데이터 시각화의 개발 단계

데이터 시각화 분야의 기원은 1950년대 컴퓨터 그래픽 초기로 거슬러 올라갑니다. 그 당시 사람들은 컴퓨터를 사용하여 최초의 그래픽 차트를 만들었습니다. 1987년 미국 국립과학재단(National Science Foundation)은 Bruce McCormack, Thomas DeFanti, Maxine Brown이 작성한 보고서 "Visualization in Scientific Computing"("Visualization in Scientific Computing"을 의미)을 통해 이 분야를 크게 촉진하고 자극했습니다. 이 보고서는 새로운 컴퓨터 기반 시각화 기술의 필요성을 강조합니다. 컴퓨터 컴퓨팅 능력이 급속히 향상됨에 따라 사람들은 규모가 점점 더 커지고 복잡해지는 수치 모델을 구축했으며 그 결과 다양하고 거대한 수치 데이터 세트가 생성되었습니다. 동시에 의료용 스캐너, 현미경과 같은 데이터 수집 장치를 사용하여 대규모 데이터 세트를 생성할 뿐만 아니라 텍스트, 숫자 및 멀티미디어 정보를 저장할 수 있는 대규모 데이터베이스를 사용하여 데이터를 수집합니다. 따라서 이러한 대규모 데이터 세트를 처리하고 시각화하려면 고급 컴퓨터 그래픽 기술과 방법이 필요합니다.

"과학 컴퓨팅의 시각화"라는 문구는 나중에 "과학적 시각화"가 되었으며, 원래는 과학을 컴퓨팅 구성 요소의 시각화, 즉 과학 및 엔지니어링 실습에서 컴퓨터 모델링 및 시뮬레이션을 사용하는 것으로 지칭했습니다. 데이터 분석이란 유용한 정보를 추출하고 결론을 도출하기 위해 데이터를 자세히 연구하고 요약하는 과정을 말합니다. 데이터 분석은 데이터 마이닝과 밀접하게 관련되어 있지만 데이터 마이닝은 더 큰 데이터 세트에 초점을 맞추고 추론에 덜 초점을 맞추며 원래 다른 목적으로 수집된 데이터를 사용하는 경우가 많습니다. 통계학에서는 데이터 분석을 기술통계분석, 탐색적 데이터 분석, 확증적 데이터 분석으로 나누는데, 그 중 탐색적 데이터 분석은 데이터에서 새로운 특징을 발견하는 데 중점을 두는 반면, 확증적 데이터 분석은 데이터의 확인이나 위조에 중점을 둡니다. 기존 가설.

데이터 분석 유형은 다음과 같습니다.

1) 탐색적 데이터 분석: 가치 있는 가설 테스트를 형성하기 위해 데이터를 분석하는 방법을 말합니다. 이는 전통적인 통계의 대안입니다. . 가설 검정의 보충 수단. 이 방법은 미국의 유명한 통계학자인 John Tukey가 명명했습니다.

2) 질적 데이터 분석: '질적 데이터 분석', '질적 연구' 또는 '질적 연구 데이터 분석'이라고도 하며, 단어, 사진 및 관찰 유형 데이터(또는 정보) 분석.

2010년 이후 데이터 시각화 도구는 기본적으로 테이블, 그래프(차트), 지도 등의 시각적 요소를 기반으로 데이터를 필터링, 드릴링, 데이터 연계, 점프, 하이라이팅을 통해 동적으로 분석할 수 있습니다. 분석하다.

시각화 도구는 다양한 데이터 표현 형식, 다양한 그래픽 렌더링 형식, 풍부한 인간-컴퓨터 상호 작용 방법, 비즈니스 로직을 지원하는 동적 스크립트 엔진 등을 제공할 수 있습니다.

일반 Dashboard나 Reporting 제품과 달리 Yonghong Technology의 BI 프런트엔드는 검색 지향적입니다. 풍부한 대화형 방법과 강력한 분석 기능을 제공합니다. 사용자는 데이터(대화형), 필터링, 드릴, 브러싱, 연결, 변환 및 기타 기술과 추가로 상호 작용할 수 있으므로 사용자는 정보를 마스터하고, 문제를 발견하고, 답변을 찾고, 조치를 취할 수 있습니다. 데이터 거버넌스는 특정 조직의 데이터에 대한 일관된 전사적 관점을 생성하는 데 필요한 인력, 프로세스, 기술을 다룹니다. 데이터 거버넌스는 다음을 목표로 합니다.

1) 의사 결정 프로세스의 일관성 향상 안전 및 신뢰

2) 규제 벌금 위험 감소

3) 데이터 보안 향상

4) 데이터 수익 잠재력 극대화

5) 정보 품질 책임 지정 데이터 마이닝이란 대량의 데이터를 분류, 정리하고 관련 정보를 선택하는 프로세스를 말합니다. 데이터 마이닝은 일반적으로 비즈니스 인텔리전스 조직 및 재무 분석가에 의해 사용되지만 과학에서는 현대 실험 및 관찰 방법으로 생성된 방대한 데이터 세트에서 정보를 추출하는 데에도 점점 더 많이 사용되고 있습니다.

데이터 마이닝은 "데이터에서 암시적이고 이전에 알려지지 않았으며 잠재적으로 유용한 정보를 추출하는 특별한 프로세스" 및 "대규모 데이터 세트 또는 데이터베이스에서 유용한 정보를 추출하는 과학"으로 설명되었습니다. 전사적 자원 계획과 관련된 데이터 마이닝은 의사 결정 노력에 도움이 될 수 있는 패턴을 찾기 위해 대규모 트랜잭션 데이터 세트를 통계적이고 논리적으로 분석하는 프로세스를 의미합니다. 전자상거래 데이터 시각화는 정보를 얻는 가장 좋은 방법 중 하나는 시각화를 통해 주요 정보를 빠르게 파악하는 것입니다. 또한, 전자상거래 데이터는 단순한 통계만으로는 쉽게 알 수 없는 데이터의 시각적 표현, 패턴, 결론을 통해 놀라운 패턴과 관찰을 드러내기도 합니다. “시각화를 통해 우리는 정보를 일종의 정보 지도인 눈으로 탐색할 수 있는 풍경으로 바꿉니다.

정보 지도는 정보가 부족할 때 매우 유용합니다. “전자상거래 산업에서는 특히 그렇습니다.