데이터를 공부하다 보면 정성적 데이터(Qualitative Data), 정량적 데이터(Quantitative Data), 정형 데이터(Structured Data), 비정형 데이터(Unstructured Data)라는 용어를 자주 접하게 된다.
처음에는 비슷해 보이지만 사실 이들은 서로 다른 기준으로 데이터를 분류하는 개념이다.
가장 먼저 기억해야 할 것은 다음과 같다.
정성적 / 정량적
→ 데이터의 "내용과 표현 방식"을 기준으로 분류
정형 / 반정형 / 비정형
→ 데이터의 "구조"를 기준으로 분류
따라서 하나의 데이터가 동시에 여러 특성을 가질 수도 있다.
예를 들어:
고객 만족도 = 5점
→ 정량적 + 정형 데이터
"제품 디자인이 정말 마음에 들어요."
→ 정성적 + 비정형 데이터
이번 글에서는 각 개념과 AI에서 어떻게 활용되는지 알아보자.
1. 데이터는 어떻게 분류할까?
데이터는 다양한 기준으로 분류할 수 있다.
대표적으로 다음 두 가지 기준이 있다.
데이터
│
┌────────────┴────────────┐
↓ ↓
측정/표현 방식 구조
│ │
┌────┴────┐ ┌─────┼─────┐
↓ ↓ ↓ ↓ ↓
정성적 정량적 정형 반정형 비정형
이 두 기준을 혼동하지 않는 것이 중요하다.
2. 정성적 데이터(Qualitative Data)
정성적 데이터는 숫자로 단순하게 표현하기 어려운 특성, 의견, 경험, 감정, 설명 등의 데이터를 의미한다.
쉽게 말하면:
"얼마나 많은가?"보다 "어떤가?"를 설명하는 데이터
라고 이해하면 된다.
예를 들어 고객 리뷰를 생각해보자.
"제품 디자인이 마음에 들어요."
"배송은 빠르지만 포장이 아쉬웠어요."
"앱 사용 방법이 조금 복잡한 것 같아요."
이러한 데이터는 숫자 하나만으로 의미를 완전히 표현하기 어렵다.
따라서 정성적 데이터로 볼 수 있다.
3. 정성적 데이터의 예시
대표적인 정성적 데이터는 다음과 같다.
고객 리뷰
인터뷰 내용
설문 주관식 답변
사용자 의견
감정
경험
관찰 기록
문서
예를 들어:
고객:
"앱이 전체적으로 편리하지만
로그인 과정이 조금 불편합니다."
이 데이터에는 사용자의 경험과 의견이 포함되어 있다.
4. 정성적 데이터와 AI
정성적 데이터는 AI에서도 매우 중요하다.
특히 다음 분야에서 많이 사용된다.
정성적 데이터
↓
┌─────┼────────┬────────┐
↓ ↓ ↓ ↓
NLP 생성형 AI 감성분석 Text Mining
예를 들어 고객 리뷰를 분석한다고 하자.
"배송은 정말 빠른데
제품 포장이 너무 약해요."
AI가 이를 분석하여:
배송 → 긍정
포장 → 부정
처럼 분류할 수 있다.
이를 감성 분석(Sentiment Analysis)이라고 한다.
5. 정량적 데이터(Quantitative Data)
정량적 데이터는 숫자로 측정하고 표현할 수 있는 데이터다.
쉽게 말하면:
"얼마나 많은가?"를 숫자로 나타낼 수 있는 데이터
이다.
예:
나이 = 25
키 = 163cm
가격 = 50,000원
온도 = 23.5℃
판매량 = 1,250개
이러한 데이터는 수학적 계산이나 통계 분석에 사용할 수 있다.
6. 정성적 데이터 vs 정량적 데이터
구분정성적 데이터정량적 데이터
| 의미 | 특성·의견·경험 | 수치·측정값 |
| 질문 | 어떤가? | 얼마나 많은가? |
| 예시 | "사용하기 편하다" | 만족도 5점 |
| 형태 | 텍스트, 설명 등 | 숫자 |
| 분석 | 내용 분석, NLP 등 | 통계, ML 등 |
예를 들어 고객 만족도를 조사한다고 하자.
정성적:
"서비스가 빠르고 편리해서 좋아요."
정량적:
만족도 = 4.7 / 5
둘은 서로 다른 정보를 제공한다.
7. 정형 데이터(Structured Data)
이번에는 데이터의 구조를 기준으로 살펴보자.
정형 데이터는 미리 정의된 일정한 구조와 형식을 가지고 있는 데이터다.
가장 대표적인 예가 관계형 데이터베이스(RDB)다.
예:
고객 테이블
ID | 이름 | 나이 | 구매금액
---|------|-----|--------
1 | 철수 | 25 | 50000
2 | 영희 | 28 | 72000
3 | 민수 | 31 | 35000
행과 열이 명확하게 정의되어 있다.
따라서 SQL을 이용해 쉽게 조회할 수 있다.
SELECT *
FROM customers
WHERE age >= 25;
8. 정형 데이터의 특징
정형 데이터는 다음과 같은 특징을 가진다.
명확한 Schema
↓
행(Row)
열(Column)
↓
일정한 데이터 타입
↓
검색 및 분석 용이
대표적인 저장 시스템:
MySQL
PostgreSQL
Oracle
SQL Server
SQLite
등의 관계형 데이터베이스가 있다.
9. 반정형 데이터(Semi-Structured Data)
반정형 데이터는 정형 데이터처럼 완전히 고정된 테이블 구조는 아니지만 일정한 구조를 나타내는 태그나 키-값 등의 메타데이터를 가지고 있다.
대표적인 예:
JSON
XML
YAML
HTML
예를 들어 JSON:
{
"name": "철수",
"age": 25,
"skills": [
"Python",
"Docker"
]
}
테이블처럼 고정된 행과 열은 없지만:
name
age
skills
같은 구조적 정보가 존재한다.
그래서 반정형 데이터라고 한다.
10. 비정형 데이터(Unstructured Data)
비정형 데이터는 미리 정의된 고정된 구조가 없는 데이터다.
대표적으로:
텍스트
이미지
음성
동영상
PDF
문서
등이 있다.
예를 들어:
📷 이미지
🎵 음성
🎬 영상
📄 문서
💬 자연어 텍스트
등은 관계형 데이터베이스의 단순한 행과 열로 표현하기 어렵다.
11. 정형 / 반정형 / 비정형 데이터 비교
구분정형반정형비정형
| 구조 | 명확함 | 일부 구조 존재 | 구조 없음 |
| Schema | 고정 | 유연함 | 없음/복잡함 |
| 예시 | DB 테이블 | JSON, XML | 이미지, 영상, 음성 |
| SQL 분석 | 쉬움 | 변환 필요 | 직접 분석 어려움 |
| AI 활용 | ML | API/Data Pipeline | 생성형 AI, CV, NLP 등 |
12. 중요한 개념: 두 분류 기준은 다르다
여기가 가장 중요하다.
정성적/정량적과 정형/비정형은 서로 다른 기준이다.
정성적 / 정량적
↓
"데이터가 무엇을 표현하는가?"
정형 / 반정형 / 비정형
↓
"데이터가 어떤 구조로 저장되어 있는가?"
따라서 다음과 같은 조합이 가능하다.
13. 정성적 + 비정형 데이터
예:
"제품이 정말 편하고 디자인도 예뻐요."
사용자의 의견이 담긴 자연어 텍스트다.
정성적
+
비정형
으로 볼 수 있다.
AI에서는:
Text
↓
NLP
↓
Sentiment Analysis
↓
Positive / Negative
처럼 분석할 수 있다.
14. 정량적 + 정형 데이터
예:
고객ID | 나이 | 구매금액
001 | 25 | 50000
002 | 28 | 72000
숫자로 표현되고 테이블 구조도 명확하다.
정량적
+
정형
이라고 볼 수 있다.
15. 정성적 + 정형 데이터도 가능한가?
가능하다.
예를 들어 설문조사에서:
고객ID | 만족도
001 | 매우 만족
002 | 만족
003 | 보통
처럼 정해진 범주의 응답을 테이블에 저장할 수 있다.
내용 자체는 정성적인 범주형 정보지만, 데이터 구조는 정형적이다.
또는:
고객ID | 선호색상
001 | 파랑
002 | 빨강
003 | 검정
처럼 저장할 수도 있다.
즉:
정성적이라고 해서 반드시 비정형인 것은 아니다.
16. 정량적 + 비정형 데이터도 가능한가?
이 역시 가능하다.
예를 들어 이미지에서 측정한 정보를 별도의 구조 없이 텍스트 파일로 저장하거나, 자연어 문서 안에 숫자가 포함되어 있는 경우가 있다.
"이번 달 매출은 1억 2천만 원으로
지난달보다 약 15% 증가했습니다."
여기에는 숫자 정보가 있지만 전체적으로는 자유로운 문장 형태다.
따라서 데이터의 내용과 구조를 별개의 기준으로 봐야 한다.
17. AI에서 데이터의 종류가 중요한 이유
AI 모델은 데이터의 종류에 따라 처리 방법이 달라진다.
Data
│
┌──────────────┼──────────────┐
↓ ↓ ↓
Text Image Audio
↓ ↓ ↓
NLP CV Speech AI
↓ ↓ ↓
LLM CNN/ViT Audio Model
예를 들어:
Text
문장
↓
Tokenization
↓
Embedding
↓
LLM
Image
이미지
↓
Image Preprocessing
↓
Embedding / Feature Extraction
↓
Computer Vision Model
정형 데이터
DB
↓
Data Pipeline
↓
Feature Engineering
↓
ML Model
즉, 데이터의 특성을 이해해야 적절한 AI 기술을 선택할 수 있다.
18. 데이터 파이프라인에서의 관계
실제 AI 프로젝트에서는 다양한 형태의 데이터가 함께 들어올 수 있다.
External Data
│
┌───────────┼───────────┐
↓ ↓ ↓
Database JSON Image
↓ ↓ ↓
Structured Semi-Structured Unstructured
│ │ │
└───────────┼───────────┘
↓
Data Pipeline
↓
Data Processing
↓
Feature / Embedding
↓
AI
예를 들어 AI 서비스에서:
PostgreSQL
→ 사용자 정보
JSON
→ API 응답
PDF
→ 기업 보고서
Image
→ 제품 사진
Text
→ 고객 리뷰
를 모두 사용할 수도 있다.
19. 데이터 마이닝과의 관계
앞에서 살펴본 데이터 마이닝(Data Mining)도 다양한 데이터에서 패턴을 발견하는 데 활용된다.
Raw Data
↓
Data Cleaning
↓
Data Processing
↓
Data Mining
↓
Pattern Discovery
예를 들어:
고객 구매 데이터
↓
Data Mining
↓
"노트북 구매 고객은
마우스도 자주 구매한다."
와 같은 패턴을 발견할 수 있다.
정형 데이터뿐만 아니라 텍스트, 로그 등 다양한 데이터에서 패턴을 찾아낼 수 있다.
20. AI 프로젝트에서 데이터 종류를 구분하는 방법
프로젝트를 시작할 때 다음과 같이 생각하면 편하다.
Step 1. 데이터의 내용은 무엇인가?
의견 / 경험 / 감정
→ 정성적
수치 / 측정값
→ 정량적
Step 2. 데이터의 구조는 어떠한가?
행/열
→ 정형
JSON/XML
→ 반정형
이미지/영상/자유로운 텍스트
→ 비정형
Step 3. 어떤 처리 방법이 필요한가?
정형 데이터
→ SQL / 통계 / ML
텍스트
→ NLP / LLM / Embedding
이미지
→ Computer Vision
음성
→ Speech AI
비정형 문서
→ OCR / Parsing / Embedding / RAG
21. 전체 개념 정리
데이터를 두 가지 관점에서 분류하면 이해하기 쉽다.
데이터
│
┌──────────────┴──────────────┐
│ │
↓ ↓
내용/측정 기준 구조 기준
│ │
┌──────┴──────┐ ┌───────┼───────┐
↓ ↓ ↓ ↓ ↓
정성적 정량적 정형 반정형 비정형
│ │ │ │ │
의견/감정 수치 DB JSON 이미지
리뷰/경험 가격 Table XML 영상
인터뷰 온도 SQL YAML 음성
22. 핵심 예시
몇 가지 데이터를 직접 분류해보자.
데이터내용 기준구조 기준
| 고객 리뷰 "배송이 빨라요" | 정성적 | 비정형 |
| 나이 25 | 정량적 | 정형 |
| 매출 50,000원 | 정량적 | 정형 |
| JSON 사용자 정보 | 정성/정량 혼합 가능 | 반정형 |
| 상품 이미지 | 정성적 정보 포함 가능 | 비정형 |
| 설문 "매우 만족" | 정성적/범주형 | 정형 가능 |
| 센서 온도 25.3℃ | 정량적 | 정형 |
여기서 중요한 것은 데이터 하나를 무조건 하나의 종류로만 분류할 필요가 없다는 것이다.
23. AI 엔지니어가 알아야 하는 이유
AI 엔지니어는 단순히 모델만 만드는 것이 아니라 데이터가 모델에 들어오기까지의 전체 과정을 이해해야 한다.
Data Collection
↓
Raw Data
↓
Data Cleaning
↓
Data Processing
↓
Feature Engineering
↓
Embedding
↓
Model Training
↓
Inference
↓
AI Service
따라서 다음 개념을 함께 이해하면 좋다.
Raw Data
Data Type
Structured Data
Semi-Structured Data
Unstructured Data
Qualitative Data
Quantitative Data
Data Cleaning
Feature Engineering
Data Mining
Machine Learning
24. 마무리
이번 글에서 가장 중요한 것은 두 가지 분류 기준을 구분하는 것이다.
정성적 / 정량적
→ 데이터의 내용과 표현 방식
정형 / 반정형 / 비정형
→ 데이터의 구조
예를 들어:
"제품이 정말 좋아요."
→ 정성적 + 비정형
만족도 = 5점
→ 정량적 + 정형
{
"name": "철수",
"age": 25
}
→ 반정형
따라서 데이터의 종류를 판단할 때는 단순히
"이게 정성적인가?"
만 보는 것이 아니라,
"무엇을 표현하는 데이터인가?" + "어떤 구조로 저장되어 있는가?"
를 함께 살펴봐야 한다.
이러한 데이터의 특성을 이해하는 것은 이후 Data Pipeline → Data Mining → Machine Learning → Deep Learning → LLM → RAG를 공부할 때도 중요한 기초가 된다.
'AI > data' 카테고리의 다른 글
| 머신러닝에서 Scaling(스케일링)이란? 필요한 이유와 StandardScaler 정리 (0) | 2026.10.02 |
|---|---|
| [GoldenLock] AI 데이터 구하기 - AI-Hub 신청, Kaggle 데이터 활용 (0) | 2026.09.04 |
| Raw Data와 Data Mining — 원본 데이터에서 숨겨진 패턴을 찾는 과정 (0) | 2026.09.01 |