투자를 하지 않는 사람도 있다.
주식도 하지 않고, 코인도 관심 없고, 펀드가 뭔지 몰라도 사는 데 별문제가 없다고 생각할 수 있다.
하지만 금융 데이터에서는 누구도 완전히 자유롭기 어렵다.
신용카드를 만들고, 대출을 받고, 보험에 가입하고, 할부로 물건을 사고, 은행 계좌를 사용하는 순간 우리는 수많은 금융 데이터를 만들어낸다.
그리고 어느 순간 이런 숫자를 마주한다.
신용점수 930점.
대출 가능금액 5,000만 원.
적용금리 연 4.8%.
월 보험료 87,000원.
우리는 이 숫자를 금융회사가 알려준 ‘결과’라고 생각한다.
하지만 데이터 리터러시의 관점에서 보면 조금 다르게 보인다.
이 숫자들은 어디선가 갑자기 등장한 것이 아니다.
나에 관한 여러 데이터를 모으고, 일정한 기준과 모델을 적용해 만들어낸 결과값이다.
즉 금융생활에서 우리는 데이터를 보는 사람이면서 동시에 데이터로 해석되는 사람이기도 하다.
신용점수 930점은 어떻게 만들어졌을까?
스마트폰에서 신용점수를 확인하면 숫자 하나가 선명하게 나온다.
930점.
숫자가 너무 명확해서 마치 체중계에 올라가 몸무게를 측정한 것처럼 느껴진다.
하지만 둘 사이에는 중요한 차이가 있다.
체중 60kg은 일정한 단위로 측정한 값이다.
반면 신용점수는 여러 금융 정보를 바탕으로 신용평가회사가 일정한 평가 방식에 따라 산출한 모델의 결과값이다.
즉 어디엔가 ‘930점’이라는 나의 본래 값이 존재하고 그것을 찾아낸 것이 아니다.
관찰 가능한 금융 정보를 가지고 특정 목적에 맞게 나를 숫자로 표현한 것이다.
이 차이를 이해하는 것이 중요하다.
우리는 점수를 보면 자연스럽게 이렇게 생각한다.
“내 신용은 930점이구나.”
하지만 조금 더 정확하게 표현하면 이렇다.
“현재 확보된 정보를 특정 평가 기준에 적용했을 때 930점이라는 결과가 나온 것이다.”
문장이 길어졌지만 데이터 리터러시 관점에서는 이쪽이 훨씬 정확하다.
숫자가 정교할수록 객관적으로 느껴지는 착각
930점과 931점.
딱 1점 차이다.
숫자가 세밀하게 표시되니 두 사람 사이에도 아주 정교한 차이가 존재하는 것처럼 느껴진다.
하지만 데이터에서 정밀하게 표시되는 것과 현실을 정밀하게 설명하는 것은 다른 문제다.
예를 들어 어떤 모델이 고객의 위험도를 0점부터 1,000점까지 계산한다고 해보자.
A는 899점.
B는 900점.
화면에서는 두 사람이 명확하게 다른 점수를 받는다.
하지만 실제 현실에서 두 사람의 상환 가능성이 그 1점만큼 명확하게 구분된다고 단정할 수 있을까?
모델의 숫자가 세밀하다는 이유만으로 현실까지 그만큼 정확하게 나뉘는 것은 아니다.
이것은 신용점수뿐 아니라 학교 성적, 업무평가 점수, 고객등급, 건강점수처럼 사람을 숫자로 표현하는 거의 모든 시스템에서 기억할 필요가 있다.
숫자의 자릿수가 늘어난다고 현실에 대한 이해까지 같은 만큼 정확해지는 것은 아니다.
신용점수는 ‘사람의 점수’가 아니다
신용점수가 떨어지면 기분이 묘하다.
특별히 잘못한 것도 없는 것 같은데 숫자가 내려가면 내가 평가절하된 것처럼 느껴질 수 있다.
반대로 점수가 오르면 괜히 금융생활을 잘하고 있다는 인증을 받은 것 같은 기분도 든다.
하지만 신용점수는 사람의 성실함이나 책임감, 경제적 가치를 평가하는 인생 점수가 아니다.
특정 목적을 위해 만들어진 지표다.
여기서 데이터 리터러시의 중요한 원칙 하나가 나온다.
지표가 측정하는 것과 내가 그 지표에 부여하는 의미를 구분해야 한다.
시험점수는 시험에서 측정한 결과이지 그 사람의 지능 전체가 아니다.
팔로워 수는 계정의 규모를 보여주는 숫자이지 그 사람의 사회적 가치가 아니다.
신용점수 역시 금융 의사결정을 돕기 위한 데이터이지 한 사람의 가치를 나타내는 숫자가 아니다.
숫자가 사람에게 붙는 순간 우리는 자꾸 측정값을 정체성으로 바꾸려 한다.
데이터 리터러시는 그 둘을 분리해서 보는 힘이기도 하다.
같은 사람인데 왜 금융회사마다 조건이 다를까?
대출을 알아본 사람이라면 이런 경험을 할 수 있다.
A에서는 연 4.2%.
B에서는 연 4.7%.
C에서는 대출 가능한 금액 자체가 다르다.
나는 한 사람인데 왜 결과가 다를까?
이 질문이 바로 데이터 리터러시의 출발점이다.
각 금융회사가 참고하는 정보와 평가 기준, 상품 구조, 위험 관리 방식 등이 같지 않을 수 있기 때문이다.
즉 입력되는 데이터가 비슷하더라도 그것을 해석하는 모델과 기준이 다르면 결과가 달라질 수 있다.
이것은 꽤 중요한 사실이다.
우리는 알고리즘이나 평가모델의 결과를 보면 객관적인 ‘정답’처럼 받아들이기 쉽다.
하지만 실제로는 같은 사람을 두고도 서로 다른 시스템이 다른 판단을 내릴 수 있다.
그렇다면 우리가 봐야 하는 것은 결과 숫자 하나만이 아니다.
“이 숫자는 어떤 기준에서 나온 것인가?”
이 질문이 필요하다.
‘최저 연 3%대’에서 가장 중요한 것은 3이 아닐 수 있다
대출 광고를 보자.
“최저 연 3%대.”
우리 눈은 자연스럽게 ‘3’에 꽂힌다.
그런데 데이터 리터러시 관점에서는 숫자 옆에 붙은 한 단어를 먼저 봐야 한다.
‘최저’.
최저값은 전체 고객의 대표값이 아니다.
특정 조건을 만족했을 때 가능한 값일 수 있다.
예를 들어 100명의 고객이 받은 금리가 다음과 같다고 해보자.
3.8%를 적용받은 사람은 5명.
4%대가 45명.
5%대가 40명.
6% 이상이 10명.
이때 광고에서 “최저 3.8%”라고 표현하는 것은 숫자 자체만 놓고 보면 틀리지 않다.
하지만 이 숫자를 보고 내가 3.8%를 받을 것이라고 생각했다면 문제가 생긴다.
여기서 우리가 1장에서 배운 대표성의 문제가 다시 등장한다.
최소값은 전체를 대표하지 않는다.
그래서 ‘최저금리’를 보면 바로 다음 질문으로 넘어가야 한다.
“그럼 실제 고객들은 어느 구간의 금리를 가장 많이 적용받았을까?”
그리고 결국 나에게 가장 중요한 질문은 이것이다.
“나는 실제로 몇 퍼센트를 적용받는가?”
평균금리도 내 금리는 아니다
그렇다면 평균금리를 보면 될까?
평균은 최저값보다는 많은 정보를 준다.
하지만 평균 역시 나의 조건을 그대로 보여주지는 않는다.
평균금리가 4.5%라고 해도 어떤 고객은 3%대, 다른 고객은 6%대를 적용받을 수 있다.
평균은 집단의 특징을 설명하는 숫자다.
내 개인의 결과를 보장하는 숫자가 아니다.
금융 데이터에서 이 차이는 특히 중요하다.
집단의 통계와 나에게 적용되는 조건을 구분해야 한다.
이것이 금융 데이터를 읽는 기본적인 감각이다.
0.2%포인트 차이는 큰 걸까, 작은 걸까?
A은행 4.1%.
B은행 4.3%.
차이는 0.2%포인트다.
“겨우 0.2% 차이네.”
이렇게 생각할 수 있다.
하지만 퍼센트 숫자만 봐서는 크고 작은지 판단하기 어렵다.
원금이 얼마인지, 기간이 얼마나 되는지, 상환 방식이 어떤지에 따라 실제 금액의 차이가 달라지기 때문이다.
여기서 중요한 데이터 리터러시 습관이 하나 있다.
퍼센트를 실제 금액으로 번역하는 것.
0.2%포인트라는 추상적인 숫자를 보고 끝내지 말고,
“내가 빌리는 금액과 기간에서는 실제 부담이 얼마나 달라질까?”
라고 바꿔보는 것이다.
퍼센트는 작아 보여도 원금이 크고 기간이 길면 누적되는 차이가 커질 수 있다.
반대로 금리만 조금 낮고 다른 조건이 불리하다면 반드시 더 좋은 상품이라고 할 수도 없다.
숫자는 언제나 조건과 함께 읽어야 한다.
월 29,900원은 왜 싸게 느껴질까?
보험이나 장기 금융상품을 보다 보면 익숙한 표현이 나온다.
“월 29,900원.”
3만 원도 안 된다.
한 달 기준으로 생각하면 부담이 작아 보인다.
그런데 단위를 바꿔보자.
월 29,900원은 1년이면 약 35만 9천 원이다.
10년이면 단순 합계로 약 359만 원.
20년이면 약 718만 원이다.
갑자기 느낌이 달라진다.
상품이 비싸다는 뜻이 아니다.
보험이라면 보장 내용이 중요하고, 장기 금융상품이라면 기간과 혜택을 함께 봐야 한다.
여기서 중요한 것은 같은 돈도 어떤 단위로 보여주느냐에 따라 우리의 판단이 달라진다는 것이다.
월 29,900원과 20년 약 718만 원은 같은 지출을 다른 단위로 표현한 것이다.
그래서 장기 금융상품을 볼 때는 숫자를 일부러 변환해보는 습관이 도움이 된다.
월 → 연 → 전체 기간
데이터를 잘 읽는다는 것은 주어진 숫자를 그대로 받아들이는 것이 아니라 내가 판단하기 좋은 단위로 바꿔보는 것이기도 하다.
월 상환액이 줄었다고 대출 부담도 줄어든 걸까?
대출을 비교할 때도 비슷한 일이 생긴다.
“대환 후 월 상환액 20만 원 절감.”
매력적인 문장이다.
매달 나가는 돈이 줄어들면 실제 생활도 한결 편해질 수 있다.
하지만 여기서 한 가지 더 확인해야 한다.
전체 기간 동안 내는 돈도 줄었을까?
대출기간이 길어지면서 월 상환액만 낮아졌다면 전체 이자 부담은 오히려 늘어날 수도 있다.
여기서 서로 다른 두 지표가 등장한다.
월 현금흐름과 총 금융비용이다.
둘 중 하나가 무조건 더 중요하다는 뜻은 아니다.
현재 생활비 부담을 줄여야 하는 사람에게는 월 상환액이 매우 중요할 수 있다.
반대로 장기적으로 이자를 최소화하려는 사람이라면 총비용을 더 중요하게 볼 수 있다.
핵심은 이것이다.
어떤 숫자가 중요한지는 내가 해결하려는 문제에 따라 달라진다.
데이터에는 ‘무조건 가장 중요한 지표’가 있는 것이 아니다.
목적에 맞는 지표가 있을 뿐이다.
‘1억 보장’이라는 숫자만으로 보험을 이해할 수 있을까?
보험에서는 큰 숫자가 특히 강력하다.
“최대 1억 원 보장.”
그런데 우리가 실제로 궁금해야 하는 것은 1억이라는 숫자 하나가 아니다.
어떤 상황에서 지급되는가?
보장기간은 언제까지인가?
모든 경우에 1억 원인가?
갱신 조건은 어떤가?
보장하지 않는 경우는 무엇인가?
같은 ‘1억 보장’이라도 조건에 따라 실제 의미는 크게 달라질 수 있다.
이것은 데이터 리터러시에서 분모와 조건을 읽는 것과 비슷하다.
큰 숫자가 전면에 나와 있을수록 그 숫자가 성립하는 조건을 함께 찾아야 한다.
금융 데이터에서는 작은 글씨가 작은 정보가 아닐 때가 많다.
금융회사가 나를 데이터로 읽는다면, 나도 내 데이터를 읽어보자
여기까지 보면 조금 묘한 기분이 들 수 있다.
은행도 나를 데이터로 분석한다.
카드회사도 나의 소비패턴을 알고 있다.
보험회사도 여러 정보를 바탕으로 위험을 판단한다.
그렇다면 반대로 우리도 내 금융 데이터를 읽어볼 수 있다.
거창한 분석 프로그램은 필요 없다.
최근 3개월 카드 내역만 펼쳐도 시작할 수 있다.
예를 들어 스스로 이렇게 생각했다고 해보자.
“요즘 외식을 너무 많이 해서 돈이 안 모이는 것 같아.”
그런데 실제 지출을 지난달과 비교해보니 이렇다.
식비 +3만 원.
교통비 +12만 원.
쇼핑 -5만 원.
정기구독 +4만 원.
예상과 다르다.
문제라고 생각했던 식비보다 교통비와 구독료 증가가 더 크다.
그러면 행동도 달라진다.
“외식하지 말아야지.”
라는 막연한 결심 대신
“이번 달에는 택시 사용을 줄이고 안 쓰는 구독 2개를 정리하자.”
라고 구체적으로 바꿀 수 있다.
이것이 데이터가 주는 힘이다.
느낌을 부정하는 것이 아니라 느낌을 확인 가능한 문제로 바꿔준다.
‘많이 썼다’보다 ‘어디서 달라졌나’를 보자
개인 재무 데이터를 볼 때 총지출만 확인하는 경우가 많다.
지난달 280만 원.
이번 달 310만 원.
30만 원 늘었다.
여기에서 “이번 달 과소비했네”라고 끝내면 데이터의 절반만 사용한 것이다.
더 중요한 질문은 이것이다.
“어디에서 30만 원이 늘었지?”
고정비가 올랐나?
일회성 병원비나 경조사비가 있었나?
여행 때문에 교통비가 늘었나?
배달 주문 횟수가 늘었나?
같은 30만 원 증가라도 원인이 다르면 다음 행동도 달라진다.
데이터 리터러시는 숫자를 확인하는 데서 끝나지 않는다.
숫자의 변화를 행동 가능한 원인으로 연결하는 것까지 포함한다.
금융 데이터는 나를 설명하지만, 나를 결정하지는 않는다
신용점수도 데이터다.
대출금리도 데이터의 결과다.
보험료도 여러 조건을 계산해 나온 숫자다.
카드 사용액은 내 행동이 남긴 데이터다.
하지만 어떤 숫자도 나라는 사람 전체를 설명하지는 못한다.
이 사실을 기억하는 것이 중요하다.
우리는 앞으로 점점 더 많은 평가모델과 알고리즘을 만나게 될 것이다.
숫자가 더 정교해지고, 개인화된 조건도 늘어날 것이다.
그럴수록 데이터 리터러시는 단순히 숫자를 계산하는 능력을 넘어선다.
“이 숫자는 무엇을 측정한 것인가?”
“어떤 기준으로 만들어졌는가?”
“집단의 숫자인가, 나에게 실제 적용되는 숫자인가?”
“다른 단위로 바꾸면 어떻게 보이는가?”
“이 숫자가 설명하지 못하는 것은 무엇인가?”
이 질문을 할 수 있어야 한다.
이 글에서 기억할 한 가지
금융 데이터에서 우리는 두 가지 역할을 동시에 한다.
데이터를 읽는 사람이면서,
데이터로 읽히는 사람이다.
금융회사는 우리의 데이터를 이용해 점수와 조건을 만든다.
그리고 우리는 그 결과를 보고 다시 금융 의사결정을 한다.
그래서 금융 데이터 리터러시가 중요하다.
점수 하나를 내 정체성으로 받아들이지 않고,
최저금리를 내 금리로 착각하지 않고,
월 납입액을 전체 비용으로 다시 계산하고,
평균값과 개인의 조건을 구분하고,
내 소비 데이터에서는 막연한 느낌보다 실제 변화를 찾아내는 것.
이런 작은 습관들이 쌓이면 숫자를 대하는 위치가 달라진다.
숫자가 나를 평가하는 것을 수동적으로 받아들이는 사람이 아니라,
그 숫자가 어떻게 만들어졌고 나에게 무엇을 의미하는지 다시 질문할 수 있는 사람이 된다.
데이터 리터러시는 숫자를 잘 읽는 능력만이 아니다. 숫자가 나를 어떻게 읽고 있는지 이해하는 능력이기도 하다.