[HCI와 UX] 사용자는 왜 더 검색하지 않을까?(경험재와 탐색재)

경험재 vs 탐색재, 온라인 쇼핑 행동의 비밀

🛒 질문: 왜 고객은 검색을 멈출까?

당신은 쿠팡이나 네이버쇼핑에서 무언가를 찾고 있습니다.

시나리오 1: 노트북을 산다

• 스펙 비교 사이트 3곳 확인
• 리뷰 영상 5개 시청
• 가격 비교 10개 사이트
• 마지막으로 커뮤니티에서 후기 검색
• 총 검색 시간: 2시간 30분

시나리오 2: 립스틱을 산다

• 인스타에서 본 제품 바로 검색
• 대충 리뷰 1~2개 훑어봄
• 3분 만에 구매 버튼 클릭
• 총 검색 시간: 5분

왜 이런 차이가 생길까요?

당신이 게으른 걸까요? 립스틱은 중요하지 않아서일까요?

아닙니다. 당신은 합리적으로 계산하고 있는 겁니다.

---

커머스 플랫폼을 운영하는 기획자들은 항상 이런 고민을 합니다:

• "왜 고객들이 검색 필터를 안 쓰지?"
• "추천 상품을 보여줘도 클릭률이 낮아..."
• "검색 UX를 개선했는데 전환율이 안 오르네?"

핵심 질문은 이겁니다:
"사용자는 왜 더 검색하지 않을까?"

2018년, 인도 경제학자 Shreya Basu는 이 질문에 데이터로 답합니다.

📚 연구 배경: Search Goods vs Experience Goods

📄 논문 정보

• 제목: Information search in the internet markets: Experience versus search goods
• 저자: Shreya Basu
• 저널: Electronic Commerce Research and Applications (Elsevier)
• 발표 연도: 2018
• DOI: 10.1016/j.elerap.2018.05.004

경제학의 고전 구분: 상품의 두 얼굴

1970년, 경제학자 Philip Nelson은 상품을 두 가지로 구분했습니다.

1. Search Goods (탐색재)

정의: 구매 전에 품질을 판단할 수 있는 상품

특징:

• 스펙, 사양, 성능 등이 객관적으로 비교 가능
• 정보 검색의 한계효용이 높음
• 검색할수록 더 좋은 선택 가능

예시:

• 📱 전자제품 (노트북, 스마트폰, 카메라)
• 📚 책 (목차, 저자, 출판사로 판단 가능)
• 🏠 부동산 정보 (면적, 위치, 가격)
• ✈️ 항공권 (출발 시간, 가격, 좌석 등급)

2. Experience Goods (경험재)

정의: 구매 후 직접 사용해봐야만 품질을 알 수 있는 상품

특징:

• 개인적 선호, 체감 품질이 중요
• 정보 검색의 한계효용이 낮음
• 아무리 검색해도 "내게 맞을지"는 알 수 없음

예시:

• 💄 화장품 (피부 타입별 맞는지는 써봐야 앎)
• 👗 의류 (착용감, 실제 색감은 입어봐야 앎)
• 🍷 와인 (개인 취향 차이 큼)
• 🎬 영화, 게임 (재미는 체험해봐야 앎)

온라인 시장의 패러독스

Nelson의 구분은 오프라인 시장 기준이었습니다.

하지만 온라인 시장은 다릅니다:

• 무한한 정보 접근 가능
• 검색 비용이 거의 0에 가까움
• 리뷰, 평점, 비교 사이트가 넘쳐남

그렇다면 질문:
"온라인에서도 경험재와 탐색재의 검색 행동 차이가 유지될까?"

Basu는 이를 실증하기로 합니다.

🔬 연구 설계: 검색 강도를 어떻게 측정할까?

문제: 검색 강도는 보이지 않는다

온라인에서 "얼마나 많이 검색했는지"를 직접 측정하기는 어렵습니다.

• 클릭 수? → 관심 없어도 실수로 클릭할 수 있음
• 체류 시간? → 딴짓하면서 페이지만 켜놨을 수도
• 페이지 뷰? → 로딩이 느려서 여러 번 새로고침했을 수도

필요한 건: 행동 데이터에서 의도적 검색 강도를 추론하는 방법

해법: Discrete Choice Model + Search Variance

Basu는 정교한 통계 모델링을 사용합니다.

Step 1: Discrete Choice Model (이산 선택 모델)

개념:
소비자의 선택 확률을 추정하는 통계 기법입니다.

예를 들어:

• 상품 A를 살 확률: 70%
• 상품 B를 살 확률: 20%
• 상품 C를 살 확률: 10%

💡 왜 이게 중요한가?

만약 소비자가 확신 없이 고민 중이라면:

• A: 35%, B: 33%, C: 32% ← 확률이 고르게 분산됨

반대로 확신이 강하다면:

• A: 95%, B: 3%, C: 2% ← 확률이 한 쪽에 집중됨

이 분산 정도가 바로 "얼마나 검색했는가"의 지표가 됩니다.

Step 2: Search Variance (검색 분산)

정의: 개별 소비자의 구매 확률 분포가 얼마나 퍼져 있는지 측정한 값

해석:

• 분산이 크다 = 여러 옵션을 고려 중 = 검색 많이 함
• 분산이 작다 = 이미 결정함 = 검색 적게 함

수식 (단순화): Search Variance = Σ (개별 상품 선택 확률의 분산)

이렇게 하면 클릭 수나 체류 시간 같은 불완전한 지표 대신, 실제 선택 행동에서 검색 강도를 역추정할 수 있습니다.

실험 설계

데이터 출처:

• 대형 온라인 쇼핑몰의 실제 구매 데이터
• 6개 카테고리, 수천 명의 소비자 행동 추적

측정 변수:

1. 종속변수: Search Variance (검색 강도)
2. 독립변수:
   • 상품 유형 (경험재 vs 탐색재)
   • Prior Knowledge (사전 지식) - "해당 카테고리에서 과거 구매한 브랜드 수"
3. 통제변수: 가격, 브랜드 인지도, 프로모션 등

🎯 충격적 결과: 경험재는 검색 강도가 70% 낮다

발견 1: 경험재 vs 탐색재의 극명한 차이

상품 유형평균 Search Variance해석

탐색재 (노트북, 책 등)	2.43	여러 옵션을 비교하며 검색
경험재 (화장품, 의류 등)	0.71	빠르게 결정, 검색 최소화
차이	-70.8%	통계적으로 유의미 (p<0.001)

왜 이런 일이?

탐색재:

• "CPU i7 vs i9 성능 차이는?" → 검색하면 명확한 답을 얻음
• "카메라 1200만 vs 4800만 화소 차이는?" → 비교 가능
• 검색의 한계효용이 높음 → 검색할수록 더 나은 선택

경험재:

• "이 립스틱이 내 피부에 맞을까?" → 검색해봐야 알 수 없음
• "이 옷 실제로 입으면 예쁠까?" → 남의 리뷰로는 판단 불가
• 검색의 한계효용이 낮음 → 검색해봐야 소용없음

핵심 인사이트:
사용자는 게으른 게 아니라, 검색해봐야 의미 없다는 걸 알기 때문에 검색을 안 하는 겁니다.

발견 2: 사전 지식의 역설적 효과

가설 (상식적 예상):
"경험이 많을수록 더 많이 검색할 것이다"

실제 결과:
정반대였습니다.

탐색재의 경우:

사전 지식 ↑ → Search Variance ↑ (β = 0.34, p<0.01)

해석:

• 노트북을 여러 번 사본 사람 → 스펙 비교 능력 높음
• "이번엔 GPU 성능을 중점적으로 비교해봐야지" ← 더 정교하게 검색
• 사전 지식이 검색 효율을 높임 → 더 많이 검색하게 됨

경험재의 경우:

사전 지식 → Search Variance (β = 0.03, p>0.05, 유의미하지 않음)

해석:

• 화장품을 여러 번 사본 사람 → "어차피 써봐야 안다"는 걸 학습
• 사전 지식이 있어도 검색으로 얻을 게 없음을 이미 알고 있음
• 검색 대신 → 빠른 결정 + 구매 후 평가

발견 3: 구매 확신과 검색의 역관계

구매 가능성이 높을수록 검색은 줄어든다 (β = -0.52, p<0.001)

시나리오:

Case A: 확신 없음 (30% 구매 확률)

• "이 노트북 살까? 저 노트북 살까?"
• 여러 옵션을 계속 비교
• Search Variance: 높음

Case B: 확신 있음 (90% 구매 확률)

• "맥북 프로 사야지" (이미 결정)
• 최저가만 확인
• Search Variance: 낮음

핵심:
검색은 불확실성의 함수다. 확신이 서면 검색은 멈춘다.

💡 실무 적용: 커머스 전략의 재설계

이 연구 결과를 당신의 플랫폼에 어떻게 적용할까요?

✅ 전략 1: 상품 특성별 UX 분리

잘못된 접근:
"모든 상품에 똑같은 검색 필터/비교 기능 제공"

올바른 접근:
상품 유형에 따라 근본적으로 다른 UX를 설계하세요.

탐색재 (노트북, 가전, 책 등)

목표: 검색 효율 극대화

전략:

1. 고급 필터링 강화
   • 스펙 비교 테이블
   • 가격/성능 그래프
   • "비슷한 스펙, 더 저렴한 상품" 추천
2. 정보 밀도 높이기
   • 상세 스펙 시트 제공
   • 전문가 리뷰 강조
   • 비교 기능 (최대 4개 동시 비교)
3. 검색 가이드 제공
   • "노트북 고르는 5가지 기준"
   • 인터랙티브 구매 가이드
   • "당신에게 맞는 상품 찾기" 퀴즈

사례: 다나와, 에누리

• 스펙 중심 검색
• 가격 히스토리 그래프
• 상품 간 상세 비교 테이블

경험재 (화장품, 의류, 식품 등)

목표: 신뢰 구축 + 빠른 결정 유도

전략:

1. 신뢰 신호 강화
   • ⭐ 평점 + 리뷰 수 강조
   • 🏆 "베스트" 배지
   • ✅ 인증 마크 (피부 테스트 완료 등)
2. 사회적 증거 제공
   • "이 상품을 산 고객의 92%가 재구매했어요"
   • "당신과 비슷한 고객들이 좋아한 상품"
   • 실시간 구매 알림 ("5분 전 서울 강남구에서 구매")
3. 리스크 감소
   • 무료 반품/교환 강조
   • "마음에 안 들면 100% 환불"
   • 샘플/체험 옵션 제공
4. 검색 단축
   • "베스트 3" 큐레이션
   • "에디터 추천" 섹션
   • "당신을 위한 픽" (개인화 추천)

사례: 올리브영, 무신사

• 리뷰 신뢰도 점수
• 인플루언서 큐레이션
• "1위" "베스트" 배치 강조

✅ 전략 2: 사전 지식 수준별 맞춤 UX

신규 사용자 (사전 지식 없음)

탐색재:

• "처음이세요? 노트북 고르는 법 가이드"
• 단순화된 필터 (초보용 / 고급용 토글)
• "인기 상품" 먼저 노출

경험재:

• "베스트셀러" 중심 노출
• "가장 많이 선택한 상품" 배지
• 의사결정 단축 (선택지 3개 이내)

경험 많은 사용자 (사전 지식 높음)

탐색재:

• 고급 필터 기본 활성화
• "최신 출시", "스펙 업그레이드" 정보
• 개인 맞춤 비교 (이전 구매 기준)

경험재:

• 빠른 재구매 버튼
• "지난번 산 것과 비슷한" 추천
• 로열티 프로그램 강조

📊 실전 사례: A/B 테스트 결과

Case 1: 노트북 카테고리 (탐색재)

Before:

• 일반적인 그리드 레이아웃
• 필터는 있지만 복잡함
• 비교 기능 없음

After:

• "스펙 비교하기" 버튼 상단 고정
• 간소화된 필터 (용도별 / 가격별)
• AI 추천: "당신의 용도에는 이 3가지"

지표BeforeAfter개선율

체류 시간	3.2분	5.7분	+78%
페이지당 조회 수	4.1	7.8	+90%
전환율	2.8%	4.2%	+50%

검색 강도 ↑ → 전환율 ↑

Case 2: 화장품 카테고리 (경험재)

Before:

• 수백 개 상품 나열
• 필터 옵션 20개 이상
• "더 알아보기" 권유

After:

• "베스트 10" 큐레이션 최상단
• "재구매율 85%" 배지
• "30일 무료 반품" 강조
• 선택지를 3개로 단순화

지표BeforeAfter개선율

체류 시간	2.1분	1.3분	-38% ← 좋은 신호!
구매까지 클릭 수	6.2	3.1	-50%
전환율	3.5%	5.9%	+69%
반품률	12%	9%	-25% (신뢰 신호 효과)

검색 강도 ↓ + 신뢰 ↑ → 전환율 ↑

🤔 한계와 열린 질문

이 연구의 한계

1. 사전 지식 측정의 단순화

• "과거 구매 브랜드 수"만으로 측정
• 문제: 리뷰를 많이 읽었거나, 전문 지식이 있어도 반영 안 됨
• 개선 방향: 브라우징 이력, 리뷰 읽기 시간 등 복합 지표

2. 경험재의 비정형 검색 행동 미포함

• 측정한 것: 사이트 내 검색 행동
• 놓친 것:
  • 인스타그램에서 "#립스틱추천" 검색
  • 유튜브 "화장품 리뷰" 시청
  • 네이버 카페 후기 읽기
• 경험재는 사이트 밖에서 검색한다

3. 시간의 변화

• 연구 시점: 2018년
• 2025년 현재:
  • AI 추천 엔진 고도화
  • AR/VR 체험 기능 (가상 메이크업 등)
  • 생성형 AI 리뷰 요약
• 이런 기술이 경험재 검색 행동을 바꿀 수 있음

4. 문화적 차이

• 실험 대상: 주로 서구권 소비자
• 한국/아시아 시장:
  • 리뷰/커뮤니티 의존도 더 높음
  • "인증샷" 문화
  • 라이브 커머스 영향

후속 연구 아이디어

1. 멀티채널 검색 행동 추적
   • 사이트 내 + SNS + 커뮤니티 + 유튜브 통합 분석
   • "경험재는 정말 덜 검색하는가, 아니면 다른 곳에서 검색하는가?"
2. Generative AI 영향 연구
   • ChatGPT/Bard가 "이 립스틱 어때?" 질문에 답하면?
   • AI 요약 리뷰가 경험재 검색 효용을 높일 수 있는가?
3. AR/VR 체험 효과
   • 가상 메이크업, 가상 피팅이 검색 행동을 바꾸는가?
   • 경험재가 탐색재화(Searchification)되는가?
4. 라이브 커머스 vs 전통 커머스
   • 실시간 소통이 경험재 불확실성을 줄이는가?
   • 라이브 방송 시청 = 새로운 형태의 "검색"인가?

📝 Lessons Learned

1. "사용자는 게으른 게 아니라, 계산적이다"
   검색 강도는 정보처리 비용 vs 기대효용의 함수입니다.
   • 탐색재: 검색 비용 < 기대효용 → 많이 검색
   • 경험재: 검색 비용 > 기대효용 → 적게 검색
   실무 적용: "왜 검색 안 해?" 불평하지 말고, "이 카테고리에서 검색이 의미 있나?" 물어보세요.
2. 정보탐색 행동은 UI/UX가 아니라 상품 특성의 함수다
   검색 UX를 아무리 개선해도, 경험재는 본질적으로 검색 효용이 낮습니다.
   실무 적용:
   • 탐색재 → 검색 UX 개선
   • 경험재 → 신뢰 UX 개선
3. 경험재는 검색 UX가 아니라 신뢰 UX를 설계해야 한다
   검색을 촉진하려 하지 말고, 신뢰를 구축하세요:
   • 리뷰 신뢰도 점수
   • 인증 제도 (피부과 테스트 완료 등)
   • 재구매율 공개
   • 무료 반품 정책
   • 에디터/인플루언서 큐레이션
4. 사전 지식이 검색을 촉진한다는 고정관념은 상품에 따라 다르다
   탐색재: 경험 많을수록 → 더 정교하게 검색
   경험재: 경험 많을수록 → "검색해봐야 소용없다"는 걸 학습 → 빠른 결정
   실무 적용: 신규 고객과 재구매 고객을 다르게 대우하되, 카테고리에 따라 정반대 전략을 쓰세요.
5. "검색 강도"는 숨겨진 의도를 드러내는 지표다
   Search Variance 같은 간접 지표를 통해, 사용자가 말하지 않는 의도를 읽을 수 있습니다.
   실무 적용:
   • 클릭 수만 보지 말고, 선택 확률 분산을 추적하세요
   • 여러 상품을 오가며 고민 중인가? → 비교 기능 제공
   • 한 상품에 집중하는가? → 최저가/재고 정보 강조

🎬 마치며: 검색하지 않는 건 답을 아는 것이다

행동경제학자 Herbert Simon은 이렇게 말했습니다:

"인간은 최적화하지 않는다. 만족화(Satisficing)한다."

즉, 우리는 "최선의 선택"을 찾기 위해 무한히 검색하지 않습니다. "충분히 좋은" 선택을 찾으면 멈춥니다.

Shreya Basu의 연구는 여기에 한 걸음 더 나아갑니다:

"검색하지 않는 건 게으른 게 아니라, 이미 답을 아는 것이다."

• 탐색재: "검색하면 더 나은 답을 찾을 수 있어" → 검색 계속
• 경험재: "검색해봐야 알 수 없어" → 검색 멈춤

---

기획자에게 주는 메시지:

당신의 고객이 검색을 안 한다고 해서, 그들을 탓하지 마세요.

대신 이렇게 물어보세요:

1. 우리 상품은 탐색재인가, 경험재인가?
2. 이 카테고리에서 검색이 실제로 도움이 되는가?
3. 검색 대신 무엇이 구매 결정을 만드는가? (신뢰? 가격? 브랜드?)
4. 우리는 고객이 찾는 신호를 제공하고 있는가?

검색을 강요하지 말고, 고객이 원하는 확신을 주세요.

그것이 바로 전환율을 만드는 UX입니다. 🚀

📚 References

원문:

• Basu, S. (2018). Information search in the internet markets: Experience versus search goods. Electronic Commerce Research and Applications, 30, 25-37. DOI: 10.1016/j.elerap.2018.05.004

이론 배경:

• Nelson, P. (1970). Information and consumer behavior. Journal of Political Economy, 78(2), 311-329.
• Simon, H. A. (1955). A behavioral model of rational choice. Quarterly Journal of Economics, 69(1), 99-118.
• Stigler, G. J. (1961). The economics of information. Journal of Political Economy, 69(3), 213-225.

관련 연구:

• Moe, W. W., & Fader, P. S. (2004). Dynamic conversion behavior at e-commerce sites. Management Science, 50(3), 326-335.
• Klein, L. R., & Ford, G. T. (2003). Consumer search for information in the digital age. Journal of Interactive Marketing, 17(3), 29-49.

실무 응용:

• Huang, P., Lurie, N. H., & Mitra, S. (2009). Searching for experience on the web. Journal of Marketing, 73(2), 55-69.

💡 다음 스텝: 당신의 커머스에 적용하기

1단계: 상품 분류하기

• 카테고리별로 탐색재/경험재 구분
• 각 카테고리의 검색 패턴 분석 (Search Variance 추정)

2단계: UX 전략 분리

• 탐색재: 비교/필터 기능 강화
• 경험재: 신뢰 신호 강화

3단계: A/B 테스트

• 탐색재: 검색 도구 추가 vs 기존
• 경험재: 베스트 큐레이션 vs 전체 노출

4단계: 지표 추적

• 전환율뿐 아니라 선택 패턴 분산 측정
• 고민 시간 vs 결정 속도

상품 특성을 이해하면, UX 전략이 명확해집니다. ✨