자기조직화 지도를 활용한 성장모형 기반의 시장 성장패턴 지도 구축: ICT제품을 중심으로 Development of Market Growth Pattern Map Based on Growth Model and Self-organizing Map Algorithm: Focusing on ICT products원문보기
시장 예측은 일정 기간 동안 소비자에게 판매되는 동종 제품 또는 서비스의 수량 혹은 매출액의 규모를 추정하는 활동으로 정의할 수 있다. 정확한 시장 예측은 기업의 입장에서 새로운 제품의 도입시기 결정, 제품 설계, 생산계획 수립, 마케팅 전략 수립 등에 활용됨으로써 경영활동에 있어 효율적인 의사결정을 내릴 수 있게 하고, 정부의 입장에서는 발전 가능성이 있는 분야에 국가예산을 더 배분할 수 있는 효율적인 예산수립이 가능하게 한다. 본 연구는 정보통신기술(Information and Communication Technology: ICT) 분야의 제품 및 서비스에 대해서 과거의 시계열 자료를 이용하여 시장 성장곡선을 도출하고, 성장패턴이 비슷한 그룹으로 분류하여, 산업 내 시장에 대해 이해하고, 제품들의 미래 전망을 예측하는 데 목적이 있다. 다양한 아이템들을 통일되고 일관적인 방법으로 예측하기 위하여, 로지스틱 모형, 곰페르츠 모형, Bass 모형의 세 가지 전통적인 성장모형과 로지스틱 모형이나 곰페르츠 모형에서 도출되는 잠재시장 크기를 Bass 모형에 결합시킨 두 가지 하이브리드 성장모형을 개발하여 비교 분석하였다. 데이터 설명력이 우수한 로지스틱 + Bass 모형을 최적의 모형으로 선정하여 ICT 제품 및 서비스들 각각의 시장 성장곡선 모수를 확인하였다. 도출된 모수를 데이터로 하여, 자기조직화 지도 알고리즘을 통해, 5개의 의미 있는 영역으로 구분된 시장 성장패턴 지도가 구축되었는데, 각 영역별로 차별화된 특징과 성장패턴을 가지고 있었다. 본 연구에서 제안한 프로세스 및 시스템은 산업 시장 분석 시스템의 수요 예측 기능으로 활용될 수 있으며, ICT 산업뿐만 아니라 다양한 산업 및 분야에도 적용 가능할 것으로 기대된다.
시장 예측은 일정 기간 동안 소비자에게 판매되는 동종 제품 또는 서비스의 수량 혹은 매출액의 규모를 추정하는 활동으로 정의할 수 있다. 정확한 시장 예측은 기업의 입장에서 새로운 제품의 도입시기 결정, 제품 설계, 생산계획 수립, 마케팅 전략 수립 등에 활용됨으로써 경영활동에 있어 효율적인 의사결정을 내릴 수 있게 하고, 정부의 입장에서는 발전 가능성이 있는 분야에 국가예산을 더 배분할 수 있는 효율적인 예산수립이 가능하게 한다. 본 연구는 정보통신기술(Information and Communication Technology: ICT) 분야의 제품 및 서비스에 대해서 과거의 시계열 자료를 이용하여 시장 성장곡선을 도출하고, 성장패턴이 비슷한 그룹으로 분류하여, 산업 내 시장에 대해 이해하고, 제품들의 미래 전망을 예측하는 데 목적이 있다. 다양한 아이템들을 통일되고 일관적인 방법으로 예측하기 위하여, 로지스틱 모형, 곰페르츠 모형, Bass 모형의 세 가지 전통적인 성장모형과 로지스틱 모형이나 곰페르츠 모형에서 도출되는 잠재시장 크기를 Bass 모형에 결합시킨 두 가지 하이브리드 성장모형을 개발하여 비교 분석하였다. 데이터 설명력이 우수한 로지스틱 + Bass 모형을 최적의 모형으로 선정하여 ICT 제품 및 서비스들 각각의 시장 성장곡선 모수를 확인하였다. 도출된 모수를 데이터로 하여, 자기조직화 지도 알고리즘을 통해, 5개의 의미 있는 영역으로 구분된 시장 성장패턴 지도가 구축되었는데, 각 영역별로 차별화된 특징과 성장패턴을 가지고 있었다. 본 연구에서 제안한 프로세스 및 시스템은 산업 시장 분석 시스템의 수요 예측 기능으로 활용될 수 있으며, ICT 산업뿐만 아니라 다양한 산업 및 분야에도 적용 가능할 것으로 기대된다.
Market forecasting aims to estimate the sales volume of a product or service that is sold to consumers for a specific selling period. From the perspective of the enterprise, accurate market forecasting assists in determining the timing of new product introduction, product design, and establishing pr...
Market forecasting aims to estimate the sales volume of a product or service that is sold to consumers for a specific selling period. From the perspective of the enterprise, accurate market forecasting assists in determining the timing of new product introduction, product design, and establishing production plans and marketing strategies that enable a more efficient decision-making process. Moreover, accurate market forecasting enables governments to efficiently establish a national budget organization. This study aims to generate a market growth curve for ICT (information and communication technology) goods using past time series data; categorize products showing similar growth patterns; understand markets in the industry; and forecast the future outlook of such products. This study suggests the useful and meaningful process (or methodology) to identify the market growth pattern with quantitative growth model and data mining algorithm. The study employs the following methodology. At the first stage, past time series data are collected based on the target products or services of categorized industry. The data, such as the volume of sales and domestic consumption for a specific product or service, are collected from the relevant government ministry, the National Statistical Office, and other relevant government organizations. For collected data that may not be analyzed due to the lack of past data and the alteration of code names, data pre-processing work should be performed. At the second stage of this process, an optimal model for market forecasting should be selected. This model can be varied on the basis of the characteristics of each categorized industry. As this study is focused on the ICT industry, which has more frequent new technology appearances resulting in changes of the market structure, Logistic model, Gompertz model, and Bass model are selected. A hybrid model that combines different models can also be considered. The hybrid model considered for use in this study analyzes the size of the market potential through the Logistic and Gompertz models, and then the figures are used for the Bass model. The third stage of this process is to evaluate which model most accurately explains the data. In order to do this, the parameter should be estimated on the basis of the collected past time series data to generate the models' predictive value and calculate the root-mean squared error (RMSE). The model that shows the lowest average RMSE value for every product type is considered as the best model. At the fourth stage of this process, based on the estimated parameter value generated by the best model, a market growth pattern map is constructed with self-organizing map algorithm. A self-organizing map is learning with market pattern parameters for all products or services as input data, and the products or services are organized into an $N{\times}N$ map. The number of clusters increase from 2 to M, depending on the characteristics of the nodes on the map. The clusters are divided into zones, and the clusters with the ability to provide the most meaningful explanation are selected. Based on the final selection of clusters, the boundaries between the nodes are selected and, ultimately, the market growth pattern map is completed. The last step is to determine the final characteristics of the clusters as well as the market growth curve. The average of the market growth pattern parameters in the clusters is taken to be a representative figure. Using this figure, a growth curve is drawn for each cluster, and their characteristics are analyzed. Also, taking into consideration the product types in each cluster, their characteristics can be qualitatively generated. We expect that the process and system that this paper suggests can be used as a tool for forecasting demand in the ICT and other industries.
Market forecasting aims to estimate the sales volume of a product or service that is sold to consumers for a specific selling period. From the perspective of the enterprise, accurate market forecasting assists in determining the timing of new product introduction, product design, and establishing production plans and marketing strategies that enable a more efficient decision-making process. Moreover, accurate market forecasting enables governments to efficiently establish a national budget organization. This study aims to generate a market growth curve for ICT (information and communication technology) goods using past time series data; categorize products showing similar growth patterns; understand markets in the industry; and forecast the future outlook of such products. This study suggests the useful and meaningful process (or methodology) to identify the market growth pattern with quantitative growth model and data mining algorithm. The study employs the following methodology. At the first stage, past time series data are collected based on the target products or services of categorized industry. The data, such as the volume of sales and domestic consumption for a specific product or service, are collected from the relevant government ministry, the National Statistical Office, and other relevant government organizations. For collected data that may not be analyzed due to the lack of past data and the alteration of code names, data pre-processing work should be performed. At the second stage of this process, an optimal model for market forecasting should be selected. This model can be varied on the basis of the characteristics of each categorized industry. As this study is focused on the ICT industry, which has more frequent new technology appearances resulting in changes of the market structure, Logistic model, Gompertz model, and Bass model are selected. A hybrid model that combines different models can also be considered. The hybrid model considered for use in this study analyzes the size of the market potential through the Logistic and Gompertz models, and then the figures are used for the Bass model. The third stage of this process is to evaluate which model most accurately explains the data. In order to do this, the parameter should be estimated on the basis of the collected past time series data to generate the models' predictive value and calculate the root-mean squared error (RMSE). The model that shows the lowest average RMSE value for every product type is considered as the best model. At the fourth stage of this process, based on the estimated parameter value generated by the best model, a market growth pattern map is constructed with self-organizing map algorithm. A self-organizing map is learning with market pattern parameters for all products or services as input data, and the products or services are organized into an $N{\times}N$ map. The number of clusters increase from 2 to M, depending on the characteristics of the nodes on the map. The clusters are divided into zones, and the clusters with the ability to provide the most meaningful explanation are selected. Based on the final selection of clusters, the boundaries between the nodes are selected and, ultimately, the market growth pattern map is completed. The last step is to determine the final characteristics of the clusters as well as the market growth curve. The average of the market growth pattern parameters in the clusters is taken to be a representative figure. Using this figure, a growth curve is drawn for each cluster, and their characteristics are analyzed. Also, taking into consideration the product types in each cluster, their characteristics can be qualitatively generated. We expect that the process and system that this paper suggests can be used as a tool for forecasting demand in the ICT and other industries.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 로지스틱 모형, 곰페르츠 모형, Bass 모형을 ICT 제품의 성장패턴을 확인하는 기본 모형으로 사용하고자 한다. 또한, Bass 모형의 한계점인 잠재시장 규모 추정을 보완하기 위해, 비교적 잠재시장 규모를 잘 예측하는 로지스틱, 곰페르츠 모형의 잠재시장 규모 예측치를 Bass 모형의 잠재시장 규모로 활용하여 혁신계수, 모방계수를 예측하는 하이브리드 방법도 비교해 보고자 한다. 결과적으로 본 연구에서는 (1) 로지스틱 모형, (2) 곰페르츠 모형, (3) Bass 모형, (4) 로지스틱 모형의 잠재시장 규모 예측치를 활용한 Bass 모형(로지스틱 + Bass), 마지막으로 (5)곰페르츠 모형의 잠재시장 규모 예측치를 활용한 Bass 모형(곰페르츠 + Bass)을 비교 분석하여, ICT 제품군 시장 성장패턴 예측에 가장 적합한 한가지 모형을 도출할 것이다.
본 연구는 (1) 기존 문헌에서 주로 연구되어온 다양한 시장 성장곡선 모형들의 특징 및 장단점 등을 분석하고, (2) 전통적인 모형들과 이를 결합한 하이브리드 모형을 개발하고 최적의 모형을 선정하여, (3) 정보통신기술(Information and Communication Technology: ICT) 분야의 129개 제품 각각의 성장패턴 특징들을 도출한 후, (4) 제품들을 그룹화함으로써 ICT 분야의 시장 성장 패턴 지도를 구축하는 데 목적이 있다. 본 연구는 전통적인 성장모형들을 결합하여 새로운 모형을 제안하고 검증한 측면과 ICT 산업 내 많은 제품들을 유형화하여 성장특징을 확인한 측면에서 이론적인 시사점을 가지며, 본 연구가 제안 하는 ‘시장 성장패턴 지도’와 이를 도출하는 프로세스 및 시스템은 기업이나 정부 여러 부처에서 산업이나 특정 분야 전반의 인사이트를 얻는데 활용될 수 있다는 점에서 실무적 시사점을 갖는다.
본 연구는 ICT 분야의 제품들에 대해서 과거의 시계열 자료를 이용하여 시장 성장곡선을 도출하고, 성장패턴이 비슷한 그룹으로 분류하여, 산업 내 시장에 대해 이해하고, 제품들의 미래 전망을 예측하는 데 목적이 있다. 다양한 아이템 들을 통일되고 일관적인 방법으로 예측하기 위하여, 로지스틱 모형, 곰페르츠 모형, Bass 모형의 세 가지 전통적인 성장모형과 로지스틱 모형이나 곰페르츠 모형에서 도출되는 잠재시장 크기를 Bass 모형에 결합시킨 두 가지 하이브리드 성장모형을 개발하여 비교 분석하였다.
본 연구에서는 로지스틱 모형, 곰페르츠 모형, Bass 모형을 ICT 제품의 성장패턴을 확인하는 기본 모형으로 사용하고자 한다. 또한, Bass 모형의 한계점인 잠재시장 규모 추정을 보완하기 위해, 비교적 잠재시장 규모를 잘 예측하는 로지스틱, 곰페르츠 모형의 잠재시장 규모 예측치를 Bass 모형의 잠재시장 규모로 활용하여 혁신계수, 모방계수를 예측하는 하이브리드 방법도 비교해 보고자 한다.
본 연구에서는 자기조직화 지도 기법을 활용 하여 ICT 품목들 중에서, 유사한 시장 성장패턴을 가진 제품들을 분류해보고, 몇 개의 클러스터가 있는지 확인하고자 하며, 최종적으로 시장 성장패턴 지도를 구축하고자 한다. 이를 위해서, 앞서 도출된 시장 성장 특징들(p, q, m)을 자기조직화 지도의 입력데이터로 사용하여, R 프로그램 Kohonen 팩키지 내에 탑재되어 있는 자기조직화 지도 알고리즘을 통해 반복 처리하였다.
가설 설정
본 연구가 제안하는 프로세스 내에 모형 선택 및 평가 단계에서 기존에 연구되어 우수성을 입증 받은 여러 다른 모형들이 함께 고려 되어 가장 좋은 성과를 낼 수 있는 방향으로 연구가 진행될 필요도 있다. 셋째, 제안한 프로세스에 대한 검증이 완벽하지 않은 부분이다. 클러스터에 대한 검증, 각 개별 아이템의 모수 값들에 대한 검증 등 실제 검증되어야 할 부분이 많지만, 시간 및 비용 관련 문제로 모두 다룰 수는 없었다.
2008). 첫째, 변곡점을 중심으로 곡선의 모양이 좌우 대칭이다. 이는 각각의 시장이 가지고 있는 개별적인 특성을 정확하게 반영하기 어렵다는 한계를 내포하고 있다.
제안 방법
수집된 데이터를 가지고 각 제품별로 본 연구에서 비교 성장모형으로 제시한 5개의 모형의 계수를 추정하였다. 각 모형 중 최적 모형을 선정하기 위해, 각 모형의 129개의 개별 품목들의 오차를 계산하였다. 모형별로 평균 RMSE 결과는 [Table 1]과 같다.
품목이 129개로서 노드당 평균 세 개 이상은 배치되어야 각 노드들이 의미를 가질 수 있다고 판단하여, 6 x 6 지도를 선택한 것이다. 개별 노드들간 유사성과 상이성을 바탕으로 R 프로그램 Kohonen 팩키지 내의 클러스터 함수를 이용하여 지도 상에 영역을 구분하였다. 몇 개의 영역으로 구분하는 지는 연구자의 재량에 따라 달라지는데, 본 연구에서는 3개에서 8개로 영역 수를 증가시켜 가면서, 저자를 포함한 관련 전문가 아홉 명이 가장 적합한 영역수를 결정하였다.
본 연구는 ICT 분야의 제품들에 대해서 과거의 시계열 자료를 이용하여 시장 성장곡선을 도출하고, 성장패턴이 비슷한 그룹으로 분류하여, 산업 내 시장에 대해 이해하고, 제품들의 미래 전망을 예측하는 데 목적이 있다. 다양한 아이템 들을 통일되고 일관적인 방법으로 예측하기 위하여, 로지스틱 모형, 곰페르츠 모형, Bass 모형의 세 가지 전통적인 성장모형과 로지스틱 모형이나 곰페르츠 모형에서 도출되는 잠재시장 크기를 Bass 모형에 결합시킨 두 가지 하이브리드 성장모형을 개발하여 비교 분석하였다. 데이터 설명력이 우수한 로지스틱 + Bass 모형을 최적의 모형으로 선정하여 ICT 제품들 각각의 시장 성장곡선 모수를 확인하였다.
다양한 아이템 들을 통일되고 일관적인 방법으로 예측하기 위하여, 로지스틱 모형, 곰페르츠 모형, Bass 모형의 세 가지 전통적인 성장모형과 로지스틱 모형이나 곰페르츠 모형에서 도출되는 잠재시장 크기를 Bass 모형에 결합시킨 두 가지 하이브리드 성장모형을 개발하여 비교 분석하였다. 데이터 설명력이 우수한 로지스틱 + Bass 모형을 최적의 모형으로 선정하여 ICT 제품들 각각의 시장 성장곡선 모수를 확인하였다. 도출된 모수를 데이터로 하여, 자기조직화 지도 알고리즘을 통해6 x 6 지도를 구축하였으며, 5개의 의미있는 영역으로 지도를 나눌 수 있었다.
다양한 분야로 확장 적용해서 본 연구가 제안하는 프로세스와 시스템의 적합성을 지속적으로 확인해볼 필요가 있다. 둘째, 본 연구는 지금까지 연구되어온 여러 성장모형 중 로지스틱 모형, 곰페르츠 모형, Bass 모형만을 기본적인 모형으로 고려하고 있다. 본 연구가 제안하는 프로세스 내에 모형 선택 및 평가 단계에서 기존에 연구되어 우수성을 입증 받은 여러 다른 모형들이 함께 고려 되어 가장 좋은 성과를 낼 수 있는 방향으로 연구가 진행될 필요도 있다.
본 연구에서는 ICT 라는 비교적 신기술 출현이 빈번하고 시장의 변화가 빠른 도메인을 선정하였기 때문에, 로지스틱 모형, 곰페르츠 모형, Bass 모형을 기본 모형으로 선정하였다. 또한, 두가지 이상의 모형을 결합하여 하이브리드 모형을 만들 수도 있는데, 본 연구에서는 Bass 모형의 잠재시장 규모 추정의 의존성 때문에, 잠재 시장의 규모를 로지스틱 모형이나 곰페르츠 모형으로 도출한 후 이를 Bass 모형의 잠재 시장 규모에 넣은 모형 두 가지를 추가로 고려하였다. 세 번째 단계는 어떤 성장모형이 데이터를 가장잘 설명하는지 평가하는 단계이다.
개별 노드들간 유사성과 상이성을 바탕으로 R 프로그램 Kohonen 팩키지 내의 클러스터 함수를 이용하여 지도 상에 영역을 구분하였다. 몇 개의 영역으로 구분하는 지는 연구자의 재량에 따라 달라지는데, 본 연구에서는 3개에서 8개로 영역 수를 증가시켜 가면서, 저자를 포함한 관련 전문가 아홉 명이 가장 적합한 영역수를 결정하였다. 그 결과, 최종 다섯 개의 영역으로 구분할 수 있었는데, 근거로는 (1) 영역내의 개별 품목들의 특징은 유사하면서도 (2) 영역간의 특징은 확연히 차이가 나고, (3) 실무적으로 정부 부처에서 관리가 용이한 집단 수이기 때문이다.
기존의 시장 성장곡선 연구들은 특정 제품들을 중심으로 데이터의 오차를 줄이고 예측력을 향상시키는 방향으로 연구가 수행되고 있 었다. 본 연구는 129개의 다양한 제품들에 대해서 도출된 시장 성장곡선 모수들을 이용하여, 추가적인 클러스터링 분석을 수행했다는 점에서 기존의 분석에서 한 단계 더 나아간 메타 분석이라 할 수 있다.
본 연구는 전통적인 성장모형들을 결합하여 새로운 모형을 제안하고 검증한 측면과 ICT 산업 내 많은 제품들을 유형화하여 성장특징을 확인한 측면에서 이론적인 시사점을 가지며, 본 연구가 제안 하는 ‘시장 성장패턴 지도’와 이를 도출하는 프로세스 및 시스템은 기업이나 정부 여러 부처에서 산업이나 특정 분야 전반의 인사이트를 얻는데 활용될 수 있다는 점에서 실무적 시사점을 갖는다.
본 연구에서 ICT 제품들의 시장 성장패턴 클러스터링을 위해 적용하고자 하는 방법은 자기 조직화 지도이다. 자기조직화 지도 알고리즘은 다차원 개체공간에 있는 개체벡터를 저차원 공간에 표현하는 자율 학습 알고리즘이다(Kohonen 1995).
산업이나 타겟 군의 특징에 따라 적합한 모형은 다를 수 있다. 본 연구에서는 ICT 라는 비교적 신기술 출현이 빈번하고 시장의 변화가 빠른 도메인을 선정하였기 때문에, 로지스틱 모형, 곰페르츠 모형, Bass 모형을 기본 모형으로 선정하였다. 또한, 두가지 이상의 모형을 결합하여 하이브리드 모형을 만들 수도 있는데, 본 연구에서는 Bass 모형의 잠재시장 규모 추정의 의존성 때문에, 잠재 시장의 규모를 로지스틱 모형이나 곰페르츠 모형으로 도출한 후 이를 Bass 모형의 잠재 시장 규모에 넣은 모형 두 가지를 추가로 고려하였다.
수집된 데이터를 가지고 각 제품별로 본 연구에서 비교 성장모형으로 제시한 5개의 모형의 계수를 추정하였다. 각 모형 중 최적 모형을 선정하기 위해, 각 모형의 129개의 개별 품목들의 오차를 계산하였다.
최종 도출한 다섯 개의 클러스터 특징을 확인 하기 위하여, 추가 분석을 수행하였다. 앞서 클러스터를 결정하는 데 참여했던 아홉 명의 전문가들을 대상으로 개별 제품들이 완제품인지 부품인지 확인하였고, 각 제품들이 기술이 주도하여 발전하는 제품인지 소비자의 니즈가 주도하여 발전되는 제품인지를 3점 척도로 측정하였다. 전문가의 정성적인 평가를 담은 최종 클러스터의 특징이 다음의 [Table 3]에 제시되어 있다.
네 번째 단계는 Best 모형으로 추정된 모수값을 기반으로 타겟군 내의 품목들에 대한 시장 성장패턴 지도를 구축하는 단계이다. 우선, 각 품목들의 시장 패턴 모수들을 입력 데이터로 사용하여 자기조직화 지도를 학습 시키고, 품목들을 N x N 맵상에 배치한다. 맵 상의 노드들의 특징에 따라 클러스터 수를 2개에서 M개로 증가시켜가며 영역을 구분하여 가장 의미 있는 설명이 가능한 클러스터 수를 결정한다.
본 연구에서는 자기조직화 지도 기법을 활용 하여 ICT 품목들 중에서, 유사한 시장 성장패턴을 가진 제품들을 분류해보고, 몇 개의 클러스터가 있는지 확인하고자 하며, 최종적으로 시장 성장패턴 지도를 구축하고자 한다. 이를 위해서, 앞서 도출된 시장 성장 특징들(p, q, m)을 자기조직화 지도의 입력데이터로 사용하여, R 프로그램 Kohonen 팩키지 내에 탑재되어 있는 자기조직화 지도 알고리즘을 통해 반복 처리하였다. 최종적으로 개별 제품들을 6 x 6 노드들을 가진 자기조직화 지도 상에 최적으로 배치하였다.
최종 도출한 다섯 개의 클러스터 특징을 확인 하기 위하여, 추가 분석을 수행하였다. 앞서 클러스터를 결정하는 데 참여했던 아홉 명의 전문가들을 대상으로 개별 제품들이 완제품인지 부품인지 확인하였고, 각 제품들이 기술이 주도하여 발전하는 제품인지 소비자의 니즈가 주도하여 발전되는 제품인지를 3점 척도로 측정하였다.
마지막 단계는 클러스터의 최종 특징을 파악하고 시장 성장곡선 패턴을 결정짓는 단계이다. 클러스터 내의 시장 성장패턴 모수의 평균치를 대표값으로 하여, 각 클러스터의 성장곡선을 그리고, 어떤 특징을 갖는지 분석해 본다. 또한, 각 클러스터에 포함된 품목들을 고찰하여, 클러스터의 특징을 정성적으로도 도출할 수 있다.
이를 위해서는 국내에서 생산되는 생산량에서 당기말 재고량을 차감하고, 국외로 수출되는 수출량을 뺀 값을 활용하는 것이 타당할 것이다. 하지만, 각 제품의 세가지 데이터 모두를 찾는 것이 불가하였기 때문에, 본 연구에서는 개별 제품 들의 생산량을 중심으로 시장 성장패턴 지도를 구축하였다. 생산량은 시장의 수요에 따라 기업이 조절 가능한 부분이기도 하고, 환율이나 외부 환경에도 상대적으로 적은 영향을 받기 때문에, 시장 규모를 반영하는 데 적합하다고 판단하였다.
대상 데이터
한국전자정보통신산업진흥회에서 매년 출간하는 정보통신산업통계연보의 생산량 데이터를 대상으로 하였으며, 2012년 기준 총 268개의 제품에 대해서 데이터를 얻을 수 있었다. 268개의 제품들은 개별 품목이 아닌 계층 구조를 가진 데이터이고, 계층구조의 최하단 개별 제품들의 데이터만 추려내고, 성장모형의 모수를 추정할 수 있을 만큼 충분한 데이터를 가진 제품들만 대상으로 하였다. 그 결과, 총 129개의 제품이 분석대상이 되었으며, 본 연구가 제안한 프로세스및 시스템 검증을 위해 사용되었다.
268개의 제품들은 개별 품목이 아닌 계층 구조를 가진 데이터이고, 계층구조의 최하단 개별 제품들의 데이터만 추려내고, 성장모형의 모수를 추정할 수 있을 만큼 충분한 데이터를 가진 제품들만 대상으로 하였다. 그 결과, 총 129개의 제품이 분석대상이 되었으며, 본 연구가 제안한 프로세스및 시스템 검증을 위해 사용되었다.
가전제품들의 상당수가 이 클러스터에 속해 있으며, 약 70 %가 완제품이고 모방계수가 높아 시장에 빠른 속도로 확산되는 성장패턴을 가지고 있다. 두 번째 클러스터는 총 79개의 제품을 포함하고 있고, 소비자 니즈와 기술이 균형 있게 시장을 주도하고 있는 제품들로 구성되어 있다. 주로 컴퓨터 관련 제품이나 부품, 일반 적으로 IT 제품이라 분류되는 제품들이 많이 속해 있는 만큼, 시장 성장패턴은 초기에 혁신자가 충분히 수용한 다음 모방자들에 의해 확산되는 전형적인 S-커브 형태를 보이고 있다.
본 연구에서 제안하는 프로세스 및 시스템의 유효성을 확인하기 위하여, ICT 분야 제품들의 2006년부터 2012년까지의 시계열 데이터를 수집 하였다. 한국전자정보통신산업진흥회에서 매년 출간하는 정보통신산업통계연보의 생산량 데이터를 대상으로 하였으며, 2012년 기준 총 268개의 제품에 대해서 데이터를 얻을 수 있었다.
본 연구에서 제안하는 방법론은 [Figure 1]과 같은 프로세스를 따른다. 첫 번째 단계로는 특정 산업이나 산업 분류를 토대로 타겟군을 선정하고, 이들의 과거 시계열 데이터를 수집한다. 통계청이나 정부 부처 해당 진흥원, 그 외 여러 기관들에서 특정 제품에 대한 생산량이나 내수량 등의 데이터를 수집할 수 있다.
첫 번째 클러스터는 총 41개의 제품을 포함하는데, 이들은 상당 부분 기술 주도라기 보단 소비자 니즈 주도로 발전되고 있는 제품들을 포함하고 있다. 가전제품들의 상당수가 이 클러스터에 속해 있으며, 약 70 %가 완제품이고 모방계수가 높아 시장에 빠른 속도로 확산되는 성장패턴을 가지고 있다.
본 연구가 중요한 여러 시사점을 제공하지만, 여러 한계점도 가지고 있다. 첫째, 본 연구는 ICT 제품들만을 대상으로 분석되었다. 다양한 분야로 확장 적용해서 본 연구가 제안하는 프로세스와 시스템의 적합성을 지속적으로 확인해볼 필요가 있다.
본 연구에서 제안하는 프로세스 및 시스템의 유효성을 확인하기 위하여, ICT 분야 제품들의 2006년부터 2012년까지의 시계열 데이터를 수집 하였다. 한국전자정보통신산업진흥회에서 매년 출간하는 정보통신산업통계연보의 생산량 데이터를 대상으로 하였으며, 2012년 기준 총 268개의 제품에 대해서 데이터를 얻을 수 있었다. 268개의 제품들은 개별 품목이 아닌 계층 구조를 가진 데이터이고, 계층구조의 최하단 개별 제품들의 데이터만 추려내고, 성장모형의 모수를 추정할 수 있을 만큼 충분한 데이터를 가진 제품들만 대상으로 하였다.
데이터처리
세 번째 단계는 어떤 성장모형이 데이터를 가장잘 설명하는지 평가하는 단계이다. 이를 위해, 수집된 과거의 시계열 데이터로 모수를 추정하고 모형의 예측치를 구한 후, 실제 데이터와 오차(Root-Mean Squared Error: RMSE)를 계산한다. 모든 품목들의 RMSE 평균이 가장 낮은 모형을 Best 모형으로 선정한다.
이론/모형
RMSE가 가장 작은 모형은 로지스틱 모형으로 잠재시장 규모를 추정한 후 이를 Bass 모형에 대입하여 추정한 모형으로 밝혀졌고, 로지스틱 + Bass 모형을 최적모형으로 선정하였다. 최적 모형으로 추정한 개별 제품들의 m, p, q, 최고 수요까지의 시간(Peak Time) 값들은 [Appendix] 에제시되어 있다.
성능/효과
물리적 혹은 추상적인 객체에 대해서, 유사성을 보이는 객체들끼리 묶는 작업을 클러스터링 이라고 한다. 같은 클러스터 내의 객체들이 유사성을 보일수록, 그리고 다른 클러스터에 속한 객체 간에 상이성을 보일수록 효과적인 클러스터링이 이루어진 것으로 평가된다. 클러스터링은 시장 및 고객 세분화, 패턴 인식, 생물정보학, 공간 데이터 분석, 웹 문서 분류 등 많은 응용분야에서 활발하게 적용되고 있다 (Han and Kamber 2011).
또한, Bass 모형의 한계점인 잠재시장 규모 추정을 보완하기 위해, 비교적 잠재시장 규모를 잘 예측하는 로지스틱, 곰페르츠 모형의 잠재시장 규모 예측치를 Bass 모형의 잠재시장 규모로 활용하여 혁신계수, 모방계수를 예측하는 하이브리드 방법도 비교해 보고자 한다. 결과적으로 본 연구에서는 (1) 로지스틱 모형, (2) 곰페르츠 모형, (3) Bass 모형, (4) 로지스틱 모형의 잠재시장 규모 예측치를 활용한 Bass 모형(로지스틱 + Bass), 마지막으로 (5)곰페르츠 모형의 잠재시장 규모 예측치를 활용한 Bass 모형(곰페르츠 + Bass)을 비교 분석하여, ICT 제품군 시장 성장패턴 예측에 가장 적합한 한가지 모형을 도출할 것이다.
도출된 모수를 데이터로 하여, 자기조직화 지도 알고리즘을 통해6 x 6 지도를 구축하였으며, 5개의 의미있는 영역으로 지도를 나눌 수 있었다. 구분된 영역별로 차별화된 특징과 성장패턴을 가지고 있음을 확인할 수 있었다. 본 연구에서 제안한 프로세스및 시스템은 산업 시장 분석 시스템의 수요 예측 기능으로 활용될 수 있으며, ICT 산업뿐만 아니라 다양한 산업 및 분야에도 적용 가능할 것으로 기대된다.
셋째, 모방계수 q는 시간의 흐름에 관계없이 일정하며, t기의 판매량 s(t)의 크기를 좌우한다. 넷째, 잠재적 시장 규모인 m을 알지 못해도 추정 가능하다.
향후 연구에서 좀 더 고찰하고 발전시키면 좋을 것으로 판단된다. 넷째, 클러스터링 결과 5개의 시장패턴이 확인되었는데, 이 중 두 개의 클러스터는 소수의 아이템만 포함하고 있다. 클러스터의 수를 줄여보거나 늘려보아도, 이들은 독자적인 클러스터로 존재함을 알 수 있는데, 소수의 아이템이 클러스터를 이룬 것이 의미가 있는지 확인하는 작업이 필요하다.
즉 확장 로지스틱 곡선은 좌우 대칭이라는 특성 때문에 시장상황을 반영하는 데 한계를 지닌 로지스틱 곡선의 단점을 보완할 수 있다. 둘째, 변곡점의 위치가 0과 잠재적 시장 규모의 절반인 m/2에 도달하는 시점 t 사이에 위치한다. 셋째, m의 규모를 알지 못해도 누적 수요인 N(t)만을 알고 있다면 모수 p, q를 직접 추정할 수 있지만, m의 추정치와 p, q 가 밀접하게 연관되어 있어, 데이터가 부족할 때, m 추정이 정확하지 못하면, p, q 모두 잘못 추정될 가능성이 높아진다.
따라서 곰페르츠 모형은 좌우 대칭이라는 특성 때문에 시장 상황을 정확히 반영하지 못하는 로지스틱 곡선의 단점을 해결하는 대안이 된다. 둘째, 변곡점의 위치는 고정이며, 대략 누적판매량이 잠재적 시장 크기의 37% 수준에 도달하는 t시점에 존재한다. 즉, 곰페르츠 모형은 초기에 상대적으로 빠른 성장을 보이는 제품의 확산을 예측하는 데 적합한 모형이라 할 수 있다.
지도 상에서 어떤 제품들의 성장성이 좋은지, 각 제품들은 성장곡선 상 어느 곳에 위치하고 있는지 등을 한 눈에 확인할 수 있으며, 이를 기반으로 자원 배분을 효율적으로 할 수 있는 데 도움을 줄 수 있다. 둘째, 본 연구가 제안하는 프로세스와 이를 토대로 구현된 시스템은 산업 시장 분석에 활용될 수 있는 지능형 시스템이라 할 수 있다. 시계열 자료들은 주기별로 업데이트가 잦은 편인데, 본 연구에서 제안한 자기조직화 지도 알고리즘은 연산이 간단하고 직관적으로 해석이용이하기 때문에, 새로운 데이터 추가에 유연한 시스템 환경을 제공할 수 있다.
요즘같이 신기술의 발전이나 새로운 분야의 출현빈도가 큰 동적인 시장의 경우, 시장 성장패턴 역시 동적으로 번화하게 될 덕으로 생각할 수 있는데, 자기조직화 지도의 유연성은 변하는 시장을 탐지하여 새로운 유형화를 제시할 수 있다는 측면에서 좋은 적용 기법으로 평가될 수 있다. 마지막으로, 실무적인 측면에서 자기조직화 지도의 강점은 지도 형식으로 결과를 표현하여, 분석자들이 직관적으로 쉽게 이해 가능하게 한다는 점이다. 다양한 연구자나 관계자가 분석 결과를 활용하는 경우, 조기조직화 지도의 지도 기반 표현 방식(Visualization)은 분석자들에게 빠르고 직관적인 이해가 가능하도록 도모하며, 직/간접적으로 도움을 줄 것으로 생각된다.
그러므로 자기조직화 지도로 구축된 시스템은 잠재적으로 실시간 학습 처리를 할 수 있는 모델이다. 본 연구가 제안하는 방법이 기업이나 정부 부처에서 활용되기 위해서는, 빠른 연산 처리 및 결과를 보여주어야 하는데, 자기조직화 지도의 이러한 특징은 모형 구축에 있어 큰 장점이될 수 있다. 두 번째, 연속적인 학습이 가능하다.
하지만, 이런 개량 모형의 경우 추가된 변수에 해당하는 데이터를 수집하여야 하고, 추정하여야 하는 모수의 수가 늘어나는 등의 여러 한계점을 가진다. 본 연구에서 제안하는 방법은 과거의 시계열 데이터 만으로 분석이 가능하며, 데이터가 추가되었을 때, 잠재시장 규모가 민감하게 반응하는 Bass 모형의 단점을 개선한 모형이라 할 수 있다. 둘째, 본 연구는 다양한 제품들의 성장패턴을 확인하기 위하여, 성장 곡선의 모수들을 기반으로 그룹화를 시도했다는 점이다.
시장 성장곡선 도출을 위해서 사용되는 과거 시계열 데이터는 시간이 지남에 따라 최신 데이터가 갱신되고 추가되는 특징을 가지고 있는데, 연속적인 학습을 통해 스스로 진화할 수 있는 자기조직화 지도 알고리즘은 이러한 업데이트에 유연할 수 있다. 세 번째, 클러스터 수를 미리 지정할 것 없이, 지도의 크기만 정해 놓고, 클러스터 결과를 토대로 영역을 나누어 클러스터링 할 수 있는 점도 장점이라 할 수 있다. 다른 클러스터링 방법들은 사전에 군집의 수를 정해 놓아야 하지만, 자기조직화 지도의 경우 자발적인 학습으로 승자 노드들이 결정되기 때문에, 충분히 많은 양의 노드로 지도를 구축한 후 결과를 보고 필요에 따라 클러스터 수를 결정하거나, 영역을 나눌 수 있다.
둘째, 변곡점의 위치가 0과 잠재적 시장 규모의 절반인 m/2에 도달하는 시점 t 사이에 위치한다. 셋째, m의 규모를 알지 못해도 누적 수요인 N(t)만을 알고 있다면 모수 p, q를 직접 추정할 수 있지만, m의 추정치와 p, q 가 밀접하게 연관되어 있어, 데이터가 부족할 때, m 추정이 정확하지 못하면, p, q 모두 잘못 추정될 가능성이 높아진다.
즉, t기의 판매량 s(t)는 변곡점 이전에는 지수적으로 증가하다가 변곡점 이후로 점차 감소 하게 된다. 셋째, 모방계수 q는 시간의 흐름에 관계없이 일정하며, t기의 판매량 s(t)의 크기를 좌우한다. 넷째, 잠재적 시장 규모인 m을 알지 못해도 추정 가능하다.
지금까지의 분석은 앞서 언급한 아홉 명의 전문가들이 집단 토론을 통해 분석한 결과이다. 소수의 전문가들의 분석이라 대표성이 부족하지만, 본 연구의 프로세스와 시스템을 통해 도출할수 있는 인사이트를 보여준 예로서는 충분한 가치가 있다고 생각된다.
둘째, 본 연구가 제안하는 프로세스와 이를 토대로 구현된 시스템은 산업 시장 분석에 활용될 수 있는 지능형 시스템이라 할 수 있다. 시계열 자료들은 주기별로 업데이트가 잦은 편인데, 본 연구에서 제안한 자기조직화 지도 알고리즘은 연산이 간단하고 직관적으로 해석이용이하기 때문에, 새로운 데이터 추가에 유연한 시스템 환경을 제공할 수 있다. 마지막으로 과거 시계열 데이터만으로도 일관적이고 통일된 방법으로 미래 성장 예측치를 제공할 수 있다는 점도 실무적으로 중요하다고 할 수 있다.
자기조직화 지도가 가지고 있는 여러 장점들은 본 연구의 목적에 상당부분 부합하고 있다. 첫 번째, 자기조직화 지도는 구조상 수행이 상당히 빠른 모델이다. 데이터마이닝의 Back Propagation 모델과는 달리 여러 단계의 피드백이 아닌 단 하나의 Feed-forward Flow를 사용한다.
본 연구의 이론적인 시사점은 다음과 같다. 첫째, Bass 모형이 가지는 잠재 시장 크기 추정의 문제점을 전통적인 통계 기반의 성장곡선의 결과치를 이용하여 개선한 새로운 하이브리드 성장모형을 제시했다는 점이다. 기존의 Bass 모형을 발전시킨 모형들은, 새로운 변수를 고려하거나 시장 구조의 변화 등을 고려한 모형이었다 (Meade et al.
Bass 모형의 특징은 다음과 같다(Bass 1969). 첫째, 변곡점을 중심으로 좌우가 비대칭적이다. 즉 확장 로지스틱 곡선은 좌우 대칭이라는 특성 때문에 시장상황을 반영하는 데 한계를 지닌 로지스틱 곡선의 단점을 보완할 수 있다.
후속연구
개별 시장의 규모를 정확히 측정하고 이를 기반으로 미래의 수요를 예측하기 위해서는 실제 국내 에서의 수요량을 사용하는 것이 적합할 것이다. 이를 위해서는 국내에서 생산되는 생산량에서 당기말 재고량을 차감하고, 국외로 수출되는 수출량을 뺀 값을 활용하는 것이 타당할 것이다.
첫째, 본 연구는 ICT 제품들만을 대상으로 분석되었다. 다양한 분야로 확장 적용해서 본 연구가 제안하는 프로세스와 시스템의 적합성을 지속적으로 확인해볼 필요가 있다. 둘째, 본 연구는 지금까지 연구되어온 여러 성장모형 중 로지스틱 모형, 곰페르츠 모형, Bass 모형만을 기본적인 모형으로 고려하고 있다.
본 연구에서 제안하는 방법은 과거의 시계열 데이터 만으로 분석이 가능하며, 데이터가 추가되었을 때, 잠재시장 규모가 민감하게 반응하는 Bass 모형의 단점을 개선한 모형이라 할 수 있다. 둘째, 본 연구는 다양한 제품들의 성장패턴을 확인하기 위하여, 성장 곡선의 모수들을 기반으로 그룹화를 시도했다는 점이다. 기존의 시장 성장곡선 연구들은 특정 제품들을 중심으로 데이터의 오차를 줄이고 예측력을 향상시키는 방향으로 연구가 수행되고 있 었다.
본 연구에서는 관련 산업 전문가의 자문을 통해, OLED 같은 디스플레이 신기술이 속한 클러스터나 네트워크 효과가 지배적인 통신 기반 기기가 속한 클러스터는 독자적인 성장 패턴을 가질 수 있음을 확인할 수 있었지만, 명확한 검증을 위해서는 클러스터 알고리즘을 변경해 보는 등의 노력이 추가적으로 필요할 것이다. 마지막으로 본 연구가 최종 제안한 클러스터의 특징을 확인하기 위해 소수의 전문가들의 의견만 확인하였는데, 보다 정교한 특징 도출을 위해서는 같은 클러스터로 분류된 아이템들간의 심도 깊은 분석이 필요할 것이다.
본 연구가 제안하는 프로세스 내에 모형 선택 및 평가 단계에서 기존에 연구되어 우수성을 입증 받은 여러 다른 모형들이 함께 고려 되어 가장 좋은 성과를 낼 수 있는 방향으로 연구가 진행될 필요도 있다.
본 연구는 실무적으로도 유용하게 활용될 수 있다. 첫째, 본 연구가 제안하는 시장 성장패턴지도의 경우는 정부나 다양한 제품들을 생산, 판매하는 기업에게 투자 의사결정을 효과적으로할 수 있는 정보를 직관적으로 제공할 수 있다.
구분된 영역별로 차별화된 특징과 성장패턴을 가지고 있음을 확인할 수 있었다. 본 연구에서 제안한 프로세스및 시스템은 산업 시장 분석 시스템의 수요 예측 기능으로 활용될 수 있으며, ICT 산업뿐만 아니라 다양한 산업 및 분야에도 적용 가능할 것으로 기대된다.
클러스터의 수를 줄여보거나 늘려보아도, 이들은 독자적인 클러스터로 존재함을 알 수 있는데, 소수의 아이템이 클러스터를 이룬 것이 의미가 있는지 확인하는 작업이 필요하다. 본 연구에서는 관련 산업 전문가의 자문을 통해, OLED 같은 디스플레이 신기술이 속한 클러스터나 네트워크 효과가 지배적인 통신 기반 기기가 속한 클러스터는 독자적인 성장 패턴을 가질 수 있음을 확인할 수 있었지만, 명확한 검증을 위해서는 클러스터 알고리즘을 변경해 보는 등의 노력이 추가적으로 필요할 것이다. 마지막으로 본 연구가 최종 제안한 클러스터의 특징을 확인하기 위해 소수의 전문가들의 의견만 확인하였는데, 보다 정교한 특징 도출을 위해서는 같은 클러스터로 분류된 아이템들간의 심도 깊은 분석이 필요할 것이다.
하지만, 정부 같이 다양한 산업의 수천 개이상의 제품을 동시에 다루어야 하는 기관의 경우, 개별 제품에 대해서 심도 깊은 분석을 하기에는 어려움이 있다. 이들에게는 일관적이고 통일되면서도 간단한 방법으로 대부분의 제품들의 성장패턴을 확인하는 것이 필요할 것인데, 본 연구에서 제안하는 프로세스와 시스템은 이를 충족시켜 주고 있다.
개별 시장의 규모를 정확히 측정하고 이를 기반으로 미래의 수요를 예측하기 위해서는 실제 국내 에서의 수요량을 사용하는 것이 적합할 것이다. 이를 위해서는 국내에서 생산되는 생산량에서 당기말 재고량을 차감하고, 국외로 수출되는 수출량을 뺀 값을 활용하는 것이 타당할 것이다. 하지만, 각 제품의 세가지 데이터 모두를 찾는 것이 불가하였기 때문에, 본 연구에서는 개별 제품 들의 생산량을 중심으로 시장 성장패턴 지도를 구축하였다.
본 연구는 실무적으로도 유용하게 활용될 수 있다. 첫째, 본 연구가 제안하는 시장 성장패턴지도의 경우는 정부나 다양한 제품들을 생산, 판매하는 기업에게 투자 의사결정을 효과적으로할 수 있는 정보를 직관적으로 제공할 수 있다. 지도 상에서 어떤 제품들의 성장성이 좋은지, 각 제품들은 성장곡선 상 어느 곳에 위치하고 있는지 등을 한 눈에 확인할 수 있으며, 이를 기반으로 자원 배분을 효율적으로 할 수 있는 데 도움을 줄 수 있다.
클러스터에 대한 검증, 각 개별 아이템의 모수 값들에 대한 검증 등 실제 검증되어야 할 부분이 많지만, 시간 및 비용 관련 문제로 모두 다룰 수는 없었다. 향후 연구에서 좀 더 고찰하고 발전시키면 좋을 것으로 판단된다. 넷째, 클러스터링 결과 5개의 시장패턴이 확인되었는데, 이 중 두 개의 클러스터는 소수의 아이템만 포함하고 있다.
참고문헌 (26)
Bang, J., L. Hamel, and B. Ioerger, "Rethinking of self-organizing maps for market segmentation in customer relationship management," Journal of Intelligence Information Systems, Vol.13, No.4 (2007), 17-34.
Bass, F. M., "A new product growth model for consumer durables," Management Science, Vol.15(1969), 215-227.
Chang, N., "Product life cycle based service demand forecasting using selforganizing map," Journal of Intelligence and Information Systems, Vol.15, No.4(2009), 37-51.
Curry, B., F. Davies, M. Evans, L. Moutinho, and P. A. Phillips, "The Kohonen self-organising map as an alternative to cluster analysis: an application to direct marketing," International Journal of Market Research, Vol.45, No.2 (2003), 191-211.
Han, J. and M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, San Francisco, 2011.
Hwang, Y., "A hybrid forecasting framework based on case-based reasoning and artificial neural network," Journal of Intelligence and Information Systems, Vol.18, No.4(2012), 43-57.
Hung, C. and C.-F. Tsai, "Market segmentation based on hierarchical self-organizing map for markets of multimedia on demand," Expert Systems with Applications, Vol.34, No.1(2008), 780-787.
Jun, S.-P. and D.-H. Park, "Intelligent brand positioning visualization system based on web search traffic information: Focusing on tablet PC," Journal of Intelligence and Information Systems, Vol.19, No.3(2013), 93-111.
Kohonen, T., Self-Organizing Maps, Springer, New York, 1995.
Kuo, R. J., L. M. Ho, and C. M. Hu, "Integration of self-organizing feature map and K-means algorithm for market segmentation," Computers & Operations Research, Vol.29, No.11(2002), 1475-1493.
Lee, J. H. and S. C. Park, "Intelligent profitable customers segmentation system based on business intelligence tools," Expert Systems with Applications, Vol. 29, No.1(2005), 145-152.
Meade, N. and T. Islam, "Modelling and forecasting the diffusion of innovation-A 25-year review," International Journal of Forecasting, Vol.22, No.3(2006), 519-545.
Min, J. H. and Y.-C. Lee, "Financial performance evaluation using self-organizing maps: The case of Korean listed companies," Management Science & Financial Engineering, Vol.26, No.3 (2001), 1-20.
Morrison, J. S., "Life-cycle approach to new product forecasting," The Journal of Business Forecasting Methods and Systems, Vol.14, No.2(1995), 3-5.
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.
Park, J., C. So, and J. Kim, "A Study on Forecast of Penetration Amount of High-Efficiency Appliance Using Diffusion Models," Journal of Energy Engineering, Vol.17, No.1(2008), 31-37.
Shaw, M. J., C. Subramaniam, G. W. Tan, and M. E. Welge, "Knowledge management and data mining for marketing," Decision Support Systems, Vol.31, No.1(2001), 127-137.
Shin, H. W. and S. Y. Sohn, "Segmentation of stock trading customers according to potential value," Expert Systems with Applications, Vol.27, No.1(2004), 27-33.
Vellido, A., P. J. G. Lisboa, and K. Meehan, "Segmentation of the on-line shopping market using neural networks," Expert Systems with Applications, Vol.17, No.4(1999), 303-314.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.