Data literacy - 기저 효과

1장 1절 | 매출이 200% 늘었다는데, 진짜 대박일까?

“이 브랜드, 작년보다 매출이 200% 늘었대!”
이 한 문장만으로 우리는 쉽게 '성공'이라는 단어를 떠올린다. 누군가는 "오, 투자해야 하나?"라고 생각하고, 누군가는 "그 브랜드 진짜 잘나가네"라고 감탄한다. 그런데, 잠깐. 정말 ‘200% 증가’라는 말은 대단한 걸까?

 

퍼센트 숫자, 그거 말장난일 수도 있어요

먼저 간단한 예시 하나 들어볼게요.
작년에 온라인에서 '핸드메이드 마카롱'을 팔던 친구가 있었어요. 총 매출 50만원 그리고 올해 150만원이 되었다.
그럼 어떻게 말할 수 있죠?

“매출 200% 성장! 무려 3배!”

 

우와! 대박!
근데 잠깐… 50만 원에서 150만 원 된 거잖아요?
그걸 3배라고 하는 건 맞지만, 절대적인 숫자로 보면 여전히 작고 초반 단계예요.

이걸 ‘기저 효과(Base Effect)’라고 해요.
기준이 낮으면 작은 변화도 크게 보인다는 뜻이죠.
100원이 300원이 되면 200% 증가지만, 1억이 3억이 되는 200%는 완전히 다른 얘기거든요.

그래서 우리가 어떤 숫자를 볼 때 가장 먼저 해야 할 건, ‘기준이 뭐였는지’를 확인하는 거예요.

 

“퍼센트”만 보고 투자하는 사람들

스타트업 투자자들이 가장 경계하는 게 이런 거예요.
"저희는 작년에 비해 유저 수가 500% 늘었습니다!"
그런데 자세히 보면,
작년엔 20명이었고, 지금은 120명인 거죠.
사실상 ‘친구 지인들+카페 회원’ 수준.
그런데 숫자만 들으면, 마치 다음 유니콘 될 것처럼 보여요.

보고서, 피피티, IR 자료, 심지어 뉴스 기사까지 이런 식으로 퍼센트만 딱 떼어다가 강조하는 경우가 정말 많아요.
왜일까요?
퍼센트는 ‘감정에 바로 꽂히는 숫자’거든요.
사람들은 “작년보다 1,500만 원 늘었어요”보다
“전년 대비 240% 증가!”가 훨씬 강하게 와닿아요.
진짜 효과보다는, ‘인상’이 더 중요한 사람들에게 딱 좋은 표현 방식인 거죠.

 

그럼 우리는 어떻게 봐야 할까?

1. 퍼센트가 나오면, '기준 숫자'를 찾아보자.
   매출 200% 증가? → 기준 금액은? 단위는? 월 매출인가, 누적인가?
   [예]
   “작년 대비 200% 증가” → 작년 매출이 얼마였는지 찾아야 함.
   기준이 너무 작다면, 그 수치는 실제 영향력과는 거리가 멀 수 있어요.
2. 비교 대상이 적절한지도 확인하자.
   •   전년 대비? 전 분기?
   •   코로나 시기의 이상치를 기준으로 비교한 건 아닌지?
   •   경쟁사 대비는 어떤지? 시장 평균과는?
     → 퍼센트는 ‘비교’니까, 비교 대상이 이상하면 아무 의미 없어요.
3. 숫자만 보고 반응하지 말고, '의도'를 생각해보자.
   이 숫자를 굳이 강조한 이유는 뭘까?
   뭔가 숨기고 싶은 게 있어서 퍼센트만 보여주는 걸 수도 있어요.
   숫자가 많다고 진실이 아니고, 정확한 설명 없이 숫자만 강조하는 건 항상 의심해봐야 해요.

 

진짜 '데이터 잘 읽는 사람'은 어떤 사람일까?

데이터 리터러시가 높은 사람은 숫자를 감정적으로 보지 않아요.
그 숫자가 어디서 왔고, 어떤 조건에서 나왔는지까지 살펴보고 판단하죠.
매출 200%가 중요한 게 아니라,
그 매출이 '시장 점유율 몇 퍼센트인지',
'재구매율이 어땠는지',
'지속 가능한 성장인지'를 보려는 게 바로 데이터 감각이에요.

요즘처럼 뉴스, 광고, SNS에서 퍼센트 단위로 "성장", "대박", "폭증" 같은 말이 넘쳐나는 시대엔
“정말일까?” 한 번만 더 생각하는 습관이 큰 차이를 만들어요.
퍼센트는 사실 말장난이 될 수도 있다는 걸 아는 것,
그게 바로 데이터 리터러시의 시작이에요.

 

“숫자는 거짓말하지 않지만, 숫자를 말하는 방식은 충분히 거짓말처럼 보일 수 있다.”

[목차] Part1. 데이터는 왜 우리를 속이는가

[1장. “이 숫자, 진짜일까?”]

• 1-1. 매출이 200% 늘었다는데, 진짜 대박일까? ( Data literacy - 기저 효과 )
• 1-2. 평균의 함정: 내 월급은 왜 항상 평균보다 낮을까? ( Data literacy - 평균의 함정 )
• 1-3. 97%의 만족? 그 3%가 될 수 있는 나 ( Data literacy - 자기 선택 편향 )
• 1-4. 표본, 샘플, 응답률 — 누구 말을 믿을까? ( Data literacy - 비응답 편향 )

[2장. “그래프는 거짓말을 하지 않는다?”]

• 2-1. Y축만 깎았을 뿐인데 매출이 폭등했다 ( Data literacy - Y축 자르기 )
• 2-2. 누적 그래프와 막대 그래프 사이의 간극 ( Data literacy - 누적과 막대 그래프 )
• 2-3. 이중축 그래프, 도대체 뭘 비교하자는 거지? ( Data literacy - 상관관계와 인과관계 착각의 함정 )
• 2-4. 그래프는 ‘보여주는’ 게 아니라 ‘숨기는’ 도구일 때가 많다 ( Data literacy - 선택된 수치의 힘

[3장. “그래프는 거짓말을 하지 않는다?”]

• 3-1. 선택된 수치의 힘 ( Data literacy - 팩트가 많으면 진실에 가까운가? )
• 3-2. 데이터를 만든 사람의 입장 ( Data literacy - 데이터를 만든 사람의 입장 )
• 3-3. 중립을 가장한 편향  ( Data literacy - 중립을 가장한 편향 )
• 3-4. 팩트가 많으면 진실에 가까운가? ( Data literacy - 팩트가 많을수록 진실에 가까워질까? )

[4장. “당신이 클릭하는 순간, 데이터는 당신을 읽는다”]

• 4-1. 추천 알고리즘은 왜 내 취향을 이렇게 잘 알까? ( Data literacy - 추천 알고리즘은 왜 내 취향을 이렇게 잘 알까? )
• 4-2. 내가 뭘 본 줄 아는 ‘그들’의 시선 ( Data literacy - 내가 뭘 본 줄 아는 ‘그들’의 시선 )
• 4-3. 퍼스널라이징의 함정: 더는 우연이 없는 세상 ( Data literacy - 퍼스널라이징의 함정 )
• 4-4. 내가 만든 데이터가 나를 규정하는 순간 ( Data literacy - 내가 만든 데이터가 나를 규정하는 순간 )