스프레드시트 정성 오류 분류 체계 탐구

초록

본 논문은 스프레드시트 설계·개발 단계에서 발생할 수 있는 정성적 오류를 체계적으로 식별·분류하기 위한 새로운 분류 체계를 제안한다. 기존 문헌에서 제시된 오류 유형을 정리하고, Panko의 “Wall 문제” 실험 모델에 나타난 오류를 분석하여 네 가지 주요 범주(입력 데이터 구조, 의미, 확장성·공식 무결성, 가독성·복사‑붙여넣기)로 묶었다. 제안된 taxonomy는 오류 존재 여부만을 기록함으로써 검증 효율성을 높이며, 스프레드시트 거버넌스와 감사 절차에 활용될 수 있다.

상세 분석

이 논문은 정성적(spreadsheet qualitative) 오류가 양적 오류에 비해 조직 운영에 미치는 위험성을 강조하면서, 기존 연구가 양적 오류에 집중해 온 한계를 지적한다. Panko와 Halverson(1996)의 초기 오류 분류를 출발점으로 삼아, Rajalingham 등(2000)이 제시한 정성 오류의 상위 카테고리를 재구성한다. 저자들은 두 단계 접근법을 사용한다. 첫째, 문헌 검토를 통해 기존 정성 오류를 ‘입력 데이터 구조’, ‘의미(semantics)’, ‘확장성·공식 무결성’, ‘가독성·복사‑붙여넣기’ 네 가지 축으로 재분류하였다. 둘째, 104개의 “Wall 문제” 스프레드시트 모델을 실험적으로 분석하면서, 실제 사용자가 만든 오류를 taxonomy에 매핑하였다. 이 과정에서 기존 Rajalingham 분류가 지나치게 포괄적이라 구체적 오류를 식별·채점하기에 부적합함을 발견하고, 보다 원자적인 오류 항목(예: 하드코딩/잼밍, 입력값 중복, 입력 셀 식별 불명확, 셀 라벨링 오류, 복사‑붙여넣기 시 절대/상대 참조 오류 등)을 추가하였다.

오류 기록 방식은 ‘존재 여부(exists)’만을 1로 표시하도록 설계했는데, 이는 오류를 개별적으로 모두 세는 것이 검토자 간 일관성을 해칠 수 있다는 실무적 판단에 기반한다. 또한, 정성 오류는 잠재적(latent) 오류로서, 한 번이라도 발견되면 전체 모델을 재검토하도록 경고 신호로 활용할 수 있다. 예를 들어, 이자율을 하드코딩한 경우, 동일 오류가 여러 셀에 퍼져 있을 가능성이 높아 전체 모델을 재점검해야 함을 의미한다.

논문은 제안된 taxonomy가 설계·개발 단계에서 오류를 조기에 탐지하고, 테스트 단계에서 검증 체크리스트로 활용될 수 있음을 주장한다. 그러나 현재는 설계·개발 단계에만 초점을 맞추고, 운영 단계에서 발생하는 사용자 생성 오류(예: 데이터 입력 실수, 셀 보호 미비 등)는 다루지 않는다. 또한, 제안된 네 가지 범주가 모든 산업 도메인에 보편적으로 적용될 수 있는지에 대한 검증이 부족하며, 향후 다양한 사례와 자동화 도구와의 연계 연구가 필요하다고 제언한다.