Data Analytics vs Data Analysis

기술에 대한 기본 지식이 있는 경우 Data Analytics과 Data Analysis라는 용어를 접했을 것입니다. 이 둘의 차이점이나 유사점에 대해 생각해 본 적이 있나요? 많은 사람들이 둘 다 같은 것으로 오해하고 있습니다. 이 둘이 동일하거나 유사하다고 생각하나요?

답은 동일하지 않습니다!

예를 들어, 양파 처트니와 코코넛 처트니라는 두 가지 처트니처럼 둘 사이에 상당한 차이가 있습니다.(처트니는 과일이나 채소에 향신료를 넣어 만든 인도의 소스) 둘 다 잘 알려진 남인도 요리 Idli의 side dish로 사용됩니다. 둘 다 일반적으로 처트니이기 때문에 깊이가 동일하다는 의미는 아닙니다. Idli가 없으면 둘 다 가치가 없습니다. 마찬가지로 Data Analytics과 데이터가 없는 Data Analytics라는 용어는 그다지 중요하지 않습니다.

Data Analytics와 Data Analysis 란?

말 그대로 “Analysis“은 어떤 것의 요소(elements)나 구조(structure of something)를 자세히 조사하는 것입니다. 다른 측면에서 “Analytics“은 데이터(data) 또는 통계(statistics)의 체계적인 계산 분석입니다. 구체적으로, Data Analytics은 더 나은 결과를 위한 유용한 예측으로 유용한 결정을 내리는 데 필요한 많은 도구로 데이터를 처리하는 것과 관련된 넓은 영역인 반면, Data Analysis은 실제로 질문하고 데이터를 이해하는 데 도움이 되는 데이터 분석의 하위 집합입니다. 이미 사용 가능한 정보에서 유용한 통찰력을 수집합니다.

간단히 말해서 데이터 분석은 귀중한 통찰력을 사용하여 미래에 적절한 결정을 내리기 위해 과거의 데이터를 탐색하는 프로세스입니다. 반면 데이터 분석은 데이터를 이해하는 데 도움이 되며 과거에 필요한 통찰력을 제공하여 지금까지 발생한 일을 이해합니다.

간단히 말해서 Data Analytics은 귀중한 통찰력을 사용하여 미래에 적절한 결정을 내리기 위해 과거의 데이터를 탐색하는 프로세스입니다. 반면 Data Analysis은 데이터를 이해하는 데 도움이 되며 과거에 필요한 통찰력을 제공하여 지금까지 발생한 일을 이해합니다.

데이터가 주목 받는 이유는?

이제 왜 이것이 최신 기술 주제인지 알아보겠습니다. 두 개념 모두 데이터라는 정보를 중심으로 실행됩니다. 데이터가 정보의 집합이라는 것은 누구나 알고 있지만 오늘날 정보는 금, 다이아몬드, 연료 등을 포함한 다른 모든 부와 비교할 때 가장 부유한 부입니다.

데이터는 사용할 줄 알아야 세상을 지배할 수 있기 때문입니다. Google, Microsoft, Amazon 및 기타 회사와 같은 세계적으로 유명한 기술 대기업조차도 고객 선호도와 사고 방식을 분석하여 고객의 피드를 개선하기 위해 주로 데이터를 수집하고 다양한 목적으로 분석합니다.

21세기 주목할 만한 토픽

그래서 요즘 데이터를 처리하고 이해하고 효과적으로 분석하려는 열풍 불고 있습니다. 따라서 Data Analytics와 Data Analysis라는 두 용어에 대한 열광은 이 21세기 기술 세계에서 주목할만한 토픽 중 하나가 되었습니다.

datasets 뒤에 숨겨진 insights, analysis 그리고 analytics patterns은 데이터에 대해 더 많은 정보를 가져오고 표시하는 데 중요한 역할을 하며 다양한 변환을 달성하고 여러 단계를 거쳐 가치 있는 결과를 생성합니다.

관련된 도구와 프로세스들

Data Analytics은 문제 식별, 데이터 찾기, 데이터 필터링, 데이터 유효성 검사, 데이터 정리, 데이터 시각화, 데이터 분석, 추론, 예측 등을 포함한 다양한 단계로 구성됩니다. Data Analytics에 사용되는 가장 일반적인 도구는 R, Python, SAS, SPARK, Google Analytics, Excel 등 입니다.

마찬가지로 Data Analysis은 데이터 수집, 데이터 유효성 검사, 해석, 분석, 결과 등으로 구성되며, 곧 데이터가 표현하려는 내용을 찾으려고 합니다. Data Analysis에 사용되는 가장 일반적인 도구는 Tableau, Excel, SPARK, Google Fusion 테이블, Node XL 등 입니다.

Analytics은 일반적으로 선호도 찾기, 다양한 상관 관계 계산, 추세 예측 등과 같은 이상한 패턴을 찾기 위해 여러 가지 독특한 방식으로 사용됩니다. 분석을 통해 발견되는 가장 일반적인 실제 결과는 시장 추세 예측, 고객 선호도 및 효과적인 비즈니스 결정입니다.

Analysis의 도움으로 탐색적 데이터 분석, 예측적 분석, 추론적 분석 등과 같은 다양한 유형의 데이터 분석을 수행하여 사용 가능한 데이터에서 보다 가치 있는 통찰력을 탐색하는 것이 매우 간단하고 쉽습니다. 그들은 데이터를 이해하는 데 더 많은 통찰력을 제공하는 등의 중요한 역할을 합니다.

어느 것이 더 유용한가?

일반적으로 Data Analysis의 output은 데이터 이면의 실제 현실을 사용자가 이해할 수 있도록 프레젠테이션에서 더 나은 그림 및 그래픽 표현을 쉽게 생성하여 문맹자도 데이터들 뒤에 숨어 있는 정보를 이해할 수 있도록 합니다. 더 빠르고 좋습니다.

그러나 일반 사람이 (예측과 추론을 생성하기 위해) Analytics로 수행한 분석 및 프로세스를 이해하는 것은 상당히 어려움을 겪고 있습니다. 더 나은 예상 결과를 생성하기 위해 데이터들로 부터 새로운 것을 생성하는 것과 같은 후처리 과정은 유사한 배경 없이 제3자가 이해하기 어려울 수 있기 때문입니다.

더 나은 이해를 위한 예시 - 주식 시장

다음 실제 사례를 통해 개념을 이해 해봅시다.

우리 중 거의 모든 사람은 주식 시장에 대해 최소한 약간의 지식을 가지고 있습니다. 당신이 초보자이고 거기에서 약간의 이익으로 거래를 시작하고 싶다면 생각해보세요. 처음에 무엇을 해야하나요?

• 아마도 거래를 시작하기 전에 더 많은 이익을 얻기 위한 전략을 짜기 위해 지금까지 무슨 일이 일어났는지 이해하기 위해 주식 시장에서 주식의 과거 추세 기록을 조사하려고 할 것입니다. 이러한 종류의 프로세스는 Data Analysis의 한 예입니다.

• 주식의 추세를 이해한 후에는 다른 기술을 사용하여 주식의 미래 가격 추세를 예측하고 이를 기반으로 일부 주식을 매수할 수 있습니다. 이것은 Data Analytics의 예제 프로세스입니다.

참고자료

• https://www.analyticsvidhya.com/blog/2021/05/data-analytics-vs-data-analysis-are-they-similar/
• https://datahack.analyticsvidhya.com/contest/data-science-blogathon-7/