AB 테스트 가설수립을 위한 데이터분석 방법

마지막 업데이트: 2022년 2월 11일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
| 딥러닝을 활용한 네이버의 음성검색 (출처: bloter.net)

디지털마케팅 AB 테스트 가설수립을 위한 데이터분석 방법

만약 웹사이트에 방문자를 유입시키는데 상당한 시간과 자본을 투자했는데, 방문자가 전환되지 않는다면 귀하의 웹사이트는 밑 빠진 독이 되고 비용이 새어 나가는 것이다.

귀하는 전환을 높이기 위해서 어떤 활동을 하고 있는가?

디지털마케팅을 하고 있는 마케터들이 많이 활용하는 방법은 ‘A/B 테스팅’이다.

점점 많은 디지털마케터들에게 A/B 테스팅은 하지 않으면 안되는 밴드웨건 Bandwagon 현상이 되고 있다.

구글, 유투브, 페이스북, 인스타그램, 넷플릭스와 같은 서비스에 들어가는 순간 우리는 특정 테스트의 대조군에 들어가게 된다. AB테스트의 대상이 되는 것이다. 잘 알려져 있듯이 넷플릭스는 거의 모든 것을 AB 테스트하고 있다.

아마존, 구글, 페이스북과 같이 온라인에 기반한 글로벌 기업들은 매년 1만 건이 넘는 AB테스트를 진행하고, 월마트, 싱가포르 항공같은 전통산업의 기업들도 정기적으로 AB테스트를 진행한다.

“모든 것을 실험해 보는 접근 방식이 놀라울 정도로 큰 성과를 가져올 수 있음을 알게 되었다” 라고 하니, 위대한 기업들은 언제나 여러가지의 테스트를 지금도 진행 중이다.

가장 보편적인 A/B 테스트는 무엇일까?

동일한 오디언스에 2개 이상의 유사한 콘텐츠로 보내어 반응을 보고 어떤 것이 가장 적합한 전환을 만들어 내는지 확인하는 것이다.

AB테스팅_퍼포마스

게스워크(Guess works)는 더이상 필요없다.

많은 기업들은 아직까지도 마케팅의 중요 의사결정에 있어서 HiPPO (Highest Paid Person’s Opinion) 룰 을 따른다. 안타깝지만 현실에서 HiPPO는 마케팅 의사결정의 처음이자 끝이다.

아주 다행스럽게도 현재 우리는 추측할 필요가 없는 시대에 와 있다.

데이터분석의사결정

감으로 찍어 누르는 의견을 맹목적으로 받아들일 필요가 없어졌다.(필요는 없어졌지만, 선택은 각자의 몫이다.)

결정에 대한 다음과 같은 데이터검증을 할 수 있게 된다면 말이다.

디지털 분석도구를 사용하여 방문자가 어디로 이동하는지 파악함.

사용자 테스트 및 설문조사 도구를 통해 문제를 파악함.

쉽게 A/B 테스트를 구현하여, 어떤 베리에이션 Variation이 더 나은지 확인함.

디지털도구의 도움으로 A/B 테스트를 설정하는 것은 점점 쉬어지고 있다.

하지만, 훌륭한 테스트 아이디어를 만들고 우선 순위를 정하는 과정은 결코 쉽지 않다.

사용자가 웹사이트에서 하는 행동은 거의 측정 가능하다. 사용자/방문자가 무엇을 원하고, 어떻게 구매하는지에 대한 데이터를 얻을 수 있다.

그렇다면 이러한 데이터를 수집하고 분석하여 사용하는 효과적인 방법은 무엇인가?

길을 건너고 싶다고 가정해 보자.

어떤 정보가 필요한가? 습도, 태양의 위치, 풍속, 전선의 수, 옆 사람의 정치성향 등 많은 정보가 있더라도, 실제로 필요한 것은 자동차가 오는지 안 오는지와 자동차의 속도가 있으면 된다.

시작할 수 있는 목표는 단순하다. 매출증대, 트라이얼 증대, 더 많은 리드 확보 등과 같은 것이다.

목표를 정했다면, 목표 달성에 대한 인사이트를 얻을 수 있는 질문을 정한다. 예를 들어, 이러한 질문들이다.

우리는 현재 ‘누구(고객)’의 문제를 해결하고 있는가?

고객(누구)은 무엇을 원한다고 생각하는가? 왜?

고객(누구)은 어떻게 결정을 내리는가? 왜?

고객(누구)은 우리의 제안/오퍼에 대해서 어떻게 생각하는가?

우리가 판매하는 제품/솔루션이 확실히 어떻게 다른가?

우리의 웹사이트에서 비용만 계속 투입되는 곳은 어디인가?

우리의 웹사이트에서 무엇이 효과를 내고 무엇이 효과를 못 내고 있는가?

더 많은 고객(누구)을 행동하게 하는 것은 무엇인가?

올바른 질문을 하기 시작하면 시간을 낭비하지 않고 현명한 결정을 내리는 데 필요한 데이터를 식별해 낼 수 ​​있다.

관건은 행동을 취할 수 있는 데이터가 필요 하다는 것이다.

수집이전에 수집할 모든 데이터에 대해 정확히 어떻게 사용하는지 알아야 한다. 데이터가 너무 많으면 악마의 분석(시간과 노력의 투입이 인사이트 도출과 비례하는 것은 아니므로, 필요이상의 시간과 노력은 자제해야 한다.)이 발생할 수 있다. 인사이트를 이끌어 낼 수 있는 데이터에 집중해야 한다.

악마의분석

인사이트는 테스트 가설로 바꿀 수 있는 것들이다.

즉, AB테스트를 집행하기 전 반드시 데이터분석을 통한 인사이트를 끌어내어 이를 가설로 만드는 작업이 필요하다.

더 나은 AB 테스트를 위한 다섯가지 데이터 분석법

문제를 식별하고 이를 테스트 할 수 있는 가설로 전환하기 위해 5 가지 유형의 분석을 사용한다.

1. 휴리스틱 Heuristic 분석

휴리스틱분석 Heuristic Analysis 은 전문가가 이론과 경험을 근거로 하여 일련의 규칙을 만들어 놓고 평가 대상 웹사이트가 그러한 규칙들을 얼마나 잘 지키고 있는가를 확인하는 평가 방법이다. 전문가 검토라고도 하는 휴리스틱 평가는 웹 사이트가 사용자에게 친숙한지 확인하는 방법이다. 전문가적 시각에서 사이트에 대한 문제점을 파악하여 웹사이트 개선에 인사이트를 도출한다.

휴리스틱분석을 위한 프레임 워크는 다음을 기준으로 웹페이지를 판단한다.

  • 관련성 : 페이지가 사용자 기대치를 충족하는가?
  • 명확성 : 페이지의 컨텐츠 /제안은 명확한가?
  • 가치성 : 페이지가 사용자에게 가치를 전달하고 있는가?
  • 저항력 : 페이지에서 의심, 망설임, 불확실성을 유발하고 있는 것이 무엇인가?
  • 주의산만 : 페이지에 무엇이 사용자의 행동을 돕는데 방해가 되는가?
2. 테크니컬 분석

당신의 웹사이트가 모든 브라우저 버전과 모든 기기에서 완벽하게 작동한다고 생각한다면 오산이다.

많은 사이트들은 덜 인기있는 브라우저 버전을 무시하고 있는데, 사실 그로 인해 많은 영업기회를 잃고 있다. 당신은 이미 가장 설득력 있는 사이트를 보유하고있을 수도 있지만 사용자들이 이용하는 브라우저나 디바이스에 제대로 표시되지 않는다면 전환이 충분히 가능한 트래픽 원천을 얻을 수 없다.

이에 대한 해결책은 매우 간단하다.

기술적 분석을 위해서 간단하게 AB 테스트 가설수립을 위한 데이터분석 방법 구글애널리틱스 Google Analytics 를 활용해 보자.

구글애널리틱스 Google Analytics 를 열고, ‘고객 > 기술 > 브라우저 및 OS 보고서’ 로 이동한 후, 브라우저당 전환율을 확인한다.

브라우저당전환율

예를 들어 브러우저간 전환율의 차이가 보인다면, 기술적으로 브라우저 혹은 브라우저의 버전간 문제가 있을 수 있는 것이다. 문제가 있는 브라우저의 표시방식을 조사해 볼 수 있다.

브라우저 테스트 외에도 사이트의 속도가 트래픽 전환성과에 영향을 줄 수 있다.

사이트의 속도 테스트는 '페이지로드 시간'과 '페이지반응 시간'으로 나뉜다.

  • 페이지로드 시간 은 페이지의 모든 요소가 로딩될 때까지의 시간
  • 페이지반응 시간 은 사이트를 최초 사용할 수 있을 때까지의 시간

페이지반응 시간이 훨씬 더 중요하게 관리되어야 하는 지표이다. 왜냐하면, 페이지를 로딩하는 데 시간이 걸리더라도 페이지반응이 시작된다면 사용자 인식경험은 향상된다.

Jakob Nielsen 에 따르면, 사용자는 최대 10초의 로딩 타임을 핸들링할 수 있다. 이커머스의 경우 모든 사용가능한 콘텐츠가 로딩될 때까지 평균 4.9초가 소요된다. (이미 수년전 지표이기 때문에, 이 보다 훨씬 빨라야 할 것이다.)

구글애널리틱스 Google Analytics 를 열고, 여기에서 ‘행동 > 사이트 속도 > 페이지타이밍’ 을 확인한다. 더 느린 페이지를 비교하여 발견한다.

페이타밍

여기서 방문수 대비 속도의 이슈가 있는 페이지를 발견할 수 있다.

이제 Google Pagespeed Insights를 사용하여 사이트를 진단해 보고 구체적으로 어떠한 문제점들이 있는지 확인해 보고, 즉시 개선할 수 있는 것들을 작업한다.

페이지스피드인사이트

3. 디지털 행동분석

디지털 데이터분석에서도 주로 구글애널리틱스 Google Analytics 를 활용한다.

무엇보다 중요한 것은 분석이전에, 분석을 위한 설정이 올바르게 되었는지를 확인하는 것이다.

데이터분석에 대한 구성이 올바르지 못하면, 데이터가 유의미하지 않을 수 있고, 데이터가 완전하지 않으며, 정확하지 않을 수 있다.

구글애널리틱스 Google Analytics 사용설정에서 최초에 Property 설정과, View 설정이 데이터분석에 대한 구성에 해당된다. 여기서 중요한 점은 올바른 데이터를 수집하려면 모든 것이 올바르게 설정되고 올바른 보고서를 설정하는 기술이 있어야 한다는 것이다.

구글애널리틱스 Google Analytics를 통해서, 고객 혹은 사이트 방문자의 상당히 구체적인 행동에 대해서 파악할 수 있다. 이러한 이해를 통해서 웹사이트의 경험을 상당부분 최적화를 할 수 있다.

보다 심오한 데이터분석을 위해 구글애널리틱스 Google Analytics 무료강의를 들어보는 것은 어떨까?

구글무료강의

구글애널리틱스분석은 Google Analytics ABC 로 알려져 있듯이, 획득 Acquisition – 행동 Behavior – 전환 Conversion 을 데이터분석할 수 있다.

구글애널리틱스 Google Analytics 를 통해서 알 수 있는 것들은 아래와 같다.

  • 사람들(고객/오디언스/방문자)가 하는 행동
  • 페이지 및 우리가 제공하는 기능의 영향도와 성능
  • 사이트내에서 ROI가 좋은 곳과 그렇지 않은 곳

구글애널리틱스ABC

그렇지만, 구글애널리틱스를 AB 테스트 가설수립을 위한 데이터분석 방법 통해서 알 수 없는 것은 바로 ‘원인’ 이다.

무엇을, 어디서, 언제, 누가 보았는지 혹은 행동했는지 알 수 있지만 그 원인을 분석하는 것은 다른 분석방법을 활용해야 한다.

구글애널리틱스를 통해서 "무엇"과 "어디"에 대해서 발견 했다면, 한단계 더 나아가 “그 원인”도 찾아 보자.

4. 디지털정성조사

디지털 정성조사는 웹사이트 방문자와 기존고객을 대상으로 진행할 수 있다.

정성설문조사를 위해서는 설문 Polling 도구가 필요하다.

_웹사이트 설문조사

첫번째, 사람들이 전환하지 않는 이유 혹은 구매하지 않는 이유를 이해하는데 도움이 되는 것 중 하나는 페이지내 웹사이트 설문조사이다. 웹페이지내에서 가능한 정성조사에는 두 가지 방식이 있다.

  1. 출구조사 : 사이트를 떠나려고 할 때 팝업메시지를 표시
  2. 온페이지 서베이 : 특정 페이지를 방문할 때 설문조사를 작성하도록 요청

다양한 온라인 서베이를 가능하게 해 주는 도구들이 있고, 대부분 설정하기 쉽고 직관적이지만 조사 전략을 세우는 것만큼 중요한 것은 없다.

고객에게 질문을 보내기 전에 반드시 준비해야 하는 것은 다음과 같다.

  • 설문조사를 실시할 페이지를 구성하라.
  • 사전 작성된 템플릿 말고, 우리만의 질문을 작성하라.
  • 설문조사가 표시되는 행동조건의 기준을 결정하라.

설문 조사가 사람들을 성가시게 할 수도 있지만, 여기에서 얻을 수 있는 통찰력은 매우 높은 가치가 있다는 점을 주목해야 한다. 설문조사의 목표는 전환 가능성에 대한 병목 현상과 이탈 지점을 찾아내는 것이다.

사람들을 주저하게 만드는 것이 무엇인지 식별하는 것으로 시작하는 것이 좋다. 특정 페이지에 있는 방문자의 두려움, 의심, 불확실성은 과연 무엇인지를 이해하는 것이다.

예를 들어, "지금 가입을 방해하는 것이 있습니까?" 라고 묻는 것이다.

페이지가 명확하고 충분한 정보가 있는지 확인하고자 한다면, “이 페이지에 원하는 정보가 있지만 찾을 수 없습니까?” 라고 물을 수 있다.

특정 목표에 따른 페이지내 설문조사의 예제는 아래와 같다.

이탈률이 높은 페이지의 경우, "이 페이지가 기대에 부응했습니까?", 혹은 "이 페이지에 원하는 정보가 포함되어 있습니까?"라고 묻는다.

누락된 컨텐츠를 발견하기 위해서는, "다른 제품을 원하십니까?", 혹은 "이 페이지에서보고 싶은 다른 정보는 무엇입니까?"라고 물을 수 있다.

고객만족도에 대해서는, "친구나 동료에게 회사를 추천할 가능성은 얼마나 됩니까?", "서비스를 1-10 점으로 어떻게 평가 하시겠습니까?"라고 표현 가능하다.

구매의 동인에 대해서 파악하기 위해, "우리에게서 구매할 때 가장 큰 두려움이나 걱정은 무엇입니까?", 혹은 "지금 구매하지 않았다면 그 이유를 알 수 있습니까?", "우리 제품사용에 대한 가장 큰 두려움이나 걱정은 무엇입니까?"라는 질문이 유효하다.

_기존 고객 설문 조사

두번째, 기존 고객에 대한 이메일 설문 조사이다.

기존고객 설문조사는 현재 혹은 기존 고객으로부터 답변을 받는다는 점에서 페이지 방문자를 대상으로 하는 웹페이지 설문조사와 다르다. 조사설계는 대부분의 경우, 전문조사업체를 통해서 진행할 정도로 수년간 연구해온 복잡한 주제이지만, 노력여하에 따라 충분히 자체 실행해 볼 수 있다.

  • 최근 1~2개월내 첫 구매자에게 이메일 설문조사를 보냄. (이전경험 기억신뢰도 저하우려 방지)
  • 결과 왜곡을 방지하기 위해, 반복 구매자를 필터링함.
  • 최소 200 개의 응답을 얻음.
  • 단순한 ‘예 / 아니오’ 질문은 회피함.
  • AB 테스트 가설수립을 위한 데이터분석 방법
  • 대량데이터 수량화/코딩의 목적이 아닌 경우, 객관식 선택을 피함.

가장 중요한 것은 목표에 따라 질문을 설계하는 것이다.

고객으로부터 알고자 하는 것을 명확히 하는 것이 설계와 정량화의 난이도를 고려하는 것보다 훨씬 중요하다. 나무만 보고 숲은 보지 못하는 우를 피하기 위해서이다.

5. 마우스트래킹

마우스트래킹은 매우 다양한 통찰력을 얻을 수 있다. 다양한 유형의 마우스트래킹 기술은 다음과 같다.

마우스 움직임 히트맵 Heatmap

히트맵은 일반적으로 행렬의 개별 값이 색상으로 표시되는 데이터의 그래픽 표현을 말한다. 빨간색은 동작이 많고, 파란색은 동작이 없는 것을 의미한다. 트래픽이 적은 경우, 알고리즘 도구를 사용하여 히트맵을 생성 할 수 있다.

마우스히트맵

마우스클릭맵 Click map

클릭하는 위치를 추적할 수 있도록 하여, 사용자가 의도하는 링크를 클릭하는지, 링크가 아닌 것들을 클릭하는지 식별할 수 있다. 사람들이 클릭하고 싶지만 링크가 아닌 무언가 (이미지, 문장 등)를 발견 한 경우 분석을 통해서 추후 링크로 만들거나 링크처럼 보이지 않는 조치를 취할 수 있다.

마우스스크롤맵 Scroll map

스크롤이 표현되는 깊이는 사람들이 스크롤하는 거리를 나타낸다. 사람들의 이동거리를 파악하여 콘텐츠를 재배치하거나 디자인에 대한 인사이트를 확보할 수 있다.

사람들이 원하는 것보다 빨리 이탈하는 것을 발견하면 컨텐츠의 중요성과 위치를 다시 평가하거나 더 나은 시각적인 경로와 적절한 이정표 Signpost를 추가하여 페이지 아래로 안내 할 수 있다.

사용자 세션 재생

많은 도구가 사용자의 비디오 세션을 녹화하는 기능도 제공한다. 웹사이트를 탐색하는 사용자의 비디오를 재생할 수 있다. 특히, 사용자가 구매까지 여정을 마치는 과정을 통해서 어떤 경로로 어느 지점에서 주저하는지 어떤 것들을 확인하고 구매클릭을 하는지 등에 대해서 새로운 통찰력을 얻을 수 있다.

반대로, 유입경로상 많은 사람들이 빠져나가는 단계가 있는 경우, 해당 URL을 도달하는 사람들이 보이는 행동을 비디오를 통해 관찰하고 이에 대한 답을 구할 수 있다.

아래의 가이드라인을 따라서 제대로 시작해 보자.

  1. 주요 페이지에서 휴리스틱 분석을 수행한다. 관련성, 가치성, 저항력, 주의산만 사항 등을 확인한다.
  2. 모든 브라우저 및 장치에서 사이트가 올바르게, 빠르게 표시되는지 확인한다.
  3. Google 웹 로그 분석을 사용하여 상태 확인을 통해 올바르게 설정되었는지 확인한다. 필요한 것을 수집하는지? 수집되는 데이터를 신뢰할 수 있는지?
  4. 정성설문조사 (출구조사 또는 페이지내 설문조사)를 통해 원인을 이해한다. 의심 및 불확실성 요인을 식별하는 데 중점을 둔다.
  5. 마우스 추적, 세션 재생 및 양식 분석을 사용하여 문제를 발견한다. 사람들이 링크가 아닌 무언가를 클릭하고 있는지 파악한다. 어느 시점에서 스크롤다운하고, 어떤 양식 필드에서 망설이는지 파악한다.
  6. 사람들이 사이트에서 특정 행동을 완료하거나, 광범위한 여정 및 퍼널을 만들어 내는 것을 관찰한다. 이제 올바른 이해가 가능해 진다.
  7. 이제 데이터분석 인사이트에 기반한 가설을 개발하고, 검증할 가설들간의 우선순를 정한다.
  8. AB테스트 도구를 통해서 실험한다. AB테스트의 적절 샘플수는 여기를 참조해 본다.
  9. 실험은 상시로 진행한다.
  10. 이제, 전환율을 본격적으로 높이게 된다.

AB테스트도구 알아보기

avatar

Richard Jo

CEO & Founder at Performars “If you think you can you can. and if you think you can't you're right” Hands-on experience from strategy shaping to business operations in a cross-cultural market environment. Senior trainer at Richardson. Cross-cultural competence Coach. Worked at IBM, Deloitte, Gartner, GfK, Fuji Xerox.

기술 분석 거래에 대한 초보자 가이드 Olymp Trade.

과거에 가격이 어떻게 행동했는지가 미래를 반영하지는 않지만 과거를 연구하면 미래를 예측하는 데 도움이됩니다.

따라서 기술적 AB 테스트 가설수립을 위한 데이터분석 방법 분석은 거래의 중요한 부분을 형성합니다.

  • 데모 계정
  • Trade $ 1로
  • 최대 98% RoR
  • $10 최소 보증금

다리 traders는이 기법을 사용하여 trade 설정 및 신호.

가격의 이전 행동에 대한 연구는 광범위하고 다양합니다.

캔들 스틱 패턴, 차트 패턴, 그리기 및 기술 지표와 관련된 모든 것이 있습니다.

이 모든 것들은 거래 여정에서 우연히 만났을지도 모르지만 그것이 어디로 떨어지는 지 이해하지 못했습니다.

이 게시물에서는 기술 분석의 기본 사항을 안내합니다.

캔들 스틱 및 차트 패턴, 그리기 도구 및 기술 지표에 대해 한두 가지를 배울 수 있습니다.

기술적 분석 거래.

그렇다면 기술 분석 거래는 어떻게 이루어 집니까?

그리기 도구, 촛대 패턴, 차트 패턴 및 지표에 대한 지식을 적용합니다.

이러한 도구가 무엇인지 모르더라도 걱정하지 마십시오.

그들은 거래 플랫폼에서 쉽게 사용할 수있는 거래 도구이며 주로 자산 거래에서 승리를 결정하는 항목과 종료를 정의하는 데 사용됩니다.

1. 그리기 도구.

그리기 도구 Olymp Trade

이들은 몇 개의 버튼을 클릭하여 적용 할 수있는 거래 인터페이스에서 사용할 수있는 도구로 차트에 상당한 가격 수준을 그리는 데 유용합니다.

그리기 도구는 추세선, 수평선, 수직선 및 광선과 같은 것입니다.

피보나치 레벨과 피보나치 팬은 또한 가격에서 주요 레벨을 그리는 데 사용되기 때문에 그리기 도구로 AB 테스트 가설수립을 위한 데이터분석 방법 분류됩니다. traded 악기.

  • 추세선은 가격 차트에서 대각선으로 실행되는 그리기 도구입니다.

지원, 저항 및 결과적으로 가격 범위와 같은 자산 가격의 상당한 수준을 표시하는 데 유용합니다.

전체 추세를 결정하기 위해 피벗 포인트를 따라 그릴 수도 있습니다.

  • 반면에 수평선은 가격 차트를 왼쪽에서 오른쪽으로 가로 지르는 그리기 도구입니다.

이 선은 지원 및 저항과 같은 중요한 가격 수준을 식별하는 데 중요합니다.

  • 또한 가격 차트에 수직으로 이어지는 그리기 도구 인 수직선이 있습니다.

자산 가격에 따라 중요한 포인트를 표시하는 데 사용됩니다.

이러한 포인트는 trader.

  • Ray는 가격 차트에서 대각선으로 실행되는 그리기 도구입니다.

하나의 끝 점이 있고 다른 쪽은 무한대로 진행됩니다.

지지와 저항을 이끌어 내고 시장의 전반적인 추세를 보여주는 데 사용됩니다.

  • 피보나치 수준과 팬은 중요한 스윙 고점 및 스윙 저점과 관련하여 상당한 가격 반전 수준을 표시하기 위해 가격 차트에 사용되는 도구를 그립니다.

가격은 피보나치 비율을 사용하여 간격이 결정되는 수준에서 반전되는 경향이 있습니다.

캔들 스틱 패턴.

촛대 패턴은 명확한 모양을 형성하는 촛대 또는 단일 촛대의 세트입니다.

촛대가 형성하는 모양은 가격 상승 또는 하락과 관련이 있습니다.

다음은 낙관적 인 촛대 패턴.

대부분 하락세가 끝날 무렵 발생하여 강세 반전을 나타냅니다.

상승 추세 지속을 나타 내기 위해 상승 추세를 따라 발생할 수도 있습니다.

  • 완고한 팽창 – 더 큰 강세 캔들에 완전히 휩싸인 짧은 약세 캔들에 의해 형성됩니다. 강세 캔들은 갭을 내려서 약세 캔들 종가 아래에서 시가를 시작한 다음 동일한 캔들 시가 위에서 시가를 닫아야합니다.
  • 해머 – 짧은 몸체와 긴 아래쪽 꼬리를 가진 하나의 촛대로 형성됩니다. 꼬리는 몸통 높이의 두 배 이상이어야합니다.
  • 역 해머 -짧은 몸체, 긴 윗꼬리, 매우 짧거나 아랫 꼬리가없는 하나의 촛대로 형성됩니다.
  • 세 백인 군인 – 작은 심지가있는 XNUMX 개의 연속적인 강세 촛대로 형성됩니다. 두 번째부터 각 촛대는 이전보다 높게 열리고 닫아야합니다.
  • 피어싱 라인 – 장대 약세 촛대에 이어 장대 강세 촛대에 의해 형성됩니다. 강세 캔들은 갭을 내려서 약세 캔들 종가 아래에서 열린 다음 약세 캔들 바디의 중간 또는 그 위에서 종가를 닫아야합니다.
  • 새벽의 명성 – 롱 베어 리시 캔들에 이어 하락한 후 숏 바디 드 캔들 또는 도지, 그 후 상승한 갭, 롱 강세 캔들에 의해 형성됩니다.

촛대 패턴

다음은 약세 촛대 패턴.

하락 반전을 나타 내기 위해 대부분 상승 추세의 끝 부분에 발생합니다. 하락 추세 지속을 나타 내기 위해 하락 추세를 따라 발생할 수도 있습니다.

  • 약세 engulfing – 더 큰 약세 촛대에 완전히 휩싸인 매도 강세 촛대에 의해 형성됩니다. 약세 캔들은 강세 캔들 종가 위에서 시가를 올린 다음 동일한 캔들 시가 아래에서 닫아야합니다.
  • 교수형 남자 – 짧은 몸체와 긴 하단 꼬리를 가진 하나의 촛대로 형성됩니다. 꼬리는 몸통 높이의 두 배 이상이어야합니다. 해머와의 차이점은 상승 추세가 끝날 무렵에 발생한다는 것입니다.
  • 슈팅 스타 – 짧은 몸체, 긴 윗꼬리, 매우 짧거나 아랫 꼬리가없는 하나의 촛대로 형성됩니다. 역 해머와의 차이점은 상승 추세입니다.
  • 검은 까마귀 XNUMX 마리 – 작은 심지가있는 XNUMX 개의 연속적인 약세 촛대로 형성됩니다. 두 번째부터 각 촛대는 이전보다 낮게 열리고 닫아야합니다.
  • 어두운 구름 덮개 – 긴 강세 캔들에 이어 긴 약세 캔들에 의해 형성됩니다. 약세 캔들은 갭이 상승하여 강세 캔들 종가 위에서 시가를 올린 다음 강세 캔들 몸체 중앙 또는 그 아래에서 종가가 마감되어야합니다.
  • 저녁 별 – 매도 강세 촛대에 이어 갭 상승, 숏 바디 캔들 또는 도지, 그 후 갭, 롱 베어 리시 캔들에 의해 형성됩니다.

차트 패턴.

차트 패턴은 오랜 시간 후에 여러 개의 촛대에 의해 형성된 자산 가격의 패턴입니다.

촛대 패턴과 달리 차트 패턴은 명확한 모양을 형성하는 촛대 세트이며 완전히 형성하는 데 더 오래 걸립니다.

그러므로 인내심은 여기서 필수적입니다.

다음은 강세 차트 패턴.

대부분 하락세가 끝날 무렵 발생하여 강세 반전을 나타냅니다. 상승 추세 지속을 나타 내기 위해 상승 추세를 따라 발생할 수도 있습니다.

  • 오름차순 삼각형 – 촛대는 정점이 위쪽으로 기울어지는 삼각형을 형성합니다. 이탈은 삼각형의 위쪽 위로 위쪽으로 발생합니다.
  • 황소 깃발 – 촛대는 강한 가격 모멘텀이 상승하는 깃발 기둥을 형성 한 다음 깃발을 닮은 하향 기울어 진 패턴을 형성합니다. 이탈은 깃발의 위쪽 위쪽에서 발생합니다.
  • 컵과 핸들 – 촛대는 먼저 컵과 같은 U 자 모양을 형성 한 다음 손잡이와 같은 아래쪽 패턴을 형성합니다. 브레이크 아웃은 핸들 위쪽 위쪽으로 발생합니다.

컵과 핸들 패턴

다음은 약세 차트 패턴.

하락 반전을 나타 내기 위해 대부분 상승 추세의 끝 부분에 발생합니다.

하락 추세 지속을 나타 내기 위해 하락 추세를 따라 발생할 수도 있습니다.

  • 머리와 어깨– 캔들 스틱은 스윙 하이를 형성하고 그 다음에는 더 높은 스윙 하이가 뒤 따르고 낮은 스윙이 이어지며, 이는 거의 첫 번째와 같은 수준입니다. 가격은 목선 아래로 떨어집니다.
  • 곰 깃발 – 촛대는 강력한 하향 모멘텀의 깃발 기둥을 형성 한 다음 깃발과 유사한 상향 경사 패턴을 형성합니다. 이탈은 깃발의 아래쪽 아래에서 발생합니다.
  • 내림차순 삼각형 – 촛대는 정점이 아래쪽으로 기울어지는 삼각형을 형성합니다. 삼각형의 아래쪽 아래에서 브레이크 아웃이 발생합니다.

기술 지표.

기술 지표는 가격이 진행됨에 따라 시장의 가능한 진입 점을 표시하는 데 사용되는 차트 분석 도구입니다.

그들은 가격이 더 작은 규모로 어떻게 변하는 지 보여주는 자산의 가격을 따라 이동하므로 가격이 다음에 어디로 이동할지에 대한 힌트를 제공합니다.

다음은 몇 가지 기술적 지표입니다.

  • 이동 평균 – 방법 중 하나 trade 이동 평균은 MA 크로스 오버입니다.

서로 다른 기간의 두 MA를 적용합니다.

Trade 단기 MA가 장기 MA를 가로 지르는 방향으로.

또 다른 방법은 가격 반등입니다.

MA 20이라고 말하면서 하나의 MA를 적용하십시오.

가격이 MA를 위아래로 교차 할 때까지 기다리십시오.

가격을 교차, 하락 또는 상승하는 방향으로 유지하여 MA에 도달하도록하고 MA를 지나서 하락 또는 상승하지 않고 성공적으로 다시 테스트하십시오.

소프트웨어 테스팅에서 영향 분석이란 무엇입니까?

아시다시피 기술은 사회에 긍정적 인 영향과 부정적인 영향을 모두 미칩니다. 모든 간단한 변경은 해당 시스템에 영향을 줄 수 AB 테스트 가설수립을 위한 데이터분석 방법 있습니다. 아주 작은 변화라도 시스템에 큰 영향을 미칠 수 있습니다.

이 자습서에서는 영향 분석을 자세히 이해하고 영향 분석 문서를 준비하는 몇 가지 단계도 살펴 봅니다.

ER (엔티티 관계) 다이어그램의 도움으로이 분석의 중요성을 이해하겠습니다.

소프트웨어 테스트의 영향 분석

  • 영향 분석의 중요성
    • 영향 분석이란?
    • 효과적인 영향 분석을 수행하는 방법?
    • 영향 분석 방법은 개발자에게 어떻게 유용합니까?
    • 영향 분석 방법은 테스터에게 어떻게 유용합니까?
    • 영향 분석 문서를 준비하는 방법은 무엇입니까?
    • 테스트에서 영향 분석의 장점
    • 추천 도서

    영향 분석의 중요성

    Department Shop Management System의 ER 다이어그램을 고려하십시오. 'Item'모듈의 이름을 'Product'모듈로 변경하여이 데이터 모델 다이어그램을 편집하려고합니다. 그림 : No. 01에서 'Item'모듈이 다른 많은 모듈과 관련되어 있음을 알 수 있습니다. 따라서 'Item'모듈의 이름을 변경하면 불가피하게 다른 모듈에 영향을 미칩니다.

    ER 다이어그램


    그림 : No. 01 : 백화점 관리 시스템

    따라서 이러한 변경을 수행하기 전에 데이터 모델과 변경의 영향에 대해 잘 분석해야합니다. 관심있는 사람들이 모듈에서 커밋 할 변경의 결과에 대해 신중하게 생각하지 않는 경우 애플리케이션 자체의 올바른 작동에 영향을 미칠 수 있습니다. 이것이 영향 분석이 매우 중요한 이유입니다.

    참고 :이 분석은 예상치 못한 동작과 애플리케이션의 모든 부작용을 보여줍니다.

    영향 AB 테스트 가설수립을 위한 데이터분석 방법 분석이란?

    여기에는 애플리케이션의 기능 / 모듈에서 변경된 영향을 분석하는 것이 포함됩니다. 프로젝트 요구 사항, 시스템 디자인, 코딩, 테스트 등과 같은 소프트웨어 개발 라이프 사이클의 거의 모든 단계에서 수행 할 수 있습니다.

    • 영향 분석 문서의 도움으로 모듈을 분석합니다. 모듈 / 제품의 모든 종류의 변경과 관련된 위험을 찾습니다.
    • 시스템을 변경하는 데 필요한 팀 노력을 추정하는 데 도움이됩니다.
    • 또한 개발자와 테스터가 시스템에서 효과를 경험할 수 있도록 프로토 타입을 구현하는 데 도움이됩니다.

    효과적인 영향 분석을 수행하는 방법?

    다음은 프로젝트 분석을 수행하는 단계입니다.

    1. 팀을 준비하십시오.
    2. 고급 모듈을 검사합니다.
    3. 하위 수준 모듈을 검사합니다.
    4. 영향을 평가합니다.
    5. 부정적인 결과를 관리합니다.

    1 단계 팀 준비

    애플리케이션의 모듈을 변경하기 전에 팀이 있어야합니다. 팀 구성원은 응용 프로그램의 모든 모듈에 액세스 할 수 있어야하며 제안 된 변경 사항에 대한 철저한 지식이 있어야합니다.

    일부 팀원은 모든 모듈을 인식하지 못합니다. 하지만 임팩트 분석을 실시한 후 모든 구성원은 시스템에 대한 철저한 지식을 갖게됩니다.

    2 단계 고급 모듈 검사

    팀 구성원은 먼저 제안 된 변경 사항의 영향을받을 수있는 응용 프로그램의 상위 수준 모듈을 분석합니다. 이 시점에서 그들은 모듈의 전략 및 워크 플로 규칙에 대해 더 잘 알고 있어야합니다.

    3 단계 하위 수준 모듈 검사

    상위 수준 모듈을 검사 한 후 팀 구성원은 하위 수준 모듈을 검사하고 변경 사항의 영향을 식별합니다. 팀 구성원은 각 모듈의 변경 영향을 나열하는 문서를 준비 할 수 있습니다. 엑셀 시트 나 워드 문서를 사용할 수 있습니다.

    4 단계 영향 평가 AB 테스트 가설수립을 위한 데이터분석 방법

    팀원이 작성한 문서에는 변경 사항의 긍정적 인 영향과 부정적인 영향의 목록이 모두 표시됩니다. 문서의 도움으로 팀 구성원은 변경으로 인해 발생할 수있는 이점과 변경으로 인해 직면하게 될 문제에 대한 명확한 아이디어를 갖게됩니다.

    5 단계 부정적인 결과 관리

    지금은 팀원들이 변경 사항의 장단점에 대한 정확한 아이디어를 갖게 될 것입니다. 결과적으로 팀 구성원 및 이해 관계자와 논의한 후 변경 사항을 수락하거나 거부 할 수 있습니다.

    테스터는 회귀 테스트를 수행 할 수 있습니다. 회귀 테스트는 모듈 변경의 영향으로 인해 발생한 모듈 간의 문제를 인식하는 데 도움이됩니다.

    영향 분석 방법은 개발자에게 어떻게 유용합니까?

    프로젝트에서 때로는 개발 프로세스를 시작한 후에도 클라이언트가 제시 한 요구 사항이 변경 될 수 있습니다. 개발자는 일부 코딩을 수행했을 수 있습니다. 나중에 요구 사항의 변경으로 인해 코드를 변경해야합니다. 따라서 개발자는 요구 사항에 따라 코드를 편집하고 변경 사항을 커밋합니다.

    개발 프로세스에는 둘 이상의 개발자가 참여할 수 있습니다. 어떤 상황에서는 둘 이상의 개발자가 코드를 커밋하기 때문에 다른 모듈에서 변경 사항의 영향을 추적하기가 매우 어렵습니다.

    개발자‘A’는 개발자‘B’가 처리하는 다른 모듈의 워크 플로를 인식하지 못할 수 있습니다. 따라서 개발자가 테스트를 수행하더라도 일부 모듈과 기능은 '테스트되지 않음'으로 유지됩니다. 개발자는 또한 공유 리소스를 잘 추적해야했습니다.

    이러한 상황에서 우리는 모듈을 변경하기 전에 소프트웨어 영향 분석 회의를 수행 할 수 있습니다. 회의 후 팀 구성원은 영향 분석 문서를 준비합니다. 최신 변경 사항과 모든 위험 기반 정보를 반영해야합니다.

    회의 후 개발자는 응용 프로그램의 모든 모듈을 알게됩니다. 이러한 회의에서는 각 팀원의 의견을 고려합니다.

    개발자는 변경하기 전에 전체 애플리케이션 / 최종 제품을 고려합니다. 개발자가 수행 한 테스트가 더 좋습니다. 따라서 최종 개발 단계에서 오류가 발생할 위험이 줄어 듭니다.

    참고 : 영향 분석 문서는 최신 상태로 유지해야합니다.

    영향 분석 방법은 테스터에게 어떻게 유용합니까?

    개발자와 테스터 간의 커뮤니케이션은 매우 중요합니다. 때때로 테스터는 요구 사항의 변경에 대한 알림을받지 못하고 변경에 대한 정보없이 테스트 프로세스를 계속합니다. 이것은 시간과 자원의 낭비입니다.

    영향 분석 방법이 없으면 애플리케이션의 새로운 기능은 '테스트되지 않음'으로 유지됩니다. 테스터가 애플리케이션에 추가 된 새 기능에 대해 알고 있으면 회귀 테스트를 시작할 수 있습니다.

    분석 후 테스터는 요구 사항의 변경 또는 시스템에 추가 된 새로운 기능에 따라 테스트 케이스를 생성하거나 수정하기 시작합니다.

    노트 : 이 분석은 테스터가 테스트에 집중할 영역을 결정하는 데 도움이되고 테스트 케이스의 우선 순위를 지정할 수 있습니다. 따라서 AB 테스트 가설수립을 위한 데이터분석 방법 테스트의 효율성이 향상 될 수 있습니다. .

    영향 분석 문서를 준비하는 방법은 무엇입니까?

    영향 회의의 모든 참가자는 영향 분석 문서 작성에 기여합니다. 일반적으로 엑셀 파일입니다. 워드 문서 일 수도 있습니다.

    이 문서의 템플릿은 매트릭스와 같습니다. 이해하기 매우 쉽습니다. 가독성이 높습니다. 자세한 내용은 표 02를 참조하십시오.

    영향 분석 문서를 준비하는 방법을 알아 보겠습니다. 프로젝트에는 많은 모듈, 기능 및 기능이 포함될 수 있습니다.

    5 가지 기능이있는 작은 프로젝트를 고려하십시오.

    아래 (표 02)는이 특정 프로젝트의 해당 영향 분석 표입니다.

    여기서 열은 변경된 모듈 / 기능을 나타내고 매트릭스의 행은 변경의 영향을받은 모듈 / 기능을 나타냅니다. 개발자는 기능 'A'의 변경이 기능 'B'에 영향을 미칠 때 표에 표시 ()를 표시합니다. 이 문서가 테스터에게 제공되기 전에.

    풍모로그인프로필사서함즐겨 찾기에 추가로그 아웃
    .
    로그인
    프로필
    사서함
    즐겨 찾기에 추가
    로그 아웃

    표 02

    강한 영향력을 보여주기 위해 RED 색상을 사용했습니다. 노란색은 적당한 영향을 나타 내기 위해 사용되며 녹색은 약한 영향을 나타냅니다. 자세한 내용은 표 03을 참조하십시오.

    이를 통해 테스터는 문서의 다른 색상 코드를보고 모듈의 변경 사항을 쉽게 이해할 수 있습니다. 이 문서는 개발자를위한 체크리스트 역할을하며 모듈과 종속성이 누락되었는지 여부를 확인할 수 있습니다.

    그림 물감기술
    그물높은 영향력
    노랑중간 영향력
    초록주 영향

    표 03

    로그인 기능이 변경되면 대부분 '로그인'기능 자체에 영향을 미칩니다. 로그인 기능의 변경 사항은 '프로필'기능과 '로그 아웃'기능에 약간 영향을 미칠 수 있습니다. 이는 색상 코드를 사용하여 영향 분석 문서에 표시됩니다. 따라서 문서는 Table No.04와 같습니다.

    풍모로그인프로필사서함즐겨 찾기에 추가로그 아웃
    로그인
    프로필
    사서함
    즐겨 찾기에 추가
    로그 아웃

    테이블 No.04

    숫자를 사용하여 표 05에 표시된 영향력 수준을 나타낼 수 있습니다. 따라서 Table No.04는 Table No.06과 같이 다시 그릴 수 있습니다.

    표 06에서는 로그인 기능 (영향 수준 : 03)이 가장 높은 우선 순위를가집니다. 프로필 기능 (영향 수준 : 02)은 중간 우선 순위가 부여됩니다. 로그 아웃 기능 (영향 수준 : 01)에 가장 낮은 우선 순위가 부여됩니다.

    영향력 수준기술
    3. 네트워크강한 영향력
    2. 노란색매질
    1. 그린낮은

    테이블 No.05

    풍모로그인프로필사서함즐겨 찾기에 추가로그 아웃
    로그인 3. 네트워크
    1. 그린 2. 노란색
    프로필
    사서함
    즐겨 찾기에 추가
    로그 아웃

    표 06

    노트 :

    • 표에 표시된 숫자는 QA 팀에 매우 유용합니다. 그들은 쉽게 숫자를 기반으로 테스트 케이스의 우선 순위를 지정할 수 있습니다.
    • 일부 큰 프로젝트는 더 많은 수준의 영향력을 갖습니다. 아래 표에 명시되어 있습니다. (참고로 Table No.07을 확인하시기 바랍니다.)

    영향 수준기술
    5 매우 강한
    4 강한
    매질
    약한
    1 매우 약한

    표 No.07

    많은 기능과 하위 기능이있는 프로젝트에 대한 영향 분석 문서를 준비하는 방법은 무엇입니까?

    20 개의 기능이있는 프로젝트를 고려하고 해당 프로젝트의 모든 주요 기능에는 각각 5 개의 하위 기능이 있습니다. 영향 분석 문서를 나타내는 매트릭스는 매우 커서 유지 관리하기 어려울 것입니다. 해당 테이블은 테이블 번호와 같습니다. 08.

    기준 치수 모듈 1하위 모듈 1하위 모듈 2하위 모듈 3. 모듈 2하위 모듈 1하위 모듈 2.
    모듈 1
    하위 모듈 1
    하위 모듈 2
    .
    모듈 2
    하위 모듈 1

    표 No.08

    따라서이 문제를 극복하기 위해 영향 분석 문서에서 모듈 및 하위 모듈을 나타내는 특수 테이블을 사용할 수 있습니다. Table No.09를 참조하여 행은 주요 기능, 열은 하위 기능을 나타냅니다.

    하위 모듈 1하위 모듈 2하위 모듈 3하위 모듈 4하위 모듈 5
    모듈 7
    모듈 1
    모듈 2
    모듈 3
    모듈 4
    모듈 5

    표 09

    이 문서를 대규모 프로젝트에 사용함으로써 개발자는 주요 기능의 변경으로 인해 영향을 미치는 하위 기능을 쉽게 표시 할 수 있습니다. 이 문서의 가독성은 다음과 비교할 때 더 좋습니다. 표 09 .

    참고 : 모든 하위 기능은 주요 기능의 변경으로 인해 영향을받지 않습니다.

    이제 50 개의 주요 모듈이있는 다른 프로젝트를 고려하십시오. 이 프로젝트에는 개발자 그룹이 있습니다. 다른 개발자는 프로젝트에서 다른 작업 (새 기능 추가, 버그 수정, 리팩토링 등)을 수행하고 있습니다.

    영향 분석 문서를 사용하여 프로젝트의 변경 사항을 표시 할 수 있습니다. 개발자는 해당 변경 사항에 대한 정보를 테이블에 기록합니다. 표 10, 표 11을 참조하십시오.

    구성 변경개발자 의견우선 순위향후 계획
    모듈 1 Chrome 브라우저Chrome 브라우저를 사용하여 테스트합니다. 버그 보고서 # 001
    모듈 2
    모듈 3
    모듈 4
    모듈 5
    모듈 6

    표 10

    아이템 기술
    구성 변경
    프로젝트에서 일부 모듈 / 기능의 변경은 사용 된 장치 / 환경에 따라 다릅니다. 개발자는 테스터가 변경 사항을 더 잘 이해할 수 있도록 문서에서 구성 변경 사항을 지정해야합니다.
    개발자의 의견 테스트를 수행하는 동안 테스터에게 필요한 가장 중요한 정보 중 하나입니다.
    우선 순위 테스터는 문서의 색상 코드 또는 숫자를 사용하여 테스트 작업의 우선 순위를 쉽게 지정할 수 있습니다.
    향후 계획 테스터는 개발자의 향후 계획을 알고 있어야합니다. 개발자가 몇 주 후에 코드를 변경할 계획이라면 테스터는 기능을 테스트하고 시간을 낭비 할 필요가 없습니다. 테스터는 개발자가 코딩 프로세스를 완료 할 때까지 기다릴 수 있습니다.

    표 11

    테스트에서 영향 분석의 장점

    • 정확한: 이 문서는 항상 애플리케이션의 모듈 / 기능 변경에 관한 정확한 데이터를 제공합니다.
    • 테스트 효율성 향상 : 이 문서의 도움으로 테스터는 모듈의 변경 사항에 대한 명확한 정보를 제공하므로 테스트 사례를보다 효율적으로 계획 할 수 있습니다.
    • 동기화 된 작업 : 모든 팀 구성원은 영향 분석 문서를 업데이트 할 책임이 있습니다. 이 문서는 최신 상태 여야합니다.
    • 정확한: 문서를 쉽게 읽을 수 있기 때문에 테스터는 문서를보고 애플리케이션의 변경 사항에 대한 명확한 아이디어를 갖게됩니다.
    • 테스트 시간 감소 : 전체 시스템을 테스트하는 것 외에도 테스터는 변경된 모듈 및 하위 모듈에서 테스트를 수행 할 수 있습니다. 테스터는 테스트 케이스의 우선 순위를 지정하고 계획 할 수 있습니다. 따라서 테스트 시간을 줄일 수 있습니다.
    • 범위 증가 : 이 문서를 사용하여 테스터는 모듈 변경 사항의 영향을받는 하위 모듈을 확인했는지 확인합니다. 이렇게하면 프로젝트의 테스트 범위가 증가합니다.
    • 테스트 결과의 표준화 : 개발자와 테스터는 모듈의 모든 변경 사항을 나타내는 공통 영향 분석 문서를 사용합니다.
    • 팀의 책임 증가 : 팀 구성원은이 문서를 최신 상태로 유지해야합니다. 모든 팀원은 자신이 시스템에 적용한 변경 사항에 대한 정보를 업데이트 할 책임이 있습니다.
    • 작업의 우선 순위를 빠르고 쉽게 지정하십시오. 문서는 변경 사항에 대한 명확한 그림을 제공하므로 테스터는 이에 따라 테스트의 우선 순위를 지정할 수 있습니다.
    • 제품에 대한 명확한 지식 : 이 문서의 도움으로 개발자와 테스터 모두 시스템에있는 모든 모듈에 대한 아이디어를 갖게됩니다.
    • 쉬운 버그 감지 : 버그 감지가 훨씬 향상되었습니다. 영향 분석 문서는 통합 테스트에 유용합니다.

    프로젝트는 영향 분석을 사용하거나 사용하지 않고 수행 할 수 있습니다. 그러나 위 기사에서 영향 분석 문서의 이점을 확인했습니다. 이 문서의 도입으로 테스트 시간이 크게 단축되었습니다. 테스터는 변경되지 않은 기능을 테스트하여 시간을 낭비 할 필요가 없습니다.

    이 문서의 도입으로 개발자와 테스터 간의 의사 소통이 훨씬 향상되어 테스트 효율성이 향상됩니다. 테스터는 전체 시스템에 대해 더 잘 이해할 수 있습니다.

    알기쉬운 딥러닝 - 딥러닝과 빅데이터란 무엇인가?

    빅데이터 시대가 열린 이후 다양한 기술 핫 키워드가 등장하기 시작하였다. 특히, 올해 3월 구글의 알파고와 이세돌 9단이 바둑 대국을 한 이후 인공지능(Artificial Intelligent, AI)이 세계를 강타했다. 그로 인해 딥 러닝(Deep AB 테스트 가설수립을 위한 데이터분석 방법 Learning)과 머신 러닝(Machine Learning)에 대해서도 관심이 증폭되었다. 과연 딥 러닝과 머신 러닝이 무엇인지, 딥러닝과 빅데이터 사이에 연관성이 있는지 알아보도록 하자. 또한, 딥러닝의 응용사례도 살펴보도록 하자.

    딥 러닝(Deep Learning)이란?

    엑셀에서 데이터의 추세선 옵션을 이용한 그림 그리기는 한번쯤은 해보거나 보았을 것이다. 이는 을 엑셀로 활용한 아주 간단하고 쉬운 방법 중 하나이다. 많이 들어봤겠지만 회귀분석은 데이터간의 관계를 분석하고 모델식을 만드는 데이터 마이닝 기법 중에 하나이다. 정확성이 상대적으로 떨어지고 모델 정교화를 위해 분석가의 노력이 많이 필요하다는 단점을 가지고 있다. 그래서 등장한 것이 이다. 이는 사람의 뇌를 영상케하는 방법으로, 블랙박스 형태로 데이터를 입력하면 자동으로 복잡한 수학식으로 모델링 되는 기법이다. 예를 들면, 텍스트, 사진, 동영상 등에서 강아지를 구분해야 할 때 강아지의 특징들을 확인하고 다양한 요소들을 조합하여 자동으로 강아지를 검출한다.

    인공신경망: 인공신경망은 사람의 뇌를 영상케하는 방법으로 인풋에 따라 아웃풋이 결정되는 블랙박스 형태이다.

    | 인공신경망 (출처: Science Clarified 홈페이지)

    훈련 데이터(Training Data)를 통해 학습된 속성을 기반으로 예측 및 분류하는 알고리즘을 연구하는 분야를 우리는 머신 러닝(Machin Learning; 기계학습)이라고 부른다. 즉, 인공신경망은 머신 러닝의 한 분야이다. 인공신경망의 정확성을 높이기 위해 학자들의 연구가 많이 이루어졌다.
    특히 최적화 이론(Optimization)과 다양한 커널 함수(kernel function)를 AB 테스트 가설수립을 위한 데이터분석 방법 활용해서 모델식의 정확성을 높였다. 또한, 빅데이터 기술이 등장하면서 많은 데이터를 모델링에 쓸 수 있었으며 정확성도 더욱 높아지는 효과를 볼 수 있었다. 여기서 인공신경망에 빅데이터를 결합한 것을 우리는 딥 러닝(Deep Learning)이라고 부른다. 따라서 딥 러닝은 머신 러닝의 한 종류라고 할 수 있다.

    머신러닝, 딥러닝, 빅데이터 관계도: 인공지능(AI)안에 머신러닝이 포함되어 있고 머신러닝안에 데이터마이닝과 딥러닝이 속해 있으며 서로 교집합이 존재한다. 딥러닝은 인공신경망과 빅데이터 기술이 만나서 발전한 학문이다.

    | 머신 러닝, 딥 러닝, 빅데이터 관계도

    더 자세히 이야기하면 강아지를 분류할 때 인공신경망은 분석가가 사진 속 이미지가 강아지인지 아닌지를 미리 알려줘야 한다. 또한 강아지의 특징을 사람이 미리 정의 내려야 한다. 하지만 딥 러닝은 강아지를 포함한/포함하지 않는 사진을 방대하게 주고 자동으로 강아지인지 아닌지를 군집화하고 분류한다.
    즉, 사람의 노력 없이 컴퓨터가 스스로 훈련해서 강아지의 패턴을 찾아내고 자동으로 분류해준다. 이를 가능하게 해준 것이 빅데이터 기술이다.

    딥러닝을 활용한 강아지 분류: 딥러닝기술을 활용하여 강아지사진을 보고 강아지라고 분류할 수 있다.

    | 딥 러닝을 활용한 강아지 분류

    여기서 잠깐! 그렇다면 데이터 마이닝(Data Mining)과 머신 러닝(Machin Learning)과는 어떤 차이가 있을까? 간단히 얘기하자면 데이터 마이닝은 현재 데이터의 특징을 알아내는데 중점을 두고 있고, 머신 러닝은 현재 데이터를 가지고 학습 한 뒤 미래를 예측하는데 중점을 두고 있다. 예를 들면, 강아지를 분류할 때 데이터 마이닝은 강아지의 중요 특징인 귀, 입, 색깔 등을 발굴하는 반면에 머신 러닝은 보유한 강아지 사진을 통해 새로운 사진이 강아지인지를 예측한다.

    딥 러닝을 주로 사용하는 분야는 음성인식 및 이미지 인식이다. 데이터 양도 많아지고 있고, 정확성이 상대적으로 높기 때문에 딥러닝 기술을 활용하여 많은 기업에서 관련 서비스를 제공하고 있다. 예를 들면 페이스북, 구글이 대표적인 기업이다.

    페이스북 사용자라면 누구든지 알 것이다. 친구들과 찍은 사진을 올리면 자동으로 친구의 이름이 태그 되는 것을 볼 수 있다. 이는 딥 러닝 기술을 활용하여 친구의 얼굴을 인식하고 분류하는 딥 페이스(Deep Face)라는 알고리즘이다. 인식 정확도는 97.25%이며 인간이 인식(97.53%)한 것과 거의 비슷하다고 할 수 있다. 딥러닝 기술은 광고에도 활용되고 있다. 게시한 사진의 제품을 분석하여 이를 기반으로 사용자에게 맞춤형 광고를 하고 있다.

    페이스북의 딥페이스 기술: 페이스북의 딥페이스 기술은 사람의 사진을 보고 누구인지 인식해주는 기술이다.

    | 페이스북의 딥페이스 기술 (출처: mirror.co.uk)

    구글에서는 사진 태킹, 음성 인식에 딥 러닝을 활용하고 있다. 오래 전 개발되었던 구글 번역기도 딥 러닝 기술을 활용한 이후 정확도가 점점 높아지고 있다. 또한, 구글은 이용자들의 사진들을 인식하고 분류해 앨범을 자동으로 만들어주는 서비스도 제공하고 있다.
    중국의 구글이라고 불리는 바이두는 음성인식, 이미지 인식, 이미지 검색 기능을 강화하기 위해 딥러닝 기술을 사용하고 있다. 국내의 경우, 네이버의 음성 검색에서 딥 러닝 기술을 적용하고 있다. 또한 뉴스 요약 및 이미지 분석에도 딥 러닝을 확대 적용하고 한다.

    딥러닝을 활용한 네이버의 음성검색: 딥러닝 기술을 활용한 네이버의 음성검색기능이 있다.

    | 딥러닝을 활용한 네이버의 음성검색 (출처: bloter.net)

    올해 초 구글이 개발한 알파고로 인해 세상이 들끊면서 인공지능에 대한 인기가 치솟았다. 알파고도 딥 러닝 기술을 활용한 사례라고 볼 수 있다. 또한, 자동차 무인주행도 마찬가지로 딥 러닝을 활용하였다. 아직은 안전상의 문제로 대중화되지는 못했지만, 예전에 비해 기술발전이 크게 이루어지고 있다.
    과거의 경우 차가 건널목을 지나려고 할 때 건널목에 사람이 있는지, 차가 있는지, 신호가 바꿨는지 등등 일일이 사람이 질문을 만들어서 넣어줘야 했다. 하지만 지금은 건널목에서 차가 지나갈 때의 위험한/정상인 상황의 방대한 동영상 및 사진 데이터를 넣어두고 컴퓨터가 그 데이터를 학습하고 건너야 할지 말아야 할지를 자동으로 파악한다.
    알파고도 마찬가지로 수많은 바둑 상황 데이터를 넣어두고 상황에 맞게 자동 판단한다. 다른 점은 가능한 모든 상황에 따라 이길 확률을 계산하고 확률이 높은 수를 선택한다는 것이다. (Monte-Carlo Tree Search 방법 사용)

    구글의 알파고와 무인주행: 딥러닝 기술의 활용사례로 구글의 알파고와 자동차 무인주행사례가 있다.

    | 구글의 알파고와 무인주행 (출처: 주간 동아) (출처: bloter.net)

    인공신경망의 기술적 발전과 방대한 데이터를 다룰 수 있는 빅데이터 기술의 발전으로 인해 딥 러닝은 우리 생활에서 큰 역할을 하기 시작하였다. 하지만 다양하고 방대한 데이터의 보유 여부에 따라 딥 러닝의 성공여부가 갈린다. 즉, 아직 발생하지 않았거나 거의 발생하지 않는 상황의 데이터까지 컴퓨터가 자동으로 판단할 수 없다. 이런 함정으로 인해 5번의 경기 중 이세돌 9단이 이길 수 있었던 계기가 된 것이다. 무인주행의 사고 또한 마찬가지이다.
    많은 양의 사고 영상 및 위험한 상황의 데이터를 보유하고 있어도 우리가 상상하지 못하는 사고는 항생 발생하기 마련이다. 딥 러닝의 성공적 적용을 위해서는 다양한 데이터의 수집하고 우리가 알지 못하는 미지의 상황에 대한 대체방법을 생각해야 한다.
    많은 양의 데이터가 있더라도 그것을 어떻게 딥 러닝 기술로 활용할 것인지, 정확도를 높이기 위한 미세 조정을 어떻게 할지, 인간이 만족할 만한 수준에 이르기까지 앞으로 많은 노력과 비용이 들것이라 생각한다.

    ▶   해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
    ▶   해당 콘텐츠는 사전 동의없이 2차 가공 및 영리적인 이용을 금하고 있습니다.


0 개 댓글

답장을 남겨주세요