 |
4. 다차원 척도법(MDS)의 적용 예
1) 표본 데이터(Data)분석본 연구에서 MDS 및 그와 관련된 기법에 사용되는 데이터는 설문조사법(Survey)을 통하여 소규모 편의표본, 즉 35세 미만의 공사 교수 25명을 대상으로 추출한 것이다. 이 표본은 즉 나이, 학력 등에서 매우 동질적(Homogeneous) 이고 그 중 55 %가 기혼이며 66%가 승용차(주로 소형차)를 보유하고 있다. 조사에 이용된 속성(Attribute)은 자동차 특성이나 편익에 관계된 것 중에서 각 승용차의 광고에서 공통적으로 강조되는 6개의 속성을 선택하였다. 선택된 속성은 가격, 성능(파워), 안전성, 스타일, 승차감, 실내공간이며 그 외에도 경제성 (유지비, 연비등) , 편리성 (운전조작시, 주차시) 등도 포함시킬 수 있으나 경제성은 가격, 성능·(파워)와 관계가 있고 편리성은 스타일. 승차감 등에 간접적으로 포함된다고 판단하여 연구 편의상 임의로 제외하였다. 앞에서 언급한 바와 같이, 본연구의 목적이 심층적인 표본조사를 통하여 승용차 시장을 분석하려는 것이 아니라 MDS 적용의 예를 제시하려는 것이므로 표본이나 속성 선택에 있어서 철저를 기하지 않았음을 밝혀 둔다. 첫번째로 행한 분석은 이러한 동질적인 집단이 세분화될 수 있는가 하는 것으로 각 개인이 생각하는 6개 속성의 상대적인 중요도에 따라 군집분석(Clustering Analysis)을 29) 한 결과 2개의 그룹으로 세분화할 수 있었다. 각 속성에 대한 각 개인별 상대적 중요도에 대한 측정은 표 1에 나타난 바와 같이 상대적 가중치 측정법(Constant Sum Scale)을 사용하였다.30) 6개의 속성의 상대적인 중요도에 대한 각 개인별 응답을 유사한 패턴을 가지는 2개의 그룹으로 분리한 결과를 요약하면 다음과 같다.
즉 두 그룹은 성능을 공통적으로 중시하고 있으나 상대적으로 그룹 1은 승용차 가격을 중요시하고, 그룹 2는 안전도를 중시하는 대조적인 양상을 나타내고 있다. 실내공간, 스타일 및 승차감은 두 그룹 모두 중요도를 낮게 평가하고 있다. 동질적인 소규모 표본에서 위와 같은 대조적인 특징을 갖는 세분화가 가능하다는 것은 현재 승용차 시장에서 진행되고 있는 신차종 개발경쟁을 감안할 때 시장세분화를 통한 장기적인 안목의 이미지 포지셔닝을 위한 광고가 중요함을 시사해 준다.
2) KYST포지셔닝 맵은 각 그룹별로 작성하여 속성의 중요도에 대한 그룹별 차이가 각 승용차를 평가하는 기준이나 각 승용차의 상대적 위치에 어떻게 반영되어 있는가를 분석하였다. 포지셔닝 맵에 이용되는 여러가지 MDS 프로그램 중에서 본 연구에서는 PC패키지 프로그램으로 된 KYST31) 를 사용하였다. 입력 데이터 (lnput Data)로는 표 2에 나타난 바와 같이, 등간척도 (Interval Scale)를 이용하여 승용차간의 유사성(Similarity)의 정도를 측정하였다. 조사에 포함된 승용차는 임의로 선정된 12종류의 승용차로서 응답자는 총 66쌍(pair)32) 의 승용차에 대한유사성을 응답하였다.
응답자들의 유사성 데이터는 다시 두 그룹별로 평균을 내어 KYST 프로그램에 입력되었다. KYST 프로그램은 저차원(예컨대 2차원)의 공간에서 이러한 입력자료에 가장 부합이 될 수 있도록 대상(여기서는 승용차)들의 위치를 정하게 되는데, 예를 들면 입력 데이터에서 엑셀과 르망이 가장 유사하고 그랜저와 코란도가 가장 상이하다고 하면, KYST는 2차원의 포지셔닝 맵에 엑셀과 르망을 가장 가깝게, 그리고 그랜져와 코란도를 가장 멀리 떨어져서 위치시키게 된다. 이러한 과정이 입력 데이터에 나타난 모든 쌍(pair)의 유사성의 정도에 부합되도록 반복, 조정을 거쳐 최종적으로 포지셔닝 맵상에 각 대상의 좌표를 결정한다.33) 그룹 1의 포지셔닝 맵은 그림 4에 나타나 있으며 포지셔닝 맵의 각 좌표측 (axis, 혹은 차원 : dimension)을 해석하는 기초적인 방법은 각 차원은 양 끝에 있는 대상과 그 대상의 특성을 감안하여 연구자가 판단하는 것인데, 그룹 1은 성능을 중시하고 상대적으로 가격에 높은 비중을 두고 있으므로 수평축 상의 오른쪽 끝에는 프라이드가, 왼쪽 끝에는 그랜져가 위치한 것으로 보아서 수평축은 가격(혹은 성능)으로 해석할 수 있다. 수직축의 맨 윗쪽에는 코란도가, 맨 아래에는 스쿠프가 있으므로 승용차의 스포티한 스타일을 나타내는 축이라고 볼 수 있다. 그룹 1의 성격을 감안할 때 이 포지셔닝 맵은 그 구성원들의 심리적인 공간에 존재하는 각 승용차의 위치를 잘 나타내고 있다.
그룹 2(그림 5)는 상대적으로 안전성을 중시하는 집단으로서 수평축의 맨 아래쪽에 코란도와 그랜져가 위치하고 있으므로 수직축은 안전도를 나타내고 있다고 해석이 가능하다.34) 수평축에는 코란도와 프라이드가 맨 왼쪽에. 그랜져와 로얄 프린스가 맨 오른쪽에 위치하고 있으므로 전형적인 승용차의 스타일이나 성능으로 해석할 수 있다. 두 그룹 모두 심리적인 공간에 소, 중, 대형 승용차를 구분하고 있는 가운데서도 각 그룹별 성격에 따른 각 승용차의 상대적인 위치를 차이가 나게 보여 주고 있다. 부가적으로 空士의 홍이점인 2명의 여교수를 대상으로 그림 6의 포지셔닝 맵을 구하였다.
두 여교수는 6개의 속성의 중요도에 대한 응답에 의하면 그룹 1에 속하며 따라서 수평축은 그룹1과 동일하게 해석이 가능하지만 수직축은 해석이 어려우며 또한 각 자동차의 상대적인 포지션에 있어서 소형차와 중, 대형 승용차의 구분이 잘 되어 있음을 보여준다. 세 그림에서 엘란트라와 에스페로의 위치가 안정적이지 못한 것은 조사가 진행될 당시에 두 차종의 출고가 시작되었으므로 아직 뚜렷이 인식되지 않았기 때문일 것이다. 본 연구에서는 소규모 편의 표본을 사용하였으므로 여기에서 다루어지고 있는 승용차에 대한 분석은 MDS 및 그와 관련된 기법의 적용 예로서 제시될 뿐이다. 위에서 언급된 포지셔닝 맵의 차원 해석방법은 연구자의 판단이 많이 게재된 것으로, 포지셔닝 맵의 기본적인 이해에 기초적으로 사용될 수 있지만 각 차원과 공간 속의 각 대상들의 경쟁적 위치에 대한 해석을 명확히 하기 위해서는 대상이 갖고 있는 여러가지 특성들을 포지셔닝 맵에 직접 그려 넣는 방법을 사용할 수 있다. 이러한 방법을 특성 포함 방법(Property Fitting Procedure)이라고 하며 본 연구에서는 PC패키지화 되어 있는 PROFIT(Carroll and Chang, 1964)을 사용하였다.35)
3) PROFITPROFIT 분석을 위해서는 사전에 대상과 관계된 특성을 선택하여야 하는데 여기서는 먼저 그룹 구분에 사용된 6개의 속성을 그대로 이용하였다. PROFIT의 입력 자료로는 포지셔닝 맵에 나타난 각 승용차들의 좌표(Coordinates)와 응답자로부터 추출한 각 승용차에 대한 특성별 평가가 필요하며, 전자는 이미 구한 것이고 후자는 앞에서 언급한 6개의 속성을 사용, 표 3의 설문을 통하며 얻었다.
각 승용차에 대한 6개의 속성별 평가 척도는 각 그룹별로 평균을 내어 사용하였으며, PROFIT 프로그램은 이러한 특성을 포지셔닝 맵상에 각 특성의 방향(Diretion), 즉 벡터(Vector)로 나타내 준다. 그 과정을 간단히 설명하면 PROFIT은 포지셔닝 맵상에 위치한 각 승용차들을 어떤 특성 벡터에 투사(Projection)했을 때의 좌표에 따라 각 승용차의 해당 특성에 대한 크기가 정해지며 그것을 입력 데이터에 나타난 각 승용차들의 해당 특성에 대한 평가와 잘 매치될 수 있도록 각 특성 벡터를 구하게 된다.36) 그림 7은 포지셔닝 맵(여교수)에 6개의 속성 벡터를 포함시킨 결과를 나타낸 것으로 각 특성 벡터는 포지셔닝 맵을 해석하고 각 승용차의 경쟁적 위치에 대한 분석을 하는데 있어서 평가기준 혹은 평가차원(Evaluative Dimension)이 된다. 예를 들면 포지셔닝 맵 상에서 좌상쪽은 안전도를 나타내는 방향으로 각 승용차들의 위치에서 이 안전도 벡터 위에 수직선을 내리면 그랜져, 코란도, 콩코드, ‥‥스쿠프, 프라이드의 순서로 안전도에 따라 인지가 되고 있음을 알 수 있다. 따서 여러 특성들을 잘 선정한 뒤 포지닝 맵에 함께 포함시킴으로써 소비자들의 승용차에 대한 인식을 분석할 수 있다. 그러나 이러한 특성 벡터로 포지셔닝 맵을 완벽하게 해석할 수는 없다. 예컨대 위의 그림에 나타난 가격 벡터는 승용차들의 위치를 고려할때 설명력이 낮음을 알 수 있다. PROFIT 프로그램은 이러한 설명력을 나타내 주는 수치로서 상관관계(Correlation), 즉 입력데이터에 주어진 각 승용차의 해당특성에 대한 평가와 승용차들을 특성벡터에 투사했을 때의 결과와의 상관관계를 각 특성 벡터별로 산출해 준다. 위 그림에 나타난 6개 특성 벡터들의 상관관계는 표 3-1과 같다.
성능 벡터의 상관관계가 매우 낮게 나타나고 있으며 실내공간, 승차감, 안전도 벡터가 포저셔닝 맵을 해석하는데 상대적으로 도움이 되고 있음을 알 수 있다. 전반적으로 상관관계가 낮은 것은 승용차 들간의 경쟁적 위치를 승용차의 특성만으로 설명하는데 한계가 있음을 보여준다. 따라서 승용차의 특성이나 편익뿐 만 아니라 승용차가 갖는 이미지(Image)를 포지셔닝 맵에 포함시켜 좀 더 다양한 분석을 시도하였는데 추가로 선정된 특성과 이미지는 다음과 같다(PROFIT 결과에 따른 각 특성별 상관관계는 괄호안에 표시하였다).
그림 8은 Profit에서 나온 결과 중에서 상관관계가 높은 벡터들만 도시한 결과이다. '강한 느낌을 준다', '믿음직하다'. '감정적이다', '차체 구조가 튼튼하다'는 모두 좌상쪽의 같은 방향 벡터로서 그림 7의 좌상쪽이 안전도 벡터임을 감안할 때 이 방향은 안전도와 신뢰도를 나타낸다고 하겠다. 수평축은 승용차의 품위를 나타내고 우상쪽은 연비를 나타낸다. 따라서 추가적으로 포지셔닝 맵에 포함시킨 '승용차 품위', '연비' 등의 벡터로 인해 각 승용차들이 차지하고 있는 위치를 해석하는데 도움이 되었음을 알 수 있다.
4) INDSCAL지금까지는 각 그룹별로 포지셔닝 맵에 대한 기본적인 분석을 하였다. 즉 사전에 각 특성에 대한 중요도에 따라 두 그룹으로 나눈 뒤 승용차에 대한 유사성의 판단을 평균하여 그룹별로 하나의 포지셔닝 맵을 작성하였다. 이러한 분석은 각 그룹이 승용차간의 유사성을 판단함에 있어서 동질적(Homogeneous)이라는 가정에 근거하고 있다. 그러나 표본(Sample)이 큰 경우, 전체를 대상으로 하나의 맵을 얻는 것은 큰 의미가 없다. 왜냐하면 유사성을 판단함에 있어서 다양한 개인별 차이가 고려되지 않기 때문이다. 그렇다고 해서 각 개인별로 맵을 작성하는 것은 작업이 많은데다 일반화(Generalization)하기가 어려운 문제가 있다. 유사성 판단에 있어서 개인별 차이를 분석하는데 널리 사용되는 기법은 INDSCAL(Individual Differences Scaling:Carrol and Chang,1970)모델이다. INDSCAL은 표본 전체의 유사성 자료를 분석함에 있어서 모든 사람들에게 공통되는 공간(Space)이 있지만 각 개인은 그 공간의 각 차원(Dimension)에 대해서 고유한 가중치(Weight)를 갖는다고 가정한다.따라서 INDSCAL은 표본 전체에 공통이 되는 포지셔닝 맵(Group Space)과 그 맵의 각 차원에 대한 개인별 가중치를 제공해 준다. 특히 이러한 개인별 가중치는 군집 분석의 방법을 통해서 동질적인 가중치를 갖는 그룹별로 세분화할 수 있고 이러한 세분 그룹(SegMents)은 다시 다른 변수 (예컨대 인구 통계적) 혹은 사회 경제적(Socioeconomic)변수들로 그 프로필(Profile)을 분석할 수 있다. 따라서 MDS 분석 전에 표본 전체에 대한 그룹화(Grouping)가 안되어 있는 상태에서는 유사성 판단의 개인적 차이를 분석하기 위해서 INDSCAL을 사용하는 것이 바람직하다. 그러나 MDS 분석 전에 미리 다른 특성에 따라서 (예컨대 본 연구에서와 같이 승용차 특성에 대한 중요도에 따라서) 미리 그룹을 구분하는 경우에는 그룹별로 포지셔닝 맵을 작성하여 분석하여도 좋고 만약 그룹이 많다면 각 그룹(Cluster)을 개인으로 생각하여 INDSCAL분석을 할 수도 있다. 본 연구에서도 그룹을 구분하지 않은 상태에서 표본전체를 대상으로 INDSCAL분석을 하였지만 차원에 대한 가중치에 있어서 개인별로 차이가 없었다. 따라서 INDSCAL 분석결과는 여기에서 제시하지 않는다.
5) PREFMAP유사성 판단을 기초로 한 포지셔닝 맵이나 PROFIT, INDSCAL 등의 MDS 기법은 시장구조나 경쟁구조에 대한 진단적인(Diagnostic)분석을 가능케 하지만 소비자의 승용차에 대한 선호도가 나타나 있지 않으므로 소비자의 인지 (Perception)→선호(Preference)→선택(Choice)의 일련의 과정들을 분석하기 위해서는 포지셔닝 맵에 개인의 선호도를 포함시킬 필요가 있다.개인의 선호도를 포지셔닝 맵에 포함시키는 MDS기법은 이상점 모델(Ideal Point Model 또는 Uufolding Model)이라고 하며 PREFMAP(PREference MAPping : Carroll and Chang, 1967)이 가장 많이 쓰이는 프로그램이다. 이상점 모델은 승용차들과 각 개인의 이상점, 37) 즉 각 개인이 포지셔닝 맵상에서 가장 이상적이라고 여기는 위치를 공통 공간(Joint space)에 함께 나타내 준다. 이상점을 찾아내기 위해서는 승용차에 대한 각 개인별 선호도 데이터가 필요하며 본 연구에서는 표 4를 이용하여 12종류의 승용차에 대한 선호도를 조사하였다.
공통공간(Joint space) 즉 제품과 이상점이 함께 나타나는 공간을 구하기 위하여 PREPMAP을 사용하였으며 38),이 프로그램은 입력 데이터로서 두가지 데이터가 필요하며, 첫째는 유사성(Similarity) 데이터로서 이를 이용하여, 우선 포지셔닝 맵을 만들어 각 승용차의 좌표를 구한다. 두번째 데이터는 표 4에 의해서 구한 선호도 데이터이다. PREFMAP 프로그램은 각 승용차의 위치와 각 개인별 승용차에 대한 선호 데이터가 주어진 상태에서 각 승용차로부터 어느 개인의 이상점까지의 거리(Squarred Euclidean Distances)가 그 개인의 각 승용차에 대한 선호가 부합되도록 각 개인의 이상점을 구한다. 예를 들면 어느 응답자가 그랜져를 가장 선호하고 코란도를 가장 선호하지 않는다면 그 개인의 이상점으로부터 그랜져가 가장 가깝게, 코란도가 가장 멀리 위치하도록 이상점을 구하게 된다. 39) 그룹 2에 대한 PREFMAP분석의 결과는 그림 9와 같다. 이상점은 포지셔닝 맵상에서 선호도가 가장 높은 지점이며 각 승용차에 대한 선호도는 이상점에 가까울수록 높게 된다. 먼저 그룹평균의 이상점(#)을 보면 그룹 2의 특성이 잘 나타나있다. 즉 그룹 2(15명)는 성능과 안전도를 중시하는데 있어서 동질적인 그룹이며 따라서 그룹 평균 이상점은 중, 대형승용차 주위에 위치할 것으로 예상된다. 그림 9에 나타나 있듯이 그랜져, 콩코드, 로얄 프린스, 쏘나타등이 그룹평균 이상점 주위에 가깝게 위치하고 있다. 그러나 그룹평균이 아닌 각 개인별 이상점을 보면 10명 정도가 중, 대형 승용차 주위에 위치하고 있지만 5명의 응답자는 소형차 쪽에 위치하고 있어서 안전도 측면에서는 동질적일지 모르지만 선호도에 있어서는 개인별 차이가 존재하고 있음을 나타낸다. 이는 각 승용차에 대한 안전도나 성능 등의 평가에 있어서 개인적으로 다를 수도 있다는 것을 간접적으로 나타내고 있다. 따라서 승용차의 특성에 대한 중요도에 따라 미리 그룹을 나누어 분석한 것과는 별도로 다른 기준(예를 들면 소득수준, 현재 보유하고 있는 차종 등)을 사용하여40) 그룹을 분류한 뒤 부가적인 분석을 할 수도 있다. 본 연구에서는 현재 소유하고 있는 차종별로 응답자를 그룹을 지어 동일한 분석을 하였다. 프라이드 소유자(3명)에 대한 포지셔닝 맵을 그림 10에 나타내었다.
프라이드 소유자의 승용차에 대한 포지셔닝 맵은 지금까지 분석한 것과 매우 다른 양상을 나타내고 있다. 수직축에 대한 해석은 엑셀, 르망이 맨 아래쪽에 그랜져와 쏘나타가 위쪽에 위치하고 있으므로 그룹 1과 그룹 2의 수평축과 비슷하지만 프라이드와 스쿠프가 위쪽에(그랜져, 쏘나타 쪽에) 위치하고 있는 것이 특이하다. 아마도 프라이드가 소형차이기는 하지만 그 소유자들은 엑셀, 르망과는 달리 기동성이나 신속성등의 장점으로 수직축상에서 위쪽에 쏘나타나 그랜져와 동등한 위치로 여기고 있음을 알 수 있다(수평축에 대한 해석은 PROFIT을 이용하여 좀더 분석할 필요가 있음을 보여준다). 따라서 다양한 기준에 따라 소비자를 세분화하여 그들이 어떻게 승용차들을 인식하고 있는가를 조사할 때 승용차 시장에 대한 심층적인 이해와 분석이 가능하고 승용차 인지에 있어서 각 그룹별 특징을 파악할 수 있다. INDSCAL분석에서 얻어지는 각 개인의 차원별 중요도를 세분화에 이용할 수 있듯이, 각 개인별 이상점을 같은 목적에 이용할 수 있다. 그림에서 개인별 이상점이 지역별로 밀집되어 (Cluster)있는 것을 그룹화하든지 아니면 이상점의 좌표를 군집분석(Cluster Analysis)을 통하여 세분화 한다음 각 세분 그룹별로 여러가지 특성(인구통계적, 사회경제적 등)을 파악함으로써 선호도가 비슷한 그룹별 프로필(Prpfile)을 작성하여 효과적인 광고전략에 이용할 수 있을 것이다.
----------------- 30) Constant Sum Scale은 응답자로 하여금 각 특성을 비교하여 그 상대적 중요도에 따라 일정한 상수(The Same Constant, 예컨대 10 혹은 100)을 할당하도록 하는 방법으로 단순하고 편리하기 때문에 많이 쓰이고 있다. 일반적으로 이 척도는 주관적인 비율 척도 (Subjective Ratio Scale)를 갖는 것으로 가정 된다(임종원. 1987, PP. 692-693 : Green, Tull and Albaum, 1988, p.291참조). 31) KYST는 이 프로그램과 연관된 사람들(Kruskal, Young, Shephard, Torgerson)의 이니셜(Initial)로 만들어진 이름으로 발음은 kissed와 같다. 32) 12C2=66 33) 이 과정이 부록에 요약되어 있음. 34) 그림 4와 그림5는 수평축상의 승용차들이 좌, 우가 반대로 되어 있지만 승용차들의 좌표는 회전(rotation)이 가능하므로 상호 비교시 문제가 되지 않는다. 즉 KYST의 출력은 유일한 (Unique) 해(Solution)가 아닌 단점이 있어 Rotational Interminary(회전 불확정)의 문제를 안고 있다. 수학적으로는 d2ij=(Xi-Xj)(Xi-Xj) 이라고 할 때 (Xi는 i제품의 좌표를 나타내는 행 벡터(row vector)) Xi*=XiT로 변환해도 (T는 변환 매트릭스(Transformation Matrix)로서 orthogonal하다 (TT'=I)) d2ij는 변함이 없다 (d2ij=(XiT-XjT)(XiT-XjT)'=(Xi-Xj)TT'(Xi-Xj)') 35) 본 연구에서 이용한 KYST, PROFIT, PREFMAP 프로그램은 Green, Carmone and Smith(1989)에 포함된 PC 디스켓에 수록되어 있다. 36) 이 과정에 대한 설명은 Urban and Hauser, 1980, pp. 231-232 참조 37) 포지셔닝 맵상에 한 점(Point) 대신에 하나의 벡터(Vector)로서 개인의 선호를 나타낼 수도 있다(Vector Model). 벡터 모델은 이상점 모델(Ideal Point Model)의 특수한 경우 (Special Case)로서 이상점이 그 백터상의 무한대(Infinity)지점에 존재하는 것이다. 선호도가 포함된 MDS 모델(Preference MDS Model)에 대한 개관(Review)으로는 Carroll(1980) 참조. 38) PREMAP에서는 4개의 옵션(Option)이 있으며 본 연구에서는 Simple Unfolding Model을 뜻하는 Phase III 옵션을 이용하였다. 39) PREMAP의 알고리즘(Algorithm)은 Carroll(1980) 참조 40) 그 한 예로는 포지셔닝 맵을 이용한 벤쯔(Mercedes-Benz) 소유자와 그라나다(Granada) 소유자에 대한 분석(Wilkes, 1977)을 참조. |
 |
 |
 |
 |