이번주에 드디어 자동화 심플 버전, 신 버전이 출시되었습니다. 새로운 버전은 사용자가 간단명료하고 직관적인 환경에서 업무에 필요한 자동화를 빠르게 만드는 것을 목적으로 합니다.

‍

‍

왼쪽에 보이는 스텝 가이드에 따라서 설정하거나 수정하면 자동화가 자연스럽게 완성되는 구조로, 아웃코드의 기본 동작 순서에 맞게 구성되어 있습니다.

1. 데이터를 불러오기
2. 필터(조건)을 설정하여 데이터를 필터링하기
3. 애플리케이션, 데이터베이스, 시트 등 데이터를 보낼 앱을 추가하기
4. 위의 과정을 반복실행할 스케줄을 설정하기

‍

참고로, 2번의 필터는 사람 대신 자동 반복 실행을 염두에 두고 동적으로 설정할 수 있도록 되어 있습니다.

‍

기존의 자동화는 자동화 비즈로 변경되며, 새로운 버전과 100% 호환되어 사용자가 원하는대로 스위칭해서 자동화를 생성, 개선할 수 있습니다.

이번에 출시된 새로운 버전은 아웃코드를 처음 사용하시는 유저분들을 피드백을 기초로 하여 개발되었으며, 가이드 문서나 사용설명없이도 바로 아웃코드를 플레이할 수 있도록 설계되었습니다.

새로운 버전도 구글시트, 데이터베이스, 노션, 에어테이블, 광고 플랫폼, 엑셀, 공공데이터, 뉴스/블로그 데이터, API 등을 자동화와 동일하게 지원합니다.

‍

아웃코드는 지속적으로 개선과 시장 변화를 주도하기 위해서 보다 대중적이고 기업에 도움이 되는 서비스를 만들기 위해서 노력하고 있습니다.

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.

‍