Data Science

CRISP-DM: 데이터 분석 프로젝트의 표준 프레임워크

lko9911_ 2026. 1. 18. 10:07

데이터 분석이나 머신러닝 프로젝트를 진행하다 보면 이런 상황을 자주 겪습니다.

  • “일단 모델부터 만들어볼까?”
  • “데이터는 있는데 뭘 해야 할지 모르겠다”
  • “분석은 끝났는데 이게 비즈니스에 도움이 되나?”

이런 문제를 방지하기 위해 만들어진 것이 바로 CRISP-DM입니다.

 

CRISP-DM은 Cross-Industry Standard Process for Data Mining으로 즉, 산업 전반에서 통용되는 데이터 분석 표준 프로세스입니다.

 

CRISP-DM이란?

CRISP-DM은 데이터 분석 프로젝트를 6단계의 순환 구조로 정의합니다.

 

중요한 점은 선형(직선)이 아니라 반복(iterative) 구조라는 것입니다. 중간에 언제든 이전 단계로 돌아갈 수 있습니다.

 
Business Understanding ↓ 
Data Understanding ↓ 
Data Preparation ↓
Modeling ↓ 
Evaluation ↓ 
Deployment ↺ (필요 시 반복)

1. Business Understanding (비즈니스 이해)

 

무엇을 위한 분석인가?

 

 

이 단계는 기술이 아니라 목적이 핵심입니다.

  • 해결하고 싶은 문제는 무엇인가?
  • 성공의 기준은 무엇인가?
  • 제약 조건은 무엇인가? (시간, 데이터, 비용 등)

흔한 실수

  • “일단 딥러닝 써보자”
  • “정확도 99%가 목표”

좋은 질문 예시

  • 고객 이탈을 줄이면 회사에 어떤 이익이 생기는가?
  • 예측 오차가 어느 정도까지 허용 가능한가?

2. Data Understanding (데이터 이해)

 

데이터는 어떤 상태인가?

 

 

이 단계에서는 데이터를 만져보기 전에 관찰합니다.

  • 데이터 수집
  • 데이터 구조 파악
  • 기초 통계 확인
  • 결측치, 이상치 탐색

 

“데이터를 이해하지 못한 모델은 의미가 없다”

 

3. Data Preparation (데이터 준비)

 

모델이 먹을 수 있는 형태로 가공

 

 

실제 프로젝트 시간의 60~80%가 이 단계에 쓰입니다.

  • 결측치 처리
  • 정규화 / 스케일링
  • 인코딩 (One-hot, Label encoding 등)
  • Feature Engineering
  • Train / Validation / Test 분리
이 단계에서의 결정은 모델 성능과 해석 가능성에 직접적인 영향을 줍니다.

4. Modeling (모델링)

 

모델을 학습시키는 단계

 

 

여기서야 비로소 우리가 흔히 말하는 ML/DL 모델이 등장합니다.

  • 알고리즘 선택
  • 하이퍼파라미터 설정
  • 학습 및 비교

예:

  • Regression / Classification
  • RandomForest vs XGBoost
  • CNN / U-Net / Transformer 등

중요

  • 모델 선택은 문제 정의와 데이터 특성에 따라 달라진다
  • 항상 여러 모델을 비교해야 한다

5. Evaluation (평가)

 

이 모델은 쓸 수 있는가?

 

 

단순한 정확도(Accuracy)만 보면 안 됩니다.

  • Precision / Recall / F1
  • ROC-AUC
  • 비즈니스 관점의 손실 함수

 

“이 모델을 실제로 써도 되는가?”

  • 과적합은 없는가?
  • 새로운 데이터에서도 잘 작동하는가?
  • 비즈니스 목표를 만족하는가?

6. Deployment (배포)

실제 세상에 적용하기

 

모델은 배포되지 않으면 의미가 없습니다.

  • API 형태로 서비스
  • 주기적 배치 예측
  • 대시보드 연동
  • 모델 성능 모니터링

배포 후에도:

  • 데이터 분포 변화 (Data Drift)
  • 성능 저하
  • 재학습 필요성
다시 Business Understanding으로 돌아갑니다.

CRISP-DM의 핵심 철학

✔ 기술 중심이 아닌 문제 중심
✔ 한 번에 끝나는 것이 아닌 반복 개선
✔ 분석가, 개발자, 비즈니스 담당자 간 공통 언어

CRISP-DM이 여전히 유효한 이유

  • 딥러닝, Diffusion, LLM 시대에도 그대로 적용 가능
  • 오히려 모델이 복잡해질수록 프레임워크의 중요성 증가
  • 논문, 실무, 포트폴리오 모두에서 설득력 있음

 

마무리

CRISP-DM은 “모델을 잘 만드는 방법”이 아니라 “문제를 제대로 푸는 방법” 입니다.

 

데이터 프로젝트가 자주 엉키거나 분석 결과가 설득력이 부족하다면 CRISP-DM을 기준으로 한 번 다시 점검해보세요.