Forecasting Demand for a Newly Introduced Product Using Reservation Price Data and Bayesian Updating

이종수, Chul-Yong Lee, Kichun Sky Lee (2012) · Technological Forecasting & Social Change · DOI ↗

Bass-style diffusion 의 historical sales 의존 한계를 reservation price (consumer 최대 지불의향) + Bayesian sequential updating 으로 극복하는 framework 제안. 핵심 가정 — reservation price 가 높을수록 adoption 시점이 빠르다 (innovator > early adopter > … > laggard). Conjoint 로 reservation price 분포 추정 → mixture normal density 로 adoption timing 모형화 → 출시 후 sales data 로 Bayesian MAP update. 한국 broadband Internet 23 분기 데이터 적용 결과 — Bass model · logistic growth · analogy-based Bayesian 의 3 benchmark 모두 보다 prelaunch · postlaunch 양쪽에서 우월한 forecast 성능.

• RQ: 신제품의 historical sales 없이 또는 극소량 sales 만으로 demand forecasting 가능한가? Consumer reservation price + Bayesian updating 의 결합이 Bass / logistic / analogy-Bayesian 보다 우월한가?
• 방법론: reservation-price-model, 베이지안 갱신, mixture-distribution, 컨조인트 분석, 혼합 로짓, map-estimator, ranking-model
• 데이터: 한국 broadband Internet (xDSL · 케이블 · LAN) 23 분기 sales (1998-2003 분기별); conjoint survey (한국, attribute = price · speed · stability 등)
• 주요 발견: Reservation price 기반 모형이 Bass + logistic + analogy-Bayesian 3 benchmark 보다 prelaunch (sales 없을 때) + postlaunch (소량 sales 시) 모두에서 forecast error 낮음; Bayesian updating 효과 — sequential sales 증가 시 forecast 정확도 단조 향상; mixture normal density (k components) 가 single normal 보다 적합도 우월
• 시사점: 신제품 출시 전 단계에서 reservation price survey + Bayesian framework 가 표준 forecasting 도구. 출시 후 sales streaming 환경에서 sequential update 의 정확도 이점

요약

기존 Bass diffusion / logistic growth 는 historical sales 의존이 강해 신제품 launch 전후 forecasting 이 불안정하다. Analogy-based Bayesian (Lilien-Rao-Kalish 1981 등) 은 비슷한 선행 제품 의 존재가 필수 — ICT · 신기술처럼 비교 가능 제품 부재인 경우 적용 불가. 본 paper 는 이종수 · Chul-Yong Lee · Kichun Sky Lee 가 consumer reservation price (Varian 정의: 소비자가 받아들이고도 구매할 최대 가격) 라는 미시 정보를 활용해 analogy 없이 신제품 forecasting 하는 framework 를 제안. 이종수 연구실 제2기 도메인 심화 의 demand forecasting 방법론 진화 표지작이며, conjoint + diffusion 의 기존 라인에 Bayesian sequential update 차원을 추가.

핵심 가정 — reservation price 가 높을수록 adoption 시점이 빠르다 (innovator > early adopter > … > laggard 의 Rogers 5 분류와 정합). 컨조인트 분석 로 각 소비자 i 의 reservation price $r_i^j$ 추정:

$$r_i^j = \frac{1}{\beta_{ip}} \beta_i' X_j$$

여기서 $\beta_{ip}$ 는 price coefficient (log-normal로 음수 보장), $X_j$ 는 attribute vector. ranking-model (Davies 1979) 가정으로 adoption timing $t_i$ 와 reservation price $r_i^j$ 의 linear 매핑:

$$t_i = \frac{r_n^j - r_i^j}{r_n^j - r_1^j} T$$

여기서 $T$ 는 product life cycle (expert 가 peak time 추정, life cycle = 2 × peak). 모집단의 adoption timing density 는 mixture-distribution — k 개 Normal 의 weighted sum:

$$f(t) = \sum_{i=1}^k \pi_i \frac{1}{\sqrt{2\pi} \sigma_i} \exp\left\{ -\frac{(t - \mu_i)^2}{2\sigma_i^2} \right\}$$

$\pi_i$ 는 mixture proportion (sum = 1, Dirichlet prior $D(\alpha_1, \ldots, \alpha_k)$), $\mu_i \sim N(\xi_i, \tau_i)$, $\sigma_i^2 \sim IG(\gamma_i, \omega_i)$. map-estimator (generalized MLE = Bayesian MAP) 로 parameter $\theta$ 추정:

$$\hat{\theta} = \arg\max_\theta f(t | \theta) g(\theta)$$

베이지안 갱신 — 출시 후 분기별 sales $N(t_p)$ 가 누적되면 constraint 로 추가:

$$d(\theta) = \sum_{i=1}^p \left[ \frac{N(t_i)}{m} - \int_{-\infty}^{t_i} f(\tau | \theta) d\tau \right]^2 \leq \varepsilon$$

$\varepsilon = 0.01$ tolerance. Constraint 가 prior 를 truncated distribution 으로 변환 → MAP 가 sales data 반영해 update.

한국 broadband Internet 23 분기 (1998-2003) 데이터 적용. (i) Prelaunch forecast test — sales data 없이 reservation price 만으로 예측. 본 모형 vs Bass · logistic · analogy-Bayesian (3 benchmark). 결과: 본 모형이 모든 benchmark 보다 forecast error 낮음. (ii) Postlaunch forecast test — sales 1·2·…·22 분기 sequential update, 다음 분기 forecast. 결과: Bayesian updating 으로 forecast 정확도 단조 향상; 매 분기 본 모형이 benchmark 우월. (iii) Mixture order k 선택 — k=3~5 가 single normal 보다 적합도 우월 (BIC 기준). 해석 — reservation price 의 cross-section heterogeneity 가 adoption timing 의 time-series 분포를 잘 매핑; Bayesian update 가 sales streaming 환경에서 prior knowledge + new evidence 의 최적 결합.

핵심 결과

Framework 비교 (한국 broadband Internet 1998-2003)

Model	Prelaunch	Postlaunch (sequential)
Bass model	기준	기준
Logistic growth	다소 우월	다소 우월
Analogy-based Bayesian	비슷	비슷
Reservation price + Bayesian (본 모형)	모든 benchmark 보다 forecast error 낮음	Sequential update 로 단조 향상

Adoption timing 변환 — 각 소비자의 reservation price $r_i^j$ → adoption 시점 $t_i = \frac{r_n^j - r_i^j}{r_n^j - r_1^j} T$. Innovator (최고 $r$) 는 $t=0$, laggard (최저 $r$) 는 $t=T$.

Mixture distribution — k=3~5 component normal 이 single normal 대비 적합도 우월.

Product life cycle — Expert 가 peak time 추정, $T = 2 \times \text{peak time}$ (Mahajan-Muller-Bass diffusion 의 saturation at twice peak 정리).

방법론 노트

reservation-price-model 의 핵심 — 각 소비자의 최대 지불의향 $r_i^j$ 가 utility-based choice theory 와 정합 (Jedidi-Zhang 2002):

$$U_{ij} - U_{i0} = 0 \Rightarrow r_i^j = \frac{1}{\beta_{ip}} \beta_i' X_j$$

혼합 로짓 의 utility:

$$U_{ij} = \beta_{ic} + \beta_i' X_j - C(\beta_{ip}) p_j + \varepsilon_{ij}$$

$C(\beta_{ip}) = \exp(\beta_{ip})$ 로 log-normal price coefficient (음수 보장). Ranking survey 로 sequence likelihood, Metropolis-Hastings algorithm 추정.

mixture-distribution (Eq. 8) 의 장점 — flexible parametric framework, non-parametric 보다 parameter space 차원 낮음. k mixture components 의 parameter 는 $\theta = (\pi_1, \ldots, \pi_k, \mu_1, \ldots, \mu_k, \sigma_1^2, \ldots, \sigma_k^2)$.

베이지안 갱신 의 MAP framework — prior $g(\theta)$ + likelihood $f(t|\theta)$ → posterior $f(\theta|t) \propto f(t|\theta) g(\theta)$. Sales data 가 constraint 로 추가되면 prior 가 truncated distribution 으로 변환. Dynamic grid search 로 고차원 $\theta$ optimization.

식별은 (i) conjoint design 의 orthogonal attribute variation, (ii) cross-section 의 reservation price heterogeneity, (iii) time-series sales 의 constraint, (iv) expert-elicited life cycle $T$ 의 외생성.

연구 계보

본 paper 의 직접 method 조상은 Varian (1992) reservation price + Jedidi and Zhang (2002) conjoint-based reservation price + Davies (1979) · Karshenas and Stoneman (1995) ranking model + Train (2003) mixed logit Bayesian + Lilien, Rao, Kalish (1981) analogy-based Bayesian. 비교 기준 selections — Bass (1969) · logistic (Griliches 1957) · Lenk and Rao (1990) analogy Bayesian. Diffusion literature 의 Bayesian 적용 부족 (Putsis-Srinivasan 2000 의 “underutilized”) 을 충족하는 시도. 이종수 author page 의 제2기 도메인 심화 라인 안에서 demand forecasting 방법론 진화 sub-line 의 표지작이며, sibling A Forecast Simulation Analysis of the Next-Generation DVD Market Based on Consumer Preference Data (DVD 표준 경쟁) · Forecasting future demand for large-screen television sets using conjoint analysis with diffusion model (TV demand) 와 함께 conjoint + diffusion + Bayesian 결합 시리즈를 구성한다. Chul-Yong Lee (Korea Energy Economics Institute) 와의 산학 협업.

See also

• reservation-price-model
• 베이지안 갱신
• mixture-distribution
• 컨조인트 분석
• 혼합 로짓
• map-estimator
• ranking-model
• 수요 예측
• new-product-introduction
• 이종수
• Chul-Yong Lee
• Kichun Sky Lee
• A Forecast Simulation Analysis of the Next-Generation DVD Market Based on Consumer Preference Data
• Forecasting future demand for large-screen television sets using conjoint analysis with diffusion model

인접 그래프

1-hop 이웃 12개

• 인물 3
• 방법론 3
• 주제 1
• 수록처 1
• 분류 2
• 논문 2

↻ 초기화

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

이 문서를 가리키는 페이지

인물 (1)

• 이종수