[자격증] 데이터분석 전문가 (ADP) 필기 : 제1과목 데이터 이해

 정보

• 업무명     : 데이터분석 전문가 (ADP) 필기 : 제1과목 데이터 이해
• 작성자     : 이상호
• 작성일     : 2022.10.15
• 설   명      :
• 수정이력 :

 

 

 내용

[데이터와 정보]

• 데이터의 정의
  • 데이터는 객관적 사실 (fact)이라는 존재적 특성을 가진다.
  • 즉 데이터는 개별 데이터 자체로는 의미가 중요하지 않은 객관적 사실을 말한다.
  • 데이터는 객관적 사실, 추론, 예측, 전망, 추정을 위한 근거
  •  다른 객체와의 상호 관계 속에서 가치를 갖는다.

• 데이터의 유형
  • 정성적 데이터(qualitative data) : 언어, 문자 형태
  • 정량적 데이터(quantitative data) : 수치, 도형, 기호 형태

• 지식경영 핵심 이슈
  • 암묵지 : 학습과 체험을 통하여 개인에게 습득되지만 겉으로는 드러나지 않는 상태의 지식
    • 내면화(internalization), 공통화(socialization)
  • 형식지 : 암묵지가 문서나 메뉴얼처럼 외부로 표출되어서 여러 사람이 공유할 수 있는 지식
    •  표출화(Externalization), 연결화(Combination)

• 지식 나선 활동 (creative route)
  

암묵지(Tacit knowledge)	형식지(Explicit knowledge)
공통화(socialization)	표출화(Externalization)
내면화(internalization)	연결화(Combination)

 

• 데이터와 정보의 관계 (DIKW)
  • 데이터 (Data) : 데이터를 가공하기 전의 순수한 수치나 기호
  • 정보 (Information) : 데이터의 가공 및 상관관계 간 이해를 통해 패턴을 인식하고 의미를 부여한 데이터
  • 지식 (Knowledge) : 상호 연결된 정보 패턴을 이해하여 이를 토대로 예측한 결과물
  • 지혜 (Wisdom) : 근본 원리에 대한 깊은 이해를 바탕으로 도출되는 아이디어

 

[데이터베이스의 정의와 특징]

• 데이터베이스의 정의
  • 동시에 복수의 적용 업무를 지원할 수 있도록 복수 이용자의 요구에 대응해서 데이터를 받아들이고 저장, 공급하기 위하여 일정한 구조에 따라서 편성된 데이터의 집합
  • 관련된 레코드의 집합
  • 소프트웨어로는 데이터베이스 관리 시스템(DBMS)을 의미한다.
  • DBMS는 이용자가 쉽게 데이터베이스를 구축하고 유지할 수 있도록 하는 소프트웨어로서 데이터베이스와 구분되며, 일반적으로 데이터베이스와 DBMS를 함께 데이터베이스 시스템이라고 한다.

• 데이터베이스의 특징 (실시간,지속적 변환,동시 공유,내용에 의한 참조)
  • 통합 데이터 (Integrated data) : 데이터베이스에서 동일한 내용의 데이터가 중복되어 있지 않음
  • 저장 데이터 (Stored data) : 컴퓨터가 접근할 수 있는 저장 매체에 저장되는 것
  • 운영 데이터 : 새로운 데이터의 추가, 기존 데이터의 삭제, 갱신으로 항상 변화하면서도 항상 현재의 정확한 데이터를 유지
  • 공용 데이터 (Shared data) : 여러 사용자가 서로 다른 목적으로 데이터베이스의 데이터를 공동 이용

• 데이터베이스의 특성
  • 정보의 축적 및 전달 측면
  • 기계 가독성 : 대량의 정보를 정보처리기기를 통해 읽기/쓰기
  • 검색 가능성 : 필요한 정보를 검색
  • 원격 조작성 : 정보통신망을 이용하여 원거리에서 온라인으로 이용
    
  • 정보이용 측면 : 이용자의 정보 요구에 따라 다양한 정보를 신속하게 획득하고 원하는 정보를 경제적 일익
  • 정보관리 측면 : 방대한 양의 정보를 체계적으로 축적하고 새로운 내용 추가/갱신이 용이
  • 정보기술발전 측면 : 데이터베이스는 정보처리, 검색, 관리 소프트웨어 등 네트워크 발전기술을 도모
  • 경제, 산업적 측면 : 데이터베이스는 인프라로서 특성을 가지고 있어 경제, 산업, 사회 활동의 효율성을 제고하고 국민의 편의를 증진

[데이터베이스의 활용]

1. 기업 내부 데이터베이스

• 1980년대 기업내부 데이터베이스
  • OLTP (On-line Transaction Processing, 온라인 거래처리)
    
    • 주 컴퓨터와 통신회선으로 접속되어 있는 복수의 사용자 단말에서 발생한 트랜잭션을 주 컴퓨터에서 처리하여 그 결과를 즉석에서 사용자에게 되돌려 보내주는 처리 형태
    • 데이터는 진행중인 비즈니스 프로세스
    • 여러 과정이 하나의 단위 프로세스로 실행되도록 하는 프로세스
    • 비즈니스 작업을 제어 및 실행
  • OLAP (On-line Analytical Processing, 온라인 분석처리)
    
    • 다차원으로 이루어진 데이터로부터 통계적인 요약 정보를 제공할 수 있는 기술
    • 데이터는 모든 유형의 비즈니스 활동을 다차원적으로 보여줌
    • 의사결정 지원, 계획 및 문제 해결을 도움
      
      

2. 분야별 기업 내부 데이터베이스

• 제조부문
  
  • 1. DW (Data Warehouse)
    
    • 정보 검색을 목적으로 구축된 데이터베이스
    • 주제지향적, 통합적, 시계열성, 비소멸성 (갱신이 발생하지 않는 조회전용)
  • 2.ERP (Enterprise Resource Planning, 전사적 자원관리)
    
    • 제조업을 포함한 다양한 비즈니스 분야에서 생산, 구매, 재고, 주문, 공급자와의 거래, 고객서비스 제공 등 주요 프로세스 관리를 돕는 여러 모듈로 구성된 통합 어플리케이션 소프트웨어 패키지
  • 3. BI (Business Intelligence)
    
    • 기업의 DW (Data Warehouse)에 저장된 데이터에 접근해 경영 의사결정에 필요한 정보를 획득하고 이를 경영 활동에 활용하는 것
  • 4. CRM (Customer Relationship Management, 고객관계관리)
    
    • 선별된 고객으로부터 수익을 창출하고 장기적인 고객관계를 가능케 함으로써 보다 높은 이익을 창출할 수 있는 솔루션

• 금융부문
  
  • 1. EAI(Enterprise Architecture Integration, 기업 어플리케이션 통합)
    
    • 기업 내의 ERP (전사적 자원관리), CRM (고객관계관리), SCM (공급망계획) 시스템이나 인트라넷 등의 시스템간에 상호 연동이 가능하도록 통합하는 솔루션
  • 2. EDW(Enterprise Data Warehouse)
    
    • 기존 DW를 전사적으로 확장한 모델인 동시에 BRP와 CRM, BSC 같은 다양한 분석 어플리케이션을 위한 원천이 됨.
    • 기업 리소스의 유기적 통합, 다원화된 관리 체계 정비, 데이터의 중복 방지 등을 위해 시스템을 재설계 하는 것
  • 3. 블록체인(Blockchain)
    
    • 데이터 분산 처리 기술: 네트워크에 참여하는 모든 사용자의 모든 거래내역 등의 데이터를 분산, 저장하는 기술
    • 블록들을 체인 형태로 묶는 형태
  • 4. ERP, e-CRM 등 이용

 

3. 분야별 사회기반 구조로서의 데이터베이스

• 인터넷의 보편화로 인해 일반 국민들도 가정에서 손쉽게 생활에 필요한 정보를 습득할 수 있게 되었고, 이로 인해 데이터베이스는 사회 전반의 기간재로서 자리매김하게 되었다.
• EDI (Electronic Data Interchange, 전자 문서 교환)
  • 표준화된 상거래 서식 또는 공공 서식을 서로 합의된 표준에 따라 전자문서를 만들어 컴퓨터 및 통신을 매개로 상호교환 하는 것
• CALS (Commerce At Lighted Speed, 광속 상거래)
  • 각종 기술 자료를 디지털화하여 관련 데이터를 통합 운영하는 업무 환경

 

• 유통부문
  
  • 1. KMS(Knowledge Management System, 지식 관리 시스템)
    
    • 조직 내의 지식을 체계적으로 관리하는 시스템 : 지적 재산이 매우 중요해짐에 따라 기업을 관리하는 시스템이 등장
  • 2. RFID(Radio Frequency, 무선 주파수) 리더를 이용한 정보 인식
    
    • 대상(물건, 사람 등)을 식별할 수 있는 기술
  • 3. CRM, SCM 등 이용
• 물류부문
  
  • 1. 종합물류정보망 (실시간 차량추적)
    
    • 전자지도상에서 운행중인 차량의 위치 및 상태를 실시간으로 파악하여 서비스 가입자의 합리적인 의사결정을 지원하는 시스템
  • 2. 부가가치통신망 (VAN, Value Added Network)
    
    • 네트워크에 단순한 전송 기능 이상의 부가가치를 첨가하여 정보를 축적, 가공, 변환 처리하여 음성 또는 데이터 정보를 제공해주는 광범위하고 복합적인 통신서비스의 집합
• 지리부문
  
  • 국가지리정보체계 (NGIS), GS, GPS
• 교통부문
  
  • 지능형교통시스템 (ITS)
• 의료부문
  
  • 의료 EDI
• 교육부문
  
  • 교육행정정보시스템(NEIS)
    
    

4. DW의 4대 특성

• 데이터 주제 지향성
• 데이터 통합
• 데이터의 시계열성
• 데이터의 비휘발성
  
  

5. BI VS BA

구분	BI (Business Intelligence)	BA (Business Analytics)
목적	과거의 성과를 측정하고 향후 비즈니스를 계획	데이터와 통계를 기반으로 성과에 대한 이해와 비즈니스 통찰력에 초점을 둔 분석 방법
응용	데이터 기반의 의사결정	사전예측하고 최적화하기 위함 BI 보다 진보된 형태

빅데이터 활용 사례

• 구글 : 검색
• 월마트 : 구매 패턴을 분석해 상품 진열에 활용, 의료 부분의 개선
• 정부 : 대국민 서비스 개선
• 정치인 : 선거 승리를 위해 사회 관계망 분석

 

일차적인 분석 애플리케이션 사례

• 금융 서비스 : 신용 점수 산정, 사기 탐지, 가격 책정, 프로그램 트레이딩, 클레임 분석, 고객 수익성 분석
• 소매업 : 판촉, 매대 관리, 수요 예측, 재고 보충, 가격 및 제조 최적화
• 제조업 : 공급 사슬 최적화, 수요 예측, 재고 보충, 보증서 분석, 맞춤형 상품 개발, 신상품 개발
• 운송업 : 일정 관리, 노선 배정, 수익 관리
• 헬스 케어 : 약품 거래, 예비 진단, 질병 관리
• 병원 : 가격 책정, 고객 로열티, 수익관리
• 에너지 : 트레이딩, 공급, 수요 예측
• 커뮤니케어션 : 가격 계획 최적화, 고객 보유, 수요 예측, 생산능력 계획, 네트워크 최적화, 고객 수익성 관리
• 서비스 : 콜센터 직원 관리, 서비스-수익 사슬 관리
• 정부 : 사기 탐지, 사례 관리, 범죄 방지, 수익 최적화
• 온라인 : 웹 매트릭스, 사이트 설계, 고객 추천
• 모든 사업 : 성과 관리

 

[데이터의 가치와 미래]

• 3V (Volume, Variety, Velocity)
  
  • 데이터의 크기 (Volume) : 생성되는 모든 데이터를 수집
  • 데이터의 다양성 (Variety) : 정형화된 데이터를 넘어 텍스트, 오디오, 비디오 등 모든 유형의 데이터를 분석 대상으로 함
  • 데이터의 속도 (Velocity) : 사용자가 원하는 시간 내에 데이터 분석결과를 제공, 데이터의 업데이터되는 속도가 매우 빨라지는 것

종류	주요 솔루션
데이터의 크기(Volume)	생성되는 모든 데이터를 수집
데이터의 다양성(Variety)	정형화된 데이터를 넘어 텍스트, 오디오, 비디오 등 모든 유형의 데이터를 분석 대상으로 함
데이터의 속도(Velocity)	사용자가 원하는 시간 내에 데이터 분석결과를 제공하는 것 데이터의 업데이터되는 속도가 매우 빨라지는 것

 

• 데이터의 크기를 나타내는 단위
  
  • 킬로바이트 : 10^3 Bytes
  • 메가바이트 : 10^6 Bytes
  • 기가바이트 : 10^9 Bytes
  • 테라바이트(Terabyte) : 10^12 Bytes
  • 페타바이트(Petabyte) : 10^15 Bytes
  • 엑사바이트(Exabyte) : 10^18 Bytes
  • 제타바이트(Zettabyte) : 10^21 Bytes

• 빅데이터 기능
  
  • 산업혁명의 석탄, 철에 비유
  • 원유에 비유
  • 렌즈에 비유
  • 플랫폼에 비유
• 빅데이터가 만들어내는 본질적인 변화
  
  • 사전처리 -> 사후처리
    • 정해진 특정한 정보만 수집하는 것이 아닌 가능한 많은 데이터를 모으고 그 데이터를 다양한 방식으로 조합해 숨은 정보를 찾아낸다.
  • 표본조사 -> 전수조사
    • 데이터 수집비용이 더는 문제가 되지 않고 클라우드 컴퓨팅 기술의 발전으로 데이터 처리 비용이 급격하게 감소하고 있다.
    • 전수조사의 장점은 표본조사가 주지 못하는 패턴이나 정보를 제공해 준다.
  • 질 -> 양
    • 데이터의 수가 증가함에 따라 사소한 몇개의 오류가 대세에 영향을 주지 못한다.
  • 인과관계 -> 상관관계
    • 인과관계 분석은 데이터를 얻는데 드는 비용이 매우 비싼 모델이다. 비즈니스 상황에서는 상관관계 분석으로 충분하다.
• 빅데이터의 가치
  
  • 빅데이터의 가치 산정이 어려운 이유
    
    • 1. 데이터의 활용 방식
      • 재사용이나 재조합, 다목적용 데이터 개발 등이 일반화되면서 특정 데이터를 언제, 어디서, 누가 활용했는지 알 수 없다.
    • 2. 새로운 가치 창출
      • 빅데이터 시대에는 기존에 없던 가치를 창출함에 따라 그 가치를 측정하기 어렵다.
    • 3. 분석기술의 발달
      • 지금은 가치 없는 데이터도 새로운 분석 기법의 등장으로 거대한 가치를 만들어내는 재료가 될 가능성이 있다.
• 빅데이터의 영향 (생활 전반의 스마트화)
  
  • 기업 : 혁신, 경쟁력 제고, 생산성 향상
  • 정부 : 환경탐색, 상황분석, 미래대응
  • 개인 : 목적에 따라 활용
• 빅데이터가 가치를 만들어 내는 방식 (빅데이터 보고서(2011), 맥킨지)
  
  • 투명성 제고로 연구개발 및 관리 효율성 제고
  • 시뮬레이션을 통한 수요 포착 및 주요 변수 탐색으로 경쟁력 강화
  • 고객 세분화 및 맞춤 서비스 제공
  • 알고리즘을 활용한 의사결정 보조 혹은 대체
  • 비즈니스 모델과 제품, 서비스의 혁신
    
    

[빅데이터 활용한 비즈니스 모델]

• 연관 규칙 학습 (Association rule learning)
  • 어떤 변수간에 주목할만한 상관관계가 있는지 찾아내는 방법
• 유형분석 (Classification tree analysis)
  • 사건이 속하게 될 범주를 찾아내는 일 (어떤 특성을 가진 집단에 속하는가?)
• 유전알고리즘 (Genetic algorithm)
  • 최적화가 필요한 문제의 해결책을 자연선택, 돌연변이 등과 같은 메커니즘을 통해 선택
• 기계학습 (Machine learning)
  • 훈련 데이터로부터 학습한 알려진 특성을 활용해 예측하는 일
• 회귀분석 (Regression analysis)
  • 독립변수와 종속변수의 변화를 파악하여 두 변수의 관계를 파악
• 감정분석 (Sentiment analysis)
  • 특정 주제에 대해 말하거나 글을 쓴 사람의 감정 분석
• 소셜 네트워크 분석 (Social network analysis) 또는 사회관계망분석(SNA)
  • 오피니언 리더 (영향력이 있는 사람)을 찾아낼 수 있으면 고객들 간 소셜관계를 파악할 수 있다

종류	설명
연관 규칙 학습 (Association rule learning)	어떤 변수간에 주목할만한 상관관계가 있는지 찾아내는 방법
유형분석 (Classification tree analysis)	사건이 속하게 될 범주를 찾아내는 일 (어떤 특성을 가진 집단에 속하는가?)
유전알고리즘 (Genetic algorithm)	최적화가 필요한 문제의 해결책을 자연선택, 돌연변이 등과 같은 메커니즘을 통해 선택
기계학습 (Machine learning)	훈련 데이터로부터 학습한 알려진 특성을 활용해 예측하는 일
회귀분석 (Regression analysis)	독립변수와 종속변수의 변화를 파악하여 두 변수의 관계를 파악
감정분석 (Sentiment analysis)	특정 주제에 대해 말하거나 글을 쓴 사람의 감정 분석
소셜 네트워크 분석 (Social network analysis) 또는 사회관계망분석(SNA)	오피니언 리더 영향력이 있는 사람을 찾아낼 수 있으면 고객들 간 소셜관계를 파악할 수 있다.

 

• 빅데이터 활용 사례
  
  • 구글의 페이지랭크의 경우 사용자의 로그 데이터 활용
  • 월마트는 고객의 구매패턴을 분석해 상품 진열에 활용
  • 실시간 교통정보, 기후, 방송모니터링
  • 정치인 사회관계망을, 가수는 음악 청취 기록 분석
    
    

[위기요인 및 통제 방안]

• 사생활 침해
  
  • 위기 요인 : 특정 데이터가 본래 목적 외에 가공 처리되어 2차, 3차 목적으로 활용될 가능성이 증가
  • 통제 방안 : 동의에서 책임으로, 개인정보 사용자에게 책임을 지게 한다.
• 책임 원칙의 훼손
  
  • 위기요인 : 분석 대상이 되는 사람들은 예측 알고리즘의 희생양이 될 가능성이 증가한다. 잠재적 위험사항에 대해서도 책임을 추궁하는 사회로 변질될 가능성이 높아 민주주의 사회 원칙을 훼손할 수 있다.
  • 통제 방안 : 기존의 책임원칙 강화

• 데이터의 오용
  
  • 위기 요인 : 주어진 데이터에 잘못된 인사이트를 얻어 비즈니스에 직접 손실을 불러 올 수 있다.
  • 통제 방안 : 데이터 알고리즘에 대한 접근권 허용 및 객관적 인증 방안을 도입하는 필요성 제기
• 빅데이터 활용 3요소
  
  • 데이터 : 모든것을 데이터 화
  • 기술 : 빅데이터 분석 알고리즘의 진화 가속
  • 인력 : 데이터 사이언티스트와 알고리즘 미스트의 역할이 중요해 질 것으로 전망됨.
    
    

[가치 창조를 위한 데이터 사이언스와 전략 인사이트]

• 빅데이터 열풍과 회의론
  
  • 데이터에서 가치 (통찰)을 끌어내 성과를 창출하는 것이 관건
• 왜 싸이월드는 페이스북이 되지 못했나?
  
  • 데이터 분석 기반의 경영 문화의 부재
  • 비즈니스의 핵심 가치와 연관된 심도있는 분석을 수행하지 못함
  • 싸이월드 핵심 고객들의 지표가 악화되고 있었으나 대처하지 못함.
• 빅데이터 분석, Big이 핵심 아니다
  
  • 분석 문화가 경영 자체에 뿌리깊게 자리잡아야 함
  • 새롭고 다양한 정보 원천의 활용이 빅데이터임
  • 비용이 문제가 아니라 분석적 방법과 성과에 대한 이해 부족
• 전략적 통찰이 없는 분석의 함정
  
  • 우수한 기업들은 전략적으로 일상 업무에 분석을 활용
  • 복잡한 최적화는 비즈니스에 마이너스
    
    • 다른 회사들이 비슷한 분석 영량을 가질 수 있음
    • 쓸모없는 비즈니스 모델을 뒷받침하는 데 활용되면 안됨
    • 최적화를 해서 가격을 낮춰도 단순한 비즈니스 모델로 더 낮은 가격을 제시하면 소용없음
• 일차적인 분석 vs 전략 도출 위한 가치 기반 분석
  
  • 일차적인 분석을 통해서도 해당 부서나 업무 영역에서 상당한 효과
  • 전략적 인사이트를 위해서는 큰그림을 그려야 함.

 

[전략 인사이트 도출을 위한 필요 역량]

• 1) 데이터 사이언스 의미와 역할
  
  • 대상 : 정형 또는 비정형을 막론하고 인터넷, 휴대전화, 감시용 카메라 등에서 생성되는 숫자와 문자, 영상 정보 등 다양한 유형의 데이터를 대상으로 함
  • 기존의 통계학과 다른점은 총체적 접근법을 사용한다는 점이다.
  • 전략적 통찰을 추구하고, 비즈니스 핵심 이슈에 답을 하고, 사업의 성과를 견인해 나갈수 있다.
• 2) 데이터 사이언스의 3대 구성요소
  
  • IT (Data Management)
  • Analytics (분석적 영역)
  • 비즈니스 분석 (비즈니스 컨설팅)
• 3) 데이터 사이언티스트의 역량
  
  • 데이터 사이언티스트의 중요한 특징 : 강력한 호기심 (Intensive curiosity)
  • 호기심 : 문제의 이면을 파고들고, 질문들을 찾고, 검증 가능한 가설을 세우는 능력
  • Hard skill : 빅데이터에 대한 이론적 지식, 분석 기술에 대한 숙련
  • Soft skill : 통찰력 있는 분석 (창의적 사고, 호기심, 논리적 비판), 설득력 있는 전달 (스토리 텔링, Visualization), 다분야 간 협력 (Communication)
• 4) 데이터 사이언스 : 과학과 인문의 교차로
  
  • 전문가들은 데이터 사이언티스트에게 스토리텔링, 커뮤니케이션, 창의력, 열정, 직관력, 비판적 시각, 글쓰기 능력, 대화 능력 (인문학의 주요 주제들)등이 필요하다고 강조하고 있다.
• 5) 데이터 사이언티스트에게 요구되는 인문학적 사고의 특성과 역할

	과거	현재	미래
Information	무슨 일이 일어났는가? 리포팅	무슨일이 일어나고 있는가? 경고	무슨일이 일어날 것인가? 추출
Insight	어떻게, 왜 일어났는가? 모델링	차선 행동은 무엇인가? 권고	최악, 최선의 상황은? 예측, 최적화

 

• 6) 데이터 분석 모델링에서 인문학적 통찰력의 적용사례 
  
  • 인간을 바라보는 유형별 세가지 관점
    
    • 타고난 성향의 관점 : 인간은 변하지 않는 존재로 상정
      
    • 행동적 관점 : 한 사람의 행동을 지속적으로 관찰해 그 행동을 보고 사람을 판단하는 것이 더 정확하다는 관점
      
    • 상황적 관점 : 특정 행동을 거듭하는 사람은 그 행동을 앞으로도 반복할 확률이 높다는 관점
      

 

[빅데이터 그리고 데이터 사이언스의 미래]

• 빅데이터의 시대
  
  • 데이터의 양과 종류가 다양
  • 실시간 분석
  • 심층신경망 (DNN: Deep Neural Network) 활용
• 빅데이터 회의론을 넘어 : 가치 패러다임의 변화 
  
  • 디지털화 (Digitalization) : 아날로그의 세상을 어떻게 효과적으로 디지털화 하는가
  • 연결 (Connection) : 디지털화 된 정보와 대상들이 서로 연결되어, 이 연결이 얼마나 효과적이고 효율적으로 제공해 주느냐가 성패를 가름, 사물인터넷의 성숙과 함께 앞으로는 연결이 더 증가하고 극도로 복잡해 질 것이다.
  • 에이전시 (Agency) : 복잡한 연결을 얼마나 효과적이고 믿을 만하게 관리해 주는가
• 데이터 사이언스의 한계와 인문학
  
  • 훌륭한 데이터 사이언티스트는 인문학자들처럼 모델의 능력에 대해 항상 의구심을 가지고, 가정들과 현실의 불일치에 대해 끊임없이 고찰하고, 분석모델이 예측할 수 없는 위험을 살피기 위해 현실세계를 쳐다봐야 한다.

 

 참고 문헌

[논문]

• 없음

[보고서]

• 없음

[URL]

• 없음

 

 문의사항

[기상학/프로그래밍 언어]

• sangho.lee.1990@gmail.com

[해양학/천문학/빅데이터]

• saimang0804@gmail.com