DB마케팅을 통한 의류브랜드의 데이터 분석

본문내용

본)을 투입시키고 Data output을 통해 반응율 예측치, 즉 고객별 응답할 가능성이 있는지 없는지 여부를 살펴볼 수 있다.
3)결과해석
RBF 신경망 모델을 이용해 Text output을 수행시키고 나면, Cross Tabulation Matrix를 얻을 수 있는데, 결과를 보면 분석표본의 모델 정확도는 89.41%로 앞의 로지스틱 회귀분석의 정확도 79.00% 보다 높은 결과치로서 분류 예측의 정확도를 높일 수 있었다.
Graphics output을 이용해 얻은 wire mesh 그래프의 경우 input 변수중 방문빈도(F1), 구입금액(M1)과 예측반응율(RBF)간의 관계를 나타내고 있는데, 구입금액과 방문빈도가 많을 수록 예측 반응율이 높아지는 것을 알 수 있다.
이렇게 반응율 예측에 대한 모델이 설정되고 나면, 다른 표본을 이 모델에 적용시켜 반응율을 손쉽게 예측할 수 있다. 즉 고객DB중 일부의 표본만으로 모델을 설정하고 설정된 모델에 나머지 표본을 학습시킴으로써 반응율 예측의 효율성을 기할 수 있는데, 이러한 분석은 어떤 신규고객에게 DM을 보내야 하는가하는 마케팅상의 의사결정에 매우 유용하게 사용될 수 있다.
다른 표본에 대한 반응율 예측의 정확도를 검증하기 위해 분석 표본에서 설정된 모델에 유보표본을 실행시킨 후 [1)Input Tool에서 view → file → open → Run Data Input에서 파일 지정 후, 2)Data output Tool에서 view → file → Setup → Run Data Output에서 저장할 파일 설정 후, 3)view → Run시키고 → 수행결과를 view → Output run data를 선택하면 file이 저장됨], 그 결과를 sav 파일로 저장해 crosstabulation시키면 결과를 얻을 수 있다.
반응율 예측의 정확도를 다른 표본에 검증한 결과는 79.37%로 비교적 높은 정확도를 보였다. 이렇게 어느 정도의 정확도를 희생하더라도 분석의 효율성을 위해 고객DB중 일부만을 분석하여 나머지 표본에 적용시키는 방법도 타당하리라 본다. 이는 실제 수많은 고객리스트를 통해 반응할 고객을 찾는 것은 처리 용량의 한계로 인해 많은 어려움이 뒤따르고, 신규고객의 경우 과거 프로모션에 대한 반응여부가 축적되어 있지 않아 구매 히스토리만을 가지고 반응여부를 예측해야 하는 경우가 생기기 때문이다.
[결론 및 논의]
이상 고객DB를 통해 광고주가 궁금해하는 5가지 사항들을 SPSS를 이용한 전통적인 통계기법과 CHAID, Neural Connection등을 이용해 검증해 보았다. 본 연구에서 분석한 고객DB는 특정 고객만을 대상으로 2년 동안 축적된 초보적 자료이기 때문에 실제 깊이 있는 분석을 하는데 한계가 있지만, 데이터 분석 입장에서는 자료의 형태나 연구 목적에 따라 적절한 분석 Tool을 사용하여 유용한 데이터가 되도록 노력해야 한다.
데이터베이스 마케팅은 데이터웨어하우징 등 인프라 구축을 위한 막대한 비용이 들어가고 투자대비 단기적 효용성이 약하다는 인식 때문에 제대로 활성화되지 않고 있지만, 데이터베이스 마케팅의 궁극적 목적이 고객과의 개인적 거래를 통해 고객의 만족을 높이고 지속적인 관계를 유지하는데 있다면, 고객의 라이프스타일이나 구매 히스토리와 같은 성향분석을 통해 고객 개개인에 대한 관련 정보를 추출하는 과정은 필연적으로 선행되어야 한다.
광고주인 P브랜드의 경우 현재 데이터베이스 마케팅이 기업마케팅 Tool로 자리잡으면서 DM을 이용한 판촉활동이 활발히 전개되고 있지만, 실제 효과에 대한 분석이 선행되지 않아 활동적 구매자와 비활동적 구매자 혹은 상표 애호자와 비애호자에 대한 구분이 없이 진행됨으로써 효율성 측면에서 낭비적 요소가 적지 않았다.
본 연구를 통해 분석된 결과들은 앞으로 P브랜드의 마케팅 활동을 전개하는데 있어 여러가지 불확실성을 해소하는데 필요한 정보를 제공해 주었다. 하지만 실제 완벽한 DBMS를 구축하기에는 아직도 부족한 점이 많다. 예를 들어 어떤 고객들이 왜, 어떻게 유입됐고 이탈했는지, 고객에 따라 어떤 판촉이 효과적이었는지, 계절에 따른 seasonality는 없는지, 고객성향에 따른 구매패턴(지불수단, 구매장소)은 어떻게 다른지 등 아직도 풀어야할 과제가 산재해 있다.
따라서 앞으로의 과제는 우선 어떤 DB항목이 필수적인 항목이고 어떤 항목이 불필요한지 선별하고 이를 효율적으로 구축하는 과정이며, 다음으로는 축적된 방대한 분량의 고객DB를 정확하게 분석할 수 있는 활용 Tool의 개발을 통해 마케팅 효율을 극대화하는 것이다.
이런 측면에서 볼 때 최근 새로운 관심이 되고 있는 SPSS Data Mining Pack은 전통적인 통계기법의 한계를 넘어 대용량 데이터로부터의 유용한 정보추출 뿐만 아니라 데이터 분석의 다양한 접근을 가능케하고 마케팅 의사결정의 효율성을 기하는데 많은 도움을 줄 수 있으리라 생각된다.
참고문헌
김대수. (1994). 신경망 이론과 응용(Ⅰ), 하이테크정보.
박찬욱. (1996). 데이터베이스 마케팅, 연암사.
임종원. (1996). 마케팅조사 이렇게, 법문사.
정충영, 최이규. (1997). WINDOW용 SPSS SPSSWIN을 이용한 통계분석9제3판), 무역경영사.
채서일. (1997). 마케팅조사론, 학현사.
허명회. (1992). SAS 범주형 데이타 분석, 자유아카데미.
SPSS Inc. (1993). SPSS for Windows Base System User's Guide Release 6.0.
SPSS Inc. (1993). SPSS for Windows CHAID Release 6.0.
SPSS Inc. (1997). SPSS Professional Statistics 7.5.
SPSS Inc. (1997). Neural Connection 2.0 User's Guide.
SPSs Inc. (1997). Neural Connection 2.0 Application Guide.
Rob Jackson & Paul Wang. (1995). Strategic Database Marketing, NTC Business Books.

키워드

DB마케팅,   의류브랜드,   데이터 분석