데이터 분석과 머신러닝(ML)은 이미 수십 년 동안 사용된 기술이지만, 개중 머신러닝은 그와 관련된 다양한 도전 과제로 인해 제한적으로만 사용되어 왔습니다. ML은 프로세서 집약적이고, 널리 사용되지 않는 전문 기술 및 도구를 필요로 했습니다. 그러나 클라우드 컴퓨팅의 등장으로 많은 기업이 머신러닝을 수행하는 데 필요한 대규모 컴퓨팅 파워를 더욱 저렴하고 간단하게 이용할 수 있게 되었습니다. 또한 스마트폰과 노트북의 강력한 처리 능력에 힘입어 거의 모든 사람들이 ML 기능이 탑재된 데이터 분석 서비스를 사용하고, 더 나은 정보를 바탕으로 데이터 기반 의사결정을 수행할 수 있게 되었습니다.

데이터 분석의 정의

데이터 분석은 데이터로부터 중요한 패턴을 발견, 해석, 전달하는 프로세스입니다 데이터 분석은 다양한 데이터 소스로부터 의미있는 인사이트를 확보하는 데 도움을 줍니다. 비즈니스 데이터 분석은 데이터를 통해 확보한 인사이트를 활용하여 정보에 기반한 의사 결정을 수행함으로써 매출 증대, 직원 이직률 감소, 배송 경로 최적화 등 기업의 성공에 기여하는 개선 사항을 도출하기 위한 프로세스입니다.

머신러닝의 개념

머신러닝은 컴퓨터가 명시적으로 프로그래밍되지 않더라도 경험을 통해 자동으로 학습하고 개선할 수 있도록 유도하는 인공지능(AI)의 응용 분야입니다. ML의 성공 여부는 데이터에 액세스하여 스스로 학습하고 추론, 추천, 예측을 수행하는 모델을 개발하는 사람들에게 달려 있습니다. 그러한 모델의 학습 과정은 방대한 양의 관측 데이터 또는 과거 데이터를 입력하는 것부터 시작되므로 프로세서 집약적인 컴퓨팅 리소스가 필요해집니다. 학습을 완료한 모델은 새로운 데이터 세트에 적용하여 데이터 기반 인사이트를 확보하고 제시하는 작업에 사용할 수 있습니다.

분석용 머신러닝의 정의

데이터 분석용 머신러닝이란 비즈니스 성과를 개선할 수 있는 의사 결정을 수행한다는 목표를 달성하는 과정에서 ML 알고리즘을 사용하여 데이터 평가 및 인사이트 확보를 위한 데이터 분석 프로세스를 지원하는 작업을 의미합니다.

데이터 분석용 머신러닝은 아래와 같은 2가지 방식으로 데이터 분석가를 지원합니다.

• 1. 데이터 분석 기반 인사이트 제공: ML이 생성한 결과, 즉 예측 분석(predictive analytics) 결과는 데이터를 바탕으로 도출됩니다. 사람의 경험이 아닌 데이터 분석에 기반하므로 인적 편견의 개입이 최소화됩니다. 머신러닝을 사용하는 데이터 분석은 다른 방법으로는 발견할 수 없는, 굳이 찾고자 생각조차 하지 못하는 데이터의 이상값이나 추세를 파악하는 데 도움을 줍니다. 클라우드 기반 컴퓨팅의 강력한 성능을 활용하는 ML은 기존의 비머신러닝 접근 방식보다 많은 시나리오를 고려하여 사용자의 질문에 답할 수 있습니다.

•  

• 2. 데이터 분석가 생산성 향상: 모던 데이터 분석 플랫폼의 ML 기능은 데이터 분석가의 데이터 확보부터 의사 결정까지 소요되는 시간을 단축하는 데 도움을 줍니다. 모던 데이터 분석 플랫폼에 내장된 ML 기능은 데이터 세트를 자동으로 분석하고, 주석이 포함된 맥락 기반 시각화를 생성하여 분석가가 데이터 스토리를 신속하게 구축할 수 있도록 돕습니다. AutoML은 분석가가 자사의 사용 사례에 가장 정확한 모델을 찾을 수 있도록 다양한 ML 알고리즘을 자동으로 테스트하여 분석가의 생산성 향상에 기여하는 또다른 도구입니다.

분석에 머신러닝을 활용하는 이유는 무엇인가요?

머신러닝을 사용하지 않는 데이터 분석은 분석 작업을 생성하고, 인사이트를 확보하고, 확보한 인사이트를 해석하여 권장 사항을 제시하는 작업을 모두 인간 분석가에게 의존하게 됩니다. 그 결과는 분석가의 전문가적 경험 및 의견에 따라 크게 달라집니다.

데이터 분석에 머신러닝을 사용하면 크게 2가지 방식으로 분석 프로세스를 개선할 수 있습니다.

• 1. ML은 기존의 데이터 분석 방식으로는 알아차리지 못했던 패턴, 트렌드, 상관관계를 식별하여 기존 분석 결과를 보강해 줍니다. 편견의 개입을 줄이기 위해, 관련 인사이트 및 권장사항은 ML 모델에 제공된 데이터만을 기반으로 도출됩니다.

•  

• 2. ML은 데이터 세트를 자동으로 평가하고, 평가 결과에 대한 시각적 권장 사항을 제시하거나 데이터를 보다 신속히 준비 및 보강하기 위한 권장사항을 제시하는 등, 의사 결정권자가 데이터 분석 프로세스를 보다 효율적으로 수행할 수 있는 다양한 지원을 제공합니다. 관련 기능들을 사용하면 ML 데이터 분석 기반 인사이트로 대시보드 데이터를 빠르게 채움으로써 의사 결정 시간을 단축할 수 있습니다.

데이터 분석에 ML을 사용하는 것은 필수적인 과정이 아니며 적절한 경우에만 사용해야 합니다. ML을 적절히 사용하여 데이터 분석을 보강함으로써 기존의 의사 결정 프로세스를 강화할 수 있습니다. 예를 들어, 새로운 데이터 세트로 작업할 때 ML을 사용하여 데이터를 자동으로 분석하고, 데이터에서 파생된 인사이트를 텍스트 내러티브 및 시각화 자료로 제공할 수 있습니다.

Oracle의 분석 플랫폼에서의 5가지 머신러닝 활용법

우수한 데이터 분석 플랫폼은 일반적으로 사용되는 알고리즘 및 그 조정 방법을 알고 있는 고급 사용자부터, 데이터 세트에 ML을 별도의 코딩 없이 간단하게 적용하고자 하는 사용자에 이르기까지, 모든 수준의 사용자를 위한 머신러닝 기능을 제공합니다.

클릭 한 번만으로 데이터 스토리지에 데이터 분석 기반 인사이트 추가하기

머신러닝 사용 경험이 거의, 또는 전혀 없는 사용자도 클릭 한 번만으로 예측(예측적 분석), 클러스터, 참조선, 추세선과 같은 고급 계산 결과를 시각화 프로젝트에 추가할 수 있습니다. 본 기능은 일반 알고리즘을 사용하고, 추가 조사가 필요할 수 있는 데이터의 잠재적 이상 징후를 강조 표시하는 데 유용합니다.

아래 그림은 회색으로 음영 처리된 시간 경과에 따른 수익 증감과 자동 생성된 예측을 함께 보여주는 간단한 차트입니다. 이와 같이 예상되는 미래 수익을 간단히 모니터링할 수 있습니다. 아래 그림의 차트에서는 예상되는 미래 패턴이 기대 수익과 일치하므로 이상 징후가 뚜렷이 나타나지 않습니다.

고급 데이터 분석 기능을 주로 사용하는 고객:
코딩 경험이 없는 비즈니스 사용자

머신러닝을 사용하여 신규 데이터 세트 설명하기

익숙하지 않은 데이터로부터 새로운 시각적 스토리를 만들어야 하는 비즈니스 분석가는 어디서부터 시작해야 할지 감을 잡기 어려울 수 있습니다. 이와 같은 시나리오에서는 분석가가 본인의 전문가적 경험에 의존하여 데이터 분석 프로세스를 직접 구성하게 되는 경우가 많습니다. 그러나 이러한 접근 방식은 인적 편견이 개입되고 부정확한 결과를 초래할 수 있습니다. 더 나은 접근 방식은 ML로 먼저 모든 데이터를 분석한 뒤 설명적 내러티브를 통해 분석 결과를 시각적으로 강조하는 것입니다. 이후 분석가는 ML 분석 결과를 바탕으로 자신의 데이터 분석을 시작할 수 있습니다.

아래 그림은 새로운 데이터 세트를 분석하여 분석가가 미처 고려하지 못했던 여러 패턴과 추세를 발견할 수 있는, Oracle 플랫폼에 내장된 ML 기능인 Auto-Insights의 사용 사례입니다. ML 분석이 완료되면 클릭 한 번만으로 분석 결과를 워크북 캔버스에 추가할 수 있습니다. 이같이 데이터 스토리텔링에 대한 분석 중심 접근 방식을 지원하고, 다른 방법으로는 놓칠 수도 있었던 인사이트를 확보할 수 있습니다.

Auto-Insights를 주로 사용하는 고객:
비즈니스 사용자, 시민 데이터 과학자

누구나 사용할 수 있도록 시민 데이터 과학자가 학습시킨 모델

다양한 유형의 머신러닝 알고리즘 및 데이터에 익숙한 사용자는 별도의 코딩이 필요 없는 클릭 앤 드래그 스타일의 데이터 흐름을 사용하여 맞춤형 머신러닝 모델을 구축, 조정, 테스트, 게시함으로써 예측 분석을 진행할 수 있습니다. 목적에 따라 구축된 맞춤형 ML 모델은 일반적인 모델보다 특정 사용 사례에 대해 더 정확한 예측을 생성합니다.

첫 번째 단계는 ML 모델을 학습시키고 테스트하는 것입니다. 이를 위해 사용자는 과거 데이터 소스를 알려진 결과와 연결하고, 적절한 ML 알고리즘을 선택하고, 특정 사용 사례에 대한 매개변수를 설정합니다. 다음으로 신규 데이터를 사용하여 모델을 테스트함으로써 정확도를 확인합니다. 모델의 예측 결과가 허용 범위인 경우 해당 모델을 더 많은 사람들에게 게시할 수 있습니다. 게시가 완료되면 모든 사용자가 해당 모델에 새로운 데이터 세트를 입력할 수 있습니다. 이같이 중앙화된 모델 구축 및 테스트 방식은 적절한 교육 및 경험을 갖춘 사용자들이 신뢰도 높은 모델을 구축할 수 있도록 보장해 줍니다. 또한 모델을 실행하기 위해 IT 부서에 의존하지 않아도 되므로 대부분의 사용자가 간단히 사용할 수 있습니다.

노코드 ML 모델 학습을 주로 사용하는 고객:
시민 데이터 과학자, 고급 사용자

전문화된 머신러닝 모델이 필요한 특정 사용 사례

머신러닝의 유형은 다양하므로 하나의 데이터 분석 플랫폼에 모든 관련 기능을 포함시키는 것은 불가능합니다. 그러나 확장 가능한 데이터 분석 플랫폼은 다른 AI 서비스와의 통합을 통해 사용자에게 더 많은 ML 제품을 제공할 수 있습니다. 해당 분석 플랫폼 사용자는 현재 사용 중인 기능이 별도의 서비스를 통해 제공되고 있다는 사실조차 인지하지 못할 수도 있습니다.

예를 들어, 이미지 분류 기능이 분석 플랫폼에 아직 내장되어 있지 않은 경우, 분석 솔루션에 별도의 이미지 분류 서비스를 통합하여 사용자가 새로운 데이터 세트를 입력하고, 확장된 서비스를 통해 처리하고, 분류 결과를 대시보드에 렌더링할 수 있습니다. 오른쪽 예제는 Oracle Cloud Infrastructure(OCI) Vision으로 분류한 이미지를 Oracle Analytics Cloud로 렌더링하는 과정이 설명되어 있는 영상입니다.

통합 데이터 과학 서비스를 주로 사용하는 고객:
데이터 전문가, 시민 데이터 전문가, IT 애플리케이션 전문가

사전 구축된 비즈니스 사용자용 ML 기능

데이터 분석 애플리케이션은 비즈니스 기능을 지원하기 위해 특별히 구축된 서비스입니다. Oracle Analytics for HCM, Oracle Analytics for ERP 등이 좋은 예입니다. 이러한 분석 애플리케이션은 앞서 설명된 머신러닝 기법들을 사용하지만, 특정 사용 사례에 맞춰 사전 구축된 ML 모델을 제공합니다. 예를 들어, ERP 데이터 분석 애플리케이션은 정시 결제 예측, 비용 관련 이상 감지 등의 작업에 즉시 사용 가능한 ML을 제공하고, HCM 데이터 분석 애플리케이션은 직원 이직률 예측을 위한 모델을 제공할 수 있습니다.

주로 사용하는 고객:
부서별 비즈니스 사용자, 비즈니스 분석가

다음 단계

데이터 분석 플랫폼에 내장된 머신러닝은 클라우드 컴퓨팅을 통해 급속히 발전 중인 데이터 분석 프로세스를 보강해 줄 수 있는 강력한 기능입니다. ML 모델은 예측 분석 결과를 제공하고, 사람이 직접 파악하기 어려운 데이터 패턴, 추세, 상관관계를 식별할 수 있습니다. 또한 의도치 않은 편견의 개입을 방지하고, 이해관계자들이 보다 나은 정보에 기반한 의사 결정을 수행할 수 있도록 지원합니다. 우수한 분석 플랫폼은 모든 사용자들을 위한 ML 기능을 제공하므로, 기술적 수준과 관계없이 누구나 간단히 데이터 분석에 ML을 적용할 수 있습니다.

최신 데이터 분석 플랫폼을 사용하면 ML 여정을 생각보다 간단히 시작할 수 있습니다. ML은 기존의 분석 프로세스를 대체하지 않습니다. 더 나은 비즈니스 의사 결정으로 이어질 수 있는 새로운 선택지를 추천함으로써 기존의 프로세스를 보강해 주는 기술입니다.