데이터 분석이란? 비전공자도 이해하는 기초 개념과 실전 활용법 완벽 가이드

매일 2.5 퀸틸리언 바이트의 데이터가 생성되고 있다는 사실, 알고 계셨나요? 이는 숫자로 표현하면 250,000,000,000,000,000,000바이트에 해당합니다. 더 놀라운 점은 전 세계 기업의 약 95%가 이러한 비정형 데이터를 효과적으로 관리하지 못하고 있다는 것입니다. 이처럼 ‘데이터 분석’은 현대 사회에서 가장 중요한 기술 중 하나로 자리 잡았습니다.

이 글에서는 데이터 분석의 기본 개념부터 실제 활용 방법까지, 비전공자도 쉽게 이해할 수 있도록 설명합니다. 복잡한 수학적 지식 없이도 데이터 분석의 핵심을 파악하고, 일상 업무에 바로 적용할 수 있는 실용적인 팁을 알아보겠습니다. 데이터가 넘쳐나는 시대에 필수적인 데이터 문해력을 키우는 첫걸음을 시작해보세요.

1. 데이터 분석이란? 기본 개념 이해하기

데이터 분석이란 원시 데이터에서 유용한 정보와 인사이트를 추출하는 과정입니다. 간단히 말해, 수집된 데이터를 체계적으로 검토하고 해석하여 의미 있는 결론을 도출하는 작업이라고 볼 수 있습니다.

데이터 분석은 크게 다음과 같은 단계로 구성됩니다:

데이터 수집: 다양한 소스에서 필요한 데이터를 모으는 과정
데이터 정제: 불완전하거나 부정확한 데이터를 정리하고 구조화하는 과정
데이터 분석: 통계적 방법이나 알고리즘을 활용해 패턴과 관계를 찾는 과정
데이터 시각화: 분석 결과를 그래프, 차트 등으로 표현하는 과정
결과 해석: 도출된 인사이트를 바탕으로 의사결정에 활용하는 과정

하버드 비즈니스 리뷰의 조사에 따르면, 데이터 기반 의사결정을 하는 기업은 그렇지 않은 기업보다 5-6% 더 높은 생산성을 보이는 것으로 나타났습니다. 또한 맥킨지의 연구에서는 데이터 분석을 효과적으로 활용하는 조직이 경쟁사 대비 19배 더 높은 수익성을 달성할 수 있다고 보고했습니다.

데이터 분석이 단순한 ‘숫자 놀이’가 아닌 중요한 비즈니스 도구로 자리 잡은 이유는, 객관적인 증거를 바탕으로 의사결정을 할 수 있게 해주기 때문입니다. 여러분도 일상 업무에서 ‘직감’이 아닌 ‘데이터’를 기반으로 결정을 내린 경험이 있으신가요?

2. 데이터 분석의 4가지 유형: 목적에 맞는 분석법 찾기

모든 데이터 분석이 동일한 목적을 가지고 있지 않습니다. 상황과 목표에 따라 다양한 데이터 분석 유형이 존재하며, 각각 다른 질문에 답하는 데 도움을 줍니다.

1) 설명적 분석(Descriptive Analytics)

목적: “무슨 일이 일어났는가?”
방법: 과거 데이터 요약 및 집계
예시: 월간 매출 보고서, 웹사이트 방문자 통계
도구: 엑셀, 대시보드, 기본 그래프

2) 진단적 분석(Diagnostic Analytics)

목적: “왜 일어났는가?”
방법: 드릴다운, 데이터 발굴, 상관관계 분석
예시: 매출 감소 원인 파악, 사용자 이탈 이유 분석
도구: 피벗 테이블, 통계 프로그램, 데이터 마이닝 도구

3) 예측적 분석(Predictive Analytics)

목적: “앞으로 무슨 일이 일어날 것인가?”
방법: 통계적 모델링, 머신러닝
예시: 매출 예측, 고객 이탈 가능성 예측
도구: R, Python, 예측 모델링 소프트웨어

4) 처방적 분석(Prescriptive Analytics)

목적: “어떻게 해야 하는가?”
방법: 최적화 알고리즘, 시뮬레이션
예시: 최적 가격 책정, 마케팅 예산 배분 전략
도구: 고급 분석 소프트웨어, AI 기반 도구

가트너(Gartner)의 연구에 따르면, 대부분의 기업은 아직 설명적 분석과 진단적 분석 단계에 머물러 있으며, 예측적/처방적 분석으로 발전한 기업은 전체의 10% 미만입니다. 그러나 비즈니스 환경이 점점 더 복잡해짐에 따라 고급 분석 기법의 필요성은 계속 증가하고 있습니다.

여러분은 현재 어떤 유형의 데이터 분석을 주로 사용하고 계신가요? 비즈니스 목표를 달성하기 위해 다른 유형의 분석이 필요하진 않은지 고민해보세요.

3. 비전공자를 위한 데이터 분석 기초 용어

데이터 분석 분야에는 다양한 전문 용어가 존재합니다. 이러한 핵심 용어를 이해하는 것은 효과적인 데이터 분석의 첫걸음입니다.

기본 통계 용어

평균(Mean): 모든 값의 합을 값의 개수로 나눈 것
중앙값(Median): 모든 값을 정렬했을 때 중앙에 위치한 값
최빈값(Mode): 가장 자주 나타나는 값
표준편차(Standard Deviation): 값들이 평균에서 얼마나 떨어져 있는지 나타내는 지표
분산(Variance): 표준편차의 제곱, 데이터의 퍼짐 정도 측정

데이터 유형 관련 용어

정형 데이터(Structured Data): 데이터베이스나 스프레드시트처럼 구조화된 형태의 데이터
비정형 데이터(Unstructured Data): 이메일, 소셜 미디어 게시물 등 구조화되지 않은 데이터
정성적 데이터(Qualitative Data): 숫자로 측정하기 어려운 데이터 (예: 인터뷰 응답)
정량적 데이터(Quantitative Data): 숫자로 측정 가능한 데이터 (예: 매출액)

분석 과정 관련 용어

상관관계(Correlation): 두 변수 간의 관계 강도와 방향을 나타내는 통계적 측정
인과관계(Causation): 한 사건이 다른 사건을 직접 야기하는 관계
세그먼테이션(Segmentation): 데이터를 의미 있는 그룹으로 나누는 과정
A/B 테스트: 두 가지 버전을 비교하여 더 효과적인 것을 결정하는 실험

이러한 기본 용어들은 데이터 분석 보고서를 읽거나 데이터 전문가와 대화할 때 꼭 알아두어야 할 개념들입니다. 2020년 PWC의 조사에 따르면, 비즈니스 전문가 중 65%가 기본적인 데이터 용어와 개념에 대한 이해가 부족하다고 느끼는 것으로 나타났습니다.

용어에 익숙해지는 가장 좋은 방법은 실제 데이터를 다루면서 개념을 적용해보는 것입니다. 여러분은 평소에 데이터를 분석할 때 어떤 개념들을 주로 활용하시나요?

4. 데이터 분석 프로세스: 5단계 접근법

효과적인 데이터 분석은 체계적인 프로세스를 따를 때 가능합니다. 비전공자도 쉽게 따라할 수 있는 5단계 데이터 분석 프로세스를 알아보겠습니다.

1단계: 문제 정의

핵심 질문 명확화: 정확히 무엇을 알고 싶은지 명확히 정의
비즈니스 맥락 이해: 분석 결과가 어떻게 활용될지 고려
성공 기준 설정: 분석을 통해 얻고자 하는 구체적인 목표 설정

2단계: 데이터 수집

필요한 데이터 식별: 문제 해결에 필요한 데이터 종류 결정
데이터 소스 파악: 내부 시스템, 외부 데이터베이스, 설문조사 등
데이터 수집 방법 선택: API, 크롤링, 직접 입력 등

3단계: 데이터 정제와 준비

결측치 처리: 누락된 데이터 처리 방법 결정
이상치 식별 및 처리: 비정상적인 값 확인 및 조치
데이터 변환: 분석에 적합한 형태로 데이터 구조화

4단계: 데이터 분석 및 모델링

기술 통계 분석: 데이터의 기본적인 특성 파악
시각화 탐색: 그래프와 차트로 패턴 발견
통계적 검정/모델링: 가설 검증이나 예측 모델 구축

5단계: 결과 해석 및 커뮤니케이션

핵심 인사이트 도출: 분석 결과에서 중요한 발견 정리
시각화 및 스토리텔링: 결과를 이해하기 쉽게 시각적으로 표현
실행 가능한 제안: 데이터 기반의 구체적인 행동 계획 제시

IBM의 연구에 따르면, 데이터 분석가들이 전체 분석 시간의 약 80%를 데이터 정제와 준비 단계에 소비하는 것으로 나타났습니다. 이는 좋은 분석 결과를 얻기 위해서는 깨끗하고 잘 정리된 데이터가 얼마나 중요한지 보여줍니다.

효과적인 데이터 분석 프로세스는 선형적이기보다는 반복적인 경우가 많습니다. 분석 과정에서 새로운 질문이 생기면 이전 단계로 돌아가 추가 데이터를 수집하거나 다른 방식으로 분석을 시도할 수 있습니다.

여러분의 업무에서 데이터 분석을 할 때, 어떤 단계가 가장 어렵게 느껴지나요? 어떤 단계에서 가장 많은 시간을 소비하시나요?

5. 데이터 시각화: 숫자를 스토리로 바꾸는 기술

데이터 시각화는 복잡한 데이터를 그래프, 차트, 맵 등의 시각적 요소로 표현하는 과정입니다. 잘 만들어진 시각화는 수천 개의 데이터 포인트를 한눈에 이해할 수 있게 해주며, 강력한 인사이트를 전달할 수 있습니다.

효과적인 데이터 시각화의 원칙

목적 명확화: 전달하려는 메시지를 명확히 정의
단순성 유지: 불필요한 요소 제거하고 핵심에 집중
적절한 차트 유형 선택: 데이터 특성과 메시지에 맞는 시각화 도구 활용
일관된 디자인: 색상, 폰트, 라벨링 등을 일관되게 유지
컨텍스트 제공: 시각화만으로는 전체 스토리를 이해하기 어려움

상황별 최적의 차트 유형

비교를 위한 시각화: 막대 그래프, 레이더 차트
구성 비율 표현: 파이 차트, 트리맵
추세 파악: 선 그래프, 영역 차트
분포 확인: 히스토그램, 박스 플롯
관계 탐색: 산점도, 히트맵

MIT 연구진의 실험에 따르면, 인간 두뇌는 텍스트 정보보다 시각적 정보를 60,000배 더 빠르게 처리할 수 있다고 합니다. 또한 Wharton School의 연구에서는 시각화된 데이터를 사용한 프레젠테이션이 그렇지 않은 경우보다 43% 더 설득력 있게 인식된다는 결과가 나왔습니다.

효과적인 데이터 시각화를 위한 도구로는 엑셀부터 시작해서 Tableau, Power BI, Google Data Studio 등 다양한 옵션이 있습니다. 초보자라면 먼저 엑셀의 차트 기능에 익숙해진 후, 필요에 따라 더 전문적인 도구로 발전해 나가는 것이 좋습니다.

여러분은 데이터를 어떤 방식으로 시각화하는 것을 선호하시나요? 어떤 종류의 차트가 여러분의 업무에서 가장 유용하게 활용되고 있나요?

6. 엑셀로 시작하는 비전공자 데이터 분석

많은 비전공자들이 생각하는 것과 달리, 고급 프로그래밍 지식 없이도 엑셀만으로 강력한 데이터 분석이 가능합니다. 대부분의 기업에서 기본적으로 사용하는 엑셀은 직관적인 인터페이스와 다양한 기능을 제공합니다.

엑셀로 할 수 있는 데이터 분석

기술 통계 계산: 평균, 중앙값, 표준편차 등 기본 통계량 산출
피벗 테이블: 대량의 데이터를 다양한 관점에서 요약 및 분석
데이터 필터링 및 정렬: 특정 조건에 맞는 데이터 추출
조건부 서식: 데이터 패턴을 시각적으로 강조
데이터 시각화: 다양한 내장 차트로 데이터 시각화
가정 분석(What-if Analysis): 다양한 시나리오에 따른 결과 예측

엑셀 데이터 분석을 위한 필수 기능

VLOOKUP/HLOOKUP: 다른 테이블에서 관련 데이터 찾기
IF 함수와 중첩 IF: 조건에 따른 값 계산
COUNT, COUNTA, COUNTIF: 특정 조건에 맞는 데이터 개수 세기
SUMIF, AVERAGEIF: 조건에 맞는 데이터의 합계/평균 계산
Power Query: 데이터 변환 및 정제 작업 자동화
Power Pivot: 여러 데이터 원본을 연결한 고급 피벗 분석

포레스터 리서치에 따르면, 비즈니스 의사결정자의 81%가 여전히 엑셀을 주요 데이터 분석 도구로 사용하고 있습니다. 또한 데이터 분석 직무에서도 엑셀 능숙도는 여전히 가장 기본적인 요구 조건 중 하나입니다.

효과적인 엑셀 데이터 분석 능력을 기르기 위해서는 이론보다 실제 데이터로 다양한 기능을 직접 실습해보는 것이 중요합니다. Microsoft의 온라인 튜토리얼이나 YouTube 강의를 통해 단계별로 학습하는 것이 좋은 시작점이 될 수 있습니다.

여러분은 엑셀의 어떤 기능을 데이터 분석에 가장 많이 활용하시나요? 아직 사용해보지 않은 유용한 기능이 있다면 배워보고 싶은 마음이 있으신가요?

7. 데이터 분석 도구 비교: 수준별 활용 가이드

데이터 분석 여정이 발전함에 따라 더 다양한 도구를 알아볼 필요가 있습니다. 개인의 기술 수준과 요구 사항에 맞는 최적의 데이터 분석 도구를 살펴보겠습니다.

데이터 분석 도구 비교표

도구	난이도	주요 특징	적합한 사용자	활용 사례
Excel	낮음	친숙한 인터페이스, 피벗 테이블, 기본 시각화	비전공자, 데이터 분석 초보자	기본 보고서, 간단한 데이터 요약
Google Sheets	낮음	협업 기능, 클라우드 기반, 자동화 가능	팀 프로젝트, 실시간 업데이트 필요 시	공동 작업 데이터 분석, 실시간 대시보드
Tableau	중간	강력한 시각화, 드래그앤드롭 인터페이스	비전공자지만 고급 시각화 필요한 사용자	인터랙티브 대시보드, 고급 데이터 시각화
Power BI	중간	Microsoft 생태계 통합, 비즈니스 중심	Office 사용자, 비즈니스 분석가	기업 대시보드, 데이터 모델링
Python	높음	유연성, 강력한 라이브러리(Pandas, Matplotlib)	프로그래밍 경험자, 고급 분석 필요 시	복잡한 데이터 처리, 머신러닝 모델 구축
R	높음	통계 특화, 학술 연구 분야 강점	통계 배경 있는 사용자, 연구자	고급 통계 분석, 학술 연구 데이터 분석

도구 선택 시 고려 사항

학습 곡선: 습득에 필요한 시간과 노력
분석 요구 사항: 간단한 요약부터 고급 예측 모델까지 다양한 필요
데이터 규모: 소규모 데이터셋 vs. 빅데이터
예산: 무료 도구부터 기업용 솔루션까지 다양한 가격대
팀 역량: 팀 내 기술적 지원 가능성

KDnuggets의 조사에 따르면, 데이터 분석가들 사이에서 Python(36.5%)이 가장 인기 있는 도구이며, Excel(25.8%), R(16.1%), SQL(15.4%)이 그 뒤를 잇고 있습니다. 그러나 비전공자들에게는 여전히 Excel과 Tableau 같은 도구가 접근성 측면에서 높은 평가를 받고 있습니다.

데이터 분석 도구의 선택은 목적지가 아닌 여정의 일부임을 기억하세요. 하나의 도구에 숙달된 후 필요에 따라 다른 도구로 확장해 나가는 것이 효과적인 학습 방법입니다.

여러분은 현재 어떤 데이터 분석 도구를 사용하고 계신가요? 앞으로 배워보고 싶은 새로운 도구가 있으신가요?

8. 데이터 분석의 실제 비즈니스 활용 사례

데이터 분석이 실제 비즈니스 환경에서 어떻게 가치를 창출하는지 살펴보는 것은 매우 중요합니다. 다양한 산업 분야에서의 실제 데이터 분석 활용 사례를 통해 아이디어를 얻어보세요.

마케팅 분야 활용

고객 세그먼테이션: 구매 패턴, 행동 특성에 따른 고객 그룹 분류
캠페인 효과 측정: A/B 테스트를 통한 마케팅 전략 최적화
고객 생애 가치 분석: 장기적 관점에서 고객별 가치 예측
채널 효율성 분석: 다양한 마케팅 채널의 ROI 비교

영업 및 고객 서비스 활용

매출 예측: 과거 데이터를 기반으로 미래 매출 트렌드 예측
가격 최적화: 데이터 기반의 동적 가격 책정 전략 수립
교차 판매/상향 판매 기회 식별: 추가 판매 가능성이 높은 고객 타겟팅
고객 이탈 예측: 이탈 위험이 높은 고객 조기 식별 및 대응

운영 및 공급망 관리 활용

재고 최적화: 수요 예측을 통한 최적 재고 수준 유지
품질 관리: 제조 과정의 이상치 감지 및 불량률 감소
물류 최적화: 배송 경로 및 창고 운영 효율화
예측 유지보수: 장비 고장 예측 및 선제적 유지보수

인사 및 조직 관리 활용

인재 획득 및 유지: 채용 트렌드 분석 및 이직 위험 예측
성과 분석: 직원 생산성 및 성과 요인 분석
교육 효과 측정: 교육 프로그램의 ROI 평가
직원 만족도 분석: 설문 데이터를 통한 조직 문화 개선점 도출

딜로이트의 연구에 따르면, 데이터 분석을 적극적으로 활용하는 기업은 그렇지 않은 기업보다 평균 5-6%의 생산성 향상을 경험하는 것으로 나타났습니다. 또한 데이터 기반 의사결정을 하는 조직은 위험을 30% 이상 감소시키고, 혁신 성공률을 2배 이상 높일 수 있습니다.

여러분의 업무 분야에서는 데이터 분석을 어떤 방식으로 활용하고 있나요? 현재 해결하고 싶은 비즈니스 문제 중에 데이터 분석이 도움이 될 만한 것은 무엇인가요?

9. 데이터 분석 학습을 위한 최적의 로드맵

데이터 분석 역량을 체계적으로 개발하기 위한 단계별 학습 로드맵을 살펴보겠습니다. 비전공자도 부담 없이 시작할 수 있는 맞춤형 학습 경로입니다.

1단계: 기초 개념 이해 (1-2개월)

데이터 리터러시 개발: 기본 통계 개념과 데이터 용어 익히기
엑셀 기본 능력 향상: 데이터 정렬, 필터링, 기본 함수 활용
기초 통계 이해: 기술 통계량, 확률 기본 개념 학습
추천 자료: “Naked Statistics” (Charles Wheelan), 엑셀 기초 온라인 강의, YouTube 튜토리얼

2단계: 실무 분석 기술 개발 (2-3개월)

엑셀 고급 기능 학습: 피벗 테이블, VLOOKUP, IF 함수, 조건부 서식
데이터 시각화 기초: 차트 유형별 활용법, 효과적인 시각화 원칙
데이터 정제 기술: 데이터 검증, 중복 제거, 결측치 처리 방법
추천 자료: “Data Smart” (John Foreman), Coursera “Excel Skills for Business” 과정

3단계: 분석 도구 확장 (3-4개월)

비즈니스 인텔리전스 도구 입문: Tableau Public 또는 Power BI Desktop 무료 버전 활용
SQL 기초: 데이터베이스 쿼리 기본 문법 학습
Google Analytics 활용: 웹 트래픽 분석 기초
추천 자료: “Storytelling with Data” (Cole Nussbaumer Knaflic), Tableau 공식 트레이닝 비디오

4단계: 고급 분석 기법 탐색 (선택적, 4-6개월)

프로그래밍 입문: Python 기초와 Pandas 라이브러리
통계적 분석 심화: 가설 검정, 회귀 분석
머신러닝 기초: 지도학습/비지도학습 개념 이해
추천 자료: “Python for Data Analysis” (Wes McKinney), DataCamp 온라인 과정

학습 팁

프로젝트 기반 학습: 실제 데이터로 미니 프로젝트 수행
커뮤니티 참여: Kaggle, Stack Overflow, LinkedIn 그룹 활동
멘토 찾기: 직장 내 데이터 전문가나 온라인 커뮤니티에서 조언 구하기
꾸준한 실습: 이론보다 실제 데이터로 반복 연습하는 것이 중요

Glassdoor의 조사에 따르면, 데이터 분석 역량은 향후 10년간 가장 수요가 높은 기술 중 하나로, 관련 직무의 평균 연봉은 일반 직무보다 20-30% 높은 것으로 나타났습니다. 기본적인 데이터 분석 능력을 갖춘 비전공자들도 다양한 직무에서 경쟁력을 갖출 수 있습니다.

여러분은 현재 데이터 분석 학습 여정의 어느 단계에 있으신가요? 어떤 분야의 데이터 분석 역량을 특히 발전시키고 싶으신가요?

10. 비전공자가 피해야 할 데이터 분석의 흔한 함정

데이터 분석을 처음 접하는 비전공자들이 흔히 빠지는 오류와 함정을 알아보고, 이를 피하는 방법을 살펴보겠습니다.

상관관계와 인과관계 혼동

함정: 두 변수 간 상관관계가 있다고 해서 반드시 인과관계가 있는 것은 아님
예시: 아이스크림 판매량과 익사 사고 증가는 상관관계가 있지만, 직접적 인과관계는 없음
해결책: 항상 “상관관계는 인과관계를 의미하지 않는다”는 원칙 기억하기

데이터 품질 무시

함정: 분석에 사용된 데이터의 품질과 출처를 충분히 검증하지 않음
예시: 불완전하거나 편향된 데이터를 기반으로 중요한 의사결정을 내림
해결책: “쓰레기를 넣으면 쓰레기가 나온다(GIGO)” 원칙 기억하고 데이터 품질 검증

확증 편향에 빠지기

함정: 이미 믿고 있는 것을 지지하는 데이터만 선택적으로 보는 경향
예시: 특정 가설을 입증하는 데이터만 골라서 분석
해결책: 자신의 가설을 반박할 수 있는 데이터도 함께 고려하는 객관적 태도 유지

과도한 복잡성 추구

함정: 필요 이상으로 복잡한 분석 방법이나 도구를 사용하려는 경향
예시: 간단한 엑셀로 충분한 분석에 고급 프로그래밍 방식 적용
해결책: 항상 가장 단순한 방법으로 시작하여 필요에 따라 복잡성 추가

적절한 시각화 선택 실패

함정: 데이터 특성과 전달하려는 메시지에 맞지 않는 시각화 사용
예시: 시계열 데이터를 파이 차트로 표현
해결책: 시각화의 목적과 데이터 유형을 고려하여 적절한 차트 유형 선택

Harvard Business Review의 연구에 따르면, 비즈니스 의사결정자의 약 76%가 데이터 해석 과정에서 위와 같은 함정에 빠진 경험이 있다고 응답했습니다. 이러한 오류를 인식하고 피하는 것만으로도 데이터 분석의 질을 크게 향상시킬 수 있습니다.

여러분은 데이터를 분석하면서 이러한 함정에 빠진 경험이 있으신가요? 어떻게 그러한 상황을 인식하고 극복하셨나요?

데이터 분석: 미래를 위한 필수 역량

데이터 분석은 더 이상 소수의 전문가만을 위한 분야가 아닙니다. 현대 비즈니스 환경에서 데이터 리터러시는 모든 직무에서 요구되는 핵심 역량이 되었습니다.

이 글에서 살펴본 내용을 통해, 데이터 분석이 단순한 숫자 놀이가 아닌 체계적인 접근법과 비판적 사고를 요구하는 분야임을 알 수 있었습니다. 복잡한 수학적 지식 없이도, 올바른 도구와 방법론을 활용하면 누구나 데이터에서 가치 있는 인사이트를 도출할 수 있습니다.

데이터 분석 여정은 처음에는 도전적으로 느껴질 수 있지만, 단계적으로 접근하면 충분히 극복 가능합니다. 엑셀과 같은 친숙한 도구부터 시작하여, 필요에 따라 더 고급 도구와 기법으로 확장해 나가는 것이 좋습니다.

무엇보다 중요한 것은 실제 데이터로 끊임없이 실습하고, 실무에 적용해보는 것입니다. 이론적 지식보다 실제 문제 해결 경험이 진정한 데이터 분석 역량을 키우는 핵심입니다.

여러분은 오늘부터 어떤 데이터 분석 기술을 배우고 적용해볼 계획인가요? 현재 직면한 업무 중에서 데이터 분석으로 해결할 수 있는 문제는 무엇인가요?