맹개발의 기술 블로그

2015-09-06 SPSS - 연세대학교 정보대학원 수업내용

맹개발 — Tue, 22 May 2018 14:34:00 +0900

2015-09-06 SPSS - 연세대학교 정보대학원 수업내용

* SPSS

분석 > 평균비교 > 집단별 평균분석 (단축키 Alt+A+M+M)

1) 종속 변수에 보내준 데이터 파일[변환_분석파일4.xlsx] 에서 Q1~70까지 종속 변수에 넣고 분석 (추후에 71~111까지)

2) 레이어1 > 레이어2 > 레이어3 에 그룹을 넣으면 됌 (매출, 업종, 등등)

[기업유형분석_업무분장.xlsx] 참조

참고로 아래의 그룹이 각 그룹별 대칭되는 값임. (잘못된 데이터 수정을 거치면서 저렇게 되었음)

참고로 필요 없음을 결측값(#NULL!)으로 설정했음. (단, 국내와 해외의 경우 1 값만 해당.)

3) 나온 결과에서

보고서 더블클릭 > 피벗 > 행과 열 전치

4) 1, 2 값이 순서대로 그룹되어 있는 값임. 단, 국내와 해외의 경우 1 값만 해당.

모르는 거 있음 전화! 010-2815-9190

2단계 뎁스 들어가는 T-test http://ai-times.tistory.com/424

파일의 내용은 아래와 같습니다.

(전체 25개의 레코드로 구성되어 있으나, 아래에는 5개의 레코드만 표시하였습니다.)

위 데이터에 보면 성별이 [남], [여] 가 아니라

1.00, 2.00 의 숫자가 들어가 있는데, 남자=1.00, 여자=2.00 으로 코드화 된 것입니다.

자, 이제 [남자], [여자] 그룹을 구분하여 상관관계(피어슨 상관계수) 분석을 수행해보도록 하겠습니다.

메뉴에서 [데이터] - [파일 분할] 을 선택합니다.

파일 분할 창이 나타납니다.

여기에서 [집단별 비교] 를 체크한 후, [성별] 변수명을 오른쪽의 [분할 집단변수] 영역으로 이동시킵니다.

[확인] 버튼을 클릭합니다.

잠시 기다리면 파일 분할 작업이 수행되고,

완료되면 아래와 같은 결과 창이 나타납니다.

위의 창은 [X] 버튼을 눌러 닫습니다.

그냥 열어둔 상태에서 본래의 SPSS 화면으로 돌아와 작업해도 상관없습니다.

메뉴에서 [분석] - [상관분석] - [이변량 상관계수] 을 클릭합니다.

잠시 기다리면

아래와 같이 성별로 구분하여 상관관계를 분석한 결과를 볼 수 있습니다.

남학생의 경우 신장과 체중의 피어슨 상관계수가 0.635 이고

여학생의 경우 신장과 체중의 피어슨 상관계수가 0.721 인 것을 확인할 수 있습니다.

이것으로 SPSS의 [파일 분할] 기능을 이용하여

데이터를 소단위로 구분하여 분석을 수행하는 방법을 연습해보았습니다.

* 등분산

http://www-01.ibm.com/support/knowledgecenter/SSLVMB_22.0.0/com.ibm.spss.statistics.help/spss/base/idh_ttin.htm?lang=ko

http://support.minitab.com/ko-kr/minitab/17/topic-library/modeling-statistics/anova/basics/understanding-test-for-equal-variances/

T-Test 값 보는 법

F값의 유의확률이 0.05 이상일시 등분산을 봐야함

F값의 유의확률이 0.05 이하이면 등분산을 가정하지 않음을 봐야함.

[PDF] Serious Game 의 체험요소가 사회문제 교육에 미치는 효과

이상희， 장지원， 전창의， 핵심， 되는말 - 게임산업저널 통권, 2007 - kocca.co.kr

2015-07-17 SK Creative Challenge 사전OT - 연세대학교 정보대학원 수업내용

맹개발 — Mon, 21 May 2018 14:34:00 +0900

2015-07-17 SK Creative Challenge 사전OT - 연세대학교 정보대학원 수업내용

개요

- 일시: 7월 17일 금요일 / 오후 2:00~5:30

- 장소: 서울 삼성동 코엑스 컨퍼런스룸 308호

- 문의: 구본승 연구원, gokoo22@gmail.com / 010-3161-2383

- 일정

오후 2:00 ~ 2:10: 각 학교 교수님들 소개

오후 2:10 ~ 2:30: "SK Creative Challenge 프로그램 소개와 지난 발자취", SK경영경제연구소 정연준 수석

오후 2:30 ~ 2:40: "2015 SK Creative Challenge 프로그램 운영계획", 경희사이버대 정지훈 교수

오후 2:40 ~ 2:50: 질의응답

오후 2:50 ~ 3:00: 휴식

오후 3:00 ~ 3:45: 특강 1 "통큰 UX: 스마트 생태계를 위한 UX 관점", 국민대학교 허정윤 교수

오후 3:45 ~ 4:30: 특강 2 "IoT 시대의 HCI-UX에 대한 고민", 뉴로어소시에이츠 김윤이 대표 (경희사이버대 겸임교수)

오후 4:30 ~ 5:00: 특강 질의응답 / 토론 (사회: 정지훈, 특강자들과 함께)

오후 5:00 ~ 5:20: "9월 Creative Camp 오리엔테이션", SK경영경제연구소 김병준 수석

오후 5:20 ~ 5:30: 질의응답

오후 5:30 ~ (뒷풀이)

----------

수업 + Chanllenge 과제 수행

<새로운 IoT UX를 고안하시오>

중간평가

최종평가(발표) - HCI 학회 발표. 시상, 수상 있음. 상금.

ex) 서울대학교 '아이쿵' 시각장애 아이들을 자유롭게 뛰놀 수 있게 하는 아이디어. <버블슈트> 프로토 타이핑.

wearable의 고정관념이 작은거라고 생각하는데 그걸 깨뜨림.

9월 공식 오리엔테이션 -> 수강신청후에.

9/11~13일 2박3일 캠프 운영. 조편성은 다양한 전공의 학생들이 섞여들어갈 수 있도록 할 예정(학교간 섞어서 진행하는지 여부는 다음에 결정예정). 최종발표 이전에 멘토들의 비평과 조언을 들을 수 있음.

* 이전 발표주제(2014 SK CC)는 구글 드라이브로 공유.

----------

Q&A.

- 강의 슬라이드 어디서?

- 공유 폴더를 만들어서 공유할 예정.

----------

# 강의 세션

----------

<통큰 UX> 국민대학교 허정윤 교수님

흔히 사람들이 생각하는 UX는 화면 설계하는 사람? 혹은 포스트잇 성애자.

터치포인트 정리

UX 1.0 - 제품의 사용 경험

UX 2.0

UX 3.0 - 제품의 외적인 영역 밖까지 확대

아이폰 Mailbox 앱 -> 메일을 쓰거나 확인하면 만드시 일이 생긴다는 UX를 포착 -> To do list와 연동시키는 작업을 실시.

한 달만에 1000억에 인수 합병.

최근 트렌드

- 애플와치

- 천기차 : 무료충전 30분 vs 유료 에너지 90초(배터리 교체)

- Nest 요금제 : 스마트 온도계(냉/난방 연동)를 설치하고 조작하지 않으면 전기세 절감.

- Fitbit이라는 웨어러블을 차고 운동을 하면 돈을 지급함. (회사는 민영 의료보험료를 아낄 수 있음. 미국기준)

Fintech 환전 서비스

- TransferWise 1/10 가격 환전. 봉이 김선달. why? 기존 금융기관은 실제로 돈이 왔다갔다함. 하지만 TransferWise는 자국내 사람들을 매칭해주는 것임.

- M-Pesa 유럽이 찾아간 아프리카 금융. => 리버스 이노베이션: 유럽에는 많은 금융 규제가 있다. 아프리카에는 없음. 해외에 유럽 금융회사가 가서 유럽에서는 못한 서비스들을 만들어 냈다. 이러한 변화를 보고 유럽에서 역으로 규제를 풀었다.

* 문제점.

- 철저한 규제 영역과 비규제 영역 사이에 위치한 공유경제.

- 경험 변화 -> 인식 변화 -> 규제변화

Q. 바뀔 수 있는 규제와 안바뀔 것 같은 규제를 가르는 기준은 무엇인가. 1. 어느 포인트 때문에 안되는지 확실한 이해를 하고 2. 해당 포인트가 얼마나 많은 공감을 이끌어 낼 수 있느냐 하는 부분.

규제과학이라는 분야가 있다. Risk-based management. class1, 2, 3을 구분하여 관리. Community Validity 지역 사회에 얼마나 유효한지. 정치까지 생각해야함.

통큰 UX를 이야기 하는 이유.

- 의자를 디자인해라 -> 이걸보고 사람을 지탱하는 방법을 고안하는 것으로 확대하여 생각할 수 있어야 함

- Mailbox의 경우 기존 이에일 확인에서 벗어나 이메일을 통해 할 일이 생긴다는 인사이트까지 나갈 수 있었고 여기에서 to do list로 확대될 수 있었음.

- 통큰 UX 키워드 : Empathize, Out of Box, Context, Beyond Borders.

- 실행 : Think Big, Start Small, Move Fast and Modify.

------------

IoT 시대의 HCI-UX에 대한 고민, 뉴로소시에이츠 김윤이 대표(경희사이버대 겸임교수)

- <Human Computer Interaction 개론> 이 책이 HCI 의 바이블이다. 한 권만 보면 거의 정확하게 HCI에 대해 이해할 수 있다.

- 실시간 인포그래픽.

- HBR 마이클 포터 2014. 11 스마트 Connected 기기와 IoT는 구분해야 한다. (최근 스마트폰과 비콘도 IoT에 포함하는 경향에 대해)

- 최초는 P&G에서 RFID를 활용. 공식적 언급은 ITU.

- ITU의 정의 : 지능화된 사물들이 연결되어 형성되는 네트워크상에서 사람과 사물, 사물과 사물간에 상호소통하고 상황인식 기반의 지식이 결합되어 지능적인 서비스를 제공하는 글로벌 인프라.

- IoE. 시스코의 미래학자 Dave Evans가 2013 주장. 사물이 아니어도 연결될 수 있다. 식물, 동물, 사람을 연결할 수 있음.

- 그 다음에는? Internet of Air 자신도 모르게 인터넷과 연결되어 호흡하는 사회.

- 인터넷 시대 -> IoT -> IoE -> IoA

- MS가 IoT 플랫폼을 밀고 있음. 윈도우 10은 IoT 기기에 설치가능 ex. 라즈베리 파이에 IoT올림.

-- MS 에져(azure) 클라우드가 겁나 친절함. 전화만 하면 와서 세팅해줌

- Cisco

- IoT 유형

-- 시나리오1. 재귀형. 클라우드 서버와 업/다운로드 기능이 있는 것 ex) Nest

-- 시나리오2. 분산형. 업/다운로드 기능을 다양한 기기들이 나누어 함. 여기에서 각 디바이스는 디바이스간 통신을 하는 것이 아니라 클라우드를 거쳐서 통신을 할 가능성이 높다. 이유는 클라우드를 거치면 디바이스간의 언어가 통일 될 수 있기 때문임. ex) Jawbone Up. 샤오미 MI 밴드. 스마트 밴드에서 기록, 스마트폰에서 봄.

-- 시나리오 3. 수렴형. ex) 서울시 하수도 수위현황. 모든 센서에서 정보를 수집해서 새로운 정보를 알 수 있음.

- HCI 백종원처럼 맛깔스럽게 Data 정보를 전달해주는 것.

----------

SK경영경제연구소 김병준 수석

- SK-HCI Lab. 연구원. (연구원으로 불러주시길)

캠프 제목

- SK Creative Challenge UX영화제

- 2박 3일간(학기 시작하고임) 캠핑을 가서 영화를 찍고, 공유하고, 즐깁니다. 실제로 텐트에서 잠. 캠핑도구, 영화촬영도구, 1회분 바비큐재료(고기,해물 1인분), 각자 먹을 것을 자체적으로 가져와야 함, 장작, 생수만 제공하기 때문에 나머지 재료는 직접 가져와야 함. 음주가무는 제한적임(병원이 멀어서…).

- 충북 괴산군 보람원, 코오롱 캠핑장.

- IoT와 UX라는 요소가 들어가는 영화를 만든다. (3분 분량)

- 사물주연상(ㅋㅋ), 남녀 주연/조연상, 등등이 있음.

- 스마트폰만 가지고 영화를 만든다.

- why? 재밌을 것 같아서 한다. CC도 사실 놀기위해 한 것임. 경험상 재밌는 걸 하면 좋은 게 나온다.

- SK가 교통편은 버스대절을 제공.

2015-06-11 IT 평가 방법론 - 연세대학교 정보대학원 수업내용

맹개발 — Sun, 20 May 2018 14:31:00 +0900

2015-06-11 IT 평가 방법론 - 연세대학교 정보대학원 수업내용

사회적 할인율을 반영한 현재 가치를 반영하기 위해 BC를 산출하는 것이 NPV.

실제 이자율을 반영한 것이 IRR

실제 투자금액이 많거나 기간이 길면 부담이 간다. PP, BEP

예비 타당성 조사 Feasiblity Test. 20년이나 되었음.

11개 중에 10개가 건설사업 그 중 1개가 정보화사업.

기술종속성 - 장비가 외산으로 얼마나 의존하는가.

비용과 편익이 포함된 경제성.

편익 추정이 가장 어려움. 로도나 건설이나 이런 것들은 눈에 편익이 딱 보임.

- 주로 시간이나 비용 절감에 대한 것을 편익으로 많이 잡음.

CIO Council. (2002). Value Measuring Methodology : How to Guide. CIO Council,

Best Practices Committee. pp. 1~108.

강지원

공공부분.

조달국이 VMM을 측정하기 위한 도구로 개발되었다.

단순히 비용/수익에 대한 분석이 아니라 Risk 까지 감안 되었다는 점이 중요. (Risk Repository는 전문가들의 판단으로 정해지기 때문에 정석적 지표임) 기준점수나 범위도 전문가에 따라 다름.

BC가 아무리 높게 나와도 Risk가 고려되었는가? 국가 법률 시스템이 하나의 전산센터에서 운영되고 있는데, 전부 외부로 노출되어 있다. 대전으로 옮긴다는데, 150km 안이면 유효 위험 거리임. 그럼 소용이 없음.

Zachariasen, F. og Arlbjørn, J.S. (2009). Total Cost of Ownership: A Differentiated Approach, working paper 2009/3, Department of Entrepreneurship and Relationship Management, University of Southern Denmark. pp. 1~41.

김성은

Ministry of Business, Innovation & Employment.(2013). Total Cost of Ownership

: An introduction to whole-of-life costing. New Zealand Government.

신경호

- TCO의 목적은 소유에 숨겨져 있거나 명백한 모든 비용을 인지하는 데에 있음.

감가상각, 경제수명, 사용연한

- Social Discount Rate : 사회적 파장의 차이로 인해 발생.

- 기회비용과의 차이.

-> 더 깊이 알아보고 싶다면, 재무 의사결정과 관련된 책을 살펴보면 좋을 듯

KDI(2004). 정보화부문 사업의 예비타당성조사 표준지침 연구. 한국개발연구원.

김지원

334 페이지

이 글에서는 초기 투자비 / 운영 및 유지보수비로 나눴음.

정보시스템은 NPV 기준이 10년. 일반 도로는 30년.

정보시스템은 5년 이렇게 되면 Lifecycle이 종료되고 비용이 추가로 들어감. 사업의 수명주기가 다르다. 길게 볼 수록 discount rate이 변화함. 정보 시스템은 일정하게 가정하고 계산함.

직접비용, 간접비용

좀 더 범용적으로 이렇게 분류를 하기도 함. TCO (Total Cost of Ownership) 의 관점.

---------------------------

참고자료를 그냥 올린 것이 아님. 다년간의 검증을 통해서 올린 것임.

2015-06-15 사회과학 연구방법론 - 연세대학교 정보대학원 수업내용

맹개발 — Sat, 19 May 2018 14:33:00 +0900

2015-06-15 <사회과학 연구방법론> - 연세대학교 정보대학원 수업내용

이군희. (2013). 사회과학 연구방법론(개정판): 法文社.

161-182 pp

키워드 - 질적연구, 실험연구, 근거이론(grounded theory)

내용	포커스그룹 인터뷰	심층면접	프로젝티브 기법
구조화의 정도	상대적으로 높음	상대적으로 중간	상대적으로 낮음
깊이 있는 응답에 대한 정도	낮 음	높 음	중 간
사회자에 따른 바이어스	상대적으로 중간	상대적으로 높음	낮거나 높음
결과해석에 따른 바이어스	상대적으로 낮음	상대적으로 중간	상대적으로 높음
숨겨진 의도에 대한 노출	높 음	중간이나 높음	낮 음
새로운 아이디어에 대한 발견	상대적으로 높음	상대적으로 중간	상대적으로 낮음
민감한 질문에 대한 응답	상대적으로 낮음	상대적으로 중간	상대적으로 높음
비정상적인 행동에 대한 질문	가능하지 않음	제한적임	가능함
유용성	매우 유용함	유용함	제한적으로 유용

제10장 질적연구에 의한 탐색적 연구

1. 질적 연구와 양적 연구

2. 질적 연구의 구분

- 기준은 연구목적을 알려주는지 여부

3. 포커스그룹 인터뷰

(1) 포커스그룹의 구성

그룹의 크기	8명에서 12명 사이
그룹의 구성원	기준을 마련하여 선별하여야 함. 동질적인 구성원으로 구성.
토의 환경	편안하고 자연스러운 분위기
토의 시간	1시간에서 3시간 사이
토의 기록	녹음기나 비디오 카메라를 사용
사회자	의사소통 능력이나 경험, 주제에 대한 사전지식이 풍부함.

(2) 포커스그룹 인터뷰의 진행절차

- 연구목적 파악과 연구문제의 정의

- 포커스그룹 인터뷰의 목적과 구체적인 질문 정리

- 포커스그룹 인터뷰의 진행에 대한 설계

- 구성된 포커스그룹과의 논의

- 논의된 결과에 대한 분석 및 검토

- 결과의 정리 및 향후 연구방향의 결정

(3) 포커스그룹의 형태

- 양방향 포커스그룹

- 두 명의 사회자가 있는 포커스그룹

- 참여자가 사회자가 되는 포커스그룹

- 소그룹 인터뷰

- 전화를 이용한 그룹 인터뷰

- 온라인 포커스 그룹 인터뷰

(4) 포커스그룹 인터뷰의 장점과 단점

- 포커스그룹 인터뷰의 장점

여러 사람이 모여서 한 주제에 대하여 논의하기 때문에 다양한 생각이나 아이디어, 내용을 심도 높게 논의할 수 있다.

다양한 형태의 주제나 연구문제에 적용시킬 수 있다.

포커스그룹에서 나타나는 결과는 직관적이며, 쉽게 해석될 수 있다.

- 포커스그룹 인터뷰의 단점

포커스그룹 인터뷰로부터 얻은 결과는 소수 그룹의 결과이기 때문에 일반적인 상황에 적용시킬 수 없다.

풍부한 정보를 자기방식으로 접근하여 잘못 해석할 수 있다.

4. 심층면접

(1) 심층면접의 특징

숙달된 면접자에 의하여 면접이 일대일로 이루어진다.

일반적인 질문으로부터 시작하여 구조화되지 않은 형식으로 깊이 있는 질문이 이어진다.

(2) 심층면접에 대한 기법

래더링 : 연속적인 일련의 질문을 통하여 연구문제(특별히, 마케팅의 경우에는 제품이나 브랜드의 특성)에 대한 특성을 파악하여 응답자의 잠재되어 있는 성향을 파악하는 기법.

숨겨진 내용에 대한 질문 : 개인적으로 가슴 깊이 느끼고 있는 가슴 아픈 부분을 파악하는 심층면접 기법.

상징적인 기법 : 연구대상과 반대되는 개념에 대한 이해를 통하여 대상에 대하여 비교하고 분석하는 심층면접 기법 (예: 스마트폰에 카메라 기능이 없다면 어떨지에 대한 의견을 묻는다.)

(3) 심층면접의 장점과 단점

장점 - 응답자의 상당히 깊은 내용까지 파악할 수 있다.

누구로부터 응답결과가 나타났는지를 정확하게 알 수 있다.

자유스럽게 개인적인 의견을 교환할 수 있다.

단점 - 숙련된 면접자의 역할이 중요하다.

면접을 통하여 얻은 자료를 분석, 해석하는 것이 어렵다.

전문성을 가진 심리학자와 숙련된 면접자를 구하기 위하여 많은 비용이 요구된다.

5. 프로젝티브 기법

(1) 연상기법

(2) 완성기법

- 문장 완성기법

- 스토리 완성기법

(3) 구성기법

- 그림반응 기법

- 약화테스트(그림 말풍선 채우는 기법)

(4) 표현기법

- 롤프레잉 기법

- 제3자 기법

(5) 프로젝티브 기법의 장점과 단점

장점 : 응답자가 연구의 주제를 알게 되면, 올바른 응답을 꺼리게 되거나, 질문을 잘못 이해하게 되는 경우에 유용하게 적용. 응답자의 잠재의식에서 나타나는 숨겨진 동기나 신념, 느낌이나 태도를 파악하고자 하는 경우에 유용하게 사용

단점 : 프로젝티브 기법은 개별면담의 형태를 취하기 때문에 숙련된 면접자와 분석가가 요구 비용이 많이 들고, 결과해석에 있어서 높은 바이어스 위험에 노출되어 있다.

---------------------

최희재. (2010). 모바일 전자의무기록 시스템사용 과정에 관한 비교 사례 연구: 기술 전유 과정의 근거이론적 접근. 연세대학교 정보대학원: 의료정보전공, 학위논문.

2015-06-11 사회과학 연구 방법론

맹개발 — Fri, 18 May 2018 14:30:00 +0900

2015-06-11 사회과학 연구 방법론

시험 1시간 통계 시험 이 후, 2시간 동안 진행

범위는 서베이 리서치 이 후 (+실러버스를 참조하여 교과서 Page 매칭)

강의한 내용에서 주로 문제가 나온다.

통계의 비율은 20%

--- 강의 총정리 ---

연구주제. 흥미로워야하고 컨트리뷰션이 있어야 한다. 이미 너무나 당연시 여겨지는 질문은 연구주제가 될 수 없겠음. 답하기 너무 힘든 애매모호한 경우도 바꿔야 할 것임.

질문

-> 질적 : 사례연구 (케이스 스터디), 관찰연구, 등등

-> 양적 : 실험. 시뮬레이션. 필드 스터디.

1) Sampling 에 대한 고민.

대상이 누구인지, 어떤 방법으로 수집할 것인지.

2) 데이터 컬렉션 방식. ex) 서베이(실험을 하면서도 서베이를 할 수 있을 것임). 인터뷰. 관찰. Secondary data 활용. 이미 모아진 데이터. 통계라던지. 트래픽 로그 같은거.

3) 모은 데이터를 어떻게 분석해야할 지. Statistic. 3가지 유형의 통계. 기술적인 통계. 타당성/신뢰도. 가설검증. ex) SPSS, PLS

유사한 논문을 찾아서 진행하면 석사수준에서는 괜찮음.

문헌연구를 찾아 볼 때도 관심 분야의 탑저널부터 거기에 나온 아티클에서부터 시작해야 함.

제일 좋은 학위 논문 - 제일 적은 노력으로 제시간안에 끝내는 논문.

주심 교수님 - 보통 같은 Author로 들어감. 졸업시키기 위한 변호사.

부심 교수님 - 보조역할. 검사의 역할. 부심이 사인 안해도 졸업을 못함. 예심때까지 논문에 대해 뭐라고 이야기를 안하면 상당히 괴로울 것임. 일단 한 번 찾아가고 피드백을 받고, 예심때는 반영시켜야함.

적어도 예심에서는 파일럿 테스트 결과는 나와야 함. Measurement가 잘못되었다고 교수가 지적하면, 해당하는 내용을 논리적으로 디펜스 할 수 있어야 함.

종속변수를 빼고 돌린 이유를 설명할 수 있어야 함.

전형적인 Bottom up 리서치이다.

다음주 클래스 총정리 + 개인연구프로포절 피드백 받는 시간

(개인 프로포절 -> 학기말 시험 제출일로 연기)

15분 발표 + 5분 Q&A

시사점과 공헌점?

공헌에 대해 이야기 해야 함. (이 논문을 처음 서론에서 팔 때) Marco

- 보다 높은 레벨에서의 가치. 남들이 관심을 가지지 않았던 부분. 처음 연구된 부분.

시사점은 발견한 인과관계. (실무적으로. 이걸 가지고 뭘 할 수 있는지.) Micro

- 구체적으로 이 결과를 활용하여 어떻게 했는지.

문헌연구하기 전에 생각을 해봐야 한다. 그 생각을 기준으로 문헌연구를 진행해야 할 것임. (브레인 스토밍을 진행)

책에 나온 Measurement 의 경우에는 통계적으로 검증이 안된 경우가 많다.

차후 테스트(차이 테스트) 인과 관계 상의 테스트.

moderator와 mediator

해당 연구 방법론을 차용해온 곳에서 사용한 방법을 활용하면 될 듯

변수를 측정하는 것과 변수의 인과관계를 물어보면 안된다.

- 가능한 질문: 공부하는 시간 측정, 성적 측정.

- 불가능한 질문: 공부를 열심히 하면 성적이 오릅니까?/오를 것 같습니까?

2개의 모형을 하나의 모형으로 했다. overlap 되거나 상충되는 것만 없더라도 상관은 없음. 선별적으로 골라서 넣어도 된다.

* 공통점

왜 연구가 중요한지에 대한 Saling이 되어야 한다.

발표하면 아이컨택해야해요.

독립변수 종속변수 다 넣어야 함.

2016-03-17 Business Models - 연세대학교 정보대학원 수업내용

맹개발 — Thu, 17 May 2018 19:48:00 +0900

2016-03-17 Business Models - 연세대학교 정보대학원 수업내용

과제 가이드 라인.

- Case Overview

- 비즈니스 모델 분석

- 개선방안 제안 (Technical 측면에서)

비즈니스 모델 캔버스는 flow를 나타내지 못하고 detail이 모자라는데, flow chart가 보완해줌.

* 비즈니스 모델을 볼 때 중점적으로 볼 3가지

어떻게 돈을 벌 것인가. Revenue Generation

타겟 커스터머 Target Customer

커스터머 밸류 Customer Value (Product or service)

불편한 점이 뭔지 부터 물을 수 있음. 이걸 먼저 물어야 함.

CSF4의 경우 낮은 가격 전략을 선택할 시, 메인 이슈로 취급되지는 않음. (저가 정책이냐 차별화 정책이냐)

20년전에는 이 전략들이 동시에 사용되면 안된다고 함.

이제는 충분히 할 수 있음. Technology를 활용해서. 고객 서비스를 향상시킬 수 있게 되었음. 두 가지를 동시에 적용하는게 추세임. 특히 우리나라 같은 경우에, 중국산 저가, 미국의 차별화 상품에 밀려 두 가지를 동시에 추구하고 있음.

자동차는 대표적인 Product -> 그런데 리스서비스.

미쉘린 타이어 회사. 관광버스의 타이어 관리 서비스 제공.

정수기.

직접 제품을 팔 것인가. 서비스를 팔 것인가. (정수기/프린트 렌탈/ 등등)

GE가 회사의 비전을 바꿈. Product 중심으로는 경쟁이 너무 힘들다.

플랫폼 비즈니스 이야기가 꼭 나옴.

멀티 사이드 플랫폼에서 가장 중요한 건 네트워크 이펙트. 고객들이 더 많이 늘어나야 사람들이 쓰겠죠.

항상 시작은 마켓분석. 다음에는 우리회사가 무엇을 할 수 있는지. 우리가 제안할 수 있는 커스터머 밸류가 무엇인지.

경쟁사분석
대체품
고객
공급자
새로운 진입자. Ex) 카카오. 네이버 등

Culture factors를 고려하는게 상당히 중요한 이슈. 중국은 꽌시 중요. 인도네시아는 고위층과 친한 뒤에 비즈니스 이야기 해야.

Government policies

Economic factors

- 인도네시아: 천연자원 많으나 인종적 특징이 낙천적. (슬로우 워크)

- 말레이시아: 낙천적 특징. (슬로우 워크)

- 태국: 중간정도

- 베트남: 가장 열심히 공부하려는 나라. 새마을 운동 같은

SW - 내부

OT - 외부

프로덕트 first < Customer first

니치로 시작해서 Expand

고객 불편으로 부터 Value Proposition을 할 수 있다.

# 커스터머 밸류. 4가지.

낮은 가격
내가 원하는 것: 비교 대상이 없음. 뭐든지 내게 제공되는 가치.
가격 대비 퀄리티
내가 쓰는 것 대비 내가 얻는 것. (단순 가격 뿐만 아니라 시간, 유용성 등을 포함)

1 Value	2 Value
Value Types - Functional Value - Emotional Value - Social Value - Epistemic Value : 새로운 지식 - Conditional Value	Net Assessment (Benefit - Cost)

Hedonic value (향략적 가치)

현대차에서 에쿠스를 사장들이 타는 차라는 인식을 주기 위해서 사장 승급자들에게 에쿠스 지급을 독려하기 위해 영업작업을 엄청나게 한다고 함. 사장급. 대표급이 타는 차라는 이미지를 만들고 싶어함.

Social Image를 위해 삼.

고객의 경험 사이클.

고객 구매경험 니즈에 따른 서비스 도출

상품인지 -> 상품 탐색/비교 -> 고객 경험 -> 구매/결제 -> 고객 사후 관리

2016-04-12 정량적 데이터 분석 - 연세대학교 정보대학원 수업내용

맹개발 — Wed, 16 May 2018 12:26:00 +0900

2016-04-12 정량적 데이터 분석 - 연세대학교 정보대학원 수업내용

그룹간 비교는 PLS에서 다룸

여기에서 X와 Z간에 Causality가 없어야함.

x와 z간에 서로간에 Causal 관계가 있으면 안됨.

x와 z가 만나는 지점 x*z는 멀리콜리티니의 위험이 있기 때문에 정규화 시켜 작업진행 (평균이 0 분산이 1인 정규분포로 변경)

수정된 R제곱값을 확인.

f값 계산

f분포도에서 기준값 확인

4741 24591 2.4453 2.4324 24205 23359 22541 2.1750 20986 7 23677 19.353 8.8867 6.0942 4.8759 4.2067 3.7870 3.5005 32927 30123 29134 2*321 2.7642 2.7066 26572 2.0143 2.5767 2.5140 2.4876 2,4638 2.4422 2.4226 2 ,4047 23883 2.3732 23593 23463 2.3343 22490 2.1665 20868 20096 8 238.88 19.371 8.8452 6.0410 4.8183 4.1468 3.7257 3.4381 3.2296 3.0717 2,94S0 2.8486 2.7669 2��987 26408 2S91 1 2S480 25102 2.4708 2N471 2.4205 2.3965 23748 23551 23371 2.3205 23053 22913 22783 22662 2.1802 20970 1.9384 9 240.54 19.385 0123 '/>

비교해서 유의할 때의 R제곱값을 확인할 것.

Moderating Test 할 때, 표를 통해서는 유의한 차이가 있는지 없는지 알려줄 수 있고, 그래프를 통해 해당 차이의 경향성을 말해줄 수 있음.

A, b, c, c' 다 돌려서 유의해야 Mediation이 있는 것이라 할 수 있음.

Fully일수록 매개변수의 영향력이 더 중요하다고는 말할 수 있을 것임.

위 경우 Partially Mediated 관계이기 때문에 Discussion에서, Usefulness -> Intention 라인을 추가해서 이런 관계도 제안할 수 있다고 할 수 있음.

지금까지 한 것은 Baron and Kennv 방법

여기에 비평을 하기 시작함. 그래서 Sobel Test가 나옴.

Sobel Test에서 z값 구할 때는 표준화되지 않은 계수 경로를 활용. (비표준화 계수 활용)

z값 = Test statistic (웹사이트 참조)

하나의 테이블에 2가지 테스트를 할 수 있음. Assignment 2에서는 이 표를 그려야함.

세번째 테스트. Sobel Test의 문제점. Normal Distribution 가정이 있음. 샘플사이즈가 작으면 Normal Distribution이 아닐 경우가 많죠. 그래서 Bootstrapping Test

Bootstrapping Test가 Sobel Test보다 샘플 사이즈에 제약이 걸리는 경우가 적어서 더 파워풀함.

설치한거 PROCESS macro 임

# 과제 : 1차 제출과제에서 했던거 그대로 해야함.

2016-04-11 빅데이터 분석 기법의 이해와 활용 - 연세대학교 정보대학원 수업내용

맹개발 — Tue, 15 May 2018 12:17:00 +0900

2016-04-11 빅데이터 분석 기법의 이해와 활용 - 연세대학교 정보대학원 수업내용

박스플롯 해석방법

http://flowingdata.com/2008/02/15/how-to-read-and-use-a-box-and-whisker-plot/

선형 회귀.

RMSE -> 추천선호도

R제곱은 독립변수가 값이 커지는 성질이 있음. 수정된 R제곱은 이걸 보정해주는 것.

종속변수가 counting이면 푸아송 알고리즘.

데이터 탐색

-> 분류하는 문제.

결측값을 해당 컬럼의 중앙값이나 평균값으로 대체해서 계산할 수도 있음. 가장 가까운 이웃 K개의 값까지의 거리를 고려한 가중 평균치로 대체가능.

KNN vs 콜라보레이티브 필터링 차이 (Collaborative filtering)

Collaborative filtering이 알고리즘 피어슨 상관계수 사용하긴함. KNN의 일종이라고 볼 수 있음.

하지만 조금 다른 방식으로 계산

정밀도 Precision: True라고 말한 것 중에 정말 True인 비율

재현율 Recall : 실제 T인 것들 중에 예측도 T인 비율 -> 이걸 높이려면 다 T라고 하면 된다. 그렇게 되면 정밀도가 떨어짐.

SPSS에서도 코딩해서 짤 수 있는 기능이 있음. 그 기능을 활용해서 R코드를 불러와서 활용할 수도 있음. 하지만 그냥 R쓰면 됨. 반면 SAS는 R과 담을 쌓고 있음. SAS에 있는 기능이면 그걸 쓰면 된다. 그게 제일 좋긴함. (기능이 존재한다면 SAS를 쓰길! 미국 평균 연봉도 SAS가 높음)

공공데이터를 공개한걸 가지고 앱을 만들거나 사업을 하는 사람들이 있음.

실제 사업하는 사람들은 어떤 데이터로 하는지.

10000개 이하로 가지고 있는 경우에 돌릴 수 있음.

R에 Recommender lab이라는 패키지가 있음. Collaborative filtering 이라는 알고리즘 있음.

<R을 활용한 추천시스템> 임일 연세대 경영대 교수님

크롤링 하려고 하는데, 클래스 이름이 명확하지 않으면 xpath를 사용해서 해결할 수 있는데, 내용이 좀 어려움.

2016-04-08 데이터 사이언티스트 면접 질문 리스트

맹개발 — Mon, 14 May 2018 12:15:00 +0900

2016-04-08 데이터 사이언티스트 면접 질문 리스트

데이터 사이언티스트 면접 질문 리스트

데이터 사이언티스트 - 지원서 겸 체크리스트

이 문서는 넘버웍스가 작년(2015년 12월)에 채용할 때 입사 지원자분들에게 드렸던 메일입니다. 보통의 채용은 그 과정에서 합격한 분과 회사를 제외하고는 많은 사람들이 지게 되는 WIN-LOSE형태가 되곤 합니다. 넘버웍스는 어떻게 하면 이 시간이 합격하지 못한 모든 지원자분들에게 까지 의미있을 수 있을지 고민했습니다.

채용을 하면서 알게 된 것은 많은 분들이 '데이터 분야로 나가서 일을 하고 싶은데 어떻게 준비해 나가야 하는지 모르겠다.' 라는 답답함을 가지고 있다는 사실이었습니다. 그래서 저희는 이 체크리스트를 작성하기로 하였습니다. 설사 합격이 되지 않더라도, 내가 이 분야로 나가게 된다면 어떤 일을 하겠구나, 또 어떤 것들을 공부해 나가야 겠구나를 알려드리고 싶었습니다. 지원 과정 자체가, 이 일을 이해하게 되는 의미 있는 시간으로 만들어드리고 싶었습니다.

당시의 절차는 시간이 지나 종료되었으나, 데이터쪽에 뜻을 두고 공부하시는 분들이 보면 좋을만한 글이라, 지금 다시 공유합니다. (이번 모집 공고는 https://www.facebook.com/yonghosee/posts/1017311828307950 에 있습니다.)

이번 지원자 분들은 이 문제를 푸실 필요는 없습니다. 다만 중간 중간에 있는 몇몇 문제들은 여전히 보시면 재미는 있으실 것 같습니다. 회사에 와서 일을 하기 위해서는 결국 마주해야 하는 것들이니까요. (면접에 나올지도? 이게 더 무섭나?) 그럼 재미있게 읽어주세요. 아래부터는 예전 메일 내용입니다.

-----

서문

안녕하세요 넘버웍스의 하용호입니다. 이 서문은, 이번에 넘버웍스에 지원하신 분들에게 당락의 결과와 상관없이 도움이 되고 싶어서 쓰는 글입니다. 여기에는 지난 몇 년간 데이터 사이언티스트로 일해온 저의 감상과 지금까지의 판단이 들어있습니다.

생각해보면 기존에는 없던 일입니다. 데이터 사이언티스트. 저도 처음에는 데이터를 만능으로 다루며 세상의 숨겨진 사실을 찾아내는 멋진 사람을 꿈꾸며 이 쪽의 길로 접어들었습니다. 당시에 제가 쌓아왔던 수학적 지식과 프로그래밍 능력 그리고 오랫동안 해왔던 머신러닝쪽의 연구를 가장 잘 활용할 수 있는 직업같았기 때문입니다.

하지만 몇년의 일을 해보면서 새롭게 알게 된 것이 많습니다. 그중에는 이 일의 본질에 대해 다시 생각하게 하는 깨달음 들도 많았습니다. 처음에는 좋은 지식과 스킬을 가지고 있으면 훌륭한 데이터 과학자가 될 수 있으리라 생각했습니다. 하지만 현실과 계속 만나면서, 그것 이외에 가져야 하는 많은 것들이 있음을 알 수 있었습니다. 그리고 이것을 이제 막 일을 시작하거나 진입하고 있는 사람들에게 먼저 알려준다면 그들이 일을 접하고 배워나갈 때 좀 더 도움이 되지 않을까 하는 생각이 들었습니다. 그래서 이렇게 글을 씁니다.

제가 실제로 겪어본 데이터 사이언티스트라는 직업의 본질은 problem solver였습니다. 그냥 보면 ‘문제를 푸는자’ Problem과 Solver 각각 단어가 많은 의미를 내포합니다.

Problem

먼저 Problem입니다. 기존과 달리 데이터 과학자는 ‘현실'과 맞닿아있는 문제를 풀어야 합니다. 제가 프로그래머일때는 문제를 찾는 것은 쉬웠습니다. 그리고 대부분 ‘이걸 어떻게 더 빠르게, 이걸 어떻게 하면 가능하게’등으로 분류되었었죠. 문제는 쉽게 주어지고, 해결책을 고민하기만 하면 되었습니다. (물론 푸는 것은 어려웠습니다) 그런데 데이터 과학자가 되고 나서는 해당 부분이 바뀌었습니다.

문제(Problem)자체에 대한 고민을 아주 많이 하게 됩니다. 우리는 문제가 있는가? 어디에 문제가 있는가? 내가 생각하는 것은 정말 문제인가? 등등이죠. 어려운 점은 이것은 우리들 끼리 모이는 것 만으로는 알 수 없다는 것입니다. 문제들은 대부분 ‘현실'과 맞닿아 있는 현업부서들로부터 나오며, 이것은 끊임없이 현업부서들을 만나고, 이야기하고, 고민을 듣고, 되묻고, 자료를 받아보고, 다음 실적을 기다리는 과정에서 발견되게 됩니다.

즉 데이터 사이언티스트에게 가장 중요한 자질 중에 하나는 ‘풀 가치가 있고 풀 수 있는 현실 세상의 문제를 찾아내는 것'입니다. 여기에서 컨설턴트 적인 역량이 생각보다 굉장히 많이 사용되게 됩니다. 논리적 사고와 그것을 상대에게 제대로 전달하고 다시 질문하는 방법, 얻어낸 이야기를 빠르게 숫자와 데이터로 검증하고 다시 되묻는 속도, 그렇게 만들어진 생각으로 설득을 이끌어 내는 법등도 포함됩니다.

때문에 데이터과학자를 지향하고 계신 여러분이라면, 앞으로 이러한 일이 자신의 업무 범위에 포함되어 있음을 미리 아시고, 일상에서 비슷한 상황에 놓였을 때, 수련의 일부라 생각하고 의도적으로 자신을 확인하고 단련시켜나가기를 바랍니다. 의외로 이러한 부분은 자신이 문과이든 이과이든 상관없이 의도적으로 훈련해야 가지게 되는 능력입니다.

Solver

위의 문제 찾는 자의 이야기를 드리면 우리가 흔히 떠올리는 직업이 있습니다. 네 맞습니다. 컨설턴트. 어쩌면 위와 같은 면모때문에 이쪽 분야에 매력을 느끼시는 분들도 있을 것 같습니다. 그렇지만 지금 말씀드릴 Solver의 면모가 더 중요하며, 또 오랜 시간동안 수련을 쌓아야 해낼 수 있는 부분입니다.

컨설턴트와 데이터과학자의 가장 다른 점은 문제의 해결책을 직접 풀고 구현한다는 것입니다. (극단적으로 표현하자면 '코딩을 할 수 있는가?'입니다.) 컨설팅에서는 고객에게 ‘이렇게 하면 됩니다’라는 길을 찾아내는 데 방점이 있다면, 데이터과학자는 ‘직접 데이터와 현업 시스템을 엮어서 실험 해보겠습니다’라고 말합니다. 그리고 현실을 개선하기 위해 이론과 현실사이의 수없이 많은 간극을 직접 메워야 합니다. 다시한번 강조하지만 ‘직접’입니다. ‘나는 R에서 차트만 그려서 뭔가 하고 싶어’ 라고 한다면 말씀드릴 수 있어요. ‘데이터는 그런식으로 동작하지 않습니다.’

직접 풀어내기 위해서는 두가지 면모가 필요합니다. 각 부서에 흩어진 데이터를 그 IT시스템에 붙어 직접 확보하고, 양이 많다면 이것을 빠르게 처리해낼 수 있는 프로그래머로서의 역량과, 그 데이터에서 최대한 패턴을 찾아내기 위한 (머신러닝을 포함한) 통계적 역량입니다. 이 두 가지를 반복하며, 데이터를 수급하고, 분석하고, 더 필요한 항목들을 찾아 실험하고, 또 얻어냅니다. 이것을 직접 할 수 있어야 일의 속도가 빨라집니다. 사실 데이터사이언티스트의 가치는 기존의 여러부서가 서로 주고 받으며 오랫동안 하던 일을, 한사람 머리안에서 의사소통의 지연없이 초고속으로 해내는데 있다고 볼 수도 있습니다. 이 일은 필연적으로 발견의 실패가 발생하기에, 잦은 시도가 필요하고, 잦은 시도를 짧은 시간 안에 해낼 수 있게 하기 위해서 이런 능력이 한사람, 또는 한 조직 안에 있는 것이 필요해집니다.

프로그래밍 능력과 통계학, 머신러닝에 대한 지식은 숙련되는데 정말 긴 시간이 걸립니다. 때문에 오랜 시간동안 수련할 생각을 하셔야 합니다. 반대로 지금 당장 잘 모른다고 놓지 말고, 장기적인 계획을 세우고 차근차근 진행해 나가시길 바랍니다.

팀플레이로서의 데이터 과학

사실 위의 것은 이상적인 데이터 과학자의 이야기 입니다. 실제 세상에서 모든 면모를 완벽히 갖춘 사람이 되기는 쉽지 않죠. 그래서 실제의 데이터사이언스는 ‘팀'으로 동작합니다. 어떤 이는 교류에 강하고, 어떤 이는 수학에 강하고, 어떤 이는 개발에 강하죠. 하지만 데이터 팀안에서는 서로 빠르게 협업할 수 있어야 하기 때문에 다른 한 분야에 문외한이 되면 안됩니다. 적어도 의사소통에 문제가 없을 정도의 최소의 지식은 쌓아두어야 합니다. 이쪽 분야에서 사용되는 지식의 범위는 다양한데, 몇 가지 나열해보자면 통계학, 머신러닝, 시스템 엔지니어링, 분산처리, 개인정보 보호법 등등 다채롭습니다. 이걸 모두 다 아는 것은 불가능 할지라도, 나는 팀에서 어떤 롤을 지향해 나갈 것이다를 머릿속에 넣고 과정을 밟아나가는 것이 필요합니다.

내가 어떤 과정을 향하고 싶은지 결정하는데는 실제 현업에서 다루는 문제들을 미리 아는 것이 꽤나 유용합니다. 내가 앞으로 팀에서 어떤 역할을 맡게 될지, 그리고 다른 파트의 사람들은 어떤 고민들을 하고 있을지, 그런것 들을 미리 그려보는데 도움이 되었으면 해서 아래를 준비했습니다.

셀프 체크리스트로서 이 문서

이 문서의 아랫부분은 지난 몇년간 저희가 현업에서 일하며 실제로 했었던 고민들과 질문들을 상당 부분 담고 있습니다. 거의 대부분은 실제로 저희가 겪어보았던 문제들입니다. 반대로 어떤 질문들은 현업을 겪어보지 않았다면 왜 필요한지 감흥을 느끼기 어려울 수도 있습니다. (하지만 언젠가 시간이 지나면 느끼게 될 것이라 믿습니다)

가능하면 초급, 중급에 초점을 맞추어 작성 하려고 하였습니다만, 좀 오버스러운 질문도 몇 개 섞여 있긴 합니다. (그런걸 만나면 자신의 지식을 뽐내세요) 일단 생각나는대로 열심히 써내려본 항목들이고, 대부분의 지식이 그렇듯, 가만히 앉은 자리에서 떠올리는 것이 쉽지 않았습니다. 때문에 저도 이 문서를 시간이 갈수록 업데이트할 예정입니다. 굳이 구글 독스로 작성한 것이 그러한 이유입니다. 여러분들이 현업의 고민을 엿보고, 앞으로를 준비하는데 도움이 되셨으면 좋겠습니다.

현재 개별 문제의 난이도는 #의 갯수로 표시했습니다. 삽질이 쌓일수록 숙련자가 되듯, #이 많을 수록 조금 어려운 문제입니다.

이번 지원자들이 해주셨으면 하는 것

아래에 있는 질문들 중에 대답하고 싶은 것을 골라서 20개 이상 대답을 작성해주세요. 기간은 앞으로 일주일. 12월 5일(토) 밤 12시까지 입니다. (살짝 오버해도 됩니다) 회신은 hello@numberworks.io 로 해주세요. 파일을 첨부해서 보내실때는 파일명을 자기 이름으로 해주시면 저희가 작업하는데 좀 더 편합니다. (안해주셔도 괜찮습니다)

대답작성에서 중요한 원칙은 아래와 같습니다.

인터넷에서 찾아볼 수 있습니다. 당연히 모든지식을 이미 다 알고있기 어려울 수 있습니다. 단, 자신의 언어로 풀어서 말해주세요. 친구나 동료에게 설명한다고 생각하시면 편하겠네요. 갯수가 중요한 게 아니라 어떻게 설명하는 사람인지가 궁금합니다.

20개 이상 몇 개이든, 어느 분야이든 상관없습니다. 20개만 넘는다면 너무 많이 안 푸셔도 됩니다. 한 분야만 골라서 파셔도 됩니다. 어떤 편중이 있다면 그것이 자신의 성향이겠죠. 스스로의 강점을 파악하는 기회가 될지도 모릅니다.

문제는 기간중에도 이따금씩 추가될 수 있습니다. 문서 최상단의 마지막 수정일자를 가끔씩 확인해주세요. 풀기쉬운 문제가 새로 생겼을 수도!

꼭 글만이 아니라 그림을 첨부하거나 하셔도 됩니다 (필수가 아닙니다) 대답의 틀에 구애받지 않으셔도 됩니다. 자유로운 포맷과 파일로 주세요. 다만 HWP만 피해주세요 (없어요)

회신시 이전에 이력서를 보낸 적이 없는 분은 1~2장 정도로 간략히 이력서를 작성해 동봉주세요. 자기 소개서 부분은 쓰지 않아도 됩니다. 보내주신 분은 다시 보내주시지 않아도 됩니다.

아래에서 말하는 고객은 외부 클라이언트가 될 수도 있고, 사내 다른 부서일 수도 있고, 넌 무슨 일을 하니 묻는 아빠,엄마일 수도 있습니다. 통칭해서 ‘고객'이라고 하겠습니다.

통계

# p-value를 고객에게는 뭐라고 설명하는게 이해하기 편할까요?

## p-value는 요즘 시대에도 여전히 유효할까요? 언제 p-value가 실제를 호도하는 경향이 있을까요?

## A/B Test 등 현상 분석 및 실험 설계 상 통계적으로 유의미함의 여부를 결정하기 위한 방법에는 어떤 것이 있을까요?

# R square의 의미는 무엇인가요? 고객에게는 어떻게 설명하실 예정인가요?

# 평균(mean)과 중앙값(median)중에 어떤 케이스에서 뭐를 써야할까요?

# 중심극한정리는 왜 유용한걸까요?

# 엔트로피(entropy)에 대해 설명해주세요. 가능하면 Information Gain도요.

### 하지만 또 요즘같은 빅데이터(?)시대에는 정규성 테스트가 의미 없다는 주장이 있습니다. 맞을까요?

## 어떨 때 모수적 방법론을 쓸 수 있고, 어떨 때 비모수적 방법론을 쓸 수 있나요?

# “likelihood”와 “probability”의 차이는 무엇일까요?

# 통계에서 사용되는 bootstrap의 의미는 무엇인가요.

## 모수가 매우 적은 (수십개 이하) 케이스의 경우 어떤 방식으로 예측 모델을 수립할 수 있을까요.

## 베이지안과 프리퀀티스트간의 입장차이를 설명해주실 수 있나요?

머신러닝

# Local Minima와 Global Minima에 대해 설명해주세요.

# 차원의 저주에 대해 설명해주세요

# dimension reduction기법으로 보통 어떤 것들이 있나요?

## PCA는 차원 축소 기법이면서, 데이터 압축 기법이기도 하고, 노이즈 제거기법이기도 합니다. 왜 그런지 설명해주실 수 있나요?

### LSA, LDA, SVD 등의 약자들이 어떤 뜻이고 서로 어떤 관계를 가지는지 설명할 수 있나요?

## Markov Chain을 고등학생에게 설명하려면 어떤 방식이 제일 좋을까요?

## 텍스트 더미에서 주제를 추출해야 합니다. 어떤 방식으로 접근해 나가시겠나요?

## SVM은 왜 반대로 차원을 확장시키는 방식으로 동작할까요? 거기서 어떤 장점이 발생했나요?

### eigenvalue, eigenvector에 대해 설명해주세요. 이건 왜 중요한가요?

## 다른 좋은 머신 러닝 대비, 오래된 기법인 나이브 베이즈(naive bayes)의 장점을 옹호해보세요.

# Association Rule의 Support, Confidence, Lift에 대해 설명해주세요.

### 최적화 기법중 Newton’s Method와 Gradient Descent 방법에 대해 알고 있나요?

## 머신러닝(machine)적 접근방법과 통계(statistics)적 접근방법의 둘간에 차이에 대한 견해가 있나요?

## 인공신경망(deep learning이전의 전통적인)이 가지는 일반적인 문제점은 무엇일까요?

### 지금 나오고 있는 deep learning 계열의 혁신의 근간은 무엇이라고 생각하시나요?

# ROC 커브에 대해 설명해주실 수 있으신가요?

# 여러분이 서버를 100대 가지고 있습니다. 이때 인공신경망보다 Random Forest를 써야 하는 이유는 뭘까요?

## 두 추천엔진간의 성능 비교는 어떤 지표와 방법으로 할 수 있을까요? 검색엔진에서 쓰던 방법을 그대로 쓰면 될까요? 안될까요?

# K-means의 대표적 의미론적 단점은 무엇인가요? (계산량 많다는것 말고)

시각화

## "신규/재방문자별 지역별(혹은 일별) 방문자수와 구매전환율"이나 "고객등급별 최근방문일별 고객수와 평균구매금액"와 같이 4가지 이상의 정보를 시각화하는 가장 좋은 방법을 추천해주세요

## 구매에 영향을 주는 요소의 발견을 위한 관점에서, 개인에 대한 쇼핑몰 웹 활동의 시계열 데이터를 효과적으로 시각화하기 위한 방법은 무엇일까요? 표현되어야 하는 정보(feature)는 어떤 것일까요? 실제시 어떤 것이 가장 고민될까요?

# 파이차트는 왜 구릴까요? 언제 구린가요? 안구릴때는 언제인가요?

# 히스토그램의 가장 큰 문제는 무엇인가요?

# 워드클라우드는 보기엔 예쁘지만 약점이 있습니다. 어떤 약점일까요?

## 어떤 1차원값이, 데이터가 몰려있어서 직선상에 표현했을 때 보기가 쉽지 않습니다. 어떻게 해야할까요?

분석 일반

# 좋은 feature란 무엇인가요. 이 feature의 성능을 판단하기 위한 방법에는 어떤 것이 있나요

# "상관관계는 인과관계를 의미하지 않는다"라는 말이 있습니다. 설명해주실 수 있나요?

# A/B 테스트의 장점과 단점, 그리고 단점의 경우 이를 해결하기 위한 방안에는 어떤 것이 있나요?

## 각 고객의 웹 행동에 대하여 실시간으로 상호작용이 가능하다고 할 때에, 이에 적용 가능한 고객 행동 및 모델에 관한 이론을 알아봅시다.

## 고객이 원하는 예측모형을 두가지 종류로 만들었다. 하나는 예측력이 뛰어나지만 왜 그렇게 예측했는지를 설명하기 어려운 random forest 모형이고, 또다른 하나는 예측력은 다소 떨어지나 명확하게 왜 그런지를 설명할 수 있는 sequential bayesian 모형입니다. 고객에게 어떤 모형을 추천하겠습니까?

## 고객이 내일 어떤 상품을 구매할지 예측하는 모형을 만들어야 한다면 어떤 기법(예: SVM, Random Forest, logistic regression 등)을 사용할 것인지 정하고 이를 통계와 기계학습 지식이 전무한 실무자에게 설명해봅시다.

## 나만의 feature selection 방식을 설명해봅시다.

## 데이터 간의 유사도를 계산할 때, feature의 수가 많다면(예: 100개 이상), 이러한 high-dimensional clustering을 어떻게 풀어야할까요?

시스템 엔지니어링

# 처음 서버를 샀습니다. 어떤 보안적 조치를 먼저 하시겠습니까?

## SSH로의 brute-force attack을 막기 위해서 어떤 조치를 취하고 싶으신가요?

## MySQL이 요새 느리다는 신고가 들어왔습니다. 첫번째로 무엇을 확인하시고 조정하시겠나요?

## 동작하는 MySQL에 Alter table을 하면 안되는 이유를 설명해주세요. 그리고 대안을 설명해주세요.

## 빡세게 동작하고 있는 MySQL을 백업뜨기 위해서는 어떤 방법이 필요할까요?

# 프로세스의 CPU 상태를 보기 위해 top을 했습니다. user,system,iowait중에 뭐를 제일 신경쓰시나요? 이상적인 프로그램이라면 어떻게 저 값들이 나오고 있어야 할까요?

## iowait이 높게 나왔다면, 내가 해야하는 조치는 무엇인가요? (돈으로 해결하는 방법과 소프트웨어로 해결하는 방법을 대답해주세요)

## 동시에 10개의 컴퓨터에 라이브러리를 설치하는 일이 빈번히 발생합니다. 어떤 해결책이 있을까요?

# screen과 tmux중에 뭘 더 좋아하시나요?

# vim입니까. emacs입니까. 소속을 밝히세요.

# 가장 좋아하는 리눅스 배포판은 뭡니까. 왜죠?

## 관리하는 컴퓨터가 10대가 넘었습니다. 중요한 모니터링 지표는 뭐가 있을까요? 뭐로 하실건가요?

## GIT의 소스가 있고, 서비스 사용중인 웹서버가 10대 이상 넘게 있습니다. 어떻게 배포할건가요?

분산처리

# 좋게 만들어진 MapReduce는 어떤 프로그램일까요? 데이터의 Size 변화의 관점에서 설명할 수 있을까요?

### 여러 MR작업의 연쇄로 최종결과물이 나올때, 중간에 작업이 Fail날수 있습니다. 작업의 Fail은 어떻게 모니터링 하시겠습니까? 작업들간의 dependency는 어떻게 해결하시겠습니까?

## 분산환경의 JOIN은, 보통 디스크, CPU, 네트워크 중 어디에서 병목이 발생할까요? 이를 해결하기 위해 무엇을 해야 할까요?

## 암달의 법칙에 대해 말해봅시다. 그러므로 왜 shared-nothing 구조로 만들어야 하는지 설명해봅시다.

### shared-nothing 구조의 단점도 있습니다. 어떤 것이 해당할까요?

## Spark이 Hadoop보다 빠른 이유를 I/O 최적화 관점에서 생각해봅시다.

### 카산드라는 망한것 같습니다. 왜 망한것 같나요? 그래도 활용처가 있다면 어디인것 같나요. (작성자의 취향이 반영되었으므로, 상대적 강점,약점 정도로 표현해주세요 ㅎㅎㅎ)

## TB 단위 이상의 기존 데이터와 시간당 GB단위의 신생 로그가 들어오는 서비스에서 모든 가입자에게 개별적으로 계산된 실시간 서비스(웹)를 제공하기 위한 시스템 구조를 구상해봅시다.

### 대용량 자료를 빠르게 lookup해야 하는 일이 있습니다. (100GB 이상, 100ms언더로 특정자료 찾기). 어떤 백엔드를 사용하시겠나요? 느린 백엔드를 사용한다면 이를 보완할 방법은 뭐가 있을까요?

### 데이터를 여러 머신으로 부터 모으기 위해 여러 선택지가 있을 수 있습니다. (flume, fluentd등) 아예 소스로부터 kafka등의 메시징 시스템을 바로 쓸 수도 있습니다. 어떤 것을 선호하시나요? 왜죠?

웹 아키텍쳐

## 트래픽이 몰리는 상황입니다. AWS의 ELB 세팅을 위해서 웹서버는 어떤 요건을 가져야 쉽게 autoscale가능할까요?

## 왜 Apache보다 Nginx가 성능이 좋을까요? node.js가 성능이 좋은 이유와 곁들여 설명할 수 있을까요?

## node.js는 일반적으로 빠르지만 어떤 경우에는 쓰면 안될까요?

### 하나의 IP에서 여러 도메인의 HTTPS 서버를 운영할 수 있을까요? 안된다면 왜인가요? 또 이걸 해결하는 방법이 있는데 그건 뭘까요?

### 개발이 한창 진행되는 와중에도 서비스는 계속 운영되어야 합니다. 이를 가능하게 하는 상용 deploy 환경은 어떻게 구현가능한가요? WEB/WAS/DB/Cluster 각각의 영역에서 중요한 변화가 수반되는 경우에도 동작 가능한, 가장 Cost가 적은 방식을 구상하고 시나리오를 만들어봅시다.

서비스 구현 (python, javascript, ...)

# 크롤러를 파이썬으로 구현할 때 스크래핑 입장에서 BeautifulSoup과 Selenium의 장단점은 무엇일까요?

## 빈번한 접속으로 우리 IP가 차단되었을 때의 해결책은? (대화로 푼다. 이런거 말구요)

# 당장 10분안에 사이트의 A/B 테스트를 하고 싶다면 어떻게 해야 할까요? 타 서비스를 써도 됩니다.

## 신규 방문자와 재 방문자를 구별하여 A/B 테스트를 하고 싶다면 어떻게 해야 할까요?

## R의 결과물을 python으로 만든 대시보드에 넣고 싶다면 어떤 방법들이 가능할까요?

# 쇼핑몰의 상품별 노출 횟수와 클릭수를 손쉽게 수집하려면 어떻게 해야 할까요?

## 여러 웹사이트를 돌아다니는 사용자를 하나로 엮어서 보고자 합니다. 우리가 각 사이트의 웹에 우리 코드를 삽입할 수 있다고 가정할 때, 이것이 가능한가요? 가능하다면, 그 방법에는 어떤 것이 있을까요?

## 고객사 혹은 외부 서버와의 데이터 전달이 필요한 경우가 있습니다. 데이터 전달 과정에서 보안을 위해 당연히(plain text)로 전송하는 것은 안됩니다. 어떤 방법이 있을까요?

대 고객 사이드

## 고객이 궁금하다고 말하는 요소가 내가 생각하기에는 중요하지 않고 다른 부분이 더 중요해 보입니다. 어떤 식으로 대화를 풀어나가야 할까요?

## 현업 카운터 파트와 자주 만나며 실패한 분석까지 같이 공유하는 경우와, 시간을 두고 멋진 결과만 공유하는 케이스에서 무엇을 선택하시겠습니까?

# 고객이 질문지 리스트를 10개를 주었습니다. 어떤 기준으로 우선순위를 정해야 할까요?

## 오프라인 데이터가 결합이 되어야 해서, 데이터의 피드백 주기가 매우 느리고 정합성도 의심되는 상황입니다. 우리가 할 수 있는 액션이나 방향 수정은 무엇일까요?

## 동시에 여러개의 A/B테스트를 돌리기엔 모수가 부족한 상황입니다. 어떻게 해야할까요?

## 고객사가 과도하게 정보성 대시보드만을 요청할 경우, 어떻게 대처해야 할까요?

## 고객사에게 위클리 리포트를 제공하고 있었는데, 금주에는 별다른 내용이 없었습니다. 어떻게 할까요?

## 카페24, 메이크샵 같은 서비스에서 데이터를 어떻게 가져오면 좋을까요?

### 기존에 같은 목적의 업무를 수행하던 조직이 있습니다. 어떻게 관계 형성을 해 나가야 할까요. 혹은 일이 되게 하기 위해서는 어떤 부분이 해소되어야 할까요.

## 인터뷰나 강의에 활용하기 위한 백데이터는 어느 수준까지 일반화 해서 사용해야 할까요?

## 고객사가 우리와 일하고 싶은데 현재는 capa가 되지 않습니다. 어떻게 대처해야 할까요?

### 고객사들은 기존 추천서비스에 대한 의문이 있습니다. 주로 매출이 실제 오르는가 하는 것인데, 이를 검증하기 위한 방법에는 어떤 것이 있을까요?

### 위 관점에서 우리 서비스의 성능을 고객에게 명확하게 인지시키기 위한 방법을 생각해봅시다.

개인정보에 대한 이해

# 어떤 정보들이 개인정보에 해당할까요? ID는 개인정보에 해당할까요? 이를 어기지 않는 합법적 방법으로 식별하고 싶으면 어떻게 해야할까요?

# 국내 개인 정보 보호 현황에 대한 견해는 어떠한지요? 만약 사업을 진행하는데 장애요소로 작용한다면, 이에 대한 해결 방안은 어떤 것이 있을까요?

## 제3자 쿠키는 왜 문제가 되나요?

2016-04-07 SAD - 연세대학교 정보대학원 수업내용

맹개발 — Sun, 13 May 2018 12:14:00 +0900

2016-04-07 SAD - 연세대학교 정보대학원 수업내용

과제 하는거 보면 Parent key를 child record 에 넣는 경우가 있는데, CSF에서는 foreign key 걱정하지 말라는거에요)

7점 맞은 사람들은 CSF 개념을 다시 보세요.

오라클 디자이너 실습

* 패스워드 변경

[Design Editor] -> cancel -> tools SQL*Plus -> SQL문 (ALTER USER 기존PW identified by 신PW)

* ERD 그리기

New diagram -> Choose Container -> 4개의 모듈이 있음.

실습할 때 Lab04(나), Practice04(지현씨) 를 사용. 더블클릭 하지 말고 OK 누를것.

ER제출에는 Project04 사용.

Entity Name 줄 때, 오라클 Keyword를 쓰면 안된다.

Order가 oracle Keyword임. 그래서 Salesorder, purchaseorder 등으로 명명해야함.

생성한 Entity 더블클릭

Opt -> 체크되어 있으면 값이 없어도 넘어감

Primary와 Opt 동시에 체크하면 지금은 에러 안나는데 나중에 에러남.

Tool의 Brain에 해당하는 것이 Repository

RON 클릭

애트리뷰트에 잘 들어간 것을 확인할 수 있음.

그리고 여기에서 휴지통 잘 비워줘야 함. 문제가 생기곤 함.

* 관계 잘 그려줘야함.

M:1 ( M to O ) : 일대다, 필수에서 선택값으로.

RON에서 Edit -> Requery All 하면 새로고침되어 잘 반영되어 있는지 확인가능

ERD에서

관계선 클릭 -> Edit -> Delete From Repository 하면 관계가 지워짐. 이거 말고 다른걸로 지우면 레파지토리에는 남아있어서 문제가 생김.

관계를 먼저 지워야 Entity가 지워짐.

FHD

오른쪽 사각형이 function 생성하는것임. 클릭 -> 드래그 -> parent에 드롭

Elementary는 Child가 없는 Function 임. 체크를 안하면 설계 단계에서 모듈이 안만들어짐.

프로세스가 데이터를 써. CRUD 넷중에 하나로 써.

Create를 앞에서 체크 했기 때문에 insert가 자동 체크되어 있는걸 확인할 수 있음. 바뀌는건 Update. Create는 Key를 만들어주는거. Update는 non key variable 값을 변경하는 것.

Child가 하나면 안됌. (왜?? 모르겠음…)

붉은 원은 Elementary 가 아니라는 소리.

DEPENDENT는 EMPLOYEE에 속해있기 때문에 반드시 DEPENDENT 생성전에 EMPLOYEE를 읽어야함.

Cascading -> 하나를 지울 때 따라 지워야 함.

Referential Integrity -> 반드시 child 가 parent entity를 refer 한다.

팁을 주면, 시퀀스에서는 순서가 중요함. 자리를 바꾸고 싶다? 클릭해서 드래그로 바깥으로 뺄 수 있음. 옆에 놓고 싶은 Entity 옆으로 드랍하면 아래처럼 순서가 바뀜

CSF -> KPI 도 가능.

완성 -> 보기 좋게 변경 -> Edit -> Setting

Entity를 하나도 안쓰는 프로세스가 없어요.

이걸 CRUD MATRIX라고 해요. 이걸 뽑아봤는데 아무 엘리멘터리를 쓰지 않는 것이 있으면 에러임. C가 한 컬럼에 여러 개임. 무슨 의미임? 사원 레코드를 만드는게 여러 군데에서 이뤄지고 있다는 것임. 인사쪽에서 한 번만 처리하도록 해야함. C가 여러 번 나오는 것도 에러임. 2~3번 정도는 괜찮음. 본사랑 지사가 있다거나 등.

조금 까다로운 DFD임

제일 상위 Function 선택

Edit -> Include -> function

위에 … 표시가 있는건 Elementary가 아니라는 말.

화살표는 단순히 연결하는 것이 아니라 데이터가 어떤게 흘러가는 것인지 정의 하는 것임. 화살표를 더블클릭하면 어떤 데이터가 흘러가는지 지정할 수 있음.

내용을 define 안하면 감점임. Data flow이기 때문에 단순 연결 안됨.

완성

DFD에서 Balance가 굉장히 중요한 Concept임.

아래 2개 합하면 위에꺼.

Balance = DFD에서 들어오는 화살표 나가는 화살표 flow 가 쪼갠 다이어그램에서도 맞아야 함.

Edit -> Include

-> function

-> External

-> data store

-> data flow 여기에서 중요한게, data flow 불러온 것은 참고하고 새로 그려야 함. 불러온 것을 지울때는 delete repository가 아니라 cut으로 날림.

Contents 지정해주면 완성.

완성

2016-04-05 정량적 데이터 분석 - 연세대학교 정보대학원 수업내용

맹개발 — Sat, 12 May 2018 12:12:00 +0900

2016-04-05 정량적 데이터 분석 - 연세대학교 정보대학원 수업내용

Subjective, Objective 데이터를 되도록 포괄하도록 수집하는게 좋아요.

# 리서치 프로포절은 1 Page (미니멈)

MeV가 없으면 SPSS를 이용한 Regression Testing.

3) Rotatm vainax Analyze scale -s Relinity Analysis 2) wiln refalaAXing raerse items 3) Statistics- a) Criteria. calpna) 1) BWar1ate c:metal'om Select an mat neo to De 1Vepetx3eru variable selaucu?tjon Varian E "st 3)statisticy colinearitucu?f diagnostics C ��ffcu�� '/>

가이드 라인은 다 알고 있으리라고 생각하고 수업 진행.

가능하면 Mean하고 S.d(표준편차)를 입력하도록 하는 것이 좋음.

변수는 동그라미, 측정항목은 박스

수집된 데이터가 얼마나 잘 측정하고 있느냐

아이겐벨류 1.0 보다 작은데 왜 변수를 쓰는지를 스크리플롯을 활용해서 설명을 해줘야함.

스크리 플롯에서 각도가 덜 급격한 부분을 찾아낼 수 있음.

EFA 단계에서 채택을 할 수는 없지만 구조방정식에서 아이겐벨류값 등을 활용해서 하나 정도는 쓸 수 있음.

주성분 : principal

고유값 : Eigenvalue

두가지 조건을 동시에 이용해서 여기에 맞지 않는 항목은 드랍해야함.

위의 표를 최종적으로 제시해야함.

항목제거시 크론바 알파 값을 볼 수 있음. 크론바 알파값이 낮을 때 설문 항목 제거를 고려해볼 수 있음.

변수 차원으로 계산하는 것이 필요.

변수간의 Correlation

0.6넘어가면 문제가 있을 수 있음. 변수를 섞거나 빼는 것을 고려해야함.

## HW1 관련 3글자 + 영어로 변수 바꿀 것.

논문에 쓸 때 처럼 표를 정리해서 낼 것.

*에 따른 P-value 결정

VIF 값이 10 이상이거나, condition indices값이 30이상이면 multicollinearity가 있다. (공선성진단) 0.6 이상일시 해

Standardizing IVs

위의 절차대로 분석하고 응답자 분석할 것.

[고정된 요인수]를 설정하면 변수 개수만큼 나오도록 할 수 있고 이 경우 CFA를 한 번 더 거치면 된다.

2016-04-02 Business Models 빅데이터 CASE 요약 - 연세대학교 정보대학원 수업내용

맹개발 — Fri, 11 May 2018 11:55:00 +0900

2016-04-02 Business Models 빅데이터 CASE 요약 - 연세대학교 정보대학원 수업내용

Figure 1: Big Data Business Model Maturity Chart

Big Data Business Model Maturity Chart InFocusInFocus

External 분석 + internal 분석 = SWOT 분석.

평가

전체적인 흐름.

페이스북 전체적인 overview

플로우 차트 -> 비즈니스 캔버스 -> 이슈

SWOT 분석은 한 단계 더 나간 것.

각 이슈별 Recommendation이 나오겠죠.

경쟁사와의 벤치마킹이 좀 약함

어째서 구글의 검색 라이벌을 페이스북이라고 하는가.

나와 유사한 사람들의 엄청난 데이터를 바탕으로 추후에 검색을 해줄 수 있기 때문임.

Snob effect

속물 효과(俗物效果, snob effect)는 특정 제품에 대한 소비가 증가하게 되면 그 제품의 수요가 줄어드는 현상을 말한다. 네트워크 효과(Network effect)의 일환이다. (위키백과)

2가지 옵션이 있을 것 같음. 서브 플랫폼 중 하나를 정하고. 선택 기준에 대해 설명할 수 있을 때.

이슈리스트를 뽑아볼 것.

2015-03-30 Business Models - 연세대학교 정보대학원 수업내용

맹개발 — Thu, 10 May 2018 11:40:00 +0900

2015-03-30 Business Models - 연세대학교 정보대학원 수업내용

모바일 비즈니스 쿠팡 사례 발표

모바일 비즈니스 상의 연구를 한다. 모바일 비즈니스 상에서 유니한 팩터가 뭔가. 웹 기반에 공용되는 feature다. 이러면 공격을 받을 수 있죠.

B2B2C 기업간 크로스 마케팅

Mobile context에서 달라지는게 있을까요. 모바일은 Attention 단계에서 좀 다르게 잡을 수 있을 것임.

비콘서비스

쿠팡(소셜 커머스)은 사업자로 부터 물건을 직접 사서, 고객에게 판다. A/S나 반품을 쿠팡에 문의. 관리비용이 증가. 배송까지 책임짐. 사업자에게 판매하는 제품 광고란이 별도로 없음(전부 자기 제품 판매관련)

오픈 마켓은 판매자와 고객을 연결해줄뿐. A/S나 반품을 판매업자에게 문의. 물류비나 관리비용이 추가적으로 필요가 없음. 제품 광고할 수 있는 곳을 판매업자에게 팜

Customer Relationships

어떻게 하면 신규고객을 창출하고

기존 고객을 어떻게 유지할 것인가를 생각해볼 것. (Customer Retention)

카카오와 쿠팡의 차이. 쿠팡은 필요할 때만 들어옴. 카카오는 시도때도 없이 들어옴.

중국에 비슷한 사례는 알리바바. SNS와 연동되어 있음.

5force 분석 다음에 SWOT 분석을 넣을 것. SWOT을 맨 나중에.

쇼핑몰에서 첫 화면을 로그인하면 개인화 해서 제공하는 것이 빅데이터를 활용한 대표적인 사례임.

소셜네트워크 바탕. 브릿지가 마련된다면 좋겠지. 공유가 가능한 기프트권을 마련한다거나. 발렌타인이나 화이트데이에서 선물할 수 있는 기프티콘 같은거.

Network Effect is important issue for open-market

알라딘 -> 제품 생산을 직접하지 않음.

델 -> 제품 생산을 직접함. Production-Based.

토종꿀. 가격이라는 것. 중요한 부분. 보석들.

소규모 업체들의 매출 늘리는 가장 좋은 방법은 감귤농장 같은 이런 경우는 교회나 이런 큰 단체에 꾸준히 공급을 하는거에요.

싸이월드 사용자를 어떻게 만들 것인가. 오피니언 리더를 뽑아서 무료로 디지털 아이템을 줬음.

빅데이터 비즈니스.

Raw Data를 모아서 판매하는 회사들이 있음. 아주 기본적인 회사.

Raw Data를 만들어서 회사에 도움이 되는 정보를 제공해주는 경우가 있겠죠.

빅데이터를 Main Activity를 하는 곳은 사실 별로 없어요. Support 비즈니스인 경우가 많죠.

굉장히 자주 쓸 수 있음.

2016-03-31 SAD - 연세대학교 정보대학원 수업내용

맹개발 — Wed, 9 May 2018 11:39:00 +0900

2016-03-31 SAD - 연세대학교 정보대학원 수업내용

비즈니스 리소스를 규명하고 그리고 순서대로 따라가야함.

리소스 라이프 사이클을 따라가야함.

function에 대해 질문.

프로세스는 쪼갤 수 있는 Activity임.

프로세스는 딱딱 구분을 지을 수 있음. 인풋이 있고 아웃풋이 있음. 시작하는 시점이 있고 끝나는 시점이 있음.

고객이 주문을 내면 주문 접수가 되고 주문 접수가 완료되면.

주문 들어갈 때, 인풋 정보가 있어요. 짜장면 주문할 때, 내가 어디살고 원하는 메뉴는 무엇인지 등. Output은 Order Accepted or Rejected에 관한거. 프로세스의 내용은 뭐야? 재고가 있는지 없는지. 공급자가 언제까지 줄 수 있는지 등. 고객 신용도 조사 등. 데이터를 써. CRUD 하는거죠. 이런 처리를 거쳐서. (Take order) 그 결과 Order Accepted or Rejected가 나오는거죠.

프로세스하고 데이터가 헷갈리는거에요. 왔다갔다 하는게. 프로세스는 데이터를 쓰는 거임. 프로세스의 결과로 데이터가 나옴. 프로세스가 데이터를 순서대로 써야함. 처음에 고객 먼저 체크를 해.

데이터 모델링은 정적인거에요. 거기에는 순서를 들이대면 안된다.

고객이 오더를 낸다. 그리고 오더 내린 것이 아이템이다. 이런 순서를 데이터 모델링에 넣으면 안된다. 한 순간의 스냅샷을 찍어서 그 순간에 이루어지는 데이터들을 봐야하는 것이죠.

Function과 프로세스, Data. 구분할 것.

이런건 하지마세요. 나가는 것만 있거나 들어오는 것만 있는거는 만들면 안된다.

영어니까. 동사 중에서도 Strong Action Verb를 써야해요. 뒤에 나오는 명사가 Entitiy Type이 될 수도 있고 Attribute가 될 수도 있어요.

새로운 정보를 만들어 내면 프로세스임. 전혀 새로운 정보를 만들지 않는 프로세스도 있어요. 조회. 조회 프로세스도 정보를 만들어내요. 로그. 수표에 이서를 하는 것도 프로세스에요.

Function Decomposition Diagram이라고 했죠.

점점 구체화된 Activity로 나아가는거죠.

No more No less 하위의 프로세스를 합하면 위의 프로세스와 같은 거죠.

세부적으로 내려가면 위와 같은 장표가 수백개가 있죠.

Master Production Schedule

프로세스의 그룹핑을 사람마다 다를 수 있지만, 세부 프로세스가 빠진게 있으면 안된다.

재고관리에 원자재 관리랑 제품재고 관리를 같이 넣는 경우가 있는데 그러면 안되요. 왜냐면 리소스 라이프 사이클이 서로 다르기 때문이죠. 실제로 원자재 창고랑 완성품 창고가 달라요.

ER을 들여다 보면 parent가 없는 경우가 있어요. Sale Order는 parent가 있어요. FDD에서 오른쪽으로 넘어가기 전에 꼭 필요한 정보는 왼쪽에서 만들어 줘야 하는 것이죠.

프린트샵을 생각해보죠. 프린트샵이 주문생산이죠?

Element 간의 순서. 이런게 빠져있음. 프로세스들 사이의 관계.

Process Dependency Diagram 은 쉬움. 학교에서는 어려운거 배워야지.

DFD를 그리는 방법을 배우는 거죠.

위의 그리믄 고객이 수금처리하는 다이어그램이에요.

ERwin와 파트너는 BPwin. BPwin으로 이거 그리는거죠. 패키지마다 표현 방식은 조금씩 달라요. I-CASE는 아님. Upper-CASE임.

사각형	외부객체. 시스템의 외부.

시스템 외부 객체끼리 주고 받는 것은 모델링 하는 것이 아님. Destination. 목적지. 프로세스안에는 데이터를 저장하는 공간이 없음. 끝날 때만. 프로세스는 Run이 끝나면 날아가는 거.

프로젝트하고 그림을 그려보면 화살표는 Data flow임. 툴 안에서 flow를 클릭하면 그 안에 필요한 데이터를 반드시 지정을 해야함. 프로세스 모델링을 어떻게 해야 하는가. 분석하고 설계할 때, 이게 반드시 아웃풋으로 나와야 실제 코딩으로 진행했었음.

2016-03-29 정량적데이터 분석 - 연세대학교 정보대학원 수업내용

맹개발 — Wed, 9 May 2018 11:30:00 +0900

2016-03-29 정량적데이터 분석 - 연세대학교 정보대학원 수업내용

멀티 티멘셔널 컨스트럭트도 사용하는 경우가 많음.

User Empowerment

키워드를 이용해서 measurement 아이템들을 선정하게 되는 것이죠.

쉽게 말하면 이거에요. 새로운 변수를 만들었어요. 기존 변수랑 다른 거겠죠. definition을 정의 해요. 그리고 거기에서 키워드를 뽑아내는 것이죠. 거기에 첫번째로는 expert 인터뷰를 해요. 거기에 동의하는 부분 그렇지 않은 부분 이런 것을 하면 어느정도 필터링이 이루어지겠죠.

그 다음에는 아이템 소팅이에요. 아이템들을 나누어주고. 변수명과 definition을 주고 하나씩 매핑해보라. 이름만 써줘요. 5명의 judge가 있다. 그러면 얼마나 잘 평가했는지 체크를 함. 뭔가 하나의 아이템에 대해 좀 다르다 싶으면 해당 변수를 수정 보완할 수 있겠죠.

상대방이 충분하게 이해될 수 있도록. A응답자와 B응답자가 각각 똑같이 해석할 수 있는 서베이 항목.

3단계. 일반적인 준비단계임. 변수에 대한 definition 준비. 포텐셜 아이템 (센텐스) 기본적으로 각 변수별로 미니멈 4개의 센텐스가 있어야겠죠. 첫번째 단계는 전문가 인터뷰. 과연 이 변수에 대한 이 아이템이 적정한가에 대한 전문가 인터뷰가 이루어짐. 수정된 걸 가지고 아이템 솔팅 단계를 갈 수 있어요. 대학원생으로 내려가는 것이죠. 칠판 같은 것을 이용해도 되고요. 단어장을 이용해요. 측정 항목이 제대로 동의를 받지 못할 수도 있겠죠. 빼버리던지 수정하던지 해야겠죠. 준비가 되면, 세번째 단계는 실제 응답자들. 사용할 사람들. 페이스북 실제 사용자들. O2O 실제 사용자들. 5~6명 정도 샘플링 합니다. 완전한 질문지를 주고 컨텍스트에 어색한 점이 없는지 물어봅니다. 수정의 기회를 한 번더 가질 수 있음. 이 3가지 단계를 거치면 더 좋은 측정항목이 나오겠죠.

측정항목을 어디서 가져오는지.

기술적 지원이면 이 변수를 쓰고 싶어요. 그러면. 기존의 정의와 본인이 개정한(propose한) 정의를 가지고 아래처럼 표를 만들어서 전문가에게 검증 받으세요. 그렇지 않으면 해당 변수에 대해서는 검증을 받지 않겠다는 의미가 되기 때문에.

이걸 가지고 전문가 인터뷰를 할 수 있어요. 박사과정 정도라도. 레퍼런스를 어디에서 가져왔는지가 굉장히 중요한 이슈가 될 수도 있어요. 왜냐하면 4가지 아이템 중에서 어떤 아이템을 빼야하는 이슈가 생길 수 있는데, 그 기준이 해당 레퍼런스가 될 수 있어요. 한글 번역이 나와야 함. 전문가 인터뷰시, 이것이 정말 한글로 제대로 번역이 되었는지 피드백을 받을 수 있음.

예를 들면 user satisfaction을 measure 한다면, 질문항목을 단어장에 하나씩 씁니다. 그러면 질문 항목이 50개정도 된다면 50장의 단어장이 필요하겠죠. 그 다음에 judge를 invite하고 (미니멈 3명) 각 변수에 대한 변수명과 정의를 알려줘요. 그리고. 단어장/포스트잇을 이용해서 하나씩 붙여라 이런식으로도 할 수 있겠죠.

아이템 소팅은 Labeled와 Unlabeled 두 가지가 있어요. 언레이블드는 단순히 설문 문항만 주고 그룹화 해봐라 하는거에요. 언레이블드는 그룹핑만 하는 것임. 그래서 어렵고. 일반적으로는 Labeled만 해도 괜찮은 경우가 많아요.

해당 결과를 표로 나타내면 아래와 같음

여기에서 Agreement(Hit Rate)가 중요함 미니멈 70% 가능하면 80% 이상 높이는 것이 좋음.

Structured가 98% 이상으로 나온 것으로 labeled가 더 높은 hit rate을 나타냄.

예시.

Common method bias 질문의 응답자가 매번 같은 방식의 측정 방식을 사용하면 응답이 지루해지기 때문에 불성실한 응답을 할 수 있기 때문에 중간에 측정 방식을 바꾸는 것이 좋음. Reverse를 사용하는 것도 좋은 방법.

기본적으로 하나의 변수당 미니멈 4개의 질문. 모델이 조금만 복잡해지면 설문 문항이 많아지죠. 항상 응답자 입장에서. 10분? 아니죠. 10분까지는 못함. 내가 과연 몇 분이나 견딜 수 있나. 3~5분. 시간이 많이 걸리고 데이터를 많이 모을수도 있죠. 그러나 그러면 데이터 Quality가 떨어져요. 하나의 응답에 보통 5~10초. 딱 좋은 숫자는 60개. 그나마 응답자가 정신을 집중해서 할 수 있는. 변수에 15개를 전부 쓸 수가 없음. 인구통계학적 특성에 대한 정보를 받는다고 생각하면 10개정도.

아이템 소팅을 정말 strict 하게 제대로 했으면 설문항목의 순서를 막 섞어도 괜찮을 수 있어요. 하지만 현실적으로는 그렇지 않죠. 사람들이 사실 응답자들이 헷갈려요. 이게 무슨 의미인지. Highly collerated 된 것이죠. 아이템 소팅에서 보이는 것이죠. 아이템 소팅이 깨끗하지 못한데 해야겠다. 그러면 변수끼리 묶습니다. 변수명은 보여주지말고 그룹핑을 해서 보여주는 것이죠. 아이템 소팅에서 highly collerated된 것은 질문지에서 멀리 떨어뜨려요. 그래서 사람들이 그 사이에 잊어먹어요. ㅋㅋㅋㅋ 그래서 좀 달라질 수 있어요. Definition을 보았을 때, 분명히 연관관계가 높을 것 같다고 느껴지는 것이 있으면 멀리 떨어뜨려놓아야 해요. 가능한 멀리. 첫 페이지나 끝 페이지.

가능한 Top-Level 질문에서 Specific한 질문으로 내려가는 것이 좋고. 개인정보는 맨 나중에. 사람들이 각 그룹의 첫 번째 질문을 대표성 있는 질문이라고 생각함. 각 그룹(4개)에서도 맨 첫번째 변수를 제일 대표성 있는 질문으로 놓아야 함.

쓰레기 데이터를 모으면 논문의 퀄리티가 안좋을 수 밖에 없음. 질문 시간을 짧게, 질문 숫자를 적게 해야하는데, item sorting을 잘하면 이게 가능함.

하나 더 중요한 것. 인센티브.

3가지 : 질문수, 응답수, 인센티브.

인센티브 팁.

5천원. 오프라인.

회사데이터? 입장을 생각해 보아야 함. 만원.

로또. 천원임. ㅋㅋ 연구비 처리가 힘듬 ㅋㅋ

미니멈 200명.

타겟 샘플링 어떻게?? 사용의도. Initial intension이 있을 수 있겠고, Re-use intension이 있을 수 있겠죠. 이걸 명확하게 해야함. potential이랑 재구매는 다름. 이 서비스를 한 번도 써보지 않은 사람들이랑 이 서비스를 이미 사용한 사람에 대한 이슈는 전혀 다른 것이 될 수 있어요. Re-use나 repeat use에 대해서는 만족도가 적용이 되는 것인데, 한 번도 사용해보지 않은 사람들에 대해서는 그게 이어지지 못하는 것이죠. 때문에 타겟 papulation을 잘 지정해야해요.

대표성이 있느냐.

알라딘, 실제 알라딘 고객인가. 알라딘 결과가 다른 온라인 서점에 적용될 수 있는지 Generalization. 다른 온라인 서점의 고객들과 얼마나 유사성이 있는가. 1) 수집된 1,000명의 고객과 기존의 알라딘 고객군들에 대한 비교 2) 전체 온라인 쇼핑몰을 대표하는 고객 특성에 대한 데이터와의 비교. Extream하게 다르지 않다. 이런걸 보여야함.

Convenience Sampling. 우선 데이터를 구하는게 어렵다면, 편의 샘플링을 하기도함.

리샘플링. 일단 많이 모아두고, 일반적인 고객 특성에 맞도록 샘플링을 다시 하는 것. SPSS에 있음.

Sample Size 적어도 100. 중간에 mediator가 있다. PLS나 Lisrel이라고 하면 200개 필요. 리서치 주제에 따라 다름. Unit of Analysis에 따라서도 다름. 조직은 200 어려움.

moderator가 있는 경우가 있음. 그럼 200x2~3개 정도 샘플을 확보해야함. Survey로는 사실 잘 안잡혀요. 1. 샘플 사이즈를 크게 하는 거에요. 그러면 잡힐 가능성이 높아짐. 2. 스케일을 세부적으로 쪼개는거에요. 더 구간을 늘리면 잡힐 가능성이 높아져요. (7점 척도를 9점이나 11점으로)

Statistical Power 체크해야함.

Stage 1 ~ 2. 사이에 재응답 비율. 실제 사이트에 배너를 거는거. 1 Pages Proposal 직접 보내야 하는거. 김희웅 교수님은 마케팅 팀에 직접 콜드콜 했음 ㄷㄷ

마지막 3일에 응답한 사람들의 특징이 Non-response Bias라고 가정하고 가는 것이 일반적. 그럼 문제가 있다고 확인할 수 있음.

40 Frontline em 10 Middle m Malta er Frequency 130 71 63 117 21 106 84 11 201 Percentage 647 '/>

변수는 3글자. 모음말고 자음씀. 본인이 이해할 수 있는거.

Sample이 작을 경우는 Power Test를 진행.

여러가지 체크해야할 것들이 있는데, Mediator를 체크해야해요. Independent variable 을 dependent variable

Med가 없으면 SPSS로 감.

Med 있으면 Smart-PLS, LISREL로 감. moderator는 상관없음.

테스트 하는 순서. 6개의 순서.

응답자의 평균 연령이나 이런걸 측정하려면 나이를 구간이 아니라 직접 입력 받는 방식으로 하는 게 좋음. 항상 좋은 것은 숫자를 이용하는 것이 좋음.

일반적으로 구체적인 것이 더 추천되는 방식이지만 구체적으로 나눠놨더니 편향된 표본이 드러나는 경우 포괄적인 방식으로 응답자를 나타낼 수 있음.

2015-03-24 Business Models - 연세대학교 정보대학원 수업내용

맹개발 — Tue, 8 May 2018 11:14:00 +0900

2015-03-24 Business Models - 연세대학교 정보대학원 수업내용

MAP-STEP Framework

린스타트업: 비즈니스 모델이 완벽하지 않더라도 그것을 수정해서 적용해나가는 방식

스냅챗 - 벤치마킹 중요.

플로우 차트 -> 비즈니스 모델 캔버스 -> 비즈니스 모델 캔버스도 스토리가 있음. 타겟 커스터머 부터 시작 밸류 프로포지션

타겟은 어떤 고객이고 이 고객에게 줄 수 있는 밸류를 언급한 뒤, 이 밸류를 위해 고객과 무슨 채널을 통해 어떤 관계를 만들고 유지시켜 갈 것인지. 이를 위한 키 엑티비티가 무엇이고 이를 위한 리소스가 무엇무엇이 필요한데 리소스 확보를 위한 파트너는 누구누구이기 때문에 비용구조는 이렇고 수익은 이렇게 창출할 것이다.

전체 한 눈에 크게 보이도록.

수익모델: Replay, 필터, 송금.

전체의 Revenue 모델의 어떤 것을 선정할 것인지가 중요. 전부다 할 것인지. Case Study 하는 이유가 분석하고 생각할 수 있는 연습을 하는 기회임. 발표하는 것을 연습하는 것도 중요.

항상 Top-Down이 좋음. Flow Chart 먼저 보여주고, 그 다음에 비즈니스 모델 캔버스가 필요.

앞뒤양면 4ups 인쇄

평가기준

Domain overview (10)

Business overview (5)

Biz model analysis & evaluation (5)

Recommendation (5)

Recommedation하면 비즈니스 플로우 차트랑 비즈니스 모델 캔버스도 바뀔 것임.

벤치마킹을 통해 비즈니스 모델 추천을 해줄 수도 있을 것임.

두 개의 접근 방식이 완전히 달라요. 가격을 먼저 정해놓고 가는 것과 이윤을 먼저 정해놓고 가는 방식.

P:가격 V: 유닛당 비용 Q: 수량 F: R&D 비용지출.

처음에는 수익이 없다 하더라도 몸집을 일단 키우려는 전략. 고객당 1원의 수익을 창출해도 1억명이 이용한다면?

Freemium vs Premium

기업과 비즈니스 파트너들에게도 비즈니스 밸류를 제공해줘야겠죠. Value라는 것이.

바깥에서 아이디어를 받음.

델 컴퓨터: 아이디어 스톰.

쓰레드니스: 티셔츠 디자인.

오프라인 비즈니스에서는 고가정책. Information Asymmetry를 이용했죠. 온라인 비즈니스에서는 그러기 어려움. SNS를 통한 WOM효과 때문에.

Team-up예시 : 삼성은 애플에게 반도체를 제공하기도 하면서 구글과 손잡고 스마트폰을 직접 제조/판매 하기도 함.

둘 다 공항에 가면 있긴함. 같은 렌트카 서비스지만 타겟 커스터머가 다름. Enterprise는 차량이 고장났을 때 대신 사용할 수 있는 렌트카 서비스. 트럭 같은거 빌릴 수 있는 현실적인 서비스. Hertz는 여행객이기 때문에 고가의 고급차를 빌리는 경향이 있음.

인도에서는 이 모델이 중산층 정도.

상품의 서비스화 : 정수기. 자동차 리스. 결국은 이자 장사. 프린터, 타이어(운송업체, 택시 등)

비즈니스 모델 분류.

Platform Biz

- Multi-Sided Market

fax머신이 세상에 1대만 있다. 그러면 가치가 없는 것임. fax머신이 1,000대가 있다. 이러면 큰 가치를 가짐. 사이즈가 늘어나면 늘어날 수록 영향력이 커지면 Direct network effect.

DVD Player와 DVD의 관계 DVD 플레이어는 1대여도 재생할 수 있는 DVD롬이 많으면 DVD Player의 가치가 상승. 이것이 Indirect Network Effect 일반적인 플랫폼 비즈니스.

Commission : G마켓, 에어비앤비.

플랫폼 비즈니스 이슈가 나오면 양면시장 이야기가 나올 수 밖에 없음.

온라인 오픈 마켓 -> 저렴한게 중요

요기요 -> 편리성이 중요

Critical Success Factor : Network Effect

2016-03-17 SAD - 연세대학교 정보대학원 수업내용

맹개발 — Mon, 7 May 2018 19:40:00 +0900

2016-03-17 SAD - 연세대학교 정보대학원 수업내용

왜 대형 IS 프로젝트는 실패할까?

요구사항 명세서를 작성해서 계약함.

사용자의 정보 요구가 달라진다는게 큰일이에요. 뭔가 바뀌는 게 있는데, 잘 안바뀌는거 위에 바뀌는게 올라가는건데. 5~6가지 시스템 구성 요소에서 가장 중요한게 Data랑 SW가 가장 중요하다고 하죠. SW랑 Data가 중요하지. 데이터가 안정적인데, 데이터에서 안정적인게 무엇일까. Logical Representation of data가 안정적인거에요. 그 조직에서 중요시 여기는 엔티티의 종류는 잘 안바뀐다.

Entity Type과 Entity Occurrence은 다르다. Entity Occurrence은 각 프로덕트의 라인.

데이터 모델과 프로세스 모델을 헷갈린다. 데이터 모델은 흐름이 없음. 데이터 모델은 특정 상황을 스냅샷을 찍은 것임.

또 다른 채널이 나타나도 그대로에요. 데이터 종류. 데이터 간의 관계를 나타내 주는 것이 데이터 모델이다. 즉, 어떤 종류의 데이터, 그들간의 관계를 나타낸 것이 데이터 모델임.

원재료가 ER임. 추가 요구조건을 바꾸는건 별거 아님.

물리적인 DB랑 개념적인 DB는 다른거에요. 개념적인 DB는 하나에요. 애플리케이션끼리 공유를 하는데요. Cash flow 계획을 세워야 하는데요. 안정적으로 공유하면서 사용할 수 있음. 왜 이런식으로 설계를 하면, DB가 안정적이라서. 저거 말고 뭐가 있을까. 회사와 관련된 데이터가 각 애플리케이션 마다 따로 저장되어 있었음. 예전에는 중앙 DB에서 관리할 수 있는 기술이 없었어요.

서로 사용하는 용어가 다름.

Bloc Time 비행시간.

# 비행기 그림

개발자와 관련된 문제가 뭘까요. 문제점과 해결방안. 사용자 관련 문제점과 해결방안을 써라 하면 잘 못쓰는 경우가 많음. 시험에 잘 나와요.

회계 시스템 만드는데, 공대 전공 출신에게 시스템 구축을 맡김. 공대생이 회계 거래의 8요소 물어보면 알 수 있나? 그러면 SI 회사 입장에서는 어떻게 해야하나. 방법론이에요.

방법론이 뭐냐면 시스템 development life cycle을 구체화 하는거에요.

# 소프트웨어 개발 사이클 그림

엔티티란? 크게보면 회사에서 중요한 리소스가 무엇이냐.

(내가 웹에서 찾아본거: 엔터티에 대해서 데이터 모델과 데이터베이스에 권위자가 정의한 사항은 다음과 같다.)

변별할 수 있는 사물 - Peter Chen (1976)

데이터베이스 내에서 변별 가능한 객체 - C.J Date (1986)

정보를 저장할 수 있는 어떤 것 - James Martin (1989)

정보가 저장될 수 있는 사람, 장소, 물건, 사건 그리고 개념 등 - Thomas Bruce (1992)

다대다 관계는 DB상에서 구현이 불가능 하기 때문에 중간에 변환해야 함.

검증은 사용자가 하고 쓰는건 프로그래머들이 씀.

위의 4단계 시험에 나옴. 안나올 수도 있고. ㅎㅎ

물리적으로 SDLC를 구현해 놓은게 방법론. 일관된 프로젝트의 퀄리티를 보장할 수 있는게 방법론.

하나는 Data의 관점 하나는 process(activity) 관점.

건물 설계하고 짓는거랑 똑같다고 했잖아요.

나중에 가면 심각해져요.

# 과제: 교재

저자들의 방법론을 정리해볼 것. 테이블을 만들 것.

#과제

DA가 여러명인 경우에 2번 같은 문제가 발생할 수 있음. 여러 사람들이 하다가 보면 Coordination이 잘 안될 수 있음. 개발자들은 Documentation을 싫어해요. 왜냐면 Documentation은 설거지 같은 것. 프로그래밍은 요리와 같은 것. 나름대로 재밌음. 그런데 문서작업은 그런게 아님. 5) 리소스는 항상 부족해.

Maintenance를 Analysis 단계에서 하는 것임. 프로그램은 지가 짬. ER에서. 코드 자체를 바꾸려고 하면 이해를 해야함. 그러면 시간이 걸리는 것임. 진흙탕에 안빠지고 앞단에서 만드는 것.

CASE랑 방법론은 상호 보완적인 관계임. CASE가 methodology가 아니고, 대안도 아님. 서포트해주는 하나의 기술일 뿐.

Repository가 무엇인가. 제일 중요한 거에요.

시스템에 대한 모든 knowledge가 한 곳에 모여 있는거야.

Source & Object Code 는 조금 달라요. 이건 다음에 설명해줄게요.

# 딕셔너리

데이터 딕셔너리의 단위는 어트리뷰트 Attribute (field): 이름, 학번 -> 모이면 Record (Entity Occurrence): 이순규 -> Entity Type: 학생

Oracle Desinger 9i

프로그램 구조는 Repository에 들어있음. 실제 코딩한 건 Program Library에 있음. 이건 외워야 함.

Lack of IS development Resource 같은 경우는 자동으로 코드를 짜주는 툴이 있음.

분석 설계할 때 가장 많은 비용이 들어감. 왜냐면 구현에는 다양한 툴이 있어서 비용의 절감이 가능함. 100% 짜주는 것은 아니지만 많은 도움을 줌.

SQL 고치는 것과 ER 고치는 것의 차이.

I-CASE는 개발 전반적인 부분을 설계할 수 있는 통합툴을 의미함. ERwin은 DB만 부분적으로 설계할 수 있기에 I-CASE 툴은 아님.

선후관계를 나타내는 것이 PERT

MS Project로 그린 차트.

교재 p105 14번 문제. Activity J, H, I, B에서 B가 빠져있음. 이걸 추가

2016-03-15 정량적 데이터 분석 - 연세대학교 정보대학원 수업내용

맹개발 — Sun, 6 May 2018 19:38:00 +0900

2016-03-15 정량적 데이터 분석 - 연세대학교 정보대학원 수업내용

정말 중요한 것 인가. new와 interesting 사이에서 고민. Interesting 부터 시작할 것.

방법론 이슈는 가장 중요한 이슈중 하나.

항상 시작은 phenomenon에서 시작임. 참고 문헌이 아니라. 사회 현상이나 비즈니스 인사이트를 지니는 현상 부터 시작해야함. 그렇지 않으면 연구를 위한 연구를 하게 된다. 연구를 위한 연구를 하게되면 여러가지 문제를 가질 수 있음. 리뷰를 통과하기도 어렵고. New 한 걸 만든다고 하더라도 interesting하지 않을 수 있음. '사회 현상'을 뒤져야 함. 신문, 아티클을 많이 보세요. 컨퍼런스나 저널 같은 곳의 Call for paper를 보면 여기에 도움이 될 것임. 여기에 대해 initial literature review를 함. 기존에 비슷한 연구가 있는지. 있으면 어떻게 할 것인지 이런 것들을 고민해볼 것.

Theory 라고 하는 것은 창문임. 그 하나로 모든 것을 볼 수는 없을 것임. 하나의 스터디로 모든 것을 커버할 수는 없을 것임. 그래서 하나의 관점이 필요한 것이고 이것이 theory. 하나의 연구에 대해서 어떤 관점으로 바라보느냐. 그것이 theory의 역할임. 온라인 behavior를 측정하는 theory도 많은데, 이 중에 어떤 것을 선택하느냐도 중요한 부분임.

Research Model을 만들기 전에 Theoretical Framework를 만들 것.

Research Topic을 선택을 할 때, 어떠한 토픽을 선택할 것인가.

이 과목에 최종 Output은 Term output을 내는 것. 이번학기를 통해서 학위논문을 만드는 것이 가장 좋을 것.

Topic을 빨리 골라야함. 저널의 special issue 쪽 찾아볼 것.

논문 자체를 이런 structure로 가져간다고 하면 논문 구성에 있어서는 반 이상 먹고 갈 수 있을것.

----

요즘에 세컨더리 데이터 관련된 분석이 늘어나는 추세임.

이 과목은 주로 behavioral Research 가 주된 목적. Relevance에 관련된 3가지 포인트가 있죠.

기존 연구가 없는 이유는 뭘까요? 두 가지가 있어요. 1. 토픽 자체가 의미가 없어서 연구가 안될 수 있고, 2. 상당히 중요함에도 불구하고 아직 연구가 이루어지지 않을 수 있다. 만일 1이 아니라 2라면 Relevance에 대한 서술이 먼저 이루어져야 한다. 기존 문헌 연구가 없을 때, 졸업논문으로 쓰면 안된다. 이 토픽이 과연 어떤 연구하고 연관지을 수 있는가. 어떤 Theory와 연결 시킬 수 있는 부분에 대해 고민해 보아야 함. 좀 더 Refine 하는 작업이 필요할 수도 있겠다. 이것이 결국 new에 대한 이야기를 할 수 있어야 해요. Contribution에 대해 화두를 던질 필요가 있다. 차별화 된 부분을 쉽게 알 수 있겠죠. 실제로 주어진 기간안에 해결할 수 있는 논문인가에 대해 생각해볼 필요가 있어요. 항상 시작 포인트는 비즈니스 측면에서 재밌는 부분인가에 대해 생각해보아야 해요.

실제로 It에서 인정받고 있는 부분의 저널을 나열해봤어요. 여기에서 topic에 대한 인사이트를 찾을 수 있겠죠.

Key symptoms을 찾아보아야 해요.

ERP 시스템이 상당히 중요한데, 인더스트리 리포트를 보니까, ERP 시스템의 구현과정의 실패를 찾아보니까. 6~80%가 원래 의도한 것을 만족시키지 못한다고 함. 그렇다면 Management 입장에서는 안좋은 것이죠. 프로젝트 실패의 가장 큰 원인중에 하나가 '사용자 저항' 이더라. User 저항. 위의 슬라이드에서 1~3 단계가 굉장히 중요한 이슈에요.

예를 들어, 빅데이터가 요즘 이슈인데, 사실 투자대비 효과를 못 뽑고 있다. 그런 상황에서 key problem은 시스템은 잘 있는데, 잘 못쓰고 있다는 것이 key 문제임. 그럼 IS-infusion (full-utilazation)을 위한 동기는 무엇인가. 항상 흐름이 이렇게 1~3단계가 유기적으로 잘 돌아가야 해요.

인트로덕션을 잘못쓰면 심사위원들에게 가장 bias를 많이 주는 것임. 그래서 잘써야함.

Setting the hook이 정말 중요함.

이 후에 스토리 라인이 정말 중요한 것임. 아무리 강조해도 모자라지 않을 정도로 introduction이 정말 중요합니다.

----

정리할 포맷이 무엇인가. 여기에 따라 테이블 포멧이 달라져야 해요.

이런 유형의 선행연구 정리 방법이 있죠. 다른 방법으로 어떻게 정리할 수 있을지도 고려해 보아야함.

IS-infuion에 관한 연구. 예시.

각 기준들을 잘 정리하고 연관성있는 구조를 찾아본 결과. 기존 연구의 체계를 통해 선행연구를 정리하면 새로운 장점을 얻을 수 있음. 아래와 같이. 매핑하면 두 가지를 얻을 수 있음. Status Quo Bias Theory의 타당성이 어느정도 설명이 된다. 기존연구를 보면 내가 택한 이론에 다 들어가므로 타당성을 지닌다. 두번째로는 기존 연구에서는 모든 3가지 도메인을 한꺼번에 연구한 경우는 없다. 때문에 우리 연구가 더 중요하다라고 말할 수 있음. 이렇게 되려면 Background Theory랑 Literature Review가 조합되어야 함.

결국 Literature Review를 통해 테이블을 만들고, 이 2개를 이야기 해야합니다.

기존 연구의 missing point, 이 연구의 목적과 연결되도록. 여기에서 나온 테이블을 통해 우리가 적용한 Theory의 타당성을 설명할 수 있다면 금상첨화.

절대불편의 진리. 협의의 Theory.

광의의 Theory. 누구든지 만들 수 있으면서 어떤 현상을 설명할 수 있는. 원인과 결과를 설명할 수 있는. 추가적으로 리서치가 이루어진. Statement.

우리는. 기존 연구에서 검증된 theory.

어떤 변수들 간의 관계를 define한. 원인과 결과에 대한 Statement의 집합체. 현상을 설명하는 것이 Theory.

Variance Theory : 요인을 찾아내는 건 정량적 연구

Process Theory : 순서를 밝히는 건 대부분 정성적 연구

리서치 모델을 가져오면, 이게 원인과 결과에 따른 모델인가 프로세스 모델인가를 혼돈하는 경우가 있음. Time Sequence가 아님. 리서치 모델은 여러분들에게 있어 광의의 theory가 됩니다.

What은 변수

how는 화살표. 원인과 결과를 말함.

Why왜.

초반에 변수를 찾아내는거. 선행연구에서 찾아냈다? 절대 그러면 안된다. 선행연구 150개 봤다? 그러면 1000개 보면 변수가 달라지는 건가? 여기에 답할 수 없음. Theory에서 찾아냈다고 해야함. 하나의 Theory가 Boundary Condition이 되는 것임. 때문에 왜 여러가지 이론중에 이걸 쓴지가 정말 중요한 포인트가 된다. 그래서 Theoretical Foundation이라고 하는거에요.

하나의 연구에는 하나의 뷰 포인트를 담아야 함. 그래서 background Theory가 필요함. 아주 안좋은 리서치의 전형적인 예시임. 리서치 모델은 As simple as possible 해야함.

이론에서 찾아낸 변수들이 무엇인지를 Psychological commitment에서 설명.

기존의 연구들에 대한 걸 종합해서 Technology Acceptance literature에서 설명.

그리고 new point를 switching costs를 통해 설명.

Self-Presentation Desire 때문에 물품을 구매하는 이유? 명품구매 같은거.

---

논문의 포지셔닝. 해당 모델이 모바일 쇼핑에 적용이 되고 오프라인 쇼핑에도 적용이 되는 모델이면, Context Unique를 어떻게 잡는 것이 중요함. 인트로덕션을 다르게 써야 한다는 의미. 하지만, 현실적으로는 모든 영역에 적용될 수 있는 모델이 아니라 특정 도메인에서 적용될 수 있는 모델에 대해 적용할 수 있는 걸 해야함.

가설의 설명 3가지 방법. 1. 기존 연구에서 이렇게 했기 때문에 우리는 이렇게 한다. (가장 안좋음) 2. 이론적 설명이 되어야 함. Theoretical implication 측면. 3. 본인 생각. Conceptual argument

Customer Value 이론 2가지. Value의 타입을 고려할 수 있는거랑.

Overall Value에 관한거랑. 전혀 다른 approach.

2016-03-10 Business Models - 연세대학교 정보대학원 수업내용

맹개발 — Sat, 5 May 2018 19:37:00 +0900

2016-03-10 Business Models - 연세대학교 정보대학원 수업내용

Case study. 첫번째까지 2주 남음.

총 9개의 팀 구성이 이루어져야 함. 일부는 혼자 발표하거나 2번 발표하거나 해야함. 비즈니스 케이스를 하나 골라서 해야함.

린 스타트업이라는 개념은 상당히 시간과 금액이 많이든다. 비즈니스 모델을 만드는데. 충분하게 만드는데 시간이 걸리는데, 일단 시장에 던져보고 이걸 바탕으로 피드백을 받아서 고객으로부터 수정을 해나가는 것이 린스타트업의 핵심임. 짧게 짧게 빨리빨리.

프로토타입을 한 번 만들어보라. Term Project를 할 때, 그런식으로 진행될 것이다. 이런식으로 만들어 보면 보다 현실적이 될 것임.

Every product have their lifecycle.

TV나 자동차는 Time이 길게감.

스마트폰이 차별화가 안되기 시작했음.

Differentiation - high price doesn't matter. 어떻게 하면 high 퀄리티 서비스를 제공할 것인가가 중요함.

예전에는(Unfilled need) 상품만 가지고도 괜찮았었는데, 이제는 이미 니즈가 다 충족된 상황에서 그 이상이 필요해지기 시작함. 김밥천국 -> 불쑈 있는 음식점.

Product innovation approach 보다 Business model approach 가 더 나은 성과를 가지고 온다.

Target Customer: 일반 대학생들과 청담에 있는 레스토랑에 갈 커플이나 사람들의 가치는 다름. 고객에 따라 비즈니스 모델이 맞물려 가는 것임.

Functional Value : 기능적인 가치.

Monetary Value : 금전적인 가치. ( e.g. lower price)

Social Value: Social Image.

* 플랫폼 비즈니스. 다양한 비즈니스 주체들이 콜라보레이션하면서 비즈니스 가치를 창출하는 것. Value Network을 형성하는 것.

위에 있는 비즈니스 모델 중에서 6가지 컴포넌트를 선택할 수 있음.

나이키의 가치? 브랜드 밸류.

가장 중요한 거. Revenue, 타겟 커스터머, 커스터머 밸류.

How to Start an Internet Business - Video 3A of 10

http://www.youtube.com/watch?v=U5kXAGIuYgk

Affiliate Marketing 제휴 마케팅: 예를 들어, 아마존

How to Start an Internet Business - Video 3B of 10

http://www.youtube.com/watch?v=PnGvM_6t1VY

아마존 닷컴 -> Revenue 모델. Sales + Transaction fee 모델.

AWS -> Subscription 모델 사용.

페이스북이나 구글은 직접적으로 생산하는 것이나 기여하는 게 없다는 비판을 받기도 함.

아마존의 경쟁상대는 월마트인데, 이미 작년에 주식이 아마존이 더 높아짐.

Facebook은 광고비용이 95% 수익을 차지함.

대표적인 예가 구글 search. 싸이. 예전의 음반 판매 수익이 BM의 가장 큰 비중을 차지함. 하지만 지금은 유튜브. 인지도를 높여서 콘서트로 돈을 범. 대부분 초기 비즈니스에 freeconomics를 활용함. 대표적으로 카카오톡을 이야기 할 수 있죠.

Process flow 그리는거 처럼.

Flow chart 에서 중요한게 비즈니스 파트너를 찾은거에 있음. 그들간에 뭐가 흘러다니는 건가가 중요함.

* 비즈니스 모델 캔버스.

Flow chart는 큰 그림을 그리기엔 좋음. 그러나 디테일이 부족함. 그걸 Business Model Canvas가 채워줌.

스타벅스 BM Canvas 예시.

BM에서 고객의 기준: 단순히 수익을 주는 사람이 아니라, 서비스를 받는 사람을 고객으로. 유튜브의 경우 고객은 영상을 보는 사람. 광고주는 파트너.

2016-03-10 SAD - 연세대학교 정보대학원 수업내용

맹개발 — Fri, 4 May 2018 18:49:00 +0900

2016-03-10 SAD - 연세대학교 정보대학원 수업내용

우리가 알고 있는 시스템은 뭐가 있을까요? 수강신청? 정부도 시스템이고. 자동차도. 시스템 정의의 첫번째는 서브 시스템과 컨포넌트가 많다는 것. 몸도 시스템. 장기도 각각 시스템. 상호작용을 함. 생명체도 하나의 시스템. 살아 있는 것은 다 같다. 학교도 하나의 시스템. 체계적으로 구성되어 있는 것. 교학과도 하나의 체계가 있음. 목적은 뭐에요. 목적을 위해서 interact 하는 거에요. 행정체계. 수강신청 받는 것도 하나의 체계. 3가지는 꼭 있어야 함. 엔티티, 인터렉트, 목적.

시스템은 Boundary가 있어요. 시스템 안과 밖을 구분해주는 경계. 사람 몸의 바운더리는 피부. 연세대학교의 구성원은 어디까지인가. 이 경계가 조금 애매하죠. 여기에서 Boundary : 물리적, 추상적. 확실한 것은 고대 다니는 학생들은 연대 학생들이 아닌거죠. 그럼 이 Boundary의 역할은 뭐냐. Filtering 의 역할을 하죠. 바운더리가 있으면 외부에서 이렇게 리소스가 들어오죠. 이 경계해서 걷어내는 것이죠. 환경에서 들어오는 것을 다 받는게 아니라 경계를 통해 걸러내는 것이죠. 그리고 시스템을 통해 나가는 경우 변화가 일어나죠.

환경하고 상호작용 하는 경우 오픈 시스템. 상호작용 안하는 경우 closed 시스템. 예를 들어 북한. 은하계를 포함한 우주. 대부분 오픈 시스템이라 할 수 있겠다.

시스템의 중요한 특성을 이야기 할 수 있는데, Entropy에 대해 이야기 할 수 있죠. 시스템은 가만히 놔두면 죽는다는 거에요. 회사나 학교는 망하고 없어지겠죠. 한 30년? 없어지지 않으려면 어떻게 해야 하는가. Negative Entropy를 계속 줘야 해요. Negative Entropy를 계속 준다는 게 뭐에요? 컨트롤 하는거에요. 피드백을 주는거죠.

Output을 계속 분석하는 거에요. 개선을 하기 위해서. 그런 노력을 하지 않으면 변하는 거에요. Output의 수준을 평가해야해요. 이 과정에 문제가 생기면 죽는거에요. 학교 같은 경우. 사회에서 요구하는 인재를 배출해야해요. 어떻게 체크하죠? 취업률. 연봉. 고용 만족도 등. 학교 입장에서 학생 수를 늘리면 학생들의 수준이 떨어질 수 있음. 우리 필드에서 5년만 변하지 않고 있으면 도태될거에요.

어떤 현상의 수를 구하는 것이 Measure의 정의임. 만족도. 교수의 강의는 수준을 어떻게 측정할 수 있나요?

다른 과목 같은 경우, 90년대 사례를 쓰는 경우가 많아요. 우리 필드 수업은 힘들죠. Objective Measure 수단을 찾기가 힘들어요. 이걸 찾는게 중요하죠.

전체 시스템에서 Sensor에 해당하는 Objective Measure 수단을 찾는게 정말 중요해요. 인사고과 평가하는 것도 마찬가지. 객관적인 dimension으로 사전에 합의된 기준으로 평가 해야하는 거에요. 이거 굉장히 중요한거에요.

산출물이 정보 혹은 비즈니스 프로세싱이에요. 정보가 뭘까요. 정보하고 Raw data하고 뭐가 다를까요.

Data: Descriptions about facts. 사실에 대한 묘사.

정보는 기본적으로 데이터에요. 정제되고 조직된 목적을 위한.

모델은 현상을 추상화 시켜놓은 것이에요. 데이터 중에서 의사결정과 연관이 있는 것이 정보임. 유용성 Usefulness과 관련성 Relevance. 한남대교와 관련된 교통 정보는 나와 관련성이 있기 때문에 정보임. 연남대교와 관련된 Data는 raw data임. 그렇기 때문에 Refine과 processing이 중요한 것이 아님. 의사결정에 얼마나 연관되어 있는가가 가장 중요함.

내 시스템의 사용자들 혹은 고객이 그 데이터의 바다 중에서 어떤 데이터를 필요로 하냐. 그것들을 찾아내는 테크닉이 중요한 것.

지식. Knowledge 란, (내가) 인증한 정보임. 내 마음속에 있는 것이 지식임. 지식이 그렇기 때문에 자신의 행동에 영향을 미치는 것임. 개인화된 정보. 정확하지 않을 수도 있음. Huber나 Nanaka에 있어서 지식은 entity(사람)에 의해 정당화된 믿음임. 지식에 관한 2번째 정의에 의하면 지식간의 포함관계가 달라질 수 있음. 이전까지는 정보중에 지식이 있다고 배웠지만, 2번째 정의에 의해서는 정보가 아닌 지식이 존재함. 지식으로 가는거면 전달할 수 있는거냐 없는거냐 이런 것도 있고. 어렵죠. 구분하기. 예를 들어 연구 능력의 경우는 전달하기 참 어려워요. 그래서 도제 제도라는게 있어요. 그렇게 되면 가능하죠. 테싯 날리지는 전달이 가능해요. 그게 바로 도제제도에요. 이게 날리지라는게 참 어려운 면이 있어요. 표현은 가능하지만 전달은 가능한 부분. 날리지 이론에 대해서는 Explicit knowledge 표현이 가능한 지식.(Information) 그리고 Tacit Knowledge 표현이 불가능한 지식도 있죠.

상호작용의 의미가 뭐냐. 하나가 바뀌면 다른 것들도 연쇄적으로 바뀐다는 것임. 예전에 프로젝트 들어갔던 부분 중에, 쿼리가 오래걸린다였는데. 백업을 안한대. (쉬는시간) 서로 영향을 주고 받기 때문에 시스템 분석가는 시스템 전체를 봐야 함. Systems Philosophy 조직 안에는 어떤 구성요소가 있을까요. 조직도 위의 그림처럼 볼 수도 있어요.

정보시스템이 바뀌는 것 때문에 조직내의 구성 요소가 바뀔수도 있음. 이런 것은 시험에 나올 수 있음. 기술 때문에 회사의 목적이나 Value가 바뀌는 경우.

아마존의 경우가 그렇죠. 크리스 마스 시즌에 정보시스템 용량 때문에 못팔았죠. 아마존이 크리스마스 시즌에 파는 매출 비중이 한 해 매출의 40%를 차지하죠. 그래서 아마존은 4억불을 매년 IT에 투자했죠. 매년 5천억을 그렇게 투자했죠. IT 기반이 단단해졌고 이걸 기반으로 AWS를 도입. 그리고 요즘 드론 배송하죠. 아마존은 이제 로봇해요. 창고에서 물류관리를 로봇이 해요. IT 때문에 이제 회사의 목적이 달라져요. 구글이 뭐하는 회사야? 검색? 안경도 한다고 하고 인공지능도 한다고 하고. 목적이 달라지는 거죠. IoT 시대에 빅데이터 시대의 Management는 어떻게 할 것인가.

Span of control : 예전에 매뉴얼로 컨트롤 할 수 있는 직원의 숫자가 Maximum 10~15명임. Manage 할 수 있는 능력이 한계가 있었음. 그런데 지금은 그게 아님. IoT와 빅데이터 시대에 달라진 것임.

94년에 쓰여진 논문에 제시된 개념. Middle-up-Down Management 스킬. IoT나 빅데이터 시대가 오면 M.C가 확 줄어들 것이다 라고 접근을 할 수도 있는데, 그렇지 않다는 거죠. Middle Level Manager 들의 역할이 점점 더 중요해질 것임.

중간관리자 레벨이 현실에서 Sense Making 할 수 있는 위치임.

IoT 시대에서는 팔고 끝이 아니죠. 때때로는 product은 공짜로 줄 수도 있죠. 정보를 분석해서 더 큰 Value를 줄 수 있죠. 거기서 Charge를 할 수도 있죠. 물건이 파는 대상이 아니게 되는거죠. 그렇게 되면 Customer Success Management 라는 조직이 생기겠죠? // 회사에 생겼습니다. 이번에. // 데이터가 리소스가 되는 것이죠. 데이터 전담 부서는 왜 없나. 가트너에서 2017년 정도에는 데이터 전담 조직이 생길 것이라고 말함. 전체적으로 Architecture가 달라지잖아요. Security가 뚫릴 수 있는 여지가 많아졌죠. 이것을 전담할 부서도 생길 것이다.

이야기 하는 포인트가 뭐냐면, Technology가 변화하면서 그 외에 것들이 계속 변화한다는 것이죠. Informal Organization도 요즘에는 스마트 워크랑 스마트 오피스가 확대되고 있죠. 키스디에 있는 제자가 서울역에 있는 스마트 워크 센터에서 근무하더라고.

전체를 봐야 한다는 것임. Technology 때문에 서로 영향을 받아서 바뀐다는 것이죠. 그 중에 아주 중요한 것이 무엇이냐. interrelationship이 정말 중요한 거죠. 기존에 있던 M.C 관리자들은 어떻게 될까요. 기존에 있던 M.C 관리자들은 요즘 시대에 요구하는 Sense Making을 제대로 처리하기 어려워져요. 그래서 중간 관리자들이 저항을 할 수 있고, 저항을 하면서 시스템을 때때로 공격할 수도 있다. "(제대로 된 데이터 넣지 않고) 봐라 데이터 결과 잘 안나오지 않느냐" 이런식.

시스템 분석은 뭘하는가. 문제해결능력이 중요한 것이죠. 서울에 짜장면 집이 몇 개나 있느냐. 이세돌과 알파고는 누가 이길 것인가. 문제를 프레임화 하는 것이죠. 분석하고 종합하는 것이에요. 시스템 분석이라는 것은. 세상의 문제가 복잡하니까 단순화 시켜 나가는 것임. 주요 변수를 뽑아가지고 이것들을 집중적으로 보는 것이죠. 이것이 분석이에요. 정보시스템 분석에서 관련된 변수는 어떤 것일까요. 정보시스템의 문제는 무엇일까. 정보시스템이 Address 하는 문제는 뭘까.

정보처리 요구가 뭐냐를 결정하는 것임. 2가지. 하나는 데이터. 하나는 프로세스.

요구사항 분석은 위의 슬라이드에 나온 것들을 찾아내는 것.

나온 요구사항을 어떤 관점으로 볼 것인가. 크게 두 가지. 프로세스, 데이터 관점. (프로세스 모델링, 데이터 모델링)

Data, Process,

Event (Logic & Timing)

Alternative Generation and Selection은 이런 문제를 어떻게 해결할지에 대한 대안들. 직접 개발한 것인가. 패키지를 가져다가 쓸 것인가. 이런 것들을 하는 것이죠.

설계는 뭐에요. Technology Dependant 한 거에요. 코딩하는 사람들이 알아볼 수 있도록 기술 배경을 정하는 거죠.

부모의 기본키를 외래키로 갖게 되면 관계 표시가 되죠. 구체적으로 오라클이나 IBM DB에 표시를 해줘야 하는데. 그게 물리적 설계에요. 파일이 깨진다는 말이 뭐에요? 링이 끊어진다는 거죠. 자식에 있는 포인터가 다시 부모를 가리키면 링형이 되는거죠.

하드웨어 설계, 소프트웨어 설계, DB 설계, 프로세스 설계, 네트워크 설계. 이런게 시스템 분석 설계에요. 우리 수업에서는 네트워크 요구사항 뽑아내는거 까지만 해요. 두 서버 사이에 얼마만큼 자주 커뮤니케이션이 있어야 하는지 등을 결정하는 것이죠.

SDLC라는 것이 다음과 같은 절차를 거침.

Feasibility가 차지하는측면이 큼.

경제적, 기술적, 운영적, 일정상, 법적, 정치적.

클라우드가 왜 클라우드? 구름 저편은 안보여서. 필요에 따라 쓰기만 하면 되는거지. 독일에서 법을 발표함. 독일에서 발생한 데이터는 독일에서 가져갈 수 없음. 데이터 센터를 독일에 만들라는 뜻. 클라우드 말고.

교재에 나오는 SDLC에요. 논리적인 개발 절차임. 그렇기 때문에 어떠한 시스템 개발이라도 이 절차를 따라가게 되어 있음.

정보공학 방법론 Information Engineering.

이게 어떻게 되어 있느냐.

정보 전략 계획.

전략 -> 분석 -> 설계 -> 구축.

프로세스(Activities), 데이터

정보전략계획 (Information Strategy Plan)

ISP를 하게 되면 프로세스 관점에서 나와야 하는 산출물이 있고 데이터 측면에서 나와야 하는 산출물이 있어요. 현업에서는 이렇게 따라가지 않는 경우가 많음. 시스템 내용은 안나오고 높은 레벨의 이야기만 나옴. 어떤 솔루션을 도입해야 하고, 견적에 대한 이야기만 함. PM의 감에 의해 견적을 이야기하더라. ㅋㅋ; 감리와 자문. Function Point 따져서 해야하는데, 대부분 그렇게 하고 있지 못하다.

ISP는 보면 사실 그대로 버리고, 단순히 비용 산정의 근거의 역할만 하고 있는 실정임. 저걸 안하면 이렇게 되는 것임. 사실 ISP가 제대로 되어야 실제 구현 단계에서 다시 처음부터 하는 그런 결과는 나타나지 않는 것임. ERP를 고치면 되요? 안되요.