마케터를 위한 통계 기초: 평균, 중앙값, 표준편차를 광고 데이터로

마케터에게 필요한 통계는 생각보다 적습니다. 대부분의 판단은 평균과 중앙값과 표준편차 세 가지, 그리고 차이를 믿어도 되는지 가리는 감각에서 나옵니다.

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 14일 합계가 둘 다 30.2로 같습니다.

평균으로만 보면 두 소재는 같다

평균은 모든 값을 더해 개수로 나눈 값입니다.

리포트에 평균만 적혀 있으면 여기서 끝납니다. 두 소재가 같은 성과를 냈으니 둘 다 유지하거나, 제작비가 덜 든 쪽을 남기는 결정을 하게 됩니다.

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.

소재 A를 작은 것부터 늘어놓으면 이렇습니다.

소재 B를 같은 방식으로 늘어놓으면 이렇게 됩니다.

평균과 중앙값이 가까우면 값들이 고르게 모여 있고, 벌어지면 한쪽으로 쏠려 있거나 극단값이 있습니다. 소재 B는 절반이 1.2% 아래인데 평균이 2.16%로 나온 상태입니다. 하루하루의 실제 모습에 더 가까운 것은 중앙값 쪽입니다.

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

표준편차로 흩어진 정도를 재기

중앙값은 쏠림을 알려 주지만 얼마나 흩어져 있는지는 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.

두 소재의 결과입니다.

소재 A는 평균에서 0.2%p 안팎으로만 오르내립니다. 소재 B는 1.2%p씩 흔들립니다. 여섯 배 차이입니다.

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. 그리고 마케팅 데이터에서 흩어짐이 크면 대개 원인이 있습니다. 섞여 있는 조건이 하나로 뭉뚱그려진 상태입니다.

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.

나누고 나니 각 묶음 안에서는 오히려 소재 A보다도 고르게 나옵니다. 소재 B는 불안정한 소재가 아니라 두 가지 다른 상황이 한 줄에 섞여 있던 것입니다.

실제 데이터라면 여기서 요일과 지면과 기기와 시간대 가운데 무엇 때문에 둘로 나뉘었는지 확인합니다. 만약 특정 조건에서만 3.3%가 나온다면 그 조건에만 예산을 집중하는 결정이 나옵니다. 평균만 보고 중단했다면 이 기회를 버렸을 것입니다.

평소 범위를 정해 이상값을 잡는다

흩어짐을 알면 매일 리포트를 볼 때 쓸 기준선이 생깁니다. 평균에서 표준편차만큼 위아래를 평소 범위로 두고, 벗어나면 확인하는 방식입니다.

소재 A라면 평균 2.16%에 표준편차 0.20%p를 더하고 뺀 1.96%에서 2.36% 사이가 평소 범위입니다. 어느 날 1.2%가 나왔다면 평소와 다른 일이 일어난 것이므로 확인할 이유가 생깁니다.

이것은 엄밀한 통계 판정이 아니라 현장에서 쓰는 어림입니다. 정규분포를 가정할 때 성립하는 규칙을 빌려 온 것인데, 마케팅 데이터는 한쪽으로 쏠린 경우가 많아 그 가정이 늘 맞지는 않습니다. 그래도 아무 기준 없이 매일 숫자를 보며 놀라는 것보다는 낫습니다.

두 소재 가운데 무엇이 나은지 가리기

이제 실제 결정으로 넘어갑니다. 소재 A와 B 가운데 하나를 고른다면 무엇을 봐야 할까요.

평균만 같고 성격이 다르므로 무엇을 원하느냐에 따라 답이 달라집니다.

여기서 남는 결론은 하나입니다. 통계값은 답을 주지 않고 질문을 좁혀 줍니다. 무엇을 고를지는 목적에 따라 달라집니다.

차이를 언제 믿어도 되는지

소재 A가 2.16%이고 다른 소재 C가 2.31%라면 C가 더 나은 것일까요. 이 질문에 답하려면 그 차이가 우연히 생길 수 있는 크기인지를 따져야 합니다.

판단을 좌우하는 것이 두 가지입니다.

• 표본 크기. 하루 방문이 100명이면 2.16%와 2.31%가 둘 다 전환 2건으로 잡혀서 차이를 셀 수조차 없습니다. 방문이 10,000명이면 216건과 231건이라 이야기가 달라집니다
• 흩어진 정도. 표준편차가 큰 데이터에서는 같은 크기의 차이도 우연히 생기기 쉽습니다

이 둘을 함께 계산해 이 정도 차이가 우연히 생길 확률을 내놓는 것이 p값입니다. p값이 작다는 것은 우연으로 보기 어렵다는 뜻이고, 흔히 0.05를 기준선으로 씁니다. 다만 0.05는 관행이지 자연법칙이 아니고, 기준을 넘었다고 효과가 크다는 뜻도 아닙니다. 크기는 따로 봐야 합니다.

실무에서 쓸 수 있는 감각은 이렇습니다. 전환이 주당 10건 수준이면 눈에 보이는 차이는 대체로 우연입니다. 이때는 전환 대신 클릭이나 폼 시작처럼 더 자주 일어나는 행동을 지표로 삼아 모수를 키웁니다.

함께 움직인다고 원인은 아니다

마지막으로 자주 어긋나는 자리가 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

인과를 확인하려면 다른 조건을 맞추고 한 가지만 바꾸는 실험이 필요합니다. 관찰 데이터에서 나온 상관은 가설을 만드는 재료이지 결론이 아닙니다.

실무에서 쓰는 순서

지금까지의 내용을 매일 쓰는 순서로 정리하면 이렇습니다.

• 평균과 중앙값을 함께 봅니다. 둘이 벌어지면 쏠림이 있다는 뜻입니다
• 표준편차를 봅니다. 크면 섞여 있는 조건을 찾아 나눕니다
• 나눈 묶음 안에서 다시 평균을 봅니다. 여기서 실행 가능한 결정이 나옵니다
• 차이를 발견했으면 모수를 확인합니다. 건수가 적으면 판단을 미룹니다
• 함께 움직이는 것을 찾았으면 가설로 적고 실험으로 확인합니다

다섯 단계 모두 어려운 계산이 필요하지 않습니다. 스프레드시트 함수 세 개면 앞의 세 단계가 끝납니다. 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. 흩어짐이 크면 섞여 있는 조건이 있는 경우가 많아서, 나쁜 신호라기보다 나눠 보라는 신호에 가깝습니다. 이 글의 소재 B처럼 나누고 나면 오히려 좋은 조건이 드러나기도 합니다.

평균과 중앙값 중에 무엇을 리포트에 적어야 하나요?

둘 다 적는 편을 권합니다. 자리가 하나뿐이라면 값이 한쪽으로 쏠리기 쉬운 지표(객단가, 체류 시간, 응답 시간)는 중앙값을, 고르게 모이는 지표(일별 전환율, 클릭률)는 평균을 씁니다. 둘이 크게 벌어진다는 사실 자체가 정보이므로 나란히 두는 쪽이 낫습니다.

p값을 직접 계산해야 하나요?

대부분은 필요 없습니다. 광고 플랫폼과 실험 도구가 계산해 주고, 스프레드시트 함수로도 구할 수 있습니다. 마케터에게 필요한 것은 계산보다 그 숫자가 무엇을 말하는지와 언제 믿으면 안 되는지입니다. 기간을 중간에 늘리거나 지표를 바꿔 가며 보면 p값은 의미를 잃습니다.

데이터가 적을 때 어떻게 판단해야 하나요?

판단을 미루거나 더 자주 일어나는 행동을 지표로 바꿉니다. 전환이 적으면 클릭이나 스크롤이나 폼 시작으로 내려가 모수를 키우는 방법이 있습니다. 다만 대체 지표가 최종 성과와 이어진다는 가정이 들어가므로, 그 가정을 함께 적어 둡니다.

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 세어 보기만 해도 평균이 감추던 것이 대부분 드러납니다.

3줄 요약

1. 평균이 같은 광고 소재 두 개가 중앙값과 표준편차를 함께 보면 전혀 다른 성격으로 드러나므로 세 가지를 같이 봐야 합니다.

2. 표준편차가 크다는 것은 나쁘다는 뜻이 아니라 섞여 있는 조건이 있다는 신호여서 요일이나 지면으로 나눠 보는 일이 먼저입니다.

3. 표본이 작을 때 눈에 보이는 차이는 우연일 수 있으므로 결론을 내리기 전에 기간과 건수를 먼저 확인합니다.