📊 데이터 분석 실전 — 교통약자 케이스로 배우는 방법론·MECE·로직트리

티처메이트 프로그램 이용법 코스(D3). 하나의 사회 문제 — "우리 지역 교통약자는 왜 이동이 불편할까?" — 를 데이터로 파고드는 전 과정을 고등학생 눈높이로 논증합니다. 차트를 그리기 전에 질문을 MECE로 쪼개고 로직트리로 가설의 지도부터 그리는 절차가 핵심입니다. 데이터 출처는 국토교통부 「교통약자 이동편의 실태조사」(국가승인통계)입니다.

이 강의가 던지는 질문
교통약자 문제를 데이터로 어떻게 분석할까?  →  지표부터 열지 말고, 먼저 질문을 MECE로 쪼갠다. 로직트리로 "무엇을 데이터로 확인할지"까지 내려간 뒤에야 지표를 편다 — 그래야 예측이 데이터로 깨지는 경험을 만들 수 있다.
데이터 분석 실전 · 교통약자 케이스

데이터를 열기 전에,
질문부터 쪼갠다

MECE · 로직트리 · 통계적 문제해결 4단계
"우리 지역 교통약자는 왜 이동이 불편할까?" — 이 한 질문을 겹치지 않게(MECE) 나누고, 데이터로 확인 가능한 수준까지(로직트리) 파고든 다음에야 공공데이터를 편다. 오늘은 그 순서를 처음부터 끝까지 따라간다.
D3
데이터 분석 실전 — 교통약자
1 / 12
케이스 · 문제 제기
오늘의 접시

교통약자는 소수가 아니다

교통약자 = 「교통약자의 이동편의 증진법」 제2조가 정의하는 장애인 · 고령자 · 임산부 · 영유아를 동반한 사람 · 어린이 등, 일상적으로 이동에 불편을 느끼는 사람. 특정 소수가 아니라 누구나 생애의 한 시기에는 교통약자가 된다(유아기·임신기·노년기·부상 시).

얼마나 많나

국토부 실태조사 기준 교통약자는 약 1,500만 명 — 전체 인구의 약 30%. 고령화로 매년 늘어난다. (정확한 최신 수치는 그해 실태조사에서 확인)

무엇이 불편한가

집에서 정류장까지(보행), 버스·지하철 탑승, 일반 교통이 안 될 때 대체 수단 — 이동의 매 단계에 턱·계단·부족한 저상버스·긴 대기가 있다.

🔎 왜 이 케이스인가교통약자 문제는 답이 하나로 정해져 있지 않다. "저상버스를 늘려라" "엘리베이터를 놓아라" "콜택시를 늘려라" — 무엇을 먼저 해야 할지는 데이터를 봐야 안다. 그래서 데이터 분석 연습에 딱 맞다.
그런데 데이터부터 열면, 어떤 지표를 봐야 할지조차 정할 수 없다.
데이터 분석 실전 — 교통약자
2 / 12
방법론 · 절차
핵심 원칙

데이터 분석은 기법이 아니라 절차

국제 통계교육 표준 GAISE II(미국통계학회·NCTM, 2020)는 통계적 문제해결을 4단계로 정의한다 — 이 순서는 한국 2022 개정 교육과정의 '탐구 문제 설정 → 자료 수집 → 자료 분석 → 결과 해석'과 정확히 대응한다. 서로 다른 나라가 같은 절차에 닿았다는 건, 이게 유행이 아니라 사고의 구조라는 뜻이다.

STEP 1 · 질문
"교통약자는 이동이 불편할까?" 를 쪼갤 수 있는 질문으로 세운다
STEP 2 · 수집
쪼갠 가지마다 실태조사 지표를 골라 자료를 모은다
STEP 3 · 분석
지역·연도별로 비교하고 추세를 본다
STEP 4 · 해석
"그래서 어디부터 고쳐야 하나"로 답한다
💡 오늘의 초점대부분 수업은 STEP 3(차트 그리기)에서 시작한다. 오늘은 STEP 1을 제대로 하는 법 — 질문을 쪼개는 도구 MECE와 로직트리 — 에 시간을 쏟는다. 질문이 쪼개지면 어떤 지표를 볼지가 저절로 정해진다.
그래서 STEP 1을 건너뛰면 무슨 일이 생기는지 먼저 본다.
데이터 분석 실전 — 교통약자
3 / 12
함정 · 증상
흔한 실패

질문을 안 쪼개면, 아무 지표나 본다

❌ 지표부터 연 수업

  • 실태조사 표를 열자마자 눈에 띄는 저상버스 보급률만 막대로 그린다
  • "우리 지역이 낮네요" 한 줄로 끝 — 보행·엘리베이터·콜택시는 아예 안 봄
  • 다른 지역보다 낮은 한 지표만 골라 결론(체리피킹)

✅ 질문부터 쪼갠 수업

  • "이동이 불편한 이유"를 겹치지 않는 갈래로 먼저 나눈다
  • 갈래마다 어떤 지표로 확인할지가 정해진 뒤 데이터를 연다
  • 빠뜨린 원인이 구조적으로 없다 — 놓친 게 없다고 말할 수 있다
🔎 핵심차트를 몇 개 그렸느냐가 아니라, "이 문제의 원인을 빠짐없이 다뤘는가"가 분석의 품질을 가른다. 그 '빠짐없이·겹침없이'를 보장하는 도구가 다음 두 개다.
그래서 첫 번째 도구, MECE부터 배운다.
데이터 분석 실전 — 교통약자
4 / 12
도구 1 · 질문 쪼개기
데이터를 보기 전에

겹치지도, 빠지지도 않게 쪼갠다 — MECE

MECE(Mutually Exclusive, Collectively Exhaustive)는 큰 질문을 하위 항목으로 나눌 때 서로 겹치지 않으면서(배타) 빠짐없이 전체를 다루도록(포괄) 쪼개는 사고 도구다. 맥킨지의 바바라 민토가 체계화했다.

이동 여정집→정류장 · 탑승 · 대체수단
방위동·서·남·북
연령미성년·성년

❌ MECE가 아닌 분류

불편 이유 = 버스가 불편 / 지하철이 불편 / 저상버스가 부족 → '버스 불편'과 '저상버스 부족'이 겹치고, 보행·콜택시는 빠짐

✅ MECE인 분류

불편 이유 = ① 교통수단 / ② 여객시설·보행환경 / ③ 특별교통수단 → 이동을 이루는 세 갈래가 겹치지 않고 전체를 포괄

MECE의 MECE적 분해
MECE
100%
겹침 없이
ME 50%
Mutually 서로 간에
Exclusive 배타적으로(중복 X)
빠짐 없이
CE 50%
Collectively 전체를 모아
Exhaustive 완전하게(누락 X)
MECE = 중복을 피함(no overlap) + 예외를 남기지 않음(no gap). 세 갈래(①②③)를 더하면 이동의 모든 순간이 덮인다.
그래서 겹치지 않게 나눈 이 세 갈래를, 더 깊게 파고드는 다음 도구로 이어간다.
데이터 분석 실전 — 교통약자
5 / 12
도구 2 · 질문 쪼개기
MECE의 다음 단계

원인을 가지치기해서 파고든다 — 로직트리

로직트리(Logic Tree)는 MECE로 나눈 가지를 그 아래에서 다시 MECE로 쪼개 내려가며 나무 모양으로 펼치는 방법이다. 상위 가지가 하위를 포괄하고, 하위는 상위에 종속되는 수직 계층을 이룬다.

Why-트리 vs How-트리

" 불편할까?"로 원인을 파는 Why-트리와, "어떻게 해결할까?"를 펼치는 How-트리가 있다. 지금은 원인을 찾는 단계이므로 Why-트리를 쓰고, 마지막 해석 단계에서 How-트리로 뒤집는다.

🔎 멈추는 지점가지를 무한히 쪼갤 필요는 없다 — 데이터로 확인 가능한 수준("저상버스가 몇 %냐"=검증 가능 / "기사가 불친절해서"=검증 불가)까지만 내려가면 충분하다.
계층 구조 — 상위가 하위를 포괄한다
1단계 · 대주제
2단계 · 중주제
3단계 · 소주제
데이터 검증점
왜 이동이
불편할까?
① 교통수단
② 시설·보행
③ 특별교통수단
버스 · 철도
역 · 보도
공급 · 운영
보급률
적합률
적합률
적합률
보급률
대기시간
그래서 이 구조를 교통약자 케이스에 실제로 그려본다.
데이터 분석 실전 — 교통약자
6 / 12
적용 · 가설의 지도
교통약자 케이스 실전

데이터를 보기 전에, 가설의 지도부터 그린다 — 5단계 로직트리

"우리 지역 교통약자는 왜 이동이 불편할까?"를 5단계로 파고든다. 맨 오른쪽 배지가 그 가지를 확인할 국토부 실태조사 지표다 — 여기까지 내려가야 "무엇을 데이터로 볼지"가 정해진다.

1질문 2MECE 대분류 3범주 4구체 원인 5데이터 검증 지점
교통약자는
왜 이동이
불편할까?
① 교통수단
버스
저상버스 부족
지역별 저상버스 보급률 보급률 %
철도 차량
승하차 단차
교통수단 기준적합률 적합률 %
② 시설·보행
역·터미널
엘리베이터 부재
여객시설 기준적합률 적합률 %
보도
턱·점자블록 미정비
도로(보행환경) 적합률 적합률 %
③ 특별교통수단
공급
법정대수 미달
법정대수 대비 보급률 보급률 %
운영
배차 지연
평균 대기시간 대기 分
그래서 당신은 학생에게 먼저 이 나무를 그리게 한 뒤 "5단계 끝(배지)까지 내려가야 무엇을 데이터로 볼지 정해진다"를 짚는다. 배지 = 실태조사 지표. 파랑/보라/청록 = 지역·연도로 비교할 축. "기사가 불친절해서" 같은 검증 불가 가지는 로직트리에서 이미 걸러진다.
이제야 데이터를 열 준비가 됐다 — 어떤 지표를 볼지 다 정해졌다.
데이터 분석 실전 — 교통약자
7 / 12
STEP 2 · 자료 수집
가지 → 지표

각 가지를 어떤 공공데이터로 확인하나

로직트리의 5단계 배지가 그대로 수집할 지표 목록이 된다. 모두 국토교통부 「교통약자 이동편의 실태조사」(국가승인통계, 매년 갱신) 한 출처에서 지역·연도별로 받을 수 있다.

MECE 갈래확인할 지표비교 축무엇을 말해주나
① 교통수단저상버스 보급률(%) · 교통수단 기준적합률(%)지역별 · 연도별버스·철도 차량 자체의 접근성
② 시설·보행여객시설 적합률(%) · 도로(보행환경) 적합률(%)지역별 · 시설유형별정류장까지 가고, 역을 통과할 수 있는가
③ 특별교통수단법정대수 대비 보급률(%) · 평균 대기시간(분)지역별 · 연도별일반 교통이 불가할 때의 대체 이동
📊 저상버스 전국 평균 약 30%대 📊 교통약자 약 30% 인구 ⚠ 최신 연도 수치는 그해 실태조사에서 직접 확인
🔎 수집 팁세 갈래의 지표를 같은 지역·같은 연도 기준으로 나란히 모아야 "어디가 가장 약한 고리인지"가 비교된다. 한 지표만 보면 그 지역의 진짜 병목을 못 찾는다.
그런데 이 지표들을 그릴 때, 절차 없이 보면 오독에 무방비해진다.
데이터 분석 실전 — 교통약자
8 / 12
STEP 3 · 분석
차트를 믿기 전에

"진짜일까, 그렇게 보이게 그린 걸까?"

📉 Y축 0 기준

보급률 막대의 세로축이 0에서 시작하지 않으면 28%와 32%의 작은 차이가 두 배처럼 커 보인다. 축이 잘렸다고 알려줘도 사람은 계속 과대평가한다.

🔗 상관 ≠ 인과

"저상버스가 많은 지역이 만족도도 높다"고 같이 움직여도, 저상버스가 원인이라 단정할 수 없다 — 예산 큰 대도시가 둘 다 높였을 수 있다(교란변수).

📊 평균의 함정

콜택시 평균 대기시간이 30분이어도, 새벽·외곽은 2시간일 수 있다. 평균만 보면 극단의 고통이 가려진다 — 중앙값·분포를 함께 본다.

🍒 체리피킹 · 표본

유리한 한 해·한 지표만 골라 "개선됐다"고 말하거나, 도심 정류장 몇 곳만 보고 지역 전체를 판단하면 안 된다.

💡 운영여섯 오독을 한 번에 다 가르치지 말고, 차트 하나마다 하나씩만 골라 "이 그림 믿어도 될까?"를 되묻게 한다. 심슨의 역설(합치면 뒤집히는 경향)은 지역을 도시/농촌으로 나눠보게 하면 자연스럽게 만난다.
그래서 살아남은 관찰만 모아, 마지막 해석으로 넘어간다.
데이터 분석 실전 — 교통약자
9 / 12
STEP 4 · 해석
예측이 데이터로 깨지는 지점

"그래서 어디부터 고쳐야 하나" — Why에서 How로

원인을 찾는 Why-트리를 다 내려왔으면, 이제 같은 가지를 How-트리로 뒤집어 "무엇을 먼저 개선할지" 우선순위를 만든다. 이때 처음 예측데이터 결론을 나란히 놓는 게 핵심이다.

🔮 수업 첫머리의 예측

"우리 지역은 저상버스가 제일 문제일 것 같다" — 학생 다수가 눈에 보이는 버스를 지목한다.

📊 데이터가 말한 결론(예)

정작 특별교통수단 대기시간이나 보행환경 적합률이 더 낮은 약한 고리일 수 있다 — 세 갈래를 다 봤기에 발견된다.

How-트리가장 낮은 지표 = 가장 약한 고리 → 여기에 개선을 먼저 배치
제언"우리 구는 콜택시 대기시간부터 줄여야 한다 — 근거는 이 지표"처럼 데이터로 뒷받침된 제안을 쓴다
해석의 게이트차트만 붙이고 넘어가지 못하게, "왜 이렇게 보이는가 + 그래서 무엇을 하자"를 문장으로 쓰게 한다. 데이터가 내 첫 예측을 뒤집은 지점을 반드시 한 줄로 기록시킨다 — 그게 이 수업의 학습 증거다.
데이터 분석 실전 — 교통약자
10 / 12
교사용 · 운영
한 차시 흐름

칠판에서 이렇게 굴린다

① 예측 (5분)
"교통약자에게 뭐가 제일 불편할까?" 예측을 먼저 잠근다
② 쪼개기 (15분)
MECE 3갈래 → 로직트리를 학생이 직접 그린다
③ 데이터 (15분)
배지 지표를 실태조사에서 받아 지역별로 비교
④ 해석 (10분)
예측 vs 결론 비교 → How-트리 제언 한 줄

산출물

① 학생이 그린 로직트리 한 장 ② 약한 고리를 짚은 비교 차트 ③ "무엇을 먼저 고치자"는 데이터 근거 제언문.

시간이 부족하면

②쪼개기와 ④해석에 시간을 몰아준다 — '예측이 데이터로 깨지는' 핵심 경험이 그 두 지점에서 일어난다. 차트는 한 갈래만 그려도 된다.

💡 팁①의 예측을 칠판에 모아 두고 ④에서 실제 결과와 나란히 비교하면, "생각이 얼마나 바뀌었는지"가 학생 눈에 바로 보인다. 이 교안은 AI 이론 위키의 PPT로 그대로 띄워 강의할 수 있다(펜 필기·타자·글자 크기/색).
데이터 분석 실전 — 교통약자
11 / 12
참고 자료 · 출처
근거

이 강의가 딛고 선 자료

📚 데이터 출처

  • 국토교통부 「교통약자 이동편의 실태조사」 — 국가승인통계, 매년 발표
  • 「교통약자의 이동편의 증진법」 제2조 — 교통약자 정의
  • 공공데이터포털(data.go.kr) — 저상버스·특별교통수단 지역별 데이터

📚 방법론 출처

  • GAISE II — ASA·NCTM(2020) 통계적 문제해결 4단계
  • 2022 개정 교육과정 — 탐구문제 설정→수집→분석→해석
  • 바바라 민토 『논리의 기술』 — MECE·로직트리 원전
  • Wikipedia — Misleading graph, Simpson's paradox
🔎 진위 확인슬라이드의 수치(저상버스 약 30%대, 교통약자 약 30% 인구)는 발표 연도에 따라 달라진다. 수업 전 그해 실태조사 보도자료에서 최신 수치를 확인해 갱신하고, 학생에게도 "이 숫자가 언제 것인지"를 함께 확인시킨다.
한 문장으로 지표부터 열지 말고, MECE로 쪼개고 로직트리로 데이터 검증점까지 내려간 다음에야 데이터를 편다.
데이터 분석 실전 — 교통약자
12 / 12