- 예술의 전당의 고객만족도, 공공성, 수익성 증진을 위한 좌석 재분할에 따른 효과적 가격 모델 수립
- 좌석 등급과 가격에 관하여 공연장과 기획사가 참고할 수 있는 보편적인 기준안을 제공
- 고객만족도, 수익성, 공공성을 충족하는 효과적인 좌석 그룹핑 방법 및 가격 모델을 제안
- 주최 : 과학기술정보통신부, NIA 한국지능정보사회진흥원
- 주관 : 예술의 전당을 비롯한 25개의 기관
- 후원 : KBD빅데이터포럼
- 분야 : 정형데이터 분석 분야
- 리그 : 어드밴스드 리그
- 참가접수기간: 2023.7.31~2023.9.15
- 데이터 공개: 2023.8.7
- 사전점검: 2023.9.4~2023.9.5
- 제출 마감: 2023.9.27
- 서류심사 결과발표: 2023.11.3
- PT 발표심사: 2023.11.13~2023.11.22
- PT 발표 심사결과: 2023.11.28
- 컨퍼런스 및 시상: 2023.12.13
해당 대회는 클래식 공연 활성화를 위한 예술의 전당 콘서트홀의 효과적 가격 모델을 수립하는 것으로, 본 팀은 예술의 전당의 고객만족도, 공공성, 수익성 증진 에 초점을 맞춰 장르에 따른 좌석 재분할 및 효과적 가격 모델 수립을 진행하였다.
활용 데이터로는 예술의 전당에서 제공한 데이터와 외부 데이터 1.공연예술통합전산망 오픈 API 와 2.공공데이터포털 예술의 전당 공연 및 전시 입장객 데이터 현황 로, 총 3가지의 데이터를 본 분석에 사용하였다.
우선, 탐색적 데이터 분석을 통해 장르가 좌석 등급과 등급에 따른 가격에
중요한 기준이 된다 라는 인사이트를 도출하여 본 인사이트를 가설로 세웠고, 장르를 기준으로 좌석 분류 클러스터링을 진행하였다.
 |
 |
|---|
기존 좌석 체계에서는 좌석 등급의 다양성의 부족, 좌석 분배 기준의 불명확성이라는 문제점이 존재해, 좌석 클러스터링을 통해 좌석 등급의 개수의 증진, 장르에 따른 좌석 선호도 를 목표로 하여 클러스터링을 통해 문제를 해결하고자 하였다. 클러스터링의 경우, FINCH method와 K-means 두 가지로 실험하였는데, FINCH method는 결과 해석이 매우 어려워 채택하지 않았다. 따라서 K-means를 채택하였고, 총 6개의 파생변수로 클러스터링을 진행하였다.
Elbow method의 결과에 따라, 교향곡과 독주는 기존 5개에서 7개의 군집으로, 나머지 장르는 6개의 군집으로 군집의 개수가 결정되었다. 클러스터링 결과 중, 재분류한 좌석 등급의 영역이 겹치는 경우에는 통계적 유사성이 높은 군집으로 좌석을 재배치하여 좌석 보정을 진행하였다.
 |
 |
|---|
앞선 군집화 과정을 통해 도출한 좌석 등급의 가격안을 검증하고자, 모델링도 진행하였다. 클러스터링을 통해 도출된 가격이 본 팀이 중요하게 생각하는 가치인 공공성, 수익성, 고객만족도를 잘 반영하고 있는지를 모델링을 통해 검증하고자 하였다. 분석을 통해 공공성, 수익성, 고객만족도 측면에서의 변수를 생성하였고, 총 16가지의 변수를 본 모델링에 활용하였다.
사용한 모델은 트리 계열 모델 3종류(DecisionTree, ExtraTree, RandomForest), 부스팅 계열 모델 3종류(LGBM, GBM, AdaBoost)이며, 평가지표는 RMSE, MAPE, MAE, R2 네 가지를 사용해 실험을 진행하였고, 다양한 모델에서 공통적으로 준수한 성능이 도출 되었다는 점에서 군집 별 평균 원가를 가격으로 사용하는 것에 대한 타당성을 입증하였다.
추가적으로, 문제 데이터에서는 확인할 수 없었던 다른 요인들도 최종 가격에 고려하는 것을 제안하였다. 새로 제안한 가격 보정 식(P_pred=P(제시한 티켓 가격)xV(변동 요인) 을 통해 가격 변동성을 고려하였고, 해당 방법론을 적용한다면, 보다 객관화된 최종 가격을 확보할 수 있을 것이라는 인사이트 결과 또한 제공하였다.
[클러스터링을 통해 도출된 장르별 티켓 가격]
[독주] 기존좌석 1층 / 좌석 재분할 후 1층
 |
 |
|---|
[독주] 기존좌석 2층 / 좌석 재분할 후 2층
 |
 |
|---|
[교향곡] 기존좌석 1층 / 좌석 재분할 후 1층
 |
 |
|---|
[교향곡] 기존좌석 2층 / 좌석 재분할 후 2층
 |
 |
|---|
- 고객에게 객관적이고 투명한 가격 산정 근거 제시
- 대용량의 데이터로 고도화된 군집 분석을 통한 타겟 할인 정책 제시 가능
- 다양한 계층의 고객 수요 증가
- 클래식 공연의 활성화
- 데이터의 증가, 모델의 성능 향상이라는 긍정적인 결과 도출
<팀원>
- 전공생 4명
<담당 역할>
- 예술의 전당 고객 데이터 탐색적 데이터 분석 및 전처리 수행
- Clustering을 위한 유의미한 파생 변수 생성
- FINCH Method Clustering, K-means을 활용한 군집화
- LGBM, RandomForest 모델 학습 및 실험 진행
 |
 |
|---|