어떤 지역에서 수백 개의 물건이 배송 과정에서 파손되었다는 통계를 읽었다고 생각해 보겠습니다.
분명 적지 않은 숫자입니다. 문제가 있다는 사실도 이해할 수 있습니다. 하지만 잠시 뒤 다른 글에서 한 사람이 파손된 물건을 들고 있는 사진과 함께 구체적인 사연을 읽게 됩니다.
"기념일에 맞춰 주문했는데 상자를 열어보니 깨져 있었습니다."
전체 피해 규모를 보여주는 통계보다 한 사람의 이야기가 더 기억에 남을 수 있습니다.
사람은 많은 사람에 관한 추상적인 숫자보다 누군지 알 수 있는 한 사람의 구체적인 사례에 더 강하게 반응하는 경향을 보이기도 합니다. 이를 식별 가능한 피해자 효과(Identifiable Victim Effect)라고 합니다.
이 개념은 행동경제학과 심리학에서 사람들이 위험이나 문제의 크기를 받아들이고 판단하는 방식을 이해할 때 자주 다뤄집니다.
100명의 숫자보다 한 사람의 이야기가 더 선명할 수 있다
숫자는 전체적인 규모를 파악하는 데 유용합니다.
100명, 1,000명처럼 수치가 제시되면 문제가 어느 정도인지 비교할 수 있습니다.
하지만 숫자만으로는 각각의 사람이 어떤 상황을 경험했는지 떠올리기 어렵습니다.
반대로 한 사람의 구체적인 이야기는 다릅니다.
누가 어떤 상황에서 어떤 일을 겪었는지 설명되어 있으면 장면을 상상하기 쉽습니다.
예를 들어 다음 두 문장을 비교해 볼 수 있습니다.
"배송 상품 가운데 일부에서 포장 손상이 발생했습니다."
"김 씨가 받은 상자는 한쪽 모서리가 찌그러져 있었고 안에 있던 컵 하나가 깨져 있었습니다."
첫 번째 문장은 전체적인 문제를 설명합니다.
두 번째 문장은 특정 사례를 보여줍니다.
전체 규모를 판단하려면 첫 번째와 같은 정보가 중요하지만 기억에는 두 번째 이야기가 더 강하게 남을 수 있습니다.
구체적인 사람에게는 감정을 연결하기 쉽다
사람의 이야기가 강하게 느껴지는 이유 가운데 하나는 구체적인 상황을 상상하기 쉽기 때문입니다.
이름이나 얼굴이 없어도 상황이 자세하게 설명되면 비슷한 효과가 나타날 수 있습니다.
예를 들어 "사용자들이 불편을 겪었다"는 설명보다 "한 사용자가 저장 버튼을 눌렀는데 작성한 내용이 사라져 처음부터 다시 입력해야 했다"는 설명이 문제를 더 쉽게 이해하게 만듭니다.
후자의 경우에는 어떤 불편이 발생했는지 바로 떠올릴 수 있습니다.
이런 구체성은 정보 전달에서 중요한 장점이 있습니다.
통계만으로 이해하기 어려운 문제를 실제 생활과 연결해 주기 때문입니다.
다만 이해하기 쉽다는 것과 전체를 대표한다는 것은 다른 문제입니다.
후기 하나가 제품 전체의 인상을 바꾸는 상황
온라인 쇼핑을 하다 보면 매우 자세한 후기를 만날 때가 있습니다.
사진도 여러 장이고 사용 과정도 구체적으로 적혀 있습니다.
특히 문제가 발생한 후기라면 더욱 눈에 들어올 수 있습니다.
예를 들어 후기 3,000개가 있는 제품에서 한 사용자가 제품의 특정 부분이 파손되었다는 긴 후기를 남겼다고 생각해 보겠습니다.
사진까지 보면 상당히 심각한 문제처럼 느껴질 수 있습니다.
물론 실제로 확인해야 할 중요한 사례입니다.
하지만 이때 제가 추가로 보고 싶은 정보는 따로 있습니다.
같은 문제가 다른 사용자에게도 반복적으로 발생했는가?
비슷한 파손 사례가 계속 발견된다면 제품의 구조나 배송 과정에 관한 문제를 의심해 볼 이유가 생깁니다.
반대로 수많은 후기 가운데 극히 일부에서만 발견된다면 발생 빈도도 함께 고려해야 합니다.
한 사람의 경험은 문제의 모습을 보여주고, 여러 사람의 데이터는 그 문제가 얼마나 흔한지를 보여줍니다.
둘의 역할이 다른 것입니다.
식별 가능한 피해자 효과와 기준율 무시는 연결될 수 있다
앞에서 살펴본 기준율 무시와도 연결해서 생각해 볼 수 있습니다.
기준율 무시는 전체적인 발생 빈도나 기본적인 비율보다 구체적인 개별 정보에 지나치게 집중하는 현상입니다.
식별 가능한 피해자 효과에서는 특히 특정 사람의 구체적인 상황이 우리의 관심과 감정적 반응을 크게 끌어낼 수 있다는 점이 중요합니다.
예를 들어 어떤 서비스의 전체 오류 발생 빈도에 관한 정보가 있는데도 한 사용자의 자세한 오류 사례만 보고 서비스 전체가 불안정하다고 판단한다면 두 현상이 함께 나타날 수 있습니다.
하지만 개념의 중심은 다릅니다.
기준율 무시는 전체 비율을 충분히 반영하지 않는 판단에 초점을 둡니다.
식별 가능한 피해자 효과는 많은 사람에 관한 추상적인 정보보다 구체적으로 떠올릴 수 있는 개인에게 더 강하게 반응하는 경향에 초점을 둡니다.
가용성 편향과도 비슷해 보일 수 있다
가용성 편향에서는 쉽게 떠오르는 정보가 가능성 판단에 큰 영향을 줄 수 있습니다.
예를 들어 최근에 제품 고장 사례를 본 뒤 비슷한 고장이 자주 발생한다고 느끼는 상황입니다.
식별 가능한 피해자 효과 역시 구체적인 사례가 기억에 잘 남을 수 있기 때문에 가용성 편향과 연결될 수 있습니다.
하지만 질문을 다르게 하면 차이가 보입니다.
가용성 편향에서는 "어떤 사례가 얼마나 쉽게 떠오르는가?"가 중요합니다.
식별 가능한 피해자 효과에서는 "추상적인 여러 사람과 구체적인 한 사람 중 어디에 더 강하게 반응하는가?"가 중요합니다.
실제 생활에서는 하나의 사례가 구체적이면서 기억에도 잘 남기 때문에 두 현상이 동시에 영향을 줄 수도 있습니다.
숫자가 커진다고 감정도 같은 비율로 커지지는 않는다
1명의 어려움과 100명의 어려움을 비교하면 피해 규모는 크게 다릅니다.
그렇다고 사람이 느끼는 감정적 반응이 정확히 100배 커지는 것은 아닙니다.
오히려 숫자가 커질수록 각각의 사람이 잘 떠오르지 않을 수도 있습니다.
"한 사람이 이런 일을 겪었다"는 설명에서는 한 명의 상황을 상상할 수 있습니다.
하지만 "10만 명이 영향을 받았다"는 설명에서는 규모가 너무 커 각각의 모습을 구체적으로 떠올리기 어렵습니다.
그래서 큰 숫자를 이해할 때는 단순히 숫자만 읽기보다 비율이나 비교 가능한 단위로 바꾸어 보는 것이 도움이 됩니다.
반대로 개인 사례를 접했을 때는 그 사례가 전체에서 어느 정도 빈도로 나타나는지 확인할 필요가 있습니다.
이야기가 있다는 이유만으로 더 정확한 정보가 되는 것은 아니다
구체적인 이야기는 설득력이 있습니다.
상황을 이해하기도 쉽습니다.
하지만 자세한 설명이 반드시 정확성을 보장하는 것은 아닙니다.
예를 들어 한 사용자가 어떤 제품을 일주일 동안 사용한 뒤 매우 만족했다는 긴 후기를 남겼다고 생각해 보겠습니다.
그 경험 자체는 실제일 수 있습니다.
하지만 그 제품의 장기적인 내구성까지 보여주는 정보는 아닙니다.
반대로 한 번의 고장 경험도 모든 제품에서 같은 문제가 발생한다는 증거는 아닙니다.
그래서 개인 경험을 볼 때는 그 경험이 무엇을 알려줄 수 있고 무엇까지는 알려줄 수 없는지 구분해 보는 것이 중요합니다.
그렇다고 개인의 이야기를 무시해서도 안 된다
여기서 반대 방향의 실수를 할 수도 있습니다.
"개인 사례는 통계가 아니니까 중요하지 않아."
이렇게 생각하는 것입니다.
하지만 개별 사례는 전체 숫자에서 발견하기 어려운 문제를 보여줄 수 있습니다.
예를 들어 평균적인 만족도가 높은 서비스라도 특정 기능을 사용하는 사람에게 반복적인 불편이 발생할 수 있습니다.
전체 평균만 보면 그 문제가 잘 드러나지 않을 수도 있습니다.
한 사용자의 자세한 경험을 통해 문제를 발견하고 이후 비슷한 사례가 있는지 조사할 수도 있습니다.
따라서 개인의 이야기는 버려야 할 정보가 아닙니다.
개별 사례는 문제를 발견하는 출발점이 될 수 있고, 전체 데이터는 그 문제의 규모를 확인하는 데 도움이 됩니다.
사람의 이야기는 숫자의 의미를 이해하게 해주기도 한다
통계와 사례를 서로 반대되는 정보처럼 생각할 필요도 없습니다.
오히려 함께 있을 때 이해하기 쉬운 경우가 많습니다.
예를 들어 어떤 서비스에서 사용자 1,000명 가운데 50명이 특정 오류를 경험했다고 가정해 보겠습니다.
5%라는 숫자는 발생 빈도를 알려줍니다.
여기에 실제로 오류가 어떤 과정에서 발생하는지 보여주는 사례가 있다면 문제의 성격도 이해할 수 있습니다.
숫자는 "얼마나 자주 발생하는가?"를 설명합니다.
사례는 "발생하면 실제로 어떤 일이 생기는가?"를 설명할 수 있습니다.
저라면 중요한 정보를 확인할 때 둘 중 하나만 고르기보다 빈도와 구체적인 사례를 서로 다른 질문에 대한 답으로 사용하겠습니다.
생생한 후기일수록 한 번 더 전체를 확인해 보는 이유
온라인에서 정보를 찾다 보면 유난히 기억에 남는 후기가 있습니다.
사진이 많거나 문장이 구체적이거나 경험의 과정이 자세하게 적혀 있을 때 그렇습니다.
이럴 때 저는 후기의 내용만큼 후기의 위치도 확인해 볼 만하다고 생각합니다.
전체 후기 중 비슷한 내용이 얼마나 있는지 살펴보는 것입니다.
예를 들어 한 사람이 "조립 과정에서 특정 부품이 잘 맞지 않았다"고 설명했다면 같은 문제를 언급하는 다른 후기가 있는지 찾아볼 수 있습니다.
여러 사람이 같은 부분을 이야기한다면 중요도가 올라갑니다.
반면 한 사례만 존재한다면 그 사례를 무시하지 않되 전체 제품을 평가하는 근거와는 구분할 수 있습니다.
이 방식은 긍정적인 후기에도 똑같이 적용할 수 있습니다.
한 사람의 극찬 역시 전체 사용자의 경험을 자동으로 대표하지는 않습니다.
숫자만 볼 때와 이야기만 볼 때 생기는 빈틈은 다르다
통계만 보면 개인이 실제로 겪는 상황을 놓칠 수 있습니다.
반대로 이야기만 보면 발생 빈도와 전체 규모를 놓칠 수 있습니다.
그래서 저는 두 종류의 정보를 볼 때 질문 자체를 나눠보는 방식이 유용하다고 생각합니다.
개별 사례를 볼 때는 이렇게 질문할 수 있습니다.
"이 사람에게 정확히 어떤 일이 발생했지?"
전체 데이터를 볼 때는 다른 질문을 합니다.
"이런 일이 전체에서 얼마나 자주 발생하지?"
그리고 마지막으로 하나를 더 확인합니다.
"이 사례와 내 상황은 얼마나 비슷하지?"
이 세 질문은 서로 다른 정보를 제공합니다.
내 상황과 비슷한 한 사람의 경험은 특히 강하게 느껴질 수 있다
개인 사례 가운데에서도 나와 조건이 비슷한 사람의 이야기는 더 크게 다가올 수 있습니다.
같은 기기를 사용하거나 비슷한 공간에서 제품을 사용하는 사람의 후기를 발견하면 "나에게도 똑같이 나타나겠구나"라고 생각하기 쉽습니다.
물론 사용 환경이 비슷한 후기는 유용한 정보입니다.
하지만 겉으로 비슷한 조건 몇 가지가 결과 전체를 결정한다고 단정할 수는 없습니다.
예를 들어 같은 크기의 방에서 같은 제품을 사용하더라도 배치나 사용 방식은 다를 수 있습니다.
따라서 비슷한 사람의 사례는 관련성이 높은 정보로 참고하되 결과가 그대로 반복될 것이라고 확정하지 않는 편이 좋습니다.
저라면 '사례의 강도'와 '사례의 빈도'를 따로 보겠습니다
매우 심각한 사례 하나가 있다고 생각해 보겠습니다.
이 경우에는 두 가지를 구분해서 확인할 수 있습니다.
첫 번째는 그 일이 발생했을 때 얼마나 큰 불편이 생기는지입니다.
두 번째는 그런 일이 얼마나 자주 발생하는지입니다.
발생 빈도가 낮더라도 결과가 상당히 불편하다면 중요한 정보가 될 수 있습니다.
반대로 불편의 정도는 작지만 매우 자주 발생한다면 역시 살펴볼 가치가 있습니다.
개별 사례는 주로 첫 번째 질문을 생생하게 보여줍니다.
전체 데이터는 두 번째 질문에 답하는 데 더 적합합니다.
이렇게 나누면 "한 건뿐이니 아무것도 아니다"라는 판단과 "한 건을 봤으니 항상 발생한다"라는 판단을 모두 피하는 데 도움이 됩니다.
강렬한 이야기 앞에서 전체 그림을 잊지 않는 방법
식별 가능한 피해자 효과가 흥미로운 이유는 사람이 숫자만으로 판단하는 존재가 아니라는 사실을 보여주기 때문입니다.
우리는 이야기를 통해 상황을 이해합니다.
구체적인 사람의 경험을 보면 문제의 의미를 훨씬 쉽게 파악할 수 있습니다.
이것은 단점만 있는 특성이 아닙니다.
통계 뒤에 실제 사람이 있다는 사실을 이해하게 해주는 중요한 방식이기도 합니다.
다만 한 사람의 이야기가 너무 강렬하면 전체 규모와 발생 빈도가 뒤로 밀릴 수 있습니다.
저라면 유난히 인상적인 사례를 발견했을 때 한 가지 질문을 추가하겠습니다.
"이 사례가 중요한 것은 알겠는데, 전체에서는 얼마나 자주 나타나는 일일까?"
그리고 반대로 큰 숫자만 보고 있을 때는 이렇게 생각해 볼 수 있습니다.
"이 숫자가 실제 한 사람에게는 어떤 경험을 의미할까?"
두 질문을 함께 사용하면 숫자와 이야기를 어느 한쪽만으로 판단하지 않을 수 있습니다.
식별 가능한 피해자 효과를 이해하는 목적은 사람의 이야기에 공감하지 않는 데 있지 않습니다. 구체적인 사례가 우리의 관심과 판단에 특별히 강한 영향을 줄 수 있다는 사실을 알고, 그 사례가 전체에서 차지하는 위치까지 함께 확인하는 것이 중요합니다.
결국 한 사람의 이야기는 문제의 모습을 보여주고, 전체적인 데이터는 문제의 크기를 보여줍니다.
두 정보를 함께 볼 때 우리는 생생한 사례가 가진 의미를 놓치지 않으면서도 한 번의 경험을 전체의 모습으로 확대하지 않는 판단에 조금 더 가까워질 수 있습니다.
0 댓글