비즈니스 분석가의 시뮬레이션 방법론

1. 들어가기 앞서

 

산업 생애주기 이론에 따르면 산업은 도입기 → 성장기 → 성숙기 → 쇠퇴기의 순서를 따른다. 배달앱 산업은 이제 빠른 확장과 시장 점유율 경쟁의 시대를 지나, 성숙기를 넘어 안정화와 수익성 관리의 시기로 접어들었다.

 

이 시기에는 더 이상 "성장률로 승부하는 전략"이 유효하지 않다. 따라서 새로운 정책을 실행하기 전에 손익(PL) 기반의 검토가 필수적이며, 분석가의 역할은 "데이터로 시뮬레이션하여 전략의 타당성을 검증하는 일" 로 확장되고 있다.

 

2. 왜 시뮬레이션인가

 

그럼 ML 기반 예측 모델은 안되나요? 물론 머신러닝으로 미래 수익을 예측할 수도 있다. 하지만 실무에서는 두 가지 문제가 있다.

 

첫 번째는 정확도다. 배달앱 같은 환경에서는 경쟁사의 프로모션, 규제 변화, 계절성 등 외부 변수가 너무 많아 예측 오차가 커진다. 작년 11월에 체결된 상생협의체 합의안처럼 갑작스러운 정책 변화가 발생하면 과거 학습 데이터는 무용지물이 될 수 있다. 물론 단순 통계를 사용하더라도 이는 동일한 문제가 있지만 기민하게 대처가능하다는 차이가 있다. 

 

두 번째는 설명 가능성이다. 이해관계자에게 "모델이 이렇게 예측했습니다"라고 말하는 것과 "현재 데이터에 이런 정책을 적용하면 이렇게 됩니다"라고 말하는 것은 전혀 다른 설득력을 갖는다. 특히 CFO나 영업 본부장에게 보고할 때는 후자가 훨씬 이해하기 쉽다. ML이 블랙박스라면, 시뮬레이션은 모든 계산 과정이 투명하다.그래서 시뮬레이션이다. 현재까지의 실제 데이터(Actual)에 정책 변화를 적용해보는 방식이므로 이론적 타당성이 명확하고, 누구나 계산 과정을 따라갈 수 있다는 장점이 있다.

 

시뮬레이션 분석을 통해 다음과 같은 효과를 얻을 수 있다:

1. 리스크와 수익의 구조를 사전에 검증할 수 있다.
   • 정책 실행 전, "이익이 줄어드는 임계점"을 수치로 확인할 수 있음
2. 다양한 Action Plan을 비교하며 최적안을 설계할 수 있다.
   • 여러 시나리오를 빠르게 실험하며 정책의 방향성 탐색
3. 정책의 타당성을 간결하게 설명하고 의사결정 속도를 높일 수 있다.
   • 시뮬레이션 결과는 현업과 경영진 모두에게 "공통 언어"로 작용
4. 실행 후 KPI 평가 및 모델 정교화에 활용할 수 있다.
   • 실제 결과와의 차이를 통해 가정의 정확도 개선 가능

 

3. 어떻게 해야 할까

 

3.1. 시뮬레이션의 기본 구조

시뮬레이션은 크게 세 단계로 구성된다.

 

Step 1: 변동 계정 식별

모든 재무 계정에서 정책으로 인해 변화가 발생하는 항목만 선별한다. 예를 들어 무료 배달 정책이라면:

• 변동: 배달비 수익, 프로모션 비용, 구독 전환율
• 고정: 인건비, 서버 비용, 마케팅 고정비 등

Step 2: 변수 간 관계 정의

정책 변화가 다른 변수에 미치는 영향을 정의한다. 이때 중요한 것은 과거 데이터나 유사 사례를 근거로 설정하는 것이다.

• "배달비를 낮추면 → 주문량이 X% 증가하고 → 비구독자의 구독 전환율이 Y% 상승"
• X, Y는 과거 프로모션 데이터나 경쟁사 벤치마킹을 통해 추정

Step 3: 시나리오 실험

입력값을 조정하며 손익 변화를 관찰한다. 이때:

• 민감도 분석: 어떤 변수가 결과에 가장 큰 영향을 미치는가?
• 임계값 탐색: 어느 지점부터 손익이 역전되는가?

Step 4: 지속적인 고도화

시뮬레이션을 만들고 나면 끝일까? 당연히 아니다. 실제로 시뮬레이션을 운영하다 보면 생각지도 못한 입력값이 계속 발견된다.  
예를 들어:

• 배달비 정책을 바꾸면 "평균 주문금액"도 함께 변한다는 것을 뒤늦게 발견
• 특정 지역(강남 vs 지방)에서는 정책 효과가 전혀 다르게 나타남

이럴 때마다 시뮬레이션을 수정하고 보완해야 한다. 그래서 시뮬레이션은 "한 번 만들면 끝"이 아니라 "지속적으로 유지보수하는 모델"이다.

 

유지보수 시 고려할 점:

- 실제 결과와의 비교 : 정책 실행 후 실제 데이터와 시뮬레이션 결과를 비교하며 가정을 업데이트
- 새로운 변수 추가 : 발견된 영향 요인을 시뮬레이션에 반영
- 버전 관리 : 시뮬레이션이 어떻게 진화했는지 기록

물론 이게 귀찮을 수 있다. 하지만 이 과정을 거치면서 시뮬레이션은 점점 더 정교해지고, 분석가는 비즈니스를 더 깊이 이해하게 된다. 결국 완성형 모델이란 건 없다. 계속 발전하는 모델만 있을 뿐이다.

 

3.2. 실전 예시: 무료 배달 정책

각 주문에는 배달비, 프로모션 비용, 주문중개수수료, 구독료 등 다양한 재무 항목이 존재한다. 이때 분석가는 모든 주문 데이터를 바탕으로 변동 가능한 변수를 정의하고, 그 변수 간 균형을 탐색하는 시뮬레이션을 설계할 수 있다.

시뮬레이션 입력값 예시:

• 무료 배달 조건: "배달비 3,000원 미만" vs "5,000원 미만"
• 최소 주문금액: 15,000원 vs 20,000원
• 비구독자의 구독 전환율 증가: +5% vs +10%

필요한 데이터:

• 과거 유사 정책 시행 시 비구독자 구독 전환율 변화
• 현재 배달비 및 최소 주문금액의 분포

즉, 배달비를 낮추면 프로모션 비용을 줄이거나, 구독료를 높여 손익의 균형을 맞추는 구조를 실험할 수 있다. 이는 단순한 산술적 계산이 아니라, " 하나의 정책이 손익 구조 전반에 어떤 파급 효과를 주는가 " 를 가시화하는 과정이다.

 

물론 배달앱 시장이 완전히 안정적인 건 아니다. 하지만 정책의 직접적 효과(배달비 ↓ → 주문량 ↑)는 비교적 예측 가능하다. 시뮬레이션은 이런 1차 효과를 검증하는 데 유용하고, 경쟁사 대응 같은 2차 효과는 시나리오 분석으로 보완할 수 있다.

 

참고로, 작년 11월 체결된 상생협의체 합의안 역시 다양한 이해관계자의 요구(비용 완화 vs 수익 보전)를 시묰레이션 기반으로 조정한 사례로 볼 수 있다.

 

https://www.joongang.co.kr/article/25292106

배달앱 상생협의체 막판 타결…수수료 '2~7.8%' 차등 적용 | 중앙일보

 

 

 

3.3. Handle bar: 현업이 직접 조정할 수 있는 도구

시뮬레이션의 진짜 강력함은 현업이 직접 변수를 조정해볼 수 있다는 점이다.

예를 들어 엑셀이나 대시보드에 슬라이더를 만들어:

• "비구독자 구독 전환율을 5%에서 10%로 올리면?"
• "최소 주문금액을 2만원으로 높이면?"

이렇게 현업이 스스로 여러 값을 테스트해보며 적절한 정책 수준을 찾아갈 수 있다. 분석가는 "답을 주는 사람"이 아니라 " 의사결정 도구를 만드는 사람 "이 되는 것이다.

4. 그렇다면, 어떤 변수를 입력할 것인가

 

시뮬레이션 프레임워크 자체는 복잡하지 않다. 오히려 핵심은 "어떤 변수를 입력할 것인가" 이다. 변수가 3개 이상이고 각각의 불확실성을 고려해야 한다면 몬테카를로 시뮬레이션을 활용할 수 있다. 이는 각 변수에 확률 분포를 부여하고 수천 번의 시뮬레이션을 실행하여 결과의 범위를 제시하는 방법이다. 

 

ML 예측과의 차이는 시뮬레이션은 현재 데이터 기반이고 변수 간 관계를 명시적으로 정의한다는 점이다. ML이 블랙박스라면, 몬테카를로는 투명한 계산 과정을 반복하는 것이다. 다만 불확실성을 확률 분포로 표현하여 "90% 확률로 이 범위" 같은 결과를 제시한다.

 

예시:

• 비구독자 구독 전환율: 평균 8%, 표준편차 2%
• 주문량 증가율: 평균 12%, 표준편차 3%
• 평균 주문금액 변화: 평균 -5%, 표준편차 2%

이렇게 설정하고 1,000번의 시뮬레이션을 돌리면:

• "90% 확률로 공헌이익이 1.5억 ~ 2.1억 사이"
• "최악의 경우에도 1.2억 이상 확보 가능"

같은 식으로 결과를 제시할 수 있다. 물론 이해관계자에게는 "신뢰구간"이나 "몬테카를로"같은 용어보다는 "보수적/중립적/공격적 시나리오" 로 표현하는 것이 더 이해하기 쉽다.

5. 시뮬레이션의 한계

그럼 시뮬레이션은 만능일까? 당연히 아니다.시뮬레이션은 시장이 상대적으로 안정적일 때 가장 효과적이다. 만약 경쟁사가 갑자기 대규모 할인 정책을 발표하거나, 정부가 새로운 규제를 도입하면 시뮬레이션 결과는 크게 빗나갈 수 있다.

 

시뮬레이션이 효과적인 조건:

• 시장이 상대적으로 안정적일 때
• 과거 데이터가 충분할 때
• 변수 간 관계가 명확할 때

시뮬레이션의 신뢰도가 낮아지는 경우:

• 경쟁사의 급격한 대응이 예상될 때
• 시장 변동성이 클 때
• 전례 없는 정책일 때

이때는:

• 보수적/중립적/공격적 시나리오를 함께 제시하거나
• "최악의 경우에도 손실이 X 이하"라는 리스크 관리 관점으로 접근하는 것이 유효하다.

하지만 시뮬레이션의 결과는 실제 데이터(Actual)에 정책을 적용한 것이므로 이론적 타당성이 명확하고, 이해관계자가 해당 시뮬레이션을 이해하는 데 어려움이 없다는 것이다. 물론 안정적인 시장 환경에서는 이 시뮬레이션 결과와 유사하게 흘러갈 가능성도 매우 크다.

 

 

6. 마치며

ROI 중심의 시대에서 분석가는 더 이상 "무엇이 일어났는가"를 보고하는 역할에 머물 수 없다. 이제는 정책이 "어떤 결과를 가져올 것인가"를 실험하고, 리스크를 수치로 제시하며, 의사결정의 신뢰도를 높이는 역할로 진화해야 한다.

 

시뮬레이션 분석은 이러한 전환의 중심에 있다. 정책이 실행되기 전에 이미 그 결과를 수치로 그려볼 수 있는 능력 — 그것이 곧 성숙기 이후 산업에서 분석가가 갖춰야 할 전략적 역량이다.

 

실제로 시뮬레이션을 돌려보면 예상과 다른 결과가 나올 수도 있고, 시장이 예측 불가능하게 움직일 수도 있죠. 하지만 적어도 "이 정책을 실행하면 어떻게 될까?"라는 질문에 대해 숫자로 이야기할 수 있다는 것, 그 자체만으로도 충분히 가치 있는 작업이라고 생각합니다.