웹 로그 분석을 통한 사용자 행동 예측: 온라인 쇼핑 중 구매 결정 지원 기능을 이용한 트래픽을 중심으로 User's Behavior Prediction Based On Weblog Analysis: Focused On Traffic Using Purchase Decision Support Functions During Online Shopping원문보기
이커머스(E-Commerce) 시장의 치열한 경쟁 속에서 살아남기 위해, 서비스 관리 자에겐 많은 사용자를 유입시켜 상품을 구매하도록 만드는 역할이 중요해졌다. 이를 위해, 사용자의 쇼핑을 돕는 다양한 기능들이 서비스에 추가되었다. 그 동 안, 온라인 쇼핑 사용자의 구매 행동에 대한 연구들은 구매 의도 형성이나 구매 행동과 연관된 내부적, 외부적 요인을 찾는 일에 주목해왔다. 하지만, 사용자의 구매 결정을 돕는 기능들이 지니는 학문 및 실무적 중요성에도 불구하고, 구매 결정을 지원하는 기능들에 대한 연구는 매우 제한적이며, 부족한 상황이다. 따라서, 본 연구에서는 ‘장바구니 담기’, ‘관심 상품 등록’, 그리고 ‘상 품 정보에 대한 상담 기능’을 쇼핑 시 사용자의 구매 결정을 돕는 기능으로 정 하고, 기능을 이용한 사용자들의 행동과 특징을 확인해보았다. 먼저, 상품을 구 매한 사용자 비율을 파악한 결과, 본 연구에서는 88.9%의 비교적 높은 비율의 사 용자가 기능을 이용하였음을 확인할 수 있었다. 또한, 사용자들이 기능을 이용한 경우의 수를 기준으로 총 네 가지의 ...
이커머스(E-Commerce) 시장의 치열한 경쟁 속에서 살아남기 위해, 서비스 관리 자에겐 많은 사용자를 유입시켜 상품을 구매하도록 만드는 역할이 중요해졌다. 이를 위해, 사용자의 쇼핑을 돕는 다양한 기능들이 서비스에 추가되었다. 그 동 안, 온라인 쇼핑 사용자의 구매 행동에 대한 연구들은 구매 의도 형성이나 구매 행동과 연관된 내부적, 외부적 요인을 찾는 일에 주목해왔다. 하지만, 사용자의 구매 결정을 돕는 기능들이 지니는 학문 및 실무적 중요성에도 불구하고, 구매 결정을 지원하는 기능들에 대한 연구는 매우 제한적이며, 부족한 상황이다. 따라서, 본 연구에서는 ‘장바구니 담기’, ‘관심 상품 등록’, 그리고 ‘상 품 정보에 대한 상담 기능’을 쇼핑 시 사용자의 구매 결정을 돕는 기능으로 정 하고, 기능을 이용한 사용자들의 행동과 특징을 확인해보았다. 먼저, 상품을 구 매한 사용자 비율을 파악한 결과, 본 연구에서는 88.9%의 비교적 높은 비율의 사 용자가 기능을 이용하였음을 확인할 수 있었다. 또한, 사용자들이 기능을 이용한 경우의 수를 기준으로 총 네 가지의 클래스(Class)로 구분하여 클래스 별 비율이 가장 높은 사용자 그룹의 행동 특징을 확인해보았다. 그리고 새로운 사용자가 서 비스를 이용한다면 기능을 이용할지, 이용한다면 어떤 기능들을 이용할지를 예측 해 보기 위해, 머신러닝의 예측 모형 중 앙상블 모형인 배깅(Bootstrap Aggregating)과 랜덤 포레스트(Random Forest), 그리고 분산형 그래디언트 부스 팅 알고리즘(Extreme Gradient Boosting, 이하 XGBOOST) 모형을 활용하였다. 또 한, 데이터 불균형 문제를 해결하기 위해 SMOTE(Synthetic Minority Oversampling Technique)와 ADASYN(Adaptive Synthetic Sampling), 그리고 랜덤 오버 샘플링(Random Over Sampling)의 세 가지 오버 샘플링 기법을 적용해보고 사용 전과 후의 모형 별 예측 성능을 비교하였다. 연구 결과, 오버 샘플링 기법을 적 용하기 전의 데이터셋으로 학습된 배깅(Bagging) 모형이 정확도가 0.98, F-값이 0.74로 가장 좋은 성능을 보였다. 본 연구를 통해, 사용자의 구매 결정을 지원하는 기능을 이용한 서비스 사용자 들의 행동 패턴을 탐색하여 군집화해봄으로써 사용자 집단 별 행동 기록을 파악 해볼 수 있다는 점에 의의가 있다. 또한, 관리자가 추가하고 관리하는 서비스 내 기능들을 사용자들이 이용할지, 이용한다면 어떤 기능들을 어떻게 이용할지 예측 해봄으로써 기능들에 대한 관리의 용이성 뿐 만 아니라, 구매 행동으로 연결될 가능성이 높은 트래픽을 선별할 수 있으므로 해당 집단들에 대한 심도 깊은 분석 을 통해 오디언스 타겟팅(Audience Targeting)과 같은 사용자 특성을 고려한 마 케팅과 서비스 개선이 가능하다는 점에서 실무적 시사점이 기대된다.
이커머스(E-Commerce) 시장의 치열한 경쟁 속에서 살아남기 위해, 서비스 관리 자에겐 많은 사용자를 유입시켜 상품을 구매하도록 만드는 역할이 중요해졌다. 이를 위해, 사용자의 쇼핑을 돕는 다양한 기능들이 서비스에 추가되었다. 그 동 안, 온라인 쇼핑 사용자의 구매 행동에 대한 연구들은 구매 의도 형성이나 구매 행동과 연관된 내부적, 외부적 요인을 찾는 일에 주목해왔다. 하지만, 사용자의 구매 결정을 돕는 기능들이 지니는 학문 및 실무적 중요성에도 불구하고, 구매 결정을 지원하는 기능들에 대한 연구는 매우 제한적이며, 부족한 상황이다. 따라서, 본 연구에서는 ‘장바구니 담기’, ‘관심 상품 등록’, 그리고 ‘상 품 정보에 대한 상담 기능’을 쇼핑 시 사용자의 구매 결정을 돕는 기능으로 정 하고, 기능을 이용한 사용자들의 행동과 특징을 확인해보았다. 먼저, 상품을 구 매한 사용자 비율을 파악한 결과, 본 연구에서는 88.9%의 비교적 높은 비율의 사 용자가 기능을 이용하였음을 확인할 수 있었다. 또한, 사용자들이 기능을 이용한 경우의 수를 기준으로 총 네 가지의 클래스(Class)로 구분하여 클래스 별 비율이 가장 높은 사용자 그룹의 행동 특징을 확인해보았다. 그리고 새로운 사용자가 서 비스를 이용한다면 기능을 이용할지, 이용한다면 어떤 기능들을 이용할지를 예측 해 보기 위해, 머신러닝의 예측 모형 중 앙상블 모형인 배깅(Bootstrap Aggregating)과 랜덤 포레스트(Random Forest), 그리고 분산형 그래디언트 부스 팅 알고리즘(Extreme Gradient Boosting, 이하 XGBOOST) 모형을 활용하였다. 또 한, 데이터 불균형 문제를 해결하기 위해 SMOTE(Synthetic Minority Oversampling Technique)와 ADASYN(Adaptive Synthetic Sampling), 그리고 랜덤 오버 샘플링(Random Over Sampling)의 세 가지 오버 샘플링 기법을 적용해보고 사용 전과 후의 모형 별 예측 성능을 비교하였다. 연구 결과, 오버 샘플링 기법을 적 용하기 전의 데이터셋으로 학습된 배깅(Bagging) 모형이 정확도가 0.98, F-값이 0.74로 가장 좋은 성능을 보였다. 본 연구를 통해, 사용자의 구매 결정을 지원하는 기능을 이용한 서비스 사용자 들의 행동 패턴을 탐색하여 군집화해봄으로써 사용자 집단 별 행동 기록을 파악 해볼 수 있다는 점에 의의가 있다. 또한, 관리자가 추가하고 관리하는 서비스 내 기능들을 사용자들이 이용할지, 이용한다면 어떤 기능들을 어떻게 이용할지 예측 해봄으로써 기능들에 대한 관리의 용이성 뿐 만 아니라, 구매 행동으로 연결될 가능성이 높은 트래픽을 선별할 수 있으므로 해당 집단들에 대한 심도 깊은 분석 을 통해 오디언스 타겟팅(Audience Targeting)과 같은 사용자 특성을 고려한 마 케팅과 서비스 개선이 가능하다는 점에서 실무적 시사점이 기대된다.
The development of the Internet has led many people to trade online. As the ecommerce market grew rapidly, new forms of online shopping malls emerged and the number grew significantly. In order to survive in the fiercest competition, it became important for the service manager to bring many users an...
The development of the Internet has led many people to trade online. As the ecommerce market grew rapidly, new forms of online shopping malls emerged and the number grew significantly. In order to survive in the fiercest competition, it became important for the service manager to bring many users and making them buy goods inside the service. To this end, the service manager added various functions to support the purchase decision of the user. The researches related to purchase behavior of online shopping users have been focused on finding internal or external factors related to purchase intention formation or purchase behavior. However, despite the academic and practical importance of the functions that support user purchase decisions, such as "shopping cart" and "Like Button for product", research on functions to support purchase decisions is very limited. Therefore, in this study, we investigate the effect of usage of functions that support user purchase decision on actual purchase, and explore behavior patterns of users using functions. And, we predict which purchase decision support functions will be used by the new users using their behavior log. And we used three prediction models to predict which purchase decision support function will be used in a shopping site when new users use the service. In order to solve the data unbalance problem, we compare the prediction performance of each model by applying oversampling technique. As a result of the study, the bagging model learned with the data set before sampling showed the best performance with accuracy of 0.98 and F-value of 0.74. Through this study, we could grasp the influence of the functions supporting the purchase decision of the user on the actual purchase behavior, and by browsing and grouping the behavior patterns of the users using the functions. In addition, by predicting users behavior about Whether or not to use functions and how to use the functions which added and managed by the administrator. it is possible to select not only the ease of management of the functions but also the traffic likely to be connected to the purchase behavior. Therefore, there is a practical implication in that marketing and service improvement can be done considering user's characteristics of behavior such as audience targeting.
The development of the Internet has led many people to trade online. As the ecommerce market grew rapidly, new forms of online shopping malls emerged and the number grew significantly. In order to survive in the fiercest competition, it became important for the service manager to bring many users and making them buy goods inside the service. To this end, the service manager added various functions to support the purchase decision of the user. The researches related to purchase behavior of online shopping users have been focused on finding internal or external factors related to purchase intention formation or purchase behavior. However, despite the academic and practical importance of the functions that support user purchase decisions, such as "shopping cart" and "Like Button for product", research on functions to support purchase decisions is very limited. Therefore, in this study, we investigate the effect of usage of functions that support user purchase decision on actual purchase, and explore behavior patterns of users using functions. And, we predict which purchase decision support functions will be used by the new users using their behavior log. And we used three prediction models to predict which purchase decision support function will be used in a shopping site when new users use the service. In order to solve the data unbalance problem, we compare the prediction performance of each model by applying oversampling technique. As a result of the study, the bagging model learned with the data set before sampling showed the best performance with accuracy of 0.98 and F-value of 0.74. Through this study, we could grasp the influence of the functions supporting the purchase decision of the user on the actual purchase behavior, and by browsing and grouping the behavior patterns of the users using the functions. In addition, by predicting users behavior about Whether or not to use functions and how to use the functions which added and managed by the administrator. it is possible to select not only the ease of management of the functions but also the traffic likely to be connected to the purchase behavior. Therefore, there is a practical implication in that marketing and service improvement can be done considering user's characteristics of behavior such as audience targeting.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.