데이터 리터러시 - 문제정의

데이터 분석은 SQL이나 Python 등을 활용할 수 있는 코딩능력도 필요하지만, 데이터를 읽고 해석하는 능력도 중요하다. 단순히 데이터를 다루는 기술을 넘어서, 데이터를 통해 무슨 이야기를 할 수 있을지 고민하고 의미를 찾아내는 과정이 필요하다. 오늘은 이런 관점에서, 데이터 분석의 기초이자 핵심인 데이터 리터러시와 문제 정의에 대해 배워보았다.

---

 

Ⅰ. 데이터 리터러시

1. 데이터 리터러시란?

데이터 리터러시는 단순히 데이터를 읽는 것을 넘어, 이해하고, 비판적으로 해석하며, 결과를 의사소통에 활용할 수 있는 능력을 의미한다.

• 데이터 읽는 능력 (표, 그래프 해석 포함)
• 데이터를 이해하는 능력
• 데이터를 비판적으로 분석하는 능력
• 결과를 의사소통에 활용할 수 있는 능력

즉, 데이터의 출처와 수집 과정을 이해하고, 이를 통해 핵심 지표를 도출하며 올바른 질문을 던질 수 있는 힘을 말한다.

(예: "이 데이터를 왜 분석하는가?", "이 결과를 통해 무엇을 기대하는가?")

 

 

2. 데이터 분석에 대한 착각

데이터 분석은 단순히 코드를 잘 짜는 일이라고 생각하기 쉽다. 하지만 진짜 문제는 '무엇을 분석해야 하는가?'를 정의하지 못할 때 생긴다.

• "데이터 분석 스킬이 부족한가?" → SQL, Python, Tableau를 배워야 한다고 생각
• 막상 데이터를 보면: "매출 변동이 비슷한데, 그럼 방문자 수를 봐야하나? 카테고리를 봐야하나?" → 방향을 잃음
• '데이터를 잘 다루면 답이 나온다'는 착각
• 분석 실패시, '스킬이 부족했다'고 생각

하지만 문제는 대부분 생각(문제 정의)의 부족에서 시작된다.

 

 

3. 데이터 해석

데이터는 언제나 '진실의 일부'만 보여준다. 따라서 해석 과정에서 오류나 편향이 생길 수 있음을 항상 인지해야 한다.

 

• 심슨의 역설(Simpson's Paradox)
  • 부분에서 성립한 관계가 전체에서는 달라지는 현상
  • "데이터 기반 결론"이라도 맹목적으로 받아들이면 위험함
• 시각화를 활용한 왜곡
  • 그래프 축 범위나 표현 방식에 따라 결과 해석이 달라질 수 있음

 

• 샘플링 편향(Sampling Bias)
  • 대표성이 떨어지는 데이터로 인해 결론이 왜곡되는 경우
• 상관관계와 인과관계
  • 상관관계: 두 변수가 함께 변하는 경향을 의미
  • 인과관계: 한 변수가 실제로 다른 변수의 변화를 일으키는 관계
  • 예: 아이스크림 판매량과 익사사고 건수는 모두 여름에 증가하지만, 이는 '날씨'라는 공통 요인 때문이지 인과관계는 아님.

 

4. 데이터 분석 접근법

데이터 분석은 단순히 '작업'이 아니라, 생각의 흐름이다.

문제 및 가설 정의(생각) → 데이터 분석(작업) → 결과 해석 및 액션 도출(생각)

 

• 데이터 리터러시는 '생각'의 영역에서 특히 중요함
• 분석 자체가 목적이 되지 않도록, 항상 "왜?"를 물어봐야 함
  • 왜 이 분석을 하는가?
  • 왜 이런 결과가 나왔는가?
  • 이 결과를 통해 무엇을 할 수 있는가?

---

Ⅱ. 문제 정의

그렇다면 데이터 분석 전에 문제를 어떻게 정의를 할 수 있을까?

 

1. 문제정의란?

문제 정의는 데이터 분석 프로젝트의 출발점이자 성공의 초석이다. 명확한 문제 정의 없이는 분석 방향을 잡을 수 없다.

• 분석 대상 현상이나 상황을 구체적으로 진술
• 프로젝트 목표를 설정하고 분석 방향을 결정

 

예제: 사용자 감소 사례

• 상황
  • 3개월 전부터 사용자 수가 줄고 있음
  • 포인트 이벤트를 진행했지만 효과가 없고, 서비스 A보다 B의 이용률이 떨어지는 상황
  • 그 결과 수입도 감소함
• 문제 정의 검토
  • "사용자 수 감소" → 문제라기보다 '결과' 혹은 '원인'
  • "이벤트 효과 없음" → 원인은 될 수 있으나, 근본 문제는 아님
  • "서비스 B의 상황 악화" → 분석 중 살펴볼 내용이지 핵심 문제는 아님
  • "수입 감소" → 가장 근본적인 문제, 다만 '매출인지 순이익인지' 명확하게 해야 함

결국, 문제 정의는 단순히 '현상'을 나열하는 게 아니라, 진짜 해결해야 할 본질적인 문제를 찾아내는 과정이다. 항상 " 문제를 올바르게 정의 하였는가?"라는 물음을 가지고 임해야한다.

 

 

2. 문제 정의를 위한 방법론

• MECE (Mutually Exclusive, Collectively Exhaustive)
  • 상호 배타적이고, 전체적으로 포괄적인 구성으로 문제를 나누는 방법
  • 중복이나 누락 없이 문제를 구조화할 수 있음
  • 잘못된 예시: 사람을 남성, 여성, 아저씨로 구분 → 중복 발생
• 로직 트리 (Logic Tree)
  • MECE 원칙을 기반으로 문제를 단계적으로 분해
  • 상위 문제 → 하위 문제로 확장하며 구조화
  • 보통 도표 형태로 시각화하면 전체 구조를 쉽게 파악 가능

앞 예제를 로직트리로 정리한 그림

 

 

3. 문제 정의의 핵심 & 팁

• 문제 정의의 이유
  • 해결해야 할 핵심을 명확히 하고
  • 분석 방향성을 설정하며
  • 결과를 바탕으로 새로운 액션 플랜을 수립하기 위함
• 문제 정의의 두 가지 질문

So what?	수집한 정보와 소재에서 '결국 어떻다는 것인지'를 알아내는 작업 그래서, 따라서, 이렇듯 앞에 오는 정보나 소재에서 과제의 답변에 맞는 중요한 핵심을 추출하는 작업 나타난 현상을 바탕으로 과제에 비추어 말할 수 있는 내용의 핵심을 추출하는 작업
Why so?	왜 그렇게 말할 수 있는지 구체적으로 무슨 뜻인지를 검증하고 확인하는 작업 So what?한 요소의 타당성을 자료 전체 혹은 그룹핑한 요소로 증명할 수 있다는 사실을 검증하는 작업

 

 

• 문제정의와 관련된 팁
  • 결과를 공유할 대상(이해관계자)을 명확히 하기
  • 결과를 통해 어떤 변화를 유도할 지 고민하기
  • 회사 소속이라면, 경영자의 시각에서 바라보기
  • 다른 사람과 의견 나누기, 그러나 혼자 깊이 생각해보기도 병행

 

---

마무리

데이터 리터러시와 문제 정의는 화려한 기술보다는 훨씬 근본적인 역량인 것 같다. 요즘은 정해진 문제를 풀며 코딩을 공부하고 있어서 문제 정의에 대해 깊이 생각해볼 기회는 많지 않다. 하지만 나중에 캠프에서 프로젝트를 진행할 때는 어떤 문제를 해결해야 하는지 스스로 정의하는 능력이 중요할 것 같다. 앞으로는 데이터를 보며 '왜 이 분석을 하는지', '무엇을 알아내야 하는지'를 스스로 질문해보는 연습을 틈틈이 해보면서 데이터 리터러시 능력을 기르는 연습도 함께 해봐야겠다.