기술 분석의 개념

마지막 업데이트: 2022년 7월 11일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
그림1. 융복합 분석 개념도

메타분석은 여러 실증연구의 정량적인 결과를 통합과 분석을 통해 전체 결과를 조망할 수 있는 기회를 제공하는 통계적 통합 방법이다. 기술수용모델은 지난 20여 년 동안 경영정보시스템 연구에서 여러 가지 주제로 다루어지고 있으며, 기술 분석의 개념 지금도 여전히 계속 연구되어 오고 있다. 최근 정보통신기술과 지식정보사회의 융합은 정치, 경제 및 다양한 분야에 빠른 영향을 미치고 있다. 이러한 산업의 변화는 벤처기업 창업에 도움이 될 것이다. 따라서 기술수용모델을 기반으로 스마트폰 사용자들의 행동의도에 관한 연구들을 메타분석을 실시하였다. 또한, 본 연구는 2005년 이후 국내 학술지에 게재된 연구 중 기술수용모델의 개념 간에 인과관계를 설정한 총 50편의 연구논문을 대상으로 하였다. 메타분석의 결과, 인지된 유용성에서 행위의도의 경로에 효과크기는 0.48을 보였으며, 인지된 사용 용이성에서 행위의도의 경로에 효과크기는 0.46으로 나타났다. 그리고 인지된 사용 용이성에서 인지된 유용성의 경로에 효과크기는 0.46으로 나타났다. 또한, 태도에서 행위의도의 경로에 효과크기는 0.61을 보였다. 분석결과를 바탕으로 선행연구와 비교분석을 통해 차이점을 논의하였다.

A meta-analysis is a statistical literature synthesis method that provides the opportunity to view the research context by combining and analyzing the quantitative results of many empirical studies. The technology acceptance model (TAM) has been the subjects of a great deal of MIS research in the last two decades and now also has been continuously studied. Recently, the convergence of knowledge information society and information telecommunication technologies has a rapid impact on politics, economics and various fields. The biggest issue in the information communication and information systems fields is smart. Therefore, we conducted a meta-analysis research on the behavioral intention of smart phone users based on technology acceptance model. Also, this study was targeted a total of 50 research papers that are setting up the causal relationship in TAM among the research papers published in domestic academic journals since 2005. The result of the meta analysis, showed that the effect size was 0.48 in the path from perceived usefulness to behavioral intention, it showed that the effect size was 0.46 in the path from perceived ease of use to behavioral intention. And, it showed that the effect size was 0.46 in the path from perceived ease of use to perceived usefulness. Also, it showed that the effect size was 0.61 in the path from 기술 분석의 개념 attitude to behavioral intention. Based on the results, it was discussed the difference through comparative analysis with previous research.

[주식투자공부] 33. 기술적 분석(feat. 기본적 분석 ) - 차트의 3가지 속성

기술적 분석이란 '주가나 거래량 등 주식시장에 나타난 과거의 데이터를 기초로 시세를 예측하는 것'을 말한다.

기술적 분석과 상충되는 분석으로는 주식의 내재 가치를 분석하여 주가의 미래 방향을 예측하는 "기본적 분석"이 있다.

통상 "가치투자"라는 단어로 표현되기도 한다.

난 주식투자가 결국 확률게임이라고 생각한다.

어떤 투자방법이든지 더 높은 확률로 수익이 날 거 같은 포지션을 잡고 배팅을 하는 것이다.

그 확률을 높이는 수단이 무엇인지에따라 투자방법이 달라지는데 일전에 투자법의 종류 포스팅에서 이를 설명한 바 있다.

기술적 분석가들은 다음 3가지 차트의 속성을 근거로 주가의 방향성과 변곡점을 찾아낸다.

차트는 새로운 변화가 나타날 때까지는 기존의 진행방향을 계속한다.

차트 모형은 반복하려는 속성이 있다.

주가에도 어느 정도 기업가치에 회기하려는 구심력이 있다. 이 내용도 기업의 내재가치와 주가 포스팅에서 설명한 바 있다.

위 3가지 속성을 바탕으로 수없이 시행착오를 겪으며 차트의 움직임을 익혀 점차 수익 낼 확률을 높여가는 것이다.

가령, *20일 가격이동평균선보다 3% 하락했을 때 매수 후 2% 상승했을 때 매도하는 등 자신만의 원칙을 찾아나가는 투자방법이다.

*N일 가격이동평균선(이평선): N일간 종가의 평균을 내 연결한 선

그래서 처음엔 빨리 돈을 벌고 싶다는 생각은 잠시 접어두고, 10만 원 정도의 돈으로 시작해 그 돈을 다 잃을 때까지 시행착오를 겪고, 다시 같은 식으로 반복하며 연습하는 것이 좋다.

나는 현재 기본적 분석을 통한 투자 위주로 하는 중인데 곧 기술적 분석을 통한 투자도 할 예정인데 두 가지 모두 할 줄 알아야 주식 시장에서 본격적으로 수익을 낼 수 있다고 생각하기 때문이다.

무엇을 해야 할지도 알려주는 처방분석의 세계

LG CNS의 사내 전문가들이 LG CNS 블로그 독자 여러분들을 위해 최신 IT 기술 및 트렌드를 소개해 드립니다.

매월 1회씩 아래와 같은 순서로 연재될 예정이오니, 독자 여러분들의 많은 관심과 기대 바랍니다.

  • 1편: IT를 통해 서비스업으로 변하고 기술 분석의 개념 있는 제조업체들
  • 2편: 무엇을 해야 할지도 알려주는 처방분석의 세계
  • 3편:앱의 시대에서 가상 비서의 시대로, Virtual Personal Assistant
  • 4-1편: 블록을 조립하듯 앱을 조립하는 '마이크로서비스' ①
  • 4-2편: 블록을 조립하듯 앱을 조립하는 '마이크로서비스' ②

(연재 주제는 기고 시점의 이슈, IT 트렌드에 따라 바뀔 수 있습니다)

최근 알파고(AlphaGo)나 가상 개인 비서(Virtual Personal Assistant)와 같은 인공지능(AI) 기반 기술의 진보를 부쩍 쉽게, 자주 목격할 수 있는데요. 이는 인간과 기계 간의 지능적 차별화 요소들(Differentiators)이 약화됨에 따라, 마치 기계가 인간 대신 의사결정을 내려주는 것과 같이, 기계가 인간의 판단 역량에 점차 많이 개입해 감을 의미합니다.

이와 같이 분석 기법 측면에서도 인간의 개입을 최소화해 가는 추세가 보입니다. 예전엔 데이터를 기반으로 패턴 및 룰을 찾아 예측 결과를 받았다면, 이제는 좀 더 나아가 이러한 예측 결과를 기반으로 기계가 인간 대신 처방까지 내려줄 수 있는 수준까지 진화해가는 新동향을 볼 수 있죠.

세계적인 IT 분야의 리서치 업체 가트너(Gartner)는 이를 Prescriptive Analytics(이하 “처방분석”)라고 칭하는데요. 오늘은 이에 대한 기술적인 개념 및 솔루션을 소개하고, 3가지의 대표 사례를 통해 현재 처방분석이 어떤 산업 영역에 어떻게 적용되는지 알아보도록 하겠습니다.

미국 IBM에 따르면, “비즈니스 분석”이란 주어진 데이터를 기반으로 현상을 파악하고, 앞으로의 일을 예측하여 이에 적합한 조치를 결정하기 위해 정보를 활용하는 방법입니다.

이러한 비즈니스 분석은 이의 대안 도출 프로세스 상에서 어떤 종류의 분석 결과를 제공하는가에 따라 Descriptive Analytics, Diagnostic 기술 분석의 개념 Analytics, Predictive Analytics, 그리고 Prescriptive Analytics 총 4가지로 구분할 수 있습니다.

l Analytics Ascendancy Model (출처: Gartner, “Predicts 2013: Information Innovation”, 2012)

Descriptive Analytics(묘사적 분석)는 과거나 현재에 어떤 일이 발생했는지에 대한 분석을 의미합니다. 이는 과거의 비즈니스 활동 수행 결과를 이해하고, 추세를 발견하며, 활동의 성과를 모니터링하는 데에 쓰입니다.

Diagnostic Analytics(진단적 분석)는 과거나 현재에 발생한 사건의 원인에 대해 분석합니다. 이는 데이터 간의 관계를 발견하고, 왜 특정 결과가 발생하였는지를 설명할 수 있습니다.

Predictive Analytics(예측 분석)는 미래에 어떤 일이 발생할 것인가에 대해 분석합니다. 이는 미래의 상황에 대해 예측하거나, 알려지지 않은 결과의 가능성을 파악하기 위해 활용됩니다.

마지막으로 Prescriptive Analytics(처방 분석)는 앞으로 무엇을 해야지만 비즈니스에 도움이 될 것인가에 대해 분석합니다. 이는 제한된 자원을 효율적으로 할당하여 최상의 대안을 찾기 위해 활용됩니다.

l Analytics Capability Framework

(출처: Gartner, “Extend Your Portfolio of Analytics Capabilities”, 2013, 재구성)

위의 다이어그램과 같이, 비즈니스 분석의 4가지 유형 중 Descriptive Analytics, Diagnostic Analytics, Predictive Analytics는 비즈니스 분석의 결과로부터 대안의 도출에 이르기까지 인간의 개입이 필요합니다.

이에 반해 Prescriptive Analytics는 기존보다 더 나아가, 예측 분석을 통해 도출된 예측 결과를 바탕으로, 자동으로 최적의 의사결정을 도출해줍니다. 따라서 인간의 개입이 최소화되거나 완전히 불필요해집니다.

인간의 개입 없이 대안이 도출된다면, 인간의 능력으로만 처리하기 힘든 복잡한 조건을 반영할 수 있고, 또한 다수의 목적을 동시에 달성하기 위한 최적의 대안을 자동으로 제시할 수 있게 됩니다.

l 처방분석 구성 기술

처방분석은 새로운 단일 기법이 아닌, 이미 널리 활용되는 여러 가지 기법들이 결합된 형태로 구현되는데요. 이는 정형 및 비정형 데이터를 대상으로 예측분석을 통해 미래의 상황을 추정하고, 최적화를 통해 가장 적절한 대안과 그로 인한 결과를 제시하며, 상황 변화에 의한 대안의 영향까지 파악하는 프로세스입니다.

위의 다이어그램과 같이, 대안이 실제 실행되는 시점의 상황을 예측하는 “예측 기법”, 최적의 대안을 도출하는 “의사결정 기법”, 대안의 효과를 분석하는 “영향분석 기법”을 연계하여 실현됩니다.

따라서, 이는 현재로서 가장 높은 수준의 고급 분석 방법으로, 분석을 통해 데이터로부터 최적의 의사결정을 도출하고 실행하는 “End-to-End 프로세스”의 개념으로 이해하는 것이 타당하겠습니다.

l 2가지 대안 도출 방식 (출처: Gartner, “How to Get Started With Prescriptive Analytics”, 2015, 재구성)

대안을 도출하는 방식은 (1) 비즈니스 룰 방식과 (2) 최적화 방식 두 가지로 구분됩니다. 의사결정 대상 및 대안에 대한 식별, 필요한 데이터의 확보, 목표와 제약조건에 대한 정의 이후에 어떤 방식으로 대안을 선정할지 결정되는데요.

비즈니스 룰 기반의 대안 도출은 사전에 사용자가 정의한 조건(비즈니스 룰, 정책, 제약조건(Constraints) 등)에 따라 어떤 상황이 발생했을 때 특정 조건에 해당되면 정해진 대안을 선택하는 방식입니다. 이에 비해, 최적화 기반의 대안 도출은 최적화 모형 모델링을 통해 비즈니스 문제를 수학식으로 표현하여 최적의(Optimal) 대안을 도출하는 방식입니다.

현재 시장에서 처방분석 플랫폼을 제공하고 있는 업체 중 대부분은 최적화 플랫폼을 기반으로 하고 있습니다. 데이터 분석 시장을 오늘까지 리딩 해 온 IBM, SAS, MathWorks, FICO 등과 같은 업체들은 전통적으로 최적화 플랫폼을 보유해 왔는데요. 이들은 자사(自社)의 예측분석 플랫폼과의 연계를 통해 처방분석을 제공합니다.

l 처방분석 플랫폼 벤더 현황

또한, 최적화 플랫폼 기반이 아닌 업체 중 Sparkling Logic은 비즈니스 룰 기반의 처방분석 업체로 비즈니스 룰 모델링 도구를 통해 룰을 정의하고 의사결정 플랫폼과 연계하는 방식을 제공하며, River Logic은 클라우드를 통해 예측분석, 최적화, 시각적 모델링 기능을 통합하여 제공합니다.

처방분석은 전통적으로 최적화를 통해 의사결정을 수행하던 제조, 물류 영역과 함께 에너지, 금융,의료를 포함한 여러 산업에 적용이 가능합니다. 빅데이터를 활용하여 제조나 운송•물류에서는 생산 계획, 공급 계획, 물류거점 계획 등과 같은 계획 수립뿐만 아니라 금융•통신의 제품 포트폴리오 구성, 제품 가격 결정 등에도 사용됩니다.

다양한 적용 영역 중 예측 분석과 최적화를 결합하여 효과적인 의사결정을 수립한 사례로 석유 시추용 전기 수중펌프 처방 보전부터, 시내 수도관•소화전 정비 계획, 그리고 농장 관개(Irrigation) 계획까지 총 3가지를 소개하겠습니다.

① Apache Corporation – 석유 시추용 전기 수중펌프 처방 보전

l 데이터 흐름 프로세스 (출처: LG CNS 정보기술연구원)

글로벌 석유 시추업체인 Apache Corporation은 약 1,200개 이상의 석유 시추용 전기 수중펌프 (Electrical Submersible Pump, 이하 “ESP”)를 보유하였는데 많은 수의 ESP에 대한 결함으로 인해 생산 목표치에 미달하는 경우가 많았습니다.

따라서, 처방분석 업체인 Ayata에 도움을 요청했는데요. 펌프 상태를 미리 파악하고 효율적인 유지 보수 계획을 수립하여 ESP의 고장 및 성능 저하 방지를 목표로 추진되었습니다.

l 데이터 분석 시스템 구성도 (출처: LG CNS 정보기술연구원)

가장 먼저 ESP-RIFTS(ESP Reliability Information and Failure Tracking System)이라는 석유산업 공통 데이터베이스를 활용하여 어떤 요인이 ESP 생산성에 영향을 미치는지 파악하여 ESP 성능에 대한 Descriptive Analytics를 수행했습니다.

또한 펌프, 생산과정, 기술 분석의 개념 지표면의 특징 데이터를 수집•분석하여 ESP 고장을 先예측하고, 생산 손실을 경감하기 위한 최적의 펌프 정비 계획을 수립했습니다.

정비 계획뿐만 아니라 생산 최대화를 위해 각 유정(Oil Well, 油井)에 대해 최상의 성능을 발휘할 수 있는 펌프를 제시하기도 기술 분석의 개념 하고, 특정 유전(Oil Field, 油田)을 인수하기 전 ESP의 성능을 분석하여 각 유전이 생산능력이 있는지 평가하는데 사용하기도 했습니다.

② DC Water – 시내 수도관•소화전 정비 계획

워싱턴 DC의 수처리 전문 회사인 DC Water는 약 2백만 명을 대상으로 물을 공급하고, 75년 이상된 수천 마일의 수도관과 9천 개 이상의 소화전을 관리했습니다. 급속도로 노화되는 시스템에 대해 기존의 문서에 의존하는 정비 계획의 한계를 극복하기 위해 통합적인 관리 운영의 도입을 검토했는데요.

실시간 데이터를 기반으로 기술 분석의 개념 고장을 예측하는 것과 함께 유지 보수 인력의 배치 등 즉각적인 대응을 위해 IBM의 ADAM을 활용했습니다.

l 데이터 분석 프로세스 (출처: LG CNS CTO 정보기술연구원 기술전략팀 심화리서치)

먼저 센서가 부착된 수도관을 활용하여 수돗물의 사용을 모니터링하고 기술 분석의 개념 이상 징후를 추적하였고, 모든 도시 내 소화전의 위치를 시각적으로 표현했습니다. 또한 수도관의 수명, 토양 상태, 파이프 내 압력, 주변 환경을 바탕으로 통계적 모델을 생성하여 수도관 및 소화전에 대한 고장을 예측했습니다.

이를 바탕으로 유지 보수 직원과 트럭의 배치, 경로계획을 수립하여 고장 수리를 진행하였으며,각 지역별로 적합한 제조사의 수도관을 판단하고 자산 교체 계획까지 수립하여 수도관 및 소화전에 대한 효과적인 유지 보수가 가능해졌습니다.

③ Z-Farm – 농장 관개 계획

미국 캘리포니아 농장의 협동조합인 Z-Farm은 아몬드를 재배했는데, 아몬드는 특정 범위의 토양습도가 유지되어야 하는 까다로운 작물입니다.

이를 위해 Z-Farm은 기존 센서 네트워크 및 관개 시스템을 보유하고 있었으나 단순 대시보드 형태로만 활용하고 있어, 아몬드 재배에 적합한 조건을 유지하면서도 캘리포니아의 물 규제를 준수하는 효과적인 관개계획의 수립이 요구되었습니다.

이러한 요구를 충족시키기 위해 IoT 플랫폼 업체 ThingWorx는 센서 네트워크로부터 수집된 데이터의 이상 징후 탐지, 변화 추세 예측, 최적의 처방 도출을 위한 시스템을 적용했는데요. 이를 도식화해보면 아래와 같습니다.

l 관개 계획 수립 기술 분석의 개념 프로세스 (출처: LG CNS CTO 정보기술연구원 기술전략팀 심화리서치)

먼저 기존에 수집되고 있던 센서 데이터를 분석하여 토양습도 변화의 패턴 및 이상 징후를 탐지하여 농업용수의 공급 필요성을 예측했습니다. 센서 데이터 이외에도 기상 데이터 등 외부 데이터를 활용하여 토양 습도에 영향을 주는 기상변화를 추가적으로 예측했습니다.

이를 통해 필요한 농업용수의 공급량, 시점, 지역을 결정할 수 있었으며, 주정부의 규제 및 농업용수 비용을 고려한 최적의 관개계획을 수립할 수 있었습니다.

l (좌) 비즈니스 분석의 도입 현황 (출처: IIC, “Beyond Analytics: Prescriptive Analytics for the Future of Your Business”, 2015, 재구성), (우) 처방분석 시장 전망

(출처: “Forecast Snapshot: Prescriptive Analytics, Worldwide”, 2016)

처방분석은 비즈니스 분석 중 가장 큰 가치를 제공할 수 있는 분석방법으로 관심을 받고는 있지만, 위 그래프를 보면 알 수 있듯이 아직까지 초기 단계임이 명확합니다. 2015년 기준으로 가트너에 의하면 처방분석의 도입률은 1% - 5% 수준으로 아직 낮은 상태입니다. 솔루션 관점의 시장 규모 역시 아직은 큰 규모가 아님을 알 수 있습니다.

하지만, 앞으로 처방분석에 대한 수요는 점진적으로 높아질 것으로 예상되는데요. IoT 생태계가 점차 구축되어 감에 따라 수집되는 데이터양의 폭등, 데이터 처리의 고속화(化), 그리고 분석 알고리즘의 진보는 곧 자동화된 의사결정에 대한 니즈(Needs)를 의미할 것입니다.

인간이 직접 다량의 이질적인 데이터를 통합하거나 이러한 데이터를 모두 한꺼번에 고려하여 최상의 대안을 도출해내는 데에는 한계가 존재하기 때문입니다. 게다가, 인공지능(AI) 및 기계학습(ML)을 활용하여 “분석 → 가설 → 실시 → 학습”을 반복함으로써 제안되는 최상의 대안에 대한 정밀도 또한 증가하게 될 것입니다.

따라서 향후에 처방분석이 다양한 산업에 적용됨으로써 우리의 생활 반경 안으로 깊숙이 들어와 우리에게 보다 편리하고 가치 있는 삶을 제공해 줄 것으로 기대해 봅니다.

기술 분석의 개념

서동재 비투엔 AI연구사업팀 이사


융복합 분석 개념

데이터 분석의 트렌드가 개별 업무 영역 단위의 문제 해결로 제한되기보다는 다양하고 복잡한 세상의 관점에서 문제를 해석하는 융복합 분석 방식으로 변화하고 있다. 특히 도시는 급격한 발전으로 인해 각종 범죄, 교통혼잡 등 그동안 경험하지 못했던 문제들에 직면하고 있다. 필자가 이번에 다루고자 하는 융복합 분석의 개념은 복합적인 도시 문제 해결을 위해 설계된 새로운 분석 개념으로써, 이종(異種) 데이터의 융복합을 통해 처리한 통계정보 및 학습된 머신러닝 알고리즘을 말한다.

융복합 분석은 스마트시티 사업의 핵심 기술로서, 융합된 데이터를 분석에 활용해 도시에서 발생하는 문제를 해결할 수 있는 서비스를 도출하는 것이 목적이다. 이런 융복합 분석을 하기 위해서는 데이터를 어떤 방법으로 매시업(Mashup)할 것인지가 핵심 쟁점이라 할 수 있다.

개별 서비스(Use Case)는 단일 주제(Subject)에 대해 데이터를 쌓아 분석하는 그 자체로서 완전한 형태를 갖춘 시스템으로 존재한다. 여기서 데이터 허브(Data Hub)의 역할은 개별 시스템에서 사일로(Silo)로 관리하고 있는 데이터를 융복합 분석을 위해 통합 관리하는 것이다. 이렇게 개별 영역에서 수집된 다양한 유형의 데이터를 이용해 여러 관점에서 상관도(Correlation), 유사도(Vector Similarity) 분석을 통해 새로운 인사이트(Insight)를 발굴하는 것이 바로 융복합 분석(Cross-domain Analysis)의 과정이다.

그림1. 융복합 분석 개념도

융복합 분석 현황 - 비투엔의 역할

데이터 분석 시장은 기본적으로 제공하는 단순한 통계정보로는 더 이상 고객들에게 만족을 주기 어렵고, 빅데이터 분석과 같은 차별화된 서비스를 요구하는 시대로 변화했다. 결국 고객의 요구(Needs)를 반영하기 위해 획득 가능한 모든 데이터의 융복합 분석을 통해 새로운 인사이트를 도출하는 방식이 대세가 되었다.

국내외 플랫폼 기업들도 이런 트렌드에 맞추어 자체적으로 융복합 분석에 필요한 체계와 인프라를 마련하고 있다. 예를 들어 최근 네이버 제페토와 카드사(하나카드, 신한카드 등), 패션업계(구찌 등)가 제휴‧협업 등을 추진하고 있으며, 오프라인 업무적인 협업 뿐만 아니라 온라인의 데이터가 연결-결합하여 새로운 기업의 가치를 창출하려는 노력을 하고 있다.

스마트시티 혁신성장동력 프로젝트에서 융복합 분석(Cross-domain Analysis)은 도시의 각 개별서비스의 결합에 용이하고 더 나아가 도시와 도시간의 결합이 가능한 구조로 설계하는 것에 주안점을 두었다. 총 3단계 구조인 시나리오(Scenario), 기능(Function), 알고리즘(Algorithm)의 계층구조 형태를 가지고 있다. 하나의 시나리오에는 여러 개의 기능이 존재하고 이 기능들의 리스트는 독립적으로 관리되어 다른 시나리오에 활용이 가능한 체계이다. 더 세부적으로 들어가 알고리즘은 기능의 최소 단위 프로그램이며 다른 기능에도 언제든지 가져다 사용할 수 있다는 점에서 재활용성을 높이는 모듈화된 컨셉으로 설계되었다.

필자가 소속된 비투엔은 스마트시티 사업에서 도시 레거시(City Legacy) 데이터 수집, 데이터허브 구축, 융복합 분석 영역을 담당한다. 그 중에서도 안전 2.0 데이터 분석, 버스노선 최적화 등 융복합 분석 과제를 통해 대구시 도시문제 해결을 위한 다양한 알고리즘을 기획하고 분석하는 업무를 수행하고 있다. 또한 대구시 융복합 분석 사례를 표준 모델로 설계하여 다른 스마트 도시에 레퍼런스 할 수 있도록 고도화함으로써 융복합 분석 기법의 확산을 목표로 한다.

그림 2. 스마트시티에서 융복합 분석의 구조

융복합 분석 사례 분석 - 버스노선 최적화

융복합 분석을 성공적으로 수행하기 위해 두 가지 요소가 충족되어야 한다. 첫째는 융복합 분석을 수행하기에 적합한 플랫폼을 마련하는 것이다. 각종 도시 데이터를 수집하고 저장된 데이터에 대해 데이터 분석가, 지자체 담당 공무원 그리고 기술 분석의 개념 시민, 학생까지 분석 플랫폼(Sandbox)을 활용하여 자신만의 분석을 진행할 수 있어야 한다. 이러한 아키텍처로 설계한 이유는 도시 문제 해결을 위해서는 각계각층이 참여하여 좋은 아이디어를 낼 수 있는 시민 참여형 플랫폼이 필요하기 때문이다.

두 번째는 각 분야에서 발생한 산재된 도시문제 해결을 위한 최적의 시나리오를 정의하는 것이다. 대구시에서는 대중교통 최적화를 융복합 분석의 핵심과제로 선정하였다. 대중교통 이용이 활성화 되면 승용차 이용이 감소하고 교통이 원활해지면서 에너지와 탄소 배출을 줄일 수 있으므로, 버스노선 최적화는 복잡한 기술 분석의 개념 대중교통망을 가지고 있는 현대의 도시에서 필수 과제이다.

도시의 주변 환경은 시시각각 변화한다. 예를 들어 대규모 아파트 단지 개발로 인구가 증가하게 되면 다른 지역으로 출근하는 인구가 많아지고 기존 대중교통 노선은 불편하게 된다. 버스노선 최적화 분석은 도시가 운영하는 기존 노선을 기준으로 유동인구, 상주인구 변화, 버스/지하철 승하차 정보, 노선과 정류장 정보 등 다양한 데이터를 분석하여 노선을 최적화하는 방안을 도출한다. 시민들이 각 지역별로 이동한 인구수 대비 대중교통(지하철, 버스)을 타고 이동한 인구의 비율을 이용하여 대중교통 이용률을 산출하고, 교통인프라(버스, 지하철, 주차장 등), 건축(세대수, 가구수) 정보, 토지(사업/거주) 정보, 환경(기온/습도/강수량) 정보 등을 입력 데이터로 활용하여 해당 지역에 얼마나 많은 대중교통 수요가 있는지에 대한 ‘대기수요지수’를 예측한다.

이렇게 분석된 결과는 정확한 의사결정을 위해 특정 지역에서 출발하는 모든 버스노선 기준으로 개선 방향을 수립할 수 있도록 지도(map) 형태로 시각화 할 수 있다. 현재 버스노선 단위로 효율성을 평가하는 방식으로 도시의 대중교통의 문제점을 더 정확하게 인지할 수 있는 고도화 작업을 계획하고 있다. 예를 들어 효율성이 떨어지거나 중복된 노선에 대해서는 통/폐합 및 배차 간격 조정 등의 방법으로 도시의 대중교통 환경을 개선하는 효과를 볼 수 있다.

지금 이순간도 스마트시티, 즉 우리가 살고 있는 도시는 진화하고 있다. 도시의 기술 분석의 개념 수많은 데이터 중에서 필요한 정보를 골라내고 정보를 새롭게 조합해 문제를 해결하는 융복합 분석의 역할이 중요한 이유이다. 버스노선 최적화 분석은 교통 분야와 다른 분야 데이터와 연결고리를 찾아 도시문제를 해결하고자 했던 융복합 분석의 대표 사례이다.

그림 3. 융복합 분석 아키텍처(왼쪽), 우-버스노선최적화 분석 결과(오른쪽)

융복합 분석의 현실과 미래

4차 산업혁명 시대에 들어서면서 인공지능(AI)은 역사상 가장 큰 변화의 원동력이 될 것이라 대부분 평가한다. 자동차, 가전제품 등 주변의 모든 기기들에 적용되어 미래에 우리의 삶의 변화를 가져다 줄 것은 자명하다. 일부 글로벌 빅테크 기업은 이 분야에 괄목할만한 성과도 이미 보여주었다. 이러한 과정을 지켜본 대중들의 인식에는 데이터 분석 기술(Machine Learning, Deep Learning, AI 등)은 어떠한 문제도 해결할 수 있을 것이라는 기대가 형성되었다. 필자는 현장에서 고객의 이런 기대와 실제 프로젝트 현실과의 괴리를 자주 마주하며, 우리는 현실을 직면할 필요가 있다고 생각했다.

현실에서는 분석을 수행하기 위해 필요한 데이터가 데이터화 되어 있지 않거나, 일부 시범 지역에 한정되어 수집되어 데이터 활용이 극히 제한적인 경우가 많다. 이미 수집이 완료된 데이터의 품질도 신뢰할 수 없을 정도로 정보가 부족하기도 한다. 스마트시티 사업에서는 데이터허브라는 솔루션을 통해 도시의 더 다양하고 많은 데이터를 안정적으로 수집, 관리할 수 기술 분석의 개념 기술 분석의 개념 있는 기반을 마련해 놓았다. 하지만 데이터허브 시작 단계에서는 개별 사례(Use Case) 및 도시의 레거시 시스템 데이터가 다양하게 제공되지 않았기 때문에 유사한 종류의 데이터 결합 및 분석을 통해 새로운 기회를 발굴해내는 데 초점을 두었다.

향후 데이터허브는 지속적인 데이터셋 추가를 통해 풍부한 데이터를 확보하고, 엄격한 데이터 품질 관리를 통해 데이터 질의 향상이 이루어질 것이다. 그리고 다양한 특성을 가진 데이터를 상호 결합하여 데이터 활용 범위를 넓히는 방식으로 이종 간의 심도 깊은 데이터 분석을 기술 분석의 개념 수행하게 된다. 이렇게 융복합 분석은 데이터를 기반으로 성장해 나갈 것이며 이 과정에서 얻게 되는 고도의 융복합 분석 경험을 활용해 성공적인 미래사업모델을 구축할 수 있을 것이다.


마치면서

우리가 빅데이터 시대, 즉 데이터 중심 세계를 살아가는 동안 융복합 분석은 앞으로 함께 동행해야 할 흐름이다. 데이터의 중요성이 높아지면서 데이터 분석 영역 또한 다변화되고 고도화되어 단순한 현상 분석이 목적이 아닌 복잡한 문제 해결을 위한 필수 도구로 발전해 왔기 때문이다. 스마트시티에서 융복합 분석은 도시문제 해결을 위해 지속적으로 시나리오(Scenario), 기능(Function), 알고리즘(Algorithm)을 발굴해 나갈 것이다. 더 나아가 도시와 도시간의 연결을 통해 융복합 시나리오는 더 넓은 범위에 적용 가능한 대안으로 발전할 것이다.

결론적으로 각 도시들은 당면한 문제 해결을 위한 시나리오로 꾸준히 발전시킬 것이고 도시와 도시는 거미줄처럼 연결되어 데이터를 서로 융합할 것이다. 궁극적으로 여러 도시에서 쏟아져 나오는 수많은 융합된 데이터를 분석을 통해 시민들에게 가치 있는 혜택을 선사하는 것, 이것이 바로 진정한 의미의 ‘스마트시티 융복합 분석’이다.

엘리어트 파동이론 (1) 기본개념 비트코인 차트 분석

주식-차트

주식-차트

(1) 엘리어트 파동이론.

최근 주식이나 코인 투자 열풍이 불면서, 기술적 분석에 관심을 가진 사람이라면 한번쯤은 들어 보았을 엘리어트 파동이론에 대하여 스스로 정리하고 공부할 겸 기술하려고 한다. 초심자도 이해하기 쉽도록 정리할 예정이니, 챕터들을 따라서 천천히 읽다 보면 대략적인 구성이 머릿속에 잡힐 것이라 믿는다. 이 챕터 내용의 많은 부분은 온라인 자료와, 여러 서적들에 기반함을 밝히며, 다만 나의 해석이 들어간 개인 의견도 집어넣을 것이기에 잘못된 부분이 있다면 전적으로 나의 오류이니 양해를 구한다.

엘리어트 파동이론과 같은 기술적 분석의 기본 가정은 주가는 특정 추세에 따라 순환한다는 것이다. 특히 엘리어트 파동이론은 상승 5파와 하락 3파로 움직이며 끊임없이 순환한다는 이론이다. 이에 대해서는 다음 챕터에서 더 자세하게 다루도록 하고 이번 챕터에서는 엘리어트 파동이론의 탄생 배경과, 논리에 대해서 기술하겠다.

(2) 엘리어트 파동이론의 탄생 배경

1871년 미국 캘리포니아주 로스앤젤레스에서 태어난 Ralph Nelson Elliott (이하 엘리어트)는 여러 일을 하였지만, 특히 회계 업무에 관심이 많아 공부를 지속하며 전문적인 업무능력도 가졌다. 6년간 회계업무도 담당하고, 20년간 철도회사 관리직에도 있었다.

엘리어트가 주식 시장에 관심을 갖고 연구하기 시작한 것은 1927년 이질에 걸려 5년간 투병 생활을 하면서이다. 그는 투병생활을 지속하면서 소일거리로 주식 시장의 움직임을 연구하기 시작했다. 엘리어트는 과거 75년 동안의 주가 움직임에 대한 모든 데이터를 연간, 월간, 주간, 시간, 30분 단위의 움직임을 모아 이를 분석한다. 그동안 발간된 주식 시장 이론서와, 철학, 물리학, 생물학 등 자연 현상과 인간 행위에 대한 연구도 곁들였다. 마침내 그가 발견한 것은 일정한 패턴이었다. 전제 조건은 자연계에는 일정한 법칙이 있다. 인간은 자연계이다. 주식 시장 또한 인간이 참여하는 곳이므로, 자연계의 패턴이 존재한다. 위와 같은 논리에 기반한 것이다.

(3) 엘리어트 파동의 기본 형태

엘리어트 파동이론에서 한 파동의 주기는 상승 5파와 하락 3파로 이루어진다. 이 주기는 상승 추세의 한 주기이며, 하락 추세의 한 주기는 하락 5파와 상승 3파가 된다. 다음 내용은 상승추세임을 가정하겠다.

상승 5파에서의 각 파동은 1,2,3,4,5파로 부르며, 하락 3파에서의 각 파동은 a, b, c, 파로 부른다. 1,3,5파는 추세와 같은 방향으로 움직이는 것으로 임펄스파(impulse wave) 또는 추진파라고 하며, 2,4파는 추세(상승장)와 반대 방향으로 움직이는 것으로 조정파(correction wave)라 한다. 여기서 a, b, c, 파는 5파까지의 상승이 마무리된 후 상승 파동 전체를 조정하는 파동으로 본다.

엘리어트파동-상승추세

엘리어트파동-상승추세

이러한 파동은 장기간에 걸쳐 만들어지는 더 큰 파동의 일부분이 되며, 이는 프렉탈 구조로 이루어져있다. 프렉탈 구조란 일정한 패턴이 작은 부분에서도 무한히 반복되며 그 반복된 패턴이 전체 구조에서도 무한히 반복되는 것을 뜻한다. 꽃의 모양, 물 결정의 모양, 나무 가지, 번개 등 자연 발생에서 발견되는 구조로, 위 언급한 대로 인간 또한 자연의 일부이기에 프렉탈 구조가 발견된다.


0 개 댓글

답장을 남겨주세요