데이터 리터러시 교육을 마친 조직에서 반년쯤 뒤에 확인해 보면, 대시보드 조회 수는 늘어 있습니다. 그런데 의사결정 속도는 그대로인 경우가 많습니다. 무엇이 빠진 걸까요.
교육이 다루는 것과 실무가 막히는 지점이 다릅니다
대부분의 리터러시 교육은 지표를 읽는 법, 차트를 해석하는 법, 도구를 다루는 법을 다룹니다. 필요한 내용입니다. 조직 안에서 같은 단어를 다르게 쓰는 문제만 해결해도 회의 시간이 줄어듭니다.
그런데 실무에서 막히는 자리는 그 앞쪽입니다. 대시보드를 읽을 줄 아는 것과 무엇을 볼지 정하는 것은 다른 일입니다. 이탈률이 올라간 것은 누구나 봅니다. 문제는 그다음에 무엇을 확인해야 하는지입니다.
여기서 조직은 대개 두 갈래로 갑니다. 각자의 경험에 기댄 추측을 내놓거나, 분석팀에 더 많은 데이터를 요청합니다. 전자는 목소리 큰 사람의 해석이 채택되고, 후자는 리포트만 쌓입니다.
데이터가 없어서 막힌 게 아니었습니다.
유저 데이터는 굉장히 많았습니다.
숫자가 가설은 만들어 줬지만 답을 내주지는 않았습니다.
워룸 참가자 · 마케팅 팀장
데이터가 답하지 못하는 질문의 특징
숫자가 답할 수 있는 질문과 그렇지 않은 질문은 성격이 다릅니다. 몇 명이 언제 어디서 무엇을 했는지는 데이터가 정확하게 답합니다. 반면 왜 그렇게 했는지는 데이터에 기록되어 있지 않습니다. 행동의 이유는 고객의 머릿속에 있고, 로그에는 결과만 남습니다.
이 구분은 새로운 지적이 아닙니다. 씩데이터라는 말을 처음 쓴 트리샤 왕은 정성 데이터가 소규모 표본에서 나오는 대신 의미와 맥락의 깊이를 준다고 정리했습니다. 조직이 이미 아는 것을 확인하려 할 때는 정량 데이터로 충분하지만, 모르는 것을 알아내려 할 때는 다른 종류의 자료가 필요하다는 이야기입니다.
그래서 이유를 데이터에서 찾으려 하면 순환에 빠집니다. 가설을 세우고 그 가설에 맞는 지표를 찾고, 그 지표가 그럴듯해 보이면 가설이 맞았다고 결론 내립니다. 이미 알고 있던 것을 확인하는 작업이 되기 쉽습니다.
순서를 바꾸면 같은 데이터가 다르게 말합니다
해법은 도구를 늘리는 쪽이 아니라 순서를 바꾸는 쪽입니다. 데이터를 먼저 보고 이유를 추론하는 대신, 고객을 먼저 만나 맥락을 확보하고 거기서 나온 가설을 데이터로 검증합니다.
한 참가 기업의 사례가 이 차이를 잘 보여 줍니다. 재이용과 구독 전환이 정체된 상황에서 내부 데이터만 보면 결론은 늘 할인 쿠폰이었습니다. 팀이 다섯 달 동안 서른일곱 명의 고객을 직접 만나 700페이지 분량의 기록을 쌓았을 때, 반복해서 나온 말은 가격이 아니었습니다. 오래 많이 썼는데 인정받고 있다는 느낌이 없다는 것이었습니다.
팀은 이 말을 가설로 세우고 데이터로 돌아갔습니다. 이용 기간과 빈도와 행태를 다시 보며 VIP를 정의했고, 할인 대신 그들만의 경험을 설계해 실행했습니다. 데이터는 그대로였습니다. 달라진 것은 그 데이터에 던진 질문이었습니다.
정성 데이터가 정량 데이터를 대신하지는 않습니다.
대신 정량 데이터에 던질 좋은 질문을 만들어 줍니다.
워룸 참가자 · 데이터 분석가
AI가 들어오면 이 차이가 더 벌어집니다
분석과 요약과 가설 확장은 이미 AI가 사람보다 빠릅니다. 그래서 도구를 다루는 역량의 상대적 가치는 내려갑니다. 반대로 무엇을 문제로 정의할지, 어떤 신호를 더 봐야 하는지 판단하는 역량의 가치는 올라갑니다.
질문이 어긋나 있으면 AI는 정교하게 어긋난 답을 냅니다. 그리고 그 답은 그럴듯해 보이기 때문에 검증 없이 통과되기 쉽습니다. 데이터 인재 육성의 무게 중심이 분석에서 질문으로 옮겨 가야 하는 이유입니다.
무엇을 바꿔야 하는가
분석 요청서의 형식을 바꿔 보시는 것부터 권합니다. 무엇을 분석해 달라고 적는 칸 앞에, 우리가 풀려는 문제가 무엇이고 이것이 사실인지 가설인지 적는 칸을 두는 것입니다. 이 한 칸이 요청의 절반을 걸러 냅니다.
그리고 데이터를 요청하는 쪽 사람들이 직접 고객을 만나 보는 자리를 만드십시오. 분석팀에 맡기고 결과를 기다리는 구조에서는 질문이 좋아지지 않습니다. 현장에서 들은 말이 있어야 물어볼 것이 생깁니다.
이 순서를 실제 과제 위에서 반복하는 방식은 데이터 인재 육성에 정리했고, 씩데이터와 빅데이터를 결합하는 방법론 자체는 씩데이터란 무엇인가에서 다뤘습니다.
