데이터 분석 프로젝트 스터디

1. 문제 정의 / 비즈니스 목표 (Define Goal)

• 목표 및 결과물 설정: 해결할 핵심 문제(이슈, 의사결정 지원 등) 검증할 만한 내용 및 최종적으로 도출할 산출물의 형태를 확인

2. 데이터 수집 (Gather Data)

• 자료 확보: 문제 해결에 필요한 데이터를 식별, 제공된 자료 외에 외부 데이터를 API, 크롤링 등으로 확보.

3. EDA / 데이터 전처리 (Clean & Transform) 

• 정제 작업: 결측치, 이상치, 중복값 등을 처리, 데이터의 형식을 통일, 필요한 경우 파생 변수를 생성합니다.
• 가장 많은 시간 소요

4. 데이터 분석 / 시각화 (Analyze & Explore)

• 패턴 탐색: EDA를 통해 데이터의 특징, 트렌드, 관계, 분포 등 확인
• 변수 관계를 확인하고 시각화를 통해 패턴을 설명합니다.

5. 결과 도출 및 보고 (Report & Insight)

• 인사이트 및 설득: 분석 결과로부터 핵심 인사이트를 도출, 의사 결정에 기여하는 시각화된 보고서를 구성하여 전달
• 스토리텔링이 가능한 보고서 구성이 핵심

 

- 기본 전개:

비즈니스 목표 설정 (사용 데이터 소스) - EDA 과정(기술통계) - 전처리 과정 - 주요 분석 / 시각화 - 인사이트

 

1. 비즈니스 목표 및 데이터 이해

• 배경 및 가설 수립
  • 도메인 이슈 파악 및 해결 목표 설정
  • 가설 설정 (Hypothesis Building)
  • 의사결정권자가 누구인지, 핵심 성과 지표(KPI) 정의
• 데이터 구조 파악
  • ERD 및 테이블 관계 확인 (Key값 식별)
  • 핵심지표
  • 기간
  • 주요 컬럼 의미 및 단위 확인
  • 컬럼별 의도에 따라 컬럼별 범주를 묶음

2. EDA (탐색적 데이터 분석)

• 데이터 구조 확인: 행/열 개수, 데이터 타입, 결측치 현황 파악
• 기초 통계 및 분포 확인: 평균, 중앙값, 표준편차, 분포의 치우침(Skewness) 확인
• 상관관계 파악: 주요 변수 간의 연관성 확인 (Correlation)

3. 데이터 전처리 (Data Preprocessing)

• 정제 (Cleaning): 테이블 결합, 결측치/이상치 처리, 중복 제거
• 변환 (Transformation): 데이터 타입 변경 (String → Date/Int), 범주화 (Binning)
• 피처 엔지니어링 (Feature Engineering): 파생 변수 생성 (요일, 기간, 비율 데이터 등)
  • 날짜 데이터 쪼개기: 특정 이벤트에 데이터가 높게 나타나는지
  • 구간 나누기: 세그먼트 중 집중적으로 데이터 수치가 높거나 낮은 경우
  • 두 변수를 합쳐 새로운 지표 만들기: 키, 몸무게 지표 -> BMI 지수가 어떤지 확인 등

-> 일관된 전처리 규칙과 이유 포함

4. 심층 분석 및 시각화

• 세그먼트 분석: 조건 필터링 및 그룹별(Cohorts) 비교 분석, 집계함수 등
• 시각화: 트렌드(Line), 비중(Pie/Tree), 관계(Scatter), 분포(Boxplot) 시각화
• 드릴 다운: 전체 지표에서 세부 원인으로 좁혀가는 분석

5. 인사이트 도출 및 보고

• 핵심 인사이트 요약: 데이터가 말해주는 사실(Fact) 정리
• 다차원 비교 및 외부 요인: 전년 대비(YoY), 타 도메인 비교 등 입체적 해석
• 액션 플랜 (Action Item): 의사결정권자가 취해야 할 구체적인 행동 제안
• 한계점 및 추후 과제: 분석의 한계 명시

---

공통 데이터 분석 프로젝트 체크리스트

 

 

프로젝트명: ____________________ | 분석가: __________ | 기간: ____.__.__ ~ ____.__.__

 

1. 비즈니스 목표 및 데이터 이해 (Business & Data Understanding)

"무엇을 위해, 어떤 데이터를 보는가?"

구분	체크 항목	주요 고려사항 (질문)	완료(✅) / 비고
1.1 기획	배경 및 이슈 정의	현재 겪고 있는 가장 큰 문제나 기회는 무엇인가?
	가설 수립 (Hypothesis)	"A하면 B할 것이다"라는 잠정적 결론이 있는가?
	이해관계자 & KPI	누가 의사결정을 하는가? 성공 여부를 가를 핵심 지표는?
1.2 데이터	ERD 및 테이블 관계	각 테이블의 Key 값(Join 기준)을 파악했는가?
	데이터 명세 파악	분석 기간, 데이터 단위(원, 달러, 개수), 컬럼 의미를 아는가?
	범주(Category) 파악	성별, 지역 등 범주형 데이터의 종류를 확인했는가?

2. EDA (탐색적 데이터 분석)

"데이터의 민낯을 확인하고, 분석 전략을 세운다"

구분	체크 항목	주요 고려사항 (질문)	완료(✅) / 비고
2.1 구조	데이터 Shape/Type	행/열 개수는 적절한가? 날짜/숫자 타입이 맞는가?
	결측치(NaN) 현황	비어있는 데이터가 얼마나 되며, 무시해도 되는 수준인가?
2.2 통계	기술 통계량 확인	평균, 중앙값, 최대/최소값에 이상한 점은 없는가?
	분포 및 왜곡 확인	데이터가 정규분포인가? 특정 구간에 쏠려(Skewed) 있는가?
2.3 관계	상관관계 분석	A가 오를 때 B도 오르는가? (인과관계와 혼동 주의)

3. 데이터 전처리 (Preprocessing & FE)

"분석에 최적화된 형태로 데이터를 가공한다 (가장 중요)"

구분	체크 항목	주요 고려사항 (질문)	완료(✅) / 비고
3.1 정제	결합 및 중복 제거	Join 시 데이터 뻥튀기(중복)는 없는가?
	결측치/이상치 처리	삭제했는가, 평균으로 채웠는가? (처리 기준/이유 기록 필수)
3.2 변환	데이터 타입 변환	문자열(Object)을 날짜(Datetime)나 숫자(Int/Float)로 바꿨는가?
3.3 FE	날짜 데이터 분해	요일, 월, 계절, 공휴일, 시간대 등으로 쪼개 보았는가?
(Feature Engineering)	구간화 (Binning)	연령대(20대, 30대..), 가격대, 시간대 등으로 그룹화했는가?
	파생 변수 생성	두 변수를 연산(비율, 합계, 차이)하여 새 지표(ex. BMI, 전환율)를 만들었는가?

4. 심층 분석 및 시각화 (Analysis & Visualization)

"쪼개보고, 비교하고, 파고들어 원인을 찾는다"

구분	체크 항목	주요 고려사항 (질문)	완료(✅) / 비고
4.1 분석	세그먼트(Group) 비교	전체 평균의 함정에 빠지지 않도록 그룹별로 쪼개서 보았는가?
	드릴 다운 (Drill-down)	결과(Y)에서 원인(X)으로 깊이 파고들었는가?
4.2 시각화	트렌드 (Line/Area)	시계열 변화 추세가 잘 드러나는가?
	비중 및 비교 (Bar/Pie)	구성 비율이나 그룹 간 차이가 명확한가?
	관계 및 분포 (Scatter/Box)	이상치나 데이터의 퍼짐 정도가 보이는가?

5. 인사이트 도출 및 보고 (Reporting)

"데이터를 행동으로 연결한다"

구분	체크 항목	주요 고려사항 (질문)	완료(✅) / 비고
5.1 해석	핵심 사실(Fact) 요약	"매출이 10% 올랐다"와 같은 객관적 사실을 정리했는가?
	입체적 비교 (Context)	전년 대비(YoY), 경쟁사 대비, 목표 대비 어떠한가?
5.2 제안	액션 플랜 (Action)	그래서 "무엇을 해야 하는지" 구체적으로 제안했는가?
5.3 마무리	한계점 및 과제	이번 분석에서 부족했던 데이터나 추가 검증이 필요한 부분은?