Customer preferences for products or services change over time, and understanding when and in what fashion such changes occur is an important task from the marketing point of view. Most of the existing studies on detecting the changes in customer preferences are concerned with comparing customer preference patterns at two arbitrarily chosen points in time. A problem with this approach is that it is difficult to determine the time at which a change in customer preference occurs.
This thesis considers a system in which customer-item preference data are maintained over time (e.g., a recommender system), and develops a control-chart-based approach for determining the time points of customer preference change and, at the same time, assessing the nature of those changes. Since the distribution of customer-item preference data cannot be easily specified and the data are multivariate in nature, such nonparametric multivariate control charts as r, Q, and DDMA charts are employed in this thesis.
The three control charting techniques are applied to the well-known Jester data as well as simulated data, and their relative performances are compared. It is found among others that: 1) the dimension of customer-item preference data is usually high since many items are involved, and control charting such data as they are is useless since most of the data points are declared as “out of control” indicating changes in customer preferences; 2) reducing the dimensionality of the original data using, for example, the principal component analysis can avoid the above problem and hence recommended whenever possible; and 3) the DDMA control chart is more sensitive than the r or Q chart in detecting the changes in customer preferences, especially in detecting the change in the location of the distribution of customer-item preference data.
시간의 흐름에 따라 고객의 성향은 변화하므로 마케팅의 관점에서 고객의 성향을 이해하고, 그 변화하는 패턴을 파악하는 일은 성공적인 마케팅을 위해 매우 중요하다. 이와 관련하여 지금까지는 두 시점을 임의로 결정하고 각각의 시점에서 발생한 패턴을 조사하고 비교하는 것이 연구의 주를 이루었다. 그러나 고객 성향의 변화를 판단하기 위해서는 변화가 발생한 시점이 결정되어야 하는데 이에 대한 연구는 이루어지지 않았다. 본 연구에서는 고객이 아이템에 점수를 부여한 고객-아이템 행렬에 대해 공정에서 사용하는 관리도를 활용하여 고객 성향의 변화가 발생한 시점을 탐지하는 방법을 개발하였다. 고객-아이템 행렬데이터는 일반적으로 정규분포를 따르지 않으므로 정규분포의 가정이 필요 없는 대표적 비모수 다변량 관리도인 r관리도, Q관리도 그리고 DDMA관리도를 고려하였다. 그리고 고객-아이템 행렬에는 결측치가 많이 존재하므로 Kim&Yum[8]이 제시한 기법을 고려하여 결측치를 최적의 값으로 추정하였다. 그리고 일정 기간 동안 아이템을 평가한 고객들을 묶어 부분군을 구성하고 각 아이템에 대해 부분군 안에 있는 고객들의 평균 점수를 그 기간 동안의 관찰값으로 간주하였다. 위와 같이 이렇게 개발된 기법을 대표적 고객-아이템 행렬 데이터인 Jester 데이터에 적용하여 패턴이 변화한 구간을 찾고, 가상의 시뮬레이션 데이터에 대해 r관리도, Q관리도, DDMA관리도 간의 성능을 평가하였다. Jester 데이터에 대해서는 결측치를 채운 100차원의 데이터를 사용한 실험과, 주성분 분석 기법으로 차원을 감소시킨 데이터를 사용한 실험을 각각 수행하였다. 실험 결과, 100차원의 데이터를 관리도에 사용하는 것은 in-control이 끝난 시점부터 대부분의 데이터가 관리한계를 벗어나므로 적절하지 않다는 것을 파악할 수 있었다. 주성분 분석 기법을 사용한 실험에서는 in-control 구간을 어떻게 설정하느냐에 관계없이 각 관리도의 모양은 거의 일정했으며, 관리도 간의 비교에서는 DDMA관리도가 r관리도나 Q관리도에 비해 관리한계를 벗어나는 데이터를 탐지하는데 더 민감하였다. 그러므로, 고객 성향의 변화를 보다 민감하게 탐지하기 위해서는 DDMA관리도를 사용하는 것이 바람직하다. 또한 시뮬레이션 데이터의 실험 결과, DDMA관리도가 r관리도나 Q관리도에 비해 location 변화를 탐지하는데 가장 적절한 기법임을 확인하였다.
