JMP Background

JMP®를 사용한 소비자 및 시장 조사

안 그래도 복잡한 마케팅은 빠르게 발전하는 디지털 기술의 영향을 받고 있습니다. 하지만 가장 수익성이 높은 성장 기회를 찾아내고, 최상의 제품과 서비스를 개발하고, 최적의 마케팅 방식을 취하며, 비즈니스 간 영향력을 극대화해야 한다는 핵심 이슈들은 지속됩니다.

기존 고객과 잠재 고객을 지속적으로 관리하는 것 외에 데이터 중심의 환경을 구축하는 것도 필수 과제입니다. 새로운 제품이나 서비스를 소개하는 것부터 포지셔닝, 브랜딩, 광고, 분류, 홍보에 이르기까지 소비자를 찾아내고 소비자의 만족도를 높이는 모든 측면에 데이터가 활용됩니다. 디지털 혁명으로 소비자의 역학에서 긍정적인 변화가 나타나고 있지만, 새로운 데이터를 성공적으로 활용하여 소비자 집단별로 원하는 바를 명확하게 파악하고 그러한 요구를 충족하거나 구체화할 방안을 찾지 못한다면 이러한 기회를 성과로 실현할 수 없습니다.

탐색적 조사, 기술적(descriptive) 조사 및 인과 조사 중 어떤 방식을 사용하든, 1차 자료를 사용하든 아니면 2차 자료를 사용하든, JMP는 측도화된 또는 비측도화된 정량적 데이터에서 쉽고 빠르게 가치를 끌어낼 수 있는 포괄적이고 다양한 도구를 제공합니다.

일반적으로 많은 변수가 사용됩니다. 상호 의존 기법에서는 모든 변수를 동등한 관계로 취급하는 반면, 종속 기법에서는 변수 그룹 간의 관계, 즉 대개 입력(X)과 출력, 결과 또는 항목(Y) 간의 관계를 파악하는 데 초점을 맞춥니다.

민첩하고 상호작용 방식으로 작동하는 JMP는 즉석에서 실행하는 연구에 특히 적합하지만, 프로그래밍 기능을 통해 데스크톱 응용 프로그램의 범위 내에서 일상적이고 지속적인 연구를 촉진하는 옵션도 제공합니다.

사용자의 통계 전문 지식 수준에 무관하게, JMP는 데이터를 이해하고 소비자에 대한 새로운 통찰을 보다 신속하게 파악하도록 돕습니다. 또한 이러한 통찰 정보를 이해관계자들에게 전달해 합의와 조치를 유도할 수 있습니다.

탐색적 조사

소비자와 관련하여 잘못 정의된 문제와 기회는 일반적으로 인터뷰, 포커스 그룹 및 관찰/문화기술 연구의 조합을 사용하여 명확화하고 개선합니다. 탐색적 조사는 가설을 수립하고 측정 척도를 개발하는 데에도 사용됩니다. 1차 데이터는 부족하고 2차 데이터는 넘쳐나는 경우가 많습니다.

JMP는 테이블 작성, 그래프 빌더, 범주형 플랫폼 등 1차 데이터를 처리하는 다양한 옵션을 제공합니다. 그룹화 변수를 사용하여 요약 통계의 테이블을 상호작용 방식으로 정의하고 지리적 지도를 비롯하여 다수의 그래프 유형을 생성할 수 있습니다. 다양한 형식의 데이터를 처리하면서 설문조사에서 범주별 반응 패턴을 탐색하고 분석할 수 있습니다. 드물게 나타나는 데이터가 있는 경우 "슈퍼 범주"를 정의하면 여러 수준을 결합하여 셀 수를 늘릴 수 있으므로 결과의 신뢰도를 높일 수 있습니다. 문항 반응 분석은 응답자의 예/아니요 값으로 할당되는 일련의 문항이 있을 경우 대안 분석법을 제공합니다. JMP Pro는 정확 검정 및 점근적 검정 기능을 통해 연관성이 실제하는지에 대해 보다 신뢰할 만한 지표를 제공합니다. 텍스트 탐색기는 문서 본문에서 유용하게 활용될 수 있는 단순하거나(예: 설문조사 질문의 프리 텍스트 응답) 복잡한(예: 예정된 장비 유지 보수 작업을 수행하는 기술자가 기록한 주석) 패턴을 추출합니다.

이와 같은 모든 분석 기능은 2차 데이터에도 사용할 수 있지만, 2차 데이터는 다양한 목적에 따라 수집된 것이기 때문에 효과적으로 작업하기가 까다롭습니다. JMP의 가져오기 마법사는 SPSS Desktop Reporter를 비롯하여 다양한 파일 형식을 지원합니다. 웹 페이지에 포함된 HTML 테이블에서 직접 데이터를 가져오거나 질의 빌더를 사용하여 관계형 데이터에 간편하게 액세스할 수도 있습니다.

JMP의 통계적 발견 워크플로우는 데이터에 담긴 정보가 무엇인지와 사용자의 목표를 달성하는 데 도움이 되는지 여부가 불명확한 상황에 적합합니다. 결측치 패턴 기능을 사용하면 유용한 사례를 신속하게 분리할 수 있습니다. JMP의 동적으로 연결된 그래프를 통해 데이터의 특이한 구조를 신속하게 확인하고 이례적인 사례를 분리하여 적절하게 처리할 수 있습니다. 실험 계획 평가 기능은 관계를 모델링할 수 있도록 데이터가 실제로 지원하는 모형을 보여주고 각 관련 항의 검정력을 추정합니다.

열 개수가 많고 정리되지 않은 데이터에 이상치가 많을 경우에도 반응 표면 선별 또는 분할 기능을 사용하면 선택한 Y의 변동을 설명하는 데 도움이 되는 X에 대해 유용한 통찰을 얻을 수 있습니다.

기술(Descriptive) 조사

일반적으로 기술 조사에서는 사전 탐색 결과를 기초로 시장, 부문, 경쟁업체 및 소비자를 기술합니다. 기술 조사는 합의된 프레임워크 내에서 성능을 측정(대개 지속적으로 측정)하는 데에도 사용됩니다.

대부분의 소비자 조사 데이터에는 많은 수의 열이 있기 때문에 더 적은 수의 차원으로 변동의 패턴을 기술하기 위해 상관관계와 연관성을 활용하는 다변량 기법이 사용됩니다. 결과로 나타나는 중요한 새 변수가 쉽게 해석되고 데이터가 명백하고 유용한 패턴을 드러내면 이상적이지만, 늘 그렇지는 않습니다.

JMP는 주성분 및 요인 분석을 제공하지만 결과를 해석하기 어려운 경우 원래 변수를 군집화하고 각 군집의 가장 전형적인 변수를 찾아 차원을 축소할 수 있습니다. 이 방식은 종속 모형을 구축할 때 유용합니다. 지각 지도는 교차표 범주형 데이터에 대해 대응 분석 또는 다중 대응 분석을 실시함으로써 경쟁업체와 비교하여 제품을 포지셔닝하는 데 도움을 줍니다. 또는 다차원 척도를 사용하여 여러 특성과 여러 브랜드를 동시에 매핑하면 소비자 인식과 시장에 대한 이해도를 높일 수도 있습니다.

JMP는 사례를 여러 그룹으로 구분하기 위해 사용자가 선택한 유사성 측정법과 함께 계층적 또는 K-평균 방법을 사용합니다. 계층적 사례에서는 덴드로그램에서 유지할 군집을 직접 선택할 수 있습니다. JMP는 이와 유사한 목표를 달성할 수 있는 대안으로 잠재 클래스 분석 기능도 제공합니다.

주로 명목 로지스틱 회귀의 대안으로서, 판별 분석을 사용하여 그룹을 가장 적합하게 분류하는 변수를 찾을 수 있습니다.

또한 JMP에서는 단순 모형 적합을 사용하여 단순한 종속 모형을 구축할 수 있습니다. 이 모형은 ANOVA, 우발성 분석 등 일반적으로 사용되는 접근법을 통합한 것으로, 사용자가 X 및 Y 역할에 할당하는 변수의 모델링 유형에 자동으로 반응합니다. 상황별 옵션은 결과를 시각적으로 보여주면서 후속 분석 과정을 안내합니다.

단계별 회귀를 통해 중요 변수를 선택하면서 좀 더 복잡한 종속 모형을 적합화할 수 있습니다. JMP의 고급 분석 버전인 JMP Pro에는 최소화된 모형을 구축할 수 있는 최신 변수 선택 기법이 포함되어 있습니다. 데이터의 균형에 관계없이 신뢰도 높은 추정값을 보장하는 잔차 최대 가능도도 제공됩니다.

계수 추정값이 유용할 수도 있지만 Y와 X 간의 결과로 나타나는 종속성을 프로파일링하는 편이 더 유용한 경우가 많습니다. 이는 경쟁 모형을 검토하거나 결과물을 다른 사람에 전달하여 합의를 도출해야 하는 경우 특히 더 그렇습니다. 사용하는 모델링 방법에 관계없이 프로파일러를 통해 일관된 방식으로 모형과 상호작용할 수 있습니다. X의 실제 변이가 Y의 변이로 어떻게 전파되는지를 평가하는 몬테카를로 시뮬레이터도 포함되어 있습니다. 마지막으로, POS 데이터의 경우 장바구니 분석이라고도 하는 연관성 분석을 사용하여 쇼핑객이 자주 함께 구매하는 물품을 파악할 수 있습니다.

인과 조사

원인을 규명하려면 설명적 이론, 통계적 관계, 올바른 시간 순서 및 관련 없는 것으로 간주되는 기타 X에 대한 적절한 관리가 필요합니다.

특정 계획에 따라 X를 조작하여 의도적으로 Y에서 변동을 유도하는, 통계적으로 계획된 실험은 인과 조사의 강력한 무기입니다.어떤 실험에서든 계획이 후속 분석을 결정하게 되며 JMP는 모든 실험 목적을 충족시킬 수 있는 일련의 포괄적인 기능을 이해하고 사용하기 쉬운 형태로 제공합니다. 즉, 두 가지 처리 간의 차이를 신뢰도 있게 설정하는 것부터 여러 개의 X에 의해 좌우되는 여러 Y를 연동하여 최적화하는 것까지 가능하게 해줍니다. 이러한 것 중 일부는 실제 상황에서는 다르게 시도하는 것이 힘들거나 매우 힘들 수 있습니다.

JMP는 일반적이고 전통적인 실험 계획 외에, 문제를 실험 계획에 끼워 맞추는 것이 아니라 실험 계획을 문제에 적합하도록 만들 수 있는 혁신적인 사용자 정의 디자이너(Custom Designer)도 제공합니다. 또한 JMP에서만 제공되는 새로운 확정 요인 선별 계획은 순차적 접근법이 요구되는 문제를 해결할 때 확실한 이점을 제공합니다. 제안된 제품 또는 서비스에 대해 비용을 요인으로 포함하여 조기에 이와 같은 실험을 실시하면 여러 가지 이점을 얻을 수 있습니다.

JMP에서는 소비자가 "선호하는 것이 없음" 옵션을 비롯하여 자신의 선호도를 더 명확하게 밝힐 수 있도록 하기 위해 제품 또는 서비스의 특성 중에서 원하는 것을 간단히 고를 수 있도록 제시해 주는 실험 계획도 생성할 수 있습니다. 이와 같은 선택 컨조인트 실험에서 효율적인 실험 계획을 생성하려면 사전 지식을 명시해야 합니다.

JMP에서는 선택 컨조인트 실험 외에 평가 및 순위 컨조인트 실험도 계획하고 분석할 수 있습니다. 사용자 정의 디자이너는 리커트 척도를 기준으로 한 소비자 평가와 관련한 실험 계획을 지원하며, 응답자가 브랜드 또는 제품 기능의 순위를 매기도록 하려는 경우에는 순위를 사용하거나 선택 집합에 "최선" 및 "최악" 옵션만 있는 최대 차 분석 계획을 사용하면 됩니다.

요인을 변경하기 힘들거나 매우 힘든 것으로 정의하면 응답자당 여러 작업이 포함된 순위 실험 계획을 생성할 수 있습니다. 이 경우 수집되는 정보는 많아지지만 각 응답자에게 표시되는 문항 수는 최소화되므로 응답자의 피로를 방지할 수 있습니다. JMP에서 생성되는 사용자 정의 실험 계획에서 허용되지 않는 조합을 정의함으로써 무의미한 질문을 배제할 수도 있습니다. 계층적 베이즈 방식을 사용하여 응답자 간의 차이를 명시적으로 모델링할 수도 있습니다.

감각 연구

인간의 감각이 제품의 전반적인 소비 또는 사용 경험에 어떤 영향을 미치는지 파악하는 것이 목표입니다. 감각 패널은 특별한 훈련을 받아 매우 자세한 피드백을 제공하는 전문가로 구성되며, 일반적으로 신제품 개발과 기존 제품의 변경 시 품질을 보호하기 위해 투입됩니다. 소비자 시험 패널도 이와 유사하지만, 일반적으로 자격 기준이 덜 엄격하며 시장의 수용 가능성을 파악하는 데 훨씬 도움이 됩니다. 이 둘은 제각각 중요하지만 특정 제품 범주에 대해 감각 패널의 결과를 소비자 패널의 결과와 성공적으로 연동하면 더 강력한 분석 능력을 얻을 수 있습니다.

사용자가 선호하는 분석 워크플로우에 관계없이 JMP는 평가자들로부터 생성된 순위 및 평가의 신뢰도를 보장하고, 감각 또는 소비자 패널을 통해 제품 간의 객관적이고 정량화된 차이를 실제로 파악할 수 있는지를 확인하는 데 필요한 모든 그래픽 도구와 통계적 도구를 제공합니다. 임의 효과를 적용한 ANOVA 및/또는 회귀 분석이 일반적으로 사용되며, 이를 보완하기 위해 주성분 분석이 함께 사용되기도 합니다. 부분 최소 자승법을 사용해 소비자 패널 결과와 감각 패널 결과 간의 관계를 모델링할 수도 있습니다.

사용할 방법이 결정되면 앞으로 분석을 반복 실행하거나 단순히 주요 결과물을 검토 또는 제시하기 위한 응용 프로그램을 손쉽게 구축할 수 있습니다. 이러한 응용 프로그램에는 특정 상황과 데이터의 미묘한 차이를 다루는 적절한 수준의 자동화, 안내 및 해석이 포함될 수 있습니다.

행동 예측

Y는 대개 사전에 확보되어 있는 관찰 데이터를 사용하여 X에서 예측됩니다. 인과 관계를 설정하는 데에는 부족하지만, 신뢰도가 보장된다면 미래의 소비자 행동에 대한 예측은 엄청난 가치가 있습니다. 예를 들어, 효과적인 예측은 수익성이 높은 신규 고객을 유치하거나, 이탈하려는 고객을 정확히 겨냥하여 혜택을 제공함으로써 계속 붙잡아 두려는 경우에 도움이 될 수 있습니다.

일반적으로 데이터 마이닝 분야와 관련하여 JMP(특히 JMP Pro)를 사용하면 소비자의 일회성 행동이 아닌 반복적 행동을 캡처하는 신경망과 트리 기반 모형을 쉽고 빠르게 구축하고 비교할 수 있습니다. 회귀 및 부분 최소 자승법의 모형을 동일한 프레임워크 내에서 처리하여 과대적합의 위험을 방지할 수도 있습니다.

또한 JMP Pro는 본인을 타겟으로 하는 마케팅 활동에만 반응하는 소비자와의 관계를 보다 효과적으로 관리할 수 있는 반응 향상 모델링을 제공합니다. 조치나 처리가 개인의 반응에 점진적으로 미치는 영향을 모델링하여 조치 또는 처리가 원하는 효과를 나타내는지를 확인할 수도 있습니다.

JMP의 공식 저장소를 활용하면 경쟁 모형의 성능을 손쉽게 서로 비교하고 대조할 수 있습니다.더 나은 모형을 선택한 후에는 C, Python, JavaScript 및 SAS로 코드를 생성하여 다른 환경에 배포하고 새로운 사례에 대한 점수를 매길 수 있습니다.

JMP는 일반적으로 숙련된 실무자용으로만 여겨지지만, 근본적인 알고리즘의 기능을 저해하지 않으면서도 모든 조사자들이 사용할 수 있도록 이러한 기술을 간편하고도 일관된 방식으로 제공합니다.

Back to Top