직접 아웃코드 AutoML에 데이터를 넣고 데이터 분석을 시행해 보았습니다. 데이터는 Walmart Sales Forecast kaggle에서 가져왔으며 예시 1번처럼 매출 예측 모델을 생성했습니다. 아래 그림처럼 IsHoliday, Dept, Weekly_Sales, Temperature, Fuel_Price, CPI, Unemployment의 Column으로 구성되어 있으며 주간 매출인 Weekly_Sales를 예측합니다.

‍

‍

데이터를 불러온 다음, 우측하단의 인공지능 분석하기를 클릭하면 아래 그림처럼 타겟 칼럼을 선택할 수 있습니다. Weekly_Sales를 선택해줍니다.

특정 학습 시간 이후, 보고서를 받아볼 수 있습니다. 저는 2시간만에 보고서를 받았습니다. 데이터의 양과 속성에 따라서 학습 시간은 상이할 수 있습니다. 위 분석으로 물가 지수와 실업률이 매출에 영향을 준다는 인사이트를 얻을 수 있었습니다. 경제 상황을 고려하여 한층 더 정확한 예측이 가능해 졌습니다.

이렇게 손쉽게 데이터를 연동하여 클릭만으로 AutoML을 실행하고 인사이트를 제공 받을 수 있습니다.

평균 제곱근 오차(RMSE, Root Mean Squared Error)와 평균 절대 오차(MAE, Mean Absolute Error)는 모델의 예측값과 실제값의 차이를 나타내는 지표입니다. 낮을 수록 좋으며 타겟칼럼의 단위에 따라 다릅니다. 이 경우에선 실제값과 예측값 사이에 평균적으로 1348 만큼의 차이(이번주 매출액 실제값이 $10,000이고 모델의 예측값은 $11,348로 예측한 경우)가 난다는 것을 알 수 있습니다. 결졍계수(R-Sqaured)는 타겟칼럼을 나머지 데이터들이 얼마나 잘 설명하는지에 대한 지표입니다. 1에 가까울수록 모델의 정확도가 높다는 뜻입니다.

저는 Kaggle의 샘플 데이터로 AutoML을 진행해봤지만 현실의 복잡하고 다양한 데이터에 적용한다면 한층 더 높은 수준의 인사이트를 얻을 수 있을 것 같습니다.

아웃코드의 AutoML  분석은 실무자나 비즈니스 전문가들에게도 마법처럼 효과적인 데이터 예측을 제공합니다. 데이터 연동부터 예측 결과까지의 과정을 통해, 데이터 분석가,  과학자 없이도 손쉽게 우수한 분석 결과를 얻을 수 있습니다. 데이터의 힘을 비즈니스 의사결정에 활용하고 싶다면, 아웃코드의 AutoML을 통해 사용해보세요.

‍