동동의 HR 이야기

https://hrdongdong.tistory.com/97

시험은 생각보다 훨씬 어려웠다.

솔직히 처음에는, 이 시험이 아주 낯선 시험은 아닐 것이라고 생각했다. 어쨌든 HR 실무를 하면서 데이터를 계속 보고 있고, 표도 만들고, 간단한 차트도 그리고, 숫자를 가지고 보고도 해왔기 때문이다. 그런데 막상 공부를 시작하고 나서 생각이 꽤 많이 달라졌다.

“시험 난이도는 생각보다 상당히 높았습니다. 기출문제 중심이라고들 하지만 실제로는 유형도 다르고 생소한 내용이 많아 개념을 아주 튼튼히 다져야 합니다. 시각화 디자인 과목 외에는 HR 지식과는 별개의 영역이라 꽤 고전했습니다.”

정말 그랬다. 많은 시험 후기를 보면 기출문제 위주로 보면 된다는 말이 꽤 많다. 그래서 개념은 간단히 보고, 기출문제 위주로 문제를 풀었다. 물론 기출문제를 보는 것은 중요하다. 하지만 이 시험은 그 정도로 가볍게 접근하면 생각보다 쉽게 흔들린다. 특히 경영일반, 데이터의 이해, 데이터 해석, 데이터베이스, 시각화 도구, 시각화 디자인처럼 각 과목의 결이 다르다.

그래서 문제를 외우는 방식으로 접근하면 어느 순간 한계가 온다.

오히려 중요한 것은 각 개념이 왜 연결되는지 이해하는 것이다. 예를 들어 데이터베이스를 공부할 때도 그냥 용어를 외우는 것보다 좋은 대시보드가 왜 결국 정리된 데이터 구조에서 시작되는지를 이해하는 편이 오래 남는다.

시각화 디자인 역시 차트 종류를 외우는 것보다, 왜 어떤 상황에서는 막대그래프가 더 적절하고 왜 어떤 경우에는 산점도가 더 설득력 있는지를 이해하는 편이 훨씬 낫다.

나는 이 시험을 준비하면서 단순히 자격증 공부를 한 것이 아니라, 내가 평소 HR 데이터를 얼마나 ‘실무 감각’으로만 다뤘는지를 돌아보게 되었다. 즉, 데이터를 본다고 해서 곧바로 데이터를 이해하고 있는 것은 아니었다.

그런데 왜 HR이 굳이 이런 시험까지 공부해야 할까

이 질문이 사실 더 중요하다. 경영정보시각화라는 이름만 들으면 처음에는 조금 멀게 느껴질 수 있다.

특히 HR 실무자 입장에서는 “이게 꼭 필요한가”, “그냥 엑셀 정도만 잘하면 되는 것 아닌가” 싶을 수도 있다. 그런데 이번에 공부하면서 다시 느낀 것은, 경영정보시각화는 단순히 BI 툴을 다루는 기술이 아니라는 점이었다.

이것은 결국 의사결정을 지원하는 능력에 더 가깝다. 실무에서 HR은 생각보다 많은 숫자를 다룬다. 채용 전환율, 퇴사율, 조직별 인건비, 평가 분포, 교육 이수율, 근태 데이터, 승진 대상자 현황. 문제는 숫자가 없어서가 아니다. 숫자가 많아도, 그 숫자가 의사결정의 방향으로 번역되지 않으면 그 보고는 힘을 가지지 못한다.

그래서 나는 이 문장이 굉장히 본질적이라고 생각한다.

“데이터 시각화가 없다면 경영진에게 '의사결정을 내려주세요'가 되지만, 데이터 시각화가 제대로 되어 있다면 '의사결정을 이렇게 내려주세요'가 되는 겁니다. 시각화는 곧 의사결정의 방향을 보여주는 무기입니다.”

이 차이는 생각보다 크다. 그저 숫자를 정리해서 보여주는 HR과 숫자를 통해 “무엇을 우선해야 하는가”를 보이게 만드는 HR은 조직 안에서 완전히 다른 역할을 하게 된다.

전자는 보고를 하는 사람에 가깝고, 후자는 판단을 돕는 사람에 가깝다. 그리고 HR이 비즈니스 파트너라는 말을 정말 현실에서 증명하려면, 결국 후자 쪽으로 가야 한다고 생각한다.

표 하나가 왜 그렇게 중요할까

숫자는 중립적으로 보인다. 차트도 중립적으로 보인다. 그래서 많은 사람들이 데이터를 보여주면 객관적이라고 생각한다. 그런데 실무에서는 꼭 그렇지 않다. 같은 퇴사율 데이터라도 전체 평균만 보여줄 것인지, 직군별로 나눌 것인지, 입사 1년 미만을 따로 떼어볼 것인지, 특정 조직장 기준으로 비교할 것인지에 따라 전달되는 메시지는 완전히 달라진다.

평가나 보상도 마찬가지다. 평균값만 보면 별문제가 없어 보일 수 있다. 하지만 성별, 직급, 직군, 조직별 분포를 함께 보면 전혀 다른 이야기가 나올 수 있다.

그래서 이번 공부를 하면서 더 분명하게 느낀 것은 시각화는 단지 잘 보이게 만드는 기술이 아니라, 무엇을 보이게 하고 무엇을 가리게 하는가의 문제라는 점이었다. 이 지점에서 HR은 특히 더 조심해야 한다. 왜냐하면 HR 데이터는 곧 사람에 대한 판단과 연결되기 때문이다.

잘못 잘라낸 표 하나, 맥락 없이 강조된 차트 하나, 이미 결론을 정해두고 만든 시각화 하나가 평가, 보상, 승진, 채용 판단에 영향을 줄 수 있다. 그리고 그 결과는 생각보다 무겁다. 구성원들은 데이터가 공정하다고 믿기보다, 오히려 그 데이터가 자신들에게 불리한 결론을 정당화하는 데 쓰인다고 느낄 수 있다.

그 순간 HR 보고는 설득력이 아니라 불신을 낳는다. 그래서 는 HR 실무자가 데이터 시각화를 배워야 하는 이유를 더 멋진 대시보드를 만들기 위해서라고 말하고 싶지 않다.

오히려 반대다. 잘못된 해석을 피하고, 공정성을 지키기 위해서 배워야 한다. 확증편향이 들어간 데이터 시각화는 잘못된 평가와 잘못된 보상으로 이어질 수 있고, 그것은 결국 노무 리스크와 노사 갈등의 씨앗이 될 수 있다.

숫자가 들어갔다고 해서 언제나 더 객관적인 것은 아니다. 어떻게 보여주었는가가 무엇을 결론 내리게 만드는지를 결정한다.

결국 좋은 시각화는 ‘보기 좋은 차트’가 아니라 ‘판단의 순서’다

왜 어떤 대시보드는 한눈에 들어오고, 어떤 대시보드는 보기만 해도 피곤할까.

이번에 시각화 디자인 파트를 공부하면서 다시 느낀 것은 차트는 숫자를 담는 그릇이 아니라, 사람의 시선과 생각의 흐름을 설계하는 도구라는 점이었다. 같은 데이터를 가지고도 어떤 보고서는 쟁점이 보이지 않는다. 반대로 어떤 보고서는 굳이 긴 설명을 하지 않아도 “아, 지금 문제는 여기구나”라는 것이 바로 들어온다.

그 차이는 생각보다 단순한 곳에서 나온다.

무엇을 먼저 보여주는가. 무엇을 비교하게 만드는가. 무엇을 덜어냈는가. 어디에 시선이 머물게 설계했는가. 오컴의 면도날이 괜히 중요한 것이 아니다. 실무 보고서도 결국 마찬가지다. 넣을 수 있다고 다 넣으면 풍부해지는 것이 아니라 흐려진다. 게슈탈트 법칙도 그냥 디자인 이론으로만 끝나지 않는다. 사람은 가까운 것을 묶고, 비슷한 것을 같은 덩어리로 읽는다. 즉, 색 하나, 정렬 하나, 간격 하나도 결국 어떤 메시지를 먼저 읽게 만들 것인가와 연결된다.

HR 보고에서는 이게 더 중요하다. 채용 보고를 예로 들어보자. 지원자 수만 보여주면 현황 보고에 그친다. 하지만 지원자 수, 서류전환율, 면접전환율, 최종입사율을 함께 두고 어디에서 병목이 생기는지를 보여주면 그때부터는 논의의 수준이 달라진다. 평가 보고도 마찬가지다. 평균 점수만 보여주면 숫자는 있지만 해석은 없다. 조직별 분포, 평가자별 편차, 특정 등급의 쏠림을 보여주면 그제야 운영의 문제인지, 기준의 문제인지, 평가자 훈련의 문제인지가 보이기 시작한다.

그래서 다시 이 문장으로 돌아오게 된다.

“데이터 시각화가 없다면 경영진에게 '의사결정을 내려주세요'가 되지만, 데이터 시각화가 제대로 되어 있다면 '의사결정을 이렇게 내려주세요'가 되는 겁니다. 시각화는 곧 의사결정의 방향을 보여주는 무기입니다.” 는 HR이 정말 한 단계 올라서는 순간이 데이터를 많이 다룰 수 있게 되는 때가 아니라, 데이터를 통해 판단의 방향을 제안할 수 있게 되는 순간이라고 생각한다.

DIKW 피라미드는 HR이 다시 읽어야 할 개념이다

이번 공부를 하면서 특히 더 남았던 개념 중 하나는 DIKW 피라미드였다. Data, Information, Knowledge, Wisdom.

어쩌면 너무 익숙해서 오히려 가볍게 지나치기 쉬운 개념일 수도 있다.

그런데 HR 실무 관점에서 보면 이 구조는 생각보다 훨씬 중요하다.

DIKW 피라미드를 HR 관점에서 재해석하는 게 중요하다. HR이 단순히 데이터(Data)를 가지고 있는 것을 넘어 정보(Information)화 하는 것은 기본 소양이다. 이를 의사결정에 도움이 되는 지식(Knowledge)으로 전달하고, 마침내 인사이트를 제공하는 지혜(Wisdom)의 단계까지 가는 것이 진짜 고수의 영역이라 할 수 있다.

나는 이를 꽤나 중요하게 생각하고 있다. HR에는 데이터가 많다. 근태 파일, 평가 점수표, 채용 로그, 퇴사자 명단, 교육 이수 기록, 인건비 데이터. 하지만 대부분은 Data 단계에 머물러 있다. 조금 더 정리하면 Information이 된다. 월별 퇴사율, 직군별 채용 소요기간, 평가등급 분포 같은 것들이다. 사실 많은 HR 보고는 여기까지는 간다.

문제는 그 다음이다.

왜 특정 직군에서 퇴사가 높은가. 왜 어떤 조직은 평가등급이 유독 한쪽으로 몰리는가. 왜 채용은 되는데 정착이 안 되는가
왜 교육 참여율은 높은데 행동 변화는 없는가. 

이 질문들에 답하기 시작할 때 Information은 비로소 Knowledge가 된다. 그리고 Wisdom은 거기서 한 걸음 더 나간다. 예를 들어 이직률이 높다고 해서 무조건 연봉을 올리면 된다는 식으로 가면 안 된다. 실제로는 리더십 이슈, 온보딩 실패, 역할 불명확성, 조직문화 문제가 더 본질일 수 있다. 즉, Wisdom은 숫자를 넘어서 조직의 맥락과 실행 순서까지 함께 보는 단계다.

많은 HR 보고가 Information 단계에서 멈춘다고 생각한다. 표는 깔끔하고, 차트도 잘 정리되어 있다. 그런데 회의가 끝나고 나면 무엇을 해야 할지 남지 않는다. 그건 보고서가 보기 나빠서가 아니라, 아직 지식화와 통찰화 단계까지 가지 못했기 때문이다.

그래서 좋은 시각화는 Data를 Information으로 바꾸는 데서 끝나면 안 된다. 그 Information이 Knowledge로 넘어가도록 돕고, 마침내 Wisdom의 수준까지 연결되도록 설계되어야 한다. 그게 결국 HR 애널리틱스의 본질이라고 생각한다.

이번 합격이 의미 있었던 이유

합격 자체는 물론 기뻤다. 하지만 이 시험을 통과하고 나서 더 크게 남은 것은 자격증 한 줄보다도 HR이 데이터를 대하는 태도를 다시 점검하게 되었다는 점이었다. 우리는 종종 데이터를 많이 모으면 더 과학적인 HR이 된다고 생각한다.

그런데 실무에서는 오히려 숫자가 많을수록 더 쉽게 길을 잃기도 한다. 중요한 것은 숫자의 양이 아니다. 그 숫자 속에서 무엇이 핵심인지 읽어내고, 그것을 조직이 움직일 수 있는 언어로 바꾸는 능력이다. 그래서 앞으로 HR에게 필요한 역량을 말할 때 데이터 분석 역량만이 아니라 반드시 데이터 시각화 역량도 함께 이야기하고 싶다.

차트를 잘 그리는 기술로서가 아니라, 데이터를 지식화하고 그 지식을 의사결정의 방향으로 전달하는 역량으로서 말이다.

그 능력이 있어야 HR은 단순히 운영을 설명하는 부서가 아니라 조직의 선택을 함께 설계하는 부서가 될 수 있다.

HR 실무 적용 체크리스트

• 현재 내가 만든 보고서는 "결정해 주세요"인가, "이렇게 결정하시면 됩니다"인가?
• 데이터가 왜곡 없이(확증편향 없이) 객관적인 맥락을 전달하고 있는가?
• 우리 조직의 HR 데이터는 DIKW 피라미드 중 어느 단계에 머물러 있는가?

이 세 가지 질문은 생각보다 강력하다. 보고서를 만들기 전에도, 만든 뒤에도, 회의에 들어가기 전에도 스스로 물어볼 수 있다. 특히 두 번째 질문은 HR일수록 더 자주 붙들어야 한다고 생각한다. 숫자를 다룬다는 것은 결국 사람에 대한 판단을 다룬다는 뜻이기도 하기 때문이다.

마무리하며

이번 경영정보시각화 필기 합격은 나에게 단순한 시험 합격 이상의 의미가 있었다. 공부를 하면서 다시 느낀 것은 HR에게 필요한 것은 데이터를 많이 갖는 일이 아니라, 그 데이터를 정보로 정리하고, 지식으로 해석하고, 마침내 조직의 판단을 돕는 통찰로 전달하는 일이라는 점이었다.

좋은 HR은 숫자를 아는 사람에서 끝나지 않는다. 숫자를 해석할 줄 알고, 그 해석을 공정하게 다루고, 그 결과를 조직이 움직일 수 있는 방향으로 제시할 수 있어야 한다.

어쩌면 HR의 데이터 역량이란 것도 결국 사람을 더 잘 보기 위한 또 하나의 훈련인지 모르겠다. 숫자를 보기 위해 사람을 잊는 것이 아니라, 사람에 대한 판단을 더 책임 있게 하기 위해 숫자를 배우는 것. 그 방향으로 가는 HR이 결국 오래 남는다고 생각한다.

지금 당신의 보고서는 어떤가. 그저 숫자를 정리한 문서인가.

아니면 조직이 다음 결정을 내릴 수 있도록 방향을 보여주는 문서인가.

시각화 공부를 하다 보면 처음에는 거창한 차트에 눈이 간다. 화려하고, 있어 보이고, 뭔가 대단해 보이는 화면 말이다. 그런데 19강까지 오면서 오히려 더 분명해진 것은 반대였다. 좋은 대시보드는 복잡한 차트를 많이 얹는 화면이 아니라, 맥락에 맞는 도구를 적게, 정확하게 쓰는 화면에 가깝다는 점이다.

시각화 도구의 실력은 얼마나 화려한 차트를 쓰느냐가 아니라,
어떤 상황에 어떤 차트를 가장 효율적으로 배치하느냐에서 드러난다.

가장 실무적인 출발점은 의외로 엑셀이다.

조건부 서식의 데이터 막대나 아이콘 세트는 아주 단순하지만, 숫자만 나열된 표보다 훨씬 빠르게 상태를 읽게 해준다. 특히 경영진 보고에서는 세세한 설명보다 “어디가 높고 낮은가”가 먼저 보여야 할 때가 많다. 그런 점에서 엑셀의 기본 기능만 잘 써도 이미 시각화의 절반은 하고 있는 셈이다.

여기서 한 단계 더 가면 스파크라인이 나온다.

스파크라인은 별도의 큰 차트가 아니라, 셀 안에 들어가는 작은 추이 그래프다. 이게 왜 좋으냐면 공간을 거의 차지하지 않으면서도 흐름을 보여줄 수 있기 때문이다. 예를 들어 월별 인건비 표 옆에 작은 스파크라인 하나만 붙여도, 숫자를 다 읽지 않고 추세부터 파악할 수 있다. 개인적으로는 이런 작은 센스가 오히려 “보고서를 아는 사람”의 티를 낸다고 느낀다.

성과지표 쪽으로 가면 불릿 차트가 더 인상적이다.

KPI를 보여줄 때 많은 사람이 여전히 게이지 차트를 쓰지만, 게이지는 생각보다 공간을 많이 먹는다. 반면 불릿 차트는 실제 값, 목표값, 성과 구간을 훨씬 압축적으로 보여준다. HR KPI 대시보드에서도 이 차이는 꽤 크다. 예를 들어 채용 충원율, 교육 이수율, 퇴사율 목표 같은 지표는 게이지보다 불릿 차트가 훨씬 덜 답답하고 더 직관적일 수 있다. 내 생각에는 실무에서는 “보기 좋은 차트”보다 “공간 대비 정보량이 높은 차트”가 더 오래 살아남는다.

지도 시각화에서는 카토그램도 흥미롭다.

카토그램은 실제 지리 면적을 그대로 보여주는 지도가 아니라, 인구나 매출 같은 데이터 크기에 따라 지역 면적을 왜곡해서 보여주는 방식이다. 그래서 처음 보면 낯설지만, 오히려 데이터의 무게 중심을 더 선명하게 보여주기도 한다. 중요한 것은 지도를 예쁘게 그리는 것이 아니라, 무엇을 강조하려는지를 분명히 하는 일이라는 점에서 카토그램도 꽤 상징적인 도구처럼 느껴졌다.

실무적으로는 Power BI와 Tableau의 함수 차이도 가볍게 짚고 넘어갈 만하다.

예를 들어 평균을 구할 때도 어떤 툴은 AVERAGE, 어떤 툴은 AVG처럼 표현이 다를 수 있다. 아주 사소해 보이지만, 막상 실기나 실무에서는 이런 차이 때문에 손이 멈추는 순간이 생긴다. 결국 도구 활용도는 기능을 많이 아는 것보다, 비슷한 개념이 툴마다 어떻게 다르게 구현되는지 익숙해지는 과정에 가깝다.

이번 19강은 시리즈의 마지막이라 그런지 개인적으로도 조금 남는 감정이 컸다.

1강에서 경영정보 일반을 공부할 때만 해도, 이게 왜 시각화 과목인지 감이 잘 안 왔던 순간이 있었다. 그런데 19강까지 오고 보니 이제는 조금 알 것 같다. 경영, 회계, HR, 시장, 데이터 구조, 보안, 디자인, 도구까지 전부 결국은 좋은 화면 하나를 만들기 위한 밑바탕이었다.

그래서 이 시리즈를 마무리하며 드는 생각은 단순하다. 시각화는 차트를 그리는 기술이 아니라, 무엇을 보여주고 무엇을 덜어낼지 판단하는 기술이라는 점이다.

특히 HR처럼 맥락이 중요한 영역에서는 더 그렇다. 숫자는 많지만 시간은 적고, 보고서는 길지만 의사결정은 빠르게 이뤄져야 한다. 그때 필요한 것은 결국 복잡한 화면이 아니라, 핵심이 먼저 보이는 화면이다.

이제 다음 단계는 분명하다. 이 이론들을 바탕으로 실제 Power BI나 Tableau에서 손을 움직여보는 일이다. 결국 필기는 언어를 익히는 과정이었다면, 실기는 그 언어로 직접 화면을 설계해보는 단계일 것이다.

19강까지 오면서 느낀 것은 하나다. 항상 동일하다. 좋은 시각화는 예쁜 차트를 만드는 사람이 아니라, 보는 사람의 시간을 아껴주는 사람이 만든다는 점이다.

[19강: 시각화 도구 활용] 핵심개념 노트

[핵심 개념1] 사무자동화 시각화 도구 (조건부 서식과 스파크라인)

- 조건부 서식: 특정 데이터 조건에 따라 서식을 변경하여 시각적 효과를 줌
- 데이터 막대: 셀 내에 숫자나 퍼센트 값의 상대적 크기를 막대로 시각화
- 아이콘 세트: 아이콘의 크기, 색상 변화로 상대적 크기를 나타냄
- 스파크라인(Sparkline): 셀 내에 들어가는 작은 규모의 추세 그래프로, 시계열 데이터의 과거 추세 변화를 한눈에 직관적으로 파악하기 좋음

※ 헷갈리기 쉬운 함정: "스파크라인은 데이터의 불확실성을 표현하는 도구다"는 오답입니다. 스파크라인은 '추세'를 보여줍니다.

[핵심 개념2] 비즈니스 인텔리전스(BI) 도구의 특징 및 함수 차이

- BI 도구(Power BI, 태블로 등)의 장단점: 데이터를 탐색하고 시각화하기에 매우 훌륭하지만, 최종 결과만 저장되는 특성상 '재현 가능성(Reproducibility)'과 '반복 가능성(Repeatability)'을 확보하기 어렵다는 치명적 단점이 있음
- Power BI vs 태블로(Tableau) 함수 비교
· 평균 반환: Power BI는 AVERAGE / 태블로는 AVG
· 나누기: Power BI는 DIVIDE / 태블로는 DIV
· 텍스트 변환: Power BI는 SUBSTITUTE / 태블로는 REPLACE
· 분산 반환: Power BI는 VAR.S / 태블로는 VAR

※ 시험 적용 포인트: BI 도구의 한계점으로 '재현 및 반복 가능성 구현의 어려움'을 묻는 문제가 매번 빈출됩니다. 두 프로그램 간 철자가 다른 함수(예: AVERAGE vs AVG)도 반드시 구분해야 합니다.

[핵심 개념3] 비율 시각화 차트 (트리맵, 생키, 폭포수 차트)

- 트리맵(Treemap): 각 사각형 영역의 면적으로 크기를 나타내며, 계층 구조 표현에 적합함. 단, 음수 값을 표현하기 어렵다는 단점이 있음
- 생키 다이어그램(Sankey): 데이터의 흐름(Flow)을 보여주며, 연결선의 너비(두께)로 흐름의 양과 비율을 직관적으로 보여줌
- 폭포수 차트(Waterfall): 최종 이익 등에 기여하는 세그먼트의 누적 효과를 보기 위해 사용하며, 트리맵과 달리 음의 값(음수)이 존재해도 누적 효과를 확인할 수 있음

※ 헷갈리기 쉬운 함정: "트리맵은 음수 값을 표현하기 좋다" 혹은 "폭포수 차트는 음수 값을 표현할 수 없다"는 설명은 모두 오답입니다.

[핵심 개념4] 관계 및 분포 시각화 차트 (버블 차트, 경사 차트, 박스 플롯)

- 버블(거품형) 차트: 세 가지 이상의 요소 간 상관관계를 표현 (예: 한스 로슬링의 갭마인더). 원의 '지름'이 아니라 '면적'을 보고 판단해야 함
- 경사 차트(Slope Chart): 두 시점(점) 사이의 시간 전후 변화율과 추이를 비교하는 데 가장 효과적인 차트.
- 박스 플롯(Box Plot): 이상치 탐지와 4분위수(최솟값, 1사분위, 중앙값, 3사분위, 최댓값) 표시에 용이함. 단, 평균은 표시하지 않음

※ 시험 적용 포인트: "버블 차트는 지름으로 크기를 비교한다"는 단골 오답 보기입니다. "박스 플롯은 평균이 박스 중간에 나타나 확인하기 쉽다" 역시 단골 오답입니다 (평균이 아니라 중앙값 표기임). 시간 '전후' 비교는 무조건 '경사 차트'입니다.

[핵심 개념5] 공간 시각화 (단계 구분도와 카토그램)

- 단계 구분도(등치맵): 행정 구역 등 지도에 값에 따라 색의 채도/밝기를 달리함. 단, 값이 작더라도 지리적으로 차지하는 면적이 크면 값이 커 보이는 왜곡이 생길 수 있음
- 카토그램(Cartogram): 핵심 데이터 값을 강조하기 위해 지도 내 해당 구역의 면적 크기와 형태를 의도적으로 왜곡해서 보여주는 차트

※ 헷갈리기 쉬운 함정: 면적의 왜곡을 통해 시각적 극대화를 노리는 차트는 '단계 구분도'가 아니라 '카토그램'입니다. 단계 구분도는 원래 지도 형태를 유지하며 색상만 입히는 차트입니다.

[19강 시각화 도구 활용 - 실전 객관식 퀴즈 20선]

※ 각 문제마다 하단 부분을 드래그하면 정답이 보입니다.

Q1. 다음 그림에 활용된 엑셀(Excel)의 시각화 기능으로 가장 적절한 것은?

① 데이터 막대
② 스파크라인
③ 아이콘 세트
④ 피벗 차트
정답: ②
해설: 셀 내에 들어가는 작은 규모의 추세 그래프로, 시계열 데이터의 변화를 한눈에 직관적으로 보여주는 사무자동화 시각화 도구는 '스파크라인'입니다.

Q2. 다음 중 시각화 도구(BI 소프트웨어, 예: Power BI, 태블로)의 특징으로 가장 옳지 않은 것은?
① 데이터 탐색 및 대시보드 생성에 강력한 기능을 제공한다.
② 무작위한 요소가 포함되거나 최종 결과만 저장되는 특성상 반복 가능성을 구현하기 어려울 수 있다.
③ 동일한 데이터와 분석 과정을 사용하여 동일한 결과를 완벽하게 도출하는 재현 가능성을 완벽하게 보장한다.
④ 다양한 데이터 원본을 통합하고 필터링을 통한 상호작용 분석에 용이하다.
정답: ③
해설: 시각화 도구는 분석 과정을 코드로 남기지 않고 최종 결과만 저장하는 경우가 많아 재현 가능성과 반복 가능성을 확보하기 어렵다는 것이 대표적인 단점입니다.

Q3. BI 도구 중 Power BI와 태블로(Tableau)의 함수에 관한 설명이다. 빈칸에 들어갈 함수가 바르게 연결된 것은?
[ Power BI에서 모든 값의 평균을 반환하는 함수는 ( A )이고, 텍스트 문자열의 일부를 다른 문자열로 전환하는 함수는 ( B )이다. 반면 태블로에서 평균을 반환하는 함수는 ( C )이고, 문자열 전환 함수는 ( D )이다. ]
① A: AVERAGE, B: SUBSTITUTE, C: AVG, D: REPLACE
② A: AVG, B: REPLACE, C: AVERAGE, D: SUBSTITUTE
③ A: AVERAGE, B: REPLACE, C: AVG, D: SUBSTITUTE
④ A: AVG, B: SUBSTITUTE, C: AVERAGE, D: REPLACE
정답: ①
해설: 평균을 구할 때 Power BI는 AVERAGE, 태블로는 AVG를 사용합니다. 문자열 전환의 경우 Power BI는 SUBSTITUTE, 태블로는 REPLACE를 사용합니다.

Q4. 다음과 같은 차트 유형에 대한 설명으로 가장 옳지 않은 것은?

① 총알 차트(불릿 차트)라고 불리는 차트 유형이다.
② 성능이나 실적 데이터가 목표를 얼마나 달성했는지(목표 달성률)를 표현하기 위한 최적의 그래프이다.
③ 게이지 차트와 목적이 유사하지만, 상대적으로 화면을 더 경제적으로 사용할 수 있다.
④ 데이터의 시계열적 추세와 시간에 따른 누적 효과를 시각화하는 데 가장 적합하다.
정답: ④
해설: 불릿 차트는 성과가 목표에 도달했는지 비교하는 수량 시각화 그래프입니다. 시계열 추세를 보여주지는 않습니다.

Q5. 다음 중 폭포수(워터폴) 차트의 특징으로 가장 옳지 않은 것은?
① 주로 누적 효과를 보기 위해 사용하는 차트 유형이다.
② 음의 측정값(음수)이 존재할 경우 누적 효과 확인이 불가능하여 사용하기 부적합하다.
③ 최종 이익에 기여하는 세그먼트와 그 기여의 정도를 쉽게 판단할 수 있다.
④ 측정값의 총합계(Total) 막대를 우측 끝에 함께 표현하면 더욱 효과적이다.
정답: ②
해설: 폭포수 차트는 음의 측정값이 존재하더라도 감소 효과를 반영하여 누적 효과를 직관적으로 확인할 수 있습니다.

Q6. 다음과 같은 차트 유형에 대한 설명으로 가장 옳지 않은 것은?

① 중심점은 축이 나타내는 최댓값을 의미하며, 가장 먼 바깥쪽 끝은 최솟값을 나타낸다.
② 하나의 범주에 대한 여러 변수의 균형을 한눈에 파악하기 용이하다.
③ 레이더 차트 또는 스파이더 차트라고 불린다.
④ 그래프 내 변수가 너무 많으면 비교가 어려우므로 보통 변수가 3~5개일 때 파악하기 쉽고, 8개를 넘지 않아야 한다.
정답: ①
해설: 레이더 차트는 중심점이 최솟값을 나타내고 바깥쪽 끝으로 갈수록 큰 최댓값을 나타냅니다.

Q7. 다음 설명에 해당하는 비율 시각화 그래프 유형으로 가장 올바른 것은?

① 파이 차트
② 트리맵
③ 생키 다이어그램
④ 도넛 차트
정답: ②
해설: 사각형의 면적으로 위계 구조를 표시하며 음수 표현에 취약한 차트는 트리맵입니다.

Q8. 다음과 같은 차트 유형의 명칭으로 가장 적절한 것은?

① 생키 차트 (Sankey Diagram)
② 파레토 차트 (Pareto Chart)
③ 스트립 차트 (Strip Chart)
④ 시나 플롯 (Sina Plot)
정답: ①
해설: 프로세스 각 단계를 연결하는 화살표의 너비로 흐름의 양을 비율적으로 보여주는 다이어그램은 생키 차트입니다.

Q9. 다음의 버블(거품형) 차트의 특징 및 주의사항으로 가장 옳지 않은 것은?
① 일반적으로 x축, y축, 그리고 거품의 크기까지 활용하여 3가지 변수의 상관관계를 동시에 표현할 수 있다.
② 한스 로슬링의 갭마인더(Gapminder)가 대표적인 활용 사례이다.
③ 거품(버블)의 크기는 원의 '면적'이 아니라 '지름'을 기준으로 수량을 직관적으로 비교해야 오류가 없다.
④ 데이터 자릿수 차이가 크게 나거나 수백 개의 값을 표현하는 대규모 데이터 세트 분석에 유용하다.
정답: ③
해설: 버블 차트는 지름이 아닌 원의 '면적'을 기준으로 수량을 비교해야 데이터 왜곡을 막을 수 있습니다.

Q10. 정량 데이터의 두 시점(예: 2020년과 2023년) '시간 전후 변화율' 및 추세를 직접적으로 연결하여 시각화하기에 가장 적합한 차트 유형은 무엇인가?

① 수직 막대 차트
② 누적 수평 막대 차트
③ 히트맵 차트
④ 경사 차트(Slope Chart)
정답: ④
해설: 특정 시간 전후 두 지점 간의 변화율과 추이를 선의 기울기로 보여주는 것은 경사 차트입니다.

Q11. 다음 분포 시각화 차트에 대한 설명으로 가장 옳지 않은 것은?

① 이상치 탐지가 가능하여 데이터 전처리에 널리 활용된다.
② 데이터를 4분위로 표시하여 데이터의 범위와 분포를 한눈에 확인할 수 있다.
③ 데이터의 분포를 나타내는 것 외에도 데이터의 불확실성을 표현하는 신뢰구간을 표시하기에 최적화된 도구이다.
④ 박스 중간의 선은 평균이 아닌 중앙값을 의미하며 평균은 보통 표시하지 않는다.
정답: ③
해설: 불확실성이나 신뢰구간을 표현하기에 가장 적합한 차트는 '오차 막대'나 '신뢰 대역'입니다. 박스 플롯은 불확실성 표시 도구가 아닙니다.

Q12. 다음과 같은 차트 유형의 명칭으로 가장 올바른 것은?

① 스파이더 차트
② 단계 구분도
③ 범프 차트
④ 덴드로그램 (Dendrogram)
정답: ④
해설: 군집화 분석 결과로 생성된 그룹 간의 유사성을 계층적인 트리 형태로 보여주는 차트는 덴드로그램입니다.

Q13. 데이터의 지리적, 공간적 패턴을 분석하기 위한 공간 시각화 차트 중, 특정 정량적인 데이터 값의 크기에 비례하여 원래 지도의 면적이나 형태를 의도적으로 왜곡시켜 시각적 극대화를 주는 차트는 무엇인가?
① 단계 구분도(Choropleth map)
② 밀도 맵(Density map)
③ 카토그램(Cartogram)
④ 등치 지역도
정답: ③
해설: 실제 지리적 면적과 무관하게 데이터 값에 비례하여 지도 크기를 왜곡하는 기법은 카토그램입니다.

Q14. 다음 공간 시각화 기법 중 '단계 구분도(등치맵)'를 사용할 때 가장 주의하여 고려해야 할 점은 무엇인가?
① 사용자가 지도의 모양과 위치를 정확히 안다는 전제가 없으면 왜곡으로 인해 내용을 파악할 수 없다.
② 지리적으로 차지하는 실제 면적이 큰 지역은 데이터 값이 작더라도 시각적으로 더 큰 비중을 차지하는 것처럼 값이 왜곡되어 보일 수 있다.
③ 위도와 경도 데이터가 조금이라도 결측되면 화면에 아무 그래픽도 나타나지 않는다.
④ 지리적 위치 데이터 없이 텍스트 범주형 데이터만으로도 맵이 자동으로 완성된다.
정답: ②
해설: 단계 구분도는 면적이 넓은 국가나 지역의 값이 작더라도 시각적으로 크게 과대평가될 수 있는 왜곡 현상을 주의해야 합니다. 1번 보기는 카토그램의 주의점입니다.

Q15. 다음 중 시계열 데이터에서 시간 배열에 따른 '순위'의 변동 추이를 직관적으로 파악하기 위해 여러 선들이 순위에 따라 교차하는 모습을 보여주는 차트는?
① 히트맵 캘린더
② 산점도
③ 범프 차트 (훅 차트)
④ 카토그램
정답: ③
해설: 시간 단위별 순위 변동 추이를 꺾은선들이 교차하며 보여주는 것은 범프 차트입니다.

Q16. 두 변수 간의 관계 시각화에 널리 쓰이는 산점도(Scatter Plot)에 대한 설명으로 가장 옳지 않은 것은?
① 두 정량적 변수 간의 상관관계(강도와 방향 등)를 파악하는 데 효과적이다.
② 산점도에 흩어진 점들이 특정한 선 모양에 가깝게 밀집해 있을수록 두 변수 간의 상관관계가 강하다고 해석할 수 있다.
③ 데이터 포인트가 너무 적은 경우에도 패턴을 명확하게 도출할 수 있어 막대그래프보다 산점도를 우선적으로 사용해야 한다.
④ 산점도를 행렬 형태로 다수 배치한 쌍산점도(Pair plot)를 통해 여러 변수 간의 관계를 동시에 파악할 수도 있다.
정답: ③
해설: 산점도에 데이터 포인트가 너무 적으면 패턴 파악이 어려우므로, 이때는 막대그래프 등 다른 차트 사용이 권장됩니다.

Q17. 데이터 시각화의 목적별 차트 선택에 관한 연결 중 가장 적절하지 않은 것은?
① 수량 시각화 - 누적 수직 막대 차트, 레이더 차트
② 비율 시각화 - 파이 차트, 도넛 차트, 트리맵
③ 불확실성 시각화 - 오차 막대, 신뢰 대역
④ 분포 시각화 - 생키 다이어그램, 폭포수 차트
정답: ④
해설: 생키 다이어그램과 폭포수 차트는 '비율 시각화'에 포함됩니다. 분포 시각화에는 히스토그램, 박스 플롯 등이 들어갑니다.

Q18. 행렬(Matrix) 형태의 교차표에서 값의 높고 낮음을 색상의 채도나 그라데이션으로 표현하여, 데이터 분포나 관계 밀도를 빠르게 식별하게 해주는 시각화 차트는?
① 덤벨 차트
② 히트맵 차트
③ 버터플라이 차트
④ 로제타 플롯
정답: ②
해설: 2차원 행렬 구조에서 특정 값의 크기를 색상 변화(그라데이션)로 나타내는 차트는 히트맵입니다.

Q19. 태블로(Tableau)와 같은 BI 도구에서 데이터 속성을 '차원(Dimension)'과 '측정값(Measure)'으로 구분하여 처리할 때, 다음 중 데이터와 분류가 가장 올바르게 짝지어진 것은?
① 지역 (서울, 부산 등) - 양적 데이터 - 측정값
② 매출액 - 범주형 데이터 - 차원
③ 수익 - 연속형 정량 데이터 - 측정값
④ 제품 중분류 - 연속형 정량 데이터 - 측정값
정답: ③
해설: 사칙연산이 가능한 수치형 양적 데이터(수익, 매출 등)는 '측정값(Measure)'이고, 범주형 데이터(지역, 중분류 등)는 '차원(Dimension)'입니다.

Q20. 수직 막대 그래프와 수평 막대 그래프를 디자인할 때 가독성과 정보 전달의 정확성을 위해 고려해야 할 사항으로 가장 옳지 않은 것은?
① 데이터 값에 음수가 포함되어 있거나, 항목의 레이블 텍스트가 매우 길 경우에는 수평 막대그래프를 사용하는 것이 적합하다.
② 정량적인 데이터 값의 정확한 비율 비교를 위해 값 축은 반드시 '0'부터 시작하도록 설정해야 한다.
③ 배경의 격자선(그리드)을 최대한 복잡하고 진하게 배치하여 데이터 값이 정확히 어느 선에 닿는지 수학적으로 계산하기 쉽도록 만들어야 한다.
④ 막대 그래프 간 비교 시에는 막대 사이의 너비(간격)를 최소화하여 서로 붙여서 비교하는 것이 직관적인 시각적 파악에 유리하다.
정답: ③
해설: 그래프의 단순함과 가독성을 위해 불필요하거나 과도한 격자선(그리드)은 가급적 흐리게 하거나 없애는 것이 좋습니다.

왜 어떤 대시보드는 한눈에 들어오고, 어떤 대시보드는 보기만 해도 피곤할까

차트는 결국 숫자를 보여주는 도구라고 생각하기 쉽다. 그런데 이번 18강을 공부하면서 다시 느낀 것은, 차트는 숫자만이 아니라 사람의 눈과 뇌가 어떻게 받아들이는지까지 함께 설계해야 한다는 점이었다.

같은 데이터라도 어떤 대시보드는 직관적으로 읽히고, 어떤 대시보드는 화려한데도 남는 것이 없다. 그 차이는 예쁨보다 설계에 있다.

좋은 시각화 디자인은 꾸미는 일이 아니라,
인지적 부담을 줄이고 핵심 메시지가 먼저 보이게 만드는 설계다.

이 파트에서 흥미로웠던 것은 시각화에도 철학이 분명히 나뉜다는 점이었다.

대표적으로 에드워드 터프티와 나이젤 홈즈가 그렇다.

터프티는 최대한 덜어내는 쪽에 가깝다. 불필요한 장식, 과한 배경선, 쓸데없는 3D 효과를 지우고 데이터 자체가 가장 잘 보이게 만드는 철학이다. 흔히 말하는 데이터-잉크 비율도 여기서 나온다.

반면 홈즈는 설명적 일러스트와 시각적 재미를 조금 더 적극적으로 쓰는 편이다. 메시지를 더 친근하게 전달하려는 접근이라고 볼 수 있다.

개인적으로는 HR 보고에서는 터프티 쪽이 더 자주 맞는다고 느낀다. 경영진 보고에서 중요한 것은 “예쁘다”보다 “바로 읽힌다”이기 때문이다. 퇴사율 대시보드에 그림자, 그라데이션, 두꺼운 테두리, 장식 아이콘이 많아질수록 오히려 핵심 숫자는 뒤로 밀린다. 내 경험상 화려한 보고서보다 직관적인 보고서가 설득에 더 강하다.

자크 베르탱의 7가지 시각 변수도 결국 같은 이야기다.

위치, 크기, 형태, 명도, 색상, 기울기, 질감.

데이터는 이 시각 변수들을 통해 다르게 읽힌다. 예를 들어 가장 강력한 것은 대개 위치다. 같은 색이라도 어디에 놓이느냐에 따라 인식 속도가 달라진다. 크기와 색상도 강조에 유용하지만, 남발하면 오히려 혼란이 생긴다.

시험용으로는 이런 식으로 외우면 좀 편하다.

“위크형명색기질” 위치, 크기, 형태, 명도, 색상, 기울기, 질감.

억지 같아 보여도 객관식에서는 이런 암기법이 꽤 도움이 된다.

게슈탈트 심리학도 시각화에서 중요하다.

사람은 하나하나 따로 보지 않고, 비슷한 것끼리 묶고 가까운 것끼리 연결해서 본다. 그래서 근접성, 유사성, 연속성, 폐쇄성 같은 법칙이 차트 디자인에 그대로 적용된다. 예를 들어 특정 부서군을 같은 색으로 묶어 보여주면, 사용자는 설명을 읽지 않아도 같은 집단으로 받아들인다.

이게 바로 유사성의 법칙이다. 막대 간 간격을 좁혀 한 그룹처럼 보이게 하거나, 선 흐름을 끊기지 않게 연결하는 것도 마찬가지다. 결국 잘 만든 대시보드는 사람에게 “읽으라”고 강요하지 않고, 저절로 그렇게 읽히게 만든다.

데이비드 맥캔들레스가 이야기한 시각 이해의 위계도 비슷한 맥락으로 읽혔다.

결국 시각화는 데이터를 많이 보여주는 데서 끝나지 않는다. DIKW처럼 데이터가 정보가 되고, 정보가 의미를 갖고, 마지막에는 이해와 통찰로 이어져야 한다. 그래서 나는 좋은 차트의 기준이 “멋있다”가 아니라 “보는 순간 무엇이 중요한지 알 수 있다”에 더 가깝다고 생각한다.

실무적으로도 이건 아주 현실적이다. 예를 들어 HR 퇴사율 대시보드를 만든다고 하면, 먼저 배경선과 그림자, 3D 효과부터 지워야 한다. 그리고 정말 봐야 할 부서만 색으로 강조하고, 나머지는 톤을 낮춰야 한다. 이 과정은 디자인 취향의 문제가 아니라, 경영진의 눈이 어디에 먼저 가야 하는지 설계하는 일이다.

데이터 시각화는 꾸미기의 기술이 아니라, 이해를 돕는 기술이라는 점이다.

이번 18강을 공부하며 든 생각이다. 특히 HR처럼 설명해야 할 맥락이 많은 영역에서는 더 그렇다. 사람들은 숫자보다 메시지를 기억한다. 그리고 그 메시지는 결국 가장 먼저 보이는 것에서 시작된다.

시험용으로 마지막 암기 팁도 하나 남기자면, 터프티는 “빼는 사람”, 홈즈는 “그리는 사람” 정도로 잡아두면 꽤 헷갈리지 않는다. 게슈탈트는 예전식으로 많이들 “에그불 나장”처럼 외우기도 하는데, 시험장에서는 이런 단순한 장치가 의외로 기억을 붙잡아준다.

[18강: 시각화 디자인] 핵심개념 노트

[핵심 개념1] DIKW 피라미드와 시각 이해 위계

- 데이터(Data): 가공되지 않은 분리된 요소 (묶기, 수집하기, 정량화하기)

- 정보(Information): 의미가 부여된 연관된 요소 (비교하기, 대조하기, 연결짓기)

- 지식(Knowledge): 정보를 바탕으로 한 조직화된 정보 (구조화하다, 해석하다, 평가하다)

- 지혜(Wisdom): 지식을 바탕으로 통찰을 이끌어낸 적용된 지식 (구체화하다, 식별하다, 종합하다)

※ 헷갈리기 쉬운 함정: "조직화된 정보는 지혜다"는 오답입니다. 조직화된 정보는 '지식'이며, 적용된 지식이 '지혜'입니다. 또한, 계층의 순서를 위에서부터 아래로 묻는지, 아래에서부터 위로 묻는지 반드시 확인해야 합니다.

※ 시험 적용 포인트: 피라미드의 순서(데이터 → 정보 → 지식 → 지혜)를 묻거나, 특정 동사(예: 구조화하다, 해석하다)를 주고 어느 단계에 해당하는지 맞히는 문제가 빈출됩니다.

[핵심 개념2] 인포그래픽과 오컴의 면도날 원칙

- 시각화 전문가의 두 관점

· 에드워드 터프티: 데이터 잉크 비율을 강조하며 "특정한 정보를 전달하지 않는 그래픽(장식) 요소는 불필요하다"고 주장

· 나이젤 홈즈: 정보 디자인을 꾸미는 데 "일러스트레이션과 장식이 중요하다"고 주장.

- 오컴의 면도날 원칙: 복잡한 설명보다 단순한 설명이 선호되어야 한다는 원칙. 불필요한 세부 정보를 제거하고 인포그래픽을 간결하게 구성해야 함

※ 헷갈리기 쉬운 함정: 인포그래픽을 "정보를 만들기 위한 기초 자료나 원자재"라고 설명하면 오답입니다. 인포그래픽은 데이터를 가공한 최종 '시각적 결과물'입니다.

※ 시험 적용 포인트: 에드워드 터프티와 나이젤 홈즈의 상반된 주장을 반대로 섞어 놓은 보기를 골라내거나, '핵심 메시지 강조, 최소한의 텍스트'라는 설명을 주고 '오컴의 면도날 원칙'을 고르는 문제가 자주 나옵니다.

[핵심 개념3] 시각적 요소 변수 및 색의 3속성

- 시각적 요소 변수

· 자크 베르탱 (7가지 변수): 위치, 크기, 형태, 명조, 색상, 기울기, 질감 (위크형명색기질)

· 클라우스 윌케 (시각적 속성): 위치, 모양, 크기, 색, 선 굵기, 선 유형 (위모크색선구선유)

- 색의 3속성

· 색상: 색의 이름이나 종류 · 명도: 색의 밝고 어두운 정도 (명도가 높으면 밝음)

· 채도: 색의 순수성이나 탁함의 정도. 0%면 탁한 회색, 100%면 순수한 색

※ 헷갈리기 쉬운 함정: "채도가 100%일 때 탁한 색이 된다"는 설명은 시각화 디자인 파트의 가장 대표적인 단골 오답입니다. 채도는 높을수록 맑고 순수합니다.

[핵심 개념4] 시각 정보 디자인 7원칙과 정보 처리

- 콜린 웨어의 시각 정보 처리 3단계: 뚜렷한 시각 요소 파악하기 → 패턴 알아차리기 → 해석하기

- 시각 정보 디자인 7원칙 중 핵심 주의사항

· 단일 변수가 아닌 다중 변수를 표시하라

· 시간순이 아닌 공간순으로 나열하라 (공간순 배치가 데이터 관계의 직관적 이해에 유리함)

· 정량적 자료의 정량성을 제거하지 마라

※ 헷갈리기 쉬운 함정: 상식적으로 '시간순'이 맞을 것 같지만, 디자인 7원칙에서는 구조의 직관적 이해를 위해 "시간순이 아닌 공간순"을 강조한다는 점이 최고의 함정 포인트입니다.

[핵심 개념5] 게슈탈트(Gestalt) 법칙

- 전경과 배경: 배경 속 두드러진 요소가 전경으로 인식됨 (예: 루빈의 컵)

- 근접성의 법칙: 가까이 모여 있는 것들을 하나의 그룹으로 인식 (예: 산점도)

- 유사성의 법칙: 모양이나 색상이 비슷한 요소들을 하나의 그룹으로 인식

- 공통 운명의 법칙: 동일한 방향으로 움직이는 요소를 같은 그룹으로 인식 (예: 한스 로슬링의 버블 차트)

- 단순 충만의 법칙: 평행한 것은 같고, 평행하지 않은 것은 다르다고 인식

- 폐쇄성의 법칙: 일부가 생략되거나 끊어진 불완전한 형태라도 뇌가 채워 넣어 완전한 전체 그림으로 인식

※ 헷갈리기 쉬운 함정: '폐쇄성'과 '연속성'을 구분해야 합니다. 끊어진 점선을 보고 하나의 온전한 원(도형)으로 인식하는 것은 '폐쇄성'이고, 부드러운 곡선 흐름 자체를 따라가며 하나로 묶어 보는 것은 '연속성'입니다.

[18강 시각화 디자인 - 실전 객관식 퀴즈 20선]

※ 각 문제마다 하단 부분을 드래그하면 정답이 보입니다.

Q1. 데이비드 맥캔들레스의 '시각 이해 위계 피라미드'의 단계를 가장 아래(하위)부터 위(상위)까지의 순서로 가장 바르게 나열한 것은?
① 데이터 - 정보 - 지혜 - 지식
② 데이터 - 정보 - 지식 - 지혜
③ 정보 - 데이터 - 지식 - 지혜
④ 지식 - 정보 - 데이터 - 지혜
정답: ②
해설: 피라미드는 데이터(Data)부터 정보, 지식, 지혜(Wisdom) 순으로 DIKW 구조를 이룹니다.

Q2. DIKW 피라미드 계층에서 '조직화된 정보'로 묘사되며, 동사화했을 때 '구조화하다, 해석하다, 평가하다' 등으로 표현되는 단계는 무엇인가?
① 데이터
② 정보
③ 지식
④ 지혜
정답: ③
해설: 정보를 한 단계 발전시켜 조직화한 것은 '지식' 단계입니다.

Q3. 인포그래픽 디자인 원칙 중 "복잡한 설명보다 단순한 설명이 선호되어야 하며, 핵심 메시지를 간결하게 강조해야 한다"는 원칙은?
① 3등분의 법칙
② 정보의 역피라미드 원칙
③ 오컴의 면도날 원칙
④ 파레토의 법칙
정답: ③
해설: 불필요한 가정을 잘라내고 간결함을 지향하는 원칙은 '오컴의 면도날'입니다.

Q4. 인포그래픽에 해당하는 설명 중 가장 옳지 않은 것은?
① 좁고 긴 디자인이 일반적인 형태가 되었다.
② 효과적인 정보와 기술 데이터를 시각적으로 표현하는 방법이다.
③ 정보를 만들기 위한 일종의 '원자재'와 같은 기초 자료이다.
④ 에디토리얼 인포그래픽은 장식을 많이 포함한다.
정답: ③
해설: 가공되지 않은 기초 자료(원자재)는 데이터이며, 인포그래픽은 최종 시각 결과물입니다.

Q5. 다음 중 시각화 요소에 대해 "특정한 정보를 전달하지 않는 장식 요소는 불필요하다"며 데이터 잉크 비율을 강조한 전문가는?
① 에드워드 터프티
② 나이젤 홈즈
③ 데이비드 맥캔들레스
④ 클라우스 윌케
정답: ①
해설: 에드워드 터프티는 장식을 배제할 것을, 나이젤 홈즈는 장식의 중요성을 주장했습니다.

Q6. 자크 베르탱(Jacques Bertin)이 정의한 시각적 요소의 7가지 주요 변수에 속하지 않는 것은?
① 위치
② 색상
③ 선 유형
④ 질감
정답: ③
해설: 자크 베르탱 7변수는 위치, 크기, 형태, 명조, 색상, 기울기, 질감입니다. 선 유형은 클라우스 윌케의 분류입니다.

Q7. 기초 디자인 원리 중 색의 3속성에 대한 내용으로 가장 옳지 않은 것은?
① 색상은 색의 이름이나 종류를 말한다.
② 명도는 색이 얼마나 밝고 어두운지를 결정한다.
③ 100%의 채도일 때 회색, 0%의 채도일 때 순수한 색이 된다.
④ 높은 명도 값은 색이 밝은 것을 의미한다.
정답: ③
해설: 채도는 0%일 때 탁한 회색이고, 100%일 때 맑고 순수한 색이 됩니다.

Q8. 두 개 이상의 요소가 반복되어 일정한 패턴이 형성되는 것을 강조하여 시각적 흥미를 유발하는 디자인 기본 원리는?
① 균형
② 대비
③ 리듬
④ 대칭
정답: ③
해설: 시각적 요소가 규칙적으로 반복되어 패턴을 만드는 것은 '리듬'입니다.

Q9. 데이터 값이나 비율을 구분하기 위해 사용된 색상, 패턴이 어떤 항목을 의미하는지 설명해 주는 텍스트 요소는?
① 서체
② 주석
③ 클립아트
④ 범례
정답: ④
해설: 차트의 색상이나 기호 의미를 설명하는 표를 범례(Legend)라고 합니다.

Q10. 시각 정보 디자인의 7원칙에 대한 설명으로 가장 옳지 않은 것은?
① 시각적 비교를 강화하고 인과 관계를 보여야 한다.
② 복잡성을 줄이기 위해 오직 단일 변수만을 표시해야 한다.
③ 시간순이 아닌 공간순으로 나열하라.
④ 정량적 자료의 정량성을 제거하지 말아야 한다.
정답: ②
해설: 시각 정보 디자인에서는 여러 변수의 연관성을 동시에 파악할 수 있도록 '다중 변수'를 표시하라고 강조합니다.

Q11. 가장 중요하고 실질적인 핵심 정보를 화면 맨 위에 배치하고, 그 아래로 세부 정보와 배경 정보를 차례대로 배치하는 그래픽 디자인 원리는?
① 3등분의 법칙
② 정보의 역피라미드 원리
③ 그리드 디자인
④ 화면을 읽는 방식
정답: ②
해설: 결론과 핵심을 상단에 먼저 노출하는 방식을 정보의 역피라미드 원리라고 합니다.

Q12. 콜린 웨어가 주장한 '뇌가 시각 정보를 처리하는 3단계 과정'의 올바른 순서는?
① 패턴 알아차리기 → 뚜렷한 시각 요소 파악하기 → 해석하기
② 뚜렷한 시각 요소 파악하기 → 패턴 알아차리기 → 해석하기
③ 뚜렷한 시각 요소 파악하기 → 해석하기 → 패턴 알아차리기
④ 해석하기 → 패턴 알아차리기 → 뚜렷한 시각 요소 파악하기
정답: ②
해설: 가장 먼저 눈에 띄는 뚜렷한 요소를 파악하고, 패턴을 찾은 뒤, 의미를 해석합니다.

Q13. 게슈탈트 법칙 중, 서로 가까이 모여 있거나 인접해 있는 요소들을 무의식적으로 하나의 관련된 그룹으로 묶어서 인식하는 법칙은?
① 공통 운명의 법칙
② 유사성의 법칙
③ 근접성의 법칙
④ 단순 충만의 법칙
정답: ③
해설: 거리상으로 가까운 것들을 묶어서 보는 현상으로 산점도의 군집 인식과 관련 깊습니다.

Q14. 끊어지거나 일부가 생략된 불완전한 선이나 도형을 볼 때, 뇌가 빈 공간을 스스로 채워 넣어 하나의 완전한 도형으로 인식하는 게슈탈트 법칙은?
① 연속성의 법칙
② 폐쇄성의 법칙
③ 전경과 배경의 법칙
④ 공통 운명의 법칙
정답: ②
해설: 불완전한 형태를 닫힌 완전한 상태로 지각하는 현상을 폐쇄성의 법칙이라고 합니다.

Q15. 한스 로슬링의 갭마인더 버블 차트처럼 동일한 방향을 향해 함께 움직이는 시각적 요소들을 하나의 그룹으로 인식하는 법칙은?
① 공통 운명의 법칙
② 연속성의 법칙
③ 근접성의 법칙
④ 유사성의 법칙
정답: ①
해설: 같은 방향, 속도로 움직이는 요소를 한 집단으로 묶어 보는 것은 공통 운명의 법칙입니다.

Q16. 평행한 선들은 서로 같고, 평행하지 않게 어긋난 선들은 서로 다른 요소로 그룹화하여 지각한다는 게슈탈트 법칙은?
① 전경과 배경의 법칙
② 연속성의 법칙
③ 단순 충만의 법칙
④ 폐쇄성의 법칙
정답: ③
해설: 패턴을 단순하고 규칙적이며 의미가 충만한 형태(평행 등)로 지각하려는 경향성을 단순 충만의 법칙이라고 합니다.

Q17. 배경 속에 묻혀 있는 형태 중 특정 요소가 시각적 메인 주제로 튀어나와 인식되는 현상으로 '루빈의 컵' 예시로 설명되는 법칙은?
① 공통 운명의 법칙
② 유사성의 법칙
③ 전경과 배경의 법칙
④ 근접성의 법칙
정답: ③
해설: 초점이 맞춰지는 대상(전경)과 그 밖의 공간(배경)을 분리하여 지각하는 현상입니다.

Q18. 시각화 결과물을 모니터에 출력하여 제공할 때 고려해야 하는 색채 방식으로, 빛의 삼원색(RGB)을 활용하는 혼합 방식은?
① 가산 혼합
② 감산 혼합
③ 채도 혼합
④ 명도 혼합
정답: ①
해설: 모니터 화면 등 빛을 쏘아 색을 표현하는 방식은 섞을수록 밝아지는 가산 혼합을 따릅니다.

Q19. 다음 중 디자인 기본 원리에 대한 설명으로 가장 적절하지 않은 것은?
① 대칭: 요소들이 중앙 축을 기준으로 대칭적으로 배열된 상태이다.
② 강조: 특정 요소를 부각시켜 시각적 주목을 끄는 방법이다.
③ 비례: 디자인 요소들 간의 상대적인 크기와 배치의 비율을 의미한다.
④ 균형: 디자인 요소들 간의 실제 물리적 크기 면적만을 단순 합산하여 나타낸 수치다.
정답: ④
해설: '균형'이란 실제 물리적 크기의 단순 합산이 아니라, 요소들이 시각적인 '무게'를 균등하게 분배하여 시각적 안정감을 주는 상태를 말합니다.

Q20. 경영 정보 시각화 5단계 프로세스의 순서로 가장 올바른 것은?
① 시각화 목적/대상자 설정 → 데이터 수집/전처리 → 시각화 디자인 → 디자인 구현 → 결과 전달
② 데이터 수집/전처리 → 시각화 디자인 → 디자인 구현 → 목적/대상자 설정 → 결과 전달
③ 디자인 구현 → 시각화 디자인 → 목적/대상자 설정 → 데이터 수집/전처리 → 결과 전달
④ 데이터 수집/전처리 → 목적/대상자 설정 → 디자인 구현 → 시각화 디자인 → 결과 전달
정답: ①
해설: 시각화는 목적과 대상을 설정한 후 데이터를 수집·전처리하고, 디자인을 기획/구현하여 최종 결과를 전달하는 순서로 진행됩니다.

매번 데이터 추출 자체가 불가능한 것은 아니다.

요즘은 HR 실무자도 기본적인 데이터는 얼마든지 내려받을 수 있다. 문제는 그 다음이다.

보고 목적이 조금만 달라져도 다시 가공해야 하고, 보고 싶은 기준이 바뀔 때마다 열을 정리하고 조건을 바꾸고 파일을 다시 손봐야 한다. 특히 필터가 여러 개 걸린 상태에서 이 조건 저 조건을 바꿔가며 봐야 할 때는, 단순 조회보다 가공과 재작업에 더 많은 시간이 들어가곤 한다.

개인적으로는 요즘 데이터 업무의 어려움이 “데이터를 못 받는 것”보다 “받은 데이터를 상황마다 다시 만들어야 하는 것”에 더 가깝다고 느낀다. 한 번 만든 표로 끝나는 일이 거의 없고, 필터 조건이 늘어나기 시작하면 같은 데이터를 두고도 반복 작업이 끝없이 늘어난다.

이번 17강을 공부하며 가장 크게 든 생각도 바로 이것이었다.

이제 실무의 병목은 데이터 추출 그 자체보다, 데이터를 상황에 맞게 빠르게 재구성하고 반복해서 활용하는 방식에 있다. 그래서 Self-BI는 단순히 IT 부서 의존성을 줄이는 개념이 아니라, 실무자가 필요한 관점으로 데이터를 훨씬 빠르게 바꿔 보고 해석할 수 있게 만드는 구조에 가깝다고 느꼈다.

실무자 주도의 Self-BI가 대세가 된 지금,
데이터를 직접 다룰 수 있는 힘과 민감 정보를 안전하게 보호하는 감각은 함께 가야 한다.

BI는 원래 조직의 데이터를 모아 의사결정을 돕는 체계다.

그런데 예전 BI가 주로 IT 부서 중심이었다면, Self-BI는 현업 실무자가 직접 Power BI나 Tableau 같은 도구로 필요한 데이터를 보고 해석하는 흐름에 가깝다.

내가 보기에는 이 변화가 꽤 중요하다. 결국 데이터를 가장 잘 이해하는 사람은 현업에 있는 경우가 많기 때문이다. 그래서 Self-BI는 단순한 툴의 문제가 아니라, 현업이 더 빠르게 판단할 수 있게 만드는 구조의 변화라고 느껴진다.

여기서 나는 도메인 지식의 중요성을 꼭 같이 말하고 싶다. 데이터를 꺼내고 연결하는 일 자체는 점점 쉬워지고 있다. 하지만 그 숫자가 실제로 무엇을 의미하는지 해석하는 일은 여전히 현업의 몫이다. 데이터가 정보가 되는 단계까지는 기술과 시스템의 도움을 받을 수 있다. 그러나 그 정보가 조직의 맥락 속에서 지식이 되고, 실제 의사결정을 움직이는 인사이트가 되려면 결국 도메인 지식이 필요하다.

그래서 좋은 데이터 시각화는 IT 부서의 역량만으로 완성되지 않는다. 실제 업무를 이해하는 실무자의 질문과 해석이 함께 들어가야, 비로소 데이터가 Data → Information → Knowledge → Insight로 올라갈 수 있다고 생각한다.

이 과정에서 같이 나오는 것이 DW와 ETL이다.

데이터 웨어하우스(DW)는 여러 데이터를 모아두는 창고이고, ETL은 데이터를 추출하고(Extract), 변환하고(Transform), 적재하는(Load) 과정이다. 쉽게 말하면 흩어진 HR 데이터를 한곳에 모아, 바로 분석 가능한 형태로 다듬는 과정이다. 퇴사율 분석이나 성과 대시보드를 직접 만드는 일도 사실은 이 흐름 위에 올라가 있다.

백업 개념도 생각보다 중요했다.

전체 백업은 말 그대로 전부를 저장하는 방식이고, 증분 백업은 마지막 백업 이후 바뀐 것만 저장한다. 차등 백업은 전체 백업 이후 바뀐 내용을 계속 누적해 저장한다. 여기서 중요한 건 정답이 하나가 아니라는 점이다. 저장 속도, 복구 속도, 용량이 서로 trade-off 관계에 있다.

결국 데이터 관리도 늘 효율과 안정성 사이의 균형 문제라는 생각이 들었다. HR 입장에서 가장 중요하게 다가온 것은 역시 비식별화였다. 직원 연봉, 인사고과, 평가 의견, 징계 이력 같은 데이터는 그 자체로 매우 민감하다. 그래서 차트를 만들거나 외부로 반출할 때는 “보여주면 편하다”보다 “정말 보여줘도 되는가”를 먼저 따져야 한다.

이때 자주 헷갈리는 것이 가명 처리와 익명 처리다.

가명 처리는 추가 정보가 있으면 다시 연결할 수 있는 방식이고, 익명 처리는 복원이 불가능하도록 식별 요소를 없애는 방식이다.

개인적으로 HR은 이 차이를 가볍게 보면 안 된다고 생각한다. 실무에서는 편의상 가명 처리만 해놓고 안전하다고 느끼기 쉽지만, 실제로 외부 공유나 퍼블리싱 상황에서는 익명 처리가 훨씬 더 우선되어야 하는 경우가 많다. 특히 HR 데이터는 조합만으로도 개인이 유추될 가능성이 높기 때문이다.

K-폴드 교차 검증 같은 개념도 결국 같은 맥락으로 읽혔다. 모델 하나를 너무 쉽게 믿지 않고, 나누어 검증하는 태도 말이다. 데이터 활용은 멋진 결과를 빠르게 만드는 것이 아니라, 조금 느리더라도 틀리지 않게 다루는 습관에 더 가깝다는 생각이 들었다.

데이터 분석은 문과의 무기일 수 있다.

17강까지 오면서 개인적으로 조금 벅찼다. 처음에는 경영 일반을 공부하는 느낌이었다가, 점점 데이터와 IT 쪽으로 들어오면서 “이걸 HR이 왜 알아야 하지?” 싶었던 순간도 있었다. 그런데 끝까지 오고 보니, 이 모든 내용이 결국 하나로 이어졌다. 전략, 회계, 시장, 생산, 데이터베이스, 보안까지 전부 시각화 툴을 잘 쓰기 위한 지식 인프라였던 셈이다.

그래서 나는 요즘 Self-BI를 보며 이런 생각을 한다. 데이터 분석은 문과의 무기일 수 있다. 개발자가 아니어도, 통계 전공자가 아니어도, 데이터를 구조적으로 보고 질문할 수 있다면 이미 경쟁력이 된다. 특히 HR처럼 사람과 조직의 맥락을 읽어야 하는 직무일수록 더 그렇다.

결국 좋은 대시보드는 예쁜 차트를 많이 만드는 것이 아니다. 필요한 데이터를 제때 꺼내고, 맥락 있게 연결하고, 민감한 정보는 끝까지 조심스럽게 다루는 것. 그리고 그 숫자가 실제로 무엇을 뜻하는지, 현업의 언어로 해석할 수 있는 사람의 통찰까지 함께 들어갈 때 비로소 힘을 가진다.

[17강: 데이터 활용] 핵심개념 노트

[핵심 개념1] 비즈니스 인텔리전스(BI)와 의사결정

- 비즈니스 인텔리전스(BI): 조직에서 데이터를 분석하고 의미 있는 통찰을 생성하기 위해 사용하는 기술, 프로세스. 현재 상황 파악'에 중점을 둡니다.

- 데이터 기반 의사결정: 추출된 데이터를 활용해 '미래 의사결정 및 전략 개선'에 중점을 두는 과정입니다.

- 셀프 서비스 BI (Self-BI): 비즈니스 사용자가 IT 부서나 기술 전문가의 도움 없이도 독립적으로 직접 데이터를 탐색하고 분석할 수 있는 환경

※ 헷갈리기 쉬운 함정: "IT 전문가만 데이터를 분석할 수 있다"거나 "자동화된 알고리즘에 전적으로 의존한다"는 설명은 셀프 BI의 본질을 정면으로 부인하는 대표적인 오답입니다.

※ 시험 적용 포인트: BI와 데이터 기반 의사결정의 차이점(현재 파악 vs 미래 개선)을 묻는 O/X나, 셀프 BI의 특징(독립성, 비전문가 활용)을 묻는 문제가 단골로 출제됩니다.

[핵심 개념2] 데이터 전처리와 결측값 처리

- 결측값의 유형

· 완전 무작위 결측(MCAR): 결측치가 다른 변수와 아무 관련 없이 무작위 발생

· 비 무작위 결측(NMAR): - 결측치가 결측된 변수 자체와 직접적 관련이 있는 경우 (예: 소득이 높은 사람이 소득 문항을 무응답)

- 결측값 처리 방법

· 단순 대체: 중앙값 대체(극단값 영향 최소화), 평균값 대체 등

· 무시/제거: 제거 시 데이터 손실 발생 가능성에 유의

※ 헷갈리기 쉬운 함정: 극단적인 이상치가 있는 데이터의 결측치를 '평균값'으로 대체하면 데이터가 심하게 왜곡될 수 있으므로, 이럴 땐 '중앙값' 대체를 사용해야 합니다.

[핵심 개념3] 데이터 변환 및 분리 기법

- 데이터 변환

· 로그 변환: 데이터 분포를 대칭화하여 극단값(이상치)의 영향을 줄이고 정규분포에 가깝게 만듦

· 원-핫 인코딩(One-Hot): 범주형 데이터를 0과 1로 변환. 각 범주에 별도의 차원을 사용하여 메모리 소모가 큼

· 레이블 인코딩: 범주에 고유한 정수값을 할당해 순서적 의미를 가질 수 있음

- 데이터 분리 방법

· 교차 검증(K-Fold): 데이터를 여러 폴드로 나누고 번갈아 가며 훈련과 검증을 수행. 모델의 일반화 성능 평가가 좋으나 연산(계산) 비용이 높음

※ 시험 적용 포인트: "극단값의 영향을 줄이기 위한 변환은?" (로그 변환), "모든 데이터를 훈련 및 평가에 번갈아 사용하여 안정적이나 시간이 오래 걸리는 분리 방법은?" (교차 검증)을 묻는 문제가 빈출됩니다.

[핵심 개념4] 데이터 적재와 백업

- 데이터 백업 방식

· 증분 백업: 마지막 전체 백업 이후 '변경된 데이터만' 추가로 백업. 백업 용량/시간은 적지만 복구할 때 여러 백업본을 합쳐야 하므로 복구 시간이 오래 걸림

· 차등 백업: 마지막 전체 백업 이후 변경된 '모든' 데이터를 누적하여 백업. 백업 시간이 증분보다 길지만 복구가 단순함

※ 헷갈리기 쉬운 함정: '증분 백업'과 '차등 백업'의 복구 시간을 반대로 설명하는 함정에 주의하세요. "복원 시 시간이 오래 걸린다"면 무조건 증분 백업입니다.

[핵심 개념5] 데이터 보안 및 비식별화

- 데이터 보안 3원칙 (CIA): 기밀성(인가자만 접근), 무결성(정확성 유지, 무단 변경 불가), 가용성(필요할 때 언제든 접근 가능)

- 비식별화 기술

· 데이터 마스킹: 데이터의 일부를 별표(*) 등으로 가려서 익명화

· 가명화: 홍길동을 '사용자1'로 바꾸듯, 실제 데이터를 다른 대체 값으로 변경

· 익명화: 식별 정보를 아예 완전히 제거하여 역추적을 불가능하게 함

※ 시험 적용 포인트: "민감한 정보의 일부를 가려서 보호하는 것은?" (마스킹), "데이터 무결성이란 무엇인가?" (정확성과 일관성 보장)를 묻는 문제가 자주 출제됩니다.

[17강 데이터 활용 - 실전 객관식 퀴즈 20선]

※ 각 문제마다 하단 부분을 드래그하면 정답이 보입니다.

Q1. 조직에서 비즈니스 인텔리전스(BI) 시스템을 도입함으로써 얻을 수 있는 이점으로 가장 적절하지 않은 것은?
① 데이터 기반의 의사결정 지원과 전략적 통찰력을 향상시킨다.
② 데이터를 바탕으로 비즈니스 프로세스를 최적화하고 성과를 모니터링한다.
③ 정보 기술(IT) 부서의 권한을 극대화하여 데이터 접근을 완전히 독점 및 제한한다.
④ 다양한 데이터 출처를 통합 분석하여 고객 및 시장의 트렌드를 신속하게 파악한다.
정답: ③
해설: 현대의 BI, 특히 셀프 BI의 핵심은 IT 부서에 전적으로 의존하지 않고 현업 사용자가 직접 데이터를 탐색할 수 있도록 접근성을 높이는 것입니다.

Q2. 셀프 서비스 비즈니스 인텔리전스(Self-Service BI)의 주요 특징으로 가장 올바른 것은?
① 고급 프로그래밍 언어를 다루는 IT 전문가만이 데이터 분석 보고서를 작성할 수 있다.
② 비즈니스 사용자가 IT 부서의 도움 없이 독립적으로 데이터를 탐색하고 시각화하여 인사이트를 도출할 수 있다.
③ 데이터가 저장되는 물리적 스토리지의 하드웨어 관리 기능에 초점을 맞춘다.
④ 사용자의 주관적인 개입을 막기 위해 오직 자동화된 머신러닝 알고리즘의 결론에만 100% 의존해야 한다.
정답: ②
해설: 셀프 BI는 현업 실무자(비즈니스 사용자)가 스스로 데이터를 분석하고 대시보드를 구축할 수 있게 해주는 기능입니다.

Q3. 데이터 결측값(Missing Value)의 발생 유형 중, 결측의 원인이 '결측된 해당 변수 자체'의 민감성 등으로 인해 발생하는 유형을 무엇이라 하는가? (예: 고소득자가 자신의 소득 수준을 응답하지 않는 경우)
① 무작위 결측(MAR)
② 완전 무작위 결측(MCAR)
③ 비 무작위 결측(NMAR)
④ 시스템적 결측(Systematic Missing)
정답: ③
해설: 결측치가 해당 변수 자체의 특성(예: 수입 등 민감한 정보) 때문에 발생할 때 이를 비 무작위 결측(NMAR)이라고 합니다.

Q4. 데이터 전처리 과정에서 결측값을 처리하는 방법에 대한 설명으로 가장 적절하지 않은 것은?
① 결측값이 발생한 행 자체를 완전히 제거하는 것은 가장 단순하지만 중요한 데이터의 손실을 유발할 수 있다.
② 결측값을 전체 데이터의 평균값으로 대체하는 방법은 데이터가 정규분포를 따를 때 주로 사용된다.
③ 데이터 집합에 극단적인 이상치(Outlier)가 많아 평균이 왜곡될 우려가 있는 경우, 평균값보다는 중앙값으로 결측치를 대체하는 것이 바람직하다.
④ 어떤 상황에서든 결측값을 0이나 빈 문자열 등 임의의 고정값으로 무조건 대체해야만 분석 모델이 에러를 일으키지 않는다.
정답: ④
해설: 결측값을 무작위 고정값으로 일괄 대체하면 데이터 분석 결과가 심각하게 왜곡될 수 있으므로 무조건 고정값으로 대체하는 것은 피해야 합니다.

Q5. 데이터 무결성(Data Integrity) 검증의 목적에 대한 설명으로 가장 올바른 것은?
① 데이터 파일의 용량을 줄여 서버 스토리지 저장 공간을 확보하기 위함이다.
② 외부 해커가 데이터를 탈취할 수 없도록 파일을 암호화하기 위함이다.
③ 데이터가 현실 세계의 값을 정확하게 반영하고, 변경되거나 손상되지 않도록 정확성, 완전성, 일관성을 보장하기 위함이다.
④ 분산 데이터베이스 환경에서 데이터를 병렬로 적재하는 속도를 높이기 위함이다.
정답: ③
해설: 데이터 무결성은 데이터의 값이 오류 없이 정확하고 완전하며, 인가되지 않은 방식에 의해 무단으로 변조되거나 손상되지 않았음을 보장하는 특성입니다.

Q6. 다음 중 데이터 품질을 검증하는 척도 중 하나로, '데이터가 필요한 시점이나 요구되는 타이밍에 얼마나 즉각적이고 적절하게 갱신되어 제공되는가'를 평가하는 척도는?
① 데이터 유일성
② 데이터 완전성
③ 데이터 적시성
④ 데이터 일관성
정답: ③
해설: 필요한 최신 데이터를 제때(적절한 타이밍에) 사용할 수 있는지의 여부는 데이터 적시성(Timeliness)에 해당합니다.

Q7. 데이터의 분포 형태가 극단적으로 한쪽으로 치우쳐 있거나 극단값(이상치)의 영향이 클 때, 이 분포를 대칭에 가깝도록 정규화하고 극단값의 영향을 줄이기 위해 가장 흔히 사용하는 데이터 변환 기법은?
① 레이블 인코딩
② 원-핫 인코딩
③ 로그(Log) 변환
④ 주성분 분석(PCA)
정답: ③
해설: 로그 변환은 극단값의 폭을 줄여주어 비대칭적인 데이터 분포를 정규분포 형태로 부드럽게 대칭화하는 데 매우 효과적인 변환 방식입니다.

Q8. 성별(남/여)이나 혈액형(A/B/O/AB)과 같이 순서가 없는 범주형 데이터를 기계 학습 모델에 입력하기 위해 수치형으로 변환할 때, 각 범주에 대해 별도의 차원(열)을 생성하여 0과 1로 표현하는 변환 방식은?
① 표준화(Standardization)
② 최대-최소 정규화(Min-Max Scaling)
③ 로그 변환(Log Transformation)
④ 원-핫 인코딩(One-Hot Encoding)
정답: ④
해설: 빨강=[1], 초록=[1] 처럼 각 범주를 고유한 차원의 1과 0 벡터로 이진화하는 방식은 원-핫 인코딩입니다.

Q9. 데이터 마이닝을 위한 데이터 세트 분리 기법 중, 전체 데이터를 여러 개의 동일한 크기를 가진 폴드(Fold)로 나눈 후, 각 폴드를 번갈아 가며 한 번씩 테스트용으로 사용하고 나머지를 훈련용으로 사용하여 과적합을 방지하고 성능을 검증하는 방법은?
① 교차 검증(Cross Validation)
② 단순 홀드아웃(Hold-out)
③ 증분 적재(Incremental Load)
④ 단순 무작위 추출
정답: ①
해설: 데이터를 여러 폴드(조각)로 나누고 폴드를 번갈아가며 훈련 및 검증 세트로 사용하는 가장 대표적인 모델 검증 방식은 교차 검증(K-Fold 교차 검증 등)입니다.

Q10. 클래스의 분포 비율이 불균형한 데이터(예: 불량품 1%, 정상품 99%)를 분할할 때, 훈련용 데이터와 테스트용 데이터에 원래 클래스의 비율이 그대로 유지되도록 나누는 분리 방식은?
① 홀드아웃 교차 분리
② 시계열 롤링 윈도우 분리
③ 계층적 분리(Stratified Split)
④ 원-핫 인코딩 분리
정답: ③
해설: 모집단 내의 클래스 비율(예: 정상 99: 불량 1)이 표본(분할된 세트)에서도 동일하게 계층적으로 유지되도록 나누는 것을 계층적(Stratified) 분리라고 합니다.

Q11. 기업의 데이터 웨어하우스에 데이터를 적재(Load)하는 방식 중, 마지막으로 데이터를 적재한 시점 이후로 새롭게 추가되거나 '변경된 데이터'만을 파악하여 추가로 로드함으로써 처리 속도를 높이는 방식은?
① 전체 일괄 적재(Full Batch Load)
② 증분 적재(Incremental Load)
③ 병렬 적재(Parallel Load)
④ 실시간 스트리밍 적재
정답: ②
해설: 기존 데이터를 덮어쓰지 않고, 마지막 작업 이후의 변경/추가분(델타)만 추출해 새롭게 적재하는 방식을 증분 적재라고 합니다.

Q12. 아래 글상자에서 설명하는 데이터 백업 방법으로 가장 올바른 것은?
[마지막 전체 백업 이후 새롭게 변경되거나 추가된 데이터만을 백업한다. 백업 용량이 적고 백업에 소요되는 시간이 가장 짧다는 장점이 있지만, 시스템 장애 발생 시 마지막 전체 백업본과 여러 개의 백업본을 모두 순서대로 병합해야 하므로 데이터 복원 시 시간이 오래 걸린다.]
① 전체 백업(Full Backup)
② 차등 백업(Differential Backup)
③ 로컬 백업(Local Backup)
④ 증분 백업(Incremental Backup)
정답: ④
해설: "변경된 데이터만 백업하여 빠르지만, 복원할 때는 순서대로 재구성해야 해 시간이 가장 오래 걸린다"는 설명은 증분 백업(Incremental Backup)의 핵심 특징입니다.

Q13. 데이터 백업 방식 중 '차등 백업(Differential Backup)'에 대한 설명으로 가장 적절한 것은?
① 전체 데이터를 아무 변경 여부와 상관없이 매일 똑같이 백업한다.
② 마지막 전체 백업을 수행한 이후 변경된 '모든 데이터'를 한 번에 누적하여 백업한다.
③ 백업에 걸리는 시간이 가장 짧지만 복원 시 모든 백업본이 필요하다.
④ 데이터를 디스크가 아닌 주 메모리에만 한시적으로 백업하는 방식이다.
정답: ②
해설: 차등 백업은 마지막 전체 백업 이후에 수정된 모든 누적 데이터를 매일 백업하므로 백업 용량은 점차 커지지만, 복구 시에는 '전체 백업본 1개 + 최신 차등 백업본 1개'만 있으면 되어 복구가 빠릅니다.

Q14. 데이터 보안의 3대 핵심 목표(요소)에 포함되지 않는 것은?
① 기밀성(Confidentiality)
② 무결성(Integrity)
③ 가용성(Availability)
④ 유연성(Flexibility)
정답: ④
해설: 정보 보안의 3대 요소(CIA Triad)는 오직 인가된 자만 열람 가능한 '기밀성', 무단 위변조를 막는 '무결성', 필요할 때 항상 접근 가능한 '가용성'입니다.

Q15. 데이터 보안 조치 중, 사용자나 시스템의 역할과 부서 직급 등에 따라 데이터에 접근할 수 있는 권한을 세분화하여 통제하는 기술 조치는?
① 데이터 마스킹
② 접근 제어(Access Control)
③ k-익명성
④ 차등 백업
정답: ②
해설: 인가된 사용자인지 확인하고(인증), 그 사용자의 권한 수준에 맞게 파일이나 메뉴의 접근을 허용 또는 차단하는 보안 조치를 접근 제어라고 합니다.

Q16. 개인정보 보호를 위한 비식별화(De-identification) 기술 중, 데이터 내에서 개인을 특정할 수 있는 정보 요소(예: 전화번호의 뒷자리, 성명의 일부)를 별표(*)나 특수 기호로 대체하여 가려주는 기술은?
① 가명화(Pseudonymization)
② 데이터 마스킹(Data Masking)
③ 데이터 암호화(Encryption)
④ 범주화(Categorization)
정답: ②
해설: 실제 데이터 값의 일부를 마스크를 씌우듯 기호로 가려서 숨기는 기술을 데이터 마스킹이라고 합니다. (예: 010-1234-****)

Q17. 데이터 비식별화 기술 중 '가명화(Pseudonymization)'에 대한 설명으로 가장 올바른 것은?
① 이름, 주소, 주민등록번호 등 개인 식별 정보를 아예 영구적으로 삭제해 복원 불가능하게 만든다.
② 개별 사용자의 데이터를 모두 하나로 뭉쳐서 전체 통계치(합계, 평균)로만 제공한다.
③ 식별이 가능한 원래의 개인정보 데이터를 규칙에 따라 식별할 수 없는 다른 대체 값(가명)으로 변경한다.
④ 데이터 저장 시 하드디스크의 섹터 전체를 해시 함수로 암호화한다.
정답: ③
해설: '홍길동'을 '사용자A'로 변경하는 것처럼 다른 대체 정보로 바꾸는 것이 가명화입니다. 반면 데이터를 완전히 삭제하여 되돌릴 수 없게 만드는 것은 1번의 '익명화'에 대한 설명입니다.

Q18. 비즈니스 인텔리전스(BI)와 데이터 기반 의사결정의 차이점을 가장 올바르게 서술한 것은?
① BI는 주로 과거 데이터를 사용해 미래의 결과를 예측하는 데만 초점을 맞춘다.
② 데이터 기반 의사결정은 감각이나 직관에 의존하여 현재의 시장 상황만을 평가한다.
③ BI는 대시보드 등을 통해 '현재의 비즈니스 상황을 파악'하는 데 중점을 두며, 데이터 기반 의사결정은 이 데이터를 바탕으로 '미래 전략 수립 및 의사결정을 수행'하는 과정에 중점을 둔다.
④ BI는 데이터 수집 기술만을 의미하며 데이터 분석 기능은 일절 제공하지 않는다.
정답: ③
해설: 비즈니스 인텔리전스는 데이터 웨어하우스에 모인 데이터를 시각화하여 현재의 경영 상태(What Happened)를 파악하는 도구 및 기술이며, 이를 통해 미래를 결정하는 전체 과정이 데이터 기반 의사결정입니다.

Q19. 빅데이터 분석의 전처리 과정 중, 여러 가지 변수가 결합되어 분석하고자 할 때 변수 간 측정 스케일(단위)이 달라 특정 변수가 과도한 영향을 미치는 것을 막기 위해, 데이터를 0과 1 사이의 값으로 축소시키거나 표준편차 기준으로 맞추는 작업은?
① 로그 변환
② 데이터 정규화 및 표준화
③ 데이터 집계
④ k-익명성 적용
정답: ②
해설: 변수 간 단위나 스케일(예: 수백만 원 단위의 급여와 1~10 단위의 근속연수)의 차이로 인해 발생할 수 있는 분석 편향을 줄이고 비교를 용이하게 하기 위해 값을 변환하는 것을 정규화(Normalization) 또는 표준화(Standardization)라고 합니다.

Q20. 개인의 프라이버시를 보호하기 위해, 공개된 데이터 세트 내에 동일한 특성 값(예: 30대 남성, 서울 거주)을 가진 레코드가 적어도 3개 이상 존재하도록 데이터를 변형하거나 묶어, 특정 개인을 유추해낼 수 없게 만드는 데이터 익명성 모델은?
① 차등 백업 모델
② 무작위 결측 모델
③ K-익명성(K-Anonymity)
④ 원-핫 인코딩
정답: ③
해설: 동일한 식별 특성을 공유하는 사람이 최소 k명 이상이 되도록 그룹화하여 개인을 특정하지 못하게 막는 프라이버시 보호 모델을 K-익명성이라고 부릅니다.

Power BI로 데이터를 불러오기 전, 그 데이터는 원래 어떻게 저장되어 있을까

예전에는 이 질문을 IT 부서의 영역이라고 생각했다. 필요한 데이터가 있으면 그냥 “데이터 좀 뽑아주세요”라고 요청하면 된다고 여겼다. 그런데 데이터를 직접 보고, 연결하고, 시각화해야 하는 일이 많아질수록 생각이 달라졌다. 좋은 대시보드는 예쁜 차트에서 시작되는 것이 아니라, 데이터가 처음부터 어떻게 구조화되어 있는가에서 갈린다.

튼튼한 시각화는 잘 설계된 스키마 위에서 시작되고,
그 구조를 꺼내 쓰는 공통 언어가 바로 SQL이다.

데이터베이스 설계는 크게 세 단계로 나뉜다.

먼저 개념적 설계에서는 무엇을 관리해야 하는지 큰 그림을 잡는다. 보통 ERD처럼 개체와 관계를 그리는 단계다. 그다음 논리적 설계에서는 그 관계를 실제 테이블 구조로 바꾼다. 직원 테이블, 급여 테이블, 평가 테이블처럼 “방을 나누는 일”에 가깝다. 마지막 물리적 설계에서는 그 테이블을 실제 저장 장치와 성능 구조 위에 어떻게 올릴지 결정한다.

시험에서는 논리적 설계와 물리적 설계를 자주 헷갈리는데, 나는 이렇게 외우는 편이 더 쉬웠다. 논리적 설계는 사람이 이해하는 구조, 물리적 설계는 시스템이 저장하는 방식. 이렇게 잡아두면 구분이 좀 선명해진다.

여기서 함께 알아야 하는 것이 스키마다.

데이터베이스의 구조와 제약조건을 정의하는 것은 SQL 명령어 자체가 아니라, 결국 스키마다. 그리고 이 스키마도 외부 스키마, 개념 스키마, 내부 스키마처럼 계층을 가진다. 쉽게 말하면 사용자에게 보이는 모습, 전체 조직의 공통 구조, 실제 저장되는 내부 구조가 나뉘어 있는 셈이다.

이 개념은 Power BI나 Tableau 같은 시각화 툴을 쓸 때도 바로 연결된다. 예를 들어 직원정보 테이블과 급여 테이블을 관계로 묶을 때, 우리는 이미 논리적 설계와 스키마 개념 위에서 일하고 있는 것이다. 겉으로는 드래그 앤 드롭처럼 보이지만, 사실은 “어떤 테이블이 어떤 키로 연결되는가”라는 데이터 구조를 다루고 있는 셈이다.

다차원 모델링에서는 스타 스키마와 스노우플레이크 스키마도 자주 나온다.

스타 스키마는 중심의 사실 테이블을 기준으로 차원 테이블이 단순하게 붙는 구조고, 스노우플레이크는 차원 테이블이 더 잘게 정규화된 구조다. 개인적으로 시각화 실무에서는 스타 스키마가 더 직관적으로 느껴진다. 조회와 분석이 비교적 단순하기 때문이다. 반면 스노우플레이크는 구조는 더 정교하지만, 보는 입장에서는 조금 더 복잡해질 수 있다.

그리고 결국 데이터를 꺼내고 다루는 언어가 SQL이다. SQL은 보통 네 가지로 나눈다.

• DDL: 구조를 정의하는 언어
  • CREATE, ALTER, DROP
• DML: 데이터를 조회하고 바꾸는 언어
  • SELECT, INSERT, UPDATE, DELETE
• DCL: 권한을 다루는 언어
• TCL: 트랜잭션을 제어하는 언어

여기서 가장 많이 나오는 구분이 바로 DDL과 DML이다. 나는 이걸 “틀을 만드는 말”과 “내용을 만지는 말”로 구분하면 좀 쉽다고 느낀다. CREATE는 구조를 만드는 일이니 DDL이고, SELECT는 데이터를 조회하는 일이니 DML이다. 개인적으로는 이제 HR도 최소한 SELECT 문이 어떻게 생겼는지 정도는 알아야 하는 시대라고 생각한다.

물론 모두가 개발자처럼 SQL을 깊게 다룰 필요는 없다.

하지만 어떤 테이블에서 어떤 조건으로 어떤 데이터를 가져오는지 정도를 이해하면, 데이터 요청의 질 자체가 달라진다. 예전처럼 막연히 “데이터 좀 주세요”가 아니라, 무엇을 왜 보고 싶은지 더 정확하게 말할 수 있게 되기 때문이다.

이번 16강을 공부하며 느낀 것은 단순하다. 시각화는 결국 마지막 화면이 아니라, 그 앞단의 구조를 이해하는 사람에게 더 유리하다는 점이다. 차트를 잘 만드는 것도 중요하지만, 그 차트 아래에 어떤 테이블이 있고 어떤 관계가 깔려 있는지 아는 사람은 데이터를 훨씬 덜 피상적으로 보게 된다.

[핵심 개념1] 데이터베이스 설계 3단계

- 개념적 설계: 데이터베이스의 전체적인 방향과 구조를 결정하는 단계. 요구사항을 분석하여 개체(Entity), 속성(Attribute), 관계(Relationship)를 도출하고, DBMS에 독립적인 ER(개체-관계) 다이어그램을 작성함

- 논리적 설계: 개념적 설계를 컴퓨터가 이해할 수 있는 논리적 데이터 모델(테이블 등)로 변환하는 단계. 적합한 데이터 모델을 선정하고, 테이블 및 관계를 정의하며, 데이터 중복을 최소화하는 정규화(Normalization) 과정을 수행함

- 물리적 설계: 논리적 설계를 실제 저장 장치에 맞는 물리적 저장 구조로 변환하는 단계. 인덱싱(Indexing), 클러스터링, 파티셔닝 전략을 세우고, 시스템 성능 튜닝 및 데이터 보안/백업 전략을 수립함

※ 헷갈리기 쉬운 함정: 중복을 제거하는 '정규화'는 물리적 설계가 아니라 '논리적 설계'에서 수행됩니다. 반면, 검색 속도를 높이는 '인덱스 설정'은 '물리적 설계'입니다.

※ 시험 적용 포인트: 설계의 각 단계별 주요 수행 작업(예: ER 다이어그램 = 개념적 설계, 정규화 = 논리적 설계, 백업/인덱싱 = 물리적 설계)을 올바르게 짝지었는지 묻는 문제가 빈출됩니다.

[핵심 개념2] 3단계 스키마 (Schema)

- 스키마: 데이터베이스의 구조, 데이터 유형, 관계 및 제약조건 등을 정의한 메타데이터의 집합

- 외부 스키마: 사용자 관점에서 인식하는 논리적 구조 (사용자마다 뷰가 다를 수 있음)

- 개념 스키마: 데이터베이스 전체 조직의 논리적 구조 (설계의 중심)

- 내부 스키마: 기계(컴퓨터) 관점에서의 물리적 저장 구조 (데이터가 디스크에 저장되는 방식 기술)

※ 헷갈리기 쉬운 함정: 기출문제에 종종 등장하는 '내용 스키마'라는 용어는 데이터베이스 이론에 존재하지 않는 가짜 보기입니다.

※ 시험 적용 포인트: "사용자가 인식하는 논리적 구조"라는 키워드를 주면 외부 스키마를, "물리적 구조"라는 키워드를 주면 내부 스키마를 고르는 유형으로 출제됩니다.

[핵심 개념3] 데이터베이스 언어 (SQL)

- 데이터 정의어(DDL): DB 객체의 구조를 생성(CREATE), 수정(ALTER), 삭제(DROP)하는 언어

- 데이터 조작어(DML): 테이블 내 데이터를 실질적으로 조회(SELECT), 삽입(INSERT), 수정(UPDATE), 삭제(DELETE)하는 언어

- 데이터 제어어(DCL): 보안 및 권한 관리를 위해 사용자에게 권한을 부여(GRANT)하거나 회수(REVOKE)하는 언어

※ 헷갈리기 쉬운 함정: 데이터를 조회하는 SELECT 명령어는 정의어(DDL)가 아니라 데이터 조작어(DML)에 속합니다. 또한 '데이터 관리어(Data Management Language)'라는 용어는 존재하지 않는 오답 함정입니다.

※ 시험 적용 포인트: DDL, DML, DCL의 정의와 그에 속하는 영문 명령어(CREATE, SELECT, GRANT 등)의 연결이 올바른지 묻는 문제가 자주 나옵니다.

[핵심 개념4] 데이터베이스의 키(Key)

- 기본키(Primary Key): 테이블의 각 행을 고유하게 식별. 중복 값이 없고, NULL 값을 가질 수 없음. (유일성과 최소성을 모두 만족)

- 외래키(Foreign Key): 다른 테이블의 기본키를 참조하여 테이블 간의 관계를 맺고 참조 무결성을 유지하는 키

- 슈퍼키(Super Key): 테이블의 행을 고유하게 식별할 수 있는 모든 속성 집합. 유일성은 만족하지만 최소성은 만족하지 않아도 됨

※ 헷갈리기 쉬운 함정: "슈퍼키는 유일성과 최소성을 모두 만족해야 한다"는 설명은 단골 오답 보기입니다. (최소성 불만족 가능)

[핵심 개념5] 데이터베이스(DB) vs 데이터 웨어하우스(DW)

- 데이터베이스(DB): 일상적인 트랜잭션 처리(OLTP) 목적. 실시간으로 데이터가 갱신되며, 중복을 최소화한 정규화된 테이블(ERM) 구조를 사용함

- 데이터 웨어하우스(DW): 데이터 분석 및 비즈니스 인텔리전스(BI, OLAP) 목적. 주기적인 배치(Batch) 처리로 갱신되며, 분석에 용이하도록 요약되고 비정규화된 구조(차원 모델링, 스타 스키마 등)를 사용함

※ 시험 적용 포인트: DW는 정규화를 고집하는 것이 아니라, 오히려 빠른 분석 쿼리를 위해 '스타 스키마' 등의 '비정규화된 구조(차원 모델)'를 채택한다는 점이 핵심 출제 포인트입니다.

[16강 데이터베이스 - 실전 객관식 퀴즈 20선]

※ 각 문제마다 하단 부분을 드래그하면 정답이 보입니다.

Q1. 데이터베이스 구축을 위한 일반적인 설계 프로세스의 순서로 가장 올바르게 나열된 것은?
① 요구사항 분석 → 개념적 설계 → 논리적 설계 → 물리적 설계 → 구현
② 개념적 설계 → 요구사항 분석 → 물리적 설계 → 논리적 설계 → 구현
③ 요구사항 분석 → 논리적 설계 → 개념적 설계 → 물리적 설계 → 구현
④ 개념적 설계 → 논리적 설계 → 요구사항 분석 → 물리적 설계 → 구현
정답: ①
해설: 데이터베이스 설계는 요구사항 분석을 시작으로 개념적 설계(ER 다이어그램) → 논리적 설계(테이블 구조, 정규화) → 물리적 설계(저장 구조, 인덱싱) → 구현 단계 순으로 진행됩니다.

Q2. 데이터베이스 설계 과정 중 '개념적 설계' 단계에 대한 설명으로 가장 적절한 것은?
① 데이터의 중복을 최소화하기 위해 정규화 과정을 수행한다.
② 데이터베이스 시스템의 전체적인 방향과 구조를 결정하며, 개체(Entity), 속성, 관계를 정의한다.
③ 대용량 데이터를 효율적으로 관리하기 위해 파티셔닝 및 클러스터링 전략을 세운다.
④ 데이터 접근 성능 향상을 위해 인덱스(Index) 구조를 설계한다.
정답: ②
해설: 개체, 속성, 관계를 도출하고 ER 다이어그램을 작성하여 전체적인 뼈대를 잡는 과정은 개념적 설계입니다. 정규화는 논리적 설계, 인덱스와 파티셔닝은 물리적 설계에 해당합니다.

Q3. 데이터베이스 '논리적 설계' 단계에서 수행하는 핵심 작업으로 가장 적절한 것은?
① 개체-관계(ER) 다이어그램 작성
② 데이터베이스 서버의 하드웨어 구성
③ 데이터의 중복을 최소화하고 무결성을 유지하기 위한 정규화 수행
④ 데이터의 보안 및 정기적 백업 전략 수립
정답: ③
해설: 논리적 설계 단계에서는 개념적 구조를 테이블 구조로 변환하며, 이 과정에서 이상 현상을 막고 중복을 제거하기 위해 정규화(Normalization)를 수행합니다.

Q4. 데이터베이스 '물리적 설계' 시 고려해야 할 사항으로 가장 거리가 먼 것은?
① 데이터가 저장되는 파일의 형태와 구조 결정
② 데이터베이스의 논리적 데이터 모델 선정 (예: RDBMS, NoSQL 선택)
③ 검색 성능 향상을 위한 인덱싱(Indexing) 전략 적용
④ 데이터 무결성과 기밀성을 보장하기 위한 보안 및 백업 전략 수립
정답: ②
해설: 어떤 데이터 모델(관계형, NoSQL 등)을 사용할지 결정하는 것은 논리적 설계의 첫 번째 단계인 '데이터 모델 선정' 작업입니다. 나머지는 모두 하드웨어와 실제 환경에 맞추는 물리적 설계 사항입니다.

Q5. 데이터베이스를 바라보는 관점에 따라 정의되는 3단계 스키마(Schema) 구조에 해당하지 않는 것은?
① 개념 스키마
② 내부 스키마
③ 내용 스키마
④ 외부 스키마
정답: ③
해설: 데이터베이스의 3단계 스키마는 외부 스키마, 개념 스키마, 내부 스키마로 구성되며, '내용 스키마'라는 개념은 존재하지 않습니다. (실제 기출문제 변형)

Q6. 다음 중 데이터베이스 사용자가 인식하는 논리적 구조로, 사용자나 응용 프로그래머가 각자의 입장에서 필요로 하는 뷰(View)를 정의하는 스키마는?
① 외부 스키마
② 개념 스키마
③ 내부 스키마
④ 논리 스키마
정답: ①
해설: 사용자나 개별 어플리케이션의 관점에서 인식하는 데이터베이스의 논리적 구조는 외부 스키마(사용자 뷰)입니다.

Q7. 다음 설명에 해당하는 스키마로 가장 적절한 것은?
[데이터의 물리적 저장 구조를 정의한다. 데이터가 디스크에 저장되는 방식, 인덱스 구조, 레코드의 물리적 위치 등의 사항을 기술하며 데이터베이스 성능 향상을 위해 관리된다.]
① 개념 스키마
② 내부 스키마
③ 내용 스키마
④ 외부 스키마
정답: ②
해설: 기계 관점에서의 물리적 저장 방식과 인덱스, 파일 구조 등을 정의하는 것은 내부 스키마(Internal Schema)입니다.

Q8. 데이터베이스 테이블에서 각 행(레코드)을 고유하게 식별할 수 있는 특성을 가지며, 중복된 값을 허용하지 않고 절대 NULL 값을 가질 수 없는 키(Key)는?
① 외래키(Foreign Key)
② 기본키(Primary Key)
③ 복합키(Composite Key)
④ 대체키(Alternate Key)
정답: ②
해설: 유일성과 최소성을 모두 만족하여 각 행을 고유하게 대표하며, NULL 값이 들어갈 수 없는 무결성 식별자는 기본키입니다.

Q9. 한 테이블에서 다른 테이블의 '기본키'를 참조하는 열을 의미하며, 두 테이블 간의 관계를 설정하고 데이터의 참조 무결성을 유지하는 데 사용되는 키는?
① 기본키
② 대체키
③ 후보키
④ 외래키(Foreign Key)
정답: ④
해설: 다른 테이블을 참조(Reference)하여 테이블 간의 연결 고리 역할을 수행하고 무결성을 유지하는 것은 외래키입니다.

Q10. 데이터베이스 키(Key)에 대한 설명으로 가장 옳지 않은 것은?
① 기본키는 후보키 그룹에 속한다.
② 대체키는 후보키 중에서 기본키로 선택받지 못한 나머지 키들을 의미한다.
③ 외래키를 통해 테이블 간의 관계를 맺고 종속성을 표현할 수 있다.
④ 슈퍼키는 한 테이블에서 행을 고유하게 식별할 수 있는 유일성과 더불어 최소성 조건도 반드시 만족해야 한다.
정답: ④
해설: 슈퍼키는 속성의 집합으로 각 행을 고유하게 식별할 수 있는 '유일성'은 만족하지만, 불필요한 속성이 포함될 수 있어 '최소성'은 만족하지 않아도 되는 식별자 그룹입니다. (기출 단골 함정)

Q11. 테이블(Table)을 구성하는 요소 중 '열(Column)'을 의미하며, '고객' 테이블에서 이름, 나이, 연락처 등 특정 데이터 유형의 정보와 특성을 기술하는 구성 요소는?
① 레코드(Record)
② 속성(Attribute)
③ 엔터티(Entity)
④ 튜플(Tuple)
정답: ②
해설: 테이블에서 열(Column) 또는 필드(Field)를 의미하며 데이터의 세부 특징을 정의하는 것은 속성(Attribute)입니다. 행(Row)은 레코드 또는 튜플이라고 부릅니다.

Q12. 데이터베이스 언어 중, 데이터베이스의 전체적 논리적 구조를 설계하며 테이블이나 객체의 생성(CREATE), 수정(ALTER), 삭제(DROP)를 담당하는 언어는?
① 데이터 정의어(DDL)
② 데이터 조작어(DML)
③ 데이터 제어어(DCL)
④ 데이터 관리어(DML)
정답: ①
해설: CREATE, ALTER, DROP 등 스키마나 테이블의 '구조 자체'를 정의하고 변경하는 언어는 데이터 정의어(Data Definition Language, DDL)입니다.

Q13. 데이터베이스에 저장된 실제 데이터를 다루기 위한 언어로, 조회(SELECT), 삽입(INSERT), 수정(UPDATE), 삭제(DELETE) 명령어 등을 포함하는 언어는?
① 데이터 정의어(DDL)
② 데이터 제어어(DCL)
③ 데이터 조작어(DML)
④ 트랜잭션 제어어(TCL)
정답: ③
해설: 사용자가 응용 프로그램을 통해 실질적으로 데이터를 조회하고 삽입/수정하는 명령어(CRUD) 집합은 데이터 조작어(Data Manipulation Language, DML)입니다.

Q14. 특정 데이터베이스 사용자에게 데이터에 접근하거나 조작할 수 있는 권한을 부여(GRANT)하거나, 부여된 권한을 회수(REVOKE)하는 데 사용되는 언어는?
① 데이터 조작어(DML)
② 데이터 정의어(DDL)
③ 메타데이터 언어(MDL)
④ 데이터 제어어(DCL)
정답: ④
해설: 데이터의 보안, 무결성, 권한 부여 등을 제어(Control)하는 언어는 데이터 제어어(DCL)입니다.

Q15. 기존에 존재하던 변수들을 수학적 연산이나 조건으로 조합하여 새롭게 생성해 낸 변수(예: 각 과목 점수 변수들을 합하여 만든 '총점' 변수)를 무엇이라 하는가?
① 질적 변수
② 명목 변수
③ 파생 변수
④ 종속 변수
정답: ③
해설: 기존 변수들을 가공, 조합, 변형하여 분석을 용이하게 하기 위해 새롭게 만들어낸 지표나 변수를 파생 변수라고 합니다.

Q16. 기업의 일상적인 트랜잭션 처리(예: 은행 입출금, 전자상거래 결제)를 목적으로 운영되는 전통적 데이터베이스(DB)와 비교했을 때, 데이터 웨어하우스(DW)의 가장 핵심적인 차이(특징)로 옳은 것은?
① 실시간 또는 거의 실시간으로 데이터의 읽기, 쓰기, 수정이 빈번하게 일어난다.
② 응용 프로그램 하나하나의 운영 데이터를 세부적이고 구조화된 형태로만 분리 보관한다.
③ 비즈니스 인텔리전스(BI)와 분석 쿼리 성능(OLAP)을 최적화하기 위해 설계되었다.
④ 데이터의 중복을 극한으로 방지하기 위해 가장 높은 수준의 정규화를 엄격하게 적용한다.
정답: ③
해설: 일반 DB가 트랜잭션 처리(OLTP)에 특화되어 있다면, DW는 대규모 데이터를 통합하여 분석하고 의사결정을 지원하는 OLAP(Online Analytical Processing) 환경에 최적화되어 있습니다.

Q17. 데이터 갱신 및 로드 방식에 있어 데이터베이스(DB)와 데이터 웨어하우스(DW)의 일반적인 차이점으로 올바른 것은?
① DB는 주기적인 배치(Batch) 처리를 통해서만 데이터를 갱신한다.
② DW는 고객의 결제가 일어날 때마다 실시간(Real-time)으로 수시 갱신된다.
③ DB는 실시간 데이터 갱신이 주를 이루며, DW는 일별/주별 등 주기적인 배치 처리를 통해 대규모 갱신이 이루어진다.
④ 두 시스템 모두 무조건 실시간 스트리밍 방식으로만 데이터를 적재한다.
정답: ③
해설: DB는 트랜잭션 처리를 위해 실시간 갱신이 빈번하지만, 분석용 DW는 과거 데이터까지 방대하므로 주로 야간 등에 배치(Batch) 방식으로 묶어 한 번에 적재합니다.

Q18. 데이터 웨어하우스(DW)에서 비즈니스 인텔리전 분석 쿼리의 성능을 높이기 위해 사용하는 대표적인 차원 모델링 스키마 구조로, 중앙에 거대한 '사실 테이블(Fact Table)'을 두고 여러 개의 '차원 테이블(Dimension Table)'이 별모양으로 둘러싸고 있는 형태는?
① 관계형 테이블 스키마
② 망형 스키마
③ 스타 스키마(Star Schema)
④ 객체 지향 스키마
정답: ③
해설: 데이터 웨어하우스 환경에서는 다차원 분석을 빠르게 수행하기 위해, 비정규화된 형태인 스타 스키마나 스노우플레이크 스키마를 주로 채택합니다.

Q19. 통계 및 데이터 분석 환경에서 관찰되는 변수의 유형 중, 실험이나 관찰에서 원인이 되어 다른 변수(결과)의 변화에 영향을 미치는 변수를 무엇이라 하는가?
① 종속 변수
② 파생 변수
③ 요약 변수
④ 독립 변수
정답: ④
해설: 다른 변수에 영향을 미치는 원인이 되는 변수를 독립 변수라 하고, 그 독립 변수에 의해 영향을 받아 결과로써 변화하는 변수를 종속 변수라고 합니다.

Q20. 데이터베이스 시스템 구성 요소 중, 데이터베이스에 가해지는 일련의 작업 묶음이 ACID 속성(원자성, 일관성, 고립성, 지속성)을 엄격히 준수하도록 커밋(Commit)과 롤백(Rollback) 등을 총괄하는 요소는?
① 질의 처리기
② 외부 스키마
③ 메타데이터 관리자
④ 트랜잭션 관리자
정답: ④
해설: 트랜잭션 관리자는 데이터베이스의 변경 작업이 중간에 끊기거나 충돌하지 않고 ACID 원칙을 만족하도록 무결성을 관리하는 핵심 컴포넌트입니다.