데이터 분석은 문제를 최대한 목적에 맞게 간결하게 정의하고, 데이터를 수집하여 분석 가능한 형태로 정비하며, 분석을 실시한 후 다른 사람과 공유할 수 있는 형태로 결과를 시각화하는 네 가지 단계로 흘러갑니다. 본 과정의 각 단계에서 수강생은 다음과 같은 목표를 달성할 수 있습니다. (1) 현실 세계의 데이터 모델링 데이터 사이언스의 프로세스와 전문가(Expert)에게 필요한 역량 모형을 이해합니다. 복잡한 현실을 목적에 맞게 추상화하는 데이터 모델링 방안을 학습합니다. 다양한 사례를 통해 분석의 목적과 실생활에서의 응용 방안 등 데이터 기반 의사결정의 전체 그림을 이해합니다. (2) 데이터 수집과 분석을 위한 전처리 온라인 서베이 도구 및 엑셀의 크롤링 도구를 활용하여 분석 대상 기초 데이터를 확보하는 방법을 배웁니다. 엑셀 기능과 함수를 사용하여 수집한 데이터를 분석 목적에 맞게 원하는 형태로 가공하는 방법과 실무에서 많이 쓰는 유용한 기능을 익힘으로써 엑셀과 친해집니다. (3) 현실적인 기업의 비즈니스 데이터 분석 실무 알고 있는 데이터를 사용하여 모르는 데이터를 추론하는 모집단 추정 원리와 표본 데이터의 신뢰도 확보 문제를 이해합니다. T검정, 카이제곱검정, 회귀분석을 적용하는 기준과 현실적인 활용법을 실습합니다. 다양한 비즈니스 분석 모델과 분석 알고리즘의 필요성을 이해하고, 실제 기업 사례에 적용하여 결론을 도출합니다. 머신러닝의 원리와 실무 적용 방법을 이해합니다. (4) 효과적인 분석 결과 공유를 위한 데이터 시각화 분석 모델에 최적화된 데이터 시각화 개념을 이해하고 적절한 시각화 기법을 선택할 수 있습니다. 엑셀 피벗테이블과 Power View를 활용하여 Interactive Dashboard를 설계하는 시각화 실무 역량을 확보합니다. [출판사 서평] 4차 산업혁명 시대의 경쟁력, 데이터 분석 기반의 비즈니스 인사이트를 도출하라. 통계 기초부터 머신러닝까지, 코딩 없이 엑셀로 데이터 분석 실무 역량을 빠르게 기르는 디지털 전환(DT) 성공 가이드 수많은 정보가 존재하는 빅데이터 시대가 도래하며, 데이터는 무한한 가능성을 지니게 되었습니다. 분야를 막론하고 데이터를 기반으로 효율적인 의사결정을 내리며, 기존의 감에 의존하는 비즈니스 의사결정은 더 이상 보기 어려워졌습니다. 이제 많은 기업들은 빅데이터 분석 플랫폼을 활용하여 다양한 데이터를 쌓고 있습니다. 그런데, 넘쳐나는 데이터 속에서 과연 우리 모두가 비즈니스 인사이트를 도출해낼 수 있을까요? 아닙니다. 데이터를 막상 받아보면 어떤 분석을 어디서부터 시작해야 하는지 막막하기만 합니다. 결국, 데이터 분석 역량이 없다면 빅데이터 시대에서의 데이터는 무용지물이 됩니다. 데이터 분석력이 전문가에게만 요구되는 역량이 아닌 오늘날. 그렇다면 실무에서 데이터 분석을 어떻게 시작해야 할까요? 본 도서는 기업의 매출 향상을 위한 데이터 분석 방법을 다루므로 누구나 자신의 직무와 쉽게 연결 지을 수 있습니다. 다양한 업무에 응용할 수 있는 일반적인 비즈니스 문제점을 체계적인 데이터 분석 프레임워크를 활용하여 해결하는 법도 배웁니다. 나아가 R이나 Python과 같은 고급 도구보다, 엑셀과 같은 직장인 필수 툴을 활용하여 분석하기 때문에 실무에 바로 적용할 수 있습니다. 이로써 단순히 이론과 기법에 그치지 않고 전체 과정을 이해하여 ‘실전 분석력’을 갖추게 됩니다. 더불어, 저자 김진, 최정아, 유서호는 10년 이상 경력의 교육/마케팅 전문가로 현장에서 얻은 경험을 바탕으로 현직 실무자로서 알려줄 수 있는 즉시 적용 가능한 분석 방법을 제시합니다. 데이터 분석 역량을 높여줄 『비전공자도 배워서 바로 쓰는 비즈니스 데이터 분석 입문』 도서를 통해 여러분이 담당하고 있는 실무 영역에서의 유의미한 비즈니스 인사이트를 얻길 바랍니다.

PART 1 메가트렌드와 데이터 분석 01메가트렌드란? 02 데이터 분석이란? PART 2 현실 세계의 데이터 모델링 01 데이터 사이언스 프로세스란? 02 데이터란 무엇인가? 03 자료의 정보화 04 1차 자료와 설문 조사 방식(Survey) 05 설문 조사(Survey) 방식을 활용한 데이터 수집 06 크롤링을 위한 기본 환경 구성 이해: 파워쿼리 07 2차 자료와 크롤링 08 파워쿼리를 활용한 웹 크롤링 진행하기 PART 3 데이터 분석과 통계 - 통계의 이해 01 기술통계 02 데이터와 통계량 03 분산과 표준편차 04 표본과 모집단의 관계 05 몬테카를로 실험 설계 및 실행 06 중심 극한 정리 07 중심 극한 정리와 Pilgrim Bank 표본 실험 08 Population Table을 활용한 표본 개수 의사결정 PART 4 데이터 분석과 통계 - 추론 통계 01 논리적 추론과 피어슨 추론 02 유의성 검정 원리 03 주요 유의 확률 계산 도구 소개 04 유의성 검정 도구 KESS 설치 05 목적에 맞는 유의성 검정 06 카이제곱검정이란? 07 카이제곱검정: 월마트(Walmart) 영수증 08 T검정이란? 09 T검정: 이메일 모금 실험 10 회귀분석이란? 11 회귀분석: 케냐 구호사업 PART 5 데이터 전처리 01 데이터 전처리 입문 02 결측치 처리 03 데이터 클렌징 04 금액 단위 변경 05 텍스트 나누기 및 개체 삭제 06 데이터 타입 오류 사례 07 데이터 전처리 종합사례 01 08 데이터 전처리 종합사례 02 PART 6 데이터 분석 도구 활용 01 엑셀 데이터 관리 유형 이해: 테이블, 크로스탭, 템플릿 02 엑셀 데이터 관리 유형 이해하기 03 엑셀 Core 기능 표 등록 및 활용 방안 04 엑셀 Core 기능 이름 정의 및 활용 방안 05 엑셀 에러 처리와 VLOOKUP 활용 방안 06 혼합 참조 이해와 민감도 분석 적용 방안 07 소매점 판매 데이터를 활용한 비즈니스 분석 입문 08 주요 데이터 분석 도구 장단점 정리 PART 7 비즈니스 데이터 분석 실무 01 주요 KPI의 이해 02 BSC 프레임워크 기반 분석 목표 KPI 도출 전략 03 분석 대상 데이터 이해하기 04 분석 모델 기반 데이터 분석 입문 05 Key Metrics 도출하기 06 경향분석(Trend Analysis) 07 비교분석(Comparison Analysis) 08 순위분석(Ranking Analysis) 09 기여분석(Contribution Analysis) 10 빈도분석(Frequency Analysis) 11 차이분석(Variance Analysis) 12 파레토 분석(Pareto Analysis) 13 상관분석(Correlation Analysis) 14 Interactive Dashboard 구성? PART 8 머신러닝 입무 01 머신러닝이란? 02 베이즈 추론이란? 03 베이즈통계 입문: 빼빼로데이에 초콜릿을 건넨 그 남자의 진정성 추정하기 04 베이즈통계: 단지 문제 해결 방식 05 베이즈통계: 스팸메일 필터 구현하기 06 베이즈통계: 축차 합리성 PART 9 AZUREML을 활용한 머신러닝 실무 01 머신러닝과 AZUREML 02 Linear Regression을 활용한 적정 집값 예측하기 03 적용된 모델의 예측력 비교하기 04 Decision Tree를 활용한 신용평가 모형 개발하기 05 Logistic Regression을 활용한 직원 이탈 가능성 예측하기 PART 10 데이터 사이언스 정리 01 데이터 사이언스 프로세스 정리 Appendix - 엑셀 2013 사용자를 위한 지침 01 파워쿼리 설치

“엑셀로 설명하므로 누구나 배우면 바로 활용할 수 있습니다. 분석 도구로 엑셀을 사용합니다. 데이터 분석이라면 R이나 Python을 떠올리지만, 고급 도구는 평범한 직장인에게 딱히 쓸모가 없습니다. 쉽게 손이 가는 간단한 도구로 배워야 실용적으로 쓸 수 있습니다.” - 7p, 『머리말』 중에서 “전처리란 빈 데이터를 결측치로, 이상한 데이터를 이상치로 분류하고 확보한 전체 데이터에 발생하는 문제를 바로잡는 일을 가리킨다. 데이터 전처리 단계를 거친 깨끗한 데이터 셋을 마스터 데이터 셋이라고 부른다.“ - 27p, 『현실 세계의 데이터 모델링 』 중에서 “몬테카를로 실험은 무작위 추출 실험을 무수히 많이 반복한 결과의 확률적 분포를 알아내는 실험법으로, 수학자 스타니스와프 울람이 모나코의 그랑 카지노 도박 게임 승률 계산법에서 착안하여 만들었다. 몬테카를로 실험은 비용이 지나치게 많이 들거나 불확실성이 너무 클 때, 혹은 미래 예측의 해석적인 약점을 극복하기 어려울 때 주로 사용한다. “ - 75p, 『데이터 분석과 통계 - 통계의 이해 』 중에서 “피어슨 추론에서 P값을 활용하여 유의성을 검정하는 원리를 알아보자. 어떤 사람이 자신이 축구 경기를 시청하면 반드시 한국 팀이 진다는 징크스를 가지고 있다고 주장하고 있는데, 나는 이 징크스를 미신이라고 주장하고 싶다. 징크스가 미신이라는 주장을 검증하려면, 이상적인 상황에서 TV시청과 축구 패배가 무관함을 밝혀야 한다. 이것을 어떻게 판단할 수 있을까? “ - 95p, 『데이터 분석과 통계 - 추론 통계 』 중에서 “마지막으로, A쇼핑은 모바일 애플리케이션 로딩 시간이 매출액에 미치는 영향을 파악하기 위해 영수증 1,000건을 회귀분석했다고 한다. 로딩 시간이 0.1초 늘어날 때 매출은 얼마만큼 감소할까? 이처럼 우리가 현실에서 다양한 비즈니스 문제를 해결할 때 유의성 검정 도구를 활용할 수 있다.” - 104p, 『데이터 분석과 통계 - 추론 통계 』 중에서 “카이제곱검정은 문자와 문자 데이터, 즉 범주형 변수 간의 관련성을 검증하는 방법이다. 카이제곱검정의 창시자는 피어슨 통계의 칼 피어슨(Karl Pearson)이다. 이 검정 방법은 수집한 자료의 빈도가 이론상 기대 빈도와 통계적으로 다른지 판단하고자 할 때 사용하는 추론 통계 방식이다.” - 106p, 『데이터 분석과 통계 - 추론 통계』 중에서 “이전 챕터에서 데이터 분석은 보통 매출과 이익을 중심으로 진행한다고 설명했다. 하지만 매출과 이익은 BSC 프레임워크가 분류한 네 가지 영역 중 재무 중심 분석에만 해당한다. 그런데, 부서나 직무에 따라서는 매출과 이익이라는 KPI가 적합하지 않은 경우가 있을 수 있다. 이를테면 마케팅 부서라면 신규가입자 유치나, 시장 점유율 35% 확대, 우수고객 만족도, 휴면회원 매출 전환율과 같이 고객 영역에서의 성과 달성 여부를 판단할 수 있는 KPI가 필요하다. 이처럼 같은 회사라 하더라도 부서나 구성원 단위마다 성과분석을 위한 관련된 KPI가 다르다.” -192p, 『비즈니스 데이터 분석 실무』 중에서 “비즈니스 분석 모델에는 경향분석, 비교분석, 순위분석, 기여분석, 빈도분석, 차이분석, 파레토 분석, 상관분석 등 매우 다양한 분석 모델이 존재한다. 확보한 데이터에서 목적에 알맞은 분석 모델을 적용하여 인사이트를 도출하고, 의미 있는 가설을 세워가는 방식으로 다양한 추가 분석을 진행할 수 있다.” - 196p, 『비즈니스 데이터 분석 실무』 중에서 “상관 분석은 두 변수에 대한 데이터를 비교하여 상호 관련 여부를 도출하는 분석 방법이다. 주로 ‘매출과 이익의 관련 여부 분석이나 ‘국가별 매출과 이익의 관련성 분석’과 같은 케이스에 활용한다. 이때 매출과 이익이 일정한 패턴으로 선형을 이루며 연관성이 있기를 많이 기대하지만, 고객이나 제품에 따라 기대와 다른 결과가 나오기도 한다. 이처럼 기대치와 다른 영역을 분석할 때에도 상관분석을 활용할 수 있으며, 주로 분산형 그래프 혹은 거품형 그래프로 시각화한다.” - 252p, 『비즈니스 데이터 분석 실무』 중에서 “확률 추측에는 언제나 방대한 정보를 사용한다. 그런데 매번 모든 정보를 일일일 총동원해서 추측해야 한다면 굉장히 번거롭고, 저장 용량도 많이 필요할 것이다. 반면 계산이 끝날 때마다 필요한 정보만 남겨 재사용하고, 나머지 정보를 삭제할 수 있다면 많은 에너지를 절약할 수 있다. 이것이 베이즈 추정의 힘이다.” -285p, 『머신러닝 입문』 중에서