*재* 스토어

*재*

개인

팔로워0 팔로우

소개

등록된 소개글이 없습니다.

전문분야 등록된 전문분야가 없습니다.

판매자 정보

학교정보

입력된 정보가 없습니다.

직장정보

입력된 정보가 없습니다.

자격증

입력된 정보가 없습니다.

판매지수

판매중 자료수

5개
전체 판매량

66개
최근 3개월 판매량

1개
자료후기 점수

평균A+
자료문의 응답률

-

전체자료 5개

데이터마이닝 알고리즘 비교 분석

데이터 마이닝 알고리즘 비교 분석데이터 마이닝 알고리즘 비교 분석데이터 마이닝 알고리즘의 정의데이터 마이닝은 데이터 집합에서 유의미한 패턴을 찾아내는 과정으로 정의되며 발견된 패턴들을 통해 경제적 이점을 이끌어내는 것을 목표로 한다. 패턴을 찾아내는 과정에서는 알고리즘이 적용되는데, 이 때 알고리즘의 사전적 정의는 “어떠한 문제를 해결하기 위한 여러 동작들의 모임”이다. 즉, 알고리즘이란 알고리즘이란 연산, 데이터 진행 또는 자동화된 추론을 수행하는 단계적 집합이며, 이 중 활발하게 이용되는 알고리즘으로는 연관규칙, 클러스터링, 신경망, 결정 트리, 유전 알고리즘, 베이지안 네트워크, 메모리 기반 추론 등이 있으며 하위 개념으로 각 카테고리에 속하는 다양한 알고리즘들이 존재한다.데이터 마이닝 알고리즘의 종류 및 비교 분석데이터 마이닝의 목표는 경제적 이점을 이끌어낸다는 점에서 공통점을 가지고 있으나, 마케팅 및 판매 전략, 고객 지원 혹은 의학, 범죄 수사 등 분야별로 적합한 알고리즘의 종류가 다양하다. 본 보고서에서는 앞서 언급한 연관규칙, 클러스터링, 신경망, 결정 트리, 유전 알고리즘, 베이지안 네트워크, 메모리 기반 추론 등 7가지 알고리즘을 큰 틀에서 다루고 이 중 결정트리, 클러스터링의 하위 범주에 속하는 데이터 마이닝 알고리즘들의 개념(개요, 개발자, 타입 등)에 대해 알아볼 것이다.연관 규칙(Association rules)연관 규칙이란 항목들 간의 조건-결과 식으로 표현되는 유용한 패턴을 말한다. 일반적으로 매우큰 데이터 집합을 대상으로 하며, 한 번 데이터 집합을 탐색하면서 개개의 서로 다른 크기를 가진 아이템 집합을 찾는다. 연관 규칙은 마케팅 분야에서 가장 많이 사용되는데, 이를 통해 “목요일에 슈퍼마켓에서 기저귀를 사는 고객들은 맥주도 함께 구매한다”는 연관성을 발견한 것이 유명한 예시이다. 이와 같은 연관 규칙의 산업 분야로의 적용은 컴퓨터 기술의 발전 덕분에 가능했다. 고객이 슈퍼마켓에서 물건을 구입할 때, 쇼핑카트에 담긴 물품들이 CART 알고리즘은 이진 트리 구조로 모형을 형성하는데 목표 변수를 가장 잘 분리하는 설명 변수와 분리되는 시점을 찾는 것을 최우선 과제로 한다. 이 측도를 다양성이라고 하는데, 노드의 다양성을 가장 효과적으로 줄여주는 설명변수를 선택하는 것이다.2-2-2. C 4.5 알고리즘C 4.5 알고리즘은 1993년 J. Ross Quinlan에 의해 개발된 결정 트리 알고리즘으로, 분류를 목적으로 하므로 Supervised Learning으로 볼 수 있다. 결정 트리 알고리즘인 ID3를 보완하여 발전시켜 개발되었으며, 이진분리를 하는 CART 알고리즘과 달리 가지의 수를 다양화 할 수 있다는 차이점이 있다. C 4.5는 속성이 갖는 범주 값의 수만큼 분리를 수행하며 가지치기를 할 때에도 CART 알고리즘과는 달리 훈련 데이터셋과 거리가 있는 데이터는 고려하지 않는다.2-2-3. CHAID(Chi-squared Automatic Interaction Detection) 알고리즘CHAID 알고리즘은 1975년 J.A. Hartigan에 의해 개발된 알고리즘이며 앞서 언급한 CART, C 4.5와 같이 Supervised Learning으로 분류된다. SPSS 혹은 SAS 통계 패키지에서 흔히 사용되고 있다. 두 변수간의 통계적 관계를 찾는 것이 목표이며 CART 알고리즘과 달리 데이터의 과대 적합(overfitting) 전에 결정 트리 형성을 멈춘다.2-2-4. 그 외 결정 트리 알고리즘이외에도 통계 알고리즘으로 분류되지 않는 SPRINT, RAINFOREST, PUBLIC, BOAT 알고리즘 등이 있는데 먼저 SPRINT(Scalable Parallelizable Induction of decision trees)의 경우 병렬화가 쉽고 빠른 속도로 데이터를 처리하는 것이 가능하다. 기존의 알고리즘들과 달리, 공간이 부족하면 메인 메모리 외에도 디스크를 사용하는 것이 특징이다. 다음으로, RAINFOREST 알고리즘은 SPRINT 알고리즘과 유사하나, 메모리에 ‘Clas할 접근이란 n개의 분할 영역을 결정해나가는 방법으로 이 때 분할 영역들은 범주 함수를 최적화시켜야 한다는 조건을 갖으며 유클리드 거리(euclidean distance) 측정법을 기반으로 한다. 분할 접근의 대표적인 알고리즘으로는 군집의 무게중심점을 대표값으로 분할하는 K-means 알고리즘과 군집 내 중심값과 가장 가까운 객체를 기준으로 대표점을 찾는 K-medoids 알고리즘을 들 수 있다.2-3-1. K-means 알고리즘K-means 알고리즘은 1967년 James Macqueen에 의해 개발되었으며 그의 저서 ‘Some method for classification and analysis of multivariate observations’에서 처음으로 사용되었다. Macqueen에 따르면 K-means 알고리즘은 “N차원의 모집단을 표본의 속성에 따라 n개 세트로 나누는 과정”이다. 알고리즘 과정을 살펴보면 우선 랜덤하게 초기 중심 값(centroid)을 선택한 후 군집 당 n개의 중심 값과 각 개별 데이터 간의 거리를 측정한다. 이 후 가장 가까운 군집에 해당 데이터를 할당하고 군집마다 새로운 중심값을 계산한다. 선택된 중심 값이 변화가 없다면 멈추며 만약 변화가 있다면 처음의 과정으로 돌아가 이를 반복하게 된다.2-3-2. K-medoids 알고리즘1987년 Kaufamn과 Rousseeuw에 의해 개발된 K-medoids 알고리즘은 K-means와 여러 측면에서 유사하다. 그러나 K-means가 임의의 좌표를 중심점으로 잡는 반면 K-medoids는 실제 점 하나를 중심점으로 잡아서 계산을 수행한다는 차이점이 있다. K-medoids 알고리즘 과정을 살펴보면 우선 n개의 데이터 포인트에서 임의로 m개의 중심점을 지정하고 가장 가까운 중심점에서 각각의 데이터 포인트를 할당한다. 이후 각각의 중심점 m에 대하여 중심점이 아닌 데이터 포인트 O를 임의로 지정하고 m과 O의 총 비용을 계산한 뒤 비교한다. m과 O 중 낮은 비용을 가지는 것을 다음 율적으로 다루는 방법에 대해 다루었으나 DBSCAN 알고리즘은 보다 다차원적인 모양과 크기의 데이터에 대한 클러스터링 알고리즘이다. DBSCAN에서는 클러스터의 밀도를 결정하기 위해 2개의 파라미터를 입력해야하며, 부정형의 클러스터를 찾을 때 CLARANS 알고리즘에 비해 100배에 달하는 효율성 증가를 보인다.2-3-6. CURE 알고리즘CURE 알고리즘은 전통적인 계층적 클러스터링 알고리즘이 가질 수 있는 연쇄 효과 문제를 해결하기 위한 대안으로 개발되었다. CURE 알고리즘에서는 군집 하나 이상의 대표점을 가지며, 이들은 군집의 평균값으로 수렴한다. 계층적 클러스터링 방법을 적용시킬 때 합병되는 두 군집에 대한 대표점은 합병되는 군집 내의 모든 점들로부터 구해지는 것이 아니라 두 군집으로부터 미리 선택된다. DBSCAN 알고리즘과 비교할 때 입력 파라미터에 대한 영향력이 적고, 밀도 높은 선으로 연결된 두 개 의 서로 다른 클러스터를 구분해 낼 수 있으며 대형 데이터베이스에 적용 할 때 사전클러스터링을 수행할 수 있다는 장점을 갖는다.신경망(Neural network)신경망은 예측 모델을 만들어내는데 이용되는 알고리즘이다. 로컬 메모리를 가진 다수의 단순 프로세서들이 모여 이루는 하나의 네트워크로서, 각 유닛들은 암호화된 데이터를 운반하는 채널들에 의해 서로 연결되어 있고 이를 통해 얻은 입력값들을 조작하게 된다. 대부분의 신경망을 이용한 데이터 마이닝 알고리즘은 데이터를 기반으로 결정된 연결들 간 가중치를 이용하여 학습할 수 있다는 특성을 가진다. 신경망 알고리즘은 크게 교사학습과 비교사학습으로 구분되는데, 우선 교사학습 단계에서는 각 프로세서들이 역할을 잘 수행했는지 혹은 목표한 의도대로 잘 수행했는지 것인지 판단하게 되며, 이후 강화 학습을 거쳐 성능의 향상을 이루게 된다. 교사학습의 가장 주된 훈련방법은 주로 사용되는 것은 네트워크 출력값과 목표값 간의 차이를 측정하는 것이다. 이 차이는 ‘오류율’이라고 불리며, 추후 훈련 과정에서 오류율이 얼마나 k가지 값이 존재하고, k>2라면, k개의 비트를 사용해서 속성의 값을 표현할 수 있다. 클래스도 비슷한 방법으로 코드화한다.적자 생존의 법칙에 따라 기존의 분포 중에서 적합한 규칙의 자손이 다음 세대에 살아 남는다. 그 중에서 규칙의 적합성은 훈련 샘플 세트를 분류했을 때의 정확성으로 측정한다. 규칙의 자손은 실제 유전자처럼 교배와 돌연변이를 적용해서 만든다. 교배는 한 쌍의 부모 문자열에서 각자의 일부를 취해서 새로운 규칙으로 조합하는 방법을 말한다. 또 돌연변이는 규칙 문자열에서 임의의 비트를 선택적으로 뒤집는 기법이다. 기존 세대의 규칙 분포에서 세대를 거듭해서 진화하는 과정은 한 세대 P에 이르러 모든 규칙이 미리 지정했던 적합성 역치를 만족시킬 때까지 계속한다. 유전 알고리즘은 병렬화하기 쉽고, 클래스 분류 문제뿐만 아니라 여타 문제의 최적화에도 자주 사용한다. 데이터 마이닝 분야에서는 다른 알고리즘의 적합성을 측정하는 데에도 사용한다.베이지안 네트워크베이지안 네트워크는 흥미있는 변수들 사이의 확률적인 관계를 표현하는 그래프 모델로 정의할 수 있으며, 불완전한 데이터 집합을 처리할 수 있고, 인과 관계에 대한 학습이 가능하며 영영지식과 데이터를 결합하여 사용한다는 특징을 가지고 있다. 불완전한 데이터 집합 처리의 경우, 입력 변수 중 하나라도 측정되지 않으면 모델의 예측 수행이 불가능하나 베이지안 네트워크는 의존성을 표하는 수치를 대입함으로써 이 문제를 해결한다. 또한, 전문가 영역의 지식과 통계적 데이터를 혼합하여 사용함으로써 새로운 지식의 발견을 이끈다는 장점이 있다.메모리 기반 추론메로리 기반 추론 알고리즘은 클러스터링과 유사하게 기존에 기계학습, 패턴 인식 영역에서 쓰이던 기술에 부가적인 요소들을 추가함으로써 오늘날 데이터 마이닝 영역에서 활발하게 쓰이고 있다. 특히 분류와 예측에 많이 사용되고 있는데, 신경망 알고리즘 혹은 유전자 알고리즘과 결합하여 분류나 특정값을 예측하거나, 계획적으로 수집되지 않은 데이터들을 다루는데 유용하다는 특징이

경영/경제| 2018.05.05| 12페이지| 1,000원| 조회(317)

경제, 경영, 분석, 비교, 데이터, 알고리즘, 보고서, 데이터마이닝, 마이닝, 과제

미리보기

닫기
데이터마이닝 시장 조사 평가A+최고예요

데이터 마이닝 시장조사데이터 마이닝 시장조사데이터 마이닝의 정의데이터 마이닝이란 방대한 규모의 저장된 데이터 속에서 통계적인 규칙이나 패턴을 체계적으로 찾아내는 것이다. 이 과정에서 통계학부터 패턴 인식에 이르는 다양한 계량 기법이 사용되며, 대표적인 기법들로는 통계학에 기반한 가설 검정, 시계열 분석, 일반화 선형 모형 등과 데이터베이스에 기반한 OLAP 그리고 인공지능에 기반한 SOM, 신경망, 전문가 시스템 등을 들 수 있다. 현재 다양한 산업 분야에서 앞서 언급한 기법들을 응용하여 신용평가모형을 개발하고 최적의 포트폴리오를 구축하는 등 데이터 마이닝은 폭넓게 사용되고 있으나, 자료를 바탕으로 현상을 해석하고 해결책을 제시하기 때문에 자료가 정확하게 주어지지 않을 경우 잘못된 모형을 추출하는 오류가 발생할 수 있다.데이터 마이닝 방법론2-1. 통계학에 기반한 방법론: 가설 검정, 시계열 분석, 일반화 선형 모형통계학에 기반한 방법론의 경우 대표적인 기법으로 가설 검정, 시계열 분석, 일반화 선형 모형 등을 들 수 있다. 우선, 가설 검정은 하나의 주장을 모수를 이용하여 설명하는 것이다. 예를 들어 “아프리카에 서식하는 코뿔소들의 평균 무게는 3,500kg이다.”라는 주장은 통계적 가설이며 평균 무게는 모집단의 특성을 대변하는 모수가 된다.시계열 분석은 일정 시간 간격을 두고 배치된 데이터들의 수열을 분석하는 것이며, 증권 시세, 각 지역별 교통량 분석 등이 대표적인 시계열 분석 사용 예시이다. 이를 이용한 데이터 마이닝에서는 일반적인 유사성 탐색과 달리 Query Sequence 상의 사소한 오차가 허용된다.일반화 선형 모형은 선형 모형 상에서 하나 이상의 변수를 대상으로 일반화된 모형을 구축하는 것으로 선형 회귀의 일반화이다. 선형 모형에 의해 작성된 제한적인 가정을 완화시키며 목표 변수가 정규 분포를 가지고, 목표 변수에 대한 예측자의 영향이 본질적으로 선형이라는 가정 등이 포함된다.2-2. 데이터베이스에 기반한 방법론: OLAPOLAP(Online al Processing)는 대용량 업무 데이터베이스를 구축하고 비즈니스 인텔리젼스를 지원하기 위해 사용되는 도구이다. 일반적으로 데이터베이스가 두 개 이상의 큐브로 나누어져 있으며 사용자가 데이터를 검색 및 분석하는 방식에 맞추어 관리자가 큐브를 구성하므로 피벗 테이블 보고서 및 차트 보고서 작성이 매우 용이하다.2-3. 인공지능에 기반한 방법론: SOM, 신경망, 전문가 시스템SOM(Self Organizing Maps)은 출력 맵에서 자신의 물리적 위치를 가지고 승자독식 과정에 참여하는 인공 뉴런의 집합이다. 승자독식 과정에서 입력 벡터에 가장 가까운 가중치 벡터를 가지는 노드가 승자로 결정되며, 이후 그 값이 입력 벡터에 더욱 가까워지도록 가중치가 조정된다. SOM 네트워크는 출력 노드와 입력 데이터 집합의 그룹 및 패턴 간 연관성을 찾아낸 뒤 종료된다.신경망 분석은 데이터를 통한 학습과정을 통해 일반화된 패턴을 찾아내고, 이를 이용하여 예측, 분류 등의 의사결정시스템에 도움을 주는 인공지능 기법이다. 입력 변수와 결과 변수가 연속형이나 이산형인 경우에도 모두 처리가 가능하고 예측 성과가 우수하다는 장점이 있으나, 블랙박스와 같은 모형의 구조를 설명하지 못하고 분석 과정에 많은 시간과 자원이 소요된다는 단점이 있다.전문가 시스템이란 특정 분야에서 높은 수준의 성능을 얻기 위해 전문가의 지식을 이용하는 컴퓨터 프로그램이다. 문제가 발생한 경우 해당 분야의 전문가로부터 얻은 전문 지식을 학습하여 이를 바탕으로 추론하고, 더 나아가 복잡한 문제들을 전문가와 대등한 수준으로 해결하는 것을 목표로 한다.데이터 마이닝 시장의 주요 기업들미국의 정보 기술 연구 및 자문회사인 가트너(Gartner, Inc.)는 사이언스 플랫폼 분야의 상위 16개 기업에 대한 보고서를 발표했다. 본 보고서에는 가트너에서 개발한 시장 분석 결과의 시각화 도구인 매직 쿼드런트(Magic Quadrant)가 사용되었으며, 상용 업체들만을 평가했으므로 파이썬(Python) 혹은 알(R)과 같플랫폼은 평가 대상에서 제외되었다. 16개 기업들은 2017년 2월까지의 실적에 따라 각각 Leaders, Challengers Visionaries, Niche Players 등 4가지 영역으로 분류되었다.3-1. LeadersLeaders 영역의 경우 IBM, SAS, Rapidminer, KNIME 등 4개 기업이 선정되었다. 우선 IBM은 미국의 다국적 기술 및 컨설팅 회사로 콘솔, 군사용 컴퓨터, 슈퍼 컴퓨터, 대형 서버 시장, 항공우주전자 분야 등의 절대 강자로 자리 잡으며 최고의 컴퓨터 기술력을 가진 기업으로 평가받고 있다. 지난 2014년, 슈퍼컴퓨터 ‘왓슨’의 자연어 처리 기술에 기반한 비정형 데이터 분석 플랫폼인 ICA 한국어 버전을 출시하며 국내 데이터 사이언스 시장에서의 영향력을 더욱 확장했으며 현재 이를 중심으로 금융, 제조, 의료 등 다양한 분야에서 신규 사업 개발에 착수하고 있다. IBM의 대표적인 데이터 마이닝 도구로는 DSx, SPSS, IBM Waston, Cognos 등이 있다.SAS는 데이터 사이언스 분석을 위한 소프트웨어 생산 업체로 SAS EM(Enterprise Miner)과 SAS VAS(Visual Analytics Suite) 등을 대표적인 솔루션으로 보유하고 있다. 현재 VAS를 기반으로 하는 상호작용 모델 연구에 집중하고 있으며 SAS 기반의 전통 모델 개발도 이어나가고 있다. 여전히 데이터 사이언스 플랫폼 분야에서 선도 기업으로 자리잡고 있으나 주력 제품군에 집중할 필요성과 고비용으로 인한 경영 실적 악화에 대한 우려가 제기되고 있다.Rapidminer는 예측 분석을 위한 모델을 개발 및 관리하는 통합 플랫폼으로 GUI를 기반으로 하고 있다. 초보자와 전문가 모두에게 적합한 데이터 사이언스 솔루션이라는 평가를 받고 있으며 사용자들에게 오픈 소스 코드를 제공한다. 현재 완성도 있는 솔루션과 안정된 시장 점유율을 바탕으로 업계를 선도하는 기업으로 평가받고 있다.KNIME의 솔루션은 수집, 전처리, 분석, 시각화,이터 분석 전과정을 단위 기능으로 세분화하며 파이프라인을 통해 멀티 데이터 플로우를 시각적으로 표현하고 수행한다. 현재 전문가용 데이터 사이언스 툴의 오픈 소스를 제공하고 있으며 특히 제조업과 생활과학 분야에서 강점을 보이고 있다.3-2. ChallengersChallengers 영역의 경우 MathWorks, Quest, Alteryx, Angoss 등 4개 업체가 선정되었다. MathWokrs는 엔지니어와 과학자들을 위한 테크니컬 컴퓨팅 소프트웨어를 개발하는 업체로 병렬 컴퓨팅, 통계 및 최적화, 이벤트, 물리적 모델링 등을 기반으로 하는 다양한 제품군을 보유하고 있다. 2017년 가트너 보고서에서 처음으로 상위 16개 기업에 등재되었으며 향후 성장 가능성을 높이 평가받고 있다.Quest는 데이터베이스 백업솔루션으로 유명한 업체로 지난 2004년 델에 인수되었다. 오라클 데이터베이스 백업 서비스로 탄탄한 고객층을 확보하였으며 현재 통계 플랫폼 판매에 집중하고 있다. Alteryx는 간편한 조작과 직관적인 사용자 인터페이스로 제품에 대한 전문가 및 초보자들의 접근성을 대폭 향상시켰다. 2016년 가트너 보고서에서는 Visionaries로 분류되었으나 탄탄한 부동 고객층을 확보함으로써 2017년에는 Challengers 영역에 합류하였다. 마지막으로 Angoss는 데이터 마이닝 시각화 툴과 분석 예측 툴을 제공하며 2016년부터 Challengers 영역으로 분류되고 있다.3-3. Visionaries & Niche PlayersVisionaries와 Niche Players 영역의 경우 총 8개의 기업들이 선정되었다. 각각의 영역에서 대표적인 기업들을 살펴보면, 우선 Microsoft는 강력한 클라우드를 기반으로 하는 데이터 사이언스 플랫폼을 제공하고 있다. 비전의 완성도 면에서는 높은 평가를 받았으나 경영 능력 면에서 다소 낮은 점수를 얻으며 Visionaries로 분류되었다.SAP는 세계 최대 규모의 기업용 애플리케이션 소프트웨어 개발 업체로 2016년 ers 영역으로 분류되는 등 높은 평가를 받았으나 스파크 프로그래밍과 오픈 소스, 파이썬과의 호환 불가, 클라우드 개발 영역 등에서 약점을 보이며 올해에는 Niche Players로 평가 등급이 하향 조정되었다.Python과 R의 비교2000년대에 들어 인터넷 사용자가 급격하게 늘어나면서 데이터의 양도 기하급수적으로 증가하고 있다. “빅데이터”라는 용어가 누구에게도 낯설게 들리지 않을 만큼 자주 사용되는 오늘날, 수 페타바이트에 이르는 데이터의 홍수 속에서 유의미한 패턴을 발견해내기 위해 데이터 분석 툴의 사용은 선택이 아닌 필수가 되었다. 이러한 사용자들의 니즈에 맞추어 다양한 데이터 툴이 등장했는데, 이 중 Python과 R은 무료 오픈 소스로 소비자들의 접근성이 용이하며, 상대적으로 쉬운 사용법과 뛰어난 확장성으로 가장 많이 이용되고 있다.Python은 유닉스 스크립터들에 의해 개발된 프로그래밍 언어로 유용한 라이브러리가 많은 범용 툴이며 R은 통계학자, 빅데이터 전문가 및 과학자들에 의해 설계된 빅데이터 분석 전용 툴이다. 우선 Python의 경우, 일반적으로 데이터 분석 결과를 다른 웹 애플리케이션에 접목하여 활용하거나 통계 코드를 데이터베이스에 포함시켜야할 때 사용된다. 필요한 패키지와 라이브러리를 간편하게 이용할 수 있으며 프로그래밍 언어가 직관적이기 때문에 초보자들이 쉽게 배울 수 있다는 장점이 있다. R에 비해 패키지의 수준이 낮다는 단점이 있으나 최근 이루어지고 있는 업데이트를 통해 이러한 약점이 상당 부분 보완되었다는 평가를 받는다.R은 빅데이터 전용 연구 목적의 업무에 최적화되어 있다. 수많은 양의 패키지와 테스트 셋을 제공하고 있으며 강력한 데이터 시각화 기능이 최대 강점으로 꼽힌다. 이외에도 R은 개발자들의 아이디어와 개념들이 R 코드와 패키지 등을 통해 공유되기 때문에 사전에 컴퓨터 공학을 배우지 않아도 사용할 수 있다는 장점을 가지고 있다. 그러나 R 언어를 배우는 데 시간이 다소 소요될 수 있으며 Python에 비해 속도가 느리다.

경영/경제| 2018.05.05| 8페이지| 1,000원| 조회(311)

경제, 경영, 분석, 시장, 조사, 데이터, 현황, 데이터마이닝, 마이닝

미리보기

닫기
엑셀을 이용한 투자론 포트폴리오 이론 실습 평가A좋아요

엑셀을 이용한 투자론포트폴리오 이론 실습 마코위츠 모형을 통해 5개 주식의 투자기회집합 그리기>각 주식의 요약통계량(기대수익률, 표준편차, 공분산)Expected ReturnVarianceStandard Deviation삼성전자17.35%0.04945422.24%SK하이닉스27.82%0.07503927.39%현대차-3.98%0.05281722.98%LG화학10.36%0.09895831.46%NAVER31.42%0.13512936.76%투자기회집합을 그리기 위한 방법론우선 각 주식들의 조합으로 공분산 표를 작성한 후 Covariance 함수를 통해 각 행렬에 상응하는 종목들의 공분산을 구한다. Mmult 함수를 통해 각 종목의 가중치에 따른 포트폴리오의 분산과 표준편차를 도출하는 연산식을 설정한다. 이후 해찾기 기능을 통해 가중치를 변수로 두고 분산이 최저가 되도록 조건을 설정한 후 해찾기를 통해 나온 포트폴리오 수익률이 설정한 목표값과 동일해지도록 한다. 이를 통해 얻은 결과값(가중치)들을 목표 수익률에 따라 내림차순 정리한 후 그래프를 그리면 다음과 같이 마코위츠 모형을 통한 5개 주식의 투자기회집합을 도출해낼 수 있다.엑셀로 그린 투자기회집합 그림 3개 주식의 시장베타 추정각 주식에 대한 시장베타의 추이 그래프각 기업의 시장베타의 추이에 대한 본인의 해석주어진 데이터를 분석한 결과 우선, 삼성전자의 시장베타는 약 1.27에서 1.79 사이에 분포하고 있으며 추세선이 우하향인 것을 확인할 수 있다. 평균적으로 약 1.52의 베타값을 보이고 있으므로 증권 시장 전체의 움직임을 나타내는 시장 지수와 삼성전자 주식의 수익률의 움직임은 양의 상관관계를 보인다고 할 수 있으며 베타값이 1보다 크므로 경기민감주로 분류할 수 있다. 또한 시장 지수가 1% 증가하거나 감소할 때 삼성전자 주식의 수익률은 약 1.52% 증가하거나 감소하는 것으로 해석할 수 있다.다음으로 SK하이닉스의 시장베타는 약 -0.04에서 0.75사이에 분포하고 있으며 추세선이 우상향인 것을 확인할 수 있다. 평균적으로 약 0.31의 베타값을 보이고 있으므로 앞서 살펴본 삼성전자의 주식과 마찬가지로 증권 시장 전체의 움직임을 나타내는 시장 지수와 삼성전자 주식의 수익률의 움직임은 양의 상관관계를 보인다고 할 수 있으며 베타값이 1보다 작으므로 경기방어주로 분류할 수 있다. 또한 평균 베타값이 약 0.31이므로 시장 지수가 1% 증가하거나 감소할 때 SK하이닉스의 주식은 약 0.31% 증가하거나 감소하는 것으로 해석할 수 있다.마지막으로 현대차의 시장베타는 약 0.81에서 1.43 사이에 분포하고 있으며 추세선이 우상향인 것을 확인할 수 있다. 평균적으로 약 1.15의 베타값을 보이고 있으므로 앞선 두 주식과 마찬가지로 증권 시장 전체의 움직임을 나타내는 시장 지수와 삼성전자 주식의 수익률의 움직임은 양의 상관관계를 보인다고 할 수 있으며 베타값이 1보다 크므로 삼성전자 주식과 같이 경기민감주로 분류할 수 있다. 또한 평균 베타값이 약 1.15이므로 시장 지수가 1% 증가하거나 감소할 때 현대차의 주식은 약 1.15% 증가하거나 감소하는 것으로 볼 수 있다.CAPM에서는 시장베타가 시간에 따라 변하지 않는다고 가정하는데 이에 대한 본인의 견해 및 본 가정이 CAPM의 테스트에 미치는 영향 예측하기문제에 주어진 바와 같이 CAPM에서는 시장베타가 시간에 따라 변하지 않는다고 가정하지만, KOSPI 시장에서 자산가격 결정모형의 성과에 대한 선행 연구들에서 이미 CAPM 혹은 Fama-French 모형에서 시간이 지남에 따라 베타값이 변하는 포트폴리오들이 관측된 바 있다. 경제변수들인 회사채스프레드(DEF), 배당률 (DPR), 무위험이자율 (RF), 장단기 이자율의 기간구조(TERM) 등 역시 시간이 지남에 따라 변하기 때문에 이 변수들에 영향을 받는 베타값 역시 변동성을 보이는 것이다.CAPM에서 정의하는 베타는, Ri와 Rm이 선형(직선) 관계를 갖는다는 가정 하에, 그 직선 관계의 기울기에 해당한다. 즉, 베타는 Ri와 Rm의 직접적 관계를 나타내는 수치이며 개별 주식 i와 시장 전체의 연관성을 측정하는 수치가 된다. 따라서 이러한 기울기가 변하지 않는다는 가정을 전제로, CAPM 모형을 통하여 자본시장의 균형 아래 위험이 존재하는 자산의 균형수익률을 더욱 정확히 도출해낼 수 있다. 5개 주식의 Risk Decomposition삼성전자SK하이닉스현대차Total Risk41.33909863Market Risk13.75267961Firm-specific Risk27.58641902Beta1.474684674Total Risk62.55470153Market Risk1.408767677Firm-specific Risk61.14593385Beta0.471981736Total Risk44.0510471Market Risk7.405696047Firm-specific Risk36.64535105Beta1.082152447LG화학NAVERTotal Risk82.58552473Market Risk19.00920072Firm-specific Risk63.57632401Beta1.733753825Total Risk112.4337588Market Risk9.453151179Firm-specific Risk102.9806077Beta1.222626503각 주식에 대한 분산·분해 결과각 기업의 분산·분해 결과에 대한 본인의 해석주어진 데이터를 통해 각 기업의 총 위험을 체계적 위험과 비체계적 위험으로 분산·분해한 결과 위와 같은 결과가 도출되었다. 우선 삼성전자 주식의 경우 5개 주식 중 총 위험이 가장 낮았으며 총 위험에서 체계적 위험이 차지하는 비율은 5개 주식 중 가장 높았다. 이로 미루어보아 삼성전자의 경우 비체계적 위험을 낮추어도 제거 불가능한 체계적 위험의 위협을 5개 기업 중 가장 많이 받고 있다고 할 수 있다. 다음으로 SK하이닉스의 경우 5개 주식 중 총 위험에서 체계적 위험이 차지하는 비중이 가장 낮으므로, 주식의 총 위험 대부분이 비체계적 위험에 기인한다고 볼 수 있다. 따라서 SK하이닉스 주식의 총 위험은 제거가능한 비체계적 위험을 감소시킴으로써 다른 주식들에 비해 상대적으로 큰 폭으로 감소할 수 있다.현대차의 경우 총 위험이 5개 주식 중 2번째로 낮으므로 Risk Aversion이 높은 투자자들에게 주어진 주식들 중에서 삼성전자와 함께 매력적인 선택지가 될 수 있으며, 삼성전자와 LG화학에 이어 세번째로 체계적 위험의 영향을 가장 많이 받고 있다. 한편 LG화학의 경우 총 위험은 5개 주식 중 2번째로 높은 것으로 나타나며 총 위험 중 체계적 위험의 비중이 다른 주식들에 비해 상대적으로 높으므로 경기 순환등의 거시적 요인에 영향을 많이 받는 것으로 해석할 수 있다. 마지막으로 NAVER의 경우 총 위험이 주어진 주식들 중 가장 높으므로 Risk Aversion이 높은 투자자들이 가장 기피하는 선택지가 될 것이다. 또한 SK하이닉스 주식과 마찬가지로 총 위험 중 비체계적 위험 비율이 높으므로, 기업 고유 위험을 감소시킴으로써 총 위험을 다른 주식들에 비해 큰 폭으로 감소시킬 수 있다. Sharp의 모형을 통해 5개 주식의 투자기회집합 그리기각 주식의 요약통계량(기대수익률, 표준편차, 공분산)Expected ReturnVarianceStandard Deviation삼성전자17.35%0.19711122.24%SK하이닉스27.82%0.02019127.39%현대차-3.98%0.10614222.98%LG화학10.36%0.27245031.46%NAVER31.42%0.13548736.76%KOSPI5.93%0.0075538.69%투자기회집합을 그리기 위한 방법론주식들 사이의 공분산을 추정해야 한다는 점에서 1번 문제(마코위츠 모형 이용)와 차이가 있다. 우선 각 주식들의 조합으로 공분산 표를 작성한다. 이 때, 각 셀의 값들은 각 종목의 베타값에 시장의 분산을 곱하여 구한다. Mmult 함수를 통해 각 종목의 가중치에 따른 포트폴리오의 분산과 표준편차를 도출하는 연산식을 설정한다. 이후 해찾기 기능을 통해 가중치를 변수로 두고 분산이 최저가 되도록 조건을 설정한 후 해찾기를 통해 나온 포트폴리오 수익률이 설정한 목표값과 동일해지도록 한다. 이를 통해 얻은 결과값(가중치)들을 목표 수익률에 따라 내림차순 정리한 후 그래프를 그리면 다음과 같이 샤프 모형을 통한 5개 주식의 투자기회집합을 도출해낼 수 있다.엑셀로 그린 투자기회집합 그림

경영/경제| 2018.05.05| 10페이지| 1,000원| 조회(2,281)

포트폴리오, 경제, 경영, 분석, 투자론, 기업, 주가, 주식, 엑셀, 실습

미리보기

닫기
스페인의 회계처리 특징 (SPANISH GAAP과 IFRS 비교를 중심으로)

스페인의 회계처리 특징-Spanish GAAP과 IFRS 비교를 중심으로-목차서론본론 : Spansih GAAP과 IFRS 비교 및 설명Assets: ImpairmentBusiness combinations: Valuation of minority interestsCapitalising costsChart of accountsContingent payments when fixed assets are acquiredContingent payments when fixed assets are acquired: Changes in the estimationExtraordinary income and expensesFinance lease: DefinitionFinance lease: DepreciationFinance lease: Finance chargesFinancial instruments (available-for-sale): ImpairmentFinancial instruments: valuationFixed asset valuationForeign currencyGoodwill allocation to cash-generating unitGrantsInventory valuationInvestment in associates: significant influence over a listed companyProvisionR&DRecognition of changes in accounting policiesRecognition of errorsStart up costs결론참고문헌Ⅰ. 서론회계는 모든 경제주체들의 가장 주요한 정보원이 된다. 회계는 기업에 대한 투자자와 채권자들의 투자 및 의사결정에 도움을 줄 수 있는 유용한 정보를 제공하기 때문이다. 이를 통해 투자자와 채권자들은 기업의 미래현금흐름을 예측 및 평가할 수 있으며, 기업의 경제적 자원과 이에 대한 청구권 및 자원의 변동에 관한 정보 역시 얻을 수 있다. 즉, 회계는 ‘한 기업과 관련된 이해관계자들에 있어서 국경의 의미를 점차 퇴색하게 만들었고, 이로 인해 재무보고에 대한 범세계적 이해가능성의 필요성 역시 증가했다. 이와 더불어 분식회계의 문제점 역시 불거지자, 앞서 언급한 바와 같이 2002년 3월, EU위원회에서 제안한 공통된 회계기준에 대한 제안이 EU 의회에 의해 의결되었고, 이의 결과물인 에 따라 유럽 주식 시장에 상장된 모든 스페인 그룹들은 늦어도 2005년까지 의무적으로 IFRS를 충족하는 연결재무제표를 작성하게 되었다. 이에 따라 당시 스페인 경제부장관 루이스 데 긴도스(Luis de Guindos)의 주도 하에 관련 법령인 이 제정되었다. 본 법령의 세부 내용은 다음과 같다.(a)2005 년 1 월 1 일부터 적용되며,(b) 해당 연도의 마감일에 회사가 등록된 시장이 유럽 연합 회원국의 공식 자본 시장일때,스페인어 회계기준 또는 유럽 연합 집행위원회 규정에서 승인 된 IFRS를 준수해야한다.(c)IFRS를 선택할 경우, 이후 연결 재무 제표 작성 시 그러한 기준을 지속적으로 유지해야한다.우리나라로 치면 KOSPI 격인 IBEX-35에 상장되어 있는 모든 회사가 새로운 규정 적용의 대상이 된 것이다. 법령 발표 초기에는 IFRS를 적용할 경우, 장부가와 공정가치의 차이가 커지기 때문에 단기적으로 시장의 불확실성이 커진다는 이유로 이를 우려하는 목소리가 컸다. 그러나 IFRS를 적용할 경우 시장 변화에 대한 연구가 거듭될 수록 장기적으로는 재무보고의 유용성 측면에서 이익을 얻을 수 있다는 평가가 지배적이었다. 결과적으로 IBEX-35 상장기업들은 의무적으로 IFRS를 충족하는 연결재무제표를 작성하게 되었으나, 우리나라와 마찬가지로 비상장기업들은 를 따라야 할 의무가 없기 때문에, 일반적으로 기존에 사용하던 Spanish-GAAP을 계속해서 사용하고 있다.IFRS에 대한 새로운 법령이 발표되기 전까지 모든 스페인 기업들은 지역 재무 계획에 따라 재무제표를 작성했으며, 이 과정에서 주로 Spanish-GAAP으로 대변되는 스페인 회계기준(S인 호텔을 짓기 위해 은행으로부터 100억원을 차입했을 때, 만기는 10년이며 연 이자율은 10%라고 가정한다면 10년동안 이자비용은 지속적으로 발생하지만 호텔이 완공되기까지의 5년 동안은 이를 비용처리 할 수 없다. 발생주의에 따라 수익이 인식되면, 수익-비용 대응의 원칙에 따라 수익에 대한 비용을 인식할 수 있기 때문이다. 따라서 건설 중인 자산으로 수익을 낼 수 없는 5년 동안 발생한 이자비용은 차입원가에 가산하는데 이러한 이자비용의 자본화는 비용의 자본화의 대표적인 예시이다.Spanish-GAAP은 이러한 비용의 자본화에 대해 적격자산의 취득이나 건설 혹은 생산과 직접적으로 관련된 차입원가는 자본화한다는 구체적인 규정을 가지고 있다. 반면, IFRS의 경우 비용의 자본화와 관련된 규정을 가지고 있지 않다.Chart of accounts계정 차트(Chart of accounts)란 회사가 회계 거래의 결과를 기록하기 위해 인식하고 만든 계정 이름들의 목록이다. 즉, 쉽게 말해 재무제표 작성과 표시에 관련된 것이다. Spanish-GAAP의 경우 명칭이나 양식과 관련된 재무제표 작성과 표시에 관한 구체적 규칙을 명시하고 있으나, IFRS의 경우 이와 관련하여 구체적인 규정을 가지고 있지 않다.Contingent payments with fixed assets are acquired고정자산을 이용한 조건부 지불의 인정(Contingent payments with fixed assets are acquired)과 관련하여서도 Spanish GAAP과 IFRS는 차이점을 보인다. Spanish-GAAP에서는 평가된 조건부 지불은 자본화된다. 이 때, EBITDA(Earnings Before Interest, Tax, Depreciation and Amortization) 그리고 당장의 자산 산출량 증가보다는 미래 사건에 영향을 미치는 계정들이 그 대상이 된다. 반면, IFRS의 경우 회사의 우발 조건부 지불 혹은 회사와 써드파티(Third Party)의 우발 조 Valuation자산과 부채의 가치를 평가할 때, Spanish-GAAP은 금융자산의 경우 그 가치를 취득원가와 시장가치 중 더 낮은 것을 상한선으로 잡고 그 보다 낮게 측정하며, 금융 부채의 경우 상환액으로 그 가치를 측정한다. 반면, IFRS의 경우 항에 따라 금융자산의 경우 대부분 공정가치로 그 가치를 측정하며, 금융 부채의 경우 할인취득가액(Amortised cost)로 측정한다.13) Fixed asset valuation고정자산을 평가할 때, Spanish-GAAP은 공정가치를 사용하는 것을 금지하며 취득가액을 사용할 것을 규정하고 있다. 그러나 IFRS은 항에 따라 고정자산 평가시 공정가치 사용을 허용한다.14) Foreign currency외화에 대한 회계처리에서도 Spanish-GAAP과 IFRS는 차이를 보인다. Spanish-GAAP의 경우, 회계보수주의에 따라 외환거래에 따른 차익이 100% 실현될 때까지 이익으로 인식하지 않으며 외환거래에 따른 차손은 즉시 손익에 반영된다. 또한, 자산의 취득이나 건설에서 발생하는 부채와 관련된 외환거래로 인한 차익 또는 차손을 특정 상황 하에서 자본화하는 것을 허용한다. 반면, IFRS의 경우 항에 따라 외환거래로 인한 차익과 차손 모두 즉시 손익에 반영하며, 이러한 차익과 차손을 자본화하는 것을 금지한다.15) Goodwill allocation to cash-generating unit영업권(Goodwill)이란 M&A(Merge&Acquisition)시 지불하는 경영에 대한 프리미엄이다. 평상시에는 가치화되지 않는 브랜드 가치, 경영자의 경영능력, 직원, 시장지배력, 위치 등이 평가 대상이 된다. 내부 창출 영업권은 재무상태표 상에 무형자산으로 인식되지 않는데 그 이유는 경영자가 이를 과대평가할 소지가 있기 때문이다. 이로 인해 시장의 객관적인 평가(M&A)가 있을 때만 무형자산으로 인식된다. 이러한 영업권을 현금 창출 단위에 따라 배분(Goodwill allocation to cash-gene다. K-IFRS에 따르면, 이 과정에서 발생하는 비용들에 대한 회계 처리 역시 중요한 이슈인데 연구비, 경상개발비, 개발비 중 개발비만을 무형자산으로 인식하며 연구비와 경상개발비는 비용처리한다. 개발단계에서는 결과물이 미래의 경제적 효익을 창출할 가능성이 높기 때문에 이에 대한 비용을 무형자산으로 인식하며, 연구비와 경상개발비의 경우 연구단계와 경상개발단계에서의 결과물이 미래의 경제적 효익을 발생할 것이 확실치 않으므로 무형자산으로 인식할 수 없으며, 해당 단계에서 수익이 발생하지 않기 때문에 수익-비용 대응의 원칙에 따라 비용으로 인식할 수도 없다. 그러나 계속해서 존속하는 재무상태표의 무형자산 계정이 1년을 주기로 기말마다 초기화되는 손익계산서의 비용계정보다 상대적으로 중요하므로 이들을 비용처리한다. Spanish-GAAP에 따르면, 이러한 R&D 비용은 모두 자본화되는 반면, IFRS에서는 항에 따라 개발단계에서 발생한 비용만이 자본화된다.21) Recognitions of changes in accounting policies회계 정책에 변화가 생기는 경우, Spanish-GAAP에서는 변경 사항이 발생한 연도에는 해당 변경 사항이 특별 결과로 인식되어 수정 사항이 비교 정보로 인식되지 않는다. 반면, IFRS의 경우 항에 따라 당해 연도에 발생한 회계 정책 변경 사항 역시 소급 적용한다.22) Recognitions of errors회계 정책에서 오류가 발견될 경우, Spanish-GAAP에서는 이전 기간의 오류를 수정한 뒤 이를오류가 수정된 연도의 특별이익 혹은 특별비용으로 인식한다. 반면, IFRS에서는 회계 정책에 변동사항이 있을 때와 마찬가지로 항에 따라, 이를 소급적용하여 수정한 뒤 차액이 따로 기록된다.23) Start up costs사업을 시작할 경우 기획한 사업에 적합한 사업의 형태를 결정하는 것이 최우선이다. 자영업형태의 비즈니스와 법인형태의 비즈니스는 장부관리와 회계처리의 방법에 있어 차이점을 보이기 때문이다. 이 때 사업을 시작하

경영/경제| 2018.05.04| 16페이지| 1,000원| 조회(407)

유럽, 스페인, 재무회계, 회계, 재무, 비교, 금융, 회계원리, GAAP, IRFs

미리보기

닫기
사물인터넷 시장 현황 및 이슈

사물인터넷 시장 현황 및 이슈개요사물인터넷의 정의사물인터넷(IoT, Internet of Things)은 각종 사물에 센서와 통신 기능을 내장하여 인터넷에 연결하는 기술이며, ‘표준과 상호 호환 통신 프로토콜을 통해 자가 설정 기능을 갖춘 동적 글로벌 네트워크 인프라’로 정의될 수 있다. 사물인터넷의 3대 주요 구성 요소는 인간, 사물 그리고 서비스이다. 이 중 사물에는 차량과 기계 등의 물리적 사물 뿐만 아니라, 유무선 네트워크 상의 최종 장치 등의 가상 사물도 포함된다. 사물은 소셜 프로세스와 정보 및 비즈니스의 적극적인 참여자로서 사물 간 혹은 사물과 환경 간 데이터 상호 전달 및 반응 역할을 담당하며, 이 과정에서 인간의 직접적인 개입 없이 스스로 물리적인 이벤트에 반응하여 특정 서비스를 생산해내는 등의 프로세스를 실행하게 된다.사물인터넷 3대 주요 기술앞서 언급한 일련의 프로세스를 실현하기 위해서는 상황 인지 센서, 통신 및 네트워크, 칩 디바이스, 지능형 플랫폼 등 다양한 기술이 종합적으로 요구되는데 그 중 가장 주요한 3가지는 센싱 기술, 서비스 인터페이스 기술 그리고 유무선 통신 및 네트워크 인프라 기술이다.우선 센싱 기술의 경우 온도, 습도, 조도, 초음파 센서 등 기존에 사용되어오던 전통적인 센서부터 원격 감지, 레이더, 위치, 모션, 영상, SAR 센서 등 비교적 최근에 개발된 물리적 센서까지 그 종류가 매우 다양하다. 현재 물리적 센서들의 응용 특성을 개선하여 스마트 센서로 한 단계 발전시키기 위한 연구가 활발하게 진행 중인데, 스마트 센서 단계에서는 기기가 표준화된 인터페이스와 정보 처리 능력을 내장하고 있기 때문에 이미 센싱되어 있는 데이터로부터 특정 정보를 추출해내는 가상 센싱도 가능해진다. 또한 스마트 센서는 독립적인 프로그램을 가지고 있는 전통적 센서와 달리 고차원의 다중 센서 기술을 사용하기 때문에 더욱 유의미한 정보를 추출해내는 것이 가능하다.다음으로 서비스 인터페이스 기술은 사물인터넷의 3대 구성 요소인 인간, 사물 그리고 수행하는 인터페이스인 것이다. 마지막으로 유무선 통신 및 네트워크 인프라 기술은 인간과 사물 그리고 서비스를 연결할 수 있는 모든 유선 및 무선 네트워크를 의미한다. WPAN, WIFI, LTE, BLUETOOTH 등 대중에게 비교적 익숙한 기술들부터 BCN, MICROWARE, 시리얼 통신, PLC 등의 기술들이 이에 포함된다.국내외 현황미국의 무선통신망 사업체 ARUBA NETWORKS가 2017년 4월 3일에 발표한 보고서 ‘사물인터넷: 현재와 미래(The Internet of Things: Today and Tomorrow)’에 따르면 2016년 12월 기준 전세계 기업의 과반수 이상인 약 57%가 이미 사물인터넷 기술을 도입하였으며, 2019년 무렵에는 그 비율이 약 85%에 달할 것으로 전망되고 있다. 특히 한국의 경우 2019년 IoT 도입률이 평균치를 웃도는 89%를 기록할 것으로 예상되는 등 사물인터넷 기술은 우리나라를 포함하여 전세계에서 가장 유망한 산업 분야 중 하나로 각광받고 있다.2-1. 국내 현황현대경제연구원이 2016년 7월 12일에 발표한 보고서 ‘사물인터넷(IoT) 관련 유망산업 동향 및 시사점 보고서’에 따르면 국내 IoT시장은 연 평균 38.5% 성장하여 2020년까지 약 17조 1천억원의 시장 규모를 달성할 것으로 전망된다. 사물인터넷 시장은 디바이스, 이동통신망, 시스템 사업자, 서비스 및 어플리케이션 등 크게 4개 분야로 나누어진다. 현재 디바이스 부문에서는 삼성전자와 LG전자, 이동통신망 부문에서는 SKT, KT, LG U+, 시스템 사업자 부문에서는 LG, 한국전력, 서비스 공급자 부문에서는 서울시, 기상청 등이 선도주자로서 시장의 성장을 이끌고 있다.국내 사물인터넷 정책 동향을 살펴보면, 정부는 2013년에 시장 확대를 위해 약 2조 3천억원을 투자한 것을 기점으로 2020년까지 투자액 규모를 30조원 대까지 끌어올릴 계획이다. 정부의 정책 목표는 해당 산업군의 글로벌 기업, 중견 및 중소기업 그리고 스타트업 기업visions Summary’에 따르면 세계 IoT시장은 연 평균 21.8% 성장하여 2020년까지 약 1조 2천억 달러의 시장 규모를 달성할 것으로 전망되었다. 서비스 및 어플리케이션 부문의 전문서비스 영역이 90%로 가장 높은 연 평균 성장률을 달성할 것으로 예상되었으며 그 뒤를 플랫폼 소프트웨어(66.1%), 반도체칩(19.2%), 통신모듈(18.3%) 등이 이었다.주요 국가들의 사례를 살펴보면 우선 미국의 경우, 사물인터넷 애플리케이션의 활용도가 매우 높아 애플리케이션 개발 및 투자의 중요성이 강조되고 있다. 영국의 경우 타 유럽 국가들에 비해 관련 스타트업들의 성장세가 높은 편이며 특히 헬스케어 영역이 소비자들의 많은 주목을 받고 있다. 마지막으로 중국의 경우 정부의 주도 아래 IoT 사업 관련 장기 프로젝트가 진행 중이며 특히 중국 전역에 202개의 스마트시티를 구축하는데 심혈을 기울이고 있다이슈3-1. 기술 표준화제조업자들이 제품을 생산할 때 사회적으로 약속된 표준을 따른다면 규모의 경제를 실현시킴과 동시에 제품을 사용하는 소비자들의 편의성을 제고할 수 있다. 1999년 3월 21일, 국제전기통신연합(ITU, International Telecommunication Union)이 유럽과 일본이 공동 개발한 CDMA(코드분할다중접속)와 미국이 개발한 CDMA-2000을 동시에 기술 표준으로 채택함으로써, 제조업자들이 제품 생산시 어떤 방식을 채택하더라도 단말기 간의 통신이 가능해지도록 한 것이 좋은 예이다. 최근 사물인터넷 시장의 규모가 크게 성장함에 따라 해당 분야에서도 기술 표준화 논의가 활발하게 이루어지고 있는데, 현재 진행되고 있는 국제 기술 표준화 움직임은 크게 다음의 4가지로 나눌 수 있다.3-1-1. ISO/IEC국제표준화기구(ISO, International Organization for Standardization)와 국제전기표준회의(IEC, International Electrotechnical Commission)는 JTC1(Jo준화가 진행 중이다.3-1-2. OCF오픈 커넥티비티 재단(OCF, Open Connectivity Foundation)은 2014년 9월 인텔과 삼성의 주도로 설립된 단체이다. 이후 MS, QUALCOMM 등의 글로벌 기업들이 추가로 합류하면서 영향력이 더욱 확대되었으며, 오픈소스 프로젝트를 진행하면서 개발한 결과물들을 표준으로 채택하고 있다.3-1-3. oneM2M지역별, 국가별 표준화 담당 기관 간의 협력 프로젝트로 한국, 미국, EU, 중국, 일본, 인도 등이 참가하고 있다. 주로 각 나라의 통신사들이 참여하여 표준화 작업을 진행 중이며, 연관 사물인터넷 표준화기구 등과의 상호 운용성을 확보하기 위한 논의가 활발하다.3-1-4. ITU-TUN 산하기구인 국제전기통신연합 전기통신표준화부문(ITU-T, International Telecommunication Union-Telecommunication Standardization Sector)은 2015년 6월 사물인터넷 관련 연구반을 신설하여 국제 표준화 작업에 돌입했다. ITU-T에서는 주로 동아시아 및 유럽 국가들의 사물인터넷 구조 및 응용 서비스와 네트워킹 이슈가 다루어지고 있다.3-2. 보안 및 개인 정보사물인터넷 서비스는 단순히 정보를 센싱하고 활용하는 것 뿐만 아니라 사람과 사물 그리고 서비스 간의 소통을 실현시켜야 하기 때문에 다양한 요소의 기술들을 필요로 한다. 그러나 여러 기술들의 융합은 필연적으로 시스템의 취약점 발생 가능성을 높이게 되므로, 이로 인한 보안 및 개인 정보 관련 문제점들이 대두되기 시작했다.사물인터넷 보안 분야는 크게 디바이스, 네트워크, 서비스 및 시스템, 데이터 및 프라이버시 등 4개로 나뉜다. 우선 디바이스의 경우, PC에 비해 용량이 작고 성능이 떨어지기 때문에 PC에서 사용하는 암호화 알고리즘을 적용하는 것이 불가능하다. 이러한 제약으로 인해 암호화 작업을 하드웨어에서 처리하는 방식으로 바꾼 ‘보안 칩셋’이 개발되었으며, 이외에도 OS 보안, PKI(Public 에 전력 소모가 최소화되어 이동식 단말기에 적합하나, 높은 수준의 보안 기술을 적용하기 어렵다는 단점이 있다. 이외에도 WIFI, RFID 등의 통신 기술들이 추가로 존재하지만, 모두 보안에 취약한 단점을 가지고 있어 새로운 네트워크 통신 기술 개발에 대한 필요성이 제기되고 있다.서비스 및 시스템 보안의 경우 인증 및 인가, 접근 및 권한 제어, ID 관리, 키 관리 및 분배 등 다양한 방법이 사용되고 있으며 디바이스와 플랫폼 그리고 데이터 소유 주체와 응용 서비스 간의 안정적인 구조 구축을 목표로 한다. 마지막으로 데이터 및 프라이버시 보안의 경우, 사물인터넷 서비스가 데이터 수집 및 처리 과정을 기반으로 운영된다는 점을 고려하면 그 존재 및 성능이 매우 중요하다고 할 수 있다. 사람, 사물 그리고 서비스 간의 데이터 교환 과정에서 개인정보를 노리는 악의적인 공격에 쉽게 노출될 수 있기 때문이다. 현재 프라이버시 보호형 마이닝(Privacy Preserving Data Mining) 기술이 사용되고 있는데, 데이터 가공 후 결과 값에 변형을 가하는 퍼블리싱(Publishing) 기술, 쿼리(Query) 결과값을 수정하거나 제한하는 쿼리 감사 기술, 데이터 분산을 통해 프라이버시를 보호하는 분산 프라이버시 기술등이 이에 포함된다.참고문헌[1] “The Internet of Things: Today and Tomorrow”, ARUBA NETWORKS, 2017.4[2] “사물인터넷(IoT) 관련 유망산업 동향 및 시사점 보고서”, 현대경제연구원, 2016.7[3] “사물인터넷(IoT) 시장의 현황과 전망”, KOTRA 로스앤젤레스무역관, 2016.1[4] “사물인터넷 보안 및 프라이버시 이슈”, 부산대학교, 2014.6[5] “사물인터넷”, KISA 정책연구실 정책기획팀, 2013.6[6] “사물인터넷 시장 현황과 전망”, 한국수출입은행 해외경제연구소, 2014.8[7] “사물인터넷의 국내외 시장 및 정책 동향”, 한양대학교 국제학대학원, 2015.9[8] “ 4

경영/경제| 2018.05.04| 13페이지| 1,000원| 조회(229)

인터넷, 경제, 경영, 시장, 사물, 경영정보, 경영정보학개론, 경영정보학, IoT, 사..

미리보기

닫기