2026 All-Day-Project (005/365)
기저율 무시에 관한 글을 읽고, 다시 쓰다.
"우리는 데이터에 기반해 의사결정을 합니다."
오늘날 어느 기업을 가도 이 문장은 마치 사훈처럼 걸려 있습니다. 회의실 모니터에는 화려한 대시보드가 띄워져 있고, 실시간으로 숫자가 갱신됩니다. 그런데 이상한 일입니다. 그토록 많은 데이터를 보는데도, 여전히 많은 조직이 엉뚱한 결정을 내리고, 실패한 프로젝트에 투자를 지속하며, 우연을 실력으로 착각하곤 합니다.
도대체 무엇이 문제일까요? 데이터가 부족해서일까요? 아닙니다. 문제는 그 데이터를 해석하는 '우리의 뇌'가 가진 고질적인 버그, 바로 '기저율 무시(Base Rate Neglect)' 때문입니다. 그리고 더 큰 문제는, 우리가 사용하는 데이터 도구들이 이 버그를 수정해 주기는커녕 오히려 부추기고 있다는 사실입니다.
가장 쉬운 예를 들어보겠습니다. 여러분이 패션 이커머스 회사의 팀장이라고 가정해 봅시다.
어느 날, 마케팅 담당자가 흥분된 목소리로 보고를 합니다.
"팀장님! 이번에 진행한 인플루언서 마케팅 대박입니다. 캠페인 기간 동안 신규 가입자가 전월 대비 무려 30%나 폭증했습니다! 이 인플루언서와 장기 계약을 맺어야 합니다."
그래프를 보니 정말로 우상향 하는 아름다운 곡선이 그려져 있습니다. 직관적으로 봤을 때 이것은 명백한 성공 사례입니다. 마케팅 비용을 더 태우는 결정을 내리는 데 1초도 걸리지 않을 겁니다.
하지만 여기에 '기저율(Base Rate)', 즉 전체적인 상황의 기본 확률을 대입하면 이야기는 완전히 달라집니다. 만약 그달이 1년 중 옷이 가장 많이 팔리는 '블랙 프라이데이' 시즌이었다면 어떨까요? 그리고 경쟁사들은 별다른 마케팅 없이도 같은 기간에 가입자가 50% 늘었다면요?
그렇다면 30%의 성장은 인플루언서 덕분이 아니라, 오히려 시장의 자연 증가분(기저율)조차 따라가지 못한 실패한 캠페인이 됩니다. 하지만 우리의 뇌는 '30% 성장'이라는 눈앞의 숫자와 '인플루언서 마케팅'이라는 구체적인 사건을 인과관계로 엮어 매력적인 스토리를 만드는 데 급급해, 배경에 깔린 거대한 흐름을 지워버립니다.
이것이 바로 행동경제학에서 말하는 '기저율 무시'입니다. 우리는 복잡한 통계적 사고(시스템 2)보다는 빠르고 직관적인 사고(시스템 1)를 선호하기 때문에, 맥락을 거세하고 눈앞의 신호에만 반응하는 것입니다.
문제는 우리가 사용하는 데이터 프로덕트(대시보드, 리포트 툴)들이 인간의 이러한 게으른 본성을 그대로 방치한다는 점입니다.
대부분의 대시보드는 그저 데이터를 '보여주는' 데에만 집중합니다. 매출이 오르면 초록색 화살표를, 떨어지면 빨간색 화살표를 띄워줍니다. 사용자가 보고 싶어 하는 수치를 빠르고 예쁘게 보여주는 것을 미덕으로 삼죠. 하지만 앞서 본 사례처럼, 맥락 없는 '상승 화살표'는 의사결정자를 낭떠러지로 미는 잘못된 이정표가 될 수 있습니다.
진정한 데이터 문해력을 갖춘 조직을 만들고 싶다면, 단순히 직원들에게 통계학을 가르칠 것이 아니라 도구를 바꿔야 합니다. 인간의 의지에 기대지 말고, 시스템이 인간의 직관을 의심하고 교정해 주어야 합니다.
그렇다면, 기저율 무시를 방어하는 차세대 데이터 프로덕트는 어떤 모습이어야 할까요?
숫자를 보여줄 때는 반드시 그 숫자가 서 있는 '위치'를 함께 보여주어야 합니다. 단순히 전일 대비, 전월 대비 수치만 보여주는 것으로는 부족합니다.
예를 들어, 매출 그래프를 보여줄 때 UI 디자인 단계에서부터 '과거 3년 평균 추세선'이나 '계절적 요인을 반영한 예상치'를 배경에 짙게 깔아두는 것입니다. 이를 '시각적 앵커링'이라고 합니다.
이렇게 되면 사용자는 매출이 튀어 오르는 그래프를 보더라도, 배경에 깔린 기저율(평균 추세) 역시 함께 오르고 있다면 "아, 이건 내 실력이 아니라 계절 탓이구나"라고 직관적으로 인지하게 됩니다.
반대로, 기저율은 평행선인데 내 그래프만 튀어 오른다면 그때야말로 "진짜 성과"임을 확신할 수 있게 되죠. 시스템이 사용자의 '시스템 1(직관)'이 올바르게 작동하도록 넛지(Nudge)를 주는 것입니다.
좋은 UX는 보통 사용자를 편하게 만드는 것이라고 합니다. 하지만 데이터 분석 도구에서만큼은 때로 사용자를 '불편하게' 만들어야 합니다.
리포트 빌더를 예로 들어보겠습니다. 보통은 성과 수치만 입력하면 뚝딱 리포트가 완성됩니다. 하지만 개선된 시스템은 사용자가 "매출 1억 달성"이라는 성과를 입력했을 때, 다음 단계로 넘어가지 못하게 막아야 합니다. 그리고 묻는 거죠.
"이 성과를 판단할 비교군(Denominator)은 무엇입니까?"
비교 대상으로 전년 동기 실적을 넣을지, 시장 평균 성장률을 넣을지, 아니면 투입 예산 대비 효율을 넣을지를 강제로 선택하게 하는 것입니다. 이 잠깐의 멈춤과 귀찮음이 사용자의 뇌를 깨웁니다.
"그냥 1억 벌었으니 잘한 거 아니야?"라고 생각하던 뇌가, 시스템의 질문을 받고 비로소 "잠깐, 작년에는 얼마였지?"라며 비교와 검증의 사고 회로를 돌리기 시작합니다.
최근 많은 제품에 'AI 데이터 분석 에이전트'가 도입되고 있습니다. "매출 분석해 줘"라고 하면 "매출이 20% 올랐습니다, 훌륭합니다!"라고 대답하는 비서는 이제 매력이 없습니다. 그건 엑셀도 할 수 있는 일이니까요.
우리가 만들어야 할 에이전트는 사용자의 판단에 태클을 걸 수 있어야 합니다. 사용자가 특정 지표의 급등을 호재로 해석하려 할 때, 에이전트가 개입해야 합니다.
"팀장님, 지표가 상승한 것은 맞지만, 이 수치가 통계적으로 유의미할 확률은 10% 미만입니다. 단순히 표본이 적어서 발생한 우연일 수 있습니다. 그래도 이 데이터를 보고서에 포함하시겠습니까?"
이처럼 확률과 통계적 검증(P-value 등)을 기반으로 사용자의 확증 편향에 제동을 걸어주는 '악마의 변호인(Devil's Advocate)' 기능이 필요합니다.
데이터를 잘 읽는다는 것은 숫자를 빨리 읽는 것이 아니라, 숫자 뒤에 숨은 맥락을 읽고, 나의 직관이 틀릴 수 있음을 끊임없이 의심하는 과정입니다.
하지만 인간은 나약하고, 뇌는 게으릅니다. 그렇기에 우리는 더 똑똑한 도구가 필요합니다. 정보를 단순히 나열하는 '친절한 대시보드'의 시대는 끝났습니다.
이제는 인간의 인지적 오류를 보완하고, 때로는 따끔하게 경고하며 올바른 사고의 길로 인도하는 '현명한 파트너'로서의 데이터 프로덕트를 고민해야 할 때입니다.
지금 여러분이 만들고 있는, 혹은 사용하고 있는 데이터 도구는 여러분의 직관을 맹목적으로 지지해주고 있나요, 아니면 냉철하게 검증해주고 있나요?