The Impact of Dynamic Social Network Structure = 동적 소셜네트워크 구조가 제품 구매에 미치는 영향

다국어 초록 (Multilingual Abstract)

We intend to answer the following research questions through this research. First, are network topological variables dynamic, and is the model applying dynamic network position variables superior to the model using static network variables? Second, do the coefficients of network variable positions have time heterogeneity? Finally, are there endogenous relationships among consumer activities and social network position variables and carryover effects among variables?
With respect to the first question, we found that network position variables have considerable variations over time by comparing the model fit of the base model that applied time-invariant network position variables and the model fit of the proposed model that applied time-varying network position variables. As a result, the proposed model showed better performance in terms of both the whole data model and in-sample fit and out-of-sample fit. Moreover, the proposed model showed less biased parameter estimation results compared to the base model.
By estimating and comparing the multi-level panel random intercept model and the multi-level panel random coefficient model, we found that all network position variables, excluding constraint variables, had time-varying coefficients, which showed that the estimated parameters can be biased when applying static network variables.
In addition, we found that endogenous and dynamic effects exist between purchase and network position variables over time. That is, lagged weighted in-degree and out-degree as well as lagged weighted in-closeness and out-closeness centrality have a significant and positive impact on the present purchase. On the other hand, the lagged weighted clustering coefficient has a significant and negative effect on the present purchase. However, lagged purchase has a significant and positive impact on the present weighted in-closeness and out-closeness centrality and an insignificant effect on the other two degree variables and weight clustering. The results suggest that in-closeness and out-closeness variables might be the most influential among the network variables. In addition, we found that the “Small World” phenomenon exists in social networks. Thus, to reduce the distance between consumers and increase the closeness centrality of nodes in social networks, recommending friends of friends to nodes (e.g., “People Who You May Know,” a recommendation service on Facebook) would be the best policy for increasing sales.
Based on the above results, managerial implications, limitations, and future research topics were presented.

Keywords: social network, dynamic network position variable,
time-varying coefficients, random effects panel Tobit model,
panel vector auto regression, endogeneity

국문 초록 (Abstract)

온라인 소셜 미디어 매체를 통해 기업과 마케팅 연구자들은 고객이 소셜네트워크상에서 차지하고 있는 구조적 위치가 소비자 행동에 어떤 영향을 미치는가에 대해 많은 관심을 가져왔다. 소셜네트워크상의 위치 정보는 한 개인이 갖고 있는 사회적 자산을 나타낸다. 그러나 대부분의 연구에서 개인의 네트워크 위치 정보는 시간에 따라 변화하지 않는 (time-invariant or static) 변수로 받아들이고 있다. 소셜네트워크 데이터를 분석한 결과, 연결성과 근접 중심성 등과 같은 소셜네트워크의 위치 변수가 시간에 따라 상당히 변화하고 있다는 것을 발견하였으며, 그와 관련하여 이 연구에서 제기하고 있는 문제와 그 결과는 다음과 같다.
첫째, 기존 마케팅 연구와 소셜네트워크 분석 이론, 그리고 사회학 이론 등을 토대로 하여 네트워크 변수가 구매에 미치는 영향을 분석하였다. 그 결과 외향 연결 정도(out-degree)를 제외한 나머지 네트워크 위치 변수들 – 내향 연결 정도 (in-degree), 내향 근접 중심성 (in-closeness centrality), 외향 근접 중심성 (out-closeness centrality), 제약성 (constaint) 과 군집 계수 (clustering coefficient) -가 문헌 연구에서 제시한 방향성과 유의성을 충족시켰다.
둘째, 시간에 따라 변화하는 네트워크 위치 변수를 적용한 모델과 기존 문헌에서 가정하고 있는 시간에 따라 변하지 않는 정적인 네트워크 위치 변수를 적용한 모델을 임의 효과 패널 토빗 (Random Effects Panel Tobit) 모형에 각각 적용하여 모형의 적합성을 비교하였다. 모형 비교 결과 동적 성향의 네트워크 변수를 적용한 모델이 그렇지 않은 모델보다 더 우수한 성과를 내는 것으로 나타났다. 또한 동적 (dynamic) 인 네트워크 변수를 설정하지 않고 정적 (static) 인 네트워크 변수를 설정하여 적용할 경우 네트워크 변수의 계수에 편의 (bias) 가 있을 가능성이 크다는 점도 밝혔다. 또한 네트워크의 동적인 성향으로 인해 네트워크 변수에 대한 계수가 시간에 따라 변화하는가를 판단하는 연구를 다층 패널 임의 계수 모형(Multi-level Panel Random Effects Model)을 통해 실행하였다. 그 결과 중개성 (brokerage) 을 측정하는 제약성을 제외한 나머지 네트워크 변수의 계수가 시간에 따라 이질적 (heterogeneous) 이라는 사실을 우도비 검정 (Likelihood Ratio Test) 을 통해 밝혔다.
또한, 두 번째 연구 결과를 바탕으로, 동적인 성향이 작은 제약성을 제외한 나머지 네트워크 변수와 구매 변수를 모두 종속 변수로 하고 그들의 시차 변수(lagged variables)들을 독립변수로 하는 패널 벡터 자기 상관 회귀 모형(panel Vector Autoregression, PVAR) 을 추정하였다. 추정 결과 네트워크 위치 변수의 시차 변수 (lagged variable) 가 현재의 제품 구매에 유의한 영향을 미치고 있음을 발견하였다. 그리고 충격 반응 함수 (Impulse Response Functions) 분석 결과도 마찬가지로 현재 네트워크 변수에 충격이 가해질 경우 내/외향 연결성과 내/외향 근접 중심성이 미래의 구매 가치에 지속적으로 유의하게 영향을 미치는 것으로 나타났다. 반면, 군집 계수는 충격이 가해진 직후에 구매에 긍정적인 영향을 미치지만 이후로는 미래의 구매 가치에 부정적인 영향을 미치는 것을 발견했다. 이를 통해 네트워크 위치 변수가 구매에 지속적인 이월효과 (Carryover effects) 를 나타낸다는 사실을 발견했다. 그리고 네트워크 변수 중 내/외향 근접 중심성에 주는 충격이 미래의 구매 가치에 가장 큰 영향을 준다는 사실을 밝혔다.
또한 구매 변수의 시차 변수를 독립변수로 하는 경우, 과거의 구매 변수는 내/외향 근접 중심성에만 긍정적인 영향을 주는 것으로 나타났다. 충격반응함수 분석에서도 동일한 결과가 나타났는데 현재 구매 변수에 충격을 가하면 내/외향 근접 중심성에 유의하게 긍정적인 영향을 지속적으로 주는 것으로 나타났다.
이 연구의 주요 이론적 및 실무적 시사점은 다음과 같다. 첫째, 기존 연구에서 간과하였던 동적 네트워크 변수를 소비자 구매 모형에 적용하였다. 예를 들어, 소셜네트워크의 연결성으로부터 도출할 수 있는 ‘허브’가 될 수 있는 행위자는 시간에 따라 지속적으로 변화한다. 따라서 이러한 정보를 소비자 행동 모형에 적절히 반영하지 않을 경우 편의가 있는 모형을 추정할 가능성이 커지게 된다.
둘째, 네트워크 변수와 소비자 행동 변수 간에 내생성이 있기 때문에 이를 적절히 고려할 수 있는 모형이 필요하다. 특히, 근접중심성의 경우 구매 변수와 상호 영향력이 상당히 크다는 것을 알 수 있었으며 다른 네트워크 변수의 경우 시차 구매 변수의 영향이 유의하지 않은 것으로 나타났다.
그 동안 연구에서는 연결정도 (degree) 와 소비자 행동 변수 간의 관계를 규명하는데 초점을 두었으나 이 연구 결과, 근접 중심성이 가장 중요한 네트워크 변수임을 알아냈다. 즉, 흥미롭게도 소셜네트워크가 Watts and Strogatz (1998) 의 좁은 세상 (Small World) 이 될수록 소비자 행동에 긍정적인 영향을 준다는 점을 발견했다. 소셜네트워크상에서 소비자간 거리가 줄어들수록, 즉 근접 중심성이 높은 고객일수록 소셜네트워크 상에서 아이템과 음악을 더 구매하고 그러한 구매는 다른 사람들과 그들의 거리를 더욱 줄어들게 한다. 그런데 근접중심성은 군집계수를 낮출수록 증가하며, 군집계수를 낮출 수 있는 방법은 새로운 친구를 알 수 있게 할수록 낮아진다. 따라서 기업에서는 군집도가 높은 고객들을 대상으로 페이스북의 ‘알 수도 있는 친구’와 같이 신규 친구 추천 서비스를 적극 진행하는 것도 좋은 전략이라고 볼 수 있다.

주요어: 소셜네트워크, 동적 네트워크 위치 변수, 임의 효과 패널 토빗, 시간에 따라, 변화하는 계수, 패널 벡터 자기 상관 회귀 모형, 내생성

목차 (Table of Contents)

• Contents
• ChapterⅠ. Introduction 1
• Chapter Ⅱ. Related Literature 5
• 2.1. Degree - Hub 5
• 2.2. Closeness Centrality - Proximity 7
• 2.3. Constraint - Brokerage 8
• 2.4. Clustering Coefficient - Density 9
• 2.5. Modeling Issues 12
• Chapter Ⅲ. Model Specification 15
• 3.1 Random Effects Panel Tobit Model (REPT) 16
• 3.2. Panel Vector Auto Regression Model (PVAR) 16
• Chapter Ⅳ. Data 20
• 4.1. Data Collection 20
• 4.2. Network Position Variables 21
• Chapter Ⅴ. Empirical Results 25
• 5.1. Descriptive Statistics 25
• 5.2. Multicollinearity Test 29
• 5.3. Model Comparison 31
• 5.4. Dynamic Effects of Network Position Variables 40
• 5.5. Panel Vector Auto Regression (PVAR) Model 44
• 5.6. Managerial Implications 62
• Chapter Ⅵ. Conclusion 63
• 6.1. Summary and Contributions 63
• 6.3. Limitations and Future Research 65
• References 68
• Abstract 75
• TABLES
• [TABLE 2-1] Summary of Network Variables 12
• [TABLE 2-2] Modeling Specifications of Previous and the Current Research 14
• [TABLE 5-1] Descriptive Statistics 26
• [TABLE 5-2] Pairwise Correlation Matrix 30
• [TABLE 5-3] Collinearity Statistics 31
• [TABLE 5-4] The Results of Equation (1) 36
• [TABLE 5-5] Hypothesis Test Results 37
• [TABLE 5-6] Comparison of the model fit REPTS vs. REPTD 39
• [TABLE 5-7] In-Sample Fit and Out of Sample Fit Comparison 40
• [TABLE 5-8] The Results of Equation (13) 42
• [TABLE 5-9] Panel Unit Root Test Results 45
• [TABLE 5-10] Granger Causality Results 46
• [TABLE 5-11] Optimal Lag Length 47
• [TABLE 5-12] Panel Vector Auto Regression Results 50
• FIGURES
• [FIGURE 1-1] Degree Variations of Hub over Time (daily) 4
• [FIGURE 2-1] Networks with High (a) and Low (b) Clustering 10
• [FIGURE 5-1] Network Variable Variations of three Panels 27
• [FIGURE 5-2] IRFs Results : the Shock of NP on Purchase 55
• [FIGURE 5-3] IRFs Results : the Shock of Purchase on NP 57
• [FIGURE 5-4] People You May Know Service in Facebook 59
• [FIGURE 5-5] Dynamic Small World Networks 60
• [FIGURE 5-6] IRFs Results : the Shock of Clustering on Closeness 61