경영학자들의 경영 자문을 통한 산학협동: 한국경영학회의 경영 자문사업 사례

한인구(Ingoo Han),정양헌(Yanghon Chung),윤상필(Sangpil Yoon) 한국경영학회 2021 Korea Business Review Vol.25 No.4

본 연구에서는 경영학자들이 참여한 한국경영학회의 경영 자문사업 사례를 분석하였다. 이를 통해 전문 컨설턴트 및 경영자문단과 차별화된 경영학자 경영 자문의 특징을 발견하고, 이러한 경영학자의 경영 자문 활동이 하나의 산학협력 방안으로 작용할 수 있도록 추진 방향을 제시하였다. 벤처기업 및 중소기업의 경우 고가 컨설팅회사의 경영 자문을 받는 것은 현실적으로 어렵다. 이에 한국경영학회는 벤처기업 및 중소기업의 경쟁력 제고를 위해 2017~2018년 동안 경영자문위원회를 신설하여 경영 자문사업을 진행하였다. 한국경영학회는 벤처기업협회 및 IBK기업과 협력하여 기관이 선정한 유망 중소기업에 대해, 자문 희망분야 및 현안에 적합한 경영학자를 할당하였다. 자문 기간은 6개월로 경영학자는 주 1회 기업을 방문하여 자문하는 것을 원칙으로 진행하였고, 자문 종료 후 자율적으로 2차 자문을 요청 및 수행할 수 있도록 하였다. 한국경영학회의 경영 자문 사례에서 나타난 경영학자 경영 자문의 특징은 다음과 같다. 기업의 현장 이슈에 관련된 강의 수요가 존재한다는 것과 장기적 관점에서 기업경영 방향에 대한 교육수요에 대응하였다는 점이다. 이 외에도 경영학자는 이론적으로 타당한 경영시스템, 사례에 기초한 성공적 경영방식 등의 지식을 통해 보편적이고 현장맞춤형 해결책을 제시하였다. 자문 기간 및 진행 과정 또한 6개월 이상으로 단기간의 해결책이 아닌 장기간 경영 자문을 수행하여, 경영시스템을 근본적으로 개선한 경영전략 방향성을 자문하였다. 이러한 경영학자의 경영 자문은 성과의 불확실성과 적은 보수에 따른 경영 자문 의욕의 저하가 나타날 수 있다. 또한, 즉각적이고 구체적인 해결방안을 바라는 기업에 대해 낮은 빈도로 장기간 지속하는 경영학자의 자문은 부적합 할 수도 있다. 그러나 경영 자문 활동 이외에도 자문 사례를 통한 연구성과 및 조교와 인턴십을 활용한 인재-일자리 확보 등을 통해 점차 바람직한 산학협력의 일환으로 자리 잡을 수 있을 것이다. 이러한 경영학자의 경영 자문이 안정적으로 자리 잡기 위해서는 벤처기업 및 중소기업과 관련된 유관기관의 긴밀한 협력 및 지원이 필요하고, 이에 관한 실증적 연구가 이루어져야 할 것이다. In this study, the case of management consulting project of the Korean Academic Society of Business Administration was analyzed in which business scholars participated. Through this, the characteristics of management consulting by business scholars were discovered and directions for future promotion were suggested. The Korean Academic Society of Business Administration conducted management consulting projects from 2017 to 2018. Business scholars were assigned to advise on promising SMEs selected by the Korea Venture Business Association and Industrial Bank of Korea. The characteristics shown in the above case are as follows. There is a demand for lectures related to corporate field issues. Business scholars responded to this demand for education. Moreover, business scholars consulted on theoretical management systems and successful management methods based on cases. They worked on solving fundamental problems by conducting management consulting for over 6 months. In addition to management consulting in the future, it is expected to increase research performance through advisory cases and secure human resources and jobs using students. Through this, these activities can be established as desirable industry-university cooperation. In order for these activities to be stably established, cooperation and support from organizations are required, and empirical research on this should be conducted.

COVID-19 환경에서 전망이론에 근거한 직원들의 사용자 주도 정보기술에 대한 저항에 관한 사례연구

이윤수(YoonSoo Lee),한인구(Ingoo Han) 한국경영학회 2022 Korea Business Review Vol.26 No.2

M회사는 2017년부터 SSIT의 도입을 추진해 왔다. M회사의 SSIT의 도입은 잘 이루어 지지 않고 있었는데 COVID-19의 영향으로 실적이 악화된 본부들에서 2020년 중반부터 SSIT의 도입이 활성화 되기 시작하였다. 본 연구는 M회사의 사례연구를 통해 전망이론을 기반으로 COVID-19의 영향이 SSIT의 도입을 촉진한 원인을 설명하고자 한다. COVID-19으로 실적이 악화된 본부의 직원들은 기존의 KPI를 달성할 가능성이 낮아져서 손실영역에 속하게 되어 손실회피와 위험추구성향에 의해 SSIT의 도입을 적극적으로 추진하였다. 한편 실적이 유지 또는 개선된 본부의 직원들은 기존의 KPI를 달성할 가능성이 높아서 이익영역에 속하게 되어 확실성 효과와 위험회피성향에 의해 기존 KPI를 우선적으로 추구하고 SSIT의 도입에 대한 KPI를 추구하지 않았다. SSIT의 성공적인 도입을 위해 기업은 SSIT의 도입에 대한 상대적 보상을 제고하여 직원들의 위험회피성향을 상쇄시킬 수 있다. 또한 SSIT의 활용을 위한 교육 및 지원을 강화하여 직원들이 인식하는 관련 KPI를 달성할 확률을 높임으로써 혁신저항을 낮출 수 있다. 마지막으로 관련된 직원들의 KPI를 일시적으로 SSIT의 도입에 대한 것으로 일원화 함으로써 SSIT의 도입을 촉진할 수 있을 것이다. Company M has tried to adopt self-service information technologies (SSIT) since 2017. The adoption of SSIT within Company M has been slow. However, the adoption of SSIT in the departments whose performance deteriorated under the influence of COVID-19 has been activated since mid-2020. This study analyzes the case of Company M and explains why the adoption of SSIT in some departments has been activated under the COVID-19 using the prospect theory. The employees of the departments whose performance became worse got into the loss domain and tried to adopt SSIT actively by loss aversion and risk taking tendency. On the other hand, the employees of the department whose performance were as expected got into the gain domain and tried to pursue the existing KPI rather than the new KPI for SSIT by the certainty effect and risk aversion tendency. For the successful adoption of SSIT, the compensation for the adoption of SSIT should be upgraded to overcome the risk aversion of employees. The training and support for SSIT should be strengthened to reduce the innovation resistance by enhancing the likelihood of attaining the KPI for SSIT. The KPI of related employees may be temporarily integrated into the KPI for SSIT to promote the adoption of SSIT.

라오스와 공존공영하는 KOLAO그룹

김종배(Jongbae Kim),한인구(Ingoo Han) 한국경영학회 2018 Korea Business Review Vol.22 No.1

해외시장 개척은 지리적, 경제적, 문화적 한계를 벗어나 보다 큰 성장을 할 수 있는 하나의 대안이다. 그렇지만 이를 실천에 옮기기란 결코 쉽지 않다. 익숙한 국내시장과 다르게 해외시장에서는 불리한 여건, 그리고 여러 낯선 환경과 당면하게 된다. 따라서 국내에서 기업을 창업하고 이를 성장시키는 것보다 몇 곱절 더 어려움을 겪게 된다. 코라오그룹은 오세영 회장이 해외시장에서, 그리고 그것도 우리에게 생소한 라오스에서 창업하고 이를 지난 20년 동안 꾸준히 성장시켜왔다. 많은 자본을 가지고 시작한 것도 아니고, 특별한 기술력이 기반이 된 것도 아니다. 그렇기에 코라오그룹의 사례는 오늘날 미지의 땅에서 새로운 도전을 꿈꾸는 평범한 사람들에게 더욱 많은 시사점을 제공한다. 여기서는 우선 코라오홀딩스를 중심으로 한 기업 재무분석을 하겠다(양적 분석). 그런 다음 코라오그룹이 현재의 성장에 이르기까지 어떠한 요인들이 중요한 작용을 하였는지에 대해 살펴보겠다(질적 분석). 마지막으로 코라오그룹의 향후 목표와 그에 따른 과제에 대해서도 살펴보겠다. 사례 분석을 위한 이론적 틀은 Rosabeth Moss Kanter의 3Cs(Concepts, Competence and Connections)에 근거하고 있다. 코라오그룹이 해외에서 경험하여 취득한 소중한 정보와 경험은 훗날 이와 유사한 궤적을 도모하려는 수많은 도전자들의 시행착오를 줄여주고 보다 나은 의사결정을 내리는데 도움이 될 것이다. Considering such circumstances as geography, population, economy, politics, etc., the chance of growth in Korean market is somewhat limited. Therefore, it is important to pull oneself out from Korea and find opportunities in larger markets. Especially considering the situation of economic stagnation and insufficient employment, these attempts are meaningful to young generation. Of course it is challenging to move to actual practice since lots of unfavorable and uncomfortable condition is likely to be encountered in foreign markets. KOLAO Group built up by Chairman Sei-Young Oh has continuously grown in Laos. It did not begin with lots of capital and was not based on technological superiority. For this reason, KOLAO Group is a meaningful example for people equipped with insufficient fund and meager knowledge. In this paper, we begin with financial analysis focusing on KOLAO Holdings (namely, Quantitative Analysis). We then investigate what factors have been important in the growth (namely, Qualitative Analysis). Finally, we examine the future directions of KOLAO Group. Theoretical framework is based upon Rosabeth Moss Kanter’s 3Cs(Concepts, Competence, and Connections). The valuable information and experiences which KOLAO Group has acquired in overseas markets is very helpful for challengers dreaming and targeting similar objectives to minimize errors and as well as to make better decisions.

KOLAO그룹(현 LVMC홀딩스)의 그 후 5년: 2차 도약을 위한 발판의 마련

김종배(Jongbae Kim),한인구(Ingoo Han) 한국경영학회 2023 Korea Business Review Vol.27 No.2

라오스에서 기업을 창업해서 성장시킨 KOLAO그룹의 사례 연구를 2017년 수행한 바 있다. 이를 통해 라오스의 흥미로운 시장 요소들을 살펴보았다. 본 사례는 그로부터 5년이 지난 지금, KOLAO그룹의 변화된 모습을 살펴보는데 목적이 있다. 이러한 추적 조사는 기업 전략과 그에 따른 성과를 시간적 흐름에 따라 파악한다는 점에서 기업의 심층 이해에 도움이 된다. 최근 수 년간 세계 경제는 코비드19, 유가 및 원자재 상승, 인플레이션, 고용불안, 우크라이나-러시아 전쟁 등으로 인해 어려운 상황이다. 이에 더해 미얀마 사태, 라오스 국가부도 위기 등으로 동남아시아 상황은 더욱 비관적이다. 이러한 악조건에서도 KOLAO그룹은 성장을 도모하고 있다. 우선 2018년 기업명을 LVMC홀딩스로 바꾸고, 주변국가에 사업을 본격 확대하였다. 또한 라오스에서 소매유통, O2O 플랫폼 등의 신사업을 본격 추진 중이다. 불황에서 기업들 대부분은 축소 및 안전 경영을 추구한다. 이에 비해 LVMC홀딩스는 오히려 공격적 성장전략을 취하고 있다. 물론 경영자 의지와 노력만으로 성공이 담보되는 것은 아니다. 통제가 어려운 시장 상황의 전개에 따라 기업 성과는 얼마든 달라질 수 있다. 사례 연구는 특정 시점 시장 상황에서의 어떤 기업에 대한 내용을 종합적으로 정리하는 것이다. 그렇기에 사례 연구의 내용을 일반화하기는 어렵다. 시간적 격차를 두고 두 차례에 걸쳐 수행된 이러한 일련의 연구는 사례 연구의 한계를 조금이나마 극복할 것으로 기대된다. 본 연구가 향후 동남아시장에 도전하려는 후발 주자에게 유용한 정보로 활용되기를 바란다. Five years ago, we studied the case of KOLAO Group, which was founded and grew up in Laos, and derived success factors in the Lao market. The purpose of this study is to look into the changes in the KOLAO Group during the last five years. Such follow-up research helps to understand the company in-depth in that it is possible to grasp the strategic decision-making of the company and its performance at a time interval. The world economy has been in recession over the past few years (e.g., COVID-19, rising oil prices, inflation, job insecurity, Ukraine-Russia war, etc.). In addition, the situation in Southeast Asia was even worse (e.g., Myanmar insurgency, Laos bankruptcy crisis). It is found that the KOLAO Group is promoting the growth strategy despite these unfavorable conditions. In 2018, the company name was changed to LVMC Holdings. LVMC Holdings expanded its business to the Indochina Peninsula. It is also pursuing new business in Laos (e.g., retail distribution, O2O platform). In a recession, most companies shrink or seek stable management. On the contrary, LVMC Holdings is taking an aggressive growth strategy. Of course, success is not guaranteed by a companys will and effort alone. This is because a companys performance can be sufficiently different depending on the change of market conditions that are difficult for a company to control. Regardless of the outcome of success, the review of this process, that is, the analysis on the challenging spirit and passion, will be invaluable information for many contenders who enter the Southeast Asian market in the future.

디자인사고 사례연구 및 실행방법론

양상근(SangGuen Yang),한인구(Ingoo Han) 한국경영학회 2021 Korea Business Review Vol.25 No.1

급변하는 환경하에서 기업들은 당면한 문제를 해결하기 위하여 혁신을 추구해 왔다. 많은 기업들이 혁신을 실행할 방법을 탐색하고 있다. 최근 미국 및 유럽에서 실행을 강조하는 방법론인 디자인사고를 혁신의 도구로 활용해서 성과를 내는 사례가 증가하고 있다. 디자인사고는 본래 디자이너들의 창의적인 문제를 풀기 위하여 시작되었지만 2000년대 이후에는 경영의 문제를 해결하기 위해 활용되기 시작하였다. 본 연구는 디자인사고를 경영문제를 풀기 위해 활용하는 세 기업의 사례를 분석하고 이 사례로부터 시사점을 도출할 것이다. 사례연구의 결과를 토대로 한국 기업들이 디자인사고를 실행하기 위하여 적용할 수 있는 3단계 방법론을 제시할 것이다. 3단계 방법론은 디자인사고를 준비하는 단계, 디자인사고를 문제해결을 위해 적용하는 단계, 디자인 사고의 문화를 정착시키고 외부에 확산하는 단계로 구성되어 있다. 이 연구의 기여는 한국의 경영자들이 디자인사고를 적용할 때 참고할 수 있는 실제 사례 및 실행방법론을 제시한 것이다. Companies pursue innovations to meet the business challenges they encounter in a rapid changing environment. Many companies are searching for the ways on how to implement the innovation. Recently in the US and Europe, there has been a number of successful cases that utilize design thinking for innovation, which is emphasizing actual implementations. The design thinking used to solve the creative problems for designers while the design thinking has been applied in business field since 2000’s. This study analyzes three real cases which use design thinking to solve business problems and induced the implications from these cases. Based on the results from these cases, this study provides a three-stage methodology for implementing the design thinking for Korean companies. Three stages proposed in this study are the preparation stage for initiating design thinking, the applying stage where company uses design thinking for problem solving, and the proliferation stage where the design thinking dwells as corporate culture and proliferates the phenomenon outside the company. The contribution of this study is to provide managers of Korean companies with three real cases and implementation methodology which they can refer to when they are adopting design thinking for solving their business problems.

옐로모바일의 성공 및 실패에 대한 사례연구

신효섭(Hyo-Seop Shin),한인구(Ingoo Han),박성혁(Sung-Hyuk Park) 한국경영학회 2021 Korea Business Review Vol.25 No.2

본 연구는 주식교환 M&A 방식을 통해 성장한 옐로모바일의 사례를 연구하고 성공 및 실패의 과정 및 요인을 분석하였다. 옐로모바일이 탄생할 수 있었던 배경인 주식교환 M&A 방식의 효과 및 모바일 서비스 산업에서 벤처기업들의 네트워크 형성을 통한 시너지 창출에 대해 검토하였다. 옐로모바일은 쿠팡에 이어 우리나라에서 2번째 유니콘이 되어 성장전략은 1차적으로 성공하였다. 그러나 옐로모바일의 재무제표를 토대로 재무상태와 경영성과를 분석한 결과 2017년 이후 추락하고 있다. 부분적으로 광고와 헬스케어 분야 종속기업들만 코스닥 상장기업으로서 사업을 성공적으로 진행해 가고 있다. 성공을 지속하지 못한 요인을 세 가지로 파악하였다. 첫째, 관리능력이 부족하고 내부통제가 부실하였다. 둘째, 창업자들 간의 이해관계가 상충되어 효과적인 시너지를 내지 못하였다. 셋째, 인수합병을 통한 성장전략에만 치중하여 기업의 본질적 가치와 내실을 추구하지 못하였다. 한편 국내 코스닥거래소에 성공적으로 상장했던 광고 및 헬스케어 사업부문에 대해서 상장 진행 과정을 분석하고, 해당 사업성과를 설명하였다. 옐로모바일의 재무제표는 공시된 자료를 토대로 분석하였는데 2017년 이후 감사인의 의견거절을 받아 해당 자료의 신뢰성이 저하되었다. 그 외 상장기업으로 자료가 공시되는 퓨쳐스트림네트웍스 및 케어랩스에 대해서는 공시된 자료를 토대로 분석하였다. 모바일플랫폼을 지향하며 2010년대 급속히 성공했으나 성공을 지속하지 못한 옐로모바일의 사례는 벤처기업의 창업자 및 경영자들에게 실패를 예방하고 성공을 지속하기 위한 시사점을 제공할 것이다. This study has analyzed the case of success and failure of Yello Mobile, which grew through the stock exchange M&A. This study examined the benefits of stock exchange method which was the key behind the rapid growth of Yello Mobile and explained why ventures aim to create synergy through network formation in the mobile service industry. Yello Mobile grew up to be the second Unicorn in Korea and was successful in the early period while the analysis on financial statements of Yello Mobile showed that its financial performance has been a failure since 2017. Some of Yello Mobile’s subsidiary companies in the advertising and healthcare sectors have been successfully listed at the KOSDAQ market. The reasons for the failure of Yello Mobile may be summarized in the three ways. First, the management capability and internal control of Yello Mobile were weak. Second, there was no effective synergy due to conflicting interests among founders. Third, focusing only on growth strategies through M&A, it failed to pursue fundamental corporate value. On the other hand, Future Stream Networks and Carelabs are the two successful cases of IPO and operating in advertising and healthcare sectors. The case of Yello Mobile, which experienced the rapid success and failure in 2010’s, provides useful implications for the founders and managers of start-ups to prevent the failure and continue to grow.

기계학습을 이용한 수출신용보증 사고예측

조재영(Cho, Jaeyoung),주지환(Joo, Jihwan),한인구(Han, Ingoo) 한국지능정보시스템학회 2021 지능정보연구 Vol.27 No.1

2020년 8월 정부는 한국판 뉴딜을 뒷받침하기 위한 공공기관의 역할 강화방안으로서 각 공공기관별 역량을 바탕으로 5대 분야에 걸쳐 총 20가지 과제를 선정하였다. 빅데이터(Big Data), 인공지능 등을 활용하여 대국민 서비스를 제고하고 공공기관이 보유한 양질의 데이터를 개방하는 등의 다양한 정책을 통해 한국판 뉴딜(New Deal)의 성과를 조기에 창출하고 이를 극대화하기 위한 다양한 노력을 기울이고 있다. 그중에서 한국무역보험공사(KSURE)는 정책금융 공공기관으로 국내 수출기업들을 지원하기 위해 여러 제도를 운영하고 있는데 아직까지는 본 기관이 가지고 있는 빅데이터를 적극적으로 활용하지 못하고 있는 실정이다. 본 연구는 한국무역보험공사의 수출신용보증 사고 발생을 사전에 예측하고자 공사가 보유한 내부 데이터에 기계학습모형을 적용하였고 해당 모형 간에 예측성과를 비교하였다. 예측 모형으로는 로지스틱(Logit) 회귀모형, 랜덤 포레스트(Random Forest), XGBoost, LightGBM, 심층신경망을 사용하였고, 평가 기준으로는 전체 표본의 예측 정확도 이외에도 표본별 사고 확률을 구간으로 나누어 높은 확률로 예측된 표본과 낮은 확률로 예측된 경우의 정확도를 서로 비교하였다. 각 모형별 전체 표본의 예측 정확도는 70% 내외로 나타났고 개별 표본을 사고 확률 구간별로 세부 분석한 결과 양 극단의 확률구간(0~20%, 80~100%)에서 90~100%의 예측 정확도를 보여 모형의 현실적 활용 가능성을 보여주었다. 제2종 오류의 중요성 및 전체적 예측 정확도를 종합적으로 고려할 경우, XGBoost와 심층신경망이 가장 우수한 모형으로 평가되었다. 랜덤포레스트와 LightGBM은 그 다음으로 우수하며, 로지스틱 회귀모형은 가장 낮은 성과를 보였다. 본 연구는 한국무역보험공사의 빅데이터를 기계학습모형으로 분석해 업무의 효율성을 높이는 사례로서 향후 기계학습 등을 활용하여 실무 현장에서 빅데이터 분석 및 활용이 활발해지기를 기대한다. The government recently announced various policies for developing big-data and artificial intelligence fields to provide a great opportunity to the public with respect to disclosure of high-quality data within public institutions. KSURE(Korea Trade Insurance Corporation) is a major public institution for financial policy in Korea, and thus the company is strongly committed to backing export companies with various systems. Nevertheless, there are still fewer cases of realized business model based on big-data analyses. In this situation, this paper aims to develop a new business model which can be applied to an ex-ante prediction for the likelihood of the insurance accident of credit guarantee. We utilize internal data from KSURE which supports export companies in Korea and apply machine learning models. Then, we conduct performance comparison among the predictive models including Logistic Regression, Random Forest, XGBoost, LightGBM, and DNN(Deep Neural Network). For decades, many researchers have tried to find better models which can help to predict bankruptcy since the ex-ante prediction is crucial for corporate managers, investors, creditors, and other stakeholders. The development of the prediction for financial distress or bankruptcy was originated from Smith(1930), Fitzpatrick(1932), or Merwin(1942). One of the most famous models is the Altman"s Z-score model(Altman, 1968) which was based on the multiple discriminant analysis. This model is widely used in both research and practice by this time. The author suggests the score model that utilizes five key financial ratios to predict the probability of bankruptcy in the next two years. Ohlson(1980) introduces logit model to complement some limitations of previous models. Furthermore, Elmer and Borowski(1988) develop and examine a rule-based, automated system which conducts the financial analysis of savings and loans. Since the 1980s, researchers in Korea have started to examine analyses on the prediction of financial distress or bankruptcy. Kim(1987) analyzes financial ratios and develops the prediction model. Also, Han et al.(1995, 1996, 1997, 2003, 2005, 2006) construct the prediction model using various techniques including artificial neural network. Yang(1996) introduces multiple discriminant analysis and logit model. Besides, Kim and Kim(2001) utilize artificial neural network techniques for ex-ante prediction of insolvent enterprises. After that, many scholars have been trying to predict financial distress or bankruptcy more precisely based on diverse models such as Random Forest or SVM. One major distinction of our research from the previous research is that we focus on examining the predicted probability of default for each sample case, not only on investigating the classification accuracy of each model for the entire sample. Most predictive models in this paper show that the level of the accuracy of classification is about 70% based on the entire sample. To be specific, LightGBM model shows the highest accuracy of 71.1% and Logit model indicates the lowest accuracy of 69%. However, we confirm that there are open to multiple interpretations. In the context of the business, we have to put more emphasis on efforts to minimize type 2 error which causes more harmful operating losses for the guaranty company. Thus, we also compare the classification accuracy by splitting predicted probability of the default into ten equal intervals. When we examine the classification accuracy for each interval, Logit model has the highest accuracy of 100% for 0~10% of the predicted probability of the default, however, Logit model has a relatively lower accuracy of 61.5% for 90~100% of the predicted probability of the default. On the other hand, Random Forest, XGBoost, LightGBM, and DNN indicate more desirable results since they indicate a higher level of accuracy for both 0~10% and 90~100% of the predicted probability of the default but have a lower level of accur

딥러닝 오픈소스 프레임워크의 사례연구를 통한 도입 전략 도출

최은주(Eunjoo Choi),이준영(Junyeong Lee),한인구(Ingoo Han) 한국지능정보시스템학회 2020 지능정보연구 Vol.26 No.4

많은 정보통신기술 기업들은 자체적으로 개발한 인공지능 기술을 오픈소스로 공개하였다. 예를 들어, 구글의 TensorFlow, 페이스북의 PyTorch, 마이크로소프트의 CNTK 등 여러 기업들은 자신들의 인공지능 기술들을 공개하고 있다. 이처럼 대중에게 딥러닝 오픈소스 소프트웨어를 공개함으로써 개발자 커뮤니티와의 관계와 인공지능 생태계를 강화하고, 사용자들의 실험, 적용, 개선을 얻을 수 있다. 이에 따라 머신러닝 분야는 급속히 성장하고 있고, 개발자들 또한 여러가지 학습 알고리즘을 재생산하여 각 영역에 활용하고 있다. 하지만 오픈소스 소프트웨어에 대한 다양한 분석들이 이루어진 데 반해, 실제 산업현장에서 딥러닝 오픈소스 소프트웨어를 개발하거나 활용하는데 유용한 연구 결과는 미흡한 실정이다. 따라서 본 연구에서는 딥러닝 프레임워크 사례연구를 통해 해당 프레임워크의 도입 전략을 도출하고자 한다. 기술-조직-환경 프레임워크를 기반으로 기존의 오픈 소스 소프트웨어 도입과 관련된 연구들을 리뷰하고, 이를 바탕으로 두 기업의 성공 사례와 한 기업의 실패 사례를 포함한 총 3 가지 기업의 도입 사례 분석을 통해 딥러닝 프레임워크 도입을 위한 중요한 5가지 성공 요인을 도출하였다: 팀 내 개발자의 지식과 전문성, 하드웨어(GPU) 환경, 데이터 전사 협력 체계, 딥러닝 프레임워크 플랫폼, 딥러닝 프레임워크 도구 서비스. 그리고 도출한 성공 요인을 실현하기 위한 딥러닝 프레임워크의 단계적 도입 전략을 제안하였다: 프로젝트 문제 정의, 딥러닝 방법론이 적합한 기법인지 확인, 딥러닝 프레임워크가 적합한 도구인지 확인, 기업의 딥러닝 프레임워크 사용, 기업의 딥러닝 프레임워크 확산. 본 연구를 통해 각 산업과 사업의 니즈에 따라, 딥러닝 프레임워크를 개발하거나 활용하고자 하는 기업에게 전략적인 시사점을 제공할 수 있을 것이라 기대된다. Many companies on information and communication technology make public their own developed AI technology, for example, Google"s TensorFlow, Facebook"s PyTorch, Microsoft"s CNTK. By releasing deep learning open source software to the public, the relationship with the developer community and the artificial intelligence (AI) ecosystem can be strengthened, and users can perform experiment, implementation and improvement of it. Accordingly, the field of machine learning is growing rapidly, and developers are using and reproducing various learning algorithms in each field. Although various analysis of open source software has been made, there is a lack of studies to help develop or use deep learning open source software in the industry. This study thus attempts to derive a strategy for adopting the framework through case studies of a deep learning open source framework. Based on the technology-organization-environment (TOE) framework and literature review related to the adoption of open source software, we employed the case study framework that includes technological factors as perceived relative advantage, perceived compatibility, perceived complexity, and perceived trialability, organizational factors as management support and knowledge & expertise, and environmental factors as availability of technology skills and services, and platform long term viability. We conducted a case study analysis of three companies" adoption cases (two cases of success and one case of failure) and revealed that seven out of eight TOE factors and several factors regarding company, team and resource are significant for the adoption of deep learning open source framework. By organizing the case study analysis results, we provided five important success factors for adopting deep learning framework: the knowledge and expertise of developers in the team, hardware (GPU) environment, data enterprise cooperation system, deep learning framework platform, deep learning framework work tool service. In order for an organization to successfully adopt a deep learning open source framework, at the stage of using the framework, first, the hardware (GPU) environment for AI R&D group must support the knowledge and expertise of the developers in the team. Second, it is necessary to support the use of deep learning frameworks by research developers through collecting and managing data inside and outside the company with a data enterprise cooperation system. Third, deep learning research expertise must be supplemented through cooperation with researchers from academic institutions such as universities and research institutes. Satisfying three procedures in the stage of using the deep learning framework, companies will increase the number of deep learning research developers, the ability to use the deep learning framework, and the support of GPU resource. In the proliferation stage of the deep learning framework, fourth, a company makes the deep learning framework platform that improves the research efficiency and effectiveness of the developers, for example, the optimization of the hardware (GPU) environment automatically. Fifth, the deep learning framework tool service team complements the developers" expertise through sharing the information of the external deep learning open source framework community to the in-house community and activating developer retraining and seminars. To implement the identified five success factors, a step-by-step enterprise procedure for adoption of the deep learning framework was proposed: defining the project problem, confirming whether the deep learning methodology is the right method, confirming whether the deep learning framework is the right tool, using the deep learning framework by the enterprise, spreading the framework of the enterprise. The first three steps (i.e. defining the project problem, confirming whether the deep learning methodology is the right method, and confirming whether the deep learning framewo

시간, 비용, 품질을 반영한 프로젝트 통합 관리

안현철(Ahn, Hyunchul),김경재(Kim, Kyoungjae),한인구(Han, Ingoo) 국제e-비즈니스학회 2005 e-비즈니스 연구 Vol.6 No.2

러프집합분석을 이용한 매매시점 결정

허진영(Jin-nyung Huh),김경재(Kyoung-jae Kim),한인구(Ingoo Han) 한국지능정보시스템학회 2010 지능정보연구 Vol.16 No.3

매매시점결정은 금융시장에서 초과수익을 얻기 위해 사용되는 투자전략이다. 일반적으로, 매매시점 결정은 거래를 통한 초과수익을 얻기 위해 언제 매매할 것인지를 결정하는 것을 의미한다. 몇몇 연구자들은 러프집합분석이 매매시 점결정에 적합한 도구라고 주장하였는데, 그 이유는 이 분석방법이 통제함수를 이용하여 시장의 패턴이 불확실할 때에는 거래를 위한 신호를 생성하지 않는다는 점 때문이었다. 러프집합은 분석을 위해 범주형 데이터만을 이용하므로, 분석에 사용되는 데이터는 연속형의 수치값을 이산화하여야 한다. 이산화란 연속형 수치값의 범주화 구간을 결정하기 위한 적절한 “경계값”을 찾는 것이다. 각각의 구간 내에서의 모든 값은 같은 값으로 변환된다. 일반적으로, 러프집합 분석에서의 데이터 이산화 방법은 등분위 이산화, 전문가 지식에 의한 이산화, 최소 엔트로피 기준 이산화, Na?ve and Boolean reasoning 이산화 등의 네 가지로 구분된다. 등분위 이산화는 구간의 수를 고정하고 각 변수의 히스토그램을 확인한 후, 각각의 구간에 같은 숫자의 표본이 배정되도록 경계값을 결정한다. 전문가 지식에 의한 이산화는 전문가와의 인터뷰 또는 선행연구 조사를 통해 얻어진 해당 분야 전문가의 지식에 따라 경계값을 정한다. 최소 엔트로피 기준 이산화는 각 범주의 엔트로피 측정값이 최적화 되도록 각 변수의 값을 재귀분할 하는 방식으로 알고리즘을 진행한다. Na?ve and Boolean reasoning 이산화는 Na?ve scaling 후에 그로 인해 분할된 범주값을 Boolean reasoning 방법으로 종속변수 값에 대해 최적화된 이산화 경계값을 구하는 방법이다. 비록 러프집합분석이 매매시점결정에 유망할 것으로 판단되지만, 러프집합분석을 이용한 거래를 통한 성과에 미치는 여러 이산화 방법의 효과에 대한 연구는 거의 이루어지지 않았다. 본 연구에서는 러프집합분석을 이용한 주식시장 매매시점결정 모형을 구성함에 있어서 다양한 이산화 방법론을 비교할 것이다. 연구에 사용된 데이터는 1996년 5월부터 1998년 10월까지의 KOSPI 200데이터이다. KOSPI 200은 한국 주식시장에서 최초의 파생상품인 KOSPI 200 선물의 기저 지수이다. KOSPI 200은 제조업, 건설업, 통신업, 전기와 가스업, 유통과 서비스업, 금융업 등에서 유동성과 해당 산업 내의 위상 등을 기준으로 선택된 200개 주식으로 구성된 시장가치 가중지수이다. 표본의 총 개수는 660거래일이다. 또한, 본 연구에서는 유명한 기술적 지표를 독립변수로 사용한다. 실험 결과, 학습용 표본에서는 Na?ve and Boolean reasoning 이산화 방법이 가장 수익성이 높았으나, 검증용 표본에서는 전문가 지식에 의한 이산화가 가장 수익성이 높은 방법이었다. 또한, 전문가 지식에 의한 이산화가 학습용과 검증용 데이터 모두에서 안정적인 성과를 나타내었다. 본 연구에서는 러프집합분석과 의사결정 나무분석의 비교도 수행하였으며, 의사결정나무분석은 C4.5를 이용하였다. 실험결과, 전문가 지식에 의한 이산화를 이용한 러프집합분석이 C4.5보다 수익성이 높은 매매규칙을 생성하는 것으로 나타났다. Market timing is an investment strategy which is used for obtaining excessive return from financial market. In general, detection ofmarket timing means determining when to buy and sell to get excess return from trading. In many market timing systems, trading rules have been used as an engine to generate signals for trade. On the other hand, some researchers proposed the rough set analysis as a proper tool for market timing because it does not generate a signal for trade when the pattern of the market is uncertain by using the control function. The data for the rough set analysis should be discretized of numeric value because the rough set only accepts categorical data for analysis. Discretization searches for proper “cuts” for numeric data that determine intervals. All values that lie within each interval are transformed into same value. In general, there are four methods for data discretization in rough set analysis including equal frequency scaling, expert’s knowledge-based discretization, minimum entropy scaling, and na?ve and Boolean reasoning-based discretization. Equal frequency scaling fixes a number of intervals and examines the histogram of each variable, then determines cuts so that approximately the same number of samples fall into each of the intervals. Expert’s knowledge-based discretization determines cuts according to knowledgeof domain experts through literature review or interview with experts. Minimum entropy scaling implements the algorithm based on recursively partitioning the value set of each variable so that a local measure of entropy is optimized. Na?ve and Booleanreasoning-based discretization searches categorical values by using Na?ve scaling the data, then finds the optimized dicretization thresholds through Boolean reasoning. Although the rough set analysis is promising for market timing, there is littleresearch on the impact of the various data discretization methods on performance from trading using the rough set analysis. In this study, we compare stock market timing models using rough set analysis with various data discretization methods. The research data used in this study are the KOSPI 200 from May 1996 to October 1998. KOSPI 200 is the underlying index of the KOSPI 200 futures which is the first derivative instrument in the Korean stock market. The KOSPI 200 is a market value weighted index which consists of 200 stocks selected by criteria on liquidity and their status in corresponding industry including manufacturing, construction, communication, electricity and gas, distribution and services, and financing. The total number of samples is 660 trading days. In addition, this study uses popular technical indicators as independent variables. The experimental results show that the most profitable method for the training sample is the na?ve and Boolean reasoning but the expert’s knowledge-based discretization is the most profitable method for the validation sample. In addition, the expert’s knowledge-based discretization produced robust performance for both of training and validation sample. We also compared rough set analysis and decision tree. This study experimented C4.5 for the comparison purpose. The results show that rough set analysis with expert’s knowledge-based discretization produced more profitable rules than C4.5.