데이터 속 패턴과 관계를 찾다
원인을 분석하는 기술 Part.2 | EP.5
기록이 쌓이면, 나중에 불규칙해 보였던 현상도 규칙성을 드러낸다.
Part 1. 문제를 발견하는 눈 기르기(6회)
Part 2. 원인을 분석하는 기술(5/8회차)
Part 3. 해결책을 만들고 실행하기(8회)
Part 4. 나만의 문제해결 습관 만들기(6회)
12화. 데이터 속 패턴과 관계를 찾다
반복되는 현상 속의 연결고리
어떤 문제는 한 번으로 끝나지 않는다.
비슷한 상황이 주기적으로 반복되거나, 서로 다른 현상이 은근히 맞물려 돌아가는 경우가 있다. 예를 들어 매년 1월이 되면 헬스장 등록자가 폭증하고, 3월이면 줄어드는 현상. 표면적으로는 ‘신년 다짐의 열기와 그 열기의 식음’ 정도로 보이지만, 마케팅 담당자의 눈에는 ‘회원 관리 주기’와 ‘프로모션 효과 지속성’이라는 패턴이 읽힌다. 이처럼 문제의 흐름을 패턴으로 보고, 사건 간의 관계를 찾는 일은 원인 분석의 핵심 중 하나다.
생활 속에서도 마찬가지다. 냉장고 속 야채가 자꾸 시들어 버리는 주기가 일정하다든지, 특정 요일마다 온라인 쇼핑몰에서 품절이 잦다든지 하는 현상은 결코 우연이 아닐 가능성이 높다. 그 안에는 ‘구매 시점’, ‘사용 주기’, ‘공급 체계’ 같은 보이지 않는 연결고리가 숨어 있다.
조직에서는 이 능력이 더더욱 중요하다. 프로젝트 지연, 품질 불량, 매출 하락 등은 단일 원인보다 여러 요인이 얽혀 나타나는 경우가 많다. 예를 들어, 제품 반품률이 특정 광고 캠페인 시기와 겹친다면 단순히 ‘품질 문제’로 치부하기 전에 광고로 인해 신규 고객이 대거 유입되었고, 그들이 제품 사용법에 익숙하지 않아 반품이 늘었을 가능성까지 고려해야 한다. 이는 시간적 패턴과 원인-결과 관계를 함께 살피는 시각이 없으면 놓치기 쉽다.
이 회차에서는 일상과 조직에서 반복·연결되는 현상을 읽어내는 방법을 다룬다. 특히 AI를 활용하면 데이터 속 패턴을 빠르게 도출하거나, 관계성을 자동으로 추천받을 수 있다. 하지만 중요한 건 ‘도출된 패턴과 관계가 문제 해결에 어떤 의미가 있는지’ 해석하는 우리의 시선이다.
1. 생활 사례 – 반복되는 냉장고 채소 시듦 문제
민수는 한 달에 두 번 대형마트에서 장을 본다. 평소보다 저렴하게 살 수 있는 ‘대용량 할인 행사’를 놓치지 않기 위해서다. 그런데 이상하게도, 장을 보고 나면 냉장고 속 채소들이 1~2주 안에 시들거나 물러져 버리는 일이 반복된다.
특히 상추나 깻잎, 오이 같은 신선 채소는 상태가 금세 나빠져서 절반도 먹지 못하고 버리게 된다.
처음에는 단순히 냉장고 보관이 잘못됐거나, 구입 당시 신선도가 떨어졌기 때문이라고 생각했다. 그래서 채소를 구입하자마자 깨끗이 씻어 밀폐용기에 보관하거나, 신문지로 감싸 습도를 조절하는 등 다양한 방법을 시도했다. 하지만 상황은 크게 나아지지 않았다.
그러던 어느 날, 민수는 ‘채소가 언제 시드는지’ 날짜를 기록해 보기로 했다. 스마트폰 메모장에 구매 날짜, 보관 방법, 상태 변화 날짜를 적어두고 사진도 함께 찍었다.
한 달 정도 기록하니 놀라운 패턴이 보였다.
구입 후 4~5일 차에 상추와 깻잎이 축 처지기 시작
7~8일 차에 오이 표면이 물러지기 시작
10일 차 이후에는 거의 모든 신선 채소가 상태가 나빠짐
게다가 채소 시듦이 마트 장보기 날짜와 겹쳐 있었다. 민수는 평일 저녁 늦게 장을 봤는데, 그날은 이미 하루 종일 진열돼 있던 상품을 가져오는 경우가 많았다. 즉, 구입 당시부터 ‘남은 신선도 수명’이 짧았던 것이다.
이 사실을 깨달은 민수는 장보기 방식을 바꿨다. 평일 저녁 대신 주말 오전 개점 시간에 맞춰 장을 보러 가서, 진열 직후의 신선한 채소를 구매했다. 또, 모든 채소를 한 번에 사지 않고, 시듦 주기가 긴 채소(양배추, 당근, 브로콜리)는 초반에, 시듦 주기가 짧은 채소(상추, 깻잎)는 장보기 중간에 한 번 더 구매하는 방식으로 바꿨다.
결과는 놀라웠다. 채소 폐기량이 절반 이하로 줄었고, 신선한 상태에서 식탁에 오르는 비율이 훨씬 높아졌다.
민수가 찾아낸 건 단순히 ‘보관 방법’의 문제가 아니라 구매 시점과 신선도 주기라는 패턴이었다. 이 패턴을 읽어낸 덕분에 문제 해결의 방향이 완전히 달라졌다.
2. 조직 사례 – 반복되는 품질 불만 패턴 찾기
한 전자제품 제조기업의 고객센터에서는 최근 6개월간 특정 모델의 블루투스 이어폰에 대한 불만이 꾸준히 접수되고 있었다. “연결이 자주 끊긴다”, “통화 음질이 떨어진다”는 내용이 주를 이뤘다.
품질관리팀은 처음엔 개별 불량 사례로 인식해, 문제가 발생한 제품을 교환해 주거나 펌웨어 업데이트 안내를 하는 수준으로 대응했다.
하지만 이상하게도, 불만 건수가 줄어들지 않았다. 오히려 2~3개월 간격으로 다시 불만이 급증하는 패턴이 나타났다. 품질관리팀의 과장은 “단순히 사용자의 운이 나빠서 불량품을 받은 건가?”라는 의문을 품고, CS 데이터와 생산·출시 이력을 함께 분석하기로 했다.
분석을 위해 최근 1년간의 월별 불만 접수 건수, 불만 유형, 해당 제품의 생산 로트 번호, 출시 일정 등을 엑셀로 정리했다. 그리고 이를 시각화하기 위해 그래프와 표를 만들어 불만 건수 변화를 시간순으로 나열했다.
그 결과, 뚜렷한 상관관계가 보였다.
불만 급증 시기는 항상 신규 펌웨어 업데이트 직후 2주 이내
업데이트가 배포되면, 특히 안드로이드 최신 버전 기기 사용자에게서 불만 비율이 높음
펌웨어를 적용하지 않은 사용자군에서는 같은 기간 불만 증가 현상이 거의 없음
이 패턴은 제품 하드웨어 불량이 아니라 소프트웨어 호환성 문제일 가능성을 시사했다. 즉, 특정 OS 버전과의 호환성이 완벽히 검증되지 않은 상태에서 업데이트가 배포되면서 문제가 발생했고, 이것이 주기적으로 반복된 것이었다.
원인을 확인한 뒤, 품질관리팀은 업데이트 프로세스를 전면 개편했다.
주요 OS 버전별 호환성 테스트 기간을 기존 1주에서 3주로 확대
사용자 환경별 테스트 그룹을 운영해, 실제 사용 조건에서의 문제를 사전에 파악
업데이트 시점과 주요 OS 업데이트 일정이 겹치지 않도록 배포 스케줄 조정
변경 후, 동일한 패턴의 불만 폭증은 사라졌다. 오히려 사전 테스트에 참여한 고객이 개선 의견을 제공해 제품 만족도가 높아졌다.
이 경험을 통해 팀은 “품질 문제는 단순 사건이 아니라, 시간·조건·환경 속에서 반복되는 패턴을 통해 더 깊이 이해할 수 있다”는 교훈을 얻었다.
3. 중간 해설 - 패턴과 관계를 찾는 사고법
문제를 해결하려면 ‘원인’을 알아야 한다는 건 누구나 안다. 하지만 원인은 종종 단일 사건이나 즉각적인 현상으로 드러나지 않는다. 오히려 시간 속에서 반복되는 흐름, 서로 다른 요소 간의 연결, 조건 변화에 따른 결과 차이 속에서 더 명확히 보인다. 이것이 바로 패턴과 관계를 찾는 사고법이다.
1. 패턴은 ‘시간의 흐름’에서 발견된다
패턴을 찾는 첫 단계는 ‘시간 축’을 설정하는 것이다.
하루, 일주일, 한 달, 분기, 1년… 어떤 주기로 데이터를 놓고 보면 특정 시점에만 반복적으로 발생하는 현상이 눈에 들어온다. 예를 들어,
냉장고 채소가 항상 장보기 5일째 되는 날 시들기 시작한다.
고객 불만이 매년 4월과 10월에 급증한다.
직원 이직률이 연말에 높아진다.
이처럼 시간에 따라 변하는 양상을 관찰해야 단발성 문제인지, 구조적 문제인지 구분할 수 있다.
2. 관계는 ‘변수의 연결’에서 드러난다
패턴을 확인했다면, 이제 ‘관계’를 찾는다.
관계란 A가 변할 때 B도 변하는 경향, 즉 두 변수 간의 상관성을 말한다.
관계를 찾으려면 다음 질문을 던져야 한다.
“이 현상과 함께 변하는 다른 요인은 무엇인가?”
“특정 조건에서만 나타나는가?”
“이 변수 변화가 결과에 얼마나 영향을 주는가?”
예를 들어, 이어폰 불만 사례에서 단순히 ‘불만이 많아졌다’에 멈추지 않고, 업데이트 시점과 안드로이드 OS 버전이라는 변수를 함께 보니 명확한 연결고리가 드러났다.
3. 상관관계와 인과관계를 구분하라
패턴과 관계를 찾았다고 해서 그것이 곧 원인이라는 보장은 없다.
상관관계(Correlation)는 “함께 변한다”는 사실을 보여줄 뿐, 그 이유를 설명하지 않는다. 인과관계(Causation)는 “A가 B를 만든다”는 증거까지 제시해야 한다.
예를 들어,
여름에 아이스크림 판매량이 늘고, 해변 사고가 증가한다고 해서, 아이스크림 판매가 해변 사고를 유발했다고 결론 내릴 수는 없다.
이 경우, ‘여름’이라는 제3의 요인이 두 현상을 동시에 증가시킨 것이다.
따라서 관계를 찾았다면, 반드시 추가 검증 단계를 거쳐야 한다.
4. AI와 패턴 분석의 결합
AI 도구를 활용하면 방대한 데이터를 빠르게 분석해 패턴을 찾아낼 수 있다.
예를 들어, ChatGPT나 데이터 분석 AI에게 “지난 12개월간 월별 불만 데이터를 분석해 패턴을 찾아줘”라고 지시하면, 사람이 놓칠 수 있는 미세한 주기성까지 잡아낼 수 있다.
다만 AI가 제공한 패턴은 그대로 믿기보다, 현장 상황·맥락과 대조해야 한다. AI는 데이터상의 상관관계를 빠르게 제시하지만, 인과를 판단하는 것은 여전히 사람의 몫이다.
5. 반복 관찰과 기록의 힘
패턴은 한 번의 관찰로는 잡히지 않는다. 최소 3회 이상 반복되는 현상을 관찰하고, 이를 꾸준히 기록해야 한다. 기록이 쌓이면, 나중에 불규칙해 보였던 현상도 규칙성을 드러낸다.
생활 속에서는 가계부, 건강 앱, 냉장고 재고 기록표
조직에서는 프로젝트 로그, 고객 불만 분석표, 품질 점검 보고서
결국, 패턴과 관계를 찾는 사고법은 단순히 ‘데이터를 보는 법’이 아니라, 시간·조건·맥락 속에서 문제를 입체적으로 읽는 법이다. 이 사고법을 익히면 문제를 표면이 아니라 ‘뿌리’에서 바라볼 수 있게 된다.
4. 실습 프롬프트 – 패턴과 관계 찾기
이번 실습의 목표는 주어진 상황에서 시간 흐름과 조건 변화에 따른 패턴을 찾아내고, 이를 통해 변수 간 관계를 도출하는 것이다. 생활 사례와 조직 사례 중 하나를 선택해 진행해도 되고, 둘 다 해도 좋다.
1. 실습 준비
1) 상황 선택하기
생활 사례 예시: 냉장고 채소가 자주 시드는 현상, 주말마다 반복되는 교통 체증, 특정 계절에 심해지는 피부 트러블
조직 사례 예시: 특정 시기에 급증하는 고객 불만, 분기별로 매출이 떨어지는 시점, 반복되는 품질 검사 불합격
2) 관찰 기간 설정하기
최소 1개월 이상, 가능하다면 3~6개월 데이터를 활용
3) 기록 도구 준비하기
생활: 가계부 앱, 엑셀, 수기 노트
조직: CRM 데이터, 품질 검사 보고서, 회의록
2. 실습 절차
Step 1. 데이터·기록 모으기
해당 현상과 관련된 날짜, 시간, 조건, 주변 상황 등을 최대한 구체적으로 기록한다.
생활 예: ‘구매일’, ‘보관 위치’, ‘날씨’, ‘냉장고 내부 온도’
조직 예: ‘발생일자’, ‘제품 모델명’, ‘담당 부서’, ‘프로세스 단계’
Step 2. 시간 축에 맞춰 배열하기
일별·주별·월별로 나누어 표나 그래프를 만든다.
시각화 도구(엑셀 차트, 구글 시트, AI 분석 툴 등)를 활용하면 패턴이 더 잘 드러난다.
Step 3. 반복되는 시점 찾기
특정 요일, 시간대, 계절, 이벤트 전후에 현상이 반복되는지 체크한다.
생활 예: 채소가 항상 장보기 5일째에 시듦
조직 예: 고객 불만이 제품 업데이트 직후 급증
Step 4. 변수 간 관계 분석
반복 시점에 함께 변하는 다른 요인을 찾는다.
“이 시점에는 무엇이 달라졌나?”를 질문하면서 관계를 도출한다.
Step 5. 상관관계 vs 인과관계 구분
발견한 관계가 진짜 원인인지, 단순 동반 현상인지 검토한다.
이를 위해 추가 데이터나 실험(변수 하나만 변경)으로 확인한다.
3. AI 활용 팁
ChatGPT 프롬프트 예시:
지난 6개월간 고객 불만 데이터(발생일, 제품 모델, 불만 유형)가 있습니다.
월별/모델별 패턴을 분석하고, 특정 시기에 불만이 증가하는 이유를 추론해 주세요.
AI로 시각화:
- 엑셀 데이터 업로드 → AI 차트 생성 기능 활용
- 시계열 그래프, 히트맵, 상관분석 표 등을 통해 패턴을 가시화
4. 실습 과제
생활 버전:
1) 지난 3개월간 특정 생활 문제를 기록·정리
2) 시간 흐름과 조건 변화에 따른 패턴 찾기
3) 관계 도출 및 원인 가설 작성
조직 버전:
1) 최근 6개월간 발생한 특정 업무 문제 데이터 준비
2) 발생 시점과 다른 변수 간의 관계 분석
3) 상관관계와 인과관계 구분 후, 추가 검증 방법 제안
5. 제출 형태
표 1: 시간별/조건별 발생 횟수 정리
그래프 1~2개: 패턴 시각화
분석 보고서:
- 패턴 설명
- 관계 설명
- 원인 가설
- 다음 단계(검증 계획)
5. 생활·조직 버전의 AI 대화 예시
1. 생활 버전 – 냉장고 채소 시듦 패턴 분석
사용자
최근 3개월 동안 냉장고 채소가 시드는 시점을 기록한 데이터가 있어.
항목은 ‘구매일’, ‘채소 종류’, ‘보관 위치’, ‘보관 온도’, ‘시듦 발생일’이야.
이 데이터를 보고 시듦이 반복되는 패턴과 그 원인을 추론해 줘.
가능하면 표와 그래프도 만들어 줘.
AI
데이터를 분석한 결과, 다음과 같은 패턴이 나타났어.
1) 시듦 발생 주기
- 평균 5.2일째에 시듦 발생
- 상추·깻잎 등 잎채소는 3~4일째, 뿌리채소는 7일 이상 유지
2) 보관 위치별 차이
- 냉장고 상단칸에 보관한 채소는 하단칸보다 시듦이 1.5일 빨리 발생
- 냉장고 문 쪽 선반은 시듦이 가장 빨랐음
3) 온도와의 관계
- 보관 온도가 5℃ 이상일 때 시듦이 평균 1일 빨리 발생
원인 가설
- 상단칸과 문 쪽 선반의 온도 변동이 잦아 채소 수분 증발이 빨라짐
- 장보기 후 바로 씻어 보관하는 습관이 수분 증발을 촉진
추천 개선안
- 장보기 후 씻지 않고 보관 - 하단 야채칸 보관 + 보관 온도 3℃로 설정
- 3일 단위 소량 구매로 시듦 주기 단축
2. 조직 버전 – 반복되는 품질 불만 패턴 분석
사용자
최근 6개월간 고객 불만 데이터를 분석하고 싶어.
데이터는 ‘발생일’, ‘제품 모델명’, ‘불만 유형’, ‘불만 접수 채널’, ‘해결 소요 시간’이 있어.
월별·모델별 불만 발생 패턴과 주요 원인을 추론해 줘.
추가로 상관관계와 인과관계를 구분해서 설명해 줘.
AI
분석 결과, 다음과 같은 패턴이 확인됨.
1) 월별 불만 발생 추이
- 매 분기 초(1, 4, 7, 10월)에 불만 급증
- 급증 시점은 신규 소프트웨어 업데이트 직후와 일치
2) 모델별 패턴
- A모델: ‘터치 오류’ 불만이 65% 차지
- B모델: ‘배터리 소모 빠름’ 불만이 48% 차지
3) 불만 유형과 접수 채널 관계
- 소셜미디어 채널에서 접수된 불만의 72%는 배터리 관련
- 콜센터 접수 불만은 주로 터치 오류와 배송 지연
상관관계 vs 인과관계
- 상관관계: 소셜미디어 불만 급증 ↔ 특정 유튜버 리뷰 영상 업로드
- 인과관계: 소프트웨어 업데이트 직후 배터리 최적화 오류 발생 → 불만 급증
원인 가설
- 업데이트 QA 과정에서 일부 모델의 배터리·터치 관련 오류 미검출
- 특정 커뮤니티 리뷰가 불만 인식 확대에 기여
개선 제안
- 업데이트 전 모델별 QA 항목 강화
- 리뷰 영상 공개 전 사전 대응 가이드 배포
- 불만 유형별 신속 대응 매뉴얼 마련
6. 실습 진행표 – 생활 vs 조직 버전 AI 대화 예시
구분 생활 버전 – 냉장고 채소 시듦 패턴 분석 조직 버전 – 품질 불만 패턴 분석
문제 상황 냉장고 채소가 일정 주기마다 시듦 특정 시점·모델에서 고객 불만이 반복 발생
데이터 항목 구매일, 채소 종류, 보관 위치, 보관 온도, 시듦 발생일 발생일, 제품 모델명, 불만 유형, 접수 채널, 해결 소요 시간
분석 요청 시듦 패턴·원인 추론, 표·그래프 생성 월별·모델별 불만 패턴·원인 추론, 상관·인과 구분
패턴 분석 결과 - 평균 시듦: 5.2일째 - 매 분기 초 불만 급증
- 잎채소: 3~4일 - 모델별 불만 유형 집중
- 보관 위치·온도에 따라 차이 발생 - 접수 채널별 불만 유형 차이
원인 가설 - 온도 변동 많은 위치 보관 - 업데이트 QA 오류로 기능 문제 발생
- 씻어서 보관하는 습관 - 특정 리뷰 영향
개선 제안 - 씻지 않고 보관 - QA 강화
- 하단 야채칸+3℃ 유지 - 리뷰 공개 전 대응 가이드
- 소량·단기 구매 - 불만 유형별 대응 매뉴얼
AI의 역할 데이터 패턴 도출, 시각자료 생성, 원인 가설 제시, 개선안 제안 데이터 패턴 도출, 상관·인과 분석, 원인 가설 제시, 개선안 제안
활용 포인트 가정 내 습관·환경 변화로 문제 예방 제품·서비스 개선 및 고객 신뢰 회복
