실무 데이터 분석에서 자주 쓰는 기술 통계: 평균값, 최빈값, 중앙값 완벽 이해하기

데이터 분석 업무를 하다 보면 보고서 작성이나 지표 모니터링을 위해 기술 통계를 자주 사용하게 됩니다. 그 중에서도 가장 기초적이고 자주 쓰이는 지표가 바로 **평균값(Mean), 중앙값(Median), 최빈값(Mode)**입니다.

이번 글에서는 실제 데이터를 바탕으로, 각 지표가 어떤 상황에 유용한지 그리고 SQL 쿼리를 어떻게 작성해야 하는지를 예시와 함께 상세히 설명하겠습니다.

---

📂 분석 데이터 소개: 유저 구매 내역 테이블

예시 테이블명: user_purchases

user_id	purchase_amount	purchase_date
u001	10000	2024-01-01
u002	5000	2024-01-02
u003	15000	2024-01-03
u004	1000000	2024-01-04
u005	7000	2024-01-05

위와 같은 구매 금액 데이터를 가지고 실제로 평균값, 중앙값, 최빈값을 어떻게 계산하고 해석하는지 살펴보겠습니다.

---

📊 평균값 (Mean)

✅ 개념

• 전체 데이터를 더한 후 개수로 나눈 값
• 이상치에 민감하여 실제 중심 경향을 왜곡할 수 있음

✅ 실무 사용 예시

• 전체 사용자의 평균 구매 금액 계산
• 월별 평균 구매 금액 추이 분석 등

✅ SQL 예제 (월별 평균 구매금액)

SELECT
  FORMAT_DATE('%Y-%m', purchase_date) AS purchase_month,
  ROUND(AVG(purchase_amount), 0) AS avg_purchase_amount
FROM
  user_purchases
GROUP BY
  purchase_month
ORDER BY
  purchase_month;

---

🧭 중앙값 (Median)

✅ 개념

• 데이터를 정렬했을 때 중간에 위치한 값
• 이상치에 강건해서, 왜곡 없는 중심값으로 사용 가능

✅ 실무 사용 예시

• 사용자 연봉, 집값, 구매금액처럼 편향된 분포의 중심값 확인할 때 유용

✅ SQL 예제 (BigQuery 기준, 근사치 사용)

SELECT
  FORMAT_DATE('%Y-%m', purchase_date) AS purchase_month,
  APPROX_QUANTILES(purchase_amount, 2)[OFFSET(1)] AS median_purchase_amount
FROM
  user_purchases
GROUP BY
  purchase_month
ORDER BY
  purchase_month;

APPROX_QUANTILES(col, 2)는 [최솟값, 중앙값, 최댓값] 3개를 반환하며, OFFSET(1)이 중앙값입니다.

---

🧮 최빈값 (Mode)

✅ 개념

• 데이터 중 가장 많이 등장한 값
• 범주형 데이터 분석에 유리 (ex. 요일, 카테고리 등)

✅ 실무 사용 예시

• 사용자가 가장 많이 접속한 요일
• 가장 많이 팔린 상품 카테고리

✅ SQL 예제 (가장 많이 결제된 금액 구하기)

SELECT
  purchase_amount,
  COUNT(*) AS cnt
FROM
  user_purchases
GROUP BY
  purchase_amount
ORDER BY
  cnt DESC
LIMIT 1;

동일 횟수로 여러 최빈값이 존재할 경우 LIMIT 1로 하나만 가져오게 됩니다. 전부 보려면 RANK()나 DENSE_RANK()를 활용하세요.

---

✅ 요약: 어떤 상황에 어떤 지표를 써야 할까?

지표	사용 추천 상황	특징
평균값	이상치가 없고 데이터 분포가 고름	가장 일반적, 빠르게 계산 가능
중앙값	이상치가 많거나 분포가 비대칭	이상치에 강건, 안정적인 중심값
최빈값	범주형 데이터 또는 반복값 파악	가장 자주 등장한 값 식별

---

📌 결론

실제 업무에서는 이 세 가지 지표를 적절히 혼합해서 쓰는 경우가 많습니다. 예를 들어 평균 구매금액과 중앙값을 함께 비교하면 이상치의 영향을 빠르게 파악할 수 있고, 최빈값으로는 가장 일반적인 유저 행동을 식별할 수 있죠.

이 글이 여러분의 실무 데이터 분석에 실질적인 도움이 되길 바랍니다!