GE Aerospace에서는 항공기 엔진의 유지보수 비용 대비 활용도를 최적화하기 위한 예측 모델을 개발합니다. 이러한 모델은 다양한 하드웨어 구성 조합이 존재하는 여러 엔진 제품군에 적용될 수 있습니다. 더욱 복잡한 것은, 다양한 엔진 그룹 또는 기종(예: 항공사, 지역 등)에 적용되는 수많은 다른 명칭들이 있다는 점입니다.
병렬 플롯은 특정 엔진 일련 번호에 대한 모델의 적용 가능성을 특정 구성 및 그룹화를 기반으로 시각화하고 관리하는 비교적 간단한 방법을 제공합니다. 추가적인 모델 지표로서, 이러한 시각적 관리는 영향력을 기준으로 개별 모델의 업데이트 및 튜닝 우선순위를 정하는 데 도움이 됩니다.
안녕하세요. 제 발표에 오신 것을 환영합니다. 저는 리 베커입니다. GE 에어로스페이스의 수석 분석 엔지니어이며, 데이터 과학 조직에서 근무하고 있습니다. 오늘 발표에서는 제가 최근에 발견한 JMP의 유용한 그래픽 도구에 대해 이야기하려고 합니다. 이 도구는 데이터 탐색에 매우 도움이 됩니다.
제 논문 초록은 여기에서 읽으실 수 있습니다. 웹사이트에도 게시되어 있습니다. GE Aerospace에서는 항공기 엔진의 유지보수 비용 대비 활용도를 최적화하기 위한 예측 모델을 개발합니다. 이러한 모델은 다양한 하드웨어 구성 조합이 존재하는 여러 엔진 제품군에 적용될 수 있습니다. 더욱 복잡한 것은 항공사 지역 등 다양한 엔진 그룹 또는 기종에 적용하는 수많은 다른 명칭들이 있다는 점입니다.
병렬 플롯은 특정 엔진 일련 번호 또는 자산에 대한 모델의 적용 가능성을 특정 구성 및 그룹화를 기반으로 시각화하고 관리하는 비교적 간단한 방법을 제공합니다. 추가적인 모델 지표로서, 이러한 시각적 관리는 모델의 영향력을 기준으로 업데이트 및 튜닝의 우선순위를 정하는 데 도움이 됩니다.
그럼 바로 시작하겠습니다. 먼저 제 소개를 간단히 드리겠습니다. 저는 GE Aerospace에서 23년간 다양한 엔지니어링 직책을 맡아왔습니다. 대부분 비행 데이터, 특히 항공기에서 나오는 데이터의 추세 분석 및 처리에 관련된 업무를 담당했습니다. 말씀드렸다시피, 항공기 운항 시간을 관리하고 유지 보수 비용과의 균형을 맞추는 것이 중요했습니다.
현재 저는 데이터 과학 및 분석 조직에서 수석 분석 엔지니어로 근무하고 있습니다. 저는 엔지니어이지 데이터 과학자는 아니기 때문에 제 직무를 설명할 때 항상 이 점을 명심해야 합니다. 저는 시각적인 학습 능력이 뛰어나고 데이터 시각화에 대한 열정이 매우 큽니다. 마지막으로 한 가지 더 말씀드리자면, 외부에서 강연을 할 때는 일부 내용을 가상으로 만들어내야 합니다. 고객 보호를 위해 모든 데이터는 익명 처리되었지만, 실제 사례 연구를 기반으로 하고 있습니다.
서두에서 언급했듯이, GE Aerospace에서는 다양한 예측 모델을 개발합니다. 이러한 모델은 항공기의 구성에 따라 특정 자산 그룹에 맞춰 매우 세밀하게 조정됩니다. 여기서 구성이란 엔진 계열과 같은 것을 의미합니다. 소형 지역 항공기부터 훨씬 크고 강력한 엔진이 필요한 대형 국제선이나 대륙 간 항공편까지 다양합니다.
모듈이란 팬, 압축기, 연소기, 터빈이 있고, 흡입, 압축, 폭발, 배출의 과정을 거치는 것을 의미합니다. 이것이 터빈 엔진의 일반적인 구성입니다. 하지만 엔진의 이러한 구성 요소들은 내부 하드웨어의 제조 연도나 구성이 다양할 수 있습니다. 우리가 만드는 모델은 이러한 점을 알아야 합니다.
항공사 고객들은 비행 습관뿐만 아니라 운항 지역에서도 각기 다른 행동 양식을 보입니다. 지역적 영향, 노선 구조, 그리고 고려해야 할 여러 가지 요소들이 있습니다. 우리는 항공기의 비행 시간이나 엔진 수명을 예측하고 이러한 자산들을 관리하려고 합니다. 제가 보여드리는 이 그래프는, 그리고 한 가지 덧붙이자면, 여기에 있는 모든 그래프는 JMP의 다양한 플랫폼을 통해 제작되었습니다.
혹시 이 지도들을 재현해 보거나, 아니면 엔진 단면의 히트맵 같은 간단한 그래픽 작업을 다시 해보는 데 관심이 있으시다면 나중에 이야기 나눠보시는 것도 좋겠습니다. 좀 만화 같긴 하지만, 적어도 색칠하고 지도 요소들을 구분하는 작업은 모두 JMP에서 했거든요.
다시 본론으로 돌아가서, 간단히 말해서 이 모든 차원을 관리하려고 하면 복잡해집니다. 예측 모델을 구축하려고 할 때, 이러한 모든 요소들을 잠재적인 기준으로 삼아 자산들을 분류하고 동시에 관리해야 합니다. 하지만 우리에게 중요한 점은 이러한 자산들이 업그레이드될 것이고, 시간이 지남에 따라 구성이 변경될 것이라는 사실입니다.
모델 관리는 특정 시점에 어떤 자산에 어떤 하드웨어가 있는지 파악하는 요소가 됩니다. 예를 들어, "이 특정 항공기에는 작년에 이 압축기 구성의 엔진이 75대 있었는데, 지금은 같은 구성의 엔진이 100대 있고 그중 25대는 업그레이드되거나 다른 구성으로 변경되었다"라고 관리하는 것이죠. 이 부분에 대해서는 나중에 그래픽 자료를 통해 자세히 설명하겠습니다.
하지만 오늘 논의를 위해 제가 준비한 구체적인 예시를 바로 살펴보겠습니다. 다섯 개의 항공사를 추적한다고 가정해 보겠습니다. 각 항공사는 서로 다른 두 가지 유형의 엔진을 운용하고 있습니다. 각 엔진 유형은 팬, 압축기, 연소기, 터빈의 네 가지 구성 요소로 이루어져 있습니다. 그리고 각 구성 요소는 항공사가 관리하려는 항공기 내에서 여러 제조 연도 또는 구성으로 존재할 수 있습니다.
어떤 자산이 어떤 구성을 가지고 있는지 파악하는 것은 정말 복잡한 일입니다. 처음 탐색을 시작할 때, 이러한 분포는 어떻게 생겼을까 하는 생각이 들죠. 아마도 가장 먼저 떠오르는 생각은 그래프를 그려보는 것일 겁니다. 분포가 실제로 어떻게 생겼는지 이해해 보자는 거죠. 처음 시작하는 사람이라면 히스토그램이나 아주 기본적인 분포를 살펴보는 것부터 시작할 겁니다.
처음에는 아마도 맨 위에 있는 헤더 그래프를 활용하고 싶을 겁니다. JMP 최신 버전에 이런 기능이 있다는 걸 몰랐다면 한번 사용해 보세요. 아주 간단한 히스토그램을 만들 수 있습니다. 제 데이터는 모두 범주형 데이터라서 연속형 데이터처럼 분포를 살펴보고 이상치를 찾는 데 어려움은 없습니다. 하지만 이런 식으로 범주형 데이터를 분석하고 변수들 간의 관계를 파악하는 것은 꽤 쉽고 간단합니다.
다음으로 떠오르는 생각은 아마도 "자, 그럼 분포 플랫폼을 활용해 보자"일 겁니다. 이 플랫폼은 사용법이 상당히 간단합니다. 연속형 데이터를 다룰 때는 좀 더 자세한 기술 통계를 얻을 수 있습니다. 빈도와 통계에서 더 많은 정보를 확인할 수 있죠. 이해를 돕기 위해 여기서는 일부 정보를 숨겨두었습니다.
세 번째 방법은 다소 생소하고 생각지도 못했거나 고려하고 싶지 않았을 수도 있지만, 입력 변수 쌍이나 축 쌍의 각 조합에 대해 분할표를 만들어 보는 것입니다. 제가 여기서 보여드린 것처럼, 보기에 쉽지 않은 시각화 방식입니다. 이런 방식으로 데이터를 시각화하는 것을 선호하는 분들도 계시지만, 다차원 데이터를 다룰 때는 실제로 무슨 일이 일어나고 있는지 파악하기가 어려워지는 경향이 있습니다.
여기서 한 가지 더 말씀드리고 싶은 것은 JMP 내에서도 탐색할 수 있는 다양한 방법이 있다는 것입니다. JMP에서는 거의 모든 작업에 대해 두세 가지 다른 방법을 찾을 수 있습니다. 특히 탐색할 때 이러한 상호 작용 기능은 큰 장점입니다. 예를 들어, 제가 관리하는 항공사 유통망에서 다섯 개의 항공사 중 하나를 선택하면 어떤 엔진 유형, 어떤 팬 구성, 어떤 압축기 구성을 사용할 수 있는지 바로 확인할 수 있습니다.
분포 내의 여러 막대를 선택할 때마다 강조 표시가 바뀌는 것을 볼 수 있습니다. 기본 데이터 테이블에서도 선택에 따라 레코드가 변경되는 것을 확인할 수 있습니다. 이러한 시각화 도구를 사용하여 데이터 테이블을 포함하여 열려 있는 모든 플랫폼에서 선택 작업을 더욱 효율적으로 수행할 수 있습니다. 정말 다양한 상호 작용 기능이 제공됩니다. 하지만 앞서 언급했듯이 차원이 높아질수록 이해하기가 점점 더 어려워집니다.
저는 이 데이터를 시각화하는 새롭고 창의적인 방법을 찾는 데 꽤 흥미를 느꼈습니다. 그러다가 평행 플롯이라는 방법을 발견하게 되었죠. 잠시 시간을 내어 평행 플롯이 무엇인지, 그리고 어떻게 활용할 수 있는지에 대한 배경과 소개를 해드리겠습니다. 앞으로 몇 분 동안 이 부분을 설명드리겠습니다.
아주 간략하게 설명하자면, 평행 플롯은 다변량 데이터를 시각화하는 도구입니다. 여기에서도 마찬가지로 각 축은 서로 다른 변수를 나타내며, 축들은 교차하지 않고 평행하게 배치됩니다. 데이터 포인트는 각 변수의 값에 해당하는 지점에서 각 축과 교차하는 선으로 표현됩니다. 이를 통해 여러 차원에 걸쳐 패턴, 상관관계, 이상치를 시각화할 수 있으며, 특히 고차원 데이터 분석에 유용하여 데이터 세트 내의 관계, 추세, 군집을 파악하는 데 도움을 줍니다.
여기서 해당 내용을 많이 생성해 보면, JMP 내의 상호작용 기능이 이러한 관계들을 파악하는 데 얼마나 강력한지 다시 한번 확인할 수 있습니다. 이제 더 이상 여러 그래프를 일일이 살펴보면서 배포 플랫폼 내에서 서로 어떻게 연결되어 있는지 확인할 필요가 없습니다. 리본 라인을 통해 모든 관계가 한눈에 보이도록 구성할 수 있습니다.
데이터가 연속형인지 범주형인지에 따라 다른 관점을 얻게 되는데, 나중에 몇 가지 예시를 보여드리겠습니다. 제가 직접 경험해 본 바로는, 이런 방식으로 데이터를 플로팅하고 병렬 플롯을 활용하여 탐색하는 것이 매우 유용하다는 것을 알게 되었습니다. 그럼 제가 선호하는 방식으로 병렬 플롯을 만드는 방법을 간단히 설명드리겠습니다.
그래프 빌더로 들어가 보겠습니다. 데이터 테이블부터 다시 시작해 보죠. 그래프 빌더는 이 아이콘을 클릭하거나, [그래프] > [그래프 빌더]로 들어가면 됩니다. 2단계로, 한 번에 플롯할 모든 열을 선택합니다. 선택한 열들을 모두 X축으로 드래그합니다. 그런 다음 [00:13:00] 평행 플롯 생성 버튼을 클릭합니다. 아직 완전히 끝난 건 아닙니다. 먼저, JMP에서 여러분이 알고 계실 수도 있고 모르실 수도 있는 또 다른 기법을 하나 더 소개하겠습니다.
저는 모든 요소가 항상 같은 크기와 모양을 유지했으면 좋겠어요. 마우스 오른쪽 버튼을 클릭하고 '프레임 설정 복사'를 선택한 다음, 여기에 붙여넣고, 다시 편집하고, 붙여넣기하고, 프레임 설정을 선택하면 그래프의 모든 요소가 같은 크기의 직사각형으로 보이게 됩니다. 제 개인적인 취향이지만, 이런 기능이 있다는 걸 모르셨을 수도 있겠네요.
자, 이제 제가 설명드린 마지막 부분에서 색상을 입혀 보겠습니다. 이전 예시에서는 항공사를 기준으로 색상을 입혔는데요. 항공사 매개변수를 여기 항공사 드롭 영역이나 색상 드롭 영역으로 드래그하면 됩니다. 그러면 끝이지만, 아직 완전히 끝난 건 아닙니다. 제가 좀 거슬리는 부분이 있는데, 사람들이 작업이 끝나면 "끝났다"라고 말하지 않고 그냥 넘어가는 경우가 있거든요. 자, 이제 됐습니다.
그래프 빌더에서 항상 완료 버튼을 클릭하세요. 그러면 됩니다. 오늘 발표에 사용한 그래프도 이런 식으로 만들었습니다. 제가 설명하는 데는 2~3분 정도 걸렸지만, 실제로 데이터를 탐색하는 데 도움이 되는 아주 간단한 시각 자료를 만드는 데는 몇 초밖에 걸리지 않습니다. 아마도 여러분이 이전에는 알지 못했던 아주 새로운 방식으로 데이터를 살펴볼 수 있을 겁니다. 단순히 분포를 보여주고 JMP의 상호작용 기능을 활용하여 데이터를 탐색하는 방식이죠.
사용자 정의의 고급 기능 몇 가지에 대해서도 간략하게 말씀드리고 싶습니다. 색상 기능은 이미 보여드렸죠. 여러 상황에서 매우 유용하지만, 항공사에만 색상을 적용하고 해당 항공사가 이미 그래프에 표시된 경우에는 그다지 도움이 되지 않을 수도 있습니다. 색상 없이도 여러 축을 따라 리본을 그릴 수 있기 때문입니다.
하지만 그래프를 좀 더 단순화하기 위해 시도해 볼 수 있는 한 가지 방법은 실제 그래프에 표시하지 않는 매개변수에 색상을 적용하는 것입니다. 여기 예시에서 엔진 유형을 그래프에서 제거했습니다. 아래쪽에 X 표시가 하나 줄었죠. 하지만 저는 해당 매개변수에 색상을 적용하여 그래프를 쉽게 이해할 수 있도록 했습니다.
그렇게 하려면 제어판을 다시 켜고 목록에서 엔진 유형을 제거합니다. 색상 선택 영역에서 색상을 빼고 엔진 유형을 [들리지 않는 부분 00:16:12]에 넣습니다. 기본적으로 같은 방식입니다. 앞으로 모든 예시를 이렇게 자세히 설명하지는 않겠지만, 데이터를 보는 다양한 방법과 색상화를 활용하여 병렬 플롯을 보는 방법을 보여드리는 것입니다. 이렇게 하면 데이터를 탐색하고 여러 항목을 선택하는 데 도움이 됩니다.
제 예시 2로 돌아가 보겠습니다. 여기서는 세 개의 축만 표시했고, 팬 구성(2D 팬 블레이드 또는 3D 팬 블레이드)에 따라 색을 입혔습니다. 모든 2D 팬 블레이드는 파란색으로 표시되어 있으며, 이 모든 2D 팬 블레이드는 기존 V1 터빈 구성에 해당합니다. 더 넓은 병렬 그래프만 보고도 이러한 일대일 관계를 파악할 수 있었을지는 모르겠지만, 이 경우에는 그렇지 않을 수도 있습니다.
이것도 시각화를 단순화하는 데 도움이 될 수 있는 또 다른 기법입니다. 여기서는 색상을 활용하여 데이터 내의 다양한 차원을 탐색해 볼 수 있습니다. 특히 흥미로운 점은 축을 기준으로 확연히 구분되는 빨간색이나 파란색 영역이 있고, 그 왼쪽에는 보라색 계열의 영역이 있는 경우를 볼 수 있다는 것입니다. 데이터가 한쪽으로 치우치는 이분법적인 특성을 가질 때, 이러한 방식으로 쉽게 구분할 수 있습니다.
다시 말해, 이 변수 중 하나를 제거하고 파란색과 빨간색으로 나누는 구분을 없앤다면, 보라색의 색조만으로 내가 그 극단적인 쪽 중 어느 쪽에 속하는지, 즉 시각적인 단서만으로 판단할 수 있을 겁니다. 아주 파란색이거나 아주 빨간색이거나, 아니면 그 중간 어디쯤에 있는 거죠.
다른 방법으로는 로컬 데이터 필터를 사용하는 것입니다. 로컬 데이터 필터는 데이터 세트의 다양한 조합을 탐색하는 데 매우 유용하며, 설정 방법도 간단합니다. 로컬 데이터 필터는 바로 여기에 있습니다. 플롯에 표시된 변수뿐만 아니라 데이터 세트에 있는 모든 변수에 로컬 데이터 필터를 설정할 수 있습니다. 한번 설정해 보겠습니다. 이 화면은 이전에 보여드렸던 화면과 거의 동일합니다.
하지만 이런 방식으로 로컬 데이터 필터를 활용하여 탐색하는 이유는, 이를 통해 데이터 세트 내의 다양한 하위 그룹이나 하위 기종들을 선택적으로 살펴볼 수 있기 때문입니다. 예를 들어 에어 아메리카만 보고 다른 축에서 어떻게 나타나는지 확인하고 싶다면, 다른 데이터와 비교하여 해석하려고 애쓰는 대신 이 기능을 이용하면 훨씬 쉽게 확인할 수 있습니다. 특정 기종만 선택해서 볼 수도 있고, 다른 축에 대해서도 특정 기종만 선택하여 어떻게 나타나는지 확인할 수 있습니다.
이는 분석하려는 데이터 내에서 탐색하고 필요한 정보를 선별하는 또 다른 방법입니다. 지난번 로컬 데이터 필터 예시를 보여드리겠습니다. 이 예시는 앞서 언급했던 데이터의 시간적 변화 양상을 이해하는 데 도움을 드리기 위해 만들었습니다. 2024년 보기 화면은 지금까지 설명드린 데이터 세트와 정확히 동일하게 보일 것입니다. 그 이전에는 이러한 자산 또는 엔진들의 이력 데이터가 있었고, 시간이 지남에 따라 구성 변경이 여러 차례 있었습니다. 제가 여기서 보여드리고자 하는 것은 바로 이러한 구성 변경 사항들을 시간 경과에 따라 시각화한 것입니다.
지금까지 그래프에 나타내지 않았던 또 다른 차원이 있습니다. 바로 시간이라는 요소입니다. 예를 들어, CM5-5 기종들이 퇴역하면서 시간이 지남에 따라 그 수가 어떻게 감소했을지 궁금합니다. 전체 데이터를 한눈에 볼 수도 있고, 특정 기종이나 엔진 그룹을 선택해서 살펴볼 수도 있습니다.
이제 저는 연도별 추이를 살펴보면서 "좋아요, 2020년에는 모든 고객이 최소한 몇 대씩은 보유하고 있었던 것 같네요. 그러다가 2021년에는 몇몇 고객이 퇴역했고, 2022년에는 네 대만 남았네요."라고 말할 수 있습니다. 에어 아메리카는 2021년과 2022년 사이에 보유하고 있던 모든 항공기를 처분했습니다. 이제 해당 기종을 보유한 고객은 두 곳뿐입니다. 가장 최근 데이터만 봐도 그 시점까지 항공기 보유 대수가 상당히 줄어든 것을 알 수 있습니다.
여기서 제가 시간의 흐름에 따라 사물을 살펴보는 이 방법을 통해 설명할 또 다른 유용한 기법이 있습니다. 어느 시점에 저는 아주 오래된 구성의 압축기 설정을 가지고 있었습니다. 다시 말해, 선택 도구로 사용할 모든 데이터의 상위 집합으로 돌아가서 기본 데이터 테이블로 돌아가 과거의 자산을 찾는 방법은 자산 번호를 선택하고 행 선택으로 이동하여 일치하는 셀을 선택하는 것입니다.
이 기능은 과거에 아주 오래된 설정으로 사용되었던 자산과 현재 상태를 모두 찾아 보여줍니다. 그리고 그 예시를 통해 설명해 줍니다. 이제 아직 완벽하진 않지만 시각화는 완료되었습니다. 현재 상태뿐 아니라 과거에도 아주 오래된 설정으로 사용되었던 모든 자산을 선택할 수 있습니다.
이제 시간을 거슬러 올라가 2020년에는 어떤 모습이었는지, 2021년에는 어떻게 변했는지, 2022년에는 어떻게 변화했는지 살펴볼 수 있습니다. 몇몇 모델은 이미 업그레이드되었을 수도 있지만, 2024년의 모습과 지금의 모습을 비교해 보면 가장 큰 변화를 확인할 수 있을 겁니다.
모두 상위 버전으로 업그레이드되었습니다. 상당수가 새로운 구성으로 업그레이드되었죠. 상위 수준에서는 이 그래프와 저 그래프의 차이가 명확하지 않을 수도 있습니다. 하지만 이것 또한 데이터를 탐색하는 데 사용할 수 있는 또 다른 기법입니다. 차원이나 X축 변수, 즉 X축에 표시하지 않은 변수를 색상으로 나타내고 로컬 데이터 필터를 사용하여 데이터를 탐색하고 선택하는 데 도움을 받을 수 있습니다.
마지막으로 말씀드리고 싶었던 것은 연속형 데이터 측면입니다. 이것은 아이리스 데이터셋입니다. 이 프레젠테이션을 준비하면서 우연히 발견한 데이터셋인데요. 그래프를 열고 '평행 플롯'을 선택하면 다음과 같은 결과가 나타납니다. 제가 직접 살펴본 결과, 이 기법은 연속형 데이터를 나타내는 데는 매우 효과적이지만, 범주형 데이터를 나타내는 데는 그다지 적합하지 않다는 것을 알게 되었습니다.
원래 데이터 세트를 그래프로 표시하려면 그래프 메뉴에서 평행 플롯 기능을 사용하면 됩니다. 하지만 보기 좋거나 깔끔하지는 않죠. 좀 더 보기 좋게 만들 수 있는 다른 옵션들이 있을 수 있지만, 사람마다 취향은 다르니까요. 다시 말해, 이것은 여러분이 지금까지 접해온 방식과는 조금 다른 데이터 시각화 방법일 뿐입니다. 다양한 응용 분야와 데이터 탐색 방법이 존재한다는 것을 알아두세요.
만약 제가 아이리스 데이터셋으로 돌아가서 평소처럼 평행 플롯을 그리고, 축 목록을 선택해서 X축에 넣고 평행 플롯을 실행하면, 조금 더 유용한 정보를 얻을 수 있을 겁니다. 하지만 결국 같은 결과를 얻는 여러 가지 방법일 뿐이죠. 제가 오늘 이 자리에 모인 이유는 바로 이러한 다차원 데이터를 활용하고, 이 기법을 통해 데이터를 탐색하는 방법을 알려드리기 위해서입니다.
이것으로 제가 이번 발표에서 다루고 싶었던 내용을 모두 정리했습니다. 데이터 활용 및 시각화 방법에 대한 몇 가지 조언도 덧붙이자면, JMP 웹사이트에서 제공하는 온디맨드 웨비나에서 얻은 정보들을 활용해 볼 수 있습니다. 웨비나를 시청하시거나 직접 연락해 보셔도 좋습니다. 데이터 시각화와 관련하여, 모든 것을 단순하게 유지하는 방법에 대한 훌륭한 조언들을 많이 얻을 수 있을 겁니다.
저는 그 점을 정말 중요하게 생각합니다. 왜냐하면 탐색 모드와 설명 모드, 이 두 가지를 구분하는 데 매우 신중해야 하기 때문입니다. 데이터를 탐색하고 제 목적에 맞게 시각화할 때는 제가 왜 특정 부분을 클릭하는지, 왜 그런 방식으로 작업을 하는지 정확히 알고 있습니다. 하지만 같은 그래픽 자료를 이용해서 무언가를 설명하려고 할 때는 스스로를 설명하는 데 어려움을 겪을 수 있습니다.
이처럼 복잡해 보이는 것을 설명 목적으로 사용할 때는 최대한 간단하게 설명하려고 노력해야 합니다. 탐색적 시각화에는 훌륭한 도구이지만, 청중이나 경영진에게 설명할 때는 제가 앞에서 언급한 방법들을 다시 활용하여 화면을 단순화하고 핵심 내용을 더 빠르게 전달하는 것이 좋을 것 같습니다. 간단한 것이 항상 더 좋습니다.
자, 여기서 중요한 점은 이것입니다. 상식처럼 들릴지 모르지만, 자신에게 명백한 것이 청중에게도 명백할 거라고 절대 가정하지 마세요. 파워포인트 차트에 무언가를 적었거나, 어떤 내용을 설명하기 위해 그래프를 그렸다면, 그것을 말로 설명하고, 그 결론에 도달한 과정을 구체적으로 설명하는 항목들을 추가하고, 결론을 명확히 제시하세요. 이 관점에서 내가 도출하려는 결론은 무엇일까요? 자신에게 명백한 것이 청중에게도 명백할 거라고 절대 가정하지 마세요.
마지막으로 제가 언급하고 싶은 것은, 솔직히 저도 자주 실수하는 부분인데, 시각화와 예술성 사이에는 미묘한 균형이 있다는 것입니다. 단지 예쁘게 보이기 위해서만 예쁘게 만들지 마세요. 제작하는 그래픽이 유용하고 스토리를 전달하는 데 도움이 되는지, 아니면 오히려 방해가 되는지 확인해야 합니다.
시각화 그 자체를 위한 시각화, 예술 그 자체를 위한 예술입니다. JMP의 평행 플롯 관련 도움말 링크도 첨부했습니다. 앞서 말씀드린 마이크 앤더슨의 온디맨드 웨비나도 매우 유용하니 강력히 추천합니다. 그럼 이만 마치겠습니다. 감사합니다.
