DP-600: 고급 처방형 및 예측형 분석 MCQ 연습 (Part-01)
발행: (2025년 12월 2일 오후 06:46 GMT+9)
9 min read
원문: Dev.to
Source: Dev.to
분석 유형
-
Descriptive Analytics – 무슨 일이 있었나요?
- 과거 데이터를 요약합니다.
- 예시: “지난달 매출이 15% 증가했습니다.”
- 시각화: 테이블, 카드, 막대 차트.
-
Diagnostic Analytics – 왜 이런 결과가 나왔나요?
- 결과 뒤의 원인을 설명합니다.
- 예시: “광고 성과가 좋았기 때문에 매출이 증가했습니다.”
- 도구: Decomposition tree, Key Influencers.
-
Predictive Analytics – 무엇이 일어날까요?
- 미래를 예측합니다.
- 예시: “다음 달 이탈률이 20% 감소할 것으로 예측합니다.”
- 도구: ML 모델, 예측, AutoML.
-
Prescriptive Analytics – 우리는 무엇을 해야 할까요?
- 예측을 기반으로 최적의 행동을 제시합니다.
- 예시:
- “고위험 고객에게 할인을 제공한다.”
- “Segment A에 대한 광고 예산을 늘린다.”
- “참여도가 낮은 사용자에게 후속 이메일을 보낸다.”
- 핵심 포인트: Prescriptive = ML + 추천 행동.
시험 요령
- 질문이 어떤 행동을 취해야 하는가를 묻는다면 prescriptive를 생각 → ML + 행동.
- Prescriptive analytics = 예측을 행동에 매핑하는 의사결정 로직(규칙, 최적화 목표, 비용/편익).
- 일반적인 출력: “20% 할인 제공” 혹은 “전문가에게 라우팅” 같은 열이나 시각화 – 단순 확률 점수가 아님.
Azure Machine Learning 모델을 Power BI에 임베드하기
- Train the model (Azure ML, Fabric AutoML, Python/R).
- Deploy the model as a web service (REST endpoint).
- Call the endpoint from a dataflow / Power Query / Fabric pipeline, or bring scored data back into Power BI.
- Use the outputs as calculated columns or visuals.
- Map predictions to actions with DAX, Power Query logic, or an operationalisation layer (e.g.,
if churn_prob > 0.8 → “Offer 30% off”). - Present recommendations in report visuals (tables, cards, conditional formatting).
이 접근 방식이 선호되는 이유
- Dynamic – 새로운 데이터와 함께 업데이트됩니다.
- 자동화 및 확장성.
- 비즈니스 규칙 및 임계값을 포함할 수 있습니다.
정적 텍스트 상자 및 수동 업데이트 (하지 말아야 할 것)
- 정적 텍스트 상자는 데이터와 연결되지 않은 수동 입력 텍스트이며, 제목, 설명, 메모, 라벨 용도로만 사용합니다.
- 수동 업데이트(예: 매월 새로운 권고안을 직접 입력)는:
- 확장성이 없음.
- 오류 발생 가능성이 높음.
- 느리고 데이터 기반이 아님.
- AI/ML 자동화를 요구하는 시험이나 실제 운영 환경에 부적합.
시험 요령: “정적 텍스트”, “수동 월간 업데이트”, “과거 시각화만”이라는 옵션은 질문이 제안, 권고, 다음 행동을 요구할 때 거의 항상 오답입니다.
전방 제안과 과거 전용을 언제 사용할까
- 과거 전용(Descriptive/Diagnostic): 보고, 요약, 과거 추세 확인, 원인 설명을 요구할 때.
- Prescriptive(전방 제안): 권고, 최적 행동, 최적화, 미래 지향적인 의사결정을 요구할 때.
데모 질문 및 답변 풀이
Question: 고객 세그먼트 성과를 기반으로 타깃 마케팅 행동을 제안하는 기능을 Power BI 보고서에 추가해야 합니다. 어떤 기술이 처방형 분석을 효과적으로 통합합니까?
Correct Answer: A. Embedding an Azure Machine Learning model within the report.
Reasoning:
- “타깃 마케팅 행동을 제안”이라는 키워드 → 처방형.
- 옵션 A만이 자동화된 데이터 기반 권고 엔진을 제공합니다.
- 옵션 B(정적), C(수동), D(설명 전용)는 처방형 요구를 충족하지 못합니다.
Exam tip: “각 사용자/세그먼트마다 동적으로 변하는 실행 가능한 출력이 있나요?” 라고 스스로 물어보세요. 있다면 → ML/엔드포인트/자동화가 정답입니다.
구현 매핑 – 일반 패턴
| 비즈니스 시나리오 | 예측 단계 | 처방 매핑 |
|---|---|---|
| 이탈 관리 | 이탈 확률 예측 | “할인 제공 / 전화 / 무조치” 로 매핑 |
| 추천 엔진 | 협업 필터링 또는 콘텐츠 기반 모델 | 사용자당 상위 N 추천 저장 → Power BI에 표시 |
| 재고 최적화 | 수요 예측(시계열) | 재주문 수량 최적화 실행 → 재주문 행동 제공 |
| 예측 유지보수 | 고장 확률 예측 | 임계값 초과 → 유지보수 일정 잡기 |
| 사기 탐지 | 거래당 위험도 예측 | 차단 / 모니터링 / 허용 규칙에 매핑 |
임베딩 워크플로우 요약
- ML 모델 구축.
- 웹 서비스(API 엔드포인트)로 배포.
- Power BI에서 모델 호출.
- 추천 출력(예: “고객 X에 대해 이메일 캠페인 B 권장”) 제공.
결과: 동적, 확장 가능, 자동화된 처방형 인사이트.
전방 제시 = 예측 + 처방
미래 결과에 따라 행동을 취해야 하거나 비즈니스 영향을 최적화해야 할 때 사용합니다(예: 이탈 방지, 예산 최적화, 마케팅 타깃팅, 사기 방지).
PART 2 – 질문 분석 (단계별)
Original Question: 고객 세그먼트 성과를 기반으로 타깃 마케팅 행동을 제안하는 기능이 필요합니다.
- 핵심 구절: “행동을 제안” → 처방형.
- 필요 요소: ML 모델, 자동화된 권고, 동적 로직.
| 옵션 | 평가 |
|---|---|
| A. Azure Machine Learning 모델 임베드 | ✅ ML 모델 → 동적. 정답. |
| B. 정적 텍스트 상자 사용 | ❌ 데이터 기반이 아님. |
| C. 보고서를 수동으로 업데이트 | ❌ 확장성 없음. |
| D. 오직 과거 데이터에만 의존 | ❌ 설명/요약 전용. |
빠르게 정답을 식별하기 위한 요약표
| 목표 | 키워드 | 일반적인 정답 |
|---|---|---|
| 처방형(권고, 최적 행동, 최적화) | “제안”, “권고”, “행동”, “최적화”, “미래” | ML 모델, AutoML, Azure ML, 의사결정 엔진 |
| 예측형(예측, 확률, 추세) | “예측”, “예보”, “확률”, “미래 추세” | ML 모델, 시계열 예측, AutoML |
| 설명형/진단형(과거 이해, KPI 모니터링) | “과거”, “요약”, “모니터”, “추세 분석” | 시각화, 테이블, 차트, Key Influencers, Decomposition Tree |
| 수동/정적 | “수동”, “정적”, “텍스트 박스” | 절대 AI/ML 질문에서 정답이 아님 |
PART 3 – 노트 (문서 스타일, 명확한 예시)
Fabric / Power BI에서 처방형 분석
- 머신러닝 또는 의사결정 알고리즘을 사용해 행동을 권고합니다.
- 출처: Azure ML 모델, Fabric ML 모델, AutoML, Python/R 노트북, 데이터플로우 내 ML 스코어링.
- 예시 데이터셋: 고객 세그먼트
- Segment A → 이메일 오퍼 권고
- Segment B → 할인 권고
- Segment C → 행동 없음
- Power BI는 동적 권고 열을 실시간으로 표시합니다.