Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →우선순위별 UX 개선 권고안과 평가 보고서(휴리스틱·접근성·사용자 플로우)를 만들어 드립니다. 다음과 같은 요청 시 사용하세요: - "UX 디자인 검토해줘" - "휴리스틱 평가해줘" - "접근성(WCAG) 검토해줘" - "사용자 플로우 분석해줘" - "와이어프레임 사용성 점검해줘" - "사용성 개선안 정리해줘" 3개 차원(휴리스틱·접근성·플로우)을 분석해 심각도·우선순위가 매겨진 개선 로드맵으로 정리하고, ai-slop-reviewer·humanize-korean으로 마무리할 수 있습니다. [책임 경계] vs moai-product:ux-researcher: ux-designer=휴리스틱·접근성·플로우 평가, ux-researcher=인터뷰·페르소나·VOC 리서치
.claude/skills/modu-ai-ux-designer/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-01 | ✗→✓ | ▲ Improved | 20% | 0% |
| case-02 | ✗→✓ | ▲ Improved | 17% | 0% |
| case-03 | ✗→✓ | ▲ Improved | 45% | 0% |
| case-10 | ✗→✓ | ▲ Improved | 82% | 0% |
| case-18 | ✗→✓ | ▲ Improved | 68% | 0% |
UX 디자인 분석 및 권고안 생성 스킬입니다. Fan-out/Fan-in 패턴을 사용하여 3개 차원(휴리스틱 평가, 접근성 검토, 사용자 플로우 분석)을 병렬로 분석한 후 결과를 통합하여 우선순위별 개선 로드맵을 제시합니다.
제품의 사용자 경험(UX)을 다차원으로 분석하고 실행 가능한 개선 권고안을 제공합니다.
UX 디자인, 사용자 경험, UX 분석, heuristic evaluation, 휴리스틱 평가, 접근성, accessibility, 사용성, 사용자 플로우, wireframe, UX 리서치, UI/UX 검토, 디자인 개선
제품 유형(Web App, Mobile App, Desktop Software, Physical Product), 타겟 사용자(연령, 기술 수준, 장애 여부, 주요 언어), 디자인 목표(전환율 개선, 이탈률 감소, 만족도 향상, 신규 사용자 온보딩), 기존 화면(Wireframe, Mockup, 실제 화면 캡처)을 확인합니다.
3개 차원이 독립적으로 병렬 분석 수행:
차원 1: 휴리스틱 평가 (Heuristic Evaluation) Nielsen's 10 Usability Heuristics를 기반으로 평가: 시스템 상태 가시성, 시스템과 현실 세계의 일치, 사용자 통제권과 자유, 일관성과 표준, 오류 예방, 인식보다 기억, 사용의 유연성과 효율성, 미적·최소화 디자인, 오류 진단·회복·정정, 도움말과 문서
차원 2: 접근성 검토 (Accessibility Review) WCAG 2.1 (Level AA) 기준으로 평가: 인지 가능성(텍스트 대안, 캡션, 구분 가능, 크기 조정), 운용 가능성(키보드 접근, 충분 시간, 광과민성, 네비게이션 가능), 이해 가능성(가독성, 예측 가능, 입력 도움), 견고성(호환성, 마크업)
차원 3: 사용자 플로우 분석 (User Flow Analysis) 사용자의 여정(User Journey)을 분석: 진입 경로, 핵심 경로, 장벽 식별(Friction Points), 예외 경로(Edge Cases), 이탈 경로(Exit Points)
상관관계 분석(차원 간 중복 이슈와 상호 의존성 파악), 심각도 산정(Critical, Serious, Minor, Cosmetic), 영향도 평가(비즈니스 영향), 우선순위 결정(심각도 × 영향도 × 해결 비용)을 수행합니다.
RICE 프레임워크 또는 MoSCoW 방법으로 우선순위 결정:
우선순위별 실행 가능한 로드맵 작성: 단기(1-2주), 중기(1-3개월), 장기(3-6개월)
예시 1: 이커머스 앱 결제 플로우 UX 개선
예시 2: SaaS 대시보드 온보딩 UX 개선
UX 분석 보고서는 다음 섹션들을 포함합니다:
| 스킬 | 사용 시점 | |------|----------| | moai-product:ux-researcher | 선행 작업: 사용자 리서치가 필요한 경우 | | moai-product:spec-writer | 후속 작업: UX 사양서 작성 필요 시 | | moai-content:landing-page | 대안: 랜딩 페이지 UX 개선 필요 시 |
UX 분석 보고서의 서술형 권고안 부분(통합 UX 권고안 P0~P3 설명, 개선 로드맵 서술)만 다음 체인으로 마무리합니다. 심각도·RICE·우선순위 매트릭스 같은 표·점수 데이터는 정제 대상이 아닙니다:
moai-product:ux-designer → moai-core:ai-slop-reviewer → moai-content:humanize-korean
moai-core:ai-slop-reviewer: AI 특유의 상투적 표현·과장·군더더기를 점검하고 다듬습니다.moai-content:humanize-korean: 자연스러운 한국어 문장으로 최종 정제합니다.| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-09 | pass→pass | 17,771 | 29,918 | +68% | 1 | 1 | 0% | 2,572 | 6,304 | +145% | 0 | 0 | — |
case-01 | fail→pass | 32,179 | 28,630 | -11% | 1 | 1 | 0% | 5,234 | 6,259 | +20% | 0 | 0 | — |
case-02 | fail→pass | 27,592 | 21,068 | -24% | 1 | 1 | 0% | 4,520 | 5,307 | +17% | 0 | 0 | — |
case-03 | fail→pass | 28,944 | 30,795 | +6% | 1 | 1 | 0% | 4,348 | 6,301 | +45% | 0 | 0 | — |
case-04 | pass→pass | 17,708 | 22,229 | +26% | 1 | 1 | 0% | 2,650 | 5,196 | +96% | 0 | 0 | — |
case-05 | pass→pass | 21,959 | 17,316 | -21% | 1 | 1 | 0% | 3,933 | 4,610 | +17% | 0 | 0 | — |
case-06 | pass→pass | 22,913 | 19,333 | -16% | 1 | 1 | 0% | 4,547 | 5,459 | +20% | 0 | 0 | — |
case-07 | pass→pass | 22,665 | 24,308 | +7% | 1 | 1 | 0% | 3,725 | 5,367 | +44% | 0 | 0 | — |
case-08 | pass→pass | 20,225 | 23,070 | +14% | 1 | 1 | 0% | 3,758 | 5,747 | +53% | 0 | 0 | — |
case-10 | fail→pass | 18,570 | 22,269 | +20% | 1 | 1 | 0% | 2,841 | 5,161 | +82% | 0 | 0 | — |
case-11 | pass→pass | 21,305 | 25,843 | +21% | 1 | 1 | 0% | 3,317 | 5,979 | +80% | 0 | 0 | — |
case-12 | pass→pass | 23,295 | 21,391 | -8% | 1 | 1 | 0% | 3,698 | 4,952 | +34% | 0 | 0 | — |
case-13 | pass→pass | 19,214 | 26,221 | +36% | 1 | 1 | 0% | 2,906 | 5,868 | +102% | 0 | 0 | — |
case-14 | pass→pass | 16,485 | 17,566 | +7% | 1 | 1 | 0% | 2,657 | 4,376 | +65% | 0 | 0 | — |
case-15 | pass→pass | 23,782 | 22,470 | -6% | 1 | 1 | 0% | 3,784 | 5,326 | +41% | 0 | 0 | — |
case-16 | pass→pass | 19,480 | 23,094 | +19% | 1 | 1 | 0% | 3,061 | 5,230 | +71% | 0 | 0 | — |
case-17 | pass→pass | 15,389 | 13,258 | -14% | 1 | 1 | 0% | 2,452 | 3,777 | +54% | 0 | 0 | — |
case-18 | fail→pass | 25,068 | 29,393 | +17% | 1 | 1 | 0% | 3,910 | 6,570 | +68% | 0 | 0 | — |
case-19 | pass→pass | 23,091 | 25,097 | +9% | 1 | 1 | 0% | 3,905 | 5,701 | +46% | 0 | 0 | — |
case-20 | fail→pass | 27,875 | 30,668 | +10% | 1 | 1 | 0% | 4,323 | 6,497 | +50% | 0 | 0 | — |
case-21 | pass→pass | 25,783 | 29,925 | +16% | 1 | 1 | 0% | 4,075 | 6,502 | +60% | 0 | 0 | — |
case-22 | fail→fail | 23,834 | 25,508 | +7% | 1 | 1 | 0% | 3,605 | 5,779 | +60% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +27 percentage points is the difference between those two pass rates over the 22 comparable cases.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.