데이터 분석 트렌드 & 공공기관 프로젝트 리서치 (2024-2025)¶

작성일: 2025년 12월
범위: 데이터 분석 저널/논문 트렌드, 시각화 가이드, 대한민국 공공기관 프로젝트

목차¶

데이터 분석 저널/논문 트렌드
시각화 가이드
대한민국 공공기관/공기업 데이터 분석 프로젝트
참고 자료

1. 데이터 분석 저널/논문 트렌드 (2024-2025)¶

1.1 주요 학술 컨퍼런스 및 저널¶

분야	컨퍼런스/저널	특징
General AI/ML	NeurIPS, ICML, ICLR	최신 딥러닝, 기초 연구
Data Mining	KDD, WWW	대규모 데이터 마이닝, 웹 분석
Computer Vision	CVPR, ICCV	이미지/비디오 분석
NLP	ACL, EMNLP	자연어 처리, LLM
저널	Nature Machine Intelligence, IEEE TPAMI, JMLR	고임팩트 연구

1.2 2024-2025 핵심 연구 트렌드¶

A. AutoML & Low-Code AI¶

AutoML(Automated Machine Learning)은 비전문가도 ML 모델을 구축할 수 있게 해주는 기술로, 2024-2025년 가장 빠르게 성장하는 분야 중 하나다.

+------------------+     +------------------+     +------------------+
|  Data Ingestion  | --> | Feature Engineer | --> | Model Selection  |
+------------------+     +------------------+     +------------------+
                                                          |
+------------------+     +------------------+     +------------------+
|    Deployment    | <-- | Hyperparameter   | <-- |   Evaluation     |
+------------------+     |    Tuning        |     +------------------+
                         +------------------+

주요 플랫폼: - Google AutoML, Azure AutoML, H2O.ai - ChatGPT Advanced Data Analysis 기능

MIT Sloan Management Review (2024):

"AutoML 도구를 통해 시민 데이터 과학자(Citizen Data Scientists)가 모델 생성 프로세스의 대부분을 자동화할 수 있게 됨."

B. Explainable AI (XAI)¶

AI 모델의 투명성과 해석 가능성에 대한 요구가 급증하고 있음.

기법	설명	적용 분야
SHAP	Shapley value 기반 특성 중요도	금융, 의료
LIME	로컬 해석 가능 모델	텍스트, 이미지
Attention Visualization	Transformer 어텐션 시각화	NLP, 비전
Counterfactual Explanations	반사실적 설명 생성	의사결정 지원
LLM-based XAI	LLM을 활용한 설명 생성	범용

LLMs for Explainable AI (arXiv, 2024): - LLM을 활용하여 복잡한 ML 모델의 예측을 자연어로 설명 - 사용자 질문 이해 및 맞춤형 설명 생성 - 반사실적 설명(Counterfactual Explanations) 자동 생성

C. Graph Neural Networks (GNN)¶

NeurIPS 2024에서 GNN 관련 논문이 약 450-500편 발표되어 ICML 2024 대비 1.75-2배 증가했다.

주요 연구 방향: 1. Topology-driven Methods: 그래프 토폴로지를 활용한 표현력 향상 2. Large-scale GNN: 대규모 그래프에서의 확장성 연구 3. GNN + LLM 통합: 그래프 구조와 언어 모델의 결합

응용 분야: - 소셜 네트워크 분석 - 분자 구조 예측 (AI4Chemistry) - 추천 시스템 - 지식 그래프 추론

D. Federated Learning¶

프라이버시 보존 분산 학습의 핵심 기술로 자리잡았음.

                    +-------------------+
                    |  Global Server    |
                    |  (Aggregation)    |
                    +-------------------+
                           /|\
              ____________/ | \____________
             /              |              \
    +----------+     +----------+     +----------+
    | Client 1 |     | Client 2 |     | Client N |
    | (Local   |     | (Local   |     | (Local   |
    |  Data)   |     |  Data)   |     |  Data)   |
    +----------+     +----------+     +----------+

2024-2025 연구 동향: - Federated Causal Inference: 분산 환경에서의 인과 추론 - One-shot Federated Learning: 단일 라운드 통신으로 모델 학습 - Heterogeneity-aware FL: 데이터/시스템 이질성 처리

적용 분야: | 분야 | 적용 사례 | |------|-----------| | 의료 | 병원 간 협력 진단 모델 | | 금융 | 사기 탐지 모델 공동 학습 | | IoT | 엣지 디바이스 협력 학습 | | 제조 | 분산 공장 품질 예측 |

E. Causal Inference (인과 추론)¶

상관관계를 넘어 인과관계를 파악하는 연구가 활발함.

주요 방법론: - Structural Causal Models (SCM) - Do-calculus 기반 추론 - Causal Discovery Algorithms - 반사실적 분석 (Counterfactual Analysis)

실제 적용: - 제조업: 센서 네트워크에서 인과 구조 추출 (Springer, 2025) - 의료: 분산 의료 이미지에서 인과 구조 분석 - A/B 테스트 고도화

F. Real-time Analytics & Edge Computing¶

IDC 예측: 2025년까지 기업 데이터의 75%가 엣지에서 처리될 전망

특성	클라우드 분석	엣지 분석
지연시간	수백 ms	수 ms
대역폭	고비용	저비용
프라이버시	데이터 전송 필요	로컬 처리
확장성	무제한	제한적
실시간성	제한적	우수

주요 적용 산업: 1. 제조업: 실시간 품질 모니터링 2. 소매업: 자동화 결제, 손실 방지 3. 통신: 네트워크 최적화 4. 자율주행: 실시간 의사결정

1.3 NeurIPS 2024 주요 연구 트렌드¶

NeurIPS 2024 AI Research Trends 분석 결과:

카테고리	주요 키워드
Foundation Models	LLM, Multimodal, Scaling Laws
AI for Science	AI4Chemistry, AI4Physics, AI4Materials
Trustworthy AI	Robustness, Fairness, Privacy
Efficient ML	Pruning, Quantization, Distillation
Graph ML	GNN, Knowledge Graphs, Relational Learning
Healthcare AI	Medical Imaging, Drug Discovery, Clinical NLP
Climate AI	Weather Prediction, Carbon Footprint

2. 시각화 가이드¶

2.1 기업 특성별 시각화 전략¶

A. B2B vs B2C¶

구분	B2B	B2C
대상	의사결정자, 분석가	일반 사용자, 마케터
복잡도	높음 (다차원 분석)	낮음 (직관적)
상호작용	드릴다운, 필터링 중요	단순 클릭, 스와이프
업데이트 주기	실시간/일간	주간/월간
주요 지표	CAC, LTV, 파이프라인	DAU, MAU, 전환율

B. 스타트업 vs 대기업¶

스타트업:

우선순위: 속도 > 완성도
도구: Google Sheets, Metabase, Streamlit
특징: 빠른 프로토타이핑, MVP 대시보드

대기업:

우선순위: 거버넌스 > 속도
도구: Tableau, PowerBI, Looker
특징: 데이터 표준화, 보안, 감사 추적

C. 산업별 시각화 특성¶

산업	주요 시각화 유형	핵심 지표
금융	시계열, 히트맵, 산포도	VaR, Sharpe Ratio, Alpha
제조	게이지, 공정도, 파레토	OEE, 불량률, 사이클타임
의료	생존곡선, 코호트, 깔때기	환자 결과, 대기시간, 재입원율
소매	지도, 막대, 퍼널	매출, 재고회전율, 객단가
물류	지도, 간트, 네트워크	배송시간, 적재율, 경로효율

2.2 목적별 시각화 가이드¶

A. 탐색적 분석 (EDA)¶

목표: 데이터 패턴, 이상치, 관계 발견

# 권장 라이브러리: Seaborn, Plotly
import seaborn as sns
import matplotlib.pyplot as plt

# 상관관계 히트맵
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')

# 분포 확인
sns.pairplot(df, hue='target')

# 이상치 탐지
sns.boxplot(data=df, x='category', y='value')

체크리스트: - [ ] 결측치 분포 시각화 - [ ] 변수 간 상관관계 확인 - [ ] 이상치 식별 - [ ] 분포 형태 파악 - [ ] 범주별 비교

B. 보고용 시각화¶

목표: 의사결정 지원, 인사이트 전달

설계 원칙: 1. 5초 규칙: 핵심 메시지가 5초 내에 전달되어야 함 2. 데이터-잉크 비율: 불필요한 장식 최소화 3. 시각적 계층: 가장 중요한 정보가 먼저 눈에 들어와야 함

+------------------------------------------+
|  [KPI 카드]  [KPI 카드]  [KPI 카드]       |  <- 핵심 지표 (Top)
+------------------------------------------+
|                                          |
|  [메인 차트 - 가장 중요한 트렌드]          |  <- 주요 인사이트 (Mid)
|                                          |
+------------------------------------------+
|  [서브 차트 1]    |    [서브 차트 2]      |  <- 세부 정보 (Bottom)
+------------------------------------------+

C. 실시간 모니터링¶

목표: 즉각적 이상 탐지, 상황 인식

설계 요소: | 요소 | 권장 사항 | |------|-----------| | 새로고침 | 1-5초 간격 | | 알림 | 임계값 초과 시 시각/음향 알림 | | 색상 | 신호등 체계 (초록/노랑/빨강) | | 레이아웃 | 대형 모니터 최적화 |

D. 의사결정 지원¶

목표: 옵션 비교, 시나리오 분석

권장 시각화: - What-if 시뮬레이션 슬라이더 - 시나리오 비교 테이블 - 민감도 분석 토네이도 차트 - 의사결정 트리 시각화

2.3 도구별 베스트 프랙티스¶

A. Tableau¶

장점: 강력한 시각화, 직관적 인터페이스, 대시보드 공유

베스트 프랙티스: 1. LOD 표현식 활용: 복잡한 집계 계산에 FIXED, INCLUDE, EXCLUDE 사용 2. 성능 최적화: Extract 사용, 불필요한 차원 제거 3. 대시보드 레이아웃: 3-4개 뷰로 제한, 필터 최소화

[Tableau 성능 체크리스트]
- [ ] Live 대신 Extract 연결 사용
- [ ] 날짜 필터를 상대 날짜로 설정
- [ ] 불필요한 마크 레이블 제거
- [ ] 대시보드당 시트 10개 미만 유지

조달청 나라장터 등록 (2025.04): 세일즈포스 Tableau가 공공기관에서도 조달 구매 가능해짐.

B. Power BI¶

장점: Microsoft 생태계 통합, 비용 효율, Copilot AI 지원

2024-2025 신기능: - Copilot 통합: AI 기반 자동 보고서 생성, 최적화 제안 - Direct Lake: OneLake 직접 연결로 성능 향상 - Fabric 통합: 엔드투엔드 분석 플랫폼

베스트 프랙티스: 1. DAX 최적화: CALCULATE, FILTER 적절히 사용 2. 모델링: Star Schema 구조 권장 3. 증분 새로 고침: 대용량 데이터셋 처리

C. Python 시각화 라이브러리¶

라이브러리	용도	특징
Matplotlib	기초/커스텀	완전한 제어, 학습 곡선 높음
Seaborn	통계 시각화	미려한 기본 스타일, 통계 함수
Plotly	인터랙티브	웹 기반, 대시보드 지원
Altair	선언적 문법	Vega-Lite 기반, 직관적
Bokeh	웹 앱	대용량 데이터, 스트리밍

선택 가이드:

                    정적          동적/인터랙티브
                      |               |
    기초/커스텀 --> Matplotlib    Plotly
                      |               |
    통계/EDA ----> Seaborn       Plotly Express
                      |               |
    선언적/간결 --> Altair        Altair (VegaFusion)
                      |               |
    대용량/웹앱 --> (not ideal)   Bokeh, Dash

Plotly + Dash 예시:

import plotly.express as px
from dash import Dash, dcc, html

app = Dash(__name__)

fig = px.scatter(df, x='x', y='y', color='category',
                 title='Interactive Scatter Plot')

app.layout = html.Div([
    dcc.Graph(figure=fig),
    dcc.Slider(min=0, max=100, step=1, value=50)
])

if __name__ == '__main__':
    app.run_server(debug=True)

D. D3.js¶

장점: 완전한 커스터마이제이션, 웹 네이티브

적합한 경우: - 고도로 맞춤화된 시각화 필요 - 웹 퍼블리싱이 주요 목적 - 인터랙티브 스토리텔링

진입 장벽 완화 옵션: - Observable (D3 기반 노트북) - Vega/Vega-Lite (선언적 D3 래퍼) - Chart.js (간단한 차트)

2.4 시각화 유형 선택 가이드¶

목적에 따른 차트 선택:

[비교]
├── 항목 간 비교 → 막대 차트
├── 시간에 따른 비교 → 라인 차트
└── 부분-전체 비교 → 파이/도넛 (항목 5개 이하)

[분포]
├── 단일 변수 → 히스토그램, 박스플롯
├── 두 변수 → 산포도
└── 밀도 → 바이올린, KDE

[관계]
├── 두 변수 → 산포도
├── 다변수 → 평행좌표, 히트맵
└── 계층 → 트리맵, 선버스트

[구성]
├── 정적 → 스택 막대, 파이
├── 시간 흐름 → 스택 영역
└── 지리 → 코로플레스 맵

[추세]
├── 연속 → 라인 차트
├── 불연속 → 막대 차트
└── 다중 시리즈 → 스몰 멀티플

3. 대한민국 공공기관/공기업 데이터 분석 프로젝트¶

3.1 정책 방향 및 추진 체계¶

범정부 AI 공통기반¶

행정안전부와 과학기술정보통신부가 2024년 11월부터 '범정부 AI 공통기반' 시범 서비스를 시작했다.

주요 내용: - 삼성SDS, 네이버클라우드 등 민간 AI 서비스를 정부 내부망에서 활용 - 중앙/지방정부의 AI 대화형 서비스 접근성 향상 - 2025년 '독자 AI 파운데이션 모델 프로젝트' 추가 도입 예정

디지털플랫폼정부 추진¶

추진 과제	내용	목표
국민드림 프로젝트	맞춤형 행정 서비스	국민 편의 향상
혜택알리미	AI 기반 복지 안내	복지 사각지대 해소
공공업무 프로세스 개선	AI 자동화	처리 시간 25% 단축

3.2 기관별 주요 프로젝트¶

A. 한국전력공사 (KEPCO)¶

AMI 기반 고독사 예방 서비스 (2024-): - AMI(Advanced Metering Infrastructure) 데이터 분석 - 전력 사용 패턴 이상 감지 시 복지 기관 연계 - 2024년 본격 서비스 이후 15건 실제 구조 달성 - 확대 시 연간 15,000명 고독사 예방 기대

B. 한국토지주택공사 (LH)¶

프로젝트	기간	파트너	내용
생성 AI 업무기준 질의응답	2024	올거나이즈	LLM 기반 내부 지식 검색
건설사고 예측 AI	2025	국토안전관리원	빅데이터 기반 사전 예방
메타버스 유지보수	진행중	-	VR/AR 활용 시설 점검

건설사고 예측 AI 협력 사업 (2025.05): - 국내 건설사고 데이터 분석 - 건설 현장 위험 요인 분석 - 생성형 AI 활용 사고 예측 기술 개발 - 민간 전파를 통한 산업 전체 안전 향상

C. 한국철도공사 (코레일)¶

AX(AI Transformation) 경영 로드맵: - 모든 철도 분야 업무에 실시간 데이터 기반 AI 적용 목표 - 2025년 AI전략본부 출범

주요 프로젝트:

프로젝트	상태	내용
AI 챗봇	운영중	고객센터 100만 건 돌파 (2025.09)
KTX CBM	운영중	AI 기반 상태기반 유지보수
디지털 아카데미	구축중	AI/디지털트윈 교육장 (대전, 서울)
AI 서포터즈	진행중	직원 AI 활용 역량 강화

KTX 상태기반 유지보수(CBM) 시스템: - AI와 빅데이터를 활용한 실시간 차량 상태 모니터링 - 고장 예측을 통한 사전 정비 - 운행 안전성 및 효율성 향상

D. 국토교통부 - 스마트도시 데이터허브¶

제4차 스마트도시 종합계획 (2024-2028): - IoT, 클라우드, 디지털트윈 기반 초연결 인프라 - AI, 기계학습, 빅데이터 컴퓨팅 기반 초지능 서비스

2025년 스마트도시 데이터허브 시범솔루션 발굴사업: - 선정 지자체: 울산광역시, 제주특별자치도, 충청북도(제천시) - 교통, 안전, 환경 등 도시 데이터 통합 플랫폼 활용 - AI 기반 도시 상황 예측 서비스 개발

E. 국민권익위원회¶

AI 민원분석 서비스 (2025): - '2025년 초거대 AI 서비스 개발지원' 사업 선정 - 6월 19일 나라장터 공고 - 민원 패턴 분석 및 자동 답변 생성 - 처리 시간 단축 및 정확도 향상 목표

F. 한국지능정보사회진흥원 (NIA)¶

빅데이터 플랫폼 기반 분석서비스 지원 사업:

연도	참여 기업	우수사례
2023	49개	15개 선별
2024	확대	사례집 발간

분석 지원 사례: - 고객층 분석 기반 마케팅 전략 수립 - AI 해양쓰레기 탐지 기술 개발 - 공간정보 기반 화밀량 등급 정보 개발 - 장미 생육환경 분석

데이터 플래그십 사업 (2024): - 공공/민간 데이터 자유로운 흐름과 활용 지원 - 국가데이터인프라 구축 - 데이터 유통 및 활용 촉진

3.3 나라장터 주요 입찰 공고 (2024-2025)¶

공고명	발주기관	시기	내용
생성형AI 기반 교통AI빅데이터 융합플랫폼 서비스 고도화	-	2025.07	교통 데이터 + AI
AI 민원분석 서비스 개발	국민권익위	2025.06	초거대 AI 활용
차세대 나라장터 구축	조달청	2021-2024	ABCD+M 기술 기반
2025 AI디지털배움터	NIA	2025	부산/울산/경남

조달청 차세대 나라장터 기술 스택 (ABCD+M): - AI (인공지능) - Block Chain (블록체인) - Cloud (클라우드) - big Data (빅데이터) - Metaverse (메타버스)

3.4 공공부문 AI 도입 현황 (SPRI, 2024)¶

소프트웨어정책연구소(SPRI) '2024년 공공부문 AI 도입현황 연구' 주요 내용:

도입 목적 변화:

2017년 이전: 기록물, 빅데이터 수집/관리 (자원관리)
     ↓
2017년 이후: AI 기술 활용 데이터 분석 및 의사결정

주요 적용 분야: 1. 문서 분류 및 요약 2. 민원 자동 응답 3. 이상 탐지 및 예측 4. 정책 시뮬레이션 5. 영상/음성 인식

3.5 정보 수집 경로¶

플랫폼	URL	내용
나라장터	https://www.g2b.go.kr	입찰공고, 계약정보
조달데이터허브	https://data.g2b.go.kr	조달 Open API
공공데이터포털	https://www.data.go.kr	공공데이터 검색
NIA 입찰공고	https://www.nia.or.kr	지능정보화 사업
스마트시티 종합포털	https://smartcity.go.kr	스마트도시 사업
G2B+	https://www.g2bplus.kr	AI 기반 입찰 분석

4. 참고 자료¶

4.1 저널 및 논문¶

출처	제목	링크
arXiv	LLMs for Explainable AI: A Comprehensive Survey	https://arxiv.org/html/2504.00125v1
ScienceDirect	Explainable AI (XAI): A systematic meta-survey	https://www.sciencedirect.com/science/article/pii/S0950705123000230
Springer	Bayesian federated causal inference in manufacturing	https://link.springer.com/article/10.1007/s10845-025-02665-7
ScienceDirect	Federated learning: A cutting-edge survey	https://www.sciencedirect.com/science/article/abs/pii/S0140366424003116

4.2 컨퍼런스 자료¶

컨퍼런스	자료	링크
NeurIPS 2024	AI Research Trends	https://shmouses.github.io/NeurIPS2024AITrends/
NeurIPS 2024	Graph/GNN Papers (450-500편)	https://github.com/azminewasi/Awesome-Graph-Research-NeurIPS2024
AAAI 2024	Large Scale GNNs Tutorial	https://sites.google.com/ncsu.edu/largescalegnn/home/aaai_2024

4.3 산업 보고서¶

기관	보고서	링크
MIT Sloan	Five Key Trends in AI and Data Science for 2024	https://sloanreview.mit.edu/article/five-key-trends-in-ai-and-data-science-for-2024/
SPRI	2024년 공공부문 AI 도입현황 연구	https://spri.kr/download/23669
NIA	2024 빅데이터 플랫폼 기반 분석서비스 성과사례집	https://www.nia.or.kr
KISDI	한국 AI 정책 현황 및 발전 방안	https://www.kisdi.re.kr

4.4 정부 정책 자료¶

기관	문서	링크
국토교통부	제4차 스마트도시 종합계획(2024-2028)	https://smartcity.go.kr
행정안전부	국가별 공공부문 AI 도입 및 활용 전략	https://www.innovation.go.kr
삼성SDS	공공 디지털 혁신, 초거대 AI와 클라우드 준비	https://www.samsungsds.com

4.5 도구 및 플랫폼 문서¶

도구	문서	링크
Tableau	Visual Analysis Best Practices	https://www.tableau.com/learn/whitepapers/tableau-visual-guidebook
Tableau	Data Visualization Best Practices	https://www.tableau.com/visualization/data-visualization-best-practices
Tableau Blueprint	Visual Best Practices	https://help.tableau.com/current/blueprint/en-us/bp_visual_best_practices.htm
DataCamp	Dashboard Design Tutorial	https://www.datacamp.com/tutorial/dashboard-design-tutorial

본 문서는 2025년 12월 기준으로 작성되었으며, 최신 정보는 각 출처를 직접 확인하시기 바랍니다.