초록 ▼

○ 신기술의 가치평가를 위해서는 기술이 활용된 신제품의 향후 수익을 측정할 수 있어야 하며, 이를 위해서는 과거 수요 데이터가 존재하지 않는 출시 전 신제품의 수명주기를 예측해야 함
○ 신제품 수명주기 예측 모형 개발을 위해 제품의 확산 특성을 결정짓는 제품 속성을 규명한 제품속성 DB를 구축하고, 기존 제품의 연간 수요 데이터를 바탕으로 제품수요 DB를 구축함
○ 제품 속성을 이용하여 Bass Model의 모수를 추정하는 신제품 수명주기 예측 모형으로서, 단일 회귀분석 모델 및 앙상블 회귀분석 모델을 구축하고 성능을 비

○ 신기술의 가치평가를 위해서는 기술이 활용된 신제품의 향후 수익을 측정할 수 있어야 하며, 이를 위해서는 과거 수요 데이터가 존재하지 않는 출시 전 신제품의 수명주기를 예측해야 함
○ 신제품 수명주기 예측 모형 개발을 위해 제품의 확산 특성을 결정짓는 제품 속성을 규명한 제품속성 DB를 구축하고, 기존 제품의 연간 수요 데이터를 바탕으로 제품수요 DB를 구축함
○ 제품 속성을 이용하여 Bass Model의 모수를 추정하는 신제품 수명주기 예측 모형으로서, 단일 회귀분석 모델 및 앙상블 회귀분석 모델을 구축하고 성능을 비교·분석함
● 제품수요 DB를 바탕으로 비선형최소자승법(NLS)을 이용하여 제품별로 Bass 모형의 세 가지 모수인 잠재시장 크기(m), 혁신계수(p), 모방계수(q)를 추정함
● 총 6개의 단일 회귀분석 알고리즘을 사용하여 제품속성 DB의 속성 값을 입력으로 하고 Bass 모형의 모수를 출력으로 하는 예측 모델을 구축한 결과, 다중선형회귀분석이 가장 우수한 예측 모델로 판별됨
● 단일모델의 예측 성능을 향상시키기 위하여 단일회귀분석 알고리즘들을 결합한 전문가 혼합 앙상블 모델을 구축하고 예측 성능을 평가한 결과, 다중선형회귀분석과 가우시안 프로세스 회귀분석을 결합한 예측 모델이 가장 우수한 모델로 나타났으며, 최우수 단일회귀분석 알고리즘에 비해 예측 오차가 75% 이상 낮아짐
● 제품 수요 데이터가 없을 경우 주로 사용되는 비교유추법과의 예측 성능을 비교한 결과, 개발된 예측 모형이 비교유추법에 비해 훨씬 높은 예측 성능을 나타냄
○ 연간 수요 데이터가 충분히 확보되지 않은 신제품인 3D TV에 대해 제안된 연구 방법론을 사용한 실제 사례 연구를 수행하여, 3D TV의 도약기, 최대 당기 수요기, 정체기 등을 예측함

Abstract ▼

Ⅳ. Result of the study
○ A product demand DB containing annual sales data of 125 products is produced
○ A product attribute DB is produced by defining 17 variables of five categories (industry, market, technology, product and use) and measuring the values of the variables through expert judgme

Ⅳ. Result of the study
○ A product demand DB containing annual sales data of 125 products is produced
○ A product attribute DB is produced by defining 17 variables of five categories (industry, market, technology, product and use) and measuring the values of the variables through expert judgment
○ The three parameters of the Bass model, m(potential market size), p(innovation coefficient), and q(imitation coefficient) are estimated using the non-linear least square (NLS) method
○ Based on the product attribute and demand DB, six single prediction models, i.e., multiple linear regression, k-nearest neighbor regression, artificial neural network, support vector regression, classification and regression tree, and Gaussian process regression, are developed for estimating the coefficients of Bass model
● Multiple linear regression is found to be the best single prediction model in terms of RMSE, R2, and MAE; The correlation coefficients between the actual values and the predicted values of the coefficient of innovation (p) and the coefficient of imitation (q) are 0.8954 and 0.8904, respectively
● Followed by multiple linear regression, Gaussian process regression and k-nearest neighbor regression results in higher prediction accuracy than other single prediction models
● Regression algorithms with higher complexity, such as artificial neural network, support vector regression, and classification and regression tree, result in lower prediction accuracy than those with lower complexity due to the limited number of training data; Their predictive power could be improved when the number of product in the product attribute and demand DB increases
○ Ensemble regression models based on the mixture of expert scheme are developed to enhance the prediction accuracy of the single regression models
● The ensemble which combines the multiple linear regression and Gaussian process regression is found to be the most accurate model;
The correlation coefficients between the actual values and the predicted values of the coefficient of innovation (p) and the coefficient of imitation (q) are 0.9872 and 0.9853, respectively, which are approximately 10% higher than those of the multiple linear regression
○ Comparative analysis between the developed prediction models and analogy method, which has been commonly used when product demand data is not sufficient
● The prediction error of the analogy method is twice higher than that of the multiple linear regression and 10 times higher than that of the best ensemble regression model, which supports that the proposed framework enables to improve the prediction accuracy of the diffusion of new product or technology
○ For a 3D TV, which is a new product with no demand data available, the prediction model is applied
● The multiple linear regression predicts p and q as 0.0091 and 0.2689, respectively, which in turn forecasts the PLC of 3D TV as mid 2016 as takeoff, early 2021 as peak, and late 2025 as accumulation
● The best ensemble model predicts its p and q as 0.0074 and 0.2389, respectively, which in turn forecasts the PLC of 3D TV as late 2017 as takeoff, early 2023 as peak, and late 2028 as accumulation

목차 Contents

• 표지 ... 1
• 제 출 문 ... 2
• 보고서 요약서 ... 3
• 요 약 문 ... 4
• Summary ... 8
• Contents ... 12
• 목차 ... 14
• 표차례 ... 16
• 그림차례 ... 18
• 제1장 서론 ... 20
• 제1절 연구의 배경 및 필요성 ... 20
• 제2절 연구의 목적 ... 24
• 제3절 연구의 내용 및 구성 ... 25
• 제2장 배경이론 ... 27
• 제1절 제품 수명 주기 예측 ... 27
• 제2절 Bass 모형 ... 32
• 제3절 회귀분석 기법 ... 38
• 제3장 신제품 수명주기 예측을 위한 DB 구축 ... 55
• 제1절 제품 수요 DB 구축 ... 55
• 제2절 제품 속성 DB 구축 ... 56
• 제4장 신제품 수명주기 예측 모형 개발 및 검증 ... 59
• 제1절 제품별 확산 양상 분석 ... 59
• 제2절 데이터 개요 및 전처리 ... 60
• 제3절 단일 회귀분석 모델 구축 및 평가 ... 62
• 제4절 앙상블 모델 구축 및 평가 ... 80
• 제5절 비교유추법과의 성능 비교 ... 84
• 제6절 신제품 사례 연구 ... 89
• 제5장 결론 ... 95
• 제1절 연구 결과 ... 95
• 제2절 한계점 및 추후 과제 ... 97
• 참고문헌 ... 98
• 부록 ... 101
• 끝페이지 ... 138