베이지안 Norm 기반 브랜드 이미지 평가

개요

정성·정량 데이터를 융합한 단어(형용사) 단위 브랜드 이미지 평가 체계입니다. 크롤링한 온라인 리뷰를 기능/형용사 사전으로 토큰화·집계한 결과를 사전믿음(prior) 으로 삼고, 브랜드 이미지 설문 데이터를 계층 베이지안 모델의 우도(likelihood) 로 투입합니다. 설문 표본이 적어도 안정적이고 설명 가능한 브랜드-속성 점수를 얻는 것이 목표입니다. (저장소 데이터는 데모용 합성 데이터입니다.)

모델

• PyMC 계층 베이지안 모델: score ~ StudentT(ν, μ, σ), μ는 브랜드·속성·형용사 주효과와 선택적 상호작용(브랜드×형용사 등)으로 분해
• 부분 풀링(partial pooling) — 데이터가 적은 브랜드/형용사 조합은 상위 분포에서 정보를 빌려와 소표본 추정을 안정화
• 정규분포 대신 Student-T 우도를 사용해 이상치에 강건
• 리포팅용 테이블(그룹-형용사별 평균/표준편차)과 포스터리어 파라미터 테이블(post_mu, post_k 등)을 함께 산출 — 다음 조사의 사전믿음으로 재사용할 수 있어 트래킹 조사의 시계열 누적이 가능

엔지니어링

• 견고한 데이터 적재(xlsx/xls/xlsb/csv, 엔진 폴백), 유연한 컬럼 탐지, wide→long 자동 변환
• 분석 범위 제어(빈도 상위 N개 형용사 제한, 화이트리스트)로 연산량 관리
• run_all 원커맨드 실행과 FAST 프리셋, 타임스탬프 ZIP으로 결과 패키징
• 최종 대시보드는 엑셀 VBA로 구성해 비개발 직군도 익숙한 도구에서 탐색 가능

의의

소표본 브랜드 조사는 형용사 점수가 쉽게 왜곡됩니다(응답자 한 명이 "견고한"이라고 했다고 브랜드 이미지가 되면 안 되죠). 대규모 리뷰 데이터로 모델을 정박시켜, 추가 조사 없이 그 왜곡을 줄였습니다.

링크

• Repo: https://github.com/jay-lay-down/bayesian_norm
• Blog: https://velog.io/@jaylaydown/BayesianAdjectiveNorm
• Dashboard: https://github.com/jay-lay-down/bayesian_norm/blob/main/assets/bayesian_norm_fin.xlsm