2. 사례 2. 서울 올빼미버스
   • 문제: 심야버스를 어느 지역과 도로에 운행해야 하는가?
   • 분석 데이터: 심야 통화량, 택시 승하차, 유동인구 데이터 등
   • 분석 결과: 실제 심야시간대에 사람들이 많이 이동하는 지역과 도로 확인
   • 의사결정 변화:
     “기존 노선·경험 중심” → “실제 심야 이동수요가 높은 곳 중심”
   • 실제 변화: 분석 결과를 바탕으로 일부 심야버스의 경유도로와 노선을 조정
   • 핵심 가치: 실제 수요에 맞는 대중교통 정책 결정

3. 사례 3. UPS 택배 배송경로 최적화
   • 문제: 수많은 배송지를 어떤 순서로 방문해야 가장 효율적인가?
   • 분석 데이터: 배송지 위치, 차량 이동경로, 교통상황, 배송시간 등
   • 분석 결과: 가장 효율적인 배송 순서와 이동경로 계산
   • 의사결정 변화:
     “기사 경험·고정 경로” → “데이터가 계산한 최적 경로”
   • 실제 변화: 배송 순서를 조정하고 교통상황에 따라 경로를 다시 계산
   • 핵심 가치: 운행거리·시간·연료 절감

4. 사례 4. 뉴욕 소방국 화재 예방
   • 문제: 수많은 건물 중 어디를 먼저 점검해야 하는가?
   • 분석 데이터: 과거 화재, 건물 연식, 311 신고, 가스·전기 관련 신고 등
   • 분석 결과: 건물별 화재 위험도를 계산
   • 의사결정 변화:
     “순서대로 점검” → “위험도가 높은 건물부터 우선 점검”
   • 실제 변화: 한정된 소방 인력을 고위험 건물에 먼저 배치
   • 핵심 가치: 예방 중심의 행정자원 배분

5. 사례 5. 넷플릭스·유튜브 추천
   • 문제: 이용자에게 어떤 콘텐츠를 보여줘야 하는가?
   • 분석 데이터: 시청기록, 검색기록, 클릭, 시청시간, 좋아요 등
   • 분석 결과: 이용자의 취향과 다음에 볼 가능성이 높은 콘텐츠 예측
   • 의사결정 변화:
     “모두에게 같은 인기 콘텐츠” → “개인별 맞춤 콘텐츠 추천”
   • 실제 변화: 사용자마다 홈 화면과 추천 목록이 달라짐
   • 핵심 가치: 개인화 서비스와 이용 편의 향상

6. 사례 6. 카드회사 이상거래 탐지
   • 문제: 어떤 결제가 정상이고 어떤 결제가 사기 가능성이 높은가?
   • 분석 데이터: 결제금액, 시간, 위치, 사용패턴, 과거 거래이력 등
   • 분석 결과: 평소와 다른 비정상적 거래패턴 발견
   • 의사결정 변화:
     “사고 발생 후 확인” → “거래 순간에 위험도를 판단”
   • 실제 변화: 의심 거래를 차단하거나 추가 인증 요청
   • 핵심 가치: 금융사기 예방

7. 사례 7. 관광도시 관광객 분석
   • 문제: 관광객이 어디에서 오고, 어디를 방문하며, 무엇을 소비하는가?
   • 분석 데이터: 이동통신, 카드소비, 숙박, 검색, SNS 데이터 등
   • 분석 결과: 관광객 이동경로, 체류시간, 소비지역, 혼잡시간 파악
   • 의사결정 변화:
     “관광객이 많다” → “어떤 관광객이 언제·어디서·무엇을 하는지 파악”
   • 실제 변화: 관광상품, 교통, 축제, 상권지원 정책을 세분화
   • 핵심 가치: 관광정책의 정밀화

이 그림은 7개 사례를 한 장에 모은 전체 시각화입니다.
수업 마무리에서 “문제 → 데이터 분석 → 의사결정 변화”의 공통 구조를 한눈에 정리할 때 사용할 수 있습니다.

빅데이터의 핵심 가치 = 데이터에서 패턴을 찾아 더 나은 의사결정을 하게 만드는 것