하나의 사실에 대해 여러가지 데이터가 있다면, 의사결정은 결국 경험과 감각에 의해 수행될 수 밖에 없습니다.이것은 데이터의 이용을 어렵게하여 고객의 경쟁력을 약화시키는 가장 큰 원인일 것입니다.위의 사례는 데이콘인피니티가 국내 주요 제조기업에 제시한 single view 개념입니다.

안녕하세요. 데이콘인피니티 입니다!지난 데이터 플랫폼 3부에는 데이터 분석형 플랫폼의 세 가지 예시를 소개해드렸습니다.이번에는 세 가지 유형 중 마지막 세 번째인 'Biz 서비스 연계형 플랫폼'의 예시를 소개하겠습니다.Biz 서비스 연계형 플랫폼은 데이터 가공 수준이 비교적 높고, 사용자의 문제 해결 과정이 아주 간단한 정도이며, 사용자의 문제를 즉시 해결하는 Biz 서비스 제공 제공에 중점을 둔 플랫폼을 의미합니다.첫 번째 플랫폼은 배달의 민족 플랫폼입니다.국내 1위의 배달 플랫폼으로 저도 자주 이용하고 있는데요, 우리나라의 배달 시장 형성 초기에는 후발기업으로 시작하였으나, 브랜딩과 마케팅으로 적자를 극복하고 경쟁우위를 점령하였습니다. 현재는 국내1위 배달 플랫폼으로 일반 배달, 배민1, 배민 커넥트 등 다양한 배달 서비스에서 부터 배민 스토어, 배민B마트, 대용량 배달 등 배달과 관련한 맞춤형 서비스를 제공하고 있습니다. 특히 위치 기반 음식점 및 마트의 상품 정보, 운영 정보, 리뷰 데이터 등을 적극적으로 활용하여 서비스를 제공하고 있습니다. 또한 배민은 단골고객 유치, 리뷰 등 자영업자의 매출 상승에 직접적으로 도움을 주는 광고 등을 통해 입점수를 늘려 요식업 생태계를 안정적으로 조성하는 대표적인 Biz 서비스 연계형 플랫폼이라 말씀 드릴 수 있습니다.두 번째는 자영업자, 예비창업자를 대상으로 하는 '마이프차' 플랫폼입니다. 마이프차는 프랜차이즈 창업 전문 플랫폼으로 프랜차이즈 창업을 고민하는 예비 창업자들에게 정보를 제공하고 운영중인 프랜차이즈 지점 인수 정보를 제공합니다. 프랜차이즈 본사를 위한 서비스를 제공하고, 본사의 경우 창업 문의 이력관리와 브랜드 홍보 등을 지원하고 있습니다. 위치기반으로 지도내 세대와 주변 정보, 경쟁사 가맹현황을 파악하는 등 프랜차이즈 본사를 위한 서비스를 제공합니다. 또한, 창업상담 서비스를 제공하는데요. 창업 전문 컨설턴트와의 매칭을 통한 심도 깊은 프랜차이즈 창업 상담 서비스를 제공하고 있습니다. 프랜차이즈 창업을 고민하시는 분들은 꼭 한 번 이용해보세요.마지막 플랫폼 예시는 '야놀자' 입니다.야놀자는 숙박 업소에 대한 편견을 여가, 노는 문화로 새롭게 정의하며 젊은 세대들의 이용을 극대화한 플랫폼이죠. 국내 대표적인 종합 숙박 정보 제공 서비스로 호텔, 모텔, 펜션, 게스트하우스, 해외민박 등 숙박 유형의 3만 5천 여개의 숙박정보를 제공할 뿐 아니라 숙박과 연계된 배달 및 맛집, 이동수단에 대한 연동 서비스도 제공하고 있죠.야놀자 바로예약으로 빈 객실에 있는 숙소만 모아서 할인된 가격으로 제공하는 서비스도 제공하고 있어 근처 빈방을 빠르게 찾을 수 있고, 업주는 빈 객실을 판매하여 수익을 증대할 수 있습니다.여기 까지 Biz 서비스 연계형 플랫폼 세 가지를 소개해드렸습니다.예시와 함께 보시니 세 가지 데이터 플랫폼의 유형이 잘 이해되시죠?여러분이 자주 이용하시는 플랫폼은 세 가지 유형 중 어떤 플랫폼에 해당되는지 생각해보시면 더 깊이 이해하실 수 있으실거예요.이상 4부로 진행된 데이터 플랫폼에 대한 아카데미를 마치겠습니다.감사합니다. 

안녕하세요. 데이콘인피니티 입니다.지난 데이터 플랫폼 2부에는 데이터 제공형 플랫폼의 세 가지 예시를 소개해드렸습니다.이번에는 세 가지 유형 중 두 번째 '데이터 분석형 플랫폼'의 예시를 소개하겠습니다.데이터 분석형 플랫폼은 데이터 가공 수준과 사용자의 문제 해결 과정이 제공형, Biz 서비스 연계형의 중간 정도이며, 데이터 분석 서비스 제공에 중점을 둔 플랫폼을 의미합니다.첫 번째 데이터 분석형 플랫폼은 모두 잘 알고 계시는 'adeGo'입니다.adeGo플랫폼은 KDX(한국데이터거래소)에서 운영하는 플랫폼으로 KDX의 다양한 데이터를 토대로 고객이 원하는 유형의 맞춤형 데이터 분석 서비스를 제공하는 서비스 입니다. 서비스 패턴 분석, 상권 분석, 예상매출 추정 등 데이터 분석 및 트렌드 리포트 서비스를 제공하는 맞춤형 데이터 분석 서비스를 제공합니다.또한 App분석 서비스 제공으로 App을 개발하는 기업의 데이터 분석, 인사이트 발굴에 용이한 데이터 분석형 플랫폼 입니다.두 번째 데이터 분석형 플랫폼은 부동산에 관심 있는 분들이라면 누구나 아실 '호갱노노'입니다.호갱노노는 지도에서 주변 아파트와 시설 정보를 한 눈에 볼 수 있도록 지도 기반 실시간 아파트 실거래가 데이터를 제공합니다.실시간 아파트 실거래가 데이터 뿐만 아니라 매매, 전/월세, 학군, 교통 정보 데이터 등 아파트 거래에 간접적인 도움을 주는 데이터도 제공합니다. 또한 금융 감독원 정보를 활용한 아파트별 대출 가능 금액, 최저 금리 상품, 금융기관별 담보 대출 금리를 비교할 수 있도록 제공하여 효용성을 더욱 높아졌죠.실내 공간정보를 기반으로 가상현실 플랫폼을 개발하는 스타트업인 어반베이스와 제휴하여 건축물의 평면도를 2초 만에 3d로 모델링하여 보여주는 '3D 평면도 서비스'까지 제공하고 있습니다. 세 번째 데이터 분석형 플랫폼은 'DeepSearch' 입니다.분석하고자 하는 기업명, 주제와 관련된 키워드 입력만으로 필요한 기업데이터(상장기업부터 비상장 기업까지 150만 개 이상의 회사 내부 데이터)를 검색하여 한 곳에서 볼 수 있는 서비스로 기업 평가 로직에 따라 기업의 분기 보고서를 자동으로 사출해주는 서비스까지 제공합니다. 딥서치가 보유한 자체적인 인공지능 기술과 모든 사업의 핵심인 빅데이터를 결합하여 AI 기반 구독형 데이터 서비스로의 도약을 선언한 대표적인 데이터 분석형 플랫폼 입니다.이상 데이터 분석형 플랫폼의 세 가지 예시를  소개하였는데요,4부에서는 마지막 유형인 'Biz 서비스 연계형 플랫폼'을 소개하도록 하겠습니다.감사합니다.

안녕하세요. 데이콘인피니티 입니다.지난 데이터 플랫폼 1부에는 데이터 플랫폼의 세 가지 유형에 대해서 소개해드렸습니다.이번에는 세 가지 유형 중 첫 번째 '데이터 제공형 플랫폼'의 예시를 소개하겠습니다.데이터 제공형 플랫폼은 데이터 가공 수준이 비교적 낮고, 사용자의 문제 해결 과정이 비교적 복잡한 수준의 데이터 제공에 중점을 둔 플랫폼을 의미합니다. 첫 번째 데이터 제공형 플랫폼은 모두 잘 알고 계시는 '공공데이터포털'입니다.행정안전부가 문화체육관광부 및 방송통신위원회와 공통으로 마련한 플랫폼인 공공데이터 포털은 현재까지 총 86,740건의 파일데이터, 오픈API, 표준데이터셋을 제공하고 있습니다.공공정보 안내와 검색, 내려받기를 한 곳에서 할 수 있는 종합 창구 서비스로 개방하는 공공정보의 신뢰성 향상을 위해 데이터 오류를 측정 및 개선하는 작업을 진행하고 있습니다.또한 인기 데이터, 테마별 데이터, 최신 데이터 등 공공에서 개방하고 있는 데이터를 이용하기 쉽게 카테고라이징 하여 제공합니다.두 번째 데이터 제공형 플랫폼은 '한국데이터거래소 KDK'입니다.다양한 민간 기업에서 취득한 데이터를 무료 또는 유료로 제공하는 플랫폼인데요. 물류, 소비, 방송, 통신 신용 등 다양한 분야의 기업이 데이터 거래에 참가하고, AI 학습을 위한 데이터셋도 제공하고 있습니다.또한 고객사가 원하는 유형의 맞춤형 데이터를 제공하고 데이터를 시각화하여 한 눈에 볼 수 있는 다양한 연계 플랫폼을 제공합니다.세 번째 데이터 제공형 플랫폼은 '네이버데이터랩'입니다.소상공인, 예비창업자를 위한 네이버데이터랩은 검색 트렌드, 네이버 쇼핑 분야별 클릭수 추이, 뉴스 댓글 통계, 지역별 관심도 등을 제공합니다.네이버 포털 검색을 통해 데이터를 개방하고 사용자가 쉽게 이용할 수 있도록 시각화하여 구성합니다.이러한 데이터들은 데이터 리터러시가 낮은 소상공인, 예비창업자도 이해할 수 있어 데이터 기반 의사결정에 활용될 수 있습니다.이상 데이터 제공형 플랫폼 소개를 마치겠습니다.감사합니다.

안녕하세요. 데이콘인피니티 입니다.오늘은 데이콘인피니티에서 정의한 데이터 플랫폼에 대해서 살펴보는 첫 번째 시간 입니다.국내외 다양한 플랫폼 비즈니스가 있습니다.플랫폼 비즈니스란 공급자가 네크워크를 구축하고, 소비자가 시간과 공간의 제약을 받지 않고 참여할 수 있도록 하는 사업 형태를 말하는데요.플랫폼은 언제나 어디서나 자유롭게 공급하고 구매할 수 있다는 장점을 가지고 있어, 다양한 분야에서 이용되고 있습니다.이러한 플랫폼들은 기본적으로 데이터가 필요합니다.탄탄한 데이터 기반의 플랫폼은 성공 가능성이 높아집니다.그럼 데이터 기반의 플랫폼은 어떤 유형이 있을까요?데이콘 인피니티에서는 데이터 플랫폼을 세 가지 유형으로 분류했습니다.데이터 제공형 플랫폼, 데이터 분석형 플랫폼, Biz 서비스 연계형 플랫폼 입니다.데이터를 한 곳에서 제공하는 것에 중점을 두느냐(제공형), 데이터를 다양한 분석방법을 통해 가공된 형태로 제공하는 것에 중점을 두느냐(분석형), 서비스를 제공하기 위해 데이터를 활용하는 것에 중점을 두느냐(서비스연계)에 따라 구분할 수 있습니다. 플랫폼들은 내외부 환경에 따라 성장하기도 변화하기도 하기 때문에 세 가지 유형으로 명확히 구분하기에는 어려움이 있지만, 각 유형에 가까운 플랫폼들의 예도 선정했습니다.(위 사진 참고) 데이터 플랫폼을 세 가지 유형으로 구분하는 기준으로는 제공자 입장에서 데이터의 가공 정도, 사용자 입장에서 문제해결 과정의 복잡성 입니다. 데이터 제공형은 데이터 가공 정도가 가장 낮고, 문제해결 과정도 복잡합니다. Biz 서비스 연계형은 데이터 가공 정도가 높고, 사용자의 문제해결 과정이 단순합니다. 데이터 분석형은 이 두 가지 유형의 중간에 위치할 수 있습니다. 여러분이 관심있는 데이터 플랫폼은 세 가지 유형중 어디에 더 가까운가요?이렇게 데이터플랫폼의 세 가지 유형에 대해서 알아보았습니다. 다음 2부에서는 데이터플랫폼에 대한 새로운 View로 찾아오겠습니다.감사합니다. 

경영을 위한 조직내 모든 활동들은 데이터로 설명이 가능합니다.따라서 각 활동이 미래에 어떤 모습일지 예측할 수 있으며, 더 나은 상황으로 통제할 수 있습니다.즉 경제의 보이지 않는 손이 시장의 가격인 것처럼, 경영의 보이지 않는 손은 잘 정의된 고품질의 데이터입니다.데이터를 잘 관리함으로써 합리적인 경영활동이 가능해지고 그 결과로 이익은 극대화되는 선순환 구조가 확립됩니다.인간, 조직, 사회간의 움직이는 패턴들은 데이터로 설명 가능야노 가즈오 “데이터의 보이지 않는 손“, 2015

Data Preprocessing란?◉ 실제의 업무나 활동에서 주어지는 원데이터를 바로 데이터 분석에 사용하지 못하는 경우가 많기 때문에 적합한 형태로 변형한 후에 분석해야 함.결측치 missing value 처리◉ 결측치 처리 전략  ◎ 데이터가 NaN일 때 그대로 날려버림  ◎ 데이터가 없는 최소의 개수와 같이 규칙을 정해서 날려버림  ◎ 데이터가 거의 없는 feature는 feature 자체를 날려버림  ◎ 최빈값, 평균값으로 NaN을 채워버림  ◎ SMOTE, KNN 같은 방법을 사용해서 근사한 instance의 값으로 채움 (가장 과학적인 방법)범주형 변수 categorical data 처리◉ 범주형 데이터를 분석하기 위해서 더미(dummy) 변수화하며, 다른 말로는 원핫인코딩(one-hot encoding)이라 함.

Feature Engineering란?◉ Feature Engineering 즉 특성공학은 머신러닝 알고리즘을 작동하기 위해 데이터에 대한 도메인 지식을 활용하여 특징을 만들어내는 과정Feature가 중요한 이유◉ 머신러닝은 입력 데이터의 함수이며 선형 또는 비선형의 형태를 가질 수 있는데, 우리는 훈련 데이터를 사용해서 이 함수를 학습하지만, 매번 학습이 잘되어 결과가 나타나지 않음. 내가 가지고 있는 데이터가 방대해도 그 데이터를 모두 결과를 도출하는데 쓰면 정확히 나타날 듯하지만 오히려 결과를 잘못되게 도출하는 경우가 많음. 통계분석에서 선형 함수의 독립변수가 많다고 해서 종속변수의 기댓값이 정확도가 무조건 올라가지 않는 이유. 즉 머신 러닝의 성능은 어떤 데이터를 입력하는지가 굉장히 의존적이기에 가장 적절한 방법은 먼저 충분한 데이터를 먼저 모으고 어떤 feature가 유용한지 아닌지 확인하는 과정을 거치게 됨.Dimension Reduction(차원 감소)◉ 차원 감소는 feature extraction 다시 말해 특징 추출이라는 말로도 불리며 만약 하나의 종속변수를 설명하는 독립변수 3개를 가지고 있을 때 우리는 3개의 feature모두가 필요한 것은 아니게 됨. 몇몇의 feature는 다른 특징들의 조합으로 표현가능할 수도있고 어떤 feature는 특정 feature의 완벽히 상반될 수 있기 때문. 이것을 다른 말로 관찰 대상들을 잘 설명할 수 있는 잠재 공간(latent space)은 실제 관찰 공간(observation space)보다 작을 수 있다고 하고 이렇게 관찰 공간 위의 샘플들에 기반으로 잠재 공간을 파악하는 것을 차원 축소(dimensionality reduction technique) 라고함.Feature Selection(특징 선택)◉ 특징 랭킹(Feature Ranking) 또는 특징 중요도(Feature Importance)라고도 하며 목적은 모든 특징의 부분 집합을 선택하거나, 불필요한 특징을 제거하여 간결한 특징 집합을 만드는 것. 특징선택은 분석자가 사전의 배경 지식 을 이용해서 진행 할 수도 있지만, 자동 특징 선택 (automatic feature selection methods)을 사용할 수도 있음. 해당 방법들은 특징 중 몇 개를 없애보고 개선된다면 성능을 확인해보는 방법이며 이것은 대부분의 특징 선택 알고리즘의 기본 동작방식임.Feature Extraction(특징 추출)◉ 특징 추출이 특징 선택과 다른 점은 원본 특징 들의 조합으로 새로운 특징을 생성하는 것이며, 차원의 원본 feature 공간을 저차원의 새로운 feature 공간으로 투영시킨다. 새롭게 구성된 feature 공간은 보통은 원본 feature 공간의 선형 또는 비선형 결합임. 가장 대표적인 알고리즘에 PCA(Principle Component Analysis)가 있으며, 간단히 설명하면 각 변수(Feature)를 하나의 축으로 투영시켰을 때 분산이 가장 큰 축을 첫번째 주성분으로 선택하고 그 다음 큰 축을 두번째 주성분으로 선택하고 데이터를 선형 변환하여 다차원을 축소하는 방법.

EDA란?◉ EDA(Exploratory Data Analysis) 즉 탐색적 데이터 분석은 데이터 분석 과정에 대한 개념으로 데이터를 분석하고 결과를 내는 과정에 있어서 지속적으로 해당 데이터에 대한 탐색과 이해를 기본으로 가져야 한다는 것을 의미◉ EDA를 해야하는 이유  ◎ 데이터의 분포 및 값을 검토함으로써 데이터가 표현하는 현상을 더 잘 이해하고 데이터에 대한 잠재적인 문제를 발견할 수 있음  ◎ 본격적인 분석에 들어가기에 앞서 데이터의 수집을 결정할 수 있음  ◎ 다양한 각도에서 살펴보는 과정을 통해 문제 정의 단계에서 미처 발생하지 못했을 다양한 패턴을 발견하고 이를 바탕으로 기존의 가설을 수정하거나 새로운 가설을 세울 수 있음◉ EDA 과정  ◎ 전체적인 데이터 살펴보기 1. 분석의 목적과 변수가 무엇인지 확인 2. 데이터에 문제가 없는지, head나 tail 확인 3. 데이터의 개별 속성값을 관찰 4. 속성 간의 관계에 초점을 맞추어 패턴을 발견(상관관계, 시각화)  ◎ 이상치 분석 1. 개별 데이터 관찰 2. 통계 값 활용 3. 시각화 활용 4. 머신러닝 기법 활용 (예시 – k-means)  ◎ 속성 간의 관계분석 1. Categorical – Categorical (교차테이블, 모자이크 플롯 등) 2. Numeric – Categorical (통계값, 박스 플롯 등) 3. Numeric – Numeric (상관계수, 스캐터 플롯 등)