Can search engine data improve accuracy of demand forecasting for new products? Evidence from automotive market

dongha-kim, Jongroul Woo, Jungwoo Shin, 이종수, yongdai-kim (2019) · industrial-management-and-data-systems 119(5):1089-1103 · DOI ↗

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). 이종수 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 베스 확산 모형 (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 베스 확산 모형 + armax (Hamilton 1994). t 검정 + 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.

요약

이종수 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 + 이종수 + 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 베스 확산 모형 (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 검정 + 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

베스 확산 모형 (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 검정 (양측) + f-test (variance 비교) 로 차종/지역 효과 차이.

연구 계보

이종수 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). 기술경영경제정책전공 consumer survey 라인 (Ratchford 등 2003, Kulkarni 등 2012, Woo 등 2014/2015, Xiang 등 2018) 의 actual big data 확장. Sibling: 이종수 의 다른 demand forecasting / DCM 작업, Demand forecasting for new technology with a short history in a competitive environment: the case of the home networking market in South Korea (한국 home networking diffusion forecasting), Evaluation of Technological Innovation in the Cellular Phone Display (color display conjoint) 등.

인접 그래프

1-hop 이웃 9개

인물 3
개관 1
방법론 2
분류 1
논문 2

휠 = 확대/축소 · 드래그 = 이동 · hover = 강조 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

인물 (1)

이종수