1차시 데이터로 결정하다 — 데이터 과학이란

🤔

생각 열기 — 꼴찌 야구팀이 강팀을 이긴 비결

여러 차트·지도·게이지가 표시된 데이터 모니터링 대시보드 화면 — 데이터 분석의 현장 — 감이 아니라 **화면 속 숫자와 그래프(대시보드)**에서 답을 찾는다. 사진: Stephane Malhomme, CC BY-SA 4.0, Wikimedia Commons

2000년대 초, 미국 프로야구의 가난한 약체팀 오클랜드 어슬레틱스는 스타 선수를 살 돈이 없었어요. 대신 단장은 모두가 무시하던 데이터에 주목했죠. 비싼 '홈런·타율' 대신, 승리와 더 관련이 깊은데도 저평가된 '출루율' 같은 지표로 선수를 골랐어요. 결과는? 적은 돈으로 강팀들과 어깨를 나란히 하며 20연승이라는 대기록을 세웠습니다. 이 이야기(머니볼)는 "베테랑의 감(感)보다 데이터가 더 정확할 수 있다"는 것을 세상에 보여 준 사건이었어요.

💬 함께 생각해 보기

여러분이 최근에 내린 결정(무엇을 살지, 어디서 공부할지 등)을 떠올려 보세요. 그 결정은 '느낌'에 따른 것이었나요, 아니면 '근거(데이터)'에 따른 것이었나요? 데이터가 있었다면 결정이 달라졌을까요?

1

데이터 과학이란 무엇인가

데이터에서 가치를 캐내는 일

데이터 과학(Data Science)은 데이터로부터 의미 있는 가치를 끌어내어 문제를 해결하고 더 나은 결정을 돕는 학문이에요. 단순히 숫자를 계산하는 일이 아니라, 좋은 질문을 던지고 → 데이터를 모으고 → 분석하고 → 해석해서 행동으로 잇는 전 과정을 다룹니다.

데이터 과학은 세 분야가 만나는 자리에서 태어났어요.

📐

통계·수학

데이터에서 규칙과 경향을 찾고, 우연과 의미를 구별하는 분석의 언어.

💻

컴퓨터 과학

방대한 데이터를 모으고 처리하고 시각화하는 프로그래밍·도구의 힘.

🧩

도메인 지식

그 분야(야구·의료·교육…)를 알아야 옳은 질문과 해석이 나와요.

🔑 핵심 — 데이터 과학의 목적은 '결정'

화려한 그래프를 만드는 것이 목적이 아니에요. 데이터 과학의 진짜 목적은 "그래서 무엇을 해야 하는가?"라는 질문에 근거 있는 답을 주는 것, 즉 더 나은 의사 결정입니다. 분석이 행동으로 이어지지 않으면 반쪽짜리예요.

2

데이터에서 지혜로 — DIKW 피라미드

원석이 보석이 되는 단계

같은 데이터라도 어떻게 다루느냐에 따라 가치가 달라져요. 데이터가 정보가 되고, 지식이 되고, 마침내 지혜로운 결정이 되는 4단계를 DIKW 피라미드라고 불러요. 아래 막대를 눌러 예를 확인해 보세요.

지혜 (Wisdom)

막대를 눌러 보세요. 위로 갈수록 가치가 커져요.

지식 (Knowledge)

정보 (Information)

데이터 (Data)

아래(데이터)에서 위(지혜)로 갈수록, 사람의 해석과 판단이 더해집니다.

💡 정보 과목과의 연결

「정보」 2단원에서 '데이터'와 '정보'의 차이를 배웠죠? 데이터 과학은 거기서 한발 더 나아가, 정보를 지식으로 엮고 지혜로운 결정까지 이어 주는 전체 과정을 다룹니다.

3

감(感)이 아니라 데이터로 — 데이터 기반 의사 결정

DDDM: Data-Driven Decision Making

우리는 흔히 경험이나 직감으로 결정해요. 직감도 소중하지만, 사람의 직감은 편향되거나 틀리기 쉬워요. 데이터 기반 의사 결정은 직감을 데이터로 검증하고 보완하는 거예요. 아래 실험실에서 여러분의 직감과 실제 데이터를 비교해 보세요!

🧪 감(感) vs 데이터 — 의사결정 실험실 INTERACTIVE

상황을 고르고, 먼저 직감으로 답을 선택하세요. 그다음 📊 데이터 확인을 눌러 실제 데이터와 비교해 봅니다.

[안내]먼저 직감으로 답을 골라 보세요. 데이터를 보면 생각이 바뀔지도 몰라요!

🧭 데이터 기반 의사 결정의 5단계

① 문제 정의(무엇을 결정할까?) → ② 데이터 수집 → ③ 분석(패턴 찾기) → ④ 해석·결정(그래서 어떻게?) → ⑤ 실행·확인(효과가 있었나?). 데이터 과학은 이 사이클을 반복하며 점점 더 나은 결정으로 나아갑니다.

✅

확인 문제

바로바로 채점!

✏️

1차시 확인 문제

4문항 · 즉시 채점

1데이터 과학의 궁극적인 목적으로 가장 알맞은 것은?

2데이터 과학을 이루는 세 가지 핵심 분야가 아닌 것은?

3'비 오는 날에는 우산이 평소보다 3배 더 팔린다'처럼, 정보들 사이의 관계·패턴을 이해한 단계는 DIKW 중 무엇일까?

4[OX] 데이터 기반 의사 결정은 사람의 직감을 데이터로 검증하고 보완하는 방식이다.

➕

더 알아보기

교과서 너머의 이야기 — 클릭해서 펼쳐 보세요

사례넷플릭스는 어떻게 당신이 볼 영화를 알까?

넷플릭스 화면에 뜨는 추천작은 우연이 아니에요. 여러분이 무엇을, 언제, 어디까지, 몇 번이나 봤는지가 모두 데이터로 쌓이고, 비슷한 취향의 수많은 사람들과 비교·분석해 "이 사람이 좋아할 확률이 높은" 작품을 골라 보여 주죠. 넷플릭스는 시청자가 보는 콘텐츠의 상당 부분이 이 추천에서 나온다고 밝힐 만큼 데이터를 깊이 활용해요. 심지어 어떤 드라마를 만들지도 데이터로 결정해요 — 인기 배우, 선호 장르, 시청 패턴을 분석해 흥행을 예측하죠. 같은 원리가 유튜브 추천, 쇼핑몰 '이 상품을 본 사람이 산 상품', 음악 앱의 플레이리스트에도 쓰여요. 여러분의 하루는 이미 수많은 데이터 기반 결정에 둘러싸여 있답니다.

주의데이터도 거짓말을 한다 — 숫자를 의심하라

"데이터로 결정하라"는 말이 "데이터를 무조건 믿어라"는 뜻은 아니에요. 데이터는 어떻게 모으고 해석하느냐에 따라 사람을 속일 수도 있어요. 유명한 사례가 '생존자 편향'이에요. 2차 세계대전 때, 돌아온 전투기에 총탄 자국이 많은 부위를 보강하려 했지만, 통계학자 에이브러햄 발드는 정반대로 생각했어요 — "돌아온" 비행기에 멀쩡한 부위야말로, 거기 맞은 비행기는 돌아오지 못했다는 뜻이니 그곳을 보강해야 한다고요. 데이터에 '돌아오지 못한 비행기'가 빠져 있었던 거죠. 이처럼 빠진 데이터, 치우친 표본, 왜곡된 그래프는 잘못된 결정을 부릅니다. 그래서 데이터 과학자에게는 숫자를 비판적으로 의심하는 눈이 꼭 필요해요. (「정보」 2단원 '거짓말하는 그래프'를 떠올려 보세요!)

개념'상관관계'는 '인과관계'가 아니다

데이터 분석에서 가장 많이 하는 실수예요. 아이스크림 판매량과 물놀이 사고 건수는 함께 늘어나요 (상관관계). 그렇다고 "아이스크림이 사고를 일으킨다"고 하면 틀렸죠. 둘 다 '여름(더위)'이라는 공통 원인 때문에 함께 오르는 것뿐이에요. 이렇게 두 데이터가 함께 움직인다고(상관) 해서 하나가 다른 하나의 원인(인과)인 것은 아니에요. 데이터를 해석할 때 "정말 이것이 원인일까, 아니면 숨은 다른 원인이 있을까?"를 꼭 따져 봐야 해요. 이 '비판적 해석'이야말로 기계가 대신하기 어려운, 데이터 과학자의 핵심 역량이랍니다.

데이터로 결정하다데이터 과학이란