• 한국토양비료학회지
• /
• 제15권2호
• /
• pp.128-140
• /
• 1982

저위(低位) 생산답중(生産畓中)에서 분포면적(分布面積)이 가장 넓고 개량(改良)의 효과(効果)가 큰 사질답(砂質畓)의 분포상태(分布状態) 및 실용적(実用的) 분류(分類)와 더불어 현재(現在) 널리 쓰이고 있는 답류형별(畓類型別) 분류체계(分類体系)의 개선(改善)을 위한 사질답(砂質畓) 유형분류(類型分類) 시안(試案)을 시도(試圖)하여 본 결과(結果)는 다음과 같다. 1. 현재(現在) 이용(利用)되고 있는 기준(基準)에 의(依)한 사질답(砂質畓)의 잠재생산력(潜在生産力)은 보통답(普通畓)의 86%이었고 생산력(生産力)의 변이정도(変異程度)가 커서 유형재분류(類型再分類)의 필요성(必要性)이 있었다. 2. 현재(現在) 이용(利用)되고 있는 답유형(畓類型) 구분기준중(区分基準中) "사질답(砂質畓)"은 토성(土性)이 사질(砂質)이더라도 습답(湿畓)인 경우(境遇)와 염농도(塩濃度)가 높은 경우(境遇)에는 제외(除外)되고 있으므로 "객토대상지(客土対象地)" 추천(推薦)이 복잡(複雜)하고 제염(除塩)되거나 배수조건(排水條件) 변화시(変化時)에 유형(類型)을 변경분류(変更分類)해야 하였다. 3. 본(本) 연구(硏究)에서 제안(提案)한 사질답분류(砂質畓分類) 시안(試案)에서는 토성(土性)이 사질(砂質)인 모든 답토양(畓土壌)을 포함(包含)시켰으며 수량(收量)에 영향(影響)이 큰 특성(特性)을 기준(基準)하여 개(個)의 아형(亜型)(산화용탈형(酸化溶脫型) 사질답(砂質畓); 건답형(乾畓型), 산화환원중간형(酸化還元中間型) 사질답(砂質畓); 반습답형(半湿畓型), 환원집적형(還元集積型) 사질답(砂質畓); 습답형(湿畓型), 환원염해형(還元塩害型), 사질답(砂質畓), 염해형(塩害型))으로 재분(再分)하였고 각아형(各亜型)은 토성계별(土性系別)로 토양통(土壌統)과 연결(連結)할 수 있었다. 그러므로 시안(試案)의 분류단계(分類段階)는 형(型)(사질답(砂質畓))-아형(亜型)(4개(個))-토성계(土性系)(5등급(等級))-토양통(土壤壌)(48개통(個統))으로 되었다. 4. 시안(試案)과 같이 사질습답(砂質湿畓)과 사질염해답(砂質塩害畓)을 사질답(砂質畓)의 일부(一部)에 포함(包含)시켜 생산력(生産力)의 변이정도(変異程度)를 검정(検定)해 본 결과(結果)는 현행(現行) 체계(体系)에 의(依)한 것보다 개선(改善)되엇다. 5. 전국(全国)의 사질답(砂質畓) 면적(面積)은 409,902ha로서 총(総) 답면적(畓面積)의 32.3%에 해당(該当)되며 시안(試案)대로 분류(分類)하면 38.9%(492,982ha)에 달(達)하였고 절대면적(絶対面積)이 많은 지역(地域)은 경기(京畿)(88,923ha), 전북(全北)(69,717ha), 경북(慶北)(55,390ha) 순(順)이었고 답면적(畓面積) 전체(全体)에 대(対)한 상대적(相対的) 비율(比率)이 높은 지역(地域)은 강원(江原)(58.9%), 경기(京畿)(50.5%), 충북(忠北)(48.5%), 전북(全北)(41.0%)의 순(順)이며 시안(試案)에 의(依)하면 사질답(砂質畓) 면적(面積)은 더욱 높아져서 강원도(江原道)의 경우(境遇)에는 71.4%가 사질질답(砂質質畓)에 해당(該当)되었다. 6. 사질답(砂質畓)은 답토양(畓土壌) 적성등급(適性等級)의 3급지(級地)(69.1%)와 4급지(級地)(29.2%)에 대부분(大部分)이 해당(該当)되었으며 3급지중(級地中)에서는 "3사질(砂質)"(53.3%), 4급지중(級地中)에서는 "4경사(傾斜)"(16.0%)에 해당(該当)하는 토양(土壌)이 가장 많았다. 토성계(土性系)(Texture family)별(別)로는 사양질계(砂壌質系)(Coarse loamy family)가 59.2%로 대부분(大部分)이었고 징사(徵砂) 사양질계(砂壌質系)(Coarse silty)인 것도 전체(全体)의 16.1%에 달(達)하였다. 7. 시안(試案)에 의(依)한 사질답(砂質畓) 아형별(亜型別) 면적(面積)은 반습답형(半湿畓型) 사질답(砂質畓)(酸化還元中間型)이 49.6%(245,012ha)로 가장 많았고 그 다음으로 건답형(乾畓型) 사질답(砂質畓)(산화용탈형(酸化溶脫型))이 33.5%(64,890ha)이었고 습답형(湿畓型)(14.0%)과 염해형(塩害型)(2.9%)도 그 분포면적(分布面積)은 83,081ha에 달(達)하였다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.77-110
• /
• 2017

최근 인터넷 기반의 웹 및 모바일 기기를 통한 소비 패턴의 다양화와 개성화가 급진전됨에 따라 전통적 유통채널인 오프라인 매장의 효율적 운영이 더욱 중요해졌다. 매장의 매출과 수익 모두를 제고하기 위해 매장은 소비자에게 가장 매력적인 상품을 적시에 공급-판매 해야 하는데 많은 상품들 중에서 어떤 SKU를 취급하는 것이 판매 확률을 높이고 재고 비용을 낮출 수 있는지에 대한 연구가 부족한 실정이다. 특히, 여러 지역에 걸쳐 다수의 오프라인 매장을 통해 상품을 판매하는 기업의 경우 고객에게 매력적인 적절한 SKU를 추천 받아 취급할 수 있다면 매장의 매출 및 수익률 제고에 도움이 될 것이다. 본 연구에서는 개인화 추천에 이용되어 왔던 협업 필터링과 하이브리드 필터링 등의 추천 시스템(Recommender System)을 국가별, 지역별로 복수의 판매 매장을 통해 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하였다. 각 매장의 취급 품목별 구매 데이터를 활용하여 각 매장 별 유사성(Similarity)을 계산하고 각 매장의 SKU별 판매 이력에 따라 협업 필터링을 하여 최종적으로 매장에 개별 SKU를 추천하였다. 또한 매장 프로파일 데이터를 활용하여 주변수 분석 (PCA : Principal Component Analysis) 및 군집 분석(Clustering)을 통하여 매장을 4개의 군집으로 분류한 뒤 각 군집 내에서 협업 필터링을 적용한 하이브리드 필터링 방식으로 추천 시스템을 구현하고 실제 판매 데이터를 바탕으로 두 방식의 성능을 측정하였다. 현존하는 대부분의 추천 시스템은 사용자에게 영화, 음악 등의 아이템을 추천하는 방식으로 연구가 진행되어 왔고 실제로 산업계에서의 적용 또한 개인화 추천 시스템이 주류를 이루고 있다. 그 동안 개인화 서비스 영역에서 주로 다루어져 왔던 이러한 추천 시스템을 동종 브랜드를 취급하는 유통 기업의 매장 단위에 적용하여 각 매장의 취급 SKU를 추천하는 방식에 대한 연구는 거의 이루어지지 않고 있는 실정이다. 기존 추천 방법론의 추천 적용 대상이 '개인의 영역이었다면 본 연구에서는 국가별, 지역별로 복수의 판매 매장을 통해 개인의 영역을 넘어 매장의 영역으로 확대하여 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하고 있다. 또한 기존의 추천시스템은 온라인에 한정되었다면 이를 오프라인으로 활용 범위를 넓히고, 기존 개인을 기반으로 분석을 하는 것보다 매장영역으로 확대 적용하기에 적합한 알고리즘을 개발하기 위해 데이터마이닝 기법을 적용하여 추천 방법을 제안한다. 본 연구의 결과가 갖는 의의는 개인화 추천 알고리즘을 동일 브랜드를 취급하는 복수의 판매 매장에 적용하여 의미 있는 결과를 도출하고 실제 기업을 대상으로 시스템으로 구축하여 활용할 수 있는 구체적 방법론을 제시했다는 데에 있다. 개인화 영역을 위주로 이루어졌던 기존의 추천 시스템과 관련한 학계의 연구 영역을 동종 브랜드를 취급하는 기업의 판매 매장으로 확장시킨 첫 시도라는 데에도 의미가 있다. 2014년 03주차 ~ 05주차 전(全) 매장 판매 수량 실적 Top 100개 SKU로 추천의 대상을 한정하여 협업 필터링과 하이브리드 필터링 방식으로 52개 매장 별로 취급 SKU를 추천하고, 추천 받은 SKU에 대한 2014년 06주차 매장별 판매 실적을 집계하여 두 추천 방식의 성과를 비교하였다. 두 추천 방식을 비교한 이유는 본 연구의 추천 방법이 기존 추천 방식 보다 높은 성과를 입증하기 위해 단순히 오프라인에 협업필터링을 적용한 것을 기준 모델로 정의하였다. 이 기준 모델에 오프라인 매장 관점의 특성을 잘 반영한 본 연구 모델인 하이브리드 필터링 방법과 비교 함으로써 성과를 입증한다. 연구에서 제안한 방식은 기존 추천 방식보다 높은 성과를 나타냈으며, 이는 국내 대기업 의류업체의 실제 판매데이터를 활용하여 입증하였다. 본 연구는 개인 수준의 추천시스템을 그룹수준으로 확장하여 효율적으로 접근하는 방법을 이론적인 프레임 워크를 만들었을 뿐 아니라 실제 데이터를 기반으로 분석하여 봄으로써 실제 기업들이 적용해 볼 수 있다는 점에서 연구의 가치가 크다.