[ADsP] 데이터 분석 기획 : 데이터 분석 기획의 이해

데이터 분석 기획 : 데이터 분석 기획의 이해

분석 기획

• 실제 분석을 수행에 앞서 분석을 수행할 과제의 정의 및 의도했던 결과를 도출할 수 있도록 이를 적절하게 관리할 수 있는 방안을 사전에 계획하는 일련의 작업
• 어떤 목표(What)를 달성하기 위해 어떤 데이터를 가지고 어떤 방식(How)을 수행할지에 대한 일련의 계획을 수립하는 작업
• 성공적인 분석 결과 도출을 위한 중요 사전 작업
• 해당 문제 영역에 대한 전문성 역량 및 통계학적 지식을 활용한 분석 역량과 분석 도구인 데이터 및 프로그래밍 기술 역량에 대한 균형 잡힌 시각을 가지고 방향성 및 계획을 수립해야 함.

 

분석 주제 유형 

• 분석의 대상(What), 분석의 방법(How)에 따라 4가지로 구분한다.

분석 방법(How)	분석 대상(What)
	Known	Un-Known
Known	최적화(Optimization)	통찰(Insight)
Un-Known	솔루션(Solution)	발견(Discovery)
분석 대상을 알면 OS, 모르면 ID

유형	설명
Optimization	분석 대상 및 분석 방법을 이해하고 현 문제를 최적화의 형태로 수행함.
Solution	분석 과제는 수행되고, 분석 방법을 알지 못하는 경우 솔루션을 찾는 방식으로 분석 과제를 수행함.
Insight	분석 대상이 불분명하고, 분석 방법을 알고 있는 경우 인사이트 도출
Discovery	분석 대상, 방법을 모른다면 발견을 통해 분석 대상 자체를 새롭게 도출

 

목표 시점 별 분석기획 방안

• 과제 중심적인 접근방식의 단기 방안, 마스터 플랜 단위의 중장기 방안으로 구분
  
  • 2가지를 융합적으로 적용하는 것이 바람직함.

	과제 단위 당면한 분석 주제의 해결	마스터 플랜 단위 지속적 분석 문화 내재화
1차 목표	Speed & Test	Accuracy & Deploy
과제의 유형	Quick - Win	Long Term View
접근 방식	Problem Solving	Problem Definition

 

Quick – Win

• 즉각적인 실행을 통한 성과 도출
• 프로세스 진행 과정에서 일반적인 상식과 경험으로 원인이 명백한 경우 바로 개선함으로써 과제를 단기로 달성하고, 추진하는 과정

 

분석 기획 시 고려사항

고려 사항	설명
가용한 데이터 (Available Data)	- 분석을 위한 데이터 확보 - 데이터 유형에 따라 적용 가능한 Solution 및 분석 방법이 다름. - 데이터의 유형 분석이 선행적으로 이루어져야 함. (정형, 비정형, 반정형)
적절한 유스케이스 탐색 (Proper Use-Case)	유사분석 시나리오 및 솔루션이 있다면 이것을 최대한 활용함.
장애 요소들에 대한 사전 계획 수립 (Low Barrier of Execution)	- 장애 요소들에 대한 사전 계획 수립 필요 - 일회성 분석으로 그치지 않고 조직 역량을 내재화 하기 위해서는 충분하고 계속적인 교육 및 활용방안 등의 변화관리가 고려되야 함.

 

데이터 유형, 저장 방식

데이터 유형

• 데이터를 유형으로 분류하면 정형, 비정형, 반정형 데이터로 분류할 수 있음.

데이터 유형	설명
정형 데이터	ERP, CRM Transaction Data, Demand Forecast
반정형 데이터	Competitor Pricing, Sensor, Machine Data
비정형 데이터	Email, SNS, Voice, IoT, 보고서, News

 

데이터 저장 방식

저장 방식	설명
RDB	-관계형 데이터를 저장, 수정, 관리할 수 있게 해주는 데이터베이스 - Oracle, MSSQL, MySQL 등
NoSQL	- 비관계형 데이터 저장소 - MongoDB, Cassandra, Hbase, Redis
분산 파일 시스템	- 분산된 서버의 디스크에 파일 저장 - HDFS

 

분석 방법론 개요

분석 방법론의 필요

데이터 분석을 효과적으로 기업에 정착하기 위해 데이터 분석을 체계화하는 절차와 방법이 정리된 데이터 분석 방법론 수립이 필요

 

분석 방법론의 구성 요소

• 상세한 절차
• 방법
• 도구와 기법
• 템플릿과 산출물

 

기업의 합리적 의사결정 장애 요소

• 고정관념, 편향된 생각, 프레이밍 효과(Framing Effect)
• 프레이밍 효과(Framing Effect)
  
  • 동일한 사건이나 상황임에도 불구하고 사람들의 선택이나 판단이 달라지는 현상
  • 특정 사안을 어떤 시각으로 바라보느냐에 따라 해석이 달라진다는 이론

 

분석 방법론의 모델

모델	설명
폭포수 모델	- 단계를 순차적으로 진행하는 방법 - 이전 단계가 완료되어야 다음 단계로 순차 진행하는 하향식 진행 - 문제점이 발견되면 전단계로 돌아가는 피드백 수행
나선형 모델	- 반복을 통해 점증적으로 개발 - 반복에 대한 관리 체계가 효과적으로 갖춰지지 못한 경우 복잡도가 상승하여 프로젝트 진행이 어려울 수 있음.
프로토타입 모델	- 사용자 악하기 요구사항이나 어려운 상황에서 데이터를 사용 정확히 규정하기 어렵고 데이터 소스도 명확히 파악하기 어려운 상황에서 사용 - 일단 분석을 시도해보고 그 결과를 확인해가면서 반복적으로 개선해 나가는 방법 - 신속하게 해결책 모형 제시 - 상향식 접근 방법에 활용 - ‘사용자들이 이렇게 만들면 편하게 사용할거야’ 라는 가설을 생성하게 됨. - 프로토타입을 보고 완성시킨 결과물을 통해 가설을 확인할 수 있음. - 특정 가설을 갖고 서비스를 설계하고 디자인에 대한 실험도 실행함. - 시제품이 나오기 전의 제품의 원형으로 개발 검증과 양산 검증을 거쳐야 시제품이 될 수 있음. - '정보시스템의 미완성 버전 또는 중요한 기능들이 포함되어 있는 시스템의 초기 모델

 

KDD 분석 방법론

KDD(Knowledge Discovery in Database) 분석 방법론

• 데이터베이스에서 의미 있는 지식을 탐색하는 데이터 마이닝 프로세스
• 분석 대상의 비즈니스 도메인에 대한 이해와 프로젝트 목표를 정확하게 설정
• 데이터셋 선택
• 데이터 전처리 
  • 데이터셋에 포함되어 있는 잡음(Noise), 이상값(Outlier), 결측치(Missing Value)를 식별하고 필요시 제거
• 데이터 변환
  • 분석 목적에 맞는 변수 선택, 데이터의 차원 축소
  • 데이터 마이닝을 효율적으로 적용할 수 있도록 데이터셋 변경 작업
• 데이터 마이닝
  • 분석 목적에 맞는 데이터 마이닝 기법 및 알고리즘 선택
  • 데이터의 패턴을 찾거나 분류 또는 예측 등의 마이닝 작업 시행
• 데이터 마이닝 결과 평가
  • Interpretation / Evaluation
  • 분석 결과에 대한 해석과 평가, 활용

 

CRISP-DM 분석 방법론

• Cross-Industry Standard Process for Data Mining
• 6단계 : 업무 이해 - 데이터 이해 - 데이터 준비 - 모델링 - 평가 - 전개

단계	설명
업무 이해 (Business Understanding)	- 비즈니스 관점 프로젝트의 목적과 요구사항을 이해하기 위한 단계 - 도메인 지식을 데이터 분석을 위한 문제 정의로 변경하고 초기 프로젝트 계획을 수립하는 단계 - 업무 목적 파악 → 상황 파악 → 데이터 마이닝 목표 설정 → 프로젝트 계획 수립
데이터 이해 (Data Understanding)	- 분석을 위한 데이터 수집, 데이터 속성 이해를 위한 과정 - 데이터 품질에 대한 문제점 식별 및 숨겨져 있는 인사이트를 발견하는 단계 - 초기 데이터 수집, 데이터 기술 분석, 데이터 탐색, 데이터 품질 확인
데이터 준비 (Data Preparation)	- KDD의 Transformation == CRISP-DM 분석 방법론의 데이터 준비 - 분석을 위해 수집된 데이터에서 분석 기법에 적합한 데이터셋을 편성하는 단계 - 많은 시간이 소요될 수 있음 - 분석용 데이터셋 선택, 데이터 정제, 데이터 통합, 데이터 포맷팅
모델링 (Modeling)	- 다양한 모델링 기법과 알고리즘을 선택 - 모델링 과정에서 사용되는 파라미터를 최적화해 나가는 단계 - 모델링 단계를 통해 찾아낸 모델은 테스트용 프로세스와 데이터셋으로 평가하여 모델 과적합(Overfitting) 등의 문제를 발견하고 대응 방안 마련 - 데이터 분석 방법론, 머신러닝을 이용한 수행 모델을 만들거나 데이터를 분할하는 부분 - 모델링 기법 선택, 모델링 작성, 모델 평가
평가 (Evaluation)	- 모델링 단계에서 얻은 모델이 프로젝트의 목적에 부합하는지 평가 - 데이터 마이닝 결과를 수용할 것인지 최종적으로 판단하는 과정 - 분석 결과 평가, 모델링 과정 평가, 모델 적용성 평가
전개 (Deployment)	- 완성된 모델을 실제 업무에 적용하기 위한 계획 수립 - 전개 계획 수립, 모니터링과 유지보수 계획 수립, 프로젝트 종료 보고서 작성, 프로젝트 리뷰

 

• KDD의 데이터셋 준비 / 데이터 전처리 == CRISP-DM의 데이터 이해
• KDD의 데이텨 변환 == CRISP-DM의 데이터 준비
• 모델 평가는 ‘모델링’ 단계
• 모델링 과정 평가와 모델 적용성 평가는 ‘평가’ 단계에서!

 

빅데이터 분석 방법론

분석 기획	데이터 준비	데이터 분석	시스템 구현	평가 및 전개
비지니스 이해 및 범위 설정	필요 데이터 정의	분석용 데이터 준비	설계 및 구현	모델 발전 계획
프로젝트 정의 및 계획 수립	데이터 스토어 설계	텍스트 분석	시스템 테스트 및 운영	프로젝트 평가 보고
프로젝트 위험 계획 수립	데이터 수집 및  적합성 점검	탐색적 분석		평가 및 전개
		모델링
		모델 평가 및 검증

 

분석 기획(Planning) 단계

• 비지니스 이해 및 범위 설정 → 프로젝트 정의 및 계획 수립 → 프로젝트 위험 계획 수립

Task	설명
비지니스 이해	분석 대상인 업무 도메인을 이해하기 위해 내부 업무 매뉴얼과 관련 자료, 외부의 관련 비즈니스 자료 조사 및 프로젝트 진행을 위한 방향 설정
프로젝트 범위 설정	- 프로젝트 목적에 부합하는 범위를 명확히 설정함. - 프로젝트에 참여하는 관계자들의 이해를 일치시키기 위하여 구조화된 프로젝트 범위 정의서 SOW(Statement of Work)를 작성
데이터 분석 프로젝트 정의	상세 프로젝트 정의서 작성, 프로젝트의 목표를 명확화 하기 위해 모델 이미지 및 평가 기준 설정
프로젝트 수행 계획 수립	- 프로젝트 수행 계획서 작성, 프로젝트의 목적, 배경, 기대효과, 수행방법 일정 및 추진 조직 WBS 작성 - WBS(Work Breakdown Structure, 작업 분할 구조도)  : 전체 업무를 분류하여 구성 요소로 만든 후 각 요소를 평가하고 일정별로 계획하며 그것을 완수할 수 있는 사람에게 할당해주는 역할
프로젝트 위험 계획 수립	- 데이터 분석 위험 식별 - 계획 수립 단계에서 빅데이터 분석 프로젝트를 진행하면서 발생 가능한 모든 위험을 식별함. - 위험에 대한 대응 방법 : 회피(Avoid), 전이(Transfer), 완화(Mitigate), 수용(Accept)

 

데이터 준비(Preparing) 단계

• 필요 데이터 정의 → 데이터 스토어 설계 → 데이터 수집 및 정합성 점검

Task	설명
데이터 정의	- 정형, 비정형, 반정형 등의 모든 내/외부 데이터를 포함하고 데이터의 속성, 데이터 오너, 데이터 관련 시스템 담당자 등을 포함하는 데이터 정의서 작성 - 예) 메타데이터 정의서, ERD(Entity Relationship Diagram) 포함
데이터 획득 방안 수립	- 내부 데이터 : 부서 간 업무 협조와 개인정보보호 및 정보 보안과 관련한 문제점을 사전에 점검 - 외부 데이터 : 시스템 간 다양한 인터페이스 및 법적인 문제점을 고려하여 상세한 계획 수립
정형 데이터 스토어 설계	관계형 데이터베이스(RDBMS)를 사용하고, 데이터의 효율적 저장과 활용을 위해 데이터 스토어의 논리적 물리적 설계를 구분하여 설계함.
비정형 데이터 스토어 설계	하둡, NoSQL 등을 이용하여 비정형 또는 반정형 데이터를 저장하기 위한 논리, 물리적 데이터 스토어 설계
데이터 수집 및 저장	- 크롤링 등의 데이터 수집을 위한 ETL 등의 다양한 도구와 API, 스크립트 프로그램 등으로 데이터를 수집 - 수집된 데이터를 설계된 데이터 스토어에 저장함.
데이터 정합성(무결성) 점검	- 데이터 스토어의 품질 점검을 통해 데이터의 정합성 확보 - 데이터 품질 개선이 필요한 부분에 대해 보완 작업 진행

※ ETL(Extract Transformation Loading) : 다양한 데이터를 취합해 데이터를 추출하고 하나의 공통된 포맷으로 변환해 데이터 웨어 하우스나 데이터 마트 등에 적재하는 과정을 지원하는 도구

※ API(Application Programming Interface) : 라이브러리에 접근하기 위한 규칙들을 정의한 것

 

데이터 분석 단계

• 데이터 분석 : 분석용 데이터를 이용한 가설 설정을 통해 통계 모델을 만들거나 기계학습을 이용한 데이터의 분류, 예측, 군집 등의 기능을 수행하는 과정
• 데이터 준비, 데이터 분석 단계 
  • 추가적 데이터 확보가 필요한 경우 반복적인 피드백을 수행하는 구간
• 분석용 데이터 준비 → 텍스트 분석 → 탐색적 분석(EDA) → 모델링 → 모델 평가 및 검증

 

728x90

 

분석 과제 도출 방법

방법	설명
하향식 접근 방법	- 문제가 확실할 때 사용함. - 문제가 주어지고 해법을 찾기 위해 사용함.
상향식 접근 방법	- 문제의 정의 자체가 어려운 경우 사용함.
디자인 싱킹 (Design Thinking)	- 중요한 의사결정시 상향식과 하향식을 반복적으로 사용 - 기존의 논리적인 단계별 접근법에 기반한 문제해결 방식은 최근 복잡하고 다양한 환경에서 발생하는 문제에 적합하지 않을 수 있음. - "디자인 사고" 접근법을 통해 전통적인 분석적 사고를 극복하려 함. - 상향식 방식의 발산(Diverge) 단계와 도출된 옵션을 분석하고 검증하는 하향식 접근 방식의 수렴(Converse) 단계를 반복하여 과제를 발굴함.

상향식 접근 방식과 하향식 접근 방식

 

하향식 접근 방식(Top-Down Approach)

• 하향식 접근 방식(Top-Down Approach)의 데이터 분석 기획 단계

문제 탐색 (Problem Discovery)	문제 정의 (Problem Definition)	해결 방안 탐색 (Solution Search)	타당성 검토 (Feasibility Study)
비지니스 모델 기반 문제 탐색	▶ 데이터 분석 문제 변환	▶ 수행 옵션 도출 ▶	타당성 평가 ▼
외부 참조 모델 기반 문제 탐색
분석 유즈 케이스			과제 선정
문제 탐색의 도구

 

하향식 접근 방식 - 문제 탐색 단계

비즈니스 모델 기반 문제 탐색

• 비즈니스 모델 캔버스를 활용하여 가치가 창출될 문제를 누락없이 도출할 수 있음.
• 해당 기업의 사업 모델을 도식화한 비즈니스 모델 캔버스 블록을 단순화하여 업무, 제품, 고객 단위로 문제를 발굴하고 이를 관리하는 지원 인프라, 규제와 감사 영역에 대한 기회를 추가로 도출하는 작업 수행
  • 5가지 영역: 업무, 제품, 고객, 지원 인프라, 규제와 감사
• https://www.projectwizards.net/en/blog/2019/09/business-model-canvas

 

분석 기회 발굴의 범위 확장

• 거시적 관심의 요인 : STEEP - 사회, 기술, 경제, 환경, 정치 영역
• 경쟁자 확대 관점 : 대체재 영역, 경쟁자 영역, 신규 진입자 영역
• 시장의 니즈 탐색 : 고객(소비자)영역, 채널 영역, 영향자들 영역
• 역량의 재해석 관점 : 내부역량 영역, 파트너 네트워크 영역

 

 

비지니스 모델 캔버스

Business Modedl Canvas

 

외부 참조 모델 기반 문제 탐색

• 유사/동종 사례 벤치마킹을 통한 분석 기회 발굴
• 제공되는 산업별, 업무 서비스별 분석 테마 후보 그룹을 통해 Quick & Easy 방식으로 필요한 분석 기회가 무엇인지에 대한 아이디어를 얻고 기업에 적용할 분석 테마 후보 목록을 빠르게 도출

 

분석 유즈 케이스

• 풀어야 할 문제에 대한 상세 설명 및 해당 문제를 해결했을 때 발생하는 효과를 명시
• 향후 데이터 분석 문제로의 전환 및 적합성 평가에 활용하도록 함.
• 분석 유즈 케이스의 예

업무	분석 유즈 케이스	설명	효과
재무	자금 시재 예측	일별로 예정된 자금 지출과 입금 추정	자금 과부족 현상 예방 자금 운용 효율화
	구매 최적화	구매 유형과 구매자별로 과거 실적과 구매 조건을 비교/분석하여 구매 방안 도출	구매 비용 절감

 

하향식 접근 방식 - 문제 정의 단계

• 식별된 비즈니스 문제를 데이터의 (분석) 문제로 변환하여 정의하는 단계
  
  • 문제 탐색 단계 : 무엇(What)을 어떤 목적으로(Why) 수행해야 하는지 관점
  • 문제 정의 단계 : 달성을 위해 필요한 데이터 및 기법(How)을 정의하기 위한 데이터 분석 문제로 변환을 수행

 

비지니스 문제	▶ 변환 ▶	데이터 분석 문제
예상치 않은 설비 장애로 인한 판매량 감소		설비의 장애를 이끄는 신호를 감지하여 설비장애 요인으로 식별하고 장애 발생 시점 및 가능성을 예측
기존판매 정보 기반 영업사원의 판단 시 재고 관리 및 적정 가격 판매 어려움		내부 판매 정보 외의 수요예측을 수행할 수 있는 인자의 추출 및 모델링을 통한 수요 예측

 

하향식 접근 방식 - 해결 방안 탐색 단계

• 어떤 데이터 또는 분석 시스템을 사용할 것인지 검토하는 단계
• 데이터 및 분석 시스템에 따라 소요되는 예산 및 활용 가능 도구가 다름.

분석 기법 및 시스템   \  분석 역량(Who)	확보	미확보
기존 시스템	기존 시스템 개선 활용	교육 및 채용을 통한 역량 확보
신규 도입	시스템 고도화	전문업체(Sourcing)

 

하향식 접근 방식 - 타당성 검토 단계

• 경제적 타당도 : 비용 대비 편익 분석 관점의 접근
  
• 데이터 및 기술적 타당도 : 데이터 존재 여부, 분석 시스템 환경, 분석 역량

 

상향식 접근 방식(Bottom Up Approach)

• 문제의 정의 자체가 어려운 경우 상향식 접근 방식 사용
• 데이터를 기반으로 문제의 재정의 및 해결방안을 탐색하고 이를 지속적으로 개선하는 방식
• 상향식 접근 방식의 데이터 분석은 비지도 학습(Unsupervised Learning) 방법에 의해 수행됨.
• 디자인 싱킹(Design Thinking)의 발산 단계에 해당함.
• 인사이트 도출 후 반복적인 시행착오를 통해 수정하며 문제를 도출하는 일련의 과정

 

지도 학습 vs. 비지도 학습

학습	설명
지도 학습 (Supervised Learning)	- 명확한 Input, Output이 존재함. - 예측(Regression) : 데이터를 대표하는 선형 모델 등을 만들고 그 모델을 통해 미래의 사건을 예측하는 것 - 분류(Classification) : 이전까지 학습된 데이터를 근거로 새로운 데이터가 기존에 학습된 데이터에 분류 여부
비지도 학습 (Unsupervised Learning)	- 컴퓨터가 알아서 분류를 하고, 의미 있는 값을 보여줌. - 데이터가 어떻게 구성되어 있는지 밝히는 용도로 사용함. - 군집화(Clustering)

 

분석 프로젝트의 특징

• 분석 프로젝트는 다른 프로젝트 유형처럼 범위, 일정, 품질, 리스크, 의사소통 등 영역별 관리가 수행되어야 함.
• 다양한 데이터에 기반한 분석 기법을 적용하는 특성 때문에 5가지 주요 특성을 고려하여 추가적 관리가 필요함.
• 분석 과제의 주요 특성
  • Data Size, Data Complexity, Speed, Analytic Complexity, Accuracy & Precision 등
• 분석 프로젝트는 도출된 결과의 재해석을 통한 지속적인 반복 및 정규화가 수행되기도 함.
• 분석 과제 정의서를 기반으로 분석 프로젝트를 진행하게 됨.

 

분석 과제 정의서

• 다양한 분석 과제 도출 방법을 통해 도출된 분석 과제를 분석 과제 정의서로 정리함.
• 필요한 소스 데이터, 분석 방법, 데이터 입수 난이도, 데이터 입수 사유, 분석 수행주기, 분석결과에 대한 검증, 분석 과정 상세 등을 작성함.
• 프로젝트 수행 계획의 입력물로 사용됨.
• 이해관계자가 프로젝트의 방향을 설정하고, 성공 여부를 판별할 수 있는 중요한 자료로 명확하게 작성해야 함.

 

분석 프로젝트의 특성 관리 영역

• 분석 과제의 주요 5가지 특성 관리 영역
  
  • Data SizeA, Data Complexity, Speed, Analytic Complexity, Accuracy & Precision
    

관리 영역	설명
Data Size	분석하고자 하는 데이터의 양을 고려하는 관리방안 수립 필요
Data Complexity	비정형데이터 및 다양한 시스템에 산재되어 있는 데이터들을 통합해서 분석 프로젝트를 진행할 때는 해당 데이터에 잘 적용될 수 있는 분석 모델 선정에 대한 고려 필요
Speed	- 분석 결과 도출 후, 활용하는 시나리오 측면에서 일, 주 단위 실적은 배치 형태 작업, 사기 탐지, 서비스 추천은 실시간 수행되어야 함. - 분석 모델의 성능 및 속도를 고려한 개발 및 테스트가 수행되어야 함.
Analytic Complexity	- 정확도(Accuracy)와 복잡도(Complexity)는 트레이드 오프 관계가 존재 - 분석 모델이 복잡할수록 정확도는 올라가지만 해석이 어려워짐. - 기준점을 사전에 정의해 두어야 함.
Accuracy & Precision	- Accuracy : 분석의 활용적인 측면 (모델과 실제 값의 차이) - Precision : 분석의 안정성 측면 (모델을 반복했을 때의 편차) - Accuracy, Precision은 트레이드 오프인 경우가 많음. - 모델의 해석 및 적용 시 사전에 고려해야 함.

 

10개 주제별 프로젝트 관리 체계

• 분석 프로젝트의 경우 관리 영역에서 일반 프로젝트와 다르게 유의해야 할 요소 존재
  
  • 시간, 범위, 품질, 통합, 이해관계자, 자원, 원가, 리스크, 조달, 의사소통

주제	설명
시간	프로젝트 활동의 일정을 수립, 일정 통제의 진척 상황 관찰
범위	작업과 인도물을 식별하고 정의하는데 요구되는 프로세스
품질	품질 보증과 품질 통제를 계획하고 확립하는 데 요구되는 프로세스
통합	프로젝트와 관련된 다양한 활동과 프로세스를 도출, 정의, 결합, 단일화, 조정, 통제, 종료에 필요한 프로세스
이해관계자	프로젝트 스폰서, 고객사, 기타 이해관계자 식별,관리에 필요한 프로세스
자원	인력, 시설, 장비, 자재, 기반 시설, 도구와 같은 적절한 프로젝트 자원을 식별하고 확보하는 데 필요한 프로세스
원가	개발 예산과 원가통제의 진척 상황을 관찰하는데 요구되는 프로세스
리스크	위험과 기회를 식별하고 관리하는 프로세스
조달	계획에 요구된 프로세스를 포함하며, 제품 및 서비스 또는 인도물을 인수하고 공급자와의 관계를 관리하는데 요구되는 프로세스
의사소통	프로젝트와 관련된 정보를 계획, 관리, 배포하는 데 요구되는 프로세스