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
- 즉, SOM이나 K-means의 경우, 범주형 변수가 통계적으로 유의한 결과를 나타내고는 있지만 실질적으로 변수간의 차이가 두드러지게 나타나지 않는다는 것을 알 수 있다. 따라서 범주형 변수를 사용할 때 해당 방법을 사용하는 것은 그 한계를 가지고 있다는 것을 간접적으로 제시하는 바이다.
- 해외에서는 다수의 학자들이 LCA를 사용하여 시장 세분화를 진행하고 있음에도 불구하고, 국내에서는 LCA를 활용한 시장 세분화에 대한 연구가 극히 제한적으로 진행되고 있으며[1], 특히나 LCA 분석 시, 범주형 변수 이외에 수치형 변수를 동시에 사용하여 분석한 사례는 찾아볼 수 없다. 따라서 본 연구는 기존 연구 방법을 확장[1], SAS LCA proc을 활용하여 범주 및 수치형 범주가 포함되어 있는 영화 산업 설문 자료를 토대로 시장 세분화를 하고 그 결과를 바탕으로 영화 소비자의 특성을 이해하고자 한다.
- 따라서 본 연구는 해당 LCA 모형을 기본으로 영화 소비자의 특성을 파악하고, 해당 분석 기법을 사용할 때 주의사항과 해당 분석 결과를 해석하는 방법에 대한 논의를 진행하고자 한다. 김영찬, 이두희[1]의 연구가 LCA를 활용시, 범주형 변수만을 사용 하여 인터넷 구매자의 특성을 파악하였던 것을 확장하여, 본 연구는 “공변량이 함께 고려된 LCA” 모형을 사용하여, 범주형 외에도 연속형 변수들을 동시에 사용하여 분석을 진행하고자 한다.
- 시장 세분화 분석 방법 별 결과를 토대로 LCA가 다른 방법에 비해 간접적으로 더 효과적이라는 것을 검증하였다. 따라서 본 항에서는 LCA에 기초하여 영화 소비자들의 세분 군집의 특성을 이해하고자 한다.
- 본 연구는 매해 영화 진흥위원회에서 실시하는 관객 소비자 조사 데이터를 토대로 영화 소비자 특성을 규정하였고 이를 토대로 구체적인 영화 소비자의 특성 분석 방향을 제시하였다는 점에서 그 실용적 의의가 있다. 이 연구의 가장 큰 특징은 LCA 를 활용하여 시장 세분화 분석에서의 문제점을 최소화하고 자의적 군집 수의 결정이 아닌 계량적 방법으로 최적군집숫자를 제시하였다는 것이다.
- 이 같은 LCA의 결과가 K-means와 SOM의 결과보다 우월한지를 검증하기 위해, 본 연구는 추가 적으로 동일한 표본을 대상으로 K-means와 SOM 을 활용하여 군집 분석을 실행하였다.
- 연구 결과 잠재계층 모형을 통해 분석된 영화 산업 시장의 최적군집숫자는 11개였으며, 이는 BIC값을 기준으로 결정되었다. 이 연구는 다양한 시장 세분화 기법을 소개하고 각 분석 기법의 장단점을 설명하여, 현업에서 시장 세분화 분석을 진행할 시 유용한 정보를 제공할 것으로 예상한다.
- 이 연구는 시장세분화 분석 기법 사용시 고려되어야 할 사항과 이에 따라 활용 가능한 시장세분화 분석 기법을 소개하고 영화 소비 경험에 따른 소비자 세분화 연구를 시도하였다. 이 연구는 소비자의 영화 선택 의사 결정 과정에 영화의 제품적 속성과 영화 관람 동기가 그 영향을 미침을 가정하고, 이 두 요인에 따라 영화 소비자 특성간의 분류가 가능함을 시사하였다.
- 이 연구는 영화진흥위원회가 배포한 2차 자료를 분석함으로써 각 세그먼트의 특징을 살펴보았다. 이 자료는 다양한 인구통계학적 변수들을 토대로 표본들을 구성하고 있기 때문에 본 연구의 질을 향상 시키는 데에 적합한 자료 선정이었지만, 동시에 영화 진흥위원회의 설문 문항 사용으로 인한 측정의 한계를 가지고 있다.
- 이러한 문제를 해결하기 위한 방법으로 본 연구에서는 1980년대부터 다양한 학자들에 의해 사용되고 있는 잠재계층분석 방법(Latent class analysis：이하 LCA)을 소개하고자 한다. 해외에서는 다수의 학자들이 LCA를 사용하여 시장 세분화를 진행하고 있음에도 불구하고, 국내에서는 LCA를 활용한 시장 세분화에 대한 연구가 극히 제한적으로 진행되고 있으며[1], 특히나 LCA 분석 시, 범주형 변수 이외에 수치형 변수를 동시에 사용하여 분석한 사례는 찾아볼 수 없다.
- 특히, 이 연구는 영화시장을 그 타깃으로 분석하였기 때문에 영화 관련 종사자들에게 유용한 정보를 제공할 것으로 예상한다. 첫째, 이 연구는 각 세그먼트별로 전략적 콘텐츠 개발을 가능하게 하는 방향성을 제시하였다는 점에서 그 의의를 가진다. 즉, 각 세그먼트 별로 보이는 특징을 토대로 영화 소재와 주제 선정의 방향성을 제시하고, 고객 맞춤식 콘텐츠 개발로 인한 투자 자본의 효율적 관리를 가능하게 할 것으로 예상한다.
가설 설정
- 근본적으로 SOM이 그 가정으로 하고 있는 fuzzy set 모형과 LCA 모형이그 가정으로 하고 있는 mixture model간의 가장 큰 차이점은 시장 세분화의 군집 형성을 구체화하는데 있어서의 가정이 다르다는 점이다. Fuzzy set의 방식의 경우, 각각의 군집에 소비자가 부분적으로 속할 수 있는 가중치를 제시하기 때문에 실제로 분석의 대상들이 두 개 이상의 군집에 속할 수 있다는 가정을 전제로 하는 반면, mixture 모델의 경우는 원천적으로 소비자는 하나의 군집에만 속할 수 있다는 가정을 한다. 즉, mixture 모델은 데이터 상의 한계로 인해 데이터 자체가 소비자를 실제적으로 하나의 군집으로 제안할 수 없다는 문제점이 발생하므로, 이를 극복하고자 군집에 속할 수 있는 확률을 추정하고자 하는 목적을 가지고 있다는 점이다.
- Hruschka[25]는 시장 세분화 분석 기법을 “nonoverlapping, overlapping, fuzzy”로 구분하였는데, nonoverlapping이란 용어 그대로 각각의 분석 대상이 하나의 군집에만 속할 수 있게 군집을 형성하는 것을그 가정으로 한다. Overlapping과 fuzzy 기법은 분석의 대상이 하나 이상의 군집에 속할 수 있음을 가정 하여 시장세분화를 진행한다. 즉 overlapping과 fuzzy 기법은 소비 상황에 따라 소비자가 군집에 속하는 경우가 상이해질 수 있다는 것을 고려한 분석 기법이라 할 수 있다[12].
- 두 번째로 시장 세분화 분석 방법을 정하기 전 고려해야 하는 것은 데이터 상에 결측치가 얼마만큼 존재하느냐이다. 데이터의 결측치 양이 많은 경우, 예를 들어 특정 변수에서 데이터 결측치가 50%가량 있는 경우, 나머지 50%를 가지고 데이터 분석할 경우 결과의 신뢰성에 문제가 나타날 수 있다.
- 따라서 본 모델에서 수치형 변수들은 공변량으로 처리하였으며, ρ값과 β값만이 실질적으로 계산되었고, 각 분석대상이 멤버쉽에 속할 확률이 추정되었다. 마지막으로 LCA 가정에 따라 범주형 변수는 LCA 내에서 정규분포를 따른다고 가정하였고, 수 치형 변수는 다항분포(multinominal distribution)을 따른다고 가정하였다[22]. 이외에 LCA를 분석할 때 고려되어야 할 사항은 LCA SAS 코드와 함께 부록에 제시하였다.
- 마지막으로 fuzzy 방식은 군집에 소속 대상이 들어갈 정도를 계산하는 방법인 “fuzzy set”과[25, 51], 데이터가 여러 개의 혼합된 분포를 가지고 있다는 가정을 통해 각각의 군집에 속할 확률을 추정하는“mixture model” 두 가지 방식으로 재분류될 수 있 으며, 이 두 가지 방식은 모두 [0.1]까지의 값을 제시한다.
- 이 연구는 시장세분화 분석 기법 사용시 고려되어야 할 사항과 이에 따라 활용 가능한 시장세분화 분석 기법을 소개하고 영화 소비 경험에 따른 소비자 세분화 연구를 시도하였다. 이 연구는 소비자의 영화 선택 의사 결정 과정에 영화의 제품적 속성과 영화 관람 동기가 그 영향을 미침을 가정하고, 이 두 요인에 따라 영화 소비자 특성간의 분류가 가능함을 시사하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.