데이터 문해력: 올바른 데이터로 올바른 문제를 풀고 있는가?

들어가며

결론부터: 데이터를 보기 전에 질문부터 정한다. 『데이터 문해력』 2장 “목적 사고력”의 주장은 이 한 줄이다. 저자의 말로는 “가장 먼저 해야 하는 작업은 목적과 문제에 대한 정의”다(『데이터 문해력』 2장).

데이터 분석가 책 추천에서 1단계 책으로 『데이터 문해력』을 골랐고, 꼭 볼 부분으로 2장을 꼽았다. 이 글은 그 후속이다. 2장은 사람들이 질문 없이 데이터부터 여는 이유를 두 가지 실수로 나눈다.

1. 풀고자 하는 문제가 명확하지 않다.
2. 정의한 문제와 사용하는 데이터가 일치하지 않는다.

각 실수의 점검 질문을 정리하고, 실제 기업 사례 두세 개를 붙였다. 마지막에는 이 사고법을 내 블로그에 그대로 적용해 봤다. “유입이 없어서 데이터가 안 쌓인다”는 내 문장이 바로 실수 ①이었다.

데이터 먼저 vs 질문 먼저

데이터를 다루는 순서는 크게 둘이다.

질문 먼저가 낫다. 그래서 책이 제시하는 데이터 활용 프로세스도 목적과 문제를 정의하는 데서 시작한다.

목적·문제 정의 → 지표 결정 → 현재 상태 파악 → 평가 → 요인 분석 → 해결 방안 모색

2장이 다루는 것은 이 중 앞의 두 칸, 즉 목적·문제 정의와 지표 결정의 연결이다. 현재 상태 파악과 평가는 3장, 요인 분석은 4장에서 다룬다. 4장은 데이터 문해력: 결과가 나왔다고 끝난 것은 아니다에서 따로 정리했다.

그렇다면 사람들은 왜 데이터 먼저로 가게 될까? 원인은 두 가지이고, 이것이 그대로 2장의 두 소제목이다.

원인 ① 풀고자 하는 문제가 명확하지 않다

문제가 흐릿하면 데이터를 아무리 열어도 무엇을 봐야 할지 모른다. 책의 점검 질문을 내 말로 정리하면 세 가지다.

1. 언어가 구체적이고 명확한가? “수입이 줄었다”라고 쓰기 전에 매출인지 이익인지 정한다. 더 들어가면 순이익인지 매출 대비 이익률인지까지 정한다. 비슷해 보이는 단어도 다른 문제다. “부족”은 기준보다 적다는 뜻이고 “감소”는 전보다 줄었다는 뜻이라, 비교 대상부터 다르다.

2. 문제·원인·해결 방안을 구분하고 있는가? 해결 방안은 겉으로 드러난 문제에 그때그때 대처하는 게 아니다. 문제를 일으키는 원인을 밝히고, 그 원인에 맞게 세운다. 그리고 현상은 아직 문제가 아니다. “한 회사에 치우쳐 있다”는 현상이고, “그래서 무엇이 나빠졌나”까지 가야 문제가 된다.

3. 편견이 들어가 있지 않은가? 내 생각이 먼저 들어가면 상황을 정리하기 어렵다. 문제를 정의하는 단계에서는 원인을 단정하지 않는다. 원인 규명과 해결 방안은 다음 단계에서 데이터로 한다.

사례: Airbnb는 현상과 원인을 나눴다

2009년 Airbnb의 주간 매출은 200달러에서 멈춰 있었다. 매출 정체는 현상이다. 창업자들은 여기서 바로 해결책으로 뛰지 않고, 뉴욕 숙소 40개를 들여다보며 원인을 찾았다. 공통점은 숙소 사진이 형편없다는 것이었다. 창업자들이 직접 뉴욕에 가서 사진을 다시 찍었고, 주간 매출은 400달러가 됐다(First Round Review, 2015-02-04).

여기서 볼 점은 사진이 정답이었다는 결과보다 순서다. “매출이 정체됐다”(현상)와 “사진 때문일 것이다”(원인 가설)를 나눴기 때문에 원인에 맞는 해결책을 고를 수 있었다. 둘을 섞어 “매출이 안 나오니 광고를 늘리자”로 갔다면 겉으로 드러난 현상에만 대처했을 것이다.

원인 ② 정의한 문제와 사용하는 데이터가 일치하지 않는다

문제를 잘 정의해도, 그 문제를 재지 못하는 데이터를 쓰면 결론이 문제에 답하지 못한다. 점검 질문은 두 가지다.

1. 목적·문제·결론이 데이터와 일치하는가? 결론 문장의 핵심 단어와 근거 지표가 같은 것을 재는지 본다.
2. 표현이 적절한가? 지표가 문제의 일부만 보여 주는데 전체인 것처럼 말하고 있지 않은지 본다.

책에 나오는 사례의 공통 패턴도 이것이다. 예를 들어 “고객 불편이 개선되지 않고 있다”는 결론을 클레임 수로 뒷받침하는 경우다. 결론의 핵심은 “개선”인데 지표는 “클레임이 얼마나 많은가”를 잰다. 개선이 문제라면 클레임 대비 개선된 건수처럼 개선을 직접 보여 주는 지표가 맞다. 클레임 수는 원인을 찾을 때 볼 지표다. “광고 반응이 적다”를 문의 수로 보여 주는 경우도 비슷하다. “반응”이 무엇인지 정하지 않았으니, 문의 수는 반응의 일부만 보여 준다.

이 실수는 지표가 목표가 되는 순간 더 커진다. 재기 쉬운 숫자가 목적을 대신하고, 사람이 그 숫자를 채우려 하면 목적과 더 멀어진다. 실제 기업 사례 두 개가 그렇다.

사례: YouTube는 조회수 대신 시청 시간을 택했다

YouTube 추천의 목적은 시청자가 실제로 보는 영상을 보여 주는 것이다. 그런데 YouTube는 원래 추천을 조회수를 늘리는 쪽으로 설계했다고 스스로 밝혔다(YouTube Creator Blog, 2012-08-10). 조회수는 클릭을 잰다. 그러면 클릭만 받고 시청자가 곧바로 떠나는 영상도 보상을 받는다.

YouTube는 2012년 3월 추천의 주 신호를 시청 시간으로 바꿨고(YouTube Creator Blog, 2012-03), 같은 해 10월 검색 순위에도 적용했다(YouTube Creator Blog, 2012-10). “실제로 보는 영상”이라는 목적에 더 가까운 지표로 바꾼 것이다.

사례: Wells Fargo는 계좌 수를 목표로 삼았다

Wells Fargo의 목적은 기존 고객과의 관계를 넓히는 것(교차 판매)이었다. 그런데 이를 직원별 신규 계좌 수 목표와 보너스로 쟀다. 직원들은 고객 몰래 계좌를 열어 목표를 채웠다. 은행 자체 분석으로 승인 없이 열렸을 수 있는 예금 계좌가 약 150만 개, 신용카드 신청이 약 56.5만 건이었다. 벌금은 CFPB 1억 달러, OCC 3,500만 달러, LA 시·카운티 5,000만 달러로 총 1억 8,500만 달러였다(CFPB 보도자료, 2016-09-08).

계좌 수는 고객 관계의 일부만 보여 주는 지표다. 그 일부를 목표로 삼자, 숫자는 올랐지만 고객 관계는 오히려 무너졌다.

내 블로그에 적용해 보기

이 블로그(dominkim.com)를 운영하면서 처음 쓴 문제 문장은 이랬다.

블로그를 운영하면서 데이터 분석을 하고 싶은데, 유저 유입이 없어서 데이터가 쌓이지 않는다.

점검 질문을 대 보면 실수 ①이다. 한 문장에 목적(분석하고 싶다), 문제(데이터가 안 쌓인다), 원인(유입이 없다)이 섞여 있다. 게다가 “없다”는 사실이 아니다. 내가 확인한 DAU는 하루 평균 약 5명(2026-10-15 기준)이다. 없는 게 아니라 적다.

다시 정의하기

처음 문장을 다시 쓰면 이렇다.

분석할 만큼 데이터를 쌓고 싶은데, DAU가 적어 쌓이지 않는다.

달라진 점은 두 가지다. “유입이 없어서”라는 원인 단정이 빠졌고, 사실이 아니었던 “없다” 대신 지표로 잴 수 있는 “DAU가 적다”가 들어갔다. 이제 한 문장 안에 목적(분석할 만큼 데이터를 쌓는다)과 문제(DAU가 적다)만 남았다. 원인은 문장에 넣지 않고, 아래 표에 아직 고르지 않은 후보로만 둔다.

여기서 실수 ②를 내가 다시 하지 않도록 짚어 둘 점이 있다. Search Console은 Google 검색 유입만 보여 준다. DAU 전체(직접 방문, SNS 유입)와는 다른 숫자다. 그래서 노출 부족이 원인인지 제대로 보려면 DAU 중 검색 유입 비중부터 확인해야 한다.

실제 숫자

출처는 Google Search Console(웹 검색), 기간은 2026-09-20 ~ 2026-10-12다.

색인 수치는 색인 보고서 기준일(2026-10-09) 값이다. 미색인 11개는 표준 태그가 있는 대체 페이지 6, 발견됨-현재 색인이 생성되지 않음 3, 크롤링됨-현재 색인이 생성되지 않음 1, noindex 1이다.

노출이 많았던 페이지는 AX 뜻 20회(클릭 1), 컨텍스트 버전 관리 15회(클릭 1), A/B 테스트 가드레일 지표 15회(클릭 1), 홈 7회(클릭 1)였다.

원인 후보별 판단

① 노출 부족: 숫자가 이 가설을 지지한다. 약 3주 동안 노출이 72회다. 평균 게재 순위 13.7은 대부분 검색 결과 2페이지에 있다는 뜻이다. 다음에 확인할 것은 미색인 페이지 중 “발견됨” 3개와 “크롤링됨” 1개가 어떤 글인지, 그리고 글별 검색어와 순위다.

② 질 부족(CTR): 아직 판단할 수 없다. 노출 72회 중 클릭 5회로는 표본이 너무 작다. 클릭이 1~2회만 달라져도 CTR이 크게 흔들린다. 표본이 작으면 차이가 있어도 잡아내지 못한다는 이야기는 A/B 테스트에서 검정력 분석이 필요한 이유에서 다뤘는데, 같은 문제가 여기서도 나온다. 노출이 쌓인 뒤 다시 본다.

③ 수 부족: 확인할 데이터가 아직 없다. 지금 노출된 페이지는 22개다. 글 수를 늘리면 노출이 늘어나는지는 글별 노출 추이가 쌓여야 볼 수 있다.

원인이 확인되면 할 일

여기부터는 책 내용이 아니라 내 계획이다. 원인 후보마다 해결 방안을 미리 짝지어 두면, 원인이 확인됐을 때 바로 움직일 수 있다.

• 노출 부족이면: 미색인 페이지의 원인을 해결하고, 검색어에 맞춰 제목과 설명을 고치고, 글 사이 내부 링크를 늘린다. 검색 밖에서도 노출되는 공간을 늘린다. 예를 들어 Threads 같은 SNS에 글을 공유한다.
• 질 부족이면: 노출은 많은데 CTR이 낮은 글의 제목과 설명을 고친다.
• 수 부족이면: A/B 테스트 시리즈처럼 같은 주제 묶음으로 글 수를 늘린다.

지금 숫자가 지지하는 것은 ①뿐이니, 당분간은 노출 쪽에 먼저 손을 댄다.

마치며: 분석 전에 던질 질문

리포트를 만들거나 분석을 시작하기 전에 이 네 가지를 먼저 묻는다.

1. 이 분석의 목적은 무엇인가? 무엇을 알고 싶고, 무엇을 해결하고 싶은지 한 문장으로 쓸 수 있는가.
2. 문제 문장이 구체적인가? 단어를 하나씩 보고, 비교 대상(기준 대비인지, 이전 대비인지)이 정해져 있는가.
3. 문제·원인·해결을 섞지 않았는가? 원인은 아직 후보로만 두고 있는가.
4. 결론 문장과 지표가 같은 것을 재는가? 지표가 문제의 일부만 보여 주는데 전체처럼 말하고 있지 않은가.

참고 자료

• 카시와기 요시키 (2021). 『빅데이터 시대, 성과를 이끌어 내는 데이터 문해력』 2장 목적 사고력. 강모희 옮김. 프리렉.
• First Round Review (2015-02-04). How design thinking transformed Airbnb from a failing startup to a billion dollar business.
• YouTube Creator Blog (2012-03). Changes to Related and Recommended Videos.
• YouTube Creator Blog (2012-08-10). YouTube Now: Why We Focus on Watch Time.
• YouTube Creator Blog (2012-10). YouTube Search, Now Optimized for Time Watched.
• Consumer Financial Protection Bureau (2016-09-08). CFPB Fines Wells Fargo $100 Million for Widespread Illegal Practice of Secretly Opening Unauthorized Accounts.