[논문]소셜데이터 및 ARIMA 분석을 활용한 소비자 관점의 헬스케어 기술수요 예측 연구

양동원; 이준기

doi:10.9716/kits.2020.19.4.049

소셜데이터 및 ARIMA 분석을 활용한 소비자 관점의 헬스케어 기술수요 예측 연구
A Study on the Demand Forecasting of Healthcare Technology from a Consumer Perspective : Using Social Data and ARIMA Model Approach 원문보기

한국IT서비스학회지 = Journal of Information Technology Services, v.19 no.4, 2020년, pp.49 - 61

양동원 (연세대학교 기술경영협동과정) , 이준기 (연세대학교 정보대학원)

Abstract ▼ AI-Helper

Prior studies on technology predictions attempted to predict the emergence and spread of emerging technologies through the analysis of correlations and changes between data using objective data such as patents and research papers. Most of the previous studies predicted future technologies only from the viewpoint of technology development. Therefore, this study intends to conduct technical forecasting from the perspective of the consumer by using keyword search frequency of search portals such as NAVER before and after the introduction of emerging technologies. In this study, we analyzed healthcare technologies into three types : measurement technology, platform technology, and remote service technology. And for the keyword analysis on the healthcare, we converted the classification of technology perspective into the keyword classification of consumer perspective. (Blood pressure and blood sugar, healthcare diagnosis, appointment and prescription, and remote diagnosis and prescription) Naver Trend is used to analyze keyword trends from a consumer perspective. We also used the ARIMA model as a technology prediction model. Analyzing the search frequency (Naver trend) over 44 months, the final ARIMA models that can predict three types of healthcare technology keyword trends were estimated as "ARIMA (1,2,1) (1,0,0)", "ARIMA (0,1,0) (1,0,0)", "ARIMA (1,1,0) (0,0,0)". In addition, it was confirmed that the values predicted by the time series prediction model and the actual values for 44 months were moving in almost similar patterns in all intervals. Therefore, we can confirm that this time series prediction model for healthcare technology is very suitable.

주제어

표/그림 (19)

표 <표 1> 기술 및 소비자 관점의 헬스케어 기술분류체계
그림 [그림 1] 헬스케어 측정기술 검색 빈도수 원시계열 그래프(비정상시계열)
그림 [그림 2] 헬스케어 측정기술 검색 빈도수 원시계열 1차 차분 그래프(정상시계열)
그림 [그림 3] 헬스케어 측정기술 ARIMA 모형의 예측 값 및 실제값 비교
표 <표 2> 헬스케어 측정기술 정상시계열의 자기 상관 현황
표 <표 3> 헬스케어 측정기술의 ARIMA 모형 추정
표 <표 4> 헬스케어 측정기술 ARIMA 모형의 적합도
그림 [그림 4] 헬스케어 플랫폼 기술 검색 빈도수 원시계열 그래프(비정상시계열)
그림 [그림 5] 헬스케어 플랫폼 기술 검색 빈도수 원시계열 1차 차분 그래프(정상시계열)
표 <표 5> 헬스케어 플랫폼 기술 정상시계열의 자기 상관 현황
그림 [그림 6] 헬스케어 플랫폼 기술 ARIMA 모형의 예측 값 및 실제값 비교
그림 [그림 7] 헬스케어 원격 기술 검색 빈도수 원시계열 그래프(비정상시계열)
그림 [그림 8] 헬스케어 원격 기술 검색 빈도수 원시계열 1차 차분 그래프(정상시계열)
표 <표 6> 헬스케어 플랫폼 기술의 ARIMA 모형 추정
표 <표 7> 헬스케어 플랫폼 기술 ARIMA 모형의 적합도
그림 [그림 9] 헬스케어 원격 기술 ARIMA 모형의 예측 값 및 실제값 비교
표 <표 8> 헬스케어 원격 기술 정상시계열의 자기 상관 현황
표 <표 9> 헬스케어 원격 기술의 ARIMA 모형 추정
표 <표 10> 헬스케어 원격 기술 ARIMA 모형의 적합도

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

분석과정은 먼저, 헬스케어 관련된 사용자 관점의 키워드들은 크게 세 개 유형으로 구분하여 분석하고 각각의 유형에 대하여 두 개의 세 분류 항목들을 사용하여 키워드 분석을 실시한다. 다음으로 최근 44개월 동안 검색되어 확보된 데이터를 바탕으로 키워드 분석을 실시하여 트랜드 분석과 기술 예측 모형을 도출하고자 한다.
Google 트렌드와 기타 국내 포털 사이트에서 제공되는 트렌드 분석은 주제 하나만 검색이 가능하기 때문에 헬스케어와 관련된 연관어 검색이 불가능하다. 따라서 본 연구에서는 네이버 트렌드를 통하여 헬스케어의 주제어와 이에 연관된 세분류 용어들을 동시에 검색함으로써 실제적으로 사용자들이 포탈검색을 통하여 가장 빈번하게 사용하는 헬스케어 관련 키워드들을 활용하고자 한다. 분석과정은 먼저, 헬스케어 관련된 사용자 관점의 키워드들은 크게 세 개 유형으로 구분하여 분석하고 각각의 유형에 대하여 두 개의 세 분류 항목들을 사용하여 키워드 분석을 실시한다.
이러한 흐름에 따라 신흥기술 도입 전후에 있어 검색 포탈의 키워드 검색량 등의 데이터를 활용하여 수요자 관점의 기술을 예측하는 것은 기업 입장에서 매우 가치 있는 의사결정 수단이 될 수 있다. 따라서 본 연구에서는 수요자의 관점에서 신흥기술 수요를 예측하기 위한 방법론을 제시하고자 한다. 이를 위해 4차 산업혁명을 주도하고 있는 기술 중 헬스케어 기술을 중심으로 포털 검색 키워드를 활용하여 수요자 관점의 기술 확산 속도 및 가능성 등을 분석하고자 한다.
본 연구에서는 신흥기술 도입 전후에 검색 포탈의 키워드 검색량 등의 데이터를 활용하여 수요자 관점의 기술 예측을 실시하였다. 이러한 과정은 기업 입장에서 매우 가치 있는 연구가 될 수 있다.
본 연구에서는 헬스케어 기술을 중심으로 수요자 관점에서 기술의 수요를 예측하기 위한 방법론을 제시하고자 한다. 헬스케어 서비스는 주로 모바일 서비스로 제공되므로 본 연구에서 사용되는 검색 엔진에 모바일 이용자들의 소셜데이터들이 많이 축적되어 있다.
이를 위해 4차 산업혁명을 주도하고 있는 기술 중 헬스케어 기술을 중심으로 포털 검색 키워드를 활용하여 수요자 관점의 기술 확산 속도 및 가능성 등을 분석하고자 한다. 이러한 과정을 통해 향후 기술의 방향성에 있어 중요한 시사점을 발견하고자 한다.
기술 예측과 관련된 선행연구에서는 특허 및 연구논문과 같은 자료를 활용하여 새로운 기술의 등장 전후에 특허 및 연구논문에 의한 기술의 관련성 및 변동량을 많이 다루고 있다. 이러한 연구들은 Bibliometrics 기법 및 다양한 수리 모형을 통해 기술 확산 과정과 수요를 예측하고자 하였다. 이러한 방법은 기술 발전 관점에서만 미래 기술을 다루기 때문에 기술 수요자 관점에서 접근하긴 어렵다.

가설 설정

선택된 모형을 이용하여 미래를 예측하는 단계로서 실제의 과거의 시계열 자료들로부터 반복 추정된 ARIMA 모형 중에서 하나의 모형을 최종적으로 확정하고 통계 분석 프로그램을 통해서 예측 값을 추정한다. ARIMA 모형은 과거의 수요량 패턴이 미래에도 그러한 패턴이 계속될 것이라는 가정을 포함한다. 따라서 선택된 모형을 기반으로 미래의 헬스케어 기술 수요를 예측할 수 있다.

제안 방법

1차 차분한 결과로서 정상시계열을 보여주는 자기 상관성을 분석한다. 자기 상관성이란 이전 시점의 키워드 빈도수가 현재 및 미래의 키워드 빈도수를 결정하는 시차 간의 자기 상관성을 의미하며 이러한 자기 상관성이 확보될 경우에만 시계열 예측 모형을 도출할 수 있다.
디지털 헬스케어 기술에 대한 다양한 해석 내용을 살펴보면 다음과 같다. 먼저, 한국과학기술연구원(2014)은 15대 국가 전략 융합기술로 선정된 건강관리 서비스 분야의 핵심기술로서, 1) 비침습무구속 무자각 건강정보 측정 기술과 2) 맞춤형 진단 및 현장진단 기술, 3) 개방형 건강관리 플랫폼 기술과 4) 맞춤형 원격 건강관리 서비스 기술을 디지털 헬스케어 관련 기술로 선정하고, 각 세부기술별 기술수준을 조사하였다.
먼저, 기술의 발전과 확산의 관점이 아닌 기술 수요자의 관점에서 미래 기술의 수준을 예측하기 위한 기술관점 분류와 모형을 각각 고려한 부분은 향후 연구방법에서 참고가 될 수 있다. 그리고 ARIMA 모형을 활용하여 다양한 영역에서 모형의 적합도를 분석함으로써 향후 수요자 관점의 기술 예측모델 연구에 방법론을 제시하였다.
특히 이들 연구에서는 기술 사례 연구로 perovskite 태양 전지 기술을 선정하여 특허 데이터 분석을 통해 태양 전지 기술의 진화 경로를 모니터링했다. 그리고 Twitter 데이터로부터 기술에 대한 사용자의 의견, 반응 및 기대 사항을 마이닝하여 관심 주제의 변동 사항을 시계열로 분석하였다. 또한 태양 전지 기술의 개발 동향을 파악하기 위해 특허와 트위터 텍스트마이닝 결과를 비교 분석했다.
본 연구를 위한 방법으로는 헬스케어 분야를 분석하기 위해 헬스케어 기술을 측정 기술, 플랫폼 기술 및 원격 서비스 기술의 3개 유형으로 분류하였다. 그리고 헬스케어에 대한 키워드 분석을 위하여 기술 관점의 분류를 소비자 관점의 키워드 분류체계로 변환하여 새로운 분류체계를 수립하였다. 첫번째, 헬스케어 측정 기술에 대해서 소비자 관점으로 혈압 및 혈당 두 키워드를 사용하기로 하였다.
표본 데이터의 평균과 분산의 정상성 확인을 통해 시계열의 안정성을 확인하였다. 다음 단계로 모수 추정에 있어서 시차별로 추정된 각각의 계수들에 대해서는 부호가 반복되는 패턴과 절대값을 기준으로 시계열의 안정성 범위 안에 포함되는지를 확인하였다. 다음으로 검증에 부합하는 모형이 제시될 때까지 반복적으로 식별 및 추정을 실시하였고, 최종 모형을 선택하였다.
다음 단계로 모수 추정에 있어서 시차별로 추정된 각각의 계수들에 대해서는 부호가 반복되는 패턴과 절대값을 기준으로 시계열의 안정성 범위 안에 포함되는지를 확인하였다. 다음으로 검증에 부합하는 모형이 제시될 때까지 반복적으로 식별 및 추정을 실시하였고, 최종 모형을 선택하였다.
첫번째, 헬스케어 측정 기술에 대해서 소비자 관점으로 혈압 및 혈당 두 키워드를 사용하기로 하였다. 두 번째, 헬스케어 플랫폼 기술에 대해서는 축적된 빅데이터를 활용한 진단, 예약 및 처방 등과 같은 실제 헬스케어 플랫폼에서 제공되는 서비스를 키워드 분류체계로 사용하였다. 마지막으로 헬스케어에 대한 원격 서비스는 원격 진단 및 처방 등과 같이 실제로 이루어지는 원격서비스 용어들을 소비자 관점의 키워드로 정의하였다.
따라서 본 연구에서는 헬스케어에 대한 키워드 분석을 위하여 김도성 외(2018)연구를 참조하여 기술 관점의 분류체계를 소비자 관점의 키워드 분류체계로 변환하여 새로운 분류체계를 수립하였다. 그 내용을 차례로 살펴보면 다음과 같다.
첫 번째, 헬스케어 측정 기술에 대해서 소비자들의 키워드 검색 영역으로서 혈압, 혈당, 맥박 칼로리 소모, 비만, 체중 등과 같은 용어들을 사용하고 있음을 알 수 있었다. 따라서 본 연구에서는 혈압 및 혈당 두 키워드를 사용하기로 하였다. 두 번째, 헬스케어 플랫폼 기술에 대한 기술 용어들은 정보공유, 빅데이터 및 모바일 헬스케어 서비스 등 3개 유형으로 분류하고 있다.
그리고 Twitter 데이터로부터 기술에 대한 사용자의 의견, 반응 및 기대 사항을 마이닝하여 관심 주제의 변동 사항을 시계열로 분석하였다. 또한 태양 전지 기술의 개발 동향을 파악하기 위해 특허와 트위터 텍스트마이닝 결과를 비교 분석했다. 이처럼 최근 학술연구 트렌드에서도 소셜 네트워크 및 미디어 데이터를 활용한 연구가 이루어지기 시작했다.
먼저 헬스케어 측정 기술에 대한 소비자 관점의 키워드 트렌드 분석을 위하여 헬스케어 측정 기술에 대한 연관어로써 혈압과 혈당이라는 두 개의 항목을 사용하였다. 시계열 분석을 위한 기초 단계로써 헬스케어 측정기술을 구성하고 있는 혈압과 혈당에 대하여 44개월간의 검색 빈도수를 기준으로 원시계열을 도표로 표시한 결과는 [그림 1]과 같다.
본 연구를 위한 방법으로는 헬스케어 분야를 분석하기 위해 헬스케어 기술을 측정 기술, 플랫폼 기술 및 원격 서비스 기술의 3개 유형으로 분류하였다. 그리고 헬스케어에 대한 키워드 분석을 위하여 기술 관점의 분류를 소비자 관점의 키워드 분류체계로 변환하여 새로운 분류체계를 수립하였다.
본 연구의 분석을 위해 먼저, 헬스케어에 대한 소비자 관점의 키워드 트렌드 분석을 실시한다. 이를 위해 네이버 트렌드에서 제공하는 키워드 트렌드 분석 자료를 활용하였다.
따라서 본 연구에서는 네이버 트렌드를 통하여 헬스케어의 주제어와 이에 연관된 세분류 용어들을 동시에 검색함으로써 실제적으로 사용자들이 포탈검색을 통하여 가장 빈번하게 사용하는 헬스케어 관련 키워드들을 활용하고자 한다. 분석과정은 먼저, 헬스케어 관련된 사용자 관점의 키워드들은 크게 세 개 유형으로 구분하여 분석하고 각각의 유형에 대하여 두 개의 세 분류 항목들을 사용하여 키워드 분석을 실시한다. 다음으로 최근 44개월 동안 검색되어 확보된 데이터를 바탕으로 키워드 분석을 실시하여 트랜드 분석과 기술 예측 모형을 도출하고자 한다.
두 번째, 헬스케어 플랫폼 기술에 대한 기술 용어들은 정보공유, 빅데이터 및 모바일 헬스케어 서비스 등 3개 유형으로 분류하고 있다. 소비자 관점의 키워드로써 헬스케어(축적된 빅데이터를 활용한) 진단, 예약 및 처방 등과 같은 실제 헬스케어 플랫폼에서 제공되는 서비스를 키워드 분류체계로 사용하였다. 마지막으로 헬스케어에 대한 원격 서비스는 원격 모니터링 기술, 원격 관리 기술, 맞춤형 원격 처리 기술 등 3개 유형으로 분류하고 있다.
따라서 본 연구에서는 수요자의 관점에서 신흥기술 수요를 예측하기 위한 방법론을 제시하고자 한다. 이를 위해 4차 산업혁명을 주도하고 있는 기술 중 헬스케어 기술을 중심으로 포털 검색 키워드를 활용하여 수요자 관점의 기술 확산 속도 및 가능성 등을 분석하고자 한다. 이러한 과정을 통해 향후 기술의 방향성에 있어 중요한 시사점을 발견하고자 한다.
그리고 헬스케어에 대한 키워드 분석을 위하여 기술 관점의 분류를 소비자 관점의 키워드 분류체계로 변환하여 새로운 분류체계를 수립하였다. 첫번째, 헬스케어 측정 기술에 대해서 소비자 관점으로 혈압 및 혈당 두 키워드를 사용하기로 하였다. 두 번째, 헬스케어 플랫폼 기술에 대해서는 축적된 빅데이터를 활용한 진단, 예약 및 처방 등과 같은 실제 헬스케어 플랫폼에서 제공되는 서비스를 키워드 분류체계로 사용하였다.
최근 가장 주목 받고 있는 IT 관리 방법론이자 조직의 IT 자원관리를 통해 엔터프라이즈 차원의 최적화를 이룰 수 있는 관리혁신도구인 EA를 도입하여 분석을 진행하였다. 원시계열에 대한 1차 차분을 실시한 결과 정상시계열로 전환되었고 그 시계열 패턴은 <표 2>와 같다.
(2019)은 특허 및 트위터 데이터의 텍스트 마이닝을 통해 신흥 기술의 출현을 모니터링하는 프레임워크를 제안하고 기술의 변화 추세를 파악했다. 특히 이들 연구에서는 기술 사례 연구로 perovskite 태양 전지 기술을 선정하여 특허 데이터 분석을 통해 태양 전지 기술의 진화 경로를 모니터링했다. 그리고 Twitter 데이터로부터 기술에 대한 사용자의 의견, 반응 및 기대 사항을 마이닝하여 관심 주제의 변동 사항을 시계열로 분석하였다.

대상 데이터

본 연구에서는 헬스케어 키워드 트렌드 분석을 통한 기술 예측 모형으로서 ARIMA 모형을 사용하고자 한다. 먼저, 본 연구의 데이터는 최근 44개월 동안의 시계열 자료로 구성되어 있다. 표본 데이터의 평균과 분산의 정상성 확인을 통해 시계열의 안정성을 확인하였다.
본 연구의 분석대상으로는 헬스케어에 대한 소비자 관점의 키워드 트렌드 분석을 위하여 네이버 트렌드에서 제공하는 키워드 트렌드 분석 자료를 사용하고 있다. 네이버 트렌드 분석은 키워드 주제와 그 주제로부터 파생된 연관어를 동시에 검색할 수 있는 장점이 있다.
본 연구의 분석을 위해 먼저, 헬스케어에 대한 소비자 관점의 키워드 트렌드 분석을 실시한다. 이를 위해 네이버 트렌드에서 제공하는 키워드 트렌드 분석 자료를 활용하였다. 네이버 트렌드 분석은 키워드 주제와 그 주제로부터 파생된 연관어를 동시에 검색할 수 있는 장점이 있다.

이론/모형

네이버 트렌드 분석은 키워드 주제와 그 주제로부터 파생된 연관어를 동시에 검색할 수 있는 장점이 있다. 그리고 기술 예측 모형으로서 ARIMA 모형을 활용하였다. ARIMA 모형은 시계열 예측 모형으로서 회귀식 내에서 자기회귀와 시점차이, 그리고 시차의 이동평균 수준을 고려하여 독립변수가 종속변수에 미치는 영향에 있어서 과거의 패턴이 미래에도 지속될 것이라는 전제로 미래 기술 수요를 예측하기에 유용한 모형이다.
본 연구에서는 향후 디지털 헬스케어 기술 관점의 분석을 보다 확장된 범주에서 실시하기 위하여 “특허분석을 통한 한국의 디지털 헬스케어 분야 경쟁력 분석연구”(김도성 외, 2018)의 기준 체계를 적용하였다.
본 연구에서는 헬스케어 키워드 트렌드 분석을 통한 기술 예측 모형으로서 ARIMA 모형을 사용하고자 한다. 먼저, 본 연구의 데이터는 최근 44개월 동안의 시계열 자료로 구성되어 있다.
시계열 예측 모형을 도출하기 위하여 ARIMA 모형을 추정하였다. 시차별로 추정된 각각의 계수들에 대해서 시계열의 안정성 범위 안에 들어 있는지를 판단한 결과, 헬스케어 플랫폼 기술에 대한 진료/예약/처방 키워드 트렌드를 가장 적절하게 예측할 수 있는 것은 ARIMA(0,1,0)(1,0,0) 모형인 것으로 나타났다.
시계열 예측 모형을 도출하기 위해 ARIMA 모형을 추정하였다. ARIMA 모형을 추정할 때 모형의 패턴을 결정하는 요인은 자기회귀(AR), 차분, 이동 평균과 같은 3개 요인이며 이 3개 요인을 통하여 최적의 예측 모형을 도출하게 된다.

성능/효과

이진수(2014)는 헬스케어가 ICT와의 융합에 따라 의료서비스의 효율성이 증대되고 이에 따라 기술확장이 이루어지고 있으며 헬스케어 산업의 패러다임이 전환되고 있다고 하였다. 이에 따라 디지털 헬스케어 산업의 범위를 ICT 관점에서 1) 개인의 생채정보를 수집하는 개인건강기기, 2) 건강관리 어플리케이션으로부터 수집된 개인겅강정보를 저장·관리하는 플랫폼, 3) 이를 활용한 건강관리 및 의료서비스로 구분할 수 있으며, 이들은 ICT 기술을 통해 유기적으로 연결되어 있다고 하였다. 특허분석을 위한 기술분류체계는 선행문헌을 바탕으로 종합적으로 설정하였는데, 건강정보 측정기술(A), 건강관리 플랫폼 기술(B), 건강관리 원격서비스 기술(C)로 구분하였다(김도성 외, 2018).
1차 차분한 정상시계열의 자기 상관성은 아래의 표와 같다. Box-Ljung 통계량의 유의 확률이 0.1 이상일 경우 자기 상관성이 있는 것으로 판단하는데 모든 시차(2시차 제외)에서 유의 확률이 0.1 이상이므로 각 시차간의 자기상관이 매우 유의미한 것으로 나타났다. 따라서 소비자 관점의 키워드는 2개월 이전의 검색어 빈도수가 현재 월의 키워드 빈도수에 영향을 미친다고 판단할 수 있다.
먼저, 44개월간의 검색 빈도수(네이버 트렌드) 분석 결과 헬스케어 측정 기술(혈압, 혈당), 플랫폼 기술(헬스케어 진료/예약/처방) 및 원격 서비스 기술(원격 진단 및 처방)의 키워드 트렌드를 가장 적절하게 예측할 수 있는 모형은 각각 ARIMA(1,2,1)(1,0,0), ARIMA(0,1,0)(1,0,0), ARIMA(1,1,0)(0,0,0)로 최종 모형이 추정되었다. 그리고 시계열 예측 모형으로 예측한 값과 44개월의 실제값이 모든 구간에서 거의 유사한 패턴으로 움직이고 있음을 확인할 수 있었다. 따라서 헬스케어에 대한 시계열 예측 모형이 수요자 관점의 기술 예측모형으로 적합하다는 것을 확인할 수 있었다.
따라서 본 연구에서는 혈압 및 혈당 두 키워드를 사용하기로 하였다. 두 번째, 헬스케어 플랫폼 기술에 대한 기술 용어들은 정보공유, 빅데이터 및 모바일 헬스케어 서비스 등 3개 유형으로 분류하고 있다. 소비자 관점의 키워드로써 헬스케어(축적된 빅데이터를 활용한) 진단, 예약 및 처방 등과 같은 실제 헬스케어 플랫폼에서 제공되는 서비스를 키워드 분류체계로 사용하였다.
빨간색 그래프는 실제 관측값이고 파란색은 시계열 모형에 의한 추정값인데 모든 구간에서 실제 값과 모형의 예측값이 거의 유사한 패턴으로 움직이고 있음을 알 수 있다. 따라서 헬스케어 원격 기술을 구성하는 원격진료/상담의 트렌드 분석을 위하여 이러한 시계열 예측 모형이 매우 적합하다고 판단되었다.
빨간색 그래프는 실제 관측값이고 파란색은 시계열 모형에 의한 추정값인데 모든 구간에서 실제 값과 모형의 예측값이 거의 유사한 패턴으로 움직이고 있음을 알 수 있다. 따라서 헬스케어 측정 기술을 구성하는 혈압과 혈당의 트렌드 분석을 위하여 이러한 시계열 예측 모형이 매우 적합하다는 것을 확인할 수 있었다.
그리고 시계열 예측 모형으로 예측한 값과 44개월의 실제값이 모든 구간에서 거의 유사한 패턴으로 움직이고 있음을 확인할 수 있었다. 따라서 헬스케어에 대한 시계열 예측 모형이 수요자 관점의 기술 예측모형으로 적합하다는 것을 확인할 수 있었다.
본 연구의 분석결과는 다음과 같다. 먼저, 44개월간의 검색 빈도수(네이버 트렌드) 분석 결과 헬스케어 측정 기술(혈압, 혈당), 플랫폼 기술(헬스케어 진료/예약/처방) 및 원격 서비스 기술(원격 진단 및 처방)의 키워드 트렌드를 가장 적절하게 예측할 수 있는 모형은 각각 ARIMA(1,2,1)(1,0,0), ARIMA(0,1,0)(1,0,0), ARIMA(1,1,0)(0,0,0)로 최종 모형이 추정되었다. 그리고 시계열 예측 모형으로 예측한 값과 44개월의 실제값이 모든 구간에서 거의 유사한 패턴으로 움직이고 있음을 확인할 수 있었다.
[그림 6]은 시계열 예측 모형으로 예측한 값과 44개월의 실제값 간의 차이를 보여주고 있다. 빨간색 그래프는 실제 관측값이고 파란색은 시계열 모형에 의한 추정값인데 모든 구간에서 실제 값과 모형의 예측값이 거의 유사한 패턴으로 움직이고 있음을 알 수 있고 따라서 헬스케어 측정 기술을 구성하는 혈압과 혈당의 트렌드 분석을 위하여 이러한 시계열 예측 모형이 매우 적합하다는 것을 말해주고 있다.
ARIMA 모형을 추정할 때 모형의 패턴을 결정하는 요인은 자기회귀(AR), 차분, 이동 평균과 같은 3개 요인이며 이 3개 요인을 통하여 최적의 예측 모형을 도출하게 된다. 시차별로 추정된 각각의 계수들에 대해서 시계열의 안정성 범위 안에 들어 있는지를 판단한 결과, 헬스케어 측정 기술에 대한 혈압과 혈당 키워드 트렌드를 가장 적절하게 예측할 수 있는 모형은 ARIMA(1,2,1)(1,0,0) 모형인 것으로 나타났다.
시계열 예측 모형을 도출하기 위하여 ARIMA 모형을 추정하였다. 시차별로 추정된 각각의 계수들에 대해서 시계열의 안정성 범위 안에 들어 있는지를 판단한 결과, 헬스케어 플랫폼 기술에 대한 진료/예약/처방 키워드 트렌드를 가장 적절하게 예측할 수 있는 것은 ARIMA(0,1,0)(1,0,0) 모형인 것으로 나타났다.
시차별로 추정된 각각의 계수들에 대해서 시계열의 안정성범위 안에 들어있는지를판단한 결과, 헬스케어 원격 기술에 대한 원격진료/상담 키워드 트렌드를 가장 적절하게 예측할 수 있는 것은 ARIMA(1,1,0)(0,0,0) 모형인 것으로 추정되었다.
<표 10>은 시계열 예측 모형의 적합도를 보여주고 있다. 자기 회귀(AR)는 유의 확률이 0.097로서 매우 적합한 것으로 나타났고 차분은 1의 시차를 갖고 있는 것으로 나타났다.
<표 4>는 시계열 예측 모형의 적합도를 보여주고 있다. 자기 회귀(AR)는 유의 확률이 0.329로서 매우 적합한 것으로 나타났고 이동 평균(MA)은 0.643으로써 모형 추정이 매우 적절하다고 분석되었다. 그러나 계절성 자기회귀(AR)는 0.
그 내용을 차례로 살펴보면 다음과 같다. 첫 번째, 헬스케어 측정 기술에 대해서 소비자들의 키워드 검색 영역으로서 혈압, 혈당, 맥박 칼로리 소모, 비만, 체중 등과 같은 용어들을 사용하고 있음을 알 수 있었다. 따라서 본 연구에서는 혈압 및 혈당 두 키워드를 사용하기로 하였다.
먼저, 본 연구의 데이터는 최근 44개월 동안의 시계열 자료로 구성되어 있다. 표본 데이터의 평균과 분산의 정상성 확인을 통해 시계열의 안정성을 확인하였다. 다음 단계로 모수 추정에 있어서 시차별로 추정된 각각의 계수들에 대해서는 부호가 반복되는 패턴과 절대값을 기준으로 시계열의 안정성 범위 안에 포함되는지를 확인하였다.

참고문헌 (14)

김경범, 황경수, "계절 ARIMA 모형을 이용한 제주공항 여객 수요예측 및 효율적 운영에 관한 연구", 한국산학기술학회, 제13권, 제8호, 2012, 3381-3388.

원문보기 상세보기
김도성, 조성한, 이정수, 김민석, 김남현, "특허분석을 통한 한국의 디지털 헬스케어 분야 경쟁력 분석 연구", 디지털융복합연구, 제16권, 제9호, 2018, 229-237.

원문보기 상세보기
김종찬, 이준혁, 김갑조, 박상성, 장동식, "특허 키워드 시계열 분석을 통한 부상 기술 예측", 정보처리학회, 제3권, 제9호, 2014, 355-360.

원문보기 상세보기
이진수, "디지털 헬스케어 플랫폼과 주요기업 동향", KHIDI Brief, 2014, 1-12.
장성희, 이진영, 이창원, "UTAUT이론을 이용한 uHealthcare 이용의도에 영향을 미치는 요인", 대한경영학회지 춘계학술발표대회 발표논문집, 2011, 280-288.
전승표, 박도형, "웹검색 트래픽 정보를 활용한 지능형 브랜드 포지셔닝 시스템 : 태블릿 PC 사례를 중심으로", 지능정보시스템학회지, 제19권, 제3호, 2013, 93-111.
정기철, 김승현, 정일영, 이다은, 김가은, "수요자 중심의 헬스케어 산업 전망과 대응전략", 정책연구, 2017, 1-160.
최가영, 이정희, 유리화, "시계열분석을 통한 자연휴양림 계절별 이용수요 예측 : 계절ARIMA 모형과 지수평활 모형을 중심으로", 관광경영연구, 제21권, 제3호, 2017, 271-289.
한국과학기술연구원, "2014년도 15대 국가 융합기술 수준조사", 한국과학기술연구원 융합연구정책센터, 2014, 1-371.
Butler, D., "When Google Got Flu Wrong", Nature, Vol.494, 2013, 155-156.

상세보기
Choi, H. and H. Varian, "Predicting the Present with Google Trends", Economic Record, Vol.88, No.1, 2012, 2-9.

상세보기
Li, X., Q. Xie, J. Jiang, Y. Zhou, and L. Huang, "Identifying and Monitoring the Development Trends of Emerging Technologies Using Patent Analysis and Twitter Data Mining : The Case of Perovskite Solar Cell Technology", Technological Forecasting and Social Change, Vol.146, 2019, 687-705.

상세보기
Vosen, S. and T. Schmidt, "Forecasting Private Consumption : Survey-Based Indicators vs. Google Trends", Journal of Forecasting, Vol.30, No.6, 2011, 565-578.

상세보기
Zeng, Y., P. Dong, Y. Shi, and Y. Li, "On the Disruptive Innovation Strategy of Renewable Energy Technology Diffusion : An AgentBased Model", Energies, Vol.11, No.11, 2018, 1-21.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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