KOIIAAI Ready Data 처음으로

홈›활용 사례›무역 위험지수 예측 학습 데이터

학습 데이터검증 완료

무역 위험지수 예측 학습 데이터

질문 국가 · 업종의 다음 달 무역 위험지수를, 미래 정보가 유입되지 않도록 예측하려면 어떤 학습 데이터가 필요한가?

원천 6종 · 1개 기관 · 연결 기준 국가 · 업종 · 기준년월

한국무역보험공사 원천 6종을 국가 · 기준월로 결합하여, 별도 처리 없이 학습할 수 있는 단일 표로 구성했습니다.

6원천 데이터정답 1 · 입력 5
24,584학습용 행165개국 × 71개 업종
5/5데이터 누수 점검 통과미래 정보 차단 포함
91.3%넘어야 할 기준선직전 달 값 그대로

지금 선택 오스트레일리아 · 2025-03: 19개 업종 상승 · 평가 구간 · 주요 변동 사례

주요 변동 사례 결과 보기

팩 데이터에서 찾은 변동 사례 14건입니다.
탐지 규칙평가 구간의 같은 달, 한 국가에서 위험지수가 직전 달과 같은 방향으로 변동한 업종이 8개 이상. 판정 문장은 측정값으로 만든 규칙 문장이며 원인을 단정하지 않습니다.
국가 동시 변화
선택 상태국가 = 오스트레일리아월 = 2025-03 현재 선택의 주소
  1. 변화 내용

    2025-03 오스트레일리아의 19개 업종에서 위험지수가 함께 상승했습니다. 이 달은 평가 구간입니다.

    오스트레일리아 · 업종별 무역 위험지수(1~5), 굵은 테두리 = 2025-03, 점 = 평가 구간에서 직전 달과 달라진 셀
  2. 변화 요인

    연결 기준국가기준월

    같은 달 같은 국가의 여러 업종이 함께 변동했습니다. 업종 요인보다 국가 공통 요인을 우선 검토할 필요가 있습니다(국가신용등급 1등급). 같은 달 전체에서 값이 변경된 칸은 215개이고, 그중 19개가 오스트레일리아입니다.

    달라진 업종 19개 표 보기
    업종직전 달2025-03source_row_uid
    고무 및 플라스틱제품 제조업123805_4344cda8
    금속 가공제품 제조업; 기계 및 가구 제외123806_479b1dc1
    금융업123807_4cf7e203
    도매 및 상품 중개업123809_cfa2fb49
    방송업123810_3b504b21
    섬유제품 제조업; 의복 제외123811_6cced29c
    의료, 정밀, 광학 기기 및 시계 제조업123813_3011d7ac
    의료용 물질 및 의약품 제조업123814_c59d0055
    인쇄 및 기록매체 복제업123815_65248c0a
    자동차 및 부품 판매업123816_62e5cc48
    자동차 및 트레일러 제조업123817_9bd2ded4
    전기, 가스, 증기 및 공기 조절 공급업123818_96553e66
    전기장비 제조업123819_f77c2e19
    전문 서비스업123820_e28bdf97
    전문직별 공사업123821_3e725344
    전자 부품, 컴퓨터, 영상, 음향 및 통신장비 제조업123822_ca56b7b0
    출판업123823_92e40607
    펄프, 종이 및 종이제품 제조업123824_718d332f
    화학 물질 및 화학제품 제조업; 의약품 제외123825_42594a17

    같은 국가의 다른 변동 사례: 오스트레일리아 2025-04 16업종 하락

  3. 학습 데이터에서 이 사례의 의미

    연결 기준기준월분할

    기준선 「직전 달 값 그대로」는 정의상 값이 변경된 셀을 모두 오답으로 예측합니다. 2025-03에는 1,904셀 중 215셀(11.3%)이며, 오스트레일리아의 19셀도 모두 오답입니다.

    평가 구간 차트 보기
    평가 구간 달별로 직전 달과 값이 달라진 셀 = 기준선 오답 셀
    표로 보기
    기준월달라진 셀비교한 셀
    2025-02991,924
    2025-032151,904
    2025-041861,903
  4. 팩 안의 근거 행

    연결 기준source_keysource_row_uid
    근거 행 · 질의 보기

    2단계 표의 각 행이 팩 data/trade_risk_ml.csv의 행입니다(원천 15143291).

    import pandas as pd
    d = pd.read_csv("data/trade_risk_ml.csv")
    d[(d.country == "오스트레일리아") & (d.year_month == "2025-03")
      & (d.risk_index > d.risk_index_lag1)]

    재현: 팩 압축 해제 폴더의 data/trade_risk_ml.csv · 원천 행 추적: source_row_uid

  5. 원본 파일로 처리할 때

    원천 파일로 같은 결론을 얻으려면 필요한 작업

    • 위험지수 · 신용등급 · 결제 지표 원천 6종의 국가 표기 통일
    • 평가일 기준(as-of)으로 신용등급을 결합하여 미래 정보 유입 방지
    • 직전 달 값(lag)을 생성하고 시간 순서로 학습 · 검증 · 평가 분할

    이 팩에서는

    • trade_risk_ml 표 1개에 국가 · 업종 · 월 · 직전 달 값 · 분할 포함
    • 왼쪽 코드 3줄로 이 사례의 행 재산출 가능
    • 누수 점검 5종 · 기준선 성능을 팩에 함께 수록

    이 팩으로 확인할 수 없는 것: 위험지수 변동 사유는 팩에 포함되어 있지 않습니다. 국가 공통 요인은 검토 후보이며, 원천 기관(한국무역보험공사)의 산정 기준을 확인해야 합니다.

조건별 탐색 결과 보기

자동 요약은 규칙 기반 문장입니다(생성형 AI 미사용).

불러오는 중…

요약 차트

팩으로 집계한 결과 · 펼치기
불러오는 중…

AI Ready Data(AIRD) 처리 내용

  1. 01 결합국가 · 기준월. 신용등급은 평가일 기준(as-of)
  2. 02 점검키 중복 · 빈 정답 · 미래 정보 등 5종
  3. 03 분할시간 기준 학습 · 검증 · 평가
원본으로 받을 때와 비교 · 시간 순서대로 분할한 구간 자세히
원본을 내려받으면 직접 처리해야 하는 작업이 팩에서는
원천 6개 파일의 국가명 · 기간 형식 통일 후 결합단일 표(24,584행 × 입력 7개)로 제공
신용등급 결합 시 「미래 시점 등급」 혼입평가일 기준(as-of) 결합 · 미래 정보 점검 통과
무작위 분할로 성능 과대평가시간 기준 split 열 포함
모델 성능을 판단할 기준선이 없음기준선 3종 정확도 제공(baselines.json)
결합되지 않은 행의 비율 확인 불가항목별 결합률 기록(신용등급 100%, 결제 · 연체 지표 약 84.9%)

시간 순서대로 분할한 구간

  • 학습 2023-11~2024-10 12,960행 · 52.7%
  • 검증 2024-11~2025-01 5,837행 · 23.7%
  • 평가 2025-02~2025-04 5,787행 · 23.5%

2024-09부터 원천 범위가 넓어져 검증 · 평가 구간에 분포 변화가 있습니다. 무작위 분할은 성능을 과대평가합니다.

효과 근거 · 점검

결제 · 연체 지표 결합률은 원본 국가명 83.6%, AIRD 정제 국가명 85.4%입니다(나머지는 2021년 지표가 없는 국가). 팩은 평가일 기준(as-of) 신용등급 결합과 시간 분할까지 완료한 상태입니다.

효과 판단 근거: 국가 결합률 원본 83.6% → AIRD 85.4%(+1.8%p). 나머지 가치는 as-of 결합 · 누수 점검 · 시간 분할

점검 7항목 · 통과 7 항목별 결과 보기
점검 항목결과값
표준 필수 메타데이터와 목적별 필수 항목통과모두 기재
원천이 모두 품질 확인 단계통과Quality-Ready
학습 · 검증 · 평가 분할통과학습 52.7% · 검증 23.7% · 평가 23.5%
정답(레이블) 빈 값통과0건
입력 항목(특성)통과7개
데이터 누수 점검통과5/5종 통과
비교 기준(기준선) 성능통과3종 기록

받아서 쓰기 실험 재현

팩 zip 하나를 내려받아 엑셀이나 분석 도구로 열 수 있습니다 — 팩 내려받기 722 KB. 코드나 AI 에이전트로 활용하는 방법은 아래에서 설명합니다.

코드 · AI 에이전트로 쓰기 개발자용

코드로

  1. 팩 내려받기 trade-risk-ML-1.0.0.zip 722 KB
  2. 압축을 풀고 폴더로 이동
    cd trade-risk-ML
  3. 필요한 패키지 설치 팩의 guide/requirements.txt
    pip install pandas==2.3.3 pyarrow==25.0.1 scikit-learn==1.7.2
  4. 실행
    import pandas as pd
    d = pd.read_parquet("data/trade_risk_ml.parquet")
    train, test = d[d.split == "train"], d[d.split == "test"]
    # 목표: 「직전 달 값 그대로」 91.3%보다 높은 정확도
  5. 실행 결과
    d: 24,584행 × 14열
    train: 12,960행 × 14열
    test: 5,787행 × 14열

    실행 환경: Python 3.13.16 · pandas 2.3.3 · pyarrow 25.0.1

추가 예시: guide/notebook.ipynb

AI 에이전트로

  1. AIRD 서버 연결 Claude Code 기준 · 다른 도구는 연결 방법
    claude mcp add --transport http aird https://aird.idx.or.kr/mcp
  2. 질문 예시

    「국가 · 업종의 다음 달 무역 위험지수를, 미래 정보가 유입되지 않도록 예측하려면 어떤 학습 데이터가 필요한가?」

  3. 에이전트가 사용하는 도구 get_pack

    팩 정보 · 내려받기 주소 · 무결성 값 · 변동 사례와 그 근거 질의를 반환합니다. 행 단위 분석은 내려받은 팩으로 수행합니다.

  4. 답변 보기

    이 도구 호출 →

팩에 포함된 파일

CSV · Parquet 각 1종 · 학습/검증/평가 분할 · 722 KB

파일 목록 1개 + 설명 · 검증 파일 4개 보기
데이터 파일대상크기형식
data/trade_risk_ml정답 risk_index와 직전 달 값 risk_index_lag124,584행 · 14열CSVPARQUET

설명 · 검증 파일

  • 표준 메타데이터 · 파일별 무결성 값(manifest.json)
  • 목적 적합성 판정(G3) · 점검 결과
  • 시작 노트북(guide/)
  • README(만든 방법 · 한계)

팩 zip 무결성 값(SHA-256) d4e81edb2d1105d17d39b23d94fec1a54d1ff4e079f77466d6dd20ac3ee5fcd2

이 팩을 만든 원천 6종

원천 목록 6종 데이터 · 기관 · 포함된 행 보기
원천 데이터기관팩에 포함된 행
trade_risk_ml 정답 risk_index와 직전 달 값 risk_index_lag1 · 국가신용등급: 평가일 기준(as-of)으로 결합 · 결제조건 · 연체율 · 회수기간 · 연체기간: 국가 평균(2021)으로 결합
한국무역보험공사_국가별 업종별 위험지수(RISK INDEX) 이 선택한국무역보험공사24,584행
한국무역보험공사_국가신용등급한국무역보험공사
한국무역보험공사_국가별 업종별 결제조건 비율한국무역보험공사
한국무역보험공사_77개국 업종별 연체율한국무역보험공사
한국무역보험공사_77개국 업종별 평균 수출대금 회수기간한국무역보험공사
한국무역보험공사_국가별 업종별 연체기간한국무역보험공사

이 팩으로 가능한 분석

수출 위험 조기 경보

다음 달 위험지수가 상승할 국가 · 업종을 사전에 탐지하여 수출 기업에 안내하는 모델을 학습할 수 있습니다.

모델 성능의 기준점

「직전 달 값 그대로」 기준선이 91.3%이므로, 새 모델은 위험지수가 바뀌는 달을 얼마나 정확히 예측하는지로 평가해야 합니다.

주요 변동 사례에서 근거와 함께 보기 →

유의점 결제 · 연체 지표는 업종 분류 단위가 달라 국가 평균(2021)으로만 결합했습니다. 2024년 9월부터 원천 범위가 넓어져 분포가 달라집니다. 국가명 5건은 확인이 필요한 값([E])입니다.