KR20010101736A - 자극에 대한 인체반응의 시뮬레이션 방법 - Google Patents

자극에 대한 인체반응의 시뮬레이션 방법 Download PDF

Info

Publication number
KR20010101736A
KR20010101736A KR1020017009436A KR20017009436A KR20010101736A KR 20010101736 A KR20010101736 A KR 20010101736A KR 1020017009436 A KR1020017009436 A KR 1020017009436A KR 20017009436 A KR20017009436 A KR 20017009436A KR 20010101736 A KR20010101736 A KR 20010101736A
Authority
KR
South Korea
Prior art keywords
response
model
sample
concept
customer
Prior art date
Application number
KR1020017009436A
Other languages
English (en)
Inventor
홀더글라스비
스탬프제프리에이
스토만크리스토퍼알
Original Assignee
추후제출
리챠드 손더스 인터내셔널
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 추후제출, 리챠드 손더스 인터내셔널 filed Critical 추후제출
Publication of KR20010101736A publication Critical patent/KR20010101736A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0276—Advertisement creation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

기록적이며 관찰가능한 고객 결과를 기초로 하여 자극제에 대한 고객 반응을 시뮬레이팅하는 방법이 제공된다. 본 발명의 실시예는 입력값과 시뮬레이트된 결과 사이의 관계를 미리 가정하지 않고 다수의 소스 입력값으로부터 고객 시뮬레이션의 예측적 결과를 달성하는 일련의 단계를 설명한다. 본 발명은 고객 예측결과가 이루어지는 시뮬레이션 모델의 프레임과정을 실행하는 일련의 단계를 포함한다. 양호한 시뮬레이션 모델을 생성하는데 필요로 하는 여러 모델은 고객 데이터베이스 개발, 자극제 표본개발, 모델 데이터 개발, 모델 구축, 미랙 고객 반응의 시뮬레이션과, 이러한 시뮬레이션의 결과에 기초하여 제안된 작동 코스를 포함한다.

Description

자극에 대한 인체반응의 시뮬레이션 방법{METHOD FOR SIMULATION OF HUMAN RESPONSE TO STIMULUS}
개념, 제품 및 아이디어에 대한 소비자반응(이러한 용어는 가장 넓은 범위로 한정한다)은 우리 생활의 여러 면에 영향을 미친다. 예를 들어, 정책, 교육 또는 지역사회(corporate world)에 대한 효과적인 관리는 소비자 또는 고객에 메시지가 접수된 후 고객이 이에 반응하는 방식에 전적으로 의존한다. 이러한 포인트에서 가장 명확한 용도는 새로운 제품이나 서비스를 개발하는 것이다.
현존의 가장 경쟁력있는 글로벌 기업에 있어서, 어떤 제품 및 서비스가 시장에서 성공을 거둘 수 있을 것이라고 성공적으로 예측할 수 있는 기업은 경쟁력 이라는 매우 중요한 장점을 갖고 있는 것이다. 예를 들어, 만일 회사가 제품을 시장에 6개월 늦게 출시할 경우에 제품 판매로부터 얻는 수익은 상당히 감소하게 되지만, 비용은 초과하여 소요되었지만 시기적절한 제품의 출시는 상술한 정도의 이익감소를 초래하지는 않는다. 이와 마찬가지로, 제품 출시에 있어 리드타임(lead time)의 감소는 새로운 제품, 서비스 또는 개념의 이익창출 가능성을 증가시키는 효과적인 수단이 될 수 있다. 제품의 출시지연에 따른 명확한 결과는 하나의 제품군으로부터 다른 제품군으로 변화될 수 있지만, 이러한 지연이 유리하게 작용하는 것은 결코 아니다.
그 결과, 새로운 제품 및 서비스의 평가[일반적으로, "시장조사(produdct research)" 라고 칭한다]는 새로운 제품의 실패율을 줄이는데 상당히 중요하게 작용한다. 새로운 제품이나 서비스 또는 개념의 바람직함(desirability)에 대해 적절히 실행된 시장조사는 그러한 제품이나 서비스의 성공적인 착수에 주요한 요소가 된다. 이와 같이, 제품이나 서비스에 대해 효율적이고 저비용이면서도 신뢰성이 양호한 조사의 중요성은 제품 또는 서비스의 보다 성공적인 도입으로 나타난다. 불행하게도, 너무 많은 신제품의 실패는 개발단계에서의 불충분한 또는 부주의산 신제품 시장조사에 기인하고 있다.
본 기술분야에서는 소모품이나 서비스의 소비자평가를 수집 및 측정하는 기술에 대해 여러가지 방법이 제안되고 있다. 이러한 방법중 일부는 새로운 제품이나 현존의 제품이 고객 시장에서 어떻게 실행되는 지를 판단하고, 분류하고, 예측하도록 고안되었다. 대부분의 방법은 제공된 제품에 기초한 고객 응답의 수집 및 측정에 이어 고객과의 상호작용의 일부 형태를 필요로 한다. 예를 들어, 고객에게는 설정된 사용지시에 따라 시도하도록 샘플 제품이 제공된다. 따라서, 고객 반응은 제품의 하나이상의 특징에 대한 전체적인 만족 또는 수용을 결정하도록 수정된다. 다른 경우에 있어서, 사용자의 풀(pool)은 그러한 위치로 수집되며; 기재된 요약 또는 제품의 그래픽적 묘사 등의 개념형태로 제품을 도시한다. 그후, 고객은 이에 대한 인상(impression) 또는 판단을 제공할 것이 요구된다. 필요에 따라, 이러한 판단은 제품을 구입하거나 사용하는 각 사용자의 의도와 연관이 있다.
본 기술분야에서 소모품 또는 서비스의 사용자평가를 수집 및 측정하는 가장 널리 공지된 방법에 있어서, 고객은 제품이나 서비스의 일부 형태로 도시된다. 제품개발 사이클의 가장 초기상태인 경우, 이러한 형태는 "개념(concept)"으로 서술된다. 개념 이란 씌어진 설명인 경우 간단하거나 또는, 그래픽적 영상이 구비된 상태로 완성된 광고처럼 정교하다. 다른 경우에 있어서, 짧은 비디오 클립 또는 커머셜(commercial)이 개념으로 사용된다. 또 다른 경우에 있어서, 상기 개념은 개념에 관해 질적인 또는 양적인 질문을 하는 중재자(moderator)에 의해 구두로 통신된다. 이러한 모든 경우에 있어서, 상기 개념은 고객이 반응하고 반응을 이끌어내는 자극제(stimulus)를 형성한다. 대부분의 경우에 있어서, 고객 응답은 제품이나 서비스 개발자에게 고객 선택에 의해 가장 필요로 하는 특징들에 관한 정보를 제공하는 쾌락적 특성이다. 예를 들어, 개발단계에서 특정한 길이에서 종료될 영화를 관람하는 고객은 영화 관람을 위한 요금 지불 가능성을 분류하도록 요청받는다. 마찬가지로, 미래의 고객 또한 새로운 형태의 청량음료에 대한 구입 가능성을 분류할 것이 요구된다. 이러한 두가지 경우에서는 제공된 개념 자극제에 대한 고객의 반응을 측정하는 것이 바람직하다.
개인들로 이루어진 집단이 새로운 제품이나 서비스에 관한 공통의 합의에 도달하기 위해 투표를 하게 되는 촛점집단(focus group)은, 새로운 제품이나 서비스에 대한 성공가능성을 예측하는데 유용하다. 촛점집단 설정에 있어서, 고객은 보여진 제품이나 서비스에 대해 느껴지는 유용성에 대한 인상을 제공하거나 이에 대해 토론한다. 그러나, 촛점집단은 행정적인 실행비용과 경비에 의해 감춰지게 된다. 또한, 촛점집단은 기탄없는 참가자 또는 촛점집단 중재자에 의해 잘못 설명되거나 편향되게 된다.
또 다른 형태의 신제품 조사는 샘플조사(sample survey)의 이용에 달려 있다. 그러나, 신제품이나 서비스 또는 개념에 관한 샘플조사는 통신상의 문제와, 레코딩에러 및 코딩에러에 의해 어려움을 겪게 된다. 전형적으로, 분리된 촛점집단 또는 샘플조사는 각각의 신제품 또는 서비스의 평가를 위해 실행되어야만 한다. 명백히, 이전의 고객 응답의 누적습득(comulative learning)에 접근가능한 모델 이용방법을 제공하는 것이 매우 바람직하다. 이러한 모델은 개발중 개념에 대한 고객 반응을 수집하려는 노력과 비용 및 시간을 요구하지 않고서도 미래 소비자반응의 예측을 위한 수단을 제공한다.
소요된 시간과 비용을 차치하고라도, 표준형의 시장조사 기법으로 경험할 수 있는 여러가지 문제점이 있다. 표준의 시장조사 모델은 미래지향적이기 보다는 과거지향적이다. 종래기술의 시스템에 관련된 또 다른 주요한 단점은 공지된 대부분의 방법은 제안한 제품의 성공을 평가하기 위한 그 어떠한 모델도 동일한 형태이거나 매우 유사한 형태의 제품과 연관된 고객 정보로부터 유도되어야 할 것을 요구한다는 점이다. 예를 들어, 고객에 있어서 스낵제품의 성공을 예측하기 위해서는,새로운 제품이 고객에게 보여져서 종래 데이터와 비교하기 전에, 먼저 다른 스낵제품에 대한 데이터가 수집되어야만 한다. 종래 시장조사 시스템의 실시예가 1992년 6월 23일자로 색(Sack)에게 허여된 미국 특허 제 5.124.911호에 개시되어 있는데, 이러한 특허에 따르면, 동일한 부류로부터의 제품이나 특정한 제품의 복합특징(multi-attribute)은 소비자로부터 수집되며, 동일한 부류를 위한 신제품 개념에 대한 소비자반응에 기초하여 예측이 이루어진다고 개시되어 있다. 이러한 방법과 이와 유사한 방법들은 미래제품 활동에 사용되지 않고 저장되는 상당한 소비자정보 또는 제품정보를 양산한다. 예를 들어, 만일 스낵군을 벗어난 제품이 개발되었다면, "새로운 청량음료" 라고 말하고, 종래의 지식은 기록적인(historical) 청량음료 데이터를 포함한 고객 반응의 새로운 데이터베이스가 상기 새로운 제품을 테스트할 것이 요구된다. 테스트 시간 및 상술한 바와 같은 그 관련비용을 최소화하기 위해, 제품 및 개념의 다른 비관련형태로부터의 데이터에 기초한 개념 수용(concept acceptance)를 시뮬레이트하고 예측하는 방법이 요망되고 있다.
종래기술의 또 다른 단점은 제품 또는 서비스를 필요하도록 계획된 고객군(즉, 목표 청중)에 대해 유효 예측을 시행하는 고객을 억세스하여 테스트하는데 상당한 비용과 시간을 필요로 한다는 점이다. 고객 응답을 수집하려는 이러한 필수불가결의 부가적인 테스트시간은 제품을 개선시키는데 필요로 하는 비지네스 사이클을 연장시키고, 이것은 시장으로의 출시를 상당히 지연시키게 된다. 예를 들어, 1992년 2월 25일자로 다이어(Dyer) 등에 허여된 미국 특허 5.090.734호에는 주간 단위로 가정에서 사용하기 위한 제품을 고객이 선택할 것을 요구하는 일련의 사이클 또는 웨이브(wave)로 고객이 제품 개념을 도시하는 방법이 개시되어 있다. 제품 개발의 이와 같은 비지네스 사이클을 증속시킬 수 있는 방법이라면 상당한 전략적 장점을 발휘한다는 것을 쉽게 알 수 있을 것이다.
시장에서 신제품의 성공에 대한 개념수용이 매우 중요하기 때문에, 새로운 제품이나 서비스에 대한 개인적인 또는 집단적인 반응을 예측할 수 있는 모델의 개발에 관심이 집중되고 있다. 서술되는 바와 같이, 본 발명의 방법은 시장 시뮬레이션의 문제에 관한 적용은 무시해도 좋은 분석기법을 사용하여 개념에 관한 반응을 평가하는 매우 강력한 시스템을 제공한다.
본 발명의 방법은 고객 조사의 분야에서는 매우 상이한 접근방법이다. 일부 경우에 있어, 본 발명은 고객 조사를 대체할 수도 있다. 또한, 본 발명의 방법은 개념이 조사할 가치가 있는지를 결정하기 위해 고객 조사 이전에 사용될 수 있다. 이러한 두가지 경우에 있어서, 격별한 장점으로는 본 발명에 따른 방법의 실행에 의해 얻어지는 급속한 사이클시간을 들 수 있다. 예를 들어, 평균 조사시간을 위한 국가 조사(national survey)에 따르면, 새로운 아이디어를 새로운 제품/서비스 아이디어 개발 파이프라인에 승인하고 배치하는데는 약 17.2주가 걸린다(앤더슨 컨설팅 1997). 본 발명의 방법은 이러한 처리가 수분 또는 수시간에 완료될 수 있게 한다.
전통적인 시장조사 기법에서는 실질적인 고객 응답데이터가 수집되며, 이러한 데이터는 다양한 수학적 기법에 의해 고객반응을 예측하는데 사용된다. 처리관점에서 볼 때, 고객은 일부 자극제의 형태로 도시되며, 그리고 이러한 자극제에 관한 질문을 한 후, 고객의 실제반응에 대한 그 관련의 질문이 연산된다. 따라서, 제기된 조사질문에 연관된 변수에 대해 고객기본형 결론을 유도하기 위해 고객 노출 요구사항(customer exposure requirement)이 있다. 인정된 결론은 질문한 것과 이러한 질문에 대한 고객의 응답 사이에 존재한다. 일부 경우에 있어, 잠재적 변수를 확인하기 위해 변수와 이러한 변수에 대한 응답을 조합하여 요소분석이 사용되지만, 이러한 잠재적 변수는 거의 작동화되지 않으며, 동일한 개념의 제2평가에 대한 새로운 데이터의 수집에 의해 직접적으로 분석되지 않는다.
이와는 달리, 본 발명의 방법에 따르면, 고객반응은 과거의 제품 및 서비스에 대한 기록적인 그리고 기록적인 서술에 기초하고 있다(제품과 서비스가 새로운 것이고 이와 동시에 평가되었다 하더라도). 본 발명은 과거 소비자 응답의 이면에서 우발적 요소인 것으로 가정되거나 공지된 것으로 추론되는 질문 및 측정 세트를 사용하며, 상기 요소는 관찰중인 현재 개념에 대한 범위를 변경하는데 적용된다. 기록된 개념에 대한 요소 자체와 이러한 요소가 현재 개념에 제공되는 범위 사이의 관계는 아직 고객에게 노출되지 않은 신개념의 비지네스 결론에 관한 결말을 예측하기 위해 사용된다. 이를 요약하기 위해, 오늘날 사용하고 있는 시장조사 방법은 고객중심형인 반면, 본 발명의 개념은 개념중심형이다.
본 발명의 다른 특징은 본 발명의 방법에 따른 아티피셜 위즈덤(Artificial Wisdom)™의 개발 및 사용이다. 본 발명의 새로운 개념중심형 처리 패러다임은, 실질적인 고객 반응을 수집할 필요없이, 특정한 자극제에 관해 유출된 종래의 기술이나 결론을 고객 결과 세트에 사용하기 위한 수단으로서 아티피셜 위즈덤™으로불리워진다. 이러한 접근방식은 단체 데이터베이스의 지적자본 가치와 전체 조사과정을 개선시킨다. 환언하면, "위즈덤"은 과거 경험에 기초하여 새로운 상황을 양호하게 결정할 수 있는 능력이다.
종래의 시장조사 또는 시장 시뮬레이션 기법대신에 본 발명을 사용하게 되면 다양한 장점을 얻을 수 있다. 예를 들어, 본 발명은 데이터 수집 및 분석 속도가 상당히 증가되었다. 본 발명의 방법을 사용하므로써, 새로운 아이디어가 수분안에 평가되어 예측이 이루어질 수 있다. 그 결과, 현재 1주 내지 3달 또는 이보다 더 오랫동안 실행되고 있는 종래 조사방법 보다 상당히 빠른 테스트 및 습득사이클을 실행할 수 있다.
개선된 테스팅 및 습득사이클과 함께, 본 발명의 처리속도는 수많은 아이디어를 고려할 수 있게 한다. 연구에 따르면, 한가지의 이익창출 성공을 개발하기 위해 3000개 이상의 초기 아이디어가 요구되며, 평가속도의 증가는 단위시간당 보다 많은 이익창출 아이디어를 개발할 수 있게 한다[스티븐스 에이 앤 버리 제이(1997), 3000 초기 아이디어= 1상업적 성공,조사 및 기법관리, 40, 16-27]
본 발명의 또 다른 장점에 따르면, 수집된 고객 데이터 세트로부터 추론될 수 있는 부가의 정보는 관리자로 하여금 감정적인, 구매동기적인, 그리고 희망적인 표본 드라이버를 표현하기가 어렵다는 것을 확인하는 것과 마찬가지로, 비지네스 판단을 확인하고 입증할 수 있게 한다. 본 발명의 또 다른 장점은 테스트과정에서 고객의 요소를 제거하므로써 상당한 비용절감이 실현될 수 있다는 점이다.
본 발명의 다른 장점에 따르면, 종래 기술과는 달리 새로운 제품 및 서비스의 개발에서 보안이 상당히 강화된다는 점이다. 이러한 보안은 이들을 공중(公衆)에 노출시키지 않고 소유개념이 평가되기 때문에 달성될 수 있다.
본 발명의 방법은 전통적인 시장조사 기법을 대체하기 위한 것이 아님을 인식해야 한다. 오히려, 본 발명은 전통적인 새로운 개념발전 및 고객 테스트처리에 시간과 비용과 노력이 소비되기 전에, "예비고객 필터(pre-customer filter)"로서 작용하므로써 성공에 대해 양호한 효율성과 개선된 개연성을 제공하여 종래의 처리과정을 강화하기 위한 것이다.
본 발명은 자극에 대한 개인의 반응이나 집단의 반응을 예측하기 위한 방법에 관한 것으로서, 특히 제품, 서비스 또는 기타 다른 개념에 대한 개인적 또는 집단적 반응을 가정하고 이를 예측하기 위해 기록적 관찰 및 반응을 사용하는 모델을 사용하는 방법에 관한 것이다.
도1은 본 발명의 자극제에 대한 휴먼 응답을 시뮬레이트하는 방법에 따른 일련의 단계를 도시한 흐름도.
본 발명은 개념 자극제에 대한 고객반응의 시뮬레이션을 위한 처리과정을 서술하고 있다. 이러한 방법에 의해, 고객반응을 구하기 위해 시간과 비용을 투입하지 않고서도, 일단 모델이 개발된 후 새로운 개념의 신규한 평가가 이루어질 수 있다. 특히, 본 발명의 방법은 축적된 고객반응을 다양한 제품 및 서비스에 시뮬레이트하고, 개념 제품군의 내외부에서 서비스하고, 미래고객 쾌락 행위를 예측하는 제품이나 서비스 아이이어의 내용을 설명하는 모델을 생성한다. 상기 모델은 자극제에 대한 고객응답을 함유한 현존의 데이터베이스에 부가의 생명력을 제공하는 능력을 갖는다.
본 발명의 방법은 서로 합쳐져서 본 발명의 방법을 포함하는 여러 단계(여기에서는 "프레임"이라 칭한다)를 필요로 한다. 본 발명은 고객 평가 및 예측 분야의 숙련자에 명백한 다양한 제품 및 서비스군(정책적 및 교육적 메시지와 같은 비전통적 "고객" 통신을 포함하는)에 대한 유틸리티를 포함하며, 양호한 실시예와 이에 대한 적용은 단지 예시적인 것에 지나지 않는다.
본 발명의 제1단계 또는 제1프레임에는 주관적인 고객(subjective customer) 응답의 데이터베이스가 저장된다. 넓은 의미에서, 이러한 데이터베이스는 다른 고객의 판단을 두드러지게 하는 통신 기록으로 이루어져 있다. 이러한 데이터베이스는 유사한 또는 상이한 부류의 제품 또는 서비스개념으로 구성되어 있다. 여기에서 사용된 "데이터베이스"는 주어진 입력으로부터 직접 측정되었거나 또는 어떠한 간섭 방법으로 연산되거나 변형된 고객정보의 수집으로 언급된다.
상기 데이터베이스는 종래의 조사 연구에 의해 얻어지거나 또는 본 발명에 사용하기 위해 특별히 개발될 수 있다. 이러한 데이터베이스의 개발은 본 기술분야의 숙련자에게 널리 공지되어 있으며, 여러 소스로부터 유추될 수 있다. 일반적으로, 상기 데이터베이스는 상당히 많은 자극제로부터 유도된 새로운 제품이나 서비스에 대해 대표적인 고객으로부터 응답을 갖는 것이 바람직하다. 자극제는 고객에 의해 상호작용할 수 있는 관심물과 연관있는 생성물로 한정되며, 이에 의해 고객은 판단 또는 판단에 대한 의견을 제공할 수 있다. 이것은 씌여진 개념, 스토리 보드(story board), 낱말 설명, 비디오 커머셜, 라이브 데몬스트레이션(live demonstration), 사운드 기록, 인터넷 메시지, 프린트 광고, 스테이지 쇼의 라이브 및 오디오/시각적 리프리젠테이션, 연극 또는 영화 제작을 위한 대본, 또는 기타 고객응답이 측정될 수 있는 복합개념(construct)을 포함한다.
데이터베이스에 포함되어 있는 주관적인 입력데이터를 제공하기 위해, 고객은 자극제를 보고, 0 내지 10줄 정도의 미리 설정된 분량으로 특정화된 다양한 질문에 응답한다. 고객응답은 호감, 관심, 구입의지, 사용 강도, 유틸리티 인지, 신뢰도, 이해, 회상 또는 기대 등과 같은 합리적인 또는 쾌락적인 요소 형태를 취하는 다수의 질문으로부터 수집된다. 구성된 데이터베이스의 한가지 요구사항은 자극제에 대한 각각의 고객 응답세트 사이에는 공통적으로 가변적인 적어도 하나의 응답이 있다는 점이다. 예를 들어, 데이터베이스내의 각각의 고객이 "구입호감도"에 연관된 질문에 대답하는한, 데이터베이스는 본 발명의 방법에 사용될 수 있다. 본 발명에 사용하기 위한 최종적인 데이터베이스는 단일의 공통 응답요소가 제공되는한 시장 유사성(market similarity)을 특정화하지 않고서도, 다양한 범주나 부류의 아이템으로 구성될 수 있다.
각각의 자극물은 동일한 고객수로 보여질 필요는 없다. 각각의 아이템 또는 자극제는 최종 데이터베이스에서의 데이터기록으로 간주될 수 있다. 만일 적절한 데이터베이스가 이미 존재할 경우에는, 굳이 새로운 데이터베이스를 구성할 필요가 없다. 본 발명의 양호한 실시예는 현존의 데이터베이스에 부가적인 통찰력을 제공한다.
본 발명의 제2단계 또는 제2프레임에서는 제1프레임으로부터의 데이터베이스가 관찰되고, 관찰가능한 일련의 개념 "표본"이 그 내부에 포함된 자극제로부터 발생된다. "표본"은 고객응답에 있어서 자극제에 관한 기본적인 주장에 기초한 표현으로서, 이들은 고객행위의 예측을 도와주는 결정요인이다. 표본은 감정적 표본과 마찬가지로, 이성적 표본도 포함한다. 또한, 표본은 감정적 통신에 대한 이성적 통신레벨과, 제품의 신뢰성에서 설정된 브랜드상표의 사용충격과, 광고의 실행영상과, 정치후보자 신뢰성의 출판물 충격 등을 칫수로 측정하는 관련소자이다.
표본은 일반적으로 일부 사건의 존재나 부존재 또는 클레임을 정량화한다. 환원하면, 표본은 인식된, 공지의 필요로 하는, 가상의, 의심쩍은 자극제의 특성으로서; 이러한 특성은 자극제와의 고객 상호작용을 위한 토대가 된다. 표본은 고객 인지, 행위, 어떤 것에 대한 전문가 지식, 또는 자극을 형성하는 제안된 결과의 리프리젠테이션이다. 양호한 실시예에서, 이러한 표본은 고객 자신에 의해 이루어진 코멘트로부터 유도된다. 다른 양호한 실시예에서, 표본은 심사숙고중 자극제의 특수한 특징을 갖는 제품 개발자에 의해 특정화된다. 생성된 표본은 데이터베이스에 포함된 모든 데이터 기록에 연관될 필요는 없다. 이러한 프레임의 개발시에는 표본과 데이터기록 사이의 연관에 대한 상태를 가정할 필요가 없다. 표본의 선택은 정량화될 수 있는 다수의 결정 특성을 생성한다. 사용할 수 있는 표본의 실시예는 새로운 제품에서 공공연한 고객 이익의 형성 및 변화, 새로운 제품에 실질적인 이익이 존재하는 것을 믿는 진실한 이유, 새로운 제품과 종래 제품간의 차이점 또는 "독특함" 등을 포함한다. 주어진 자극 데이터베이스를 위해 개발될 수 있는 표본의 갯수는 한정되지 않는다. 환언하면, 상기 방법은 본 기술분야의 숙련자에게 유용한 개념에 실제로 할당될 수 있는 복합 결정의 갯수에 대한 유틸리티를 갖는다.
한정된 각각의 표본을 위해, 제공된 자극제의 설정형태를 정량화가능한 또는 정수화가능한 필요로 하는 표본의 리프리젠테이션으로 변환시킬 규칙 세트(rule set)가 필요하다. 이러한 규칙 세트는 표본기준세트에 대한 휴먼 평가 판단이나 표본의 장치 단위[즉, 플레시-킨케이드 판독성 스케일(Flesh-Kincade readabilityscale)]에 의해 이용될 수 있다. 본 기술분야의 숙련자에 의해 측정 및 설명가능한 스케일 외에 어떤 형태의 스케일이 특정화되어야 한다는 요구사항은 없다. 이러한 스케일은 리커트 스케일(3, 5, 7 박스), 쥬스터(juster)(7, 9 또는 11 포인트 연속한 스케일), 범위형(예, 아니오), 정착된 디스크립터(descriptor)를 구비한 연속한 스케일을 포함할 수 있다.
제3프레임은 이전의 프레임으로부터 선택된 표본에서의 데이터 수집을 특정화한다. 양호한 실시예에서, 표본은 본래의 자극제를 관찰한 고객에 의해 평가되지 않는다. 여러 경우에 있어서, 이러한 고객은 자극제와의 또 다른 상호작용에 더 이상 사용할 수 없다. 이 경우, 자극제는 하나이상의 평가자(rater)에 의해 평가되며, 상기 평가자는 각각의 개념에 존재하는 표본의 범위를 판단한다. 상기 평가자가 사용되었을 때, 표본은 설정의 규칙에 따라 평가되거나 정량화된다. 본 기술분야의 숙련자라면 보정과 신뢰성 및 객관성에 대한 평가자의 성능을 평가할 수 있을 것이다. 그후, 표본 데이터베이스는 고객이 자극제에 어떻게 응답할지를 예측하는 자극모델을 생성하기 위해 고객 데이터베이스와 조합된다.
제4프레임은 자극 데이터베이스에 포함된 고객 결과와 표본 사이의 관계를 발견하기 위해 필요로 하는 모델링 방법을 특정화한다. 표본과 고객응답 사이의 관계를 유도하거나 모델링하기 위한 이러한 단계는 보다 일시적인 예측방법(예를 들어, 인위적인 네트웍, 유전적 알고리즘, 및 퍼지 로직 제어시스템)과 함게, 표준형 유니바리에이트(univariate), 비바리에이트(bivariate) 및 복합바리에이트 통계적 방법의 조합[예를 들어, 횡단-좌표, t-테스트, 아노바(ANOVA), 상관관계, 퇴화,요소분석, 구조식 모델링)을 포함한다. 일실시예에서, 모델을 구축하기 위한 접근방법은 데이터베이스에서 개념에 대한 고객응답에 최적으로 연관된 표본을 선택하는 것이다. 또 다른 양호한 실시예에서, 규칙중심형 또는 케이스중심형 추론과 같은 전문가형 모델도 고객응답과 특정화된 표본 사이의 관계를 추론하는데 사용된다. 신경망이나 기타 다른 통계적 모델의 사용에 관한 숙련자라면 시뮬레이션 정밀도에 적합한 유사 에러측정이나 적절함의 우수성을 설명하기 위해 유도된 모델에 대한 필요성을 인식할 것이다.
본 발명의 방법은 제5프레임을 포함하며, 이러한 제5프레임에서는 주어진 개념에 대해 잠재적인 상대적 성공에 대한 판단이 이루어진다. 이러한 판단은 시장실현성, 개인적 기대, 또는 기타 다른 결정이 이루어질 수 있는 한정된 벤치마크와 같은 기준에 의해 설정될 수 있다. 가장 공통적인 클레임(claim)은 개념의 성공가능성 예측을 분배하는 시스템이다. 본 발명의 방법은 결과의 조기 프레임으로부터 유도된 결론에 반응하거나 이를 설명하는 해결책을 특정화하기 위한 일부 작동기준을 포함한다. 이것은 10개의 새로운 개념을 평가한 후, 이들을 최상위부터 최하위까지 분류하고, 고객 조사를 실행할 작동기준을 통과할 때 상위 3개를 선택하면 된다. 반복적인 사이클 처리에서는 개념개발자에게 테스트된 개념을 어떻게 강화시킬지에 대한 안내를 제공하도록 설계된 표본 벡터의 수집시 피드백을 제공하는 단계를 포함한다. 표본 벡터는 성공가능성을 예측하는데 도움이 되도록 수학적으로 조립된 표본의 집합체이거나 또는 개념을 강화하기 위한 진단 피드백이다. 예를 들어, 믿을 수 있는 이유에 대한 낮은 점수는, 믿을 수 있는 강한 이유를 갖는 소스데이터로부터의 개념에 기초하여 믿을 수 있는 이유를 증진시키기 위해 일련의 제안을 촉진시킨다.
동작기준이 취하는 형태에 관계없이, 이러한 단계는 사이클 개발시간을 빠르게 하고 업무지향적으로 결정하게 하는 피드백 시스템을 제공한다. 따라서, 새로운 개념 자극제가 평가되고, 소비자 응답은 전통적인 고객개념 테스트의 시간의 일부로 예측된다. 이것은 표준형 제품개념이 시장에 출시되기 전에 변형되거나 최적화되게 한다. 본 발명의 프레임 또는 단계가 상술한 바와 같이 이루어졌다 해도, 이러한 단계가 특정의 순서를 따라 실행되어야 할 필요는 없다. 예를 들어, 모델이 설정되고, 새로운 개념이 도입되어 예측된 결과에 대해 평가된 후, 개념은 부가되고, 변화되며, 삭제될 필요는 없으며; 처리는 반복될 필요가 있다. 또한, 만일 모델로부터의 제안에 기초하여 이루어진 동작이 유익하지 않은 것으로 판명되었다면, 소스 데이터베이스로부터의 개념 선택은 변경될 필요가 있으며; 표본을 조정되어야 하고, 새로운 모델이 구축되어야 한다.
상술한 바와 같이, 본 발명은 새로운 제품이나 서비스에 대한 개발사이클의 속도를 상당히 증진시키는 유틸리티를 제공하며, 종래의 고객습득을 포획하여 이를 다른 제품이나 서비스군에 적용하는 처리를 제공한다.
본 발명의 기타 다른 목적과 특징 및 장점은 첨부된 도면을 참조한 하기의 상세한 설명에 의해 보다 명확하게 이해될 것이다.
도1은 본 발명의 양호한 실시예를 상세히 도시하고 있다. 본 발명은 고객 반응을 자극제를 고객에 노출시키기 전에 평가되어야 할 새로운 또는 "타겟(targe)" 제품, 서비스 또는 개념을 시뮬레이트하는 방법을 제공한다.
본 발명은 쾌락적인 고객반응과 연관된 기본적인 결정요인에서 정보를 제공하고, 이를 제품군을 벗어나서 다양한 제품에 연관시키는, 특정의 유틸리티를 갖는다. 이러한 "프레임"에 서술된 방법의 부가적 유틸리티는 제품에 대해 기록된 고객 반응에 의해 드러날 때, 제품 "위즈덤"을 효과적으로 포획하여 사용하는 처리와 관련이 있다.
본 발명은 다양한 개념에 대한 개인적 또는 집단적 반응을 예측하는데 사용될 수 있다. "개념"이라는 용어는 자극제의 한 형태로서, 촉지가능한 또는 촉지불가능한 존재 또는 아이템을 언급하고자 하기 위한 것이며, 이에 의해 소비자 반응을 결정하거나 예측할 수 있다. 예를 들어, 개념은 음식 및 음료, 종이제품, 건강 및 미용 보조제, 의약제품, 세탁물 및 클리닝 물품, 화장품, 책, 영화, 음성녹음 및 기타 촉지가능한 또는 촉지불가능한 소비자 소매품 등과 같은 제품을 포함할 수 있다. 개념은 또한 경제적 서비스, 부동산 서비스, 법률서비스 및 기타 촉지가능한 또는 촉지불가능한 소비자 서비스 등과 같은 서비스도 포함할 수 있다.
제품이나 서비스에 대한 정보는 "통신가능한 정보"를 사용하여 개인에게 전달될 수 있다. 상기 "통신가능한 정보"라는 용어는 개인 또는 장치에 의해 전송되거나 인식될 수 있는 개념에 대한 정보를 의미한다. 통신가능한 정보는 5개의 감각(예를 들어, 시각, 청각, 촉각, 후각 및 미각)중 어느 하나를 사용하므로써 인식되며, 장치인 경우에는 스캐너(예를 들어, 컬러, 콘트라스트, 휘도, 패턴 인식)와 텍스트 및 사운드(즉, 음성인식)의 프로그램분석(예를 들어, 판독성 인덱스, 문법 및 스펠링 체크)으로 "통신가능한 정보"를 포획할 수 있다. 또한, 통신가능한 정보는 사진, 시청각정보, 촉각 또는 후각 자극제를 포함할 수도 있다. 그러나, 전형적으로, 개념에 대한 정보는 개념의 축어적(逐語的) 설명(예를 들어, 가격, 특성 등등)과 마찬가지로, 그림을 포함하는 개념에 대한 광고에 의해 개인에게 이송될 수 있다. 따라서, 상기 통신가능한 정보는 개인에게 전송되는 개념에 대한 누적적 메시지를 나타내며, 이것은 다수의 메카니즘을 사용하여 이송된다.
본 발명의 초기 프레임은 "소스 개념" 또는 시장에 제공하기 위해 현재 제안되고 있는 제품이나 서비스에 속하는 주관적인 "반응 정량자(reaction quantifier)" 또는 질문에 대한 고객응답의 데이터베이스를 필요로 한다. 본 발명은 이미 수집된 고객데이터에 확장된 가치를 제공하도록 설계되었다. 때때로, 이러한 주관적 고객반응 데이터가 수집된 후에는 제품에 직접 적용할 수 있는 고객 시장의 설명을 위해 사용될 뿐이다. 이와는 달리, 본 발명의 실시예는 존재하고 있는 광범위하게 수집된 고객 데이터를 사용하며, 이러한 데이터에는 예측적 시뮬레이션을 위한 수많은 제품이 포함되어 있다. 본 발명의 실시예에 있어서, 광범위한 제품군으로부터의 약 4000개의 제품 및 서비스 개념은 여기에서 서술되는 방법에 의한 시뮬레이션 모델을 개발하기 위해 사용되었다. 또한, 시뮬레이션 모델은특정한 제품군에서 100개의 개념으로부터 개발되었다. 본 발명에 사용하기 위해, 데이터베이스에서의 모든 개념은 개념에 대한 주관적인 소비자 반응을 측정하는데 사용된 적어도 하나의 공통 응답을 갖는다. 예를 들어, 데이터베이스에 사용된 각각의 개념은 "구입하시겠습니까" 또는 "이것을 좋아하십니까" 등으로부터 파생된 "구입 관심도" 점수와 같은 공통의 주관적 응답변수를 갖는다. 다른 응답변수로는 예를 들어 시도하려는 희망(desire to try), 시청관심도, 시도하겠습니까, 지나간 영화 또는 연극의 티켓 판매, 정치후보자에 대한 과거 투표율, 텔레비젼 쇼 순위, 광고 설득, 광고 회상, 고객만족, 친구 또는 자극과의 상호작용하는 다른 고객에게의 추천 등이 포함된다. 이러한 공통적인 고객 응답은 미래 시장 시뮬레이션에서 필요로 하는 특성이 될 수있다.
본 발명의 방법을 사용하는 사용자는 다양한 기법으로 하나의 공통 응답요소에 도달할 수 있다. 즉, 분리된 그리고 독특한 데이터베이스로부터 2개 이상의 변수를 취하고 이들을 새로운 공통 단위(common measure)로 조합하는 표준화 또는 전환기법의 일부로서 생성될 수 있다. 예를 들어, 공통 단위는 분리된 데이터베이스로부터 2개의 변수 분배가 100개의 동일 주파수 집단으로 각각 절단되는 백분율을 이용하여 생성된다. 따라서, 두 변수는 동일한 크기를 가지며, 각각의 값은 그 각각의 백분율에 따라 비교할 수 있다.
일단 데이터베이스가 수집되었다면, 텍스트 및/또는 시각적 입력값을 수학적 입력값으로 변화하기 위해 사용되는 디스크립터(표본) 세트를 선택하는 단계(제2프레임단계)가 이어진다. 이러한 전환은 각각의 개념에 존재하고 있는 다양한 특성과 표본을 케이스 바이 케이스방식으로 평가하므로써 이루어진다. 예를 들어, 표본은 "통신제품 이득"(즉, 제품 이득이 얼마나 강력하게 이송될 수 있는가?)를 설명한다. 표본이 확인된 후에는 크기가 정해지고, 종료점(endpoint)이 형성된다. 본 발명의 일실시예에서, 컴퓨터 인터페이스에는 이미 커다란 표본이 설정되어 이에 포함되었다. 사용자는 특정한 연구에 사용되는 이러한 표본을 선택한 후 그러한 선택을 기초로 하여 자동화 모델을 구축한다.
표본의 수집은 사용자 한정형이거나 경험적 형성형으로 이루어진다. 실제로 표본은 무한정이다. 그러나, 표본의 선택은 그 예측값에 의해 제어된다. 예를 들어, "달의 형상(phase of moon)"은 가능한 표본이지만, 새로운 차량의 구입을 포함하는 시장 시뮬레이션 문제에서는 약간의 예측값을 갖는 것이 바람직하다. 따라서, 선택된 표본은 연구된 특정한 시장 문제에 연결된 즉각적인 감정이다. 각각의 특정화된 표본의 설명과 서술도 이와 마찬가지로 중요한 사항이다. 예를 들어, 고객 이득은 고객의 희망과 필요를 제공하는 이득으로 서술될 수 있다. 상이하게 서술하였지만, 개선, 강화, 또는 고객의 수명을 변경시키기 위해 이득을 나타내는 제품은 제품이 하려고 하는 질문에 대답하는 것이다. 유용한 것으로 판명된 부가의 표본은 제품이 그 약속된 이득을 분배할 "믿는 이유" 이다. 신뢰성은 대부분의 개념에 있어서 상당한 취약점이기 때문에, 이러한 표본은 고객이 이득이 실제로 분배되었다는 것을 어떻게 인식하는 지를 특정하는 것이 중요하다. 다른 유용한 표본은 새로운 제품이나 서비스가 현존하거나 시장에서 유용한 "차이점" 또는 독특함을 나타내는 정도(degree)이다.
주어진 개념의 복합 평가자(multiple rater)가 부류처리중(제3프레임) 일치도를 유지하는 것을 보장하기 위해 명확한 표본 한정을 제공할 필요가 있다. 얼마나 많은 평가자가 개념을 객관적으로 평가하는지는 필요가 없지만, 동일한 수치적 경계를 평가할 필요는 있다. 상기 평가자는 각각의 표본 디스크립터에 대해 특정화된 가이드라인을 사용하여 개념을 객관적으로 평가하는 개인으로 한정된다. 복합 평가자가 개념을 평가할 때, 동일한 개념에 대한 평가자 동의(일치도)는 모델 구축전에 결정될 필요가 있다. 평가자 동의 결정은 적절한 데이터 컨디셔닝과 적절한 특성 보정을 위한 제어로서 모델을 개발하기 전에 시뮬레이션에 구축될 수 있다. 자극제를 필요로 하는 표본의 수치적 리프리젠테이션으로 전환하기 위해 규칙 세트도 사용된다. 상기 규칙 세트는 휴먼 평가자 또는 표본의 자동화 장치 측정부에 의해 적용될 수 있다.
시각적 및/또는 텍스트로부터 수치 형태로 개념 전환 완료시, 본 발명의 차후 단계(재4프레임)는 모델 구축 시스템으로 전체 데이터 세트를 통과시키는 것이다. 이러한 모델 구축시스템은 오디너리 리스트 스퀘어즈(Ordinary Least Squares: OLS) 회귀 모델, 퍼지 로직 모델, 및/또는 신경망 모델, 응답변수의 값에 대한 높은값, 중간값, 낮은값에서 표본의 전체 일람표(tabulation)로부터 백분율 편차를 사용하는 간단한 매트릭스이다. 이러한 기법을 조합하여 이루어진 기법도 사용될 수 있다.
본 발명의 방법은 소매 슬롯팅 피(retailer slotting fee)의 할당에 대한 용도로도 사용될 수 있다. 예를 들어 주어진 년도에, 소매상 잡화업계에 10,000개이상의 새로운 제품이 도입된 것은 드문 사항이 아니다. 새로운 스타킹과 판명되지 않은 제품에 관련된 손실을 완화하기 위하여, 식료품 소매업자는 그들의 가게에 새로운 제품을 진열하기 위해 도매 "슬롯팅 피(slotting fee)"를 자주 부담해야 한다. 주어진 신제품의 성공가능성을 둘러싸고 있는 불확성으로 인해, 식료품 소매업자는 유사한 품목에 대해 동일한 또는 유사한 슬롯팅 피를 부담해야만 한다.
본 발명의 방법은 상세히 서술한 바와 같이 이러한 상황에서 주어진 신제품의 성공가능성에 대한 독립적인 판단을 제공하도록 사용될 수 있다. 식료품 소매업자 연합회는 성공할 것 같지 않은 신제품의 관련 위험성에 대응하는 적절한 슬롯팅 피를 할당하기 위해 주어진 신제품의 성공가능성을 사용한다. 예를 들어, 성공가능성이 높은 신제품은 상당히 낮은 슬롯팅 피를 부담한다. 이와 마찬가지로, 성공가능성이 평균적인 제품은 평균적인 슬롯팅 피를 부담할 것이다. 성공가능성이 낮은 위험한 제품은 높은 슬롯팅 피를 부담한다. 따라서, 본 발명의 방법은 소매상이 신제품의 실패와 연관된 위험을 완화시키기 위한 보다 객관적인 수단을 제공한다. 이것은 식료품 소매업계 뿐만 아니라, 도매상, 브로커, 또는 기타 중간상인이 소매상에 의해 재판매될 제품을 판매하는 소매업(또는 기타 다른) 업계에 적용될 수 있다.
본 발명의 다른 잠재적 용도는 법률시스템이다. 예를 들어, 종래 법정 활동에 대한 기록적인 배심원 반응을 포함하고 있는 데이터베이스가 생성될 수 있다. 이러한 데이터베이스는 언어, 법률 방어(legal defence), 딜리버리(delivery)의 대리인 스타일, 또는 기본적은 법정 세팅에서 배심원에게 노출되는 자극제에 관한 정보들을 포함하고 있다. 본 발명의 방법에 의해, 변호사는 법정 절차나 호의적인(즉, 배심원이 무죄 여부를 찾아낼 것 같은) 또는 비호의적인(즉, 배심원이 유죄 또는 무죄를 찾아낼 것 같은) 자극제를 관찰할 배심원의 개연성을 측정할 수 있다.
상술한 바와 같이, 본 발명의 주요한 특징에 따르면, 특히 유용한 결과를 달성하기 위해 본 발명의 여러 단계가 실행될 필요가 없음을 인식해야 한다. 상황에 따라서, 본 발명의 단계를 실행하는 것은 본 발명의 다른 용도와 비교하였을 때 순서일 상이할 필요가 있다. 예를 들어, 대부분의 조직용에 있어서, "엄지의 조직 규칙(corporate rules of thumb)"이 설정이 수집된 조직 위즈덤 및 사고방식으로 진화하는 것은 희귀한 것이 아니다. 이러한 엄지 규칙은 시간을 두고 개발되며, 갑자기 수집된 조직 위즈덤의 일부가 되기 보다는 일부 예외적인 사건에 의한 것이다. 본 발명의 방법은 조직 위즈덤의 부서를 테스트 및 평가하는데 유용하다.
회사의 경영진이나 기타 다른 사람과의 인터뷰에 의해, 조직 위즈덤의 부서에 대응하는 표본이 먼저 확인된다. 이어서, 각각의 표본 또는 질문을 받는 조직 위즈덤 부서에 대한 기록적인 고객 응답을 확인하기 위해, 서술한 바와 같은 기록적인 고객응답 데이터베이스가 "역전" 형태로 사용된다. 그후, 조직 위즈덤 표본을 데이터베이스의 실제의 기록적인 고객응답과 연관시키는 모델이 개발되어 테스트된다. 이러한 방식으로, 설정의 조직 위즈덤 아이템은 기록적으로 호의적인 고객반응에 일치할 경우 "유효"로 되거나, 또는 이에 대응하지 않을 경우 "무효"로 된다.
하기의 실시예는 고객응답을 필요로 하지 않고 자극제에 대해 본 발명의 방법이 어떻게 판단하는 지를 서술하고 있다. 서술된 실시예는 예시적인 것이며, 본 발명은 이에 한정되지 않는다.
실시예1: 교차표(cross tabulation)에 기초한 간단한
인위적인 위즈덤 시스템
이러한 실시예에서는 음식, 건강, 및 미용으로부터 1,000개의 개념과 서비스가 데이터베이스에 수집된다. 이러한 모든 개념은 이러한 제품의 사용자로서 검증된 대표적인 고객 세트로 테스트된다. 전체 데이터베이스는 0 내지 10의 저스터 구입 가능성 점수로 기록된 "구입 호감도"에 대한 동일한 응답을 갖는다. 이러한 데이터 세트를 위해 고객의 구입동기의 인디케이터로서 작용하는 3개의 표본이 생성되었다. 이러한 표본은 다음과 같다. (1)개념은 이득을 포함하고 있는가?, (2)개념은 믿을 이유를 포함하고 있는가?, (3)개념은 새로운 것이고 상이한 것인가?.
이들 3가지 표본은 스케일의 양단부에서 라벨형 단부 포인트를 구비한 0 내지 10 저스터 스케일상에 분류된다. 모두 1,000개의 개념이 3개의 표본에 대한 판단으로 분류되었다. 이러한 데이터는 각각의 개념에 대해 각 표본의 고, 중, 또는 저 존재(각각 3, 2, 1 로 분류)로 붕괴되고, 구입 호감도의 값은 각각의 개념에 대해 높은 값과 낮은 값으로 붕괴되었다. 데이터베이스에서 각각의 개념에 대한 표본은 높은 구입 호감도에 기여하는 표본의 경향을 찾기 위해 고객 구입 호감도의 값이 제공된 교차표화 된다. 고객 구입 호감도 데이터는 0 내지 10의 저스터상에서 분류되며, 이전의 경험을 기초로 하여 7과 이 이상의 값은 "위닝(winning)" 개념으로 간주한다.
각각의 표본 조합에 대한 위닝 개념의 백분율을 평가하기 위해 간단한 3×3×3 매트릭스가 구성되었다. 예를 들어, 낮은 이득(Low Benifit), 믿기에는 낮은 이유(Low Reason To Believe), 낮고 새로운 상이한 조합체(Low New and Different combination(즉, 1, 1, 1)에 포함된 데이터베이스에서 위너의 비율은 12.5% 이었다. 따라서, 고객에 의해 검증되지 않은 그러나 동일한 표본 공간에 의해 판단된 새로운 개념은 전국을 대표하는 고객 세트로 테스트되었을 때 "위닝"이 될 가능성은 12.5%이다. 이러한 실시예에 대한 %위너를 예측할 수 있는 동일한 표본 조합체의 대표적인 테이블이 표1에 도시되어 있다.
표1. 전략적 특성의 조합체-실시예1
이득 RTB 새로운 그리고 상이한 %위너
1 1 1 12.5
1 1 2 18.4
1 1 3 29.3
2 2 1 15.2
2 2 2 39.2
2 2 3 52.8
실시예2: 위즈덤을 확인하기 위한 상이한 순서에서의 단계 이용
조직의 내부 지적자본을 투자하고 이를 사용하여 개념을 빠른 비율로 제품/서비스 개발 파이프라인으로 구동하는 한가지 방법은 본 발명의 여러 단계(그리고 프레임)를 상이한 순서로 사용하는 것이다. 이러한 실시예에 서술한 바와 같이, 여러 단계가 상이한 순서로 실행되는 것이 본 발명의 주요한 특징이다.
이러한 실시예의 목적은 조직 지식을 포획하는 값을 나타내고자 한 것이다. 환원하면, 본 발명에 따른 방법을 사용하게 되면 연합체나 기타 다른 집단은 지식을 얻을 수 있고, 원리를 발견할 수 있으며, 고객이 응답하는 이득의 코어 세트를 구축할 수 있다. 궁극적인 목표는 생성된 후 조직 시스템을 통해 시장으로 이동하는 성공적 아이디어의 숫자를 상당히 강화시키는 안내 원리세트를 생성하는 것이다.
이 경우, 제1단계는 조직 경영진, 교육기관장, 시장관리자들 과의 일대일 면담으로 얻은 원리로부터 발생되는 광범위한 표본의 수집을 개발하는 것으로부터 시작된다. 이것은 범주상 진실한 것으로 간주되는 23개의 "엄지의 규칙" 또는 "코어" 표본의 세트로 나타난다. 이러한 실시예에서의 제2단계는 고객 행동을 포획하는 최적의 표본을 발견하려는 목표를 갖는 독특한 데이터 세트를 생성하는 것이다. 이를 위해, 200개의 개념이 선택되며, 이러한 개념에는 기여도가 변화되는 다양한 표본 조합체가 포함되어 있다.
이러한 실시예의 제2 및 제3단계에 있어서, 이러한 단계는 진행전 수많은 반복사이클을 실행하다는 점을 인식해야 한다. 이러한 반복처리를 나타내기 위해,표본의 발견속도 및 개발사이클 시간을 증진시키는 3,948개의 개념 세트로부터 임으로 100개의 개념이 선택되었다. 제1사이클에서는 약 50개의 표본치수가 100개의 개념에 대해 테스트된다. 고도로 숙련된 2명의 방청객이 100개의 개념을 평가하였다. 이러한 실시예에서는 고객 구입 호감도에 관해 공통 단위를 갖는 개념의 수집이 유용하다.
이러한 실시예의 제4단계에 있어서, 데이터베이스를 표시하는 표본 세트를 결정함에 있어, 구입 의도를 예측할 수 있는 표본 세트를 결정하기 위해 비바리에이트 상호관계 매트릭스 및 OLS 회귀분석이 사용된다. 그후, 이러한 분석은 구입 의도를 예측할 수 있는 가장 초라한 집단의 표본 단위에 도달하기 위해 작은 단위의 집단으로 조합된다. 이러한 실시예의 제5단계에 있어서, 표본 벡터(즉, 표본 집단)는 진단 피드백 시스템(개념상 유사한 표본이 서로 집단화되었다) 및 강화된 예측력을 제공하기 위해 본래의 표본값의 총합을 사용하여 조립된다.
이러한 실시예에서 표시된 위즈덤에서 중요한 개선점은 개발된 표본의 갯수가 아니라 예측할 수 없는 결정이며; 이러한 결정에 있어, 연합된 종래 위즈덤으로부터 개발된 "코어" 표본의 일부는 충격이 없으며, 진실한 고객응답과는 정반대로 관련되어 있는 것으로 판명되었다. 이것은 개념, 제품, 서비스, 또는 광고 개발 결정을 하기 위한 보다 정확한 위즈덤 기본을 제공할 수 잇는 모델의 능력을 나타낸다.
이러한 실시예의 최종 단계는 모델의 결과값이 결과에 기초하여 동작을 취하기에 충분한 값과 기질(substance)을 제공하는 지의 여부를 결정하기 위해 비지네스 리더가 구비된 모델을 이용하는 것이다. 수많은 경우에 있어서, 모델은 아이디어의 수집체를 군으로 분류하고 개발 순서를 설정하기 위한 가치있는 툴(tool)인 의뢰인에 의해 발견된다. 상기 모델은 이미 테스트되었지만 고객 테스팅에 대해 점수가 기록되지 않은 개념을 강화하기 위해, 일련의 테스트 및 습득사이클을 실행함에 있어 가치있는 툴 인 것으로 판명되었다. 따라서, 시간과, 비용과, 신규의 R&D가 절감될 수 있다.
실시예3: 전략적 및 통계적 교훈 및 법률을 포함한 아티피셜 위즈덤™구축
이러한 실시예에서, 3,948개의 신제품및 서비스 세트는 음식, 기법, 자동차, 건강, 미용, 원격통신, 헬스케어, 및 회계서비스 등과 같은 광범위한 시장군으로부터의 기록 개념의 라이브러리로부터 수집된다. 각각의 개념은 임의로 설정된 약 100명의 잠재 고객에게 제공된다. 이러한 실시예에서, 개념은 존재하거나 존재할 수도 있을 때 제품이나 서비스의 설명으로 구성되어 있다. 개념은 다음과 같은 것 즉, 사용된 제품이나 서비스를 설명하는 삽화, 품목 패키징의 그래픽 표현, 이름, 하나의 함축적 문장 이나 주요한 이득을 보호하는 "태그라인(tag line)" 등의 일부 또는 전부를 포함할 수 있다. 일부 경우에 있어서, 개념은 특정한 서비스의 산물을 매매하는데 사용되는 실제 상업적 프린트 광고가 될 수 있다.
고객은 제로 에서부터 시작하여 10에서 종료되는 수치를 선택하므로써 각각의 개념에 의해 표시되는 물품의 구입가능성을 표시한다. 이러한 스케일의 종료점은 "절대로 구입하지 않겠다"(예를 들어, 0의 값)과, "절대로 구입하겠다"(예를 들어, 10의 값)에서 시작한다. 또한, 얼마나 새롭고 독특한 개념이 시장에서 유용한 제품 또는 서비스와 비교될 수 있는 고객의 인식도 측정된다. 이러한 스케일에서의 종료점은 "새롭고 상이하지 않은"(예를 들어, 0의 값)과, "매우 새롭고 상이한"(예를 들어, 10의 값)에서 시작된다. 각각의 개념을 위해, 2개의 단위에 대한 고객 응답의 샘플에서 평균값이 생성되었다.
개념의 콘텐트 분석과 문헌의 관찰은 고객 반응에 중요한 것으로 가정된 35가지의 확인을 촉진시킨다. 표본은 이득, 신뢰성, 독특함, 색조, 및 문자 등과 같은 광범위한 요소를 포함한다. 모든 개념은 숙련된 평가자 집단에 의해 이러한 35가지에 대해 평가된다. 평가중, 평가자는 개념을 실험할 때 삽화를 보고, 씌여진 문구를 읽고, 개념을 표본 성분(예를 들어, 이득, 신뢰성, 독특함)으로 절단 및 도식화하고, 각각의 표본 치수를 위해 제로 부터 10 까지 사용하여 35가지의 각각에 대해 개념이 얼마나 양호하게 실행되지지를 분류한다. 그러나, 일부 경우에 있어, 표본은 스칼라적 0-10 응답세트(즉, 1=제품개념, 2=서비스개념) 보다는 범위를 사용하여 평가된다.
본 기술분야의 숙련자라면 평가자는 표본 칫수상에서 각각의 개념을 측정할 때 정확한 업무를 실행해야만 한다는 것을 인식해야 한다. 따라서, 유용한 표본 응답세트를 달성하기 위해, 보정절차와 평가자 신뢰성 단위의 사용을 필요로 한다.
휴먼 평가자에 의해 표본이 평가되지 않는 경우, 개념으로부터 씌여진 텍스트는 컴퓨터 알고리즘(즉, 개념에 존재하는 표본의 장치 분류)에 의해 평가된다. 특히, 플레시-킨케이드 그레이드 레벨(Flesh-Kincade Grade Level)을 사용하는 판독성 인덱스로 불리우는 표본이 사용되며, 그 형식은 단어당 음절과 문장당 단어수와 같은 단위를 포함한다.
표준형의 오디너리 리스트 스퀘어(OLS) 회귀방법은 구입 호감도 및 독특함을 예측하기 위해 35가지 표본능력을 평가하는데 사용된다. 이러한 회귀분석으로부터, 12개의 표본 변수를 포함하는 모델은 고객 구입 호감도를 적절히 예측할 수 있는 것으로 판명되었다. 이러한 OLS 모델은 점수 개념으로부터 모델을 구축하는데 사용된 동일한 표본에 따라 새로운 개념을 분류하므로써, 새로운 개념에 대한 고객 구입 호감도 점수를 예측하는데 사용될 수도 있다.
다른 실시예에서, 예측된 고객 구입호감도 점수는 본래의 고객 구입 호감도 데이터베이스를 5개의 동일한 그룹으로 전환하고 구입 호감도의 범위를 5개의 퀸타일(quintile)내에 속하도록 확인하므로써 형성된 퀸타일로 기록된다. 각각의 퀸타일은 "별" 부류로 분류된다(예를 들어, 5별= 탁월한 개념, 4별=양호한 개념, 3별=적정한 개념, 2별=평균보다 낮은 개념, 1별=빈약한 개념). 타겟 개념에 대해 예측된 구입 호감도의 값은 그 값이 본래의 소스 데이터베이스로부터 그 내부에 속하는 퀸타일 범위에 대해 적절한 별의 갯수로 주어진다. 다른 실시예에 있어서, 고객 데이터베이스에서 본래의 응답변수가 100개의 동일집단에 놓이고, 예측된 구입 호감도의 값이 기준점으로 기록될 때(예를 들어, 새로운 개념은 구입 호감도의 값이 데이터베이스에서 다른 모든 개념에 대해 85 퍼센트에 속한다고 예측한다), 100 퍼센트 점수 시스템이 사용될 수도 있다.
OLS 회귀모델은 최종적으로 예측된 구입 호감도 점수에 표본 특성값을 쉽게제공할 수 있다. 본 기술분야의 숙련자에 있어 이러한 표본 특성값 또는 계수값은 상술한 바와 같이 동일한 "별" 등급으로 기록될 수 있다. 이러한 방식에 따라, 특정한 개념의 선택이나 개선을 위해 교정된 또는 "규정된" 충고를 제공하기 위해 특정의 표본이 사용될 수 있다. 이러한 특정의 표본은 현존의 개념강도와 개선을 필요로 하는 취약영역에서 테스트된 개념의 개발자에게 전략적 위즈덤을 부여하는데 도움을 주는 "법률"로 보고될 수 있다.
예를 들어, 만일 "개념이 이득을 포함하고 있다"에 대한 표본이 5별 등급일 받을 경우, 이러한 개념은 강력한 이득 메시지를 포함하고 있는 것으로 말한다. 다른 중요한 동작 기준은 "레슨(lesson)"의 형태로 조합된 표본 단위로부터 제공된다. 이러한 레슨은 개념 개선을 위한 전략적 또는 실행적 가이드라인으로 설명될 수 있다. 예를 들어, "전략적 명확함"은 아이디어가 개념에 얼마나 명확하게 이송될 수 있는지를 전략적으로 형성하는 고차원의 표본으로 한정될 수 있다. 단순성을 수반한 명확성과 이행성은 아이디어의 적절한 통신을 위해서 중요한 것이며, 오해의 가능성을 감소시킨다. 명확성은 고객이 먼저 정확하게 이해하고 제품 또는 서비스에 대한 판단을 제품 또는 서비스가 정형화하기 전에 실행되는 것을 알기 때문에 중요하다. 즉, 아이디어의 통신과 그 각각의 부품(즉, 이득, 믿을 이유, 독특함)이 명확할수록, 아이디어는 더욱 더 의도한 바로 된다. 이 경우 전략적 명확성은 이득, 믿을 이유, 및 신규함 및 독특함과 같은 3개의 분리된 표본으로부터의 표본 벡터로서 구성된다. 이득을 위해 개념에 사용된 특정의 표본은 다음과 같다(즉, "주요한 이득은 명확하며 간단한 문장으로 인식하고 설명하기가 쉽다").전략적 명확성과 같은 레슨의 진단 사용은 개념 개선을 위한 지침으로서 개념의 개발자에게 복귀되도록 기록될 수 있다.
실시예4: 새로운 제품 및 서비스 개념의 고객 구입 관심도를
예측하는 멀티표본을 구축하기 위한 신경망 사용
인위적인 신경망은 생물학적 뉴런의 처리 유니트와 구조적으로 유사한 수학적 모델의 일반화된 부류에 부여된 이름이다. 신경망은 제어 엔지니어링, 공식 최적화, 생물학적 시스템 모델링, 주식시장 거래, 신용위험평가, 및 대화 및 목표인식과 같은 분야에서, 입력 데이터세트로부터 미래 결과를 예측하는데 널리 사용된다. 이러한 실시예에서, 모델 개발 프레임은 소비자 응답 예측에 필요로 하는 표본 예측자를 선택하기 위해 컴퓨터조작되는 신경망을 사용한다.
이러한 실시예에 사용되는 신경망은 적절한 하이퍼볼릭 아크탄젠트 이송함수로 점진적인 하강습득 알고리즘(gradient descent-learning algorithm)을 사용하여 피드포워드 구조물로 한정된다. 다른 구조물이 사용될 수도 있다. 신경망 구조의 선택은 사용된 데이터의 구조와, 데이터 신호에서의 노이즈 또는 에러의 양과, 필요한 결과의 목표에 의존한다. 일반적으로 신경망은 기준 데이터를 기초로 하여 모델을 구축하며, 신경망 모델링 접근방식은 입력요소세트 사이의 관계가 알려지지 않았으며 결과만이 알려진 상황에서도 적용될 수 있다. 모델링 구축의 목적은 입력 요소로부터의 결과 예측을 촉진시키는 원칙이나 프로그램을 찾아내는 것이다.
예측을 위한 특정 신경망의 개발에 있어 주요한 동작은 출력유니트를 통과하는 입력층에 제공된 정보 사이의 관계를 최적화시키는 중량(weight)을 위한 값을 결정하는 것이다. 중량값의 결정단계는 "습득"으로 언급된다. 습득단계는 2가지 활동 즉, 트레이닝과 평가로 나뉜다.
피드포워드 신경망에서 습득을 달성하는 데는 여러가지 방법이 사용된다. 가장 널리 사용되는 습득 프로그램은 백-프로퍼게이션(back-propagation)으로 알려진 일반화된 연산형 기법에 다양한 적용 주위로 회전하는 것이다. 상기 백-프로퍼케이션은 특정의 기준에 기초한 에러를 최소화하기 위해, 출력으로부터 시작하여 처리층으로 복귀한 후 다시 입력층으로 복귀가 반복되는 중량을 조정하기 위한 기법이다. 상기 백-프로퍼케이션은 모든 처리소자 및 연결중량이 일부 에러에 책임이 있으며, 연결 중량의 업데이팅으로의 편의없이 모델을 통해 후방으로 중량을 조정하는 것으로 가정한다. 에러 기능의 선택은 다시 본 기술분야의 숙련자에게 남는다. 이러한 실시예에서, 점진적 하강으로 불리우는 백-프로퍼게이션의 버젼은 처리층에서의 각각의 유니트가 이와 연관된 단일 에러값을 갖는 곳에 사용된다.
트레이닝에 있어서, 전체 데이터베이스의 서브세트는 이송기능이 공지의 입력에 대해 스캐닝하는 공지의 출력세트를 사용하여 연결을 위한 중량을 설정하도록 선택된다. 만일 중량이 트레이닝 세트에서 백-프로퍼게이션에 의해 최적화되었다면, 확인(validation)을 통해 나머지 데이터 세트에 적절함을 설정하기 위해 대응의 모델이 사용될 수 있다. 상기 확인은 나머지 데이터 세트 입력값이 연결 중량을 일정하게 유지시키고 연산된 출력값을 데이터 세트에 존재하는 공지의 출력값과 비교하는 처리 유니트를 통과할 것을 요구하게 된다. 특정 모델에 대한 적절함의우수성(godness-of-fit)은 또 다른 예측이 이루어지기 전에 모델로부터 연산된 값을 실제값에 적용할 필요성에 따라 선택될 수 있다. 적절함의 우수성 가정은 데이터베이스에서 연산된 출력값과 실제 출력값 사이의 피어슨스 연관계수(Pearsons correlation coefficient)와 같은 설정의 연관값을 특정화한다.
트레이닝에서 사용되는 데이터베이스로부터 데이터 서브세트를 선택하는 데는 여러가지 전략이 있다. 본 기술분야의 숙련자라면 그 절차적 상세함을 인식하고 있을 것이며, 예를 들어, 임의적이거나 연속적인 데이터의 세트비율의 취득을 포함하며; 그러한 선택 전략은 데이터 세트에서 최상값을 나타내는 포인트 수집이 임의로 선택된 데이터 포인트의 갯수로 증대되는 데이터 세트에서 나타나는 곳에서 사용될 수 있다. 이러한 실시예에서, 트레이닝 세트의 선택은 출력 유니트에서 발견되는 값의 균일한 분배를 나타내는 포인트의 설정수로 선택된다.
예측 모델의 부류를 가치있게 하는 신경망의 독특한 특징은 트레이닝의 처리에 있어서 연결중량이 고정되지 않고, 습득 패러다임이 에러 기능을 최소화하기 위해 중량을 조정함에 따라 변화된다는 점이다. 중량의 초기값은 일반적으로 임의로 선택된 일부의 특정범위로 선택되며, 입력값으로부터 연산된 초기 출력값은 처리층에서 이송 기능을 통과한다. 백-프로퍼게이션에서는 각각의 처리 유니트내에서 작동기능의 값에 대해 중량의 이탈 보다는 연결 사이에서의 중량을 조정하는 에러값의 절대값은 아니다. 따라서, 네트웍은 연결 중량이 최소한의 에어 기능이 만족될 때까지 반복적인 형태로 결정되는 설정의 트레이닝 입력 세트로부터의 "습득"으로 불리워진다.
신경망의 상태는 중량을 통하여 출력값에서 다양한 입력특성을 제공하는 벡터의 함수로서 언제라도 관찰할 수 있다. 이것은 출력응답을 최적으로 형성하는 입력값 또는 표본을 선택할 수 있게 한다. 에러 기능의 최소화에 의해 특정화됨에 따라 모델이 습득을 완료하였을 때, 네트웍내에서의 중량 검사는 출력을 최적으로 설명하는 표본을 위한 요소를 나타낸다. 이것은 부가의 개념이 분류되는 표본의 서브세트로 이어지며, 추정 출력값은 소비자 예측으로서 연산될 수 있다.
이러한 실시예에서는 응답범위에 걸쳐 소비자 구입 관심도의 균일한 분배를 제공하는 100개의 개념이 선택된다. 분류된 표본에 대한 값은 입력층을 생성하는데 사용되며, 36가지 입력값 집단은 피드포워드 네트웍을 구축하는데 사용된다. 캐스케이드 연관(Cascade correlation)은 감춰진 처리유니트 하나를 한번에 네트웍에 부가하는데 사용된다. 각각의 새로운 감춰진 유니트는 네트웍에서 현재 남아있는 출력 에러를 예측하는데 사용되며, 에러가 최소가 될 때까지 진행된다. 최종적인 신경망 모델 구조물은 24개의 입력 표본과, 단일의 감춰진 층에서 15개의 처리유니트와, 하나의 입력 유니트를 포함한다. 이것은 타켓 개념에 대한 소비자 또는 고객 응답의 개념 예측을 위해 제5프레임에 사용되는 모델이 된다.
제5프레임에서, 모델 개발시 보이지 않으며 분석될 수 없는 임의로 선정된 500개 개념의 확인 세트는 연결중량을 일정하게 유지하고, 입력 데이터를 네트웍을 통과시켜 추정된 출력값 세트를 생성하도록 하므로써 개발된 모델에 대한 확인값으로 사용된다. 이러한 모델은 새로운 개념에 대한 소비자 응답의 시뮬레이션에 사용하기에 충분하다. 개념 성공의 판단에 사용되는 출력값은 다시 특정 성공기준에기초하며, 모델 목표에 의존한다. 이러한 상황에서, 소비자 구입 호감도는 0 내지 10의 변형된 저스터 스케일상에 인코딩되며, 출력값은 이와 동일한 스케일상에 시뮬레이트된다.
본래의 개념 데이터베이스로부터, 성공적인 신제품 아이디어를 특정화하기 위한 기준은 고객 구입 호감도의 상위 20%에서 결정된다. 따라서, 이러한 실시예에서, 10 포인트 스케일에서 6.5 이상의 점수를 갖는 본래 데이터베이스로부터의 개념은 "녹색광"으로 분류된다. 4 내지 6은 "황색광"으로, 4 이하는 "적색광"으로 분류된다. 따라서, 표본상에서 분류되고 녹색광 등급을 제공하는 모델을 통과하는 어떤 새로운 개념은 미래 고객에 대한 개념을 호소하는 것으로 선택된다. 설명한 모델을 확인하기 위해, 새로운 음식물에 대한 일련의 18가지 개념이 시뮬레이트되어, 14개의 녹색광과, 하나의 황색광과, 3개의 적색광을 포함하는 것으로 판명되었다. 이러한 18가지 개념은 이러한 새로운 음식물 개념에서 구입 호감도로 분류되도록 요구받은 대표적인 고객의 샘플링으로 도시된다. 고객은 구입 호감도의 동일한 응답의 모델화된 시뮬레이션에 대한 개념의 83%에 대응하였다.
본 발명은 양호한 실시예에 대해 서술하였지만, 본 기술분야의 숙련자라면 본 발명의 범주로부터 일탈없이 자극제에 대한 응답을 예측하는 또 다른 방법도 달성될 수 있음을 알 수 있을 것이며, 또한 본 기술분야의 숙련자라면 첨부된 청구범위로부터의 일탈없이 본 발명에 다양한 변형과 수정이 가해질 수 있음을 인식해야 한다.

Claims (54)

  1. 타겟 개념에 대한 반응을 예측하기 위한 방법에 있어서,
    (a)주관적인 반응 데이터를 포함하는 데이터베이스를 제공하는 단계와,
    (b)하나이상의 소스 개념의 적어도 일부의 통신가능한 정보의 내용을 객관적으로 평가하는데 도움을 주는 하나이상의 표본을 선택하는 단계와,
    (c)상기 하나이상의 표본에 기초하여 데이터베이스에서 소스 개념의 적어도 일부의 규칙 세트 또는 객관적 부류를 형성하는 단계와,
    (d)상기 주관적 반응의 적어도 일부와 상기 표본의 적어도 일부 사이의 관계를 한정하는 모델을 개발하는 단계와,
    (e)상기 모델에 의해 형성된 하나이상의 표본에 따라 상기 타켓 개념의 객관적 부류를 형성하는 단계와,
    (f)상기 타켓 개념의 객관적 부류를 상기 모델에 투입하여, 상기 타겟 개념에 대해 설정된 사람의 주관적 반응을 예측하는 단계를 포함하며,
    상기 주관적인 반응 데이터는 다수의 개인들중 일부에 대해 하나이상의 소스 개념의 적어도 일부의 노출에 따라, 하나이상의 소스 개념에 따라 통신가능한 정보를 주관적으로 평가하는데 사용될 수 있는 적어도 하나의 주관적 반응 정량자에 다수의 개인들의 응답을 포함하는 것을 특징으로 하는 반응 예측방법.
  2. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 소비자 호감도에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  3. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 소비자 관심도에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  4. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 잠재적 소비자 구입에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  5. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 소비자 인식에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  6. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 소비자 신뢰에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  7. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 소비자 리콜에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  8. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 소비자 기대에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  9. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 티켓 구입에 관한 소비자 선호도에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  10. 제1항에 있어서, 적어도 하나의 공통적인 주관적 반응 정량자는 정치후보자에 대한 투표자 응답에 관련된 응답을 추론하는 것을 특징으로 하는 반응 예측방법.
  11. 제1항에 있어서, 상기 단계(b)후에 각각의 표본을 위한 정량가능한 스케일을 선택하는 단계를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  12. 제11항에 있어서, 상기 정량가능한 스케일은 리커트 스케일, 저스터 스케일, 카테고리 스케일, 및 표본 디스크립터를 갖는 연속한 스케일로 구성된 집단에서 선택되는 것을 특징으로 하는 반응 예측방법.
  13. 제1항에 있어서, 상기 모델은 표준의 유니바리에이트, 비바리에이트, 복합 바리에이트 전략적 모델을 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  14. 제1항에 있어서, 상기 모델은 신경망을 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  15. 제1항에 있어서, 상기 모델은 퍼지 로직을 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  16. 제1항에 있어서, 상기 모델은 유전 알고리즘을 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  17. 제1항에 있어서, 상기 모델은 교차표를 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  18. 제1항에 있어서, 상기 모델은 t-테스트를 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  19. 제1항에 있어서, 상기 모델은 아노바(ANOVA)를 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  20. 제1항에 있어서, 상기 모델은 상관 매트릭스를 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  21. 제1항에 있어서, 상기 모델은 회귀를 사용하여 생성되는 것을 특징으로 하는반응 예측방법.
  22. 제1항에 있어서, 상기 모델은 요소 분석을 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  23. 제1항에 있어서, 상기 모델은 구조방정식 모델링을 사용하여 생성되는 것을 특징으로 하는 반응 예측방법.
  24. 제1항에 있어서, 상기 단계(d) 이후에 (d1)상기 타켓 개념의 평가에 필요한 표본의 선택에 도움을 주기 위해 모델을 사용하는 단계를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  25. 제24항에 있어서, 상기 단계(d1) 이후에 에러와 적절함을 가정하기 위해 상기 모델을 테스팅하는 단계(d2)와, 필요에 따라 상기 단계(b) 내지 단계(d2)를 반복하는 단계를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  26. 제1항에 있어서, 상기 소스개념은 모두 동일한 제품군으로부터 파생된 것을 특징으로 하는 반응 예측방법.
  27. 제1항에 있어서, 상기 소스 개념의 적어도 일부는 독특한 제품군으로부터 파생된 것을 특징으로 하는 반응 예측방법.
  28. 제27항에 있어서, 상기 타겟 개념은 소스 제품으로서 동일한 제품군으로부터 파생된 것을 특징으로 하는 반응 예측방법.
  29. 제1항에 있어서, 상기 하나이상의 표본은 소비자나 고객에게 "명백한 이득"을 포함하는 것을 특징으로 하는 반응 예측방법.
  30. 제1항에 있어서, 상기 하나이상의 표본은 상기 타겟 개념이 이득을 제공하는 "소비자나 고객의 실제 믿는 이유"를 포함하는 것을 특징으로 하는 반응 예측방법.
  31. 제1항에 있어서, 상기 하나이상의 표본은 상기 타겟 개념이 현존의 개념으로부터 독특한 또는 "극적인 편차"를 제공하는 크기를 포함하는 것을 특징으로 하는 반응 예측방법.
  32. 제1항에 있어서, 상기 단계(f) 이후에 타겟 개념의 상대적인 잠재적 성공을 판단하는 단계(g)를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  33. 제20항에 있어서, 상기 단계(g) 이후에 상기 타겟 개념의 상대적 잠재적 성공과 표본에 기초하여 작동기준을 개발 및 인가하는 단계를 부가로 포함하는 것을특징으로 하는 반응 예측방법.
  34. 제1항에 있어서, 상기 주관적 반응 데이터의 데이터베이스는 유사제품이나 서비스개념으로부터의 데이터를 포함하는 것을 특징으로 하는 반응 예측방법.
  35. 제1항에 있어서, 주관적인 반응 데이터의 데이터베이스는 비유사한 또는 크로스 카테고리 제품 또는 서비스개념으로부터의 데이터를 포함하는 것을 특징으로 하는 반응 예측방법.
  36. 제1항에 있어서, 상기 단계(a)는 주관적인 소비자 응답데이터 및 표본 데이터를 포함하고 있는 2개 이상의 분리된 독특한 데이터베이스를 정상화시키고 표준화시키므로써 상기 공통의 주관적인 반응 정량자를 생성하는 단계를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  37. 제1항에 있어서, 상기 단계(c)는 표본 세트에 대해 판정하는 휴먼 평가자에 의해 달성되는 것을 특징으로 하는 반응 예측방법.
  38. 제1항에 있어서, 상기 단계(c)는 표본 세트에 대해 판정하는 장치 측정부(machine measure ) 에 의해 달성되는 것을 특징으로 하는 반응 예측방법.
  39. 제1항에 있어서, 상기 단계(c)는 표본 세트에 대해 판정하는 휴먼 평가자에 의해 달성되는 것을 특징으로 하는 반응 예측방법.
  40. 제1항에 있어서, 상기 단계(e)는 표본 세트에 대해 판정하는 장치 측정부(machine measure) 에 의해 달성되는 것을 특징으로 하는 반응 예측방법.
  41. 제1항에 있어서, 상기 타겟 개념의 개발자에게 타겟 개념의 강화 또는 개선에 대해 안내를 제공하는 단계를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  42. 타겟 개념에 대한 반응을 예측하는 방법에 있어서,
    (a)주관적인 반응 데이터를 포함하는 데이터베이스를 제공하는 단계와,
    (b)하나이상의 소스 개념의 적어도 일부의 통신가능한 정보의 내용을 객관적으로 평가하는데 도움을 주는 하나이상의 표본을 선택하는 단계와,
    (c)상기 하나이상의 표본에 기초하여 데이터베이스에서 소스 개념의 적어도 일부의 규칙 세트 또는 객관적 부류를 형성하는 단계와,
    (d)상기 주관적 반응의 적어도 일부와 상기 표본의 적어도 일부 사이의 관계를 한정하는 모델을 개발하는 단계와,
    (e)상기 모델에 의해 형성된 하나이상의 표본에 따라 상기 타켓 개념의 객관적 부류를 형성하는 단계와,
    (f)상기 타켓 개념의 객관적 부류를 상기 모델에 투입하여, 상기 타겟 개념에 대해 설정된 사람의 주관적 반응을 예측하는 단계와,
    (g)상기 타겟 개념의 상대적인 잠재적 성공을 판정하는 단계와,
    (h)상기 타겟 개념의 상대적인 잠재적 성공에 기초하여 작동기준을 개발 및 적용하는 단계와,
    (i)상기 타겟 개념의 개발자에게 타겟 개념의 강화 또는 개선에 대해 안내를 제공하는 단계를 포함하며,
    상기 주관적인 반응 데이터는 다수의 개인들중 일부에 대해 하나이상의 소스 개념의 적어도 일부의 노출에 따라, 하나이상의 소스 개념에 따라 통신가능한 정보를 주관적으로 평가하는데 사용될 수 있는 적어도 하나의 주관적 반응 정량자에 다수의 개인들의 응답을 포함하는 것을 특징으로 하는 반응 예측방법.
  43. 제42항에 있어서, 상기 단계(a)는 주관적인 반응 데이터의 2개 이상의 분리된 독특한 데이터베이스를 연관시켜 표준화하므로써 상기 주관적인 반응 정량자를 생성하는 단계를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  44. 제43항에 있어서, 상기 단계(b) 이후에 각각의 표본을 위한 정량가능한 스케일을 선택하는 단계(b1)를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  45. 제44항에 있어서, 상기 정량화가능한 스케일은 스케일은 리커트 스케일, 저스터 스케일, 카테고리 스케일, 및 표본 디스크립터를 갖는 연속한 스케일로 구성된 집단에서 선택되는 것을 특징으로 하는 반응 예측방법.
  46. 제42항에 있어서, 상기 단계(d) 이후에 타겟 개념의 평가에 필요한 표본의 선택을 돕기 위해 상기 모델을 사용하는 단계(d1)를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  47. 제46항에 있어서, 상기 단계(d1) 이후에 에러와 적절함을 가정하기 위해 상기 모델을 테스팅하는 단계(d2)와, 필요에 따라 상기 단계(b) 내지 단계(d2)를 반복하는 단계를 부가로 포함하는 것을 특징으로 하는 반응 예측방법.
  48. 제42항에 있어서, 상기 소스 개념은 모두 동일한 제품군으로부터 파생되는 것을 특징으로 하는 반응 예측방법.
  49. 제42항에 있어서, 상기 단계(c)는 표본 기준 세트에 대해 판정하는 휴먼 평가자에 의해 실행되는 것을 특징으로 하는 반응 예측방법.
  50. 제42항에 있어서, 상기 단계(c)는 표본 세트에 대해 판정하는 장치 측정부(machine measure ) 에 의해 달성되는 것을 특징으로 하는 반응 예측방법.
  51. 제42항에 있어서, 상기 단계(c)는 표본 기준 세트에 대해 판정하는 휴먼 평가자에 의해 실행되는 것을 특징으로 하는 반응 예측방법.
  52. 제42항에 있어서, 상기 단계(e)는 표본 세트에 대해 판정하는 장치 측정부(machine measure) 에 의해 달성되는 것을 특징으로 하는 반응 예측방법.
  53. 신제품을 소매 세팅에 위치시키기 위해 슬롯팅 피를 결정 및 할당하는 방법에 있어서,
    (a)주관적인 반응 데이터를 포함하는 데이터베이스를 제공하는 단계와,
    (b)하나이상의 소스 개념의 적어도 일부의 통신가능한 정보의 내용을 객관적으로 평가하는데 도움을 주는 하나이상의 표본을 선택하는 단계와,
    (c)상기 하나이상의 표본에 기초하여 데이터베이스에서 소스 개념의 적어도 일부의 규칙 세트 또는 객관적 부류를 형성하는 단계와,
    (d)상기 주관적 반응의 적어도 일부와 상기 표본의 적어도 일부 사이의 관계를 한정하는 모델을 개발하는 단계와,
    (e)상기 모델에 의해 형성된 하나이상의 표본에 따라 상기 타켓 개념의 객관적 부류를 형성하는 단계와,
    (f)상기 타켓 개념의 객관적 부류를 상기 모델에 투입하여, 상기 타겟 개념에 대해 설정된 사람의 주관적 반응을 예측하는 단계와,
    (g)상기 타겟 개념의 상대적인 잠재적 성공을 판정하는 단계와,
    (h)상기 타겟 개념의 상대적인 잠재적 성공을 기초로 하여 상기 타겟 개념에 적절한 슬롯팅 피를 할당하는 단계를 포함하며,
    상기 주관적인 반응 데이터는 다수의 개인들중 일부에 대해 하나이상의 소스 개념의 적어도 일부의 노출에 따라, 하나이상의 소스 개념에 따라 통신가능한 정보를 주관적으로 평가하는데 사용될 수 있는 적어도 하나의 주관적 반응 정량자에 다수의 개인들의 응답을 포함하는 것을 특징으로 하는 반응 예측방법.
  54. 조직 문화 규칙을 평가 및 테스트하는 방법에 있어서,
    조직 문화규칙과 이러한 조직 문화규칙의 특성을 확인하는 단계와,
    주관적인 반응 데이터를 포함하는 데이터베이스를 제공하는 단계와,
    상기 조직 문화규칙의 특성에 기초하여 데이터베이스에서 상기 소스 개념의 적어도 일부의 규칙 세트 또는 객관적 부류를 형성하는 단계와,
    주관적 반응 데이터의 적어도 일부와 상기 조직 문화규칙의 특성 사이의 관계를 한정하는 모델을 개발하는 단계와,
    상기 조직 문화규칙의 타당성을 평가하기 위해 상기 모델을 사용하는 단계를 포함하며,
    상기 주관적인 반응 데이터는 다수의 개인들중 일부에 대해 하나이상의 소스 개념의 적어도 일부의 노출에 따라, 하나이상의 소스 개념에 따라 통신가능한 정보를 주관적으로 평가하는데 사용될 수 있는 적어도 하나의 주관적 반응 정량자에 다수의 개인들의 응답을 포함하는 것을 특징으로 하는 조직 문화 규칙 평가 및 테스트방법.
KR1020017009436A 1999-01-27 2000-01-27 자극에 대한 인체반응의 시뮬레이션 방법 KR20010101736A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11741399P 1999-01-27 1999-01-27
US60/117,413 1999-01-27
PCT/US2000/002195 WO2000045317A2 (en) 1999-01-27 2000-01-27 Method for simulation of human response to stimulus

Publications (1)

Publication Number Publication Date
KR20010101736A true KR20010101736A (ko) 2001-11-14

Family

ID=22372794

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020017009436A KR20010101736A (ko) 1999-01-27 2000-01-27 자극에 대한 인체반응의 시뮬레이션 방법

Country Status (13)

Country Link
US (3) US20030225786A1 (ko)
EP (1) EP1228457A2 (ko)
JP (1) JP2003524221A (ko)
KR (1) KR20010101736A (ko)
CN (1) CN1630866A (ko)
AU (1) AU780078B2 (ko)
BR (1) BR0007786A (ko)
CA (1) CA2359693A1 (ko)
EA (1) EA200100803A2 (ko)
IL (1) IL144524A0 (ko)
MX (1) MXPA01007653A (ko)
WO (1) WO2000045317A2 (ko)
ZA (1) ZA200106157B (ko)

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6430539B1 (en) 1999-05-06 2002-08-06 Hnc Software Predictive modeling of consumer financial behavior
US6505168B1 (en) * 1999-08-16 2003-01-07 First Usa Bank, Na System and method for gathering and standardizing customer purchase information for target marketing
WO2001022323A1 (en) 1999-09-20 2001-03-29 Quintiles Transnational Corporation System and method for analyzing de-identified health care data
US7831467B1 (en) 2000-10-17 2010-11-09 Jpmorgan Chase Bank, N.A. Method and system for retaining customer loyalty
US20020194054A1 (en) * 2001-06-18 2002-12-19 Renee Frengut Internet based qualitative research method and system
US7191144B2 (en) 2003-09-17 2007-03-13 Mentor Marketing, Llc Method for estimating respondent rank order of a set stimuli
US20050278189A1 (en) * 2004-05-27 2005-12-15 Isense Technology, Inc. Process & methods for content adaptive learning
US7493300B2 (en) * 2004-09-30 2009-02-17 International Business Machines Corporation Model and system for reasoning with N-step lookahead in policy-based system management
US20080208644A1 (en) * 2004-10-25 2008-08-28 Whydata, Inc. Apparatus and Method for Measuring Service Performance
US20060143071A1 (en) * 2004-12-14 2006-06-29 Hsbc North America Holdings Inc. Methods, systems and mediums for scoring customers for marketing
US20070162505A1 (en) * 2006-01-10 2007-07-12 International Business Machines Corporation Method for using psychological states to index databases
US8438170B2 (en) * 2006-03-29 2013-05-07 Yahoo! Inc. Behavioral targeting system that generates user profiles for target objectives
US7881960B2 (en) * 2006-11-30 2011-02-01 Wine Societies, Inc. Value analysis and value added concoction of a beverage in a network environment of the beverage
US9355273B2 (en) 2006-12-18 2016-05-31 Bank Of America, N.A., As Collateral Agent System and method for the protection and de-identification of health care data
WO2008147587A2 (en) * 2007-05-24 2008-12-04 The Nielsen Company (Us), Inc. Methods and apparatus to improve market launch performance
US20090004668A1 (en) * 2007-06-22 2009-01-01 The Board Of Trustees Of The Leland Stanford Junior University Pre-miRNA loop-modulated target regulation
EP2179358A4 (en) * 2007-08-20 2012-01-25 Facebook Inc TARGETED ADVERTISING IN A SOCIAL NETWORK
US20090083779A1 (en) * 2007-09-24 2009-03-26 Yevgeniy Eugene Shteyn Digital content promotion
JP5132233B2 (ja) * 2007-09-25 2013-01-30 株式会社日立製作所 解析装置、プログラム及び解析方法
US8321261B2 (en) 2007-12-14 2012-11-27 John Nicholas and Kristin Gross Integrated gourmet item data collection, recommender and vending system and method
US20140304654A1 (en) * 2007-12-14 2014-10-09 The John Nicholas and Kristin Gross Trust U/A/D April 13, 2010 Wine Rating Tool, Simulator & Game For Portable Computing Device
US8341166B2 (en) 2008-04-09 2012-12-25 American Express Travel Related Services Company, Inc. Infrastructure and architecture for development and execution of predictive models
US7953762B2 (en) * 2008-04-09 2011-05-31 American Express Travel Related Services Company, Inc. Infrastructure and architecture for development and execution of predictive models
US9721013B2 (en) 2008-09-15 2017-08-01 Mordehai Margalit Holding Ltd. Method and system for providing targeted searching and browsing
US8341151B2 (en) * 2008-09-15 2012-12-25 Margalit Mordehai Method and system for providing targeted searching and browsing
US9898745B2 (en) * 2008-12-04 2018-02-20 Jeffrey Kantarek Methods and systems for conducting research on an airplane
WO2011069073A1 (en) * 2009-12-03 2011-06-09 Comscore, Inc. Measuring advertising effectiveness without control group
EP2543013A4 (en) * 2010-03-01 2014-12-24 Opera Solutions Llc COMPUTER IMPLEMENTED METHOD FOR REINFORCING TARGETED PRODUCT SALES
US20110213651A1 (en) * 2010-03-01 2011-09-01 Opera Solutions, Llc Computer-Implemented Method For Enhancing Targeted Product Sales
US20110213661A1 (en) * 2010-03-01 2011-09-01 Joseph Milana Computer-Implemented Method For Enhancing Product Sales
US10672008B2 (en) 2012-12-06 2020-06-02 Jpmorgan Chase Bank, N.A. System and method for data analytics
WO2014103560A1 (ja) 2012-12-25 2014-07-03 インターナショナル・ビジネス・マシーンズ・コーポレーション 分析装置、分析プログラム、分析方法、推定装置、推定プログラム、及び、推定方法。
JP5984144B2 (ja) * 2013-11-28 2016-09-06 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 情報処理装置、情報処理方法、及び、プログラム
US20150302471A1 (en) * 2014-04-22 2015-10-22 Kenshoo Ltd. Benchmarking in online advertising
KR101653797B1 (ko) * 2016-04-15 2016-09-09 스튜디오씨드코리아 주식회사 프로토타입 제작 방법 및 그 장치
US11087213B2 (en) * 2017-02-10 2021-08-10 Synaptics Incorporated Binary and multi-class classification systems and methods using one spike connectionist temporal classification
US11100932B2 (en) * 2017-02-10 2021-08-24 Synaptics Incorporated Robust start-end point detection algorithm using neural network
US11080600B2 (en) * 2017-02-10 2021-08-03 Synaptics Incorporated Recurrent neural network based acoustic event classification using complement rule
US10762891B2 (en) * 2017-02-10 2020-09-01 Synaptics Incorporated Binary and multi-class classification systems and methods using connectionist temporal classification
US10762417B2 (en) * 2017-02-10 2020-09-01 Synaptics Incorporated Efficient connectionist temporal classification for binary classification
US11853884B2 (en) * 2017-02-10 2023-12-26 Synaptics Incorporated Many or one detection classification systems and methods
US10762427B2 (en) * 2017-03-01 2020-09-01 Synaptics Incorporated Connectionist temporal classification using segmented labeled sequence data
US10762423B2 (en) 2017-06-27 2020-09-01 Asapp, Inc. Using a neural network to optimize processing of user requests
CN107505840A (zh) * 2017-07-31 2017-12-22 广东工业大学 基于FReOS‑ELM的压电驱动FTS建模方法、控制方法及***
CN107390546A (zh) * 2017-07-31 2017-11-24 广东工业大学 基于eos‑elm的压电驱动定位平台建模方法、控制方法及***
CN107563387A (zh) * 2017-09-14 2018-01-09 成都掌中全景信息技术有限公司 一种基于循环神经网络的图像目标检测选框方法
US20200193056A1 (en) * 2018-12-12 2020-06-18 Apple Inc. On Device Personalization of Content to Protect User Privacy
US20220092622A1 (en) * 2019-01-10 2022-03-24 Nec Corporation Attribute generation device, attribute generation method and attribute generation program
CN109947658B (zh) * 2019-04-03 2022-03-04 颜沿（上海）智能科技有限公司 一种模拟真实场景数据产生的方法及装置
US11586690B2 (en) 2020-02-05 2023-02-21 Apple Inc. Client-side personalization of search results
US12033097B2 (en) * 2020-08-06 2024-07-09 Accenture Global Solutions Limited Utilizing machine learning and predictive modeling to manage and determine a predicted success rate of new product development

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5124911A (en) * 1988-04-15 1992-06-23 Image Engineering, Inc. Method of evaluating consumer choice through concept testing for the marketing and development of consumer products
WO1991005307A1 (en) * 1989-09-29 1991-04-18 Image Engineering, Inc. A method of evaluating consumer choice through concept testing for the marketing and development of consumer products
US5491629A (en) * 1994-03-04 1996-02-13 Strategic Weather Services System and method for determining the impact of weather and other factors on managerial planning applications
JP3555211B2 (ja) * 1994-07-06 2004-08-18 オムロン株式会社 データ・ベース検索装置および方法，データ・ベース検索装置を備えたダイレクト・メール発行支援システム
US5734890A (en) * 1994-09-12 1998-03-31 Gartner Group System and method for analyzing procurement decisions and customer satisfaction
JP3268526B2 (ja) * 1995-02-20 2002-03-25 富士通株式会社 接客教育システム
US5857175A (en) * 1995-08-11 1999-01-05 Micro Enhancement International System and method for offering targeted discounts to customers
EP0770967A3 (en) * 1995-10-26 1998-12-30 Koninklijke Philips Electronics N.V. Decision support system for the management of an agile supply chain
JPH09153094A (ja) * 1995-12-01 1997-06-10 Hitachi Ltd 販売促進効果分析方法及びその実施システム
AU2453797A (en) * 1996-04-10 1997-10-29 Paul M. Konnersman Computer-based system for work processes that consist of interdependent decisions involving one or more participants
GB9706816D0 (en) * 1997-04-04 1997-05-21 Ncr Int Inc Consumer model
US20010013009A1 (en) * 1997-05-20 2001-08-09 Daniel R. Greening System and method for computer-based marketing
US5907495A (en) * 1997-06-27 1999-05-25 General Motors Corporation Method of formulating paint through color space modeling
GB9805260D0 (en) * 1998-03-13 1998-05-06 Ncr Int Inc Method and apparatus to model the variables of a data set
US6078892A (en) * 1998-04-09 2000-06-20 International Business Machines Corporation Method for customer lead selection and optimization
US8121891B2 (en) * 1998-11-12 2012-02-21 Accenture Global Services Gmbh Personalized product report

Also Published As

Publication number Publication date
MXPA01007653A (es) 2003-06-24
BR0007786A (pt) 2002-05-07
IL144524A0 (en) 2002-05-23
US20030225786A1 (en) 2003-12-04
EA200100803A2 (ru) 2002-12-26
AU3352600A (en) 2000-08-18
JP2003524221A (ja) 2003-08-12
US20090043719A1 (en) 2009-02-12
WO2000045317A2 (en) 2000-08-03
CN1630866A (zh) 2005-06-22
EP1228457A2 (en) 2002-08-07
ZA200106157B (en) 2002-06-20
US20070011122A1 (en) 2007-01-11
CA2359693A1 (en) 2000-08-03
WO2000045317A8 (en) 2002-06-06
AU780078B2 (en) 2005-02-24

Similar Documents

Publication Publication Date Title
KR20010101736A (ko) 자극에 대한 인체반응의 시뮬레이션 방법
Perkins et al. The role of experience in information use and decision making by marketing managers
Boles et al. Relationship selling behaviors: antecedents and relationship with performance
Pettijohn et al. Does salesperson perception of the importance of sales skills improve sales performance, customer orientation, job satisfaction, and organizational commitment, and reduce turnover?
Botschen et al. Using means‐end structures for benefit segmentation: An application to services
Evans et al. How first impressions of a customer impact effectiveness in an initial sales encounter
Lee et al. Do online brand communities help build and maintain relationships with consumers? A network theory approach
Zhang et al. Impact of value congruence on affective commitment: examining the moderating effects
Li Roles of individual perception in technology adoption at organization level: Behavioral model versus toe framework
Mansouri et al. Investigating the mediating role of market orientation between internal marketing and the development of entrepreneurial orientation within private sports clubs
Reynolds et al. The strata model predicting advertising effectiveness: A neural-network approach enhances predictability of consumer decision making
Prashar et al. Predicting Indian shoppers’ malls loyalty behaviour
Dobson et al. Combined framing effects on attitudes and behavioral intentions toward mortgage advertisements
Kerr et al. Reclaiming the contingent nature of the determinants of salesperson performance: an extended meta-analysis
Rafiana et al. Effect of social media usage and entrepreneurial marketing on the success of organic processed food MSMEs
Tanner Jr Users’ role in the purchase: their influence, satisfaction and desire to participate in the next purchase
Tan et al. Generating Competitiveness through Trending Marketing strategies, Case of Gen Z Consumers in the Restaurant industry
Woodside Case-Based Causal Mapping of Bad and Good Decisions☆
Dalton et al. Expert elicitation method selection process and method comparison
Honarmand et al. Developing a brand avoidance model in Pygmalion cycle
Papawadee HOW SOCIAL MEDIA EFFECT TO CUSTOMER PURCHASING DECISION IN SKINCARE PRODUCT.
Yeboah Assessing the impact of promotion mix consumer knowledge and purchase behaviour of insurance services in Ghana: A study of Saham Life Insurance Ghana
Bačiková MASTERARBEIT/MASTER’S THESIS
Pham Factors affeting repurchase intention of logistics services in Da Nang
Eisend et al. Approaches for Theory Testing

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application