패션 브랜드 및 광고모델의 검색량과 정보량이 매출에 미치는 영향

Abstract

최근 기업들은 치열한 경쟁 속에서 자사의 이미지를 소비자에게 긍정적으로 인식시키기 위해 노력하고 있다. 특히, 소비자와의 커뮤니케이션을 기반으로 하는 다양한 마케팅 활동을 전개하고 있으며, 이러한 커뮤니케이션 전략에 따라 소비자의 기억 속에 저장되는 기업이나 브랜드의 내용과 구조가 다르게 인식될 수 있다. 인터넷과 모바일의 보편화로 무수한 정보의 홍수 속에서 살고 있는 현대인들에게 기업의 마케팅 활동은 소비자의 브랜드 연상에 기초가 되는 역할을 하며, 마케팅 활동의 결과물은 결국 브랜드의 자산으로 연결되기 때문에 이를 효과적으로 관리하고 운영해야 할 필요가 있다. 4차 산업혁명시대로 접어들면서 빅 데이터가 많은 기업의 마케팅 분야에 활용되고 있다. 최근 주요 이슈나 대중의 관심 변화 등을 파악하기 위해 웹 검색 정보나 소셜 미디어 등의 대용량 데이터를 다루는 빅 데이터 분석이 화두로 떠오르고 있으며, 이를 통해 사회 현상이나 소비 트렌드를 읽어내려는 시도가 증가하고 있다. 이러한 빅 데이터 분석은 빠르게 변화하고 트렌드에 민감한 패션 업계에서 아주 중요하게 다루어야 할 사항이다. 그러나 아직 대다수의 패션 기업들은 과거의 판매 실적이나 경험적 사고에 의존하여 마케팅과 경영 의사결정을 하고 있는 실정이다. 고객 만족과 세분화에 대한 요청이 심화되고 있는 패션 업계에서도 이를 활용할 수 있는 방안이 마련되어야 한다. 이에 본 연구에서는 브랜드의 빅 데이터 정보를 활용하여 매출에 영향을 미치는 요인을 파악하고자 하였다. 본 연구의 목적은 패션 브랜드 매출에 영향을 미치는 요인을 밝히고, 기업 내부의 데이터와 조직 외부의 빅 데이터를 결합한 매출 예측 모형을 제안하는 것이다. 본 연구의 구체적인 목적은 다음과 같다. 첫째, 웹 검색량이 매출에 미치는 영향을 알아본다. 둘째, 블로그 정보량이 매출 예측에 미치는 영향을 알아본다. 셋째, 광고모델이 매출 예측에 미치는 영향을 알아본다. 넷째, 패션 브랜드 매출 예측 모형을 제안한다. 본 연구는 빅 데이터 분석 방법 중 하나인 시계열 분석을 통해 수행되었으며, 그 중에서도 ARDL(Autoregressive Distributed Lags) 모형을 활용하여 결과를 도출하였다. ARDL 모형은 Pesaran & Shin(1999)과 Pesaran et al.(2001)이 제시한 시계열 분석 방법으로, 종속변수와 독립변수의 과거값을 동시에 설명변수로 사용하여 종속변수의 미래값을 예측하는 시계열 모형이다. 분석 대상으로 국내 중견기업의 캐주얼 브랜드를 선정하였다. 분석에 활용한 데이터는 2016년 4월부터 2017년 12월까지 90개의 주별 자료로 구성하였으며, 분석 변수는 브랜드 매출, 브랜드 검색량, 브랜드 광고모델 검색량, 브랜드 정보량, 브랜드 광고모델 정보량, 프로모션으로 총 6개의 변수가 사용되었다. 검색량 데이터는 구글 트렌드와 네이버 트렌드에서 수집하였으며, 정보량은 블로그 게시물 수를 활용하였다. 분석 방법은 단위근 검정, 매출의 자기상관 검증, 매출과 독립변수들의 교차상관 검증, ARDL 추정, 추정 모형 평가 및 LM 검정의 절차를 거쳐 최종 모형을 채택하였다. 최종적으로 예측력 97.8%의 모형(no constant)을 도출하였으며, 매출의 과거값, 브랜드 검색량, 모델 정보량, 프로모션이 매출 예측에 영향을 미치는 요인으로 밝혀졌다. 일자별 데이터를 추가 분석한 결과에서는 소비자의 검색 행위와 구매가 발생하는 시점에 며칠간의 편차를 보이고 있음을 확인할 수 있었으며, 검색은 주로 주중에 이루어지고 구매는 매출 발생 시점인 주말에 이루어지는 트렌드가 보여졌다. 본 연구의 결과를 요약하면 다음과 같다. 첫째, 모형의 검증 결과 브랜드 검색량과 광고모델 정보량, 프로모션이 매출 예측에 영향을 미치는 요인으로 밝혀졌으며, 블로그의 브랜드 정보량과 광고모델 검색량은 영향을 미치지 않는 것으로 나타났다. 둘째, 매출의 과거값만을 독립변수로 하는 매출의 자기회귀(AR: Autoregressive) 모형(no constant)의 예측력은 95.8%이였으며, 최종 ARDL 모형(no constant)에서는 예측력 97.8%의 결과를 보였다. 이러한 결과는 매출만으로도 예측이 가능하나 본 연구를 통해 밝힌 다른 요인들을 추가하여 예측했을 때 높은 적중률을 보여 오차의 범위가 줄어든 것으로, 연구에서 채택한 요인들이 실제 매출에 영향을 미치는 요인임을 알 수 있다. 셋째, 최종 모형의 통계량에서 매출에 영향을 미치는 요인으로 프로모션의 상관 계수가 가장 높게 나타난 것을 확인할 수 있으며, 이는 소비자들이 개인적으로 갖는 브랜드나 광고모델에 대한 관심보다 가격 프로모션에 대한 탄력성이 더 큰 것으로 해석할 수 있다. 넷째, 본 연구는 검색량과 정보량 및 매출과 프로모션의 주차별 데이터에 근거하여 예측 모형을 제시하였으므로, 해당 변수들은 단기간내 매출에 영향을 미칠 수 있는 요인이라고 할 수 있다. 또한, 검색량과 정보량, 프로모션은 한 주간 내에서도 며칠간의 편차를 두고 영향력을 행사하는 것을 추가 분석을 통해 밝혔다. 본 연구의 주요 결론 및 시사점은 다음과 같다. 첫째, 기존 소비자 정보 탐색 활동에 대한 연구는 소비자의 인지적 측면이나 의도에 국한되어 있었으나, 소비자 정보 탐색에 대한 영역을 웹 검색량으로 확대하여 매출에 미치는 영향력을 실제 매출에 적용하여 실증적으로 확인하였다. 또한, SNS(Social Network Service)에 대한 관심과 주목이 높아지고 있는 시점에서 블로그 정보에 대한 예측력을 확인하였다는 것에 의의가 있다. 둘째, 유명인 광고모델에 대한 소비자의 관심이 브랜드의 관심으로 이어져 매출에 영향을 미친다는 것을 실증적으로 확인하였다. 연구의 결과에서 광고모델의 정보량이 매출에 영향을 미치는 것으로 밝혀졌다. 이는 광고모델과 브랜드와의 관계에 대한 선행 연구를 지지하는 결과이며, 기업이나 브랜드의 광고모델 선정에 신중을 기해야 할 것을 시사한다. 셋째, 최근 많은 산업계와 학계에서 빅 데이터를 접목시킨 연구들이 진행되고 있으나 아직 패션 분야의 연구는 미비하다는 점에서 향후 연구의 기초 자료를 제공하였다는 것에 의의가 있다. 또한, 기업 내부와 외부의 소셜 빅 데이터를 활용하여 매출 예측 방안을 제시하였다는 점에서 이를 활용한 마케팅 전략 및 조직의 의사결정에 도움이 될 것으로 기대한다. 본 연구의 결론을 바탕으로 후속 연구를 위한 제언을 도출하면 다음과 같다. 첫째, 특정 캐주얼 브랜드 매출 정보를 활용하여 분석을 했다는 것에 대한 한계가 있으므로, 향후 연구에서는 다른 복종군에 대한 연구가 필요할 것이다. 둘째, 본 연구는 브랜드의 전속 모델 활동 기간을 기준으로 분석 기간을 설정하였기 때문에 다소 짧은 기간의 데이터를 분석하였다. 따라서 향후 연구에서는 장기적 측면의 분석이 가능할 것으로 보이며, 모델 간의 비교 또한 이루어져야 할 것이다. 셋째, 본 연구에서는 웹 검색량과 블로그 정보량의 수치 데이터를 활용하여 분석을 진행하였으므로, 소비자의 세세한 감정까지 파악하는 것에 한계가 있다. 따라서 향후 연구에서는 대중 및 소비자들의 구체적 리뷰 및 감정 정보를 분석할 수 있도록 텍스트마이닝을 통한 분석이 진행되어야 할 것이다. 마지막으로 본 연구에서는 주차별 데이터를 활용하여 단기적 측면의 마케팅 효과를 검증하였다. 향후 연구에서는 월별, 분기별, 연도별의 장기적 측면의 분석과 일자별, 요일별 분석이 진행된다면 소비자의 다양한 트렌드를 보다 구체적으로 파악할 수 있을 것이며 이를 통해 마케팅 전략에 도움이 되는 결과를 도출할 수 있을 것으로 사료된다.;Today, in a face of intense competition, companies are striving to make their images more positive in consumers' perception. Corporate marketing activities play an important role in bringing brand images to consumers living in a flood of infinite information caused by pervasiveness of internet and mobile service. In particular, various marketing activities based on communication with consumers are being developed, and the result of these marketing activities is stored in consumer memories can be recognized differently. Big Data has attracted attention in the 4th industrial revolution era and is used throughtout many companies and academic fields. Recently, massive data analysis such as web search information and social media has become an index that can grasp recent issues and changes in people's interest, and consequently, attempts to read social phenomena and consumption trends are increasing. This is a very important issue in the fashion industry which is subject to rapid changes and trend-sensitivity. However, most fashion companies still make marketing and management decisions only depending on past sales experiences or empirical thoughts. As the fashion industry is increasingly demanding customer satisfaction and segmentation, a plan must be made to utilize Big Data such as web or social media information. The purpose of this study is to identify factors influencing sales of fashion brands, and to propose a sales forecasting model that combines company's internal data and external social Big Data. The specific purpose of this study are as follows. First, the effect of web search volume on sales is examined. Second, the effect of blog information on sales is examined. Third, the effect of advertising model on sales is examined. Then finally, a forecast model of fashion brand sales is proposed. The current study was carried out through time series analysis, which is one of the Big Data analysis methods. Particularly for this study, ARDL(Autoregressive Distributed Lags) model, among others, was used to derive the results. The ARDL model is a time series model proposed by Pesaran & Shin (1999) and Pasaran et al. (2001) and is a forecast time series model in which past values of both dependent and independent variables are simultaneously used as explanatory variables. A domestic casual brand ‘A’ is selected for analysis. The data used in the analysis consist of 90 weekly data from April 2016 to December 2017, and six variables were used as analysis variables: sales of brand ‘A’, brand search volume, search volume for brand advertisement model, brand information quantity, information quantity for brand advertisement model, and promotion. Search volume data was collected from Google Trends and Naver Trends, and the information quantity was based on the number of blog posts. The final model was adopted through the following analytical methods: unit root test, autocorrelation test of sales, cross-correlation test of sales and independent variables, ARDL estimation, estimated model evaluation and LM test. As a result of the analysis, a final model(no constant) with predictive power of 97.8% was derived and it was shown that past value of sales, brand search volume, model information quantity, and promotion are factors affecting sales forecast. An additional analysis on the daily data demonstrated there exists an inteval of a few days between, consumers' information search behavior and a purchasing juncture. The search was mostly performed on weekdays, and purchase appeared on weekends, the moment when actual sales are generated. The results of this study are summarized as follows. First, as a result of the verification of the model, it was found that brand search volume, the amount of advertisement model information, and the promotion are factors affecting the sales forecast, while the amount of brand information and the advertisement model search volume do not have an influence on the sales forecast. Second, the predictive power of the autoregressive(AR) model of sales, in which the past value of sales is the only independent variable, was 95.8%, and the final ARDL model(no constant) had a predictive power of 97.8%. Although it is possible to make a predict solely based on sales, with other additional factors considered in this study, the model resulted in a higher hit rate, which reduced the error range. Therefore, it is suggested that the factors that are investigated in this research are the factors influencing the actual sales. Third, the correlation coefficient of promotions turned out to be the highest in the regression equation of the final model. This implies that the elasticity of the price promotion is higher than that of customers' personal interest in the brand or advertisement model. Lastly, since the current study's model is suitable for short-term forecasting, these variables can be defined as factors that affect short-term sales. Moreover, an additional analysis showed that search volume, information quantity, and promotions exert influence on sales at intervals of a few days within a week. The main conclusions and implications of this study are as follows. First, research on existing consumer information search behavior was confined to consumers' cognitive aspects or intentions. However, in this study, by expanding the scope of existing consumer information search behavior to the web search volume, we empirically verified the effect of consumer information search. In addition, confirmed the significant predictive power of blog information especially in the current trend where attention to SNS(Social Network Service) is increasing. Second, we investigated that consumers' interest in celebrity advertisement models leads to brand interest, which in turn affect sales. This, in line with previous studies, suggests that we should pay close attention to the selection of an advertisement model of a company or a brand. Lastly, while many industry and academic fields make use of Big Data in their recent studies, the fashion field lacks this line of research. In this scarcity of Big Data research in the fashion field, the current study is meaningful as it has provided a fundamental basis for future studies. In addition, in that this study provides revenue forecasting method by utilizing company's internal data and external social Big Data, this method is expected to better contribute to marketing strategies and organizational decision making processes. Based on the conclusions of this study, suggestions for follow-up research can be derived as follows. First, as this study focused only on one specific casual brand's sales information, future research will need to study other sorts of the fashion field. Second, this study analyzed the data of a short period of time because the analysis period was set based on the duration of the brand advertisement model. Therefore, future studies are expected to conduct long term analyses as well, and draw a comparison between short-term and long-term models and figure out of differences of each advertisement models. Third, since the analysis in this study was conducted using numerical data of web search volume and that of blog information quantity, there is a limitation in grasping consumers' subtle nuances of emotions. Therefore, in future research, analyses through text-mining should be conducted to analyze specific reviews and emotional information of the public and consumers. Finally, this study verified the marketing effect from a short-term aspect by using weekly data. It is suggested that future research analyze the long-term aspects with monthly, quarterly, and yearly data. Furthermore, if the analysis is done with daily data and day-of-the-week data, it will be possible to better understand more various trends of consumers.