LLM( 생성형) 업무효율화, 업무활용, 인공지능 활용하여 일잘 하는법 124

다양한 데이터를 기반으로 따라 하면 성공하는 다중회귀 판매예측 방법

 

 

(앞선 글에 이어)

 

이제 생성형 시켜서 해석하면 됩니다. 하지만 생성형 시키지 전에 먼저 말씀드리면 결정계수가 0.9 이상으로 설명력이 매우 높고 분산분석의 유의한 F 값이 매우 낮아서 회귀식을 지 하고 이제 회귀방정식을 그대로 적용하면 됩니다. 이때 각 독립변수의 P 값들을 확인하면서 광고는 0.76으로 0.05보다 높아서 사용하지 못합니다. 즉 광고비용의 집행 단독으로는 판매숫자에 영향을 주지 않습니다. 반면 상호작용이 있는 가격*광고의 P 값은 0.001568 로 영향을 줍니다. 그리고 가격제곱 의 P 값은 0.008, 광고제곱의 P 값은 0.003 으로 0.05보다 낮으므로 선형이 아닌 비선형 관계입니다. 그리고 우리는 회귀방정식도 구해야 하니 이것을 그대로 생성형에 물어보겠습니다. 먼저 요약출력 값을 복사하신 이후 생성형에 붙여 넣기 하신 다음에

Input
요약출력
회귀분석 통계량

중략
위 요약출력은 각 컬럼에 대한 상호작용과 선형 비선형 관계를 확인 하기 위해 다중회귀 방정식을 돌린 결과야 각 컬럼에 대한 해석을 해주고 회귀방정식 도출해줘

Output
이 다중회귀분석 결과에 대한 해석은 다음과 같습니다:

1. 모델 적합도:
- 다중 상관계수는 0.96으로 매우 높습니다. 이는 독립변수들이 종속변수를 잘 설명하고 있음을 나타냅니다.
- 결정계수(R^2)는 0.92로, 독립변수들이 종속변수 변동의 92%를 설명한다는 의미입니다.
- 조정된 R^2는 0.90으로 여전히 높습니다.

2. 전체 모델의 유의성:
- F 통계량의 p-값(유의한 F)이 7.82e-10으로 매우 작습니다. 이는 모델이 통계적으로 매우 유의함을 나타냅니다.
생략


출처: ‘라온’ service base by AI:DRIVE with HBC data 27w, 2024 1turn

 

생성형 인공지능이 계산을 시키면 수시로 거짓말을 하는데, 이렇게 해석을 시키면 너무 잘 합니다. 사용방법 응용방법은 앞서 한 것과 같이 도출된 다중 회귀식을 사용해서 예측하면 됩니다. 목적하는 것은 판매 숫자이니 판매가격과 광고비용만 넣으면 나머지는 자연스럽게 계산되는 것이라 이용하기 쉽습니다. 다만, 이렇게 선형비선형 파악을 위한 작업과 상호작용을 파악하기 위한 작업을 한 후 이용되는 모델이라 다소 복잡해보이는 것이 단점이라 할 수 있습니다. 하지만, 복잡해도 결과만 잘 나온다면 좋습니다.

 

위 생성형 결과는 제가 설명드린 것보다 더 훌륭하게 설명을 해줬고. 이를 통해서 제가 ‘콘텐츠를 잘 만들었구나’ 하는 생각도 동시 들고 있습니다.

 

어렵나요? 아니죠 쉽습니다. 이제 광고비용 얼마를 쓰고 판매가격 얼마를 하면 몇 개가 팔리는지 그것도 높은 정확도를 보장하면서 우리는 결과를 도출할 수 있습니다.

.

.

.

생성형인공지능, LLM, 일잘러, RAG응용, 챗지피티 를 활용해서 프로 일잘러 되기 출간 준비중~~!!