CJ REMOTE Internship/데이터 리터러시

데이터 기반 문제해결(문제해결 실사례 현황과 시사점)

똔똔똔 2022. 6. 11. 06:44
원천데이터는 없다.

당신의 비즈니스를 망치는 데이터 분석에 대한 10가지 오해. 2020년 8월 포브스 칼럼

1. 기업이 해결하고 싶어하는 문제점

데이터 기반 실무 문제해결

 

데이터를 통해 기업이 해결하고 싶어하는 것은 무엇일까?

 

 

2. 문제의 종류에 따른 해결 방법

문제해결 목적에 따른 분류

- 상황을 인지하고 표현하고 싶은 건지

- 평가하고 싶은 건지

- 나아가 미래를 예상하고 싶은 건지

- 어떤 문제를 해결하고 싶은 건지

 

<예시>
기술: 현재 온도는 35도입니다.

평가: 더운 날씨는 온라인 사업에 우호적인 조건입니다.

예측: 앞으로 우리나라 기후는 아열대 특성이 강해질 것이므로,
         오프라인 매장의 인접성보다는 접근성이 훨씬 더 중요할 것 입니다.

문제해결: 사람의 소비 성향을 자극하는 실내 온도는 섭씨 24도로 분석되었으므로,
                 매장의 온도를 2도정도 내려보세요.

 

 

예측분석
정량적 분석: 미래의 변화를 예측 모형 등의 수리적 근거를 통해 추정할 수 있는 경우 활용되는 방법론
- 인과성 예측: 경영 변수 간 인과성에 기반하여 미래 현상을 정량적으로 예측하는 방법론
- 시계열 데이터의 과거 추세나 패턴을 통해 향후 변수의 움직임을 관찰하는 방법론

 

처방분석
처방 분석
기업이 수익성, 운영 효율성, 고객 서비스 등의 다양한 비즈니스 목표를 달성할 수 있도록
데이터 자원으로부터 최적의 실행 방안을 도출
데이터의 양이 충분한가에 따라 기계학습(예)과 규칙 기반 분석(아니오)로 나뉨


- 지도학습: 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계학습의 방법론.
                  훈련 데이터와 결과합의 데이터가 상호 연결됨
                  예측 분석 기반 시나리오 및 비즈니스 룰을 통해 산출한 영향도 데이터 모형의 학습에 활용

- 비지도학습: 데이터가 어떻게 구성되어 있는지를 알아내는 기계학습 방법론.
                       군집화, 차원 축소, 이상체 탐색 등을 위한 알고리즘이 적용됨

- 강화학습: 특정 환경 안의 정의된 에이전트가 현재의 상태를 인식하여 선택 가능한 행동들 중
                   보상을 최대화하는 행동 및 행동 순서를 택하는 알고리즘을 통해 분석.
                   불확실한 미래를 얻을 수 있는 보상 함수의 기댓값을 최대로하는 행동을 선택

 

 

3. 데이터 사이언티스트와 데이터 문제해결자

 

어떤 역할로 데이터 문제해결을 할지 선택해야 내부 역량이 달라진다.
각각의 역할이 가져야 할 필수 요소

데이터 사이언티스트 -> 데이터 문제해결자

- 비정형 데이터를 개개인이 분석할 수 있도록 최대한 정형화하여 전달

 

데이터 사이언티스트 <- 데이터 문제해결자

- 정형 데이터로 문제해결을 수행하며 피드백 전달