[ADSP]1. ADSP 1과목 요약 정리

2020-08-18

ADSP 자격증 공부 첫 번째 글,

ADSP 1과목

1. 데이터의 이해

데이터 유형

정성적 데이터
저장·검색·분석에 많은 비용이 소모되는 언어, 문자 형태의 데이터
정량적 데이터
정형화된 데이터로 수치, 도형, 기호 등의 형태를 가진 데이터

암묵지와 형식지

개념 특징
암묵지 학습과 경험을 통해 개인에게 체화되어 있지만 겉으로 드러나지 않는 지식 공통화, 내면화
형식지 문서나 메뉴얼처럼 형상화된 지식 표출화, 연결화

DIKW

DIKW pyramid

DIKW 피라미드

Data
가공하기 전의 순수한 수치/기호
Information
상관관계간 이해를 통해 패턴을 인식하고 그 의미를 부여한 데이터
Knowledge
상호 연결된 정보 패턴을 이해하여 이를 토대로 예측한 결과물
Wisdom
근본 원리에 대한 깊은 이해를 바탕으로 도출되는 아이디어

데이터베이스 유형

통합된 데이터
동일한 내용의 데이터가 중복되어 있지 않다.
저장된 데이터
컴퓨터가 접근할 수 있는 저장 매체에 저장된다.
공용 데이터
여러 사용자가 서로 다른 목적으로 데이터를 공동으로 이용한다.
변화되는 데이터
데이터베이스에 저장된 내용은 곧 데이터베이스의 현 시점에서의 상태.

2. 데이터의 가치와 미래

빅데이터

빅데이터 특징
  • 3V: 규모(Volumne), 속도(Velocity), 형태(Variety)
빅데이터가 만들어 내는 본질적인 변화
  1. 사전처리 → 사후처리
    • 가능한 한 많은 데이터를 모으고 그 데이터를 다양한 방식으로 조합해 숨은 정보를 찾아냄
  2. 표본조사 → 전수조사
    • 데이터 처리 기술이 감소함. 이로인해 표본을 조사하는 방식에서 전수조사를 통해 샘플링이 주지 못하는 패턴, 정보를 발견하는 방식으로 변화
  3. 질 → 양
    • 데이터가 지속적으로 추가될 경우 양질의 정보가 오류 정보보다 많아 전체적으로 좋은 결과 산출에 긍정적 영향
  4. 인과관계 → 상관관계
    • 데이터 기반의 상관관계 분석이 주는 인사이트가 인과관계에 의한 미래 예측을 점점 더 압도해 갈 것
빅데이터의 가치 산정이 어려운 이유
  1. 데이터 활용 방식
    • 언제·어디서·누가 활용할지 알 수 없음
  2. 새로운 가치 창출
    • 데이터가 기존에 없던 가치를 창출함
  3. 분석 기술 발전
    • 새로운 분석 기법이 등장함에 따라 가치가 높아질 수 있음

→ 가치 산정 어려움

빅데이터의 영향

빅데이터를 통한 혁신/생산성 향상/환경 탐색/상황 분석
→ 생활 전반의 스마트화

빅데이터 활용 기본 기술
  1. 연관 규칙 학습
    • 변인들 간에 주목할 만한 상관관계가 있는지 찾아내는 방법
  2. 군집 분석
    • 그룹으로 나눌 때 특성에 따라 분류
  3. 유전 알고리즘
    • 최적화가 필요한 문제의 해결책을 자연선택, 돌연변이 등과 같은 메커니즘을 통해 진화
  4. 기계 학습
    • 훈련 데이터로부터 학습한 정보를 통해 예측하는 방법
  5. 회귀 분석
    • 독립변수에 따라 종속변수가 어떻게 변하는지 확인하며 관계를 파악
  6. 감정 분석
    • 글을 쓴 사람의 감정을 분석
  7. 소셜네트워크 분석
    • 영향력있는 사람을 찾아낼 때 사용
빅데이터 활용의 3요소
  1. 데이터: 모든 것의 데이터화
  2. 기술: 진화하는 알고리즘, 인공지능
  3. 인력: 데이터 사이언티스트, 알고리즈미스트

위기 요인과 통제 방안

  • 사생활 침해 → 동의에서 책임
  • 책임 원칙 → 훼손 결과 기반 책임 원칙 고수
  • 데이터 오용 → 알고리즘 접근 허용

3. 가치창조를 위한 데이터 사이언스와 전략 인사이트

산업별 빅데이터 분석 애플리케이션

금융 서비스
신용점수 산정, 사기 탐지, 가격 책정, 프로그램 트레이딩, 클레임 분석, 고객 수익성분석
병원
가격 책정, 고객 로열티, 수익 관리
에너지
트레이딩, 공급, 수요 예측
정부
사기 탐지, 사례관리, 범죄 방지, 수익 최적화

데이터 사이언스

데이터 사이언스의 의미
데이터 사이언스
데이터 공학, 수학 통계학, 컴퓨터공학, 시각화, 해커의 사고방식, 해당 분야의 전문 지식을 종합한 학문
비용 절감, 시간 절약, 매출 증대, 고객서비스 향상, 신규 비즈니스 창출, 내부 의사결정 지원등에 있어 상당한 가치를 발휘
데이터 사이언스의 구성 요소
데이터 사이언스의 영역
  • Analytics (Hard, Soft Skill)
  • IT (Hard Skill)
  • 비즈니스 분석 (Soft Skill)
데이터 사이언티스트의 요구 역량
  • 분석 기술보다 더 중요한 것은 소프트 스킬. 전략적 통찰을 주는 분석은 인문학적 요소가 필요
Hard Skill
빅데이터에 대한 이론적 지식, 분석 기술에 대한 숙련
Soft Skill
통찰력 있는 분석, 설득력 있는 전달, 다분야간 협력
데이터 사이언스의 한계
  • 분석 과정에서는 가정과 같은 인간의 해석이 개입되는 단계를 반드시 거침
  • 분석결과가 의미하는 바는 사람에 따라 전혀 다른 해석과 결론을 내릴 수 있음
  • 아무리 정량적인 분석이라도 모든 분석은 가정에 근거
인문학의 부활
외부 환경의 변화 내용
컨버전스 → 디비전스 단순 세계화에서 복잡한 세계화로의 변화
생산 → 서비스 비즈니스 중심이 제품 생산에서 서비스로 이동
생산 → 시장 창조 공급자 중심의 기술경쟁에서 무형 자산의 경쟁으로 변화

가치 패러다임의 변화

과거
아날로그 세상을 여떻게 효과적으로 디지털화하는가가 가치 창출 원천
현재
디지털화된 정보와 대상들 서로 연결 시작
성공 요인: 연결을 더 효과적이고 효올적으로 제공하는가
미래
복잡한 연결을 얼마나 효과적이고 믿을 수 있게 관리하는 가