WO2024005321A1 - 예측적 신제품 개발 방법 및 장치 - Google Patents

예측적 신제품 개발 방법 및 장치 Download PDF

Info

Publication number
WO2024005321A1
WO2024005321A1 PCT/KR2023/004811 KR2023004811W WO2024005321A1 WO 2024005321 A1 WO2024005321 A1 WO 2024005321A1 KR 2023004811 W KR2023004811 W KR 2023004811W WO 2024005321 A1 WO2024005321 A1 WO 2024005321A1
Authority
WO
WIPO (PCT)
Prior art keywords
new product
differentiation
product
index
new
Prior art date
Application number
PCT/KR2023/004811
Other languages
English (en)
French (fr)
Inventor
정두희
이찬규
양성민
Original Assignee
주식회사 임팩티브에이아이
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 주식회사 임팩티브에이아이 filed Critical 주식회사 임팩티브에이아이
Priority to US18/556,697 priority Critical patent/US20240338717A1/en
Publication of WO2024005321A1 publication Critical patent/WO2024005321A1/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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the present invention relates to a predictive new product development method and device.
  • the present invention relates to a method and device for developing a predictive new product, and in particular to develop a model that predicts in advance the impact of a combination of distinctive attributes of a new product on the initial sales volume after launch, and inductively propose a new product profile that maximizes demand through this. It relates to predictive new product development methods and devices.
  • Prior patents include Registered Patent No. 10-2289398 (customized big data analysis-based design aesthetics evaluation system for new product development), but the new product development process is structured to judge performance based on demand after product launch. .
  • the problem that the present invention seeks to solve is to solve the problems of the prior art as described above, by developing a model that predicts in advance the impact of a combination of differentiated attributes of a new product on initial sales volume after launch, and thereby increasing demand.
  • the goal is to provide a predictive new product development method and device that inductively suggests a maximizing new product profile.
  • the predictive new product development method of the present invention includes the steps of calculating the new product differentiation index (PDI) by calculating the consumer satisfaction coefficient for each attribute of the new product and the degree of differentiation of each attribute, and calculating the relative ratio of sales volume generated by the new product compared to existing products.
  • a step of calculating the demand creation index (DCI) a step of building a demand forecasting model through Gaussian process regression of the calculated new product differentiation index (PDI) and demand creation index (DCI), and using the demand forecasting model It includes the step of deriving the optimal profile for a new product.
  • the predictive new product development device of the present invention includes a differentiation index calculation unit that calculates how differentiated the attributes included in the new product are compared to existing products, and a demand creation index calculation unit that calculates the ratio of the difference in initial sales volume between the existing product and the new product.
  • a demand forecast modeling construction unit that builds the differentiation index (PDI) and demand creation index (DCI) of new products through Gaussian process regression, and a new function was added using the demand forecast model built through the demand forecast modeling construction unit. It consists of an optimal profile derivation section that predicts the sales volume of new products.
  • the present invention is an objective development method based on data analysis that can effectively improve the new product development process by deriving a profile of a product that maximizes future demand creation at the very early stage of new product development.
  • the present invention can fully reflect market needs in model learning for products that will maximize future demand creation at the very early stage of new product development by reflecting the market response in the prediction model.
  • Figure 1 is a flowchart illustrating a method of deriving a profile optimized for a new product using a demand forecasting model in a predictive new product development method according to an embodiment of the present invention.
  • Figure 2 is a configuration diagram of a predictive new product development device according to an embodiment of the present invention.
  • Figure 3 is a flowchart illustrating a method of deriving an optimal profile for a new product using a demand forecasting model according to an embodiment of the present invention.
  • Figure 1 is a flowchart illustrating a method of deriving a profile optimized for a new product using a demand forecasting model in a predictive new product development method according to an embodiment of the present invention.
  • the predictive new product development method first calculates the new product differentiation index (PDI) by calculating the consumer satisfaction coefficient and the degree of differentiation in the differentiation index calculation unit 110 (S101).
  • PDI new product differentiation index
  • the New Product Differentiation Index measures how differentiated the attributes included in a new product are compared to existing products (Predecessor products). To calculate the new product differentiation index (PDI), the consumer satisfaction coefficient and the degree of differentiation for each attribute are used as weights.
  • the consumer satisfaction coefficient calculation module 111 uses a method that can precisely identify consumer requirements, such as the KANO model, to reflect the importance of each attribute from the consumer's perspective.
  • the KANO model can systematically explain consumers' reactions to products by expressing them as a dual perception of satisfaction and dissatisfaction, and is widely used in the field of new product development to analyze consumer reactions for each product attribute. .
  • the KANO model evaluates each product attribute using six quality factors, as shown in Table 1 below, according to the impact of the satisfaction of each product attribute on consumer satisfaction.
  • Attractive Quality Element(A) A type that satisfies consumers with features they did not expect from the product. If the consumer is satisfied, satisfaction increases significantly, and if the consumer is not satisfied, it decreases slightly.
  • One-Dimensional Quality Element(O) General type of product. When consumers are satisfied, satisfaction increases, and when they are not satisfied, it decreases.
  • Must-be Quality Element(M) Features that a product must have in order for consumers to be satisfied. If the consumer is not satisfied, satisfaction decreases significantly, and if satisfied, it rises slightly.
  • Indifferent Quality Element(I) A characteristic that consumers are not interested in about a product. Regardless of whether the consumer is satisfied or not, the consumer's sense of satisfaction is constant.
  • Reverse Quality Element(R) A feature that is the opposite of a dimensional quality element. If the consumer is satisfied, satisfaction decreases, and if the consumer is not satisfied, satisfaction increases. Skeptical Quality Element(S) Features of a product that consumers have doubts about understanding. Regardless of satisfaction, consumers may or may not be satisfied. Not used to measure satisfaction coefficient.
  • the KANO model classifies the quality factors of each product and then calculates it in the consumer satisfaction coefficient calculation module 111 using the consumer satisfaction coefficient formula below. .
  • the consumer satisfaction coefficient is derived by calculating the proportion of attractive, unified quality elements in the sum of all quality element responses, and the consumer satisfaction coefficient for each attribute of the product can be determined.
  • the degree of differentiation calculation module 113 determines the degree of differentiation for each attribute.
  • Product differentiation occurs in the form of feature attributes being improved (or improved) or new attributes added to existing products.
  • attributes that are the same as or deteriorated from existing products are 'non-differentiation', improving the attributes of an existing product by 20% or less is 'slight differentiation', and improving existing attributes by more than 20% or adding completely new attributes is 'non-differentiation'.
  • the case is classified as ‘strong differentiation’. If an attribute is difficult to measure arithmetically, the degree of differentiation is determined based on expert evaluation. For attributes where differentiation has occurred, the weight for the degree of differentiation is 0, 0.2, and 0.7 for no differentiation, weak differentiation, and strong differentiation, respectively.
  • the differentiation index calculation unit 110 reflects the two types of weights discussed above, namely, the consumer satisfaction coefficient for each attribute of the new product and the degree of differentiation of the new product.
  • a more detailed calculation method is as follows.
  • the differentiation index (Ci) for each new product attribute is obtained by multiplying the consumer satisfaction coefficient for each attribute with the value of the degree of differentiation of the new product.
  • the differentiation indices for all attributes are used to calculate comprehensive differentiation indices, which are values that express the differences between new products and existing products in comprehensive numbers, and these are collectively referred to as the Product Differentiation Index (PDI). Below is an equation that expresses this.
  • n is the number of differentiated attributes in the new product among those selected as core attributes of the product.
  • the differentiation index (PDI) of the new product requires a normalization process in order to use the differentiation index (PDI) between existing products and new products in modeling with the demand creation index.
  • the comprehensive differentiation index is calculated based on the Euclidean distance between existing and new product attributes. If there is a wide range of values among the values obtained through this process, a problem arises in which the modeling results are greatly influenced by the values, which can affect the performance of the model.
  • maxPDI is obtained by assuming that a new product has maximum improvement in all key attributes from an existing product.
  • maxPDI is obtained by calculating PDI assuming that all core properties and functions are strongly differentiated.
  • minPDI is obtained assuming a situation where a new product has little improvement in all key attributes and functions from the existing product.
  • minPDI is obtained by calculating PDI assuming that all core properties and functions are basic. As a result, it can be seen that minPDI is 0 in all situations.
  • the normalized value z of the differentiation index PDI between existing products and new products can be obtained using PDI, maxPDI, and minPDI.
  • the demand creation index (DCI) is calculated through the relative ratio of the sales volume generated by the new product. Calculate (S103).
  • the demand creation index (DCI) refers to the value expressed by the differentiation index (PDI) of the new product as the ratio of the difference in initial sales volume of the existing product and the new product, and the formula below represents the demand creation index (DCI) of the new product. If the demand creation index (DCI) is 0, it means that the sales volume is the same as that of the existing product. A positive number greater than 0 indicates that the sales volume of the new product is greater than that of the existing product. A negative number less than 0 indicates that the sales volume of the new product is greater than that of the existing product. It indicates little.
  • the demand forecast model building unit 130 builds a demand forecast model through Gaussian process regression (S105).
  • S105 Gaussian process regression
  • DCI demand creation index
  • PDI new product differentiation index
  • the Gaussian process regression model is a non-parametric model that solves non-linear problems and is a representative regression model that generates an advanced prediction model even with small data. Unlike general machine learning models, this is a non-parametric model that relies on a small number of parameters to create a prediction model.
  • the Gaussian process is a technique that generates a Gaussian process latent variable f(Xi) for the observed value Xi and predicts the y value by introducing an explicit basis function h. When expressed as a formula, it takes the form below.
  • m(X) means the mean and k(X, Its characteristic is to derive and make predictions. Even by learning a small amount of data, numerous operations are performed to calculate each similarity, resulting in higher performance than general prediction models, so the Gaussian process regression model can be effectively used in cases such as predicting new products.
  • h is an explicit basis function that describes the response variable for each observation.
  • Bayes' theorem is used in the formula to derive the optimal y value that reflects the existing results, that is, the final predicted value of DCI.
  • the DCI forecast value derived in this way is multiplied by the demand for the existing product to calculate the final result of the model, that is, the predicted demand for the first quarter after the launch of the new product. This is expressed in the equation as follows.
  • the optimal profile derivation unit 140 derives the optimal profile for the new product using the demand forecast model built through Gaussian process regression in the optimal profile derivation unit 140 (S107).
  • the following process is followed.
  • the satisfaction coefficient for new attributes to be included in the new product must be obtained in advance through a KANO survey to be used as a weight during model learning.
  • Second, the new product differentiation index is obtained from the values obtained through each attribute scenario previously planned, and the new product differentiation index is used as test data for the demand forecasting model proposed in the present invention to predict the initial sales volume. Based on each initial sales volume obtained in this process, a combination of attributes that maximizes sales volume is derived, which becomes the most likely candidate for the new product profile.
  • the product planning department within the company determines the direction of new product development through decision-making. This method can effectively improve the new product development process by deriving a product profile that can maximize post-launch sales in the very early stages of new product development.
  • Figure 2 is a configuration diagram of a predictive new product development device 100 according to an embodiment of the present invention.
  • the predictive new product development device 100 includes a differentiation index calculation unit 110, a demand creation index calculation unit 120, a demand forecast model construction unit 130, an optimal profile derivation unit 140, and a storage unit. It consists of a unit 150, a communication unit 160, and a control unit 170.
  • the differentiation index calculation unit 110 calculates a new product differentiation index (PDI) to measure how differentiated the attributes included in the new product are from existing products.
  • the new product differentiation index (PDI) uses the consumer satisfaction coefficient and the degree of differentiation for each attribute as weights.
  • the differentiation index calculation unit 110 is composed of a consumer satisfaction coefficient calculation module 111 and a differentiation degree calculation module 113. Details of the differentiation index calculation unit 110 will be described later.
  • the consumer satisfaction coefficient calculation module 111 calculates the consumer satisfaction coefficient using a method that can precisely identify consumer requirements, such as the Kano model, in order to reflect the importance of each attribute from the consumer's perspective.
  • the quality factors of each product are classified and then calculated using the consumer satisfaction coefficient formula.
  • the differentiation degree calculation module 113 calculates the degree of differentiation for each function of the existing product and the new product in order to determine the degree of differentiation for each attribute.
  • the weights for the degree of differentiation are 0, 0.2, and 0.7 for no differentiation, weak differentiation, and strong differentiation, respectively.
  • the above 'non-differentiation' refers to attributes that are the same as or deteriorated from existing products
  • the above 'weak differentiation' refers to improving the attributes of existing products by 20% or less
  • the above 'strong differentiation' refers to improving the existing attributes by 20% or less. This refers to cases where improvements are made by more than % or completely new properties are added. If an attribute is difficult to measure arithmetically, the degree of differentiation is determined based on expert evaluation.
  • the differentiation index calculation unit 110 multiplies the consumer satisfaction coefficient for each attribute obtained from the consumer satisfaction coefficient calculation module 111 by the value of the degree of differentiation of the new product obtained from the differentiation degree calculation module 113 to obtain a differentiation index for each new product attribute.
  • the differentiation indices for all attributes are used to calculate the comprehensive differentiation index, which is a value that expresses the difference between the new product and the existing product in a comprehensive number.
  • PDI, maxPDI, and minPDI are used to calculate the normalized value z of the differentiation index PDI between existing products and new products.
  • the demand creation index calculation unit 120 calculates the demand creation index (DCI) through the relative ratio of the sales volume generated by the new product in order to predict demand through the previously derived differentiation index (PDI) of the new product.
  • DCI demand creation index
  • the demand forecast model building unit 130 predicts the sales volume of new products with new functions by building a demand forecast model through Gaussian process regression, and selects the function that can increase sales performance the most among the candidate functions of the next new product. You can pick it out.
  • the optimal profile deriving unit 140 derives an optimal profile for a new product using the demand forecasting model built through Gaussian process regression in the demand forecasting model building unit 130.
  • the storage unit 150 stores each component value of a process related to building a demand forecast model.
  • the communication unit 160 communicates on the network with the predictive new product development device 100, the service providing server, and other user terminals, and uses the results of the KANO model as weights to create a high-quality product that reflects data through product users' satisfaction with each function. Receive information to study prediction models.
  • the network includes a local area network (LAN), a wide area network (WAN), a value added network (VAN), a mobile radio communication network, a satellite communication network, and combinations thereof. Includes. It is a data communication network in a comprehensive sense and may include wired Internet, wireless Internet, and mobile wireless communication networks.
  • wireless communications include, for example, wireless LAN (Wi-Fi), Bluetooth, Bluetooth low energy, ZigBee, WFD (Wi-Fi Direct), UWB (ultra wideband), and infrared communications (IrDA). Data Association), NFC (Near Field Communication), etc., but are not limited to these.
  • the control unit 170 controls the processing of processes related to building a demand forecast model and controls the operation of each component.
  • Figure 3 is a flowchart showing a process for deriving an optimal profile for a new product in the optimal profile derivation unit 140.
  • the most recently released existing product or an existing product to be innovated is selected and the attributes to be added or improved in a new product compared to the product are configured into various scenarios (S301).
  • each planned attribute scenario is used as test data for the prediction model proposed in the present invention to predict the initial sales volume (S303).
  • a combination of attributes that maximizes sales volume is derived based on each initial sales volume obtained (S305).
  • the derived attribute combination is selected as the most likely candidate for the new product profile (S307).
  • the new product development direction is confirmed through decision-making on the selected candidates (S309).
  • Smartwatches are suitable for applying the present invention because, due to the nature of the product, new products are regularly and consistently released in the same product line, and it is a development field in which planning for innovative functions frequently occurs.
  • the consumer satisfaction coefficient and the degree of differentiation by product attribute are obtained.
  • a total of 20 key smartwatch attributes were selected based on preliminary interviews with experts and potential users.
  • Kano survey data is used to obtain consumer satisfaction coefficients for each attribute.
  • responses to the positive and negative questions of the KANO model were received on a 5-point Likert scale.
  • quality factors and satisfaction coefficients for a total of 20 smartwatch attributes were calculated.
  • the degree of differentiation for each attribute is identified.
  • a combination of new products and existing products predecessor products
  • the degree of differentiation of some attributes for Apple Watch Series 3 and Apple Watch Series 4 is distinguished. Based on the criteria described above, 0.2 is given for weak differentiation and 0.7 for strong differentiation.
  • the differentiation index for each attribute can be obtained by multiplying the satisfaction coefficient for each attribute obtained previously by the degree of differentiation. For attributes where differentiation has not occurred, the degree of differentiation becomes 0, so the differentiation index for each attribute also becomes 0, and for attributes where differentiation has occurred, a differentiated 'differentiation index for each attribute' is calculated according to the degree of differentiation and the consumer satisfaction coefficient.
  • [Table 3] is an example of calculating the differentiation index by attribute of a new product for Apple Watch Series 4 compared to Apple Watch 3. Afterwards, the PDI of the new product is obtained by calculating the overall differentiation index using the differentiation index for each new product attribute.
  • the differentiation index is normalized.
  • maxDI is calculated assuming a situation in which all functions are strongly differentiated
  • minDI is calculated assuming a situation in which no differentiation occurs at all. Normalize the differentiation index of new products using maxDI and minDI.
  • Table 4 is an example of calculating the normalized value (z) compared to the differentiation index of Apple Watch 4 compared to Apple Watch 3.
  • DCI calculates the ratio of change in sales volume of new smartwatches compared to existing smartwatches, or DCI.
  • DCI measures the rate of change in sales volume.
  • the initial demand for a new product divided by the initial demand for an existing product within each observation location is used. This becomes the dependent variable for model learning.
  • Table 5 is an example of calculating the DCI value of smartwatch data released by Apple.
  • Gaussian process regression draws a prediction trend line and can make predictions on the 20% of test data selected previously.
  • sales volume for each new product scenario with new attributes can be predicted. Referring to Table 8, you can see the sales volume forecast for the first quarter after the launch of each new product profile and the sales contribution of the new attribute. The sales contribution of new attributes was calculated through the difference in predicted sales volume when including and not including the attribute in a Gaussian process regression model, which indicates the impact of each new attribute on demand.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 예측적 신제품 개발 방법에 관한 것이다. 본 발명은 차별화지수 산출부가 신제품의 각 속성별 소비자 만족계수와 각 속성의 차별화 정도를 계산하여 신제품 차별화 지수(PDI)를 산출하는 단계와, 수요창출지수 산출부가 기존 제품 대비 신제품이 창출한 판매량의 상대적 비율을 통해 수요창출지수(DCI)를 산출하는 단계와, 수요예측모델 구축부가 산출된 신제품 차별화지수(PDI)와 수요창출지수(DCI)를 가우시안 프로세스 리그레션을 통해 수요예측모델을 구축하는 단계와, 최적프로파일 도출부가 상기 수요예측모델을 이용하여 신제품 최적 프로파일을 도출하는 단계를 포함한다.

Description

예측적 신제품 개발 방법 및 장치
본 발명은 예측적 신제품 개발 방법 및 장치에 관한 것으로, 특히 신제품의 차별적 속성 조합이 출시 후 초기 판매량에 미치는 영향을 미리 예측하는 모델을 개발하고, 이를 통해 수요를 극대화하는 신제품 프로파일을 귀납적으로 제안하는 예측적 신제품 개발 방법 및 장치에 관한 것이다.
소비자의 기대와 요구에 알맞는 신제품 개발 역량이 매우 중요해지고 있다. 신제품 개발은 소비자 선호가 급변하는 경쟁적이고 복잡한 시장에서 시장 점유율을 확보할 수 있는 중요한 무기로서 회사의 경쟁력과 평판을 향상시킨다.
이러한 흐름에 따라 많은 기업은 지속가능한 경영을 위한 발판을 마련하기 위해 신제품 개발에 다양한 투자를 하지만, 현재 대부분의 신제품 개발 프로세스는 제품 출시 이후의 수요를 통해 성과가 판단되는 연역적이고 비효율적인 구조로 이루어지고 있다. 심지어 그 구조 마저도 기업 내 일부 전문가의 의견으로 주도되어 소수의 주관적인 경험에 의존하는 경우가 많다. 따라서 이렇게 개발된 새로운 제품은 시장의 불확실성으로 인해 출시 후 소비자와 시장의 니즈를 충족시킬 수 있을 지 불분명하다.
기업은 신제품 개발 평가 기준이 되는 판매량 예측도구가 필요함을 인지하지만, 아직까지 이것에 부합하는 툴이 없기 때문에 판매량을 극대화하는 신제품 프로파일을 식별하고 제안하는데 한계가 있다.
선행특허로는 등록특허 제10-2289398호(신제품 개발을 위한 맞춤형 빅데이터 분석 기반 디자인 심미성 평가 시스템)가 있으나, 신제품 개발 프로세스가 제품 출시 이후의 수요를 통해 성과를 판단하는 구조로 이루어지고 있을 뿐이다.
본 발명이 해결하고자 하는 과제는 상기와 같은 종래 기술의 문제점을 해결하기 위해 안출된 것으로, 신제품의 차별적 속성 조합이 출시 후 초기 판매량에 기치는 영향을 미리 예측하는 모델을 개발하고, 이를 통해 수요를 극대화하는 신제품 프로파일을 귀납적으로 제안하는 예측적 신제품 개발 방법 및 장치를 제공하는 데 있다.
본 발명의 예측적 신제품 개발 방법은 신제품의 각 속성별 소비자 만족계수와 각 속성의 차별화 정도를 계산하여 신제품 차별화 지수(PDI)를 산출하는 단계와, 기존 제품 대비 신제품이 창출한 판매량의 상대적 비율을 통해 수요창출지수(DCI)를 산출하는 단계와, 산출된 신제품 차별화지수(PDI)와 수요창출지수(DCI)를 가우시안 프로세스 리그레션을 통해 수요예측모델을 구축하는 단계와, 수요예측모델을 이용하여 신제품 최적 프로파일을 도출하는 단계를 포함한다.
본 발명의 예측적 신제품 개발 장치는 신제품에 포함된 속성이 기존 제품에 비해 얼마나 차별적인지를 산출하는 차별화지수 산출부와, 기존 제품과 신제품의 초기 판매량 차이의 비율을 산출하는 수요창출지수 산출부와, 신제품의 차별화지수(PDI)와 수요창출지수(DCI)를 가우시안 프로세스 리그레션을 통해 구축하는 수요예측모델링 구축부와, 상기 수요예측모델링 구축부를 통해 구축한 수요예측 모델을 이용해 새로운 기능이 추가된 신제품의 판매량을 예측하는 최적 프로파일 도출부로 구성된다.
본 발명은 데이터 분석 기반의 객관적인 개발 방식으로 신제품 개발의 극초기 단계에서 향후 수요창출이 극대화되는 제품의 프로파일을 도출하여 신제품 개발 과정을 효과적으로 개선할 수 있다.
본 발명은 시장의 반응을 예측 모델에 반영하여 시장의 니즈를 신제품 개발의 극초기 단계에서 향후 수요창출이 극대화되는 제품의 모델 학습에 충분히 반영할 수 있다.
도 1은 본 발명의 실시예에 따른 예측적 신제품 개발 방법에서 수요예측모델을 이용하여 신제품에 최적화된 프로파일을 도출하는 방법을 설명하는 흐름도이다.
도 2는 본 발명의 실시예에 따른 예측적 신제품 개발 장치의 구성도이다.
도 3은 본 발명의 실시예에 따른 수요예측모델을 이용하여 신제품 최적 프로파일을 도출하는 방법을 설명하기 위한 흐름도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시 예들을 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 예측적 신제품 개발 방법에서 수요예측모델을 이용하여 신제품에 최적화된 프로파일을 도출하는 방법을 설명하는 흐름도이다. 도 1을 참조하면, 예측적 신제품 개발 방법은 먼저 차별화지수 산출부(110)에서 소비자 만족계수와 차별화 정도를 계산하여 신제품 차별화 지수(PDI)를 산출한다(S101).
상기 신제품 차별화 지수(PDI)는 신제품에 포함된 속성이 기존 제품(Predecessor product)에 비해 얼마나 차별적인지를 측정하는 것이다. 신제품 차별화지수(PDI)를 산출하기 위해서 소비자의 만족계수와 각 속성별 차별화 정도를 가중치로 사용한다.
먼저 상기 소비자 만족계수를 구하기 위해 소비자만족계수 계산모듈(111)에서 소비자의 관점에서 각 속성의 중요도를 반영하기 위하여 KANO 모델과 같은 소비자 요구조건을 정밀하게 파악할 수 있는 방법을 사용한다. 카노(KANO) 모델은 제품에 대한 소비자들의 반응을 만족과 불만족이라는 이원적 인식으로 표현하여 체계적으로 설명할 수 있어 제품의 각 속성별 소비자 반응을 분석하기 위한 용도로 신제품 개발 분야에서 다양하게 사용되고 있다. 카노(KANO) 모델은 제품의 각 속성들의 충족도가 소비자의 만족도에 미치는 영향에 따라 제품의 각 속성들을 아래의 표 1과 같이 6가지의 품질 요소로 평가한다.
품질요소 설명
Attractive Quality Element(A) 소비자가 제품에 대해 기대하지 않았던 특징으로 만족을 주는 타입. 소비자가 만족하면 만족감이 크게 상승하며, 만족하지 못하면 약간 감소.
One-Dimensional Quality Element(O) 제품의 일반적인 타입. 소비자가 만족하면 만족감이 상승하고, 만족하지 못하면 감소.
Must-be Quality Element(M) 소비자가 만족하기 위해서 당연히 제품이 가지고 있어야 하는 특징. 소비자가 만족하지 못하면 만족감이 크게 감소하며, 만족하면 약간 상승.
Indifferent Quality Element(I) 제품에 대해 소비자가 흥미가 없는 특징. 만족의 여부와 관계없이 소비자의 만족감은 불변.
Reverse Quality Element(R) 차원적 품질 요소와 반대의 개념인 특징. 소비자가 만족하면 만족감이 감소하고, 만족하지 못하면 만족감이 상승.
Skeptical Quality Element(S) 소비자가 이해하는데 의구심을 가지는 제품의 특징. 만족의 여부와 관계없이 소비자는 만족할 수도 있고 만족하지 못할 수도 있음. 만족 계수를 측정하는데 사용되지 않음.
상기 소비자의 만족도를 지수화하여 소비자 만족계수로 나타내기 위해 카노(KANO) 모델은 각 제품의 품질요소를 분류한 후, 상기 소비자만족계수 계산모듈(111)에서 아래의 소비자 만족계수 공식에 의해 계산한다.
Figure PCTKR2023004811-appb-img-000001
상기 소비자 만족계수는 모든 품질요소 응답수의 합에서 매력적, 일원적 품질요소가 차지하는 비중을 계산하여 도출하며 제품의 각 속성에 대한 소비자 만족계수를 파악할 수 있다.
그 다음은 차별화정도 계산모듈(113)에서 상기 각 속성별 차별화정도(Degree of Differentiation)를 파악한다. 제품의 차별화는 기존 제품에서 특징 속성이 개선(또는 개량)되거나 새로운 속성이 추가되는 형태로 진행된다. 차별화 지수를 정확하게 계산하기 위해서는 신제품이 기존 제품 대비 각 속성에 대해 어느 정도의 차별화를 적용했는지를 파악해야 하며, 이를 위해 기존제품과 신제품의 각 기능에 대해 차별화 정도를 구분하는 작업이 필요하다.
본 발명에서는 기존 제품과 동일하거나 저하된 속성은 '무 차별화', 기존 제품의 속성을 20% 이하로 개선하는 것은 '미약한 차별화'로, 기존 속성을 20% 이상 개선하거나 전혀 새로운 속성이 추가되는 경우는 '강한 차별화'로 구분한다. 만일 산술적 측정이 어려운 속성은 전문가의 평가를 토대로 차별화 정도를 구분한다. 차별화가 일어난 속성에 대해서 차별화 정도에 대한 가중치는 무 차별화, 미약한 차별화, 강한 차별화에 각각 0, 0.2, 0.7을 부여한다.
상기 신제품의 차별화지수를 산출하기 위해 상기 차별화지수 산출부(110)에서 앞서 살펴본 두 가지 종류의 가중치, 즉 상기 신제품 각 속성별 소비자 만족계수와 상기 신제품의 차별화 정도를 반영한다. 더 자세한 산출 방법은 다음과 같다.
먼저, 각 속성별 소비자 만족계수와 신제품의 차별화 정도의 수치를 곱하여 신제품 속성별 차별화지수(Ci)를 구한다. 이후 모든 속성별 차별화 지수들을 이용하여 신제품과 기존 제품사이의 차이를 종합적 수치로 표현하는 값인 종합적 차별화 지수들을 계산하고, 이를 신제품의 차별화 지수(Product Differentiation Index, PDI)라 총칭한다. 아래는 이를 식으로 나타낸 것이다.
Figure PCTKR2023004811-appb-img-000002
여기서 n은 제품의 핵심 속성으로 선정된 것들 중 신제품에서 차별화된 속성의 개수이다.
Figure PCTKR2023004811-appb-img-000003
상기 신제품의 차별화지수(PDI)는 기존 제품과 신제품 사이의 차별화지수(PDI)를 수요 창출지수와의 모델링을 하는데 사용하기 위해서 정규화하는 과정이 필요하다. 종합적 차별화 지수는 기존 제품과 신제품 속성들의 유클리드 거리를 기반으로 계산한다. 만일 이 과정을 통해 얻은 값 중 광범위한 값이 있는 경우 모델링의 결과가 해당 값의 영향을 크게 받게 되는 문제가 발생하며, 모델의 성능에 영향을 줄 수 있기 때문이다.
상기 차별화지수(PDI)의 정규화를 위해 신제품이 기존 제품으로부터 모든 핵심 속성들이 최대로 향상된 상황을 가정하여 maxPDI를 구한다. 즉 모든 핵심 속성 및 기능들이 강한 차별화라고 가정하고 PDI를 구한 것이 maxPDI이다. 반대로 신제품이 기존 제품으로부터 모든 핵심 속성 및 기능들이 거의 향상되지 않은 상황을 가정하여 minPDI를 구한다. 즉 모든 핵심 속성 및 기능들이 기본이라고 가정하고 PDI를 구한 것이 minPDI이다. 결과적으로 minPDI는 모든 상황에서 0이 된다는 것을 알 수 있다. 최종적으로 PDI, maxPDI, minPDI를 이용하여 기존 제품과 신제품 사이의 차별화지수 PDI를 정규화한 값 z를 구할 수 있다.
Figure PCTKR2023004811-appb-img-000004
다음으로, 수요창출지수 산출부(120)에서 앞서 도출한 신제품의 차별화지수(PDI)를 통해 수요예측을 하기 위해 신제품이 창출한 판매량의 상대적 비율을 통해 수요창출지수(Demand Creation Index, DCI)를 산출한다(S103).
상기 수요창출지수(DCI)란, 상기 신제품의 차별화지수(PDI)를 기존 제품과 신제품의 초기 판매량 차이의 비율로 나타낸 값을 의미하며, 아래 수식은 신제품의 수요창출지수(DCI)를 나타낸다. 수요창출지수(DCI)가 0인 경우는 기존 제품과 판매량이 동일함을 의미하며, 0보다 큰 양수는 기존 제품보다 신제품의 판매량이 큼을 나타내고, 0보다 작은 음수는 기존 제품에 비해 신제품의 판매량이 적음을 나타낸다.
Figure PCTKR2023004811-appb-img-000005
다음으로, 수요예측모델 구축부(130)에서 가우시안 프로세스 리그레션(Gaussian Progress Regression)을 통해 수요예측모델을 구축한다(S105). 상기 수요예측모델을 통해 새로운 기능이 추가된 신제품의 판매량을 예측할 수 있으며, 차기 신제품의 후보 기능 중 판매 성과를 가장 높일 수 있는 기능을 가려내는 데 활용될 수 있다.
상기 수요예측모델을 구축하기 위해서는, 앞서 구한 상기 신제품 차별화지수(PDI)를 활용하여 상기 수요창출지수(DCI)를 예측하기 위해 이 둘의 관계를 정확히 모델링할 수 있는 알고리즘을 활용한다. 선행되었던 다양한 주장들을 통해 제품 차별화와 수요의 관계는 선형적이지 않음을 알 수 있었으며, 특히 신제품과 관련된 시장 데이터는 복잡하고 비선형적 특징이 더욱 강하다. 본 발명에서는 최적의 모델로서 가우시안 프로세스 선정한다.
상기 가우시안 프로세스 리그레션 모델은 비선형 문제를 해결하는 비모수 모델로서 적은 데이터에서도 고도화된 예측모델을 생성하는 대표적인 회귀형 모델이다. 이는 일반적인 머신러닝 모델과 달리 예측 모델 생성에 있어서 소수의 매개변수에 의존하는 비모수적 모델이다. 가우시안 프로세스는 관측값 Xi에 대해 가우스 프로세스의 잠재변수 f(Xi) 생성하고, 명시적 기저함수 h를 도입하여 y값을 예측하는 기법이다. 이를 수식으로 나타냈을 때 아래와 같은 형태로 이루어진다.
Figure PCTKR2023004811-appb-img-000006
위 수식에서 m(X)는 평균을 의미하고 k(X,X')는 공분산을 의미하며, 가우시안 프로세스는 이 평균과 공분산을 이용하여 예측값의 신뢰구간에 해당하는 분포를 찾고 해당 분포의 분산을 도출하여 예측을 수행하는 것이 특징이다. 적은 양의 데이터를 학습하여도 각각의 유사도를 계산하기 위한 수많은 연산이 이루어져 일반적인 예측 모델보다 높은 성능을 낼 수 있어, 가우시안 프로세스 리그레션 모델은 신제품 예측과 같은 경우에 효과적으로 활용될 수 있다.
상기 가우시안 프로세스는 위 계산식을 활용하여 도출되며, 다음과 같이 회귀식에 결합한다. 이때 h는 각각의 관측치에 대한 응답변수를 설명하는 명시적 기저함수(Basis Function)이다.
Figure PCTKR2023004811-appb-img-000007
최종적으로 해당 수식에 베이즈 정리를 활용하여 기존 결과값을 반영한 최적의 y값, 즉 DCI의 최종 예측값을 도출한다. 이렇게 도출한 DCI 예측값을 기존 제품의 수요에 곱하여 모델의 최종 결과값, 즉 신제품의 출시 이후 첫 분기 예측 수요를 계산하며, 이를 식으로 나타내면 다음과 같다.
Figure PCTKR2023004811-appb-img-000008
마지막으로, 최적프로파일 도출부(140)에서 가우시안 프로세스 리그레션을 통해 구축한 상기 수요예측모델을 이용하여 최적프로파일 도출부(140)에서 신제품 최적 프로파일을 도출한다(S107).
상기 신제품의 최적 프로파일을 도출하기 위해 다음의 과정을 따른다. 첫째, 현 시점에서 가장 최신에 출시된 기존 제품 또는 혁신하고자 하는 기존 제품을 선정하여 해당 제품 대비 신제품에 추가하거나 개선하고자 하는 속성의 조합을 다양한 시나리오로 구성한다. 이때 신제품에 포함될 새로운 속성은 KANO 설문을 통해 사전에 만족계수를 얻어내어 모델 학습 간 가중치로써 활용되도록 해야 한다. 둘째, 앞서 기획한 각각의 속성 시나리오를 통해 얻은 값으로 신제품 차별화지수를 구하고, 상기 신제품 차별화지수를 본 발명에서 제안한 수요예측모델의 테스트 데이터로 활용하여 초기 판매량을 예측한다. 이 과정에서 얻어낸 각각의 초기 판매량을 토대로 판매량을 극대화하는 속성 조합을 도출하며, 이는 가장 유력한 신제품 프로파일의 후보가 된다. 도출된 상기 신제품 프로파일에 대해 기업 내부의 제품기획 담당은 의사결정을 통해 신제품 개발 방향을 확정한다. 이러한 방식은 신제품 개발의 극초기 단계에서 출시 후 판매량이 극대화될 수 있는 제품 프로파일을 도출하여 신제품 개발 과정을 효과적으로 개선할 수 있다.
도 2는 본 발명의 실시예에 따른 예측적 신제품 개발 장치(100)의 구성도이다. 도 2를 참조하면, 예측적 신제품 개발 장치(100)는 차별화지수 산출부(110), 수요창출지수 산출부(120), 수요예측모델 구축부(130), 최적프로파일 도출부(140), 저장부(150), 통신부(160), 제어부(170)로 구성된다.
상기 차별화지수 산출부(110)에서는 신제품에 포함된 속성이 기존 제품에 비해 얼마나 차별적인지를 측정하기 위해 신제품 차별화지수(PDI)를 산출한다. 상기 신제품 차별화지수(PDI)는 소비자의 만족계수와 각 속성별 차별화 정도를 가중치로 사용한다. 상기 차별화지수 산출부(110)는 소비자만족계수 계산모듈(111)과 차별화정도 계산모듈(113)로 구성된다. 상기 차별화지수 산출부(110)의 자세한 내용은 후술한다.
상기 소비자만족계수 계산모듈(111)에서는 소비자의 관점에서 각 속성의 중요도를 반영하기 위하여 카노(KANO) 모델과 같은 소비자 요구조건을 정밀하게 파악할 수 있는 방법을 사용하여 소비자만족계수를 구한다. 상기 카노(KANO) 모델을 활용하여 소비자의 만족도를 지수화함으로써 소비자 만족계수로 나타내기 위해, 각 제품의 품질요소를 분류한 후 소비자 만족계수 공식에 의해 계산한다.
상기 차별화정도 계산모듈(113)에서는 각 속성별 차별화정도를 파악하기 위해 기존제품과 신제품의 각 기능에 대한 차별화 정도를 계산한다. 상기 차별화정도에 대한 가중치는 무 차별화, 미약한 차별화, 강한 차별화에 각각 0, 0.2, 0.7을 부여한다. 상기 '무 차별화'는 기존 제품과 동일하거나 저하된 속성을 의미하며, 상기 '미약한 차별화'는 기존 제품의 속성을 20% 이하로 개선하는 것을 의미하고, 상기 '강한 차별화'는 기존 속성을 20% 이상 개선하거나 전혀 새로운 속성이 추가되는 경우를 말한다. 만일 산술적 측정이 어려운 속성은 전문가의 평가를 토대로 차별화 정도를 구분한다.
상기 차별화지수 산출부(110)에서는 상기 소비자만족계수 계산모듈(111)에서 구한 각 속성별 소비자 만족계수와 상기 차별화정도 계산모듈(113)에서 구한 신제품의 차별화 정도의 수치를 곱하여 신제품 속성별 차별화지수(Ci)를 계산한 후, 모든 속성별 차별화 지수들을 이용하여 신제품과 기존 제품 사이의 차이를 종합적 수치로 표현하는 값인 종합적 차별화 지수를 산출한다. 이후, 수요 창출지수와 모델링을 위해 정규화하는 과정이 필요하기 때문에 PDI, maxPDI, minPDI를 이용하여 기존 제품과 신제품 사이의 차별화지수 PDI를 정규화한 값 z를 계산한다.
상기 수요창출지수 산출부(120)에서는 앞서 도출한 신제품의 차별화지수(PDI)를 통해 수요예측을 하기 위해 신제품이 창출한 판매량의 상대적 비율을 통해 수요창출지수(DCI)를 산출한다.
상기 수요예측모델 구축부(130)에서는 가우시안 프로세스 리그레션을 통해 수요예측모델을 구축함으로써, 새로운 기능이 추가된 신제품의 판매량을 예측하고, 차기 신제품의 후보 기능 중 판매 성과를 가장 높일 수 있는 기능을 가려낼 수 있다.
상기 최적프로파일 도출부(140)에서는 수요예측모델 구축부(130)에서 가우시안 프로세스 리그레션을 통해 구축한 상기 수요예측모델을 이용하여 신제품 최적 프로파일을 도출한다.
상기 저장부(150)는 수요예측모델 구축에 관련한 프로세스의 각 구성 값을 저장한다.
상기 통신부(160)는 예측적 신제품 개발 장치(100)와 서비스 제공 서버, 다른 사용자 단말과 네트워크 통신을 하며, KANO 모델의 결과값을 가중치로 활용하여 제품 사용자의 기능별 만족도를 통해 데이터가 반영된 완성도 높은 예측 모델을 연구하기 위한 정보를 전달받는다. 상기 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함한다. 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 또한, 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
상기 제어부(170)는 수요예측모델 구축에 관련한 프로세스의 처리를 제어하며, 각 구성의 동작을 제어한다.
도 3은 상기 최적프로파일 도출부(140)에서 신제품 최적 프로파일을 도출하기 위한 과정을 흐름도로 나타낸 것이다. 먼저, 가장 최신에 출시된 기존 제품 또는 혁신하고자 하는 기존 제품을 선정하여 해당 제품 대비 신제품에 추가하거나 개선하고자 하는 속성을 다양한 시나리오로 구성한다(S301). 이후 기획한 각각의 속성 시나리오를 본 발명에서 제안한 예측모델의 테스트 데이터로 활용하여 초기 판매량을 예측한다(S303). 이 때 얻어낸 각각의 초기 판매량을 토대로 판매량을 극대화하는 속성 조합을 도출한다(S305). 도출한 상기 속성 조합을 가장 유력한 신제품 프로파일의 후보로 선정한다(S307). 선정된 후보에 대해 의사결정을 통해 신제품 개발 방향을 확정한다(S309).
이하에서는 본 발명의 예측적 신제품 개발 방법 및 시스템의 유효성을 검증하기 위해 스마트워치의 신제품 개발 사례에 적용한 예시이다. 스마트워치는 제품의 특성상 동일 제품 라인에서 신제품들이 주기적으로 꾸준히 출시되고 있으며, 혁신 기능에 대한 기획이 자주 일어나는 개발 분야이기 때문에 본 발명의 발명을 적용하기에 적절하다.
본 연구에서는 데이터 확보가 비교적 용이하며 비교 가능한 신제품 시리즈가 충분히 존재하는 애플워치와 삼성전자 갤럭시워치의 데이터를 분석 대상으로 삼았다. 2014년 9월부터 신제품이 출시된 애플워치 시리즈1~7, 애플워치 SE, 2018년 8월부터 출시된 갤럭시 워치 시리즈 1~3, 갤럭시 워치 액티브 1~2, 갤럭시 워치 클래식 등이 분석 제품에 포함되었다. 한국 지역의 데이터를 토대로 분석을 진행했다. 한국은 IT 기술의 성숙도가 높고 IT 신제품의 테스트배드로 활용되어 많은 연구들이 한국시장의 데이터를 이용한다.
먼저 PDI를 산출하기 위해 소비자 만족계수와 제품의 속성별 차별화 정도를 구한다. 전문가와 잠재 사용자들의 사전 인터뷰 방식을 바탕으로 총 20가지의 스마트워치 핵심 속성을 선정했다.
각 속성에 대한 소비자의 만족계수를 얻기 위해 카노 설문조사 데이터를 이용한다. 표 2를 참조하면, KANO 모델의 긍정 질문과 부정 질문에 대하여 5점 리커트 척도로 응답을 받았다. 해당 KANO 설문 데이터를 바탕으로, 총 20가지의 스마트워치 속성에 대한 품질요소와 만족계수를 산출했다.
Features Q A I M O R Satisfaction Coefiiecient
Launching price(won) 2 71 39 10 31 7 0.6755
Weight(g) 2 40 16 31 70 1 0.7006
Battery(mAh) 3 45 12 9 89 2 0.8645
Display resolution 1 32 32 18 76 1 0.6835
RAM 1 54 42 6 57 0 0.6981
Memory 0 55 50 10 44 1 0.6226
Design(score) 1 25 8 7 119 0 0.9057
OS 0 51 37 9 63 0 0.7125
Wi-Fi 1 42 19 17 81 0 0.7736
Bluetooth 0 27 15 22 93 3 0.7643
Cellular Connectivity 3 14 5 58 80 0 0.5987
Electrical Heart Rate 0 58 21 12 68 1 0.7925
VO2max 1 70 28 8 51 2 0.7707
ECG app 2 72 40 6 37 3 0.7032
Stress Measurement 1 94 27 2 32 4 0.8129
Fail dectection 0 95 17 4 41 3 0.8662
Multisports mode 3 61 13 23 60 0 0.7707
Water intake 2 86 24 3 44 1 0.8280
Calorie Intake 2 88 23 0 46 1 0.8535
Irregular Heart Rate Warnings 0 90 21 0 47 2 0.8671
Q: Skeptical Quality Element, A: Attractive Quality Element, I: Indifferent Quality Element, M: Must-Be Quality Element, O: One-Dimensional Quality Element, R: Reverse Quality Element
그 다음은 각 속성별 차별화 정도를 파악한다. 차별화 정도를 파악하기 위해 신제품과 기존 제품(predecessor product)의 조합이 필요하다. 표 3을 참조하면, 본 발명에서 진행한 기존 제품과 신제품 사이의 향상 정도 구분의 예로 Apple Watch Series 3와 Apple Watch Series 4에 대한 일부 속성의 차별화 정도를 구분했다. 앞서 설명한 기준을 토대로 미약한 차별화의 경우 0.2, 강한 차별화의 경우 0.7을 부여한다.
Feature Satisfaction
Coefficient		 Degree of Differentiation Differentiation Index by Feature
Launching price(won) 0.6755 0 0
Weight(g) 0.7006 0.7 0.4904
Battery(mAh) 0.8645 0 0
Display resolution 0.6835 0.7 0.4785
RAM 0.9681 0.2 0.1396
Memory 0.6226 0.2 0.1245
Design(score) 0.9057 0.2 0.1811
OS 0.7125 0.7 0.4988
Wi-Fi 0.7736 0 0
Bluetooth 0.7643 0 0
Cellular Connectivity 0.5987 0 0
Electrical Heart Rate 0.7925 0.7 0.5395
VO2max 0.7707 0 0
ECG app 0.7032 0 0
Stress Measurement 0.8129 0 0
Fail dectection 0.8662 0.7 0.6064
Multisports mode 0.7707 0 0
Water intake 0.8280 0 0
Calorie Intake 0.8535 0 0
Irregular Heart Rate Warnings 0.8671 0 0
Total Differentiation Index of New Product 1.2020
앞서 구한 각 속성별 만족계수와 차별화정도를 곱하여 속성별 차별화 지수를 구할 수 있다. 차별화가 일어나지 않은 속성은 차별화 정도가 0이 되기 때문에 속성별 차별화지수 역시 0이 되며, 차별화가 일어난 속성은 차별화 정도와 소비자 만족계수에 따라 차별적인 '속성별 차별화 지수'가 산출된다. [표 3]은 애플워치 3에 대비한 애플워치 시리즈 4에 대하여 신제품의 속성별 차별화 지수를 계산한 예시다. 이후 신제품 속성별 차별화지수를 활용하여 종합적 차별화 지수를 계산함으로써 신제품의 PDI를 구한다.
신제품의 차별화지수와 수요 창출지수의 모델링을 위해서 차별화 지수는 정규화를 진행한다. 새로운 스마트워치가 기존 스마트워치와 비교했을 때 모든 기능이 강한 차별화가 일어난 상황을 가정하여 maxDI를 구하며 차별화가 전혀 일어나지 않은 상황을 가정하여 minDI를 구한다. maxDI와 minDI을 이용하여 신제품의 차별화 지수를 정규화한다. 표 4는 애플워치3에 대비한 애플워치4의 차별화지수에 대비해 정규화한 값(z)를 계산한 사례이다.
DI maxDI minDI z
1.2020 2.7492 0 0.4372
기존 스마트워치 대비 새로운 스마트워치의 판매량 변화 비율, 즉 DCI를 계산하기 위해 스마트워치 판매량 데이터를 활용하여 기존 제품과 신제품의 초기수요를 각각 한 쌍으로 묶어 나열한다.DCI는 판매량의 변화비율을 측정하기 위해 각 관측지 내에서 신제품의 초기 수요를 기존 제품의 초기 수요로 나눈 값을 사용한다. 이는 모델 학습의 종속변수가 된다. 표 5는 Apple에서 출시한 스마트워치 데이터의 DCI값을 계산한 예시이다.
Model Predecessor Product Demand New Product Demand DCI
New product Prodecessor product
Apple watch 4 Apple watch 3 1092030 873727 -0.20
Apple watch 5 Apple watch 3 1092030 3156387 1.89
Apple watch 6 Apple watch 3 1092030 2746727 1.515
Apple watch SE Apple watch 3 1092030 1610277 0.475
Apple watch 7 Apple watch 3 1092030 3786952 2.468
Apple watch 5 Apple watch 4 873727 3156387 2.613
Apple watch 6 Apple watch 4 873727 2746727 2.144
Apple watch SE Apple watch 4 873727 1610277 0.843
Apple watch 7 Apple watch 4 873727 3786952 3.334
Apple watch 6 Apple watch 5 3156387 2746727 -0.13
Apple watch SE Apple watch 5 3156387 1610277 -0.49
Apple watch 7 Apple watch 5 3156387 3786952 0.20
Apple watch SE Apple watch 6 2746727 1610276 -0.414
Apple watch 7 Apple watch 6 2746727 3786952 0.379
Apple watch 7 Apple watch SE 1610276 3786952 1.352
스마트워치 신제품의 PDI와 DCI가 확보되면 두 지수의 관계를 피팅하여 예측모델을 구축하기 위한 작업을 진행한다. 완성도 높은 예측 모델링을 위해 데이터 전처리 과정에서 이상치를 제외한 23개의 완전한 데이터 포인트를 선별하고 이 중 80%를 학습 데이터로, 나머지 20%를 테스트 데이터로 나누어 사용한다. 이때 테스트 데이터는 무작위로 추출하되, 동일한 신제품을 예측하지 않도록 설정하여 최대한 다양한 스마트워치를 예측할 수 있도록 한다.
모델 학습을 위한 데이터 전처리 과정을 마친 후, 가우시안 프로세스 리그레션의 예측 모델을 만들며, 이 과정에서 가우시안 프로세스 리그레션은 예측 추세선을 그리며 앞서 선정한 20%의 테스트 데이터에 대해 예측할 수 있다.
표 6을 참조하면, 본 연구가 스마트워치 신제품 개발을 예시로 제안한 가우시안 프로세스 리그레션 예측모델의 결과를 확인할 수 있다.
Testing Model DCI
(Actual)		 DCI
(Predicted)		 Initial Demand
(Actual)		 Initial Demand
(Predicted)
New Product Predecessor
Product
Apple Watch 5 Apple Watch 4 2.61 3.01 3,156,387 3,503,821
Apple Watch 6 Apple Watch 3 1.51 1.12 2,746,727 2,620,689
Apple Watch 7 Apple Watch SE 1.35 1.20 3,786,952 3,553,003
Galaxy Watch 4 Galaxy Watch 3 3.29 3.05 11,111,038 10,497,587
가우시안 프로세스 리그레션 기법을 사용한 본 연구의 DCI 예측 모델은 DCI 예측의 정혹도가 MSE 기준 0.097을 기록하며 전체 평균 제곱 오차가 높은 정확도를 나타내는 것을 확인할 수 있다. DCI의 예측값이 실제값과 가까울수록 신제품 초기 판매량 예측에 직접적인 영향을 미친다. 따라서, 예측모델의 최종 결과값, 즉 초기 판매량 예측 성과도 MAPE 기준 9.6%를 기록하며 비교적 높은 예측 성과를 확인할 수 있다.
교차검증(Cross Validation)을 통해 모델 결과의 견고성(robustness)을 확인했다. 전체 데이터세트에서 기본 테스트와 동일한 크기의 하위 집합을 추가적으로 무작위 추출하여 테스트를 반복했다. 표 7을 참조하면, 5겹의 교차검증(5-folds CV) 결과 모든 테스트의 평균 성능은 MSE 0.205, MAPE 12.2%로 나타나 비교적 높은 수준의 정확도가 유지되었다.
Cross Validation MSE MAPE(%)
CV 1 0.097 9.568
CV 2 0.240 12.183
CV 3 0.312 15.795
CV 4 0.191 12.574
CV 5 0.187 11.359
이 예시에서 구축한 예측모델을 토대로 새로운 속성이 포함된 신제품 시나리오별 판매량을 예측할 수 있다. 표 8을 참조하면, 각각의 신제품 프로파일의 출시 후 첫 분기 판매량 예측치와 새로운 속성의 판매 기여도를 알 수 있다. 새로운 속성의 판매기여도는 가우시안 프로세스 회귀 모델에서 해당 속성을 포함할 때와 포함하지 않을 때의 예측 판매량의 차이를 통해 산출했으며, 이는 각각의 새로운 속성들이 수요에 미치는 영향을 의미한다.
Scenario New Product Profiles Predicted Demand
(Initial Quarter)		 Demand Contribution of New Feature
1 Apple Watch 7 + Simultaneus Translation 5,532,908 0.461
2 Apple Watch 7 + Pulse Detection 5,224,844 0.644
3 Apple Watch 7 + Virus Measurement 5,484,600 0.448
발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (5)

  1. 차별화지수 산출부가 신제품의 각 속성별 소비자 만족계수와 각 속성의 차별화 정도를 계산하여 신제품 차별화 지수(PDI)를 산출하는 단계;
    수요창출지수 산출부가 기존 제품 대비 신제품이 창출한 판매량의 상대적 비율을 통해 수요창출지수(DCI)를 산출하는 단계;
    수요예측모델 구축부가 산출된 신제품 차별화지수(PDI)와 수요창출지수(DCI)를 가우시안 프로세스 리그레션을 통해 수요예측모델을 구축하는 단계; 및
    최적프로파일 도출부가 상기 수요예측모델을 이용하여 신제품 최적 프로파일을 도출하는 단계를 포함하는 예측적 신제품 개발 방법.
  2. 제1항에 있어서,
    상기 신제품 최적 프로파일을 도출하는 단계는,
    가장 최신 기존 제품 또는 혁신하고자 하는 기존 제품을 선정하여 해당 제품 대비 신제품에 추가하거나 개선하고자 하는 속성의 조합을 다양한 시나리오로 구성하고, 기획한 각각의 속성 시나리오를 통해 얻은 값으로 신제품 차별화지수를 구하고, 상기 신제품 차별화지수를 수요예측모델의 테스트 데이터로 활용하여 초기 판매량을 예측하는 예측적 신제품 개발 방법.
  3. 제2항에 있어서,
    상기 신제품 최적 프로파일을 도출하는 단계는,
    얻어낸 각각의 초기 판매량을 토대로 판매량을 극대화하는 속성 조합을 도출하고, 도출한 상기 속성 조합을 가장 유력한 신제품 프로파일의 후보로 선정하고, 선정된 후보에 대해 의사결정을 통해 신제품 개발 방향을 확정하는 예측적 신제품 개발 방법.
  4. 제1항에 있어서,
    상기 신제품 차별화 지수(PDI)는, 각 속성별 소비자 만족계수와 신제품의 차별화 정도의 수치를 곱하여 신제품 속성별 차별화지수(Ci)를 구하고, 모든 속성별 차별화 지수들을 이용하여 아래 식을 통해 계산되는 예측적 신제품 개발 방법.
    Figure PCTKR2023004811-appb-img-000009
    (i=1,…,n 이며, n은 제품의 핵심 속성으로 선정된 것들 중 신제품에서 차별화된 속성의 개수)
  5. 신제품에 포함된 속성이 기존 제품에 비해 얼마나 차별적인지를 산출하는 차별화지수 산출부;
    기존 제품과 신제품의 초기 판매량 차이의 비율을 산출하는 수요창출지수 산출부;
    신제품의 차별화지수(PDI)와 수요창출지수(DCI)를 가우시안 프로세스 리그레션을 통해 구축하는 수요예측모델링 구축부; 및
    상기 수요예측모델링 구축부를 통해 구축한 수요예측 모델을 이용해 새로운 기능이 추가된 신제품의 판매량을 예측하는 최적 프로파일 도출부로 구성되고,
    상기 최적 프로파일 도출부는 가장 최신 기존 제품 또는 혁신하고자 하는 기존 제품을 선정하여 해당 제품 대비 신제품에 추가하거나 개선하고자 하는 속성을 다양한 시나리오로 구성하고, 기획한 각각의 속성 시나리오를 통해 얻은 값으로 신제품 차별화지수를 구하고, 상기 신제품 차별화지수를 수요예측모델의 테스트 데이터로 활용하여 초기 판매량을 예측하는 예측적 신제품 개발 장치.
PCT/KR2023/004811 2022-06-27 2023-04-10 예측적 신제품 개발 방법 및 장치 WO2024005321A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/556,697 US20240338717A1 (en) 2022-06-27 2023-04-10 Predictive new product development method and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0078128 2022-06-27
KR1020220078128A KR102573979B1 (ko) 2022-06-27 2022-06-27 예측적 신제품 개발 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2024005321A1 true WO2024005321A1 (ko) 2024-01-04

Family

ID=88018493

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/004811 WO2024005321A1 (ko) 2022-06-27 2023-04-10 예측적 신제품 개발 방법 및 장치

Country Status (3)

Country Link
US (1) US20240338717A1 (ko)
KR (1) KR102573979B1 (ko)
WO (1) WO2024005321A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070045472A (ko) * 2005-10-27 2007-05-02 주식회사 동서리서치 고객만족도 진단방법 및 이를 실행하기 위한 프로그램이기록된 기록매체
KR20150087986A (ko) * 2014-01-23 2015-07-31 한국전자통신연구원 가우시안 프로세스 모델링기반 에너지 사용량 예측 방법
JP2016012299A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム
KR102235130B1 (ko) * 2019-03-06 2021-04-05 베스핀글로벌 주식회사 판매량 예측 장치 및 방법
KR20220086932A (ko) * 2020-12-17 2022-06-24 주식회사 제로투원파트너스 소비자의 비정형 평가 정보를 이용한 소비자 니즈 분석 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10997615B1 (en) * 2016-11-08 2021-05-04 Blue Yonder Group, Inc. System and method for assortment planning with interactive similarity and transferable demand visualization
US11144845B2 (en) * 2017-06-02 2021-10-12 Stitch Fix, Inc. Using artificial intelligence to design a product
US20200311750A1 (en) * 2019-03-29 2020-10-01 International Business Machines Corporation Demand Sensing for Product and Design Introductions
US20220172258A1 (en) * 2020-11-27 2022-06-02 Accenture Global Solutions Limited Artificial intelligence-based product design

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070045472A (ko) * 2005-10-27 2007-05-02 주식회사 동서리서치 고객만족도 진단방법 및 이를 실행하기 위한 프로그램이기록된 기록매체
KR20150087986A (ko) * 2014-01-23 2015-07-31 한국전자통신연구원 가우시안 프로세스 모델링기반 에너지 사용량 예측 방법
JP2016012299A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム
KR102235130B1 (ko) * 2019-03-06 2021-04-05 베스핀글로벌 주식회사 판매량 예측 장치 및 방법
KR20220086932A (ko) * 2020-12-17 2022-06-24 주식회사 제로투원파트너스 소비자의 비정형 평가 정보를 이용한 소비자 니즈 분석 방법 및 장치

Also Published As

Publication number Publication date
KR102573979B1 (ko) 2023-09-04
US20240338717A1 (en) 2024-10-10

Similar Documents

Publication Publication Date Title
Liu et al. Consensus model for large-scale group decision making based on fuzzy preference relation with self-confidence: Detecting and managing overconfidence behaviors
CN108510006B (zh) 一种基于数据挖掘的企业用电量分析与预测方法
Kumar et al. Fuzzy theoretic approach to signals and systems: static systems
US11494595B2 (en) Method , apparatus, and storage medium for annotating image
Xu et al. A decision support system for product design in concurrent engineering
CN107730131B (zh) 一种众包软件开发者的能力预测及推荐方法、装置
CN107862423A (zh) 系统评估方法、智能评估系统及计算机可读存储介质
Gu et al. Robust weighted SVD-type latent factor models for rating prediction
CN116244513A (zh) 随机群组poi推荐方法、系统、设备及存储介质
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
Ye et al. A practical method to test the validity of the standard Gumbel distribution in logit-based multinomial choice models of travel behavior
CN110766248B (zh) 基于shel和区间直觉模糊评价的车间人因可靠性评估方法
CN114529747A (zh) 保单检测方法、保单检测装置、电子设备及存储介质
WO2024005321A1 (ko) 예측적 신제품 개발 방법 및 장치
CN109961804A (zh) 智能设备满意度评估方法、装置及存储介质
CN117172593A (zh) 人岗适配方法、装置、终端及电子设备
Olabanji et al. Design concept evaluation technique via functional link matrix and fuzzy VIKOR based on left and right scores
Stephanie et al. Classification talent of employee using C4. 5, KNN, SVM
CN117216382A (zh) 一种交互处理的方法、模型训练的方法以及相关装置
CN115618743B (zh) 一种瞄准镜系统的状态评估方法及状态评估系统
Antolini et al. Graphical representations and summary indicators to assess the performance of risk predictors
Huiqi et al. MCDM approach for assigning task to the workers by selected features based on multiple criteria in crowdsourcing
CN113835739A (zh) 一种软件缺陷修复时间的智能化预测方法
KR102577826B1 (ko) 예측모델 생성방법 및 장치
US20230316210A1 (en) Policy decision support apparatus and policy decision support method

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23831687

Country of ref document: EP

Kind code of ref document: A1