고객 만족! 고객 감동!을 실현하는 정보시스템 전문 기업 (주)키삭입니다.

KISAC Mail

데이터

분석/가시화/거래

Data Business

KISAC

HOME >> 데이터사업 > 분석/가시화/거래

데이터 품질인증/거래/분석/정제/전처리/가공 및 구축에 관련 상담과 업무에 대해 신청을 지원합니다. 》》》》

빅데이터 분석 결과는 합리적인 의사결정의 근거 자료가 된다. 합리적인 의사결정 지원을 위해 빅데이터의 분석 결과를 적절한 시각화 형태로 전달하는 것이 중요하며, 이러한 니즈가 바로 데이터시각화의 핵심이다.

정보 시각화를 기반으로 한 빅데이터 시각화

데이터시각화는 데이터 분석 결과를 쉽게 이해할 수 있도록 시각적인 수단으로 정보를 전달하 는 과정을 의미한다. 빅데이터 내에 수많은 패턴들을 시각화하여 핵심 개념과 아이디어를 직 관적이고 명확하게 이해할 수 있도록 하는 것이 데이터시각화의 목적이다. 데이터시각화는 차 트, 그래프, 맵과 같은 시각적 요소를 사용하여 빅데이터에서 추세, 이상 값 및 패턴을 쉽게 이해할 수 있도록 하는 기법이다. 빅데이터의 세계에서 데이터시각화 도구는 막대한 양의 정 보를 분석하고 데이터 기반 의사결정을 내리는 데 필수적이다.
빅데이터 시각화는 정보 시각화를 기반으로 하고 있다. 정보 시각화는 대규모 수량, 비수량 데이터를 색채, 통계, 이미지 등을 활용해서 시각적으로 표현하는 것을 의미한다. 정보 시각화 방법에는 시간 시각화, 분포 시각화, 관계 시각화, 비교 시각화 및 공간 시각화가 있다. 다양한 시각화 방식을 통해 정보 전달 시간을 단축하고, 빅데이터에서 도출된 유의미한 인사이트를 비즈니스에 빠르게 적용하도록 할 수 있다.

[그림 1] 주요 시각화 방법

◎ 출처 ? 데이터베이스 진흥원, 데이터 분석 전문가 과정 3장 시각화 방법

시간 시각화 기법

빅데이터에서 시간과 관련된 데이터를 전달하고자 할 경우 시간 시각화 기법이 사용된다. 시 계열 데이터에서 가장 큰 특징은 트렌드이다. 시간의 흐름에 따라 인구 분포가 변화하고, 사업 영역이 변화하고, 사람들의 취향이 변화한다. 이러한 변화가 얼마나 진행되었는지 측정해서 기 록한 것이 시계열 데이터이다. 변화의 패턴을 찾아서 트렌드를 알기 위해서는 개별 측정 데이 터보다는 전체적인 변화의 추이를 알아야만 한다. 즉, 한가지 구간에 대한 특정 값보다는 다구 간에 걸친 데이터 변화량의 전달이 더 중요하다. 시간 시각화를 통해 전체적인 데이터의 변경 추이, 급격하게 데이터가 증가하거나 감소된 구간이 있는지, 눈에 띄는 특정 구간이 있는지, 일정한 패턴이 있는지 여부를 확인할 수 있다.
시간 시각화는 막대 그래프, 누적 막대 그래프, 점 그래프 등으로 표시될 수 있다. [그림 2]는 코스피 지수의 추이를 시간 시각화 형태로 나타낸 것이다. 코스피 지수의 5개년 트렌드는 우 상향하는 방향으로 이동하고 있는 것을 확인할 수 있다. 2020년 초에 기존 트렌드와 다르게 급격하게 지수가 감소한 부분을 확인할 수 있다. 이러한 그래프를 통해 해당 시점에 코로나19 로 인해 주식 시장에 부정적인 영향을 상당히 주었다는 것을 확인할 수 있다.

[그림 2] 시간 시각화 예시: 코스피 지수 추이

◎ 출처 ? 구글 코스피 지수

분포 시각화 기법

분포 시각화는 데이터의 전체적인 분포를 확인하기 위한 시각화 방식이다. 시간 시각화의 단 위가 시간인 것과 달리, 분포 시각화의 단위는 분류, 세부 분류 및 가짓수이다. 분포 시각화 자료를 통해 빅데이터의 최대, 최소, 전체 분포를 확인할 수 있다. 분포 시각화에는 트리맵 차트, 파이 차트, 도넛 차트, 누적 연속 그래프 등이 사용된다.
[그림 3]는 코로나19 확산을 분포 시각화 형태로 분석한 대시보드이다. 확진자 수가 많은 지역은 더 짙은 색으로 표시되어 있어 어느 지역에 확진자가 가장 많은지 한눈에 확인이 가능하다.

[그림 3] 분포 시각화 예시: 코로나19 확산 분석 대시보드

◎ 출처 ? 분포 시각화 예시: 코로나19 확산 분석 대시보드

[그림 4]은 분포 시각화에서 가장 많이 쓰이는 형태 중 하나인 트리맵 형태로 나타난 S&P500의 동향을 나타낸 차트이다. S&P500 중 규모가 큰 종목들일수록 사각형의 크기가 크게 나타나고, 종목의 변동에 따라 색상으로 차트가 표시가 된다. 하기 차트를 통해 사용자들 은 전체적인 주가 동향 및 섹터(기술, 금융, 커뮤니케이션 섹터 등) 별 주가 동향을 한눈에 확 인할 수 있다.

[그림 4] 분포 시각화 예시: S&P500 동향 차트

◎ 출처 ? finviz.com

관계 시각화 기법

빅데이터를 통해 확인할 수 있는 중요한 지표는 데이터 간의 관계이다. 집단 간에 유사점이 있는지, 특정 집단의 소집단이 존재하는지, 집단 간의 상관관계가 있는지 여부를 관계 시각화 를 통해 확인할 수 있다. 관계 시각화에는 버블 차트, 히스토그램, 스캐터 플릿 등이 사용된다. 관계 시각화에 가장 많이 사용되는 차트는 이 중에서도 버블 차트이다. [그림 5]은 인공 신경망 모델들의 성능을 버블 차트로 나타낸 것이다. 가로축은 정확도, 세로 축은 F1-Score로 구현하여 모델 각각에 대한 성능을 나타내며, 버블의 크기로 재현율을 표시 하고 있다. 해당 버블 차트를 통해 신경망 모델들의 전체적인 정확도 및 F1-Score 추이를 알 수 있으며, 특정 신경망 모델의 성능이 다른 신경망 모델들에 비해 압도적으로 높은 것을 한 눈에 확인할 수 있다. 즉, 사용자들은 버블 차트를 통해 신경망 모델들의 성능 추이 및 모델들 각각의 개별 성능을 한눈에 비교할 수 있다.

[그림 5] 관계 시각화 예시: 신경망 모델별 성능 버블 차트

◎ 출처 ? Github, “[Python] 버블차트로 모델 성능 표현하기”, 2019.01

비교 시각화 기법

비교 시각화 기법은 하나 이상의 변수를 기준으로 대상을 비교할 수 있도록 하는 기법이다. 한 개 또는 두 개의 변수로 대상을 비교하는 것은 비교적 간단하나, 비교 대상이 많아지거나 비교 변수의 개수가 늘어날 경우 고도화된 시각화 기법이 필요하다. 시각화 기법을 활용하지 않을 경우, 비교해야 할 대상의 숫자에 비교하려는 변수의 숫자를 곱한 만큼의 단위 비교 목록을 체크해야 한다는 문제가 존재한다. 비교 시각화 기법으로는 데이터를 전체적으로 시각화한 후, 흥미로운 부분을 선택적으로 자세히 시각화하는 것이 일반적인 접근 방법이다. 데이터를 한눈에 볼 수 있도록 값을 색으로 나타내어 표로 도식화하는 히트맵(Heatmap) 또는 히트 행렬(Heat matrix)이 비교 시각화 기법에 일반적으로 사용되고 있다. 그 외에도 비교 시각화 기법에는 스타 차트, 평행 좌표계, 다차원 적도법 등이 사용된다.

[그림 6] 비교 시각화 예시: 미국의 주별 범죄 동향

◎ 출처 ? Tableau public “Crime Waves in the States”

[그림 6]은 미국의 주별 범죄 종류 및 연도에 따른 범죄 횟수를 히트맵으로 나타낸 것이다. 히트맵을 이용하여 주별 범죄 발생 동향, 범죄 종류별 범죄 발생 동향, 그리고 연도별 범죄 발생 동향을 확인할 수 있다. 해당 히트맵은 주, 범죄 종류 및 연도 3가지 변수를 이용하여 시각화 자료를 표현한 것이다. 십만 건 이상의 미국 주별 범죄 현황을 데이터 각각으로 보면 동향을 파악하는 것이 어렵지만, 위와 같은 히트맵을 활용할 경우, 단 한 장의 차트 만으로도 다양한 관점의 분석이 가능하다. 즉, 히트맵은 전체 데이터를 한눈에 볼 수 있다는 장점이 있으며, 가지고 있는 데이터가 여러 개의 변수로 구성되더라도 일정 기준에 따라 분류하거나 단위에 따라 나누어 예외적인 값을 찾아낼 수 있다.

공간 시각화 기법

공간 시각화는 지도 맵핑 방식을 통해 구현된다. 구체적으로, 공간 시각화는 지도에 특정 시간 단위의 값을 맵핑하거나, 지도에 다양한 분류 값들을 맵핑하는 시각화 방식이다. 지도는 직관성을 폭넓게 활용한 시각화의 한 분야로, 지도를 읽는 것과 통계 그래픽을 읽는 방법은 매우 유사하다. 지도는 위치와 거리에 대한 직관적인 정보를 내포하고 있다. 위치와 색상 구분을 명확히 하고, 라벨이 위치를 가리지 않도록 정확한 투사 방식을 통해 지도를 기반으로 한 시각화 결과를 생성할 수 있다. 예를 들어, 시간 변수를 반영한 공간 시각화 방식에는 애니메이션으로 특정 지역의 경제적인 성장 또는 몰락을 시각화할 수 있다. [그림 7]는 서울시의 각 구를 기준으로 각 구에 포함된 SNS 데이터의 총 건수를 숫자로 나타내고 있으며, 파이 차트는 해당 구의 SNS 데이터의 총 건수에서 트위터, 인스타그램, 유튜브가 차지하는 비율을 보여주고 있다

[그림 7] 공간 시각화 예시: 서울시 구별 SNS 데이터 분포

◎ 출처 ? 서양모, 김원균 “공간빅데이터를 위한 정보 시각화 방법” 한국공간정보학회지 v.23, no. 6, pp. 2015. 12

데이터시각화 기술 관련 특허동향

[그림 8]은 데이터시각화 기술과 관련된 특허 출원 동향을 연도별, 기술별로 나타내었다. 데 이터시각화 관련 기술은 미국의 유수 대기업들이 글로벌 시장의 대부분을 선점하고 있어, 해 외 출원 특허를 함께 검색 시 해외 출원인들 위주로 검색 결과가 도출되어 국내 기업들의 출 원 동향을 확인하기 어려우므로 특허 검색은 국내에 한정하여 진행하였다. 특허 검색 시기와 관련하여, 빅데이터가 활용되기 시작한 시점이 2000년대 중반이라는 점을 고려하여, 2005년 이후 출원 건으로 한정하였다. 전체 조사 특허 건수는 총 1,458건이며, 데이터시각화 기술은 크게 전처리 기술과 시각화 기술로 분류된다. 전처리 기술은 빅데이터를 시각화하기 위해 빅 데이터를 전처리하는 작업들을 의미한다. 위에 기술한 빅데이터의 수집부터 분석까지가 빅데 이터 전처리 기술에 해당한다. 시각화 기술은 전처리된 빅데이터를 사용자들이 한눈에 알아볼 수 있도록 시각화하는 기술을 의미한다. 기술 분류 별 출원 비중을 살펴보면, 전처리 기술이 44%, 시각화 기술이 56%를 차지하였다. 일반적인 빅데이터 전처리 기술들은 빅데이터 시각 화 기술보다 훨씬 더 많은 비중을 차지하나, 해당 특허 분석은 빅데이터 시각화를 위한 전처 리 기술로 한정하였으므로, 시각화 기술보다 더 적은 비중을 차지하는 것으로 나타내고 있다. 2000년대 중반 이후 데이터시각화 관련 출원이 꾸준히 증가하였으며, 특히 2019년에 관련 출원이 이전 년도에 비해 가파르게 증가하였다. 이와 관련하여, 세일즈포스의 태블로는 한국에 2014년 런칭된 이후, 2019년에 상당히 많은 고객사를 확보하였는데, 태블로의 국내 시장에서 의 성장 및 출원 동향을 확인하였을 때, 국내 시장에서 데이터시각화에 대한 니즈가 2019년 도를 기점으로 상당히 증가한 것을 확인할 수 있다.

[그림 8] 연도별 특허출원 동향

◎ 출처 ? 윈텔립스 DB, NICE디앤비 재구성

[그림 9]은 데이터시각화 기술과 관련된 출원 특허를 검색하여 확인된 주요출원인을 나타내 었다. 주요출원인은 한국전자통신연구원, 마이크로소프트, 한국과학기술원 순이였다. 세계 시장 을 선점하고 있는 구글과 세일즈포스의 독주로 국내 대기업들은 데이터시각화와 관련된 기술 개발에 큰 투자를 진행하고 있지 않고 있다. 이에 따라, 국내 대기업들은 주요 출원인에 거의 나타나고 있지 않으며, 국내에서는 연구원(산학협력단 포함)들을 위주로 특허 출원이 진행된 것을 알 수 있다. 세일즈포스의 경우 미국 위주로 출원을 진행하고 있으며, 한국에서의 사업 영위는 별론으로 한국 특허 출원은 진행하고 있지 않다. 주요출원인 중 뉴스젤리가 데이터시 각화에 특화된 솔루션을 제공하는 기업으로, 뉴스젤리의 특허 출원 전부가 데이터시각화 관련 특허이다.

[그림 9] 주요출원인 및 출원건수 (단위: 건)

◎ 출처 ? 윈텔립스 DB, NICE디앤비 재구성

[그림 10]는 데이터시각화 기술과 관련된 출원 특허를 검색하여 확인된 주요 코스닥 출원인 을 나타내었다. 관련 특허를 출원한 코스닥 기업으로는 위세아이텍, 이글루시큐리티, 팅크웨어, 바이브컴퍼니, 솔트룩스 및 이노뎁이 확인되었다. 해당 기업들은 모두 데이터시각화를 주 사업 으로 영위하는 기업들은 아니며, 인공지능 및 빅데이터 기술을 주로 연구개발하고 있는 회사 이다. 해당 기업들의 특허 출원 건수의 대부분은 데이터시각화가 아닌 인공지능 또는 빅데이 터 관련 내용이나, 빅데이터와 관련된 기술 개발을 수행하면서 데이터시각화 관련 내용도 일 부 출원을 진행한 것으로 확인된다. 또한, 세일즈포스와 같이 데이터시각화만을 주력하여 연구 하고 있는 코스닥 기업은 국내에서는 없는 것으로 확인된다.

[그림 10] 주요 코스닥 출원인 및 출원건수 (단위: 건)

◎ 출처 ? 윈텔립스 DB, NICE디앤비 재구성

[그림 11]은 주요출원인별 주요기술 동향, [그림 12]는 주요 코스닥 출원인별 주요기술 동향 을 나타내었다. 주요 기업들은 데이터시각화를 위한 빅데이터 전처리 기술과 데이터시각화 기 술에 대한 연구개발을 모두 수행 중인 것으로 나타났다. 특히, 한국전자통신연구원의 경우 데 이터시각화 자체 기술 위주로 연구를 진행하였으며, 마이크로소프트의 경우 데이터시각화를 위한 빅데이터 전처리를 위주로 연구를 진행한 것을 확인할 수 있다. 코스닥 기업들의 경우 데이터시각화가 주 사업이 아니기 때문에 전체적으로 데이터시각화 자체 기술보다는 데이터시 각화를 위한 빅데이터 전처리 기술에 더 집중하고 있는 것으로 확인되었다.

[그림 11] 주요출원인별 주요기술 동향 (단위: 건)	[그림 12] 주요 코스닥 출원인별 주요기술 동향 (단위: 건)

	◎ 출처 ? 윈텔립스 DB, NICE디앤비 재구성