IT자격증

기능점수 (Function Point) 의 정의

기능점수(Function Foint)의 가장 큰 특징은 소프트웨어의 규모를 산정할 때 개발자 즉 공급자 입장이
아닌 사용자 입장에서 그 규모를 산정한다는 점이다.
즉 사용자의 업무적 요구사항에 대해 소프트웨어가 제공하는 소프트웨어의 기능을 논리적 관점에서
식별하여 사용자 관점에서 소프트웨어의 규모를 측정하는 방법.
쉽계 말하면 화면 단위로 각 화면에서 제공하는 기능 (조회,입력,저장,수정...)에 대해서 기능 유형별 
수량과 성능 및 품질요인들의 영향도를 고려하여 소프트웨어의 규모를 측정하는 방법


기능점수 (Function Point) 의 특징

① 소프트웨어가 사용자에게 제공하는 기능적 요구사항을 측정한다. 
② 기능점수는 “소프트웨어가 어떻게 구현되었는지”의 공급자 관점이 아니라 “사용자가 어떠한 기능을
    요구했는지”의 수요자 관점에서 측정
③ 개발 이전에 업무량을 측정 가능
④ 개발은 물론 기획, 운영 등 전 수명주기에 걸쳐서 측정 가능
⑤ 소프트웨어 개발 및 유지관리의 업무량을 조직, 구현기술, 공수, 적용방법론, 물리적 또는 기술적
   컴포넌트와 무관하게 일관성 있게 측정 가능


기능점수 산정방식의 종류

소프트웨어 개발비의 구성요소

소프트웨어 개발비 산정 시 주요 요소는 = 개발원가 + 직접경비 + 이윤 이다. 
① 개발원가는 소프트웨어 개발규모를 우선 산정 한 후 이를 토대ㅗ 보정전 개발원가를 계산한다.
    그런다음 거기에대가 보정계수를 고려한 개발원가를 산출한다.
② 직접경비는 개발에 직접 투입된 비용들 
③ 이윤은 개발원가 의 25% 이내로 한다.

5가지 보정원가 계수

소프트웨어 규모산정의 필요성

소프트웨어를 자체개발하던지 아니면 외주를 줘서 개발하던지 개발하고자 하는 소프트웨어의
규모를 대충 알아야 개발기간 및 공수산정을 할 수 있으며, 외부개발인 경우 과연 얼마의 돈을
주고 개발을 해달라고 하는게 맞는건지 측정기준이 있어야 할것이다. 그래야 개발을 요청하는
발주사나 개발을 수행할 SI공급사나 서로 통일된 기준으로 비용과 원가를 산정해서 계약서에
금액을 명시 할 수 있을 것이다.
과거에는 그냥 SI공급사가 제안한 턴키 금액을 가지고 대충 업체 선정하고 했지만 지금은
'SW사업대가 산정기준" 등 정부에서 기준을 마련해서 공공기관 사업부터 적용하고 있다.
오늘은 소프트웨어 규모를 산정하는 방법에는 머가 있는 지 알아보고, 다음 편에서는 대표적인
소프트웨어 산정기준은 기능점수(Function Pointy) 에 대해서 1,2부로 나누어서 자세히 알아보고
자 한다. (Function Point 만 대충 설명할려고 해도 거의 책 한권의 분량이다.)


소프트웨어 규모산정 방법들..

양적 규모산정 방식 - LOC방식

양 과 질을 고려한 방식

COCOMO 종류

 1.Basic COCOMO - S/W 개발노력과 비용을 LOC형태로 추정한 후 비용을 산정하는 단일값 모형 
                              (Static Single-Value model)
                          - 제안단계에서 사용
          ① Organic            - MIS, 50KDSI (50,000라인)
          ② Semi-detachedd - Compliler, 개발지원도구 개발 , 300KDSI
          ③ Embeded           - OS, DBMS,통신모티너  , 대형프로젝트

2.Intermediate COCOMO - 15개 특성치 적용한 방식
          ① 제품속성(3개)             - S/W신뢰도, DB크기, 제품복잡도
          ② H/W속성(컴퓨터)(4개) - 응답시간, 실행시간 성능제약, 기억장치제약, 가상기계 환경의 휘발성
          ③ 인적속성(5개)             - 분석가능력, 응용의 경험, 언어구사경험, S/W공학자능력, 가상기계에대한 경험
          ④ 프로젝트 속성(3개)     - 일정, 개발도구사용, 방법론 응용

3.Detailed COCOMO - 대형인 경우 Sub시스템으로 쪼개서 별도 산정한 후 합산하는 방식
          ① 모듈레벨
          ② 서브시스템 레벨
          ③ 시스템 레벨 


COCOMO II

1단계 : 프로토타입 만드는 단계  -> Application Point 계산해서 노력 추정  -> 응용결합모델
2단계 : 초기설계단계          -> FP 사용 -> 초기설계모듈
3단계 : 구조설계 이후 단계  -> FP 와 LOC를 규모척도로 해서 Reuse, Post Architecture  
                                     -> 포스트 아키텍쳐 모델        

1. 응용결합모델 (Application Composition Model)
     - 작은팀이 몇주의 기간동안 개발하는 경우에 사용, 주로 GUI Builder 나 컴포넌트들을 이용하여 조립 개발하는
        경우
     - 스크립트, DB, 프로그래밍을 이용하여 개발된 프로토타입시스템
     - 객체점수의수
2. 초기설계모듈 (the Early Design Model )
     - 비교적 개발 초기단계에 사용되어지며 실제 개발할 SW의크기 . 운영환경의 특성, 프로젝트에 참여할 관련자
      , 수행할 프로세스의 세부사항 등에 대한 정보가 부족할 때 사용
     - 시스템 요구사항과 설계선택방안에 기반을 둔 초기 비용 산정
     - Function Point 의 수
3. 재사용 모델  
     - 재사용가능한 컴포넌트 혹은 자동적으로 생성되는 코드를 통합하기 위한 노력
     - 재사용되거나 생산된 라인수
4. 포스트 아키텍쳐 모델 (Post Architecture Model)
     - 가장 세부적인 모델로 SW생명주기가 확립된 후에 사용하며, 소프트웨어를 개발하여 유지보수 하는 동안 사용
     - 시스템 설계명세화에 기반한 개발노력
     - 소스코드 라인의 수

IT 투자성과 평가의 정의

조직에서 비용을 투입해서 투자한 IT투자에 대한 목표 달성 여부 및 기여도 그리고 품질/이용/효과 측면에서
정량적, 정성적으로 타당성을 평가하는 활동을 말한다.

IT 투자성과 평가의 필요성

단순히 투자비용, 프로세스 개선 효과 관점에서 바라보는 것이 아닌, 전략적 관점에서 실질적으로
비즈니스 가치를 높였는지 IT투자 성과를 제대로 측정, 분석할 수 있어야 함

IT 투자성과 평가의 주요 지표들 

IT 투자성과 평가의 주요 측징기법들 (정량적)

기법	설명	계산식
ROI (return of investment)	투자수익률  - 재무적 관점에서 사업의 투자 적절성을 평가하는 방법  - 누적된 총 순 효과를 총 비용으로 나누어 계산한 비율  - ROI > 0 이 되는 시점이 손익 분기점	ROI(%) = 누적 순 효과 /총비용
NPV (Net Present Value)	순현재가치  - 연도별 수익의 현재 가치에서 투자비용의 현재 가치를 뺀 값    들의 합계  - NPV > 0 , 같은 조건이면 클 수록 좋음  - 예를 들어 현재의 1,000원이랑 5년후의 1,000원의 가치는     같지가 않다. 당연히 5년 후의 1,000원을 지금 가치로      따진다면 1,000원 이하가 될것이다 , 머 한 920원 정도..     이 920원이 현재가치 값이다.      보통 현재가치를 계산할 때 시장이자율을 가지고 계산한다.      C : 1,000원  r : , 시장이자율  t :  5 년	- Ct: 진행기간 동안 현금유,   C0: 초기 투자비용,   r: 할인율,   t: 진행기간
IRR  (Internal Rate of Return)	내부수익률  - NPV가 0 이 되는 이자율을 말함.  - 투자 안에 투입되는 비용과 예상되는 수익의 현재 가치    를 동일하게 해주는 할인율 - 같은 조건이면 높을 수록 좋음	NPV = 0
PP (Payback Period)	회수기간   - 투자 원금 회수 때까지의 기간

IT 투자성과 평가의 주요 측징기법들 (정성적)

기법	설명	개념도
Value Chain	-기업의 전반적인 생산 활동을 주 활동 부문과 보조(지원) 활동 부문으로 나누어 분석하는 기 법
BCG Matrix	- 시장의 성장률과 그 산업 내 기업의 경쟁적인 위치를 확인하여 각기 다른 전략 사업 단위와 비교할 수 있도록 하는 포트폴리오 관리 기법

< 출처 : 정보관리기술사 118회 모임 : 두드림 >

요구명세(SRS)의 중요성 뛰우기

Software를 개발할려면 우선 무엇을 개발할것이며, 어떤 기능, 어떤 화면을 개발할 것인가에 대해서
사용자의 요구사항을 정리하게 되는데. 이러한 문서를 보통 요구사항정의서 또는
요구명세(SRS; Software Requirement Specification) 라고 한다. 
그리고 이러한 요구명세에 의해서 과업, 비용, 개발기간을 정량화 한 후 합의를 해서 이후 분석,설계
, 구현, 시험, 인수 의 전과정에서 의사결정의 판단 기준이 되는 중요한 문서이다 
그러나 실제 국내 SI 프로젝트를 보면 요구명세(SRS)의 활용도가 아주 떨어진다.
왜냐하면 요구명세(SRS)의 바탕이 되는 제안요청서(RFP)부터 애매하게 정의가 되기 때문에
일단 프로젝트를 시작한 후에 그 때부터 산출물 기준으로 요구명세를 꺼꾸로 정의해 나가는
상황이 벌어지고 있다. 
그래서 2018년 3월 22일 과학기술정보통신부가 입법예고한 소프트웨어진흥법 전부개정안에 따르면 
이러한 주먹구구식 개발관행은 민간기업에게 강제할 수는 없지만 적어도 공공SI에서만큼은 제대로 된
요구명세(SRS)를 시작으로 프로젝트 전과정에 사용할 수 있도록  발주자는 예비입찰자가 FP(Function Point)
를 가늠할 수 있도록 과업범위를 상세하게 적은 제안요청서(RFP)를 공고해야 하고, SW기업과 계약 직후
착수회의 까지 과업내용을 합의해 오면, 제3자인 과업심의위원회가 그 과업내용을 계약금액과 대비하여 "
심사한다. 또한 프로젝트 수행 중 불가피한 과업변경 요구가 있는 경우, SW기업이 변경 영향도 분석을 
거쳐 과업심의위원회 개최를 요청하면 공공기관은 이에 응하도록 법안에 명시했다. 
최종 검수 단계에서는 애초에 작성한 SRS를 기준으로 검수하여 불명확한 기준으로 인한 검수지연 
및 지체상금 부과가 최소화 되도록 하위법령 또한 마련해야 한다.

요구명세(SRS) 가 없는 SI사업의 문제점

                            
SW진흥법 전부개정안의 공공SW사업 이행방안 요구명세(SRS) 중심의 사업관리

계약 전 SRS를 위한 토대를 구축하고, 계약과 착수회의를 거치면서 2단계로 SRS를 확정하며, 이후 수행과 
검수과정에서 SRS를 의사결정 기준으로 설정
즉 계약단계에서 요구명세(SRS)를 확정을 하기에는 어려움이 있다.  이를 감안해서 계약후 착수회의 때 
SRS에 대해서 다시한번 검토 및 확정을 할 수 있게 했다.

SW진흥법 전부개정안의 요구명세(SRS) 활용방안 요약

항목	현황/개선	설명
1. 제안요청서와 SRS	현황	상세한 요구사항은 공공SW사업 예산편성부터 검수까지 전 과정에서 사업  성공의 기초인데, 현행 공공SW사업의 제안요청서 중 사업규모를 산정할 수 있는 B등급* 이상의 비율은 4% 미만에 불과함
	개선	과업규모를 산정할 수 있는 B등급 이상의 요구사항을 적은 제안요청서를 공고하도록 의무화
2. SRS와 계약	현황	과업내용을 확정한 후 이를 근거로 계약을 체결하는 것이 바람직  하나, 계약 체결 전(제안요청→입찰→제안평가→기술협상)에 과업내용을  합의하는 것은 현실적으로 어려움
	개선	과업규모와 금액으로 계약*을 체결하고, SW사업자는 일정기간 내에 착수계획서를 작성하여 보고하는 과정에서 발주자와 SW사업자 쌍방이 구체적인 과업내용 까지 적은 SRS에 합의하도록 함
3. SRS에 근거한 과업변경	현황	과업변경심의위원회가 거의 개최되지 않고* 과업변경을 인정받기 어려워 계약금액의 조정이 이루어지지 않음 * SW계약 4951건 중 0.4%인 23건만이 과업변경심의위원회를 개최
	개선	국가기관별로 과업심의위원회를 의무적으로 설치하고 SW 사업자가 과업심의회의 개최를 요청하면 발주기관은 이에 응하도록 규정 ㅇ (과업변경 절차) 과업심의위원회에서 계약시점에 작성한 SRS·산출내역서와 과업내용 변경 요청서를 비교하고 과업변경에 대한 영향도(기간, 금액)를 검토하여 과업 증감량과 이에 따른 계약 금액의 조정을 심의
4. SRS와 사업검수	현황	SW사업의 인수테스트와 검수의 기준이 명확하지 않아 발주자의 재량과 사업기간 등 외부상황에 따라 검수가 이루어짐
	개선	SRS가 인수테스트와 검수의 기준 문서가 됨
5. SRS와 사업비	현황	SRS를 작성하는 것이 SW구현비용을 산정하는 기초가 되는데, SRS작성에 전체 사업비의 약 20% 정도가 소요됨   -> SW구현비용은 FP(Function Point) 또는 MM(Man Month)로 산정하는       데 이는 국가계약법 상거래실례가, 실적공사비, 원가계산, 견적가 중       원가계산 방식에 해당하며, SW사업은 이러한 원가계산에만 많은 비용       이 소요되는 딜레마 상황임 ㅇ (대가기준) 소프트웨어산업협회의 SW사업대가(KOSA) 산정 가이드는     요구분석 단계에 19%의 가중치를 할당함 ㅇ (실태조사) 요구분석 단계 까지의 인건비 비중은 10%~25%로 조사
	개선	충실한 SRS를 위해 지출한 20%의 비용이 나머지 80% 사업비의 낭비를 방지하므로, SRS를 기준으로 SW구현을 계속할지 의사결정하고 적절 하지 않는 경우 구현을 중단4) 하거나 계획 자체를 변경할 수 있는 체계가 필요함   -> 즉 요구사항 분석을 시작하면 반드시 구현까지 해야 하는 일괄발주       사업의 제약을 벗어나기 위해, 사업을 분리하여 시행하는 방안이 필요       함 (SRS에 의해 사업의 진행여부를 판단함)
6. SRS와 선행사업 분리	현황	현행 일괄발주 체계 내에서 SRS의 품질과 명확성을 일정 수준 이상 보장할 수 있는 예산과 기간을 확보하기 어려움
	개선	SRS 작성에 상당한 예산과 기간이 소요됨에 따라 별도의 사업으로 분리하여 발주하는 체계가 필요 ㅇ (SRS 수준) 선행 사업의 결과물인 SRS는 소요비용과 역량을 고려할 때 B등급(간이법 FP) 이상의 산출물을 도출할 수 있음

< 출처 : 인사이트리포트 2018-001 요구명세의 중요성과 제도화 방향 >

Apriori 알고리즘을 이용한 연관규칙 도출방법을 보면 빈발항목중에서 후보집합을 선정하는 기준으로
지지도(Support) 를 사용한다.  이처럼 연관규칙분석을 할ㅣ때 후보집합을 결정하려면 먼가 후보선정/탈락
측정기준이 있어야 하는데..주로 쓰이는게 3가지 기준이 있다.

예제

문제) 우유와 빵을 함께 구매한 거래가 10%이고,우유를 구매한 거래의 20%가 빵도 구입했을 때
        우유->빵의 상관관계는 ?  (전체거래중 빵을 구입한 거래는 10%이다)

(풀이) 상관관계란 향상도를 뜻한다.  향상도가 > 1 이면 양의 상관관계이다.
         만약 전체거래(N) = 10 이라고 가정하면

         지지도 = 10% = 1/10                즉 우유,빵 함께 구매한 거래가 1건
         신뢰도 = 20% = 1/우유 구매수   즉 우유 구매수 = 5 건
         빵구입이 10% 이므로               즉 빵 구매수 =  1건

                            우유.빵 거래수 X N           1 x 10
          향상도 =     -------------------------    = --------  =  2
                           우유거래수 x 빵거래수        5 x 1 


Apriori  알고리즘 설명

Apriori알고리즘은 지지도를 이용해서 연관규칙을 찾는 기법중에 하나이다.
  - 연관규칙를 찾아주는 알고리즘 중에서 가장 먼저 개발되었고, 또 가장 많이 사용된다.
  - 연관성규칙의 첫 번째 단계는 항목들 간의 연관성을 나타내기 위한 후보가 되는 
     모든 규칙들을 생성
  - 구매 데이터베이스 내에서 단일 항목들, 2개로 된 항목들, 3개로 된 항목들. 기타 등등의
     모든 조합을 발견
  - 그러나 항목들이 늘어나면 이러한 모든 조합들을 생성하기 위한 계산시간은 기하급수적으로
    증가함.
  - 데이터베이스 내에서 높은 빈도를 갖는 조합 (빈발 항목집합 : Frequent item sets) 을
    찾아내는 것
  - 빈발 항목집합 결정 도구 :지지도(Support)

 위 그림에서 ID 101,102...  가 고객번호라고 생각하고 그 고객이 구매한 상품들이  items 이라고 하자.
[1단계]  단일항목 즉 단일항목 기준으로 해서 구매 빈도수(sup/지지도)를 구해보면 A 항목은 101, 103 고객이 
           구매했으니깐  2 이고, B항목은 3, C항목도 3 ... 이런식으로 구매된 횟수를 카운트 한 결과가  C1 이다. 
           이때 기준 횟수를 2 즉 구매횟수가 2미만인 항목은 제외를 한다 라는 기준을 세운다. (최소 지지도)
           이 기준에 의하면 C1 테이블에서 제외할 항목은 구매횟수가 1인  D 항목이고 D 항목을 제외한 새로운 
           후보집합 L1 을 도출할 수 있다.

[2단계]  L1 후보집합을 기준으로 2개항목 조합을 해서 구매빈도수 즉 지지도를 구한다. 
           그러면 C2 테이블을 만들 수 있다. 이 조합중에서 최소지지도인 2를 충족하지 못하는 (A,B) , (A,E) 조합을
           제외하면 L2 라는 새로운 후보집합을 도출할 수 있다

[3단계] 마찬가지로 L2 후보집합을 기준으로 이번에는 3개항목을 조합해서 구매빈도수(지지도)를 구해본다.
          (A,B,C) , (A,B,E), (A,C,E) ,(B,C,E) 조합이 나올수 있는데 이때 2단계에서 최소지지도에 못미쳐서 제외된 조합이
          (A,B), (A,E) 였기 때문에 (A,B,C) , (A,B,E), (A,C,E) 조합들에서   (A,B), (A,E) 조합이 부분집합으로 포함된 건
          제외해야 하기 때문에 결국 (B,C,E) 조합만 남게 된다. 
          (B,C,E) 조합의 지지도를 구해보면 2 가 되고 이는 최소지지도를 충족하므로 후보집합이 될 수 있다.

연관규칙(Association Rule) 분석기법중에 대표적인 알고리즘이 Apriori 이다.
Apriori 알고리즘은 지지도를 이용해서 연관규칙을 찾는 기법이라고 할수 있다.
  - 연관규칙를 찾아주는 알고리즘 중에서 가장 먼저 개발되었고, 또 가장 많이 사용된다.
  - 연관성규칙의 첫 번째 단계는 항목들 간의 연관성을 나타내기 위한 후보가 되는 
     모든 규칙들을 생성
  - 구매 데이터베이스 내에서 단일 항목들, 2개로 된 항목들, 3개로 된 항목들. 기타 등등의
     모든 조합을 발견
  - 그러나 항목들이 늘어나면 이러한 모든 조합들을 생성하기 위한 계산시간은 기하급수적으로
    증가함.
  - 데이터베이스 내에서 높은 빈도를 갖는 조합 (빈발 항목집합 : Frequent item sets) 을
    찾아내는 것
  - 빈발 항목집합 결정 도구 : 지지도(Support)

Apriori  알고리즘 설명

 위 그림에서 ID 101,102...  가 고객번호라고 생각하고 그 고객이 구매한 상품들이  items 이라고 하자.
[1단계]  단일항목 즉 단일항목 기준으로 해서 구매 빈도수(sup/지지도)를 구해보면 A 항목은 101, 103 고객이
           구매했으니깐  2 이고, B항목은 3, C항목도 3 ... 이런식으로 구매된 횟수를 카운트 한 결과가  C1 이다. 
           이때 기준 횟수를 2 즉 구매횟수가 2미만인 항목은 제외를 한다 라는 기준을 세운다. (최소 지지도)
           이 기준에 의하면 C1 테이블에서 제외할 항목은 구매횟수가 1인  D 항목이고 D 항목을 제외한 새로운
           후보집합 L1 을 도출할 수 있다.

[2단계]  L1 후보집합을 기준으로 2개항목 조합을 해서 구매빈도수 즉 지지도를 구한다. 
           그러면 C2 테이블을 만들 수 있다. 이 조합중에서 최소지지도인 2를 충족하지 못하는 (A,B) , (A,E) 조합을
           제외하면 L2 라는 새로운 후보집합을 도출할 수 있다

[3단계] 마찬가지로 L2 후보집합을 기준으로 이번에는 3개항목을 조합해서 구매빈도수(지지도)를 구해본다.
          (A,B,C) , (A,B,E), (A,C,E) ,(B,C,E) 조합이 나올수 있는데 이때 2단계에서 최소지지도에 못미쳐서 제외된 조합이
          (A,B), (A,E) 였기 때문에 (A,B,C) , (A,B,E), (A,C,E) 조합들에서   (A,B), (A,E) 조합이 부분집합으로 포함된 건
          제외해야 하기 때문에 결국 (B,C,E) 조합만 남게 된다. 
          (B,C,E) 조합의 지지도를 구해보면 2 가 되고 이는 최소지지도를 충족하므로 후보집합이 될 수 있다.

연관규칙이란....

연관규칙분석(Association Rule Analysys)이란 그냥 나열되어 있는 원본 데이터들에 대해서 데이터들간의 연관관계를 탐색하는 무방향성 데이터마이닝 기법중에 하나이다.
보통 마트의 고객들이 구매한 상품간의 연관관계를 찾을 때 많이 사용되는 분석기법이라서 '장바구니 분석' 이라고도 한다.  예를 들어.. 남성 고객이 마트에 가서 구매한 품목을 보니깐 맥주와 기저귀를 같이 구매하는 경우가 많이 나타나면 마트 진열대에 맥주와 기저귀를 같이 배치하는 한다던지 (매장진열), 또 라면을 살때 스윙칩을 같이 사는 형태가 많이 발견된다면 이 두 상품을 합친 패키지 상품을 개발한다던지..(GS25의 오모리김치찌게맛 스윙칩) 여성 고객은 편의점에서 주로 우유와 커피라서 편의점에 들어가면 진열대 가장 잘 보이는 곳에 우유와 커피 제품을 진열하는 것을 볼수 있는데 이런 것들이 모두 연관규칙분석을 통해 효과적인 매장 진열, 패키지상품의 개발, 교차판매 전략수립에 많이 이용된다.
다시 연관규칙을 정의한다면 "데이터들에 대한 발생빈도를 기반으로 데이터간에 연관관계를 찾는 데이터마이닝 기법" 이라고 할수 있다.

데이터마이닝 (Data Mining)

데이터마이닝이란 어떤 데이터들에 대해서 패턴,유사성 등의 관계를 찾아내서 모델을 만든 다음에 새로운 신규 데이터가 들어오는 경우 이 모델에 넣어서 결과를 도출하는 것을 말한다.

데이터마이닝이란 데이터내에서 어떠한 방법(순차 패턴, 유사성 등)에 의해 관심 있는 지식을 찾아내는 과정을 말하는 것으로 대용량의 데이터 속에서 유용한 정보를 발견하는 과정이며, 기대했던 정보뿐만 아니라 기대하지 못했던 정보를 찾을 수 있는 기술을 의미한다. 데이터 마이닝을 통해 정보의 연관성을 파악함으로써 가치있는 정보를 만들어 의사결정에 적용함으로써 이익을 극대화시킬 수 있다. 기업이 보유하고 있는 일일 거래 데이터, 고객 데이터, 상품 데이터 혹은 각종 마케팅 활동의 고객 반응 데이터 등과 이외의 기타 외부 데이터를 포함하는 모든 사용 가능한 Raw 데이터를 기반으로 감춰진 지식, 기대하지 못했던 경향 또는 새로운 규칙 등을 발견하고, 이를 실제 비즈니스 의사 결정 등을 위한 정보로 활용하고자 하는 것. 데이터 마이닝의 적용 분야로 가장 대표적인 것은 데이터베이스 마케닝 분야이다.
[네이버 지식백과] 데이터 마이닝 [data mining] (컴퓨터인터넷IT용어대사전, 2011. 1. 20., 전산용어사전편찬위원회)


연관규칙의 특징

연관규칙 도출과정

연관규칙 측정기준

  *  지지도/신뢰도/향상도에 대한 자세한 설명은 다음 편에서....


연관규칙의 결과 유형

활용분야

연관규칙의 주의점

1. 연관규칙분석은 원인과 결과 즉 인과관계를 찾는 게 아니라는 것이다. 맥주가 원인이고 기저귀가 결과라는
   뜻이 아니라 , 맥주와 기저귀가 같이 조합을 이룬다는 뜻이다..
2. 연관규칙 즉 자율탐색기법(Unsupervised Learning) 은 목표변수(Target Variable) 이 없다.. 이 말이  
   무슨 말이냐면.. 연관규칙 분석에 의해 나온 결과값에 대해서 맞다, 안맞다 를 판단하는게 아니라는
   뜻이다. 예를 들어 맥주를 산 고객은 기저귀를 같이 구매를 한다 라고 결과가 나왔지만 이 것이
   정답이 아닐수도.. 즉 맥주를 산 고객이 무조건 기저귀를 사는 것은 아니라는 뜻이다.

요즘 ICT쪽의 여러가지 화두 중 하나는 데이터 분석, 특히 빅데이터(Big data) 분석이라고 할수 있다.
전통적인 DBMS 를 기반으로 하는 데이터 분석은 데이터의 양이 어마어마 하게 커지고 비정형 데이터
의 중요성이 더 커지면서 한계점에 다다르게 되었다. 
그래서 요즘은  하둡(Hadoop) 이라는 분산데이터저장구조를 기반으로 해서 빅데이터를 분산 저장한 후
이 데이터를 R 이나 Python 등의 Language로 데이터의 통계 분석 및 시각화 작업을 많이 하고 있다.
그럼 R 과 파이썬(Python) 의 차이점 은 머고 장단점은 무엇일까? 어느것이 우리 회사에 맞는 Languge
인지 판단에 조금이라도 도움이 되고자 두 언어를 비교해보고자 한다.

오프소스 분석 도구 R 

R은 통계처리를 위한 공개소프트웨어 패키지로 최근 가장 주목받는 빅데이터 분석 도구이다.
R은 기존 통계 소프트웨어인 S를 바탕으로 만들어졌으며, 자바(Java), C, C++, 파이썬(Python) 등
다른 프로그램 언어와도 쉽게 연동할 수 있으며, windows, Linux, Unix, Mac OS 등 대부분의 개발환경
을 지원한다. 또한 하둡(Hadoop) 분산처리환경을 지원하는 Library 를 제공하기 때문에 구굴, 페이스북
,아마존 등도 빅데이터 분석에 R 을 활용하고 있다. 
R은 연구목적의 업무에 최적화되어 있지만 웬만한 종류의 데이터 분석에도 매우 용이하다. 왜냐면
R은 방대한 양의 Package 와 즉시 사용가능한 테스트 SET 을 제공하기 때문이다. 이 점의 R의 최대 강점
이다. 또한 전세계의 Mail List , Over Flow (네이버 지식인 처럼 묻고 답할 수 있는 커뮤니티) 와 같은
그룹의 도움을 언제든지 받을 수 있는 점 또한 강점이다. (오픈소스 이기 때문..)

파이썬(Python)

1991년 프로그래머인 귀도 반 로섬 이 발표한 고급 프로그램밍 언어로 플랫폼 독립적이며, 인터프리터식
객체지향적, 동적 타이핑(dynamic typed) 대화형 언어이다. 파이썬이라는 이름은 귀도가 좋아하는 코미디
<Monty Python's Flying Circus> 에서 따온 것이다. 파이썬은 비영리의 파이썬 소프트웨어 재단이 관리하
는 개방형, 공동체 기반 개발 모델을 가지고 있다. C언어로 구현된 C파이썬이 사실상의 표준이다.
파이썬은 주로 데이터 분석 결과를 다른 웹 애플리케이션에 접목하거나 통계적인 코드를 데이터베이스에
포한시켜야 할 때 사용한다. 필요한 패키지나 라이브러리를 불러오고 조합하여 분석 목적에 맞는 작업을
수행할 수 있다. 또한 직관적인 프로그래밍 언어로 초보자도 쉽게 배울 수 있다는 강점이 있다.
물론 R의 비해 초기 발전단계이자만 최근 몇년 상이 각광을 받으며 많이 발전하고 있다. 

R의 장점

 
R의 단점

파이썬의 장점

파이썬의 단점