FlowDx의 시선 추적 히트맵은 DeepGaze IIE 모델을 기반으로 생성됩니다. 이 모델은 독일 튀빙겐 대학교 Bethge Lab 계산 신경과학 연구소의 Linardos 등이 ICLR 2021 논문 《DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling》에서 제안했습니다. MIT/Tilburg Saliency Benchmark에서 DeepGaze IIE는 여러 지표에서 1위를 차지했으며, 예측 결과와 실제 인간의 안구 운동 데이터 간의 상관관계는 0.87 이상입니다.
히트맵의 색상은 무엇을 의미하나요?
| 색상 | 의미 | 관심도 백분율 |
|---|---|---|
| 빨간색 | 최고 관심 영역 — 사용자가 가장 먼저 보는 곳 | 상위 10% |
| 주황색 | 높은 관심도 — 시선이 빠르게 이동하는 곳 | 10-30% |
| 초록색 | 중간 관심도 — 훑어보는 과정에서 인지함 | 30-60% |
| 파란색 | 낮은 관심도 — 대부분의 사용자가 무시함 | 60-90% |
| 어두운 색/무색 | 관심 사각지대 — 거의 아무도 보지 않음 | 하위 10% |
일반적인 히트맵 패턴
패턴 1: 중앙 집중형 (건강함)
빨간색 영역이 콘텐츠의 핵심 정보(얼굴, 제목, CTA 버튼)에 집중되어 있습니다. 이는 시각적 계층 구조가 명확하며, 사용자가 전달하려는 메시지를 빠르게 이해할 수 있음을 의미합니다.
패턴 2: 분산형 (문제 있음)
빨간색 영역이 여러 곳에 흩어져 있어 명확한 주 초점이 없습니다. 이는 화면 요소가 너무 많아 주의력이 분산되었음을 나타냅니다. 해결책: 요소의 수를 줄이고 명확한 시각적 주체를 설정하세요.
패턴 3: 어긋남형 (심각한 문제)
빨간색 영역이 사용자가 보지 않기를 바라는 곳(예: 배경의 무관한 요소)에 집중되어 있고, 핵심 정보(제목, 제품)는 파란색이나 초록색 영역에 머물러 있습니다. 이것은 CTR 킬러입니다.
패턴 4: 외곽형 (낭비)
주의력이 이미지 가장자리에 집중됩니다. 이는 보통 주체가 너무 작거나 여백이 너무 많을 때 발생합니다. 뇌는 가장자리의 대비가 높은 영역(예: 이미지 테두리와 배경의 경계)에 끌리게 됩니다.
시각적 경로: 사용자의 "읽기 경로"
히트맵 외에도 FlowDx는 시각적 경로를 생성합니다. 이는 사용자의 눈이 어디에서 시작하여 어떤 순서로 화면을 스캔하는지 예측합니다. 이상적인 시각적 경로는 다음과 같아야 합니다:
- 가장 강력한 관심 앵커(보통 얼굴이나 가장 큰 텍스트)에서 시작
- 보조 정보(부제목, 제품 이미지)로 이동
- 최종적으로 CTA(행동 유도)에 도달
만약 경로가 핵심 정보를 건너뛰거나 무관한 영역에서 맴돈다면 시각적 가이드에 문제가 있는 것입니다.
5차원 인지 점수 상세 설명
FlowDx는 단순히 총점만 제공하는 것이 아니라, 다섯 가지 인지 차원에서 콘텐츠를 평가합니다:
- 관심도 — 콘텐츠가 0.3초 내에 시선을 사로잡는지 여부
- 시각적 초점 — 명확한 시각적 계층 구조와 유도 경로가 있는지 여부
- 감정적 충격 — 감정적 반응(호기심, 흥분, 공감)을 유발할 수 있는지 여부
- 행동 유도 — 명확한 행동 유도(CTA)가 있는지 여부
- 기억 강도 — 사용자가 본 후 콘텐츠를 기억할 수 있는지 여부
각 차원은 0-100점입니다. 70점 이상은 우수, 50-70점은 최적화 필요, 50점 미만은 심각한 문제가 있음을 나타냅니다.
히트맵 진단 시작하기
진단 보고서에 따라 콘텐츠를 최적화하는 방법
FlowDx 진단 보고서를 받은 후, 다음 우선순위에 따라 문제를 해결하세요:
우선순위 1: "어긋남형" 문제 수정 (빨간색 진단 항목)
만약 주의력이 잘못된 위치(배경 요소, 무관한 세부 사항)에 집중되어 있다면 이는 가장 심각한 문제입니다. 해결책은 대개 방해 요소의 시각적 비중을 낮추고(흐리게 처리, 채도 낮추기), 동시에 핵심 정보의 현저성을 높이는 것(확대, 대비 추가, 테두리 추가)입니다.
우선순위 2: 명확한 시각적 경로 구축 (주황색 진단 항목)
히트맵에서 주의력이 분산된 것으로 나타나면 명확한 시각적 계층 구조를 세워야 합니다. 크기 대비(가장 중요한 요소를 가장 크게), 색상 대비(핵심 정보에 고채도 색상 사용), 공간 가이드(화살표, 선, 인물의 시선 방향)를 사용하여 사용자의 시선이 미리 설정한 경로를 따라 이동하도록 유도하세요.
우선순위 3: 전체 인지 점수 향상 (노란색 권장 항목)
5차원 점수 중 60점 미만인 차원에 집중해야 합니다. 일반적인 개선 방법은 다음과 같습니다:
| 낮은 차원 | 가능한 원인 | 개선 방향 |
|---|---|---|
| 관심도 < 60 | 화면이 너무 평범하고 현저성이 부족함 | 대비 증가, 얼굴 추가, 고채도 색상 사용 |
| 시각적 초점 < 60 | 요소가 너무 많고 복잡함 | 요소 수 줄이기, 주종 계층 구조 구축 |
| 감정적 충격 < 60 | 콘텐츠에 감정적 트리거가 부족함 | 감정적인 표정 사용, 대조 만들기, 스토리텔링 |
| 행동 유도 < 60 | CTA 또는 행동 암시 부족 | 화살표, 버튼, "지금 바로", "기간 한정" 등의 트리거 단어 추가 |
| 기억 강도 < 60 | 콘텐츠가 너무 평범하고 독창성이 부족함 | 브랜드 심볼 구축, 독특한 배색 사용, 시각적 기억 포인트 생성 |
히트맵 분석의 한계
시선 추적 히트맵은 강력한 도구이지만 한계도 있습니다. 이러한 경계를 정직하게 이해하는 것이 도구를 더 잘 활용하는 데 도움이 됩니다:
- "평균 사용자"를 예측함 — 히트맵은 집단의 평균 주시 분포를 반영하며, 개별 사용자의 시선 경로는 다를 수 있습니다.
- 클릭률과 직접적으로 동일하지 않음 — 높은 관심도가 반드시 높은 클릭으로 이어지는 것은 아닙니다. 사용자가 주목은 했지만 클릭하지 않기로 선택할 수도 있습니다(예: 콘텐츠가 충분히 흥미로워 보이지 않음).
- 이미지 품질에 의존함 — 저해상도 또는 심하게 압축된 이미지는 예측 정확도에 영향을 줄 수 있습니다.
- 문화적 차이 — 서로 다른 문화적 배경을 가진 사용자는 색상, 얼굴, 기호에 대한 주의력 배분이 다를 수 있습니다.
FlowDx의 5차원 인지 점수는 바로 순수 히트맵 분석의 부족함을 보완하기 위해 만들어졌습니다. 관심도, 감정, 기억 등 여러 차원을 종합적으로 고려하여 더 포괄적인 콘텐츠 진단을 제공합니다.
자주 묻는 질문 (FAQ)
히트맵의 빨간색 영역이 가장 좋은 것인가요?
반드시 그렇지는 않습니다. 빨간색은 사용자가 가장 먼저 주시하는 영역을 나타내지만, 핵심은 빨간색 영역이 당신이 가장 전달하고 싶은 정보에 위치하느냐입니다. 빨간색이 무관한 배경에 있다면 오히려 문제가 있음을 의미합니다. 이상적인 상태는 빨간색이 핵심 정보(제품, 얼굴, 제목)를 덮고 파란색이 보조 영역을 덮는 것입니다.
시각적 경로에 주시점이 몇 개 있는 것이 좋은가요?
썸네일과 커버의 경우 3~5개의 주시점이 최적의 범위입니다. 너무 적으면(1~2개) 콘텐츠의 정보량이 부족하다는 뜻이고, 너무 많으면(6개 이상) 주의력이 너무 분산되었음을 의미합니다. 이상적인 경로: 주 초점 → 보조 정보 → CTA 순으로 명확한 서사선을 형성하는 것입니다.
왜 제 히트맵 결과가 다른 사람이 동일한 이미지를 분석한 결과와 다른가요?
FlowDx는 결정론적 모델(DeepGaze IIE)을 사용하므로 동일한 이미지에 대한 분석 결과는 완전히 일치합니다. 결과가 다르다면 이미지 해상도, 자르기 방식 또는 파일 압축 정도가 다르기 때문일 수 있습니다. 분석 시 원본 해상도의 이미지를 사용하는 것을 권장합니다.
비디오 히트맵과 정지 이미지 히트맵의 차이점은 무엇인가요?
비디오 콘텐츠에서는 주의력 분포가 시간에 따라 변합니다. FlowDx는 비디오를 프레임별로 분석하며, 각 프레임마다 독립적인 히트맵이 있습니다. 비디오는 정지 이미지보다 동적 요소(움직이는 물체, 전환되는 화면)라는 한 가지 차원이 더 있어 주의력을 강력하게 끌어들입니다. 비디오 분석의 핵심은 주의력이 가장 취약한 프레임을 찾는 것입니다. 그 순간이 사용자가 이탈할 가능성이 가장 높기 때문입니다.
히트맵 진단 시작하기
FlowDx에 콘텐츠를 업로드하고 시선 추적 히트맵, 시각적 경로 및 5차원 점수를 받아보세요. 사용자의 뇌에서 당신의 콘텐츠가 실제로 어떻게 작용하는지 확인해 보세요.
참고 문헌
- Linardos, A. et al. (2021). DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling. ICLR 2021.
- Borji, A., & Itti, L. (2013). State-of-the-art in visual attention modeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 185-207.
- Bylinskii, Z. et al. (2019). What do different evaluation metrics tell us about saliency models? IEEE TPAMI, 41(3), 740-757.