마케터를 위한 통계 기초: 평균, 중앙값, 표준편차를 광고 데이터로

이 글은 마케팅 데이터를 처음 분석할 때 자주 만나는 평균과 중앙값 및 표준편차를 다룹니다. 이 세 가지 값으로 자료의 모습을 확인한 뒤, 추가로 어떤 정보가 있어야 판단할 수 있는지 살펴봅니다.

문제는 이 셋을 공식으로만 배우면 리포트를 열었을 때 떠오르지 않는다는 점입니다. 그래서 지금부터 광고 소재 두 개의 14일치 전환율 하나만 놓고 세 가지 값을 차례로 구하며, 각 값이 어떤 판단을 바꾸는지 확인해 보겠습니다.

이 글에서 쓰는 데이터

같은 캠페인에서 예산을 절반씩 나눠 돌린 소재 A와 B의 일별 전환율입니다. 2026년 8월 1일부터 14일까지이고 설명을 위해 만든 값입니다.

두 소재의 일별 퍼센트 값을 더하면 모두 30.2입니다. 이는 평균 계산용 합계이며 14일 전체 전환율이 30.2%라는 뜻은 아닙니다. 클릭 기준 전환율은 주문 수를 클릭 수로 나눈 비율로 정합니다. 일별 클릭 수가 다르면 기간 전체 전환율은 일별 비율의 단순 평균과 다릅니다.

예를 들어 첫날 100클릭에 주문 1건, 다음 날 10클릭에 주문 1건이면 일별 전환율은 1%와 10%입니다. 단순 평균은 5.5%지만 전체는 2 ÷ 110 × 100 = 약 1.82%입니다. 앞의 14일 표에는 클릭과 주문 건수가 없으므로 일별 비율의 분포만 비교합니다.

스프레드시트에 두 열을 입력합니다

빈 Excel이나 Google Sheets 문서의 A1에 소재 A, B1에 소재 B를 쓰고 아래 숫자를 A2부터 붙여 넣습니다. 숫자는 퍼센트 기호 없이 2.1처럼 넣습니다. 두 열로 나뉘지 않으면 위 표를 보며 A2:A15와 B2:B15에 직접 입력합니다.

D1에 평균, E1에 중앙값, F1에 표준편차를 씁니다. D2에는 =AVERAGE(A2:A15), E2에는 =MEDIAN(A2:A15), F2에는 =STDEV.P(A2:A15)를 입력합니다. D3에는 =AVERAGE(B2:B15), E3에는 =MEDIAN(B2:B15), F3에는 =STDEV.P(B2:B15)를 입력합니다. 결과를 퍼센트 서식으로 바꾸지 말고 소수 둘째 자리까지 표시합니다.

A는 2.16, 2.15, 0.20, B는 2.16, 1.80, 1.21이면 됩니다. 평균과 중앙값의 단위는 %, 표준편차는 퍼센트포인트(%p)입니다. %p는 2%에서 3%로 변했을 때의 차이 1을 말합니다. 결과가 다르면 14행을 모두 넣었는지와 수식 범위를 확인합니다.

평균으로만 보면 두 소재는 같다

평균은 모든 값을 더해 개수로 나눈 값입니다.

일별 평균만 보면 두 소재가 같다고 생각하기 쉽습니다. 하지만 이 값이 같다고 전체 주문 건수나 기간 전환율, 이익까지 같다는 뜻은 아닙니다.

표를 눈으로 훑으면 두 소재가 전혀 다르다는 것이 보이는데, 평균 하나로 요약하는 순간 그 차이가 사라집니다. 요약은 정보를 줄이는 일이고, 무엇이 줄었는지 확인하지 않으면 판단이 어긋납니다.

중앙값을 함께 보면 달라진다

중앙값은 값을 크기순으로 늘어놓았을 때 한가운데 오는 값입니다. 개수가 짝수면 가운데 두 값의 평균을 씁니다. 이 자료는 14개이므로 정렬한 뒤 7번째와 8번째 값을 봅니다.

소재 A를 작은 것부터 늘어놓으면 이렇습니다.

소재 B를 같은 방식으로 늘어놓으면 이렇게 됩니다.

평균과 중앙값이 달라지면 원자료의 분포를 확인할 이유가 됩니다. B는 14일 중 7일이 1.2% 이하인데 평균은 2.16%입니다. 다만 두 값이 가깝다고 값들이 좁게 모였다고 판단할 수는 없습니다. 0, 5, 10도 평균과 중앙값이 모두 5이지만 넓게 흩어져 있습니다. 중앙값이 항상 평균보다 실제 모습을 잘 대표하는 것도 아닙니다.

같은 원리가 객단가와 체류 시간과 배송 소요일에도 그대로 적용됩니다. 고액 주문 몇 건이 평균 객단가를 끌어올리는 상황이 대표적입니다.

표준편차로 흩어진 정도를 확인하기

중앙값은 정렬한 값의 가운데 위치를 알려 주지만 얼마나 흩어졌는지는 알려 주지 않습니다. 그 역할을 표준편차가 맡습니다.

구하는 순서는 네 단계입니다. 평균을 구하고, 각 값에서 평균을 빼고, 그 차이를 제곱해 평균을 내고(분산), 마지막에 제곱근을 씌웁니다. 차이를 그냥 더하면 양수와 음수가 상쇄되어 0이 되기 때문에 제곱을 거칩니다. 제곱한 값은 단위가 달라지므로 제곱근으로 원래 단위로 되돌립니다.

이 글은 관찰한 14일 자체를 요약하므로 분산을 14로 나누는 STDEV.P를 씁니다. 표본으로부터 더 넓은 집단의 흩어짐을 추정할 때 쓰는 STDEV.S는 13으로 나누므로 값이 달라집니다. 두 소재의 결과입니다.

소재 A의 표준편차는 약 0.20%p, B는 약 1.21%p로 약 여섯 배 차이입니다. 이는 요약된 흩어짐의 크기이며 모든 날이 평균에서 정확히 그만큼 떨어져 있다는 뜻은 아닙니다.

이제 세 가지를 함께 놓으면 두 소재의 성격이 분명해집니다.

표준편차가 크면 나눠 보라는 신호다

여기서 가장 자주 하는 실수가 나옵니다. 표준편차가 크다는 것을 불안정하니 나쁘다로 읽고 소재 B를 중단하는 것입니다.

표준편차가 크다는 것은 좋고 나쁨이 아니라 값이 널리 흩어져 있다는 사실만 말합니다. 요일이나 지면 같은 조건이 섞였을 수도 있고, 일별 클릭 수가 적어 우연한 변동이 컸을 수도 있습니다. 수집 오류도 확인해야 합니다. 표준편차만으로 원인을 알 수는 없습니다.

소재 B의 일별 값을 순서대로 다시 보면 규칙이 보입니다. 홀수 날은 0.8%에서 1.2% 사이이고 짝수 날은 2.4%에서 3.7% 사이입니다. 두 무리로 나눠 보면 이렇게 됩니다.

홀수 날의 표준편차 0.12%p는 A의 0.20%p보다 작지만 짝수 날의 0.40%p는 더 큽니다. 둘 다 B 전체의 1.21%p보다는 작습니다. 이 가상 자료에서는 홀수 날과 짝수 날의 값이 다르지만 그 차이의 실제 원인은 알 수 없습니다.

실제 데이터라면 여기서 요일과 지면과 기기와 시간대 가운데 무엇 때문에 둘로 나뉘었는지 확인합니다. 특정 조건에서 높은 비율이 보이면 클릭과 주문 건수, 비용과 수집 상태를 함께 확인하고 새 기간의 실험으로 다시 검토합니다. 이 표만 보고 그 조건에 예산을 집중하지 않습니다.

범위를 벗어난 값은 원자료부터 확인합니다

소재 A의 평균 2.16%에서 표준편차 약 0.20%p를 더하고 뺀 범위는 약 1.96%부터 2.36%입니다. 이 범위를 벗어난 값을 살펴볼 수는 있지만, 벗어났다고 오류나 이상이라고 판정하지는 않습니다. 실제 표에도 정상적으로 입력한 1.8%와 2.5%가 있습니다.

하루 클릭 수가 적으면 전환 한두 건만 달라져도 비율이 크게 움직입니다. 먼저 해당 날짜의 원자료와 수집 상태를 확인하고, 문제가 없다면 값을 삭제하지 않고 남깁니다.

두 소재 중 무엇이 나은지는 아직 정할 수 없습니다

통계값은 다음에 확인할 질문을 좁혀 줍니다. A의 일별 비율이 더 고르다는 이유만으로 판매량까지 안정적이라고 말할 수는 없습니다.

차이를 언제 믿어도 되는지

소재 A가 2.16%이고 다른 소재 C가 2.31%라도 건수와 실험 조건을 모르면 C가 더 낫다고 정하기 어렵습니다. 10,000클릭에서 216건과 231건이 나온 차이도 건수가 보인다는 이유만으로 확실해지는 것은 아닙니다.

p값은 ‘차이가 없다’는 가정과 분석 조건이 맞을 때, 지금 관측한 차이 또는 그보다 극단적인 결과가 나올 확률입니다. ‘이 결과가 우연일 확률’이나 ‘차이가 없을 확률’은 아닙니다. 흔히 쓰는 0.05 하나로 결론을 정하지 않고 효과의 크기와 불확실성, 실험 설계를 함께 봅니다. 미국통계학회 p값 설명

처음에는 p값 계산보다 실험 전에 주지표와 기간 및 필요한 표본 크기를 정하는 일부터 합니다. 데이터가 적으면 우연한 변동을 구분하기 어려워질 수 있지만 ‘주당 10건 이하는 모두 우연’처럼 고정된 기준은 없습니다. 클릭 같은 더 자주 발생하는 행동도 함께 볼 수 있으나 클릭 증가를 구매 증가의 증거로 바꾸지는 않습니다. 자세한 실험 설계는 A/B 테스트에서 이어갑니다.

함께 움직인다고 원인은 아니다

마지막으로 자주 혼동하는 개념은 상관관계입니다. 광고비를 올린 달에 매출이 함께 올랐다고 광고비가 매출을 올린 것은 아닙니다.

세 가지 가능성이 있습니다.

• 원인이 반대인 경우. 매출이 좋아서 광고 예산을 늘렸을 수 있습니다
• 숨은 요인이 둘 다 움직인 경우. 시즌 수요가 매출과 광고비를 동시에 끌어올렸을 수 있습니다
• 우연인 경우. 표본이 적으면 관계없는 두 값도 함께 움직여 보입니다

광고의 인과 효과를 확인하는 방법으로는 대상을 무작위로 나누고 다른 조건을 맞춰 한 가지를 바꾸는 실험이 있습니다. 관찰 데이터에서 나온 상관은 가설을 만드는 재료이지 결론이 아닙니다.

실무에서 쓰는 순서

지금까지의 내용을 매일 쓰는 순서로 정리하면 이렇습니다.

• 평균과 중앙값을 함께 봅니다. 차이가 크면 원자료의 분포를 확인합니다
• 표준편차를 봅니다. 조건 차이와 일별 건수 및 수집 오류를 점검합니다
• 나눈 묶음의 값과 건수를 함께 봅니다. 관찰한 차이는 새 자료에서 확인할 가설로 남깁니다
• 차이를 발견했으면 표본 크기와 실험 설계를 확인합니다. 근거가 부족하면 판단을 미룹니다
• 함께 움직이는 것을 찾았으면 가설로 적고 실험으로 확인합니다

세 함수는 자료 요약을 도와주지만 조건별 원인 조사와 실험 판단까지 대신하지는 않습니다. 지표를 무엇으로 잡을지는 마케팅 KPI 설정 글에 정리해 두었습니다.

자주 묻는 질문

표준편차가 크면 나쁜 건가요?

좋고 나쁨을 말하는 값이 아닙니다. 값이 널리 흩어져 있다는 사실만 알려 줍니다. 조건별 자료와 일별 건수를 나눠 살펴볼 이유는 됩니다. 이 글의 B처럼 차이가 보일 수 있지만 원인이나 유리한 조건이 확인된 것은 아닙니다.

평균과 중앙값 중에 무엇을 리포트에 적어야 하나요?

무엇을 요약하는지에 따라 다릅니다. 주문 금액의 전형적인 값을 보여 주려면 중앙값과 분포를 함께 볼 수 있습니다. 기간 전체 전환율이라면 총 전환 수를 총 클릭 수로 나눕니다. 일별 전환율의 단순 평균과 중앙값은 날짜별 분포를 설명하는 별도 값으로 표시합니다.

p값을 직접 계산해야 하나요?

첫 연습에서는 필요하지 않습니다. 실험 도구가 계산해 주더라도 어떤 가정과 지표로 계산했는지 확인합니다. 결과를 보며 기간을 임의로 늘리거나 유리한 지표만 고르면 처음 정한 검정의 해석이 어긋날 수 있습니다.

데이터가 적을 때 어떻게 판단해야 하나요?

기간과 모집 규모를 처음 정한 설계에 따라 확보하고, 그래도 근거가 부족하면 결론을 보류합니다. 클릭이나 폼 시작을 보조 지표로 볼 수는 있지만 결과를 본 뒤 주지표를 바꿔 성공으로 선언하지는 않습니다.

통계를 더 배우려면 무엇부터 봐야 하나요?

이 글에서 다룬 세 가지 값을 자기 데이터로 몇 번 구해 보는 일이 먼저입니다. 그다음으로 쓸모가 큰 것은 분포를 눈으로 보는 습관입니다. 값을 구간별로 집계하면 평균만으로 보이지 않던 분포를 확인할 수 있습니다.

값 하나를 바꾸고 다시 확인합니다

처음 결과를 적어 둔 뒤 소재 A의 마지막 날 값인 A15만 2.0에서 4.0으로 바꿉니다. 같은 함수의 결과는 평균 2.30, 중앙값 2.20, 표준편차 약 0.51입니다. 한 값이 커지면서 평균과 흩어짐이 달라졌지만 이것만으로 광고가 개선됐다고 말할 수는 없습니다.

결과가 다르면 B열이나 수식 셀을 바꾸지 않았는지 확인하고 A15를 다시 봅니다. 마지막으로 A15를 2.0으로 되돌리면 처음 결과인 2.16, 2.15, 0.20으로 돌아와야 합니다. 어느 셀을 바꿨고 세 가지 값이 어떻게 달라졌는지 설명하면 첫 연습을 마친 것입니다.

3줄 요약

1. 일별 전환율의 평균과 중앙값 및 표준편차는 서로 다른 특성을 보여 주며 전체 기간 전환율은 총 전환 수와 총 클릭 수로 따로 계산합니다.

2. 표준편차가 크면 값이 널리 흩어졌다는 뜻이므로 조건 차이와 표본 크기 및 수집 오류를 확인합니다.

3. 관측된 차이만으로 승자를 고를 수 없으며 실험 설계와 건수 및 불확실성을 함께 확인해야 합니다.