⏰2D 14H
M1. 데이터 분석, 어떻게 시작할까? - 글로벌 컨설팅 프로젝트로 배우는 HR Analytics 입문
🔹의사결정을 바꾸는 HR 데이터 분석 사례
🔹실패 없는 데이터 분석 8단계 프로세스
🔹인과관계를 찾아내는 분석 설계법
M2. 쓰레기 데이터로는 분석도 쓰레기: 현장에서 바로 터지는 데이터 품질 문제 해결법
🔹오류·중복·결측·기준 불일치 한 번에 정리
🔹데이터 엔지니어링 핵심 원칙
🔹분석 신뢰도를 높이는 품질 관리 체계
M3. 모델링 전 필수 점검 체크리스트: 탐색적 데이터 분석(EDA)으로 데이터 속 신호 찾기
🔹HR 데이터 유형별 탐색 전략
🔹핵심을 보여주는 요약 통계와 시각화
🔹분석 방향을 결정하는 패턴 읽기
M4. 파이썬 & 엑셀 실전 실습: 데이터 전처리부터 모델 설계까지 한 번에
🔹데이터 정제 → 피처 엔지니어링 → 이상치 점검 (실습)
🔹핵심 변수 설계 및 모델 비교·선정 (실습)
🔹결과 측정 및 형식 오류 해결 (실습)
M5. '이 결과, 믿어도 되나요?' - 통계로 분석 결과 신뢰도 증명하기
🔹가설검정과 p-value 제대로 이해하기
🔹신뢰구간으로 결과의 '가능 범위' 제시하기
🔹효과크기로 '실질적 의미' 판단하기
M6. 상관 ≠ 인과: '함께 변하는 것'과 '원인이 되는 것' 구분법
🔹상관관계와 인과관계의 결정적 차이
🔹인과관계를 찾는 4가지 분석 방법
🔹잘못된 해석이 초래하는 의사결정 리스크
M7. 정확도만 보면 망한다: 머신러닝 모델 성능, 제대로 평가하는 법
🔹과적합의 함정과 교차검증
🔹정확도·민감도·특이도·AUC 완전 이해
🔹비즈니스 목적에 맞는 평가 지표 선택법
M8. CASE STUDY 1 - 합격자가 다른 회사로? 채용 리스크 예측 분석
🔹 IT 업계 '오퍼 수락 후 미입사' 문제 해결
🔹예측 모델로 채용 손실 최소화하기
🔹비즈니스 손익과 연결하는 Talent Analytics
M9. CASE STUDY 2 - 신입 절반이 1년 안에 퇴사? 이탈 예측 액션플랜
🔹퇴사 위험 신호 조기 발견하기
🔹현장 운영과 HR 정책 연결한 솔루션 설계
🔹인적자본 강화를 위한 데이터 기반 의사결정
M10. CASE STUDY 3 - AI HR 어드바이저, 어떻게 신뢰를 얻을까?
🔹 AI 스타트업 'Advancer'의 Scale-up 전략
🔹기술이 아닌 신뢰를 설계하는 법
🔹이해관계자 설득을 위한 커뮤니케이션 전략