A Study on the Strategies of Firm-Generated Content Based on Social Data for Brand Journalism
고객이 친숙한 온라인 환경에서 더욱 능동적이고 선택적으로 정보를 수집하게 되면서 기업 브랜드의 기존 마케팅 수단인 매스미디어의 효과성은 점차 감소하는 추세이다. 이에 따라 업종을 불문한 많은 기업이 자체적인 콘텐츠로 브랜드 스토리를 만들며 고객과 소통하는 ‘브랜드 저널리즘’을 새로운 마케팅 방법론으로 채택하게 되었으며, 구현 수단으로는 온라인 플랫폼 구축비용을 절감할 수 있는 SNS가 주목받고 있다. 한편, SNS를 활용한 기업의 브랜드 저널리즘 활동이 보편화되었음에도 불구하고 고객의 반응을 반영하는 콘텐츠 전략에 대한 논의가 부족하다는 비판이 많다. 기존 연구에서는 SNS에서 기업의 성과를 이끄는 요인으로서 SNS의 기능적 편리함에 주목하였으나, 이는 SNS의 고착화로 인해 더 이상 영향력이 발현되지 않으며 직접적인 콘텐츠 전략에 관한 통찰력을 제시하기 어렵다는 한계가 있기 때문이다.
이에 본 연구는 SNS에서의 성공적인 콘텐츠 전략을 위해 SNS의 기능적 편리함이 아닌 기업 콘텐츠 자체를 연구 대상으로 하며 구체적으로 콘텐츠 인기도의 향상을 연구 목적으로 하였다. 왜냐하면 지속적으로 높은 콘텐츠 인기도는 기업의 자산으로서 실제 수익 창출에 기여하는 반면, 낮은 인기도와 함께 지속적인 고객의 부정적인 인식은 고객 이탈과 매출 하락을 야기하기 때문이다.
본 연구는 콘텐츠 인기도를 높일 수 있는 전략에 관하여 폭넓은 통찰력을 제시하고자, 통계 분석을 통한 콘텐츠 인기도의 선행 요인 탐색과 딥러닝 알고리즘을 활용한 콘텐츠 인기도 예측 모델 설계에 대하여 연구문제를 나누어 수행하였다.
먼저 콘텐츠 인기도의 선행 요인 탐색에 관하여, 기존 연구는 고객의 경험적 가치나 SNS 숙련도의 영향력에 초점을 맞추었다. 이에 대해 콘텐츠 구성과 관련하여 브랜드 메시지 전달에 기여하는 요인 규명의 필요성이 제기되었으나 여전히 논의가 부족한 실정이다. 따라서 본 연구는 콘텐츠의 구성으로부터 이미지 특성, 텍스트 특성, 시간 특성을 정량화한 것을 콘텐츠 구성 특성으로 하고, 각 특성의 하위 요인이 콘텐츠 인기도에 미치는 직접효과에 대해 검증하였다. 또한 콘텐츠의 브랜드 메시지 전달력을 더욱 높일 수 있는 매개요인 탐색의 필요성에 따라, 브랜드 메시지 각인과 브랜드 정체성 형성을 위한 전략적 접근인 콘텐츠 일관성의 매개효과를 실증분석하였다. 이를 통해 실질적인 콘텐츠 구성 전략을 제안하며 분석 방법론으로는 PROCESS Macro Model 4를 활용하였다.
다음으로 콘텐츠 인기도 예측은 고객 경험 파악 및 새로운 비즈니스 모델로서 유용하지만, 구성 방식이 매우 다양한 콘텐츠의 정보를 효과적으로 이해할 수 있는 딥러닝 기반의 하이브리드 모델 설계의 필요성이 꾸준히 제기되고 있는 실정이다. 이에 본 연구는 딥러닝 알고리즘인 CNN의 분류기를 TabNet으로 대체한 하이브리드 모델인 CNN-TabNet을 활용하여 콘텐츠의 이미지, 텍스트, 시간 특성 및 인게이지먼트 특성을 입력 변수로 한 뒤 콘텐츠 인기도를 다중 분류한다. 이때, 비정형 데이터인 이미지와 텍스트는 정보 유실을 최소화하고자 학습 알고리즘을 통해 벡터화 하였다. 이를 통해 개선된 콘텐츠 인기도 예측 모델을 제안하고, 콘텐츠 전략으로서 예측 모델의 활용성을 높일 수 있도록 예측 결과로부터 해석 가능한 인기 있는 콘텐츠 구성 방식을 도출하였다.
연구 수행을 위해 Forbes’ 2020 The worlds’ most valuable brands로부터 선정한 기업이 인스타그램의 글로벌 계정에 발행한 총 5,044개의 콘텐츠를 수집하였으며 변수 추출 및 분석을 위해 SPSS 26.0과 Python 3.8.10을 사용하였다.
연구 결과는 다음과 같다. 첫째, 콘텐츠 인기도 향상을 위해 이미지 표현에는 색상의 밝기 조정을 통한 화질의 개선, 색상의 종류 및 물체의 다양화가 중요한 반면, 텍스트 표현에는 문장 및 단어 길이의 절감과 키워드의 다양화가 요구되며 SNS 이용자의 콘텐츠 발행률이 낮은 시간대를 고려하는 것이 도움이 된다는 것을 확인하였다. 둘째, 이미지의 물체나 텍스트의 주제에 대한 일관적 표현은 브랜드 메시지 각인 효과를 높여 콘텐츠 인기도를 형성할 수 있는 콘텐츠 구성 전략임을 확인하였다.
다음으로 콘텐츠 인기도 예측을 위해 본 연구에서 제안한 CNN-TabNet은 다중입력 CNN뿐만 아니라 신경망 기반이 아닌 머신러닝 알고리즘인 SVM 및 XGBoost 보다 10~40% 가량 높은 예측 성능을 보였다. 또한 CNN-TabNet의 예측 결과로부터 이론적 근거를 토대로 인기 있는 소통성 및 정보성 콘텐츠와 이를 포괄하는 SNS 콘텐츠의 구성 방식을 규명한 결과, 딥러닝 알고리즘의 구조적 단점을 보완하는 방식의 CNN-TabNet이 콘텐츠 인기도 예측에 효과적이며 예측 결과에 대한 해석을 통해 콘텐츠 전략으로서 예측 모델의 활용성을 높일 수 있다는 것을 확인하였다.
본 연구는 기업의 관점에서 콘텐츠를 바라보고, 콘텐츠 구성 방식과 예측 모델 설계에 대해 실증연구하여 콘텐츠 전략에 관한 다각도의 통찰력을 제시함으로써 연구 범위의 확장에 기여한다는 학문적 의의가 있다. 또한 본 연구의 결과는 SNS에서의 브랜드 저널리즘을 위한 경영개선에 기여할 수 있다는 실무적 의의가 있다.
Financial laws and regulations have focused on using capital to detect signs of vulnerability that might lead to future risk of financial instability and to set prudential policies. Therefore, capital adequacy is the core of the financial soundness supervi sion system for risk management. This paper begins by discussing the importance of promoting financial stability by improving the regulation and supervision of financial institution analyses. It focuses on concerns associated with the evolution of capital adequacy standards and the remaining challenges in the current capital adequacy laws and regulations. The paper presents then two empirical studies using machine learning algorithms. Two empirical studies were conducted to predict BIS (Bank for Internation viii al Settlements' capital adequacy ratio) for banks and RBC (RiskBased Capital ratio) for insurance companies. The dataset came from reports prepared by financial companies from March 2008 to December 2019. FSS (Financial Supervisory Service) publishes the data quarterly on the Financial Statistics Information System. For the empirical study, first, the Boruta algorithm was used to find all relevant variables among the many variables. Secondly, key predictors were selected by the variables’ order of importan ce using the RFRFE (Random Forest Recursive Feature Elimination) algorithm. Thirdly, using the key predictors, BIS and RBC were predicted by the deep learning algorithm BRANN (Bayesian Regularized Artificial Neural Networks). BRANN was th L east S e n compared with traditionally used regression models ( quares) and existing machine learning algorithms ( G radient O B rdinary oosting, A daptive B oosting, SVM) to confirm the model's performance. The comparison confirmed that machine learning and deep learning techniqu es have better predictive power than conventional regression analysis. Adaptive boosting showed higher predictive power than other machine learning models. The BRANN model showed relatively stable performance without significant differences in training and test set. This study focused on a variable set that best predicts the financial soundness of the financial sector at the macro level. Lumping 24 insurance companies and 17 banks into a single block implies that they all behave in a similar way. Other rese archers can conduct more sophisticated research by creating derived variables based on the predictors presented in this study and on the correlation between variables that reflect the characteristics and attributes of each financial company. Financial inst itutions can be further divided into homogeneous blocks (e.g., considering clusters), and the scheme used by each institution can be applied (banks are divided into two types by the method of risk calculation [i.e., IRB and standard approach] and insurance companies are classified by the source of capital [i.e., domestic, and foreign firms]). In addition, other researchers can consider a study that uses multiple machine learning methods (e.g., RNN, LSTM, and GRU) as benchmarking models to ensure the superio approach based on sophisticated data preprocessing.
탄소배출권거래제는 기업 및 사업장을 대상으로 연 단위 배출량을 할당하고 부족분 혹은 여분의 배출권에 대해 시장에서 구매 및 판매를 허용하는 제도이. 다이러한 탄소배출권거래제는 탄소중립을 실현함에 있어 효과적인 제도이지만 가격 급변동 등의 문제로 인해 기업이 배출권을 구매하며 발생하는 비용적 . 부담 또한 심각한 상황이다 본 연구에서는 이러한 문제점을 완화할 수 있는 강화학습 기반 탄소배출권 구매 의사결정 최적화 모델을 연구한다.본 연구에서 제안되는 모델은 기존 문헌에 다음과 같은 기여점이 있다 첫 . 번째로 기존에 제시된 탄소배출권 가격 예측 모델에서는 판단하기 어려운 현재 가격의 구매 가치와 적절한 구매 수량을 제시하여 기업의 실질적인 구매 의사결정을 지원한다 이를 위해 . DQN(Deep Q Network)을 기반으로 탄소배출권 구매 의사결정에 최적화된 모델이 제시된다 두 번째로 기존 모델. DQN 의 문제점을 보완하여 평균 보상 획득에 대한 성능을 향상시켰다 해당 모델. 은 특히 변동성이 높은 시장에서 더 효과적인 것으로 측정되어 강화학습 트레이딩 연구 분야에서 변동성이 높은 시장을 대상으로 할 시에 효과적일 것으로 판단된다.제안된 모델의 강건성 및 적합성을 확인하기 위해 상황적 특성이 다른 개 . 4 , 연도에 검증을 실시하였다 검증 결과 변형 모델의 평균 구매 가격은 DQN 1 모두 당해 사분위 값보다 낮은 가격을 달성하였고 기본 모델과 비교해 평균 보상이 각각 137%, 277%, 588%, 837% , DQN . 향상되었다 해당 결과를 통해 본 연구의 모델이 여러 상황적 충격에 강건한 모델이라는 점과 변형 DQN 이 기본 모델의 문제점을 효과적으로 보완하는 것을 확인하였다.
.
허선민, 2023, M.S
.
강민희, 2023, M.S
.
최다예, 2023, M.S
.
박민지, 2023, M.S
.
서수민, 2023, M.S
.
설성호, 2023, PH.D
.
브랜드 저널리즘을 위한 소셜 데이터 기반의 기업 콘텐츠 전략에 관한 연구
A Study on the Strategies of Firm-Generated Content Based on Social Data for Brand Journalism
고객이 친숙한 온라인 환경에서 더욱 능동적이고 선택적으로 정보를 수집하게 되면서 기업 브랜드의 기존 마케팅 수단인 매스미디어의 효과성은 점차 감소하는 추세이다. 이에 따라 업종을 불문한 많은 기업이 자체적인 콘텐츠로 브랜드 스토리를 만들며 고객과 소통하는 ‘브랜드 저널리즘’을 새로운 마케팅 방법론으로 채택하게 되었으며, 구현 수단으로는 온라인 플랫폼 구축비용을 절감할 수 있는 SNS가 주목받고 있다. 한편, SNS를 활용한 기업의 브랜드 저널리즘 활동이 보편화되었음에도 불구하고 고객의 반응을 반영하는 콘텐츠 전략에 대한 논의가 부족하다는 비판이 많다. 기존 연구에서는 SNS에서 기업의 성과를 이끄는 요인으로서 SNS의 기능적 편리함에 주목하였으나, 이는 SNS의 고착화로 인해 더 이상 영향력이 발현되지 않으며 직접적인 콘텐츠 전략에 관한 통찰력을 제시하기 어렵다는 한계가 있기 때문이다.
이에 본 연구는 SNS에서의 성공적인 콘텐츠 전략을 위해 SNS의 기능적 편리함이 아닌 기업 콘텐츠 자체를 연구 대상으로 하며 구체적으로 콘텐츠 인기도의 향상을 연구 목적으로 하였다. 왜냐하면 지속적으로 높은 콘텐츠 인기도는 기업의 자산으로서 실제 수익 창출에 기여하는 반면, 낮은 인기도와 함께 지속적인 고객의 부정적인 인식은 고객 이탈과 매출 하락을 야기하기 때문이다.
본 연구는 콘텐츠 인기도를 높일 수 있는 전략에 관하여 폭넓은 통찰력을 제시하고자, 통계 분석을 통한 콘텐츠 인기도의 선행 요인 탐색과 딥러닝 알고리즘을 활용한 콘텐츠 인기도 예측 모델 설계에 대하여 연구문제를 나누어 수행하였다.
먼저 콘텐츠 인기도의 선행 요인 탐색에 관하여, 기존 연구는 고객의 경험적 가치나 SNS 숙련도의 영향력에 초점을 맞추었다. 이에 대해 콘텐츠 구성과 관련하여 브랜드 메시지 전달에 기여하는 요인 규명의 필요성이 제기되었으나 여전히 논의가 부족한 실정이다. 따라서 본 연구는 콘텐츠의 구성으로부터 이미지 특성, 텍스트 특성, 시간 특성을 정량화한 것을 콘텐츠 구성 특성으로 하고, 각 특성의 하위 요인이 콘텐츠 인기도에 미치는 직접효과에 대해 검증하였다. 또한 콘텐츠의 브랜드 메시지 전달력을 더욱 높일 수 있는 매개요인 탐색의 필요성에 따라, 브랜드 메시지 각인과 브랜드 정체성 형성을 위한 전략적 접근인 콘텐츠 일관성의 매개효과를 실증분석하였다. 이를 통해 실질적인 콘텐츠 구성 전략을 제안하며 분석 방법론으로는 PROCESS Macro Model 4를 활용하였다.
다음으로 콘텐츠 인기도 예측은 고객 경험 파악 및 새로운 비즈니스 모델로서 유용하지만, 구성 방식이 매우 다양한 콘텐츠의 정보를 효과적으로 이해할 수 있는 딥러닝 기반의 하이브리드 모델 설계의 필요성이 꾸준히 제기되고 있는 실정이다. 이에 본 연구는 딥러닝 알고리즘인 CNN의 분류기를 TabNet으로 대체한 하이브리드 모델인 CNN-TabNet을 활용하여 콘텐츠의 이미지, 텍스트, 시간 특성 및 인게이지먼트 특성을 입력 변수로 한 뒤 콘텐츠 인기도를 다중 분류한다. 이때, 비정형 데이터인 이미지와 텍스트는 정보 유실을 최소화하고자 학습 알고리즘을 통해 벡터화 하였다. 이를 통해 개선된 콘텐츠 인기도 예측 모델을 제안하고, 콘텐츠 전략으로서 예측 모델의 활용성을 높일 수 있도록 예측 결과로부터 해석 가능한 인기 있는 콘텐츠 구성 방식을 도출하였다.
연구 수행을 위해 Forbes’ 2020 The worlds’ most valuable brands로부터 선정한 기업이 인스타그램의 글로벌 계정에 발행한 총 5,044개의 콘텐츠를 수집하였으며 변수 추출 및 분석을 위해 SPSS 26.0과 Python 3.8.10을 사용하였다.
연구 결과는 다음과 같다. 첫째, 콘텐츠 인기도 향상을 위해 이미지 표현에는 색상의 밝기 조정을 통한 화질의 개선, 색상의 종류 및 물체의 다양화가 중요한 반면, 텍스트 표현에는 문장 및 단어 길이의 절감과 키워드의 다양화가 요구되며 SNS 이용자의 콘텐츠 발행률이 낮은 시간대를 고려하는 것이 도움이 된다는 것을 확인하였다. 둘째, 이미지의 물체나 텍스트의 주제에 대한 일관적 표현은 브랜드 메시지 각인 효과를 높여 콘텐츠 인기도를 형성할 수 있는 콘텐츠 구성 전략임을 확인하였다.
다음으로 콘텐츠 인기도 예측을 위해 본 연구에서 제안한 CNN-TabNet은 다중입력 CNN뿐만 아니라 신경망 기반이 아닌 머신러닝 알고리즘인 SVM 및 XGBoost 보다 10~40% 가량 높은 예측 성능을 보였다. 또한 CNN-TabNet의 예측 결과로부터 이론적 근거를 토대로 인기 있는 소통성 및 정보성 콘텐츠와 이를 포괄하는 SNS 콘텐츠의 구성 방식을 규명한 결과, 딥러닝 알고리즘의 구조적 단점을 보완하는 방식의 CNN-TabNet이 콘텐츠 인기도 예측에 효과적이며 예측 결과에 대한 해석을 통해 콘텐츠 전략으로서 예측 모델의 활용성을 높일 수 있다는 것을 확인하였다.
본 연구는 기업의 관점에서 콘텐츠를 바라보고, 콘텐츠 구성 방식과 예측 모델 설계에 대해 실증연구하여 콘텐츠 전략에 관한 다각도의 통찰력을 제시함으로써 연구 범위의 확장에 기여한다는 학문적 의의가 있다. 또한 본 연구의 결과는 SNS에서의 브랜드 저널리즘을 위한 경영개선에 기여할 수 있다는 실무적 의의가 있다.
Financial laws and regulations have focused on using capital to detect signs of vulnerability that might lead to future risk of financial instability and to set prudential policies. Therefore, capital adequacy is the core of the financial soundness supervi sion system for risk management. This paper begins by discussing the importance of promoting financial stability by improving the regulation and supervision of financial institution analyses. It focuses on concerns associated with the evolution of capital adequacy standards and the remaining challenges in the current capital adequacy laws and regulations. The paper presents then two empirical studies using machine learning algorithms. Two empirical studies were conducted to predict BIS (Bank for Internation viii al Settlements' capital adequacy ratio) for banks and RBC (RiskBased Capital ratio) for insurance companies. The dataset came from reports prepared by financial companies from March 2008 to December 2019. FSS (Financial Supervisory Service) publishes the data quarterly on the Financial Statistics Information System. For the empirical study, first, the Boruta algorithm was used to find all relevant variables among the many variables. Secondly, key predictors were selected by the variables’ order of importan ce using the RFRFE (Random Forest Recursive Feature Elimination) algorithm. Thirdly, using the key predictors, BIS and RBC were predicted by the deep learning algorithm BRANN (Bayesian Regularized Artificial Neural Networks). BRANN was th L east S e n compared with traditionally used regression models ( quares) and existing machine learning algorithms ( G radient O B rdinary oosting, A daptive B oosting, SVM) to confirm the model's performance. The comparison confirmed that machine learning and deep learning techniqu es have better predictive power than conventional regression analysis. Adaptive boosting showed higher predictive power than other machine learning models. The BRANN model showed relatively stable performance without significant differences in training and test set. This study focused on a variable set that best predicts the financial soundness of the financial sector at the macro level. Lumping 24 insurance companies and 17 banks into a single block implies that they all behave in a similar way. Other rese archers can conduct more sophisticated research by creating derived variables based on the predictors presented in this study and on the correlation between variables that reflect the characteristics and attributes of each financial company. Financial inst itutions can be further divided into homogeneous blocks (e.g., considering clusters), and the scheme used by each institution can be applied (banks are divided into two types by the method of risk calculation [i.e., IRB and standard approach] and insurance companies are classified by the source of capital [i.e., domestic, and foreign firms]). In addition, other researchers can consider a study that uses multiple machine learning methods (e.g., RNN, LSTM, and GRU) as benchmarking models to ensure the superio approach based on sophisticated data preprocessing.
졸업논문링크
박지훈, 2022, M.S.
탄소배출권거래제는 기업 및 사업장을 대상으로 연 단위 배출량을 할당하고 부족분 혹은 여분의 배출권에 대해 시장에서 구매 및 판매를 허용하는 제도이. 다이러한 탄소배출권거래제는 탄소중립을 실현함에 있어 효과적인 제도이지만 가격 급변동 등의 문제로 인해 기업이 배출권을 구매하며 발생하는 비용적 . 부담 또한 심각한 상황이다 본 연구에서는 이러한 문제점을 완화할 수 있는 강화학습 기반 탄소배출권 구매 의사결정 최적화 모델을 연구한다.본 연구에서 제안되는 모델은 기존 문헌에 다음과 같은 기여점이 있다 첫 . 번째로 기존에 제시된 탄소배출권 가격 예측 모델에서는 판단하기 어려운 현재 가격의 구매 가치와 적절한 구매 수량을 제시하여 기업의 실질적인 구매 의사결정을 지원한다 이를 위해 . DQN(Deep Q Network)을 기반으로 탄소배출권 구매 의사결정에 최적화된 모델이 제시된다 두 번째로 기존 모델. DQN 의 문제점을 보완하여 평균 보상 획득에 대한 성능을 향상시켰다 해당 모델. 은 특히 변동성이 높은 시장에서 더 효과적인 것으로 측정되어 강화학습 트레이딩 연구 분야에서 변동성이 높은 시장을 대상으로 할 시에 효과적일 것으로 판단된다.제안된 모델의 강건성 및 적합성을 확인하기 위해 상황적 특성이 다른 개 . 4 , 연도에 검증을 실시하였다 검증 결과 변형 모델의 평균 구매 가격은 DQN 1 모두 당해 사분위 값보다 낮은 가격을 달성하였고 기본 모델과 비교해 평균 보상이 각각 137%, 277%, 588%, 837% , DQN . 향상되었다 해당 결과를 통해 본 연구의 모델이 여러 상황적 충격에 강건한 모델이라는 점과 변형 DQN 이 기본 모델의 문제점을 효과적으로 보완하는 것을 확인하였다.