구독 서비스의 자발적 해지가 늘어난 상황을 가정해 보겠습니다. 담당자는 먼저 지난달 이탈률과 이전 달 대비 증감, 요금제별 차이를 확인할 수 있습니다. 여기서 한 걸음 더 나아가 앞으로 30일 안에 이탈할 가능성이 높은 고객을 찾으려 할 수도 있습니다.
첫 번째는 이미 관측한 현황을 정리하는 설명적 분석이고, 두 번째는 과거 사례에서 찾은 패턴으로 아직 모르는 결과를 추정하는 예측 분석입니다. 여기에 이탈이 증가한 이유를 찾고자 한다면 진단적 분석을 진행하게 되는 것이고, 어떤 활동을 해야 하는지를 결정하고자 한다면 처방적 분석이 수행됩니다.
개념은 이렇게 나눌 수 있지만 현실의 분석은 훨씬 어수선합니다. “요즘 이탈이 심각하니 분석해 달라”는 요청만 있고, 이탈의 정의나 비교 기간은 정해져 있지 않을 수 있습니다. 필요한 데이터는 여러 부서에 흩어져 있고, 과거 기록은 남아 있지 않으며, 분석이 끝나기도 전에 사업 상황이 달라지기도 합니다.
이런 상황에서 어디서부터 손대야 할지 막막한 것은 당연합니다. 질문을 다시 물어보고, 데이터의 의미를 확인하고, 당장 답할 수 없는 부분을 구분하는 일은 분석을 지연시키는 부수적인 작업이 아닙니다. 오히려 현실의 데이터 분석을 성립시키는 가장 중요한 작업입니다.
‘사업을 위한 데이터 사이언스’ 시리즈는 이런 현실적인 문제에서 출발합니다. 첫 번째 글에서는 데이터 분석의 네 가지 방향을 구분하고, 질문 구체화부터 결과 도출까지의 기본 과정을 살펴보겠습니다. 지금 분석이 질문이나 데이터 단계에서 멈춰 있더라도 괜찮습니다. 현재 어디에서 막혀 있는지 알아내는 것부터 이미 분석은 시작되고 있습니다.
1. 데이터 분석의 네 가지 방향: 설명적 분석, 진단적 분석, 예측 분석, 처방적 분석
데이터 분석은 하나의 질문에 답하는 활동이 아닙니다. 이미 일어난 현황을 정리할 수도 있고, 변화가 발생한 이유를 찾거나, 앞으로의 결과를 예측하거나, 여러 선택지 가운데 실행할 행동을 결정할 수도 있습니다. 가트너(Gartner)의 정의에 따르면, 이 데이터 분석의 방향은 네 가지로 나뉠 수 있다고 말합니다.
- 설명적 분석(Descriptive Analytics)
- 진단적 분석(Diagnostic Analytics)
- 예측 분석(Predictive Analytics)
- 처방적 분석(Prescriptive Analytics)
여기서 네 가지는 서로 완전히 분리된 분석 기법이나 반드시 순서대로 완료해야 하는 단계가 아닙니다. 분석을 통해 어떤 답을 얻으려는지를 구분하는 네 가지 방향에 가깝습니다.
| 분석 방향 | 핵심 질문 | 주요 결과 | 해결하고자 하는 질문 예시 |
|---|---|---|---|
| 설명적 분석 | 무엇이 일어났는가? 현재 무슨 일이 일어나고 있는가? | 건수·비율·분포·집단 차이·추세 | 지난달 이탈률과 요금제별 이탈률은 얼마인가? |
| 진단적 분석 | 왜 그런 일이 일어났는가? | 관련 요인·차이가 발생한 위치·원인 후보 | 신규 고객의 이탈률이 높아진 이유는 무엇인가? |
| 예측 분석 | 앞으로 무엇이 일어날 가능성이 높은가? | 범주·확률·수치·순위·전망 | 앞으로 30일 안에 이탈할 가능성이 높은 고객은 누구인가? |
| 처방적 분석 | 원하는 결과를 얻으려면 무엇을 해야 하는가? | 행동 규칙·추천·자원 배분·최적 실행안 | 제한된 예산과 인력으로 어떤 고객에게 어떤 유지 활동을 해야 하는가? |
1) 설명적 분석: 이미 관측한 현황을 구조적으로 정리
무엇이 일어났는가?
현재 무슨 일이 일어나고 있는가?
설명적 분석은 이미 일어났거나 현재 일어나고 있는 현황을 정리합니다. 설명적 분석에서는 관측한 데이터를 집계하고 비교해 사건의 규모, 대표적인 수준, 분포, 집단 차이와 시간에 따른 변화를 확인합니다. 결과는 숫자, 표, 그래프, 보고서나 대시보드 형태로 제시할 수 있습니다. 여기서 설명적이라는 말은 현상의 원인을 직접적으로 설명한다기보다, 주어진 데이터의 표면적 특성을 읽어낸다는 말에 가깝습니다.
예를 들어, 특정 요금제의 이탈률이 다른 요금제보다 높다는 사실은 관측된 차이를 보여 줄 뿐, 요금제 때문에 고객이 이탈했다고 증명하지는 않습니다. 설명적 분석이 설명하는 대상은 우선 데이터에 무엇이 기록되어 있는가입니다.
구독 서비스에서 고객 이탈이 늘어난 것처럼 보인다면 다음과 같은 질문을 던질 수 있습니다.
- 지난달 자발적 이탈 고객은 몇 명인가?
- 지난달 자발적 이탈률은 얼마인가?
- 최근 6개월 동안 이탈률은 어떻게 변했는가?
- 어떤 요금제와 가입 기간에서 이탈률이 높게 관측되었는가?
- 최근 가입한 고객과 장기 고객의 유지율은 어떻게 다른가?
예를 들어 전체 이탈률이 지난달 3%에서 이번 달 5%로 상승했고, 특히 가입 후 30일 이내 고객에게서 높은 이탈률이 관측되었다고 가정해 보겠습니다.
이 결과로 다음과 같이 말할 수 있습니다.
전체 이탈률이 상승했으며, 관측된 상승분은 신규 고객 집단에서 특히 크게 나타났습니다.
그러나 설명적 분석만으로는 신규 고객이 왜 이탈했는가 또는 현재 고객 가운데 앞으로 누가 이탈할 것인가까지 알 수 없습니다. 설명적 분석은 문제가 얼마나 크고 어디에서 두드러지게 나타나는지를 보여 줍니다. 그 차이가 발생한 이유를 알아보려면 질문을 진단적 분석의 방향으로 바꿔야 합니다.
설명적 분석에서 자주 사용되는 방법론과 사례
| 방법론 | 무엇을 하는가 | 비즈니스 사례 | 해석할 때 주의할 점 |
|---|---|---|---|
| KPI 집계와 보고 | 정한 기준으로 건수·금액·비율을 계산 | 월간 자발적 이탈 고객 수와 이탈률 계산, 분기별 원자재 구매액 집계 | 분자·분모·기간·분석 대상의 정의가 같아야 비교할 수 있음 |
| 기술통계 | 평균·중앙값·최빈값·표준편차·분위수 등으로 데이터의 특징을 요약 | 고객의 월 이용 횟수와 결제 금액의 대표값·분포 확인 | 평균 하나만 보면 극단값과 치우친 분포를 놓칠 수 있음 |
| 교차표와 세그먼트 분석 | 범주를 기준으로 집단을 나누어 건수와 비율을 비교 | 요금제·가입 기간·유입 채널별 이탈률 비교 | 집단이 작거나 구성 비율이 다르면 차이가 크게 흔들릴 수 있음 |
| 코호트 분석 | 같은 시점이나 사건을 경험한 대상을 묶어 경과 시간에 따른 행동을 비교 | 가입 월별 첫 1·3·6개월 유지율 비교 | 코호트 차이가 특정 정책의 효과를 자동으로 증명하지는 않음 |
| 추세 분석 | 일정 기간의 지표를 시간 순서로 놓고 증가·감소와 반복 패턴을 확인 | 최근 12개월 이탈률, 매출과 고객 문의량의 변화 확인 | 관측된 추세가 앞으로도 이어진다고 단정할 수 없음 |
| 이동평균과 동일 기간 비교 | 단기 변동을 완화하거나 계절성이 비슷한 기간끼리 비교 | 일별 이탈 건수의 7일 이동평균, 올해와 작년 같은 달의 예약 건수 비교 | 이동평균 기간에 따라 변화가 과도하게 완화되거나 늦게 나타날 수 있음 |
| 데이터 시각화 | 표와 그래프로 집단 차이·분포·추세를 전달 | 요금제별 이탈률 막대그래프, 월별 이탈률 선그래프, 이용량 히스토그램 | 축, 구간, 색상과 정렬 방식에 따라 차이가 과장되거나 축소될 수 있음 |
| 대시보드와 BI 보고 | 여러 지표를 한곳에서 반복적으로 관찰 | 전체 이탈률, 신규 고객 유지율, 결제 실패율을 운영 대시보드에서 모니터링 | 지표가 많다고 분석이 깊어지는 것은 아니며 각 지표의 사용 목적이 필요함 |
2) 진단적 분석: 관측된 변화가 어디에서 비롯되었는지 추적
왜 그런 일이 일어났는가?
진단적 분석은 설명적 분석에서 발견한 변화나 차이가 왜 발생했는지 살펴봅니다. 진단적 분석에서는 전체 결과를 더 작은 집단으로 나누거나, 관련된 다른 데이터를 연결해 변화와 함께 나타난 요인을 찾습니다.
앞선 고객 이탈 사례에서는 신규 고객의 이탈률이 높아진 시점에 다음과 같은 변화가 함께 있었는지 확인할 수 있습니다.
- 가입 직후 핵심 기능을 사용한 고객 비율이 낮아졌는가?
- 첫 결제 실패가 증가했는가?
- 고객 지원 문의의 처리 시간이 길어졌는가?
- 특정 유입 채널에서 들어온 신규 고객 비중이 커졌는가?
- 온보딩 화면이나 가격 정책이 변경되었는가?
분석 결과 온보딩 화면을 변경한 시점부터 핵심 기능을 사용하지 않은 신규 고객의 이탈률이 함께 상승했다고 가정해 보겠습니다. 이 결과는 온보딩 과정이 원인일 가능성을 조사할 근거가 됩니다.
하지만 함께 나타난 관계가 곧 원인을 증명하지는 않습니다. 온보딩 화면 변경과 이탈률 상승이 같은 시기에 발생했다는 사실은 원인 후보를 보여 주지만, 화면 변경이 실제로 이탈을 일으켰다는 사실까지 자동으로 증명하지는 않습니다. 같은 시기에 유입 채널, 가격, 고객 구성이나 경쟁 환경이 달라졌을 수도 있습니다. 원인을 더 강하게 주장하려면 실험, 인과 추론, 사용자 조사나 추가적인 업무 맥락이 필요합니다.
따라서 진단적 분석의 결과는 단일한 정답이라기보다 다음 조사나 실험에서 확인할 원인 후보와 설명 가설인 경우가 많습니다.
진단적 분석에서 자주 사용되는 방법론과 사례
| 방법론 | 무엇을 하는가 | 비즈니스 사례 | 해석할 때 주의할 점 |
|---|---|---|---|
| 드릴다운 | 전체 결과를 더 작은 집단이나 세부 항목으로 나누어 차이가 발생한 위치를 찾음 | 전체 이탈률→요금제별→가입 기간별→유입 채널별 이탈률로 내려가 문제 집단 확인 | 계속 집단을 나누면 우연히 큰 차이가 나타난 작은 집단을 중요하게 볼 수 있음 |
| 데이터 디스커버리와 탐색적 분석 | 여러 변수와 분포를 살펴보며 예상하지 못한 패턴과 이상 징후를 발견 | 이탈 고객에게서 이용량 감소, 결제 실패와 문의 증가가 함께 나타나는지 탐색 | 탐색 과정에서 발견한 패턴은 확인할 가설이지 확정된 결론이 아님 |
| 상관관계 분석 | 두 변수가 같은 방향 또는 반대 방향으로 움직이는 정도를 측정 | 서비스 이용 횟수가 감소할수록 이탈률이 높아지는 관계 확인 | 상관관계는 인과관계를 증명하지 않음 |
| 가설검정 | 관측된 집단 차이가 우연한 변동만으로 설명되기 어려운지 확인 | 신규 온보딩 적용 전후 고객의 초기 이탈률 차이 검토 | 통계적으로 유의한 차이가 사업적으로도 중요한 차이라는 뜻은 아님 |
| 회귀 분석 | 다른 조건을 함께 고려하면서 특정 변수와 결과의 관계를 추정 | 요금제·가입 기간·유입 채널을 함께 고려해 이용량 감소와 이탈의 관계 분석 | 포함하지 않은 변수와 잘못된 모델 가정 때문에 결과가 달라질 수 있으며 계수를 곧바로 인과 효과로 해석하면 안 됨 |
| 근본 원인 분석 | 반복적인 질문과 증거 수집으로 문제의 표면적 증상에서 근본 원인 후보로 내려감 | 신규 고객 이탈 증가→핵심 기능 미사용→온보딩 완료율 하락→가입 과정 오류의 연결 조사 | 5 Whys 같은 방법은 분석자의 가정에 영향을 받으므로 데이터와 현업 증거로 확인해야 함 |
| 프로세스 마이닝 | 시스템에 기록된 이벤트 순서를 재구성해 정상 흐름과 이탈 흐름의 차이를 분석 | 가입→인증→첫 결제→핵심 기능 사용 과정에서 고객이 가장 많이 중단되는 단계 확인 | 이벤트 로그가 실제 업무 과정을 충분히 기록하고 있어야 함 |
| 텍스트·피드백 분석 | 문의, 리뷰, 설문과 해지 사유에서 반복되는 주제를 찾음 | 이탈 고객의 해지 사유에서 가격·사용성·콘텐츠 부족 관련 표현 분류 | 응답한 고객만 포함되므로 전체 이탈 고객의 의견으로 일반화하기 어려움 |
| 실험과 인과 분석 | 특정 변화가 결과를 실제로 바꾸었는지 비교 가능한 집단을 이용해 확인 | 새로운 온보딩이 초기 이탈률을 낮추는지 A/B 테스트로 확인 | 실험 설계, 표본 크기와 다른 동시 변화의 영향을 확인해야 함 |
3) 예측 분석: 아직 모르는 결과가 일어날 가능성을 추정
앞으로 무엇이 일어날 가능성이 높은가?
예측 분석은 과거 데이터에서 발견한 패턴을 이용해 아직 결과를 모르는 새로운 사례나 미래 시점의 결과를 추정합니다. 예측 분석은 미래를 확정하는 것이 아니라 발생 가능한 결과와 그 불확실성을 추정합니다.
예측 결과는 여러 형태로 나타날 수 있습니다.
- 고객이 이탈할지 여부와 같은 범주(Classification)
- 고객별 이탈 확률
- 다음 달 예상 매출이나 예약 건수
- 위험도가 높은 고객의 순위
- 미래 시점의 수요 전망과 예측 구간
- 여러 조건에서 발생할 수 있는 결과의 범위
고객 이탈 문제에서는 다음과 같이 예측 질문을 구체화할 수 있습니다.
오늘까지 알고 있는 고객의 이용·결제·문의 기록을 사용해 앞으로 30일 안에 자발적으로 이탈할 가능성을 추정할 수 있는가?
이를 위해 과거 고객의 특정 기준 시점까지의 정보와, 그 뒤 30일 동안 실제로 이탈했는지를 함께 준비합니다. 모델은 과거 사례에서 이용량 감소, 마지막 이용 후 경과일, 결제 실패, 문의 이력과 이탈 사이의 패턴을 학습합니다.
새로운 고객에게 모델을 적용하면 다음과 같은 결과를 얻을 수 있습니다.
| 고객 | 30일 이내 이탈 확률 | 위험 순위 |
|---|---|---|
| 고객 A | 82% | 1 |
| 고객 B | 68% | 2 |
| 고객 C | 21% | 3 |
이 결과는 고객 A가 반드시 이탈한다는 뜻이 아닙니다. 비슷한 조건을 가진 고객에게서 이탈이 관측될 가능성이 상대적으로 높다는 추정입니다.
예측 분석은 무슨 일이 일어날 가능성이 높은가에 답하지만, 그 결과를 바꾸려면 무엇을 해야 하는가에는 직접 답하지 않습니다.
고객 A의 이탈 확률이 높다고 해서 할인을 제공하면 반드시 남는다는 뜻은 아닙니다. 위험이 높은 고객과 특정 활동 때문에 행동이 달라질 고객은 서로 다를 수 있습니다. 어떤 행동을 선택할지는 처방적 분석과 의사결정의 영역으로 넘어갑니다.
진단적 분석에서 자주 사용되는 방법론과 사례
| 방법론 | 무엇을 하는가 | 비즈니스 사례 | 해석할 때 주의할 점 |
|---|---|---|---|
| 분류 모델 | 새로운 사례가 어느 범주에 속할지 예측 | 고객의 30일 이내 이탈/유지, 거래의 사기/정상, 이메일의 스팸/정상 예측 | 범주가 불균형하면 정확도만으로 성능을 판단하기 어려움 |
| 로지스틱 회귀 | 여러 입력을 결합해 특정 사건이 발생할 확률을 추정 | 이용량·결제 상태·문의 기록으로 고객별 이탈 확률 계산 | 입력과 결과의 관계를 인과관계로 해석해서는 안 됨 |
| 선형 회귀 | 하나 이상의 입력을 이용해 연속적인 숫자를 예측 | 다음 달 고객별 이용 횟수·매출·주문 금액 예측 | 관계가 비선형이거나 극단값이 많으면 예측이 흔들릴 수 있음 |
| 의사결정 트리 | 입력값의 조건을 차례로 나누어 범주나 수치를 예측 | 최근 이용 없음→결제 실패 있음→고위험과 같은 조건으로 이탈 위험 추정 | 나무가 너무 깊으면 과거 데이터의 우연까지 학습하는 과적합이 발생할 수 있음 |
| 앙상블 모델 | 여러 모델이나 트리의 예측을 결합 | 랜덤 포레스트·그래디언트 부스팅으로 고객 이탈과 신용 위험 예측 | 성능이 높아질 수 있지만 개별 예측을 설명하기 어려워질 수 있음 |
| 신경망 | 여러 층의 계산을 통해 복잡하고 비선형적인 패턴을 학습 | 고객 행동 순서로 이탈 예측, 이미지로 제품 불량 탐지, 텍스트로 문의 유형 분류 | 많은 데이터와 계산 자원이 필요하며 결과 설명과 운영 관리가 어려울 수 있음 |
| 시계열 예측 | 시간 순서와 추세·계절성·반복 패턴을 이용해 미래값을 예측 | 다음 12주의 전체 이탈 건수, 월별 수요, 시간대별 문의량 전망 | 미래 데이터가 학습에 섞이지 않도록 시간 순서에 맞춰 검증해야 함 |
| 생존 분석 | 사건이 발생할지뿐 아니라 발생하기까지 걸리는 시간을 추정 | 고객이 이탈하기까지 남은 기간, 기계가 고장 나기까지의 시간 예측 | 관찰 기간 안에 사건이 발생하지 않은 사례를 적절히 처리해야 함 |
| 패턴 매칭과 유사 사례 탐색 | 과거의 유사한 패턴을 찾아 새로운 사례의 결과를 추정 | 과거 이탈 고객과 행동이 비슷한 현재 고객 탐색, 유사 거래 기반 사기 탐지 | 유사하다는 사실이 같은 결과를 보장하지 않음 |
| 시뮬레이션 | 여러 가정과 확률을 사용해 가능한 결과의 범위를 반복적으로 계산 | 신규 가입·이탈률 변동에 따른 다음 분기 고객 수의 가능한 범위 추정 | 입력한 가정과 확률 분포가 비현실적이면 결과도 신뢰하기 어려움 |
4) 처방적 분석: 목표와 제약조건을 고려해 실행할 행동을 선택
무엇을 해야 하는가?
원하는 결과를 만들기 위해 무엇을 할 수 있는가?
처방적 분석은 예상되는 결과를 바탕으로 어떤 행동을 해야 하는지 계산하거나 추천합니다. 처방적 분석에는 크게 두 가지 접근이 포함됩니다.
- 규칙 기반 접근: 조직이 이미 알고 있는 정책과 업무 규칙을 구조화해 행동을 결정합니다.
- 최적화 접근: 목표와 제약조건을 수학적으로 정의하고 가능한 선택지 가운데 가장 나은 결과를 찾습니다.
고객 이탈 문제에서는 단순히 위험도가 높은 고객을 찾는 것만으로 업무 계획을 만들 수 없습니다. 다음과 같은 조건을 함께 고려해야 합니다.
- 고객 성공팀이 하루에 연락할 수 있는 고객은 100명입니다.
- 할인 예산은 한 달에 1천만 원으로 제한되어 있습니다.
- 모든 고객에게 같은 혜택을 제공할 수는 없습니다.
- 할인 없이도 남을 고객에게 불필요한 비용을 써서는 안 됩니다.
- 과도한 연락이 고객 경험을 해치지 않아야 합니다.
처방적 분석은 이러한 목표와 제약조건을 함께 사용해 다음과 같은 실행안을 만들 수 있습니다.
| 고객 집단 | 예상 위험 | 선택할 행동 |
|---|---|---|
| 결제 실패가 있는 고위험 고객 | 높음 | 결제 수단 갱신 안내 |
| 핵심 기능을 사용하지 않은 신규 고객 | 높음 | 온보딩 지원 메시지 |
| 문의가 해결되지 않은 고객 | 높음 | 고객 지원팀의 우선 상담 |
| 위험은 높지만 연락 거부 고객 | 높음 | 직접 연락 대상에서 제외 |
규칙 기반 접근에서는 결제 실패 고객에게 결제 수단 갱신 안내를 보낸다와 같은 업무 규칙을 적용할 수 있습니다. 최적화 접근에서는 예산, 상담 인원, 예상 유지 효과와 고객 가치를 함께 고려해 누구에게 어떤 활동을 배정할지 계산할 수 있습니다.
다만 처방적 분석도 데이터가 스스로 목표를 정하는 것은 아닙니다. 조직이 무엇을 최적화할지 먼저 결정해야 합니다.
- 단기 이탈률을 낮출 것인가?
- 장기 고객 가치를 높일 것인가?
- 유지 비용을 최소화할 것인가?
- 불필요한 연락을 줄여 고객 경험을 보호할 것인가?
목표가 달라지면 최선의 행동도 달라집니다. 처방적 분석은 객관적인 정답을 자동으로 찾아주는 과정이라기보다, 조직이 정한 목표와 제약조건 안에서 실행 가능한 선택지를 계산하는 과정입니다.
5) 네 가지 분석은 반복해서 오가는 과정
네 가지 방향에서 사용하는 방법을 요약하면 다음과 같습니다.
| 분석 방향 | 대표 방법론 | 방법을 선택하는 기준 |
|---|---|---|
| 설명적 분석 | KPI 집계, 기술통계, 교차표, 코호트, 추세 분석, 시각화 | 관측한 현황에서 무엇을 요약하고 비교할 것인가? |
| 진단적 분석 | 드릴다운, 상관관계, 가설검정, 회귀, 근본 원인 분석, 프로세스 마이닝 | 관측된 변화가 어디에서 발생했고 어떤 요인이 관련되어 있는가? |
| 예측 분석 | 분류, 회귀, 의사결정나무, 신경망, 시계열, 생존 분석, 시뮬레이션 | 아직 모르는 결과가 어떤 형태이며 새로운 사례에서 얼마나 잘 맞는가? |
| 처방적 분석 | 규칙, 최적화, 시뮬레이션, 추천, 복합 이벤트 처리, 업리프트, 강화학습 | 어떤 목표와 제약조건 안에서 어떤 행동을 선택할 것인가? |
네 가지 분석은 순서대로 완료하는 단계가 아닙니다. 같은 사업 문제에서도 필요한 답에 따라 일부 분석을 건너뛰거나, 실행 결과를 확인한 뒤 이전 분석으로 돌아갈 수 있습니다.
고객 이탈 문제를 예로 들면 다음과 같습니다.
[설명적 분석]
최근 이탈률이 3%에서 5%로 상승했다
신규 고객에게서 상승 폭이 특히 크다
│
▼
[진단적 분석]
신규 고객의 결제 실패가 증가했고
결제 실패 이후 이탈이 집중되었다
│
├─ 원인과 대응이 비교적 명확한가?
│
│ 예
│ ▼
│ [처방적 분석]
│ 결제 실패 고객에게
│ 결제 수단 변경 안내를 보낸다
│
└─ 제한된 인력으로 일부 고객만 지원해야 하는가?
예
▼
[예측 분석]
고객별 30일 이탈 확률을 계산하고
지원할 고객의 우선순위를 정한다
│
▼
[처방적 분석]
예산·상담 인력·고객 상태를 고려해
고객별 지원 방법을 배정한다
│
▼
[활동 실행]
│
▼
[다시 설명적 분석]
안내 대상의 결제 복구율과 실제 이탈률은 어떻게 달라졌는가?
│
├─ 기대한 결과가 나타남 → 지속적으로 관찰
│
└─ 기대와 다름 → 진단적 분석으로 돌아가 원인 재검토결제 실패처럼 원인과 대응이 비교적 명확하면 예측 분석을 거치지 않고 진단적 분석에서 처방적 분석으로 이동할 수 있습니다. 반면 모든 고객에게 대응할 수 없어 우선순위를 정해야 한다면 예측 분석이 필요합니다.
실행 이후에는 결과가 새로운 데이터로 쌓입니다. 이 데이터를 다시 설명적 분석으로 확인하고, 예상과 다른 결과가 나타나면 진단적 분석으로 돌아갑니다. 따라서 네 가지 분석은 고정된 직선적 과정이 아니라 필요한 질문에 따라 분기하고 다시 연결되는 방향입니다.
2. 데이터 분석의 기본 과정: 질문 구체화 → 필요 데이터 파악 → 전처리 → 분석 → 결과 도출
앞에서 살펴본 네 가지 분석 방향의 해결하고자 하는 질문들은 각각 성격이 다르지만, 질문을 데이터로 확인하고 결과를 도출하는 기본 과정은 상당히 유사합니다. 데이터 분석은 기본적으로 다음 과정을 필수적으로 거칩니다.
[1. 질문 구체화]
무엇을, 왜 알고 싶은가?
↓
[2. 필요 데이터 파악]
질문에 답하려면 어떤 데이터가 필요한가?
↓
[3. 데이터 전처리]
데이터를 어떤 기준으로 정리할 것인가?
↓
[4. 분석]
어떤 방법으로 질문에 답할 것인가?
↓
[5. 결과 도출]
결과로 무엇을 말할 수 있고 무엇을 해야 하는가?다만 실제 분석은 한 방향으로만 진행되지 않습니다. 필요한 데이터가 없으면 질문의 범위를 조정해야 하고, 분석 과정에서 데이터 문제가 발견되면 전처리 단계로 돌아가야 합니다. 결과가 처음의 사업 문제에 충분한 답을 주지 못하면 질문부터 다시 정의할 수도 있습니다.
질문 구체화 → 필요 데이터 파악 → 전처리 → 분석 → 결과 도출
↑ │ │ │
└──────────────┴─────────────┴────────┘
질문·데이터·방법에 문제가 있으면 이전 단계로 돌아감고객 이탈 사례를 중심으로 위의 각 단계를 더 상세하게 알아보도록 하겠습니다.
1) 질문 구체화: 사업 문제를 분석 가능한 질문으로 구체화
데이터 분석은 보유한 데이터에서 바로 통계를 계산하거나 그래프를 그리는 것으로 시작하지 않습니다. 먼저 막연한 사업 문제를 데이터로 확인할 수 있는 질문으로 바꿔야 합니다.
최근 고객 이탈이 심각하다는 말은 사업에서 느끼는 문제를 표현하지만 아직 분석 질문은 아닙니다. 어떤 고객을 대상으로 하는지, 이탈을 무엇으로 정의하는지, 최근이 어느 기간인지와 무엇을 기준으로 심각하다고 판단했는지가 드러나지 않기 때문입니다.
질문이 모호하면 같은 데이터를 사용하는 분석자도 서로 다른 결과를 만듭니다. 누군가는 전체 해지 고객 수를 계산하고, 다른 사람은 월초 고객을 기준으로 이탈률을 계산하며, 또 다른 사람은 신규 고객만 분석할 수 있습니다. 각각의 계산은 맞을 수 있지만 같은 질문에 답한 것은 아닙니다.
따라서 분석 질문은 최소한 다음 기준을 충족해야 합니다.
| 기준 | 질문에서 확인할 내용 |
|---|---|
| 목적이 분명한가? | 무엇을 알고 싶으며, 이 질문에 답해 어떤 불확실성을 줄이려는가? |
| 분석 대상이 명확한가? | 누구 또는 무엇을 분석하며, 한 건의 단위는 무엇인가? |
| 핵심 개념이 정의되어 있는가? | 이탈·활성·매출·전환처럼 질문에 사용한 용어가 무엇을 의미하는가? |
| 범위가 한정되어 있는가? | 어느 기간·지역·상품·고객군을 포함하고 제외하는가? |
| 비교 기준이 있는가? | 변화나 차이를 무엇과 비교해 확인할 것인가? |
| 관측 가능한 질문인가? | 추상적인 상태가 아니라 데이터로 확인할 수 있는 사건이나 값으로 표현되어 있는가? |
| 답을 가정하지 않았는가? | 특정 원인이나 해결책이 맞다고 전제하지 않고 질문을 열어 두었는가? |
| 하나의 중심 질문에 집중하는가? | 서로 다른 여러 문제를 한 문장에 섞지 않았는가? |
(1) 질문의 목적을 먼저 분명히 합니다
질문의 목적은 현재 무엇을 모르고 있으며, 그 불확실성을 줄여 어떤 판단을 돕고 싶은지를 밝히는 것입니다. 예를 들어 고객 이탈을 분석하자보다 다음처럼 목적을 먼저 정할 수 있습니다. 최근 이탈 문제가 전체 고객에게서 나타난 현상인지, 특정 고객 집단에 집중된 현상인지 확인해 추가로 조사할 영역을 정합니다.
이렇게 목적을 정하면 전체 이탈 규모와 시간 변화뿐 아니라 요금제·가입 기간별 차이를 비교해야 한다는 방향이 드러납니다.
(2) 분석 대상과 단위를 명확히 합니다
고객이라는 단어도 분석마다 다른 의미로 사용될 수 있습니다.
- 회원으로 가입한 모든 사용자
- 현재 유료 구독 중인 고객
- 월초에 활성 상태였던 고객
- 결제 이력이 한 번 이상 있는 계정
- 하나의 구독 계약
고객 한 명이 여러 계정이나 구독 계약을 보유할 수도 있으므로 무엇을 한 건으로 계산할지도 정해야 합니다.
고객 이탈률을 분석한다면 각 월의 첫날에 활성 상태였던 유료 구독 고객처럼 분석 대상을 구체적으로 표현할 수 있습니다.
(3) 질문에 사용한 핵심 개념을 관측 가능한 사건으로 정의합니다
이탈, 활성, 충성 고객, 성과가 좋은 고객 같은 표현은 그대로 계산할 수 없습니다. 어떤 상태나 사건을 해당 개념으로 판단할지 정의해야 합니다.
예를 들어 이탈은 다음처럼 여러 의미로 사용될 수 있습니다.
- 고객이 직접 구독을 해지함
- 결제 실패로 구독이 종료됨
- 일정 기간 서비스에 접속하지 않음
- 무료 체험 후 유료 전환하지 않음
이 글의 사례에서는 고객이 직접 구독을 해지한 경우를 자발적 이탈로 정의할 수 있습니다. 결제 실패나 장기 미사용은 별도의 상태로 구분합니다. 이렇게 해야 분석자가 동일한 고객과 사건을 같은 기준으로 집계할 수 있습니다.
(4) 분석의 시간과 포함 범위를 한정합니다
최근, 요즘, 장기 고객처럼 경계가 없는 표현은 구체적인 기간으로 바꿔야 합니다.
- 최근: 2026년 2분기
- 이전 기간: 2026년 1분기
- 신규 고객: 가입 후 30일 이내
- 장기 고객: 가입 후 12개월 이상
분석 기간뿐 아니라 어떤 고객과 사건을 제외할지도 필요할 수 있습니다. 내부 테스트 계정, 무료 체험 사용자나 기업 계약 고객을 제외한다면 그 범위를 질문 또는 질문 정의에 함께 기록해야 합니다.
(5) 변화와 차이를 확인할 비교 기준을 정합니다
숫자 하나만으로는 상태의 의미를 판단하기 어렵습니다. 이탈률이 5%라는 사실만으로 높아졌는지, 특정 집단에서 두드러지는지 알 수 없습니다.
질문에 따라 다음과 같은 비교 기준을 둘 수 있습니다.
- 이전 월이나 이전 분기
- 전년 같은 기간
- 요금제
- 가입 기간
- 지역
- 유입 채널
- 목표값이나 내부 기준
고객 이탈 사례에서는 2026년 2분기를 1분기와 비교하고, 요금제와 가입 기간별 차이를 함께 살펴볼 수 있습니다. 모든 질문에 비교가 반드시 필요한 것은 아닙니다. 다만 증가했다, 높다, 차이가 있다처럼 변화나 상대적인 상태를 묻는 질문이라면 무엇과 비교하는지 반드시 밝혀야 합니다.
(7) 데이터로 관측할 수 있는 질문으로 표현합니다
고객이 우리 서비스를 싫어하는가?는 그대로 데이터에서 확인하기 어렵습니다. 고객의 감정이나 동기를 직접 알고 싶다면 설문, 인터뷰나 해지 사유가 필요합니다.
현재 확보 여부와 관계없이, 질문에서 어떤 관측을 통해 개념을 확인할 것인지는 설명할 수 있어야 합니다.
예를 들어 다음처럼 바꿀 수 있습니다.
- 고객 만족도 설문 점수와 부정적인 해지 사유는 어떻게 변했는가?
두 번째 질문은 만족도와 해지 사유라는 관측 가능한 정보로 표현되어 있습니다. 해당 데이터가 실제로 존재하는지는 다음 단계에서 확인합니다.
(8) 특정 원인이나 답을 질문에 미리 넣지 않습니다
온보딩 화면이 나빠져서 신규 고객의 이탈률이 증가했는가?
위 질문은 이미 원인을 가정하고 있습니다. 이 질문으로 분석을 시작하면 온보딩 화면이 원인이라는 증거만 찾고, 유입 채널·가격·결제 실패와 같은 다른 가능성을 놓칠 수 있습니다.
다음처럼 중립적으로 표현하는 편이 적절합니다.
신규 고객의 이탈률이 상승한 기간에 온보딩 완료율, 첫 주 이용 행동, 결제 실패와 유입 채널 구성은 각각 어떻게 변했는가?
이 질문은 확인할 영역을 정하면서도 특정 원인이 맞다고 전제하지 않습니다.
(9) 하나의 중심 질문과 하위 질문을 구분합니다
여러 질문을 한 문장에 모두 넣으면 분석 범위가 불필요하게 커집니다. 중심 질문 하나를 정하고, 그 질문에 답하기 위한 하위 질문으로 나누는 편이 좋습니다.
중심 질문
2026년 2분기 자발적 이탈률 상승은
어느 고객 집단에서 두드러지게 나타났는가?
하위 질문
- 월별 자발적 이탈률은 1분기보다 어떻게 변했는가?
- 요금제별 이탈률은 어떻게 다른가?
- 가입 기간별 이탈률은 어떻게 다른가?
- 최근 가입 코호트의 초기 유지율은 이전 코호트와 다른가?(10) 조건을 반영해 최종 질문을 구체화합니다
처음의 사업 문제는 다음과 같았습니다.
최근 고객 이탈이 심각합니다.
앞에서 정한 기준을 적용하면 다음과 같이 바꿀 수 있습니다.
[목적]
이탈 문제가 집중된 고객 집단을 찾아
추가 조사의 우선순위를 정한다.
[분석 대상]
각 월의 첫날에 활성 상태였던 유료 구독 고객
[핵심 개념]
해당 월 안에 고객이 직접 구독을 해지한 경우를
자발적 이탈로 정의한다.
[분석 범위]
2026년 2분기
[비교 기준]
2026년 1분기
요금제와 가입 기간이를 하나의 분석 질문으로 합치면 다음과 같습니다.
2026년 2분기 월초 활성 유료 고객의 월간 자발적 이탈률은 1분기보다 어떻게 변했으며, 이 변화는 요금제와 가입 기간별로 어떻게 다르게 나타났는가?
질문이 이 정도로 구체화되어야 다음 단계에서 어떤 데이터가 필요한지 빠짐없이 파악할 수 있습니다.
2) 필요한 데이터 파악: 질문에 답하려면 어떤 정보를 수집해야 하는가
질문을 구체화했다면, 그 질문에 답하는 데 필요한 데이터가 무엇인지 파악해야 합니다. 필요한 데이터가 모두 하나의 시스템에 정리되어 있는 경우는 드뭅니다. 고객의 가입 정보는 고객 관리 시스템에, 결제 내역은 결제 시스템에, 서비스 이용 행동은 로그 저장소에 기록될 수 있습니다. 필요한 정보가 아예 수집되지 않았거나, 현재 값만 남아 있어 과거 상태를 확인할 수 없는 경우도 있습니다.
따라서 필요한 데이터 파악은 다음 네 가지 작업으로 구성됩니다.
| 확인할 내용 | 핵심 질문 |
|---|---|
| 1. 필요한 정보 구체화 | 질문에 답하려면 어떤 상태와 사건을 확인해야 하는가? |
| 2. 데이터 출처 확인 | 해당 기록은 어느 시스템이나 자료에 저장되어 있는가? |
| 3. 확보 가능성 점검 | 필요한 대상과 기간의 데이터를 실제로 가져올 수 있는가? |
| 4. 부족한 데이터에 대한 대응 | 데이터가 없거나 불완전하면 복원·대체·추가 수집·범위 조정 중 무엇이 필요한가? |
(1) 질문에 포함된 개념을 필요한 정보로 바꿉니다
분석 질문에는 고객, 주문, 해지, 매출처럼 사업에서 사용하는 개념이 들어갑니다. 데이터 시스템에는 이러한 개념이 그대로 저장되기보다 여러 상태와 이벤트로 나뉘어 기록됩니다. 따라서 질문의 각 요소를 어떤 기록으로 확인할 수 있는지 구체화해야 합니다.
다음 질문을 예로 들어 보겠습니다.
2026년 2분기 월초 활성 유료 고객의 월간 자발적 이탈률은 1분기보다 어떻게 변했으며, 이 변화는 요금제와 가입 기간별로 어떻게 다르게 나타났는가?
| 질문에서 확인할 내용 | 필요한 기록 |
|---|---|
| 분석 대상 고객 | 고객 또는 구독 식별자 |
| 월초 활성 유료 상태 | 구독 상태와 상태 적용 기간, 유료 결제 상태 |
| 자발적 이탈 발생 여부 | 해지 사건, 해지 유형, 해지 발생 시점 |
| 분석 기간 구분 | 상태와 사건이 발생하거나 적용된 날짜 |
| 요금제별 구분 | 해당 기준 시점의 요금제와 요금제 변경 이력 |
| 가입 기간별 구분 | 가입일 또는 구독 시작일 |
여기서 중요한 것은 현재 값과 과거 기록을 구분하는 것입니다. 현재 고객 상태만으로는 해당 고객이 지난 분기 월초에 활성 상태였는지 알 수 없습니다. 현재 요금제만 남아 있다면 요금제를 변경한 고객이 과거에 어떤 요금제를 이용했는지도 확인하기 어렵습니다.
과거 시점의 상태를 묻는 질문에는 현재 상태가 아니라 상태 변경 이력이나 시점별 정보가 필요합니다. 특정 사건의 발생 여부를 묻는 질문에는 사건의 종류와 발생 시점이 기록되어 있어야 합니다.
(2) 필요한 기록이 어디에 저장되어 있는지 확인합니다
필요한 기록을 정리했다면 각 기록의 출처를 찾습니다. 이때 출처는 사내 데이터베이스만을 의미하지 않습니다. 업무 시스템, 서비스 로그, 설문, 문서, 외부 데이터처럼 분석에 사용할 수 있는 자료를 모두 검토할 수 있습니다.
고객 이탈 사례에서는 다음과 같이 데이터가 분산되어 있을 수 있습니다.
| 필요한 기록 | 예상 출처 | 확인할 내용 |
|---|---|---|
| 고객·구독 식별자 | 고객 관리 시스템, 구독 시스템 | 시스템 간 기록을 연결할 식별자가 있는가? |
| 구독 상태 이력 | 구독 관리 시스템 | 상태의 적용 시점과 변경 이력이 보관되는가? |
| 결제 상태 | 결제 시스템 | 결제 성공, 실패, 환불을 구분할 수 있는가? |
| 해지 사건과 유형 | 구독 시스템, 해지 화면 | 자발적 해지와 결제 실패 종료를 구분할 수 있는가? |
| 요금제 이력 | 상품·구독 시스템 | 변경 전 요금제와 적용 기간이 남아 있는가? |
| 가입일 | 고객 관리 시스템 | 최초 가입, 재가입, 구독 갱신을 구분할 수 있는가? |
하나의 정보를 여러 시스템에서 제공할 수도 있습니다. 예를 들어 고객 상태가 고객 관리 시스템과 결제 시스템에 모두 존재하지만 갱신 시점이나 의미가 다를 수 있습니다. 이 경우 단순히 접근하기 쉬운 자료를 선택하는 것이 아니라, 질문에서 정의한 상태와 가장 일치하는 기록이 무엇인지 확인해야 합니다.
여러 출처를 함께 사용해야 한다면 서로 연결할 방법도 확인합니다. 고객 ID, 구독 ID, 주문 ID처럼 공통으로 사용하는 식별자가 없다면 각 시스템에 필요한 데이터가 존재하더라도 같은 고객의 기록으로 결합하지 못할 수 있습니다.
(3) 필요한 범위의 데이터를 실제로 확보할 수 있는지 점검합니다
데이터 항목이 존재한다는 사실만으로 분석에 사용할 수 있다고 판단해서는 안 됩니다. 질문에서 요구한 대상과 기간을 충분히 포함하는지 확인해야 합니다.
| 점검 기준 | 확인할 질문 |
|---|---|
| 대상의 포괄성 | 분석 대상에 포함되는 고객이나 사건이 모두 기록되는가? |
| 기간의 포괄성 | 질문에서 요구한 시작일부터 종료일까지 자료가 남아 있는가? |
| 이력의 보존 | 현재 값뿐 아니라 과거 상태와 변경 내역을 확인할 수 있는가? |
| 기록의 상세 수준 | 질문에 필요한 고객별·사건별 기록이 남아 있는가, 이미 집계된 값만 있는가? |
| 출처 간 연결 가능성 | 여러 시스템의 기록을 연결할 공통 식별자가 있는가? |
| 접근 가능성 | 권한, 개인정보 보호, 보관 정책상 해당 데이터를 사용할 수 있는가? |
| 수집 범위의 편향 | 특정 기기, 채널, 지역 또는 고객에게만 기록되는 데이터는 아닌가? |
예를 들어 월별 전체 이탈률만 저장되어 있다면 분기별 추세는 확인할 수 있지만, 요금제별이나 가입 기간별로 다시 나누어 분석할 수 없습니다. 고객별 기록이 필요하지만 이미 전체 수치로 집계된 데이터만 남아 있기 때문입니다.
서비스 이용 로그가 최근 90일 동안만 보관된다면 6개월 전 고객 행동은 분석할 수 없습니다. 설문 결과가 있더라도 응답 고객만 포함되어 있다면 전체 고객의 의견을 보여 주는 자료로 곧바로 간주할 수 없습니다.
중복 기록을 제거하거나, 날짜 형식을 통일하거나, 값 누락을 처리하는 작업은 전처리 단계에서 수행합니다.
(4) 필요한 데이터가 없다면 대응 방법을 결정합니다
질문에 필요한 데이터와 실제 보유한 데이터를 대조하면 일부 정보가 없거나 충분하지 않은 경우가 나타납니다. 이때 비슷해 보이는 값을 임의로 대신 사용하면 원래 질문과 실제 분석 결과가 서로 다른 대상을 설명하게 됩니다.
부족한 데이터는 다음과 같이 구분하여 대응할 수 있습니다.
| 대응 방법 | 적용할 수 있는 경우 |
|---|---|
| 다른 기록에서 복원 | 변경 로그, 거래 기록, 백업 자료로 과거 값을 재구성할 수 있을 때 |
| 여러 출처를 결합 | 필요한 정보가 서로 다른 시스템에 나뉘어 있을 때 |
| 대체 지표 사용 | 원래 개념과의 차이를 명확히 설명해도 질문의 목적이 유지될 때 |
| 분석 기간이나 대상 축소 | 일부 기간이나 집단을 제외해도 핵심 질문에 답할 수 있을 때 |
| 질문 수정 | 현재 데이터로는 원래 질문에 답할 수 없지만 더 제한된 질문에는 답할 수 있을 때 |
| 새로운 데이터 수집 | 앞으로의 분석과 의사결정에 반드시 필요한 정보일 때 |
| 분석 보류 | 핵심 데이터가 없고 타당한 복원이나 대체 방법도 없을 때 |
예를 들어 과거 요금제 이력이 없다면 현재 요금제로 과거 고객까지 분류해서는 안 됩니다. 다른 변경 기록으로 과거 요금제를 복원하거나, 이력이 저장되기 시작한 시점 이후로 분석 기간을 줄여야 합니다. 요금제별 비교가 분석의 핵심이 아니라면 해당 비교를 질문에서 제외하는 방법도 있습니다.
해지 사유가 기록되지 않았다면 이용량 감소나 문의 증가를 해지 사유로 대체할 수도 없습니다. 이 데이터는 해지 전에 함께 나타난 행동일 수는 있지만, 고객이 해지를 결정한 이유를 직접 보여 주지는 않기 때문입니다. 해지 사유가 반드시 필요하다면 해지 화면이나 고객 설문을 통해 앞으로 수집해야 합니다.
어떤 데이터를 어느 출처에서 어느 기간까지 확보할 것인지, 서로 다른 자료를 무엇으로 연결할 것인지, 확보할 수 없는 정보는 어떻게 처리할 것인지 정리한 데이터 확보 계획을 세우는 것이 중요합니다. 이 계획이 확정되면 실제 데이터를 수집한 뒤, 다음 단계에서 분석에 적합한 형태로 전처리합니다.
3) 데이터 전처리: 데이터를 분석에 활용할 수 있도록 정리
필요한 데이터를 확보했더라도 곧바로 분석할 수 있는 것은 아닙니다. 업무 시스템의 데이터는 우리가 해결하고자 하는 질문이 아닌 특정 업무의 목적 달성을 위해 구성되어 저장되기 때문입니다. 고객 정보는 고객별로 한 행씩 기록되는 반면, 결제 자료는 결제 시도별로, 이용 로그는 행동이 발생할 때마다 여러 행으로 기록될 수 있습니다. 시스템마다 날짜와 상태를 표현하는 방식도 다를 수 있습니다.
데이터 전처리는 서로 다른 목적으로 수집된 기록을 분석 질문에서 정한 대상, 기간, 사건과 비교 기준에 맞게 정리하는 과정입니다. 전처리에서는 주로 다음 작업을 수행합니다.
| 전처리 작업 | 목적 |
|---|---|
| 원본과 작업용 데이터 분리 | 원본을 보존하고 처리 과정을 다시 확인할 수 있게 함 |
| 기록 단위 통일 | 서로 다른 수준으로 기록된 데이터를 같은 분석 단위로 맞춤 |
| 데이터 결합 | 여러 출처에 나뉜 상태·사건·속성을 연결 |
| 값과 형식 정리 | 날짜, 범주, 단위, 코드의 표현을 통일 |
| 데이터 품질 문제 처리 | 중복, 결측, 불가능한 값, 이상값을 확인하고 처리 |
| 분석용 항목 생성 | 원자료로부터 질문에 필요한 기간·집단·상태 항목을 만듦 |
| 처리 결과 검증 | 전처리 과정에서 대상이 누락되거나 중복되지 않았는지 확인 |
(1) 원본을 보존하고 작업용 데이터를 따로 만듭니다
전처리를 시작할 때는 원본 데이터를 직접 수정하지 않고 별도의 작업용 데이터를 만들어야 합니다. 원본을 덮어쓰면 어떤 값이 처음부터 잘못되어 있었는지, 전처리 과정에서 어떻게 바뀌었는지 다시 확인하기 어렵습니다.
가능하다면 다음 내용을 함께 기록합니다.
- 데이터를 추출한 시스템과 테이블
- 데이터를 추출한 날짜와 시간
- 포함한 기간과 분석 대상
- 추출할 때 적용한 조건
- 원본의 행 수와 주요 식별자 수
- 전처리 과정에서 제외하거나 변경한 기록
예를 들어 구독 상태가 계속 갱신되는 시스템에서 8월 1일과 8월 10일에 같은 조건으로 데이터를 가져오더라도 결과가 달라질 수 있습니다. 과거 데이터가 수정되거나 뒤늦게 반영된 사건이 있을 수 있기 때문입니다. 따라서 어떤 시점에 추출한 데이터를 사용했는지 남겨야 같은 분석을 다시 수행하고 결과의 차이도 확인할 수 있습니다.
(2) 기록 단위를 분석 단위에 맞춥니다
원천 데이터마다 한 행이 나타내는 대상이 다를 수 있습니다. 고객 정보는 고객 한 명마다 한 행이지만, 구독 이력은 상태가 변경될 때마다, 해지 기록은 해지 사건이 발생할 때마다 행이 추가됩니다.
앞서 정한 질문은 다음과 같습니다.
2026년 2분기 월초 활성 유료 고객의 월간 자발적 이탈률은 1분기보다 어떻게 변했으며, 이 변화는 요금제와 가입 기간별로 어떻게 다르게 나타났는가?
이 질문에 답하려면 각 원천 데이터에서 다음 정보를 가져와야 합니다.
| 원천 데이터 | 한 행이 나타내는 것 | 질문에 필요한 정보 |
|---|---|---|
| 고객 정보 | 고객 한 명 | 가입일 |
| 구독 이력 | 구독 상태가 유지된 기간 | 월초 활성 여부와 당시 요금제 |
| 해지 기록 | 해지 사건 한 건 | 자발적 해지 여부와 해지일 |
고객 정보는 고객별로 한 행이지만, 구독 이력과 해지 기록에서는 같은 고객이 여러 행에 나타날 수 있습니다. 이 자료를 그대로 결합하면 한 고객이 중복되어 고객 수와 이탈 고객 수가 부풀어 오를 수 있습니다.
따라서 한 고객이 하나의 유료 구독을 보유한다고 가정하고, 최종 분석 데이터의 한 행을 고객 한 명의 한 달 상태, 즉 고객-월로 맞춥니다.
고객 정보 ─────→ 가입일
구독 이력 ─────→ 해당 월 월초의 활성 여부와 요금제
해지 기록 ─────→ 해당 월의 자발적 해지 여부
│
▼
고객-월 분석 데이터| 기준 월 | 고객 ID | 월초 활성 여부 | 월초 요금제 | 구독 유지 기간 | 해당 월 자발적 해지 여부 |
|---|---|---|---|---|---|
| 2026-04 | C101 | 1 | 기본 | 2개월 | 1 |
| 2026-04 | C102 | 1 | 프리미엄 | 14개월 | 0 |
| 2026-05 | C102 | 1 | 프리미엄 | 15개월 | 0 |
이제 한 행은 특정 고객의 특정 월 상태를 나타냅니다. 월초 활성 고객 수를 분모로, 그중 해당 월에 자발적으로 해지한 고객 수를 분자로 사용해 월간 이탈률을 계산할 수 있으며, 월초 요금제와 가입 기간을 기준으로 집단별 차이도 비교할 수 있습니다.
모든 분석에서 고객-월 단위를 사용하는 것은 아닙니다. 주문별 오류를 분석한다면 주문 한 건이, 개별 이용 행동을 분석한다면 이벤트 한 건이 분석 단위가 됩니다. 중요한 것은 원천 데이터의 행을 무조건 줄이는 것이 아니라, 질문에서 비교하려는 대상과 기간에 맞게 한 행의 의미를 통일하는 것입니다.
(3) 시간의 기준을 통일합니다
여러 시스템의 데이터를 결합할 때는 날짜 형식뿐 아니라 시간의 의미도 맞춰야 합니다. 서비스 로그는 UTC로 저장되고, 결제 시스템은 한국 시간으로 기록될 수 있습니다. 이 상태에서 날짜만 추출하면 한국 시간으로 5월 1일 새벽에 발생한 사건이 서비스 로그에서는 4월 30일로 분류될 수 있습니다. 월말과 월초의 상태를 비교하는 분석에서는 이러한 차이가 대상 포함 여부를 바꿀 수 있습니다.
시간 데이터에서는 다음 사항을 확인합니다.
| 확인 사항 | 발생할 수 있는 문제 |
|---|---|
| 시간대 | 같은 사건이 시스템마다 서로 다른 날짜로 분류될 수 있음 |
| 날짜 형식 | 문자열과 날짜 자료형이 섞여 정렬이나 계산이 잘못될 수 있음 |
| 사건 발생 시점 | 고객 행동이 실제로 일어난 시점을 나타냄 |
| 시스템 기록 시점 | 사건이 데이터베이스에 저장된 시점을 나타냄 |
| 상태 적용 시점 | 요금제나 구독 상태가 실제로 변경된 시점을 나타냄 |
| 분석 기준일 | 가입 기간이나 활성 상태를 판단하는 기준이 됨 |
예를 들어 고객이 4월 30일에 해지를 신청했지만 서비스는 5월 15일까지 유지될 수 있습니다. 질문에서 이탈을 ‘해지 신청’으로 정의했다면 4월 사건으로 처리하고, ‘유료 이용 종료’로 정의했다면 5월 사건으로 처리해야 합니다. 전처리에서는 앞 단계에서 정한 정의에 맞는 시간 항목을 선택해야 합니다.
또한 과거 상태를 판단할 때는 현재 값을 그대로 사용하지 않습니다. 6월에 프리미엄 요금제로 변경한 고객의 4월 상태를 분석한다면, 현재 요금제가 아니라 4월 기준으로 적용되었던 요금제를 찾아야 합니다.
(4) 여러 데이터의 식별자와 결합 관계를 확인합니다
여러 출처의 데이터를 결합하려면 각 기록이 누구 또는 무엇에 관한 것인지 연결할 수 있어야 합니다. 데이터 결합에서 먼저 확인해야 하는 것은 열 이름의 일치가 아니라, 각 식별자가 무엇을 나타내며 어떤 규칙과 기간을 기준으로 같은 대상으로 연결되는가입니다.
식별자를 확인할 때는 다음 사항을 살펴봐야 합니다.
| 확인할 사항 | 확인해야 하는 내용 |
|---|---|
| 식별 대상 | 개인, 회사 계정, 구독 계약, 주문, 기기 가운데 무엇을 나타내는가? |
| 고유성 | 서로 다른 대상에 같은 식별자가 부여될 가능성이 있는가? |
| 지속성 | 탈퇴, 재가입, 계약 갱신 후에도 같은 식별자를 사용하는가? |
| 발급 범위 | 전체 시스템에서 고유한가, 특정 국가·서비스·기간 안에서만 고유한가? |
| 재사용 여부 | 삭제된 식별자가 이후 다른 대상에게 다시 부여될 수 있는가? |
| 누락 가능성 | 식별자가 없는 기록은 어떤 상황에서 발생하는가? |
| 연결 기준 | 다른 시스템의 식별자와 어떤 대응표나 변환 규칙으로 연결되는가? |
시간이 지나면서 식별자가 바뀌는 경우도 있습니다. 고객이 탈퇴 후 재가입하면서 새로운 고객 ID를 받는다면, 두 ID를 별개의 고객으로 볼 것인지 동일한 고객의 서로 다른 가입 이력으로 볼 것인지 분석 기준에 따라 결정해야 합니다. 반대로 가족이나 회사 구성원이 같은 계정을 사용한다면 하나의 계정 ID를 한 사람으로 간주해서는 안 됩니다.
서로 다른 시스템이 각자의 식별자를 사용한다면 다음과 같은 연결표가 필요할 수 있습니다.
| 고객 ID | 결제 계정 ID | 구독 ID | 적용 시작일 | 적용 종료일 |
|---|---|---|---|---|
| C101 | A501 | S901 | 2025-01-10 | 2026-04-30 |
| C101 | A501 | S902 | 2026-05-01 | 현재 |
| C102 | A502 | S903 | 2026-02-15 | 현재 |
이메일 주소나 전화번호를 공통 식별자 대신 사용할 때는 더욱 주의해야 합니다. 이메일은 변경되거나 여러 계정에서 공유될 수 있고, 전화번호는 해지된 후 다른 사람에게 재할당될 수 있습니다. 대소문자, 국가번호, 공백처럼 표현 방식도 서로 다를 수 있습니다. 따라서 이러한 값은 동일 고객의 단서로 활용할 수는 있지만, 확인 절차 없이 영구적으로 고유한 고객 식별자라고 가정해서는 안 됩니다.
4) 데이터 분석: 질문에 맞는 분석 방법을 적용
전처리를 마치면 질문에서 정한 대상과 기간을 일관된 기준으로 비교할 수 있는 분석용 데이터가 준비됩니다. 분석 단계에서는 질문이 요구하는 방향에 따라 방법론을 선택하고, 실제 계산이나 모델링을 수행한 뒤, 결과가 신뢰할 만한지 검증합니다.
(1) 분석 방향에 맞는 방법론을 선택합니다
| 분석 방향 | 분석에서 확인할 내용 | 주요 방법론의 예 | 고객 이탈 사례 |
|---|---|---|---|
| 설명적 분석 | 관측된 사건의 규모, 분포, 변화와 집단별 차이 | 건수·비율, 평균·중앙값, 분포 분석, 교차표, 세그먼트 분석, 코호트 분석, 추세 분석, 시각화 | 월별 이탈률과 요금제·가입 기간별 이탈률을 계산하고 추세를 확인 |
| 진단적 분석 | 관측된 변화와 함께 나타난 조건, 차이가 집중된 지점, 원인 후보 | 드릴다운, 기여도 분해, 상관분석, 교차분석, 가설검정, 회귀분석, 퍼널 분석, 경로 분석, 이상 탐지 | 신규 고객 이탈 증가가 특정 온보딩 단계의 이탈, 결제 실패, 이용량 감소와 함께 나타났는지 확인 |
| 예측 분석 | 아직 발생하지 않은 사건이나 값의 가능성과 범위 | 선형·로지스틱 회귀, 의사결정나무, 랜덤 포레스트, 부스팅, 시계열 예측, 생존분석, 머신러닝 분류·회귀 | 고객별 향후 30일 이탈 확률을 추정하거나 다음 분기의 이탈 고객 수를 예측 |
| 처방적 분석 | 목표와 제약 조건을 고려했을 때 선택할 행동 | 업무 규칙, 시나리오 분석, 시뮬레이션, 선형·정수 최적화, 의사결정 분석, 추천 시스템, 실험 기반 정책 비교 | 예산과 상담 인력 안에서 어떤 고객에게 어떤 유지 활동을 제공할지 결정 |
하나의 방법론이 항상 하나의 분석 방향에만 속하는 것은 아닙니다. 같은 회귀분석도 관측된 변수 사이의 관계를 확인하면 진단적 분석에 사용되고, 새로운 데이터의 값을 추정하면 예측 분석에 사용됩니다. 시뮬레이션도 가능한 미래 결과의 범위를 살펴보면 예측 분석에 가깝고, 여러 행동 대안 가운데 목표에 가장 적합한 대안을 선택하는 데 사용하면 처방적 분석에 가깝습니다.
따라서 사용한 기법의 이름보다 그 방법으로 어떤 질문에 답하려는지가 분석의 방향을 결정합니다.
(2) 선택한 방법에 따라 분석을 수행합니다
세부적인 수행 방법은 분석 방향마다 다르지만, 공통적으로 기준 결과를 만든 뒤 질문에 필요한 분석을 확장하는 방식으로 진행합니다.
| 분석 방향 | 주요 수행 과정 | 분석 단계의 산출물 |
|---|---|---|
| 설명적 분석 | 전체 규모 확인 → 기간·집단별 집계 → 분포와 추세 확인 → 세부 집단 비교 | 건수, 비율, 요약 통계량, 추세표, 교차표, 차트 |
| 진단적 분석 | 변화가 집중된 지점 확인 → 관련 요인 후보 설정 → 집단·변수 관계 분석 → 다른 설명 검토 | 차이가 집중된 집단, 관련 변수, 원인 후보를 지지하거나 반박하는 근거 |
| 예측 분석 | 예측 대상과 시점 설정 → 학습·검증 데이터 분리 → 모델 학습 → 새로운 데이터에서 성능 평가 | 예측값, 발생 확률, 예측 구간, 모델 성능 지표 |
| 처방적 분석 | 목표와 제약 조건 정의 → 가능한 행동과 결과 연결 → 대안 계산·비교 → 실행 가능한 대안 선별 | 추천 행동, 자원 배분안, 예상 효과와 비용, 제약 조건별 대안 |
예를 들어 고객 이탈 문제에서도 분석 목적에 따라 수행 내용과 산출물이 달라집니다.
설명적 분석
월별·집단별 이탈률 계산
→ 어디에서 이탈이 많이 관측됐는가?
진단적 분석
이탈 증가 집단의 이용·결제·문의 행동 비교
→ 어떤 변화가 이탈 증가와 함께 나타났는가?
예측 분석
과거 고객 정보로 향후 이탈 확률 추정
→ 누가 앞으로 이탈할 가능성이 높은가?
처방적 분석
예산·인력·활동별 효과를 고려하여 유지 활동 배정
→ 누구에게 어떤 활동을 제공해야 하는가?예측 분석 결과가 곧바로 처방적 분석의 답이 되는 것은 아닙니다. 이탈 확률이 높은 고객을 알아도 할인이나 상담이 실제로 이탈을 줄이는지는 별도로 확인해야 합니다. 처방적 분석에는 예측값뿐 아니라 행동별 기대 효과, 비용, 실행 가능성, 고객 경험에 미치는 영향과 같은 정보가 추가로 필요합니다.
(3) 분석 결과의 타당성을 검증합니다
방법론을 적용해 숫자나 모델이 나왔다고 해서 분석이 끝나는 것은 아닙니다. 결과가 데이터 오류나 우연한 변동, 잘못된 비교 조건 때문에 나타난 것은 아닌지 확인해야 합니다.
검증 기준은 분석 방향에 따라 달라집니다.
| 분석 방향 | 주요 검증 내용 |
|---|---|
| 설명적 분석 | 분모와 집단 규모가 적절한가? 특정 기간의 누락이나 극단값이 결과를 좌우하지 않는가? |
| 진단적 분석 | 함께 나타난 관계를 원인으로 잘못 해석하지 않았는가? 고객 구성이나 다른 요인이 차이를 설명하지 않는가? |
| 예측 분석 | 모델을 만들 때 사용하지 않은 데이터에서도 성능이 유지되는가? 미래 정보를 실수로 입력에 포함하지 않았는가? |
| 처방적 분석 | 제안한 행동이 실제 제약 안에서 실행 가능한가? 비용이나 조건이 달라져도 같은 대안이 선택되는가? |
분석 방법에 따라 추가적인 검증도 필요합니다. 통계 모델을 사용했다면 해당 방법이 전제하는 조건이 데이터에 적합한지 확인하고, 예측 모델이라면 정확도뿐 아니라 정밀도, 재현율, 오차의 크기, 확률의 보정 상태 등을 분석 목적에 맞게 평가해야 합니다.
처방적 분석에서는 최적화 결과가 계산상 최적이라는 이유만으로 바로 실행해서는 안 됩니다. 모델에 포함하지 않은 운영 규칙이나 법적 제한, 고객에게 미칠 부정적 영향이 없는지 확인해야 합니다.
분석 결과는 기간, 집단 구분, 결측값 처리, 모델 설정과 같은 조건에 따라 달라질 수 있습니다. 따라서 중요한 결과는 합리적인 범위 안에서 조건을 바꾸어 다시 확인합니다.
예를 들면 다음과 같습니다.
- 분석 기간을 월별에서 주별로 바꾸어도 같은 변화가 나타나는가?
- 고객 집단의 구간을 다르게 나누어도 차이가 유지되는가?
- 특정 이벤트나 프로모션 기간을 제외해도 결과가 비슷한가?
- 결측값 처리 방법을 바꾸면 분석 결과가 크게 달라지는가?
- 다른 모델을 사용해도 예측 성능과 주요 예측 대상이 비슷한가?
- 비용이나 가용 인력이 달라져도 처방적 분석의 추천이 유지되는가?
조건을 조금 바꿨을 때 결과가 크게 달라진다면 그 결과는 특정 설정에 의존할 가능성이 높습니다. 이 경우 하나의 결과만 확정적으로 제시하지 않고, 어떤 조건에서 결과가 달라지는지 함께 정리해야 합니다.
(4) 분석 결과와 한계를 함께 정리합니다
분석 단계가 끝나면 다음 단계에서 해석할 수 있도록 산출물을 정리합니다.
- 분석 질문과 적용한 분석 방향
- 사용한 데이터의 대상과 기간
- 선택한 분석 방법과 주요 설정
- 산출된 수치, 관계, 예측값 또는 추천안
- 분석 결과의 불확실성과 검증 결과
- 분석에서 확인할 수 없었던 내용
- 결과가 달라질 수 있는 조건
- 추가로 확인해야 할 분석 과제
이 단계에서는 분석 결과를 사업적 결론으로 확장하거나 실행안을 확정하지 않습니다. 분석을 통해 데이터에서 무엇을 확인했고, 어느 범위까지 신뢰할 수 있으며, 무엇은 아직 확인하지 못했는지 정리합니다. 다음 결과 도출 단계에서 이를 분석 질문에 대한 답으로 해석하고, 실제 판단에 사용할 수 있는 형태로 구성합니다.
5) 결과 도출: 분석 결과를 질문에 대한 답으로 정리
분석이 끝나면 여러 표, 통계량, 모델의 추정값과 검증 결과가 남습니다. 하지만 이러한 산출물을 나열하는 것만으로는 처음의 분석 질문에 답했다고 보기 어렵습니다. 결과 도출 단계에서는 분석에서 확인한 내용을 선별하여 무엇을 알게 되었는지, 어디까지 말할 수 있는지, 그 결과를 어떤 판단에 사용할 수 있는지 정리합니다.
(1) 처음의 분석 질문에 직접 답합니다
결과는 분석 과정에서 흥미롭게 발견한 내용이 아니라, 처음 설정한 질문에 대한 답을 중심으로 구성해야 합니다.
예를 들어 분석 질문이 다음과 같다고 하겠습니다.
2026년 2분기 월초 활성 유료 고객의 월간 자발적 이탈률은 1분기보다 어떻게 변했으며, 이 변화는 요금제와 가입 기간별로 어떻게 다르게 나타났는가?
분석 결과를 월별 이탈률 표, 요금제별 막대그래프, 가입 기간별 고객 수, 고객 집단별 교차표, 분기별 이탈 고객 수를 나열하는 것만으로는 질문에 대한 답이 분명하지 않습니다. 분석을 통해 나온 정보들 중 핵심 결과를 선별하여 다음과 같은 하나의 답으로 정리해야 합니다.
2026년 2분기의 월간 자발적 이탈률은 1분기보다 높았습니다. 증가 폭은 모든 고객 집단에서 동일하게 나타나지 않았으며, 기본 요금제에 가입한 지 3개월 이하인 고객에게 집중되었습니다. 프리미엄 요금제와 장기 가입 고객의 이탈률은 두 분기 사이에 큰 차이가 없었습니다.
이처럼 결과의 첫 부분에는 전체적인 변화와 변화가 집중된 범위를 직접 제시합니다. 세부 표와 그래프는 이 답을 뒷받침하는 근거로 배치합니다.
분석 과정에서 사용한 순서와 결과를 전달하는 순서는 같지 않을 수 있습니다. 데이터를 정리하고 여러 분석을 시도한 과정을 시간순으로 나열하면 핵심 답을 찾기 어려워집니다.
일반적으로 다음 순서로 구성할 수 있습니다.
1. 분석 질문에 대한 핵심 답
↓
2. 답을 뒷받침하는 주요 수치와 비교
↓
3. 세부 집단·기간·조건별 결과
↓
4. 가능한 해석과 확인하지 못한 내용
↓
5. 적용 범위와 한계
↓
6. 필요한 판단 또는 후속 분석예를 들어 경영진에게는 전체 변화의 크기와 사업적 영향, 필요한 판단을 먼저 제시할 수 있습니다. 실무 담당자에게는 문제가 집중된 고객 집단과 시점, 세부 지표를 함께 제공해야 합니다. 분석가나 검토자에게는 사용한 데이터, 계산 기준, 검증 방법을 확인할 수 있는 자료가 추가로 필요합니다.
대상에 따라 설명의 깊이와 표현 방식은 달라질 수 있지만, 같은 분석에서 서로 다른 결론을 전달해서는 안 됩니다. 핵심 수치와 정의, 분석 범위는 모든 결과물에서 일관되어야 합니다.
(2) 관측 사실과 해석을 구분합니다
분석 결과를 설명할 때는 데이터에서 직접 확인한 사실과 분석자가 그 사실을 바탕으로 해석한 내용을 구분해야 합니다. 추가 검증이 필요한 원인 후보나 실행 제안도 같은 문장 안에서 확정된 사실처럼 섞어서는 안 됩니다.
| 구분 | 의미 | 고객 이탈 사례 |
|---|---|---|
| 사실 | 데이터에서 직접 계산하거나 확인한 내용 | 기본 요금제의 신규 고객에게서 이탈률 증가 폭이 가장 크게 나타남 |
| 해석 | 여러 분석 결과를 종합하여 설명한 내용 | 전체 이탈률 상승은 신규 고객 비중 증가와 신규 고객 집단 내부의 이탈률 상승이 함께 작용한 결과로 보임 |
| 원인 후보 | 현재 분석만으로 확정할 수 없는 설명 | 온보딩 변경이 신규 고객의 초기 이탈에 영향을 주었을 가능성이 있음 |
| 예측 | 현재 정보로 추정한 미래 결과 | 현재 추세가 유지되면 다음 달 이탈 고객이 특정 범위에 이를 것으로 예상됨 |
| 제안 | 분석 결과를 바탕으로 검토할 행동 | 신규 고객의 온보딩 단계와 초기 결제 경험을 우선 점검할 필요가 있음 |
설명적 분석에서 특정 집단의 이탈률이 높다는 사실을 확인했더라도 그 집단의 특성이 이탈의 원인이라고 말할 수는 없습니다. 진단적 분석에서 여러 요인이 이탈과 관련되어 나타났더라도 실험이나 인과 분석 없이 직접적인 원인으로 확정하기 어려울 수 있습니다.
따라서 결과를 표현할 때도 확인한 범위에 맞는 동사를 사용해야 합니다.
[직접 확인한 사실]
“이탈률이 높게 나타났습니다.”
“두 지표가 함께 증가했습니다.”
[관계에 대한 분석]
“이탈과 관련된 것으로 나타났습니다.”
“해당 조건에서 차이가 집중되었습니다.”
[추가 검증이 필요한 해석]
“원인 후보로 검토할 수 있습니다.”
“영향을 주었을 가능성이 있습니다.”
[인과관계를 확인한 경우]
“해당 조치가 이탈률을 감소시켰습니다.”마지막 표현처럼 원인과 효과를 단정하려면 그에 맞는 연구 설계와 근거가 필요합니다.
(3) 결과의 크기와 기준을 함께 제시합니다
“증가했다”, “높았다”, “성능이 좋았다”와 같은 표현만으로는 결과의 중요성을 판단하기 어렵습니다. 변화의 방향뿐 아니라 크기와 비교 기준을 함께 제시해야 합니다.
모호한 표현
“2분기 이탈률이 크게 증가했습니다.”
기준을 포함한 표현
“2분기 자발적 이탈률은 4.0%로,
1분기의 3.0%보다 1%포인트 높았습니다.”집단별 비율에는 집단의 크기를 함께 제시합니다.
“신규 요금제의 이탈률은 10%였습니다.”
↓
“신규 요금제 고객 20명 중 2명이 이탈하여
이탈률은 10%로 나타났습니다.”예측값에는 예측 시점과 오차 범위를, 모델 성능에는 어떤 평가 지표와 데이터에서 측정한 값인지 포함해야 합니다.
“다음 달 수요는 1만 건입니다.”
↓
“현재 데이터를 기준으로 다음 달 수요는
약 1만 건으로 예측되며, 예측 구간은
8,800건에서 11,300건입니다.”숫자를 제시할 때는 독자가 그 값의 규모를 판단할 수 있도록 이전 기간, 목표값, 다른 집단 또는 정상 범위와 같은 비교 기준을 함께 보여 주는 것이 좋습니다.
(4) 결과가 적용되는 범위와 한계를 밝힙니다
모든 분석 결과에는 적용 범위가 있습니다. 특정 기간과 고객을 분석한 결과가 다른 국가, 상품, 고객 집단 또는 이후 시점에도 동일하게 적용된다고 자동으로 가정할 수 없습니다.
결과를 전달할 때는 다음 내용을 함께 명시합니다.
- 어떤 대상과 기간을 분석했는가?
- 결과에서 제외된 대상은 누구인가?
- 수집하지 못하거나 불완전했던 데이터는 무엇인가?
- 어떤 가정과 정의를 사용했는가?
- 결과가 어떤 조건에서 달라질 수 있는가?
- 관계만 확인했는가, 인과관계까지 확인했는가?
- 예측이나 추천을 어느 대상과 시점에 적용할 수 있는가?
한계는 분석 결과를 무효로 만드는 부가적인 문구가 아닙니다. 분석 결과를 어디까지 사용할 수 있는지 정하는 조건입니다.
예를 들어 해지 사유 데이터가 없었다면 다음과 같이 설명할 수 있습니다.
신규 고객의 이탈 증가가 낮은 초기 이용량 및 결제 실패와 함께 나타났지만, 해지 사유를 직접 수집하지 않았으므로 이것만으로 고객이 이탈한 이유를 확정할 수는 없습니다.
(5) 결과에 따라 다음 행동이나 질문을 구분합니다
모든 분석이 즉시 실행안으로 이어지는 것은 아닙니다. 결과가 충분히 명확하고 실행 위험이 낮다면 바로 대응할 수 있지만, 원인이 불분명하거나 예상 효과가 검증되지 않았다면 추가 분석이나 실험이 필요할 수 있습니다.
| 분석 결과의 상태 | 다음 단계의 예 |
|---|---|
| 현황만 확인됨 | 문제가 집중된 기간과 집단을 대상으로 진단 분석 수행 |
| 원인 후보가 좁혀짐 | 추가 데이터 확인 또는 실험으로 원인 검증 |
| 미래 위험이 예측됨 | 개입 대상과 기준을 설계하고 효과 검증 |
| 실행 대안이 비교됨 | 실행 가능성과 부작용을 검토한 뒤 대안 선택 |
| 근거가 부족함 | 데이터 추가 수집, 질문 수정 또는 분석 보류 |
| 행동을 실행함 | 실제 결과를 다시 수집하여 변화와 효과 확인 |
결과 도출의 목적은 처음의 질문에 대해 데이터가 뒷받침하는 답을 제시하고, 확인한 사실과 해석, 불확실성과 다음 판단을 서로 구분하는 것입니다. 이렇게 도출한 결과가 보고서, 대시보드, 발표 자료 또는 업무 시스템을 통해 전달되고 실제 행동으로 이어지면, 그 이후의 변화는 다시 새로운 데이터로 축적됩니다. 이후에는 그 데이터를 바탕으로 결과를 관찰하고, 필요한 경우 질문을 수정하여 분석 과정을 다시 수행할 수 있습니다.
3. 마치며
설명적·진단적·예측·처방적 분석은 반드시 모두 수행하거나 정해진 순서대로 완료해야 하는 단계가 아닙니다. 같은 고객 이탈 문제에서도 지금 필요한 답에 따라 현황만 정확히 확인할 수도 있고, 원인을 조사하거나 미래를 예측하고 실행안을 결정할 수도 있습니다.
실제 분석은 질문 구체화부터 결과 도출까지 매끄럽게 이어지지 않습니다. 필요한 데이터가 없어서 질문을 줄이고, 전처리 문제를 발견해 되돌아가고, 분석을 마친 뒤에도 원인을 확정할 수 없다는 결론에 도달할 수 있습니다. 그동안 아무것도 하지 못한 것처럼 느껴질 수 있지만, 그렇지 않습니다. 무엇을 알 수 없으며 그 답을 얻으려면 무엇이 더 필요한지 밝힌 것도 분명한 분석 결과입니다.
혹시 현재 데이터가 부족하거나 질문이 계속 바뀌어 분석이 진전되지 않는다고 느끼고 있다면, 처음부터 완벽한 답을 만들려고 하지 않아도 됩니다. 지금 확인할 수 있는 질문 하나를 명확히 하고, 근거가 허용하는 범위까지만 정확하게 답하면 됩니다. 작은 설명적 분석 하나가 문제의 범위를 좁히고, 다음에 수집할 데이터와 이어서 물어야 할 질문을 알려 줄 수 있습니다.
현실의 분석은 정답을 한 번에 찾아내는 일이 아니라, 불확실한 문제를 이전보다 조금 더 분명하게 만드는 일에 가깝습니다. 그 과정에서 되돌아가고 수정하는 것은 실패가 아니라 앞으로 나아가는 방식입니다. 이번 글의 네 가지 분석 방향과 기본 과정이 복잡한 문제 앞에서 다음 한 걸음을 정하는 데 도움이 되기를 바랍니다.