J Korean Soc Cosmetol > Volume 28(6); 2022 > Article
빅데이터 분석을 통한 코로나19 발병 전·후 헤어스타일에 대한 트렌드 조사: 텍스트마이닝과 의미연결망 분석을 중심으로

Abstract

Recently, hairstyle trends have changed drastically in relation to K-beauty. Therefore, this study performed an atypical big day analysis to analyze hairstyle trends before and after COVID-19. Next, Naver and Google collected a total of 65,776 keywords using Textom, a text data analysis program, from the last four years (two years from January 2018 to December 2019 before COVID-19 and two years from January 2020 to December 2021 after COVID-19). And by refining unnecessary words for text mining, 50 key keywords were derived each before and after COVID-19 and used for empirical analysis. In the top 50 keywords, it was found that hair, perm style, men, women, cuts, and short hair were the main keywords. In the semantic network analysis using UCINET 6.0 and Netdraw, it was confirmed that keywords such as hair, perm style, male and female, change, and cut are highly connected with other keywords. Finally, as a result of CONCOR analysis, before COVID-19, it was divided into four clusters: styling, cut style, promotion, and style transformation, and after COVID-19, it was divided into three clusters: style transformation, promotion, and styling. These analysis results confirm trends related to hairstyles, key components and promotional channels for hairstyle fields.

I. 서 론

21세기 사회 전반적으로 경제와 문화 수준이 향상되고, 소비자들의 욕구가 더욱 세분화됨에 따라 뷰티산업은 급속도로 발전해왔으며 ‘K-뷰티’라는 새로운 용어가 생길 정도로 한국의 뷰티에 대한 관심이 집중되고 있다. 뷰티는 헤어미용, 피부미용, 메이크업, 네일아트 등 여성의 아름다움과 관련된 다양한 분야가 존재한다(Yoo, 2004). 이 중 헤어스타일은 신체에서 작은 비중을 차지하지만 영향력 있는 외모 변인 중의 하나로 개인의 개성과 이미지를 표현한다. 또한 신분과 계급, 시대상을 대변하고 사회, 경제, 문화, 예술 분야의 영향을 받아 주기적인 반복을 거듭하며 새로운 형태로 재창조되고 있다.
2019년 말 처음 유행한 코로나 바이러스 감염증-19(COVID-19, 이하 코로나19)로 인해 2020년 3월 11일 세계보건기구(World Health Organization: WHO)는 코로나19의 전 세계적 대유행 상태인 팬데믹(Pandemic)을 선언하였다. 코로나 바이러스의 확산으로 삶의 가치관뿐만 아니라 생활양식도 변화되고 있으며(Kwon, 2021), 이에 코로나19 발병 전·후 사회적 변화와 흐름, 사람들의 인식을 파악하여 현 상황에 맞게 빠르게 전환하는 것이 무엇보다도 중요한 과제가 되었다.
최근 과학기술의 빠른 발전과 더불어 빅데이터, 인공지능, 사물인터넷과 같은 신기술 혁신을 통한 세계 경제적인 변화에 관심이 높아지고 있다. 뿐만 아니라 정보통신기술(ICT)의 발전과 인터넷, 스마트기기의 사용이 생활화되면서 트위터, 블로그, 페이스북, 인스타그램 등과 같은 다양한 소셜 네트워크 서비스(SNS)을 이용한 활발한 커뮤니케이션 활동과 온라인상에서의 정보 수집 활동이 늘어남에 따라 비정형 데이터의 양이 기하급수적으로 증가하고 있다. 이에 따라 방대한 데이터를 정확하고 신속하게 분석하는 빅데이터(Big Data) 기술이 주목을 받고 있다. 빅데이터란 기존의 관리와 분석 방식으로 처리하기 어려운 거대한 정형 또는 비정형 데이터를 의미한다(Jeon, 2019). 뷰티 산업은 서비스 산업의 한 분야로 사회적인 흐름과 유행에 민감하고 우리 생활에 밀접히 연결되어 있다. 또한 인간의 감성을 다루는 전문성을 중시하는 기술 분야로 시대적 변화에 맞게 빅데이터 분석을 통한 동향을 분석할 필요가 있다(Hwang, 2021). 특히 온라인 커뮤니케이션에서 생성되는 빅데이터는 대용량, 다양성, 실시간 등의 장점을 지니고 있어 의사 결정이나 트렌드 예측에 있어 도움이 되며 분석을 통한 창조가 가능하다(Lee & Chun, 2016). 뷰티산업 분야에서도 빅데이터를 활용한 트렌드 예측 및 다양한 연구들이 늘어나고 있는데, Moon(2019)은 빅데이터를 활용한 헤어 미용분야 패러다임 변화 연구를, Park(2021)은 인공지능 빅데이터 기술 인식을 통한 뷰티산업 활성화 방안에 관하여, Lim & Shin(2022)은 빅데이터 분석을 통한 화장품 트렌드 변화 추이에 관한 연구를, Kim(2022)은 빅데이터를 활용한 온라인 화장품 정보탐색이 브랜드 신뢰 및 지속적 구매 의도에 미치는 영향에 관한 연구를 보고하였다. 한편 빅데이터를 활용하여 헤어스타일의 트렌드를 예측하는 연구들은 아직 미비한 실정이다.
이에 본 연구는 텍스트 분석 플랫폼인 텍스톰을 활용하여 코로나19 발병 전·후 데이터를 수집하였으며 수집된 비정형데이터를 텍스트마이닝을 통해 관련 키워드를 도출하였다. 도출된 키워드를 텍스트마이닝과 의미연결방 분석을 통해 코로나19 발병 전·후 사람들의 헤어스타일에 대한 트렌드 파악하고자 하여 헤어스타일에 대한 미래의 방향성을 제시하고자 한다.

II. 이론적 배경

1. 빅데이터의 개념

빅데이터(Big Data)는 디지털 환경에서 생산되는 대용량의 데이트를 의미하며, 오늘날 다양한 분야에서 활용되어 진다. 기존의 데이터베이스로는 처리하기 어려운 대규모 데이터를 의미하며, 수십 테라바이트(TB), 페타바이트(PB), 엑사바이트(EB) 수준의 정형 또는 비정형 데이터 집합까지 포함하는 데이터를 분석하여 가치를 추출하고 결과를 분석하는 핵심 기술이다(Kang et al., 2012). 빅데이터 기술은 디지털 환경의 지속적인 확산으로 기하급수적으로 양적, 질적의 성장하고 있으며, 방대한 양의 데이터와 개개인의 정보를 수집, 저장, 관리, 분석하여 새로운 가치를 창조하고 있다(Lee & Chun, 2016; Park, 2022).
초기 빅데이터의 특징은 일반적으로 데이터의 양을 의미하는 규모(Volume), 데이터의 다양한 형태를 나타내는 다양성(Variety), 데이터가 이동, 생산, 처리, 분석되는 속도와 관련된 데이터 생성속도(Velocity)의 3V로 설명하는 것이 일반적이었으나, 이후 데이터의 신뢰성에 대한 정확성(Veracity)과 가치(Value)를 추가하여 5V로 정의하는 추세이다(Laney, 2001). 과거에는 텍스트 위주의 정형화된 데이터에서 최근에는 데이터의 성격이 다변화되어 정형(Structured) 및 비정형(Unstructured)의 데이터들이 대량으로 발생되고 있어 데이터의 수집부터 저장, 처리 및 관리에 이르기까지 새로운 접근방법이 요구되고 있다(Jeon, 2020).

2. 빅데이터 분석의 종류

빅데이터 분석은 소비자 행동과 감정을 파악할 수 있고 도출된 다양한 패턴과 군집분석을 통해 미래의 예측과 대응에 활용이 가능하다(Kim, 2017). 빅데이터 분석기법으로는 텍스트마이닝(Text Mining), 오피니언마이닝(Opinion Mining), 의미연결망(Semantic Network) 분석 등이 주목받고 있다(Jeong, 2022). 텍스트마이닝 분석은 정형화된 데이터 정보를 찾아내는 데이터마이닝(Data Mining)과 달리 비정형 형태로 구성된 텍스트 자료를 분석하는 방법이다(He et al., 2013). 일련의 프로세스를 통해 자연어 처리 기술을 활용하여 대용량의 문서에 포함된 텍스트로부터 유용한 정보를 찾아내는 방법이다(Hu & Liu, 2012). 게시글과 댓글 등의 비정형 텍스트데이터에서 사용자가 관심을 나타내는 정보를 키워드의 수준이 아니라 맥락(Context)으로 분석하고 데이터 속에 숨겨진 정보를 발견함으로써 가치 있는 정보를 추출하는 기술을 의미한다(Callon, 1982; Jeon & Seo, 2013). 이전에는 만들어진 데이터들을 효율적으로 관리하기 위하여 데이터베이스 안에 정형화된 형태로 저장해왔지만 근래에는 정형 데이터보다는 이메일, SNS, 웹문서 등과 같은 일관성 있는 형식을 가지지 않는 비정형 텍스트 데이터 사용이 높아지고 있는 추세이다(Jung, 2016).
오피니언마이닝은 소셜미디어의 텍스트를 대상으로 자연어처리 기반의 감성 분석기술을 적용하여 사용자의 의견을 분석하는 기법이다. 의견 텍스트 추출을 위한 방법으로 자연언어처리, 텍스트 빈도 분석, TF-IDF 분석 등이 기반이 된다(Hu & Liu, 2004).
의미연결망(Semantic Network) 분석은 사회연결망 분석기법을 기반으로 발전되었으며, 메시지를 구성하고 있는 텍스트 내에서 단어들의 구조적 관계를 의미 있게 도출하기 위한 분석기법이다(Wasserman & Faust, 1994). 단어의 빈도를 구해 문장 속에서 단어들이 어떤 패턴으로 구조와 의미를 구성하고 있는지를 분석한다. 의미연결망 분석은 단어의 빈도와 개별 단어들이 전반적인 메세지의 내용에서 관계를 어떻게 형성하고 있는지 또한 분석이 가능하기 때문에 의미구조를 분석하는 방법으로도 유용하다(Lim & Park, 2017).

III. 내용 및 방법

1. 연구문제

본 연구는 헤어 스타일에 대한 최근의 트렌드를 확인하기 위하여 최근 4년 간 온라인 커뮤니케이션인 다음, 네이버 및 구글의 텍스트데이터를 기반으로 ‘헤어스타일’과 연관된 키워드를 수집하여 비정형 빅데이터 분석을 수행하였다. 온라인 커뮤니케이션에 의해 가장 널리 사용되고 있는 이슈 및 키워드를 확인하고, 이들 키워드가 가지고 있는 연결망을 해결할 수 있는 다음의 연구과제를 제시하고자 한다.
연구과제 1: 코로나19 발병 이전(2018년 1월~2019년 12월)과 코로나19 발병 이후(2020년 1월~2021년 12월)의 헤어스타일의 차이에 대한 핵심 키워드를 확인하고자 한다.
연구과제 2: 코로나19 발병 전·후로 나누어 수집된 헤어스타일 동향 관련 키워드 간 연결성을 확인하고자 한다.
연구과제 3: 분석결과를 토대로 사람들은 코로나19 발병 이전과 이후의 헤어스타일과 관련하여 어떠한 차이를 가지고 있는지를 확인하고자 한다.
연구과제 4: 헤어스타일의 분석결과를 바탕으로 헤어스타일에 대한 미래의 방향성을 제시하고 자 한다.

2. 연구범위 및 분석방법

본 연구는 코로나19 발병 전·후 사람들의 헤어스타일에 대한 트렌드 파악을 위해 비정형빅데이터 분석을 수행하였다. 먼저, 연구범위는 시간적 및 공간적 범위로 구분하였다. 헤어스타일 트렌드에 대한 시간적 범위는 크게 코로나19 발병 이전인 2018년 1월에서 2019년 12월까지의 2년, 2020년 1월에서 2021년 12월까지의 2년, 총 4년을 설정하였다. 공간적 범위는 다음, 네이버 및 구글과 같은 온라인 커뮤니케이션에서 자료를 수집하였다. 그리고 빅데이터 수집은 빅데이터 솔수션 프로그램인 텍스톰(Textom)을 활용하여 헤어스타일과 관련한 주요 키워드를 수집하였다. 텍스톰은 네덜란드의 암스테르담 대학에서 개발된 텍스트데이터 소프트웨어로, 한국어 분석이 가능한 rKwic를 활용함으로써 사용자 친화적 프로그램이라 할 수 있다.
한편, 결과도출을 위한 연구는 다음과 같은 방법으로 진행되었다. 먼저, 비구조화된 단어들로부터 정보를 수집하기 위하여 텍스톰을 활용하여 데이터를 수집하였는데, 연구주제와 연관성이 없는 숫자, 관사, 부사 및 접속사 등을 정제하였고, 이를 토대로 50개의 핵심 키워드를 가지고 빈도분석 및 TF-IDF 분석을 수행하였다. 그리고 상위 50개의 핵심 키워드 간 상호연관성을 확인하기 위해 의미연결망 분석을 통해 연결중심성 분석을 수행하였다. 마지막으로 의미연결망 분석을 토대로 유사한 특성을 갖는 키워드들 간 군집을 도출하기 위해 구조적등위성(CONCOR) 분석을 수행하였다.

IV. 결과 및 고찰

1. 빈도 및 TF-IDF 분석

헤어스타일과 관련한 키워드 수집결과, 코로나19 발병 이전은 35,612개, 코로나19 발병 이후는 30,164개의 키워드가 수집되었다. 수집된 데이터는 핵심 키워드 선정과정으로 직접적인 영향이 없는 대명사, 부사어구 등은 제외시키고(Paranyuskin, 2011), 의미가 유사한 키워들들은 같은 키워드로 통일시켜 분석을 수행하였다. 분석결과, 총밀도는 코로나19 발병 이전 73.350, 코로나19 발병 이후 52.816으로 코로나19 발병 이후가 좀 더 높은 밀도를 보이고 있다. 빈도분석 수행결과, 코로나19 이전은 ‘펌스타일’, ‘스타일’, ‘헤어’, ‘남성’, ‘사진’, ‘여성’, ‘단발’, 코로나19 발병 이후는 ‘헤어’, ‘펌스타일’, ‘남성’, ‘여성’, ‘사진’, ‘헤어컷’ 순으로 제시되고 있는데, 키워드 도출 순위는 유사하게 나타나고 있으나, 빈도 수에 있어서는 코로나19 발병 이전이 좀 더 압도적으로 도출되고 있음을 알 수 있다. 즉, 코로나19 발병 이후 대면접촉의 제한으로 인해 자신의 변화를 주는데 있어 최소화되고 있음을 알 수 있다. 다음으로 TF-IDF 분석 결과, 빈도와 유사하게 제시되고 있는데, TF-IDF 분석은 중요도를 확장시키는 지수로서, 빈도분석에 대한 가중치가 중요하다는 것을 의미한다.

2. 의미연결망 분석

연결중심성(Degree Centrality)을 확인하기 위해 의미연결망(Semantic Network) 분석을 수행하였다. 연결중심성은 노드의 활동성을 강조하는데, 네트워크 상의 노드가 타 노드들 간 연결되어 있는 정도를 의미한다(Borgatti, Everett & Johnson, 2013). 즉 타 키워드에 미치는 영향이 크기 때문에 네트워크 상에서 엄청난 영향력을 가지고 있다 할 수 있다. 먼저 코로나19 발병 이전에 대한 연결중심성 분석결과, 빈도 및 TF-IDF 분석에서도 높은 수치를 보였던 ‘펌스타일’, ‘스타일’, ‘헤어’, ‘남성’, ‘여성’ 순으로 나타났다. 또한 코로나19 발병 이후의 분석 결과도 빈도 및 TF-IDF 분석과 유사하게 ‘펌스타일’, ‘헤어’, ‘여성’, ‘남성’, ‘컷’ 순으로 제시되고 있음을 알 수 있다. 즉, 상위 키워드에 대한 연결중심성은 코로나19 발병과 상관없이 유사하게 제시되고 있음을 알 수 있다. 그러나 하위 키워드로 진행될수록, 코로나19 발병 이전의 헤어스타일 변화와 관련한 다양성 및 변화가 좀 더 활발하게 진행되고 있음을 알 수 있다.

3. CONCOR 분석

CONCOR(CONvergence of iteration CORrealtion) 분석은 비슷한 위치 및 장소에 있는 노도들의 특성 간 관계를 생각하여 연관도가 높은 노도를 그룹화하는 군집분석의 형태이다(Kim, 2015). CONCOR 분석을 수행한 결과는 다음 <Table 3> 및 <Fig. 2>와 같다. 먼저, 코로나19 발병 이전의 헤어스타일 트렌드에 대한 키워드를 그룹화한 결과, ‘스타일링’, ‘컷 스타일’, ‘홍보’ 및 ‘스타일 변신’의 4개 그룹으로 구분되었다. 스타일링은 ‘펌스타일’, ‘볼륨’, ‘레이어드’, ‘단발’ 등의 28개 키워드, 컷 스타일은 ‘미용실’, ‘단발’, ‘컷’ 등의 9개 키워드, 홍보는 ‘인스타그램’, ‘사진’, ‘게재’ 등의 9개, 스타일 변신은 ‘파격’, ‘변화’, ‘배우 스타일’ 등의 4개 키워드가 제시되었다. 코로나 19 발병 이후의 헤어스타일 트렌드에 대한 키워드를 그룹화 한 결과, ‘스타일 변신’, ‘홍보’, ‘스타일링’의 3개 그룹으로 구분되었다. 스타일 변신은 ‘파격’, ‘가르마’, ‘컷 스타일’, ‘염색’ 등의 11개, 홍보는 ‘인스타그램’, ‘배우 스타일’, ‘사진’ 등의 10개, 스타일링은 ‘볼륨’, ‘웨이브’, ‘단발’, ‘인기 스타일’, ‘앞머리 스타일’ 등의 29개 키워드를 포함하고 있었다. 이러한 그룹 간 제시된 키워드 간 연결성 출현 확률이 매우 크기 때문에 그룹별 헤어스타일에 대한 내용을 예측할 수 있다.

V. 결 론

본 연구는 코로나19 발병 전·후 사람들의 헤어스타일에 대한 트렌드를 파악하기 위해 비정형 빅데이터 분석을 수행하였다. 수집기간은 코로나19 발병 이전인 2018년 1월에서 2019년 12월까지의 2년, 2020년 1월에서 2021년 12월까지의 2년, 총 4년을 대상으로 하였고, 공간적 범위는 다음, 네이버 및 구글과 같은 온라인 커뮤니케이션에서 자료를 수집하였다. 데이터 수집은 텍스톰 프로그램을 활용하여 헤어스타일과 관련한 주요 키워드를 수집하였다. 코로나19 발병으로 인해 대면적인 설문이나 방문 접촉보다는 의미연결망 분석으로 전체적인 사회적 현상과 의미를 분석하는 것이 적절하다고 판단하였고 표본의 대표성 및 표본 오차를 줄일 수 있다는 장점이 있기 때문에(Jung et al., 2014) 비정형 빅데이터 분석을 수행하였다.
데이터 수집 결과, 코로나19 발병 이전은 35,612개, 코로나19 발병 이후는 30,164개의 다양한 키워드가 제시되었고, 이 중 50개의 주요 키워드를 실증분석에 사용하였다. 이에 대한 실증 분석 결과는 다음과 같다.
첫째, TF-IDF 분석결과와 빈도분석을 수행한 결과 코로나19 발병 전·후 키워드 도출 순위는 유사하게 나타나고 있으나, 빈도 수에 있어서는 코로나19 발병 이전이 좀 더 압도적으로 도출되고 있음을 알 수 있다. 즉, 코로나19 발병 이후 대면접촉의 제한으로 인해 자신의 변화를 주는데 있어 최소화되고 있음을 알 수 있었다.
둘째, 연결중심성 분석을 수행한 결과 코로나19 발병 이전에는 펌스타일, 스타일, 헤어, 남성, 여성 순으로 나타났으며, 코로나19 발병 이후에는 펌스타일, 헤어, 여성, 남성, 컷 순으로 제시되고 있어 상위 키워드에 대한 연결중심성은 코로나19 발병에 상관없이 유사하게 제시되고 있음을 알 수 있었으나, 하위 키워드로 진행될수록, 코로나19 발병 이전의 헤어스타일 변화와 관련한 다양성 및 변화가 좀 더 활발하게 진행되고 있음을 알 수 있었다.
셋째, 근접중심성 분석을 수행한 결과는 코로나19 발병 이전은 스타일링, 컷 스타일, 홍보 및 스타일 변신의 4개 그룹으로 구분되었고, 코로나19 발병 이후는 스타일 변신, 홍보, 스타일링의 3개 그룹으로 구분되었다. 또한 각각의 그룹마다 다양한 키워드가 제시되었는데 이러한 그룹 간 제시된 키워드 간 연결성 출현 확률이 매우 크기 때문에 그룹별 헤어스타일에 대한 내용을 예측할 수 있었다.
반면에 본 연구는 온라인 커뮤니케이션으로 한정하여 데이터를 수집하고 분석하였는데, 이러한 온라인 커뮤니케이션은 성별 및 연령과 같은 인구통계학적 특성이 반영되지 않아 이를 통해 헤어스타일에 대한 트렌드를 파악하는데 한계점을 가지고 있으며, 추후 데이터의 신뢰성과 타당성 확보를 위해 인구 통계학적 특성에 대한 고찰이 필요할 것으로 사료된다. 또한 본 연구의 시간적 범위를 코로나19 발병 이전과 이후로 나누어 최근 4년간으로 설정하였지만 헤어스타일에 대한 트렌드를 정확히 예측 하는데는 다소 무리가 있었으며, 공간적 범위를 구글, 다음 및 네이버와 같은 온라인 커뮤니케이션으로 제한하였기 때문에 향후 보다 다양한 정형, 비정형 데이터를 분석 방법을 적용하여 연구가 수행되어야 할 것으로 판단된다.

Fig. 1.
Analysis process.
JKSC-2022-28-6-1383f1.jpg
Fig. 2.
Visualization of CONCOR analysis.
JKSC-2022-28-6-1383f2.jpg
Table 1.
Result of frequency and TF-IDF analysis
Before COVID-19
After COVID-19
Rank Keyword Frequency TF-IDF Rank Keyword Frequency TF-IDF
1 Perm style 2,848 3735.47 1 Hair 2,352 2563.42
2 Style 2,525 2555.25 2 Perm style 2,077 2998.38
3 Hair 2,481 2716.69 3 Male 1,086 2325.70
4 Male 1,357 2945.41 4 Female 864 1903.07
5 Photo 1,297 2277.07 5 Photo 829 1708.36
6 Female 1,099 2405.78 6 Hair cut 827 1840.27
7 Bobbed hair 979 2265.29 7 Recommendation 776 1642.77
8 Recommendation 845 1846.89 8 Hair salon 721 1602.90
9 Hair cut 840 2061.63 9 Hair change 581 1339.37
10 Hair change 823 1774.07 10 Bobbed hair 553 1425.67
11 Hair salon 722 1772.53 11 Instargram 504 1173.34
12 Hair trend 687 1699.96 12 Open 465 1198.80
13 Open 673 1535.55 13 Hair dyeing 416 1192.97
14 Hair wave 585 1466.40 14 Hair trend 390 1101.81
15 Short hair 567 1490.22 15 Hair wave 388 1067.83
16 Introduction 551 1319.14 16 Face 373 1048.18
17 Face 520 1421.63 17 Style 348 926.14
18 Handsome style 465 1179.94 18 Hair volume 341 972.54
19 Hair volume 439 1214.58 19 Popular hairstyle 333 968.38
20 Confidence 425 1075.38 20 Confidence 323 868.02
21 Instargram 404 1075.91 21 Unconventional style 305 947.88
22 Popular hairstyle 403 1117.43 22 Bangs 301 881.58
23 Autumn 365 1164.53 23 Body change 298 853.40
24 Bobbed hair 365 1123.05 24 Short style 297 877.45
25 Actor's style 358 1008.27 25 Actor's style(Park Seo Jun) 288 844.72
26 Unconventional style 353 1104.08 26 Layered 286 906.62
27 Hair dyeing 346 1070.35 27 Harmonious 280 822.04
28 Presentation 343 989.76 28 Two-block 279 792.48
29 Appearance 341 985.16 29 Feeling 278 806.16
30 Bangs 334 989.86 30 Page-boy style 268 799.98
31 Love 321 947.80 31 Appearance 265 771.13
32 Layered 317 1050.38 32 Perm 252 835.01
33 Summer 315 1030.83 33 Charm 238 768.89
34 Harmonious 315 933.55 34 Presentation 237 729.51
35 Page-boy style 315 952.76 35 Styling 232 716.39
36 Natural 303 900.23 36 Medium-length hair 230 804.04
37 Color 301 948.05 37 Publication 224 729.51
38 Charm 291 883.58 38 Natural 206 651.09
39 Trend 288 854.60 39 Magic 204 606.21
40 Recent condition 288 986.14 40 Trouble 201 650.50
41 Feeling 287 870.29 41 Shop 200 699.17
42 Customer 283 867.29 42 Hippie perm 200 717.78
43 Body change 280 874.54 43 Summer style 199 704.72
44 Trouble 275 868.60 44 Hair complete 193 623.51
45 Middle 264 899.37 45 Customer 185 611.86
46 Broadcasting 260 852.15 46 Color 184 635.23
47 Hippie perm 257 929.57 47 Photoshoot 181 523.68
48 Desigenr 252 789.28 48 Love 174 586.50
49 Publication 243 748.68 49 Cut 166 606.93
50 Atomsphere 242 777.77 50 Hair parting 165 636.54
Table 2.
Results of degree centrality of hair style
Before COVID-19
After COVID-19
Keywords Degree Centrality Keywords Degree Centrality Keywords Degree Centrality Keywords Degree Centrality
Perm style .158 Unconventional style .015 Hair .133 Layered .026
Style .128 Hair dyeing .015 Perm style .152 Harmonious .015
Hair .112 Presentation .016 Male .061 Two-block .023
Male .063 Appearance .011 Female .064 Feeling .019
Photo .053 Bangs .015 Photo .045 Page-boy style .016
Female .055 Love .018 Hair cut .060 Appearance 0.014
Bobbed style .049 Layered .021 Recommendation .057 Perm .021
Recommendation .050 Summer .014 Hair salon .044 Charm .016
Hair cut .051 Harmonious .013 Hair change .032 Presentation .011
Hair change .037 Page-boy style .015 Bobbed hair .040 Styling .013
Hair salon .036 Natural .016 Instargram .031 Medium-length hair .012
Hair trend .035 Color .013 Open .029 Publication .017
Open .028 Charm .014 Hair dyeing .027 Natural .016
Hair wave .031 Trend .012 Hair trend .025 Magic .016
Short hair .031 Recent condition .015 Hair wave .028 Trouble .009
Introduction .034 Feeling .016 Face .020 Shop .011
Face .019 Customer .013 Style .015 Hippie perm .017
Handsome style .015 Body change .011 Hair volume .027 Summer style .013
Hair volume .026 Trouble .010 Popular hairstyle .026 Hair complete .011
Confidence .021 Middle .016 Confidence .020 Customer .012
Instargram .021 Broadcasting .009 Unconventional style .015 Color .012
Popular hairstyle .023 Hippie perm .018 Bangs .01 Photoshoot .010
Autumn .019 Desigenr .008 Body change .012 Love .012
Bobbed hair(2) .019 Publication .013 Short style .020 Cut .011
Actor’s style .015 Atmosphere .010 Actor's style(Park Seo Jun) .016 Hair parting .013
Table 3.
Results of CONCOR analysis
Before COVID-19
After COVID-19
Attributes Keywords Attributes Keywords
Styling (28) Perm style, Style, Hair, Male, Female, Trouble, Love, Hair volume, Layered, Feeling, Hair wave, Middle, Hippie perm, Bobbed style, Summer, Autumn, Bangs, Popular hairstyle, Atmosphere, Bobbed hair, Harmonious, Introduction, Hair trend, Customer, Page-boy style, Natural, Charm, Face Change (11) Hair cut, Body change, Cut, Styling, Color, Hair parting, Unconventional style, Shop, Hair dyeing, Appearance, Hair Salon
PR (10) Instargram, Photo, Actor’s style, Hair change, Presentation, Publication, Open, Confidence, Charm, Photoshoot
Haircut style (9) Hair salon, Presentation, Designer, Color, Haircut, Recommendation, Body change, Short hair, Hair dyeing Styling (29) Hair, Perm style, Recommendation, Female, Male Bobbed hair, Hair volume, Harmonious, Two-block, Perm, Hippie perm, Magic, Trouble, Hair wave, Customer, Popular hairstyle, Love, Layered, Style, Page-boy style, Feeling, Bangs, Hair trend, Face, Natural, Hair complete, Medium-length hair, Short style, Summer style
PR (9) Photo, Handsome style, Instargram, Open, Recent condition, Publication, Trend, Appearance, Confidence
Change (4) Broadcasting, Unconvetional style, Hair change Actor style

References

Borgatti, S. P., Everett, M. G., & Johnson, J. C. (2013). Analyzing Social Networks. Thousands Oaks, California: SAGE Publications Inc.
Callon, M. (1983). From Translations to Problematic Networks: An Introduction to Co-word Analysis. Social Science Information, 22(2), pp.
crossref pdf
Freeman, L. C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Network, 1:215-239.
crossref
He, W., Zha, S., & Li, L. (2013). Social Media Competitive Analysis and Text Mining: A Case Study in the Pizza Industry. International Journal of Information Management, 33(3), 464-472.
crossref
Hwang, Y. J. (2021). A Study on Research Trends in Beauty Theses Using Big Data Analysis. Master's Thesis, Daegu Catholic University. Daegu.
Hu, M., & Liu. B. (2004). Mining and Summarizing Customer Reviews. In Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Seattle, USA, 168-177.
Hu, X., & Liu, H. (2012), Text Analytics in Social Media, In Mining Text Data. Boston, MA: Springer, pp. 385-414.
Yoo, M. G. (2004). A Study on the Hair Style in Respect of Fashion Trend in 1960's. Journal of the Korean Society of Fashion and Beauty, 2(2), 1-11.
Jeon, C. N., & Seo, I. L. (2013). Analyzing the Bigdata for Practical Using into Technology Marketing : Focusing on the Potential Buyer Extraction. Journal of Marketing Studies, 21(2), 181-203.
Jeon, J. Y. (2019). A Study of Korea “Big Data” Research Trends Using Big Data Analysis : Focusing on Engineering and Social Science in KCI Journal. Master's Thesis, Hanbat National University, Daejeon.
Jeon, S. R. (2020). A Study on Tourism-Based Place Marketing Using Big Data Analysis. Doctoral dissertation, Chonnam National University, Jeollanamdo.
Jung, Y. K. (2016). An Exploratory Study of Consumer Counseling Data Using Text Mining : Focusing on Cancer Insurance. Master's Thesis, Sookmyung Women's University, Seoul.
Jung, M. J., Rho, H. L., & Park, M. S. (2014). Reaction Survey of Tourist Who Railway Utilizing SNS Big Data. Journal of Korean Society for Urban Railway, 456-461.
Kang, M. M., Kim, S. R., & Park, S. M. (2012). Analysis and Utilization of Big Data. Communications of the Korean Institute of Information Scientists and Engineer, 30(6), 25-32.
Kim, B. S. (2022). Effect of Online Cosmetics Information Search Using Big Sata on Brand Trust and Continuous Purchase Intention. Doctoral dissertation, Kunkuk University, Seoul.
Kim, E. D. (2017). A study on the Ergonomic Fashion Design in Fashion Websites Since 2000. Doctoral Dissertation, Ewha Womans University, Seoul.
Kim, Y. H. (2015). Semantic Network of Korean Pop Songs: Changing Meaning Structure from 1960’s to 2000’s. Journal of Popular Narrative, 21(1), 145-171.
crossref
Kwon, E. (2022). Perceived Value and Purchasing Propensity of Inner Beauty Product Consumers According to Lifestyle after COVID-19. Master's Thesis, Konkuk University, Seoul.
Laney, D. (2001). 3D Data Management: Controlling Data Volume, Velocity and Variety. META Group Research Note. 6. p.70.
Lee, S. J., & Chun, Y. N. (2016). Examining Public Opinion on Tourism Using Social Media Analytics : Focuing on Gyeonggodo. GRI REVIEW, 18(1), 83-109.
Lim, H. S., & Shin, J. W. (2021 A Study on the Trends of Cosmetics through Big Data Analysis: Focusing on Text Mining and Semantic Network Analysis. The Korean Society of Illustration Research, 66:85-95. http://doi.org/10.37379/JKSIR.2021.66.8.
crossref
Lim, S., & Park, J. (2017). Exploring Applicability of Semantic Network as a Mean of Self Reflection Tool: Focusing Music Lesson Plans Analysis. The Korea Society for Early Childhood Education, 37(4), 665-693.
crossref
Lim, S., & Park, J. (2017). Exploring Applicability of Semantic Network as a Mean of Self Reflection Tool: Focusing Music Lesson Plans Analysis. The Korea Society for Early Childhood Education, 37(4), 665-693.
crossref
Paranyushkin, D. (2011). Visualization of Text’s Polysingularity Using Network Analysis. Prototype Letters, 2(3), 256-278.
Park, S. S. (2022). Activation Strategies for Beauty Industry through the Recognition of Artificial Intelligence and Big Data Technologies. Master's Thesis, Chodang University, Jeollanamdo.
Wasserman, S., & Faust, K. (1994). Social Network Analysis: Methods and Applications. NY: Cambridge University Press.
TOOLS
METRICS Graph View
  • 0 Crossref
  •  0 Scopus
  • 80 View
  • 4 Download
Related articles


ABOUT
BROWSE ARTICLES
EDITORIAL POLICY
FOR CONTRIBUTORS
Editorial Office
69 Gwangju Yeodae-gil, Gwangsan-gu, Gwangju, 62396, Korea
Tel: +82-10-2825-6735   Fex: +82-62-950-3797    E-mail: beauty2007@hanmail.net                

Copyright © 2023 by Korean Society of Cosmetology.

Developed in M2PI

Close layer
prev next