ADSP 정리 요약

조다영·2026년 4월 24일
자격증
post-thumbnail

내가 모르는거 위주로 정리함

1과목 - 데이터 이해

  • 암묵지, 형식지 간 상호작용
    1) 공통화: 암묵지를 다른 사람에게 알려줌
    2) 표출화: 암묵지 지식을 메뉴얼/문서로 전환
    3) 연결화: 교재, 메뉴얼에 새로운 지식 추가
    4) 내면화: 교재, 메뉴얼에서 다른 사람의 암묵지를 터득

  • 기업 활용 데이터베이스

    • OLTP(Online Transaction Processing): 데이터를 거래단위로 수시로 갱신
    • OLAP(Online Analytical Processing): 다차원 데이터를 대화식으로 분석
    • CRM(Customer Relationship Management): 고객 관련 자료 분석, 마케팅 활용
    • SCM(Supply Chain Management): 공급망 연결 최적화
    • ERP(Enterprise Resource Planning): 기업 경영 자원 효율화
    • RTE(Real Time Enterprise): 최신 정보로 빠른 의사결정 지원
    • BI(Business Intelligence): 기업 보유 데이터 정리/분석하는 리포트 중심 도구 -> 의사결정 도움
    • BA(Business Analysis): 통계 기반 비즈니스 통찰력
    • KMS(Knowledge Management System): 기업의 모든 지식을 포함

  • 빅데이터 3V

    • Volume(규모) / Variety(다양성) / Velocity(속도)
    • Value(가치) / Veracity(신뢰성) / Validity(정확성) / Volatility(휘발성)

  • 주요 분석기법

    • 유전자 알고리즘: 최적화 필요한 문제의 해결책
    • 소셜 네트워크 분석: 사람간의 고나계
    • 감정분석: 텍스트데이터에서 감정(긍/부)을 분석

  • 위기 요인과 통제 방안
    1) 사생활 침해 -> 제공자에서 사용자 책임으로 전환
    2) 책임 원칙 훼손(범죄를 예측해서 체포) -> 결과에 대해서만 책임
    3) 데이터의 오용 -> 알고리즈미스트 필요

  • 데이터 사이언티스트의 필요 역량
    1) 하드 스킬: 이론, 코오딩 등등..
    2) 소프트 스킬: 스토리텔링, 리더십, 창의력, 호기심, 논리적 비판, 비주얼라이제이션, 커뮤니케이션 등등..

  • 빅데이터 가치 패러다임의 변화
    1) Digitalization(디지털화)
    2) Connection(연결)
    3) Agency(관리)





2과목 - 데이터분석 기획

  • 분석 대상과 방법
대상 O대상 X
방법 O최적화통찰
방법 X솔루션발견

  • CRISP-DM 분석 방법론
    • 업무 이해 - 데이터 이해 - 데이터 준비 - 모델링 - 평가 - 전개
  1. 업무 이해: 목적 파악 -> 상황 파악 -> 데이터마이닝 목표 설정 -> 프로젝트 계획 수립
  2. 데이터 이해
  3. 데이터 준비
  4. 모델링: 모델링 기법, 테스트 계획 설계, 모델 작성 및 평가
  5. 평가: 분석 결과 / 모델링 과정 / 모델 적용성 평가
  6. 전개

  • 빅데이터 분석 방법론

    1. 분석 기획(Planning)
      • 비즈니스 범위 설정 -> SOW(Statement of Works)
      • 프로젝트 위험 계획 수립 -> 회피 / 전이 / 완화 / 수용
    2. 데이터 준비(Preparing)
      • 필요 데이터 정의
      • 데이터 스토어 설계
      • 데이터 수집 및 정합성 점검
      • ETL(Extract, Transform, Load): 데이터 추출, 변환, 적재
    3. 데이터 분석(Analyzing)
      • 분석용 데이터 준비
      • 텍스트 분석
      • 탐색적 분석
      • 모델링
      • 모델 평가
      • 모델 적용 및 운영방안 수립
    4. 시스템 구현(Developing)
    5. 평가 및 전개(Deploying)

  • 하향식 접근 방법

    1. 문제 탐색
      • 비즈니스 모델 캔버스 단순화 측면: 업무 / 제품 / 고객 / 규제와 감사 / 지원인프라
      • 관점
        • 거시적: STEEP(사회, 기술, 경제, 환경, 정치)
        • 경쟁자 확대: 대체자, 경쟁자, 신규 진입자
        • 시장의 니즈 탐색: 고객, 채널, 영향자
    2. 문제 정의
    3. 해결 방안
    4. 타당성 검토
      • 경제적 타당성: 비용대비 편익(ROI) 분석
      • 데이터 타당성: 데이터 존재 여부, 분석 역량
      • 기술적 타당성

  • 분석 과제에서 고려해야 할 5가지 요소

    • 데이터 크기
    • 속도
    • 데이터 복잡도
    • 분석 복잡도
    • 정확도 / 정밀도 ( 서로 trade-off 관계)
      -> 분석 방법은 고려 x!!!!!

  • 데이터 분석 프로젝트의 우선순위 선정 기준

    1. 시급성 중요시: 현재 쉬움 -> 미래 쉬움 -> 미래 어려움
    2. 난이도 중요시: 현재 쉬움 -> 현재 어려움 -> 미래 어려움

  • 데이터 분석 수준 진단

    1. 분석 준비도

      • 분석적 업무파악
      • 인력 및 조직
      • 분석 기법
      • 분석 데이터
      • 분석 문화
      • IT 인프라

    2. 분석 성숙도

      단계도입활용확산최적화
      비즈니스 부문- 실적 분석 및 통계
      -정기 보고 수행
      - 운영 데이터 기반      		-미래결과 예측
      - 시뮬레이션
      - 운영 데이터 기반      		- 전사성과 실시간 분석
      - 프로세스 혁신
      - 분석규칙/이벤트 관리      		- 외부환경 분석 활용
      - 최적화 업무 적용
      - 실시간 분석
      - 비즈니스 모델 진화
      조직 및 역량 부문- 일부 부서에서 수행
      - 담당자 역량에 의존      		- 전문담당부서 수행
      - 분석 기법 도입
      - 관리자가 분석 수행      		- 전사 모든 부서 수행
      - 분석 COE 운영
      - 데이터사이언티스트 확보      		- 데이터 사이언스 그룹
      - 경영진 분석 활용
      - 전략 연계
      IT 부문- 데이터 웨어하우스
      - 데이터 마트
      - ETL/EAI
      - OLAP      		- 실시간 대시보드
      - 통계분석 환경      		- 빅데이터 관리 환경
      - 시뮬레이션/최적화
      - 비주얼 분석
      - 분석 전용 서버      		- 분석 협업 환경
      - 분석 샌드박스
      - 프로세스 내재화
      - 빅데이터 분석

  • 분석조직(DSCoE)
    • 집중 구조: 독립적 전담 조직 구성(중복 업무 가능성 존재)
    • 기능 구조: 해당 부서에서 직접 분석(DSCoE 없음)
    • 분산 구조: 분석 조직 인력을 현업 부소에 배치








3과목 - 데이터분석

  • 확률적 표본 추출 방법

    1. 랜덤 추출: 무작위로 표본 추출
    2. 계통 추출: 번호 부여, 일정 간격으로 추출
    3. 집락 추출: 여러 군집으로 나누고 군집 선택(군집 내 이질적, 군집 간 동질적)
    4. 층화 추출: 모집단을 서로 겹치지 않는 층으로 나누고 각 층에서 표본 추출(군집 내 동질적, 군집 간 이질적)
    5. 복원/비복원 추출

  • 비확률적 표본 추출 방법

    1. 편의 추출: 연구자가 편한 대로 임의 추출
    2. 의도적 추출: 연구자가 특정 기준을 정하고 추출
    3. 할당 추출: 특정 기준으로 나눈 후, 그 그룹에서 할당된 수 만큼 추출
    4. 눈덩이 추출: 초기 응답자로부터 새로운 응답자를 추천받음
    5. 자기선택 추출: 응답자가 스스로 조사에 참여할지 결정

  • 공분신과 독립성의 관계

    • 두 변수가 독립 -> 공분산=0
    • 역은 성립 X

  • 왜도


  • 가설검정

    • 유의수준(α\alpha): 1종 오류를 범활 확률(p-value)의 허용 한계
    • 검정력(1−β1-\beta): 귀무가설이 거짓일 때 귀무가설을 기각하는 확률 => 1 - 2종오류를 범할 확률
      - 1종 오류: 귀무가설이 참일 때 귀무가설을 기각
      - 2종 오류: 귀무가설이 거짓일 때 귀무가설을 수용

  • 로지스틱 회귀

    • 최대우도추정법(MLE)를 통해 모델 탐색
    • 독립변수에 대한 가정 불필요
    • 로짓변환을 통해 곡선을 직선 형태로 변환
    • 회귀계수의 해석을 위해서는 변환(오즈비..?) 필요

  • 상관분석

    1. 피어슨 상관분석
      • 양적 척도(등간척도, 비율척도), 연속형 변수
      • 선형관계의 크기 측정
    2. 스피어만 상관분석
      - 서열 척도, 순서형 변수
      - 선형/비선형적 관계 크기 측정
      - 두 변수가 선형관계가 아니더라도 1/-1이 될 수 있다

  • 시계열 분석

    • 정상성

      • 모든 시점에 일정한 평균과 분산을 가져야 함
      • 공분산은 시점이 아닌 시차에 의존
      • 차분: 현시점의 자료에서 이전 값을 뺌
      • 이동평균법: 일정 기간의 평균
      • 지수평활법: 최근 데이터에 가중치 부여

    • 모형
      1) 자기회귀AR(p)

      • 부분자기상관함수(PACF) 활용
        2) 이동평균MA(q)
      • 자기상관함수(ACF) 활용
        3) 자기회귀누적이동평균ARIMA(p,d,q)
      • d는 정상화 시에 몇 번의 차분을 했는지에 관한 숫자(d=0 이면 ARMA 모델)

    • 분해시계열: 시계열에 영향을 주는 일반적 요인을 시계열에서 분리해 분석하는 방법

      • 추세 / 계절 / 순환 / 불규칙 요인

  • 의사결정나무
    • 노드 내 동질적, 노드 간 이질적으로 분리
    • 카이제곱 통계량: 분류 문제에서 CHAID 알고리즘 활용 시 사용
    • 지니지수(1−∑P21-\sum P^2): 분류 문제에서 CART 알고리즘 활용 시 사용
    • 엔트로피지수(−∑P(logP)-\sum P(logP)): 분류 문제에서 C4.5/C5.0 알고리즘 활용 시 사용

  • 앙상블
    1) 보팅
    • 다수결 방식으로 최종 모델 선택
    2) 배깅
    • 복원추출 기반으로 붓스트랩 생성, 모델 학습 후 보팅으로 결합
    3) 부스팅
    • 잘못된 분류 데이터에 큰 가중치
    • AdaBoost, XGBoost(규제 포함)
    • GBM, LGBM(leaf-wise / 학습속도 개선)
    • 얘만 병렬처리 불가
    4) 스태킹
    • 각각의 모델에서 학습한 예측 결과를 다시 학습
    5) 랜덤포레스트
    • 배깅+의사결정트리
    • 성능 좋고 이상치에 강함

  • 활성화함수
    1) 시그모이드
    • 0~1 사이의 값
    2) 하이퍼볼릭 탄젠트(tanh)
    • -1~1 사이의 값
    • 시그모이드의 기울기 소실 문제 개선
    3) 소프트맥스
    • 다중 분류 문제에서 사용
    • 확률의 총합이 1

  • 분류모델 평가지표

    • F-1 score

      2×Precision∗recallPrecision+Recall2\times \frac{Precision*recall}{Precision+Recall}

출처

  • 유선배 데이터분석 준전문가 ADsP 합격노트 아마 2023버전
  • 인터넷 검색해서 나온 사진들....
profile
조다영
이전 포스트

Relaxed Recursive Transformer

다음 포스트

RAG랑 MCP랑 머시기랑(암튼 요즘 유행하는거)

0개의 댓글