[Data Analysis] Data Visualization (데이터 시각화) & 시각적 인지

데이터 시각화란?

데이터 시각화는 데이터를 그래픽적 요소로 변환하여 시각적으로 표현하는 과정입니다.
이를 통해 복잡한 데이터를 이해하기 쉽게 만들고, 데이터에서 중요한 패턴과 인사이트를 도출할 수 있습니다.

데이터 시각화의 중요성

데이터를 시각화 하는것이 중요한 이유는 아래에 설명이 있습니다.

 

• 데이터 이해도 향상: 데이터 시각화는 데이터를 시각적으로 표현하여 이해하기 쉽게 만듭니다. 복잡한 수치 데이터나 텍스트 데이터를 그래프로 표현하면 더 직관적으로 이해할 수 있습니다.
• 패턴 인식: 데이터를 시각화하면 데이터 내의 패턴, 트렌드, 이상치를 쉽게 발견할 수 있습니다. 이는 데이터 분석과 의사결정에 중요한 역할을 합니다.
• 의사소통 강화: 데이터를 시각적으로 표현하면 데이터를 쉽게 전달하고 설명할 수 있어 의사소통이 원활해집니다.
• 데이터 탐색: 데이터 시각화는 데이터 탐색과 분석의 첫 단계로 사용될 수 있습니다. 이를 통해 데이터를 빠르게 탐색하고 분석 방향을 설정할 수 있습니다.

---

데이터 시각화의 구성 요소

기본 요소

• 점: 데이터 포인트를 나타내는 기본 요소로, 산점도(scatter plot)에서 사용됩니다.
• 선: 데이터의 변화를 나타내는 요소로, 선 그래프(line chart)에서 사용됩니다.
• 막대: 범주형 데이터를 비교하는 데 사용되며, 막대 그래프(bar chart)에서 사용됩니다.
• 색상: 데이터를 구분하거나 강조하는 데 사용됩니다.
• 크기: 데이터의 크기를 표현하는 데 사용됩니다. 버블 차트(bubble chart)에서 주로 사용됩니다.
• 원: 원형 차트(pie chart)나 도넛 차트(donut chart)에서 데이터의 비율을 나타내는 데 사용됩니다.

시각화 도구

• Excel: 간단한 데이터 시각화에 사용되며, 다양한 그래프와 차트를 지원합니다.
• Tableau: 강력한 데이터 시각화 도구로, 복잡한 데이터를 쉽게 시각화하고 대시보드를 만들 수 있습니다.
• Power BI: 데이터 분석과 시각화를 위한 도구로, 인터랙티브한 보고서를 생성할 수 있습니다.
• Python:
  • matplotlib: 기본적인 시각화를 제공하는 라이브러리로, 커스터마이징이 용이합니다.
  • seaborn: matplotlib 기반의 고급 시각화 라이브러리로, 통계적 그래프를 쉽게 그릴 수 있습니다.

---

시각화 도구 선택 가이드

위에 시각화 도구 Excel, Tableau, Power BI, Python(matplotlib, seaborn)에 데하여 간단히 설명했습니다.
이 시각화 도구들에 데하여 자세히 설명해 보겠습니다.

Excel

Microsoft의 스프레드시트 프로그램으로, 데이터 관리와 기본적인 시각화 기능을 제공합니다.

• 장점:
  • 사용 용이성: 직관적인 인터페이스로 드래그 앤 드롭으로 차트를 생성할 수 있습니다.
  • 광범위한 사용: 대부분의 비즈니스 환경에서 이미 사용되고 있어 접근성과 사용이 용이합니다.
  • 기본 통계 기능: 기본적인 통계 분석 및 피벗 테이블 기능을 포함합니다.
• 단점:
  • 복잡한 시각화 제한: 고급 시각화 및 대규모 데이터 처리에 한계가 있습니다.
  • 확장성 부족: 대용량 데이터 처리 및 실시간 데이터 시각화에 제약이 있습니다.
• 선택 이유:
  • 사용이 간편하고 대부분의 비즈니스 사용자들이 이미 익숙합니다.
  • 빠른 데이터 시각화가 필요할 때 적합합니다.

 

Tableau

강력한 데이터 시각화 도구로, 다양한 데이터 소스와의 통합 및 인터랙티브 시각화 기능을 제공합니다.

• 장점:
  • 인터랙티브 시각화: 대화형 대시보드와 실시간 데이터 업데이트가 가능합니다.
  • 사용자 친화적: 드래그 앤 드롭 인터페이스로 쉽게 시각화할 수 있습니다.
  • 다양한 데이터 소스 통합: 여러 데이터베이스와 파일 포맷을 연결할 수 있습니다.
• 단점:
  • 비용: 라이선스 비용이 높은 편입니다.
  • 복잡한 기능 학습 필요: 고급 기능 사용을 위해 추가 학습이 필요합니다.
• 선택 이유:
  • 복잡한 데이터 시각화 및 실시간 데이터 모니터링이 필요할 때.
  • 대화형 시각화 및 사용자 정의 대시보드 작성이 필요할 때.

 

Power BI

Microsoft의 비즈니스 분석 서비스로, 데이터 분석 및 시각화 기능을 제공합니다.

• 장점:
  • Microsoft 생태계 통합: Excel, Azure 등과 원활히 통합됩니다.
  • 사용자 친화적: 친숙한 인터페이스와 쉬운 학습 곡선.
  • 실시간 데이터: 실시간 데이터 피드와 자동 업데이트 기능.
• 단점:
  • 제한된 고급 분석 기능: 일부 고급 시각화 기능이 제한적입니다.
  • 데이터 처리 한계: 대규모 데이터 처리 시 성능 저하가 발생할 수 있습니다.
• 선택 이유:
  • Microsoft 환경과의 통합 및 실시간 비즈니스 분석이 필요할 때.
  • 쉬운 데이터 시각화와 빠른 배포가 필요할 때.

 

Python (matplotlib, seaborn)

프로그래밍 언어인 Python을 사용한 데이터 시각화 라이브러리 입니다.

matplotlib은 기본적인 시각화 도구이고, seaborn은 통계적 시각화를 강화합니다.

• 장점:
  • 고급 시각화: 복잡한 데이터 시각화 및 커스터마이징이 가능합니다.
  • 오픈 소스: 무료로 사용 가능하며, 커뮤니티 지원이 활발합니다.
  • 통합 분석: 데이터 분석, 처리 및 시각화를 하나의 환경에서 수행할 수 있습니다.
• 단점:
  • 코딩 필요: 프로그래밍 지식이 필요합니다.
  • 학습 곡선: 초보자에게는 학습이 다소 어려울 수 있습니다.
• 선택 이유:
  • 복잡한 시각화와 데이터 분석을 통합하여 수행할 필요가 있을 때.
  • 커스터마이징이 필요한 고급 시각화가 필요할 때.

---

데이터 시각화의 목적

그러면 우리가 왜 데이터를 시각화를 해야하는 이유는 무엇일까요?

• 데이터 패턴 인식, 통찰력 제공, 의사결정 지원, 정보 전달등의 목적이 있습니다. 자세히 설명해 보겠습니다.

데이터 패턴 인식

• 데이터 시각화는 데이터를 시각적으로 표현하여 데이터의 패턴과 트렌드를 쉽게 식별할 수 있게 합니다.
• 예시: 시간에 따른 판매 추이를 선 그래프로 나타내어 계절적 변동이나 특정 이벤트와의 관계를 파악할 수 있습니다.

import matplotlib.pyplot as plt

# 예제 데이터
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
sales = [120, 150, 180, 170, 160, 210, 200, 230, 240, 250, 220, 210]

# 선 그래프 그리기
plt.plot(months, sales, marker='o')
plt.title('Monthly Sales Trend')
plt.xlabel('Month')
plt.ylabel('Sales')
plt.grid(True)
plt.show()

 

 

 

통찰력 제공

• 데이터 시각화를 통해 데이터를 분석하고 의미 있는 인사이트를 도출할 수 있습니다.
• 예시: 산점도를 사용하여 변수 간의 관계를 시각화하고 상관관계를 파악할 수 있습니다.

import seaborn as sns
import pandas as pd
import numpy as np

# 예제 데이터 생성
data = pd.DataFrame({
    'Height': np.random.rand(100) * 50 + 150,
    'Weight': np.random.rand(100) * 30 + 50
})

# 산점도 그리기
sns.scatterplot(x='Height', y='Weight', data=data)
plt.title('Height vs Weight')
plt.xlabel('Height (cm)')
plt.ylabel('Weight (kg)')
plt.show()

 

 

의사결정 지원

• 데이터 기반의 전략적 의사결정을 지원하기 위해 시각화를 활용합니다.
• 예시: 대시보드를 사용하여 여러 KPI를 한눈에 파악하고, 이를 기반으로 경영진이 신속한 의사결정을 내릴 수 있습니다.

import matplotlib.pyplot as plt
import numpy as np

# 예제 데이터
kpi_names = ['Revenue', 'Profit', 'Customer Satisfaction', 'Market Share']
kpi_values = [75, 60, 85, 55]

# 막대 그래프 그리기
plt.bar(kpi_names, kpi_values, color='skyblue')
plt.title('Company KPI Overview')
plt.ylabel('Performance')
plt.ylim(0, 100)
plt.show()

 

정보 전달

• 복잡한 정보를 명확하고 간결하게 전달하여 이해도를 높입니다.
• 예시: 파이 차트를 사용하여 시장 점유율을 시각적으로 나타내면, 각 경쟁사의 점유율을 쉽게 비교할 수 있습니다.

# 예제 데이터
labels = ['Company A', 'Company B', 'Company C', 'Company D']
sizes = [30, 25, 20, 25]
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue']

# 파이 차트 그리기
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140)
plt.title('Market Share')
plt.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()

 

---

시각화의 중요성

데이터를 시각화를 하는게 왜 중요한지 한번 알아보겠습니다.

1. 복잡한 데이터의 이해도 향상

• 데이터 시각화는 복잡한 데이터 세트를 직관적으로 이해할 수 있게 합니다.
• 데이터 시각화를 통해 수치 데이터나 복잡한 데이터 구조를 그래픽으로 표현하면, 데이터의 주요 특징과 패턴을 쉽게 파악할 수 있습니다. 이를 통해 데이터를 보다 직관적으로 이해할 수 있습니다.

2. 효율적인 커뮤니케이션

• 데이터 시각화는 시각적 자료를 통해 정보 전달의 효율성을 높입니다.
• 시각적 자료는 텍스트나 수치 데이터보다 더 빠르게 이해할 수 있으며, 복잡한 정보를 명확하고 간결하게 전달할 수 있습니다. 이를 통해 효율적인 커뮤니케이션이 가능해집니다.

3. 데이터 기반 의사결정

• 데이터 시각화는 데이터에 기반한 신뢰성 높은 결정을 내릴 수 있게 합니다.
• 데이터를 시각적으로 분석하면 중요한 인사이트를 도출할 수 있으며, 이를 바탕으로 신뢰성 높은 결정을 내릴 수 있습니다. 데이터 기반의 의사결정은 주관적 판단의 오류를 줄이고 객관성을 높여줍니다.

4. 심리적 효과

• 사람들은 시각적 정보를 더 빠르고 정확하게 처리합니다.
• 인간의 뇌는 시각적 정보를 처리하는 데 뛰어나며, 복잡한 텍스트나 수치보다 시각적 자료를 더 빠르게 이해하고 기억합니다. 따라서 데이터 시각화는 데이터의 효과적인 전달과 이해를 촉진합니다.

---

시각적 인지

시각적 인지는 인간이 시각적 자극을 통해 정보를 처리하고 해석하는 과정입니다.
이를 통해 빠르고 효율적으로 정보를 이해할 수 있게 합니다.

• 시각적 자극을 받아들이고, 이를 통해 의미 있는 정보를 도출합니다.
• 또한 시각적 정보를 해석하여 결론을 내립니다.

시각적 인지와 데이터 시각화의 관계

효율적 정보 전달

시각적 인지를 활용하여 데이터를 효과적으로 전달할 수 있습니다.

또한 시각적 표현을 통해 복잡한 데이터도 쉽게 이해할 수 있습니다.

• 예시: 시각적 대시보드를 통해 중요한 비즈니스 지표를 한눈에 파악할 수 있습니다.

의사결정 지원

시각적 인지를 통해 데이터 기반 의사결정의 신뢰성을 향상시킬 수 있습니다.

시각화된 데이터를 보면, 중요한 패턴과 트렌드를 쉽게 파악하여 신속하고 정확한 의사결정을 내릴 수 있습니다.

• 예시: 실시간 데이터 시각화를 통해 빠른 의사결정이 필요할 때 도움이 됩니다.

 

인간의 시각적 인지 능력

패턴 인식

• 인간의 뇌는 패턴을 인식하는 데 뛰어납니다. 시각적 데이터를 통해 빠르게 패턴과 트렌드를 식별할 수 있습니다.
• 시간에 따른 판매 추이를 그래프로 나타내면, 계절적 변동이나 특정 이벤트와의 관계를 쉽게 파악할 수 있습니다.

정보 우선순위

• 시각적 요소를 통해 중요한 정보를 강조할 수 있습니다.
• 크기, 색상, 위치 등의 요소를 활용하여 중요한 정보에 대한 주의를 끌 수 있습니다.
• 대시보드에서 빨간색으로 표시된 경고 메시지는 사용자에게 즉각적인 주의를 끌게 합니다.

---

정보처리과정에서 시각적 요소의 역할

초기 시각 처리 단계

• 기본 시각적 요소 인식
  • 인간의 뇌는 색상, 형태, 크기 등 기본 시각적 요소를 빠르게 인식합니다.
  • 이러한 기본적인 시각적 특징을 통해 정보의 우선순위를 정합니다.
• 예시
  • 색상이 다른 데이터 포인트는 더 쉽게 주의를 끌며, 중요한 정보를 강조하는 데 사용될 수 있습니다.
  • 크기가 다른 요소는 중요도에 따라 정보의 우선순위를 시각적으로 표현할 수 있습니다.

중간 시각 처리 단계

 

• 패턴과 그룹화 인식
  • 인간의 뇌는 시각적 데이터를 통해 패턴과 그룹을 인식합니다.
  • 이를 통해 데이터의 연관성과 관계를 파악할 수 있습니다.
• 시각적 요소의 통합
  • 중간 단계에서는 시각적 요소들을 통합하여 데이터를 해석합니다.
  • 다양한 시각적 요소를 결합하여 더 깊은 이해를 도출합니다.

통합 과정

• 전체적인 의미 파악
  • 최종적으로, 다양한 시각적 요소를 통합하여 전체적인 의미를 파악합니다.
  • 이를 통해 시각적 데이터를 종합적으로 해석하고 인사이트를 도출합니다.
• 예시: 대시보드에서 여러 차트와 그래프를 통합하여 비즈니스의 전반적인 성과를 시각적으로 표현합니다.

---

시각적 인지의 기초

색상의 영향력

1. 심리적 반응

• 색상은 감정적 반응을 유발하며, 특정 색상은 특정한 심리적 반응을 일으킵니다.
• 예시: 빨간색: 경고, 위험, 긴장감을 유발, 녹색: 안전, 긍정, 편안함을 유발.

2. 정보 전달

• 색상을 통해 데이터의 중요한 부분을 강조할 수 있습니다.
• 예시: 차트에서 중요한 데이터 포인트를 강조하기 위해 색상을 사용.

 

형태의 영향력

1. 데이터 구분과 그룹화

• 다양한 형태를 사용하여 데이터를 구분하고 그룹화할 수 있습니다.
• 예시: 다른 형태를 사용하여 데이터의 그룹을 시각적으로 구분.

2. 형태를 통한 의미 전달

• 원, 사각형, 삼각형 등의 기본 도형을 사용하여 데이터를 시각적으로 표현할 수 있습니다.
• 예시: 각 도형의 특성을 통해 데이터를 직관적으로 이해.

 

크기의 중요성

크기를 통해 데이터의 상대적 중요성을 전달할 수 있으며, 크기 차이의 비율을 통해 데이터를 명확하게 표현할 수 있습니다.

 

• 큰 요소: 중요한 데이터를 나타냅니다.
• 작은 요소: 덜 중요한 데이터를 나타냅니다.