11.4. 헬스케어 웹사이트 사례 4가지
•
두 가지 연구가 있습니다
◦
200명 샘플의 정량적 연구 vs 20명 규모의 정성적 연구
◦
모두 다음의 조건 만족
▪
26세 이상
▪
특정 주에 거주
▪
헬스케어 관련 의사결정을 내림
•
화면을 통해 실험함.
◦
움직이고 클리하고 등등의 행독
◦
작업 전/후의 태도도 주요한 데이터
◦
정성적 연구에서는 추가로 참가자들이 그들의 생각을 말하도록 함
•
Measure
◦
qxScore: 여러 지표들의 조합
•
평가
Summary and Recommendation
•
자주 벤치마킹하라
•
다른 산업군에서 best practice를 찾아라
•
정성/정량을 모두 사용하라
•
문제를 단순화하라
•
search와 filter로 의사를 찾을 수 있도록 도와라
11.4. Seasonality Decomposition
•
계절성: 고정된 시간 단위로 반복되는 패턴
•
ITS 설계에 편향을 줄 수 있음
◦
높은 분산(블랙 프라이데이나 크리스마스)
◦
자기상관성
•
여기서 계절성을 어떻게 제거할 것인지 얘기하지는 않을 것임. 어려우니까…
◦
관심 있으신 분은 ARIMA나 푸리에 같은 걸 찾아보세요
▪
제(dane) 추천은 찾지 마세요
◦
논문 참조는 생략했습니다
•
대부분의 경우 간단한 계절성 분해 정도로도 충분함
•
계절성이 중요한 이유는 대부분의 구매가 시간,날짜,요일,월과 같은 시간에 영향을 받기 때문
•
cyclic과는 다르다! cyclic과는!
◦
cyclic은 주기가 일정하지 않거나 들쭉날쭉할 수 있다는 얘기인 것 같아요
•
다음 네 가지로 구성됨
◦
seasonal component: 크리스마스
◦
cyclic component: 경기 순환
◦
trend: 성장과 같은 트렌드
◦
error: 아웃라이어와 부정확 등. 모델에서 다루지 못하는 부분
•
두 가지 계절성: 여기서는 후자임
•
어케 이걸 조져?
◦
평균으로 표준화: 특이한 게 평균으로 나눈다
◦
이동평균: smoothiing
◦
Trend: OLS로 Y 예측
◦
Cycle = MA / Trend
◦
Seasonality: Y / MA = seasonality + error
◦
Error = Seasonality / (Y / MA)
분량이 허전해서 풀어보는 통계학과 시계열 썰
•
시계열 모델의 세 종파 (뇌피셜)
◦
ARIMA 계열
◦
Stochastic process 계열
◦
MLP 계열
•
Dane이 푸는 시계열 예측
◦
교수님’s 픽
◦
windowing
11.5. Actionable Insight
•
인과추론에서는 설계가 핵심. 설계가 잘못되면 결과 신뢰하기 어렵다고 해석함
•
RD는 web product에서 자연 발생하는 임의성을 효과적으로 다룰 수 있는 툴
•
시계열 자료는 대조군이 시간인 짱좋은(…) 툴이다
•
시계열분해는 시계열을 다룰 때 개쩌는(…) 툴이다
Discussions
PAP에서는 스터디 구성원들이 세션 진행 후 주제 발제를 통해 논의를 진행합니다.
유사 산업군의 다른 서비스, 다른 산업군의 서비스에서 기능을 벤치마킹을 시도했다가 실패한 케이스가 있을까요?
Editor
Dane Data Scientist
개인화에 관심 많은 데이터 사이언티스트입니다. 통계도 좋아합니다. 강아지와 고양이도.
