기존의 단순 표준편차 기반 필터링 대신, 변수별 특성을 고려한 다양한 접근법을 조합했습니다. 금융 거래 금액에는 로버스트 스케일링을, 빈도 데이터에는 분위수 기반 캡핑을, 시계열 데이터에는 롤링 윈도우 기반 이상치 탐지를 적용했죠.

특히 가장 효과적이었던 방법은 이상치를 단순 제거하는 대신 '플래그'를 추가하는 접근법이었습니다. 모델이 이상치 여부를 특성으로 학습할 수 있게 된 것이죠. 또한 도메인 전문가의 지식을 반영하여 비즈니스적으로 중요한 이상값들은 별도 카테고리로 분류했습니다.

최종적으로 모델 정확도는 기존 대비 23% 향상되었고, 특히 사기 탐지와 같은 중요 케이스에서의 재현율(recall)이 35%나 개선되었습니다. 무엇보다 중요한 비즈니스 패턴을 보존하면서도 노이즈를 효과적으로 제거할 수 있었죠.