소비자 리뷰를 통한 이커머스 새벽배송 서비스 요인 분석 : 머신 러닝(분류)을 중심으로 = E-commerce early morning delivery service factor analysis through consumer reviews -Focusing on machine running (Classification)-

다국어 초록 (Multilingual Abstract)

The first early morning delivery service in E-commerce market in Korea was introduced in 2016 and has been growing rapidly for last six years. The early morning delivery market has grown in 150 times of its size than that of the beginning; it started with 10 billion won, but it reached 1.5 trillion won in 2020. Accordingly, a well-found research is significantly needed to suggest the direction of the early morning delivery market. The direction of the market should reflect the demand of the consumers, thus the analysis of the service factors is critical in understanding the demand. This study analyzes the factors for customer satisfaction by extracting key words from the user reviews of Google Play Store and Apple App Store and applying the machine learning (classification) to find the insight about the fast-growing early morning delivery service market.
User reviews of Market Kurly application, which first introduced the early morning delivery service to the market, are the primary data this study develops upon. Collected data date from February 20, 2016 to April 16, 2021, and the total of 10,390 were collected. The data were first pre-processed for the Natural Language Processing and filtered into total 6,417 data. Then, the machine learning (logistic regression) was processed consequently.
This paper focuses on and analyzes the service factors, which influence positively to the consumer experience on the early monring delivery service. A logistic regression model was adopted in order to classify words into positive and negative relationship. The influence of the words in positive relationship within the learning model is calculated and converted into scores, and top 10 words are used for the research model.
As a result, the total score of the research model is 64.7, while other factors score as follow: ‘Product’ records 29 (44.8%) and ‘Application Use’ scores 14.8 (22.9%). Thus, it is apparent that the ‘Product’ factor remarks the higher satisfaction in service than ‘Application Use’ factor does. In addition, terms such as ‘Environment’ and ‘Eco-friendly’ are concentrated in the ‘’Packaging’ factor. This leads to the point which usage of sustainable containers and packaging do have optimistic influence on customers’ service experience. In near future, more precise study on the service factors that affect customer satisfaction is feasible with continuously growing data volume. At last, it is expected that this study, with its insight on customer needs, provides a valuable indication to the management executives for improving the service quality of the early morning delivery.

국문 초록 (Abstract)

국내 새벽배송시장이 처음 도입된 시기는 2016년으로 2021년 현재까지 6년 동안 급속도로 성장 중이다. 초창기 새벽배송 시장 규모는 100억이었지만, 2020년에는 1조 5000억으로 초기 대비 150배 성장하였다. 따라서 새벽배송시장이 나아가야할 방향성을 제시하기 위한 연구가 필요하다. 시장의 방향성은 소비자의 요구사항을 반영해야 한다. 그러므로 소비자들이 중요시하는 서비스 요인 분석이 필요하다. 본 연구에서는 급속도로 성장하는 새벽배송시장을 파악하기 위해, 구글, 애플 앱 스토어 리뷰 데이터를 기계학습(분류)을 활용하여 연구모형(애플리케이션 사용요인, 배송요인, 제품요인, 마케팅요인)을 기반으로 새벽배송 서비스에 대한 소비자 만족 요인을 분석하였다.
본 연구는 새벽배송을 처음 선보인 마켓컬리 리뷰 데이터를 중심으로 연구를 진행하였다. 수집된 리뷰 데이터의 기간은 2016년 2월 20일부터 2021년 4월 16일까지이며, 총 10,390개 데이터를 수집하였다. 자연어 처리를 위한 전처리 과정을 진행 후, 최종 6,417개의 데이터로 기계학습(로지스틱 회귀분석)을 진행하였다.
본 논문은 소비자 서비스 요인 중에서 긍정적인 영향을 미치는 요인에 초점을 맞춰 분석을 진행하였다. 단어의 양의 관계와 음의 관계를 분류하기 위해 로지스틱 회귀 분석 모델을 사용하였다. 학습 모델상 양의 관계의 단어의 영향도를 점수로 산출하였고, 상위 10개의 단어를 출력하여 연구모형에 적용하였다.
적용 결과 연구모형 총 점수는 64.7점이며 제품요인은 29(44.8%)점, 애플리케이션 사용요인은 14.8(22.9%)점으로 제품요인이 애플리케이션 사용요인보다 서비스 만족도가 높은 것을 확인할 수 있다. 또한, 포장요인에서 ‘환경’, ‘친환경’ 단어가 군집되어 있다. 이를 보아 재활용 가능한 친환경 포장재 사용은 새벽배송 서비스 경험에 긍정적인 요소라고 판단된다. 향후 지속해서 증가하는 데이터를 기반으로 더 정확하게 고객이 만족에 영향을 미치는 서비스 요인을 파악할 수 있을 것이다. 또한, 고객의 니즈 파악이 가능하므로 새벽배송 서비스 품질 향상을 위한 경영진의 의사결정 지표로 활용될 수 있을 것으로 예상한다.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구의 배경 및 목적 1
• 1.2 연구 범위 및 방법 3
• 제 2 장 이론적 배경 및 선행 연구 5
• 2.1 새벽배송 서비스 이론 5
• 2.1.1 새벽배송 서비스 개념 5
• 2.1.2 새벽배송 서비스 현황 6
• 2.2 관련 선행연구 8
• 2.2.1 새벽배송 관련 선행 연구 8
• 2.2.2 로지스틱 회귀 관련 선행연구 9
• 2.2.3 본 연구의 차별성 10
• 제 3 장 연구 방법 및 분석 11
• 3.1 자료의 구성 11
• 3.1.1 연구모형 11
• 3.1.2 데이터선정 14
• 3.1.3 데이터 수집 및 EDA 16
• 3.1.3.1 데이터 크롤링 16
• 3.1.3.2 탐색적 데이터 분석 19
• 3.2 로지스틱 분류 모형 27
• 3.2.1 로지스틱 회귀 분류 개념 27
• 3.2.2 데이터 전처리 및 학습 방법 29
• 3.3 데이터 분류 결과 및 수치화 35
• 제 4 장 결론 45
• 4.1 요약 및 시사점 45
• 4.2 향후 연구 과제 47
• 참고문헌 49