말하는 감자는 공부중

통계 분석

말감공 — Tue, 28 Oct 2025 15:48:15 +0900

통계의 이해

표본 조사

일부만 추출하여 모집단 분석

표본 추출 방법

단순 랜덤 추출법: 무작위 추출
계통 추출법: 번호 부여하여 일정 간격으로 추출
집락 추출법(군락 추출법)
- 여러 군집으로 나눈 뒤 군집을 선택하여 랜덤 추출
- 군집 내 이질, 군집 간 동질
층화 추출법
- 군집 내 동일, 군집간 이질
- 모집단과 같은 비율 추출 시, 비례 층화 추출법

척도

측정 후 숫자로 나타내도록 일정한 규칙을 정하여 바꾸는 도구
종류
- 질적 척도
  - 명목 척도: 어느 집단에 속하는지
  - 순서 척도: 서열 관계
- 양적 척도
  - 구간 척도: 구간 사이의 간격이 의미가 있다(덧셈, 뺄셈 가능)
  - 비율 척도: 절대적 기준 0이 존재(사칙연산 가능)

기술 통계, 추리통계

기술 통계: 표본 자체의 속성, 특징 파악 중점 / 최솟값, 최댓값, 중위수 등의 통계량
추리 통계(추론 통계): 수집한 데이터를 바탕으로 추론 및 예측하는 통계 기법

확률과 확률분포

확률: 특정 A 개수 / 전체
조건부확률: 특정 B가 발생했을 때 A가 발생할 확률
독립사건: A와 B가 공통부분이 존재해도 서로 영향이 없는 사건
배반사건: A와 B가 서로 동시에 일어나지 않는 사건(공통부분 존재하지 않음)

이산확률분포

베르누이분포: 확률변수 X가 취할 수 있는 값이 2가지일때 / 동전던지기, 시험 합/불
이항분포: N번 베르누이 시행에서 K번 성공할 확률분포 / 동전 20번 던져서 앞면 나올 확률
기하분포: 성공확률 P인 베르누이 시행에서 처음 성공할 때까지는 시행횟수 분포
다항분포: N번 실행에서 각 시행이 여러 개의 결과를 가질 수 있는 확률 분포 / 주사위 20번 던져서 각 면이 나오는 횟수
포아송 분포: 단위 시간 내에서 발생할 수 있는 사건의 발생 횟수에 대한 확률 분포 / 하룻동안 발생하는 출생자 수
이산확률변수: 확률변수가 취할 수 있는 실수값의 수를 셀 수 있는 변수

연속확률분포

균일분포
정규분포
t분포: 자유도 n, 평균 0, 정규분포보다 두꺼운 꼬리가짐, t가 커질수록 표준정규분포와 가까워짐
카이제곱분포: 독립적인 정규분포를 따르는 변수들의 제곱합으로 구성된 분포 / 두 집단간의 동질성 검정, 모분산 검정에 활용
F분포: 두 개의 서로 다른 카이제곱 분포의 비율 / 두 집단간의 분산 동질성 검정
연속확률변수: 값을 셀 수 없는 분포, 확률밀도함수

기댓값 분산, 표준편차

기댓값
분산
표준편차

첨도와 왜도

첨도: 뾰족 정도, 3에 가까울수록 정규분포이고 정비례
왜도: 비대칭 정도, 0에 가까울수록 정규분포

왜도

점추정

모평균 추정할 때 모평균을 하나의 특정한 값으로 예측
불편 추정량: 모수 추정값과 실제 모수 값의 차이 0

구간추정

모집단을 특정한 구간으로 추정
신뢰도: 95, 99%

가설검정

모집단의 특성에 대한 주장 또는 가설을 세우고 표본에서 얻은 정보를 이용해 가설이 옳은지 판정
귀무가설: 일반적으로 생각하는 가설
대립가설: 귀무가설 기각 가설 증명하고자 하는 가설
제 1, 2종 오류
- 제1종 오류: 귀무가설 사살인데 오류로 결정하는 오류
- 제2종 오류: 귀무가설 사실이 아닌데 귀무가설이 옳다고 하는 오류

제 1,2 종 오류

검정통계량: 귀무가설 옳고 그름을 판단할 수 있는 값
기각역: 귀무가설 기각하게 될 검정통계량 영역
유의수준: 귀무가설이 참인데도 잘못 기각할 오류 범활 확률의 최대 허용 한계 (1, 5%)
유의 확률(p-value): 귀무가설 지지 정도 확률 값
- p-value > 유의 수준: 귀무가설 채택
- p-value < 유의 수준: 대립가설 채택

비모수 검정

모수검정: 정규성 갖는다는 모수적 특성 이용
비모수검정:정규성X
- 부호검정, 순위합검정, 크루스칼-윌리스검정, 프리먼드 검정, 카이제곱 검정

R기초와 데이터마트

말감공 — Mon, 27 Oct 2025 17:50:12 +0900

데이터마트

데이터 웨어하우스의 한 분야로 특정 목적을 위해 사용

요약 변수와 파생 변수

요약 변수: 원래의 데이터로부터 기본적인 통계 자료로 추출한 변수, 재활용성 높음
파생 변수: 특정 목적을 만족하는 변수, 논리적 타당성 필요

데이터 탐색

탐색적 데이터 분석(EDA)

데이터 관계를 찾기 위해 통계값과 분포등을 시각화하고 분석하는 것

결측값

존재하지 않는 데이터, N/A나 null등으로 표시
결측값 대치 방법
- 단순 대치법: 그냥 삭제, 손실 많을지도
- 평균 대치법(=비조건부 평균 대치법): 평균값으로 결측값 대치
- 조건부 평균 대치법: 회귀분석 결과로 대치
- 단순 확률 대치법: 확률적 선택
  - K-Nearest Neighbor: 가까운 응답
- 다중 대치법: 여러 번 대치, 대치 → 분석 → 결합

이상값

극단적으로 크거나 작은 값
이상값 항상 제거가 정답은 아님
이상값 판단
- ESD(Extrme Studentized Deviation): 평균으로부터 표준편차 3만큼 떨어진 값들을 이상값으로 인식
- 사분위수: Q1 - 1.5IQR보다 작거나, Q3+1.5IQR보다 크면 이상값

사분위

출처

- 이지패스 ADSP

- https://thebook.io/080217/0262/

모두의 R 데이터 분석: 7 boxplot( ) 함수: 상자 그림 그리기

더북(TheBook): (주)도서출판 길벗에서 제공하는 IT 도서 열람 서비스입니다.

thebook.io

분석 마스터 플랜

말감공 — Mon, 27 Oct 2025 15:44:55 +0900

마스터플랜 수립

분석 마스터플랜 수립 프레임워크

1. 우선순위 정하기

기준: 전략적 중요도, 비즈니스 성과 및 ROI, 분서과제의 실행용이성

2. 적용 범위 및 방식 설정

업무 내제화 적용 수준
분석 데이터 적용 수준
기술 적용 수준

IT 프로젝트 우선순위 평가

전략적 중요도:전략적 필요성, 시급성
실행 용이성: 투자 용이성, 기술 용이성

빅데이터 특징 고려한 ROI 요소

투자비용 측면: 크기, 다양성, 속도 (3V)
비즈니스 효과 측면: 가치

ROI를 활용한 우선순위 평가 기준

난이도: 3V
시급성: 가치

포트폴리오 사분면 분석을 활용한 우선순위 평가 기준

포트폴리오 사분면

시급성 기준: 3 → 4 → 2

난이도 기준: 3 → 1 → 2

분석 거버넌스 체계 수립

분석 거버넌스 체계 구성요소

조직, 프로세스, 시스템, 데이터, 분석 관련 교육 및 마인드 육성 체계
"시조프로마인드데"

분석 준비도

분석 문화, 분석 데이터, 분석 기법, 분석 인력 및 조직, 분석 업무 파악, IT인프라
"IT문데기인파"

분석 성숙도

CMMI 모델 활용
도입 → 활용 → 확산 → 최적화
부문: 비즈니스, 조직 및 역량, IT

분석 수준 진단 결과

데이터 거버넌스

전사 차원의 모든 데이터에 대해 표준화된 관리 체계 수립
구성요소: 원칙, 조직, 프로세스
체계
- 데이터 표준화: 메타 데이터 및 사전 구축
- 데이터 관리 체계: 효율성
- 데이터 저장소 관리: 저장소 구성
- 표준화 활동: 모니터링, 표준 개선 활동

데이터 분석 조직 유형

집중형 조직 구조: 독립적인 분석 전담 조직 구성, 중복 업무 가능성 있음
기능 중심의 조직 구조: 해당 조직에서 직접 분석, 분석 조직 없음
분산형 조직 구조: 분산 조직 인력을 현업 부서에 배치

출처

- 이지패스 ADSP

- https://acdongpgm.tistory.com/80

[ADsP] 2과목 - 2장. 분석 마스터 플랜

중/장기적 관점의 마스터 플랜 수립 전략적 중요도 비즈니스 성과 및 ROI(투자회수율) 분석 과제의 실행 용이성 등을 고려해 적용할 우선순위 설정 분석의 적용 범위 및 방식에 따라 고려하게된

acdongpgm.tistory.com

- https://spacefordata.tistory.com/10

기업의 데이터 분석모델의 수준진단

많은 기업이 빅데이터를 활용하여 데이터를 어떻게 분석, 활용하느냐가 기업의 경쟁력을 좌우하는 궁극적요소로 인식되어 있으며, 기업들의 데이터분석 도입여부와 활용에 대한 분석수준을 알

spacefordata.tistory.com

분석 기획과 분석 방법론

말감공 — Mon, 27 Oct 2025 13:15:59 +0900

분석 기획

분석 대상과 그 방법에 따른 4가지 분석 주제

목표 시점별 분석 기획

과제 중심적 접근 방식: 빠르게 해결, 빠른 수행과 문제 해결이 목적
장기적인 데이터플랜 방식: 지속적인 분석 내제화, 정확도와 무엇이 문제인지 정의가 목적

분석기획 시 고려사항

가용 데이터 고려: 분석의 기본이 되는 데이터 확보 및 파악
적절한 활용 방안과 유스케이스 탐색: 기존에 잘 구현되고 있는 유사 시나리오 및 솔류션 활용
장애요인에 대한 사전 계획 수립

분석 방법론 개요

방법론 구성 요소의 이해

상세한 절차, 방법, 도구와 기법, 템플릿과 산출물

기법의 합리적 의사결정 방해 요소

고정 관념, 편향된 생각, 프레이밍 효과

프레이밍 효과: 동일 상황인데 개인의 판단, 생각이 달라질 수 있는 상황

분석 방법론 모델

폭포수 모델
프로토타입: 일부분 먼저 개발 → 보완
나선형: 반복을 통해 점진적 개발, 위험요소 사전 제거 초점
계층적 프로세스: 단계 → 테스크 → 스텝

전통적인 분석 방법론 두가지

KDD 분석 방법론

데이터 마이닝 프로세스
데이터 선택 → 데이터 전처리 → 데이터 변환 → 데이터 마이닝 → 해석과 평가

CRISP-DM 분석 방법론

업무 이해 → 데이터 이해 → 데이터 준비 → 모델링 → 평가 → 전개

빅데이터 분석 방법론

5단계 빅데이터 분석 방법론 플로우

분석 기획
1. 비즈니스 이해 및 범위 설정
2. 프로젝트 정의 및 계획 수립
3. 프로젝트 위험계획 수립
데이터 준비
1. 필요 데이터 정의
2. 데이터 스토어 설계
3. 데이터 수집 및 정합성 검정
데이터 분석
1. 분석용 데이터 준비
2. 텍스트 분석
3. 탐색적 분석
4. 모델링
5. 모델 평가 및 검증
시스템 구현
1. 설계 및 구현
2. 시스템 테스트 및 운영
평가 및 전개
1. 모델 발전 계획
2. 프로젝트 평가 및 보고

위험 대응 계획 수립

회피, 전이, 완화, 수용

분석 과제 발굴

분석 과제 탐색 방법

분석 과제 발굴

하향식 접근법

1단계 - 문제 탐색 단계

비즈니스 무델 캔버스 9 block → 5가지 단순화: 업무, 제품, 고객, 규제와 감사, 지원인프라
분석기회 발굴 범위의 확장
- 거시적 관점: 영향 탐색 (사회, 기술, 경제, 환경, 정치)
- 경쟁자 확대 관점: 위협이 될 상황 탐색 (대체자, 경쟁자, 신규진입자)
- 시장의 니즈 탐색: 고객, 채널, 영향자들
- 역량의 재해석: 다시 기업 내부 들여보기 (내부 역량, 파트너와 네트워크)

2단계 - 문제 정의 단계

식별된 비즈니스 문제를 데이터의 문제로 변환하여 정의

3단계 - 해결 방안 탐색 단계

기존 시스템 활용, 역량 확보, 시스템 고도화, 전문업체 아웃소싱

4단계 - 타당성 검토

경제적 타당성: 비용-편의 고려
데이터 및 기술적 타당성: 데이터 존재 여부, 분석 시스템 환경, 분석 역량 고려

상향식 접근법

분석 대상이 뭔지 모를 경우
비지도 학습에 이용

지도 학습과 비지도 학습

지도 학습

정답이 있는 데이터 학습 (하향식 접근법)
머신러닝, 의사결정트리, 인공신경망 모형, 분류 분석

비지도 학습

정답이 없는 학습 데이터 (상향식)
장바구니 분석, 기술통계, 군집분석, 주성분분석, 다차원척도

프로토타이핑 접근법

상향식 접근법
가설의 생성 → 디자인에 대한 실험 → 실제 환경에서의 테스트 → 테스트 결과로부터 인사이트 도출 및 가설 확인

분석 프로젝트 관리 방안

분석 과제 고려 5가지 속성

데이터 양, 데이터 복잡도, 분석 속도, 분석 복잡도, 정확도&정밀도

분석 과제 관리 방안

통합, 이해관계자, 범위, 자원, 시간, 원가, 리스크, 품질, 조달, 의사소통

트리 순회

말감공 — Fri, 24 Oct 2025 11:04:47 +0900

출처

- https://withhamit.tistory.com/282#google_vignette

트리 순회(전위 순회, 중위 순회, 후위 순회)

트리를 배우면 같이 배우게 되는 개념 중 하나죠. 트리 순회에 대해 알아보겠습니다. 트리 순회에는 전위 순회(preorder), 중위 순회(inorder), 후위 순회(postorder) 가 있습니다. 텍스트 추가 [그림 1]은

withhamit.tistory.com

명령어 사이클

말감공 — Fri, 24 Oct 2025 11:01:16 +0900

명령어 사이클

명령어 인출 사이클

t0: MAR ← PC

PC안에 있는 명령어 주소를 MAR로 전달

t1: MBR ← M[MAR], PC ← PC + 1

t2: IR ← MBR

명령어 간접 사이클

명령어의 오퍼랜드가 간접 주소 지정방식인 경우에 유효주소를 계산하기 위해

간접 주소 지정방식: 유효주소의 주소를 오퍼랜드 필에 명시하는 방식

t3: MAR ← IR(addr)

t4: MBR ← M[MAR]

t5: IR(addr) ← MBR

출처

- https://velog.io/@hyunji015/%EC%BB%B4%ED%93%A8%ED%84%B0%EA%B5%AC%EC%A1%B0-%EB%AA%85%EB%A0%B9%EC%96%B4-%EC%82%AC%EC%9D%B4%ED%81%B4%EA%B3%BC-%EC%9D%B8%ED%84%B0%EB%9F%BD%ED%8A%B8

컴퓨터구조 - 명령어 사이클과 인터럽트

CPU가 하나의 명령어를 처리하는 과정에는 정해진 흐름이 있고 CPU는 그 흐름을 반복하며 명령어들을 처리해 갑니다. 명령어 사이클은 각각의 명령어들이 일정하게 반복하면서 실행하는 주기를

velog.io

과적합 해결

말감공 — Thu, 23 Oct 2025 15:08:11 +0900

1. 데이터 양 늘리기

2. 모델 복잡도 줄이기

3. 규제(정규화) 하기: L1, L2

4. 드롭아웃: 학습 과정에서 신경망의 일부를 사용하지 않는 방법

5. 교차검증: 데이터 분할을 다양하게 하여 일반화 성능 평가

2025 9급 국회직 컴일

출처

- https://wikidocs.net/61374

07-06 과적합(Overfitting)을 막는 방법들

학습 데이터에 모델이 과적합되는 현상은 모델의 성능을 떨어트리는 주요 이슈입니다. 모델이 과적합되면 훈련 데이터에 대한 정확도는 높을지라도, 새로운 데이터. 즉, 검증 데이터나 …

wikidocs.net

이중 해싱

말감공 — Thu, 23 Oct 2025 14:58:14 +0900

해싱(Hashing)

키를 고정된 크기의 해시값으로 변환하여 데이터를 저장하는 방법

이중 해싱(Double Hashing)

개방 주소법의 일종, 첫 번째 해시 함수에서 충돌이 발생하면 두 번째 해시 함수를 사용하여 새로운 위치 찾음

문제 풀이

이론은 잘 모르겠다;;;

2025 국회직 9급 컴일

첫번째 해시 함수가 테이블의 인덱스를 결정, 그러므로 현재 점유된 인덱스는 0,2,3,5,9

h(19) = 2, f(19)=7

이제 h_i 함수를 통해서 위치 계산, 만약에 충돌 발생하면 i를 늘려가면서 재해시 시도 횟수를 늘려간다.

h_i(19) = (2 + i*7) mod 17

h_0 = 2 → 점유된 인덱스

h_1 = 9 → 점유된 인덱스

h_2 = 16 → 빈칸이므로 여기에 저장!

출처

- https://naeunbi698.tistory.com/530

2025 상반기 취준 요약

말감공 — Thu, 23 Oct 2025 11:05:55 +0900

상반기에 치열하게 프로젝트하고 취준도 하려다보니 아쉬운 점이 정말 많았던 것 같다. 그리고 어쩔때는 프로젝트하고 있는데 면접까지 잡혀있으니까 그냥 지쳐있던 상태로 준비도 많이 못했던 것 같기도 하고....

상반기에 처음 자기소개서도 노력하면서 써보다보니 열심히 써 본 자소서가 떨어진 날은 내가 문제인걸까 어디가 문제인거지 이러면서 암울한 적도 많았다..ㅎㅎ

지금에서야 계속 노력하다보면 언젠가 어디든 취업하겠지 마인드가 됐지만 그 당시에는 싸피 수료도 이제 얼마남지 않았다는 생각에 급박해서 체험형 인턴이든, 계약직이든 다 넣어보려고 노력했었다.

그래서 결산 보고하자면 서류탈은 너무너무너무너무너무 많았기때문에 면접 갔던 것만 적어놓으려고 한다.

1. 에스원

정말 너무 놀랐던 곳이다. 붙을 생각도 없어서 그때 서류지원할때 그냥 30분만에 타임어택하듯이 넣는데, 그냥 경쟁률 작은 곳이면서 코테 안치는 직무에 넣고싶었는데 여기 딱 SI기술이라는 직무가 있더길래 아 여기 IT직무인가? 이러면서 그냥 넣었다..(지금 생각하면 아주 미쳤지)

일단 서류 넣고 아무 기대도 안하고 있다가 메일이 온 것을 보고 엥 말도 안돼이러고 있었는데 GSAT라는 시험을 쳐야한다는 걸 그제서야 알고 부랴 벼락치기 책사서 수리, 추리 공부했다. 사실 시험날 1시간 직전까지도 그냥 치지말까 생각을 백번은 넘게 했던 것 같다.

어찌저찌 또 그냥 아무 생각없이 시험을 치고 나왔고 그냥 프로젝트로 바쁜 나날들을 보내다가 또 메일이 와서 열어보니 합격했단다.??????? 그 소식을 같은 팀원분들이 듣고 너 이제 우짜냐 니 자소서 그거 우뜩할래ㅐㅐㅐ이러면서 면접날까지 당시 평일에 문자 날라오고 다음주 월요일에 면접을 봤었던것같다. 그냥 조졌음을 계속 감지했다. 왜냐하면 싸피 면접이후로 면접을 본 적이 없었고, 그런데 삼성 계열사를 지금 내가 처음 면접 본다고?????이러면서 그냥 어버버ㅓ했다.

여기서 또 큰 문제점이 발생했다. 나는 이 직무가 IT직무라고 그때까지 생각한 것이었다....뭉충이....그제서야 직무를 찾아보고 회사를 찾아보다보니 SI기술은 크게 품질, 원가, 일정 등 전반적인 프로젝트 관리와 함께 설계와 견적 업무를 수행합니다. 현장 시공의 품질 관리부터 공사원가에 대한 지표, 프로젝트 납기를 위한 마감일정까지 관리하는 일이 주요한 업무입니다. 라고 홈페이지에 나와있는데 이게 이게 무에요? 이 말밖에 안나왔다.ㅋㅋㅋㅋㅋㅋ근데 지금 생각해보니 이게 지금 인턴 발령받는 부서 업무랑 비슷한 것 같기도 하고ㅋㅋㅋㅋ

뭐 어쨌든 그냥 뭐 첫 면접에 우짜라고 마인드로 면접 보러갔고, 그게 맞았다. 그냥 면접관분들이 아 그러면 IT경험밖에 없으신가 직무관려된 경험있냐 물어보시고, 면접은 처음이냐 물어보시고 그냥 다 들통나고 막 말하고 왔다. PT도 시공과 관련된 질문이어서 하나도 몰라서 그냥 생각나는 말만 했고....그냥 내가 올 곳이 아니구나를 면접 들어가서 10분만에 알아서 그냥 멍때리면서 아 언제 끝나나 이러고 왔다.ㅋㅋㅋㅋㅋㅋ

당연하게도 탈!

2. 한국부동산원(체험형 인턴)

여기는 이제 이제 싸피 3개월쯤 남았을 때 아 싸피 끝나면 진짜 뭐하지 이 생각에 사로잡혀서 진짜 일이라고 해야겠다 하면서 전산직무에 지원했었다. 신기하게도 그 당시 자소서도 없었고 AI 면접이 1차 전형이었는데, 처음 AI 면접을 보았다. 뷰인터였고 이어지는 질문들로 이루어져있고 상황 설명, 행동, 결과로 나눠서 말하면 되었다. 그때 또 그냥 아무 생각안하고 준비도 뷰인터 AI면접이 어떻게 진행되는지 정도만 찾아보고 바로 면접을 보았다. 꿀팁으로 알았던거는 일단 3가지로 나눠서 말하는 것과 면접 복장 그리고 잘 웃기, 입술은 색채 좀 있게 바르기 이정도만 지키고 면접봤는데, 뭐 그냥 그려니 말하고 있는데 오피스텔 공지사항이 갑자기 들리면서 1~2분 가량 담배피지마라, 이웃에게 피해주지말라 그런 내용이 크게 나왔다....^^ 허허 그래서 그때 그냥 아 이거 망했구나 하면서 에휴 하고 대충 말하고 끝냈는데 아니 1차 전형 합격? 말이 안된다. 이거 이상하다. 이러면서 으아아ㅏㅏㅏ하고 있었다.

참고로 난 3번의 면접을 상반기에 보았는데 한주간격정도로 따닥따닥 붙어있었다 지옥의 한달 경험기....

사실 여기 면접은 CS질문하시고, 인성면접, 자소서 질문으로 되어져있었다. 편안한 분위기였지만 전공관련 질문 답하려고하니 막상 입이 떨어지지 않아서 모르겠다고 했다ㅜㅜ 그래서 음 안될 것 같다는 생각은 막연히 들었는데, 당연히 불합격이었고^^

면접 점수랑 순위, 평가랑 피드백도 알려주셨다...다만 순위가 너무 낮았어서 크나큰 상처를 받았던 곳이다....ㅠ

이때부터 면접 자신감이 많이 떨어졌다.

3. 국가철도공단(체험형 인턴)

여기는 사실 친구가 그냥 넣어보라고 해서 넣은 곳인데 서류가 붙을 줄 몰랐다. 그리고 직무도 어떤 일을 하는지 알려주질 않아서 그저 사무보조겠거니하고 갔다.

다대다면접이었고 15분간 진행하면서 3질문 정도 받았다. 꼬리 질문도 있었다. 인성 면접이랑, 약간 자소서 질문같은?(창의적인 아이디어로 해결한? 이런 느낌 질문) 받았다.

여기는 결과는 합격.

여기까지 내 상반기 취준 요약이다. 하반기에 이걸 작성하려니까 기억이 제대로 안난다ㅎㅎ

이제부터는 기업당 하나씩 면접 후기를 작성해야겠다.

데이터 가치와 미래

말감공 — Wed, 22 Oct 2025 11:00:17 +0900

빅데이터의 이해

가트너 정의(3V)

Volume, Variety, Velocity
(+ Value or Velocity)

빅데이터의 기능

산업혁명의 석탄&철
원유: 정보제공으로 생산성 향상
렌즈: 현미경 ⇒ 생물학 ↑, 산업 전반에 영향(Ngram Viewer of Google)
플랫폼: 공동 활용 목적으로 구축된 구조물, 써드 파티 비즈니스에 활용

빅데이터가 만들어내는 변환

전 - 후 - 양 - 상

표본조사 → 전수조사
사전처리 → 사후처리
질 → 양
인과관계 → 상관관계

빅데이터의 가치와 영향

빅데이터 가치 선정이 어려운 이유

데이터 활용 방식: 언제, 어디서 누가 활용할지 알 수 없음
가치 창출 방식: 새로운 가치 창출 → 가치 선정 어려움
분석 기술의 발전

빅데이터 활용에 필요한 3요소

데이터, 인력, 기술

7가지 빅데이터 활용 기본 테크닉

연관 규칙: 요소간 상관 관계 존재 ex) 상품 추천, 장바구니 분석
유형 분석(=분류분석): 범주 ex) 문서 분류
유전 알고리즘: 최적화 필요한 해결책 ex) 택배 차량 배치, 최고의 시청률을 내기 위한 방송 프로그램 배치
기계학습: 데이터로 학습하고 규칙을 통해 예측 ex) 넷플릭스 추천
회귀분석: 독립변수 → 종속변수 영향 ex) 구매자의 나이가 구매 차량 타입에 어떤 영향을 미치는가
감정분석: 글 쓴 사람의 감정 분석(긍정/부정)
소셜 네트워크 분석: 사람간의 관계

빅데이터 위기 요인과 통제 방안

위기 요인, 통제 방안

사생활 침해: 동의에서 책임으로
책임 원칙 훼손: 결과 기반 책임원칙고수
데이터 오용: 알고리즘 접근 허용

데이터 사이언스

총제적인 접근법
핵심요소: Analytics, IT, 비즈니스 분석 (AI비)
요구 역량
- 하드스킬: 이론적 지식, 분석 기술 숙련
- 소프트스킬: 통찰력 있는 분석, 설득력 있는 전달, 다분야 간 협력
가트너가 제시한 데이터 사이언티스트 요구 역량: 데이터 관리, 분석 모델링, 비즈니스 분석, 소프트 스킬

가치 패러다임 변화

Digitalization → Connect → Agency

출처

2025 ADSP 데이터분석 준전문가 - 위키북스
https://www.youtube.com/watch?v=nZ6gpnEj-KU&list=PLWtr7MRpQi5CW-jFYgAsX4jZcSp77O3a5