In recent years, service delivery systems employing a self-service approach have been rapidly spreading. Since a self-service system provides a lower product price, it attracts more customers. However, some system managers are still hesitant to accept a self-service system, because there is no syste...
In recent years, service delivery systems employing a self-service approach have been rapidly spreading. Since a self-service system provides a lower product price, it attracts more customers. However, some system managers are still hesitant to accept a self-service system, because there is no systematic model to predict its performance. Therefore, this research attempts to provide a systematic and quantitative model to predict the performance of a self-service system, focused specifically on a self-service gas station. Under this model, the traditional queuing theory was adopted to describe the general self-service process, but it is also assumed that some changes occur in both the customer arrival rate and the service performance rate. In particular, the price elasticity was introduced to capture the change in the customer arrival rate, and the existence of learning effect and helpers were assumed to design the changed service performance rate. Under these assumptions, a simulation model for a self-service gas station is established, and three performance measurements, such as average number of customers, average waiting time, and Utilization are observed, depending on the changes in price difference and helper-operating time. In this research, the optimal operation strategy for price differentiation and helper-operating time is proposed in accordance with the level of the customer learning rate. Although this research confines the scope of the study to the self-service gas station model, the results of this research can be applied to any type of self-service system.
In recent years, service delivery systems employing a self-service approach have been rapidly spreading. Since a self-service system provides a lower product price, it attracts more customers. However, some system managers are still hesitant to accept a self-service system, because there is no systematic model to predict its performance. Therefore, this research attempts to provide a systematic and quantitative model to predict the performance of a self-service system, focused specifically on a self-service gas station. Under this model, the traditional queuing theory was adopted to describe the general self-service process, but it is also assumed that some changes occur in both the customer arrival rate and the service performance rate. In particular, the price elasticity was introduced to capture the change in the customer arrival rate, and the existence of learning effect and helpers were assumed to design the changed service performance rate. Under these assumptions, a simulation model for a self-service gas station is established, and three performance measurements, such as average number of customers, average waiting time, and Utilization are observed, depending on the changes in price difference and helper-operating time. In this research, the optimal operation strategy for price differentiation and helper-operating time is proposed in accordance with the level of the customer learning rate. Although this research confines the scope of the study to the self-service gas station model, the results of this research can be applied to any type of self-service system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
만약 식 (8)의 신뢰구간이 중첩된다면 평균 값이 크다 하더라도 주어진 파라미터에서 더 큰 결과변수가 도출된다고 주장할 수 없다. 본 연구에서는 신뢰 구간이 중첩되는지를 확인함으로써, 학습률, 셀프서비스 조정변수, 가격차이, 보조점원 운영시간 등 다양한 변화를 부여하였을 때, 결과변수에 일어나는 평균값 변화가 유의미한가를 검증하였다. 학습률에 따른 유의성 검정 결과는 제 4장에 제시하였다.
본 연구에서는 실제 측정을 통하여 확률분포 가정에 필요한 파라미터를 얻을 수 있었다. 하지만 이러한 파라미터 값들은 지역 및 대상고객 집단에 따라 상이하기 때문에 만약 본 연구결과를 셀프시스템으로의 전환에 따른 성과예측에 활용하려면, 시스템이 구축될 지역의 평균 셀프서비스 사용경험 및 평균고객도착속도에 대한 실질적인 측정이 필요할 것이다.
[24]의 연구에서는 고객들이 셀프서비스 이용을 통해 비용 절감이 가능하다고 응답하였으며, Skolka[31]의 연구에서는 고객들이 서비스를 직접 수행한 데 대한 보상의 일환으로 가격 인하를 기대하였다. 본 연구에서는 이러한 가격 할인만이 셀프서비스가 제공할 수 있는 유일 실질 효용이라 가정하고, 가격 탄력성을 이용하여 점원제공 서비스를 이용하는 기존 시스템이 셀프서비스 시스템으로 전환될 경우 고객 도착 속도를 예측하여 보았다.
본 연구의 목적은 셀프서비스 도입에 따른 변화를 살펴보고, 셀프서비스 시스템의 최적 운영 방안을 도출해내는 것이다. 이를 위해 본 연구에서는 식 (2)와 식 (7)를 이용한 시뮬레이션 주유소 모형을 구축해 주었다.
이에 본 연구에서는 셀프서비스 시스템의 성과를 예측하는 정량적인 시뮬레이션 모형을 구축하여 적정 셀프서비스 운영 방안을 제시한다. 이를 위해 전통적으로 서비스 시스템 분석을 위해 사용되었던 대기행렬 이론들이 적용되었으며, 고객의 과거 서비스 사용 경험에 의존하는 서비스 수행 속도를 설명하기 위해 학습 효과 이론을 도입되었다.
가설 설정
시뮬레이션 모델의 구축을 위해 본 연구에서는 고객별 서비스 이용 횟수, 고객간 도착 시간, 초기 서비스 수행 시간의 3가지 확률변수를 사용해 주었다. 각각의 확률 변수들은 일정한 분포를 따른다고 가정하였으며, 고객별 서비스 이용 횟수 및 고객간 도착 시간에 대한 확률 분포 모형 및 파라미터 값들은 실질적인 데이터 수집 활동을 통해 예측되었다. 먼저, 고객별 서비스 이용 횟수는 처음 고객이 셀프 주유소를 이용하러 온 순간을 1회라고 가정하여 1회 미만에서는 값이 존재하지 않는 불연속적인 정규 분포를 따른다고 가정하였다.
오히려, 익숙하지 않은 서비스 실행에 따른 평균 서비스 수행 속도가 감소되어 고객 대기시간이 증가할 것으로 예상된다. 따라서, 본 연구에서는 셀프서비스 도입으로 인한 고객 대기시간 감소는 발생하지 않으며, 이에 기인한 고객 도착 속도 증가 현상 역시 발생하지 않는다고 가정하였다.
95 범위 내에 분포하고 있다. 따라서, 본 연구에서는 일반적으로 학습률(R)은 0.75~0.95 내에 분포한다고 가정하고, 이 범위 내의 5가지 학습률 수준(0.75, 0.8, 0.85, 0.9, 0.95)을 고려해 주었다.
또한, 실제 주유소에서의 평균고객 도착 속도(5분)를 관측하고, 이 값을 식 (7)을 통해 셀프 주유소 에서의 평균고객 도착 속도로 변환하여, 지수 분포를 따르는 셀프 주유소에서의 고객 도착간 시간값 생성에 활용하였다. 마지막으로 초기 서비스 수행 시간은 고객마다 상이하며, 5분에서 8분 사이의 균등 분포를 따른다고 가정하였다.
각각의 확률 변수들은 일정한 분포를 따른다고 가정하였으며, 고객별 서비스 이용 횟수 및 고객간 도착 시간에 대한 확률 분포 모형 및 파라미터 값들은 실질적인 데이터 수집 활동을 통해 예측되었다. 먼저, 고객별 서비스 이용 횟수는 처음 고객이 셀프 주유소를 이용하러 온 순간을 1회라고 가정하여 1회 미만에서는 값이 존재하지 않는 불연속적인 정규 분포를 따른다고 가정하였다. 파라미터로는 30명 자가차량 운전자에 대한 측정 결과 얻어진 평균 셀프 주유소 이용 횟수(2회)와 표준 편차(2.
3에 불과하지만 평균적으로 12~17초 정도의 평균고객 대기시간이 발생한다. 모순되어 보이는 이러한 결과는 고객간 도착시간 및 고객별 서비스 경험 횟수, 초기 서비스 수행 시간이 확률 분포를 가진다는 가정에 기인한다. 시스템 활용도가 낮다는 것은 고객들이 시스템에 도착하였을 때, 대부분의 경우에 대기시간 없이 곧바로 서비스 수행이 가능하다는 것을 의미한다.
본 연구에서 사용한 주유소 모델의 경우, 하나의 주유기에 대해 1대의 차량만이 대기 가능하다고 가정하고, N을 5×2 = 10이라 가정하였다.
평균시간 모델은 생산량이 증가될 때마다 누적평균생산 시간이 감소하는 모델이며, 한계시간 모델은 생산량이 증가되는 시점의 제품단위 생산 시간이 감소하는 모델이다. 본 연구에서는 고객들이 셀프서비스 시스템을 이용할 시, 학습 효과가 존재하여 시스템 이용이 증가함에 따라 고객들의 개인별 서비스 처리 속도가 증가한다고 가정하였으며, 그 중에서도 서비스 이용 경험이 1회 증가할 때마다 변화되는 서비스 처리 시간이 주요 관심 대상이기 때문에 한계시간 모델을 적용하였다.
본 연구에서는 셀프서비스 조정 변수 ε로 0.5, 1.0, 1.5 3가지 수준을 고려해 주었다(본 연구에서는 이 파라미터는 외부 환경에 의해 일방적으로 결정되기보다는 셀프서비스 홍보 노력 등을 통해 일부 통제할 수 있는 값이라고 가정하였다).
본 연구에서는 이러한 심리적 효용 및 고객 특성에 기인한 수요 변화 효과가 종합적으로 수요 즉, 고객 도착 속도에 영향을 미친다고 가정하였다. 또한, 이처럼 결합된 효과를 고려하기 위한 조정 변수 ε를 도입하여 곱셈식 형태로 식 (6)과 결합시켜 주었다.
또한, 이렇게 도출된 시사점들의 유의성을 검정하기 위하여 결과변수들의 신뢰구간을 비교하였다. 세 개의 확률변수 조합을 통해 얻어진 결과변수(시스템 활용도, 평균처리고객수, 평균고객대기시간)가 정규분포로 근사한다고 가정하고, 95% 수준의 신뢰구간을 식 (8)과 같이 계산하였다. 식 (8)에서 n은 시뮬레이션 반복 수행의 횟수(100회), Sx는 100회 결과값들의 표준 편차, #는 100회 결과값들의 평균을 의미한다.
마지막으로 본 연구에서는 가격 차이와 보조점원 운영시간 등 2가지 결정 변수를 사용하였다. 셀프 주유소로 전환 시 운영비 감소에 따른 저렴한 가격의 휘발유 제공이 가능하다고 가정하고, 20원~300원 사이의 15단계 기름 가격 차이에 따른 결과 변수 변화를 살펴보았다. 또한, 보조점원이 존재함에 따라 서비스 수행시간이 감소되어 시스템 효율성 변화를 야기하리라 가정하고, 0초, 20초, 40초, 1분, 1분 20초, 1분 40초의 6가지 수준 보조점원 운영시간에 따른 결과 변수 변화를 살펴보았다.
본 연구에서는 고객이탈 현상을 반영하기 위해 시뮬레이션 모델에서 무작위로 생성된 고객간 도착 시간에 베르누이 분포를 따르는 확률 변수 X(1일 경우 시스템 합류, 0일 경우 시스템 이탈)를 곱하였다. 이 때, X의 확률 분포 함수는 fx(X) = px(1-p)1-x 이며, 개개인 고객들이 시스템에 합류하는 확률 P는 1-n/N(N:시스템에서 대기가 가능한 최대 고객 수, n:현재 시스템에 대기 중인 고객 수)로 표현될 수 있다고 가정하였다. 본 연구에서 사용한 주유소 모델의 경우, 하나의 주유기에 대해 1대의 차량만이 대기 가능하다고 가정하고, N을 5×2 = 10이라 가정하였다.
이를 위해 본 연구에서는 식 (2)와 식 (7)를 이용한 시뮬레이션 주유소 모형을 구축해 주었다. 이 모델에서 점원에 의해 운영되던 5대의 서버를 가진 점원이용 서비스 주유소가 셀프서비스 주유소로 전환되었다고 가정하였으며, 이 주유소는 선입선출 방식(FCFS:First Come, First Served)으로 운영되고 있다고 가정하였다. 특히, 본 연구에서는 이러한 시뮬레이션 모형의 구축을 통해 고객이탈현상까지 고려한 보다 현실적인 결과를 도출할 수 있었다.
일단 대기열에 합류하지만 대기열 감소 속도가 너무 느리다고 생각하여 이탈하는 고객들도 존재할 것이고(Renege), 서비스 제공을 기다리는 도중에 다른 대기열로 자리를 옮기는 고객들도 존재할 것이다(Jockey). 하지만 본 연구에서 고려한 주유소의 경우, 차량 부피로 인해 대기 공간을 크게 구성할 수 없기 때문에 기타 고객 이탈 현상의 발생은 불가능하다고 가정하였다.
제안 방법
본 연구에서는 Dabhokar[12]와 Meuter et al.[25]의 연구 모델을 참조하여 이러한 다양한 요인들을 고객 개인별 특성에 기인한 요인과 시스템 자체에 기인한 요인으로 구분하였으며, 시스템에 기인한 요인의 경우 실질적으로 제공되는 효용에 기인한 요인들과 정성적으로 제공되는 심리적 효용에 기인한 요인들로 분류하였다.
따라서 본 연구에서는 학습률 5수준×셀프서비스 조정 변수 3수준×가격 차이 15수준×보조점원 운영 시간 6수준의 총 1,350가지 시나리오를 고려해 주었으며, 각각의 시나리오에 대해 100회 반복 수행을 실시하였다.
셀프 주유소로 전환 시 운영비 감소에 따른 저렴한 가격의 휘발유 제공이 가능하다고 가정하고, 20원~300원 사이의 15단계 기름 가격 차이에 따른 결과 변수 변화를 살펴보았다. 또한, 보조점원이 존재함에 따라 서비스 수행시간이 감소되어 시스템 효율성 변화를 야기하리라 가정하고, 0초, 20초, 40초, 1분, 1분 20초, 1분 40초의 6가지 수준 보조점원 운영시간에 따른 결과 변수 변화를 살펴보았다.
또한, 본 연구에서는 가격 탄력성, 학습률, 셀프서비스 조정항 등 3가지 파라미터를 사용하였다. 먼저, 가격 탄력성은 가격 변화에 따른 수요량 변화 정도를 의미하며, 선행 연구[1]를 참고하여 휘발유 수요의 평균 장기 가격 탄력성(0.
이를 위해 전통적으로 서비스 시스템 분석을 위해 사용되었던 대기행렬 이론들이 적용되었으며, 고객의 과거 서비스 사용 경험에 의존하는 서비스 수행 속도를 설명하기 위해 학습 효과 이론을 도입되었다. 또한, 셀프 시스템 성과를 극대화하기 위해 사용되는 가격차별 및 보조점원 운영 전략을 제시하고, 이의 효과를 검증하기 위해 점원을 이용하여 서비스를 제공하는 시스템과의 가격 차이를 부여할 수 있도록 모형을 구성하였다. 본 연구 결과를 통해, 시스템 운영자들은 셀프 시스템 효율성을 극대화하기 위한 최적의 가격/보조점원 운영 전략을 살펴볼 수 있고, 시스템 성과를 예측해볼 수 있다.
본 연구에서는 도출된 결과변수들의 평균값 비교를 통하여 시사점을 도출하였다. 또한, 이렇게 도출된 시사점들의 유의성을 검정하기 위하여 결과변수들의 신뢰구간을 비교하였다. 세 개의 확률변수 조합을 통해 얻어진 결과변수(시스템 활용도, 평균처리고객수, 평균고객대기시간)가 정규분포로 근사한다고 가정하고, 95% 수준의 신뢰구간을 식 (8)과 같이 계산하였다.
본 연구에서는 학습효과 이론과 기존의 대기행렬이론을 고려하여 셀프서비스 시스템의 성과를 예측하는 시뮬레이션 모형을 설계하였다. 또한, 컴퓨터 소프트웨어를 활용하여 셀프서비스 시스템의 다양한 결과변수 값들이 두 가지 결정변수(점원서비스 시스템과의 가격 차이 및 보조점원 운영시간)와 두 가지 파라미터(셀프서비스 조정변수 및 학습률)의 변화에 따라 어떻게 변화하는지를 살펴보았다. 본 연구 결과에 기반하여 셀프서비스 시스템 운영자는 시스템 효율성 및 평균고객수를 최대화하고, 평균 고객대기시간을 감소시킬 수 있는 최적의 셀프서비스 시스템 운영 전략을 추론해 볼 수 있다.
마지막으로 본 연구에서는 가격 차이와 보조점원 운영시간 등 2가지 결정 변수를 사용하였다. 셀프 주유소로 전환 시 운영비 감소에 따른 저렴한 가격의 휘발유 제공이 가능하다고 가정하고, 20원~300원 사이의 15단계 기름 가격 차이에 따른 결과 변수 변화를 살펴보았다.
마지막으로 본 연구에서는 가격 할인 및 보조점원 운영에 따른 시스템 성과 변화를 세 가지 결과 변수를 통해 살펴보았다. 하지만 본 연구 결과만을 가지고는 실질적으로 셀프서비스 시스템으로의 전환을 준비하는 의사 결정자에게 구체적인 해법을 제시해줄 수 없다.
또한, 본 연구에서는 가격 탄력성, 학습률, 셀프서비스 조정항 등 3가지 파라미터를 사용하였다. 먼저, 가격 탄력성은 가격 변화에 따른 수요량 변화 정도를 의미하며, 선행 연구[1]를 참고하여 휘발유 수요의 평균 장기 가격 탄력성(0.8)을 사용하였다. 학습률 R은 경험 전/후의 서비스 수행시간 비율을 의미하는데, 본 연구에서는 학습률에 대한 적정 수준을 고려하기 위해 Rodney Stewart[32]가 제시한 가이드 라인을 참조하였다.
본 연구에서는 고객이탈 현상을 반영하기 위해 시뮬레이션 모델에서 무작위로 생성된 고객간 도착 시간에 베르누이 분포를 따르는 확률 변수 X(1일 경우 시스템 합류, 0일 경우 시스템 이탈)를 곱하였다. 이 때, X의 확률 분포 함수는 fx(X) = px(1-p)1-x 이며, 개개인 고객들이 시스템에 합류하는 확률 P는 1-n/N(N:시스템에서 대기가 가능한 최대 고객 수, n:현재 시스템에 대기 중인 고객 수)로 표현될 수 있다고 가정하였다.
실제 서비스 시스템에서 고객 이탈 현상은 빈번하게 발생한다. 본 연구에서는 다양한 고객 이탈 현상 중 시스템에 최초에 합류되는 시점에서 대기열 인원수를 보고 고객들이 대기열에 합류하지 않는 보크 현상만이 발생한다고 가정하고, Ancker and Gafarian[12]의 연구 모델을 수정 및 반영하였다.
본 연구에서는 도출된 결과변수들의 평균값 비교를 통하여 시사점을 도출하였다. 또한, 이렇게 도출된 시사점들의 유의성을 검정하기 위하여 결과변수들의 신뢰구간을 비교하였다.
본 연구에서는 하나의 학습률과 조정변수에 대한 가격 15수준 및 보조점원 운영시간 6수준에 대한 결과 변수의 분포 범위(최대값-최소값)를 측정하여 그래프로 표현해 주었다. [그림 8] 먼저 보조점원 운영시간별로 가격 차이 15수준에 대한(최대값-최소값)을 측정하고, 이를 모든 보조점원 운영수준에 대해서 평균함으로써 가격차이 효과를 표현해 주었다.
본 연구에서는 학습효과 이론과 기존의 대기행렬이론을 고려하여 셀프서비스 시스템의 성과를 예측하는 시뮬레이션 모형을 설계하였다. 또한, 컴퓨터 소프트웨어를 활용하여 셀프서비스 시스템의 다양한 결과변수 값들이 두 가지 결정변수(점원서비스 시스템과의 가격 차이 및 보조점원 운영시간)와 두 가지 파라미터(셀프서비스 조정변수 및 학습률)의 변화에 따라 어떻게 변화하는지를 살펴보았다.
시뮬레이션 모델의 구축을 위해 본 연구에서는 고객별 서비스 이용 횟수, 고객간 도착 시간, 초기 서비스 수행 시간의 3가지 확률변수를 사용해 주었다. 각각의 확률 변수들은 일정한 분포를 따른다고 가정하였으며, 고객별 서비스 이용 횟수 및 고객간 도착 시간에 대한 확률 분포 모형 및 파라미터 값들은 실질적인 데이터 수집 활동을 통해 예측되었다.
이제, 이 모델에서 사용한 두 가지 결정변수(가격 차이, 보조점원 운영시간) 및 두 가지 파라미터(학습률 및 조정변수)의 변화에 따른 시스템 성과를 살펴보고, 가격할인전략 및 보조점원 운영전략 중 어떠한 전략이 셀프서비스 시스템 성과 향상에 효율적인지를 살펴볼 것이다. 이를 위해 본 연구에서는 모든 시나리오에 대하여 평균 처리고객 수(단위 시간당 시스템이 처리하는 평균고객수), 평균고객대기시간(고객이 도착하여 서비스 수행을 받기 전까지 평균적으로 시스템에 대기하는 시간), 시스템 활용도(처리가능 최대고객수 대비 실제처리고객 비율)의 3가지 결과변수를 측정하였다.
이에 본 연구에서는 셀프서비스 시스템의 성과를 예측하는 정량적인 시뮬레이션 모형을 구축하여 적정 셀프서비스 운영 방안을 제시한다. 이를 위해 전통적으로 서비스 시스템 분석을 위해 사용되었던 대기행렬 이론들이 적용되었으며, 고객의 과거 서비스 사용 경험에 의존하는 서비스 수행 속도를 설명하기 위해 학습 효과 이론을 도입되었다. 또한, 셀프 시스템 성과를 극대화하기 위해 사용되는 가격차별 및 보조점원 운영 전략을 제시하고, 이의 효과를 검증하기 위해 점원을 이용하여 서비스를 제공하는 시스템과의 가격 차이를 부여할 수 있도록 모형을 구성하였다.
지금까지 고객별로 상이한 셀프서비스 경험을 반영한 시뮬레이션 모형을 구축하였다. 이제, 이 모델에서 사용한 두 가지 결정변수(가격 차이, 보조점원 운영시간) 및 두 가지 파라미터(학습률 및 조정변수)의 변화에 따른 시스템 성과를 살펴보고, 가격할인전략 및 보조점원 운영전략 중 어떠한 전략이 셀프서비스 시스템 성과 향상에 효율적인지를 살펴볼 것이다. 이를 위해 본 연구에서는 모든 시나리오에 대하여 평균 처리고객 수(단위 시간당 시스템이 처리하는 평균고객수), 평균고객대기시간(고객이 도착하여 서비스 수행을 받기 전까지 평균적으로 시스템에 대기하는 시간), 시스템 활용도(처리가능 최대고객수 대비 실제처리고객 비율)의 3가지 결과변수를 측정하였다.
지금까지 고객별로 상이한 셀프서비스 경험을 반영한 시뮬레이션 모형을 구축하였다. 이제, 이 모델에서 사용한 두 가지 결정변수(가격 차이, 보조점원 운영시간) 및 두 가지 파라미터(학습률 및 조정변수)의 변화에 따른 시스템 성과를 살펴보고, 가격할인전략 및 보조점원 운영전략 중 어떠한 전략이 셀프서비스 시스템 성과 향상에 효율적인지를 살펴볼 것이다.
이론/모형
8)을 사용하였다. 학습률 R은 경험 전/후의 서비스 수행시간 비율을 의미하는데, 본 연구에서는 학습률에 대한 적정 수준을 고려하기 위해 Rodney Stewart[32]가 제시한 가이드 라인을 참조하였다. 이 연구에서 Rodney Stewart는 수작업과 기기작동의 비율 및 산업군에 따른 적정 R을 제시하였는데, 대부분의 수치가 0.
성능/효과
뿐만 아니라 고객들의 학습률 수준에 따라 가격 할인 및 보조점원 운영 전략이 시스템 성과에 미치는 영향이 상이한 것을 관찰하였다. 고객들의 학습 속도가 느려질수록 보조점원 운영전략의 효과가 증가하였으며, 고객들의 학습 속도가 느린 경우, 보조점원 운영전략이 가격 할인 전략보다 효율적이었다, 반면에 고객들의 학습 속도가 빠른 경우, 가격 할인 전략이 보조점원 운영전략에 비해 효율적이었다. 따라서, 셀프서비스 시스템 설치 시에는 고객들의 정확한 학습률 수준을 측정하여 적합한 운영 전략을 수립하는 것이 매우 중요하다고 판단된다.
대체적으로 기존 점원서비스 주유소와의 가격 차이가 커짐(20원 → 300원)에 따라 처리 고객수 및 평균고객대기시간, 시스템 활용도는 증가하며, 보조점원 운영시간을 증가시킴에 따라 평균고객대기시간 및 시스템 활용도는 감소하고 처리 고객수는 증가하는 것을 확인할 수 있다.
따라서, 셀프서비스가 제공하는 심리적 효용이 증가하고 고객들이 새로운 시스템에 쉽게 적응할 수 있는 환경이 조성될수록 ε은 증가할 것으로 예상된다.
하지만, [그림 3]을 살펴보면 이러한 전반적인 결과에 상충되는 구간이 일부 존재하는 것을 관찰할 수 있다. 때로는 보조점원 운영시간이 증가함에 따라 고객 대기시간이 증가하였고, 때로는 가격 차이를 증가시켜도 고객수가 감소하였다. 이러한 현상은 본 연구에서 고객 이탈 현상이 확률 분포에 의존한다고 가정하였기 때문이며, 시뮬레이션 반복 횟수가 증가함에 따라 이러한 이상 현상의 발생은 자연히 감소될 것으로 예상된다.
또한, 고객의 셀프서비스 수용 정도를 표현하는 ε이 증가함에 따라 모든 결과 변수가 크게 증가한 것을 관찰할 수 있다.
또한, 셀프서비스 수용 조정 변수 ε가 커짐에 따라 평균처리고객수, 평균고객대기시간 및 시스템 활용도는 크게 증가하였다.
또한, 조정변수 ε의 변화에 따른 결과값 변화폭은 가격 차이나 보조점원 운영시간 변화에 기인한 결과 변수 변화값을 크게 상회함을 확인할 수 있다.
먼저, 본 연구에서는 기존 점원제공 서비스 시스템과의 가격 차이가 커짐에 따라 평균처리고객수 및 평균고객대기시간, 시스템 활용도는 증가하고, 보조점원 운영시간을 늘림에 따라 평균고객대기시간 및 시스템 활용도는 감소하고 평균처리고객수는 증가한 것을 관찰하였다. 물론 일부 변수에 대한 확률 분포를 가정하였기 때문에 증가 혹은 감소 추세의 부분적인 이탈은 존재하였지만, 대체적으로 시스템 매니저는 가격 할인 및 보조점원 운영시간을 증가시킴에 따라 처리 고객수를 증가시킬 수 있고, 이에 따른 수익성 향상을 도모할 수 있을 것으로 예상된다.
75일 때와 유사하다. 몇몇 오차 구간은 존재하지만, 전반적으로 가격 차이가 커짐에 따라 평균처리고객수 및 평균고객대기시간, 시스템 활용도는 증가하고, 보조점원 운영시간을 증가시킴에 따라 고객대기시간 및 시스템 활용도는 감소하고 처리고객수는 증가하였다. 또한, 이전과 마찬가지로 셀프서비스 조정 변수 ε이 증가함에 따라 결정변수 변화가 결과에 미치는 영향이 증가하며, ε의 변화에 따른 결과값 변동은 결정변수 변화에 따른 결과값 변동 정도를 크게 상회한다.
또한, 셀프 시스템 성과를 극대화하기 위해 사용되는 가격차별 및 보조점원 운영 전략을 제시하고, 이의 효과를 검증하기 위해 점원을 이용하여 서비스를 제공하는 시스템과의 가격 차이를 부여할 수 있도록 모형을 구성하였다. 본 연구 결과를 통해, 시스템 운영자들은 셀프 시스템 효율성을 극대화하기 위한 최적의 가격/보조점원 운영 전략을 살펴볼 수 있고, 시스템 성과를 예측해볼 수 있다.
또한, 컴퓨터 소프트웨어를 활용하여 셀프서비스 시스템의 다양한 결과변수 값들이 두 가지 결정변수(점원서비스 시스템과의 가격 차이 및 보조점원 운영시간)와 두 가지 파라미터(셀프서비스 조정변수 및 학습률)의 변화에 따라 어떻게 변화하는지를 살펴보았다. 본 연구 결과에 기반하여 셀프서비스 시스템 운영자는 시스템 효율성 및 평균고객수를 최대화하고, 평균 고객대기시간을 감소시킬 수 있는 최적의 셀프서비스 시스템 운영 전략을 추론해 볼 수 있다.
본 연구에서 5가지 학습률에 대한 시뮬레이션 결과를 검토한 결과, 학습효과에 의한 고객 습득 속도가 느릴수록 평균고객대기시간 및 시스템 활용도가 전반적으로 증가하는 것을 관찰하였다. 뿐만 아니라 고객들의 학습률 수준에 따라 가격 할인 및 보조점원 운영 전략이 시스템 성과에 미치는 영향이 상이한 것을 관찰하였다.
[33]은 신기술을 접목한 서비스 전달 방식을 이용하는 데 영향을 미치는 요소들에 대한 연구를 진행하였으며, Dabholkar[14]는 서비스에 대한 기대 품질이 셀프서비스 사용에 긍정적 영향을 미친다고 가정하고, 서비스 기대 품질에 영향을 미치는 요소를 규명하였다. 이 연구에서 셀프서비스 기술 특성에 기반한 모델 및 고객의 일반적 태도 및 특성에 기반한 모델을 제시하고, 두 가지 모델 중 기술 특성에 기반한 모델이 고객의 셀프서비스 수용 프로세스에 적합하다는 사실이 연구되었다. 또한, Dabholkar[15]는 기술기반 셀프서비스에 대한 고객 반응에 영향을 미치는 요인들을 규명하면서, 고객 개개인의 차이 및 상황적 요소에 의한 조절 효과가 존재한다는 사실을 밝혀내었다.
셀프서비스 조정 변수 ε는 앞에서 언급한 바와 같이 심리적 효용과 고객 특성에 기인한 수요 조정 효과를 반영한다. 작은 값일수록 전반적으로 셀프서비스 전이에 대한 거부감이 크다는 것을 의미하며, 큰 값일수록 시스템 전환에 호의적임을 의미한다. 본 연구에서는 셀프서비스 조정 변수 ε로 0.
특히, ε의 증가(0.5 → 1.5)에 따른 결과변수 증가 정도는 본 연구에서 설정한 최대 가격차이(300원)나 최대 보조점원 운영시간(100초)에 따른 결과변수 증가 정도를 크게 상회하였다.
이 모델에서 점원에 의해 운영되던 5대의 서버를 가진 점원이용 서비스 주유소가 셀프서비스 주유소로 전환되었다고 가정하였으며, 이 주유소는 선입선출 방식(FCFS:First Come, First Served)으로 운영되고 있다고 가정하였다. 특히, 본 연구에서는 이러한 시뮬레이션 모형의 구축을 통해 고객이탈현상까지 고려한 보다 현실적인 결과를 도출할 수 있었다.
전체적인 그래프 모양이 이전 경우와 유사하기 때문에 전반적인 결과값 변화 추이는 동일함을 알 수 있다. 학습률이 0.85, 0.9, 0.95일 때에도 몇몇 오차는 발생하였지만 가격 차이가 커짐에 따라 평균처리고객수 및 평균고객대기시간, 시스템 활용도는 증가하고, 보조 점원 운영시간이 증가함에 따라 고객대기시간 및 시스템 활용도는 감소, 평균처리고객수는 증가하였다. 또한, 조정변수 ε의 변화에 따른 결과값 변화폭은 가격 차이나 보조점원 운영시간 변화에 기인한 결과 변수 변화값을 크게 상회함을 확인할 수 있다.
후속연구
영국 유통업체 관련 전문 분석 기관인 ‘The Grocer’의 설문조사 결과, 셀프카운터 이용에 대한 가장 큰 고객 불만은 ‘대기시간의 증가’였음을 상기할 필요가 있다. 특히, 본 연구에서는 다양한 고객이탈 현상 중 보크 현상만을 고려하였지만, 기타Renege 혹은 Jockey 등이 빈번하게 발생하는 시스템의 경우, 평균고객대기시간 증가에 따른 고객이탈 현상이 더욱 빠르게 일어날 것이고, 시스템 효율성은 더욱 가파르게 감소될 것이다.
본 연구에서는 실제 측정을 통하여 확률분포 가정에 필요한 파라미터를 얻을 수 있었다. 하지만 이러한 파라미터 값들은 지역 및 대상고객 집단에 따라 상이하기 때문에 만약 본 연구결과를 셀프시스템으로의 전환에 따른 성과예측에 활용하려면, 시스템이 구축될 지역의 평균 셀프서비스 사용경험 및 평균고객도착속도에 대한 실질적인 측정이 필요할 것이다. 특히, 과거 셀프서비스 사용 경험 횟수의 경우, 기존에 동일한 셀프서비스 시스템이 존재하였는가 여부에 따라 큰 차이를 보이기 때문에 실질적으로 셀프서비스 시스템을 이용하게 될 고객 집단에 대한 파라미터 측정이 요구된다.
하지만 본 연구 결과만을 가지고는 실질적으로 셀프서비스 시스템으로의 전환을 준비하는 의사 결정자에게 구체적인 해법을 제시해줄 수 없다. 향후에는 보조점원의 시간당 운영비용을 고려함으로서 보조점원 운영에 따른 수익 변동을 가격 할인에 의한 수익변동과 비교하고, 최적의 가격 할인률 및 보조점원 운영 시간을 도출할 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
셀프서비스는 어떤 범주로 분류되는가?
셀프서비스는 기술기반 셀프서비스와 노동집약 셀프서비스의 두 가지 범주로 분류되지만, 대다수의 셀프서비스 관련 연구는 기술 기반 셀프서비스에 집중되고 있다. Meuter et al.
실제 측정을 통하여 얻은 확률분포 가정에 필요한 파라미터를 사용하기 위해선 추가적으로 필요한 데이터는 무엇인가?
본 연구에서는 실제 측정을 통하여 확률분포 가정에 필요한 파라미터를 얻을 수 있었다. 하지만 이러한 파라미터 값들은 지역 및 대상고객 집단에 따라 상이하기 때문에 만약 본 연구결과를 셀프시스템으로의 전환에 따른 성과예측에 활용하려면, 시스템이 구축될 지역의 평균 셀프서비스 사용경험 및 평균고객도착속도에 대한 실질적인 측정이 필요할 것이다. 특히, 과거 셀프서비스 사용 경험 횟수의 경우, 기존에 동일한 셀프서비스 시스템이 존재하였는가 여부에 따라 큰 차이를 보이기 때문에 실질적으로 셀프서비스 시스템을 이용하게 될 고객 집단에 대한 파라미터 측정이 요구된다.
시스템 운영자들은 셀프서비스 시스템에 대해 어떻게 주장하고 있는가?
하지만 이러한 고객 유인 효과에도 불구하고 일부 셀프서비스 시스템은 성공적으로 운영되지 못하고 있다. 많은 시스템 운영자들은 셀프 시스템의 고객 유인 효과를 저해하는 요소에 대한 체계적인 분석이 부재하고, 셀프서비스 시스템의 성과를 분석해줄 정량적 모델이 확립되지 않았기 때문에 전면적인 셀프서비스 시스템의 도입 및 성공적인 운영은 어렵다고 주장한다.
참고문헌 (35)
강만옥, "최근 수송부문 에너지세제 개편의 성과 평가", 2007년 세제 정책 세미나 자료, 2007.
경향 뉴스, "식사?쇼핑까지 즐기는 복합주유소는다", news.khan.co.kr, 2010.
김도환, "지식의 학습효과와 파급효과에 따른 선?후발 기업의 생산전략분석", 한국경영과학회지, 제26권, 제1호(2001), pp.61-69.
코리안위클리, '슈퍼마켓 무인계산대 줄서기 과연 빠를까?", koweekly.co.uk, 2010.
Ancker, C.J. and A. Gafarian, "Queueing with Impatient Customers Who Leave at Random," Journal of Industrial Engineering, Vol.13(1962), pp.84-90.
Banks, J., J.S. Carson, B.L. Nelson, and D.M. Nicol, Dicreete-event system simulation, Pearson, New Jersey, 2005.
Dabholkar, P.A., "Consumer evaluations of new technology-based self service options," An Investigation of alternative models of service quality International Journal of Research in Marketing, Vol.13, No.1(1996), pp. 29-51.
Dabholkar, P.A. and R.P. Bagozzi, "Journal of the Academy of Marketing Science," Vol.30, No.3(2002), pp.184-201.
Davis, F.D., "Perceived Usefulness, Perceived Ease of Use and User Acceptance of information Technology," MIS Quartely, Vol.13, No.3(1989), pp.319-340.
Ding, X., R. Verma, and Z. Lqbal, "Self-service technology and online financial service choice," International journal of service industry management, Vol.18, No.3(2007), pp. 246-26.
Gross, D. and C.M. Harris, Fundamentals of Queueing Theory(2th), John Wiley and Son, Inc., 1985.
Harrell, C., B.K. Ghosh, and R.O. Bowden Jr., Simulation using promodel, McGraw Hill, New York, 2004.
Hendrickson, A.R. and M.R. Collins, "An Assessment of Structure and Causation of Is Usage," The database for Advances in information Systems, Vol.27, No.2(1996), pp.61-67.
Lawrence, P. and J. Karr, "Technology Spending and Alliances:New Highs in Financial Services Firms," Journal of Retail Banking Services, Vol.17, No.3(1996), pp.45-52.
Meuter, M.L., A.L Ostrom, R.I. Roundtree, and M.J. Bitner, "Self-Service Technologies :Understanding Customer Satisfaction with Technology-Based Service Encounters," Journal of Marketing, Vol.64, No.3(2000), pp. 50-64.
Meuter, M.L., M.J. Bitner, A.L. Ostrom, and S.W. Brown, "Choosing Among Alternative service delivery modes:An investigation of Customer Trial of Self-Service Technologies," Journal of Marketing, Vol.69, No.2(2005), pp.61-83.
Stewart, R., R.M. Wyskida, and J.D. Johannes, Cost Estimator's Reference Manual, 2nd Edition, John Wiley and Sons, Inc, U.S.A, 1995.
Walker, R.H., M. Craig-Lees, R. Hecker, and H. Francis, "Technology-enabled service delivery: An investigation of reasons affecting customer adoption and rejection," International Journal of Service Industry Management, Vol.13, No.1(2002), pp.91-106.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.