데이터 분석 기초
분석이 의사결정으로 잘 이어지지 않는 이유는
단순히 “분석 역량”이 부족해서라기 보다
애초에 질문의 성격과 검증 방법이 맞지 않는 경우가 많습니다.
예를 들어 이런 질문이 있다고 해보겠습니다.
“2030 여성 고객의 재방문율은 왜 떨어졌을까?”
겉으로 보면 데이터로 답할 수 있을 것 같지만,
실제로는 상당 부분 해석의 문제입니다.
데이터에서는 이런 것까지는 확인할 수 있습니다.
어느 시점부터 재방문율이 떨어졌는가
어떤 상품군에서 더 많이 떨어졌는가
어떤 고객군에서 감소폭이 큰가
가격이나 프로모션 변화와 함께 움직였는가
그런데 여기서 바로
“가격이 올라서 이탈했다.”
“상품의 매력이 떨어졌다.”
“경쟁사로 이동했다.”
라고 말하면 데이터가 보여준 사실을 넘어선 해석이 됩니다.
구조를 나누면 이렇게 볼 수 있습니다.
데이터가 직접 답할 수 있는 질문
→ 무엇이, 언제, 어디에서, 얼마나 달라졌는가?
데이터를 근거로 해석해야 하는 질문
→ 왜 이런 현상이 나타났는가?
의사결정자가 답해야 하는 질문
→ 그래서 무엇을 바꿀 것인가?
문제는 실제 분석 프로젝트에서 이 세 종류의 질문이 자주 섞인다는 점입니다.
특히 “왜?”라는 질문을 던져놓고,
보유하고 있는 데이터만 계속 세분화해서 원인을 증명하려는 경우가 많습니다.
하지만 데이터에 원인을 설명할 수 있는 변수가 애초에 없다면
아무리 분석해도 답을 얻기 어렵습니다.
예를 들어 구매 데이터에 가격, 고객 속성, 구매일자 정도만 있는데
“고객이 우리 브랜드에 싫증을 느껴서 이탈한 것인가?”
라는 질문을 검증하려고 한다면 애초에 한계가 있습니다.
브랜드 인식이나 이탈 이유와 관련된 데이터가 없기 때문입니다.
그래서 분석 질문도 단계적으로 나누는 것이 더 정확합니다.
현상 질문
“재방문율이 실제로 감소했는가?”
→ 데이터로 확인
구조 질문
“어떤 고객·상품·시점에서 감소가 집중되는가?”
→ 데이터로 분석
원인 질문
“왜 이 집단에서 감소했는가?”
→ 데이터 + 도메인 지식 + 추가 정보로 해석
의사결정 질문
“그렇다면 무엇을 바꿀 것인가?”
→ 분석 결과 + 비용 + 실행 가능성 + 전략으로 판단
이렇게 보면 “분석에서 의사결정으로 연결하기 어렵다”는 문제의 상당 부분은 사실
분석 이후에 생기는 문제가 아니라,
분석 질문을 처음 만드는 단계에서 이미 시작된다고 볼 수 있습니다.
그리고 이 관점은 꽤 중요한 메시지로 확장할 수 있습니다.
“모든 질문을 데이터가 답해야 하는 것은 아닙니다.”
오히려 좋은 분석가는 데이터로 답할 수 있는 질문과,
데이터를 근거로 사람이 해석해야 하는 질문을 구분할 수 있는 사람에 가깝습니다.
AI 시대에는 이 구분이 더 중요해질 것 같습니다.
AI에게 “왜 매출이 감소했나요?”라고 물으면 그럴듯한 원인을 몇 가지 쉽게 만들어낼 수 있습니다. 하지만 분석자가 그것이 데이터로 확인된 사실인지, 아니면 가능한 해석에 불과한지를 구분하지 못한다면 오히려 분석의 위험성은 더 커질 수 있습니다.