ADsP 필기 03 — 데이터의 가치와 미래 + 데이터 사이언스와 전략 인사이트
ADsP 필기 03 — 데이터의 가치와 미래 + 데이터 사이언스와 전략 인사이트
출제기준 대단원 1: 데이터의 가치와 미래 / 가치 창조를 위한 데이터 사이언스와 전략 인사이트
02편에 이어 1과목 두 번째 파트예요. 3V/5V, 빅데이터 위기요인, 데이터 사이언티스트의 역량이 핵심입니다.
빅데이터란 무엇인가: 3V → 5V → 7V ⭐⭐⭐
정의: 기존 DB 관리 도구로 저장·관리·분석하기 어려운 대규모의 정형·비정형 데이터 집합과 이를 다루는 기술을 포괄합니다.
3V (기본 특성, 가트너의 더그 래니가 2000년대 초반 제시)
Volume(규모) · Velocity(속도) · Variety(다양성)
5V 확장 = 3V + Veracity(정확성) + Value(가치)
7V 확장 = 5V + Variability(가변성) + Visualization(시각화)
💡 암기 팁: "양-다-속-정-가" (양Volume-다양성Variety-속도Velocity-정확성Veracity-가치Value)
⚠️ 함정 포인트: "Availability(가용성)"는 빅데이터 특성 용어가 아닙니다 — 시험에서 그럴듯하게 끼워 넣는 오답 선택지로 자주 등장해요.
기출 문제
Q. (47회) 빅데이터의 특징으로 가장 적절하지 않은 것은?
① Volume: 기존 데이터베이스의 한계를 뛰어넘는 초대규모의 데이터 양
② Velocity: 실시간으로 데이터를 생성하고 빠르게 처리해야 하는 속도
③ Variety: 텍스트, 이미지, 영상, 음성 등 다양한 형태의 데이터
④ Availability: 데이터가 필요할 때 데이터에 접근할 수 있는 정도
A. ④ — Availability는 3V/5V/7V 어디에도 없는 가짜 선택지입니다. 위 암기 팁의 다섯 글자("양-다-속-정-가")에 없는 단어가 나오면 바로 오답으로 의심하세요.
빅데이터 가치 산정이 어려운 이유 & 가치 패러다임의 변화 ⭐⭐
빅데이터의 가치는 고정돼 있지 않습니다.
데이터는 석유처럼 소모되지 않고 계속 재사용할 수 있고, 다른 데이터와 결합해 새 가치를 만드는 재조합이 가능하며, 미래에 어떤 가치를 낼지 예측이 어렵기 때문이에요.
가치 패러다임 변화: 디지털화(Digitalization) → 연결(Connection) → 에이전시(Agency)
디지털화 — 아날로그를 디지털화하는 것 자체가 가치 (OS, 오피스 프로그램)
연결 — 디지털 정보들이 효과적으로 연결·제공되는 것이 성패 (구글 검색광고)
에이전시 — IoT처럼 모든 게 연결되고, 그 연결을 관리하는 기능이 중요한 미래기출 문제
Q. (48회) 빅데이터 가치 패러다임 변환 과정을 순서대로 나열한 것은?
① Digitalization → Agency → Connection
② Digitalization → Connection → Agency
③ Connection → Agency → Digitalization
④ Connection → Digitalization → Agency
A. ② — "디지털화 → 연결 → 에이전시" 순서를 그대로 외워두면 바로 풀리는 문제입니다.
빅데이터의 출현 배경과 3대 역할 ⭐⭐
출현 배경: 데이터의 양적 증가, 산업계의 변화(양질전환의 법칙), 학계의 변화, 기술의 발전(클라우드 컴퓨팅)이 겹쳐 나타났습니다.
3대 역할(비유):
① 원유처럼 정제해 가치를 제공하는 핵심 자원
② 현미경처럼 숨겨진 통찰을 보여주는 렌즈
③ 플랫폼처럼 새 비즈니스가 구축되는 토대
빅데이터가 만든 3가지 패러다임 전환 (최빈출)
사전처리 → 사후처리 : 필요한 데이터만 미리 골라 처리 → 일단 다 모아서 분석
표본조사 → 전수조사 : 비용 때문에 일부만 조사 → 비용 하락으로 전체 분석 가능
인과관계 → 상관관계 : '왜'를 밝히는 데 집중 → 먼저 '함께 일어나는 경향'을 포착
⚠️ 반대로 뒤바뀐 오답이 매 회차 출제됩니다. "사후처리에서 사전처리로", "전수조사에서 표본조사로", "상관관계에서 인과관계로" 같은 식으로 화살표 방향을 거꾸로 써놓은 선택지를 조심하세요. 화살표는 항상 "옛날 방식 → 빅데이터 시대 방식"입니다.
기출 문제
Q. (50회) 빈칸에 들어갈 내용은? "'왜 그런 일이 일어났는지' 정확한 원인을 밝히지 못하더라도 '무슨 일이 일어나고 있는지'를 빠르게 파악하여 대응하는 방식이 중요해졌다. 데이터 분석의 초점이 ( )(으)로 변화하고 있다."
① 인과관계 → 상관관계
② 질(Quality) → 양(Quantity)
③ 사전처리 → 사후처리
④ 표본조사 → 전수조사
A. ① — 지문이 "원인을 몰라도 지금 일어나는 일(상관관계)을 먼저 포착"한다고 설명하므로 인과관계→상관관계가 정답입니다.
Q. (46회) 빅데이터가 만들어낸 데이터 분석 방향의 변화로 옳은 것은?
① 사후처리 방식에서 사전처리 중심으로 변화
② 전수조사 방식에서 표본조사 중심으로 변화
③ 질 중심에서 양 중심으로 변화
④ 상관관계에서 인과관계 중심으로 변화
A. ③ — ①②④는 전부 화살표가 거꾸로 된 함정이고, ③만 "데이터의 양 자체가 분석의 질적 가치를 높인다"는 올바른 방향입니다.
맥킨지의 5가지 가치 창출 방식 ⭐
맥킨지(McKinsey)는 2011년 보고서에서 빅데이터의 가치 창출 방식을 5가지로 제시했습니다.
① 투명성 및 관리 효율성 제고 — 공공데이터 개방
② 시뮬레이션을 통한 수요 포착 — F1팀의 공기저항 시뮬레이션
③ 고객 세분화 및 맞춤 서비스 — VIP 고객 맞춤 쿠폰
④ 알고리즘 기반 의사결정 보조·대체 — AI의 엑스레이 판독 보조
⑤ 비즈니스 모델·제품·서비스 혁신 — 우버빅데이터의 위기 요인과 통제 방안 ⭐⭐⭐
빛이 강하면 그림자도 짙어지듯, 빅데이터는 역기능도 일으킬 수 있습니다. 위기 요인과 통제 방안을 1:1로 짝지어 외우세요.
| 위기 요인 | 내용 | 통제 방안 |
| 사생활 침해 | 원치 않는 정보까지 수집·분석되는 감시 위험 | 개인정보보호 강화 — '동의' 원칙에서 '책임' 원칙으로 |
| 책임 원칙 훼손 | 알고리즘이 '미래 가능성'만으로 불이익을 주는 '블랙박스' 문제 | 결과 기반 책임 원칙 — 예측이 아닌 실제 행동 결과로 판단 |
| 데이터 오남용 | 편향된 과거 데이터로 학습하면 차별을 재생산 | 알고리즈미스트(Algorithmist) — 블랙박스 문제 해결 전문 인력 |
개인정보 비식별화 기술 (5가지, 빈출)
가명 처리 — '홍길동' → '사용자A123'
데이터 마스킹 — '홍길동, 35세' → '홍*동, 30대' (일부를 가림, 삭제가 아님!)
데이터 범주화 — '수학 80점' → '수학 70~90점'
데이터 값 삭제 — '서울시 서초구' → '서울시'
총계 처리 — '70,80,90점' → '3명, 평균 80점'기출 문제
Q. (45회) 개인정보 비식별화 기술에 대한 설명으로 가장 적절하지 않은 것은?
① 범주화: 상세한 값을 일반적인 범주로 바꾸는 기법
② 가명처리: 실제 정보 대신 가짜 값을 사용하는 기법
③ 총계처리: 개별 값이 아닌 전체 집계 값을 사용하는 기법
④ 데이터마스킹: 개인 정보 식별이 가능한 특정 데이터 값을 삭제하는 기법
A. ④ — 마스킹은 값을 삭제하는 게 아니라 일부를 가리는(*) 기법입니다. "삭제"라는 단어가 나오면 마스킹이 아니라 '데이터 값 삭제' 기법과 헷갈리게 만든 함정이에요.
데이터 사이언스와 데이터 사이언티스트 ⭐⭐⭐
정의: 과거엔 통계학자·프로그래머·비즈니스 분석가가 각자 자기 일만 했지만, 데이터 사이언티스트는 이 모든 역량을 두루 갖춘 멀티 플레이어로, 데이터 속 통찰을 비즈니스 문제 해결에 적용하는 사람입니다.
하드 스킬 — IT/컴퓨터공학(수집·처리 프로그래밍) + 수학/통계학(모델 검증)
소프트 스킬 — 도메인 지식(가장 중요) + 통찰력·창의적 사고 + 커뮤니케이션·스토리텔링
⚠️ 최고의 분석 모델(하드 스킬)을 만들어도 경영진이 이해하도록 설명(소프트 스킬)하지 못하면 활용되지 못합니다. 이 둘을 연결하는 것이 데이터 사이언티스트의 핵심 역량이에요.
데이터 사이언스 vs 데이터 마이닝: 데이터 마이닝이 분석 자체에 초점을 둔다면, 데이터 사이언스는 분석뿐 아니라 이를 구현·전달해 전략적 인사이트를 도출하는 과정까지 포함하는 더 넓은 개념입니다.
데이터 사이언스의 3요소: Analytics(수학·통계·머신러닝) + IT/Data Management(데이터 엔지니어링) + 비즈니스 분석(커뮤니케이션·시각화) — 세 영역이 겹치는 중심에 '전략적 인사이트'가 있습니다.
기출 문제
Q. (44회) 데이터 사이언스에 대한 설명 중 틀린 것은?
① 데이터 분석부터 설명 및 결과까지 전달한다.
② 데이터를 활용하여 정보와 인사이트를 창출한다.
③ 생성된 데이터를 바탕으로 데이터베이스를 구축한다.
④ 통계학, 데이터마이닝, 기계학습 기법을 사용한다.
A. ③ — 데이터베이스를 '구축'하는 것은 데이터 사이언스의 정의가 아니라 데이터 엔지니어링·DB 설계 영역의 일입니다. 데이터 사이언스는 분석→설명→전달의 전 과정(①②④)에 초점을 둡니다.
일차원적 분석을 넘어: 전략적 인사이트 ⭐⭐
일차원적 분석(신용점수 산정, 수요 예측 등 부서·업무 단위 분석)은 해당 부서 내에서는 효과가 있지만 비즈니스 전체의 성공을 이끌지는 못합니다. 이를 넘어 기업 경쟁 전략에 영향을 주는 통찰이 전략적 인사이트입니다.
⚠️ 싸이월드 vs 페이스북 사례(빈출): 싸이월드는 막대한 회원 데이터를 보유하고도 일촌·방명록 같은 일차원적 분석에 머물러 쇠퇴했고, 페이스북은 트렌드에 맞춰 빠르게 변화했습니다 — 핵심은 데이터의 양이 아니라 전략적 인사이트의 부재였습니다.
💡 아메리칸항공 vs 사우스웨스트항공: 아메리칸항공은 복잡한 분석 모델에 수억 달러를 투자했지만, 사우스웨스트항공은 '한 기종만 운용', '단순한 가격 정책'이라는 단순 전략으로 36년 연속 흑자를 기록했습니다 — 복잡한 분석만이 능사가 아니라는 교훈이에요.
과학적 사고 vs 인문학적 통찰 ⭐
데이터 사이언티스트는 정량 분석(과학적 사고)을 넘어 인문학적 통찰까지 갖춰야 합니다.
| 구분 | 과학적 사고 | 인문학적 통찰 |
| 과거 | 무슨 일이 일어났는가? (보고서) | 어떻게, 왜 일어났는가? (모델링) |
| 현재 | 무슨 일이 일어나고 있는가? (경고) | 차선 행동은 무엇인가? (권고) |
| 미래 | 무슨 일이 일어날 것인가? (추측) | 최악/최선의 상황은? (예측, 시뮬레이션) |
데이터 시각화 ⭐⭐
목적: 숫자로 가득한 데이터만으로는 인사이트를 전달하기 어렵습니다. 시각화는 데이터를 그래픽 요소로 표현해 패턴·관계·이상치를 한눈에 파악하고, 의사결정권자에게 효과적으로 전달하는 과정입니다.
비교 — 막대그래프(Bar Chart): 항목 간 크기 비교
추이 — 선그래프(Line Chart): 시간에 따른 변화
구성 — 파이차트(Pie Chart), 누적막대: 전체 대비 비중
관계 — 산점도(Scatter Plot): 두 변수 간 상관관계
분포 — 히스토그램, 박스플롯: 데이터가 퍼진 모양
💡 좋은 시각화의 기본은 "목적에 맞는 차트를 고르는 것"입니다. 추이를 보여줄 데이터를 파이차트로 그리면 오히려 메시지가 흐려집니다.
💡 실무에서는?
위기 요인 파트는 보안 아키텍트 관점에서 가장 와닿는 내용이었어요.
개인정보 비식별화 기술(가명처리·마스킹·범주화)은 실제 로그 마스킹 정책이나 개인정보 비식별 조치 가이드라인을 설계할 때 그대로 쓰이는 개념입니다. 특히 "마스킹=삭제가 아니라 일부를 가린다"는 구분은 실무에서 로그에 주민번호 뒷자리를 ******로 가리는 것과 통째로 필드를 비우는 것의 차이와 정확히 일치합니다.
데이터 사이언티스트의 "하드 스킬+소프트 스킬" 구조도 인프라/보안 업무와 닮아 있습니다. 아무리 탄탄한 보안 설계(하드 스킬)를 해도 경영진에게 리스크를 설득(소프트 스킬)하지 못하면 예산을 못 받는 경우를 자주 봅니다.
핵심 정리
✅ 3V(Volume·Velocity·Variety) → 5V(+Veracity·Value) → 7V(+Variability·Visualization)
✅ "Availability"는 빅데이터 특성 아님(함정)
✅ 가치 패러다임: 디지털화 → 연결 → 에이전시
✅ 3대 패러다임 전환: 사전→사후처리 / 표본→전수조사 / 인과→상관관계
✅ 맥킨지 5대 가치창출방식
✅ 위기 3요인: 사생활침해·책임원칙훼손·데이터오남용 ↔ 통제방안 1:1 매칭
✅ 비식별화 5기법 — 마스킹은 "가림", 삭제와 다름
✅ 데이터사이언티스트: 하드스킬(IT·통계) + 소프트스킬(도메인지식·커뮤니케이션)
✅ 데이터사이언스 ≠ 데이터마이닝(더 넓은 개념) / 3요소: Analytics·IT·비즈니스분석
✅ 일차원적 분석 vs 전략적 인사이트(싸이월드·사우스웨스트 사례)
✅ 시각화: 비교=막대 / 추이=선 / 구성=파이 / 관계=산점도 / 분포=히스토그램
이걸로 1과목(데이터 이해)이 끝났습니다!
다음 편부터는 2과목, 데이터분석 기획의 이해로 넘어갑니다.
CRISP-DM·KDD 같은 분석 방법론과 분석 과제 발굴 방식을 다룰게요.
궁금한 점은 댓글로 남겨주세요!