핵심 비유
데이터 분석은 '지도 없이 산에 오르는 것'이 아니라 '먼저 등산로 지도를 그리고 오르는 것'이다 — "우리 지역 교통약자는 왜 이동이 불편할까?"라는 큰 질문을 무작정 데이터부터 열어 답하려 들면 눈에 띄는 지표(저상버스 보급률) 하나만 보고 끝난다. 데이터를 열기 전에 MECE로 문제를 겹치지 않게 쪼개고, 로직트리로 "무엇을 데이터로 확인할지"까지 내려간 뒤에야 지표를 편다. D1이 급식 잔반으로 이 절차를 보였다면, D3는 교통약자라는 사회 문제로 같은 절차(방법론 → MECE → 로직트리 → 오독 점검 → 해석)를 처음부터 끝까지 다시 밟는 독립 강의다.
핵심 포인트
- 교통약자는 소수가 아니다. 「교통약자의 이동편의 증진법」 제2조는 교통약자를 장애인·고령자·임산부·영유아 동반자·어린이 등으로 정의한다 — 누구나 생애의 한 시기(유아기·임신기·노년기·부상 시)에는 교통약자가 된다. 국토부 실태조사 기준 약 1,500만 명, 전체 인구의 약 30%다(정확한 최신 수치는 그해 실태조사에서 확인).
- 데이터 분석은 기법이 아니라 절차다. GAISE II(ASA·NCTM, 2020)의 4단계 — 질문 설정 → 자료 수집 → 자료 분석 → 결과 해석 — 는 한국 2022 개정 교육과정의 '탐구문제 설정 → 수집 → 분석 → 해석'과 정확히 대응한다. 이 케이스도 그 4단계로 굴린다.
- 질문을 안 쪼개면 아무 지표나 본다. 실태조사 표를 열자마자 저상버스 보급률만 막대로 그리고 "우리 지역이 낮네요"로 끝내면, 보행환경·엘리베이터·특별교통수단은 아예 보지 못한다(체리피킹·누락). 분석의 품질은 차트 개수가 아니라 "원인을 빠짐없이·겹침없이 다뤘는가"가 가른다.
- MECE(Mutually Exclusive, Collectively Exhaustive)는 큰 질문을 서로 겹치지 않으면서(배타)·빠짐없이 전체를 덮도록(포괄) 쪼개는 도구(맥킨지 바바라 민토 체계화). 교통약자 이동 불편의 MECE 대분류 = ① 교통수단(버스·철도 차량) / ② 여객시설·보행환경(역·보도) / ③ 특별교통수단(장애인콜택시) — 이동을 이루는 세 갈래가 겹치지 않고 이동의 모든 순간을 덮는다. "버스 불편 / 지하철 불편 / 저상버스 부족"식 분류는 겹치고(버스≈저상버스) 빠뜨려서(보행·콜택시) MECE가 아니다.
- **로직트리(Logic Tree)**는 MECE로 나눈 가지를 그 아래에서 다시 MECE로 쪼개 내려가는 나무다. 원인을 파는 Why-트리와 해결을 펼치는 How-트리가 있는데, 원인 탐색 단계에선 Why-트리를 쓰고 해석 단계에서 How-트리로 뒤집는다. 가지는 데이터로 확인 가능한 수준까지만 내려간다 — "저상버스가 몇 %냐"는 검증 가능, "기사가 불친절해서"는 검증 불가라 트리에서 걸러진다.
- 5단계 로직트리(질문 → MECE 대분류 → 범주 → 구체 원인 → 데이터 검증 지점). 맨 끝 배지가 그대로 수집할 지표가 된다 — ① 저상버스 보급률(%)·교통수단 기준적합률(%) / ② 여객시설 적합률(%)·도로(보행환경) 적합률(%) / ③ 법정대수 대비 보급률(%)·평균 대기시간(분). 모두 국토부 「교통약자 이동편의 실태조사」 한 출처에서 지역·연도별로 받는다. 여기까지 내려와야 "무엇을 데이터로 볼지"가 정해진다.
- 분석 시 오독 점검(차트 하나에 하나씩). Y축 0 기준(보급률 막대 축을 자르면 작은 차이가 커 보임) / 상관 ≠ 인과(저상버스 많은 지역이 만족도도 높아도 예산 큰 대도시라는 교란변수 가능) / 평균의 함정(콜택시 평균 대기 30분이어도 외곽·새벽은 2시간 — 중앙값·분포 병기) / 체리피킹·표본 대표성 / 심슨의 역설(도시·농촌으로 나눠보면 합산 경향이 뒤집힐 수 있음).
- 해석 = Why에서 How로. 가장 낮은 지표 = 가장 약한 고리 → 여기에 개선을 먼저 배치하는 How-트리로 전환한다. 핵심은 첫 예측과 데이터 결론을 나란히 놓는 것 — 다수가 "저상버스가 문제"라 예측했는데 정작 콜택시 대기시간이나 보행환경 적합률이 더 낮은 약한 고리일 수 있다(세 갈래를 다 봤기에 발견). "그래서 우리 구는 ○○부터 고쳐야 한다 — 근거는 이 지표"라는 데이터 근거 제언문을 쓰게 하고, 데이터가 내 예측을 뒤집은 지점을 반드시 한 줄로 기록시킨다.
교사 팁
한 차시(약 45분)를 **① 예측(5분) → ② 쪼개기(15분) → ③ 데이터(15분) → ④ 해석(10분)**으로 굴린다. 시작할 때 지표부터 보여주지 말고 "교통약자에게 뭐가 제일 불편할까?"로 예측을 먼저 잠근 뒤 칠판에 모아 둔다. ②에서 MECE 3갈래와 로직트리를 학생이 직접 그리게 하는 것이 이 수업의 무게중심 — 여기서 "무엇을 데이터로 볼지"가 저절로 정해지는 경험을 만든다. 시간이 부족하면 ②쪼개기와 ④해석에 몰아주고 차트(③)는 한 갈래만 그려도 된다('예측이 데이터로 깨지는' 핵심 경험이 ②·④에서 일어난다). 슬라이드의 수치(저상버스 약 30%대, 교통약자 약 30% 인구)는 발표 연도마다 달라지므로 수업 전 그해 실태조사 보도자료로 갱신하고, 학생에게도 "이 숫자가 언제 것인지"를 함께 확인시켜 데이터 리터러시를 같이 짚는다. 이 교안(D3)은 AI 이론 위키의 PPT로 그대로 띄워 강의할 수 있다(펜 필기·타자·글자 크기/색·단축키 지우기).