소비자의 소비성향이 필요 품목을 중심으로 근거리에서 구매하는 근린형으로 변화함에 기존의 소매점은 식료품, 생활용품을 위주로 제공하는 슈퍼마켓, 하이퍼마켓 또는 편의점으로 진화하고 있다. 따라서 소매점이 한정된 공간에서 효율적으로 공간을 활용하고 매출을 증대하기 위해서는 소비자의 구매욕을 충족시킬 수 있는 상품배치와 적정한 재고수준을 유지하는 것이 매우 중요하다. 본 연구에서는 소매점의 판매 상품에 대하여 RFM 기반 SOM 군집화를 하여 효율적으로 매장을 관리할 수 있는 상품 배치전략 및 재고전략을 제안하였다. 실제 M마트의 판매데이터를 이용하여 RFM모델을 상품에 적용한 후, 기존 문헌 연구뿐만 아니라 해석 가능성, 응용 가능성 등을 고려하여 3X3 총 9개의 군집으로 분류하여 분석한 결과, 주요 군집으로 R값, F값, M값이 모두 높은 군집, R값, F값, M값 모두 낮은 군집, R값만 높은 군집, F값만 높은 군집이 도출되었다. 본 논문에서는 다른 군집과 비교시 R값, F값, M값이 차이를 보이는 주요 4개의 군집의 상품 배치 및 재고 전략을 제시하였다. R값, F값, M값이 모두 높은 군집의 상품은 소비자 동선을 늘림으로써 상품 노출을 확대시킬 수 있는 장소에 배치하여야 할 뿐만 아니라 높은 수준의 재고를 보유할 필요가 있다. 반면에 R값, F값, M값이 모두 낮은 군집의 상품은 가시성이 낮은 곳에 배치하고 최소한의 안전재고만 보유할 필요가 있다. 또한 R값이 높은 군집은 신상품으로 매장 입구에 배치하여 상품의 판매를 유도할 필요가 있다. 그리고 F값만 높은 군집의 경우, R값과 M값이 평균 값 보다 작은 상품들의 군집이므로 최근에는 판매가 저조하며 빈도 수에 비해 총 판매액이 낮다는 것을 유추할 수 있다. 따라서 현재보다 과거에 많이 판매된 저가의 상품군집으로 재고 수준을 점차 감소시킬 필요가 있다. 본 연구에서 제시한 방법은 POS 시스템의 보유한 소매점에서 상품배치 및 재고관리 방법으로 활용되어 매장의 수익성 증대에 기여할 수 있을 것으로 기대된다.
소비자의 소비성향이 필요 품목을 중심으로 근거리에서 구매하는 근린형으로 변화함에 기존의 소매점은 식료품, 생활용품을 위주로 제공하는 슈퍼마켓, 하이퍼마켓 또는 편의점으로 진화하고 있다. 따라서 소매점이 한정된 공간에서 효율적으로 공간을 활용하고 매출을 증대하기 위해서는 소비자의 구매욕을 충족시킬 수 있는 상품배치와 적정한 재고수준을 유지하는 것이 매우 중요하다. 본 연구에서는 소매점의 판매 상품에 대하여 RFM 기반 SOM 군집화를 하여 효율적으로 매장을 관리할 수 있는 상품 배치전략 및 재고전략을 제안하였다. 실제 M마트의 판매데이터를 이용하여 RFM모델을 상품에 적용한 후, 기존 문헌 연구뿐만 아니라 해석 가능성, 응용 가능성 등을 고려하여 3X3 총 9개의 군집으로 분류하여 분석한 결과, 주요 군집으로 R값, F값, M값이 모두 높은 군집, R값, F값, M값 모두 낮은 군집, R값만 높은 군집, F값만 높은 군집이 도출되었다. 본 논문에서는 다른 군집과 비교시 R값, F값, M값이 차이를 보이는 주요 4개의 군집의 상품 배치 및 재고 전략을 제시하였다. R값, F값, M값이 모두 높은 군집의 상품은 소비자 동선을 늘림으로써 상품 노출을 확대시킬 수 있는 장소에 배치하여야 할 뿐만 아니라 높은 수준의 재고를 보유할 필요가 있다. 반면에 R값, F값, M값이 모두 낮은 군집의 상품은 가시성이 낮은 곳에 배치하고 최소한의 안전재고만 보유할 필요가 있다. 또한 R값이 높은 군집은 신상품으로 매장 입구에 배치하여 상품의 판매를 유도할 필요가 있다. 그리고 F값만 높은 군집의 경우, R값과 M값이 평균 값 보다 작은 상품들의 군집이므로 최근에는 판매가 저조하며 빈도 수에 비해 총 판매액이 낮다는 것을 유추할 수 있다. 따라서 현재보다 과거에 많이 판매된 저가의 상품군집으로 재고 수준을 점차 감소시킬 필요가 있다. 본 연구에서 제시한 방법은 POS 시스템의 보유한 소매점에서 상품배치 및 재고관리 방법으로 활용되어 매장의 수익성 증대에 기여할 수 있을 것으로 기대된다.
Depending on the change in consumer's consumption pattern, existing retail shop has evolved in hypermarket or convenience store offering grocery and daily products mostly. Therefore, it is important to maintain the inventory levels and proper product configuration for effectively utilize the limited...
Depending on the change in consumer's consumption pattern, existing retail shop has evolved in hypermarket or convenience store offering grocery and daily products mostly. Therefore, it is important to maintain the inventory levels and proper product configuration for effectively utilize the limited space in the retail store and increasing sales. Accordingly, this study proposed proper product configuration and inventory level strategy based on RFM(Recency, Frequency, Monetary) model and SOM(self-organizing map) for manage the retail shop effectively. RFM model is analytic model to analyze customer behaviors based on the past customer's buying activities. And it can differentiates important customers from large data by three variables. R represents recency, which refers to the last purchase of commodities. The latest consuming customer has bigger R. F represents frequency, which refers to the number of transactions in a particular period and M represents monetary, which refers to consumption money amount in a particular period. Thus, RFM method has been known to be a very effective model for customer segmentation. In this study, using a normalized value of the RFM variables, SOM cluster analysis was performed. SOM is regarded as one of the most distinguished artificial neural network models in the unsupervised learning tool space. It is a popular tool for clustering and visualization of high dimensional data in such a way that similar items are grouped spatially close to one another. In particular, it has been successfully applied in various technical fields for finding patterns. In our research, the procedure tries to find sales patterns by analyzing product sales records with Recency, Frequency and Monetary values. And to suggest a business strategy, we conduct the decision tree based on SOM results. To validate the proposed procedure in this study, we adopted the M-mart data collected between 2014.01.01~2014.12.31. Each product get the value of R, F, M, and they are clustered by 9 using SOM. And we also performed three tests using the weekday data, weekend data, whole data in order to analyze the sales pattern change. In order to propose the strategy of each cluster, we examine the criteria of product clustering. The clusters through the SOM can be explained by the characteristics of these clusters of decision trees. As a result, we can suggest the inventory management strategy of each 9 clusters through the suggested procedures of the study. The highest of all three value(R, F, M) cluster's products need to have high level of the inventory as well as to be disposed in a place where it can be increasing customer's path. In contrast, the lowest of all three value(R, F, M) cluster's products need to have low level of inventory as well as to be disposed in a place where visibility is low. The highest R value cluster's products is usually new releases products, and need to be placed on the front of the store. And, manager should decrease inventory levels gradually in the highest F value cluster's products purchased in the past. Because, we assume that cluster has lower R value and the M value than the average value of good. And it can be deduced that product are sold poorly in recent days and total sales also will be lower than the frequency. The procedure presented in this study is expected to contribute to raising the profitability of the retail store. The paper is organized as follows. The second chapter briefly reviews the literature related to this study. The third chapter suggests procedures for research proposals, and the fourth chapter applied suggested procedure using the actual product sales data. Finally, the fifth chapter described the conclusion of the study and further research.
Depending on the change in consumer's consumption pattern, existing retail shop has evolved in hypermarket or convenience store offering grocery and daily products mostly. Therefore, it is important to maintain the inventory levels and proper product configuration for effectively utilize the limited space in the retail store and increasing sales. Accordingly, this study proposed proper product configuration and inventory level strategy based on RFM(Recency, Frequency, Monetary) model and SOM(self-organizing map) for manage the retail shop effectively. RFM model is analytic model to analyze customer behaviors based on the past customer's buying activities. And it can differentiates important customers from large data by three variables. R represents recency, which refers to the last purchase of commodities. The latest consuming customer has bigger R. F represents frequency, which refers to the number of transactions in a particular period and M represents monetary, which refers to consumption money amount in a particular period. Thus, RFM method has been known to be a very effective model for customer segmentation. In this study, using a normalized value of the RFM variables, SOM cluster analysis was performed. SOM is regarded as one of the most distinguished artificial neural network models in the unsupervised learning tool space. It is a popular tool for clustering and visualization of high dimensional data in such a way that similar items are grouped spatially close to one another. In particular, it has been successfully applied in various technical fields for finding patterns. In our research, the procedure tries to find sales patterns by analyzing product sales records with Recency, Frequency and Monetary values. And to suggest a business strategy, we conduct the decision tree based on SOM results. To validate the proposed procedure in this study, we adopted the M-mart data collected between 2014.01.01~2014.12.31. Each product get the value of R, F, M, and they are clustered by 9 using SOM. And we also performed three tests using the weekday data, weekend data, whole data in order to analyze the sales pattern change. In order to propose the strategy of each cluster, we examine the criteria of product clustering. The clusters through the SOM can be explained by the characteristics of these clusters of decision trees. As a result, we can suggest the inventory management strategy of each 9 clusters through the suggested procedures of the study. The highest of all three value(R, F, M) cluster's products need to have high level of the inventory as well as to be disposed in a place where it can be increasing customer's path. In contrast, the lowest of all three value(R, F, M) cluster's products need to have low level of inventory as well as to be disposed in a place where visibility is low. The highest R value cluster's products is usually new releases products, and need to be placed on the front of the store. And, manager should decrease inventory levels gradually in the highest F value cluster's products purchased in the past. Because, we assume that cluster has lower R value and the M value than the average value of good. And it can be deduced that product are sold poorly in recent days and total sales also will be lower than the frequency. The procedure presented in this study is expected to contribute to raising the profitability of the retail store. The paper is organized as follows. The second chapter briefly reviews the literature related to this study. The third chapter suggests procedures for research proposals, and the fourth chapter applied suggested procedure using the actual product sales data. Finally, the fifth chapter described the conclusion of the study and further research.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 이러한 상품들은 점점 재고 보유 수준을 감소할 필요가 있다. 본 논문에서는 다른 군집들과는 R값, F값, M값이 차이를 보이는 주요 4개의 군집 상품 배치 및 재고 전략을 제시하였다. 그 외의 군집은 평이한 R값, F값, M값을 갖고 있으므로, 기존의 배치전략과, 적정 재고 수준을 유지하고, 주요 4개 군집의 상품을 전략적으로 배치하고 재고 수준을 유지하여 수익을 창출해야 할 것이다.
또한 Jang(2009)은 PLC(Product Life Cycle, 제품수명주기)에 기반한 SOM을 이용하여 제품의 수요를 예측하였으며, Kang(2003)은 SOM 기법을 이용하여 성향이 유사한 사용자들을 군집화 하고 군집 별로 RFM 기준에 의해 각 아이템의 선호도를 계산하여 추천 아이템을 결정하는 연구를 진행하였다. 본 연구에서는 각 R값, F값, M값을 정규화하여 SOM 기반의 상품 군집 분석을 통한 매장관리전략을 제안하고자 한다.
(2005)은 RFM 모델을 상품에 적용하여 상품구성을 분석하는데 RFM 모델을 사용하였다. 본 연구에서는 소매점의 매장관리 전략을 제시하기 위하여 소매점의 판매데이터를 이용하여 RFM 기반 상품군집 분석을 하였다.
본 연구의 목적은 소매점의 상품 분석을 통해 상품배치 및 재고전략 등을 통해 효율적으로 매장을 관리할 수 있는 방법을 제안하는 것이다. 이를 위해 본 연구에서는 RFM 모델을 이용한 군집 분석을 실시하였다.
이에 따라, 본 연구의 목적은 단독형 소매점에서 POS 시스템으로 수집한 판매데이터를 사용하여 효율적으로 매장관리를 할 수 있는 방안을 제시하는 것이다. 즉 판매된 상품의 특성에 따라 군집분석을 실시하여 각각의 군집 별 상품 특징을 파악하여 소규모 매장의 상품 배치 및 재고 관리 등 효율적으로 매장을 관리할 수 있도록 상품배치 전략 및 재고전략을 제시하는 것이다.
프랜차이즈형 소매점의 경우 POS 시스템을 통해 매출분석, 재고분석 등 다양한 경영정보를 제공받지만 대다수 단독형 소매점들은 단순 계산용으로 활용되고 있는 실정이다. 이에 본 연구에서는 소매점이 보유하고 있는 POS 시스템을 통해 수집한 판매데이터를 이용하여 매장을 효율적으로 관리할 수 있는 상품 배치 전략 및 재고 전략을 제안한다.
이에 따라, 본 연구의 목적은 단독형 소매점에서 POS 시스템으로 수집한 판매데이터를 사용하여 효율적으로 매장관리를 할 수 있는 방안을 제시하는 것이다. 즉 판매된 상품의 특성에 따라 군집분석을 실시하여 각각의 군집 별 상품 특징을 파악하여 소규모 매장의 상품 배치 및 재고 관리 등 효율적으로 매장을 관리할 수 있도록 상품배치 전략 및 재고전략을 제시하는 것이다. 이를 위해 본 연구에서는 상품의 최근 판매일(Recency), 판매 빈도(Frequency) 매출액(Monetary)등을 이용하는 RFM 모델을 기반으로 SOM(Self Organizing Map, 자기조직화지도) 알고리즘을 통해 상품을 군집화 하고, C5.
가설 설정
일반적으로 RFM 분석에서 R은 최근 구매일, F는 구매빈도 및 M은 총 구매 금액을 의미하는 것으로, 최근성이 높은 고객일수록 최근성이 낮은 고객보다 다시 구매할 확률이 높고, 구매빈도가 높은 고객은 구매빈도가 낮은 고객보다 다시 구매할 가능성이 높다고 가정한다. 또한 구매 금액이 높은 고객은 다시 구매할 가능성이 높다는 것을 가정한다.
본 연구에서는 판매 상품에 대한 세분화를 위해 RFM 분석에 기반하였다. 일반적으로 RFM 분석에서 R은 최근 구매일, F는 구매빈도 및 M은 총 구매 금액을 의미하는 것으로, 최근성이 높은 고객일수록 최근성이 낮은 고객보다 다시 구매할 확률이 높고, 구매빈도가 높은 고객은 구매빈도가 낮은 고객보다 다시 구매할 가능성이 높다고 가정한다. 또한 구매 금액이 높은 고객은 다시 구매할 가능성이 높다는 것을 가정한다.
제안 방법
일반적으로 정규화하는 방법으로는 min-max 정규화, Z 점수 정규화 등이 사용된다. 따라서 본 연구에서는 R값, F값, M값의 단위가 틀릴 뿐만 아니라 표준 편차 등이 크게 차이가 나기 때문에 다음과 같이 R값, F값, M값 각각에 대해 Z점수 정규화를 수행한다.
따라서 본 연구에서는 최근 판매상품, 판매빈도가 높은 상품, 판매 금액이 높은 상품에 대해 R값, F값, M값의 점수를 높게 부여한다. 즉 판매 상품을 RFM 기반 군집화하기 위해 R, F, M을 다음과 같이 정의한다.
그러나 판매 데이터에는 상품코드가 없는 레코드 및 (-)매출 레코드가 포함되어 있다. 따라서 상품코드가 없는 레코드는 삭제하였으며, (-)매출 레코드는 (+)매출 데이터와 비교하여 수정하였다. 또한 234개의 상품코드가 2개 이상의 동일 품명이 존재하기 때문에 각각의 상품코드 별로 품명을 분리하였다.
본 연구에서 제안한 방법론을 M마트에서 POS 시스템으로 수집한 판매 데이터를 이용하여 3 X 3 SOM 군집화한 결과, 4개의 주요 군집에 대한 특징을 살펴보면 다음과 같다. 첫 번째 군집은 R값, F값 및 M값이 모두 높은 상품의 군집이다.
본 연구에서는 C5.0 알고리즘을 이용하여 각 군집의 특성을 파악하여 R값, F값, M값이 저조한 상품 군집에 대해 수익성을 증대시키는 마케팅 전략을 수립하는 것으로 사후적으로 상품을 관리하는 방법론을 제시한다.
따라서 여러 가지 경우로 군집의 수를 나누어 분석하여 적절한 군집 수를 결정한다. 본 연구에서는 기존 문헌 연구뿐만 아니라 해석 가능성, 응용 가능성 등을 고려하여 3X3 SOM을 이용하여 상품을 세분화한다.
본 연구에서는 판매 데이터의 결측치의 비율이 낮기 때문에 결측치가 있는 레코드를 삭제한다. 또한 하나의 상품명에 2개 이상의 상품코드가 존재할 경우, 상품코드별 상품명을 분리한다.
본 장에서는 제3장에서 제시한 상품 분류 방법을 소매점 사례에 적용하여, 전략을 도출하고자 한다. 이를 위하여 수집된 데이터의 전체 기간 동안뿐만 아니라 주중, 주말 동안 상품을 분류하여 전략을 제시한다.
연구에서는 정규화된 R값, F값, M값을 입력변수로 한 SOM 알고리즘을 이용하여 전체 판매 데이터, 주중 판매 데이터, 주말 판매 데이터를 이용하여 3X3 상품 군집분석을 수행하였다.
본 장에서는 제3장에서 제시한 상품 분류 방법을 소매점 사례에 적용하여, 전략을 도출하고자 한다. 이를 위하여 수집된 데이터의 전체 기간 동안뿐만 아니라 주중, 주말 동안 상품을 분류하여 전략을 제시한다. 특히 상품을 분류하기 위하여 IBM의 Modeler 17을 사용하였다.
본 연구의 목적은 소매점의 상품 분석을 통해 상품배치 및 재고전략 등을 통해 효율적으로 매장을 관리할 수 있는 방법을 제안하는 것이다. 이를 위해 본 연구에서는 RFM 모델을 이용한 군집 분석을 실시하였다. 전체적인 절차는 크게 [Figure 1]과 같이 4단계로 구성된다.
즉 판매된 상품의 특성에 따라 군집분석을 실시하여 각각의 군집 별 상품 특징을 파악하여 소규모 매장의 상품 배치 및 재고 관리 등 효율적으로 매장을 관리할 수 있도록 상품배치 전략 및 재고전략을 제시하는 것이다. 이를 위해 본 연구에서는 상품의 최근 판매일(Recency), 판매 빈도(Frequency) 매출액(Monetary)등을 이용하는 RFM 모델을 기반으로 SOM(Self Organizing Map, 자기조직화지도) 알고리즘을 통해 상품을 군집화 하고, C5.0 알고리즘을 통해 각각의 상품군집에 대한 규칙을 도출하여 최근 판매일, 판매 빈도, 매출액에 대한 특징을 파악하였다.
경쟁이 치열한 유통시장 시장에서 소매점이 경쟁우위를 확보하기 위해서는 효율적인 상품 배치 및 재고관리가 중요하다. 이에 따라 본 연구에서는 효율적인 매장관리 전략을 제시하기 위해서 판매된 상품의 최근 구매일, 판매 빈도 및 판매금액을 이용하여 SOM 알고리즘 기반의 상품 군집화 방법을 제안하였으며, 실제 M마트 데이터를 이용하여 상품군집의 특징을 파악하여 상품재고전략과 상품배치전략을 제시하였다.
본 논문의 구성은 다음과 같다. 제 2장에서는 매장관리 방법, RFM 모델 및 SOM에 대해 살펴보았다. 제 3장에서는 본 연구에서는 제안하는 연구절차를 소개하였으며, 제 4장에서는 실제 상품 판매 데이터를 이용하여 본 연구에서 제안하는 연구절차에 적용하였다.
대상 데이터
상품별 판매량은 최소 1개부터 최대 3,690개로 표준편차는 약 231개이다. 가장 적게 판매된 상품은 화인펜(문구/완구류) 등 244개 상품으로 각각 1개가 판매되었으며, 가장 많이 판매된 상품은 디스플러스 (담배류)로 3,690개가 판매되었다. 상품별 판매액은 최소 300원부터 최대 9,323,000원으로 표준편차는 474,333원이다.
본 연구에서 사용된 데이터는 2014년 1월부터 2014년 12월까지 1년 동안 국내 M마트의 판매 데이터이다. 판매데이터는 2,689 상품에 대한 115,057건의 판매기록으로 구성되어 있다.
세부적으로 살펴보면 다음과 같다. 상품별 판매량은 최소 1개부터 최대 3,690개로 표준편차는 약 231개이다. 가장 적게 판매된 상품은 화인펜(문구/완구류) 등 244개 상품으로 각각 1개가 판매되었으며, 가장 많이 판매된 상품은 디스플러스 (담배류)로 3,690개가 판매되었다.
실험을 위해 최종적으로 2,687상품에 대한 114,829건의 판매 기록이 사용되었다. 판매데이터의 상품의 판매량, 판매액 및 판매단가에 대한 평균 등 기술통계량을 살펴보면 [Table 1]과 같다.
본 연구에서 사용된 데이터는 2014년 1월부터 2014년 12월까지 1년 동안 국내 M마트의 판매 데이터이다. 판매데이터는 2,689 상품에 대한 115,057건의 판매기록으로 구성되어 있다. 그러나 판매 데이터에는 상품코드가 없는 레코드 및 (-)매출 레코드가 포함되어 있다.
이론/모형
군집에 대한 전략 제시하기 위해, 각 군집의 평균 R값, F값, M값과 C5.0 알고리즘을 이용하여 도출된 각 군집에 대한 규칙을 사용하였다.
본 연구에서는 판매 상품에 대한 세분화를 위해 RFM 분석에 기반하였다. 일반적으로 RFM 분석에서 R은 최근 구매일, F는 구매빈도 및 M은 총 구매 금액을 의미하는 것으로, 최근성이 높은 고객일수록 최근성이 낮은 고객보다 다시 구매할 확률이 높고, 구매빈도가 높은 고객은 구매빈도가 낮은 고객보다 다시 구매할 가능성이 높다고 가정한다.
성능/효과
먼저 전체데이터의 각 군집이 군집화 된 규칙은 [Table 7]과 같으며, 군집으로 R값, F값, M값이 모두 높은 군집, R값, F값, M값 모두 낮은 군집, R값만 높은 군집, F값만 높은 군집이 도출되었다. 각각의 군집에 대한 전략은 다음과 같다.
군집 01의 상품들은 R값이 208이상의 상품들로 이루어져 있으며, 군집 11의 R값은 156이상 이며, M값이 225,000원이 넘지 않는 상품들로 구성되어 있다. 이 두 군집의 평균 R값, F값, M값의 수준을 확인하면 R값은 높으나 F값과 M값이 현저하게 낮은 것을 확인 할 수 있다. 이 군집들의 상품들은 비교적 최근에 많이 팔린 신상품들이나, 빈도나 구매액은 낮은 상품들로 이루어져 있다는 뜻이다.
주중 데이터의 각 군집 별 판매량이 높은 Top-5 상품을 살펴보면 [Table 5]와 같다. 주요 군집 별 상품을 살펴보면, R, F, M값이 모두 낮았던 군집 22는 요플레, 파워에이드, 녹차마을콘, 선키스트 레몬에이드, 레쓰비 순으로 상품이 많이 판매되었으며, R값, F값, M값이 모두 높았던 군집 01은 쟈뎅카페리얼블랙, 육개장, 초코우유, 커피우유, 요맘때 콘 순으로 상품이 많이 판매되었다. 또한 군집 11에는 주류가 속하며 군집 21에는 음료류가 속하는 것으로 나타나, 군집결과와 마찬가지로, 군집 내의 상품군도 서로 유사하지 않다는 것을 알 수 있다.
주말 데이터의 각 군집 별 판매량이 높은 Top-5 상품을 살펴보면 [Table 6]과 같다. 주요 군집별 상품을 살펴보면 R값, F값, M값이 모두 낮았던 군집 22는 엔쵸(빙과류), 맛있는 우유(유제품), 우동(면류), 포카리스웨트(음료류), 아포카또(빙과류) 많이 판매되었으며, RFM값이 모두 높았던 군집 01는 박카스 D, 참이슬 후레쉬(주류), 바나나우유240(우유/유제품), 석수 2l(음료류), 팔리아라이트(담배류) 순으로 상품이 많이 판매되었다. 또한 군집 12에는 빙과류가 속하며 군집 21에는 빙과류가 속하지 않는 것으로 나타나, 군집결과와 마찬가지로, 군집 내의 상품군도 서로 유사하지 않다는 것을 알 수 있다.
전체 데이터의 각 군집 별 판매량이 높은 Top-5 상품을 살펴보면 [Table 4]와 같다. 주요 상품을 살펴보면, R값, F값, M값이 모두 낮았던 군집 22은 마일드세븐라이트(담배류), 처음처럼(주류), 핫식스(음료류), 비타500(음료류), 스피드 복권(과자류) 순으로 상품이 많이 판매되었으며, R값, F값, M값이 모두 높았던 군집 20은 디스플러스(담배류), 팔리아라이트(담배류), 레쓰비 175ml(음료류), 삼다수(음료류), 말보로라이트(담배류) 순으로 상품이 많이 판매되었다. 이처럼 군집 00과 군집 22는 서로 유사한 상품군이 존재하지 않는다는 것을 알 수 있다.
후속연구
뿐만 아니라 소비자의 인구통계학적 정보 및 상황정보 등 소비자의 상품 구매에 영향을 미칠 수 있는 데이터를 고려하지 못한 한계가 있다. 따라서 이러한 정보를 함께 고려한 후속 연구가 이루어진다면 의미가 더 클 것이다.
군집 22의 상품들은 상품의 구매 빈도가 낮고, 총 구매액도 낮으며 최근에 구매 되지 않은 상품으로서 재고 수준을 낮은 수준으로 유지하여 재고비용을 감소시키는 전략이 필요하다. 또한 이 군집에 속한 상품들을 매장에 배치할 시, 기본적인 품목 카테고리 범위 내에서 이 군집에 있는 상품들끼리 모아 배치하며, 매장 내에서 상대적으로 가시성이 낮은 곳에 배치하는 것이 효율적일 것이다. 군집 12의 상품들은 R값이 123이상인 상품들로 이루어져 있으며, 군집 21의 경우, R값이 114~125 사이이며, 총 판매 빈도가 208번이 넘지 않는 상품들로 구성되어 있다.
본 연구에서는 M마트의 판매 데이터를 이용하여 분석하였기 때문에 소매점 시장 전체를 일반화하기에는 한계가 있을 수 있다. 뿐만 아니라 소비자의 인구통계학적 정보 및 상황정보 등 소비자의 상품 구매에 영향을 미칠 수 있는 데이터를 고려하지 못한 한계가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
소매점의 매장관리 방법은 어떻게 나뉘는가?
소매점의 매장관리 방법은 상품배치와 재고관리 등으로 분류할 수 있다. 상품배치는 소비자의 구매 욕구를 자극하는 데 중요한 요소임에도 불구하고 많은 소매점들은 상품을 배치함에 있어 영업사원에 의존하는 경우가 많다.
슈퍼마켓, 하이퍼마켓 또는 편의점의 특징은?
특히 생필품 및 식자재의 구매 단위가 작아지고, 소량의 필요 품목을 중심으로 근거리에서 구매하는 근린형 소비 경향이 커짐에 따라 이러한 현대인들의 소비 패턴에 맞게 기존의 소매점은 식료품, 생활용품을 위주로 제공하는 슈퍼마켓, 하이퍼마켓 또는 편의점으로 진화하고 있다. 이러한 소매점은 가게 면적이 넓지 않지만 소비자의 다양한 수요를 만족시키기 위해 다양한 종류의 상품을 구비하고 있다. 그러나 소매점을 효율적으로 관리하기 위해서는 소비자의 구매에 영향을 줄 수 있도록 상품을 진열하는 것이 중요할 뿐만 아니라(Song and Kim, 2009), 적정 상품 수를 관리할 필요가 있다(Ko and Kim, 2014).
소비자의 소비성향이 필요 품목에서 근린형으로 변화함에 따라 어떤 변화가 생겼는가?
소비자의 소비성향이 필요 품목을 중심으로 근거리에서 구매하는 근린형으로 변화함에 기존의 소매점은 식료품, 생활용품을 위주로 제공하는 슈퍼마켓, 하이퍼마켓 또는 편의점으로 진화하고 있다. 따라서 소매점이 한정된 공간에서 효율적으로 공간을 활용하고 매출을 증대하기 위해서는 소비자의 구매욕을 충족시킬 수 있는 상품배치와 적정한 재고수준을 유지하는 것이 매우 중요하다.
참고문헌 (23)
Ahn, K. C., C. B. Moon, B. M. Kim, Y. S. Shin, H. S. Kim, "POS Data Analysis System based on Association Rule Analysis, " Korea Society of Industrial Information Systems, Vol.17, No.5(2012), 9-17.
Ahn, Y. C., "Implemental Model of Customer Relationship Management System for Oriental Hospital Using Customer Segmentation," Korea Society of Industrial Information Systems, Vol.15, No.5(2010), 79-87.
Cheng, C. H. and Y. S., Chen, "Classifying the segmentation of customer value via RFM model and RS theory," Expert systems with applications, Vol.36, No. 3(2009), 4176-4184.
Choi, Y. H., "RFM analysis of Korean professional baseball spectators," Journal of Sport and Leisure Studies, Vol.50, No.1(2012), 289-299.
Eum, Y. H. and S. C. Rim, "Management method of inventory replenishment in retail shop," The Korean Operations Research and Management Science Society Conference, (2004), 222-230.
Ha, S. H. and K. H. Baek, "Analyzing Customer Purchase Behavior of a Department Store and Applying Customer Relationship Management Strategies," Korean Management Science Review, Vol.21, No.3(2004), 55-69.
Han, J., and M. Kamber, Data mining: Concepts and techniques, San Francisco: Morgan Kaufmann Publishers, 2012.
Hughes, A. M., Strategic database marketing, Probus Publishing Company, 1994
Hong, T. H. and E. M. Kim, "The Prediction of Purchase Amount of Customers Using Support Vector Regression with Separated Learning Method," Journal of Intelligence and Information Systems, Vol.16, No.4(2010), 213-225.
Jang, N. S., "Product Life Cycle Based Service Demand Forecasting Using SelfOrganizing Map," Journal of Intelligence and Information Systems, Vol.15, No.4(2009), 37-50.
Kang, B. S., "Collaborative Filtering System using Self-Organizing Map for Web Personalization," Journal of Intelligence and Information Systems, Vol.9, No.3(2003), 117-135
Ko, K. W. and D. C. Kim, "The Analyses of the Operational Efficiency and Efficiency Factors of Retail Stores Using DEA Model," Korean Management Science Review, Vol.31, No.4(2014), 135-150.
Kohonen, T., "The self-organizing map," Proceedings of the IEEE, Vol.78, No.9(1990), 1464-1480.
Kim, D. N. and S. H. Joo, "Improvement and analysis on product display location in a retail store," Journal of the Korean production and operations management society, Vol.15, No.1(2004), 129-151.
Kim J. K., K. H. Chae, H. S. Song, "A Defection Prevention Procedure using SOM for On-line Game Providers," Korean Management Science Review, Vol.21, No.3(2004), 85-99.
Lee, Y. H., U. G. Kang, H. J. Hwang, "Hospital Customer Segmentation Strategies based on RFM Model," Journal of KIISE, Vol.2, No.1(2005), 25-33.
Newell, F., The new rules of marketing: How to use one-to-one relationship marketing to be the leader in your industry, New York: McGraw-Hills Companies Inc., 1997.
Park, K. H., D. H. Baek, H. C. Jeon, J. Y. Seo, "Development of a Merchandising Evaluation Framework for Internet Shopping Malls," The Korean Association of Small Business Studies, Vol.27, No.1(2005), 89-114.
Park, S. H., I. H. Lee, H. Y. Ahn, "Analysis of the Retail Channels Resulting from Changing Consumption Trends," Hana Institute of Fimance, No.13(2008)
Song, K. R., S. H. Noh, J. K. Lee, I. Y. Choi, J. K. Kim, "A Sequential Pattern Analysis for Dynamic Discovery of Customers' Preference," Information Systems Review, Vol.10, No.2(2008), 195-209.
Song, Y. H. and T. Y. Kim, "Multi-Dimensional Scaling(MDS) Method Applied to In-store Floor Planning and Product Categorization," Korea Advertising Society, Vol.20, No.4(2009), 59-74.
Wei, J. T., M. C. Lee, H. K. Chen, H. H. Wu, "Customer relationship management in the hairdressing industry: An application of data mining techniques," Expert Systems with Applications. Vol.40, No.18(2013), 7513-7518.
Wu, J., and Z. Lin, "Research on customer segmentation model by clustering", Proceedings of the 7th international conference on Electronic commerce, (2005), 316-318.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.