Master’s Thesis: 본 연구는 국립부경대학교 데이터공학과에서 공학석사 학위를 취득한 논문이자, ‘Market Simulation Architect’로서 저의 핵심 방법론적 토대를 이루는 연구입니다.
Figure 1. Framework
논문명: 페르소나 기반 LLM 에이전트를 활용한 소비자 의사결정 시뮬레이션
아직 시장에 존재하지 않는 새로운 제품이나 서비스에 대한 소비자의 반응을 어떻게 예측할 수 있을까요? 신흥 시장의 역학을 설계하기 위해서는 인간의 인지 과정을 완벽하게 거울처럼 반영하는 “합성 실험실(Synthetic Laboratory)“이 필요합니다.
📌 문제 정의: 전통적 소비자 연구의 한계
전통적으로 시장 수요 예측은 진술 선호(SP) 설문조사를 바탕으로 한 이산선택모형(DCM)이나 에이전트 기반 모형(ABM)에 의존해 왔습니다. 그러나 이러한 방법론은 근본적인 한계에 직면해 있습니다:
- 정태적이고 높은 비용: 통합교통서비스(MaaS)와 같은 새로운 시장 시나리오가 등장할 때마다 대규모 설문조사를 반복하는 것은 막대한 비용이 들며 응답자의 피로도를 유발합니다.
- 인지적 깊이의 부재: DCM은 효용 극대화를 기반으로 선택 확률을 계산하지만, 소비자가 ‘어떻게’ 그리고 ‘왜’ 그러한 결론에 도달했는지에 대한 복잡하고 맥락적인 인지 과정을 포착하지 못합니다. 또한, 전통적인 ABM은 연구자가 수동으로 설계한 규칙(Heuristics)에 의존하여 심리적 표현력이 부족합니다.
⚙️ 연구 방법론: 페르소나 기반 LLM 에이전트 프레임워크
진정한 의미의 동적 시뮬레이션 환경을 구축하기 위해, 본 연구는 646명의 실제 설문 데이터를 기반으로 대규모 언어 모델(LLM)을 가상의 인간 대리인(시뮬라크라)으로 활용하는 프레임워크를 설계했습니다.
- 구조화된 추론 템플릿 설계: 단순한 프롬프트를 넘어, 인간의 실제 심리 기제를 모방한 제로샷(Zero-shot) 추론 구조를 설계했습니다. 가치 중심의 ‘숙고 기반 추론(DR)’, 실행 가능성 중심의 ‘대안 기반 추론(AR)’, 그리고 이 둘을 결합한 ‘하이브리드 추론(HR)’ 접근법을 고안했습니다.
- 다차원적 페르소나 주입: 에이전트에게 실제 소비자의 다양한 데이터 조합(사회인구통계, 라이프스타일 및 태도, 주변 인프라, 과거 경험 등)을 주입하여, 어떤 정보 구성이 시뮬레이션의 충실도(Fidelity)에 기여하는지 체계적으로 분석했습니다.
- 전문가 에이전트를 통한 정보적 상호작용: ‘교통 행동 전문가 에이전트’를 도입하여 개별 소비자의 프로필을 심층 분석하고, 여기서 도출된 고차원적 통찰을 소비자 에이전트의 페르소나에 다시 주입하는 다중 에이전트 상호작용 구조를 구현했습니다.
🚀 연구의 시사점: 고신뢰도 가상 시장 실험실
클래스 불균형 문제에 강건한 평가지표(MCC 및 BAcc)를 활용하여 검증한 결과, 본 프레임워크는 MaaS 환경에서 소비자의 ‘자가용 이용 감소 의향’이라는 복잡한 행동 변화를 성공적으로 모사해냈습니다.
- 인구통계학적 요인을 뛰어넘는 라이프스타일의 힘: 시뮬레이션 결과, 소비자의 표면적인 인구통계학적 데이터보다 라이프스타일 및 내재적 가치관(태도) 정보를 부여했을 때 실제 인간의 의사결정을 훨씬 더 정확하게 재현함을 입증했습니다.
- 예측 소수 집단의 한계 극복: 기존의 정보 나열만으로는 모사하기 어려웠던 특이 집단(소극적 자가용 이용자)의 경우, 전문가 에이전트와의 정보적 상호작용을 통해 도출된 의견을 주입하자 일반 집단 수준으로 시뮬레이션 성능 격차가 해소되었습니다.
- 궁극의 의사결정 엔진: 본 연구의 아키텍처는 신규 서비스의 시장 적합성을 물리적 출시 이전에 빠르고 비용 효율적으로 테스트할 수 있는 합성 실험실을 제공합니다. 이는 구조화된 추론으로 통제된 AI 에이전트가 신흥 시장의 미래 결과를 전례 없는 민첩성으로 예측할 수 있음을 증명합니다.