Traditional custom manufacturing is made to order, usually on a small scale, to meet specific customer requirements, typically associated with higher costs because it involves producing goods in only small quantities. Mass production, on the other hand, costs less, but it does not reflect individual needs by producing uniform products. Because of the high cost of traditional custom manufacturing and the uniformity of mass production, both are not appropriate as a solution to the increasing demand for customized products. On the contrary, mass customization, a compound of customization and mass production, is a manufacturing strategy that allows manufacturers to produce customized products in large volumes while keeping costs low. This strategy combines the efficiency of mass production with the flexibility of custom manufacturing to meet the growing needs of the market for customized products. Design is a factor that must be considered for mass customization and plays an important role in consumer purchase decisions. As the need for understanding and predicting various preferences for each customer increases along with the importance of mass customization, predicting individual design preferences has become a critical factor in product development. However, current methods for predicting design preferences have some limitations. Product design involves a vast amount of high-dimensional information, and personal design preference is a complex and heterogeneous area of emotion unique to each individual. To address these challenges, we propose an approach that utilizes dimensionality reduction model to transform design samples into low-dimensional feature vectors, enabling us to extract the key representational features of each design. For preference prediction models using feature vectors, by referring to the design preference tendencies of others, we can predict the individual-level design preferences more accurately. Our proposed framework overcomes the limitations of traditional methods to determine design preferences, allowing us to accurately identify design features and predict individual preferences for specific products. Through this framework, we can improve the effectiveness of product development and create personalized product recommendations that cater to the unique needs of each consumer.
기존의 맞춤형 제조는 특정 고객 요구 사항을 충족하기 위해 일반적으로 소규모로 주문 제작되어 제품을 생산하기 때문에 더 많은 비용이 소요된다. 반면 대량 생산은 비용은 저렴하지만 획일적인 제품을 생산하기 때문에 개별적인 요구 사항을 반영하지 못한다. 기존 맞춤형 제조의 높은 비용과 대량 생산의 획일성 때문에 맞춤형 제품에 대한 수요 증가에 대한 해결책으로 두 가지 모두 적합하지 않다. 반대로 대량 맞춤화(Mass Customization)는 제조업체가 비용을 낮추면서 맞춤형 제품을 대량으로 생산할 수 있는 제조 전략으로 대량 생산의 효율성과 맞춤형 제조의 유연성을 결합하여 맞춤형 제품에 대한 시장의 증가하는 요구를 충족한다. 디자인은 대량 맞춤화를 위해 반드시 고려해야 하는 요소이며 소비자의 구매 결정에 중요한 역할을 한다. 대량 맞춤화의 중요성과 함께 고객 개개인의 다양한 선호도를 이해하고 예측해야 할 필요성이 커지면서, 개인별 디자인 선호도를 예측하는 것이 제품 개발의 핵심 요소로 자리 잡았다. 하지만 디자인 선호도를 예측하는 방법에는 몇 가지 한계가 있다. 제품 디자인에는 방대한 양의 고차원 정보가 포함되며, 개인의 디자인 선호도는 개인마다 고유한 복잡하고 이질적인 감정의 영역이다. 이러한 문제를 해결하기 위해 본 연구는 차원축소 모델을 활용하여 디자인을 저차원의 특징 벡터로 변환하고 각 디자인의 주요 표현 특징을 추출할 수 있는 접근 방식을 제안한다. 특징 벡터를 활용한 선호도 예측 모델의 경우, 비슷한 디자인 선호 경향을 가진 타인의 선호도 정보를 참고하여 개인 수준의 디자인 선호도를 보다 정확하게 예측할 수 있다. 본 연구의 프레임워크는 디자인 선호도를 파악하는 기존 방법의 한계를 극복하여 디자인 특징을 정확하게 파악하고 특정 제품에 대한 개인별 선호도를 예측할 수 있다. 이 프레임워크를 통해 상품 개발의 효율성을 높이고 소비자 개개인의 고유한 니즈에 맞는 개인 맞춤형 상품을 추천할 수 있다.
