데이터 분석에서 인사이트 도출하기

데이터를 보면서 가장 많이 듣는 생각은 "인사이트가 부족하다"는 것이다. 분석 역량이 부족해서가 아니라, 데이터의 상세 설명과 숫자 나열을 인사이트로 착각하기 때문이다.

대부분은 데이터 수집 → 분석 → 결과 도출의 순서로 접근한다. 하지만 이렇게 도출된 것은 '분석 결과'일 뿐, '인사이트'가 아니다. 진짜 인사이트는 데이터를 어떤 구조로 설명하느냐에서 나온다고 한다.

데이터 너머의 의사결정과 실행에 대한 궁금증이 있던 차, 오늘은 EO에서 데이터와 관련된 강의를 듣고 내용을 정리했다.

데이터의 구조화: 같은 데이터, 다른 의미

"코로나19 확진자 500명 증가"라는 데이터를 예로 들어보자. 이 숫자 자체는 의미가 없다. 구조화 방식에 따라 완전히 다른 인사이트가 도출된다.

시간축 구조화

일주일 전 대비 증가율 → 확산 속도 파악
더블링 타임 계산 → 의료체계 한계 시점 예측
계절별 패턴 분석 → 향후 대응 전략 수립

공간축 구조화

지역별 인구 대비 발생률 → 핫스팟 지역 식별
이동 경로별 전파 패턴 → 차단 포인트 도출
시설별 집단 감염 분석 → 우선 방역 대상 선정

인구축 구조화

연령대별 중증화율 → 의료 자원 배분 우선순위
직업군별 감염 패턴 → 맞춤형 방역 정책
기저질환별 위험도 → 보호 대상 그룹 설정

민토 피라미드: Top-down 사고의 적용

민토 피라미드는 데이터 분석 결과를 효과적으로 전달하는 프레임워크다. 가장 중요한 것을 먼저 말하는 것이 핵심이다.

기존 접근법의 문제점 (Bottom-up)

[분석가의 일반적 접근]

Step 1: 데이터 수집 완료
Step 2: 분석 방법론 설명
Step 3: 도출된 수치 제시
Step 4: "이것이 중요할 것 같습니다"
→ 결과: 경영진의 집중력 상실

효과적인 접근법 (Top-down)

실제 적용 사례 - 배달앱 분석

Level 1 (핵심 메시지): "신규 고객 전환율이 업계 평균의 40%. 온보딩 개선으로 월 2억 추가 매출 가능"

Level 2 (주요 근거):

앱 설치 → 첫 주문 전환율 8% (업계 평균 20%)

첫 주문 고객의 3개월 잔존율 85% (업계 최고)

회원가입 단계 축소 시 전환율 2.5배 증가 (A/B 테스트 검증)

Level 3 (상세 데이터):

퍼널: 설치(100%) → 가입(45%) → 탐색(20%) → 주문(8%)

이탈 원인: 회원가입 14개 필드 (경쟁사 5-6개)

코호트: M1 70%, M2 80%, M3 85%

So What 테스트: 인사이트 검증

So What은 발견한 내용이 진짜 인사이트인지 검증하는 도구다. "그래서?"를 최소 3단계 반복한다.

So What 테스트를 통과하지 못하면 단순한 '관찰'일 뿐이다.

[초기 발견]
"30대 여성 앱 사용시간이 20대보다 30% 길다"
↓
[So What #1] 그래서 왜 중요한가? "신중한 구매 패턴을 보인다"
↓
[So What #2] 비즈니스에 무슨 의미인가? "LTV가 높은 고객군이다"
↓
[So What #3] 우리가 뭘 해야 하는가? "마케팅 예산 40% 재배분

→ ROI 40% 개선"

Why So 분석: 근본 원인 파악

Why So는 현상의 근본 원인을 찾는 과정이다. 5단계를 거쳐 본질에 도달한다.

5 Why 분석 프로세스

[현상] "30대 여성 앱 사용시간이 길다"
↓
[Why 1] 왜 사용시간이 긴가? → "상품 상세페이지 5개 이상 확인"
↓
[Why 2] 왜 여러 페이지를 보는가? → "가격/품질/디자인 종합 비교"
↓
[Why 3] 왜 종합 비교를 하는가? → "리뷰 80% 읽으며 실패 최소화"
↓
[Why 4] 왜 실패를 피하려 하는가? → "78%가 가계 주 구매 결정권자"
↓
[Why 5] 왜 주 결정권자인가? → "경제력+정보력+시간의 교집합"

---

데이터는 21세기의 원유라고 하지만 정제되지 않은 원유는 가치가 없다. 구조화되지 않은 데이터도 이와 마찬가지다. 핵심은 기술이 아니라 논리적 구조화와 비즈니스 관점이다. 숫자를 다루는 능력보다 숫자에서 의미를 찾고 전달하는 능력이 중요하다.