Studyenthusiast

​

거래도 시세 표현과 마찬가지로 주식시장, 채권시장, 외환시장 어디서든 다 혼용해서 쓰일 수 있습니다.

매수: '매수'는 금융상품(주식, 채권, 외환 등)을 사는 행위를 말하는데, '매입'이라고도 표현합니다. 일련의 일정한 흐름이나 힘이 붙으면 '매수세'라고 하며, 금융상품이 저평가될 때 사는 행위는 '저점매수' 혹은 '저가매수'라고 합니다. 저점매수는 상품 가치가 가장 쌀 때 사는 것으로 탁월한 투자방법 중 하나라고 볼 수 있습니다.

​

ex) "연말연시 단가조정, 절호의 저점매수 기회"

​

매도: '매도'는 금융상품을 파는 행위를 말합니다. 일련의 일정한 흐름이나 힘이 붙으면 '매도세'라고 표현하며, 금융상품이 고평가될 때 파는 행위를 '고점매도'라고 합니다. 고점매도 역시 상품이 가장 비쌀 때 파는 것으로 탁월한 투자방법입니다.

​

ex) "NHN 임원들 자사주 고점매도"

​

순매수 & 순매도: 일정 기준으로 매수의 총량을 앞서는 것을 '순매수'라고 합니다. 매매는 매수와 매도의 집합이므로 시장 전체를 놓고 보면 순매수와 순매도는 언제나 동일합니다. 따라서 순매수와 순매도를 볼 때는 기준이 있어야 합니다.

​

ex)'기관 순매수'라고 하면 기관투자자들을 기준으로 매수의 총량이 매도의 총량보다 많다는 것을 의미합니다.

​

'순매도'는 일정 기준으로 매도의 총량이 매수의 총량을 앞서는 것을 말합니다. 예를

​

ex) '외국인 순매도'라고 하면 외국인 투자자들의 매도가 매수보다 앞섰다는 것을 의미합니다.

"외국인, 국채선물 9일째 순매도"

​

매집: '매집'은 매수처럼 금융상품을 사는 것을 말합니다. 그런데 매집은 사는 것의 일반적인 의미가 아니라, 어떠한 의도를 가지고 대상 금융상품을 집중적으로 사는 것을 의미할 때 쓰입니다. 의도성과 집중성의 뉘앙스를 품는 매수라고 이해할 수 있습니다.

​

ex) "삼성전자, 외국인 매집에 상승"

​

투매: '투매'는 대상 금융상품의 가치가 폭락할 것으로 예상되어 미리 상품을 매도하는 행위를 말합니다.

​

ex) "미 증시, 금융주 투매로 급락.... 다우 2.96% ↓ 감소"

​

​

롱포지션: '롱 포지션(long position)'은 대상 금융상품의 가치가 상승할 것에 대한 기대로 상품을 매수하는 행위나 그 상태를 의미합니다. 각 시장마다 디테일한 의미가 다르지만, 일단 '롱'이 들어가면 매수에 포함됩니다. '롱 마인드' 혹은 '롱 심리'는 매수 심리를 나타내는 표현입니다.

​

ex) "전문가, 원/달러 롱 포지션 우세 전망"

​

숏포지션: '숏 포지션(short position)'은 금융상품을 매도하는 행위나 그 상태를 의미합니다. 대상 금융상품의 가치가 하락할 것을 예상하여 대비하는 포지션입니다. '숏'이 들어가면 '매도'를 의미하고, '숏 마인드'는 매도 심리를 나타내는 표현입니다.

​

ex) "세계경기 낙관론 5년 내 최고 ..... 숏 포시션 사라져"

​

손절매: '손절매(losscut)'는 현재 가지고 있는 금융상품의 가치가 더욱 하락할 것으로 예상하여 그 상품의 가치가 회복되기를 기대하기 보다 향후 상황이 더 안 좋아지기 전에 과감하게 파는 것을 의미합니다. 기사에는 영어 발음 그대로 '로스컷'이라고 하며, 매수를 멈춘다는 의미로 '롱스탑(long stop)'이라고 합니다.

​

ex) "개인 투자자 미련 때문에..... 손절매 못해"

​

헤지: '헤지(hedge)'는 금융상품의 리스크(위험), 즉 예상치 못한 상태에서 가격이 변함으로써 발생하는 위험을 제거하는 행위입니다. '산울타리'라는 단어의 뜻을 생각하면 이해하기 쉽습니다.

​

ex) "불안한 증시, 파생상품으로 헤지해 볼까?"

​

※ 오늘도 쉽고 재밌게 주식용어 공부를 통해 '거래에 관련된 용어'에 대해서 설명하였고, 다음 포스트에서는 "주식의 유래와 무엇인가?"라는 주제를 더욱 세부적으로 다룰 예정입니다.

첫째, 자신의 프로젝트를 세상에 널리 알릴 수 있는 무대를 제공한다.

- 중개 사이트는 성공 가능성과 수익성을 불문하고 대중에게 자신의 생각을 설명하고, 설득할 수 있는 채널(Channel)이 되는 것이다.

​

둘째, 소액 투자자들의 참여를 유도하여 자금조달의 새로운 루트를 제공한다.

- 투자자들에게 중개 플랫폼에 올라온 수많은 프로젝트 중 자신이 공감하는 프로젝트에 '내가 부담할 수 있을 만큼의 금액'을 투자할 수 있게 함으로써, 모금자들은 더 이상 '대단한 성공'이라는 필요조건에 목을 매지 않아도 된다.

​

셋째, 저비용 마케팅 효과를 제공한다.

- 정해진 시간 내에 목표액에 도달해야만 하기 때문에 모금자는 물론, 후원자들도 적극적으로 프로젝트를 홍보하게 된다. 이들은 홍보 파급력이 큰 트위터나 페이스북 같은 소셜 네트워크 서비스(SNS)를 적극 활용하고 있다. 크라우드 펀딩을 '소셜 펀딩(Social Funding)이라고 말하는 이유도 여기에 있다.

​

#핀테크 #컴퓨터공학 #금융 #재무학 #크라우드펀딩 #크라우드펀딩의장점 #자금조달 #소액투자자

크라우드 펀딩(Crowd Funding)은 군중을 뜻하는 크라우드(Crowd)와 자금조달을 뜻하는 펀딩(funding)의 합성어로, '대중으로부터 자금을 모은다'라는 뜻을 가지고 있습니다. 자금을 필요로 하는 개인이나, 단체, 기업 등이 인터넷과 같은 플랫폼을 통해 준비 중인 프로젝트를 공개하고, 이에 매력을 느낀 익명의 다수에게 투자를 받는 방식입니다. 프로젝트 공개 시 목표액과 모금 기간을 미리 정해놓고, 만약 기간 내에 목표액이 채워지지 않으면 모금 참여자들의 돈을 모두 돌려주게 돼있습니다.

이전까지 자금조달은 금융기관이나 투자회사 또는 개인투자자를 통해서 이루어졌습니다. 투자금은 거액이었으며, 사업성에 대한 판단은 당연히 까다로웠습니다. 쉽게 말해 '대박'을 터뜨릴만한 사업 아이템이 아니라면 기존의 루트를 통해서 자금을 조달하기란 불가능에 가까웠습니다. 참신한 비즈니스 아이디어로 승부하는 스타트업에게 투자자는 만나기조차 힘든 존재였습니다. 이러한 문제점을 반영해 크라우드 펀딩은 자금 확보에 어려움을 겪는 스타트업에게 새로운 솔루션을 제공했습니다.

​

#핀테크 #컴퓨터공학 #금융 #재무학 #크라우드펀딩 #크라우드펀딩이란 #자금조달 #스타트업투자

​

머신러닝을 실제로 적용하려면 머신러닝에 사용할 알고리즘을 선택해야 합니다. 지난 포스트에서 설명한 것과 같이 머신러닝은 회귀, 분류, 군집화 등 3가지 종류의 문제를 해결할 수 있는데, 이들 문제에 적합한 각각의 알고리즘이 있습니다. 한 가지 알고리즘으로 모든 종류의 문제를 해결할 수 없고, 알고리즘마다 특성이 달라서 원하는 것이 무엇인지를 명확하게 하고, 그 결과를 얻기 위해서는 어떤 종류의 문제에 속하는지 판별한 다음 머신러닝에 적용할 알고리즘을 선택해야 합니다.

​

적합한 알고리즘을 선택하기 위해서는 데이터의 크기와 데이터 타입 (문자, 숫자, 이미지 등), 데이터가 선형인지 비선형인지 등의 요소를 고려해야 합니다. 데이터에 대한 사전 지식 즉, 도메인 지식(Domain Knowledge)이 별로 없다면 최적의 결과를 보여주는 알고리즘을 선택하는 데 있어서 많은 시간과 노력을 필요로 할 수도 있습니다.

다음 그림은 파이썬의 유명한 라이브러리인 Scikit-learn에서 제공하는 알고리즘 Cheat-sheet으로 머신러닝을 이용해 원하는 결과를 얻기 위한 일반적인 절차를 보여주고 있습니다. 'Start'부터 시작해서 표시된 질문에 대한 응답으로 다음 과정이 차례로 제시되어 초심자들에게 어떤 머신러닝 알고리즘을 처음에 적용하고, 결과가 좋지 않은 경우 다음에 어떤 알고리즘을 적용해야 하는지를 알기 쉽게 표현하고 있습니다.

다음은 회귀, 분류, 군집화에 적용할 수 있는 대표적인 알고리즘들입니다.

​

1. 회귀

​

- 선형회귀 (Linear Regression)

- SGD 회귀 (Stochastic Gradient Descent Regression)

- 서포트 벡터 회귀 (SVR, Support Vector Regression)

- 랜덤 포레스트 회귀 (Random Forest Regression)

- 베이지안 회귀 (Bayesian Regression)

- 등위 회귀 (Isotonic Regression)

- 베이지안 ARD 회귀 (Bayesian Automatic Relevance Determination Regression)

​

2. 분류

​

- 로지스틱 회귀 (Logistic Regression)

- 서포트 벡터 머신 (SVM, Support Vector Machine)

- 랜덤 포레스트 (Random Forest)

- 의사결정 트리 (Decision Tree)

- 그레이디언트 부스팅 트리 (GBT, Gradient Boosting Tree)

- SGD 분류기 (SGD Classifier)

- AdaBoost

​

3. 군집화

​

- K - 평균 (최적분리) K-means

- 스펙트럼 군집화 (Spectral Clustering)

- 가우시안 혼합 (Gaussian Mixtures)

- 병합식 군집화 (Agglomerative Clustering)

- 친근도 전파 (Affinity Propagation)

- 평균 이동 (Mean Shift)

​

이외에도 많은 종류의 알고리즘이 있으므로 자신이 다루는 데이터 특성에 적합한 알고리즘을 선택해야 좋은 결과를 빨리 얻을 수 있습니다.

​

머신러닝 알고리즘은 수학적 이론과 그 내용을 아는 것은 특별한 경우가 아니라면 충분조건이지 필요 조건은 아닙니다. 예측을 위한 모델링은 사람이 직접 하는 것이 아니라 머신러닝 알고리즘 스스로 만들어 가도록 설계되어 있기 때문입니다. 따라서 해당 머신러닝 알고리즘을 사용하는 개발자는 머신러닝 알고리즘의 개념과 사용법, 알고리즘의 특성을 알고 이해하는 것이 중요합니다.

​

머신러닝으로 해결하려는 문제에 효과가 있다고 알려진 알고리즘이 없다면, 적용할 수 있는 모든 머신러닝 알고리즘을 하나씩 적용해 시행착오를 거쳐 가장 좋은 성능을 보여주는 것을 채택해 사용하면 됩니다.

​

※ 오늘은 '머신러닝 알고리즘'에 대하여 알아보았습니다.

​

이 포스트는 학부에서 제공하는 기본적인 강의와 책들을 토대로 알기 쉽게 내용을 작성하였습니다. 하지만 계속 더 유익하고 논문 및 전문 서적을 읽어가며 더 추가돼야 할 내용이 있으면 인공지능, 머신러닝 포스트와 콘텐츠들을 계속 고도화하는 방식으로 진행하려고 합니다.

​

​

#인공지능 #컴퓨터공학 #AI #머신러닝 #머신러닝알고리즘 #회귀 #분류 #군집화

신경망 연구가 암흑기를 맞이한 이유로 사고 범위 문제를 해결하는 컴퓨팅 연산 성능의 한계를 맞았습니다. 1990년대에는 컴퓨팅 연산 성능도 더욱 향상되었습니다. 사실 컴퓨팅 연산 성능이 향상된 이유는 신경망 연구 때문이 아닙니다. 1990년대 후반 고속 인터넷망 보급과 함께 대용량 이미지나 동영상 등이 만들어지기 시작했고, 이를 처리하거나 분석할 필요성이 생겼기 때문입니다.

​

​

​

이미지는 색상 수에 따라 처리해야 할 데이터양이 늘어나게 됩니다. 그리고 이미지와 음성으로 구성하는 동영상은 다양한 데이터들을 한꺼번에 처리합니다.

​

그런데 대용량 이미지나 음성 데이터 분석은 컴퓨터 한 대의 컴퓨팅 연산 성능으로 처리하기가 어렵습니다. 그 결과 하드웨어와 소프트웨어 모두를 고려하는 데이터 분산 처리 기술을 주목하기 시작합니다.

​

하드웨어의 관점에서는 OpenMP나 그래픽 카드의 GPU를 이용하는 GPGPU(General-Purpose computing on Graphics Processing Units) 관련 기술인 CUDA (Compute Unified Device Architecture)이 나오면서 주목을 받기 시작했습니다. 이를 이용하면 개인도 슈퍼컴퓨터와 비슷한 멀티 코어 컴퓨팅 또는 이기종 컴퓨팅 환경을 구축할 수 있게 되었습니다.

​

​

소프트웨어 관점에서는 명령 실행 분산 처리를 관리하는 구조가 발전했습니다. 즉, 미리 설정한 컴퓨터 자원을 사용하고, 네트워크로 작업을 관리하며, 자유자재로 자원을 늘리거나 줄일 수 있습니다. 대표적인 예로는 구글 파일 시스템에서 촉발된 맵리듀스(MapReduce) 아키텍처와 야후가 중심이 되어 개발한 하둡(Hadoop) 등이 있습니다.

​

​

무어의 법칙에 따른 하드웨어 성능 향상과 분산 처리 기술이 결합하면서 2000년대 중반부터 다시 신경망 연구가 활발해졌습니다. 2006년 오토인 코더(Autoencoder)의 등장과 함께 딥러닝의 시대로 연결됩니다. 최신 딥러닝 연구에서 주목하는 것은 심층 신경망(Deep Neural Network)입니다. 심층 신경망은 딥러닝을 할 수 있을 정도의 깊은 계층으로 구성된 신경망을 말하며 보통 계층이 5개 이상이면 심층 신경망이라고 부릅니다. 2000년대 이전에는 컴퓨터 연산 성능의 한계로 심층 신경망 구성 자체가 어려웠지만 2010년 이후에는 계층이 100개 이상인 신경망을 구축할 수 있게 되었습니다.

3. 2000년 ~ 2010년 : 통계 기반 머신러닝과 분산 처리 기술의 발전

​

인공지능 연구는 앞에서 설명한 신경망 외에도 통계 모델링을 중심으로 한 머신러닝 알고리즘이 있습니다. 이 연구는 신경망 연구만큼 주목받지는 않았지만 착실히 발전한 분야입니다. 그리고 컴퓨팅 연산 성능을 개선하는 분산 처리 기술또한 같이 발전하게 됩니다.

​

통계를 이용해 문제를 해결하는 방법은 크게 어떤 기준으로 데이터를 나누는 분류(Classification)와 데이터로 앞으로 필요한 결과를 예측(Prediction)으로 나눌 수 있습니다. 통계 기반 머신러닝은 이 분류와 예측을 프로그램화한 것으로 분류와 예측을 주어진 데이터를 자동으로 계산해 특징량 (feature)을 추출합니다.

​

추출한 특징량은 구성 요소와 기여도를 사람이 직접 확인하는 등의 추가 분석을 거쳐 통계 모델링을 하면 자동 처리에 이용할 수 있습니다.

​

이러한 머신러닝 시스템의 대표적인 예로는 추천 엔진과 로그 데이터, 온라인 데이터를 이용한 이상 탐지 시스템 등이 있습니다.

통계 기반 머신러닝 연구가 활발해진 계기는 1990년대 베이즈 정리를 출발점에 둔 베이즈 통계학의 재조명입니다. 앨런 E. 겔펀드(Alan E. Gelfand)와 에이드리언 F. M. 스미스 (Adrian F. M. Smith)는 1990년 [Sampling-Based Approaches to Calculating Marginal Densities] 에서 현대 베이즈 통계 계산의 핵심이 되는 마르코프 연쇄 몬테카를로 방법의 초기 형태를 제안했습니다. 이는 현재 우리가 연구하는 머신러닝 알고리즘의 기반이 되기도 했습니다.

​

2000년대에는 베이즈 필터를 이용한 머신러닝 시스템을 도입했습니다. 이 시스템을 이용한 대표적인 예로는 이메일 스팸 판정, 음성 입력 시스템의 노이즈 줄이기, 발음 식별 처리 등이 있습니다.

※ 베이즈 정리

​

토머스 베이즈가 최초로 정리했고, 피에르시몽 라플라스가 확립했습니다.

​

조건은 다음과 같습니다.

​

- 사건 A가 일어날 확률 P(A)

- 사건 B가 일어날 확률 P(B)

- 사건 A가 일어났을때 사건 B가 함께 일어날 조건부 확률 P(B|A)

- 사건 B가 일어났을때 사건 A가 함께 일어날 조건부 확률 P(A|B)

​

전 세계적으로 잘 알려진 제조 및 소매 기업체 중 다수가 자사의 브랜드만큼이나 자사의 공급망을 중시하고 있기는 하나, 비교적 적은 수의 회사들만이 완전한 규모의 공급망 프로젝트를 시도하고 있으며, 그 중에서도 많은 수는 자사가 쏟아 붇는 모든 노력이 과연 그럴 값어치가 있는지 대한 의문을 일으킬 정도의 장애물에 맞이하고 있습니다.

​

Accenture (컨설팅 회사)은 스탠포드 및 INSEAD 대학과 공동으로 팀을 구성하고 왜 이러한 일이 일어날 수 밖에 없는지 밝혀내기 위한 작업을 실행하였습니다. 그 결과, 연구 대상 기업 중 절반이 넘는 수가 공급망을 변환하는 과정에서 예상치 못한 문제와 맞닥뜨리게 되었다는 사실이 밝혀졌습니다.

​

1. 예상대로 기술이 구현되지 않았다

​

- 닷컴 버블이 터졌을때 공급망 관련 운동은 위기의 순간을 맞이하였으며, 많은 수의 공급망 기술 관련 공급업체 (그리고 더 많은 수의 베이퍼웨어 회사) 또한 같은 운명을 맞이하였습니다. 기업들은 웹 사이트를 구축하는 것이 즉각적 부를 향한 길이라고 잘못 생각하고 성급하게 인터넷이라는 "골드 러시"에 동참하였습니다. 산출물의 회수기간이 정해져 있지 않은 "전사적" 프로젝트에 수백만 달러를 지출하였으며, 그러한 과정에서 큰 피해를 입었습니다. 오늘날까지 많은 회사들은 공급망 솔루션에 대한 투자라면 그 종류를 막론하고 극도로 조심스러운 모습을 보여주고 있습니다.

​

​

2. 프로젝트 비용이 너무 높았으며 서비스 목표가 충족하지 못하였다

​

- 이 문제는 공급망보다 더 오래된 문제입니다. 완료되지 못했거나 충분히 실행되지 못한 전사적(ERP) 프로젝트를 목록으로 작성한다면 아마도 끝이 없을 것입니다. 불행하게도 그러한 식으로 통제의 범위를벗어난 공급망 프로젝트 역시 무수히 많은 실정입니다. 이러한 전사적 이니셔티브 중 대부분은 밑빠진 독과 같아서 비용의 끝을 알 수도 없고 이익에 대한 예측도 할 수 없습니다.

​

3. 공급망 프로젝트와 회사의 현재 비즈니스 전략 사이에 일관성이 없다

​

- 불행하게도 많은 회사들이 제대로 정의된 비즈니스 전략을 가지고 있지 못한 것이 현실입니다. 불확실하고 계속 변하는 회사의 계획과 공급망 이니셔티브를 일원화하려 애쓰다 보면 아무리 인내심 높은 프로젝트 관리자라도 지치지 않을 수 없을 것입니다.

​

4. 내외부적으로 변화를 관리하기가 너무 어려웠다

​

- 공급망 프로젝트가 성공하려면 제품 및 거래 데이터를 부서간에 공유함으로써 좋은 결과를 얻을 수 있다는 사실에 대한 확신이 먼저 종업원들 사이에 정착되어 있어야 합니다. 회사의 내부 인력이 서로 협력하지 못함으로 인해 주요 공급망 파트너와의 협력에 실패하는 경우는 일일이 열거할 수 없을만큼 많습니다. 다른 회사와의 렵력을 기대하려면 먼저 자사의 인력을 신뢰할 수 있어야 합니다.

​

Accenture은 위의 연구를 수행하던 도중 공급망 이니셔티브를 성공적으로 출범시킬 방법을 궁극적으로 찾아 낸 회사들의 사례를 부수적으로 발견하였습니다. 프로젝트의 진행에 있어 그처럼 운이 따르지 못한 회사의 경우, 공급망 프로젝트 리더가 사무실 쪽으로 걸어오는 것을 보는 순간 많은 관리자들이 문들 닫아 잠구는 장면을 충분히 상상할 수 있을 것입니다.

​

※ 오늘은 Supply Chain Management 의 기초인 '공급망의 경로를 가로막는 장애물'에 대하여 알아보았습니다.

​

이 포스트는 학부에서 제공하는 기본적인 산업공학 강의와 책들을 토대로 알기 쉽게 내용을 작성하였습니다. 하지만 계속 더 유익하고 논문 및 전문 서적을 읽어가며 더 추가돼야 할 내용이 있으면 산업공학 포스트와 콘텐츠들을 계속 고도화하는 방식으로 진행하려고 합니다.

​

#Supplychainmanagement #산업공학 #공급망관리 #공급망경로 #공급망경로장애물

​

공급자와 고객 사이에서 이루어지는 작업이라는 개념은 상거래 자체만큼이나 오랜 역사를 가지고 있으나, "공급망" 에 관한 현대적인 개념이 정립된 것은 꽤나 최근의 일입니다. 그 시발점은 Jay Forrester와 MIT(메사추세츠 공대)의 동료들이 선구적인 연구 결과를 발표한 1950년대 후반 이후입니다.

​

지금으로부터 거의 반세기 전에 forrester는 공급망 및 공급자와 소비자 사이에서 일어나는 채널간의 상호관계를 연구하기 시작하였으며 나중에 채찍효과(Bullwhip Effect)라고 알려지게 될 현상을 발견하게 됩니다.

​

Forrester는 회사의 파이프라인(공급망)에 들어 있는 재고의 변동폭이 궁극의 최종 고객으로부터 멀리 떨어져 있을수록 변동의 폭이 크게 나타나는 경향이 있다는 사실을 발견하였습니다. 채찍효과의 개념은 1990년대까지 그 이유가 미스터리로 남아 있었습니다. 그러나 그 후 컴퓨터가 충분히 빨라지고 강력해지고 저렴해지면서 과학자들은 채찍효과에 대해 이해할 수 있게 되었을 뿐만 아니라 이러한 효과를 피할 수 있는 소프트웨어를 개발하였습니다.

​

원칙적으로 공급망 관리는 이러한 수요의 증폭을 이해하고 궁극적으로는 통제하고자 했던 Forrester의 탐구 결과로부터 발전해 왔다고 할 수 있습니다. 비록 Forrester가 자신의 조사 결과를 "공급망"이라는 단어로써 표현하지는 않았지만, 오랜 기간동안 Wisconsin대학의 공급망 프로그램 디렉터를 역임한 Edward Marien은 "Forrester와 그의 연구 팀에게 공급망 발전에 대한 공로가 돌아가야 한다고 하였습니다".

​

1980년대 초반경부터 운송, 유통 및 자재 관리의 개념은 하나의 통일적인 용어인 공급망 관리로 일원화되기 시작했습니다. 이 용어는 1982년 처음 인쇄물에 나왔으며, Booz Allen의 컨설턴트였던 Keith Oliver가 사용하였습니다. 그 후 1985년 Harvard의 Michael Porter 교수는 자신의 영향력 있는 저서인 Competitve Advantage에서 회사의 공급망 + 체계를 구성하는 5대 기본 프로세스를 전략적으로 분석함으로써 더 높은 수익을 올릴 수 있는 방법을 예증하였습니다.

​

1. 대내 물류

- 제품에 투입되는 요소의 수령, 보관 및 배포와 관련된 활동을 말합니다.

​

(자재 취급, 창고보관, 재고관리, 운송 일정 수립 및 공급자에 대한 반품)

​

2. 운영

- 투입 요소를 최종 제품으로 변환하는 과정에 수반되는 활동을 지칭합니다.

​

(기계 가공, 포장, 조립, 장비 정비, 검사, 인쇄 및 시설 운영)

​

3. 대외 물류

- 제품을 수집 및 보관하고 구매자에게 물리적으로 배포하는 과정에서 수반되는 활동을 말합니다.

​

(완제품 창고 보관, 자재의 취급, 화물의 운반, 주문의 처리 및 일정 수립)

​

4. 판매 및 마케팅

- 공급망의 시각에서 이 프로세스는 구매자로 하여금 제품을 구매하도록 유도하고 구매할 수 있도록

여건을 조성하는 활동을 의미합니다.

​

(광고, 판촉, 판매인력 운영, 견적, 채널 선택, 채널 관계 관리 및 가격 설정)

​

5. 서비스

- 이 프로세스는 제품의 가치를 향상 또는 유지하기 위한 서비스의 제공과 관련된 활동을 지칭합니다.

​

(설치, 수리, 교육훈련, 부품공급 및 제품의 조정)

Porter은 회사가 비즈니스 단위 사이의 상호관계를 예의 주시함으로써 운영 성과를 크게 개선할 수 있다고 주장하였습니다. 그는 이러한 상호관계를 "가치 사슬 내의 실제 활동에 있어 비용을 절감하거나 차별화할를 강화할 수 있는 명백한 기회라고 하였습니다".

​

회사의 공급망 관리의 기본적인 목적

​

- 회사의 공급망이 어떠한 모습이어야 하고 또 어떠한 요소를 포함하고 있어야 하는지를 정확히 설명한다.

​

- 정보, 제품 및 서비스의 이동을 지연시키는 특정한 병목을 찾아낸다.

​

- 정확한 제품이 정확한 장소로 정확한 시간에 도달하도록 하기 위한 올바른 프로세스를 정립한다.

​

- 위의 모든 목적을 모두 달성할 수 있도록 적절한 사람에게만 권한을 부여한다.

​

※ 오늘은 Supply Chain Management 의 기초인 '공급망 관리의 발전 배경'에 대하여 알아보았습니다.

​

이 포스트는 학부에서 제공하는 기본적인 산업공학 강의와 책들을 토대로 알기 쉽게 내용을 작성하였습니다. 하지만 계속 더 유익하고 논문 및 전문 서적을 읽어가며 더 추가돼야 할 내용이 있으면 산업공학 포스트와 콘텐츠들을 계속 고도화하는 방식으로 진행하려고 합니다.

​

#Supplychainmanagement #산업공학 #공급망관리 #공급망관리발전의배경

군집화는 데이터를 유사한 특성을 가진 무리(Cluster)로 묶는 것을 의미합니다. 군집화는 비지도 학습에서 사용하는 것으로 출력데이터 없이 입력 데이터만으로 이뤄지며, 일반적으로 데이터의 특성을 파악하거나 이해하기 위해 많이 적용되고 있습니다.

​

예를 들어, 마케팅 캠페인을 진행하는데 어떤 특성을 가진 사람들이 마케팅 캠페인에 반응하는지를 알고 싶다고 가정을 해봅시다. 마케팅 캠페인을 처음 시행해서 연관성 있는 데이터는 가지고 있지만, 어떤 기준으로 대상자를 선정하는 것이 좋을지 모른다면 이러한 문제를 해결하는 데 군집화가 효과적으로 적용될 수 있습니다.

​

군집화는 주어진 데이터들의 유사도를 계산해 비슷한 특성이 있다고 판단되는 것끼리 군집으로 분류하는 것으로, 이러한 작업을 효율적으로 할 수 있습니다. 마케팅에 반응한 사람들의 데이터를 모아 군집화를 실시하면 유사한 특성을 가진 사람들을 묶어 몇 개의 군집인지 알 수 있고, 각각의 군집에 속한 사람들의 공통점을 파악하면 원래의 문제인 마케팅에 반응하는 사람들의 유형과 그들의 특성을 발견할 수 있습니다.

군집화를 실시해 위의 그림과 같은 결과를 얻었다면 잠정적으로 마케팅 캠페인에 반응하는 사람의 군집은 2개가 되므로 이들 군집에 속한 사람들의 특성을 분석하면 됩니다.

​

군집 문제의 예는 아래와 같습니다.

​

* 유사한 음악 취향을 가진 사용자를 묶습니다.

* 천문학 데이터를 이용해 유사한 특성을 가진 별을 찾습니다.

* 전자상거래 사용자가 좋아할 만한 물건을 추천합니다.

​

​

​

※ 오늘은 '군집화(Clustering)'에 대하여 알아보았습니다.

​

이 포스트는 학부에서 제공하는 기본적인 강의와 책들을 토대로 알기 쉽게 내용을 작성하였습니다. 하지만 계속 더 유익하고 논문 및 전문 서적을 읽어가며 더 추가돼야 할 내용이 있으면 인공지능, 머신러닝 포스트와 콘텐츠들을 계속 고도화하는 방식으로 진행하려고 합니다.

#인공지능 #컴퓨터공학 #AI #머신러닝 #Machinelearning #데이터사이언스 #Datascience #군집화 #Clustering

컴퓨터가 발명되면서 우리는 컴퓨터를 이용한 네트워크를 이용하는 것을 꿈꾸게 되었습니다. 기존의 라디오나 TV등은 정보수신기 역할만 하고 송신역할은 하지 못하였습니다. 직접 정보를 처리할 수는 있지만 정보를 만들어낼 수 있는 능력은 없었습니다.

반면에 컴퓨터는 정보처리, 수신, 송신들 이 모든 기능을 다 수행할 수 있었습니다. 이러한 다재다능한 기능덕분에 '실시간 대량 정보 전송'에 대하여 '양방향 정보 통신'의 길이 열리게 되었습니다. 대중매체에서 수용자는 일방적으로 정보를 수용할 수 밖에 없지만 인터넷 매체에서 수용자는 수용자인 동시에 정보 생산자가 될 수도 있습니다. UCC (User Creative Contents)는 정보 수용자임과 동시에 정보 생산자가 될 수 있음을 보여주는 대표적인 예입니다.

컴퓨터의 정보처리 기능은 방산, 군사 분야에서 먼저 쓰이기 시작했습니다. 2차 세계대전 시 연합군은 독일의 암호문(애니그마)을 컴퓨터 프로그램(M-209)을 이용하여 암호를 해독하여 승리를 할 수 있었습니다. 이처럼 컴퓨터는 빠른 데이터 처리 능력 덕분에 종전 이후에도 줄곧 군의 핵심 전술기기로 사용되었습니다. 컴퓨터들은 주로 정보처리의 효율성을 위해서 네트워크로 묶이게 되었습니다. 당시 네트워크로 묶기 위해 여러 각도에서 고심한 결과 분산형 네트워크 구조를 채택하게 되었습니다.

이러한 구조를 선택한 이유는 하나의 지휘 통제소가 공격을 받아서 통신 불능 상태가 되더라도 다른 경로들을 통해서 통신을 할 수 있다는 장점이 있기 때문입니다. 밑의 그림처럼 중앙집중형(centralized)의 네트워크 구조일 때 중앙에 있는 지휘 통제소가 통신 불능이 되면 모든 통신이 마비가 됩니다. 그러나 분산 네트워크(Distributed)로 구성하면 다른 여러 개의 지휘 통제소로 갈 수 있는 여러 경로가 생기기 때문에, 어떠한 공격을 해와도 안정적으로 대응을 할 수 있습니다.

군에서 사용하던 '분산형 네트워크 구조'는 인터넷에 도입되었습니다. 이 기술에 대량의 데이터를 주고받는 상업적인 용도의 네트워크 서비스를 위해서 패킷데이터 전송방식이 도입되는데, 이 기술들이 합쳐져서 최초의 시스템 ARPANET(알파넷)이 개발되었습니다. 일반적으로 알파넷을 인터넷의 전신이라고 합니다. 패킷 데이터 전송방식은 데이터를 통으로 보내지 않고, 작은 조각으로 쪼개고 나누어서 보냅니다. 이러한 방식은 여러 사용자가 동시에 데이터 통신으로 참여할 수 있어 네트워크를 대역폭으로 효율적으로 사용할 수 있습니다.

※ 오늘은 TCP/IP 소켓 프로그래밍에서 '인터넷의 역사 및 발전'에 대하여 알아보았습니다.

이 포스트는 학부에서 제공하는 기본적인 컴퓨터 공학 강의와 네트워크 프로그래밍 책들을 토대로 알기 쉽게 내용을 작성하였습니다. 하지만 계속 더 유익하고 논문 및 전문 서적을 읽어가며 더 추가돼야 할 내용이 있으면 TCP/IP 네트워크프로그래밍 포스트와 콘텐츠들을 계속 고도화하는 방식으로 진행하려고 합니다.

​

#컴퓨터공학 #TCPIP #소켓프로그래밍 #네트워크프로그래밍 #네트워크 #인터넷

1. 조건 (Condition)

주어진 조건에 따라 흐름을 나눌 때 사용하는 기호입니다. 여러 개의 조건 기호를 사용하는 경우, 가능한 '예'와 '아니오'의 흐름 방향을 통일 하는 것이 알고리즘을 이해하는데 유리합니다. 하지만 흐름을 항상 동일한 방향으로 나누면 연결선이 길어지거나 엉킬 수도 있고, 흐름도를 이해하기 어려울 수 있으므로 상황에 맞게 사용해야 합니다.

2. 함수 (Function)

함수나 서브루티(subroutine)을 표현하기 위해 사용하는 기호입니다. 함수와 서브루틴은 거의 동일한 의미로 사용되지만, C 언어에서는 서브루틴이라는 용어를 사용하지 않습니다. 함수를 시작할 때는 다른 기호와 구별되는 기호를 사용하지만, 함수의 끝에 해당하는 반환(return) 기호는 단말(terminal) 기호를 사용합니다. 함수의 시작뿐만 아니라 함수를 호출하기 위해서는 함수 기호를 사용합니다. 아래의 예제 점선은 실행의 흐름을 나타내기 위해 사용된 것이며, 실제 흐름도에서는 존재하지 않습니다.

3. 연결자 (Connector)

큰 흐름도를 여러 개의 흐름도로 나누어 표시하는 경우, 흐름도를 연결하기 위해 사용하는 기호입니다. 화살표로 연결하면 흐름도가 너무 복잡해지는 경우나 복잡한 흐름도를 여러 페이지에 걸쳐서 작성하는 경우에 사용합니다.

4. 주석 (Comment)

알고리즘과는 무관하게 흐름도 기호에 대한 설명을 추가하기 위해 사용하는 기호입니다.

5. 준비

기억 장소의 할당, 초깃값 설정 등의 초기화 과정을 나타내기 위해 사용하는 기호입니다.

6. 반복

특정 문장을 반복하여 수행하기 위해 사용하는 기호로, 표준 기호는 아닙니다. 반복 수행은 처리 기호와 조건 기호의 조합으로 나타낼 수도 있지만, 이 경우 반복 과정을 간단하게 나타낼 수 없는 경우가 많습니다. 반복 기호는 특히 C언어의 for 문장을 표시하기 위해 많이 사용됩니다.

​

또 다른 반복 문장인 while 문장이나 do-while문장의 경우에는 처리 기호와 조건 기호의 조합을 사용하는 것이 일반적입니다. 반복 기호의 위쪽 사각형에는 반복을 위한 조건을 기록하고, 아래쪽 사각형에는 반복적으로 수행할 문장을 기록합니다. 아래의 예제는 1부터 100까지의 정수를 더하는 알고리즘을 반복 기호를 사용하여 나타낸 예입니다.

이 포스트는 학부에서 제공하는 기본적인 컴퓨터 공학 강의와 책들을 토대로 알기 쉽게 내용을 작성하였습니다. 하지만 계속 더 유익하고 논문 및 전문 서적을 읽어가며 더 추가돼야 할 내용이 있으면 C 언어 프로그래밍 포스트와 콘텐츠들을 계속 고도화하는 방식으로 진행하려고 합니다.

​

#컴퓨터공학 #C언어 #C언어프로그래밍 #프로그램 #알고리즘 #컴퓨터의문제해결 #프로그래밍언어 #공대공부 #알고리즘이해 #흐름도 #flowchart #순서도 #의사코드

3) 흐름에 변화가 생겼을 때

​

일관된 흐름에 변화가 있을 때는 다음과 같은 용어들이 사용됩니다.

​

확대: 일정한 추세가 강화될 때 '확대'라고 표현합니다.

​

ex) 아파트 값이 3년째 계속 상승했다면 '아파트 상승세 확대'라고 표현할 수 있습니다.

​

축소: 일정한 추세가 약화될 때 '축소'라고 표현합니다.

​

ex) 주가가 오전에는 기관들의 주식 매수로 상승세를 이어갔는데, 오후 들어 외국인 투자자들의 매도로 인해 소폭 하락했을 경우, "주가, 상승세 축소"라고 표현할 수 있습니다.

​

반등: 일정한 하락세가 꺾이는 순간을 '반등'이라고 표현합니다.

​

ex) 유가가 5일 동안 계속해서 하락하다가 오늘 상승했다면 "유가, 엿새 만에 반등, 배럴당 70달러"라고 표현할 수 있습니다.

​

반락: 일정한 상승세가 꺾이는 순간을 '반락'이라고 표현합니다.

​

ex) 채권 가격이 5일 동안 계속해서 상승하다가 오늘 하락했다면 "채권값이 엿새 만에 반락, 외국인 매도 전환"이라고 표현할 수 있습니다.

​

조정: 과도하다고 여겨지는 추세가 적정 수준으로 되돌아갈 때 '조정'을 받았다고 표현합니다.

​

ex) 주가가 10일 연속 상승하다가 이틀 정도로 소폭 하락 했을때, "주가, 이틀째 조정"이라고 표현합니다.

​

오버슈팅: '오버슈팅'은 갑작스러운 이상 급등이나 급락을 말합니다. 장시간에 걸쳐 시장에 형성된 평균을 과도하게 넘어서는 현상을 가리킵니다. 오버슈팅은 일정 기간이 지나면 다시 시장 평균으로 돌아오는데 이를 '오버슈팅 되돌림'이라고 말합니다.

​

ex) 환율이 1,500원까지 급등했다가 계속해서 급락하면 "환율, 오버슈팅 되돌림 중"이라고 표현할 수 있습니다.

4) 시세의 방향성이 제한되는 경우

​

경제적 변수나 지수의 기술적 변수에 의해 시세의 방향성이 제한될 때 다음과 같이 표현합니다.

​

상방경직성: 지수의 상승세가 변수에 막혀 지속될 수 없는 경우 '상방경직성'이라고 합니다. 주로 지수의 기술적 분석인 ​저항선과 함께 쓰입니다.

​

※ 저항선은 주가의 상승이 저항을 받는 주가지수선을 의미합니다.

​

하방경직성: 지수의 하락세가 변수에 막혀 지속될 수 없는 경우 '하방경직성'이라고 합니다. 주로 지수의 기술적인 분석인 지지선과 함께 쓰입니다.

​

※ 지지선은 주가의 하락이 지지하는 주가지수선을 의미합니다.

​

​

지금까지 시세에 관련된 표현을 정리해보았습니다. 일반적으로 주식 시장상황 및 경제기사를 읽는데 있어서 사용되는 표현을 기준으로 설명해 보았습니다.

​

※ 오늘도 쉽고 재밌게 주식용어 공부를 통해 '시세에 관련된 용어'시리즈를 마쳤습니다 . 다음 포스트에서는 주식 거래에 관련된 용어들을 더욱 세부적으로 다룰 예정입니다.

​

#주식공부 #주식용어공부 #주식초보 #주식투자 #경제공부 #금융공부 #쉽고재밌게공부 #공부정리 #네이버증권 #해외지수 #코스닥 #코스피