미니의 프로그래밍 이야기

2013 우수 IT기술 비즈라운드 행사 안내

미니~ — Mon, 17 Jun 2013 08:06:00 +0900

모바일 분석 서비스인 핑그래프(Fingra.ph)가 2013 우수 IT기술 비즈라운드 행사에 참석합니다.

Fingra.ph는 8월 새로운 버전 오픈을 앞두고 있는데 참석하시는 분들은 새로운 기능들의 일부를 확인할 수 있습니다.

이번주 18일 ~ 19일 동안 양재동 EL타워 5층에서 열리고,

19일 3시 반부터 Fingra.ph 관련 제 발표 세션도 있으니 관심있는 분들의 많은 참여 바랍니다.

2013 우수 IT 기술 비즈라운드

Fingra.ph 초청장

벤처기업협회가 개최하는 "2013 우수 IT 기술 비즈라운드"
행사에 Fingra.ph가 귀사를 초대합니다.

모바일 분석 플랫폼 Fingra.ph의 시연을 통해
새로운 모바일 비즈니스의 가능성을 확인하세요.

행사 참가자를 위한 최신 IT 기기 경품 추첨의 기회도
참여할 수 있습니다.

참가자 혜택

사전 등록을 하신 참가자 분들께 푸짐한 기념품과 경품 응모의
기회가 있습니다.

- 매일 선착순 참가자 50분께 기념품 제공
- 추첨을 통한 탭북, 갤럭시S4 등 최신 IT 기기 경품 제공

* 경품 내역은 주최측 사정에 의해 변경될 수 있습니다.
* 모든 기념품과 경품은 주최측이 준비하여 제공해 드립니다.

행사개요 안내

일시 : 2013년 6월 18일(화) ~ 19일(수)
장소 : 양재동 EL타워 메리골드 홀(5층)
주최, 주관 : 미래창조과학부, 벤처기업협회
후원 : 전자부품연구원(KETI), 한국전자통신연구원(ETRI), 한국 인터넷 진흥원(KISA)
한국 무선 인터넷 산업연합회(MOIBA), (주)KT, (주)LG유플러스, (주)SK텔레콤
참가자 : IT중소기업, IT기술 수요기업(기관), 투자기관(VC등), 유광기관, 정부 등 300여명 규모
주요 프로그램

구분	세부내용	비고
전시 및 시연	모바일 서비스, 클라우드 컴퓨팅, 앱 개발 및 SW솔루션 등	14개사
솔루션 발표	IT 중소 기업 우수 솔루션 발표	6개사 내외
세미나/ 기조연설	최신 IT기술 동향 및 이슈 소개와 IT중소기업의 대응방안, 사업화 방안 등 모색	4개 주제 내외
투자유치설명회	투자유치설명회 및 1:1투자미팅(V.C., 엔젤 등 투자자 초청)	20개사 내외
Networking 오찬	참가기업 임원, 관계기관 등 상호협력을 위한 네트워킹 교류	40여명
1:1비즈니스 상담회	IT기술 수요기업과의 비즈니스 및 특허, 창업, 투자, 기술사업화 등 One Point Consulting - KT, LG U+, SK텔레콤 등 대기업 및 사업관련 전문기관	6개사 (관련 기업/기관 등)

※IT벤처 창조경영 Leaders Net. 병행 개최

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 세미나' 카테고리의 다른 글

2013 우수 IT기술 비즈라운드 행사 안내 (0)	08:06:00
2013년 제 2회 클라우드 & OSS 컨퍼런스 (0)	2013/05/22
제7회 공개SW개발자대회 안내~ (0)	2013/05/20
China Mobile Global Developer Conference 2012 ~ (0)	2012/12/10
[세미나] CTO 클라우드 컴퓨팅 (0)	2012/05/29
[세미나] 아이디테일과 함께하는 오픈소셜 세미나 (2)	2008/03/24

애플 아이폰/아이패드 앱 소유권 이전 지원~

미니~ — Tue, 11 Jun 2013 20:38:48 +0900

금일 애플의 아이튠즈 커넥트에서 메일이 하나 왔는데요.

살펴보니 개발자 간의 iOS 어플리케이션에 대한 소유권 이전과 관련된 내용이네요.

그동안 앱의 소유권을 기업간 거래하는 경우에 기존 계정 정보를 추가로 관리해야 했었는데,

이제는 앱의 소유권 계정을 변경하는 것이 가능할 것으로 보입니다.

앱 리뷰나 별점까지도 모두 옮겨준다고 하네요.

신청 후, 두 개발자가 모두 승인하면 2시간 이내에 처리해 준다고 하는것 같네요.

관련 동영상을 참고하시기 바랍니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'프로그래밍 > 아이폰' 카테고리의 다른 글

애플 아이폰/아이패드 앱 소유권 이전 지원~ (0)	2013/06/11
iOS6용 XCode 라이브러리 컴파일 오류 (0)	2012/11/07
신규 PC나 맥북에 아이폰 동기화하기~ (0)	2012/07/28
아이폰 모바일 웹에서 파일 업로드 (0)	2011/12/13
아이폰 앱 개발 관련 reject에 대해~ (0)	2011/11/02
iOS4 멀티태스킹 프로그래밍 관련 제한에 대한 정리~ (0)	2011/10/06

Binary Variables - 베르누이 분포와 이항 분포에 대하여

미니~ — Mon, 10 Jun 2013 08:47:00 +0900

Binary Value에 대한 확률 분포는 동전을 던지는 경우를 생각하면 됩니다.

동전의 앞면이나 뒷면이 나오는 것과 같이, 나올 수 있는 경우의 수가 0과 1인 경우를 Binary라고 하죠.

Bernoulli Distribution (베르누이 분포)

이러한 확률 분포는 Bernoulli 정리로 나타낼 수 있습니다.

0 <= u <= 1일 때,

x가 0일때 확률분포가 1-u이고, 1일때는 u라는 생각하면 쉽게 이해가 될 겁니다.

여기에서 확률분포 계산에 따라 기대값과 분산을 계산해보면 다음과 같습니다.

만약 여러번 시도를 할 경우, 독립이기 때문에 확률은 곱해주면 됩니다.

여기에서 D는 x를 처음부터 N번까지의 시도한 것이라고 보면 됩니다.

예전에 설명한 베이즈 정리와 관련된 내용을 생각해보면 likelihood와 같은 형태임을 알 수 있습니다.

이미 수행한 데이터를 기반으로 maximum likelihood를 계산하면 우리가 원하는 N번시도했을 때의 u의 최대값(posterior)을 구할 수 있을 것입니다.

이를 위해 먼저 log likelihood function을 사용하는데요. log를 취해도 최대값을 가지는 x는 그대로 있고 계산하기 편하기 때문인 듯 합니다.

그리고 나서 미분을 해서 0이 되는 값을 구하면 바로 u의 최대값을 구할 수 있겠죠.

이렇게 계산을 하면 u에 대한 maximum 값은 다음과 같이 나오는데요.. 일반적인 평균을 구하는 것과 동일합니다.

그런데 만약 동전을 3번 던져서 모두 1이 나왔다면, N=3이고 Xn의 합도 3이 되어 maximum likelihood 값이 1이 됩니다.

하지만 실제로 동전을 던졌을 때의 평균은 0.5가 되어야 하는데, 잘못 된 예측이 되겠죠.

바로 이부분이 시도 횟수가 적을 때, Frequentist Treatment의 단점입니다.

Binomial Distribution (이항 분포)

이번에는 조금 다른 관점에서 살펴보도록 하죠.

동전을 N번 던졌을 때, 앞면 즉 1이 나올 확률을 계산할 때 Binomial Distribution을 사용합니다.

보통 시도횟수가 정해져 있을 때, 특정 항목이 몇번 나올 확률은 Binomial을 사용하고,

시도횟수가 정해지지 않고, 몇 번의 시도만에 성공할 확률을 구할 때는 Geometric Distribution (기하 분포)를 사용하게 됩니다.

Binomial Distribution의 공식은 다음과 같습니다.

앞의 베르누이 공식과 비슷하지만 조합으로 N번중에서 m번이 발생할 경우를 곱해준다는 차이가 있습니다.

Binomial Distribution에서의 기대값과 분산을 계산하기 위해서는 모두 독립이므로 더해주면 됩니다.

잘 기억해 보면 예전에 이항 분포에서 기대값은 np, 분산은 npq로 외웠던 기억이 있을 거예요. ^^

Beta Distribution (베타 분포)

앞서 베르누이 분포에서 Frequentist Treatment를 사용하여 maximum likelihood를 적은 데이터로 계산할 때, 잘못된 결과가 나올 수 있다는 것을 살펴봤습니다.

이에 대한 해결책은 바로 likelihood 뿐만 아니라 Prior를 확률로 보고 계산하는 Bayesian Treatment입니다.

이럴 경우, 당연히 계산이 더욱 복잡해지게 될 것입니다.

그래서 likelihood가 특정 분포를 따른다고 할 때, prior와 posterior가 동일한 분포를 따를 수 있도록 Conjugate Prior를 사용하는 겁니다.

Binary Variable에서는 likelihood가 Binomial Distribution을 따를 때, Conjugate Prior로 바로 Beta Distribution을 사용합니다.

즉, 이러한 형태가 되는 것이죠..

Beta Distribution에 Binomial Distribution을 곱하면 다시 Beta Distribution이 나온다는 것입니다.

이러한 것이 Conjugate Prior라고 합니다. 그럼 Beta Distribution의 식을 살펴보죠.

감마는 일반적으로 (정수 뿐만 아닌) 모든 수에 대한 팩토리얼 연산을 나타낸다고 합니다.

실제로 Beta는 Binomial과 매우 유사하다는 것을 알 수 있습니다.

여기에서 a와 b는 parameter인 u에 대한 분포를 제어하는 것으로 hyperparameter라고 하는데요.

다음 그림과 같이 a와 b가 커질수록 u에 다가가는 것을 알 수 있습니다.

Posterior는 likelihood 와 prior의 곱으로 나타낼 수 있습니다.

Prior는 위 식과 같고 likelihood는 Binomial로서 m, l이라는 파라미터를 가진다고 하면 다음과 같이 Posterior를 나타낼 수 있습니다.

Posterior 역시 Beta Distribution을 따르는 것을 확인할 수 있습니다.

이를 그래프로 살펴보면 다음과 같습니다.

실제로 연속적인 실시간 기계학습 시나리오 중에서 이렇게 반복적으로 수행함으로써 믿고 싶은 사실을 증거를 통해 변경하기도 한다고 합니다.

이와 같이 사용할 때, 반복적으로 수행함으로써 값이 정확해지는지를 검증하기 위해서 분산을 사용합니다.

데이터 집합 D에서 관측한 θ가 있다고 할때, θ의 평균값은 같게 나올지라도

D를 확인하고 살펴본 θ의 분산이 θ의 분산보다 작다면, 범위의 폭이 좁으므로 좀 더 정확해진다고 할 수 있겠죠.

위 수식을 보면 θ의 분산은 D를 조건으로 하는 θ의 분산값의 평균에 다른 값을 더한 것이므로

Var[θ]가 Var[θ|D]보다 크게 나올 것이기 때문에 Beta를 이용해 반복할수록 값이 정확해진다고 합니다.

이상으로 Binary Value에 대한 Bernoulli, Binomial, Beta Distribution을 살펴봤습니다.

0과 1이라는 두가지 경우만을 다루기 때문에 다른 것보다는 이해하기가 쉬운 것 같습니다.

이를 기반으로 multinomial 등으로 확장해 나가기 때문에 그래도 한번 더 정확하게 알아두는게 좋을 것 같네요.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

Binary Variables - 베르누이 분포와 이항 분포에 대하여 (0)	2013/06/10
Conjugate Prior에 대하여 (0)	2013/06/04
정보 이론 - Information Theory (0)	2013/05/13
의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22

Conjugate Prior에 대하여

미니~ — Tue, 04 Jun 2013 08:44:00 +0900

베이시안(Bayesian) 정리를 살펴보면 다음과 같은 식을 이야기 했었습니다.

여기서 Posterior 확률을 구하는 것이 문제인데요.

예를 들어, 만약 p(w)를 남편이 바람 필 확률이라고 해보죠.

그리고 p(D)가 셔츠에서 입술자국이 나올 확률이라고 가정해 보겠습니다. (예제가 좀 그런가요? ㅠㅠ)

이때 Posterior인 p(w|D)는 셔츠에서 입술자국이 나왔을 때 바람필 확률이라고 보면 됩니다.

즉, 만약 남편 셔츠를 봤는데 입술자국이 있으면 실제로 바람을 폈을 확률이 어떻게 될지를 예측할 수 있다는 것이죠.

만약 Bayesian으로 Posterior를 계산한다고 할 때, 각 항목이 일반적인 분포를 따르지 않는다고 하면 도출하는 방식이 매우 복잡해질 수 있다는 것입니다.

반대로 likelihood가 특정 분포를 따른다고 가정할 때, Prior와 Posterior가 동일한 분포를 따른다면 계산이 매우 편해진다는 것입니다.

그래서 이렇게 Prior와 Posterior가 쌍을 이룰 수 있도록 맞춘 것이 바로 Conjugate Prior라고 합니다.

이럴 경우, Prior와 likelihood를 곱해서 나온 Posterior가 다시 Prior형식이므로, 보다 쉽게 Posterior의 분포를 확인할 수 있게 됩니다.

Conjugate Prior로 활용할 수 있는 주요 분포는 다음과 같습니다. (http://www.roma1.infn.it/~dagos/rpp/node31.html#tab:conjugates 참고)

책에서도 conjugate prior에 대해서 다음과 같이 이야기 하고 있습니다.

We shall see that an important role is played by conjugate priors, that lead to posterior distributions having the same functional form as the prior, and that therefore lead to a greatly simplified Bayesian analysis.

역시 conjugate prior를 사용하면 Bayesian을 단순화할 수 있다는 의미를 강조하고 있네요.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

Binary Variables - 베르누이 분포와 이항 분포에 대하여 (0)	2013/06/10
Conjugate Prior에 대하여 (0)	2013/06/04
정보 이론 - Information Theory (0)	2013/05/13
의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22

모바일 비즈니스를 위한 Mobile Analytics를 활용 방안~

미니~ — Tue, 28 May 2013 08:20:00 +0900

모바일 분야의 신규 비즈니스를 위해 모바일 앱을 만들 때 어떤 점들을 고려해야 할까요?

먼저 훌륭한 기획이나 전략이 필요할 것입니다.

당연히 직관적인 디자인과 안정적인 개발은 필수 항목이겠죠.

그런데 사용자의 실행 형태를 측정하고, 모바일 앱을 통해 얻고자 하는 가치를 확인하는 것 또한 매우 중요합니다.

실제로 스마트폰이 우리 생활 깊숙이 들어오면서, 마케터나 개발자들이 사용자의 행태를 분석하기 위해 지속적인 노력을 기울이고 있는 상황입니다.

모바일 비즈니스는 시작된지 얼마 안되었지만 서로 좋은 앱으로 경쟁하려는 플랫폼이나 서비스들이 많기 때문에,

모바일 앱 분석을 통한 사용자 행태를 파악해서 경쟁력을 갖는 것이 무엇보다 중요하게 된 것입니다.

이제 모바일 비즈니스에서 Mobile App Analytics는 선택이 아닌 필수가 되었다고 할 수 있겠죠.

이런 관점에서 Ryan Matzner가 이야기한 Get the most out of mobile app analytics with these 8 tips를 기반으로 정리 해보도록 하겠습니다.

1. 앱을 마켓에 등록하기 전에 Analytics를 사용하라.

모바일 분석 플랫폼을 언제 부터 사용해야 할까요?

제가 Fingra.ph라는 모바일 앱 분석 플랫폼을 운영하면서 보면, App을 마켓에 등록하고 난 이후에 적용하는 경우를 많이 봤습니다.

하지만 사용자의 행태 분석이라는 측면에서 보면,

베타 테스트 더 나아가 내부에서만 테스트하는 시점부터 모바일 앱 분석을 사용하는 것이 좋습니다.

실제로 베타 테스트를 진행하면서 디자인을 비롯한 개발 요소들을 많이 변경하기도 합니다.

이럴때 단순히 회사 동료나 친구들의 의견만 듣고 수정하는 것보다는

실제 사용 패턴을 확인하고 반영하는 것이 보다 좋은 앱을 만들 수 있을 것입니다.

만약 신규 앱을 기획하고 개발하고 있다면,

초기부터 모바일 앱 분석을 적용해서 사용자들의 패턴을 확인해 보시기 바랍니다.

2. 사용자는 개발자가 의도한 대로 앱을 사용하지 않는다.

모바일 앱을 만들기 위해 와이어프레임과 같은 기획을 할 때, 사용자의 흐름을 잘 설계해서 만들어 놓습니다.

그런데 충분한 고민과 시간을 들여서 사용자의 동선을 기획했건만,

대부분의 경우 사용자는 처음 기획했던 방식대로 앱을 사용하지 않습니다.

만약 주변 친구나 가족들에게 테스트해보라고 하면, 특히 국내 환경에서는 않좋은 점 보다는 그저 괜찮다고만 할 뿐이죠.

그래서 선입관이 없는 일반 사용자들로부터 피드백을 받는 것이 매우 중요합니다.

그러나 잘 알지도 못하는 사람들에게서 이런 사용 후기를 받는 것은 쉽지 않습니다.

그렇기 때문에 모바일 분석을 활용해야 합니다.

모바일 분석 플랫폼을 사용하면, 사용자의 방문 횟수나 사용 시간, 재방문율 등 많은 정보를 알아낼 수 있습니다.

이러한 정보들을 다양한 측면에서 해석해 보면, 사용자가 어떻게 사용하고 있는지 판단할 수 있을 것입니다.

그러므로 개발자는 초기부터 다양한 사용자로부터 테스트 결과를 수집하도록 노력해야 합니다.

그리고 사용하는 형태가 초기 기획의도와 맞는지 검토해보고 반영해 나가야 겠죠.

3. 대상 고객에 적합한 KPI를 세워라

모바일 앱이 다양한 것만큼 모두 동일한 목표를 가지고 있는 것은 아닙니다.

어떤 앱은 콘텐츠를 무료로 제공하면서 광고 수익을 얻으려고 하는 것도 있고, 어떤 앱은 앱내 결제를 통해 수익을 만들어 내려고 합니다.

또한, 어떤 앱은 수익이 목표가 아니라 브랜드를 홍보하기만 하면 되는 것도 있습니다.

이렇듯 컨텐츠 제공, 소셜 네트워크, 유틸리티, 전자상거래, 게임과 같이 대부분의 앱들은 서로 다른 KPI를 가지고 있습니다.

만약 새로운 모바일 앱을 만든다면, 얻고자 하는 것을 먼저 명확하게 정의해야 합니다.

그리고 나서 모바일 분석 플랫폼을 통해서 해당 KPI에 적합한 지표들을 중심으로 살펴보는 것이 바람직 합니다.

실제로 사용하지도 않는 심지어 알지도 못하는 숫자들로 가득 찬 분석은 아무런 의미가 없습니다.

정확한 정보를 필요한 시점에 제공할 수 있는 모바일 분석 플랫폼이야말로,

모바일 비즈니스에 있어 인사이트를 주고, 실행할 수 있는 포인트를 제공해주는 것이겠죠..

4. 다양한 종류의 모바일 분석 플랫폼들이 있다.

모바일 비즈니스가 확장함에 따라 다양한 모바일 분석 플랫폼들이 계속해서 나오고 있는 상황입니다.

각각의 모바일 분석 플래폼들은 자기만의 영역을 구축하면서 발전하고 있습니다.

광고 모델을 기반으로 하고 있는 것도 있고, 소셜 미디어 분석에 집중하는 것도 있고, 마켓 데이터 분석을 위주로 하는 것도 있습니다.

또한 모바일 게임을 위한 분석 플랫폼을 제공하는 것도 있고, 콘텐츠를 전달하는 앱에 적합한 분석 플랫폼도 있습니다.

앞서 이야기한 대로 자신의 KPI를 확인하고, 본인에게 적합한 모바일 분석 플랫폼을 찾아서 선택하는 것이 중요하다고 생각합니다.

5. 마켓 데이터 분석을 통해 경쟁자들의 이전 실수를 피하라.

모바일 분석 플랫폼들은 마켓 데이터들을 분석하여 제공하기도 합니다.

정보 보호 이슈로 경쟁자 앱에 대한 정보를 바로 제공하는 경우는 거의 없지만, 관련 카테고리와 같은 기준으로 경쟁자들의 동향과 비교해 볼 수 있습니다.

이런 기능을 통해서 경쟁자들이 했던 실수들을 확인하고 피해 갈 수도 있고, 현재 내 앱의 위치가 어느 정도 되는지도 파악하는데 도움이 될 것입니다.

모바일 분석 플랫폼들이 제공하는 마켓 분석이나 다른 데이터들을 참고해서 최선의 의사 결정을 해 보시기 바랍니다.

6. 분석 플랫폼을 적절하게 적용하라.

분석 플랫폼은 사용자 통계를 얻어서 분석하고 비즈니스에 활용하기 위해 사용하는 것입니다.

그런데 모바일 분석 플랫폼을 사용할 때, 이런 목표로 사용하면서 SDK를 적절하게 적용하지 않는 경우가 많이 있습니다.

실제로 대부분의 모바일 분석 플랫폼은 SDK와 함께 설치 메뉴얼을 제공합니다.

반드시 설치 메뉴얼을 잘 확인해보고, 이해가 안되는 부분은 문의를 해서라도 정확하게 연동해야 합니다.

그래야 정확한 사용자 통계를 얻을 수 있고 제대로 활용할 수 있기 때문이죠.

또한 SDK를 정확하게 적용하지 않을 경우, 앱의 실행과 관련하여 영향을 줄 수도 있습니다.

실제 Fingra.ph SDK를 설계할 때도 가장 중요한 것은 어떤 경우에도 앱에 영향을 주지 않아야 한다는 것이었습니다.

반드시 SDK의 설치 메뉴얼을 확인하고 적용하고, 필요할 경우 플랫폼 제공사에 문의해서 확실하게 사용하기 바랍니다.

7. 함께 성장할 수 있는 분석 플랫폼을 선택하라.

모바일 분석 플랫폼을 제공하는 회사들은 모바일 비즈니스에 대해 많은 정보를 가지고 있습니다.

또한 모바일 앱에 대한 개발 경험도 충분히 가지고 있기도 합니다.

그래서 모바일 비즈니스를 확장하려고 할 때, 모바일 분석 플랫폼이 도움이 되는 경우가 많습니다.

예를 들어, 앱 광고로 수익을 올려보고자 할 때 어떤 광고가 효과가 높은지를 분석 플랫폼을 통해서 확인할 수 있고,

프로모션을 진행할 때, 어떤 채널을 확인하면 좋을지 등에 대한 정보들을 제공할 수가 있습니다.

8. 모바일 앱 분석이 여러분의 모바일 비즈니스의 끝이 아니다.

모바일 비즈니스를 진행하면서 페이스북, 트위터와 같은 SNS와 각종 온라인 광고등을 활용하기도 합니다.

그래서인지 요즘 모바일 앱 분석이 앱 자체를 분석하는 것은 기본이고,

SNS나 광고에서 발생하는 다른 데이터들도 통합해서 보여주기도 합니다.

모바일 비즈니스를 위해서 모바일 앱 분석 뿐만 아니라 별도의 소셜 네트워크 분석을 활용해 보거나

아니면 이러한 것들이 통합되어 있는 플랫폼을 사용하는 것도 필요할 것입니다.

단, 가장 중요한 것은 앞에서도 이야기 한 것처럼 의미없는 데이터만 많은 것이 아니라

정말 필요한 데이터를 구해서 활용하는 것임을 기억하기 바랍니다.

결론

모바일 비즈니스 시장이 빠르게 확대되고 있기 때문에,

앱 분석을 통해 현재 상태를 바로 확인하고 미래를 예측해서 비즈니스를 수행하는 것이 필요합니다.

모바일 분석을 통해서 누구나 할 수 있는 많은 실수들을 사전에 예방할 수도 있을 것입니다.

Fingra.ph 서비스를 작년 8월 15일에 베타 버전을 오픈하면서 사용자 행태 분석에 초점을 두고 진행했었습니다.

신규 사용자 수, 사용자 수, 방문수, 사용시간, 사용빈도, 시간대별 사용자수, 국가별 사용자수와 같은 다양한 지표들을 보여줬습니다.

이러한 사용자 행태를 분석하는 것은 대부분의 모바일 분석 플랫폼에 있어서 기본적인 항목이기는 합니다.

솔직히 분석 플랫폼을 오랫동안 했던 구글등 경쟁사와 비교하면 기능적으로 더 낫다고 볼 수는 없겠죠. 비슷한 기능을 제공할 뿐이었습니다.

하지만 미국, 중국등의 전시회에서 발표하면서 사용자들의 다음과 같은 점을 확인했습니다.

즉, 기존의 분석 플랫폼들이 너무 많은 정보를 보여주려고 하면서, 소위 데이터 사이언티스트라고 하는 전문가의 도움 없이는

제공해주는 통계를 해석할 수 없다는 것입니다.

그래서 올해 8월 15일 정식 오픈하는 Fingra.ph는 이러한 통계를 보다 쉽게 제공하는데 중점을 두고 있습니다.

이를 위해 App Profile이라고 하는 주요 지표를 한눈에 확인할 수 있는 기능을 개발하기도 했고,

현재 App의 지표들을 카테고리의 최고 앱과 비교해서 보여주기도 하고,

전체적인 상승과 하락을 직관적으로 확인할 수 있는 디자인도 제공할 계획입니다.

또한 프로모션 분석에 초점을 맞추어 마케터들을 위한 기능들을 별도로 제공하려고 준비하고 있습니다.

그리고 한국어, 영어, 중국어, 일본어 등으로 서비스할 예정이므로 영어로 된 통계에 힘들어했던 국내 사용자들에게도 도움이 될 것입니다.

새롭게 준비하고 있는 모바일 분석 플랫폼인 Fingra.ph를 많이 기대해 주시기 바랍니다.

감사합니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > BigData' 카테고리의 다른 글

모바일 비즈니스를 위한 Mobile Analytics를 활용 방안~ (0)	2013/05/28
빅데이터에서의 Analytics에 대한 정의 (0)	2013/04/24
구글 독감 트렌드 분석 - Big Data, Big Insight (0)	2013/02/12
빅데이터 분석 기술에 대한 정리~ (2)	2012/11/23
빅데이터의 확장 배경과 실제 사례들 (0)	2012/11/21

2013년 제 2회 클라우드 & OSS 컨퍼런스

미니~ — Wed, 22 May 2013 08:27:00 +0900

제2회 클라우드 & OSS 컨퍼런스가 5월 29일(수) 열립니다.

국내외 클라우드 서비스와 현황을 확인할 수 있는 자리가 될 것 같은데요.

MS, Redhat, Tgrape 등이 참여해서 행사를 진행하게 됩니다.

일시: 2013년 5월 29일(수) 13:30 ~ 18:00

장소: 호텔리베라 3층 베르사이유 그랜드볼륨 (서울 강남구 청담동 위치)

대상: 클라우드 컴퓨팅 유관 공공, 기업 고객 및 개발자

참가비: 사전등록 - 무료, 현장등록 - 2만원

Mobile Analytics Platform "Fingra.ph"라는 주제로 저도 발표를 하고 전시 부스도 운영합니다.

발표에서는 클라우드 기반의 서비스로서의 모바일 분석에 대해서 이야기를 하려고 합니다.

참가신청은 http://onoffmix.com/event/15553에서 무료로 할 수 있습니다.

많은 참여와 관심 부탁드립니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 세미나' 카테고리의 다른 글

2013 우수 IT기술 비즈라운드 행사 안내 (0)	08:06:00
2013년 제 2회 클라우드 & OSS 컨퍼런스 (0)	2013/05/22
제7회 공개SW개발자대회 안내~ (0)	2013/05/20
China Mobile Global Developer Conference 2012 ~ (0)	2012/12/10
[세미나] CTO 클라우드 컴퓨팅 (0)	2012/05/29
[세미나] 아이디테일과 함께하는 오픈소셜 세미나 (2)	2008/03/24

제7회 공개SW개발자대회 안내~

미니~ — Mon, 20 May 2013 18:19:38 +0900

예전에 공개 소프트웨어 하면 리눅스를 가장 먼저 떠올렸었는데요.

최근 스마트폰의 등장과 함께 안드로이드나 빅데이터 세계에서의 하둡이 나타나면서 오픈소스에 대한 관심도 높아지는 것 같습니다.

국내에서도 7번째를 맞는 공개SW 개발자 대회(http://project.oss.kr/)가 시작되었습니다.

이와 관련하여 지난 5월 16일 공개SW 개발자 대회 그랜드 오프닝 세미나가 열렸었습니다.

"오픈 소스를 활용한 Big Data & Analytics"라는 주제로 저도 발표를 했었는데요.

Big Data와 Analytics의 개념과 오픈소스 하둡(Hadoop)에 대한 기본적인 내용을 설명했고,

현재 제가 수행하고 있는 모바일 분석 플랫폼인 Fingra.ph를 소개하면서 Big Data 분석이 실제로 어떻게 사용되는지도 이야기 했네요. ^^

주로 개발자 분들이 참석한 것으로 알고 있는데, Big Data나 Analytics에도 많은 관심을 가지고 있다는 것을 느낄 수 있었습니다.

현재 공개SW개발자 대회는 참가 접수를 받고 있는데요.

일반 부문과 주니어 부문으로 나누어서 진행됩니다.

대회 기간: 2013년 5월 9일 ~ 12월 5일

참가접수기간: 2013년 5월 9일 ~ 7월 29일 (SW 개발 부문)

개발SW 접수 마감일: 2013년 10월 6일

많은 개발자 분들의 참여 바랍니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 세미나' 카테고리의 다른 글

2013 우수 IT기술 비즈라운드 행사 안내 (0)	08:06:00
2013년 제 2회 클라우드 & OSS 컨퍼런스 (0)	2013/05/22
제7회 공개SW개발자대회 안내~ (0)	2013/05/20
China Mobile Global Developer Conference 2012 ~ (0)	2012/12/10
[세미나] CTO 클라우드 컴퓨팅 (0)	2012/05/29
[세미나] 아이디테일과 함께하는 오픈소셜 세미나 (2)	2008/03/24

마케팅 불변의 법칙

미니~ — Mon, 20 May 2013 09:48:31 +0900

마케팅 불변의 법칙 -
알 리스, 잭 트라우트 지음, 이수정 옮김, 정지혜 감수/비즈니스맵

1993년 출간된 책이라고 하는데요. 지금 읽어봐도 좋은 마케팅 전략이라고 생각합니다.

물론 개인적으로 전부 다 동의하는 것은 아니지만

알 리스와 잭 트라우트가 이야기하는 22가지 마케팅 불변의 법칙을 정리해 보도록 하겠습니다.

사례들은 책을 한번 읽어보시기 바랍니다.

1. 리더십의 법칙 (Leadership)

더 좋기 보다는 최초가 되는 편이 낫다.

자기 회사가 더 좋은 제품이나 서비스를 갖고 있다는 사실을 소비자에게 확신시키는 것이 마케팅의 기본이라고 생각하는 사람들이 너무 많다.

그러나 마케팅의 기본은 바로 최초가 될 수 있는 영역을 만들어내는 것이다.

지금과 같은 레드오션 환경에서는 성공한 제품과 유사한 미투(me-too) 제품이 이윤을 낳는 성공적인 브랜드가 될 가능성은 매우 희박하다.

어떤 영역에서든 시장을 주도하고 있는 리더 브랜드는 소비자의 마음속에 가장 먼저 자리 잡고 들어간 브랜드라는 것을 기억해야 한다.

그러므로 새로운 영역에 자사 브랜드를 최초로 소개할 생각이라면 보통명사처럼 사용되기에 적합한 브랜드명을 선택할 필요가 있다.

2. 카테고리의 법칙 (Category)

어느 영역에서 최초가 될 수 없다면, 최초가 될 수 있는 새로운 영역을 개척하라

새로운 제품을 출시할 때 "이 신제품은 경쟁사의 제품보다 어떤 점이 더 좋은가?"가 아니라

"어떤 점에서 최초인가"를 가장 먼저 자문해 봐야 한다.

'어떻게 하면 사람들이 우리 브랜드를 더 좋아하게 만들 것인가?'하는 브랜드는 잊어 버리고, 대신 영역을 생각해야 한다.

사람들은 "무엇이 새로운가?""에 관심을 갖는다. 그러나 "무엇이 더 좋은가?"에는 별 관심을 보이지 않는다.

3. 기억의 법칙 (Mind)

시장에서 최초가 되기보다는 기억 속에서 최초가 되는 편이 낫다.

기억속에서 최초가 되는 것, 이는 마케팅의 "전부"라고 해도 과언이 아니다.

시장에서 최초가 되는 것의 중요성은 기억 속에서도 최초가 된다는 전제 하에 그 진가를 발휘한다.

마케팅이 제품의 전쟁이 아니라 인식의 전쟁이라면, 소비자의 기억은 당연히 시장에 우선한다.

마케팅 과정에서 빚어지는 모든 문제의 답이 '돈'이라는 인식이 조장되고 있다.

돈은 해답이 아니다.

그럼에도 다른 어떤 인간 활동보다 마케팅에 많은 돈이 낭비되고있다.

사람들의 기억 속에 들어 있는 무언가를 바꾸고 싶은가?

포기하는게 좋다.

일단 기억이 만들어지면 바뀌는 일은 거의 없다.

마케팅 노력 중에서 가장 무모한 것이 소비자의 기억을 바꾸려는 시도다.

4. 인식의 법칙 (Perception)

마케팅은 제품의 싸움이 아니라 인식의 싸움이다.

객관적인 현실이란 존재하지 않는다. 사실 따위도 없다. 최고의 제품 역시 없다.

마케팅 세상에는 소비자나 소비자의 기억 속에 자리 잡는 '인식'만이 존재할 뿐이다.

그 외 다른 모든 것은 환상이다.

마케팅은 이런 '인식'을 다루는 기술이다.

'진실'이란 어떤 전문가의 인식, 그 이상도 이하도 아니다.

여기서 '전문가' 조차도 다른 사람의 마음속에서 전문가로 '인식된' 어떤 사람에 불과하다.

즉, 마케팅은 이런 인식을 다루는 일련의 과정이다.

5. 집중의 법칙 (Focus)

마케팅에서 가장 강력한 개념은 소비자의 기억 속에 하나의 단어를 심고 그것을 소유하는 것이다.

어떤 회사든 소비자의 기억 속에 단어 하나를 심고 그것을 소유할 방법을 찾아낸다면 대대적인 성공을 거둘 수 있다.

만일 리더가 아니라면 당신의 단어는 범위를 좁혀 초점을 맞춘 것이라야 한다.

그러나 그 단어가 해당 영역에서 이용 가능한 것이어야 한다는 사실이 더 중요하다.

영역 밖의 회사들은 그 단에에 대한 통제권을 가질 수 없다.

가장 효과적인 단어는 단순하고 효용 지향적인 단어다.

제품 속성이나 시장의 요구가 아무리 복잡해도 둘 이상의 단어나 효용보다는 하나의 단어, 하나의 효용에 초점을 맞추는 것이 효과적이다.

많은 회사들이 하나의 단어, 하나의 개념을 소유함으로써 얻는 이득을 잘 알고 있으면서도 정작 그 단어를 선점해 최초가 되려는 노력은 하지 않고 있다.

마케팅의 핵심은 초점을 좁히는 것이다.

활동 반경을 줄이면 당신은 더욱 강해질 수 있다.

6. 독점의 법칙 (Exclusivity)

소비자의 마음속에 심은 단어를 두 회사가 동시에 소유할 수는 없다.

경쟁자가 소비자의 마음속에 이미 심어놓은 단어나 지위를 같이 소유하겠다고 시도하는 것은 아무런 득이 되지 않는다.

일반적인 시장조사 전문기관에서 당신에게 말해주지 않은 게 있다.

바로 다른 회사가 이미 그 아이디어를 소유하고 있다는 사실이다.

그러면서 대대적인 마케팅 프로그램에 착수하라며 고객인 당신의 등을 떠민다.

충분한 돈을 투입하면 그 아이디어를 소유할 수 있는가? 맞지 않다.

7. 사다리의 법칙 (Ladder)

사다리의 어떤 디딤대를 차지하고 있느냐에 따라 구사할 전략은 달라진다.

소비자에게 모든 제품이 '평등하게' 다가가지는 않는다.

소비자의 마음속에는 구매 결정을 할 때 사용하는 서열등급이라는 것이 있다.

사람들이 거의 매일 사용하는 제품은 사다리에 디딤대가 많다.

반면 구매빈도가 낮은 제품은 사다리에 디딤대가 별로 많지 않다.

당신의 시장점유율은 당신의 아래 디딤대에 있는 브랜드의 두 배, 위에 있는 브랜드의 절반 정도일 가능성이 크다.

어떤 마케팅 프로그램이든 시작하기 전에 스스로 질문을 던져보라.

우리는 소비자의 마음속 사다리, 그 어디쯤에 올라 있는가?

첫 번째 디딤대인가? 두 번째 디딤대인가? 혹시 사다리에 올라서지도 못한 상태는 아닌가?

8. 이원성의 법칙 (Duality)

장기적으로 볼 때, 모든 시장은 두 마리 말이 달리는 경주다.

1969년 당시, 어떤 제품을 놓고 세 개의 주요 브랜드가 존재하고 있었다.

리더 브랜드는 시장의 60퍼센트를, 2위 브랜드는 25퍼센트를, 3위 브랜드는 6퍼센트의 점유율을 차지했고, 나머지는 군소 브랜드들이 나눠갖고 있었다.

이원성의 법칙은 이런 시장 점유율 형태가 불안정한 것임을 제언한다.

나아가 리더 브랜드가 시장 점유율을 잃고 2위 브랜드가 그 시장을 차지하게 되리라는 것을 예견한다.

만약 당신이 입지가 불안한 3위 자리에 있다면, 총력을 몰아 막강한 두 리더 브랜드를 공격해 봤자 별 진전이 없을 것이다.

3위 브랜드는 자기만의 수익성 있는 틈새시장을 개발해 내는 것이 좋았을 것이다.

경쟁이 치열해지고 있는 전 세계 시장에서는 1, 2위 회사들만이 승리할 수 있었다.

그 외의 회사들은 제자리 걸음을 면치 못하거나, 문을 닫거나, 매각되었다.

시간이 지나면 고객들은 아는 게 많아진다.

그리고 고객들은 마케팅이 제품의 싸움이라 믿고 있다.

이런 생각이 사다리 꼭대기에 계속해서 두 개의 브랜드를 올려놓게 만든다.

"이 브랜드가 최고로 좋은 게 분명해. 그들은 리더니까."

9. 반대의 법칙 (Opposite)

당신의 2위 자리를 겨냥하고 있다면, 당신의 전략은 리더 브랜드에 의해 정해진다.

당신보다 앞서 있는 기업을 주도면밀하게 살펴보라.

그 회사의 강점은? 그 힘을 약점으로 바꿔놓을 방법은?

그러기 위해서는 리더의 핵심을 포착해 소비자에게 그 반대의 것을 제시해야 한다.

다시말해 더 좋아지려 하지 말고 달라지려 노력하라는 뜻이다.

너무나도 많은 2위 후보 브랜드들이 리더를 모방하려고만 하고 있다.

대개의 경우 이는 실패로 끝난다.

당신은 자신을 '리더의 대안'으로 제시해야 한다.

10. 분할의 법칙 (Division)

시간이 지나면서 영역은 나뉘어 둘 또는 그 이상이 된다.

하나의 영역은 하나의 제품으로 시작된다.

그리고 시간이 지나면서 하나이던 영역이 갈라져 세분화를 이룬다.

그러나 이런 '분할'의 개념을 파악하지 못하고, 영역은 통괄적이라는 안일한 신념을 갖고 있는 경영자들이 너무나도 많다.

시기 역시 중요하다.

새로운 영역의 기회를 이용하는데 너무 조급히 굴어서는 안 된다.

늦는 것보다는 이른 편이 좋다.

그러나 여건이 만들어 질 때까지 일정 시간을 들여 기다릴 각오가 안 되어 있다면 소비자의 마음속에 최초로 들어가 앉을 수 없다.

11. 조망의 법칙 (Perspective)

마케팅 효과는 오랜 시간에 걸쳐 발효된다.

쿠폰, 할인, 세일이라는 이름의 어떤 형태든 이러한 마케팅 방식은 저렴하게 살 수 있을 때만 물건을 사라고 고객을 가르치는 격이다.

'단기적으로는 이익, 장기적으로는 손실'인 예가 많다.

라인 확장의 예를 보면, 단기적으로 볼 때, 라인 확장은 판매량의 증대를 보장한다.

장기적 효과는 끔찍했다.

장기적으로 자신이 추구하는 바를 알지 못하면 라인 확장의 효과를 기대하기 힘들다.

12. 라인 확장의 법칙 (Extension)

회사 내부에는 브랜드의 자산을 확장시키려는 거역하기 힘든 압력이 존재한다.

일반적으로 기업들은 처음에는 수익성이 아주 높은 하나의 제품에 단단히 초점을 맞춘다.

그러다 다음 순간, 그 단단하던 집중력이 여러 제품으로 분산되고 회사는 손해를 입는다.

모든 사람에게 모든 소용이 되어주려 하다 보면 문제에 봉착할 수밖에 없다.

모든 분야에서 약해지기보다는 어느 한 분야에서 강해지는 쪽을 택해야 한다.

장기적으로 경쟁 양상이 치열한 상황이라면 라인 확장이 효과를 거둘 가능성은 희박하다.

분명한 사실은 어떤 영역이건 리더 브랜드는 라인 확장을 시도하지 않는 브랜드다.

많을수록 적어진다.

제품이 많을수록, 시장이 많을수록, 기업 간 제휴가 더 많이 이루어질수록, 수익은 적어진다.

적을수록 많아진다.

오늘, 성공을 거두고 싶다면 당신은 소비자의 마음속 한 자리를 겨냥해 그곳으로 초점을 좁혀야 한다.

신규 브랜드가 성공을 거두려면 새로운 영역에서 최초가 되어야 한다.

아니면 신규 브랜드는 리더 브랜드의 대안으로 인식되어야 한다.

13. 희생의 법칙 (Sacrifice)

무언가를 얻기 위해서는 무언가를 포기해야 한다.

성공하고 싶다면 당신은 무언가를 포기해야 한다.

제품 라인, 표적 시장, 부단한 변화가 그것이다.

제품라인: 도대체 파는 물건의 종류가 많을수록 더 많이 팔 수 있다는 이론은 어디어 적혀 있는 원칙인가?

마케팅은 정신적인 전투가 치러지는 게임이다.

제품이나 서비스가 아니라 인식의 싸움이기 때문이다.

비즈니스 세계에는 크고 다양화된 '만능가'와 작고 집중화된 '전문가'가 있다.

현실에서는 만능가들 대부분은 어려움에 봉착해 있으며, 소매 분야에서 큰 성공을 거둔 대개의 경우 '전문가'들이었다.

표적시장: 모든 사람들에게 좋은 인상을 남겨야 한다는 생각은 또 어디에 적혀 있는 원칙인가?

표적은 해당 시장이 아니다.

다시 말해 마케팅에서는 외견상 표적이 반드시 해당 제품의 실구매자일 필요는 없다.

부단한 변화: 도대체 매년 예결산 때마다 마케팅 전략을 바꿔야 한다는 생각은 어디에 적혀 있는 원칙인가?

시장에 이런 저런 변동이 생길 때마다 무조건 따라가려고 기를 쓰다 보면 궤도 이탈을 할 수 밖에 없다.

자기 위치를 꾸준히 유지해갈 수 있는 가장 좋은 방법은 처음부터 그 위치를 바꾸지 않는 것이다.

무언가를 희생한 사람들에게는 복이 찾아오기 마련이다.

14. 속성의 법칙 (Attributes)

어떤 속성이든 반대되면서 효과적인 또 다른 속성이 존재하기 마련이다.

리더에 맞설 수 있게 만들어주는 반대의 속성을 찾아보는 것은 중요하다.

이 때 집중해야 할 단어는 "반대의"이다. "비슷한"은 전혀 소용없다.

마케팅은 치열한 아이디어의 싸움이다.

그러니 성공하고 싶다면, 노력을 집중할 자신만의 고유한 아이디어나 속성을 확보해야 한다.

그게 없다면 저렴한 가격이라도 내세울 수 있었야 한다.

그것도 아주 저렴해야 한다.

포착한 다른 속성의 가치를 극대화해서 시장 점유율을 높이는 게 당신이 해야 할 일이다.

15. 정직의 법칙 (Candor)

스스로 부정적인 면을 인정하면 소비자는 긍정적인 평가를 내려줄 것이다.

문제를 인정하는 데 있어 회사와 인간의 본성은 정반대의 양상을 띤다.

소비자의 마음속에 들어가는 가장 효과적인 방법 중 하나가 먼저 '부정'을 인정하고,

그 다음에 '긍정'으로 바꾸는 것이라 하면 의외일 수밖에 없을 것이다.

마케팅 과정에서 약간의 정직성이 큰 효과를 낼 수 있는 이유는 무엇인가?

무엇보다, 정직은 상대방의 경계심을 무장해제시킨다는 점을 간과해서는 안 된다.

긍정적인 발언의 경우는 소비자들이 인정해줄 때까지 그 진실성을 입증해 보여야 한다.

그러나 부정적인 발언에는 그런 수고가 필요 없다.

당연히 그들이 진실로 받아들일테니 말이다.

커뮤니케이션의 비약적 성장 현상이 나타나고 있는 현대 사회에서,

사람들은 자신에게 무언가를 팔아먹으려 기를 쓰는 회사에 대해 방어본능과 경계심을 키워왔다.

소비자에게 솔직하게 자신들의 문제점을 인정하려 드는 회사가 거의 없기 때문이다.

정직의 법칙은 아주 신중하게, 그리고 아주 기술적으로 사용해야 한다.

먼저, 당신의 부정적인 면은 부정적인 것이라고 널리 인식되어 있어, 소비자의 마음속에서 즉각적인 동의를 얻어낼 수 있는 것이어야 한다.

그리고 부정을 인정한 다음에는 재빨리 '긍정'으로 돌려놓아야 한다.

'정직'의 목적은 사과하려는 게 아니다.

'정직'의 목적은 당신이 소비자를 설득할 '혜택'을 구축하려는 것이다.

16. 단일의 법칙 (Singularity)

어떤 상황에서든 하나의 단일 행동만이 실제적인 결과를 창출한다.

보다 열심히 노력하는 것이 마케팅 성공의 비결은 될 수 없다.

역사는 마케팅에서 오직 하나의, 대담한 공격만이 실효를 거둘 수 있다고 증언해준다.

나아가 주어진 상황이 어떠하든 오직 하나의 행동만이 실제적인 결과를 창출해준다고 말한다.

마케팅에서 대개의 경우, 경쟁자의 약점이 존재하는 곳은 오직 한 군데다.

바로 그곳이 돌격대의 전력을 집중시켜야 할 목표지점이다.

하나의 단일 아이디어나 개념을 찾아내기 위해 마케팅 종사자들은 시장에서 무슨 일이 일어나고 있는지 잘 알고 있어야 한다.

싸움터의 진창 속, 그 최전선까지 내려가야 한다.

그래서 무엇이 힘을 발휘하고, 무엇이 힘을 발휘하지 못하는지 알아야만 한다.

깊이 개입되어야 한다.

17. 예측 불가의 법칙 (Unpredictability)

경쟁자의 계획을 예측하지 못하면, 미래를 예측할 수 없다.

훌륭한 단기 계획은 제품이나 회사를 차별화할 시각이나 단어를 고안하는 것이다.

그런 다음, 그 아이디어를 극대화할 프로그램을 입안하는 쪽으로 장기적 마케팅 방향을 결정한다.

이때 장기적 '계획'이 아니라, 장기적 '방향'이라는 사실이 중요하다.

예측 불가인 시장에 대응하는 최선의 방법은 무엇인가?

당신은 미래를 예측할 수는 없어도 트렌드를 이용할 수는 있다.

이는 '변화'를 적극적으로 활용하는 방법이다.

트렌드를 활용할 때 빠지기 쉬운 함정은 '추정'에 있다.

하나의 트렌드가 얼마나 오래갈지를 놓고 섣부른 결론을 내리는 회사들이 너무나도 많다.

트렌드를 추적하는 일이 예측 불가인 미래를 다룰 때 유용한 도구가 될 수 있는 데 반해,

시장조사는 도움보다는 문제를 일으킬 소지가 더 크다.

시장조사는 미래가 아니라 과거를 측정하는데 좋은 도구다.

새로운 아이디어와 개념들을 시장에서 측정한다는 것은 거의 불가능하다.

'변화'는 쉽지 않다.

그러나 예측 불가능한 미래를 다룰 수 있는 유일한 길이다.

미래를 예측하는 것과 미래의 기회를 포착하는 것 사이에는 엄연한 차이가 있다.

18. 성공의 법칙 (Success)

많은 경우 성공은 자만심을 낳고, 자만심은 실패를 낳는다.

자만심은 성공적인 마케팅의 적이다.

마케팅에 필요한 것은 객관성이다.

사람들은 성공하면 객관성을 잃는 경향이 있다.

하나의 브랜드가 성공을 거두면, 회사는 그 브랜드의 성공 이유는 무엇보다 '이름'에 있다고 생각한다.

그래서 그 즉시, 그 이름을 갖다 붙일 또 다른 제품을 찾아나선다.

그러나 현실은 그와 정반대다.

현명한 마케터는 소비자가 생각하는 방식으로 사고할 줄 아는 능력을 갖고 있다.

고객의 입장에 서서 볼 줄 안다.

결국 세상은 인식하기 나름이며 마케팅에서 중요한 것은 오직 고객의 인식뿐이다.

19. 실패의 법칙 (Failure)

실패는 예상되고 또 받아들여져야 한다.

너무나도 많은 회사들이 문제를 버리지 못하고 어떻게든 고치려고만 기를 쓴다.

회사 차원에서 나은 전략은 실패는 되도록 빨리 인정해서 손실을 줄이는 것이다.

실수를 저질렀을 때 빨리 인정하고, 조처하고, 전진을 도모해가야 한다.

월마트의 창립자인 샘 윌튼은 실패를 고무적으로 다루는 접근 방식을 가지고 있다고 한다.

준비(ready), 발사(fire), 조준(aim) 방식이다.

(톰 피터스가 주창한 이론으로 '준비, 조준, 발사'식 경영에서 탈피, 목표물에 조준하기 전에 먼저 발사해서 빗나간 정도를 파악한 다음

다시 정확하게 조준하는 것이 기업 경영에 더 효과적일 수 있다는 의미다.)

누군가가 무언가를 배우고 싶어 어떤 노력을 하고 있는 중이라면 그 노력은 보상을 받는다.

그러나 같은 실수를 두번 한 사람은 화를 입는다.

20. 과장의 법칙 (Hype)

상황은 언론에 나타난 것과 정반대인 경우가 많다.

상황이 잘 풀려갈 때 회사는 과장을 할 필요가 없다.

과장이 필요한 경우는 대부분 상황이 여의치 않을 때다.

언론에서는 성공적이었나 마케팅에서는 실패로 끝난 역사적 사례는 무궁무진하다.

신문의 제1면은 잊어라.

미래에 대한 단서를 찾고 싶다면 뒷면에 난 작고 시시해 보이는 기사들을 눈여겨보라.

21. 가속의 법칙 (Acceleration)

성공적인 마케팅 프로그램은 유행이 아닌 트렌드를 기반으로 한다.

유행이 바다에 이는 파도라면 트렌드는 조류다.

유행은 많은 과장이 더해지지만 트렌드는 거의 그런 경우가 없다.

유행은 눈에 잘 보이지만 상승과 하락의 속도가 매우 급하다.

트렌드는 눈으로는 잘 보이지 않지만 장기적으로 갖는 힘이 매우 크다.

현재 당신이 유행의 모든 특징을 만족시키며 급속히 성장하는 비즈니스에 관련되어 있다면, 당신이 할 수 있는 최선은 그 유행의 기세를 꺽어놓는 일이다.

기세를 꺽음으로써 당신은 그 유행을 더 길게 연장해 트렌드처럼 바꾸어놓을 수 있다.

마케팅에서 가장 훌륭하고, 가장 많은 수익을 올릴 수 있는 방법은 장기적 트렌드에 올라타는 것이다.

22. 재원의 법칙 (Resources)

충분한 자금 없이, 아이디어는 실행에 옮겨질 수 없다.

세상에서 최고로 훌륭한 아이디어도 그것을 실행시킬 돈이 충분히 뒷받침되지 못하면 멀리 가지 못한다.

진실, 그 자체로부터는 아무것도 시작될 수 없다.

마케팅은 소비자의 마음속에서 치러지는 전쟁이다.

그 마음속에 들어가려면 돈이 필요하다.

그리고 일단 들어간 다음에도 그 마음속에 머물기 위해 돈이 필요하다.

평범한 아이디어에 수백만 달러가 확보된 쪽이 훌륭한 아이디어만 확보된 경우보다 성공할 가능성이 더 크다.

돈이 뒷받침되지 못한 아이디어는 아무 가치가 없다.

마케팅에서 부유한 자가 더 부유해지는 이유는 소비자들의 마음속에 아이디어를 밀어 넣을 재원을 갖고 있기 때문이다.

먼저 아이디어를 확보하라. 그 다음에는 나가서 그 아이디어를 활용할 자금을 찾아보라.

성공적인 마케터일수록 투자분을 초기에 집중시킨다.

다시 말해 모든 수익을 마케팅에 재투자하면서 초기 2~3년은 새로운 수익을 바라지 않는다.

돈은 마케팅 세상을 돌아가게 만든다

오늘, 성공하고 싶다면 당신은 그 마케팅 바퀴를 굴려가는데 필요한 돈을 찾아내야 할 것이다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'리뷰 > 도서' 카테고리의 다른 글

마케팅 불변의 법칙 (0)	2013/05/20
소크라테스의 변명 (0)	2013/04/26
소크라테스 이전 철학자들의 단편 선집 - 철학의 시작 (0)	2013/04/10
빅데이터가 만드는 비즈니스 미래지도 - 미래 경제를 움직이는 거대한 데이터 혁명 (0)	2013/02/22
미생 - 아직 살아 있지 못한 자 (0)	2013/02/05
질문의 힘 - 제대로 된 질문이 상대를 움직인다. (0)	2013/01/30

정보 이론 - Information Theory

미니~ — Mon, 13 May 2013 08:30:00 +0900

불확실성에 대한 일어날 가능성을 모델링하는 것이 Probability Theory라고 하고, 이런 불확실한 상황에서 추론에 근거해 결정을 내리는 것을 Decision Theory라 합니다.

그렇다면 Information Theory는 이러한 불확실성을 평가하는 것이라고 정의할 수 있습니다.

먼저 Information Theory에 대한 기본 개념을 쉽게 이해하기 위해서 aistudy.co.kr에 있는 예제를 기반으로 설명해 보도록 하죠..

다음과 같이 가로, 세로 4장씩의 카드가 놓였다고 할 때, 여러분이 한 장의 카드를 선택했다고 해 보죠.

다음과 같은 질문 과정을 거쳐서 선택한 카드를 맞출 수 있습니다.

상단에 있습니까?
예
그럼 상단의 오른쪽 반에 있습니까?
아닙니다.
그럼 왼쪽 반의 상단에 있습니까?
아닙니다.
그럼 왼쪽 반 하단의 오른쪽에 있습니까?
그렇습니다.
당신이 선택한 것은 크로바 3입니다.

여기에서 알 수 있는 사실은 16장의 카드가 있을 때, 선택한 카드를 맞힐 확률은 1/16입니다.

그리고 카드를 맞추기 위한 질문의 회수는 4회입니다.

즉, 이를 수치로 표시하면 다음과 같이 나타낼 수 있겠죠.

엔트로피 (Entropy)

어떤 확률변수의 불확실성을 측정하는 것을 바로 엔트로피라고 합니다.

엔트로피는 Claude Shannon이 이야기 한 것으로 정보량을 나타내는데요.

위 예에서 보면 4번의 질문으로 불확실성을 해결했으므로 엔트로피는 4라고 할 수 있습니다.

이러한 엔트로피 h(x)를 구하는 공식은 다음과 같습니다.

확률 p(x)에 log를 취하는 것은 바로 p(x)를 표시할 수 있는 자리 수(bit)를 나타낸다고 할 수 있습니다.

음수를 취하는 이유는 확률 p(x)가 1보다 작기 때문에 log를 취하면 음수가 됩니다.

그러므로 계산하기 편하도록 양수로 변경하기 위해 적용한 것이라고 보면 됩니다.

그렇다면 확률분포에 대한 기대값을 계산하는 방식으로 p(x)를 표시할 수 있는 공간을 나타내는 엔트로피를 계산해보면 다음과 같습니다.

어떤 랜덤 변수 x가 8가지의 상태가 동일한 확률로 발생한다고 할 때, 엔트로피는 다음과 같이 계산할 수 있습니다.

즉, 3bit의 데이터를 가지고 x가 발생할 확률을 모두 표현할 수 있다는 것입니다.

만약 8개가 발생할 확률이 동일하지 않다면 어떻게 될까요?

만약 8개의 확률이 다음과 같이 다양하다고 할 때, 엔트로피를 계산해 보도록 하죠.

이렇게 불균형한 분포를 보일 경우 엔트로피가 더 작아지는데, 우리가 예측해서 맞출 수 있는 확률이 더 높아졌기 때문에 정보의 양 즉 엔트로피가 더 작아진 것입니다.

반대로 생각하면 불확실성이 높아질 경우, 정보의 양은 더 많아지고 엔트로피는 더 커진다고 할 수 있습니다.

최대 엔트로피 계산

기계학습과 관련된 수학을 공부하다보면 최대 또는 최소값을 계산하는 것이 중요한 경우가 많습니다.

예전에 Maximum likelihood를 계산할 때, 미분해서 0이 되는 값으로 최대값을 구한다고 이야기했었습니다.

그런데 특정 condition이나 constraints에 종속되는 함수의 최대, 최소값을 찾는 것은 보다 어려운 면이 있습니다.

이럴 때, Lagrange Multipler를 사용해서 condition을 분명하게 해결하고 여분의 변수를 제거함으로써 이런 문제를 풀어 낼 수 있다고 합니다.

여기서는 확률의 총합이 1이라고 하는 Constraint가 있다고 보고 다음과 같이 최대값을 구할 수 있습니다.

우측에 있는 p(x)의 합에서 1을 뺀 값이 0이 되는 것이 확률의 기본 조건이므로

해당 부분을 Lagrange Multiplier로 표시한 것을 알 수 있습니다.

이제 이 수식을 두번 미분해서 원하는 최대 엔트로피를 구할 수 있다고 합니다.

앞서 설명했듯이 모든 확률이 똑같은 경우에 엔트로피는 최대가 되겠죠..

만약 연속확률분포에서의 엔트로피를 구한다면 다음과 같이 적분을 이용해서 구할 수 있겠죠.

한가지 재미있는 사실이 Lagrange Multiplier를 적용해서 위 수식에서 엔트로피를 최대로 만드는 확률 p(x)를 구해보면 다음과 같다고 합니다.

어디서 많이 본 수식 아닌가요?

바로 정규분포를 나타내는 Gaussian distribution과 동일한 것입니다.

상대적인 엔트로피 (Relative Entropy)

확률분포 p(x)를 모를 때, 모델링을 통해 q(x) 확률을 가정해서 사용할 수 있습니다.

이런 경우 가정한 q(x)의 정확성을 확인하기 위해 정보를 표현하는 공간의 차이를 계산해서 확인할 수 있습니다.

이것을 상대적 엔트로피 (Relative Entropy) 또는 Kullback-Leibler divergence라고 합니다.

여기서 Convex 함수에 대해서 살펴보도록 하죠.

Convex 함수는 아래 그림과 같은 형태로 a, b의 평균보다 f(a), f(b)의 평균이 더 큰 것을 의미합니다.

즉, Convex 함수는 다음과 같은 성격을 가지고 있다고 할 수 있습니다.

개별적인 a와 b의 평균보다 f(a)와 f(b)의 평균이 더 크다는 것을 나타내고 있습니다.

이와 반대의 함수를 Concave라고 합니다.

일반적으로 log함수는 Concave 형태를 나타내는데요.

엔트로피를 구하기 위해서는 - (음수)를 취했기 때문에 Concave가 Convex가 되므로 위 공식을 적용할 수 있게 됩니다.

위 공식을 기대값에 적용해 보면 다음과 같습니다.

이를 relative entropy에 적용하면 다음과 같다고 하네요.

마치면서

마지막으로 엔트로피를 이용한 Information Theory는 기계학습, 정보검색, 자연어 처리 등에서 많이 활용되고 있습니다.

예를 들어, 정보검색에서는 문서와 질의어를 확률변수로 모델링하고 이 모델간의 거리를 바탕으로 문서의 랭킹을 계산하는데,

이때 사용되는 척도가 정보이론에서 제공된다고 합니다.

또한 압축이나 연관성 분석에도 엔트로피의 활용이 높다고 하네요.

이상으로 엔트로피와 관련된 Information Theory에 대해서 정리했습니다.

추가적인 내용은 향후 필요할 때 더 정리하도록 하죠.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

Binary Variables - 베르누이 분포와 이항 분포에 대하여 (0)	2013/06/10
Conjugate Prior에 대하여 (0)	2013/06/04
정보 이론 - Information Theory (0)	2013/05/13
의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22

의사결정이론 - Decision Theory

미니~ — Mon, 06 May 2013 08:38:00 +0900

앞에서 확률이론과 Bayesian & Frequentist에 대해서 살펴봤습니다.

기계학습의 목표는 이러한 이론들을 활용해서 주어진 입력값 x에 대한 타겟인 t를 예측하는 것이었습니다.

불확실성에 직면해서 결정을 내려지 않으면 안될 경우, 어떤 결정을 해야 하고,

어떤 정보를 이용해야 하는지에 대해서 다루는 것이 바로 의사결정이론 (Decision Theory)입니다.

Decision Theory

병원에서 암을 진단하기 위해 X-ray 사진이 주어졌다고 생각해 봅시다.

X-ray 사진을 보고 암에 걸렸는지 아닌지 결정해야 할때, Decision Theory를 활용할 수 있습니다.

암일 경우를 클래스 1(C1)이라고 하고, 암이 아닌 경우를 클래스 2(C2)라고 할 때,

주어진 X-ray 사진(x)이 특정 클래스에 들어갈 확률은 베이즈 정리를 활용해서 다음과 같이 쓸 수 있습니다.

베이즈 확률에서 이야기 한 Posterior, Prior, Likelihood의 관계를 항상 생각하시기 바랍니다.

병원 예제에서는 X-ray 사진(x)이 잘못된 클래스로 할당되어 오진이 발생할 경우를 최소화해야 하므로,

상대적으로 높은 Posterior 확률을 가진 것을 선택해야 합니다.

이것이 바로 Decision Theory입니다.

오류(misclassification rate) 최소화

위의 X-ray 예제에서 오진할 확률은 환자가 암에 걸리지 않았는데 암에 걸린 것으로 진단하거나 반대의 경우라고 할 수 있습니다.

C1, C2 클래스로 진단했을때, 실제 영역을 R1, R2라고 하면 다음과 같이 오류가 발생할 확률을 구할 수 있습니다.

반대로 정확하게 결정할 확률은 주어진 x에 대해 R1, C1 / R2, C2가 일치하는 경우가 되겠죠.

여기에서도

가 되고, p(x)가 모든 요소에 대해 공통적인 요소이므로,

각각의 x가 가장 높은 Posterior 확률을 갖는 클래스에 할당된다는 것을 다시 한번 확인 할 수 있습니다.

기대손실(expected loss) 최소화

X-ray 사진으로 암여부를 잘 못 진단했을 경우를 생각해 보죠.

실제 암이었는데 정상이라고 오진한 경우가 그 반대보다 더 큰 실수가 될 것입니다.

이러한 상황에 따른 패널티 또는 가중치를 두고서 결정을 해보자는 것이 바로 기대손실 최소화 입니다.

즉, 잘못된 결정에 따른 피해를 가장 적게 하는 방향으로 결정을 해보자는 데서 출발한 것이지요.

이를 위해 다음과 같은 행렬(L)을 만들고 패널티를 부여합니다.

1000이 주어진 경우가, 실제 암(R1)인데 정상인 클래스(C2)에 할당한 것이 됩니다.

이것을 수식으로 나타내면 기존 확률에 위의 패널티를 곱해주게 됩니다.

rejection option

의사 결정이 어려운 상황일 때, 의사결정을 피하는 것이 적절한 경우가 있습니다.

한계점(threshold)을 지정해서 이러한 영역을 제외하는 것을 rejection option이라고 합니다.

다음 그림을 보면 reject region에 해당하는 영역에서는 클래스에 할당하는 결정을 하지 않는다는 것이죠.

추론과 의사결정

의사결정 이슈를 해결하기 위해 먼저 추론(inference)을 해야 하는데 다음과 같은 접근법이 있습니다.

1. 베이즈 정리 활용

앞에서 설명한대로, 주어진 x에 대해 어느 클래스에 할당될 확률이 높은지 계산하면 의사결정을 할 수 있게 됩니다.

즉, Posterior를 계산하는 것이 Decision Theory에서 중요한 부분이 되는 것이죠.

이것을 베이즈 정리를 통해서 계산해 낼 수 있습니다.

2. Posterior를 직접 계산

두번째 방식으로는 Posterior를 베이즈 정리를 활용하지 않고 직접 계산하는 것입니다.

를 바로 계산해서 주어진 x가 어느 클래스에 들어갈지를 결정하는 것이죠.

3. 판별식 함수(discriminant function) 활용

마지막으로 확률을 이용하지 않고, 특정 함수를 이용해서 결정하는 방식입니다.

discriminant function이라고 하는 f(x)가 있을 때,

f = 0이면 클래스 1로 결정하고, f = 1이면 클래스 2로 결정하는 방식입니다.

회귀분석에서의 Loss function

다음 그림을 보면 파란선은 정규분포를 따르고 있습니다.

그리고 파란선의 평균값인 E[t|x]가 바로 y(x)값이 된다는 것도 알 수 있습니다.

또한, y(x)와 t의 차이가 적을 수록 오류가 최소화된다는 것을 확인할 수 있습니다.

그러므로 손실함수(Loss function)을 다음과 같이 나타냅니다.

책에서는 이 Loss function으로부터 y(x)와 E[t|x]가 같다는 것을 증명하는 것이 나와 있습니다.

어쨌든 그림에서 어느정도 이해할 수 있으므로 생략하도록 할께요. (수식 대입하고 미분해서 0이 되는 값을 구하는 형식입니다.)

분명히 알아야 할 점은 오차의 분포가 정규분포인 경우, 이러한 Loss function이 가장 효율적이라는 점입니다.

제곱을 하기 때문에 이것을 square loss 라고 하기도 합니다.

이상으로 Decision Theory에 대해 정리해 봤습니다.

다음에는 엔트로피와 관련된 Information Theory를 간략하게 정리해 보겠습니다.

크리에이티브 커먼즈 라이선스

이 저작물은 크리에이티브 커먼즈 코리아 저작자표시-비영리-변경금지 2.0 대한민국 라이선스에 따라 이용하실 수 있습니다.

'Cloud&BigData > Machine Learing' 카테고리의 다른 글

Conjugate Prior에 대하여 (0)	2013/06/04
정보 이론 - Information Theory (0)	2013/05/13
의사결정이론 - Decision Theory (0)	2013/05/06
기계학습(Machine Learning) 관련 자료들~ (0)	2013/04/29
Curve Fitting으로 살펴보는 Frequentest와 Bayesian Treatment (0)	2013/04/22
베이즈 확률(Bayesian Probabilities)과 가우스 분포(Gaussian Distribution) (0)	2013/04/12