아마존 빅데이터를 활용한 신제품 출시 전략 및 성공 요인 분석 (정글스카우트 데이터를 활용한 한국 식품 중심으로)
An Analysis of Product Launch Strategies and Success Factors Using Amazon Big Data: Focused on Korean Food Products via Jungle Scout Analytics
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 한국 식품이 아마존 미국(Amazon.com)에서 성공적인 신규 진입 전략을 모색하기 위해, 정글스카우트(Jungle Scout) 빅데이터를 기반으로 제품 성공 요인을 분석하고 예측 모델을 개발하였다. 아마존은 세계 최대 규모의 전자상거래 플랫폼으로, 수많은 상품이 매일 치열한 경쟁을 벌이는 시장이다. 이러한 환경에서 성공적인 진입을 위해서는 데이터 기반의 전략 수립과 예측 모델링이 필수적이다. 본 연구는 아마존 식품 카테고리에 2024년 새롭게 진입한 529개 한국 식품 데이터를 활용하였으며, 주요 변수로 가격(Price), 리뷰 수(Reviews), 평점(Rating), 리스팅 품질 점수(LQS), 월 판매량 및 월 매출액 등을 포함하였다. 성공 여부는 월 판매량 100개 이상 또는 월 매출액 $1,000 이상으로 정의하고, 이진 분류 모델(Random Forest, XGBoost)을 통해 성공 가능성을 예측하였다. 기술 통계 분석 결과, 리뷰 수는 성공 제품과 실패 제품 간의 가장 뚜렷한 차이를 보였으며, 이는 소비자 신뢰 확보가 실질적 성과로 이어진다는 점을 보여준다. 또한 가격은 월 판매액과 유의미한 상관관계를 나타냈다. 머신러닝 분석에서는 XGBoost가 Accuracy 90.0%, AUC-ROC 94.0%의 우수한 성능을 보였고, 변수 중요도 분석에서도 리뷰 수와 가격이 핵심 변수로 확인되었다. 연구 결과를 바탕으로 성공 예측에 기반한 의사결정 지원 도구를 설계하였다. 본 연구는 한국 제품이 아마존 미국 시장에서 경쟁력을 확보할 수 있도록 실무적 인사이트를 제공하며, 데이터 기반 전략의 중요성을 실증적으로 뒷받침하였다. 향후 연구는 다양한 국가 및 카테고리 확장, 브랜드 인지도 및 외부 요인 포함 등을 통해 예측력과 일반화 가능성을 높이는 방향으로 발전될 수 있다.
Abstract
This study examines the success factors of newly launched Korean food products on Amazon U.S., leveraging big data from Jungle Scout. Given Amazon’s competitive environment, data-driven strategies are essential for effective market entry. We collected data on 529 Korean food items listed in 2024, focusing on key variables such as price, number of reviews, rating, Listing Quality Score (LQS), product tier, weight, estimated monthly sales, and revenue. Success was defined as achieving either 100 or more monthly units sold or generating $1,000 or more in monthly revenue. Two machine learning algorithms—Random Forest and XGBoost—were employed to construct predictive models. Statistical analysis revealed that review count had the most significant influence on both monthly sales and revenue, highlighting its role in consumer trust and purchasing behavior. Price was also a meaningful predictor of revenue, though it had limited impact on sales volume. XGBoost outperformed Random Forest in model accuracy (90.0%) and AUC-ROC (94.0%). Feature importance analysis confirmed that reviews and price were the most critical variables. Based on these results, a decision support tool was developed to predict product success and provide strategic recommendations through visualized outputs. This research contributes to the field of cross-border e-commerce by offering actionable insights into launching and managing products effectively on Amazon. Future research should expand the scope to additional product categories and integrate external factors such as market competition, brand equity, and customer sentiment for more comprehensive prediction models.