[코세나, kosena] 금융권의 머신러닝 활용사례
•Als PPTX, PDF herunterladen•
3 gefällt mir•2,761 views
금융권의 머신러닝 활용사례자료입니다.... 코세나(kosena), 이승훈 실장 admin@kosena.kr, kosena21@naver.com 010-9338-6400
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie [코세나, kosena] 금융권의 머신러닝 활용사례
Ähnlich wie [코세나, kosena] 금융권의 머신러닝 활용사례 (20)
Mehr von kosena
Mehr von kosena (8)
[코세나, kosena] 금융권의 머신러닝 활용사례
- 2. 머신러닝의 세계!
- 3. 머신러닝 분석 기법 적용 사례 3 Signal Normalization Feature Extraction / Dimension Reduction Clustering / Outlier Detection Classification/ Prediction Normalized Signals Temporal Features Clusters Adaptation Feedback Decision Making Raw Time Series Facts/ Truth Signal processing techniques + ICA- Independent Component Analysis K-means Random Fore st Conditions, Unknowns
- 4. 오픈소스 • 딥러닝 엔진 오픈소스화 • Open API 클라우드화 • 알고리즘의 오픈소스화 추천 동작인식 (키넥트) 이미지, 음성, 동영상 인식 스팸메일 탐지, 광고(애드센스), 질병진단 데이터 종류에 따라 다른 러닝 알고리즘 적용
- 5. AI가 주목받게된 이유 신경망 학습 방법 혁신 방대한 데이터세트 빠른 연산장치(GPU) 기존 방법의 한계를 뚫고! 지난 3년간 급속도로 발전 http://deview.kr/2013/detail.nhn?topicSeq=39
- 6. 머신 러닝 구현 방법은 AI Platform
- 7. 딥 러닝 구현 방법은 -엔비디아 딥러닝 전용 서버 : 파스칼 GPU 아키텍처 기반의 딥러닝 플랫폼 ‘테슬라P4, P40’ 가속기와 함께 인공지능 추론 작업을 가속화하는 새로운 소프트웨어 ‘텐서RT’와 ‘딥스트림’ 아키텍쳐 제공 -IBM/HP…..???? 델서버(?) + 엔비디아 GPU보드
- 8. 머신러닝/딥러닝 프레임웍에서 지원되는 알고리즘 Google TensorFLow https://github.com/carpedm20/DCGAN-tensorflow Mahout http://mahout.apache.org/users/basics/algorithms.html Classification Naïve Bayes, Hidden Markov Models, Logistic regression, Random Forest Clustering k-Means,Canpoy,Fuzzy k-Means,Streaming Kmeans,Spectral clustering Spark https://spark.apache.org/docs/1.1.0/mllib-guide.html Classification and regression Linear models (SVM, Logistic regression, linear regression), decision tree, Naïve Bayes Clustering k-means Collaborative filtering alternating least squares (ALS) Microsft Azure ML http://azure.microsoft.com/ko-kr/documentation/articles/machine-learning-algorithm-choice/ Clustering K means Classification Decision Tree,SVM (Support Vector Machines),Naïve Bayes Regression Bayesian linear regression, Boosted decision tree regression, decision forest regression,linear regression, neural network regression, ordinal regression, poisson regression
- 9. Bigger Data. Better Insights.™ 스카이트리는 엔터프라이즈급의 머신러닝 전문업체입니다. CONFIDENTIAL
- 10. 2012, Alexander Gray, Ph.D., Associate Professor, Georgia Tech Berkeley, Carnegie Mellon, NASA Jet Propulsion Lab Software plaLorm that provides enterprise class Machine Learning for Big Data that lets Data Scientists & BI Analysts create more Acc urate Predictive Models in Less Time Freemium download, software subscription, node-based pricing model. On-prem or in-cloud deployment. Prof. Michael Jordan, UC Berkeley: machine learning ‘godfather’ Prof. David PaXerson, UC Berkeley: systems (inventor RISC, RAID) Prof. Pat Hanrahan, Stanford: data visualization (Tableau, Pixar) Prof. James Demmel, UC Berkeley: high-performance computing (LAPACK) Extended scientific advisory council consists of top ML professors from 20 or so universities (CMU, Princeton, Caltech, Purdue, Cambridge, etc) Launched Product Business Model Investors Technical Advis ory Board (Nat l. Academy me mbers) Academic Network 2 CONFIDENTIAL 스카이트리는 머신러닝 전문업체입니다.
- 11. Financial Services Manufacturing Healthcare Technology Services Other Information Providers CONFIDENTIAL 스카이트리의 고객들
- 12. Bigger Data. Better Insights.™ 머신런닝은… 4CONFIDENTIAL 통계학, 데이터 마이닝, 패턴 인식, 고급 예측 분석과 알고리즘을 활용하여 데이터로부터 패턴을 찾고 예측하는 현대 과학입니다. 기계학습 알고리즘(또는 software)는 수백 수천가지의 데이터에 대한 질문에 아주 정확한 최선의 답하도록 프로그램 되었습니다. 이 알고리즘은 새로운 데이터에 대하여 적응하며, 더 영리해져서 새로운 관계와 패턴을 정립하고 새로운 예측과 권고안을 제시하게 됩니다.
- 13. 머신러닝 활용분야 Predict categories and classes Predict values and numbers Grouping and segmentation Detection and characterization Visualization and reduction Find similar items Classification R egression Clu stering Density Estimation Di mension Reduction Multidime nsional Querying Example Skytree Algorithms: Random Decision Forests, Gradient Boosting Machines, Nearest Neighbor, Kernel Density Estimation, K-means, Linear Regression, Support Vector Machine, 2-point Correlation, Decision Tree, Singular Value Decomposition, Range Search, Logistic Regression Recommendations Predictions Outlier Detection
- 14. Speed andScale (Run MoreExperiments) Skytree는 병렬 분산 컴퓨팅환경에서 처리합니다. 더 적은 양의 연산으로 계산할 수 있도록 알고리즘을 재구성합니다. 알고리즘은 C++ 와 Open Source Scripting 으로 작성됩니다. 1 4CONFIDENTIAL 스카이트리는 정확하고 빠르며 확장성을 제공합니다.
- 15. 모든 데이터를 사용합니다. 샘플데이터 크기 제한이 없습니다. 구조적+비구조적 데이터 More Data (See MoreIndicators) Speed andScale (Run MoreExperiments) Skytree는 병렬 분산 컴퓨팅환경에서 처리합니다. 더 적은 양의 연산으로 계산할 수 있도록 알고리즘을 재구성합니다. 알고리즘은 C++ 와 Open Source Scripting 으로 작성됩니다. 1 5CONFIDENTIAL 스카이트리는 정확하고 빠르며 확장성을 제공합니다.
- 16. Automation (Ease of Use and Interpretability) 자동 문서화 기능 더 이상의 블랙박스는 없습니다. 고급 알고리즘을 제공합니다. 분석에 더 많은 인자를 활용할 수 있습니다. 1 6CONFIDENTIAL 스카이트리는 정확하고 빠르며 확장성을 제공합니다. 모든 데이터를 사용합니다. 샘플데이터 크기 제한이 없습니다. 구조적+비구조적 데이터 More Data (See MoreIndicators) Speed andScale (Run MoreExperiments) Skytree는 병렬 분산 컴퓨팅환경에서 처리합니다. 더 적은 양의 연산으로 계산할 수 있도록 알고리즘을 재구성합니다. 알고리즘은 C++ 와 Open Source Scripting 으로 작성됩니다.
- 17. 스카이트리는 대부분의 비즈니스 문제를 해결합니다. 완벽한 확장성으로 더 정확한 결과를 어떤 제품보다도 빠르게 도출합니다. Examples of High Value Analytics UseCases Customer • Segmentation • Recommendation • Churn • Lead Scoring • Pricing • Credit Scoring Risk & Security • Fraud Analysis • Risk Analysis • Anomaly Detection • Cyber Security • Situational Profiling • Pattern of Life Operational • Prescriptive Maintenance • Default/Fault Detection • Supply Chain • Cost Forecasting • Operational Analysis • Failure Analysis CONFIDENTIAL
- 18. 9 CONFIDENTIAL “정확도가 개선된 모델이 필요 합니다.” 머신러닝? 막상 해보려면 너무 힘이 듭니다. “전체 분석 과정에 대한 감사기능과 투명성이 손실 됩니다.” “데이터 중복이 되지 않아야 합니다.” “ 작업을 단순,자동화함으로써 더 쉽 게 기계학습을 적용하고 싶습니다.” “머신러닝에 모든 CPU와 메모리 자 원이 소모되지 않아야 합니다.” “성능을 위하여 샘플링을 통해 크기를 줄여야 합니다.” “전체 학습성능이 너무 느립니다.” “모델을 다시 만들어 식별한 결과를 최선이라고 신뢰할 수 있는 모델 해석능력이 부족합니 다.” “모델을 구축하고 배치하는데 너무 많은 시간을 사용합니다.” “데이터 과학자들이 예측 문제를 해결하는 데 더 많 은 시간을 사용할 수 있도록 일상적인 작업에 들어가는 시간이 줄었으면 좋겠습니다.” “해석 능력과 모델 성능이 낮아서 적용할 수 있는 방법이 기본적인 수준입니다. 이러다 보니 정확성 이 매우 떨어집니다.” “데이터 과학자를 고용해서 작업을 진행하는 것이 어렵습니다.” “시간적인 제약으로 데이터 과학자들이 더 많은 실험을 하지 못합니다.”
- 19. 전형적인 데이터분석:DisparateTools,ManualProcesses Data Prep: 다양한 도구에 맞도록 데 이터를 변환, 융합 Validation: 정확도 검증작업 계속 Deployment: 실제 운영될 모델 구현 Method Selection: 수동으로 선택하여 재작업 Parameter Selection: 최선의 결과를 도출할 수 있도록 서 로 다른 인자를 사용하여 반복 Sampling: 한정된 성능을 이유로 일부 데이 터만 사용 t1 t4t3 Timeline (Months/Quarters) t CONFIDENTIAL 2 Prediction / Results New Data 별도의 검증 데이터 준비 t0 Skill level: PhDsThroughout
- 20. Skill level: Data Analysts, freeing PhDs to focus on high leveragechallenges 스카이트리는 통합적인 방법을 제공:Automate& Sustain Better Results- Much Faster & Easier Unified Skytree Environment New DataAutomated Project Oriented Workspace 전체 데이터로 향상된 결과 도출 Single Click AutoModelTM 작업 시간 단축을 위한 원스텝 학습-조정-테스트 Timeline (Months/Quarters) t0 t1 t4t3t2 CONFIDENTIAL 다양한 데이터 통합하여 향상된 결과 제공 데이터 변환 시간 단축 자동화된 방법론, 인자 선택, 유효성 검증 시간 단축 운영 모델 자동 추출 전체 프로세스 감사를 통한 모델 문서 자동화
- 21. CONFIDENTI Customer 360oView External DataBig Data Environment DataData Data warehouse E-MailCRM Single Customer View with improved decision making capabilities based on Customer data Big Data Enabling innovative products & services, customer satisfaction Analytics Churn propensity and prevention, Product Sentiment, Recommendations and m ore. Internal Data
- 22. 스카이트리 소개 Skytree는 데이터 과학자 및 IT 조직의 특정한 분석 요구사항을 충족시킵니다. 스카이트리는 Cloudera, Hortonworks, MapR 및 Amazon EMR에 대해 Hadoop 인증을 받았습니다. 스카이트리는 익숙한 기계학습 방법을 PMML 및 JAR 파일을 포함한 업계 표준의 배포 옵션과 함께 제공합니다. 스카이트리의 기계학습 변환은 구조화된 데이터와 비정형화된 데이터를 융합 및 지원합니다. 또한 SPARK 통합, YARN 지원 및 프로젝트 기반 GUI를 제공합니다.
- 23. 스카이트리 소개 -고도로 확장가능한 알고리즘 Skytree는 오픈소스 옵션에 비해 최대 150배까지 기계학습 방법의 속도를 높입니다. -깊이 최적화된 알고리즘을 사용하여 Skytree는 메모리 내에서 분석을 수행 하고 최신 고성능 컴퓨팅 기술을 사용 합니다. -동일한 결과를 얻기 위해 수학적단계 를 줄임으로써 Skytree는 시장에서 가 장 빠른 기계학습 소프트웨어로 입증 되었습니다.
- 24. 스카이트리 소개 -데이터 과학자를 위한 인공지능으로 일반 데이터과학자도 Skytree의 획기적인 AutoModel 기술로 정확한 기계 학습 모델을 구축할 수 있습니다. -특허 출원중인 글로벌 최적화 분석을 사용 하여 알고리즘 및 매개변수 선택을 자동화함 으로써 Skytree는 수주 또는 수개월의 노력 을 절약합니다. -Skytree는 수백 가지의 실험을 수동으로 실 행하여 최상의 알고리즘과 매개 변수를 결정 하는 대신 한 번의 클릭으로 수행합니다.
- 25. 스카이트리 소개 자체 문서 모델링모델 -Skytree는 데이터 과학자들이 ML 결정의 논리를 시각화하고 이해할 수 있게합니다. -Skytree는 사용된 모든 데이터세트, 데이 터 분할 완료, 변환 적용, 알고리즘 실행 및 Skytree로 구축된 모든 모델에 대해 얻은 결과를 기록하는 시각적문서를 제공합니 다.
- 26. 스카이트리 소개 모델 해석 가능성 -결과는 Skytree의 독보적인 해석 도구로 동료, 관리 및 규제자에게 설명하고 정당화하기 쉽습니다. -변수 중요성을 포함한 기계 학습 결과의 논리에 대한 가시성을 확보함으로써 과학자는 자동화된 모델링의 결정을 보 다 잘 이해하고 재현 할 수 있습니다.
- 27. 스카이트리 소개 엔드 - 투 - 엔드 플랫폼 -Skytree는 다른 도구세트 또는 기계학습 라이브러리 모음이 아닙니다. 큰 데이터에서 기계 학습을 위한 종단간 엔터프라이즈 플랫폼입니다. -당사의 소프트웨어는 데이터 준비기능, 고급 기계학습 알고리즘 및 모델을 다양한 형식으로 구축 및 배포 할 수 있는 옵션을 통해 견고한 예측 문제를 해결할 수 있도록 설계되었습니다.
- 28. 스카이트리 소개 프로그래밍 방식 및 GUI 액세스 -관리자, 선임 데이터 과학자 및 시민 데이터 과학자 모두가 쉽게 채택 할 수있는 GUI를 통해 또는 Java, Python 또는 Skytree Command Line Interface에서 프로그래밍 방식으로 Skytree에 액세스할 수 있습니다. -모델에는 자체 문서화 기능이 있기 때문에 사용된 모든 데이터세트, 완료된 데이터 분할, 수행된 변환, 알고리즘 실행 및 결과를 기록하는 전체 감사추적 기능이 있습니다.
- 29. Skytree 고유의 차별화 : 기본 기술 혁신 Complexity of State-of-the-Art Machine Learning methods: 1. Querying: all-nearest-neighbors O(N2) 2. Density estimation: kernel density estimation O(N2), kernel conditional density est. O(N3) 3. Classification: logistic regression, decision tree, neural nets, nearest-neighbor classifier O(N2), kernel discriminant O(N2), support vector machine O(N3), 4. Regression: linear regression, LASSO, kernel regression O(N2), regression tree, Gaussia n process regression O(N3) 5. Dimension reduction: PCA, non-negative matrix factorization, kernel PCA O(N3), maximum variance unfolding O(N3); Gaussian graphical models, discrete graphical models 6. Clustering: k-means, mean-shift O(N2), hierarchical clustering O(N3) 7. Testing and matching: MST O(N3), bipartite cross-matching O(N3), n-point correlation 2-sample testing O(Nn), n=2, 3, 4, … ► Unfortunately O(N2), O(N3) are computationally prohibitive for big dataSkytree has invented a way to reduce the complexity of above metho ds from O(N2) and O(N3) to O(N) or O(N log N).
- 30. 성능비교 Up to 10,000x speedups (on one CPU)
- 31. 스카이트리가 구현하는 방식 Deep knowledge of algorithms Drawing from the latest from academia Smart programming Efficient ways to compute order N(2) and N(3) Distributed systems Take advantage of parallel computing speed
- 32. 35% 42%4 Sec 고객 활용사례 Major PainPoints: Speed & Accuracy Current Solution: Hadoop/Mahout,Homegrown You might enjoy: ~1500x execution speedup 20% improvement in reco mmendation relevance SKYTREE Results “We are literally speechless” Recommendation Engine (like Netflix) You’ve enjoyed: - Skytree Customer Skytree Impact LEGACY LEGACY SKYTREE 97 Min (5,820 sec) Runtime Precision CONFIDENTIAL
- 33. 100 Min 8 Min Legacy Environment: 100 Node Hadoop Cluster: 1,200 Cores Runtime: 100 Minutes Accuracy (Gini): 57% 고객 활용사례 Major Pain Points: Speed & Accuracy Current Solution: SAS, Hadoop,Homegrown “I want our analysts to create models with Skytree rather than writing software” Micro-TargetingApplication SKYTREE Server: Single Server: 12 Cores Runtime: 8 Minutes Accuracy (Gini): 60% Skytree Impact - Skytree Customer SKYTREE LEGACY 12.5x improvement on 1 node, ~1200x expected improvement on 100 nodes 5% improvement in accuracy Time CONFIDENTIAL
- 34. Customer Pain: $500M+/year infraud BeforeSkytree: • Fraud model updatedannually • Internally developed algorithms • Model accuracy maxedout • ModeldevelopedonLinuxServers Client Win: • Business Impact: Chargebacks greatly reduced • Operational Impact: 300X shorter threat response time • Financial Impact: $50M+ savings annually With Skytree Modelsupdatedweekly Model accuracyimproved~10% "Skytree는 기계학습의 성과에 눈을 뜨게 해줬습니다. 심화되고 개인화된 고객 이해를 통 해서 리스크 관리 부서 모두를 생각을 변화시켰습니다. Skytree를 사용함으로써 우리가 1990년부터 지금까지 해온 사기행위탐지 성능을 10% 향상시켰습니다. 이것은 대단한 것 입니다.” 14 CONFIDENTIAL 고객 활용사례-FDS
- 35. R Skytree 고객 활용사례 Test Suite 1: 20-88x execution speed-up on same data sets Test 2: >50,000x increase in data size and ran to completion R Skytree 보험 : 이익 최적화 Skytree Impact Application: Profit optimization through • Loss Prediction • Binding • Retention • Price Elasticity Major Pain Points: Speed & Scale Current Solution: R, Hadoop, Homegrown Speed-up Scale Using up to 450 million rows and 450 attributes
- 36. 비정상적인 보험 청구를 감지 비즈니스 과제 대형 보험 회사는 사기성 및 비정상적인 거래를 많이 겪을 수 있지만 모두 조사 할 수있는 자원이 없습니다. 사기 사례가 누락 됨 Skytree 솔루션 계정, 고객 및 거래에 여러 데이터 소스를 활용하여 허위 사례를 식별하고 허위 경보에 대한 허용 오차를 허용하는 Machine Learning 솔루션. 사기 거래를 암시하는 특정 패턴 비즈니스 이점 더 많은 사기 거래 적발 미래의 특정 종류의 사기를 방지하기 위해 조사 단계를 설정하는 데 사용되는 식별 된 패턴 36
- 37. CustomerPain: • Highdata center equipment costs • Outages hurt usersatisfaction • Huge& rapidlygrowingmachinedata volumefromthousandsof feeds BeforeSkytree: • Overprovision to cover anticipatedpeaks • CapExwaste • Outages went unnoticed untilcustomers complained • Reactive Client Win Business Impact: Higher user and merchant satisfaction Operational Impact: Next gen architecture enabled Financ ial Impact: Estimated $20-30M savings/year Enabled With Skytree • Provision only what’s reallyrequired • Monitor thousands of systems, socialmediafeedsat >25TB/hour • Takeaction before merchantscomplain “패턴과 이상징후 감지하여 사용자가 좋지않은 경험을 하지 않도록 행동을 취하는 것이 우리의 목표입니다. 우리는 Skytree로 기본적으로 모든 데이터 를 수집하고, 취합하여 모든 스트림에 대한 이벤트를 연관 분석하게 되었습 니다..” 고객 활용사례 - Datacenter Optimization 9 CONFIDENTIAL
- 38. 스카이트리는 복잡하고 어려운 문제를 해결합니다 16 CONFIDENTIAL 전체 데이터를 사용하는 것은 이런 경우에 중요합니다. 실시간으로 사기행위의 첫 이벤트를 탐지해야 할 경우.(바늘 찾기) • 작은 사이즈로 샘플링 되는 경우 현상을 거의 찾을 수 없습니다. 더욱 향상된 정확도로 다음 상품을 추천해야 할 경우. • 고객의 행동은 시간이 지나면서 복잡하게 변화합니다.(“Rare Item” or “Hot Seller”) 더 정확하게 초기에 이탈고객을 예측해야 할 경우. • 작은 데이터 집합에서는 이탈을 일으키는 약한 신호를 찾을 수 없습니다.
- 39. 스카이트리 아키텍쳐 -Architected for Speed andAccuracy Machine Learning Algorithms Deeply Optimized In Memory Execution P A R A L L E L In Memory Execution CPU CPU I Z E In Memory Execution CPU CPU • 심도있게 최적화된 알고리즘 (n,nlog(n)calculationsversusn2 andn3) • 정확도의손실없는병렬처리 • 하둡 노드에서 직접 실행 • 메모리기반 실행 • 대용량 하둡 스케일링 (Hadoop scalingw/TrueScaletm) • 내부노드 트래픽 최소화 Skytree Fast Internode Communication CONFIDENTIAL
- 40. 스카이트리 성능자료:Speed& Efficiency Scikit-learn R MLlib Skytree 26x 128x 153x GBTR, Single Node, 13 million rows (in 1000s of seconds) 0 5 10 15 20 25 30 35 GBTR, Multi-node, 10M-100M Rows (in 1000s of seconds) 0 2000 4000 6000 8000 10000 0 20 40 60 80 100 Time n Skytree Deep Optimizations O( n²), O(n³) vs. O(n), O(nlog(n)) n³ n² nlog (n) n 0 10000 20000 30000 40000 50000 Single node 8 nodes - Skytree Mllib - did not complete CONFIDENTIAL MLlib 71x slower - Skytree • 단일 노드환경에서경쟁제품보다뛰어난성능을나타냅니다. • 다중노드클러스터에서경쟁제품보다뛰어난성능을나타냅니다. • 데이터가있는경우성능스케일은 O(nlog(n))입니다.
- 41. 스카이트리의 장점 • GUI기반의 간편한 설정 변경 • ML데이터 준비, 모델 개발, 배치 작업 단순화 • 변경과 변경 행위자에 대한 추적감사 • AutoModel& SmartSearch : One step 학습-조정-테스트 • 도구모음 : GUI, CLI, Python & Java SDKs, REST API’s, ML 변환, 특 징 추출, 방대한 모델 선택 • GUI: Model comprehension, Variable importance,tree visualization; 모델 학습에 대한 결과 뷰 CONFIDENTIAL
- 42. 스카이트리의 High LevelArchitecture Flexible Delivery On PremisesCloud Production CONFIDENTIAL
- 43. Bigger Data. Better Insights.™ Skytree: Machine Learning Built for theEnterprise CONFIDENTIAL 이승훈 실장 kosena21@naver.com 010-9338-6400
Hinweis der Redaktion
- Data Analysts, freeing PhDs to focus on high leverage challenges - 박사학위가 없는 데이터 분석가가 높은 수준의 도전에 집중
- We are literally speechless - 우리는 기능과 그 성능에 놀라서 할말을 잃었습니다.
- I want our analysts to create models with Skytree rather than writing software 분석가들이 모델을 생성하기 위하여 skytree를 사용하는 것이 소프트웨를 작성하는 것보다 낫다고 생각합니다.(아마도 R script를 작성하는 것을 암시)
- Skytree opened our eyes to what was possible with ML. It changed everyone at Risk Management by providing deeper, personalized understanding of our customers. We have been working on fraud detection since 1990 and now have a 10% lift using Skytree. That's a big deal. Skytree는 기계학습의 성과에 눈을 뜨게 해줬습니다. 심화되고 개인화된 고객 이해를 통해서 리스크 관리 부서 모두를 생각을 변화시켰습니다. Skytree를 사용함으로써 우리가 1990년부터 지금까지 해온 사기행위탐지 성능을 10% 향상시켰습니다. 이것은 대단한 것입니다. Business Impact : Chargebacks greatly reduced - 사업 효과 : 지불 거절이 큰폭으로 감소하였습니다. Operational Impact: 300X shorter threat response time 운영효과 : 위협에 대한 응답시간 300배 감소 Financial Impact: $50M+ savings annually - 재무 효과 : 연간 50만불 이상 절약
- In another customer, a Fortune 100 insurance company, they were looking to optimize profitability by combining prediction of losses (freq and severity), binding (customer acquisition) and retention (price sensitivity in customers). They ran a series of tests, first to understand the improvement in speed Skytree could offer them relative to R and second to understand how large of dataset (records and attributes) they could throw at us. They found an across the board improvement for the varied methods they were using of anywhere between 22x and 80x speed improvement. During the limited pilot, they increased the dataset from a couple of hundred thousand rows and 20 attributes to more than 450 million rows and 450 attributes. Skytree ran this dataset in less than 90 minutes, and R, after running for over 24 hours, did not complete.
- The goal is to detect patterns and anomalies and take action before the user experience is negatively impacted. Using Skytree, we basically take all the data, put it together, and correlate events across those streams 패턴과 이상징후 감지하여 사용자가 좋지않은 경험을 하지 않도록 행동을 취하는 것이 우리의 목표입니다. Skytree를 사용하여, 기본적으로 모든 데이터를 수집하고, 취합하여 모든 스트림에 대한 이벤트를 연관 분석하게 되었습니다.