분석의 목적에 따라 미지의 결과를 예측하거나, 데이터의 특징과 관계를 이해·설명합니다. 네 가지 작업 유형을 함께 비교하세요.
과거 데이터와 정답으로 분류모형을 학습하고 새로운 고객이나 사례의 범주를 예측합니다.
활용: 신용평가 · 우량/불량 고객 판별 · 표적 마케팅데이터에 함께 등장하는 항목 간 관계를 발견합니다. 예: A 상품 구매 ↔ B 상품 구매.
활용: 교차판매 · 매장 진열 · 사기 탐지연관규칙에 시간과 순서가 추가됩니다. 구매 이력에 나타난 사건의 선후 관계를 탐색합니다.
활용: 구매 경로 분석 · 고객별 맞춤 마케팅정답 범주 없이 유사한 레코드끼리 묶어 특징이 비슷한 고객 집단을 도출합니다.
활용: 고객 세분화 · 판촉 및 이벤트 대상 선정분류는 기존 정답 범주에 배정 / 군집화는 새로운 집단을 발견
연관은 함께 발생 / 연속은 발생 순서·시간까지 고려
분류: 의사결정나무·신경망·판별분석 / 군집화: k-Means / 연관: 동시발생 패턴 탐색
기술은 데이터를 요약하고 특징·패턴·의미를 설명하여 사람이나 상품을 이해하는 데 목적이 있습니다. 반면 예측은 미래 값을 전망하고, 추정은 알려지지 않은 값을 산정하며, 분류는 미리 정의된 범주에 사례를 배정합니다.
암기: “데이터를 이해하고 설명” = 기술 / “미래 또는 미지의 결과를 알아냄” = 예측.
목적변수 정의 + 마이닝 소프트웨어용 형식 변환이 핵심 단서입니다. 2단계 데이터 준비는 원천 데이터를 수집·정제·확보하는 비교적 넓은 과정이고, 3단계 데이터 가공은 실제 모형에 투입하도록 변수와 형식을 조정하는 과정입니다.
암기: “모은다·정제한다” = 준비 / “목적변수·모형 입력 형태로 바꾼다” = 가공.