머신러닝 기반 유료방송채널 시청률 예측 및 편성 시뮬레이션 연구 : 방송 편성 전략의 데이터 기반 의사결정 가능성 탐구
A Study on Machine Learning-Based Rating Prediction and Scheduling Simulation for Pay TV Channels : Exploring Data-Driven Decision-Making in Broadcast Programming Strategy
- 주제(키워드) 머신러닝 , 유료방송 , 시청률 예측 , 방송 편성 , 편성 전략 시뮬레이션
- 발행기관 서강대학교 가상융합전문대학원
- 지도교수 이석근
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 가상융합전문대학원 메타버스비즈니스
- 실제URI http://www.dcollection.net/handler/sogang/000000082828
- UCI I804:11029-000000082828
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
본 연구는 유료방송채널의 편성전략 의사결정을 데이터 기반으로 고도화하기 위한 가능성을 탐구하고자 한다. 이를 위해, 다음과 같은 두 단계 프레임워크를 제시한다. 1 단계로 머신러닝 예측모델을 구축 및 검증하고, 2단계에서는 편성전략 시나리오를 시뮬레이션 한다. 1단계에서 실제 편성 및 시청률 데이터를 활용해 여러 선행연구와 실무에서 사용하는 변수들을 입력값으로 삼아 시청률을 예측하는 모델을 구축하였고, 분석 결과 PROG_MA3(최근 3회 평균 시청률), LEADIN(직전 슬롯의 시청률), LOYALTY(시청 충성도), SLOT_LAST(동일 시간대 직전 주의 시청률) 등 프로그램 성과와 시간대 맥락을 반영하는 요인들이 시청률 형성의 핵심 요인으로 확인되었다. 2단계에선 1단계 모델의 변수 중요도를 바탕으로 리드인 효과를 검증하는 S1, 시간대 체력을 검증하는 S2, 강점 시너지를 노린 조합(S3, S4), 그리고 방어적 편성전략(S5) 등의 편성 조정 시 나리오를 설계했다. 시뮬레이션 결과를 살펴보면, 전체 평균 시청률의 변화 폭은 0.00005에서 0.00032 수준으로 제약적이었으나, 기여도 및 기여효율과 같은 세부 성과 지표에서 전략별로 일관된 방향성을 확인할 수 있었다. 이로써 이미 최적화된 편성표를 기반으로 한 단순 프로그램 재배치만으로는 편성전략의 성과가 크게 개선되기 어렵다는 점과 외적 레버(LEADIN, SLOT_LAST)의 활용이 제한될 때에는 기대 효과도 제한적 이라는 점이 드러났다. 본 연구는 머신러닝 기반 예측모델에 기반을 둔 편성전략 의사 결정의 실용적 가능성을 검증하고, 향후 더욱 고도화된 프로그램 개발 또는 투자 의사 결정, 콘텐츠전략, 편성전략 등 방송사의 전략적 의사결정을 하나의 체계로 묶는 지원도 구로 확장할 필요성을 제시한다는 점에서 학술적·실무적 의의를 지닌다.
more목차
제 1장 서론 1
제 1절 연구 개요 1
제 2절 연구 배경 2
1. 연구 대상의 정의 2
2. 국내 유료방송시장 현황 3
제 3절 연구 필요성 7
1. 문제 정의 7
2. 연구 필요성 8
제 4절 연구 목적 및 범위 12
1. 연구 목적 12
2. 연구 범위 12
제 2장 이론적 배경 14
제 1절 방송 편성의 개념과 구조적 요인 14
1. 방송 편성의 개념과 전략적 성격 14
2. 프로그램 선택행위의 구조적 관점: 편성의 구조적 변수 14
3. 시청 흐름(Audience flow)에 관한 논의: 시청률의 연속성과 편성 맥락 변수 15
4. 프로그램 선호에 따른 시청 행위: 반복 시청과 시간대 체력의 형성 16
제 2절 OTT 서비스의 데이터 기반 큐레이션 18
1. 추천 시스템의 개념과 알고리즘 유형 18
2. OTT 큐레이션 서비스의 데이터 기반 최적화 구조 19
제 3절 데이터 기반 시청률 예측 연구 19
1. 통계 기반 초기 연구의 발전 19
2. 데이터 마이닝과 머신러닝 기반 예측으로의 확장 20
3. 기존 연구의 한계와 본 연구의 차별성 21
제 4절 머신러닝 예측모델 22
1. 머신러닝 22
2. 의사결정 트리(Decision Tree) 25
3. 앙상블 학습(Ensemble Learning) 및 부스팅(Boosting) 27
4. XGBoost(eXtreme Gradient Boosting) 28
5. LightGBM(Light Gradient Boosting Machine) 30
제 3장 연구설계 및 방법론 32
제 1절 연구모형 및 연구문제 32
제 2절 연구 자료 수집 및 특성 34
제 3절 변수 설정 38
1. 기초 변수 설정 38
2. 파생 변수 설정 40
제 4절 데이터 전처리 및 인코딩 43
1. 결측치이상치 탐색 및 처리 전략 43
2. 변수 타입별 인코딩 계획 45
3. 상관분석(Correlation Analysis) 45
4. 시계열 기반 학습검증테스트 데이터 분리 48
제 5절 머신러닝 기반 시청률 예측 모델 설계 49
1. 데이터의 구조적 특성과 예측 문제 정의 49
2. 모델 선택 근거: 트리 기반 부스팅 모델의 적합성 49
3. 학습 데이터 구성 및 학습 전략 50
4. XGBoost 및 LightGBM 모델 비교 설계 50
5. 모델 검증 및 성능 평가 지표 52
제 6절 시나리오 시뮬레이션 설계 53
1. 시나리오 시뮬레이션의 목적 53
2. 데이터 셋과 분석단위 54
3. 베이스라인 구성 54
4. 시나리오 구성 논리 58
5. 시나리오 설계 68
제 4장 실증 분석 결과 75
제 1절 예측 모델 성능 비교 결과 75
제 2절 변수 중요도 및 해석 결과 78
제 3절 시나리오 시뮬레이션 결과 86
제 4절 시나리오 시뮬레이션의 경영적 효과 분석 90
제 5절 연구 문제 검증 95
제 5장 결 론 99
제 1절 연구 요약 99
제 2절 논의 100
제 3절 연구 의의 101
제 4절 시사점 102
제 5절 한계점 103
제 6절 향후 연구 및 발전 방향 104
참고 문헌 106
