Earticle

음식 배달 애플리케이션(Food Delivery Application, FDA)은 온라인-오프라인(O2O) 서비스 의 주요 성장 동 력으로 부상하며, 도시 지역의 소비 행태에 점차 큰 영향을 미치고 있다. 본 연구는 한국의 음식 배달 플랫폼을 중심으로, 사회적 영향력이 앱 사용의 지역 확산에 미치는 역할을 분석한다. 기존 연구에서는 지리적 근접성을 기 반으로 한 공간적 사회 영향력(spatial social influence)과 산업 구조의 유사성에서 비롯된 구조적 사회 영향력 (structural social influence)이 소비자 채택의 핵심 요인으로 지목되어 왔으나, 이들이 시간에 따라 어떻게 상호작 용하며 영향을 미치는지는 FDA 환경에서 충분히 탐색되지 않았다. 본 연구는 광역시 단위의 모바일 앱 사용 패널 데이터를 활용하여, 공간적 영향력(근접 지역의 영향)과 구조적 영향력(산업 구조가 유사한 지역의 영향)을 구분하 여 분석하였다. 분석 결과, 공간적 사회 영향력은 시장 전반에 걸쳐 작지만 일관된 영향을 보이는 반면, 구조적 사 회 영향력은 시장이 성숙할수록 점차 강력해지는 경향을 보였다. 또한 본 연구는 사회적 영향력의 효과가 지역 간 오프라인 및 온라인 소통 인프라에 따라 조절될 수 있음을 설명하기 위해 ‘지역 사회 전도성(local social conductivity)’ 개념을 제안한다. 소통 밀도가 높은 지역일수록 사회적 영향력이 더 크게 나타나는 것으로 나타났 다. 본 연구는 하이브리드 온라인–오프라인 환경에서 FDA 수요의 확산이 어떻게 이루어지는지를 설명하는 데 있 어 중요한 이론적 시사점을 제공한다.

Food delivery applications (FDAs)—one of the fastest-growing segments of Online-tooffline (O2O) services—are reshaping consumption patterns in urban areas. This research examines how social influence drives the regional diffusion of FDAs in South Korea. While prior research has highlighted spatial and structural social influence as key drivers of consumer adoption, their relative impact and interaction over time remain underexplored in FDA contexts. Leveraging panel data on mobile app usage across metropolitan regions, we distinguish between spatial influence—driven by geographic proximity—and structural influence—originating from regions with similar industrial composition. Our findings reveal that spatial social influence maintains a modest but consistent effect, while structural social influence becomes increasingly dominant as the market matures. Furthermore, we introduce the concept of local social conductivity to capture how offline and online communication infrastructure moderates these effects. Regions with higher communicative density exhibit stronger social influence effects. This study advances understanding of how hybrid online– offline environments shape the dynamics of FDA demand.

제품 실패는 소비자의 브랜드에 대한 신뢰 약화 및 부정적 감정을 유발하여, 기업의 성과에도 부정적 인 영향을 미칠 수 있다. 따라서 브랜드 실패를 기회로 전환하고 소비자의 긍정적 행동을 유도하기 위 해, 실패에 대한 소비자 용서의 형성 과정을 이해할 필요가 있다. 그러나 기존 연구는 소비자 반응을 주로 기업의 사후 대처 관점에서 다루어, 실패를 해석하고 평가하는 소비자의 심리적 과정 설명에 한계 가 있었다. 이에 본 연구는 브랜드 유형과 지각된 심각성 수준의 상호작용이 용서 의도에 미치는 영향 과 이기적 동기추론 및 회복 기대의 조절된 매개효과를 검증하였다. 연구 결과, 심각성이 낮을 때, 언더 독 브랜드가 탑독 브랜드보다 용서 의도가 높았고, 이 관계는 이기적 동기추론이 매개하였다. 반면 심 각성이 높을 때는 탑독 브랜드가 언더독 브랜드보다 용서 의도가 높았으며, 이 관계는 회복 기대가 매 개하였다. 본 연구는 브랜드 실패 상황에서 용서 메커니즘을 심리적 추론 관점에서 통합적으로 설명하 며, 기업이 실패를 기회로 전환하기 위한 회복 전략 수립에 실무적 지침을 제공한다.

Product failures weaken consumer trust and trigger negative emotions, reducing firm performance. To turn failures into opportunities, it is important to understand how consumer forgiveness forms. Prior research mainly focused on firms’ responses, offering limited insight into consumers’ internal psychological processes. This study examines how brand type and perceived severity interact to affect forgiveness, testing the moderated mediation of self-serving inference and recovery expectations. Results show that under low severity, underdog brands receive more forgiveness through reduced self-serving inference. Under high severity, top-dog brands gain more forgiveness via heightened recovery expectations. These findings provide an integrated view of consumer forgiveness and offer practical guidance for firms to develop recovery strategies suited to brand type and failure severity.

AI 쇼핑 챗봇과의 상호작용 맥락에서, 챗봇의 따뜻함 인식이 챗봇 친밀감 및 구매의도에 이르기까지 미치는 심리적 과정을 살펴보기 위해 두 가지 연구를 진행하였다. 특히, 현대 소비자의 심리적 특성 중 하나인 주관적 분주함에 따라 소비자 반응에 어떤 차이를 나타내는지 탐색적으로 실증하였다. 연구 1에 서는 챗봇의 따뜻함 인식이 챗봇 친밀감 및 구매의도에 긍정적 영향을 미칠 것이라 예측하고 검증하였 다. 연구 2에서는 주관적 분주함 심리에 따라 소비자 반응이 달라질 수 있다는 점에 주목하여 분주함 조건(있음 vs. 없음)에 따라 따뜻함 인식의 효과가 챗봇 친밀감을 매개로 구매의도에 영향을 미치는지 를 비교·분석하였다. 연구 1의 결과, 챗봇 친밀감과 구매의도에 대한 AI 쇼핑 챗봇의 따뜻함 인식의 효 과가 유의하게 나타났다. 연구 2의 결과, 챗봇 따뜻함 인식과 주관적 분주함 조건의 상호작용에 따른 챗봇 친밀감의 차이가 한계적으로 유의한 수준에서 나타났으며, 매개효과 분석에서는 주관적 분주함이 있는 조건에서 챗봇의 따뜻함 인식이 챗봇 친밀감을 매개로 구매의도에 긍정적인 영향을 미치는 간접 경로가 유의하게 확인되었다. 반면, 주관적 분주함이 낮은 조건에서는 챗봇의 따뜻함 인식 수준과 관계 없이 챗봇 친밀감이 유의미하게 변화하지 않고 일정 수준에서 유지되는 경향을 보였다. 이는 인공지능 기반 쇼핑 챗봇 상호작용 설계에 있어 소비자의 분주함 심리를 고려할 필요성을 시사하며, 사용자 심리 요인의 상호작용을 실증적으로 검토하였다는 점에서 이론적 함의를 갖는다.

This study conducted two experiments to investigate the psychological process through which users’ perception of AI shopping chatbot warmth influences chatbot familiarity and purchase intention. In particular, it explored whether these effects vary depending on subjective busyness—a key psychological trait of modern consumers. Study 1 predicted that perceived warmth positively affects chatbot familiarity and purchase intention. Study 2 focused on whether these effects differ based on the level of subjective busyness by comparing the indirect effect of warmth on purchase intention via chatbot familiarity mediation under subjective busy (vs. not busy) conditions. Results from Study 1 showed that chatbot warmth significantly influenced both chatbot familiarity and purchase intention. Study 2 found a marginally significant interaction between perceived warmth and subjective busyness on chatbot familiarity. Mediation analysis further confirmed that, under conditions of subjective busyness, chatbot warmth significantly influenced purchase intention via chatbot familiarity. In contrast, under no busyness, chatbot familiarity remained relatively stable regardless of the perceived warmth level. These findings emphasize the need to incorporate consumers’ subjective sense of busyness into the design of AI-based chatbot interaction and provide theoretical implications by empirically examining the interaction between chatbot personality traits and user psychological states.

본 연구는 온라인 소비자 리뷰 데이터를 활용하여 트랜스포머 기반 감성분석 모델의 정량적 성능을 평가하고, 각 모델로부터 도출한 감성 점수가 실제 리뷰 유용성 평가에 미치는 영향을 회귀 모형으로 실증 분석하였다. 분석을 위해 Yelp Open Dataset에서 무작위로 추출한 10,000건의 리뷰를 사용하였 으며, 트랜스포머 기반 감성 분석 모델로 이해 주도형인 Bert-base, RoBERTa-base, DistilBert와 생성 주도형인 GPT-4 및 기존의 전통적인 사전 기반 감성분석 모델(NRC)을 적용하여 성능과 예측 결과를 다각적으로 비교하였다. 이후 각 감성 점수와 다수 소비자가 평가한 리뷰 유용성 간의 관계를 회귀 모 형 분석을 통해 예측 타당성을 검증함으로써 마케팅 영역에서 트랜스포머 기반 감성분석의 활용 가치 와 통계적 모델링 결합의 실질적 유효성을 확인하였다. 본 연구는 이상의 분석을 통해 기업 마케팅 전 략 및 리뷰 기반 의사 결정 지원을 위한 최근 각광을 받는 생성형 AI를 포함한 트랜스포머 기반 감성 분석 활용의 실질적 타당성을 확인하고, 감성 분석에 활용되는 언어 모형의 장단점을 비교하여 전략적 활용 가이드라인을 제시한다.

This study evaluates the quantitative performance of transformer-based sentiment analysis models using online consumer review data and empirically analyzes how sentiment scores derived from these models affect actual review usefulness ratings through regression modeling. The analysis utilized 10,000 randomly sampled reviews from the Yelp Open Dataset, comparing transformer-based models (BERT-base, RoBERTa-base, DistilBERT, and GPT-4) with traditional lexicon-based models (NRC). The study validated the practical applicability of transformer-based sentiment analysis in marketing by examining prediction validity and providing strategic guidelines for model selection. Results showed that transformer models outperformed lexicon-based approaches in capturing contextual nuances and predicting review utility, though challenges such as interpretability and computational efficiency persist. This research underscores the value of integrating advanced AI techniques into marketing analytics while highlighting areas for future refinement.