전자상거래 플랫폼은 상품별 판매수량을 공개하지 않습니다. 위너스노트는 판매수량을 직접 관측되지 않는 잠재변수로 두고, 누구나 확인할 수 있는 신호인 누적 리뷰 수의 증가, 상품 상세의 월간 구매자 배지, 그리고 가격과 검색 노출을 각기 다른 측정 오차를 지닌 관측으로 취급해 하나의 우도(likelihood)로 결합합니다. 여기에 당사가 직접 운영하는3만 개 이상 상품의 실제 판매 기록으로 모형의 척도를 맞추고 정확도를 검증합니다.

리뷰 증가와 판매수량의 로그-로그 탄력성은 1.02(결정계수 0.79)로 리뷰는 판매에 사실상 정비례했습니다. 리뷰 증가와 가격만으로 다음 달 매출을 예측한 기준 모형은 시간 순서 검증에서 오차 중앙값 43%, 실제 값의 0.5~2배 범위 적중률 67%를 보였습니다. 오차의 대부분은 상품마다 다른 리뷰 작성률에서 비롯되며, 리뷰와 독립적인 구매자 배지를 결합해 이를 보정하는 것이 위너스노트 추정 방식의 핵심입니다.

상품 i의 t월 판매수량을 Q_it, 평균 판매가를 P_it라 하면 매출(GMV)은 다음과 같습니다. 가격은 관측되므로, 매출 추정 문제는 판매수량 Q_it의 추정 문제로 귀결됩니다.

판매수량은 10개에서 10만 개 이상까지 수 자릿수에 걸쳐 분포하므로, 모든 모형을 로그 척도에서 다루고 오차를 비율로 평가합니다.

세 가지 공개 신호는 동일한 잠재변수 Q를 서로 다른 방식으로 비추며, 각자 고유한 왜곡을 지닙니다. 위너스노트가 직접 운영하는 3만 개 이상 상품의 실제 판매 기록이 모형의 척도를 맞추고 성능을 검증하는 기준이 되며, 개별 판매자나 상품을 식별할 수 있는 형태로는 공개하지 않습니다.

구매자가 각자 확률 p_i로 리뷰를 남긴다고 가정하면, 한 달 동안 늘어난 리뷰 수 ΔR_it는 판매수량에 비례하는 계수 자료(count data)가 됩니다. 리뷰는 구매 후 며칠에서 몇 주 뒤에 작성되므로 당월과 전월의 판매가 섞여 반영되며, 그 이월 비율을 λ로 둡니다. 행사나 리뷰 이벤트로 인해 분산이 포아송 분포보다 크게 나타나므로 과대산포를 허용하는 음이항 분포를 사용합니다.

양변에 로그를 취하면 선형 관계를 얻습니다. 기울기 β가 1에 가까우면 “리뷰는 판매에 비례한다”는 가정이 실증적으로 지지됩니다.

이로부터 가장 단순한 판매수량·매출 추정량은 다음과 같습니다.

이 추정량의 오차는 대부분 작성률 p_i의 상품 간 이질성에서 발생합니다. 판매 기록이 없는 상품에서는 작성률을 따로 알 수 없으므로, 다음 절의 구매자 배지가 이 공백을 메웁니다.

“한 달간 N명 이상 구매” 배지는 정확한 값이 아니라 직전 30일 구매자 수 Q³⁰_is가 속한 구간의 하한입니다. 통계학에서는 이를 구간 검열(interval censoring) 관측이라 합니다. 배지 구간의 경계를 c₀ < c₁ < … < c_K로 두면, 시점 s에 배지 c_j가 보일 확률은 구매자 수가 그 구간에 들어갈 확률이며, 배지가 없으면 첫 경계 미만으로 해석합니다.

30일 구매자 수를 로그정규분포로 두면 각 관측의 우도는 표준정규 누적분포함수 Φ의 차로 표현됩니다. 순서형 프로빗 회귀와 같은 꼴이지만, 경계 c_j를 추정하지 않고 배지에 표시된 값을 그대로 쓴다는 점이 다릅니다.

구매자 배지가 리뷰를 보완하는 이유는 세 가지입니다.

1. 작성률과 독립된 관측입니다. 리뷰 작성률 p_i의 영향을 받지 않으므로, 배지와 리뷰 증가를 함께 관측하면 판매 기록이 없는 상품에서도 작성률을 식별할 수 있습니다.
2. 모든 상품에 공개되어 있습니다. 운영 상품 밖으로 모형을 일반화할 수 있는 근거가 됩니다.
3. 리뷰 부풀림에 상대적으로 강건합니다. 리뷰가 비정상적으로 늘어도 배지는 실제 구매로만 갱신되는 것으로 보입니다(추정).

5.1 판매수량의 구조식

판매수량을 공변량 x_it(로그 가격, 키워드별 평균 검색 순위, 상위 노출 빈도, 배송 유형, 판매 기간)와 상품·판매자·카테고리 수준의 랜덤효과로 표현합니다.

리뷰 작성률 역시 카테고리 평균을 중심으로 상품마다 달라지도록 둡니다.

5.2 세 관측의 결합 우도

리뷰, 배지, 운영 상품의 판매 기록은 동일한 Q에 조건부로 독립이라고 보고 하나의 우도로 결합합니다. 판매 기록은 그것이 존재하는 상품·월의 집합 𝒢에서만 기여합니다.

계층 구조 덕분에 관측이 적은 상품의 추정값은 같은 카테고리·판매자의 평균 쪽으로 수축됩니다(부분 풀링, partial pooling). 리뷰가 몇 건 없는 신규 상품에서도 극단적인 추정이 나오지 않는 이유입니다. 모수는 베이즈 추론으로 추정하며, 표본이 큰 경우 로그 선형 혼합모형으로 먼저 근사합니다.

같은 모형에서 리뷰 이상 증가의 판정도 도출됩니다. 추정 작성률 p̂_i가 카테고리 분포에서 크게 벗어난 상품은 판매에 비해 리뷰가 과도하게 늘어난 것으로 볼 수 있으며, 이러한 상품에서는 리뷰보다 배지 관측에 더 큰 가중이 실리도록 합니다. 이 판정은 어디까지나 통계적 의심 표시이며 단정이 아닙니다.

5.3 예측 모형

계층 모형이 구조의 해석과 이상치 판정을 맡는다면, 수치 예측은 그래디언트 부스팅 결정나무(LightGBM)가 맡습니다. 두 모형은 분리되지 않으며, 계층 모형이 추정한 상품별 작성률 p̂_i와 판매자 효과를 예측 모형의 입력으로 사용합니다. 목표값은 log Q_it입니다.

• 구간 예측: 평균 모형과 함께 10%·90% 분위수 모형을 학습해 점추정치가 아닌 범위로 제시합니다.
• 이상치 처리: 리뷰 이상 증가로 판정된 상품·월은 학습에서 제외합니다.

성능 수치는 검증 방법과 분리해 해석할 수 없으므로, 평가 절차를 다음과 같이 사전에 고정합니다.

1. 시간 순서 검증: m월까지의 자료로 학습하고 m+1월로 평가합니다. 같은 상품의 다른 달이 학습과 평가에 동시에 들어가 성능이 부풀려지는 것을 막습니다.
2. 표본 외 상품 검증: 학습에 쓰이지 않은 상품만으로 따로 평가해, 판매 기록이 없는 상품에 적용할 때의 성능을 근사합니다.
3. 사전 예측(pre-registered forecast): 판매 기록이 확보되기 전에 예측값을 기록해 두고, 기록이 확보된 뒤 채점합니다.
4. 평가 지표: 로그 척도 결정계수, 절대 백분율 오차의 중앙값(|추정 − 실제| ÷ 실제), 실제 값의 0.5~2배 범위 적중률, 월별 증감 방향 일치율을 봅니다. 판매 규모 구간별로도 나누어 확인합니다.

1. Chevalier, J. A., & Goolsbee, A. (2003). Measuring prices and price competition online: Amazon.com and BarnesandNoble.com. Quantitative Marketing and Economics, 1(2), 203–222.
2. Chevalier, J. A., & Mayzlin, D. (2006). The effect of word of mouth on sales: Online book reviews. Journal of Marketing Research, 43(3), 345–354.
3. Cameron, A. C., & Trivedi, P. K. (2013). Regression Analysis of Count Data (2nd ed.). Cambridge University Press.
4. Gelman, A., & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press.
5. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30.