[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안

- 0 -MOARA Copyrightⓒ All rights Reserved UBONE.,CO LTD®
M
MOARA ®
비정형데이터 중심의 Big Data 활용방안
고영률
2016년 11월 4일

M
사업환경
빅데이터 활용
빅데이터 구축사례
01
02
03
M O A R A
무엇이든 모아서 알아본다.

M
• 2015년 스마트폰 보급률 83%(세계 4위), 1인당 데이터 이용량 3GB/월 돌파
• 그림, 영상, 문서, 의료기록, 음성정보 처럼 형태가 구조화되지 않은 데이터를 말함
• 기업내 각종 문서, 홈페이지, 고객의 소리, 고객센터 상담메모, 사이버 상담 자료 등
• 이메일, 트위터, 블로그처럼 모바일 기기와 온라인에서 생성되는 데이터
• 일정한 규격이나 형태를 지닌 숫자데이터가 아님

M
기계학습
사물인터넷 빅데이터분석
클라우드
O2O
소셜미디어
각종 개념의 홍수
FinTech
인공지능

M
출처 : 노무라종합연구소
Volume
대용량
Variety
다양한 유형
Velocity
빠른 증가 속도
테라바이트 TB ~ 페타바이트 PB
구조화 + 비구조화 데이터
Text, 이미지, 동영상, GPS, 센서..
1초당 수십건 이상, 갱신빈도
Value
새로운 가치

M
1980년대 1990년대 2000년대 2010년대
낮음
높음
비
지
니
스
영
향
도
무슨일이 일어났는가?
왜 그런일이 일어났는가?
지금, 무슨일이 일어나는가?
이제부터, 무슨일이 일어날 것인가?
보고(정형 Report)
다차원분석
(엑셀,OLAP,
쿼리)
모니터링
(대시보드,
스코어카드 등)
예측,분석,최적화
(데이터마이닝,
텍스트 마이닝 등)
현재 상황 분석에서
미래 예측으로 진화
빅데이터
활용영역
기업과 고객간의
인터랙션데이터가
미래 비즈니스에
성패를 좌우한다.
(Online & Offline)

M
신상품/컨셉 개발
CS/고객관리
평판/기업이미지
마케팅/광고/영업
위험 관리
기획/대외홍보
Data 기반
CV & MKT성과 창출

M텍스트분석솔루션모아라소개
®
M

M

M
‘기관을 언급한 고객’의 특징적 키워드고객의 전체 키워드
요청
(0.13)
확인
(0.14)
지금
확인
확인
한번
취소
요청
접수
(0.11)
승인
(0.11)
바로
연락
가능
담당자
(0.79)
죄송
(0.98)
불편
(0.57)
너무
죄송
팀장
실장
접수
등록
민원
기관(0.17)
정말
죄송
타겟 고객 전체를 대상으로 키워드 분석하는 경우
특징적인 키워드 추출이 어려움
고객 특성에 따라 키워드 분석시
“죄송”, “불편”, “담당자”, “금감원” 등의
직접적이고 감정적인 키워드가 추출됨

M
전화 음성, 이메일,
채팅, 문자 메시지,
설문조사문장
블로그,
소셜미디어, 문서
Customer
Surveys
Agent
Disposition
Quality Scores
Online
Ratings
3rd Party
Market
Research
내부 외부
비정형 데이터
정형 데이터
디지털 데이터의 90%가 비정형
데이터이다 – IDC
90% of our digital information
universe is now unstructured (IDC)
90%이상

M
As-Is (Only 정형 모델) To-be 방식 (정형의 보완 및 커버리지 확대)
정형모델
정형 모델 vs 비정형 모델
• 기존 정형 모델의 정확도 증대보다는 대상 고객 확대
• VOC 발생 고객 중 기존의 정형 모델에서 감지하지 못하는
고객군을 찾아내는데 집중
• 비정형 스코어는 上, 정형 모델 스코어 下
• 비정형 모델, 정형 모델 비교
• 주요 Keyword 비교
• 고객 기본 프로파일
• 경험 고객 vs 신규 고객 비교
정형
모델
스코어
비정형 모델
스코어
확대되는
마케팅 대상
현재 마케팅 대상
• 기존의 정형 데이터 기반의 모델
• 모델의 정확도 7-80%
• 현재의 정형 모델은 기존 고객에 대해
모델의 성능이 우수하지만, 신규 고객이나
정형 변수 데이터가 적은 고객은 찾아내기
어려움
▲
O
O
O
O
O
O
X
X
XX
X
X
O
비정형모델
X
▲ ▲
♬
♬
♬
★
★
★
★

M
(Wikibon, 2014) (KISTI, 2013, 단위:10억)
Big Data 전문 S/W, 플랫폼, 유지보수, 교육/훈련, 비즈니스 분석 컨설팅 등

M

M
• 출처 : 2015년 IDC 보고서

M
사업환경
빅데이터 활용
01
02
03
M O A R A

M
• 소셜미디어 확대에 따른 다양한 고객 반응정보 획득
• 내부 및 외부에 산재된 고객정보의 신속한 통합
• 고객정보 통합을 통한 360도의 다양한 분석 기반 구축
• 방대한 비정형 데이터를 손쉽게 분류 및 의미 파악
• 소셜미디어 데이터에서 기업 및 제품에 대한 감성정보
추출
• 온톨로지 기법 활용을 통한 숨은 고객 요구사항 도출
• 조직 내 KPI별 기준설정에 따른 조기 경보 및 Alerting
• 기계학습을 통한 프로세스 개선 및 선제적 대응
• 패턴 분석을 통한 미래예측 및 대응 시나리오 도출
Decision
360˚ View
Insight
소셜미디어
확대
모바일
트래픽
증가
IoT 기술
발전
비정형
데이터의
부각
서비스
강화
혁신
강화
전략
강화

M
신제품개발
평판관리
위기관리
브랜드
인지도
경쟁사
동향
신제품
반응
캠페인
반응
생황양식
시장감각
시장조사
대화형
챗봇
광고효과
내부 데이터
외부 데이터
빅데이터와
인공지능기반
통합/분석/활용
플랫폼

M
빅데이터VOCHUB
(유형화된고객정보)
VOC Feedback
고객의
상품/서비스에
대한 다양한
Needs
Web/App
SNS
고객 로그
CRM Data / Transaction Data 등 기존 System과의 연계
(성별, 연령, 구매금액, 빈도, 등)
관련 부서별 VOC 처리
Call
활용/자산화
R&D
상품/서비스
개발
영업/마케팅 유지 관리
사후
서비스
경영의 Control Tower
신속한
경영 의사결정 지원
새로운 비즈니스 및
상품/서비스 개발
고객관리 및
업무 효율화
고객중심
경영혁신 활동 기반 조성
• 부서별 고객 정보의 Real time 활용
• 기존 각종 Data와의 연계
• 디지털 융합을 통한 최적화된 서비스
고객채널
통합관리
정보 제공의 Hub 역할
VOC : Voice Of Customer

M
MOA
외부 DATA
News
SNS
Customer Site
WWW
BBS
Blog
Forum
Government
Company
Research Center
…
내부 DATA
VOC
Sales Memo
Customer IF
…
RDBMS
HDFS
SocketAgent(Byteworx)
CollectRobotAgent
Robot Creater
Detail Search
Filtering
Text Parse
ICM/CDC
Result File
List Search
Meta File
수집서버 분석서버(4Node up)
Meta File
SA
ARA-INSPIRE
HBASE
Batch
ML Graph
SQL
NoSQL
& Search
다차원 분석 서버
ARA-Visual
Powered by MSTR
RDBMS
Visualizing 서버
ARA-Visual
Classifying
Document
분해
관심주제
Sensing
의미분석
RDBMS 서버
Customizing Module
Meta File
Data Integration
대시보드
다양한 사용자
전문분석가
My Menu
전문분석 Tool
Email SMS
임원
관리자
담당자
sso
In-Memory CUBE
Visual Insight
AD-Hoc Query
Report & Chart
Drill & Pivot
UBONE
PROXY

M
카드사 빅데이터 경쟁 치열
신한카드
 업계 최초 빅데이터 솔루션 도입 : 빅데이터 트렌드 연구소 설립
- 2,200만 고객 데이터 기반 고객별 소비성향과 유형분석
 코드나인 매칭 솔루션을 통한 코드나인 카드 300만장 발급
 ’15 빅데이터 경영성과 : 5,700억 카드이용액 창출, 250억 손익개선
 음성데이터 등 비정형 데이터 분석을 통한 민원저감, 마케팅 성과 향상
삼성카드
 해외 빅데이터 전문가 초빙, BDA(Biz Data Analytics)센터 운영
 빅데이터 분석체계 ‘스마트 알고리즘’ 활용 7개의 숫자카드 상품 출시
 상담메모 데이터 등 비정형 데이터 분석 사업 추진 중
KB
국민카드
 빅데이터전략센터 확대 개편
 스마트 오퍼링 시스템 및 음성 상담 문자 전환 서비스 실시
 20~30대 대상 KB국민 청춘대로카드 출시
 빅데이터 분석역량 기반 ‘상품전략컨설팅, 업권분석컨설팅’ 서비스
상용화 준비 중
우리카드
 우량고객군 대상 ‘그랑블루체크’출시
 20대 대학생 대상 ‘썸(SUM)타는 우리 체크카드’출시
하나카드
 빅데이터 분석을 활용한 O2O 연계서비스로 수익창출 모색
 스타트업 기업에 빅데이터 분석 서비스 제공 계획
 날씨 정보 제공 ‘하나하나호우’ 서비스
롯데카드
 빅데이터 기반 맞춤형 쿠폰 실시간 전송 서비스 ‘노크’론칭
 고객맞춤형 카드 추천 서비스 ‘토핑’출시
 다음과 ‘롯데카드 스마트 클러치’개발
 카드사 최초 원클릭 간편결제 시행

M
신한은행
위치 정보 기반 타킷 마케팅
거래 내역 기반 금리 우대 상품 개발
빅데이터 기반 신한 중고차 서비스 오픈
KEB하나은행
고객관리지원부 신설, CRM 빅데이터 방식 개선
대량의 로그 데이터 분석 미지의 악성코드 보안 강화
NH농협은행
경기도와 빅데이터 활성화 협약
빅데이터 분석 기반 차세대 통합보안 관제시스템 구축 추진
IBK기업은행
빅데이터 분석 시스템 구축을 위한 시범 사업
신용평가 모바일 자산관리 핀테크 기업과 협력
한국SC은행 빅데이터 기반 삼성카드와 맞춤형 카드 상품 개발
부산은행 빅데이터 기반 VOC(Voice of Customer)시스템 구축 추진
현대해상 보험사기방지시스템 FDS(Fraud Detection System) 도입
KB손해보험 설계사 대상 빅데이터 시스템 구축 및 상담 업무 활용
출처 : 이투데이, 2016. 2. 29

M
관련
기술
패턴인식
자연어
처리
시멘틱
웹
텍스트
마이닝
인지
컴퓨팅
• 상품 안내 및 상담, 고객 지원 응대 등금융
• 쇼핑, 비행기 예약, 숙소 예약, 식당 예
약 및 주문, 택시 호출 등
전자상거래
• 헬스케어, 뉴스 피드, 날씨정보, 금융
상담, 일정관리, 길찾기 등
개인 비서
• 법률 상담, 세금납부, 부동산정보, 구
인구직
공공 서비스
• 정보검색, 파일공유, 데이터 보관, 협
업, 고객 관리 등
기업용 메신저

M
질의 요약 분석
링크
DB
어휘
사전
CHAT
API
파일
DB
답변 매칭
질의분석 학습모듈
채팅 로그 분석
답변 결과 매칭
답변분석 학습 모듈
도메인
질의
탐색형
질의
대화형
질의
강화학습
(작업자)
한글인식모델
채팅APP
챗봇
TA
1세대 Chatbot 2세대 Chatbot 3세대 Chatbot
단순 Keyword 기반의
Rule Based Q&A
질문&답변 기계학습
기반의 최적의 Rule
Matching 기반
상황인지 및
지능형 대화생성
• 지도학습 기반의 Topic 모델링
• 인간 경험치에 의한 Rule Based
• 의미추론 기반의 신경망
• 지도학습 기반의 Topic 모델링
• 인간경험치에 의한 Rule Based
• 지도학습 기반의 Topic 모델링 (SVM)
• 인간 경험치에 의한 Rule Based
• 의미추론 기반의 신경망 (NN)
• 지도학습 기반의 LSTM(RNN) 언어모델링

M
모호한 질문인 경우
답변이 없는 질문인 경우
여러 질문이 중복된 경우
일반 적인 질문인 경우
…
고객 질의문
질문 유도
단순 질의
질문의 모호화
추가 질문으로
질문의 명확화
대안 질문
유도
핵심 질문
파악
인공지능 자동상담 서비스
유도 RULE
유사 답변
제공
질의 구체화
유사 질문
리스트 제공
전문 상담원
전문 상담원
연결후
피드백
사용자
상담원
긍정피드백을
강화학습에
활용
질의 자동
분류
질의 자동
요약
다중 답변
추출
유비은행
유비은행
유비은행

M
• 2016년 3월 마이크로소프트 인공지능 채팅봇 “테이“, 비상식적인 채팅으로 16시간만에 중단
• 잘못된 사실 그대로 인용하기도 하고, 인종차별적인 혐오스러운 표현을 사용하기도 함.
 트위터 사용자: “유대인 학살이 일어났어?”
 채팅봇 테이: “그것은 지어낸 말이야.”
사례

M
• 2016년 3월 구글 자율 주행 자동차, 한쪽 모래 주머니 피하려다, 다른편에서 주행중인 버스와
추돌.
• 버스와 추돌하는 것이 모래 주머니와 추돌하는 것보다 피해가 크다는 학습이 되어 있지 않아
일어난 결과.  자율 학습 기술이 개발되지 않으면, 인간이 모든 경우에 대해 인공지능을 대
상으로 학습시켜야 한다.
사례

M
사업환경
빅데이터 활용
01
02
03
M O A R A

®
M
Big Data (Text 중심) 기반의 내부 및 외부 VOC 수집, 분석, 활용 체계를 통해
조직의 근본적인 변화 관점의 사업 추진 플랫폼 확보
내외부 VOC 수집 확대 비정형 VOC 분석력 강화 전행 관점 활용 체계 개발
SNS
블로그
커뮤니티
기타…
주요매체
공중파방송
기타 …
소셜
미디어
매스
미디어
250여 개 채널 대상
(구축형 포함)
소비자보호센터
스마트고객센터
스마트금융센터
영업점(CRM)
인터넷/모바일
기타
Text Code
●
◑
◑
●
●
●
◑
●
●
●
-
◑
불만
정보
고객
니즈
상담
정보
통합분류체계 수립
다양한 관점의 고객 VOC 분석
소비자
보호
마케팅
스마트
고객
센터
스마트
금융
센터
….
전행 통합관점 분류체계 수립
주요 키워드 분석
긍부정 패턴 분석
Text 분류 및 연관어 분석
상품/채널별 VOC 분석
고객유형별 VOC 분석
당행
관점
경쟁사
관점
금융
관점
고객평판리스크 관리체계 수립
마케팅 Insight 도출 Pilot
향후 과제 도출
리스크 요인분류 정의
모니터링 및 감지조건 정의
리스크 대응체계 수립
1개 주체 대상
마케팅 Insight 도출 Pilot
고객평판리스크 고도화 방안
마케팅 추가과제 발굴
VOC 기반 Big Data 발전방향
외부채널
내부채널

M
1 녹취 데이터 요약(주요문장 제시) 및 Rule 기반 자동분류
2 VOC 잠재민원 감지 및 조기대응 프로세스 수립/반영
3 콜 상담 생산성/원스톱 상담 개선을 위한 텍스트 분석 강화
4 주요 주제어/키워드에 대한 Trend 분석결과 제공
5 마케팅 주제 발굴 및 TA 모델 개발/테스트 마케팅 수행
6 시스템간 연계(Email, 톡상담, DW, CRM 등)

M빅데이터 구축사례  녹취 데이터 요약/Rule 기반 자동분류
상담유형
분류체계
온톨로지 규칙
(의미분류)
TA 스코어
(점수화)
키워드 규칙
(단순분류)
1
2
2
5
4
3
1
2
135
97
65
32
Score
분류
분류
의미기반 자동
분류 및 점수화
사전
기계학습
알고리즘
/NLP 엔진
STT Data
NLP
문서 요약
(주요문장 제시)
문장별
Score
수행 세부 사항
• 상담유형 분류 세분화
(SA 분류 중 필요 분류 Breakdown)
• 학습데이터 준비 및 기계학습
• 자동분류 Rule 생성
• 자동분류 Rule 검증
• 분류 자동화 구축
• 문서요약 기능 개선
• 문서요약 결과 검증
수행 시 주안점
• 문서 분류율 증가 (미분류율 감소)
• 문서 분류 정확도 증가
• 문서 요약 정확도 증가
분류체계를 세분화하고, 키워드/온톨로지/TA 스코어 기반 자동분류 규칙을 적용하여
보다 정확한 자동분류 체계를 구축합니다.

M빅데이터 구축사례  잠재민원 감지/조기대응 프로세스
STT Data
기계학습
잠재민원 감지
민원감지
TA 모델
 잠재민원 감지
 블랙컨슈머 감지
 칭찬 콜 감지
TA 모델을 통한
유형별 자동 분류
리스크 자동 등록
감지정보 통보
띵동
Email
통보내역 확인
리스크 현황
조회
리스크 조치
(O/B Call 등)
리스크 조치사항
등록
리스크 현황
확인
리스크 현황
분석
• TA 모델 정교화를 통한 잠재민원 감지 정확성 증가
• 신속한 통보 및 대응을 위해 시간 단축
• 유형별 원인 분석 기능 강화
녹취데이터에 대한 TA 모델링을 통해 잠재민원을 조기에 감지하고, 스마트 고객센터에서 즉시적인 대응 및 관리를 할 수 있는
시스템을 구축합니다.
잠재민원 확인
(주관부서)
잠재민원
대응/처리
현황/조치내용
확인

M빅데이터 구축사례  콜 생산성/원스톱 상담 분석 강화
STT Data
+
STT 결과정보
- 통화시간
- 묵음비율
- 상담원 정보
- 고객 정보
NCS Data
- 재인입
- 호전환
텍스트 분석 시스템
STT 분석결과 정보
• 문장/단어분리결과
• 토픽학습결과
• 연관분석결과
• 랭킹/순위/스코어
상담 정보
• 통화시간/통화유형
• 묵음시간/비율
• 재인입 Flag
(최초 Call/재인입 Call)
• 호전환 Flag/유형
고객/상담사 정보
• 고객 정보
-. 성별,연령,Tops등급
• 상담사 정보
-. 조직(도급사), 직무,
직급, 근속개월수
TA 기반 분석 Points
• 장시간 상담 콜 현황 및 상세분석
• 묵음비율 高 상담 콜 현황 및 분석
• 재인입 상담 콜 현황 및 분석
• 호전환 상담 콜 현황 및 분석
<대상 콜 조회> <대상콜 추이>
<원인 분석> <연관 분석>
※ 분석결과 중 일부는 현황판 Contents 후보로 고려
콜 상담 생산성 및 원스톱 상담 개선을 위해 문제가 되는 상담건의 추출을 용이하게 하고, 원인분석을 제시하는(보여주는) 시스템을
구축합니다.
자동수집
기계학습

M빅데이터 구축사례  주제어/키워드에 대한 Trend 분석
분석 사전 작업
• 관심 주제어/키워드 등록
• 유관 사전분류/키워드 정비
• 분석 정보 설정
-. 분석 기간/주제어/키워드
• 분석 실행(Batch Job)
• 분석 상태 확인
• 분석 결과 조회
써니뱅크 관련해서
고객들은 얼마나,
어떤 내용으로
고객센터에 연락을
하는가?
상품/서비스
Start 시점
관찰기간
Batch Job 수행
 기간별 콜 현황/추이
 고객 속성별 콜 현황/추이
 상담유형별 콜 현황/추이
 태그 클라우드
 연관 키워드 분석 등
분석 결과 제공 시 주안점
신규 상품/서비스, 신한은행 관련 주요 이슈에 대해 고객들이 어떤 반응을 보이는지 확인할 수 있도록 다양한 텍스트 분석 결과를
제공하도록 시스템을 구축합니다.
분석 설정/실행 분석 결과 확인

M빅데이터 구축사례  마케팅 주제 발굴 및 TA 모델 개발 1/2
환전송금, 예금신규, 대출신규,
펀드리밸런싱 가망이 높은 STT
금융마케팅
불만/민원제기 가능성이
높은 STT
불만/민원
대상군 Unique Keyword 도출
대조군에서 일반적 키워드
제거
대상군과 대조군 키워드 비교
키워드별 알고리즘 스코어 및
랭킹 도출
대상군 및 대조군 학습문서
분석
키워드 추출 및 분석 알고리즘
적용
키워드 변수들을 통한
스코어 점수 산출
모델 검증
모델 수정 및 보정
STT 자동분류
자동분류
모델 적용
녹취데이터의 활용성이 높은 마케팅 주제를 발굴하고, 하기의 TA 모델링 방법론에 따라 고객의 Needs를 감지할 수 있는 TA 모델을
개발하고 테스트 마케팅을 통해 모델을 검증하고자 합니다
모델개발 범위 확정
분석대상 선정 및
데이터 준비
Unique 키워드 추출 TA 모델링
STT, 서비스 이력 데이터
모수
• 금융마케팅 대상 서비스
이용 이력 + STT 데이터
• 불만/민원 고객 STT
분석 대상

M빅데이터 구축사례  마케팅 주제 발굴 및 TA 모델 개발 2/2
STT 데이터
서비스 이력 데이터
상담 이후 서비스
발생 관찰기간
대상군
STT
대조군
STT
모델 개발 모델 검증TA 모델 적용
모델 개발 모델 검증
• STT 원문
• 서비스 이용여부
• 키워드 스코어
• 온톨로지 스코어
• STT 원문
• 서비스 이용여부
• 모델 스코어
• Base 서비스 이용률 대비 TA 스코어 보유 상담의
이용률 향상 정도를 감안하여 모델 개발/정교화
• 마케팅 물량을 고려한 TA 스코어 Cut-Off 설정
• 테스트 마케팅을 통한 모델 성과검증/개선 진행

M빅데이터 구축사례  시스템간 연계 구축
TA시스템은 당행기준에 따라 원본데이터 및 분석데이터를 내부 관련 서버와 연계될 예정입니다.
수집 및 분석 대상 데이터는 Call 상담 변환 텍스트(STT), Talk 상담, Email 상담 등입니다.
내부데이터
STT 정보
Talk 상담
Email 상담
NCS (상담이력)
하둡(MapR) 서버 (텍스트 분석 처리/STT 전용 스키마 구성)
기존 4대 구성 신규 2대 추가
DW
고객별 TA점수 결과
(CRM 활용)
• 사전 데이터
TA 시스템
관리서버
상담콜 현황/분석 민원 감지/대응 트랜드 분석
장시간상담 분석 묵음비율 분석 재인입상담 분석
호전환상담 분석 Talk 상담 분석 Email 상담 분석
분석담당자
Oracle
• 자동분류 규칙
• 분석마트
• 분류규칙 관리
• Call Text 분석
• 민원 조기 대응

®
M
금융마케팅 트리거 및 민원예측을 위한 불만민원 감지 모형을 위주로 진행 되고 있습니다.
MOARA SOLUTIONVOC
Channel
VOC 자동분류
비즈니스 이벤트 징후
VOC 선별
I/B
상담
(STT,
Memo)
인터넷
상담
인터넷
민원
EDW
Marketing Target이
아니면서 현금서비스/카드론
이용 가능성이 높은 VOC
금감원 민원을 제기할
가능성이 높은 VOC
한도초과승인거절, 고액이용,
한도상향 가능성이 높은 VOC
BL등급이 아니면서 재조정
가능성이 높은 VOC
마이닝 Table
현업 활용 Table
TAXONOMY
MINING
 현금서비스/카드론
이용 예상 고객 예측
 금감원 민원 제기 예상
고객 예측
Taxonomy
Score
이벤트 징후
예상 群
Taxonomy 기법 활용Ontology 기법 활용
대분류 중분류 소분류
73개 924개
Ontology Setting Taxonomy Rule Setting
Event Trigger 모형 개발Segment Setting
SOLUTION Interface Solution Setting & Customizing Interface
상품
서비스/포인트
금융서비스
할부금융
카드이용/한도
심사/발급
가맹점
채널
정보/BL
특수
이슈
오토금융
기타

M

M
• 접수된 고객의 불만을 적극적에서 처리하여 불만 고객에 대한 사후 서비스를 강화
• 비정형 분석체계를 통한 패턴 분석을 강화하여 사전 감지를 통한 불만 발생원인 분석
외부 VOC 수집을
통한 자동 수집 체계
구축
단순 상담/문의에
대한 분석 체계
강화
조기경보를 통한
사전 대응 체계
구축
외부에서 발생되는
고객의 소리에 대한
수집 강화
패턴 분석 기반의
조기경보를 통한
사전대응 강화
놓칠 수 있는 VOC를
감지하여
대외비화 방지
비정형
분석
소비자보호 체계 강화

®
M
비용 최적화수요예측 주식시장예측
서비스개선이상검출 차량정체 예측
고객이탈분석부정검출 고장예측
차별화된 타게팅 광고상품추천서비스 위치정보를 이용한 마케팅
1. 고객관리
• BoA, 수익성 및 업무효율 제고를 위한 빅데이터
• 허츠, 실시간 VOC 분석으로 고객 만족도 향상
• GS홈쇼핑 , 고객 추천 서비스 정교화
• 롯데백화점, 고객 세분화를 통한 타겟 마케팅
• 유통 빅데이터를 통한 중소상인 지원
• 빅데이터 분석 기반 외국인 관광산업 지원
2. e-Business
• Ancestry.com, 온라인 가계도 서비스 제공
• 오비츠, 사용자 특성을 파악하여 맞춤 검색 결과 제공
• NCSOFT, 게임 내 사기 탐지 시스템 구현
• 멜론, 이용자 관심도에 따른 콘텐츠 추천
3. 의료
• UNC헬스케어, 환자의 재입원 비용 절감
• 서울아산병원, 의료연구 편의성 확대
• 맞춤형 유의질병 및 병원정보 제공
4. 제조
• GE, ‘지능형 항공 운영’ 서비스
• 볼보, 운행 정보 활용한 자동차 안전 실현
• 캐터필러, 직원 및 기기 데이터 분석을 통한 제조 생산
성 향상
• 한국남동발전, 발전설비 운영효율 극대화
• 자동차 부품기업 공동활용 빅데이터 플랫폼
5. 재난 및 공공
• 농림수산식품교육문화정보원, 스마트 농정 실현을 위
한 플랫폼 구축
• 조류 인플루엔자(AI) 확산 조기대응
• 국도 비탈면 붕괴사고 예측
2015년 빅데이터 글로벌사례집
http://www.kinfo.co.kr/report/v/1/2/12715

M
기존 Approach (Only 시스템) To-be Approach (시스템과 오픈소스 복합 활용)
• 시스템 도입 전 오픈소스를 활용하여 다양한 분석과제
실행 가능(비용 절감 효과)
• 분석 과제 실행을 통한 내부 데이터 보유 현황과 품질의
시스템 도입 전 진단
• 오픈소스를 활용한 분석의 자유도 증가와 시스템 도입시
활용도 증가
• 기존 운영 시스템상에 신규 시스템만 추가 도입 형태
• 시스템 자체는 매우 우수하나, 실제 데이터 분석 활용도의
유연성이 떨어짐(분석 방안의 한계 존재)
• 시스템을 도입하지 않으면, 빅데이터 분석 진행이
불가능함

M
데이터 전처리
(구간화, 결측치, 변수선택)
학습(Training)
예측(Predict)
Open Source의 한계
( 한글 전처리의 어려움 )
정형 Data  NN, SVM으로 진행
비정형 Data  NN, RNN, SVM, Ranking
방식이 적절함 (Black Box의 한계)
독자적인 Text Data의 처리 Knowhow가 반드시 필요함
(한글(언어별) 의미파악을 위한 방법론 존재함)

M
나의 고민… ??
• 시스템 구축 비용이 비싸다.
- 시스템을 구축하는데 최소 10억원 이상이 소요 되며,
최적의 성능을 위한 Infra 까지 하면 20억원 이상이 필요 함
• 사업을 추진할 내부 조직이 없다.
- 빅데이터 시스템과 업무에 대한 이해를 바탕으로 시스템 도입을
추진할 내부 조직의 구정이 힘듬
• 분석한 결과에 대한 품질을 신뢰할 수 없다.
- 빅데이터 분석 결과가 우리에게 맞는 결과인지 신뢰하기 힘듬
• 투자효과에 대한 확신이 없다.
- 고비용을 투입하여 도입한 시스템으로 효과를 얻을 수 있는지
확신하지 못함

M
한글분석을 위한 NLP
( 분석 ≠ 검색 )
• 최대 한글,변형,감성사전 보유
• 10년 이상의 Knowledge 사전
• 한글 최적화 온톨로지 구축
• 기계학습 기반 Taxonomy
• RNN (딥러닝)기반의 AI 제공
( 사전,Taxonomy 자체 진화 )
대용량 처리 안정성
• Hadoop, Appliances, RDB, File기반
대용량 처리
• In-Memory 기반 NoSQL 실시간 지원
• 지능형 수집 Robot
적정한 투자금액
• End-to-End 통합 플랫폼으로
운영 용이
• 직접 고객 데이터 운영으로
관리비용 절감
• 점진적 데이터 개선으로
유지비용 절감
01 02 03 04
MOARA
경쟁사
사용이 쉬운 솔루션
• Web 기반 UI로 쉬운 사용법
(전문가,일반사용자용 UI 제공)
• 시나리오 기반 분석 편리성
• 강력한 Discovery Tool 제공
• 다양한 시각화 기술

®
M
경청해 주셔서
감사합니다.
Thank you.

®
M
질의응답
Question & Answer

[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안

More Related Content

What's hot

Similar to [2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안

More from K data

[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안