KCI등재
효용함수 추정을 통한 최적 신용카드 오퍼 모형의 개발 = Optimal Credit Card Offer Modeling with Random Utility Function
저자
발행기관
학술지명
권호사항
발행연도
2009
작성언어
Korean
주제어
KDC
320
등재정보
KCI등재
자료형태
학술저널
발행기관 URL
수록면
103-133(31쪽)
KCI 피인용횟수
0
제공처
신용카드 산업이 발전하여 신용카드사별 경쟁이 심화됨에 따라 전체 고객을 대상으로 하는 카드마케팅의 반응율이 현저히 떨어지게 되어 카드사의 입장에서 캠페인을 시행할 때 고객에게 캠페인의 내용을 알리는데 드는 비용이 큰 부담으로 다가왔다. 고객과의 접촉비용을 줄이는 방안으로 해당 캠페인에 실제 반응할 확률이 높은 고객을 선별하는 다양한 시도가 증가하였다. 이러한 시도는 기존의 로짓, 프로빗 등 모수적 추정방법에 의한 모형 구축과 새롭게 대두된 것이 신경망 모형 및 스코어카드 모형이다. 본 논문에서는 로짓, 프로빗, 신경망 모형, 스코어카드 모형 중 RMSE와 ADD-Logit 모형 등 5개 모형의 MAD(Mean Average Difference), RMSE(Root Mean Square Errors), 로그 최우도값(Log Likelihood), 적중율(Rate of Correct Prediction), 비용편익 등의 비교를 통해 가장 효율적인 모형을 찾아보고자 한다. 또한 반응율을 높이기 위해 자주 사용되는 오퍼들의 한계 효용대체율을 구하여 최적 오퍼를 찾아낼 수 있는 방안을 제시하고자 한다. 추정 결과 개발용 표본에서는 신경망 모형이, 검증용 표본에서는 로짓과 프로빗 모형이 비교적 우수하였다. 한계효용 대체율은 모수적 방법은 동일한 프로파일인 경우 하나의 값이 산출되는데 반해, 신경망 모형은 동일한 프로파일에서도 다양한 값이 산출되어 고객별 최적 오퍼에 대한 다양한 시도가 가능할 것으로 보이나, 실제 검증은 모형에서 산출된 값에 기초한 마케팅을 시행하여야 할 것이다.
더보기AAs credit card industry in Korea is expanding and competition among credit card companies grows up, reaction rate of mass marketing quickly decreases and rate of cost of advertising campaign to customer increases. Many companies are interested in decreasing the cost and try to build reaction prediction models. They often use logit, probit as parametric estimation model, and neural network, scorecard model as non parametric estimation model. In this paper, as we set up the individual utility as function of credit card characteristics, total limit, IS interest rate, CS interest rate, marketing offer vector and customers` profile vector, we are finding the optimal offer of credit card. To find optimal model, we compare several models, logit, probit as parametric model and neural network, scorecard model as noon parametric model. Furthermore, to find optimal offer to customer, we calculate marginal rate of substitution between two offers which are usually used. Neural network model use linear function as combination function, hyperbolic tangent as activation function, three hidden layers and back propagation network as error correction. Estimation result, directions of coefficients of five models are alike and important input variables are marketing offer, using amount of IS, male`s total limit, IS using customer`s CS and IS interest rate. In training sample, neural network model is the best at MAD, RMSE, Log Likelihood, Rate of Correct Prediction and Cost Benefit Analysis. But in validation sample, parametric models (logit, probit) are better than others. Because of neural network model`s over fitting problem, it`s performance decreases more in validated sample than in training sample compared to other models. In terms of MRS, customers with same profile have same MRS in parametric models, but different MRS in neural network model. We found weak evidences that neural network model is most efficient in terms of calculating MRS. To improve this study, we need accumulation of panel data of marketing activities; the same marketing performed to the same customer several times with a lag. Furthermore, the real characteristics of credit card inside of customer`s wallet is available, the prediction rate of the model would be improved. Survey data would be good candidate.
더보기분석정보
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2026 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2020-01-01 | 평가 | 등재학술지 유지 (재인증) | KCI등재 |
2017-01-01 | 평가 | 등재학술지 유지 (계속평가) | KCI등재 |
2013-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2009-01-01 | 평가 | 학술지 통합 (기타) | |
2008-03-28 | 학술지명변경 | 한글명 : 금융학회지 -> 금융연구외국어명 : Korean Journal of Money & Finance -> Journal of Money & Finance | KCI등재 |
2008-01-01 | 평가 | 등재학술지 유지 (등재유지) | KCI등재 |
2005-01-01 | 평가 | 등재학술지 선정 (등재후보2차) | KCI등재 |
2004-01-01 | 평가 | 등재후보 1차 PASS (등재후보1차) | KCI후보 |
2003-01-01 | 평가 | 등재후보학술지 선정 (신규평가) | KCI후보 |
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 0.57 | 0.57 | 0.64 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
0.61 | 0.62 | 1.431 | 0.06 |
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)