Earticle

초록

영어

Industrial exhibitions are recognized as essential platforms for technological exchange and business networking. However, the exhibition industry has consistently faced the "no-show" problem, where pre-registrants do not actually attend the event, causing a decrease in operational efficiency. The purpose of this study is to shift the paradigm of exhibition management from post-event satisfaction analysis to pre-event behavioral prediction by developing a machine learning-based prediction model. To achieve this, this study utilized the actual data of 34,587 pre-registrants from the "Smart Factory & Automation World 2023 (AW 2023)." In this study, the Multi-dimensional Attribute Interaction Model (MAIM) was proposed as a new research framework to categorize visitor attributes into Job Fit, Information Involvement, and Environmental Constraints. For the analysis, four algorithms—Logistic Regression, Naive Bayes, Random Forest, and Gradient Boosting—were applied and compared in parallel. The results of this study are as follows. First, the Gradient Boosting model showed the highest discriminative power with an AUC of 0.710. Second, the Random Forest model showed excellent performance in identifying potential visitors, recording a Recall of 0.860. Third, the Odds Ratio (OR) analysis through Logistic Regression confirmed that 'Information Completeness' (OR 3.381) is the most powerful behavioral signal for predicting visitor conversion. Additionally, job fit of working-level staff and geographical accessibility were found to have a significant impact on the probability of attendance. In conclusion, this study redefined exhibition attendance as a data-driven probabilistic behavior and suggested that the MAIM framework can improve marketing targeting efficiency by 29.8%. It is expected that this study will provide a practical and academic foundation for the intelligent digital transformation of the exhibition industry.

한국어

산업전시회는 기술 교류와 비즈니스 창출의 핵심 플랫폼임에도 불구하고, 사전등록 자의 실제 방문 전환 실패(No-show)로 인한 운영 효율 저하라는 고질적인 문제를 안고 있다. 본 연구는 전시 운영의 패러다임을 사후 만족도 분석에서 사전 행동 예측으로 전환하고자, 사전등록 단계의 데이터를 활용한 머신러닝 기반 방문 전환 예측 모형을 구축하였다. 본 연구를 위해 2023년 스마트팩토리·공장자동화전(AW 2023) 사전등록자 34,587명의 실제 데이터를 활용하였으며, 참관객의 속성을 직무 적합성, 정보 관여도, 환경적 제약으로 구조화한 '다차원적 속성 상호작용 모델(MAIM)'을 연구 프레임워크로 제안하였다. 분석은 로지스틱 회귀와 나이브 베이즈를 포함하여, 비선형적 상호작용 포 착에 강점을 가진 Random Forest와 Gradient Boosting의 4개 알고리즘을 병렬적으로 비교 검증하였다. 연구 결과, Gradient Boosting 모델이 AUC 0.710으로 가장 우수한 판별력을 보였으 며, Random Forest 모델은 재현율(Recall) 0.860을 기록하며 실제 방문객을 선제적으로 식별하는 데 유의한 결과값을 확인하였다. 특히 로지스틱 회귀를 통한 오즈비(OR) 분 석 결과, 정보 입력 충실도(OR 3.381)가 방문 전환의 가장 강력한 행동 지표임이 확인 되었으며, 실무자급의 높은 직무 적합성과 수도권 거주자의 지리적 접근성이 방문 확 률을 유의미하게 높이는 것으로 나타났다. 본 연구는 전시 참관 행동을 데이터 기반의 확률적 모델로 재정의하고, MAIM 프레임워크를 통해 마케팅 타겟팅 효율을 약 29.8% 개선할 수 있는 실무적 근거를 제시하였다는 데 의의가 있다. 이는 향후 전시 산업이 지능형 데이터 관리 체계로 진화하는 데 학술적·실천적 토대를 제공할 것으로 기대된다.

목차

Ⅰ. 서론
Ⅱ. 이론적 배경
1. 전시 참관객 행동 이론
2. 설명 중심 연구와 예측 중심 연구 이론
3. 방문 전환 행동의 이론적 관점
4. 전시 산업에서의 데이터 기반 연구 이론
Ⅲ. 연구방법
1. 연구 모형 및 분석방법
2. 변수정의 및 데이터 세팅
3. 데이터 전처리
Ⅳ. 실증분석 결과
1. 분석개요 및 클래스 분포 확인
2. 분석모형 성능 비교 결과
3. 변수 기여도 및 MAIM 상호작용 분석 결과
Ⅴ. 결론 및 시사점
1. 연구결론 및 의의
2. 이론적 시사점
3. 실무적 시사점
4. 연구의 한계 및 향후 연구방향
참고문헌
<요약>

키워드

산업전시회 방문 전환 예측 머신러닝 다차원적 속성 상호작용 모델 (MAIM) 행동 데이터 분석 노쇼(No-show) 방지 Industrial Exhibition Visitor Conversion Prediction Machine Learning MAIM Framework Behavioral Data Analysis No-show Prevention

저자

• 신지항 [ Jihang Shin | 서울과학종합대학원대학교 AI 전략경영 석사과정 ] 주저자
• 김상현 [ Sanghyun Kim | 서울과학종합대학원대학교 AI 전략경영 석사과정 교수 ] 교신저자

참고문헌

발행기관

간행물