예측 분석이란?

예측 분석 프레임워크 빌드의 워크플로는 5가지 기본 단계를 따릅니다.

1. 문제 정의: 예측은 좋은 논지와 요구사항 집합으로 시작합니다. 예를 들어, 예측 분석 모델이 사기를 감지할 수 있나요? 연말연시 쇼핑 시즌에 최적의 인벤토리 수준을 결정할 수 있나요? 악천후에서 잠재적인 홍수 수준을 파악할 수 있나요? 해결해야 하는 문제의 구분은 예측 분석 방법을 결정하는 데 도움이 됩니다.
2. 데이터 수집 및 구성: 조직은 수십 년간의 데이터를 보유하거나 고객 상호작용으로 인한 데이터 홍수가 지속적으로 발생할 수 있습니다. 예측 분석 모델을 개발하기 전에 데이터 흐름을 식별한 후 데이터 세트를 데이터 웨어하우스(예: BigQuery)와 같은 저장소에 구성하면 됩니다.
3. 데이터 사전 처리: 원시 데이터 자체는 명목적으로만 유용합니다. 예측 분석 모델의 데이터를 준비하려면 데이터를 정제하여 입력 또는 측정 오류로 인한 이상치, 누락된 데이터 포인트, 극단적인 이상점을 제거해야 합니다.
4. 예측 모델 개발: 데이터 과학자에게는 해결해야 할 문제와 데이터 세트의 특성에 따라 예측 모델 개발에 사용할 수 있는 다양한 도구와 기법이 있습니다. 머신러닝, 회귀 모델, 결정 트리는 가장 일반적인 예측 모델 유형입니다.
5. 결과 검증 및 배포: 모델의 정확성을 확인하고 결과에 따라 조정합니다. 허용 가능한 결과가 도출되면 앱, 웹사이트 또는 데이터 대시보드를 통해 이해관계자에게 제공할 수 있습니다.

일반적으로 예측 분석 모델에는 분류 모델과 회귀 모델의 두 가지 유형이 있습니다. 분류 모델은 데이터 객체(예: 고객 또는 잠재적 결과)를 카테고리를 구별하여 배치하려고 합니다. 예를 들어 소매업체에게 여러 유형의 고객에 대한 데이터가 많다면 어떤 유형의 고객이 마케팅 이메일 수신을 허용할지 예측할 수 있습니다. 회귀 모델은 고객이 회사와 관계를 맺고 있는 동안 발생되는 수익 금액과 같은 지속적인 데이터를 예측하려고 합니다. 

예측 분석은 일반적으로 세 가지 유형의 기법을 사용하여 수행됩니다.

회귀 분석

회귀는 변수 간의 관계를 추정하는 통계 분석 기법입니다. 회귀는 대규모 데이터 세트의 패턴을 파악하여 입력 간의 상관관계를 파악하는 데 유용합니다. 알려진 분포를 따르는 연속 데이터에 도입하는 것이 가장 좋습니다. 회귀는 하나 이상의 독립 변수가 다른 변수에 미치는 영향을 확인하는 데 자주 사용됩니다. 예를 들어 가격 인상이 제품 판매에 미치는 영향 등이 있습니다.

결정 트리

결정 트리는 고유한 변수에 따라 서로 다른 카테고리에 데이터를 배치하는 분류 모델입니다. 이 방법은 개인의 결정을 이해하려고 할 때 가장 적합합니다. 모델은 트리처럼 보이는데, 각 브랜치가 잠재적 선택을 나타내고 브랜치의 각 잎이 결정 결과를 나타냅니다. 결정 트리는 일반적으로 데이터 세트에 누락된 변수가 여러 개 있을 때 이해하기 쉽고 잘 작동합니다.

신경망

신경망은 매우 복잡한 관계를 모델링할 때 예측 분석에 유용한 머신러닝 방법입니다. 기본적으로 이들은 강력한 패턴 인식 엔진입니다. 신경망은 특히 데이터 분석에 사용할 수 있는 알려진 수학 공식이 없는 경우 데이터 세트의 비선형 관계를 판단하는 데 가장 적합합니다. 신경망을 사용하여 결정 트리 및 회귀 모델의 결과를 검증할 수 있습니다.