선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- SPA 및 SUA의 각 제품은 동일한 계절상품으로 가격차이가 있는 제품을 선택했고, SPA 와 SUA를 동시에 선택한 것은 고객의 다양한 특성을 예측하고 IRANN모형이 서로 다른 계절 제품에 대해서도 높은 예측 결과를 나타내는지를 보이고자 하였다.
- 할 수 있다. 두 개의 출력 변수의 예측 정확도 차이보다는 출력 변수의 각 Set의 비교 분석을 위한 것이다.
- 하지만, 예측 결과에 대한 해석의 어려운 점이 있다. 본 연구에서는 이러한 ANN의 단점을 보완하기 위하여 출력변수 설명과 해석 이 용이한 귀닙규칙(Induction Rules : 을 통합한 예측모형(IRANN)을 제시하고 또한 ANN 모형과 이모형을 구축하여 각각 예측정확도를 비교 평가하고자 한다.
- 본 연구에서는 제품별 구매고객의 특성 예측 방법을 제안하고자 한다. 구매고객의 특성을 예측하기 위하여, 고객의 DB(Data Base) 에서 구매경험이 있는 고객에 대한 다양한 데이터를 수집하여 분석하는 것이 필요할 것이다.
- 각 모형 테스트는 제품에 따라 크게 두 부분으로 나눠 실행하였다. 봄제품(SPA)에 대한 고객 특성 예측과 여름 제품(SUA)에 대한 고객 특성 예측이 그것이며, 선정된 제품은 다른 제품과의 결과 차이를 보이는지 알아보기 위한 것이다.
가설 설정
- 특정 제품에 대한 고객들의 반응은 기호나 특성에 따라 차이가 있고, 제품을 적절한 고객에게 추천을 할 경우 구매 가능성이 높다는 것을 가정 하여, 봄제품(SPA) 2개(공기청정기, 가습기)와 여름제품 (SUA) 2개(에어컨, 선풍기)로 총 4개의 제품을 선택하였다. SPA 및 SUA의 각 제품은 동일한 계절상품으로 가격차이가 있는 제품을 선택했고, SPA 와 SUA를 동시에 선택한 것은 고객의 다양한 특성을 예측하고 IRANN모형이 서로 다른 계절 제품에 대해서도 높은 예측 결과를 나타내는지를 보이고자 하였다.
제안 방법
- 요인추출 방법으로 주성분 분석을 이용하고 고유치가 1이상인 요인들을 추출하여 varimax 직각회전을 실시하였다. 0.5~0.6 이상의 적재치를 기준으로 추출하는 경우가 일반적이므로 본 연구에서는 각 요인별 적재치가 0.6 이상인 변수들만 추출하였다.
- ANN모형과 같은 표본 데이터를 사용하므로 동일한 변수를 사용하고, 테스트Set을 훈련Set에 포함시켜 분석하였다. 가지치기는 지나치게 많은 마디를 가지는 의사결정나무는 새로운 자료에 적용할 때 예측 오차가 매우 클 가능성이 있으므로 SPSS 사의 Clementine 6.
- ANN모형의 측정결과가 우수한 모형을 선택한 후 이 모형을 검증Set에 적용하여 학습시키고 IR 기법을 이용하여 예측결과의 원인을 분석한다. IRANN모형과 ANN모형의 우수성을<표 7>의 예측정확도로 비교 평가한다.
- 0 모형의 형태로 해석된다. C5.0모형실험 결과 Boosting 옵션에 의해 다소간 정확도의 차이가 있었고, IRANN 모형에도 동일한 실험을 위해서 Boosting 옵션을 사용하였다.
- IRANN모형과 ANN모형의 우수성을의 예측정확도로 비교 평가한다.
- 검정 결과를 통해 출력 변수와 유의한 최종 입력변수를 선정하여 학습에 적용하였다. 검정은 p-val- ue가 0.
- 그리고 이 우수한 Set의 모형을 그대로 적용하여 검증Set에서 검증한다. 검증된 Set을 해석하기 위하여 IR기법을 통합하여 분석한다. 그럼으로써 우수한 예측정확도뿐만 아니라 ANN모형에서 설명할 수 없었던 예측과정을 Decision Tree로 해석할 수 있으며, 결과물 또한 이해하기 쉽다.
- 본 연구는 마케팅 관련 연구에서 입력과 출력변수가 연속형 뿐만 아니라 범주형의 경우 그리고 입력과 출력 변수의 관계를 나타내기가 어려운 복잡한 데이터에 대해서도 좋은 결과를 도출할 수 있는 점에서 ANN을 적용하였다. 하지만 ANNe 중간과정과 출력결과에 대한 설명과 해석이 어려워 IR 기법 C5.
- 결과를 보면 시도 수를 1로 하고 실행할 경우 분류자가 너무 적어서 향상이 취소되고, 마지막 분류자가 부정확할 경우 시도 수만큼 증가하지 않는다. 본 연구에서는 시도 수를 10까지 증가시켜도 시도 수 2이상은 예측정확도가 나아지지 않았기 때문에 Boosti道의 시도 수를 3으로 설정하였다.
- 본 연구에서는 은닉층 수를 하나만 사용하고, 은닉층 노드 수는와 같이 총 6개 set으로 구성된다.
- 본 장에서는 모형별 분석과 분석 결과의 원인을 제시하고, 각 모형들을 비교 분석하여 최적의 모형을 통해 제품별 고객의 특성을 추출하는 것이다. 각 모형 테스트는 제품에 따라 크게 두 부분으로 나눠 실행하였다.
- 사용된 데이터는 두 가지의 제품군을 구매한 고객 리스트로 구분하고, 예측기법에 따라서는 IR기법 C5.0 모형은 테스트Set을 적용할 필요가 없으므로 훈련Set 과 검증Set으로 분류한다.
- 김시환, 권영식[2]은 데이터마이닝을 이용한 인터넷 쇼핑몰고객 세분화에 관한 연구에서 고객 그룹의 세분화와 고객 구매 경향에 관한 예측을 하였으나 입력변수가 인구 통계학적 항목 변수와 구매거래 관련 변수 항목으로 구성되어 고객의 특성을 단편적으로 이해하거나 잘못된 정보를 제공할 수 있다. 이정환, 최문기⑸는 고객 세분화를 통해 인터넷 쇼핑몰 구매 경험자의 재 구매 의도에 영향을 미치는 요인을 분석하였다.
- 입력변수는 인구통계학적항목 변수와 고객 의식항목 변수를 사용하고, 출력 변수는 선정된 봄 제품인 공기청정기 구매, 가습기 구매와 여름제품인 에어컨 구매, 선풍기 구매를 각각 이분형으로 출력하였다. 인구통계학적항목의 각 특성분포는(표 2> 와 같고, 고객의식항목은 각 문항의 타당성을 검증하기 위해 요인분석을 하였다.
- 이를 위해 전체 표본 1,000개 데이터를 훈련용, 테스트용, 검증용 3개의 데이터 Set을 학습(6) : 테스트(2) : 검증(2) 비율로 무작위로 구성한다. 훈련 Set을 이용하여 모형을 구축하고 테스트Set과 검증 Set으로 모형의 비교와 최종적인 평가를 수행하는 것이다.
대상 데이터
- 기업의 고객 DB에서 과거에 특정 제품에 대해 구매 경험이 있는 고객관련 데이터를 수집한 고객리스트는 IRANN모형의 제품에 대한 고객특성 예측을 위한 기본 자료로 사용된다.
- 수집했다. 설문 대상은 20세 이상의 남녀이며 공기청정기, 가습기, 에어컨, 선풍기를 구매한 경험이 있는 약 1, 092명의 고객을 대상으로 온, 오프라인으로 조사하였다. 오프라인 조사는 12명의 교육된 조사자를 통해 개인면접을 실시하였고, 조사의 시간적, 경제적 제한으로 대상지역을 수도권, 강원도 일부, 대구로 한정하여 진행하였다.
- 설문 대상은 20세 이상의 남녀이며 공기청정기, 가습기, 에어컨, 선풍기를 구매한 경험이 있는 약 1, 092명의 고객을 대상으로 온, 오프라인으로 조사하였다. 오프라인 조사는 12명의 교육된 조사자를 통해 개인면접을 실시하였고, 조사의 시간적, 경제적 제한으로 대상지역을 수도권, 강원도 일부, 대구로 한정하여 진행하였다. 온라인 조사는 메신저를 통한 극히 일부분으로 연구 결과에 큰 차이가 없다고 본다.
- 이를 위해 전체 표본 1,000개 데이터를 훈련용, 테스트용, 검증용 3개의 데이터 Set을 학습(6) : 테스트(2) : 검증(2) 비율로 무작위로 구성한다. 훈련 Set을 이용하여 모형을 구축하고 테스트Set과 검증 Set으로 모형의 비교와 최종적인 평가를 수행하는 것이다.
- 인구통계학적항목과 고객의 여러 특성을 예측하기 위한 8개의 고객의식항목을 설문조사를 통해 데이터를 수집했다. 설문 대상은 20세 이상의 남녀이며 공기청정기, 가습기, 에어컨, 선풍기를 구매한 경험이 있는 약 1, 092명의 고객을 대상으로 온, 오프라인으로 조사하였다.
데이터처리
- C5.0모형 테스트는 보다 우수한 예측 결과를 위해서 Boosting 옵션을 사용하였고, Boosting 옵션에서 시도 수만큼 증가시킬 수 없는 경우는 마지막 분류자가 부정확할 때 발생한다.
- 설문지의 타당성과 신뢰성 검증을 위해 요인분석과 신뢰도 검사를 하였고, 의 입력 요소들이 출력 요소에 대하여 유의한지 검토하기 위해서 Chi-square검정을 실시하였다.
- 요인분석과 신뢰성 검증에서 제거된 변수 외에 남은 변수는 Monte Carlo 추정 값을 이용한 Chi- square검정을 실시했다. Chi-square검정에서 기대빈도가 5이하가 되는 Gell들이 있을 경우에 출력변수와 입력변수간의 관련 있는 것으로 사실 왜곡 가능성이 있다.
- 요인분석을 통해 선택된 문항은 Cronbach's a를 이용한 신뢰성 검증을 실시했다. 검증결과 SPA의 요인 1은 a =0.
- 인구통계학적항목의 각 특성분포는(표 2> 와 같고, 고객의식항목은 각 문항의 타당성을 검증하기 위해 요인분석을 하였다. 요인추출 방법으로 주성분 분석을 이용하고 고유치가 1이상인 요인들을 추출하여 varimax 직각회전을 실시하였다. 0.
- 인구 통계학적 항목과 고객의식항목으로 구성된 입력 변수는 출력 변수에 대하여 유의한지를 검토하기 위해서 Chi-square검정을 실시한다. 이를 통해 최종입력 변수를 선정하고 적용하여 ANN의 역전파 알고리즘으로 예측정확도를 측정하고, IR기법은 적절한 가지치기 (Prur曲ng)와 Boosting을 사용하여 측정한다.
- 인구통계학적항목의 각 특성분포는(표 2> 와 같고, 고객의식항목은 각 문항의 타당성을 검증하기 위해 요인분석을 하였다. 요인추출 방법으로 주성분 분석을 이용하고 고유치가 1이상인 요인들을 추출하여 varimax 직각회전을 실시하였다.
이론/모형
- [Step 4] Induction Rule을 이용하여 해석한다
- 분석하였다. 가지치기는 지나치게 많은 마디를 가지는 의사결정나무는 새로운 자료에 적용할 때 예측 오차가 매우 클 가능성이 있으므로 SPSS 사의 Clementine 6.5에서 제안한 방법으로 75%를 사용하였다.
- 인구 통계학적 항목과 고객의식항목으로 구성된 입력 변수는 출력 변수에 대하여 유의한지를 검토하기 위해서 Chi-square검정을 실시한다. 이를 통해 최종입력 변수를 선정하고 적용하여 ANN의 역전파 알고리즘으로 예측정확도를 측정하고, IR기법은 적절한 가지치기 (Prur曲ng)와 Boosting을 사용하여 측정한다.
성능/효과
- 신뢰성 검증을 실시했다. 검증결과 SPA의 요인 1은 a =0.672, 요인 2는 a = 0.642, 요인 3은 a = 0.230으로 나타나고, SUA의 요인 1은 a = 0.568, 요인 2는 a =0.650, 요인 3은 a =0.540으로 나타났다. a 계수가 0.
- <표 5>와<표 6> 은 Boosting 옵션을 이용하여 시도 수를 1부터 10 까지 증가시키는 과정을 보여준다. 결과를 보면 시도 수를 1로 하고 실행할 경우 분류자가 너무 적어서 향상이 취소되고, 마지막 분류자가 부정확할 경우 시도 수만큼 증가하지 않는다. 본 연구에서는 시도 수를 10까지 증가시켜도 시도 수 2이상은 예측정확도가 나아지지 않았기 때문에 Boosti道의 시도 수를 3으로 설정하였다.
- 고객예측을 위한 문제에서 AN眼와 IR의 두 기법의 이점을 취한 모형을 이용함으로서 ANN 혹은 IR을 단독으로 사용했을 때 보다 우수한 예측정확도를 나타내는 결과를 얻을 수 있었다. 예측정확도 높이기 위해서는 제품을 필요로 하는 구매 경험이 있는 고객의 리스트를 충분히 확보하여 고객의 정보를 정확히 수집하여야 할.
- 두 번째 IRANN모형을 제외한 모형들이 대체로 낮은 예측정확도를 보이고 있다. 그러나 ANN 기법을 통한 학습 성과는 사용된 데이터의 양과 질에 의존하므로 개선된 데이터만 확보된다면 보다 높은 예측정확도를 기대할 수 있다.
- 각 Set 은 비교적 낮은 예측정확도를 보이며 아주 큰 차이가 없다. 변수 Xspa에서 11개의 은닉층 노드수를 가지는 Set 6(6406%)이 가장 우수한 예측정확도를 나타냈고, 변수 Xsua에서는 30개의 은닉층 노드 수를 가지는 Set 4(67.87%)이 가장 우수한 예측정확도를 나타냈다.
- 본 연구에서는 테스트Set과의 결과 차이가 크지 않으므로 훈련Set에서 우수한 결과를 적용한다.
- 세 번째 봄제품(SPA)과 여름제품(SUA)의 ANN 모형과 IRANN모형의 예측결과를에서 보면 IRA心的모형은 C5.0모형에 의한 해석 능력을 가질 뿐만 아니라 예측정확도에 있어서도 우수한 결과를 나타낸다.
- <표 13>은 검증Set의 결과와 IRANN모형 결과뿐만 아니라 ANN모형의 훈련Set과 테스트 Set에서 가장 우수한 결과를 보인 모형의 예측정확도와 C5.0모형의 훈련Set의 예측정확도를 보여준다. 이것은 각 모형의 훈련 중에 어떤 우수한 Set을 적용시켜서 나타난 검증 결과인가를 보여주기 위한 것이며, 우수성을 입증하기 위하여 BRANN모형의 예측정확도와 ANN모형의 예측정확도를 비교하는 것이므로 ANN모형과 C5.
- ANN을 적용하였다. 하지만 ANNe 중간과정과 출력결과에 대한 설명과 해석이 어려워 IR 기법 C5.0으로 보완한 IRANN모형을 통해 특정 제품의 구매 의도를 가진 고객특성을 보다 정확히 예측할 수 있었다.
후속연구
- 제안하고자 한다. 구매고객의 특성을 예측하기 위하여, 고객의 DB(Data Base) 에서 구매경험이 있는 고객에 대한 다양한 데이터를 수집하여 분석하는 것이 필요할 것이다.
- 예측정확도를 보이고 있다. 그러나 ANN 기법을 통한 학습 성과는 사용된 데이터의 양과 질에 의존하므로 개선된 데이터만 확보된다면 보다 높은 예측정확도를 기대할 수 있다.
- 본 연구의 모형은 많은 변수를 가지고 있는 대규모의 데이터를 대상으로 하며 다양한 방법론에 의한 분석을 포함하고 있기 때문에 모형의 타당성을 평가하고 여러 모형을 비교 검토하는 작업이 필요하다. 이를 위해 전체 표본 1,000개 데이터를 훈련용, 테스트용, 검증용 3개의 데이터 Set을 학습(6) : 테스트(2) : 검증(2) 비율로 무작위로 구성한다.
- 선별된 고객에게 차별화 되고 집중화 된 판매촉진 활동으로 구매 가능성이 높은 우수 고객을 확보할 수 있고, 필요한 고객에게 필요한 마케팅과 제품정보를 제공할 수 있을 것이다. 나아가 구매 가능성이 낮은 고객에게 불필요한 마케팅 비용을 절감하여 전체 수익을 극대화 시킬 수 있는 것이다.
- 일반적으로 은닉층의 PE의 개수는 결과에 큰 영향을 주지 않는다고 한다[6, 18]. 즉, 은닉층 수와 PE의 개수 결정은 어떻게 응용하는가에 따라 달라지고, 주관적일 수 있으므로 실험으로 확인하는 것이 바람직 할 것이다[4]. 만약 입력 자료가 특성 추출이용이 하지 않은 자료로 구성되어 있으면 고수준의 특성을 추출하기 위해서는 여러 개의 은닉층이 요구된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.