$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

웹검색 트래픽 정보를 활용한 지능형 브랜드 포지셔닝 시스템 : 태블릿 PC 사례를 중심으로

Intelligent Brand Positioning Visualization System Based on Web Search Traffic Information : Focusing on Tablet PC

초록

최근 독감 예측이나 부동산가격 예측 등 다양한 분야에서 웹검색 트래픽이나 소셜 네트워크 등의 방대한 고객 데이터를 통해 사회 현상, 소비 트렌드 등을 분석하고자 하는 시도가 증가하고 있다. 최근 구글이나 네이버 등의 인터넷 포털서비스 업체들은 온라인 사용자들의 웹검색 트래픽 정보를 구글 트렌드, 네이버 트렌드 등의 서비스로 공개하고 있는데, 이들이 제공하는 웹검색 트래픽 정보를 기반으로 온라인 사용자들의 정보 검색 행태에 대한 연구들이 학계 업계 등에서 주목받고 있다. 웹검색 정보를 기반으로 사회 현상이나, 소비 동향, 정치 투표 결과 등을 예측해 볼 수 있음을 실증하고 있는 분야는 많은 연구가 수행되고 있지만, 웹검색 트래픽 정보를 이용하여, 소비자의 제품에 대한 중요한 속성 도출 및 소비자의 기대 변화 관측 등의 온라인 사용자 행태에 초점을 맞추어 연구되고 있는 분야는 상대적으로 많은 연구가 수행되고 있지는 않다. 따라서, 본 연구에서는 구글이나 네이버가 제공하는 소비자의 웹검색 트래픽을 활용해서 소비자가 생각하는 제품 포지션을 가시화할 수 있는 방법을 제안한다. 브랜드 간의 관계를 확인하기 위해, 동시 검색 트래픽 정보를 활용하여 네트워크 모델링의 방법을 사용한 시스템을 제안하고 있으며, 이를 통해 소비자들이 제품 간의 유사성을 어떻게 인지하고 형성하며, 새로운 혁신 제품 카테고리 내에서 제품 브랜드들이 소비자의 마음 속에서 어떻게 자리 잡고 있는지의 브랜드 포지셔닝을 확인할 수 있는 방법론을 제안하였다. 또한 이를 태블릿 PC의 사례를 통해서, 미시적인 관점에서 소비자의 마음속에 위치한 태블릿 PC 개별 브랜드들의 위치 및 관계를 보여주었다. 기업은 소비자의 제품에 대한 인식 및 중요 속성 도출을 위해 많은 비용과 시간을 소요하여 소비자 조사를 행하게 되는데, 본 연구의 방법론을 활용하여 소비자의 제품에 대한 인식, 제품간 유사도, 제품에 대한 중요 속성의 변화 등을 일반에게 공개된 검색 트래픽 정보를 활용하여 비교적 쉽고 추가적인 비용 없이 도출할 수 있을 것이다.

Abstract

As Internet and information technology (IT) continues to develop and evolve, the issue of big data has emerged at the foreground of scholarly and industrial attention. Big data is generally defined as data that exceed the range that can be collected, stored, managed and analyzed by existing conventional information systems and it also refers to the new technologies designed to effectively extract values from such data. With the widespread dissemination of IT systems, continual efforts have been made in various fields of industry such as R&D, manufacturing, and finance to collect and analyze immense quantities of data in order to extract meaningful information and to use this information to solve various problems. Since IT has converged with various industries in many aspects, digital data are now being generated at a remarkably accelerating rate while developments in state-of-the-art technology have led to continual enhancements in system performance. The types of big data that are currently receiving the most attention include information available within companies, such as information on consumer characteristics, information on purchase records, logistics information and log information indicating the usage of products and services by consumers, as well as information accumulated outside companies, such as information on the web search traffic of online users, social network information, and patent information. Among these various types of big data, web searches performed by online users constitute one of the most effective and important sources of information for marketing purposes because consumers search for information on the internet in order to make efficient and rational choices. Recently, Google has provided public access to its information on the web search traffic of online users through a service named Google Trends. Research that uses this web search traffic information to analyze the information search behavior of online users is now receiving much attention in academia and in fields of industry. Studies using web search traffic information can be broadly classified into two fields. The first field consists of empirical demonstrations that show how web search information can be used to forecast social phenomena, the purchasing power of consumers, the outcomes of political elections, etc. The other field focuses on using web search traffic information to observe consumer behavior, identifying the attributes of a product that consumers regard as important or tracking changes on consumers' expectations, for example, but relatively less research has been completed in this field. In particular, to the extent of our knowledge, hardly any studies related to brands have yet attempted to use web search traffic information to analyze the factors that influence consumers' purchasing activities. This study aims to demonstrate that consumers' web search traffic information can be used to derive the relations among brands and the relations between an individual brand and product attributes. When consumers input their search words on the web, they may use a single keyword for the search, but they also often input multiple keywords to seek related information (this is referred to as simultaneous searching). A consumer performs a simultaneous search either to simultaneously compare two product brands to obtain information on their similarities and differences, or to acquire more in-depth information about a specific attribute in a specific brand. Web search traffic information shows that the quantity of simultaneous searches using certain keywords increases when the relation is closer in the consumer's mind and it will be possible to derive the relations between each of the keywords by collecting this relational data and subjecting it to network analysis. Accordingly, this study proposes a method of analyzing how brands are positioned by consumers and what relationships exist between product attributes and an individual brand, u

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
소비자 행동
소비자 행동이란?
개인 혹은 집단 및 조직체들이 자신들의 1차적 욕구와 2차적 욕구를 만족시키기 위해 제품, 서비스, 아이디어 또는 경험을 선택, 구매, 사용 및 처리하는 방법을 연구하는 것

소비자 행동(Consumer behavior)이란, 개인 혹은 집단 및 조직체들이 자신들의 1차적 욕구와 2차적 욕구를 만족시키기 위해 제품, 서비스, 아이디어 또는 경험을 선택, 구매, 사용 및 처리하는 방법을 연구하는 것이다. 이런 소비자 행동은 문화적, 사회적, 개인적 요인에 따라 영향을 받게 되는데 이런 소비자의 행동을 이해하기 위해 여러 가지 소비자 행동 모델이 제안되고 있다.

소비자 행동 모델
소비자 행동 모델은 무엇을 강조하나?
실제 구매가 행해지기 오래 전에 구매과정이 시작되고 또한 구매 후 오랫동안 결과가 남는 것

이러한 소비자 행동 모델을 바탕으로 구매의사결정 과정을 살펴보면, 크게 5단계로 구분할 수 있는데, 1) 문제인식, 2) 정보탐색, 3) 대안평가, 4) 구매결정, 5) 구매 후 행동 단계이다. 이 모델은 실제 구매가 행해지기 오래 전에 구매과정이 시작되고 또한 구매 후 오랫동안 결과가 남는 것을 강조한다.그러나 소비자들은 제품을 구입할 때 항상 다섯 단계 모두를 연속적으로 거치지는 않는다.

소비자 행동
소비자 행동에 영향을 주는 요인에는 무엇이 있는가?
문화적, 사회적, 개인적 요인

소비자 행동(Consumer behavior)이란, 개인 혹은 집단 및 조직체들이 자신들의 1차적 욕구와 2차적 욕구를 만족시키기 위해 제품, 서비스, 아이디어 또는 경험을 선택, 구매, 사용 및 처리하는 방법을 연구하는 것이다. 이런 소비자 행동은 문화적, 사회적, 개인적 요인에 따라 영향을 받게 되는데 이런 소비자의 행동을 이해하기 위해 여러 가지 소비자 행동 모델이 제안되고 있다. 그 중에서 자극-반응 모델에 따르면, 먼저 마케팅 자극과 환경적 자극이 소비자의 의식으로 들어간다.

질의응답 정보가 도움이 되었나요?

저자의 다른 논문

참고문헌 (19)

  1. 1. Butler, D., "When Google Got Flu Wrong," Nature, Vol.494(2013), 155-156. 
  2. 2. Choi, H. and H. Varian, "Predicting the Present with Google Trends," Economic Record, Vol. 88, No.1(2012), 2-9. 
  3. 3. Ginsberg, J., M. H. Mohebbi, R. S. Patel, L. Brammer, M. S. Smolinski, and L. Brilliant, "Detecting Influenza Epidemics Using Search Engine Query Data," Nature, Vol.457(2009), 1012-1014. 
  4. 4. Hawkins, D. I. and D. L. Mothersbaugh, Consumer Behavior : Building Marketing Strategy, 11th ed., McGraw Hill Higher Education, 2009. 
  5. 5. Jun, S.-P., "An Empirical Study of Users' Hype Cycle Based on Search Traffic : The Case Study on Hybrid Cars," Scientometrics, Vol. 91, No.1(2012), 81-99. 
  6. 6. Jun, S.-P., "A Comparative Study of Hype Cycles Among Actors within the Socio-Technical System: With a Focus on the Case Study of Hybrid Cars," Technological Forecasting and Social Change, Vol.79, No.8(2012), 1413-1430. 
  7. 7. Jun, S.-P., J. Yeom, and J.-K. Son, "A Study of the Method Using Search Traffic to Analyze New Technology Adoption," Technological Forecasting and Social Change, (2013), In Press, Corrected Proof, Available online 13 March 2013. 
  8. 8. Kim, Y., N. Kim, and S. R. Jeong, "Stock-Index Invest Model Using News Big Data Opinion Mining," Journal of Intelligence and Information Systems, Vol.18, No.2(2012), 143-156. 
  9. 9. Knoke, D. and J. H. Kuklinski, Network analysis. Newbury Park, CA, Sage, 1982. 
  10. 10. Kotler, P. and K. L. Keller, Marketing Management, 13th edition, Prentice Hall, 2008. 
  11. 11. Kwon, Y., "Data Analytics in Education : Culture and Future Directions," Journal of Intelligence and Information Systems, Vol.19, No. 2(2013), 87-100. 
  12. 12. Lee. H., D. Lim, and H. Zo, "Personal Information Overload and User Resistance in the Big Data Age," Journal of Intelligence and Information Systems, Vol.19, No.1(2013), 125-139. 
  13. 13. Lui, C., P. T. Metaxas, and E. Mustafaraj, "On the Predictability of the U.S. Elections through Search Volume Activity," Proceedings of the IADIS International Conference on e-Society, (2011). 
  14. 14. Park, C., "A Literature Review on Online Consumer Behaviors in Korea 2000-2009," Journal of Consumer Studies, Vol.21, No.2(2010), 289-320. 
  15. 15. Park, D.-H., "A Study on the Success Factors and Strategy of Information Technology Investment Based on Intelligent Economic Simulation Modeling," Journal of Intelligence and Information Systems, Vol.19, No.1(2013), 35-55. 
  16. 16. Scott, J. and P. J. Carrington, The SAGE Handbook of Social Network Analysis, SAGE Publication, 2011. 
  17. 17. Shin, B. and J. Park, "The Effect of the Consumer's Perceived Risk on the Level of Information Search," Journal of Global Academy of Marketing Science, Vol.16, No.3 (2006), 143-167. 
  18. 18. Su, B., "Characteristics of Consumer Search On- Line : How Much Do We Search?." International Journal of Electronic Commerce, Vol.13, No.1(2008), 109-129. 
  19. 19. Vosen, S. and T. Schmidt, "Forecasting Private Consumption : Survey-Based Indicators vs. Google Trends," Journal of Forecasting, Vol. 30, No.6(2011), 565-578. 

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

원문보기

원문 PDF 다운로드

  • ScienceON :
  • KCI :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

DOI 인용 스타일

"" 핵심어 질의응답