Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1598-5504(Print)
ISSN : 2383-8272(Online)
Journal of Agriculture & Life Science Vol.54 No.4 pp.111-122
DOI : https://doi.org/10.14397/jals.2020.54.4.111

An Analysis of Consumers Purchasing Patterns for Fresh Food Products Using Association Rules

Eun-Song Won1, Sung-Yong Kim2*
1Korea Rural Economic Institute, Naju 58217, Korea
2Dept. of Food and Resource Economics, College of Agriculture and Life Science(Institute of Agriculture and Life Sciences), Gyeongsang National University, Jinju 52828, Korea
*Corresponding author: Sung-Yong Kim Tel:
+82-55-772-1844 Fax: +82-55-772-1849 E-mail:
sungyong@gnu.ac.kr
February 27, 2020 June 9, 2020 July 14, 2020

Abstract

In this study, we apply the association rules analysis, one of the big data analysis methods, to examine the relationship among fresh food products purchased by consumers. We utilized the Agri-food Consumers Panel Survey data available from the Korea Rural Development Administration and analyzed rules of associated purchases appeared at traditional markets, large-scaled marts, and super supermarkets using the seasonal records of purchasing fresh food products except processed foods. Consumers in the sample were divided into several aged groups by setting 2011 as the base year. We derived many association rules for each purchase place, and classified them into three categories: association rules appeared each year, those frequently appeared, and those which newly appeared. In addition, by analyzing the yearly changes in lift values of common association rules, we examined the dynamic changes in consumers shopping baskets. The results of these association rules analysis will be used as valuable information when retail stores develops new product bundles, construct their store layout, or create promotional leaflets sent to consumers.

연관규칙 기법을 활용한 소비자의 신선식품 구매 패턴 분석

원 은송1, 김 성용2*
1한국농촌경제연구원
2경상대학교 식품자원경제학과(농업생명과학연구원)

초록


이 논문의 목적은 빅데이터 분석기법의 하나인 연관규칙 분석법을 이용하여 소비자가 구매하는 신선식품 간의 상호 연관성을 살펴보는 것이다.
농촌진흥청의 「농식품 소비자 패널조사」에서 가공식품을 제외한 신선식품의 구매내역 정보를 이용하여 전통시장, 대형마트, 기업형 슈퍼마켓에서
나타나는 연관규칙을 계절별로 분석하였다. 소비자를 2011년을 기준년도로 하여 30, 40, 50대로 구분한 후에, 연령대・구입장소별로 도출된
연관규칙 을 매년 등장한 규칙, 빈번하게 나타난 규칙, 새로 생성된 규칙 세 가지로 구분하였다. 또한 각 연도별로 나타난 공통된 연관규칙에서
향상도의 변화를 분석하여 장바구니에서 나타나는 연관 구매의 동태적인 변화 패턴을 살펴보았다. 분석결과는 소매점포가 묶음상품을 개발하거나 매대를
구성할 때 또는 소비자에게 발송할 상품 홍보용 전단지를 만들 때 유용하게 사용될 것이다.



    서론

    일반적으로 소비자들은 농식품을 구매할 때 한 가지 품목만 구 매하는 것이 아니라 여러 종류의 품목을 동시에 구매한다. 따라서 소비자가 구매하는 다양한 유형의 농식품에서 나타나는 상호 연관 성을 찾아낸다면 이를 이용하여 유용한 판매 전략을 마련할 수 있다. 예를 들어, ‘A라는 식품을 구매하면, 반드시 B라는 식품을 구매한다’와 같이 소비자의 구매 측면에서 두 종류의 식품이 서로 연관성을 가지는 것으로 나타난다면, 이 둘 중 한 가지 식품을 추천 상품으로 홍보하거나 할인 등으로 판매 촉진하는 전략을 적용할 수 있다. 반대로 두 종류 식품에서 나타나던 연관성이 사라지거나 음(-)의 상관관계를 보인다면, 이 두 상품을 묶음상품(product bundling)으로 제시하여 소비자로 하여금 상품구매를 유도할 수 있다. 또한 소매점이 고객들의 장바구니 구성을 안다면, 이를 상품 구색이나 매장 진열(store layout) 결정에도 유용하게 활용할 수 있을 것이다.

    그러나 소비자가 실제로 구매하는 품목의 종류는 매우 많기 때 문에 모든 상품 간의 상호 연관성을 분석하는 일은 쉽지 않다. 이런 이유로 인해 기존의 식품수요 분석에서는 수요시스템모형이나 다 중로짓모형 등을 이용하여 특정한 품목이나 품목 군(예: 과일류)에 국한된 조건부 수요함수(conditional demand function)를 추정하 는 방식이 일반적이다(Mun & Chang, 2019;Piao et al., 2018). 그러나 이러한 방식은 수요분석의 대상이 되는 상품의 종류나 유형 이 연구자의 사전적인 직관에 의해 선택되므로 소비자의 실제 장바 구니 구성을 파악하는데 한계가 있고 새롭게 등장하는 소비자 구매 행동을 분석하는 데에도 적절하지 못할 수 있다.

    오늘날 식품 기업들은 POS 등을 통해 소비자의 구매 행동에 관한 정보들을 즉각적으로 데이터로 축적할 수 있기 때문에, 수집 된 수많은 자료를 사용하여 제품 개발 및 판매에 관한 의사결정이 가능하다. 하지만 이러한 대용량 데이터들은 수백 가지 형태의 식 품(군)에 관한 장바구니(shopping basket) 정보로 정형화되어있지 않아 기존의 수요분석 방법론을 적용하여 소비자의 구매 행태를 파악하는 데에 어려움이 있다.

    최근 대용량의 데이터를 분석하여 새로운 정보를 추출할 수 있 는 방법으로 데이터마이닝(Data Mining) 기법이 주목받고 있다. 데이터마이닝 기법은 대용량의 데이터에 숨겨져 있는 데이터 간의 관계, 패턴을 탐색하고 발견하는 작업으로 이를 기업의 의사결정에 적용할 수 있는 의미 있는 정보로 변환하는 과정까지 포함한다. Adriaans & Zantinge(1996)Netzer et al.(2012)에 따르면 데이 터마이닝은 대체로 이미 존재하고 있는 고객의 데이터로부터 지금 까지 알려지지 않았던 사실을 찾아내는 데이터베이스로부터의 지 식 발견(knowledge discovery in database)이라 할 수 있다.

    이러한 데이터마이닝 기법의 하나인 연관규칙 분석(Association Rules Analysis, ARA)은 고객들의 장바구니(구매) 정보로부터 품 목 상호간의 연관성에 관한 유용한 정보를 제공한다. 따라서 판매 자로 하여금 고객들이 누구이며, 왜 그 고객들이 그러한 구매패턴 을 가지는지, 어떤 상품들을 함께 구입하는지, 어느 상품이 프로모 션에 효과적인지 등에 관한 통찰력을 제공해준다. 이러한 이유로 연관규칙은 온라인 마케팅, 소매업, 주식투자, 관광, 금융, 은행, 언 론 등 다양한 분야에서 그 유용성이 입증되고 있다(Ryu & Moon, 2006;Jung et al., 2012). 식품 분야에서도 유효한 마케팅 전략을 수립하기 위해서는 소비자의 실제 장바구니 구매정보에 기초한 연관 규칙 분석이 요구되나, Ahn et al.(2012)가 치킨 매장의 POS 데이터 를 분석하여 분기별로 나타난 소비자의 연관구매 패턴을 소멸규칙, 새로운 규칙, 상승규칙, 하향규칙으로 분류하여 상품 추천 시스템을 개발한 사례를 제외하면 소비자의 장바구니에 있는 구매 식품의 내역을 연관규칙기법으로 분석한 사례는 찾아보기 어렵다.

    이 논문의 목적은 소비자의 장바구니 정보가 포함된 가구 패널 자료를 사용하여 가구들이 실제로 구매하는 식품 간에 어떠한 관련 성이 존재하는지를 연관규칙 기법을 적용하여 분석하는 것이다. 이 연구에서는 가공식품보다는 신선식품의 연관규칙을 도출하고 이를 분석하는데 초점을 맞추었다. 우리나라의 식품 소비 구조를 살펴보면 신선식품보다는 가공식품이나 외식의 비중이 높아지고 있음을 감안할 때, 소비자들이 구매하는 신선식품에 대한 연관규칙 이 규명된다면 이를 활용한 구매 촉진 전략은 소매유통업자뿐만 아니라 궁극적으로 생산자의 소득 증대에도 기여할 수 있을 것이 다. 소비자의 신선식품 구매 형태는 구매 장소, 구매자 연령뿐만 아니라 신선식품 공급의 계절적인 특성 때문에 구매 시기에 따라서 도 다를 수 있다. 따라서 이 연구에서는 구매 장소를 대형마트, 기업형 슈퍼마켓, 전통시장으로 구분하고, 각 구매 장소별로 소비 자 연령대와 구매 계절에 따라 신선식품의 연관구매 행태가 어떻게 변하였는지를 살펴보았다.

    재료 및 방법

    1. 연관규칙 분석의 개념

    연관규칙 분석은 데이터마이닝 기법의 하나로 분석 결과를 매 장 진열, 묶음 상품 개발, 교차판매 등의 판매 전략에 활용될 수 있다. 연관규칙 분석은 Agrawal et al.(1993)이 최초로 소개한 기 법으로 사건이나 거래에 포함된 개체 간의 연관성을 분석하여 새로 운 규칙을 파악하는 데 목적이 있다. Shmueli et al.(2009)는 마케 팅분야에서 적용되는 연관규칙 분석은 고객이 구매한 장바구니에 서 함께 구매한 상품들 간의 연관성을 찾아내는 형태와 유사하다고 하여 장바구니 분석(Market basket analysis)이라 명명하였다.

    발견된 연관규칙은 ‘X→Y’의 형식으로 표현하는데 이는 ‘상품 X를 구입하는 사람들 중 많은 사람들이 상품 Y를 구매한다'를 의 미한다. 도출된 연관규칙을 평가하는 지표로 지지도, 신뢰도, 향상 도가 있다(Paul & David, 2015).

    지지도(Support)는 식 (1)과 같이 전체 거래 중에서 상품 X와 상품 Y가 동시에 거래된 비율을 의미한다. 지지도를 통하여 해당 규칙의 유용성을 파악할 수 있다.

    S u p p o r t ( X Y ) = P r ( X Y ) = 상품 X Y 가 동시에 포함된 거래 수 전체 거래 수
    (1)

    신뢰도(Confidence)는 식 (2)와 같이 상품 X를 구매한 거래 중에서 상품 X와 상품 Y가 동시에 나타나는 비율을 의미한다. 이는 상품 X가 포함된 거래 중에 상품 Y가 나타나는 경우의 조건 부확률 형태로 표현되며, 연관규칙의 강도를 나타낸다.

    C o n f i d e n c e ( X Y ) = P r ( X Y ) P r ( X ) = 상품 X 와 상품 Y 가 동시에 포함된 거래 수 상품 X 가 포함된 거래 수
    (2)

    향상도(Lift)는 상품 X와 상품 Y가 동시에 거래된 비율에 상품 X와 상품 Y가 각각 거래된 비율로 나눈 값으로, 이는 신뢰도를 상품 Y가 나타난 확률로 나눈 값과 동일하다. 즉, 상품 Y를 임의로 구매하는 경우와 상품 X와의 관계를 고려하여 구매하는 경우의 비율을 의미하며, Lift(X→Y)는 Lift(Y→X)와 동일한 결과 값을 가진다. 향상도 값은 도출된 연관규칙이 우연히 발생한 것인지 아 니면 실제로 연관성을 가지는지를 알려준다. 향상도는 확률 값이 아니기 때문에 1보다 큰 값을 가질 수 있는데, 두 상품 간의 향상도 가 1보다 크다면 두 상품은 서로 양의 상관관계가 있다는 것을 의미한다. 향상도는 식 (3)와 같이 계산된다.

    L i f t ( X Y ) = P r ( X Y ) P r ( X ) × P r ( Y ) = C o n f i d e n c e P r ( Y ) = 상품 X Y 가 동시에 포함된 거래 수 상품 X 가 포함된 거래 수 · 전체 거래 수 상품 Y 가 포함된 거래 수
    (3)

    2. 연관규칙 분석의 예시

    위에서 언급한 연관규칙 분석의 3가지 지표를 쉽게 이해하기 위해 예를 들어보면 다음과 같다. 전체 고객 100명 중 상품 X를 구입한 고객이 20명, 상품 Y를 구입한 고객이 40명, 상품 X와 상품 Y를 함께 구입한 고객이 10명 있다고 하자. 상품 X를 구입하 는 고객이 상품 Y를 구입하는 연관규칙의 평가지표로 신뢰도, 향상 도, 지지도를 계산하여 보자. 먼저, 상품 X를 구매한 사람이 상품 Y를 구매하게 되는 연관규칙의 신뢰도를 구하면 다음과 같다.

    C o n f i d e n c e ( X Y ) = P r ( X Y ) P r ( X ) = 10 100 20 100 = 0.5 = 50 %
    (4)

    신뢰도는 연관구매 상품(Y)을 구입할 확률과 비교하여 판단해 야 한다. 위의 예시에서 상품 Y를 임의로 구입할 확률은 40%이나 연관규칙(X→Y)의 신뢰도는 50%이다. 이는 상품 X를 구입한 사 람이 상품 X와 Y를 함께 구입할 확률이 상품 Y를 의미로 구입하는 확률보다 더 높음을 뜻한다. 그러나 전술한 바와 같이 해당 규칙의 연관성 여부를 정확하게 평가하기 위해서는 신뢰도를 개선한 지표 인 향상도를 이용해야 한다. 왜냐하면 향상도는 신뢰도와 달리 임 의로 발생할 확률을 기준으로 하여 해당 규칙이 의미 있는지를 측정하는 평가 기준이기 때문이다. 위의 예시에서 상품 X를 구매한 사람이 상품 Y를 구매하게 되는 연관규칙의 향상도를 구하면 다음 과 같다.

    L i f t ( X Y ) = C o n f i d e n c e ( X Y ) Pr ( Y ) = 0.5 · 100 40 = 1.25
    (5)

    향상도가 1.25라는 것은 상품 X를 구입하는 사람 중에 상품 Y를 함께 구입할 확률은 단순히 상품 Y를 구입할 확률보다 높음을 뜻한다. 향상도에 의해 도출된 연관성은 우연한 것인지 아니면 실 제 강한 연관성을 가지는지를 보여주는 것으로 향상도 값이 1보다 큰 값을 가지면 두 상품이 양의 상관관계가 있다는 것을 의미한다. 그러므로 이 연관 규칙이 의미가 있음을 알 수 있다.

    한편, 신뢰도와 향상도가 높더라도 해당 규칙이 발생할 확률이 매우 낮을 때, 앞의 평가기준이 무의미할 수 있다. 따라서 상품들이 동시에 구매되는 확률도 고려할 필요가 있는데, 위의 예시에서 상 품 X를 구매하는 고객이 상품 Y를 같이 구매하게 되는 확률을 나타내는 지지도 값은 0.1이다.

    S u p p o r t ( X Y ) = Pr ( X Y ) = 상품 X Y 가동시에포함된거래수 전체거래수 = 10 100 = 0.1 = 10 %
    (6)

    3. 분석자료

    소비자의 장바구니를 분석하기 위해 농촌진흥청의 농식품 소비 자 패널조사를 사용하였다. 소비자 패널조사 자료는 2010∼2017 년 동안 연 10회 이상 가계부를 제출한 653가구를 대상으로 구축 된 자료이다. 해당 자료에는 구매 일자별 품목, 구매횟수, 구매처 등 패널가구의 농식품 구매정보와 인구사회적 정보가 포함되어 있 어 소비자 유형별로 농식품 구매의 연관 규칙을 분석하는 데 아주 적합하다. 농식품은 계절별로 공급되는 품목이 다를 수 있기 때문 에 시점(계절)별로 구매하는 품목도 영향을 받는다. 따라서 이 연구 에서는 표본을 연령뿐만 아니라 구매시점(즉 계절)별로도 구분하 여 대형마트, 기업형 슈퍼마켓, 전통시장에서 소비자가 구매하는 농식품에 대한 연관규칙 분석을 실시하였다.

    분석에는 2010년 12월∼2017년 11월까지의 자료가 사용되었으 며, 겨울은 전년 12월∼당해년 2월, 봄은 3월∼5월, 여름은 6월∼8 월, 가을은 9월∼11월까지로 정하였다. 패널가구는 구매자의 연령 정보를 사용하여 2011년을 기준으로 30∼39세를 30대, 40∼49세 를 40대, 50∼59세를 50대로 구분하였다. 그리하여 동일 가구가 연령이 증가함에 따라 나타나는 연관구매 상품의 변화를 추적할 수 있도록 하였다. 전체 653가구 중에서 30대, 40대, 50대는 각각 29%, 39.9%, 26.7%를 차지하고 있으며 전체의 95.6%를 차지한다.

    연관규칙 분석 절차를 그림으로 표현한 것이 Fig. 1이다. 패널조 사 원자료의 전처리 과정을 거친 연도별, 계절별 구매내역 자료를 사용하여 연관규칙 분석을 하고 그 결과를 도식화, 시각화하는 과 정을 거쳤다(Hahsler & Karpienko, 2017). 전처리 과정은 원자료 를 연관규칙 분석이 가능한 형태로 변환하는 과정으로, 이를 그림 으로 표현한 것이 Fig. 2이다. 먼저, 패널 ID를 기준으로 구매 자료 와 가구의 인구사회적 정보를 결합하였다. 이 때, 인구사회적 정보 는 소비자 패널을 대상으로 각 연도마다 조사된 자료를 이용하였 다. 다음으로, 패널의 일별 거래 건수(transaction)를 산출하기 위 하여 패널 ID와 구매일자를 결합하여 새로운 코드를 생성하였다. 그 후에 원자료에서 연관규칙 분석에 필요한 속성만을 추출하였다. 마지막으로 추출된 자료에서 패널 ID와 구매일자는 병합하여 변수 ‘ID’로, 구매 품목은 변수‘Target’로 설정하여 연관규칙을 적용할 수 있는 데이터로 전환하였다.

    전처리과정을 거친 자료는 연도 및 계절별로 재배열한 후 30대, 40대, 50대 연령층 소비자의 구매 정보를 대형마트, 기업형 슈퍼마 켓, 전통시장으로 구분하여 연관규칙 분석을 실시하였다. 그리고 도 출된 규칙들을 시각화하는 과정을 거쳐 연도별 연관규칙의 변화를 비교하였다. 규칙의 시각화는 ‘사과→감귤’, ‘양파⇄파’등으로 표현 하였는데, 전자의 경우는 ‘사과를 사면 감귤을 구매한다’는 연관규칙 인 반면, 후자는 ‘양파를 사면 파를 사거나 또는 파를 구매하면 양파 를 산다’는 연관규칙이 동시에 존재함을 의미한다. 한편, ‘배추&무 →파’는 ‘배추와 무를 동시에 구매하면 파를 구매한다’를 뜻한다.

    연관규칙 분석을 위해 SAS Enterprise Miner Workstation 14.1 의 연관성분석 알고리즘을 이용하였다. 연관규칙의 추출을 위해 최소 신뢰도는 20%, 최소 지지도는 10%로 설정하였으며, 분석결과 중 향 상도 값이 1을 초과하는 규칙만 선별하였으며, 신선식품의 연관규칙 만을 살펴보기 위해 가공식품의 구매내역은 분석에서 제외하였다.1)

    결과 및 고찰

    1. 연관규칙의 분류

    소비자의 연령대별 연관구매 행태를 대형마트, 기업형 슈퍼마켓, 전통시장으로 나누어 분석한 결과, 상당히 많은 수의 연관규칙들이 나타났다. 지면 관계상 이러한 모든 규칙을 나열할 수 없기 때문에 연관규칙 중에 다음의 세 가지 측면에 해당하는 것만 간추렸다.2)

    첫째, 계절별로 2011년부터 2017년까지 매년 지속적으로 나타 난 연관규칙을 파악하였다. 둘째, 매년 등장하지는 않지만 분석기 간의 절반(4년) 이상 자주 나타나는 연관규칙이 무엇인지를 알아보 았다. 셋째, 2014년 후 새롭게 등장한 연관규칙이 있는지 살펴보았 다. 여기에서 새롭게 생성된 연관규칙은 이전에는 연관 구매되지 않았던 품목들이 새롭게 나타났다는 것이 아니라, 이전에도 구매되 었으나 규칙성이 없는 단순 구매이었으나 현재에는 두 품목의 연관 구매가 규칙성을 가지게 되어 연관규칙으로 나타남을 의미한다.

    2. 소비자 연령층별 연관규칙

    먼저, 50대 연령층 소비자에서 나타난 구매장소별 연관규칙을 계절별로 정리한 것이 Table 1이다. 대형마트에서는 농산물뿐만 아니라 난류, 육류, 수산물 등 다양한 품목 간의 연관구매 규칙이 확인되었다. ‘갑각조개류→생선류’ 규칙은 거의 매년 모든 계절에 서 등장한 공통 규칙이다. 특히‘바나나’와 관련된 연관규칙이 모든 계절에 새롭게 나타났는데, 이는 바나나를 과일 자체보다는 간식, 간편식 등으로 섭취하려는 경향에서 나타난 것으로 보인다. 즉, 이러한 연관규칙은 최근에 와서 소비자들이 바나나를 다른 과일과 함께 구매하기 보다는 간편식 요리를 위해 다른 식재료(예: 계란)와 연관하여 구매하는 경향이 나타나고 있음을 의미한다. 50대 연령 층 소비자의 경우 육류의 연관구매 규칙에도 변화가 나타났다. 육 류에 대한 기호 변화로 인해 국내산 닭고기에 대한 연관규칙은 사라지는 반면, 국내산 돼지고기, 수입산 쇠고기에 대한 새로운 연관규칙이 등장하였다.

    기업형 슈퍼마켓에서는 과채, 채소류 중심의 연관구매 규칙이 자주 발견되었는데, 빈번하게 연관 구매하는 품목은 대형마트와 유사하였다. 다만, 다른 구매장소에 비해 ‘사과→감귤’규칙은 기업 형 슈퍼마켓에서만 자주 나타났으며, 2015년부터 계속 등장하고 있다. 또한, 새롭게 등장한 연관구매 규칙으로 ‘딸기→감귤’규칙이 나타났는데, 이는 겨울철에 딸기 출하가 늘어나면서 딸기와 함께 감귤의 구매 빈도가 증가했음을 의미한다.

    전통시장에서는 다른 구매장소와 달리 육류가 포함된 연관규칙 들이 나타나지 않고 농수산물 중심의 연관규칙들이 도출되었다. 그 중 ‘가지→오이’는 매년 여름철에만 나타났는데, 이는 공급의 계절성에 기인한 규칙이라 할 수 있다. 가을철에는 ‘갓→파’, 무, 배추, 파의 연관규칙이 지속적으로 나타났으며 ‘생강→파’규칙도 빈번하게 등장하였다. 이러한 구매패턴들은 김장과 관련된 연관구 매 규칙으로 판단된다. 또한, 여름철과 가을철에 ‘배추&무’와 같이 결합 구매되는 규칙이 나타나는 점과 무, 배추, 파 사이에 연관성이 커져 2개가 아닌 3개의 품목 간에 연관규칙이 등장하는 점도 다른 구입 장소와 달리 전통시장에서만 나타나는 독특한 구매 패턴이다.

    다음으로 40대 연령층 소비자에서 나타난 구매장소별 연관규칙 을 계절별로 정리한 것이 Table 2이다. 대형마트에서는 매년 겨울 과 가을에 공통적으로 나타난 연관구매 규칙이 ‘갑각조개류→생선 류’, ‘버섯→계란’두 가지이다. 특히, 갑각조개류와 생선류의 연관 규칙은 봄철과 여름철에도 한 해를 제외한 모두 연도에 등장하였 다. 대형마트에서 빈번하게 나타나는 연관규칙을 구성하는 식품의 종류는 매우 다양하였으나, 다른 품목과 연관되어 구매하는 품목은 주로 계란, 버섯, 생선류이었다. 이는 40대 연령층이 대형마트에서 구매하는 농식품의 장바구니에 계란, 버섯, 생선류가 주로 포함됨 을 의미한다. 하지만 대형마트에서 새롭게 등장한 40대 연령층의 연관구매 규칙은 가을철 ‘수입쇠고기→계란’을 제외하면 모든 계 절에서 50대와 크게 달랐다.

    기업형 슈퍼마켓에서 매년 공통으로 나타난 연관구매 규칙은 겨울철 ‘고추→버섯’과 가을철 ‘무⇄파’이다. 그리고 ‘버섯’이 다른 품목과 연관되어 구매하는 주요 품목으로 등장하였는데, 이는 기업 형 슈퍼마켓에서 구매하는 품목 중 버섯이 포함된 경우가 상대적으 로 많았기 때문인 것으로 보인다. 육류와 관련된 연관구매의 경우 국내산 쇠고기에 대한 연관규칙이 자주 발견되어 대형마트에서 나 타나는 국내산 돼지고기 및 닭고기 관련 연관규칙과 비교할 때 다소 차이가 있었다. 50대와 마찬가지로 40대 연령층에서도 겨울 에 ‘사과→감귤’ 규칙이 빈번하게 나타났다. 채소류에서는 주로 쌈채소, 버섯, 파와 관련된 연관구매 규칙들이 많이 등장하였다.

    전통시장에서는 다른 구입 장소와 달리 오이의 연관규칙이 다수 등장하였는데, 특히 봄과 여름에 오이가 연관구매 품목으로 주로 나타났다. 이는 오이의 주구매시기가 수확시기인 것에서 비롯된 결과로, 전통시장에서 나타나는 연관규칙은 다른 구입 장소보다 농산물 공급의 계절성을 더욱 잘 반영하고 있음을 의미한다. 그리 고 가을에 갓, 무, 배추, 파의 연관규칙이 매년 나타났는데, 이는 김장에 기인한 연관규칙이라고 유추할 수 있다.

    마지막으로 30대 연령층 소비자에서 나타난 구매장소별 연관규 칙을 계절별로 정리한 것이 Table 3이다. 대형마트에서 매년 공통 으로 나타난 연관규칙은 봄철 ‘생선류 →계란’과 가을철 ‘콩나물→ 계란’이다. 대형마트에서는 ‘국내산 돼지고기→계란’규칙이 여름을 제외한 모든 계절에 빈번하게 등장하였는데 국내산 돼지고기와 연 관된 규칙을 제외하면, 빈번하게 등장하는 연관구매 규칙은 40대나 50대와 비교하여 유사하였다. 대형마트에서의 연관구매 규칙은 ‘계 란’을 함께 구매하는 규칙들이 대부분인 것으로 나타나, 이로부터 ‘계란’과 다른 품목을 같이 구매하는 경우가 많음을 유추할 수 있다. 이외에도 바나나, 버섯, 생선류와 관련된 연관구매 규칙이 빈번하게 나타났다. 새롭게 나타난 육류 연관규칙인 ‘버섯→국내산 돼지고기’ 이었는데 봄을 제외한 모든 계절에서 등장하였다.

    기업형 슈퍼마켓에서는 상추와 쌈채소의 연관규칙이 봄, 여름마 다 등장하였고, 겨울, 가을에도 한 해를 제외한 모든 해에 나타났다. 상추와 쌈채소, 그리고 호박과 버섯이 서로 연관 구매되는 규칙으 로 등장하였는데, 이는 두 품목이 서로 대체재라기보다는 상호 보 완 관계를 가짐을 의미한다. 또한 고추와 쌈채소의 연관규칙이 가 을을 제외한 모든 계절에서 빈번하게 등장하여, 쌈채소가 상추보다 고추와 함께 구매되는 경향이 더 큰 것으로 분석되었다. 봄철에는 국내산 돼지고기와 쌈채소의 연관규칙이 새롭게 나타났다.

    전통시장의 경우, 다른 연령대처럼 가을에 무, 배추, 파의 결합 구매 연관규칙이 나타나지만 지속적이지는 않았다. 이는 30대 연 령층에서 김장을 하지 않는 가구가 증가한 것이 원인으로 작용한 것으로 보인다. 또한 다른 연령대와 다르게 전통시장에서 과일류 연관규칙이 다양하게 등장하였는데 이는 전통시장에서 과일을 구 매할 경우 두 종류 이상의 과일을 함께 구매하는 경우가 많음을 의미한다. 매년 여름마다 ‘포도→복숭아’ 규칙이 나타났으며 최근 에 ‘자두→복숭아’ 규칙도 꾸준히 나타났다. 이러한 점은 소비자의 과일 구매 시에 포도와 복숭아, 자두와 복숭아는 서로 보완 관계를 가짐을 시사한다. ‘사과→감귤’규칙은 다른 연령대에서도 자주 나 타났지만 30대 연령층의 경우는 기업형 슈퍼마켓이 아닌 전통시장 에서 등장한다는 점에서 차이가 난다. ‘배→사과’는 30대에서만 나타난 과일 구매에 관련된 연관규칙이었으나 최근에는 ‘단감→사 과’규칙이 새롭게 등장하여, 소비 측면에서 배와 단감이 점차 대체 관계를 보이는 것으로 여겨진다. 겨울철에 ‘딸기→감귤’규칙은 4년 간 지속적으로 나타났으나 2015년 이후부터는 등장하지 않아 소멸 한 것으로 판단된다.

    3. 계절별 공통 연관규칙의 변화

    매년 동일하게 나타나는 연관규칙(이하 공통규칙)만을 추출하 여 이들의 변화를 살펴보왔다. 공통규칙의 변화는 향상도가 증가 또는 감소하는지 아니면 매년 불규칙하게 변하는지를 기준으로 분 석하였다. 향상도 변화는 공통규칙 전체의 연평균 증감률을 기준으 로 하여 해당 연관규칙의 증가율이 평균보다 높으면 증가하는 것으 로, 감소율이 평균값보다 낮으면 감소하는 것으로, 그렇지 않을 경우는 불규칙한 것으로 구분하였다. 향상도 값이 최근으로 올수록 증가하는 연관규칙은 구매 연관성이 커지면서 품목 간의 보완관계 가 강화되고 있는 반면, 향상도가 감소하여 1에 가까워지는 연관규 칙은 품목 서로 간에 더 이상 보완관계가 아닌 독립관계를 가지는 것으로 해석할 수 있다.

    먼저, 겨울철에 나타난 연관규칙의 향상도 변화(Table 4)를 보 면, ‘무→생선류’규칙이 전통시장에서 꾸준히 등장하고 있는데, 향 상도의 변화 패턴은 연령층에 따라 달랐다. 이들 두 품목 간 연관성 은 30대 연령층의 경우 더 강해지는 반면, 40대 연령층에서는 약화 되는 추세를 보였다. 이러한 사실은 30대가 다른 연령대에 비해 무와 생선류를 보완재로 생각하는 경향이 높음을 의미한다.

    버섯과 관련된 공통규칙의 변화 패턴도 연령대별로 차이를 보였 다. 30대의 ‘호박→버섯’규칙과 50대의 ‘시금치→버섯’규칙에서는 향상도가 증가하는 반면, 40대의 ‘고추→버섯’규칙에서는 향상도 가 감소하였다. 향상도 증가는 구매측면에서 두 상품 간에 양의 상관관계가 증가함을 의미하기 때문에 이러한 결과를 반영한 상품 진열이나 할인정책을 도입할 경우 버섯의 매출을 향상시킬 수 있음 을 시사한다. 예를 들어, 시금치->버섯의 연관규칙에 대한 향상도 값이 증가하고 있다면, 시금치와 버섯을 서로 인접한 매대에 진열 하거나 시금치 가격을 할인한다면 버섯 구매 증가를 유도할 수 있을 것이다.

    봄철 공통규칙의 향상도 변화 분석 결과(Table 5)에 따르면, 봄철은 다른 계절에 비해 향상도가 연도별로 크지 변하지 않고, 감소보다는 증가하는 패턴을 보였다. 향상도가 증가하는 것으로 나타난 공통규칙 가운데 50대 연령층의 규칙은 구매장소별로 품 목의 차이가 있었는데 전통시장에서 ‘배추→파’, 기업형 슈퍼마켓 에서 ‘무→파’, 대형마트에서 ‘갑각조개류→생선류’ 규칙이다. 이 러한 결과는 50대 연령층의 경우 신선채소는 전통시장 또는 기업 형 슈퍼마켓에서, 수산물은 대형마트에서 주로 구매함을 의미한다.

    기업형 슈퍼마켓에서 ‘상추⇄쌈채소’규칙은 모든 연령층에서 나타난 공통규칙으로 다른 연관규칙에 비해 향상도 값이 크고 최근 으로 올수록 향상도가 크게 증가하고 있다. 이는 쌈채소와 같이 다품목․소포장된 채소류에 대한 소비자의 선호 성향이 반영되어 이들 품목 간의 연관성이 더욱 강화되는 것으로 보인다. 상추와 쌈채소 간의 연관규칙은 30대 연령층에서도 나타났다. 향상도 값 이 불규칙적이긴 하나 상대적으로 큰 편이며 2013년 이후 지속적 으로 증가하는 추세이다. 이러한 결과는 30대 연령층에서 상추와 쌈채소는 구매측면에서 서로 보완재이며 그 연관관계가 더욱 강화 되고 있음을 의미한다.

    여름철 공통규칙의 향상도 변화(Table 6)에 따르면, 다른 시장보 다 전통시장에서 등장하는 연관규칙이 많음을 알 수 있다. 전통시장 에서는 무, 배추의 연관규칙이 다수 등장하였고 향상도도 높았다. 이러한 결과는 여름철 전통시장에서는 주로 열무와 여름배추가 구 매되는데 이 두 품목이 함께 구매되는 경우가 빈번함을 의미한다. 또한‘가지→오이’, ‘가지→호박’ 규칙의 향상도도 증가하는 것으로 나타나, 최근에 올수록 여름철에 가지와 오이, 무와 배추가 함께 구매되는 경향이 두드러지고 있음을 알 수 있다. 특히 무와 배추는 연관구매가 양방향으로 꾸준히 나타나 이들 두 품목이 서로 보완재 적인 특성을 가진 것으로 분석되었다. 반면,‘포도→복숭아’또는 쌈 채소와 관련된 연관규칙의 향상도는 감소하는 것으로 나타났다. 이 는 최근에 올수록 포도와 복숭아가 함께 구매되거나 쌈채소와 같이 구매되는 품목들이 점점 적어지고 있음을 의미한다. 그러나 30대 연령층에서 ‘포도→복숭아’, ‘상추→쌈채소’규칙의 향상도 값이 상 대적으로 높기 때문에 이들 규칙들이 사라질 가능성은 낮아 보인다.

    가을철 공통규칙의 향상도 변화(Table 7)에 따르면, 향상도의 값은 갓, 무, 배추, 파와 같은 품목에서 증가하는 것으로 나타났다. 특히 ‘갓→파’규칙의 향상도가 상대적으로 높았는데, 그 이유는 김장철과 연관된 것으로 보인다. 연령대별로는 40, 50대에서 ‘갓→ 파’규칙이 매년 등장하는 반면 30대에서는 나타나지 않았는데, 이 는 젊은 층에서 김장을 담그는 비중이 감소하여 나타난 현상으로 판단된다. ‘갑각조개류→생선류’규칙은 대형마트에서 수산물을 구 매하는 50대와 모든 연령층에서 등장하고, 향상도도 증가하는 추 세이다. 이 결과는 소비자 연령이 높을수록 다양한 종류의 수산물 을 구매하며, 수산물의 구매장소가 주로 대형마트임을 의미한다. 50대 연령층에서 나타난 ‘무→파’규칙은 기업형 슈퍼마켓과 전통 시장에서 모두 등장하나, 향상도는 기업형 슈퍼마켓에서 감소하는 추세이다. 하지만 기업형 슈퍼마켓에서 향상도 값이 전통시장보다 매우 높아 이들 규칙의 소멸 가능성은 낮아 보인다.

    4. 연관규칙에 의한 신선식품 마케팅 전략

    소비자의 신선식품 구매에서 나타난 연관규칙 분석으로부터 도 출할 수 있는 마케팅 전략은 다음과 같다. 첫째, 연관규칙이 의미하 는 바는 서로 연관되어 구매되는 품목들의 규칙이므로 묶음상품을 개발하거나 매대를 구성할 때, 또는 소비자에게 발송할 상품 홍보 용 전단지를 만들 때 연관규칙이 유용한 정보로 사용될 수 있다. 예를 들면, 대형마트에서 ‘버섯→계란’규칙은 계절에 관계없이 꾸 준히 나타났으므로 버섯과 계란의 매대 거리를 다소 멀게 하여 다른 품목도 살펴보고 구매하게끔 할 수 있다. 또는 ‘바나나→계란’ 규칙은 자주 등장하기 때문에 서로 인접한 매대에 상품을 같이 진열하는 방식도 두 품목의 매출을 높이는 데 효과적일 수 있다. 또한 모든 계절에 지속적으로 등장하는 연관규칙에 속하는 품목의 경우는 계절에 구애받지 않고 매장에 진열될 수 있도록 적절한 재고관리를 해야 한다는 시사점도 얻을 수 있다.

    둘째, 연관규칙을 활용하여 한 가지 품목에 대해서 할인행사를 진행하여 소비자로 하여금 연관관계가 있는 품목을 동시에 구매하 도록 할 수 있다. 묶음상품과는 다른 방향의 전략으로 한 품목의 가격을 할인하면 소비자가 그 품목과 연관관계가 있는 여러 품목들 을 구매할 가능성이 높아질 것이며 이를 통해 매출 확대가 가능할 것이다. 특히 연관규칙으로 자주 등장한 품목(예: 계란, 버섯 등)은 여러 품목을 구매할 때 그 품목을 함께 구매하는 경우가 많음을 의미하기 때문에 자주 등장한 연관규칙 품목을 중심으로 할인행사 를 진행하는 것이 더욱 효과적인 전략이 될 것이다.

    셋째, 구매 장소마다 계절별로 생성되는 연관규칙을 참고하여 품 목을 진열하거나, 또는 소멸규칙이 다시 연관규칙으로 등장하도록 의도적으로 판매가 부진한 품목이 포함된 묶음상품을 개발할 수도 있다. 또한 계절별로 나타난 연관규칙으로 소비자의 구매행동을 예 측하여 판매촉진 전략을 세울 수 있다. 예를 들어, 전통시장에서 과일 을 구매하는 30대 연령층의 경우 가을에 ‘단감→사과’규칙이 새로 등장하였는데, 이들 계층을 대상으로 단감 판촉 행사를 진행하거나 과일묶음세트를 개발하는 것이 효과적인 전략일 수 있다.

    넷째, 소비자 개인별 구매내역이 축적된다면 매장에 방문하는 고 객들에 대해 개별화된 상품 추천이 가능하게 되어 상품구매 유도 효과뿐만 아니라 고객 충성도를 높이는 효과를 거둘 수 있을 것이다.

    마지막으로, 농협이나 국책 연구기관 등에서 농수축산물에 대한 주기적인 연관규칙 분석을 수행하고, 이러한 분석결과를 생산자와 유통업체에 전달하여 실제적인 마케팅 전략을 수립할 수 있도록 하는 체계가 구축될 필요가 있다.

    이 연구에서는 소비자의 인구사회적 특성과 구매 특성 가운데 연령과 구매장소, 구매시기만을 고려하였다. 그러나 소비자의 신선 식품 구매는 다른 요인들에 의해서도 영향을 받기 때문에 보다 엄밀한 분석을 위해서는 여러 인구사회적인 특성을 고려한 군집분 석을 실시한 후에 군집유형별로 연관규칙을 수행할 필요가 있다.

    Figure

    JALS-54-4-111_F1.gif

    Procedure of association rules analysis.

    JALS-54-4-111_F2.gif

    Procedure of data preprocessing.

    Table

    Association rules of fresh food products purchased by 50s aged consumers: the years of 2011∼2017

    Association rules of fresh food products purchased by 40s aged consumers: the years of 2011∼2017

    Association rules of fresh agri-food products purchased by 30s aged consumers: the years of 2011∼2017

    Changes of lift values in association rules found at winter season

    LSM: large-scaled mart; SSM: super supermarket; TM: traditional market.
    <sup>1</sup>classified as <i>increasing</i> when the average growth rate of lift values being above +3.2% , <i>decreasing</i> when it being below -3.2% , and <i>irregular</i> when otherwise.

    Changes of lift values in association rules found at spring season

    LSM: large-scaled mart; SSM: super supermarket; TM: traditional market.
    <sup>1</sup>classified as <i>increasing</i> when the average growth rate of lift values being above +3.6% , <i>decreasing</i> when it being below -3.6% , and <i>irregular</i> when otherwise.

    Changes of lift values in association rules found at summer season

    LSM: large-scaled mart; SSM: super supermarket; TM: traditional market.
    <sup>1</sup>classified as <i>increasing</i> when the average growth rate of lift values being above +2.0% , <i>decreasing</i> when it being below -2.0% , and <i>irregular</i> when otherwise.

    Changes of lift values in association rules found at fall season

    LSM: large-scaled mart; SSM: super supermarket; TM: traditional market.
    <sup>1</sup>classified as <i>increasing</i> when the average growth rate of lift values being above +2.3% , <i>decreasing</i> when it being below -2.3% , and <i>irregular</i> when otherwise.

    Reference

    1. Adriaans P and Zantinge D. 1996. Data mining. Addison-Wesley. NY, USA.
    2. Agrawal R , Imielinski T and Swami A. 1993. Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD Conference Washington DC, USA.
    3. Ahn KC , Moon CB , Kim BM , Shin YS and Kim HS. 2012. POS data analysis system based on association rule analysis. J. of the Korea Industrial Information Systems 17(5): 9-17.
    4. Hahsler M and Karpienko R. 2017. Visualizing association rules in hierarchical groups. J. of Business Economics 87(3): 317-335.
    5. Jung YG , Park JK , Lee JC and Choi EY. 2012. An study on the product purchase patterns using association rule. J. of Service Research and Studies 2(1): 39-46.
    6. Mun HS and Chang JB. 2019. Household demand for fruits and vegetables using the QUAIDS model. J. of Agriculture & Life Sciences 53(6): 141-155.
    7. Netze O , Feldman R , Goldenberg J and Fresko M. 2012. Mine your own business: Market-structure surveillance through text mining. Market. Sci. 31(3): 521-543.
    8. Paul A and David M. 2015. Data mining for the social sciences: An introduction. University of California Press.
    9. Piao SY , Kim SM , Jin XJ , Lee SH , Heo YB , Kang JW and Lee JI. 2018. Empirical analysis of consumption factors of beef and pork in China and South Korea. J. of Agriculture & Life Sciences 52(5): 123-136.
    10. Ryu GY and Moon YS. 2006. A case study on data mining techniques. J. of the Korean Data Analysis Society 8(3): 1021-1033.
    11. Shmueli GN , Patel R and Bruce P. 2009. Data mining for business intelligence. Wiley.
    오늘하루 팝업창 안보기 닫기