EduNow. 디지털마케팅 교육

1. IPA 분석의 필요성

기업은 사용할 수 있는 자원이 항상 부족합니다. 사업을 성공적으로 완수하여 이익을 창출할 수 있는 것이 기업의 가장 큰 사명중 하나이지만, 기업이 이를 위해서 사용할 수 있는 예산이나 인력은 제한되어 있습니다. 그 결과 주어진 자원들을 얼마나 잘 효율적으로 사용하는 가는 기업의 성과를 결정하는 중요 의사결정 사항입니다. 일예로 카메라의 신제품 개발을 위해서 1억원의 연구개발 비용을 사용할 수 있다고 가정합시다. 만일 이 회사의 카메라의 무게에 대하여 소비자들이 매우 만족하며 아무런 불만이 없지만, 회사가 가장 중요하다고 생각하고 있는 디자인에 대하여 매우 크게 불만족스러워하고 있다면 예산의 대부분을 어디에 사용해야 할까요? 당연히 디자인을 개선하기 위해서 대부분의 힘을 쏟아부어야 하지만, 정확한 정보 없이는 이런 문제점을 파악하기도 어려울 때가 많습니다. 이런 상황에서 IPA 분석은 각 경영 차원에서 중점적으로 개선해야 하는 요소들을 구분해 줌으로서 효과적인 의사결정을 가능하게 해줍니다.

2. IPA 분석의 이해

IPA 분석은 Importance-Performance Analysis을 의미합니다. IPA 분석은 소비자가 지각하는 특정 요소에 대한 만족도와 중요도를 각각 X와 Y축으로 하는 2차원상의 평면위에 좌표로 각 요소를 표현하는 분석방법으로서 개선이 시급한 분야와 불필요하게 과잉 투자가 이루어진 분야를 파악하는데 매우 유용한 방법입니다.

IPA 분석은 만족도와 중요도의 평균 값을 기준으로 기업의 전체 활동 영역을 크게 1. 유지관리 영역, 2. 과잉투자 영역, 3. 중점개선 영역, 4. 개선 대상영역의 4개 영역으로 나누어줍니다.

1. 유지관리 영역은 응답자, 즉 소비자들에게 중요한 의미가 있는 영역이면서, 동시에 해당 기업이 비교적 잘 만족시키고 있는 영역입니다. 기업 입장에서는 이미 충분히 잘 하고 있는 영역이고 고객들도 별다른 불만들이 없으므로, 현재 수준을 꾸준히 유지하는 것이 필요합니다.

2. 과잉 투자 영역은 기업의 입장에서 큰 문제 영역이라고 할 수 있습니다. 소비자들에게 중요하지 않음에도 불구하고 기업이 지나친 투자나 과잉 노력을 통해서 불필요할 정도로 만족도가 높은 경우입니다. 일예로, 만일 소비자들이 과자를 살 때 포장지의 색깔을 전혀 중요하게 여기지 않고 있는데도 불구하고 지나칠 정도로 포장지에 대한 만족도가 높다면 기업의 마케팅 활동들이 매우 비효율적이며 예산 낭비적인 방법으로 이루어졌다는 의미가 될 수 있습니다.

3. 중점 개선영역은 소비자들이 생각하는 중요도가 높음에도 불구하고 이에 대하여 해당 기업에 대하여 느끼는 만족도가 낮은 경우입니다. 일예로 과자를 구매할 때 가장 중요한 요인이 과자의 맛임에도 불구하고 해당 기업 제품의 맛이 형편없는 경우일 것입니다. 중점 개선 영역은 가장 시급하게 개선이 필요한 내용이며, 개선 활동에 대한 효과성도 가장 큰 영역입니다.

4. 개선 대상영역은 중요도와 만족도 모두 낮은 영역으로서 현재로서는 크게 신경 쓸 필요가 없는 중요하지 않은 영역들입니다. 향후 중요도가 올라간다면 만족도가 낮은 것이 문제가 될 수 있지만, 현재로서는 소비자들도 별로 신경을 쓰거나 중요하게 여기지 않은 부분들이므로, 만족도의 높고 낮음 자체가 큰 문제가 되지 않는 부분들입니다. 그 결과 개선 대상영역은 향우 장기적인 개선과제로 그 우선 순위가 밀려나는 부분들입니다.

이상의 내용을 정리하면, 결국 IPA 분석은 과잉투자영역에서 사용되는 불필요한 자원이나 노력들을 줄임으로서 중점 개선영역을 우선적으로 개선하게 하는 분석 도구라고 할 수 있으며, 이를 통하여 기업은 보다 효율적인 마케팅활동이나 신상품 개발등이 가능할 것입니다. 사용하는 데이타가 무엇에 관하여 수집된 데이타인가에 따라서 IPA 분석 대상은 기업의 활동이 될 수도 있고 신상품의 세부 기능이 될 수도 있으며, 그외 다양한 방식으로 활용가능합니다.

3. IPA 분석을 위한 설문과 데이타

우선 IPA 분석을 하기 위해서는 이에 적합한 데이타를 수집하기 위한 검토가 설문지 개발 단계 이전부터 이루어질 필요가 있습니다. 적합한 SPSS 데이타 파일없이는 분석 자체가 불가능하기 때문입니다. 필요한 데이타를 얻기 위하여 설문지를 구상하는 방법은 크게 두가지 방법이 있습니다.

1) 첫째 방법으로서, 소비자들에게 만족도와 중요도를 각각 따로 물어보는 방법입니다. 그러나 가장 간단하게 특정 상품 속성에 대한 만족도와 중요도 데이타를 동시에 획득할 수 있는 이 방법은 큰 단점이 있습니다. 만족도와 중요도를 각각 따로 물어봐야 하므로 설문 문항이 많아지고 복잡해지는 단점이 있습니다.

2) 둘째 방법으로서, 개별적인 각 속성의 만족도와 전반적인 만족도간의 상관관계를 구하고 이를 바탕으로 중요도를 추정하는 방법입니다. 이 방법의 경우 데이타 수집에 필요한 설문 문항의 수를 절반 수준으로 줄일 수 있다는 장점이 있습니다. 실제 설문조사를 수행할 때 긴 설문지로 인하여 설문을 회수하는 것이 어려운 경우들이 많음을 감안할때 필요한 문항의 갯수를 획기적으로 줄일 수 있는 두번째 방법이 보다 선호될 것입니다.

이 예에서는 IPA 분석을 위하여 총 10개의 제품 속성과 전반적인 만족도를 확인하는 또 하나의 추가적인 설문 문항이 제시되고 있습니다. 여러분도 만일 IPA 분석을 독자적으로 해야한다면, 이처럼 IPA 분석에 필요한 데이타를 획득할 수 있는 설문지를 먼저 설계하는 것이 분석의 시작이 될 것입니다.

4. IPA 분석 절차

이제부터는 위에서 제시된 설문지 문항들을 가지고 설문 조사가 완료된 후에 SPSS를 이용하여 IPA 분석을 하는 과정들을 차례로 같이 해보겠습니다.

1) 1단계: 전만적인 만족도와 개별적 만족도간의 상관관계 구하기 : 이미 앞서 다른 블로그 글에서 설명한 바와 같이 상관관계란 어느 한 변수와 다른 변수간의 관계를 잘 설명할 수 있습니다. 마찬가지로 10개의 제품 속성과 전반적인 만족도 각각의 상관관계 분석을 시행하면, 전반적인 만족도에 미치는 각 10개 제품 속성의 개별적인 영향력을 계산할 수 있으며, 이를 중요도를 대체할 수 있는 유사 개념으로 사용할 수 있습니다.

우선 상관관계 분석을 통하여 다음과 같은 상관관계 테이블을 구합니다. 이 테이블을 살펴보면 전반적 만족도와 기타 10개 항목들간에 상관관계가 도출된 것을 볼 수 있습니다. 일예로, 전만적 만족도와 테입 삽입 및 추출기능간의 상관계수는 0.266인 것을 볼 수 있습니다.

2) 2단계: 상관계수를 활용한 중요도 구하기: 이제 구해진 상관계수를 활용하여 전반적인 만족도에 미치는 10개 제품 속성의 개별적인 중요도를 구해볼 차례입니다. 이를 위해서는 엑셀을 별도로 활용하면 더욱 편리합니다. 우선 엑셀 차트에 각 10개 항목의 내용을 첫째 칼럼에 정리합니다. 그리고 두번째 칼럼에는 구해진 상관계수를 복사해 놓습니다. 그리고 상관계수의 총 합을 구합니다. 이번 예의 경우에는 테이프 삽입추출 부터 렌즈 우수성까지 총 10개 항목과 전반적 만족도간의 상관관게를 구했으며, 10개 상관계수를 단순 합계하면 합이 3.467입니다.

세번째 칼럼에서는 이제 중요도를 구해야 합니다. 중요도를 구하는 방식은 ‘각 항목별 상관계수 / 상관계수 합계’입니다. 즉 테이프 삽입 추출 기능의 중요성을 구하는 예를 보면 ‘0.266 / 3.467 = 0.077’ 입니다. 동일한 방식으로 10개 항목의 중요도를 모두 구할 수 있습니다.

3) 3단계: 항목별 만족도 구하기: 이제 만족도를 구할 단계입니다. 우선 10개 항목의 만족도를 각 브랜드별로 구해야 합니다. 브랜드별로 구분해서 만족도를 구하는 이유는 IPA 분석은 기본적으로 각 브랜드 수준에서 시행되기 때문입니다. 이를 구하는 방법은 이미 앞서 배운 SPSS의 ‘평균 비교’ 기능을 활용합니다. 이를 통하여 구한 각 브랜드별 만족도를 엑셀 차트에 정리하면 아래와 같습니다.

4) 4단계: SPSS 코딩: 이제 엑셀에 정리된 데이타를 다시 SPSS에 펀칭하여야 합니다. 이제 엑셀에 1차적으로 정리된 데이타를 다시 SPSS에 코딩하기전에 우선 몇 개의 변수가 필요한지 생각해 봅시다. 우선 첫번째 변수로 (1) 속성을 나타내는 변수가 필요할 것입니다. 테이프 추출기능, 테이프 가격 등의 제품 속성이 하나의 변수가 될 것입니다. 여기서 우리는 임의로 그 변수를 factor라는 변수 명으로로 지정합니다. 두번째 변수로 (2) 각 브랜드를 나타내는 변수가 필요할 것입니다. 소니, 삼성, LG가 하나의 변수가 될 것입니다. 여기서 우리는 임의로 그 변수를 brand로 지정합니다. 세번째로, (3) 중요도 값을 나타내는 변수가 필요할 것입니다. 여기서는 importance로 지정합니다. 마지막 네번째로 (4) 만족도를 나타내는 변수가 필요하며, 여기서는 CS로 지정합니다. 이처럼 변수를 새로 만들고나서 엑셀 차트에 정리한 내용을 SPSS에 붙이면 아래와 같은 데이타 파일을 생성할 수 있을 것입니다. 엑셀의 정보들은 Ctrl-C와 ctrl-v 같은 기능을 통하여 손쉽게 SPSS에 복사할 수 있습니다.

그리고, 변수 값에 라벨링을 하여 각각의 변수값이 무엇인지 잘 알 수 있도록 합니다. 이 과정을 생략해도 결과값은 나오겠지만, 변수 설명 없이 결과값을 이해하기에는 다소 혼란스러울 수 있기 때문에 꼭 라벨링을 하도록 합시다.

5) 5단계: 브랜드의 선택 : 이제 완성된 SPSS 데이타셋은 삼성, 소니, 그리고 LG 3개 회사의 만족도 점수를 모두 가지고 있습니다. 분석을 하기 전에 우선 어떤 브랜드의 분석을 시행할 것인지 연구 대상이 되는 브랜드를 결정해야 합니다. 우선 여기서는 삼성 브랜드의 분석을 하고자 합니다. 삼성 브랜드를 선택하기 위해서는 메뉴에서 데이타 -> 케이스 선택을 통하여 삼성 브랜드만 선택하여야 합니다. 다른 브랜드의 추가 분석이 필요한 경우에는 마찬가지로 다른 브랜드를 선택한 후 진행하면 됩니다.

6) 6단계: IPA 분석의 시행: 이제 데이타가 준비되었으니 IPA 분석을 시행할 차례입니다. IPA 분석은 다른 분석 방법과 달리 SPSS의 ‘분석’ 메뉴가 아니라 ‘그래프’ 메뉴를 통해 실시됩니다. 우선 메뉴 바 상단의 그래프 메뉴 -> 레거시 대화상자 -> 산점표/점도표 메뉴를 클릭하십시요.

이 메뉴를 클릭하면 그래프의 유형을 물어보는 대화창이 나오는데, 여기에서 ‘단순 산점도’를 선택하고 ‘정의’ 버튼을 클릭합니다. 선택이 끝나고 나면 다시 IPA 분석에 필요한 사항들을 지정할 수 있는 대화창이 나타납니다. 이때 X와 Y 축에는 각각 중요도와 만족도의 변수들을 지정하고, ‘케이스 설명 기준변수’에는 속성 변수를 지정합니다. 그리고 나서 ‘옵션’ 버튼을 클릭한 후 ‘케이스 설명과 함께 도표 출력’을 활성화합니다. 이를 활성화해야만 분석 결과에서 각 속성에 대한 설명이 같이 표시될 것입니다. 설정이 끝난 후에 ‘확인’ 버튼을 누르면 이제 IPA 도표가 출력됩니다.

7) 7단계: 결과의 확인: 이제 결과물을 확인하면 IPA 도표가 작성된 것을 볼 수가 있습니다. 그러나 이 도표는 아직 4개의 영역으로 구분되기 이전의 자료입니다. 시사점을 찾기 위해서는 IPA 도표를 파워포인트로 옮긴 이후, 중요도와 만족도의 평균값을 중심으로 4개의 영역으로 분할 하는 작업이 필요합니다. 삼성의 예를 보면 중요도는 0.1, 만족도는 4.49를 중심으로 분할이 이루어졌습니다. 이제 이 결과를 해석해보면 삼성은 테이프 삽입 추출 기능에 소요되는 인력과 예산, 노력을 LLCD 가시성이나 LCD 창크기 확대 등에 사용해야 함을 알 수 있습니다.

* 해당 내용을 동영상을 통하여 보다 쉽게 배우고 싶으시면, 아래 동영상 링크를 이용바랍니다.

https://youtu.be/LY6-hhtz__c

: 청주대학교 이 원준 (meetme77@naver.com)

SPSS 등 통계 분석의 시작은 양질의 데이터를 확보하는 것이다.  양질의 데이터는 좋은 식재료와 같아서, 아무리 훌륭한 쉐프라 하더라도 재료없는 요리가 불가능한 것처럼 데이터 없는 분석은 성립할 수 없기 때문이다. 그리고 양질의 데이터는 대부분 좋은 설문지의 개발, 완결성이 높은 실사 작업(field work),  정직하고 꼼꼼한 데이타 클린싱 작업의 모두 갖추어져야지만 가능한 결과물이다. 

이러한 데이터와 설문지를 확보하는 것은 상업적인 마케팅 리서치회사에서는 오랫동안 축적된 과거 경험을 바탕으로 진행된다. 과거 수행되었던 수많은 프로젝트의 결과물을 쉽게 이용할 수 있고 비교적 체계적인 OJT(on the job)가 진행되기 때문에 신입 연구원의 경우라도 빠르게 역량을 갖추어갈 환경과 여건이 갖추어져 있다. 마케팅 리서치에 익숙해지는 좋은 방법중 하나는 과거의 성공적 리서치 경험과 데이터를 복기하는 방식이라는 점에서 바둑 배우기와 닮아 있다.

그러나, 처음 배우는 입장에서는 설문지와 데이터, 특히 양질의 데이터를 확보하는 것은 매우 어렵다. 대부분 기업 마케팅 조사 결과는 기업의 영업 비밀에 해당되기 때문에 신문 등에 기사로 나는 요약된 조사 결과 외에는 raw data나 설문지 등 공개되는 경우가 거의 없기 때문이다. 다양한 통계 분석을 시험해보기 위해서는 볼륨있는 시장조사 데이타가 필요한 경우가 많으나 구하기는 쉽지 않은 이유다.

이와 관련하여 참조할 만한 데이터로 한국콘텐츠 진흥원이 제공하는 패널 데이터를 참조해볼 수 있다. 본 패널 데이터는 2014-2019년간에 걸친 조사로 획득한 패널 데이터를 제공하고 있으며, 설문지와 코딩 북도 공개하고 있다. 또한 데이터를 기반으로한 공모전도 개최하고 있다. 

아래 첨부한 데이터를 기반으로 SPSS와 마케팅 리서치에 익숙해질 수 있을 것으로 기대한다. 

이제 SPSS를 사용한 설문 조사의 설계와 문항 작성, 다양한 실무적 통계 분석에 관하여 익힐 수 있다. 그러나, 이런 기법들도 양질의 설문 데이터를 수집한 이후에야 적용이 가능할 것. Garbage-in & Garbage-out를 피하기 위해서는 설문 작성의 중요 관건이 되며, 좋은 설문지 작성은 오랜 경험이 숙련된 이후에야 가능하다.

경험을 축적하기 위해서는 먼저 시행된 다양한 설문지를 참고삼아 분석하고, 각 설문지의 장단점 등을 확인할 필요가 있으며, 편집을 통하여 응답자가 시각적으로 부담을 느끼거나 피로감을 느끼지 않도록 배려하는 작업도 중요하다. 이러한 목적을 위하여 국내 주요 마케팅 리서치 기업들은 자신들만의 독특한 설문지 양식과 질문 체계, 측정 도구들을 갖추고 있으며 이들을 특허 출원하는 등 저작권(IP) 보호에도 신경을 쓰고 있다.

그 결과 타 조사기관의 설문지 원본을 구하는 것도 쉽지 않으며, 구한다 하더라도 이를 상업적으로 활용하는데에는 윤리적 문제와 기타 제약들이 따른다. 따라서 본인의 경험을 축적으로 자신만의 노하우가 담긴 설문지를 만들어가는 과정이 중요하다. 

그리고 설문지는 그 목적에 따라 1) 상업적 설문지, 2) 학술적 설문지로 나누어질 수 있다.

1) 상업적 설문지는 보통 고객인 위탁기업의 다양한 요구사항을 포함시켜야 하므로 질문의 형태나 내용, 부가적 자료의 제공등이 매우 다양하게 이루어진다. 보통 고객만족도 조사, 신상품 컨셉 조사, 유통 전략 조사 등 다양하다. 통계적 신뢰성도 중요하지만, 기업이 확인하고자하는 객관적 사실을 담는데 더 치중하게 된다. 아래는 저자가 과거 작성한 상업적 설문지중 일부 내용을 변경하여 공개하는 내용이다.

2) 학술적 설문지는 학술지나 학술대회에 필요한 기본적인 데이터 수집을 목적으로 하며, 보통 석박사 학위 논문 작성에 필요한 원천 데이터의 수집을 목적으로 한다. 데이터 자체를 통하여 특정 정보를 요약하는 기술(description)보다는 변수들 간의 인과관계 규명이 목적이라는 점에서 상업적 설문지의 일반적 양식과 차이를 보인다. 또한 사용되는 변수의 신뢰성과 타당성 확인이 반드시 이루어져야 하기 때문에, 이런 목적을 달성할 수 있는 다항목(multi-item)으로 구성된 측정 항목이 일반적으로 삽입된다. 다항목 측정 항목은 비연구자들이 보기에는 거의 똑같은 질문이 반복되는 것처럼 느껴질 수 있으며, 특별한 용도가 아니면 상업적 설문지에서는 거의 사용되지 않는다. 아래는 저자가 과거 작성한 학술적 설문지중 일부 내용을 변경하여 공개하는 내용이다.

: 청주대학교 이 원준 (meetme77@naver.com)

1. 분산분석의 필요성

분산분석(ANOVA: Analysis of Variance)은 두 개 이상 집단 간의 평균에 대한 차이를 검정하는 통계분석입니다. 분산분석을 이용하여 각 집단들이 동일한 평균을 가진 모집단에서 추출된 것인지 여부를 검정할 수 있습니다. 예를 들어서 광고 모델을 누구로 사용하는가에 따라서 광고에 대한 평가가 달라질 수 있습니다. 즉 어떤 사람은 아이돌같은 연예인들이 등장하는 광고에 호감을 보이는 반면, 다른 사람들은 일반 보통사람들이 등장하는 광고에 더 큰 호감을 느끼기도 합니다. 이러한 상황에서 마케팅 관리자는 소비자들이 어떤 광고 모델에 더 좋은 반응을 나타내는지를 알고 싶을 것입니다. 분산 분석은 이와 같이 마케팅 전략의 효과 측정이나 소비자 집단의 마케팅 전략에 대한 반응 차이 등에 대하여 통계적으로 검증된 의사결정을 가능하게 합니다.

2. 분산 분석의 이해

집단간의 평균에 통계적 차이가 있다 혹은 없다는 것을 어떻게 측정할 수 있을까요? 분산 분석의 기본 원리를 이해하기 위하여 가상적인 A기업의 신상품 홍보 전략을 예로 설명하고자 합니다.

A회사는 새로운 여성용 화장품 브랜드를 런칭하면서, 브랜드를 널리 알리기 위하여 향수 샘플, 현금할인, 그리고 무료 마사지의 3 가지 판촉물을 준비하고 있습니다. 그리고 이중 어떤 판촉물이 더 효과적인지 확인하기 위하여 전국에 분포되어 있는 12개의 점포를 각각 4개의 점포로 나누어 총 3개의 집단을 구성하였습니다. 각각의 집단에는 한 가지 종류씩 판촉물이 주어졌으며, 1개월의 판촉 행사가 종료된 이후 다음과 같은 판매 성과를 얻었습니다.

이와 같은 결과를 받은 후에 A기업은 어떤 각기 다른 3가지 판촉수단을 사용한 3개 집단간에 통계적으로 유의한 차이가 있는지를 분석하여 의사결정에 활용할 수 있는데 이를 분산분석이라고 합니다.

분산분석에서는 독립 변수와 종속 변수가 각각 필요합니다. 독립변수는 서로 다른 판촉 수단을 사용한 향수 샘플, 현금 할인, 무료 마사지의 3개 집단이 되며, 종속 변수는 이들 각 집단의 일평균 매출액이 됩니다. 즉 독립변수는 명목이나 비율 척도로서 그 값이 변하지 않고 항상 일정하지만, 종속변수는 등간이나 비율 척도로서 어떤 독립변수를 기준으로 평균을 파악하는가에 따라서 수시로 그 값이 변할 수 있습니다.

분산분석에서 사용하는 귀무가설과 대립 가설은 다음과 같습니다.

H0 : 집단별 매출액은 동일하다

H1 : 집단별 매출액은 동일하지 않다

3. 분산분석의 계산 절차

분산분석은 전체 분산을 이루고 있는 집단간 분산과 집단내 분산 중에서 집단 간 분산이 집단내 분산보다 얼마나 큰가를 판단하여 집단 간의 차이를 검정하는 방식입니다. 따라서 가설을 검증하기 위하여 분산분석에서는 집단내 분산, 집단간 분산, 그리고 전체 분산의 3가지 분산을 계산해야만 합니다.

1) 집단내 분산

집단내 분산은 각 집단의 평균치를 중심으로 집단내 각 측정치들이 얼마나 떨어져 있는 가를 나타내며 집단내 분산은 무작위 오차에 의한 것입니다. 즉 집단의 특성에 의한 차이가 아니라 그 외 설명할 수 없는 원인들에 의한 차이들입니다. 일예로 향수를 사용한 a 집단의 평균 매출은 32만원이지만, 같은 a 집단내에서도 매출액은 22만원 ~ 40만 원까지 다양합니다. a 집단내에서 발생한 매출 차이는 동일한 판촉 수단을 썼으므로 결코 판촉 수단의 차이가 될 수 없으며, 판촉 수단 이외의 알지 못하는 원인에 의해 발생한 차이임을 의미합니다. 집단내 분산을 구하기 위한 공식은 다음과 같습니다.

이를 앞의 A기업의 판촉 예에 대입해보면 집단내 분산은 다음과 같이 구할 수 있습니다.

판촉물 a(향수샘플) 집단내 분산= (40-32)2 + (36-32)2 + (30-32)2 + (23-32)2 = 184

판촉물 b(가격할인) 집단내 분산= (34-26)2 + (28-26)2 + (26-26)2 + (16-26)2 = 168

판촉물 c(무료 마사지) 집단내 분산= (28-18)2 + (20-18)2 + (14-18)2 + (10-18)2 = 184

** 그리고 이 세개 집단의 집단간 분산을 모두 합산한 전체 집단내 분산은 184+168+184 = 536 입니다.

2) 집단간 분산

집단간 분산은 각 집단들의 평균이 전체 평균으로부터 떨어져 있는 정도로 계산됩니다. 이는 집단의 특성에 따른 차이로써, 3개의 집단이 각기 다른 판촉 수단을 사용하였기 때문에 발생한 차이라고 볼 수 있을 것입니다. 집단간 분산을 구하기 위한 공식은 다음과 같습니다.

이를 앞의 A기업의 판촉 예에 대입해보면 집단간 분산은 다음과 같이 구할 수 있습니다.

** 집단간 분산= 4( (32-25.3)2 + (26-25.3)2 + (18-25.3)2 ) = 394.7 입니다.

3) 전체 분산

전체 분산은 각 측정치들이 전체 평균에서 얼마나 떨어져 있는가의 정도이며,

전체분산 = 집단간 분산 + 집단간 분산 = 536 + 394.7 = 930.7 로 구할 수 있습니다.

이제 구해진 집단내 분산과 집단간 분산을 이용하여 집단간 차이를 분석하기 위해서는 추가적으로 각각의 분산 값들을 자유도로 나누어 줌으로써 ‘평균 분산(M.S)'을 구하여야 합니다. 세가지 분산별 자유도를 구하는 방식은 다음과 같습니다.

ㅇ 집단내 분산의 자유도 = (집단의 수 * 집단내 항목 수) - 집단의 수

= (3 * 4) - 3 = 9

ㅇ 집단간 분산의 자유도 = 집단의 수 – 1

= 3 - 1 = 2

ㅇ 전체 분산의 자유도 = 집단내 분산의 자유도 + 집단간 분산의 자유도

= 9 + 2 = 11 입니다.

이미 구해진 분산값을 각각의 자유도로 나눌 경우, '평균분산(MS)'를 구할 수 있습니다.

ㅇ 집단내 평균분산 = 536 / 9 = 59.6

ㅇ 집단간 평균분산 = 394.7 / 2 = 197.3

마지막으로 구해진 평균분산 값을 이용하여 집단간에 평균 값의 차이가 있다는 것을 검증하기 위하여 집단간 분산이 집단내 분산보아 얼마나 큰지 F 검정을 해야 합니다. F 검정은 집단간 평균분산을 집단내 평균분산으로 나누어준 F 값을 가지고 검정이 이루어 집니다.

ㅇ F 값 = 집단간 분산 / 집단내 분산

= 197.3 / 59.6 = 3.31

즉 이런 과정을 통하여 도출된 F 값을 F비율통계표의 특정 유의수준별 제시된 통계량과 비교함으로서 가설의 기각이나 채택 여부를 결정하게 됩니다. 즉 이런 과정을 거쳐서 나온 F 값인 3.31은 유의수준 0.10에서 확인할 수 있는 임계치인 3.01보다 더 크므로 “H0(귀무가설) = 집단간의 매출액은 동일하다”는 당초의 귀무 가설은 기각이 되며, 그 반대인 대립가설이 채택되빈다. 즉 집단간 유의한 차이가 있다고 판단하게 되는 것입니다. 실제 SPSS에서는 이런 비교의 번거로움을 덜어주기 위해서 F 값과 더불어 검정 결과를 유의도 값으로 제공합니다.

4. 분석을 위한 설문과 데이타

실제로 분산분석은 집단간 평균 차이를 구하기 위한 여러 방법의 총칭이며, 보다 세부적으로는 일원 분산분석, 다변량 분산분석 등 다양한 형태가 존재합니다. 본 차시에서는 분산 분석중 가장 기본적 방법이라고 할 수 있는 일원 분산분석(One-way ANOVA)를 중심으로 설명드리도록 하겠습니다.

일원 분산분석은 단 하나의 독립 변수에 의하여 발생하는 종속변수의 평균 차이를 검정합니다. 독리변수는 반드시 명목이나 서열 척도로 측정되어야 하며, 종속변수는 등간이나 비율 척도로 측정된 자료여만 합니다. 이를 위배할 경우 앞에서 살펴본 바와 같은 분산이나 F 값을 구할 수 없으므로 분산분석을 시행할 수 없습니다.
우선 분산분석을 실습하기 위하여 어떤 문항들을 사용할지 실습용 설문지를 참조해 보도록 하겠습니다. 본 분석에 사용될 설문 문항은 월평균 소득을 묻는 7번 문항과 집에서 보유한 TV의 사이즈를 묻는 문항을 사용하도록 하겠습니다. 즉 소득에 따라 TV 사이즈에 유의한 차이가 있는지 평균을 비교해보고자 합니다. 각 문항들을 살펴보면 7번 문항은 집단을 구분하는 변수로서 명목척도로 구성되어 있는 독립변수이며, 10번 문항은 비율 척도로 구성된 종속 변수 임을 알 수 있습니다.

5. 분산 분석 및 결과

이제 ‘실습 설문지와 실습 data를 이용하여 직접 SPSS를 이용한 분석을 해보도록 하겠습니다. 우선 데이타 파일을 여신 후, 월평균 소득과 TV의 크기 변수들을 확인하십시요.

1) 분산분석 메뉴의 실행

분산 분석을 수행하기 위해서는 우선 메뉴 바의 분석(A) -> 평균비교(M) -> 일원배치 분산분석(O)을 차례데로 클릭해주시기 바랍니다. 이를 모두 실행하면 분산분석 대화상자가 나타납니다.

2) 분석 대상 변수의 선택

분산분석을 클릭한 경우 아래 그림과 같이 일원배치 분산분석 대화창이 나타납니다. 분산분석에서는 종속변수와 독립변수를 각각 구분지어서 지정해주어야 하는데, 대화창에서 나타난 ‘요인 분석’에 독립변수를 지정해주면 됩니다. 본 분석에서는 명목척도로 측정된 가구총수입을 독립변수로, 비율척도로 측정된 TV크기를 종속변수로 지정함으로서, 가구 수입별 집단에 따라 TV의 사이즈에 차이가 있는지 검정할 것입니다.

3) 옵션의 조정

: 분산 분석은 별도의 옵션을 지정하지 않더라도 충분히 필요한 정보들을 제공하기 때문에 옵션을 따로 조정할 필요는 많치 않습니다. 하지만 대화창 우측의 ‘옵션’버튼을 눌러보시면 기술 통계 등 몇몇 옵션을 선택할 수 있습니다. 본 실습에서는 기술 통계 옵션만을 선택하고 바로 분석을 진행해보도록 하겠습니다.

4) 분석의 시행 및 결과

이제 분산분석을 시행해보도록 하겠습니다. 옵션에서 기술통계를 선택하였기 때문에 분산분석은 먼저 각 집단의 평균적인 TV 사이즈 정보를 제공합니다. 분산분석의 목표가 집단간 평균 비교이기 때문에 평균을 표시하는 기술 통계 옵션은 항상 선택하시는 것이 좋습니다.

집단간 평균 차이를 보면 확실히 소득이 올라갈수록 TV의 사이즈도 같이 증가하는 것을 볼 수 있습니다. 일예로 소득 300만원 미만의 평균 사이즈가 고직 27.8인치에 불과하였지만, 701만원 이상인 경구 그 사이즈가 42.6인치로 증가하고 있습니다. 그러나 이 결과만을 가지고는 이 차이가 통계적으로 유의한지 확신할수는 없습니다. 이제 분산분석표를 확인할 차례입니다.

그 바로 다음의 결과는 요약된 분산분석표를 보여줍니다. 분석표에는 분산의 제곱합, 자유도(df), 평균제곱, F값, 유의확률 등의 값을 보여주고 있습니다. SPSS 프로그램을 한글화하는 과정에서 번역이 잘못되어 F 값이 ‘거짓’으로 오역되어 있는 것도 볼 수 있습니다. 이처럼 통계 용어의 오번역등의 여러 이유로 많은 SPSS 사용자들은 한글보다는 영문 버전을 선호하기도 합니다.

결과에 따르면 집단간 평균과 집단내 평균을 이용하여 구한 F 값은 23.499이며, 유의확율은 0.000으로 나타나고 있습니다. 유의확률은 보통 p값, sig 등 다양한 형태로 표시되기도 하는데, 가설 검증을 통하여 상관계수가 통계적으로 유의한가에 대한 정보이며, 보통 그 기준은 유의확률이 0.05보다 작은 경우 통계적으로 유의하다고 판단합니다. 분석 결과 유의 확율은 0.000으로서 통계적 유의성이 확보되었습니다. 즉 소득 집단별 보유한 TV의 크기는 유의한 것으로 나타나고 있습니다.

* 본 강좌 내용을 보다 상세히 동영상으로 보고싶으신 분들은 아래 유튜브 강좌 참조하세요.

https://youtu.be/itSsiCLklzA

: 청주대학교 이 원준 (meetme77@naver.com)

1. 다중응답분석의 이해

이제 교차분석에 대하여 이해하셨으리라 기대됩니다. 본 차시의 마지막으로 다중응답 결과를 이용한 교차 분석에 관하여 살펴보도록 하겠습니다. 우선 ‘다중응답(multiple response)'의 개념을 간략히 살펴보도록 하겠습니다. 다중응답이란 응답자가 여러 보기중에서 2개 이상의 복수 선택을 할 수 있도록 허용한 설문 문항을 의미합니다. 보통 설문지에서는 아래 설문과 같은 형태로 물어보게 됩니다.

다중응답 설문 문항이 사용되는 경우는 크게 두가지 경우로 나누어집니다.

첫째, 설문 문항의 성격에 따라서 단 하나의 보기만을 고르도록 하는 것이 적절하지 않은 경우입니다. 일예로 위 문항처럼 주로 무엇을 사진으로 남기는지 물어본다면 아마 대부분의 사람들은 자녀나 풍경, 행사 중에서 하나만을 선택하기가 매우 어렵다고 느낄 것입니다.

둘째, 보기의 숫자가 너무 많아서 응답자가 여러개의 답을 고르도록 하는 것이 보다 정보의 질을 높일 것이라고 생각되는 경우입니다. 아래 설문 문항처럼 보기의 수가 많은 경우에는 각 선택 보기들의 중요도가 서로 비슷한 수준인 경우가 많아 가장 중요한 것 하나를 고르는 것이 큰 의미가 없을 수 있습니다.

이럴 경우에는 다중응답을 허용하여, 응답자가 보다 손쉽게 답할 수 있도록 하는 동시에 정보의 질을 높이는 것이 더 효과적일 수 있습니다. 다중응답은 빈도분석이나 교차분석과 마찬가지로 명목이나 서열 척도만이 분석될 수 있습니다.

다중응답으로 얻어진 결과들을 분석할 때는 기존의 빈도나 교차분석과 다른 프로세스가 필요합니다. 다시 아래 설문 문항을 보시기 바랍니다.

이 설문 문항 C-11)은 문항은 하나지만 2개의 선택을 받을 수 있으므로 실제로 SPSS의 변수 보기창을 보면 2개의 변수로 구성되어 있음을 알 수 있습니다. SPSS 변수보기 창을 살펴보시기 바랍니다.

따라서, 이 변수들을 빈도 혹은 교차분석한다면, 두개의 결과물을 받을 수 밖에 없습니다. 그리고 결과 해석에서도 일관성있게 해석하는 것이 매우 어렵습니다.

이런 문제를 해결하기 위하여 다중응답 분석에서는 두개의 변수에서 도출된 빈도수를 합산하여 하나의 테이블로 만든 후 다시 계산해줍니다. 즉 주촬영대상의 1순위에서 자녀의 빈도는 61명이고 2순위에서 자녀의 빈도는 12명이었지만, 새로만들어진 다중응답표에서의 자녀의 빈도는 61+12= 73명이 될 것입니다. 이런 동일한 과정을 반복하여 통합된 결과표를 만들어주는 것이 다중응답입니다.

2. 다중응답분석 분석

현재 SPSS상에서 다중응답을 이용하여 빈도분석이나 교차분석을 하기 위해서는 분석(A) -> 다중응답(U)을 차례데로 클릭하셔야 합니다. 다중응답 메뉴로 들어가면 크게 ‘변수군 정의(E)와 더불어 ’빈도분석(F)', '교차분석(C)'의 3가지 메뉴가 이용가능합니다.

그런데, ‘변수군 정의’를 제외하고 ‘교차분석’과 ‘빈도분석’은 명령어 아이콘이 어둡게 비활성화되어 있는 것을 볼 수 있습니다. 이는 아직 다중응답분석에 사용해야 하는 변수가 정의되지 않았기 때문입니다.

두개이상의 변수를 새로 계산하여 하나의 변수로 만든다는 것은 결국 새로운 변수가 하나 추가로 생성됨을 의미합니다. 즉, 다중응답 문항을 먼저 통합하여 하나의 변수화하는 과정이 필요하며, 이것을 가능하게 하는 메유가 ‘변수군 정의(E)' 메뉴입니다.

C-11번) 문항을 다중응답 분석하기 위아여 이를 클릭해보도록 하겠습니다. 클릭하면 바로 ‘다중응답 변수군 정의’ 대화상자를 볼 수 있습니다. 이 대화상자를 이용하여 새로운 다중응답 변수를 만들어 보겠습니다.

우선 좌측의 변수군 정의 화면에서 분석에 포함될 다중응답변수들을 클릭하여 좌측의 ‘변수군에 포함된 변수(V)’의 공란으로 옮겨와야 합니다. 즉 어떤, 그리고 몇개의 변수들을 통합하여 하나의 다중응답 변수로 전환할지 지정해주어야 합니다. 본 문항에서는 1순위와 2순위의 2개 복수응답이 가능하므로 해당되는 2개의 변수들을 포함시켰습니다.

그 다음 단계로, ‘변수들의 코딩형식’에서 변수 값, 즉 해당 문항에 보기가 몇개인지를 범위 값으로 지정해 주어야 합니다. C-11번) 문항을 보면 촬영 대상으로서 1) 자녀 ~ 7) 기타까지 총 7개가 있습니다. 따라서 범위의 최소값으로 ‘1’, 최대값으로 ‘7’을 지정합니다. 만일 보기가 10번)까지 있었다면 10을 최대값으로 지정합니다.

그리고, 새롭게 생성된 변수에 아직 이름이 없으므로 변수명을 지정하고 설명을 달아줍니다. 본 사례에서는 변수명을 ‘zz1'으로 지정하였습니다. 이제 모든 설정이 완료된 이후에는 추가 버튼을 누르면 변수의 지정이 완료되는 것을 볼 수 있습니다.

만일 모든 과정에 이상이 없다면 화면은 아래 화면처럼 바뀌고, 대화창 맨 우측의 ‘다중응답변수군(S)'에 새롭게 지정된 변수가 보이게 될 것입니다.

또한 '다중응답(U)' 메뉴의 빈도분석과 교차분석 메뉴가 활성화되어 있는 것을 볼 수 있습니다. 다중응답의 빈도분석이나 교차분석은 일반 교차, 빈도분석과 달리 반드시 이 곳을 통해서만 분석이 가능합니다.

: 청주대학교 이 원준 (meetme77@naver.com)

1. 교차분석의 필요성

교차 분석은 보통 크로스탭(crosstab) 분석으로도 불리우며, 2개의 명목 혹은 서열형 척도를 변수로 분석에 활용합니다. 즉 한 변수의 범주를 다른 변수의 범주와 교차 시키고 각각 교차된 경우에 해당하는 셀의 빈도를 분석하는 방법입니다. 아래한글이나 엑셀에서 흔히 작성하여 빈도 수나 퍼센트를 보는 교차 표를 생각하시면 되겠습니다.

간단한 예를 보면 성별(남자/여자)과 자동차 보유(있음/없음)이라는 두개의 명목 척도를 각각 교차시킬 경우 1) ~ 4)와 같이 빈도를 포함하고 있는 총 4개의 셀(cell)을 도출할 수 있으며, 각 셀별 빈도 수에 기반하여 셀별 퍼센트를 구할 수 있을 것입니다. 실제 교차분석은 매우 간단함에도 불구하고 마케팅 조사에서 다양하게 이용될 수 있습니다. 일예로 소비자의 성별로 선호하는 브랜드를 조사한다거나, 소비자의 소득수준에 따라 자주 방문하는 백화점을 조사하는 등 다양하게 활용됩니다.

2. 교차 분석의 이해

교차분석을 통하여 각 범주별 빈도의 차이를 분석할 수 있습니다. 그러나 실제 이런 차이가 실제 통계적으로 유의한지는 어떻게 알 수 있을까요? 이런 목적을 위하여 교차 분석은 상황표를 이용하여 명목척도로 측정된 두 변수들이 서로 관련이 있는지 알아봅니다. 예를 들어, 이에 대하여 조금 더 자세히 살펴보도록 하겠습니다.

A기업은 글로벌 마케팅 전략을 수립하기 위하여 국가별로 소비자들이 선호하는 스마트폰 브랜드에 관한 조사를 실시하였습니다. 이에 따라 한국, 미국, EU의 세 국가를 선정하였고 각 국가의 소비자들이 삼성, 애플, 그리고 노키아 중 어떤 브랜드를 선호하는지 조사하였습니다. 조사한 결과는 아래 표와 같은데, 예를 들면 한국에서는 총 100명중 70명이 삼성 제품을 선호하고 있는 것을 알 수 있습니다. 이와 같은 빈도를 실제로 관측된 ‘관측 빈도’라고 합니다

그러나 만들어진 교차표 만을 가지고는 실제로 이런 집단간 차이가 브랜드간의 차이때문에 발생된 것이며, 통계적으로 유의한 것이라고 확신하기는 어렵습니다. 예를 들어 삼성 제품의 미국과 EU 지역내 판매 댓수에는 차이가 있기는 하지만, 이런 차이가 브랜드와 관련없는 다른 이유 때문에 우연히 발생했을 가능성도 있기 때문입니다. 이러한 의문에 답하고, 교차표의 결과가 통계적으로 유의한지 확인하기 위해서는 카이제곱의 독립성 검증을 해야 합니다.

3. 카이제곱 검증의 계산절차

카이제곱 검정을 하기위해서는, 우선 각 셀의 기대 빈도를 구해야 합니다. 기대 빈도는 ‘결합 비율(combined proportion)’을 구한 후, 구해진 결합 비율을 각 셀에 곱함으로서 구할 수 있습니다. 일예로, 삼성(B1)과 한국(A1)을 결합한 결합 비율은 다음과 같은 동시 확률로 구해질 수 있습니다. 즉,

P(A1, B1) = P(A1) * P(B1) 이며, 이를 대입하면

P(A1) = 100/300,

P(B1) = 100/300,

P(A1) * P(B1) = (100/300) * (100/300) = 1/9 이며,

구해진 값을 전체의 총합(300)에 곱할경우, 300 * (1/9) = 33.3 이라는 삼성(B1)과 한국(A1)을 결합한 셀의 기대 빈도가 도출됩니다.

이를 다른 셀에도 동일하게 반복할 경우 다음과 같은 관측빈도와 기대빈도의 교차표를 얻을 수 있습니다. 아래 표가 의미하는 바는 두 변수가 상호독립적일 때, 즉 국가별로 선호브랜드가 동일할 때, 한국에서 삼성 브랜드가 구매될 빈도는 33.3이라는 의미입니다. 이제 브랜드와 국가라는 두개 변수간의 관련성 여부는 관측빈도(30)와 기대빈도(33.3)를 비교하여 그 차이를 카이 제곱 검증을 통하여 검정해 보면 알 수 있습니다.

카이제곱 검증을 하기 위해서는 귀무 가설과 대립 가설이 수립되어야 합니다. 즉,

H0(귀무가설) = 국가간의 브랜드의 차이는 없다.

H1(대립가설) = 국가간의 브랜드 차이는 있다.

라는 가설을 세우고, 귀무가설이 참인지 아닌지를 카이제곱 검증으로 검정을 하게 됩니다.

d. 카이제곱 통계량 계산

만일 귀무가설이 참이라면 카이 제곱 통계량의 표본 분포는 카이제곱 분포로 알려진 연속 곡선에 접근하게 됩니다. 카이제곱의 통계량을 구하기 위해서는 아래 수식을 사용해야 합니다.

이 식을 이용하여 각 셀의 계산을 반복하면 카이 제곱(x2) 값인 2.25를 얻을 수 있습니다. 직접 손 계산을 해보시기 바랍니다.

카이제곱 값을 이용하여 가설을 검증하기 위해서는 카이 제곱 값, 카이제곱 통계표, 그리고 자유도의 3가지가 필요합니다. 카이제곱 값은 관측빈도와 기대빈도 값을 이용하여 이미 2.25를 구하였습니다. 이제 자유도를 구할 차례입니다. 카이제곱의 분포는 그 본포의 모양이 '자유도(D.F)'에 따라 달라지는 특성이 있으므로, 자유도를 먼저 확인해야 합니다. 카이제곱 통계량에서 자유도는 교차표의 행의 수와 셀의 수에 의하여 결정됩니다. 그 공식은,

자유도 = (행의 수 - 1) * (열의 수 - 1) 이며, 위 예에 대입하면 행과 열이 각각 3개씩이므로;

= (3-1)*(3-1) = 4 의 자유도를 갖습니다.

이제 구한 자유도(4)와 카이제곱 값(2.25)을 가지고 카이제곱 통계표에서 유의수준 0.05에서 확인할 수 있는 카이 제곱의 임계치는 9.49입니다. 본 분석에서 구한 값이 2.25로 임계치인 9.49보다 작으므로 “H0(귀무가설) = 국가간의 브랜드의 차이는 없다”는 채택이 되게 됩니다. 이 결과에 따라서 국가별로 판매되는 스마트폰 브랜드의 비율에는 통계적인 차이가 없다는 것을 알게 되었습니다. 실제 SPSS에서는 이런 비교의 번거로움을 덜어주기 위해서 카이제곱 값과 더불어 검정 결과를 유의도 값으로 제공합니다.

4. 분석을 위한 설문과 데이타

비교적 간단한 계산을 통하여 교차표를 구하고 카이제곱 검증을 할 수 있으나 SPSS는 이런 통계적 지식에 대한 기본적인 이해만 있다면 누구나 손쉽게 교차분석을 할 수 있도록 지원하고 있습니다. SPSS를 이용하여 지금까지 배웠던 교차 분석을 직접 해보도록 하ᅟᅦᆻ습니다.

우선 본 실습에 사용될 2개의 상호 관련성이 있는 설문 문항을 선택하여야하며, 문항들은 명목 혹은 서열 척도로 구성되어있어야만 합니다. 본 분석에서는 설문 1페이지의 캠코더 브랜드를 묻는 C-2-A)번 문항과 해당 제품의 구입 이유를 물어보는 C-2-D)번 문항을 이용하고자 합니다. 이를 통하여, 캠코더 브랜드별로 제품 구매 이유가 어떻게 다른지 확인해 보도록 하겠습니다. 이 문항들은 모두 명목척도로서, 교차분석에 적합한 것으로 판단되었습니다.

5. 교차분석 및 결과

이제 직접 SPSS를 이용한 분석을 해보도록 하겠습니다. 우선 데이타 파일을 여신 후, 캠코더 상표(변수명: c2)와 캠코더 구입이유(변수명: c5)를 확인하십시요. 교차 분석을 위해서는 2개의 명목 혹은 서열 척도가 필요합니다.

1) 교차분석 메뉴의 실행: 교차분석을 수행하기 위해서는 우선 메뉴바의 분석(A) -> 기술통계량(E) -> 교차분석(C)를 차례로 클릭해주시기 바랍니다. 이를 모두 실행하면 교차분석 대화상자가 나타납니다.

2) 분석대상 변수의 선택:  아래 그림과 같이 대화상자에서 분석할 변수인 ‘상표(변수명: c2)’를 선택한 후 오른쪽의 '행(w) 변수상자‘에 보냅니다. ‘캠코더 구입이유(변수명: c5)’는 ‘열(C) 변수상자’에 보냅니다. 이때 어떤 특정 변수가 반드시 행으로가고 다른 변수가 열로 가야하는 법칙은 없습니다. 행과 열을 바꾸어서 지정하여도 상관이 없습니다.

3) 옵션의 조정: 이 단계까지 마치고 바로 확인을 누를 경우 교차표를 구할 수 있습니다. 그러나 교차표에는 단지 빈도만이 표시되고 퍼센트가 표시되지 않아 매우 불편합니다. 따라서 보통의 경우 퍼센트가 같이 제시되도록 옵션을 조정한 후 분석을 시행합니다. 화면 우측의 ‘셀(E)' 버튼을 눌러보시기 바랍니다.

선택할 수 있는 몇가지 옵션들이 보입니다. 우선 관측빈도와 기대빈도를 선택할 수 있고, 그 밖에 여기서 퍼센트 지정이 가능합니다. 행(R) 퍼센트의 경우 행 각각의 합이 100%가 되도록 계산을 해주는 반면, 열(C) 퍼센트는 열 각각의 합이 100%가 되도록 계산을 해줍니다. 본 사례에서는 상표별 구매이유가 주된 관심사항이며, 상표 정보가 행에 위치하므로 행 퍼센트 옵션을 선택합니다. 별도의 카이제곱 통계량이 필요한 경우에는 ‘통계량’ 옵션에서 카이제곱을 선택하신후 분석을 하시면 됩니다.

4) 분석의 시행 및 결과: 이제 교차분석을 시행해 보도록 하겠습니다. 도출된 교차표를 보면 크게 빈도와 기대빈도, 그리고 퍼센트와 관련된 정보를 주고 있습니다. 소니와 삼성을 비교해보면, 소니를 구매한 소비자중 구입한 이유로 가장 중요한 것은 ‘최초 구매(52.2%)’이며, 삼성은 최초 구매 비중이 63.6%로서 소니보다 다소 더 높은 것을 알 수 있습니다. 이를 통해서 초보자가 보다 삼성을 선택하는 경우가 많음을 알 수 있습니다.

추가로 이런 퍼센트의 차이가 브랜드간에 통계적으로 유의한 것인지를 살펴보기 위하여 카이 제곱 통계량을 도출하도록 옵션에서 명령을 부여한 바 있습니다. 카이제곱 검정 결과를 보면,자유도가 35일 때, 카이제곱 유의확율값이 0.606입니다. 이는 P 값이 0.05보다 크므로 유의수준 5%에서 유의하지 못함을 알 수 있습니다. 따라서, 대립가설을 기각되고, 브랜드와 구입이유라는 두 변수는 상호독립적이라는 귀무가설이 채택되게 됩니다. 다시말하면 구입이유와 브랜드간에는 통계적으로 유의한 관계는 없다고 할 수 있습니다. 삼성과 소니 브랜드간 나타난 구입 이유는 브랜드의 차이 때문이라고 할 수 없는 것입니다.

5) 상표전환율 매트릭스의 응용: 교차 분석은 조사자의 목적에 따라 다양하게 활용될 수 있는 실무적 가치가 높은 분석방법입니다. 교차 분석을 응용한 한가지 예로, 상표전환율 매트릭스를 볼 수 있습니다. 상표 전환율 매트릭스는 기존의 특정 브랜드를 가지고 있는 소비자가 다음 구매시점에서는 어떤 브랜드를 구매할 지를 비교 분석함으로서, 소비자가 특정 브랜드에 대하여 가지고 있는 ‘브랜드 로열티’수준을 직접 확인하고 타 브랜드와 비교평가할 수 있습니다.

상표전환율 매트릭스를 만들기 위해서는 두개의 질문이 설문지상에 존재하여야 합니다. 하나는 현재 보유한 브랜드와 관련된 문항이며, 또다른 하나는 향후 구매 예정 브랜드에 관련된 문항입니다. 본 실습설문지에도 이런 문항이 포함되어 있습니다. 현재 보유 브랜드를 묻는 1페이지의 C-2-A)번 문항과 미래 의도 브랜드를 묻는 13페이지 C-28-A)번 문항입니다. 이 두 개 변수를 이용하여 상표전환율 매트릭스를 작성할 경우, 현재 보유브랜드를 중심으로 퍼센트를 구하게 되면, 얼마나 많은 고객들이 경재사로부터 이탈하거나 새로 유입이 될지 확인할 수 있으며, 효과적인 브랜드 관리나 고객 로열티 구축을 위한 기초 자료로 활용할 수 있습니다.

우선 소비자의 로열티 수준을 점검해 보겠습니다. 로열티는 쉽게 표현하면, 특정 고객이 재구매 시점에서 같은 브랜드를 사는 재구매경향을 의미합니다. 이 표를 분석하면 가장 로열티나 높은 회사는 소니로서 77.1%에 달하고 있지만 삼성은 고작 40.0 수준에 머물고 있는 것을 볼 수 있습니다.

* 교차분석에 관한 내용을 유튜브 동영상으로 다시 확인하고 싶으신 경우에는 아래 링크 이용바랍니다.

https://youtu.be/CKAhrNfyg28

: 청주대학교 이 원준 (meetme77@naver.com)