외부에서 보는 데이터는 그냥 ‘숫자’로 인식될 수 밖에 없다. 하지만 내부에서 데이터를 보는 사람은 그 숫자를 통해서 숨겨진 뜻을 찾아야한다. 데이터를 뜯어보기 전에는 ‘객관적’ 이라고 생각했던

외부에서 보는 데이터는 그냥 ‘숫자’로 인식될 수 밖에 없다. 하지만 내부에서 데이터를 보는 사람은 그 숫자를 통해서 숨겨진 뜻을 찾아야한다. 데이터를 뜯어보기 전에는 ‘객관적’ 이라고 생각했던 지표가 분석을 한 후 객관적이지 않음을 알아차렸을 때. 그때 데이터 분석가는 해당 데이터가 왜 객관적이지 않은지, 왜 이런 결과가 나왔는지 문제점은 무엇인지에 대해 다른 사람들보다 더 깊게 생각해야한다. 그래서 데이터 분석가의 인사이트에는 어찌보면 주관적인 생각이 들어갔을 수도 있다. 몇몇 사람들은 인터뷰 혹은 유저 설문조사를 통해 수집한 데이터는 제대로 된 데이터가 아니라고들 한다. 정성적인 데이터의 경우에는 사람들이 의식적으로 더 자신에게 좋게 대답한다는 단점이 있기 때문이라고들 한다. (대학원 시절에 설문조사 프로젝트를 더 많이 진행했다며 데이터 분석가의 커리어가 안맞다고 했던 무례한 면접관도 있었다.) 하지만 과연 정량적인 데이터는 완벽하게 객관적인 데이터 일까? 부터 생각해야 하지 않을까? 모든 현상 혹은 결과에는 그를 야기시킨 변수가 있지만 우리가 찾아내지 못하는, 혹은 통제하지 못하는 변수가 있기 마련이다. 플랫폼을 통해 수집하는 데이터 또한 분석가가 알 수 없는, 예측할 수 없는 변수로 인해 나타난 결과일 수 있다. 다른 사람들보다 더 좋은 인사이트, 혹은 새로운 관점을 가지는 데이터 분석가가 되기 위해서는 이런 객관적 지표와 주관적 지표를 다 살펴봐야하지 않나 싶다. 그래서 난 지금 데이터 분석을 통해 인사이트를 도출하고, 내 인사이트를 공유하기 전, 일부러 이와 관련된 논문(특히 소비자 조사가 이루어진)을 확인하며 내 의견이 완전하게 주관적인 의견은 아니라는 증거, 혹은 지표를 다른 팀원에게 함께 설명해주기도 한다. 정량적인 데이터를 분석하고 이를 약간의 주관적인 생각으로 해석하고. 그리고 그 해석을 위해 다른 객관적 지표를 찾아보는 것, 그리고 그 객관적 지표가 소비자를 대상으로 한 설문이라는 것. 아이러니 하게도 정성적인 데이터가 어쩌면 정량적인 지표를 제일 객관화 시킬 수 있는 지표가 아닌가 싶다.