개발기록

1. 자격증 시험공부 배경

컴퓨터공학 전공자로 취업하여 IT 관련 업무를 하고 있습니다. 최근에 SQLD 취득 후 데이터 관련 자격증을 추가로 알아보던 중, ADsP를 알게 되어 취득을 결심하게 되었습니다.

2. 체감 난이도

• 주변에서는 기출만 반복하면 어렵지 않게 취득할 수 있다고 이야기하였습니다.
• 그러나 막상 시험장에 들어가니 기존과는 다른 형태의 문제가 3과목에서 많이 출제되었던 것으로 기억합니다.
• 확실하게 풀지 못하고 찍은 문제도 꽤 있었고, 소거법으로 답을 고른 문제도 많았습니다.

3. 공부방법

1~2과목은 SQLD와 개념이 겹치는 부분이 있어 부담이 적었지만, 3과목의 통계와 R 문제에서 많이 막혔습니다. 공부의 큰 틀은 3~4시간짜리 요약 유튜브 인강 2회 수강 후, 기출 10회차를 5회독 이상 반복하는 방식이었습니다.

공부는 약 3주간 진행했으며 퇴근후 평일 3시간 주말은 일정이 없다면, 시간을 투자하였습니다. 

• 1주차: 유튜브 '아답터' ADsP 요약강의를 빠르게 2번 돌려보았습니다. 이해되지 않는 부분이 많아도 일단 용어에 익숙해지자는 마음으로 넘어갔고, 이후 바로 기출문제 풀이를 시작하였습니다.
  
  
• 2주차~3주차: 기출문제는 '꿈꾸는 라이언' CBT 사이트를 활용해 풀이하였습니다. 총 5회독 이상 하였는데, 첫 회독에 시간이 가장 많이 걸렸습니다. 첫 회독은 해설을 보며 꼼꼼히 적어가며 정리하였고, 2~3회독부터는 적어둔 내용을 읽으며 선지와 내용 흐름에 익숙해지는 데 집중하였습니다.
  
  
• 시험 3~4일 전: 그동안 풀었던 기출문제를 노션에 정리하며 내용을 다시 훑었습니다 + 또한 최근 기출 3회 정도를 시험 1~2일전에 쭉 다시 풀어보았습니다.
  (특히 저에겐 아래의 정리 과정이 과정을 통해 공부가 많이 되었던거 같습니다.)

2026.08.03 - [자격증 공부/ADSP 자격증 공부] - ADSP 49회 기출문제 정리

2026.08.04 - [자격증 공부/ADSP 자격증 공부] - ADSP 48회 기출문제 정리

2026.08.04 - [자격증 공부/ADSP 자격증 공부] - ADSP 47회 기출문제 정리

2026.08.05 - [자격증 공부/ADSP 자격증 공부] - ADSP 46회 기출문제 정리

2026.08.05 - [자격증 공부/ADSP 자격증 공부] - ADSP 45회 기출문제 정리

2026.08.05 - [자격증 공부/ADSP 자격증 공부] - ADSP 44회 기출문제 정리

2026.08.05 - [자격증 공부/ADSP 자격증 공부] - ADSP 43회 기출문제 정리

2026.08.06 - [자격증 공부/ADSP 자격증 공부] - ADSP 42회 기출문제 정리

2026.08.06 - [자격증 공부/ADSP 자격증 공부] - ADSP 41회 기출문제 정리

2026.08.06 - [자격증 공부/ADSP 자격증 공부] - ADSP 40회 기출문제 정리

4. 최종 요약

시험을 보는 내내 체감 난이도가 상당히 높았습니다. 사실 불합격을 예상했지만 감사하게도 합격하였습니다.
이번 회차만큼은 열심히 공부했더라도 충분히 떨어질 수 있었던 시험이라고 생각합니다. 앞으로도 이런 기조가 이어진다면, 기출문제만 반복과 동시에 개념서를 꼼꼼히 읽고 내용 자체를 이해하는 과정이 필요하다고 느꼈습니다.
그럼에도 개념서와 기출문제 둘중 하나를 선택하자면, 기출문제 반복을 추천드립니다.

공부시 사용자료
- yotube 인강자료: https://www.youtube.com/watch?v=rClfO1GdmFM
- CBT 자료: https://quiz.dreaming-ryan.com/

■ 1과목 데이터 이해

• 군집분석과 지도학습의 구분
  · 군집분석 (Cluster Analysis) 은 서로 비슷한 값을 갖는 관측치를 묶어 경향성을 파악할 때 활용하는 비지도학습이다.
  · 반면 고객의 연체 확률 예측처럼 정답 레이블이 있는 문제는 로지스틱 회귀 모형 같은 지도학습 알고리즘을 사용한다.
  · 즉 군집분석은 세분화와 그룹화가 목적이고, 예측과 분류는 지도학습의 영역이다.

■ 3과목 데이터 분석

• 공분산과 독립성
  · 공분산 (Covariance) 이 0이면 두 변수 간에 선형관계는 없다.
  · 그러나 곡선 형태의 비선형 관계는 존재할 수 있으므로 두 변수가 서로 독립이라고 단정할 수 없다.
  · 단 두 변수가 정규분포를 따르는 경우에는 무상관과 독립이 일치한다.
  
  
• 군집분석에서 변수 단위가 다를 때의 해결 기법
  · 스케일링 (Scaling) 을 통해 변수의 척도를 맞춘다.
  · 표준화 (Standardization) : 평균 0, 표준편차 1이 되도록 변환한다.
  · 정규화 (Normalization) : 값의 범위를 0~1로 변환한다.
  · 단위를 맞추지 않으면 값의 범위가 큰 변수가 거리 계산을 지배하게 된다.
  
  
• 카이제곱 검정 (Chi-square Test)
  · 관측도수와 기대도수의 차이가 클수록 검정통계량이 커지고, 그에 따라 유의확률 (p-value) 은 작아진다.
  · p-value가 유의수준보다 작으면 귀무가설을 기각한다.
  · 종류는 적합도 검정, 독립성 검정, 동질성 검정 세 가지다.
  
  
• 앙상블 (Ensemble)
  · 랜덤포레스트 (Random Forest) 는 배깅에 더해 변수(설명변수)에 대한 임의화 기법을 함께 적용한다.
  · 이렇게 개별 나무 간 상관관계를 낮춰 분산을 줄이고 예측 성능을 높인다.
  
  
• 선형회귀 모형의 유의성 평가
  · 모형 전체가 통계적으로 유의미한지는 F 통계량 (F-statistics) 으로 평가한다.
  · 개별 회귀계수의 유의성은 t 통계량으로 평가한다.
  
  
• 군집 수 K의 설정
  · K-평균처럼 분할적(비계층적) 군집분석은 수행 이전에 군집 수 K를 미리 설정해야 한다.
  · 적정 K는 엘보우 기법 (Elbow Method) 이나 실루엣 계수 (Silhouette Coefficient) 로 판단한다.
  · 계층적 군집분석은 K를 미리 정하지 않고 덴드로그램을 잘라 사후에 결정한다.
  
  
• ARIMA (Autoregressive Integrated Moving Average) 모형
  · ARIMA(p, d, q) 에서 p는 AR 차수, d는 차분 횟수, q는 MA 차수를 의미한다.
  · p = 0 이면 IMA(d, q) 모형이라 부르며, d번 차분하면 MA(q) 모형을 따른다.
  · q = 0 이면 ARI(p, d) 모형이라 부르며, d번 차분하면 AR(p) 모형을 따른다.
  · d = 0 이면 정상 시계열이므로 ARMA(p, q) 모형이 된다.
  
  
• 기울기 소실 (Gradient Vanishing)
  · 역전파 (Backpropagation) 과정에서 은닉층의 가중치가 제대로 조정되지 않아 학습이 이루어지지 않는 현상이다.
  · 은닉층이 깊어질수록 기울기가 층을 지나며 점점 작아져 앞쪽 층이 거의 학습되지 않는다.
  · 활성화 함수로 ReLU를 사용하면 이 문제를 완화할 수 있다.

■ 1과목 데이터 이해

• SCM (Supply Chain Management, 공급망 관리)
  · 제조업 및 유통업에서 원자재 조달부터 최종 소비자 전달까지 공급망 전체를 관리하는 시스템이다.
  
  
• ERP (Enterprise Resource Planning, 전사적 자원관리)
  · 기업의 모든 자원과 프로세스를 통합적으로 관리하는 시스템이다.
  
  
• CRM (Customer Relationship Management, 고객관계관리)
  · 고객 데이터를 분석해 관계를 유지하고 마케팅에 활용하는 시스템이다.
  
  
• 데이터 웨어하우스 (DW, Data Warehouse)
  · 여러 출처에서 데이터를 통합해 저장하는 대규모 데이터 저장소다.
  · 특징은 주제 지향성, 통합성, 시계열성, 비휘발성이다.

■ 2과목 데이터 분석 기획

• 데이터 분석 조직 구조 중 집중적 구조
  · 전사 차원의 분석 전담 조직이 분석 업무를 담당한다.
  · 전략적 중요도에 따라 우선순위를 정해 진행할 수 있다.
  · 현업 부서의 분석 업무와 이중화 및 이원화될 가능성이 높다.
  
  
• 외부 참조 모델 기반 문제 탐색
  · 새로운 문제를 탐색하는 단계에서 유사 또는 동종 사례의 벤치마킹을 통해 후보 그룹을 추출하는 방법이다.
  · Quick & Easy 방식으로 필요한 분석 기회에 대한 아이디어를 얻는다.
  · 워크숍 형태의 브레인스토밍을 통해 기업에 적용할 과제 후보 목록을 빠르게 도출한다.
  · 하향식 접근법의 문제 탐색 단계에 속한다.
  
  
• 분석 유즈 케이스 (Analytics Use Case)
  · 특정 분석 과제를 구체적으로 정의하고, 이를 적용할 수 있는 사례나 시나리오를 도출하는 방식이다.
  · 문제 탐색보다는 실행 가능한 사례와 솔루션 개발 단계에서 주로 활용한다.
  
  
• 조달관리 (Procurement Management)
  · 프로젝트 수행에 필요한 인력과 인프라를 소싱하고 계약 및 구매를 관리하는 영역이다.
  
  
• 프로젝트 위험 대응 계획 수립 시 대응 방안 4가지
  · 완화 (Mitigate) : 위험 발생 확률이나 영향도를 줄인다.
  · 전이 (Transfer) : 보험이나 외주 등으로 위험을 제3자에게 넘긴다.
  · 회피 (Avoid) : 위험 요인 자체를 제거하거나 계획을 변경한다.
  · 수용 (Accept) : 대응하지 않고 위험을 감수한다.

■ 3과목 데이터 분석

• 계층적 군집분석 (Hierarchical Clustering)
  · 군집의 수를 미리 정하지 않고 관측치를 계층적으로 병합하거나 분리한다.
  · 병합적 방법 (Agglomerative) 과 분할적 방법 (Divisive) 으로 나뉜다.
  · 결과는 덴드로그램 (Dendrogram) 으로 표현되며, 상위 군집이 하위 군집을 포함하는 계층적 포함 구조를 가진다.
  
  
• 분할적 군집 (Partitional Clustering)
  · 계층적 군집화와 달리 일반적으로 군집의 수를 미리 정한다.
  · 대표 기법은 K-평균 군집분석 (K-means Clustering) 이다.
  
  
• CART (Classification And Regression Tree)
  · 범주형 종속변수에는 지니지수 (Gini Index) 를, 연속형 종속변수에는 분산 감소량을 사용하는 의사결정나무 알고리즘이다.
  · 항상 두 개의 자식 마디로 나누는 이진 분리 방식을 사용한다.
  
  
• 중앙값 (Median)
  · 데이터를 크기 순으로 나열했을 때 가운데 위치한 값이다.
  · 오답 지문) 중앙값은 이상값의 영향을 많이 받는다. (x) → 순위 기반이므로 이상값의 영향을 적게 받는다.
  · 반면 평균과 표준편차는 이상값에 민감하다.
  
  
• 다차원척도법 (MDS, Multi-Dimensional Scaling)
  · 데이터 간의 거리 또는 비유사성을 바탕으로 관계 구조를 저차원 공간에 시각적으로 표현하는 기법이다.
  · 비슷한 개체는 가깝게, 다른 개체는 멀리 배치한다.
  
  
• 의사결정나무의 카이제곱 통계량
  · 카이제곱 통계량이 클수록 분리된 노드 간 분포 차이가 커 이질적으로 잘 나뉘었음을 의미한다.
  · 각 노드 내부는 반대로 더 순수해지는 방향으로 분리된다.
  
  
• 회귀분석 관련 검정
  · F 검정 (F-test) : 선형회귀 모형 전체의 유의성을 평가한다.
  · t 검정 (t-test) : 개별 회귀계수의 유의성을 평가한다.
  · 카이제곱 검정 (Chi-square Test) : 범주형 데이터에서 사용한다.
  
  
• 정규화 회귀 (Regularized Regression)
  · 라쏘 (Lasso) : 회귀계수의 절댓값 합인 L1 패널티를 활용하며, 계수를 정확히 0으로 만들어 변수 선택 효과가 있다.
  · 릿지 (Ridge) : 회귀계수의 제곱합인 L2 패널티를 활용하며, 계수를 0에 가깝게 축소하되 0으로 만들지는 않는다.
  · 엘라스틱넷 (Elastic Net) : L1과 L2 패널티를 함께 사용한다.
  
  
• 앙상블 (Ensemble)
  · 배깅 (Bagging) 은 모델의 분산을 줄이는 역할을 하며 과적합 방지 효과가 있다.
  · 여러 모델을 학습한 뒤 평균을 내거나 다수결을 취하므로 과적합을 줄이는 방향으로 작동한다.
  · 부스팅 (Boosting) 은 주로 편향을 줄이는 효과가 있다.
  
  
• 모수 검정과 비모수 검정
  · 모수 검정 (Parametric Test) : 모집단의 분포를 가정하는 것이 핵심이며 t 검정, ANOVA, 회귀분석이 해당한다.
  · 비모수 검정 (Non-parametric Test) : 분포에 대한 가정 없이 순위나 부호를 기반으로 검정을 수행한다.
  
  
• 연관분석의 향상도 (Lift)
  · A와 B가 서로 독립이면 향상도는 1로 계산된다.
  · 1보다 크면 양의 연관, 1보다 작으면 음의 연관이다.
  
  
• 다중공선성 (Multicollinearity) 의 영향
  · 회귀계수의 표준오차가 증가해 추정이 불안정해지고 회귀계수 해석이 어려워진다.
  · 모형 전체는 유의한데 개별 계수는 유의하지 않게 나타나기도 한다.
  
  
• 상관계수와 독립성
  · 오답 지문) 상관계수가 0이면 두 변수는 서로 독립이다. (x)
  · 상관계수 0은 선형관계가 없다는 의미일 뿐이며, 곡선 형태의 비선형 관계는 존재할 수 있다.
  · 단 두 변수가 정규분포를 따를 경우에는 무상관과 독립이 일치한다.
  
  
• 지수평활법 (Exponential Smoothing)
  · 최신 데이터에 더 높은 가중치를 부여하고 과거로 갈수록 지속적으로 감소하는 가중치를 적용해 평균을 계산하는 방법이다.
  · 단기 예측에 적합하며 평활상수 (α) 가 클수록 최근 값의 영향이 커진다.