1장_2절 분석 방법론1

1. 분석 방법론 개요

방법론은 상세한 절차(precedures), 방법(methods), 도구와 기법(tools&techniques) 템플릿과 산출물(templates&outputs)로 구성되어 어느 정도의 지식만 있으면 활용이 가능해야 한다

 

1) 기업의 합리적 의사결정을 가로막는 장애요소

• 고정관념(stereotype)
• 편향된 생각(bias)
• 프레이밍 효과(framing effect) : 문제의 표현 방식에 따라 동일한 사건이나 상황임에도 불구하고 개인의 판단이나 선택이 달라질 수 있는 현상

2) 방법론의 적용 업무의 특성에 따른 모델

• 폭포수 모델(waterfall model) : 단계를 순차적으로 진행하는 방법
• 프로토타입 모델(prototype model) : 폭포수의 모델의 단점을 보완하기 위해 점진적으로 시스템을 개발해 나가는 접근 방식, 고객의 요구를 완전하게 이해하고 있지 못하거나 완벽한 요구 분석의 어려움을 해결하기 위해 일부분을 우선 개발하여 사용자에게 제공. 시험 사용 후 사용자의 요구를 분석하거나 요구 정당성을 점검, 성능을 평가하여 그 결과를 통한 개선 작업을 시행하는 모델
• 나선형 모델(spiral model) : 반복을 통해 점증적으로 개발하는 방법, 처음 시도하는 프로젝트에 적용이 용이하지만 관리 체계를 효과적으로 갖추지 못한 경우 복잡도가 상승하여 프로젝트 진행이 어려울 수 있다

2. KDD 분석 방법론

KDD(knowledge discovery in databases) : Fayyad가 프로파일링 기술을 기반으로 데이터로부터 통계적 패턴이나 지식을 찾기 위해 활용할 수 있도록 체계적으로 정리한 데이터 마이닝 프로세스, 데이터 마이닝, 기계학습, 인공지능, 패턴인식, 데이터 시각화 등에서 응용될 수 있는 구조를 갖고 있다

 

KDD 분석 절차

1) 데이터셋 선택(selection)

2) 데이터 전처리(preprocessing)

3) 데이터 변환(transformation)

4) 데이터 마이닝(data mining)

5) 데이터 마이닝 결과 평가(interpretation/evaluation)

 

• 데이터셋 선택(selection)

데이터셋 선택에 앞서 분석 대상인 비지니스 도메인에 대한 이해와 프로젝트 목표 설정이 필수이며 데이터베이스 또는 원시 데이터에서 분석에 필요한 데이터를 선택하는 단계

데이터마이닝에 필요한 목표데이터(target data)를 구성하여 분석에 활용

• 데이터 전처리(preprocessing)

추출된 분석 대상용 데이터셋에 포함되어 있는 잡음(noise)과 이상치(outlier), 결측치(missing value)를 식별하고 필요시 제거하거나 의미있는 데이터로 재처리하여 데이터셋을 정제하는 단계

데이터 전처리 단계에서 추가로 요구되는 데이터셋이 필요한 경우 데이터 선택 프로세스를 재실행한다

• 데이터 변환(transformation)

데이터 전처리 과정을 통해 정제된 데이터에 분석 목적에 맞게 변수를 생성, 선택하고 데이터의 차원을 축소하여 효율적으로 데이터 마이닝을 할 수 있도록 데이터에 변경하는 단계

데이터마이닝 프로세스를 진행하기 위해 학습용 데이터(training data)와 검증용 데이터(test data)로 데이터를 분리

• 데이터 마이닝(data mining)

학습용 데이터를 이용하여 분석 목적에 맞는 데이터마이닝 기법을 선택하고, 적절한 알고리즘을 적용하여 데이터마이닝 작업을 실행하는 단계

필요에 따라 데이터 전처리와 변환 프로세스를 추가로 실행하여 최적의 결과를 산출

• 데이터 마이닝 결과 평가(interpretation/evaluation)

데이터 마이닝 결과에 대한 해석과 평가, 그리고 분석 목적과의 일치성 확인, 데이터마이닝을 통해 발견한 지식을 업무에 활용하기 위한 방안 마련의 단계