추가 적립 안내

금융 빅데이터를 이용한 데이터 분석, 어렵지 않아요!
프로그래밍 기술 없이도 직관적으로 분석 모델을 만들 수 있습니다.

금융 인프라 개방, 마이데이터의 도입, 금융 데이터의 공유 활성화로 인해 금융 빅데이터를 이용한 데이터 분석은 새로운 부가가치를 창출하기 위한 필수 과제가 되었습니다. 이제 실무자들이 방대한 데이터를 어떻게 가공하고, 응용해내느냐가 관건인 셈입니다. 이들이 데이터 분석가와 같은 역량을 갖춘다면 좋겠지만 그러기란 어렵습니다. 그래서 이러한 고충을 덜고 분석에 전념할 수 있도록 만든 데이터 분석 전용 툴(Tool)을 소개하고자 합니다. 바로 삼성SDS가 개발한 Brightics Studio입니다.

Brightics Studio는 프로그래밍 기술, 데이터 분석에 관한 전문적인 지식을 요하지 않고도 쉽게 데이터 분석을 할 수 있는 툴입니다. 전문적인 역량이 필요한 영역을 대부분 함수로 구현해냈기 때문입니다. 따라서 필요한 함수를 끄집어내서 연결하는, 블록형 코딩과 같은 방법으로 분석 모델을 만들 수 있습니다. 데이터 분석을 처음 해보는 분들도 직관적으로 분석 Flow를 짜보고 특정 정보에 부합한 고객 데이터 추출하거나 고객의 연금 저축 가입 여부를 예측해 볼 수 있습니다.

「Brightics Studio로 시작하는 금융 데이터 분석」은 이론과 실습 파트로 구성하였습니다. 기초 분석 기법을 배운 후, Brightics Studio를 실행해 분석 모델을 만들어보며 데이터 분석의 기초를 다질 수 있습니다. 데이터 분석을 처음 시작하시는 분들도 이해할 수 있도록 가능한 쉽게 풀어 설명하였습니다. 또한 이를 기반으로 유사한 기능의 분석 도구도 응용할 수 있도록 표현하고자 노력을 기울였습니다.

이 책은 기본적으로 금융 데이터를 소재로 다루고 있지만 다른 업종의 종사자나 학생들도 데이터 분석 시 충분히 활용할 수 있는 기법을 소개하여 독자의 저변을 넓히고자 하였습니다. 따라서 데이터 분석에 관심이 있는 독자라면 이 책은 데이터 분석 여행의 든든한 동반자가 될 것입니다.

PART 1 금융데이터 분석 트렌드
1.1 금융산업 트렌드의 변화
1.1.1 금융산업 트렌드 변화
1.1.2 금융산업 내 ‘데이터 분석’의 중요도 변화

1.2 빅데이터 in 금융
1.2.1 마케팅 분야 활용 사례
1.2.2 리스크 관리 분야 활용 사례
1.2.3 고객관리 및 상품관리 분야 활용 사례

1.3 데이터 개방의 시대가 온다
1.3.1 금융 데이터 법규 및 정책 변화
1.3.2 금융 빅데이터 개방 시스템
1.3.3 금융 데이터 거래소
1.3.4 마이데이터 산업의 등장

PART 2 데이터 분석 프로세스
2.1 데이터 분석 Flow
2.1.1 데이터 탐색(EDA, Exploratory Data Analysis)
2.1.2 데이터 전처리
2.1.3 데이터 분석 모델링
2.1.4 데이터 분석 모델 평가

2.2 데이터 분석기법: Maching Learning
2.2.1 회귀분석(Regression)
__2.2.1.1 선형회귀(Linear Regression)
__2.2.1.2 Penalized Linear Regression
__2.2.1.3 Regression 평가
2.2.2 분류분석(Classification)
__2.2.2.1 로지스틱 회귀(Logistic Regression)
__2.2.2.2 의사결정나무(Decision Tree)
__2.2.2.3 랜덤 포레스트(Random Forest)
__2.2.2.4 SVM(Support Vector Machine)
__2.2.2.5 Classification 평가
2.2.3 군집분석(Clustering)
__2.2.3.1 계층적 군집분석(Hierarchical Clustering)
__2.2.3.2 비계층적 군집분석(Non-Hierarchical Clustering)
__2.2.3.3 Clustering 평가2.2.4 앙상블(Ensemble)
__2.2.4.1 배깅(Bagging)
__2.2.4.2 부스팅(Boosting)

PART 3 Brightics Studio
3.1 Brightics Studio 소개

3.2 Brightics Studio 시작하기
3.2.1 Brightics Studio 설치
3.2.2 Brightics Studio 실행

3.3 Brightics Studio 활용하기
3.3.1 프로젝트 및 모델 생성
3.3.2 Data Flow 생성
3.3.3 Report 생성

PART 4 Brightics Studio를 활용한 데이터 탐색 및 전처리
4.1 데이터 로드하기

4.2 데이터 EDA
4.2.1 Statistic Analysis
__4.2.1.1 기초 통계자료 살펴보기
__4.2.1.2 카이제곱 검정(Chi-square Test)
__4.2.1.3 T검정(T-Test)
__4.2.1.4 일원분산분석(one-way ANOVA)
4.2.2 Visual Analysis
__4.2.2.1 Bar Chart
__4.2.2.2 Line Chart
__4.2.2.3 Box Plot
__4.2.2.4 Histogram
__4.2.2.5 Scatter Plot
__4.2.2.6 Pie Chart
__4.2.2.7 Tree map
__4.2.2.8 Complex Chart

4.3 데이터 전처리
4.3.1 Manipulation
__4.3.1.1 Filter
__4.3.1.2 결측값 처리
__4.3.1.3 이상치(Outlier) 처리
4.3.2 Transform
__4.3.2.1 Select Column
__4.3.2.2 Join
__4.3.2.3 Random Sampling
__4.3.2.4 Split Data
__4.3.2.5 Pivot
__4.3.2.6 Unpivot
4.3.3 Extraction
__4.3.3.1 One Hot Encoder
__4.3.3.2 Normalization
__4.3.3.3 Add Function Columns
__4.3.3.4 Bucketizer

PART 5 Brightics Studio를 활용한 데이터 분석모델링 및 평가
5.1. Kaggle
5.1.1 Kaggle 알아보기
__5.1.1.1 간단한 Kaggle 사용방법
5.1.2 펀드 수익률 예측(Regression)
_5.1.2.1 예측모형을 위한 전처리
_5.1.2.2 Linear Regression
_5.1.2.3 Penalized Linear Regression - Ridge, Lasso, Elastic Net
_5.1.2.4 XGB Regression
_5.1.2.5 Regression 예측모델 평가

5.2 CreDB
5.2.1 CreDB 알아보기
5.2.2 CreDB 개인신용 샘플 데이터 전처리
__5.2.2.1 대출현황 파생변수 추출
__5.2.2.2 차주정보, 카드발급정보 추출
__5.2.2.3 종속변수(1년 이내 연체여부) 생성
5.2.3 개인신용 채무불이행 예측(Classification)
__5.2.3.1 예측모델을 위한 전처리
__5.2.3.2 Decision Tree
__5.2.3.3 Logistic Regression
__5.2.3.4 Random Forest
__5.2.3.5 Classification 예측모델 평가
5.2.4 개인고객의 군집 생성(Clustering)
__5.2.4.1 예측모델을 위한 전처리
__5.2.4.2 Hierarchical Clustering
__5.2.4.3 K-Means