성훈이네- Product Manager & Data Miner 의 일상

노키아의 고객 세그멘테이션 모델입니다.

21개국에서 77,000명의 인터뷰를 통해서 얻은 이 결과는 고객의 태도와 행동에 기반하여 12개의 세그멘트로 구성되어 있습니다.

Experience 축을 제외한 평면의 1사분면의 고객은 Business , 2사분면은 Multimedia, 3사분면은 Style, 4사분면은 Essentials 로 대표될 수 있다고 합니다.

Nokia 는 각 세그먼트별 특징을 이해하는 것에서 그치는 것이 아니라, target 고객의 특성에 따라 단말군을 제공 할 뿐만아니라, 매장 방문자의 관심사나 의도를 분석해서 디스플레이와 제품 설명에 적용해상당한 효과를 거두었다고 하는 군요.

보통 일반적인 인구사회학적 변인에 근거한 세그멘테이션 보다는 훨씬 근사하고 실제 타겟을 명료하게 머리속에 그릴 수 있다는 점이 마케터나 제품 개발자 입장에서도 좋을 것 같습니다.

하지만 이러한 고객 세분화는 한가지 조사나 분석 방법론으로 얻어지는 것은 아닙니다. 제품사용에 대한U&A, 고객 개인의Life Style 등에 관한 Survey, 에스노그래피 등 각종 정량, 정성조사 뿐만아니라 전문가들의 insight 까지 다양한 결과들을 hybrid하게 엮어내어야 이러한 결과를 얻을 수 있습니다.

제품 경쟁이 치열하다보니 국내휴대폰 사업자들도 이같은사용자 중심의 제품 설계나 마케팅 기법을 많이 도입하고 있습니다.

명확한 고객과 고객가치가 더욱 중요해지는 것 같습니다.

오늘은 좀 가슴에 와닿는 Social Network Analysis 의 사례에 대해서 잠시 말씀을 드리겠습니다.

SNA는 이미 꽤 오랜 시간 동안 정치, 사회, 인사 및 조직관리등의 영역에서 사용되어 왔다는 것은 알려진 바와 같습니다.

그중에서도 조직관리영역에서 SNA의 중요성에 대한 일례입니다.

기업의 조직 다운사이징, 그러니까 인력 구조 조정을 위한 내부 조사나 컨설팅은 통상조직 구조 분석, 직무 분석 등을 위주로 이루어 집니다.

아래 사례는 제가 자주가는 TNT(http://www.thenetworkthinker.com/)에서 빌려온 데이터 입니다만, 실제로 SNA의 중요성을 말할 때 자주 활용되는 예입니다.

어느 조직의네트웍 구조가 아래와 같다고 하면

흔히 다운사이징 된 조직의 구조는 아래와 같이 간단히 Garth 와 Fernando 를 prunning 하는 안을 상정 할 수 있습니다.

그런데 실제 그들이 업무를 하는 커뮤니케이션 네트웍(특히, 비상상황에서 이루어지는 커뮤니케이션 네트웍)은 아래와 같았다는 겁니다.

여기서 살펴보면 Heather 와 커뮤니케이션 연결통로는 Fernando 와 Garth 였던 거지요.

결국 이 조직의 업무 형태는 이렇게 되어버렸습니다.

< source : http://www.thenetworkthinker.com/2008/07/single-point-of-failure.html>

여러분은 어떻게 생각하세요? 혹시, Carol 과 Ed 중 한명, 그리고 Jane 을 prunning 해야 한다고 생각하셨는지요?

어쨌든 지금 현재 직장을 다니고 있는제 입장에서도유쾌한 고민은 아닌것 같습니다. TT

오늘의 간단한 분석이 주는 교훈은 "한 가지 관점에서만 네트웍을 바라보지 말라" 였습니다.

SNA 를 위한 주제 연구중 최근 제가 가장 많은 관심을 가지고 있는 분야는 Geospatial Social Relationship 에 관한 분야 입니다.

'Out of Sight, Out of Mind' 라는 말처럼 많은 경우 Relationship 은 동일 지역을 중심으로 이루어지기 때문입니다.

최근 인터넷이나 SNS의 발전이 이러한 위치 장벽을 어느정도 제거하고 있다고는 하나, 아무래도 면대면 접촉 가능성이사회적 연결강도를 높이거나 연결을 맺는데 있어 중요한 요소임은 틀림 없는 것 같습니다.

이 분야의 데이터 분석을 위해서는 다음과 같은 사항들을 고민해야 할 것 같습니다.

ㅇ 분석 대상의 상태 : 이동/정지, 목적지 탐색 및 검색, 낮/밤, 일하는 중/쉬는 중

ㅇ 분석 대상의 위치 파악 :GPS 등을 활용한정확한 측위, Explicit 한 위치 명기, 대화중 location 정보에 대한 추출

ㅇ 지역명, 지역명에 부속된 정보(ex : 소득, 인구 밀도 등), POI 정보

ㅇ 지역에서 일어나는 각종 이벤트 정보

그런데 여기에는 몇가지 고민이 있습니다.

위치는유클리드거리나 행정구역명으로는 파악할 수 없는 많은 변수 들이 존재한다는 점입니다.

같은 동에서도 어떤 지역은 상권이 많이 발전하고, 다른 한편은 주택가 일 수도 있을 것입니다.

또한, 우리가 흔히 말하는 통상명 예컨데 홍대, 가로수길, 대학로 등은 여러 행정구역에 걸쳐 있는데다, 그 범위가 확장되거나 이동하기 때문에 분석과 해석에 있어 매우 어려움이 존재하기도 합니다.

- 나중에 이어서 써야 겠네요.. - ^

Social Network Data 를 분석하기 위해서는 상용화되거나 혹은 Public Domain 에 공개되어 있는 Socail Network Analysis Software 를 활용할 수 있습니다.

아래는 현재 인터넷을 통해 구매하거나 무료로 사용가능한 SNA 분석도구들 입니다.

<SNA를 위한 분석도구들 출처 'Social Network Analysis in R', Drew Conway, 2009 >

사실저도 UCINet 정도만 써 봤습니다만 Python 으로 만든 igraph 모듈 같은 경우 매우 좋은 computing performance를 보인다고 하니 한번 써보셔도 좋을 것 같습니다.

분석툴에 익숙하신 분들이라면 R 이나 SAS, SPSS와 같은 범용 분석도구를 활용해서 분석할 수도 있겠습니다.

범용 분석도구를 활용할 경우 여러가지 다양한 분석 방법을 동시에 적용할 수 있다는 장점이 있겠으나, 데이터 처리과정이나 분석과정이 전적으로 분석자에게 의존한다는 점을 고려해야 합니다.

최근, 많은 분석자들이 쓰고 있는 R의 경우는 분석도구 자체가 가지고 있는 높은 유연성, 화려한 그래픽도구, 다수의 분석방법을 즉시 적용가능 하다는 장점을 가지고 있습니다.

R의 분석 모듈을 몇가지 소개하면 다음과 같습니다.

sna : Sociaometiric Data 처리

RBGL : Boost Graph Library

egrm : Exponential Random Graph

networksis : bipartite networks

degreenet : degree distribution

tnet : weighted networks

SAS 는 SAS^?? Social Network Analysis 라는 SAS Fraud Framework 의 component 에 다양한 visiual 분석 도구를 제공하고 있으며, Enterprise Miner 에 Link Analysis Node 를 지원하고 있기도 합니다.

얼마전IBM이 인수한 SPSS도 화려한 graph, Clementine, SPSS predictive analytics data and textmining 등을 통해 금융 통신의 fraud detection, churn-out prediction 을위한 SNA을 지원하고 있기도합니다. 작년에 Linked in 의 분석결과가 release 되기도 했는데요. 관심 있으신 분들은 한번 살펴보시기 바랍니다.

http://www.spss.com/press/template_view.cfm?PR_ID=1067