[논문]데이터 과학의 방법론을 적용한 데이터 기반 디자인 방법론에 대한 연구 - 미세먼지 정보 서비스 앱의 디자인 리서치 사례를 중심으로

이현진

doi:10.5392/jkca.2021.21.10.103

데이터 과학의 방법론을 적용한 데이터 기반 디자인 방법론에 대한 연구 - 미세먼지 정보 서비스 앱의 디자인 리서치 사례를 중심으로
Data-Driven Design Methodology based on Data Science Paradigm Focused on Design Research Case Study of Fine Dust Information App Service 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.21 no.10, 2021년, pp.103 - 114

초록
AI-Helper

본 연구는 데이터 과학의 분석적 연구 방법을 디자인 연구에 활용할 수 있는 방법을 모색, 실증해봄으로써 빅데이터 기반의 디자인 분야에서 데이터 자원을 효과적으로 활용하고, 빅데이터 기술과 디자인이 상생 발전할 수 있는 디자인 연구 방향을 제시하였다. 본 연구의 방법은 먼저 고전적인 디자인 리서치의 방법들과 데이터를 활용한 디자인 리서치의 연구 방법론, 데이터 과학의 연구 방법론을 고찰하고 디자인과 데이터 과학의 선행연구들을 종합하여 데이터 과학의 연구 방법론과 디자인 프로세스를 통합하는 데이터 기반 디자인의 연구 방법론을 개발 제안하였다. 제안된 연구 모델은 데이터 기반 서비스 앱의 디자인 리서치 사례 연구를 수행하여 제안한 방법론의 적용 가능성을 살펴보았으며, 제시한 연구 방법의 적용을 위하여 데이터 큐레이션 방법에 대한 연구와 디자이너의 데이터 문해력 확보가 향후 연구과제로 도출되었다.

Abstract ▼ AI-Helper

This study explores research methodologies of design and data science, and applies data science paradigm on design process. Design research methodologies would have benefits of productivity and efficiency by using data driven design methodology. From insights of former studies, a new methodology of data driven design is suggested that design problem is transformed to data set attributes, such as variables, values and data patterns. The fine dust information app design is conducted as a case study to prove this methodology.

주제어

표/그림 (10)

표 표 1. 디자인 연구의 범주별 디자인 방법론
표 표 2. 디자인 프로세스 각 단계에 대한 데이터 과학 관점의 해석과 단계별 주요 디자인 연구 방법 및 데이터 연구 방법의 비교 맵핑(Mapping)
표 표 3. 프로젝트의 주요 데이터 변수와 미세먼지 대표 앱(미세미세, 에어비주얼)의 앱스토어 평가 데이터 내용
표 표 4. 서울시 미세먼지 측정 데이터 및 날씨 측정 데이터의 형식
그림 그림 1. 2018년 서울시 미세먼지(적색)와 초미세먼지(청색)량의 측정 평균값 현황:월별/ 시즌별 데이터 패턴을 보여준다.
그림 그림 2. 2018년 상반기(1-5월) 일별 미세먼지 측정량:미세먼지 시즌의 일별 측정량 변화를 보여준다. (회색 영역은 한국환경공단 기준 '미세먼지 나쁨' 범위)
그림 그림 3. 2018년 4월 6일(년간 미세먼지가 가장 심했던 날)의 시간별, 구별(지역별) 미세먼지 측정 현황:미세먼지 시즌의 시간별 측정량 변화 패턴을 보여준다. (회색 영역은 한국환경공단 기준 '미세먼지 나쁨' 범위)
표 표 5. 사례 데이터의 변수 현황 및 디자인 인사이트
그림 그림 4. 2018년 서울시 지역구별 미세먼지 '아주 나쁨' 기준 이상 값이 측정된 횟수:지역별 데이터 패턴과 미세먼지 측정 기준의 적정성을 보여준다.
표 표 6. 데이터 변수 패턴 기반의 디자인 컨셉 도출

AI 본문요약
AI-Helper

문제 정의

제안된 연구 모델은 데이터 기반 서비스앱의 디자인 리서치 사례 연구를 수행하여 방법론의 적용 가능성을 살펴보았다. 결론에서는 데이터 과학의 패러다임을 적용한 데이터 기반 디자인 연구 모델의 의의와 향후 연구 방향을 제안하였다.
데이터 과학의 방법론을 사용한 디자인 방법론의 활용 가능성을 검증하기 위하여 본 연구에서는 서울의 미세먼지 측정 데이터를 기반으로 미세먼지 현황과 예보 안내를 해주는 앱 디자인 사례를 실험해 보았다. 사례실험의 내용을 프로젝트 선언문(Project Statement) 으로 요약하여, “서울의 미세먼지 현황과 예보를 사용자들의 정보 요구에 맞게 안내해주는 앱 서비스를 디자인한다.
다음 단계에서는 디자인과 데이터 과학의 선행연구들을 종합하여 데이터 과학의 연구 방법론을 디자인 프로세스에 적용하는 데이터 기반 디자인의 연구 방법론을 개발 제안하였다. 제안된 연구 모델은 데이터 기반 서비스앱의 디자인 리서치 사례 연구를 수행하여 방법론의 적용 가능성을 살펴보았다. 결론에서는 데이터 과학의 패러다임을 적용한 데이터 기반 디자인 연구 모델의 의의와 향후 연구 방향을 제안하였다.

가설 설정

이 방법은 연구 대상인 데이터 과학의 문제와 디자인 문제를 동일한 수준으로 두었을 때, 디자인 과정의 전반부에서 디자인 문제를 다양한 시각으로 수집, 분석하고 이들의 관계를 디자인 문제의 구조로 이해하는 과정과 유사하여, EDA를 디자인 리서치 과정에 방법적으로 적용할 수 있는 가능성을 보여준다. 이상의 내용들을종합하여, 본 연구에서는 디자인 문제의 구성 요소를 데이터의 구성 요소인 변수와 값에 대한 대응 관계로 정의한다면, 디자인 연구 과정 전체를 조망하는 패러다임으로 데이터 과학의 연구 기법을 활용하는 것도 가능할 것이라는 가설을 설정하였다.

제안 방법

본 연구의 방법은 먼저 고전적인 디자인 리서치의 방법들을 조망하고, 변화의 방향을 살펴보았다. 그리고 데이터를 활용한 디자인 리서치의 연구 방법론을 고찰하고 그 특징을 분석하였다. 한편으로는 전형적인 데이터 과학의 연구 방법론을 고찰하고 디자인 연구 방법론 사이의 차이점과 상호 보완 가능성을 도출하였다.
한편으로는 전형적인 데이터 과학의 연구 방법론을 고찰하고 디자인 연구 방법론 사이의 차이점과 상호 보완 가능성을 도출하였다. 다음 단계에서는 디자인과 데이터 과학의 선행연구들을 종합하여 데이터 과학의 연구 방법론을 디자인 프로세스에 적용하는 데이터 기반 디자인의 연구 방법론을 개발 제안하였다. 제안된 연구 모델은 데이터 기반 서비스앱의 디자인 리서치 사례 연구를 수행하여 방법론의 적용 가능성을 살펴보았다.
먼저 연구 대상 데이터를 확보하기 위하여 사례 서비스 관련한 사용자, 사용상황, 서비스 내용 및 서비스 가치 정보를 포함하는 데이터들을 조사해보았다. 사용자는 서울에 거주하거나, 해당 지역에 방문할 필요가 있으면서 미세먼지 정보에 민감한 사용자들인데, 이들에 관하여 수집 가능한 기존 데이터는 앱 마켓의 미세먼지 관련 앱에 대한 평가 정보나 SNS의 미세먼지 관련 메시지 정보를 활용할 수 있다.
본 사례 연구는 디자인 프로젝트의 서비스 구성 내용 정보를 변수로 하여 데이터 분석 방법론에 의한 각 변수의 현황과 변수 패턴을 활용하여 디자인 컨셉을 도출하는 과정을 실증하였으며, 특히 사용자 데이터로 확인할 수 없었던 서비스의 신뢰성 관련 가치 정보를 서비스 사용상황 관련 변수인 서비스 사용 시점 및 서비스 내용과 연계한 정량 데이터 분석으로 보강하였다. 이와 같은 데이터 분석 방법론 기반의 디자인 방법을 활용하기 위해서는 디자인 문제 해결에 적합한 데이터와 데이터 분석 기술의 확보가 필수적으로 요구된다.
한편, 정보 기술 발전과 함께 등장한 디지털 데이터는 고전적 디자인 연구 방법론의 한계를 해결하는 대안으로 사용되고 있다. 본 연구에서는 디자인 연구 과정에서 디지털 데이터를 효과적으로 사용한 선행연구들을 통하여 데이터 기술의 활용 현황을 정리하였다.
그러나 현재 제시된 연구 방법들은 기존의 디자인 연구 방법 안에서 작업 효과를 높이는 도구로 제한적으로 데이터를 활용하는 측면이 있다. 본 연구에서는 선행 연구가 가지고 있는 데이터에 대한 도구적 접근법에서 벗어나 디자인 프로세스 전체를 데이터 과학적 관점으로 재구성해보고, 이러한 작업을 통하여 디자인 방법론 연구의 새로운 시각을 발굴해보고자 데이터 과학의 연구 방법론에 대한 고찰을 진행하였다.
본 연구의 방법은 먼저 고전적인 디자인 리서치의 방법들을 조망하고, 변화의 방향을 살펴보았다. 그리고 데이터를 활용한 디자인 리서치의 연구 방법론을 고찰하고 그 특징을 분석하였다.
이 데이터 모델을 디자인 문제의 구조로 대응하면, 데이터 모델의 구조나 변수, 값(Value)의 변경을 통하여 서비스의 내용과 가치(Measure)에 대한 다른결과값을 예측(Simulation)하는 것이 가능하고 서비스의 가치를 높여주는 조합의 데이터 변형을 적용하여 디자인 컨셉 및 디자인 해결안을 도출할 수 있다. 이렇게 제안된 디자인 해결안은 사용자 대상의 통계적 검정 과정을 통하여 디자인을 평가 검증할 수 있으며, 이상의 과정을 종합하면 디자인 문제 해결 과정 전체를 데이터 과학의 문제 해결 방법으로 도출하는 새로운 디자인 방법론으로 정리된다. 이와 같이 데이터 연구의 관점에서 디자인 문제를 이해하면, 다양한 통계적 연구 기법들을 적용하여 디자인 문제에서 발견한 현상의 의미를 도출할 수 있고, 시뮬레이션, 인공지능 등, 빠른 속도로 발전하고 있는 데이터 기술들을 디자인 방법론에 직접 적용하여, 디자인 방법론의 효율과 문제 해결 능력을 높이는 기여를 하게 될 것으로 예상한다.
이상의 디자인 컨셉을 활용하여 제너레이티브 디자인 방법으로 수행한다면 주요 컨셉의 내용과 하위 디자인 내용을 디자인 변수와 값의 평가 목표로 설정하고 인공지능이나 소프트웨어적인 방법으로 디자인 모델을 구축하여 최적화 된 디자인 해결안의 데이터 셋 구성을 도출하고, 제안된 데이터 셋의 구성을 적용하여 디자인의 UI 및 GUI를 개발한다. 사례 연구의 경우, 시간별 미세먼지 측정 정보의 효과적으로 표현, 미세먼지와 초미세먼지의 발생 패턴을 반영한 측정값 표기 형식 차별화, 측정 패턴을 반영한 미세먼지 단계 값의 표현 방법디자인, 알림과 위젯으로 시점별 정보 서비스를 제공하는 디자인을 디자인 해결안의 데이터 변수로 사용함으로써, 사용자들이 중요하게 생각하는 서비스 가치인 정보의 신뢰성과 시점별 정보 제공의 편이성을 만족하는 디자인 해결안의 데이터 셋을 도출할 수 있다.
컨셉 설정 이후 제너레이티브 디자인 수행이나 제시된 해결안의 A/B 테스팅 작업은 기존 연구들과 방법이동일 하므로, 본 사례 연구는 디자인 문제를 데이터 셋으로 설정하여 데이터 과학의 관점에서 디자인 컨셉을 도출하는 부분까지만 수행하였다.

대상 데이터

사용자는 서울에 거주하거나, 해당 지역에 방문할 필요가 있으면서 미세먼지 정보에 민감한 사용자들인데, 이들에 관하여 수집 가능한 기존 데이터는 앱 마켓의 미세먼지 관련 앱에 대한 평가 정보나 SNS의 미세먼지 관련 메시지 정보를 활용할 수 있다. 그 외 사용자 대상 설문이나 인터뷰 등을 수행하여 새로 사용자 데이터를 발생시키는 방법도 있으나, 본 사례에서는 이미 수집된 데이터 중 앱 마켓의 주요 미세먼지 앱에 대한 평가 데이터를 수집하였다. 데이터 수집 대상인 미세먼지 정보 서비스의 대표 앱으로 ‘미세미세’와 ‘에어비주얼’ 앱을 선정했고, ‘미세미세’는 2.
데이터 수집 대상인 미세먼지 정보 서비스의 대표 앱으로 ‘미세미세’와 ‘에어비주얼’ 앱을 선정했고, ‘미세미세’는 2.8만 개, ‘에어비주얼’은 1만 개의 사용자 평가 데이터가 앱스토어에 등록되어있다
이중 ‘에어비주얼’의 경우 2021년 3월 초 주요 변경 업데이트가 이루어져서, 두 앱 모두 2021년 3월부터 5월까지 3개월 동안 앱스토어에 입력된 평가 데이터를 대상으로 데이터를 수집, 분석하였다

데이터처리

확보된 측정 데이터 셋의 각 변수에 대한 패턴과 관계를 통계 프로그램 R과 데이터 시각화 패키지 ggplot2를 사용하여 시각화하였고, 이를 앱 평가 데이터에서 도출한 주요 키워드와 연계하여 [표 5]와 같이 서비스의 가치 관련 데이터 질문과 변수 패턴 및 디자인 인사이트를 도출할 수 있었다. 디자인 인사이트에서는 디자인의 가치 변수를 서비스 정보의 신뢰성(정확성) 확보 및 서비스 시점별 정보 표현 방법으로 정하고 이 속성들의 개선과 관련한 의미를 도출하였다.

이론/모형

본 장에서는 3장의 논의를 바탕으로 디자인 프로세스를 데이터 과학의 연구모형으로 해석하여 보았다. 연구대상의 디자인 프로세스는 영국 디자인 카운슬의 더블 다이아몬드 디자인 모델을 기반으로 하였다.

성능/효과

도출된 컨셉의 내용을 보면, 사용자 데이터 변수 부분과 사용상황 데이터 변수 부분은 기존에 사용하는 설문이나 인터뷰와 같은 디자인 연구 방법론을 사용하여도 출하는 결과의 내용과 차이가 없으나, 설문이나 인터뷰를 하기 위한 투자 시간과 노력보다 훨씬 적은 노력으로 다량, 장기간의 자료를 수집하여 분석할 수 있다는 장점이 있었고, 서비스 내용 데이터 변수의 정보 신뢰성과 정확성 관련한 데이터 패턴은 사용자 연구로는 분석 불가능하고, 미세먼지 정보의 원시 데이터 패턴 분석으로 서비스 신뢰성과 정확성 확보의 핵심 부분을 발견할 수 있어서 기존의 방법론으로는 도출할 수 없는 디자인 컨셉을 제시할 수 있었다. 또한, 사용자 관련 데이터의 분석을 통하여 주요 변수를 추출하고, 주요 변수의 내용과 패턴은 미세먼지 센서의 빅데이터 분석을 실시하여 발견함으로써 디자인 연구에 필요한 데이터셋의 구축 방법도 실험해 볼 수 있었다.
둘째, 데이터 과학의 패러다임이 디자인에 적용되면 디자인 프로세스를 더 객관적으로 관리할 수 있고, 이를 기반으로 디자인 프로세스에 빅데이터 및 AI 기술을 적극적으로 반영하여 디자인 생산성을 높일 수 있다. 제시한 방법론을 통하여 데이터 과학과 인공지능 등 인접 학문과의 소통이 쉬워지면 대규모화, 시스템화한 디자인 프로젝트를 협업하기 좋은 토대를 마련할 수 있으므로, 디자인 연구 대상이 복잡해지고, 대형화하는 경우의 문제 대응 능력을 확보할 수 있다.
먼저 사례 연구에서 보듯이 서비스 디자인에 필요한 디자인 변수 관련 데이터가 충분히 확보되어야 좋은 결과물을 낼 수 있으므로, 데이터 큐레이션 역량이 중요하고, 데이터 큐레이션의 질에 따라 본 방법론의 적합성이 판단될 수 있다. 본 연구의 방법론을 활용할 경우, 사용 가능한 데이터를 발굴하고 필요 데이터를 생성하여 디자인 변수로 편입시키는 과정이 디자인 프로젝트의 성공에 중요한 역할을 하게 될 것이다.
둘째, 데이터 과학의 패러다임이 디자인에 적용되면 디자인 프로세스를 더 객관적으로 관리할 수 있고, 이를 기반으로 디자인 프로세스에 빅데이터 및 AI 기술을 적극적으로 반영하여 디자인 생산성을 높일 수 있다. 제시한 방법론을 통하여 데이터 과학과 인공지능 등 인접 학문과의 소통이 쉬워지면 대규모화, 시스템화한 디자인 프로젝트를 협업하기 좋은 토대를 마련할 수 있으므로, 디자인 연구 대상이 복잡해지고, 대형화하는 경우의 문제 대응 능력을 확보할 수 있다.
첫째, 본 연구는 현재 디자인 프로세스에서 부분적으로 적용되고 있는 데이터를 활용한 연구 방법들을 통합하여 디자인 프로세스 전체에 데이터 과학의 패러다임을 적용하는 개념을 제시하였다. 특히 디자인 문제를 데이터 셋을 구성하는 변수와 값의 상관관계로 정의함으로써, 전체 디자인 프로세스에서 변수와 데이터 패턴의 관리를 통하여 디자인 해결안이 도출되도록 하였으며, 사례 연구를 통하여 제시한 방법론의 연구 효율성과 빅데이터라는 새로운 리서치 자원 활용의 장점을 확인하였고, 디자인 문제 해결을 위한 데이터의 체계적 활용 방안을 검증할 수 있었다.
첫째, 본 연구는 현재 디자인 프로세스에서 부분적으로 적용되고 있는 데이터를 활용한 연구 방법들을 통합하여 디자인 프로세스 전체에 데이터 과학의 패러다임을 적용하는 개념을 제시하였다. 특히 디자인 문제를 데이터 셋을 구성하는 변수와 값의 상관관계로 정의함으로써, 전체 디자인 프로세스에서 변수와 데이터 패턴의 관리를 통하여 디자인 해결안이 도출되도록 하였으며, 사례 연구를 통하여 제시한 방법론의 연구 효율성과 빅데이터라는 새로운 리서치 자원 활용의 장점을 확인하였고, 디자인 문제 해결을 위한 데이터의 체계적 활용 방안을 검증할 수 있었다.

후속연구

본 연구의 방법론을 활용할 경우, 사용 가능한 데이터를 발굴하고 필요 데이터를 생성하여 디자인 변수로 편입시키는 과정이 디자인 프로젝트의 성공에 중요한 역할을 하게 될 것이다. 그러므로 디자인 문제를 정의하는 변수와 관련 데이터를 확보하는 데이터 큐레이션 방법에 대한 심층연구가 필요하다.
그리고 본 연구 방법론은 디자이너에게도 데이터 문해력을 요구한다. 디자이너에게 학제적 소통 능력이 필요한 것은 새로운 논의가 아니지만, 제안하는 디자인방법론을 활용하려면 디자이너 교육을 위한 교과 과정에서 데이터 과학을 심도있게 다루고, 데이터 분석 역량을 실습하는 디자인 실기 교과 내용이 동반되어야 할 것이다.
먼저 사례 연구에서 보듯이 서비스 디자인에 필요한 디자인 변수 관련 데이터가 충분히 확보되어야 좋은 결과물을 낼 수 있으므로, 데이터 큐레이션 역량이 중요하고, 데이터 큐레이션의 질에 따라 본 방법론의 적합성이 판단될 수 있다. 본 연구의 방법론을 활용할 경우, 사용 가능한 데이터를 발굴하고 필요 데이터를 생성하여 디자인 변수로 편입시키는 과정이 디자인 프로젝트의 성공에 중요한 역할을 하게 될 것이다. 그러므로 디자인 문제를 정의하는 변수와 관련 데이터를 확보하는 데이터 큐레이션 방법에 대한 심층연구가 필요하다.
이렇게 제안된 디자인 해결안은 사용자 대상의 통계적 검정 과정을 통하여 디자인을 평가 검증할 수 있으며, 이상의 과정을 종합하면 디자인 문제 해결 과정 전체를 데이터 과학의 문제 해결 방법으로 도출하는 새로운 디자인 방법론으로 정리된다. 이와 같이 데이터 연구의 관점에서 디자인 문제를 이해하면, 다양한 통계적 연구 기법들을 적용하여 디자인 문제에서 발견한 현상의 의미를 도출할 수 있고, 시뮬레이션, 인공지능 등, 빠른 속도로 발전하고 있는 데이터 기술들을 디자인 방법론에 직접 적용하여, 디자인 방법론의 효율과 문제 해결 능력을 높이는 기여를 하게 될 것으로 예상한다.

참고문헌 (17)

빅데이터 전략 연구소, 빅데이터 개론, 광문각, pp.54-89, 2019.
H. Sharp, J. Preece, and Y. Rogers, Interaction Design-beyond human computer interaction 5th edition, John Wiley & Sons Ltd, pp.349-365, 2019.
J. Lazar, J. H. Feng, and H. Hochhelser, Research Methods on Human-Computer Interaction, John Wiley & Sons Ltd, pp.5-14, 2010.
J. O'Grady and K. O'Grady, A Designer's Research Manual, Rockport, pp.21-64, 2009.
R. King, E. F. Churchill, and C. Tan, Designing with data, O'reilly, pp.3-6, 2017.
http://www.beausable.net
P. Marti, C. Megens, and C. Hummels. "Data-Enabled Design for Social Change: Two Case Studies," Futrure Internet, Vol.46, No.8, pp.1-16, 2016.
J. Kollenburg, S. Bogers, H. Rutjes, E. Deckers, J. Frens, and C. Hummels, "Exploring the Value of Parent-Tracked Baby Data in Interactions with Healthcare Professionals: A Data-Enabled Design Exploration," CHI 2018 Conference, p.297, 2018.
A. Ravi, What Generative Design Is and Why It's the Future of Manufacturing, New equipment, 2018. (https://www.newequipment.com/research-and-development/article/22059780/what-generative-design-is-and-why-its-the-future-of-manufacturing)
M. Roback, Generative Design: 제조업의 가능성을 재정립하다, Autodesk, pp.3-33, 2020.
L. Bradshaw, The Great Data Revolution-The Future of Data Driven Innovation, The U.S. Chamber of Commerce Foundation, pp.21-27, 2014.
V. Dhar, "Data Science and Prediction," Communications of the ACM, December Vol.56, No.12, pp.64-73, 2013.

상세보기
조민호, 데이터분석 전문가를 위한 R 데이터 분석, 정보문화사, pp.117-118, 2019.
D. R. Wichham, for Data Science, Programming Insight, xii-xiv, pp.77-105, 2019.
J. R. Miller, "Big Data Curation," 20th International Conference on Management of Data (COMAD), p.4, 2014.
S. Wu, "A review on coarse warranty data and analysis," Reliability Engineering and System, Vol.1, No.11, p.114, 2013.
http://www.data.seoul.go.kr

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format