시장 수요 예측은 일정 기간 동안 소비자에게 판매되는 동종 제품 또는 서비스의 수량 혹은 매출액의 규모를 추정하는 활동으로서, 기업경영활동에 있어 효율적인 의사결정을 내릴 수 있는 근거로 활용된다는 점에서 중요하게 인식되고 있다. 신규 시장의 수요를 예측하기 위해 다양한 시장성장모형이 개발되어 왔다. 이런 모형들은 일반적으로 시장의 크기 변화의 동인을 신기술 확산으로 보고 소비자인 개인에게 기술이 확산되는 과정을 통해 시장 크기가 변하는 과정을 확산모형으로 구현하게 된다. 그러나, 시장이 형성된 직후에는 수요 관측치의 부족으로 인해 혁신계수, 모방계수와 같은 예측모형의 모수를 정확하게 추정하는 것이 쉽지 않다. 이런 경우, 전문가의 판단 하에 예측하고자 하는 시장과 유사한 시장을 결정하고 이를 참고하여 모수를 추정하게 되는데, 어떤 시장을 유사하다고 판단하느냐에 따라 성장모형은 크게 달라지게 되므로, 정확한 예측을 위해서는 유사 시장을 찾는 것은 매우 중요하다. 그러나, 이런 방식은 직관과 경험이라는 정성적 판단에 크게 의존함으로써 일관성이 떨어질 수밖에 없으며, 결국, 만족할 만한 수준의 결과를 얻기 힘들다는 단점을 지닌다. 이런 정성적 방법은 유사도가 더 높은 시장을 누락시키고 유사도가 낮은 시장을 선택하는 오류를 일으킬 수 있다. 이런 이유로, 본 연구는 신규 시장의 모수를 추정하기 위해 필요한 유사시장을 누락 없이 효과적으로 찾아낼 수 있는 사례기반 전문가 시스템을 설계하고자 수행되었다. 제안된 모형은 데이터 마이닝의 군집분석 기법과 추천 시스템의 내용 기반 필터링 방법론을 기반으로 전문가 시스템으로 구현되었다. 본 연구에서 개발된 시스템의 유용성을 확인하고자 정보통신분야 시장의 모수를 추정하는 실험을 실시하였다. 전문가를 대상으로 실시된 실험에서, 시스템을 사용한 모수의 추정치가 시스템을 사용하지 않았을 때와 비교하여 실제 모수와 더 가까움을 보임으로써 시스템의 유용성을 증명하였다.
시장 수요 예측은 일정 기간 동안 소비자에게 판매되는 동종 제품 또는 서비스의 수량 혹은 매출액의 규모를 추정하는 활동으로서, 기업경영활동에 있어 효율적인 의사결정을 내릴 수 있는 근거로 활용된다는 점에서 중요하게 인식되고 있다. 신규 시장의 수요를 예측하기 위해 다양한 시장성장모형이 개발되어 왔다. 이런 모형들은 일반적으로 시장의 크기 변화의 동인을 신기술 확산으로 보고 소비자인 개인에게 기술이 확산되는 과정을 통해 시장 크기가 변하는 과정을 확산모형으로 구현하게 된다. 그러나, 시장이 형성된 직후에는 수요 관측치의 부족으로 인해 혁신계수, 모방계수와 같은 예측모형의 모수를 정확하게 추정하는 것이 쉽지 않다. 이런 경우, 전문가의 판단 하에 예측하고자 하는 시장과 유사한 시장을 결정하고 이를 참고하여 모수를 추정하게 되는데, 어떤 시장을 유사하다고 판단하느냐에 따라 성장모형은 크게 달라지게 되므로, 정확한 예측을 위해서는 유사 시장을 찾는 것은 매우 중요하다. 그러나, 이런 방식은 직관과 경험이라는 정성적 판단에 크게 의존함으로써 일관성이 떨어질 수밖에 없으며, 결국, 만족할 만한 수준의 결과를 얻기 힘들다는 단점을 지닌다. 이런 정성적 방법은 유사도가 더 높은 시장을 누락시키고 유사도가 낮은 시장을 선택하는 오류를 일으킬 수 있다. 이런 이유로, 본 연구는 신규 시장의 모수를 추정하기 위해 필요한 유사시장을 누락 없이 효과적으로 찾아낼 수 있는 사례기반 전문가 시스템을 설계하고자 수행되었다. 제안된 모형은 데이터 마이닝의 군집분석 기법과 추천 시스템의 내용 기반 필터링 방법론을 기반으로 전문가 시스템으로 구현되었다. 본 연구에서 개발된 시스템의 유용성을 확인하고자 정보통신분야 시장의 모수를 추정하는 실험을 실시하였다. 전문가를 대상으로 실시된 실험에서, 시스템을 사용한 모수의 추정치가 시스템을 사용하지 않았을 때와 비교하여 실제 모수와 더 가까움을 보임으로써 시스템의 유용성을 증명하였다.
Demand forecasting is the activity of estimating the quantity of a product or service that consumers will purchase for a certain period of time. Developing precise forecasting models are considered important since corporates can make strategic decisions on new markets based on future demand estimate...
Demand forecasting is the activity of estimating the quantity of a product or service that consumers will purchase for a certain period of time. Developing precise forecasting models are considered important since corporates can make strategic decisions on new markets based on future demand estimated by the models. Many studies have developed market growth curve models, such as Bass, Logistic, Gompertz models, which estimate future demand when a market is in its early stage. Among the models, Bass model, which explains the demand from two types of adopters, innovators and imitators, has been widely used in forecasting. Such models require sufficient demand observations to ensure qualified results. In the beginning of a new market, however, observations are not sufficient for the models to precisely estimate the market's future demand. For this reason, as an alternative, demands guessed from those of most adjacent markets are often used as references in such cases. Reference markets can be those whose products are developed with the same categorical technologies. A market's demand may be expected to have the similar pattern with that of a reference market in case the adoption pattern of a product in the market is determined mainly by the technology related to the product. However, such processes may not always ensure pleasing results because the similarity between markets depends on intuition and/or experience. There are two major drawbacks that human experts cannot effectively handle in this approach. One is the abundance of candidate reference markets to consider, and the other is the difficulty in calculating the similarity between markets. First, there can be too many markets to consider in selecting reference markets. Mostly, markets in the same category in an industrial hierarchy can be reference markets because they are usually based on the similar technologies. However, markets can be classified into different categories even if they are based on the same generic technologies. Therefore, markets in other categories also need to be considered as potential candidates. Next, even domain experts cannot consistently calculate the similarity between markets with their own qualitative standards. The inconsistency implies missing adjacent reference markets, which may lead to the imprecise estimation of future demand. Even though there are no missing reference markets, the new market's parameters can be hardly estimated from the reference markets without quantitative standards. For this reason, this study proposes a case-based expert system that helps experts overcome the drawbacks in discovering referential markets. First, this study proposes the use of Euclidean distance measure to calculate the similarity between markets. Based on their similarities, markets are grouped into clusters. Then, missing markets with the characteristics of the cluster are searched for. Potential candidate reference markets are extracted and recommended to users. After the iteration of these steps, definite reference markets are determined according to the user's selection among those candidates. Then, finally, the new market's parameters are estimated from the reference markets. For this procedure, two techniques are used in the model. One is clustering data mining technique, and the other content-based filtering of recommender systems. The proposed system implemented with those techniques can determine the most adjacent markets based on whether a user accepts candidate markets. Experiments were conducted to validate the usefulness of the system with five ICT experts involved. In the experiments, the experts were given the list of 16 ICT markets whose parameters to be estimated. For each of the markets, the experts estimated its parameters of growth curve models with intuition at first, and then with the system. The comparison of the experiments results show that the estimated parameters are closer when they use the system in comparison with the re
Demand forecasting is the activity of estimating the quantity of a product or service that consumers will purchase for a certain period of time. Developing precise forecasting models are considered important since corporates can make strategic decisions on new markets based on future demand estimated by the models. Many studies have developed market growth curve models, such as Bass, Logistic, Gompertz models, which estimate future demand when a market is in its early stage. Among the models, Bass model, which explains the demand from two types of adopters, innovators and imitators, has been widely used in forecasting. Such models require sufficient demand observations to ensure qualified results. In the beginning of a new market, however, observations are not sufficient for the models to precisely estimate the market's future demand. For this reason, as an alternative, demands guessed from those of most adjacent markets are often used as references in such cases. Reference markets can be those whose products are developed with the same categorical technologies. A market's demand may be expected to have the similar pattern with that of a reference market in case the adoption pattern of a product in the market is determined mainly by the technology related to the product. However, such processes may not always ensure pleasing results because the similarity between markets depends on intuition and/or experience. There are two major drawbacks that human experts cannot effectively handle in this approach. One is the abundance of candidate reference markets to consider, and the other is the difficulty in calculating the similarity between markets. First, there can be too many markets to consider in selecting reference markets. Mostly, markets in the same category in an industrial hierarchy can be reference markets because they are usually based on the similar technologies. However, markets can be classified into different categories even if they are based on the same generic technologies. Therefore, markets in other categories also need to be considered as potential candidates. Next, even domain experts cannot consistently calculate the similarity between markets with their own qualitative standards. The inconsistency implies missing adjacent reference markets, which may lead to the imprecise estimation of future demand. Even though there are no missing reference markets, the new market's parameters can be hardly estimated from the reference markets without quantitative standards. For this reason, this study proposes a case-based expert system that helps experts overcome the drawbacks in discovering referential markets. First, this study proposes the use of Euclidean distance measure to calculate the similarity between markets. Based on their similarities, markets are grouped into clusters. Then, missing markets with the characteristics of the cluster are searched for. Potential candidate reference markets are extracted and recommended to users. After the iteration of these steps, definite reference markets are determined according to the user's selection among those candidates. Then, finally, the new market's parameters are estimated from the reference markets. For this procedure, two techniques are used in the model. One is clustering data mining technique, and the other content-based filtering of recommender systems. The proposed system implemented with those techniques can determine the most adjacent markets based on whether a user accepts candidate markets. Experiments were conducted to validate the usefulness of the system with five ICT experts involved. In the experiments, the experts were given the list of 16 ICT markets whose parameters to be estimated. For each of the markets, the experts estimated its parameters of growth curve models with intuition at first, and then with the system. The comparison of the experiments results show that the estimated parameters are closer when they use the system in comparison with the re
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
사용자의 지식이 충분하다면 유사시장의 비율은 더 높을 것이고 이런 시장들과 그렇지 않은 시장들 간에는 유사도가 낮을 것이다. 군집분석 기법은 이렇게 사용자가 선택한 유사시장 군집에 포함된 시장들 중 서로 유사도가 높은 시장들과 그렇지 않은 시장들을 구분함으로써 유사성이 높은 시장들끼리 동일한 군집에 남도록 하는 것을 목표로 한다. 또, 한 가지 기능으로써 추천 기법을 적용하게 되는데, 이는 사용자가 누락시킨 유사시장의 후보를 찾아나감으로써 유사시장 선택의 폭을 넓히는 것을 목표로 한다.
군집화의 수준을 평가하기 위한 척도로 분산의 비율을 활용한다. 군집화가 이루어지기 전 모든 시장을 모두 하나의 군집에 속하는 것으로 보고 계산한 분산에 대해 군집화 이후에 계산된 각 군집의 분산의 합의 비율을 계산하는 것이다.
비계층적 방법 중 k-평균(k-means) 기법은 k개의 군집수를 미리 정해두고, 각 레코드들을 정해진 군집에 할당하는 방식을 취한다. 동일한 군집에 속한 레코드들은 최대한 동질적 특성을 갖도록 하고 서로 다른 군집들 간에는 이질적 특성을 갖도록 하는 것이 이 방법의 최종 목표이다. 이를 위하여 이미 하나의 군집에 속한 개별 레코드를 임의의 다른 군집으로 이동하는 과정을 반복함으로써 군집 내 이질성이 최소화되고, 군집 간 이질성이 최대화 되도록 한다.
따라서, 본 연구는 사례를 기반으로 시장의 수요를 예측할 때, 전문가가 유사시장을 선택하는 과정에서 오분류를 방지함으로써 일관성을 보장하고, 고려해야 할 유사시장 후보를 누락시키지 않도록 지원하며, 이로부터 예측시장의 모수를 추정함으로써, 예측의 정확성을 확보할 수 있는 시스템의 설계를 목표로 수행되었다. 오분류를 방지하기 위한 목적으로 적용되는 데이터 마이닝의 군집 분석 기법은 유사시장으로 선택된 시장들이 동질적인 특성을 지니는지를 평가함으로써 유사시장 선택의 일관성을 보장한다.
군집분석 기법은 이렇게 사용자가 선택한 유사시장 군집에 포함된 시장들 중 서로 유사도가 높은 시장들과 그렇지 않은 시장들을 구분함으로써 유사성이 높은 시장들끼리 동일한 군집에 남도록 하는 것을 목표로 한다. 또, 한 가지 기능으로써 추천 기법을 적용하게 되는데, 이는 사용자가 누락시킨 유사시장의 후보를 찾아나감으로써 유사시장 선택의 폭을 넓히는 것을 목표로 한다. 본 연구는, 두 가지 기능이 조화를 이루게 되어 예측시장과 가장 유사한 시장을 찾고 이로부터 성장곡선의 모수를 추정해내려는 방향으로 수행되었다.
본 실험은 동일한 사용자에 대해 시스템을 사용하기 전후의 개선된 정도를 비교함으로써 시스템의 유효성을 평가하였다. 즉, 사용자가 초기에 입력한 유사시장들로부터 추정된 모수에 비해, 시스템 사용 후 최종적으로 추정된 모수가 얼마나 예측시장의 실제 모수와 더 가까운 값을 갖는지를 비교하였다.
본 연구는 초기단계에 있는 시장의 미래 수요를 예측하기 위한 모형을 개발하기 위해 수행되었다. 기업의 입장에서 시장의 초기단계에는 향후 투자의 규모를 결정하는 등 장기적인 관점에서의 의사결정에 영향을 미친다는 점에서, 시장의 미래 수요에 대한 정확한 예측은 중요하다.
또, 한 가지 기능으로써 추천 기법을 적용하게 되는데, 이는 사용자가 누락시킨 유사시장의 후보를 찾아나감으로써 유사시장 선택의 폭을 넓히는 것을 목표로 한다. 본 연구는, 두 가지 기능이 조화를 이루게 되어 예측시장과 가장 유사한 시장을 찾고 이로부터 성장곡선의 모수를 추정해내려는 방향으로 수행되었다.
본 연구에서는 유사시장 선택의 일관성을 높이기 위해 군집 분석 기법과 내용 기반 필터링기법을 적용하였는데, 이로부터 제공되는 군집 및 시장 관련 정보가 사용자에게 실질적인 도움이 되었는지를 살펴보기 위한 실험을 실시했다.
본 연구에서는 확장 로지스틱 모형을 대상으로, 모수인 p, q를 추정하기 위한 시스템의 개발을 목표로 이루어졌다. 시장규모를 나타내는 m또한 중요한 모수임에는 분명하나, 기술의 전파와 확산 이외에도 소득과 같은 다양한 외부변수의 영향을 받기 때문에, 유사한 시장을 찾는 것만으로는 추정이 사실상 힘들다는 한계가 있다.
본 연구에서는, 사용자의 정성적 판단기준을 정량화함으로써 일관성을 확보하고, 유사시장 누락의 한계를 극복하고자 더 개선된 예측모형을 제시하고자 하였으나, 다음과 같은 한계점을 지니고 있다. 첫째, 시장수요곡선의 모수 중 시장규모(m)를 추정하지 않는다.
실험은 본 연구에서 제안한 기법의 유효성을 검증하기 위한 목적으로 실시되었다. 즉, 시스템을 사용함으로써, 예측시장과 유사한 시장들을 더 잘 선별할 수 있는지, 그리고 이렇게 선별된 유사시장들로부터 추정된 모수는 실제 모수에 더 근접한지를 평가하기 위한 것이다.
실무에서는 이런 대안으로서, 이미 성장곡선이 예측된 유사 시장을 참고하게 된다. 예측하고자 하는 시장과 유사한 기술을 사용하는 기존 시장의 수요변화를 통해 신규 시장의 수요를 예측해보는 것이다. 하지만, 이런 과정은 관련 시장 전문가의 경험과 직관과 같은 주관적 판단에 의존함으로써, 예측의 일관성이 떨어지는 단점을 갖고 있다.
실험은 본 연구에서 제안한 기법의 유효성을 검증하기 위한 목적으로 실시되었다. 즉, 시스템을 사용함으로써, 예측시장과 유사한 시장들을 더 잘 선별할 수 있는지, 그리고 이렇게 선별된 유사시장들로부터 추정된 모수는 실제 모수에 더 근접한지를 평가하기 위한 것이다.
시장이 형성된 초기에는 누적된 관측치가 부족하여 시장수요의 예측이 쉽지 않기 때문에 기존의 모형을 활용하는 대신 정성적인 방식으로 접근하게 된다. 즉, 예측시장 또는 관련시장의 전문가 등의 판단에 의존하여 대략적인 수치를 추정하는 것이다. 이 때, 전문가는 예측시장과 유사한 시장을 선택하고 이 시장들의 수요변화를 참고하는 방식으로 예측시장의 미래 성장규모를 예측하게 된다(Hwang, 2012).
학문적인 관점에서는, 명목형 변수인 산업분류코드를 이용한 시장 간 거리를 계산할 수 있는 방안을 제시했다. 이는 유사하게 계층적 구조를 갖는 관측치들 간에 적용할 수 있을 것이다.
가설 설정
이렇게 선정된 시장 중에는 유사도가 높은 시장과 그렇지 않은 시장이 포함되어 있을 것이다. 사용자의 지식이 충분하다면 유사시장의 비율은 더 높을 것이고 이런 시장들과 그렇지 않은 시장들 간에는 유사도가 낮을 것이다. 군집분석 기법은 이렇게 사용자가 선택한 유사시장 군집에 포함된 시장들 중 서로 유사도가 높은 시장들과 그렇지 않은 시장들을 구분함으로써 유사성이 높은 시장들끼리 동일한 군집에 남도록 하는 것을 목표로 한다.
본 연구에서는, 사용자의 정성적 판단기준을 정량화함으로써 일관성을 확보하고, 유사시장 누락의 한계를 극복하고자 더 개선된 예측모형을 제시하고자 하였으나, 다음과 같은 한계점을 지니고 있다. 첫째, 시장수요곡선의 모수 중 시장규모(m)를 추정하지 않는다. 이는 이미 밝힌 바와 같이 해당 모수가 유사한 다른 시장으로부터 도출되기에는 더 고려해야 할 외부변수들이 많기 때문이다.
제안 방법
이 때, 최초에 선택된 유사시장들로부터 추정된 예측시장의 모수와 시스템을 사용하여 선택된 유사시장으로부터 예측시장의 모수를 각각 추정한다. 각 모수와 실제 예측시장의 모수를 비교함으로써 유사도를 측정한다. 측정된 유사도를 비교함으로써 유사도의 개선도를 계산한다.
즉, 사용자에 의해 입력된 시장을 유사시장 군집, 그 외의 시장을 비유사시장 군집으로 분류한다. 그리고, 이렇게 형성된 두 개의 군집에 대해 군집 관련된 정보로서, 개별 군집의 중심값과 군집 내 분산을 각각 계산한다. 3단계에서는, 이렇게 형성된 군집을 기반으로 이들 군집에 속한 시장의 군집화 정보를 생성한다.
즉, 각 시장으로부터 유사시장 군집과 비유사시장 군집까지의 유클리드 거리를 모수에 기반하여 계산하고, 산업분류코드에 기반하여 유사시장 군집과의 거리를 계산한다. 네 번째로, 앞에서 계산된 거리를 근거로 유사시장의 후보를 선정하고 선정된 유사시장후보를 거리 및 군집 관련 정보와 함께 사용자에게 제시한다. 5단계에서, 사용자는 유사시장을 재조정하여, 새로이 유사시장 군집을 구성할 시장을 선택한다.
우선, 정보통신 분야에서 성장곡선의 모수가 이미 알려진 16개의 시장을 예측시장으로 선정한다. 다음으로, 5명의 해당 분야 전문가에게 모수값을 알려주지 않은 채 예측시장과 가장 유사한 3개의 시장을 선택하게 한 후, 시스템을 활용하여 3.2절의 프로세스에 따라 유사시장을 선택하도록 한다. 이 때, 최초에 선택된 유사시장들로부터 추정된 예측시장의 모수와 시스템을 사용하여 선택된 유사시장으로부터 예측시장의 모수를 각각 추정한다.
본 실험은 3장에서 소개된 프로세스에 따라 진행되었으며, 시스템은 사용자에게 군집과 시장 관련 정보를 제공하고, 사용자는 이런 정보들을 활용하여 유사시장을 선별하는 과정을 반복한 후, 최종적인 유사시장 군집을 결정하고 예측시장의 모수를 추정하였다.
둘째, 추천 기능은 유사시장 군집에 속한 시장들의 속성들로부터 유사시장 군집의 프로파일 정보를 생성하고, 이로부터 가장 인접한 시장을 찾아, 사용자에게 제시한다. 사용자의 판단에 따라 유사시장으로 분류된 새로운 시장을 포함하고, 비유사시장으로 재분류된 기존 유사시장을 제외시킨 후 유사시장 군집의 프로파일을 다시 생성함으로써, 새로운 추천 후보를 선정하는 과정을 반복한다.
산업분류코드는 계층구조를 갖는다는 점에 착안하여, 가계도에서 촌수를 계산하는 것과 같은 방식으로 두 시장 간의 거리를 측정하였다. 즉, 두 시장 간의 거리는 두 산업분류코드체계 내에서 두 시장이 속한 산업을 잇는 경로에 놓인 링크의 개수로 정의한다.
이런 이유로, 대안적인 방법을 적용하였다. 즉, 유사시장을 선택하는 사용자의 일관성을 높이는 것이다.
동일한 군집에 속한 레코드들은 최대한 동질적 특성을 갖도록 하고 서로 다른 군집들 간에는 이질적 특성을 갖도록 하는 것이 이 방법의 최종 목표이다. 이를 위하여 이미 하나의 군집에 속한 개별 레코드를 임의의 다른 군집으로 이동하는 과정을 반복함으로써 군집 내 이질성이 최소화되고, 군집 간 이질성이 최대화 되도록 한다.
정보통신분야의 전문가 5명을 대상으로 주어진 16개의 예측시장을 제시한 후, 본 연구를 통해 설계된 시스템을 사용하여 유사시장을 선별하도록 했다.
3단계에서는, 이렇게 형성된 군집을 기반으로 이들 군집에 속한 시장의 군집화 정보를 생성한다. 즉, 각 시장으로부터 유사시장 군집과 비유사시장 군집까지의 유클리드 거리를 모수에 기반하여 계산하고, 산업분류코드에 기반하여 유사시장 군집과의 거리를 계산한다. 네 번째로, 앞에서 계산된 거리를 근거로 유사시장의 후보를 선정하고 선정된 유사시장후보를 거리 및 군집 관련 정보와 함께 사용자에게 제시한다.
본 실험은 동일한 사용자에 대해 시스템을 사용하기 전후의 개선된 정도를 비교함으로써 시스템의 유효성을 평가하였다. 즉, 사용자가 초기에 입력한 유사시장들로부터 추정된 모수에 비해, 시스템 사용 후 최종적으로 추정된 모수가 얼마나 예측시장의 실제 모수와 더 가까운 값을 갖는지를 비교하였다.
다음으로, 2단계에서, 시스템은 사용자로부터 입력된 유사시장들을 이용하여 두 개의 군집을 형성한다. 즉, 사용자에 의해 입력된 시장을 유사시장 군집, 그 외의 시장을 비유사시장 군집으로 분류한다. 그리고, 이렇게 형성된 두 개의 군집에 대해 군집 관련된 정보로서, 개별 군집의 중심값과 군집 내 분산을 각각 계산한다.
협업 필터링 기법은 사용자들의 행동으로부터 사용자의 기호(preference)를 파악하는 방법을 사용하는데, 어떤 사용자와 유사한 기호를 지닌 사용자가 찾아지면 이 사용자가 호의적인 반응을 보인 아이템을 추천 대상으로 선정하는 방식이다. 즉, 특정 사용자에 대한 어떤 아이템의 추천여부를 그 사용자와 유사한 다른 사람이 추천 후보 아이템에 보인 반응을 근거로 예측하는 방법을 사용한다. 아이템에 대한 선호도는 (1) 사용자가 개별 아이템에 부여한 평점이나, 사용자가 작성한 선호 아이템 목록을 이용하는 방법을 사용하거나, (2) online store에서 사용자가 관심을 보인 상품과 그 상품 페이지에 방문한 횟수, 그 상품의 구매여부 등을 통해 간접적으로 선호 여부를 파악하는 방법을 활용하여 얻는다.
각 모수와 실제 예측시장의 모수를 비교함으로써 유사도를 측정한다. 측정된 유사도를 비교함으로써 유사도의 개선도를 계산한다.
대상 데이터
[Figure 4(a)]에서와 같이 기존에 선택된 상품(세 개의 원)에 기반하여 상품 프로파일(사각형)을 작성하고 [Figure 4(b)]에서와 같이 이 프로파일로부터 속성의 특성이 일정한 거리 안에 인접한 다른 상품(세 개의 삼각형)을 추천 대상으로 선정한다. [Figure 4(c)]에서, 추천된 상품에 대해 사용자가 수용하여 구매가 이루어지면(속이 채워진 두 개의 삼각형), 다시 이를 반영하여 기존의 프로파일(속이 빈 사각형)을 새로운 프로파일(속이 채워진 사각형)로 수정하게 되며, 이로부터 추천 대상 상품을 선정하는 과정을 반복한다.
구체적인 방법은 다음과 같다. 우선, 정보통신 분야에서 성장곡선의 모수가 이미 알려진 16개의 시장을 예측시장으로 선정한다. 다음으로, 5명의 해당 분야 전문가에게 모수값을 알려주지 않은 채 예측시장과 가장 유사한 3개의 시장을 선택하게 한 후, 시스템을 활용하여 3.
이론/모형
(1997)가 제시한 다음의 두 가지 종류로 분류하는 것이 일반적이다. 한 모형은 사용자의 구매행동을 반영하는 협업 필터링(collaborative filtering) 기법을 활용하며, 또 다른 모형은 아이템의 속성(또는 특성)을 반영하는 내용 기반 필터링(content-based filtering) 기법을 적용한다.
성능/효과
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 있다.
이는 이미 밝힌 바와 같이 해당 모수가 유사한 다른 시장으로부터 도출되기에는 더 고려해야 할 외부변수들이 많기 때문이다. 둘째, 사용자의 초기 선택이 최종 결과에 큰 영향을 미칠 수 있다. 이는 초기에 유사시장 중에 누락된 시장을 찾기 위한 추천 기법을 통해 찾는 방법으로 보완되기는 하였으나, 이 또한 사용자의 입력에 근거하고 있기 때문에 한계가 존재한다.
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 있다.
이는 초기에 유사시장 중에 누락된 시장을 찾기 위한 추천 기법을 통해 찾는 방법으로 보완되기는 하였으나, 이 또한 사용자의 입력에 근거하고 있기 때문에 한계가 존재한다. 셋째, 관련분야의 전문가를 충분히 확보하기 어려운 한계점으로 인해, 실험에 참여한 전문가의 수가 상대적으로 부족했다는 점을 지적할 수 있다. 마지막으로, 군집 분석 기법을 활용함으로써 유사시장 간의 동질성에 근거하여 분류결과를 평가하려 하였으나, 이런 동질성이 분류의 정확성을 항상 보장하는 것은 아니라는 점이다.
[Table 1]은 5명의 실험으로부터 수집된 모수거리의 개선도를 각 예측시장에 대해 정리한 것이다. 실험에 참여한 전문가에 따라 다소 차이가 있긴 하지만, 모두 시스템 사용 전보다 사용 후에 예측시장의 모수에 가까운 모수를 추정했음을 보이고 있으며, 향상도는 평균 12.6%에 이른다. 동일한 시장에 대해 실험자마다 서로 큰 편차를 보이는데, 이는 개별 시장에 대한 지식의 차이에 크게 기인한 것으로 판단된다.
첫째, 군집 분석은 유사시장 분류의 일관성을 보장하기 위한 기능이다. 모든 시장은 유사시장 또는 비유사시장으로 분류되는데, 각 군집에 속한 시장들 간의 동질성은 커지고, 서로 다른 군집에 속한 시장들 간에는 이질성이 커지는 방향으로 군집화가 이루어지도록 한다.
후속연구
셋째, 관련분야의 전문가를 충분히 확보하기 어려운 한계점으로 인해, 실험에 참여한 전문가의 수가 상대적으로 부족했다는 점을 지적할 수 있다. 마지막으로, 군집 분석 기법을 활용함으로써 유사시장 간의 동질성에 근거하여 분류결과를 평가하려 하였으나, 이런 동질성이 분류의 정확성을 항상 보장하는 것은 아니라는 점이다. 예를 들어, 휴대전화, 디지털 카메라, PDA 등 여러 시장과 유사성을 가진 스마트폰의 경우, 이들 시장 간에는 동질성이 낮아 하나의 군집으로 묶이기 쉽지 않을 것이다.
향후에는 위에 언급한 한계점을 극복하기 위한 연구가 추가적으로 진행되어야 할 것으로 판단된다. 본 연구는, 유사시장의 수요가 보이는 성장 패턴과 관련한 지표 및 산업 고유의 특성에 기반하여 새로운 시장의 수요 성장을 예측하는 방향으로 진행되어, 시장의 소비자의 성별, 연령, 직업 등에 관한 정보는 활용되지 않았으나, 향후 연구에서는 이런 추가적인 정보를 적용한다면, 스마트폰 시장과 같이 이질적인 특성을 보이는 여러 시장과 유사성을 보이는 신규시장의 유사시장 발견에 더 좋은 성과를 기대해볼 수도 있을 것이다.
본 연구에서 예측시장과 유사한 시장을 선택하는 과정에서 내용 기반 필터링 기법을 활용할 수 있을 것이다. 시장을 추천 대상이 되는 상품으로, 모수를 이에 대한 속성으로 간주다면 속성간의 유사성을 기반으로 유사시장을 선별하여 사용자에게 추천할 대상으로 결정하는 추천 시스템을 구현하는 상황으로 볼 수 있다.
본 연구에서는, 시장을 상품으로, 시장의 모수를 상품의 속성으로 간주하면, 내용 기반 필터링기법을 유사시장 후보의 선정에 활용할 수 있다. 즉, 사용자가 이미 선택한 유사시장들과 모수에 근거한 거리가 가깝지만 유사시장으로 분류되지 못한 시장들을 찾는다.
향후에는 위에 언급한 한계점을 극복하기 위한 연구가 추가적으로 진행되어야 할 것으로 판단된다. 본 연구는, 유사시장의 수요가 보이는 성장 패턴과 관련한 지표 및 산업 고유의 특성에 기반하여 새로운 시장의 수요 성장을 예측하는 방향으로 진행되어, 시장의 소비자의 성별, 연령, 직업 등에 관한 정보는 활용되지 않았으나, 향후 연구에서는 이런 추가적인 정보를 적용한다면, 스마트폰 시장과 같이 이질적인 특성을 보이는 여러 시장과 유사성을 보이는 신규시장의 유사시장 발견에 더 좋은 성과를 기대해볼 수도 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
시장 수요 예측은 어떤 활동인가?
시장 수요 예측은 일정 기간 동안 소비자에게 판매되는 동종 제품 또는 서비스의 수량 혹은 매출액의 규모를 추정하는 활동으로서, 기업경영활동에 있어 효율적인 의사결정을 내릴 수 있는 근거로 활용된다는 점에서 중요하게 인식되고 있다. 신규 시장의 수요를 예측하기 위해 다양한 시장성장모형이 개발되어 왔다.
본 논문의 신규시장 성장모형의 모수추정을 위한 사례기반 전문가 시스템을 개발할때 무슨 기술을 기반으로 구현되는가?
이런 이유로, 본 연구는 신규 시장의 모수를 추정하기 위해 필요한 유사시장을 누락 없이 효과적으로 찾아낼 수 있는 사례기반 전문가 시스템을 설계하고자 수행되었다. 제안된 모형은 데이터 마이닝의 군집분석 기법과 추천 시스템의 내용 기반 필터링 방법론을 기반으로 전문가 시스템으로 구현되었다. 본 연구에서 개발된 시스템의 유용성을 확인하고자 정보통신분야 시장의 모수를 추정하는 실험을 실시하였다.
Bass 모형이란?
Bass 모형은 신제품의 구매자를 혁신자만 고려한 수정지수곡선 모형(modified exponential curve; Woodstock et al., 1960)과 모방자만 고려한 로지스틱 성장곡선(simple logistic curve; Manfield, 1961)을 결합한 형태이다. 혁신자(innovator) 그룹의 구매는 타구매자들의 결정과는 독립적으로 대중매체(외부영향)에 의해서만 영향을 받으며, 그 비중은 시간이 지남에 따라 감소한다.
참고문헌 (21)
Ahn, C. and S. Kang, "An Analysis of the Cross Relation between The New Telecommunications Services and Demand Forecast based on Use Pattern of Consumers," Proceedings of the Korean Institute of Industrial Engineers, (2007), 585-592.
Balabanovic, M. and Y. Shoham, "Fab: contentbased, collaborative recommendation," Communications of the ACM, Vol.40, No.3 (1997), 66-72.
Hartigan, J. A., Clustering algorithms, John Wiley & Sons, Inc., 1975.
Heeler, R. M. and T. P. Hustad, "Problems in predicting new product growth for consumer durables," Management Science, Vol.26, No.10 (1980), 1007-1020.
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.
Nam, B.-W., K.-B. Song, K.-H. Kim, and J.-M. Cha, "The Spatial Electric Load Forecasting Algorithm using the Multiple Regression Analysis Method," Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, Vol.22, No.2(2008), 63-70.
Jain, A. K., and R. C. Dubes, Algorithms for clustering data, Prentice-Hall, Inc., 1988.
Kim, J.-H, K.-H. Hong, and J.-Y. Min, "A Real-Time Stock Market Prediction Using Knowledge Accumulation," Journal of Intelligence and Information Systems, Vol.17, No.4(2011), 109-130.
Kim, S.-T., "The Study on Tourism Demand Forecasting: Focused on Panel Data Analysis Method," Journal of Tourism and Leisure Research, Vol.26, No.1(2014), 115-129.
Lee, G. and Lee, C., "Comparison Study of Demand Forecasting Techniques using Growth Curve Models," Sogang Journal of Business, Vol.13, No.2(2002), 195-228.
Lim, J.-H., S.-Y. Kim, J.-D. Park, and K.-B. Song, "Representative Temperature Assesment for Improvement of Short-Term Load Forecasting Accuracy," Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, Vol.27, No.6(2013), 39-43.
Mansfield, E., "Technical Change and the Rate of Imitation," Econometrica: Journal of the Econometric Society, (1961), 741-766.
Montaner, M., B. Lopez, and J. L. De La Rosa, "A taxonomy of recommender agents on the internet," Artificial intelligence review, Vol.19, No.4(2003), 285-330.
Noh, K., S. Sim, S. Hong, and B. Jeong, "A study on hybrid demand forecasting for mobile phone," Proceedings of the 2011 Spring KIIE/KORS Joint Conference, (2011), 1222-1228.
Resnick, P. and H. R. Varian, "Recommender systems," Communications of the ACM, Vol.40, No.3 (1997), 56-58.
Song, K.-B. and J.-H. Lim, "Short-Term Load Forecasting for the Consecutive Holidays Considering Businesses' Operation Rates of Industries," The Transaction of the Korean Institute of Electrical Engineers, Vol.62, No.12(2013), 1657-1660.
Srinivasan, V. and C. H. Mason, "Technical note-nonlinear least squares estimation of new product diffusion models," Marketing science, Vol.5, No.2(1986), 169-178.
Van den Bulte, C. and G. L. Lilien, "Bias and systematic change in the parameter estimates of macro-level diffusion models," Marketing Science, Vol.16, No.4(1997), 338-353.
Woodstock, L. W. and F. Skoog, "Relationships between growth rates and nucleic acid contents in the roots of inbred lines of corn," American Journal of Botany, Vol.47, No.9(1960), 713-716.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.