Top > Info > Data Mining > 1-5-4. Data Mining 활용
▷▶ Data Mining 활용
'과거 채무 연체자 관련정보를 근간으로 미래에 발생할 채무 연체자를
예측한다.'
'과거의 분실도난카드의 거래정보를 근간으로 현 거래의 분실도난 여부를 예측한다.'
'당시의 이동통신서비스를 해지한 고객의 과거 통화정보를 근간으로 향후에 거래를
정지할 고객을 사전에 예측한다.'
이러한 예는 모두 기업의 운영상 필요에 의해 관리되고 있는 대용량의 데이터로부터 향후에 어떠한 사건이 발생할 것인지에 대한 정보를 얻는, 예측을 목적으로 하는 Data Mining의 전형적인 예라 할 수 있다. 결국 보유한 수많은 데이터 속에서 이동전화 해지자의 정보를 취합하여, 또는 분실 도난된 카드의 정보를 취합하여 일반화시킬 수 있는 그들의 특징을 찾고자 하는 것이다. 그러나 여기서 중요한 것은 해지자의 특징이란 해지를 안한 고객과 비교됨으로써 비로소 얻을 수 있다는 것이다. 예를 들어 '코끼리의 코가 길다'라는 특징을 얻기 위해서는 다른 동물들의 코의 길이가 파악된 후에야 상대적으로 코끼리의 코의 길이에 대한 언급을 할 수 있음과 같다. 해지자들의 평균연령이 40대임은 그 자체로는 의미가 없다. 해지 안한 사람들의 연령 역시 40대이라면 해지자의 특성이라고 결론 내릴 수 없기 때문이다. 여기서 해지자의 일반적 특성이란 해지를 안한 사람과의 비교를 통한 상대적인 특성이어야만 함을 쉽게 이해할 수 있을 것이다. 그렇다면 이러한 일반적인 특성을 찾아내야 하는 역할을 담당하는 사람에게 필요한 자료란 기존에 해지한 고객이 누구인지와 그들에 대한 속성, 더불어 해지를 안한 사람과 그들에 대한 속성이 된다.
이렇게 얻어진 일반적 특징이란 어떻게 활용되는가? 결국 현재 고객 중, 이러한 특징을 잘 따르는 고객을 찾자는 것이다. 과거의 해지자들의 특성을 잘 드러내는 현재 고객들을 찾아 '경험에 의하면 이들이 앞으로 해지할 가능성이 높은 고객들이다' 라는 결론을 내린다. 마찬가지로 분실 도난된 카드들의 이전 거래 패턴의 특징을 잘 드러내는 기존 카드거래를 찾아 '경험상 이 카드가 분실 도난되었을 가능성이 높다' 라는 결론을 내릴 수 있게 된다.
예측을 목적으로 하는 Data Mining은 정확한 예측력이 요구된다. 정확한 예측력을 좌우하는 요소에는 여러 가지가 있겠으나 사용자의 역할과 Data Mining Tool의 역할을 구분해 볼 때, 인간의 역할이란 해지자의 특성을 잘 드러낼 수 있는 기존 데이터의 활용이 된다.
흔히 알려진 예로 이동전화 해지자를 예측하는 데에 있어서 이 고객이 얼마나 여러 곳에 전화를 거는 지가 중요하다고 한다. 해석하자면 여러 곳에 전화를 거는 사람은 전화번호가 바뀌었을 때, 여러 명에게 알려야 하는 불편 때문에 해지할 가능성이 비교적 적다고 보기 때문이다. 사용자는 이처럼 예측을 잘하는 요인들을 경험과 상식에 근거하여 많이 고안하는 부분을 담당한다.
Mining Tool의 역할이란 이렇게 고안된 여러 가지의 변수들간의 상호작용을 감지하는 것이다. 즉, 해지자 혹은 분실카드의 일반적 특징을 여러 알고리즘을 적용하여 찾는다. 이 부분에 있어서 사용자의 의지개입이란 매우 제한적이므로 분석 알고리즘을 개발한 회사의 경험, 신뢰도가 중요한 요소가 된다.
Mining은 반복적인 작업이다. 단순하게는, 생성된 데이터에 가장 적합한 알고리즘이란 사전에 정의될 수 없으므로 DECISION TREE, NEURAL NETWORK 등등의 알고리즘을 반복하여 적용해보고 결과를 서로 비교하는 작업에서부터 사용자가 미처 생각하지 못한 요인들을 추가적으로 생성한 후, 다시 분석을 처음부터 다시 시작하는 작업에까지 반복의 의미는 확장된다.
[ Back to the Page ]
Top > Info > Data Mining > 1-5-4. Data Mining 활용