멘붕 직전 주무관을 구한 친절한 데이터수업

증거기반 정책의 실제 적용사례

2부 관리자를 위한 데이터·AI 리더십 노하우

3장 "민지씨, 근거는요?" 멘붕 직전 주무관을 구한 박 팀장의 친절한 데이터 수업

1. 월요일 아침, 회의실의 위기 (와 싸늘한 정적)

"팀장님, 이 정도면 괜찮을 것 같은데요?"

월요일 아침, 김민지 주무관이 조심스럽게 입을 열었습니다. 최근 시민들의 야간 소음 민원이 그야말로 폭주하고 있었거든요. 민지씨는 지난 3년간 다른 지역에서도 흔히 쓰던, 가장 검증된(?) 방법인 '야간 순찰 인력 증원'을 제안했습니다.

"다른 시청도 다 이렇게 하니까, 우리도 일단..."

그때였습니다. 박민수 팀장이 조용히 노트북을 '탁' 덮었습니다. (아, 이 소리! 직장인이라면 누구나 아는 긴장되는 그 소리!)

"민지씨, 근거는 무엇인가요?"

회의실이 순간 조용~해졌습니다. 민지씨는 당황했습니다.

'근거요? 아니... 다들 이렇게 하는데... 이게 국룰... 아니 제일 효과적인 방법 아니었나요...?'

민지씨가 한없이 작아지며 머릿속이 하얘지던 찰나에

박 팀장이 부드럽게 미소 지으며 말했습니다. (다행히 화난 건 아니었습니다.)

"민지씨, 이제는 '감'만으로는 부족해요. 시민들도, 그리고 예산 심의하는 구의회도 모두 묻습니다. '왜 그렇게 해야 하나요? 증거가 있나요?'라고요."

그날 오후, 박 팀장은 민지 주무관에게 특별한 미션을 주었습니다.

"우리, 데이터로 진짜 답을 찾아봐요. 저도 옆에서 끝까지 도와줄게요."

2. 증거 기반 정책결정? 그게 뭔가요? (박 팀장의 다정한 티타임 강의)

(카페, 따뜻한 라떼 두 잔 앞)

박 팀장이 노트에 쓱쓱 그림을 그리며 설명을 시작했습니다.

"증거 기반 정책결정(EBPM). 말이 좀 어렵죠? Evidence-Based Policy Making. 말 그대로예요. 정책을 만들고, 실행하고, 평가하는 모든 과정에서 '제 생각엔...'이 아니라 데이터, 통계, 실증 연구 같은 '증거'를 근거로 판단하는 거예요."

증거 기반 정책결정(EBPM), 왜 중요할까?

"팀장님, 증거 기반 정책결정(EBPM)이 중요하다고 하셨는데, 구체적으로 어떤 점이 우리한테 도움이 될까요?" 민지 주무관이 물었다.

박 팀장은 커피잔을 내려놓으며 "음, 딱 네 가지로 설명해 줄게요. 이게 EBPM의 핵심 가치거든" 하고 말을 이었다.

1) 객관성 확보: '감' 대신 '팩트'로 말하기

"제일 중요한 건 객관성입니다." 박 팀장의 설명이 시작되었다. "우리가 회의할 때 '내 생각엔 이럴 것 같아', '내 경험상 이게 맞아' 같은 '감'으로 얘기할 때가 많잖아요?"

민지 주무관은 머쓱하게 웃으며 고개를 끄덕였다. "네, 맞아요. 아무래도..."

"하지만 EBPM은 달라." 박 팀장은 단호하게 말했다. "'데이터가 이렇게 말해요'라는 팩트를 근거로 삼는 거지. 감정이나 주관이 아니라, 냉정한 수치와 통계로 판단하니까 모두가 납득할 수 있는 정책이 나오는 거죠."

2) 투명성 강화: 근거를 '딱!' 공개하기

"두 번째는 투명성이에요. 시민들이나 의회에서 '왜 이 정책을 하세요?'라고 물어볼 때, 예전처럼 '그냥 필요해서요'가 아니라..."

민지 주무관은 손뼉을 치며 말했다. "저희가 분석한 데이터에 따르면 이렇습니다!'라고 딱 공개할 수 있겠네요!"

"그렇지! 우리가 가진 근거를 숨기지 않고 딱! 공개하는 거야. 그러면 시민들도 신뢰하고, 혹시 잘못된 부분이 있다면 검증할 수 있어서 정책에 대한 신뢰도가 확 올라가죠."

3) 효율성 증대: 돈을 필요한 곳에 '집중' 투자

"셋째는 효율성. 우리가 주먹구구식으로 순찰 인력을 늘리면 예산 낭비가 될 수 있잖아요?"

"네... 이번에 저희가 소음 민원 데이터를 분석해 보니 대학가 주말 밤에만 집중하면 된다는 걸 알았어요!" 민지 주무관은 이번 프로젝트를 통해 얻은 깨달음을 언급했다.

"맞아. 데이터가 알려주는 가장 효과가 클 곳에만 우리 자원(예산, 인력)을 집중하는 거지. 예산 낭비를 줄이고, 정책 효과는 극대화하는 아주 스마트한 방법이죠."

4) 학습성 향상: 실패도 '기록'으로 남겨 배우기

"마지막은 학습성입니다. 혹시 우리가 만든 정책이 실패할 수도 있잖아요. 실패가 모든 게 나쁜 건 아니에요."

"실패하면 좌절만 할 것 같은데요..." 민지 주무관의 목소리에 걱정이 스쳤다.

"아냐! EBPM에서는 데이터로 '왜' 실패했는지를 꼼꼼히 기록으로 남기죠. '이 시도는 이래서 효과가 없었구나.' 이 기록 자체가 조직의 귀중한 교훈이 되고 자산이 되는 거예요. 다음엔 같은 실수를 반복하지 않고, 더 좋은 정책을 만들 수 있도록 성장하는 거지."

민지 주무관은 눈을 반짝이며 말했다. "아! 실패 데이터도 배움의 근거가 되는 거네요! 정말 중요한 포인트인 것 같아요!"

3. 눈물 콧물의 5단계 데이터 여행 (feat. 엑셀과 KOSIS)

[1단계: 문제를 '진짜' 문제로 만들기 (문제 정의)]

다음 날, 민지씨는 산더미 같은 민원 데이터를 엑셀로 정리하기 시작했습니다.

처음엔 그저 "야간 소음 민원 증가"라는 뭉뚱그려진 문제였죠. 하지만 데이터를 뜯어보고, 피벗 테이블을 돌려보자... 전혀 다른 이야기가 보였습니다.

○ 언제? 매일 밤이 아니라, 금요일~일요일 밤 10시부터 새벽 2시에 집중!
○ 어디서? 우리 구 전체가 아니라, 대학가 주변 3개 동에서 전체 민원의 67%가 발생!
○ 누가? 20~30대 원룸 거주자들의 신고가 대부분!

"아!" 민지는 무릎을 탁 쳤습니다.

"팀장님! 단순히 순찰만 늘릴 게 아니라, 대학가 주말 밤에 집중적으로 대응해야 했네요!"

박 팀장이 고개를 끄덕였습니다.

"그렇죠! 영국 교통부도 '교통사고 사망자 증가'라는 큰 문제를 데이터로 쪼개봤더니 '야간 청소년 음주운전 집중 지역'이라는 구체적인 원인이 나왔어요. 그래서 그 문제에 딱 맞는 캠페인을 벌였죠. 문제를 구체화하는 게 모든 것의 첫걸음이에요."

[2단계: 증거를 꼼꼼하게 모으기 (증거 수집)]

민지는 탐정처럼 데이터를 모았습니다.

정량 데이터 (숫자): 통계청 KOSIS(국가통계포털), 공공데이터포털에서 우리 구의 인구 구조, 생활 SOC 자료를 싹 긁어모았죠.

정성 데이터 (마음): 숫자만으론 알 수 없는 속사정을 알기 위해 대학생 20명, 상인 10명과 심층 인터뷰를 진행했습니다.

박 팀장이 팁을 주었습니다.

"중요한 건 교차 검증이에요. 최소 두 가지 이상 출처를 비교해야 해요. 숫자만으로는 '왜 그런지' 속마음을 알 수 없고, 인터뷰만으로는 객관성이 떨어질 수 있거든요."

민지는 통계청의 통계지리정보서비스(sgis.kostat.go.kr)에서 지역별 인구밀도, 유흥업소 분포 지도까지 다운받아 분석에 깊이를 더했습니다.

[3단계: 가장 똑똑한 방법 고르기 (비용대비 효과를 예측하다)]

데이터 분석을 통해 문제의 핵심이 '대학가 주말 밤 소음'이라는 것을 정확히 파악한 김민지 주무관은 이제 '감'이 아닌 '증거'를 기반으로 세 가지의 현실적인 대안 시나리오를 설계했습니다. 그녀는 더 이상 비효율적인 '야간 순찰 인력 2배 증원'이라는 하나의 해법에만 매달리지 않았습니다.

민지 주무관이 고안한 세 가지 대안의 비용 대비 예상 효과는 확연히 달랐습니다.

먼저, A안(기존 방식)은 단순히 야간 순찰 인력을 2배 증원하는 것으로, 월 2,000만 원이라는 가장 큰 비용이 예상되었지만, 민원 감소 효과는 고작 10%에 그칠 것으로 예측되었습니다. 즉, 비용은 가장 많이 들지만 효과는 미미했던 것이죠.

이에 반해 B안(데이터 기반)은 데이터가 알려준 문제 지역에 집중하여 대학가 집중 순찰과 소음측정기 설치를 병행하는 방안이었습니다. 이 방안은 예상 비용이 월 800만 원으로 A안의 절반 이하임에도 불구하고, 민원 감소 효과는 25%로 A안보다 2배 이상 높을 것으로 나타났습니다.

마지막으로 민지 주무관이 가장 혁신적이라고 판단한 C안(협력 모델)은 B안에 학생·상인 자율협의체 구성을 추가한 방안이었습니다. 비용은 월 1,000만 원으로 B안보다 약간 높았지만, 예상 민원 감소 효과는 40%에 달했으며, 지역 화합이라는 부가적인 가치까지 창출할 수 있었습니다.

이처럼 구체적인 예측 데이터를 통해 시나리오별 비교를 마친 박민수 팀장은 민지 주무관을 칭찬했습니다. "좋아요! 바로 이거예요. 정책을 결정하기 전에 이렇게 다양한 시나리오를 만들고 비용과 효과를 예측하는 과정이 정말 중요해요."

박 팀장은 해외 사례를 들어 그 중요성을 부연했습니다. "핀란드 헬싱키시는 버스 노선을 실제로 바꾸기 전에 디지털 트윈(가상현실) 기술로 시민들의 이동 패턴을 시뮬레이션했어요. 막대한 비용을 들여 노선을 바꾸지 않고도, 어떤 노선이 가장 효율적이고 시민 만족도가 높을지 미리 예측한 거죠. 우리도 마찬가지예요. 데이터와 예측을 통해 '대안을 설계'하는 것, 이것이 예산 낭비를 막고 정책 성공률을 높이는 핵심 기술입니다."

[4단계: 작게 실험하고, 빠르게 실행하기 (집행)]

김민지 주무관은 가장 효과가 좋을 C안을 선택했습니다. 하지만 바로 시 전체에 실행하지 않았습니다. (그랬다간 또 '감'이 될 수 있으니까요!)

"2주 파일럿 프로젝트로 먼저 해보자!"

대상: 대학가 1개 동 (가장 민원이 많았던 곳)
KPI (핵심 성과지표): 명확한 목표를 세웠습니다.
- 야간 소음 민원 건수
- 소음측정기 평균 데시벨(dB)
- 자율협의체 회의 참석률

"서울시도 소상공인 부담을 줄여주는 '제로배달 유니온' 사업을 처음부터 크게 한 게 아니라, 시범 운영 후 데이터 분석해서 확대했어요. 우리도 작게 시작해서 데이터를 검증하는 거예요."

2주 후, 놀라운 결과가 나왔습니다.

민원 건수 38% 감소
평균 소음 15 데시벨(dB) 하락
협의체 참석률 90% (다들 진심이었어요!)

[5단계: 돌아보고, 기록하고, 학습하기 (평가)]

민지는 신나게 최종 보고서를 작성했습니다.

전후 비교: 시행 전 2주 vs 시행 후 2주 데이터 비교 (효과 입증!)
대조군 설정: 파일럿 지역 vs 인접한 비슷한 지역 비교 (우연이 아님 입증!)
실패 기록: (이게 핵심!) '협의체 회의 시간대 조율 실패로 일부 불참' → '다음엔 꼭 사전 설문으로 시간 조정할 것'

박 팀장이 만족스럽게 웃었습니다.

"바로 그거예요! 넷플릭스는 신작 콘텐츠도 꼭 A/B 테스트(두 그룹 비교)를 하고 전 세계 확산 여부를 결정해요. 실패 데이터도 절대 버리지 않고 쌓아서 다음 전략에 반영하죠. 민지씨도 이제 데이터 전문가네요!"

4. 세계는 이미 데이터로 움직인다 (박 팀장의 사례 특강)

어느 금요일 오후, 박 팀장은 민지 주무관에게 흥미진진한 '데이터 세상' 이야기를 들려주었습니다. 데이터 기반 의사결정이 이미 전 세계 정부와 기업의 핵심 전략이 되었다는 증거들이었죠.

먼저 정부의 사례였습니다.

"민지 씨, 뉴질랜드는 좀 특별해요." 박 팀장이 운을 뗐습니다. "거긴 GDP(경제 성장률)만 보지 않고, '시민 행복 지표'를 가장 중요한 기준으로 삼아 국가 예산을 짜요. 보건, 교육, 환경 데이터를 근거로 매년 예산 배분을 조정하는 거죠. 그 결과, 청소년 정신건강 관련 예산이 확 늘어났어요. 데이터가 '돈'보다 '사람 행복'이 먼저라고 말해준 거죠."

이어서 국내 사례도 소개되었습니다. "우리나라 어떤 기초지자체에서는 112 신고 데이터, CCTV 위치, 인구 밀집 데이터를 하나로 통합 분석했어요. 그랬더니 '범죄 발생 위험이 가장 높은 시간과 장소'가 지도에 딱! 예측된 겁니다. 그곳에 경찰 순찰을 집중 배치했더니, 결과가 어땠을 것 같아요?"

"절도 사건이 감소했나요?" 민지 주무관이 기대감에 차 물었습니다.

"정확해요! 절도 사건이 17%나 감소했어요. 데이터가 순찰 경로까지 설계해 준 셈이죠. 이게 바로 '스마트 치안 서비스'예요."

다음은 민간 기업의 사례였습니다.

"혹시 아마존의 배송 속도가 왜 그렇게 빠른지 알아요?" 박 팀장이 장난스러운 표정을 지었습니다. "아마존은 우리가 주문 버튼을 누르기도 전에 우리가 뭘 살지 예측해요. (소름 끼치죠?) 이 예측을 바탕으로 재고를 미리 인근 창고로 옮겨 놓는데, 이걸 '예측 배송(anticipatory shipping)'이라고 해요. 덕분에 배송 시간이 확 줄어드는 겁니다. 완전히 데이터로 미래를 보는 거죠. 사실 우리나라 쿠팡도 이 방식으로 로켓배송을 하고 있죠."

마지막은 일상에서 가장 흔하게 접하는 사례였습니다. "스타벅스가 괜히 '스세권'이라는 말이 생길 정도로 황금 입지를 잘 잡는 게 아니에요. 신규 매장 입지를 정할 때, 위치 데이터, 교통량, 주변 소득 수준, 심지어 모바일 앱 주문 패턴까지 모든 데이터를 종합해서 분석해요. '여긴 무조건 된다!' 하는 곳에만 매장을 열죠. 그러니 신규 매장 실패율이 거의 없을 수밖에요."

이 모든 이야기를 들은 민지 주무관은 감탄을 금치 못했습니다.

"와... 정말 정부든 기업이든, 이미 전 세계가 '감'이 아니라 데이터로 움직이고 있었네요."

5. 박 팀장의 관리자 노하우: '데이터 리더'로 거듭나는 실전 가이드

데이터를 기반으로 일하는 것은 실무자의 노력만으로는 불가능합니다. 관리자가 조직의 문화를 바꾸고 시스템을 구축해야 하죠. 박민수 팀장은 김민지 주무관에게 자신이 현장에서 적용해 온 관리자 노하우, 즉 '데이터 리더십'의 실전 팁을 공유했습니다.

① 회의 언어 바꾸기: "근거는 무엇입니까?"

박 팀장은 회의 문화를 바꾸는 것부터 시작했습니다. 그는 이제 모든 회의의 첫 질문은 "근거는 무엇입니까?"라고 못을 박았습니다. 그는 직원들에게 '열심히 하겠다', '가능할 것 같다' 같은 주관적인 표현 대신, 보고서에 반드시 데이터 출처, 구체적인 수치, 그리고 추이(변화)를 명확하게 넣으라고 지시했습니다. 보고서의 무게중심을 '노력과 의지'가 아닌 '데이터상 가능하다'라는 팩트로 옮겨놓은 것입니다.

② '근거 기반 정책 캔버스' 활용: 정책을 한눈에 정리하다

박 팀장은 노트북 화면을 돌려 민지 주무관에게 자신이 사용하는 핵심 도구를 보여주었습니다. 바로 '근거 기반 정책 캔버스'였습니다. 이는 복잡한 정책을 핵심 요소별로 압축해서 정리하는 양식입니다. 박 팀장은 이 표만 채우게 하면 정책이 저절로 명확하게 정리된다고 설명했습니다.

문제 정의: 가장 먼저 '무엇이 진짜 문제인가?'를 구체적으로 정의합니다.

데이터 출처: 이 문제 정의와 대안 마련의 근거가 된 데이터(KOSIS, 심층 인터뷰 등)를 명시합니다.

대안: 최소 A안, B안 두 가지 이상의 시나리오를 제시하여 비교할 수 있게 합니다.

예상 효과·비용: 각 대안의 예상되는 효과와 필요한 비용을 수치와 그래프로 명확하게 나타냅니다.

KPI (핵심 성과지표): 정책 성공 여부를 측정할 핵심 지표를 정합니다.

평가 계획: '전/후 비교를 할 것인지', '비슷한 조건의 대조군을 설정할 것인지' 등 평가 방법을 미리 정합니다.

③ 작은 실험부터 시작하는 프로세스 (파일럿)

"전면 도입은 위험 부담이 너무 커요." 박 팀장은 성급한 전면 도입을 경계했습니다. 그는 정책을 도입하기 전에는 반드시 '작은 실험', 즉 파일럿 프로젝트를 거치도록 했습니다. 2주에서 4주 단위의 짧은 기간 동안 일부 지역에 시범 적용하고, 여기서 얻은 데이터로 효과를 검증한 후, 성공적일 경우에만 전면 확산을 결정하는 것이 팀의 기본 프로세스였습니다. 이는 시간과 예산을 아끼는 현명한 방법이었습니다.

④ 실패도 '조직 학습 자산'으로 기록하기

마지막으로 박 팀장은 실패에 대한 태도의 중요성을 강조했습니다. 정책이 의도대로 되지 않아도 괜찮습니다. 중요한 것은 실패한 시도의 원인을 데이터로 철저히 기록하는 것입니다. 이 기록은 단순히 '실패 이력'이 아니라, 조직이 다음에 더 나은 판단을 내릴 수 있도록 돕는 '조직 학습 자산'이 됩니다. 실패의 데이터를 쌓아야 다음번엔 같은 실수를 반복하지 않고 더 잘할 수 있다는 것이 박 팀장의 신념이었습니다.

6. 김민지 주무관의 실무 팁 (실무자용 적용 포인트)

이제 김민지 주무관도 3개월 동안 배운 걸 후배들에게 공유하는 '선배'가 되었습니다.

① 보고·제안서 작성 요령

"수치 3개, 그래프 1개, 추이 1개만 넣어도 보고서의 설득력이 확 올라가요. '제 생각엔...'보다 '데이터에 따르면...'이 훨씬 강력해요. 이건 진리예요!"

② AI(인공지능) 활용 팁

"데이터 정리가 막막할 땐 AI를 비서로 쓰세요."

(데이터 표를 넣고) → "아래 표를 5줄로 요약하고 정책 시사점 2줄 작성해 줘."

(두 개 자료를 넣고) → "2024년 vs 2025년 민원 데이터를 비교 분석해 줘."

③ 습관 만들기

"회의 들어가기 전 10분만이라도 관련 데이터를 보면서 '오늘은 어떤 추이가 눈에 띄는가?' 딱 한 줄만 메모해 보세요. 그럼 회의에서 자신감 있게 말할 거리가 생겨요."

7. [실습 박스] 김 주무관의 '30분 뚝딱' 파일럿 정책 만들기 비법

데이터 전도사가 된 김민지 주무관은 이제 후배들에게 데이터 기반 정책 결정이 얼마나 쉽고 빠른지 보여주기로 했습니다. 그의 비법은 단 30분 만에 1쪽짜리 파일럿 정책 기획안을 완성하는 스텝 바이 스텝 가이드였습니다.

"후배님들, 복잡할 거 없어요. 30분이면 됩니다!" 민지 주무관이 활짝 웃으며 말했습니다.

첫째, 주제 선택하기.

"가장 먼저, 우리 동네에서 눈에 띄는 문제 하나를 골라보세요. 교통, 환경, 복지, 뭐가 됐든 가장 시급해 보이는 것을 잡는 거예요."

둘째, 데이터 찾기.

"문제를 정했으면, 바로 통계청 통계지리정보서비스(SGIS, KOSIS 통계지리정보서비스)로 달려가세요! 거기서 선택한 주제와 관련된 통계를 다운로드합니다. 우리의 '증거'를 찾는 거죠."

셋째, 엑셀로 요약하기.

"다운받은 원본 데이터는 너무 복잡해요. 엑셀의 피벗테이블 기능을 사용해서 유형별, 연령별, 시간대별로 간단하게 집계해 보세요. 데이터가 뭘 말하고 있는지, 핵심 패턴을 찾을 수 있습니다."

넷째, AI 활용 팁.

"이젠 인공지능을 활용할 차례예요! 엑셀 데이터를 복사해서 AI 도구에 붙여 넣고 이렇게 명령하세요. '이 데이터에서 주요 패턴 3개와 정책 시사점 2개를 요약해 줘.' AI가 몇 초 만에 번뜩이는 아이디어를 정리해 줄 겁니다."

마지막, 정책 캔버스 채우기.

"이제 거의 다 왔어요. 정리된 패턴과 아이디어를 바탕으로 [5번]에서 봤던 정책 캔버스를 채우는 겁니다. 문제 정의, 데이터 출처, 최소 2가지 대안, 예상 효과와 비용, 그리고 KPI와 평가 계획까지 꼼꼼히 채워 넣으세요."

"자, 어때요? 30분 만에 1쪽짜리 파일럿 정책안 완성입니다! 이제 이 종이 한 장이면 팀장님을 설득하고 프로젝트를 시작할 수 있어요. '감'이 아니라 '데이터'로 무장했으니까요!" 민지 주무관의 목소리에는 자신감이 넘쳤습니다.

핵심 요약: '데이터로 말하기'의 4가지 개념

김민지 주무관과 박민수 팀장의 여정을 통해 우리는 증거 기반 정책결정(EBPM)이 조직에 가져다주는 핵심적인 개념을 배울 수 있었습니다.

◆ EBPM의 정의와 역할: 증거 기반 정책결정(EBPM)은 '감'이나 '경험'이 아닌 '데이터'로 말하는 방식을 조직에 정착시키며, 정책의 신뢰성과 실제 효과를 극대화하는 필수 도구입니다.

◆ 5단계 프로세스의 힘: 문제 정의–증거 수집–대안 설계–집행–평가로 이어지는 5단계 프로세스는 어떤 조직이나 업무에도 적용 가능한 효과적인 의사결정 프레임워크입니다.

◆ 실제 성과 입증: 뉴질랜드의 행복 예산이나 국내 스마트 치안 사례 같은 정부의 성공은 물론, 아마존이나 스타벅스 같은 민간 기업의 사례까지, 데이터 기반 의사결정은 실제적이고 측정 가능한 성과를 가져옴을 보여줍니다.

◆ 관리자와 실무자의 역할: 관리자는 회의에서 "근거 중심"의 언어와 '작은 실험' 문화를 만들어야 하며, 실무자는 보고서와 제안에서 데이터를 자신의 가장 강력한 무기로 삼아야 합니다.

이제 우리는 감이 아니라, 데이터로 말합니다.