인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이건창
- 발행연도
- 2019
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수58
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
빅데이터는 데이터의 양(Volume), 속도(Velocity), 다양성(Variety)에 정확성(Veracity)과 가치(Value)를 더한 5V로 정의된다. 빅데이터는 고객의 트렌드와 사회적 행동을 파악해 보다 정확한 분석으로 새로운 고객 가치를 발견하고 기업의 재무성과에 긍정적 영향을 미치는 예측을 할 수 있는 정보 소스이다. 그럼에도, 가트너(Gartner)의 2016년 조사에 따르면 빅데이터에 대한 투자는 점차 감소하고(Heudecker & Hare, 2016), 많은 빅 데이터 프로젝트는 실망스러운 결과를 보였다. 빅데이터 프로젝트의 절반 이상이 운영 환경으로 전환되지 못하고 버려질 것이라 예측했다.
Ernst & Young은 금융기관 고객의 71%가 금융 상품 및 서비스에 대한 정보를 친구, 가족 또는 동료에게서 얻는다고 보고했다(Ernst & Young & Schlich, 2012). 이것은 금융기관이나 금융상품의 선택에 고객 간의 상호작용(Customer-to- customer interaction)이 영향을 주고 있는 실마리로 볼 수 있다. 온라인 쇼핑, 온라인 브랜드 커뮤니티 등과 같은 온라인 기업에 비해 은행이 보유하고 있는 빅데이터에서 고객들의 상호작용에 대한 분석과 활용에 대한 연구는 부족한 실정이다. 특히, 소매 금융 분야의 고객 간 상호작용과 그 효과에 대한 연구는 전무하다. 본 연구는 금융기관의 빅데이터 분석 성과 창출에 초점을 두고, 고객의 상호작용을 빅데이터 분석으로 파악해 CRM관점에서 이를 활용해 가치를 창출하고 기업의 성과를 올리는 실체적인 방법을 논한다.
본 연구는 3가지 세부 연구로 구성되어 있다. 연구 1은 소매 은행(Retail bank)이 고객 간의 관계에서 고객의 사회적 맥락을 파악할 수 있는 고객 간 상호 관계 정보(CIRI; Customer Inter-Relationship Information)를 분석한다. 연구 2는 은행의 브랜드 커뮤니티 마케팅 전략 수립을 목적으로 은행의 자금 이체 데이터에 빅데이터 분석으로 은행 브랜드 커뮤니티 탐지(BBCD; Bank Brand Community detection) 프레임워크를 제안한다. 연구3은 체계적인 빅데이터 분석 가치창출 프레임워크 수립을 목적으로, 빅데이터 분석과 IPMA(Importance-Performance Matrix Analysis)를 결합한 EMBA (Evidence based decision making is Made by Big data Analysis)프레임워크를 제시하고 이를 실증한다.
본 연구의 학술적 의미는 첫째, 이전의 금융기관 CRM연구에서 거의 다루어 지지 않은 고객 간 상호작용을 빅데이터 분석으로 파악하고 응용할 수 있는 방법을 제안했다. 또한, 실제 은행의 빅데이터와 빅데이터 분석으로 제안한 방법의 적용 가능성을 검증했다. 둘째, 빅데이터 분석과 이론을 결합해 이론적인 발전에 기여하였다. 연구 결과 고개 간 관계 유형은 역할 이론(Role theory)과 사회 분류 이론(Social categorization theory)으로 해석할 수 있고, 고객 네트워크만 분석해서 탐지한 COB의 브랜드 커뮤니티는 동종 선호 이론(Homophily theory)으로 설명할 수 있다. 셋째, 분석적인 방법으로 이전의 연구와는 다른 관점에서 고객 상호관계 유형, 고객 커뮤니티 유형, 고객 이탈에 영향을 미치는 요인을 밝혔다.
본 연구의 실무적 의의는 첫째, 고객의 맥락을 더욱 깊이 알 수 있는 고객의 정보를 추출할 수 있다. 둘째, 마케팅 담당자는 확장된 고객 정보에 기반해 더욱 다양하고 유연한 마케팅 전략의 수립 및 전개가 가능하다. 셋째, 금융기관의 빅데이터 분석으로 가치를 창출하는 방법과 빅데이터의 전략적 방향성을 제시한다.
Ernst & Young은 금융기관 고객의 71%가 금융 상품 및 서비스에 대한 정보를 친구, 가족 또는 동료에게서 얻는다고 보고했다(Ernst & Young & Schlich, 2012). 이것은 금융기관이나 금융상품의 선택에 고객 간의 상호작용(Customer-to- customer interaction)이 영향을 주고 있는 실마리로 볼 수 있다. 온라인 쇼핑, 온라인 브랜드 커뮤니티 등과 같은 온라인 기업에 비해 은행이 보유하고 있는 빅데이터에서 고객들의 상호작용에 대한 분석과 활용에 대한 연구는 부족한 실정이다. 특히, 소매 금융 분야의 고객 간 상호작용과 그 효과에 대한 연구는 전무하다. 본 연구는 금융기관의 빅데이터 분석 성과 창출에 초점을 두고, 고객의 상호작용을 빅데이터 분석으로 파악해 CRM관점에서 이를 활용해 가치를 창출하고 기업의 성과를 올리는 실체적인 방법을 논한다.
본 연구는 3가지 세부 연구로 구성되어 있다. 연구 1은 소매 은행(Retail bank)이 고객 간의 관계에서 고객의 사회적 맥락을 파악할 수 있는 고객 간 상호 관계 정보(CIRI; Customer Inter-Relationship Information)를 분석한다. 연구 2는 은행의 브랜드 커뮤니티 마케팅 전략 수립을 목적으로 은행의 자금 이체 데이터에 빅데이터 분석으로 은행 브랜드 커뮤니티 탐지(BBCD; Bank Brand Community detection) 프레임워크를 제안한다. 연구3은 체계적인 빅데이터 분석 가치창출 프레임워크 수립을 목적으로, 빅데이터 분석과 IPMA(Importance-Performance Matrix Analysis)를 결합한 EMBA (Evidence based decision making is Made by Big data Analysis)프레임워크를 제시하고 이를 실증한다.
본 연구의 학술적 의미는 첫째, 이전의 금융기관 CRM연구에서 거의 다루어 지지 않은 고객 간 상호작용을 빅데이터 분석으로 파악하고 응용할 수 있는 방법을 제안했다. 또한, 실제 은행의 빅데이터와 빅데이터 분석으로 제안한 방법의 적용 가능성을 검증했다. 둘째, 빅데이터 분석과 이론을 결합해 이론적인 발전에 기여하였다. 연구 결과 고개 간 관계 유형은 역할 이론(Role theory)과 사회 분류 이론(Social categorization theory)으로 해석할 수 있고, 고객 네트워크만 분석해서 탐지한 COB의 브랜드 커뮤니티는 동종 선호 이론(Homophily theory)으로 설명할 수 있다. 셋째, 분석적인 방법으로 이전의 연구와는 다른 관점에서 고객 상호관계 유형, 고객 커뮤니티 유형, 고객 이탈에 영향을 미치는 요인을 밝혔다.
본 연구의 실무적 의의는 첫째, 고객의 맥락을 더욱 깊이 알 수 있는 고객의 정보를 추출할 수 있다. 둘째, 마케팅 담당자는 확장된 고객 정보에 기반해 더욱 다양하고 유연한 마케팅 전략의 수립 및 전개가 가능하다. 셋째, 금융기관의 빅데이터 분석으로 가치를 창출하는 방법과 빅데이터의 전략적 방향성을 제시한다.
목차
- 제 1장 서론 13제 1절 연구목적과 연구방법론 13제 2절 논문의 구성 16제 2장 소매 은행의 고객 간 관계 정보 예측에 대한 연구 ? 텍스트 분석과 예측 분석 관점에서 19제 1절 서론 19제 2절 문헌연구 211) 빅데이터 분석과 은행 고객 간 관계 정보 212) 빅데이터로써 자금 이체 데이터 233) 빅데이터 분석 접근법 24제 3절 연구방법 261) 고객 간 관계 유형 정의 272) 자금 거래 데이터로부터 관계 유형 도출 283) 관계 예측 변수 생성 314) 고객 간 관계 유형 분류 모델링 345) 예측모형 평가 35제 4절 실험 결과 361) 실험 데이터 362) 고객 간의 관계 유형 생성 373) 고객 간 관계 유형 생성 검증 394) 고객 간 관계 유형 예측 변수 415) 고객 간 관계 유형 예측 모형 생성 436) 관계 유형 예측 변수의 중요도 45제 5절 논의 및 결론 46제 6절 연구의 한계 및 향후 연구 방향 49제 3장 빅데이터 분석을 활용한 금융 브랜드 커뮤니티 탐지에 대한 연구 ? 커뮤니티 마이닝과 인플루언서 관점에서 51제 1절 서론 51제 2절 문헌고찰 541) 브랜드 커뮤니티와 COB회원 542) 브랜드 커뮤니티와 인플루언서 57제 3절 은행 브랜드 커뮤니티 탐지 프레임워크 581) 커뮤니티 마이닝(Community mining) 602) 인플루언서 탐지(Influencer Detection) 623) 커뮤니티 분석 변수 644) 커뮤니티 유형별 특성 탐색과 분류 예측 모형 66제 4절 실험 및 실험 결과 681) 실험 데이터 682) 커뮤니티 탐지 결과 693) 분석 변수 차이 검정 결과 714) 커뮤니티 유형 예측 결과 73제 5절 연구 결과 및 논의 77제 6절 결론 및 향후 연구 방향 80제 4장 빅데이터 분석과 IPMA를 결합한 가치 창출 방법에 대한 연구 - 금융기관 고객 이탈 방지 관점으로 84제 1절 서론 84제 2절 문헌고찰 861) 빅데이터 분석을 통한 가치 창출 862) 근거기반 의사결정과 IPMA 88제 2절 EMBA 연구 프레임워크 90제 3절 사례 연구 921) 빅데이터 단계 932) 빅데이터 분석 - 실마리(Clue) 단계 943) 빅데이터 분석 - 근거(Evidence) 단계 97제 4절 실험 결과 및 논의 102제 5장 결론 106제 1절 연구 결과 요약 106제 2절 연구의 한계 및 향후 연구 방향 108참고자료 110ABSTRACT 130
최근 본 자료
