[ADP 필기 요약]_5과목 데이터 시각화_①

1. 인사이트란 무엇인가

1-1. 인사이트의 의미

인사이트(Insight)는 보통 통찰력이라고 번역합니다.
즉, 단순히 데이터를 보는 것을 넘어서 정보의 본질, 숨겨진 관계, 의미 있는 패턴을 이해하는 것을 말합니다.

시험에서는 인사이트를 “데이터를 통해 새로운 이해를 얻고, 그것을 설명이나 의사결정에 활용할 수 있는 수준의 통찰”로 이해하면 좋습니다.

 

1-2. 데이터, 정보, 지식, 지혜의 관계

구분	의미
데이터(Data)	각각 분리된 개별적인 기초 자료
정보(Information)	데이터 간 관계가 만들어진 상태
지식(Knowledge)	다양한 정보가 상위 개념으로 조직화된 상태
지혜(Wisdom)	지식이 경험, 사고, 판단과 결합되어 실천 가능한 수준이 된 상태

즉,

• 데이터는 “있는 그대로의 값”
• 정보는 “관계가 생긴 데이터”
• 지식은 “조직화된 이해”
• 지혜는 “실행 가능한 통찰”
  이라고 정리할 수 있습니다.

---

2. 시각화와 인사이트

2-1. 삼찰: 관찰, 성찰, 통찰

시각화 인사이트 프로세스를 이해할 때 자주 나오는 개념이

관찰 → 성찰 → 통찰, 즉 “삼찰”입니다.

• 관찰: 보이는 현상을 확인하는 단계
• 성찰: 그 의미를 해석하고 원인을 고민하는 단계
• 통찰: 의미 있는 관계와 본질을 파악하는 단계

즉, 시각화는 단순히 보여주는 도구가 아니라

관찰에서 통찰로 넘어가게 해주는 도구라고 볼 수 있습니다.

 

2-2. 시각화 인사이트 프로세스란?

시각화 인사이트 프로세스는
시각화를 활용해 관계를 찾고, 분석하고, 실제로 활용하는 전반적인 과정을 의미합니다.

보통 다음 3단계로 구분합니다.

1. 탐색: 관계 발견
2. 분석: 관계 규명
3. 활용: 통찰 검증 및 보완

---

3. 탐색 단계(1단계)

탐색 단계의 핵심은
데이터를 살펴보면서 보이지 않던 관계를 발견하는 것입니다.

즉, 아직 결론을 내리는 단계가 아니라
“무엇이 있는가”, “어떤 패턴이 보이는가”를 확인하는 단계입니다.

 

3-1. 사용할 수 있는 데이터 확인

탐색을 시작하기 전에 가장 먼저 해야 할 일은
데이터를 명세화하는 것입니다.

 

✅ 차원(Dimension)과 측정값(Measure)

모든 데이터는 기본적으로
하나 이상의 차원과 하나 이상의 측정값으로 볼 수 있습니다.

• 차원: 분류, 구분, 비교의 기준
• 측정값: 실제로 측정되거나 계산되는 수치

예를 들어
“국가별 남성 평균 수명” 데이터가 있다면

• 차원: 국가, 성별
• 측정값: 평균 수명
  으로 볼 수 있습니다.

중요한 점은 같은 항목도 상황에 따라 차원이 될 수도 있고 측정값이 될 수도 있다는 점입니다.

예를 들어,

• 연도별 입학자 수에서는 “연도”가 차원
• 학생 개별 데이터에서 “입학연도”는 측정값처럼 다뤄질 수 있습니다.

시험 포인트
차원과 측정값은 고정 개념이 아니라
분석 목적에 따라 바뀔 수 있는 개념입니다.

 

3-2. 데이터 구성 원리 이해하기

데이터를 어떻게 만들었는지 이해하는 것도 중요합니다.
대표적으로 두 가지 관점이 자주 나옵니다.

 

① 이벤트 기록 관점

이벤트 기록 관점은
특정 사건이 발생했을 때 그 기록이 남는 방식으로 데이터를 이해하는 방법입니다.

예를 들면,

• 클릭 로그
• 결제 로그
• 접속 이력
  같은 데이터가 여기에 해당합니다.

이 관점에서는

• 시간 정보가 중요하고
• 행 하나가 하나의 사건(event)을 의미하며
• 변화나 추세 분석에 적합합니다.

② 객체지향 관점

객체지향 관점은
사건보다 대상을 중심으로 데이터를 구조화하는 방식입니다.

예를 들면,

• 고객별 연령, 성별, 가입기간
• 제품별 가격, 카테고리, 재고
  같은 데이터가 여기에 해당합니다.

이 관점에서는

• 대상(object)이 중심이 되고
• 행 하나가 하나의 객체를 의미하며
• 비교, 분류, 세그멘테이션 분석에 유리합니다.

3-3. 이벤트 기록 vs 객체지향 관점 비교

항목	이벤트 기록 관점	객체지향 관점
중심	사건(Event)	대상(Object)
시간	필수	보조적
행(row)의 의미	1개 사건	1개 객체
분석 목적	변화, 추세, 흐름	비교, 분류, 세그멘테이션
대표 시각화	시계열 그래프, 히트맵	막대그래프, 산점도, 비교 차트

실제 분석에서는 이벤트 데이터를 집계해서
객체 단위 데이터로 바꿔 활용하는 경우가 많습니다.

즉, 두 관점은 서로 배타적인 것이 아니라
서로 연결될 수 있는 관점입니다.

---

4. 연결고리의 확인

서로 다른 데이터가 여러 개 있을 때는
이 데이터들을 어떻게 연결할 수 있는지가 중요합니다.

 

4-1. 공통 요소 찾기

데이터를 연결할 때 가장 먼저 보는 것은 공통 요소입니다.

예를 들어

• 고객 ID
• 날짜
• 지역
• 상품 코드
  같은 항목은 데이터 간 연결고리가 될 수 있습니다.

중요한 점은
단순히 이름이 같다고 공통 요소가 아니라,
정의와 데이터형, 기록 규칙까지 같아야 진짜 공통 요소라는 점입니다.

 

4-2. 공통 요소로 변환하기

원래 형태가 달라도 공통 요소로 변환할 수 있는 경우가 있습니다.

예를 들어

• “지역명”과 “위도·경도”는 모두 위치 정보로 연결 가능
• “초 단위 시각”과 “날짜 단위 데이터”는 시간 단위 변환을 통해 연결 가능
• 세부 행정구역과 상위 행정구역은 계층 구조를 통해 연결 가능

즉, 데이터의 형태가 달라도
변환을 통해 연결고리를 만들 수 있다는 점이 중요합니다.

 

4-3. 탐색 범위 설정

데이터를 많이 가지고 있다고 해서
모든 조합을 다 살펴보는 것이 좋은 것은 아닙니다.

왜냐하면 항목 수가 늘수록
차원과 측정값의 조합이 급격히 늘어나기 때문입니다.

따라서 탐색 범위를 정할 때는 보통 다음을 고려합니다.

• 개별 데이터 안에서 먼저 탐색
• 이후 데이터 간 연결고리를 이용해 확장
• 차원을 하나씩 늘려가며 단계적으로 탐색
• 분석 목표와 관련 있는 조합을 우선 탐색

즉, 탐색은 무작정 넓게 보기보다
목표와 연결된 조합을 중심으로 점진적으로 확장하는 방식이 효율적입니다.

---

5. 관계의 탐색

5-1. 이상값 처리

데이터를 탐색할 때 이상값(outlier)은 매우 중요합니다.

이상값은 보통

• 입력 오류
• 측정 오류
• 기록 과정의 문제
  로 생길 수 있습니다.

하지만 모든 이상값이 무조건 제거 대상은 아닙니다.
어떤 이상값은 오히려 의미 있는 특수 현상일 수 있습니다.

그래서 실무와 시험 모두에서 중요한 태도는
먼저 시각화를 통해 전체 패턴을 보고, 그 뒤에 이상값의 의미를 판단하는 것입니다.

 

5-2. 시각화 도구 선정

어떤 시각화를 사용할지는
차원과 측정값의 유형에 따라 달라집니다.

이때 기억할 점은,

• 차원은 꼭 축(axis)으로만 표현되는 것은 아니고
• 색상, 크기, 면적, 위치, 모양 등으로도 표현될 수 있다는 것입니다.

예를 들어,

• 연속형 값은 위치, 길이, 크기, 색상 그라데이션으로 표현 가능
• 범주형 값은 색상, 모양, 그룹 구분으로 표현 가능

5-3. 시간 데이터 탐색

시간 데이터에서는
반복되는 패턴과 반복되지 않는 추세를 구분하는 것이 핵심입니다.

즉,

• 추세(trend)
• 계절성(seasonality)
• 주기성(cycle)
• 불규칙성(noise)
  를 분리해서 보는 관점이 중요합니다.

시간 흐름에 따른 변화를 보여주기 위해서는

• 선그래프
• 시계열 차트
• 모션 차트
  등이 유용합니다.

5-4. 공간 데이터 탐색

공간 데이터는 지리적 위치가 중요한 데이터이므로,
실제 지도를 활용하는 것이 가장 직관적입니다.

대표적으로

• 지도 시각화
• 좌표 기반 산점도
• 지역별 색상 분포도
  등을 활용할 수 있습니다.

5-5. 비정형 데이터 탐색

텍스트 같은 비정형 데이터는
어떤 단어가 얼마나 자주 등장하는지,
어떤 단어끼리 함께 등장하는지를 보는 것이 중요합니다.

대표적인 시각화는 다음과 같습니다.

• 워드클라우드
• 의미 연결망
• 텍스트 빈도 그래프

5-6. 잘라보기와 달리보기

탐색 단계에서 자주 나오는 표현이
잘라보기와 달리보기입니다.

• 잘라보기: 전체 데이터에서 특정 조건에 맞는 일부만 떼어 보는 것
• 달리보기: 같은 데이터를 다른 차원을 기준으로 다시 보는 것

예를 들어,
전체 고객 데이터에서

• 20대 여성만 보는 것은 잘라보기
• 성별 기준, 지역 기준, 연령 기준으로 각각 나눠 보는 것은 달리보기
  라고 이해하면 됩니다.

5-7. 내려다보기와 올려다보기

데이터가 계층 구조를 가질 때는
상위 수준과 하위 수준을 오가며 보는 것이 중요합니다.

• 내려다보기(Drill-down): 더 세부적인 하위 계층으로 내려가는 것
• 올려다보기(Roll-up): 더 상위 계층의 관점으로 올라가는 것

예를 들어,

• 연도 → 분기 → 월 → 일 로 내려가는 것은 Drill-down
• 시군구 → 시도 → 전국 으로 올라가는 것은 Roll-up
  입니다.

이때 자주 언급되는 시각화 도구가 트리맵(Treemap) 입니다.

 

5-8. 척도 조정

같은 데이터라도 축의 범위를 어떻게 잡느냐에 따라
패턴이 전혀 다르게 보일 수 있습니다.

예를 들어,

• 값의 범위보다 축이 너무 넓으면 차이가 안 보이고
• 서로 다른 범위의 데이터를 한 그래프에 억지로 같이 그리면 한쪽 패턴이 묻힐 수 있습니다.

따라서 척도(scale)를 적절히 조정하는 것은
시각화 해석에서 매우 중요한 요소입니다.

시험 포인트
좋은 시각화는 “많이 보여주는 시각화”가 아니라
패턴이 왜곡되지 않게 보여주는 시각화입니다.

---

6. 분석 단계(2단계)

분석 단계는 탐색에서 발견한 관계를
보다 명확하게 설명하고 모델링하는 단계입니다.

즉, “무슨 패턴이 있다”에서 끝나는 것이 아니라
그 패턴이 왜 나타나는지, 얼마나 강한지, 어떤 의미인지를 규명하는 단계입니다.

 

6-1. 분석 대상의 구체화

분석 단계에서는 먼저
탐색 단계에서 발견한 패턴을 다시 점검해야 합니다.

이 과정을 흔히 2차 탐색이라고 볼 수 있습니다.

즉,

• 충분히 살펴봤는지
• 차원과 측정값 조합을 바꿔서도 확인했는지
• 우연한 패턴은 아닌지
  를 다시 확인하는 과정입니다.

6-2. 분석 목표에 따른 대표 기법

분석 목표	대표 기법
평균 비교	t검정
범주형 변수 간 관계 검정	카이제곱 검정, Fisher의 정확검정
변수 간 상관관계 파악	상관분석
영향 관계 모델링	회귀분석, 다중회귀, 로지스틱 회귀
차원 축소와 핵심 요인 파악	주성분분석(PCA), 요인분석
유사한 대상 묶기	군집분석, 다차원척도법(MDS)
범주형 패턴 탐색	대응분석
시간 흐름 모델링	시계열 분석

여기서 중요한 점은
시각화와 통계적 분석은 대체 관계가 아니라 상보 관계라는 것입니다.

즉,

• 시각화는 패턴을 발견하게 도와주고
• 통계 분석은 그 패턴을 검정하고 설명하게 도와줍니다.

6-3. 분석과 시각화 도구의 관계

통계 모델의 결과를 숫자만으로 보면
현실적인 조건이나 이상한 패턴을 놓칠 수 있습니다.

반대로 시각화만 보고 판단하면
겉보기 패턴에 속을 수도 있습니다.

그래서 분석 단계에서는

• 시각화로 패턴 확인
• 통계 기법으로 검정
• 다시 시각화로 해석
  하는 식의 반복이 매우 중요합니다.

6-4. 지표 설정과 분석

분석 단계에서는 여러 변수의 관계를
하나의 지표(indicator) 로 정리해 활용하기도 합니다.

예를 들어,

• 고객 이탈률
• 전환율
• 객단가
• 재방문율
  같은 지표가 여기에 해당합니다.

지표를 사용할 때는 특히 다음을 주의해야 합니다.

• 단위를 정확히 이해할 것
• 지표가 현실에서 무엇을 의미하는지 해석할 것
• 지표 하나만 보고 전체 관계를 단순화하지 말 것

즉, 지표는 편리하지만
해석의 맥락을 잃으면 오히려 통찰을 흐릴 수도 있습니다.

---

7. 활용 단계(3단계)

활용 단계는 도출한 인사이트를
실제로 설명하고, 적용하고, 검증하는 단계입니다.

즉, 인사이트를 “발견하는 것”에서 끝내지 않고
현실에 연결하는 단계입니다.

 

7-1. 내부 적용

발견한 통찰은 조직 내부에서 다음과 같이 활용될 수 있습니다.

• 기존 문제 해결 방식 수정
• 새로운 설명 모델 도입
• 서비스 개선
• 신규 수익 모델 탐색
• 조기경보 체계 구축

즉, 인사이트는
분석 보고서 안에 머무는 것이 아니라
실제 의사결정과 실행으로 이어질 때 가치가 커집니다.

 

7-2. 외부 설명과 설득

인사이트는 혼자 아는 것으로 끝나지 않습니다.
대개는 다른 사람에게 설명하고 설득하는 과정이 필요합니다.

이때 시각화의 역할이 매우 중요합니다.

좋은 시각화는

• 복잡한 내용을 쉽게 정리해주고
• 핵심 메시지를 빠르게 전달하며
• 이해와 설득을 돕습니다.

특히 인터랙티브 인포그래픽은
사용자가 직접 탐색할 수 있게 해주므로
메시지 전달 효과를 높일 수 있습니다.

 

7-3. 인사이트의 발전과 확장

인사이트는 한 번 얻었다고 끝나는 것이 아닙니다.
적용 과정에서 다시 수정되고 확장됩니다.

Bottom-Up과 Top-Down

• 처음 탐색할 때는 Bottom-Up 방식이 적절
• 의미 있는 패턴을 찾은 뒤에는 Top-Down 방식으로 검증하는 것이 효과적

즉,

• 처음에는 데이터에서 출발해 관계를 찾고
• 이후에는 가설과 목표를 세워 검증하는 흐름으로 가는 것이 좋습니다.

실시간 vs 비실시간

데이터가 매우 클수록 실시간으로 모든 것을 보는 것은 어렵습니다.

따라서

• 무엇을 실시간으로 볼 것인지
• 무엇은 주기적으로 배치 처리할 것인지
  를 구분하는 것이 중요합니다.

추가 데이터의 필요성

기존 데이터만으로 설명이 부족하다면
새로운 데이터를 추가로 확보해야 할 수도 있습니다.

즉, 인사이트 프로세스는
주어진 데이터만 보는 작업이 아니라
필요한 데이터를 더 찾는 작업까지 포함합니다.

 

7-4. 시각화의 오류

시각화는 강력한 도구이지만, 잘못 쓰면 오히려 위험합니다.

대표적인 문제는 다음과 같습니다.

• 부적절한 시각화 유형 선택
• 잘못된 척도 사용
• 과도한 디자인 요소
• 시각적 착시 유발
• 메시지 왜곡

특히 인포그래픽처럼
설명과 설득 목적이 강한 시각화는
디자인 요소가 많아질수록 오류 가능성도 커집니다.

 

7-5. 사람의 문제

마지막으로 중요한 것은
인사이트를 만드는 주체가 결국 사람이라는 점입니다.

즉,

• 분석가의 경험
• 비즈니스 이해도
• 시각화 역량
• 기존과 다른 관점
  이 결과의 질을 크게 좌우합니다.

결국 새로운 통찰은
서로 다른 것들을 연결해 보는 시각에서 시작된다고 볼 수 있습니다.

---

8. 시험 직전 암기 포인트

인사이트와 시각화

• 데이터 → 정보 → 지식 → 지혜
• 관찰 → 성찰 → 통찰
• 시각화 인사이트 프로세스 = 탐색 → 분석 → 활용

탐색 단계

• 차원: 구분 기준
• 측정값: 수치값
• 같은 항목도 상황에 따라 차원/측정값이 바뀔 수 있음
• 이벤트 기록 관점 vs 객체지향 관점 구분
• 공통 요소 찾기와 변환 중요
• 잘라보기 / 달리보기 / Drill-down / Roll-up 구분

분석 단계

• 시각화와 통계 분석은 상보적 관계
• 목표에 따라 t검정, 카이제곱, 상관분석, 회귀분석, PCA, 군집분석 등 선택
• 지표는 단위와 의미를 함께 해석해야 함

활용 단계

• 인사이트는 실행과 연결되어야 가치가 있음
• 내부 적용 + 외부 설명/설득 모두 중요
• Bottom-Up 탐색 후 Top-Down 검증
• 시각화 오류와 사람의 해석 편향에 주의

---

마무리 정리

이번 글에서는 ADP 필기에서 자주 나오는
시각화 인사이트 프로세스를 전체 흐름 중심으로 정리했습니다.

이 단원은 암기만으로 접근하면 금방 헷갈립니다.
반드시 아래 흐름으로 연결해서 이해해야 합니다.

• 인사이트란 무엇인가
• 시각화가 왜 필요한가
• 탐색에서 무엇을 확인하는가
• 분석에서 어떻게 규명하는가
• 활용 단계에서 어떻게 검증하고 확장하는가

시험 직전에는
탐색-분석-활용 3단계 구조와
차원·측정값, 이벤트 기록·객체지향, Drill-down·Roll-up 같은 비교 개념만 다시 정리해도 큰 도움이 됩니다.