선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구에서는 이러한 문제점 해결을 위해 실제 국내 가입자 약 150만 명을 보유하고있는 온라인 쇼핑몰 ‘A’에서 수집된 빅데이터를 활용하여 기온 변화에 따른 반팔 티셔츠와 아우터웨어 판매량 변화를 분석하여 판매량을 예측하여 가이드라인을 제시할 수 있는 모델을 제안한다.
제안 방법
- <그림 3>에서 확인 할 수 있듯이 1년 주기로 기온이 일정한 반복되는 것을 확인 할 수 있으며 본 연구에서는 하루의 평균 기온 변화에 따른 판매량 변화를 분석하였다. 본 논문에선 기온 변화에 가장 민감하게 반응하는 반팔 티셔츠와 아우터웨어의 판매량을 분석하였다.
- 본 논문에서 제안한 판매량 예측 알고리즘은 실제 온라인 쇼핑몰 ‘A’에서 수집된 데이터를 바탕으로 기온 변화에 따른 판매량 변화를 분석하여 차년도 판매량을 예측하는 알고리즘을 제안한다. 제안한 빅데이터 분석 알고리즘의 순서도는 아래 <그림 1>과 같이 나타낼 수 있다.
- 본 논문에서는 실제 온라인 쇼핑몰 ‘A’에서 수집된 빅데이터를 활용하여 평균 기온과 판매가격 변화에 따른 반팔 티셔츠와 아우터웨어의 판매량을 예측하는 알고리즘을 제안하고 실제 판매량 간의 예측 오차율을 분석한다.
- <그림 3>에서 확인 할 수 있듯이 1년 주기로 기온이 일정한 반복되는 것을 확인 할 수 있으며 본 연구에서는 하루의 평균 기온 변화에 따른 판매량 변화를 분석하였다. 본 논문에선 기온 변화에 가장 민감하게 반응하는 반팔 티셔츠와 아우터웨어의 판매량을 분석하였다.
- 본 논문에선 제안한 판매량 분석 알고리즘을 사용하여 2014년부터 2017까지 수집된 데이터를 사용하여 2018년도의 판매량을 예측하고 실제 2018년 판매량과 비교하여 오차율의 범위를 확인한다. 오차율은 아래와 같이 표현할수 있다.
- 본 절에서는 2014년부터 2017년까지의 평균기온 변화에 따른 판매량 변화를 분석하여 2018년도의 판매량을 예측하고 실제 2018년 반팔 티셔츠 판매량과의 오차를 비교⋅분석한다.
- 본 절에선 기온 변화에 따른 반팔 티셔츠와 아우터웨어(긴팔, 후드티, 맨투맨 등)의 판매량변화와 예측값을 분석한다. 반팔 티셔츠와 아우터웨어를 분석한 이유는 다른 상품에 비해 다른 환경 변수에 영향을 크게 받지 않고 기온 변화에 따른 판매량 변화가 뚜렷하기 때문에 통계자료 모델로 활용하기에 적합하기 때문이다.
- 제안한 알고리즘을 통해 2014년도부터 2017년도까지 수집된 데이터를 사용하여 기온 변화에 따른 2018년 판매량을 예측하여 실제 2018년도 판매량과 비교분석 한다. 분석에 사용된 주문데이터는 약 18만개 반팔 티셔츠의 판매량과 약 4.
대상 데이터
- <표 2>는 정형화된 특정 상품의 평균 기온, 최저 기온, 최고 기온, 강수량, 평균 판매가, 총 판매량을 정형화한 특정 상품 데이터의 일부를 나타낸다. 기온 관련 데이터는 기상청의 ‘기상자료 개방 포털’에서 2014년 1월 1일부터 2018년 12월 31일까지의 평균 기온, 최저 기온, 최고기온의 데이터를 수집하였다. 아래 <그림 2>는 수집한 기상 데이터의 검증을 위해 기온 데이터를 그래프로 나타낸 결과이다.
- 본 논문에선, 2014년부터 2018년까지 온라인쇼핑몰 'A’에서 판매된 약 18만개 반팔 티셔츠의 판매량과 약 4.1만 아우터 판매량 그리고 기상청의 하루 평균 기온 데이터를 수집하여 기온변화에 따른 반팔 티셔츠와 아우터웨어의 판매량을 분석하였다. 2014년부터 2017년도까지의 데이터를 분석하여 2018년도 판매량을 예측하였으며 반팔 티셔츠와 아우터웨어의 예측값과 실제 판매량의 오차율은 각각 ±1.
- 또한 특정 상품의 카테고리(category,c)의 기온(temperature, t)에 따른 판매량(salesvolume, SV)은 아래와 같은 행렬식으로 나타낼 수 있다. 본 논문의 상품 카테고리 인덱스는 반팔 티셔츠(c=1), 아우터웨어 (c=2)를 사용한다.
- 본 연구에선 2017년 기준 150만 명의 가입자를 보유하고 있는 온라인 쇼핑몰 ‘A’의 빅데이터를 활용하여 분석하였다. <표 1>은 정형화되지 않고 데이터베이스에 수집된 빅데이터의 일부를 나타낸다.
- 제안한 알고리즘을 통해 2014년도부터 2017년도까지 수집된 데이터를 사용하여 기온 변화에 따른 2018년 판매량을 예측하여 실제 2018년도 판매량과 비교분석 한다. 분석에 사용된 주문데이터는 약 18만개 반팔 티셔츠의 판매량과 약 4.1만 아우터 판매량이 사용되었다. <그림 2>는 데이터 베이스에 저장된 다양한 반팔 티셔츠와 아우터 카테고리들의 일부 정보를 나타낸 예시이다.
- 코오롱 인더스트리 FnC는 소셜 네트워크 위주로 소비자가 선호하는 제품의 키워드를 중심으로 데이터를 분석한다. 예를 들어, 제품의 키워드를 중심으로 데이터를 분석하여 소비자의 성향을 파악하고 키워드를 통해 열거된 제품의 장/단점을 분석한 결과를 바탕으로 상품 개발에 착수한다.
이론/모형
- 본 절에선 하루 평균 기온과 판매 가격 변화에 따른 판매량 변화를 분석하고 예측하기 위한 빅데이테 분석 알고리즘을 설명한다. 2014년부터 2017년까지 수집된 기온 데이터의 평균 기온값을 값의 크기에 상관없이 순차적으로 나타낸 행렬은 다음과 같이 나타낼 수 있다.
성능/효과
- <그림 9>은 2018년 기온 변화에 따른 실제 판매량을 나타낸 결과이다. <그림 8>과 <그림 9>의 분석결과를 비교한 결과, 예측 결과와 실제 판매량의 오차율은 ±1.5%이며 이와 같은 분석결과를 통해 과거 판매량 분석을 통해 차년도의 반팔 티셔츠의 판매량 예측이 가능함을 확인하였다.
- <그림 8>은 2018년 기온 변화에 따른 반팔 티셔츠의 예측 판매량을 나타낸다. <그림 8>에 따르면 2014년도부터 2017년까지의 결과와 유사하게 예측한 2018년 반팔 티셔츠의 판매량은 기온이 상승할수록 판매량이 증가하는 것을 확인할 수 있다.
- 또한 예측 판매량 예측 데이터값과 실제 판매량 데이터 사이 ±8%의 오차가 발생하였다. 이와 같은 결과를 통해 제안한 판매량 예측 알고리즘을 통해 차년도 판매량을 예측할 수 있음을 확인 할 수 있었다.
- <그림 4>부터 <그림 7>까지의 분석 결과에 따르면 2014년부터 2017년도 반팔 티셔츠의 판매량은 매우 유사한 그래프 형태를보인다. 이와 같은 분석 결과를 통해 기온이 상승할수록 반팔 티셔츠의 판매량이 증가하는 것을 확인할 수 있다.
후속연구
- 본 연구를 통해 장기간에 걸쳐 데이터가 누적될수록 기간적인 더 정확한 예측이 가능할 것으로 기대되며 이를 활용하여 판매량을 예측하고 효율적인 재고관리가 가능할 것으로 기대된다. 또한 본 논문에서 연구한 판매 변수인 평균 기온 이외에도 색상, 디자인, 연휴, 사회적 이슈 등 다양한 변수를 수치화하여 반영한다면 더욱 정밀한 판매량 예측이 가능할 것으로 기대한다.
- 본 연구를 통해 장기간에 걸쳐 데이터가 누적될수록 기간적인 더 정확한 예측이 가능할 것으로 기대되며 이를 활용하여 판매량을 예측하고 효율적인 재고관리가 가능할 것으로 기대된다. 또한 본 논문에서 연구한 판매 변수인 평균 기온 이외에도 색상, 디자인, 연휴, 사회적 이슈 등 다양한 변수를 수치화하여 반영한다면 더욱 정밀한 판매량 예측이 가능할 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.