이 과목이 다루는 것
비즈니스 애널리틱스는 데이터 분석을 실제 기업의 의사결정에 적용하는 분야다. 이 과목에서 학생은 산업공학에서 배운 도구(통계적 검정, 회귀분석, 분류, 최적화, 연관규칙, 군집, 수요예측, 네트워크 분석)를 실제 산업 데이터에 직접 코드로 적용하고, 그 결과를 경영진이 실행에 옮길 수 있는 의사결정 권고안으로 완성하는 훈련을 반복한다.
분석의 성패는 모델의 정확도가 아니라 그것이 뒷받침한 결정이 낳는 비용과 가치로 판단한다. 매주 노트북은 "분석했다"가 아니라 하나의 의사결정 질문으로 끝난다.
전공 과목과의 연결
새 이론을 처음부터 배우는 자리가 아니라, 이미 배운 도구를 실데이터에 적용해 결정으로 옮기는 자리다. 매주 노트북 도입부에 그 주의 도구가 어느 전공 과목에서 온 것인지 밝힌다.
| 주 | 배운 곳 | 이 과목의 결정 |
|---|---|---|
| 1 | 통계학·실험계획법 (가설검정) | A/B 실험으로 게임 게이트 위치를 정한다 |
| 2 | 물류관리 (리드타임), 경영정보시스템 (관계형 DB) | 주별 약속 배송일을 정한다 |
| 3 | 설비보전·신뢰성 (교체 정책) | 고장 후·주기·상태 기반 교체 중 하나를 택한다 |
| 4 | 통계학 (회귀분석) | 비·눈 예보 시간의 대여 수요 배수를 정한다 |
| 5 | 통계학 (분류), 품질관리 (판정 오류) | 고장 판정 기준 점수를 정한다 |
| 6 | OR (선형계획·쌍대) | 생산량과 원료 구입 가격 한도를 정한다 |
| 7 | OR·재고관리론 (불확실한 수요) | 수요를 모를 때의 주문량을 정한다 |
| 9 | 데이터마이닝 (연관규칙) | 함께 권할 상품을 정한다 |
| 10 | 다변량통계 (군집분석) | 고객 무리와 무리별 대응을 정한다 |
| 11 | 생산계획 (수요예측) | 월별 승객 수의 예측 방법을 정한다 |
| 12 | OR (그래프·네트워크) | 연결망의 중심 노드와 무리를 찾는다 |
| 13 | 통계학 (분류) | 예측 모형의 집단별 오류를 점검한다 |
| 14 | 데이터마이닝 (트리·앙상블) | 여러 모형을 결합해 예측한다 |
매주 3시간의 진행
의사결정 질문 → 데이터 확인(EDA) → 이론 → 분석 → 권고. 교재판을 함께 실행한다.
그 주 계산을 빈칸 워크시트로 재현한다. 수업 내 완료가 원칙이며 마지막 셀이 완료를 확인한다.
생각해보기 문항으로 결정의 근거와 한계를 논의하고 다음 주를 예고한다.
실습은 Google Colab에서 진행하며 별도 설치가 필요 없다. 사용하는 데이터는 전부 실제 산업 데이터이고 합성 데이터는 쓰지 않는다.
학기 일정
| 주 | 내용 | 랩 |
|---|---|---|
| 1~3 | A/B 검정 · 약속 배송일 · 상태 기반 정비 | 매주 랩 제출 |
| 4~5 | 회귀와 통제 · 비용 기반 임계값 | 매주 랩 제출 |
| 6~7 | 보강 1·2: 선형계획과 잠재가격 · 불확실한 수요 아래 주문량 | 추후 공지 |
| 8 | 중간고사 (의사결정형 구술) | 랩 없음 |
| 9~10 | 연관규칙 · 군집분석 | 매주 랩 제출 |
| 11~12 | 시계열 예측 · 네트워크 분석 | 추후 공지 |
| 13~14 | 책임 있는 데이터 과학 · 앙상블과 AutoML | 추후 공지 |
| 15 | 기말 구술 방어 (지정 케이스 5분 개별) | — |
평가
| 항목 | 비중 | 내용 |
|---|---|---|
| 주차별 랩 | 55% | 매주 실습 제출. 강의와 다른 실데이터에 그 주 기법을 적용한다. 최저 2회는 성적에서 제외 |
| 기말 구술 방어 | 30% | 15주차. 교수 지정 실데이터·결정 질문의 개별 분석을 5분 구술로 방어 |
| 중간 구술 | 15% | 8주차. 1~7주 기법의 의사결정형 문항. 예시 문항 사전 공개 |
랩은 모두 개인 제출이며 팀 프로젝트는 없다. 유연성 장치로 슬립데이 4일(랩 마감에 자유 배분, 사유 불문)과 최저 2회 드롭을 둔다.
예상 학습 부담
- 수업 시간 주 3시간 — 랩은 수업 안에서 끝내는 것이 원칙이다.
- 수업 밖 주 2~4시간 — 랩을 수업 안에 끝내지 못한 주는 더 걸린다.
- 구술 준비 중간·기말 각 3~5시간. 제출물을 스스로 이해하고 방어할 수 있어야 한다.
코딩 경험이 많지 않아도 따라올 수 있도록 매주 노트북에 실행되는 코드와 빈칸 워크시트를 함께 제공한다. 다만 pandas 기본 조작은 1~2주차에 집중되므로 이 시기의 실습을 빠뜨리지 않는 것이 중요하다.
학습 자료
주교재는 자체 제작 자료다. 주차마다 교재(그 주의 전체 노트북 — 수업에서 함께 읽고 실행하며, 복습도 같은 파일로 한다)와 랩(실습 워크시트)을 제공하며, 모두 Colab에서 바로 열린다. 교재(노트북)에는 이론을 싣지 않고, 정의·수식·유도·연습문제는 주차별 배경이론 문서(웹 페이지)로 따로 둔다. 노트북의 분석은 그 문서의 이론을 적용하는 것이다. 보조 참고자료는 Provost & Fawcett의 Data Science for Business, Knaflic의 Storytelling with Data, 그리고 pandas·scikit-learn·statsmodels·PuLP 공식 문서다.
주차별 진행
각 주차는 데이터와 탐색으로 시작해 문제를 세우고, 그 문제를 풀 지표를 데이터로 고른 뒤 분석과 권고로 끝난다. 교재 = 수업 중 교수와 함께 코드를 채워 가는 노트북 · 이론 = 교재가 가리키는 배경이론 문서(정의·수식·유도·연습문제 — 노트북에는 이론을 싣지 않는다) · 랩 = 강의와 다른 실데이터에 그 주 기법을 적용하는 개인 제출 과제(성적 55%).
-
01이번 주
A/B 검정으로 결정하기
게임의 게이트를 레벨 30에 유지할까, 레벨 40으로 옮길까?
이론가설검정(2표본 비율검정) · p-value와 신뢰구간 · 효과의 금액 환산 · 배경이론 문서 →
Cookie Cats · 90,189 유저
랩: Upworthy 헤드라인 실험 22,743건 -
02이번 주
약속 배송일을 며칠로 잡을 것인가
주별 약속이 실제 배송과 맞는가? 어느 주를 며칠 고칠 것인가?
이론분포 · 평균과 분위수 · 서비스 수준 · 표본과 미래 · 배경지식 →
Olist 브라질 이커머스 · 주문 99,441건
-
03이번 주
상태 기반 정비: 언제 교체할 것인가
고장 후·주기·상태 기반 교체 중 무엇을 택할 것인가?
이론고장률 · 상태 신호 · 예방정비의 조건과 교체 비용 · 배경이론 →
Backblaze 데이터센터 2026Q1 · 디스크 6만 개
랩: 같은 데이터로 신호 기준별 교체와 비용 비교 -
04이번 주
회귀분석: 통제와 의사결정
비·눈 예보가 있는 시간의 대여 수요를 평시의 몇 배로 계획할 것인가?
이론회귀계수 · 범주 변수 · 로그와 배수 · 넣지 않을 조건 · 신뢰구간 · 배경지식 →
Capital Bikeshare 2011~2012 시간별 대여 17,379시간
교재 4-1 평균으로 비교 · 4-2 회귀로 조건 맞추기 · 랩: 같은 데이터의 회원·비회원 비교 -
05이번 주
비용 기반 분류와 임계값
어느 점수부터 APS 고장으로 판정할 것인가?
이론혼동행렬 · 오류 비용 · 검증에서 임계값 선택 · 배경이론 →
Scania APS 학습 60,000건 · 테스트 16,000건
교재: 두 오류와 비용 → 점수 → 비용으로 기준 → 테스트에서 0.5와 비교 · 랩: 같은 데이터의 비용 조건 비교 -
06이번 주
보강 1 · 선형계획과 잠재가격
원료 한도 안에서 제품을 몇 개씩 만들고, 원료를 더 산다면 얼마까지 낼 것인가?
이론선형계획 모형 · 실행 가능 영역과 최적해 · 쌍대 문제 · 잠재가격과 유효 범위 · 배경이론 →
MO-book(Hands-On Mathematical Optimization with Python) 2장 BIM 마이크로칩 생산계획 예제
이론교재 준비 중 -
07이번 주
보강 2 · 불확실한 수요 아래 주문량
수요를 미리 알 수 없을 때 얼마나 주문해 둘 것인가?
이론수요 시나리오와 기대 이익 · 평균 수요로 정한 주문량과의 차이 · 완전 정보의 가치 · 표본 평균 근사
MO-book 9장 팝업 매장·수산물 유통센터 예제
준비 중 -
08이번 주
중간고사
구술 시험: 1~7주 기법의 의사결정형 문항. 예시 문항은 4주차까지 공개한다.
구술 -
09이번 주
연관규칙: 함께 구매되는 상품
어떤 상품을 담은 고객에게 무엇을 함께 권할 것인가?
이론지지도 · 신뢰도 · 향상도 · Apriori 알고리즘 · 해석할 때 주의 · 배경이론 →
식료품점 영수증 9,835장(Groceries) · Charles Book Club 고객 4,000명
교재: 영수증으로 지지도·신뢰도·향상도 계산 → apriori로 규칙 찾기 → 권할 품목 정하기 · 랩: 책 동아리 고객의 분야별 구매로 같은 분석 -
10이번 주
군집분석: 비슷한 고객끼리 묶기
고객을 몇 무리로 나누고, 어느 무리에 무엇을 할 것인가?
이론거리와 척도 · k-means · 계층 군집과 dendrogram · 군집 수 정하기 · 배경이론 →
영국 온라인 도매상 고객 5,852명(UCI Online Retail II) · 포르투갈 전력 고객 370곳(UCI)
교재: 고객별 RFM → k-means·Ward로 묶기 → 재구매 쿠폰 대상 정하기 · 랩: 전력 사용 기록 정리 → 하루 사용 패턴으로 같은 분석 -
11이번 주
시계열 예측: 월별 승객 수
월별 승객 수를 어떤 방법으로 예측할 것인가?
이론추세와 계절성 · 학습·검증 기간 나누기 · naive와 seasonal naive · 회귀로 추세·계절 모형 · 잔차 자기상관 · 배경이론 →
미국 Amtrak 월별 승객 수 1991년 1월~2004년 3월(159개월) · Shmueli 17·18장
이론교재 준비 중 -
12이번 주
네트워크 분석
연결망에서 중심 역할을 하는 노드와 서로 뭉친 무리를 어떻게 찾을 것인가?
이론노드·링크·degree · 중심성 · 연결 요소와 견고성 · modularity와 community
Shmueli 20장 · A First Course in Network Science 3장(Enron 이메일 연결망)·6장(Zachary 가라테 클럽)
준비 중 -
13이번 주
책임 있는 데이터 과학
재범 예측 모형이 집단마다 다르게 틀리지는 않는가?
이론기준 모형과 비교 · 집단별 성능 비교 · 공정성 지표 · 예측 설명
COMPAS 재범 예측 자료(미국 Broward 카운티) · Shmueli 22장
준비 중 -
14이번 주
앙상블과 AutoML
여러 모형을 결합하면 예측이 얼마나 나아지고, 그 예측을 어떻게 설명할 것인가?
이론bagging·random forest·boosting · AutoML · 예측 설명
Shmueli 13장
준비 중 -
15이번 주
기말 구술 방어: 결정 케이스
지정 케이스의 결정 질문·권고안·근거를 5분 구술로 방어한다.
구술
평가
| 55% | 주차별 랩 | 강의와 다른 데이터에 그 주 기법 적용 · 최저 2회 제외 |
| 30% | 기말 구술 방어 | 15주차 · 지정 케이스 5분 방어 |
| 15% | 중간 구술 | 8주차 · 의사결정형 문항 |