보고서 정보
주관연구기관 |
고려대학교 산학협력단 |
연구책임자 |
강필성
|
참여연구자 |
김형석
,
김동화
,
류나현
,
김보섭
|
보고서유형 | 최종보고서 |
발행국가 | 대한민국 |
언어 |
한국어
|
발행년월 | 2015-11 |
주관부처 |
미래창조과학부 KA |
사업 관리 기관 |
한국과학기술정보연구원 Korea Institute of Science and Technology Information |
등록번호 |
TRKO201600000559 |
DB 구축일자 |
2016-04-16
|
키워드 |
기술가치평가,제품수명주기,Bass 확산 모형,회귀분석,유전자알고리즘Technology valuation,Product-life cycle (PLC),Bass diffusion model,Regression,Genetic algorithms
|
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, 회귀분석 모델을 구축하고 성능을 비교·분석함
ㆍ 제품수요 D
○ 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, 회귀분석 모델을 구축하고 성능을 비교·분석함
ㆍ 제품수요 DB를 바탕으로 비선형최소자승법(NLS)을 이용하여 제품별로 Bass 모형의 세 가지 모수인 잠재시장 크기(m), 혁신계수(p), 모방계수(q)를 추정함
ㆍ 총 5개의 회귀분석 알고리즘을 사용하여 제품속성 DB의 속성 값을 입력으로 하고 Bass 모형의 모수를 출력으로 하는 예측 모델을 구축한 결과, k-인접이웃과 다중선형회귀분석이 상대적으로 예측 정확도가 높은 것으로 나타남
○ 제품속성 DB의 일관성 및 예측력을 향상시키기 위하여 유전자 알고리즘을 이용하여 제품속성 최적화를 수행하고 회귀분석 모델을 구축하여 성능을 비교·분석함
ㆍ 제품속성 DB 최적화 결과, 제품당 평균 3.35개(전체 속성의 17.6%)의 속성 값이 한 단위 증가(1.75개, 9.2%)하거나 한 단위 감소(1.60개, 8.4%)하는 것으로 나타났으며 보정된 속성의 수는 제품별로 최소 0개, 최대 8개로 나타남
ㆍ 최적화된 제품속성 DB를 이용하여 예측 모델을 구축하고 그 성능을 평가한 결과, 잠재시장 규모와 혁신계수의 측면에서는 다중선형회귀분석, 모방계수 측면에서는 k-인접이웃이 가장 높은 정확도를 나타냈으며 최적화 이전 대비 각각 8.49%, 1.94%, 8.66%의 정확도 향상을 나타냄
Abstract
▼
Ⅳ. Result of the study
○ A product demand DB containing annual sales data of 124 products is produced
○ A product attribute DB is produced by defining 22 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 124 products is produced
○ A product attribute DB is produced by defining 22 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, five machine learning-based prediction models, i.e., multiple linear regression (MLR), k-nearest neighbor regression (k-NN), artificial neural network (ANN), support vector regression (SVR), and Gaussian process regression (GPR), are developed for estimating the coefficients of Bass model
ㆍ Number of distributors, level of demand, possibility of technology imitation, level of complementary goods, level of competitive goods, price, frequency of use, and use time are found to be significant variables to predict the Bass model coefficients
ㆍ In general, MLR uses the fewest number of product attributes whereas k-NN and GPR use relatively more number of attributes to train the prediction model.
ㆍ k-NN yields the best performance (1.2016 in terms of log MAE) for the potential market size, while SVR (MAE: 0.0048) and k-NN (MAE 0.1124) yield the best prediction performances for innovation coefficient and imitation coefficient, respectively.
○ In order to improve consistency of the product DB and predictive power of the PLC prediction model, genetic algorithm-based product DB optimization is conducted
ㆍ After the optimization, an average of 3.35 (17.6%) attribute values per product are changed: an average of 1.75 (9.2%) attribute values are increased by one and an average of 1.60 (8.4%) attributes values are decreased by one
ㆍ Based on the optimized product DB, MLR yields the best performance for the potential market size and the coefficient of innovation, where k-NN yields the best performance for the coefficient of imitation.
ㆍ Optimized product DB leads to the performance improvement by 8.49%, 1.94%, and 8.66% for M, p, and q, respectively
목차 Contents
- 표지 ... 1
- 제출문 ... 2
- 보고서 요약서 ... 3
- 요약문 ... 4
- Summary ... 7
- Contents ... 10
- 목차 ... 12
- 표목차 ... 14
- 그림목차 ... 15
- 제1장 서론 ... 17
- 제1절 연구의 배경 및 필요성 ... 17
- 제2절 연구의 목적 ... 21
- 제3절 연구의 내용 및 구성 ... 22
- 제2장 배경이론 ... 24
- 제1절 제품 수명 주기 예측 ... 24
- 제2절 Bass 모형 ... 29
- 제3절 회귀분석 기법 ... 35
- 제4절 유전자 알고리즘 ... 46
- 제3장 신제품 수명주기 예측을 위한 DB 구축 ... 48
- 제1절 제품 수요 DB 구축 ... 48
- 제2절 제품 속성 DB 구축 ... 54
- 제4장 제품속성 기반 Bass 모형 모수 예측 ... 58
- 제1절 제품별 확산 양상 분석 ... 58
- 제2절 데이터 개요 및 전처리 ... 60
- 제3절 회귀분석모델 구축 및 평가 ... 61
- 제5장 제품 속성 최적화 ... 72
- 제1절 유전자 알고리즘을 이용한 제품 속성 최적화 ... 72
- 제2절 제품 속성 최적화 결과 ... 74
- 제3절 최적화된 제품 속성 DB를 이용한 Bass 모수 예측 ... 76
- 제6장 결론 ... 81
- 제1절 연구 결과 ... 81
- 제2절 한계점 및 추후 과제 ... 83
- 참고문헌 ... 84
- 부록 ... 87
- [부록 3-1] 제품 속성 DB (최적화 전) ... 87
- [부록 4-1] Bass 모형 추정 R Code ... 92
- [부록 4-2] 제품별 Bass 모형 모수 ... 94
- [부록 4-3] Bass 모형 추정 결과(좌: 연간수요, 우: 누적수요) ... 97
- [부록 4-4] 다중 선형 회귀분석 R Code ... 135
- [부록 4-5] k-인접이웃 R Code ... 137
- [부록 4-6] 인공신경망 R Code ... 142
- [부록 4-7] 지지벡터회귀 R Code ... 148
- [부록 4-8] 가우시안 프로세스 회귀 R Code ... 155
- [부록 4-9] Bass 모수 (log(M)) 예측 결과 (제품 속성 최적화전) ... 159
- [부록 4-10] Bass 모수 (p) 예측 결과 (제품 속성 최적화 전) ... 162
- [부록 4-11] Bass 모수 (q) 예측 결과 (제품 속성 최적화 전) ... 165
- [부록 5-1] 유전자 알고리즘을 이용한 제품 속성 최적화 R 코드 ... 168
- [부록 5-2] 제품 속성 DB (유전자 알고리즘을 이용한 최적화 후) ... 179
- [부록 5-3] 최적화에 의한 제품 속성 증감 ... 184
- [부록 5-4] 최적화된 제품 속성을 이용한 Bass 모수 예측 R 코드 ... 189
- [부록 5-5] Bass 모수 (Log(M)) 예측 결과 (제품 속성 최적화후) ... 197
- [부록 5-6] Bass 모수 (p) 예측 결과 (제품 속성 최적화 후) ... 200
- [부록 5-7] Bass 모수 (q) 예측 결과 (제품 속성 최적화 후) ... 203
- 끝페이지 ... 205
※ AI-Helper는 부적절한 답변을 할 수 있습니다.