계수를 표준화합니다(β).
- 4|β|로 순위화하고, 합이 100이 되는 상대적 중요도 %로 변환합니다.
- 5중요도 순위를 각 동인의 자기 점수와 교차시켜 어디에 손댈지 결정합니다.
Tip
실제 예시
어떤 SaaS 제품이 설문을 돌렸고 회귀분석이 다음 표준화 베타를 반환했다고 합시다. 각각을 전체(양의) 중요도의 비율로 변환하면 상대적 중요도 열이 나옵니다.
| 동인 | 표준 β | 상대적 중요도 | 자기 점수 | 해석 |
|---|---|---|---|---|
| 지원 품질 | 0.41 | 34% | 3.6 | 영향 큼, 점수 낮음 → 최우선 개선 |
| 사용 편의성 | 0.32 | 26% | 4.4 | 영향 큼, 이미 강함 → 유지 |
| 가격 / 가치 | 0.23 | 19% | 3.9 | 중간 영향 → 관찰 |
| 기능 깊이 | 0.16 | 13% | 4.1 | 영향 작음 → 과투자 금지 |
| 온보딩 | 0.10 | 8% | 4.5 | 영향 작음, 이미 높음 → 그대로 |
순위가 무엇을 드러내는지 보세요. 온보딩은 점수가 가장 높지만(4.5) 결과를 거의 움직이지 않습니다 — 여기에 더 힘을 쏟는 건 낭비입니다. 지원 품질은 가장 큰 동인이면서 가장 약한 점수(3.6)입니다. 그 간극이 바로 가장 높은 수익의 개선 지점입니다. 만족도만으로 순위화했다면 온보딩을 다듬으러 갔을 테지만, 동인 분석은 지원으로 보냅니다.
중요도-만족도 매트릭스
동인 결과를 실행에 옮기는 가장 깔끔한 방법은 중요도(|β|)를 만족도(동인의 자기 평균 점수)에 대해 그리고 평균에서 나누는 것입니다. 네 개의 사분면이 각 동인을 어떻게 다룰지 정확히 알려줍니다.
중요도 높음
|
우선 개선 | 유지
(중요, 약함) -- + -- (중요, 강함)
2순위 | 모니터링
(사소, 약함) | (사소, 강함)
|
중요도 낮음
만족도 낮음 ----------- 만족도 높음- 우선 개선 — 중요도 높고 점수 낮음: 최고 ROI의 개선. 여기부터 손댑니다.
- 유지 — 중요도 높고 점수 높음: 의미 있는 강점. 보호하되 방심하지 마세요.
- 2순위 — 중요도 낮고 점수 낮음: 결과를 움직이지 않는 약점. 나중에, 필요하면.
- 모니터링 — 중요도 낮고 점수 높음: 지금 그대로 괜찮음. 오히려 과투자 중일 수도.
Tip
흔한 실수
다중공선성 무시
두 동인이 높게 상관되어 있으면(예: "지원 품질"과 "지원 속도") 회귀분석이 기여도를 배분하는 데 애를 먹고 계수가 불안정해집니다 — 때로는 부호가 뒤집히기도 합니다. 진단 지표는 분산팽창계수(VIF)입니다. VIF가 5를 넘으면 경고, 10을 넘으면 실질적 문제입니다. 해법은 대개 겹치는 문항을 하나의 동인으로 합치거나 중복된 것을 빼는 것입니다.
표현된 중요도를 신뢰하기
"X가 얼마나 중요한가"도 물어봤다면, 도출된 순위와 엇갈려도 놀라지 마세요. 사람들은 사회적으로 바람직한 항목(보안, 안정성)은 과대 주장하고 감정적인 항목은 과소 보고합니다. 도출된 중요도는 데이터 속 행동을 반영하고, 표현된 중요도는 사람들이 말해야 한다고 생각하는 바를 반영합니다.
응답이 너무 적음
동인당 응답이 약 10개 미만이면 베타에 잡음이 끼고 다른 표본에서 순위가 뒤섞일 수 있습니다. 표본 크기를 못 맞추겠다면, 좁은 동인을 여럿 두기보다 넓은 동인을 적게 쓰세요.
동인을 원인과 혼동하기
Watch out
SKARI 설문 랩의 동인 분석
SKARI의 설문 랩은 응답 데이터로부터 전체 파이프라인을 실행합니다 — 공식을 직접 연결할 필요가 없습니다. 결과 문항과 동인 문항을 매핑하면, 회귀분석을 적합하고 계수를 표준화한 뒤 실제로 쓰는 방식으로 결과를 배치합니다.
- 95% 신뢰구간이 포함된 표준화 β — 유의한 동인(p < .05)을 강조 표시
- 상대적 중요도 %(Pratt 측도) — 기여도의 합이 100이 되어 커뮤니케이션이 쉬움
- 우선 개선 / 유지 / 2순위 / 모니터링 사분면이 자동 배치된 중요도-만족도 매트릭스
- 모든 동인에 VIF 플래그 — 다중공선성이 순위를 몰래 왜곡하지 못하게
- 갭 점수 — |β| × (평균 만족도 − 동인 점수) — 최고 ROI 개선을 곧바로 표면화
- 잔차 산점도와 R² / F 검정 — 모델이 실제로 적합한지 확인
가상(what-if) 시뮬레이터도 있습니다. 동인 점수를 끌어올리면 결과의 예측 변화를 예측구간과 함께 지켜볼 수 있어, 분석을 단순 보고서가 아닌 계획 도구로 바꿔줍니다.
Takeaway
자주 묻는 질문
동인 분석과 IPA — 무엇이 다른가요?
둘 다 중요도-만족도 매트릭스를 공유하지만 중요도를 얻는 방식이 다릅니다. 고전적 IPA는 보통 표현된 중요도를 씁니다(물어봄). 핵심 동인 분석은 도출된 중요도를 씁니다(회귀). 도출된 쪽이 더 견고합니다 — 사람들이 자기 우선순위를 정확히 판단하는 데 의존하지 않으니까요.
어떤 결과 변수를 써야 하나요?
당신이 신경 쓰는 결정이면 무엇이든: 전체 만족도, 추천 의향(NPS), 재계약 의향, 구매 의향. 동인은 당신이 손댈 수 있는 구체적 속성들입니다.
상대적 중요도 %란 무엇인가요?
동인 효과를 합이 100%가 되도록 다시 스케일링해, 발표하기 쉽게 만듭니다("지원이 만족도를 움직이는 요인의 34%"). SKARI는 각 동인의 계수와 결과와의 상관을 결합하는 Pratt 측도를 사용합니다.
동인의 β가 음수일 수 있나요?
예, 그리고 살펴볼 가치가 있습니다. 보통 다중공선성(VIF 확인)이나 진짜 역관계를 신호합니다 — 예를 들어 셀프서비스 사용자에게는 영업 접촉이 늘수록 만족도가 낮아지는 식입니다.
동인은 몇 개까지가 적당한가요?
표본이 감당하는 만큼(각 약 10개 응답), 그리고 서로 구별되는 개념으로 유지하세요. 겹치는 15개 문항은 깔끔한 6개보다 더 지저분하고 불안정한 순위를 만듭니다.
핵심 요약
순위 기준
도출된
표현된 것 아님
지표
표준 β
→ 상대 중요도 %
실행 사분면
우선 개선
quadrant
주의
VIF
< 5 권장
모든 설문 문항이 똑같이 중요해 보일 때, 동인 분석은 근거로 그 무승부를 깨는 방법입니다. 결과를 모든 동인에 회귀시키고, 표준화 효과로 순위화하고, 만족도와 교차시켜 '우선 개선' 사분면에 손을 대세요 — 순위가 정직하게 유지되도록 다중공선성을 계속 지켜보면서요.
Takeaway
중요도-만족도(IPA)
표현된 중요도로 그리는 사분면 지도
관계 분석
그 아래에 깔린 회귀 엔진
CSAT와 NPS
동인이 설명하는 결과 지표