기술 또는 기본 분석

첨부파일 P17-01.pdf 원문다운하기 미리보기

설문조사 데이터 분석 방법

이제 설문조사 결과를 수집했고 설문조사 데이터 분석 계획도 수립했으므로 데이터를 좀 더 심층적으로 파고 들어가 정리하고 분석할 때입니다.

간편한 설문조사 데이터 분석

온라인 설문조사 결과를 받았습니다. 이제 통계적인 설문조사 결과를 수집했고 데이터 분석 계획도 수립했으므로 확보한 설문조사 결과를 계산하는 절차를 시작할 때입니다. 답변을 살펴보고 핵심적인 연구조사 질문과 설문조사 목표에 초점을 맞추는 것으로부터 통계를 내고 결론을 도출하는 데 이르기까지 SurveyMonkey 설문조사 연구 과학자들은 여기에 설명된 방법으로 정량적 데이터를 파악(또는 정성적 데이터 파악)합니다.

SurveyMonkey로 어떻게 쉽게 결과를 분석할 수 있는지 살펴보세요

시작할 준비가 되셨나요?

다음의 4단계를 따라 설문조사 결과를 더 효과적으로 계산하세요.

1. 가장 핵심적인 연구조사 질문 살펴보기
2. 결과 교차분석 및 필터링하기
3. 통계 수치 계산하기
4. 결론 도출하기

가장 핵심적인 연구조사 질문 살펴보기

우선, 가장 핵심적인 질문으로부터 확보한 설문조사 결과를 분석하는 방법부터 살펴보겠습니다. 경험적인 연구 질문도 포함시키셨나요? 확률적 표본추출도 고려해 보셨나요? 설문조사 목표를 정했을 때 핵심적인 연구조사 질문에 대한 윤곽도 정했어야 합니다.

예를 들어, 교육 컨퍼런스를 주최하고 참석자들에게 행사 후 피드백 설문조사를 보냈다고 가정하죠. 여기서 가장 핵심적인 연구조사 질문 중 하나는 ‘컨퍼런스에 대한 전반적인 참석자들의 평가’일 것입니다. 참석자들이 행사를 전반적으로 어떻게 평가했습니까? 다음과 같은 특정 설문조사 질문에 대해 수집된 답변을 살펴보면 이 핵심적인 연구조사 질문에 대한 답을 얻을 수 있습니다.

내년에 이 컨퍼런스에 참석할 계획입니까?

보기
예	71%	852
아니요	18%	216
확실하지 않음	11%	132
총계	1,200

응답을 살펴보면 백분율(71%, 18%)이 있고 처리되지 않은 수치(852, 216)가 있습니다.

백분율은 특정 답변을 제공한 사람들에 대한 백분율입니다. 이를 다른 말로 설명하면 백분율은 곧 각 답변을 제공한 사람들의 수를 해당 질문에 답변을 제공한 사람들의 수에 대한 비율로서 나타내는 것입니다. 이 표에서는 설문조사 응답자의 71%(설문조사 대상 1,200명 중 852명)가 내년에 다시 참석할 의향을 나타내고 있습니다.

18%의 사람들은 다시 참석할 의향이 없고 11%는 아직 결정하지 않았음을 보여줍니다.

결과 교차분석 및 필터링하기

설문조사 목표를 정하고 분석 계획을 개발했을 때 어떤 하위 그룹을 분석하고 비교할 것인지에 대해 생각해 두셨던 것을 기억하시나요? 예를 들어, 내년에 열릴 컨퍼런스에 대한 질문에 교사, 학생 및 행정인들의 답변을 서로 비교한다고 가정하죠. 이를 알아내기 위해 컨퍼런스 질문에 대한 결과를 하위 그룹별로 나타낼 수 있는 교차분석을 통해 응답률을 살펴볼 수 있습니다.

예	아니요	확실하지 않음	총계
교사	80% 320	7% 28	13% 52	400
행정인	46% 184	40% 160	14% 56	400
학생	86% 344	8% 32	6% 24	400
총 응답자 수	852	216	132	1,200

이 표를 미루어 보아 학생 및 교사들의 대부분(각각 86% 및 80%)이 내년에 다시 참석할 계획임을 알 수 있습니다. 하지만 이와는 달리, 올해 컨퍼런스에 참석했던 행정인들 중 절반에 미치지 못하는(46%) 행정인들이 내년에 참석할 계획임을 보여주고 있습니다! 다른 질문들을 통해 어째서 이런 현상이 벌어졌는지를 알아보고 행정인들을 위해 컨퍼런스를 개선하여 내년에 더 많은 행정인들이 다시 참석하도록 기술 또는 기본 분석 할 수 있습니다.

필터는 데이터 모형화에 사용할 수 있는 또 다른 유용한 도구입니다. 필터링이란 다른 요소들을 모두 제거하고 한 개의 특정 하위 그룹에만 초점을 맞추는 것입니다. 즉 하위 그룹들을 서로 비교하는 것이 아니라, 단 한 개의 하위 그룹이 어떻게 답변했는지를 살펴보게 됩니다. 예를 들어, 여성 행정인, 여성 교사, 여학생들을 비교하기 위해 여성(또는 남성)에만 중점을 두어 참석자 유형별 교차분석을 다시 실행할 수 있습니다. 이렇게 결과를 여러 가지 면으로 분석할 때 주의해야 할 점은 필터 또는 교차 분석을 적용할 때마다 표본 크기가 줄어든다는 것입니다. 통계적으로 유의성 있는 결과를 확보하기 위해 표본 크기 계산기를 사용할 수 있습니다.

벤치마크, 동향 및 비교 데이터

컨퍼런스 피드백 설문조사에서 핵심 질문 중 하나가 ‘컨퍼런스에 대해 전반적으로 얼마나 만족’했는지를 묻는 질문이었다고 가정하죠. 여기서 75%의 참석자들이 컨퍼런스에 만족했다고 답변했습니다. 꽤 높은 만족도죠? 하지만 이 수치가 좀 더 의미를 가지도록 하는 것은 어떨까요? 다른 요소와 비교해 보는 것은요? 작년보다 더 나아진 수치인가요, 아니면 더 하락된 수치인가요? 다른 컨퍼런스와 비교했을 때는 어떤가요?

또한, 이 질문을 작년 컨퍼런스 후의 컨퍼런스 피드백 설문조사에서도 물었다고 가정하죠. 이 경우엔 동향 비교를 할 수 있습니다. 여론조사 전문가들이 하나같이 이구동성으로 하는 말은 ‘동향을 알아야 길이 보인다’라는 것입니다.

작년 만족도가 60%였다면 올해에는 15%나 그 수치가 상승했습니다! 만족도를 상승시킨 요인은 무엇일까요? 설문조사의 다른 질문들에서 이에 대한 답변을 찾아볼 수 있습니다.

작년 컨퍼런스 데이터가 없는 경우, 올해가 각 컨퍼런스마다 피드백을 수집하기 시작하는 시점이 됩니다. 이를 벤치마킹이라고 합니다. 벤치마크나 기준치를 수립하고 나면 다음부터는 이러한 수치에 변화가 생겼는지, 어째서 변화가 생겼는지를 알 수 있게 됩니다. 참석자들의 만족도뿐만 아니라 다른 질문들도 벤치마크하여 참석자들이 컨퍼런스에 대해 어떻게 생각하는지 매년 확인할 수 있습니다. 이 방법을 종단적 데이터 분석이라고 합니다.

서로 다른 하위 그룹에 대한 데이터도 추적할 수 있습니다. 예를 들어, 학생과 교사의 만족도는 매년 계속해서 상승되나 행정인들의 만족도는 그렇지 않다고 가정하죠. 이런 경우엔 행정인들이 답변을 제공한 다른 여러 가지 질문들을 연구하여 어째서 행정인들이 다른 참석자들보다 덜 만족해 하는지에 대한 통찰력을 확보할 수 있습니다.

통계 수치 계산하기

다시 참석할 의향이 있다고 밝힌 사람들의 수는 알고 있지만 설문조사로부터 확보한 답변이 얼마나 신뢰성 있으며 향후 의사결정에 확신을 가지고 사용할 수 있는지 어떻게 알 수 있을까요? 데이터 질에 주의를 기울이고 통계적 유의성에 대한 요소를 이해하는 것은 매우 중요합니다.

일상적 대화에서 ‘유의성’이라는 말은 중요하거나 의미가 있다는 뜻으로 사용됩니다. 설문조사 분석이나 통계학에서의 유의성은 ‘정확성에 대한 평가’를 뜻합니다. 바로 여기서 설문조사 작업에 ‘플러스 또는 마이너스’가 사용되기 시작합니다. 구체적으로 말하면 이는 설문조사 결과가 특정 신뢰 수준 내에서 정확성이 있으며 그 정확성이 임의적인 요소로 인한 결론이 아님을 뜻합니다. 부정확한 결과(즉, 통계적 유의성이 없는 결론)를 기반으로 도출한 결론은 위험성을 지닙니다. 모든 통계적 유의성 평가에서 첫 번째로 고려해야 하는 요소는 표본의 대표성입니다. 즉, 설문조사에 포함된 그룹의 사람들이 결론을 도출하고자 하는 대상인 사람들 전체를 얼마나 잘 나타내고 있느냐를 고려하는 것입니다.

설문조사를 완성한 컨퍼런스 참석자들 중 90%가 남성이나 컨퍼런스 참석자들의 15%만이 남성이라면 여기서 결론되는 수치를 확신할 수 없습니다. 연구하고자 하는 인구 집단에 대해 더 많이 알면 알수록 이러한 수치와 설문조사가 일치할 때 설문조사로부터 확보하는 결과에 확신을 가지게 됩니다. 이 예에서 성별로 보자면 남성이 설문조사 응답자의 15%를 차지했다면 문제가 될 일이 없습니다.

설문조사 표본이 이미 파악되어 있는 인구 집단의 무작위 선택 표본이라면 통계적 유의성은 간단한 방법으로 계산될 수 있습니다. 여기서 가장 중요한 요소는 표본 크기입니다. 예를 들어, 컨퍼런스에 참석한 1,000명 중 50명이 설문조사에 응답했다고 가정하죠. 이 50명은 작은 표본 크기로 인해 넓은 오차 한계를 가지게 됩니다. 간단히 말해, 이 결과의 의미는 그다지 신뢰성이 없게 되는 것입니다.

이번엔 설문조사 응답자들에게 컨퍼런스 중 진행된 10개의 세션 중 몇 개에 참석했는지 물었고 다음과 같은 결과를 확보하게 되었다고 가정해 보죠.

1	2	3	4	5	6	7	8	9	10	총계	평균 등급
참석한 세션 수	10% 100	0% 0	0% 0	5% 50	10% 100	26% 280	24% 240	19% 190	5% 50	1% 10	1,000	6.1

여기서는 평균을 분석하고자 합니다. 평균에는 평균값, 중앙값, 최빈값의 세 가지 종류가 있습니다.

위의 표에서 보자면 세션에 참석한 평균 수는 6.1개입니다. 표에 나와 있는 평균은 평균값으로 대부분의 사람들에게 익숙한 종류의 평균입니다. 평균값을 계산하려면 데이터를 모두 합한 후, 더한 수치의 수로 나눕니다. 이 예에서는 100명이 1개의 세션에 참석했고, 50명은 4개, 100명은 5개에 참석했음을 알 수 있습니다. 참석 세션 수와 인원 수 쌍을 서로 곱하고, 이 곱에서 나온 수치를 합하여 총 인원 수로 나눕니다.

중앙값은 평균의 또 다른 종류입니다. 중앙값은 중간에 있는 값, 즉 50% 지점을 뜻합니다. 위의 표에서는 500명이 세션 수의 왼쪽에 있고 다른 500명은 오른쪽에 있는 세션 수를 파악하고자 합니다. 이 경우 중앙값은 세션 6개입니다. 이렇게 하면 데이터에 부정적인 영향을 주는 이상치로부터의 영향을 제거할 수 있습니다.

마지막 종류의 평균은 최빈값입니다. 최빈값은 가장 빈번한 응답입니다. 여기서 최빈값은 6입니다. 왜냐하면 6개의 세션에 참석한 응답 수가 다른 어떠한 참석 세션 수보다도 더 많았기 때문입니다.

다른 종류의 평균인 평균값은 결과가 리커트 척도에 기반하는 경우에도 사용될 수 있습니다.

결론 도출하기

설문조사 결과에 대해 보고할 때에는 데이터가 전달하고자 하는 의미를 생각해야 합니다.

컨퍼런스가 전반적으로 그다지 좋지 않은 평가를 받았다고 가정하죠. 그렇다면 왜 그런 평가를 받게 되었는지 좀 더 심층적으로 살펴보아야 합니다. 데이터를 살펴보면 세션, 수업, 사교 행사, 호텔 등 컨퍼런스의 모든 측면에서 참석자들이 매우 높은 등급을 주었으나 컨퍼런스가 열린 도시를 좋아하지 않았을 수도 있습니다. 예를 들어 겨울철 1월에 가장 추운 도시에서 컨퍼런스가 개최되어 참석자들이 밖으로 나가기에 너무 추웠을 수 있습니다. 바로 이러한 사항이 데이터가 전달하고자 하는 의미입니다. 컨퍼런스 자체는 매우 훌륭했으나 장소 면에서 좋지 않은 선택을 한 것입니다. 이러한 의미로부터 겨울에는 따뜻한 곳에서 컨퍼런스를 개최하는 개선점을 만들 수 있습니다.

데이터 분석 및 보고 요소들 중 고려해야 하는 한 가지는 인과관계와 상관관계입니다.

SurveyMonkey로 다음 번 설문조사를 분석하세요

설문조사 데이터 수집

설문조사 데이터 수집은 설문조사를 이용하여 특정 응답으로부터 정보를 수집하는 것입니다. 설문조사 데이터 수집은 인터뷰, 포커스 그룹 등을 포함한 다른 데이터 수집 유형을 대체하거나 보완할 수 있습니다. 설문조사로부터 수집된 데이터는 직원 몰입도를 증가시키고, 구매자 행동 유형을 이해하며, 고객 체험을 향상하는 데 이용할 수 있습니다.

종단적 분석

종단적 데이터 분석(흔히 ‘동향 분석‘이라고 함)은 기본적으로 특정 질문에 대해 알게 된 사항들이 시간의 경과에 따라 어떻게 변하는지를 추적하는 것입니다. 일단 벤치마크를 수립하고 나면 수치가 변하는지, 어떻게 변하는지 측정할 수 있습니다. 컨퍼런스에 대한 만족도가 3년 전에는 50%였고, 2년 전에는 55%, 작년에는 65%, 올해는 75%였다고 가정하죠. 이 경우엔 종단적 데이터 분석이 만족도 면에서 계속 상승 추세를 보여주므로 바람직한 변화를 나타내고 있습니다.

상관관계와 인과관계의 차이

인과관계는 한 가지 요소가 다른 요소의 원인이 되는 것이며 상관관계는 두 가지 변수가 함께 움직이지만 서로 영향을 미치거나 서로 다른 변수의 원인이 되지는 않습니다. 예를 들어, 겨울철에 핫초콜릿을 마시고 벙어리 장갑을 끼는 것은 상관관계가 있는 두 가지 변수입니다. 즉, 함께 상승하거나 함께 하락합니다. 하지만 핫초콜릿과 벙어리 장갑이 서로의 원인이 되지는 않으며 둘 다 모두 추운 날씨와 같이 제3의 요소가 그 원인이 됩니다. 추운 날씨는 핫초콜릿 수요와 벙어리 장갑을 끼게 되는 확률을 모두 높입니다. 추운 날씨는 독립 변수이며 핫초콜릿 수요와 벙어리 장갑을 끼게 되는 확률은 종속 변수입니다. 여기서 설명한 컨퍼런스 의견 설문조사에서는 추운 날씨가 컨퍼런스가 열린 도시와 컨퍼런스 전반에서 참석자들의 불만족에 영향을 미쳤습니다. 최종적으로, 설문조사의 변수 간 관계를 더 심층적으로 조사하기 위해 회귀 분석을 실행해야 할 수도 있습니다.

회귀 분석

회귀 분석은 고급 데이터 분석 방법으로 두 가지 이상의 변수들 간의 관계를 연구할 수 있습니다. 회귀 분석에는 여러 가지 종류가 있으며 설문조사 과학자가 선택하는 분석법은 조사하고자 하는 변수에 달려 있습니다. 하지만 모든 종류의 회귀 분석이 가지고 있는 공통점은 종속 변수에 미치는 한 가지 이상의 독립 변수의 영향을 파악한다는 것입니다. 설문조사 데이터 분석을 통해 세션 수, 기조연설자, 또는 사교 행사나 컨퍼런스 장소 등과 같이 컨퍼런스 참석자들의 만족도에 가장 큰 영향을 미치는 요소가 무엇인지를 알아보고자 할 수도 있습니다. 세션 수가 영향을 미쳤나요? 기조연설자였나요? 사교 행사였나요? 아니면 행사 장소였나요? 설문조사 과학자는 여기에서 회귀 분석을 사용하여 컨퍼런스의 서로 다른 이러한 요소들이 전체적인 만족도에 영향을 미쳤는지와 어느 정도로 영향을 미쳤는지를 측정할 수 있습니다.

이러한 측정을 통해 다음 번 컨퍼런스에서는 어떤 면을 개선할 것인지를 알게 됩니다. 예를 들어, 오프닝 세션에 최고의 기조연설자를 고용하기 위해 매우 높은 사례금을 지불했다고 가정하죠. 참석자들이 이 연설자와 컨퍼런스에 전체적으로 높은 점수를 주었습니다. 이 두 가지만을 기반으로 하자면 비싸고 인기 있는 기조연설자를 고용하는 것이 컨퍼런스의 성공을 좌지우지한다고 결론을 내릴 수도 있습니다. 회귀 분석을 사용하여 이러한 결론이 정확한지를 알아볼 수 있습니다. 기조연설자의 인기도가 컨퍼런스 만족도를 결정 짓는 주요 요소였다는 사실을 발견하게 될 수 있습니다. 이런 경우엔, 내년에도 다시 최고의 기조연설자를 고용할 필요가 있습니다. 하지만 회귀 분석에서 참석자들이 연설자를 좋아는 했지만 이 사실이 참석자들의 만족도에 크게 영향을 미치지 않았다는 사실을 알게 되었습니다. 이런 경우엔 기조연설자 고용에 소요한 높은 지출 비용을 다른 곳에 사용해야 할 수 있습니다. 설문조사 데이터가 제시하는 의미를 신중하게 분석함으로써 답변을 사용하여 충분한 정보에 입각한 결정을 내리는 데 큰 도움을 받을 수 있습니다.

[GA4] 보고서 시작하기

Google 애널리틱스 계정에서는 웹사이트 및 앱의 데이터를 분석하는 데 사용할 수 있는 사전 작성된 보고서가 제공됩니다. Google에서 제공하는 보고서 외에도 자체 보고서를 작성하여 필요한 정보를 참고할 수 있습니다.

애널리틱스에는 기본적으로 보고서 개요 보고서, 실시간 보고서 및 다음과 같은 보고서 컬렉션 및 주제가 포함되어 있습니다. 데이터를 더욱 자세히 분석하려면 탐색 분석 및 BigQuery를 사용하세요.

수명 주기 컬렉션

수명 주기 컬렉션에는 다음과 같이 획득에서 전환까지에 이르는 사용자 활동을 파악하는 데 도움이 되는 보고서가 포함되어 있습니다.

• 획득은 신규 사용자와 재사용자 및 획득 방법(예: 매체, 소스, 캠페인)에 초점을 맞춥니다.
• 참여에는 이벤트 수, 사용자가 내 사이트 또는 앱을 사용한 횟수, 사용자가 내 사이트 또는 앱으로 재방문한 횟수별 사용자 활동이 표시됩니다.
• 수익 창출은 전자상거래 구매, 인앱 구매, 정기 결제, 모바일 광고를 통해 창출되는 수익을 이해하는 데 도움이 됩니다.
• 유지는 신규 사용자를 재사용자로 얼마나 효과적으로 전환할 수 있는지와 지속적으로 재방문하는 사용자의 비율을 다룹니다.

업종이 게임으로 기술 또는 기본 분석 기술 또는 기본 분석 설정되어 있거나 앱 스트림의 50% 이상이 게임으로 분류된 앱과 관련이 있는 경우 애널리틱스의 수명 주기 컬렉션이 게임 보고서 컬렉션으로 대체됩니다.

사용자 컬렉션

사용자 컬렉션에는 다음과 같이 사이트 또는 앱 사용자에 대해 알아볼 수 있는 주제가 포함되어 있습니다.

• 인구통계는 연령, 위치, 관심분야 등을 기준으로 사용자를 분류합니다. 은 사람들이 사용하는 기술과 다양한 버전의 채택을 보여줍니다.

앱 개발자 컬렉션

애플리케이션에서 Firebase용 Google 애널리틱스(GA4F) SDK를 사용하면 왼쪽 탐색 메뉴에 앱 개발자 컬렉션이 추가됩니다. 컬렉션은 연결된 앱에 대한 정보를 제공합니다.

기간 변경

기본적으로 Google 기술 또는 기본 분석 애널리틱스의 보고서에는 지난 28일간의 데이터가 표시됩니다. 보고서의 오른쪽 상단에 있는 드롭다운을 사용하여 기간을 조정할 수 있습니다. 한 보고서의 기간을 변경하면 계정에 있는 다른 보고서의 기간도 변경됩니다. 실시간 보고서의 기간은 조정할 수 없습니다.

커뮤니티형 그룹 클래스

👋🏻 클래스 필수 정보

00:13:34

클래스 소개

클래스는 이렇게 진행돼요.

결제 직후, 커뮤니티에 초대해드립니다. 커뮤니티에 가입 후 같은 기수의 사람들과 소통해보세요.

그룹 미션 0개를 드립니다.
내가 원하는 시간에, 원하는 장소에서 미션 완료 후 커뮤니티에 인증하면 완료!

💪 필독 장학금 혜택 안내드려요.

커뮤니티에서 함께한
클래스유 회원들의 리뷰

안녕하세요?
LH입니다.

소소하지만 확실한 성장 : 소확성
어제보다 조금 더 성장한 오늘의 나를 위해, 소확성이 함께 합니다.
여러분의 일과 삶, 생활을 업그레이드하는 진정한 나만의 성장을 위한 콘텐츠를 제공합니다.
* 온라인교육전문기업 (주)알엠피 홈페이지 www.thermp.co.kr

선생님 이야기 더보기

등록을 서두르세요!
그룹은 인원이 제한되어 있습니다.

이건 어때요?

추천 클래스 더보기

이런 관심사는 어때요?

환불 정책

수강권 환불 규정

구분	환불액	위약금
수강기간 시작일로부터 7일 이내 무료로 오픈된 컨텐츠만을 이용한 경우	결제대금 기술 또는 기본 분석 전액	없음
수강 기간 또는 컨텐츠 이용 1/10 경과 전	결제대금의 9/10	결제금액의 10%
수강 기간 또는 컨텐츠 이용 2/10 경과 전	결제대금의 8/10
수강 기간 또는 컨텐츠 이용 3/10 경과 전	결제대금의 7/10
수강 기간 또는 컨텐츠 이용 4/10 경과 전	결제대금의 6/10
수강 기간 또는 컨텐츠 이용 5/10 경과 전	결제대금의 5/10
수강 기간 또는 컨텐츠 이용 6/10 경과 전	결제대금의 4/10
수강 기간 또는 컨텐츠 이용 7/10 경과 전	결제대금의 3/10
수강 기간 또는 컨텐츠 이용 8/10 경과 전	결제대금의 2/10
수강 기간 또는 컨텐츠 이용 9/10 경과 후	환불 불가	-

구분	준비물 상품성 훼손 여부	환불액	교환 요청 가능 여부
배송 완료로부터 7일 이내	X	결제 금액에서 왕복 택배비를 제한 금액	가능
배송 완료로부터 7일 이내	O	청약철회 제한	불가
배송 완료로부터 7일 초과	-	청약철회 제한	불가

* 수강기간이란 회원이 구매한 수강권의 수강 기간을 의미합니다.
* 수강기간은 결제일부터 시작하나, 결제일 당시 클래스가 개강되기 전이라면, 수강기간은 클래스가 개강한 날로부터 시작합니다.
* 컨텐츠 이용이란, 클래스를 구성하는 컨텐츠 중 이용한 컨텐츠의 비율을 의미합니다. 단, 클래스 영상의 일부 재생 시 이용한 것으로 간주합니다.
* 환불 요청일 기준 수강기간과 수강진도 중 높은 값을 적용하여 환불금액을 산정합니다.
* 수업 자료를 다운받았을 경우에는 컨텐츠를 이용하신 것으로 간주합니다.
* 사용하신 수강 기간은 클래스 시작일로부터 환불 접수일까지의 기간으로 계산합니다.
- 학습기간 별로 수강기간과 추가 혜택 기간이 존재합니다. 환불은 수강 기간에 대하여만 진행되며, 추가 혜택 기간에는 환불이 불가합니다.
- 1개월권 구매 시 = 수강기간 (31일)
- 3개월권 구매 시 = 수강기간 (93일)
- 6개월권 구매 시 = 수강기간 (186일)
- 평생 수강권은 실 수강기간(6개월)에 추가 혜택기간이 포함된 것으로, 실 수강 기간 종료 후 추가 혜택기간에 클래스의 변화에 관하여는 책임을 지지 않습니다.

* 수강기간은 일시정지 하실 수 없으며, 구매하신 수강권(수강 기간)을 이용 중 변경하는 것은 불가능합니다.
* 포인트를 활용하여 결제하신 경우, 환불 시 사용하신 포인트는 반환되지 않습니다.
* 준비물이 배송 준비중에 있을 때 취소 요청을 하신 경우, 배송 업체에 확인 후 환불절차가 진행됩니다.
- 만일 배송이 이미 시작된 경우, 왕복배송비 차감 후 환불이 진행됩니다.

* 사은품을 받고 취소를 하신 경우, 사은품은 준비물과 동일하게 보고 결제하신 금액에서 차감 후 환불이 진행됩니다.
* 준비물의 경우, 제조사의 환불 및 A/S 정책을 따릅니다.
* 당일 카드 취소는 즉시 취소확인이 가능하나, 일정 기간이 지난 후 취소한 경우 일부 카드수수료 등이 발생할 수 있으며, 승인 취소가 되기까지 영업일 기준 최대 5일 정도의 기간이 소요됩니다.
* 전액환불 대상이나, 카드 취소가 불가한 경우 계좌이체로 환불이 진행되며 결제 수수료 5%를 제외하고 환불이 진행됩니다.

"*환급반/ 환불보장 클래스의 경우 당사에서 진행하는 이벤트가 아닌 강사님께서 별도로 진행하는 이벤트이므로, 당사에서 진행하는 환불규정과는 별개의 내용입니다. 해당 클래스 환급 관련 문의는 강사님께 메세지 바랍니다."

환불 진행 방법

[스마트폰 이용시]
어플 하단 [마이프로필] > [내정보] > [결제내역] 에서
환불 원하시는 클래스의 [결제 상세 보기] 클릭 후
[환불 신청] 탭 클릭하여 환불 양식 작성하여 신청해주세요.

빅데이터 vs. 전통적인 데이터

빅데이터는 고객 행동에 대한 중요한 인사이트, 시장 활동에 대한 정확한 예측, 전반적인 효율성 향상 등 비즈니스에 엄청난 기회를 제공합니다.

사람들과 기업들은 매년 점점 더 많은 데이터를 생성하고 있습니다. IDC 보고서에 따르면, 2010년 전 세계에서 생성된 새로운 데이터는 1.2제타바이트(1.2조 기가바이트)에 불과했습니다. 그러나 2025년에는 175제타바이트(175조 기가바이트) 또는 그 이상으로 증가할 수 있습니다 1 .

그리고 비즈니스가 예측 분석 및 데이터 마이닝을 통해 늘어나는 리소스를 기술 또는 기본 분석 활용함에 따라 빅데이터 시장도 성장할 것입니다. Statista 보고서는 빅데이터 시장이 2018년에서 2027년 사이 1,690억 달러에서 2,740억 달러로 두 배 이상 성장할 것으로 예측합니다.

그런데 빅데이터와 전통적인 데이터의 가장 큰 차이점은 무엇일까요? 그리고 현재 데이터 스토리지, 프로세싱 및 기술 또는 기본 분석 분석 기술에 이들이 어떤 영향을 미칠까요? 여기서는 빅데이터와 전통적인 데이터를 모두 활용하여 성공을 계획하는 전략의 중요성과 데이터의 유형별 용도에 대해 설명합니다.

전통적인 데이터란?

전통적인 데이터는 정형화 되어있고, 관계형 데이터 조직이 수십 년 동안 저장 및 처리해 왔습니다. 전통적인 데이터는 여전히 전 세계 데이터의 대부분을 차지합니다.

기업은 전통적인 데이터를 활용하여 매출을 트랙킹하거나 고객 관계 또는 워크플로우를 관리할 수 있습니다. 전통적인 데이터는 조작하기 쉽고 기존의 데이터 처리 소프트웨어로 관리할 수 있습니다. 그러나 전통적인 데이터는 빅데이터에 비해 제한된 인사이트와 이점을 기술 또는 기본 분석 제공합니다.

빅데이터란?

빅데이터는 대규모 혹은 복잡한 데이터 세트와 이러한 유형의 데이터를 처리하는 데 사용되는 방법을 의미합니다. 빅데이터는 "V4"로 알려진 4가지 주요 특성이 있습니다.

• 볼륨(Volume): 빅데이터는. 방대합니다. 빅데이터는 크기로 구분할 수 있을 뿐만 아니라, 본질적으로 볼륨도 매우 큽니다.
• 다양성(Variety): 빅데이터 세트에는 일반적으로 정형, 반정형 및 비정형 데이터가 포함됩니다.
• 속도(Velocity): 빅데이터는 빠르게 생성되며 실시간으로 처리되는 경우가 많습니다.
• 정확성(Veracity): 빅데이터는 본질적으로 전통적인 데이터보다 품질이 우수한 것은 아니지만, 그 정확성은 매우 중요합니다. 이상치, 편향성 및 노이즈는 빅데이터 품질에 상당한 영향을 미칠 수 있습니다.

빅데이터와 전통적인 데이터의 차이점

빅데이터와 전통적인 데이터를 구별하기 위해 몇 가지 특성이 사용되며, 그 특징들은 다음과 같습니다:

• 데이터의 크기
• 데이터 구성 방법
• 데이터 관리에 필요한 아키텍처
• 데이터가 파생되는 소스
• 데이터 분석에 사용되는 방법

기존 데이터 세트는 일반적으로 기가바이트와 테라바이트 단위로 측정됩니다. 따라서, 서버 한 대에도 중앙 집중식 스토리지를 사용할 수 있습니다.

빅데이터는 크기뿐만 아니라 볼륨으로도 구분됩니다. 빅데이터는 일반적으로 페타바이트, 제타바이트 또는 엑사바이트 단위로 측정됩니다. 점점 더 커지는 빅데이터 세트의 규모는 현대적인 고용량 클라우드 기반 데이터 스토리지 솔루션에 대한 수요를 뒷받침하는 주요 요소 중 하나입니다.

전통적인 데이터는 일반적으로 레코드, 파일 및 테이블로 구성된 정형 데이터입니다. 기존 데이터 세트의 필드는 관계형이므로 서로의 관계를 파악하고 그에 따라 데이터를 조작할 수 있습니다. SQL, Oracle DB 및 MySQL과 같은 기존 데이터베이스는 사전 구성된 스태틱 스키마를 사용합니다.

빅데이터는 다이내믹 스키마를 사용합니다. 스토리지에서 빅데이터는 원시적(raw)이며 비정형입니다. 빅데이터에 접근하면 다이내믹 스키마가 원시 데이터에 적용됩니다. Cassandra 및 MongoDB와 같은 최신 비관계형 또는 NoSQL 데이터베이스는 데이터를 파일에 저장하므로 비정형 데이터에 적합합니다.

전통적인 데이터는 일반적으로 중앙 집중식 아키텍처를 통해 관리되며, 이와 같은 아키텍처는 소규모의 정형화된 데이터 세트에 보다 비용 효율적이고 안전할 수 있습니다.

일반적으로, 중앙 집중식 시스템은 중앙 노드(예: 서버)에 연결된 하나 이상의 클라이언트 노드(예: 컴퓨터 또는 모바일 장치)로 구성됩니다. 중앙 서버는 네트워크를 제어하고 보안을 모니터링합니다.

빅데이터는 규모와 복잡성 때문에 중앙에서 관리할 수 없습니다. 따라서 분산 아키텍처를 필요로 합니다.

분산 시스템은 네트워크를 통해 여러 서버 또는 시스템을 연결하여 동일한 노드로 작동합니다. 아키텍처는 수평 확장이 가능하며(스케일 "아웃") 개별 노드에 장애가 발생하더라도 지속적으로 작동합니다. 분산 시스템은 상용 하드웨어를 활용하여 비용을 절감할 수 있습니다.

전통적인 데이터는 일반적으로 ERP(전사적자원관리), CRM(고객관계관리), 온라인 트랜잭션 및 기타 엔터프라이즈 레벨 데이터에서 파생됩니다.

빅데이터는 소셜 미디어, 디바이스 및 센서 데이터, 시청각 데이터 등 다양한 엔터프라이즈 및 비엔터프라이즈 레벨 데이터에서 파생됩니다. 이러한 소스 유형은 동적이고 진화하며 매일매일 증가하고 있습니다.

비정형 데이터 소스에는 텍스트, 동영상, 이미지 및 오디오 파일도 포함될 수 있습니다. 전통적인 데이터베이스의 열과 행으로는 이러한 유형의 데이터를 활용할 수 없습니다. 점점 더 많은 양의 데이터가 비정형 구조를 띄고 있으며 여러 소스에서 제공되기 때문에 데이터에서 가치를 추출하려면 빅데이터 분석 방법이 필요합니다.

전통적인 데이터 분석은 점진적으로 이뤄집니다. 이벤트가 발생하면 데이터가 기술 또는 기본 분석 생성되고, 이 데이터의 분석은 이벤트가 발생한 후에 수행됩니다. 전통적인 데이터 분석은 기업들이 정해진 기간 동안 특정 전략이나 변경 사항이 제한된 범위의 메트릭스에 미치는 영향을 이해하는 데 도움이 될 수 있습니다.

빅데이터 분석은 실시간으로 가능합니다. 빅데이터는 초 단위로 생성되므로 데이터가 수집되는 동안 분석할 수 있습니다. 빅데이터 분석은 기업의 요구사항과 전략에 대해 보다 동적이고 전체적인 이해를 제공합니다.

예를 들어, 기업이 직원을 위한 교육 프로그램에 투자했는데 그 효과를 측정하려고 한다고 가정해 보겠습니다.

전통적인 데이터 분석 모델에서는 기업이 세일즈와 같은 특정 운영 영역에 대한 교육 프로그램의 영향을 파악하고자 할 수 있습니다. 기업은 교육 전후의 판매량을 기록하고 관련 없는 요소는 제외합니다. 이론상으로는 교육의 결과로 매출이 얼마나 증가했는지 알 수 있습니다.

빅데이터 분석 모델을 활용하는 기업은 교육 프로그램이 특정 운영 영역에 어떤 영향을 기술 또는 기본 분석 주었는지에 대한 질문을 하지 않습니다. 대신, 전체 비즈니스에서 실시간으로 수집된 대량의 데이터를 분석하여 세일즈, 고객 서비스, 홍보 등 영향을 받은 특정 영역을 식별할 수 있습니다.

빅데이터vs. 전통적인 데이터: 미래를 위한 중요한 고려 사항

빅데이터와 전통적인 데이터는 서로 다르지만 관련성이 있습니다. 빅데이터가 더 큰 잠재적인 이점을 제공하는 것처럼 보일 수 있지만, 모든 상황에서 적합하거나 필요한 것은 아닙니다. 빅데이터는:

• 시장 동향 및 소비자 행동에 대한 심층 분석을 제공할 수 있습니다. 전통적인 데이터 분석은 빅데이터가 제공할 수 있는 인사이트를 제공하기에는 범위가 좁거나 제한적일 수 있습니다.
• 인사이트를 더 빠르게 제공합니다. 조직은 빅데이터로부터 실시간으로 많은 것을 얻을 수 있습니다. 따라서 빅데이터 분석은 기업에게 경쟁 우위를 제공합니다.
• 더 효율적입니다. 디지털화가 가속화됨에 따라 사회와 기업은 매일, 심지어 매분마다 엄청난 양의 데이터를 생성하고 있습니다. 빅데이터는 이러한 데이터를 통해 의미 있는 인사이트를 도출할 수 있습니다.
• 사전 준비가 필요합니다. 이러한 이점을 활용하기 위해 조직은 새로운 보안 프로토콜, 구성 단계 및 사용 가능한 처리 역량을 향상시켜 빅데이터에 완벽히 대비해야 합니다.

빅데이터의 부상이 전통적인 데이터의 소멸을 의미하지는 않습니다. 전통적인 데이터는:

• 보안이 쉬워 매우 민감하거나 개인적인 데이터 세트 또는 기밀 데이터 세트에 적합합니다. 전통적인 데이터는 크기가 작기 때문에 분산 아키텍처가 필요하지 않으며 서드파티 스토리지의 필요성 또한 적습니다.
• 기존의 데이터 처리 소프트웨어와 일반 시스템 구성을 사용하여 처리할 수 있습니다. 빅데이터를 처리하기 위해서는 일반적으로 더 높은 구성 설정이 필요합니다. 전통적인 데이터 방법만으로도 충분할 경우, 이처럼 리소스 사용량과 비용이 늘어나는 조치는 불필요합니다.
• 조작 및 해석이 더 쉽습니다. 전통적인 데이터는 본질적으로 단순하고 관계형이므로 일반적인 기술 또는 기본 분석 기능을 사용하여 처리할 수 있으며 비전문가도 활용할 수 있습니다.

궁극적으로 빅데이터와 전통적인 데이터 중 하나를 선택하는 것이 관건이 아닙니다. 점점 더 많은 기업들이 비정형화된 대규모 데이터 세트를 생성할 것임으로, 이에 따른 적절한 툴을 갖추는 것이 중요합니다. 그리고 빅데이터의 미래를 대비하기 위한 전략을 수립하는 데에는 두 모델의 사용 및 지원 방법을 이해하는 것이 필수적입니다.

기술 또는 기본 분석

첨부파일 P17-01.pdf 원문다운하기 미리보기

○ 연구 목적 및 주요 연구내용
- 과학기술 기본 계획의 여러 성과 지표 가운데 심층 계량 분석이 필요한 경제성장 기여율과 일자리 창출 지표에 대한 실증 분석 수행
- 과학기술 기본계획 수립 및 성과 지표 관리 체계에 대한 제도 개선 방안
- 모호하거나 주관적인 성과 지표의 개선 방안 제시

○ 연구과제 전체 framework 제시(연구방법론, 실증분석 모형 등)
- 성과지표 분석: 계량모형
- 지표체계 개선: 인터뷰 및 브레인스토밍

○ 주요 성과 및 기대효과
- 패널 모형의 분석결과, 연구개발 투자의 산출 탄력성은 0.17로 추정되었으며, 1% 수준에서 유의
- 경제성장에 대한 각 생산요소의 기여도를 분석한 결과, 분석기간 1993~2014년에 대하여 노동의 기여도는 17.06%, 자본의 기여도는 50.70%, 연구개발의 기여도는 32.23%임
- 분석 기간 동안 GDP 증가율은 평균 4.76% 상승한데 비해 총요소생산성은 평균 2.20% 상승
- 총요소생산성 분석 결과를 바탕으로 사회적 수익률을 추정한 결과, 약 60% 수준에 이르는 것으로 나타났음
- 기존(2012년 3차 계획 입안시)에 2012~2017 사이 과학기술인력은 645천명 증가로 전망되었으나, 실제 관측 결과는 2012~2016 상반기 사이에 258천명 증가함
- 기존 2012~2017 사이 이공계 전문인력 수요는 152 천명 증가로 전망되었으나, 실제 관측 결과 2012~2016 상반기 사이 35 천명 증가에 그쳤음
- 기대효과: 향후 4차 기본계획 수립시, 비전 및 성과 목표 설정을 위한 증거 기반(evidence base)

○ 기본계획 성과분석을 위해서는 분석의 시간 범위를 넓혀 성과와 영향을 분석해야 함. 따라서 기본계획 상에 제시된 투자와 정책 과제들이 어떤 성과와 영향을 창출했는지, STI 정책영향 분석 차원에서 접근해야 함

○ 객관적인 정책 영향 분석을 위해서는, 정부 부처나 산하 기관이 직접 수행하는 것보다 정책연구기관 또는 대학 등 중립적 연구기관에서 분석을 수행하는 것이 바람직함

제2장 과학기술기본계획의 추진 경과와 기술 또는 기본 분석 현황
제1절 과학기술기본법 제정 이전
제2절 과학기술기본법 이후
제3절 향후 과학기술기본계획 수립을 위한 고려사항

제3장 계량적 성과분석 1: 연구개발투자의 경제성장 기여도
제1절 개요
제2절 선행연구
제3절 분석방법
제4절 분석자료
제5절 분석결과
제6절 소결

제4장 계량적 성과분석 2: 과학기술 일자리 창출
제1절 일자리 전망 개요
제2절 전망 방법
제3절 전체 취업자 수 및 성별 취업자 수 전망 결과
제4절 OECD 기준 과학기술인력수요 성과 및 전망 결과
제5절 KISTEP 기준 이공계 전문인력 수요에 대한 성과 및 전망 결과
제6절 소결

제5장 과학기술기본계획 성과분석 개선 방향
제1절 개요
제2절 과학기술 중·장 기종합계획 수립 경과
제3절 과학기술기본계획의 성과 분석
제4절 과학기술기본계획의 주요 쟁점 분석
제5절 소결