대용량 웹로그 데이터를 통한 사용자 특성 및 행동 분석 = Analysis of User Characteristics and Behaviors through Large-Scale Weblog Data

국문 초록 (Abstract)

본 논문에서는 최적의 CRM 전략을 위한 필수적 요소인 고객의 특성 및 행동 모델을 대용량 웹로그 데이터를 통해 분석한다. IT 기술의 발전으로 기업에서 접근 가능한 데이터의 양이 기하급수적으로 증가하고 있으며 인터넷의 대중화로 온라인 시장의 규모 또한 매년 증가하고 있다. 웹로그 데이터는 사용자들이 웹 상에서 수행한 모든 행동을 기록한 데이터로, 사용자 특성 및 행동 모델 구축에 매우 유용하다. 기존의 웹로그 데이터 분석 기법은 대부분 포인트 데이터나 트랜잭션 데이터를 이용하여 이루어져 왔는데, 이러한 데이터는 절대적인 수치로 표현되며 데이터 간에 연결성을 갖지 못한다. 따라서 본 논문에서는 웹로그 데이터를 그래프 데이터 형태로 변환하여 분석을 시도한다. 그래프는 표현력이 높은 데이터 구조로 연결성과 구조적 유사도에 근거한 분석이 가능하다. 사용자와 웹 페이지 간의 관계를 나타내는 그래프를 생성하고, 여기에 그래프 클러스터링을 수행하는 방법론을 제시한다. 본 방법론을 뉴스 사이트의 웹로그 데이터에 적용한 결과 특정 주제에 관심을 나타내는 사용자들의 그룹을 정확하게 발견할 수 있었다.

다국어 초록 (Multilingual Abstract)

In this paper, using weblog data, we examine the model for user characterstics and behaviors, which is essential for setting up the best CRM strategy. The amount of data available in an enterprise increases exponentially owing to the advance of the IT technology, and the size of the online market gets larger because of the prevalence of the Internet. Weblog data, which record all the activities of users on the Web, are indispensable for building the model of user characteristics and behaviors. Typically, weblog data have been investigated using the form of point or transaction data, but these forms have limited capability in that they consist of numeric values and lack relationships between data items. Thus, to enrich the expressive power, we attempt to analyze weblog data in the form of graphs. The graph is a highly expressive data structure because it enables us to perform analysis based on both relationship and structural similarity. Our proposed methodology first constructs a graph that represents the relationship between users and web pages and then applies graph clustering to the graph. We demonstrate that we obtained the group of users who had similar interests from the data set of a news website.

참고문헌 (Reference)

• 1 권영직, "웹로그 분석 모델" 212-219, 2009
• 2 오재훈, "웹 로그분석을 이용한 실시간 온라인 마케팅 시스템 설계 및 개발에 관한 연구" 한국전자거래학회 16 (16): 249-261, 2011
• 3 고재문, "수주생산기업 B2B에서 e-CRM을 위한 웹 로그 분석" 대한산업공학회 18 (18): 10-10, 2005
• 4 강래구, "성공적인 eCRM, CRM을 위한 데이터마이닝 기법" 한국정보통신학회 10 (10): 1596-1601, 2006
• 5 이명학, "고객관계관리(CRM)가 기업 경영성과에 미치는 영향에 대한 실증적 연구 -소비자 유형에 따른 CRM 인식도 차이를 중심으로-" 한국디지털정책학회 10 (10): 79-92, 2012
• 6 Newman, M.E.J, "Modularity and Community Structure in Networks" 103 (103): 8577-8582, 2006
• 7 Couldwell, C, "Loyalty Bonuses"
• 8 Ahn, Y.-Y, "Link Communities Reveal Multiscale Complexity in Net-works" 466 (466): 761-764, 2010
• 9 Schaeffer, S.E, "Graph Clustering" 1 (1): 27-64, 2007
• 10 McSweeney, P.J., "Gephi Network Statistics"
• 11 Gartner Group, "Customer Relationship Man-agement: The Gartner Perspective"
• 12 Fu, Y, "Clustering of Web Users Based on Access Patterns" 1999
• 13 Ngai, E.W.T, "Appli-cation of Data Mining Techniques in Customer Rela-tionship Management: A Literature Review and Classi-fication" 36 (36): 2592-2602, 2009
• 14 Beeferman, D, "Agglomerative clustering of a search engine query log" 407-416, 2000
• 15 이상문, "A Spatial Data Mining and Geographical Customer Relationship Management System" 한국컴퓨터정보학회 15 (15): 121-128, 2010
• 16 Farooqi, M, "A Comprehensive Study of CRM through Data Mining Techniques"
• 17 황준원, "2-계층 클러스터링을 사용한 웹 사용자 그룹의 행동규칙추출방법에 관한 연구" 1 : 139-146, 2006