빅 데이터가 경영과 경제 분야에서 활용범위가 확대되고 비지니스에 중요한 영향을 미치면서 빅 데이터분석에 대한 관심이 증대하고 있다. 군집분석은 빅 데이터를 분석하는 대표적인 분석방법중의 하나이다. 군집분석에 의한 군집화 결과는 기업의 가치를 극대화 시킬 수 있는 핵심자원의 역할을 하게 된다. 따라서군집화 결과에 대한 신뢰성을 검증하는 것은 중요한 이슈가 된다. 본 연구는 군집화 결과의 유효성을 판단하는 클러스터링 유효성 지수(Clustering Validity Index: CVI)를 다룬다. 본 연구는 CVI 중, 기존 연구들에서 많이 사용한 Davies-Bouldin(DB) 지수의 설계원리를 응집도와 분리도의 개념으로 분해하고 응집도에 새로운 계산원리를 반영한다. 기존 CVI들은 데이터의 구조가 복잡한 노이즈, 부분군집, 임의형상, 그리고 비대칭 분포 등의 형태를 가질 때 그 성능이 민감한 것으로알려져 있다. 본 연구에서는 서포트 벡터 데이터 표현(Support Vector Data Description: SVDD) 개념을기존 DB 지수의 응집도 계산에 반영하여 새로운 CVI를 제안한다. 제안된 CVI는 비선형 데이터를 고차원 데이터로 변환할 수 있도록 커널(Kernel) 함수를 이용한다. 이를 통해 DB 지수가 취약했던 데이터들의 민감성을 보완할 수 있다. SVDD 개념을 반영한 CVI는 DB 지수뿐만 아니라 거리 척도를 이용한 많은 CVI에 적용이 가능하며, 기존 CVI들의 성능 개선에 도움이 될 수있다.