• 한국유통학회지:유통연구
• /
• 제16권4호
• /
• pp.29-64
• /
• 2011

상품의 이용가능성은 소비자 욕구를 충족시킬 수 있는 중요한 점포 능력 중의 하나이다. 그러나 구매하고자 하는 상품이 없는 품절(stockouts)상황이 발생했을때 소비자는 구매의사 결정의 어려움에 직면하고 이러한 어려움은 소비자의 부정적인 반응, 예컨대 점포에 대한 불만족을 야기한다. 본 연구에서는 상품의 이용가능성 상설, 즉 품절상황에서의 소비자 대체선택행동을 이끌어 내는 결정요인들을 파악하여, 이러한 변수들이 품절에 대한 소비자반응과 행동에 어떠한 영향을 미치는가를 규명하고자 한다. 세부적으로 본 연구에서는 기존 연구들과 달리 구매환경의 상황적인 특성(예: 구매 긴급성, 당황정도), 점포 특성(예: 상품구색, 매장편의성), 소비자 특성(예: 브랜드애호도, 점포애호도) 등에 초점을 맞추어 이러한 요인들이 품절시 소비자반응(상품대체, 구매연기, 점포전환 등의 대체선택행동)에 미치는 영향을 실증적으로 밝히는 것을 목적으로 하였다. 특히 본 연구에서는 선행연구에 비해 상품구색, 전반적인 점포 가격 이미지 등의 점포특성 변수들을 추가적으로 고려하여 분석하였다. 이러한 연구목적을 달성하기 위하여 대형할인마트, 슈퍼마켓 등의 다양한 소매업태에서 품절상황을 경험하고 나오는 353명의 소비자들로부터 자료를 수집하여 다항로짓분석(multinomial logit analysis)을 이용하여 연구모형과 연구가설을 검증하였다. 소비자 선택행동에 대한 MNL 모델 추정결과 품절상황에서 상품대체, 구매연기, 점포전환 행동에 대해 구매의 긴급성, 당황 정도, 구매량, 사전 계획구매, 상품구색, 전반적 점포가격 이미지, 브랜드애호도, 점포애호도 요인들이 소비자 선택행동에 유의한 영향을 미치는 것으로 나타났다. 구체적으로 살펴보면, 품절상황시 소비자의 점포 내 상품대체행동을 이끄는 결정요인으로 구매의 긴급성, 당황정도, 구매량, 사전 계획구매, 상품구색의 다양성, 저렴한 점포가격이미지, 브랜드애호도, 점포애호도 등이 유의하였으며, 구매연기를 유도하는 결정요인으로 구매의 긴급성, 구매량, 브랜드애호도 등으로 판명되었다. 품절시 소비자가 다른 점포로 전환하게 하는 요인은 구매의 긴급성, 구매량, 사전 계획구매, 상품구색의 다양성, 저렴한 점포가격이미지, 브랜드애호도, 점포애호도 등으로 파악되었다. 마지막으로 품절시 점포 편의성과 판매원 서비스 요인들은 소비자 대체 행동에 유의한 영향을 주지 못하였다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.147-168
• /
• 2017

오래 전부터 학계에서는 정확한 주식 시장의 예측에 대한 많은 연구가 진행되어 왔고 현재에도 다양한 기법을 응용한 예측모형들이 연구되고 있다. 특히 최근에는 딥러닝(Deep-Learning)을 포함한 다양한 기계학습기법(Machine Learning Methods)을 이용해 주가지수를 예측하려는 많은 시도들이 진행되고 있다. 전통적인 주식투자거래의 분석기법으로는 기본적 분석과 기술적 분석방법이 사용되지만 보다 단기적인 거래예측이나 통계학적, 수리적 기법을 응용하기에는 기술적 분석 방법이 보다 유용한 측면이 있다. 이러한 기술적 지표들을 이용하여 진행된 대부분의 연구는 미래시장의 (보통은 다음 거래일) 주가 등락을 이진분류-상승 또는 하락-하여 주가를 예측하는 모형을 연구한 것이다. 하지만 이러한 이진분류로는 추세를 예측하여 매매시그널을 파악하거나, 포트폴리오 리밸런싱(Portfolio Rebalancing)의 신호로 삼기에는 적합치 않은 측면이 많은 것 또한 사실이다. 이에 본 연구에서는 기존의 주가지수 예측방법인 이진 분류 (binary classification) 방법에서 주가지수 추세를 (상승추세, 박스권, 하락추세) 다분류 (multiple classification) 체계로 확장하여 주가지수 추세를 예측하고자 한다. 이러한 다 분류 문제 해결을 위해 기존에 사용하던 통계적 방법인 다항로지스틱 회귀분석(Multinomial Logistic Regression Analysis, MLOGIT)이나 다중판별분석(Multiple Discriminant Analysis, MDA) 또는 인공신경망(Artificial Neural Networks, ANN)과 같은 기법보다는 예측성과의 우수성이 입증된 다분류 Support Vector Machines(Multiclass SVM, MSVM)을 사용하고, 이 모델의 성능을 향상시키기 위한 래퍼(wrapper)로서 유전자 알고리즘(Genetic Algorithm)을 이용한 최적화 모델을 제안한다. 특히 GA-MSVM으로 명명된 본 연구의 제안 모형에서는 MSVM의 커널함수 매개변수, 그리고 최적의 입력변수 선택(feature selection) 뿐만이 아니라 학습사례 선택(instance selection)까지 최적화하여 모델의 성능을 극대화 하도록 설계하였다. 제안 모형의 성능을 검증하기 위해 국내주식시장의 실제 데이터를 적용해본 결과 ANN이나 CBR, MLOGIT, MDA와 같은 기존 데이터마이닝 기법들이나 인공지능 알고리즘은 물론 현재까지 가장 우수한 예측 성과를 나타내는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안 모형이 보다 우수한 예측성과를 보임을 확인할 수 있었다. 특히 주가지수 추세 예측에 있어서 학습사례의 선택이 매우 중요한 역할을 하는 것으로 확인 되었으며, 모델의 성능의 개선효과에 다른 요인보다 중요한 요소임을 확인할 수 있었다.

• 경영정보학연구
• /
• 제16권3호
• /
• pp.161-177
• /
• 2014

기업신용등급은 금융시장의 신뢰를 구축하고 거래를 활성화하는데 있어 매우 중요한 요소로서, 오래 전부터 학계에서는 보다 정확한 기업신용등급 예측을 가능케 하는 다양한 모형들을 연구해 왔다. 구체적으로 다중판별분석(Multiple Discriminant Analysis, MDA)이나 다항 로지스틱 회귀분석(multinomial logistic regression analysis, MLOGIT)과 같은 통계기법을 비롯해, 인공신경망(Artificial Neural Networks, ANN), 사례기반추론(Case-based Reasoning, CBR), 그리고 다분류 문제해결을 위해 확장된 다분류 Support Vector Machines(Multiclass SVM)에 이르기까지 다양한 기법들이 학자들에 의해 적용되었는데, 최근의 연구결과들에 따르면 이 중에서도 다분류 SVM이 가장 우수한 예측성과를 보이고 있는 것으로 보고되고 있다. 본 연구에서는 이러한 다분류 SVM의 성능을 한 단계 더 개선하기 위한 대안으로 유전자 알고리즘(GA, Genetic Algorithm)을 활용한 최적화 모형을 제안한다. 구체적으로 본 연구의 제안모형은 유전자 알고리즘을 활용해 다분류 SVM에 적용되어야 할 최적의 커널 함수 파라미터값들과 최적의 입력변수 집합(feature subset)을 탐색하도록 설계되었다. 실제 데이터셋을 활용해 제안모형을 적용해 본 결과, MDA나 MLOGIT, CBR, ANN과 같은 기존 인공지능/데이터마이닝 기법들은 물론 지금까지 가장 우수한 예측성과를 보이는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안모형이 더 우수한 예측성과를 보임을 확인할 수 있었다.