maggio-inspi

1. 요약

* 화면을 바라보는 방향 = 책을 읽는 방향 

2. 내용 

* 사람이 컴퓨터 화면을 볼때 무엇을 가장 먼저 보고, 그 다음에는 어떤것을 보게 될까? 이는 일종의 환경 (What they're doing and expecting)에 따라 결정됨

* 예를들어 책을 왼쪽에서 오른쪽 방향으로 읽는다면 컴퓨터 화면도 왼쪽에서 오른쪽 방향으로 바라보게 됨. 하지만 그렇다 하더라도 최상단 부분을 보지는 않는데, 이는 그 부분에 로고, 빈공간, 네비게이션바 등 불필요한 정보가 있기 때문임

* 화면을 훌낏 본 후, 자신의 환경에서 책을 읽는 방향으로 시선이 이동함. 사람은 자신만의 정신모델(Mental model)을 이용해 자신이 보고자 하는 것, 보고자하는 것이 어디에 있는지를 판단한다. 

* 만약 이때 큰 그림, 어떠한 움직임을 화면에 배치하면 책 방향대로 화면을 바라보는 일반적인 경향을 다르게 바꿀수도 있다. 

3. 기타

* 가장 중요한 정보나, 사람들이 봐주길 희망하는 정보들은 화면 상단에서 1/3 지점에 배치하는 것이 효과적

* 일반적으로 가장자리는 잘 바라보지 않기 때문에 그곳에 중요한 정보를 배치해서는 안됨 

1. 요약 

* 사람은 복잡한 상황에서도 특정 사람(지인, 친구, 가족)의 얼굴을 매우 쉽게 인식할 수 있음

* 이는 뇌에서 얼굴만 인식하는 별도의 영역이 있기 때문

* 사람의 눈과 시야를 활용하면 emotional connection을 만들어 낼 수 있음 

2. 내용

* 사람이 굉장히 북적이는 곳에서도 가족이나 친구 얼굴을 굉장히 쉽게 찾을 수 있음 (심지어 만날것이라고 예상하지 않는 경우라 하더라도..) 

* 이와함께 동시에 사랑, 싫음, 두려움 등 즉각적인 감정이 수반됨 

* 사람을 알아보기 굉장히 힘든 상황에서도 우리가 지인을 쉽게 알아볼 수 있는 것은 뇌의 영역중에 "얼굴인식만을 목적으로하는 영역"이 있기 때문 (FFA, Fusiform Face Area)

* FFA는 사람의 얼굴이 뇌의 일반적인 해석 채널을 우회하도록 해줌으로써 우리가 더 빨리 물체를 식별 할 수 있도록 돕는 역할을 한다 

* 자폐증을 가진 사람들은 FFA를 사용해 얼굴을 인식하지 않는다. (자폐증의 대표적인 증상은 다른 사람과 상호관계가 형성되지 않고 정서적인 유대감도 일어나지 않는 것이다) => FFA는 인간의 정서적 교감과 관련이 있다???

* 우리는 상대방의 시선을 따라서 무엇을 보는 경우가 있다. 아래 그림을 보면 사진속 모델이 바라보는 제품을 우리도 자연스럽게 따라보게 됨. (단 이것이 상품에 대한 구매 의사는 아님) 

* 시선뿐만 아니라 눈(Eyes)도 판단의 중요한 근거로 사용됨. 진짜 사람얼굴부터 마네킹 얼굴까지 모핑되는 그림을 보여줬을때 사람들은 주로 눈을 기준으로 어떤 얼굴이 진짜 사람얼굴인지 혹은 마네킹인지 판단함  

3. 기타

 * 사람은 그 무엇보다 얼굴을 먼저 인식하고 반응한다

 * 사람 얼굴을 똑바로 보는 것은 가장 강력한 감정적 영향력을 끼칠 수 있음. 이는 눈이 가장 얼굴에서 중요한 부분이기 때문. 

* 화면내 얼굴이 어떤 특정한 영역이나 상품을 바라보게 설계할 경우, 그것을 보는 사람드른 화면속 인물과 똑같은 것을 보는 경향이 있다. 다만 이것은 무의식중에 바라보는 것이고 꼭 구매하겠다는 특정 목적을 갖는 것은 아니다. 

 => 서비스 화면 설계시 사람 얼굴 배치에 대해 고민해 볼 것 

#visual cortex (시각령, 시각피질) 

 - 시각 정보를 처리하는 뇌의 한 영역 

# FFA(Fusiform Face Area, 방추상 얼굴영역) 

 - 시상하부 하측두엽에 위치하여 두뇌에서 얼굴을 인식하는 부분

1. 요약 

* 사람이 어떤것을 바라볼땐 2가지 시야(중심시, 주변시)를 사용하게 됨 

* 화면을 설계할 경우, 이를 어떻게 활용할지에 대한 고려가 필요 (오랜시간 한 곳에 집중하게 할 것인가? 빠르게 동작하는 주변시를 활용할 것인가?)

2. 내용 

(1) 2가지 종류의 시야 : 중심시와 주변시 

 - 인간은 2가지 타입의 시야를 가지고 있음 : ①중심시(Central vision), ②주변시(Peripheral vision) 

 -  (실험 방법) 동일한 방 내부 사진 중 한 장은 사진의 외부영역이 가려지게(왼쪽), 나머지 한장은 중앙 부분이 가려지게(오른쪽) 만든 후, "매우 짧은 시간"만 보여줬을 때 사람들은 각각 어떻게 인식했을까?

 - (실험 결과) 실험결과 사진의 중앙 부분이 가려졌을때(오른쪽 사진) 사람들은 자신이 무엇을 보고 있는지 인식했으나, 주변영역이 가려졌을때(왼쪽 사진) 사진에 대해 설명하지 못했음

 - (실험 결론) 중심시는 특정 물체 인식에 중요한 역할을 하며, 주변시는 장면의 요점(gist of a scene)을 인식하는데 중요한 역할을 한다

< 외부영역이 가려진 사진(왼쪽), 내부영역이 가려진 사진(오른쪽) > 

 - (내 의견1) 아무리봐도 왼쪽 사진이 훨씬 잘 인식되고 설명가능할거라고 생각되서 본문을 계속 읽어봄. 본문 내용중에 very short amounts of time 동안만 사진을 보였줬다는 구절이 있는데, 아마 이 차이때문에 실험 결과가 내 경험과 다르게 나온것 같음. 즉 "초점을 맞추기 어려운 아주 짧은 순간에는 주변시가 사물 인식에 끼치는 영향이 매우 크다고 해석 할 수 있을듯"

 - (내 의견2) 추측이긴 하지만...수렵생활을 하던 야생에서는 순간순간 주변을 파악해 내 안전을 도모해야 함 >> 주변 물체를 하나하나 인식하기 보다는 빠르게 주변 상황 전체를 훑을 수 있도록 주변시를 사용

 - (내 의견3) 본문 말미에서도 진화론적 관점에서 이를 설명함. 원시인이 집중해서 어떤일을 할 때(부싯돌을 갈거나, 구름을 바라보고 있을때)에도 주변에 육식동물이 오는지를 살펴봐야 했기에 주변시가 발전하지 못하면 생존하기 어려웠을 것이다.

3. 기타

 - 의외로 야구계에서 주변시에 대한 얘기가 상당히 많았음. 아래 유튜브 영상에서 왼쪽 원만 볼때는 수직으로 떨어지지만, 오른쪽에 있는 점을 살짝만 곁눈질하면 원이 휘는것처럼 보임. => 야구에서 커브볼을 치기 어려운 이유라고 함. 

https://youtu.be/9jSzjp4rzjU

 < 커브볼을 치기 어려운 이유 > 

* 커브볼은 공에 강한 회전을 주는 공으로 강하게 회전이 걸린 공은 이동하면서 경로가 휘어지게 됨. 타자는 눈으로 경로를 쫓지만 실제 공의 위치를 제대로 파악하고 치기 어려움 

* 왜?? 움직이는 물체를 시야의 어느 부분에 두느냐에 따라 뇌가 위치 해석을 바꾸기 때문 

 - 물체가 시야 중심에 있을때는 위치를 정확하게 볼 수 있지만, 시야 주변부에 있으면 위치를 정확히 측정할 수 없음. 즉 주변시는 빠르게 대략적인 주변상황을 확인하는데는 유용하나 정확한 형태나 위치를 파악하는데는 한계가 있음  

4. 결론

* 화면을 구성할땐 중심시, 주변시를 고려한 화면 설계가 필요함 

* 컴퓨터 화면을 볼때 (e.g.웹서핑) 그것을 볼지 말지는 주변시에 의해 빠르게 결정될 수 있음 

* 따라서 중심시를 고려한 화면중앙 설계도 중요하지만, 주변시 또한 함께 고려되어야 함 

* 만약 유저가 화면의 특정한 부분에 집중하길 원한다면, 주변시 부분에 시선을 뺏을 수 있는 것(애니메이션, 깜빡이는 오브젝트) 등을 배치하는것은 좋지 못함 

 ㄴ 주변시로 인해 시선을 뺏기게 되는 것인데, 실제로 웹페이지의 광고를 보면 깜빡이거나 빛나게 구성하여 시선을 뺏도록 설계됨 

회사에서 일하다보면 추세 분석 및 예측을 하는 경우가 빈번히 있다. 

그때마다 매번 평균값에 근거한 간단한 통계분석 정리만 하다보니, 이것이 얼마나 타당한지에 대한 의문이 많이 든다.

좀 더 체계적인 분석을 알아보고 싶어 찾아본 책이 "빅데이터를 지배하는 통계의 힘"이란 책!!

책 내용 자체는 고등학교, 대학교떄 배운 통계에서 크게 벗어나지 않으며, 이를 실무에서 활용할 수 있는 방법에 대해 정리한 책 인것 같다.

책의 내용을 그대로 다 옮길순 없으므로 내가 이해한 부분을 까먹지 않게 부분적으로 정리할 예정~! (실제 책의 내용과 다소 다를수 있음) 

1. 인과 관계 파악에 중요한 '평균'의 본질 

 * 내가 '직원'으로서 'A'회사에 입사한다면 연봉은 500만원이 아닌 300만원을 받기될 것이기에 평균보다 최빈수, 중앙값이 더 정확할것이다. 

 * 그렇다면 평균보다 최빈수, 중앙값이 더 정확하고 좋은 방법이라 말할 수 있는가??

2. 평균이 중앙값보다 유용한 까닭은?

* '예제 1'에서 직원 6,7,8번째의 연봉이 100만원씩 올랐다고 해도 중앙값은 여전히 300만원이다. (평균값은 500만원에서 533.3만원으로 증가) 

* 여기서 당신이 재무직원으로 회사의 인건비를 계산해야 한다면 어떤 값을 사용하겠는가?

  -  평균값은 극단적으로 값이 편중되어 있더라도, 전체적으로 평균연봉이 얼마나 변했는가 하는 증감을 아는데 적합하다   

  -  반면 중앙값은 총량에 미치는 영향이 어떻게 되는지 계산하기 어렵다. 

* 무엇보다 평균값이 좋은 추정방법이 되는 이유는 다음과 같다 

3. 정규분포 

4. 표준편차

(1) 사분위점

 - 현상을 이해하기 위해서는 데이터를 '구간'으로 보아야 한다 

 - 평균 객단가가 3000원인 경우 대다수의 고객이 3000원을 쓴다는 것인지, 아니면 100원 쓰는 사람, 1만원 쓰는 사람이 공존해있는지 알 수 없음 

 - 데이터의 최대값, 최소값을 선정할때 덜 극단적인 위치에 있는 값을 사용하기 위해 보통 '사분위점' 25%, 75%를 사용 (or 10%/90%, 5%/95% 사용)

 - 사분위점 사용시 극단적인 값에 휘둘리지 않고 '이 범위 부근에 데이터가 존재한다'는 것을 나타낼 수 있음 

(2) 분산 

 - 데이터에 내포된 불규칙성을 알아보려면 '분산'을 확인 

 - 평균이란  '참값에서 벗어난 값의 제곱합'을 가리키는데 이를 사용하면 불규칙성이 큰지 작은지 알 수 있음 

  ㄴ (!) 벗어난 값 -> 편차 

- 위 그림은 A매장의 고객 3명을 대상으로 서비스 만족도를 10점 만점으로 평가한 결과. 각 참가자의 '평균값에서 벗어난 값의 제곱'을 모두 더하면 38이라는 값을 얻을 수 있음 

- 허나 이런 방식으로 판단시 데이터 수가 늘수록 합이 커지는 문제가 있음(!!!) 

  ㄴ 동일한 설문조사를 B매장에서 40명을 대상으로 했을때 20명은 6점, 20명은 8점을 준 경우, 평균값은 7로 동일하지만 평균에서 +-1점된 점수를 모두 합한값은 40이 됨 (20*1 + 20*1 = 40)

  ㄴ 즉 '벗어난 값의 제곱합'은 데이터가 늘면 늘수록 동일한 불규칙성을 내포하고 있는 데이터도 많아지기 때문

  ㄴ 이 경우 '벗어난 값의 제곱합'대신 '벗어난 값의 제곱 평균'을 사용하면 어느정도 정리된 불규칙성을 표현 가능 (38/3 =  12.7 <<-- 벗어난 값의 제곱 평균)  

(3) 표준편차 

 - 분산에 루트(√)를 씌워 얻어진 값을 '표준편차 (Standard Deviation, SD)' 이라 함

  ㄴ 분산은 제곱된 값이기 때문에 실질적인 치우침에 비해 그 값이 크다. 따라서 루트를 사용하여 값을 조정하며 이것을 표준편차라고 부름 

 - 위 그림의 분산(편차 제곱의 평균)은 12.7, 표준편차(분산값에 루트 적용)는 3.6

(4) 정리 

5. 평균과 표준편차를 알면???

* 평균, 표준편차를 조합하면 '대략 이 범위 부근에 데이터가 존재한다'는 현상 파악이 가능 

* 데이터가 불규칙성이 있더라도 평균값-2SD(표준편차의 2배) ~ 평균값+2SD까지의 범위에 반드시 전체의 3/4이상의 데이터가 존재함 

 - 심지어 정규분포를 따르지 않고 평균값 주면에 값이 존재하는 데이터 일지라도 (양극단에 데이터가 밀집) 평균값 2SD 범위안에 3/4이상의 데이터가 존재 

* 정규분포를 따르는 데이터라면 평균값2SD 범위에 95% 데이터가 존재