- 같은 데이터를 2개 이상의 방법으로 분석해 결과를 비교할 수 있다.
- 분석이 막혔을 때 끝까지 해결하려는 자세와 방법을 안다.
- 분석 결과의 의미를 해석할 수 있다.
생각 열기 — 한 길만 믿지 마라
탐험가가 산 정상에 오르는 길은 하나가 아니에요. 여러 경로로 올라 봐야 가장 좋은 길을 알 수 있죠. 데이터 분석도 같아요. 한 가지 방법의 결과만 믿으면 위험해요(3단원에서 봤죠 — 평균만 보면 속고, 한 구간만 보면 착각해요). 그래서 데이터 과학자는 같은 문제를 여러 방법으로 분석해 결과를 견주고, 막히는 순간이 와도 포기하지 않고 다른 길을 찾아 끝내 답에 다가가요. 이번 시간엔 그 두 가지 — 다중 분석·비교와 끈기 있는 문제 해결을 배웁니다.
'우리 반이 시험을 잘 봤는지'를 알고 싶어요. ① 반 평균만 보기 ② 다른 반과 비교하기 ③ 점수 분포(누가 잘하고 못하는지) 보기 — 세 방법은 각각 무엇을 알려 줄까요? 하나만 보면 무엇을 놓칠까요?
같은 질문, 여러 방법 — 분석 비교
"우리 반(평균 72점)이 시험을 잘 봤나?"라는 질문을 세 가지 방법으로 분석해 볼게요. 각 방법이 무엇을 알려 주는지, 왜 함께 봐야 하는지 확인해 보세요.
"우리 반은 시험을 잘 봤을까?"를 세 방법으로 분석해 보세요.
한 방법의 결과가 다른 방법과 일치하면 결론을 더 믿을 수 있고, 서로 엇갈리면 "왜 다르지?"를 파고들어 더 깊은 진실에 다가가요. 그래서 성취기준도 "2개 이상의 방법으로 분석해 결과를 비교"하라고 해요(04-03). 한 가지 답에 성급히 만족하지 않는 것 — 그게 데이터 과학자의 신중함이에요.
막혀도 끝까지 — 분석 트러블슈팅
진짜 프로젝트는 반드시 막혀요. 데이터가 부족하거나, 결과가 이상하거나, 어떤 방법을 쓸지 막막하죠. 중요한 건 막혔을 때 포기하지 않고 해결하는 자세예요. 흔한 어려움과 그 처방을 살펴봅시다.
분석하다 만난 어려움(증상)을 골라 보세요. 원인과 처방을 알려 드려요.
숫자를 이야기로 — 결과 해석
여러 방법으로 분석하고 끝까지 답을 얻었다면, 마지막은 해석이에요. "그래서 이게 무슨 뜻인가?"를 사람의 언어로 풀어내는 거죠. 숫자 자체는 결론이 아니에요.
① 질문에 답한다(처음 정한 주제로 돌아가기) · ② 근거(숫자·그래프)를 댄다 · ③ 한계를 밝힌다("이 데이터로는 ~까지만 말할 수 있다") · ④ 상관과 인과를 구분한다. 예: "더운 평일에 음료가 더 팔렸다(근거: 상관 0.7). 단, 기온이 '원인'이라 단정할 순 없고, 표본은 30일뿐이라 더 긴 기간의 확인이 필요하다." — 이렇게 겸손하고 정확하게 해석해야 해요.
1차시에서 정한 주제로, ① 두 가지 분석 방법을 계획해 보세요(예: 평균 비교 + 분포 보기, 또는 상관 분석 + 군집). ② 두 결과가 일치할지/엇갈릴지 예상하고, ③ 막혔을 때 쓸 '플랜 B'도 하나 적어 보세요. 끈기는 미리 준비할 때 강해져요!
확인 문제
바로바로 채점!
3차시 확인 문제
4문항 · 즉시 채점
1같은 데이터를 2개 이상의 방법으로 분석해 비교하는 이유로 알맞은 것은?
2두 가지 방법의 분석 결과가 서로 다를 때 올바른 태도는?
3분석하다 막혔을 때 바람직한 태도가 아닌 것은?
4[OX] 좋은 결과 해석은 근거를 대고, 분석의 한계까지 함께 밝히는 것이다.
더 알아보기
교과서 너머의 이야기 — 클릭해서 펼쳐 보세요
개념여러 길로 확인하기 — 삼각 검증(triangulation)
연구에서 하나의 결론을 여러 방법·여러 자료로 교차 확인하는 것을 '삼각 검증 (triangulation)'이라고 해요. 원래 측량에서 두세 지점에서 각도를 재 한 점의 위치를 정확히 찾는 방법에서 온 말이에요. 데이터 과학에서도 마찬가지예요 — 예를 들어 '우리 학교 학생들이 수학을 어려워한다'는 결론을 ① 성적 데이터 분석 ② 설문조사 ③ 교사 인터뷰처럼 여러 방법으로 확인해 모두 같은 방향을 가리키면, 그 결론을 훨씬 더 믿을 수 있죠. 한 가지 자료나 방법은 저마다 약점이 있지만, 여러 개가 같은 곳을 가리키면 약점이 서로 보완돼요. (※ 3단원에서 배운 '교차 검증(cross-validation)'은 모델 성능을 평가하는 전용 기법으로, 이름은 비슷하지만 다른 개념이에요.) 좋은 프로젝트는 늘 여러 각도에서 결론을 확인한답니다.
자세실패는 데이터 과학의 일부 — 에디슨처럼
데이터 과학 프로젝트에서 한 번에 성공하는 경우는 거의 없어요. 데이터가 지저분하고, 첫 가설은 틀리고, 모델은 기대만큼 안 맞죠. 하지만 이건 실패가 아니라 과정이에요. 에디슨이 "나는 실패한 게 아니라 안 되는 방법 1만 가지를 발견했을 뿐"이라고 했듯, 데이터 과학자도 안 되는 방법을 하나씩 지워 가며 답에 다가가요. 실제로 전문가들은 분석 시간의 상당 부분을 '왜 안 되지?'를 파고드는 데 써요. 그래서 데이터 과학에 필요한 건 천재적 머리보다 막혀도 다시 시도하는 끈기와 호기심이에요. 성취기준 04-04가 콕 집어 "복잡하고 어려운 문제라도 끝까지 해결하려는 자세"를 말하는 이유죠. 막히는 순간이 오면, 그게 바로 진짜 데이터 과학을 하고 있다는 증거랍니다!
실전막혔을 때 쓰는 데이터 과학자의 비법
전문가들이 분석이 막혔을 때 실제로 쓰는 방법들이에요. ① 작게 쪼개기: 큰 문제를 작은 단계로 나눠 하나씩 확인해요(어디서 막혔는지 좁히기). ② 가장 단순한 것부터: 복잡한 모델 전에 평균·그래프 같은 간단한 방법으로 감을 잡아요. ③ 데이터를 다시 보기: 결과가 이상하면 십중팔구 데이터·전처리에 문제가 있어요(2단원!). ④ 설명해 보기: 문제를 친구나 심지어 인형에게 소리 내어 설명하다 보면 스스로 답을 찾기도 해요('러버덕 디버깅'). ⑤ 잠시 멈추기: 막힐 땐 쉬었다 오면 새 아이디어가 떠오르기도 하죠. ⑥ 도움 구하기: 동료·검색·커뮤니티에 묻는 것도 실력이에요. 막힘은 부끄러운 게 아니라, 누구나 거치는 과정이랍니다.