세일즈분석/분석CRM을 위한 데이터마이닝 활용방안 실무자를 위한 비지니스 인텔리전스 구현 세미나 세일즈분석/분석CRM을 위한 데이터마이닝 활용방안 MIS Asia Co., Ltd. 2003.4.8

Contents 1. 데이터마이닝 정의 2. 데이터마이닝 역할 3. 데이터마이닝 과정 4. 데이터마이닝 도입을 위한 고려사항 5. 다차원 데이터마이닝 6. MIS DeltaMinerTM 6.1. 기능 6.2. 아키텍쳐 6.3. 특징 6.4. Function

1. 데이터마이닝 정의 “데이터 마이닝은 대용량 데이터를 대상으로, 의미있는 패턴이나 규칙을 발견하기 위해 자동 또는 반자동의 수단을 이용해 분석해 나가는 과정이다. “ Data Mining Techniques for Marketing, Sales and Customer Support (1997, John Wiley & Sons)

2. 데이터마이닝 역할 분류(Classification) 추정(Estimation) 예측(Prediction) 유사그룹 또는 상관관계(Affinity grouping or association rules) 군집(Clustering) 설명과 시각화(Description and visualization)

3. 데이터마이닝 과정 3.1. 사전조사(Exploration) 데이터에 대한 준비 – 데이터 정제, 변환 변수를 도출하기 위한 특성 선정 3.2. 모델링과 검증(Model building and validation) 다양한 모델을 고려하고 예측 성과에 기초한 적합한 모델을 선정 동일한 data set에 대해 모델을 적용하고 효과대비 최적의 모델을 선정 3.3. 적용(Deployment) 결과를 예측/추정하기 위해 실제 데이터에 대한 적용

4. 데이터마이닝 도입을 위한 고려사항 얼마나 많은 현업 사용자를 지원할 수 있는가? 얼마나 우리의 업종별 특성을 반영할 수 있을 것인가? 우리가 필요로 하는 기능이 얼마나 기술적으로 뒷받침되는가? 결과에 대한 해석이 직관적인가 또는 이해하기 어려운가? 결과에 대한 설명을 이해하기 위해 통계적인 지식이 있어야 하는가? 추가 질의를 위해 다른 전문가의 도움이 필요한가? 결과에 대한 추가 질의를 위해 얼마나 빨리 대응할 수 있는가? 얼마나 많은 양의 데이터를 지원할 수 있는가?

5. 다차원 데이터마이닝 5.1. 규칙에 기초한 영향도 제시(Rule-based influence discovery) 다양한 차원(dimension) 사이의 영향과 서로의 관계에 대한 패턴 제시 일반적인 OLAP이나 데이터마이닝만으로는 얻기 힘든 결과를 사전에 정의된 알고리즘에 의해 처리 5.2. 비슷한 그룹으로의 제시(Dimension affinity discovery) 다양한 항목들이 “비슷한 그룹” 또는 “비슷할 수 있는 그룹”으로 제시됨 통계적인 라이브러리에 기초한 사용자 메뉴를 이용해 현업 사용자는 고도의 분석을 수행

5. 다차원 데이터마이닝 5.3. 수사와 같은 발견 과정(Forensic discovery) 패턴에 대한 분석을 통해 표준(norm)을 제시하고 표준값에서 벗어나는 항목을 비정상(unusual)이라 포착 현업 사용자는 이러한 비정상 결과가 어디로부터 시작되었는지 확인하고, 필요한 조치를 취함 5.4. 예측을 위한 모델러(Predictive modeler) 룰과 패턴에 의한 예측(prediction)과 추정(forecast)을 제시 샘플링이 아닌 전체 data set으로부터의 검색이므로 높은 정확도를 제공

6. MIS DeltaMinerTM 6.1. 기능 결과에 대한 원인을 파악하는 과정을, 통계적인 algorithm기반의 다양한 분석 function을 통해 수행하는 data mining 솔루션 다차원 데이터베이스의 구조적 잇점과 비전문가도 이해할 수 있는 분석방법론을 결합하여 분석에 대한 시간과 비용을 줄임 Current Value for View 현재의 path에 대한 데이터, 다양한 derived measure를 제시 History 현재의 뷰에 대한 데이터 path Briefing book 특정 결과에 대한 “Snapshots” Tool Box Built-in function을 실행하는 윈도우

6. MIS DeltaMinerTM MIS DeltaMiner DSO PivotTable Service Analysis 6.2. 아키텍쳐 MS Analysis Services MIS DeltaMiner Analysis Manager OLEDB for OLAP OLE DB for DM DSO PivotTable Service Algorithm Engine Analysis Server TCP/IP ADO MD OLAP Store HTTP OLAP Engine Data Mining Engine

6. MIS DeltaMinerTM 6.3. 특징 6.3.1. 전문적인 지식이 필요 없는 Data mining 통계적인 라이브러리를 이해해야만 쓸 수 있는 Forecasting/Estimation 위주의 data mining 솔루션이 아닌, 일반 사용자의 이해가 가능한 Built-in function 을 이용하여 데이터에 대한 분석 “1사람의 분석에 대한 100% 시간 투자  10사람에 의한 10% 의 시간을 분석에 사용” 6.3.2. 다양한 다차원 데이터베이스와의 연결을 통해 평면적인 browsing의 한계를 벗어남 MS Analysis Service 뿐만 아니라, OLE DB for OLAP을 지원하는 분석 데이터베이스와의 연결이 가능함 MS Analysis Service 의 data mining algorithm 을 지원하는 3rd party application

6. MIS DeltaMinerTM 6.3. 특징 6.3.3. Built-in function 의 종류에 따른 유연한 패키지 제공 일반 사용자 수준에서 이용할 수 있는 basic function package 에서부터 전문가를 위한 Advanced function package 선택 가능 6.3.4. 분석 결과에 대한 one-button 리포팅 Analysis chain을 통해 저장된 결과를 자동으로 Export할 수 있는 기능을 제공

6. MIS DeltaMinerTM 6.4. Function 6.4.1. Cross Table Analysis 2차원 매트릭스(matrix)를 기초한 시각적인 분석 다차원 데이터베이스의 구조에 기초한 집계 데이터의 표현 뿐만아니라 통계적인 기법(outlier, expected value, conspicuous distribution, cluster 등)을 적용

6. MIS DeltaMinerTM 6.4. Function 6.4.2. Power Search 다차원 순위(multi-dimensional ranking), 다차원 분할(multi-dimensional segmentation) 큐브(Cube)를 구성하는 차원(dimension) 사이에서, 같은 레벨 또는 서로 다른 레벨 사이의 조합을 대상으로 순위를 제시 “매출에 대한 비중 순서는 첫째, 상품차원에서 식품, 둘째, 학력차원에서 고졸, 셋째, 지역차원에서 슈퍼마켓… “

6. MIS DeltaMinerTM 6.4. Function 6.4.3. Navigation 특정 수치(measure)에 대해 큐브의 모든 슬라이스가 계산되어, 최적의 drill-down path가 제시됨 구성원(member)의 값 또는 구성원 사이의 편차(deviation)에 대해 차지하는 비중에 따라 해당되는 개별 구성원 또는 조합을 제시

6. MIS DeltaMinerTM 6.4. Function 6.4.4. Time Series Analysis 단일 측정치(measure) 또는 다수의 측정치에 대해 시간(year, month or day) 축을 기준으로 패턴을 분석 해당 구성원(member)의 값 또는 구성원 사이의 편차(deviation)에 대해 차지하는 비중에 따라 해당되는 개별 구성원 또는 조합을 제시

6. MIS DeltaMinerTM 6.4. Function 6.4.5. ABC Analysis 하나의 변수/차원에 대한 집중도 분석 분포 커브에서 가장 주요한 분기점(break point)을 제시 “14.2%의 고객이 전체 매출에 대해 49% 비중을 차지한다”

6. MIS DeltaMinerTM 6.4. Function 6.4.6. Comparator Discriminatory analysis for remarkable object 두 개의 측정치에 대한 비중을 조사하여, 서로 다른 양태를 보이는 차원의 구성원들을 제시 “매출에 대한 유럽의 비중이 23.5% 반해 할인액에 대한 비중은 42%로 손익에 기여 비중이 낮음을 알 수 있다.”

6. MIS DeltaMinerTM 6.4. Function 6.4.7. Selector Optimization of actions, identification of chains of causation 결과에 대한 원인을 제공하는 조합(combination)을 차지하는 비중에 따라 제시 “매출 대비 손익에 대해 가장 공헌을 많이 하는 조합은, 첫째,청담동-고졸-여성-미혼-안주류-대형슈퍼마켓, 둘째,…”