• 디지털융복합연구
• /
• 제12권11호
• /
• pp.209-214
• /
• 2014

전반적인 전 세계 시장의 불황속에서도 세계최대 북미시장에서 국내 가전업체들이 TV 시장의 지배력을 강화하고 있는 이유는 강력한 제품 경쟁력과 브랜드 파워를 내세워 프리미엄 시장과 중저가 시장을 모두 차지하면서 수익성과 볼륨을 모두 잡았기 때문으로 분석된다. 이렇게 국내 TV 제조사들이 북미시장에서 선전하고 있음에도 불구하고 국내 TV 제조회사들은 지속적인 시장선점 및 TV 제품의 경쟁력을 유지하기 위한 제품개발, 마케팅 및 판매전략 등을 고민하고 있다. 본 연구에서는 이러한 지속적인 경쟁우위를 유지하기 위한 방안으로 국내 A사의 북미시장에서의 TV 판매 데이터를 이용하여 북미시장에서의 TV 판매예측모델을 개발하고자 한다. 이를 위하여 본 연구에서는 판매예측모델에서 많이 적용되고 있는 다중회귀모델과 인공신경망 기반의 예측모델을 개발하여 두 모델의 비교분석한다. 특히 본 연구에서는 TV 제품의 부가가치를 향상시키거나 가격경쟁력을 향상시키기 위해 TV의 주요 기능과 판매와의 연관성 분석도 수행한다.

• 디지털융복합연구
• /
• 제13권9호
• /
• pp.177-182
• /
• 2015

북미시장에서 국내 가전업체의 브랜드 및 제품 인지도는 크게 성장했으며 북미 소비자들에게 국내 기업의 제품은 성능이 좋고 혁신적인 기술 제품으로 인식되고 있다. 또한 에너지 절약을 원하는 소비자가 늘어나면서 국내 가전제품의 에너지 절약 측면에서 우수성이 부각됨에 따라 시장점유율이 상승으로 이어지고 있다. 최근 스마트폰과 모바일 기기 시장 확대 및 스마트 그리드 기술 발달의 영향으로 가전제품 시장에도 스마트 열풍이 거세게 몰아치고 있는데, 국내 기업들은 가전제품과 결합된 다양한 부가기능을 통해 소비자 편의를 제공함에 따라 지속적인 제품개발을 하고 있다. 본 연구에서는 지속적인 경쟁우위를 유지하기 위한 방안으로 국내 A사의 북미시장에서의 TV 판매 데이터를 이용하여 북미시장에서의 가전제품 판매예측을 위한 융합모델을 개발하고자 한다. 본 연구에서는 인공신경망과 유전자 알고리즘 기반의 융합모델을 이용한 가전제품의 판매예측을 수행하기로 한다. 추가적으로 본 연구에서는 제안한 융합모델과 기존의 예측모델과의 비교분석을 통해 제안한 융합모델의 우수성을 입증하기로 한다.

• 한국정보시스템학회지:정보시스템연구
• /
• 제14권2호
• /
• pp.277-292
• /
• 2005

This paper uses a data mining approach to develop bankruptcy prediction models suitable for traditional (off-line) companies and electronic (on-line) companies. It observes the differences in the composition prediction models between these two types of companies and provides interpretation of bankruptcy classifications. The bankruptcy prediction models revealed the major variables in predicting bankruptcy to be 'cash flow to total assets' and 'gross value-added to net sales' for traditional off-line companies while 'cash flow to liabilities','gross value-added to net sales', and 'current ratio' for electronic companies. The accuracy rates of final prediction models for traditional off-line and electronic companies were found to be $84.7\%\;and\;82.4\%$, respectively. When the model for traditional off-line companies was applied for electronic companies, prediction accuracy dropped significantly in the case of bankruptcy classification (from $70.4\%\;to\;45.2\%$) at the level of a blind guess ($41.30\%$). Therefore, the need for different models for traditional off-line and electronic companies is justified.

• Asia pacific journal of information systems
• /
• 제31권2호
• /
• pp.185-196
• /
• 2021

The paper aims to analyze and predict sales of liquor in the state of Iowa by applying machine learning algorithms to models built for prediction. We have taken recourse of Azure ML and Spark ML for our predictive analysis, which is legacy machine learning (ML) systems and Big Data ML, respectively. We have worked on the Iowa liquor sales dataset comprising of records from 2012 to 2019 in 24 columns and approximately 1.8 million rows. We have concluded by comparing the models with different algorithms applied and their accuracy in predicting the sales using both Azure ML and Spark ML. We find that the Linear Regression model has the highest precision and Decision Forest Regression has the fastest computing time with the sample data set using the legacy Azure ML systems. Decision Tree Regression model in Spark ML has the highest accuracy with the quickest computing time for the entire data set using the Big Data Spark systems.

• 한국정보시스템학회지:정보시스템연구
• /
• 제31권3호
• /
• pp.197-220
• /
• 2022

Purpose The purpose of this study is to identifies the demand pattern categorization of repair parts of Automotive After-sales Service(A/S) and proposes a demand prediction model for Auto repair parts using Long Short-Term Memory (LSTM) of artificial neural networks (ANN). The optimal parts inventory quantity prediction model is implemented by applying daily, weekly, and monthly the parts demand data to the LSTM model for the Lumpy demand which is irregularly in a specific period among repair parts of the Automotive A/S service. Design/methodology/approach This study classified the four demand pattern categorization with 2 years demand time-series data of repair parts according to the Average demand interval(ADI) and coefficient of variation (CV²) of demand size. Of the 16,295 parts in the A/S service shop studied, 96.5% had a Lumpy demand pattern that large quantities occurred at a specific period. lumpy demand pattern's repair parts in the last three years is predicted by applying them to the LSTM for daily, weekly, and monthly time-series data. as the model prediction performance evaluation index, MAPE, RMSE, and RMSLE that can measure the error between the predicted value and the actual value were used. Findings As a result of this study, Daily time-series data were excellently predicted as indicators with the lowest MAPE, RMSE, and RMSLE values, followed by Weekly and Monthly time-series data. This is due to the decrease in training data for Weekly and Monthly. even if the demand period is extended to get the training data, the prediction performance is still low due to the discontinuation of current vehicle models and the use of alternative parts that they are contributed to no more demand. Therefore, sufficient training data is important, but the selection of the prediction demand period is also a critical factor.

• 한국의류학회지
• /
• 제44권6호
• /
• pp.1053-1069
• /
• 2020

This study examined the sales pattern relationship with respect to product attributes to propose sales forecasting for fashion products. We analyzed 537 SKU sales data of T-shirts in the domestic sports brand using SAS program. The sales pattern of fashion products fluctuated and were influenced by exogenous factors; therefore, we removed the influence of exogenous factors found to be price discounts and holiday effects as a result of regression analysis. In addition, it was difficult to predict sales using the sales patterns of the same product since fashion products were released as new products every year. Therefore, the forecasting model was proposed using sales patterns of related product attributes when attributes were considered descriptive variables. We classified sales patterns using K-means clustering in order to explain the relationship between sales patterns and product attributes along with creating a decision tree classifier using attributes as input and sales patterns as output. As a result, the sales patterns of T-shirts were clustered into six types that featured the characteristic shape of peak and slope. It was also associated with the combination of product attributes and their values in regards to the proposed sales pattern prediction model.

• 유통과학연구
• /
• 제17권11호
• /
• pp.73-79
• /
• 2019

Purpose: The purpose of this study was evaluated to compare the predictive power of distress prediction models by using discriminant analysis method and logit analysis method for food service franchise industry in Korea. Research design, data and methodology: Forty-six food service franchise industry with high sales volume in the 2017 were selected as the sample food service franchise industry for analysis. The fourteen financial ratios for analysis were calculated from the data in the 2017 statement of financial position and income statement of forty-six food service franchise industry in Korea. The fourteen financial ratios were used as sample data and analyzed by t-test. As a result seven statistically significant independent variables were chosen. The analysis method of the distress prediction model was performed by logit analysis and multiple discriminant analysis. Results: The difference between the average value of fourteen financial ratios of forty-six food service franchise industry was tested through t-test in order to extract variables that are classified as top-leveled and failure food service franchise industry among the financial ratios. As a result of the univariate test appears that the variables which differentiate the top-leveled food service franchise industry to failure food service industry are income to stockholders' equity, operating income to sales, current ratio, net income to assets, cash flows from operating activities, growth rate of operating income, and total assets turnover. The statistical significances of the seven financial ratio independent variables were also confirmed by logit analysis and discriminant analysis. Conclusions: The analysis results of the prediction accuracy of each distress prediction model in this study showed that the forecast accuracy of the prediction model by the discriminant analysis method was 84.8% and 89.1% by the logit analysis method, indicating that the logit analysis method has higher distress predictability than the discriminant analysis method. Comparing the previous distress prediction capability, which ranges from 75% to 85% by discriminant analysis and logit analysis, this study's prediction capacity, which is 84.8% in the discriminant analysis, and 89.1% in logit analysis, is found to belong to the range of previous study's prediction capacity range and is considered high number.

• 응용통계연구
• /
• 제27권3호
• /
• pp.419-430
• /
• 2014

전력수급의 정확한 예측은 국민들의 일상적 생활 유지, 산업활동, 그리고 국가경영을 위하여 매우 중요하다. 본 연구에서는 시계열모형화에 의해 전력판매량을 예측한다. 실제 자료분석을 통하여 입력시계열로서 냉난방도일과 개입변수로 펄스함수를 사용한 전이함수모형이 다른 시계열모형에 비해서 제곱근평균제곱오차 및 평균절대오차의 의미에서 더 우수하였다.

• 정보과학회 논문지
• /
• 제44권8호
• /
• pp.803-812
• /
• 2017

T-커머스는 양방향 디지털 TV를 기반으로 양방향 데이터방송 기술을 활용하여 상거래를 하는 기술융합형 서비스이다. 채널 번호와 판매상품이 제한된 환경에서 T-커머스의 매출을 극대화 하기 위해서는 각 제품의 시간대별 경쟁력을 고려하여 매출이 최대화 되도록 프로그램을 편성해야 한다. 이를 위해, 본 논문에서는 딥러닝을 이용해 T-커머스에서 각 상품을 각 시간대에 편성하였을 때의 매출을 예측하는 방법을 제안한다. 제안하는 방법은 심층신경망을 이용해 판매 상품과 시간대, 주차, 휴일 여부, 그리고 날씨를 입력 받아 실제 방송으로 편성했을 때 기대되는 매출을 예측한다. 그리고, 통계적 모델과 SVD(Singular Value Decomposition)를 적용하여 판매 데이터의 편중 및 희박성 문제를 완화한다. 실제 T-커머스 운영자인 (주)더블유쇼핑의 판매 기록 데이터에 대하여 실험하였을 때 실제 매출과 예측치의 차이가 0.12의 NMAE(Normalized Mean Absolute Error)를 보여 제안하는 알고리즘이 효과적으로 동작함을 확인하였다. 제안된 시스템은 (주)더블유쇼핑의 T-커머스 시스템 적용되어 방송 편성에 활용되었다.

• 문화기술의 융합
• /
• 제8권4호
• /
• pp.347-353
• /
• 2022

외식업은 소비자의 수요가 많고 진입장벽이 낮아 창업이 활발하게 일어난다. 하지만 외식업은 폐업률이 높고, 프랜차이즈의 경우 동일 브랜드 내에서도 매출 편차가 크게 나타난다. 따라서 외식업 프랜차이즈의 폐업을 방지하기 위한 연구가 필요하다. 이를 위해, 본 연구에서는 프랜차이즈 가맹점 매출에 영향을 미치는 요인들을 살펴보고, 도출된 요인들에 머신러닝 기법을 활용하여 프랜차이즈의 성패를 예측하고자 한다. 강남구 프랜차이즈 매장의 PoS(Point of Sale) 데이터와 공공데이터를 활용하여 가맹점 매출에 영향을 미치는 여러 요인들을 추출하고, VIF(Variance Inflation Factor)를 활용하여 다중공산성을 제거하여 타당성 있는 변수 선택을 진행한 뒤, 머신러닝 기법 중 분류모델을 활용하여 프랜차이즈 매장의 성패 예측을 진행한다. 이를 통해 최고 정확도 0.92를 가진 프랜차이즈 성패 예측 모델을 제안한다.