Jalynne.log

기본 내용 정리 

https://github.com/jalynnelee/-ADsP-R-basic-

32회 데이터분석 준전문가 (ADsP)

Study log  (D - 21)

Last update : 2022.02.05. 토

2022. © Jalynne.log

# 나를 위한 공부 로그

3과목 - 데이터 분석 기획 (객관식 8문항, 단답형 2문항)

2장.분석 마스터 플랜

• 마스터 플랜 수립
• 분석 거버넌스 체계 수립

< 마스터 플랜 수립 >

① 분석 마스터 플랜 수립 

• 중장기적 마스터 플랜 수립을 위해서는 분석 과제를 대상으로 다양한 기준을 고려해 적용할 우선순위를 설정해야 함. 
• 분석 과제 수행의 선 후행 관계를 고려하여 우선순위를 조정해 나간다
• 분석 과제의 적용 범위 및 방식에 대해서도 종합적으로 고려하여 결정한다
• 마스터 플랜 수립 개요

*ISP (Information Strategy Planning) : 정보 전략 계획, 정보 기술 또는 정보 시스템을 전략적으로 활용하기 위하여 조직 내, 외부 환경을 분석하여 기회나 문제점을 도출하고, 사용자의 요구사항을 분석하여 시스템 구축의 우선순위를 결정하는 등 중장기 마스터 플랜을 수립하는 절차. 

* 분석 마스터 플랜 : 일반적인 ISP 방법론을 활용하되, 데이터 분석 기획의 특성을 고려하여 수행하고, 기업에서 필요한 데이터 분석 과제를 빠짐없이 도출한 후 과제의 우선순위를 결정하고 단기 및 중,장기로 나누어 계획을 수립한다. 

② 우선 순위 평가 방법 및 절차

: 정의된 데이터 과제에 대한 실행 순서를 정하는 과정. 

분석 과제 도출

↓

우선순위 평가 : 과제 우선순위 평가 기준 수립 후, 그에 따라 우선 순위 평가. 

↓

우선순위 정렬 : 분석 과제 수행의 선/후 관계 분석을 통해 순위 조정

* Ex) 전략적 중요도 (전략적 필요성, 시급성)과 실행 용이성 (투자 용이성, 기술 용이성) 등 기업에서 고려하는 중요 가치 기준에 따라 다양한 관점에서우선순위 기준 수립하여 평가함. 

③ ROI(Return On Investment) 관점에서의 빅데이터 4V (3V + value) ; 빅데이터의 핵심 특징 

④ 분석 과제 우선순위 선정 기법

- 시급성과 난이도를 고려하여 우선순위를 선정함. 

- 시급성 : 전략적 중요도가 목표 가치에 부합하는지에 따른 시급성. 현재의 관점에서 전략적 가치를 둘 것인지, 미래의 중장기적 관점에 전략적 가치를 둘 것인지를 고려하고, 분석 과제의 목표가치를 함께 고려하여 시급성 여부를 판단. 

- 난이도 : 데이터를 생성, 저장, 가공, 분석하는 비용과 현재 기업의 분석 수준을 고려한 난이도. 현 시점에서 과제를 추진하는 것이 적용 비용측면과 범위 측면에서 바로 적용하기 쉬운 것인지, 또는 어려운 것인지에 판단 기준. 데이터 분석의 적합성 여부를 본다. 

- 즉, 과제의 범위를 시범과제 형태로 일부 수행할 것인지 or 처음부터 크게 수행할 것인지, 데이터 소스는 기업 내부의 데이터부터 우선 활용 후 외부 데이터까지 확대해 나갈 것인지에 대한 난이도를 고려. 

* 분석 거버넌스체계 수립(다음 절)에서 제시하는 분석 준비도 및 성숙도 진단 결과에 따라 해당 기업의 분석 수준을 파악하고, 이를 바탕으로 분석 적용 범위 및 방법에 따라 난이도 조정 가능. 

[ 포트폴리오 사분면을 통한 과제 우선순위 선정 ]

• 시급성의 판단 기준은 전략적 중요도 및 목표 가치
• 난이도는 현시점에서 과제를 추진하는 것이 분석 비용과 적용 범위 측면에서 쉬운 (Easy) 것인지 어려운 (Difficulty) 것인지에 대한 판단 기준
• 1사분면: 전략적 중요도가 높아 경영에 미치는 영향이 큼, 현재 시급하게 추진이 필요함. 난이도가 높아 현재 수준에서 과제를 바로 적용하기 어려움 
• 2사분면: 현재 시점에서는 전략적 중요도가 높지 않지만, 중장기적으로는 반드시 필요한 과제. 바로 적용하기에는 난이도가 높아 우선순위가 낮은 영역.  
• 3사분면 : 전략적 중요도가 높아 현재 시점에 전략적 가치를 두고 있음. 난이도가 어렵지 않아 우선적으로 바로 적용할 가능성과 필요성이 있음. 우선순위가 가장 높아 일반적으로 가장 먼저 하는 것. (급하고 쉬운 것)
• 4사분면 : 전략적 중요도가 높지 않아 중장기적 관점에서 과제 추진이 바람직. 과제를 바로 적용하는 것이 어렵지 않음. 
• 우선순위를 시급성에 둘 경우 (반시계 방향으로), 3-4-2 순서 진행 
• 우선순위를 난이도에 둘 경우 (시계방향으로), 3-1-2 순서 진행
• 시급성이 높고 난이도가 높은 영역 (1사분면)은 경영진 또는 실무 담당자의 의사결정에 따라 적용 우선순위를 조정할 수 있음
• 즉, 1사분면에서 3사분면으로 우선순위를 조정하여 추진 가능 (데이터 양, 특성, 시스템 분리, 분석 범위 조절 등에 따라 난이도를 조율하여)

< 출제 유형 > 

1. 분석 과제의 우선순위를 결정할 때, 시급성과 난이도를 모두 우선순위로 둘 때, 가장 먼저 추진해야 하는 것은? 

2. 분석 과제 우선순위 선정 매트릭스에 관한 설명 중 가장 적절하지 않은 것은? 

3. 포트폴리오 사분면 분석을 통한 과제 우선순위 선정 기법 중, 분석과제의 적용 우선순위를 시급성에 둔다면, 결정해야 할 우선순위는? 

⑤ 이행계획 수립

[ 로드맵 수립 ]

- 포트폴리오 사분면 분석을 통하여 1차 우선순위 결정

- 결정된 과제의 우선 순위를 토대로 분석 과제별 적용 범위 및 방식을 고려하여 최종적인 실행 우선순위를 결정 후, 단계적 구현 로드맵 수립

- 단계별로 추진 목표 정의

- 추진 과제별 선후행 관계를 고려하여 단계별 추진 내용 정렬

[ 세부 이행계획 수립 ]

- 고전적인 폭포수 방식*도 있으나, 반복적인 정렬 과정을 통해 프로젝트의 완성도를 높이는 방식을 주로 사용
- 모든 단계를 반복하기보다, 데이터 수집 및 확보와 분석 데이터를 준비하는 단계를 순차적 진행하고, 모델링 단계는 반복적으로 수행하는 혼합형을 많이 적용함

- 일정도 이러한 특성을 고려하여 수립해야 함. 

* 폭포수 방식 (water-fall) : 순차적인 소프트웨어 개발 프로세스

< 분석 거버넌스 체계 수립 >

① 거버넌스 체계 개요

[ 거버넌스 (Governance) ] 

- Government와 같은 어원

- 더 폭 넓은 의미로 진화하여, 기업, 비영리 기관 등에서 규칙, 규범 및 행동이 구조화, 유지, 규제되고 책임을 지는 방식 및 프로세스 

[ 분석 거버넌스 ] 

- 기업에서 데이터가 어떻게 관리, 유지, 규제되는지에 대한 내부적인 관리 방식이나 프로세스 

[ 데이터 거버넌스 ] 

- 데이터의 품질보장, 프라이버시 보호, 데이터 수명 관리, 전담조직과 규정정립, 데이터 소유권과 관리권 명확화 등을 통해 데이터가 적시에 필요한 사람에게 제공 되도록 체계를 확립하는 것

- 데이터 거버넌스가 확립되지 못하면 빅브라더*의 우려가 현실화될 가능성이 높음

* 빅브라더 : 정보의 독점으로 사회를 통제하는 관리 권력 혹은 그러한 사회체계

[ 분석 거버넌스 체계 구성 요소 ] 

- 분석 비용 및 예산은 구성 요소가 아님! 

[ 데이터 분석 수준 진단 ] 

- 데이터 분석 수준 진단의 목표 2가지 : 기업의 현재 분석 수준을 명확히 이해 하고 미래의 목표 수준을 정의 + 타 경쟁사에 비해 어느 정도 수준이고 어떠한 영역에 선택과 집중 및 보완을 해야 하는지 개선 방안 도출. 

- 즉, 데이터 분석 기법을 구현하기 위해 무엇을 준비하고 보완해야 하는지 등 분석의 유형 및 분석의 방향성 결정

- 분석 준비도(Readiness)*와 분석 성숙도(Maturity)*를 함께 평가함으로써 수행될 수 있음

* 분석 준비도 : 분석 업무 파악 , 인력 및 조직 , 분석 기법 , 분석 데이터 , 분석 문화 , 분석 인프라

* 분석 성숙도 : 비즈니스 부문 , 조직 역량 부문 , IT 부문을 대상으로 도입 단계 , 활용 단계 , 확산 단계 , 최적화 단계로 구분해 살펴 볼 수 있음

② 데이터 분석 준비도 프레임워크

- 목표 : 기업의 데이터 분석 도입의 수준을 파악하기 위한 진단방법

- 과정 : 진단 영역별로 세부 항목에 대한 수준 파악 → 진단 결과 전체 요건 중 일정 수준 이상 충족하면 분석 업무 도입 → 충족하지 못할 시 분석 환경 조성 

③ 분석 성숙도 모델

- 조직의 성숙도 평가 도구 : CMMI (Capability Maturity Model Integration) 모델

- 성숙도 수준 분류 : 도입, 활용, 확산, 최적화

- 분석 성숙도 진단 분류 : 비즈니스 부문, 조직/역량부문, IT 부문 

④ 분석 수준 진단 결과

- 기업의 현재 분석 수준을 객관적으로 파악하여, 이를 토대로 경쟁사의 분석 수준과 비교하여 분석 경쟁력 확보 및 강화를 위한 목표 수준 설정 가능. 

[ 분석 관점에서의 사분면 분석 ] 

- 분석 수준 진단 결과를 구분

- 향후 고려해야 하는 데이터 분석 수준에 대한 목표 방향을 정의

- 유형별 특성에 따라 개선 방안을 수립할 수 있음. 

⑤ 분석 지원 인프라 방안 수립 

- 기획단계에서부터 장기적 , 안정적으로 활용할 수 있는 확장성을 고려한 플랫폼 구조*를 도입하는 것이 적절함

* 플랫폼 : 단순한 분석 응용프로그램 뿐만이 아니라, 분석 서비스를 위한 응용 프로그램이 실행될 수 있는 기초를 이루는 컴퓨터 시스템, 일반적으로 하드웨어에 탑재되어 데이터 분석에 필요한 프로그래밍 환경과 실행 및 서비스 환경을 제공하는 역할을 수행. 

- 분석 플랫폼이 구성되어 있는 경우에는, 새로운 데이터 분석 니즈가 존재할 경우, 개별적인 분석 시스템을 추가하는 방식이 아닌 서비스를 추가적으로 제공하는 방식으로 확장성을 높일 수 있음. 

⑥ 데이터 거버넌스 체계 수립 

[ 데이터 거버넌스 정의 ]

- 전사 차원의 모든 데이터에 대하여 정책 및 지침, 표준화, 운영조직 및 책임 등의 표준화된 관리 체계를 수립하고 운영을 위한 프레임워크(Framework) 및 저장소(Repository)를 구축하는 것. 

- 데이터 거버넌스의 주요 관리 대상 : 마스터 데이터, 메타 데이터, 데이터 사전

- 데이터 거버넌스 체계의 구축으로 데이터의 가용성, 유용성, 통합성, 보안성, 안정성을 확보하여, 프로젝트를 성공으로 이끔. 

- 독자적으로 수행할 수도 있지만, 전사차원의 IT 거버넌스나 EA(Enterprise Architecture)의 구성 요소로써 구축되는 경우도 있음. 

[ 데이터 거버넌스 구성 요소 ]

: 유기적인 조합을 통하여 데이터를 비즈니스 목적에 부합하고 최적의 정보 서비스를 제공할 수 있도록 효과적으로 관리. 

[ 데이터 거버넌스 체계요소 ]

< 출제 유형 > 

1. 데이터 표준화의 특징으로 올바른 것은? 

2. 데이터 거버넌스에서 메타데이터 구축/ 표준용어 설정/명명규칙 수립 단계는? 

3. 다음은 데이터 거버넌스 중 무엇에 관한 설명인가? 

⑦ 데이터 조직 및 인력방안 수립 (데이터 분석을 위한 조직 구조) 

* 데이터 분석 조직

- 기업의 경쟁력 확보를 위해 비즈니스 질문과 데이터 분석의 가치를 발견하고, 이를 활용하여 비즈니스를 최적화하는 목표를 가짐

- 기업 내 존재하는 빅데이터 속에서 인사이트를 전파하고, 이를 활성화 하는 역할. 

- 기초 통계학 및 분석 방법에 대한 지식과 분석 경험을 가지고 있는 인력으로 전자 또는 부서 내 조직으로 구성하여 운영. 

- 조직 구조 및 인력 구성을 고려해 기업에 최적화 된 형태로 구성해야 함. 

⑧ 분석 과제 관리 프로세스 수립

- 분석 조직이 지속적이고 체계적인 분석 관리 프로세스를 수행함으로써 조직 내 분석 문화 내재화 및 경쟁력을 확보할 수 있음. 

- 과제를 진행하면서 만들어진 시사점 (Lesson learned)을 포함한 결과물을 풀(pool)로 축적하고 관리하여 시행착오 최소화, 프로젝트 효율 진행. 

⑨ 분석 교육 및 변화 관리

- 변화 관리는, 모든 구성원이 데이터를 분석하고, 이를 바로 업무에 활용할 수 있도록 조직 전반에 분석 문화를 정착시키고 변화시키려는 시도 

- 분석 내재화 단계는 준비기 → 도입기 → 안정적 추진기로 이루어 지지만, 새로운 체계의 도입 시에는 저항 및 기존의 행태로 되돌아가려는 관성이 존재하기 때문에 교육 및 마인드 육성을 위한 적극적인 변화 관리가 필요함.

- 분석 조직 및 인력에 대한 지속적인 교육과 훈련이 필요함. 

[ 빅데이터 거버넌스 특징 ]

• 기업이 가진 과거 및 현재의 모든 데이터를 분석하여 비즈니스 인사이트를 찾는 노력은 비용면에서 효율적이지 못함 
• → 분석 대상 및 목적을 명확히 정의 하고, 필요한 데이터를 수집, 분석하여 점진적으로 확대해 나가는 것이 좋음
• 빅데이터 분석에서 품질관리도 중요하지만 , 데이터 수명주기 관리방안을 수립 하지 않으면 데이터 가용성 및 관리 비용 증대 문제에 직면할 수 있음
• ERD 는 운영 중인 데이터베이스와 일치하기 위해 계속해서 변경사항을 관리 하여야 함
• 산업 분야별 , 데이터 유형별 , 정보 거버넌스 요소별로 구분하여 작성함
• 적합한 분석 업무를 도출하고 가치를 높여줄 수 있도록 분석 조직 및 인력에 대해 지속적인 교육과 훈련을 실시함
• 개인정보보호 및 보안 에 대한 방법을 마련해야 함

⑩ 관련 용어 정리 (단답형 기출)

[ Reference ]

1. 2018 데이터 분석 준 전문가 ADsP, 데이터에듀, 윤종식 저.  

2. 데이터 분석 전문가 가이드, 한국데이터진흥원.

3. EduAtoZ - Programming - YouTube

4. [ADsP 핵심요약] 2과목. 데이터분석 기획 : 네이버 블로그 (naver.com)

32회 데이터분석 준전문가 (ADsP)

Study log  (D - 21)

Last update : 2022.02.05.토

2022. © Jalynne.log

# 나를 위한 공부 로그

# 테이블이 많으니 컴퓨터로 보기

# 구조화 해서 기억하기

3과목 - 데이터 분석 기획 (객관식 8문항, 단답형 2문항)

1장. 데이터 분석 기획의 이해

• 분석 기획 방향성 도출
• 분석 방법론
• 분석 과제 발굴
• 분석 프로젝트 관리 방안

< 분석 기획 방향성 도출 >

① 분석 기획이란?  

• 실제 분석을 수행하기에 앞서, 분석을 수행할 과제의 정의 및 의도했던 결과를 도출할 수 있도록 이를 적절하게 관리할 수 있는 방안을 사전에 계획하는 일련의 작업
• 어떤 목표 (what)를 달성하기 위해 (why) 어떤 데이터를 가지고 어떤 방식 (how)으로 수행할 지에 대한 일련의 계획을 수립하는 작업
• 성공적인 분석 결과 도출을 위한 중요 사전작업
• 해당 문제 영역에 대한 전문성 역량 (Domain knowledge)및 통계학적 지식을 활용한 분석 역량 (Math & Statistics)과, 분석 도구인 데이터 및 프로그래밍 기술 역량 (Information technology)에 대한 균형잡힌 시각을 가지고 방향성 및 계획을 수립해야 함. 

② 분석 주제 유형 4가지 

: 분석의 대상 (what), 분석의 방법 (how)에 따라 4가지로 구분 

* 분석대상 알면 OS // 모르면 ID 

* 특정한 주제에 대한 분석이라도, 위의 네 가지 유형을 넘나들며 분석을 수행함. 

③ 목표 시점 별 분석 기획 방안 

: 과제 중심적인 접근 방식의 단기방안, 마스터플랜 단위의 중장기 방안으로 구분  

*Quick Win : 즉각적인 실행을 통한 성과 도출 (프로세스 진행 과정에서 일반적인 상식과 경험으로 원인이 명백한 경우 바로 개선함으로써 과제를 단기로 달성하고 , 추진하는 과정)

→ 두 가지를 융합적으로 적용하는 것이 바람직함. 

→ 프로젝트 관리 역량과 리더십 역량이 필요함. 

< 출제 유형 > 

1. 목표 시점별로 당면한 과제를 빠르게 해결하는 과제 중심적인 접근 방식의 특징이 아닌 것은? 

④ 분석 기획시 고려 사항 

< 출제 유형 > 

1. 분석 기획 고려 사항에 대한 부적절한 설명은? 

2. 분석 과제 기획 시 고려요소가 아닌 것은? 

⑤ 데이터의 유형 및 저장 방식 

< 출제 유형 > 

1. 다음 중 데이터 유형이 다른 것은? 

2. 정형-반정형-비정형 데이터 순서로 옳은 것은? 

< 분석 방법론 >

① 분석 방법론 개요

② 기업의 합리적 의사결정 장애 요소 

• 고정관념
• 편향된 생각
• 프레이밍 효과 (Framing effect) : 동일한 사건이나 상황임에도 불구하고 제시되는 방법에 따라 사람들의 선택이나 판단이 달라지는 왜곡 현상으로, 특정 사안을 어떤 시각으로 바라보느냐에 따라 해석이 달라진다는 이론

③ 분석 방법론의 모델 세 가지 

④ KDD (Knowledge Discovery in Database ) 분석 방법론

: 데이터베이스에서 의미있는 지식을 탐색하는 데이터마이닝 프로세스

[ 데이터에서 패턴을 찾는 과정 ] 

1) 분석 대상 비즈니스 도메인 이해

2) 분석 대상 데이터 셋 선택과 생성

3) 데이터에 포함되어 있는 노이즈 (Noise)와 이상값 (Outlier) 등을 제거하는 정제작업이나 전처리 작업 실시 

4) 분석 목적에 맞는 변수를 찾고, 필요시 데이터의 차원을 축소하는 데이터를 변경

5) 분석 목적에 맞는 데이터마이닝 기법을 선택 

6) 분석 목적에 맞는 데이터마이닝 알고리즘을 선택

7) 데이터마이닝 실행

8) 데이터마이닝 결과에 대한 해석 

9) 데이터마이닝에서 발견된 지식 활용 

* 데이터마이닝 : 많은 데이터 가운데 숨겨져 있는 유용한 상관관계를 발견하여, 미래에 실행 가능한 정보를 추출해 내고 의사 결정에 이용하는 과정. 

[ KDD의 분석 절차]

⑤ CRISP-DM (Cross-Industry Standard Process for Data Mining) 분석 방법론 

- 일방향으로 구성되어 있지 않고, 단계간 피드백을 통해 단계별 완성도를 높이도록 구성. 

[ CRISP-DM 프로세스의 4 계층 ] : Hierarchical process model 

[ CRISP-DM 프로세스의 6 단계 ]

⑥ 빅데이터 분석 방법론 

[ 분석 방법론의 구성 ] : 일반적으로 방법론은 계층적 프로세스 모델 (Stepwised process model)의 형태로 구성되어 있음. 

[ 빅데이터 분석 방법론의 5 단계] 

▶ 1단계 : 분석 기획 (Planning)

▶ 2단계 : 데이터 준비 (Preparing)

▶ 3단계 : 데이터 분석 (Analyzing)

▶ 4단계 : 시스템 구현 (Developing)

▶ 5단계 : 평가 및 전개 (Deploying)

< 분석 과제 발굴 >

① 분석 과제 도출 방법 

: 분석 과제는 풀어야 할 다양한 문제를, 데이터 분석 문제로 변환한 후, 프로젝트로 수행할 수 있는 과제 정의서 형태로 도출된다. 과제를 도출하기 위한 방식은 크게 두가지. (하향식 vs 상향식) 

< 분석 기획 방향성 도출 > ② 분석 주제 유형 4가지 

② 하향식 접근 방식

: 문제 탐색 → 문제 정의 → 해결방안탐색 → 타당성 평가 → 과제 선정

* 분석 기회 발굴의 범위 확장 

** 분석 유즈 케이스의 예시 

*** 데이터 분석 문제 변환 예시 

**** 시스템에 따른 활용 가능 도구 

③ 상향식 접근 방식 

• 문제의 정의 자체가 어려운 경우 상향식 접근 방식 사용
• 다량의 원천 데이터를 대상으로 분석을 수행하여, 역으로 추적하면서 가치있는 모든 문제를 도출 또는 재정의하는 일련의 과정.
• 데이터를 기반으로 문제의 재정의 및 해결방안을 탐색하고 이를 지속적으로 개선하는 방식
• 인과 관계 (Know-why)로부터 상관관계(Know-affinity) 분석으로의 이동이 주요 변화. 
• 상향식 접근 방식의 데이터 분석은 비지도학습 (Unsupervised Learning) 방법에 의해 수행됨
• 디자인 사고 (Design thinking)*의 발산(Diverce) 단계에 해당함
• 인사이트 도출 후 반복적인 시행착오를 통해 수정하며 문제를 도출하는 일련의 과정 (프로토타이핑 접근법**)

*디자인 사고 접근법을 통한 전통적인 분석적 사고 극복 

- 객관적으로 존재하는 데이터 그 자체를 관찰하고 실제적으로 행동에 옮김으로서, 대상을 조금 더 잘 이해하는 방식으로의 접근 수행 

- 답을 미리 내는 것이 아니라, 사물을 있는 그대로 인식하는 What의 관점에서 보아야 한다. 

- Empathize(감정이입) → Define → Ideate → Proto type → Test

**프로토타이핑(prototyping) 접근법  

- 사용자가 요구사항이나 데이터를 정확히 규정하기 어렵고, 데이터 소스도 명확히 파악하기 어려운 상황에서 일단 분석을 시도해보고 그 결과를 확인해 가면서 반복적으로 개선해 나가는 방법

- 완전하지 못하더라도 신속하게 해결책이나 모형을 제시함으로써, 이를 바탕으로 문제를 좀더 명확하게 인식하고 필요한 데이터를 식별하여 구체화할 수 있게 하는 유용한 상향식 접근 방식. 

- 기본적인 프로세스 : 가설의 생성 → 디자인에 대한 실험 → 실제 환경에서의 테스트 → 테스트 결과에서의 통찰 도출 및 가설 확인

- 빅데이터 분석 환경에서 프로토타이핑의 필요성 

 1) 문제에 대한 인식 수준 : 문제 정의가 불 명확하거나, 이전에 접해보지 못한 새로운 문제일 경우, 프로토타입을 이용하여 문제를 이해하고 이를 바탕으로 구체화 

 2) 필요 데이터 존재 여부의 불확실성 : 필요한 데이터의 집합이 모두 존재하지 않을 경우, 해당 데이터 수집 또는 대체를 어떻게 할 것인지에 대한 반복적이고 순환적인 협의 과정 필요.

 3) 데이터 사용 목적의 가변성: 데이터의 가치는 수집 목적에 따라 확정 되는 것이 아니고, 지속적으로 변화. 

④ 지도학습 vs 비지도학습 

* 분석 과제 정의서 작성 방법 (예시)  

- 도출한 분석 과제를 분석과제 정의서 양식을 활용하여 보다 상세하게 정의.

- 분석별로 필요한 소스데이터, 분석방법, 데이터 입수 및 분석의 난이도, 분석 수행 주기, 분석 결과에 대한 검증 오너십, 상세 분석과정 등을 정의 

- 내, 외부의 비구조적인 데이터와 소셜 미디어 및 오픈 데이터까지 범위를 확장하여 고려하고, 분석 방법도 상세히 작성함. 

< 분석 프로젝트 관리 방안 >

① 분석 프로젝트의 특징 

• 분석 프로젝트는 다른 프로젝트 유형처럼 범위 , 일정 , 품질 , 리스크 , 의사소통 등 영역별 관리가 수행 되어야 한다
• 다양한 데이터에 기반한 분석 기법을 적용하는 특성 때문에 5 가지 주요 특성을 고려하여 추가적 관리가 필요 하다
• 분석 과제 주요 특성에는 Data Size, Data Complexity, Speed, Analytic Complexity, Accuracy & Precision 등이 있다
• 분석 프로젝트는 도출된 결과의 재해석을 통한 지속적인 반복 및 정규화가 수행되기도 한다

② 분석 과제의 주요 5가지 특성 관리 영역  

* Accuracy와 precision의 관계

- 과녁 그림 4개 참고하기. 

: https://www.geavis.si/en/2017/06/difference-between-accuracy-and-precision/

: https://en.wikipedia.org/wiki/Accuracy_and_precision 

③ 분석 프로젝트 관리 체계 

- 분석 프로젝트의 경우, 관리 영역에서 일반 프로젝트와 다르게 유의해야 하는 요소들이 존재함. 

- 분석가의 조정자로서의 역할과 프로젝트 관리자의 역할을 동시에 수행하는 경우가 대부분이기 때문에, 프로젝트 관리 영역에 대한 이해와, 주요 사항들을 체크포인트 형태로 사전에 숙지하여, 발생가능한 이슈와 리스크를 숙지하고 미연에 방지할 필요가 있음. 

- 프로토타이핑 방식인 어자일 (Agile) 프로젝트 관리 방식에 대한 고려 필요 : 도출된 결과의 재해석을 통한 지속적인 반복 및 정교화가 수행되는 경우가 대부분이기 때문

[ Reference ]

1. 2018 데이터 분석 준 전문가 ADsP, 데이터에듀, 윤종식 저.  

2. 데이터 분석 전문가 가이드, 한국데이터진흥원.

3. EduAtoZ - Programming - YouTube

32회 데이터분석 준전문가 (ADsP)

Study log  (D - 39)

Last update : 2022.01.18. 화

2022. © Jalynne.log

# 나를 위한 공부 로그

1과목 - 데이터의 이해 (객관식 8문항, 단답형 2문항)

3장. 가치 창조를 위한 데이터사이언스와 전략 인사이트

• 빅데이터분석과 전략 인사이트
• 전략 인사이트 도출을 위한 필요 역량
• 빅데이터 그리고 데이터 사이언스의 미래

< 빅데이터분석과 전략 인사이트 >

① 빅데이터 열풍과 회의론

• 빅데이터 열풍이 일어나며, 빅데이터 열풍은 '거품현상' 이라는 주장들이 하나 둘씩 제기되며, '빨리 끓어 오른 냄비가 빨리 식는다'라는 우려가 회의론을 불러오기도 함. 
• 실제 찾을 수 있는 가치들을 발굴해볼 기회들을 사전에 차단하게 될 수도 있음. 
• 회의론의 다양한 원인 

- 데이터에서 가치, 즉, 통찰을 끌어내 성과를 창줄하는 것이 관건 (빅데이터에 포커스를 두지 않아야 한다.) 

- 분석에 기초한 전략적 통찰력이 중요하다. (아래 성공 기업과 실패 기업의 사례에서도 알 수 있음. )

② 빅데이터는 'Big'이 핵심 keyword가 아니다. 

• 데이터의 크기가 중요한 것이 아니라, 데이터에 기초한 의사결정, 어떠한 시각과 통찰을 얻을 수 있는가의 문제가 중요하다. 
• 데이터의 양 보다는 오히려 "유형의 다양성"과 관련 있음 : 음성 , 텍스트 , 이미지 , 비디오 등 다양한 정보 원천의 활용이 가능하다는 점 속에 기회가 있다. 
• 전략, 비즈니스 핵심 가치에 집중하고,이와 관련된 분석 평가 지표를 개발, 이를 효과적으로 시장 및 고객 변화에 대응할 때, 빅데이터 분석이 가치가 있다. 

③ 전략적 통찰이 없는 분석의 함정

• 한국의 경영 문화는 여전히 분석을 국소적인 문제 해결 용도로 사용하는 단계이기 때문에, 기업의 핵심 가치와 관련해 전략적 통찰력을 가져다 주는 데이터 분석을 내재화 하는 것이 어려움 
• 무분별한 단순 분석은 쓸모없는 분석 결과들만을 낳는다. 
• 전략적 통찰력을 가지고 분석하여, 핵심 비즈니스 이슈에 집중하여 데이터를 분석해 차별적인 전략으로 기업을 운영해야 함. 
• Ex) 아메리칸 항공은 복잡한 최적화 및 타사의 능력 증진으로 경쟁 우위를 잃었지만, 사우스웨스트 항공은 단순한 최적화 모델로 높은 시장가치 확보. 

④ 일차적인 분석 vs. 가치기반 분석을 통한 전략 도출

• 일차적인 분석

   : 일차적 분석을 통해서도 부서나 업무 영역에서 상당한 효과를 얻을 수 있음

   : 그러나 큰 변화에 대응하거나, 고객 환경의 변화를 파악하여 새로운 기회를 포착하기 어렵다. 

• 전략적 통찰력의 창출에 집중 시 

   : 분석은 해당 사업에 중요한 기회 발굴, 주요 경영진의 지원을 얻어냄, 강력한 모멘텀을 만들 수 있음. 

• 빅데이터 분석이 나아가야 하는 방향 

   : 일차적 분석 경험이 증가시키면서 경험을 쌓아, 작은 성공을 거두고, 이후 분석의 활용 범위를 더 넓고 전략적으로 변화시켜야 함

   : 가치 기반 분석 단계로 나아가, 전략적 인사이트를 얻을 수 있어야 함. 

< 전략 인사이트 도출을 위한 필요 역량 >

① 데이터사이언스의 정의

[ 다른 분석들과의 차이점 ]

② 데이터사이언스의 구성요소 

③ 데이터 사이언티스트의 요구 역량

• 데이터 사이언티스트는 데이터 해커, 애널리스트, 커뮤니케이션, 신뢰받는 어드바이저 등의 조합이라 할 수 있다.
• 가트너가 본 데이터 사이언티스트의 역량 : 데이터 관리, 분석 모델링, 비즈니스 분석, 소프트 스킬 →  강력한 호기심에서 시작
• 호기심이란, 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력. 
• 하드 스킬과 소프트 스킬 능력을 동시에 갖추고 있어야 함 : 데이터 처리 기술 이외에 인문학적 요소 (스토리텔링, 커뮤니케이션 능력, 창의력, 열정, 직관력, 비판적 사고방식, 글쓰기 능력, 비즈니스 이슈에 대한 감각, 고객들에 대한 공감 능력)가 필요하다. (분석기술보다 소프트스킬이 더욱 중요함.) 

[ 데이터 사이언티스트가 효과적 분석모델 개발을 위해 고려해야 하는 사항 ]

• 분석 모델이 예측할 수 없는 위험을 살피기 위해 현실 세계를 돌아보고 분석을 경험과 세상에 대해 통찰력과 함께 활용
• 가정들과 현실의 불일치에 대해 끊임 없이 고찰하고 모델의 능력에 대해 항상 의구심을 갖는다
• 분석의 객관성에 의문을 제기하고 분석 모델에 포함된 가정과 해석의 개입 등의 한계를 고려한다
• 모델 범위 바깥의 요인은 판단하지 않는다

④ 전략적 통찰력과 인문학의 부활  

: 인문학의 열풍이 한때의 유행이 아닌 이유 

⑤ 데이터 사이언티스트가 분석으로 다룰 수 있는 6가지 핵심 질문   

- 인문학적 사고란 : 비판. 왜 우리는 여태 이런 식으로 생각했나, 왜 우리는 세상이 그런 것인 줄로만 알았나? 하는 물음을 던지는 것. 

- 분석에서 문제의 이면을 제대로 파고들지 못하면 그것은 단순한 정보의 나열에 불과하다.

- 통찰력 있는 분석이란 : "집요하게 따지는 것"

* 과거 → 현재 →미래로 정리하여 이해 + 정보만으로 할 수 있는것과, 통찰력으로 할 수 있는 것을 구분하여 알기 

- 최고의 데이터 사이언티스트는 정량 분석이라는 과학과 인문학적 통찰에 근거한 합리적 추론을 탁월하게 조합한다. 

⑥ 데이터 분석 모델링에서 인문학적 통찰력의 적용 사례

- 인간을 바라보는 관점을 이용한 신용리스크 모델 : 인간에 대한 이해는 마케팅 모델의 개발에 중요한 가이드가 된다. 

- 모델의 예측력을 높이기 위해, '인간을 어떤 관점에서 볼 것인가', '이를 위해서는 어떤 데이터가 필요한가', '어떤 기술을 활용해야 할 것인가'라는 질문에 가이드를 제공. 

< 빅데이터 그리고 데이터 사이언스의 미래 >

① 빅데이터의 시대 

신속한 의사결정을 원하는 비즈니스에서는 실시간 상관관계분석에서 도출된 인사이트를 바탕으로 수익을 창출할 수 있는 기회가 점점 늘어나고 있음
상관관계를 통해 특정 현상의 발생 가능성이 포착되고 , 그에 상응하는 행동을 하도록 추천되는 일이 점점 늘어날 것
데이터 기반의 상관관계 분석이 주는 인사이트가 인과관계에 의한 미래 예측을 점점 더 압도해가는 시대가 도래

② 가치 패러다임의 변화 

③ 데이터 사이언스의 한계와 인문학

[ Reference ]

1. 2018 데이터 분석 준 전문가 ADsP, 데이터에듀, 윤종식 저. 

2. 데이터 분석 전문가 가이드, 한국데이터진흥원.

3. EduAtoZ - Programming - YouTube

4. ADSP 데이터분석준전문가 1과목 정리 : 네이버 블로그 (naver.com)

32회 데이터분석 준전문가 (ADsP)

Study log  (D - 43)

Last update : 2022.01.17. 월

2022. © Jalynne.log

# 나를 위한 공부 로그

1과목 - 데이터의 이해 (객관식 8문항, 단답형 2문항)

2장. 데이터의 가치와 미래

• 빅데이터의 가치와 영향
• 비즈니스 모델
• 위기 요인과 통제 방안
• 미래의 빅데이터

< 빅데이터의 가치와 영향 >

① 빅데이터의 정의 

② 빅데이터의 4V 

: ROI (Return On Investment, 투자자본수익률) 관점에서 보는 빅데이터 

< 출제 유형 >
1. 과제 우선순위 결정 내용 중 부적절한 것은? 

2. 빅데이터 4V에 해당하지 않은 것은? 

③-1 빅데이터의 출현 배경

: 새롭게 등장한 것이 아닌, 기존의 데이터, 처리방식, 다루는 사람과 조직 차원에서 일어나는 '변화', paradigm shift

③-2 빅데이터의 출현에 따른 변화

- 사용자 로그(log) 정보에 대한 프로파일링 : 사용자의 아이덴티티가 뚜렷해지고, 사용자와 광고를 매칭하는 정확도가 향상.

- 소셜 미디어, 영상 등 비정형 데이터의 확산

< 출제 유형 >
1. 빅데이터의 출현 배경 설명으로 부적절한 것은? / 거리가 먼 것은?

- 정부의 공공데이터 개방 확산은 빅데이터 출현 배경과 거리가 멀다.

④ 빅데이터의 역할/기능

- 빅데이터에 거는 기대 : 차세대 산업 혁신에 꼭 필요한 요소

< 출제 유형 >
1. 다음은 빅데이터의 무슨 역할을 설명하는가? 

⑤ 빅데이터의 가치 산정이 어려운 이유 

< 출제 유형 >
1. 다음 중 빅데이터 가치 산정이 어려운 이유가 아닌 것은? 

⑥ 빅데이터가 만들어내는 본질적인 변화

< 출제 유형 >
1. 다음 중 빅데이터 특징으로 옳지 않는 것은? / 본질적인 변화에 관한 설명 중 적절하지 않은 것은? 

< 비즈니스 모델 >

① 빅데이터 활용 사례 (빅데이터의 영향)

② 빅데이터 활용 기본 기법 7가지

< 출제 유형 >
1. 다음은 빅데이터 활용 기법 중 무엇에 관한 설명인가? 

2. 커피를 사는 사람들이 탄산음료도 많이 구매하는지를 알아보기 위해 사용되는 분석은? 

3. 감정분석에 대한 설명 중 가장 적절하지 않은 것은?  -  감정 분석, 소셜 네트워크 분석을 유의해서 구분하기! 

③ 빅데이터 분석 기술

< 위기 요인과 통제 방안 >

① 빅데이터 위기 요인

< 출제 유형 >
1. 다음 중 빅데이터 위기 요인과 해결 방안을 잘못 연결한 것을 고르시오.  

2. 빅데이터의 특징 및 위기요인과 그에 대한 통제 방안에 대한 설명으로 적절한 것은? 

② 개인정보 비식별화 기법

< 출제 유형 >
1. 다음 중 개인정보 비 식별화 기법으로 부적절한 것은? 

< 미래의 빅데이터 >

① 미래의 빅데이터

[ Reference ]

1. 2018 데이터 분석 준 전문가 ADsP, 데이터에듀, 윤종식 저. 

2. 데이터 분석 전문가 가이드, 한국데이터진흥원.

3. EduAtoZ - Programming - YouTube

4. ADSP 데이터분석준전문가 1과목 정리 : 네이버 블로그 (naver.com)

32회 데이터분석 준전문가 (ADsP)

Study log  (D - 44)

Last update : 2022.01.17. 월

2022. © Jalynne.log

# 나를 위한 공부 로그

1과목 - 데이터의 이해 (객관식 8문항, 단답형 2문항)

1장. 데이터의 이해 

• 데이터와 정보
• 데이터베이스의 정의와 특징
• 데이터베이스 활용

< 데이터와 정보 >

① 데이터의 정의 

- 개별 데이터 자체로는 의미가 중요하지 않는 객관적 사실 (Fact)

- 추론, 예측, 전망, 추정을 위한 근거 (Basis) : 당위적 특성 

- 다른 객체와의 상호 관계 속에서 가치를 가짐 

② 데이터의 유형 

< 출제 유형 >
1. 다음은 어떤 데이터의 유형인가? -  데이터 설명 제시 후 어떤 유형인지 답하는 단답형 문제 
2. 다음중 정량적/정성적 데이터가 아닌 것은? or 다음 중 정성적 데이터에 속하는 것은? - 보기 4개 중, 성격이 다른 하나 고르기 

③-1 지식의 차원

: 암묵지와 형식지 ( by. Polanyi)

< 출제 유형 >

1. 다음중 암묵지가 아닌 것은? - 암묵지에 대한 설명 중 맞지 않는 것을 확인 

2. 다음중 데이터에 대한 설명으로 부적절한 것은? 

③-2 지식 경영

: 개인의 암묵지와 집단의 형식지가 나선형 형태로 회전하며 생성, 발전, 전환되는 지식의 발전을 기반으로 한 기업의 경영

③-3 암묵지와 형식지의 4단계 지식 전환 모드 

< 출제 유형 >

1. 다음 보기는 암묵지와 형식지의 상호작용에 관한 설명이다. 알맞게 연결된 것은? 

- 각 단계별 설명에 맞게 () 괄호 안에 공-표-연-내 넣기 (순서 정확하게 암기, 각 단계의 의미 암기)

2. 내재된 경험을 문서나 매체로 저장하는 것은? 

- 각 단계 중 한 단계에 대한 설명을 주고 답 고르는 문제

④ 데이터와 정보의 관계

: 데이터를 가공하여 얻을 수 있는 것은 정보, 지식, 지혜

DIKW 계층구조 : Data - Information - Knowledge - Wisdom의 계층 구조를 가짐

< 출제 유형 >

1. 데이터의 가공 및 처리와 데이터간 연관 관계 속에서 의미가 도출된 것은? - 정보 

2. 아래 내용은 데이터, 정보, 지식의 차이점을 예시로 설명한 것이다. 각각의 용어와 예시가 적절하게 연결된 것은? 

- 예시와 용어를 적절히 매칭하는 문제 

< 데이터베이스의 정의와 특징 >

① 데이터베이스의 특징  

- 데이터베이스 정의 : 상호 관련된 다수의 콘텐츠를 정보 처리 및 정보통신 기기에 의하여 체계적으로 수집, 축적하여 다양한 용도와 방법으로 이용할 수 있도록 정리한 정보의 집합체

- 일반적 특징 : 통합, 저장, 공용, 변화되는 데이터를 특징으로 한다. 

< 출제 유형 >

1. 데이터 베이스 특징에 대한 설명 중 적절하지 않은 것은? 

2. 다음은 데이터베이스의 일반적인 특징에 대한 설명이다. 맞지 않은 것은? 

② DBMS 

: Database Management Systems 

: 사용자와 데이터베이스 사이에서, 사용자의 요구에 따라 정보를 처리해주고, 데이터베이스를 관리해주는 소프트웨어

< 출제 유형 >

1. 사용자와 데이터베이스 사이에서 사용자의 요구에 따라 정보를 처리해주고 데이터베이스를 관리해주는 소프트웨어는? 

2. 복잡한 데이터 구조를 표현 및 관리하는 DBMS를 무엇이라 하는가? 

< 추가적으로 보기에 등장할 수 있는 용어 > 

1. Operating System (운영체제) : Windows, Linux, Unix와 같은 운영체제

2. Data Dictionary (자료사전) : 자료에 관한 정보를 모아 두는 저장소. 자료의 이름 , 표현 방식 , 자료의 의미와 사용 방식 , 그리고 다른 자료와의 관계를 저장

3. ERD (Entity Relationship Diagram) : 실체와 이들의 관계를 도형으로 표현한 것 , 실체의 상관관계 다이어그램은 사용자와 어플리케이션 개발자 간의 자료를 공통적으로 이해할 수 있도록하는 유용한 매체

③ 데이터베이스 설계 절차 

④ NoSQL 

< 출제 유형 >

1. 데이터 NoSQL 저장 방식과 관련이 없는 도구는?

⑤ 무결성과 레이크 

< 데이터베이스의 활용>

① 기업 내부 데이터베이스 솔루션 - 시대별

- 데이터베이스 솔루션의 개념? (IT 관련 솔루션이라는 것은 무엇인가) 

: 기업의 특정 상황이나 문제점을 발견하고, 이 것을 해결 또는 처리하는 것. (하드웨어를 포함하는 소프트웨어, 응용프로그램) 

* DBMS도 하나의 솔루션이라고 할 수 있다. (데이터를 효과적으로 이용할 수 있도록 통합하여 저장, 정리나 보관, 관리 등을 해주는 솔루션 

* IT 솔루션의 목표 : 품질관리, 비용절감, 수익증대, 위험관리 등. 

< 출제 유형 >

1. 다음은 어떤 기업 내부 데이터 솔루션에 대한 설명인가? 

2. 아래는 데이터베이스를 기반으로 기업 내에 구축하는 주요 정보시스템 중 하나를 설명한 것이다. 다음 중 아래의 내용에 적합한 것은?

②-1 기업 내부 데이터베이스 솔루션 - 제조부문

< 출제 유형 >

1. 데이터웨어하우스 고유의 특성이 아닌 것은? or 설명으로 부적절한 것은? - 데이터 베이스, 데이터 마트에 대한 설명과 비교해서 알아둘 것! 

2. 다음은 어떤 기업 내부 데이터베이스 솔루션에 대한 설명인가? (시대별 솔루션과 엮어서 보기로 주어질 수 있음) 

②-2 BI (Business Intelligence) vs BA (Business Analytics)

< 출제 유형 >

1. 다음은 무엇을 의미하는가? - BI나 BA 중 하나에 대한 설명을 써두고, 어떤 것에 대한 것인지 묻는 문제. 

2. BI와 빅 데이터 분석의 차이점을 나타낸 키워드는? 

③ 기업 내부 데이터베이스 솔루션 - 금융부문

④ 기업 내부 데이터베이스 솔루션 - 유통부문

< 출제 유형 >

1. 기업 내부 데이터베이스 활용과 관련이 없는 것은?

- 기업 내부 데이터베이스 솔루션 인지 아닌지 구분할 수 있어야 함 : SCM, CRM, ERP, KMS 은 기억할 것! 

⑤ 사회 기반 구조로서의 데이터베이스 - 시대별 

[ Reference ]

1. 2018 데이터 분석 준 전문가 ADsP, 데이터에듀, 윤종식 저. 

2. 데이터 분석 전문가 가이드, 한국데이터진흥원.

3. https://itstory07.tistory.com/413

4. EduAtoZ - Programming - YouTube

5. ADSP 데이터분석준전문가 1과목 정리 : 네이버 블로그 (naver.com)

📌 과목개요

1과목 - 데이터의 이해 (객관식 8문항, 단답형 2문항)

1. 데이터의 이해 

• 데이터와 정보
• 데이터베이스의 정의와 특징
• 데이터베이스 활용

2. 데이터의 가치와 미래

• 빅데이터의 가치와 영향
• 비즈니스 모델
• 위기 요인과 통제 방안
• 미래의 빅데이터

3. 가치 창조를 위한 데이터사이언스와 전략 인사이트 

• 빅데이터분석과 전략 인사이트
• 전략 인사이트 도출을 위한 필요 역량
• 빅데이터 그리고 데이터 사이언스의 미래

3과목 - 데이터분석 기획 (객관식 8문항, 단답형 2문항)

1. 데이터 분석 기획의 이해 

• 분석 기획 방향성 도출
• 분석 방법론
• 분석 과제 발굴
• 분석 프로젝트 관리 방안

2. 분석 마스터 플랜

• 마스터 플랜 수립
• 분석 거버넌스 체계 수립

4과목 - 데이터 분석 (객관식 24문항, 단답형 6문항)

1. R 기초와 데이터 마트

• R기초
• 데이터 마트
• 결측값 처리와 이상값 검색

2. 통계분석

• 통계학 개론
• 기초 통계분석
• 다변량 분석
• 시계열 예측

3. 정형 데이터 마이닝 

• 데이터 마이닝 개요
• 분류분석(Classification)
• 군집분석(Clustering)
• 연관분석(Association Analysis)

❗객관식 (40문항, 각 2점) + 단답형 (10문항, 각 2점)❗
❗❗시험시간 = 90분 (1시간 30분)❗❗
❗❗❗ADP 필기 범위에도 포함되기 때문에 한 번 공부할 때 확실히 정리 해 두는 것이 필요!❗❗❗

💯 합격기준

• 총점 60점 이상 취득 (과목별 40% 미만 과락)

📆 시험준비 계획 

• 32회 시험 준비 (22.02.26.토) 
• 22년 1월 24일 필기 접수

• ~ 1월 : 내용 1회독 완료하기 (+ 블로그에 필기 정리 = 나만의 ADsP책 만들기 단권화)
  • 참고할 교재 : 데이터 분석 전문가 가이드 (개정판), 한국데이터진흥원 + 2018 데이터분석 준전문가, 윤종식, 에듀윌. + AtoZ 유투브 참고자료
• ~ 2월 첫 주 : 2,3회독 완료하기 (+ 기출문제 풀기) 
• ~ 2월 둘째주 ~ 시험 전날 : 오답위주로 정리암기 ( + 데이터분석 자격 검정 실전문제 문제집 풀기) 

2022.01.12. Updated

©Jalynne.log