KR101493890B1 - 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체 - Google Patents

검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체 Download PDF

Info

Publication number
KR101493890B1
KR101493890B1 KR20130099689A KR20130099689A KR101493890B1 KR 101493890 B1 KR101493890 B1 KR 101493890B1 KR 20130099689 A KR20130099689 A KR 20130099689A KR 20130099689 A KR20130099689 A KR 20130099689A KR 101493890 B1 KR101493890 B1 KR 101493890B1
Authority
KR
South Korea
Prior art keywords
search
product
network map
network
traffic information
Prior art date
Application number
KR20130099689A
Other languages
English (en)
Inventor
전승표
김유일
유형선
김지희
서진이
Original Assignee
한국과학기술정보연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR20130099689A priority Critical patent/KR101493890B1/ko
Application granted granted Critical
Publication of KR101493890B1 publication Critical patent/KR101493890B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 실시예는, 제품의 검색어들에 대한 검색트래픽 정보를 수신하는 단계; 상기 수신된 검색트래픽 정보로부터 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용하여 상기 검색어들을 노드로 하는 네트워크 맵을 생성하는 단계; 및 상기 생성된 네트워크 맵을 사용자에게 제공하는 단계;를 포함하는 검색트래픽을 이용한 제품 포지셔닝 분석 방법을 제공한다.

Description

검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체{Analysis system for positioning a product using a search traffic, method thereof and a storage for storing an analysis program for positioning a product using a search traffic}
본 발명은 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체에 관한 것이다.
기업의 입장에서 소비자에게 자사의 브랜드가 어떻게 받아들여지고 있으며, 경쟁 브랜드에 비해 어떤 위치에 포지셔닝(positioning)되어 있는지를 확인하는 것이 중요하다. 기업은 자사의 브랜드가 어느 브랜드와 유사하게 생각되는지, 어떤 측면에서 차별화 되고 있는지 등을 이해해야 하고, 어떤 제품의 속성들이 자사의 브랜드와 가장 관계 깊게 연결되어 있는지도 확인해야 한다.
이전에는 설문이나 SNS 데이터를 분석해 브랜드를 분석하고자 하는 시도는 있었지만, 비용과 시간이 많이 소요되고 즉시 분석할 수 없는 문제점이 있었다.
이와 같이 제품 이용자의 소비자의 행동을 분석하기 위해서는 많은 분석 작업이 필요하기 때문에 실시간으로 즉시 소비자의 행동을 분석하고 이해할 수 없는 문제점이 있었다.
소비자의 선호 브랜드 등을 조사하기 위해 설문이나 SNS 데이터를 분석하는 시도가 있었으나, 비용과 시간이 엄청나게 많이 소요되고 즉시 분석할 수 없는 문제점이 있었다.
본 발명의 목적은, 소비자의 행동을 용이하게 분석하고 향후 예측할 수 있는 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체를 제공하는 것이다.
본 발명의 다른 목적은, 비용과 시간을 줄이고 인터넷 상의 검색 트래픽 정보만을 이용하여 소비자 행동 예측이 가능한 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체를 제공하는 것이다.
본 발명의 또 다른 목적은, 브랜드 가치를 경쟁 브랜드와의 관계를 알 수 있는 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체를 제공하는 것이다.
본 발명의 실시예는, 제품의 검색어들에 대한 검색트래픽 정보를 수신하는 단계; 상기 수신된 검색트래픽 정보로부터 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용하여 상기 검색어들을 노드로 하는 네트워크 맵을 생성하는 단계; 및 상기 생성된 네트워크 맵을 사용자에게 제공하는 단계;를 포함하는 검색트래픽을 이용한 제품 포지셔닝 분석 방법을 제공한다.
상기 제품의 검색어는 상기 제품의 브랜드(brand) 명을 나타낼 수 있다.
상기 네트워크 맵은 상기 노드들이 클러스터 단위로 군집화한 네트워크 맵일 수 있다.
상기 네트워크 맵을 생성하는 단계는, 시간에 따른 검색트래픽 정보를 이용하여 시간에 따른 네트워크 맵들을 생성하고 상기 사용자에게 제공하는 단계는, 상기 생성된 네트워크 맵들을 제공할 수 있다.
상기 검색트래픽 정보는 포털 사이트의 시간별 검색트래픽 정보일 수 있다.
상기 네트워크 맵을 생성하는 단계는, 상기 제품의 검색어들과 상기 검색어들을 검색 이용자가 선택하는 기준인 속성정보를 포함하는 네트워크 맵을 형성할 수 있다.
상기 검색어들은 상기 자동자의 브랜드 명이고, 상기 속성정보는 연비, 파워(출력), 가격 및 배기량 중 적어도 하나일 수 있다.
다른 관점에서 본 발명의 실시예는, 제품의 검색어들에 대한 검색트래픽 정보를 수신하는 수신부; 상기 수신부가 수신한 검색트래픽 정보로부터 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용하여 상기 검색어들을 노드로 하는 네트워크 맵을 생성하는 분석부; 및 상기 생성된 네트워크 맵을 사용자에게 제공하는 표출부;를 포함하는 검색트래픽을 이용한 제품 포지셔닝 분석시스템을 제공한다.
또 다른 관점에서 본 발명의 실시예는, 제품의 검색어들에 대한 검색트래픽 정보를 수신하고, 상기 수신된 검색트래픽 정보로부터 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용하여 상기 검색어들을 노드로 하는 네트워크 맵을 생성하고, 상기 생성된 네트워크 맵을 사용자에게 제공하는 단계;를 포함하는, 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체를 제공한다.
본 발명의 실시예에 따르면, 소비자의 행동을 용이하게 분석하고 향후 예측할 수 있다.
본 발명의 실시예에 따르면, 비용과 시간을 줄일 수 있고 인터넷 상의 검색 트래픽 정보만을 이용하여 소비자 행동 예측이 가능하다.
본 발명의 실시예에 따르면, 브랜드 가치를 경쟁 브랜드와의 관계를 알 수 있다.
도 1은 본 발명에 따른 일 실시예로서, 검색트래픽을 기반으로 소비자 행동을 예측하는 방법의 일 실시예를 예시한 도면
도 2는 동시검색에 따른 검색트래픽 데이터(하이브리드 자동차 브랜드)의 매트릭스 차트를 예시한 도면
도 3은 본 발명의 실시예로서, 하이브리드 자동차(HEV; Hybrid Eletric Vehicle) 브랜드의 네트워크 분석을 예시한 도면
도 4는 본 발명의 실시예에 따라 동시검색에 대한 검색트래픽 데이터를 활용해 HEV 제품 브랜드의 관계를 클러스터(clustered)형 네트워크 맵으로 시각화한 결과를 예시한 도면
도 5는 본 발명의 실시예에 따라 검색트래픽의 유사성을 예시한 도면
도 6은 본 발명의 실시예에 따라 검색트래픽의 유사성을 예시한 다른 도면
도 7은 본 발명의 실시예에 따라 HEV 브랜드의 중심성을 분석한 결과를 예시한 도면
도 8 및 도 9는 본 발명의 실시예에 따라 제품 브랜드의 속성을 설정하고 분석한 결과를 예시한 도면
도 10 및 도 11은 본 발명의 실시예에 따라 브랜드 군집화한 예를 예시한 도면
도 12는 본 발명에 따른 검색트래픽을 이용한 제품 포지셔닝 분석시스템의 실시예를 예시한 도면
이하 본 발명을 용이하게 실시할 수 있는 실시예를 첨부한 도면을 참조하여 설명한다.
도 1은 본 발명에 따른 일 실시예로서, 검색트래픽을 기반으로 소비자 행동을 예측하는 방법의 일 실시예를 예시한 도면이다.
제품의 검색어들에 대한 검색트래픽 정보를 수신한다(S110).
상기 수신된 검색트래픽 정보로부터 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용하여 상기 검색어들을 노드로 하는 네트워크 맵을 생성한다(S120). 시간에 따른 검색트래픽 정보를 이용하여 그 시간에 따른 네트워크 맵을 생성할 수 있다.
여기서 특정 관계의 검색어 노드들이 클러스터로 군집화한 네트워크 맵을 생성할 수 있다.
또한 여기서 검색어들의 네트워크 맵의 중심성 지수를 판단하여 검색어들 중 중심이 되는 검색어를 판단할 수 있다.
여기서 제품으로서 검색어들을 판단하는 기준인 속성들과 상기 검색어들 간의 네트워크 맵을 생성할 수도 있다.
상기 생성된 네트워크 맵을 사용자에게 제공한다(S130).
제공된 네트워크 맵을 통해 검색어들의 포지셔닝 관계를 제공하거나, 검색어들의 시간순서에 따른 포지셔닝의 변화, 검색어들 중 중심이 되는 검색어를 제공하거나, 검색어들과 그 검색어인 제품을 판단하는 기준 중 중요 기준에 대해 소비자 정보를 제공할 수 있다.
상세한 실시예 및 이론적 근거를 이하에서 상술한다.
본 발명의 실시예는 검색트래픽 데이터를 활용해서 소비자가 생각하는 제품들의 포지셔닝(positioning) 분석을 위해서 사회 연결망의 분석에서 자주 사용되는 소셜 네트워크 분석(Social Network Analysis)을 활용한다. 여기서 네트워크란 복수의 사람ㆍ조직ㆍ사물 등을 연결시키는 일정의 관계를 의미하는데, 네트워크를 형성하고 있는 사람ㆍ조직ㆍ사물 등을 액터(actor)라고 한다. 액터 간의 네트워크의 배치 구성이 네트워크 구조이며, 이러한 구조를 기술ㆍ분석하는 것을 네트워크 분석 또는 사회 네트워크 분석이라고도 한다.
네트워크 분석의 이론적인 전제로서, 네트워크 구조(액터를 둘러싼 네트워크의 형태)가 액터의 행동ㆍ태도에 영향을 미친다는 전제를 활용한다. 즉, 네트워크의 구조를 알면 액터의 행동ㆍ태도를 설명할 수 있다. 네트워크를 분석하는 연구자 중에는 네트워크 분석의 개념과 이론적 전제만을 받아들여 질적인 분석을 하는 사람도 있지만 일반적으로 네트워크 분석이라고 하는 경우 계량적인 분석을 가리키는 경우가 많다. 계량적 네트워크 분석에 대해 설명하면 다음과 같다.
네트워크 분석을 통해 일정의 영역 내에서 모든 액터의 관계를 조사할 수 있다. 액터가 개인인 경우는 대상 영역 내의 모든 개인에게 콘덕트(conduct)를 취하여 다른 액터와 어떠한 관계를 가지고 있는가 하는 정보를 수집한다. 따라서 여론조사에서 일반적으로 사용되는 무작위 추출법은 네트워크 분석에는 거의 적용되지 않는다. 특히, 모집단이 큰 경우 무작위로 추출된 액터 간에 관계가 존재할 가능성은 상당히 작아 유의미한 결과를 얻기 힘들다.
네트워크의 데이터는 속성(attribute)으로 이루어진 데이터와는 다르다. 개인이 분석의 단위인 경우 성별ㆍ수입ㆍ의견 등이 속성이 되며, 이것들은 개인 고유의 특징이다. 네트워크 데이터는 개인의 특징이 아니라 복수의 개인 간에 존재하는 관계의 특징이다. 네트워크를 형성하는 관계의 종류는 다양하지만 물품의 거래, 정보전달, 동일한 이벤트ㆍ조직 등에 대한 참가, 콘덕트, 감정(애정ㆍ존경ㆍ적의)의 대상, 권위ㆍ권력관계, 혈연ㆍ친족관계 등이 있을 수 있다.
예를 들어 추후 예시할 자동차의 브랜드를 액터로 볼 경우, 자동차의 제조사 등이 그 제품의 특징이 될 수 있다.
자동차에 영향을 주는 또 다른 액터로는 소비자가 검색하는 평가기준인 제품 속성(가격, 연비, 출력, 친환경)등이 있을 수 있다.
한편, 네트워크에는 방향성이 있는 것과 방향성이 없는 것이 있다. 예를 들면 정보전달, 국가 간의 수출ㆍ수입 등에는 방향성이 있다. 즉, 송신자와 수신자가 확실하다. 그러나 액터의 관계의 존재 자체를 문제로 하는 경우는 방향성이 없다. 예를 들면 외교관계ㆍ혈연관계 등은 일반적으로 방향성이 없는 관계이다.
본 발명의 실시예에서 사용하고자 하는 검색트래픽은, 네트워크 구조로서 제품 간의 관계를 나타내기 위한 것인데, 검색트래픽은, 검색어를 동시에 검색하는 관계로 설정하기 때문에 방향성이 모호하다. 그러나 본 발명의 실시예는 검색트래픽에도 방향성을 부여하였는데, 동시 검색에서도 검색어의 순서가 있다는 점에 착안하면 방향성을 부여할 수 있다.
즉, 먼저 입력된 검색어는 이미 소비자의 심리에 중심을 자리 잡고 있을 것이라고 전제하는 것으로 먼저 입력된 검색어에 강조점을 주어 분석하는 방법이다. 검색엔진을 통한 검색에서 먼저 입력된 단어에 적합한 검색 결과가 제시된다는 측면에서도 소비자는 중요하게 생각하는 단어를 먼저 입력할 것이라고 가정하고 검색 순서를 네트워크 분석에 활용할 수 있다.
이런 본 발명의 가정에 따르면 먼저 입력된 제품 브랜드는 외향 중심성(out-centrality)을 가진다고 할 수 있고, 나중에 입력된 제품 브랜드는 내향 중심성(in-centrality)을 가진다고 할 수 있다.
한편, 여기서 동시 검색이란 사용자가 매우 근접한 시점에서 관심사항을 검색하기 위해 검색어를 입력하여 검색하는 경우를 지칭하고 반드시 동시에 검색어를 입력할 필요는 없다.
네트워크 분석의 데이터는 일반적으로 정사각행렬로서 취급된다. 열과 행을 따라 각각 액터들을 동일한 순서로 배열하고, 셀에는 액터와 액터의 관계를 나타내는 값을 입력한다.
예를 들면 40 액터의 네트워크를 분석하는 경우 40 X 40의 행렬을 이용한다. 만일 10번째의 액터가 20번째의 액터와 관계를 가지고 있다면 그 관계에 상응하는 수치를 적합한 셀에 입력한다. 이러한 행렬을 인접(adjacency)행렬이라고 한다.
방향성이 있는 네트워크 데이터의 경우 송신자와 수신자가 동일하기 때문에 대칭 행렬이 된다. 행렬 데이터를 분석하는 컴퓨터 소프트웨어 패키지는 많이 개발되어 있는데, 예를 들면 UCINET, STRUCTURE, Pajek 등의 소프트웨어가 있다.
네트워크 내에서 액터의 위치를 나타내는 지표의 하나로서 중심성(centrality)이 있다. 보다 많은 액터들과 직접적 또는 간접적으로 관계하고 있을수록 그 액터는 네트워크의 중심 부근에 위치하고 있다고 할 수 있다.
중심성이 높은 액터는 정보나 자원을 수집하기 쉽기 때문에 중요한 액터가 될 수 있다. 정책 네트워크의 연구에서는 중심성이 높은 액터일수록 영향력이 강하다고 할 수 있다.
중심성의 지표를 산출하는 방법은 여러 가지가 있을 수 있으나, 본 발명의 실시예는 중심성이 높은 액터(제품 브랜드나 평가기준)를 찾기 위해서 중심성을 분석하는 Degree Centrality(연결 정도 중심성), Closeness Centrality(근접 중심성), Betweenness Centrality(매개 중심성), 그리고 PageRank 등을 활용할 수 있다.
네트워크 전체의 구조를 분석하는 하나의 방법으로서 구조동치(structural equivalence)라는 개념을 사용하는 경우가 있다. 예를 들면 액터 A와 액터 B가 다른 액터와 동일한 관계를 가지고 있다면 그 양방의 액터는 구조적으로 동일하다고 할 수 있다.
이 개념을 이용하여 구조적으로 유사성이 높은 액터를 그룹(포지션 또는 블록이라고도 한다)화 함으로써 복잡한 네트워크를 단순화할 수 있다. 그리고 그룹간의 네트워크의 밀도(density)를 살펴봄으로써 전체의 네트워크 구조를 기술할 수 있다.
액터 간(또는 그룹 간)의 관계를 객관적으로 기술하는 방법으로서 다차원 척도법(multidimensional scaling, 이하 MDS)을 이용할 수 있다. 데이터가 순서 척도의 경우 ‘smallest space analysis’라고도 한다.
액터의 관계의 친밀도ㆍ강도ㆍ유사성 등의 행렬 데이터를 사용하여 그 값에 비례한 지점에 각각의 액터를 2차원 또는 3차원의 공간에 위치할 수 있다.
이 방법을 이용하면 액터 간의 관계를 거리로 나타냄으로써 네트워크에서 각 액터의 위치를 시각적으로 이해할 수 있다. 본 발명의 실시예는 네트워크의 특징을 판단하고 제품의 포지셔닝을 찾기 위해 시각화를 수행할 수 있다. 시각화하는 방식은 MDS, Clustered, Spring, Circular 등을 활용할 수 있다.
무작위 추출의 샘플을 사용하여 네트워크 분석을 이용하는 하나의 방법으로서 에고센트릭(egocentric) 네트워크에 초점을 둘 수 있다. 이 경우 특정 영역 내의 모든 액터의 관계를 분석하는 것이 아니라 근처에 있는 타자(피조사자는 아니다)와 피조사자가 어느 정도의 관계를 가지고 있는가 하는 것을 나타낼 수 있다. 따라서 피조사자 간에 어떠한 관계가 존재하는가 하는 것은 무시한다.
검색트래픽 데이터는 구글의 검색 데이터나 네이버 등 다양한 검색 엔진에서 제공하는 검색트래픽 데이터를 이용할 수 있다. 즉 본 발명의 실시예에서 활용하는 검색트래픽은 이런 검색엔진과 모든 검색이 가능한 사이트의 검색트래픽을 포함할 수 있다.
이하에서 본 발명의 실시예 따라 검색트래픽을 이용하여 소비자의 행동을 예측하고 이에 기한하여 의사결정하는 구체적인 방안을 개시한다. 본 발명의 실시예에 따른 검색트래픽을 이용하여 소비자의 행동을 예측하기 위한 방안으로서 하이브리드 자동차의 브랜드를 예로 하여 개시한다.
도 2는 동시검색에 따른 검색트래픽 데이터(하이브리드 자동차 브랜드)의 매트릭스 차트를 예시한다. 여기서 검색트래픽 데이터는 하이브리드 자동차 브랜드가되는데, 검색트래픽을 통해 2010년 한 해 동안의 검색트래픽 데이터를 시각화한 결과를 나타낸다.
여기서 명암은 검색트래픽의 정도를 나타내는데 비교적 대칭적인 형태를 보이고 있다. 행을 기준을 먼저 입력한 검색어의 검색트래픽의 양을, 열은 차순위로 검색어의 검색트래픽의 양을 표현한 것이다.
소나타와 퓨젼은 외향성에 비해서 내향성이 많이 떨어지는 것으로 나타나는데, 다시 말하면 검색트래픽 데이터로만 보면 소나타와 퓨젼을 차순위(2번째) 검색어로 검색하는 경우가 상대적으로 적었던 것이다. 다른 차종인 프리우스, 시빅, 캠리, 인사이트는 검색어의 순서가 큰 영향을 주지는 않은 것으로 나타났다.
즉, 소나타와 퓨젼를 제외한 다른 차종의 브랜드에 대해서는 이용자가 가장 먼저 입력하거나 차순위로 입력하는 경우가 거의 비슷하다고 할 수 있다. 하지만, 소나타와 퓨젼의 경우 최우선 순위로 입력하는 경우가 많았고, 차순위로 검색하는 경우는 최우선 순위에 비해 적다는 것을 의미한다.
도 3은 본 발명의 실시예로서, 하이브리드 자동차(HEV; Hybrid Eletric Vehicle) 브랜드의 네트워크 분석을 예시한 도면이다.
위에서 하이브리드 자동차 브랜드의 검색트래픽의 네트워크 분석하기 위해 Neighbor 분석을 예시하였다. 각 노드는 하이브리드 자동차 브랜드가 되고, 각 노드에는 내향성과 외향성에 대한 정보가 같이 도시될 수 있다. 타원이 상하로 볼록한 경우 내향성이 높은 반면, 좌우로 볼록한 경우는 외향성이 높은 것을 의미한다.
강도(degree)를 기준으로 작성된 이 도면에서 2010년 검색트래픽 정보를 활용한 네트워크 분석 결과를 설명하면 다음과 같다.
시빅은 다른 브랜드와 모두 화살표가 표시되어 비교적 균형 잡혀있는데 캠리와 프리우스는 내향성이 높고 퓨전은 외향성이 높다. 다시 설명하면 내향성이 높다는 의미는 후순위로 검색되는 경우가 많다는 것이고, 외향성이 높다는 것은 최우선순위로 검색되는 경우가 많다는 것을 의미한다.
도 3은 각 노드(브랜드)간의 거리가 이상적이 되도록 최적화한 것인데, 이상적인 거리는 노드들간의 경로거리에 의해 노드 사이의 거리가 결정되는 것으로서 모든 노드 쌍은 그들 간의 최단 경로 거리에 비례하는 만큼 떨어지도록 배치된다. 결국 상이성이나 유사성을 고려하여 배치되는 것이다.
캠리나 프리우스와 같은 토요타 제품의 내향성이 낮게 나타난 것은 2010년 발생된 토요타의 품질사건 등이 영향을 주었을 수도 있다. 미국 HEV 시장은 2010년에 들어서서 경기침체는 물론, 일본 차량 품질문제, 출시 모델 노후화 등으로 판매율은 정체기를 보였으며, 2011년 3월 이후에는 일본 대지진 여파로 도요타와 주요 부품 업체가 조업차질을 빚으면서 수개월간 판매율이 급감하였다. 이런 판매율을 낮추는 특수한 상황이 반영되었다고 불 수 있는 것이다.
네트워크의 분석을 통해 각 액터 간의 방향성을 측정하면 검색의 우선 순위와 그에 따른 소비자 성향 예측을 판단할 수 있고, 그에 기반한 의사결정이 가능하다.
도 4는 본 발명의 실시예에 따라 동시검색에 대한 검색트래픽 데이터를 활용해 HEV 제품 브랜드의 관계를 클러스터(clustered)형 네트워크 맵으로 시각화한 결과를 예시한다.
클러스터형 네트워크 맵은 노드들의 클러스터 구조를 표현할 수 있도록 스프링 알고리즘을 적용한 것이다. 인접 행렬과 각 노드들이 속한 클러스터를 나타내는 분할백터(Partition Vector)가 주어져 있을 때, 클러스터 내에 있는 노드 간에는 당기는 힘을, 다른 클러스터에 속해 있는 노드 간에는 미는 힘을 설정한다.
그 결과 같은 클러스터에 속한 노드들은 더욱 모이고, 다른 클러스터에 속한 노드들은 더 멀어지도록 맵을 작성할 수 있다.
예를 들어 Kamada - Kawai 알고리즘 등과 같은 알고리즘을 이용하면 분할백터를 나타내는 속성 데이터를 사용하여 서로 다른 클러스터에 속해 있는 노드들을 분리할 수 있다.
이 도면은 2004년 이후 현재까지 HEV 브랜드의 검색트래픽을 분석한 결과를 예시한다. 최근까지 판매량은 높았던 6종의 HEV 브랜드의 동시검색을 분석하고, 군집화의 기준은 제조사로 하면 제조사별로 군집화된 브랜드끼리의 관계를 나타낼 수 있다. 브랜드끼리의 군집화된(cludstered) 관계에서 각 노드들간의 화살표의 굵기와 짙은 정도는 동시 검색 시 우선 순위에 따른 것이다. 예를 들어 화살표의 시작점이 먼저 검색된 용어이고, 화살표의 종료점이 그 뒤에 검색된 용어가 된다.
이 도면의 결과를 살펴보면 HEV의 대명사인 프리우스와 인사이트의 짙고 굵은 화살표로 표시된다. 현대 소나타의 경우는 외향성만 나타내는데 자동차를 검색하면서 주로 두 번째 검색어로 소나타를 검색하지 않는다는 것이다. 특히 소나타는 2011년부터 HEV가 출시되었기 때문에 프리우스와 관계가 거의 없는 것을 확인할 수 있다.
도 5는 본 발명의 실시예에 따라 검색트래픽의 유사성을 예시한 도면이다. 2010년 한 해 동안 두 개의 자동차 브랜드들을 동시에 검색한 검색트래픽의 유사성(similarity)을 예시한 도면이다. 검색트래픽의 유사성 분석은 다차원척도법(multidimentional scaling; 이하 MDS)을 이용하여 수행할 수 있다. MDS는 개체들의 특성을 측정하고 그 특성을 이용하여 개체 사이의 유사성을 다차원 공간에 점으로 표현하는 방식이다. 유사성 여부는 개체 사이의 거리를 이용해 나타낼 수 있다.
여기서 두 개 브랜드의 동시 검색의 검색트래픽의 유사성이므로 2차원 평면에 나타내었고 세로와 가로의 각각의 값은 고유 값(eigen value)을 의미한다.
MDS로 분석한 네트워크 맵에서 2010년에는 캠리, 퓨젼, 소나타가 비교적 가깝게 포지셔닝(positioning) 된 반면, 인사이트, 시빅, 프리우스는 서로 링크는 있지만 서로간의 유사성이 떨어진다.
도 6은 본 발명의 실시예에 따라 검색트래픽의 유사성을 예시한 다른 도면이다. 이 도면은 2013년 1월 ~ 4월 중순까지 동안만 검색한 데이터를 유사성(similarity)을 MDS로 분석한 결과를 예시한다.
도 5와 비교하면 2년 이상이 지난 현재의 시점에서는 캠리가 네트워크의 중심에 있는 것을 확인할 수 있다. 여전히 캠리, 소나타, 퓨젼은 유사하고, 프리우스, 인사이트, 시빅의 관계가 존재하지만 이들 간의 관계는 상대적으로 가까워진 것이다.
따라서, 시간에 따른 검색트래픽을 기반하여 검색트래픽의 유사성을 분석하면 각 브랜드 제품의 포지셔닝 관계의 변화를 분석할 수 있다.
한편, 네트워크의 중심을 나타내는 방법에는 여러 가지가 있다.
네트워크의 중심성 지수는 한 행위자가 전체 네트워크에서 중심에 위치하는 정도를 나타내는 지표이다. 중심성 분석을 위한 측도로는 연결정도 중심성(degree centrality), 근접 중심성(closeness centrality), 매개 중심성(betweenness centrality)이 있고, 고유벡터 중심성(eigen vector centrality)등이 있다.
연결정도 중심성은 한 노드가 직접적으로 다른 노드들과 얼마만큼의 관계를 맺고 있는가를 통해서 그 노드가 중심에 위치하는 정도를 계량화한 것으로 노드의 연결정도 중심성 지수는 노드와 직접적으로 연결되어 있는 노드의 수로 나타낼 수 있다.
방향이 있는 네트워크(directed network)에서의 노드의 연결정도 중심성은 링크의 방향에 따라 내향연결정도(incoming degree)와 외향연결정도(outgoing degree)로 구분될 수 있다. 예시한 결과에서 분석대상인 네트워크는 방향성이 있는 네트워크이고 검색에서 순서를 방향성으로 간주했기 때문에 중심성을 내향연결정도(incoming degree)와 외향연결정도(outgoing degree)를 모두 고려한 결과라고 할 수 있다.
근접 중심성(closeness centrality)은 특정 노드가 그를 제외한 다른 노드에서 얼마나 가까이에 있느냐를 평가하여 이를 네트워크 중심성 결정하는데 반영한다.
즉 특정노드와 직접적으로 연결된 노드뿐만 아니라 네트워크 내 간접적으로 연결된 모든 노드들 간의 최단거리의 평균을 계산함으로써 노드의 중심성을 측정한다. 근접 중심성은 하나의 네트워크에서 고립된 노드들이 있는 경우 고립노드와의 최단거리는 무한대가 되어 결국 모든 노드의 근접 중심성 측도는 0이 될 수도 있다.
매개 중심성(betweenness centrality)은 네트워크 내에서 한 행위자가 담당하는 매개자 혹은 중재자 역할의 정도로 중심성을 측정하는 방법이다. 이 매개자 혹은 중재자는 전체 네트워크 구성원들 사이의 정보흐름과 교환에 있어서 중요한 중재 역할을 수행하는 행위자들이다.
예를 들어 방향이 있는 네트워크에서 특정 노드의 매개 중심성 지수를 예시하면 수학식 1 과 같이 나타낼 수 있다.
Figure 112013076389270-pat00001
위의 식에서 g는 네트워크의 총 노드의 수, gjk는 네트워크 노드에서 노드로 연결되는 최단 거리경로의 경우의 수이고, gjk(ni)는 노드j에서 노드k(j≠k)로의 최단경로 중에서 노드 i를 경유하는 횟수를 말한다. (g-1)(g-2)는 가능한 모든 경로의 수이다.
특정 행위자의 위상(status) 혹은 인기도(popularity)는 인접한 행위자들의 위상 혹은 인기도의 영향을 받을 수밖에 없는데 행위자의 위상(status)을 측정하는 고유벡터(eigen vector) 중심성을 이용하여 네트워크의 중심을 산출할 수도 있다. 네트워크의 인접행렬을 A라고 할 때, 고유벡터 중심성은 수학식 2를 통해 계산된다. 여기서 A는 네트워크의 인접행렬이고 λ와 ν는 각각 고유치와 고유벡터이다.
Figure 112013076389270-pat00002
고유벡터 중심성의 아이디어를 이용하여 검색엔진에서 웹문서의 순위를 정할 수도 있는데 이를 PageRank 알고리즘이라고 한다. PageRank 알고리즘은 웹문서의 하이퍼링크 구조를 이용하여 네트워크를 만들고 그 네트워크에서 노드(웹문서)의 순위를 정하는 알고리즘이다. 이는 하이퍼링크 구조를 반영한 인접행렬을 마코프체인의 추이행렬로 변환한 후 각 노드의 정상분포(stationary distribution)를 계산함으로써 얻을 수 있다.
하지만 웹문서의 링크 구조를 반영한 네트워크는 연결그래프(connected graph)가 아니므로, 순위계산을 위한 정상확률분포가 유일하지 않게 된다. 마코프체인이 유일한 정상확률분포를 갖기 위해서는 추이행렬이 불가분적(irreducible)이여야 하고, 이런 단점을 보완하기 위하여 수학식 3과 같은 추이행렬을 이용할 수 있다.
Figure 112013076389270-pat00003
여기서 A는 원 추이행렬이고, n은 노드의 수이다. 이때 α는 [0, 1]사이의 실수값이며 보통 0.85를 사용할 수 있다. ∏는 수열의 곱을 의미하는 연산자다.
이 실시예에서는 PageRank의 변형된 계산 방법을 활용하였다.
도 7은 본 발명의 실시예에 따라 HEV 브랜드의 중심성을 분석한 결과를 예시한다.
이 도면은 2010년 누적 검색 데이터 기준으로 HEV 브랜드에 대한 중심성 분석 결과를 예시한다. 각 노드에 대한 중심성의 값으로서, 연결정도 중심성을 나타내는 내향연결정도(in-degree centrality)와 외향연결정도(out-degree centrality), 근접중심성(closeness), 매개중심성(betweenness) 및 PageRank 알고리즘에 따른 고유벡터 중심성을 각각 나타낸다. 연결정도 중심성은 weight의 합을 기준으로 나타내었다.
여기서 중심성은 직접 연결된 노드(브랜드)를 중심 측정되는데, 본 발명에서 노드의 연결에 대한 가중치를 부여했기 때문에 중심성 분석을 연결된 노드는 물론 가중치까지 고려한 것이다. 가중치를 부여한다는 것은 같은 노드끼리도 자주 연결된 경우와 한번 연결된 경우를 구분해 분석한다는 의미가 된다.
연결정도 중에서 내향성은 시빅, 프리우스, 캠리가 높았으며, 외향성은 시빅이 가장 높고 인사이트 제외한 나머지 브랜드가 높았다(인사이트를 제외하면 소나타가 가장 낮음).
근접 중심성과 매개 중심성도 시빅이 높았으며, PageRank 알고리즘에 따른 고유벡터 중심성도 시빅이 가장 높게 나타나서 HEV와 관련된 2010년 포지셔닝에서는 시빅이 핵심적 위치에 있음을 확인할 수 있다. 시빅이 이렇게 높은 중심성을 보여준 것은 하이브리드가 아닌 일반 차량에서도 시빅의 판매량이 많기 때문에 이런 영향력이 반영되었다고 볼 수 있다.
결론적으로 이상의 발명 사례는 검색트래픽을 활용한 네트워크와 중심성 분석은 소비자가 인식하고 있는 제품들의 위치를 비교적 객관적으로 분석해줄 수 있고 그 제품이 어느 정도 중심 위치에 와 있는지 판단하는 방법이 될 수 있다.
본 발명에 따른 다른 실시예로서 네트워크 분석을 통한 속성 포지셔닝을 산출하는 방안을 예시하면 다음과 같다.
네트워크 분석은 동질적인 노드 간의 분석은 물론 이질적인 노드 간의 네트워크 분석도 가능하다. 이런 분석방법을 활용하면, 앞서 분석된 판단기준(속성)과 후보제품(브랜드)의 관계를 같이 분석할 수 있다.
도 8 및 도 9는 본 발명의 실시예에 따라 제품 브랜드의 속성을 설정하고 분석한 결과를 예시한다.
이 실시예에서 1차 모드로 제품 브랜드를 2차 모드로 속성(판단기준)을 설정하였다. 속성은 각 브랜드와 속성을 동시에 검색하는 검색트래픽의 데이터를 활용했다. 여기서 속성은 자동차 브랜드를 판단하는 기준인 가격(price), 연비(mpg), 파워(power), 배기량(emission) 등이 될 수 있다.
도 8 및 도 9는 스프링형(Spring 2D) 네트워크 맵으로 분석된 결과로 Kamada & Kawai 알고리즘을 이용하여 나타내었다. 스프링형 레이아웃 알고리즘은 노드 간에 가상의 스프링을 장착시켜 끌어당기는 힘과 밀어내는 힘을 통해 노드를 배치한다. 이 레이아웃으로 네트워크 맵을 그리면 노드들이 화면상에 고르게 분포되면서 인접한(adjacent) 노드들은 일정한 간격으로 가까이 위치하며, 노드들간의 중복이나 링크들 간의 교차가 적어져 그래프를 생성할 수 있다. 도면에서 붉은 색 동그라미는 노드를, 파란색 네모는 속성을 각각 나타낸다.
이 실시예에서 스프링형 네트워크 맵에 적용한 Kamada & Kawai 알고리즘을 적용하였다. 이 알고리즘은 각 노드 쌍이 이상적인 거리를 갖도록 최적화한다. 이상적인 거리는 노드들 간의 경로거리에 의해 노드 사이의 거리가 결정되는 것으로서 모든 노드 쌍은 그들 간의 최단 경로 거리에 비례하는 만큼 떨어지도록 배치된다.
도 8은 2004년 이후 현재까지 소비자가 검색한 검색트래픽을 기준으로 스프링형 네트워크 맵을 분석한 결과를 예시하고 도 9는 2013년의 검색트래픽을 분석한 결과를 나타냈다. 검색트래픽으로부터 노드인 브랜드와 속성의 관계를 예시할 수 있다. 브랜드와 관련된 속성은 브랜드와 가까운 거리에 위치한다.
두 도면을 비교해 보면 각 브랜드와 속성의 관계가 어떻게 바뀌었는지 확연히 확인할 수 있다.
소나타의 경우를 보면 2004년 이후(도 8)부터 전반적으로는 가격(price)과 연비(mpg)의 속성에 대한 관심이 많았는데, 최근(도 9)에는 가격에 대한 관심이 높은 것을 확인할 수 있다. 퓨젼의 경우는 연비에 대한 관심이 전반적으로 많았다면, 최근에는 상대적으로 출력(power)에 대한 관심이 높아진 것을 확인할 수 있다.
반면 시빅은 연비와 출력에 대한 관심이 상대적으로 높았지만 최근에는 출력보다는 가격이 중요해진 것을 확인할 수 있었다. 프리우스는 전반적으로 가격이 중요했지만, 최근에는 연비가 중요해진 것을 확인할 수 있었다.
전체적으로 도 9는 도 8에 비해 밀집되어 있는 구조를 보이는데 그만큼 각 브랜드가 속성인 판단기준에서 치열한 경쟁을 보이고 있다는 것도 추정할 수 있다. 따라서, 본 실시예는 검색트래픽을 기반의 네트워크 분석을 통해 각 브랜드에서 상대적으로 중요한 판단기준이 무엇인지 확인할 수 있는 방법을 제시할 수 있다.
다음은 본 발명의 실시예에 따라 브랜드 군집화를 나타내는 방안을 예시한다.
예를 들어 Modularity Analysis는 연결망을 구성하는 노드의 군집구조를 파악할 수 있도록 하는데 그룹 내의 링크가 그룹간의 링크보다 많도록 사회연결망을 관찰하여 연결관계가 많은 노드끼리 군집화할 수 있다.
노드의 군집화 알고리즘으로 CNM(Clauset-Newman-Moore) 알고리즘을 활용할 수 있다. CNM 알고리즘은 각 노드가 1개의 군집을 이루는 것부터 시작하여, 작은 군집을 하나씩 합해 나가는 응집(Agglomerative) 알고리즘 중 하나이다. 본 발명의 실시예는 CNM 알고리즘을 적용한 Modularity Analysis을 활용해 제품 브랜드를 군집화할 수 있다.
도 10 및 도11은 본 발명의 실시예에 따라 브랜드 군집화한 예를 예시한다. 본 발명의 실시예는 2010년 구글이 제공하는 웹검색 트래픽 데이터 기반으로 Modularity Analysis를 통해 군집화한 결과를 산출할 수 있다.
도 10의 2개의 그룹으로 군집화된 결과에 따르면 첫 번째 그룹(G1)은 Camry, Fusion, Sonata로 구분되고, 두 번째 그룹(G2)은 Prius, Civic, Insights로 구분되었다. 이 결과는 자연스러운 그룹핑 결과라고 할 수 있는데 차량의 가격이나 크기가 차이나는 구분이 될 수 있다. 또한 첫 번째 그룹은 두 번째 그룹과 비교해서 기존의 차량에 HEV사양이 추가되었다는 특징도 구분될 수 있다.
HEV의 경우 2012년이나 2013년의 검색트래픽 결과를 Modularity Analysis을 통해 분석한 결과가 도 10과 동일했는데, 소비자의 브랜드 구분이 크게 바뀌진 않은 것을 확인할 수 있다.
Tablet PC에 대한 검색트래픽을 Modularity Analysis로 군집화 분석한 결과에 따르면 도 10의 우측 그림과 같이 5개 브랜드는 한 개의 군집으로만 군집화되는 경향을 보였다(2012년 기준). 2010년과 2013년의 경우도 Tablet PC는 검색 데이터만 볼 때는 군집화되지 않았다.
도 12는 본 발명에 따른 검색트래픽을 이용한 제품 포지셔닝 분석시스템의 실시예를 예시한 도면이다. 이 도면을 참조하여 검색트래픽을 이용한 제품 포지셔닝 분석시스템의 실시예를 기술하면 다음과 같다.
먼저 수신부(110)는 기기 외부로부터 제품의 검색어들에 대한 검색트래픽 정보를 수신한다.
분석부(120)는 수신부(110)가 수신한 검색트래픽 정보로부터 그 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용하여 그 검색어들을 노드로 하는 네트워크 맵을 생성한다. 시간에 따른 검색트래픽 정보를 이용하여 그 시간에 따른 네트워크 맵을 생성할 수 있다. 분석부(120)는 특정 관계의 검색어 노드들이 클러스터로 군집화한 네트워크 맵을 생성할 수 있거나, 검색어들의 네트워크 맵의 중심성 지수를 판단하여 검색어들 중 중심이 되는 검색어를 산출할 수 있다.
본 발명의 실시예가 검색트래픽 정보를 이미 저장하는 저장부(미도시)를 포함한다면 별도의 수신부(110)는 필요하지 않을 수 있고, 이하에서 설명하는 분석부(120)에 포함되는 데이터수신부를 의미할 수 있다.
분석부(120)는 검색트래픽으로부터 검색어의 방향성을 부여하기 때문에 네트워크의 노드의 외향성 또는 내향성를 판단할 수 있으며 따라서, 중요 노드 또는 중심 노드를 분석하는 자료를 제공할 수 있다.
분석부(120)는 제품으로서 검색어들을 판단하는 기준인 속성들과 그 검색어들을 포함하는 네트워크 맵을 생성할 수도 있다. 따라서, 분석부(120)는 검색트래픽으로부터 검색어를 선택하는 기준인 속성에 대한 관계를 산출할 수 있다.
표출부(130)는 생성된 네트워크 맵을 사용자에게 제공할 수 있다.
표출부(130)가 표출하는 검색트래픽 데이터의 매트릭스 차트 또는 네트워크 분석의 예는 도 2 내지 도 11에서 예시하였다.
110: 수신부
120: 분석부
130: 표출부

Claims (17)

  1. 수신부에서 제품의 검색어들에 대한 검색트래픽 정보를 수신하는 단계;
    분석부에서 상기 제품의 검색어들을 노드로 하고 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용한 네트워크 맵을 생성하는 단계,
    상기 검색 순서에 따른 방향성은 상기 제품의 검색어들이 입력되어 검색될 경우 상기 제품의 검색어들이 입력된 순서이고; 및
    표출부에서 상기 생성된 네트워크 맵을 사용자에게 제공하는 단계;를 포함하는 검색트래픽을 이용한 제품 포지셔닝 분석 방법.
  2. 제 1항에 있어서,
    상기 제품의 검색어는 상기 제품의 브랜드(brand) 명을 나타내는, 검색트래픽을 이용한 제품 포지셔닝 분석 방법.
  3. 제 1항에 있어서,
    상기 네트워크 맵은 상기 노드들이 클러스터 단위로 군집화한 네트워크 맵인 검색트래픽을 이용한 제품 포지셔닝 분석 방법.
  4. 제 1항에 있어서,
    상기 네트워크 맵을 생성하는 단계는, 시간에 따른 검색트래픽 정보를 이용하여 시간에 따른 네트워크 맵들을 생성하고
    상기 사용자에게 제공하는 단계는, 상기 생성된 네트워크 맵들을 제공하는, 검색트래픽을 이용한 제품 포지셔닝 분석 방법.
  5. 제 1항에 있어서,
    상기 검색트래픽 정보는 포털 사이트의 시간별 검색트래픽 정보인, 검색트래픽을 이용한 제품 포지셔닝 분석 방법.
  6. 제 1항에 있어서,
    상기 네트워크 맵을 생성하는 단계는, 상기 제품의 검색어들과 상기 검색어들을 검색 이용자가 선택하는 기준인 속성정보를 포함하는 네트워크 맵을 형성하는 검색트래픽을 이용한 제품 포지셔닝 분석 방법.
  7. 제 6항에 있어서,
    상기 검색어들은 상기 자동자의 브랜드 명이고, 상기 속성정보는 연비, 파워, 가격 및 배기량 중 적어도 하나인, 검색트래픽을 이용한 제품 포지셔닝 분석 방법.
  8. 제품의 검색어들에 대한 검색트래픽 정보를 수신하는 수신부;
    상기 제품의 검색어들을 노드로 하고 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용한 네트워크 맵을 생성하는 분석부,
    상기 검색 순서에 따른 방향성은 상기 제품의 검색어들이 입력되어 검색될 경우 상기 제품의 검색어들이 입력된 순서이고; 및
    상기 생성된 네트워크 맵을 사용자에게 제공하는 표출부;를 포함하는 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
  9. 제 8항에 있어서,
    상기 제품의 검색어는 상기 제품의 브랜드(brand) 명을 나타내는, 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
  10. 제 8항에 있어서,
    상기 네트워크 맵은 상기 노드들이 클러스터 단위로 군집화한 네트워크 맵인, 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
  11. 제 8항에 있어서,
    상기 분석부는, 시간에 따른 검색트래픽 정보를 이용하여 시간에 따른 네트워크 맵들을 생성하고,
    상기 표출부는, 상기 시간에 따른 네트워크 맵들을 제공하는 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
  12. 제 8항에 있어서,
    상기 검색트래픽 정보는 포털 사이트의 시간별 검색트래픽 정보인, 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
  13. 제 8항에 있어서,
    상기 분석부는,
    상기 제품의 검색어와 상기 검색어를 검색 이용자가 선택하는 기준인 속성정보를 포함하는 네트워크 맵을 형성하는 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
  14. 제 8항에 있어서,
    상기 검색어들은 상기 자동차의 브랜드 명이고, 상기 속성정보는 연비, 파워, 가격 및 배기량 중 적어도 하나인 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
  15. 수신부에서 제품의 검색어들에 대한 검색트래픽 정보를 수신하고, 분석부에서 상기 제품의 검색어들을 노드로 하고 상기 제품의 검색어들에 대한 검색 순서에 따른 방향성을 이용한 네트워크 맵을 생성하고, 상기 검색 순서에 따른 방향성은 상기 제품의 검색어들이 입력되어 검색될 경우 상기 제품의 검색어들이 입력된 순서이고, 표출부에서 상기 생성된 네트워크 맵을 사용자에게 제공하는 단계;를 포함하는, 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체.
  16. 제 1항에 있어서,
    상기 네트워크 맵을 생성하는 단계는, 상기 네트워크 맵의 중심성 지수를 판단하여 상기 제품의 검색어들 중 중심이 되는 제품의 검색어를 산출하는 것을 포함하는 검색트래픽을 이용한 제품 포지셔닝 분석방법.
  17. 제 8항에 있어서,
    상기 분석부는 상기 네트워크 맵의 중심성 지수를 판단하여 상기 제품의 검색어들 중 중심이 되는 제품의 검색어를 산출하는 것을 포함하는 검색트래픽을 이용한 제품 포지셔닝 분석시스템.
KR20130099689A 2013-08-22 2013-08-22 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체 KR101493890B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20130099689A KR101493890B1 (ko) 2013-08-22 2013-08-22 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130099689A KR101493890B1 (ko) 2013-08-22 2013-08-22 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체

Publications (1)

Publication Number Publication Date
KR101493890B1 true KR101493890B1 (ko) 2015-02-17

Family

ID=52593802

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130099689A KR101493890B1 (ko) 2013-08-22 2013-08-22 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체

Country Status (1)

Country Link
KR (1) KR101493890B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200031870A (ko) * 2018-09-17 2020-03-25 한국외국어대학교 연구산학협력단 시장조사용 포지셔닝 맵 생성장치 및 방법
KR20210067362A (ko) 2019-11-29 2021-06-08 주식회사 티비에스파트너스 제품 사양 분석 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004178604A (ja) 2002-11-27 2004-06-24 Sony United Kingdom Ltd 情報検索装置及びその方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004178604A (ja) 2002-11-27 2004-06-24 Sony United Kingdom Ltd 情報検索装置及びその方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
웹 검색트래픽을 활용한 소비자의 속성 연구, 2012.11. *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200031870A (ko) * 2018-09-17 2020-03-25 한국외국어대학교 연구산학협력단 시장조사용 포지셔닝 맵 생성장치 및 방법
KR102228159B1 (ko) * 2018-09-17 2021-03-16 조명환 시장조사용 포지셔닝 맵 생성장치 및 방법
KR20210067362A (ko) 2019-11-29 2021-06-08 주식회사 티비에스파트너스 제품 사양 분석 시스템

Similar Documents

Publication Publication Date Title
Yalcin et al. The use of multi-criteria decision-making methods in business analytics: A comprehensive literature review
Jun et al. Visualization of brand positioning based on consumer web search information: using social network analysis
US7774227B2 (en) Method and system utilizing online analytical processing (OLAP) for making predictions about business locations
Grubesic et al. Detecting hot spots using cluster analysis and GIS
Drawve et al. Predictability of gun crimes: A comparison of hot spot and risk terrain modelling techniques
US8401771B2 (en) Discovering points of interest from users map annotations
Shimizu et al. An explainable recommendation framework based on an improved knowledge graph attention network with massive volumes of side information
Yeganeh et al. A framework for data quality aware query systems
CN102648466A (zh) 用于取回视图中的数据项批注的方法
KR20140053444A (ko) 시장규모예측장치, 시장규모예측방법 및 시장규모를 예측하는 프로그램을 저장하는 저장매체
Li et al. Warehouse vis: A visual analytics approach to facilitating warehouse location selection for business districts
US20230060252A1 (en) Systems and Methods for Organizing, Finding, and Using Data
Santos et al. Aggregated search result diversification
Zhu et al. CoxRF: Employee turnover prediction based on survival analysis
US20090276390A1 (en) Modeling support system, modeling support method, and modeling support program
KR101493890B1 (ko) 검색트래픽을 이용한 제품 포지셔닝 분석시스템, 그 방법 및 검색트래픽을 이용한 제품 포지셔닝 분석 프로그램을 저장하는 저장매체
Chen et al. Remote sensing image recommendation based on spatial–temporal embedding topic model
Feizizadeh et al. Urban restaurants and online food delivery during the COVID-19 pandemic: A spatial and socio-demographic analysis
Abel et al. Pairwise comparisons or constrained optimization? A usability evaluation of techniques for eliciting decision priorities
Bakirtas et al. Can Google Trends data provide information on consumer’s perception regarding hotel brands?
Singh et al. Visual bayesian fusion to navigate a data lake
Zheng et al. Landmark-based route recommendation with crowd intelligence
TW201234204A (en) Opportunity identification for search engine optimization
Usman et al. A data mining approach to knowledge discovery from multidimensional cube structures
Zhao et al. Pate: Property, amenities, traffic and emotions coming together for real estate price prediction

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180102

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190130

Year of fee payment: 5