4차시 함께 일어나는 일 — 연관 분석

🤔

생각 열기 — 영수증이 들려주는 이야기

마트 장바구니에 담긴 식료품 — 수많은 장바구니(영수증)를 모아 분석하면 **'함께 담기는 상품'**의 패턴이 보인다 — 이것이 장바구니 분석. 사진: safaritravelplus, CC0, Wikimedia Commons

2단원에서 잠깐 만난 '맥주 옆에 기저귀' 이야기, 기억나나요? 마트가 영수증 데이터를 분석하다 두 상품이 자주 함께 팔리는 걸 발견했다는 이야기였죠. 이렇게 "무엇과 무엇이 함께 일어나는가"를 찾는 것이 연관 분석이고, 특히 장바구니(거래) 데이터에 적용하면 장바구니 분석이라 불러요. 결과는 보통 "맥주 → 기저귀"처럼 연관 규칙으로 표현해요. 그런데 "함께 팔린다"를 어떻게 숫자로 확인할까요? 세 가지 자를 배워 봅시다.

💬 함께 생각해 보기

편의점에서 '삼각김밥'과 함께 자주 팔릴 것 같은 상품은 무엇일까요? 그 '함께 팔리는 정도'를 어떻게 하면 객관적인 숫자로 나타낼 수 있을까요?

1

관계를 재는 세 개의 자 — 지지도·신뢰도·향상도

연관 규칙 "A → B"(A를 사면 B도 산다)가 얼마나 의미 있는지, 세 지표로 평가해요.

지지도(support) = (A·B 함께 산 거래) ÷ (전체 거래) — 이 조합이 얼마나 흔한가.
신뢰도(confidence) = (A·B 함께) ÷ (A 산 거래) — A를 산 사람이 B도 살 확률.
향상도(lift) = 신뢰도 ÷ (B의 지지도) — 우연보다 얼마나 더 함께 사는가. (1=우연, >1 양의 연관, <1 음의 연관)

가장 중요한 건 향상도예요. 신뢰도가 높아도, B가 원래 누구나 사는 흔한 상품(우유·봉투)이면 그건 연관이 아니라 그냥 'B가 흔해서'일 수 있거든요. 향상도는 그 우연을 걸러 줘요. 직접 계산해 봅시다!

🛒 장바구니 연관 분석기 INTERACTIVE

아래는 어느 편의점의 장바구니 10개예요. 규칙 "A → B"의 두 상품을 골라 지지도·신뢰도·향상도를 확인하세요. (파란 칸에 든 거래가 강조돼요)

→

–

지지도

–

신뢰도

–

향상도

[안내]두 상품을 바꿔 가며 향상도를 비교해 보세요. 향상도가 1보다 크면 '함께 잘 사는' 양의 연관이에요!

2

숫자를 행동으로 — 해석과 활용

분석기에서 '맥주 → 기저귀'의 향상도가 1보다 크게 나왔죠? 이건 두 상품이 우연보다 더 자주 함께 팔린다는 뜻이에요. 이런 규칙을 찾으면 이렇게 활용해요.

🏪

매대 배치

함께 사는 상품을 가까이 두어 구매를 늘려요.

🎁

묶음·추천

묶음 할인이나 '함께 사면 좋은 상품' 추천에 활용해요.

📦

재고·발주

한 상품이 잘 팔리면 짝꿍 상품도 함께 준비해요.

⚠️ 신뢰도만 믿지 말 것 — 흔한 것의 함정

"빵 → 봉투"의 신뢰도가 90%라고 좋아할 일이 아니에요. 봉투는 거의 모든 거래에서 사니까, 빵이 아니어도 90% 살 거예요. 이때 향상도는 1에 가까워(우연 수준), 진짜 연관이 아님을 알려 줘요. 그래서 신뢰도와 향상도를 함께 봐야 해요. 또 연관 분석도 상관일 뿐 인과는 아니에요 — 두 상품이 함께 팔린다고 하나가 다른 하나를 '사게 만드는' 원인은 아닐 수 있죠.

✏️ 활동 — 우리 주변의 연관 규칙

편의점·문구점·급식 메뉴 등에서 '함께 일어나는 일'을 찾아보세요. ① 어떤 연관 규칙(A→B)이 있을 것 같나요? ② 그것이 진짜 연관인지(향상도>1) 아니면 둘 다 흔해서인지 어떻게 확인할까요? ③ 발견한 규칙을 어떻게 활용하면 좋을지 제안해 보세요.

✅

확인 문제

바로바로 채점!

✏️

4차시 확인 문제

4문항 · 즉시 채점

1거래 데이터에서 '함께 팔리는 상품의 관계'를 찾는 분석은?

2연관 규칙 'A → B'에서 신뢰도(confidence)의 뜻으로 알맞은 것은?

3향상도(lift)가 1보다 클 때의 해석으로 알맞은 것은?

4[OX] 신뢰도가 높아도, B가 원래 흔한 상품이면 향상도는 1에 가까워 진짜 연관이 아닐 수 있다.

➕

더 알아보기

교과서 너머의 이야기 — 클릭해서 펼쳐 보세요

계산향상도 직접 계산해 보기 — '맥주 → 기저귀'

분석기의 10개 거래에서 직접 계산해 볼까요? 맥주가 든 거래는 5개, 기저귀가 든 거래는 4개, 둘 다 든 거래는 3개, 전체는 10개예요. 지지도(맥주·기저귀 함께) = 3/10 = 0.3. 신뢰도(맥주→기저귀) = 3/5 = 0.6 (맥주 산 5명 중 3명이 기저귀도 삼). 기저귀의 지지도 = 4/10 = 0.4. 향상도 = 신뢰도 ÷ 기저귀 지지도 = 0.6 ÷ 0.4 = 1.5. 향상도 1.5는 "기저귀를 그냥 살 확률(40%)보다, 맥주를 산 사람이 기저귀를 살 확률(60%)이 1.5배 높다"는 뜻이에요. 그래서 둘은 우연이 아니라 진짜로 함께 잘 팔리는 관계죠. 이렇게 세 지표를 손으로 계산해 보면 숫자의 의미가 또렷해져요!

실전추천 시스템의 뿌리 — "이 상품을 본 사람이 산 상품"

온라인 쇼핑몰의 "이 상품을 산 사람들이 함께 산 상품", 영상 플랫폼의 "함께 본 콘텐츠"는 모두 연관 분석의 후예예요. 아마존은 일찍부터 장바구니 데이터로 연관 규칙을 찾아 추천에 활용해 매출을 크게 올린 것으로 유명하죠. 다만 상품이 수십만 개면 가능한 조합이 폭발적으로 많아져, 일일이 다 계산할 수 없어요. 그래서 '자주 함께 등장하는 묶음'만 효율적으로 찾는 알고리즘(예: 아프리오리 Apriori)이 개발됐어요 — '지지도가 너무 낮은 조합은 아예 보지 않는다'는 똑똑한 가지치기로 계산을 줄이죠. 여러분이 쇼핑하며 보는 추천 목록 하나하나에 이런 연관 분석이 숨어 있답니다.

생각연관 분석의 그늘 — 임신을 먼저 안 마트

유명한 일화가 있어요. 한 대형마트가 고객의 구매 패턴을 분석해, 한 10대 여학생에게 아기용품 쿠폰을 보냈어요. 아버지가 항의했지만, 알고 보니 딸은 정말 임신 중이었죠 — 마트의 데이터 분석이 가족보다 먼저 알아챈 거예요. 무향 로션, 영양제 같은 상품의 구매 변화로 임신을 예측한 거죠. 이 이야기는 연관·패턴 분석의 위력과 동시에 섬뜩한 사생활 문제를 함께 보여 줘요. 데이터로 사람의 깊은 사정까지 알아낼 수 있다면, 그것을 어디까지 알아내고 활용해도 되는가라는 윤리 질문이 생기죠. 분석 기술이 강력할수록, '할 수 있다'와 '해도 된다'는 다르다는 걸 기억해야 해요. 데이터 윤리는 기술만큼 중요하답니다.

함께 일어나는 일연관 분석