합계, 평균, 분산, 변동계수(CV), 왜도, 첨도 등의 통계량 및 아웃라이어 여부를 제공합니다.

모평균과의 차이가 일정수준 이하로 될 확률 하에서 필요한 표본수를 알려줍니다.

두 변수간의 선형관계의 정도를 제공합니다.
상관계수가 높은 경우 색깔을 별도 지정할 수 있습니다.

히스토그램, 박스그림, 추세도, 산점도를 제공합니다.

변수 간의 곱을 통해 새로운 변수를 자동 생성합니다.
주로 범주형 자료(예: 성별, 학력 등)에 사용됩니다. 자료관리를 편리하게 하는 기능입니다.

범주형 자료를 이진형(binary)변수로 자동으로 생성하는 기능입니다. 
예를 들어 월별 변수의 경우, 총 11개의 더미변수를 자동생성 합니다. 자료관리를 편리하게 하는 기능입니다.

관찰되지 않은 값을 자동으로 생성하는 기능입니다.
해당 변수의 평균, 최빈값, 직상위 자료 평균, 회귀식에 의한 추정 등에 의해 결측값을 보정할 수 있습니다.

일부 자료를 선택하고 테스트데이터 생성을 클릭하면 새로운 시트로 이동되고 동 자료를 테스트데이터로 자동 인식하여 다양한 검정을 수행합니다.
자료관리를 편리하게 하는 기능입니다.
자료수가 충분한 경우 모델에 생성되는 자료(분석용 자료, training data)와 생성된 모형을 검증하는 자료(테스트용 자료, test data)로 분리하여 사용합니다.
생성된 모형이 실제자료를 얼마나 잘 설명하는가를 보기 위함입니다.

독립변수가 종속변수에 미치는 영향을 파악하기 위한 분석(y=f(x)+e)을 수행합니다.
최적의 모형을 쉽게 찾을 수 있도록 하기 위한 여러 기능이 있습니다.
모든 가능한 모형(all possible models)방식에 의해 B-Box는 최선의 모형을 추천합니다.
x, y 변수변환 기능으로 쉽게 최적의 대안모형을 탐색할 수 있습니다.
아웃라이어 자동삭제 기능으로 아웃라이어 탐색과 동시에 B-Box에 내재된 아웃라이어 삭제 기준에 따라 아웃라이어를 삭제한 후의 모형을 볼 수 있습니다.
회귀분석이 가지고 있는 기본가정(정규성, 다중공선성, 선형성, 등분산성, 자기상관)에 대한 검정을 쉽게 검토할 수 있습니다.
테스트데이터 정의에 따른 모형의 예측력을 쉽게 확인할 수 있으며, z변수 선언을 통해 한번에 여러 set의 모형을 검토할 수 있습니다.

독립변수 범위 내에서 구간을 설정하고 구간별 회귀식을 도출하는 분석을 수행합니다.
자료의 분할 위치를 그래프 상에서 직접 선택하고 회귀모형을 생성할 수 있습니다.
자동분할 기능을 이용하면 최적의 이분할 위치를 자동탐색하고 회귀모형을 제시합니다.
또한 산출 모형에 추정값을 바로 계산해 볼 수도 있습니다.
또한 z변수 선언을 통해 한번에 여러 set의 모형을 검토할 수 있습니다.

분석하고자 하는 대상들이 두 집단 혹은 그 이상의 집단(범주형 자료)으로 나누어진 경우, 개별 관측치들이 어느 집단에 분류될 수 있는지에 대한 확률을 추정하는 통계 기법 입니다.

로지스틱회귀분석은 목적이나 과정에 있어서는 선형회귀분석과 유사하지만, 종속(y) 변수가 범주형 이라는 점에서 차이가 있습니다. 또한 로지스틱회귀분석은 판별분석과는 달리 독립 변수에 범주형 변수를 사용할 수 있는 장점이 있습니다.
여러 독립(x) 변수들에 대해 각 변수들의 유의성을 통계적으로 검정하여 최적의 모형을 쉽게 찾을 수 있도록 ‘모든 가능한 모형’ (All possible models) 기능을 제공합니다. 또한 아웃라이어 탐색과 각 관측치들의 잔차 분석도 수행합니다.

시간의 흐름에 따라 관찰된 자료의 특성을 파악하고 예측하기 위한 분석을 수행합니다.
B-Box는 시계열분석으로 이동평균법, 지수평활법, 분해법, 윈터스모형이 포함되어 있으며, 전체자동생성 기능으로 모든 방법을 한 번에 실행하고 결과를 볼 수 있으며, all possible 결과에서 해당 분석기법을 바로 실행하여 더 상세한 결과를 볼 수 있습니다.
지수평활법과 윈터스모형의 경우는 평활지수 추정을 자동계산하여 사용자 편의를 제고하고 있습니다.
또한 테스트데이터 정의에 따른 모형의 예측력을 쉽게 확인할 수 있으며, z변수 선언을 통해 한번에 여러 set의 모형을 검토할 수 있습니다.

유사한 특성을 지닌 자료를 집단화하는 군집분석을 수행합니다.
비계층적 분석방법으로 아웃라이어에 강건한 PAM 기법이 탑재되어 있고 all possible 기능으로 군집의 수를 여러 개(범위) 정의함으로써 사용의 편리함을 제고하고 있습니다.
또한 실루엣 점수를 산출함과 동시에 군집을 변화시켰을 때 실루엣 점수의 변화도 볼 수 있도록 되어 있어 적절한 군집을 찾는데 매우 편리하게 시뮬레이션을 수행할 수 있습니다.

자료가 어느 집단에 속하는지 판별하기 위한 분석을 수행합니다.
모든 변수의 조합에 따른 판별분석이 가능합니다(all possible models). 모든 경우의 모형의 오분류율 결과를 보고 해당 모형을 바로 실행하여 상세한 결과를 볼 수 있습니다.
새로운 값에 대해 판별을 바로 해주는 화면이 제공되고 현재의 판별 분류 형태를 그림으로 제시합니다.

변수들의 내재된 상관관계를 파악하여 변수를 분류하기 위한 분석을 수행합니다.
변수를 선택하고 요인수를 입력하면 바로 분석결과를 볼 수 있습니다.
요인의 수가 2개일 경우, 요인회전에 의한 결과를 그래프로 제공합니다.

변수를 축소하여 자료를 쉽게 설명하기 위한 분석을 수행합니다.
변수를 선택만 하면 바로 결과를 볼 수 있습니다.
주성분간 산점도, 주성분과 관찰변수의 산점도, 그리고 주성분 수준을 결정할 수 있는 scree plot이 제공됩니다.

주성분분석에 의한 자료와 다차원 변수 사이의 관련성을 시각적으로 파악하기 위한 그래프를 제공합니다.

변수 사이의 다양한 인과관계를 하나의 모형을 통해 검증하기 위한 분석을 수행합니다.
모형정의의 편리함을 위해 변수를 쉽게 정의할 수 있는 변수생성 기능과 기본모델생성 기능이 있고 모형의 정의가 수리적 해결이 가능한지 사전 모형검증 기능이 있습니다.
실행결과는 경로도를 통해 추정계수의 유의성 검정결과(유의하지 않은 경우 붉은 점선 표시)까지 한눈에 쉽게 파악할 수 있습니다.

각 변수별 자료에 대해 평균대비 표준편차(시그마)의 비교를 통해 아웃라이어를 탐색하고 아웃라이어 제거 전/후의 기초통계량을 제시합니다.
z변수 선언을 통해 한번에 여러 set의 자료를 검토할 수 있습니다.

각 변수에 대한 평균과 분산검정, 두 변수의 평균차이, 분산비, 짝비교 검정 그리고 세 변수 이상의 평균검정을 수행할 수 있습니다.
z변수 선언을 통해 한번에 여러 set의 검정을 검토할 수 있습니다.

투입과 산출 변수들을 근거로 각 자료(의사결정단위, DMU)의 효율성 분석을 수행합니다.
의사결정단위의 효율성 점수는 물론 투입변수별 감소가능량, 산출변수별 증가가능량을 알 수 있고, 음수값을 가진 변수의 검토도 가능합니다.
초효율성 개념을 도입하여 상대적 효율성 평가 외에 절대 평가도 가능하도록 구성되어 있습니다.
z변수 선언을 통해 한번에 여러 set의 효율성을 검토할 수 있습니다.

제약조건 하에서 선형계획법 해찾기 알고리즘을 이용하여 목표함수의 최적값을 도출합니다.

의사결정 요소의 우선순위를 산출하고, 요소별 대안을 평가하여 의사결정을 지원합니다.
토마스 사티(T. L. Satty) 교수의 AHP(Analysys Hierarchy Process) 방법론에 따라 주관적 의사결정의 가중치를 산정합니다.
응답자의 일관성 체크를 수행하여 자료산출의 신뢰성을 확보합니다.

미래의 현금흐름을 현재가치로 환산하고, 순현재가치를 기준으로 재무의사결정을 지원합니다.

     

설문을 통해 개별 질문 항목에 따른 응답자 유형별의 통계, 그래프 표시, 신뢰도 검정, 평균 및 분산 검정 등 필수적이지만 단순하고 반복적인 업무를 설문 분석을 통해 빠르고 쉽게 해결할 수 있습니다.

     

데이터를 나무 그림으로 이해하기 쉽게 도표화하여 분류 및 예측을 하는 기법입니다. B-Box는 CART 알고리즘을 사용하여 나무 마디를 이지분리(binary split)합니다. 가지치기(Pruning) 과정을 나무그림을 통해 확인할 수 있으며, Z변수 선택을 통해 한 번에 여러 set의 모형을 생성하여, 최적의 Tree모형을 쉽게 찾을 수 있습니다.

MS office Word, PPT, Excel, PDF 그리고 웹 페이지 내용을 텍스트로 변환합니다. 관심 내용의 핵심 단어들을 구름으로 표현하는 Text Mining 기법이며, 사용자 조건 정의에 따라 단어 추가 및 삭제, 구름 모양 및 폰트로 변경할 수 있습니다.

     

서로에 대한 선호도 정보를 가진 두 집단 사이에 안정적 매칭 방법을 찾아내는 기법입니다. B-Box는 게일-섀플리 알고리즘을 사용하여 모든 사람이 만족할 수 있는 안정적인 매칭 결과를 보여줍니다. 우선 선택권이 어떤 집단에 있는지에 따라 결과가 달라지기 때문에 두 가지에 대한 결과 모두를 보여줍니다.