728x90
반응형
SMALL
1. 분석 로드맵 설정
1.1 분석 목표 분류
| 방법＼대상 | Known | Unknown |
| Known | 최적화 (Optimization) | 통찰 (Insight) |
| Unknown | 솔루션 (Solution) | 발전 (Discovery) |
- Known-Known: 이미 알고 있는 데이터를 바탕으로 최적화 (예: 재고 최소화)
- Known-Unknown: 데이터를 분석해 통찰 도출 (예: 고객 이탈 요인 분석)
- Unknown-Known: 새로운 솔루션 개발 (예: 추천 시스템 설계)
- Unknown-Unknown: 데이터로부터 완전히 새로운 패턴 발견 (예: 신약 후보 물질 탐색)
1.2 데이터 분석 5단계
| 단계 | 이름 | 핵심 내용 | 사용 도구 |
| 1 | 문제 정의 (Problem Definition) |
- 분석 목적/목표 설정 - 해결할 문제 명확화 |
비즈니스 이해, 회의/요구사항 분석 |
| 2 | 데이터 수집 (Data Collection) |
- 내부/외부 데이터 확보 - 크롤링, API, DB 연결 등 |
SQL, Python(pandas, requests), API, 웹 크롤링 |
| 3 | 데이터 전처리 (Data Preprocessing) |
- 결측치/이상치 처리 - 형 변환, 정규화 등 |
pandas, NumPy, OpenRefine |
| 4 | 데이터 분석 & 시각화 (Exploratory Data Analysis, Visualization) |
- 통계 분석 - 시각화 - 상관관계 및 인사이트 도출 |
pandas, matplotlib, seaborn, Tableau, Power BI |
| 5 | 결과 해석 & 보고 (Interpretation & Reporting) |
- 분석 결과 해석 - 인사이트 도출 및 의사결정 지원 - 시각화된 보고서 작성 |
PowerPoint, Notion, Excel, Tableau, 프레젠테이션 |
- 문제정의: "무엇이 문제인가?", "무엇을 예측/설명하고 싶은가?"
- 데이터 수집: "어떤 데이터가 필요한가?", "어디서 구할 수 있는가?"
- 데이터 전처리: "누락된 데이터는?", "이상치는?"
- 분석 & 시각화: "데이터의 패턴은?", "어떤 변수가 중요한가?"
- 결과 해석: "어떤 결론을 내릴 수 있는가?", "어떻게 의사결정에 반영할 수 있는가?"
1.3 분석 로드맵 설정 시 고려할 우선순위
- 1. 비즈니스 가치 (Impact)
- 해당 분석이 의사결정에 얼마나 큰 영향을 줄 수 있는가?
- 예: 매출 증가, 비용 절감, 고객 만족도 향상 등
- 2. 실행 가능성 (Feasibility)
- 필요한 데이터가 존재하는가?
- 수집/처리 가능한 형태인가?
- 분석 도구와 인력이 갖춰져 있는가?
- 3. 긴급도 (Urgency)
- 분석 결과가 즉시 필요한 상황인가?
- 예 : 마케팅 캠페인 직전, 이슈 대응 등
- 4. 복잡도 (Complexity)
- 분석이 기술적으로 얼마나 어려운가?
- 간단한 통계로 해결 가능? ML이 필요한가?
2. 분석 기획 접근법 비교
| 항목 | 과제 중심적 접근 | 장기적 마스터 플랜 |
| 목적 | 빠른 문제 해결 | 근본 원인 해결 |
| 목표 | Speed & Test | Accuracy & Deploy |
| 유형 | Quick & Win | Long Term View |
| 방식 | Problem Solving | Problem Definition |
⮕ 단기냐, 장기냐에 따라 분석 전략이 다름
3. 의사결정 방해 요소
- 고정관념: 선입견
- 프레이밍 효과: 표현 방식에 따라 판단이 달라짐
(예: "90% 성공률" vs "10% 실패율")
4. 하향식 접근법
- 문제가 주어진 상태에서 해결 방법을 설계
- 순서: 문제탐색 → 문제정의 → 해결방안 도출 → 타당성 검토
문제 탐색 시 고려사항
- 솔루션보다 가치에 집중
- 비즈니스 관점 (업무, 제품, 고객, 규제와 감사, 지원인프라)
⮕ ‘지원인프라 업무 중에 고객이 제품을 규제와 감사했다’ - 외부 환경 고려
- 거시적 관점: STEEP(사회, 기술, 경제, 환경, 정치)
- 경쟁자 관점: 대체재, 경쟁자, 신규 진입자
- 시장 니즈 관점: 고객, 채널, 영향자
타당성 검토 3요소
- 경제적: 비용 대비 편익
- 데이터: 데이터 확보 가능 여부
- 기술적: 기술 인프라 및 역량 여부
5. 상향식 접근법
- 문제가 명확하지 않을 때 관찰에서 출발
- 비지도학습 기반 접근 방식에 적합
- 핵심 키워드: "What" 관점
- 순서:
- 1. 프로세스 분류: 주요 프로세스를 그룹화
- 2. 프로세스 흐름 분석: 분류된 프로세스의 흐름을 분석하여 관계 파악
- 3. 분석 요건 식별: 흐름을 기반으로 분석이 필요한 요구사항(요건)을 도출
- 4. 분석 요건 정의: 식별된 요건을 구체화하고 실행 가능한 형태로 정리
6. 디자인 싱킹 (Design Thinking)
- 공감 → 문제정의 → 아이디어 → 프로토타입 → 테스트
- 고객 중심 설계, 반복 피드백 기반 접근
7. 분석 방법론 구성 요소
- 절차
- 방법
- 도구 및 기법
- 템플릿과 산출물
8. 분석 고려 5요소
- 데이터 크기
- 데이터 속도
- 데이터 복잡도
- 분석 복잡도
- 정확도 vs 정밀도 (Trade-Off 관계)
9. 프로젝트 관리 지식 체계 (PMBOK)
- 10가지 요소
→ 통합, 범위, 시간, 원가, 품질, 인적자원, 의사소통, 리스크, 조달, 이해관계자
→ "이범통이 의자에서 시원한 조리퐁을 먹었다" 암기
10. 우선순위 결정 (ROI 관점)
- 시급성 기준: Return (Value)
- 난이도 기준: Investment (Volume, Variety, Velocity)
ROI 매트릭스
| 난이도 \ 시급성 | 낮음 | 높음 |
| 낮음 | 1 | 2 |
| 높음 | 3 | 4 |
- 시급성 중요시: 3 → 4 → 2
- 난이도 중요시: 3 → 1 → 2
⮕ 3과 2는 고정, 가운데만 바뀜
11. 분석 방법론 모델과 구성요소
| 모델 | 특징 |
| 폭포수 | 단계별 순차적 (Top-Down) |
| 나선형 | 반복과 점진적 개발, 위험 관리 중심 |
| 프로토타입 | 일부 개발 후 반복 개선 |
| 애자일 | 짧은 주기 반복, 고객 피드백 수렴 |
● 분석 방법론의 구성요소
- 데이터 선택 ⮕ 전처리⮕ 변환 ⮕ 마이닝 ⮕ 결과 평가
- 1. 전처리: 이상값, 잡음 식별 및 데이터 가공
- 2. 변환: 변수 선택 및 차원 축소
12. CRISP-DM 분석 절차
- 업무 이해
- 데이터 이해
- 데이터 준비
- 모델링
- 평가
- 전개
⮕ 업데데이(트) 모델 평가 전개
💡 모델링 단계에서 모델을 만들고, 평가 단계에서 적용성 평가
13. 빅데이터 분석 방법론
- 분석 기획
- 프로젝트 위험계획 수립(회피, 전이, 완화, 수용) ⮕ ‘회전완수’
- 데이터 분석
- 추가적인 데이터 확보 필요 시, 데이터 준비 단계로 다시 진행
14. 분석 거버넌스 구성요소
- 시스템, 조직, 프로세스, 마인드, 데이터 ⮕ ‘시조프로마인드데’
15. 분석 수준 진단
- 분석 준비도
- 분석업무파악: 사실 분석, 예측, 시뮬레이션, 최적화, 분석 업무 정기적 개선
- 분석인력 및 조직: 분석전문가, 관리자, 조직, 경영진 이해
- 분석기법: 적합한 기법 사용, 분석기법 라이브러리/평가/개선
- 분석문화: 의사결정, 회의에서 활용, 공유 및 협업 문화
- IT인프라: 운영 시스템 통합, 환경
- 분석데이터: 데이터 관리, 외부데이터 활용, 기준데이터 관리(MDM)
- 분석 성숙도(CMMI 모델 기반)
- 비즈니스 / 조직,역량/ IT부문 관점으로 구분
- 도입: 환경, 시스템 구축
- 활용: 업무에 적용
- 확산: 전사 차원 관리, 공유
- 최적화: 혁신, 성과향상에 기여
- 비즈니스 / 조직,역량/ IT부문 관점으로 구분
16. 데이터 분석 성숙도 모델
- 도입형: 조직 및 인력 등 준비도는 높으나, 분석업무 및 기법 부족
- 준비형: 데이터, 인력, 조직, 분석업무, 분석기법 적용 안되어 사전 준비 필요
- 정착형: 인력, 조직, 분석업무, 분석기법 등을 제한적으로 사용
- 확산형: 6가지 분석 구성요소가 모두 갖추고 있으며, 지속적 확산이 가능
16. 분석 인프라 방안
- 중앙 집중 관리 구조
- 확장성 고려한 플랫폼 설계
17. 데이터 거버넌스
| 요소 | 설명 |
| 원칙 | 데이터 관리의 기본 규칙 |
| 조직 | 책임 조직 구성 |
| 프로세스 | 관리/운영 절차 수립 |
중요 대상
- 마스터 데이터: 자료 처리에 기준이 되는 자료
- 메타데이터: 다른 데이터를 설명하는 데이터
- 데이터 사전: DB에 저장된 정보를 요약
데이터 거버넌스 체계 구성
- 데이터 표준화 : 메타데이터 및 사전 구축
- 데이터 관리 체계: 효율성을 위함
- 저장소 관리: 저장소 구성
- 표준화 활동: 모니터링, 표준 개선 활동
18. 빅데이터 거버넌스
- 데이터 거버넌스 기반
- 빅데이터 처리 최적화
- 정보 보호
- 카테고리별 관리 책임자 지정 포함
728x90
반응형
LIST