넷 로컬리티 > 경영학

서문
이 책의 목적은 독자에게 실무적이고 직접 활용할 수 있는 시계열 예측의 계량적 접근방법을 소개하는 데 있다. 데이터 사이언스와 비즈니스 애널리틱스 프로그램의

대부분의 예측분석 강좌에서는 시계열 예측을 가능한 매우 가볍게 다루고 있으나 예측이란 실제로 매우 대중적이며 유용하다.
저자의 경험으로는 스스로 직접 실행해보는 것이 가장 좋은 학습방법이며, 따라서 이 책은 독자가 자가학습을 할 수 있도록 다음과 같이 구성되었다.
이 책은 다른 시계열 교재와 비교해서 상대적으로 적은 분량을 수록함으로써 많은 양의 내용보다는 직접적으로 체험하는 시간을 더 할애하였다.
또한 수학과 통계이론보다는 기본 개념에 좀 더 초점을 맞춰 이해하기 쉽고 간단명료한 설명서가 되고자 노력했다.
이 책의 각 장의 말미에 연습문제가 수록되어 있으며, 여기에는 개념에 대한 문제와 직접 연습해볼 수 있는 많은 문제들이 수록되어 있다. 대부분 실제 데이터를 이용한 

소프트웨어의 사용이 필요하며, 주어진 문제에 대한 결과물을 설명하도록 요구하고 있다.
이 책은 본문 전체에 걸쳐 소개된 기법들을 설명하기 위해 실제 데이터를 사용하였으며, 특정 모형과 알고리즘에만 초점을 두지 않고, 전체 예측 프로세스에 초점을 

두고 있다.
마지막 장에 수록된 사례들은 독자들에게 이 책에서 제시한 단계들을 따르도록 안내하고 있지만 문제풀이는 독자 스스로 해결할 수 있도록 하였다. 이러한 사례분석은 

독자들에게 이 책을 통해 얻은 정보와 더불어 이에 대한 경험을 얻는데 도움이 될 것이다.

추천되는 수업 계획안
이 책은 대학원 또는 3,4학년 학부수준에 맞게 반학기(6~7주차) 분량의 예측 수업용으로 활용될 수 있으며, 한 학기 분량으로도 수업이 가능하다. 이를 위해 다음과 

같이 수업 계획안을 추천한다.
1주차: 1장(예측 시작하기)과 2장(시계열 데이터에 대한 이해)에서 목표정의, 데이터수집, 시계열 특징, 시각화, 데이터 전처리를 다룬다.
2주차: 3장(성과평가)에서 데이터 분할, 단순 예측, 예측정확도 및 불확실설성 평가를 다룬다.
3~4주차: 4장(예측기법의 개요)에서 예측기법의 여러 접근방법들을 소개하고 서로 비
교한다. 5장(평활기법)에서는 이동평균, 지수평활법, 차분 등을 다룬다.
5~6주차: 6장(회귀모형: 추세와 계절성 찾기) 및 7장(회귀모형: 자기상관과 외부정보 의 반영)에서 선형회귀모형, 자기상관, 자기회귀누적이동평균모형(ARIMA), 

회귀모형에서 외부정보를 예측변수로서 모형화 방법에 대해 다룬다.
7주차: 10장(모형의 결과보고 및 예측값 조정)에서 예측치에 대한 보고, 문서작업, 예측치 검토 등을 할 때 제기되는 실제 문제들을 논의한다. 이 주차는 11장의 

사례분석에 대한 사후평가를 수행할 때 이에 적합한 핵심 내용을 다룬다.
8주차(선택사항): 8장(이진분류값 예측기법)에서는 이진분류값을 예측하는 확장모형, 로지스틱 회귀모형 등을 다룬다.
9주차(선택사항): 9장(인공신경망)에서는 수치값 예측과 이진분류값 예측을 위한 인공신경망을 소개한다.
10~12주차(선택사항): 11장(사례연구)에서는 학습한 내용을 통합하고 예측의 핵심적인 중요 내용을 중점적으로 다루는 3가지의 사례를 제공한다.
학생들이 실제 데이터를 이용하여 실제 문제를 해결하는 수업인 경우에는 팀별 과제를 적극 추천한다.

소프트웨어와 데이터
이 책은 무료 공개소스 소프트웨어인 R(www.r-project.org)을 사용하여 여러 분석기법 및 절차를 설명한다. 이러한 소프트웨어는 컴퓨팅 언어에 익숙한 사용자

들에게 적합하지만,R에 대한 별도의 사전지식을 갖고 있을 필요는 없다. 이 책은 독자들이 R에 대한 기본 개념을 배우면서 쉽게 이 책의 결과물을 따라 할 수 

있도록 책에 수록된 그림과 결과물을 생성하기 위한 R코드를 제공하고 있다. 특히, 이 책은 많은 예측 알고리즘을 빠르게 연산하고 사용자가 쉽게 실행할 수 있는, 

R의 forecast 패키지(https://pkg.robjhyndman.com/forecast/)를 사용한다.
사용자가 편리하게 R을 사용하기 위해서는 www.r-project.org에서 소프트웨어 R과www.rstudio.com에서 RStudio를 다운로드해야 한다.
마지막으로, 특별히 상당히 규모가 큰 시계열 데이터를 갖고 있는 경우 모형 개발을 하기 전에 데이터의 특성을 탐색할 수 있는 대화형의 시각화 소프트웨어의 

사용을 추천한다. 이러한 패키지로는 TIBCO Tableau(www.tableausoftware.com)와 Spotfire(spotfire.tibo.com) 등이 있다. 이 책은 이들 패키지의 성능을 

1장에서 설명하고 있다. 이 책의 홈페이지(www.forecastingbook.com)에서는 시계열 데이터의 탐색을 대화식으로 경험할 수 있도록 두 가지 대화형 대시보드를 

  제공하고 있으며, 각 장의 연습문제와 예제, 그리고 사례에서 사용되는 데이터집합은 www.forecastingbook.com에서 이용가능하다.
개정 2판의 새로운 내용독자와 강사분들의 피드백을 토대로, 이 개정판은 2가지의 주요 내용을 보완하였다. 첫째는 주제 내용의 구조를 새롭게 개선하였다. 이렇게 

각 장의 주제의 순서를 새롭게 변경함
으로써 학생들이 좀 더 직관적으로 내용을 잘 이해할 수 있도록 예측기법들을 좀 더 쉽게 소개하고자 하였다. 또한 짧은 수업기간에 중요한 주제들을 다루는데 

도움이 되도록 하였다. 또한 XLMiner을 이용한 Practical Time Series Forecasting의 개정 3판에도 이와 동일하게 적용되게 함으로써 강사분들이 프로그래밍 

유경험자와 무경험자 모두를 대상으로 유연하게 강의할 수 있도록 이에 맞게 각 주제내용의 구조를 변경하였다. 이러한 변경내용은 다음과 같다.
자기상관, AR 모형, ARIMA 모형, 외부정보 등에 대한 내용을 별도의 새로운 장(7장)으로 재배치하였으며, ARIMA 모형의 방정식, 파라미터와 모형구조를 좀 더 

자세하게 설명하였다.
이진분류값 예측에 대한 주제는 별도의 장(8장)으로 분리하였으며, 이진형의 출력변수, 성과평가, 로지스틱 회귀모형 등을 소개하였다.
인공신경망은 별도의 장(9장)으로 구성되었다.
두 번째 개정사항으로는 몇 가지 주제를 추가하고 내용을 확장하였으며, 그 개정내용은 다음과 같다.
예측구간이 모든 관련 그래프에 포함되었고, 예측원뿔(prediction cones)에 대한 논의가 추가되었다.
?5장에서는 R의 dshw, tbats 함수를 이용한 예제를 활용하여 다수의 계절성 주기를 가지는 지수평활에 대한 논의내용을 확장하였다.
7장은 선형모형과 ARIMA 모형에서 외부정보를 통합하는 사례를 설명하기 위해서 R의 tslm과 stlm 함수를 이용한 자전거 공유 대여 및 월마트 판매 예측 사례 

등 2개의 새로운 예제를 포함시켰다. 아울러, 시계열 분해를 위한 STL 접근방법을 소개하고 이에 대한 사례를 추가하였다.

도움이 되는 자료들
이 책에서 사용되고 있는 데이터 집합, R코드 및 기타 도움이 되는 자료들은www.forecastingbookn.com에서 이용가능하다.


감사의 글
이 개정판에 대한 영감을 주고 R의 “forecast” 패키지에 대한 아낌없는 정보를 제공해준 호주 모나시대학교(Monash University)의 롭 하인드먼(Rob Hyndman) 

교수에게 깊이 감사드리며, 유용한 조언과 제안을 해준 로비 바프나(Rovi Bapna) 교수와 피터 브루스(Peter Bruce)에게 감사를 드린다. 또한 많은 독자들로부터 

유용한 조언을 공유하였는데, 특히 R에 대한 해박한 조언을 해준 칼 아라오(Karl Arao)에게 감사하고, 세심하게 편집을 도와준 노아 시뮤엘리(Noa Shmueli)에게 

  감사를 표한다. 마지막으로 Stastics.com의 쿠버 데오카(Kuber Deokar)와 슈웨타 자드하브(Shweta Jadhav)는 이 책의 연습문
제 풀이에 대한 귀중한 조언을 제공해주었다.


번역서문
요즘 세상을 한마디로 표현한다면 빅데이터로 넘쳐나는 복잡한 세상이라는 표현이 딱 어울린다.
본 역자들이 2009년에 Shmueli, Patel, Bruce 등이 공동 저술한 “Data Mining for Business Intelligence”(1st Edition)를 번역하였을 때와 비교해서 지금은 또한 

많이 변해 있음을 절감하고 있다.
본 번역서는 이전에 번역한 위 번역서를 보완할 수 있는 내용이기 때문에 독자들에게 많은 도움이 되리라 기대한다. 특히 본 번역서는 시계열 데이터에 초점을 둔 

데이터마이닝 기법으로서 R을 이용한 데이터분석기법의 기본서로서 유용한 학습서가 될 것이라는 확신을 갖고 있으며, 이 때문에 기꺼이 이번 번역작업에 쉽게 

참여할 수 있었다. 본 번역서에는 자기회귀누적이동평균모형(ARIMA), 지수평활법, 로지스틱 회귀모형 등의 전통적인 통계적 예측기법뿐만 아니라, 인공신경망과 

같은 데이터마이닝 기법이 소개되고 있는데, 이를 번역하면서 독자들의 이해를 돕기 위해서 원서와는 달리 ‘일러두기’를 본문에 추가하여 독자의 이해를 돕고자 

하였다. 또한 대표적인 오픈소스기반의 빅데이터 분석툴인 R을
이용한 데이터마이닝에 대해서는 독자들이 쉽게 이해할 수 있도록 R코드에 대한 설명을 추가함으로써 원저자가 의도한 원서 본래의 의미가 최대한 쉽게 전달될 

수 있게 노력하였음을 밝히고자 한다.
끝으로 본 번역서의 출간을 위해 직접 제안과 조언을 해준 Shmueli 교수와 본 번역서 출간을 위해 도움을 준 도서출판 청람 대표이사와 편집진께 깊이 감사를 

드린다.

2020년 8월
역자 일동

갈리트 시뮤엘리(Galit Shmueli)
갈리트 시뮤엘리(Galit Shmueli)는 현재 대만 국립 칭화대학교 서비스 사이언스 연구소의 칭화 특훈교수이며, 베스트셀러인 비즈니스를 위한 데이터마이닝 책의 공동저자이다. 

그동안 관련 분야에서 다수의 전문서적을 출간하였으며, 최고 학술지에 다수의 논문을 게재하였다. 또한, 시뮤엘리 교수는 인도 경영대학, 미국 메릴랜드대학교 스미스 경영

대학원, 인도 경영대학 대만 국립칭화대학교, Statistics.com 등에서 예측, 데이터마이닝, 통계학, 기타 데이터 분석 등의 과목을 설계하고, 강의한 경력이 있다.

케네스 라히텐달(Kenneth C. Lichtendahl Jr.)
케네스 라히텐달(Kenneth C. Lichtendahl Jr.)은 버지니아대학교 다든(Darden) 경영대학원 부교수이다. 그는 MBA 학생들을 대상으로 R을 이용한 데이터 사이언스 과목을 담당

하고 있으며, The Case Center에서 비즈니스 분야의 데이터 사이언스 과목으로 2015년도 뛰어난 사례 교수자로 선정되었다. 그의 주된 연구분야는 예측에 대한 실행, 평가, 결합

기법 등에 대한 연구이며, Management Science 등의 저명 저널에 논문들을 게재하였다.