[논문 리뷰] Using Twitter to Predict Sales: A Case Study

Remco Dijkman, Panagiotis G. Ipeirotis외 2명|arXiv (Cornell University)|2015. 03. 16.

Digital Marketing and Social MediaSocial Sciences참고 문헌 45인용 수 20

한 줄 요약

이 연구는 특히 개인 사용자가 올린 긍정적 트윗을 분류하는 것으로, 주목을 받지 못하는 제품의 판매를 정확하게 예측할 수 있음을 보여준다. 네 개국 사례 연구를 통해 저자들은 개인적 긍정 트윗의 급증이 후속 판매 증가와 강하게 상관되며, 단순한 트윗 수보다 더 뛰어난 예측 성능을 보임을 입증한다. 이는 정서 분류와 고급 통계 모델링이 단순 상관관계보다 더 중요하다는 것을 시사한다.

ABSTRACT

This paper studies the relation between activity on Twitter and sales. While research exists into the relation between Tweets and movie and book sales, this paper shows that the same relations do not hold for products that receive less attention on social media. For such products, classification of Tweets is far more important to determine a relation. Also, for such products advanced statistical relations, in addition to correlation, are required to relate Twitter activity and sales. In a case study that involves Tweets and sales from a company in four countries, the paper shows how, by classifying Tweets, such relations can be identified. In particular, the paper shows evidence that positive Tweets by persons (as opposed to companies) can be used to forecast sales and that peaks in positive Tweets by persons are strongly related to an increase in sales. These results can be used to improve sales forecasts and to increase sales in marketing campaigns.

연구 동기 및 목표

• 소셜 미디어에서 주목을 받지 못하는 제품에 대해 트위터 활동이 실제 판매를 예측할 수 있는지 조사하기.
• 원시 트윗 수 사용의 한계를 해결하기 위해 정서 분류가 더 효과적인 예측 도구가 될 수 있는지 탐구하기.
• 정서 분류와 통계 모델링을 융합한 방법을 개발하고 검증하여 판매 예측 정확도를 향상시키기.
• 개인과 기관에서 올린 트윗이 판매 결과에 미치는 영향의 차이를 분석하기.

제안 방법

• 연구는 네 개국에서 운영되는 기업의 트위터 데이터와 판매 데이터를 정해진 기간 동안 수집한다.
• 트윗은 정서(긍정, 부정, 중립)와 출처(개인 대 기관)에 중점을 두어 분류된다.
• 시간적 관계를 분석하기 위해 통계 모델이 적용되며, 특히 긍정적 개인 트윗의 수와 판매 추세 간의 관계를 다룬다.
• 시간 시리즈 분석과 상관관계 모델링과 같은 고급 통계 기법을 사용하여 단순 상관관계를 뛰어넘는 예측 패턴을 식별한다.
• 연구 결과의 일반화 가능성과 탄력성을 평가하기 위해 다국적 범위에서 모델을 검증한다.
• 자연어 처리 기법을 사용하여 개인 트윗과 기업 트윗을 구분하는 정서 분류를 수행한다.

실험 결과

연구 질문

• RQ1 개인 사용자가 올린 긍정 정서 트윗은 주목을 받지 못하는 제품의 향후 판매 증가를 예측할 수 있는가?
• RQ2 트윗의 출처(개인 대 기관)는 판매 예측 능력에 어떤 영향을 미치는가?
• RQ3 원시 트윗 수가 판매 예측에서 정서 분류된 트윗 데이터보다 뛰어나다고 할 수 있는가?
• RQ4 긍정적 개인 트윗의 급증이 판매 급증을 얼마나 앞서는가?
• RQ5 정서와 시간적 동적 요소를 통합한 통계 모델은 단순 상관관계 기반 접근법에 비해 판매 예측 정확도를 얼마나 향상시킬 수 있는가?

주요 결과

• 개인 사용자가 올린 긍정적 트윗은 이후 판매 증가와 강력하고 통계적으로 유의미한 상관관계를 보이며, 특히 급증이 발생할 경우 더욱 뚜렷하다.
• 기관에서 올린 트윗은 동일한 예측 능력을 보이지 않아, 사용자 생성 콘텐츠가 판매 예측에 더 유용하다는 것을 시사한다.
• 원시 트윗 수만으로는 주목을 받지 못하는 제품의 판매를 예측할 수 없으며, 이는 정서 분류의 필요성을 강조한다.
• 긍정적 개인 트윗의 급증은 일관되게 판매 급증 이전에 발생하며, 이는 인과관계 또는 선도적 관계를 시사한다.
• 정서와 시간적 동적 요소를 통합한 통계 모델링은 단순 상관관계에 비해 예측 정확도를 크게 향상시킨다.
• 예측 관계는 여러 국가에서 일관되게 유지되며, 이는 접근 방식의 다문화적 타당성을 시사한다.