LLM이 투영 기법(projective techniques)용 합성 소비자 데이터를 생성할 수 있는지 검증한 마케팅 연구다. 투영 기법은 소비자의 연상, 감정, 욕구를 끌어내는 조사 방법으로, 실제 데이터 수집은 비용과 시간이 많이 든다. 연구진은 여러 LLM, 프롬프트 전략, 온도 설정에서 생성된 응답을 도시 관광지 인식에 대한 실제 인간 조사 응답과 비교하고, 언어 지표, 다양성·집중도 지표, 토픽 모델로 분석했다. 결과적으로 넓은 주제와 연상에서는 인간-LLM 응답이 상당히 겹쳤지만, 문체, 언어 구조, 다양성이 생성되는 방식에서는 중요한 차이가 확인됐다. 논문은 모델·프롬프트 선택이 응답 품질에 미치는 영향과 합성 소비자 데이터의 한계 인식에 대한 실무 권고를 제시한다.
- •소비자 연상·감정·욕구를 끌어내는 투영 기법에 LLM 합성 데이터 적용 가능성 검증
- •도시 관광지 인식에 대한 실제 인간 조사 응답과 다각도 비교 분석
- •넓은 주제·연상에서는 인간-LLM 응답이 상당히 중첩
- •문체, 언어 구조, 다양성 생성 방식에서는 중요한 차이 확인
- •모델·프롬프트 선택이 품질에 미치는 영향과 한계 인식에 대한 실무 권고 제공
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Synthetic Consumer Insight Generation with Large Language Models
- 1.LLM으로 투사기법용 합성 소비자 데이터를 생성할 수 있는지 실증 분석
- 2.도시 관광지 인식 설문의 인간 응답과 LLM 응답을 언어·다양성·토픽 지표로 비교
- 3.큰 주제·연상은 상당부분 일치하나 문체·언어 구조·다양성 생성 방식은 차이
- 4.모델·프롬프트·온도 설정별 품질 차이와 활용 권고안 제시
왜 중요한가?
고비용 소비자 조사를 LLM 합성 데이터로 대체할 수 있는 범위와 한계를 인간 실측과의 비교로 제시해, 마케팅 리서치에서 합성 응답을 쓸 때의 판단 기준을 제공한다.
본문 미리보기
arXiv:2607.05761v1 Announce Type: new Abstract: Modern data-driven marketing relies on large amounts of consumer data, yet collecting such data can be costly, time-consuming, and difficult to scale. This research examines whether large language models (LLMs) can be used to generate synthetic consumer data for projective techniques, a set of methods designed to elicit consumer associations, emotions, wants, and needs. We test LLM-generated responses across multiple projective tasks, LLMs, prompt
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
