DEVOCEAN

1. 서론

• 김성희 매니저는 20명 정도로 이루어진 부서의 유일한 여자직원입니다. 크게 불편한 것이 있는 건 아니지만 다른 동료 여직원이 있으면 좋겠다고 생각했습니다.

  2007년 어느 월요일 김성희 매니저는 ‘지현’, ‘한별’, ‘아람’이 신입사원으로 온다는 소식에 출근 길이 가벼웠지만 이내 실망을 했습니다.

  셋 모두 남자였기 때문입니다. 이 중에 ‘지현’이 바로 저입니다.

• 이름을 가지고 성별을 추측하는 것은 완벽하지 않습니다. 중성적인 이름도 있고요. 그렇지 않더라도 항상 예외는 존재하는 법입니다.

  하지만 개개인의 성별을 추측하는 것이 아니라, 구성 비율을 추측하는 것이고, 그 모수가 상당히 크다면 가능성은 있습니다.

이항분포

• 한번의 독립적인 실행에서 어떤 일 A가 성공할 확률이 80%라고 할 때, 100번 시행을 했다면 A는 몇 번이나 성공할까요? 아래는 그것의 그래프입니다.

  대체로 70에서 90% 사이로 보입니다. 80% 성공한다고 추측했다면 오차는 대체로 10% 포인트 차이 이내일 것입니다.

• 하지만 70번 이하이거나 90번 이상으로 성공할 가능성도 있습니다.

  
  

1,000번을 수행한다면 어떻게 될까요? 이번에는 700번 이하 혹은 900번 이상 성공인 경우는 거의 무시해도 될 정도로 보입니다.

대부분의 경우 오차는 5% 포인트 보다도 작을 것으로 보입니다. (750~850회 사이)

10,000번을 수행한다면? 오차가 더욱 줄어들 것 같네요.

2. 데이터 준비

이름정보

• 이름으로 성별을 추측하려면 먼저 통계자료가 있어야 합니다. 한국인의 경우 2008년 이후의 통계는 정부에서 제공을 하고 있습니다.

  그 이전의 자료는 공식자료는 없습니다만 기존에 성별 정보가 있는 회원 DB가 있다면 거기서 통계를 뽑아낼 수도 있습니다.

닉네임과 사용 어휘

• 실명 기반의 닉네임이 아니어도 추측할 수 있습니다. 또한 게시글, 댓글 등에 남긴 글을 보고도 추측할 수 있습니다. 여기에는 기존에 이미 성별이 알려진 유저를 이용해서 통계를 뽑습니다.

3. ifland 인플루언서 팔로워의 성별비율 추측

ifland 서비스에서는 다양한 주제의 인플루언서가 활동하고 있습니다. 각 인프루언서 별 팔로워의 성별 비율을 아래와 같은 식으로 추정해 볼 수 있을까요?

• 이름을 활용한 통계시스템에서 “혜진”이라는 이름이 여자는 3,712명, 남자는 81명으로 되어있다고 해봅시다.

  그러면 다른 부가정보가 없는 어떤 유저 ‘혜진’의 성별이 여자일 확률은 3712 / (3712+81) = 97.86… %로 계산을 할 수 있습니다.

• ‘마카롱’이라는 단어를 여성으로 알려진 유저(이하 여성)는 1,026회, 남성으로 알려진 유저(이하 남성)는 318회 사용하였고, ‘메이크업’라는 단어는 여성 1,922회, 남성 60회 사용했다고 해보겠습니다.

• ‘마카롱 토끼’라는 유저가 ‘오늘 메이크업이 잘 되었어요!’라는 글을 썼다고 할 때 닉네임이나 게시글의 단어들을 분석해서 이 유저가 여성일 확률이 89.5%라고 추측할 수 있습니다.

• 물론 이 모든 것은 오차가 있을 수 있습니다. 하지만 모수가 클수록 오차는 줄어듭니다.

  어떤 인플루언서의 팔로우가 300명이라고 할 때, 이 300명 각각의 성별 예측 확률과 예측 정확도 구한 뒤,

  정확도에 따른 가중치를 넣어 평균을 내는 등의 방법으로 해서 전체 팔로우의 남녀 비율을 구할 수 있습니다.

4. 나이 추측

• 통계 시스템을 활용하지 않아도 ‘망곰소녀’라는 유저가 ‘학교 끝나고 컵볶이 먹어야 돼’라는 글을 남긴 경우와, ‘박영환’이라는 유저가 ‘귀한 말씀 잘 들었습니다.

  선생님의 강의를 제 친우에게도 소개하겠습니다.’라는 글을 남긴 경우 어느 정도 나이대 추정이 가능할 것입니다.

• 나이도 이름이나 사용 어휘를 통해 추측합니다. 성별 추측과 근본적으로 같은 방식이므로 자세한 설명은 생략하겠습니다.

• 주의할 점은 나이 대를 나누는 기준입니다.

  구글 애널리틱스, 페이스북(인스타그램 포함), 유튜브, 아마존 및 주요 온라인 광고 네트워크에서는 13-17세, 18-24세, 25-34세, 35-44세, 45-54세, 55-64세, 65세로 나누고 있습니다.

  별다른 고민없이 10대, 20대, 30대와 같은 식으로 분류하게 되면 퍼포먼스 광고 타게팅, 소비자 행동 분석 등에서 위 서비스와 연계가 쉽지 않습니다.

  물론 더 세분화된 단위로 분석하는 것은 문제가 없으며 분석의 목적에 따라서 특화된 범위를 사용할 수 있습니다.