이번 연구에서 제안한 세그멘테이션 방법은 기준 유사도를 상회하는 높은 유사도를 가진 높은 실험 참여자 사이의 관계를 남기는 방식으로 진행되었기 때문에 기준 유사도 보다 낮은 유사도 만을 가진 실험 참여자의 경우
46
세그멘테이션에서 제외되는 결과를 보였다. 이번에 제안한 세그멘테이션 방법은 높은 유사도 관계를 구할 수 있다는 측면이 있지만 제외되는 실험 참여자 또한 다른 실험 참여자와의 유사도를 어느 정도 가지고 있다.
따라서 행동 변수 매트릭스를 가지고 UCINET을 활용한 CONCOR 분석을 실행하여 클러스터링 결과를 비교하였다. 세그멘테이션 결과를 비교 하기 위해 수행한 CONCOR분석 결과는 다음과 같다. Depth 수준 3으로 분석을 시행하여 8개의 그룹으로 나누어졌다. 각 그룹을 이루는 실험 참여자와 총 구성 인원은
아래 표 Table 4.1.1과 같았으며 시각적으로 표현하면 다음과 같다.
Table 4.11.1: 유사도 로그 곡선 가중치 계산 결과
인원 구성 실험 참여자
1 명 P 1 5
2 명 P01, P 17
3 명 P09, P35, P41(c) 3 명 P24, P31, P33
7 명 P02, P06 (e), P13, P19, P26, P37, P42
8 명 P04, P14, P36 (a), P27, P29, P30, P07, P32 (b)
9 명 P03, P05, P08, P10, P12, P11, P16 (d), P28, P34
9 명 P20, P22, P23, P25, P18, P21, P38, P39, P40 (f)
47
Figure 4.11.1: CONCOR Attribute to group by: 3/ Scrunch Factor: 8 Diagram depth: 3결과 세그멘테이션 결과와 CONCOR 분석 결과를 비교하면 그림 Figure 4.8.6과 같다.
48
Figure 4.11.2: 유사도 0.58 기준 실험 참여자 네트워크 시각화 결과 및
CONCOR분석 클러스터링 결과
유사도를 기준으로 세그멘테이션을 진행한 결과와 CONCOR분석을 통해 클러스터링 된 결과를 비교하여 보면 유사도 기준 세그멘트의 구성 요소가
CONCOR분석 결과의 세그멘트에도 동일한 그룹에서 포함되어 있는 것을
확인하였다.
유사도 기준 세그멘테이션 결과에서는 세그멘트에서 제외되는 실험 참여자에 대한 정보를 얻기 어렵고, CONCOR분석을 통해서는 누락되는 사용자가 없이 세그멘테이션 결과를 얻을 수 있지만 해당 분석결과로부터 사용자 사이의 유사한 정도를 파악하기 어렵다. 따라서 CONCOR분석은 이번 연구에서 제안한 유클리디안 거리 기반 유사도로 파악한 주요 세그멘트와 유사한 실험 참여자를 구할 수 있는 보완적인 방법으로 볼 수 있다.
따라서 유사도 기준 세그멘테이션 결과를 중심 코어(Core)로 하고 CONCOR 분석 결과를 참고하여 주변 유사 사용자를 포함하는 유의미한 크기의 사용자 세그멘트를 규정하는 방법으로 세그멘테이션 방법을 보완 할 수 있을 것으로 보인다.
49
제 5 장 결론
5.1 결론
이번 연구에서는 사용자의 UDR기록으로부터 얻은 인사이트에 기반하여 행동 변수를 정의하였다. 그리고 행동 변수에 따라 사용자에게 12차원 공간 상의 위치 좌표를 부여하여 유클리디안 거리를 구하고 이를 활용한 유클리디안 유사도 기반 사용자 세그멘테이션 방법론을 제안하였다.
제안한 방법론을 통해서 얻은 사용자 군집의 행동 변수의 산술 평균을 구하는 방법으로 세그멘트의 경향성을 행동 변수의 차원에서 규정할 수 있었으며 해당 세그먼트를 대표하는 사용자 모델로 서사적으로 재구성할 수 있었다.
세그멘테이션 방법론으로부터 매우 유사한 행동 변수 상의 경향을 보이는 핵심(Core) 사용자가 세그먼트를 만드는 것을 확인하였다. 기준 유사도의 설정과 크기 조절 과정에서 핵심 사용자들이 이루고 있는 세그멘트를 중심으로 세그먼트의 크기가 커지는 모습을 확인하였으며 사용자들 사이의 유사성 관계를 시각적으로 확인하였다.
세그멘테이션 방법론을 보완하기 위하여 필터링 방법으로 유사도 계산 결과에 로그 함수 형태의 가중치를 적용하는 방법과 사용자별 유사도 기준을 적용하여 유사도 기준 세그멘트 시각화 결과를 비교하였다. 그 결과 먼저 로그 함수의 기울기를 적용하는 방법은 기준 유사도 설정에 있어서 유사도가 비슷한 값이 몰려있는 구간에서 적절한 기준 유사도를 찾아 설정하는데 효과가 있을 것으로 기대되었다.
그리고 사용자별 유사도 기준을 적용하는 방법 사용하면 전체적으로 동일한 유사도 기준을 적용하는 것에 비교하여 사용자 별 유사도 기준을 적용하는 방법이 좀 더 사용자간 유사도 관계를 더 세밀한 수준까지 확인하면서
50
세그멘테이션을 진행시킬 수 있는 방법으로 확인되었다. 다음 그림 Figure 5.1.1을 통해 각 실험 참여자별 기준 유사도를 다르게 적용한 결과(左)가 기존에 제시한 방법의 결과(右)에 비해 더 많은 세그멘테이션 그룹과 구성 실험 참여자를 확인 할 수 있는 것을 볼 수 있다. 따라서 유사도를 기반으로 세그멘테이션을 할 때 각 사용자간의 유사도를 필터링 하는 방법에 따라 더 정교한 사용자 세그먼트를 얻을 수 있을 것으로 기대된다.
Figure 5.1.1 유사도 평균 배수 기준(M*1.9) 필터링 결과(左)와 일괄
적용(0.58)결과(右)
그리고 제안한 방법론에서 기준 유사도보다 낮은 유사도 관계만을 가지고 있어 세그멘테이션에서 제외되는 사용자가 증가하는 단점을 보완하기 위해
CONCOR 분석을 시행하여 분석 결과가 제안한 방법론을 통한 세그멘테이션
51
결과와 동일한 세그멘트를 가지고 있는 것을 확인하였다.
이번에 제안한 방법론은 연구자가 사용자의 User Diary Record로부터 행동 변수를 정의하고 각 사용자의 성향을 이에 따라 분류하는 과정이 핵심이라고 볼 수 있다. 따라서 각 사용자의 행동 변수에 대한 성향을 확인할 수 있도록 실험 단계에서 관찰 시 유의하게 확인할 부분을 정해 놓거나 설문 문항 등을 설계할 필요가 있다. 실험 진행 중 추가적인 인터뷰 시행을 통해 실험 대상자에게 관련 에피소드 등을 물어보는 방식으로 사용자의 행동 변수 정도를 보다 확실하게 파악할 수 있을 것으로 생각된다.
세그멘테이션 시에 사용자 군집을 정의하기 위한 기준 유사도를 높게 설정하면 세그멘트를 이루는 사용자 사이의 전체적인 유사성이 높아지는 반면 공간상에 표시되는 데이터가 사라지고 세그멘트의 크기가 줄어 들수록 전체 사용자에 대한 대표성이 줄어들기 때문에 이러한 상충적인 부분(Trade-off)을 연구자가 연구 과정에서 선택할 필요가 있다. 이 방법론 활용에서 기준 유사도를 설정할 때 목적에 따라서 사용자 세그멘트의 적정 크기를 고려하여야 할 것으로 보인다.
이 방법론을 사용하면 제품/서비스 개발 시 사용자 세그멘트의 경향성을 파악하여 사용자들의 세그먼트 분포를 이해하고 니즈(Needs) 맞춤형 서비스를 개발하거나 서비스 제공 시에 다양한 사용자 세그멘트에서 수용될 수 있도록 사용자가 서비스 제공 방식이나 수준을 사용자 성향에 맞게 커스터마이징 할 수 있는 기능을 제공하는 방법 등으로 세그멘테이션을 활용할 수 있을 것으로 기대한다. 이를 기반으로 m-Commerce환경에서 사용자의 성향에 맞춘 간소화된 보안 절차 선택 기능, 조회 메뉴 개인화 기능, 특정 서비스 이용 시 수수료 면제 혜택 제공 등 특정 세그멘트가 매력적으로 느낄 수 있도록 맞춤형 서비스를 개발하는 방법으로 활용할 수 있을 것으로 기대한다.
또한 각 세그멘트를 구성하는 사용자의 행동 변수를 산술 평균을 취하는 방식으로 세그멘트 전체의 행동 변수 경향성을 요약하여 나타낼 수 있다. 그리고
52
세그멘트 별 분산의 비교를 통해서 세그멘트 사이의 차이를 파악할 수 있을 것으로 기대한다. 이를 통해 사용자 모델을 세그멘트 경향 차이에 따라 좀 더 쉽게 생성할 수 있을 것으로 생각된다.
이러한 행동 변수 도출 결과와 세그멘테이션 결과를 확보하는 것을 통해 신규 사용자를 행동 변수에 따라 빠르게 파악하고 세그멘테이션 과정에 추가하여 신규 사용자의 세그멘트를 규정하고 유사한 사용 문맥을 가지는 사용자와 매칭시키는 방법으로도 활용할 수 있을 것으로 기대한다.
세그멘테이션 과정에서 유사도에 적절한 필터링을 통해 적절한 기준 유사도를 찾고 CONCOR 분석 등의 다른 세그멘테이션 방법과 함께 사용하여 세그멘트에 대한 이해를 높이는 방법도 가능할 것으로 생각된다. 따라서 이에 대한 향후 연구 목표는 다음의 향후 연구 방안에서 다루었다.
본 연구에서 제안한 방법론을 통해 정성적 사용자 데이터로부터 정량적인 기준을 가진 사용자의 세그멘트를 확인 할 수 있을 것으로 기대한다. 이렇게 얻은 세그멘트의 경향성을 각 행동 변수의 수치를 통해 쉽게 정의하고 이를 토대로 해당 사용자 세그멘트를 대표하는 Persona와 같은 사용자 모델 개발 등 체계적인 사용자 모델링으로서 방법론 활용 방향을 확장할 수 있을 것으로 보인다.