Lecture2-0_DataAnalysis_RealDataAnalysis_KK.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# **데이터 분석 단계별 목적 이해하기**\n",
    "\n",
    "[![Open in Colab](http://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/thekimk/All-About-Machine-Learning/blob/main/Lecture2-0_DataAnalysis_RealDataAnalysis_KK.ipynb)\n",
    "\n",
    "> **\"데이터분석이 뭐길래?\"** \n",
    ">\n",
    "> - 사람이 비이성적, 비효율적으로 처리하는 방식을 `정량적, 체계적, 합리적 의사결정` 하도록 `다양한 도구들을 활용`하는 것\n",
    "\n",
    "| **비즈니스/사람 <br> 일상 반복** \t| **사람** \t| **분석** \t| **분석도구** \t|\n",
    "|:---:\t|:---\t|:---\t|:---\t|\n",
    "| **문제/호기심** \t| 어떤 현상을 보고 \t| 어떤 현상을 보고 알고 싶은 것을 정의 \t|  \t|\n",
    "| **관찰** \t| 왜 그런일이 벌어지는지 <br> 경험/직감/인터넷으로 짧게 공들이고 \t| 왜 그런일이 벌어지는지 <br> 정량적 및 체계적으로 추측 \t| 데이터 시각화, 기술적 분석, <br> 데이터집계, 상관분석 등 \t|\n",
    "| **주장/의사결정** \t| 그 이유를 대충 근거를 들어 주장한 후 \t| 통계적 검정을 통해 주장한 후 \t| 통계추론, 확률적 검정 \t|\n",
    "| **검증** \t| 나와 의견이 같으면 좋은사람 아니면 욕함 \t| 주장이 충분히 합리적이면, <br> 알고리즘을 이용하여 그 현상을 재현해내며 주장을 설명 \t| 확률통계, 기계학습, 딥러닝, <br> 지도학습, 비지도학습, 강화학습, 검증지표 등 \t|\n",
    "| **해결** \t| ??? \t| 알고 싶은 것을 해결하고 미래에도 사용 \t|  \t|"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 데이터 사이언티스트? 애널리스트? 엔지니어? 고객?\n",
    "\n",
    "**1) 분석 단계별 역할:**\n",
    "\n",
    "| **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(0) 문제 정의:** | 분석할 현실 문제를 데이터문제로 변환 및 기획(Planning) |  |\n",
    "| **(1) 데이터 수집:** | 소스별 데이터 추출 및 저장(Loading) | 데이터집계 |\n",
    "| **(2) 데이터 전처리:** | 붙이기(Curation) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 없애기(Remove) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 채우기(Fill) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 필터(Filter) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 변경하기(Transform) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 기초통계(Descriptive Statistics) | 기술적 분석, 데이터 집계, 상관분석 등 |\n",
    "|  | 시각화(Visualization/Dashboard) | 데이터 시각화, 상관분석 등 |\n",
    "| **(3) 데이터 정리:** | 데이터한곳에담기(Data Warehouse) | 데이터집계 |\n",
    "|  | 바꾸기및정리(Data Mart) | 데이터집계 |\n",
    "|  | 분리(Data Split) | 데이터집계 |\n",
    "| **(4) 모델링 및 검증:** | 기초통계(Descriptive Statistics) | 기술적 분석, 데이터 집계, 상관분석 등 |\n",
    "|  | 모델링(Algorithm) | 통계추론, 확률적 검정, 기계학습, 딥러닝, 지도학습, 비지도학습, 강화학습 등 |\n",
    "|  | 검증(Evaluation) | 통계추론, 확률적 검정, 검증지표 등 |\n",
    "|  | 에러분석(Error Analysis) | 통계추론, 확률적 검정, 검증지표 등 |\n",
    "| **(5) 결과 활용:** | 시각화(Visualization/Dashboard) | 데이터 시각화, 상관분석 등 |\n",
    "|  | 의사결정(Decision Support) |  |\n",
    "|  | 지식화(Knowledge) |  |\n",
    "|  | 공유(Reporting) |  |\n",
    "\n",
    "---\n",
    "\n",
    "**2) 분석 단계 시각화:**\n",
    "\n",
    "<center><img src='Image/Advanced/AnalysisCycle1.png' width='600'></center>\n",
    "\n",
    "<center><img src='Image/Advanced/AnalysisCycle2.png' width='600'></center>\n",
    "\n",
    "<center><img src='Image/Advanced/AnalysisCycle3.png' width='600'></center>"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 데이터 분석단계의 현실\n",
    "\n",
    "---\n",
    "\n",
    "<center><img src='Image/Advanced/Analysis_Real1.png' width='800'></center>\n",
    "<center><img src='Image/Advanced/Analysis_Real2.png' width='800'></center>\n",
    "\n",
    "-----\n",
    "\n",
    "**1) 분석현실 요약:**\n",
    "\n",
    "<center><img src='Image/Advanced/Analysis_Process.png' width='800'></center>\n",
    "\n",
    "> **\"`데이터분석 설계(1단계)`는 `모델링(2단계)`보다 훨씬 중요\"** \n",
    ">\n",
    "> **\"`분석종료(3단계)`는 또다른 `새로운 시작`\"**\n",
    ">\n",
    "> <br>\n",
    ">\n",
    "> - **예시1:** \n",
    ">> `퇴사할 사람` 찾기  vs  `입사할 사람` 찾기\n",
    ">\n",
    "> - **예시2:** \n",
    ">> 삼성전자 주식을 `사야` 할까 `말아야` 할까?  vs  내일 삼성전자 주식은 `얼마`일까?\n",
    "\n",
    "-----\n",
    "\n",
    "**2) 분석단계별 현실예시:**\n",
    "\n",
    "- `아이폰 고객은 왜 갤럭시 고객보다 충성도가 높지?` 라고 질문을 다 듣기도/이해하기도/생각하기도 전에 프로젝트가 시작\n",
    "\n",
    "- `AI를 활용해서 생산공정의 이상을 조기 탐지하고 비용을 줄여봐~` 라고 질문을 다 듣기도/이해하기도/생각하기도 전에 프로젝트가 시작됩니다 \n",
    "\n",
    "- `타겟 마케팅을 하기위해 누구한테 프로모션을 해야하는지 알려줘~` 라고 질문을 다 듣기도/이해하기도/생각하기도 전에 프로젝트가 시작됩니다 \n",
    "\n",
    "> **(0) 문제 정의:** \n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(0) 문제 정의:** | 분석할 현실 문제를 데이터문제로 변환 및 기획(Planning) |  |\n",
    ">\n",
    "> - 무엇을 분석할지 각자 `생각이 모두 다름`(솔직히 아무도 모른다)  \n",
    "> - 무엇을 분석할지 모르지만 `일단 도구(R? Python? 플랫폼? 아마존? 외주?)부터 마련`\n",
    "> - 무엇을 분석할지 모르지만 `완료일정과 계획이 준비`\n",
    "> - 어쨌건 `있다고 생각하고 시작`\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ 이미 데이터분석 프로젝트는 `착수 보고` 완료</span>\n",
    "\n",
    "> **(1) 데이터 수집:** \n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(1) 데이터 수집:** | 소스별 데이터 추출 및 저장(Loading) | 데이터집계 |\n",
    "> \n",
    "> - 데이터가 `PC에 있는줄` 알았는데 `A4용지`에 있어서 `시킬사람 탐색`\n",
    "> - 데이터를 구했는데 빅데이터는 아니고 그냥 `엑셀 파일 몇개`  \n",
    "> - 데이터 파일을 열었더니 다 `빈칸`이고 딱봐도 `오타 투성`\n",
    "> - 데이터가 `충분한지 아무도 모르지만` (있는줄/충분한줄 알았는데) `어쨌든 진행`\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ `빅데이터 기반`으로 한 `데이터 수집`이 `완료 보고`</span>\n",
    "    \n",
    "> **(2) 데이터 전처리:** \n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(2) 데이터 전처리:** | 붙이기(Curation) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 없애기(Remove) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 채우기(Fill) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 필터(Filter) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 변경하기(Transform) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 기초통계(Descriptive Statistics) | 기술적 분석, 데이터 집계, 상관분석 등 |\n",
    "|  | 시각화(Visualization/Dashboard) | 데이터 시각화, 상관분석 등 |\n",
    ">\n",
    "> - 무엇을 분석할지 모르고 데이터는 없지만 `전처리 돌입`\n",
    "> - 일단 `이상해 보이는 데이터`를 다 `삭제` (남는게 없다..)  \n",
    "> - `임의로` 데이터를 `채움/수정` (어짜피 아무도 모르니까..)\n",
    "> - 할게 많을 줄 알았는데 `별로 할게 없음`을 `깨달음`\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ 데이터가 `무결점`으로 잘 준비 `완료 보고`</span>\n",
    "    \n",
    "> **(3) 데이터 정리:**\n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(3) 데이터 정리:** | 데이터한곳에담기(Data Warehouse) | 데이터집계 |\n",
    "|  | 바꾸기및정리(Data Mart) | 데이터집계 |\n",
    "|  | 분리(Data Split) | 데이터집계 |\n",
    ">\n",
    "> - (대부분 `개인PC로 충분`하겠지만) 일단 `서버/플랫폼`에 데이터를 `업로드`\n",
    "> - (뭔가 `중요한걸 해야할것` 같은데..) 서버/플랫폼 `사양정도 체크`  \n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ 데이터 `플랫폼에 데이터가 이관`되고 곧 `분석 착수 보고`</span>\n",
    "    \n",
    "> **(4) 모델링 및 검증:**\n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(4) 모델링 및 검증:** | 기초통계(Descriptive Statistics) | 기술적 분석, 데이터 집계, 상관분석 등 |\n",
    "|  | 모델링(Algorithm) | 통계추론, 확률적 검정, 기계학습, 딥러닝, 지도학습, 비지도학습, 강화학습 등 |\n",
    "|  | 검증(Evaluation) | 통계추론, 확률적 검정, 검증지표 등 |\n",
    "|  | 에러분석(Error Analysis) | 통계추론, 확률적 검정, 검증지표 등 |\n",
    ">\n",
    "> - `무엇을 분석`하고 `무슨 데이터`를 사용해야 되는지 모르지만 `분석을 시작`  \n",
    "> - `기초통계`는 사람수?클릭수? 등 `횟수(count)면 충분`  \n",
    "> - 도구/사람을(R? Python? 플랫폼? 아마존? 외주?) 쪼아서 제일 `최신 알고리즘`을 `적용`\n",
    "> - (뭔가 안되면..) 우선 1차 회귀분석? 상관관계? `어디서 들어본걸 실행` 후 보고위한 `그림부터 생성`  \n",
    "> - (뭔가 중요한 단계인것 같은데..) `더이상` 할수 있는게 `없음`을 `깨달음`\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ `분석이 완료`되어 `인싸이트`가 곧 `쏟아질 것`이라 보고</span>\n",
    "    \n",
    "> **(5) 결과 활용:**\n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(5) 결과 활용:** | 시각화(Visualization/Dashboard) | 데이터 시각화, 상관분석 등 |\n",
    "|  | 의사결정(Decision Support) |  |\n",
    "|  | 지식화(Knowledge) |  |\n",
    "|  | 공유(Reporting) |  |\n",
    ">\n",
    "> - `무엇을 분석`하고 `무슨 데이터`를 사용하고 `무슨 결과`가 있는진 모르겠지만 `결과를 정리`\n",
    "> - (`완료일정`이 내일이라 `퇴사/퇴학`이 필요한게 아닌지 `잠이 오지 않음`)  \n",
    "> - (`신기`한건 `모든 단계는 작동/구현`되었고 각 단계 `개발자들은 성과 보고`)  \n",
    "> - (`Kaggle`과 `현실`은 다름을 알게됨)  \n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 데이터 사이언티스트 단계별 방향\n",
    "\n",
    "<center><img src='Image/Advanced/Analysis_Process.png' width='800'></center>\n",
    "\n",
    "---\n",
    "\n",
    "<center><img src='Image/Advanced/DataSplit_Concept1.png' width='700'></center>\n",
    "<center><img src='Image/Advanced/DataSplit_Concept2.png' width='700'></center>\n",
    "\n",
    "---\n",
    "\n",
    "<center><img src='Image/Advanced/Analysis_Cycle.png' width='900'></center>\n",
    "\n",
    "> **(0) 문제 정의:** \n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(0) 문제 정의:** | 분석할 현실 문제를 데이터문제로 변환 및 기획(Planning) |  |\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ 이미 데이터분석 프로젝트는 `착수 보고` 완료</span>\n",
    ">\n",
    "> **\"`문제정의가 없으면` 분석은 `시작할 필요가 없기` 때문에 문제정의에 `많은 고민`을 해야 한다\"**  \n",
    ">\n",
    "> **\"문제정의에 `모든 구성원이 동의`할 수 있도록 끊임없이 `커뮤니케이션` 해야 한다\"**  \n",
    ">\n",
    "> **\"1회성이 문제정의가 아니라 `필요시 끊임없이 진화/변경`시켜야 한다\"**  \n",
    "\n",
    "> **(1) 데이터 수집:** \n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(1) 데이터 수집:** | 소스별 데이터 추출 및 저장(Loading) | 데이터집계 |\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ `빅데이터 기반`으로 한 `데이터 수집`이 `완료 보고`</span>\n",
    ">\n",
    "> **\"`데이터가 없으면` 분석은 `시작할 필요가 없고`, 알고리즘/기술보다 `데이터수집부터 시작`해야 한다\"**\n",
    ">\n",
    "> **\"알고리즘/기술보다 `데이터수집부터 시작`해야 한다\"**\n",
    ">\n",
    "> **\"데이터는 많을수록 좋지만 `양보다(Row) 질(Column)`을 늘려야 분석 의미가 생긴다\"**\n",
    ">\n",
    "> **\"`정답 후보(보기)`부터 만들고 분석을 시작해야 하며 (어떤 연령이 TV를 보는지 알고 싶은데 데이터에 연령이 없으면 불가능에 가까움), 보기가 데이터에 없으면 `문제정의부터 새롭게 수정`해야 한다\"**\n",
    "    \n",
    "> **(2) 데이터 전처리:** \n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(2) 데이터 전처리:** | 붙이기(Curation) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 없애기(Remove) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 채우기(Fill) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 필터(Filter) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 변경하기(Transform) | 데이터 시각화, 기술적 분석, 데이터집계, 상관분석 등 |\n",
    "|  | 기초통계(Descriptive Statistics) | 기술적 분석, 데이터 집계, 상관분석 등 |\n",
    "|  | 시각화(Visualization/Dashboard) | 데이터 시각화, 상관분석 등 |\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ 데이터가 `무결점`으로 잘 준비 `완료 보고`</span>\n",
    ">\n",
    "> - **Curation 목적:** 각 `소스별 데이터`를 `하나의 Database`로 붙임  \n",
    "> - **Remove & Fill 목적:** 데이터 `오류를 제거`하가나 비어있는 데이터를 `채움`  \n",
    "> - **Filter 목적:** `분석범위`에 관련된 `보기(Feature)들만을 추려냄`  \n",
    "> - **Transform 목적:** 사람이 `이해가 가능한 방식`으로 데이터 자체를 `변경함` \n",
    "> - **Descriptive Statistics 목적:** `데이터 특성`을 확인하고 `전처리 방향`과 `완료정도` 체크\n",
    "> - **Visualization/Dashboard 목적:** `데이터 특성`을 확인하고 `전처리 방향`과 `완료정도` 체크\n",
    "    \n",
    "> **(3) 데이터 정리:**\n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(3) 데이터 정리:** | 데이터한곳에담기(Data Warehouse) | 데이터집계 |\n",
    "|  | 바꾸기및정리(Data Mart) | 데이터집계 |\n",
    "|  | 분리(Data Split) | 데이터집계 |\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ 데이터 `플랫폼에 데이터가 이관`되고 곧 `분석 착수 보고`</span>\n",
    ">\n",
    "> **\"1회성 수집/전저리/정리로 끝나지 않고 `끊임없이 업데이트하고 진화`시켜야 한다(알고리즘이 해주지 않는다)\"**  \n",
    ">\n",
    "> **\"`데이터수집/전처리/정리` 까지 전체 업무의 `80% 이상`을 차지한다\"**\n",
    ">\n",
    "> - **Data Warehouse 목적:** `전처리 단계`를 거친 1개의 Database를 주로 `보관` 및 `무결점 유지` 목적\n",
    "> - **Data Mart 목적:** Warehouse를 변경하지 않고 복사하여 조금 더 `목적에 맞게 전처리`\n",
    "> - **Data Split 목적:** 주로 `과거(Train Data)와 미래(Test Data)를 구분`하여 저장 및 `알고리즘에 활용`\n",
    "    \n",
    "> **(4) 모델링 및 검증:**\n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(4) 모델링 및 검증:** | 기초통계(Descriptive Statistics) | 기술적 분석, 데이터 집계, 상관분석 등 |\n",
    "|  | 모델링(Algorithm) | 통계추론, 확률적 검정, 기계학습, 딥러닝, 지도학습, 비지도학습, 강화학습 등 |\n",
    "|  | 검증(Evaluation) | 통계추론, 확률적 검정, 검증지표 등 |\n",
    "|  | 에러분석(Error Analysis) | 통계추론, 확률적 검정, 검증지표 등 |\n",
    ">\n",
    "> <span style=\"color:red\">$\\Rightarrow$ `분석이 완료`되어 `인싸이트`가 곧 `쏟아질 것이라 보고</span>\n",
    ">\n",
    "> **\"수학적으론 어려울 수 있지만 `수동적`으로 `대응/활용`하는 것이며, `알고리즘(또는 기계)`은 `정해진 검증방법`을 따를 뿐이다\"**\n",
    ">\n",
    "> **\"각 `알고리즘의 사용 목적`에 대한 명확한 이해와 `결과해석`에 집중해야 한다\"**  \n",
    ">\n",
    "> **\"어떤 알고리즘 성능이 뛰어난지 `검증(Evaluation)은 결국 사람`이 하기 때문에 많은 고민을 해야 한다\"**\n",
    ">\n",
    "> **\"알고리즘 적용이 중요한게 아니라 `언제 분석과정을 끝내야 하는지 고민`해야 한다\"**\n",
    ">\n",
    "> - **Descriptive Statistics 목적:** 어떤 `분석 알고리즘 선정`할지 또는 `Input/Output 형태를 결정`하는 기준으로 활용\n",
    "> - **Algorithm 목적:** `Input/Output의 형태` 또는 `분석목적에 따라 정해짐`\n",
    "> - **Evaluation 목적:** 현 `알고리즘 성능 확인` 및 다음 `업데이트를 위한 기준` 설정\n",
    "> - **Error Analysis 목적:** `모든 데이터의 패턴/특징`을 `알고리즘이 반영`하고 있음을 평가\n",
    "    \n",
    "> **(5) 결과 활용:**\n",
    ">\n",
    "> | **분석 단계** | **분석 역할** | **분석 도구** |\n",
    "|:---|:---|:---|\n",
    "| **(5) 결과 활용:** | 시각화(Visualization/Dashboard) | 데이터 시각화, 상관분석 등 |\n",
    "|  | 의사결정(Decision Support) |  |\n",
    "|  | 지식화(Knowledge) |  |\n",
    "|  | 공유(Reporting) |  |\n",
    ">\n",
    "> **\"`0~4 단계를 무한대로 반복` 및 각 단계를 업데이트하며 `인싸이트를 뽑아낼 수` 있어야 한다\"**\n",
    ">\n",
    "> - **Visualization / Dashboard / Decision / Knowledge / Reporting 목적:** 주로 `고객에 맞춘 설명력을 제공`하기 위함으로 `일반화된 방향은 없음`\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 데이터 사이언티스트 스킬셋 3종\n",
    "\n",
    "<center><img src='Image/Advanced/Analysis_Process.png' width='800'></center>\n",
    "\n",
    "---\n",
    "\n",
    "**1) 1단계에서의 스킬셋**\n",
    "\n",
    "> **[현실] 생각하는 창의성 및 힘이드는 수고**\n",
    ">\n",
    "> - **예능보단 예술:** `생각을 안해야 즐거움`을 얻을 수 있는 `예능적 관심` 보다 `집중해서 생각하여 즐거움`을 얻고자하는 `예술적 의지`\n",
    "> - **커뮤니케이션:** 작은 나의 생각을 통한 즐거움을 `세상의 큰 생각으로 연결시키려는 의지`\n",
    "> - **질문 및 정리:** 의지 실현을 위한 `세상에 던지는 질문` + `정답(과거경험)이 아닌 보기(미래가능성)를 만드는 정리`\n",
    "\n",
    "**2) 2단계에서의 스킬셋**\n",
    "\n",
    "> **[이론] 데이터분석 관련지식**  \n",
    ">\n",
    "> **\"순수 인문학 또는 예술과 관련된 학문이 아니면 대부분 `수학과 컴퓨터`는 `모든 학문에서 적극 활용`되는 도구 (최근엔 순수학문들도..)\"**\n",
    ">\n",
    "> - 수학\n",
    "> - 컴퓨터공학\n",
    "> - 통계학\n",
    "> - 경영과학\n",
    "> - 계량경제학\n",
    "> - 금융공학\n",
    "> - 물리학\n",
    "> - 각종 엔지니어링\n",
    ">\n",
    "> **[실습] 프로그래밍 활용능력** \n",
    ">\n",
    "> **\"엑셀과 통계분석 툴로도 가능하지만, `모든 상황에 유연한 대응과 자동화`를 위해 `최소 1개이상의 언어능력` 필요\"**\n",
    "\n",
    "**3) 3단계에서의 스킬셋**  \n",
    "\n",
    "> **[현실] 설득 및 설명능력**\n",
    ">\n",
    "> - **인문학적 소양:** `데이터 해석` + `인싸이트 발견 및 지식화` + `상대에게 공유 및 설득`\n",
    "> - **시각화:** `기술과 예술의 중간단계`로 `미적감각` + `창의성` + `컴퓨터활용능력`\n",
    "> - **프리젠테이션:** 내가 하고자 하는 말의 전달/주장 보다, `설명 능력`으로 상대가 듣고싶은 `주제파악` + `표현문구 창의적 연구` + `스토리라인 창의적 구현` + `컴퓨터활용능력`\n"
   ]
  }
 ],
 "metadata": {
  "hide_input": false,
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.9.7"
  },
  "toc": {
   "base_numbering": 1,
   "nav_menu": {},
   "number_sections": true,
   "sideBar": true,
   "skip_h1_title": false,
   "title_cell": "Table of Contents",
   "title_sidebar": "Contents",
   "toc_cell": false,
   "toc_position": {
    "height": "1058px",
    "left": "579px",
    "top": "224px",
    "width": "393.542px"
   },
   "toc_section_display": true,
   "toc_window_display": true
  },
  "toc-autonumbering": true,
  "varInspector": {
   "cols": {
    "lenName": 16,
    "lenType": 16,
    "lenVar": 40
   },
   "kernels_config": {
    "python": {
     "delete_cmd_postfix": "",
     "delete_cmd_prefix": "del ",
     "library": "var_list.py",
     "varRefreshCmd": "print(var_dic_list())"
    },
    "r": {
     "delete_cmd_postfix": ") ",
     "delete_cmd_prefix": "rm(",
     "library": "var_list.r",
     "varRefreshCmd": "cat(var_dic_list()) "
    }
   },
   "types_to_exclude": [
    "module",
    "function",
    "builtin_function_or_method",
    "instance",
    "_Feature"
   ],
   "window_display": false
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}