Data literacy - 자기 선택 편향

 

 

1장 3절 | 97%가 만족? 그 3%가 될 수 있는 나

“사용자 97%가 만족한 토너!”
“체험단 전원이 피부 개선 효과를 봤어요”
“리뷰 평점 ★★★★★ 4.9점, 믿고 사는 제품!”

…근데 정작 내가 써보면?
"어? 그냥 그렇던데?", 심하면 "이거 왜 이렇게 피부 뒤집어져?"

분명 만족도 97%라는데 왜 나만 별로일까?
문제는 제품이 아니라, 그 ‘97%’가 어떻게 만들어졌는가에 있어.

 

만족도는 ‘사실’이 아니라 ‘구성된 수치’다

 

예를 들어볼게.
어떤 화장품 브랜드에서 신제품 테스트를 진행했어.
총 30명이 참여했고, 그중 29명이 “만족”이라고 답했대.
→ 97% 만족도!

근데 그 30명은 누구였을까?

• 기존 VIP 회원
• 체험단으로 뽑힌 사람들
• 제품 무료로 받았거나 뷰티 커뮤니티 활동 중인 사람들
• “솔직한 후기 남겨주시면 다음 제품도 드려요” 같은 조건

이 상황에서 솔직하게 “별로였어요”라고 말할 수 있을까?
대부분 ‘좋은 말만 골라 쓰는 구조’가 이미 짜여 있어.

이게 바로 ‘자기선택 편향(self-selection bias)’이야.
즉, 스스로 참여한 사람들이 특정한 특성을 이미 가지고 있어서, 그 결과는 일반화가 어려워.

 

숫자가 커 보이게 만드는 마케팅의 기술

만족도 97%는 괜히 나온 게 아니야.
브랜드들은 의도적으로 좋은 수치만 골라서 보여주는 기술을 아주 잘 안다.

예:

• “만족한 사용자 비율” → 불만족한 사람은 조사 대상에서 제외됨
• “사용자 200명 중 194명이 긍정 응답” → 그 ‘사용자 200명’은 어떤 방식으로 뽑은 사람들일까?
• “피부 개선에 도움을 줬다고 느낀 비율” → 느낌? 효과? 기준이 애매해

이건 팩트처럼 보이지만, 사실상 ‘해석’에 가까운 수치야.

 

우리가 꼭 기억해야 할 질문 3가지

1. 이 조사는 누가 했는가?
   •    브랜드 내부 조사? 제3의 독립 기관?
   •    설문 플랫폼? 리뷰 조작 가능성은?
2. 조사 대상은 누구인가?
   •    자발적 참여자 vs 무작위 표본
   •    팬심 가진 고객 vs 일반 소비자
3. 질문 방식은 어땠는가?
   •    “만족하셨나요?” vs “어떤 점이 불만족스러우셨나요?”
     → 단어 하나에 따라 결과는 완전히 달라져

 

그 3%가 당신일 수 있다는 걸 잊지 마

만족도 97%는 ‘전체의 감정’이 아니라 ‘선별된 사람들의 평균적 반응’일 뿐이야.
당신은 그 3%일 수 있고, 또 그 3%가 틀린 것도 아니야.
다른 사용성, 다른 피부, 다른 조건 속에서,
우리는 각자의 기준으로 평가해야 해.

“다수가 그렇다 해서 나도 그래야 하는 건 아니다.”
진짜 데이터 리터러시는,
숫자의 대세에 휩쓸리지 않고 자기 기준을 갖는 데서 시작돼.

[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 )