[ PROJECT ]
CONCEPT PROJECT
[ 01 — OVERVIEW ]
01
— 시작점 — Start point
전기요금을 줄이기 위한 다양한 방법들이 공유되지만,
실제 환경에서는 이를 어떻게 적용해야 할지 명확하지 않습니다
Plenty of tips for cutting bills get shared, but in real environments
it's never clear how to actually apply them.
02
— 시작점 — Start point
03
— 타깃 — Target
타겟 선정을 위해 비용 영향과 현재 해결 여부를 기준으로 세 가지 후보를 비교했습니다. To choose a target, I compared three candidates by cost impact and whether the problem is already solved today.
04
— 타깃 — Target
가정과 비교해 비용 기준에서 차이가 크게 발생하며, 아직 명확한 해결 기준이 없는 영역이기 때문입니다. The cost gap versus households is significant, and there's still no clear solution baseline in this space.
05
— 검증 — Validation
저 역시 매장을 운영하며 이 문제를 직접 겪고 있었습니다.
이 문제가 개인적인 사례에 그치지 않는지 확인하기 위해, 사용자 리서치를 진행했습니다.
I'd been living this problem myself while running a store.
To check that it wasn't just my personal case, I ran user research.
[ 02 — RESEARCH ]
[ 02.1 — SECONDARY RESEARCH ]
Analyzing community data revealed recurring patterns.
자영업자 커뮤니티 데이터를 분석한 결과 다음과 같은 패턴이 반복적으로 나타났습니다.
01
기준이 없어 불안할 때마다 냉난방을 계속 바꾸게 된다 Without criteria, anxiety drives constant HVAC tweaking
02
쾌적하게 유지하고 싶지만, 비용이 걱정돼 계속 고민하게 된다 Wanting comfort but worried about cost, the deliberation never stops
03
매장마다 상황이 달라 조작 방법을 맞추기 어려워, 결국 사용을 포기하게 된다 Each store's setup differs, adapting controls becomes too hard, they give up
04
어떻게 판단할지보다, 일단 조작으로 해결하려고 한다 Rather than weighing the decision, they jump straight to manipulating the controls
자영업자들은 쾌적하게 유지하고 싶지만 비용이 부담돼 스트레스를 받고 있었고,
비용을 아끼면서도 매장을 유지하기 위해 계속 어떻게 조작할지 고민하고 있었다
Operators wanted to keep stores comfortable but were stressed by the cost,
and they kept deliberating how to control the system to save money while keeping the store running.
[ 02.2 — PRIMARY RESEARCH ]
To understand when stress peaks in real store operations and what actually drives HVAC decisions,
we interviewed 5 small business owners.
실제 매장 운영 상황에서 언제 스트레스가 커지는지, 무엇을 기준으로 냉난방을 조절하는지
구체적으로 알아보기 위해 자영업자 5인을 인터뷰했습니다
After organizing the interview data through affinity mapping and thematic coding, similar concerns kept surfacing.
이 인터뷰 내용을 어피니티 맵핑과 Thematic coding을 통해 데이터를 정리해보니 비슷한 고민들이 이어지고 있었습니다
설정을 바꿔도 전기요금이 얼마나 달라지는지
알 수 없어 불안해한다.
Even after changing the settings,
they can't tell how much the bill will shift, so anxiety lingers.
바쁠 때와 한가할 때 다르게 조절하지만,
어떤 방식이 맞는지는 알지 못한다.
They adjust differently when busy or quiet,
yet they don't know which approach is right.
결국 느낌이나 경험에 따라 계속 설정을 바꾸게 된다. In the end, they keep changing settings based on feel or past experience.
No matter how often they change the settings, results aren't visible right away,
and the bill only arrives a month later — so operators keep adjusting with constant anxiety.
아무리 설정을 바꿔도 결과는 바로 확인할 수 없고,
고지서는 한 달 뒤에 나오기 때문에 자영업자는 불안을 안고 계속 바꾸게 된다
[ 02.3 — CONTEXT RESEARCH ]
The pricing structure analysis revealed multiple variables — peak / mid / off-peak time slots,
and progressive billing based on usage.
For busy small business owners, the pricing structure
was too complex to understand during operation.
에너지 요금 구조를 분석한 결과 피크 / 중간 / 경부하 시간,
사용량에 따른 누적 과금 등 여러 변수들이 존재했습니다
운영에 바쁜 자영업자가 요금 구조를 이해하기에는
과금 체계가 복잡한 상태였습니다
We checked whether the cost structure alone could really reduce cost in actual operation.
To test this, we wrote a simple store-operation scenario
and applied cost-minimizing methods based on the pricing structure.
그래서 비용 구조만 잘 활용하면 실제 운영에서도
비용을 줄일 수 있는지 확인해봤습니다.
이를 위해 간단한 매장 운영 시나리오를 작성하고
요금 구조에 따라 비용을 최소화할 수 있는 방법을 적용해봤습니다.
As a result, adjusting based on time slots or usage
did reduce energy use.
But in real stores:
1) the cost-cutting criteria conflicted with the comfort criteria, and
2) the savings were smaller than expected.
그 결과, 시간대나 사용량을 기준으로 조절하면
에너지 사용을 줄일 수는 있었습니다.
하지만 실제 매장에서는
1) 비용을 줄이는 기준과 쾌적하게 유지하는 기준이 서로 충돌했고
2) 그리고 절감효과도 예상보다 크지 않았습니다.
비용만 기준으로는 실제 운영 문제를 해결할 수 없다는 것을 확인했습니다.
그래서 비용과 쾌적도를 함께 고려할 수 있는 기준이 필요했습니다.
We confirmed that cost alone can't solve real operation problems.
That's why we needed a criterion combining both cost and comfort.
[ 02.4 — COMPETITOR RESEARCH ]
Existing HVAC systems were designed to clearly show the current state — temperature,
humidity — and to make adjustments easy.
But the purpose of these systems was closer to state control;
they didn't include a function for judging which choice was better.
기존의 냉난방 시스템은 온도와 습도 같은 현재 상태를 정확하게
보여주고 조작을 쉽게 할 수 있도록 설계되어 있었다.
하지만 이 시스템의 목적은 상태를 제어하는 것에 가까웠고
어떤 선택이 더 나은지 판단하는 기능까지는 포함되어 있지 않았다
In the end, with the systems that exist today, users had to read the data,
interpret it themselves, and judge by trying different settings repeatedly.
결국 현재 존재하는 시스템에서 사용자는 데이터를 보고
직접 해석하고, 여러 번 바꿔보면서 판단할 수밖에 없었다
냉난방 관리는 기기 제어의 문제가 아니라, 판단의 문제였습니다. Managing HVAC wasn't a control problem — it was a decision problem.
냉난방 설정을 바꾸는 선택과 전기요금 변화라는 결과가 연결되지 않아,
사용자는 자신의 조절이 비용에 어떤 영향을 주는지 알 수 없다
The choice to change HVAC settings and the resulting change in the electricity bill aren't connected,
so users can't tell how their adjustments affect cost.
[ 03 — APPROACH ]
[ 03.1 — DIRECTION SHIFT ]
Existing systems were designed around a single axis — comfort — making controls easier to operate.
But we focused on the fact that users still couldn't resolve the cost pain point,
so we approached the problem in a way that lets them judge cost and comfort together.
기존 시스템은 조작을 쉽게 만드는데 쾌적이라는 한 축을 중심으로 설계되었습니다.
하지만 우리는 유저가 비용이라는 페인포인트를 해결하지 못하고 있다는 점에 집중해
비용과 쾌적도를 함께 판단할 수 있는 방식으로 접근했습니다.
기존 Before
쾌적 1축 중심 Single axis — comfort only
Operator Operator
비용 + 쾌적 2축 통합 판단 Both axes — judged together
[ 03.2 — UNDERSTANDING THE CONTEXT ]
To build a product that could realistically be adopted in store operations,
we set up user personas and walked through the operator's journey.
Operators were repeatedly adjusting HVAC at three main moments — open / peak / close.
HVAC mattered in real-store operations, yet operators couldn't afford to spend much time on it.
실제 매장 운영 상황에서 도입 가능한 프로덕트를 만들기 위해
유저 퍼소나를 설정하고 유저 저니를 통해 운영자의 상황을 살펴보았습니다
운영자는 크게 오픈 / 피크 / 마감 시점에서 냉난방을 반복적으로 조절하고 있었습니다
또한 실제 매장 운영 환경에서는 냉난방이 중요하지만 운영자가 이에 많은 시간을 쓰기 어려운 상황이었습니다
→ Small business owners needed a structure that's simple and fast to use.
→ 자영업자에게는 간단하고 빠르게 사용할 수 있는 구조가 필요했습니다
[ 03.3 — SOLUTION DIRECTION ]
Based on the current state, AI predicts the outcome of each choice,
compares cost and comfort, and recommends the most appropriate one.
AI는 현재 상태를 기반으로 각 선택의 결과를 예측하고
비용과 쾌적도를 비교해 가장 적절한 선택을 제안합니다.
01
입력 Input
02
판단 Judgment
03
출력 Output
[ 03.4 — IDEATION PROCESS ]
We identified each decision point users face during operation,
then split functions into what AI handles automatically versus what stays under user control.
사용자가 매 순간 판단해야 할 결정 지점을 식별하고,
AI가 자동으로 처리할 부분과 사용자가 통제할 부분을 분리해 기능을 정의했습니다
Among the many features, we selected only those required for the MVP based on priority.
다양한 기능 중, 우선순위를 기준으로 MVP에 필요한 기능만 선별했습니다.
[ 03.5 — STRUCTURE DESIGN ]
To let operators compare without navigating away — critical in busy store contexts —
we placed these four data points together on the main screen:
Predicted cost
Cumulative cost
Comfort change
Recommended solution
바쁜 매장에서 화면 전환 없이 동시에 비교할 수 있도록,
아래 4가지 정보를 메인 화면에 함께 배치했습니다
예상 비용
누적 비용
쾌적도 변화
추천 솔루션
→ Designed for fast decisions first, with a discovery layer for when users want to dig deeper.
→ 빠른 결정 중심, 필요 시 탐색하는 구조로 설계했습니다.
We determined that most users would handle decisions quickly through pop-up notifications,
and would only navigate to the main screen when they wanted more details about a suggestion
or had specific questions.
대다수의 사용자는 팝업알림을 통해 빠르게 결정을 처리하고,
제안에 대해 더 알고 싶거나 의문이 생긴 경우에만,
메인화면으로 이동한다고 판단했습니다.
→ The main screen needed to be designed for users who want to know more after seeing the pop-up.
→ 메인 화면은 팝업에서 더 알고싶은 유저를 위한 화면으로 설계해야했습니다.
We built a visual hierarchy: information that demands recognition within 3 seconds (current cost, comfort)
gets large typography, while supporting data sits smaller beneath it.
3초 안에 인지가 필요한 정보(현재 비용·쾌적도)는 큰 타이포로,
보조 정보는 작게 배치하는 시각적 위계를 설계했습니다
[ 04 — KEY FEATURES ]
FEATURE 01 — INSTANT DECISION VIA POP UP
바쁜 운영 환경에서 사용자는 팝업 알림을 통해
현재 상태와 AI가 제안한 솔루션을 바로 확인하고 즉시 적용할 수 있습니다
In busy operations, users can check the current state and AI's recommendation
through pop-up notifications and apply them immediately.
FEATURE 02 — DATA LOG & LEARNING
AI는 냉난방 조절 이력과 그에 따른 결과를
함께 기록하고 시각화합니다.
사용자는 자신의 선택이 비용과 쾌적도에 어떤
영향을 주었는지 확인 할 수 있습니다.
AI는 누적된 데이터를 학습해
추천 정확도를 점차 개선하고, 이후 결정이
점점 더 쉽고 정확해지도록 돕습니다.
AI records HVAC adjustments along with their outcomes
and visualizes the results.
Users can see how each choice affected
both cost and comfort.
AI learns from the accumulated data to improve
recommendation accuracy over time, so decisions
become easier and more precise.
FEATURE 03 — MODE SETTING
모드 설정을 통해 사용자가 비용과 쾌적도 기준을
함께 설정할 수 있습니다
AI는 이 기준을 바탕으로 두 요소를 동시에
만족할 수 있는 운영 방식을 제안합니다
Through mode settings, users can configure
cost and comfort criteria together.
Based on these criteria, AI proposes
an operation strategy that satisfies both at once.
[ 05 — RESULT & IMPACT ]
[ 05.1 — USABILITY TESTING ]
We designed 4 tasks simulating real store operation: ① understand the current store state ② understand why the AI recommended an action ③ decide whether to apply it ④ interpret the cost-comfort outcome.
Each task had defined metrics: time, accuracy, understanding, trust, and hesitation.
실제 매장 운영 상황을 가정해 4개 과제로 테스트를 설계했습니다 — ① 현재 매장 상태 이해 ② AI 추천의 이유 이해 ③ 추천 적용 여부 결정 ④ 결과(비용·쾌적도) 해석.
과제별로 소요 시간, 정확도, 이해·신뢰, 망설임을 측정 기준으로 정의했습니다.
01
문제 발생 What went wrong
신규 사용자 5명 중 4명이 첫 매장 등록 단계에서 멈췄습니다. 설정 진입점이 메뉴 깊은 곳에 있어 찾지 못했고, 진입 후에도 시작까지 시간이 오래 걸렸습니다. 4 of 5 first-time users got stuck at store registration. The setup entry was buried in the menu, and even after finding it, getting started took long.
02
원인 Why it happened
첫 화면에서 입력해야 할 항목이 7가지로 인지 부담이 컸고, '비용 모드 / 쾌적 모드' 용어가 직관적이지 않았습니다. The first screen demanded 7 inputs, and the 'cost mode / comfort mode' terms weren't intuitive.
03
개선 What was improved
입력 항목을 3단계로 분할한 온보딩 플로우를 신설하고, 모드 설정에 비용·쾌적 시각 슬라이더를 도입했습니다. We split input into a 3-step onboarding flow and introduced a visual cost-comfort slider for mode setting.
04
개선 후 변화 What changed after
개선안은 필수 입력을 7개에서 3개로 줄인 온보딩으로 재설계했고, 동일 과제 기준으로 재검증을 진행했습니다. The redesign cut required inputs from 7 to 3, and was re-validated against the same tasks.
SUS SCORE
76
SUS(System Usability Scale) 평균 76점 (n=5 · 개별 72.5~80) — 통상 기준선인 68점을 웃도는 수준입니다. 참가자 5명의 탐색적 테스트이므로, 결과는 제품 성과가 아닌 개선 방향을 확인하는 참고값으로 해석했습니다. SUS averaged 76 (n=5 · individual 72.5–80), above the common benchmark of 68. As an exploratory test with 5 participants, we read this as directional input, not product performance.
[ 05.2 — ITERATION ]
ADD SPECIFIC ONBOARDING
막힌 지점 Stuck
초기 메인 화면에서 '내 매장을 어떻게 등록하지?' 단계에서 멈춤. 설정 진입점이 메뉴 깊은 곳에 있어 5명 중 4명이 발견하지 못했습니다. Users got stuck at "how do I register my store?" on the main screen. The setup entry was buried deep in the menu — 4 out of 5 testers couldn't find it.
원인 Why
한 번에 입력해야 할 정보가 7가지(매장 면적·업종·운영시간·기준 온도 등)였고, "이걸 다 알아야 시작 가능한가?"라는 인지 부담과 거부감이 발생했습니다. Setup demanded 7 inputs at once (area, business type, operating hours, target temp...). The cognitive load made users feel they had to know everything before they could begin.
해결 Fix
필수 3개 항목(업종·면적·운영시간)만 받는 3단계 온보딩으로 분할하고, 나머지 4개는 사용 중 누적 데이터로 AI가 자동 보정하도록 설계했습니다. We split it into a 3-step onboarding that asks only 3 essential items (business type, area, hours). The remaining 4 are auto-tuned by AI from accumulated usage data.
[ 05.3 — IMPACT ]
A 5-person test can't prove business impact. Instead, we defined the KPIs this system should be measured by if deployed — across user behavior and business performance.
참가자 5명의 테스트만으로 비즈니스 성과를 주장할 수는 없습니다.
대신 이 시스템이 실제 배포된다면 무엇을 측정해야 하는지,
사용자 행동과 비즈니스 성과 양쪽에서 KPI를 정의했습니다.
USER KPIs
BUSINESS KPIs
이 중 가장 먼저 확인할 지표는 추천 수용률입니다.
사용자가 AI의 제안을 실제로 따르는가 — 이것이 '판단을 대신해주는 시스템'이라는
이 제품의 가설을 검증하는 첫 번째 증거이기 때문입니다.
The first metric to watch is adoption rate — whether users actually follow
the AI's suggestions is the first proof of a system built to judge on their behalf.
[ 06 — REFLECTION ]
01
매장을 운영하며 직접 겪은 문제라 문제 정의는 빨랐습니다. 하지만 내 경험을 근거로 쓰는 대신 가설로 두고, 커뮤니티 데이터·인터뷰·요금구조 분석으로 검증했습니다. 개인 경험은 방향을 주지만, 그것을 일반화하지 않는 것이 더 중요했습니다. Having run a store, I defined the problem fast. But I treated my experience as a hypothesis, validating it with community data, interviews, and pricing-structure analysis. Personal experience gives direction; not generalizing it mattered more.
02
요금구조만 활용하면 될 것이라는 가설을 시나리오로 직접 계산해 확인했습니다. 절감 효과는 작았고 쾌적 기준과 충돌했습니다. 이 반증 덕분에 비용 1축이 아닌 비용·쾌적 2축 판단으로 방향을 바꿀 수 있었습니다. 검증은 아이디어를 버리게 하는 것이 아니라, 더 나은 방향을 줍니다. I tested the 'pricing structure alone' hypothesis with scenario calculations. Savings were small and clashed with comfort. That refutation enabled the shift from a single cost axis to judging cost and comfort together. Validation doesn't kill ideas — it gives better directions.
03
컨셉 프로젝트라 비즈니스 성과를 증명할 수는 없었습니다. 대신 무엇으로 성공을 판단할지 KPI를 정의했고, 그 첫 번째가 추천 수용률입니다. 숫자를 만들 수 없다면, 숫자를 잴 방법을 만드는 것이 정직한 결론이라고 생각했습니다. As a concept project, business impact couldn't be proven. So I defined the KPIs success should be judged by — starting with adoption rate. If you can't produce the number, building the way to measure it is the honest conclusion.
이번 리서치는 인터뷰 5인, 사용성 테스트 5인의 탐색적 결과로, 발견된 패턴을 시장 전체로 일반화하지 않았습니다. This research is exploratory — 5 interviews and a 5-person usability test. We did not generalize the patterns to the whole market.
