ADsP 시험 과목 완전 정리: 데이터 이해·분석 기획·데이터 분석

데이터 기반 의사결정이 기업의 핵심 역량으로 부상하면서, 데이터 분석 역량을 증명하는 국가공인 자격증인 ADsP(데이터분석 준전문가)의 인기가 날로 높아지고 있습니다. ADsP는 비전공자도 도전할 수 있는 데이터 분야의 입문 자격증이자, 실무자에게는 필수적인 기초 지식을 검증하는 관문입니다.

이 글에서는 ADsP 합격을 위해 반드시 숙지해야 할 3가지 과목(데이터 이해, 데이터 분석 기획, 데이터 분석)의 핵심 내용을 심층적으로 분석하고, 출제 경향에 맞춘 학습 포인트를 정리해 드립니다.

1과목: 데이터의 이해

데이터 분석의 기술적인 측면으로 넘어가기 전, 데이터 그 자체의 본질과 가치, 그리고 이를 둘러싼 환경 변화를 이해하는 과목입니다. 암기 위주의 내용이 많지만, 용어의 정의를 명확히 하지 않으면 헷갈리기 쉬운 부분입니다.

데이터의 정의와 DIKW 피라미드

데이터를 단순히 ‘수치’로만 보지 않고 가치 창출의 원천으로 바라보는 관점이 필요합니다. 가장 빈번하게 출제되는 개념은 DIKW 피라미드입니다.

• 데이터(Data): 가공되지 않은 순수한 수치나 기호. (예: A마트 100원, B마트 200원)
• 정보(Information): 데이터의 가공 및 처리를 통해 의미가 부여된 것. (예: A마트가 B마트보다 더 싸다.)
• 지식(Knowledge): 정보를 구조화하여 유의미한 정보를 분류하고 개인의 경험을 결합해 내재화한 것. (예: 물건을 싸게 사려면 A마트로 가야 한다.)
• 지혜(Wisdom): 지식의 축적과 아이디어가 결합된 창의적 산물. (예: 다른 마트들도 가격 경쟁을 할 것이니 모니터링 시스템을 만들자.)

빅데이터의 이해와 가치

빅데이터 시대를 정의하는 특징과 가치 산정의 어려움을 이해해야 합니다.

빅데이터의 3V와 4V

빅데이터를 정의하는 3요소(3V)와 4요소(4V)는 반드시 암기해야 합니다.

빅데이터의 비유

시험에 단골로 등장하는 비유적 표현들입니다.
* 산업혁명의 석탄/철: 제조업의 원료처럼 IT 시대의 원료가 됨.
* 21세기의 원유: 경제 성장의 동력.
* 렌즈: 현미경처럼 세밀하게 관찰하거나 망원경처럼 넓게 예측함.
* 플랫폼: 공동 활용의 목적으로 구축된 유무형의 구조물.

데이터베이스와 데이터 웨어하우스

데이터를 저장하고 관리하는 시스템의 차이를 이해해야 합니다. 특히 기업 내부 데이터베이스 솔루션(ERP, CRM, SCM)의 개념 정의 문제는 매회 출제됩니다.

• 데이터 웨어하우스(DW): 의사결정 지원을 위해 기업의 여러 시스템에서 데이터를 추출, 변환, 적재(ETL)하여 통합한 데이터 저장소입니다.
• 데이터 레이크(Data Lake): 정형 데이터뿐만 아니라 비정형 데이터까지 원천(Raw) 상태로 저장하는 거대한 저장소입니다.

2과목: 데이터 분석 기획

분석 기술만큼 중요한 것이 ‘어떤 문제를 해결할 것인가’를 정의하는 기획 단계입니다. 이 과목에서는 분석 방법론과 과제 발굴, 그리고 마스터 플랜 수립 과정을 다룹니다.

분석 기획의 방향성

분석 기획은 문제 해결 방식에 따라 네 가지 유형으로 나뉩니다.

1. 최적화(Optimization): 분석 대상(What)을 알고 있고, 분석 방법(How)도 알고 있을 때.
2. 솔루션(Solution): 분석 대상(What)은 알지만, 분석 방법(How)을 모를 때.
3. 통찰(Insight): 분석 대상(What)은 모르지만, 기존 분석 방법(How)을 활용해 새로운 가치를 찾을 때.
4. 발견(Discovery): 분석 대상(What)도 모르고, 분석 방법(How)도 모를 때.

데이터 분석 방법론

체계적인 데이터 분석을 위해 정립된 절차를 의미합니다. 가장 대표적인 두 가지 방법론을 비교하여 알아두어야 합니다.

KDD (Knowledge Discovery in Databases)

데이터마이닝을 위한 표준 프로세스입니다.
1. 데이터 셋 선택 (Selection)
2. 데이터 전처리 (Preprocessing): 노이즈 제거 등.
3. 데이터 변환 (Transformation): 분석 목적에 맞는 변수 생성.
4. 데이터 마이닝 (Data Mining): 패턴 발견.
5. 결과 평가 (Interpretation/Evaluation)

CRISP-DM (Cross Industry Standard Process for Data Mining)

비즈니스 이해를 바탕으로 하는 산업 표준 프로세스로, 피드백 루프가 특징입니다.
1. 업무 이해 (Business Understanding)
2. 데이터 이해 (Data Understanding)
3. 데이터 준비 (Data Preparation)
4. 모델링 (Modeling)
5. 평가 (Evaluation)
6. 전개 (Deployment)

분석 마스터 플랜

분석 과제를 도출한 후, 어떤 과제를 우선적으로 수행할지 결정하는 로드맵 수립 과정입니다.

• 우선순위 고려요소: 전략적 중요도(Strategic Importance), 비즈니스 성과(ROI), 실행 용이성(Ease of Execution).
• ISP (Information Strategy Planning): 정보 전략 계획. 기업의 경영 목표 달성을 위해 정보 시스템을 효율적으로 구축하기 위한 중장기 계획입니다.

3과목: 데이터 분석

ADsP 시험의 핵심이자 가장 많은 배점(50점)을 차지하는 과목입니다. R 프로그래밍 기초부터 통계학, 데이터 마이닝 기법까지 광범위한 내용을 다룹니다.

R 프로그래밍 기초

ADsP는 실기 시험이 없지만, 필기 문제에서 R 코드를 보고 결과를 예측하거나 빈칸을 채우는 문제가 출제됩니다. 데이터 구조에 대한 이해가 필수적입니다.

주요 데이터 구조

• 벡터(Vector): 동일한 데이터 타입(숫자, 문자 등)을 갖는 1차원 배열.
• 행렬(Matrix): 동일한 데이터 타입을 갖는 2차원 배열.
• 데이터 프레임(Data Frame): 엑셀의 시트와 유사하며, 서로 다른 데이터 타입의 열(Column)을 가질 수 있는 2차원 구조. (가장 중요)
• 리스트(List): 서로 다른 데이터 구조(벡터, 행렬 등)를 하나로 묶은 구조.

아래는 R에서 데이터 프레임을 생성하고 기초 통계량을 확인하는 코드 예시입니다.

# 데이터 프레임 생성 예제
ID <- c(1, 2, 3, 4, 5)
Gender <- c("M", "F", "F", "M", "M")
Score <- c(85, 90, 88, 76, 95)

# data.frame 함수 사용
students <- data.frame(ID, Gender, Score)

# 데이터 구조 확인
str(students)

# 기초 통계량 요약
summary(students)

위 코드에서 str() 함수는 데이터의 구조(변수 타입 등)를 보여주고, summary()는 수치형 변수의 최소값, 중앙값, 평균값, 최대값 등을 출력합니다.

통계 분석의 기초

통계적 가설 검정과 관련된 개념은 난이도가 높으므로 철저한 학습이 필요합니다.

• 기초 통계량: 평균, 중앙값, 최빈값, 분산, 표준편차, 사분위수 범위를 계산하고 해석할 수 있어야 합니다.
• 가설 검정:
  • 귀무가설(H0): 차이가 없다, 효과가 없다는 기본 가정.
  • 대립가설(H1): 차이가 있다, 효과가 있다는 주장(우리가 입증하려는 것).
  • p-value(유의확률): 귀무가설이 참일 때, 관측된 데이터가 나타날 확률. p-value가 유의수준(보통 0.05)보다 작으면 귀무가설을 기각하고 대립가설을 채택합니다.

정형 데이터 마이닝

대용량 데이터에서 의미 있는 패턴을 찾아내는 기법들입니다. 크게 분류(Classification)와 군집(Clustering)으로 나뉩니다.

분류 분석 (Classification)

지도 학습(Supervised Learning)의 일종으로, 미리 정해진 그룹(Label)으로 데이터를 분류하는 것입니다.

• 의사결정나무 (Decision Tree): 스무고개처럼 질문을 통해 데이터를 분류하는 모델. 해석이 쉽습니다.
• 앙상블 기법 (Ensemble): 배깅(Bagging), 부스팅(Boosting), 랜덤 포레스트(Random Forest) 등 여러 모델을 결합하여 예측 성능을 높이는 방법.
• 인공신경망 (ANN): 인간의 뇌 구조를 모방한 알고리즘. 역전파 알고리즘 등을 통해 학습합니다.

군집 분석 (Clustering)

비지도 학습(Unsupervised Learning)의 일종으로, 정답(Label) 없이 유사한 속성을 가진 개체끼리 그룹화하는 것입니다.

• 계층적 군집: 가장 유사한 개체부터 순차적으로 묶어나가는 방식 (덴드로그램으로 시각화).
• K-means 군집: 사용자가 지정한 K개의 중심점(Centroid)을 기준으로 거리가 가까운 데이터를 묶는 방식.

아래는 R의 rpart 패키지를 이용한 의사결정나무 모델 생성 코드 예시입니다.

# 라이브러리 로드
library(rpart)

# iris 데이터셋을 사용한 의사결정나무 모델 생성
# Species를 종속변수로, 나머지(.)를 독립변수로 설정
tree_model <- rpart(Species ~ ., data = iris, method = "class")

# 모델 시각화 (개념적 코드)
plot(tree_model)
text(tree_model, use.n = TRUE)

# 새로운 데이터 예측
new_data <- data.frame(Sepal.Length=5.1, Sepal.Width=3.5, 
                       Petal.Length=1.4, Petal.Width=0.2)
predict(tree_model, new_data, type="class")

이 코드에서 rpart 함수는 의사결정나무 모델을 생성하며, ~ . 문법은 타겟 변수를 제외한 모든 변수를 설명 변수로 사용하겠다는 의미입니다. 시험에서는 이러한 함수의 파라미터나 결과 해석을 묻는 문제가 종종 출제됩니다.

합격을 위한 전략과 팁

ADsP 시험은 총점 60점 이상이면 합격이지만, 과락 제도가 존재합니다. 각 과목별로 40% 미만(1, 2과목은 4점 미만, 3과목은 12점 미만)을 득점하면 총점이 높아도 불합격 처리됩니다.

과목별 공략 포인트

1. 1과목 & 2과목 (객관식 위주): 개념 암기가 생명입니다. 기출문제에서 반복되는 문구들이 많으므로, 문제은행식 학습이 효과적입니다. 특히 2과목의 ‘분석 방법론’ 순서를 묻는 문제는 틀리면 안 됩니다.
2. 3과목 (변별력의 핵심): R 코드 해석 능력과 통계적 해석 능력을 동시에 요구합니다. 코드를 직접 짤 필요는 없지만, lm()(선형회귀), kmeans()(군집화), confusionMatrix()(오분류표) 등의 출력 결과를 보고 Accuracy(정확도), Precision(정밀도), Recall(재현율)을 계산할 수 있어야 합니다.

결론

ADsP는 단순히 자격증 취득을 넘어, 데이터가 중심이 되는 현대 비즈니스 환경을 이해하는 첫걸음입니다. 1과목을 통해 데이터의 가치를 깨닫고, 2과목을 통해 문제를 정의하는 법을 배우며, 3과목을 통해 실제 데이터를 다루는 논리를 익히는 과정 자체가 실무 역량 강화로 이어집니다.

방대한 양에 겁먹기보다는, 핵심 키워드(DIKW, 3V, CRISP-DM, p-value, 의사결정나무 등)를 중심으로 개념을 구조화하며 학습하시기 바랍니다. 꾸준한 기출문제 풀이와 오답 노트 정리는 합격으로 가는 가장 빠른 지름길입니다. 여러분의 데이터 분석가로서의 첫 도약을 응원합니다.

Image Prompts for Infographics

**