Table Of Contents
이 글은 [데이터문해력 - 카시와기 요시키 지음, 강모희 옮김 | 프리렉]을 읽으면서 재미있게 보았던 부분을 나름대로 해석하고 재구성한 글입니다.
데이터를 활용하는 데 있어서 한번쯤은 꼭 생각해봐야할 문제들을 가볍게 정리해 보았는데요. 이전의 글들과도 연결되는 부분들이 있으니 쉽게 읽히지 않을까 합니다. 그리고 데이터 문해력책도 꼭 한번 읽어보시면 좋을것 같네요!
( 그리고 이 글은 제 브런치에서도 확인할 수 있습니다 :) )
‘결론’과 ‘결과’의 차이
데이터를 잘 활용한다는 것은 데이터를 통해 직접적이고 구체적인 행동을 일으키거나 판단을 내리는 것 일텐데요. 즉, 데이터를 통해 결론을 이끌어내는 것이라고 말할 수 있죠. 하지만 실제로는 결론에 이르지 못하고 데이터를 활용했다고 말하는 경우가 많습니다.
데이터를 통해 아래와 같은 사실을 확인했을때 우리는 어떤 행동을 할 수 있을까요?
1) 지난달 보다 매출이 10% 감소했다. 2) 지난달의 마케팅비가 전년 동기 대비 5% 줄었다. 3) 이번 이벤트를 통해 평소보다 방문객이 20% 증가했다
사실 위의 내용만을 가지고는 어떤 결론을 내리기에는 부족합니다. 단순히 현상을 답한 것에 불과하기 때문이죠. 여기에 우리는 이런 질문들을 던져볼 수 있을 것 같아요.
‘지난달 보다 매출이 감소한 원인은 무엇일까?’, ‘어떻게 하면 매출 증가세로 전환시킬 수 있을까?’, ‘지난 이벤트과 비교했을 때 효율은 어땠을까?’ 혹은 ‘지난 이벤트보다 효율이 증가했다면 그 이유는 무엇일까?’ 등등
이런 질문들에 답을 할 수 없다면 위의 사실들은 단순한 현황에 불과할 뿐이죠. 결국 어떤 의사결정을 내리기에는 부족한 단순한 사실을 나열한 것에 불과 할 수 있습니다.
그렇다면 “지난달 보다 매출이 10% 감소했다” 라는 결과를 보고 어떻게 결론을 만들어야 할까요?
매출이 감소한 원인을 우선적으로 살펴보고 그 원인을 해결하기 위한 행동을 해야겠죠. 예를 들어 매출 감소의 원인이 경쟁사의 이벤트 진행으로 인한 것이었다면 그에 맞게 이벤트를 진행하거나 가격적인 매력을 느낄수 있는 행동들을 취해볼 수 있겠죠. ‘매출이 감소했다’라는 문제에 대해 적절한 행동을 하기 위해서는 결국 이 문제를 일으키는 원인을 반드시 파악하고 있어야 합니다.
즉 ‘매출이 감소했다’는 결과를 통 해 우리는 적절한 ‘원인’을 발견하고, 이를 해소하기 위한 ‘근거’를 만들고 최종적인 ‘결론’을 통해 행동(목적)을 취해야 합니다.
결론을 낼 때 주의해야 할 점
아래 그림과 같은 상황을 가정해 볼게요. 홈페이지를 리뉴얼후 방문자 수가 급격하게 늘었다고 생각해보겠습니다. 이 결과는 온전히 홈페이지 리뉴얼만의 영향이라고 할 수 있을까요?
만약 홈페이지를 리뉴얼한 시점에서 어떤 인플루언서가 인스타그램에 해당 내용을 포스팅했다면 어떻게 될까요? 물론 홈페이지 리뉴얼도 효과가 있었겠지만, 인플루언서의 포스팅을 통한 유입의 영향이 더 클수도 있을 것입니다.
즉, 인플루언서의 포스팅이라는 간접적인 결과를 무시하게 되면 정확한 분석을 할 수 없겠죠.
그리고 이후에 다시 방문자수 증가를 위해 홈페이지를 리뉴얼한다는 결정을 내리게 된다면? 그리고 그 인플루언서가 이번에는 포스팅을 하지 않는다면 예상한 결과는 나오지 못할수도 있습니다.
“즉 원인은 한 가지만 존재하는 게 아니라 여럿이거나 복잡할 수도 있다는 사실을 알고 있어야 합니다.”
현실에서의 현상 중 대부분은 원인과 결과가 1대 1의 관련성만으로는 설명할 수 없습니다. 따라서 어떤 현상의 원인을 찾아볼때에는 단순히 보여지고 있는 데이터의 모든 답이 있다고 생각하는 것이 아니라 간접적으로 영향을 줄 수 있는 요인들 역시 면밀히 살펴볼 필요가 있죠.
데이터에는 답이 없다?
데이터를 통한 의사결정은 중요합니다. 다만 데이터에만 의존한 의사결정은 다소 위험할 수도 있습니다. 데이터가 보여주는 결과에는 위에서 확인했던 것처럼 숨겨져 있는 정보들도 있기 때문이죠.
단순히 데이터를 보는 방식이나 방법론, 통계 지식만을 가지고서 문제를 해결하는 것은 오히려 수많은 오류와 마주하게 될 수도 있습니다. 결국 눈 앞의 데이터에만 의존하는 것이 아니라 데이터를 보는 목적과 문제를 정의하고 넓은 시야로 바라볼 수 있어야 하죠.
‘데이터 속에는 분명 정답이 존재한다’고 생각하는 것이 아닌 ‘목적’을 중심으로 사고를 가져가야 가장 적합한 해답을 찾을수 있습니다.
즉, 데이터를 통해 가설을 수립하는 것이 아니라 가설을 검증하기 위해 데이터를 활용해야 합니다.
1) 어떻게 데이터를 활용하고 처리할지 가설을 수립함 2) 각각의 데이터들을 확인 3) 분석을 통해 결론과 관련이 없는 결과들은 제외하고 필요에 따라서는 가설을 수정함 4) 결론 도출
단순한 하나의 사실을 가지고 분석을 시작하는 게 아닌, 처음부터 범위를 넓게 가져가야 수집해야 할 정보나 결과를 놓칠 위험이 줄어들 수 있습니다. 그리고 중간준간 결과를 확인하면서 가설을 수정하거나 데이터를 추가해야 하는 경우도 발생할 수 있죠. 다만 설정 범위가 너무 넓다면 작업량이 기하급수적으로 늘어날 수 있기 때문에 적절한 범위 설정 역시 중요합니다.
그리고 논리적이고 폭넓은 시야로 데이터를 바라보고 원인에 따른 행동들을 세워볼 수 있어야 겠죠.
문제를 구조화하는 방법
어떻게 하면 분석해야 하는 문제의 범위와 영역을 누락없이 적절하게 판별할 수 있을까요?
확실한 정답은 없지만 최선의 접근방법은 ‘논리적 사고(logical thinking)‘이 아닐까 합니다. 여기서 ‘논리적 사고’란 문제를 구조화하고 정리하면서 생각하는 것을 말하죠.
시간 외 근무에 대한 문제에 논리적인 사고를 적용한다면 위의 그림과 같은 구조화가 가능하게 될 텐데요. 이 그림처럼, ‘업무량’ 뿐만 아니라 ‘업무의 질’ 측면이나 사람으로 인해 생기는 문제 그리고 회사 외부에서 발생하는 고객 문제 같은 부분들도 문제가 될 수 있다는 점을 알 수 있습니다.
이렇게 구조화해서 정리하게 되면 생각할 수 없었던 것들을 알게 될 가능성이 커집니다. 그리고 어떤 데이터 를 분석해야할 지에 대한 논리적인 설명도 가능해지겠죠.
우리는 데이터를 통해 무언가를 읽어내려고 하는 것이 아니라, 정답에 대해 고민하고 데이터를 무기 삼아 합리적으로 설명할 수 있는 능력을 길러야 합니다. 그리고 이것을 “데이터 문해력”이라고 할 수 있을 거에요.