Information Systems Review (경영정보학연구)

The Korea Society of Management Information Systems (한국경영정보학회)
권호 표지
DOI QR코드

DOI QR Code

A Study of the Beauty Commerce Customer Segment Classification and Application based on Machine Learning: Focusing on Untact Service

머신러닝 기반의 뷰티 커머스 고객 세그먼트 분류 및 활용 방안: 언택트 서비스 중심으로

  • Sang-Hyeak Yoon (Graduate School of Information, Yonsei University / SmartmediaRep) ;
  • Yoon-Jin Choi (Graduate School of Information, Yonsei University) ;
  • So-Hyun Lee (Graduate School of Information, Yonsei University) ;
  • Hee-Woong Kim (Graduate School of Information, Yonsei University)
  • 윤상혁 (연세대학교 정보대학원/스마트미디어렙) ;
  • 최윤진 (연세대학교 정보대학원) ;
  • 이소현 (연세대학교 정보대학원) ;
  • 김희웅 (연세대학교 정보대학원)
  • Received : 2020.06.01
  • Accepted : 2020.09.03
  • Published : 2020.11.30
Download PDF
⟨ Previous Next ⟩

Abstract

As population and generation structures change, more and more customers tend to avoid facing relation due to the development of information technology and spread of smart phones. This phenomenon consists with efficiency and immediacy, which are the consumption patterns of modern customers who are used to information technology, so offline network-oriented distribution companies actively try to switch their sales and services to untact patterns. Recently, untact services are boosted in various fields, but beauty products are not easy to be recommended through untact services due to many options depending on skin types and conditions. There have been many studies on recommendations and development of recommendation systems in the online beauty field, but most of them are the ones that develop recommendation algorithm using survey or social data. In other words, there were not enough studies that classify segments based on user information such as skin types and product preference. Therefore, this study classifies customer segments using machine learning technique K-prototypesalgorithm based on customer information and search log data of mobile application, which is one of untact services in the beauty field, based on which, untact marketing strategy is suggested. This study expands the scope of the previous literature by classifying customer segments using the machine learning technique. This study is practically meaningful in that it classifies customer segments by reflecting new consumption trend of untact service, and based on this, it suggests a specific plan that can be used in untact services of the beauty field.

인구 및 세대 구조가 변화면서 점차 대면 관계를 꺼리는 고객의 태도 변화가 정보기술의 발달과 스마트폰의 확산으로 더욱 커지고 있다. 이는 정보기술에 익숙해진 현대 고객들의 소비패턴인 효율성 및 신속성과도 부합되는 것으로, 오프라인 망 중심의 유통회사들이 판매 및 서비스 방식을 언택트로 전환하려는 움직임이 활발해지고 있다. 최근 다양한 분야에서 언택트 서비스가 활성화되고 있지만, 뷰티 제품의 경우 고객의 피부타입 및 상태에 따라 제품 선택이 쉽지 않으므로 비대면을 통해 제품을 추천하기가 쉽지 않다. 이와 관련하여 온라인 뷰티 분야에서 제품 추천을 위한 추천시스템 개발 및 추천 관련 연구들이 수행되었지만, 대부분이 설문조사 방법이나 소셜 데이터를 이용하여 추천 알고리즘을 개발한 연구들이었다. 즉, 고객의 피부타입이나 제품 선호도 등의 실제 사용자 정보를 기반으로 세그먼트를 분류한 연구는 부족하였다. 그리하여, 본 연구에서는 뷰티 분야에서의 언택트 서비스 중의 하나인 모바일 애플리케이션의 고객 정보와 검색 로그 데이터를 기반으로 머신러닝 기법의 K-prototypes 알고리즘을 이용하여 고객 세그먼트를 새롭게 분류하고, 이를 기반으로 언택트 마케팅 전략 방안을 제안한다. 본 연구는 머신러닝 기법을 이용하여 새롭게 고객 세그먼트를 분류함으로써 관련 기존 문헌의 범위를 확장하였다. 더불어, 언택트 서비스라는 새로운 소비 트렌드를 반영하여 고객 세그먼트를 분류하고, 이를 기반으로 뷰티 분야의 언택트 서비스에 활용할 수 있는 구체적인 방안을 제시했다는 실무적 의의가 있다.

Keywords

Acknowledgement

본 연구는 중소벤처기업부 중소기업기술정보진흥원이 지원하는 제품서비스기술개발사업의 지원을 받아 진행되었음(S2754537).

References

  1. 김난도, 김서영, 최지혜, 서유현, 이수진, 트렌드 코리아 2018, 미래의 창, 2018.
  2. 김담희, 안가경, "머신러닝을 이용한 고객세분화에 관한 연구", 융복합지식학회논문지, 제6권, 제2호, 2018, pp. 115-120.
  3. 김성언, 김은경, 김용기, "퍼지 추론과 감성사전 구축을 통한 화장품 추천 시스템", 한국지능시스템학회 논문지, 제27권, 제3호, 2017, pp. 253-260. https://doi.org/10.5391/JKIIS.2017.27.3.253
  4. 김형수, 박예린, 이정민, "머신러닝을 이용한 공연문화예술 개인화 장르 추천 시스템", Information Systems Review, 제21권, 제4호, 2019, pp. 31-45 https://doi.org/10.14329/isr.2019.21.4.031
  5. 박지혜, "초연결시대의 협력: IT 기업 간 협력 네트워크와 성과에 관한 연구", Information Systems Review, 제19권, 제2호, 2017, pp. 21-35. https://doi.org/10.14329/isr.2017.19.2.021
  6. 신하정, 남기환, "디바이스 유형을 고려한 온라인 멀티 채널 마케팅 효과", Information Systems Review, 제20권, 제4호, 2018, pp. 59-78. https://doi.org/10.14329/isr.2018.20.4.059
  7. 신혜란, 임유정, 홍유진, 임종태, 박재열, 이현병, 신보경, 복경수, 유재수, "소셜 미디어 환경에서 기계 학습을 활용한 화장품 추천 시스템의 설계 및 구현", 한국콘텐츠학회 종합학술대회논문집, 2019, pp. 289-290.
  8. 오수연, "언택트 마케팅 바람", 마케팅, 제52권, 제2호, 2018, pp. 60-64.
  9. 윤여수, 박현준, "사용자의 피부 색상에 기반한 파운데이션 색상 자동추천", 한국지능시스템학회 논문지, 제29권, 제4호, 2019, pp. 280-284. https://doi.org/10.5391/JKIIS.2019.29.4.280
  10. 이무형, "외식기업 비대면 채널 마케팅이 관계효익과 재구매 의도에 미치는 영향", 호텔리조트연구, 제18권, 제1호, 2019, pp. 293-318.
  11. 이영찬, "군집분석과 연관규칙을 활용한 고객 분류 및 장바구니 분석: 소매 유통 빅데이터를 중심으로", 지식경영연구, 제19권, 제4호, 2018, pp. 59-76. https://doi.org/10.15813/KMR.2018.19.4.004
  12. 이은주, 송재오, 김이나, 유재수, "화장품 추천을 위한 개인의 피부 유형 및 유전자를 이용한 빅데이터 분석 기반 모바일 서비스", 한국콘텐츠학회 종합학술대회 논문집, 2018, pp. 495-496.
  13. 조영성, 구미숙, 류근호, "RFM 기법과 k-means 기법을 이용한 개인화 추천시스템의 개발", 한국컴퓨터정보학회논문지, 제17권, 제6호, 2012, pp. 163-172. https://doi.org/10.9708/JKSCI.2012.17.6.163
  14. 최명희, 전정호, 강희구, 이경전, "다양한 유틸리티 태그를 활용한 컨벤션 서비스 시스템 적용사례: 2013 오송 화장품.뷰티 세계박람회를 중심으로", Information Systems Review, 제15권, 제3호, 2013, pp. 111-128.
  15. 트렌드모니터, "비대면 서비스 관련 인식 조사", 트렌드모니터, 2018. 7. 13, Available at http://www.trendmonitor.co.kr/tmweb/trend/allTrend/detail.do?bIdx=1684&code=0201&trendType=CKOREA.
  16. Chung, K. Y., "Effect of facial makeup style recommendation on visual sensibility", Multimedia Tools and Applications, Vol.71, No.2, 2014, pp. 843-853. https://doi.org/10.1007/s11042-013-1355-6
  17. Ester, M., H. P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise", Kdd, Vol.96, No.34, 1996, pp. 226-231.
  18. Feldman, R. and J. Sanger, The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data, Cambridge University Press, 2007.
  19. Fitzsimmons, J. A., M. J. Fitzsimmons, and S. Bordoloi, Service Management: Operations, Strategy, Information Technology, McGraw-Hill New York, 2008.
  20. Han, J., M. Kamber, and J. Pei, "Data mining concepts and techniques third edition", Morgan Kaufmann, 2011.
  21. Huang, Z., "Clustering large data sets with mixed numeric and categorical values", Proceedings Of 1st Pacific-Asia Conference on Knowledge Discouvery And Data Mining, 1997.
  22. Huang, Z., "Extensions to the k-means algorithm for clustering large data sets with categorical values", Data Mining and Knowledge Discovery, Vol.2, No.3, 1998, pp. 283-304. https://doi.org/10.1023/A:1009769707641
  23. Huang, Z. and M. K. Ng, "A note on k-modes clustering", Journal of Classification, Vol.20, No.2, 2003, p. 257-261. https://doi.org/10.1007/s00357-003-0014-4
  24. Jaakkola, E., A. Helkkula, L. Aarikka-Stenroos, and K. Verleye, "The co-creation experience from the customer perspective: Its measurement and determinants", Journal of Service Management, Vol.26, No.2, 2015, pp. 321-342. https://doi.org/10.1108/JOSM-09-2014-0254
  25. Jain, A. K. and R. C. Dubes, Algorithms for Clustering Data, Prentice-Hall, Inc, 1988.
  26. Jain, A. K., M. N. Murty, and P. J. Flynn, "Data clustering: A review", ACM computing surveys (CSUR), Vol.31, No.3, 1999, pp. 264-323. https://doi.org/10.1145/331499.331504
  27. Ji, J., W. Pang, Y. Zheng, Z. Wang, Z. Ma, and L. Zhang, "A novel cluster center initialization method for the k-prototypes algorithms using centrality and distance", Applied Mathematics & Information Sciences, Vol.9, No.6, 2015, pp. 2933-2942.
  28. Lee, D., "Effects of key value co-creation elements in the healthcare system: Focusing on technology applications", Service Business, Vol.13, No.2, 2019, pp. 389-417. https://doi.org/10.1007/s11628-018-00388-9
  29. Lee, S. M. and D. Lee, "Untact: A new customer service strategy in the digital age", Service Business, Vol.14, No.1, 2020, pp. 1-22. https://doi.org/10.1007/s11628-019-00408-2
  30. MacQueen, J., "Some methods for classification and analysis of multivariate observations", Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Vol.1, No.14, 1967, pp. 281-297.
  31. Meuter, M. L., A. L. Ostrom, R. I. Roundtree, and M. J. Bitner, "Self-service technologies: Understanding customer satisfaction with technology-based service encounters", Journal of Marketing, Vol.64, No.3, 2000, pp. 50-64. https://doi.org/10.1509/jmkg.64.3.50.18024
  32. Okuda, A., Y. Matsunami, M. Ueda, and S. Nakajima, "Finding similar users based on their preferences against cosmetic item clusters", Proceedings of the 19th International Conference on Information Integration and Web-based Applications & Services, 2017, pp. 156-160.
  33. Pfitzner, D., R. Leibbrandt, and D. Powers, "Characterization and evaluation of similarity measures for pairs of clusterings", Knowledge and Information Systems, Vol.19, No.3, 2009, pp. 361-394. https://doi.org/10.1007/s10115-008-0150-6
  34. Rousseeuw, P. J., "Silhouettes: A graphical aid to the interpretation and validation of cluster analysis", Journal of Computational and Applied Mathematics, Vol.20, 1987, pp. 53-65. https://doi.org/10.1016/0377-0427(87)90125-7
  35. Weiss, S. M., Text Mining: Predictive Methods for Analyzing Unstructured Information, Springer, 2005.
  36. Williams, R., K. Ribisl, and C. Jo, Response to Advance Notice of Proposed Rulemaking on Non-Face to-Face Sale and Distribution of Tobacco Products and Advertising, Promotion, and Marketing of Tobacco Products, Chapel Hill, NC: University of North Carolina at Chapel Hill, 2011.