KR100540399B1

KR100540399B1 - 중복추천 문제를 고려한 다중 캠페인 할당 장치

Info

Publication number: KR100540399B1
Application number: KR1020030032812A
Authority: KR
Inventors: 문병로
Original assignee: 주식회사 옵투스
Priority date: 2003-05-23
Filing date: 2003-05-23
Publication date: 2006-01-10
Also published as: DE112004000870T5; JP2006529040A; WO2004104886A1; US20070044019A1; KR20040100441A

Abstract

본 발명의 중복추천 문제를 고려한 다중 캠페인 할당 장치는, 개인화된 캠페인을 동시에 여러 가지를 수행할 때 발생하는 중복추천의 문제점을 고려하여 마케팅의 효율과 고객 만족도를 높이는 다중 캠페인 할당 장치에 관한 것이다.

본 발명의 다중 캠페인 할당 장치는 여러 캠페인 각각에 대한 고객들의 선호도 정보를 추출하며, 캠페인 중복추천에 따른 고객의 반응도를 예측하며, 고객의 캠페인 선호도와 반응도 함수를 바탕으로 마케팅의 효율을 극대화하는 이차원적인 캠페인-고객 할당을 수행한다. 또한 본 발명에 의한 다중 캠페인 할당 장치는 크게 개별 캠페인에 대한 고객 선호도추출부, 중복추천에 대한 고객의 반응도함수결정부, 제한조건제시부, 캠페인-고객할당평가부 및 고객선정부를 포함하여 구성된다.

다중 캠페인 할당, 중복추천 문제, 반응도 함수, 고객, 고객관계관리, 마케팅

Description

중복추천 문제를 고려한 다중 캠페인 할당 장치{Multi-campaign assignment apparatus considering overlapping recommendation problem}

도 1은 본 발명에 의한 다중 캠페인 할당 장치의 바람직한 일실시예가 구현되는 컴퓨터 시스템의 구성을 도시한 도면이고,

도 2는 본 발명에 의한 다중 캠페인 할당 장치의 바람직한 일실시예의 기능블록도이고,

도 3은 본 발명에서 사용되는 건설적 할당 알고리즘의 흐름도이다.

< 도면의 주요부분에 대한 부호의 설명 >

100: 고객선호도추출부 101: 고객데이터베이스

200: 반응도함수결정부

300: 제한조건제시부

400: 캠페인-고객할당평가부

500: 고객선정부 510: 결과분석부

본 발명은 다중 캠페인 할당 장치에 관한 것으로서, 보다 상세하게는 동시에 여러 캠페인을 수행하는 상황에서 중복추천 문제를 감안하여 추천 고객을 선정함으로써 마케팅의 효율을 높이는 중복추천 문제를 고려한 다중 캠페인 할당 장치에 관한 것이다.

최근 개인화된 캠페인 수가 많아지면서 동시에 여러 캠페인을 수행하는 상황이 빈번하게 발생하게 되었다. 개인화된 캠페인을 수행할 때 동시에 수행되는 캠페인의 수가 많아지면, 한 고객이 동시에 여러 개의 캠페인을 추천받는 중복추천 문제가 발생하게 된다. 특정 캠페인에 높은 선호도를 갖는 고객은 다른 캠페인에도 높은 선호도를 갖게 되는 경우가 빈번하게 발생하기 때문에, 중복추천의 문제점을 고려하지 않고 다수의 캠페인들을 개별적으로 동시에 수행한다면 특정 고객에게 동시에 많은 추천이 이루어질 수 있다. 이런 상황은 한 고객에 대한 캠페인의 중복추천의 수가 많아질수록 캠페인에 대한 고객의 관심도를 떨어뜨리며 결국 고객의 각 캠페인에 대한 반응도를 낮게 만든다. 결국, 중복추천의 문제는 고객 만족도 뿐만 아니라 마케팅의 효율을 낮추게 된다. 그리고 최악의 경우에는 고객이 탈퇴하거나 필터링을 통해 해당 회사의 캠페인을 외면해 버리는 상황까지 갈 수도 있다. 여러 가지의 캠페인들을 동시에 수행하는 상황에서 마케팅의 효율과 고객 만족도를 높이기 위해 중복추천 문제를 감안한 최적의 캠페인 할당을 찾는 문제는 매우 중요하다.

지금까지의 마케팅 방법은 이러한 중복추천 문제를 감안하지 않고 이루어지는 것이 대부분이다. 표 1 내지 표 4는 중복추천 문제를 감안한 다중 캠페인 마케팅의 중요성을 보여주는 간단한 예를 제시한다.

	캠페인1	캠페인2	캠페인3
고객1	100	98	80
고객2	70	48	13
고객3	50	77	62
고객4	34	4	61
고객5	9	90	70

	캠페인1	캠페인2	캠페인3
반응도	1.0	0.7	0.5

	캠페인1	캠페인2	캠페인3
고객1	1	1	1
고객2	1	0	0
고객3	1	1	1
고객4	0	0	0
고객5	0	1	1

	캠페인1	캠페인2	캠페인3
고객1	1	1	0
고객2	1	0	0
고객3	0	1	1
고객4	1	0	1
고객5	0	1	1

표 1은 고객의 캠페인 선호도를 예시적으로 표시한 것으로, 캠페인은 3개, 고객은 5인으로 구성된다. 각 캠페인 별로 3명을 추천하는 해야 하는 상황이라 가정한다. 또한, 표 2에 의하면 중복추천에 대한 모든 고객의 반응이 동일하고, 두 개의 추천이 발생할 경우 0.7로, 세 개의 추천이 발생할 경우 0.5의 비율로 각각의 캠페인에 대한 반응도가 감소한다고 가정된다.

지금까지의 마케팅 방법으로 캠페인별로 별도로 추천을 행하면, 표 3에 표시된 바와 같이 고객 1과 고객 3은 세 개의 캠페인 추천이 발생하고 고객 5는 두 개의 캠페인 추천이 발생한다. 따라서 개별 캠페인을 최적으로 수행한 방식에서 추천 고객마다 선호도에 반응도를 곱한 값들의 합인 목적 값은 415.5가 된다. 하지만 표 4에 표시된 바와 같이 중복추천 문제를 감안하여 추천 고객을 분산시킨 방식에서는 목적 값은 483이 되어 효율이 훨씬 높아진다. 이 예는 중복추천 문제를 인지하고 이를 감안한 다중 캠페인 할당 방식이 마케팅의 효율을 높일 수 있음을 보여준다.

본 발명은 상기한 종래 기술의 문제점을 해결하기 위한 것으로, 여러 캠페인을 동시에 수행하는 다중 캠페인 할당을 해야 하는 상황에서 고객에게 중복추천이 발생할 경우 고객의 이러한 중복추천에 대한 반응도를 감안하여 캠페인 할당을 수행함으로써 마케팅의 효율을 높일 수 있는 다중 캠페인 할당 장치를 제공함을 그 목적으로 한다.

상기의 목적을 달성하기 위한 본 발명에 따른 중복추천 문제를 고려한 다중 캠페인 할당 장치는, 고객의 인적사항, 고객의 행동이력 로그를 기반으로 협동적 필터링, 신경 회로망, 유전 알고리즘, 유전 프로그래밍 등의 기법 중 어느 하나 이상의 방법을 사용하여 각각의 개별 캠페인에 대한 고객의 선호도를 추출하는 고객선호도추출부; 소정의 기간 이내에 다수의 캠페인 추천을 받는 것을 중복추천으로 결정하고, 고객의 중복추천에 대한 반응도 함수를 결정하는 반응도함수결정부; 각 캠페인마다 캠페인의 특성 및 환경을 고려하여 할당하여야 할 고객 수를 정하는 제한조건제시부; 캠페인-고객 할당이 이루어졌을 때 할당 결과를 예측, 평가하는 캠페인-고객 할당 평가부; 및 고객 선호도, 고객 반응도, 캠페인 제한 조건을 기반으로 고객들을 행으로 캠페인을 열로 하는 행렬을 생성하고, 어느 고객에게도 캠페인 추천이 이루어져 있지 않은 상태에서 건설적 할당 알고리즘을 적용하여 캠페인 추천 고객을 선정하는 고객선정부를 포함하여 구성되는 것을 특징으로 한다.

이하에서 첨부된 도면을 참조하여 본 발명의 바람직한 일실시예의 구성 및 동작내용을 상세히 설명하기로 한다.

도 1을 참조하면, 본 발명에 의한 다중 캠페인 할당 장치의 바람직한 일실시예가 구현되는 컴퓨터 시스템(1)은 적어도 하나 이상의 중앙처리장치(CPU)(6)와 메모리장치(3)를 구비한 컴퓨터(2), 입력장치(10) 및 출력장치(11)를 포함하여 구성된다. 컴퓨터 시스템(1)의 구성요소들은 적어도 하나 이상의 버스 구조(12)에 의해 상호 연결되어 있다.

도시된 중앙처리장치(6)는 산술연산 및 논리연산을 수행하는 산술/논리연산 장치(ALU)(7), 데이터와 명령어를 임시적으로 저장하는 레지스터 세트(8) 및 컴퓨터 시스템(1)의 동작을 제어하는 제어장치(9)를 구비한다. 본 발명에서 사용되는 중앙처리장치(6)는 특정한 제조사에 의해 제조된 특정한 구조에 한정되는 것이 아니므로, 상기한 바와 같은 기본적인 구성을 갖춘 모든 형태의 프로세서가 가능하다.

메모리장치(3)는 고속의 메인 메모리(4)와 데이터의 장기 저장을 위해 사용되는 보조 메모리(5)를 구비한다. 메인 메모리(4)는 RAM(Random Access Memory)과 ROM(Read Only Memory) 반도체 칩으로 구성되고, 보조 메모리(5)는 플로피 디스크, 하드 디스크, CD-ROM, 플래쉬 메모리 그리고 전기, 자기, 광 또는 다른 기록매체를 사용하여 데이터를 저장하는 장치로 구성된다. 또한, 메인 메모리(4)는 디스플레이 장치를 통해 영상을 디스플레이하기 위한 비디오 디스플레이 메모리를 구비할 수 있다. 본 발명에 대한 평균적인 지식을 가진 자는 메모리장치(3)가 다양한 저장능력을 지닌 다양한 대체 가능한 구성요소를 포함할 수 있다는 것을 이해할 수 있을 것이다.

입력장치(10)에는 키보드, 마우스, 물리적 변환기(예를 들어, 마이크) 등이 포함될 수 있고, 출력장치(11)에는 디스플레이, 프린터, 물리적 변환기(예를 들어, 스피커) 등이 포함될 수 있다. 또한, 네트워크 인터페이스 또는 모뎀과 같은 장치들이 입/출력 장치로 사용될 수 있다.

컴퓨터 시스템(1)에는 운영체제와 적어도 하나 이상의 응용 프로그램이 구비된다. 운영체제는 컴퓨터 시스템(1)의 동작과 자원의 할당을 제어하는 일련의 소 프트웨어이고, 응용 프로그램은 운영체제를 통해 이용가능한 컴퓨터 자원을 사용하여 사용자에 의해 요구되는 작업을 수행하는 일련의 소프트웨어이다. 이들 모두 도시된 메모리장치(3)에 저장된다. 결국, 본 발명에 의한 다중 캠페인 할당 장치는 컴퓨터 시스템(1)에 설치되어 동작하는 하나 이상의 응용 프로그램들로서 구현된다.

도 2에 의하면, 본 발명에 의한 다중 캠페인 할당 장치의 바람직한 일실시예는 기능적으로 고객선호도추출부(100), 반응도함수결정부(200), 제한조건제시부(300), 캠페인-고객할당평가부(400), 고객선정부(500) 및 결과분석부(510)를 포함하여 구성된다.

고객선호도추출부(100)는 고객데이터베이스(101)로부터 얻어진 고객의 인적사항, 고객의 행동이력 로그를 기반으로 협동적 필터링, 신경 회로망, 유전 알고리즘, 유전 프로그래밍 기법 등을 선택적으로 사용하여 각각의 개별 캠페인에 대한 고객의 선호도를 추출한다. 캠페인에 대한 고객의 선호도는 수치화된 값으로 표현될 수 있다.

반응도함수결정부(200)는 캠페인 중복추천에 대한 고객의 반응 확률에 대한 반응도 함수를 결정한다. 반응도 함수는 일반적으로 중복추천이 많아질수록 감소하는 형태를 띠게 된다. 만약에 캠페인 1과 캠페인 2에 대한 어느 고객의 선호도가 각각 100, 150일 경우, 이중 하나의 캠페인만 이 고객에게 추천된다면 선호도와 일치하는 고객의 반응을 예측할 수 있다. 하지만 두 캠페인의 중복추천에 대한 반응도가 0.9이고, 고객이 캠페인 1과 캠페인 2의 중복추천을 받으면, 각 캠페인에 대한 실제 선호도가 각각 90, 135로 감소된 형태로 고객의 반응이 예측된다. 고객의 반응도 함수는 여러 가지 가정을 통해 만들어질 수 있다. 이는 반응도 함수를 각 고객과 각 캠페인에 대해 동일하게 적용하는지의 여부와 관계된다.

가장 단순한 형태로는 모든 고객에게 동일한 반응도 함수를 적용할 수 있다. 그런데, 고객을 세분화한다면 고객 데이터베이스(101)로부터 얻어진 고객의 인적사항, 고객의 행동이력 로그 등을 기반으로 고객군을 선정하여 고객군 별로 각기 다른 반응도 함수를 적용할 수가 있다. 이는 중복되는 캠페인에 대해서도 마찬가지가 된다. 모든 캠페인 중복에 대해 동일하게 적용할 수도 있고 캠페인의 속성 정보, 고객의 캠페인에 대한 행동이력 로그 등을 기반으로 어느 캠페인들이 중복되느냐에 따라 캠페인 중복별로 각기 다른 반응도 함수를 적용할 수도 있다.

제한조건제시부(300)는 각 캠페인마다 캠페인의 특성 및 환경 등을 고려하여 할당하여야 할 고객 수(예를 들면, 최소 추천 고객 수, 최대 추천 고객 수 등) 등을 정하게 된다.

캠페인-고객할당평가부(400)은 캠페인-고객 할당이 이루어졌을 때 할당에 대한 결과를 예측, 평가하는 방식을 형식적으로 제공하게 된다.

고객선정부(500)는 고객 선호도, 고객 반응도, 캠페인 제한 조건, 할당에 대한 평가 방식 등을 기반으로 고객의 반응률을 최대로 높이는 추천 고객들을 선정한다. 이 선정 작업은 휴리스틱, 동적 계획법, 라그랑지 승수법(Lagrange multiplier), 유전 알고리즘 기법 등에서 어느 하나를 선택하여 사용하거나 이들을 둘 이상 결합한 방법을 사용하여 이루어진다. 캠페인에 대한 고객의 추천은 '0'과 '1'로 이루어진 이차원 행렬로 표현되는데, 여기서 '1'은 추천을 의미한다. 고객선정부(500)는 캠페인의 중요도나 형평성을 고려해 캠페인들에 대한 가중치를 둘 수 있다. 또한, 고객선정부(500)는 중복추천을 판단하는데 있어서 일정 기간 이내에 다수의 캠페인 추천을 받는 것을 중복추천으로 정의할 수 있다. 고객 선정부(500)는 이와 같은 가중치 및 중복추천을 기반으로 추천할 고객을 선정하게 된다.

다중 캠페인 상황에서 추천 고객을 선정하는 방법에는 여러 가지가 있을 수 있다. 우선 다음과 같은 건설적 할당 알고리즘(constructive assignment algorithm)이 사용될 수 있다.

도 3은 건설적 할당 알고리즘의 흐름을 보여준다. 먼저, 행렬을 초기화하고 집합

를 공집합으로 초기화하여 어느 캠페인에도 고객이 할당되어 있지 않은 상황으로 둔다(S100). 이후, 고객

에게 캠페인

를 추천했을 때의 이득 값을 계산하고 집합

에 삽입한다(S110). 이 때, 이득 값 계산의 한 예로 수학식 1을 들 수 있다.

에게 캠페인 를 추천했을 때의 이득 식

(여기에서,

: 고객

의 현재까지의 추천 수,

: 고객

의 캠페인

에 대한 선호도,

: 고객

에게 현재까지 추천된 캠페인들에 대한 선호도 합,

: 캠페인 추천 수

에 대한 고객의 반응률)

다음, 할당이 가능한 모든 (고객, 캠페인) 쌍에서 이득 값이 제일 큰 (고객, 캠페인) 쌍에 '1'의 할당을 행하고(S120), 이득 값이 제일 큰 (고객, 캠페인) 쌍을 집합

에서 제외한다.

이득이 더 이상 없게 되고 모든 제약조건이 만족될 때까지 행렬에 '1'을 채우는 작업을 반복하게 된다(S130, S150).

캠페인

에 여분이 있으면 고객

를 할당하고, 제한조건을 만족하지 않은 캠페인

에 대하여

를 조정한다(S160 내지 S180). 집합

가 비어있거나, 모든 캠페인이 제한 조건을 만족하는 경우 작업을 종료하고, 그렇지 않으면 S120 단계 이하를 반복한다(S190).

이렇게 해서 얻어진 다중 캠페인 고객 할당 행렬은 다시 추천이 이루어진 쌍들(즉, '1'이 할당된 (고객, 캠페인) 쌍들)과 추천이 이루어지지 않은 쌍들(즉, '0'이 할당된 (고객, 캠페인) 쌍들)로 나눌 수가 있는데, 이 두 그룹 간에 교환이 이득을 줄 경우 교환 작업을 반복한다. 이와 같은 교환 작업은 더 이상의 이득을 주지 않을 때까지 반복 적용하여 고객 할당을 보다 최적화 할 수도 있다. 수학식 2는 교환에 대한 이득 계산의 한 예이다. 이러한 알고리즘 방법에서 이득 값들의 효율적인 유지, 보수 작업을 위해 균형 잡힌 탐색트리를 사용할 수도 있다.

에서 고객 에게 할당하였던 것을 할당되지 않은 고객 에게 할당했을 때의 이득 식 =

(여기에서,

: 캠페인

에서 고객

에게 할당하였던 것을 취소하였을 때의 이득,

: 캠페인

에서 할당되지 않은 고객

에게 할당하였을 때의 이득)

앞서 말한 최적화 방법은 최적의 결과를 보장하지는 못한다. 제한조건을 가지는 이 다중 캠페인 할당 문제는 동적 계획법을 사용하여 다중 캠페인에 대한 최적의 고객 할당 결과를 얻을 수 있다. 동적 계획법은 각 고객에 대하여 순차적으로 수행해 나간다. 현재 수행중인 고객에게 할당 가능한 모든 경우를 고려하여 모든 제한 경우에 대한 최적의 결과를 저장한 후, 다음 고객으로 진행해 나가는 방식이 된다. 이전 고객까지의 모든 제한 조건에 대한 최적의 추천 상황을 고려하여 현재 고객까지의 모든 제한 조건에 대한 최적의 해를 찾게 되는 방식(예, 수학식 3)이 된다.

까지의 캠페인 할당 제한 조건 에 대한 최적의 값

(여기에서,

: 다중 캠페인의 할당 수 제한 조건에 대한 벡터,

: 고객

의 캠페인 할당 벡터)

최적의 상태를 유지해 나가며 마지막 고객까지 진행한 후 원하는 제한 조건 에 대한 최적의 결과에 따라 행렬을 채우는 방식이 된다. 동적 계획법은 캠페인 수가 채워야 하는 배열의 차원이 된다. 이 배열의 차원은 다음의 라그랑지 승수법을 통하여 줄일 수도 있다.

다중 캠페인에 대한 고객 할당을 최적화하는 방법에는 라그랑지 승수법(Lagrange multiplier)을 이용하는 방법도 있다. 라그랑지 승수를 하나 사용함으로써 최적화하려는 동적 계획법의 배열 차원을 하나 줄일 수 있게 된다. 이 방법은 원하는 만큼 배열의 차원을 줄일 수 있으며, 캠페인 수 만큼을 사용하면 배열을 사용하지 않는 방법이 된다(수학식 4 참조). 하지만 라그랑지 승수로 어떤 값을 사용해야 하느냐가 중요한 문제가 될 수 있으며, 이 라그랑지 승수를 최적화하기 위해 휴리스틱이나 유전 알고리즘의 기법 등을 적용할 수도 있다.

캠페인 할당 제한 조건 에 대한 최적의 값

(여기에서,

: 고객

의 캠페인 할당에 대한 최적의 값,

: 고객

의 캠페인 할당 벡터,

: 다중 캠페인의 할당 수 제한 조건에 대한 벡터,

: 캠페인 개수만큼의 크기를 가진 라그랑지 승수들에 대한 벡터)

또한, 이렇게 제로베이스에서 복수개의 캠페인에 대한 고객 할당을 최적화하는 방법에 더하여, 점증적인 할당 최적화 방법도 있다. 마케터는 지속적으로 캠페인을 한다. 그리고 마케터는 여러 명이 각각 각자의 캠페인을 실시할 수도 있다. 어느 한 시점에 임의의 마케터 A가 한 개 또는 그 이상의 캠페인을 하려고 할 때 고객을 할당하는 문제에 대하여 알아보자.

우선 타임윈도우 W를 설정한다. 이것은 인자로서 줄 수 있는 값이다. W의 크기의 예는 5일(120시간)로 잡을 수 있다. 그러면 마케터 A가 캠페인을 실시하려고 하는 시점 기준으로 120시간 이내에 이미 실시된 캠페인에 대해 대상이 된 고객들을 알아낸다. 이것은 앞의 고객-캠페인 행렬의 일부가 먼저 채워짐을 의미한다. 이렇게 일부가 고정된 상태에서 이를 감안하여 수행하고자 하는 캠페인(들)에 대한 고객 할당을 최적화한다. 이렇게 하면 윈도우의 범위 안에서 이미 캠페인을 받은 고객은 추가적인 캠페인을 받는 데 있어 이미 캠페인을 받았다는 사실이 영향을 받는다. 이 방법은 앞의 건설적 할당 알고리즘에서 행렬의 일부가 이미 진행되어 결정되어 있는 셈이다.

일반적으로 특정 기간에 한 고객에게 캠페인 추천이 중복될 경우 고객의 반응도는 각 고객에 따라 다르고 또한 추천 캠페인에 따라 다르게 된다. 이를 모두 반영할 경우 문제 공간은 기하급수적으로 커지게 되고 현실적으로 고려하기 어렵게 된다. 그래서 초기단계의 반응도 함수는 중복추천에 대한 고객의 반응도가 고객에 관계없이 모두 같고 단지 중복추천 수에만 의존하는 함수라고 가정한다. 이런 가정은 초기단계에서 합리적이고 실험 결과가 누적된다면 고객군에 따라 다른 반응도 함수를 적용하는 등의 세분화가 가능하다.

다중 캠페인 결과 분석부(510)는 다중 캠페인을 수행한 후 다중 캠페인 할당에 대한 고객의 반응 및 행동이력 등을 분석한다. 이 결과를 사용해 반응도 함수 추정의 최적화가 가능하다. 다중 캠페인 결과가 누적될수록 최적의 반응도 함수가 결정될 수 있다.

이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

이상에서 설명한 바와 같이, 본 발명에 따른 중복추천 문제를 고려한 다중 캠페인 할당 장치는 고객의 만족도뿐만 아니라 마케팅의 효율을 높이는 효과가 있다. 기업 간 공동마케팅을 수행하는 경우 다중 캠페인을 할당하는 상황은 빈번하게 발생할 것이고 본 발명을 이용함으로써 공동마케팅 시장의 활성화와 그 효율성을 극대화시킬 것으로 기대된다.

Claims

삭제
컴퓨터 시스템 상에서 하드웨어 및 소프트웨어의 결합에 의해 동작하는 장치로서,

고객의 인적사항, 고객의 행동이력 로그를 기반으로 각각의 개별 캠페인에 대한 고객의 선호도를 추출하는 고객선호도추출부;

소정의 기간 이내에 다수의 캠페인 추천을 받는 것을 중복추천으로 결정하고, 고객의 중복추천에 대한 반응도 함수를 결정하는 반응도함수결정부;

각 캠페인마다 캠페인의 특성 및 환경을 고려하여 할당하여야 할 고객 수를 정하는 제한조건제시부;

캠페인-고객 할당이 이루어졌을 때 할당 결과를 예측, 평가하는 캠페인-고객 할당 평가부; 및

고객선호도추출부로부터의 고객 선호도, 반응도함수결정부로부터의 고객 반응도, 제한조건제시부로부터의 캠페인 제한 조건을 기반으로 고객들을 행으로 캠페인을 열로 하는 행렬을 생성하고, 어느 고객에게도 캠페인 추천이 이루어져 있지 않은 상태에서 고객 할당 알고리즘을 적용하여 캠페인 추천 고객을 선정하는 고객선정부를 포함하여 구성하되,

상기 고객선정부의 고객 할당 알고리즘은

최초에 행렬의 모든 원소를 '0'으로 할당하는 행렬 초기화 모듈;

각 (캠페인, 고객) 쌍에 대한 이득 값을 계산하는 이득 산출 모듈; 및

가장 이득 값이 높은 순으로 (캠페인, 고객)을 할당하는 캠페인-고객 할당 모듈;을 구비한 건설적 할당 알고리즘임을 특징으로 하는 다중 캠페인 할당 장치.
제2항에 있어서, 상기 이득 산출 모듈에서 이득 값 계산을 위한 이득산출함수는

(여기서,
는 고객
에게 캠페인
를 추천 했을 때의 이득 식이고,
는 고객
의 현재까지의 추천 수,
는 고객
의 캠페인
에 대한 선호도,
는 고객
에게 현재까지 추천된 캠페인들에 대한 선호도 합,
: 캠페인 추천 수
에 대한 고객의 반응률)이 되는 것을 특징으로 하는 다중 캠페인 할당 장치.
제2항에 있어서, 상기 건설적 할당 알고리즘은

상기 모듈들을 모두 거친 후 만들어진 캠페인-고객 할당 행렬에서 할당이 이루어진 임의의 원소와 할당이 이루어지지 않은 임의의 원소 사이의 교환이 이득을 줄 경우, 이러한 교환이 이득을 주지 않을 때까지 반복 적용하여 캠페인 추천 고객을 선정하는 모듈을 더 포함하는 것을 특징으로 하는 다중 캠페인 할당 장치.
제4항에 있어서, 상기 건설적 할당 알고리즘에서 교환에 대한 이득 계산을 위한 교환이득계산함수는

(여기서,
는 캠페인
에서 고객
에게 할당하였던 것을 할당되지 않은 고객
에게 할당했을 때의 이득 식이 되고,
는 캠페인
에서 고객
에게 할당하였던 것을 취소하였을 때의 이득,
는 캠페인
에서 할당되지 않은 고객
에게 할당하였을 때의 이득)로 구성되는 것을 특징으로 하는 다중 캠페인 할당 장치.
삭제
삭제
삭제
삭제
제2항에 있어서, 상기 고객 선정부의 건설적 할당 알고리즘은

시간 윈도우를 사용하여, 기 수행된 캠페인들 중 윈도우 범위 안에 속하는 캠페인들에 대한 고객 할당 내용이 행렬에 미리 입력되고, 이것을 출발점으로 수행하고자 하는 단수 또는 복수의 캠페인에 대해 행렬을 채워나가는 방식으로 변형해서 사용할 수도 있는 것을 특징으로 하는 다중 캠페인 할당 장치.
제2항에 있어서, 상기 반응도함수결정부는

고객에 대한 반응도 함수의 결정을 고객의 인적사항, 고객의 행동이력 로그를 기반으로 고객군을 선정하여 고객군 별로 각기 다른 반응도 함수를 적용하여 이루어짐을 특징으로 하는 다중 캠페인 할당 장치.
제2항에 있어서, 상기 반응도함수결정부는

모든 캠페인 중복에 대해 고객에 대한 반응도 함수의 결정을 캠페인의 속성 정보, 고객의 캠페인에 대한 행동이력 로그를 기반으로 캠페인 중복별로 각기 다른 반응도 함수를 적용하여 이루어짐을 특징으로 하는 다중 캠페인 할당 장치.
제2항에 있어서, 상기 반응도함수결정부는

다중 캠페인 할당에 대한 고객의 반응 및 행동이력 분석 결과 등을 사용하여 고객에 대한 반응도 함수를 다시 결정하여 이루어짐을 특징으로 하는 다중 캠페인 할당 장치.
제2항에 있어서, 상기 고객선정부는

중요도에 따라 캠페인들에 대한 가중치를 두어 고객 선정을 수행함을 특징으로 하는 다중 캠페인 할당 장치.