2014 대한산업공학회 한국경영과학회 춘계 학술대회 - 손지은
- 2014년 5월 19일 오후 3:16
- 조회수: 1323
Reviewed by
손지은
손지은
-청취자 후기-
이번 학회에서는 수요예측, 지식재산, 추천시스템 위주로 세션을 청취하였다.
앞으로는 품질이나 최적화 분야의 세션에도 적극적으로 참가하여 다양한 분야에서의 동향을 파악해야 하겠다.
[1일차 오전 세션]
1.통신업체 중심의 두단계 수요예측 모형에 대한 연구
무선단말의 수요예측을 하기 위해 1차적으로 정성적로 모델을 분류한 다음 제품 수명 주기가 도입기&성장기 인 경우에는 Bass model이나 Gomperts model과 같은 성장모형을 사용하고 성숙기&쇠퇴기인 경우이는 시계열 모형을 사용하여 수요량을 예측하였다.
각각 Bass model과 단순지수평활법의 성능이 우수하다는 결론을 내렸으나 t+1시점을 예측하는데 있어 수명 주기별로 다른 모델을 사용하는것이 의미가 있는지 의문이다.
실제로 도입기와 성장기에서도 시계열 모형을 적용하여 본 연구와 결과를 비교해봐야겠다.
또한 정성적 모델 분류는 사례기반추론이라 할 수 있는데 전문가의 의견에 의존할 수 밖에 없는 부분을 어떻게 보완하여 객관적으로 판단해야 할지에 대해 고민하는 계기가 되었다.
2.데이터 분석 기법을 활용한 서비스 부품의 저장 위치 선정을 위한 방안 수립
서비스 부품이 가지는 다양한 특성 데이터를 바탕으로 부품의 유형을 구분하고 각 유형별 수요예측 모형을 개발하여 입출고를 위한 저장과 오더피깅의 전체 거리를 최소화하기 위한 방안을 제시하였다.
K-means로 군집화를 수행하고 이동평균법, 지수평활법을 통해 수요를 예측하여 최적화 저장위치를 배치하였는데 비교적 간단한 알고리즘을 사용하였지만 수요예측의 확실한 목표와 계절지수를 산출하여 월별 가중치를 적용하는 부분이 인상적이었다.
[1일차 오후 세션]
1.Forecasting Annual Lung and Bronchus Cancer Deaths using Individual Survival Times
성별, 인종, 나이에 따른 생존 확률을 분석하였다. 분포에 대한 가정이나 분석에 사용한 변수가 적다는것이 아쉬웠고 조건부 확률을 이용했음에도 불구하고 질병에 걸리지 않은 사람에 대한 사전정보를 알수 없다는 점이 한계점인 듯 싶었다.
하지만 단순 질별의 발병 확률이 아닌 연차별 생존 확률을 계산하였다는 점이 흥미로웠다.
2.A Bayesian Approach to Adapting Forecasts to Structural changes in a State-Space model
Structural change detection과 예측에 대한 연구로써, Structural change에 따라 베이지안에서 사전정보가 어떻게 달라지는지에 대해 설명하였다.
즉 structural change가 없는경우와 있는경우로 나누어 각각에서 예측모델을 적용하였는데 사전분포 계산하는 과정에서 이해가 어려웠다.
3.인수특허 정보와 활용패턴 분석을 통한 비실시 기업의 분류
비실시 기업(non-practicing entity, NPE)는 간단히 말해 지식재산(특허)를 통해 이익을 창출하는 기업인데 발표자는 고객,상품가치,수익흐름 등의 비즈니스 모델의 구성요소를 통해 비실시 기업의 유형을 분류하였다.
군집화 과정에서 연구자의 주관적 의견이 많이 작용하였고 활용된 지표가 제한적이었지만 특허를 통한 비즈니스 모델의 중요성이 커지고 있는 만큼 의미있는 연구라고 생각하였다.
4.특허의 출원인 인용과 심사관 인용 행태의 산업별 비교
특허에서 인용정보를 출원인 인용과 심사관 인용으로 나누어 분석함으로써, 각각 어떤 차이점이 존재하는지에 대해 연구하였다.
그동안 인용정보를 사용한 특허분석 연구들이 많았는데 이를 출원인과 심사관을 구분하여 더욱 상세한 분석을 진행했다는 것이 흥미로웠다.
그러나 인용정보가 거의 존재하지 않는 국내 특허에서는 어떻게 적용하면 좋을 지 궁금했다.
5.네트워크에 기반한 특허 청구한 분석
발표 제목과 내용이 좀 달랐는데, 실제 분석한 내용은 수많은 특허중에서 어떻게 강한특허를 검색결과로 보여줄 수 있는가 이다.
강한특허의 조건으로 제시한것은 청구항의 구성요소가 적고 피인용 횟수가 많으며 최근에 등록된 특허이다.
세가지 조건중에 한두개가 고정되어 있다면 어떤 특허가 더 강한지 비교가 가능하겠지만, 세가지 조건이 모두 다를 때 어떻게 조합해야 의미있는 결과값이 나오는지에 대한 내용은 포함하지 않았다.
피인용 횟수와 등록일 간의 관계를 파악하는것이 매우 필요하지만 어려울 것으로 예상된다.
[2일차 오전 세션]
1.구매의사결정과정에서 서비스 채널 선택에 대한 고객 행동 모델링: 행위자 기반 접근
구매의사결정과정의 각 단계별로 서비스 채널 선택에 대한 고객 행동을 모델링하기 위한 행위자 기반 접근을 제안하였으며
기술수용모형을 바탕으로 고객특성 요인과 서비스 채널 특성 요인을 서비스 채널 선택의 영향 요인으로 고려하였다.
발표자가 발표시간 분배를 잘못하여 행동 모델링의 그룹에 대한 설명만 이해하였을 뿐, 뒷부분은 거의 제대로 설명을 안해 결론에 대한 이해가 부족했다.
2.DEA에 의한 헐리우드 영화 효율성 분석 및 이를 응용한 영화분류 시스템
영화를 분류하는 효율성과 평점을 이용하였으며 여기서 효율성이란 투자금액 대비 수익성을 말하며 어느정도 관객들이 영화에 준 평점이 쌓인 이후이다.
두개의 변수를 사용하였기 때문에 영화의 분류는 4사분면으로 나뉘었는데 영화의 분류를 아주 단편적인 요소들만 고려하여 4개의 그룹으로 나누었다는것이 좀 미흡해 보였다.
이러한 영화분류는 추천시스템을 통해 추천이 이루어진 이후의 단계로 볼수 있는데 예를들어 추천시스템이 고객에게 추천해준 영화가 재미 없을 경우에는 기존 평점보다 낮은 평점을 갖게 될 것이며 이러한 사건이 반복됨으로써 영화가 최종 평점을 갖게된다.
이처럼 시간이 지나면서 평점의 변동이 있을 수 있는데 이러한 영화를 분류하고 사례들을 기반으로 추천을 진행하면 추천만족도의 성능을 향상시킬 수 있을것같다.
일반화된 추천과 개인화된 추천에 대한 관계에 대해 다시 생각해보는 계기가 되었다.
3.고객만족향상을 위한 개인화된 상품추천방법에 관한 연구 -협력적 필터링방법-
점수예측 시 가중치를 반영하여 추천만족도를 향상시키는 알고리즘을 제안하였으며 MovieLens 데이터 셋을 통해 실험하였다.
이웃고객과 일치하는 상품개수가 많을수록 점수에 가중치를 둔다는 아이디어였는데 기존의 협력필터링보다 MAE나 RMSE는 오히려 낮았으나 스피어만 순위상관계수의 값이 기존알고리즘보다 우수함을 강조하였다.
MovieLens는 상대적으로 데이터 희박성의 문제가 심각하지 않은 데이터이지만 실제 데이터에 본 알고리즘을 적용한다면 grey sheep 문제나 first rater 의 문제를 더 극대화 시킬수도 있다는 생각을 했다.
이번 학회에서는 수요예측, 지식재산, 추천시스템 위주로 세션을 청취하였다.
앞으로는 품질이나 최적화 분야의 세션에도 적극적으로 참가하여 다양한 분야에서의 동향을 파악해야 하겠다.
[1일차 오전 세션]
1.통신업체 중심의 두단계 수요예측 모형에 대한 연구
무선단말의 수요예측을 하기 위해 1차적으로 정성적로 모델을 분류한 다음 제품 수명 주기가 도입기&성장기 인 경우에는 Bass model이나 Gomperts model과 같은 성장모형을 사용하고 성숙기&쇠퇴기인 경우이는 시계열 모형을 사용하여 수요량을 예측하였다.
각각 Bass model과 단순지수평활법의 성능이 우수하다는 결론을 내렸으나 t+1시점을 예측하는데 있어 수명 주기별로 다른 모델을 사용하는것이 의미가 있는지 의문이다.
실제로 도입기와 성장기에서도 시계열 모형을 적용하여 본 연구와 결과를 비교해봐야겠다.
또한 정성적 모델 분류는 사례기반추론이라 할 수 있는데 전문가의 의견에 의존할 수 밖에 없는 부분을 어떻게 보완하여 객관적으로 판단해야 할지에 대해 고민하는 계기가 되었다.
2.데이터 분석 기법을 활용한 서비스 부품의 저장 위치 선정을 위한 방안 수립
서비스 부품이 가지는 다양한 특성 데이터를 바탕으로 부품의 유형을 구분하고 각 유형별 수요예측 모형을 개발하여 입출고를 위한 저장과 오더피깅의 전체 거리를 최소화하기 위한 방안을 제시하였다.
K-means로 군집화를 수행하고 이동평균법, 지수평활법을 통해 수요를 예측하여 최적화 저장위치를 배치하였는데 비교적 간단한 알고리즘을 사용하였지만 수요예측의 확실한 목표와 계절지수를 산출하여 월별 가중치를 적용하는 부분이 인상적이었다.
[1일차 오후 세션]
1.Forecasting Annual Lung and Bronchus Cancer Deaths using Individual Survival Times
성별, 인종, 나이에 따른 생존 확률을 분석하였다. 분포에 대한 가정이나 분석에 사용한 변수가 적다는것이 아쉬웠고 조건부 확률을 이용했음에도 불구하고 질병에 걸리지 않은 사람에 대한 사전정보를 알수 없다는 점이 한계점인 듯 싶었다.
하지만 단순 질별의 발병 확률이 아닌 연차별 생존 확률을 계산하였다는 점이 흥미로웠다.
2.A Bayesian Approach to Adapting Forecasts to Structural changes in a State-Space model
Structural change detection과 예측에 대한 연구로써, Structural change에 따라 베이지안에서 사전정보가 어떻게 달라지는지에 대해 설명하였다.
즉 structural change가 없는경우와 있는경우로 나누어 각각에서 예측모델을 적용하였는데 사전분포 계산하는 과정에서 이해가 어려웠다.
3.인수특허 정보와 활용패턴 분석을 통한 비실시 기업의 분류
비실시 기업(non-practicing entity, NPE)는 간단히 말해 지식재산(특허)를 통해 이익을 창출하는 기업인데 발표자는 고객,상품가치,수익흐름 등의 비즈니스 모델의 구성요소를 통해 비실시 기업의 유형을 분류하였다.
군집화 과정에서 연구자의 주관적 의견이 많이 작용하였고 활용된 지표가 제한적이었지만 특허를 통한 비즈니스 모델의 중요성이 커지고 있는 만큼 의미있는 연구라고 생각하였다.
4.특허의 출원인 인용과 심사관 인용 행태의 산업별 비교
특허에서 인용정보를 출원인 인용과 심사관 인용으로 나누어 분석함으로써, 각각 어떤 차이점이 존재하는지에 대해 연구하였다.
그동안 인용정보를 사용한 특허분석 연구들이 많았는데 이를 출원인과 심사관을 구분하여 더욱 상세한 분석을 진행했다는 것이 흥미로웠다.
그러나 인용정보가 거의 존재하지 않는 국내 특허에서는 어떻게 적용하면 좋을 지 궁금했다.
5.네트워크에 기반한 특허 청구한 분석
발표 제목과 내용이 좀 달랐는데, 실제 분석한 내용은 수많은 특허중에서 어떻게 강한특허를 검색결과로 보여줄 수 있는가 이다.
강한특허의 조건으로 제시한것은 청구항의 구성요소가 적고 피인용 횟수가 많으며 최근에 등록된 특허이다.
세가지 조건중에 한두개가 고정되어 있다면 어떤 특허가 더 강한지 비교가 가능하겠지만, 세가지 조건이 모두 다를 때 어떻게 조합해야 의미있는 결과값이 나오는지에 대한 내용은 포함하지 않았다.
피인용 횟수와 등록일 간의 관계를 파악하는것이 매우 필요하지만 어려울 것으로 예상된다.
[2일차 오전 세션]
1.구매의사결정과정에서 서비스 채널 선택에 대한 고객 행동 모델링: 행위자 기반 접근
구매의사결정과정의 각 단계별로 서비스 채널 선택에 대한 고객 행동을 모델링하기 위한 행위자 기반 접근을 제안하였으며
기술수용모형을 바탕으로 고객특성 요인과 서비스 채널 특성 요인을 서비스 채널 선택의 영향 요인으로 고려하였다.
발표자가 발표시간 분배를 잘못하여 행동 모델링의 그룹에 대한 설명만 이해하였을 뿐, 뒷부분은 거의 제대로 설명을 안해 결론에 대한 이해가 부족했다.
2.DEA에 의한 헐리우드 영화 효율성 분석 및 이를 응용한 영화분류 시스템
영화를 분류하는 효율성과 평점을 이용하였으며 여기서 효율성이란 투자금액 대비 수익성을 말하며 어느정도 관객들이 영화에 준 평점이 쌓인 이후이다.
두개의 변수를 사용하였기 때문에 영화의 분류는 4사분면으로 나뉘었는데 영화의 분류를 아주 단편적인 요소들만 고려하여 4개의 그룹으로 나누었다는것이 좀 미흡해 보였다.
이러한 영화분류는 추천시스템을 통해 추천이 이루어진 이후의 단계로 볼수 있는데 예를들어 추천시스템이 고객에게 추천해준 영화가 재미 없을 경우에는 기존 평점보다 낮은 평점을 갖게 될 것이며 이러한 사건이 반복됨으로써 영화가 최종 평점을 갖게된다.
이처럼 시간이 지나면서 평점의 변동이 있을 수 있는데 이러한 영화를 분류하고 사례들을 기반으로 추천을 진행하면 추천만족도의 성능을 향상시킬 수 있을것같다.
일반화된 추천과 개인화된 추천에 대한 관계에 대해 다시 생각해보는 계기가 되었다.
3.고객만족향상을 위한 개인화된 상품추천방법에 관한 연구 -협력적 필터링방법-
점수예측 시 가중치를 반영하여 추천만족도를 향상시키는 알고리즘을 제안하였으며 MovieLens 데이터 셋을 통해 실험하였다.
이웃고객과 일치하는 상품개수가 많을수록 점수에 가중치를 둔다는 아이디어였는데 기존의 협력필터링보다 MAE나 RMSE는 오히려 낮았으나 스피어만 순위상관계수의 값이 기존알고리즘보다 우수함을 강조하였다.
MovieLens는 상대적으로 데이터 희박성의 문제가 심각하지 않은 데이터이지만 실제 데이터에 본 알고리즘을 적용한다면 grey sheep 문제나 first rater 의 문제를 더 극대화 시킬수도 있다는 생각을 했다.