Move beyond spreadsheets to data mining, forecasting, optimization – and more
급변하는 대외 환경 변화와 지속 가능한 성장을 위한 금융기관 조기경보시스템의 조건 최근 국내 대외 환경은 경기변동성 증가와 저성장 국면 진입의 가속화로 요약할 수 있습니다. 또한, 최근 30년을 돌아보면 ‘97년 외환 위기, ‘08년 글로벌 금융 위기와 ‘20년 COVID19 팬데믹 등 주기적인 경제위기 발생과 더불어 글로벌 경기 민감도 역시 증가한 상황입니다.
SAS Visual Analytics(이하, VA)의 보다 효과적인 활용을 위해 파라미터의 개념과 용도를 소개해 드린 데에 이어, 이번에는 파라미터의 활용법에 대해 설명드리고자 합니다. 1. 설정 상황 SASHELP의 CARS라는 데이터를 기반으로 상황을 가정해 보겠습니다. CARS 데이터는 총 428개의 관측값과 15개의 변수를 가지고 있습니다. 이 중 Make, Model 등 5개의 범주형 변수를 제외하면 Invoice,
실무에서 데이터를 다루다 보면 필연적으로 결측 데이터를 만나게 됩니다. 핑계 없는 무덤이 없다는 속담이 있듯, 데이터가 결측인 이유도 정말 다양합니다. 특별한 경우에만 값이 있는 경우, 서버 장애로 관측되지 않은 경우, 응답자가 응답을 거부하는 경우, 데이터 구조가 바뀌면서 새로운 컬럼이 추가된 경우 등등 너무 다양하죠? 오늘 포스팅에서는 이와 같은 결측치를 처리하는
싱가포르에 본사를 둔 ADDO AI사는 인공 지능으로 세계를 변화시키고 있는 기술 기업으로, 세계 유수의 기업을 고객으로 두고 있는 있습니다. 이 회사의 공동 설립자 겸 대표 아예사 칸나(Ayesha Khanna)가 지난 SAS 글로벌 포럼에서 실제 기업의 사례를 중심으로 AI 트렌드를 소개하며, AI를 이용하여 경쟁에 앞서갈 수 있는 방법을 소개했습니다. 기계는 우리를 어떻게
최근 화두가 되는 빅데이터와 머신 러닝은 예측 모델의 성능을 올리기 위한 방안으로 시작된 것입니다. SAS VDMML(Visual Data Mining and Machine Learning)은 예측 모델 개발 시 텍스트 데이터를 이용하여 모델의 성능을 높여주는 텍스트 분석 툴로, 비즈니스 사용자와 데이터 사이언티스트, 예측 모델 개발자 모두가 활용할 수 있습니다. 텍스트 분석은 자연어 처리 과정이
AutoML은 최근 몇 년간 가장 빠르게 진화하는 AI기술중 하나입니다. AutoML은 시티즌 데이터 사이언티스트는 물론 데이터 사이언티스트도 더 빨리 더 많은 모델을 구축하고, 모델의 정확도를 개선하여 보다 생산적인 과제에 집중할 수 있게 합니다. 이를 통해 기업은 조직 전반에 업무 효율성과 전문성을 강화할 수 있습니다. SAS AutoML 플랫폼의 핵심은 분석 라이프사이클 프로세스
Contents 변화는 기회를 만든다! 2021년 주요 변화 동인 금융산업 Analytics 고도화를 위한 주요 Trends 변화는 기회를 만든다! 1968년 멕시코 올림픽 이전에 육상 높이뛰기는 ‘엎드려뛰기’나 ‘가위뛰기’가 일반적인 방식이었으며, 200cm 이상을 뛰어야 메달권에 들어갈 수 있었다. 하지만, 1963년 메드퍼드 고등학교 2학년에 재학 중이던 Dick Fosbury는 높이뛰기 선수 테스트에서 160cm를 넘는데 실패하였다. 사실
FDA, 의약품 평가 및 연구 센터 위해 SAS 고급분석 및 AI 기술 도입 미국 식품의약국(FDA)은 SAS® Viya® 플랫폼 내 자연어 처리, 인공지능 및 머신러닝 기능 등을 기반으로 새로운 도약을 위해 SAS와 40년 파트너십을 연장하기로 했습니다. 향후 5 년간 4,990 만 달러(약 560억원)에 달하는 총괄 구매 계약(BPA)을 통해 SAS는 FDA에서 진행중인
지난 텍스트 분석 시리즈 2편에서는 보험사의 데이터를 이용하여 예측 모델을 개발하고, 모델의 성능을 개선하여 고객 행동에 대한 예측도를 높이는 방법을 살펴봤습니다. 이번에는 영화 리뷰 데이터를 사용하여 분류 규칙을 개발하는 과정을 SAS Visual Text Analytics를 중심으로 알아보겠습니다. SAS Visual Text Analytics(이하, VTA)는 대용량의 비정형 데이터로부터 쉽게 인사이트를 추출할 수 있도록 설계된
지난 텍스트 분석 시리즈 1편에서는 텍스트 토픽을 분류하여 빠르게 인사이트를 확보하는 방법을 소개해드렸습니다. 이번에는 텍스트 데이터를 기반으로 고객의 행동을 예측하고, 예측 모델링의 성능을 개선하는 방법을 알아보겠습니다. 이 작업에는 SAS의 머신러닝 솔루션인 SAS Visual Data Mining & Machine Learning(VDMML)이 유용합니다. 지금 이 시간에도 수많은 데이터 분석가들은 모델이 높은 성능을 발휘하도록 다양한
