gemini

Gemini 이상치 탐지 프롬프트 - 사기 탐지, 이상 징후 분석

Gemini로 이상치 탐지, 사기 탐지, 이상 징후 분석, 데이터 이상 모니터링을 수행하는 프롬프트입니다.

수정 2026년 9월 6일

#이상치탐지 #사기탐지 #이상징후 #데이터모니터링 #OutlierDetection

💡

프롬프트 사용 방법

1단계: 아래 입력 칸에 각 항목에 맞는 정보를 적어주세요
2단계: 입력하면 아래 프롬프트가 자동으로 업데이트됩니다
3단계: '프롬프트 복사' 버튼을 눌러 ChatGPT/Claude에 붙여넣으세요

💡 입력 칸의 회색 글씨는 예시입니다. 참고해서 작성해보세요!

📝 필요한 정보를 입력해주세요 (총 5개)

목적 (목적)

목적에 대한 값을 입력하세요

데이터 유형 (데이터_유형)

데이터 유형에 대한 값을 입력하세요

분석 기간 (분석_기간)

분석 대상 기간

임계값 (임계값)

임계값에 대한 값을 입력하세요

데이터 (데이터)

데이터에 대한 값을 입력하세요

📋 완성된 프롬프트 (복사해서 사용하세요)

이상치 탐지 분석을 수행하세요.


## 분석 개요
- 분석 목적: {{목적}}
- 데이터 유형: {{데이터_유형}}
- 분석 기간: {{분석_기간}}
- 임계값: {{임계값}}

## 데이터
{{데이터}}

## 분석 요청
1. 통계적 이상치 탐지 (Z-score, IQR)
2. 시계열 이상 탐지 (계절성, 트렌드)
3. 이상치 위험도 분류
4. 대응 권장사항

입력하지 않은 항목은 원래 표시를 유지합니다.

간단 버전

데이터에서 이상치를 탐지해주세요.
데이터: {{데이터}}, 목적: {{목적}}, 임계값: {{임계값}}
Z-score, IQR 방법으로 이상치를 식별하고 위험도별로 분류해주세요.

입력값 가이드

입력 항목	한국어 설명	placeholder	예시
목적	이상치 탐지의 주요 목적을 선택하세요	예: 사기탐지, 시스템이상, 품질이상	`사기탐지`, `시스템이상`, `품질이상`
데이터 유형	분석할 데이터의 형태를 선택하세요	예: 시계열, 거래, 로그, 센서	`시계열`, `거래`, `로그`, `센서`
분석 기간	얼마나 오랜 기간의 데이터인가요?	예: 최근 30일, 2024년 1월	`최근 30일`, `2024년 1월`
임계값	이상치 판단 기준을 설정하세요	예: 3σ, 2.5σ, IQR 1.5배	`3σ`, `2.5σ`, `IQR 1.5배`
데이터	분석할 데이터를 입력하세요	예: CSV 형식, 표 형태	`CSV 형식`, `표 형태`
비고	추가로 고려해야 할 점을 입력하세요	예: 주말 제외, 프로모션 기간	`주말 제외`, `프로모션 기간`

인풋 필드

[목적]
▼ 드롭다운 선택
옵션: 사기탐지, 시스템이상, 품질이상, 네트워크 이상, 금융 이상
placeholder: "예: 사기탐지, 시스템이상, 품질이상"
설명: 이상치 탐지의 주요 목적을 선택하세요

[데이터 유형]
▼ 드롭다운 선택
옵션: 시계열, 거래, 로그, 센서, 네트워크, 금융
placeholder: "예: 시계열, 거래, 로그, 센서"
설명: 분석할 데이터의 형태를 선택하세요

[분석 기간]
▼ 텍스트 입력
placeholder: "예: 최근 30일, 2024년 1월"
설명: 얼마나 오랜 기간의 데이터인가요?

[임계값]
▼ 드롭다운 선택
옵션: 2σ, 2.5σ, 3σ, IQR 1.5배, IQR 3배, 사용자 지정
placeholder: "예: 3σ, 2.5σ, IQR 1.5배"
설명: 이상치 판단 기준을 설정하세요

[데이터]
▼ 텍스트 영역 입력 또는 파일 업로드
placeholder: "예: CSV 형식, 표 형태"
설명: 분석할 데이터를 입력하세요 (CSV 파일 업로드 가능)

[비고]
▼ 텍스트 영역 입력
placeholder: "예: 주말 제외, 프로모션 기간"
설명: 추가로 고려해야 할 점을 입력하세요 (선택 사항)

탐지 방법 가이드

통계적 방법

방법	용도	장점	임계값
Z-score	정규분포 데이터	간단, 빠름	±2.5σ ~ ±3σ
IQR	비정규분포	robust	1.5×IQR, 3×IQR
Modified Z	이상치 포함	중위값 기반	±3.5

머신러닝 방법

방법	용도	특징
Isolation Forest	고차원 데이터	빠른 탐지
One-Class SVM	정상 데이터만 있을 때	결정 경계 학습
Autoencoder	복잡한 패턴	재구성 오류 기반

Z-score 해석

Z-score	위험도	조치
\|Z\| ≥ 4	매우 높음	즉시 차단/조사
3 ≤ \|Z\| < 4	높음	2차 검증
2.5 ≤ \|Z\| < 3	중간	모니터링 강화
2 ≤ \|Z\| < 2.5	낮음	패턴 관찰

IQR 기준

범위	분류	위험도
Q1-3×IQR 미만	극단 하향	매우 높음
Q1-1.5×IQR ~ Q1	하향 이상	높음
Q1 ~ Q3	정상	-
Q3 ~ Q3+1.5×IQR	상향 이상	높음
Q3+3×IQR 초과	극단 상향	매우 높음