내 데이터엔 뭘 써야 하지? — 데이터 분석 기법 16선 현장 도감

 

데이터 분석 기법 16선 · 현장 도감

회귀분석? XGBoost? 내 업무 데이터엔 뭘 써야 하지

A field guide to 16 analysis methods

기법 이름은 다 들어봤는데, 정작 내 앞의 엑셀 파일을 열면 막막합니다. 이 도감은 기법을 설명하지 않고, 목적에서 출발합니다. 하고 싶은 일을 고르면 쓸 기법만 남습니다. 각 카드의 버튼은 위키 문서와 실무 문서로 바로 연결됩니다.

무엇을 하고 싶으세요? Filter · 16 methods

지금 보이는 기법 16개

일단 데이터를 열었다

분석의 방향을 정하는 첫 두 걸음

EDA

탐색적 데이터 분석Exploratory Data Analysis

분포·이상치·결측치를 시각화와 요약통계로 먼저 훑어, 이후 분석 방향을 정하는 출발점입니다.

이럴 때설문 결과를 피벗·차트로 그려 튀는 값을 찾아낼 때

난이도 · 모든 분석의 0단계

위키백과 실무 문서

COR

상관분석Correlation Analysis

두 변수가 얼마나 함께 움직이는지 수치 하나로 요약합니다. 단, 관련성은 인과가 아닙니다.

이럴 때광고비와 매출액이 실제로 같이 움직이는지 확인할 때

난이도 · 인과 판단은 회귀로

위키백과 실무 문서

숫자를 예측한다

원인을 추정하거나, 다음 달을 내다볼 때

REG

회귀분석Regression Analysis

영향인자(독립변수)가 결과치(종속변수)에 미치는 영향을 추정하고 값을 예측합니다.

이럴 때소득 수준에 따른 소비지출 규모를 예측할 때

난이도 · 해석이 쉬운 기본기

위키백과 실무 문서

TSA

시계열분석Time Series Analysis

시간 순서로 쌓인 데이터에서 추세·계절성·주기를 분리해 미래 값을 내다봅니다.

이럴 때월별 전력사용량으로 다음 달 수요를 예측할 때

난이도 · 순서가 곧 정보

위키 (EN) 실무 문서

분류하고, 정확도를 끌어올린다

트리 하나에서 수백 개의 트리까지

DTR

의사결정나무Decision Tree

조건 질문을 나뭇가지처럼 이어 붙여 분류·예측합니다. 판단 근거를 눈으로 따라갈 수 있습니다.

이럴 때고객 이탈 여부 예측, 서비스 신청자의 수급 가능 여부 분류

난이도 · 설명력이 최대 강점

위키백과 실무 문서

RF

랜덤포레스트Random Forest

서로 다르게 학습한 결정나무 수백 개의 투표를 모아, 한 그루의 편향을 지웁니다.

이럴 때신용등급 분류, 이상 행위 탐지, 고위험 대상자 예측

난이도 · 앙상블의 표준

위키백과 실무 문서

XGB

XGBoostGradient Boosting

앞선 모델이 틀린 부분만 다음 모델이 이어 보완하는 방식으로 성능을 밀어 올립니다.

이럴 때민원 재발 가능성 예측, 사고위험 지역 도출

난이도 · 정형 데이터 최강자

위키 (EN) 공식 문서

정답(label)이 없다

라벨링 없이 데이터 스스로 구조를 드러내게

CLU

군집분석Cluster Analysis

비슷한 특성끼리 자동으로 묶어 그룹을 만듭니다. 몇 개로 나눌지는 사람이 판단합니다.

이럴 때고객 유형 세분화, 지역 특성 분류

난이도 · 비지도학습의 대표

위키백과 실무 문서

UNS

비지도학습Unsupervised Learning

정답 없이 데이터 내부의 구조와 패턴을 스스로 학습하는 기계학습의 큰 갈래입니다.

이럴 때행동 패턴 기반 고객 분류, 이상값 탐지

난이도 · 라벨 비용이 0

위키백과 실무 문서

학습 방식의 두 갈래

개별 기법이 아니라, 그 기법들이 서 있는 땅

SUP

지도학습Supervised Learning

입력과 정답이 함께 있는 데이터로 학습해, 새로운 입력의 결과를 맞힙니다.

이럴 때이메일 스팸 분류, 이미지 인식

난이도 · 회귀·트리·부스팅의 상위 개념

위키백과 실무 문서

DL

딥러닝Deep Learning

다층 인공신경망으로 영상·음성·문서 같은 복잡한 비정형 데이터를 학습합니다.

이럴 때CCTV 영상 기반 불법주정차 탐지, 민원 음성 자동분류

난이도 · 데이터·연산량 요구 큼

위키백과 실무 문서

표에 안 들어가는 데이터

글자, 위치, 관계, 그리고 경로

TXT

텍스트분석Text Mining

비정형 문자 데이터를 정량화해 의미 있는 정보나 감성을 뽑아냅니다.

이럴 때민원 텍스트에서 주요 불만 키워드를 도출할 때

난이도 · 한국어는 형태소 분석부터

위키백과 KoNLPy

GEO

공간분석Spatial Analysis

위치정보가 붙은 데이터로 지리적 분포와 공간적 관계를 분석합니다.

이럴 때범죄 발생 지역 시각화 및 집중도 분석

난이도 · 좌표계 통일이 관문

위키 (EN) GeoPandas

NET

네트워크분석Network Analysis

사람·기관 같은 개체 간 연결 구조를 모델링해 중심성, 영향력, 경로를 봅니다.

이럴 때부처 간 협업 빈도 분석, 조직 내 정보 흐름 분석

난이도 · 관계 자체가 데이터

위키 (EN) NetworkX

OPT

최적경로분석Route Optimization

시간·거리·비용 조건을 함께 놓고 가장 효율적인 이동 경로를 계산합니다.

이럴 때현장 방문 순서 최적화, 긴급차량 출동 동선 설계

난이도 · 제약조건 설계가 핵심

위키 (EN) OR-Tools

ETC

기타 — 직접 적어야 하는 칸e.g. RAG · LLM 기반 지식검색

과제 서식의 ‘기타’는 구체적 기법명을 반드시 적어야 합니다. 최근 이 칸을 가장 많이 채우는 답이 검색증강생성(RAG)입니다.

이럴 때고장사례 보고서처럼 흩어진 문서를 질문 한 줄로 찾아 쓸 때

난이도 · 문서 품질이 성능

위키 (EN) 실무 튜토리얼

다음 단계

기법을 먼저 고르면 실패합니다

현장에서 가장 흔한 실수는 ‘XGBoost를 써보자’로 시작하는 것입니다. 순서를 뒤집으면 결과가 달라집니다. 답이 있어야 할 질문 → 지금 가진 데이터 → 그 조합에 맞는 기법. 위 카드의 버튼은 이 순서의 마지막 칸을 채우기 위한 참고 자료입니다.

1. STEP 1어떤 의사결정을 바꾸고 싶은지 한 문장으로 씁니다.
2. STEP 2그 문장에 필요한 데이터가 어디에, 어떤 형태로 있는지 확인합니다.
3. STEP 3정답(label)이 있는지 없는지로 기법 절반을 걸러냅니다.
4. STEP 4가장 단순한 기법으로 먼저 기준선을 만듭니다.

기법 다시 골라보기

출처: 첨부 참고자료 ‘데이터 분석 기법’ 표(총 16개 항목, 설명 및 활용 예시 포함)를 바탕으로 재구성했습니다.

각 카드의 버튼은 위키백과(한국어 문서가 있는 경우 우선, 없으면 영어 문서)와 해당 기법의 대표 실무 문서로 연결되는 외부 링크입니다. 새 탭에서 열립니다.