본문 바로가기
반응형

All181

Power BI 가독성을 높이는 화면 구성 전략 데이터를 많이 담을수록 좋은 대시보드라고 생각하기 쉽지만, 실제 사용자 입장에서는 정보가 많을수록 이해가 어려워집니다. 특히 Power BI, Tableau 같은 BI Tool을 활용할 때 시각 요소가 많아지면 핵심 지표보다 장식 요소가 더 눈에 띄는 문제가 발생합니다.이 글에서는 화면을 단순하게 만드는 수준을 넘어서, 데이터 전달력을 높이는 구조 설계 방식에 대해 단계적으로 설명드립니다. Grid Layout, Data Ink Ratio, Gestalt Principles 같은 개념을 실제 보고서 설계에 적용하는 방법을 중심으로 다룹니다.1. 레이아웃 구조 설계 Grid Layout1-1. 정렬이 아닌 흐름 설계Grid Layout은 단순히 요소를 가지런히 맞추는 기능이 아닙니다. 사용자의 시선이 어디.. 2026. 6. 12.
RFM으로 고객 가치를 분석하는 데이터 모델링 고객 데이터를 활용한 분석에서 가장 먼저 부딪히는 문제는 “누가 중요한 고객인가”를 정의하는 일입니다. 단순히 매출이 높은 고객만 중요한 것은 아니고, 최근에 활발히 활동하는 고객인지, 반복적으로 구매하는지까지 함께 봐야 실제 비즈니스에 도움이 되는 인사이트가 나옵니다. 이런 맥락에서 RFM(Recency, Frequency, Monetary) 모델은 비교적 단순한 구조로 고객 가치를 정량화할 수 있는 대표적인 Customer Segmentation 방법입니다. 이 모델은 복잡한 Machine Learning 없이도 빠르게 적용할 수 있으며, 마케팅, 영업, CRM 전략 전반에 직접 연결된다는 점에서 여전히 많은 조직에서 사용되고 있습니다.RFM 지표의 본질과 해석 방식RFM은 단순한 지표 조합이 아니라.. 2026. 6. 12.
Power BI 모바일 보고서 가독성을 높이는 레이아웃 설계 포인트 Power BI 모바일 앱에서 데스크톱 리포트를 그대로 세로 화면에 보여주는 것이 아니라, 모바일 전용 레이아웃으로 다시 설계하는 것이 좋습니다. Power BI 모바일 앱은 폰을 세로로 들었을 때 자동으로 모바일 최적화 화면을 보여주고, 가로로 돌리면 기본 데스크톱 뷰로 전환되기 때문에, 세로 화면에 맞춘 레이아웃 설계가 필수입니다.Power BI 모바일 레이아웃의 기본 개념Power BI Desktop에서 페이지를 만들고도, 각 페이지에 대해 Phone Layout(Mobile Layout)을 별도로 설계할 수 있습니다. 모바일 최적화 화면은 iOS와 Android용 Power BI 앱에서만 세로 방향으로만 표시되며, 브라우저에서는 데스크톱 기준 화면만 보는 구조입니다. 따라서 데스크톱 리포트는 그대.. 2026. 6. 12.
SQL Server에서 임시테이블 CTE와 테이블변수 선택 가이드 SQL Server에서 대량 데이터를 처리할 때,원천 테이블에서 계산한 집계 결과여러 단계로 분해된 복잡한 조인 결과를 “중간 결과” 형태로 저장해두고 다시 쓰는 패턴이 자주 나옵니다.이럴 때 주로 세 가지를 선택합니다.임시 테이블 (#temp_table)테이블 변수 (@table_variable)공통 테이블 식 (WITH cte_name AS (...))이 세 가지는 메모리 사용량, 통계 정보의 유무, 인덱스 생성 가능 여부가 다르기 때문에, 성능과 실행 계획에 큰 영향을 줍니다.실무에서는 단순히 “가독성 좋다” 수준이 아니라, 데이터 크기·사용 빈도·조인 패턴에 따라 선택해야 합니다.1. 기본 개념과 생애 주기1.1 임시 테이블 (Temporary Table)# 또는 ##로 시작하는 이름을 가진 테이.. 2026. 6. 12.
A/B 테스트 결과 해석을 제대로 하는 방법 데이터 기반 의사결정이 일상화되면서 A/B 테스트는 거의 모든 조직에서 활용되고 있습니다. 하지만 결과를 해석하는 방식은 여전히 통계 용어에 갇혀 있는 경우가 많습니다. 특히 p-value, Confidence Interval 같은 개념은 데이터 팀 내부에서는 익숙하지만, 비개발 조직이나 경영진에게는 직관적으로 와닿지 않는 경우가 많습니다. 이 글에서는 실제 업무에서 사용할 수 있는 해석 방식과 함께, Business 관점에서 어떻게 번역해 전달해야 하는지 정리합니다.p-value를 숫자가 아닌 의사결정 확률로 바꾸기p-value는 흔히 "0.05보다 작으면 유의하다" 정도로만 소비됩니다. 하지만 이 방식은 의미 전달에 실패하기 쉽습니다. p-value의 본질은 "현재 실험 결과가 우연일 가능성"입니다... 2026. 6. 12.
누적 매출 비율로 만드는 ABC 등급 설계 방법 ABC 분석은 단순히 상위 품목을 뽑는 기법이 아니라, 매출과 운영 자원을 어디에 집중해야 하는지 보여주는 판단 도구입니다. 파레토 법칙과 함께 보면 “전체 품목을 고르게 관리할 것인가”가 아니라 “영향력이 큰 일부를 먼저 관리할 것인가”라는 질문에 답할 수 있습니다.ABC 분석이 중요한 이유많은 조직은 품목 수가 너무 많아서 모든 항목을 같은 수준으로 관리합니다. 하지만 실제로는 전체 매출, 이익, 주문, 재고 회전의 대부분이 일부 품목에서 발생하는 경우가 많습니다. 이때 ABC 분석을 적용하면 중요한 품목과 덜 중요한 품목을 구분해서 관리 우선순위를 세울 수 있습니다. 예를 들어 매출 기준으로 보면 A 등급 품목은 수가 적어도 매출 기여가 매우 크고, C 등급 품목은 수가 많아도 영향이 작을 수 있습.. 2026. 6. 11.
데이터 파이프라인 멱등성 설계로 재처리 안전성 높이기 데이터 파이프라인에서 멱등성 Idempotency와 재처리 Retry는 배치가 중간에 실패해도 데이터를 중복 인서트하거나 손상시키지 않기 위한 핵심 설계입니다. 특히 Azure 환경에서 SAP, MSSQL 같은 원천 데이터를 적재하고 모델링하는 구조라면, 한 번 실패한 작업을 다시 돌려도 결과가 같아야 한다는 원칙을 처음부터 넣어야 운영이 편해집니다. 핵심은 단순히 재시도 횟수를 늘리는 것이 아니라, 재실행 자체가 안전하도록 저장 방식, 키 설계, 트랜잭션 경계, 상태 관리, 검증 절차를 같이 설계하는 것입니다.멱등성이 필요한 이유데이터 파이프라인은 네트워크 지연, 소스 장애, 타임아웃, 중간 트랜잭션 실패 같은 이유로 같은 작업이 여러 번 실행될 수 있습니다. 이때 멱등성이 없으면 같은 배치를 다시 .. 2026. 6. 11.
데이터 분석계 구축 전에 알아야 할 모든 것 BI/데이터 분석 시스템을 도입하기 전에 핵심 개념(데이터 웨어하우스, ETL, OLAP, 데이터 라인리지 등)과 기술·조직 준비(데이터 거버넌스, 보안, 인프라, 스테이크홀더 정렬), 운영 문화(데이터 소유권, 실험과 측정, 교육)가 필수적입니다. 이 글은 용어 사전, 준비 체크리스트, 구현 단계별 권장 활동과 조직 문화 설계까지 실무 관점에서 정리합니다. 핵심 용어 사전 — 반드시 알고 출발할 것데이터 웨어하우스(Data Warehouse): 분석 목적에 최적화된 중앙 저장소로, 원천 시스템의 거래 데이터(OLTP)를 모아 보관하고 분석에 사용합니다.데이터 마트(Data Mart): 특정 부서나 도메인에 최적화된 소규모 웨어하우스로, 빠른 분석을 위해 설계됩니다. ibmETL(Extraction, T.. 2026. 6. 11.
AI가 잘 작동하려면 먼저 해야 하는 데이터 준비 AI를 이야기할 때 많은 분들이 먼저 떠올리는 것은 model, algorithm, accuracy 같은 단어입니다. 그런데 실제로 AI가 제대로 작동하려면 그보다 앞서 data preprocessing, feature engineering, data modeling, data split 같은 준비 작업이 훨씬 중요합니다. 데이터가 정리되지 않은 상태에서는 아무리 좋은 model을 써도 원하는 결과를 얻기 어렵습니다.AI는 데이터를 먹고 자랍니다AI는 사람처럼 맥락을 스스로 이해하지 못합니다. 입력된 데이터를 기준으로 패턴을 찾고, 그 패턴을 바탕으로 다음 결과를 예측합니다. 그래서 데이터가 지저분하면 AI도 지저분한 규칙을 배우게 됩니다. 이 말은 단순히 데이터가 깨끗해야 한다는 뜻이 아닙니다. AI.. 2026. 6. 11.
PySpark로 대규모 JSON 중첩 배열 평탄화 가이드 PySpark로 중첩 JSON/XML 반정형 데이터를 정형 테이블로 변환할 때 성능이 극대화되는 핵심은 explode와 내장 함수만 사용한 단일 파싱 파이프라인, 파이프라인 초기 필터링으로 데이터 양 축소, Parquet/Delta 저장 형식 사용, 그리고 Python UDF 대신 내장 표현식 또는 Pandas UDF 활용입니다. PySpark 대규모 JSON/XML 파싱과 플래티닝의 핵심 원리반정형 데이터의 특성과 PySpark의 장점JSON과 XML은 반정형 데이터로, 스키마 정보를 데이터와 함께 제공합니다. 하지만 관계형 데이터베이스와 달리 명확한 테이블 구조가 없어서 파싱 과정이 복잡해집니다. PySpark는 분산 컴퓨팅 프레임워크로, 대규모 JSON/XML 데이터를 여러 노드에서 병렬 처리할 수.. 2026. 6. 11.
데이터 기반 HR 운영으로 바꾸는 조직 전략 기업에서 사람 데이터는 가장 늦게 데이터화되었지만, 이제는 가장 중요한 분석 영역으로 자리잡고 있습니다. 단순한 인원 수 관리나 퇴사율 집계를 넘어, HR Analytics와 Predictive Modeling을 활용하면 조직의 미래 리스크를 미리 감지할 수 있습니다. 특히 Turnover Analytics는 인재 유지 전략의 핵심이며, 데이터 엔지니어링부터 BI, 머신러닝까지 연결되는 종합적인 영역입니다.임직원 이탈을 데이터 문제로 바라보는 관점이탈은 단순 이벤트가 아니라 누적된 신호의 결과입니다. 대부분의 조직에서 퇴사는 갑작스럽게 발생하는 것처럼 보이지만, 실제로는 다양한 행동 데이터와 상태 변화가 선행됩니다. 이탈을 데이터로 바라볼 때 핵심은 다음과 같습니다.이탈은 결과 변수 Target Vari.. 2026. 6. 10.
데이터 시각화 대시보드 기획이 결과물을 바꾸는 이유 데이터 시각화 대시보드를 만든다고 하면 많은 분들이 먼저 chart type, 색상, layout부터 떠올리곤 합니다. 하지만 실제 현장에서는 시각 요소보다 먼저 기획 구조가 정리되어야 결과물이 오래 살아남습니다. 대시보드는 단순한 report 모음이 아니라, 사용자가 한 화면에서 핵심 상태를 빠르게 이해하고 다음 행동까지 이어지게 만드는 decision support interface이기 때문입니다. 대시보드는 보고서와 다르게 설계해야 합니다Power BI 기준으로도 dashboard는 single page canvas입니다. 한 페이지 안에 전체 스토리의 핵심만 담고, 자세한 분석은 연결된 report로 넘기는 구조가 기본입니다. 즉 dashboard는 everything을 다 보여주는 곳이 아니라,.. 2026. 6. 10.
반응형

티스토리툴바