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 PC원문보기
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.
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.
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 conventi...
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
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
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
(2011)의 연구는 이런 구글 트렌드의 다른 활용 가능성을 보여주고 있다. 그들의 연구는 2008년과 2010년 미국 의회선거와 관련해서 구글트렌드의 검색 트래픽을 활용한 당선자 예측 가능성을 연구한 논문이다. 최근 Vosen and Schmidt(2011)는 미국에서 소비 동향을 파악할 수 있는 지표로 미시건 대학이 발표하는 소비자 심리지수MCSI(University of Michigan Consumer Sentiment Index)와 소비자 신뢰지수(Consumer Confidence Index)를 구글 트렌드가 제공하는 검색 트래픽의 결과와 비교하여 연구함으로써 서베이 기반의 지수대비 구글이 제공한 검색 트래픽의 예측력이 보다 뛰어날 수 있음을 보였다.
기업은 소비자의 제품에 대한 인식 및 중요 속성 도출을 위해 많은 비용과 시간을 소요하여 소비자 조사를 행하게 된다. 본 연구는 웹검색 트래픽을 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 있음을 보여줄 것이다.
본 연구에서는 구글이나 네이버가 제공하는 소비자의 웹검색 트래픽을 활용해서 소비자가 생각하는 제품 포지션을 가시화할 수 있는 방법을 제안하고자 한다. 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 마음속에서 어떻게 자리잡고 있는지의 브랜드 포지셔닝을 확인하고자 한다.
본 연구에서는 매초 수십만건씩 행해지는 소비자의 웹검색 활동의 데이터를 기반으로, 일반 대중의 소비자가 가지고 있는 특정 시점, 특정 기간 동안의 브랜드간 관계를 확인하는 것을 목표로, 브랜드 포지셔닝을 보여주는 시스템을 개발하였다. 본 시스템의 기본이 되는 웹검색 트래픽 데이터는 포털 서비스 업체의 트렌드 사이트에서 제공하는 것을 기본으로 하고 있다.
본 연구에서는 구글이나 네이버가 제공하는 소비자의 웹검색 트래픽을 활용해서 소비자가 생각하는 제품 포지션을 가시화할 수 있는 방법을 제안하고자 한다. 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 마음속에서 어떻게 자리잡고 있는지의 브랜드 포지셔닝을 확인하고자 한다. 기업은 소비자의 제품에 대한 인식 및 중요 속성 도출을 위해 많은 비용과 시간을 소요하여 소비자 조사를 행하게 된다.
실무적인 측면에서, 본 연구는 구글이나 네이버에서 무료로 제공하는 검색 트래픽 정보를 활용하고, 큰 비용을 요구하지 않는 간단한 분석을 포함한 시스템을 통해 기업이 소비자들이 자사의 브랜드를 어떻게 생각하고 있는지를 추적할 수 있는 방법을 제안하고 있다. 구글이나 네이버의 웹검색 트래픽은 모집단에 가까운 사용자의 실제 사용 결과를 기반으로 하기 때문에, 웹검색 데이터 분석을 통한 인사이트는 현실 상황이 많은 부분 반영된 결과라는 점이 본 연구가 제안한 방법의 실무적인 가치를 더욱 증가시켜 준다.
(2009)는 현재의 독감 레벨을 예측하기 위해서 구글의 독감 트렌드 검색 엔진의 초기버전으로부터 얻어진 데이터의 분석 결과가 제시되어 있다. 이 논문에서는 가공하기 전의 검색 데이터를 미국 질병통제센터(Centers for Disease Prevention and Control)에 의해서 발표되는 기존 보고서보다 1주에서 2주정도 더 빨리 독감 바이러스의 활성을 정확히 예측하는 실시간 감시 시스템으로 변환시켜주는 컴퓨터 모델을 제시하였다. 검색 트래픽을 활용한 다양한 예측가능성이 세상에 알려지기 시작한 것이다.
만일 특정 장소의 “부동산 중개업소”에 관한 검색이 늘어나고 있다면, 이는 가까운 미래에 이 지역에서 주택판매가 늘어날 수 있다는 생각을 할 수 있다는 것이다. 이 논문은 검색 트래픽을 활용한 단기간의 경제적 예측에 대한 접근 방법을 보여준 중요한 시사점이 있다.
본 연구는 이론적인 측면과 실무적인 측면에서 모두 의미 있는 시사점을 도출하고 있다. 이론적인 측면에서, 본 연구는 소비자의 웹검색 트래픽 정보를 활용하여 소비자에게 있어 브랜드가 어떻게 포지셔닝되어 있는지의 방법론과 시스템을 제안하였다. 또한 이를 태블릿 PC의 사례를 통해서, 미시적인 관점에서 소비자의 마음속에 위치한 개별 브랜드들의 위치 및 관계를 보여주었다.
또한 이를 태블릿 PC의 사례를 통해서, 미시적인 관점에서 소비자의 마음속에 위치한 개별 브랜드들의 위치 및 관계를 보여주었다. 현재까지 기존 연구는 사회 현상이나 거시적인 트렌드를 진단 및 예측하는데 웹검색 트래픽 정보를 활용할 수 있다고 하였는데, 본 연구는 소비자의 웹검색 행태를 통해 소비자의 관심이 어떤 브랜드에 집중되어 있고, 어떤 브랜드들을 서로 비교하는지 확인할 수 있음을 보여준 것이다. 또한, 지금까지 많은 주목을 받지 못하고 있던 소비자의 동시검색 행위에 대해서 두 브랜드를 동시에 검색하는 행위를 통한 브랜드들 간의 관계(브랜드-브랜드 네트워크) 및 특정브랜드와 제품 속성을 동시에 검색하는 행위(동시검색)를 통한 브랜드 속성 간의 관계(브랜드-제품속성 네트워크)를 도출하였다는 점이 정보 탐색 관련 연구에 새로운 시사점을 줄 수 있다고 생각된다.
가설 설정
본 연구에서 활용한 네트워크 모델링은 네트워크 모델링은 노드와 링크의 모델링이 중요한데, 노드는 본 연구의 연구 대상인 제품 브랜드가 되며 노드의 속성은 제조사가 분석된다. SNA를 활용하는 핵심 요인은 관계형 데이터에 있기 때문에 링크 즉 관계의 모델링이 중요한데, 본 연구에서는 제품 브랜드의 관계를 검색에서 동시에 입력될 때 브랜드는 동시에 비교되었다는 측면에서 관계가 있다고 가정했다. 이런 가정은 동시 등장 단어나 저자를 분석할때 자주 활용되는 가정과 유사하다.
먼저 입력된 검색어는 이미 소비자의 심리에 중심을 자리 잡고 있을 것이라고 가정한 것으로 먼저 입력된 검색어에 강조점을 주어분석하는 방법을 제안한 것이다. 검색엔진을 통한 검색에서 먼저 입력된 단어에 적합한 검색 결과가 제시된다는 측면에서도 소비자는 중요하게 생각하는 단어를 먼저 입력할 것이라고 가정하고 검색 순서를 네트워크 분석에 활용한 것이다. 이런 본 연구의 가정에 따르면 먼저 입력된 제품 브랜드는 외향성(outdegree)을 가진다고 본 것이며, 나중에 입력된 제품 브랜드는 내향성(indegree)을 가진다고 본 것이다.
첫째 소비자는 욕구를 충족시키려고 한다. 둘째, 소비자는 문제를 해결하는 제품에서 어떤 이점을 추구하고 있다. 셋째, 소비자는 욕구를 만족시키기 위해 추구하고 있는 이점을 전달하는 서로 다른 능력을 갖는 속성의 묶음으로 각 제품을 인식한다.
그런데 본 연구에서는 동시검색에서도 검색어의 순서가 있다는 점에 착안해서 방향성을 부여했다. 먼저 입력된 검색어는 이미 소비자의 심리에 중심을 자리 잡고 있을 것이라고 가정한 것으로 먼저 입력된 검색어에 강조점을 주어분석하는 방법을 제안한 것이다. 검색엔진을 통한 검색에서 먼저 입력된 단어에 적합한 검색 결과가 제시된다는 측면에서도 소비자는 중요하게 생각하는 단어를 먼저 입력할 것이라고 가정하고 검색 순서를 네트워크 분석에 활용한 것이다.
세 번째 단계인 대안의 평가 단계에서는 여러 가지 의사 결의 평가 과정이 있는데, 최근의 모델은 소비자들이 의식적이며 합리적인 기준에 따라 판단 한다고 제시한다. 첫째 소비자는 욕구를 충족시키려고 한다. 둘째, 소비자는 문제를 해결하는 제품에서 어떤 이점을 추구하고 있다.
제안 방법
네트워크의 분석은 two mode를 적용했으며, 1-mode는 앞서 언급된 제품 브랜드가, 2-mode는 소비자의 판단기준인 제품 속성이 분석되었다. 2-mode 역시 검색 트래픽으로 관계가 분석되는데, 제품브랜드와 속성을 동시에 검색하는 경우를 관계로 분석했다.
네트워크의 분석은 two mode를 적용했으며, 1-mode는 앞서 언급된 제품 브랜드가, 2-mode는 소비자의 판단기준인 제품 속성이 분석되었다. 2-mode 역시 검색 트래픽으로 관계가 분석되는데, 제품브랜드와 속성을 동시에 검색하는 경우를 관계로 분석했다.
본 연구에서는 제품 후보군인 태블릿 PC 제품 브랜드를 기본 액터로 보는데, 이 경우 태블릿 PC의 제조사 등이 제품의 특징이 된다. 이런 태블릿 PC 브랜드에 영향을 주는 또 다른 액터로는 소비자가 검색하는 평가기준인 제품 속성(가격, 화면, 어플리케이션 등)을 분석했다. 두 액터는 이질적이기 때문에 1-mode와 2-mode로 분리해 분석한다.
본 연구가 대상으로 하는 검색 트래픽이라는 관점에서 보았을 때, 정보탐색 과정에서 주목해야 하는 부분은 정보탐색의 역동성이다. 정보수집을 통해서 소비자는 경쟁하는 브랜드(상표)와 그 특성에 대해 학습한다. [Figure 1]의 첫 번째 단계는 소비자가 이용 가능한 브랜드들의 전체 집합을 보여준다.
태블릿 PC 브랜드에 대한 동시 검색을 분석하기 위해서 [Figure 1]에서 설명된 것과 같은 후보 제품군을 선정해야 하는데, [Table 1]에서 제시된 2012년 4분기 출하량을 바탕으로 5대 제조기업(애플, 삼성, 아마존, 아수스, 반스 앤 노블)의 대표 제품브랜드를 선정해서 상호 비교했다. 검색 트래픽의 데이터는 2010년, 2012년, 2013년의 검색데이터를 구분해서 수집했으며, 2013년 검색 트래픽 데이터는 1월 1일부터 4월 20일까지 누적데이터를 기준으로 했다.
활용된 검색 트래픽 데이터의 특성을 살펴보기 위해 matrix diagram을 살펴보고, 기본적인 브랜드의 네트워크 관계를 살펴보기 위해 degree 기준의 neighbor map을 살펴본다. 본격적으로 소비자가 생각하는 브랜드의 유사성을 살펴보기 위해서는 MDS, Spring 맵을 활용하며, 중심성을 살펴보기 위해서는 원형(circular) 네트워크 맵을 활용한다.
대상 데이터
태블릿 PC 브랜드에 대한 동시 검색을 분석하기 위해서 [Figure 1]에서 설명된 것과 같은 후보 제품군을 선정해야 하는데, [Table 1]에서 제시된 2012년 4분기 출하량을 바탕으로 5대 제조기업(애플, 삼성, 아마존, 아수스, 반스 앤 노블)의 대표 제품브랜드를 선정해서 상호 비교했다. 검색 트래픽의 데이터는 2010년, 2012년, 2013년의 검색데이터를 구분해서 수집했으며, 2013년 검색 트래픽 데이터는 1월 1일부터 4월 20일까지 누적데이터를 기준으로 했다.
본 연구에서는 매초 수십만건씩 행해지는 소비자의 웹검색 활동의 데이터를 기반으로, 일반 대중의 소비자가 가지고 있는 특정 시점, 특정 기간 동안의 브랜드간 관계를 확인하는 것을 목표로, 브랜드 포지셔닝을 보여주는 시스템을 개발하였다. 본 시스템의 기본이 되는 웹검색 트래픽 데이터는 포털 서비스 업체의 트렌드 사이트에서 제공하는 것을 기본으로 하고 있다. 현재까지 웹검색 트래픽에 대해서는 Facebook이나 Twitter처럼 API가 제공되고 있지는 않기 때문에, 브랜드별로 출시 후 현재까지의 웹검색 트래픽을 수작업으로 수집해야 한다.
본 연구에서 제안한 시스템이 효과적으로 브랜드의 포지셔닝을 보여주는지 확인하기 위해, 미국 소비자의 2004년부터 현재까지의 태블릿 PC에 대한 검색을 주 대상으로 선정하였다. 네트워크 모델링을 위한 노드로는 제품 브랜드를 활용했고, 링크로는 얼마나 두 브랜드가 가깝게 비교되는지를 보여주는 표준화된 동시 검색량을 활용한다.
현재까지 웹검색 트래픽에 대해서는 Facebook이나 Twitter처럼 API가 제공되고 있지는 않기 때문에, 브랜드별로 출시 후 현재까지의 웹검색 트래픽을 수작업으로 수집해야 한다. 본 연구에서 활용한 네트워크 모델링은 네트워크 모델링은 노드와 링크의 모델링이 중요한데, 노드는 본 연구의 연구 대상인 제품 브랜드가 되며 노드의 속성은 제조사가 분석된다. SNA를 활용하는 핵심 요인은 관계형 데이터에 있기 때문에 링크 즉 관계의 모델링이 중요한데, 본 연구에서는 제품 브랜드의 관계를 검색에서 동시에 입력될 때 브랜드는 동시에 비교되었다는 측면에서 관계가 있다고 가정했다.
분석 결과에 따르면, 지식수준이 낮은 경우에는 경험재와 신뢰재에서 위험지각이 높아질수록 온라인-오프라인을 통해 많은 정보를 탐색하는 것으로 나타났고, 지식수준이 높은 경우에는 탐색재에서 위험지각이 높을수록 온라인을 통해 많은 정보를 탐색하는 것으로 나타났다. 본 연구의 사례인 태블릿 PC(Tablet PC)는 전형적인 탐색재로 온라인 탐색이 많을 것으로 기대할 수 있었다.
이론/모형
본 연구는 검색 트래픽 데이터를 활용해서 소비자가 생각하는 제품들의 포지셔닝 분석을 위해 사회 연결망의 분석에서 자주 사용되는 사회 연결망분석 또는 소셜 네트워크 분석(Social Network Analysis, 이하 SNA)을 활용한다. 여기서 네트워크란 복수의 사람ㆍ조직ㆍ사물 등을 연결시키는 일정의 관계를 의미하는데, 네트워크를 형성하고 있는 그러한 사람ㆍ조직ㆍ사물 등을 액터(actor)라고 한다.
중심성의 지표는 오늘날 수없이 개발되어 있다. 본 연구에서도 중심성이 높은 액터(제품 브랜드나 평가기준)를 찾기 위해서 중심성을분석하는 Degree Centrality(연결 정도 중심성) 등을 활용한다.
원형맵은 하나의 원주 상에서 일정한 간격으로 노드들을 배치하는 방법으로 링크들이 어떤 노드들에 집중되고 있는지, 어떤 노드들이 상대적으로 동떨어져 있는지에 대한 대략적인 윤곽을 파악하는데 유용하다. 원형맵에서 본 연구가 적용한 Radical 방법은 주어진 중심성에 따라 그 값을 높은 노드는 가운데에, 낮은 노드는 가장 자리에 배치하면 하면서, 동시에 모든 노드쌍 간의 최단경로거리에 최대한 비례하도록 Kamada and Kawai 알고리즘에 따라 배치한다.
성능/효과
[Figure 5]는 강도(degree)를 기준으로 작성된 그림으로 2010년과 2013년 검색 트래픽 정보를 활용한 네트워크 분석 결과를 보여주고 있다. 결과에 따르면 2010년에는 iPad의 외향성이 강한 반면 Kindle과 Nook은 내향성이 강하고 Galaxy는 강도가 약한 것으로 나타났다. 우측 그림은 2013년 현재의 모습을 보여주고 있다.
실무적인 측면에서, 본 연구는 구글이나 네이버에서 무료로 제공하는 검색 트래픽 정보를 활용하고, 큰 비용을 요구하지 않는 간단한 분석을 포함한 시스템을 통해 기업이 소비자들이 자사의 브랜드를 어떻게 생각하고 있는지를 추적할 수 있는 방법을 제안하고 있다. 구글이나 네이버의 웹검색 트래픽은 모집단에 가까운 사용자의 실제 사용 결과를 기반으로 하기 때문에, 웹검색 데이터 분석을 통한 인사이트는 현실 상황이 많은 부분 반영된 결과라는 점이 본 연구가 제안한 방법의 실무적인 가치를 더욱 증가시켜 준다. 두 번째로, 현재까지 기업이 자사의 브랜드가 소비자의 마음속에 어떻게 포지셔닝되어 있는지를 판단하기 위해서 전문가의 정성적인 판단에 의존한 ‘Expert based decision making’을 주로 수행하였다면, 본 연구가 제시한 웹검색 트래픽 기반의 제품 포지셔닝 방법은 ‘Data based decision making’이나 ‘evidence based decision making’이라 할 수 있다.
Su(2008)는 가격, 비가격적인 제품 정보, 그리고 상점이라는 세 가지로 소비자의 검색 의도를 구분해서 연구했다. 그 결과 책과 MP3의 경우에는 가격과 비가격적인 제품 정보가 검색량을 증가시키는 것으로 나타났다. 그러나 상점이라는 요인은 소비자의정보 검색과 별다른 관련을 보이지 않았다.
IT시스템의 보급과 함께 이미 R&D 분야 및 제조, 금융 등 여러 산업에서는 수많은 데이터의 수집과 분석을 통하여 의미 있는 정보를 추출하고 이를 통하여 다양한 문제를 해결하기 위한 노력을 지속해 왔다(Park, 2013). 그러나 산업과 IT의 융합이 다방면에 걸쳐 빠르게 이루어지면서 디지털 데이터의 산출 속도는 하루가 다르게 증가하였고, 첨단 기술의 발전에 따라 시스템의 성능 또한 지속적으로 향상되었다. 빅데이터에 관한 연구도 활발히 진행되고 있는데, 실시간으로 방대한 양의 데이터가 창출되는 뉴스와 주가간의 관계를 밝히는 데이터 관점의 연구에서부터(Kim et al.
2010년에 태블릿 PC를 검색하는 소비자는 특정 제품을 선택하면 Kindle을 추가로 비교하는 비중이 높았고, 검색을 시작하면 iPad를 선택하고 다른 상품을 비교하는 것으로 나타났다. 근접 중심성은 내향과 외향 모두 iPad가 가장 높았으며 매개 중심성도 iPad가 가장 높았다. PageRank도 iPad가 가장 높게 나타났으며, Kindle과 Nook가 뒤를 따르고 있었다.
두 번째로, 현재까지 기업이 자사의 브랜드가 소비자의 마음속에 어떻게 포지셔닝되어 있는지를 판단하기 위해서 전문가의 정성적인 판단에 의존한 ‘Expert based decision making’을 주로 수행하였다면, 본 연구가 제시한 웹검색 트래픽 기반의 제품 포지셔닝 방법은 ‘Data based decision making’이나 ‘evidence based decision making’이라 할 수 있다.
이론적인 측면에서, 본 연구는 소비자의 웹검색 트래픽 정보를 활용하여 소비자에게 있어 브랜드가 어떻게 포지셔닝되어 있는지의 방법론과 시스템을 제안하였다. 또한 이를 태블릿 PC의 사례를 통해서, 미시적인 관점에서 소비자의 마음속에 위치한 개별 브랜드들의 위치 및 관계를 보여주었다. 현재까지 기존 연구는 사회 현상이나 거시적인 트렌드를 진단 및 예측하는데 웹검색 트래픽 정보를 활용할 수 있다고 하였는데, 본 연구는 소비자의 웹검색 행태를 통해 소비자의 관심이 어떤 브랜드에 집중되어 있고, 어떤 브랜드들을 서로 비교하는지 확인할 수 있음을 보여준 것이다.
Shin and Park(2006)은 제품의 특성에 따른 정보탐색 수준을 분석했는데, 제품에 대한 위험 지각과 제품에 대한 지식수준에 따라 소비자의 정보 탐색이 어떻게 달라지는지를 분석했다. 분석 결과에 따르면, 지식수준이 낮은 경우에는 경험재와 신뢰재에서 위험지각이 높아질수록 온라인-오프라인을 통해 많은 정보를 탐색하는 것으로 나타났고, 지식수준이 높은 경우에는 탐색재에서 위험지각이 높을수록 온라인을 통해 많은 정보를 탐색하는 것으로 나타났다. 본 연구의 사례인 태블릿 PC(Tablet PC)는 전형적인 탐색재로 온라인 탐색이 많을 것으로 기대할 수 있었다.
Park(2010)의 연구에 따르면 소비자 행동을 분석하는 종속변수는 구매 관련 지표가 대다수였고, 독립변수는 인구통계 변수, 행동 변수, 소비자 동기 및 심리, 소비자의 태도, 사이트 특성 및 속성, 외부환경 요인이 대다수였다. 분석 모델은 기술수용 모델이 많았으며, 연구 방법은 설문조사를 활용한 연구가 대다수(73.7%)를 차지하고 있었다. 소비자 행동 연구에서 검색과 같은 행동 변수에 대한 연구는 다소 존재했지만, 본 연구와 같이 거시적인 관점에서 신기술의 수용이나 브랜드 포지셔닝 분석을 접근한 사례는 거의 없었다.
둘째, 소비자는 문제를 해결하는 제품에서 어떤 이점을 추구하고 있다. 셋째, 소비자는 욕구를 만족시키기 위해 추구하고 있는 이점을 전달하는 서로 다른 능력을 갖는 속성의 묶음으로 각 제품을 인식한다. 구매자들에게 관심을 끄는 속성은 제품마다 다르고, 소비자는 속성에 대한 평가 절차를 통해 여러 상표에 대한 태도를 갖게 된다.
[Table 3]은 2013년의 태블릿 PC 브랜드에 대한 중심성 분석 결과를 보여주고 있다(2013년 누적검색 데이터 기준). 연결정도 중에서 내향성은 2010년과 달리 iPad가 가장 높았으며, 외향성은 iPad와 Kindle이 같이 높았다. 2013년에 태블릿 PC를 검색하는 소비자는 특정 제품을 선택하면 iPad를 추가로 비교하는 비중이 높았고, 검색을 시작하면 iPad나 Kindle을 선택하고 다른 상품을 비교하는 것으로 나타났다.
[Table 2]는 태블릿 PC 브랜드에 대한 중심성분석 결과를 보여주고 있다(2010년 누적 검색 데이터 기준). 연결정도 중에서 내향성은 Kindle이 가장 높았으며, 외향성은 iPad가 가장 높았다. 2010년에 태블릿 PC를 검색하는 소비자는 특정 제품을 선택하면 Kindle을 추가로 비교하는 비중이 높았고, 검색을 시작하면 iPad를 선택하고 다른 상품을 비교하는 것으로 나타났다.
원형맵은 제품 간의 유사성에 대한 정보를 제공하며 특히 소비자가 어떤 제품을 중심으로 생각하는 지까지 잘 보여주는 특징을 확인할 수 있었다. 이런 정보는 단지 현재까지 판매량으로 파악되는 것이 아니며, 미래의 시장 주도권을 짐작할 수 있게 하는 중요한 정보가 된다.
후속연구
제품출시, 프로모션, 업그레이드, 리콜 등)과 검색 키워드와의 변화를 동시에 고려하는 것이 실무적인 활용도를 높일 수 있는 방향으로 뽑을 수 있다. 궁극적으로 모형을 더 발전시켜 마케팅 활동의 성과의 평가할 수 있는 방법까지 제안할 수 있다면, 실무적인 활용도를 극대화할 수 있을 것으로 생각된다. 이와 같은 향후 연구는 검색엔진 최적화나 SNS 마케팅 등을 고민하는 기업에게 실용적이고 의미 있는 가이드라인을 제공할 수 있을 것이다.
현재까지 기존 연구는 사회 현상이나 거시적인 트렌드를 진단 및 예측하는데 웹검색 트래픽 정보를 활용할 수 있다고 하였는데, 본 연구는 소비자의 웹검색 행태를 통해 소비자의 관심이 어떤 브랜드에 집중되어 있고, 어떤 브랜드들을 서로 비교하는지 확인할 수 있음을 보여준 것이다. 또한, 지금까지 많은 주목을 받지 못하고 있던 소비자의 동시검색 행위에 대해서 두 브랜드를 동시에 검색하는 행위를 통한 브랜드들 간의 관계(브랜드-브랜드 네트워크) 및 특정브랜드와 제품 속성을 동시에 검색하는 행위(동시검색)를 통한 브랜드 속성 간의 관계(브랜드-제품속성 네트워크)를 도출하였다는 점이 정보 탐색 관련 연구에 새로운 시사점을 줄 수 있다고 생각된다.
다른 한계로는 태블릿 PC라는 하나의 카테고리에 대해서만 시스템의 유용성을 검증해 보았다는 측면이 일반화 측면에서 한계로 지적받을 수 있다. 본 연구가 확장된다면, 소비자들이 웹검색을 통해 많은 정보를 획득하는 IT 제품들이나 다른 사람의 경험을 통해 정보를 획득해야만 하는 경험재(여행지, 레스토랑)에서도 본 연구에서 제안한 시스템이 효과적인지 검증할 필요가 있다.
예를 들면, 킨들과 가격의 동시검색이 줄어든 것이 저렴한 가격이 충분히 소구되었기 때문인지, 소비자에게 가격이 중요하지 않게 되었는지 등의 판단이 쉽지 않다. 이런 부분들이 향후 연구에서 해결이 된다면, 본 연구에서 제안한 방법론이 실무적으로 더 정확하고 의미 있는 인사이트를 제공할 수 있을 것이다. 추가적으로 본 연구에서 제시한 제품-속성들의 포지셔닝은 시간에 따라 자주 바뀌지는 않을 것이기 때문에, 실제 현장 활용 시 더 큰 관심을 받을 수 있는 마케팅의 일상 활동(예.
궁극적으로 모형을 더 발전시켜 마케팅 활동의 성과의 평가할 수 있는 방법까지 제안할 수 있다면, 실무적인 활용도를 극대화할 수 있을 것으로 생각된다. 이와 같은 향후 연구는 검색엔진 최적화나 SNS 마케팅 등을 고민하는 기업에게 실용적이고 의미 있는 가이드라인을 제공할 수 있을 것이다.
이런 부분들이 향후 연구에서 해결이 된다면, 본 연구에서 제안한 방법론이 실무적으로 더 정확하고 의미 있는 인사이트를 제공할 수 있을 것이다. 추가적으로 본 연구에서 제시한 제품-속성들의 포지셔닝은 시간에 따라 자주 바뀌지는 않을 것이기 때문에, 실제 현장 활용 시 더 큰 관심을 받을 수 있는 마케팅의 일상 활동(예. 제품출시, 프로모션, 업그레이드, 리콜 등)과 검색 키워드와의 변화를 동시에 고려하는 것이 실무적인 활용도를 높일 수 있는 방향으로 뽑을 수 있다. 궁극적으로 모형을 더 발전시켜 마케팅 활동의 성과의 평가할 수 있는 방법까지 제안할 수 있다면, 실무적인 활용도를 극대화할 수 있을 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
소비자 행동이란?
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 모델은 무엇을 강조하나?
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 행동에 영향을 주는 요인에는 무엇이 있는가?
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.
참고문헌 (19)
Butler, D., "When Google Got Flu Wrong," Nature, Vol.494(2013), 155-156.
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.
Hawkins, D. I. and D. L. Mothersbaugh, Consumer Behavior : Building Marketing Strategy, 11th ed., McGraw Hill Higher Education, 2009.
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.
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.
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.
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.
Knoke, D. and J. H. Kuklinski, Network analysis. Newbury Park, CA, Sage, 1982.
Kotler, P. and K. L. Keller, Marketing Management, 13th edition, Prentice Hall, 2008.
Kwon, Y., "Data Analytics in Education : Culture and Future Directions," Journal of Intelligence and Information Systems, Vol.19, No. 2(2013), 87-100.
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.
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).
Park, C., "A Literature Review on Online Consumer Behaviors in Korea 2000-2009," Journal of Consumer Studies, Vol.21, No.2(2010), 289-320.
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.
Scott, J. and P. J. Carrington, The SAGE Handbook of Social Network Analysis, SAGE Publication, 2011.
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.
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.
Vosen, S. and T. Schmidt, "Forecasting Private Consumption : Survey-Based Indicators vs. Google Trends," Journal of Forecasting, Vol. 30, No.6(2011), 565-578.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.