데이터 사이언스란? 데이터 사이언티스트 역할·통계학·데이터 마이닝 차이와 필요한 역량

데이터 사이언스란? 데이터 사이언티스트 역할·통계학·데이터 마이닝 차이와 필요한 역량#

회사에 다음과 같은 질문이 들어왔다고 생각해봅시다.

최근 고객이 왜 서비스를 떠나는가?

어떤 고객이 다음 달에 이탈할 가능성이 높은가?

어떤 상품을 추천하면 구매 가능성이 높아지는가?

고객 Review에서 가장 많이 나오는 불만은 무엇인가?

이 질문에 답하려면 단순히 숫자 몇 개를 계산하는 것만으로는 부족합니다.

먼저 필요한 데이터를 찾아야 합니다.

회원 데이터

구매이력

접속 Log

고객 문의

Review

Campaign 기록

그다음 데이터를 정리하고 분석합니다.

필요하다면 통계분석이나 머신러닝 Model도 사용합니다.

하지만 여기서 끝이 아닙니다.

분석 결과가:

그래서 무엇을 의미하는가?

기업은 무엇을 해야 하는가?

까지 설명되어야 실제 의사결정에 도움이 됩니다.

이처럼 다양한 데이터에서 의미 있는 정보를 발견하고 실제 문제 해결과 의사결정으로 연결하는 영역이 데이터 사이언스 Data Science입니다.

1장 데이터 사이언스란 무엇인가#

데이터 사이언스는 데이터로부터 의미 있는 정보와 지식을 찾아내고 이를 문제 해결과 의사결정에 활용하는 학문 및 실무 영역입니다.

영어로는 Data Science라고 합니다.

ADsP 학습자료에서는 데이터 사이언스가 통계학보다 분석 대상의 범위가 넓다는 점을 강조합니다.

통계학이 주로 구조화된 데이터를 이용한 분석에 초점을 두는 반면 데이터 사이언스에서는:

정형 데이터

반정형 데이터

비정형 데이터

처럼 다양한 데이터 형태를 다룰 수 있습니다.

예를 들어:

Database Table

JSON

Server Log

고객 Review

SNS 게시글

Image

Audio

Video

등이 분석 대상이 될 수 있습니다.

2장 데이터 사이언스를 가장 쉽게 이해하면#

초보자는 Data Science를 다음처럼 생각하면 쉽습니다.

데이터를 모으고
↓
정리하고
↓
분석하고
↓
Pattern을 찾고
↓
의미를 해석하고
↓
사람에게 전달하고
↓
의사결정에 활용

즉 단순히:

통계 계산

만 하는 것이 아닙니다.

데이터를 실제 가치로 바꾸는 전체 과정에 가깝습니다.

한 줄로 표현하면:

Data
→ Analysis
→ Insight
→ Decision

입니다.

3장 데이터 사이언스는 어떤 문제를 해결하는가#

데이터 사이언스는 특정 산업에만 사용되는 기술이 아닙니다.

쇼핑몰#

어떤 고객이 이탈할까?

어떤 상품을 추천할까?

다음 달 매출은 얼마일까?

금융#

대출 연체 가능성이 높은 고객은 누구인가?

이 거래는 이상거래인가?

제조#

어떤 장비가 곧 고장날 가능성이 높은가?

생산량을 어떻게 최적화할까?

의료#

환자의 검사결과에서
어떤 Pattern을 발견할 수 있는가?

웹 서비스#

사용자가 어느 단계에서 이탈하는가?

어떤 기능을 많이 사용하는가?

문제는 서로 다르지만 기본적인 흐름은 비슷합니다.

문제 정의
↓
데이터 확보
↓
분석
↓
해석
↓
의사결정

입니다.

4장 데이터 사이언스가 다양한 데이터를 다룬다는 것은 무슨 뜻인가#

과거의 기업 데이터는 주로 Database Table 형태였습니다.

예:

고객ID 나이 구매금액
101 25 50000
102 31 85000

이런 데이터는 구조가 명확하기 때문에 통계적인 분석을 적용하기 쉽습니다.

하지만 현재 기업에서는 다음 데이터도 중요합니다.

상품 Review

상담 내용

SNS 게시글

웹 Log

상품 Image

고객 음성

CCTV 영상

예를 들어 고객 Review에는:

배송은 빠른데 포장이 너무 부실했어요.

라는 정보가 들어 있을 수 있습니다.

이 데이터를 분석하면:

긍정
→ 배송

부정
→ 포장

같은 정보를 추출할 수 있습니다.

즉 데이터 사이언스에서는 숫자와 Table뿐 아니라 다양한 형태의 데이터가 분석 대상이 됩니다.

5장 데이터 사이언스와 통계학의 차이는 무엇인가#

통계학 Statistics은 데이터 사이언스의 중요한 기반입니다.

따라서 둘을 완전히 별개의 분야라고 생각하면 안 됩니다.

ADsP 학습에서는 범위를 중심으로 다음과 같이 비교합니다.

구분 통계학 데이터 사이언스
주요 데이터 주로 정형 데이터 정형 + 비정형 등 다양한 데이터
핵심 통계적 분석·추론 분석 + 구현 + 활용 + 전달
범위 상대적으로 집중적 포괄적
기술 확률·추론·검정·회귀 통계 + 프로그래밍 + ML + 비즈니스

가장 간단하게 표현하면:

통계학
→ 데이터에서 관계와 규칙을 분석

데이터 사이언스
→ 통계를 포함해
데이터 문제 전체를 해결

이라고 이해할 수 있습니다.

6장 통계학은 데이터 사이언스에 필요하지 않은가#

반대로 생각해야 합니다.

통계학은 데이터 사이언스의 중요한 기초입니다.

예를 들어 데이터 사이언티스트가 다음을 판단해야 한다고 생각해봅시다.

두 집단의 평균 차이가 의미 있는가?

두 변수는 관련되어 있는가?

분석결과를 얼마나 신뢰할 수 있는가?

Model의 오차는 어느 정도인가?

이런 문제에는:

확률

가설검정

회귀분석

분산

상관분석

같은 통계 지식이 필요합니다.

즉:

Data Science
vs
Statistics

라는 경쟁 관계라기보다:

Statistics
→ Data Science를 구성하는
중요한 기반 중 하나

라고 이해하는 것이 좋습니다.

7장 시험에서 주의해야 할 통계학과 데이터 사이언스 비교#

ADsP에서는 다음과 같은 선택지를 주의합니다.

통계학이 데이터 사이언스보다
더 확장된 유형의 데이터를 다룬다.

제공된 학습자료 기준으로는 틀린 설명입니다.

핵심은:

Data Science
→ 정형 + 비정형 등
보다 다양한 유형의 데이터 활용

입니다.

8장 데이터 마이닝이란 무엇인가#

데이터 마이닝 Data Mining은 대량의 데이터 속에서 의미 있는 Pattern이나 규칙을 찾아내는 과정입니다.

예를 들어 쇼핑몰 데이터를 분석해:

맥주를 구매한 고객이
안주 상품도 자주 구매한다.

는 Pattern을 찾거나:

VIP 고객은
평균적으로 한 달에 4회 이상 방문한다.

같은 특징을 발견할 수 있습니다.

대표적인 데이터 마이닝 기법에는:

분류

군집

연관규칙

예측

등이 있습니다.

9장 데이터 사이언스와 데이터 마이닝의 차이는 무엇인가#

데이터 마이닝 역시 데이터 사이언스에 포함될 수 있는 중요한 분석 영역입니다.

하지만 데이터 사이언스는 더 넓은 범위를 다룹니다.

Data Mining
→ 데이터에서 Pattern 발견

Data Science
→ 문제 정의
→ 데이터 확보
→ 분석
→ Model 개발
→ 구현
→ 해석
→ 전달

즉 데이터 마이닝이 분석 기법과 Pattern 발견에 초점을 둔다면 데이터 사이언스는 분석 결과를 실제 문제 해결까지 연결하는 더 포괄적인 개념으로 이해할 수 있습니다.

10장 통계학·데이터 마이닝·데이터 사이언스 비교#

제공된 ADsP 학습자료의 구분을 바탕으로 정리하면 다음과 같습니다.

구분 데이터 유형 주요 초점 범위
통계학 주로 정형 분석·추론 상대적으로 좁음
데이터 마이닝 주로 정형 Pattern·분석 중간
데이터 사이언스 정형 + 비정형 분석·구현·전달 포괄적

시험에서는 특히:

Data Science
→ 가장 포괄적인 범위

라는 점을 기억하면 좋습니다.

11장 데이터 사이언티스트란 누구인가#

데이터 사이언티스트 Data Scientist는 데이터를 분석하는 사람이라는 단순한 의미를 넘어 데이터를 이용해 문제를 발견하고 해결하며 그 결과를 실제 의사결정으로 연결하는 역할을 수행합니다.

예를 들어 쇼핑몰 Data Scientist가 있다고 생각해봅시다.

그 사람의 업무가:

CSV 파일을 열어서
평균 계산

으로 끝나는 것은 아닙니다.

실제로는 다음과 같은 질문을 다룰 수 있습니다.

회사의 가장 중요한 문제는 무엇인가?

어떤 데이터를 이용해야 하는가?

데이터 품질은 괜찮은가?

어떤 분석기법이 적절한가?

Model 결과는 믿을 수 있는가?

결과가 비즈니스에서 무엇을 의미하는가?

경영진에게 어떻게 설명할 것인가?

따라서 여러 종류의 역량이 동시에 필요합니다.

12장 데이터 사이언티스트와 데이터 분석가는 같은가#

실제 기업에서는 직무명과 역할이 조직마다 다를 수 있기 때문에 완전히 하나의 정의로 나누기 어렵습니다.

다만 개념적으로 보면 데이터 사이언티스트는 다음 영역을 폭넓게 다룰 수 있습니다.

통계

데이터 분석

Programming

Machine Learning

Modeling

Business 이해

Communication

즉 분석 결과를 계산하는 것뿐 아니라:

문제 정의
→ 분석
→ 구현
→ 결과 전달

까지 폭넓게 연결되는 역할로 이해할 수 있습니다.

ADsP에서는 세부 직무 명칭 차이보다 데이터 사이언티스트에게 기술 능력과 비기술 능력이 모두 필요하다는 점이 중요합니다.

13장 데이터 사이언티스트에게 어떤 역량이 필요한가#

제공된 ADsP 학습자료에서는 데이터 사이언티스트의 역량을 여러 관점에서 설명합니다.

특히 DJ Patil과 연결하여 다음 요소들을 제시합니다.

기술적 숙련도

호기심

스토리텔링

영리함

이 네 가지는 데이터 사이언티스트가 단순한 기술자가 아니라는 점을 잘 보여줍니다.

14장 기술적 숙련도란 무엇인가#

데이터를 다루기 위해서는 당연히 기술적인 능력이 필요합니다.

예:

통계

Programming

Database

Machine Learning

Data Processing

Visualization

등이 있습니다.

예를 들어 Python이나 R로 데이터를 분석할 수 있어도 통계 개념을 이해하지 못한다면 결과를 잘못 해석할 수 있습니다.

반대로 통계를 잘 알아도 실제 대규모 데이터를 다룰 Programming 능력이 없다면 분석을 구현하기 어려울 수 있습니다.

따라서 데이터 사이언티스트에게는 여러 기술을 결합하는 능력이 필요합니다.

15장 호기심은 왜 중요한가#

좋은 데이터 분석은 단순히 주어진 Query를 실행하는 것에서 끝나지 않습니다.

예를 들어 매출이 갑자기 20% 감소했다고 하겠습니다.

단순히:

이번 달 매출
20% 감소

라고 보고하는 것은 정보 전달입니다.

데이터 사이언티스트는 여기에서 질문을 더 던져야 합니다.

왜 감소했을까?

특정 지역만 감소했나?

특정 상품이 문제인가?

신규 고객이 줄었나?

재구매율이 떨어졌나?

경쟁사의 영향이 있는가?

이처럼 계속 질문하고 원인을 탐색하는 태도가 호기심 Curiosity입니다.

16장 스토리텔링은 왜 필요한가#

분석 결과가 아무리 정확해도 아무도 이해하지 못하면 실제 의사결정에 활용하기 어렵습니다.

예를 들어 분석 담당자가 경영진에게 다음과 같이 말한다고 생각해봅시다.

Adjusted R²가 0.73이고
P-value는 0.003이며
Coefficient가 1.82입니다.

통계에 익숙하지 않은 사람에게는 의미가 전달되지 않을 수 있습니다.

같은 결과를:

고객 방문횟수가 증가할수록
구매금액도 증가하는 경향이 확인되었습니다.

특히 월 4회 이상 방문하는 고객의
구매금액이 크게 높아지므로
재방문을 유도하는 전략을 검토할 필요가 있습니다.

처럼 설명하면 실제 의사결정으로 연결하기 쉬워집니다.

이것이 데이터 사이언스에서 스토리텔링이 중요한 이유입니다.

17장 데이터 스토리텔링은 이야기를 꾸미는 것인가#

그렇지 않습니다.

데이터 스토리텔링의 목적은 데이터를 재미있게 포장하는 것이 아니라 분석 결과의 의미를 상대방이 이해할 수 있도록 구조적으로 전달하는 것입니다.

좋은 데이터 전달은 다음 질문에 답해야 합니다.

무슨 일이 발생했는가?

왜 중요한가?

어떤 근거가 있는가?

무엇을 해야 하는가?

즉:

Data
↓
Insight
↓
Message
↓
Action

으로 연결시키는 능력입니다.

18장 영리함이란 무엇을 의미하는가#

제공된 학습자료에서는 데이터 사이언티스트의 역량 가운데 영리함도 제시합니다.

이를 초보자 관점에서 이해하면 단순히 머리가 좋다는 뜻보다는 문제를 효과적으로 정의하고 여러 방법 중 현실적인 해결방안을 찾는 능력과 연결해서 볼 수 있습니다.

데이터 분석에서는 항상 완벽한 조건이 주어지지 않습니다.

데이터가 부족할 수도 있고

데이터 품질이 좋지 않을 수도 있고

시간이 부족할 수도 있고

분석환경에 제약이 있을 수도 있습니다.

이런 상황에서 현실적인 해결책을 찾는 문제 해결 능력이 중요합니다.

19장 Gartner가 보는 데이터 사이언티스트 역량#

제공된 학습자료에서는 Gartner의 데이터 사이언티스트 역량을 다음 네 영역으로 정리합니다.

데이터 관리

분석 모델링

비즈니스 분석

소프트 스킬

이 구조를 보면 데이터 사이언티스트가 왜 단순한 통계 전문가나 Programmer만으로 설명되지 않는지 알 수 있습니다.

20장 데이터 관리 역량이란 무엇인가#

분석에 필요한 데이터가 어디에 있고 어떤 상태인지 이해할 수 있어야 합니다.

예:

Database

Data Warehouse

Data Mart

File

API

Log

등 여러 Source에서 데이터를 가져올 수 있습니다.

또:

결측값

중복값

오류값

형식 불일치

등의 문제도 해결해야 합니다.

아무리 좋은 분석방법을 사용해도 입력 데이터가 잘못되어 있으면 좋은 결과를 얻기 어렵습니다.

21장 분석 모델링 역량이란 무엇인가#

분석 목적에 맞는 방법을 선택하고 적용하는 능력입니다.

예를 들어 문제에 따라:

회귀분석

의사결정나무

군집분석

연관규칙

Machine Learning

등을 선택할 수 있습니다.

중요한 것은 가장 복잡한 Model을 사용하는 것이 아닙니다.

문제에 적합한 방법을 선택하는 것

이 중요합니다.

22장 비즈니스 분석 역량이란 무엇인가#

데이터만 잘 분석한다고 해서 자동으로 기업의 문제가 해결되는 것은 아닙니다.

예를 들어 다음 결과를 얻었다고 하겠습니다.

고객 이탈 확률
82%

이 숫자만으로는 충분하지 않습니다.

다음 질문으로 연결되어야 합니다.

왜 이 고객이 이탈하려 하는가?

이탈을 막기 위해 어떤 조치를 할 수 있는가?

조치를 취하는 비용보다 고객 유지 가치가 큰가?

즉 데이터 분석 결과를 실제 비즈니스 문제와 연결하는 능력이 필요합니다.

23장 소프트 스킬은 왜 데이터 사이언티스트에게 필요한가#

데이터 사이언스는 혼자 컴퓨터 앞에서 숫자만 보는 일이 아닙니다.

실제 Project에서는:

기획자

개발자

마케터

현업 담당자

경영진

데이터 엔지니어

등 다양한 사람과 함께 일해야 할 수 있습니다.

따라서:

설명

설득

질문

협업

조율

능력도 중요합니다.

이런 비기술적 역량을 소프트 스킬 Soft Skill이라고 합니다.

24장 하드 스킬이란 무엇인가#

하드 스킬 Hard Skill은 업무를 수행하기 위해 필요한 전문적인 기술 지식과 능력을 의미합니다.

데이터 사이언티스트에게는 대표적으로:

통계

Programming

Machine Learning

Data Processing

Database

Big Data 기술

등이 포함될 수 있습니다.

제공된 ADsP 학습자료에서는 이를:

빅데이터에 대한 이론적 지식

분석기술 숙련

과 연결합니다.

25장 소프트 스킬이란 무엇인가#

소프트 스킬은 기술 자체보다는 분석결과를 이해하고 사람들과 협력하며 전달하는 능력입니다.

제공된 학습자료에서는 다음 요소를 강조합니다.

통찰력 있는 분석

설득력 있는 전달

다분야 간 협력

구체적인 사례로는:

Communication

Storytelling

협업

문제 정의

비즈니스 이해

등을 생각할 수 있습니다.

26장 하드 스킬과 소프트 스킬의 차이#

구분 하드 스킬 소프트 스킬
성격 기술적 능력 사람·업무와 연결하는 능력
대표 통계·프로그래밍 커뮤니케이션·스토리텔링
목적 데이터를 분석 결과를 해석·전달·활용
예 ML Model 개발 경영진에게 결과 설명

가장 간단하게 표현하면:

Hard Skill
→ 분석할 수 있는 능력

Soft Skill
→ 분석결과를 가치로 연결하는 능력

입니다.

27장 데이터 사이언티스트에게 하드 스킬만 있으면 충분한가#

ADsP에서 중요한 핵심입니다.

하드 스킬만 있으면 충분하다.

는 설명은 틀립니다.

아무리 뛰어난 Model을 만들어도:

왜 만들었는지 설명할 수 없고

결과를 해석하지 못하고

현업과 협력하지 못하고

의사결정자에게 전달하지 못한다면

실제 가치로 연결하기 어렵습니다.

따라서:

Hard Skill
+
Soft Skill

이 모두 필요합니다.

28장 하나의 프로젝트로 데이터 사이언티스트 역할 이해하기#

온라인 쇼핑몰에서 고객 이탈 문제가 발생했다고 생각해봅시다.

1단계 문제 이해#

최근 재구매 고객이 감소하고 있다.

2단계 데이터 확보#

회원정보

구매내역

접속 Log

고객 문의

Campaign Data

를 확보합니다.

3단계 데이터 관리#

결측값 처리

중복 제거

Data 결합

형식 통일

을 수행합니다.

4단계 분석#

이탈 고객 특징 분석

상관관계

회귀

Machine Learning

등을 활용할 수 있습니다.

5단계 결과 해석#

예를 들어:

최근 30일 내 접속횟수가 크게 줄고
고객센터 불만 접수가 있었던 고객의
이탈 가능성이 높다.

라는 결과를 발견합니다.

6단계 전달#

현업에:

이탈 가능성이 높은 고객을
사전에 탐지해 고객관리 Campaign을
진행하는 방안을 검토하자.

라고 제안합니다.

이 전체 과정에서:

데이터

통계

Programming

Business

Communication

이 모두 필요합니다.

29장 데이터 분석을 잘하는 것과 문제를 잘 푸는 것은 다르다#

데이터 사이언스에서는 분석기법 자체가 목적이 아닙니다.

예를 들어 회사가:

고객 이탈을 줄여주세요.

라고 요청했는데 데이터 사이언티스트가:

정확도 95%의
최신 Deep Learning Model을 만들었습니다.

라고만 답했다고 생각해봅시다.

Model 성능은 훌륭할 수 있습니다.

하지만 다음 질문이 남습니다.

어떤 고객에게 대응해야 하는가?

언제 대응해야 하는가?

어떤 Action을 해야 하는가?

그 Action이 실제 이탈을 줄이는가?

즉:

좋은 Model
≠
자동으로 좋은 Business 결과

입니다.

데이터 사이언스에서는 분석을 실제 문제 해결로 연결하는 과정이 중요합니다.

30장 데이터 사이언티스트는 코딩을 잘해야 하는가#

데이터 사이언스에서는 데이터를 처리하고 분석하기 위해 Programming을 사용하는 경우가 많습니다.

대표적으로:

Python

R

SQL

등이 활용될 수 있습니다.

하지만 데이터 사이언티스트의 능력을 단순히:

Programming 실력

하나로 평가할 수는 없습니다.

다음 능력이 함께 필요합니다.

통계적 사고

데이터 이해

분석기법

문제 해결

Business 이해

Communication

따라서:

Data Scientist
=
Programmer

라고 단순화하면 부족합니다.

31장 데이터 사이언티스트는 통계학자인가#

통계지식 역시 매우 중요하지만 완전히 같은 역할이라고 보기는 어렵습니다.

데이터 사이언스에서는 통계 외에도:

데이터 수집

Programming

Machine Learning

Visualization

System 활용

Business 문제 해결

결과 Communication

같은 영역을 함께 다룰 수 있습니다.

따라서 ADsP 학습 관점에서는:

통계학
→ 중요한 기반

Data Science
→ 여러 역량을 결합한
보다 포괄적인 영역

으로 이해하면 좋습니다.

32장 데이터 사이언티스트에게 스토리텔링이 필요한 실제 이유#

경영진에게 다음 두 보고서가 있다고 생각해봅시다.

보고서 A#

상관계수 = 0.72

P-value = 0.001

R² = 0.64

보고서 B#

고객의 서비스 이용횟수가 감소하기 시작하면
약 한 달 뒤 이탈 가능성이 크게 높아지는
Pattern이 확인되었습니다.

따라서 이용량이 일정 수준 아래로 떨어지는 고객을
조기에 탐지해 재방문 Campaign을 실행하는 방안을
검토할 필요가 있습니다.

A는 분석결과를 보여줍니다.

B는 분석결과가 무엇을 의미하고 무엇을 해야 하는지까지 설명합니다.

이 차이가 데이터 사이언스에서 Communication과 Storytelling이 강조되는 이유입니다.

33장 AI 시대의 데이터 사이언티스트 역할은 어떻게 이해할까#

AI와 자동화 도구가 발전하면 과거보다 쉽게:

코드 생성

데이터 정리

Visualization

Model 학습

통계 계산

을 수행할 수 있습니다.

그러나 다음 질문은 여전히 중요합니다.

무슨 문제를 해결해야 하는가?

어떤 데이터를 믿을 수 있는가?

어떤 결과가 중요한가?

Model 결과를 어떻게 해석해야 하는가?

어떤 Action으로 연결할 것인가?

따라서 데이터 사이언스의 핵심은 단순 Tool 사용보다 문제와 데이터와 결과를 연결하는 사고 과정에 있습니다.

34장 데이터 사이언스·통계학·데이터 마이닝 핵심 비교#

통계학
→ 통계적 추론과 분석

Data Mining
→ 데이터의 Pattern 발견

Data Science
→ 데이터 문제 전체를 다루고
분석 결과를 실제 가치로 연결

시험에서는 데이터 사이언스가 정형과 비정형을 포함한 다양한 데이터를 대상으로 하는 포괄적 영역이라는 점을 기억합니다.

35장 데이터 사이언티스트 역량 핵심 비교표#

DJ Patil 관련 학습 포인트#

기술적 숙련도

호기심

스토리텔링

영리함

Gartner 관련 학습 포인트#

데이터 관리

분석 모델링

비즈니스 분석

소프트 스킬

Hard Skill#

통계

Programming

Machine Learning

Big Data 이론·분석기술

Soft Skill#

통찰

Communication

Storytelling

다분야 협업

36장 ADsP 시험에서 자주 헷갈리는 함정#

함정 1. 통계학이 데이터 사이언스보다 더 넓은 데이터를 다룬다#

X

제공된 학습자료에서는 데이터 사이언스가 정형·비정형을 포함하는 보다 포괄적인 분석영역으로 설명됩니다.

함정 2. 데이터 사이언티스트는 기술만 뛰어나면 된다#

X

Hard Skill뿐 아니라 Soft Skill도 중요합니다.

함정 3. 스토리텔링은 데이터 분석과 관련이 없다#

X

분석결과를 이해시키고 실제 의사결정으로 연결하려면 전달 능력이 필요합니다.

함정 4. 데이터 사이언스는 정형 데이터만 분석한다#

X

다양한 정형·반정형·비정형 데이터를 대상으로 할 수 있습니다.

함정 5. 데이터 마이닝과 데이터 사이언스는 완전히 같은 개념이다#

X

ADsP 학습에서는 데이터 사이언스를 데이터 마이닝보다 더 포괄적인 영역으로 이해합니다.

37장 시험 직전 30초 암기#

Data Science

→ 데이터에서
의미 있는 정보와 지식 추출

→ 정형 + 비정형

→ 분석 + 구현 + 전달
Statistics
→ 통계적 분석 중심

Data Mining
→ Pattern 발견 중심

Data Science
→ 포괄적

DJ Patil 관련 역량:

기술

호기심

스토리텔링

영리함

Gartner:

데이터 관리

분석 모델링

Business 분석

Soft Skill

Hard Skill:

통계

Programming

Machine Learning

Soft Skill:

통찰

Communication

Storytelling

협업

가장 중요한 함정:

Data Scientist는
Hard Skill만 있으면 된다.

X

입니다.

데이터 사이언스와 데이터 사이언티스트 FAQ#

데이터 사이언스란 무엇인가#

다양한 데이터에서 의미 있는 정보와 지식을 찾아내고 이를 실제 문제 해결과 의사결정에 활용하는 학문 및 실무 영역입니다.

데이터 사이언스는 어떤 데이터를 다루는가#

ADsP 학습에서는 정형 데이터뿐 아니라 비정형 데이터를 포함해 다양한 유형의 데이터를 대상으로 한다는 점을 강조합니다.

데이터 사이언스와 통계학은 무엇이 다른가#

통계학은 확률과 추론 등을 기반으로 데이터를 분석하는 중요한 학문이고, 데이터 사이언스는 통계학을 포함해 Programming, 데이터 처리, Machine Learning, Business 분석과 결과 전달까지 더 넓은 범위를 다룹니다.

데이터 사이언스와 데이터 마이닝의 차이는 무엇인가#

데이터 마이닝은 데이터에서 Pattern과 규칙을 발견하는 분석 영역에 초점을 맞추고, 데이터 사이언스는 문제 정의부터 데이터 처리·분석·구현·결과 전달까지 더 포괄적으로 다룹니다.

데이터 사이언티스트란 누구인가#

데이터를 분석해 의미 있는 Insight를 만들고 이를 실제 문제 해결과 의사결정으로 연결하는 역할을 수행하는 사람입니다.

데이터 사이언티스트에게 필요한 하드 스킬은 무엇인가#

대표적으로 통계, Programming, Machine Learning, 데이터 처리 및 빅데이터 관련 지식 등을 생각할 수 있습니다.

데이터 사이언티스트에게 필요한 소프트 스킬은 무엇인가#

통찰력 있는 분석, Communication, Storytelling, 다분야 협업 등 분석결과를 사람과 Business에 연결하는 능력입니다.

데이터 사이언티스트에게 스토리텔링이 왜 필요한가#

복잡한 분석결과를 현업이나 의사결정자가 이해할 수 있는 형태로 설명하고 실제 행동으로 연결하기 위해 필요합니다.

데이터 사이언티스트는 프로그래밍만 잘하면 되는가#

아닙니다.

Programming은 중요한 기술이지만 통계, 분석, 문제 정의, Business 이해, Communication 등의 능력도 함께 필요합니다.

데이터 사이언티스트는 통계학자와 같은가#

통계는 데이터 사이언스의 중요한 기반이지만 데이터 사이언티스트는 Programming, Machine Learning, 데이터 관리, Business 문제 해결, 결과 전달 등 더 다양한 역량을 요구받을 수 있습니다.

ADsP에서 데이터 사이언티스트 역량의 핵심은 무엇인가#

제공된 학습자료에서는 Hard Skill과 Soft Skill이 모두 필요하다는 점이 핵심입니다.

자기 점검#

다음 질문에 바로 답할 수 있는지 확인해봅니다.

  1. 데이터 사이언스가 무엇인지 한 문장으로 설명할 수 있는가?
  2. 데이터 사이언스가 정형 데이터만 다루는 것이 아니라는 점을 알고 있는가?
  3. 통계학과 데이터 사이언스의 관계를 설명할 수 있는가?
  4. 데이터 마이닝과 데이터 사이언스의 차이를 설명할 수 있는가?
  5. 데이터 사이언티스트의 역할을 단순 분석가 이상의 관점에서 설명할 수 있는가?
  6. DJ Patil과 연결되는 네 가지 역량을 기억하는가?
  7. Gartner의 네 가지 데이터 사이언티스트 역량 영역을 말할 수 있는가?
  8. Hard Skill과 Soft Skill을 구분할 수 있는가?
  9. 통계·Programming·Machine Learning이 어느 역량에 속하는지 알고 있는가?
  10. Communication·Storytelling·협업이 어느 역량에 속하는지 알고 있는가?
  11. 데이터 사이언티스트에게 Soft Skill이 필요한 이유를 설명할 수 있는가?
  12. 좋은 분석 Model이 반드시 좋은 Business 결과를 보장하지 않는 이유를 이해했는가?

이 글을 마치며#

데이터 사이언스를 단순히:

통계분석

또는

Machine Learning

이라고 생각하면 전체 모습을 놓치기 쉽습니다.

데이터 사이언스는 더 넓은 흐름을 가지고 있습니다.

문제를 이해하고
↓
데이터를 찾고
↓
데이터를 정리하고
↓
분석하고
↓
Pattern과 Insight를 찾고
↓
결과를 설명하고
↓
실제 의사결정에 활용

이 과정에서 통계와 Programming 같은 하드 스킬이 필요합니다.

하지만 그것만으로는 부족합니다.

분석결과를 이해하고 다른 사람에게 설명하고 여러 분야의 사람들과 협력하려면:

Communication

Storytelling

Business 이해

협업

같은 소프트 스킬도 필요합니다.

그래서 데이터 사이언티스트를 가장 간단하게 표현하면:

Data를 잘 다루는 사람
+
문제를 잘 이해하는 사람
+
결과를 잘 전달하는 사람

이라고 볼 수 있습니다.

ADsP 시험에서는 다음 두 문장을 가장 먼저 기억하면 됩니다.

Data Science
→ 정형·비정형을 포함한
다양한 데이터를 다루는 포괄적 영역

그리고:

Data Scientist
→ Hard Skill과 Soft Skill
모두 필요

입니다.

이 페이지의 목차