Due to increasing of large-scale data, business intelligence (BI) becomes an essential requirement for corporate’s decision making recently. Although BI systems that include accurate and reliable data will have significance value, academics have paid only attention to improvement of data reliability based on already-collected data. This research offers an innovative theoretical mechanism for gathering a reliable data to improve data reliability not improving with collected data set. Specifically, based on network effect which is derived from social exchange theory and two-step flow model, I constructed a network-based reasoning model to improve the data reliability mechanism and developed recommendation system for validation. In this system users will be noticed impact of their influence when they report their preference on certain contents and their influence will be varied by other similar user groups’ feedback. To empirically validate the effeteness and accuracy of this mechanism, I obtained and analyzed over 2 million actual user preference data. The result suggests that the mechanism 3 to 5 times outperforms other basic mechanisms and it shows that this mechanism can perform efficiently on perspective of data gathering and data analysis.
최근 데이터의 증가와 함께 데이터 분석 결과를 기업의 의사결정에 활용하려는 추세 속에서 비즈니스 인텔리전스가 점차 중요해지고 있다. 이 때 신뢰성 있는 데이터의 수집이 효과적인 비즈니스 인텔리전스의 핵심 선제 요건인데, 기존 연구는 이미 수집된 데이터의 신뢰성을 향상시키는 연구에 집중되었다. 본 연구는 데이터 신뢰성과 관련한 기존 연구의 한계를 지적하고, 비즈니스 인텔리전스 효과를 높이기 위한 신뢰성 높은 데이터 확보가 가능한 새로운 이론적 모형을 제시한다. 특히 사회적 교환이론 및 정보의 2단계 흐름이론을 적용한 네트워크 효과기반의 추론모델을 이용하여 영향력 개념이 도입된 메커니즘을 디자인하였고, 200만건 이상의 실제 사용자 선호데이터를 수집하고 이를 추천시스템에 적용하여 검증하였다. 세부적으로, 본인의 선호 데이터 입력 행위가 어떠한 영향력을 가지는지 개인별로 인식을 시켜주고, 영향력이 높은 사용자의 선호 데이터에 가중치를 두는 네트워크 효과 기반의 추천시스템 방식을 적용하여 기존 신뢰성이 낮은 사용자 입력 데이터에 대한 한계를 극복하였다. 그 결과, 데이터 수집 관점과 데이터 분석 관점에서 영향력에 기반한 데이터 수집 메커니즘이 보다 효율적인 접근을 할 수 있음을 보였다.
