데이터 역량을 키우는 방법 - 공공기관 데이터 역량강화 가이드라인

데이터 과학자나 분석가 엔지니어 등 데이터 관련 직종으로 커리어 개발을 할 때, 어떻게 학습을 이어가야 할지 막막할 때가 많습니다. 닥치는 대로 이것저것 교육도 듣고, 조언도 들어보지만, 사람마다 하는 말이 달라서 혼동이 옵니다.

 

그러던 중 이번에 회사에서 PM들의 데이터 역량을 강화하라는 미션이 떨어졌고, TF의 리더를 맡으신 차장님께서 알려주셔서 "공공기관 데이터 역량 강화 가이드라인"을 알게 되었습니다. 

 

이 가이드라인은 Improving Agency Data Skills Playbook(2020, 미국 Federal Data Strategy)과 빅데이터분석기사 국가기술자격 종목 개발 연구(2018, 한국직업능력개발원)를 바탕으로 만들어졌다고 합니다. 

 

데이터 역량 지표는 아래와 같이 크게 6가지의 역량으로 이루어지고, 세부적으로 나누어집니다. 

 

< 데이터 역량지표 체계(대·중·소분류) >

대분류(6)	중분류(15)	소분류(43)
1. 기획	１ 데이터 전략 수립(필수)	(1) 데이터 전략 이해 (2) 기관의 데이터 전략 수립 (3) 국내외 데이터관련 정책·기술동향 파악
	２ 데이터 중심 조직관리	(4) 데이터 조직 구성·운영 (5) 팀워크, 의사소통
	３ 데이터 성과관리	(6) 데이터 성과 지표 마련 (7) 데이터 성과검증 등 관리방안 수립
	４ 분석과제 기획(필수)	(8) 데이터 분석과제 발굴·기획 (9) 분석수행 방안·기법·인력·절차 수립 (10) 데이터 활용 기획
2. 수집	５ 데이터 이해	(11) 데이터 특성·구조. 메타데이터 이해 (12) 정형·비정형 데이터 저장방식 이해 (13) 분석을 위해 필요한 데이터 정의
	６ 데이터 수집	(14) 데이터 추출·변환·적재(ETL) 기술 (15) 주기적(실시간) 데이터 수집 방법 (16) 데이터 연계·제공 방법 (17) 수집 데이터 저장구조 설계
3. 정제	７ 데이터 품질관리	(18) 데이터 표준화 등 품질관련 기술 이해 (19) 데이터 정제에 필요한 품질관리 방안 수립 (20) 데이터 오류(이상치·결측치) 탐색·수정 (21) 데이터 정합성·편향성 검증
	８ 개인정보 처리	(22) 개인정보보호법 이해 (23) 개인정보 익명화·가명화 처리 기술 (24) 가명정보 결합 기술 (25) 가명정보·익명정보 활용 기술
4. 분석	９ 데이터 탐색	(26) 데이터 탐색 (상관분석, 기초통계량, 시공간) (27) 기술 및 추론통계
	10 분석모형 설계	(28) 분석모형 선정, 정의 및 구축 절차 (29) 분석도구 선정 등 환경 구축
	11 분석 수행	(30) 분석목적에 부합하는 분석도구 활용 (31) 분석기법 (회귀,군집,연관 알고리즘) (32) 고급분석기법 (시계열,딥러닝,앙상블,비정형분석) (33) 분석수행 및 분석모형 평가
5. 시각화	12시각화 기획	(34) 시각화 기획 및 구축 방법 수립 (35) 데이터 스토리텔링 (36) 시각화 도구 이해
	13 데이터 시각화	(37) 시각화 요소 식별 및 요건 정의 (38) 사용자 경험(UX) 디자인 (39) 차트, 도식화, 대시보드 등 시각화 구현
6. 정책 활용	14 분석 결과 해석(필수)	(40) 분석·시각화 결과 해석 (41) 정책활용 방안 마련·검토
	15 데이터기반 의사결정(필수)	(42) 기관 의사결정에 분석결과 활용 (43) 분석결과의 정책반영 및 영향 파악

이를 바탕으로 조직별 역량을 측정하고 강화하는 등의 내용이 있지만,

개인적으로는 각 역량이 무엇인지만 파악하면 되겠지요. 아래는 각 역량에 대한 상세한 설명입니다. 

 

<데이터 역량강화 가이드라인 설문지 도움말>

역량지표	용어	용어설명	비고 (출처, 보완 설명 등)
I. 기획
1. 데이터 전략 수립	ㅇ 데이터 전략	- 데이터 전략이란 데이터를 수집‧저장‧가공‧분석‧표현하는 등 데이터를 활용하는 전 과정에서 정책수립 및 의사결정에 유용한 정보를 만들기 위한 구체적이고 종합적인 계획이다.	전략의 의미는 목표를 달성하기 위한 계획과 실행 방안에 대한 기획이며, 데이터 전략이란 데이터기반행정을 추진함에 있어 데이터를 활용하는 전 과정에 대한 구체적이고 종합적인 기획의미가 있으며, 정책 및 기술동향에 대한 선지식이 있어야 함
2. 데이터 중심 조직관리	ㅇ데이터기반 조직	- 공공기관의 데이터기반 조직이란, 데이터기반행정 수행에 필요한 데이터의 분석 등을 통하여 정책 수립 및 의사결정에 활용하기 위해 설치‧운영되는 조직을 의미한다.	데이터중심 조직은 데이터분석센터 와 같은 데이터 전담 조직을 구성하고 운영하기 위한 팀워크, 의사소통 등의 역량을 의미함
3. 데이터 성과관리	ㅇ데이터 성과지표       ㅇ데이터 성과관리	- 데이터 성과지표란, 데이터를 활용하여 분석하고 이를 정책에 활용하는 활동과 관련된 지표를 말한다.   - 데이터 성과관리는, 목표대비 분석건수나 목표대비 활용건수를 관리함으로써 가능하다. 즉 과제의 필요성 및 목표 설정, 활용 데이터 목록, 데이터 분석기법 및 시사점 등 분석결과의 내용 충실도, 분석 결과 기반 의사결정 여부 등을 척도로 관리할 수 있다.	출처: 빅데이터 활용 활성화 지표, 데이터기반행정 활성화 지표
4. 분석과제 기획	ㅇ전략적 사고	- 전략적 사고란 일반적으로 장기적인 비전과 목표를 설정하고 이를 실행하기 위한 대안의 우선순위를 명확히 하여 추진방안을 확정하는 것을 말한다. - 분석과제 기획에서의 전략적 사고란 분석으로 이루고자 하는 비전과 목표를 명확히 하고, 구성원 전체의 관심과 참여를 바탕으로 현실적이고 단계적으로 쌍방향 소통을 통해서 최선의 결과를 도출하기 위한 사고를 말한다.
II. 수집
5. 데이터 이해	ㅇ데이터의 특성                 ㅇ데이터 정의	- 데이터의 특성은 분석에 필요한 데이터의 유형을 말하며, 예를 들면 정형/비정형 데이터, 파일/데이터베이스 형태 등을 들 수 있다. - 엑셀 문서와 같이 행과 열을 정의할 수 있으면 정형 데이터이고, 아래한글(hwp)의 보고서 문서의 경우는 비정형 데이터이며, 텍스트 파일 및 이미지 파일은 파일 형태이고, 인사 데이터베이스, 주민등록 데이터베이스 등을 데이터베이스 형태의 데이터이다. - 데이터를 정의한다는 것은, 과제 해결에 필요한 데이터가 무엇인지, 출처가 어디인지를 식별하는 작업을 의미한다. 예를 들어 ‘최근 1년 동안의 서울시 미세먼지 분석’을 위해서는, ‘측정일자, 측정소명, 미세먼지 농도, 오존농도, 이산화질소 농도’와 같은 데이터의 속성값을 정의할 수 있어야 하고, <서울시 열린데이터 광장> 사이트의 ‘기간별 일평균 대기환경 정보’를 다운 받아야 한다는 것을 의미한다.
6. 데이터 수집	ㅇ데이터 수집·저장·연계	- 데이터의 수집이란 효용성 있는 결과를 얻기 위해 필요한 데이터를 모으는 것이다. - 데이터 저장이란, 수집한 데이터를 다양한 저장소에 효과적이고 안전하게 적재하는 것을 뜻한다. - 데이터 연계란 서로 다른 두 부서나 기관의 데이터를 동일한 킷값(사람, 지역, 장소 등)으로 결합하여 연관된 정보를 함께 가져오는 것을 의미한다. - 데이터의 수집·저장·연계를 위해 필요한 기술을 예를 든다면, 데이터베이스 간 처리 기술, 서로 다른 시스템 간의 추출, 변환, 적재 기술, 웹사이트로부터 데이터를 수집하는 크롤링 기술, 시스템 간 파일 전송 기술, 애플리케이션 간 실시간 데이터 처리 기술 등을 들 수 있다. 또한 데이터의 수집·저장·연계·제공이 가능하기 위해서는 관계자와의 정보 요구사항 협의 또는 협약서 작성 등과 같은 작업도 필요하다.
III. 정제
7. 데이터 품질관리	ㅇ데이터 품질관리       ㅇ데이터 결측치         ㅇ데이터 이상치         ㅇ데이터 정합성           ㅇ데이터 편향성	- 데이터 품질관리란, 데이터 사용자에게 유용한 가치를 제공하도록 데이터의 품질을 확보하기 위한 일련의 활동으로, 데이터 결측치, 이상치, 정합성과 관련된 전처리 작업을 말한다. - 데이터의 결측치란, 필수적인 데이터가 입력되지 않고 누락된 것을 의미한다. - 예를 들어 신체검사 데이터의 몸무게가 0kg 이거나 키값이 0cm로 조사된 경우가 이를 결측치라 한다. - 데이터 이상치란, 동일한 데이터셋에서 일반적인 데이터 값의 범위를 벗어난 값을 말한다. 예를 들어 몸무게가 500kg로 조사된 경우, 일반적인 몸무게 값의 범위를 벗어난 이상치(아웃라이어)라고 볼 수 있다. - 데이터의 정합성이란, 데이터가 서로 모순 없이 일관적임을 의미한다. 예를 들어 전화번호로 조사한 설문 데이터 중 동일한 전화번호가 2건 이상 있거나, 세종시에 거주하는 사람을 대상으로 수집한 데이터에 대전시 주소가 있는 경우 데이터의 정합성이 맞지 않는다고 할 수 있다. - 데이터의 편향성이란, 데이터가 특정한 방향으로 치우치는 것을 의미한다. 예를 들어 연령대별로 골고루 데이터를 수집해야 하는 설문조사에서, 조사한 데이터의 절반 이상이 30대라면, 연령대가 편향된 데이터라고 할 수 있으며, 이러한 데이터의 경우 분석목적을 달성할 수 없다.	종합적인 데이터 품질관리: 품질관리 기준 및 절차 수립, 수립된 절차별로 오류값·결측치 탐색, 검증, 수정 후 반영함으로써, 향후 정기적인 데이터 수집 시 분석에 필요한 데이터 품질의 수준을 지속적으로 안정적으로 관리하는 것을 말한다.
8. 개인정보  처리	ㅇ데이터 가명화               ㅇ데이터 익명화	- 데이터 가명화란, 별도로 분리된 추가 정보 없이는 개인정보를 파악할 수 없도록 처리하는 기술을 말한다. 예를 들어 “010-9999-3333”, “홍길동, ”35세”, “국회의원”이라는 데이터를 가명화하면, “암호화된 핸드폰번호”, (이름 삭제), “30대”, (직업 삭제)로 처리할 수 있으며, 해당정보만으로는 개인식별이 불가하지만, 별도로 분리“암호화된 핸드폰번호”의 암호를 풀 경우 개인 식별이 가능하다. - 데이터 익명화란, 개인을 식별할 수 있는 요소를 전부 또는 일부 삭제하거나 대체하는 등의 방법을 활용하여 더 이상 특정 개인을 알아볼 수 없는 상태로 만드는 기술을 말한다. 예를 들어 “010-9999-3333”,“홍길동”,“35세”,“국회의원”, “창원시 마산회원구”라는 데이터를 익명화하면 (핸드폰 삭제), (이름 삭제), 30대(나이를 ‘30대’로 범주화), 창원시(주소를 ‘창원시’로 범주화)”로 처리할 수 있다.
IV. 분석
9. 데이터 탐색	ㅇ데이터 탐색	- 데이터 탐색이란, 수집·저장된 데이터를 직관적 이해를 위해서 다양한 각도에서 관찰하고, 데이터를 파악해가는 과정이다. - 예를 들어 평균, 최대, 최소값과 같은 간단한 통계나 막대·선 그래프 등을 사용하여 데이터의 전체적인 분포를 파악하는 과정을 말한다.	ㅇ기초통계량 ㅇ상관분석: 비교 대상들이 가지는 관련성을 수치로 조사해 분석하는 기법 ㅇ시공간분석: 시간정보와 공간정보를 포함한 데이터에 대한 분석
10. 분석 모형설계	ㅇ분석모형                 ㅇ분석모형 설계         ㅇ분석환경 구축	- 분석모형이란, 분석과 학습으로 데이터의 패턴과 데이터 간의 관계를 찾아내고, 이를 바탕으로 특정 값과 관계된 결과를 알 수 있도록 만들어진 모형을 말한다. 예를 들어, 읍면동별 현재 인구와 출생·사망·전입·전출자 수를 바탕으로 미래인구수를 추정하는 분석모형으로 5년 단위 읍면동별 미래인구수를 예측한다든지, 과거 교통사고 발생 데이터를 바탕으로 향후 교통사고 발생 가능성을 예측하는 모형이 그것이다. - 분석모형 설계란, 여러 가지 분석기법에 따라 분류된 모델 중에서 분석목적을 달성하기 위한 적합한 분석방법을 선정하고, 사용 가능한 변수 중에서 모델에 적합한 변수를 선택하여 모델을 정의하는 것을 말한다. - 분석환경을 구축한다는 것은, 분석모형을 생성하기 위해 PC에 R이나 Python, QGIS 등 분석도구를 설치하거나, 빅데이터 분석 플랫폼에 분석을 위한 자원을 할당받는 것 등을 의미한다.	ㅇ R: 통계분석과 시각화 구현을 위한 오픈소스 기반 범용 분석 도구 ㅇ Python: 데이터 분석용 오픈소스 기반 프로그래밍 언어 ㅇ QGIS: 지리 정보 시스템인 GIS를 이용할 수 있는 오픈 소스 기반의 소프트웨어
11. 분석 수행	ㅇ최적화 알고리즘     ㅇ분석모형의 성능 평가	- 최적화 알고리즘이란 어떤 조건 아래에서 주어진 함수를 가능한 최대 또는 최소로 결정하기 위해 모아 놓은 절차 또는 방법을 말한다. - 분석모형의 성능 평가란 분석모형이 얼마나 효과적으로 잘 구축되었는가를 평가하는 작업으로, 예측 대비 실제값의 비율 등과 같이 정확도 또는 정밀도의 형태로 측정한다.	ㅇ딥러닝 기술: 머신러닝의 한 분야로, 어떤 분야에 대해 연속된 층(layer)으로부터 점차 의미있는 표현을 기계가 스스로 훈련하는 것 ㅇ앙상블 기술: 여러 분석 모형을 만든 후, 그 모형들을 조합하여 최종 모형을 만드는 기술
V. 시각화
12. 시각화 기획	ㅇ데이터 시각화 기획	- 데이터 시각화 기획이란, 표현하고자 하는 데이터 또는 강조하고자 하는 분석 결과를 시각적으로 표현하여 사용자의 직관적인 이해를 돕기 위한 목적으로 시나리오를 작성하고 스토리를 구성하는 것을 말한다. 즉 분석한 자료를 한눈에 볼 수 있도록 도표나 차트 등으로 요약 정리하기 위한 적절한 방법을 기획하는 것이다.
13. 데이터 시각화	ㅇ데이터 시각화	- 데이터 시각화란, 시각화 기획 단계에서 정의한 요건 및 스토리를 기반으로 시각화 기법을 적용하여 데이터를 시각적으로 표현하는 것이다. - 예를 들면, 전달하고자 하는 정보 또는 분석결과를 효과적으로 전달할 수 있는 시각화 도구를 선택한 후, 간단명료한 시각화 형태와 모양이 갖춰지게 반복적으로 시각화를 구현한다.	ㅇ 시각화 기법의 예는 아래와 같다. 1) 시간 시각화: 막대그래프, 점 그래프, 선 그래프, 산점도, 영역 차트 등 2) 공간 시각화: 지도 매핑, 등차선도, 버블 플롯맵, 도트 플롯맵 3) 분포 시각화: 파이차트, 도넛차트 4) 관계 시각화: 버블차트, 히스토그램, 밀도 함수 그래프 5) 비교 시각화: 히트맵, 스타차트 등
6. 정책 활용
14. 분석 결과 해석	ㅇ데이터 분석 결과 해석	- 데이터 분석 결과의 해석이란, 분석 결과로부터 시사점을 도출하는 것이다. 가령 원인을 뜻하는 독립변수와 결과를 뜻하는 종속변수 간의 상관관계를 파악하여 통계적 유의성을 파악하는 분석기법인 회귀분석 결과, 두 변수 간의 상관계수가 0.2 이하는 두 변수 간 상관관계가 없으며, 0.2~0.4 사이는 낮은 상관관계, 0.4~0.6 사이는 비교적 높은 상관관계, 0.6~0.8 사이는 높은 상관관계, 0.8 이상은 매우 높은 상관관계가 있는 것으로 판단한다. 만약에 코로나 19의 확산정도와 유동인구 수와의 상관계수가 0.8 이라면 매우 높은 관계가 있다고 해석할 수 있다.
15. 데이터 기반 의사 결정	ㅇ데이터 기반 의사결정	- 데이터 기반 의사결정이란, 주요 정책 의사결정 시 고도의 전문성과 의사결정의 설득력을 갖추기 위하여 데이터를 분석하고 분석 결과에 기초하여 정책의 수립·집행·평가가 이뤄질 경우를 말한다.

   

 

마지막으로 데이터 역량향상을 위한 교육과정입니다. 국가기관의 교육내용이 대부분이긴 합니다만, 이와 비슷한 교육을 찾아서 들어보면 도움이 될 것 같습니다. 

 

◯빅행안부 통합데이터분석센터 ◯국국가공무원인재개발원 ◯지지방자치인재개발원 ◯이이러닝(나라배움터) ◯통통계청 통계교육원 ◯민민간기업

대분류	중분류	교육내용
1. 기획	１ 데이터 전략 수립	◯빅공공빅데이터 기획 역량강화 교육 ◯국정책 기획력 향상과정 ◯국데이터기반 업무능력 향상과정 ◯국소통능력 향상과정 ◯국4차산업혁명시대 미래예측 역량 향상과정 ◯국4차산업혁명 트렌드의 이해 ◯국인공지능 이해하기 ◯지4차 산업혁명과 미래 ◯지DNA 기반 정책역량 향상 ◯이AI를 활용한 공공서비스 기획 ◯이탁월한 조직을 어떻게 만드는가 ◯이효과적인 성과관리 코칭 ◯이공공데이터로 만들어가는 새로운 세상 ◯이4차 산업혁명시대의 생각스킬 ◯통공공빅데이터 업무적용 길라잡이 ◯통내부 소통능력 및 국민소통 능력 향상 ◯통통합적 사고 및 기획력 향상 ◯통개인 역량 강화를 위한 개인리더십 ◯통4차 산업혁명시대의 이해와 미래 대응전략 ◯민[한국생산성본부] 4차 산업혁명의 핵심기술 ICBM의 이해 ◯민[한국생산성본부] 성공적인 회사생활을 위한 논리적 말하기 ◯민[한국생산성본부] 프레젠테이션 스킬 ◯민[한국생산성본부] 나를 빛내는 보고력: 보고(Reporting) 스피치 ◯민[한국생산성본부] 1page 보고서작성 실무 ◯민[한국생산성본부] 비즈니스 문서작성 실무 ◯민[한국생산성본부] 엑셀을 활용한 보고서 작성 ◯민[한국생산성본부] 오라클 데이터베이스 운영실무 ◯민[멀티캠퍼스] 전략기획 완전정복 – 직장인이여 기획하라! ◯민[멀티캠퍼스] 애자일 리더십 ◯민[멀티캠퍼스] 황성욱의 Social Big Data를 통한 트렌드 센싱 ◯민[SK Tacademy] 기획안 작성을 위한 사고력 향상 ◯민[KMA 한국능률협회] 디지털트랜스포메이션 시대의 신사업 발굴 및 기 ◯민[KMA 한국능률협회] 빅데이터를 활용한 기획력 향상 ◯민[클라우데라교육] CDP Data Governance with SDX ◯민[휴넷] 새로운 디지털 혁명, 블록체인 ◯민[러닝스푼즈] 디자인 씽킹 방법론 ◯민[러닝스푼즈] 비전공자/입문자를 위한 AI 비즈니스이해 및 케이스스터디 ◯민[패스트캠퍼스] The RED: 데이터 사이언티스트 하용호
	２ 데이터 중심 조직관리
	３ 데이터 성과관리
	４ 분석과제 기획
2. 수집	５ 데이터 이해	◯국AI 학습을 위한 데이터 처리 및 시각화 ◯국SQL 실전 활용 ◯국빅데이터 이해하기 ◯국디지털 리터러시 역량강화 ◯국데이터기반 업무능력 향상과정 ◯지빅데이터 활용능력 향상 ◯이빅데이터 쉽게 이해하기 1 ◯이빅데이터 쉽게 이해하기 2 ◯통빅데이터와 통계 ◯민[데이터온에어] 데이터 이해 ◯민[데이터온에어] 데이터 수집 ◯민[한국생산성본부] 1Day 데이터베이스 이해 ◯민[한국생산성본부] Python을 이용한 웹크롤링 및 비즈니스 활용 ◯민[멀티캠퍼스] Try IT! 비전공자를 위한 IT 기초 입문: DB ◯민[인프런] 파이썬입문과 크롤링기초 부트캠프 (2021 업데이트) ◯민[인프런] 로그프레소 엔터프라이즈 – 데이터 수집과 파싱 ◯민[인프런] 아파치 카프카 for beginners ◯민[클라우데라교육] Cloudera Training for Apache Kafka ◯민[클라우데라교육] Cloudera Dataflow: Apache NiFi를 통한 흐름 관리
	６ 데이터 수집
3. 정제	７ 데이터 품질관리	◯국개인정보보호 실무 ◯지개인정보보호 및 정보공개 ◯이공공데이터로 만들어가는 세상 ◯이e-(신)개인정보보호법 이해하기 ◯통자체통계품질진단 관리 ◯통통계품질 관리 ◯민[한국생산성본부] 개인정보보호 핵심 마스터링 ◯민[인프런] 실전 데이터 사이언스 Part2. 데이터 전처리 ◯민[멀티캠퍼스] Perfect! 공공정보개방을 위한 정보보호 전략개발 및 점검 ◯민[KMA 한국능률협회] 파워BI를 활용한 빅데이터 시각화
	８ 개인정보 처리
4. 분석	９ 데이터 탐색	◯빅빅데이터 전문교육 ◯국4차산업혁명 트렌드의 이해 및 체험 ◯국파이썬 기본 문법과 프로그래밍 ◯국머신러닝, 딥러닝을 이용한 인공지능 학습 ◯국빅데이터 분석 및 활용 ◯국SQL 실무 활용 ◯국R 빅데이터 분석 ◯국파이썬 실무활용 기초 ◯국파이썬 빅데이터 처리 ◯국텐서플로우 AI 구현 ◯국쉽게 배우는 인공지능 프로그래밍 ◯지빅데이터 활용 능력 향상 ◯이통계적으로 사고하기 ◯이통계 기초 및 활용 ◯이인공지능 프로그래밍 – 머신러닝 기초 ◯이R고보면 쉬운 빅데이터 분석 ◯이R 프로그래밍 ◯이파이썬 프로그래밍 ◯통국가통계 및 제도 ◯통통계업무 필수지식 ◯통통계작성기관을 위한 통계DB시스템 사용법 ◯통e-나라지표 업무시스템 이용방법 ◯통국가통계포털(KOSIS) 활용 ◯통통계기초 및 활용 ◯통류근관의 통계학 강의 – 통계적 추론을 위한 개념, 도구, 사례 ◯통엑셀로 배우는 통계분석 ◯통예제로 본 SAS ◯통통계를 활용한 보고서 작성방법 ◯통통계적으로 사고하기 ◯통데이터분석을 위한 SQL 입문 ◯통SPSS 초급 통계분석 ◯통류근관의 통계학 강의 – 표본조사와 통계적 추론 ◯통R 기초 ◯통R 활용 ◯통파이썬 데이터 분석 초급 ◯통SPSS 중급 통게분석 ◯통회귀분석의 이해와 사례 ◯통시계열자료의 분석과 실무 ◯민[KMA 한국능률협회] 파이썬으로 시작하는 업무자동화 ◯민[KMA 한국능률협회] 구글 애널리틱스 활용 기초 ◯민[인프런] 머신러닝 처음 시작하기 (기초 원리+초급 실습) ◯민[인프런] 모두를 위한 딥러닝 – 기본적인 머신러닝과 딥러닝 강좌 ◯민[인프런] 직장인을 위한 프로그래밍 입문과 업무자동화 활용 ◯민[인프런] 공공데이터로 파이썬 데이터 분석 시작하기 ◯민[인프런] R과 Python으로 하는 문서자동화 (기초 ◯민[인프런] 행정직을 위한 정시퇴근각 – 파이썬 업무자동화 ◯민[인프런] 쉽게 배워보는 파이참(PyCharm) 핵심 가이드 ◯민[인프런] 공공데이터 수집하여 대파 가격 분석과 시각화하기 ◯민[패스트캠퍼스] 직장인을 위한 파이썬 데이터분석 올인원 패키지 ◯민[한국생산성본부] 빅데이터 처리와 분석을 통한 Business Insight ◯민[한컴아카데미] 파이썬 프로그래밍 기초 ◯민[SK Tacademy] 파이썬을 활용한 데이터분석 실습 ◯민[멀티캠퍼스] 엑셀로 배우는 통계분석 기초 ◯민[멀티캠퍼스] 통계 및 머신러닝 기초 ◯민[멀티캠퍼스] Excel Programming with Visual Basic ◯민[멀티캠퍼스] 데이터 분석 기획 ◯민[멀티캠퍼스] Data Scientist를 위한 R기반 통계 입문 ◯민[데이터온에어] 기초 프로그램 언어 ◯민[데이터온에어] 프로그램 언어 (실무) ◯민[데이터온에어] 누구나 쉽게 따라하는 데이터 분석 ◯민[비트교육센터] R을 사용한 데이터 분석과 머신러닝 (초급) ◯민[비트교육센터] Python Programming
	１０ 분석모형 설계
	１１ 분석 수행
5. 시각화	１２ 시각화 기획	◯국AI 학습을 위한 데이터 처리 및 시각화 ◯이인포그래픽, 비주얼로 심플하게 승부하라 ◯이데이터 시각화를 위한 Power BI 기초다지기 ◯이데이터 시각화 늘 보던 숫자가 멋진 차트가 되다 ◯이비주얼 스토리텔링의 힘, 인포그래픽 1 ◯이비주얼 스토리텔링의 힘, 인포그래픽 2 ◯민[한국생산성본부] 인포그래픽 활용한 비쥬얼 커뮤니케이션 전략 ◯민[한국생산성본부] 파워포인트를 파워풀하게 만드는 아이디어 비주얼씽킹 ◯민[한국생산성본부] 공감과 설득을 유도하는 통계데이터 시각화 전문가 양성 ◯민[한국생산성본부] Python을 이용한 빅데이터 분석 및 시각화 ◯민[멀티캠퍼스] Perfect! 공공기관 프레젠테이션 문서 시각화(인포그래픽) 스킬 ◯민[멀티캠퍼스] 빅데이터 분석에서 시각화까지, 태블로(Tableau) ◯민[인프런] 데이터 시각화와 차트분석 기법 ◯민[인프런] 실무자를 위한 데이터 시각화 ◯민[인프런] 80여개 예제로 알아보는 쉽고 재밌는 데이터 시각화 ◯민[휴넷] 한눈에 보는 빅데이터, 인포그래픽
	１３ 데이터 시각화
6. 정책 활용	１４ 분석 결과 해석	◯이빅데이터 쉽게 이해하기 ◯이4차 산업혁명시대의 생각스킬 ◯이조직을 위한 합리적인 선택과 의사결정하기 ◯민[휴넷] 데이터 리터러시 – 의견은 됐고, 데이터로 말하라 ◯민[휴넷] 디지털 혁신의 비밀, 데이터 커뮤니케이션 ◯민[휴넷] 디지털 혁신의 비밀, 데이터 문제해결력 ◯민[한컴아카데미] 데이터 기반 의사결정 ◯민[한국생산성본부] 빅데이터 시대, 데이터해석역량 강화
	１５ 데이터 기반 의사결정

 

 

 

가이드라인 전문을 보고 싶으신 분은 아래 링크를 참조하세요. 

 

https://mois.go.kr/frt/bbs/type001/commonSelectBoardArticle.do?bbsId=BBSMSTR_000000000015&nttId=92495 

공공기관 데이터 역량강화 가이드라인 | 행정안전부> 정책자료> 참고자료> 참고자료

 

 

FDS의 Improving Agency Data Skills Playbook 은 아래에 링크를 해두었습니다.

https://resources.data.gov/assets/documents/assessing-data-skills-playbook.pdf

 

 

"이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다."