막대 그래프를 다양하게 시각화하기

TIL/내일배움캠프

막대 그래프를 다양하게 시각화하기

Kou_ 2026. 5. 14. 10:36

[내일배움캠프] QA/QC_6기 - 4일차

TIL
- 다양하게 막대 그래프 시각화하기
To-Do List
1. 데이터 분석 종합반 4강 수강
2. 아티클 스터디 : 데이터 기반 의사결정의 장점
3. 커리어 스터디 (Day 1~3)ADsP 공부

데이터 분석 종합반

4강. 데이터 분석으로 기획서 뽀개기 1

막대 그래프 그리기

코드

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

#파일 불러오기
user=pd.read_csv('F:/Projects/data_set/user_db1.csv')

#한글 폰트 설정 및 깨짐 방지
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

#결측치 제거 및 데이터셋의 기본적인 정보
user=user.dropna()
print(user.head())
print(user.info())

#수업 신청 경로 기준 수강생수 합계
access_media=user.groupby('access_media')['user_id'].count()
print(access_media)

#plt.figure(width, height): 넓이와 높이 만큼 이미지를 생성
plt.figure(figsize=(6,6))
#plt.bar(X축값, Y축값)
bars=plt.bar(access_media.index,access_media)
#그래프의 제목
plt.title('수강생 별 수강 신청 경로')
#그래프의 x축 라벨 이름
plt.xlabel('수강 신청 경로')
#그래프의 y축 라벨 이름
plt.ylabel('수강생 수')
#x축 눈금의 글씨를 45도 회전
plt.xticks(rotation=45)
# 막대 위에 값 표시
for bar in bars:
    height = bar.get_height() # 막대의 높이(값)
    plt.text(
        bar.get_x()+bar.get_width()/2, #x 위치(막대 중앙)
        height*0.5, #y 위치
        f'{int(height)}', #표시할 값
        ha='center', #가로 중앙 정렬
        va='bottom' #막대 위쪽 정렬
    )
#그래프 자동 맞춤
plt.tight_layout()
#그래프를 화면에 나타나도록 합니다.
plt.show()

시각화
분석 및 인사이트
- 오프라인 광고의 효과가 가장 떨어지고 인스타그램, 페이북의 광고 효과가 가장 뛰어나다.
- 오프라인 광고 비용을 인스타그램에 투자하면 더욱 큰 광고 효과를 얻을 수 있다.

가로 막대 그래프 그리기 및 각종 시각화 옵션 조절

코드

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

#파일 불러오기
user=pd.read_csv('F:/Projects/data_set/user_db1.csv')

#한글 폰트 설정 및 깨짐 방지
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

#결측치 제거 및 데이터셋의 기본적인 정보
user=user.dropna()
print(user.head())
print(user.info())

#수업 신청 경로 기준 수강생수 합계
access_media=user.groupby('access_media')['user_id'].count()
print(access_media)

#plt.figure(width, height): 넓이와 높이 만큼 이미지를 생성
plt.figure(figsize=(6,6))
#plt.bar(X축값, Y축값)
bars=plt.barh(access_media.index,access_media,
#alpha는 색의 투명도를 조절 하고 싶을때 사용
#RGB 또는 #HEX(#FF0000) 색상 코드로 표현도 가능
#edgecolor = '원하는 색상' 각 바의 테두리 색상
#linewidth = '원하는 두께' 각 바의 두께
#width = 그래프의 두께 (기본값 = 0.8)
             color = ['gold','b','#FF0000','green','orange','red','#000000'],
             alpha = 0.8,
             edgecolor = 'black',
             linewidth = 1
             )
#그래프의 제목
plt.title('수강생 별 수강 신청 경로',
          fontsize=16,
          fontweight='bold'
          )
#그래프의 x축 라벨 이름
plt.xlabel('수강생 수',
           fontsize=14,
           fontweight='bold'
           )
#그래프의 y축 라벨 이름
plt.ylabel('수강생 신청 경로',
           fontsize=14,
           fontweight='bold'
           )
#x축 눈금의 글씨를 45도 회전 및 x,y 축 글씨 크기, 굵게
plt.xticks(fontsize=12,fontweight='bold')
plt.yticks(fontsize=12,fontweight='bold')
# 막대 위에 값 표시
for bar in bars:
    width = bar.get_width() # 막대의 가로 길이
    plt.text(
        width * 0.5,  # x 위치
        bar.get_y()+bar.get_height()/2, #y 위치
        f'{int(width)}', #표시할 값
        ha='center', #가로 중앙 정렬
        va='center', #세로 중앙 정렬
        fontsize=12,
        fontweight='bold'
    )
#그래프 테두리 굵기 설정
ax = plt.gca()
for spine in ax.spines.values():
    spine.set_linewidth(1.5)
#그래프 자동 맞춤
plt.tight_layout()
#그래프를 화면에 나타나도록 합니다.
plt.show()

시각화

패키지 상품 기획하기

가설 수립
- 문제 파악: 현재 게임개발 종합반이 다른 패키지 포함 강의보다 구매 전환율이 저조
- 추가 정보: 이전 기획한 웹개발 종합반과 SQL 패키지 상품은 기존 대비 각각 40%의 구매 전환율 상승을 달성
- 목표 결과: 게임개발 종합반의 패키지 상품을 기획하여 구매 전화율 상승
- 가설: 게임 개발 종합반 과목을 구매한 인원 중 가장 많은 인원이 동시 구입한 과목과 패키징하면 목표 달성 가능성이 높음

코드

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

#파일 불러오기
user_class=pd.read_csv('F:/Projects/data_set/user_registered_class.csv')

#한글 폰트 설정 및 깨짐 방지
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

print(user_class.head())

sum_students_by_class=user_class[user_class==1].count()
sum_students_by_class=sum_students_by_class.drop('user_id')
print(sum_students_by_class)

#그래프 사이즈 설정
plt.figure(figsize=(10,5))
#plt.bar(X축값, Y축값)
plt.bar(sum_students_by_class.index ,sum_students_by_class)
#그래프 타이틀
plt.title('게임개발 종합반 신청한 학생 수강이력')
#x축 레이블
plt.xlabel('강의')
#y축 레이블
plt.ylabel('수강생(명)')

plt.tight_layout()
plt.show()

시각화
추가 가설: 왜 게임개발 종합반 수강생이 앱개발 강의를 동시에 구매하는가
→ 수강생 상대로 조사한 수강 목적을 비교 분석

코드

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

#파일 불러오기
user_class=pd.read_csv('F:/Projects/data_set/user_registered_class.csv')
game_class=pd.read_csv('F:/Projects/data_set/user_db_game.csv')
app_class=pd.read_csv('F:/Projects/data_set/user_db_app.csv')

#한글 폰트 설정 및 깨짐 방지
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

app_class_goal=app_class.groupby('goal')['user_id'].count()
game_class_goal=game_class.groupby('goal')['user_id'].count()

#그래프 크기 설정 (인치)
plt.figure(figsize=(8,6))
#x축 y축 설정을 동일, color, label 추가
#app 종합반 수강생 관심 분야
plt.plot(app_class_goal.index ,app_class_goal,color="red", label="app")
#game 종합반 수강생 관심 분야
plt.plot(game_class_goal.index ,game_class_goal,color="blue", label="game")
#.legend() = 각 그래프의 범례 추가
plt.legend()
#그래프 타이틀
plt.title("앱 종합반, 게임 종합반 수강생의 관심사")
#x축 레이블
plt.xlabel('수강 목적')
#y축 레이블
plt.ylabel('수강생 수')

plt.tight_layout()
plt.show()

시각화
분석
부수입 창출 목적으로 두 강의를 수강하는 인원이 가장 많으므로 해당 부분을 패키지 기획 및 마케팅에 적용 시키면 구매 전화율 상승에 효과적일 것이다.

할인은 정말 효과적인 선택일까? - 전처리하기

가설 수립
- 문제 파악
  - 결제 마지막 페이지에서의 이탈률이 가장 높다.
  - 페이지 오류는 발생하지 않는다.
  - 금액적인 부담이 구매 의사 결정에 장애 발생 요인으로 예상됨
- 목적 결과: 결제 마지막 페이지에서 고객 이탈율 감소
- 가설: 결제 마지막 페이지에서 쿠폰 지급을 통해 구매율 상승을 이룰 수 있을 것이다.
  쿠폰 지급 그룹 vs. 쿠폰 미지급 그룹 의 구매율 비교

코드

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

#파일 불러오기
user_data=pd.read_csv('F:/Projects/data_set/user_db1.csv')

#한글 폰트 설정 및 깨짐 방지
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

#group==1 (할인적용), group==0 (미적용)
print(user_data.head())

#각 그룹의 수강생 수 확인
sum_of_discounted=user_data[user_data['group']==1]['user_id'].count()
sum_of_undiscounted=user_data[user_data['group']==0]['user_id'].count()
print(sum_of_discounted,sum_of_undiscounted) #5654, 2674

#각 결제 인원/실험 인원(12000명) == 각 퍼센테이지
percent_of_discounted=sum_of_discounted/12000 *100
percent_of_undiscounted=sum_of_undiscounted/12000 *100
print(percent_of_discounted,percent_of_undiscounted) #47.12%, #20.62%

#그래프 사이즈
plt.figure(figsize=(10,5))
#x 그룹 지정하기
x_list =["할인 적용 그룹","정가 구입 그룹"]
#y 값
y_list = [percent_of_discounted,percent_of_undiscounted]
#x,y값 설정
plt.bar(x_list, y_list)
#그래프 타이틀
plt.title('할인 여부 결제 전환율 비교 분석')
#x축 레이블
plt.xlabel('할인 적용 여부')
#y축 레이블
plt.ylabel('결제 전환율')
plt.tight_layout()
plt.show()

시각화
분석
- 실제로 쿠폰을 적용하여 가격 허들을 낮춘 그룹의 결제 전환율이 2배 가량 높았다.
- 쿠폰 지급이 효과가 있음을 확인했다.

과제 '얼마만큼의 할인 혜택을 제공하는 것이 결제 전환율을 가장 높일 수 있는가'

가설 수립
- 이전 분석: 실제로 쿠폰을 지급해서 가격 허들을 낮추었더니 결제 전환율이 2배 가량 상승했다.
- 추가 가설: 할인 금액이 클수록 결제 전화율도 높을 것이다.

코드

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

#파일 불러오기
user_data=pd.read_csv('F:/Projects/data_set/user_db1.csv')

#한글 폰트 설정 및 깨짐 방지
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

#group==1 (할인적용)
print(user_data.head())

#할인 금액 별 수강생 수 확인
sum_of_discounted=user_data[user_data['group']==1]
discounted=sum_of_discounted.groupby('discounted')['user_id'].count()
print(sum_of_discounted)
# 전체 할인 적용 수강생 수
total_count = discounted.sum()
#각 결제 인원/할인 적용 수강생 수 == 각 퍼센테이지
percent_of_discounted=discounted/total_count
print(percent_of_discounted)

#그래프 사이즈
plt.figure(figsize=(10,5))
#그래프 시각화
bars = plt.bar(
    percent_of_discounted.index.astype(str),
    percent_of_discounted.values,
    color='skyblue',
    edgecolor='black'
)
# 퍼센트 값 표시
for bar in bars:
    height = bar.get_height()
    plt.text(
        bar.get_x() + bar.get_width()/2,
        height,
        f'{height:.1%}',
        ha='center',
        va='bottom',
    )
#그래프 타이틀
plt.title('할인 금액에 따른 결제 전환율')
#x축 레이블
plt.xlabel('할인 금액')
#y축 레이블
plt.ylabel('결제 전환율')
plt.tight_layout()
plt.show()

시각화
분석
- 3만원 할인이 57.6%로 가장 높은 결제 전환율을 보였다.
- 실제로 할인 금액이 클수록 결제 전환율이 증가한다.

아티클 스크럼

데이터 분석가가 되어보니 중요한 것들 ▶

요약
이 아티클은 데이터 분석가의 역할을 단순히 '데이터를 분석하는 사람'이 아닌, 조직의 더 좋은 의사결정을 위해 돕는 사람'으로 정의한다. 특히 중요한 핵심은 데이터 기반의 성공 확률이 높은 의사결정을 지속적으로 할 수 있어야 한다는 것이다.

주요 포인트
1. 데이터 분석의 시작은 환경 구축 (데이터가 흐르는 조직)
  - BI 툴 도입, 대시보드 개발, SQL 교육, 사용이 쉬운 데이터 마트 개발, PA 툴 활용, 알림봇 등의 방법으로 데이터를 쉽게 확인할 수 있는 환경을 구축해야 한다.
2. 좋은 의사결정은 소프트 스킬로 부터
  - 단순 데이터 분석이 아닌 도메인에 대한 이해, 맥락 해석, 편향 제거, 사고 프레임워크 등을 바탕으로 상황을 정학하게 해석해야 한다.
  - 목표설정 - 실행 - 측정 - 축적으로 이어지는 체계적인 조직 운영을 통해, 전략적 성공 확률 상승을 꾀하는 것이 DDDM이다.
3. 데이터 분석은 일회석이 아닌 반복 구조
  - DDDM을 바탕으로 체계적인 의삭결정을 축적하다 보면 가장 높은 성공률을 갖추게 될 것이다.
  - 이를 위해 데이터 분석가는 비즈니스 사이클에 맞게 분석할 필요가 있다.
    - 분석 주제가 현재 회사의 집중 분야와 다르면 안됨
    - 분석 주제의 결과물이 비즈니스 사이클에서 필요하며 적절할 것
핵심 개념
- 목표 설정 : 목표치는 크게 3가지 조합으로 구성된다. 예상치에 구조화된 로직이 있을 때 그 로직을 구성하는 수치를 기대치, 의지치로 변경한 값이 목표치가 된다.
  1. 구조화된 로직에 과거 데이터를 활용한 예상치
  2. 새로운 액션에 대한 확신 수준, 시장이나 경쟁사 상황, 불확실성을 반영한 기대치
  3. 의지치
- 성과 측정 : 가장 보편적으로 사용되는 성과 측정법은 해당 시기 이후 지표의 변화를 확인하는 것이다. 하지만 일부 상황에서는 통제할 수 없는 외부 요인으로 인해 지표가 변할 수 있으므로, A/B 테스트 실험을 진행한다.
용어 정리
- 린 분석(LEAN Analytics) : 한정된 시간과 자원 속에서 스타트업이 성공하기 위해, 데이터를 기반으로 현재 사업 단계에서 가장 중요한 핵심 지표(OMTM: One Metric That Matters)에 집중하여 신속하게 학습하고 개선하는 방법론
- A/B 테스트 : A/B 테스트는 무작위 할당 그룹간 지표 차이를 통해 성과 측정을 진행하기 때문에 외부 요인으로 인한 지표 변화는 모든 그룹에 공통 적용되어 성과 측정에 영향을 주지 않는다. 분석의 명확성으로 A/B 테스트는 많은 기업에서 사랑받는 성과 측정 방법이다. 하지만 상대적으로 단기적 성과만 측정할 수 있어, 단기/장기 성과의 차이가 예상된다면 다른 방식을 사용하거나 장기 실험 그룹을 적은 비율로 유지해 충분히 긴 기간의 성과를 측정하는 것이 좋다.
- 비즈니스 사이클
  1. 기획발굴, 아이디어 수집, 정책 설계 등을 수행하는 플래닝
    → 플래닝 시기에는 기회 발굴을 위한 EDA오 데이터 및 성과 측정 방법 설계
  2. 플래닝의 결과 실행 및 배포 → 데이터 확인과 대시보드 관리
  3. 성과 측정 및 후속 분석 → 인사이트를 도출하고 다시 플래닝에 반영할 것을 탐색
실무 적용 사례
- 실무 적용
  반도체 품질관리 측면에서 불량 방지를 위해서는 데이터를 기반으로 원인을 추적하고 재발을 방지하는 것이 핵심이다. 설비 로그, 공정 조건, 원자재 Lot, 수율 등의 데이터를 기반으로 의사결정을 이루어 공정 최적화 및 개선을 진행해야 한다.
- 관련 사례
  석사 과정 중 MXene 제조 실험 과정에서 미세한 온도 차이가 물질의 퀄리티에 큰 차이를 보였다. 단순 불산 etching 과정에서의 교반 온도 및 속도뿐 아니라, 원심분리 시 발생하는 열까지 품질에 영향을 미치며 심지어는 산화로 인한 수율 저하까지 이어졌다. 때문에 문헌 조사를 통해 MXene 합성에서 안정적일 수 있는 온도를 알아낸 뒤 35~40도 사이에서 1도 간격의 온도 조절로 37도 조건이 가장 적절한 것을 알 수 있었다. 또한 합성 이후 제조된 MXene의 보관 및 사용 시 적절한 온도를 알아내어 18도 이하 온도에서 보관 및 원심분리 등 열이 발생할 수 있는 온도에서는 최대한 저온으로 유지하기 위해 증류수 냉각 후 사용, 냉각 장치 포함 원심분리를 이용해 챔버 온도를 10도 이하로 유지 하는 등의 방법을 찾아내어 안정적인 MXene 합성을 할 수 있었다. 초기에는 4~8% 정도의 수율을 얻었지만 공정 개선을 장기간 거듭한 결과 대략 75~80% 정도의 수율을 확보할 수 있었다. 하지만 당시에는 데이터 수집 및 분석에 대한 지식과 노하우가 없었기에 수기로 정리한 조건들을 경험적으로 조절하며 진행했기 때문에 최적화에 장시간 소요된 것 같다.
- 가상 시나리오
  만약 당시에 현재 정도의 분석 능력만 갖추었더라도 큰 차이가 있었을 것으로 보인다. 당시 총 MXene 합성 시행 횟수가 후배 포함 약 100회에 가까웠으니 이 데이터를 바탕으로 실험 과정 최적화를 진행했다고 가정해보자.
  - 데이터 : 원재료 (MAX phase) Lot 및 제조사, 식각 방식 (MILD method, HF/HCl/D.I.water mixed etchant), 교반 조건 (온도, 교반 속도, 시간), washing 조건 (시행 횟수, 증류수 온도), 원심분리 조건 (rpm, 시간, 온도), 질소 버블링 조건 (gas flow), 초음파처리 조건 (세기, 시간, 중탕 온도), 품질 (XRD, XPS, TEM, OM 등)
  - 분석 : 상관분석을 통해 품질 데이터와 기타 요소들의 상관계수, 100회라는 적은 표본으로 인해 t-검정 등의 방법으로 신뢰도 향상, 머신러닝 방식을 통해 임의 조건에서 실험 결과를 예측하여 시행 횟수 최소화 등
  - 결과 : 이를 바탕으로 공정을 개선해 나갔다면 최소 절반의 공정 개선 시간 단축을 예상

커리어 스터디 - 직무 확장형

Day 4. JD 역량과 데이터 분석의 필요성 정리하기

기존 JD 요구 역량 다시 분류하기

구분 역량	키워드	기존 JD에서 어떻게 등장했나요?
직무 역량	불량 분석, 원인 규명, 수율 개선	제품 품질 모니터링, 이상 원인 분석, 공정 개선 및 수율 향상 업무에서 반복적으로 등장
데이터 역량	Python, R, 데이터 시각화, 빅데이터 분석	검사 및 계측 데이터의 해석, 품질 데이터 분석, 자동화 기반 모니터링 역량으로 등장
도메인 역량	반도체 8대 공정의 이해, 검사 및 계측 장비의 이해	반도체 공정별 불량 발생 원인을 파악하고 품질 기준을 수립하기 위한 우대 역량으로 등장
협업 / 태도 역량	문제 해결력, 유관부서 협업 커뮤니케이션 능력, 품질 기준 준수	생산, 공정, 설비 부서와 협업하여 품질 이슈를 해결하고, 기준에 맞는 개선안을 실행하는 역량으로 등장

JD 역량이 실제 업무에서 필요한 이유

JD에서 요구한 역량	실제 업무에서 필요한 이유	연결되는 데이터	상황
불량 분석 및 원인 규명	반복적으로 발생하는 품질 문제의 패턴을 찾고, 주요 원인을 좁혀 개선 방향을 도출하기 위해 필요	불량률, Defect type, 검사 결과, 공정 이상 로그 등	단기간 급격한 불량률 상승 또는 장기간 꾸준한 불량률 상승, 기기 점검 이후 갑작스런 불량 발생, 특정 시간/원자재 등으로 제조한 품목의 불량 발생률 증가 등
반도체 공정 이해	공정별 발생 가능한 불량 원인과 영향을 알아야 문제의 발생 지점을 정확히 추적 가능	CD 측정값, PR 두께, 장비별 품질 편차, SPC 차트 등	Photolithography 공정 후 검사 데이터에서 CD 값의 편차가 증가, packaging 공정 후 최종 반도체 칩 품질 검사에서 쇼트 발생 등
협업 및 커뮤니케이션	품질 문제는 품질 부서 단독으로 해결이 불가능하기에 공정, 설비, 생산 부서와 원인을 공유하고 협업하여 개선을 실행해야 하기 떄문	원인 분석 회의, 품질 리포트, 개선안 공유, 재발 방지 활동, 시각화 자료 등	품질 이슈가 발생한 공정의 원인을 파악하여 해당 생산 부서에 내용 공유 후 설비, 공정 부서와 회의를 통해 공정 개선 계획을 수립하는 상황 등

데이터 분석이 필요한 이유 정리하기
QA/QC 직무에서는 협업 부서와의 소통 오류와 같은 문제가 발생할 수 있습니다.이 데이터를 분석하면 협업 부서도 해당 업무의 필요성과 효율성을/를 알 수 있기 때문에, 데이터 분석 역량이 필요하다고 생각합니다. 이같은 문제를 확인하기 위해서는 쉽게 이해할 수 있도록 시각화된 데이터가 필요합니다.

내가 앞으로 키워야 할 역량

부족하다고 느낀 역량	왜 부족하다고 느꼈나요?	앞으로 어떻게 키워보고 싶나요?
데이터 분석 및 시각화 (Python, R과 같은 데이터 분석 툴 사용 능력, 대시보드 작성 능력 등)	기존 석사 과정에서 경험했던 데이터 분석은 수기 작성한 여러 데이터를 바탕으로 경험적인 개선을 거쳤고, 시각화는 자동화 툴을 이용한 것이 아닌 Origin 프로그램으로 데이터를 수기 입력하고 보기 좋게 가공하는 것이었기 때문에 이 같은 방식의 데이터 분석 및 시각화 역량이 부족하다. 다만 데이터 분석의 방향성을 정하는 부분은 관련 경험이 크게 도움이 될 것으로 보인다.	내일배움캠프에서 진행되는 각종 세션을 집중해서 듣고 이를 직접 해보는 과정을 반복해서 나만의 시각화 노하우를 쌓아나가기
SPC 및 품질관리 기법 이해	공정 drift 조기 탐지, 품질 기준 관리와 같은 실제 품질 업무에서 활용되는 통계적 관리 개념이 중요하지만 아직 체계적으로 정리되지 않았기 때문	현재 ADsP 자격증을 준비하며 기초적인 개념을 쌓고있고, 이후 품질경영기사와 빅데이터분석기사, 식스시그마와 같은 자격증 취득을 위해 지속적인 공부
실무형 문제 해결 포트폴리오	직무 적합성을 보여주기 위해서는 실제 결과물이 효과적인데, 관련 전공 및 유관 경험도 없기 때문에 포트폴리오 구축이 필요	내일배움캠프에서 진행하는 모든 프로젝트에 적극적으로 참여하여 공모전 출전을 목표로 하는 마음가짐으로 포트폴리오 구축

Day 4. 한 줄 정리
기존 JD에서 반복적으로 등장한 불량 분석, 반도체 공정 이해, 데이터 기반 문제 해결 역량은 실제로 품질 문제의 원인을 파악하고 수율 개선으로 연결하는 데 핵심적이며, 앞으로는 이를 공정 데이터 분석 경험과 실무형 포트폴리오로 구체화해야겠다고 느꼈습니다.

출처
내일배움캠프 교육 자료

'TIL > 내일배움캠프' 카테고리의 다른 글

반도체 도메인에서 데이터 기반 품질관리 직무란? Ⅰ (0)	2026.05.18
히트맵으로 시각화하기 (0)	2026.05.15
'matplotlib'의 강력한 시각화 기능 (0)	2026.05.12
엑셀로 데이터 분석 기초 맛보기 (0)	2026.05.11
배터리 불량 원인 데이터로 파악하기 (0)	2026.05.08

현재글막대 그래프를 다양하게 시각화하기

밤에만

TIL blog, https://yustitix.tistory.com/

품질관리, sql, 프롬프트, AI, 자격증, 내일배움캠프, 직무, ADsP, 데이터분석준전문가,

Today :
Yesterday :

밤에만

막대 그래프를 다양하게 시각화하기

[내일배움캠프] QA/QC_6기 - 4일차

데이터 분석 종합반

4강. 데이터 분석으로 기획서 뽀개기 1

막대 그래프 그리기

가로 막대 그래프 그리기 및 각종 시각화 옵션 조절

패키지 상품 기획하기

할인은 정말 효과적인 선택일까? - 전처리하기

과제 '얼마만큼의 할인 혜택을 제공하는 것이 결제 전환율을 가장 높일 수 있는가'

아티클 스크럼

데이터 분석가가 되어보니 중요한 것들 ▶

커리어 스터디 - 직무 확장형

Day 4. JD 역량과 데이터 분석의 필요성 정리하기

'TIL > 내일배움캠프' 카테고리의 다른 글

'TIL/내일배움캠프'의 다른글

티스토리툴바

« 2026/06 »
일	월	화	수	목	금	토
	1	2	3	4	5	6
7	8	9	10	11	12	13
14	15	16	17	18	19	20
21	22	23	24	25	26	27
28	29	30

막대 그래프를 다양하게 시각화하기

[내일배움캠프] QA/QC_6기 - 4일차

데이터 분석 종합반

4강. 데이터 분석으로 기획서 뽀개기 1

막대 그래프 그리기

가로 막대 그래프 그리기 및 각종 시각화 옵션 조절

패키지 상품 기획하기

할인은 정말 효과적인 선택일까? - 전처리하기

과제 '얼마만큼의 할인 혜택을 제공하는 것이 결제 전환율을 가장 높일 수 있는가'

아티클 스크럼

데이터 분석가가 되어보니 중요한 것들 ▶

커리어 스터디 - 직무 확장형

Day 4. JD 역량과 데이터 분석의 필요성 정리하기

'TIL > 내일배움캠프' 카테고리의 다른 글

'TIL/내일배움캠프'의 다른글

관련글

티스토리툴바