BWS(Best-Worst Scaling) 분석이란?(개념 및 특징)

안녕하세요 에듀몬입니다. 사회현상 및 데이터를 이해하기 위한 연구방법론은 그 목적에 따라 매우 다양합니다. BWS는 응답자의 선호도를 파악하기 위한 분석방법으로 각광을 받고 있습니다. 이번 시간에는 BWS 분석에 대해 알아보도록 하겠습니다.

 

 

1. BWS 분석의 개념

 

  BWS(Best-Worst Scaling) 방법론은 Finn and Louviere (1992)에 의해 처음도입되었으며, 그 이후에 Marley와 Louviere (2005)가 공식화하였습니다. 응답자는 자신에게 제공된 선택 세트 각각에 대해 가장 선호하는(BEST) 항목과 가장 선호하지 않는 항목 (WORST)을 3가지 이상의 항목 집합(Cohen & Markowitz, 2002)중에서 선택하도록 요청받는 방식입니다. 일반적으로 항목 집합은 20개이하로 설정하도록 합니다.

  일반적으로 소비자의 선호도를 추정하는 방법에는 등급법(rating), 순위법(ranking), 쌍대비교법(paired comparison approach) 등 다양한 정량적 방법론이 사용됩니다. BWS(Best-Worst Scaling) 방법은 쌍대비교법(paired comparison approach)에 비해 응답자에게 많은 정보를 제공하기 때문에 제품이나 서비스별혹은 개별 상품의 특성들로 선택 대안을 구성할 수 있으며, 사람들의 관심이나 인지하는 중요도의 정도와 선호의 차이로 인해 선택 대안들의 우선순위를 확인할때 효과적인 방법입니다. 쌍대비교법(paired comparison approach)을 사용한AHP(Analytical Hierarchy Process)가 대표적인 분석방법으로 그동안 연구로 주로 많이 사용되었습니다. AHP 방법을 사용한 설문지는 문항의 쌍대 비교(Paired Comparison)가 되도록 조직함에 따라 비교해야 될 문항이 많아질 때, 일관성이 유지된 대답을 기대하기가 힘들어집니다. 응답 자료를 분석하는 과정에 나오는 일관성 지수(Consistence index)에 충족하는 정도에 못 미치면, 그에 해당하는 문항의자료를 폐기하거나 다시 설문을 해야 하는 번거로움이 발생합니다. 그리고 응답자는 미리 준비된 전문가로 비확률적 표본중의 하나인 판단적 표본추출이 주로 사용되며 성과에 대한 일반화(Generalization)가 힘들다는 문제점을 가집니다. 그에 비하여, BWS방법은 대답하기 쉽고 통계로 나온 성과에 대해서 일반화가 가능합니다. 그래서 최근 BWS는 응답의 일관성과 합리성을 기반으로 우선순위를 결정하는 AHP의 대안으로 주목받고 있습니다.

  또한, N개의 선택 대안들로 이루어진 집합에서 ‘최고’인 대안 한 개와 ‘최저’인 대안 한 개, 총 두 개의 대안만을 선택하는 것은 중요하거나 우선시하는 대안을 순서대로 확정하는 순위법(ranking) 보다 비교적 대답하기가 쉬우며 특히, 선택 대안의 개수 N이 증가할 때마다 더욱 그렇습니다.

  BWS 방법의 경우는 개별적인 선택항목들 사이에 상충 관계를 고려할 수있고 모든 특성들을 동일한 척도로 측정한다는 특징을 가지고 있습니다. 그리고 응답자들의 결정에 기반한 가치 평가방법을 통해 대부분 리커트 척도(likert scale) 를 사용하고 있는 등급법(rating)의 문제를 해결하며 최소한 등급법과 동일하거나 우월한 평가 능력을 가집니다(Elrod, Louviere, & Davey, 1992). 등급법(rating)은 각각의 문항에 대하여 독립적으로 평가하기 때문에 극단적 응답사례가 발생할 기회가 크지만 BWS방법은 가장 중요한 문항과 가장 중요하지 않은 문항을 각각 선정하는 단계가 모든 선택 집합에서 이루어지므로 전과 같은 경우는 발생하지 않습니다. 이런 장점으로 인해 다양한 분야에서 BWS방법을 적용하여 연구하는 사례가 늘어나고 있습니다.

  BWS 방법은 최소 3개 이상의 문항으로 이루어진 선택 집합(choice sets)으로 구성되는데, 문항의 복잡함에 의해서 Object Case(또는 Case 1), Profile Case (또는 Case 2), Multi-Profile Case(또는 Case 3)로 나누어집니다(Louviere et al., 2015). BWS Object Case는 응답자가 각각의 선택집합에서 가장 중요한 항목과 가장 중요하지 않은 항목을 선택하고 그 응답에 대한 상대적 중요성을 평가하여 항목간의 우선순위를 결정하게 됩니다.

  BWS 방법론은 응답자가 3개 이상의 다양한 대상 집합에서 두 대상을 반복적으로 선택하여 인지하는 기본 프로세스에 대한 인식 차이를 모델링합니다(Finn & Louviere, 1992). 즉, 응답자는 각 선택 항목 집합에서 가장 선호하는 항목과 가장 선호하지 않는 항목 중 하나만 선택할 수 있기 때문에 항목 간에 절충해야 합니다(Cohen, 2003). 이것은 유사한 중요도 가중치를 가진 많은 항목의 문제를 극복할 수 있습니다. Potoglou et al.(2011)은 BWS가 Likert 척도보다 응답자에대한 인지적 부담이 적으므로 상당히 간단한 작업이 될 수 있다고 하였습니다. BWS 방법은 작업을 관리 가능한 크기로 나누어서 그 중요성이나 선호도 측면에서 항목의 전체 목록 순위를 매기는 어려움을 줄여줍니다(Campbell & Erdem, 2015). 즉 우선순위를 비율척도로 측정할 수 있다는 장점을 가집니다(Rezaei, 2015). 또한, ‘강하게 동의’ 하는 리커트 척도의 공간적 위치는 선택에 영향을 미친다고 하였습니다(Bednarz, 2006). 이 비율이 설문지의 왼쪽에 있을 때, 사람들이 더 높은 일치를 표현한다는 것을 보여주었습니다.

  BWS 방법은 주로 사회과학, 소비자 행동, 식품 및 건강 관리와 같은 다양한 분야에서 적용되었습니다(Cohen, 2009 ; Flynn et al., 2010 ; Dekhili et al., 2011 ; Marti, 2012). BWS 방법의 이점을 살펴보면 우선, 응답자가 각 항목에 주는중요성의 정도를 측정하는 보다 차별화된 방법을 제공합니다. 인터뷰 대상자는 각 선택 항목 집합에서 가장 선호도가 높고 선호도가 낮은 항목을 하나만 선택할 수 있기 때문에 혜택 간에 상충 관계가 반드시 필요합니다(Cohen, 2003). 또한, 데이터에 대한 분석은 수행하고 이해하기 쉬우며(Goodman et al. , 2005) 관리자들에게도 유용한 도구입니다.

 

 

 

 

2. BWS 분석 방법

 

  BWS 방법을 수행하는 첫 번째 단계는 비교 세트를 구성하는 통계적 설계를 선택하는 것입니다. 일반적으로 선택실험법(choice experiment)에서 많이 사용되는 2k 부분인수설계법(fractional factorial design)이 적용되나 이 방법은 모든 문항의 선택 집합마다 동일한 선택 대안 수가 포함되지 않고 k에 선형적으로 비례하여 선택 대안 수가 증가한다는 단점을 가집니다. 다시 말해, 문항별로 선택대안의 수가 다양하여 응답자들이 문항마다 다른 선택 대안들 가운데 가장 중요한 대안 한 가지와 가장 중요하지 않은 요인 한 가지를 선택하게 됩니다. 이러한 문제점을 해결하기 위한 방법으로 전체의 선택 문항에서 동등한요인의 개수를 가지고 있는 특성의 BIBD(Balanced Incomplete Block Design) 방법이 있습니다. BIBD방법은 가장 일반적인 방법으로 각 속성이 모든 선택 세트에서 4번 나타나며 각 세트 내에서 각 속성의 쌍은 한 번만 나타납니다. BW 점수(Cohen, 2003, Goodman et al., 2005)라고 불리는 각 속성의 중요도는 가장 중요한 것으로 선택된 횟수에서 속성이 가장 중요하지 않은 것으로 선택된 횟수를 뺀 값입니다. 이 값을 응답자 수로 나누면 응답자가 각 속성에 부여하는 평균BW 점수를 얻게 됩니다. BW 점수는 항목이 가장 중요하지 않은 항목보다 더 중요한 항목을 선택한 경우 양수에서 음수로, 그 반대의 경우에는 음수까지 다양합니다. 따라서 긍정적인 점수를 가진 항목은 더 중요하고 영향력 있는 항목이라고 할 수 있습니다. 이 점수는 사람들이 와인의 선택에 영향을 줄 수 있는 속성에 주는 중요성의 일반적인 수준을 정의하는 데 사용되었습니다. 결과를 표준화하기 위해 이 숫자는 응답자 수와 각 속성이 선택 세트에 나타나는 빈도로 나뉘고 표준화는 여러 응답자 그룹을 비교할 수 있게 합니다.

 

 

※ 참고문헌: 음식과 와인 조화와 와인선택속성에 관한 연구(한경은, 2021)