의사결정 장애요소와 분석 프로젝트란? 고정관념·편향·프레이밍 효과와 Waterfall·Prototype·Spiral 쉽게 이해하기

1장 데이터가 있어도 의사결정을 잘못할 수 있다#

기업이 충분한 데이터를 보유하고 좋은 분석 결과까지 얻었다고 해서 항상 합리적인 의사결정이 이루어지는 것은 아닙니다.

최종적으로 분석 결과를 해석하고 결정을 내리는 주체는 사람이기 때문입니다.

예를 들어 데이터에서는 새로운 상품 전략이 필요하다고 나타났는데도 담당자가 다음과 같이 생각할 수 있습니다.

우리는 지난 10년 동안 이 방식으로 성공했으니 앞으로도 똑같이 하면 된다.

또는 자신이 이미 가지고 있는 생각과 일치하는 데이터만 받아들이고 반대되는 정보는 무시할 수도 있습니다.

같은 통계자료라도 표현하는 방법에 따라 전혀 다른 판단을 내리는 경우도 있습니다.

이처럼 합리적인 의사결정을 방해하는 대표적인 요소로 제공된 ADsP 학습자료에서는 다음 세 가지를 제시합니다.

고정관념
편향 Bias
프레이밍 효과 Framing Effect

시험에서는 세 개념을 서로 구분하는 것이 중요합니다.

2장 의사결정 장애요소 3가지#

전체 내용을 먼저 비교하면 다음과 같습니다.

장애요소	핵심 의미
고정관념	과거 경험과 기존 생각에 갇혀 새로운 정보를 받아들이기 어려움
편향 Bias	판단이 특정 방향으로 치우침
프레이밍 효과 Framing Effect	같은 내용도 표현 방식에 따라 판단이 달라짐

쉽게 줄이면 다음과 같습니다.

고정관념 = 원래 이렇게 해왔어

편향 = 내가 보고 싶은 방향으로 본다

프레이밍 = 말하는 방식에 따라 판단이 바뀐다

3장 고정관념이란 무엇인가#

고정관념은 기존 경험이나 생각에 지나치게 의존하면서 새로운 정보나 다른 가능성을 제대로 받아들이지 못하는 현상입니다.

특히 과거에 성공했던 경험이 강할수록:

예전에도 이렇게 해서 성공했으니 이번에도 같은 방식이 맞다.

라고 판단하기 쉽습니다.

하지만 시장·고객·기술·데이터 환경은 계속 변합니다.

과거의 성공 방식이 현재에도 반드시 최선이라는 보장은 없습니다.

예#

어떤 회사가 오랫동안 오프라인 판매에서 성공했다고 하겠습니다.

온라인 판매 데이터에서는 고객 행동이 크게 변하고 있는데도 경영진이:

우리 고객은 원래 오프라인을 좋아한다.

라는 기존 생각만 유지한다면 새로운 데이터가 보여주는 신호를 놓칠 수 있습니다.

핵심#

고정관념 = 과거 성공 경험과 기존 사고에 갇힘

입니다.

4장 고정관념과 고착 Anchoring은 구분해야 한다#

제공된 학습자료에서는 고정관념과 Anchoring 고착을 구분해야 한다고 강조합니다.

시험에서는 비슷한 심리적 현상을 섞어 제시할 수 있습니다.

현재 학습 범위에서는 고정관념을:

과거의 성공 경험이나 기존 사고방식에 갇혀 새로운 정보를 무시하는 것

으로 기억하는 것이 핵심입니다.

따라서 단순히 모든 심리적 편향을 고정관념이라고 판단해서는 안 됩니다.

5장 편향 Bias란 무엇인가#

편향 Bias는 판단이나 사고가 특정 방향으로 치우치는 현상입니다.

객관적인 정보를 모두 같은 기준으로 판단하는 것이 아니라 자신의 기존 생각·관심·기대 등에 따라 특정 정보에 더 무게를 둘 수 있습니다.

대표적인 사례가 확증 편향입니다.

6장 확증 편향을 쉽게 이해하면#

확증 편향은 자신이 이미 믿고 있는 생각을 뒷받침하는 정보는 적극적으로 받아들이고, 반대되는 정보는 무시하거나 낮게 평가하는 현상입니다.

예를 들어 한 마케팅 담당자가:

이번 광고 캠페인은 반드시 성공한다.

고 믿고 있다고 하겠습니다.

분석 결과가 다음처럼 나왔습니다.

클릭률 증가
구매전환율 감소
광고비 증가
전체 수익 감소

그런데 클릭률 증가만 강조하면서:

역시 성공적인 캠페인이었다.

라고 판단한다면 객관적인 분석에서 벗어날 수 있습니다.

핵심#

Bias = 특정 방향으로 치우친 판단

입니다.

7장 편향이 데이터 분석에서도 위험한 이유#

데이터 분석은 객관적이라고 생각하기 쉽지만 분석 과정에서도 사람이 개입합니다.

예를 들어:

어떤 데이터를 선택할지
어떤 결과를 중요하게 볼지
어떤 결과를 보고서에 강조할지

에 따라 해석이 달라질 수 있습니다.

따라서 데이터가 존재한다는 이유만으로 자동으로 객관적인 의사결정이 이루어지는 것은 아닙니다.

제공된 학습자료에서는 이러한 합리적 판단을 방해하는 요인으로 Bias를 제시합니다.

8장 프레이밍 효과 Framing Effect란 무엇인가#

프레이밍 효과는 같은 내용이라도 어떤 방식으로 표현하느냐에 따라 사람의 판단이 달라지는 현상입니다.

Framing은 말 그대로 어떤 정보를 보여주는 틀 또는 표현방식을 의미합니다.

예를 들어 두 문장이 있다고 생각해봅시다.

A안

성공 확률 90%

B안

실패 확률 10%

정보 자체는 사실상 같은 의미를 전달할 수 있지만 사람에게 주는 인상은 다를 수 있습니다.

성공 90%라는 표현은 긍정적으로 느껴질 수 있고 실패 10%라는 표현은 상대적으로 부정적으로 느껴질 수 있습니다.

핵심#

Framing Effect = 표현 방식이 판단에 영향을 줌

입니다.

9장 데이터 보고에서도 프레이밍 효과가 발생할 수 있다#

같은 데이터라도 어떻게 표현하는지에 따라 받아들이는 사람이 다르게 판단할 수 있습니다.

예를 들어 고객 만족도를 조사했는데 80%가 만족했다고 하겠습니다.

이를:

고객의 80%가 만족했습니다.

라고 표현할 수도 있고:

고객 5명 중 1명은 만족하지 못했습니다.

라고 표현할 수도 있습니다.

같은 결과를 서로 다른 관점으로 보여준 것입니다.

따라서 데이터 분석 결과를 전달할 때는 표현 자체가 의사결정에 미치는 영향도 생각할 필요가 있습니다.

10장 고정관념·편향·프레이밍 효과 비교#

세 개념을 사례로 비교하면 더욱 쉽게 구분할 수 있습니다.

고정관념#

예전부터 이 방법으로 성공했으니까 바꿀 필요가 없다.

→ 과거 경험과 기존 생각

편향#

내 생각과 맞는 분석 결과만 보겠다.

→ 특정 방향으로 치우친 판단

프레이밍 효과#

성공률 90%라고 들었을 때와 실패율 10%라고 들었을 때 판단이 달라진다.

→ 표현 방식의 영향

11장 시험에서 장애요소를 구분하는 방법#

문제의 핵심 단어를 찾으면 쉽습니다.

과거 성공 경험·기존 생각#

→ 고정관념

특정 방향으로 치우친 사고#

→ Bias

같은 내용인데 표현이 달라짐#

→ Framing Effect

이 세 가지 연결을 기억합니다.

12장 분석 프로젝트에서는 무엇을 고려해야 하는가#

데이터 분석 프로젝트는 일반적인 업무 프로젝트와 조금 다른 특징이 있습니다.

데이터의:

크기
복잡성
처리속도

뿐 아니라 분석 자체의 복잡성과 결과의 정확도 요구 수준도 함께 고려해야 합니다.

제공된 ADsP 학습자료에서는 분석 프로젝트의 주요 관리 영역을 다섯 가지로 정리합니다.

Data Size
Data Complexity
Speed
Analytic Complexity
Accuracy & Precision

앞글자를 이용하면:

D · D · S · A · A

입니다.

13장 분석 프로젝트 5영역 한눈에 보기#

영역	의미
Data Size	데이터 규모
Data Complexity	데이터 복잡도
Speed	분석 속도
Analytic Complexity	분석 복잡도
Accuracy & Precision	정확도와 정밀도

암기할 때는:

두 D를 먼저 보고 → 속도 → 분석 → 정확도

라고 생각하면 쉽습니다.

14장 Data Size란 무엇인가#

Data Size는 분석해야 하는 데이터의 규모, 즉 처리해야 하는 데이터 용량을 의미합니다.

예를 들어:

1만 건의 거래 데이터
10억 건의 거래 데이터

는 동일한 분석이라도 처리에 필요한 자원이 달라질 수 있습니다.

데이터 규모가 커지면:

저장공간
처리능력
시스템 자원

등에 대한 고려가 중요해질 수 있습니다.

핵심#

Data Size = 얼마나 많은 데이터를 처리하는가

입니다.

15장 Data Complexity란 무엇인가#

Data Complexity는 데이터의 복잡성을 의미합니다.

제공된 학습자료에서는 특히:

다양한 형식과 출처

를 핵심으로 설명합니다.

예를 들어 데이터가 하나의 데이터베이스에만 존재하는 경우와 다음 데이터가 동시에 존재하는 경우를 비교해볼 수 있습니다.

데이터베이스
로그
문서
이미지
외부 데이터

출처와 형식이 다양해질수록 데이터를 통합하고 분석하는 과정도 복잡해질 수 있습니다.

핵심#

Data Complexity = 데이터 형식과 출처의 복잡성

입니다.

16장 Data Size와 Data Complexity 차이#

둘 다 데이터와 관련되어 있기 때문에 시험에서 혼동할 수 있습니다.

Data Size#

질문:

데이터가 얼마나 많은가?

Data Complexity#

질문:

데이터가 얼마나 복잡하고 다양한가?

즉:

Size = 양

Complexity = 복잡성

입니다.

17장 Speed란 무엇인가#

Speed는 분석 결과를 얼마나 빠르게 만들어야 하는지와 관련된 영역입니다.

제공된 학습자료에서는 특히 실시간 처리 요건과 연결합니다.

예를 들어:

월간 매출 보고서#

한 달에 한 번 분석해도 됩니다.

이상거래 탐지#

거래가 발생하는 순간 빠르게 분석해야 할 수 있습니다.

두 프로젝트는 속도 요구사항이 크게 다릅니다.

핵심#

Speed = 분석 결과가 얼마나 빨리 필요한가

입니다.

18장 실시간 처리 요구가 중요한 이유#

실시간 분석이 필요하면 분석 시스템 역시 빠르게 반응해야 합니다.

예를 들어 이상거래를 하루 뒤에 발견한다면 이미 피해가 발생한 이후일 수 있습니다.

따라서 분석 프로젝트를 계획할 때:

결과가 즉시 필요한가?

일정 시간 후에 나와도 되는가?

를 확인해야 합니다.

이것이 Speed 영역입니다.

19장 Analytic Complexity란 무엇인가#

Analytic Complexity는 수행해야 하는 분석 자체의 복잡성을 의미합니다.

제공된 학습자료에서는:

고급 모델과 단순 통계

의 차이를 예로 제시합니다.

예를 들어:

평균 계산
기본 통계

를 수행하는 프로젝트와 복잡한 예측모델을 구축하는 프로젝트는 필요한:

분석기법
인력
시간

등이 다를 수 있습니다.

핵심#

Analytic Complexity = 분석 방법이 얼마나 복잡한가

입니다.

20장 데이터 복잡성과 분석 복잡성을 구분하자#

두 항목에는 모두 Complexity가 들어가지만 대상이 다릅니다.

Data Complexity#

데이터가 복잡하다

Analytic Complexity#

분석방법이 복잡하다

예를 들어 데이터 형식이 매우 다양하지만 단순 통계만 수행할 수도 있습니다.

반대로 비교적 단순한 데이터에 복잡한 분석 모델을 적용할 수도 있습니다.

따라서 두 개념은 별도로 구분해야 합니다.

21장 Accuracy & Precision이란 무엇인가#

마지막은 Accuracy & Precision, 즉 정확도와 정밀도입니다.

제공된 학습자료에서는 이를 허용 오차 범위와 연결합니다.

모든 분석 프로젝트에서 동일한 정확도가 필요한 것은 아닙니다.

어떤 프로젝트에서는 약간의 오차를 허용할 수 있지만, 매우 높은 정확도가 필요한 프로젝트도 있을 수 있습니다.

따라서 분석 프로젝트를 계획할 때:

어느 정도의 오차까지 허용할 것인가?

를 고려해야 합니다.

핵심#

Accuracy & Precision = 분석 결과에 요구되는 정확성과 허용오차

입니다.

22장 분석 프로젝트 5영역을 사례로 이해하기#

실시간 이상거래 탐지 시스템을 만든다고 하겠습니다.

Data Size#

하루에 얼마나 많은 거래가 발생하는가?

Data Complexity#

거래·고객·접속 등 얼마나 다양한 데이터가 존재하는가?

Speed#

거래 발생 즉시 판단해야 하는가?

Analytic Complexity#

어떤 수준의 분석모델을 사용할 것인가?

Accuracy & Precision#

오탐과 미탐을 어느 정도까지 허용할 것인가?

이처럼 하나의 분석 프로젝트에서도 다섯 영역을 함께 고려할 수 있습니다.

23장 분석 프로젝트 5영역 암기법#

앞글자를 그대로 기억합니다.

D · D · S · A · A

그리고 다음 문장으로 연결합니다.

두 D를 먼저 파악하고, 속도·분석·정확도를 확인한다.

즉:

Data Size

↓

Data Complexity

↓

Speed

↓

Analytic Complexity

↓

Accuracy & Precision

입니다.

24장 분석 프로젝트의 수행모델#

제공된 학습자료에서는 프로젝트를 수행하는 방식으로 다음 세 가지 모델을 비교합니다.

폭포수형 Waterfall
프로토타입 Prototype
나선형 Spiral

각각 적합한 상황과 특징이 다릅니다.

25장 폭포수형 Waterfall이란 무엇인가#

폭포수형은 단계별로 순차적으로 진행하는 프로젝트 방식입니다.

제공된 학습자료에서는:

하향식 Top-down

과 연결합니다.

또한 다음 상황에 적합하다고 설명합니다.

요건이 명확한 소규모 프로젝트

입니다.

핵심 특징#

하나의 단계를 완료한 후 다음 단계로 진행

합니다.

즉 폭포수가 위에서 아래로 흐르듯 정해진 단계가 순차적으로 진행됩니다.

26장 폭포수형은 왜 되돌아가기 어려운가#

Waterfall은 앞 단계가 완료된 뒤 다음 단계로 넘어가는 구조가 강합니다.

예를 들어:

요구사항

→ 설계

→ 개발

→ 검증

과 같이 진행한다고 생각할 수 있습니다.

뒤 단계에서 문제가 발견되어 앞 단계로 다시 돌아가면 이미 완료한 작업을 수정해야 하므로 비용과 시간이 증가할 수 있습니다.

따라서 제공된 학습자료에서는:

되돌아가기 어려움

을 핵심 특징으로 제시합니다.

27장 폭포수형은 언제 적합한가#

제공된 학습자료 기준으로:

요건이 명확한 소규모 프로젝트

에 적합합니다.

이미:

무엇을 만들지
어떤 요구사항이 있는지

명확한 경우 단계적인 진행이 쉬워집니다.

반대로 요구사항 자체가 계속 변한다면 폭포수 방식의 장점이 줄어들 수 있습니다.

28장 Prototype 방식이란 무엇인가#

Prototype은 완성된 결과물을 처음부터 만드는 것이 아니라 시제품을 먼저 만들어 검증하고 피드백을 반영하는 방식입니다.

제공된 학습자료에서는 Prototype을:

상향식 Bottom-up

과 연결합니다.

적합한 상황은:

요건이 불명확하고 검증이 필요한 경우

입니다.

핵심#

일단 만들어보고 확인한다

는 것입니다.

29장 Prototype은 왜 요건이 불명확할 때 유용한가#

사용자가 원하는 것이 정확히 무엇인지 처음부터 알기 어려운 경우가 있습니다.

이때 문서로 모든 요구사항을 완벽하게 정의하기보다 간단한 시제품을 먼저 보여줄 수 있습니다.

사용자는 실제 결과물을 보고:

이 부분은 좋다.

이 기능은 바꿔야 한다.

이런 기능이 추가로 필요하다.

와 같은 피드백을 줄 수 있습니다.

따라서 요구사항 자체를 구체화할 수 있습니다.

핵심#

Prototype = 먼저 만들어보고 피드백으로 개선

입니다.

30장 Prototype과 상향식 접근의 관계#

앞에서 상향식 접근법을 다음처럼 학습했습니다.

데이터나 실제 상황을 탐색하며 문제와 해결방법을 점차 구체화

합니다.

Prototype도 처음부터 모든 요구사항이 정해진 상태가 아니라 시제품을 통해 문제와 요구사항을 구체화합니다.

따라서 제공된 학습자료에서는:

Prototype → Bottom-up

으로 연결합니다.

31장 나선형 Spiral이란 무엇인가#

나선형 Spiral 모델은 반복적으로 프로젝트를 수행하면서 점진적으로 결과물을 발전시키는 방식입니다.

제공된 학습자료에서는 다음 특징을 제시합니다.

상향식
대규모·고위험 프로젝트에 적합
반복적 개발
점증적 개발
위험 분석 포함

즉 한 번에 전체 시스템을 완성하는 것이 아니라 여러 번의 반복을 통해 결과물을 점차 발전시킵니다.

32장 나선형은 왜 Spiral이라고 부를까#

나선 Spiral은 원을 반복해서 돌면서 점점 바깥으로 커지는 모습을 가지고 있습니다.

프로젝트도 비슷하게:

1차 반복

→ 일부 기능과 위험 확인

2차 반복

→ 기능 확대

3차 반복

→ 추가 개선

처럼 반복하면서 결과물을 키워갑니다.

핵심#

Spiral = 반복 + 점증적 개발

입니다.

33장 나선형에서 위험 분석이 중요한 이유#

제공된 학습자료에서 Spiral의 핵심 특징 가운데 하나가 위험 분석입니다.

특히 대규모 프로젝트나 고위험 프로젝트에서는 처음부터 모든 문제를 예상하기 어렵습니다.

따라서 각 반복 과정에서:

어떤 위험이 있는지
기술적으로 가능한지
수정이 필요한 부분은 무엇인지

를 확인하면서 다음 단계로 진행할 수 있습니다.

핵심#

Spiral = 위험을 확인하면서 반복적으로 발전

입니다.

34장 세 프로젝트 모델 비교#

모델	접근	적합 상황	핵심 특징
Waterfall	하향식	요건 명확한 소규모	단계 완료 후 다음 단계, 되돌아가기 어려움
Prototype	상향식	요건 불명확·검증 필요	시제품 제작 후 피드백
Spiral	상향식	대규모·고위험	반복·점증 개발·위험 분석

시험에서는 이 표의 연결관계를 정확히 기억하면 좋습니다.

35장 Waterfall과 Prototype 차이#

Waterfall#

먼저 요구사항을 명확히 정합니다.

그다음 계획에 따라 순차적으로 진행합니다.

Prototype#

요구사항이 명확하지 않을 때 일단 시제품을 만들어봅니다.

피드백을 받아 요구사항과 해결방법을 개선합니다.

따라서:

명확 → Waterfall

불명확 → Prototype

으로 연결하면 쉽습니다.

36장 Prototype과 Spiral 차이#

둘 모두 제공된 학습자료에서 상향식과 연결되고 반복적 성격을 가질 수 있지만 강조점이 다릅니다.

Prototype#

시제품을 통한 요구사항 검증

이 핵심입니다.

Spiral#

대규모·고위험 프로젝트에서 위험 분석과 반복·점증적 개발

이 핵심입니다.

시험에서는 다음처럼 구분하면 좋습니다.

시제품 → Prototype

위험 분석 → Spiral

37장 하향식·상향식과 프로젝트 모델 연결#

앞에서 학습한 접근법과 연결하면 다음과 같습니다.

하향식 Top-down#

→ 문제 먼저

→ Problem Solving

→ Waterfall

상향식 Bottom-up#

→ 탐색과 반복

→ Problem Creation

→ Prototype

→ Spiral

따라서 프로젝트 모델 문제가 나오더라도 앞에서 학습한 하향식·상향식 개념과 연결해서 기억할 수 있습니다.

38장 실제 프로젝트로 Waterfall 이해하기#

회사에서 간단한 정기 보고 시스템을 개발한다고 하겠습니다.

요구사항이 이미 명확합니다.

매일 오전 9시 보고서 생성
매출·주문·재고 표시
PDF 출력

필요한 기능도 명확하고 프로젝트 규모도 크지 않습니다.

이 경우 제공된 학습자료의 분류에서는 Waterfall이 적합한 상황과 연결할 수 있습니다.

39장 실제 프로젝트로 Prototype 이해하기#

새로운 AI 분석 서비스의 화면을 만든다고 하겠습니다.

사용자도 자신이 정확히 어떤 화면을 원하는지 모릅니다.

이 경우 문서만 작성하기보다:

간단한 화면 제작
사용자 테스트
피드백
수정

과정을 진행할 수 있습니다.

이것이 Prototype의 성격입니다.

40장 실제 프로젝트로 Spiral 이해하기#

기업 전체의 대규모 분석 플랫폼을 구축한다고 생각해봅시다.

프로젝트가 크고:

데이터 통합 위험
기술 위험
시스템 연계 문제

등이 존재합니다.

한 번에 모든 것을 구축하는 대신 반복적으로:

기능 구축

→ 위험 분석

→ 개선

→ 기능 확대

과정을 수행할 수 있습니다.

제공된 학습자료에서는 이런 대규모·고위험 프로젝트를 Spiral과 연결합니다.

41장 ADsP 시험에서 자주 헷갈리는 함정#

함정 1. 프레이밍 효과는 과거 성공 경험에 갇히는 현상이다#

틀립니다.

이는 고정관념의 설명과 연결합니다.

프레이밍 효과는 표현방식에 따라 판단이 달라지는 현상입니다.

함정 2. 편향은 같은 정보를 표현하는 방식에 따라 판단이 달라지는 현상이다#

틀립니다.

이는 프레이밍 효과입니다.

편향은 특정 방향으로 치우친 사고입니다.

함정 3. 고정관념과 Anchoring은 항상 같은 의미다#

제공된 학습자료에서는 구분해서 기억하도록 강조합니다.

고정관념은 과거 성공 경험과 기존 생각에 갇혀 새로운 정보를 무시하는 것으로 정리합니다.

함정 4. Data Complexity는 데이터 양을 의미한다#

틀립니다.

데이터 양은 Data Size입니다.

Data Complexity는 다양한 형식·출처 등 데이터의 복잡성과 관련됩니다.

함정 5. Analytic Complexity는 데이터 출처의 다양성을 의미한다#

틀립니다.

데이터 출처와 형식의 다양성은 Data Complexity입니다.

Analytic Complexity는 분석기법과 모델 자체의 복잡성입니다.

함정 6. Waterfall은 요구사항이 불명확한 프로젝트에 적합하다#

틀립니다.

제공된 학습자료에서는 요건이 명확한 소규모 프로젝트와 연결합니다.

함정 7. Prototype은 하향식 방식이다#

틀립니다.

제공된 학습자료에서는 상향식과 연결합니다.

함정 8. Spiral은 위험 분석과 관계없다#

틀립니다.

Spiral의 핵심 특징 가운데 하나가 위험 분석입니다.

42장 의사결정 장애요소 시험 직전 암기#

고정관념#

→ 과거 경험

→ 기존 생각에 갇힘

→ 새로운 정보 무시

Bias#

→ 특정 방향으로 치우친 사고

→ 확증 편향 대표

Framing Effect#

→ 표현 방식

→ 같은 내용인데 판단이 달라짐

한 줄로:

고정 = 과거

편향 = 치우침

프레임 = 표현

입니다.

43장 프로젝트 5영역 시험 직전 암기#

D = Data Size

→ 데이터 규모

D = Data Complexity

→ 데이터 형식·출처의 복잡성

S = Speed

→ 분석 속도·실시간 처리

A = Analytic Complexity

→ 분석 모델과 기법의 복잡성

A = Accuracy & Precision

→ 정확도·정밀도·허용오차

암기:

D · D · S · A · A

즉:

두 데이터 → 속도 → 분석 → 정확도

입니다.

44장 프로젝트 모델 시험 직전 암기#

Waterfall#

→ 하향식

→ 요구사항 명확

→ 소규모

→ 순차 진행

→ 되돌아가기 어려움

Prototype#

→ 상향식

→ 요구사항 불명확

→ 시제품

→ 피드백

Spiral#

→ 상향식

→ 대규모·고위험

→ 반복·점증

→ 위험 분석

가장 쉽게 줄이면:

명확하면 Waterfall

모르면 Prototype

크고 위험하면 Spiral

입니다.

의사결정 장애요소와 분석 프로젝트 FAQ#

데이터 기반 의사결정을 방해하는 대표적인 요소는 무엇인가#

제공된 학습자료에서는 고정관념, 편향 Bias, 프레이밍 효과 Framing Effect를 제시합니다.

고정관념이란 무엇인가#

과거의 성공 경험이나 기존 생각에 지나치게 의존하면서 새로운 정보를 받아들이지 못하는 현상입니다.

Bias란 무엇인가#

사고와 판단이 특정 방향으로 치우치는 현상입니다. 제공된 학습자료에서는 확증 편향을 대표적인 사례로 제시합니다.

프레이밍 효과란 무엇인가#

같은 내용이라도 어떤 방식으로 표현하느냐에 따라 판단이 달라지는 현상입니다.

분석 프로젝트에서 고려하는 5영역은 무엇인가#

Data Size
Data Complexity
Speed
Analytic Complexity
Accuracy & Precision

입니다.

Data Size와 Data Complexity 차이는 무엇인가#

Data Size는 데이터의 규모이고 Data Complexity는 데이터 형식과 출처 등의 복잡성입니다.

Speed는 무엇을 의미하는가#

분석 결과가 얼마나 빠르게 필요한지, 실시간 처리 요구가 있는지 등을 의미합니다.

Analytic Complexity란 무엇인가#

분석기법이나 모델이 얼마나 복잡한지를 의미합니다.

Accuracy & Precision은 무엇과 관련되는가#

분석 결과의 정확도·정밀도와 허용 가능한 오차 범위와 관련됩니다.

Waterfall은 언제 적합한가#

제공된 학습자료에서는 요건이 명확한 소규모 프로젝트에 적합하다고 설명합니다.

Waterfall은 하향식인가#

네. 제공된 학습자료에서는 하향식 Top-down과 연결합니다.

Prototype은 언제 적합한가#

요구사항이 명확하지 않고 실제 검증이 필요한 경우에 적합합니다.

Prototype의 핵심 특징은 무엇인가#

시제품을 먼저 만들고 피드백을 반영하는 것입니다.

Spiral은 언제 적합한가#

제공된 학습자료에서는 대규모·고위험 프로젝트와 연결합니다.

Spiral의 핵심 특징은 무엇인가#

반복적·점증적 개발과 위험 분석입니다.

자기 점검#

다음 질문에 바로 답할 수 있는지 확인해봅니다.

의사결정 장애요소 세 가지를 말할 수 있는가?
고정관념과 편향을 구분할 수 있는가?
프레이밍 효과가 표현방식과 연결된다는 것을 알고 있는가?
확증 편향이 Bias의 대표적인 사례라는 것을 기억하고 있는가?
분석 프로젝트 5영역을 모두 말할 수 있는가?
D·D·S·A·A 순서를 기억하고 있는가?
Data Size와 Data Complexity를 구분할 수 있는가?
Speed가 실시간 처리 요건과 연결된다는 것을 알고 있는가?
Analytic Complexity가 분석 자체의 복잡성이라는 것을 알고 있는가?
Waterfall이 하향식이라는 것을 기억하고 있는가?
Waterfall이 요건 명확한 소규모 프로젝트와 연결된다는 것을 알고 있는가?
Prototype이 상향식이라는 것을 알고 있는가?
Prototype이 불명확한 요구사항을 시제품으로 검증하는 방식이라는 것을 설명할 수 있는가?
Spiral이 대규모·고위험 프로젝트와 연결된다는 것을 알고 있는가?
Spiral에서 위험 분석이 중요하다는 것을 기억하고 있는가?

이 글을 마치며#

데이터 분석 프로젝트에서는 기술적인 분석 능력만 중요한 것이 아닙니다.

좋은 분석 결과가 있어도 사람이:

과거 성공 경험에 갇히거나

특정 방향으로 판단이 치우치거나

정보가 표현되는 방식에 영향을 받으면

합리적인 의사결정을 내리기 어려울 수 있습니다.

따라서 의사결정 장애요소는 다음처럼 기억합니다.

고정관념 = 과거에 갇힘

Bias = 판단이 치우침

Framing Effect = 표현에 따라 판단이 달라짐

분석 프로젝트에서는 다섯 영역을 확인합니다.

Data Size

Data Complexity

Speed

Analytic Complexity

Accuracy & Precision

즉:

D · D · S · A · A

입니다.

프로젝트 수행모델은 상황에 따라 구분합니다.

Waterfall

→ 요건 명확

→ 하향식

Prototype

→ 요건 불명확

→ 상향식

Spiral

→ 대규모·고위험

→ 상향식·반복·위험 분석

시험 직전에는 마지막 세 줄로 압축해서 기억하면 됩니다.

고정 = 과거 / Bias = 치우침 / Framing = 표현

프로젝트 5영역 = D·D·S·A·A

명확하면 Waterfall / 모르면 Prototype / 크고 위험하면 Spiral