긍정 응답 비율 산정의 함정: 중간 척도의 올바른 이해와 해석

6월 30, 2025

서론: ‘보통’의 유혹, 중립을 긍정으로 포장하는 함정

만족도 조사 결과 보고서에 “본 서비스에 대해 만족한 고객은 65%에 달합니다”라는 문구가 있습니다. 이 숫자를 본 경영진은 안도하며, 우리 서비스가 꽤 성공적이라고 판단할 것입니다. 하지만 원 데이터를 자세히 들여다보니, 이 65%는 ‘만족(40%)’과 ‘보통(25%)’을 임의로 합산한 결과였습니다. 실제 만족한 고객은 40%에 불과했던 것입니다.

이처럼, 분석의 편의나 더 긍정적인 결과를 보여주고 싶은 유혹 때문에, ‘보통’이나 ‘중립’을 의미하는 중간 척도를 긍정 응답에 슬그머니 포함시키는 경우가 종종 발생합니다. 이는 마치 그림에서 회색을 흰색이라고 주장하는 것과 같으며, 데이터의 신뢰도를 근본적으로 무너뜨리는 매우 위험한 관행입니다. 이 관행이 왜 통계적으로, 그리고 윤리적으로 문제가 되는지, 그 본질을 깊이 있게 파헤쳐 보겠습니다.

1. 척도의 심장, ‘중간점’의 진짜 의미는 무엇인가?

5점, 7점과 같은 홀수점 척도에서 중간점(예: 5점 척도의 3점, 7점 척도의 4점)은 매우 중요한 철학적, 기능적 의미를 가집니다. 이는 결코 ‘약한 긍정’이 아닙니다. 중간점은 다음과 같은 다양한 상태를 포괄하는 독립적인 영역입니다.

진정한 중립(True Neutrality): 긍정적이지도, 부정적이지도 않은 명확한 중립 상태.
양가감정(Ambivalence): 긍정적인 측면과 부정적인 측면을 모두 가지고 있어, 어느 한쪽으로 판단하기 어려운 상태.
무관심 또는 무지(Indifference or Ignorance): 해당 주제에 대해 잘 모르거나 관심이 없어 의견 자체가 없는 상태.
응답 회피: 자신의 진짜 의견을 드러내고 싶지 않을 때 선택하는 안전지대.

이처럼 중간점은 ‘긍정’과는 질적으로 전혀 다른, 그 자체로 의미 있는 응답입니다. 이를 긍정 응답에 포함시키는 것은, 마치 온도계의 0℃를 ‘약간 따뜻한 날씨’라고 말하는 것과 같은 개념적 오류입니다.

2. 첫 번째 원죄: ‘순응 편향’의 왜곡을 심화시키다

특히 ‘동의/비동의’ 척도에서, 사람들은 질문 내용과 상관없이 ‘네, 동의합니다’라고 답하려는 ‘순응 편향(Acquiescence Bias)’을 가지고 있습니다. 여기에 ‘보통이다’를 ‘동의’에 포함시키는 것은, 이 편향을 더욱 심화시키는 결과를 낳습니다. 진정한 의미에서 동의하지 않는 ‘중립’ 또는 ‘무관심’ 응답까지 모두 ‘동의’로 둔갑시켜 버리기 때문입니다. 이는 실제보다 긍정적인 여론이 훨씬 더 많은 것처럼 보이게 하는 체계적인 왜곡을 만들어냅니다.

3. 두 번째 원죄: 부풀려진 숫자가 낳는 잘못된 의사결정

중간점을 긍정 비율에 포함시키는 순간, 데이터는 그 진실성을 잃고 위험한 신호를 보내기 시작합니다.

긍정 여론의 인플레이션: 앞선 예시처럼, 실제 긍정 응답이 40%에 불과하더라도 중간점 25%를 더하면 65%라는 인상적인 수치가 만들어집니다. 이는 현실을 심각하게 왜곡하고, 조직 내부에 ‘상황이 좋다’는 잘못된 안도감을 심어줍니다.
잘못된 의사결정 유도: 이 부풀려진 숫자에 기반하여 경영진이나 정책 결정자는 잘못된 판단을 내릴 수 있습니다. 개선이 시급한 문제점을 발견하지 못하고 현상 유지를 결정하거나, 실제로는 지지 기반이 약한 정책을 무리하게 추진할 수 있습니다. 기업의 존폐나 정책의 성패를 가를 수 있는 중대한 오류로 이어질 수 있는 것입니다.

4. 세 번째 원죄: ‘왜?’라는 질문의 기회를 박탈하다

‘중간’ 응답이 25%나 된다는 사실 자체는 매우 중요한 전략적 정보입니다. 분석가는 이 데이터를 보고 “왜 4명 중 1명은 우리 서비스에 대해 뚜렷한 의견이 없을까? 우리 서비스의 특징이 모호한가? 혹은 우리 타겟 고객이 아닌가? 아니면 아직 충분히 경험하지 못했나?” 와 같은 중요한 후속 질문을 던질 수 있습니다. 즉, ‘중간’ 응답은 문제 해결의 실마리가 될 수 있는 매우 가치 있는 데이터입니다. 하지만 이를 단순히 긍정 응답에 합산해 버리는 순간, 이러한 심층 분석의 기회는 영원히 사라지게 됩니다.

5. 올바른 요약의 기술: ‘Top Box’와 ‘Bottom Box’의 정확한 의미

그렇다면 여러 개의 척도를 가진 응답 결과를 어떻게 요약해야 할까요? 실무에서 가장 널리 쓰이는 ‘Top Box’와 ‘Bottom Box’ 방식의 정확한 의미를 이해해야 합니다.

Top Box (% Positive): 이는 척도에서 명백하게 긍정적인 상위 보기들만을 합산한 비율을 의미합니다. 중간점은 절대로 포함되지 않습니다.
Bottom Box (% Negative): 마찬가지로, 명백하게 부정적인 하위 보기들만을 합산한 비율입니다.
가장 정직한 보고 방식: 가장 좋은 방법은 언제나 전체 응답 분포를 모두 보여주는 것입니다. [긍정 40% (매우 만족 10% + 만족 30%), 보통 25%, 부정 35% (불만족 20% + 매우 불만족 15%)]와 같이 상세하게 보고하는 것이 가장 정직하고 투명하며, 가장 많은 정보를 제공하는 방식입니다.

6. 5점 척도에서의 적용 예시

가장 흔한 5점 척도를 예로 들어보겠습니다. [① 매우 불만족 ② 약간 불만족 ③ 보통이다 ④ 약간 만족 ⑤ 매우 만족]

긍정 비율 (Top 2 Box): ‘⑤ 매우 만족’ 응답률 + ‘④ 약간 만족’ 응답률
부정 비율 (Bottom 2 Box): ‘① 매우 불만족’ 응답률 + ‘② 약간 불만족’ 응답률
중립 비율: ‘③ 보통이다’ 응답률 이 세 가지를 각각 독립적으로 제시하는 것이 원칙입니다.

7. 7점 척도와 11점 척도에서의 원칙 적용

이 원칙은 다른 척도에서도 동일하게, 그리고 더욱 엄격하게 적용됩니다.

7점 척도: [①매우 불만족 ~ ⑦매우 만족]이 있다면, ‘⑦ 매우 만족’과 ‘⑥ 만족’만을 긍정(Top 2 Box)으로 간주합니다. ‘⑤ 약간 만족’은 중립에 더 가까운 ‘미온적 긍정’이므로, 보수적인 분석에서는 긍정 비율에 포함시키지 않는 것이 안전합니다. 그리고 ‘④ 보통이다’는 명백한 중립입니다.
11점 척도 (0~10점): 이 척도는 중간점을 어떻게 다루어야 하는지에 대한 가장 좋은 교훈을 줍니다.
1. 일반적인 만족도/호감도 측정 시: “귀하의 현재 삶에 대해 전반적으로 얼마나 만족하십니까? (0점: 전혀 만족하지 않음, 10점: 매우 만족함)”라고 물었을 때, 긍정 비율을 ‘8, 9, 10점’의 Top 3 Box로 정의할 수는 있습니다. 하지만 이때에도 5점(정확한 중간점)을 포함하거나, 심지어 6점이나 7점처럼 중립에 가까운 점수를 긍정 비율에 포함시키는 것은 데이터를 심각하게 왜곡합니다.
2. NPS(순수 추천 지수)의 엄격한 기준: 이 원칙을 가장 엄격하게 적용하는 사례가 바로 NPS입니다. “우리 제품을 주변에 추천할 가능성은 얼마나 되십니까? (0점~10점)”라는 질문에 대해, NPS는 다음과 같이 응답자를 명확히 구분합니다.
  - 9~10점 (추천 고객, Promoters): 명백한 긍정 그룹입니다.
  - 7~8점 (중립 고객, Passives): 이들은 만족은 하지만 열정은 없는, 언제든 경쟁사로 돌아설 수 있는 ‘중립’ 그룹입니다. NPS는 이들을 절대로 긍정 비율에 포함시키지 않습니다.
  - 0~6점 (비추천 고객, Detractors): 명백한 부정 그룹입니다. 이처럼 NPS는 7점과 8점이라는, 어찌 보면 꽤 높은 점수조차 ‘중립’으로 간주함으로써, 진정한 고객 충성도를 훨씬 더 엄격하고 보수적으로 측정합니다.

8. 그럼에도 유혹에 빠진다면: 투명성의 원칙

만약 분석의 목적상 불가피하게 중간점을 포함하여 해석해야 하는 매우 특수한 경우가 있다면(권장하지 않지만), 반드시 그 사실을 투명하게 밝혀야 합니다. 예를 들어, “중립 응답을 포함한 광의의 긍정 응답(Satisfied including neutral)은 65%입니다”라고 명확히 주석을 달아, 독자가 그 수치가 어떻게 계산되었는지 알 수 있도록 해야 합니다. 하지만 이는 어디까지나 예외적인 경우이며, 일반적인 보고에서는 지양해야 합니다.

결론: 분석가의 책임, 편리함이 진실을 이길 수 없다

결론적으로, 중간 척도를 긍정 비율에 포함시키는 것은 통계적, 방법론적으로 결코 정당화될 수 없는 명백한 오류입니다. 이는 단순히 데이터를 요약하는 편리한 방법이 아니라, 현실을 왜곡하고 의사결정을 그르치는 위험한 행위입니다.

데이터를 다루는 연구자나 분석가는 항상 스스로에게 질문해야 합니다. “나는 지금 현상을 있는 그대로 보여주고 있는가, 아니면 내가 보고 싶은 결과를 만들어내고 있는가?”

‘보통이다’는 ‘보통이다’일 뿐, 결코 ‘약간의 긍정’이 아닙니다. 그 차이를 인정하고 데이터를 정직하게 마주하는 것. 그것이 바로 데이터 분석가가 가져야 할 가장 기본적이면서도 중요한 직업적 양심이자 책임일 것입니다.

메소드서베이