초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

문제를 해결하기 위해서는 문제를 일으킨 원인을 찾아 다시 그러한 결과가 발생하지 않도록 하는 것이 필수적이다. 결과에 대한 원인을 찾는 연구 방법으로 인과추론 방법이 이용될 수 있으며, 특히 비즈니스 마케팅 환경에서 이러한 인과추론 방법론의 중요성이 대두되고 있다. 이 논문에서는 텔레마케팅 데이터를 분석하여 여러 요소들 간의 인과 관계를 정의하고 이를 기반으로 ...

문제를 해결하기 위해서는 문제를 일으킨 원인을 찾아 다시 그러한 결과가 발생하지 않도록 하는 것이 필수적이다. 결과에 대한 원인을 찾는 연구 방법으로 인과추론 방법이 이용될 수 있으며, 특히 비즈니스 마케팅 환경에서 이러한 인과추론 방법론의 중요성이 대두되고 있다. 이 논문에서는 텔레마케팅 데이터를 분석하여 여러 요소들 간의 인과 관계를 정의하고 이를 기반으로 의사결정을 정확히 내림으로써 효과적인 마케팅 전략을 세우고자 한다. 텔레마케팅 데이터를 잘 반영하는 방향성 비순환 그래프(DAG)를 찾기 위하여 베이지안 네트워크 학습을 하고자 한다. 베이지안 네트워크는 조건부 확률을 사용해 변수들 간의 결합분포를 방향성 비순환 그래프로 나타냄으로써 변수들간의 관계를 나타내는 방법론이다. 베이지안 네트워크를 통해 선택된 비순환 그래프에서 인과 경로 파악 및 개입 효과 계산 등 다양한 인과추론 방법을 이용하여 변수들간의 인과 관계를 해석할 수 있다. 본 논문에서는 텔레마케팅 데이터에서 베이지안 네트워크 학습 과정에서, 부트스트랩, 임계값 재설정 등의 네트워크를 보완하는 과정을 거침으로써 인과성을 가장 잘 나타내는 비순환 그래프를 찾는 방법을 상세히 설명하고자 한다. 또한, 비순환 그래프에서 뒷문효과와 개입효과 추정 등 인과추론 방법을 통해 텔레마케팅의 성공에 영향을 주는 요인을 분석하고자 한다.

Abstract ▼ AI-Helper

In order to prevent unwanted results or obtain desired results, we need to find the cause of various phenomena. Causal inference can be used to find the cause of a specific phenomenon. In particular, causal inference is attracting attention in the business marketing field. In this paper, we aim to e...

In order to prevent unwanted results or obtain desired results, we need to find the cause of various phenomena. Causal inference can be used to find the cause of a specific phenomenon. In particular, causal inference is attracting attention in the business marketing field. In this paper, we aim to establish an effective marketing strategy by analyzing telemarketing data through casual relationship among variables. We do Bayesian network learning to find directed acyclic graph (DAG) which reflects telemarketing data. Bayesian network is a methodology that finds the relationship among variables by using conditional probability and represents the joint distribution of variables as a DAG. In DAG selected from Bayesian networks, we can apply various causal inference methods such as identifying causal paths and calculating intervention effect. In this paper, we find an appropriate DAG which represents causality by supplementing networks such as bootstrap and threshold reset in Bayesian network learning process in telemarketing data. Furthermore, we analyze factors that influence the success of marketing through causal inference methods such as estimation of backdoor effect and intervention effects in DAG.