데이터 마이닝을 이용한 지식추출에 관한 연구

Abstract

기본적으로 데이터를 저장하는 목적은 저장된 데이터로부터 어떤 정보나 지식을 얻고 궁극적으로는 기업 또는 조직의 의사결정을 지원함을 그 목적으로 한다. 그러나 데이터 양의 급격한 증가는 기업들로 하여금 데이터 저장의 목적이, 의미 있는 데이터의 추출보다는 데이터 저장공간의 확보 및 데이터 관리에 더 많은 시간과 투자하게 하는 문제점을 야기 시켜 왔다. 이러한 이유로 그동안 수집된 데이터를 대상으로 의미 있는 정보는 추출하고자 하는 여러 가지 분석기법들이 개발 사용되어져 왔다. 데이터마이닝(datamining)은 대규모 데이터베이스(database)에 존재하는 감추어진 지식을 찾아내는 작업으로서 현실세계에서 쌓여가고 있는 수많은 데이터부터 유용한 정보를 캐내어 응용하고자 하는 요구에 부응하기 위한 기술이다. 데이터 마이닝의 기본 개념은 새로운 것이 아니라 인공지능 분야의 기계학습(mashine learning) 이론에 그 뿌리를 두고 있다. 데이터마이닝은 현실 세계의 대규모 데이터베이스를 학습용자료(training set)으로 간주해서 이로부터 유용한 지식을 캐내는 작업을 수행하는 것이다. 데이터마이닝은 현재 얻고자 하는 지식의 종류에 따라 인공신경망, 의사결정나무분석, 연관성 규칙, 유전자알고리즘, 사례기반추론, 군집분석 등 다양한 분석기법들이 개발되어 수요예측, 의료진단, 상품진열 등 광범위한 분야에서 유용한 정보를 제공하는데 사용되고 있다. 본 연구에서는 금융업계, 즉 금융기관, 투자자, 거래처, 종업원, 경영자 뿐만 아니라 기업 활동에 관계되는 모든 이해관계자들에게 해당기업의 위험신호를 조기에 발견하게 함으로써 적절한 대책 및 행동을 수행할 수 있도록 지원하게 위해 혁신적인 지식추출기법으로 인정받고 있는 데이터마이닝을 이용하여 기업부도예측모형을 구축하였다. 모형의 실험을 위하여 총 2,088개사의 재무정보를 활용하였는데, 이는 1995년부터 1997년까지 3년간 부도가 발생한 일반법인 중 제조업체중 외감법인 이상 1,044개사와 동수의 건전기업의 재무 데이터로 구성하여, 인공신경망, 의사결정나무분석, 연관성규칙, 사례기반추론 등 4가지 모형을 구축, 실험하였다. 현실세계에서는 데이터의 종류, 예측하고자 하는 지식의 유형, 해당 비즈니스 영역에 따라, 의사결정을 지원할 수 있는 지식을 다양한 방법으로 추출할 수 있다. 본 연구에서는 다양한 방법의 데이터마이닝 기법을 적용하여 지식추출과정을 확인하고, 각 방법들간의 특수성 및 장단점을 분석함으로써 데이터마이닝이 데이터의 종류와 예측하고자 하는 지식의 유형에 따라 효과적인 지식을 추출할 수 있는 방법론임을 다시 한번 확인했다는 점에 그 의의가 있다.;The business world has changed. Access to eletrical or mechanical power is no longer the criterion for success. For mass-market products, data about customer interactions is the moden equivalent to water power; knowledge drives the turbines of the service economy and, since the line between service and manufacturing is getting blurry, much of the manufacturing economy as well. Information from data focuses marketing efforts by segmenting customers, improve designs by meeting real customer needs, and improves allocation of resources by understanding and predicting customer preferences. Data is at the heart of most companies' core business process. Data mining is the exploration and analysis, by automatic or semiautomatic means, of large quantities of data in order to discover meaningful patterns and rules. The goal of data mining is to allow a corporation to improve its marketing, sales, and customer support operations through better understanding of its customers. Various technologies have been used for data mining are Neural networks, decision tree, genetic algorithm, case-based reasoning, association rule. In this thesis, we explore knowledge from large data using various technologies of data mining. For data mining, we consider neural networks, decision tree, case-based reasoning, association rule and use bankruptcy prediction data. Our experimental results show that neural network show better predictive accuracy and neural network can extract knowledge from large data efficiently and exactly.