예측 분석이란?

분석가는 기술 분석, 진단 분석, 예측 분석, 처방 분석이라는 4가지 유형의 데이터 분석을 사용합니다.

• 기술 분석에서는 기록 데이터 분석을 통해, 과거에 발생한 일을 파악합니다.
• 진단 분석에서는 기록 데이터를 사용하여, 과거에 어떤 일이 발생한 이유를 설명합니다.
• 예측 분석에서는 기록 및 현재 데이터 패턴을 기반으로 미래 추세를 예측합니다.
• 처방 분석에서는 기업이 의사 결정을 최적화할 수 있도록 미래의 조치와 결정을 규정합니다.

예측 분석 대 기술 분석

기술 분석은 데이터 엔지니어가 과거 사건에서 발생한 일을 알 수 있게 해 주는 데이터 과학입니다. 해당 분석은 과거 데이터를 탐색하여, 이해하기 쉬운 통계 모델(예: 표와 차트)로 해당 데이터를 표시합니다. 예를 들어, 기업들은 수년간의 계절별 판매 동향을 연구하기 위해 기술 분석을 사용해 왔습니다. 

기술 분석은 데이터 마이닝 기법을 통해 발견된 사실적 사건과 패턴을 기반으로 합니다. 그러나 예측 분석과 달리, 미래 사건을 예측하지는 않습니다.

예측 분석 대 처방 분석

예측 분석은 과거 사건을 바탕으로 향후 발생할 수 있는 일을 알려주는 반면, 처방 분석은 결과에 영향을 미치는 결정을 추가로 권고합니다. 예를 들어, 예측 모델에 따르면 배송 팀이 다가오는 축제 시즌을 감당할 수 없을 것으로 나타났다고 합시다. 그러면 공장 관리자는 처방 분석을 사용하여 최적의 배송 일정, 택배 서비스 및 직원 교대 일정을 찾게 됩니다. 

많은 조직에서 예측 분석을 적극적으로 사용하여 실시간 및 미래 성과를 유도합니다. 다음은 몇 가지 예측 분석의 예입니다.

금융

은행 및 펀드 매니저는 금융 기관의 수익성에 영향을 미칠 수 있는 고위험 결정을 내립니다. 예측 분석은 과거 거래 데이터를 기반으로 한 비즈니스 인텔리전스를 제공함으로써 그들이 확신을 가지고 결정을 내릴 수 있게 합니다. 예시는 다음과 같습니다.

• 대출 관리자는 신청자에게 대출을 승인하기 전에, 신용 위험을 예측하기 위해 고급 분석 소프트웨어를 사용합니다. 
• 은행 보안 팀은 예측 분석 소프트웨어를 사용하여, 사기 행위를 암시하는 비정상적인 거래 데이터를 식별합니다.
• 보험사는 예측 모델링을 사용하여 허위 보험금 청구를 식별할 수 있습니다. 

소매

소매업체는 예측 분석을 사용하여 지역 및 현지 고객 수요를 예측하고, 지역 및 현지 유통 기지에 재고를 사전 배송함으로써 배송 시간을 단축합니다. 다른 기업들은 잠재 고객 점수(lead scoring) 모델을 사용하여 잠재 고객 전환율을 개선하고, 예측 기반 추천을 사용하여 고객 프로필을 기반으로 상향 판매 및 교차 판매의 기회를 확대합니다. 여기서 예측 분석은 더 효과적인 마케팅 전략을 결정합니다. 또한 기업은 예측 분석을 사용하여 미래의 수요와 매출을 예측합니다.

제조

제조업체는 예측 분석을 사용하여, 공급망 전반에서 생산성, 비용 효율성 및 품질을 개선합니다. 예를 들어, 조달 관리자는 예측 분석을 사용하여, 자재 가격을 예측하고 가능한 최저가로 확보합니다. 한편, 물류 부서는 예측 분석을 실행하여, 최적의 배송 경로를 도출하고 운송 비용을 절감합니다.

또한 제조업에서는 예측 기계 학습도 사용하여, 잠재적인 장비 고장을 식별합니다. 기술자는 생산 일정에 미치는 영향을 최소화하면서, 예정된 수리를 수행할 수 있습니다. 제조업체는 예측 데이터 분석을 통해 생산 라인 장비를 모니터링함으로써 처리량을 최적화하고, 불규칙성을 감지하며, 장비 결함을 부각시킵니다. 제조 기업은 기계 모니터링, 상태 파악 및 유지 보수 요건 예측을 위해 예측 분석을 활용합니다.

의료

의료 산업은 거시적 수준과 미시적 수준 모두에서 예측 분석의 이점을 누립니다. 예를 들어, 의료 전문가는 예측 모델링을 사용하여, 가변적인 변수(예: 백신 개발 및 가용성)를 기반으로 글로벌 질병의 확산 경로를 도출합니다. 또한 의사는 의료 예측 분석을 사용하여, 환자의 증상을 모니터링하고 향후 발생할 수 있는 합병증을 예측합니다. 의료 회사는 환자 모니터링 장비에 예측 분석을 적용하여 환자 상태의 실시간 변화를 감지하는 동시에, 환자 모니터링 장비의 효율성을 저해하는 허위 경보를 제거합니다.

많은 기계 학습 응용 분야와 마찬가지로, 예측 분석은 예측을 업데이트하기 위해 지속적으로 새로운 데이터를 활용하는 동적 활동입니다. 즉, 이 기술은 데이터 정리, 모델 훈련, 배포, 피드백, 재훈련 및 재배포의 파이프라인을 사용하고, 거의 실시간에 가까운 데이터 수집 능력도 사용합니다. 데이터 사이언티스트는 다음과 같은 예측 분석 기법을 사용합니다.

의사 결정 트리

의사 결정 트리는 일련의 예 또는 아니오 질문에 답함으로써 소프트웨어가 예측을 수행할 수 있도록 하는 기계 학습 모델입니다. 이름 그대로, 이 기법은 노드와 브랜치가 있는 나무 모양을 모방합니다. 각 노드에는 다음 노드로 진행하기 전에 해결해야 하는 문제에 특화된 특성이 포함되어 있습니다. 각 노드는 두 개의 잎으로 분기되며, 이 잎들은 후속 노드로 이어집니다.

의사 결정 트리는 질적 데이터와 양적 데이터를 모두 예측할 수 있습니다. 예를 들어, 의사 결정 트리 예측 모델을 사용하여, 눈에 띄는 증상을 기반으로 부동산 가격이나 환자의 건강 상태를 예측할 수 있습니다. 의사 결정 트리는 이해하기 쉽지만, 다양한 새 데이터를 분석할 때는 유연성이 떨어집니다.  

회귀 분석

회귀 분석은 데이터 사이언티스트가 새 데이터를 분류하거나 알려진 데이터세트와 해당 데이터의 상관관계를 분석함으로써 예측을 수행하는 데 사용하는 통계적 접근 방식입니다. 선형 회귀 분석은 2차원 차트에서 독립 변수와 종속 값 간의 관계를 모델링합니다. 예를 들어, HR 관리자는 선형 회귀를 사용하여, 수년간의 경력을 기반으로 후보자의 급여를 예측합니다. 

한편, 로지스틱 회귀는 확률을 기반으로 변수들을 2개 이상의 범주로 분류합니다. 예를 들어, IT 팀은 로지스틱 회귀 분석을 사용하여, 이메일이 스팸인지 여부를 탐지하고 예측합니다. 이 모델은 설정된 임계값을 초과하는 원치 않는 특성이 너무 많이 발견되면 이메일을 의심스러운 것으로 분류합니다. 

시계열 분석

시계열 분석은 시간에 따라 수집 또는 기록된 데이터 포인트를 분석하는 데 사용하는 예측 분석 기법으로, 시간 순서의 중요성을 인식합니다. 따라서 주식 가격 변동, 에너지 소비량, 공급망 관리 시의 수요 계획과 같은 예측 응용 분야에서 특히 유용합니다.

시계열 분석의 주요 방법은 자기회귀 누적 이동평균(ARIMA) 모델이며, 이 모델은 과거 값과 오차를 고려하여 시간에 따른 관계를 모델링함으로써 미래 추세를 예측합니다. 장단기 메모리(LSTM)와 같은 더 발전된 접근 방식은 확장된 시간 범위에 걸쳐 기억을 유지하며, 딥 러닝을 활용해 시계열 데이터의 장기 종속성을 포착합니다.

딥 러닝 신경망

딥 러닝은 모델이 복잡한 고차원 데이터를 처리하고 기존 기술이 놓칠 수 있는 복잡한 관계를 발견할 수 있게 함으로써, 예측 분석에 대변혁을 일으켰습니다. 신경망은 이미지, 동영상, 음성 녹음 등의 복잡한 데이터를 사용하여 예측할 때 특히 효과적입니다. 딥 러닝 모델은 의료와 사이버 보안 등의 복잡한 산업에 걸쳐 예측 능력을 향상시킵니다.