범위가 넓다고 모든 내용을 같은 비중으로 공부할 필요는 없습니다
3과목 비중을 높이고 1·2과목 과락을 방지하는 전략이 핵심입니다
ADsP는 데이터 관련 전공자가 아니어도 응시할 수 있는 국가공인 데이터분석 준전문가 자격입니다. 시험은 데이터 이해, 데이터 분석 기획, 데이터 분석의 세 과목으로 구성되며 총 50문항을 90분 동안 풉니다. 총점 100점에서 60점 이상을 받아야 하고 동시에 과목별 40% 미만이면 과락입니다. 단기 준비에서는 세 과목을 똑같이 공부하기보다 문항 비중이 가장 큰 3과목을 중심으로 점수를 만들면서 1·2과목에서 안정적으로 과락을 피하는 구조를 이해하는 것이 중요합니다.
시험 구조와 합격 전략 먼저 이해하기
ADsP 공부를 시작할 때 가장 먼저 봐야 하는 숫자는 총 공부기간이 아니라 과목별 문항 수입니다. 시험은 세 과목으로 구성되지만 문항이 동일하게 배분되어 있지 않습니다.
데이터 이해와 데이터 분석 기획은 각각 10문항이고, 데이터 분석은 30문항입니다. 전체 50문항 중 3과목이 60%를 차지합니다. 따라서 단기 합격을 목표로 하면서 세 과목에 동일한 시간을 투자하는 것은 효율적이지 않을 수 있습니다.
| 과목 | 선택형 | 단답형 | 전체 문항 | 학습 전략 |
|---|---|---|---|---|
| 데이터 이해 | 8 | 2 | 10 | 핵심 개념과 용어 비교 |
| 데이터 분석 기획 | 8 | 2 | 10 | 방법론·절차·분석 과제 구조화 |
| 데이터 분석 | 24 | 6 | 30 | 통계·분석 기법 중심 집중 학습 |
| 전체 | 40 | 10 | 50 | 90분 안에 해결 |
문항당 배점은 2점이므로 총점은 100점입니다. 합격하려면 60점 이상이 필요합니다. 하지만 총점만 충족한다고 끝나는 것은 아닙니다. 과목별 40% 미만은 과락이므로 1과목이나 2과목을 사실상 포기하는 전략은 위험합니다.
예를 들어 다른 과목에서 높은 점수를 받아 전체 점수가 60점을 넘었더라도 특정 과목 점수가 과락 기준에 해당하면 합격할 수 없습니다. 따라서 1·2과목은 최소점수 방어, 3과목은 주 득점원이라는 구조로 공부하는 것이 실용적입니다.
응시자격 제한이 없다는 것도 특징입니다
ADsP는 특정 전공이나 학력, 경력을 갖추어야 응시할 수 있는 시험이 아닙니다. 통계나 프로그래밍을 전공하지 않은 사람도 준비할 수 있습니다. 다만 응시 제한이 없다는 것과 시험 내용이 쉽다는 것은 다른 문제입니다.
비전공자가 실제로 어려움을 느끼는 지점은 3과목입니다. 통계 용어와 확률분포, 가설검정, 회귀분석, 데이터 마이닝 관련 개념이 한꺼번에 등장하기 때문입니다. 반대로 기본적인 통계 지식이 있는 사람은 3과목 학습시간을 줄이고 1·2과목의 암기성 개념을 보완하는 식으로 계획을 조절할 수 있습니다.
시험시간 90분을 문항 수로 환산하면
50문항을 90분 동안 해결하므로 단순 평균은 문항당 1분 48초입니다. 그러나 실제로는 용어를 바로 알면 수십 초 만에 풀 수 있는 문제도 있고, 통계 계산이나 조건 판단에 시간이 더 필요한 문제도 있습니다.
따라서 처음부터 모든 문제에 같은 시간을 쓰는 방식보다 확실한 개념 문제를 먼저 처리하고 계산이나 판단이 필요한 문제를 다시 확인하는 전략이 좋습니다.
1·2과목 핵심 용어 압축 → 3과목 통계 개념 이해 → 분석 기법 비교 → 문제풀이 → 오답 선지 분석 → 취약 개념 재암기 → 시간 제한 모의풀이 순서로 진행하면 범위를 무작정 처음부터 반복하는 것보다 약점을 찾기 쉽습니다.
데이터 이해 핵심 요약 노트
1과목 데이터 이해에서는 데이터의 기본 개념부터 데이터의 가치, 데이터 사이언스와 전략적 활용까지 폭넓은 개념을 다룹니다. 계산보다는 개념을 정확히 구분하는 문제가 중심이 되므로 비슷한 용어의 차이를 비교하면서 공부하는 것이 좋습니다.
데이터와 정보의 관계
데이터는 객관적 사실이나 값 자체에 가깝고, 정보는 데이터를 처리하고 의미를 부여해 의사결정에 활용할 수 있도록 만든 결과로 이해하면 기본적인 구분에 도움이 됩니다.
시험에서는 DIKW 관점도 함께 정리하는 것이 좋습니다.
Data — 가공되지 않은 객관적인 사실이나 값
Information — 데이터의 관계와 의미를 해석한 정보
Knowledge — 정보를 구조화하고 경험과 결합해 얻은 지식
Wisdom — 지식을 바탕으로 상황에 맞는 판단을 내리는 지혜
정형·반정형·비정형 데이터
데이터 유형을 구분하는 문제에서는 정의만 외우기보다 대표적인 사례를 연결하는 것이 좋습니다.
| 구분 | 핵심 특징 | 학습 포인트 |
|---|---|---|
| 정형 데이터 | 정해진 구조와 형식에 맞게 저장 | 테이블 구조의 데이터와 연결 |
| 반정형 데이터 | 일정한 구조적 요소가 있으나 고정된 테이블 구조와는 차이 | 메타데이터·태그 등 구조 표현 확인 |
| 비정형 데이터 | 고정된 구조로 표현하기 어려움 | 문서·이미지·음성·영상 등의 사례 연결 |
데이터베이스와 관련된 핵심 용어
1과목에서는 데이터베이스와 데이터 활용 환경에 관한 기본 개념도 정리할 필요가 있습니다. 데이터웨어하우스와 데이터마트처럼 비슷해 보이는 개념은 정의를 따로 외우기보다 규모와 목적을 비교해 기억하는 것이 좋습니다.
데이터웨어하우스는 조직의 의사결정을 지원하기 위해 다양한 원천에서 데이터를 통합하고 축적하는 개념으로 이해하고, 데이터마트는 특정 부서나 목적에 맞춘 비교적 제한된 범위의 데이터 집합이라는 차이를 잡아두면 좋습니다.
데이터의 가치에서는 활용 관점을 봅니다
데이터의 가치가 단순히 데이터의 양만으로 결정되는 것은 아닙니다. 데이터가 어떤 문제를 해결하고 어떤 의사결정을 지원하는지, 다른 데이터와 결합했을 때 어떤 새로운 가치가 발생하는지를 이해하는 것이 중요합니다.
개인정보와 데이터 활용처럼 함께 고려해야 하는 주제에서는 개념을 단순히 긍정·부정으로 암기하기보다 데이터 활용과 보호의 균형이라는 구조를 이해합니다.
데이터 사이언티스트에게 필요한 역량
데이터 사이언스는 분석 도구 사용법만을 의미하지 않습니다. 분석 기술과 통계적 사고뿐 아니라 비즈니스 문제를 이해하고 분석 결과를 실제 의사결정과 연결하는 역량이 함께 중요합니다.
• DIKW의 단계와 의미
• 정형·반정형·비정형 데이터 차이
• 데이터베이스 관련 핵심 용어
• 데이터웨어하우스와 데이터마트 구분
• 데이터 활용 가치와 전략적 인사이트
• 데이터 사이언스의 역할과 필요 역량
• 데이터 활용 과정에서 고려해야 하는 위험과 윤리적 관점
정의를 한 문장 그대로 암기하는 것보다 A와 B의 차이를 말할 수 있는 수준으로 공부하는 것이 좋습니다. 문제를 풀 때 틀린 선택지가 어떤 개념의 설명인지까지 확인하면 암기 효율이 높아집니다.
데이터 분석 기획 핵심 요약 노트
2과목은 분석을 실제로 수행하기 전에 무엇을 분석하고 어떤 방식으로 추진할지를 설계하는 영역입니다. 용어가 추상적으로 느껴질 수 있기 때문에 단순 암기보다 분석 문제 정의 → 과제 도출 → 우선순위 결정 → 실행 계획 → 운영이라는 흐름으로 이해하는 것이 좋습니다.
분석 기획은 분석 도구를 고르는 단계만이 아닙니다
분석 기획의 핵심은 비즈니스 문제를 분석 가능한 형태로 구체화하는 것입니다. 무엇을 해결하려는지 불명확한 상태에서 데이터를 먼저 모으고 분석 기법을 적용하면 결과가 실제 의사결정과 연결되지 않을 수 있습니다.
따라서 시험에서도 문제와 분석과제의 관계, 분석 대상과 방법이 어느 정도 알려져 있는지에 따른 접근 방식 등을 구분하는 문제가 중요합니다.
분석 주제 유형은 두 축으로 정리합니다
분석 대상이 명확한지와 분석 방법이 명확한지를 기준으로 접근 유형을 구분해 정리하면 기억하기 쉽습니다.
| 유형 | 분석 대상 | 분석 방법 | 핵심 이미지 |
|---|---|---|---|
| Optimization | 알고 있음 | 알고 있음 | 현재 방식을 최적화 |
| Solution | 알고 있음 | 모름 | 알려진 문제의 해결방법 탐색 |
| Insight | 모름 | 알고 있음 | 분석 방법으로 새로운 통찰 발견 |
| Discovery | 모름 | 모름 | 새로운 문제와 기회 탐색 |
이 부분은 단어 자체만 외우면 시험장에서 방향이 바뀌었을 때 혼동하기 쉽습니다. 종이에 가로축과 세로축을 직접 그려 분석 대상과 방법의 알려짐 여부를 배치하는 연습을 하면 기억하기 편합니다.
분석 방법론은 단계 순서까지 확인합니다
ADsP에서는 방법론의 이름만 외우기보다 각 방법론이 어떤 단계로 진행되는지, 단계마다 어떤 활동이 이루어지는지를 함께 정리해야 합니다.
대표적으로 CRISP-DM은 업무 이해 → 데이터 이해 → 데이터 준비 → 모델링 → 평가 → 전개라는 흐름으로 정리할 수 있습니다. 단계 이름을 단순 나열하는 것보다 “업무 문제를 이해한 다음 데이터를 보고 준비한 뒤 모델을 만들고 평가해 실제 활용으로 연결한다”는 이야기로 기억하면 순서를 복원하기 쉽습니다.
분석 과제 우선순위는 실행 가능성도 봅니다
좋아 보이는 분석 아이디어라고 모두 바로 실행할 수 있는 것은 아닙니다. 분석을 통해 얻을 수 있는 가치와 함께 데이터 확보 가능성, 분석 난이도, 조직의 실행 여건 등을 고려해 우선순위를 판단해야 합니다.
시험에서는 분석과제의 우선순위나 로드맵, 마스터 플랜을 구성하는 기준을 묻는 문제가 나올 수 있으므로 각 용어가 실제로 무엇을 결정하기 위한 것인지 이해합니다.
방법론이나 프레임워크는 긴 설명을 통째로 외우기보다 목적 → 구성 요소 → 순서 → 비슷한 개념과의 차이 네 가지로 압축하세요. 시험 직전에는 프레임워크 이름을 보고 구성 요소를 빈 종이에 복원하는 방식이 효과적입니다.
데이터 분석 핵심 요약 노트
3과목 데이터 분석은 30문항으로 전체 시험에서 가장 큰 비중을 차지합니다. 공식 범위상 R 기초와 데이터마트, 통계 분석, 정형 데이터 마이닝 등을 다루므로 비전공자에게는 가장 많은 공부시간이 필요한 영역이 될 수 있습니다.
단기 준비에서 중요한 것은 수학식을 전부 유도할 수 있는 수준이 되는 것이 아닙니다. 각 통계 개념과 분석 기법이 언제 사용되고, 어떤 가정을 가지며, 결과를 어떻게 해석하는지를 구분하는 것이 우선입니다.
기술통계와 추론통계를 먼저 구분합니다
기술통계는 수집한 데이터를 요약하고 특징을 설명하는 데 초점을 두며 평균, 중앙값, 분산, 표준편차 등이 대표적입니다.
추론통계는 표본에서 얻은 정보를 이용해 모집단의 특성을 추정하거나 가설을 검정하는 영역으로 이해할 수 있습니다.
평균만 보지 말고 산포도 함께 봅니다
평균이 같더라도 데이터가 평균 주변에 밀집되어 있는지 넓게 흩어져 있는지에 따라 분포의 특성은 달라집니다. 따라서 평균과 중앙값 같은 대표값뿐 아니라 분산과 표준편차 등 산포 개념도 함께 이해해야 합니다.
평균 — 관측값의 합을 관측 개수로 나눈 대표값
중앙값 — 데이터를 순서대로 배열했을 때 중앙에 위치하는 값
분산 — 평균으로부터 데이터가 얼마나 퍼져 있는지를 나타내는 지표
표준편차 — 분산의 제곱근으로 데이터의 산포를 원래 단위와 연결해 해석하기 쉬움
확률분포는 특징을 비교합니다
이항분포와 정규분포 등 주요 확률분포를 공부할 때 공식을 무조건 암기하기보다 어떤 상황에서 사용하는지를 먼저 이해합니다. 시행의 결과 형태, 연속형인지 이산형인지, 평균과 분산의 특성 등을 비교표로 만들어두면 문제의 조건을 보고 적절한 분포를 판단하기 쉽습니다.
가설검정은 귀무가설부터 이해합니다
가설검정 문제는 용어를 서로 뒤집어 출제하면 쉽게 혼동됩니다. 먼저 귀무가설과 대립가설의 관계를 정확히 이해하고 유의수준과 p-value가 어떤 판단에 사용되는지를 연결해야 합니다.
일반적인 검정에서는 p-value가 미리 정한 유의수준보다 작다면 귀무가설을 기각하는 방향으로 판단합니다. 여기서 “귀무가설을 채택한다”와 “기각하지 못한다”를 무조건 같은 의미로 사용하는 식의 표현은 주의해서 읽어야 합니다.
제1종 오류는 실제로 참인 귀무가설을 기각하는 오류이고, 제2종 오류는 실제로 거짓인 귀무가설을 기각하지 못하는 오류입니다. 문장만 반복하기보다 실제 상황을 하나 만들어 판단해보는 것이 기억에 오래 남습니다.
상관관계와 인과관계를 구분합니다
두 변수 사이의 상관관계가 높다고 해서 한 변수가 다른 변수의 원인이라고 바로 결론 내릴 수는 없습니다. 상관분석은 변수 사이의 관계 정도를 확인하는 데 활용하지만 인과관계의 증명과 동일하지 않습니다.
상관계수의 부호는 관계의 방향을, 절댓값은 선형 관계의 정도를 이해하는 데 사용합니다. 다만 상관계수만 보고 데이터의 모든 관계를 설명할 수 있다고 생각해서는 안 됩니다.
통계와 데이터 마이닝 집중 정리
3과목에서 점수를 안정적으로 만들려면 개별 분석 기법의 이름을 외우는 것보다 목적과 결과의 차이를 구분하는 것이 중요합니다. 회귀분석과 분류, 군집분석, 연관분석처럼 이름이 다른 기법이 무엇을 해결하기 위해 사용되는지를 먼저 잡아야 합니다.
회귀분석은 변수 관계와 예측 관점으로 봅니다
회귀분석에서는 종속변수와 독립변수의 관계를 모델링합니다. 단순회귀와 다중회귀의 차이, 회귀계수의 의미, 결정계수와 잔차 등 기본 용어를 연결해 정리합니다.
결정계수 R²는 회귀모형이 종속변수의 변동을 어느 정도 설명하는지를 나타내는 지표로 이해할 수 있습니다. 다만 변수를 계속 추가하면 결정계수가 단순히 증가할 수 있기 때문에 다중회귀에서는 수정된 결정계수와 함께 해석하는 이유도 알아두는 것이 좋습니다.
분류와 군집은 지도학습 여부부터 구분합니다
| 기법 | 핵심 목적 | 대표적인 구분 | 문제에서 볼 단서 |
|---|---|---|---|
| 회귀 | 변수 관계·예측 | 단순·다중 등 | 종속변수·독립변수·계수 |
| 분류 | 미리 정의된 범주 예측 | 지도학습 | 등급·범주·클래스 예측 |
| 군집 | 유사한 관측치 그룹화 | 비지도학습 | 사전 클래스 없이 그룹 탐색 |
| 연관분석 | 항목 사이 동시 발생 관계 탐색 | 연관규칙 | 지지도·신뢰도·향상도 |
의사결정나무는 구조를 그림으로 이해합니다
의사결정나무는 데이터를 특정 기준에 따라 반복적으로 분할하면서 분류나 예측에 활용하는 방식입니다. 뿌리노드에서 시작해 조건에 따라 가지가 나뉘고 최종적으로 잎노드에 도달하는 구조를 떠올리면 됩니다.
장점과 단점을 함께 정리합니다. 결과를 비교적 이해하기 쉽다는 장점이 있지만 데이터에 지나치게 맞춰질 경우 과적합이 발생할 수 있습니다. 가지치기는 불필요하게 복잡해진 나무를 조정해 과적합을 줄이는 개념과 연결해 이해합니다.
과적합과 과소적합을 반대로 외우지 않습니다
과적합 — 학습 데이터에 지나치게 맞춰져 새로운 데이터에서 일반화 성능이 떨어지는 상태
과소적합 — 모델이 지나치게 단순하거나 학습이 부족해 데이터의 중요한 구조를 충분히 학습하지 못한 상태
시험에서는 학습 데이터 성능이 높다는 이유만으로 좋은 모델이라고 판단할 수 있는지 묻는 식으로 개념을 적용할 수 있습니다. 분석 모델은 학습 데이터에 대한 적합도뿐 아니라 새로운 데이터에 대한 일반화 성능도 중요합니다.
연관분석은 세 지표를 묶어서 정리합니다
지지도는 특정 항목집합이 전체 거래에서 얼마나 자주 나타나는지, 신뢰도는 선행 항목이 나타났을 때 후행 항목도 나타나는 정도, 향상도는 두 항목의 연관성이 우연한 수준과 비교해 어느 정도인지 판단하는 데 활용하는 지표로 정리할 수 있습니다.
공식을 외운 뒤 끝내지 말고 “이 지표가 높다는 것은 어떤 의미인가”까지 말할 수 있어야 합니다. 특히 향상도는 1을 기준으로 관계를 해석하는 원리를 함께 정리합니다.
주성분분석은 차원축소와 연결합니다
변수가 많을 때 기존 변수의 정보를 가능한 한 유지하면서 더 적은 수의 새로운 축으로 표현하는 차원축소 방법으로 주성분분석을 이해하면 좋습니다. 주성분이 원래 변수 중 일부를 단순 선택한 것이라고 생각하면 혼동할 수 있으므로 새로운 선형결합 축이라는 점을 구분합니다.
각 분석 기법을 볼 때 “무엇을 해결하는가?”, “지도학습인가 비지도학습인가?”, “결과로 무엇이 나오는가?”, “대표적인 평가·해석 지표는 무엇인가?”, “어떤 상황에서 주의해야 하는가?”를 답해보면 단순 용어 암기보다 문제 대응력이 좋아집니다.
출제 경향을 반영한 공부 우선순위
ADsP의 출제 경향을 분석할 때 가장 먼저 확인할 수 있는 객관적인 기준은 공식적인 과목별 문항 구조입니다. 1과목 10문항, 2과목 10문항, 3과목 30문항이므로 3과목의 비중이 가장 큽니다.
다만 “최근 시험에서 특정 개념이 몇 문제씩 반드시 나온다”는 식의 비공식적인 빈도표를 절대적인 기준으로 사용하면 위험합니다. 실제 회차에 따라 문제 구성과 난이도는 달라질 수 있기 때문입니다. 출제 경향은 공식 출제범위 + 과목별 문항 비중 + 반복해서 문제화하기 좋은 핵심 개념을 함께 보는 것이 안전합니다.
최우선 — 3과목 통계 기본개념, 가설검정, 회귀, 데이터 마이닝 주요 기법
중요 — 2과목 분석 방법론, 분석 유형, 과제 도출과 마스터 플랜
점수 방어 — 1과목 데이터 기본 개념, 데이터 가치, 데이터 사이언스 관련 용어
마무리 — 반복 오답 용어, 공식, 개념 비교표, 단답형 대비 키워드
3과목에 공부시간을 더 배정하는 이유
단순히 어렵기 때문만은 아닙니다. 3과목은 전체 50문항 중 30문항을 차지합니다. 따라서 3과목의 기본기를 갖추면 총점 확보에 유리합니다.
그러나 3과목만 공부하는 극단적인 전략은 피해야 합니다. 1·2과목에도 과락 기준이 적용되므로 각 과목에서 기본점수를 확보해야 합니다. 실무적으로는 1·2과목에서 자주 혼동하는 용어를 압축해 방어하고, 남는 시간을 3과목의 통계와 분석 기법에 더 투자하는 방식이 좋습니다.
단답형은 정확한 용어 회상이 중요합니다
전체 50문항 가운데 10문항은 단답형이고, 과목별로 1과목 2문항, 2과목 2문항, 3과목 6문항입니다. 선택형처럼 보기에서 답을 찾을 수 없기 때문에 개념을 보고 용어를 직접 떠올리는 연습이 필요합니다.
따라서 시험 직전에는 핵심 용어의 정의를 읽는 공부만 하지 말고 정의를 보고 용어를 가리는 방식으로 테스트합니다. 반대로 용어만 보고 한 문장으로 의미를 설명하는 연습도 도움이 됩니다.
| 영역 | 비효율적인 공부 | 효율적인 공부 |
|---|---|---|
| 1과목 | 정의를 문장째 반복 암기 | 비슷한 용어끼리 차이 비교 |
| 2과목 | 방법론 이름만 암기 | 목적·단계·순서·구성요소 연결 |
| 3과목 | 공식만 무조건 암기 | 사용 상황과 해석을 함께 이해 |
| 단답형 | 정답을 읽고 넘어가기 | 정의를 보고 용어 직접 회상 |
수험 자료에서 특정 주제를 ‘무조건 출제’라고 표현하더라도 실제 시험은 회차마다 달라질 수 있습니다. 우선순위는 정할 수 있지만 공식 출제범위에 포함된 내용을 임의로 완전히 버리는 전략은 과락 위험을 높일 수 있습니다.
기출문제 회독법과 자주 하는 실수
ADsP를 단기간에 준비할 때 문제풀이의 목적은 정답 번호를 기억하는 것이 아니라 선택지에 숨어 있는 개념 오류를 찾아내는 능력을 만드는 것입니다. 특히 개념형 문제가 많은 영역에서는 오답 선택지가 훌륭한 복습 자료가 됩니다.
첫 회독은 약점 발견용입니다
기본 개념을 한 번 학습한 뒤 문제를 풀어 과목별 점수를 기록합니다. 총점만 보지 말고 1·2·3과목을 분리해 확인해야 과락 위험을 찾을 수 있습니다.
3과목에서는 통계, 회귀, 분류, 군집, 연관분석 등 세부 영역별로 오답을 표시합니다. 특정 영역에서 반복적으로 틀린다면 전체 강의를 처음부터 다시 보는 대신 그 부분만 기본 개념으로 돌아가 보완합니다.
두 번째 회독은 선택지 분석용입니다
정답을 맞혔더라도 다른 선택지가 왜 틀렸는지 설명하지 못하면 다시 표시합니다. 예를 들어 군집분석 문제에서 정답은 맞혔지만 군집과 분류의 차이를 설명할 수 없다면 아직 완전히 익힌 문제가 아닙니다.
세 번째 회독은 시간 단축용입니다
개념이 정리되었다면 90분 제한을 적용합니다. 쉬운 용어 문제를 빠르게 해결하고 계산이나 해석이 필요한 문제에 시간을 남기는 방식으로 자신의 문제풀이 순서를 만듭니다.
교정 — 3과목은 전체 30문항으로 비중이 가장 큽니다. 통계가 어렵더라도 핵심 개념부터 단계적으로 점수를 확보해야 합니다.
교정 — 과목별 과락이 있으므로 1·2과목을 완전히 버릴 수 없습니다. 핵심 용어를 압축해서라도 기본점수를 방어해야 합니다.
교정 — 공식이 무엇을 계산하고 결과가 무엇을 의미하는지 먼저 이해합니다. 계산 문제뿐 아니라 개념 선택지에서도 활용할 수 있습니다.
교정 — 찍어서 맞혔거나 근거가 불확실했던 문제는 오답으로 분류합니다. 실전에서 같은 개념이 다른 문장으로 나오면 틀릴 수 있기 때문입니다.
교정 — 시험 직전에는 새로운 문제 수보다 기존 오답의 재현 가능성이 중요합니다. 같은 개념을 반복해서 틀린다면 자료를 늘리기보다 원인을 먼저 해결합니다.
시험 직전 압축 암기와 최종 체크
시험 직전에는 두꺼운 교재를 처음부터 다시 읽는 것보다 핵심 개념을 빠르게 회상하는 방식이 효율적입니다. 특히 비슷한 개념을 한 장에서 비교할 수 있도록 정리하면 선택지 판단 속도를 높이는 데 도움이 됩니다.
시험 직전 반드시 구분할 개념
□ 데이터와 정보, 지식, 지혜의 관계를 구분할 수 있다.
□ 정형·반정형·비정형 데이터의 차이를 설명할 수 있다.
□ 데이터웨어하우스와 데이터마트를 구분할 수 있다.
□ 분석 대상과 방법에 따른 네 가지 분석 유형을 구분할 수 있다.
□ CRISP-DM의 단계 흐름을 복원할 수 있다.
□ 평균·분산·표준편차의 의미를 구분할 수 있다.
□ 귀무가설·대립가설·유의수준·p-value의 관계를 이해한다.
□ 제1종 오류와 제2종 오류를 구분할 수 있다.
□ 상관관계와 인과관계가 같은 개념이 아님을 설명할 수 있다.
□ 회귀분석의 주요 용어를 구분할 수 있다.
□ 지도학습과 비지도학습의 차이를 설명할 수 있다.
□ 분류와 군집을 구분할 수 있다.
□ 의사결정나무의 기본 구조와 과적합 문제를 이해한다.
□ 과적합과 과소적합을 구분할 수 있다.
□ 연관분석의 지지도·신뢰도·향상도를 구분할 수 있다.
□ 주성분분석을 차원축소 개념과 연결할 수 있다.
시험 전 최종 체크리스트
□ 1과목 10문항, 2과목 10문항, 3과목 30문항 구조를 알고 있다.
□ 전체 50문항을 90분 동안 푸는 연습을 했다.
□ 총점뿐 아니라 과목별 점수를 따로 확인했다.
□ 특정 과목이 과락 위험 구간에 머물지 않는지 점검했다.
□ 단답형 대비를 위해 용어를 직접 써보는 연습을 했다.
□ 3과목에서 반복적으로 틀리는 통계 개념을 따로 정리했다.
□ 공식의 의미와 사용 상황을 설명할 수 있다.
□ 분석 기법의 목적을 비교할 수 있다.
□ 찍어서 맞힌 문제를 다시 확인했다.
□ 오답 선택지가 왜 틀렸는지 설명할 수 있다.
□ 시험 직전 볼 압축 노트를 준비했다.
□ 응시 회차의 시험장과 수험 관련 최신 안내를 확인했다.
자주 묻는 질문
ADsP 시험 대비 핵심 요약
| 영역 | 최종 정리 포인트 |
|---|---|
| 시험 구조 | 50문항·90분·100점 만점·총점 60점 이상과 과목별 과락을 동시에 관리합니다. |
| 1과목 | 데이터 기본개념과 데이터 가치, 데이터 사이언스 관련 용어의 차이를 비교합니다. |
| 2과목 | 분석 기획의 목적과 방법론, 분석 유형, 과제 우선순위와 마스터 플랜을 흐름으로 이해합니다. |
| 3과목 | 통계 기본개념과 가설검정, 회귀, 분류·군집·연관분석 등 주요 분석 기법을 집중적으로 학습합니다. |
| 문제풀이 | 정답뿐 아니라 틀린 선택지의 개념까지 분석하고 과목별 점수를 따로 기록합니다. |
| 시험 직전 | 압축 오답노트와 단답형 용어 회상, 90분 시간 제한 문제풀이로 마무리합니다. |
전체 전략은 시험 구조 파악 → 1·2과목 핵심 용어 압축 → 3과목 통계 기초 이해 → 주요 분석 기법 비교 → 문제풀이 → 오답 선지 분석 → 과락 위험 확인 → 단답형 용어 회상 → 90분 실전 연습으로 정리할 수 있습니다. 범위 전체를 똑같은 깊이로 공부하기보다 문항 비중과 자신의 취약 영역을 기준으로 시간을 배분하는 것이 중요합니다.
첫째, 3과목 데이터 분석이 전체 50문항 중 30문항이므로 통계와 주요 분석 기법을 피해서는 안정적인 점수 확보가 어렵습니다. 둘째, 총점만 보지 말고 과목별 40% 미만 과락 가능성을 반드시 함께 관리해야 합니다. 셋째, 기출과 문제풀이는 정답을 암기하는 과정이 아니라 비슷한 개념을 구별하고 틀린 선택지의 오류를 찾아내는 훈련으로 활용해야 합니다.
※ 2026년 9월 기준 데이터 자격시험의 국가공인 데이터분석 준전문가 시험 안내를 바탕으로 정리했습니다. 현재 안내 기준 시험시간은 90분이며 데이터 이해 10문항, 데이터 분석 기획 10문항, 데이터 분석 30문항으로 총 50문항입니다. 선택형 40문항과 단답형 10문항으로 구성되며 총점 60점 이상과 과목별 과락 기준을 함께 충족해야 합니다. 세부 출제 난이도와 개별 주제의 출제 빈도는 시험 회차에 따라 달라질 수 있으므로 특정 비공식 빈도표보다 공식 시험범위와 최신 응시 안내를 우선 확인하는 것이 좋습니다.