67 오픈데이터 분석
오픈데이터 분석은 공개 데이터셋과 API를 활용해 데이터 수집, 정제, 탐색, 시각화, 대시보드 보고까지 수행하는 실무형 분석 교육으로 구성한다.
0. 교육을 하는 이유와 궁극적인 목표
오픈데이터 분석 교육의 궁극적인 목표는 학습자가 Kaggle, Google Dataset Search, data.gov, data.gov.uk, EU Open Data Portal, 공공데이터포털, GitHub 공개 데이터셋을 활용해 실제 데이터를 수집·정제·분석하고 Python, SQL, pandas, Tableau, Power BI, Looker Studio로 의사결정 가능한 인사이트를 도출하는 것이다. 민간 데이터 분석 부트캠프와 BI 실무 교육의 흐름을 참고해 포트폴리오 중심으로 운영한다.
참고한 유료형 교육 흐름
- 민간 데이터 분석 부트캠프의 Python·SQL·BI 기반 실무 프로젝트 흐름
- 유료 데이터 시각화 과정의 데이터 스토리텔링, 대시보드, 보고서 작성 방식
- API·CSV·JSON 데이터 수집 과정의 자동화, 정제, 품질 점검 실습
- 취업 포트폴리오형 교육의 문제정의, 분석노트북, 발표자료 제작 구조
입문 · 1일
입문 1일 오픈데이터 분석 교육과정
공개 데이터셋을 찾고 스프레드시트로 기초 분석 결과를 만든다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 오픈데이터의 출처와 품질을 이해한다. | Kaggle, Google Dataset Search, data.gov, data.go.kr, OECD Data에서 주제별 데이터를 검색하고 파일 형식을 비교한다. CSV, XLSX, JSON, API, 라이선스, 갱신주기, 결측률, 컬럼 설명을 데이터 탐색 체크리스트로 점검한다. |
| 목표 2 | 기초 탐색 분석을 수행한다. | Excel 또는 Google Sheets에서 필터, 정렬, 피벗테이블, 조건부 서식으로 데이터 패턴을 찾는다. 평균, 합계, 비율, 순위, 전년 대비 증감률을 계산해 데이터 요약표를 작성한다. |
| 목표 3 | 간단한 분석 보고서를 만든다. | 막대차트, 선차트, 히트맵, 지도 시각화 사례를 활용해 핵심 지표를 시각화한다. PowerPoint 또는 Canva로 분석 질문, 데이터 출처, 주요 발견, 한계가 포함된 1페이지 보고서를 만든다. |
| 사용 플랫폼 | Excel 365, Google Sheets, Kaggle, Google Dataset Search, data.gov, data.go.kr, Canva, PowerPoint |
|---|---|
| 강사 스펙 | 오픈데이터 탐색, 스프레드시트 분석, 기초 통계·시각화 교육 2년 이상 |
| 수업대상 | 데이터 분석 입문자, 청소년·대학생, 사무직, 취업 준비생, 시민 데이터 활동가 |
| 소요시간 | 4-6시간 |
| 준비물 | 노트북, 인터넷, Google 계정, 스프레드시트 도구, 공개 데이터 샘플 |
| 산출물 | 데이터 탐색표, 기초 분석표, 1페이지 오픈데이터 분석 보고서 |
| 평가방법 | 데이터 탐색 25%, 정제 25%, 분석 25%, 보고서 15%, 참여도 10% |
초급 · 3일
초급 3일 오픈데이터 분석 교육과정
Python과 BI 도구를 사용해 공개 데이터를 정제하고 시각화한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | Python 기반 데이터 불러오기를 익힌다. | Google Colab 또는 Jupyter Notebook에서 pandas read_csv, read_excel, read_json으로 데이터를 불러온다. 데이터 타입, 결측값, 중복값, 이상값, 컬럼명, 날짜 형식을 pandas info, describe, isna로 점검한다. |
| 목표 2 | 분석용 데이터셋을 만든다. | pandas dropna, fillna, groupby, pivot_table, merge를 사용해 분석 목적에 맞게 데이터를 정제한다. SQL SELECT, WHERE, GROUP BY, JOIN의 개념을 SQLite 또는 DuckDB로 실습해 표 기반 분석 흐름을 익힌다. |
| 목표 3 | 시각화와 대시보드 초안을 만든다. | matplotlib, Plotly, Tableau Public, Power BI 중 도구를 선택해 비교·추세·분포 차트를 제작한다. Looker Studio 또는 Power BI로 KPI 카드, 필터, 표, 차트를 배치한 대시보드 초안을 만든다. |
| 사용 플랫폼 | Python, pandas, Google Colab, Jupyter Notebook, SQLite/DuckDB, Tableau Public, Power BI, Looker Studio |
|---|---|
| 강사 스펙 | Python 데이터 분석, SQL 기초, BI 대시보드, 데이터 시각화 교육 3년 이상 |
| 수업대상 | 대학생, 취업 준비생, 사무직 데이터 담당자, 마케팅·교육 운영 실무자 |
| 소요시간 | 12-18시간 |
| 준비물 | 노트북, Google 계정, Python/Colab 환경, BI 도구 계정, 공개 데이터셋 |
| 산출물 | 정제 데이터셋, 분석 노트북, 시각화 차트, 대시보드 초안 |
| 평가방법 | Python 실습 25%, 정제 25%, 분석 20%, 시각화 20%, 발표 10% |
초급 · 1주
초급 1주 오픈데이터 분석 교육과정
실제 문제를 정의하고 다중 오픈데이터를 결합해 분석 프로젝트를 수행한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 분석 질문과 지표를 설계한다. | 사회, 교육, 관광, 환경, 교통, 소비 분야 중 하나를 선택해 분석 질문과 가설을 작성한다. KPI, 보조지표, 차원, 필터, 비교 기준, 목표값을 지표 정의서로 정리한다. |
| 목표 2 | 다중 데이터 결합 분석을 수행한다. | 행정구역, 날짜, 제품군, 연령대, 좌표 등 공통 키를 기준으로 CSV·API 데이터를 병합한다. pandas merge, concat, groupby와 Power Query 병합 기능을 비교하며 같은 분석 결과를 만든다. |
| 목표 3 | 인사이트 중심 결과물을 완성한다. | Tableau Public 또는 Power BI에서 탐색형 대시보드와 설명형 보고 페이지를 구분해 제작한다. 데이터 한계, 해석 오류 가능성, 추가 수집 계획을 포함해 포트폴리오 발표자료를 구성한다. |
| 사용 플랫폼 | Kaggle, data.gov, EU Open Data Portal, Python, pandas, Power Query, Tableau Public, Power BI, PowerPoint |
|---|---|
| 강사 스펙 | 데이터 프로젝트 기획, Python·BI 실습, 데이터 스토리텔링 코칭 3년 이상 |
| 수업대상 | 데이터 포트폴리오 준비생, 공모전 팀, 청년 창업팀, 교육·정책 프로젝트 담당자 |
| 소요시간 | 20-30시간 |
| 준비물 | 노트북, Python/BI 환경, 공개 데이터 2종 이상, 발표자료 템플릿 |
| 산출물 | 분석기획서, 결합 데이터셋, BI 대시보드, 발표자료 |
| 평가방법 | 문제정의 20%, 데이터 결합 25%, 분석 25%, 보고서 20%, 발표 10% |
중급 · 4주
중급 4주 오픈데이터 분석 교육과정
수집 자동화와 통계·공간 분석을 포함한 실무 분석 프로젝트를 완성한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 데이터 수집 파이프라인을 구축한다. | requests, BeautifulSoup, API 인증키, 페이지네이션, 응답 오류 처리, 로그 저장 절차를 설계한다. GitHub Actions 또는 Windows 작업 스케줄러 사례를 통해 주기적 수집 자동화 구조를 만든다. |
| 목표 2 | 고급 탐색 분석을 수행한다. | pandas, seaborn 대체 matplotlib/Plotly, scipy를 활용해 상관관계, 분포, 군집 후보, 시계열 패턴을 분석한다. GeoPandas, Folium, QGIS 사례로 좌표·행정구역 기반 공간 데이터를 지도화한다. |
| 목표 3 | 분석 결과를 운영 가능한 형태로 배포한다. | Streamlit 또는 Power BI Service 사례를 활용해 사용자가 필터를 조작할 수 있는 분석 화면을 만든다. Notion 또는 Google Docs에 데이터 사전, 코드 설명, 재현 절차, 윤리·저작권 점검표를 문서화한다. |
| 사용 플랫폼 | Python, requests, pandas, Plotly, GeoPandas/Folium/QGIS 사례, Streamlit, Power BI Service, GitHub, Notion |
|---|---|
| 강사 스펙 | API 자동수집, Python 분석, 공간·시계열 분석, 대시보드 배포 경험 4년 이상 |
| 수업대상 | 데이터 분석 실무자, 연구보조자, 공공·민간 프로젝트 PM, 취업 포트폴리오 심화 학습자 |
| 소요시간 | 40-60시간 |
| 준비물 | 고성능 노트북, Python 개발환경, GitHub 계정, API 키, BI 계정, 프로젝트 문서 양식 |
| 산출물 | 수집 자동화 코드, 분석 노트북, 지도·대시보드, 운영 문서 |
| 평가방법 | 파이프라인 25%, 분석 30%, 배포 20%, 문서화 15%, 발표 10% |
심화 · 8주
심화 8주 오픈데이터 분석 교육과정
데이터 제품, 컨설팅 보고서, 강의자료까지 연결되는 종합 프로젝트를 수행한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 오픈데이터 분석 제품을 기획한다. | 사용자 페르소나, 의사결정 시나리오, 데이터 가치, 수익화 또는 교육 활용 모델을 설계한다. ERD, 데이터 카탈로그, 지표 정의서, 분석 로드맵, MVP 기능 명세를 작성한다. |
| 목표 2 | 통합 분석 시스템을 구축한다. | Python ETL, PostgreSQL/SQLite, FastAPI 또는 Streamlit, BI 대시보드를 연결해 end-to-end 분석 흐름을 만든다. 예측 후보 모델, 이상 탐지, 지역 우선순위 점수 등 확장 분석을 실험하고 결과를 검증한다. |
| 목표 3 | 포트폴리오와 교육자료를 완성한다. | GitHub README, 발표자료, 대시보드 링크, 분석 보고서를 묶은 취업·컨설팅용 포트폴리오를 구성한다. 입문자용 실습 데이터, 단계별 교안, 퀴즈, 평가 루브릭, 강사용 운영 매뉴얼을 제작한다. |
| 사용 플랫폼 | Python, pandas, SQLAlchemy, PostgreSQL/SQLite, FastAPI/Streamlit, GitHub, Power BI/Tableau/Looker Studio, Notion |
|---|---|
| 강사 스펙 | 데이터 제품 기획, ETL·DB·웹 프로토타입, BI 컨설팅, 교육자료 개발 5년 이상 |
| 수업대상 | 데이터 분석 강사 양성과정, 데이터 제품 기획자, 청년 창업팀, 고급 포트폴리오 준비생 |
| 소요시간 | 80-120시간 |
| 준비물 | 고성능 노트북, Python/DB 환경, GitHub 계정, 공개 데이터셋, BI 계정, 발표자료 도구 |
| 산출물 | 오픈데이터 제품 기획서, ETL 코드, DB, 웹/대시보드 MVP, 교육자료 |
| 평가방법 | 제품기획 20%, 시스템구축 30%, 분석품질 20%, 교육자료 15%, 최종발표 15% |