Customer Outcome Based Semi-Automatic Job Mapping for New Service Development

Abstract

This research suggests semi-automatic method of making Job Map for Obtaining Service, which is an early step of Outcome-driven Innovation (ODI). Job Map for Obtaining Service illustrates what customers are trying to achieve and how customers are benefited while using a service. In order to make it, human expert in ODI and service domain must interview sufficient amount of users. This process takes long time and quality of its output may vary depending on the expertise of human experts and characteristics of interviewee. To solve the aforementioned problems, using large amount of review data found online is suggested instead of customer interview. Method to process review data is proposed and case study on hotel’s review was conducted. Since large portion of online review is irrelevant in making Job Map for Obtaining Service, the proposed method suggests multi-class text classification to filter out noises. Multi-label text classification requires large amount of training set and even though it have gone through problem transformation to binary relevance, classifier for each label needs large amount of training set. However, customer reviews do not guarantee the existence of equal amount for each label could be found, and the amount of training set needed should be small to reduce the dependent of human expert. Binary relevance method utilizing semantic similarity was proposed to solve this problem. Sentence analysis based on Subject-action-object (SAO) analysis was proposed to extract actions of service users. While typical SAO analysis extracts a single SAO structure from one sentence, customer review contains more than one action of service user in a sentence. Therefore, an algorithm to extract multiple SAO structure from a sentence was proposed. Through proposed methods, time and human dependency for ODI process could be significantly reduced.

본 연구는 서비스 혁신을 위한 Outcome Driven Innovation의 초기 단계 중 하나인 Job Map for Obtaining Service를 대량의 고객 인터뷰 자료를 기반으로 하여 반자동적으로 만드는 방법을 제시한다. Job Map은 고객이 제품 혹은 서비스를 이용할 때 해결하고자 하는 문제와 그로 인해 얻는 이득을 정리해 둔 표이며 이를 만들기 위해서는 전문가가 충분한 수의 고객을 대상으로 심도 있는 인터뷰를 진행해야 한다. 이 과정은 오랜 시간이 걸릴 뿐 아니라 전문가의 숙련도나 고객 집단에 따라 그 결과가 상이할 수 있다. 위와 같은 문제점을 해결하기 위해 모집된 소수의 고객이 아니라 온라인에서 발견되는 제품 혹은 서비스에 대한 대량의 리뷰 정보를 미리 정의된 방법에 의해 분석하는 방법론을 제안한다. 그리고 호텔 리뷰를 대상으로 제안된 방법론을 case study로 활용하였다. 온라인 리뷰는 Job Map을 만드는 데 필요 없는 noise가 많기 때문에 multi-class text classification을 통해 자동적으로 제거해주었다. 일반적인 multi-label text classification은 training set의 크기가 크고, problem transformation한 binary relevance는 각 label마다 충분한 수의 training set이 필요하다. 하지만 고객 리뷰에서는 label마다 얻어지는 review의 개수가 다르고 전문가의 의존도를 줄이기 위해서는 training set의 개수는 적을수록 좋다. 이 문제를 해결하기 위해 semantic similarity를 응용한 binary relevance method를 제안하였다. 또한 SAO를 통해 고객의 action에 관한 내용만을 추려내는 방법론을 제안하였다. 일반적인 SAO 분석은 한 문장에서 하나의 SAO만을 추출한다. 하지만 고객 리뷰에서는 고객의 action이 main topic이 아니기 때문에 한 문장에서 다수의 action이 등장할 수 있다. 따라서 문장에서 복수의 SAO를 손쉽게 추출할 수 있는 방법론을 제안하였다. 이를 통해 ODI에 필요한 시간과 노력을 줄일 수 있다.