Data-driven decision-making approaches for information systems through machine learning

다국어 초록 (Multilingual Abstract)

In the information age, data-driven decision-making has emerged as a critical paradigm for enhancing the intelligence and efficiency of modern information systems. This thesis explores the use of machine learning and its computational capabilities to analyze complex real-world data structures, aiming to support more informed and effective decision-making. Traditional decision-making methods, which are often based on static rules, human intuition, or technical experts, are increasingly struggling to cope with the scale, complexity, and dynamism of contemporary data environments. Machine learning (ML) offers a robust solution by enabling systems to identify patterns, extract meaningful insights, and adapt to non-stationary environments through the analysis of large-scale, heterogeneous datasets collected from real-world operational settings, thereby enhancing generalization, robustness, and real-world adaptability.
The thesis explores the application of machine learning techniques—including text classification, linear lasso regression, and multimodal models that integrate image clas-
sification and multilayer perceptron—to real-world scenarios in order to support system optimization, predictive analytics, and automated decision-making. The first work proposes an intelligent marketing platform based on media text classification to better match influcers with advertisers. The second work performs linear lasso regression to predict kidney function of deceased donor kidney transplant recipients to help understand disease outcomes. The third work also develops a multimodal model that combines convolutional neural network and multilayer perceptron for the auxiliary diagnosis of brain atrophy, which helps clinicians automatically detect brain atrophy in the young population.
By integrating ML, information systems can evolve from passive, rule-based tools into intelligent platforms capable of proactive, adaptive, and autonomous decision-making. This transformation is driven by the ability of ML algorithms to learn from complex, real-world data and respond dynamically to changing conditions. The study highlights the challenges, and strategies of ML-driven decision-making in various domains, such as marketing, and healthcare, ultimately demonstrating its transformative potential for data-intensive environments.

국문 초록 (Abstract)

정보화 시대에 들어서면서 데이터 기반 의사결정(Data-Driven Decision-Making, DDDM)은 현대 정보시스템의 지능화와 효율성 향상을 위한 핵심 패러다임으로 부상 하였다. 본 학위논문은 기계학습과 그 계산적 역량을 활용하여 복잡한 현실 세계의 데이터 구조를 분석함으로써, 보다 합리적이고 효과적인 의사결정을 지원하는 것을 목표로 한다. 정적인 규칙, 인간의 직관, 또는 전문가의 경험에 의존하는 전통적인 의 사결정 방식은 오늘날 데이터 환경이 요구하는 규모, 복잡성, 그리고 동적 변화에 점차 대응하기 어려워지고 있다. 기계학습(ML)은 실제 운영 환경에서 수집된 대규모 · 이 질적 데이터셋을 분석하여 패턴을 발견하고 의미 있는 통찰을 도출하며, 비정상(non-stationary) 환경에 적응할 수 있게 함으로써 일반화 성능, 강건성, 그리고 현실 적용성을 향상시키는 강력한 대안을 제공한다.
본 논문은 시스템 최적화, 예측 분석, 자동화된 의사결정을 지원하기 위해 텍스트 분류, 선형 라쏘(LASSO) 회귀, 그리고 이미지 분류와 다층 퍼셉트론(MLP)을 결합한 멀티모달 모델 등 다양한 기계학습 기법을 실제 문제에 적용한다. 첫 번째 연구에서는 미디어 텍스트 분류에 기반한 지능형 마케팅 플랫폼을 제안하여 인플루언서와 광고 주 간의 매칭 효율을 향상시키고자 한다. 두 번째 연구에서는 선형 라쏘 회귀를 통해 사망 공여자 신장이식을 받은 수혜자의 신장 기능을 예측함으로써, 질병 결과를 이해
하고 의사결정에 도움을 주고자 한다. 세 번째 연구에서는 합성곱 신경망(CNN)과 다층 퍼셉트론을 결합한 멀티모달 모델을 개발하여 뇌 위축의 보조 진단을 수행하며, 특히 젊은 인구 집단에서 임상의가 뇌 위축을 보다 자동화된 방식으로 탐지할 수 있도록 지원한다.
기계학습을 정보시스템에 통합함으로써, 정보시스템은 수동적이고 규칙 기반의 도 구에서 벗어나 선제적이고 적응적이며 자율적인 의사결정을 수행할 수 있는 지능형 플랫폼으로 발전할 수 있다. 이러한 전환은 기계학습 알고리즘이 복잡한 현실 세계의 데이터로부터 학습하고, 변화하는 조건에 동적으로 대응할 수 있기 때문에 가능하다. 본 연구는 마케팅과 헬스케어 등 다양한 도메인에서 기계학습 기반 의사결정이 직면 하는 과제와 이를 해결하기 위한 전략을 제시하며, 데이터 집약적 환경에서 DDDM의
변혁적 잠재력을 실증적으로 보여준다.

목차 (Table of Contents)

• 1 Introduction 1
• 1.1 Motivation 2
• 1.2 Framework 4
• 2 An Intelligent Marketing Platform with Influencer Classification in Social Networking Services 8
• 2.1 Introduction 9
• 2.2 Related Work 13
• 2.3 Problem formulation 17
• 2.4 Dataset 19
• 2.5 Method 23
• 2.5.1 Text classification model 23
• 2.5.2 Data preprocessing 24
• 2.5.3 Input embedding 25
• 2.5.4 Loss function 26
• 2.5.5 Comprehensive influence indicators 27
• 2.6 Experiment 28
• 2.6.1 Experiment setup 28
• 2.6.2 Evaluation metrics 29
• 2.6.3 Performance 30
• 2.6.4 Implementation of the Influencer Marketing Platform 33
• 2.6.5 Evaluation of the Influencer Marketing Platform 35
• 2.7 Summary 37
• 3 Prediction of kidney function in deceased donor kidney transplant recipients 39
• 3.1 Introduction 40
• 3.2 Data Source and Population 43
• 3.3 Methods 43
• 3.3.1 Study Design 43
• 3.3.2 Variables 46
• 3.3.3 Main Outcomes 46
• 3.3.4 Data preprocessing 47
• 3.3.5 Feature selection 47
• 3.3.6 Prediction Models 48
• 3.4 Results 50
• 3.4.1 Model tuning 50
• 3.4.2 Feature importance 50
• 3.4.3 Performance 51
• 3.5 Discussion 53
• 3.6 Summary 55
• 4 A Detection Scheme of Cerebral Atrophy on Brain Computed Tomography Images Using a Deep-Learning Model 57
• 4.1 Introduction 58
• 4.2 Related Work 59
• 4.3 Dataset 61
• 4.4 Method 61
• 4.4.1 Data preprocessing 63
• 4.4.2 CNN models 63
• 4.4.3 Multimodal model 63
• 4.4.4 Visual explanation 64
• 4.5 Implementation 65
• 4.5.1 Experiment setup 65
• 4.5.2 Evaluation metrics 65
• 4.6 Performance 65
• 4.6.1 Confusion Matrix 66
• 4.6.2 Visualization of the prediction of Model 67
• 4.7 Summary 68
• 5 Conclusion 70
• References 74
• A SNS Appendix 91
• A.1 Instagram graph API functions 91
• B KT Appendix 93
• 초 록 98