데이터 기반 의사결정 1부 - 데이터 분석은 왜 문제 정의에서 시작해야 하는가?

기업에는 매출, 고객, 생산, 품질, 재고 데이터가 계속 쌓입니다. Excel로 현황을 정리할 수 있고, Python이나 AI를 활용하면 복잡한 처리와 예측도 가능합니다.

하지만 그래프와 통계가 많다고 업무 문제가 저절로 해결되지는 않습니다. 분석 결과는 충분한데 무엇을 바꿔야 할지 모르는 경우도 흔합니다. 분석 기술이 부족해서가 아니라, 무엇을 해결하려는지 정하지 않은 채 데이터를 들여다봤기 때문일 수 있습니다.

이번 글에서는 데이터 분석이 왜 문제 정의에서 시작해야 하는지 알아봅니다. 현장에서 문제를 찾는 두 가지 접근법과 매출 감소 사례도 함께 살펴보겠습니다.

데이터 분석의 목적은 판단할 근거를 만드는 것입니다

데이터 분석은 데이터를 모으고 정리한 뒤, 의미 있는 정보를 찾아내는 활동입니다. 기업에서는 다음과 같은 업무에 활용합니다.

• 영업 데이터를 보고 매출 변화와 구매 패턴을 파악합니다.
• 생산 데이터를 살펴 설비 가동률과 생산성 변화의 원인을 찾습니다.
• 품질 데이터를 분석해 불량이 집중되는 공정과 조건을 확인합니다.
• 재고 데이터를 바탕으로 적정 재고와 발주 시점을 판단합니다.

여기서 중요한 점은 분석 자체가 목적이 아니라는 사실입니다. 매출 그래프를 만드는 이유는 영업 전략을 정하기 위해서입니다. 설비 가동률을 계산하는 이유도 생산 차질을 줄이거나 운영 방식을 개선하기 위해서입니다.

따라서 데이터 분석의 가치는 결과표의 개수가 아니라 그 결과가 어떤 판단과 행동으로 이어졌는지로 평가해야 합니다.

숫자를 찾는 일과 문제를 찾는 일은 다릅니다

한 제조기업이 설비별 생산량, 시간대별 가동률, 제품별 불량률을 분석했다고 가정해 보겠습니다.

• A 설비의 가동률은 85%입니다.
• B 설비의 생산량은 전월보다 7% 줄었습니다.
• C 제품의 불량률은 3.2%입니다.

모두 현재 상태를 설명하는 유용한 숫자입니다. 그러나 이 정보만으로는 무엇부터 개선해야 할지 알기 어렵습니다.

A 설비의 가동률 85%가 적정한 수준인지 판단하려면 목표치나 정상 범위가 필요합니다. B 설비의 생산량도 계획 생산량이 함께 있어야 감소가 실제 문제인지 알 수 있습니다. C 제품의 불량률 역시 고객 요구 수준이나 과거 실적과 비교해야 합니다.

데이터는 자동차의 계기판과 비슷합니다. 속도와 연료량을 보여줄 수는 있지만, 지금 제대로 가고 있는지는 목적지와 운행 계획을 알아야 판단할 수 있습니다.

분석을 시작할 때는 숫자를 더 만드는 대신 다음 질문을 먼저 던져야 합니다.

• 우리가 달성해야 할 목표는 무엇인가?
• 목표와 현재 실적의 차이는 얼마인가?
• 어떤 변화가 실제 업무 성과에 영향을 주는가?
• 여러 문제 가운데 무엇을 먼저 해결해야 하는가?

데이터에서 발견한 모든 현상이 해결해야 할 문제는 아닙니다. 특이한 숫자와 중요한 문제를 구분하려면 목표와 업무 맥락이 필요합니다.

현실의 문제는 처음부터 또렷하지 않습니다

실제 현장에서는 “불량률을 5%에서 3%로 낮춘다”처럼 구체적인 과제가 주어지는 경우가 많지 않습니다. 경영진은 생산성이 낮다고 말하고, 현장 담당자는 작업 시간이 부족하다고 말할 수 있습니다. 한쪽에서는 설비를 의심하고 다른 쪽에서는 작업 방식을 원인으로 봅니다.

이때 “생산성이 낮다”는 말은 분석 과제가 아니라 출발점에 가깝습니다. 뜻을 더 구체적으로 확인해야 합니다.

• 단위 시간당 생산량이 줄었는가?
• 설비 정지 시간이 늘었는가?
• 계획한 생산량을 달성하지 못했는가?
• 같은 작업시간에 만들어 내는 수량이 줄었는가?

어떤 질문을 선택하느냐에 따라 필요한 데이터가 달라집니다. 설비 정지가 문제라면 정지 시각, 지속 시간, 원인 기록이 필요합니다. 시간당 생산량이 문제라면 작업시간과 산출량을 함께 봐야 합니다.

문제 정의는 막연한 업무 고민을 데이터로 확인할 수 있는 질문으로 바꾸는 과정입니다.

문제를 발견하는 두 가지 접근법

문제를 찾는 출발점은 크게 하향식과 상향식으로 나눌 수 있습니다.

하향식 접근법: 목표에서 내려옵니다

하향식 접근법은 경영 목표나 이미 알려진 문제에서 시작합니다. 예를 들어 회사가 생산성을 10% 높이기로 했다면 현재 수준과 목표를 먼저 비교합니다. 이후 생산량, 설비 가동시간, 작업시간을 살펴 목표 달성을 막는 요인을 찾습니다.

경영 목표 설정 → 현재 수준 확인 → 목표와의 차이 분석 → 문제 영역 탐색 → 분석 과제 도출

목표가 비교적 명확할 때 유용한 방법입니다. 다만 목표가 정해져 있어도 원인을 미리 단정해서는 안 됩니다. 실제 데이터를 통해 가능한 원인을 하나씩 확인해야 합니다.

상향식 접근법: 현상에서 올라갑니다

상향식 접근법은 현장에서 발견한 현상이나 데이터의 특이한 변화에서 시작합니다. 특정 시간대에 설비가 자주 멈춘다면 정지 기록을 살펴 발생 빈도와 지속 시간을 확인합니다. 이어 생산량 감소와 관련이 있는지 평가합니다.

현상 관찰 → 데이터 탐색 → 문제 후보 발견 → 업무 영향 평가 → 문제 정의 → 분석 과제 도출

이 방법은 문제가 분명하지 않을 때 유용합니다. 단, 특이한 패턴을 찾았다는 이유만으로 곧바로 개선 과제로 정하면 안 됩니다. 업무 목표에 영향을 주는지, 개선할 가치가 있는 수준인지 확인해야 합니다.

두 방법의 목적지는 같습니다

구분	하향식 접근법	상향식 접근법
출발점	목표 또는 알려진 문제	현장 현상과 데이터
핵심 질문	목표 달성을 막는 요인은 무엇인가?	발견한 현상 중 무엇이 문제인가?
주요 활동	목표와 현재 수준 비교, 원인 탐색	현상 탐색, 문제 후보 평가
적합한 상황	목표가 비교적 명확한 경우	문제가 명확하지 않은 경우
공통 결과	데이터로 확인할 분석 과제 도출	데이터로 확인할 분석 과제 도출

두 접근법은 경쟁 관계가 아닙니다. 목표를 따라 분석하다가 예상하지 못한 현상을 발견할 수 있고, 현장의 문제를 계기로 새로운 관리 목표를 세울 수도 있습니다.

문제 정의가 분석의 방향을 결정합니다

“최근 매출이 줄었다”는 상황을 생각해 보겠습니다. 이 말만으로는 무엇을 분석해야 할지 알기 어렵습니다. 먼저 감소 규모와 발생 범위를 확인해야 합니다.

단계	주요 질문	얻는 결과
현상 확인	매출이 얼마나 줄었는가?	매출 변화 파악
문제 정의	목표보다 얼마나 부족한가?	해결 범위 설정
분석 질문	판매량과 평균 판매 단가 중 무엇이 달라졌는가?	분석 과제 구체화
데이터 선정	어떤 주문·상품 데이터가 필요한가?	데이터 요구사항 정리
분석 수행	매출 변화는 어떤 요인과 관련되는가?	결과와 검증할 가설 도출
의사결정	어떤 개선안을 먼저 검토할 것인가?	실행 대안 선정

예를 들어 목표 매출이 1억 원인데 실제 매출이 9,200만 원이라면 800만 원의 차이가 발생했습니다. 분석 결과 평균 판매 단가는 그대로지만 판매량이 줄었다는 사실을 확인할 수 있습니다. 그러면 질문은 “매출이 왜 줄었는가?”에서 “어떤 상품이나 판매 채널에서 판매량이 줄었는가?”로 좁혀집니다.

같은 매출 데이터라도 목적에 따라 분석 방법은 달라집니다. 매출 감소의 원인을 찾으려면 판매량, 판매 단가, 상품 구성을 비교해야 합니다. 다음 달 매출을 예측하려면 과거 추세와 시기별 변화를 검토해야 합니다. 문제 정의가 필요한 데이터와 분석 방법을 고르는 기준이 되는 이유입니다.

분석 결과를 곧바로 원인으로 단정하지 마세요

특정 상품의 판매량 감소가 전체 매출 하락과 함께 나타났다고 가정해 보겠습니다. 이 결과는 중요한 단서지만, 아직 원인이 확정된 것은 아닙니다.

가격 변화, 재고 부족, 판매 채널의 노출 감소, 고객 수요 변화 등 여러 가능성이 남아 있습니다. 판매량이 줄었다는 이유만으로 가격부터 내리면 이익이 더 나빠질 수도 있습니다.

따라서 분석 결과를 바탕으로 가능한 설명과 대안을 비교해야 합니다. 가격 정책을 바꿀지, 상품 공급을 안정화할지, 판매 채널을 조정할지 검토한 뒤 실행안을 선택합니다. 실행 후에는 매출과 이익이 실제로 어떻게 달라졌는지 측정합니다.

문제 정의 → 데이터 분석 → 개선안 검토 → 의사결정 → 실행 → 결과 측정

예상과 다른 결과가 나오면 처음 세운 가정과 문제 정의를 다시 살펴야 합니다. 데이터 분석은 보고서 한 장으로 끝나는 일이 아니라, 판단하고 실행하며 배우는 순환 과정입니다.

분석 도구를 고르기 전에 확인할 다섯 가지

새로운 분석 업무를 맡았다면 Excel, Python, AI 가운데 무엇을 쓸지 정하기 전에 다음 질문부터 확인해 보세요.

1. 무엇을 해결하려고 하는가? 현재 문제와 개선 목표를 정리합니다.
2. 왜 이것이 문제인가? 목표와 현재 수준의 차이, 업무에 미치는 영향을 확인합니다.
3. 무엇을 알아야 판단할 수 있는가? 데이터로 답할 분석 질문을 구체화합니다.
4. 어떤 데이터로 확인할 수 있는가? 필요한 데이터와 현재 확보한 데이터를 구분합니다.
5. 분석 결과를 어디에 활용할 것인가? 결과를 보고 내릴 결정과 실행 방안을 생각합니다.

처음부터 모든 답을 완벽하게 정할 필요는 없습니다. 데이터를 살펴보거나 현장 담당자와 이야기하면서 문제 정의가 바뀔 수도 있습니다. 중요한 것은 분석하는 동안 이 질문을 계속 확인하는 것입니다.

마무리: 좋은 분석은 좋은 질문에서 시작합니다

통계, Python, 머신러닝을 익히면 더 많은 데이터를 빠르게 다룰 수 있습니다. 하지만 도구가 분석의 목적까지 정해 주지는 않습니다. 무엇을 해결할지, 무엇을 확인할지, 결과를 어디에 쓸지 먼저 정해야 알맞은 기술도 선택할 수 있습니다.

이번 글의 핵심은 세 가지입니다.

• 데이터 분석은 데이터 처리에서 끝나지 않고 문제 해결과 의사결정을 지원해야 합니다.
• 문제는 항상 명확하게 주어지지 않으며, 하향식과 상향식 접근으로 발견하고 구체화할 수 있습니다.
• 분석 결과는 개선안 검토와 실행, 성과 측정으로 이어져야 합니다.

다음 글에서는 비즈니스 문제를 발견하는 두 가지 접근법을 더 자세히 살펴봅니다. 목표가 명확한 상황과 문제가 불분명한 상황에서 각각 어떻게 분석 과제를 만드는지 실제 사례로 알아보겠습니다.