의사결정 시나리오, 권고안 도출

1. 의사결정 시나리오, 권고안 도출

리포트까지 만들었으니 남은 일은 데이터를 근거로 "가격을 올릴까 내릴까" 같은 실제 결정에 대한 권고안을 내는 것입니다. 지금까지 배운 분석, 검증, 리포팅이 여기서 하나의 결정으로 모입니다.

1.1 분석의 목적, 결정

4장에서 KPI를 계산하고, 5장에서 수요와 가격을 읽고, 6장에서 예측을 하고, 7장 3절에서 리포트를 썼습니다. 이 모든 것의 진짜 목적은 무엇일까요. 분석 자체가 목적이었던 적은 한 번도 없습니다. 분석은 결국 "그래서 무엇을 할 것인가"라는 질문에 답하기 위한 것이고, 그 답이 결정입니다.

7장 1절에서 경영자가 원하는 것이 "So what? Now what?"이라고 했습니다. 리포트가 "So what"까지 답했다면, 여기서는 "Now what"을 구체적인 권고안으로 만듭니다.

1.2 데이터 기반 의사결정 4단계

데이터를 근거로 결정을 내릴 때는 네 단계를 거칩니다.

• 결정할 질문: 결정의 대상을 명확히 합니다. "매출을 올리자"가 아니라 "이 상품의 가격을 내릴 것인가"처럼 예 또는 아니오로 답할 수 있어야 합니다.
• 근거: 지금까지의 분석 중 이 결정을 뒷받침하는 발견을 모읍니다.
• 권고와 이유: 실행 제안과 그 근거를 붙입니다.
• 리스크: 이 결정이 틀릴 수 있는 이유와 불확실성을 적습니다.

네 번째 단계를 빼먹기 쉽습니다. 권고까지 쓰고 나면 다 끝난 것 같기 때문입니다. 하지만 리스크가 빠진 권고는 위험한 결정으로 이어집니다. 좋은 권고는 리스크까지 말합니다. 6장 4절에서 예측을 점이 아니라 범위로 보여 줘야 정직하다고 했던 것과 같은 정신입니다.

1.3 시나리오, 스마트워치 가격 인하

실제 결정을 하나 놓고 4단계를 밟아 보겠습니다.

결정할 질문은 이것입니다. 우리 쇼핑몰에서 가장 안 팔리는 상품은 스마트워치입니다. 단가 20만 원에 1년 판매량이 114개로 열여섯 개 상품 중 최저입니다. 이 상품의 가격을 내려 판매량을 늘릴까요?

근거는 5장에서 이미 모아 두었습니다.

권고는 Claude에게 요청합니다. 근거를 함께 주고, 권고와 이유와 리스크를 모두 달라고 명시합니다.

아래 분석을 근거로 스마트워치 가격을 내릴지 권고안을 제시해줘.
권고와 이유, 그리고 리스크도 함께 제시해줘.

[분석 근거]
- 스마트워치: 단가 200,000원, 1년 판매량 114개로 16개 상품 중 최저
- 상품별 단가와 판매수량의 상관계수 -0.74 (가격이 낮을수록 많이 팔리는 경향)
- 이 상관은 서로 다른 16개 상품을 비교한 것임
- 스마트워치는 디지털 카테고리, 구매 빈도가 낮은 상품

Claude의 답은 아래와 비슷하게 나옵니다.

스마트워치 가격 인하 권고안

권고: 전면 인하보다 소규모 할인 테스트를 먼저 권합니다.

이유: 데이터상 가격이 낮을수록 잘 팔리는 경향이 있어, 인하가 판매량을 높일 가능성이 있습니다.

리스크: 이 경향은 서로 다른 상품을 비교한 것이라 스마트워치 자체의 가격 반응을 보장하지 않습니다. 스마트워치는 자주 사는 물건이 아니므로, 가격을 내려도 판매가 크게 늘지 않을 수 있습니다.

권고가 "내리자"가 아니라 "작게 시험해 보자"로 나온 점에 주목하세요. 근거에 한계를 함께 적어 주었기 때문에 AI가 그 한계를 반영한 권고를 낸 것입니다. 근거에서 "서로 다른 상품을 비교한 것"이라는 줄을 빼고 요청해 보면, 훨씬 자신 있게 "인하하라"는 답이 나올 가능성이 큽니다. 리스크는 AI가 알아서 찾아 주는 것이 아니라, 사람이 근거에 함께 넣어 주어야 합니다.

1.4 리스크가 중요한 이유

이 시나리오에서 리스크가 왜 그렇게 중요한지 5장 3절을 다시 떠올려 보겠습니다. 우리가 구한 상관계수 -0.74는 머그컵부터 스마트워치까지 서로 다른 열여섯 개 상품을 한 그래프에 놓고 본 것입니다. 스마트워치가 덜 팔리는 것이 "비싸서"만은 아닙니다. 머그컵은 자주 사는 생활용품이고 스마트워치는 몇 년에 한 번 사는 전자기기입니다. 가격 말고도 종류와 구매 빈도라는 요인이 섞여 있습니다.

진짜 가격 탄력성은 한 상품의 가격을 바꿔 보고 그 상품의 수요 변화를 보는 것입니다. 우리는 그 데이터를 갖고 있지 않습니다. 그러니 "가격을 내리면 팔린다"는 결론은 데이터가 시사하는 방향일 뿐, 확정이 아닙니다.

1.5 작게 시험하고 확대하기

그렇다면 스마트워치 가격은 어떻게 해야 할까요. 확신이 없다고 아무것도 하지 않으면 데이터가 준 방향을 버리는 것입니다. 답은 작게 시험하고, 결과를 보고 확대하는 것입니다. 전면 인하 대신 한 달만, 또는 일부 고객에게만 할인을 적용해 판매가 실제로 느는지 확인한 뒤 확대 여부를 결정합니다.

이 태도는 3장부터 이어져 온 원칙과 같습니다.

3장에서 AI의 답을 그냥 믿지 말라고 했습니다. 5장에서 같이 움직인다고 원인은 아니라고 했습니다. 6장에서 예측은 과거로 시험하고 범위로 보여 주라고 했습니다. "확신하지 말고 검증하라"는 이 원칙이 의사결정 단계에서는 "확신하지 말고 작게 시험하라"로 완성됩니다.

데이터가 시사하지만 확정이 아닐 때, 작은 실험은 가장 싼 검증 방법입니다. 한 달 할인 테스트의 비용은 전면 인하가 실패했을 때의 손실에 비하면 아주 작습니다. 그리고 그 테스트에서 나온 판매량 변화는 열여섯 개 상품을 비교한 상관계수보다 훨씬 믿을 만한 근거가 됩니다. 스마트워치 하나의 가격을 바꿔 본 진짜 탄력성 데이터이기 때문입니다.

1.6 직접 해보기

다른 결정에 4단계를 적용해 봅니다. 결정할 질문은 이것입니다. 재구매율이 30%로 낮습니다. 신규 고객 획득과 재구매 유도 중 어디에 마케팅 예산을 투자해야 할까요?

1. 4장에서 계산한 결과 중 이 결정의 근거가 될 발견을 모아 봅니다. 재구매율 30.2%, 상위 20% 고객이 매출의 56.3%를 차지한다는 파레토 분석 결과, daily_traffic.csv로 구한 고객획득비용 등이 후보입니다.
2. 모은 근거를 1.3의 프롬프트 형식으로 Claude에게 주고, 권고와 이유와 리스크를 요청합니다.
3. 받은 권고의 리스크가 충분한지 검증합니다. 예를 들어 "재구매 유도에 투자하면 재구매율이 오른다"는 권고에는 어떤 숨은 가정이 있을까요? 한 번 산 고객이 만족하지 않아서 안 돌아오는 것이라면 쿠폰이 효과가 있을까요?
4. 권고안에서 "작게 시험하기"에 해당하는 실험을 하나 설계해 봅니다. 어떤 고객에게, 얼마 동안, 무엇을 해 보고, 무엇을 측정하면 될까요?
5. 권고안에 리스크를 꼭 포함해야 하는 이유를 한 문장으로 정리해 봅니다.