패스트캠퍼스 환급챌린지 24일차: <세계 3등에게 배우는 실무 밀착 데이터 시각화> 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://abit.ly/lisbva

---

학습 시작 날짜, 시간 포함 사진

학습 종료 날짜, 시간 포함 사진

 

강의장 캡처

강의노트 일부

---

강의후기 및 인사이트

 

<키워드> 

- Window 함수 (Running 함수와의 차이)

- 테이블 계산 활용사례 

 

오늘은 태블로에서 윈도우 함수(Window Function) 와 그 활용 방법에 대해 배웠다. 대표적으로 WINDOW_SUM, WINDOW_AVG 등이 있는데, 이 함수들은 일정한 범위(창, Window) 내에서 누적 합계나 평균을 계산하는 역할을 한다. 흥미로웠던 건 이전에 배웠던 러닝 함수(Running Function) 와 윈도우 함수가 비슷해 보이지만, 계산 방식에서 확실한 차이가 있다는 점이었다.

 

러닝 함수는 현재 위치까지 누적해서 계산하는 방식이다. 예를 들어, 러닝 합계(RUNNING_SUM)를 쓰면 특정 행까지 이전 값들을 모두 누적해 나가는 식이다. 반면 윈도우 함수는 지정된 범위(윈도우) 내에서만 계산이 이뤄진다. 예를 들어, 최근 3개월, 또는 현재 행을 기준으로 앞뒤 몇 개 행만 포함하는 등, 범위를 자유롭게 설정해서 그 안에서만 합계나 평균을 계산할 수 있다. 그래서 러닝 함수가 시계열 누적 분석에 적합하다면, 윈도우 함수는 이동평균(rolling average) 같은 범위 기반 분석에 더 유용하다.

 

또한 오늘은 테이블 계산을 활용한 구체적인 사례도 함께 배웠는데, 그중에서도 카테고리 내 서브 카테고리 비율 계산이 특히 유용해 보였다. 전체 비율이 아니라, 상위 그룹(카테고리) 안에서 하위 그룹(서브 카테고리) 가 차지하는 비율을 자동으로 계산해주는 방식이다. 실무에서는 제품군별 구성비나 부서별 기여도 분석 등에서 자주 활용될 수 있을 것 같았다.

이런 계산 방식들은 모두 원본 데이터를 수정하지 않고도, 시각화 단계에서 유연하게 조작할 수 있다는 점이 매력적이었다. 앞으로 더 다양한 데이터를 가지고, 러닝 함수와 윈도우 함수의 차이를 상황에 맞게 활용하는 법을 익혀야겠다는 생각이 들었다