$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

단기 시계열 제품의 전이함수를 이용한 수요예측과 마케팅 정책에 미치는 영향에 관한 연구
A Study on the Demand Forecasting by using Transfer Function with the Short Term Time Series and Analyzing the Effect of Marketing Policy 원문보기

산업공학 = IE Interfaces, v.16 no.4, 2003년, pp.400 - 410  

서명율 (동국대학교 산업시스템공학부) ,  이종태 (동국대학교 산업시스템공학부)

Abstract ▼ AI-Helper 아이콘AI-Helper

Most of the demand forecasting which have been studied is about long-term time series over 15 years demand forecasting. In this paper, we set up the most optimal ARIMA model for the short-term time series demand forecasting and suggest demand forecasting system for short-term time series by appraisi...

주제어

#short term time series   #transfer function   #demand forecasting  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 따라서 많은 영향을 주고 있는 변수들의 인과 관계를 모두 고려하는 것보다 시장 내에서 여러 변수들과의 관계를 통해서 형성된 지난 3년간의 단기 시계열 자료인 판매량 데이터를 종속변수로 설정하고, 지역별 직영대리점의 직원 수. 규모, 광고비등을 설명변수로 하여 수요에 영향을 미치는 요인을 분석하고 수요 패턴을 찾아 단기 시계열의 예측력과 Off-Line 마케팅 정책에 미치는 영향을 발견, 제시하고자 한다.
  • 따라서 본 연구에서는 분당을 제외한 3개 도시의 월별 수요량 예측을 위한 적합한 예측모형을 수립하기 위해서 ARIMA 모형과 전이함수 모형을 사용하여 예측률을 비교해 보고자 한다. 지역별 직영대리점에서 사용한 광고비의 추세는 큰 변화가 없음을 알 수 있다.
  • AIC와 SBC 정보량들은 Akaike(1974)가 모형의 적합 여부를 판단하는 통계량으로 처음 사용하기 시작한 이래 많이 사용되고 있는 통계량으로 모형이 잘 적합될수록 값이 작아진다. 본 논문은 장기 시계열에서 적용되는 ARIMA 기법을 단기 시계열에서 적용하면서 예측력을 향상시키기 위해서 전위함수 모형을 적용하여 분석했다는 점에서 의미가 있다고 본다. 전이함수 모형을 통해서 보다 많은 정보를 모형에 적용하고 그 예측력을 비교, 검토하여 단기 시계열에서 ARIMA 모형의 범용성을 보여주고 있다.
  • 본 연구는 장기 시계열에서 적용되는 ARIMA 기법을 단기 시계열에서 적용하면서 예측력을 향상시키기 위해서 전이함수 모형을 적용하여 분석했다는 점에서 의미가 있다고 본다. 전이함수 모형을 통해서 보다 많은 정보를 모형에 적용하고 그 예측력을 비교, 검토하여 단기 시계열에서 ARIMA 모형의 범용성을 보여주고 있다.
  • 그러나 본 연구에서는 최근 기업이나 정부에서 많이 요구되고 있는 공산품에 대한 단기(1∼3개월) 수요예측을 위하여 많이 이용될 수 있는 시계열 예측기법(Time Series Forecasting Methods)중 일반적 형태인 단일변수(univariate)방법과 전이함수 모형을 실제의 계절상품 냉장고 판매매출액 자료를 이용하여 분석하였다. 본 연구에서는 장기 시계열의 계절조정과 수요예측에 관한 선행연구(Seo and Rhee, 2003; Seo and Rhee, 2003)를 바탕으로 A사의 자회사인 하이마트의 지역별 4개의 대형 대리점에서 판매한 최신 냉장고 DIOS 모델 36개월 단기시계열의 판매량 데이터를 사용하여 적합한 수요예측 모형을 구축하고 Off-line 마케팅 정책에 미치는 영향을 분석하여 소비자의 욕구에 민첩하게 대응할 수 있는 단기예측 시스템을 구축하는 것이 본 연구의 목적이다.
  • 특히 상품의 계절적인 특성에 따라서 다양한 판촉기획 행사는 제품의 판매량을 급격하게 증대시킬 수 있는 주요한 판매정책으로 자리매김하고 있다. 제품의 판매량 데이터를 분석하는 모형을 보다 심도 있게 분석하기 위해서 전이함수 모형을 사용하여 제품의 판매량과 광고비용의 영향력을 분석해 보고자 한다.

가설 설정

  • 충격 C의 효과는 시간의 흐름과 함께 소멸될 것이다. yt에서 εt가 C만큼 상승한 경우 yT, yT + 1, yT + 2 등은 각각 Cα, Cα2, Cα3 만큼 증가하여 충격 C의 효과가 영속적인 영향을 미치지 않게 된다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
시계열분석 방법 중 Box-Jenkins 방법은 어떤 방법의 대표적인 것인가? 시계열분석을 크게 나누면 평활법, 분해법, 조정법의 3가지로 구분할 수 있고, 평활법의 대표적인 것이 이동평균법(moving average), 지수평활법(exponential smoothing)이다. 그 외에 Box-Jenkins 방법은 조정법(control method)의 대표적인 것이고, 분해법(decomposition method)은 정부의 경제지표에 많이 이용된다.
시계열(time series) 데이터란? 시계열(time series) 데이터는 주기적으로 측정된 값들의 나열을 의미한다. 시계열 데이터에는 연속된 또는 특정 주기를 가지는 값들 사이에 얼마간의 자기상관성이 발견되는데, 이런 성격에 근거하여 시계열의 패턴을 몇 가지 측면에서 분석할 수 있다(Shin and Sohn, 2002).
시계열 분석법은 어떠한 가정하에서 출발하나? 시계열 데이터에는 연속된 또는 특정 주기를 가지는 값들 사이에 얼마간의 자기상관성이 발견되는데, 이런 성격에 근거하여 시계열의 패턴을 몇 가지 측면에서 분석할 수 있다(Shin and Sohn, 2002). 시계열 분석법은 과거의 시계열 패턴이 미래에도 반복된다는 가정하에서 출발하는 것이며, 미래 예측을 위한 모델을 개발하기 위해 예측이 필요한 변수의 과거 시계열 자료만을 사용하는 기법이다. 그러므로 시계열 분석법을 사용하기 위해서는 과거 데이터의 이용이 가능해야 할 뿐만 아니라 상대적으로 안정적이어야 한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (27)

  1. Akaike, H. (1974) A New look at statistical model identification, IEEE Trans, on Automatic Control, 19, 716-723 

  2. Ashley, R. C., Granger, C. W. J. and Schmalensee, R., Advertising and Aggregate Consumption: An Analysis of Casuality, Econometrica, 48(5), 1149-1167 

  3. Box, G. E. P. and Jenkins, G. M.(1976). Time Series Forecasting and Control, Holden Day, NewYork 

  4. Chang, K. S. (1997). The Effect on Inventory Control Polices of Demand Forecasting. Yeonsei univ Ph. D. Thesis. Seoul, Korea 

  5. Chung, K. S. (1980), An Empirical Comparison of Box-Jenkins Methods with Other Short Term Time Series Forecasting Methods, Korea Advanced Institute of Science and Technology M.S Thesis, Seoul, Korea 

  6. Chen, G. K. C and Winters, P. R.(1968), Forecasting peak Demand for Utility with a Hybird Exponetial Model, Management Science, 12, B531-B537 

  7. Chiu,K, Higginson,J. and Hout, G..(1985), Performance of ARIMA Models in Time Series, Survey Methodology, 11, 51-64 

  8. Hillmer, S. C,. Tiao, and G. G. (1982), An ARIMA model-based approach to seasonal adjustment, JASA, 77(377), 63-70 

  9. Jang, J. H (1999), A Statistical Study on the Prediction of High Ozone concentration in Pusan Area, Pusan national univ M. A. S Thesis, Pusan, Korea 

  10. Kim,D.(1992). Econometrics, Human love co, Seoul, Korea 

  11. Kim,T. H., Yu, K. A. and Kim,J. H., An Analysis of the Interrelationships between the Domestic and Foreign Stock Market Variations over the Depressed Market Period, Journal of The Korean O.R and M.S Society, 28(1), 11-23 

  12. Lee.J. S. (1979), Box-Jenkins Time Series Analysis for Short Term Forecasting on The Refinery Products, Korea Advanced Institute of Science and Technology M.S Thesis, Seoul, Korea 

  13. Lee,J. W. (1994). Econometrics, Parkyeongsa. Seoul Korea 

  14. Mabert, V. A. (1975), An Introduction to Short Term Forecasting using the Box-jenkins Methodology, AlE Transaction 

  15. Naylor, T. H, Seaks, T. G. and Wicherin, D. W., (1972), Box-Jenkins Method, An Alterantive to Economic Forecasting, International Statistical Review, 40(2), 123-137 

  16. Nelson, C. Rand Ploser, C. (1982), Trends and Random Walks in Macroeconomic Time Series: Some Evidence and Implications, Journal of Monetary Economics, 10(2), 139-162 

  17. Newbold, P. and Granger, C. W. J. (1974), Experience with Forecasting Univariate Time Series and Condition of Forecasts, Journal of the Royal Statistical Society A, 131-146 

  18. Oh, H Y. (1997), Forecasting of the Short-term Demand for the Natrual Gas using Time Series Analysis and Artificial Neural Network, Korea Advanced Institute of Science and Technology M.B.A Thesis, Seoul, Korea 

  19. Park, Y. J.(1994).Some Test for Unit roots in Time Series Model with Seasonal Deterministic Trends, Seoul national univ Ph. D. Thesis. Seoul, Korea 

  20. Park, Y. S and Huh, M. H.(2000), Time Series Analysis, Free Academy co. Seoul, Korea 

  21. Park, Y. S. (1995) A study on Forecasting-Model Development and Application to Tele-Communication Marketing. Korea Advanced Institute of Science and Technology Ph. D. Thesis 

  22. Phillips, Peter C.B and Pierre Perron. (1988), Testing for a Unit Root in Time Serie Regression, Biometricka, 75(2), 335-346 

  23. Seo, M. Y. and Rhee, J. T. (2003), A Study on the Seasonal Adjustment of Time Series for Seasonal New Product Sales, Journal of The Korean O.R and M.S Society, 20(1), 103-124 

  24. Seo, M. Y. and Rhee, J. T. (2003), A Study on the Seasonal Adjustment of Time Series and Demand Forecasting for Electronic Product Sales, Journal of The Korean Applied Relaibility, 3(1), 13-40 

  25. Shin, H. W. and Sohn. S. Y. (2002), EWMA Based Fusion for Time Series Forecasting, Jouranal of the Korean Institute of Industrial Engineers, 28(2), 171-177 

  26. Walter Enders Iowa State Univ.(1995), Applied Economic Time Series, John Wiley & Sons, Inc, NewYork 

  27. Yeom, C. G. (2000). Linear- Regression Analysis, Free Academy co. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로