조사와 코호트 구성

조사와 코호트 구성은 공통 특성을 가진 대상을 묶고 이상이나 기회의 원인을 탐색하는 방식입니다. 전력망 위험, 부정 거래, 낮은 제조 수율이나 다음 영업 조치를 찾는 데 사용할 수 있습니다.

서로 다른 숙련도의 사용자가 같은 온톨로지 자산 위에서 분석해야 결과를 공유하고 재사용하기 쉽습니다. 업무 규칙이나 모델이 초기 관심 집합을 만들고, 분석 도구로 세부 원인을 확인한 뒤 조치를 온톨로지와 필요한 외부 시스템에 기록합니다.

탐색 분석

분석가는 넓은 데이터에서 시작해 변환, 필터와 집계로 범위를 줄이고 가설을 확인합니다. 예를 들어 매주 성과가 가장 낮은 재료를 고른 뒤 Contour에서 원가 절감 기회를 조사할 수 있습니다.

Foundry의 코드 도구와 Contour, Quiver, Vertex 같은 시각적 분석 도구로 데이터를 탐색할 수 있습니다. 온톨로지의 업무 관계를 이용하면 자료의 운영 맥락도 함께 이해할 수 있습니다. 결과는 저장, 재사용과 재현을 고려해 관리해야 합니다.

개별 사례 조사

조사는 경고, 우선순위가 정해진 집합 또는 사용자의 자발적인 기회 탐색에서 시작할 수 있습니다. 보통 하나의 객체나 작은 집합에서 시작하며, 고객 불만의 원인처럼 구체적인 목표를 갖고 발생 지점에서 원인으로 거슬러 올라갑니다. Object Explorer와 객체 뷰로 관련 정보를 살펴볼 수 있습니다.

결과와 영향 기록

가설을 확인하고 조치를 내리면 담당팀의 설비 정비처럼 실제 업무가 이어집니다. 언제 어디서 왜 그 결정을 내렸는지와 결과를 남기면 이후 비슷한 상황을 비교할 수 있습니다.

Workshop이나 Quiver의 추적 화면은 조사 및 조치 이력을 분석합니다. 이 기록으로 같은 문제의 재발과 판단의 일관성을 살펴볼 수 있습니다.

초기 코호트의 자동 구성

업무 전문가가 예상하는 오류나 이상을 규칙으로 표현할 수 있습니다. 구체적인 단일 조건이면 경고 패턴을 사용하고, 더 넓은 현상이면 KPI나 업무 로직으로 조사 대상을 묶습니다. 분석가가 매번 시작할 때 수행하던 작업을 부분적으로 자동화하는 방식입니다.

같은 조건과 데이터에서 같은 분류를 만들도록 규칙을 관리하면 규제상 재현성이나 업무 일관성에 도움이 될 수 있습니다. Foundry Rules, Actions와 Workshop 등으로 구성할 수 있습니다.

큰 데이터의 복잡하거나 바뀌는 패턴에는 통계 및 머신러닝을 사용할 수 있습니다. Code Workbook에서 개발하고 Foundry ML로 관리한 모델의 집단 또는 예측 결과를 온톨로지 속성과 객체로 반영하면 다른 데이터처럼 후속 탐색에서 사용할 수 있습니다.

공통 데이터와 적용 분야

온톨로지는 배송, 고객과 주문 등의 관계를 담고 Cohort, Rules 및 해당 업무의 맥락 객체를 함께 표현합니다. 데이터 연결과 SQL, Python 또는 Java 파이프라인으로 그 자산을 준비해야 합니다.

생산 수율, 고객 재가격 조정, 캠페인 참여와 변압기 고장 예방 등이 적용 분야입니다. 사전에 정한 기준으로 검토 대상을 바로 제시해야 하면 경고 패턴, 조치가 여러 사람의 작업으로 이어지면 운영 조정을 함께 사용합니다.