[논문]마케팅 데이터를 대상으로 중요 통계 예측 기법의 정확성에 대한 비교 연구

조민호

doi:10.13067/jkiecs.2019.14.4.775

초록
AI-Helper

미래를 예측하는 기법은 통계에 기반을 둔 것과 딥러닝에 기반을 둔 기술로 분류할 수 있다. 그중 통계에 기반을 둔 것이 간단하고 정확성이 높아서 많이 사용된다. 하지만 실무자들은 많은 분석기법의 올바른 사용에 어려움이 많다. 이번 연구에서는 마케팅에 관련된 데이터에 다항로지스틱회귀, 의사결정나무, 랜덤포레스트, 서포트벡터머신, 베이지안 추론을 적용하여 예측의 정확성을 비교하였다. 동일한 마케팅 데이터를 대상으로 하였고, R을 활용하여 분석을 진행하였다. 마케팅 분야의 데이터 특성을 반영한 다양한 기법의 예측 결과가 실무자들에게 좋은 참고가 될 것으로 생각한다.

Abstract ▼ AI-Helper

Techniques for predicting the future can be categorized into statistics-based and deep-run-based techniques. Among them, statistic-based techniques are widely used because simple and highly accurate. However, working-level officials have difficulty using many analytical techniques correctly. In this...

Techniques for predicting the future can be categorized into statistics-based and deep-run-based techniques. Among them, statistic-based techniques are widely used because simple and highly accurate. However, working-level officials have difficulty using many analytical techniques correctly. In this study, we compared the accuracy of prediction by applying multinomial logistic regression, decision tree, random forest, support vector machine, and Bayesian inference to marketing related data. The same marketing data was used, and analysis was conducted by using R. The prediction results of various techniques reflecting the data characteristics of the marketing field will be a good reference for practitioners.

주제어

표/그림 (9)

그림 그림 1. 설문조사 데이터 모습(일부) Fig. 1 Part of survey data
그림 그림 2. 다항회귀 분석 결과 Fig. 2 Result of multinomial regression analysis
그림 그림 3. CART 알고리즘 적용 결과 Fig. 3 Result of CART algorithm
그림 그림 4. 조건부추론나무 적용 결과 Fig. 4 Result of conditional inference tree
그림 그림 5. 랜덤포레스트 분석 결과 Fig. 5 Result of random forest analysis
그림 그림 6. 방사형 방법 분석 결과 Fig. 6 Result of radial method Analysis
그림 그림 7. 선형 방법 분석 결과 Fig. 7 Result of linear method Analysis
그림 그림 8. 다항 방법 분석 결과 Fig. 8 Result of Polynomial method Analysis
그림 그림 9. 베이지안방법론 분석 결과 Fig. 9 Result of Bayesian method Analysis

AI 본문요약
AI-Helper

문제 정의

이번 연구는 마케팅 분야의 데이터를 대상으로 통계적 예측기법 중에서 중요한 것 5개를 선별하여 동일한 환경에서 적용하여 보았다[11-12]. 이를 통하여 마케팅 분야에 대한 데이터에서 어떤 기법이 어떤 결과를 보이는 지에 대하여 비교할 수 있는 기본적인 자료를 제공하고자 한다. 이번 연구에서 비교할 예측 기법은 “다항로지스틱회귀”, “의사결정나무”, “랜덤포레스트”, “서포트벡터머신” 그리고 “베이지안 추론”이다.

제안 방법

많은 인공지능 기법과 동일하게 통계적 예측기법도 지도학습의 개념이 적용된 것이므로, 분석을 함에 있어서 학습용과 테스트용 데이터를 구분하는 것이 바람직 하지만, 마케팅 데이터가 일반적으로 크지 않아서 분리하기 어렵다는 상황을 고려하여, 별도로 분리하지 않고 동일한 데이터를 이용하여 학습과 테스트를 수행하는 방향으로 진행하였다. 이번 연구의 목표가 예측기법의 비교이므로 동일한 환경을 준다는 점에서 모든 기법의 적용에 동일하게 적용하였다.
통계적 예측기법은 딥러닝에 비하여 간단하며 높은 정확성을 보여주는 좋은 방법이다. 이번 연구를 통하여 현재까지 활용되고 있는 “다항로지스틱회귀”, “의사결정나무”, “랜덤포레스트”, “서포트벡터머신” 그리고 “베이지안 추론”을 마케팅 성격의 데이터에 적용했을 때 각 기법의 정확성을 비교하였다.

대상 데이터

즉, 삼성, LG, 애플, 기타의 4가지 스마트폰을 사용자가 선택하는 데 중요한 영향을 미친 요인이 무엇인가에 대한 설문 조사이다. 20~25세 사이의 연령을 대상으로 조사하였고 설문 응답자는 215명이었다. 스마트폰 구매에 영향을 미치는 요인으로는 11가지가 고려되었다.
이번 연구를 위하여 사용할 데이터는 사용자가 스마트폰을 구매할 때 영향을 미치는 요인에 대한 것이다. 즉, 삼성, LG, 애플, 기타의 4가지 스마트폰을 사용자가 선택하는 데 중요한 영향을 미친 요인이 무엇인가에 대한 설문 조사이다. 20~25세 사이의 연령을 대상으로 조사하였고 설문 응답자는 215명이었다.

데이터처리

분석은 R을 이용하였고, 상세 절차는 그림 2의 내용을 통하여 확인할 수 있다. 이후의 모든 예측방법들도 동일한 환경에서 R을 이용하여 수행하였다.

성능/효과

데이터가 작은 경우에는 동일 분석 기법에 속한 알고리즘간에 정확도의 차이를 보이지 않는다는 점을 확인할 수 있다. 결론적으로 소규모 데이터를 사용하는 예측의 경우에는 예측기법에 따라 정확성의 차이가 명확해서 서포트벡터 머신이 가장 유용한 것으로 생각된다. 다만, 동일 기법에서의 알고리즘 차이는 크지 않은 것으로 판단된다.
결론적으로 소규모 데이터를 사용하는 예측의 경우에는 예측기법에 따라 정확성의 차이가 명확해서 서포트벡터 머신이 가장 유용한 것으로 생각된다. 다만, 동일 기법에서의 알고리즘 차이는 크지 않은 것으로 판단된다.
하지만, 실무에서 분석을 위하여 일부러 수집한 데이터는 크기가 제한적이기 마련이다. 제한된 크기를 가지는 데이터를 대상으로 예측을 수행하는 경우에 예측의 정확성은 “서포트벡터머신”과 “랜덤포레스트”가 가장 좋은 성능을 보이고 있다. “의사결정나무”의 경우는 기법의 성격상 “서포트벡터머신”과 “랜덤포레스트”보다 좋은 성능을 보이지 못하고 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	통계적 예측 기법의 장점은 무엇인가?	이러한 통계적 예측 기법은 딥러닝을 포함한 인공지능의 기법보다 빠르고 간단하게 좋은 결과를 얻을 수 있다는 장점이 있다[6]. 하지만, 이것을 사용하고자 하는 사람에게는 많은 분석 기법의 종류가 큰 부담이 된다.
	서포트벡터머신을 사용한 분석방법 3가지는 무엇인가?	서포트벡터머신을 사용한 분석은 방법에 따라서 3 가지로 분리할 수 있다. “radial 방법”,“linear 방법”, 그 리고 “Polynomial방법”이다. 3가지 방법 모두가 주어 진 환경에 따라 조금씩 다른 결과를 보여줄 수 있다.
	랜덤 포레스트란 무엇인가?	통계적 예측기법에서 부각되는 기법중의 하나가 랜 덤포레스트이다. 랜덤 포레스트는 배깅(Bagging), 부 스팅(Boosting)과 함께 앙상블기법을 적용한 대표적 인 분석기법이다. 앙상블은 주어진 자료로부터 예측모 형을 여러 개의 만들고 이것을 결합하여 최종적인 예 측모형을 만드는 방법을 통칭하는 개념이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

마케팅 데이터를 대상으로 중요 통계 예측 기법의 정확성에 대한 비교 연구
A Comparative Study on the Accuracy of Important Statistical Prediction Techniques for Marketing Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

마케팅 데이터를 대상으로 중요 통계 예측 기법의 정확성에 대한 비교 연구 A Comparative Study on the Accuracy of Important Statistical Prediction Techniques for Marketing Data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

조민호 (11)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

마케팅 데이터를 대상으로 중요 통계 예측 기법의 정확성에 대한 비교 연구
A Comparative Study on the Accuracy of Important Statistical Prediction Techniques for Marketing Data 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper