데이터마이닝 (Datamining)

1. Overview

가. 정의

  * 대용량의 숨겨진 데이터로 부터 유용한 정보 및 패턴을 추출하여 의사결정에 활용하는 과정

나. 통계적 분석과 데이터마이닝의 비교

구분	통계적 분석	데이터마이닝
데이터 규모	Sampling 기반	대용량 기반
장점	수치데이터 의존 명확한 결과 제시	과거 데이터 특성에 의존 의사 결정을 위한 고급 정보
단점	Sampling 선정문제 입력값의 타당성	다양한 전문지식 필요

2. 데이터마이닝 기법

  * 예측적 모델(Predicative Mode) : 이미 알려진 졀과로 예측

  * 탐색적 모델(Descriptive Mode) : 결과가 알려지지 않은 데이터로 예측

구분	기법	내용	예시
예측적 모델	의사결정 나무(Decision Tree)	축적된 데이터를 분석하여 나무모형으로 분류	우수고객(예탁금->약관->거래년수)
	신경망(Neural Network)	뇌를 모방한 방식으로 학습을 통한 예측	우수고객 및 연체자 분석(입력-은닉-출력)
	분류화(Classification)	특정 특성으로 분류	신규 고객, 불만 고객
탐색적 모델	연관성 분석(Association)	데이터의 종속관계를 분석	기저귀와 맥주
	연속규칙(Sequence)	연관성 분석에서 시간정보를 추가한 방식(이력사항 필요)	신차구입 후 캠핑장비 구입
	군집화(Clustering)	특정 거리 기반으로 데이터 분류(K-Means 알고리즘)	기업 밀집 지역에 은행 지점 입점

3. 데이터마이닝 절차 및 활용

가. 데이터 마이닝 절차

절차	내용	고려사항
요구분석	데이터마이닝 목적을 정의	불량 고객 최소화 신규 고객 창출
데이터 선택	필요한 데이터의 위치, 형태 파악 및 통합	DW 활용
데이터 정제	정확성을 높이기 위한 데이터 모호성, 중복성 제거 및 오류 데이터 보정	오류 데이터 보정 (9월 31일)
데이터 보강	데이터 양을 늘이기 위한 외부데이터 추가	외부 데이터 활용
데이터 변환	불필요한 데이터 제거 및 신규 파생데이터 생성	파생 데이터 생성 (월 소득 200 이상 ->'1')
마이닝 수행	비즈니스 목적에 맞는 마이닝 기법 선택 및 수행 (의사결정 나무, 신경망.. 등)	해석 가능한 모델 선택
해석 및 평가	마이닝 결과를 해석하고 실 업무에 적용하고 평가	Feedback

나. 데이터마이닝의 활용

구분	분야	내용
금융	은행	우수 고객, 대출 심사
	카드	신용평가, 카드사고 감시, 고객 세분화
	증권	주가 예측
	보험	Claim 분석
통신	이동 통신	연체자 분석, 고객이탈 방지, 고객 충성도 분석
유통	유통	마켓팅 전략분석, 고객 관리
제조	제조	불량율 예측, 품질 관리
소매	소매	고객 세분화 마켓팅, 교차 판매
의학	의료	환자의 질병 예측, 환자의 특성에 따른 의약품 부작용 분석

4. 데이터마이닝의 기대효과 및 의견

가. 데이터마이닝의 기대효과

BSC 관점	재무관점	경쟁력 향상, 수익 증대, 주주의 가치 증대
	고객관점	욕구에 부합하는 제품사용, 기업에 대한 충성도 향상
	프로세스 관점	고객 세분화, 불량율 감소 등을 위한 내부절차 개선
	학습과 성장	마켓팅 정보, 판매 정보, 고객 정보 등 유용한 정보 획득

나. 의견

  * OLAP, 지능현 Agent, Expert 시스템, KMS 등과 연계되어 주요 의사결정 지원 기술요소로 정착이 기대됨.

  * 통계적 분석 등 경험이 필요하며, 전문가의 수준에서 이해가 가능한 알고리즘 등 보편적인 사용이 현실적으로 쉽지 않으나, Visualization 분야 및 신용카드 회사 등 마이닝이 잘 맞는 특정 산업을 중심으로 사용이 용히한 패키지 형태로 확산될 전망임.