Subscribe to the Teradata Blog

Get the latest industry news, technology trends, and data science insights each week.



I consent that Teradata Corporation, as provider of this website, may occasionally send me Teradata Marketing Communications emails with information regarding products, data analytics, and event and webinar invitations. I understand that I may unsubscribe at any time by following the unsubscribe link at the bottom of any email I receive.

Your privacy is important. Your personal information will be collected, stored, and processed in accordance with the Teradata Global Privacy Policy.

데이터베이스 내 애널리틱스를 사용해야 하는 상위 5가지 이유

데이터베이스 내 애널리틱스를 사용해야 하는 상위 5가지 이유
데이터 애널리틱스가 이 기사의 주제이지만 먼저 공간 애널리틱스부터 설명하겠습니다. 우주 기술에서 로버는 화성과 같은 행성에 착륙한 다음 표면을 분석하는 작은 차량입니다. 로버는 복잡한 지형, 대기 및 표면을 매우 정교하게 분석할 수 있습니다.

로버가 이러한 고급 분석을 할 수 있는 이유는 단순한 샘플 수집 도구가 아니기 때문입니다. 로버는 대부분의 분석 활동을 지구에서 직접 수행합니다.

이제 데이터 애널리틱스의 맥락에서 공간을 비유한 것을 상상해 보세요. 데이터베이스는 행성이고 애널리틱스 알고리즘은 로버입니다. 데이터베이스 내 애널리틱스를 사용하면 애널리틱스 알고리즘이 데이터베이스 내에서 실행됩니다. 이는 데이터베이스에서 샘플 수집을 위해서만 애널리틱스를 사용하는 것에 비해 훨씬 더 강력합니다.

Screen-Shot-2021-12-16-at-9-47-42-AM.png
테라데이타 Vantage에는 데이터베이스 내 애널리틱스가 내장되어 있습니다. 데이터베이스 내 애널리틱스를 고려해야 하는 주요 이유는 다음과 같습니다:

1. 데이터 이동 최소화
분석을 위해 데이터베이스에서 로컬 랩톱으로 데이터를 전송하는 것은 많은 데이터 이동과 수동 작업이 필요하기 때문에 그다지 현명한 일이 아닐 수 있습니다. 이는 작업 효율성 및 자동화 기회가 손실되는 것을 의미합니다. 데이터베이스 내 애널리틱스의 힘으로 모든 중복 데이터 이동을 최소화할 수 있습니다. 이렇게 하면 로컬 랩톱에서 격리된 데이터 복사본을 관리하는 수고도 덜 수 있습니다.

2. 정교한 애널리틱스 수행
샘플과 비교했을 때 데이터베이스 내 애널리틱스를 사용하면 완전한 데이터 세트에 대해 매우 정교한 분석을 수행할 수 있습니다. 수백 개의 센서에서 전달되는 데이터를 분석해야 하는 IoT 시나리오를 가정해 보세요.

IoT 센서 데이터에는 시계열 분석, 이상 감지, 이벤트 예측과 같은 정교한 분석이 필요합니다.
이러한 센서가 많기 때문에 모든 IoT 센서 데이터를 랩톱에 다운로드하는 것은 거의 불가능합니다. 또한 샘플 데이터로 작업하면 잘못된 결과가 발생할 수 있습니다.

테라데이타 Vantage를 사용하면 데이터베이스 내부 및 전체 데이터에 대해 모든 정교한 IoT 센서 데이터 분석을 직접 수행할 수 있습니다. 이를 통해 잘못된 결론을 도출할 위험 없이 분석을 수행하는 데 도움이 됩니다.

3. 보안 위험 방지
데이터 과학자는 일반적으로 보안보다 알고리즘에 더 관심을 갖습니다. 많은 데이터 과학자들이 분석 목적으로 매우 민감한 데이터를 개인 랩톱에 다운로드했을 가능성이 높습니다.

이는 회사의 금전적 손실은 물론 회사의 평판까지 손상시킬 수 있는 매우 위험한 상황입니다. 문제가 발생하기 전까지는 그 심각성을 깨닫지 못할 수도 있습니다.

데이터베이스 내 애널리틱스를 사용하면 랩톱을 "섀도" 데이터베이스로 사용할 필요가 없습니다. 데이터베이스 내 애널리틱스를 통해 이제 자신과 회사를 위험에 빠뜨리는 일을 피할 수 있습니다.

4. 머신 러닝 모델 운영화
머신 러닝 모델 운용은 단순한 모델 스코어링 그 이상입니다. 머신 러닝 모델을 성공적으로 운영하는 핵심은 모델 스코어링 또는 예측을 비즈니스 데이터와 통합하는 것입니다.

예를 들어 장비 이상 감지 사용 사례에서 문제를 정확하게 예측하는 것만으로는 충분하지 않습니다. 운영 작업은 장비가 정확히 어디에 위치하며 고장 발생시 어떤 영향을 미치는지 이해하는 것을 의미합니다. 장비 이상을 정확히 예측했는데 장비가 어디에 있는지 모른다면 머신 러닝 모델을 운영할 수 없습니다.

데이터베이스 내 애널리틱스를 사용하면 머신 러닝 모델 스코어링은 데이터베이스 내에서 실행됩니다. 이는 모델 점수를 나머지 데이터와 연결하여 모델 점수를 보다 실행 가능하게 전환하는 데 도움이 됩니다.

5. 비즈니스 사용자 인터페이스 표준화
많은 데이터 과학자들이 다양한 알고리즘과 기술을 선호하지만 비즈니스 사용자는 사용자 인터페이스의 안정성을 선호합니다. 비즈니스 사용자가 BI 도구를 사용하여 고객 데이터를 분석하지만, 고객 이탈을 예측하기 위해 Jupyter 랩톱이 제공된 상황을 상상해 보십시오. 사용자 인터페이스가 확산되어 비즈니스 사용자에게 악몽을 가져다 줄 수 있습니다.

데이터베이스 내 애널리틱스를 통해 비즈니스 사용자에게 익숙한 BI 도구와 고급 분석을 활용할 수 있습니다. 이는 비즈니스 사용자 간에 고급 분석을 확장하는 데 도움이 됩니다. 데이터베이스 내 애널리틱스 기능을 활용하여 조직 내에서 머신 러닝을 보편화할 수 있습니다.
Portrait of Pranay Dave

(Author):
Pranay Dave

Pranay is Principal Data Scientist for Europe, Middle East and Africa (EMEA) for Teradata. His job role enables customers to realize business benefits using advanced analytics and data science. He has led initiatives with many clients to operationalize Artificial Intelligence and Machine Learning projects, and thus enable clients to benefit from advanced analytical solutions.
 
As a recognized expert in Teradata Vantage, Pranay is also a regular speaker at Teradata internal and external events. He is recognized as a top writer for AI in digital media. Pranay has degree in Data Science, MBA and Computer Engineering. View all posts by Pranay Dave

Teradata Vantage를 통해 복잡한 데이터와 분석을 해답으로 전환하십시오.

Contact us