첫째, 계량경제 모형 적용을 통한 선탑재 앱의 고객 유지에 대한 정량적인 효과 분석 본 연구에서는 정량적인 효과 분석을 위해 계량경제 모형을 사용하고자 한다. 이를 위해 생존 분석 (Survival Analysis)를 도입할 계획이다. 생존 분석은 고객의 서비스 지속 사용과 이탈에 관한 연구에서 주로 사용된 모델로, 관찰 대상의 생존(혹은 이탈) 확률 추정에 사용할 수 있다. 특히 연구자들은 해당 모델을 정보시스템의 지속사용을 분석하기 위해 사용하기도 하였다. 선탑재 앱을 지속적으로 사용하는 사용자와 이탈하는 사용자를 예측하는 적절한 방법론이 될 것으로 보인다. 생존 분석을 활용하여 앱의 선탑재/후설치 여부가 사용자의 지속사용/이탈을 예측하는 주요 요인이 되는지 분석할 수 있다. 둘째, 머신러닝 기법을 활용한 사용자 특성 추출 및 선탑재 앱 사용 데이터 분석 대량의 데이터에서 의미있는 패턴을 발견하기 위해 본 연구에서는 다양한 머신러닝 기법을 조합해서 시도할 예정이다. 앱 사용에 대한 시계열 데이터가 존재할 때, 유사한 사용 패턴을 가진 이용자들을 분류하고 (time series clustering), 유의미한 정보를 feature 화한 뒤, 앱의 지속 사용을 예측하는 변수로 사용하여 예측 모델을 구축할 것이다. 특히 고전적인 방법론들 (Logistic Regression, Random Forest, Support Vector Machine) 뿐만 아니라 XGBoost, RNN(Recursive Neural Networks), CNN (Convolutional Neural Networks), LSTM(Long-short Term Memory) 등의 기법들을 활용하여 예측 모델을 고도화 및 정교화할 것이다. 예를 들어, 앱 사용의 주기성(주기적 vs. 간헐적), 적극성(적극적 사용 vs. 소극적 알림 활용) 등 개념적으로 존재할 수 있는 사용자 특성을 분류 알고리즘들을 통해 요인화할 수 있고, 이를 사용자 지속사용/이탈 예측에 활용할 예정이다. 다만, 정확한 요인 추출을 위해서 많은 양의 데이터가 필요할 것으로 예상된다. 셋째, 경쟁 상황에서 선탑재 앱과 후설치 앱간의 차이 비교 선탑재 앱이 진입 장벽(Entry Barrier)를 만들어 경쟁 앱들로부터 경쟁 우위를 가질 수 있는 반면, 선탑재 앱에 반감을 느끼는 사용자들은 오히려 부정적으로 선탑재 앱을 평가하고, 쉽게 경쟁 앱으로 switching 할 수도 있다. 이를 확인하기 위해서 경쟁 앱과 연구 대상 앱이 동시에 설치된 상황에서, 연구 대상 앱이 선탑재된 경우와 후설치된 경우를 비교하고자 한다. 네 가지 시나리오 (선탑재 앱 지속사용, 후설치 앱 지속 사용, 선탑재 앱에서 경쟁 앱으로 이동, 후설치 앱에서 경쟁 앱으로 이동)를 분리하여 데이터를 수집하고, 앞의 연구에서 누적한 결과를 바탕으로 앱 경쟁 관계에서 선탑재/후설치 앱의 역할을 분석할 것이다. 계량경제모형에 더불어 bagging 과 boosting을 조합한 시뮬레이션을 활용하여 연구에 사용할 예정이다.