<!doctype html>
“저 사람은 이 방법으로 성공했대.” 투자든 사업이든 자격시험이든 이런 말은 강한 설득력을 가집니다. 그런데 성공한 사람의 이야기를 많이 모으는 것만으로는 성공 확률을 제대로 알 수 없습니다. 실패해서 시장이나 비교집단에서 사라진 사례가 관찰에서 빠져 있기 때문입니다. 이때 생기는 대표적인 오류가 생존편향(survivorship bias)입니다.
왜 살아남은 사람만 보면 판단이 쉬워질까
관찰 가능한 사람은 눈에 잘 띕니다. 성공한 가게는 SNS에 사례가 올라오고, 합격자는 인터뷰를 하고, 높은 성과를 낸 사람은 책을 냅니다. 반대로 중도 포기한 사람은 같은 검색어로 등장할 이유가 적습니다. 그러면 우리가 모으는 정보 자체가 성공자 쪽으로 기울어집니다.
제2차 세계대전 당시 통계학자 Abraham Wald의 항공기 생존성 분석은 이 문제를 설명하는 대표적인 사례입니다. 살아 돌아온 폭격기의 탄흔만 보고 장갑을 덧댄다면, 이미 격추되어 돌아오지 못한 항공기의 정보를 빠뜨릴 수 있습니다. Wald의 분석은 오히려 돌아온 비행기에서 비교적 손상이 적은 부위를 중요하게 보아야 한다는 방향을 제시했습니다.
숫자로 보면 오류가 더 선명하다
가상의 사례를 하나 만들어보겠습니다. 어떤 창업 방식으로 시작한 100개 업체 중 현재까지 살아남은 곳이 10곳이라고 합시다. 그 10곳을 조사했더니 8곳이 “SNS 광고를 집중적으로 했다”고 답했습니다. 생존자만 보면 SNS 광고 성공률이 80%처럼 보입니다.
하지만 이것을 'SNS 광고를 하면 80% 성공한다'로 바꾸는 순간 오류가 발생합니다. 실제 전체 100개 업체 중 SNS 광고를 사용했던 업체가 몇 곳인지, 그중 실패한 곳이 몇 곳인지 모르기 때문입니다. 예를 들어 100곳 모두 SNS 광고를 했지만 90곳이 실패했다면 생존자 10곳 중 8곳이 SNS 광고를 했다는 사실은 성공률 80%와 아무 관계가 없습니다.
핵심 계산은 '성공자 중에서 몇 명이 했는가'가 아니라 '전체 시도자 중에서 그 방법을 사용한 사람의 성공률이 얼마인가'입니다. 분모가 달라지면 결론도 달라집니다.
복지 현장에서도 같은 일이 생긴다
사업평가나 프로그램 개선에서도 생존편향을 조심해야 합니다. 예를 들어 프로그램을 끝까지 참여한 이용자 30명 중 24명이 만족했다고 해서 “참여하면 만족도가 80%다”라고 단정할 수는 없습니다. 중간에 그만둔 이용자, 처음부터 참여하지 않은 대상자, 만족하지 못해 이탈한 사람의 의견이 빠져 있기 때문입니다.
복지사업에서는 특히 탈락자와 미응답자를 별도로 기록하는 것이 중요합니다. 100명이 신청했고 70명만 실제 서비스에 들어왔다면, 서비스 이용자 70명의 만족도만 봤을 때 그 결과는 '전체 신청자'의 경험을 나타내지 않습니다. 조사 설계 단계에서 모집단과 분석대상을 분리해야 합니다.
성공 후기와 생존편향은 같은 말이 아니다
성공 후기가 거짓이라는 뜻은 아닙니다. 실제 성공 경험은 유용한 정보가 될 수 있습니다. 문제는 그 경험을 전체 확률로 확대할 때입니다. '어떤 방법으로 성공했는가'는 질적 정보이고, '그 방법을 시도한 전체 사람 중 몇 명이 성공했는가'는 확률 정보입니다. 둘은 서로 다른 질문입니다.
생존편향은 선택편향의 한 형태로 볼 수 있으며, 관찰 가능한 데이터가 선택된 결과만 포함할 때 생길 수 있습니다. 다른 연구에서도 선택된 대안만 관찰하면 선택편향 때문에 결과를 과대평가할 수 있음을 설명합니다. 따라서 성공자 표본이 만들어지는 과정 자체를 살펴야 합니다.
생존편향과 다른 오류는 어떻게 구별하나
| 오류 | 핵심 문제 | 확인 질문 |
|---|---|---|
| 생존편향 | 탈락·실패 사례가 빠짐 | 빠진 사람은 누구인가? |
| 대표성 휴리스틱 | 전형적인 사례에 끌림 | 기저율은 얼마인가? |
| 확증편향 | 내 생각과 맞는 정보만 찾음 | 반대 증거를 찾았는가? |
오늘 바로 적용할 수 있는 세 가지 질문
첫째, 성공 사례를 보면 실패 사례의 존재를 따로 검색합니다. 둘째, 표본을 보면 그 표본이 어떻게 만들어졌는지 확인합니다. 셋째, 성공률을 들으면 성공자 중 비율인지 전체 시도자 중 비율인지 구분합니다.
예를 들어 어떤 교육을 받은 사람 20명 중 18명이 취업했다는 홍보 문구를 봤다면 “20명은 누가 선택했는가?”를 먼저 묻습니다. 취업이 어려워 보이는 사람은 애초에 그 교육에 들어오지 못했을 가능성이 있다면, 90%라는 숫자는 교육 자체의 효과와 동일하지 않을 수 있습니다. 반대로 교육 시작 전부터 취업 가능성이 높은 사람들만 참여했다면 결과가 높게 나오는 것도 자연스럽습니다.
생존편향은 데이터를 무시하라는 개념이 아닙니다. 오히려 데이터를 더 완전하게 보라는 요구에 가깝습니다. 눈에 보이는 성공자만 모아 결론을 만들지 말고, 보이지 않게 사라진 관찰값이 어디에 있는지부터 찾는 것입니다. 그렇게 해야 성공사례가 주는 영감과 실제 성공확률을 구분할 수 있습니다.
출처: Mangel & Samaniego, “Abraham Wald's Work on Aircraft Survivability”, JASA 1984; Wald 재출판 자료 https://www.tandfonline.com/doi/abs/10.1080/01621459.1984.10478038
본문 수치는 2026년 8월 기준으로 확인했습니다. 제도 적용은 개인의 계약·근로조건·신청시점 등에 따라 달라질 수 있으므로, 실제 판단이 필요한 경우 해당 기관의 최신 안내를 함께 확인하시기 바랍니다.
인터넷 검색에도 생존편향이 들어갈 수 있다
검색 결과 상위에 자주 보이는 성공담을 보고 '이 분야에서는 다들 이렇게 한다'고 생각하는 것도 같은 문제를 만들 수 있습니다. 검색 자체가 이미 선택 과정이기 때문입니다. 글을 오래 유지할 수 있었던 사람, 광고를 할 수 있었던 사람, 검색 최적화를 한 사람의 사례가 더 많이 노출될 수 있습니다.
예를 들어 블로그 운영자가 성공 사례 20편을 읽고 “매일 여러 글을 쓰면 성장한다”고 결론 냈다고 하겠습니다. 하지만 성장하지 못해 3개월 만에 블로그를 접은 사람이 얼마나 있었는지는 그 자료에서 보이지 않습니다. 성공자 표본만으로 운영 전략의 평균효과를 계산하면 안 되는 이유입니다.
실무에서 보고서를 읽을 때도 똑같습니다. '취업에 성공한 참여자 70%'라는 문구를 보면 전체 신청자가 아니라 실제 프로그램을 수료한 사람 중 70%인지 확인해야 합니다. 성공률 계산의 분모가 달라지는 순간 정책 효과에 대한 해석도 달라집니다.
생존자만 분석해야 하는 경우도 있다
그렇다고 생존자 데이터가 쓸모없다는 뜻은 아닙니다. 실제로 어떤 시점에 살아남은 집단의 특성을 분석하는 것이 목적이라면 생존자 자료 자체가 연구대상이 될 수 있습니다. 문제는 그 자료를 전체 집단의 출발점에 그대로 일반화할 때 생깁니다. 분석 목적과 표본의 범위를 일치시켜야 합니다.
따라서 보고서에서 '현재 이용자'라고 되어 있으면 그 숫자가 최초 모집자 전체인지, 현재 남아 있는 사람만인지 확인하는 습관이 중요합니다. 같은 100명이라는 숫자라도 출발점이 다르면 의미가 완전히 달라집니다.
생존편향은 숫자가 없는 이야기에서도 나타납니다. “이 사람은 하루 두 시간씩 공부해서 합격했다”는 인터뷰가 있다고 해서 그 공부법이 합격의 원인이라고 단정할 수는 없습니다. 합격하지 못한 사람 가운데 같은 방법을 사용한 사람의 수가 보이지 않기 때문입니다. 또 합격자에게는 공부시간 외에도 기초실력, 경제적 여건, 시험 경험 등 여러 요인이 있었을 수 있습니다.
따라서 성공담을 활용할 때는 '따라 할 만한 행동'과 '성공확률을 높인다고 입증된 요소'를 구분해야 합니다. 전자는 좋은 실천 아이디어가 될 수 있지만 후자는 비교집단과 전체 시도자 자료가 있어야 강하게 주장할 수 있습니다. 성공한 사람의 경험은 출발점이지 통계의 끝이 아닙니다.
'심리·시사 상식' 카테고리의 다른 글
| 대표성 휴리스틱, 그럴듯함과 확률을 헷갈리는 뇌 (0) | 2026.08.11 |
|---|---|
| 사회적 태만, 사람을 늘렸는데 결과가 안 늘어나는 이유 (0) | 2026.08.10 |
| 프레이밍 효과, 200명이 산다와 400명이 죽는다의 차이 (0) | 2026.08.09 |
| 확증편향, 결론을 정한 뒤 근거를 모으는 순서의 문제 (0) | 2026.08.08 |
| 프레이밍 효과, 같은 숫자를 다르게 말하면 선택이 뒤집힌다 (0) | 2026.08.07 |
