AI 기반 실시간 시장 성장 예측 및 콘텐츠 확산 분석 의사결정 지원 시스템

초록

본 논문은 소셜 미디어, 광고 지출, 소비자 참여 로그, 감성 데이터 등 이질적인 다중 소스를 통합해 AI‑Generated Content(AIGC)의 확산 경로와 시장 성장 영향을 실시간으로 예측하는 의사결정 지원 시스템(DSS)을 제안한다. 하이브리드 그래프 신경망(GNN)과 Temporal Transformer를 결합한 이중 채널 구조가 콘텐츠 전파 구조와 시간적 영향 변화를 동시에 학습하며, 인과 추론 모듈이 마케팅 자극과 ROI·시장 가시성 간의 인과관계를 분리한다. 대규모 Twitter, TikTok, YouTube 데이터셋 실험에서 제안 모델은 기존 6가지 평가 지표 모두에서 우수한 성능을 보였으며, 해석 가능한 실시간 인사이트를 제공한다.

상세 분석

본 연구는 디지털 마케팅 환경에서 AIGC가 차지하는 비중이 급격히 확대되는 현상을 배경으로, 복합적인 데이터 소스와 비선형 전파 메커니즘을 동시에 모델링할 수 있는 새로운 DSS 프레임워크를 설계했다. 핵심 기술은 두 개의 병렬 채널로 구성된 하이브리드 아키텍처이다. 첫 번째 채널은 그래프 신경망(GNN)을 이용해 콘텐츠 간의 구조적 관계와 사용자 네트워크 상의 전파 경로를 학습한다. 여기서는 노드(사용자·콘텐츠)와 엣지(상호작용·공유)를 동적으로 업데이트하며, 이질적인 피처(텍스트 임베딩, 이미지 메타데이터, 광고 비용 등)를 다중 헤드 어텐션으로 통합한다. 두 번째 채널은 Temporal Transformer를 적용해 시계열적 영향 변화를 포착한다. 시간 스텝별로 마케팅 지출, 감성 점수, 클릭·시청 로그 등을 입력하고, 자기‑주의 메커니즘을 통해 장기 의존성을 효율적으로 학습한다. 두 채널의 출력은 공동 임베딩 공간에 결합돼 최종 예측 레이어에 전달되며, 이는 시장 성장률(예: 매출 증가율)과 콘텐츠 확산 규모(예: 총 노출 수)를 동시에 예측한다.

인과 추론 모듈은 도메인 지식에 기반한 구조적 방정식 모델(SEM)과 도입된 도메인 적응 기법을 결합해 마케팅 자극(광고비, 프로모션)과 ROI·시장 가시성 사이의 직접·간접 효과를 정량화한다. 이를 위해 잠재 변수(예: 소비자 선호도)를 추정하고, 반사적 교차 검증을 통해 편향을 최소화한다.

실험에서는 3개 주요 플랫폼(Twitter, TikTok, YouTube)에서 수집한 2억 건 이상의 로그 데이터를 활용했으며, 베이스라인으로는 전통적인 ARIMA, LSTM, 단일 GNN, 그리고 최신 Diffusion 모델을 포함했다. 6가지 평가 지표(예측 정확도, MAE, RMSE, AUC‑ROC, PR‑AUC, 해석 가능성 점수) 모두에서 제안 모델이 평균 12.4%·8.7%·15.3% 향상을 기록했다. 특히 실시간 인사이트 제공 측면에서, 모델이 생성한 주된 전파 경로와 핵심 인과 요인을 시각화한 대시보드는 마케터가 즉각적인 예산 재배분 결정을 내리는 데 크게 기여했다.

한계점으로는 그래프 구축 시 초기 네트워크 정의가 데이터 품질에 민감하고, Transformer의 계산 비용이 실시간 서비스에 부담을 줄 수 있다는 점을 들 수 있다. 향후 연구에서는 경량화된 스파스 어텐션과 온라인 학습 기법을 도입해 시스템 응답성을 높이고, 멀티모달 콘텐츠(텍스트·영상·음성)의 통합 표현 학습을 확장할 계획이다.