비즈니스에서 활용하는 방법
IBM® SPSS® Categories를 사용하면 데이터에서 관계를 시각화하고 살펴볼 수 있으며, 찾은 결과를 기반으로 결과를 예측할 수 있습니다. 이 제품은 범주형 회귀 프로시저를 사용해 정렬 또는 비정렬 수치 범주형 예측 변수의 조합에서 얻은 명목, 순서 또는 수치 결과 변수의 값을 예측합니다. 이 소프트웨어는 예측 분석, 통계 학습, 지각 매핑 및 환경 설정 스케일링 등의 고급 기술을 제공합니다.
이 모듈은 온프레미스의 경우 SPSS Statistics Professional 에디션에 포함되어 있으며, 구독 플랜의 경우 "복합 샘플링 및 테스트" 추가 기능에 포함되어 있습니다.
주목할 기능
범주 간 차이점 분석
대응 분석을 사용하여 범주 간 차이를 보다 손쉽게 표시하고 분석할 수 있습니다.
보충 정보 통합
추가 변수에 대한 보충 정보를 포함합니다.
연관 및 관계 발견
연관을 보다 잘 볼 수 있도록 대칭 정규화를 사용하여 행렬도를 생성합니다.
범주형 데이터의 손쉬운 사용
툴을 활용해 다변수 데이터 및 관계를 보다 완벽하게 분석 및 해석할 수 있습니다. 예를 들어, 고객이 기업의 제품이나 브랜드와 가장 밀접하다고 여기는 특징이 무엇인지 파악하거나, 자사 또는 경쟁업체의 다른 제품과 비교해 특정 제품에 대한 고객의 평가는 어떤지 판단합니다.
범주형 회귀 프로시저 사용
정렬 또는 비정렬 수치 범주형 예측 변수의 조합에서 얻은 명목, 순서 또는 수치 결과 변수의 값을 예측합니다. 최적화 척도법과 함께 회귀를 사용하면 직무, 지역 및 업무 관련 출장 빈도 등으로부터 직무 만족도는 어떠한지 예측할 수 있습니다.
최적화 척도법 활용
변수를 수량화해 Multiple R을 최대한 활용합니다. 최적화 척도법은 잔량이 비정규이거나 예측 변수가 결과 변수와 비선형 관계인 경우 수치 변수에 적용될 수 있습니다. 리지 회귀, Lasso 및 탄성 넷 등의 정규화 방법은 모수 추정을 안정화하여 예측 정확도를 향상시킬 수 있습니다.
인지 맵을 사용해 결과를 분명하게 표시
차원 축소법을 사용해 데이터 간의 관계를 확인합니다. 요약 차트는 두 개 이상의 변수들 간의 관계에 대한 인사이트를 제공하기 위해 유사한 변수 또는 카테고리를 표시합니다.
최적화 척도법 및 차원 축소법 활용하기
이러한 기법에는 대응 분석(CORRESPONDENCE), 범주형 회귀(CATREG), 다중 대응 분석(MULTIPLE CORRESPONDENCE), CATPCA, 비선형 정준 상관(OVERALS), 근접성 확장(PROXSCAL) 및 선호 척도(PREFSCAL) 등이 포함됩니다.
제품 이미지
대응 데이터 출력 테이블
출력 테이블의 개요 행 포인트
행 포인트의 산포도 그래프
관련성 기반의 회귀 정의
기술 요구사항
하드웨어 요구사항
- 프로세서: 2GHz 이상
- 디스플레이: 1024x768 이상
- 메모리: 4GB RAM 필요, 8GB RAM 이상 권장
- 디스크 공간: 2GB 이상