차트를 많이 아는 것과
데이터를 잘 읽는 것은 다르다
급식 잔반 한 접시로 배우는, 데이터 분석 교육의 진짜 원칙
"차트 종류를 많이 알수록 데이터 분석을 잘하는 것"
데이터 분석 교육 자료는 대개 막대·선·원형·산점도·히스토그램·박스플롯을 하나씩 소개하고 "언제 무슨 차트를 쓴다"는 표로 끝난다. 배우고 나면 차트 이름은 늘었는데, 정작 실제 자료를 받았을 때 무엇부터 해야 할지는 여전히 막막하다.
이 교안을 준비하며 우리도 같은 함정에 빠졌었다 — data-class의 '분석도구' 화면을 처음 정리했을 때, 9종 도구를 카탈로그처럼 나열했을 뿐 "왜 이 순서로, 왜 이 도구를 골라야 하는지"는 빠져 있었다. 나열은 쉽지만, 그 자체로는 학생이 실제 자료 앞에서 무엇을 해야 할지 알려주지 못한다.
❌ 나열형 교육의 결과
기법 이름은 외웠지만 "이 데이터에 뭘 써야 하지?"라는 질문 앞에서 다시 멈춘다. 도구함은 채웠는데 그 도구를 언제 쓰는지 감이 없는 상태.
데이터 분석의 핵심은 기법이 아니라 절차다
국제 통계교육 표준 GAISE II(Pre-K–12 Guidelines for Assessment and Instruction in Statistics Education II, 미국통계학회·NCTM 승인, 2020)는 통계적 문제해결을 4단계로 정의한다 — 질문 설정 → 자료 수집 → 자료 분석 → 결과 해석. 이 4단계의 핵심 업데이트는 순서가 아니라, 모든 단계를 "질문하기"가 관통하는 순환 구조라는 점이다.
기법(평균·상관·비율 등)은 이 절차 안에서 필요할 때 자연스럽게 만나는 도구여야지, 절차보다 먼저 암기해야 할 목록이 되어서는 안 된다.
이 4단계는 미국·한국이 똑같이 가르친다
GAISE II의 4단계는 한국 통계청(KOSTAT) 통계교육과 2022 개정 교육과정의 '자료와 가능성' 영역이 가르치는 절차와 정확히 대응한다. 서로 다른 나라가 독립적으로 같은 결론에 닿았다는 것은, 이 절차가 특정 교육과정의 유행이 아니라 통계적 사고의 구조 자체라는 근거다.
| 단계 | GAISE II (ASA·NCTM, 2020) | 한국 KOSTAT · 2022 개정 교육과정 |
|---|---|---|
| 1 · 질문 설정 | Formulating a statistical investigative question | 탐구 문제 설정 |
| 2 · 자료 수집 | Collecting / considering data | 자료 수집 |
| 3 · 분석 | Analyzing data | 자료 분석 |
| 4 · 해석 | Interpreting results | 결과 해석 |
산출물 캔버스는 이 절차의 화면판이다
data-class 산출물 캔버스(C챕터)의 6단계 흐름 — 케이스 선택 → 데이터 보기 → 분석도구 → 인터뷰 → 산출물 작성 → 모의 발표 — 은 GAISE 4단계를 학생이 실제로 밟는 화면 동선으로 풀어낸 것이다.
B챕터의 근거수집 단계(3방)도 이 절차 초입에 있다 — '분석 방'은 피벗 결과에서 관찰문 한 줄을 자동 생성해 "근거로 담기" 칩으로 캡처하게 한다. 차트를 저장시키는 게 아니라, 해석 문장을 만들게 강제하는 설계다.
놓치지도, 겹치지도 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. 맥킨지 바바라 민토가 체계화했다.
방위동·서·남·북
가위바위보가위·바위·보
❌ MECE가 아닌 분류
잔반 이유 = 맛없어서 / 양이 많아서 / 급식실 문제 → '양이 많아서'와 '급식실 문제'가 겹치고(배식량=급식실 소관), 학생 컨디션 같은 원인은 빠짐
✅ MECE인 분류
잔반 이유 = 공급 측 / 수요 측 / 외부 요인 → 세 갈래가 겹치지 않고 전체를 포괄
100%
ME 50%
CE 50%
원인을 가지치기해서 파고든다 — 로직트리
로직트리(Logic Tree)는 MECE로 나눈 가지를 그 아래에서 다시 MECE로 쪼개 내려가며 나무 모양으로 펼치는 방법이다. 상위 가지가 하위 가지를 포괄하고, 하위는 상위에 종속되도록 수직 계층을 이룬다.
Why-트리 vs How-트리
"왜 그럴까?"를 반복해 원인을 파고드는 Why-트리와, "어떻게 해결할까?"를 펼치는 How-트리가 있다. 급식 잔반은 원인을 찾는 단계이므로 Why-트리를 쓴다.
(대주제)
데이터를 보기 전에, 가설의 지도부터 그린다 — 5단계 로직트리
"급식 잔반이 왜 많을까?"를 5단계로 파고든다. 맨 오른쪽 배지가 그 가지를 확인할 data-class 피벗 축이다 — 여기까지 내려가야 "무엇을 데이터로 볼지"가 정해진다.
왜 많을까?
절차를 건너뛰면, 오독에 무방비해진다
기법을 배워도 "왜 이 결과를 의심해야 하는지"를 모르면 그래프에 쉽게 속는다. 두 가지는 실증 근거가 특히 강하다.
Y축은 0에서 시작해야 한다
막대 그래프 세로축을 0이 아닌 값에서 시작하면 작은 차이가 크게 보인다. 결정적으로, 실험 참가자에게 축이 잘렸다고 미리 알려줘도 사람들은 계속 차이를 과대평가했다(JARMAC 2020, 5개 실험). "조심하라"는 경고로는 해결이 안 되고, 처음부터 0에서 그리는 것만이 해법이다.
상관 ≠ 인과
두 값이 같이 움직여도 하나가 다른 하나의 원인이라는 뜻은 아니다. GAISE II는 관찰연구(무작위 배정이 없는 연구)는 교란변수 때문에 인과를 주장할 수 없다고 명시한다 — "이건 관찰연구였으므로 인과관계를 주장할 수 없다"(GAISE II 원문).
합쳐 보면 사라지거나 뒤집히는 경향도 있다
심슨의 역설 — 그룹별로는 뚜렷한 경향이 있는데, 그룹을 합치면 경향이 사라지거나 반대로 뒤집히는 현상. 원인은 그룹 크기가 다르거나 숨은 변수(교란변수)가 있기 때문이다(Simpson 1951; Charig 외 1986 신장결석 치료 연구가 대표 사례).
data-class 케이스 적용
한 반 데이터만 보고 "학교 전체가 이렇다"고 말하면 표본 대표성 오류. 캠페인 첫 하루만 보여주고 "잔반이 줄었다"고 하면 체리피킹. 반별 학생 수가 다른데 총량으로만 비교하면 심슨의 역설과 같은 종류의 왜곡이 생긴다 — 그래서 data-class는 1인당 환산(잔반율) 필드를 따로 둔다.
"통계 기법은 먼저 가르쳐야 하지 않나?"
기법 자체는 여전히 필요하다 — 이 교안이 부정하는 건 기법이 아니라 순서다. "차트 카탈로그를 먼저 암기시킨 뒤 문제에 적용하라"는 순서 대신, 질문에 답하려다 자연스럽게 그 도구를 만나는 순서로 배치해야 한다.
❌ 기법 먼저
"오늘은 상관 분석을 배웁니다" → 예시 데이터에 공식을 적용 → 다음 시간엔 다른 기법. 기법은 늘어나지만 "언제 쓰는지" 감이 없다.
✅ 질문 먼저
"기온과 잔반, 관계가 있을까?" → 그 질문에 답하다 보니 상관 분석을 만난다 → 결과를 보고 "정말 원인인지" 되묻는다.
data-class의 '추천 탭' 위저드가 정확히 이 원칙을 구현한다 — 질문(7문항) → 도구 추천 순서지, 도구 목록에서 질문을 만드는 순서가 아니다.
실제 화면 — 생각지도와 방 탭
근거수집 3방 — 관찰이 저절로 문장이 되게
B챕터의 근거수집 단계는 데이터 방·분석 방·인터뷰 방 3개로 나뉜다. 이 중 분석 방이 앞선 주장의 실제 구현이다 — 피벗으로 자료를 묶어 보면 결과에서 관찰문 한 줄이 자동 생성되고, 학생은 "근거로 담기" 칩으로 그 문장을 캡처한다. 기법을 배우는 게 아니라, 기법을 쓴 결과가 바로 해석 문장으로 이어지는 경험이다.
1 · 데이터 방
원자료를 표로 훑어보며 감을 잡는다.
2 · 분석 방
피벗 → 관찰문 자동생성 → 근거로 담기.
3 · 인터뷰 방
수치로 안 보이는 이유를 AI NPC에게 묻는다.
'분석 방' 안에서 축을 직접 조립한다
급식 잔반(생각지도 v2)의 분석 방은 별도 탭으로 나뉘어 있지 않다. 피벗 패널 하나 안에 추천 질문 칩 5개(요일별·메뉴 카테고리별·학년별·기온별·월별)와, 직접 조립하는 축 4가지(묶기 dimension·숫자 measure·비교숫자 measure2·나누기 split)가 함께 있다. 학생은 칩을 눌러 시작하거나, 축을 바꿔가며 자유롭게 탐색한다.
💭 추천 질문
"기온이 높은 날과 낮은 날의 차이는?" 등 5개 칩. 누르면 축이 자동으로 채워진다.
⚙️ 직접 조립
묶기·숫자·비교숫자·나누기 4축을 학생이 원하는 조합으로 바꿔본다.
실제 화면 — 피벗 4축 조립 화면
9가지 도구 이름, 9가지 정식 분석법
data-class 화면에는 쉬운 도구 이름이 보이지만, 앱 라벨은 실제로 대표 숫자 보기(기술 통계)처럼 정식 분석법 이름을 괄호로 함께 담고 있다. 교사가 정식 명칭과 한 줄 설명을 알아두면, 학생이 어떤 축 조합을 고르든 "이건 시계열 분석이네, 이건 그룹 비교네" 하고 짚어줄 수 있다.
| 정식 분석법 | data-class 도구 이름 | 한 줄 설명 | 차트 |
|---|---|---|---|
| 기술 통계 | 대표 숫자 보기 | 여러 숫자를 평균·중앙값·범위로 요약한다 | 막대 |
| 시계열 분석 | 시간에 따라 보기 | 시간 순서로 오르내림의 방향을 본다 | 선 |
| 그룹 비교 | 두 무리 비교하기 | 같은 기준으로 두 집단을 나란히 비교한다 | 막대 |
| 상관 분석 (≠ 인과) | 같이 움직이는지 보기 | 두 값이 함께 움직이는지 본다 — 원인은 아니다 | 선 |
| 분포 · 이상치 | 몰린 곳·튀는 값 보기 | 값이 몰린 구간과 혼자 튀는 값을 본다 | 막대 |
| 빈도 · 비율 | 가장 많은 것 찾기 | 종류별 개수·비율로 우선순위를 찾는다 | 막대 |
| 퍼널 · 전환 | 어디서 빠지는지 보기 | 단계별 잔존으로 이탈 지점을 찾는다 | 막대 |
| 순위화 · 케이스 전용 | 메뉴별 잔반량 보기 | 메뉴별 잔반량 합계를 큰 순서로 정렬한다 | 막대 |
| 1인당 환산 · 케이스 전용 | 배식량 대비 잔반 비율 | 잔반량÷배식량으로 공정하게 비교한다 | 막대 |
기술 통계 · 대표 숫자 보기
숫자 묶음이 대체로 어떤 모습인지 평균·중앙값·범위 같은 대표 숫자 2~3개로 줄여 보는 방법이다. 반 친구 30명의 키를 다 외우는 대신 평균과 범위를 먼저 적어보는 것과 같다.
급식 잔반 적용
평균과 중앙값을 같이 보면 데이터가 한쪽으로 쏠렸는지 빨리 알 수 있다 — 극단값(잔반이 유난히 많았던 하루)이 평균을 얼마나 흔드는지 확인한다.
📖 이렇게 읽어요
대표값 두 개(평균·중앙값)를 나란히 보고, 벌어진 정도로 쏠림을 판단한다.
가구 중위소득 vs 평균소득
복지 기준을 정할 때 평균보다 가운데 값(중위소득)이 생활 현실을 더 잘 보여줄 때가 많다.
KOSIS 가구소득 통계서비스 응답 시간
평균만 보지 않고 가운데 값·느린 경우도 함께 봐 실제 체감을 판단한다.
Netflix Tech Blog학업 성취 평균과 격차
평균이 높아도 점수 차가 크면 같은 집단 안에서도 격차가 클 수 있다.
OECD PISA시계열 분석 · 시간에 따라 보기
시간 순서로 된 표에서 값이 올라가는지 내려가는지 방향을 보는 방법이다. 체중 기록을 하루 단위 대신 한 달 흐름으로 보며 운동 효과를 확인하는 느낌과 같다.
급식 잔반 적용
월별 평균 변화를 보되 시간 순서를 지켜 읽어야 한다. 튀는 값 하나보다 여러 달이 같은 방향으로 움직이는지 먼저 본다 — 시험 기간·행사철 배경도 같이 메모한다.
📖 이렇게 읽어요
상승·하락 방향을 먼저 찾고, 급변한 시점에 배경 사건(시험·행사)을 메모한다.
교통사고 사망자 추이
해마다 줄었는지 보며 안전 정책 효과를 확인 — 정책 시작 시점을 함께 표시한다.
도로교통공단 TAAS주별 재방문 비율
새 기능을 넣은 뒤 몇 주 동안 사람들이 계속 쓰는지 확인한다.
Amplitude Blog계절별 미세먼지 변화
특정 계절에 반복되는 모습과 오랜 기간의 추세를 나눠 본다.
국립환경과학원그룹 비교 · 두 무리 비교하기
같은 기준으로 나눈 두 개 이상의 집단을 나란히 놓고 차이를 보는 방법이다. 학년별 급식 만족도를 한 줄 표가 아니라 막대 높이로 비교하는 상황과 같다.
급식 잔반 적용
학년대별 잔반량 차이를 볼 때 학년별 학생 수가 다르면 건수보다 비율로 비교하는 게 안전하다. 차이가 왜 났는지 인터뷰 방과 연결해 근거를 더 찾는다.
📖 이렇게 읽어요
어느 그룹이 상대적으로 높은지 한 문장으로 적고, 그 배경을 인터뷰로 잇는다.
학년별 안전교육 체감 차이
집단별 차이를 보면 어느 쪽에 먼저 지원을 넣을지 판단이 쉬워진다.
교육부 공공데이터두 화면 비교(A/B 실험)
두 화면 중 어느 쪽을 사람들이 더 많이 누르는지 그룹으로 나눠 본다.
Optimizely Blog도시·농촌 생활만족도
같은 설문 문항을 집단별로 비교해 환경 차이의 영향을 살핀다.
한국사회조사상관 분석 · 같이 움직이는지 보기
두 숫자가 함께 늘거나 함께 줄어드는지 보는 방법이다. 공부 시간이 늘수록 잠이 줄어드는지 같이 움직임을 메모하는 것과 비슷하다.
급식 잔반 적용
"기온이 높은 날 잔반이 많다"는 관찰이 나와도 그날 메뉴가 진짜 원인이었을 수 있다 — 온도와 잔반량이 같이 변했다고 온도가 원인이라 단정할 수 없다.
📖 이렇게 읽어요
같은 방향인지 반대 방향인지 요약하되, "원인일까?"라는 검증 질문을 반드시 남긴다.
통학거리와 지각 비율
집이 멀수록 지각이 느는지 보되 버스 배차 등 다른 이유도 놓치지 않는다.
서울열린데이터광장광고 노출과 구매 비율
광고를 많이 볼수록 구매가 느는지 보되 바로 원인이라 단정하지 않는다.
Google Analytics수면 시간과 스트레스
관계 방향을 찾은 뒤 다른 요인이 있는지 추가 질문을 붙인다.
질병관리청분포 · 이상치 · 몰린 곳·튀는 값 보기
값들이 어느 구간에 몰려 있는지, 혼자 유난히 튀는 값이 있는지 보는 방법이다. 시험 점수가 대부분 70점대인데 한두 명만 매우 높거나 낮은지 보는 상황과 같다.
급식 잔반 적용
대부분 날짜는 잔반량이 특정 구간에 몰려 있는데 유난히 튀는 하루가 있다면 바로 오류라 단정하지 말고 맥락(행사·체험학습 등)을 먼저 확인한다.
📖 이렇게 읽어요
가장 많은 구간과 드문 구간을 나눠 설명하고, 튀는 값은 오류인지 실제 사건인지 가른다.
시간대별 미세먼지 몰림
평균보다 위험 구간이 얼마나 자주 나타나는지가 건강에 더 중요할 때가 많다.
에어코리아주문 금액의 몰림
소액 주문이 많은지, 고액 몇 건이 평균을 끌어올리는지 구분한다.
Shopify Analytics설문의 튀는 응답
너무 높거나 낮은 응답이 입력 실수인지 실제 현상인지 구분한다.
ICPSR Methods빈도 · 비율 · 가장 많은 것 찾기
종류별 개수와 비율을 비교해 무엇을 먼저 살펴야 하는지 찾는 방법이다. 반에서 어떤 교통수단으로 오는 친구가 가장 많은지 세어보는 일과 같다.
급식 잔반 적용
메뉴 분류별로 가장 많은 곳을 먼저 찾으면 다음 조사에서 어떤 메뉴부터 인터뷰할지 우선순위가 생긴다.
📖 이렇게 읽어요
가장 큰 범주와 작은 범주를 같이 읽고, 합이 100%가 되는지·누락 범주가 없는지 확인한다.
통학 수단 비율
어떤 수단 비중이 높은지 알면 보행 안전·버스 지원 우선순위를 정하기 쉽다.
공공데이터포털고객 문의 종류
가장 많이 몰리는 문의 유형부터 개선하면 응대 시간을 크게 줄인다.
Zendesk Blog청소년 여가 활동
어떤 활동 유형이 가장 흔한지 읽어 세대 특성을 설명한다.
한국청소년정책연구원퍼널 · 전환 · 어디서 빠지는지 보기
단계별로 몇 명이 남고 빠지는지 보여줘 가장 많이 빠지는 지점을 찾는 방법이다. 동아리 홍보를 본 학생 중 실제 가입까지 몇 명이 남는지 단계별로 세는 것과 같다.
급식 잔반 적용
잔반 줄이기 캠페인이 있었다면 "캠페인 인지 → 실천 시도 → 지속" 중 어느 단계에서 학생이 많이 빠졌는지 같은 방식으로 볼 수 있다.
📖 이렇게 읽어요
가장 많이 빠져나간 단계를 먼저 표시하고, 앞 단계 대비 전환율로 우선 개선 구간을 찾는다.
프로그램 참여 이탈 지점
신청→참여→완료 중 어디서 많이 빠지는지 보면 고칠 곳이 보인다.
정부혁신 우수사례회원가입 퍼널
방문→클릭→가입 중 어느 단계가 막히는지 찾는 기본 방법이다.
Mixpanel Blog설문 완료율
긴 설문에서 어떤 문항 구간 이후 응답 중단이 느는지 확인한다.
Pew Research Methods순위화 · 메뉴별 잔반량 보기
메뉴명(menu_name)으로 묶고 잔반량(waste_kg)을 더해 가장 높은 막대부터 순서를 매기는 방법이다. 이 그래프는 "먼저 살펴볼 메뉴를 고르는 출발점"이다.
급식 잔반 적용
가장 높은 막대가 잔반량 1위 메뉴다. 다만 많이 남은 이유는 그래프만으로 단정하지 말고, 인터뷰 방에서 AI NPC에게 확인한다 — 다음 슬라이드(1인당 환산)와 반드시 같이 봐야 한다.
📖 이렇게 읽어요
큰 막대부터 조사 순위를 매기되, "왜 많이 남았나"는 순위만으로 답하지 않는다.
민원 유형 순위
가장 많이 접수된 민원 유형부터 정리하면 무엇을 먼저 개선할지 우선순위가 선다.
정부24 민원 통계매출 상위 상품(파레토)
상위 몇 개 상품이 매출 대부분을 차지하는지 순위로 보고 집중 관리한다.
리테일 데이터 분석사망 원인 순위
상위 사망 원인부터 정책 자원을 배분하기 위해 순위를 매긴다.
통계청 사망원인통계1인당 환산 · 많이 만들어서 많이 남은 걸까?
잔반 비율은 잔반량 ÷ 배식량 × 100으로 계산한다. 많이 만든 메뉴는 잔반량 절대치도 커지기 쉬우므로, 배식량 열이 있는 표에서는 잔반량보다 잔반 비율이 더 공정한 비교 기준이다.
인구 10만 명당 발생률
인구가 다른 지역을 공정하게 비교하려고 절대 건수 대신 10만 명당으로 환산한다.
질병관리청 감염병 통계방문수 대비 전환율
방문이 많은 채널이 유리해 보이는 착시를, 방문 대비 비율로 보정한다.
Google Analytics1인당 GDP
인구 규모가 다른 나라를 비교하려고 총량이 아니라 1인당으로 나눠 본다.
World Bank차트만 보고 그냥 넘어가지 못하게 막는 장치
급식 잔반(가이드형)의 분석 방은 축을 조합하면 관찰문이 자동 생성되고, 학생은 그 문장을 "근거로 담기" 칩으로 캡처해야 다음 근거로 쓸 수 있다 — 차트만 보고 그냥 넘기는 걸 막는 장치다. 자유형(free) 케이스의 산출물 캔버스는 다른 방식으로 같은 목적을 이룬다 — 해석 50자 이상을 직접 쓰지 않으면 다음으로 못 넘어가는 명시적 게이트다.
다른 학교는 이미 이렇게 가르치고 있다
공공데이터 5차시 — "예상과 다른 데이터"
고교 정보 교과에서 학생이 공공데이터포털(data.go.kr) 자료를 수집·가공·분석·발표. 핵심 학습 포인트는 실제 데이터가 예측과 다르게 나온다는 것 자체 — data-class의 "온보딩 예측 → 피벗으로 반박" 설계와 같은 구조다.
AI 분석 결과 비판적 해석 — "측정치일 뿐, 정답 아님"
초등 AI 융합교육 사례에서 학생이 AI 군집분석 결과를 탐구하되, 결과는 입력 데이터 기반 측정치일 뿐 절대적 정답이 아님을 명시적으로 안내한다. data-class의 AI NPC 인터뷰 결과에도 그대로 적용된다.
차트부터 가르치지 말고, 질문부터 시작하라
📚 1차 출처
- GAISE II — ASA·NCTM(2020), 무료 PDF
- KOSTAT 통계교육 · 2022 개정 교육과정
- JARMAC(2020) — Y축 절단 실증연구
- Wikipedia — Simpson's paradox, Misleading graph
📚 2차 출처
- 에듀인뉴스 — 공공데이터 5차시 실수업 사례(2019)
- 2025 AIEDAP 수도권역 AI 융합교육 사례집
- data-class — data.teachermate.co.kr