---
type: paper
slug: daejin-kim-2019-search-engine-automotive-forecasting
title: >-
  Can search engine data improve accuracy of demand forecasting for new
  products? Evidence from automotive market
authors:
  - '[[dongha-kim]]'
  - '[[jongroul-woo]]'
  - '[[jungwoo-shin]]'
  - '[[jongsulee]]'
  - '[[yongdai-kim]]'
year: 2019
venue: '[[industrial-management-and-data-systems]]'
volume: '119'
issue: '5'
pages: 1089-1103
doi: 10.1108/IMDS-08-2018-0347
categories:
  - '[[forecasting-methods]]'
  - '[[big-data-analytics]]'
methods:
  - '[[bass-diffusion-model]]'
  - '[[logistic-link-function]]'
  - '[[armax]]'
  - '[[t-test]]'
  - '[[f-test]]'
themes:
  - '[[search-engine-data]]'
  - '[[google-trends]]'
  - '[[automotive-market]]'
  - '[[new-product-diffusion]]'
  - '[[internet-search-behavior]]'
aliases: []
last_updated: '2026-05-20T01:44:09+09:00'
---
# Can search engine data improve accuracy of demand forecasting for new products? Evidence from automotive market

*[[dongha-kim]], [[jongroul-woo]], [[jungwoo-shin]], [[jongsulee]], [[yongdai-kim]] (2019)* · [[industrial-management-and-data-systems]] 119(5):1089-1103 · [DOI ↗](https://doi.org/10.1108/IMDS-08-2018-0347)

> 미국·캐나다 5 개 지역 (California / Colorado / New York / Texas / Ontario) 의 63 자동차 모델 (2004-2011 출시, 218 vehicle-region cases) 의 *Google Trends 검색량* 과 Polk 신차 판매 데이터를 결합, 기존 Bass diffusion model 에 *logistic link function* 으로 internet search 활동을 *innovation 계수 p* + *imitation 계수 q* 두 변수에 동시 endogenize. **218 cases 중 83.62% 에서 internet search pattern 이 new product diffusion 의 유의 explanatory variable**. *Proposed model 예측 성능 (RMSE/mean) 이 traditional Bass + ARMAX 보다 우수* (장·단기 모두). [[jongsulee]] 의 *3 기 (2017-2025) 수요예측·정책 평가 통합* 라인의 *big data + 전통 diffusion 결합* 사례.

- **RQ**: Internet search query (Google Trends) 데이터가 신제품 수요 예측 정확도를 개선하는가? Internet search behavior 가 *innovation 효과 (외부)* 와 *imitation 효과 (내부)* 에 어떻게 차등적으로 작용하는가? Vehicle class × region 의 sensitivity 차이는?
- **방법론**: 확장 [[bass-diffusion-model]] (Bass 1969) + [[logistic-link-function]] — innovation 계수 $p_{i,t,p} = 1/\{1 + \exp(-(p_{i0} + p_{i1} \cdot s_{i,t-p}))\}$ + imitation 계수 $q_{i,t,p}$ 동일 형식. 시간 lag $p$ = 1 개월. 비교 모형: traditional [[bass-diffusion-model]] + [[armax]] (Hamilton 1994). [[t-test]] + [[f-test]] 로 vehicle class × region 효과 차이. 예측 성능: scaled RMSE / mean.
- **데이터**: 2004-2011 미국 출시 193 vehicle → 1-2 년 데이터만 있는 47 제외 → generation 구분 안 되는 model 제외 → 데이터 부족 region 제외 → 최종 **63 vehicle × 5 region = 218 cases** (CA 43 / CO 35 / NY 48 / TX 50 / ON 42). 차종 분류: General SUV 51 / Crossover SUV 77 / General Sedan 44 / Luxury Sedan 17 / Other (sports/roadster/SUT) 29. Source: Google Trends (monthly search index by region), Polk (월간 판매). Training 24 개월.
- **주요 발견**: (i) **218 cases 의 83.62% 에서 $p_{1i}$ 또는 $q_{1i}$ 가 5% 유의** — internet search pattern 이 diffusion 의 유의 driver. (ii) **Vehicle class 차이**: SUV/Crossover/Sedan/Other 에서는 internal/external 효과 평균이 양 유의, **Luxury sedan 만 평균이 0 보다 크다고 주장 불가** (regression to high-end 의 차별). (iii) **Variance 차이**: "Other" class 의 외부·내부 효과 분산이 가장 큼 — sports/roadster/SUT 의 sales 가 search 에 *가장 sensitive*. (iv) **Region 차이**: California / Colorado / NY / Texas / Ontario 별 차등 효과; Acura RDX 사례 — California 에서 internet search 가 innovation 계수 음 영향, Ontario 에서는 innovation + imitation 둘 다 양 (Ontario community website 의 imitation 기여 가설). (v) **예측 성능**: proposed model 이 traditional Bass + ARMAX 보다 *long-term + short-term 모두 우월* (margin 큼, *비교 5 모형 중 최고*). (vi) 검색량 → vehicle sales 인과 신호 — Bickart-Schindler (2001) 의 online discussion 효과, Carrière-Swallow & Labbé (2013), Fantazzini & Toktamysova (2015) 의 selective 자동차 forecast 와 정합.
- **시사점**: (a) Marketing 으로 internet search 자극이 vehicle sales 에 positive impact — *cross-product type + cross-region 일관*. (b) 자동차 사 의 marketing budget 의 *digital 채널* 할당 정당화. (c) 빅데이터 + 전통 diffusion 결합 model 의 *generalizable framework* 제공 — 다른 산업 (electronics, fashion, real estate) 으로 확장 가능. (d) Luxury sedan 처럼 *narrow audience* 제품은 internet search 효과 약함 → 다른 marketing channel 우선. (e) "Other" class (sports/roadster/SUT) 는 *online buzz* 가 dominant driver. (f) Limitation: search query 가 2004 이후만 가용, vehicle 만 검증, 다른 big data source (SNS, review) 확장 future work.

![Acura RDX, Audi A5, BMW X6, Buick Enclave 의 California / Colorado / NY / Texas 의 monthly internet search trend (Google Trends) vs monthly sales (Polk) — 출시 전 attention spike + 출시 후 sales diffusion 의 visual 동조 패턴.](/papers/201906_KimD_Can_search_engine_data_improve_accuracy_of_demand_forecasting_for_new_products_Evidence_from_automotive_market/fig1.jpeg)

## 요약

[[jongsulee]] 의 *3 기 (2017-2025) 수요예측·정책 평가 통합* 라인의 *big data + 전통 diffusion 결합* 사례 — 5 인 공저 (Dongha Kim + JongRoul Woo + Jungwoo Shin + [[jongsulee]] + Yongdai Kim) 의 collaborative 작업으로 SNU Statistics + MIT IDSS + Kyung Hee 산업공학 + SNU TEMEP + SNU Statistics 의 disciplinary mix. 기존 *consumer information search → 구매 decision* 의 의미가 Dewey (1997) Mohr 등 (2010) 의 5-stage 모형에서 정의되나, 이 search behavior 측정이 *survey* 만 가능했음 (Ratchford 등 2003, Kulkarni 등 2012). 빅데이터 시대의 *actual internet search query* 가 가용해지면서 disease, macro, movie, tourism 등에 적용됐으나 (Ginsberg 등 2009, Choi-Varian 2012, Goel 등 2010, Bangwayo-Skeete-Skeete 2015, Jun 등 2014 등) *new product diffusion 의 product type × region 별 적용* 은 본 paper 가 처음.

방법론 핵심은 [[bass-diffusion-model]] (Bass 1969, durable goods diffusion 의 표준 mathematical model) 의 *innovation 계수 p (외부 효과)* + *imitation 계수 q (내부 효과)* 두 모수를 search query 의 [[logistic-link-function]] 으로 endogenize. Logistic 사용 이유: (i) 두 계수가 양수 보장, (ii) monotonic increasing, (iii) interpretability — $p_{i1}$ 는 *innovation 의 search 효과* (vehicle 의 specification 정보가 좋게 보이면 양, 나쁘게 보이면 음), $q_{i1}$ 는 *imitation 의 search 효과* (community website 의 review 가 좋으면 양). [[t-test]] + [[f-test]] 로 vehicle class × region 효과 차이 통계 검증. 비교: traditional Bass + [[armax]] (Hamilton 1994, search 를 exogenous variable 로) — out-of-sample scaled RMSE 비교.

핵심 결과 — **218 cases 의 83.62% 에서 internet search pattern 이 diffusion 의 유의 driver**. 차종별: SUV / Crossover / Sedan / Other 양 평균 유의, **Luxury sedan 만 0 가설 비기각** (narrow audience → online 영향 약함, 또는 *오프라인 dealer 의 personal contact* 우선). "Other" (sports/roadster/SUT) class 의 effect variance 가 가장 큼 — *online buzz sensitive* 제품군. Region 별 차등 — Acura RDX 의 California 에서 search 가 innovation 계수 음 (negative review dominant), Ontario 에서는 innovation + imitation 둘 다 양 (community website + early adopter 효과). 예측 성능: proposed model 이 traditional Bass + ARMAX 보다 long/short-term 모두 우월, scaled RMSE 의 margin 큼 — *search-aware Bass model 의 generalizable forecasting framework* 입증.

정책/실무 함의: 자동차 사 의 marketing 이 *internet search 자극* 으로 sales 에 positive impact — digital channel 투자 정당화. 빅데이터 + 전통 diffusion 결합 model 의 generalizable framework, electronics / fashion / real estate 확장 가능. Luxury sedan 같은 narrow audience 제품은 다른 marketing channel 우선. caveat: search query 2004 이후만 가용 (1990s 이전 비교 불가), vehicle 만 검증, SNS / review 등 다른 big data source 확장 future work. *Lee 등 (2018)* 의 hybrid car + industrial robot patent citation + web search 결합도 sister study.

## 핵심 결과

| 항목 | 결과 |
|---|---|
| 총 case | **218** (63 vehicle × 5 region) |
| 유의 cases ($p_{1i}$ 또는 $q_{1i}$, 5%) | **83.62%** |
| 차종 (5): SUV / Crossover / Sedan / Other 의 평균 외부·내부 효과 | **양 유의** |
| Luxury sedan 의 평균 효과 | **0 가설 비기각** (효과 불명) |
| "Other" (sports/roadster/SUT) 의 effect variance | **가장 큼** (online buzz sensitive) |
| Region 별 차등 | Acura RDX California $p_1$ 음 / Ontario $p_1$+$q_1$ 양 |
| 예측 성능 (scaled RMSE) | **proposed > Bass > ARMAX** (long/short-term 모두) |

> 데이터: Google Trends (월간 검색 index by region) + Polk (월간 판매) — 5 region (California 43 / Colorado 35 / NY 48 / Texas 50 / Ontario 42 cases). Training 24 개월, time lag 1 개월. Acura RDX 사례: California $p_1 = −0.00544$ (음, 유의 X), Ontario $q_1 = +0.01566$ (양 유의).

## 방법론 노트

[[bass-diffusion-model]] (Bass 1969) 의 standard form:

$$
n_{i,t} = [p_{i,t,p} + q_{i,t,p} (N_{i,t-1} / m_i)] [m_i - N_{i,t-1}]
$$

본 paper 는 $p$ 와 $q$ 를 internet search activity $s_{i,t-p}$ 의 [[logistic-link-function]] 으로 endogenize:

$$
p_{i,t,p} = \frac{1}{1 + \exp(-(p_{i0} + p_{i1} \cdot s_{i,t-p}))}, \quad q_{i,t,p} = \frac{1}{1 + \exp(-(q_{i0} + q_{i1} \cdot s_{i,t-p}))}
$$

$p_{i0}, q_{i0}$ = 전통 Bass 의 외부·내부 효과 baseline, $p_{i1}, q_{i1}$ = search 효과 의 innovation / imitation channel. Out-of-sample 예측: training period $T_{tr}$ → test period $T_{ts}$, scaled RMSE:

$$
\text{Forecasting accuracy} = \frac{1}{I} \sum_i \left( \frac{\text{RMSE}_i}{\bar{N}_i^{ts}} \right)
$$

비교 reference: traditional Bass (search 없음), [[armax]] (Hamilton 1994, search 를 exogenous variable). Identification: training 24 개월, time lag 1 개월, vehicle-region pair 별 독립 추정 (218 cases). [[t-test]] (양측) + [[f-test]] (variance 비교) 로 차종/지역 효과 차이.

## 연구 계보

[[jongsulee]] 의 *3 기 (2017-2025) 수요예측·정책 평가 통합* 라인의 *big data + 전통 diffusion 결합* 사례. Direct method predecessor: Bass (1969, *Management Science*, diffusion model 본가), Hamilton (1994, *Time Series Analysis*, ARMAX), Dalal-Weerahandi (1995), Lehmann-Esteban-Bravo (2006). Direct theory predecessor: Dewey (1997), Mohr 등 (2010) 의 consumer 5-stage decision, Engel 등 (1995) 의 internal/external search, Rogers (2003) 의 diffusion of innovations. Direct application predecessor: Ginsberg 등 (2009, Google Flu Trends), Choi-Varian (2012, Google Trends macro indicators), Chauvet 등 (2016), Goel 등 (2010, box-office/video games/Billboard), Bangwayo-Skeete & Skeete (2015), Yang 등 (2015), Padhi-Pati (2017) tourism, Carrière-Swallow & Labbé (2013), Fantazzini & Toktamysova (2015), Jun 등 (2014, hybrid vehicle) 의 automotive forecast, Lee 등 (2018, patent citation + web search for hybrid car/industrial robot). [[temep]] consumer survey 라인 (Ratchford 등 2003, Kulkarni 등 2012, Woo 등 2014/2015, Xiang 등 2018) 의 actual big data 확장. Sibling: [[jongsulee]] 의 다른 demand forecasting / DCM 작업, [[chul-yong-lee-2008-forecasting-diffusion]] (한국 home networking diffusion forecasting), [[jongsulee-2003-color-display-conjoint]] (color display conjoint) 등.

## See also

- [[jongsulee]]
- [[dongha-kim]]
- [[jongroul-woo]]
- [[jungwoo-shin]]
- [[yongdai-kim]]
- [[bass-diffusion-model]]
- [[logistic-link-function]]
- [[armax]]
- [[t-test]]
- [[f-test]]
- [[search-engine-data]]
- [[google-trends]]
- [[automotive-market]]
- [[new-product-diffusion]]
- [[chul-yong-lee-2008-forecasting-diffusion]]
- [[industrial-management-and-data-systems]]