[ADP 필기 요약]_3과목 데이터 분석 기획_①

1. 분석기획 방향성 도출

1-1. 분석 대상과 방법 [📌암기]

• 분석 대상: 고객, 상품, 채널, 운영, 매출, 리스크 등
• 분석 방법: 기술통계/탐색(EDA), 예측(분류·회귀), 군집, 연관규칙, 시계열 등

---

1-2. 목표 시점별 분석 기획(단기 vs 장기)

분석 프로젝트는 보통 성과를 언제 내야 하는지에 따라 결이 달라져요.

 

✅ 과제 중심(단기형) [📌암기]

• 키워드: Speed & Test / Quick & Win / Problem Solving
• 특징: 빠르게 가설 검증, 작은 성과로 신뢰 확보
• 예: “이탈 고객을 줄이기 위한 즉시 캠페인 타겟 만들기”

✅ 장기 마스터(중장기형) [📌암기]

• 키워드: Accuracy & Deploy / Long-Term View / Problem Definition
• 특징: 문제 정의부터 탄탄히, 운영/배포까지 고려
• 예: “전사 고객가치(LTV) 모델을 만들고 마케팅 자동화에 연동”

---

1-3. 분석 기획 시 고려사항 3가지

① 가용 데이터 고려

• 데이터 확보 가능 여부(내부/외부/수집 필요)
• 데이터 유형에 따라 가능한 분석법/솔루션이 달라짐

② 적절한 활용방안 + 유즈케이스

• 결과를 누가 쓰는지(마케팅/영업/CS/운영/경영진)
• 어떤 화면/리포트/프로세스로 들어갈지까지 설계

③ 장애요소들에 대한 사전 계획

• 개인정보/보안 이슈
• 데이터 품질(결측, 이상치, 정의 불일치)
• 조직 협업(담당자 부재, 권한 문제, 운영 소유권)

---

1-4. 데이터 종류[📌암기]

• 정형 데이터 : ERP, CRM, SCM등 정보 테이블(매출, 고객정보, 로그 요약 등)
• 반정형 데이터 : JSON/XML, 로그데이터, 모바일데이터, 센싱데이터
• 비정형 데이터 : 텍스트, 이미지, 음성, 영상

---

2. 분석 방법론

2-1. 분석 방법론의 필요성

분석이 조직에 자리 잡으려면 개인 역량이 아니라 ‘재현 가능한 절차’가 있어야 함..

 

✅ 분석 방법론 구성

• 절차(프로세스)
• 방법/도구/기법
• 템플릿/산출물(문서, 리포트, 모델, 대시보드 등)

✅ 합리적 의사결정을 가로막는 장애요소 [📌암기]

• 고정관념(Stereotype)
• 편향(Bias)
• 프레이밍 효과(Framing Effect)

2-2. 업무 특성에 따른 개발/분석 접근 모델 [📌암기]

• 폭포수(Waterfall): 선형·순차적, 요구사항 명확할 때
• 프로토타입(Prototype): 시제품 반복, 요구 불명확/UX 중요할 때
• 나선형(Spiral): 반복·점진 + 위험관리 중심, 대형/고위험에 적합

구분	폭포수(Waterfall)	프로토타입(Prototype)	나선형(Spiral)
개발 방식	선형·순차적 (한 번 진행)	시제품 기반 반복	반복·점진적 + 위험 중심
요구사항 전제	처음부터 비교적 명확해야 함	불명확해도 시작 가능, 프로토타입으로 구체화	초기에는 대략적, 반복하면서 상세화
고객/사용자 참여	초기 요구정의, 마지막 인수 위주 (중간 참여 낮음)	프로토타입 평가에 지속적 참여	각 사이클 결과 평가에 참여
위험 관리	별도 체계 없음, 후반에 문제 터질 수 있음	직접적 위험관리보다는 요구 확인에 초점	각 사이클마다 위험을 분석·대응 (핵심)
문서화	매우 강조 (계획·설계 문서 등)	상대적으로 약해질 수 있음	필요에 따라, 특히 대형 프로젝트에서 체계적
개발 결과 노출 시점	프로젝트 후반(테스트 이후)	초기에 프로토타입으로 바로 확인 가능	각 반복 사이클마다 중간 결과 확인
적용 대상	요구사항 명확, 변경 적은 프로젝트 / 공공 SI 등	UI/서비스/앱 등 사용자 경험이 중요한 곳, 요구 불명확한 시스템	대형, 고위험, 장기 프로젝트 (신기술, 핵심 시스템 등)
주요 장점	단순·관리 용이, 문서 기반	요구사항 명확화, 사용자 만족도 향상	위험관리 우수, 점진적 개발
주요 단점	변경에 취약, 후반까지 결과 불투명	문서화/구조 소홀, 일정 예측 어려움	복잡·비용 큼, 소규모에는 비효율

 

✅ 폭포수 모델 요약

요구사항 분석 → 설계 → 구현 → 테스트 → 운영/유지보수

• 장점: 관리 쉽고 문서화 강함
• 단점: 중간 변경에 약함, 결과가 후반에야 보임

✅ 프로토타입 모델 요약

요구 추정 → 시제품 개발 → 사용자 검토 → 수정 → 최종 개발

• 장점: 요구사항을 “써보면서” 확정
• 단점: 일정 예측 어려울 수 있음(계속 바뀜)

✅ 나선형 모델 요약

계획 → 위험분석 → 개발/검토 → 고객평가 → 반복

• 장점: 위험을 매 사이클 관리
• 단점: 복잡/비용↑ (소규모에는 과함)

---

3. 대표 분석 방법론: KDD vs CRISP-DM [📌암기]

구분	KDD	CRISP-DM
출발 관점	데이터 중심 “DB에서 지식 발견”	비즈니스 중심 “비즈니스 문제 해결”
단계 예시	선택 → 전처리 → 변환 → 마이닝 → 해석	비즈니스 이해 → 데이터 이해 → 준비 → 모델링 → 평가 → 전개
비즈니스 단계	상대적으로 약함 (명시적으로 없음)	비즈니스 이해/전개가 명시적
전개(Deployment)	보통 KDD 정의에서는 ‘발견까지’ 강조	실제 서비스 적용(전개)까지 포함

 

3-1. KDD (선-전-변-마-평)

• DB에서 지식 발견을 중심으로 정리된 방법론
• 데이터 셋 선택 → 데이터 전처리 → 데이터 변환 → 데이터 마이닝 → 결과 평가

1. 데이터 셋 선택: 목표/범위/타겟 데이터 구성
2. 전처리: 잡음/이상치/결측 처리
3. 변환: 정규화/스케일링/차원축소/학습·시험 분리
4. 마이닝: 분류/회귀/군집/연관/시계열 등 기법 적용
5. 평가: 해석/목적 부합 여부/업무 활용

---

3-2. CRISP-DM

• 업종 상관없이 많이 쓰는 표준 데이터마이닝 절차로, KDD보다 비즈니스 이해와 전개(Deployment)가 강조
• 업무이해(비즈니스이해) → 데이터 이해 → 데이터 준비 → 모델링 → 평가 → 전개

1. 비즈니스 이해: 목적/요구사항 파악, 문제 정의
2. 데이터 이해: 수집, 속성 파악, 인사이트 탐색
3. 데이터 준비: 최종 분석용 데이터셋 구축
4. 모델링: 알고리즘 선택/튜닝
5. 평가: 목적에 맞는지 검증
6. 전개: 현업 적용 + 유지보수 계획

---

3-3. KDD와 CRISP-DM 비교 한 줄 정리

• KDD = 데이터 중심(지식 발견 과정)
• CRISP-DM = 비즈니스 중심(문제 해결 + 전개 포함)

✅ 단계 대응에 따른 매핑

• KDD “선택” ↔ CRISP “데이터 이해”
• KDD “전처리/변환” ↔ CRISP “데이터 준비”
• KDD “마이닝” ↔ CRISP “모델링”
• KDD “평가/활용” ↔ CRISP “평가/전개”

---

4. 빅데이터 분석 방법론

빅데이터 분석은 계층 구조(Phase-Task-Step)로 운영되는 경우가 많음

• Phase(단계): 큰 흐름(산출물 단위)
• Task(태스크): 단계 안의 작업 묶음
• Step(스텝): WBS 워크패키지 수준(입력→처리/도구→출력)

✅ 빅데이터 분석 표준 흐름

분석기획 → 데이터준비 → 데이터분석 → 시스템구현 → 평가 및 전개

• 분석기획: 비즈니스 이해/범위/정의/위험계획
• 데이터준비: 필요데이터 정의, 저장소 설계, 수집/정합성 점검
• 데이터분석: EDA, 텍스트 분석, 모델링/검증, 운영방안
• 시스템구현: 설계/구현/테스트/운영
• 평가 및 전개: 모델 발전계획, 프로젝트 평가/보고

---

마지막으로: 블로그용 5줄 요약 ✍️

• 분석기획은 비즈니스 문제를 데이터 질문으로 바꾸고 활용까지 설계하는 과정
• 단기형은 Quick Win, 장기형은 Accuracy & Deploy를 지향
• 데이터 유형(정형/반정형/비정형)에 따라 가능한 분석이 달라짐
• KDD는 선전변마평(데이터 중심), CRISP-DM은 비즈니스 이해~전개(비즈니스 중심)
• 빅데이터 분석은 기획→준비→분석→구현→전개까지가 한 사이클