PART 02 · CHAPTER 01 · 01교재 p.139–144

분석 프로젝트 관리 방안

데이터 분석은 좋은 모델 하나를 만드는 일이 아니라, 데이터 · 시간 · 사람 · 품질을 함께 조정해 실제 의사결정에 쓰이도록 만드는 프로젝트입니다.

핵심 이론 ①
분석 과제 관리의 5가지 속성

핵심 이론 ②
반복적 분석 과정과 10개 관리 영역

기출 적용
16·17·18번 선택형 문제

오늘의 학습목표

✓분석 과제 관리의 5가지 영역을 사례와 연결하여 설명한다.

✓정확도와 정밀도의 차이를 표적 그림으로 구별한다.

✓분석 프로젝트의 반복·개선 특성과 Agile·Time Boxing을 이해한다.

✓10개 프로젝트 관리 영역을 구분하고 기출문제에 적용한다.

핵심 키워드 8개 · 짧은 개념 풀이

Data Size데이터의 양·처리 규모

Data Complexity형태·출처의 다양성과 통합 난이도

Speed분석 결과를 필요한 시간에 제공

Analytic Complexity모델 성능과 해석 용이성의 균형

Accuracy참값 또는 정답과 가까운 정도

Precision교재 맥락: 반복 결과의 일관성

Agile / Iteration짧게 실행하고 반복 개선

Time Boxing정해진 시간 안에 우선순위 관리

관광객에게 여행지를 추천하는 서비스를 만든다고 생각해 보세요. 데이터를 많이 모아도 추천이 너무 늦거나, 결과를 설명할 수 없거나, 개발 일정이 끝나지 않으면 성공한 프로젝트라고 보기 어렵겠죠?

THEORY 01 · pp.139–140

분석 과제 관리의 5가지 주요 영역

동그라미는 하나의 분석 프로젝트입니다. 주변 5개 버튼을 눌러 각 영역이 관리하려는 질문과 예시를 확인하세요.

분석 과제
관리5 Analytic
Dimensions

📦 Data Size · 규모

소량의 정형 데이터와 수십억 건의 로그 데이터는 저장·처리·분산 환경이 다릅니다.

관광 사례: 월간 예약 1만 건 vs 관광객 클릭 로그 수억 건

이 다섯 가지는 순서대로 진행하는 단계가 아닙니다. 하나의 프로젝트를 바라보는 서로 다른 다섯 가지 질문입니다. 일을 시작할 때 동시에 점검해야 합니다.

한 장면씩 연결하는 4컷 이야기

1🏖️📱

“관광 추천 앱을 만들자!”좋은 아이디어가 나왔습니다.

2📦🧩

“자료가 너무 많고 다 달라!”양과 복잡성을 확인합니다.

3⏱️🧠

“언제까지, 얼마나 설명할까?”속도와 모델 복잡성을 조정합니다.

4🎯✅

“정확하고 일관되게!”정확도와 정밀도를 함께 점검합니다.

THEORY 02 · p.140

5가지 영역을 실제 관리 질문으로 구분하기

각 영역의 상황 → 관리 행동을 연결하면 사례형 문제를 쉽게 풀 수 있습니다.

영역	핵심 질문	관리 포인트	관광 데이터 분석 예시
📦 Data Size 데이터 규모	데이터가 얼마나 많을까?	저장·처리 용량, 분산 처리 환경, 비용	수억 건의 예약·검색 로그를 처리
🧩 Data Complexity 데이터 복잡성	형태와 출처가 얼마나 다양할까?	정형·비정형 자료 수집·정제·통합, 적합한 분석기법	후기 텍스트+사진+숙박 예약 데이터 통합
⚡ Speed 속도	결과가 언제 필요한가?	배치 처리 vs 실시간 처리, 응답 지연	월간 실적 보고: 배치 / 실시간 부정결제 탐지: 즉시
🧠 Analytic Complexity 분석 복잡성	성능과 설명 가능성을 어떻게 맞출까?	성능·해석 용이성·구현 및 유지보수 부담의 균형	추천 이유를 이용자에게 설명할 수 있는 모델 선택
🎯 Accuracy & Precision 정확도·정밀도	참값에 가깝고 반복에도 일관적인가?	타당한 목표 성능, 측정 오차, 반복 변동 검토	방문객 수 예측값의 오차와 반복 안정성 점검

배치(Batch)

하루치 로그

→

밤에 분석

→

다음날 보고

예: 매주 관광시설 매출 통계 생성. 일시적인 지연이 허용됩니다.

실시간(Real-time)

결제 발생

→

즉시 분석

→

위험 알림

예: 관광 결제 사기 탐지. 결과가 늦으면 가치가 크게 줄어듭니다.

데이터가 많으면 Data Size, 종류가 복잡하면 Data Complexity입니다. “얼마나 빨리 답해야 하지?”라는 질문은 Speed입니다. 이 세 가지를 먼저 구별해 보세요.

4컷으로 확인하는 분석 속도의 차이

1🗓️📈

“주간 매출은 내일 봐도 돼.”일정 주기마다 모아서 분석

2🌙🖥️

“밤에 한꺼번에 계산!”배치 방식에 적합합니다.

3💳🚨

“의심 결제가 지금 발생했어!”기다릴 시간이 없습니다.

4⚡🛡️

“바로 감지해야 해!”실시간 처리가 필요합니다.

THEORY 03 · p.140 · 기출 16번 연계

정확도(Accuracy)와 정밀도(Precision)

표적의 중심 = 참값, 파란 점 = 반복 측정 결과입니다. 정확도는 중심에 얼마나 가까운지, 이 맥락에서 정밀도는 점들이 서로 얼마나 모여 있는지를 나타냅니다.

낮은 정확도 + 낮은 정밀도

결과가 참값에서 벗어나 있을 뿐 아니라 측정할 때마다 크게 달라집니다.

🎯 Accuracy · 정확도

이 단원의 표적 비유에서는 결과가 참값에 가까운 정도입니다.

분류 문제의 정확도 지표: (TP+TN)/(TP+TN+FP+FN)

📍 Precision · 정밀도

이 단원의 표적 비유에서는 반복 측정값이 서로 일관된 정도입니다.

정밀하다고 해서 반드시 참값에 가깝다는 뜻은 아닙니다.

시험·연구에서 꼭 구별! 교재 이 부분의 Precision은 반복 결과의 정밀성(재현성)을 가리킵니다. 반면 분류모형 평가의 정밀도(Precision, 양성예측도)는 TP/(TP+FP)입니다. 동일한 영어 단어라도 맥락에 따라 의미가 다르므로 혼동하지 마세요. 또한 회귀모형에 ‘정답 일치 비율’을 보편적인 정확도로 사용하지는 않습니다.

다트를 생각해 보세요. 화살이 항상 같은 곳에 꽂히면 정밀하다고 말할 수 있지만, 과녁 중심에서 멀리 떨어져 있다면 정확하지는 않습니다. 둘은 별도로 확인해야 합니다.

4컷 · 다트로 이해하는 차이

1🎯👀

“가운데를 맞혀 보자!”과녁 중심이 실제 값입니다.

2🏹↗️

“같은 구석에만 모였네.”높은 정밀도, 낮은 정확도

3🎯✨

“중심 근처로 모였어!”높은 정확도, 높은 정밀도

4🧠✅

“맞는가? 일정한가?”서로 다른 질문입니다.

THEORY 04 · p.141

분석가는 데이터와 비즈니스 사이의 조정자

좋은 모델만 만드는 것으로 끝나지 않습니다. 분석가는 데이터 상태와 현업 요구를 함께 이해하고, 결과가 실무에서 사용되도록 연결합니다.

🗂️

데이터 영역

품질 · 결측 · 형태 · 확보 · 분석 가능한 자료

👩‍💻↔️👨‍💼

분석가 = 조정자

문제 정의 · 모델 설계 · 성능 검증 · 결과 해석 · 소통

💼

비즈니스 영역

목표 · 성과 · 의사결정 · 사용 편의 · 적용 가능성

분석 프로젝트는 처음부터 정답이 명확하지 않을 수 있습니다. 따라서 결과를 확인하고 재분석 → 검증 → 개선하는 반복적 접근이 필요합니다.

Agile(애자일)과 반복적 개선(Iteration)

1st Iteration

빠른 초안

필수 데이터로 1차 모델 제작

2nd Iteration

문제 발견

오류 사례·이해관계자 피드백 확인

3rd Iteration

성능 개선

변수·알고리즘·데이터 품질 보완

4th Iteration

활용 준비

검증·설명·운영 적용

막대는 반복을 통한 개선을 설명하기 위한 예시이며, 실제 모델 성능 수치가 아닙니다. 반복할 때마다 반드시 성능이 향상되는 것은 아닙니다.

처음에는 추천이 어색할 수 있습니다. 일단 작게 만들어 시험하고, 이용자의 피드백을 받아 고치면 됩니다. 단, 무한정 고치는 것이 아니라 목표·기간·품질 기준을 함께 관리해야 합니다.

1🧪

“먼저 작게 해 보자.”프로토타입으로 시작

2😕📱

“추천이 조금 어색한데?”사용자 의견 수집

3🔧🔁

“원인을 찾아 고치자.”반복 개선

4🙌✅

“실제 서비스에 쓰이겠어!”검증 후 적용

THEORY 05 · p.142 · 기출 17번 연계

분석 프로젝트의 10가지 관리 영역

분석 과제의 5가지 속성과 실제 프로젝트를 운영할 때 쓰는 10가지 관리 영역은 서로 다른 구분입니다. 아래 영역을 누르면 대표 체크포인트가 나타납니다.

📐 범위 관리(Scope)

분석이 진행되면서 데이터·모델·최종 산출물이 달라질 수 있으므로 수행 범위를 기록하고 변경을 통제합니다.

체크 질문: 결과물이 분석 보고서인가, 운영 시스템인가?

5개 속성 = 분석 자체의 특수성

데이터 크기·복잡성, 속도, 모델 복잡성, 정확도·정밀도

10개 영역 = 프로젝트 운영의 관리 항목

범위·시간·원가·품질·통합·조달·자원·리스크·의사소통·이해관계자

여행을 준비할 때 “짐이 얼마나 많은가?”와 “예산·일정·동행자를 어떻게 관리할까?”는 다른 질문이죠. 분석의 5가지 속성과 프로젝트의 10가지 관리 영역도 이처럼 구별합니다.

THEORY 06 · p.142

10가지 관리 영역 상세 ① : 범위 ~ 통합

처음 다섯 영역은 무엇을 · 언제 · 얼마에 · 얼마나 잘 · 어떻게 함께 수행할 것인가를 관리합니다.

📐 범위Scope

데이터 형태·양·알고리즘에 따라 수행 범위가 변할 수 있습니다. 보고서인지 운영 시스템인지도 처음에 구체화합니다.

사례: “단순 보고서”에서 “실시간 추천 서비스”로 결과물 변경

🗓️ 시간Time

반복 개선으로 일정이 늘어날 수 있어, 일정 관리 및 Time Boxing을 검토합니다.

사례: 2주 안에 1차 모델 검증, 이후 범위와 우선순위 조정

💰 원가Cost

외부 데이터 구매, 상용 BI·GIS 도구, 컴퓨팅 사용료 등을 예측하고 예산을 관리합니다.

사례: 외부 관광 이동 데이터 구매비, 클라우드 사용료

✅ 품질Quality

분석 목표의 품질 기준을 정하고 QA(품질보증)·QC(품질통제)를 구분해 운영합니다.

사례: 데이터 검증 절차(QA), 예측 오차 점검(QC)

🧭 통합Integration

각 영역의 변경·의사결정이 전체 목표와 어긋나지 않도록 프로젝트 관리 프로세스를 통합합니다.

사례: 모델 변경 시 인력·일정·비용·품질을 한꺼번에 재점검

Time Boxing의 핵심 구조

① 제한 시간 설정
예: 2주

② 우선순위 선정
필수 기능부터

③ 검증 가능한 산출물
품질 기준 확인

④ 다음 반복 결정
확장·수정

Time Boxing은 단지 “시간이 되면 아무 결과나 제출”한다는 의미가 아닙니다. 기간 안에 달성할 수 있는 범위와 우선순위를 조정하되, 필요한 품질 기준은 지켜야 합니다.

1🗓️

“이번엔 2주만 써 보자.”시간을 먼저 정합니다.

2📋

“필요한 것부터!”중요한 기능을 선정합니다.

3🧪

“이 정도 품질이면 될까?”조건을 검증합니다.

4🔁

“다음 2주에 더 발전시키자.”다음 반복을 계획합니다.

THEORY 07 · p.142

10가지 관리 영역 상세 ② : 조달 ~ 이해관계자

나머지 다섯 영역은 외부 자원 · 팀 역량 · 위험 대응 · 정보 공유 · 관계자 참여를 중심으로 관리합니다.

☁️ 조달Procurement

외부 데이터·장비·서비스를 적절히 확보합니다. PoC에서는 구매 대신 클라우드 사용을 검토할 수 있습니다.

사례: 실증 단계에서 서버를 구입하지 않고 클라우드 임대

👥 자원Resource

고급 분석·빅데이터 아키텍처 등의 전문 인력을 사전에 확보하고 업무를 배분합니다.

사례: 데이터 엔지니어·통계 분석가·서비스 기획자 배치

⚠️ 리스크Risk

필요한 데이터 확보 실패, 모델 품질 미달 등 프로젝트의 위협을 사전에 식별하고 대응책을 마련합니다.

사례: API 제공 중단에 대비한 대체 데이터 공급선 확보

💬 의사소통Communication

전문적인 분석 결과를 비전문가도 이해할 수 있도록 공유하고 회의·보고체계를 설계합니다.

사례: 기술 지표 대신 사례와 그래프로 현업에 설명

🤝 이해관계자Stakeholder

데이터·비즈니스·분석·시스템 등 여러 전문가와 의사결정자를 식별하고 참여를 관리합니다.

사례: 현업 담당자·보안 책임자·개발팀·고객센터 참여

리스크 대응 그림

영향 낮음 · 가능성 낮음
관찰

영향 높음 · 가능성 낮음
비상계획

영향 낮음 · 가능성 높음
예방·완화

영향 높음 · 가능성 높음
우선 대응

위험 매트릭스는 개념 설명용 예시이며, 분류 기준은 프로젝트에 따라 달라집니다.

의사소통과 이해관계자의 차이

누구와?
이해관계자

어떻게?
의사소통

이해관계자 관리는 참여 대상의 식별·관여, 의사소통 관리는 정보 전달 및 공유 방식에 초점을 둡니다.

분석 프로젝트가 멈추는 이유는 모델 자체만이 아닙니다. 데이터가 안 오거나, 담당자가 없거나, 결과를 서로 다르게 이해해도 멈출 수 있습니다. 그래서 관리 항목이 다양합니다.

1🧑‍🔬❓

“데이터 제공이 중단됐어!”리스크를 발견했습니다.

2☁️📦

“다른 방법으로 확보하자.”조달 대안을 준비합니다.

3👥🛠️

“전문 인력을 모아 보자.”자원을 배치합니다.

4💬🤝

“모두 같은 내용을 알고 있지?”관계자를 참여시키고 공유합니다.

APPLY · pp.141–143

관광 추천 서비스에 5가지 속성과 10가지 관리 영역 적용

똑같은 프로젝트를 두 관점에서 살펴보면 시험에서 혼동하지 않습니다.

① 분석 자체의 속성: 5가지

📦

규모
검색 로그 1억 건을 처리

🧩

복잡성
숙박·후기·지도 데이터 결합

⚡

속도
추천 결과 1초 이내 응답 목표

🧠

모델 복잡성
추천 이유를 설명할 수 있게 구성

🎯

정확도·정밀도
예측 성능과 반복 결과의 안정성을 각자 검토

② 프로젝트를 운영하는 관리: 10가지

범위 추천 기능까지만 구현 · 시간 2주 단위 점검 · 원가 클라우드 사용료 추적 · 품질 오류·지연 기준 설정 · 통합 변경 영향 조정

조달 외부 지도 API 확보 · 자원 분석가·개발자 배치 · 리스크 개인정보·데이터 누락 대응 · 의사소통 주간 결과 보고 · 이해관계자 관광기업·고객센터 참여

프로젝트 흐름을 한눈에

1 문제 정의누구에게 무엇을 추천?

2 데이터 확보규모·복잡성·조달·리스크

3 모델 검증속도·성능·품질·설명

4 현업 적용의사소통·이해관계자·반복 개선

출제 구분 팁 “데이터 종류가 다양하다”는 Data Complexity, “외부 데이터를 구매해야 한다”는 조달관리, “데이터 제공이 끊길 수 있다”는 리스크 관리입니다. 같은 데이터 문제라도 질문의 초점이 다르면 답이 달라집니다.

PAST EXAM · pp.143–144

기출문제 16–18번 · 좌우넘김 풀이

선택지를 누른 뒤 정답과 전체 해설을 확인하세요. 각 문항마다 관련 개념과 오답 판단 이유를 함께 제공합니다.

16번 · 36회 기출문제 1 / 3

📝

문제를 먼저 생각해 보세요

정답뿐 아니라 나머지 선택지가 왜 아닌지도 하나씩 확인할 수 있습니다.

이 문항을 이해하는 4컷 이야기

REVIEW · p.144

한눈에 복습 · 핵심 개념과 정답

다음 표를 보고 사례가 제시되었을 때 어떤 개념에 해당하는지 바로 떠올릴 수 있는지 확인해 보세요.

분석 과제 관리: 5가지

Data Size · 양 / Data Complexity · 종류·통합 / Speed · 처리 시점 / Analytic Complexity · 모델 성능·설명 / Accuracy & Precision · 참값 근접성·반복 일관성

분석 프로젝트 관리: 10가지

범위 · 시간 · 원가 · 품질 · 통합
조달 · 자원 · 리스크 · 의사소통 · 이해관계자

기출 16번

정답 ①

안정성 ↔ 정밀도 / 활용성 ↔ 정확도

기출 17번

정답 ④

관계는 교재의 10개 공식 관리 영역 명칭이 아님

기출 18번