인과관계란 두 개 혹은 그 이상의 변수 간의 원인과 결과의 관계를 의미한다. 이때 변수란 대상이 될 수도 있고 사건이 될 수도 있다.(단어가 변수가 될 수도 있고, 문장이 변수가 될 수도 있다)
변수들이 형성하는 다양한 관계 중 인과관계는 비즈니스면이던 과학면이던 가장 중요한 관계로 다루어진다.
인과관계를 이야기할 때 因이 되는 부분을 근거, 원인, 이유 등으로 부르기도 하는데, 근거, 이유란 행동이나 언행이 결론에 이르게 된 까닭, 원인이란 ‘어떤 사물이나 상태를 변화시키거나 일으키게 하는 근본이 된 일이나 사건’을 의미한다.
이처럼 ‘원인’은 일이나 사건을 가리킨다는 점에서 객관적인 사실을 묻는 데 반해 ‘근거, 이유’는 다소 주관적인 사실을 묻는다는 데에 차이가 있다고 할 수 있다.
가설과 인과관계
가설이란 둘 이상의 변인들 간의 관계에 관한 일종의 추측이다. 이때, 관계란 인과관계, 상관관계, 대등관계, 포함관계, 양의관계, 음의관계 등 다양한 관계를 포괄한다.
따라서, 쉬운 말로 하면 인과관계가 아직 검증되지 않았다면 인과관계 자체가 가설이다. 증명되지 않은 인과관계는 가설에 포함되고, 증명된 인과관계는 참인 명제, 사실이 된다.
가설을 통해서 두 변수 간의 관계를 효과적으로 증명할 수 있다.
위의 그림에서 R이라는 결과에 기인한 모든 원인을 찾아내는 것은 매우 비효율적고 힘든 일이다. 결과에서 원인을 찾아내는 방향이 아니라 원인에 대해 추측하고 이러한 원인 때문에 그러한 결과가 도출된 것은 아닐까라고 역발상하는 것이 가설의 힘이다. 가설에 대한 구체적 내용은 다음의 링크에서 확인할 수 있다.
인과관계의 타당성 검증
인과관계가 타당성을 갖기 위해서는 아래의 3가지 조건이 만족되어야 한다.
시간적 우선순위(time order)
원인이 되는 변수가 먼저 변화된 후에 종속변수의 변화가 이루어져야 한다는 것이다. 독립변수가 종속변수에 영향을 미치는 것이므로 독립변수의 강도(수준) 변화가 먼저 일어나야 하는 것은 당연한 이치이다. 많은 사람들은 흡연(독립변수)이 폐암(종속변수)의 주된 원인으로 생각하고 있다. 시간적인 우선순위의 가정은 장래의 사건이 과거나 현재의 사건을 결정할 수 없다는 사고에서 비롯되었다고 할 수 있다. 예컨대 음주행위는 취하게 되는 원인으로 시간적으로 취한 결과에 대하여 우선하는 것을 누구나 쉽게 알 수 있다.
시간적 우선순위가 성립하지 않는 가설의 예로, 일이 없어서 일을 하지 않는다 라는 가설이 있다. 이는 일이 없다라는 변수와 일을 하지 않는다라는 변수 사이에 시간적 우선순위가 성립하지 않는다. 일을 하지 않아서 일이 없는것인지, 일이 없어서 일을 하지 않는 것인지 판단할 수 없다.
동시발생조건(concomitant variance)
병발발생조건은 원인변수(독립변수)와 결과변수(종속변수)의 값이 둘 다 변화해야 한다는 것이다. 독립변수나 종속변수 중의 어느 하나가 변하지 않고 고정되어 있으면 두 변수간의 인과관계는 성립될 수 없다. 이를 통계적으로 검증하기 위해서는 얻어진 자료의 변화가 서로 공분산 정도 또는 상관관계가 존재해야 하는데 이 때 상관도가 통계적으로 유의성이 있어야 하는 동시에 그 강도가 일정한 수준 이상으로 크게 나타나야 한다. 예를 들어, 지능지수(IQ)가 높은 학생의 성적이 우수하다면 지능지수는 성적의 원인이 될 수 있다.
다만 동시발생 조건에서 주의해야 할점은 인과관계가 존재하면 상관관계도 존재하지만, 상관관계가 존재한다고 인과관계가 반드시 존재하지는 않는다는 것이다.예를 들어, 목사의 수와 주정뱅이의 수가 양의 상관관계가 있다는 것을 발견한 통계학자가, 「주정뱅이가 늘었기 때문에 목사의 수가 늘었다」라는 인과관계를 주장했다. 이는 상관관계를 인과관계로 판단한 대표적인 오류로, 단순히 인구가 증가하여 주정뱅이도, 목사의 수도 늘어난 현상을 인과관계로써 옳지 않게 해석한 대표적인 예다.
외생변수의 통제(control extraneous variables)
인과관계는 원인변수인 독립변수 이외의 결과변수인 종속변수에 영향을 미칠 수 있는 제 3의 변수의 영향을 제거한 상태에서 독립변수와 종속변수간의 관계가 검증되어야 한다. 제 3의 변수를 통제한 후 독립변수와 종속변수 간의 관련성을 비허위성 이라고 한다. 일반적으로 실험연구에서 외생변수가 독립변수와 종속변수에 미치는 영향을 제거해야 독립변수와 종속변수 사이의 인과관계를 정밀하게 파악할 수 있다. 인과관계가 성립하기 위해서는 제 3의 변수로 설명할 수 있는 허위적인 관계가 존재해서는 안된다.
[예1]
가설1: 20~40대 중 한 달에 한 번 이상 택시를 타는 비율은 30%이다.(두 변인간의 관계를 나타냄)
가설2: 내 주변 친구들 10명중 3명정도는 한 달에 한 번 이상 택시타기 때문에, 20~40대 중 한 달에 한 번 이상 택시를 타는 비율은 30%이다.
(가설2는 가설1을 결론으로 하는 인과관계에 대한 가설)
가설2에 대해 위의 3가지로 타당성을 검증
- 시간적 우선순위: 나의 감각치가 형성된 이후 가설이 존재하므로 타당하다.
- 동시발생조건: 내 주변 친구들이 택시를 타는 횟수가 늘어나면 20-40대 전체의 택시 타는 횟수가 증가하는가?
➡거짓.
- 외생변수 통제: 경제력, 성향등의 외생변수를 모두 통제할 경우에도 위의 가설2가 성립하는가?
➡거짓. 경제력은 가설2의 인관관계에 영향을 미치는 주요 변수중 하나. 따라서, 20-40대를 유효한 축으로 나눌 필요있음. 경제정도라던가.
이때 주의할 점은, 가설2에 대한 타당성을 검증하더라도 어디까지나 가설2에 대한 증명이지, 가설1이 참인지 거짓인지는 증명되지 않는다.
가설2는 가설1이 참임을 전제로 하고 만들어진 가설이다. 가설1을 증명하기 위해서는 별도의 과학적 방법을 통한 조사와 연구가 필요할 것이다.
따라서, 나의 감각치라는 근거는 타당하지 않다.
(Appendix)명제의 타당성 검증
인과관계와 직접적인 연관은 없지만, 실전에서 인과관계의 타당성을 검증할 시 유용하게 사용되는 방법이다. 인과관계란 두 명제 간의 관계인데, 애초에 어느 한 쪽의 명제가 사실이 아니라면 인과관계도 성립되지 못한다. 따라서, 명제의 사실여부가 인과관계의 타당성 검증보다 우선되어야 하는 검증이다.
최근 프로젝트에서 상대측 변호사가 아래와 같은 주장을 해왔다. 순자산가치로 자산 매각 -> 공정가치와 순자산가치와의 차액 발생 -> 배임과 같은 형사상 리스크 발생
언뜻 보면 순자산가치로 자산 매각 -> 공정가치와 순자산가치와의 차액 발생의 인과도 공정가치와 순자산가치와의 차액 발생 -> 배임과 같은 형사상 리스크 발생인과도 꽤나 높은 확률의 인과처럼 보이기 때문에, 설득력있는 주장인 것 같지만, 각 명제의 타당성을 검증해보면 옳지 않은 주장이라는 것을 알 수 있다.
문제가 되는 명제는 공정가치와 순자산가치와의 차액 발생 인데, 기업의 공정가치란 경우에 따라서 여러가지 벨류에이션에 의존할 수 있는 가치이기에 옳은 명제일 수도 있고, 틀린 명제일 수도 있다. 예를 들어, DCF와 같은 벨류에이션을 공정가치로 인정하게 되면 해당 명제는 사실이 되지만, 보충적 평가방법과 같은 벨류에이션을 공정가치로 인정하게 되면 해당 명제는 거짓이 된다.
우리 측에서는 해당 명제의 거짓을 규명하는 로직을 통해 상대의 로직을 격파할 수 있었다.
인과관계 분석의 3가지 시점: 구조화構造化심화深化세분화細分化
인과관계의 구조화
인과관계의 구조화란, 果의 원인이 되는 因을 MESE로 구조화하여 누설없이 파악하는 것이다. 인과관계의 심화와 인과관계의 세분화가 잘되어도 인과관계의 누설이 존재하면 인과관계 분석에 치명적인 허점이 생긴다. 구조화의 방법은 다음의 링크에서 확인할 수 있다.
유럽 지역의 사입코스트가 높은 원인 분석
사입코스트 = 원재료코스트 + 중간 수수료 코스트 + 운송코스트
사입코스트-----┌원재료코스트─ 안전기준이 높아 원재료 가격 자체가 높다.
상승요인 |
|
├중간 수수료 코스트─ 중간 수수료 가격 : null
| └ 중간 수수료 횟수 : 안전기준이 높아 프로세스가 복잡하다.
|
└운송코스트─ 중국과의 거리가 멀어 운송코스트가 비싸다.
└ 땅덩어리가 넓어 운송코스트가 비싸다.
인과관계의 심화
인과관계의 심화란 원인에 대해 why so?의 질문을 반복해가며 가장 깊은 곳에 존재하는 핵심적인 원인을 파악해내는 것이다.
위의 Why 트리에서 제품배송 문의 증가가 콜센터 VOC의 증가로 이어졌다 라는 가설은 반은 맞고 반은 틀렸다. 제품배송 문의 증가는 핵심적인 원인이 아니기 때문이다. 피상적인 원인은 문제해결에 아무런 도움이 되지 않는다. 그에 대한 원인을 더 깊게 파고들어가면, 배송기사 부족문제가 있고 이를 더욱 파고 들어가면 배송기사 낮은 지원률과 높은 이탈률 ← 배송기사에 대한 낮은 처우와 같은 핵심적인 문제의 원인에 다다를 수 있다. 이처럼 문제의 원인을 더욱 깊게 파고 드는 것을 인과관계의 심화라고 한다.
앞서 보여준, Why트리에서 세로축이 구조화의 양이라면, 인과관계의 심화는 가로축을 넓혀가는 것을 의미한다.
인과관계의 세분화(프로세스 사고)
인과관계의 세분화란 이미 설정된 인과 사이를 더욱 잘게 쪼개보는 것이다. 인과관계를 더욱 촘촘히 분해해 분해된 인과의 가능성을 평가하는 것이다. 이때 촘촘히 분해된 인과사이에 가설적 확률을 부여함으로써, 인과의 타당성을 수치화할 수도 있다.
인과관계의 세분화의 장점
불분명한 인과관계에 대한 납득이 가능해진다. 이는 특히 인과관계에 관한 가설에 대해 대략적인 근거(실제 검증 前)를 제시할 때 유용하게 활용된다.
1. 가설: 금리가 상승했기 때문에, 부동산 가격이 하락할 것이다.
금리가 상승했다.
(100%) -> 대출 금리가 상승했다.
(80%) -> 돈을 빌리면 갚아야 되는 돈이 많아진다.
(100%) -> 대출이 감소한다.
(80%) -> 부동산 구매력이 하락한다.
(100%) -> 부동산 수요가 감소한다.
(100%) -> 부동산 가격이 하락한다.
1 * 0.8 * 1 * 0.8 * 1 * 1 = 0.64 = 약 64%
2. 가설: 원유값이 하락하여, 베스킨라벤스의 드라이아이스 제공량을 줄일 것이다.
원유값 하락
(90%) -> 원유제조 공장의 가동률 하락
(100%) -> 원유제조 공정에서 획득되는 이산화탄소량 하락
(90%) -> 인산화탄소를 원료로하는 드라이아이스의 생산 하락
(90%) -> 드라이아이스 구매가 어려움
(90%) -> 베스킨라벤스의 드라이아이스 제공량 하락
0.9* 1 * 0.9 * 0.9 * 0.9 = 0.64 = 약 65%
3. 가설: 인기없는 소프트드링크의 종류를 줄이면, 매출이 상승할 것이다.
인기없는 소프트드링크의 종류를 컷
(100%) -> 인기있는 소프트드링크의 진열 스페이스 증가
└(70%) -> 고객이 소프트드링크를 선택하기 쉬워짐
(80%) -> 소프트드링크의 매출증가
└(100%) -> 상품이 소진될 가능성이 줄어듬
(70%) -> 소프트드링크의 매출증가
인과관계의 타당성을 따지기 쉬워진다.
가설: 해변에 놓여진 출입 금지 팬스를 제거 했기 때문에, 2명의 익사자가 발생했다.
해변에 놓여진 출입 금지 팬스 제거
(80%) -> 해변에 입장
(3%) -> 바다에 입장(안개가 자욱하고 파도가 거셀시)
(10%) -> 익사
0.8*0.03*0.1 = 0.0024 = 약0.24%
「해변에 놓여진 출입금지 팬스 제거」➡「익사」라는 인과관계의 타당성을 검증하는 것보다
「해변에 놓여진 출입금지 팬스 제거」➡「해변에 입장」이라는 인과관계의 타당성을 검증하는 것이 쉽다.
인과관계와 상관관계
한 변수가 변할 때 다른 변수도 변한다면 두 변수 사이엔 상관관계가 있다고 볼 수 있다. 그러나 상관관계에서의 두 변수 사이엔 인과적 선후관계가 없다.
상관관계를 인과관계로 오해하기 쉽다. 인관관계의 타당성 검증을 통해 이러한 논리적 결함을 방지할 수 있다.
[예1]
어떤 제품이 가격이 낮고 시장점유율이 높은 경우를 생각해보자. 이 결우 가격이 낮아서 시장 점유율이 높아졌는지, 혹은 높은 시장점유율로 인해 규모의 경제가 나타나 가격이 낮아졌는지 명확하게 알수 없다.
[예2]
모기를 많은 해에는 아이스 크립 매출이 많아진다?
2007년에는 모기가 유달리 많았다. 그래서 한 단체에서 통계치를 내던중 놀라운 사실이 발견되었다
2002년 2003년 2004년 2005년 2006년 2007년 아이스크림과 모기의 수의 관계는 정확히 양의 상관 관계를 띠고 있었다.
인과루프 사고
인과루프 사고는 논리적 사고의 확장된 형태이다. 논리적 사고는 원인-결과의 관계를 명확히 하는 것을 의미한다. 인과루프 사고는 논리적 사고를 기반으로 나아가서 Reason-Result Web을 전체적으로 파악하는 사고이다.
인과관계를 생각할 때는, 보통 단편적인 인과관계만을 고려하기 쉽다. 이것이 속히 말하는 머리 좋다는 사람과 범인의 차이이다. 전체적인 인과관계는 복수개의 단편적 인과관계의 연결로 이루어져 있다. 어떠한 인과간계든지 간에 전체적인 인과관계의 망을 머리 속에 그려놓고 단편적인 인과관계는 전체적인 인과관계 망 속에서 겨우 한 부분에 속하지 않음을 인지할 필요가 있다.
예를 들어, A빌딩이 붕괴되는 사건이 발생했다. 이에 대한 원인 중 하나로 관리감독에 허점이 있었다는 가능성에 대한 가설을 제시할 수 있다. 또한 A빌딩 붕괴로 인한 결과로 대통령 탄핵이라는 가설을 제시할 수도 있다. 각 가설의 가능성은 실제 검증전 아래와 같은 인과관계의 세분화로 추측이 가능하다.
가설: 관리감독의 허점 -> A빌딩이 붕괴
관리감독의 허점
(70%) -> 건축규정 위반(낮은 질의 자재사용, 부실설계)
(100%) -> 예측 보다 빠른 노후화
(100%) -> 건물 붕괴
가설: A빌딩이 붕괴 -> 대통령 탄핵
A빌딩이 붕괴
(100%) -> A빌딩의 시공사와 정치인B 간의 정경유착 발견
(100%)-> 정치인B와 대통령 친인척 간의 유착 발견
(100%)-> 현 대통령이 친인척에게 유착 지시 포착
(40%)-> 국민들의 탄핵운동
(70%)-> 대통령 탄핵
가설이란: 현실적이고 간단한 정의로는 "개별 사건이든 사건 間의 관계이든 아직 증명되지 않은 것"을 의미한다. "너 아직 밥 안먹었지?" "너 그거 거짓말이지?" "저 여자는 나쁠 거야" "저 남자는 바람을 피고 있을 거야" "어제 밥에 라면을 먹어서 오늘 배가 아픈가?" 와 같이 데이터처럼 과학적 방법으로 증명되지 않은 것들은 모두 가설이라고 할 수 있다.
학문적 정의로는, 둘 이상의 변인들 간의 관계에 관한 일종의 추측이다. 이때, 관계란 인과관계, 상관관계, 대등관계, 포함관계, 정적관계(양의 관계), 부적관계(음의 관계) 등 다양한 관계를 포괄한다. 변수란 대상 혹은 사건이 될 수도 있으며, 이는 변수가 단어나 문장으로 표현될 수 있음을 의미한다.
둘 이상의 변인 또는 현상 간의 관계를 설명하는 검증되지 않은 명제라고 정의하거나, 또는 연구의 문제에 관해 검증할 수 있도록 기술된 잠정적인 응답이라고 정의할 수 있다. 이러한 가설은 일반적으로 독립변인과 종속변인 관계의 형태로 표명된다. 가설은 여러 개를 세우는 것이 가능하다.
과학적 사실 혹은 거짓을 증명하기 위해서는 가설을 되도록 엄밀하게 정의하지만, 비즈니스 측면에서는 가설을 엄밀하게 정의하지 않고 문제에 대한 임시적인 답을 미리 설정하는 것정도로 생각하면 된다.
가설은 반드시 두 변수 도는 그 이상의 변수간의 관계를 미래형으로 진술되어야 한다. 조사 연구나 사례연구에서와 같이 연구 목적이 단순한 현상의 서술에 있을 때에는 문제 진술만 있고, 가설이 필요없다. 가설이 되기 위한 문장으로서 첫째, 가설은 변수로 구성되어야 하며 그들 간의 관계를 나타내고 있어야 한다.둘째, 가설은 검증될 수 있는 것이어야 한다.
가설은 주로 귀납적 추리를 통하여 이미 알려진·개별적 자료들을 대비유추하고 일반화한 데 기초하여 설정된다. 그리고 그것은 주로 연역적 추리를 통하여 가설로부터 끌어낸 논리적 귀결이 현실과 부합되는가 하는 것이 검증됨으로써 진리로 확증된다. 물론 가설은 어디까지나 결론을 이끌어내고 그것을 검증하기 위해 설정된 도구이자 통로이지 결론 그 자체는 아니므로 그후의 오랜 기간의 수많은 이론적 사유와 실험적 검토를 통하여 논박되고 이론을 피지 못할 수도 있다. 이때에는 그 가설 대신에 다른 새로운 가설이 설정되고 검증되는 과정을 통하여 진리의 발견으로 나아가게 된다.
따라서 가설이란, 어떤 문제 상황에서 자신의 인지 구조(기존의 생각들)에 의해서는 해결할 수 없는 문제에 직면했을 때, 인지 구조는 혼란이 일어나게 되며, 이 인지적 비평형 상태를 극복하고 새로운 인지적 평형 상태로 돌아가려는 욕구가 작용하여 만들어진, 어떤 문제에 대한 임시적 해답이나 해결책이다. 가설 설정은 문제 발상과 함께 일반적으로 창의력이 가장 많이 요구된다.
가설적 사고란?: 증명되지 않은 사실이나 사실간의 관계에 대해 증명된 사실이라고 가정하고 논의를 전개해 나가는 것이다.
가설적 사고의 목적
각 원은 인간 세상의 눈에 보이는 현상이고, 선은 현상관의 관계이다.
당신은 세상의 모든 현상 간의 관계를 꾀뚫고 있는 신이다. 신인 당신은 위 그림처럼 현상 간의 관계가 모두 보여서, R이라는 결과의 원인은 C1, C2, C3라는 것을 알고 있다. 신에게는 현상(원)을 잇는 관계(선)가 보이고, 인간에게는 현상(원)은 보이지만 관계(선)는 보이지 않는다.
반면 아무것도 모르는 인간은 각각의 현상만 보인다. R이라는 결과가 왜 나온건지 그 원인은 알 수 없다. 각 현상들은 보이지만 그 관계가 어떻게 이루어져 있는지는 보이지 않는 인간들에게 모든 현상 간의 관계를 조사해보기에는 너무도 복잡하고 힘든 과정이다.
이때 놀라운 통찰력을 가진 천재가 등장한다. 이 천재는 놀라운 직관으로 'C5이기 때문에 R인 것은 아닐까'라고 가설을 세운다. 천재는 C5의 요소에서 R까지의 관계를 하나하나 조사해가며 맞춘다. C5 -> C4 -> C2 -> R. 천재는 C5가 R의 원인임을 알게 되었다.
만약 가설적 사고가 없다면, 위 그림의 모든 요소들간의 관계를 하나하나 고려해보아야 할 것이다. 이는 극히 비효율적이다. 가설적 사고는 주로 사건의 원인파악사건의 결과추정에 사용된다. 가설적 사고를 통해 원인파악과 해결방안에 더욱 빠르게 어프로치 할 수 있다.
가설적 사고의 2가지 적용: 1. 변수(사건)에의 가설 적용 2. 변수사이의 관계에 가설 적용
가설은 변수(사건)자체에 적용할 수도 있고, 변수 사이의 관계에도 적용할 수 있다.아래와 같은 변수(사건)과 변수 사이의 인과관계를 예로 들어보자.
한국은 재생 에너지 빈국(원인변수) ----(인과관계)----> 재생 에너지 부국인 호주로부터 수입량을 늘일 것(결과변수)
변수(사건)에의 가설 적용 아직 한국이 재생에너지 빈국인지 어떤지 증명되지 않은 상태에서 위의 논리가 나왔다면 변수 자체가 아직은 사실이 아닌 가설에 해당하는 것이다. 여기에서의 시사점은 가설이란 반드시 인과관계에 적용되는 것이 아니며 변수 자체에도 가설이 적용될 수 있다는 것이다.
변수사이의 관계에 가설 적용 원인과 결과 간에 인과관계가 존재한다는 사실이 아직 증명되지 않았음에도 불구하고, 존재한다고 가정하는 것이다. 내가 일반적으로 알고 있던 가설의 적용처다.
가설적 사고의 증명: 1. 변수(사건)의 사실 증명 2. 변수사이의 관계 증명
한국은 재생 에너지 빈국(원인변수) ----(인과관계)----> 재생 에너지 부국인 호주로부터 수입량을 늘일 것(결과변수)
1.원인 변수(사건)의 사실 증명 2.결과 변수(사건)의 사실 증명 3.원인과 결과 관계의 인과관계에 대한 사실 증명
1.원인 변수(사건)의 사실 증명: 한국은 정말 에너지 빈국이 맞는지 사실을 증명해야 한다.
2.결과 변수(사건)의 사실 증명: 호주는 정말 에너지 부국인지, 수출량은 충분한지 증명해야 한다.
3.원인과 결과 관계의 인과관계에 대한 사실 증명: 원인측과 결과측의 사실이 증명되었다면 비로소 인과관계에 대한 가설을 증명할 때가 되는데, 한국이 에너지 빈국이라고 해서 에너지 부국인 호주로부터 수입이 가능한지? 다른 나라로 부터 주로 수입하는 건 아닐지, 재생에너지 빈국이지만 원자력으로 해결하려는건 아닐지와 같은 데이터를 통해 인과관계를 증명해야한다.
가설적 사고의 최고 궁합 파트너: 비판적 사고
비판적 사고는 가설적 사고를 더욱 완벽히 한다. 아무리 천재여도 모든 경우의 수를 고려할 수 없는 한, 가설의 예외와 마주하게 된다. 예외가 존재한다는 것은 그 가설이 100% 옳지 않음을 의미하며 가설의 개선 Room을 의미하기도 한다. 가설을 세우고 증명한 후, 비판적 사고를 통해 가설이 옳지 않은 경우의 수를 제안하면, 가설은 그러한 반례를 커버하기 위한 더욱 좋은 가설로 발전하게 된다.
예를 통한 가설의 이해
위의 가설에 관한 정의는 교과서적인 정의다. 그냥 그렇구나하고 넘기길 바란다. 뜬 구름잡는 이해를 명확히 하기 위해 실무와 생활에서 가설을 사용하는 아래의 씬들을 상상해보자.
예1
A클라이언트가 살균기 시장에 진입하려고 하는데, 어느 시장에 진입하는 것이 가장 좋을까? 시장은 지역별로 북미, 동남아, 아프리카, 유럽, 남미시장이 존재하고, 상품별로 공기살균기, 표면살균기, 물살균기 시장이 존재한다.
망라적 사고의 어프로치
모든 시장의 시장조사, 경쟁환경 조사, 고객환경 조사, 시너지를 조사
각 시장별 조사결과를 비교 후 선정
망라적 사고는 모든 것을 조사해야 하므로 시간과 에너지가 많이 든다. 하지만, 누락없이 전체를 볼 수 있다는 장점이 있다.
과제: 어느 살균기 시장에 진입하는 것이 좋을까?
↓
초기가설: 동남아시아의 물살균기 시장에 진입하는 것이 좋다.
↓
가설검증: 논점에 맞추어 조사를 시행한 결과, 동남아시아는 구매력이 낮아 시장 성장율이 더디다.
↓
수정가설: 중국의 공기살균기 시장에 진입하는 것이 좋다.
↓
가설검증: 시장규모/성장율 OK, 경쟁사의 제품차별성 없음, 고객의 구매력 있음, 기존 물살균기를 생산하는 중국 생산공장이 있으므로 시너지 OK
가설적 사고는 타게팅한 목표에 대해서만 조사하며 접근하므로, 답을 효과적으로 찾을 수 있다. 하지만, 위의 가설적 사고의 프로세스에서 눈치챘듯, '혹시 중국 공기살균기 시장보다 남미의 공기살균기 시장이 더 매력적이면 어떻게하지?'라는 반론이 재기될 수 있다. 이처럼, 가설적사고는 전체를 망라적으로 보지 않으므로 판단 누락이 존재하는 단점이 있다.
예2
정보의 평등화가 진행되어, 이전에는 소수만 독식하던 정보에 이제는 누구나 접근할 수 있다. 하지만, 중요한 것은 정보에 접근할 수 있느냐 아니냐의 문제가 아닌, 정보를 어떻게 해석할 것인가, 정보를 통해 어떤 결과를 도출할 것인가이다. 황금알과 같은 정보를 접해도, 정보 해석의 문제에 따라 종잇조각 이상의 가치도 없을 수 있다. 가설적 사고는 정보의 해석에 있어서 탁월한 통찰력을 발휘할 수 있는 사고법이다. 다음의 예를 보자. 「20~30대의 빚투현상」 최근 신문에서 읽은 기사다. 이러한 현상은 어떠한 결과를 낳을까?
망라적 사고의 어프로치
「20~30대의 빚투현상」은 어떠한 결과를 낳을지를 생각하면, 너무 방대하여 사고 어프로치의 방향성이 정해지지 않는다. 이것이 망라적 사고의 가장 큰 문제이다.
가설적 사고의 어프로치
그럼 이번에는 가설적 사고로 어프로치해보자. 가설적 사고는 최종목적 논점(결론)을 정하는 것이 그 시작점이다. 2030대의 빚투현상은 주식시장의 하락을 가져온다라는 가설을 세웠다. 이제 남은 것은 `20\30대의 빚투현상이라는 원인과주식시장의 하락`이라는 결과 사이의 세부적인 인과관계 가설을 설정하고 그 확률을 생각해보면 된다. 결론이 정해진 것 하나만으로 사고 어프로치가 명확해진다. 가설을 설정하면, 최종 결론에 다다르기 위해서 어떠한 논점을 고려해야하는지 큰 그림이 잡힌다.
20~30대의 빚투현상
(100%)-> 채권의무 발생
(40%)-> 1~2년 내에 의무 상환 금액 증가
(40%)-> 주식 처분을 통한 상환 금액 마련
(100%)-> 주식 시장의 유동성 하락
(100%)-> 주가 하락
위에서는 채권의무 발생-> 1\~2년 내에 의무 상환 금액 증가-> 주식 처분을 통한 상환 금액 마련-> 주식 시장의 유동성 하락 이라는 논점을 마련하여, 20\~30대의 빚투현상은 주식시장의 하락을 가져온다라는 가설의 타당성을 고려해보았다. 하지만 1~2년 내에 의무 상환 금액 증가와 주식 처분을 통한 상환 금액 마련이라는 가설은 신용대출의 상환기간은 3~5년정도가 아닐까?, 주식처분을 통한 상환 금액을 마련하는게 아니라, 주식에 있는 돈은 가만히 두고 그동안 벌었던 월급이나 또 다른 대출을 통해서 상환하지는 않을까? 라는 반론의 제기를 통해 가설을 수정할 수 있다. 가설의 수정을 계속적으로 반복하면, 인과관계의 확률이 높은 최종 가설을 마련할 수 있다.
가설의 종류
단순가설과 복합가설 단순가설(simple hypothesis)이란 하나의 독립변수와 하나의 종속 변수간의 기대되는 관계만을 표현한 가설을 말하며, 복합가설(complex hypothesis)은 둘 또는 그 이상의 독립변수와 둘 또는 그 이상의 종속변수 사이의 관계에 대해 가설을 설정한 가설을 말한다. 여러 개의 독립변수로 하나의 현상을 더 잘 설명할 수도 있으며 하나의 독립변수가 여러현상을 설명할 수도 있다.
지시적 가설과 비지시적 가설 지시적 가설(directional hypothesis)은 ‘A가 B보다 클 것이다.’등으로 비교급을 사용하여 변수간의 관계에 대해 기대되는 방향을 제시하는 것이다. 지시적 가설은 특정 검증방향을 결정해줌으로 연구자나 독자에게 분명한 관계를 제시하고, 사용하는 분석방법도 비지시적 가설에 비해 엄격한 방법, 즉 one-tailed test(단측)를 사용하게 된다. 이 가설은 명확한 이론적 근거가 있으나 선행연구에서 그 방향을 제시하고 있을 때, 흔히 사용하는 방법이다. 한편 비지시적 가설(nondirectional hypothesis)은 반대로 관계의 방향을 규정짓고 있지 않다. 이러한 가설들은 관계의 성질을 구체화하지 않고 두 개 또는 그 이상의 변수들을 예측하고 있다. 비지시적 가설은 근거되는 이론이 뚜렷하지 않고, 일관성이 결여된 선행연구 결과에 사용하는 방법이며 분석 방법은 two-tailed test(양측)를 사용하게 된다.
연구가설과 통계적 가설 연구가설(research hypothesis, H1)은 변수들 사이의 기대되는 관계에 관한 진술이다. 통계적 가설(statistical hypothesis, Ho)은 영가설 또는 귀무가설이라고도 하며, 이는 독립변수 사이에 관계가 없다고 진술하는 것이다. 연구 설계 단계에서 연구자는 연구 가설에만 관심을 갖게 된다. 연구 논문에서 귀무가설로 진술하지 않지만, 통계 처리할 때에는 그러한 귀무가설이 있는 것으로 가정한 상태에서 귀무가설이 기각되는지 여부를 검증하며 연구 가설이 채택되는지를 판별하게 된다.
일반가설과 지엽적 가설 일반가설은 가설에 내포된 변수들 간의 관계가 모든 장소와 시간에 관계없이 일반적으로 적용되는 경우의 가설이며, 지엽적 가설은 특별한 경우에만 적용될 수 있는 가설이다. 연구자들은 자신의 가설이 보다 적용 범위가 넓어져서 궁극적으로는 일반 가설로 인정받고자 노력한다. 일반 가설에 가까워질수록 가설의 가치나 설명력과 예측력이 높아지기 때문이다.
가설을 증명하는 방법
관습에 의한 방법(아집적 방법, 고집, method of tenacity) 자기가 믿고 있는 것을 자기 나름대로의 결론을 내리는 방법
권위주의적 방법(method of authority) 권위가 있다고 생각되는 사람들이 말이나 글을 근거로 문제에 대한 결론을 내리는 방법
직관에 의한 방법(method of intuition, 선험적 방법, a priori method) 직관(intuition)에 의하여 결론을 도출하는 방법
과학적 방법(scientific method) 주어진 현상을 기술, 설명하는 과정에서 체계적이고 객관적으로 연구하는 방법
과학적 방법의 종류
관찰적 방법(observational method) 현실을 면밀히 관찰하여 결론을 도출하는 방법
귀납적 방법(inductive method) 구체적･특수한 사실로부터 일반적 원리 또는 결론을 도출하는 방법
연역적 방법(deductive method) 일반화･추상화된 전제(가설)로부터 구체적인 결론 또는 원리를 도출하는 방법
직관적 방법(intuitive method) 연구자가 지식이나 기술을 초월하여 자신의 경험이나 직감으로 결론을 도출하는 방법
가설 연역 방법 19세기 윌리엄 휴얼은 17세기 프랜시스 베이컨에 의해 제기된 귀납을 보완하기 위해 가설 연역 방법을 도입하였다.
가설은 현실적 조건에서는 증명하거나 검증하기 어려운 사물, 현상의 원인 또는 합법칙성에 관하여 예측하는 이론으로, 가설 연역 방법은 크게 이러한 가설을 설정하는 단계와 이를 시험함으로써 가설을 정당화하는 단계로 나뉜다. 가설을 설정하는 단계와 실험 결과로부터 가설을 정당화하는 과정에는 귀납적인 추론이, 가설로부터 검증을 위해 실험을 설계하고 결과를 예측하는 단계에는 연역적인 사고가 요구된다
가설 연역 방법은 측정 가능한 실험 결과를 통해 반증될 수 있는 가설을 통하여, 이론이나 자연법칙을 이끌어내는 과학적 연구 방법 중 하나이다. 가설 연역 방법은 현상 탐구 - 가설 설정 - 결과 예측 - 시험 - 검증 - 법칙 도출의 과정을 가진다.
귀납법과 연역법
귀납법
개별적인 여러 사실로부터, 일반적인 결론을 얻어내는 것.
연역법의 대전제로써 사용되는 경우가 많다.
관찰을 통한 귀납법으로 가설을 설정한다. 예를 들어, 사과가 땅에 떨어지는 것을 보고 만물은 서로 당긴다 라는 가설을 생각한다.
실험 결과로부터 가설을 정당화하는 과정에서 귀납적인 추론이 사용된다.
# 귀납법의 예
맹자는 죽었다
석가도 죽었다.
예수도 죽었다.
공자도 죽었다.
그러므로 모든 사람은 죽는다
연역법
일반적인 원리나 사실을 전제로 개별적이거나 특수한 사실을 결론으로 이끌어내는 것.
가설로부터 검증을 위해 실험을 설계하고 결과를 예측하는 단계에는 연역적인 사고가 요구된다
대/소전제가 참인 명제가 아니면 거짓결론이 도출된다.
# 연역법의 예
1. 대전제가 참인 명제일 때
명제1(대전제) : 모든 사람은 죽는다(A는 B이다) -> 대전제 반드시 필요, 참
명제2(소전제) : 소크라테스는 사람이다(C는 A이다)
결론 : 소크라테스는 죽는다(C는 B이다)
2. 대전제가 참인지 것짓인지 명확하지 않은 명제일 때
명제1(대전제) : 다수의 의견은 타당하다(A는 B이다) -> 대전제 반드시 필요, 거짓
명제2(소전제) : 내 옷이 이상하다는 것은 다수의 의견이다(C는 A이다)
결론 : 내 옷이 이상하다는 것은 타당하다(C는 B이다)
연역법의 명제와 결론의 관계
결론의 주어와 술어는 각각 소전제의 주어와 대전제의 술어가 된다.
일반적으로 말하는 결론에 대한 올바른 근거는 소전제를 말한다.
명제1(대전제) : 모든 사람은 죽는다(A는 B이다) -> 대전제 반드시 필요, 참
명제2(소전제) : 소크라테스는 사람이다(C는 A이다)
결론 : 소크라테스는 죽는다(C는 B이다)
귀납법과 연역법의 타당성 검증
연역법의 대/소전제가 참인 명제인지 평가한다.
명제1(대전제) : 다수의 의견은 타당하다(A는 B이다) -> 거짓인 명제
명제2(소전제) : 내 옷이 이상하다는 것은 다수의 의견이다(C는 A이다) -. 참인 명제
결론 : 내 옷이 이상하다는 것은 타당하다(C는 B이다) -> 거짓인 명제
-> 명제가 거짓이므로 결론도 거짓이다.
명제1(대전제) : 왼쪽 네번째 손가락에 반지를 낀 사람은 결혼한 사람이다.(A는 B이다) -> (사회적 통념상) 참인 명제
명제2(소전제) : 저 여자는 왼쪽 네번째 손가락에 반지를 꼈다.(C는 A이다) -. 참인 명제
결론 : 저 여자는 결혼한 사람이다.(C는 B이다) -> 참인 명제
귀납법의 반례를 찾아낸다.
A : 모든 까마귀는 까만색이야! 왜냐하면 내가 지금 까지 봤던 1000마리의 까마귀는 모두 까맿기 때문이야.(귀납법을 통한 근거제시)
B : 아닌데, 어제 TV동물농장에서 봤던 까마귀는 분홍색이던데?
가설사고의 프로세스
가설 사고로 문제를 해결할 때는 다음과 같은 과정을 거친다.
상황의 관찰/분석 상황을 잘 관찰하고 문제의 배경에 있는 것이 무엇인지를 짐작. 필요하다면 데이터로 증명.
가설 설정 최대한 구체적인 가설을 설정합니다. 이렇게 하면 다음의 과정에서 많은 정보를 얻을 수 있다.
학습의 기본원리는 자신이 무엇을 이해하지 못했는지 구체적으로 인지하고 탐구하여 알게 되게 하는 것: 무지의 지
아래 공부법의 기본 원리는 가볍운 시작으로 전 범위의 루틴을 즐겁게 돌게하여 새로운 지식의 학습에 대한 벽을 허무는 것
아래의 독해법은 전공서적, 시험용 서적 등 시험을 목적으로한 학습이 필요로하는 독해법이다. 보통의 소설, 교양서적은 조건독해법을 따른다.
독해의 기본 디폴트 마인드는 한 번에 이해하겠다는 오만한 자세를 버리는 것이다. 최소 복수번 읽는 것이 당연하다는 겸손한 자세로 독해에 임한다.
연반추 독해법(전공서적, 시험용 서적 등 시험을 목적으로한 학습)
연반추 Soft Review 원리 란 부드럽게 반복해서 읽어나가는 것을 말한다. 학습자료를 스트레스 없이 편하게 복습하는 것으로 반복학습의 효율을 높이는 학습 원리이다.
1단계 : 3회 독파
1회 독파에서는 모르는 단어나, 모르는 내용을 표시하며 편하게 읽어나간다. 1회 독파에서는 전체 내용에서 무엇이 중요한 것인지 제대로 판단할 수 없기 때문에 중요단어 를 판단할 생각을 하지 않는다.
2-3회 독파에서는 중요단어 를 밑줄 긋기하며 편하게 책을 읽는다.
책 내용이 이해되지 않아도 그냥 가벼운 마음으로 물 흐르듯 읽는다. (읽다가 이해 되지 않는다고 뒤돌아 가지 않는다)
위의 방법으로 세 번 읽는다. 가장 중요한 주의 사항 : 이해하려 하지 마라
2단계 : 2회 독파
배경지식이 부족해 이해가 불가능한 개념들을 가볍게 찾아본다. (개념들을 완전히 이해하려고 하지마라. 개념들의 이해를 천천히 완전하게 해나간다)
핵심어중의 핵심어를 표시해나가면 읽는다.
이단계에서 왠만한 교양서적은 정리가 된다.
3단계
연필로 밑줄 그은 글과 표시한 핵심어를 중심으로 5차례 빠르게 속독한다.
이렇게 책 한권을 10회 독파하는 속도는 기존 공부법 3회 독파 속도보다 빠르다
재래식 공부법으로 3차례 독파조차 의지력 강한 소수만이 수행할수 있지만 이 학습법으론 쉽게 연반추할 수 있다.
조건 독해법(소설, 교양서적 등의 일상에서 글을 읽을 때 필요로 하는 독해법)
소설, 교양서적은 90%가 읽기 쉬운 부분이라면 10%정도는 한 번에 이해가 되지 않는 정도의 구성으로 이루어져 있다.
90%의 이해하기 쉬운 부분은 문장 전체를 덩어리로 읽어가며 훑듯이 빨리 읽는다. 예를 들어, '나는 사과를 좋아해' 라는 정도의 이해하기 쉬운 문장이 이어질 때, 그 부분을 한 글자 한 글자 읽어가며 음미할 필요는 없다는 것이다. 오히려 독해력이 감소한다.실제로 지각심리학에서 시각패턴 지각 중 독서능력을 연구하는 과학자들에 따르면, 유능한 독서가와 무능한 독서가는 눈동자 움직임에서도 실제로 차이가 나타난다고 한다. 극단적인 예로, 서구의 실독증(alexia) 환자들은 단어의 개개 알파벳 하나하나를 응시하면서 책을 읽는다. 반면 책을 빠르고 정확하게 읽는 사람들의 눈동자는 더 효율적으로 움직여서, 보다 넓게 자주 도약하면서 한번에 넓게 읽는 경향이 있다.
훑듯이 읽다보면 한 번에 머리에 들어오지 않는 문장이 등장한다. 10% 정도의 한 번에 흡수할 수 없는 문장이다. 이런 부분은 속도를 줄여 천천히 이해하며 읽는다. 프로그래밍의 if 조건절 처럼, 한 번에 머리에 들어오지 않는 문장이 발견될 때만 속도를 줄여 읽는 방식 때문에 조건 독해법이라 불린다.
속독가들이 한번 본 책을 나중에 다시 보면 중간중간 빼먹었던, 혹은 기억이 나지 않는 소소한 부분이 있음을 알게 된다. 전체적인 의미를 파악하고 넘어가거나 넘겨버리기 때문에 실제로 기억해둘 필요를 못느끼거나 읽지를 않고 넘어가는 부분이 생기는 경우가 있기 때문에 발생하는 문제점. 물론 속독을 하면서 오자까지 잡아내는 괴물도 있지만 예외로 칠 정도로 적은 경우다.
또한 소설이 아닌 전문 서적을 읽을 때는 크게 도움이 되지 않는다. 전문서적은 책을 단순히 읽는 것뿐 아니라 그 원리를 이해하고 나아가 적용, 연계까지 할 수 있어야 그 책을 읽었다고 할 수 있다. 스토리텔링 위주의 가벼운 문학에는 도움이 되겠지만 그 이상의 도서를 읽을 때는 도움이 안 된다는 것. 특히 대학교 전공서적, 학술논문, 헌법판례, 반박과 재반박이 왔다갔다하는 지극히 논쟁적인 주제를 다룬 글, 심오한 철학적 개념을 다룬 글, 충분한 배경지식이 요구되는 글 등, 고도의 지적 활동이 요구되는 독서에는 이미 읽는 속도라는 것이 사실상 별 의미가 없어진다. 심지어 인문학의 경우 세계 최고의 석학들도 기껏해야 한 구절 내지는 한 페이지 붙들고 몇 시간씩 끙끙대는 경우가 흔하다. 속독학원들에서 흔히 광고하는 내용이 대부분 꼬마아이가 큼지막한 글씨의 동화책을 파라라라락 넘기는 모습인 것도, 전문 서적에 적용하기는 무리가 있는 방법이기 때문이다. 물론 읽는 속도가 빠르다면 고도의 지적활동이 요구되는 독서에서도 어느 정도 도움이 되기는 할 것이다. 앞에서 언급했듯이 속독이 가능한 사람들은 책의 내용과 문장을 이해하는 속도가 빠른 편이기 때문.
그 외에도 내용에 대해 고찰하거나 사색하는 과정이 필요한 책의 경우에도 속독이 딱히 유용하다고 보기 힘들다. 이 때문에 책을 세세하게 읽고 머리속으로 장면을 그려보거나 고찰하기를 좋아하는 사람들은 속독하는 이들을 두고 낭만이 없다, 사색은 언제 하냐, 그게 무슨 책 읽는 거냐 등의 이유로 싫어하기도 한다.
수험생에게는 양날의 검이다. 인터넷 광고나 속독사이트 리뷰게시판을 보면 마치 속독(의미단위 읽기)이 마법의 묘약처럼 묘사되곤 한다. 하지만 실제로 체험해보면 효과가 있는 사람은 거의 없으며, 책을 많이 읽은 사람은 필요가 없을 수 도 있다.
속독이 효과적이라는 주장은 심리학자가 편찬한 '유혹하는 심리학(Scott Lilienfeld 외 3인, 타임북스, 2010)'에서 대표적인 대중심리학의 주장으로 뽑힌 바 있다. 또한 속독(skimming)이 특정 기술으로서의 의미가 없다는 연구 결과도 있다. 특정한 사람들이 텍스트를 다른 사람들보다 훨씬 빨리 읽어내는 것은 단순히 그 사람들이 교육 등의 외부 효과에 의해 특정한 텍스트에 다른 사람들보다 훨씬 더 익숙하며, 집중력과 이해 능력, 그리고 동체 시력이 좀 더 좋기 때문에 일어나는 결과이지 특별한 기술을 쓰고 있는 것이 아니라는 결론이 그것이다. 따라서 책 한 번 제대로 읽어보겠다고 무작정 속독학원 같은 곳에 등록하는 것은 될 수 있으면 자제하도록 하자.
# 구조화의 예
스타벅스 매출 = 객수 * 객단가
= (업소내의 자리수 * 시간당 가동율 * 시간당 회전율) * 객단가
시간당 가동율, 회전율, 객단가를 요일, 시간축으로 구조화
| 평일 | 주말
--------------------------------------------------------------------------------
6-9시 | 30석*0.2*1*500엔 | 30석*0.3*2/3*600엔
--------------------------------------------------------------------------------
9시-12시 | 30석*0.3*1*500엔 | 30석*0.5*2/3*600엔
--------------------------------------------------------------------------------
12시-15시 | 30석*0.5*1*500엔 | 30석*0.7*2/3*600엔
--------------------------------------------------------------------------------
15-18시 | 30석*0.5*1*500엔 | 30석*0.9*2/3*600엔
--------------------------------------------------------------------------------
18시-21시 | 30석*0.6*1*500엔 | 30석*0.9*2/3*600엔
--------------------------------------------------------------------------------
21시-24시 | 30석*0.2*1*500엔 | 30석*0.3*2/3*600엔
--------------------------------------------------------------------------------
# 가설사고의 예
주말에 가동율이 높고 회전율이 낮다는 가설의 근거는?
주말에는 시간이 많다 -> 카페를 더 많이 방문한다.
주말에는 시간이 많다 -> 카페에서 더 오래 앉아 있는다.
시간이 많으면 꼭 카페에 가는가? 다른 활동을 더 할 가능성은 없는가? 논리적 비약이 아닌가?
주말에는 시간이 많다 -> 집에 있는 시간이 길어진다 -> 답답하다 -> 외출을 한다
-> 날씨가 더워서 야외 활동보다는 실내활동을 선호한다 + 돈이 쓰고 싶지 않다 -> 카페를 방문한다
페르미추론의 어프로치의 유형
페르미추론의 5스텝
1. 전체확인
과제는 구체적으로 제시되지 않는 경우가 많다. 특히 실제 업무상의 과제는 더욱 그렇다. 때문에 그 과제에서의 키워드를 명확히하고, 목표를 가능한한 수치화하는 전처리 작업이 필요하다.이러한 전처리 작업을 확실히 하지 않으면 이후 문제에 어프로치 함에 있어 문제가 발생한다.
1년간 일본에서 팔리는 볼빅량은?
Q : 볼빅은 어떤 볼빅을 말하는거지? 500미리 말하는거야 1000미리 말하는거야?
Q : 양이라는건 물통의 갯수를 말하는거야 아니면 ml를 말하는거야?
등 각 용어를 명확히 하지 않으면, 문제해결의 방향이 정해지지 않는다.
2. 구조화
①사칙연산을 통한 구조화
사칙연산을 통한 구조화란 목적변수에 영향을 미치는 종속변수들을 사칙계산으로 나누어 구조화 하는 것이다.
A.계산식의 방향설정
・미시일때는 공급측면에서, 거시일때는 수요측면에서
예를들어 맥도날드 한 점포의 일년 수익을 묻는 문제에선 비교적 미시적인 시장이므로 공급측면에서 어프로치하고 1년에 팔리는 도요타 자동차의 대스는 이라는 문제에선 비교적 거시적인 시장이므로 수요측면에서 어프로치한다. 실제 케이스 면접이나 실전에서는 여러가지 어프로치로 추론할 수 있음을 보이는 것이 중요하다.
B. 사칙연산을 통한 구조화 : 비즈니스는 +-÷×를 통해 충분히 분해될 수 있다!
예1. 스타벅스의 하루 매출은?
매출 = 스타벅스 구매자수 * 1인당 평균 구매액
= [수요자 관점에서] (해당 스타벅스 점포의 주변의 유동인구 * 유동인구중 스타벅스 선택율) * 1인당 평균 구매액
= [공급자의 관점에서] (업소내의 자리수 * 시간당 가동율 * 시간당 회전율) * 1인당 평균 구매액
예2. 기업의 성장률은?
성장률 = a*경쟁상황변수 + b*고객매출변수 + c*시장외부변수 + d*대체시장영향력변수
사칙연산을 통한 구조화시 주의점
시장규모 예측의 가장 베이직은 volume X price. volume은 수요장 입장에서 분석하느냐, 공급자 입장에서 분석하느냐에 따라 다른 식으로 표현할 수 있음에 주의하자.
일반적으로 재화나 서비스의 전체시장 규모를 예측하는 문제가 케이스 면접에서 가장 빈번히 발생하는 주제다. 전체 시장 규모의 수식은 마크로 경제이므로 수요자 입장에서 접근하면 용이하다. 판매량 X 판매가격 = (전체국민 X 선택률 X 1인당 평균 구매갯수) X 판매가격 이다. 하지만, volume은 수요자 입장에서 분석하느냐, 공급자 입장에서 분석하느냐에 따라 달라(주로 마크로경제는 수요자 입장에서, 미크로경제는 공급자 입장에서)달라질 수 있음을 인지하고 실제 면접상황에서 당황하지 않길 바란다.
가령 영화관 시장 전체의 시장규모와 어떤 1점포의 영화관의 1년간 수익을 예측하는 페르미 추론은 다음과 같다.
영화관 전체의 시장규모(마크로 경제이므로 수요자 입장에서 분석)
= 판매량(volume) X 판매가격(price)
= (전체국민 X 1년에 1번 이상 영화관을 가는 사람의 비율 X 1인당 1년간 평균 영화시청 횟수) X 1장당 평균 판매가격
-> 이때 1년에 1번 이상 영화관을 가는 사람 비율과 1인당 1년 평균 영화시청 횟수는 국민을 어떠한 segment로 나누냐에 따라 달라짐(나이대와 성별로 나눌것)
A영화관 1년 수익예측(미크로 경제이므로 공급자 입장에서 분석)
= A영화관 한달 수익 X 12
= (A영화관 일주일 수익 X 한달 평균 주(週)의 갯수) X 12
= (일주일판매량(volume) X 판매가격(price)) X 한달 평균 주(週)의 갯수) X 12
= (스크린 갯수 X 스크린당 1주일에 상영하는 평균 영화수 X (스크린당 좌석 갯수 X 좌석의 평균 만석률) ) X 판매가격 X 한달 평균 주(週)의 갯수) X 12
-> 좌석의 평균 만석률은 요일에 따른 segment로 달라짐
축을 통한 구조화란 어프로치 설정에 의해 결정된 각 요소들을의미가 있는 축을 기준으로 나누는 작업이다. 이때,의미가 있는 축을 설정하는 기준이란 인수분해시 나누어진 요소들에게 영향을 줄 수 있는 축이다.
예를 들어, 사칙연산으로 구조화된 다음과 같은 식에서 부산에어의 1년 매출 = (seat수 * 혼잡율 * 일주일 중 운항횟수) * 52주 * 객단가 seat수, 혼잡율, 운항횟수, 객단가의 변수는 모든 운항에 대해 동일하지 않으며, 이는 시간축국내/국제선 축 에 의해 유의미하게 다른 값을 가진다.
# 매출을 구성하는 주요 축의 종류
age sex time area sku channel EL E/N busi natl
축을 통한 구조화시 주의점
구조화가 끝난 뒤 구체적인 수치를 산정할 때, 그 수치가 타당한 가설인지 인식한다 부산에어의 1년 매출 = (seat수 * 혼잡율 * 일주일 중 운항횟수) * 52주 * 객단가 의 식으로 분해후, 혼잡율을 계산한다.
국내 | 250석 * 0.5 * 100회 * 10만원
국제 | 500석 * 0.6 * 30회 * 40만원
위에서는 모든 국내선 비행기의 혼잡율은 평균 50%다 라는 가설을 세웠는데, 가설의 근거는 무엇인지인지 판단할 수 있어야 한다. 복수의 축을 통해 세부적으로 구조화를 거쳐 가설의 가능성을 산정할 수 있도록 한다.(시간적 우선순위, 동시발생 조건, 외생변수의 통제의 관점에서 인과관계의 타당성 검증이 가능하다)
★자신의 감각치를 통해서 가설을 세울시, 자신이 속한 특수한 상황에 유의한다 구조화가 끝난 뒤, 수치를 가정할 때 자신의 감각치를 통해 수치에 대한 가설을 세우는 것은 매우 흔한 일이다.
가령, A씨는 20-40대가 한달에 랍스타를 네번 먹는다고 가정했다. 이는 '나는 일주일에 한번은 먹으니까 20-40대는 한달에 네번 먹겠네' 라는 근거에서 나왔다. 하지만, 개인의 감각치라는 것은 그 개인이 속한 특수한 상황에서만 발생할 수 있는 것이다.
한 달에 랍스타를 네 번 먹는 것은 A씨가 갖고 있는 유복한 경제적 상황, 랍스타에 대한 개인적인 성향이 만들어낸 상황인 것이다. 따라서, 그러한 특수성을 고려해 좀 더 세부적으로 구조화 한 뒤 가설에 대한 근거를 세우는 것이 더 정확한 인과관계를 만들어 낸다. 20-40대를 경제도에 따라 상중하, 또 각각의 상중하를 랍스타를 좋아한다/안좋아한다 로 구조화 한 뒤 개인의 감각치를 적용하면 그나마 얼추 정확한 근거가 될 수 있다.
복수의 축을 통해 구조화를 세밀하게 할 수록 가설의 논리적 비약이 줄어든다.(보스턴 면접에서 느낀 점)
例1：부산에어의 매출은?
항공사의 1년 매출 = 객수 * 객단가
=[공급자 관점에서] (각노선의 자릿수 * 혼잡율 * 일주일 중 운항횟수) * 52주 * 객단가
국내/국제선이라는 구조화의 축은 노선 seat수, 혼잡율, 운항횟수, 요금에 영향을 미치는 축이 이라고
가설을 세웠다. 어느 정도 타당성이 보인다.
국내 | 250석 * 0.5 * 100회 * 10만원
국제 | 500석 * 0.6 * 30회 * 40만원
다음과 같은 반론을 예상할 수 있다.
- 모든 국내선은 혼잡율이 50%인가? 모든 국제선은 혼잡율이 60%인가? 이는 가설의 가능성은 몇% 인가?
혼잡율과 요금은 시간축에 따라 재구조화될 수 있다.
국제 국내
평일 | 6-12시 | 500석 * 0.3 * 2회 * 29만원 250석 * 0.5 * 15회 * 9만원
| 12시-18시 | 500석 * 0.6 * 10회* 32만원 250석 * 0.7 * 20회 * 10만원
| 18시-24시 | 500석 * 0.6 * 3회 * 30만원 250석 * 0.7 * 15회 * 11만원
주말 | 6-12시 | 500석 * 0.9 * 2회 * 36만원 250석 * 0.8 * 15회 * 15만원
| 12시-18시 | 500석 * 0.6 * 10회* 31만원 250석 * 0.6 * 20회 * 13만원
| 18시-24시 | 500석 * 0.3 * 3회 * 29만원 250석 * 0.4 * 15회 * 7만원
위와 같은 세부적인 구조화를 통해, 가설의 정확도를 높일 수 있다.
③MESE프레임워크를 통한 구조화
위에서 언급한대로 비즈니스 사이드는 구조화가 축의 설정에 따라 달라지므로 축설정이 중요하다. 그런데 문제는 대상에 대한 배경지식이 존재하지 않는 이상 어떤 의미있는 축을 선정할지 자체가 굉장히 까다롭다는 것이다. 이를 돕기 위한 것이 프레임워크이다. 일반적으로 사용되는 의미있는 축을 그때그때 대입해 사용할 수 있다.
프레임워크는 이미 MESE화 되어 있으므로 문제의 구조화에 있어 큰 도움이 됩니다. ppt자료를 만들때 레퍼런스가 있고 없고의 차이를 크게 경험해봤을 것이다. 레퍼런스는 요건에 따라 완벽하지는 않지만 사고에 큰 도움이 된다. 축의 프레임워크는 이러한 레퍼런스와 같다. 혹은 개발 경험이 있으신 분들은 외부 라이브러리를 사용하는 것이 얼마나 편리한지 알 것이다. 프레임워크는 외부 라이브러리를 사용하는 것과 같다. 보장된 로직을 사용함으로써 나의 부담을 줄이는 것이다.
매출은 객수*단가 = 인구*선택률*1인당구매개수*단가와 같이 구조화 될 수 있다. 웹어플리케이션은 레이어 라는 축으로 구조화하면 DB, 서버, 클라이언트 로 구조화 될 수 있다. 그렇다면 다음으로 승진이라는 개념은 어떻게 구조화할 수 있을까?
좀 막막하다. 승진이라는 개념은 한 시점에 발생하는 STOCK개념이 아니라 시간적 흐름에 의해 발생하는 FLOW개념이다보니 이를 STOCK 요소로 분해하려는 시도에서 머리가 말을 듣지 않는 것이다.
승진은 FLOW이기 때문에, 그 요소를 분해함에 있어서도 시간적 흐름에 따라 분해하면 된다. 이를 고객 여정 분석(customer journey analysis)라고 한다. 즉, 고객 여정 분석에 따르면 승진이라는 flow는 퍼포먼스 - 인사평가 - 인사권한자 승인 - 인사적용의 흐름으로 구성된다.
다른예로는, 엘리베이터의 사용을 편리하게 하기 위해서는, 웹사이트의 이용을 편리하게 하기 위해서는, 보조금 제도의 리스크시이레를 구조화하면 과 같은 flow의 과제를 분석할 시 프로세스 분석은 유효하게 사용된다.
시간적 FLOW와 STOCK의 구분이 어렵다면, 구조화의 대상이 동사이면 FLOW, 명사이면 STOCK이라고 생각보기.
➡고객수=eatIn+takeOut+delivery : 이를 평일/주말, 아침/낮/밤 6개의 시간순으로 더 세분화하여 ➡고객수={(eatIn평일 아침+eatIn평일 낮+eatIn평일 저녁+eatIn주말 아침+eatIn주말 낮+eatIn주말 저녁)+
(takeOut평일 아침+takeOut평일 낮+takeOut평일 저녁+takeOut주말 아침+takeOut주말 낮+takeOut주말 저녁)+ (delivery 평일 아침+delivery 평일 낮+delivery 평일 저녁+delivery 주말 아침+delivery 주말 낮+delivery 주말 저녁) ➡고객1인당 평균 매출 = 상품단가 * 구입수
도쿄역에서 편의점 이용자수
도쿄역 하루 유동인구 * 편의점 선택률 =(한차량당 탑승 승객 인수 * 하루 평균 만차율 * 1회운행시 차량 갯수 * 도쿄역 하차률 * 1시간당 운행횟수 * 도쿄역 로선갯수) * 하루 운행시간(12시간) * 편의점 선택률
일본 방문 관광객수(마크로매상추정)
여행가능한 총 해외 인구수 * 일본 선택률 = (각 대륙 여행가능 인구수) *
일본에 있는 솜인형 갯수(소유어프로치)
일본 인구 * 솜인형 보유율 * 솜인형 보유인 중 1인당 인형 개수
➡나이축과남녀 축으로 인구를 나누어 모델화 (일본전체인구, 츠보 인구피라미드 이용)
일본에 있는 피어싱의 갯수(소유어프로치)
일본 인구 * 피어싱 보유율 * 피어싱 보유인 중 1인당 피어싱 개수
➡나이축과 남녀 축으로 인구를 나누어 모델화 (일본전체인구, 츠보 인구피라미드 이용)
일본에 있는 자동차의 갯수(소유어프로치)
세대수 * 자동차 보유율 * 고양이 보유자중 1인당 보유중인 자동차 대수
➡세대주 나이와시골/도시부를 축으로 인구를 나누어 모델화 (세대수=일본전체인구/평균세대수, 츠보 인구피라미드 이용)
일본에 있는 고양이의 마릿수(소유어프로치)
일본 세대수* 고양이 보유율 * 고양이 보유자중 1인당 보유중인 고양이 마릿수
➡세대수별 비율과시골/도시부를 축으로 인구를 나누어 모델화 (세대수=일본전체인구/평균세대수, 츠보 인구피라미드 이용)
일본에 있는 쓰레기통 갯수(존재어프로치)
세대 소유 쓰레기통 + 법인소유 쓰레기통(학교 = 세대 소유 쓰레기통 + 회사 쓰레기통 + 학교 쓰레기통
일본에 있는 우체통의 갯수(존재어프로치)
일본 전체 면적 / 우체통 하나당 적용범위 ➡일본 면적 :38만 km2
-이중 1/4평지, 3/4 산지
-산지중 2/3 사람 사는 땅, 1/3사람 안사는 땅
➡우체통 하나당 적용범위는 성인 남성이 걷는 속도 4km에서 몇분만에 우체통 하나가 나오느냐로 계산, 예를 들어 30분 걸어서 한개가 나온다고 하면 4km * 1/2시간 = 2km이므로 반경 2km 당 한개씩 있다는 계산. 따라서, 2km*2km*3.14 = 12.56km2 당 1개가 존재
일본에 있는 편의점의 갯수 (존재어프로치)
일본 전체 면적 / 편의점 하나당 적용범위 ➡일본 면적 :38만 km2
-이중 1/4평지, 3/4 산지
-산지중 2/3 사람 사는 땅, 1/3사람 안사는 땅
-평지를 다시 1/3씩 대 중 소 도시로 나누고, 산지 중 사람 사는 땅을 1/3씩 대 중 소 도시로 나눔
일본에 있는 스타벅스의 갯수(존재어프로치)
우체통이나 편의점처럼 면적베이스로 고루 분포하는 것은 면적베이스로 계산하면 되지만, 스타벅스, 백화점과 같은 점포는 단순히 면적베이스로 계산하는 것보다 駅갯수 베이스로 계산하면 용이하다.
도시의 역수 * 역당 스타벅스 개수 + 도시가 아닌 곳의 역수 * 역당 스타벅스 개수
➡도시의 역수는 도쿄/도쿄이의의 도시를 축으로 나누어 모델화
= (도쿄의 역수 * 1/2) + (도쿄이외의 역수 * 1/3) + (도시가 아닌 곳의 역수 * 1/5)
➡도쿄의 인구 1500만, 도쿄의 역수 650720개. 수도권의 인구 2000만 그외도시 인구 (6000만-3500만)이기 때문에 인구비와 가중치를 곱하여 역수를 계산
➡도쿄 면적 : 가로 80 * 세로40 * 3/4(가장 왼쪽 산지제외) = 2400 (실제 2100)
➡15분당 하나의 역이 있다고 가정하면, 성인의 걸음속도 4km 이므로 1 * 1 * 3.14 이고 이를 2400에서 나누면 약 750개
➡2.5개 역당 1개의 스타벅스가 있다고 가정하면 약 300개의 스타벅스가 도쿄에 존재
※우체통의 갯수, 편의점 갯수, 스타벅스의 갯수 등 장소의 갯수를 구할 때 전국에고르게 퍼져있는 것이라면 면적을 통해서 계산하면 편하지만,
인구에 편중되어 펴져있는 경우라면 단순 면적을 통해서 구하면 왜곡이 많이 발생하므로도쿄인구를 기준으로 관계식을 세우면 편리하다.
가령, 도쿄의 소방서의 갯수를 130개(역수 650/5) 라고 하면, 수도권인구:수도권소방서갯수 = 도쿄인구(1500만):도쿄소방서갯수(130개)와 같은 관계식으로 풀면, 인구가 어느 정도 반영된 장소의 갯수가 도출되게 되므로 왜곡이 적다. 소방서는 인구에 비례하지 않고 사람이 살지 않는 곳에도 존재한다.
1. 도쿄 편의점 갯수 - 대략 5분걸어서 1개 나오므로 1/12 * 4 = 1/3 - 1/3*1/3*3.14 ≒1/3km2당 1개 - 도쿄면적 2400km2 이므로 도쿄 편의 점갯수 7200개
2. 도쿄외 도시 7200 * 3 * 0.9 = 18900개 ≒ 19000개
3. 그외 7200 * 4 * 0.8 = 19600개 ≒ 20000개
따라서 약 47000개
부동산 갯수
부동산 수요 / 부동산 1개당 공급 1. 부동산 수요 - 세대별로 생각해서 일본에 약 4000만세대 - 세대수 * 1년간 부동산 선택률 1인가구 ｜1200만｜0.1 2인가구 ｜1200만｜0.05 3인가구 ｜ 800만｜ 0.02 4인가구 ｜ 800만｜ 0.01 120+60+40+8 = 228만
2. 부동산 공급 = 부동산 1개당 1년 맡는 부동산 계약수 한달 평균 4건이라고 하면 1년에 48건
3. 228만 / 50건 = 45600점포(실제10만개라는데 ;)
도쿄 인구
도쿄 23구 인구 + 23구외 인구 1. 도쿄 23구 인구 = 면적 * 인구비 도쿄 23구는 전체 2400km2중 약 1/4로 생각해서 600km2 100m * 100m에 약 100명이 산다고 하면 0.01km2:100명 = 600km2:6,000,000명
2. 도쿄 23구외 인구= 면적 * 인구비 도쿄 23구 외 면적은 전체 1800km2 100m * 100m에 약 50명이 산다고 하면 0.01km2:50명 = 1800km2:9,000,000명
따라서, 1500만명
山手線のつり革の数(ADL)
야마노테선 손잡이수 = 열차의 갯수 * 열차당 손잡이 갯수
1. 열차당 손잡이 갯수 한 차당 손잡이 갯수 * 열차수
①한 차당 손잡이 갯수 열차내의 자리 앞에 손잡이가 있으므로, 자릿수 만큼의 손잡이 + 그 사이사이에 있는 손잡이 수(그림으로 나타내면 편함) ->(4+6+6+4+3+3+3+3+3)*2 = 70
② 열차수 = 11량
따라서, 열차당 손잡이 갯수=70*11=770개
2.야마노테선 열차의 갯수 열차가 5분에 한 대 온다고 가정하고, 각 역마다 5분 정도의 거리가 떨어져 있으므로, 각 역당 한대의 열차가 지나고 있다고 생각하면 됨.
야마노테센의 역의 갯수는 시부야~이케부크로까지 8개 이므로 8개*4 = 약 32개역
따라서, 32개의 열차가 동시에 달리고 있고, 하나의 열차는 한번의 일주후 한 타임만큼 쉰다고하면
64개의 열차가 존재함을 추정할수 있음
따라서, 야마노테선 손잡이수 = 열차의 갯수 * 열차당 손잡이 갯수 = 64개 * 770개
도시의 구성요소★
1. 시민
2. 활동 - 게데스 : 생산, 생활, 위락 - 르 꼬르뷔제(CIAM) : 주거, 근로, 여가, 교통
3. 토지와 시설 - 자연물 - 인공물 - 건축시설 : 주거·상업·공업·공공 시설 - 교통시설 : 도로, 철도, 항만, 공항 등 - 공간시설 : 공원, 녹지, 오픈스페이스 등
일본에 있는 크리닝점의 갯수는
클리닝점의 갯수 = 전체수요 / 1점포당 공급 1. 전체수요 세대수 * 1달간 선택률 * 1달간 1인당 맡기는 옷의 갯수
요건정의에서는 문제의 스코프를 명확히 정하고, 수치화하여 구체적인 목표를 수립하는 단계입니다. 가령, 이익을 2배 올리고 싶다는 문제에서는 기간은 1년간인지, 2년간인지, 이익을 2배 상승시킴에 있어서 매출과 코스트의 비중은 제시되었는지 등을 파악하여, 매출을 2.5배 상승시키고 코스트는 1.5배만 상승시켜 이익을 2배로 만든다 라는 구체적인 목표를 수립할 수 있게 됩니다.
일단 Input, Input, Input..!: 모든 어프로치의 첫 발
SVE리더 파트너인 시노하라상과 히가시상에게 새로운 문제에 대한 어프로치를 어떻게 할 것인지에 대해 질문 했을 때, 그들이 가장 먼저 언급했던 것이 Input 이었습니다. 최근 잡 인터뷰에서 그들이 원하는 질문에 대한 답을 PT로 발표할 것을 요구했는데, 이것을 하나의 프로젝트라는 관점에서 보면, 역시나 Input이 무엇보다 중요하다는 경험을 하게 되었습니다.
(거의 대부분이 open research가 되겠지만) 오픈 리서치 이든, 레포트를 찾아 보든, 전문가에게 면담을 요청하든, 해당 요건에 대해서 먼저 Input이 없으면 그 요건을 제대로 이해하는 것 조차 불가능합니다.
따라서, 해당 요건에 대한 목표를 명확히 할 수 있고, 요건을 만족시키는 설계가 머리 속에 그려질 정도로 충분한 Input을 먼저 수집하는 것이 좋습니다.
Input을 획득하기 위한 리서치방법으로는 다음의 포스트를 참고하길 바랍니다.
문제 인식, 문제의 정의, 목표의 구체화
문제란 목표와 현상의 GAP이므로, 목표와 현상을 명확히 해야 문제가 무엇인지 인식할 수 있습니다.
목표의 구체화(목표 = 요건) 목표가 없으면 문제가 존재할 수 없습니다. 목표를 명확히 하는 요령 중 하나는 주어진 과제를 목적형으로 바꾸어 보는 것입니다. 특히 실전에서는 다듬어지지 않은 워딩이 등장하여 문제를 해결하는데에 혼란을 줄때가 많습니다. 때문에 목적을 명확히 한 후 목적을 띈 워딩으로 수정하면 문제의 정의에 도움이 됩니다. 가령, 헤드쿼터를 어느 지역에 세울지 에 대한 문제는 목표가 분명하지 않습니다. 이를 시장에 대한 접근성이 좋고, 인프라가 건실한 곳에 해드쿼터를 세우기 위해서는 어느지역이 좋을지 라는 명확한 워딩으로 고치면 이후 문제해결 어프로치에 큰 도움이 됩니다.목표가 어긋나면, 목표를 중심으로 세워둔 설계도 모두 변경해야 하므로, 문제해결에 있어서 목표설정이 가장 중요한 단계임을 반드시 인식해주세요.
목표에서 등장하는 각 정의 들을 더욱 명확히 할 필요가 있습니다. 위의 예에서는, 시장에 대한 접근성이 좋다는 건 어떤 기준인지 어떤 의미인지, 또한 인프라가 건실하다는건 어떤 의미인지 어떤 기준인지 명확히 해야만 구체적인 목표를 세울 수가 있고, 일이 진행되는데 어긋남이 없습니다.
현재 상태 파악
목표의 상위 배경(목적)을 고려하기 why 트리(이후 현상분석에서 등장하는 키워드)를 통해 목표의 상위 배경인 목적을 고려해봅니다. 목적을 고려해 봄으로써 사고의 깊이를 깊게 이끌어갈 수 있고, 근본적인 요건을 고려할 수 있으므로 어긋난 해결책을 초기 단계에서 배제하기 쉬워집니다.
기존 상품의 새로운 상품 라인 개발이라는 목표의 목적을 생각해봅니다. 클라이언트와의 미팅결과, 새로운 상품 라인 개발의 목적은 시장에서의 자사 영향력 강화입니다. 하지만, 시장에서의 자사 영향력을 강화시키기 위해서는 새로운 상품라인의 개발이 아닌 다른 방법이 더 효율적일 수 있습니다.가령 인수합병처럼요. 이처럼, 클라이언트가 제시하는 목표를 명확히 하기 이전에 목적을 파악함으로써 목표 자체가 타당한 것인지 판단하고 올바른 방향을 제시할 수 있게 됩니다.
문제의 유형설정
앞으로 마주치는 모든 문제는 다음 세 가지 중의 하나에 속하게 됩니다.
발생형 문제
탐생형 문제
설정형 문제
제시된 문제가 어떤 유형의 문제인지에 따라 문제해결을 위한 어프로치가 달라집니다.
(optional)탐색형 문제를 발생형 문제로 바꾸어 생각해보기 생각을 편하게 할 수 있는 하나의 팁정도로 생각해두세요.「영어를 말할 수 있기 위해서는」이라는 문제는 「영어를 말할 수 없는 이유는」이라고 생각해 보는 것처럼, 어프로치하기 힘든 탐색형 문제를 오프로치하기 쉬운 발생형 문제로 바꾸어 생각해보는 것입니다. 하지만, 발생형 문제의 어프로치는 탐색형 문제의 어프로치보다 생각의 범위가 좁기 때문에 생각의 누출이 발생할 수 있다는 점에 매우 유의하여야 합니다.
설계
설계에서는 요건정의에서 설정한 구체적인 목표를 달성하기 위해 어떠한 어프로치로 문제해결까지 나아갈 것인지 정하는 단계입니다. 아래의 현상분석은 목표를 여러 가지 방면으로 모델화해 어프로치에 대한 힌트를 얻는 방법입니다.
본격적 설계에 들어가기 전 가장 먼저 게임의 전체적인 판을 이해하기(전략적 사고): 거시적 변수의 이해부터 미시적 변수의 이해까지
문제해결에는 다양한 변수들이 관여합니다. 예를 들어, 기업의 매출이라는 문제해결에는 어떠한 변수들이 관련되어 있는지 살펴볼까요? 구체적인 예를 위해, A라는 자동차 회사의 매출을 생각해 보겠습니다.
이때 미시적인 관점으로 A사 자동차구매율A사 자동차재구매율에 영향을 미치는 변수를 생각하면, 'A사 제품은 차량 종류' 'B사 자동차' 'A사의 마케팅'와 같은 것을 직관적으로 생각해 낼 수 있겠네요. 하지만 이게 전부일까요?
다음의 기업문제 해결에 있어서 가장 기본이 되는 5C-extension을 봅시다.(기존 5C는 company, clinet, competition, channel, cost이지만 그외의 요소들을 개인적으로 확장했습니다.)
직관적으로 언급했던, 'A사 제품은 차량 종류' 'B사 자동차' 'A사의 마케팅'과 같은 요소는 경쟁요소에 의한 변수와, 고객요소에 의한 변수밖에 다루지 않고 있습니다. 매우 미시적인 관점의 분석입니다. 하지만, 5C-extension과 같은, 거시적인 판을 사전에 이해하고 있었다면, A사 자동차구매율A사 자동차재구매율에 영향을 미치는 변수를 아래와 같이 더욱 폭넓게 생각하고, 각 변수에 따른 가설들을 세울 수 있었을 것입니다. 거시적인 틀을 파악하고 거시적인 시야에서 점점 미시적인 시야로 옮겨가는 사고를 전략전 사고라고 합니다.
1. International external env FACTORs
2. Domestic external env FACTORs
3. Alternative FACTORs
4. Complementary FACTORs
5. Competitor FACTORs
- 경쟁 기업의 차별화
6. Client FACTORs
- 가격전략
- 유통채널
- UX
- 성장전략(CLMMT)
- 차별화
- 회사 이미지, 고객 충성도
7. Suplier FACTORs
- 교섭력
8. Company FACTORs
- 밸류체인
- 7S
이는 기업의 문제해결 뿐만 아니라 어떤 문제에 대해 어프로치할 때도 마찬가지 입니다. 예를 들어, 해외로 취직을 할지 말지에 관한 개인의 문제를 해결할 때도 전체적인 판을 거시적으로 파악하고 문제해결에 대한 설계 페이즈에 들어가는 것이 합당합니다.
해외로 취직을 할지 말지를 결정하는데, 단순히 일적인 요소여자친구만을 고려하면 생각치 못한 리스크와 마주할 가능성이 있습니다. 국내 외부 환경과 국외 외부 환경이 자신의 결정에 어떠한 영향을 미치는 변수일지도 함께 고려해야 리스크 미리 인지하고 대응책을 준비할 수 있습니다.
설계 단계에서 INPUT을 활용하기
어떤 문제든 문제를 해결하기 위해 도움이 될만한 INPUT이 존재합니다. 아무것도 없이 문제를 해결하라는 태스크는 잘 없습니다. 참고할만한 자료들을 몇 개 주고 시작하죠. 설계를 한 뒤에는 설계의 각 페이즈에서 설계대로 문제를 해결하기 위해서는 어떠한 자료들이 필요한지가늠할 수 있게 되는데요. 설계대로 문제를 해결하기 위해서 INPUT이 어떻게 활용할 수 있을지 고려해야 합니다. 멀쩡히 주어진 기회(자료)들을 그냥 버리고 가기에 너무 아까우니까요.
반대로 INPUT이 반드시 문제해결에 필요한 정보라는 전제가 있다면, INPUT에 맞추어 설계를 해 나가는 것도 하나의 방법입니다.
현상분석이란 문제에 대한 해결 방법을 마련하기 전에 과제를 여러각도로 분석하여 논리적인 문제해결 방안을 이끌어 내도록 돕는 방법입니다. 본 포스트에서는 과제를 why, what, 5W1H로 분석할 것입니다.
문제해결 방안에는 대표적으로 직관적 문제해결계획적 문제해결분석적 문제해결이 존재합니다. 참고이번 포스트에서 설명하는 문제해결이란 일반적으로 분석적 문제해결을 가르킵니다. 하지만, 분석적 문제해결이 항상 옳은 옵션은 아닙니다. 경험을 통한 직관적인 문제해결로 일일이 분석하지 않아도 해결방안을 마련할 수 있는 케이스도 존재하기 때문입니다. 예를 들어 aws ec2서버를 만들어달라는 과제를 받습니다. aws에 능숙한 사람이라면 굳이 과제를 현상분석하지 않아도 다음과 같은 해결책이 머리속에 자리잡을 것입니다.
음, aws ec2 서버는 뭐 많이 세워봤어.
1. 일단 aws에서 프로젝트 아이디로 로그인해서
2. ec2 콘솔을 켜야지
3. 인스턴스를 세울 때, 이미지 파일을 사용할까 스냅샷을 사용할까 처음부터 세울까? 이 부분은 확인해봐야겠네
4. 인스턴스 스펙은 어떻게하지? 어느정도 크기의 cpn mem volume으로 세우라는 걸까?
5. 네트워크는? 어떤 vpn 어떤 subnet에 세워야할까? 시큐리티 팀과 상의 해봐야겠어.
aws ec2서버를 세우는 과제에 생각보다 꽤나 많은 생각들이 필요하긴 하군요. 여하튼 aws에 익숙해져 있는 사람이라면 위와 같은 해결방안을 굳이 세세하게 현상분석하지 않아도 경험을 통해 직관적으로 알 수 있게 됩니다. 이것이 직관적 문제해결 입니다.
하지만 aws ec2서버를 처음 접해보는 사람은 어떨까요? 누구하나 알려주는 사람도 없다면 그 사람에게 이것은 꽤나 복잡한 과제일 것입니다. aws가 무엇인지, ec2가 무엇인지, 그것을 구성하는 것은 무엇인지, 왜 그렇게 해야하는지 등 꼼꼼한 현상분석과 가설설정, 검증, 자료조사 뒤에야 문제 해결방안을 마련할 수 있겠죠. 이것은 분석적 문제해결입니다.
결론은 문제 해결을 위해 반드시 분석적 문제해결만을 사용할 필요는 없다는 것입니다. 과제에 대해 충분한 경험과 배경지식의 Pool이 있다면 직관적 문제해결도 시간과 비용을 절약할 수 있는 훌륭한 문제해결법이라는 것입니다. 하지만 직관적 문제해결을 시행할 때 주의해야 할 점은 문제해결이란 상황에 변할 수 있는 리스크가 존재하기 때문에, 직관적 경험을 근거로 세운 플랜에 대해서는 정말 타당한 인과관계인지 검증을 해야한다는 점입니다!
경영전략에는 현상분석과 해결책을 하나로 묶은 시스템이 있다?
경영전략에서 많이 사용하는 현상분석과 그에 따른 어프로치(설계)를 제시하는 시스템이 존재합니다. 이를 IB케이스 시스템이라고 합니다. 경영전략에서 자주 등장하는 아래의 토픽에 따라, IB케이스 시스템에서는 각 토픽에 어떤 식으로 어프로치를 하여 문제를 해결할 것인지 제시하고 있습니다. 구체적인 내용은 「戦略コンサルティング・ファームの面接試験：CASE IN POINT」 이라는 책을 참고해주세요.
- 시규시장참입
- 업계분석
- M&A분석
- M&A적정 가격 설정(EV/EBITDA, EBITDA* 7~10배)
- M&A 타당성 분석(=장래 성장률 분석)
- 신제품발매
- 가격전략
- 성장전략
- 기업/신규사업 타당성 분석
- 경쟁기업에 대한 대응책
- 매출 증가
- 코스트 삭감
- 이익 증가
- 턴어라운드
- 수요공급 균형전략
WHAT트리(feat.구조화, Segment화)
WHAT트리는 그냥 생각하기에는 막막한 탐색형, 설정형 문제를 해결하는데 도움이 됩니다. 한번에 생각하기 어려운 문제를 의미있는 기준에 의해 나누어 생각할 수 있기 때문입니다.
WHAT트리가 탐색형, 설정형 문제를 해결하는데 가장 유용한 도구이기는 하지만, 어떠한 문제든 WHY트리, WHAT트리를 모두 구성해보는 것이 생각의 누출을 막기때문에 훨씬 유리하다는 걸 기억해주세요.
WHAT트리의 핵심: 구조화
WHAT 트리는 구조화를 통해서 작성할 수 있습니다. 구조화란 한번에 정복하기 힘든 문제가 있을때, 이를 세부적인 부분까지 나누어서 분할한 뒤 각각의 문제를 해결하여 전체적인 문제해결을 도모하는 것입니다. (각개격파하기!)
역시나 정의로만 보면 무슨 소리인지 모르겠습니다. 예를 통해 보도록 하겠습니다. 다음과 같은 발생형 문제를 생각해보겠습니다. 스타벅스의 1일매출을 15퍼센트 늘이기 위해서는? 이라는 과제가 있습니다. 자, 어떤 해결방법들을 생각해낼 수 있을까요? 읽기를 멈추고 생각해보세요.
막막합니다 역시..곧바로 머리속에 드는 생각은 '호객을 열심히 한다' '신메뉴를 개발한다' '커피 값을 올린다' 정도가 되겠네요. WHAT트리나 WHY트리와 같은 분석도구 없이는 직관적인 해결방법에 의존하게 됩니다. 하지만 직관적인 해결방법은 생각의 누출이 많고 논리성을 보장하기 어렵습니다.
그럼 어떻게 접근해야할까요?
먼저 스타벅스의 1일 매출을 구조화 해보겠습니다.
스타벅스 1일 매출 = 구매자수 * 1인당 평균 구매액
= [판매형태에 따라서 구조화] (테이크아웃하는 구매자수 * 1인당 평균 구매액) + (점포내 구매자수 * 1인당 평균 구매액)
= [점포내 구매자수를 더 세분하게 구조화] (테이크아웃하는 구매자수 * 1인당 평균 구매액) + (업소내의 좌석개수 * 시간당 가동율 * 시간당 회전율) * 1인당 평균 구매액
- 테이크 아웃하는 1인당 평균 구매액을 늘이기 위해 : 테이크아웃하는 고객에 대해서 할인 행사를 시행해 더 많이 사가게 하도록 유도한다.
- 업소내의 좌석개수를 늘이기 위해 : 카페내의 빈공간을 효율적으로 사용하고 stand-bar나 카운터석을 늘인다(고객의 만족도가 하락하기 때문에 이후의 검증 과정에서 폐기될 해결방책이긴 하겠지만..)
- 시간당 회전율을 높이기 위해 : 고풍스럽지만 딱딱한 의자를 준비하여 오래 앉아 있지 못하게 한다.
- 1인당 평균 구매액을 늘이기 위해 : 커피 뿐만 아니라 베이커리나 셀러드나 샌드위치와 같은 간단한 식사류를 준비하여 함께 구매하도록 유도한다.
자, 그럼 이번에는 아까보다 생각하기가 훨신 수월해졌다는걸 느낄 수 있겠죠? 문제를 막연히 하나의 큰 덩어리로 보는 것이 아니라 조그만한 덩어리로 쪼개고 보면, 비교적 덜 부담스러운 조그만한 덩어리들에 대해서 각각의 해결책에 어프로치 할 수 있게 됩니다. 또한 각 구조화에서는 MESE가 적용되어 있기 때문에, 생각의 누출이 없고 논리성을 보장할 수 있습니다.
구조화에는 다음의 네 가지 방법이 존재합니다. 이를 통해 상황별로 유연하게 대상을 구조화할 수 있습니다.
사칙연산을 통한 구조화
축을 통한 구조화
MESE프레임워크를 통한 구조화
프로세스 분석을 통한 구조화
1. 사칙연산을 통한 구조화
수식으로 구조화를 시행했을 때 구조화가 수월합니다. 수식으로 표현했을 때는 변수 간의 +-÷× 관계를 명확히 파악할 수 있습니다. 또한, 하나의 변수를 더 세분화된 하위 변수로 나누기 쉬워집니다.
-스타벅스의 갯수(존재어프로치) = 도시의 역수 * 역당 스타벅스 개수 + 도시가 아닌 곳의 역수 * 역당 스타벅스 개수
-도쿄역 유동인구수 = 열차이용객수 * 환승률 = ((한차량 정원수 * 가동률 * 한 전차의 전체차량 수) * 시간당열차대수 * 운용시간 * 선개수 * 환승률)
-칼로리 축척량 = 肥満=カロリーIn－カロリーOut
・カロリ-In = 摂取カロリー＊カロリー吸収率
=（食事回数＊一回当たり量＊量当たりカロリー）＊カロリー吸収率
・カロリ-Out = 基本代謝＋基本代謝外
= 基本代謝＋（通常運動＋特別運動）
-고층건물 건설비 = 工事費＝土地＋(1階当たり工事費*階数)*高層による加重値＝土地＋((人件費＋原材料費＋機械レンタル費)*階数)*高層による加重値
2. 축을 통한 구조화
시스템의 경우 구성요소를 물리적/논리적 기준으로 명확하게 구분할 수 있지만, 비즈니스의 경우 어떤 축으로 구조화 하느냐에 따라 구성요소가 달라집니다.
# 소비자 구조화
age sex time area sku channel EL E/N busi natl
# 시장 구조화
valueChain sku client-type
따라서, 의미 있는 축(기준) 을 선정하여야 합니다. 가령, 맥도날드 점포의 일일 매출 확대라는 과제가 있을 때 이를 해결하기 위한 현상분석으로 점포의 매출을 WHAT트리(구조화작업)로 분해합니다. 매출은 객수 * 객단가으로 나뉠 수 있습니다. 이때 객수를 시간대, 나이대, 성별이라는 축으로 나누는 것은 의미가 있지만 구매자가 입은 옷색깔, 구매자의 안경 착용여부 라는 축으로 나누는 것은 의미가 없습니다.
그렇다면 축설정은 어떻게 하면 의미가 있는 것일까요? 축설정이 의미가 있기 위해서는, 축설정과 문제의 목표가 타당한 인과관계인가를 증명해야 합니다. 위의 맥도날드 매출 확대의 예에서 시간대나 나이대가 의미있는 축이 될 수 있는 이유는 시간대 나이대라는 축에 의해 매출에 영향을 미칠 수 있기 때문입니다. 하지만 구매자의 안경 착용여부가 매출과 관련이 있다는 인과관계는 납득하기 어렵습니다.
또한 복수개의 축설정을 통해 정확도가 높은 구조화를 이루어 낼 수 있습니다. 위의 예에서와 같이, 고객을 시간대라는 하나의 축으로만 나누는 것보다 시간대와 나이대라는 복수의 축으로 나눌 경우 더 정확도가 높은 결과물을 얻어낼 수 있습니다.
3. MESE프레임워크를 통한 구조화
위에서 언급한대로 비즈니스 사이드는 구조화가 축의 설정에 따라 달라지므로 축설정이 중요합니다. 그런데 문제는 대상에 대한 배경지식이 존재하지 않는 이상 어떤 의미있는 축을 선정할지 자체가 굉장히 까다롭습니다. 이를 돕기 위한 것이 MESE 프레임워크입니다. 일반적으로 사용되는 의미있는 축을 그때그때 대입해 사용할 수 있게됩니다.
프레임워크는 이미 MESE화 되어 있으므로 문제의 구조화에 있어 큰 도움이 됩니다. ppt자료를 만들때 레퍼런스가 있고 없고의 차이를 크게 경험해봤을 것입니다. 레퍼런스는 요건에 따라 완벽하지는 않지만 사고에 큰 도움이 됩니다. 축의 프레임워크는 이러한 레퍼런스와 같습니다. 혹은 개발 경험이 있으신 분들은 외부 라이브러리를 사용하는 것이 얼마나 편리한지 아실 것입니다. 프레임워크는 외부 라이브러리를 사용하는 것과 같습니다. 보장된 로직을 사용함으로써 나의 부담을 줄이는 것이죠.
긍정적/부정적
내부/외부
온/오프
개인/환경
물리적/정신적
의식적/무의식적
공급/수요
사람/물건/돈/정보
연령/성별
사회인/학생
시각/청각/미각/촉각/후각
개인/법인
신규/기존
프로덕트/서비스
가상/실제
사적/공적
질/양
4p(product, price,place,promotion)
AIDMA
3C
예) 개인의 수입을 구조화면?
└── Stock
└── 有形資産売却
└── 無形資産売却
└── Flow
└── 支出
└── 変動費
└── 固定費
└── 収入
└── 他力
└── 金借りる
└── 金もらう
└── 自力
└── 仕事する
└── 仕事もらう
└── 仕事作る
└── 仕事しない：株式・FXなど
예) 정체에 영향을 미치는 변수를 구조화하면?
일시적
└── 하드웨어
└── 눈,비 등 기상
└── 교통사고
└── 도로공사
└── 소프트웨어
└── 팬텀정체현상
비일시적
└── 하드웨어
└── 도로상태
└── 도로수(병목현상)
└── 소프트웨어
└── 교통체계(신호체계, 차선이용 제한등)
4. 프로세스 분석을 통한 구조화
매출은 객수*단가 = 인구*선택률*1인당구매개수*단가와 같이 구조화 될 수 있습니다. 웹어플리케이션은 레이어 라는 축으로 구조화하면 DB, 서버, 클라이언트 로 구조화 될 수 있습니다. 그렇다면 다음으로 승진이라는 개념은 어떻게 구조화할 수 있을까요?
좀 막막합니다. 승진이라는 개념은 한 시점에 발생하는 STOCK개념이 아니라 시간적 흐름에 의해 발생하는 FLOW개념이다보니 이를 STOCK 요소로 분해하려는 시도에서 머리가 말을 듣지 않는 것입니다.
승진은 FLOW이기 때문에, 그 요소를 분해함에 있어서도 시간적 흐름에 따라 분해하면 됩니다. 이를 고객 여정 분석(customer journey analysis)라고 합니다. 즉, 고객 여정 분석에 따르면 승진이라는 flow는 퍼포먼스 - 인사평가 - 인사권한자 승인 - 인사적용의 흐름으로 구성됩니다.
다른예로는, 엘리베이터의 사용을 편리하게 하기 위해서는, 웹사이트의 이용을 편리하게 하기 위해서는, 보조금 제도의 리스크시이레를 구조화하면 과 같은 flow의 과제를 분석할 시 프로세스 분석은 유효하게 사용됩니다.
시간적 FLOW와 STOCK의 구분이 어렵다면, 구조화의 대상이 동사이면 FLOW, 명사이면 STOCK이라고 생각해보세요.
귀납적 축설정 축의 설정에 어려움을 겪는 문제라면, 귀납적 인수분해를 사용할 수 있습니다. 귀납적 인수분해란, 축을 생각하기전 머리속에서 떠오르는 구성요소들을 먼저 생각해, 그 구성요소들의 분류에 따라 축을 역으로 설정해 나가는 것입니다. MESE를 만족하지 않는 축이 설정될 리스크가 존재하지만, 축을 설정하는 것보다 구성요소를 생각해내는 것이 비교적 쉬우므로 생각이 막혔을 때는 도움이 될 수 있습니다.
여러방면으로 축설정을 재실행
What트리와 시스템개발
개발을 해보신 분이 아니라면 이게 뜬금없이 왠 개발 이야기 인지 의아해하실 분이 있을 실 겁니다. 저는 IT컨설턴트이기 때문에, 컨설턴트적인 생각을 해야할 뿐만 아니라, 개발도 하고 있어요. 때문에 문제해결법을 생각할 때, 일반적인 전략/기획 문제해결법 뿐만아니라 그 방법이 소프트웨어 개발을 할 때도 확장성있게 사용할 수 있는 프레임워크인지 확인합니다. What트리는 시스템 개발을 할 때도 매우 유용하게 상용됩니다. 물론 트리의 생김새는 다르지만, 결국 본질은 같습니다.
개발을 해보신 경험이 있으신 분이라면, 네트워크 설계도나 시컨스 설계도를 보신분이 계실겁니다. 네트워크 설계도는 막연하게 느껴지는 '데이터 흐름'이라는 것을 데이터가 어떤 네트워크의 리소스를 통해 움직이는 지를 보여주는 그림입니다. 이는 네트워크라는 키워드를 (예를 들어) api gateway, ec2, rds, kinesis 등의 리소스로 인수분해하여 나타낸 것이므로, 생김새는 what트리와 다를지 모르지만 인수분해라는 시점에서 그 본질은 같습니다.
또한 조금 더 세부적인 소프트웨어의 흐름을 보자면 시컨스 설계도가 있겠군요. 설계자의 의도에 따라 굉장히 세부적으로 설계도를 그릴지(파일단위), 마이크로서비스 단위로 설계도를 그릴지 생각을 한후 데이터의 흐름을 기재하는 방법입니다. 이 또한, 데이터의 흐름이라는 추상적인 개념을 구체적인 리소스들, 파일들, 알고리즘들로 인수분해하여 생각하는 방법이기 때문에 what트리와 본질이 같습니다. 어플리케이션을 개발하는 프레임워크를 조금더 구체적으로 알고싶다면링크
What트리는 시스템을 구축할 때도 매우 도움이되는 방법입니다.
WHY트리
WHY트리는 원인분석이 요구되는 발생형 문제일 경우 유용하게 사용될 수 있습니다. WHY트리는 인과관계의 파악이 핵심입니다. 인과관계에 관해서는 별도의 포스트에서 구체적으로 다루고 있습니다. 다음의 링크에서 확인해주세요.
WHY트리를 위한 팁
MESE
프레임워크 사용하기
원인을 구조화하기
거시적 요소부터 미시적인 요소까지 기업의 선택률과 시장의 성장률에 영향을 미치는 변수는?
1. International external env FACTORs 2. Domestic external env FACTORs 3. Alternative FACTORs 4. Complementary FACTORs 5. Competitor FACTORs - 경쟁 기업의 차별화 6. Client FACTORs - 가격전략 - 유통채널 - UX - 성장전략(CLMMT) - 차별화 - 회사 이미지, 고객 충성도 7. Suplier FACTORs - 교섭력 8. Company FACTORs - 밸류체인 - 7S
몇 퍼센트 짜리 인과관계일까? 각 인과관계의 타당성은 수치로써 그 관계가 표현됩니다. 위의 그림에 의하면 배송시스템문제 -> 배송지연문제 라는 인과관계로 표시되어 있지만, 정말 저러한 인과관계가 도출되는 것이 타당한지를 매 포인터 마다 고려해 보는 것입니다. 각 노드 간의 인과관계를 수치로 표현하여 구체화 할 수 있습니다. 수치는 물론 가설이지만, 수치를 통해 인과관계를 표현함으로써 논리적 비약을 방지할 수 있습니다.
예1. 바람이 불면 통장사가 잘된다?? 바람이 분다 -> 50% 모래먼지가 날린다 -> 1% 눈에 모래가 들어간다 -> 0.1% 실명하여 맹인이 된다 -> 5% 맹인이 샤미센을 연주한다 -> 100% 샤미센 수요가 증가한다 -> 100% 샤미센을 만들 고양이 가죽이 필요하다 ->100% 고양이가 줄어든다 -> 10% 쥐가 증가한다 -> 50% 쥐가 통을 갉아먹는다 -> 10% 통장사가 잘된다 0.5 * 0.05 * 0.001 * 0.05 * 1 * 1 * 1 * 0.1 * 0.5 * 0.1 = 약 10억분에 1확률 따라서, 바람이 불면 통장사가 잘된다라는 가설은 논리적 비약 예2. 기준금리가 올리가면 부동산 가격이 하락한다? 기준금리가 상승한다 -> 100% 시장금리가 상승한다 -> 100% 대출금리가 상승한다 -> 90% 대출받아 부동산을 구매하는 수요가 감소한다 -> 80% 부동산 수요가 하락한다 -> 100% 부동산 가격이 하락한다 1 * 1 * 0.9 * 0.8 * 1 = 0.72 따라서 기준금리가 상승하면 부동산 가격이 하락한다는 타당한 인과관계
핵심적인 원인이 보일때까지 계속 파고들기 발생형 문제 해결의 핵심은 원인 분석입니다. 피상적인 원인 분석부터 시작하여 근본적인 원인 분석으로 이어나갑니다. 근본적인 원인의 분석은 원인에 대한 원인의 규명을 반복하여 접근합니다. 이렇게 나뉘어진 원인의 계층에서 각 층의 원인은 피상적이든 근본적이든 해결책 마련의 근거가 됩니다. 이때 원인 분석은 MESE의 의해서 종류가 나뉘어지면 좋지만(생각이 누출을 막기 위해), 이러한 구분보다 중요한 것은 근본적 원인을 밝혀내는 것이라는 방향성을 유지하는 것입니다.
인과관계가 충분히 세부적으로 step by step을 이루고 있는지 검증 발생형 문제의 원인을 파악해 나갈 때, 인과관계의 粒度가 충분히 구체적인지 고려해야합니다. 예를 들어, 「꽃가루 알레르기 환자를 줄이기 위해서는」이라는 문제에서, 「꽃가루 -> 알레르기 발생」 이라는 인과관계는 중간의 세부적 인과관계가 생략되어 수많은 정보를 놓치고 있습니다. 이를 더욱 구체적인 인과관계로 분석하면 다음과 같습니다.어떠한가요? 이처럼 인과관계를 세부적으로 나타내면 그만큼 더욱 세부적인 원인을 분석할 수 있고, 세부적으로 발전한 원인에 대해 더 많은 해결책을 마련할 수 있게 됩니다. 「꽃가루 -> 알레르기 발생」이라는 생략된 인과관계에서는 그에 대한 해결책으로 꽃가루를 어떻게 줄일 것인지, 알레르기를 어떻게 줄일 것인지에 대한 해결책밖에 떠오를 수 없습니다. 하지만, 구체적인 인과관계의 분석으로, 꽃가루가 공기로 전달되지 않는 방법, 꽃가루가 함유된 공기를 흡입하지 않는 방법, 기관지에 쌓이지 않게하는 방법, 기관지에서 방위작용을 하게 하지 않는 방법 등 더 구체적인 해결책들이 제시될 수 있습니다.
꽃가루 발생 -> 꽃가루가 공기로 전달 -> 공기를 흡입 -> 기관지에 쌓임 -> 기관지에서의 방위작용 -> 기침,눈물 등의 알레르기 발생
BRAIN STORMING트리
문제 해결방안 마련
HOW트리
HOW트리를 위한 팁
인과관계의 타당성 검증 인과관계의 타당성 검증이란, 로직 트리의 각 박스를 잇고 있는 화살표들이 정말 타당한지를 검증하는 것입니다. 아래 그림에서 예를 들어 볼까요. 유기농 제품의 판매량 증대 -> 영업 사원의 생산성재고 라는 인과관계가 정말 타당한지 검증하는 것입니다. 유기농 제품의 판매량을 증대시키기 위해서 영업 사원의 생산성을 재고하는게 정말 타당한 인과관계인가?라고 자문해 보는 것이죠.
검증 : Feasibility 검증
feasibility(실현가능성)은 두 가지의 축으로 나뉘어 질 수 있습니다.
Impact
Time
Cost
Risk(코스트, 수익률, 성장률, 회수기간 등)
과제추출
우선순위 설정
우선순위는 각 태스크가 가지고 있는 중요도, 리드타임에 따라 결정됩니다.
중요도
먼저 중요도를 볼까요? 중요도란 무엇에 의해 결정될까요? 중요도를 결정하는 기준은 무엇일가요? 저는 다음의 세 가지 기준에 따라 중요도를 결정합니다.
해당 태스크가 얼마나 많은 다른 태스크에 영향을 미치는가?
해당 태스크의 데드라인은 언제인가?
리드타임
어떤 태스크는 리드타임을 갖기도 합니다. 리드타임이란 태스크를 시행함에 있어서 외부의 요인에 따라 대기해야하는 시간을 의미합니다. 예를 들면, 물건을 주문하는 것이 있겠습니다. 물건을 주문하면 주문하는 것은 금새 끝나지만 배송까지 시간이 걸리게 됩니다. 만약, 주문받은 물건이 다음의 태스크의 필요 조건 이라면 리드타임을 제대로 계산하지 못해 의미없는 시간과 공수를 날려버리게 됩니다. 때문에 리드타임이 걸리는 물건 주문과 같은 경우는 리드 타임을 계산하여 미리미리 시행하여야 합니다.
실행
태스크의 실행할 시, 디테일한 부분의 작업을 하고 있다고 하더라고 애초의 태스크와 문제해결을 위한 설계라는 큰 그림을 잊으면 안됩니다. 세부적인 작업에 집중해 큰 그림을 잊고 작업을 진행하면, 설계의 목적과 부합하지 않는 작업으로 빠져버릴 가능성이 큽니다.
우리는 일상이나 업무 중에 논리적으로 누군가를(고객, 경영층 등) 설득해야 하거나, 어떤 문제를 체계적인 방법으로 해결해야 하는 경우를 많이 접하게 됩니다. 하지만, 이러한 논리적 사고와 접근을 몇몇 전문가들의 전유물로 생각하기 쉬운데요.
사실 논리적 사고는 누구나 훈련을 통해서 확보할 수 있는 역량이며, 이 역량은 한 번 체득되면 업무뿐 아니라 다양한 영역에서 활용이 가능합니다. 사실, 필자의 경우도 훈련을 통해서 논리적 사고를 키운 대표적인 케이스입니다. 그러니, 여러분들도 어렵다고 생각하지 마시고 저의 글을 읽으시고 활용해 보시기를 권해 드립니다.
논리적 사고를 지원하는 도구 중 가장 대표적인 것이 바로 ‘맥킨지’식 사고의 핵심인 “로직 트리(Logic Tree)”입니다. 나뭇가지가 뻗어 나가는 것처럼 논리적으로 상세화(분류)를 하는 기법인데요. 먼저 아래 그림처럼 간단한 예시로 시작해 보겠습니다.
A 회사의 ‘스마트 워치’ 사업의 이익이 증가를 했는데요. 그 원인을 로직 트리를 통해 분석해 보면 아래와 같습니다.
l 로직 트리 사례
로직 트리를 이용하면 어떤 문제를 더 세부적으로 구체화할 수 있다는 것을 보실 수 있는데요. 이렇게 세부적으로 나누게 되면 더 정확한 판단이 가능해지고, 중복이나 누락을 최소화시켜 업무를 더 효율적으로 수행할 수 있게 도와줍니다.
사실 다른 사람들이 작성한 로직 트리를 보면, 작성하기 쉬울 것 같아 보이지만 실제로 해 보면 생각보다 어렵다는 것을 느낄 수 있는데요. 로직 트리를 좀 더 쉽게 이해하고 활용할 수 있도록 그 유형과 작성 시 주의사항에 대해 설명을 드리겠습니다.
로직트리의 유형
What트리 첫 번째는 문제 해결을 위한 구조화(Issue Tree)에 활용됩니다. 이 부분은 추후 설명드릴 “문제 해결 프로세스”에서도 설명을 드리겠지만, 문제 해결 프로세스 상에서 굉장히 중요합니다. 실무 현장에서 이 부분(문제의 구조화)에서 Management와 실무자들 간에 이슈에 대한 생각의 차이가 발생하여 제대로 된 솔루션을 제시하지 못하는 경우를 많이 보게 됩니다.
Why트리 두 번째 로직 트리 유형은 문제의 원인을 분석(파악) 할 때 활용됩니다. ‘Why Tree’로 불리기도 하는데요. 이때는 아래 그림처럼 Why(왜?)를 반복하면서 구체화해야 합니다. 그래야 정확한 근본 원인을 찾을 수 있게 됩니다.
How트리 마지막으로 세 번째는 해결책을 구체화할 때 사용합니다. 이때는 문제의 원인을 파악할 때와 달리 So How?(그래서 어떻게?)를 반복함으로써 원하는 결과물을 얻을 수 있게 됩니다. 그래서 ‘How Tree’로 불리기도 합니다.
로직트리 작성시 주의사항
로직 트리 작성할 때 주의해야 할 사항을 말씀드리겠습니다. 첫 번째는 ‘폭과 깊이’가 유사한 수준이어야 하고, 전개가 논리적이어야 합니다. 아래 그림과 같이 폭의 관점에서 누락이 발생하지 않아야 하며, 의미 있는 분석을 위해 어느 정도 ‘깊이’가 있어야 합니다. 항상 어떤 일이든지 시간과 같은 리소스의 제약이 있기 때문에 이를 감안하여 효과적으로 접근해야 합니다.
두 번째는 MECE(중복되지 않고, 각각의 합이 전체를 포함) 관점으로 작성되어야 합니다. 그러나, 실제로 로직 트리를 작성하다 보면 전체가 다 MECE를 만족하지는 않습니다. 그렇다 할지라도 1차 전개에서는 반드시 MECE를 만족시켜야 합니다.
세 번째로 주의해야 할 사항은 상호 반대되는 개념으로 양분하는 방식과 ‘이외’, ‘기타’를 잘 활용하면 MECE를 충족시키는 데 도움이 됩니다. 다만, ‘X 이외의 것’으로 전개하는 것은 굉장히 주의해야 합니다. 그래서, 가급적 권장하지 않습니다. 이유는 마지막 주의사항에서 함께 설명드리겠습니다.
마지막 주의사항은 구체화해 가는 가지들의 레벨을 맞추는 것이 중요하다는 것입니다. 만약, 너무 비중의 차이가 난다면 비중을 적어서 어떤 항목들이 중요한 항목인가를 표시하는 것이 좋겠습니다.
예를 들어, 아래 그림과 같이 ‘스마트 워치(Smart Watch)’ 제품에 대한 이익 증가 요인을 로직 트리로 분석한다고 가정했을 때, 원인 분석 과정에서 제품 원가를 두 개로 분리하고, 하나를 ‘인건비’, 그리고 다른 하나를 ‘인건비 외’로 분류할 경우, ‘인건비’ 비중이 상당해야 합니다.
그렇지 않고, 인건비 비중이 만약 10% 정도 밖에 안 될 경우에는 비중이 높은 중요한 90%의 원인을 놓치는 오류를 범하게 됩니다.
또한, 전개 도중에 어떤 항목은 여러 단계까지 심도 있게 전개가 되는데 다른 항목들은 1~2단계에서 막히는 경우가 발생하면 뭔가 문제가 있다고 봐야 합니다. 그래서, 이런 경우에는 작업을 중단하고 다른 각도에서 시도해야 합니다.
여기까지 설명이 되었으면 이제부터는 여러분들의 몫입니다. 다양한 주제(문제)들을 가지고 로직 트리를 통해 구체화하는 훈련을 반복적으로 수행해야 합니다.
이러한 반복적인 훈련은 여러분들이 문제 해결을 하고자 할 때 논리적 사고로 접근할 수 있도록 도와주는 역할도 하지만, 어느 순간 여러분 스스로가 꼭 문제 해결이 아닌 다른 여러 상황에서도 논리적 사고를 할 수 있게끔 변화시켜 주기도 합니다.
What 트리로 구성요소를 분해하라
WHAT 트리는 구조화를 통해서 작성할 수 있습니다. 구조화란 한번에 정복하기 힘든 문제가 있을때, 이를 세부적인 부분까지 나누어서 분할한 뒤 각각의 문제를 해결하여 전체적인 문제해결을 도모하는 것입니다. (각개격파하기!)
역시나 정의로만 보면 무슨 소리인지 모르겠습니다. 예를 통해 보도록 하겠습니다. 다음과 같은 발생형 문제를 생각해보겠습니다. 스타벅스의 1일매출을 15퍼센트 늘이기 위해서는? 이라는 과제가 있습니다. 자, 어떤 해결방법들을 생각해낼 수 있을까요? 읽기를 멈추고 생각해보세요.
막막합니다 역시..곧바로 머리속에 드는 생각은 '호객을 열심히 한다' '신메뉴를 개발한다' 커피 값을 올린다' 정도가 되겠네요. WHAT트리나 WHY트리와 같은 분석도구 없이는 직관적인 해결방법에 의존하게 됩니다. 하지만 직관적인 해결방법은 생각의 누출이 많고 논리성을 보장하기 어렵습니다.
그럼 어떻게 접근해야할까요?
먼저 스타벅스의 1일 매출을 구조화 해보겠습니다.
스타벅스 1일 매출 = 구매자수 * 1인당 평균 구매액
= [판매형태에 따라서 구조화] (테이크아웃하는 구매자수 * 1인당 평균 구매액) + (점포내 구매자수 * 1인당 평균 구매액)
= [점포내 구매자수를 더 세분하게 구조화] (테이크아웃하는 구매자수 * 1인당 평균 구매액) + (업소내의 좌석개수 * 시간당 가동율 * 시간당 회전율) * 1인당 평균 구매액
- 테이크 아웃하는 1인당 평균 구매액을 늘이기 위해 : 테이크아웃하는 고객에 대해서 할인 행사를 시행해 더 많이 사가게 하도록 유도한다.
- 업소내의 좌석개수를 늘이기 위해 : 카페내의 빈공간을 효율적으로 사용하고 stand-bar나 카운터석을 늘인다(고객의 만족도가 하락하기 때문에 이후의 검증 과정에서 폐기될 해결방책이긴 하겠지만..)
- 시간당 회전율을 높이기 위해 : 고풍스럽지만 딱딱한 의자를 준비하여 오래 앉아 있지 못하게 한다.
- 1인당 평균 구매액을 늘이기 위해 : 커피 뿐만 아니라 베이커리나 셀러드나 샌드위치와 같은 간단한 식사류를 준비하여 함께 구매하도록 유도한다.
자, 그럼 이번에는 아까보다 생각하기가 훨신 수월해졌다는걸 느낄 수 있겠죠? 문제를 막연히 하나의 큰 덩어리로 보는 것이 아니라 조그만한 덩어리로 쪼개고 보면, 비교적 덜 부담스러운 조그만한 덩어리들에 대해서 각각의 해결책을 마련할 수 있는 생각을 할 수 있게 되기 때문입니다.
또한 각 구조화에서는 MESE가 적용되어 있기 때문에, 생각의 누출이 없고 논리성을 보장할 수 있습니다.
1. 사칙연산을 통한 구조화
수식으로 구조화를 시행했을 때 구조화가 수월합니다. 수식으로 표현했을 때는 변수 간의 +-÷× 관계를 명확히 파악할 수 있습니다. 또한, 하나의 변수를 더 세분화된 하위 변수로 나누기 쉬워집니다.
-스타벅스의 갯수(존재어프로치) = 도시의 역수 * 역당 스타벅스 개수 + 도시가 아닌 곳의 역수 * 역당 스타벅스 개수
-도쿄역 유동인구수 = 열차이용객수 * 환승률 = ((한차량 정원수 * 가동률 * 한 전차의 전체차량 수) * 시간당열차대수 * 운용시간 * 선개수 * 환승률)
-칼로리 축척량 = 肥満=カロリーIn－カロリーOut
・カロリ-In = 摂取カロリー＊カロリー吸収率
=（食事回数＊一回当たり量＊量当たりカロリー）＊カロリー吸収率
・カロリ-Out = 基本代謝＋基本代謝外
= 基本代謝＋（通常運動＋特別運動）
-고층건물 건설비 = 工事費＝土地＋(1階当たり工事費*階数)*高層による加重値＝土地＋((人件費＋原材料費＋機械レンタル費)*階数)*高層による加重値
2. 축을 통한 구조화
시스템의 경우 구성요소를 물리적/논리적 기준으로 명확하게 구분할 수 있지만, 비즈니스의 경우 어떤 축으로 구조화 하느냐에 따라 구성요소가 달라집니다.
# 소비자 구조화
age sex time area sku channel EL E/N busi natl
# 시장 구조화
valueChain sku client-type
따라서, 의미 있는 축(기준) 을 선정하여야 합니다. 가령, 맥도날드 점포의 일일 매출 확대라는 과제가 있을 때 이를 해결하기 위한 현상분석으로 점포의 매출을 WHAT트리(구조화작업)로 분해합니다. 매출은 객수 * 객단가으로 나뉠 수 있습니다. 이때 객수를 시간대, 나이대, 성별이라는 축으로 나누는 것은 의미가 있지만 구매자가 입은 옷색깔, 구매자의 안경 착용여부 라는 축으로 나누는 것은 의미가 없습니다.
그렇다면 축설정은 어떻게 하면 의미가 있는 것일까요? 축설정이 의미가 있기 위해서는, 축설정과 문제의 목표가 타당한 인과관계인가를 증명해야 합니다. 위의 맥도날드 매출 확대의 예에서 시간대나 나이대가 의미있는 축이 될 수 있는 이유는 시간대 나이대라는 축에 의해 매출에 영향을 미칠 수 있기 때문입니다. 하지만 구매자의 안경 착용여부가 매출과 관련이 있다는 인과관계는 납득하기 어렵습니다.
또한 복수개의 축설정을 통해 정확도가 높은 구조화를 이루어 낼 수 있습니다. 위의 예에서와 같이, 고객을 시간대라는 하나의 축으로만 나누는 것보다 시간대와 나이대라는 복수의 축으로 나눌 경우 더 정확도가 높은 결과물을 얻어낼 수 있습니다.
3. MESE프레임워크를 통한 구조화
위에서 언급한대로 비즈니스 사이드는 구조화가 축의 설정에 따라 달라지므로 축설정이 중요합니다. 그런데 문제는 대상에 대한 배경지식이 존재하지 않는 이상 어떤 의미있는 축을 선정할지 자체가 굉장히 까다롭다는 것입니다. 이를 돕기 위한 것이 프레임워크입니다. 일반적으로 사용되는 의미있는 축을 그때그때 대입해 사용할 수 있게됩니다.
프레임워크는 이미 MESE화 되어 있으므로 문제의 구조화에 있어 큰 도움이 됩니다. ppt자료를 만들때 레퍼런스가 있고 없고의 차이를 크게 경험해봤을 것입니다. 레퍼런스는 요건에 따라 완벽하지는 않지만 사고에 큰 도움이 됩니다. 축의 프레임워크는 이러한 레퍼런스와 같습니다. 혹은 개발 경험이 있으신 분들은 외부 라이브러리를 사용하는 것이 얼마나 편리한지 아실 것입니다. 프레임워크는 외부 라이브러리를 사용하는 것과 같습니다. 보장된 로직을 사용함으로써 나의 부담을 줄이는 것이죠.
매출은 객수*단가 = 인구*선택률*1인당구매개수*단가와 같이 구조화 될 수 있습니다. 웹어플리케이션은 레이어 라는 축으로 구조화하면 DB, 서버, 클라이언트 로 구조화 될 수 있습니다. 그렇다면 다음으로 승진이라는 개념은 어떻게 구조화할 수 있을까요?
좀 막막합니다. 승진이라는 개념은 한 시점에 발생하는 STOCK개념이 아니라 시간적 흐름에 의해 발생하는 FLOW개념이다보니 이를 STOCK 요소로 분해하려는 시도에서 머리가 말을 듣지 않는 것입니다.
승진은 FLOW이기 때문에, 그 요소를 분해함에 있어서도 시간적 흐름에 따라 분해하면 됩니다. 이를 고객 여정 분석(customer journey analysis)라고 합니다. 즉, 고객 여정 분석에 따르면 승진이라는 flow는 퍼포먼스 - 인사평가 - 인사권한자 승인 - 인사적용의 흐름으로 구성됩니다.
다른예로는, 엘리베이터의 사용을 편리하게 하기 위해서는, 웹사이트의 이용을 편리하게 하기 위해서는, 보조금 제도의 리스크시이레를 구조화하면 과 같은 flow의 과제를 분석할 시 프로세스 분석은 유효하게 사용됩니다.
시간적 FLOW와 STOCK의 구분이 어렵다면, 구조화의 대상이 동사이면 FLOW, 명사이면 STOCK이라고 생각해보세요.
이러한 What 트리는 위와 같이 매출 뿐만 아니라 사업가치 혹은 수익성 관련해서도 나타낼 수 있다.
Why 트리로 원인을 분석하라
그럼, 이제 한 단계 더나아가 원인분석형 로직트리를 살펴봅시다. 원인분석형은 하나의 문제에 대해 Why라는 질문을 던지면서 해당 문제를 분해해 나가는 것입니다. Why 트리는 어떤 결과에 대한 구체적인 원인을 파악할 수 있게 해줍니다. 이러한 Why 트리를 만들기 위해 Why를 5번 정도 해보는 5Why 습관이 필요합니다.
중요한 것은 5번의 Why가 아니라 어떤 결과에 대한 근본적인 원인이 맞는지를 생각해보는 습관입니다. 어떤 결과에 대한 원인은 다양하게 구성될 수 있지만, 정말 해당 결과에 대한 정확한 원인인지를 파악하는 것이 필요합니다.
예를 들어, 콜센터에 VOC(Voice of Customer, 고객불만사항)가 갑자기 증가했다고 생각해봅시다. 이에 대한 원인은 다양할 수 있다. 신규 출시된 제품의 문제일 수도 있고, 콜센터 직원의 서비스 품질이 떨어져서 그럴 수도 있습니다. 만약 신규 출시된 제품의 문제라고 할 경우, 우리는 Why를 통해 신규 출시된 제품이 왜 문제인지를 파악해야 됩니다. 그래서 배송의 문제라고 할 경우, Why룰 통해 왜 배송이 문제가 되는지를 파악해야 합니다. 배송기사가 부족해서 배송지연이 문제인지, 배송 중 제품 훼손이 문제인지, 잘못된 배송 제품이 문제인지 등을 파악해야 합니다.조금 더 들어가면, 배송지연이 일어나는 원인이 배송기사가 부족해서인지, 아니면 배송 시스템 자체가 문제인지 등을 파악하는 것이 필요합니다.
콜센터 VOC 증가 Why Tree
HOW트리로 과제를 도출하라
마지막으로 과제도출형은 하나의 과제에 대해 ‘So How’라는 질문을 던지면서 해당 과제를 분해해 나가는 것입니다.How 트리는 문제를 어떻게 해결할 것인가에 초점을 둡니다. 그렇기 때문에 다양한 과제를 도출하고 이를 MECE 관점에서 Grouping 하는 작업이 필요합니다. What 트리에서 이러한 과제도출에 대한 프레임이 설정되었다면, How 트리 또한 해당 프레임과 도출된 과제가 연계성을 갖는지를 파악하는 것이 필요합니
예를 들어 유기농 제품의 판매량 증대 방안을 마련한다고 생각해봅시다. 이를 위한 방안으로 영업사원의 생산성 제고, 유통채널 확대 방안이 있다고 생각해봅시다. 영업사원 생산성 제고를 위한 방안으로 영업사원 1인당 매출을 증대하던지, 영업사원 성과보상 강화가 있습니다. 영업사원 1인당 매출 증대를 위한 구체적인 How 트리를 만들면, 월 고객상담 건수 증대, 영업사원의 판매역량 증대, 월 신규고객 발굴 건수 증대 등이 있을 수 있습니다. 즉, 월 영업사원의 상담건수를 증대하여 실질적인 고객접촉 빈도를 높이고, 영업사원의 판매역량을 제고를 통해 상담에서 판매로의 성공률을 높이고, 기존 고객에서 벗어나기 위한 신규고객 발굴 건수를 높이는 것이 필요합니다.
유기농 제품의 판매량 증대 방안 How 트리
Why 트리와 HOW트리를 구성하는 방법
두개의 케이스중 왼쪽이 why so트리이고 오른쪽이 so how트리이다.
・Why 트리의 경우 각 노드의 결과가 무엇일지 원인이 무엇일지를 생각하며 그려나가면 되고, How 트리의 경우 어느 노드를 위해서 해야할 일이 무엇인지를 하위 노드에 그려나가면 된다.
・why so의 경우, 의도가 베재된 자연적인 원인과 결과를 해석하는데 적합하다.
・so how의 경우, 의도가 포함된 원인과 결과를 해석하는데 적합하다.
・문제의 원인을 찾을때는 why so가 적합하며, WBS를 만들어나가는데는 so how가 적합하다.
・가장 좋은 것은 하나의 사건에 대해, why so/so how를 각각 적용하면 다른 시각으로 사건을 볼 수 있다는 것이다.
문제란 목표와 현재 상태의 GAP이다. 따라서, 문제를 인식하기 위해서는 목표와 현재상태를 인식할 수 있어야 한다.
문제를 문제자체로 인식하지 못하는 이유는 목표나 현재상태를 인식하는 능력이 없거나 부족하기 때문이다.
반대로 목표와 현재상태를 기민하게 인식할 수 있는 능력을 갖춘다면, 남들이 문제라고 인식하지 못하는 것을 문제로 인식해 미리 해결책을 마련할 수도 있다.
문제란목표와 현재 상태의 GAP이다.
목표와 현재 상태의 GAP이다.
(당연한 소리지만)발생형 문제, 탐색형 문제, 설정형 문제는 모두 목표와 현상의 갭에 의해 발생한다.
발생형 문제는 눈에 보이는 문제이기 때문에 가장 인식하기가 쉽고, 원인을 규명하면 해결책이 자연스레 마련되기 때문에 문제해결을 마련하기도 쉽다.
설정형 문제는 목표부터 설정하여야 하기때문에 가장 어려운 유형의 문제이다.
목표 : 흥미로운 것을 발견하는 것
현상 : 흥미로운 것을 발견하지 못하거나 아무것도 보지 못함
문제 : 목표와 현상의 갭
문제의 유형 : 발생형 문제
직관적 문제해결 : 불을 만지지 않는 인간의 본능처럼, 과거의 경험을 통해 직관적으로 수행하게 되는 문제해결
장점 : 빠른 시간에 신속하게 문제해결을 할 수 있다. 비용이 적게 든다.
단점 : 상황은 매번 다르게 변한다. 상황이 변한 상태에서 결과에 영향을 주는 여러가지 변수를 고려하지 못하므로 리스크가 큰 문제해결이다. 예를 들어, 불경기 때는 자국 화폐가치를 평가 절하한다는 무조건적이며 직관적 문제해결은 자국의 인플레가 심각한 상황에서는 수입물가가 상승하여 오히려 독이 될 수 있다.
계획적 문제해결 : 메뉴얼에 따라 해결하는 문제해결법
장점 : 빠른 시간에 신속하게 문제해결을 할 수 있다. 비용이 적게 든다.
단점 : 메뉴얼에 무조건적으로 의존하면, 변화하는 상황에 유연하게 대처가능한 해결책을 내놓지 못한다.
분석적 문제해결 : 되도록 많은 변수를 고려하여 문제를 분석하고 해결책을 마련하는 것
장점 : 급격하게 변화하는 상황에서 여러가지 변수를 고려하여 원인을 분석하고 해결책을 생각하기 때문에, 가장 리스크가 적은 문제해결법이다. 시간은 많지만 신중하게 고려해야할 필요가 있을때 사용해야 한다.
단점 : 시간과 비용이 많이 든다.
나는 여태까지 분석적 문제해결만을 해결책으로 삼아야 한다고 생각했는데, 이는 틀린 생각이었다. 위 세가지 문제해결법중 각 상황에 따라 문제해결의 유형을 선택해야 한다. 어느 문제해결법이 반드시 옳거나 틀릴 수는 없다. 사람이 눈앞에서 쓰러진 상황에서는 분석적 문제해결보다는 직관적 문제해결이 우선이다. 연필과 공책을 펴놓고 쓰러진 사람의 원인이나 해결책을 분석할 수 없다. 이때는 직관적으로 핸드폰을 열고 119를 누르는 것이 훨씬 현명한 판단이다. 반대로, 기업의 생사를 좌우하는 합병을 해야하는 선택에서, '선대 회장들은 합병을 무조건 하지않았지' 라는 근거부족한 직관적 문제해결법은 도움이 되지 않는다. 변화한 비즈니스 환경과 고객의 니즈에 맞추어 분석적으로 문제를 해결해야 한다.
위의 종합구조를 통해, 3P, SWOT, 7S 와 같은 프레임워크들이 언제 사용되는지, MESE, LOGIC 트리가 언제 사용되는지 알 수 있었다.
개인이 가지고있는 특정 영역에 대한 전문 지식은 문제해결과 원인 분석의 pool로써 효과적으로 사용된다. 이것이 각 영역의 전문가의 의견을 듣는 이유이기도 하다. IT에 관한 문제를 해결해야 하는데 금융 전문가들만 모여서는 문제해결이나 원인분석이 제대로 될리가 없다. 반대도 만찬가지다.
