키스티(전승표) 내지0614 f 2013.06.18 06:55 pm 페이지1 001...

전승표 한국과학기술정보연구원

키스티(전승표)_내지0614_F 2013.06.18 06:55 PM 페이지1 001 PDF변환목록

혁신 제품의 사용자수용 분석 방법에 관한 연구

2013년 5월 30일 인쇄

2013년 6월 1일 발행

발 행 인 | 박영서

지 은 이 | 전승표

펴 낸 곳 | 한국과학기술정보연구원 정보분석연구소

주 소 | (분원) 서울특별시 동대문구 회기로 66

주 소 | (본원) 대전광역시 유성구 대학로 245

전 화 | 02-3299-6095

팩 스 | 02-3299-6041

ISBN | 978-89-294-0291-4 93500

�이 책은 저작권�� 보�받는 저작�이�로 ��전�와 ��를 �지하��이 책 내용의 전부 또는 일부를 이용하려면 반드시 저작권자와 한국과학기술정보연구원의서면동의를 받아야 합니다.

�이 �의 내용은 �자의 ��이�� 한국과학기술정보연구원의 ��인 의�이 아�� 니다.


PART 01서론 05

PART 02혁신제품수용과소비자행동에대한이해 13

PART 03연구사례와관련선행연구분석 37

PART 04검색트래픽을활용한제품수용분석방법론 49

PART 05결론및시사점 91

참고문헌 95

차 례


정책당국자, 기업, 연구소 등에서 이루어지는 다양한 의사결정을

지원하기 위해 우리는 산업시장을 분석한다. 이런 산업시장분석에서

가장 분석하기 어려운 대상 중 하나가 기존에 시장에서 소개된 적이

거의 없거나 기존의 제품과 비교해서 혁신적으로 발전한 새로운 제

품의 분석이다. 이런 혁신적인 제품이 시장에서 성공한다는 것은 결

국 사용자 즉 소비자가 수용한다는 것을 의미하는데, 기존에 판매되

는 제품을 분석하는 것처럼 소비자의 생각이나 수용 가능성은 배제

한 체 아직도 기술 중심적 사고를 중심으로 수용을 예측하고 있는지

모른다.

본 보고서는 이런 혁신제품의 수용을 사용자(이하 소비자) 관점에

서 분석할 수 있는 방법을 제시하고자 한다. 소비자가 혁신제품 즉

신기술에 대한 정보를 탐색하는 활동을 이용해서 직접 혁신 제품 시

장을 분석할 수 있는 새로운 방법을 제시하고자 한다.

기술 중심적 사고의 문제점

혁신의 원천이 다양해지면서 산업시장을 분석하는데 있어서 기술결정

론적 접근은 한계를 가지게 되었다. 즉 논문이나 특허와 같이 기술이나

투입량(input)을 중심으로 분석하는 접근법은 한계를 보이기 시작했다.

더 이상 연구개발 투자 금액이 성공을 보장하지 않는 것이다.

서론

서 론PART 01


<그림 1>은 혁신 원천의 다양함을 요약해서 보여주고 있는데, 수직

축은 혁신의 점진성/급진성 정도를 표시하고 있으며, 수평축은 환경

적 복잡성을 나타내는 축으로 관련 요소의 숫자와 잠재적 상호관계

의 정도를 표시하고 있다. 여기서 수평축이 나타내는 복잡성의 증가

라는 것은 혁신 구성요소들의 잠재적 환경 설정이 늘어나면서 특정

시기의 상태를 예측하기 힘들어지는 것을 의미 한다(Tidd &

Bessant 2009). 따라서 기업단위에서 특정 부품(component) 수준

의 혁신은 <그림 1>의 좌측하단 4분면과 같은 안정적 프레임 하에

서의 점진적 혁신으로 볼 수 있으며, 이 분면에서는 기술결정론적

접근이 어느 정도 예측력을 가질 수 있다. 그러나 <그림 1>의 다른

3개의 4분면과 같이 동일한 프레임 환경이지만 급진적 혁신이 발생

하거나, 특히 새로운 프레임에서 기술/제품의 혁신이 일어나는 경우

는 기술결정론의 설득력이 급격히 떨어질 수밖에 없다.

6 7

자료 : Tidd & Bessant(2009) 재구성

그림 1 혁신 탐색 공간


이러한 기술 중심적 사고의 한계를 극복하고 기술이나 수요 예측의

정확성과 설명력을 높이기 위해서 마케팅 조사나 전문가 자문(서베

이)과 같은 방법이 활용되기도 한다. 그러나 이러한 방법은 금전적으

로도 많은 비용이 소요됨은 물론이고 시간도 많이 소요된다. 그런데

이런 서베이 조사는 이런 경제적 문제만 있는 것은 아니다. 왜 서베

이를 할까? 많은 이유가 있겠지만 행동주의적 관점에서 행태를 설명

하는 객관적 자료가 필요하기 때문이다. 인간행동의 규칙성과 우발

성 때문에 한계성을 가질 수밖에 없는 사회과학의 한계를 극복하는

데 서베이는 많이 도움이 된다. 그러나 역시 인간에 관한 현상이기

때문에 신뢰성이나 재현성과 같은 관점에서 문제점이 원천적으로 존

재할 수밖에 없다. 특히 마케팅조사의 핵심을 이루는 서베이의 약점

은 사회생활의 맥락(context)을 무시할 수 있다는 것이며, 또한 응답

자에게 정확한 정보를 줄 수도 없기 때문에 이런 조사에 의존한 시

장 추정은 한계를 가질 수밖에 없는 것이다. 예를 들어 전기자동차

활용 의향에 대한 서베이에서 응답자는 전기자동차가 응답자에게 가

져다 줄 영향을 예측하지 못했다. 결국 응답자는 단편적인 정보로 긍

정적인 응답을 해왔고, 여러 시장 예측기관이 장밋빛 예측을 내놓았

지만 결과적으로 실제 구입으로 이루어지진 않았다(전승표 2011a).

사회적 맥락뿐만 아니라 언어측면에서도 서베이는 한계를 보인다.

일반적으로 기업은 구매 정보 획득, 설문 결과, 표적 집단 면접법

(FGI) 분석과 같은 고객의 언어를 토대로 이루어지는 기존 고객 니

즈 조사 방법을 통해 수요를 예측해 보지만, 점점 더 똑똑해지고 까

다로워지고 있는 고객으로부터 기업의 지속적인 성장에 도움이 되는

진정한 고객 니즈를 도출해 내기가 쉽지는 않다. ZMET(Zaltman

Metaphor Elicitation Technique, 잘트먼 은유 유도 기법)를 개발

한 하버드경영대학원의 제럴드 잘트먼(Gerald Zaltman) 교수는‘고

객이 말로 표현하는 니즈는 자신이 원하는 것의 5%에 불과하다’라

서론


고 주장한다. 말로 표현한 니즈만 고려하면 소비자를 제대로 파악하

지 못한다는 말이다. 이를 뒷받침하는 연구 결과로‘침묵의 언어

(The Silent Language)’의 저자인 에드워드 홀(Edward Hall)은 인

간 상호간의 의사소통 과정에 작용하는‘메시지 전달체계’를 10개

로 분류하였는데, 그 중 한 가지만이 언어적 수단이었고 나머지 아

홉 가지 체계는 모두 비언어적 수단에 기반을 두고 있었다. 게다가

소비자의 구매 결정은 이성적 사고 과정을 통해 이루어지는 것이 아

니고 습관적이고 자동적으로 이루어지는 것으로 분석하고 있다.

따라서 언어적 수단을 통해 확보되지 못한 95%의 잠재된 고객 니즈

를 파악하기 위해서는 단순한 정보 수집 단계에서 나아가, 취합된 정

보를 선별하고 이를 가공, 분석하여 시사점을 도출해 낼 수 있는 소비

자 행동이나 시장 분석 방법론 개발이 필요한 것이다(홍정석 2008).

이런 서베이의 한계를 극복하기 위한 방법을 찾기 위해서는 소비자

에 대한 이해를 높일 필요가 있다. 소비자의 행동 즉 상품 구입에

대한 의사 결정은 <그림 2>와 같이 환경적 측면, 조직적 측면, 대인

관계 측면, 개인적 측면에서 영향을 받으며 결정된다. 이렇게 다양

한 영향 요인 중에서 기술과 제품의 발전은 환경적 측면의 한 가지

요소일 뿐이다(Kotler & Armstrong 2004). 특히 기업 시장에서는

기술적 요소가 환경적 측면의 하나로 중요하지만, 소비자 시장에서

는 기술의 중요성은 구매에 미치는 영향력이 낮다. 소비자 시장에서

는 많은 경우 기술이 제공하는 본질적 가치보다 브랜드가 중요하다.

그래서 기업들이 우월한 상표 이미지를 수립하는 데 많은 시간을 소비

하는 것이다. 따라서 기술이나 제품 수요를 예측하기 위한 기술 수명주

기 모델에는 소비자를 수용적이고 동질한 주체로만 간주하기보다는 소

비자들이 여러 가지 요인에 영향을 받고 있다는 점과 동일한 자극에도

다양한 반응이 가능한 주체라는 것이 고려될 필요가 있다.

8 9


특히, 최근에는 기술혁신에 있어서 기존 기술 중심의 시장 성공의 비

중은 점차 감소하고 우연적 티핑 포인트(tipping point)1)의 발현이나,

의도하지 않은 발견(serendipity)과 같이 비(非)시장적 요인에 의한 시

장 성공의 사례가 다수 발견되고 있다. 이러한 현상 중 일부는 기술소

비시대에서 문화소비시대로 변화하면서 일어난 현상으로 설명 가능하

서론

자료 : Kotler & Armstrong(2004) 재구성

그림 2 소비자 구매 행동의 영향 요인

(a) 기업시장 구매행동의 주요 영향요인

(b) 소비자시장 구매행동의 주요 영향요인


며, 이러한 혁신의 원인은 다양한 요소(actor)의 공진화(co-evolution)2)

에 있다고 할 것이다. 기존에는 이러한 혁신의 원천이 그 해석과 예측

의 복잡함으로 인해, 블랙박스처럼 여겨지고 있었지만, 복잡계 이론이

발전하고 디지털 시대가 도래하면서 다양한 해석의 원천들이 대두되었

다. 따라서 기존에 분석하지 못했던 새로운 혁신 분석 방법의 원천을

찾으려는 시도가 있는데, 이러한 활동 중의 한 가지가 빅 데이터 분석

을 통한 소비자 행동 예측이다3). 복잡계 이론의 창시자라고 일컫는 바

라바시(Barabasi) 교수는 2011년 서울디지털 포럼에서“디지털 시대

에서 인간의 행동도 예측될 수 있다. SNS, 카드, 웹사이트 등에 인간

은 자기의 흔적을 엄청나게 남기기 시작했고, 이를 통해 인간의 행동은

예측 될 수 있다”고 주장하기도 했다4).

빅데이터를 활용한 소비자 수용분석가능성

본 연구는 기술결정론의 한계를 벗어나기 위해 빅 데이터를 활용하여

소비자 행동에서 혁신수용 과정을 직접 측정함으로써, 기존의 기술지배

적인 선형적 혁신 모형은 물론 현대 시대의 <그림 1>과 같은 다양한

혁신의 원천(source)을 장기적으로 포괄할 수 있는 기술/제품 수용 분

석 방법을 찾고자 했다.

본 연구에서는 빅 데이터 시대를 맞아 거시적인 접근을 통해 미시적

인 접근인 서베이 분석의 한계를 극복하고자 기존의 생산자 관점에서

탈피해 소비자의 관점으로 시장을 분석하고 신기술의 수용 과정을 분석

해 볼 수 있는 검색트래픽이라는 새로운 지표에 주목했다. 검색트래픽

은 이미 다양한 분야에서 여러 가지 목적으로 활용되고 있는데, 본 연

구에서 소비자의 혁신 제품 수용을 분석하는 수단으로 접근하게 된다.

‘Click’의 저자 Bill Tancer(빌 텐서)는 그의 책에서 우리가 어떻게 웹

을 사용하고 사이트를 탐색하고 정보를 검색하는지, 그리고 그 모든 것

이 우리 자신에 대해 무엇을 말해줄 수 있는지 이야기해주고 있다. 검

10 11


색을 통해 소비자 변화를 읽고, 이를 이용해 시장조사까지 할 수 있는

방법을 제안하고 있다. 결국 우리가 무엇을 클릭하는가가 우리가 누구

인지를 말해주고 있다고 주장하고 있는 것이다(Tancer 2008).

본 연구는 소비자 수용분석에서 검색트래픽이 소비자를 이해하는데

우수한 설명력을 가지고 있다는 것을 보인다. 특히 신기술의 수용 과정

은 앞서 언급된바와 같이 상대적으로 많은 시간이 소요되고 지식단계가

수용 결정단계로 쉽게 전이되지 않을 수 있는 특징이 있기 때문에, 검

색트래픽을 통해 어떻게 수용 과정을 분석할 수 있는지 탐구한다. 또한

신기술의 수용 과정에서 신기술명이나 대표 브랜드명과 동시 검색된 검

색어를 분석함으로서 소비자 관심의 변화를 분석한다. 특히 기존의 서

베이 조사와 소비자의 검색 통계 분석 결과를 비교함으로써 검색트래픽

이 가지는 새로운 가능성을 탐색하게 된다. 바로 Tancer가 화두를 던

진“검색트래픽이나 검색량을 활용한다면 기존의 시장조사를 대신해 소

비자 태도를 관측할 수 있겠는가?”에 대한 가능성을 본 연구는 논의하

는 것이다. 마지막으로 혁신 제품들에 대한 검색트래픽을 활용해 소비

자가 생각하고 있는 제품 간에 유사성이나 속성의 연관 관계를 분석하

고 가시화할 수 있는 새로운 방법을 제안한다. 수용 과정에서 소비자가

생각하는 제품의 포지셔닝을 분석하는 방법을 제시하는 것이다.

본 연구는 최근 각광받고 있는 소비자의 검색 정보를 어떻게 산업시

장분석에 활용할 수 있는지 새로운 시각을 제시하게 될 것이다.

서론

1) 티핑 포인트(tipping point)는 작은 변화들이 어느 정도 기간을 두고 쌓여, 이제 작은 변화가 하나만 더 일어나도 갑자기큰 영향을 초래할 수 있는 상태가 된 단계를 의미한다. 즉 어떤 것이 균형을 깨고 한순간에 전파되는 극적인 순간을 이르는 말이다.

2) 공진화(co-evolution)란 생태학에서 쓰는 개념으로 생물들이 서로 경쟁하고 협력하면서 진화하는 것을 의미한다.3) Carter(2011)의 IDC 보고서에서‘빅 데이터’라는 개념을 정량적인 한계치 차원에서 접근하고 있지는 않다. 전통적인

분석과 빅 데이터 시대 분석의 차이점 중의 하나는 우리에게 필요하거나 또는 필요하지 않은 데이터 즉, 불필요한 경우에도 데이터가 축적되고 있다는 점을 강조한다. 분석의 관점에서 볼 때, 이는‘우리가 알지 못하는 것은 모른다’를 의미한다. 때문에 카터는 방대한 양의 비정형 데이터가 늘어나는 상황에서는 완전히 새로운 변수와 분석 모델이 요구되며 결과적으로 전혀 다른 인프라 전략과 함께 새로운 분석 기술이 필요하게 될 것이라고 전망했다(Carter 2011).

4) 서울디지털포럼 2011, 5. 25 기조연설 중에서 일부 발췌


PART 02

혁신제품 수용과소비자 행동에대한 이해


PART 02

혁신제품 수용과소비자 행동에대한 이해


14 15

신기술 수용 과정의 특징

최근에는 기업간 시장경쟁이 심화되고, 신제품 출시가 가속화되며,

기술개발 경쟁이 첨예해졌다. 그리고 자연스럽게 기술이나 제품의

수명이 단축되고 있다. 이에 따라 연구개발의 기술적 성과와 무관하게

기술의 상업적 성공가능성이 낮아지면서 연구개발 비용의 회수 가능성

이 낮아지고 있다. 따라서 기술이나 제품의 수용에 대한 분석의 중요성

은 기술예측이나 수요예측의 일환으로 지속적으로 높아져 왔다.

그런데 기존에 존재하지 않았던 혁신적 신기술 또는 신기술 제품의

수용은 특유의 수용 양상이 있다. Rogers에 따르면 신기술의 수용이

결정되는 혁신 결정 과정(innovation-decision process)은 다음과

같은 단계를 따른다. 우선 대중에게 노출된 혁신을 최초로 인지하

고, 다음으로 그에 대한 태도를 형성하며, 궁극적으로 혁신을 채택

혹은 거부할 것을 결정하고 이행하는 것이다. 이 과정은 혁신의

결정 단위인 개인이나 사회체계에 의해 평가된 혁신이 일상 속에서

융합되어 영향력이 발휘되는 과정에서 수반되는 일련의 선택과 행동

의 문제를 포함한다. 혁신의 수용 결정 과정에는 반드시 이미 존재

혁신 제품 수용과소비자행동에 대한 이해

PART 02


혁신제품수용과소비자행동에대한이해

하는 것을 새로운 것으로 대체하는 데 따르는 불확실성이 존재하며,

이는 다른 형태의 의사 결정과정과 구별되는 혁신 수용 과정 특유의

양상이다(Rogers 2003).

여기서 혁신은 사람들이 새롭다고 지각하는 서비스나 아이디어를

의미하는 것으로 신기술과 같은 것을 의미한다. 대표적인 혁신의 사

례인 신기술의 수용은 일반적인 제품의 수용과 구별되는 특유의 과

정을 거치게 된다. Rogers는 개인 차원에서 혁신을 수용하는 과정을

5단계로 나누어 설명한다. 지식(knowledge), 설득(persuasion),

결정(decision), 실행(implementation), 확인(conformation)으로

구성된 5단계는 신기술 수용 과정의 특징을 설명해준다. 혁신의

확산을 연구하는 연구자들은 혁신을 채택하는 행위가 순간적인 판단

에 전적으로 의존하는 것은 아니라고 주장한다. 혁신 결정 행위는

일정한 시간을 두고 발생하며, 다양한 행동이 포괄되어 있는 과정이

다. 따라서 기존의 판매라는 결과 중심의 분석과는 다른 접근 방법

이 필요하다. 신기술 수용이 결정되는 단계까지는 상대적으로 많은

시간이 소요되며, 신기술을 소비자에게 수용시키기 위해서는 수용

과정의 여러 단계에 따른 전략적 접근이 필요하기 때문에 수용 과정

을 분석하는 것이 필요한 것이다.

Rogers(2003)는 신제품 사용 준비의 차이 및 개인적 영향을 설명

하면서, 한 개인의 혁신성을 사회시스템 내에서 한 사람이 다른 구

성원들보다 새로운 아이디어를 상대적으로 더 빨리 수용하는 정도라

고 정의했다. 각 제품 영역에는 초기개척자와 초기채택자 등이 있어

서 <그림 3>과 같이 그들을 범주화 할 수 있다는 것이다.


서서히 출발한 후 혁신을 수용하는 수가 증가하며, 최정점에 이르

게 되고, 그 다음에는 더 작은 비수용자들이 남아 있으므로 감소한

다. 5개의 채택자 집단은 그들이 가치지향성에 그리고 그 제품을 채

택하거나 거절하려는 움직임에 차이가 있다. 혁신자(innovator)는

기술에 대해 열정적이며 모험적이고 또한 신제품을 수선하는 것 그

리고 복잡한 것을 익히는 것을 즐긴다. 초기 채택자(early adopter)

는 극적인 경쟁적 우위를 제공하는 새로운 기술을 신중하게 탐색하

는 의견선도자이다. 그들은 가격 의식적이지 않으며 또한 개인적인

해결방법 그리고 좋은 서비스 지원이 제공된다면 그 제품을 채택할

의향이 있다. 초기 대중(early majority)은 이점이 입증되고 또한 이

미 많은 사람들이 채택했을 경우, 새로운 기술을 채택하는 신중한

실리주의자이다. 후기 대중(late majority)은 위험을 싫어하고 기술

16 17

자료 : Kotler & Keller(2008), Rogers(1999) 재인용

그림 3 혁신수용의 상대적 시간에 기초한 수용자 범주화


에 조심성이 있으며 가격에 민감한 의심 있는 보수주의적인 사람이

다. 최후수용자(laggards)는 전통에 묶인 사람으로 혁신이 전통 그

자체로 받아들여질 때만 혁신을 수용한다(Rogers 2003).

신제품 수용에서 개인적 영향(personal influence)이란 다른 사람

의 태도나 구매 가능성에 대해 어떤 한 개인의 영향을 말한다. 개인

적인 영향이 중요한 요인이기는 하지만, 그 개인적인 영향은 어떤

상황과 개인에 따라서 더욱 중요하다. 개인적인 영향은 어떤 단계

중 특히 수용과정의 평가단계에서 더욱 중요하다. 그것은 초기 수용

자들보다 후기 수용자들에게 더 큰 영향을 미친다. 그러나 안정된

상황보다는 위험에 직면한 상황에서 더욱 중요하다(Rogers 2003).

<그림 3>의 범주를 채택자 분류의 방법으로 선택하는 데 문제점이

있다면 그것은 사회체계 내에서 개혁의 채택이 불완전한 경우인데,

이것은 사회구성원이 개혁을 100% 사용하지 않는 경우를 말한다.

그런 불완전한 채택은 다섯으로 된 분류들이 완전히 고갈적인 특성

을 갖지 않음을 의미한다. 개혁을 불완전하게 채택하거나 채택하지

않는 문제는 일련의 개혁들이 복합 개혁성 척도로 결합될 때 피할

수 있다고 Rogers(2003)는 설명한다.

채택자의 범주의 기준으로서 개혁성은 이전에 제시된 범주화의 세

가지 원리를 수행한다. 즉 다섯 가지 채택자 범주들은 고갈적(비채택

자를 제외함)이고, 상호 배타적이고, 단일한 분류 원리 틀에서 나온

다. 이러한 채택자 범주는 오늘날 확산 연구에서 가장 광범위하게

사용되는 것으로서 본질적으로 채택자 범주를 나눌 수 있는 유일한

방법이다(Rogers 2003).

이상에서 설명된 다섯 개의 채택자 범주는 현실의 관찰을 기초로

비교 가능케 만들어진 어떤 이념적 형태(ideal type 또는 이상형)이

다. 이념형은 채택자 범주를 관찰하여 그것을 단순히 합산한 평균으

로서의 개념이 아니며, 그 예외는 발견될 수 있다. 만일 예외나 변



이가 존재하지 않는다면 이념형이라는 것은 필요하지 않다. 이념형

은 경험적 연구를 통해 추상화된 개념에 근거한다. 비록 다른 학자들

은‘개혁자와 초기 채택자’대‘초기 대다수, 후기 대다수, 비개혁자’

사이에 불연속성이 존재한다고 주장함에도 불구하고 다섯 범주가 배치

된 개혁성의 연속선상에 어떤 균열이 있는 것은 아니다(Moore

1991).

더군다나 이전 연구들은 채택자 범주 사이에“단절(chasm)”이 있

음을 증명하지 못했다. 만약 적절히 측정되었을 경우 개혁성이 연속

적 변인이라는 주장은 지지받을 수 있고, 인접한 채택자 범주는 서

로 중요한 차이점이 있지만 그들 사이에 급격한 중단이나 불연속이

없음을 증명할 수 있을 것이다(Rogers 2003).

기술혁신 이론에서 소비자의 행동을 설명하는데 주목해야 할 이론

은 혁신의 소비자 수용 모델(consumer adoption model)이다. 여기

서 혁신(innovation)이란 그 역사가 길고 짧은 것과는 관계없이, 사

람들이 새롭다고 지각하는 재화, 서비스 또는 아이디어에 관련된 것

이다. 이런 정의를 내린 Rogers(2003)는 혁신 확산과정

(innovation diffusion process)을“새로운 아이디어의 최종 사용자

나 수용자들에게 발명이나 창조로 생겨난 새로운 아이디어가 퍼지는

것”이라고 정의했다. 즉 소비자 수용과정은 혁신에 관한 이야기를

처음 듣는 순간부터 최종 수용에 이르는 동안 개인이 겪는 정신적

과정에 집중한다. 신제품 수용자들은 다음과 같은 다섯 단계를 거친

다(Kotler & Keller 2008).

�인� � 소비자는 혁신을 �고 있지만, 그것에 대한 정�는 부�하다.

�관� � 소비자는 혁신에 대한 정�를 �도록 자�을 받는다.

��가 � 소비자는 혁신을 사용하는 것이 의�가 있는지 �고한다.

�사용 � 소비자는 혁신의 가치에 대한 그의 �가치를 개선하기

위해 혁신을 사용한다.

18 19


�수용 - 소비자는 혁신을 �전� 정식으로 사용할 것을 결정한다.

이렇게 개인이 겪는 정신적 과정이 주목했다는 측면에서 역시 기존

의 생산자 중심의 제품 수명주기와 다르게 사용자(또는 소비자) 입장

에서 수용과정에 접근했다는 특징이 있다. 본 연구가 관심을 가지는

검색트래픽은 다섯 단계 중에서 관심 단계와 관계가 깊다.

신기술 인식과 소비자 검색 행동

앞서 언급한 것과 같이 신기술의 수용 과정에서는 기존 제품의 수

용과는 다르게 소비자의 인식과 지식 습득 단계가 이전보다 많은 중

요성을 갖는다. 그런데, 소비자의 인식과 지식 축적 과정에서 소비

자의 자발적이고 적극적인 관여를 보여주는 결과가 검색 활동이기

때문에, 본 연구는 인식과 관심(지식 단계)이라는 소비자의 신기술

수용 과정을 그들의 검색 활동을 관찰함으로써 분석할 수 있다는 점

에 착안했다.

Rogers(2003)에 따르면, 혁신 결정 과정은 본질적으로 개인이 혁

신을 채택하는 데 따르는 이익이나 불이익과 관련된 불확실성을 제

거하기 위해 정보를 추구하거나 어떤 정보를 가공하는 행위이다. 우

리는 보통 신기술을 인지함과 동시에“신기술(혁신)이란 무엇인가?”,

“그것은 어떻게 작용하는가?”, “왜 작용하는가?”등에 대한 의문을

가지게 된다. 첫 번째 물음은 신기술의 존재에 대한 정보 즉 신기술

에 대한 인지와 지식(awareness-knowledge)을 의미한다. 수용자들

은 이러한 지식습득의 상태 이후에는 신기술에 관한 노하우, 즉 신

기술이 작용하는 기제 및 원리 등에 관한 지식을 추구하려는 경향이

있다. 이는 혁신 결정의 지식습득단계에서 주로 발생하나, 설득 및

결정의 단계에서 종종 나타나기도 한다. 여기에서 노하우(how-to



knowledge)란 신기술을 적절하게 사용하는 데 필요한 정보를 의미

한다. 잠재적 채택자는 신기술을 왜 수용해야 하며 이를 어떻게 사

용하는지 등을 이해하고 싶어 한다. 신기술은 복잡한 경우가 많기

때문에 이를 채택하는 데 필요한 노하우의 양이 훨씬 많다. 또한 신

기술을 일찍 접하게 된 사람은 늦게 접하게 된 사람보다 대중매체에

더 많이 노출되며, 많은 정보를 수집하게 된다. 그러나 신기술에 관

하여 아는 것은 그것을 사용하는 것과는 다른 차원의 문제이다. 보

통 대부분의 사람들은 신기술에 관해 그것의 존재를 인식하며 어느

정도의 지식을 가지고 있다. 그러나 사람들이 새로운 아이디어에 대

해 알고 있다고 하더라도 자신의 상황과 관련이 없거나 잠재적으로

신기술이 이용 가치가 없다고 생각할 때 그들은 신기술을 수용하지

않는다. 그러므로 신기술에 대한 지식과 결정의 기능 사이에는 신기

술에 대해 가지는 태도가 개입하기 마련이다. 달리 표현하면, 신기

술 수용 과정의 특정 단계에 있는 채택자에게는 신기술에 대한 태도

나 신념이 계속적으로 다음 단계로의 행동에 영향을 미치게 된다.

수용자가 신기술을 자신의 상황과 무관하다고 느꼈을 경우, 그는 새

로운 아이디어에 대해 고려할지라도 그것은 단순한 배경 지식의 상

태 이상을 넘지는 못한다(Rogers 2003).

Gartner는 이러한 신기술의 수용에서 나타날 수 있는 소비자의 관

심(또는 지식)과 판매의 불일치를 기대주기(hype cycle)로 설명하기

도 한다(Fenn & Raskino 2008). 신기술의 수용에서 소비자의 기

대와 생산자의 혁신사이의 시간적 차이가 가져오는 특별한 양태를

기대주기라는 개념으로 설명한 것이다. 기대주기 모델이 설명한 것

과 같이 신기술에 대한 큰 기대가 실제 신기술의 수용 결정으로 연

결되지 못한 사례는 우리 주위에서 흔하게 찾아볼 수 있다. 1990

년대 후반 전기자동차 EV1, 2000년대 초반 로봇 청소기 그리고

인공지능 기술 등이 그 좋은 사례이다. 최근에 활용이 증가하고 있

20 21


는 로봇청소기나 인공지능 기술을 소비자가 본격적으로 수용하는 데

십년 가까운 기대 불일치 기간이 존재했었던 것이다.

본 연구는 이렇듯 신기술의 수용 과정에서 신기술을 인식하고 관련

정보를 축적하는 지식단계가 기존 제품의 수용 과정과 구분된다는

점에 주목했다. 본 연구는 신기술의 수용 과정에 영향을 주는 신기

술 노출이라는 변수에 주목해 신기술의 인식 단계인 지식 단계를 관

측하고, 나아가 지식 단계가 신기술의 수용 결정에 어떤 영향을 주

는지를 인터넷 검색 통계량인 검색트래픽의 변화와 검색 총량을 활

용해서 연구하고자 한다.

본 연구에서 대상으로 하는 신기술의 수용은 결과가 아니라 과정이

며 다양한 단계를 가지고 있다는 것에 주목할 필요가 있다. 소비자

의 신기술 수용은 신기술의 존재를 인식하고, 이를 정신적으로 받아

들이기로 결정하며, 구매나 사용으로 이어지는 일련의 단계를 포괄

한다. 본 연구에서는 소비자의 신기술 수용을 하나의 과정으로 보지

만, 소비자가 신기술을 수용했는지 여부의 분석은 소비자의 구매 결

정을 통해 분석한다. 본 연구에서 신기술 수용이라고 언급된 것이

소비자의 입장에서는 신기술이 적용된 신제품의 구매일 뿐일 수도

있다는 점을 염두에 둘 필요가 있다. 신기술의 수용이라는 관점은

연구자, 생산자 또는 정책당국자의 관점일 수 있다는 것이다. <그림

2>에서 설명한 것과 같이 소비자의 신제품 수용에서 기술적 요소는

기업에게 만큼 중요하지 않기 때문이다.

그러나 기존 제품의 패러다임을 바꾸는 혁신적인 신기술 적용된 제

품을 수용할 때 소비자는 신기술의 존재를 인식하고, 신기술에 대해

학습한다(Rogers 2003). 물론 이들의 학습이 항상 인터넷을 통해

이루어지는 것은 아니며, 많은 경우 제한된 정보원이나 주변 인물을

통해서 정보를 습득하게 된다. 본 연구는 이 가운데 소비자가 인터

넷 정보를 탐색하는 행동에 한정해 연구를 진행하고자 하며, 소비자



의 인터넷 정보 탐색을 통해 신기술의 수용을 설명하고자 한다. 또

한 본 연구에서는 신기술 적용 제품의 구매를 소비자의 신기술 수용

으로 설명한다.

소비자행동 연구의 의미

혁신 제품의 수용에서 검색이라는 소비자의 행동을 이해하기 위해

서는 수용과 관련된 소비자 행동의 전반을 이해할 필요가 있다. 소

비자행동(consumer behavior)의 분야는 개인, 집단 혹은 조직들 및

이들이 욕구를 충족시키기 위해 제품이나 서비스, 경험, 혹은 아이

디어를 선택하고, 확보하고, 사용하고, 처분하는 과정, 그리고 이러

한 과정이 소비자와 사회에 미치는 영향을 연구하는 것이다. 소비자

행동에 대한 이러한 관점은 구매자와 구매 과정의 직접적인 선행변

수와 결과변수에 대해서 지협적인 초점을 갖고 있는 전통적인 관점

보다는 더 포괄적이다. 소비자행동에 대한 폭넓은 견해는 우리로 하

여금 소비 결정에 대한 간접적 영향을 더 알아보게 할 뿐만 아니라

구배자와 판매자 이상을 포함하는 훨씬 풍부한 결과를 이끌어 낸다.

이러한 소비자행동은 마케팅 전략에 적용된다. 모든 마케팅 전략들

과 전술들은 소비자행동에 대한 명시적이거나 묵시적인 신념에 기반

하고 있다. 명시적인 가정들에 근거하고 건전한 이론과 연구에 근거

한 의사결정들은 육감이나 직관에만 근거한 의사결정들보다 성공적

이다. 소비자행동에 대한 지식은 중요한 경쟁우위가 될 수 있다. 소

비자 행동에 대한 지식은 잘못된 의사결정이나 시장실패의 가능성을

획기적으로 줄여 준다. 소비자행동에 대한 연구는 이렇게 기업에 마

케팅전략을 수립하는데 중요한 지식을 제공하지만, 규제 정책을 결

정하는 정책당국자, 사회적 마케팅을 준비하는 공공조직, 심지어는

소비자에게도 중요한 정보를 제공해준다(이호배 외 2011).

혁신제품을 탐색하는 소비자행동에 대한 연구에서 중요한 부분 중

22 23


에 한 부분은 소비자의 의사결정이다. 소비자 의사결정이란 용어는

주의 깊게 제품들, 브랜드들, 서비스들의 속성을 살펴보고 가장 적

은 비용으로 명확하게 인식된 필요(욕구)를 해결해주는 대안을 이성

적으로 선택하는 사람의 이미지를 떠올린다. 이는 이성적이고 기능

적인 의미를 가지고 있다. 소비자들은 이런 식으로 많은 의사결정을

한다. 그러나 많은 다른 결정들은 거의 의식적 노력 없이 이루어진

다. 게다가 많은 소비자 의사결정은 브랜드 속성이 아니라 브랜드를

구매하거나 사용하는 것과 관련된 정서나 감정 그리고 제품이 구매

되고 사용되는 상황에 의하여 이루어진다. 이와 같이 브랜드는 속성

(가격, 스타일, 기능적 특성들) 때문이 아니라 그 제품이 나를 기쁘

게 하거나 내 친구가 그것을 좋아하기 때문에 선택될 수 있다.

<그림 4>가 제시하는 것처럼 여러 형태의 소비자의 구매 의사결정

과정이 있다. 소비자는 낮은 수준의 구매 관여도로부터 높은 수준의

관여도까지 다를 수 있기 때문에 구매 의사결정은 더욱 복잡해진다.

구매관여도는 연속적이지만 연속상에서 특정 값을 따라 발생하는 일

반적인 과정의 형태로 명목적, 제한된, 확정된 의사결정으로 구분하는

것이 유용하다. 의사 결정의 형태는 명확히 구분되는 것이 아니라 서로

간에 다소 중복된다는 것을 명심할 필요가 있다(이호배 외 2011).

각 의사결정과정을 기술하기 전에 구매관여도를 명확히 해야 한다.

구매관여도(purchase involvement)는 특정 구매를 결정하는 욕구에

의하여 촉발된 구매과정에 대한 관심의 수준을 말한다. 이와 같이 구

매관여도는 개인이나 가구의 일시적 상태이다. 이는 개인, 제품, 그리

고 상황적 특징의 상호작용에 의해서 영향을 받는다. 구매관여도는 제

품관여도(product involvement) 즉, 지속적 관여도와 같지 않다. 소비

자는 브랜드(Starburks or Saturn) 또는 제품범주(커피 또는 자동차)

에 매우 관여될 수 있고 브랜드애호도, 시간 압박 또는 다른 이유들로

인하여 제품의 구매에 대하여 매우 낮은 관여도를 가질 수 있다.



<그림 4>에서 설명된 세 가지 구매 의사결정 과정을 요약해 본다.

첫째, 명목적 의사결정(nominal decision making)은 사실상 자체로

의사결정을 포함하지 않는 습관적 의사결정이라고 때때로 불린다.

위에 그림에서 제시된 것처럼 문제가 인식되고 내적 탐색(장기 기억)

은 가장 선호되는 한 해결책(브랜드)을 제공하고 그 브랜드가 구매되

고 나서 그 브랜드가 기대한 만큼 성과가 못 미친다면 평가가 발생

한다. 명목적 의사결정은 매우 낮은 수주의 구매관여도에서 일어난

다. 완전한 명목적 의사결정은 구매하지 않는 다른 대안을 고려조차

하지 않는다. 명목적 의사결정은 브랜드애호적인 의사결정(Brand

Loyal Purchases)과 반복 구매의사결정(Repeat Purchase)의 두 개

의 범주로 나눌 수 있다.

24 25

자료 : 이호배 외(2011) 재구성

그림 4혁관여와 의사결정의 유형


둘째, 제한된 의사결정(limited decision making)은 내부적이고 제

한된 외적 탐색, 소수의 대안들, 소수의 속성에 대한 단순한 의사결

정 규칙 그리고 제한된 구매후의 평가를 포함한다. 이는 명목적 의

사결정과 확장된 의사결정의 중간이다. 단순한 형태(구매관여도가

매우 낮은 경우)에서는, 제한된 의사결정은 명목적 의사 결정과 유사

하다. 제한된 의사결정 과정은 또한 어떤 정서적 또는 상황적 욕구

에 반응해서 발생한다. 예를 들어서 우리는 현재 브랜드에 만족하지

만 싫증나서 새로운 브랜드 또는 제품을 구매하기로 결정할 수 있

다. 일반적으로 제한된 의사결정은 가능한 여러 대안들이 있는 어떤

문제를 인식하는 것을 포함한다. 그리고 내적 탐색 또는 제한된 외

적 탐색을 한다. 소수의 대안들은 단순한 선택규칙을 사용하여 소수

의 차원에 대하여 평가한다. 제품의 구매와 사용은 서비스 또는

제품에 문제가 없다면 나중에 매우 제한된 평가를 한다.

셋째, <그림 4>가 제시하듯, 확장된 의사결정(extended decision

making)은 확장된 내적 그리고 외적 정보탐색, 여러 대안들의 복잡

한 평가 그리고 구매 후 평가를 포함한다. 이는 높은 수준의 구매관

여도의 반응이다. 구매후에 선택의 정확성에 대해서 의심이 생겨서

구매에 대한 철저한 평가가 발생한다. 상대적으로 적은 수의 소비자

의사결정이 이런 수준의 복잡성에 이른다. 그러나 집, 개인 컴퓨터,

그리고 홈 씨어터 시스템과 같은 복잡한 레크레이션 제품은 빈번히

확장된 의사결정을 통하여 구매되어진다. 매우 감정적인 의사결정도

상당한 인지적 노력을 수반할 수 있다. 예를 들어서 스키여행이나

부모 방문이 해당된다.

<그림 4>에서 설명된 바와 같이 문제인식은 의사결정의 첫 단계이

며, 그 과정은 <그림 5>와 같다. 본 연구가 관심을 가지는 소비자의

정보탐색은 <그림 4> 의사결정과정의 두 번째 단계에 해당된다.

소비자들은 계속적으로 문제와 기회를 인식하게 되며 내적으로 또는



외적으로 이들 문제를 해결하기 위한 정보탐색을 지속적으로 하게된

다. 정보탐색은 공짜가 아니다. 정보탐색은 소비자가 행하는 육체적

활동뿐 아니라 정신활동을 포함한다. 이는 시간, 에너지, 돈을 필요

로 하며 또한 종종 더 바람직한 활동의 포기가 요구될 수도 있다.

그러나 정보탐색의 혜택은 정보탐색의 비용을 종종 초과한다. 예를 들

면 탐색은 낮은 가격, 선호하는 제품스타일, 높은 품질의 제품, 또는

선택에 따른 자신감 증대를 야기할 수 있다. 또한 정보탐색에 관련된

육체적 그리고 심리적 과정은 종종 자체적으로 보상이기도 한다.

일단 문제가 인식된 후 만족스러운 해결책을 알고 있는지, 잠재적

해결책의 특징이 무엇인지, 해결책을 비교하기 위한 적절한 방법이

무엇인지 등등을 결정하기 위해 장기기억으로부터 관련된 정보가

26 27


그림 5문제인식의 과정


사용되어진다. 이러한 방법은 내적탐색이라고 한다. 내적탐색

(internal search)을 통하여 해결책이 얻어지지 않으면 탐색과정은

문제해결과 관련된 외적정보에 초점이 맞추어진다. 이는 외적탐색

(external search)이라고 한다. 외적탐색은 독립된 정보원천, 개인

적 원천, 마케팅 제공정보 그리고 제품경험을 포함할 수 있다. 우리

가 연구하는 혁신제품이 기능이 복잡한 고관여구매 제품인 경우가

많고 새로운 제품으로 내적탐색의 경험이 거의 없다는 측면에서

보면 외적탐색이 더욱 중요해질 것이라는 것은 자명하다.

소비자 의사결정은 다음에 대한 정보를 요구한다. 1) 문제의 해결

을 위한 적절한 평가기준, 2) 다양한 대안 해결책의 존재, 3) 각 평

가기준에 대한 각 대안 해결책들의 성과 수준 또는 특징이다. 정보

탐색은 곧 <그림 6>에서 보듯이 세 가지 유형의 각 정보를 추구하는

것을 의미한다.



그림 6 소비자의 의사결정에 따른 정보탐색


소비자에게 가능한 주요 5가지의 정보원천을 나타내면 다음과 같다.

�이전 탐색� 개인적인 �� 그리고 ��여 ��의 기억

��구� 가� � 다� 사�들의 개인적 원천

��지� 소비자 �� 그리고 정부기�의 ��적 원천

��매원� �사이� 그리고 �고의 마�� 원천

��사 또는 �� 사용의 ��적 원천

각 원천이 온라인과 오프라인 요소를 가지고 있다는 것을 유의해야

하는 것은 중요하다. 즉 기억은 오프라인 또는 인터넷에서의 이전

정보탐색으로부터 올 수 있다. 이러한 원천은 <그림 7>에서 보여 지

고 있다. 소비자들은 거시적(개인적 원천) 수준과 미시적(특정 개인

들) 수준에서 얼마나 많은 그리고 어떤 정보원천을 사용해야 하는지

결정한다. 이와 같이 구매결정은 정보탐색에 대하여 일련의 하위군

의 결정들을 필요로 한다.

28 29


그림 7구매의사결정을 위한 정보의 원천


내적 탐색은 대부분의 경우에 많은 사람들이 이용하는 중요한 원천

이다(명목적 그리고 제한된 의사결정). 그러나 장기기억에서의 정보

는 최초에는 외적 원천으로부터 얻어진다는 것을 유의해야 한다. 이와

같이 소비자는 소비문제를 주로 또는 전적으로 저장된 정보로 해결할

수 있다. 그렇지만 소비자는 그러한 정보를 과거 어느 시점에 제품의

직접 경험, 친구, 또는 저관여학습과 같은 외적탐색으로 획득하였다.

마케팅에 의해 시발된 정보는 5가지 잠재된 원천중의 하나이며 소

비자 의사결정에서 제한된 직접적 가치를 가지는 것으로 자주 보고

된다. 그러나 마케팅활동은 5가지 원천 모두에 영향을 미친다.

이와 같이 제품의 특성, 제품의 유통, 그리고 제품에 대한 홍보 메시

지는 시장에 존재하는 또는 기본적인 입수 가능한 정보를 제공한다.

인터넷은 소비자로 하여금 전례가 없을 정도로 정보에 접할 수 있

게 한다. 국제적으로 인터넷 사용은 급속하게 증가하고 있으며, 전

세계적으로 14억 이상의 사람들이 온라인에 접속하고 있다. 국제적

이용도의 차이가 있는 것처럼, 미국 성인의 모든 계층이 같은 비율

로 인터넷을 이용하는 것은 아니다. 그러나 저이용 집단의 이용성장

률이 고이용 집단의 성장률을 종종 앞서기 때문에 집단 간 차이가

급속하게 줄어들고 있다(이호배 외 2011). 다음 <표 1>은 성인 인

터넷 이용자들의 10가지 활동을 보여주기 있다(숫자는 그러한 활동

을 하는 사람들의 비율을 나타낸다). 이러한 정보는 인터넷이 정보탐

색과 의사결정 과정에 얼마나 중요한지를 바로 보여준다. 확실히 조

사는 인터넷이 인터넷 사용들에 있어서 제품관련 정보의 선호되는

원천임을 제시하고 있다.



Google, Yahoo, MSN과 같은 검색엔진은 소비자에게 중요한 탐색

도구이다. DoubleClick은 인터넷 구매 이전의 12주 기간 동안 검색

엔진의 이용을 조사하였다. 150만 명의 미국 인터넷 이용자 패널을

이용하여 네 개의 제품범주 및 이러한 제품범주를 취급하는 7~8개

의 소매상이 추적되었다. 조사는 검색엔진을 사용한 검색탐색이

50%의 온라인 구매에 앞서 이루어졌다는 것을 발견하였다. 검색용

어는 브랜드(소매상 브랜드)만, 제품 범주(일반적 제품관련 용어),

그리고 브랜드-품목(브랜드와 제품범주)으로 검색의 성격이 구분되

었다. <그림 8>이 보여주듯이 구매로 이어지는 대부분의 검색은 제

품 범주적, 즉 연구에서 조사된 소매상의 브랜드를 포함하지 않는

일반적인 제품범주의 용어였다.

30 31

행동 비율이메일 92%정보를 찾기 위해 검색엔진을 이용 91%지도나 운전 방향 안내를 탐색 86%취미나 관심 있는 것의 정보를 찾음 83%제품/서비스를 사기전에 조사함 81%건강이나 의한 정보를 탐색 80%날씨를 확인함 78%여행정보를 얻음 73%뉴스를 봄 71%제품을 구매 66%

자료 : www.pewinternet.org (2008)

표 1성인 인터넷 이용자들의 주요 활동


<그림 8>에서 위 그림은 특정 카테고리(기업 등)에서 직접 검색하

는 사람이고, 아래 그림은 일반 검색 사이트에서 검색하는 사람에

대한 분석으로 큰 차이가 없음을 보여주고 있다. 두 사이트에서 검

색하는 경우 모두 일반적인 검색이 많았으며, 브랜드와 아이템을 같

이 검색하는 경우는 많지 않았다.

우리가 예상할 수 있듯이 <그림 9>의 의복 사례를 보면 제품 범주

적 검색이 검색과정의 초기(3주에서 12주)에 지배적이며, 브랜드

검색은 구매에 바로 앞서서 지배적이다(Doubleclick, 2005). 역시

특정 카테고리에서 검색하는 위 그림과 일반 사이트에서 검색하는

경우인 아래 그림의 차이가 거의 없었다. 제품 범주적 검색의 행태


자료 : Doubleclick(2005)

그림 8온라인 검색엔진을 이용하는 탐색의 성격


는 제품별로 차이가 있는데 <그림 10>에서 보면 컴퓨터보다 의복에

서 제품 범주적 검색의 검색량이 두드러졌으며, 각각의 정점도 차이

가 있다. 컴퓨터는 구매 3주전이 정점인 반면에 의복은 7주와 1주

전에 정점이 나타났다.

32 33

(a) 컴퓨터 하드웨어


그림 9 구매전 브랜드 서치 활동의 정점

그림 10 구매전 주별 검색 활동


이상에서 살펴본바와 같이 많은 경우 소비자는 외적 정보탐색을 진

행하지만, 대부분의 구매는 명목적 또는 제한된 의사결정이어서 구

매에 앞서 제한된 외적 탐색을 수반한다. 이는 청량음료, 통조림,

세재 등과 같은 비교적 상대적으로 가격이 낮은 편의품에 특히 해당

된다. 그러므로 본 연구에서의 토의는 가구, 전문적 서비스, PC 그

리고 자동차와 같은 주요 구매에 초점을 둔다. 직관적으로 그러한

구매에 앞서 상당한 양의 직접 외적 탐색을 예상할 수 있다.

그런데 일부 선행 연구를 살펴보면 우리의 예상에 의문을 던진다.

이런 제품들도 외적 정보탐색은 제한된 탐색 쪽으로 치우쳐 있는데

구매 직전에 많은 소비자들이 외적 정보탐색을 적게 한다는 것이다.

제품의 가격이 증가함에 따라 고려되는 대안 브랜드 또는 모델의 수

가 증가하지만, 시계와 같은 제품범주에 있어서는 거의 반 이상의

구매자가 단지 한 가지 브랜드와 한 가지 모델을 고려하였다. 또 다

른 연구는 주요 국가의 구매자 중 27%가 한 브랜드만을 고려한 것

을 보여준다(Urbany et al. 1984). 인터넷 사용이 자동차 정보탐

색을 증가시켰지만 인터넷을 이용하는 사람들조차 아직도 3개의 모

델만 조사하였다(Ratchford et al. 2003).


(b) 의복



거의 50년 동안, 두 제품범주, 4개의 서비스 그리고 두 국가에 대

해 조사한 8개의 연구도 실행된 전체 외적 정보탐색에 주목할 만한

일관성을 보여주고 있다. 소비자들은 그들의 전체 외적 정보탐색에

의하여 (1) 비탐색자-거의 또는 전혀 탐색을 하지 않음 (2) 제한된

정보 탐색자-적은 양에서 중간 정보의 탐색 (3) 확장된 정보 탐색

자-고 탐색으로 분류된다(이호배 외 2011).

<표 2>의 결과가 제시하는 것처럼 대부분의 소비자들은 내구재 및

중요한 전문적 서비스의 구매에 바로 앞서 최소한의 외적 정보탐색

을 한다. 덜 중요한 품목에 대한 탐색 수준은 더 낮다. 그러나 제한

된 정보탐색이 반드시 소비자가 건전하지 못한 구매 전략을 따르고

있다는 것을 의미하지는 않는다. 또한 많은 내적 정보가 이용되지

않는다는 것을 의미하지도 않는다(이호배 외 2011).

본 연구의 핵심 관심사인 소비자의 정보 탐색이라는 관점에서 보았

을 때, 정보 탐색 과정에서 주목해야 하는 부분은 정보 탐색의 역동

성이다. 소비자는 정보 수집을 통해서 경쟁하는 브랜드 및 상품과

그 특성에 대해 학습한다. <그림 11>의 첫 번째 단계는 소비자가

이용 가능한 브랜드들의 전체 집합(total set)을 보여준다. 소비자는

이 브랜드들 중 단지 몇 개만 알고 있는데, 이것은 소비자의 인식

집합을 구성한다. 이렇게 소비자가 알고 있는 브랜드들 중 몇 개만

이 소비자의 최초구매 기준과 일치하게 된다. 이러한 브랜드는 소비

자의 고려 집합이 된다. 또 소비자가 이들 브랜드에 대해 더 많은

정보를 수집함으로써 몇 개의 브랜드만이 강력한 선택 대상이 되는

데, 이것은 선택 집합을 구성한다. 이 선택 집합 내의 모든 브랜드

는 받아들일 수 있는 것으로, 소비자는 이 선택 집합에서 최적인 것

을 선택하게 된다(의사결정).

34 35


모든 소비자가 구매 상황에서 사용하는 유일한 평가 과정은 없다.

<그림 4>의 세 번째 단계인 대안의 평가 단계에서는 여러 가지 의사

결의 평가 과정이 있는데, 최근의 모델은 소비자들은 의식적이며 합

리적인 기준에 따라 판단 한다고 제시한다. 첫째 소비자는 욕구를

충족시키려고 한다. 둘째, 소비자는 문제를 해결하는 제품에서 어떤

이점을 추구하고 있다. 셋째, 소비자는 욕구를 만족시키기 위해 추


나라/제품/연도 비탐색 제한된 정보 탐색자 확장된 탐색자미국/가구/1955 65% 25% 10%미국/가구/1972 49% 38% 13%미국/가구/1974 65% 27% 8%미국/가구/1989 24% 45% 11%미국/전문서비스/1989 55% 38% 7%미국/전문서비스/1995 53% 35% 12%미국/자동차/1981 24% 58% 18%미국/자동차/2003 20% 40% 20%


표 2주요 내구재의 외적 정보탐색 행태 변화

자료 : Kotler & Keller(2008), 재구성

그림 11 정보 탐색의 역동성에서 소비자 의사결정의 집합


구하고 있는 이점을 전달하는 서로 다른 능력을 갖는 속성의 묶음으

로 각 제품을 인식한다. 구매자들에게 관심을 끄는 속성은 제품마다

다르다. 소비자는 속성에 대한 평가 절차를 통해 여러 상표에 대한

태도를 갖게 된다. 소비자는 각 상표가 각각의 속성에 의해 좌우된

다는 것에 대해 신념의 집합을 개발한다. 태도 형성에 대한 기대-가

치 모델(expectancy-value model)은 소비자는 중요성에 따라 자신의

상표 신념에 제품과 서비스를 결합해서 제품과 서비스를 긍정적이거나

부정적으로 평가 한다는 것을 보여준다(Kotler & Keller 2008). 평가

단계에서 소비자는 선택 집합 내의 브랜드들 중에서 선호하는 것을

선택하고, 가장 선호하는 상표를 구매할 의도를 갖는다. 구매 의도

를 실천하기로 결정한 소비자는 5가지 하위 의사 결정을 해야 한다.

즉 상표(브랜드)·거래처·수량·시기·지급 방법을 결정해야 한다.

앞서 언급된 기대-가치 모델은 어떤 제품의 양호한 면이 나쁜 면을

보완해준다는 보상적 모델이다. 그러나 소비자는 자주 선택 자기발

견법(choice heuristic)을 간단히 하는‘정신적 지름길’을 택한다.

자기발견법(heuristic)이란 의사결정과정에서 주먹구구식이나 정신적

지름길적 방법이다. 소비자 선택 중 비보상적 모델(noncompensatory

model)에서 긍정적이거나 부정적인 속성 고려는 반드시 일어나지는 않

는다. 분리해서 속성을 평가하는 것은 소비자가 의사결정을 더욱 용이

하게 하도록 하지만, 보다 더 세심하게 숙고한다면 다른 선택이 이루어

질 가능성이 증가한다(Kotler & Keller 2008).

구매 후(後) 소비자는 불안하게 하는 특성을 주시하거나 다른 브랜드

에 대해 우호적인 정보를 들음으로써 유발되는 불협화음을 경험하게 된

다. 그러나 소비자는 결과적으로 자신의 결정을 지지하는 정보에 주의

를 기울이게 된다. 따라서 마케팅 커뮤니케이션에서는 소비자의 선택을

강화하고 브랜드에 대한 느낌을 좋게 하기 위해 소비자에게 도움을 주

는 신념과 평가를 제공해야 한다고 제안한다(Kotler & Keller 2008).

36 37


PART 03

연구 사례와관련 선행연구분석


PART 03

연구 사례와관련 선행연구분석


연구 사례

본 연구를 위한 핵심적인 연구 사례는 혁신제품인 하이브리드 자동

차를 선택했다. 하이브리드 자동차는 혁신적 제품으로 소비자의 검

색 행동을 분석하기 적절하며, 경험재와 탐색재의 성격을 모두 가지

고 있기 있기 때문에 선정했다.

하이브리드 자동차의 사전적 의미는 전기, 휘발유 등 두 종류 이상

의 동력원을 사용할 수 있는 자동차다. 그러나 현재는 전기모터와

내연기관을 모두 장착하고 선택적 동력원을 사용하는 자동차를 말한

다. 기술 측면에서 하이브리드 자동차 기술은 크게 네 가지로 세부

기술제품으로 나누어 볼 수 있다. 첫 번째는 통상의 하이브리드 자

동차(HEV)로 이론적으로 가솔린 동력의 힘으로 또는 전기 모터로

인한 동력의 힘으로 각각 주행할 수 있는 차를 일컬으며, 기존의 도

요타 프리우스, 현대의 쏘나타 하이브리드 등이 여기에 해당한다.

두 번째, 마일드 하이브리드 자동차(mild hybrid)는 브레이크 작동

및 감속 시 잉여 에너지를 활용해 충전하고, 정차 시에는 시동을 끄

는 형태이나, 각각 독립된 트랜스미션을 갖고 있지 못함에도 불구하

38 39

연구 사례와관련 선행 연구분석

PART 03


고, 연비향상 효과를 가진 중간형태의 하이브리드 기술로서 현대자

동차의 아반떼 LPI 하이브리드나 BMW 1시리즈 등에 적용되고 있

다. 세 번째는 플러그인 하이브리드 자동차(PHEV)로 배터리의 제한

된 용량을 늘이기 위해 가정용 전력을 충전해 기존의 하이브리드 차

량의 연비 효율을 더욱 높인 것으로 도요타 프리우스 PHEV, 포드의

Focus 플러그인 모델 등이 출시 예정이다. 네 번째는 배터리 주행연

장형 전기차(Extended EV)인데, GM의 볼트가 대표적으로 차종으

로 전기차가 가지는 배터리가 한계에 이를 경우, 기존 가솔린 엔진

이 전기의 동력원인 발전기로 사용되는 형태로, 일부 전문가들은

GM 측이 볼트가 고속 주행 시 잔여 배터리 전력이 남아 있음에도

불구하고 일부 가솔린 엔진이 가동될 수 있다는 것을 시인했다는

이유로 플러그인 하이브리드 차량 카테고리에 넣기도 한다. 본 연구

에서 하이브리드 자동차는 상기 네 가지 기술을 포괄하는 기술의 개

념이며 특정 회사의 제품이 아닌 기술 수명주기에서 기술로 명명되

는 수준의 기술명이자 제품군의 이름이 된다(전승표 2011b).

시장측면에서 하이브리드 자동차는 거의 미국 시장을 중심으로 발

전해왔다. 미국에서 하이브리드 자동차 시장은 2010년에 신차 판

매량의 2.5%까지 차지하는 시장으로 성장해서, 2011년 5월에는

누적 판매량이 2백만대에 이르렀다(<그림 12>와 <그림 13> 참조).

수명주기를 판단하기 위해 누적 최대 시장을 추정하면, 미국 거래

차량의 25%가 신차이고 전체 차량 등록대수가 2억 5천만 대

(2007년 현재)인 점을 고려해 누적 최대 하이브리드 자동차 시장은

신차시장을 기준으로 60백만 대 수준으로 추정할 수 있다(CarMax

2011)5). 이런 가정 하에서 <그림 3>의 신기술 수용주기와 비교하

면 2009년 이후 누적 시장점유율은 2.5%(약 1.5백만대)를 상회해

연구사례와 관련선행연구분석

5) Bass Model 에서 재구매를 고려하지 않는 최대 잠재시장의 개념에서 최대 시장임.(Bass 2004).


혁신자(innovator)에서 초기 채택자(early adopter)의 시장으로 성장

했다고 판단할 수 있고, 수명주기상으로 도입기를 지난 성장초기

시장으로 볼 수 있다.

40 41

자료 : www.hybridcars.com (2013. 4. last accessed)

그림 12 미국 하이브리드 자동차 시장의 성장과 현황

자료 : www.hybridcars.com (2013. 4. last accessed)

그림 13 미국 하이브리드 자동차 시장의 모델별 판매량


하이브리드 자동차라고 하면 도요타 프리우스가 연상되고 있는데,

워낙 트렌드를 주도하기도 했고 십여 년간 이렇다 할 경쟁상대가 없

던 탓이다. 2009년 말을 기준으로 미국에서 전체 하이브리드 자동

차 판매량 중에서 프리우스의 판매량은 46.8%에 이르렀으며,

<그림 13>에 나타난 것처럼 이런 프리우스의 독주는 계속 되어온

현상이었다.

실제 최초의 하이브리드 자동차가 시장에 소개된 것은 100여년 앞

선 1899년에 포르쉐를 만든 페르디난드 포르쉐 박사에 의해서였다.

현대적 하이브리드 자동차의 시초인 도요타의 프리우스는 1997년

에 일본에서 출시되었고, 혼다의 인사이트가 1999년에 미국에서 처

음 출시되었다. 그동안은 저유가로 그다지 각광받지 못했지만 2000

년대 후반 유가가 급등하면서 자동차 시장에서 중요한 지위를 차지하

기 시작했다. 전세계적으로 2007년 3월 누적 판매량이 100만대를

돌파했고, 2009년 8월 200만대, 2011년 2월 300만대를 돌파해

상대적으로 가파른 성장세를 보이고 있다(전승표 2012a).

이런 미국의 하이브리드 자동차가 가지는 수명주기상 사례의 적정

성뿐만 아니라 미국 하이브리드 자동차가 분석 사례로 적절한 또 한

가지 이유는 소비자 행동론의 자극-반응모델과 범주화 관점이다.

<그림 14>에 나타난 Pike research (Gartner et al. 2010)의

미국 소비자 서베이에 따르면, 미국 소비자의 16%는 하이브리드 자

동차를 비롯한 전기자동차에 매우 관심이 높았고, 관심이 많은 집단

은 27%, 다소 관심이 있는 집단은 34%에 이르렀다6). 이 비중은

<그림 3>에서 나타난 Rogers의 혁신의 소비자 수용 모델의 범주 분

포와도 매우 유사한 구조로 범주화된 소비자의 행동을 분석함에 있

어 설명력이 높은 사례로 판단했다. 하이브리드 자동차의 소비자들,


6) Pike research는 하이브리드 자동차를 비롯한 전기자동차의 수요, 소비자 태도 등을 미국에 거주하는 1,024명을 대상으로 웹기반 방법을 통해 서베이 하였다.


즉 기술수용자들은 Rogers가 주장한 범주와 유사한 규모로 분포하

고 있기 때문에, 범주별 수용자의 특징으로 그들의 행동을 설명할

수 있는 사례로 본 것이다. 물론 시간에 따라서 소비자의 관심 범주

의 분포는 지속적으로 변화하겠지만, 최근 가까운 수년간의 소비자

행동을 분석하기는 좋은 관심 또는 기대 소비자 분포를 가진 사례로

본 것이다.

검색트래픽 활용관련 선행연구

인터넷 검색어로 사람들의 경제 활동을 예측할 수 있을까? 물론

“예측”이 의미하는 바가 무엇이냐에 따라 달라질 수 있다. 최근 구

글 트렌드와 구글 검색 통계(Google insights for search)가 검색어

총계를 실시간으로 보여주면서 이를 활용한 여러 가지 연구가 진행

42 43

자료 : Pike research(Gartner et al. 2010) 재구성

그림 14 전기자동차에 대한 소비자 관심


되었다. 구글 트렌드와 같은 검색트래픽을 활용한 연구의 장점은 특히

거의 실시간 동향을 분석할 수 있다는 것으로 이런 장점 때문에 장기적

예측보다는 현재에 가까운 미래를 예측하는데 특히 강점을 보이고 있다.

Ginsberg et al.(2009)가 네이처에 게재한 논문에서는 현재의 독

감 레벨을 예측하기 위해서 구글의 독감 트렌드 검색 엔진의 초기

버전으로부터 얻어진 데이터의 분석 결과가 제시되어 있다. 이 논문

에서는 가공하기 전의 검색 데이터를 미국 질병통제센터(Centers

for Disease Prevention and Control, 이하 CDC)에 의해서 발표되

는 기존 보고서보다 1주에서 2주정도 더 빨리 독감 바이러스의 활

성을 정확히 예측하는 실시간 감시 시스템으로 변환시켜주는 컴퓨터

모델을 제시하였다. 검색트래픽을 활용한 다양한 예측가능성이 세상

에 알려지기 시작한 것이다.

비록 최근에 Butler(2013)에 의해서 Ginsberg et al.(2009)가

활용한 구글의 독감 트렌드 서비스의 신뢰성이 도전 받았지만,

Ginsberg et al.(2009)가 검색트래픽의 활용과 관련해서 제시한 중

요한 내용은 검색트래픽이 가지는 보다 빠른 현상 감지 가능성과 현

상 모니터링의 우수성, 평일 수백만 명 이상이 사용한 결과를 활용

한 모집단의 대표성, 그리고 사회적 현상과 검색트래픽이 가지는 높

은 상관관계와 예측 활용 가능성이었다.

Choi & Varian(2009)의 연구는 이런 연구 방향을 잘 보여주고

있는데, '구글 트렌드로 현재 예측하기'(Predicting the Present

with Google Trends)라는 제목의 논문에서 구글 트렌드는 시간에

따른 현재의 경제활동에 대한 예측을 향상시킬 수 있는 것으로 나타

났다. 이러한 경제활동으로는 자동차 판매, 주택 판매, 소매(retail)

및 여행 등의 카테고리를 설명하고 있다. 그들은 먼 미래가 아닌 현

재를 예측하는 것이 유용할 때가 있다고 주장하는데, 이는 경제적

시간에 따른“터닝 포인트(turning point)”를 파악하는데 도움이 되



기 때문이라는 것이다. 만일 특정 장소의“부동산 중개업소”에 관한

검색이 늘어나고 있다면, 이는 가까운 미래에 이 지역에서 주택판매

가 늘어날 수 있다는 생각을 할 수 있다는 것이다. 이 논문은 단기간

의 경제적 예측에 대한 접근 방법을 보여준 논문으로 몇 가지 시사점이

있다.

<그림 15>는 Choi & Varian(2009)의 연구에 나타난 자동차 브

랜드별 판매량과 구글 트렌드의 검색트래픽 결과를 비교하고 그 관

계를 활용해서 예측 모형을 만들어 본 것이다. 예측 모형의 구성은

계절적 요인의 고정효과(크리스마스 홍보 등)와 검색트래픽의 지연

효과를 고려했다. 즉 단순 계절성 자기회귀 모형(simple seasonal

AR models)과 고정효과(fixed- effects models) 모델을 통해 구글

트렌드의 검색트래픽으로 자동차 판매, 주택 판매, 소매 및 여행 등

의 예측이 가능함을 보였다. 그러나 이 연구에서 단순히 검색트래픽

과 판매량만을 분석함으로써 다른 영향 요인에 의한 자료 기웃거리

기(data-snooping)의 가능성을 여전히 남겨 두었다. 또한 브랜드와

같이 계속적으로 사용되고 있는 용어(term)에 대한 분석이었기 때문

에 새로운 기술에 대한 소비자 행동을 관측하고자 하는 본 연구와는

연구 목적에서 차이가 있었다.

Choi & Varian(2009)의 연구와 같이 검색트래픽은 수요 예측에

도 활용될 수 있지만, 선거 예측과 같은 전혀 다른 정치나 사회과학

분야에서도 활용될 수 있다. Lui et al.(2011)의 연구는 이런 구글

트렌드의 다른 활용 가능성을 보여주고 있다. 그들의 연구는 2008

년과 2010년 미국 의회선거와 관련해서 구글 트렌드의 검색트래픽

을 활용한 당선자 예측 가능성을 연구한 논문이다. 여러 가지 결과

가 설명되고 있는데, <그림 16>을 보면 전체적으로 구글 트렌드의

당선자 예측력이 높지 않았고, 특히 경합지역에서 2명중에 당선자를

맞추는 확률이 2008년은 33.3% 2010년 선거는 39%로 높지 않

44 45


았다. 반면에 전통적인 NYT의 여론조사는 상대적으로 높은 예측력

을 보여 주었다. 이렇게 경합지역에서 특히 구글 트렌드의 예측력이

떨어지는 것은 경합지역의 경우 상대방 후보자에 대한 부정적인

(negative) 정보 검색이 많았을 수 있기 때문이라고 저자는 설명하고

있었다.


자료 : Choi & Varian(2009)

그림 15 판매량과 구글 트렌드 검색트래픽 관계

자료 : Lui et al.(2011)

그림 16 최고 경합 그룹 2인 후보의 선거결과 예측 비교


앞서 기대의 조작화에 대해서 설명한 것처럼 기대는 긍정적인 기대

와 부정적인 기대를 모두 가지고 있을 수 있다. Lui et al.(2011)

의 연구결과에서 나타난 것과 같이 검색트래픽은 일어날 가능성에

대한 예상이라기보다는 이런 평가가 포함된 기대가 복합적으로 표현

된 결과일 수 있다는 것이다.

앞서 기대에 대해 설명한 것처럼 기대는 긍정적인 기대와 부정적인

기대를 모두 가지고 있을 수 있다. Lui et al.(2011)의 연구결과에

서 나타난 것과 같이 검색트래픽은 일어날 가능성에 대한 예상이라

기보다는 이런 기대가 표현된 결과 일 수 있다.

최근 Vosen & Schmidt(2011)는 미국에서 소비 동향을 파악할

수 있는 지표로 미시간대가 발표하는 소비자심리지수

MCSI(University of Michigan Consumer Sentiment Index)와 소

비자신뢰지수(Consumer Confidence Index)를 구글 트렌드가 제공

하는 검색트래픽의 결과와 비교하여 연구함으로써 서베이 기반의 지

수대비 구글이 제공한 검색트래픽의 예측력이 보다 뛰어날 수 있음

을 보였다. 개인 소비 예측에서 검색트래픽이 미시적 분석에 버금가

는 예측을 제공할 수 있다는 가능성을 실증한 것이다(<그림 17> 참

조).

이런 검색트래픽과 관련된 선행연구들은 검색트래픽이 사회현상을

대리하여 측정할 수 있고, 수요 예측이나 소비 변화와 같은 거시적

인 예측에 있어 기존의 서베이 못지않은 분석결과를 제공할 수 있음

을 보여주기 있지만 검색트래픽의 활용에는 긍정적인 관심과 부정적

인 관심이 모두 포함될 수 있기 때문에 일부 분야에서는 활용에 한

계를 제공할 수 있다는 시사점을 주고 있다. 또한 환경변수와 관계

분석이나 기존의 예측 지표와 비교 분석도 아직 거의 수행되고 있지

못한 한계도 있었다.

46 47



자료 : Vosen & Schmidt(2011), (단위 십억 달러)

그림 17 소비자 지수의 실측치와 예측치 비교


PART 04

검색트래픽을활용한 제품 수용

방법론


PART 04

검색트래픽을활용한 제품 수용

방법론


앞서 설명된 바와 같이 소비자의 정보탐색 행동은 검색트래픽으로

계량화할 수 있는데, 이를 활용한 산업시장분석 가능성을 제시하기

위해서는 먼저 기존 계량지표와 비교한 검색트래픽의 가능성을 살펴

볼 필요가 있다. 혁신 제품의 수용을 분석하는데 우수한 검색트래픽

이 소비자를 분석하는 어떤 가능성이 있는지 살펴보기 위해서는

<그림 6>을 주목할 필요가 있다. 신제품에 대해 외적 정보를 탐색하

는 소비자는 해결책과 평가기준을 탐색한다. 해결책의 탐색은 <그림

11>에서 설명된 것과 같은 선택대안에 대한 검색이며, 평가기준의

탐색은 제품이 가지는 주요 속성들(attributes)이 된다. 따라서 소비

자 정보탐색 행동인 검색트래픽을 산업시장분석은 다음 3가지 관점

에서 연구 결과를 제시한다.

�검색트래픽을 활용한 수요 ��(혁신 수용) 가능성에 대한 ��

�검색트래픽을 활용해 소비자가 혁신 제품에 대해 가� ��기준의

가중치를 분석하는 방법

�검색트래픽을 활용해 �� 는 과� 시장에서 해결책인 혁신

제품의 브랜드와 속성들의 포지셔닝을 가시화할 수 있는 방법

50 51

검색트래픽을활용한제품수용방법론

PART 04



검색트래픽과 기존 계량분석 지표의 비교

혁신 또는 신기술의 수용을 서지분석학적 접근방법으로 연구한 결

과는 Watts & Porter(1997)가 정리한 접근법에서 찾아 볼 수 있다.

그들은 <표 3>과 같이 연구개발 초기에서 수용에 이르는 단계까지

접근 가능한 주요 서지분석학적 지표를 찾아 정리했다.

Martino(2003)는 서지분석학에서 활용되고 있는 <표 3>의 5가지

지표를 활용해서 기술 수명주기를 도출할 수 있다고 주장했다. 기초

연구관련 지표가 처음에 검색(hits)이 증가하고 응용 연구가 증가하

면 기초연구 지표의 검색 결과는 감소하면서 응용연구관련 지표가

증가하는 것과 같이 기술 수명주기가 변화함에 따라 다음단계의 지

표 검색 결과가 증가한다는 것이다. 이런 결과를 <그림 18>과 같이

일반화하려고 했지만, Jarvenpaa et al.(2011)의 연구결과에 따르

면 <표 3>과 <그림 18>의 단계별 분류가 각 단계의 대표성을 일반

적으로 나타낼 수는 없다고 주장되기도 했다. 그러나 비록 각 지표가

직접적으로 기술 수명주기를 보여주지 못할지는 모르지만, <표 3>이나

<그림 18>에서 언급된 특허, 논문, 뉴스는 신기술 수용을 예측하는데

활발히 활용되고 있다.

.. ....

Factor IndicatorR&D ProfileBasic research Items in e.g. Science Citation IndexApplied research Items in e.g. Engineering IndexDevelopment Items in e.g. U.S. PatentsApplication Items in e.g. Newspapers Abstracts Daily Societal impacts Issues in Business/Popular Press abstractsGrowth rate Trends over time in number of items

자료 : Watts & Porter(1997)

표 3 기술 수명주기의 지표들(indicators)


이상의 계량분석 지표 외에도 환경변수도 고려할 필요가 있다. 통

제할 수 없는 환경변수를 고려할 때 많이 고려되는 경제관련 지표들

은 거시 경제지표, 고용 및 소비지표, 투자관련 지표, 무역 및 국제

수지관련 지표, 금융관련 지표 등이 있다. 구체적으로 거시 경제지

표로는 GDP, 산업 생산 및 설비가동률, 경기 선행지수 등이 있고,

고용 및 소비지표는 실업수당 청구자수, 소매 판매, 소비자 신뢰지

수 등이 있으며, 투자관련 지표는 내구재 수주, 제조업 통계가 있으

며, 무역 및 국제수지관련 지표는 무역 통계, 소비자물가지수, 선행

인플레지수, 수출입물가가 있으며 금융관련 지표로는 통화량, 이자

율 등이 있다. 이런 경제관련 지표뿐만 아니라 인구 통계적 지표 역

시 중요한 거시 환경 지표가 된다. 다양한 거시 환경지표를 활용한

수요예측 관련 선행 연구가 존재하기 때문에 본 연구와 관련이 높은

자동차 수요 예측관련 연구를 살펴본다.

본 연구에서 관심을 가지는 하이브리드 자동차는 자동차 산업에 속

해 있기 때문에 자동차 산업의 산업 수명주기에 영향 받을 수밖에

없다. 따라서 자동차 수요에 관련된 환경요인을 살펴볼 필요가 있는

데, 상기 일반적인 환경 요인에서는 GDP 성장률, 실업률, 소비자

52 53

자료 : Martino(2003)

그림 18 혁신 단계의 서지분석학적 추정(bibliometric estimate)


신뢰지수 등이 고려되며, 그밖에 인구, 유가, 자동차 가격, 주택가

격 등도 수요에 영향을 줄 수 있는 요인으로 고려되기도 한다(CAR

research 2009).

이렇게 자동차 수요에 영향을 끼치는 요인으로는 소득수준, 인구

및 가구 수, 자동차 가격 및 유지비, 도로여건, 제도적인 요인 등 여

러 가지가 존재하지만, 여러 가지 요인 중에서 <그림 19>에서와 같

이 소득수준을 의미하는 대리(proxy) 변수인 GDP 성장률과의 상관

관계가 가장 높다고 설명하고 있다(Sivak & Tsimhoni 2008; CAR

research 2009; Haugh et al. 2010; CAR research 2010;

하나금용경영연구소 2011).

이런 GDP 성장률의 영향력은 <그림 20>에서와 같이 국내의 경우

에도 동일한 것으로 나타나고 있다(공정식 2011; 최대식 1999).

최대식(1999)은 GDP 성장률, 이자율, 종합 주가지수와 자동차 수

요의 영향관계를 연구했는데, 자동차(승용차 혹은 상용차) 내수와

소득 간에는 밀접한 관계가 존재했다. 이자율도 자동차(승용차 혹은

상용차) 내수의 원인변수이나 그 영향력은 소득에 미치지 못하며 또

한 일시적이었다. 종합주가지수는 승용차 내수의 원인변수(10%


자료 : CAR research(2009)

그림 19 GDP 성장률과 자동차 판매 신장률의 관계


유의수준)이나 커다란 영향을 주지는 못했다. 마지막으로 소득 변화

가 발생했을 때 상용차보다는 승용차가 반응하는 정도가 더 컸다.

이상의 연구 결과에서 유의할 점은 GDP 성장률이 자동차 수요에

미치는 영향이 크지만, 자동차 수요도 GDP 성장률에 영향을 준다는

것이다. 자동차 판매가 GDP에서 차지하는 비중이 국가별로 차이가

있지만, 대체로 높기 때문이다. GDP 성장률 외에 자동차 수요에 영

향을 주는 환경 요인으로 인구가 제안되고 있다(Sivak & Tsimhoni

2008). 그들의 연구결과에 따르면 인구의 증가가 자동차 판매에

미치는 영향은 특히 개도국에서 두드러졌다.

자동차 수요에서 GDP 성장률이 대표적인 환경변수였다면, 하이브리

드 자동차 수요분석에서 핵심적인 환경 요인은 유가가 있다. 전세계적

인 녹색 바람은 소비자들의 친환경 소비에 대한 인식을 더욱 강화하고

있으며, 아울러 요동치는 유가 또한 한 국가의 경제뿐 아니라 소비자들

의 에너지 소비 행태에도 적잖은 영향을 미치고 있다(김경연 2009).

<그림 21>에서 보면 미국에서 하이브리드 자동차의 판매는 유가와 매

우 밀접한 관계가 있음을 확인할 수 있다. 이렇게 하이브리드 자동차

판매와 밀접한 유가가 자동차 판매에서 유의성이 크게 언급되지 못한

54 55

자료 : 공정식(2011)

그림 19 국내자동차 내수/생산과 GDP 성장률의 관계


것은 유가의 변화는 자동차 판매 자체에 영향을 주기보다는 자동차 판

매에서 차종 선택에 영향을 주기 때문이다(CAR research 2009).

이상의 내용을 정리하면, 미국시장의 하이브리드 자동차 판매량(판

매율)에는 검색트래픽뿐만 아니라, 유가(WTI), 소득(GDP 성장률),

특허, 뉴스 등이 영향을 줄 수 있다는 것을 확인할 수 있었다. 먼저

검색트래픽과 판매량의 관계를 살펴본다. <그림 22>에서는 제품군

이름으로 검색한 검색트래픽과 판매량과의 관계를 살펴볼 수 있는

관계를 탐색한다. <그림 22>에서 보면 미국에서 하이브리드 자동차

의 시장점유율이 1.5∼2.0%를 넘어서는 시기인 2007∼2008년

에 검색트래픽은 판매율과 크게 다른 패턴을 보이고 있다. 판매율은

거의 선형적 증가 추세를 보이고 있었다면, 검색트래픽은 확연히

다른 추세를 보이고 있는 것이다7).


자료 : CAR research(2009)

그림 21 미국의 유가 변동과 하이브리드 자동차 판매

7) 판매량이나 검색량대신 판매율과 검색트래픽으로 표준화된 데이터를 활용해 분석했는데, 표준화 과정없이 절대값만 표시한다면 검색량이 많은 지역이나 시기에 수집된 데이터가 항상 높은 점수를 받게 되는 왜곡이 생기게 된다. 판매량도 경제위기 등 외부 요인에 영향을 배제할 수 없기 때문에 표준화했다. 같은 맥락에서 특허와 뉴스의 데이터도 표준화하여 활용했다.


그에 반해서 <그림 23>에 따르면 유가(WTI)와 하이브리드 자동차

판매율은 비교적 전기간에 걸쳐서 유사한 같은 추세를 보여서,

<그림 21>에서 제시된 선행연구의 결과와 같이 유가가 하이브리드

자동차 시장 확대 큰 영향을 끼쳤을 개연성 확인시켰다. 일부 구간

에서 유가의 하락시기에도 하이브리드 자동차의 구매율이 계속 증가

한 추세도 있지만 전반적으로 유사한 추세를 확인할 수 있었다.

유가의 유사한 경향과는 다르게 <그림 24>에 따르면 GDP 성장률

은 판매율 변화와 별다른 관계가 관측되지 않았다. <그림 19>에서

자동차 시장에 유의한 환경 변수로 나타난 GDP 성장률이 별다른 영

향을 못준 것은 하이브리드 자동차라는 제품의 특징일 수 있으며,

2008년 경제 위기라는 이상 현상 때문일 수도 있다.

선행연구에서 신기술 수용을 설명하는 또다른 변수들은 서지분석학

적 변수들이 있다. <그림 25>에서는 특허 출원과 뉴스 노출이라는

변수와 판매율의 관계를 함께 보여주고 있는데, 생산자나 미디어의

56 57

자료 : Jun et al.(2013) 재구성

그림 22 미국 하이브리드 자동차 검색트래픽과 판매율 분기별 비교


활동이 선행될 수 있기 때문에 특허 출원율과 뉴스 노출률의 강도는

검색트래픽과 달리 2002년부터 2010년까지 관측해서 비교했다.

특허 출원율 강도는 판매율과 상당히 비슷한 경향을 보인 반면,

뉴스 노출률 강도는 별다른 관계가 보이지 않았다.



그림 23 미국 하이브리드 자동차 판매율과 유가 비교


그림 24 미국 하이브리드 자동차 판매율과 GDP 성장률 비교


이상의 연구결과에서 확인할 수 있는 것은 검색트래픽이 신기술의

수용을 예측하고 분석하는 좋은 지표가 일부 구간에서 될 수 있지

만, 항상 그렇지는 않을 수 있다는 것이다. 수명주기상 시장의 매출

이 실질적으로 상승했던 성장기임에도 사용자(소비자)의 검색트래픽

이 감소하는 현상은 Gartner의 기대주기로 설명 가능하다. 또한 소

비자의 정보 수집 패턴의 변화가능성, Bass 확산 모델, 소비자 수용

모델 등으로도 설명이 가능하다(Jun 2012a; Jun 2012b). 이러한

검색트래픽의 가능성과 한계를 극복하기 위해서 검색의 단위(unit)에

대한 고려를 다음에서 진행하게 된다.

검색트래픽을 활용한 신기술 수용 분석 방법

본 연구는 산업시장 분석의 핵심 지표인 판매량이라는 신기술의 수

용을 예측하는데 어떤 검색 단위(unit)에 대한 검색트래픽이 유용하

게 활용될 수 있는지를 먼저 밝히고자 한다. 신기술(또는 신기술 제

품군)에 대한 검색트래픽은 물론 대표 제품 브랜드인 프리우스

(Prius)에 대한 검색트래픽이 하이브리드 자동차의 판매율 예측에 어

58 59


그림 25 특허 출원, 뉴스 노출 그리고 판매율 비교


떤 영향을 주는지 비교 연구하게 된다. 앞서 제시된 하이브리드 자

동차 시장에서 보면 프리우스 자동차의 전체 판매량은 하이브리드

자동차 판매량 전체의 절반에 육박하며, 하이브리드 자동차하면 프

리우스를 연상할 정도로 하이브리드 자동차 시장에서 절대적인 브랜

드를 차지하고 있다.

기업 브랜드가 가지는 판매 예측력은 이미 선행연구인 Choi &

Varian(2009)에서 다루진 바 있기 때문에 비교 연구를 위해 제품

의 브랜드명이 고려되었다. 또 다른 속성은 소비자의 검색에서 중

요한 부분을 차지하고 있는 가격이다. 선행연구인 Su(2008)의 연

구결과를 따르면 가격, 비가격적인 제품 정보 탐색을 위한 검색이

전체 검색에서 중요한 부분을 차지하고 있다. 검색트래픽은 가격은

물론 다른 제품의 속성을 탐색하고자하는 다양한 의도가 내포되어

있다고 생각할 수 있다. 따라서 하이브리드 자동차나 프리우스를 검

색하면서 가격(price)을 동시에 검색하는 검색트래픽과 판매율의

상관관계도 비교 연구한다.

마지막으로 Su(2008)의 연구결과에서 제시한 비가격적인 제품

정보에서 하이브리드 차량이 가지는 대표적인 경쟁 속성인 연비

(mpg)에 대해 같이 검색한 경우도 비교 연구하게 된다. 제품 브랜

드, 가격, 연비와 같은 정보는 웹정보탐색 행태에서 최초 이용이라

기보다는 재탐색하는 경우이거나 기존에 관련 지식을 가진 검색 활

동일 가능성이 높다. 따라서 좀 더 구입 결정에 심리적으로 가까워

진 검색활동이라고 가정해 볼 수 있는 것이다.

검색 단위(unit) 대한 비교 연구를 위해 먼저 제품군 이름(또는 신

기술명)으로 검색한 검색트래픽과 브랜드명인 프리우스(Prius)로 검

색한 검색트래픽을 비교한 결과는 <그림 26>과 같았다. 특히 <그림

26>은 검색량의 스케일을 고려해서 브랜드명의 상대적 강도를 나타

냈다. <그림 26>을 보면 제품군 검색은 2008년 유가 급등기를 제



외하면 전체적으로 감소세를 보인 반면, 브랜드명 검색은 전체적으

로 증가하는 추세를 보이고 있어 대조를 이루었다.

제품군에 대한 검색과 브랜드명에 대한 검색의 검색트래픽과 하이

브리드 자동차의 판매율을 비교하면 <그림 27>과 같았다. 하이브리

드 자동차를 검색한 검색트래픽은 <그림 22>에서 설명된 바와 같이

2008년 이후 확연한 감소세를 보인 반면, 브랜드명(Prius)을 검색

한 검색트래픽은 보다 판매율과 가까운 추세를 보였다. 브랜드에 대

한 검색이 기술(또는 제품군명)에 대한 검색보다는 구매 결정에 가까

운 신기술 수용 과정을 보여주고 있다고 판단할 수 있었다.

가격(price)과 연비(mpg)라는 대표적인 속성(attributes)을 기술명

과 같이 검색한 검색트래픽을 서로 비교한 결과가 <그림 28>에 나

타나있다. 연비를 같이 검색하는 경우는 상대적으로 등락 없이 지속적

이었는데, 유가 폭등에 같은 환경요소에는 보다 크게 반응하는 것으로

나타났다. 반면 가격을 같이 검색하는 검색트래픽은 기술명만 검색하는

경우보다 2008년 이후 검색 감소가 크지 않은 경향을 보이고 있었다.

60 61


그림 26 기술명과 브랜드명 검색의 검색트래픽 비교


<그림 28>에서 기술명과 가격(price)을 같이 검색하는 검색트래픽

이 기술명만 검색하는 경우보다 2008년 이후 감소가 크지 않았던

경향은 <그림 29>에서 보면 판매율에 보다 가까운 경향이라는 것을

알 수 있다. 즉 기술명만 검색하는 경우보다 가격을 같이 검색하는 검색

트래픽이 판매율에 대한 상관관계가 보다 높을 것임을 짐작하게 한다.



그림 27 기술명과 브랜드명 검색의 검색트래픽과 판매율 비교


그림 28 기술명과 속성 포함 검색의 검색트래픽 비교


가격(price)과 연비(mpg)라는 대표적인 속성을 브랜드명과 같이

검색한 검색트래픽을 서로 비교한 결과가 <그림 30>에 나타나있다.

전체적으로는 <그림 28>과 같이 유가 폭등에 같은 환경요소에 민감

했지만 연비의 경우 전체적으로는 상승하는 추세가 관측되었다.

역시 가격을 같이 검색하는 검색트래픽은 브랜드명만 검색하는 경우

보다 전반적으로 최근의 검색트래픽이 높았다.

브랜드명과 가격(price)을 같이 검색하는 검색트래픽이 브랜드만

검색하는 경우보다 최근의 검색트래픽이 높았던 경향은 <그림 31>

에서 보면 브랜드명과 가격을 동시에 검색하는 경우 판매율과 매우

가까운 경향으로 연결된다는 것을 알 수 있었다. 즉 브랜드명만 검

색하는 경우보다 가격을 동시에 검색하는 검색트래픽이 판매율에

대한 상관관계가 보다 높을 것임을 짐작하게 한다.

62 63


그림 29 기술명과 속성 동시 검색의 검색트래픽과 판매율 비교


<표 4>에서는 <그림 32>에서 설정된 연구모형의 가설 검정 결과가

나타나있는데, 하이브리드 자동차(이하 HEV) 판매율을 종속변수로

하는 시계열 데이터의 단일회귀분석의 결과가 요약되어 있다. 시계

열 회귀분석은 데이터의 자기회귀성을 고려하여 ARIMA(1,0,0) 모



그림 30 브랜드명과 속성 포함 검색의 검색트래픽 비교


그림 31 브랜드명과 속성 동시 검색의 검색트래픽과 판매율 비교


형으로 분석했다. ARIMA(2,0,0) 모형이나 ARIMA(1,0,1) 모형

등도 분석되었으나 설명력이나 유의확률에서 ARIMA(1,0,0) 모형

이 가장 우수했다. R제곱은 최소가 87.5%로 전반적으로 매우 높은

설명력을 가졌으며, box & Ljung 값은 최소가 0.984로 0.05보

다는 매우 커서 유의했다. ARIMA모형 모수를 보면 AR 1차의 유의

확률이 모두 0.000으로 크게 유의했다.

이상의 모형에 의한 분석결과에 따르면 HEV(하이브리드 자동차)의

판매율과 가장 유의한 관계를 보인 독립변수는 프리우스와 가격

(price)을 동시에 검색한 검색트래픽이었으며, 제품 브랜드명(프리우

스)으로 검색한 검색트래픽도 판매율과 유의한 상관관계가 밝혀졌다.

기존의 선행연구에서 일부 유의성이 밝혀졌던 여러 가지 거시지표들

이나 서지분석학 지표들과 비교해서 우월한 설명력을 보인 것이다.

이상의 회귀분석 결과를 종합하면 <그림 32>와 같았다.

64 65

주 : * P < 0.05, ** P < 0.01, ARIMA(1,0,0)(0,0,0) SPSS 20.0 활용자료 : www.pewinternet.org (2008)

표 4 연구 모형 가설의 ARIMA 회귀분석 결과

HEV검색 H0 A1 0.875 1.000 0.147 0.597 0.556

HEV & price 검색 H0 A2 0.887 1.000 0.284 1.184 0.248

HEV & mpg 검색 H0 A3 0.885 1.000 0.044 0.375 0.711

Prius 검색 H0 A1-1 0.898 1.000 0.592 2.298* 0.031

Prius & price 검색 H0 A2-1 0.932 1.000 0.764 3.623** 0.001

Prius & mpg 검색 H0 A3-1 0.892 1.000 0.123 1.020 0.318

유가(WTI) H0 D1 0.892 0.999 0.002 0.709 0.485

GDP 성장률 H0 E1 0.881 1.000 -0.006 -0.222 0.826

뉴스 노출률 강도 H0 B1 0.881 1.000 -0.002 -0.008 0.994

특허 출원율 강도 H0 C1 0.924 0.984 0.507 0.996 0.329

변 수관 련시 설

R제곱Beta t 유의확률

모두 통계량Ling-Box유의확률


검색트래픽을 활용한 신기술 제품의 속성 관심도 분석 방법

<그림 33>에는 HEV에 대한 소비자의 태도를 파악할 수 있는 설문

조사 결과와 본 연구가 대상으로 하는 검색트래픽의 분석 결과가 제

시되어있다. 친환경 자동차에 대한 소비자 태도를 조사하기 위해 전

세계 소비자 9,000명을 대상으로 한 설문 조사 결과를 보면

(Datamonitor 2010), 차량 구입에서 소비자가 가장 중요하다고 응

답한 속성은 가격, 연비, 출력(power) 순 이었다8). <그림 34>의 왼

쪽 그림을 보면 가격이 배우 중요하다고 응답한 소비자는 47%였고,

연비가 가장 중요하다고 응답한 소비자는 41%였다.

반면 <그림 34>의 오른쪽 그림을 보면 프리우스를 검색할 때, 가격에

관심을 가진 비중이 46%였고, 연비는 44%를 차지했다. 이 결과를 설문

조사 결과와 비교하면 매우 유사한 분포를 확인할 수 있다. 이는 검색량

으로 소비자 태도를 일부 짐작해 볼 수 있는 가능성을 확인한 것이다.



그림 32 연구 모형의 가설검증 결과

8) 서베이 조사에서는 comfort, aftersales service와 같은 속성에 대해서도 조사 되었으나 정성적인 속성으로 검색량 비교분석에서는 제외했다.


이러한 분석 결과를 근거로 검색량으로 소비자 태도 즉 평가기준인

속성의 중요도를 추정할 수 있다고 가정한다면, <그림 28>과 <그림

30>은 시간의 변화에 따른 소비자의 태도 변화를 반영했다고 생각

해 볼 수 있다. HEV에 대한 관심이 널리 퍼진 최근에 소비자에 대

한 서베이 조사가 진행되었다면 <그림 33>과 같은 결과가 도출되겠

지만, 유가 급등기인 2008년에 소비자에 대한 서베이 조사가 진행

되었다면 연비에 대한 관심이 높게 나타났으리라는 것이다.

이런 주장은 조금 더 정교한 비교를 통해 더욱 설득력을 높일 수 있다.

Datamonitor(2010)의 설문조사는 전 세계의 소비자 9,000명을 대상

으로 했는데 그중에 미국 거주자는 1,009명이었다. 또한 조사는 2010

년 5월부터 6월까지 이루어졌다. 검색트래픽 데이터의 조건을 기간과

지역면에서 이와 동일하게 설정하면 서베이 조사와 검색트래픽 분석의

유사점을 더 명확히 알 수 있다. 이러한 결과는 <그림 34>와 같다.

<그림 34>에서 2010년 5월부터 6월까지 미국 거주자 1,009명

을 대상으로 설문 조사한 결과를 보면, 전 세계를 대상으로 했을 때

보다 가격을 매우 중요하게 생각하는 소비자의 비중은 조금 상승하

66 67

자료 : Google insights 및 datamonitor(2010)

그림 33 서베이 조사 결과와 주요 속성 검색량 비교

(a) 소비자 태도 비중(매우 중요함 비중) (b) 프리우스 동시 검색 비중


는 경향을 보였다. 동기간 프리우스에 대한 검색 결과를 살펴보면

<그림 33>에 나타난 기간(2004년∼2011년) 대비 가격에 관심을

가진 비중이 6% 상승한 것을 확인할 수 있다. 전기간 대비 연비 속

성에 대한 검색은 비중이 낮았던 것이다. 또한 <그림 34>의 두 그

림을 비교해보면 서베이 조사와 검색트래픽이 유사한 결과를 보여주

고 있음을 알 수 있다. 미국에 방문하거나 설문 조사를 진행하지 않

고도 검색트래픽만으로 HEV에 대한 소비자의 태도를 알 수 있는 것

이다. 이러한 결과는 소비자의 태도를 분석하는 데 검색트래픽의 활

용 가능성을 좀 더 높여 주었다고 할 수 있다9).

이상에서 살펴본 바와 같이 검색트래픽을 분석함으로써 서베이 조사

와 마찬가지로 신기술에 대한 소비자의 태도를 알아보는 것이 가능하

다. 또 검색트래픽 분석은 시간이 흐르며 소비자의 관점이 어떻게 변

화하고 있는지를 파악하는 데도 용이하다. 일례로 2008년 초의 유

가 급등은 약 2년간 소비자가 HEV에서 연비를 보다 중요하게 생각



그림 34 동 기간 및 지역에 대한 주요 속성 검색량과 서베이 조사 결과 비교


9) 동시 검색의 분석에서 사용된 검색어가 단순화되어 있기 때문에. 유사어(thesaurus) 검색에 대한 이슈가 있을 수 있다.따라서 정교한 비교에 한계가 있을 수 있지만, 주요한 유사어에 대한 검토결과 중대한 결과 변화는 관찰되지는 않았다(예 연비에 대한 유사어 fuel efficiency, fuel expenses 등).


하게 했지만, 2009년부터는 그 효과가 현저하게 감소했다. 이러한

해석의 사례는 서베이 조사와 검색트래픽을 동시에 활용하는 새로운

가능성 또한 보여주고 있다. 서베이 조사 이후 일정 기간은 재조사

없이 검색트래픽만으로 소비자의 태도 변화를 모니터링 할 수 있는

것이다.

이상의 연구 결과에 따르면 자동차에 있어서 비교적 전통적인 속성인

가격·연비·출력에 대한 소비자 서베이 조사 결과와 검색트래픽이 상

당히 유사한 분석결과를 보여주었다. 그런데 Tancer가 주장한 것과 같

이 검색 정보는 소비자가 서베이 조사에서 보여주지 않는 숨겨진 의도

도 관찰할 수 있을까? Tancer가 설명한 바와 같이 소비자에게 서베이

조사를 찾을 수 없는 의식적이거나 무의식적으로 숨겨진 의도가 있다

면, 당연히 서베이 조사 결과와 검색트래픽은 차이를 보일 것이다.

이런 차이를 기대할 수 있는 속성으로 본 연구는 친환경

(environmental friendliness)을 주목했다. 친환경 속성에 주목한

것은 추론수준이론 때문이다. Trope & Nira(2003)에 의하면 어떤

대상의 가치를 평가할 때에는 그 대상을 마음속으로 해석하고, 그

해석에 따라 평가나 선호가 결정된다고 한다. 또한 그 대상을 소비

하기까지 시간 간격이 긴 경우와 짧은 경우에는 그 대상이 동일해도

바라보는 관점이 달라진다. 시간 상 멀리 있는 대상에 대해서는 상

대적으로 보다 더 추상적(abstract), 본질적(primary), 비상황적

(decontextualized), 목표 관련적(goal relevant)인 점에 주목해 해

석하고, 가까운 미래의 대상에 대해서는 상대적으로 더 구체적

(concrete), 표면적(surface), 부수적(secondary), 상황적

(contextualized), 목표 비관련적(goal irrelevant)인 점에 주목한다.

이러한 차이가 발생하는 것은 시간 간격에 따라 추론수준이 달라지

기 때문이다. 추론수준이론에 의하면 먼 미래에서는 대상의 추상적,

본질적인 점에 주목하여 대상을 해석하는 상위 수준의 추론(high

68 69


level construal)을 하는 반면 가까운 미래에서는 대상의 구체적, 표

면적, 사소한 점에 착안하여 해석하는 하위 수준의 추론(low level

construal)을 한다고 한다. 시간 간격에 따라 다른 수준의 추론을

하기 때문에 결과적으로 시간 차이는 평가 대상에 대한 선호에 영향

을 미치게 되는 것이다.

Thomas et al.(2007)은 추론수준이론을 자동차에 적용하면서 자동

차 구매에 영향을 주는 요인으로 제품 속성의 바람직함(desirability of

its features)과 구매의 실행가능성(feasibility of its purchase)을 들었

다. 제품 속성의 바람직함은‘자동차가 매력적인 속성을 가졌는가?’이

며, 구매의 실행가능성은‘자동차는 구입하는 것이 얼마나 쉽거나

어려운가?’이다. 이런 두 가지 측면이 자동차 구매에 모두 영향을 주

지만, 다음 달에 차를 구입할 잠재적 소비자와 일 년 후 구입할 소비자

에게 미치는 영향이 다르다는 것이 추론수준이론의 설명이다.

자동차 구입에서 편안함, 안전이나 연비와 같은 속성은 정보의 인식

에서 구매까지 지속적으로 영향을 주는 요인으로 제품 속성의 바람직함

이라는 요인에 해당된다. 한편 가격 할인, 대출(할부) 조건 등은 구매의

쉽고 어려움을 결정해주는 요인으로 구매의 실행가능성 요인이 되며,

구매가 이루어지는 시기가 되어서야 영향을 주기 시작한다. 이렇게 구

매 조건이나 금융 조건은 1년 뒤에나 차를 구입할 사람에게는 별다른

영향을 주지 않지만, 제품 속성의 바람직함이라는 요인은 상대적으로

광범위한 기간에 영향을 주게 된다(Thomas et al 2007).

이상에서 설명된 바와 같이 Thomas et al.(2007)는 편안함·안

정성·연비와 같이 자동차 구입에서 지속적으로 영향을 주는 요인을

제품 속성의 바람직함이라는 요인으로 분류하고, 가격 할인, 대출(할

부) 조건과 같이 구매의 쉽고 어려움을 결정해주는 요인을 구매의 실

행가능성 요인으로 분류했다. 이런 구분에 따르면 아직 구매 결정

단계에 접어들지 않은 소비자는 설문조사에서 제품의 바람직함 요인



에 대한 속성을 실제 구매 결정 단계에서보다 중요하게 응답할 개연

성이 높아진다. 따라서 HEV를 중심으로 새롭게 제시된 친환경 관련

속성은 서베이 조사에서는 상대적으로 중요한 속성으로 나타날 수

있지만, 구매 결정 단계에서는 서베이 조사 결과만큼 높은 관심을

끌지 못할 수 있다.

이런 가능성을 앞서 제시한 서베이 조사와 검색트래픽의 비교 사례

를 통해 살펴보면 <그림 35>와 같다. 미국 소비자들은 서베이 조사

에서 친환경성(또는 탄소 배출)에 대해서 출력보다 훨씬 많은 관심을

보였다. 그러나 실제 구매 결정 단계와 가까워진 경우인 브랜드 검

색에서는 배기가스와 같은 친환경성이 출력에도 미치는 관심을 보이

는 것이다. <그림 35>에서 연비는 서베이 조사 결과와 큰 차이를

보이지 않았지만, 친환경 속성은 서베이 조사와 큰 차이를 보였다.

같은 바람직함 요인인 두 속성에 대한 검색 경향이 다른 것은 연비

가 친환경성의 측면도 있지만 유지비라는 측면에서는 실행가능성

요인에 가까운 특성 지니고 있기 때문이다.

70 71


그림 35 서베이 조사 결과와 친환경 속성 검색량 비교



또 다른 설명은 인지부조화(cognitive dissonance) 개념으로 가능하

다. Tancer는 그의 책에서“전통적인 시장조사와 온라인 검색 데이

터를 통한 결과는 왜 서로 다른 것일까?”라는 질문을 던지면서“성

인용 카테고리에 대한 우리의 집착은 행동으로 쉽게 드러나곤 하지

만 전통적인 조사 방법으로는 이용자의 감춰진 모습을 파악할 수 없

다”라고 설명한다. 이러한 설명은 앞서 서베이의 한계에서 언급된

내용과도 일맥상통하는데, 설문조사에 참여하는 사람은 되도록 자신

이 긍정적으로 보이기를 원하는 경향이 있다. 이런 현상이 탄소 배

출과 같은 친환경 속성에 대한 설문조사 결과와 검색트래픽 행위의

차이를 나타나게 할 수 있는 것이다.

이상에서 서베이 조사와 검색트래픽의 차이 설명하기 위해 제시된

<그림 35>는 일부 한계가 존재할 수 있다. 본 연구에서 탄소 배출

과 관련한 친환경성 검색을 배기가스(emissions)와 탄소(carbon)로

한정한데서 나타나는 유사어(thesaurus) 검색의 문제다. 소비자가

다른 단어로 검색했기 때문에 친환경 속성에 대한 검색이 과소하게

나왔을 개연을 무시할 수 없다. 탄소 배출과 관련한 검색어가 다양

할 수 있다는 것이다.

그럼에도 불구하고 <그림 35>는 소비자가 실제 구매에서는 서베이

조사 결과만큼 탄소배출에 관심을 가지지 않을 수 있다는 것을 설명

하는 데 좋은 근거가 된다. 검색트래픽의 분석을 통해 소비자의 숨

겨진 태도를 알아볼 수 있는 가능성을 본 연구는 제시한 것이다.

검색트래픽 기반의 후보 제품 포지셔닝 분석 방법: HEV 사례

네트워크 분석(SNA)을 활용한 제품 포지셔닝 및 네트워크의 가시화

본 연구는 검색트래픽 데이터를 활용해서 소비자가 생각하는 제품

들의 포지셔닝 분석을 위해서 사회 연결망의 분석에서 자주 사용되



는 소셜 네트워크 분석(Social Network Analysis)을 활용한다. 여

기서 네트워크란 복수의 사람·조직·사물 등을 연결시키는 일정의

관계를 의미하는데, 네트워크를 형성하고 있는 그러한 사람·조직·

사물 등을 액터(actor)라고 한다. 액터 간의 네트워크의 배치 구성이

네트워크 구조이며, 이러한 구조를 기술·분석하는 것이 네트워크

분석이다. 사회 네트워크 분석이라고도 한다.

네트워크 분석에는 이론적인 전제가 하나 있으며 그것은 네트워크

구조(액터를 둘러싼 네트워크의 형태)가 액터의 행동ㆍ태도에 영향을

미친다는 것이다. 즉, 네트워크의 구조를 알면 액터의 행동ㆍ태도를

어느 정도 설명할 수 있다는 전제이다. 네트워크를 분석하는 연구자

중에는 네트워크 분석의 개념과 이론적 전제만을 받아들여 질적인

분석을 하는 사람도 있지만 일반적으로 네트워크 분석이라고 하는

경우 계량적인 분석을 가리키는 경우가 많다. 다음에서는 계량적 네

트워크 분석에 대해 설명하고자 한다.

네트워크 분석은 일정의 영역 내에서 모든 액터의 관계를 조사하는

경우가 많다. 액터가 개인인 경우는 대상 영역 내의 모든 개인에게

콘덕트를 취하여 다른 액터와 어떠한 관계를 가지고 있는가 하는 정

보를 수집한다. 따라서 여론조사에서 일반적으로 사용되는 무작위

추출법은 네트워크 분석에는 거의 적용되지 않는다. 특히, 모집단이

큰 경우 무작위로 추출된 액터 간에 관계가 존재할 가능성은 상당히

작다(Scott 2000).

네트워크의 데이터는 속성(attribute)으로 이루어진 데이터와는 다르

다. 개인이 분석의 단위인 경우 성별ㆍ수입ㆍ의견 등이 속성이며,

이것들은 개인 고유의 특징이다. 네트워크 데이터는 개인의 특징이

아니라 복수의 개인 간에 존재하는 관계의 특징이다. 네트워크를 형

성하는 관계의 종류는 다양하지만 Knoke & Kuklinski(1982)에 의

하면 물품의 거래, 정보전달, 동일한 이벤트·조직 등에 대한 참가,

72 73


콘덕트, 감정(애정·존경·적의)의 대상, 권위·권력관계, 혈연·친

족관계 등이 있다. 본 연구에서는 제품 후보군인 HEV 제품 브랜드

를 기본 액터로 보는데, 이 경우 자동차의 제조사 등이 제품의 특징

이 된다. 이런 자동차 영향을 주는 또다른 액터로는 소비자가 검색

하는 평가기준인 제품 속성(가격, 연비, 출력, 친환경)을 분석했다.

두 액터는 이질적이기 때문에 1-mode와 2-mode로 분리해 분석한다.

네트워크에는 방향성이 있는 것과 방향성이 없는 것이 있다. 예를

들면 정보전달, 국가 간의 수출ㆍ수입 등에는 방향성이 있다. 즉,

송신자와 수신자가 확실하다. 그러나 액터의 관계의 존재 자체를 문

제로 하는 경우는 방향성이 없다. 예를 들면 외교관계ㆍ혈연관계 등

은 일반적으로 방향성이 없는 관계이다. 본 연구에서는 제품 간의

관계를 검색트래픽에서 동시 검색하는 관계로 설정하기 때문에 방향

성이 모호하다. 그러나 동시검색에서도 검색어의 순서가 있다는 점

에 착안해서 방향성을 부여했다. 먼저 입력된 검색어는 이미 소비자

의 심리에 중심을 자리 잡고 있을 것이라고 가정한 것으로 먼저 입

력된 검색어에 강조점을 주어 분석하는 방법을 제안한 것이다. 검색

엔진을 통한 검색에서 먼저 입력된 단어에 적합한 검색 결과가 제시

된다는 측면에서도 소비자는 중요하게 생각하는 단어를 먼저 입력할

것이라고 가정하고 검색 순서를 네트워크 분석에 활용한 것이다. 이

런 본 연구의 가정에 따르면 먼저 입력된 제품 브랜드는 외향 중심

성(out-centrality)을 가진다고 본 것이며, 나중에 입력된 제품 브랜

드는 내향 중심성(in-centrality)을 가진다고 본 것이다.

네트워크 분석의 데이터는 일반적으로 정사각 행렬로서 취급된다.

열과 행에 액터를 동일한 순서로 배열하고, 셀에는 액터와 액터의

관계를 나타내는 값을 입력한다. 예를 들면 40 액터의 네트워크를

분석하는 경우 40X40의 행렬이 만들어진다. 만일 10번째의 액터

가 20번째의 액터와 관계를 가지고 있다면 그 관계에 상응하는 수



치를 적합한 셀에 입력한다. 이러한 행렬을 인접(adjacency)행렬이

라고 한다. 방향성이 있는 네트워크 데이터의 경우 송신자와 수신자

가 동일하기 때문에 대칭 행렬이 된다. 행렬 데이터를 분석하는 컴

퓨터 패키지는 UCINET, STRUCTURE, Pajek 등이 있으며, 그 외

에도 많은 소프트웨어가 개발되어 있다. 본 연구는 NetMiner 4.1

을 활용해 분석했다10).

네트워크 내에서 액터의 위치를 나타내는 지표의 하나로서 중심성

(centrality)이 있다. 보다 많은 액터와 직접적 또는 간접적으로 관계

하고 있을수록 그 액터는 네트워크의 중심 부근에 위치하고 있다고

할 수 있다. 중심성이 높은 액터는 정보나 자원을 수집하기 쉽기 때

문에 중요한 액터라고 생각된다. 정책 네트워크의 연구에서는 중심

성이 높은 액터일수록 영향력이 강하다고 보고되어 있다. 중심성의

지표는 오늘날 수없이 개발되어 있다. 본 연구에서도 중심성이 높은

액터(제품 브랜드나 평가기준)를 찾기 위해서 중심성을 분석하는

Degree Centrality(연결 정도 중심성), Closeness Centrality(근접

중심성), Betweenness Centrality(매개 중심성), 그리고 PageRank

를 활용한다.

네트워크 전체의 구조를 분석하는 하나의 방법으로서 구조동치

(structural equivalence)라는 개념을 사용하는 경우가 있다. 예를

들면 액터 A와 액터 B가 다른 액터와 동일한 관계를 가지고 있다면

그 양방의 액터는 구조적으로 동일하다는 견해이다. 이 개념을 이용

하여 구조적으로 유사성이 높은 액터를 그룹(포지션 또는 블록이라

고도 한다)화 함으로써 복잡한 네트워크를 단순화 할 수 있다. 그리

고 그룹간의 네트워크의 밀도(density)를 살펴봄으로써 전체의 네트

워크 구조를 기술한다는 방법이다. 본 연구에서는 네트워크가 구조

74 75

10) 이하에서 제시된 네트워크 맵과 분석은 Cyram사의 NetMiner 4.1을 직접 활용한 결과임을 밝힌다.


를 분석하지 않기 때문에 밀도분석은 수행하지 않는다.

액터 간(또는 그룹 간)의 관계를 객관적으로 기술하는 방법으로서

다차원 척도법(multidimensional scaling, 이하 MDS)을 이용할 수

있다. 데이터가 순서 척도의 경우‘smallest space analysis’라고도

한다. 액터의 관계의 친밀도ㆍ강도ㆍ유사성 등의 행렬 데이터를 사

용하여 그 값에 비례한 지점에 각각의 액터를 2차원 또는 3차원의

공간에 위치하도록 한다. 이 방법의 이점은 액터 간의 관계를 거리

로 나타냄으로써 네트워크에서 각 액터의 위치를 시각적으로 이해할

수 있다는 것이다. 본 연구에서도 네트워크의 특징을 판단하고 제품

의 포지셔닝을 찾기 위해 시각화를 수행한다. MDS, Clustered,

Spring, Circular 등을 활용해 시각화 한다.

무작위 추출의 샘플을 사용하여 네트워크 분석을 이용하는 하나의

방법으로서 에고센트릭(egocentric) 네트워크에 초점을 두는 방법이

있다. 이 경우 특정 영역 내의 모든 액터의 관계를 분석하는 것이

아니라 근처에 있는 타자(피조사자는 아니다)와 피조사자가 어느 정

도의 관계를 가지고 있는가 하는 것에 주목한다. 따라서 피조사자

간에 어떠한 관계가 존재하는가 하는 것은 무시한다(한국사전연구사

2011). 본 연구는 무작위 추출이 없다.

HEV 제품관련 검색트래픽 분석 결과

동시검색에 대한 검색트래픽 데이터의 매트릭스 차트는 <그림 36>

과 <그림 37>과 같은데 <그림 36>은 2010년 한 해 동안의 검색트

래픽 데이터를 시각화한 결과인데, 비교적 대칭적인 형태를 보이고

있다. 여기서 명암은 검색트래픽의 정도를 나타낸다. 그러나 소나타

와 퓨젼은 외향성에 비해서 내향성이 많이 떨어지는 것으로 나타내며,

행을 기준으로 먼저 입력한 검색어와 열은 차순위로 입력한 검색어

의 검색트래픽의 정도를 표현한 것이다. 검색트래픽 데이터로만 보



면 소나타와 퓨젼을 차순위(2번째) 검색어로 검색하는 경우가 상대

적으로 적었던 것이다. 다른 차종은 검색어의 순서가 큰 영향을 주지

는 않은 것으로 나타났다. 이런 경향은 <그림 37>에서도 나타나는데,

<그림 37>은 2013년의 검색트래픽 데이터이다. 역시 대칭성이 보이

지만, 일부 차종에서 내향성과 외향성에서 차이를 보이고 있었다.

일부 차종에서 내향성과 외향성에 차이가 존재할 수 있음을 보였기 때

문에 이들의 내향성과 외향성에 대한 가정을 유지한 체 분석을 진행했다.

이들의 네트워크 현황을 살펴보기 위해서 <그림 38>과 <그림 39>

에서는 Neighbor 그림이 나타나 있다. 각 노드에는 내향성과 외향

성에 대한 정보가 같이 도시되어 있는데, 타원이 상하로 볼록한 경

우 내향성이 높은 반면, 좌우로 볼록한 경우는 외향성이 높다.

<그림 38>은 강도(degree)를 기준으로 작성된 그림으로 2010년

검색트래픽 정보를 활용한 네트워크 분석 결과를 보여주고 있다. 시

빅은 비교적 균형잡혀있는데 캠리와 프리우스는 내향성이 높고 퓨전

76 77

그림 36, 37 HEV brand의 검색트래픽에 대한 Matrix Diagram

그림 36 / 2010년 그림 37 / 2013년


은 외향성이 높다. 캠리나 프리우스와 같은 토요타 제품의 내향성이

낮게 나타난 것은 2010년 발생된 토요타의 품질사건 등이 영향을

주었을 수 있다. 미국 HEV 시장은 2010년에 들어서서 경기침체는

물론, 일본 차량 품질 문제, 출시 모델 노후화 등으로 판매율은 정

체기를 보였으며, 2011년 3월 이후에는 일본 대지진 여파로 도요

타와 주요 부품 업체가 조업차질을 빚으면서 수개월간 판매율이 급

감하게 된 것이다. 이런 판매율을 낮추는 특수한 상황이 반영되었다

고 불 수 있는 것이다. <그림 39>에서는 2013년 현재의 모습을 보

여주고 있는데, 프리우스와 캠리는 외향성이 높아져서 균형 잡혀졌

고, 시빅은 균형이 깨져서 외향성이 약해진 모습이었다. 반면 소나

타는 강도가 높아진 모습으로 시장에서 관심이 2010년과 비교하면

상대적으로 높은 모습을 보였다.


그림 38, 39 HEV brand의 네트워크 Neighbor

그림 38 / 2010년 그림 39 / 2013년


HEV 제품 브랜드의 포지셔닝 분석

동시검색에 대한 검색트래픽 데이터를 활용해 HEV(이하 HEV) 제

품 브랜드의 관계를 클러스터(clustered)형 네트워크 맵으로 시각화

하면 <그림 40>과 <그림 41>과 같다.

클러스터형 네트워크 맵은 노드들의 클러스터 구조를 표현할 수 있

도록 스프링 알고리즘을 적용한 것이다. 인접 행렬과각 노드들이 속

한 클러스터를 나타내는 분할백터(Partition Vector)가 주어져 있을

때, 클러스터 내에 있는 노드 간에는 당기는 힘을, 다른 클러스터에

속해 있는 노드 간에는 미는 힘을 설정한다. 그 결과 같은 클러스터

에 속한 노드들은 더욱 모이고, 다른 클러스터에 속한 노드들은 더

멀어지도록 맵이 그려진다. 본 연구에서 적용한 Clustered-Cola는

Kamada & Kawai 알고리즘과 비슷한 레이아웃을 만들어 내면서

분할백터를 나타내는 속성 데이터를 사용하여 서로 다른 클러스터에

속해 있는 노드들을 완벽하게 분리해낸다(Cyram 2010).

78 79

그림 40, 41 2004년 이후 HEV brand의 Clustered-Cola 분석 결과

그림 40 / 2004년 그림 41 / 2013년


<그림 40>은 2004년 이후 현재까지 HEV 브랜드의 검색트래픽을

분석해 나타낸 것인데, 최근까지 판매량은 높았던 6종의 HEV 브랜

드의 동시검색을 분석했다. 군집화의 기준은 제조사로 했기 때문에

제조사별로 군집화된 브랜드끼리의 관계를 기반으로 분석했다. <그

림 41>은 2013년 한해 (1월~4월 중순까지) 동안만 검색한 데이

터를 분석한 결과이다. 두 그림을 비교하면 시간의 경과에 따라 제

품 브랜드의 포지셔닝 어떻게 바뀌었는지 분석할 수 있다. <그림

40>에서 보면 HEV의 대명사인 프리우스와 인사이트의 관계가 돋보

이며, 현대 소나타의 경우는 외향성만 나타고 있음을 확인할 수 있

다. 다른 자동차를 검색하면서 주로 두 번째 검색어로 소나타를 검

색하지 않는다는 것이다. 특히 소나타는 2011년부터 HEV가 출시

되었기 때문에 프리우스와 관계가 거의 없는 것을 확인할 수 있다.

그러나 <그림 41>에서는 소나타와 캠리의 포지션 변화가 두드러진

다. 프리우스에 대한 내향성은 여전히 높았지만, 캠리에 대한 내향

성은 더욱 높아졌고, 약하지만 소나타도 내향성이 나타나서 이들 자

동차의 위상이 높아진 것을 확인할 수 있었다.

<그림 42>와 <그림 43>의 분석 결과는 액터 간(또는 그룹 간)의

관계를 객관적으로 기술하는 전형적인 방법인 다차원 척도법

(multidimensional scaling)을 활용해 분석한 네트워크 맵이다. 다

차원 척도는 모든 노드 쌍에 대해 상이성(dissimilarity)나 유사성

(similarity)을 나타내는 데이터를 반영하여, 각 노드 간의 관계를

최대한 만족시키도록 전체적으로 배치한다. 다차원 척도는 데이터의

특성에 따라 고전적 MDS(Classical MDS)와 넌메트릭 MDS(Non-

metric MDS)로 구분된다. 본 연구에선 고전적 MDS(Classical MDS)

를 적용했는데, 고전적 MDS(Classical MDS)는 상이한 데이터가 등간

또는 비율척도인 경우에 적용된다(검색트래픽 데이터는 이 경우에 해당

된다). 상이한 행렬을 적절히 정규화한 다음 그 고유 백터(eigenvector)



를 계산하여 이를 각 노드의 좌표값으로 사용한다(Cyram 2010).

<그림 42>는 2010년 한 해 동안 두 자동차 브랜드를 동시에 검

색한 검색트래픽을 유사성(similarity)을 중심으로 고전적 MDS로 분

석한 네트워크 맵으로 2010년에는 캠리, 퓨젼, 소나타가 비교적

가깝게 포지셔닝 된 반면, 인사이트, 시빅, 프리우스는 서로 링크는

있지만 서로간의 유사성이 떨어지는 것으로 나타났다11).

<그림 43>은 2013년 한해 (1월~4월 중순까지) 동안만 검색한 데

이터를 유사성(similarity)을 중심으로 고전적 MDS로 분석한 결과이

다. <그림 42>와 비교하면 2년 이상이 지난 현재의 시점에서는 캠

리가 네트워크의 중심에 있는 것을 확인할 수 있다. 여전히 캠리,

소나타, 퓨젼은 유사하고, 프리우스, 인사이트, 시빅의 관계가 존재

하지만 이들 간의 관계는 상대적으로 가까워진 것이다.

80 81

그림 42 2010년 HEV brand의 고전적 MDS 분석 결과

11) 캠리는 2006년, 퓨젼은 2009년부터 하이브리드 모델이 판매되기 시작했다.


HEV 제품 브랜드의 중심성(centrality) 분석

네트워크의 중심성 지수는 한 행위자가 전체 네트워크에서 중심에 위

치하는 정도를 나타내는 지표이다. 중심성 분석을 위한 측도로는 연결

정도 중심성(degree centrality)과 근접 중심성(closeness centrality),

매개 중심성(betweenness centrality)이 있고, 고유벡터 중심성(eigen

vector centrality)등이 있다(Wasserman & Faust 1994).

연결정도 중심성은 한 노드가 직접적으로 다른 노드들과 얼마만큼

의 관계를 맺고 있는가를 통해서 그 노드가 중심에 위치하는 정도를

계량화한 것으로 노드 의 연결정도 중심성 지수는 노드 와 직접적으

로 연결되어 있는 노드의 수로 나타낸다. 방향이 있는 네트워크

(directed network)에서의 노드의 연결정도 중심성은 링크의 방향에

따라 내향연결정도(incoming degree)와 외향연결정도(outgoing

degree)로 구분된다. 본 연구에서 분석대상인 네트워크는 방향성이


그림 43 2013년 HEV brand의 고전적 MDS 분석 결과


있는 네트워크이고 검색에서 순서를 방향성으로 간주했기 때문에 중

심성을 내향연결정도(incoming degree)와 외향연결정도(outgoing

degree)룰 모두 고려했다.

근접 중심성(closeness centrality)은 특정 노드가 그를 제외한 다

른 노드에서 얼마나 가까이에 있느냐를 평가한다. 즉 특정노드와 직

접적으로 연결된 노드뿐만 아니라 네트워크내 간접적으로 연결된 모

든 노드들 간의 최단거리의 평균을 계산함으로써 노드의 중심성을

측정한다. 근접 중심성은 하나의 네트워크에서 고립된 노드들이 있

는 경우 고립노드와의 최단거리는 무한대가 되어 결국 모든 노드의

근접 중심성 측도는 0이 된다. 본 연구에서는 네트워크내에 일부 고

립된 노드들이 존재하지 않기 때문에 중심성 평가대상에 포함하였

다. 매개 중심성(betweenness centrality)은 네트워크 내에서 한 행

위자가 담당하는 매개자 혹은 중재자 역할의 정도로 중심성을 측정

하는 방법이다. 이 매개자 혹은 중재자는 전체 네트워크 구성원들

사이의 정보흐름과 교환에 있어서 중요한 중재 역할을 수행하는 행

위자들이다(Freeman 1979). Freeman(1979)은 방향이 없는 네

트워크에서의 매개 중심성 지수를 제안하였고, Gould(1987)는 이

를 토대로 방향이 있는 네트워크에서 특정 노드의 매개 중심성 지수

를 식(1)과 같이 제안하였다.

(1)

위의 식에서 는 네트워크의 총 노드의 수, 는 네트워크 노드에서

노드로 연결되는 최단 거리경로의 경우의 수이고, 는 노드에서 로의

최단경로 중에서 노드 를 경유하는 횟수를 말한다. 는 가능한 모든

경로의 수이다.

82 83


Bonacich(1987)은 특정 행위자의 위상(status) 혹은 인기도

(popularity)는 인접한 행위자들의 위상 혹은 인기도의 영향을 받을

수밖에 없다고 주장하고 행위자의 위상(status)을 측정하는 고유벡터

(eigen vector) 중심성을 제안하였다. 네트워크의 인접행렬을라고 할

때, 고유벡터 중심성은 아래의 식을 통해 계산된다. 여기서 는 네트

워크의 인접행렬이고 와 는 각각 고유치와 고유벡터이다.

(2)

Brin & Page(1998)는 고유벡터 중심성의 아이디어를 이용하여

검색엔진에서 웹문서의 순위를 정하기 위한 PageRank 알고리즘을

제안하였다. PageRank는 웹문서의 하이퍼링크 구조를 이용하여 네

트워크를 만들고 그 네트워크에서 노드(웹문서)의 순위를 정하는 알

고리즘이다. 이는 하이퍼링크 구조를 반영한 인접행렬을 마코프체인

의 추이행렬로 변환한 후 각 노드의 정상분포(stationary

distribution)를 계산함으로써 이루어진다. 하지만 웹문서의 링크 구

조를 반영한 네트워크는 연결그래프(connected graph)가 아니므로,

순위계산을 위한 정상확률분포가 유일하지 않게 된다. 마코프체인이

유일한 정상확률분포를 갖기 위해서는 추이행렬이 불가분적

(irreducible)이여야 하고, 이런 단점을 보완하기 위하여 Brin &

Page(1998)는 아래와 같은 추이행렬을 도입하였다.

(3)

여기서 는 원 추이행렬이고, 은 노드의 수이다. 이 때 는 [0, 1]사

이의 실수값이며 보통 0.85를 사용한다. 본 연구에서는 NetMiner

가 제공한 PageRank를 이용하였다. NetMiner에서는 Google



PageRank algorithm을 활용하고 있는데, PageRank의 변형된 계

산방법에 대해서는 Langville & Meyer(2006)를 참고할 수 있다.

2010년에 HEV 브랜드에 대해 동시 검색된 검색트래픽의 연결정

도 중심성(degree centrality), 근접 중심성(closeness centrality),

매개 중심성(betweenness centrality) 그리고 PageRank 중심성에

대한 분석결과가 <표 5>에 제시되었다.

<표 5>는 HEV 브랜드에 대한 중심성 분석 결과를 보여주고 있다

(2010년 누적 검색 데이터 기준). 연결정도 중에서 내향성은 시빅,

프리우스, 캠리가 높았으며, 외향성은 시빅이 가장 높고 인사이트

제외한 나머지 브랜드가 높았다(인사이트를 제외하면 소나타가 가장

낮음). 근접 중심성과 매개 중심성도 시빅이 높았으며, PageRank도

시빅이 가장 높게 나타나서 HEV와 관련된 2010년 포지셔닝에서는

시빅이 핵심적 위치에 있음을 확인할 수 있었다. 시빅이 이렇게 높

은 중심성을 보여준 것은 아무래도 하이브리드가 아닌 일반 차량에

서도 시빅의 판매량이 많기 때문에 이런 영향력이 반영되었다고 볼

수 있다. 그러나 HEV 시장이 좀 더 정착된 2013년에는 다른 경향

84 85

주 : 연결정도 중심성은 sum of weight를 기준으로 함.

표 5 2010년 HEV 브랜드의 중심성 분석 결과

Prius 44.0 36.0 0.83 0.10 0.18Civic 48.0 47.0 1.00 0.23 0.22Camry 43.2 39.0 0.83 0.03 0.18Insight 19.2 19.6 0.63 0.0 0.10Fusion 32.4 38.6 0.83 0.03 0.18Sonata 23.2 30.6 0.71 0.0 0.14

NodeIn-DegreeCentrality

Out-DegreeCentrality

Closeness(In=Out)

PageRankBetweenness


을 보이기 시작한다.

2013년에 HEV 브랜드에 대해 동시 검색된 검색트래픽의 연결정

도 중심성(degree centrality), 근접 중심성(closeness centrality),

매개 중심성(betweenness centrality) 그리고 PageRank 중심성에

대한 분석결과가 <표 6>에 제시되었다.

<표 6>은 HEV 브랜드에 대한 중심성 분석 결과를 보여주고 있다

(2013년 누적 검색 데이터 기준). 연결정도 중에서 내향성은 프리

우스, 시빅, 캠리가 높았으며, 외향성은 인사이트 제외하면 유사하

게 나타났다(프리우스가 가장 높았으며, 소타나의 중심성도 크게 향

상됨). 근접 중심성과 매개 중심성은 프리우스와 시빅이 높았으며,

PageRank도 두 차종이 높게 나타나서 역시 HEV와 관련된 포지셔

닝에서 두 차종이 핵심적 위치에 있음을 다시 확인할 수 있었다.

2010년과 비교하면 프리우스의 중심성이 많이 높아진 것이 두드러

진 차이점이었다. 특히 분석 결과에서 캠리의 내향성이 높게 나타난

것은 아무래도 하이브리드가 아닌 일반 차량에서 캠리가 가지는 영

향력이 역시 반영되었다고 볼 수 있었다.


주 : 연결정도 중심성은 sum of weight를 기준으로 함.

표 6 2013년 HEV 브랜드의 중심성 분석 결과

Prius 55.0 50.8 1.0 15.0 0.21Civic 57.6 46.4 1.0 15.0 0.21Camry 56.6 47.2 0.83 0.0 0.16Insight 12.6 25.2 0.63 0.0 0.09Fusion 45.6 42.6 0.83 0.0 0.16Sonata 25.2 40.4 0.83 0.0 0.16

NodeIn-DegreeCentrality

Out-DegreeCentrality

Closeness(In=Out)

PageRankBetweenness


이런 중심성은 판매량이 가지는 영향력이 잘 반영되었다고 볼 수

있는데 HEV에서 누적 판매량인 압도적으로 높은 프리우스의 중심성

이 높게 나타난 것은 당연하며, 2010년과 비교해서 2013년에 시

빅의 중심성인 낮아진 것은 2010년부터 2012년까지 계속 이어진

시빅 HEV의 판매부진에 원인을 찾을 수 있다.

결론적으로 이상의 연구결과들은 검색트래픽을 활용한 네트워크와

중심성 분석은 소비자가 인식하고 있는 제품들의 위치를 비교적 객

관적으로 분석해줄 수 있는 방법이 될 수 있다는 것을 보여주었다.

HEV 제품 브랜드와 판단기준(속성)의 네트워크 분석

네트워크 분석은 동질적인 노드간의 분석은 물론 이질적인 노드간

의 네트워크 분석도 가능하다. 이런 분석방법을 활용하면, 앞서 분

석된 판단기준(속성)과 후보제품(브랜드)의 관계를 같이 분석할 수

도 있다. 이런 시도의 결과가 <그림 44>와 <그림 45>에 나타나 있

다. 1차 모드로 제품 브랜드를 2차 모드로 속성(판단기준)을 설정

하고 분석한 것이다. 속성은 각 브랜드와 속성을 동시에 검색하는

검색트래픽의 데이터를 활용했다.

<그림 44>와 <그림 45>는 스프링형(Spring 2D) 네트워크 맵으로

분석된 결과로 Kamada & Kawai 알고리즘을 적용했다. 스프링형

레이아웃 알고리즘은 노드 간에 가상의 스프링을 장착시켜 끌어당기

는 힘과 밀어내는 힘을 통해 노드를 배치한다. 이 레이아웃으로

네트워크 맵을 그리면 노드들이 화면상에 고르게 분포되면서 인접한

(adjacent) 노드들은 일정한 간격으로 가까이 위치하며, 노드들 간의

중복이나 링크들 간의 교차가 적어져 보기 좋은 그래프가 그려진다.

스프링형 네트워크 맵에서 본 연구가 적용한 알고리즘은 Kamada

& Kawai 알고리즘이다. 이 알고리즘은 각 노드 쌍이 이상적인 거리

를 갖도록 최적화한다. 이상적인 거리는 노드들 간의 경로거리에 의

86 87


해 노드 사이의 거리가 결정되는 것으로서 모든 노드 쌍은 그들 간

의 최단 경로 거리에 비례하는 만큼 떨어지도록 배치된다. 이 방법

은 사전에 모든 노드 쌍에 대해서 최단 경로거리를 구해야 하기 때

문에 다소 시간이 많이 걸리지만 그려진 맵의 품질은 좋다(Cyram

2010). 본 연구는 노드가 매우 적기 때문에 Kamada & Kawai 알

고리즘을 적용했다.

<그림 44>는 2004년 이후 현재까지 소비자가 검색한 검색트래픽

을 기준으로 스프링형 네트워크 맵을 분석했으며, <그림 45>는

2013년의 검색트래픽을 분석한 결과를 나타냈다. 두 그림을 보면

각 브랜드와 속성의 관계가 어떻게 바뀌었는지 확연히 보여주고 있

다. 소나타의 경우를 보면 전반적으로는 가격(price)과 연비(mpg)의

속성에 대한 관심이 많았는데, 최근에는 가격에 대한 관심이 높은

것을 확인할 수 있다. 퓨젼의 경우는 연비에 대한 관심이 전반적으

로 많았다면, 최근에는 상대적으로 출력(power)에 대한 관심이 높아

진 것을 확인할 수 있다. 반면 시빅은 연비와 출력에 대한 관심이

상대적으로 높았지만 최근에는 출력보다는 가격이 중요해진 것을 확

인할 수 있었다. 프리우스는 전반적으로 가격이 중요했지만, 최근에

는 연비가 중요해진 것을 확인할 수 있었다. 전체적으로 <그림 45>

는 <그림 44>에 비해 밀집되어 있는 구조를 보이는데 그만큼 각 브

랜드가 판단기준에서 치열한 경쟁을 보이고 있다는 것도 추정할 수

있게 했다. 본 연구는 네트워크 분석을 통해 각 브랜드에서 상대적

으로 중요한 판단기준이 무엇인지 확인할 수 있는 방법을 제시해 본

것이다.



88 89

그림 44 2004년 이후 HEV brand와 속성의 스프링형 맵 분석결과

그림 45 2013년 HEV brand와 속성의 스프링형 맵 분석결과


판단기준인 속성의 전반적인 중요성은 역시 네트워크에서 중심성으

로 분석해 볼 수 있는데, 연결 중심성과 고유벡터 중심성(eigen

vector centrality)으로 중요한 속성인 무엇이었는지 2010년과

2013년을 비교해 보았다. <표 7>에 제시된 분석 결과에 따르면

2010년에는 두 가지 중심성에서 모두 가격이 중심성이 높은 것으

로 나타났지만 2013년에는 연비가 중심성이 높아진 것으로 나타났

다. 브랜드를 선택하는데 평가기준으로 연비의 중요성이 그만큼 높

아진 것이라고 판단할 수 있는 것이다.


표 7 HEV 속성의 중심성 비교

Price 351.0 355.0 0.75 0.66MPG 237.0 396.0 0.53 0.71Power 189.0 144.0 0.39 0.27Emission 0.0 3.0 0.0 0.01

AttributeDegree

2010 2013 2010 2013

Eigenvector


PART 05

결론 및 시사점


PART 05

결론 및 시사점


본 연구는 신기술 또는 신제품(혁신) 수용 분석에서 검색트래픽을

활용하고자 하는 경우에 중요한 시사점을 제공한다. 기술에 대한 검

색트래픽은 판매를 설명하는데 유의함이 낮았지만, 브랜드명에 대한

검색트래픽은 판매량에 크게 유의했기 때문에, 검색의 단위를 잘 선

택한다면 판매량을 분석하거나 예측하는데 검색트래픽은 매우 유용

한 방법이 될 수 있다는 것이다. 특히 기존에 수요 예측을 위해 활

용되었던 GDP 성장률, 유가, 특허출원, 뉴스보도와 같은 지표보다

우수한 설명력을 보인 점에 주목할 필요가 있다. 물론 이런 결론은

사례연구의 시사점이기 때문에 아직은 모든 경우에 일반화될 수는

없다. 비록 사례연구에서 일반화의 한계는 수반될 수밖에 없지만,

상기 시사점은 검색트래픽 활용하여 제품이나 기술의 수용을 분석하

는데 여러 가지 의미 있는 시사점을 준다는 것은 분명하다.

기술명(제품군)에 대한 검색트래픽으로 설명하기 어려웠던 구매 수

용을 브랜드명에 대한 검색트래픽이 설명할 수 있으며, 특히 가격을

동시에 검색하는 검색트래픽도 판매와 매우 유의한 관계에 있음을

밝혀냈다. 이런 제품 브랜드와 혁신(신기술) 제품 판매율의 유의미성

92 93

결론 및 시사점PART 05


은 역시 소비자 정보탐색의 역동성으로 설명할 수 있는데 <그림

11>에서 전체집합에 해당하는 HEV보다는 인식집합이나 고려집합

에 해당되는 브랜드명은 당연히 기술명의 검색보다는 구매에 대한

설명력이 높을 수밖에 없다. 또한 연비보다는 가격에 대한 동시 검

색의 설명력이 높은 것도 추론수준이론으로 설명할 수 있는데, 연비

가 바람직함(desirability of its features)이라는 요인에 가깝다면,

가격은 구매의 쉽고 어려움을 결정해주는 요인으로 구매의 실행가능

성(feasibility of its purchase)이기 때문에 가격에 대한 검색이 구

매를 잘 설명하는 것이다. 물론 프리우스라는 브랜드가 HEV(하이브

리드 자동차)에서 차지하는 비중이 절대적이라는 측면도 중요했다.

검색트래픽은 선행연구가 강조하는 것과 같이 실시간 확인이 가능

하고, 모집단에 가까운 조사가 가능하며, 예측력까지 우수하다. 특

히 검색트래픽은 서베이에서는 조사하기 어려운 이용자의 감춰진 모

습을 파악할 수 있는 장점까지 가지고 있다. 그러나 단점도 분명히

있다. 유명인에 대한 과도한 집착과 공포심에 대한 빠른 파급과 같

이 감정적 흐름은 활용에 있어서 대표적인 문제점이다. 따라서 여러

가지 사회현상에 모두 검색트래픽이 효과적인 분석방법은 아닐 수

있다. 그러나 본 연구에서 다루어진 것과 같은 신기술이나 신제품의

수용분석에는 분명한 장점이 있음을 본 연구결과는 밝혔다. 기존 연

구에서 수요 예측을 위해 활용되었던 지표들보다 신기술 수용 분석

에서 검색트래픽이 우수한 설명력을 보인다는 점을 밝힌 것이다.

검색의 단위의 조정과 같이 검색트래픽의 활용을 정교화하기 위한

노력이 있다면 검색트래픽은 신기술 수용을 분석하고 예측하는데 유

망한 지표라는 점을 발견함으로써 미래 예측을 활용하는 다양한 분

야에 학술적으로는 물론 실무적으로도 큰 기여를 할 수 있을 것으로

기대된다. 소비자의 실제 온라인 행동을 관찰하는 것은 변해가는 소

비자 이용(consumer use) 판도를 파악할 수 있고, 그리고 무엇이

결론및시사점


중요하고 언제 중요한지를 이해할 수 있는 가장 확실한 길이다.

이런 측면에서 본 연구가 제시한 제품 브랜드 간 관계 분석과 판단

기준(속성)에 대한 중요성 분석은 소비자의 외적 정보 탐색을 즉시

이해할 수 있다는 현재 예측(Nowcasting)에서 매우 의미가 크다고

할 수 있다. 현재 공개적으로 활용할 수 있는 빅데이터의 한 가지

종류인 검색트래픽은 구글, 네이버 등과 같은 지배적 검색엔진 운영

기업에서 제시하고 있기 때문에 그 활용 가능성은 무궁무진하다. 본

연구는 네트워크 분석 기법을 활용해 검색트래픽을 분석하는 방법을

새롭게 제공함으로써 검색트래픽을 활용해 소비자 행동 분석의 영역

을 확장한 것이다. 본 연구는 검색트래픽 기반의 네트워크 분석을

통해 제품의 포지셔닝이 가능하며, 실시간 분석함으로써 그 변화를

즉시 추적할 수 있음을 보였다. 또한 판단 기준인 주요 속성까지 같

이 분석함으로써 주요 경쟁 브랜드별 판단 기준의 차이까지 분석해

낼 수 있음을 보여서 전략적 의사결정에 보다 의미 있는 정보를 제

공할 수 있는 방법까지 제시할 수 있었다.

이상에서 언급된 본 연구의 시사점들은 바라바시가 이야기한 빅 데

이터 시대(big data era)에서 향후 보다 다양하게 제공될 소비자 행

동 정보의 분석에 좋은 방향을 제공하여 줄 것으로 기대된다. 특히

본 연구결과와 연구방법론을 토대로 향후 다양한 산업과 혁신 형태

에 대한 실증연구가 이루어진다면, 검색트래픽을 활용한 다양한 분

석과 예측의 객관성과 설명력을 높이는데 기여할 수 있으며, 나아가

마케팅 등 다양한 분야에 활용되는 소비자 행동 모델링에도 활용되

어 마케팅 전략 수립과 같은 실질적인 기업전략 수립에까지 기여할

수 있을 것으로 판단된다.

이 연구의 한계로는 먼저 활용된 데이터의 한계가 있는데, 검색트

래픽 데이터와 관련해서 비록 구글이 원시데이터와 조사방법에 관한

많은 정보를 제공하지만, 본 연구에서 활용된 검색트래픽 데이터가

94 95


가공된 2차 데이터였다는 점이 있다. 또한 구글이라는 특정 사이트

가 제공하는 검색트래픽을 활용한다는 한계점도 있다. 비록 구글이

시장 지배적 사업자지만 페이스북과 같은 SNS의 사용이 확대되면서

구글을 사용하는 사용자의 범주도 변화할 수 있다는 것이다. 따라서

향후에는 구글이 가지는 사용자 범주의 특징을 분석하기 위해서

다른 검색 엔진을 활용한 검색트래픽도 비교 분석할 필요가 있다.

참 고 문 헌

1. 공정호 (2011), “자동차산업, 불확실성 시대의 확실한 선택”, 솔로몬 증권, 자동차산업 분석보고서.

2. 김경연 (2009), “전기자동차가 몰고 올 변화의 물결”, LGERI 리포트.3. 김성진 (2006), “웹 이용자의 정보탐색행위 패턴 분석”, 정보관리학회지, 제23권

제4호, 통권 제62호, pp. 197-214. 4. 박철 (2010), “온라인 소비자행동 연구의 현황과 과제”, 소비자학연구 제21권 제2

호, 2010년 6월, pp. 289-320.5. 신봉섭, 박주영 (2006), “제품유형에 따른 소비자의 구매위험지각이 정보탐색수준

에 미치는 영향 - 지식수준의 조절역할을 중심으로”, Journal of GlobalAcademy of Marketing Science, 16(3), pp. 143-167.

6. 윤정미, 임정수, 소셜 네트워크 서비스 간 유사성과 서비스 선호도에 관한 포지셔닝 분석, 한국방송학보 통권 제26-3호 416p ~ 457p.

7. 이두희, 2004, 광고론, 박영사.8. 이영희, 이승신 (2009), “하이테크제품 구매시 외적정보탐색에 관한 연구”, 한국가

정관리학회지, 제27권 3호, pp. 1-16.9. 이호배, 김학윤, 김도일 (2011), <Hawkins의 소비자행동론 11판>, ㈜지필미디어.10. 전승표 (2011a), <전기자동차의 미래를 예측하기 위한 자동차의 미디어적 해석>,

한국과학기술정보연구원, pp. 2-6. 11. 전승표 (2011b), “기대주기 분석을 활용한 수요예측 연구: 하이브리드 자동차의

사례를 중심으로”, 기술혁신학회지, 제14권 특별호, pp. 1232-1255.12. 최대식 (1999), VAR모형을 이용한 자동차 수요와 거시경제지표의 관계 분석“,

한국자동차산업연구소.13. 하나금용경영연구소 (2011), “글로벌 경기 불안 지속에 따른 국내 자동차산업의

영향과 시사점”, 하나금융경영연구소 산업연구 시리즈, 2011년 11월 25일 제3호.

결론및시사점


14. 한국사전연구사, 2011, 21세기 정치학대사전, 아카데미아리서치.15. 홍정석, “왜 Market Intelligence가 필요한가”, LG Business Insight Weekly

포커스 2008 Dec., pp. 49-56.16. Bass, F. M. (2004), “A New Product Growth for Model Consumer

Durables”, Management Science, Vol. 50, No. 12, Dec. 2004, pp.1825-1832.

17. Bonacich, P. (1987). Power and Centrality: A Family of Measures,American Journal of Sociology, Vol. 92, No. 5, 1170-1182.

18. Breiger R, Boorman S and Arabie P (1975). An algorithm forclustering relational data, with applications to social network analysisand comparison with multi-dimensional scaling. Journal ofMathematical Psychology, 12, 328-383.

19. Brian T. Ratchford, Myung-Soo Lee and Debabrata Talukdar, TheImpact of the Internet on Information Search for Automobiles, Journalof Marketing Research, Vol. 40, No. 2 (May, 2003), pp. 193-209

20. Brin, S., Page, L. (1998). The anatomy of a large-scale hypertextualWeb search engine, Proceedings of the seventh internationalconference on World Wide Web, 7, 107-117.

21. Butler, D. (2013), "When Google got flu wrong", Nature 494, pp. 155-156 (14 February 2013).

22. CAR research (2009), “The major determinants of U.S. automotivedemand: factors driving the U.S. automotive market and theirimplications for specialty equipment and performance aftermarketsuppliers”, CAR(Center for Automotive Research) researchmemorandum.

23. CAR research (2010), “The impact on the U.S. economy of thesuccessful automaker bankruptcies”, CAR(Center for AutomotiveResearch) research memorandum.

24. CarMax, Inc. (2011), Annual Report 2010, pp. 5-7.25. Carter P. (2011), “빅 데이터 분석: CIO를 위한 미래지향적 아키텍처, 기술 그리

고 로드맵”, IDC 백서, 2011 Nov.26. Choi, H. & Varian, H. (2009), “Predicting the Present with Google

Trends”, Google Inc. 27. Cyram (2010), NetMiner를 이용한 소셜 네트워크 분석(SNA).28. Datamonitor (2010), Green Consumer Attitude-Automotive, Global

consumer survey findings and business recommendations,Datamonitor, Nov. 2010.

29. Doubleclick (2005), Search Before the Purchase-Understanding BuyerSearch Activity as it Builds to Online Purchase.

96 97


30. Fenn, J. & Raskino, M. (2008), Mastering the Hype Cycle: How toChoose the Right Innovation at the Right Time, Harvard BusinessSchool Press, pp. 3-88.

31. Freeman, L. C., (1979). Centrality in social networks: Conceptualclarification, Social Networks, Vol. 1, 215-239.

32. Gartner J., Hurst D. & Wheelock, C. (2010), Electric Vehicle ConsumerSurvey, Pike Research.

33. Ginsberg, J,. Mohebbi1, M. H., Patel1, R. S., Brammer, L, Smolinski1,M. S. & Brilliant, L. (2009), “Detecting influenza epidemics usingsearch engine query data”, Nature 457, pp. 1012-1014.

34. Gould, R. V., (1987). Measures of betweenness centrality innonsymmetric networks, Social Networks, Vol. 9, 277-282.

35. Haugh, D., Mourougane, A. & Chatal, O. (2010), “The automobileindustry in and beyond the crisis”, OECD economics department,

working papers, No. 745.36. Jarvenpaa, H. M., Makinen, S. J. & Seppanen, M. (2011), “Patent and

publishing activity sequence over a technology's life cycle”, TechnicalForecasting & Social Change, Vol. 78, pp. 283-293.

37. Jun, S.-P. (2012), “An empirical study of users’hype cycle based onsearch traffic: the case study on hybrid cars”, Scientometrics, Vol. 91,No. 1, pp. 81-99.

38. Jun, S.-P. (2012), "A Comparative Study of Hype Cycles AmongActors within the Socio-Technical System: With a Focus on the CaseStudy of Hybrid Cars", Technological Forecasting & Social Change,Vol. 79, No. 8, pp. 1413-1430.

39. Jun, S.-P. Yeom, J. and Son, J.-K. (2013), "A Study of the MethodUsing Search Traffic to Analyze New Technology Adoption",Technological Forecasting & Social Change, DOI 10.1016/j.techfore.2013.02.007,(In press).

40. Kotler, P. & Armstrong, G. (2004), Marketing Management 10thedition, Prentice Hall.

41. Kotler, P. & Keller, K. L. (2008), Marketing Management 13th edition,Prentice Hall.

42. Langville, A. N., Meyer, C. D. (2006). Google's PageRank and Beyond:The Science of Search Engine Rankings, Princeton University Press.

43. Lui, C., Metaxas, P. T. & Mustafaraj, E. (2011), “On the predictability ofthe U.S. elections through search volume activity”, IADIS InternationalConference e-Society 2011 Conference Proceeding, pp. 165-172.

44. Martino, J. (2003), “A review of selected recent advances in

결론및시사점

.. .... ..


technological forecasting”, Technology Forecasting and SocialChange (TFSC), pp. 719-733.

45. Nielsen Consumer Research (2009), Nielsen Global Online ConsumerSurvey, April 2009.

46. Rogers, E. M. (2003), Diffusion of innovations 5th edition, Free Press.47. Scott J. (2000), Social Network Analysis A Handbook 2E, SAGE

Publication of London. 48. Sivak, M. & Tsimhoni, O. (2008), “Future demand for new cars in

developing countries: going beyond GDP and population size”,UMTRI(Unversity of Michigan Transportation Research Institute), reportNo. UMTRI-2008-47.

49. Su, B-chiuan (2008), “Characteristics of Consumer Search On-Line:How Much Do We Search?”, International Journal of ElectronicCommerce, 13(1), pp. 109-129.

50. Tancer, B. (2008), Click - What Millions of People Are Doing Onlineand Why It Matters, Hyperion Books.

51. Thomas, M., Chandran, S. & Trope, Y. (2007), The Effects ofInformation Type and Temporal Distance on Purchase Intentions,Samuel Curtis Johnson Graduate School of Management, CornellUniversity.

52. Tidd, J. & Bessant, J. (2009), Managing Innovation, Wiley, pp. 271-274.53. Trope, Y. & Nira, L. (2003), “Temporal Construal,”Psychological` Review, Vol.110, No.3, pp. 403-421.54. Urbany, Dickson, and Wilkie, "A Study Uncertainty and Information` ` Search"; and Warranties Rule Consumer Follow-up (Washington DC:` Federal Trade Commision, 1984), P. 26.55. Vosen, S. & Schmidt, H. (2011), “Forecasting Private Consumption:` Survey-Based Indicators vs. Google Trends”, Journal of Forecasting,` ` 30, pp. 565-578.56. Wasserman, S., Faust, K. (1994). Social network analysis: Methods` and applications, Cambridge, NY: Cambridge University Press. 57. Watts, R. & Porter, A. (1997), “Innovation Forecasting”, Technical Forecasting &

Social Change, Vol. 56, pp. 25-47. Search engine market share:http://www.netmarketshare.com/ search- engine-market-share.aspx?spider=1& qprid=4, last accessed on May. 6. 2011.US hybrid car market share: http://www.hybridcars.com/market-dashboard.html, last accessed on June. 3. 2011.Wikipedia: http://en.wikipedia.org/wiki/Toyota_Camry, last accessedon January. 31. 2012

98 99


키스티(전승표) 내지0614 f 2013.06.18 06:55 pm 페이지1 001...

Documents