BI기법의 유통업,인공신경망,데이터마이닝,페지로직,전문가시스템,BI기법,BI기법 제조업,BI기법금융업,BI기법 전자상거래,데이터마이닝사례

소개글

BI기법의 유통업,인공신경망,데이터마이닝,페지로직,전문가시스템,BI기법,BI기법 제조업,BI기법금융업,BI기법 전자상거래,데이터마이닝사례에 대한 보고서 자료입니다.

목차

1. BI기법의 유통업 적용
(1) 전문가시스템의 기대효과 및 경영전략
(2) 인공신경망의 기대효과 및 경영전략
(3) 데이터마이닝의 기대효과 및 경영전략
(4) 퍼지로직의 기대효과 및 경영전략
1.2 각 방법론간의 차이점

2. BI기법의 제조업 적용
(1) 전문가시스템의 기대효과 및 경영전략
(2) 인공신경망의 기대효과 및 경영전략
(3) 데이터마이닝의 기대효과 및 경영전략
(4) 퍼지로직의 기대효과 및 경영전략
2.2 각 방법론간의 차이점

3. BI기법의 금융업 적용
(1) 전문가시스템의 기대효과 및 경영전략
(2) 인공신경망의 기대효과 및 경영전략
(3) 데이터마이닝의 기대효과 및 경영전략
(4) 퍼지로직의 기대효과 및 경영전략
3.2 각 방법론간의 차이점

4. BI기법의 전자상거래 적용
(1) 퍼지로직의 전자상거래 적용
(1-2) 고객정보 전략
(2) 인공신경망의 전자상거래 적용
(1-2) 고객정보 전략
(3) 데이터마이닝의 전자 상거래 적용
(3-1) 데이터베이스 마케팅전략
(4) 전문가시스템의 전자상거래 적용?
?

5. 데이터마이닝의 소셜커머스 적용 방안
5.1. 데이터마이닝의 소셜 커머스 분야 적용 기대효과

참고문헌

본문내용

석법을 이용하여 고객 구매 데이터 분석에 이용할 수 있을까? 고객 행동에 대한 이해도를 높여 판매량(또는 거래 성사율)을 극대화시키기 위한 목적으로 보았을 때, 먼저 지역 데이터-구매자 인구통계학 자료 데이터 사이의 연관규칙을 찾아내는 것이 우선된다고 할 수 있다. 일단 지역별로 구매자 인구통계학 자료 데이터를 분석한다. 예를 들면, 서울 강북 지역 의 명동에 거주하고 있는 (또는 명동을 선호지역으로 선택한) 구매자 중 20대 여성을 대상으로 정한다. 그 다음으로 지역 데이터를 통해 대학로 지역의 평균 거래성사율(쿠폰 판매율)을 파악하고, 대학로 지역에서 주로 판매되는 물품 및 서비스가 무엇인지를 구매 물품 및 서비스 유형 데이터를 통해 알아낸다. 그랬을 때 아래와 같은 사실을 알고자 한다고 가정해보자.
“서울 강북의 명동을 지역으로 선정한 20대 여성 중 미용실 서비스를
주로 구매하는 사람은, 손톱관리 서비스도 동시에 구매한다.”
위와 같은 가정을 연관규칙분석법으로 증명하기 위해서 먼저 ‘미용실 서비스를 구매하는 명동 지역 20대 여성’과 ‘손톱관리 서비스를 구매하는 명동 지역 20대 여성’ 사이의 일정한 연관규칙을 찾아내야 한다. 일정한 규칙을 추출했다면 ‘미용실 서비스-손톱관리 서비스’규칙의 지지도와 신뢰도를 분석한다. 여기서 지지도는 전체 구매 고객 중에서 연관규칙에 관련된 항목들을 구매하는 정도를 나타내고, 신뢰도는 특정 물품과 물품 사이의 연관성을 나타낸다고 배웠다. 만약 지지도가 신뢰도보다 낮다면 (지지도<신뢰도), 미용실 서비스와 손톱관리 서비스에 대한 연관성은 높지만, 전체 구매 고객 중에서 명동지역의 20대 여성이 그 두 가지의 서비스를 함께 구매하는 정도는 높지 않다는 결론을 내릴 수 있다. 반대로 지지도가 신뢰도보다 높다면 (지지도>신뢰도), 전체 구매 고객 중 명동지역의 20대 여성이 미용실 서비스와 손톱관리 서비스를 함께 구매하는 정도는 높으나, 그 두 서비스 사이의 연관성은 높지 않다는 결론이 나온다. 마지막으로 지지도와 신뢰도가 같다면 (지지도=신뢰도), 명동지역의 20대 여성이 미용실 서비스와 손톱관리 서비스를 함께 구매하는 정도와 그 두 서비스 사이의 연관성의 정도가 똑같다는 결론을 내릴 수 있다.
데이터 마이닝의 소셜 커머스 분야에 적용은 비단 고객 구매 데이터 분석에만 사용될 수 있는 것은 아니다. 기업의 재무적인 측면에서도 이러한 데이터 마이닝을 통해 분석해야 할 데이터들이 존재한다. 간단한 예로 위에서 분석해보았던 5가지 데이터를 통해 판매율, 광고 및 홍보비용, 거래성사율 등 재무적 정보들 또한 추출해낼 수 있다.
5.2. 데이터 마이닝의 소셜 커머스 분야 적용 기대효과
위에서 소셜 커머스 분야에 데이터 마이닝을 적용해보았다. 그렇다면 이에 대한 기대효과는 어떠한 점들이 있을까?
먼저 고객 구매 데이터 분석을 통한 데이터 마이닝은 다양한 고객들의 일정한 구매성향과 구매 행동에 대한 정보를 얻게 해준다. 이와 같은 목적의 데이터 마이닝은 유통업계에서도 찾아볼 수 있는데 신세계 백화점을 대표적인 사례로 들 수 있다. 2010년 인천에 명품관을 오픈한 신세계 백화점은 기존 인천점 고객 중 30-40대 전문직 여성의 정보를 추출하여, 이들 중 고급 화장품 구매 경험을 비롯한 5-6가지의 조건을 충족시키는 ‘타겟 고객’을 추려내고 다시 이들 중 서울 지역 백화점에서 명품 구매 경험이 있는 손님만을 집중 공략하는 데이터마이닝을 시도하였다. 결과는 데이터마이닝을 통해 추려낸 4만 명의 고객 중 2만 명 이상이 실제 새로 오픈한 인천점에서 명품을 구매하였고 전체 매출 또한 30% 이상 증가하였다는 것이다. ‘단순 구매이력 추적’만으로도 매출 또는 판매량을 급증시킬 수 있다는 점은 소셜 커머스에 데이터 마이닝을 적용하여 고객 구매 데이터 분석을 시도하는 것과 무관하다고 볼 수 없다. 특히 ‘소셜(Social)’이라는 특징 상 소셜 커머스에 쌓이는 데이터의 양은 오프라인 매장이 가지고 있는 그것과는 비교가 안 될 정도로 어마어마하기 때문에 더욱이 유용한 데이터의 추출을 목적으로 하는 데이터 마이닝은 필수적일 수밖에 없다. 특히 소셜 네트워크 서비스와 직간접적으로 관련을 맺고 있는 소셜 커머스는 소셜 네트워크 서비스와의 데이터 마이닝 협력을 통해 더 많은 고객 구매정보를 가질 수 있으며, 거래성과 제고에도 큰 도움이 될 것이다. 비즈니스 기회를 창출하기 위해 소셜 네트워크 사이트에 포스팅되는 비정형 정보까지 포함한 모든 것으로부터 지식과 정보를 수집하는 것을 일컫는 “대용량 데이터(Big Data)”라는 단어가 이를 단적으로 보여주는 예가 될 지도 모르겠다.
하지만 구매자의 입장으로 되돌아왔을 때, 엄청난 양의 고객 데이터가 소셜 커머스를 비롯한 모든 소셜 미디어에서 관리되고 추출되어 어딘가에서 다시 사용되고 있다는 사실은 그다지 반가운 소식만은 아닐 수밖에 없다. 대용량 데이터란 웹 상에 축적된 모든 데이터 혹은 실시간 데이터를 의미한다. 그렇다면 이러한 대용량 데이터의 소유주는 누구라고 해야 옳은 것인가? 예를 들면 페이스북이나 트위터와 같은 소셜 네트워크 사이트에 게재되는 사진과 글의 양은 셀 수 없이 많으며 즉, 사람들이 자신도 모르는 사이에 자신의 개인적인 정보를 그 사이트들에 제공하고 있는 것이나 다름없다. 사이트에 무언가를 올릴 때, 그것이 사이트에 올라가자마자 캐시되고 어딘가에 복사되기 때문이다. 그러한 정보들이 쌓이고 쌓여 언젠가 다른 누군가에 의하여 어떤 목적에 의해 사용될 수 있으며 그런 일들로 인해 불이익을 당하게 될지는 결코 모르는 일이다. 그러므로 소셜 상에 축적되는 데이터에 관한 이슈는 단순하게는 프라이버시에 관련한 것으로 보이나, 결국은 이 데이터들이 후에 어딘가에서 사용되었을 때 그러한 권리를 가지고 있는 것은 누구인가에 대한 이슈로까지 확장될 수 있으며 이는 소셜 커머스를 비롯한 소셜 미디어의 변화에 대해 다시 한 번 생각해보아야 할 시사점을 우리에게 제공하고 있다.
참고문헌
김석준, 박선원, 인공신경망을 이용한 화학공정제어, 한국과학기술원, 1996.
이건창, 최신경영정보시스템, 무역경영사, 2003.

키워드

BI기법의 유통업,   인공신경망,   데이터마이닝,   페지로직,   전문가시스템,   BI기법,   BI기법 제조업,   BI기법금융업,   BI기법 전자상거래,   데이터마이닝사례