756660_ko-KR

liliconcom

텍스트 탐색기를 활용한 고객 요구사항 이해 (2021-EU-30MP-748)

키라 알혼 박사, 통계학자, WL Gore & Associates GmbH

어떻게 하면 최종 사용자를 더 잘 이해하고 더 나은 제품을 만들 수 있을까요? 판매자들은 웹페이지에서 최종 사용자에게 제품 설명을 제공합니다. 이러한 설명에서 사용자가 가장 원하는 제품 기능에 대한 잠재적인 정보를 얻을 수 있을까요?

본 발표에서는 웹숍의 신발 상품 설명을 활용하여 최종 사용자가 다양한 유형의 신발에서 기대하고 필요로 하는 속성을 분석하는 방법을 제시합니다. 구체적으로, JMP Text Explorer 플랫폼을 사용하여 데이터를 처리하고 워드 클라우드를 통해 가장 중요한 신발 특징을 시각화했습니다. JMP Text Explorer의 고급 기능을 활용하여 신발 상품 설명에서 주요 주제를 분석하고, 이러한 주제를 신발 시장 카테고리와 비교했습니다. 이를 통해 특정 시장 카테고리에서 신발 상품 설명의 "프로토타입" 역할을 하는 의미 있는 주제들을 찾아낼 수 있었습니다. 비지도 학습 기법으로 볼 수 있는 주제 분석을 보완하기 위해, Text Explorer에서 얻은 결과를 바탕으로 시장 카테고리를 예측하는 지도 학습 예측 모델링 기법을 탐구하고 적용했습니다. 구체적으로, 부트스트랩 포레스트를 사용하여 가장 중요한 용어를 추출하고 신발 상품 설명을 기반으로 시장 카테고리를 예측했습니다.

자동 생성된 녹취록...

스피커	성적 증명서
키라 알혼	안녕하세요, 제 발표 "텍스트 탐색기를 활용하여 고객의 니즈 이해하기"에 오신 것을 환영합니다. 여러분을 만나 뵙게 되어 매우 기쁩니다.
	저는 가상 형식으로 진행되는 JMP 디스커버리 서밋에 참석했습니다. 제 이름은 키라 알혼이고, WL 고어 앤 어소시에이츠의 통계학자입니다.
	그리고 본격적인 발표에 앞서 저희 회사를 간단히 소개해 드리겠습니다. WL Gore and Associates는 글로벌 소재 과학 기업으로, 다양한 제품을 생산하고 있습니다.
	항공우주 산업부터 의료 제품에 이르기까지, 그리고 여러분 대부분에게 친숙할 수도 있는 다양한 산업 분야에 걸쳐 매우 다양한 솔루션이 존재합니다.
	저희의 고어텍스 브랜드입니다. 그래서 오늘 저희는 고어텍스 브랜드에 집중할 예정이며, 고어텍스는 내구성이 뛰어나고 방수 및 통기성이 좋은 원단 라미네이트를 생산합니다.
	그리고 이러한 라미네이트는 저희 고객이나 브랜드 파트너에게 판매되어 그들이 이를 이용해 제품을 만듭니다. 오늘은 특히 신발에 대해 이야기해 보겠습니다.
	제 발표에 대한 간략한 개요입니다. 먼저 배경과 동기부터 말씀드리겠습니다. 우리가 살펴볼 내용은 무엇일까요? 바로 신발 설명입니다. 그리고 왜 우리가 신발 설명에 관심을 가져야 할까요?
	이후 나머지 발표는 JMP를 사용하여 진행하겠습니다. JMP 15 Pro를 사용하며, 텍스트 탐색기 사용법을 보여드리겠습니다.
	신발 설명 분석을 위해, 텍스트 또는 신발 설명에서 공통적인 주제를 찾아내고, 이를 통해 다양한 신발 카테고리와 비교할 수 있는 방법을 알고 싶습니다.
	마지막으로, 아주 간단한 소개만 드리겠습니다. 저희는 연구 결과를 검증하고 더 자세히 알아보기 위해 몇 가지 예측 모델을 사용합니다. 이를 통해 다양한 신발 설명이 신발을 어떻게 분류하는지 심층적으로 살펴볼 수 있을 것입니다.
	자, 그럼 여러분의 옷장과 그 안에 있는 신발들을 떠올려 보세요.
	여러분 모두 옷장에 다양한 종류의 신발을 조금씩, 혹은 꽤 많이 가지고 있을 텐데, 문제는 왜 그렇게 많은 신발을 갖고 있느냐는 것입니다.
	신발이 자신의 스타일에 맞아야 하고, 다양한 색상이 필요할 수도 있다는 점 외에도, 여러 종류의 신발을 갖는 이유는 이것만이 아닙니다.
	또 다른 이유는 다양한 신발이 필요하기 때문입니다. 예를 들어, 러닝화 한 켤레, 일상용 신발 여러 켤레, 그리고 등산화까지 필요할 수 있습니다.
	그리고 그러한 특징들이 있는 이유는 각 신발마다 특정 용도에 맞게 신발을 사용할 수 있도록 해주는 서로 다르거나 약간씩 다른 특징들이 있기 때문이며, 그 용도를 위해서는 그러한 특징들이 필요하기 때문입니다.
	그래서 저희는 브랜드 파트너들의 신발 설명을 살펴보면서 각 신발을 특별하게 만드는 요소를 찾아낼 수 있을지 궁금했습니다. 그래서 여기 몇 가지 사례를 모아봤습니다.
	다양한 신발 카테고리는 현재 우리에게 신발의 다양한 최종 용도에 해당합니다.
	이제 문제는, 예를 들어 고객이 새로운 등산화를 제작하고 싶어할 경우, 등산용으로 제작된 신발에 적합한 당사 라미네이트 소재에 어떤 기능 구성을 제공해야 하는가입니다.
	그렇다면 이러한 신발 설명들을 바탕으로 고객에게 제공할 수 있는 시제품을 만들 수 있을까요?
	그리고 물론, 여기서 또 하나 흥미로운 점은 다른 신발들이 어떻게 차별화되는지입니다. 등산화와 일반 운동화의 차이점은 무엇일까요? 왜 그런 차이점이 필요할까요?
	그것이 바로 우리가 데이터 분석을 시작했을 때의 의도였습니다.
	그럼 이제 JMP로 가보겠습니다.
	JMP에서 수집한 데이터가 어떻게 보이는지 먼저 보여드리겠습니다.
	그래서 저희는 브랜드 파트너들의 웹페이지를 방문하여 해당 패키지에 있는 신발 설명을 수집했습니다.
	각 신발 카테고리마다 정해진 수의 신발 설명이 있으며, 보시다시피 저희는 그 설명 전체를 데이터 테이블에 그대로 복사했습니다.
	이 내용이 길 수도 있고 짧을 수도 있지만, 우리는 단순히 복사한 것 외에는 아무것도 하지 않았습니다.
	하지만 반면에, 그 텍스트 필드로는 할 수 있는 일이 많지 않다는 것을 짐작하실 수 있을 겁니다.
	혹은 적어도 그렇게 할 수 없을 것 같습니다. 왜냐하면 JMP는 무언가를 할 수 있는 훌륭한 가능성을 제공하기 때문입니다. 그렇다면 무엇을 하겠다는 걸까요? 우리는 그 긴 텍스트에서 정보를 추출하여 좀 더 이해하기 쉬운 덩어리로 만들고 싶습니다.
	그리고 소화하기 쉬운 덩어리들
	텍스트 탐색기를 사용하여 추출할 수 있습니다. 따라서 텍스트 탐색기로 이동하여 신발 설명을 여기 텍스트 열에 입력하고 싶습니다.
	그리고 여기에는 다양한 옵션이 있습니다. 이러한 옵션은 신발 설명, 또는 텍스트 분석 용어로 설명 문서라고 부르는 것을 생성하는 알고리즘에 입력됩니다.
	그리고 이것은 제가 앞서 언급했듯이 문서를 더 작은 정보 조각, 즉 이해하기 쉬운 덩어리로 나누는 것입니다.
	그리고 여러분이 보게 될 것은 이해하기 쉬운 덩어리들입니다. 즉, 가장 작은 정보 단위인 용어들과, 자주 함께 등장하여 조합하면 의미를 가질 수 있는 용어들인 구문들이 있습니다.
	보시다시피 가장 일반적으로 사용되는 용어는 다음과 같습니다.
	모든 문서, 즉 모든 신발 설명에 '편안함'이라는 단어가 들어갑니다.
	그래서 먼저 여기 있는 모든 표현들을 살펴보고, 의미가 통하는 표현이 있는지 확인해 봤습니다.
	첫 번째 예시는 이미 이해가 됩니다. 보시다시피, 여기서는 Gore와 tex가 각각 독립적인 용어로 나타나지만, 당연히 Gore-tex라는 용어를 분석해야지 Gore와 tex를 따로 분석해서는 안 됩니다.
	그래서 의미가 통하는 모든 문구를 용어 목록에 추가할 수 있습니다. 문구를 추가하면 이제 '고어'라는 단일 용어 대신 '고어텍스'라는 용어가 있는 것을 볼 수 있습니다.
	이것이 데이터 처리의 첫 번째 단계였습니다. 두 번째 단계는 용어 목록에 중복된 항목이 있는지 확인하는 것이었습니다.
	의미가 통하지 않는 단어가 있다면, JMP는 이미 매우 훌륭한 처리 기능을 갖추고 있습니다. JMP는 이미 "and", "a"와 같이 의미가 통하지 않는 많은 단어를 제외하고 있기 때문입니다.
	또는 아무런 정보도 제공하지 않는 경우도 있습니다. 하지만 예를 들어 이 S처럼 의미가 통하지 않는 용어들이 항상 남아 있을 것입니다.
	S로 시작하는 단어는 어떻게 사용하시나요? 그 단어가 신발에 대해 무엇을 알려주나요? 그래서 우리는 모든 단어를 살펴보고, 의미가 통하지 않는 단어가 있으면 불용어라고 부르고 분석에서 제외하기 위해 불용어 목록에 추가했습니다.
	그게 바로 한 가지였습니다. 제가 언급했던 또 다른 사항은 중복된 항목이 있는지 확인해야 한다는 것입니다. 예를 들어, 여기에는 Goretex라는 용어가 있습니다.
	그리고 GTX라는 용어가 있습니다. GTX는 Gore-tex의 약자일 뿐이므로 이 둘을 따로 분석할 것이 아니라 함께 분석해야 합니다.
	그래서 Recode 함수가 있는데, 이는 열에 대한 함수와 거의 동일하며, 이 함수는 이러한 요소들을 결합하는 데 매우 유용한 도구입니다.
	??? 데이터. 보시다시피 여기에 Recode 함수가 있고, 저는 이 두 가지를 그룹화합니다.
	이제 보시면 아시겠지만, 현재는 '고어텍스'라는 단 하나의 용어만 사용되었으며, 실제로 이 용어가 데이터에서 가장 빈번하게 나타납니다.
	그래서.
	처음에 4,000개의 단어로 시작했는데, 정리 작업을 거친 후 최종적으로 100개의 단어만 남았습니다. 보시다시피, 이제 100개의 단어만 남았고, 이 단어들을 활용해서 많은 분석을 할 수 있습니다. 이 단어들은 신발 설명이 무엇을 의미하는지 파악하는 데 매우 유용합니다.
	해당 목록을 사용하여 가장 자주 사용되는 용어를 확인할 수 있지만, JMP는 매우 간편한 시각화 도구도 제공합니다.
	빨간색 삼각형을 클릭하면 워드 클라우드를 추가할 수 있습니다. 이 워드 클라우드는 단어의 크기를 통해 모든 문서, 즉 모든 신발 설명에서 해당 단어가 얼마나 자주 사용되는지 보여줍니다. 따라서 고어텍스, 편안함, 경량은 우리가 수집한 신발 설명에서 가장 많이 사용되는 단어입니다.
	하지만 여러분도 기억하시겠지만, 저희가 궁금했던 건 이게 정확히 아니었어요. 그래서 저희는 다양한 최종 사용자를 위한 신발은 어떤 걸까 궁금했던 거죠.
	이를 위해 로컬 데이터 필터를 쉽게 추가하고 신발의 최종 용도를 필터로 사용할 수 있습니다. 예를 들어, 저는 거리용 겨울 신발에 대한 모든 설명에서 가장 자주 사용되는 용어가 무엇인지 알고 싶을 수 있습니다.
	그리고 겨울용 신발 설명에 '겨울'과 '따뜻한'이라는 단어가 자주 등장하는 것도 당연한 일입니다.
	반면에 트레일 러닝화를 예로 들면, 여기서 강조하는 부분이 다릅니다. 트레일 러닝화는 따뜻할 필요는 없지만 통기성이 좋고 가벼우며 발에 잘 맞아야 합니다.
	이러한 워드 클라우드는 우리가 처음에 던졌던 질문, 즉 다양한 신발 유형의 특징 구성을 설명하는 것은 무엇인가에 대한 첫인상을 파악하는 데 매우 유용합니다.
	하지만 우리는 거기서 멈추지 않았습니다. 한 단계 더 나아가고 싶었습니다.
	한 단계 더 나아가, 모든 데이터를 이미 준비했다면, 신발 구성의 프로토타입을 찾기 위한 모델링을 어떻게 수행할 수 있을까요? JMP에는 이러한 모델링을 위한 다양한 옵션이 있으며, 우리는 SVD를 사용하기로 결정했습니다.
	SVD는 문서 용어 매트릭스에 대한 주성분 분석을 수행하고 있습니다.
	그렇다면 그게 무슨 뜻일까요? 문서 용어 매트릭스에는 각 문서, 즉 각 신발 설명에 대한 용어가 포함됩니다.
	각 용어의 빈도를 세는 겁니다. 예를 들어, 첫 번째 신발 설명에서 '고어텍스'라는 용어가 얼마나 자주 나오는지, '편안함'이라는 용어가 얼마나 자주 나오는지 등을 세는 거죠. 상상해 보세요, 엄청나게 큰 행렬이 될 겁니다.
	그리고 이제 핵심은 주성분 분석을 통해 문서 용어 행렬의 차원을 축소함으로써 데이터를 더 잘 파악하는 것입니다.
	그리고 데이터를 더 쉽게 시각화할 수 있도록 하기 위해서입니다.
	그리고 이러한 차원 축소를 바탕으로 이제 모델링을 할 수 있습니다. 그렇다면 어떤 종류의 모델링이 우리에게 흥미로울까요? 우리는 특정 용도에 맞는 신발을 설명하는 데 관심이 있었습니다.
	그리고 그 지점에 도달하기 위해 우리는 신발 설명에 어떤 주제가 있는지 분석했습니다. 그리고 주제가 있다면, 그 주제들이 특정 용도와 연관되어 있는지 살펴보았습니다.
	이상적인 상황에서는 데이터에서 9개의 주제를 찾을 수 있고, 이 9개의 주제가 정확히 하나의 신발 카테고리를 나타낼 것입니다. 즉, 각 신발에 대한 프로토타입 신발 구성 또는 기능 구성을 갖게 되는 것입니다.
	그럼 제가 9개의 주제를 검색하면 어떻게 되는지 살펴볼까요? 저는 9가지 신발 카테고리에 관심이 있으므로, 여기 주제 분석을 클릭하고 숫자 9를 입력하겠습니다.
	그러면 제가 얻게 되는 것은 각 주제에서 자주 등장하는 용어들과 함께 주제 목록입니다. 예를 들어, 첫 번째 주제에는 신발이 포함됩니다.
	신발 설명에 '슈퍼핏', '텍스타일', '따뜻함' 등의 단어가 들어간 제품들이죠. 그래서 제 첫 번째 생각은 이런 신발들은 스트릿 패션용이거나 겨울철 스트릿 패션용 신발일 거라는 겁니다.
	예를 들어 두 번째 주제는 오두막, 트레킹, 여러 날 트레킹 등의 용어가 포함된 신발 설명으로 구성되어 있으므로 트레킹화와 관련된 내용인 것 같습니다.
	하지만 통계학자로서 저는 단순히 직감에만 의존하는 것에 만족하지 않습니다. 어떤 신발 카테고리가 어떤 주제에 속하는지 정확히 알고 싶습니다. 그래서 신발 카테고리의 분포를 간단하게 분석하고, 여기에 지역 데이터 필터를 추가하여 특정 주제에 해당하는 데이터만 표시하겠습니다.
	카테고리
	그것은...
	선택한 신발만 표시합니다.
	그게 무슨 뜻인가요? 어떻게 사용할 수 있나요? JMP는 여기에서 토픽 점수 플롯을 제공합니다.
	각 주제별로 신발 설명 하나당 1점씩 부여합니다.
	따라서 신발 설명 점수가 높을수록 해당 신발이 특정 주제를 더 잘 나타낸다는 의미입니다.
	그래서 제가 하는 방법은 간단합니다. 첫 번째 주제에 대해 높은 점수를 받은 신발들을 모두 선택하고, 거기서 확인해 보면 됩니다.
	여기 히스토그램을 보면 저것들이 일반 운동화와 겨울 운동화라는 걸 알 수 있어요. 그러니까 제 직감이 맞았던 거죠. 섬유 소재로 만들어졌고, 슈퍼핏 기능이 있는 신발들이 바로 일반 운동화와 겨울 운동화인 거예요.
	그리고 두 번째 주제는, 우리가 예상했던 대로 트레킹화라는 점입니다. 여기 히스토그램을 보시면 아시겠지만, 트레킹화가 가장 많이 선택되었습니다.
	이제 모든 주제에 대해 그렇게 할 수 있고, 저는 그 내용을 저널에 기록했습니다.
	그리고 그 모든 것을 하다 보면 몇 가지 어려움을 겪게 될 것입니다. 예를 들어, 각 주제에 신발 카테고리를 하나 이상 할당할 때 두 가지 문제가 발생합니다.
	첫 번째 문제는 여기에 나타나 있듯이, 등산화와 같은 특정 신발 카테고리가 하나의 주제로 표현되는 것이 아니라 여러 주제로 표현된다는 점입니다.
	그리고 여러분은 이러한 주제들이 서로 겹치는 것을 알게 될 것입니다. 예를 들어, '크램폰'이라는 단어는 두 주제 모두에 등장합니다.
	즉, 여기에 너무 많은 주제가 있는 것 같습니다.
	이상적으로는 신발 카테고리별로 하나의 주제가 있는 것이 좋으며, 여러 카테고리에 해당하는 주제가 중복되는 경우 9개는 너무 많은 것으로 보입니다.
	하지만 이것은 당연히 또 다른 의문점을 불러일으켜야 합니다. 즉, 등산화가 하나 이상의 주제와 관련된다면, 명확하게 식별하기 어려운 주제들이 존재해야 한다는 것입니다.
	예를 들어 5번 주제를 보세요. 가장 대표적인 신발들을 모아놓은 컬렉션입니다. 보시다시피 엄청나게 다양한 종류가 있습니다.
	러닝화, 로드 러닝화, 일반 운동화 등 종류가 다양하지만, 대부분 서로 겹치고 명확하게 구분되지 않는 카테고리들이 많습니다. 트레일 러닝화와 로드 러닝화의 차이점을 생각해 보세요.
	그다음 단계로 넘어가서, 트레일 러닝과 하이킹의 차이점은 무엇일까요?
	해당 신발들 사이에는 몇 가지 중복되는 부분이 있으며, 이러한 중복이 있는 경우 특정 신발 카테고리에 대한 하나의 기능 구성을 명확하게 식별할 수 없습니다.
	그래서 그것 또한 매우 가치 있는 학습입니다. 물론 다양한 라미네이트 포트폴리오를 관리하는 것이죠. 특정 용도에 맞는 특정 라미네이트가 필요한지, 아니면 이미 가지고 있는 다른 라미네이트와 비슷한 재질을 사용할 수 있는지 알아야 합니다.
	그래서 최종적으로 우리가 한 일은, 어떤 주제도 두 개 이상의 범주에 해당하지 않도록 주제들을 추려내는 것이었고, 이를 수작업으로 진행했습니다. 다양한 주제 개수를 분석한 결과, 최종적으로 다섯 개의 주제가 남았습니다.
	보시다시피, 이 다섯 가지 주제는 여러 범주에 해당하지만, 모든 신발 범주를 이 다섯 가지 주제로 나타낼 수 있는 것은 아닙니다.
	그래서 우리는 두 가지를 배웠습니다. 첫 번째는 신발 설명에 대한 몇 가지 프로토타입을 가지고 있다는 것입니다.
	신발 카테고리입니다. 반면에 여기에 언급되지 않은 모든 신발 카테고리는 그다지 차별화되지 않았거나 이러한 단일 구성을 갖지 않을 수도 있습니다.
	신발 설명에 나와 있습니다.
	그리고 그건 텍스트 탐색기가 제공하는 여러 옵션 중 하나일 뿐입니다. 다른 옵션들도 있지만, 저희는 이 방법에 집중했고 꽤 잘 작동했습니다.
	이것으로 텍스트 탐색기를 마무리하고, 주제 문서 용어 매트릭스를 활용하여 추가로 수행할 수 있는 작업에 대한 간략한 개요만 알려드리겠습니다.
	자, 여기 이전과 동일한 데이터 세트가 있지만, 문서 용어 행렬을 내보냈습니다. 따라서 각 용어에 대한 새로운 열이 많이 추가된 것을 볼 수 있습니다.
	특정 신발 설명에서 해당 용어가 나타나는 빈도.
	그래서 우리는 그것을 여러 버전으로 시도해 봤습니다. 예를 들어 빈도를 나타내는 문서 용어 행렬, 포함된 경우와 포함되지 않은 경우를 나타내는 행렬 등 여러 가지를 만들어 봤습니다. 그리고 최종적으로 그 버전을 완성했습니다.
	JMP Pro의 기능을 활용하여 데이터 세트를 훈련, 검증 및 테스트 데이터로 분할하는 검증 열을 만들었습니다. 훈련 및 검증 데이터는 예측 모델을 훈련하는 데 사용되고, 테스트 데이터는 테스트에 사용됩니다.
	예측 모델링에 대해 이야기할 때, 우리의 목표는 무엇일까요? 우리가 이전에 했던 것은 일종의 비지도 학습 기법이었는데,
	이전에는 주제를 검색한 후 신발 카테고리와 비교하는 방식으로 접근했습니다. 하지만 이제는 좀 더 적극적으로 접근하고 싶습니다. 신발 설명만으로 카테고리를 명확하게 예측할 수 있을까요?
	저희는 JMP 15 Pro에서 제공하는 다양한 예측 모델링 기법을 시도해 본 결과 부트스트랩 포레스트를 선택했습니다. 여기서는 결과가 어떻게 나타날 수 있는지, 그리고 결과를 어떻게 활용할 수 있는지에 대한 개략적인 설명만 드리겠습니다.
	테스트 데이터 세트의 혼동 행렬에서 결과를 확인할 수 있습니다. 특정 신발 설명에 대한 카테고리가 무엇이었고, 부트스트랩 포레스트를 사용하여 무엇을 예측했는지 알 수 있습니다.
	그리고 흥미롭게도, 이전과 거의 동일한 결과를 보게 될 것입니다. 즉, 다른 범주와 명확하게 구분되는 특정 범주들이 있습니다.
	이미 독특한 기능 구성을 갖춘 제품도 있고, 그렇지 않은 제품도 있습니다. 예를 들어, 로드 러닝화를 살펴보세요.
	우리는 첫 번째 분석에서 이미 그러한 것들이 명확하게 정의되지 않는다는 것을 발견했습니다. 그리고 여기에서도 마찬가지로, 저는 많은 신발들이 로드 러닝화로 분류되지만 실제로는 다른 종류의 신발일 것이라고 예측합니다.
	즉, 이는 우리가 이전에 얻었던 결과를 확인시켜 줍니다. 비지도 학습 기법을 사용하여 잘 분류되었던 신발 카테고리들이 여기서도 잘 분류되었고, 잘 분류되지 않았던 카테고리들은 여기서도 그다지 잘 분류되지 않았다는 것을 알 수 있습니다.
	그래서 그 결과를 보는 것은 꽤 흥미로웠고, 이 분석을 활용해서 앞으로 더 많은 일들을 할 수 있을 것 같습니다. 예를 들어,
	분석해 보면, 특정 신발들을 구분할 때 가장 중요한 문제점은 무엇일까요? 즉, 신발 카테고리를 구분할 때 어떤 요소들이 가장 큰 영향을 미치는지 파악하는 것이 중요합니다.
	또는 ROC 곡선을 사용하여 어떤 신발 카테고리가 매우 차별화될 수 있는지, 어떤 카테고리는 그렇지 않은지 더 자세히 살펴볼 수도 있습니다.
	마지막으로, 이 모델을 예측에 사용할 수도 있습니다. 특정 기능 구성이나 신발 설명을 입력하면 됩니다.
	그런 다음 이 설명이 특정 신발 카테고리에 속할 확률을 예측합니다. 예를 들어, 이 경우 이 신발은 로드 러닝화일 가능성이 높다고 예측할 수 있습니다.
	시간 관계상 자세한 내용은 생략하고 간단히 요약해 드리겠습니다. 주요 결과는 무엇이었을까요? 주요 결과는 다음과 같습니다.
	텍스트 탐색기는 매우 직관적인 훌륭한 도구이며, 비정형 텍스트 데이터에서 정보를 신속하게 추출하는 데 사용할 수 있습니다.
	그들은 어디에서 차별화되고, 어디에서는 그렇지 않은 걸까요? 그 신발에서 원하는 특징은 무엇일까요? 하지만 어쨌든 연구 결과는 우리가 예상했던 바를 확인시켜 주었습니다.
	그리고 이러한 확인은 비지도 학습 기법이나 지도 학습 기법을 사용하여 수행할 수 있습니다. 따라서 우리는 SVD를 사용한 주제 분석과 부트스트랩 포레스트를 사용한 예측 모델을 비교했으며, 다른 방법들도 유사하게 잘 작동할 수 있습니다.
	마지막으로, 이 문제를 제기해 주신 그룹 ??? 님께 감사드리고 싶습니다. 그분들은 모든 데이터를 수집하고 정리했으며, 훌륭한 토론을 진행해 주셨습니다.
	다양한 기법들의 타당성 또는 부당성. 따라서 이러한 기법들이 없었다면 여러분은 지금의 강연을 듣지 못했을 것입니다. 그리고 추가적으로,
	텍스트 분석에 대해 자문을 해준 도르트문트 공과대학교의 전 동료인 요나스에게 감사를 표하고 싶습니다.
	마지막으로, 경청해 주셔서 감사드리며, 궁금한 점이 있으시면 이메일이나 JMP 사용자 커뮤니티를 통해 언제든지 문의해 주세요.

고급 통계 모델링기초 데이터 분석 및 모델링소비자 및 시장 조사데이터 혼합 및 정리데이터 탐색 및 시각화대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링