데이터 웨어하우스(Data Warehouse) &데이터 마이닝(Data Mining)

소개글

데이터 웨어하우스(Data Warehouse) &데이터 마이닝(Data Mining)에 대한 보고서 자료입니다.

목차

데이터웨어하우스
　1. 발생배경
　2. 목표와 정의
　3. 데이터웨어하우스의 진화
　4. 특성
　5. Framework
　6. 아키텍처
　7. DB와 DW의 차이점
　8. 구축효과
　9. DW 환경에서의 Star Transformation 기술 활용
　10. DW를 이용한 고객유지와 이익창출
　11. 적용사례
데이터마이닝
　1. 정의
　2. 배경
　3. PROCESS(KDD)
　4. 기법 종류
　5. 필요성
　6. 적용 사례
　7. 기술의 추이
　8. 다양한 분야에서의 활용

본문내용

기업 활동을 정비하고 활동방향을 제시하며 의사결정의 순간에 기반 자료로 활용될 수 있는 부가적 경쟁력이라 할 수 있다. 산업사회에서 정보사회로, 그리고 다시 지식사회로 이동하고 있는 현 상황에 필수적인 기술이라 할 수 있다.
예를 들어 슈퍼마켓의 판매 데이터에서 빵과 버터를 사는 사람이 우유도 함께 구매하는 연관성이 발견되었다면 우유의 판매를 촉진하기 위해 빵과 버터를 세트로 판매할 수 있다. 또한 버터의 판매를 중단함으로써 우유의 판매량을 줄이는 효과도 가져올 수 있다. 이와 같이 연관성이 발견되면 이를 유용하게 이용할 수 있는 방법은 많이 있다. 기업에서도 마찬가지로 특정 부품의 메이커와 생산품의 불량률, 불량률에 밀접하게 연관된 항목 분석, 고객 이탈의 원인 분석, 매출을 촉진하기 위한 대응책 등을 비롯한 수많은 방식으로 이 연관규칙을 이용할 수 있다.
6. 적용사례
데이터마이닝은 데이터에 잠재적으로 내재된 경향성을 파악하는 방법론이므로 해당 업무에서 충분한 데이터가 축적된 곳이면 어느 분야에건 적용이 가능한 기반 기술이다.
● BC 카드
1. 개발 배경
- 기존 카드사들과의 경쟁 심화 및 다수의 신생카드업체의 등장 예고
- 신용카드의 분실 , 도난 혹은 위조에 의한 각종 범죄의 피해 증가
- 상당한 손실의 발생에 따른 수익의 막대한 지장
- 보다 체계적이고 효과적인 방지책 요구
- 효율적인 리스크 관리를 통한 수익성 지향의 방안
● Keystone Financial
미국 펜실베이니아의 윌리암스포트에 위치한 금융 회사 Keystone Financial은 더 많은 고객을 확보하고자 “은행 대출 수표(Loan Check)\"라는 새 상품을 개발했다. 이 수표를 우편으로 전달 받는 고객은 Keystone 은행 지점으로 가서 계좌를 열고 수표 상당액 $5000을 현금으로 바꾸어 대출금으로 사용할 수 있다. Keystone Financial은 이 대출 수표를 자사의 현 고객들에게 우편으로 발송한 후 각 고객들의 반응을 주의 깊게 관찰하였다.
먼저, 데이터 마이닝의 첫 작업으로 Keystone Financial의 데이터베이스에 구축되어 있는 고객 정보들이 300가지 특징으로 정리 구분되었다. 예를 들어 고객이 과거 2년 사이에 대출을 받은 적이 있는지 여부와 유효한 신용 카드의 수, 각 카드의 사용 액, 매월 지불 능력 등이 중요 특징으로 인식되었다. 다음으로 고객이 대출 수표를 받고서 보이는 반응 특성이 입력되었다. 마지막으로 이러한 정보들이 데이터 마이닝 기술을 통해 철저하게 분석되어 하나의 \"반응 모델\"을 결정하였는데 이 모델은 소비자 특징과 대출 수표에 대한 긍정적 반응 사이에 중요한 관계를 포착해 낸 것이다. 이렇게 자사의 고객을 대상으로 한 판촉 결과에 근거하여 “반응 모델\"을 구축한 Keystone Financial은 이제 신규 고객 확보를 위한 본격적인 작업에 착수했다. 그들은 미국 신용 위원회(Credit Bureau)를 통해 400,000명의 소비자 정보를 확보한 후 데이터 마이닝을 통해 결정된 “반응 모델\"을 이들에 적용하였다. 이렇게 해서 대출 수표에 긍정적으로 반응할 것으로 예측되는 소비자들을 선별하여 수표를 우편으로 발송하였다. 단지 3회에 걸친 타깃 마케팅 결과, Keystone Financial은 1.6백만 달러의 신규수익을 거둬들이게 된다. 데이터 마이닝을 활용한 비즈니스 확장의 대표적인 성공 사례가 아닐 수 없다.
● 마이크로소프트의 DM 발송
연간 4,000만 건의 DM을 발송하는 마이크로소프트는 여기에만 약 4,000만 달러의 경비를 지출했으나 이를 고객의 구매이력 데이터를 이용하여 구매 패턴을 파악하여 구매 가능 고객에게만 발송하도록 하였다. 이로 인해 DM 매출은 현상유지 하면서 DM 발송비용은 35% 절감하였다.
● 통신시장의 고객 이탈방지
통신 사업자들이 자기 회사 고객이 다른 사업자로 이탈하는 현상을 막기 위해 고객 데이터로부터 적절한 모델을 개발하고 데이터마이닝을 수행하여 고객 이탈의 패턴을 추출한다. 이 패턴을 바탕으로 잠재적인 이탈 가능 고객을 특별 관리하여 이탈율을 낮추었다.
7. 기술의 추이
데이터마이닝 기술은 아직 성장의 초기단계에 있다. 이 기술은90년대 초에 처음 소개되어 연구실 수준에서의 연구만 계속되어 오다가 최근 들어서야 구현된 시스템이 하나씩 나오고 있다. 그러나 이러한 데이터마이닝 패키지들은 대부분 기존의 OLAP 이나 SAS 와 같은 통계 기능이 주가 되고 실제 데이터마이닝만의 고유 기능이라 할 수 있는 부분들은 거의 포함되지 않았거나 맛보기 정도일 뿐이다. 이는 데이터마이닝이 인공지능, 데이터베이스, 통계, 기계학습 등의 기존 연구 분야를 포괄하는 개념으로 확장되었기 때문인데 현재까지의 데이터마이닝 패키지로 출시된 제품들은 대부분 이와 같이 기존에 있던 기능들만을 포함하고 있다.
마이닝 기술을 도입한 기업이 차츰 늘어가고 있다. 아직 완성도 높은 마이닝 툴이 개발되지 않았기 때문에 기업 업무 전반에 걸쳐 사용되고 있지는 않으나 적용된 분야에서 목적했던 효과를 얻고 있으며 이를 점차로 다른 분야로까지 확대하여 적용시키는 시도가 많이 있다.
8. 다양한 분야에서 활용
▷ 광고수익 예측(Ad Revenue Forecasting)
▷ 이직률 관리(Turnover Management)
▷ 의약 리서치(Pharmaceutical Research)
▷ 식음료 서비스 메뉴 분석(Food-Service Menu Analysis)
▷ 품질 관리(Quality Control)
▷ 게놈 프로젝트(Genome Project)
▷ 지하자원 탐색
*목차
데이터웨어하우스
1. 발생배경
2. 목표와 정의
3. 데이터웨어하우스의 진화
4. 특성
5. Framework
6. 아키텍처
7. DB와 DW의 차이점
8. 구축효과
9. DW 환경에서의 Star Transformation 기술 활용
10. DW를 이용한 고객유지와 이익창출
11. 적용사례
데이터마이닝
1. 정의
2. 배경
3. PROCESS(KDD)
4. 기법 종류
5. 필요성
6. 적용 사례
7. 기술의 추이
8. 다양한 분야에서의 활용

키워드

데이터웨어하우스 정의,   데이터웨어하우스 목료,   데이터웨어하우스 특성,   DB와 DW의 차이점 ,   데이터마이닝 정의,   데이터마이닝 배경,   데이터마이닝 기법종류,   데이터마이닝 필요성,   Data Warehouse,   Data Mining,   데이터,   정보,   분석,   고객