[논문]전자상거래 고객의 클러스터링 분석방법 고찰을 통한 효과적인 군인체력 모형 RSC 클러스터링 분석방법 도출

이준호; 노병인; 신동규

doi:10.7472/jksii.2023.24.6.145

초록
AI-Helper

군에서 군인들의 체력 관리와 전투력 향상을 위한 필수적인 요소로서, 군인들의 운동 능력, 체력, 건강 수준을 효과적으로 측정하고 모니터링하는 중요성을 강조한다. 체력의 효과적인 측정이 관리의 핵심이며, 이는 현대경영학의 원칙과 일치하고 있다. 특히, 전장의 동적인 변화에 대비하기 위해서는 강인한 체력을 가진 군인을 양성하는 것이 중요하다. 이 연구에서는 RFM(Recency, Frequency, Monetary) 고객 분석 및 클러스터링 방법을 전자상거래에서 검증된 방법으로 소개하며, 이를 기반으로 머신러닝 알고리즘이 적용된 AI 고객 분석 방법을 군인 체력 평가에 적용하기 위해, RSC(Reveal, Sustainable, Control) 분석 모형을 도입하여 군인 체력을 효과적으로 분류하고 모니터링하는 방법을 검토하였다. RFM 기법을 적용한 RSC 분석 모형을 통해 군인 체력을 계량화하고 모델링함으로써 지속적인 발전을 도모하고 체력 관리의 효과를 높일 수 있는 전략을 모색하였다. 이러한 방법을 통해 군인의 체력을 향상하고 유지하는데 있어서 AI 고객 분석 기법을 응용한 RSC 클러스터링 분석방법을 도출하였다.

Abstract ▼ AI-Helper

This study emphasizes the essential need in the military for effective measurement and monitoring of soldiers' physical fitness, health, and exercise capabilities to enhance both their overall fitness and combat effectiveness. The effective assessment of physical fitness is considered a core element...

This study emphasizes the essential need in the military for effective measurement and monitoring of soldiers' physical fitness, health, and exercise capabilities to enhance both their overall fitness and combat effectiveness. The effective assessment of physical fitness is considered a core element of management, aligning with principles of modern management. Particularly, preparing soldiers with robust physical fitness is deemed crucial for adapting to dynamic changes on the battlefield. In this research, the RFM (Recency, Frequency, Monetary) customer analysis and clustering methods, validated in e-commerce, are introduced as a basis for applying an AI-driven customer analysis approach to assess military personnel fitness. To achieve this, the study explores the incorporation of the RSC (Reveal, Sustainable, Control) analysis model. This model aims to effectively categorize and monitor military personnel fitness. The application of the RFM technique in the RSC analysis model quantifies and models military fitness, fostering continuous improvement and seeking strategies to enhance the effectiveness of fitness management. Through these methods, the study develops an AI customer analysis technique applied to the RSC clustering analysis method for improving and sustaining military personnel fitness.

주제어

표/그림 (15)

그림 (그림 1) 전자상거래 고객의 거래데이터와 고객별 RFM 데이터 유형 (Fig. 1) Types of Transaction Data and Customer-Specific RFM Data in E-commerce [7]
그림 (그림 2) RFM 분석 절차 (Fig. 2) RFM Analysis Procedure [7]
그림 (그림 3) 엘보우포인트 결정 그래프 (Fig. 3) Elbow Point Determination Graph [7]
그림 (그림 4) K-Means 클러스터링 이후의 산점도 (Fig. 4) After K-Means Clustering Scatter Plot [7]
그림 (그림 5) 클러스터별 Recency 범위 (Fig. 5) Cluster-specific Recency Range [7]
그림 (그림 6) 클러스터별 Frequency 범위 (Fig. 6) Cluster-specific Frequency Range [7]
그림 (그림 7) 클러스터별 Monetary 범위 (Fig. 7) Cluster-specific Monetary Range [7]
표 (표 1) 체력 요인 분류 (Table 1) Classification of Physical Fitness Factors
표 (표 2) 국가별 체력검정요인 운영종목 [국군체육부대, 2009] (Table 2) National Physical Fitness Test Factors and Disciplines
표 (표 3) 운동능력별 군인체력측정을 위한 운영종목 기준 (Table 3) Criteria for Operational Physical Fitness Assessment According to Military Personnel's Physical Fitness Levels
그림 (그림 8) RSC 시스템 구성도 (Fig. 8) RSC System Configuration Diagram
그림 (그림 9) RSC 분석 절차 (Fig. 9) RSC Analysis Procedure
그림 (그림 10) 과목별 점수 분포 (Fig. 10) Subject-wise Score Distribution
그림 (그림 11) 3과목 성적데이터의 3D 산점도 (Fig. 11) 3D Scatter Plot of Grades Data for Three Subjects
표 (표 4) 군인 체력데이터 분석 결과 예시 (Table 4) Analysis Results of Military Personnel Physical Fitness Data

AI 본문요약
AI-Helper

문제 정의

군에서 군인들의 체력검정 기준을 수립하고 효과적으로 측정 및 모니터링하기 위해서는 체력검정 기준을 선정하는 것이 필요하다. 본 연구는 전투형 강군 육성에 기여할 수 있는 모델을 개발하기 위해 검증된 RFM(Recency, Frequency, Monetary) 모델을 기반으로 한 RSC(Reve al, Sustainable, Control) 모형을 제안한다.

제안 방법

본 장에서는 고객 클러스터링 개념을 군인체력에 대한 클러스터링으로 변환하여, RFM 항목을 군인체력 기준에 따른 RSC 항목으로 맵핑하여 적용함으로써 효과적인 RSC 군인체력 분석모형을 제안하고자 한다.

대상 데이터

본 연구에서는 군인체력 데이터는 확보하지 못하여 체력데이터와 가장 유사한 특성과 분포를 띄고 있는 체력데이터를 연구데이터로 활용하였다. 체력데이터는 Kaggle에서 공개하고 있는 “Students Performance in Exams” 데이터 세트이다.
체력데이터는 Kaggle에서 공개하고 있는 “Students Performance in Exams” 데이터 세트이다

데이터처리

RSC분석시스템의 전체 구성도는 그림 8과 같다. 온오프라인 상거래 시스템에서 고객, 상품, 거래데이터 대신에 ICSPFT의 권고기준에 의하여 Clarke(1971), Ichiko(1980), Cobin(2000)이 제시한 체력요인을 측정데이터 항목으로 산정하여 군인들의 체력을 테스트하고, 운동 발현능력에 해당하는 R(Reveal) 값은 각 군인별 근력과 순발력에 대한 측정값을 사용하고, 운동 지속능력에 해당하는 S(Sustainable) 값은 근지구력, 심폐지구력에 대한 측정값을, C(Control) 값은 민첩성, 평형성, 유연성을 반영할 수 있는 측정값을 데이터로 활용하여 DB서버로 수집 및 통합하고, 수집된 데이터는 데이터분석 시스템에서 기계 학습 분석을 실행한 후 그 결과를 DB서버에 저장한다.

이론/모형

RFM 분석절차는 그림 2와 같다. 생성된 고객별 RFM 데이터에서 F와 M값만 이용하여 IQR(Interquartile range) 이론을 적용하여 이상치고객을 분류해 낸다[9].
전자상거래에서 고객의 구매패턴을 이해하는 데 효과적인 RFM 모델은 거래의 최근성, 빈도, 규모 등을 고려하여 고객을 분류하는 간편한 모델링 방법이다. 이를 군체력 모형에 적용하기 위해, ICSPFT(국제체력테스트표준화 위원회)에서 제시한 체력요인을 기반으로 한 RSC 모형을 도입한다. RSC 모형은 운동 발현 능력(Reveal), 운동 지속 능력(Sustainable), 운동 조절 능력(Control)의 세가지 인자를 통합하여 군인 체력을 효과적으로 분류하고 모니터링하는데 활용될 것으로 기대된다.
이상치 고객을 제외한 일반고객은 R값과 F값 M값을 Numpy의 percentile 백분위수 계산방식[10]을 사용하여 5점 척도를 구하였다. 클러스터의 개수(K) 결정은 엘보우(Elbow) 기법의 한 형태인 WCSS(Within-Cluster Sum of Square)를 활용하였다.
이상치고객은 하나의 클러스터가 되고, 이상치가 아닌 고객은 K-Means 클러스터링 한다. K-Means 클러스터링 한 결과를 3D 산점도로 표현하고, RFM 스코어와 비교하여 도메인 지식이 있는 전문가가 각 클러스터의 유형을 결정한다.
체력의 정의를 명확하게 규명하기는 어렵지만 여러 학자의 의견을 종합해 볼 때, 체력이란 달리기, 뛰기, 던지기, 물건 옮기기 등의 인간 활동의 기초가 되는 신체능력이라 할 수 있다. 체력 구성 요인에 있어서 우리나라는 ICSPFT의 권고 기준에 의하여 Clarke(1971), Ishiko(1980), Cobin(2000)이 제시한 체력요인을 활용하여 표 1과 같이 체력을 8 개 요인으로 구분했다[11].
이상치 고객을 제외한 일반고객은 R값과 F값 M값을 Numpy의 percentile 백분위수 계산방식[10]을 사용하여 5점 척도를 구하였다. 클러스터의 개수(K) 결정은 엘보우(Elbow) 기법의 한 형태인 WCSS(Within-Cluster Sum of Square)를 활용하였다. 엘보우 기법은 1부터 10까지의 클러스터 수(K)에 대해 WCSS 값을 계산하며, WCSS는 클러스터 내 각 점과 중심 사이의 거리 제곱의 합이다.

성능/효과

본 연구에서 제시한 RSC클러스터링이라는 새로운 기준의 분석방법은 전자상거래에서 온라인 및 오프라인 거래데이터(최근성, 구매빈도, 구매금액)를 기반으로 한 RFM분석을 통해 고객을 클러스터링 한 기법과 맵핑하여 도출해 낼 수 있었다. 이를 통해 효과적인 군인체력 분류 및 모니터링이 가능하며, 각 군인 유형별 적절한 운동을 추천하고 체력을 향상할 수 있는 군인체력 모형의 효과적인 툴로 활용되기를 기대한다.
비록, 실질적인 군인체력데이터가 아닌 학생 체력데이터를 통해 수집된 RFM데이터를 가상의 RSC데이터로 매핑하여 측정한 결과이지만, 효과적인 군인 체력 모형을 시뮬레이션하고, 클러스터링 할 수 있다는 것만으로도 많은 인사이트와 새로운 군인 체력 모형의 표본이 될 수 있다고 판단된다.
상기 군인체력측정을 위한 운영종목 기준표에 따라 효과적인 군인체력 모형도출을 위해 전자상거래 고객지표인 R, F, M에 해당하는 항목을 R, S, C로 매칭하여, 운동발현능력에 해당하는 R지표로는 팔굽혀펴기와 제자리 멀리뛰기 측정치를 적용하고, 운동지속능력에 해당하는 S지표에는 윗몸일으키기와 턱걸이 측정치를, 운동 조절 능력에 해당하는 C지표에는 50M/100m달리기 측정치를 적용함으로써 군인체력 지표에도 충분히 뽑아낼 수 있음을 확인할 수 있다.
종합적으로, RFM 분석 기법은 기업이 고객을 세분화하고 효과적인 마케팅 전략을 구사하기 위한 강력한 도구로 자리 잡았다.

후속연구

이를 군체력 모형에 적용하기 위해, ICSPFT(국제체력테스트표준화 위원회)에서 제시한 체력요인을 기반으로 한 RSC 모형을 도입한다. RSC 모형은 운동 발현 능력(Reveal), 운동 지속 능력(Sustainable), 운동 조절 능력(Control)의 세가지 인자를 통합하여 군인 체력을 효과적으로 분류하고 모니터링하는데 활용될 것으로 기대된다.
군에서 군인들의 체력을 측정함에 있어 각각의 능력에 대한 구체적인 측정값들이 측정되고 관리된다면, 본 연구에서와 같은 RSC 맵핑과 같은 관점으로 분석하는 것이 가능하며, 다양한 클러스터링 기술을 접목하여 군인들의 체력을 관리하는데 활용할 수 있게 된다. 이외에도 특히, 본 논문에서 사용한 군인체력 분류 기술은 군인들의 질병에 대한 면역능력과 환경변화에 대한 적응능력, 정신적인 저항능력을 관리함으로써 질병이나 사고를 예방하는 방법으로도 활용될 수 있을 것이다.
따라서, 본 연구에서의 RSC 클러스터링 분석방법은 군인체력 관리뿐만 아니라 군인의 종합적인 건강과 신체적, 정신적 측면에서의 강화에 기여할 수 있는 다양한 응용 가능성을 제시하고 있다.
본 연구에서 제시한 RSC클러스터링이라는 새로운 기준의 분석방법은 전자상거래에서 온라인 및 오프라인 거래데이터(최근성, 구매빈도, 구매금액)를 기반으로 한 RFM분석을 통해 고객을 클러스터링 한 기법과 맵핑하여 도출해 낼 수 있었다. 이를 통해 효과적인 군인체력 분류 및 모니터링이 가능하며, 각 군인 유형별 적절한 운동을 추천하고 체력을 향상할 수 있는 군인체력 모형의 효과적인 툴로 활용되기를 기대한다.
이와 같은 연구는 군인의 운동 능력을 정량화하고, RFM 모델과의 효과적인 결합을 통해 군 체력 측정과 관리 시스템을 고도화시킬 수 있도록 제안할 수 있다.
군에서 군인들의 체력을 측정함에 있어 각각의 능력에 대한 구체적인 측정값들이 측정되고 관리된다면, 본 연구에서와 같은 RSC 맵핑과 같은 관점으로 분석하는 것이 가능하며, 다양한 클러스터링 기술을 접목하여 군인들의 체력을 관리하는데 활용할 수 있게 된다. 이외에도 특히, 본 논문에서 사용한 군인체력 분류 기술은 군인들의 질병에 대한 면역능력과 환경변화에 대한 적응능력, 정신적인 저항능력을 관리함으로써 질병이나 사고를 예방하는 방법으로도 활용될 수 있을 것이다.

참고문헌 (13)

HeuiJu Chun, "Customer Lifetime Value Model Using？Segment-Based Survival Analysis," Communications？for Statistical Applications and Methods, Vol. 18, No.？6, pp. 687-696, 2011.？https://doi.org/10.5351/CKSS.2011.18.6.687

원문보기 상세보기
DongSeok Kim, "Data driven selection methods of？weights in RFM Model," 62, Jeju National University？Master's Thesis, 2021.？https://oak.jejunu.ac.kr/handle/2020.oak/23663
TaeJin Kim, "Proposal Methodology for Disaster Risk？Analysis by Region Using RFM Model," Journal of the？Society of Disaster Information, Vol. 16, Issue 3, 2020,？pp. 493-504, 2020.？https://doi.org/10.15683/kosdi.2020.09.30.493

원문보기 상세보기
YoungSung Cho, "Implementation of Personalized？Recommendation System using RFM method in Mobile？Internet Environment," Journal of The Korea Society of？Computer and Information, Vol. 13, No. 2, 2008, pp.？41-50, 2008.？http://journal.kci.go.kr/jksci/archive/articleView?artiIdART001237406
Birant, Derya. "Data mining Using RFM Analysis,"？International Journal of Scientific & Engineering？Research, Vol. 4, Issue 12, 2013, pp. 940-943, 2013.？http://doi.org/10.13140/RG.2.2.24229.04328
YoungHwan Choi, "Studies on Types of Korean？Professional Baseball Spectators Using RFM," Journal？of Sport and Leisure Studies, Vol. 50, 2012, pp.？289-299, 2012.？https://doi.org/10.51979/kssls.2012.12.50.289

상세보기
ByungIn Roh, "Method of extraction and processing of？outliers in the customer's RFM model", 48, Sejong？University Master's Thesis, 2022.？https://library.sejong.ac.kr/search/DetailView.ax?sid1&cid1769889
HyunJung Ji, "A Study on Customer rating using RFM？and K-Means," Advances in Computer Science and？Ubiquitous Computing, pp. 823-828, 2017.？http://doi.org/10.1007/978-981-10-7605-3_131
Siti Monalisa, "Analysis Outlier Data on RFM and？LRFM Models to Determining Customer Loyalty with？DBSCAN Algorithm," IEEE, pp. 1-5, 2018.？https://doi.org/10.1109/SAIN.2018.8673380
JongSuk Lee, "Sequential Percentile Estimation for？Sequential Steady-State Simulation," The KIPS？Transactions:PartD, Vol. 10D, Issue 6, pp. 1025-1032,？2003.？https://doi.org/10.3745/KIPSTD.2003.10D.6.1025

원문보기 상세보기
DuckHyun Nam, "Study on Settlement of Army Fitness？Test for the Purpose of Barracks Physical Training？Stimulation", The Korean Journal of Defense Analysis,？Vol. 27, No. 4, 2012, pp. 149-179, 2012.？http://doi.org/10.22883/jdps.2012.27.4.006
DuckHyun Nam, "Study on the Selection of the Korean？Combat Fitness Factors: Based on the Case of？American Military Combat Fitness," The Korean？Journal of Defense Analysis, Vol. 28, No. 3, pp.？175-196, 2012.？http://doi.org/10.22883/jdps.2012.28.3.006
Lewin, Daniel R., "What Can we Learn from Exam？Grade Distributions?," International Journal Scholarship？of Teaching & Learning, 12, Vol. 15, No. 2, 2021.？https://doi.org/10.20429/ijsotl.2021.150207

상세보기

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

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

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

Abstract ▼ AI-Helper

주제어

표/그림 (15) 모든 표/그림 보기

표/그림 (15) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

신동규 (58)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper