데이터 문해력의 기초

데이터는 사실이 아니라 기록이다

스프레드시트에 숫자가 가지런히 들어가 있으면 왠지 믿음직해 보입니다. 열과 행이 맞춰져 있고, 합계와 평균이 자동으로 계산되고, 그래프까지 그려지면 더 그렇습니다. 하지만 여기서 어른의 수학 문해력은 한 걸음 멈춥니다.

"이 숫자는 사실일까?"

더 정확히는 이렇게 물어야 합니다.

"이 숫자는 어떤 방식으로 만들어진 기록일까?"

데이터는 현실 그 자체가 아닙니다. 현실에서 어떤 것을 보기로 정하고, 어떤 방식으로 세고, 어떤 기준으로 적어둔 결과입니다. 카페에 하루 동안 300명이 왔다고 해봅시다. 이 숫자는 단순해 보이지만, 어떻게 세었는지에 따라 의미가 달라집니다. 영수증 건수를 센 것인지, 실제 방문 인원을 센 것인지, 테이크아웃 손님까지 포함했는지, 한 사람이 두 번 결제한 경우를 두 명으로 보았는지에 따라 "300명"은 전혀 다른 이야기가 됩니다.

병원 대기 시간이 20분이라는 데이터도 마찬가지입니다. 접수부터 진료실 입장까지인지, 예약 시간부터 실제 진료 시작까지인지, 응급 환자를 제외했는지 포함했는지에 따라 숫자의 얼굴이 달라집니다. 배달앱의 평점, 온라인 쇼핑몰의 리뷰 수, 회사의 매출 데이터, 학교의 시험 점수, 건강검진 결과까지 모두 같습니다. 데이터는 현실을 비추지만, 현실 전체를 그대로 담지는 못합니다.

그래서 데이터를 잘 읽는 사람은 숫자를 보자마자 계산부터 하지 않습니다. 먼저 숫자의 출생지를 묻습니다. 누가, 언제, 무엇을, 어떤 기준으로, 왜 기록했는지를 확인합니다. 이 질문을 건너뛰면 아주 정교한 계산도 엉뚱한 결론으로 향할 수 있습니다.

같은 현실도 다르게 기록된다

퇴근길에 지하철역 앞 빵집을 떠올려봅시다. 사장님은 "오늘 손님이 많았다"고 느꼈습니다. 그런데 이 느낌을 데이터로 남기려면 무엇을 세어야 할까요?

손님 수를 셀 수도 있고, 결제 건수를 셀 수도 있습니다. 매출액을 볼 수도 있고, 팔린 빵의 개수를 볼 수도 있습니다. 줄을 선 시간, 품절된 상품 수, 재방문 고객 수를 기록할 수도 있습니다. 모두 빵집의 하루를 보여주는 데이터지만, 각각 말하는 내용은 다릅니다.

예를 들어 결제 건수는 100건인데 매출이 80만 원인 날이 있고, 결제 건수는 70건인데 매출이 100만 원인 날이 있을 수 있습니다. 첫 번째 날은 사람이 많이 왔지만 소액 구매가 많았을지 모릅니다. 두 번째 날은 손님 수는 적었지만 케이크나 선물 세트처럼 단가가 높은 상품이 많이 팔렸을 수 있습니다. "장사가 잘됐다"는 말을 하려면 어떤 데이터를 기준으로 삼을지 먼저 정해야 합니다.

이것이 데이터 문해력의 출발점입니다. 데이터는 답이 아니라 관찰의 흔적입니다. 어떤 흔적을 남겼느냐에 따라 보이는 현실도 달라집니다.

스마트폰 걸음 수 데이터도 좋은 예입니다. 하루 8,000보를 걸었다는 숫자는 내 움직임을 보여주지만 완벽하지는 않습니다. 휴대폰을 책상에 두고 돌아다닌 시간은 빠졌을 수 있고, 손에 들고 흔들린 움직임은 걸음으로 계산되었을 수도 있습니다. 그렇다고 이 데이터가 쓸모없다는 뜻은 아닙니다. 다만 "내가 실제로 정확히 8,000걸음을 걸었다"가 아니라 "스마트폰이 특정 센서와 규칙으로 8,000보라고 기록했다"고 이해해야 합니다.

데이터를 의심한다는 것은 무조건 믿지 말자는 뜻이 아닙니다. 더 잘 믿기 위해 조건을 확인하자는 뜻입니다.

좋은 데이터와 나쁜 데이터는 무엇이 다를까

좋은 데이터는 크고 화려한 데이터가 아닙니다. 표가 복잡하고 그래프가 멋지다고 해서 좋은 데이터가 되는 것도 아닙니다. 좋은 데이터는 판단에 쓸 수 있을 만큼 믿을 만한 데이터입니다.

데이터의 품질을 볼 때는 최소한 네 가지를 확인해야 합니다.

정확성은 가장 먼저 떠올리기 쉬운 기준입니다. 상품 가격이 12,000원인데 120,000원으로 입력되었다면 분석은 금방 망가집니다. 고객 나이가 35세인데 350세로 입력된 경우도 마찬가지입니다. 사람은 보기만 해도 이상하다고 느낄 수 있지만, 컴퓨터는 숫자가 들어 있으면 일단 계산합니다. 그래서 데이터에서는 "말이 되는 숫자인가?"를 확인하는 일이 중요합니다.

일관성은 의외로 자주 놓칩니다. 어느 회사가 올해 매출을 작년보다 20% 늘었다고 발표했다고 해봅시다. 그런데 작년에는 국내 매출만 집계했고 올해는 해외 매출까지 포함했다면, 이 20% 증가는 같은 기준의 비교가 아닙니다. 비교는 같은 자 위에서 해야 합니다. 자의 길이가 달라졌는데 키가 컸다고 말하면 곤란합니다.

완전성은 빠진 값의 문제입니다. 고객 만족도 설문에서 불만족한 고객들이 응답을 거의 하지 않았다면, 평균 만족도는 실제보다 높게 나올 수 있습니다. 회사의 지출 데이터를 보는데 현금 지출이 빠져 있다면, 예산 분석은 낙관적으로 보일 수 있습니다. 빠진 데이터는 조용하지만 강력합니다. 보이지 않기 때문에 더 위험합니다.

최신성은 데이터의 유통기한입니다. 5년 전 인기 상품 데이터로 오늘의 소비를 예측하면 틀릴 가능성이 큽니다. 특히 물가, 유행, 기술, 고객 행동처럼 빨리 바뀌는 영역에서는 오래된 데이터가 오히려 잘못된 확신을 줄 수 있습니다. 오래된 지도는 지도처럼 보이지만, 새로 생긴 길과 사라진 길을 알려주지 못합니다.

결측치, 중복, 입력 오류가 만드는 착시

데이터가 분석을 망치는 방식은 대개 극적이지 않습니다. 조용한 빈칸 하나, 두 번 들어간 주문 하나, 0 하나가 더 붙은 숫자 하나가 결과를 비틀어놓습니다.

작은 온라인 쇼핑몰의 하루 주문 데이터를 보겠습니다.

이 표에서 평균 구매금액을 바로 계산하면 문제가 생깁니다. A003의 구매금액은 비어 있습니다. 이것을 빼고 평균을 낼지, 0원으로 볼지, 원래 값을 찾아 채울지에 따라 결과가 달라집니다. A004는 두 번 들어가 있습니다. 실제 주문이 하나라면 중복 때문에 서울 고객과 28,000원 주문이 과하게 반영됩니다. A005의 520,000원은 진짜일 수도 있지만 입력 오류일 수도 있습니다. 52,000원을 잘못 입력했을 가능성도 있습니다.

만약 이 표를 아무 확인 없이 평균 내면 "우리 쇼핑몰의 객단가는 높다"는 결론이 나올 수 있습니다. 그런데 알고 보니 520,000원이 입력 오류였다면 어떨까요? 또는 단체 주문이라 정상 데이터였지만 매우 드문 사례였다면 어떨까요? 평균만 보면 일상적인 고객의 구매 패턴을 오해할 수 있습니다.

결측치는 빠진 값입니다. 빠진 값이 무작위로 생긴 것인지, 특정 이유로 생긴 것인지가 중요합니다. 예를 들어 나이 항목이 비어 있는 고객이 몇 명 있는 정도라면 큰 문제가 아닐 수 있습니다. 하지만 고령 고객들이 개인정보 입력을 꺼려 나이를 비워두는 경향이 있다면, 연령별 분석은 왜곡됩니다.

중복은 같은 정보가 두 번 이상 들어간 경우입니다. 단순한 실수일 수도 있고, 시스템에서 주문 수정 내역을 별도 주문처럼 저장했기 때문일 수도 있습니다. 중복을 제거할 때도 조심해야 합니다. 이름이 같은 두 사람이 있을 수 있고, 같은 고객이 같은 상품을 두 번 샀을 수도 있습니다. 그래서 중복을 판단할 때는 주문번호, 시간, 고객 ID처럼 구분 기준을 함께 봐야 합니다.

입력 오류는 숫자의 모양을 하고 들어온 오타입니다. 10,000원이 100,000원이 되기도 하고, 2026년이 2062년이 되기도 합니다. 단위가 섞이는 경우도 있습니다. 어떤 사람은 키를 cm로 적고, 어떤 사람은 m로 적으면 170과 1.7이 한 열에 섞입니다. 컴퓨터는 둘 다 숫자로 보지만, 사람은 그것이 다른 단위라는 것을 알아차려야 합니다.

데이터 분석에서 청소가 중요한 이유가 여기에 있습니다. 데이터 정리는 지루한 잡일이 아니라 결론을 지키는 일입니다. 부엌이 지저분하면 좋은 요리를 만들기 어렵듯, 데이터가 어지러우면 좋은 판단을 만들기 어렵습니다.

데이터 해석의 3단계: 보기, 비교하기, 질문하기

데이터를 읽을 때 가장 흔한 실수는 표를 보자마자 결론으로 뛰어드는 것입니다. "매출이 올랐네." "20대가 제일 많네." "이 광고가 효과가 있네." 이런 말은 빠르지만 위험합니다. 데이터는 세 단계로 읽어야 합니다.

첫 단계는 보기입니다. 여기서는 해석보다 확인이 먼저입니다. 어떤 항목이 있는지, 단위는 무엇인지, 기간은 언제인지, 숫자의 범위가 이상하지 않은지 살핍니다. 표라면 열 이름을 보고, 그래프라면 축과 제목을 봅니다. 이전 장들에서 계속 강조했듯, 숫자는 단위와 기준을 만나야 의미가 생깁니다.

둘째 단계는 비교하기입니다. 하나의 숫자는 혼자서는 말을 잘 못합니다. 어제와 오늘, 이번 달과 지난달, A상품과 B상품, 평균과 중앙값, 전체와 부분을 비교해야 움직임이 보입니다. 1,000만 원이라는 매출은 작은 가게에는 큰 숫자일 수 있지만 대형 매장에는 작은 숫자일 수 있습니다. 비교 기준이 있어야 숫자의 크기가 살아납니다.

셋째 단계는 질문하기입니다. 비교에서 차이가 보이면 바로 원인을 단정하지 말고 질문을 던져야 합니다. 왜 늘었을까? 기준이 바뀐 것은 아닐까? 특정 고객이 한 번에 많이 산 것은 아닐까? 계절의 영향은 없을까? 광고 때문일까, 가격 할인 때문일까, 경쟁 업체가 문을 닫았기 때문일까?

간단한 예를 보겠습니다.

보기 단계에서는 단위를 확인합니다. 방문자 수는 명인지 접속 횟수인지, 구매 건수는 주문 수인지 상품 개수인지, 매출은 부가세 포함인지 제외인지 확인해야 합니다.

비교하기 단계에서는 1월에서 2월까지 방문자 수와 구매 건수, 매출이 모두 20%씩 늘었다는 것을 볼 수 있습니다. 그런데 2월에서 3월로 가면 방문자 수는 크게 늘었지만 구매 건수와 매출은 조금만 늘었습니다. 겉으로는 3월이 가장 좋아 보이지만, 방문자 대비 구매 비율은 오히려 낮아졌을 수 있습니다.

계산해보면 1월 구매율은 300 ÷ 10,000 = 3%입니다. 2월도 360 ÷ 12,000 = 3%입니다. 3월은 390 ÷ 18,000 ≈ 2.17%입니다. 방문자는 늘었는데 구매로 이어지는 힘은 약해진 것입니다. 이때 좋은 질문은 "왜 3월 방문자는 많이 늘었는데 구매율은 떨어졌을까?"입니다.

광고를 많이 해서 호기심 방문자가 늘었을 수도 있습니다. 할인 행사가 끝나 구매 전환이 낮아졌을 수도 있습니다. 사이트가 느려졌거나 인기 상품이 품절되었을 수도 있습니다. 데이터는 여기까지 말해줍니다. 원인을 확정하려면 추가 데이터가 필요합니다. 유입 경로, 상품 재고, 광고 문구, 고객 리뷰, 장바구니 이탈률 등을 더 봐야 합니다.

좋은 데이터 해석은 탐정 소설과 닮았습니다. 발자국 하나를 보고 범인을 확정하지 않습니다. 발자국의 방향, 시간, 주변 흔적, 목격자의 말까지 함께 봅니다. 데이터도 마찬가지입니다. 숫자 하나는 단서일 뿐입니다.

그래프를 볼 때도 데이터의 출처를 묻는다

그래프는 데이터를 쉽게 보여주지만, 그만큼 빨리 믿게 만듭니다. 선이 올라가면 좋아 보이고, 막대가 커지면 중요해 보이며, 원그래프의 큰 조각은 압도적으로 느껴집니다. 하지만 그래프도 결국 데이터로 만든 주장입니다.

어떤 앱의 "사용 시간이 증가하고 있다"는 선그래프를 본다고 해봅시다. 먼저 기간을 봐야 합니다. 일주일 그래프인지, 1년 그래프인지에 따라 해석이 다릅니다. 다음으로 y축 단위를 봐야 합니다. 전체 사용자 사용 시간인지, 1인당 평균 사용 시간인지도 중요합니다. 신규 사용자가 많이 늘어 전체 사용 시간이 증가한 것인지, 기존 사용자가 더 오래 쓰게 된 것인지는 다른 이야기입니다.

또한 그래프에 빠진 데이터도 봐야 합니다. 탈퇴한 사용자는 포함되어 있을까요? 무료 사용자와 유료 사용자를 함께 묶었을까요? 특정 이벤트 기간만 강조하고 평소 기간은 작게 보여주고 있지는 않을까요? 그래프는 눈에 보이는 선과 막대뿐 아니라, 보이지 않는 선택으로도 만들어집니다.

데이터 문해력이 있는 사람은 그래프 앞에서 이렇게 중얼거립니다.

"무엇을 세었지?"

"무엇을 빼고 세었지?"

"무엇과 비교해야 하지?"

이 세 질문만으로도 많은 착시를 피할 수 있습니다.

데이터로 결론을 낼 때 조심해야 할 두 가지

데이터는 판단을 돕지만, 결론을 자동으로 만들어주지는 않습니다. 특히 두 가지 함정을 조심해야 합니다. 하나는 과도한 일반화이고, 다른 하나는 성급한 인과 해석입니다.

과도한 일반화는 작은 데이터나 특정한 데이터로 너무 큰 결론을 내리는 것입니다. 우리 동네 카페 세 곳에서 디카페인 커피가 잘 팔린다고 해서 "전국적으로 디카페인 시장이 폭발하고 있다"고 말할 수는 없습니다. 회사 내부 직원 20명의 설문 결과만 보고 "모든 고객은 이 기능을 원한다"고 말하는 것도 위험합니다. 데이터가 말할 수 있는 범위가 있습니다. 그 범위를 넘어가면 숫자는 근거가 아니라 장식이 됩니다.

성급한 인과 해석은 함께 움직인 두 숫자 사이에 원인과 결과를 너무 빨리 붙이는 것입니다. 광고비가 늘어난 달에 매출도 늘었다고 해서 반드시 광고 때문에 매출이 늘었다고 말할 수는 없습니다. 그달에 명절이 있었을 수도 있고, 경쟁사가 품절을 겪었을 수도 있고, 인기 상품이 우연히 입소문을 탔을 수도 있습니다. 광고가 영향을 주었을 가능성은 있지만, 그것을 확인하려면 더 정교한 비교가 필요합니다.

앞에서 배운 상관관계와 인과관계의 차이는 데이터 해석에서도 계속 중요합니다. 데이터는 "같이 움직였다"는 사실을 보여줄 수 있습니다. 하지만 "A 때문에 B가 일어났다"고 말하려면 다른 가능성을 하나씩 지워가야 합니다.

이때 유용한 습관은 결론 앞에 한 문장을 붙이는 것입니다.

"현재 데이터만 놓고 보면…"

이 말은 겸손한 표현이 아니라 정확한 표현입니다. 현재 데이터만 놓고 보면 3월 방문자가 늘었지만 구매율은 떨어졌습니다. 현재 데이터만 놓고 보면 20대 고객의 구매 비중이 높습니다. 현재 데이터만 놓고 보면 A상품의 재구매율이 B상품보다 높습니다. 이렇게 말하면 데이터가 말할 수 있는 만큼만 말하게 됩니다.

좋은 판단은 확신의 목소리가 큰 사람이 아니라, 근거의 범위를 아는 사람에게서 나옵니다.

데이터 문해력은 숫자를 믿지 않는 능력이 아니다

데이터를 의심하라는 말을 들으면 어떤 사람은 피곤해합니다. "그럼 뭘 믿으라는 거야?"라고 묻고 싶어집니다. 하지만 데이터 문해력은 숫자를 믿지 않는 능력이 아닙니다. 숫자를 더 정확히 믿기 위한 능력입니다.

날씨 예보를 생각해봅시다. 강수확률 70%라는 말을 들으면 우리는 우산을 챙길지 판단합니다. 그런데 이 숫자가 어떤 지역, 어떤 시간대, 어떤 기준의 예측인지 알면 더 좋은 판단을 할 수 있습니다. 하루 종일 70%인지, 오후 한때 70%인지에 따라 행동은 달라집니다. 숫자를 버리는 것이 아니라 숫자의 조건을 읽는 것입니다.

데이터도 마찬가지입니다. 매출 데이터, 건강 데이터, 고객 데이터, 여론조사, 뉴스의 통계, AI가 추천한 결과까지 모두 조건을 가진 숫자입니다. 어떤 방식으로 수집되었고, 무엇이 빠졌으며, 무엇과 비교해야 하는지를 알 때 데이터는 비로소 판단의 재료가 됩니다.

어른에게 필요한 데이터 문해력은 전문 분석가가 되는 기술이 아닙니다. 숫자 앞에서 잠깐 멈추는 습관입니다. 표를 보면 열 이름과 단위를 확인하고, 그래프를 보면 축과 기간을 확인하고, 평균을 보면 분포와 빠진 값을 떠올리고, 결론을 보면 그 결론이 데이터의 범위를 넘어서지 않았는지 살피는 태도입니다.

데이터는 세상을 읽는 강력한 도구입니다. 하지만 도구는 쓰는 사람의 질문만큼만 똑똑해집니다. 좋은 질문 없이 데이터가 많아지면, 우리는 더 많이 아는 것이 아니라 더 그럴듯하게 착각할 수 있습니다.

그러니 다음에 어떤 숫자 표를 만나면 바로 계산하지 말고 이렇게 시작해봅시다.

"이 데이터는 어떤 현실의 기록일까?"

그 질문 하나가 데이터 문해력의 문을 엽니다. 그리고 그 문을 지나면, 다음 장에서 만나게 될 AI의 숫자 세계도 조금 덜 낯설어집니다. AI 역시 데이터를 먹고 판단합니다. 데이터를 읽는 눈은 곧 AI 시대를 살아가는 기본 감각이 됩니다.