[논문 리뷰] Application of Data Mining In Marketing

B. Radhakrishnan, G Shineraj외 1명|arXiv (Cornell University)|2013. 10. 31.

Stock Market Forecasting Methods참고 문헌 8인용 수 14

한 줄 요약

이 논문은 마케팅 분야에서 시장 행동 분석 및 투자 결정 지원을 위해 데이터 마이닝 기법—특히 의사결정나무—의 적용을 탐구한다. 기존의 방법론을 검토하고 실시간 데이터 처리 및 다중 산업 간 통합과 같은 미개척 분야를 식별하며, 금융 및 마케팅 맥락에서 예측 정확도와 실용성 향상을 위한 향후 연구 방향을 제시한다.

ABSTRACT

One of the most important problems in modern finance is finding efficient ways to summarize and visualize the stock market data to give individuals or institutions useful information about the market behavior for investment decisions. The enormous amount of valuable data generated by the stock market has attracted researchers to explore this problem domain using different methodologies. Potential significant benefits of solving these problems motivated extensive research for years. The research in data mining has gained a high attraction due to the importance of its applications and the increasing generation information. This paper provides an overview of application of data mining techniques such as decision tree. Also, this paper reveals progressive applications in addition to existing gap and less considered area and determines the future works for researchers.

연구 동기 및 목표

• 투자 결정을 위한 정보 기반의 의사결정을 지원하기 위해 주식 시장 데이터를 요약하고 시각화하기 위한 데이터 마이닝 기법의 역할을 검토하기 위해.
• 특히 실시간 처리 및 다중 산업 간 적응 가능성 측면에서 현재 마케팅 분야의 데이터 마이닝 응용에서의 격차를 특정하기 위해.
• 행동 데이터 통합 및 동적 시장 모델링과 같은 미개척 영역을 부각하기 위해.
• 금융 및 마케팅 분야에서 예측 모델링 및 의사결정 지원 시스템의 향상을 위한 향후 연구 방향을 제안하기 위해.
• 의사결정나무 및 새로운 추세에 중점을 두고 데이터 마이닝 응용의 종합적인 개요를 제공하기 위해.

제안 방법

• 본 연구는 마케팅 및 금융 분야에서의 기존 데이터 마이닝 응용을 분석하기 위해 문헌 고찰 방식을 활용한다.
• 시장 행동를 분류하고 예측하기 위한 핵심 기법으로 의사결정나무 알고리즘을 집중적으로 다룬다.
• 데이터 마이닝이 대량의 주식 시장 데이터를 처리하여 실질적인 통찰을 도출하는 데의 효과성을 평가한다.
• 실제 마케팅 시나리오에서의 확장성, 해석 가능성 및 성능 측면에서 다양한 데이터 마이닝 방법론을 비교한다.
• 기존 연구의 질적 통합을 통해 현재 응용 분야의 추세, 한계 및 기회를 식별한다.
• 마케팅 맥락에서의 데이터 전처리, 특징 선택, 모델 평가와 같은 핵심 데이터 마이닝 구성 요소를 특정하는 데도 포함된다.

실험 결과

연구 질문

• RQ1 의사결정나무와 같은 데이터 마이닝 기법은 주식 시장 데이터를 요약하고 시각화하여 투자 결정에 효과적으로 적용될 수 있는가?
• RQ2 마케팅 및 금융 분야의 데이터 마이닝 응용에서 현재의 한계와 미개척 영역는 무엇인가?
• RQ3 마케팅 응용에서 가장 중요한 데이터 마이닝 구성 요소—예를 들어 전처리, 특징 선택, 모델 평가—는 무엇인가?
• RQ4 기존 데이터 마이닝 방법은 실시간 시장 분석에 있어 확장성과 해석 가능성 측면에서 어떻게 비교될 수 있는가?
• RQ5 마케팅 및 금융 의사결정에 대한 데이터 마이닝의 통합을 향상시키기 위한 향후 연구 방향은 무엇인가?

주요 결과

• 의사결정나무는 시장 행동 분석 및 투자 결정 지원에 있어 매우 해석 가능하고 효과적인 방법으로 확인된다.
• 논문은 현재 데이터 마이닝 응용에서 실시간 데이터 처리 및 동적 시장 모델링가 여전히 미개척 영역로 남아 있음을 드러낸다.
• 마케팅과 금융 서비스 간의 다중 산업 간 데이터 마이닝 통합에서 뚜렷한 격차가 존재한다.
• 기존 연구는 마케팅 응용에서 모델 정확도 향상을 위해 특징 선택 및 데이터 전처리의 중요성을 종종 간과한다.
• 본 연구는 변화하는 시장 조건에 맞게 설계된 확장성 있고 적응 가능한 데이터 마이닝 프레임워크의 향후 연구 필요성을 강조한다.
• 저자들은 의사결정나무가 강력한 잠재력을 보이지만, 그 전반적인 유용성은 방법론적 및 맥락적 한계를 해결하는 데 달려 있다고 결론 내린다.