온라인 리뷰와 머신러닝을 활용한 드라마 시청률 예측 모델 연구 = Drama viewer rating predictive model study using online review and machine learning

국문 초록 (Abstract)

광고수입의 대부분을 차지하는 방송프로그램은 예능과 드라마 장르에 집중되어 있고, 이에 따라 시청률 경쟁도 광고단가가 상대적으로 높은 시간에 편성된 드라마와 예능 프로그램에서 치열해 지고 있다. 이 중 드라마의 흥행여부는 방송사업자 경영에 큰 영향을 줄 수 있어, 흥행의 성과를 측정하는 주요 기준이 되는 시청률은 방송사업자의 중요한 관심사이다. 이런 상황에서 사전에 시청률을 예측할 수 있다면 방송사업자의 광고시장 경쟁력 확보에 큰 도움이 될 것이다.

실제로 그동안 시청률 예측과 관련된 많은 선행연구가 있었는데, 연구분야는 크게 세가지 였다. 첫 번째는 드라마 시청률에 영향을 미치는 요인을 분석하는 분야 였고, 두 번째는 이렇게 밝혀진 요인을 변수로 하여 예측모델을 개발하는 것이었으며, 세 번째는 소셜 온라인 리뷰와 시청률간의 상관관계를 연구하는 분야 였다. 하지만, 선행연구에서는 온라인 리뷰와 드라마 시청률간 상관관계가 존재한다는 사실만 일부 확인하였을 뿐, 이를 적용한 예측모델은 부족하였다. 본 연구에서는 이런 문제의식을 바탕으로 드라마 시청률에 영향을 미치는 온라인리뷰 관련 요인을 파악하고, 이를 이용하여 기존 예측모델 보다 성능이 향상된 모델을 개발하고자 하였다.

본 연구에서는 예측모델 개발을 위해서 2015년 이후 방송 종료된 드라마 중 30편을 임의로 선정하여, 훈련에 필요한 데이터 (시청률, 드라마제작정보, 온라인리뷰) 를 수집하였다. 수집한 데이터는 모델링에 적합하도록 독립변수와 종속변수로 변환한 후 머신러닝의 3가지 기법 (다중선형회귀, 인공신경망, SVM) 에 각각 적용하여 다양한 유형의 드라마 시청률 예측모델을 개발하였다. 그 다음, 모델의 설명력과 예측 정확도를 계산하여 모델을 최종 확정하였고, 실제 방송중인 드라마에 적용하여 모델을 검증하였다.

연구 결과, 온라인리뷰는 40~50대 시청률 보다 20~30대 시청률에 더 많은 영향을 주는 것으로 나타나 선행연구 결과와 일치하였고, 수치예측에 사용되는 머신러닝 3가지 기법의 예측모델 성능은 서로간에 차이가 없어, 설명력이 뛰어난 선형회귀분석이 좀 더 적합한 것으로 나타났다. 최종적으로 확정된 평균시청률 예측모델을 실제 방송중인 드라마 8편에 대입하여 검증한 결과 평균 오류율 25%로 나와 기존 연구대비 약5~10%의 성능 향상을 확인하였다.

본 연구에서는 드라마 장르만을 대상으로 하였으나, 방송사업자 입장에서는 드라마 장르 못지 않게 예능 장르 또한 중요하다. 다매체 다채널 시대에 그 중요성이 점점 더 증가하고 있는 것이 예능 장르이나 이에 대한 연구는 부족한 실정이다. 지금까지 진행된 드라마 시청률 예측 연구를 토대로 향후에는 예능 장르에 대한 더 많은 연구가 필요할 것으로 보인다.

다국어 초록 (Multilingual Abstract)

Broadcasting programs, which account for the majority of advertising revenue, are concentrated in the entertainment and drama genres. As a result, viewership competition is becoming more intense in drama and entertainment programs organized at relatively high ad unit prices. Among them, the popularity of the drama can have a great influence on the management of the broadcasting company, and the audience rating, which is the main criteria for measuring the performance of the box office, is an important concern of the broadcasting company. In this situation, if the audience rating can be predicted in advance, it will be a great help to secure the competitiveness of the broadcasting company.

In fact, there have been many precedent studies related to the prediction of audience ratings. The first was to analyze the factors affecting the drama ratings, the second was to develop a predictive model with the factors identified as such, and the third was to research the correlation between social online reviews and ratings . However, in the previous research, only a part of the fact that there is a correlation between the online review and the drama viewership was confirmed, and the prediction model using this was insufficient. In this study, we tried to develop a model which is more effective than the existing predictive model by identifying the factors related to the online review that affect the drama viewership based on the consciousness of the problem.

In this study, 30 pieces of drama that were broadcast since 2015 were randomly selected to develop a predictive model, and collected data (audience rating, drama production information, online review) necessary for training. The collected data were transformed into independent variables and dependent variables suitable for modeling and then applied to the three techniques of machine learning (multiple linear regression, artificial neural network, SVM) to develop various types of drama view prediction models. Then, the model was verified by applying the explanatory power and predictive accuracy of the model to the final confirmed drama.

  As a result of the study, the online review showed that the audience rating of 20 ~ 30 is more influential than that of the 40 ~ 50 audience rating, which is consistent with previous research results. The predictive model performance of the three methods of machine learning used in numerical prediction , And linear regression analysis with better explanatory power is more appropriate. As a result, the average error rate is 25%, which is about 5 ~ 10% higher than the previous research.