KR101793723B1 - 온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법 - Google Patents

Abstract

본 발명은 금융 비대면 채널의 로그데이터를 딥러닝 방식으로 분석하여 신규 고객 및 다른 고객이 미래에 수행할 거래 패턴 및 서비스 장애를 예측할 수 있는 시스템 및 방법에 관한 것이다.
본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템은, 사용자들의 거래 패턴에 따른 로그데이터를 수집하는 수집부와, 이전 사용자들의 거래 패턴에 따른 로그 데이터 및 분석 데이터를 저장하는 저장부와, 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교하여 상기 특정 사용자의 향후 거래 패턴을 예측하는 분석부와, 상기 분석부의 분석 결과에 기초하여 특정 사용자에게 금융 정보 및 상품 정보를 제공하는 제어부를 포함한다.

Description

온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법{System and Method for Analyzing Online Behavior Pattern and Predicting System Failure}

본 발명은 온라인서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법에 관한 것으로, 보다 자세하게는 금융 비대면 채널의 로그데이터를 딥러닝(deep learning) 방식으로 분석하여 신규 고객 및 다른 고객이 미래에 수행할 거래 패턴 및 서비스 장애를 예측할 수 있도록 하는, 온라인서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법에 관한 것이다.

일반적으로 ATM(Automatic Teller’s Machine), 온라인 인터넷 뱅킹 또는 모바일 뱅킹을 통해 고객에게 금융 서비스가 제공되고 있다. 금융 서비스 제공 시 고객의 정보 및 서비스 정보에 대한 로그데이터가 생성되어 데이터 베이스(DB)에 저장되며, 이러한 금융 거래 기록을 열람 및 활용할 수 있도록 하고 있다.

종래 기술에서는 거래가 정상적으로 이루어진 경우에만 로그데이터의 수집 및 분석을 수행함으로써, 미완성 거래에 대한 원인 분석 및 후속 조치가 이루어지지 못하는 문제점이 있다.

종래의 온라인 채널에서의 로그 분석을 위한 금융 거래 서비스 방식은 사용자 거래 로그 및 전체 단계의 사용자들의 UX(User Experience) 상의 로그데이터들은 표준 스키마가 일정하지 않은 반정형에 가까운 정보이므로, 이를 통계 처리하여 분석하는 것에 제약이 있다. 반정형 형태의 로그데이터들의 수집 이후에 필터링 및 마이닝하여 분석함으로, 대용량의 분석에 장시간이 소요되고 로그데이터들의 다차원적인 분석이 어려운 문제점이 있다.

아울러, 분석의 방법 또한 정기적으로 대용량 데이터를 수집하여 이를 사용자가 분석 목적에 따라 통계 예측분석을 하는 Rule based 방식의 주기적 수기 분석 방식이므로, 사용자가 의도하지 않은 데이터 분석범위는 분석범위가 아니고, 사용자가 주기적으로 의도한 분석범위의 데이터만을 수집하여 수기로 분석하는 방식이었다.

한국 공개특허공보 10-2002-0069655(인터넷 구매카드 처리업무 시스템) 한국 공개특허공보 10-2003-0045881(신용카드 거래를 이용한 전자 영수증 발급 방법 및 거래내역 조회서비스 제공방법)

본 발명은 앞에서 설명한 문제점을 해결하기 위하여 첫번째로 웹, 모바일, 금융사 온라인 채널 상에서 과거 시점에 수행된 고객들의 행태(UX: User Experience)를 딥러닝 방식으로 분석하여, 신규 고객 또는 다른 고객이 미래에 수행할 거래 패턴을 예측할 수 있는, 온라인 서비스 행동패턴 분석 및 장애 예측 시스템 및 방법을 제공하는 것을 기술적 과제로 한다.

본 발명은 앞에서 설명한 문제점을 해결하기 위하여 두번째로 웹, 모바일, 금융사 온라인 채널에서 제공되는 다양한 서비스(금융 서비스, 상품 구매 서비스 등)의 종류별 장애의 원인을 수집 및 분석하여, 향후 서비스의 제공 시 유사한 장애 요인의 제거 및 장애를 복구할 수 있는, 온라인 서비스 행동패턴 분석 및 장애 예측 시스템 및 방법을 제공하는 것을 기술적 과제로 한다.

위에서 언급된 본 발명의 기술적 과제 외에도, 본 발명의 다른 특징 및 이점들이 이하에서 기술되거나, 그러한 기술 및 설명으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템은, 사용자들의 거래 패턴에 따른 로그데이터를 수집하는 수집부와, 이전 사용자들의 거래 패턴에 따른 로그 데이터 및 분석 데이터를 저장하는 저장부와, 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교하여 상기 특정 사용자의 향후 거래 패턴을 예측하는 분석부와, 상기 분석부의 분석 결과에 기초하여 특정 사용자에게 금융 정보 및 상품 정보를 제공하는 제어부를 포함한다.

또한, 본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템은, 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교한 결과, 장애가 예측되는 경우 장애 복구, 개선 및 사전 조치를 위한 제어신호를 출력한다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템의 상기 저장부는, 상기 이전 사용자들의 거래 패턴에 따른 로그데이터가 저장되는 제1 메모리와, 상기 이전 사용자들의 거래 패턴에 따른 분석 데이터가 저장되는 제1 메모리를 포함한다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템의 상기 분석부는, 복수의 제1 노들을 포함하는 제1 노드단, 복수의 제2 노들을 포함하는 제2 노드단, 상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들을 연결시키는 복수의 링크를 포함한다. 상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들 각각은 단계별 메뉴의 종류를 의미하며, 사용자 별로 각 노드를 방문 또는 메뉴를 클릭하면 ‘1’을 적재하고 방문하지 않으면 ‘0’을 적재한다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템의 상기 분석부는, 첫번째 단계 별 메뉴 접속 시 정형데이터는 1로 표시하고, 단계 별 메뉴 접속 표시를 1로 적재한다. 두번째 단계 별 메뉴 접속 시 정형데이터는 1로 표시해서 각 단계 별 메뉴 접속 순으로 전 단계의 메뉴접속 별 원인과 두번째 접속 메뉴인 결과를 예측모형으로 하는 각 단계의 계층별로 로지스틱 회귀 모형들을 도출할 수 있다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템의 상기 분석부는, 상기 이전 사용자들이 A 상품을 검색한 이후 일정 기간 이내에 B 상품을 구매한 경우에, 상기 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교한 결과, 상기 특정 사용자가 상기 A 상품을 검색하면 상기 특정 사용자가 일정 기간 이내에 상기 B 상품을 구매할 확률이 높은 것으로 판단한다.

한편, 앞에서 설명한 목적을 달성하기 위한 본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 방법은, 이전 사용자들의 거래 패턴에 따른 로그 데이터 및 분석 데이터를 저장하는 저장부를 포함하는 시스템의 온라인 서비스 행동패턴 분석 및 장애 예측 방법으로서, (a) 수집부가 사용자들의 거래 패턴에 따른 로그데이터를 수집하는 단계; (b) 분석부가 상기 수집된 로그데이터에 대해, 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교하여 상기 특정 사용자의 향후 거래 패턴을 예측하는 단계; 및 (c) 제어부가 상기 분석부의 분석 결과에 기초하여 특정 사용자에게 금융 정보 및 상품 정보를 제공하는 단계를 포함할 수 있다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 방법에서, 상기 (b) 단계는 상기 분석부가, 복수의 제1 노들을 포함하는 제1 노드단, 복수의 제2 노들을 포함하는 제2 노드단, 상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들을 연결시키는 복수의 링크를 포함할 수 있다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 방법에서, 상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들 각각은 단계별 메뉴의 종류이고, 사용자 별로 각 노드를 방문 또는 메뉴를 클릭하면 ‘1’을 적재하고, 방문하지 않으면 ‘0’을 적재할 수 있다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 방법에서, 상기 (b) 단계는 상기 분석부가, 첫번째 단계 별 메뉴 접속 시 정형데이터는 1로 표시하고, 단계 별 메뉴 접속 표시를 1로 적재하고, 두번째 단계 별 메뉴 접속 시 정형데이터는 1로 표시해서 각 단계 별 메뉴 접속 순으로 전 단계의 메뉴접속 별 원인과 두번째 접속 메뉴인 결과를 예측모형으로 하는 각 단계의 계층별로 로지스틱 회귀 모형들을 도출할 수 있다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 방법에서, 상기 (b) 단계는 상기 분석부가, 상기 이전 사용자들이 A 상품을 검색한 이후 일정 기간 이내에 B 상품을 구매한 경우에, 상기 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교한 결과, 상기 특정 사용자가 상기 A 상품을 검색하면 상기 특정 사용자가 일정 기간 이내에 상기 B 상품을 구매할 확률이 높은 것으로 판단할 수 있다.

본 발명의 실시 예에 따른 온라인 서비스 행동패턴 분석 및 장애 예측 방법에서, 상기 (b) 단계는 상기 분석부가, 온라인 상에서 수행된 금융 거래의 전 단계, 전전 단계들의 로그의 행동패턴들을 금융 최종거래를 예측하는 로지스틱 회귀 예측모형에 입력하여 금융 최종거래를 예측하고, 온라인 상의 금융 최종거래를 실행할 가능성이 높은 사용자들을 추출할 수 있다.

본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 장애 예측 방법에서, 상기 (c) 단계는 상기 제어부가, 향후 대출 신청, 제품 구매 또는 신용카드 신설을 포함하는 금융 최종거래에 대한 프로모션을 해당 금융 최종거래를 실행할 가능성이 높은 사용자들에게 제공할 수 있다.

이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.

본 발명의 실시 예에 따른 온라인 서비스 행동패턴 분석 및 장애 예측 시스템 및 방법은 웹, 모바일, 금융사 온라인 채널 상에서 과거 시점에 수행된 고객들의 행태(UX: User Experience)를 딥러닝 방식으로 분석하여, 신규 고객 또는 다른 고객이 미래에 수행할 거래 패턴을 예측할 수 있다.

본 발명의 실시 예에 따른 온라인 서비스 행동패턴 분석 및 장애 예측 시스템 및 방법은 웹, 모바일, 금융사 온라인 채널에서 제공되는 다양한 서비스(금융 서비스, 상품 구매 서비스 등)의 종류별 장애의 원인을 수집 및 분석하여, 향후 서비스의 제공 시 유사한 장애 요인의 제거 및 장애를 복구할 수 있다.

다른 실시의 예는 사용자들이 온라인 상에서 수행한 전 단계, 전전 단계 들의 로그의 행동패턴들을 금융 최종거래를 예측하는 로지스틱 회귀 예측모형에 입력하여 금융 최종거래를 예측한다. 이때, 온라인 상의 금융 최종거래를 실행할 가능성이 높은 사용자들을 추출하여 향후 관련 대출 신청, 제품 구매 및 신용카드 신설 등의 금융 최종거래에 대한 프로모션을 해당 거래를 실행할 가능성이 높은 사용자들에게 제공하여 보다 효과적인 마케팅 실행을 집행할 수 있도록 한다.

또 다른 실시의 예는 회사 내의 조직원들이 회사 시스템인 온라인 상에서 수행한 전 단계, 전전 단계 들의 로그의 행동패턴들을 조직원들이 향후 단기간 내에 퇴직할 확률을 예측하는 로지스틱 회귀 예측모형에 입력하여 향후 퇴직할 가능성이 높은 조직원을 예측한다. 이를 통해서, 조직원들의 퇴직을 방지하고자 하는 효과적인 인사보상 및 면담들을 실행해 퇴직율을 감소시킬 수 있다.

또 다른 실시의 예는 회사 내의 조직원들이 회사 시스템인 온라인 상에서 수행한 전 단계, 전전 단계 들의 로그의 행동패턴들을 조직원들의 업무 마찰 확률을 예측하는 로지스틱 회귀 예측모형에 입력하여 향후 조직원들 간의 업무 마찰이 발생할 가능성이 높은 조직원들을 예측한다. 이를 통해서, 조직원들의 업무 마찰로 인한 생산성 및 업무 효율성의 저하를 방지할 수 있다.

이 밖에도, 본 발명의 실시 예들을 통해 본 발명의 또 다른 특징 및 이점들이 새롭게 파악될 수도 있을 것이다.

도 1은 본 발명의 실시 예에 따른 온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템을 나타내는 도면이다.
도 2는 도 1에 도시된 데이터 베이스를 나타내는 도면이다.
도 3은 도 1에 도시된 분석부를 나타내는 도면이다.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

어느 부분이 다른 부분의 "위에" 있다고 언급하는 경우, 이는 바로 다른 부분의 위에 있을 수 있거나 그 사이에 다른 부분이 수반될 수 있다. 대조적으로 어느 부분이 다른 부분의 "바로 위에" 있다고 언급하는 경우, 그 사이에 다른 부분이 수반되지 않는다.

제1, 제2 및 제3 등의 용어들은 다양한 부분, 성분, 영역, 층 및/또는 섹션들을 설명하기 위해 사용되나 이들에 한정되지 않는다. 이들 용어들은 어느 부분, 성분, 영역, 층 또는 섹션을 다른 부분, 성분, 영역, 층 또는 섹션과 구별하기 위해서만 사용된다. 따라서, 이하에서 서술하는 제1 부분, 성분, 영역, 층 또는 섹션은 본 발명의 범위를 벗어나지 않는 범위 내에서 제2 부분, 성분, 영역, 층 또는 섹션으로 언급될 수 있다.

여기서 사용되는 전문 용어는 단지 특정 실시 예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.

"아래", "위" 등의 상대적인 공간을 나타내는 용어는 도면에서 도시된 한 부분의 다른 부분에 대한 관계를 보다 쉽게 설명하기 위해 사용될 수 있다. 이러한 용어들은 도면에서 의도한 의미와 함께 사용 중인 장치의 다른 의미나 동작을 포함하도록 의도된다. 예를 들면, 도면 중의 장치를 뒤집으면, 다른 부분들의 "아래"에 있는 것으로 설명된 어느 부분들은 다른 부분들의 "위"에 있는 것으로 설명된다. 따라서 "아래"라는 예시적인 용어는 위와 아래 방향을 전부 포함한다. 장치는 90 회전 또는 다른 각도로 회전할 수 있고, 상대적인 공간을 나타내는 용어도 이에 따라서 해석된다.

다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련 기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.

이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 발명의 실시 예에 따른 온라인 서비스 행동패턴 분석 및 장애 예측 시스템 및 방법은 웹, 모바일, 금융사 온라인 채널 상에서 과거 시점에 수행된 고객들의 행태를 딥러닝 방식으로 분석하여 신규 고객 또는 다른 고객이 미래에 수행할 거래 패턴을 예측할 수 있다.

본 발명은 인터넷, 모바일 등의 온라인 채널단에서 나타내는 수많은 고객들의 UX 상의 행동패턴 로그데이터를 실행 순서대로 분석 및 계층화 하여 향후 의미 있는 고객 최종 거래, 서비스 및 장애 등의 이벤트 발생 시 기계가 자동적으로 그 전에 어떠한 고객들의 행태가 있었는지 역추적하여 분석하여 향후 유사한 행동패턴이 있을 시 해당 최종 거래, 서비스, 장애유형 등을 예측하는 딥러닝 머신러닝 기술을 제공한다.

도 1은 본 발명의 실시 예에 따른 온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템을 나타내는 도면이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 온라인서비스 행동패턴 분석 및 시스템 장애 예측 시스템은 수집부(100), 데이터 베이스(200), 분석부(300), 제어부(400)를 포함한다.

도 1(a)에서 수집부(100)는 웹 인터넷 뱅킹, 모바일 뱅킹, 금융사 온라인 채널 상에서 발생되는 로그데이터를 수집한다. 이후, 수집부(100)는 수집된 로그데이터를 데이터 베이스(200)에 저장한다. 로그데이터 외에도 사용자의 정보, 거래 정보 및 거래 단계별 트랜젝션에 의한 텍스트(Text)도 데이터 베이스(200)에 저장된다.

도 1(b)에서 수집부(100)는 웹 인터넷 뱅킹, 모바일 뱅킹, 금융사 온라인 채널 상에서 발생되는 로그데이터를 수집한다. 이후, 수집부(100)는 수집된 로그데이터를 데이터 베이스(200)에 저장 및 분석부(300)에 제공한다. 로그데이터 외에도 사용자의 정보, 거래 정보 및 거래 단계별 트랜젝션에 의한 텍스트(Text)도 데이터 베이스(200)에 저장된다.

도 2는 도 1에 도시된 데이터 베이스를 나타내는 도면이다.

도 2를 참조하면, 데이터 베이스(200)는 제1 메모리(210) 및 제2 메모리(220)를 포함한다. 제1 메모리(210)에는 로그데이터, 사용자의 정보, 거래 정보 및 거래 단계별 트랜젝션에 의한 텍스트(Text)가 저장된다. 제2 메모리(220)에는 분석부(300)에서 수행된 거래 패턴의 분석 결과인 분석 데이터가 저장된다. 이러한, 메모리(200)는 제1 메모리(210)에 저장된 로그데이터, 사용자의 정보, 거래 정보 및 거래 단계별 트랜젝션에 의한 텍스트(Text)와, 제2 메모리(220)에 저장된 분석 데이터를 분석부(300)에 제공한다.

도 3은 도 1에 도시된 분석부를 나타내는 도면이다.

도 3을 참조하면, 분석부(300)는 복수의 노드단(310, 320, 330, 340), 출력단(350)을 포함한다. 복수의 노드단(310, 320, 330, 340) 각각은 복수의 노드(312, 322, 332, 342)를 포함한다.

제1 노드단(310)에 포함된 노드들(312)과 제2 노드단(320)에 포함된 노드들(322)은 복수의 제1 링크(362)에 의해서 연결된다. 제1 노드단(310)에 포함된 하나의 노드(312)는 제1 링크(362)를 통해서 제2 노드단(320)에 포함된 하나의 노드 또는 복수의 노드(322)와 연결될 수 있다. 즉, 제1 노드단(310)에 포함된 노드(312)와 제2 노드단(320)에 포함된 노드(322)는 각각 하나의 제1 링크(362)에 의해서 연결될 수 있다.

제2 노드단(320)에 포함된 노드들(322)과 제3 노드단(330)에 포함된 노드들(332)은 복수의 제2 링크(364)에 의해서 연결된다. 제2 노드단(320)에 포함된 하나의 노드(322)는 제2 링크(364)를 통해서 제3 노드단(330)에 포함된 하나의 노드 또는 복수의 노드(332)와 연결될 수 있다. 즉, 제2 노드단(320)에 포함된 노드(322)와 제3 노드단(330)에 포함된 노드(332)는 각각 하나의 제2 링크(364)에 의해서 연결될 수 있다.

제3 노드단(330)에 포함된 노드들(332)과 제4 노드단(340)에 포함된 노드들(342)은 복수의 제3 링크(366)에 의해서 연결된다. 제3 노드단(330)에 포함된 하나의 노드(332)는 제3 링크(366)를 통해서 제4 노드단(340)에 포함된 하나의 노드 또는 복수의 노드(342)와 연결될 수 있다. 즉, 제3 노드단(330)에 포함된 노드(332)와 제4 노드단(340)에 포함된 노드(342)는 각각 하나의 제3 링크(366)에 의해서 연결될 수 있다.

제4 노드단(340)에 포함된 노드들(342)과 출력단(350)에 포함된 노드들(352)은 복수의 제4 링크(368)에 의해서 연결된다. 제4 노드단(340)에 포함된 하나의 노드(342)는 제4 링크(368)를 통해서 출력단(350에 포함된 하나의 노드 또는 복수의 노드(352)와 연결될 수 있다. 즉, 제4 노드단(340)에 포함된 노드(342)와 출력단(350) 포함된 노드(352)는 각각 하나의 제4 링크(368)에 의해서 연결될 수 있다.

각 노드는 단계별 메뉴의 종류를 의미하며, 사용자 별로 각 노드를 방문 또는 메뉴를 클릭하면 ‘1’을 적재하고 방문하지 않으면 ‘0’을 적재한다.

고객(예로서, 금융사)에 의해 관심이 있는 최종 거래로그(Transaction)가 일어나게 되면, 각 전단계의 단계 정보가 확정되고 바이너리 로그데이터 1개 세트(set)가 적재 된다. 회사가 관심을 갖는 거래 또는 서비스의 최종 거래 이벤트는, 인터넷 뱅킹 최종 송금/이체, 인터넷 대출 신청, 상품의 문의, 출금, 신규 신용카드의 신청을 포함한다.

분석부(300)는 이전 시점에서 발생했던 로그데이터, 사용자의 정보, 거래 정보 및 거래 단계별 트랜젝션에 의한 텍스트(Text)와, 이에 따른 분석 데이터에 기초하여 현재 시점에 발생한 사용자의 행태를 최종 거래로그가 일어난 시점에서 전단계 그 전 단계 순으로 계속 역추적하여 절차 단위별 고객 행동패턴을 주기별로 회귀분석하여 미래에 발생한 사용자(고객)의 거래 패턴을 예측한다.

여기서, 사용자의 노드 별 방문 또는 클릭 시에도 위 단계가 반복되면서 방문 또는 클릭 단계별 바이너리 데이터 세트가 다시 적재된다. 일정규모의 바이너리 데이터 세트가 적재되면 단계 별 로지스틱 회귀모형들을 갖는 구조방정식 모형을 갖는 뉴럴 네트워크 구조의 이벤트 로그데이터 예측모형 집합이 생성된다. 일정 주기 별로 신규 바이너리 데이터 세트가 적재되고 로지스틱 회귀모형들이 다시 후진적‘Stepwise'기법으로 개선되어 자동으로 예측모형이 개선 된다.

이러한, 후진적 'Stepwise' 기법이란 최종적인 고객의 거래, 장애의 발생을 종속변수로 하고, 이러한 최종 종속변수가 발생하는 단계의 전단계의 고객들의 행동 로그들을 독립변수로 한다. 그리고, 상기 후진적 'Stepwise' 기법은 다시 상기 전단계의 고객들의 행동 로그들을 종속변수로 하고 상기 전단계의 전단계의 고객들의 행동 로그들을 독립변수들로 하는 단계별 행동 로그들을 예측하는 예측 선형모형들을 포함한다. 다시 말하면, 집합이 새로운 독립변수들인 실제 단계별 바이너리 데이터 세트가 입력되었을 때 각각의 예측모형들의 Adjust R square(조정된 설명력 값)이 개선되었을 때 해당 예측모형의 절편과 각 독립변수들의 개수 값이 변환된 신규 예측 모델의 집합으로 변환되는 기법을 후진적 'Stepwise' 기법이라 한다.

분석부(300)는 사용자의 거래 패턴 예측 결과를 분석 데이터로 생성하고, 생성된 분석 데이터를 제어부(400)에 제공한다. 또한, 분석부(300)는 생성된 분석 데이터를 저장부(200)의 제2 메모리(220)에 저장한다.

제어부(400)는 수신된 분석 데이터에 기초하여 사용자의 거래 패턴 예측 결과를 표시(시각적 표시, 음성적 표시)한다. 이때, 분석 데이터의 결과가 장애 예측을 포함하는 경우, 미래에 발생한 장애를 사전에 감지하고 장애 발생의 방지를 위한 제어신호를 생성하여 금융사의 거래 시스템 및 사용자의 거래 시스템(사용자의 컴퓨터, 모바일 기기 등)으로 전송한다.

분석부(300)는 사용자들의 메뉴선택 등의 UX 단계를 각각의 이벤트로 정의하고, 각 이벤트에 대한 로그데이터를 분석한다. 즉, 분석부(300)는 첫번째 단계 별 메뉴 접속 시 정형데이터는 1로 표시하고, 단계 별 메뉴 접속 표시를 1로 적재 및 저장한다.

또한, 분석부(300)는 두 번째 단계 별 메뉴 접속 시 정형데이터를 1로 표시해서 각 단계 별 메뉴 접속 순으로 전 단계의 메뉴접속 별 원인과 두번째 접속 매뉴인 결과를 예측모형으로 하는 계층별로 로지스틱 회귀 모형들을 도출한다. 예를 들어, 구매 바로 직전 단계의 서비스 메뉴가 2 개이고, 그 전 단계의 서비스 메뉴들이 5개라면 구매 바로 직전 단계를 예측하는 로지스틱 회귀모형은 2개이고, 각 예측 회귀 모형의 독립변수 요인들은 5개씩이 되는 것이다.

이와 같이, 분석부(300)는 각 단계 별로 발생한 이벤트를 적재 및 저장하여 전체 거래 패턴의 로그데이터를 분석한다.

고객(예로서 금융사)의 비대면 채널 상의 최종 고객 거래 또는 서비스 이벤트 로그가 최종적으로 발생 시에 해당 로그이벤트 데이터는 ‘1’로 적재한다. 그리고, 해당 이벤트가 일어날 시 각 전단계의 정보들이 최대치를 가진 단계가 최근 단계로 인지되도록 행렬 데이터를 바이너리 형태로 적재한다.

위의 방식으로 적재된 대규모의 바이너리 데이터들은 각 사용자들이 해당 최종적인 거래 또는 서비스 이벤트 로그를 발생시키기 전 단계들의 UX 상 이벤트 들을 의미한다. 각 최종 거래 및 서비스 이벤트를 종속 변수로 직전 단계의 이벤트 로그데이터를 1차적 원인 독립변수로 하는 회귀모델들과 직전단계의 이벤트 로그데이터들 종속변수로 다시 전전 단계의 이벤트 로그데이터를 원인 독립변수로 하는 로지스틱 회귀 분석을 수행한다. 이를 통해 고객(예로서, 금융사)이 관심이 있는 최종적인 거래 또는 서비스 이벤트 별로 전 단계들의 고객의 패턴들을 다음과 같이 구조 방정식 모형으로 분석 할 수 있다.

구체적으로, 분석부(300)는 이전 사용자들의 거래 패턴과 신규 사용자의 거래 패턴을 분석하여 최종 거래 및 최종 서비스의 상관성을 판단한다. 그리고, 신규 사용자가 최종 거래 성사 또는 최종 서비스를 이용할 확률이 높은 것으로 판단되는 경우에 타겟 마케팅이 이루어질 수 있도록 분석 데이터를 제공한다.

또한, 분석부(300)는 금융 서비스의 제공 시 각 거래 별로 장애가 발생한 데이터를 수집 및 분석하여, 신규 고객이 금융 서비스를 이용하고자 할 때 장애를 사전에 예측한다. 그리고, 장애를 발생시키는 동일 패턴 또는 유사 패턴이 발생하는 경우에, 장애가 최소화되도록 분석 데이터를 생성하여 출력한다.

분석부(300)는 이전 시점에 발생했던 로그데이터들, 현재 시점에 발생한 로그데이터들 및 과거 분석 데이터를 통해서 스스로 사용자의 거래 패턴을 학습하고, 이러한 학습 결과로서 현재 시점에서 발생한 특정 사용자의 로그데이터를 분석 및 분석 데이터를 생성할 수 있다.

현재 시점에 발생한 로그데이터를 이전 시점에 발생했던 로그데이터들과 비교한 결과가 동일한지 또는 상이한지 판단하고, 과거 시점의 분석 데이터를 분석하여 향후 사용자의 고객 형태를 예측한다.

예로서, 온라인 쇼핑몰에서 특정 A 상품을 검색한 사용자들이 향후 1개월 이내에 B 상품을 구입한 확률이 기 설정된 기준값 이상인 경우를 가정한다. 여기서, 특정 사용자가 로그데이터의 분석결과 현재 시점에서 상기 특정 A 상품을 검색했다면 특정 사용자가 향후 1개월 이내에 B 상품을 구입할 확률이 높다고 판단할 수 있다.

이 경우, 특정 사용자의 거래 패턴에 대한 분석 데이터를 생성하고, 분석 데이터를 통해서 상기 특정 사용자에게 특정 B 상품의 정보를 제공(포털 싸이트 광고 페이지, e-mail 또는 메시지 제공)할 수 있다. 또한, 특정 B 상품의 업체에게 향후 1개월 이내에 B 상품에 대한 판매 예측 데이터를 제공할 수 있다.

또한, 분석부(300)는 이전 시점의 로그데이터들과 현재 시점에서 발생한 로그데이터를 비교 분석하여 비정상 거래 및 장애 발생 가능성을 판단한다. 그리고, 비정상 거래 및 장애 발생 가능성에 대한 결과로서 분석 데이터를 생성하고, 생성된 분석 데이터를 출력한다.

여기서, 장애 발생 시 거래 중간에 발생한 로그데이터를 분석하여, 장애의 원인이 시스템 장비의 에러에 의한 것인지 사용자에 의한 것인지를 판단한다. 이와 같이, 사용자의 거래 패턴에 따른 로그데이터를 분석함으로써, 공통적인 거래 패턴을 도출해 내고, 향후 유사 거래 패턴 발생 시에 거래를 중지시키거나 에러를 발생시키지 않도록 분석 데이터를 생성하여 출력한다.

특히, 사용자의 첫번째 거래 시 휴먼 에레로 장애가 발생한 경우, 2번째, 3번째 거래 시 장애가 발생하지 않도록 UX 개선이나, 서비스가 중단된 단계부터 다시 서비서의 이용이 이루어지도록 할 수 있다.

서비스 시스템에 장애가 발생한 경우, 장애 시점의 로그데이터를 분석하여 실시간으로 장애 원인을 제거 또는 복구할 수 있다. 또한, 장애 요인들의 분석 데이터를 축척하여, 장애를 발생시키는 패턴이 발생하는 경우에 사전에 장애 발생을 방지시킬 수 있다.

다른 실시의 예는 사용자들이 온라인 상에서 수행한 전 단계, 전전 단계들의 로그의 행동패턴들을 금융 최종거래를 예측하는 로지스틱 회귀 예측모형에 입력하여 금융 최종거래를 예측한다. 이때, 온라인 상의 금융 최종거래를 실행할 가능성이 높은 사용자들(예를 들어, 특정 제품 구매와 관련하여 전단계들의 로그 행동패턴에 기초하여 미리 결정된 횟수 이상으로 특정 제품에 대한 검색을 수행하거나 또는 미리 결정된 확률 이상으로 특정 제품을 구매한 다른 사용자와 동일한 검색 패턴을 가진다고 결정되는 사용자)을 추출하여 향후 관련 대출 신청, 제품 구매 및 신용카드 신설 등의 금융 최종거래에 대한 프로모션을 해당 거래를 실행할 가능성이 높은 사용자들에게 제공하여 보다 효과적인 마케팅 실행을 집행할 수 있도록 한다.

또 다른 실시 예는 회사 내의 조직원들이 회사 시스템인 온라인 상에서 수행한 전 단계, 전전 단계들의 로그의 행동패턴들을 조직원들이 향후 단기간 내에 퇴직할 확률을 예측하는 로지스틱 회귀 예측모형에 입력하여 향후 퇴직할 가능성이 높은 조직원(예를 들어, 전단계들의 로그 행동패턴에 기초하여 미리 결정된 횟수 이상으로 온라인 상에서 단기 퇴사자와 동일한 특정 액션을 수행하거나 또는 미리 결정된 확률 이상으로 온라인 상에서 단기 퇴사자와 동일한 액션 패턴을 가진다고 결정되는 조직원)을 예측한다. 이를 통해서, 조직원들의 퇴직을 방지하고자 하는 효과적인 인사보상 및 면담들을 실행해 퇴직율을 감소시킬 수 있다.

또 다른 실시의 예는 회사 내의 조직원들이 회사 시스템인 온라인 상에서 수행한 전 단계, 전전 단계들의 로그의 행동패턴들을 조직원들의 업무 마찰 확률을 예측하는 로지스틱 회귀 예측모형에 입력하여 향후 조직원들 간의 업무 마찰이 발생할 가능성이 높은 조직원들(예를 들어, 특정 마찰 유형(예컨대, 업무이의제기, 지시불이행, 부서이동요청 등)과 관련하여 전단계들의 로그 행동패턴에 기초하여 미리 결정된 횟수 이상으로 온라인 상에서 특정 마찰 유형 발생자와 동일한 특정 액션을 수행하거나 또는 미리 결정된 확률 이상으로 온라인 상에서 특정 마찰 유형 발생자와 동일한 액션 패턴을 가진다고 결정되는 조직원)을 예측한다. 이를 통해서, 조직원들의 업무 마찰로 인한 생산성 및 업무 효율성의 저하를 방지할 수 있다.

전술한 바와 같이, 본 발명에 따른 온라인서비스 행동패턴 분석 및 장애 예측 시스템 및 그 방법은, 각 방문 로그들을 적재하여 일정 시간이 지나거나 데이터가 일정 부분 쌓이면 각 노드들을 예측하는 로지스틱 회귀모형들이 생성되어, 최종 서비스 노드를 예측하는 회귀모형들과 그 전 단계의 노드 액션을 예측하기 위해 그 전전 단계를 요인변수로 최귀모형들이 나오는 모델을 실현할 수 있다. 따라서, 로지스틱 회귀모형에 근간하여 각 노드의 액션이 일어날 때마다 0과 1로만 구분되고,서비스 순서 계층 별로 회귀모형이 여러 개가 나오는 모델을 제공할 수 있다.

본 발명이 속하는 기술 분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

하나 이상의 예시적인 실시 예에서, 설명한 기능들은 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합으로 구현될 수 있다. 소프트웨어로 구현된다면, 이 기능들은 컴퓨터 판독 가능 매체 상에 하나 이상의 명령 또는 코드로서 저장 또는 전송될 수 있다. 컴퓨터 판독 가능 매체는 한 장소에서 다른 장소로 컴퓨터 프로그램의 전달을 용이하게 하는 임의의 매체를 포함하는 통신 매체 및 컴퓨터 저장 매체를 모두 포함한다. 저장 매체는 컴퓨터에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 한정이 아닌 예시로, 이러한 컴퓨터 판독 가능 매체는 RAM, ROM, EEPROM, CD-ROM이나 다른 광 디스크 저장소, 자기 디스크 저장소 또는 다른 자기 저장 디바이스, 또는 명령이나 데이터 구조의 형태로 원하는 프로그램코드를 전달 또는 저장하는데 사용될 수 있으며 컴퓨터에 의해 액세스 가능한 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독 가능 매체로 적절히 지칭된다. 예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 꼬임 쌍선, 디지털 가입자 회선(DSL), 또는 적외선, 라디오 및 초고주파와 같은 무선 기술을 이용하여 웹사이트, 서버 또는 다른 원격 소스로부터 전송된다면, 동축 케이블, 광섬유 케이블, 꼬임 쌍선, DSL, 또는 적외선, 라디오 및 초고주파와 같은 무선 기술들이 매체의 정의에 포함된다. 여기서 사용된 것과 같은 디스크(disk 및 disc)는 콤팩트 디스크(CD), 레이저 디스크, 광 디스크, 디지털 다목적 디스크(DVD), 플로피디스크 및 블루레이 디스크를 포함하며, 디스크(disk)들은 보통 데이터를 자기적으로 재생하는 반면, 디스크(disc)들은 데이터를 레이저에 의해 광학적으로 재생한다. 상기의 조합들 또한 컴퓨터 판독 가능 매체의 범위 내에 포함되어야 한다.

실시 예들이 프로그램 코드나 코드 세그먼트들로 구현될 때, 코드 세그먼트는 프로시저, 함수, 서브프로그램, 프로그램, 루틴, 서브루틴, 모듈, 소프트웨어 패키지, 클래스, 또는 명령들, 데이터 구조들, 또는 프로그램 명령문들의 임의의 조합을 나타낼 수 있는 것으로 인식해야 한다. 코드 세그먼트는 정보, 데이터, 인수(argument), 파라미터 또는 메모리 콘텐츠를 전달 및/또는 수신함으로써 다른 코드 세그먼트 또는 하드웨어 회로에 연결될 수 있다. 정보, 인수, 파라미터, 데이터 등은 메모리 공유, 메시지 전달, 토큰 전달, 네트워크 송신 등을 포함하는 임의의 적당한 수단을 이용하여 전달, 발송 또는 전송될 수 있다. 추가로, 어떤 측면들에서 방법 또는 알고리즘의 단계들 및/또는 동작들은 컴퓨터 프로그램 물건으로 통합될 수 있는 기계 판독 가능 매체 및/또는 컴퓨터 판독 가능 매체 상에 코드들 및/또는 명령들 중 하나 또는 이들의 임의의 조합이나 세트로서 상주할 수 있다.

소프트웨어에서 구현에서, 여기서 설명한 기술들은 여기서 설명한 기능들을 수행하는 모듈들(예를 들어, 프로시저, 함수 등)로 구현될 수 있다. 소프트웨어 코드들은 메모리 유닛들에 저장될 수 있으며 프로세서들에 의해 실행될 수 있다. 메모리 유닛은 프로세서 내에 구현될 수도 있고 프로세서 외부에 구현될 수 있으며, 이 경우 메모리 유닛은 공지된 바와 같이 다양한 수단에 의해 프로세서에 통신 가능하게 연결될 수 있다.

하드웨어 구현에서, 처리 유닛들은 하나 이상의 주문형 집적 회로(ASIC), 디지털 신호 프로세서(DSP), 디지털 신호 처리 디바이스(DSPD), 프로그래밍 가능 로직 디바이스(PLD), 현장 프로그래밍 가능 게이트 어레이(FPGA), 프로세서, 제어기, 마이크로컨트롤러, 마이크로프로세서, 여기서 설명한 기능들을 수행하도록 설계된 다른 전자 유닛들, 또는 이들의 조합 내에 구현될 수 있다.

상술한 것은 하나 이상의 실시 예의 실례를 포함한다. 물론, 상술한 실시 예들을 설명할 목적으로 컴포넌트들 또는 방법들의 가능한 모든 조합을 기술할 수 있는 것이 아니라, 당 업자들은 다양한 실시 예의 많은 추가 조합 및 치환이 가능함을 인식할 수 있다. 따라서 설명한 실시 예들은 첨부된 청구범위의 진의 및 범위 내에 있는 모든 대안, 변형 및 개조를 포함하는 것이다. 더욱이, 상세한 설명 또는 청구범위에서 "포함한다"라는 용어가 사용되는 범위에 대해, 이러한 용어는 "구성되는"이라는 용어가 청구범위에서 과도적인 단어로 사용될 때 해석되는 것과 같이 "구성되는"과 비슷한 식으로 포함되는 것이다.

더욱이, 본 출원에서 사용된 바와 같이, "컴포넌트", "모듈", "시스템" 등의 용어는 이에 한정되는 것은 아니지만, 하드웨어, 펌웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어 또는 실행중인 소프트웨어와 같은 컴퓨터 관련 엔티티를 포함하는 것이다. 예를 들어, 컴포넌트는 이에 한정되는 것은 아니지만, 프로세서상에서 실행하는 프로세스, 프로세서, 객체, 실행 가능한 실행 스레드, 프로그램 및/또는 컴퓨터일 수도 있다. 예시로, 연산 디바이스 상에서 구동하는 애플리케이션과 연산 디바이스 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트가 프로세스 및/또는 실행 스레드 내에 상주할 수 있으며, 컴포넌트가 하나의 컴퓨터에 집중될 수도 있고 그리고/또는 2개 이상의 컴퓨터 사이에 분산될 수도 있다. 또한, 이들 컴포넌트는 각종 데이터 구조를 저장한 각종 컴퓨터 판독 가능 매체로부터 실행될 수 있다. 컴포넌트들은 하나 이상의 데이터 패킷(예를 들어, 로컬 시스템, 분산 시스템의 다른 컴포넌트와 그리고/또는 신호에 의해 다른 시스템들과 인터넷과 같은 네트워크를 거쳐 상호 작용하는 어떤 컴포넌트로부터의 데이터)을 갖는 신호에 따르는 등 로컬 및/또는 원격 프로세스에 의해 통신할 수 있다.

100: 금융 서비스 지원 장치
110: 데이터 분석 DB
120: 데이터 처리부
130: 에러 판단부
140: 서비스 추정부

Claims (16)

1. 사용자들의 거래 패턴에 따른 로그데이터를 수집하는 수집부;
   이전 사용자들의 거래 패턴에 따른 로그 데이터 및 분석 데이터를 저장하는 저장부;
   상기 이전 사용자들의 로그데이터 및 분석 데이터와 특정 사용자의 현재 시점의 로그데이터를 비교하여 상기 특정 사용자의 향후 거래 패턴을 예측하는 분석부; 및
   상기 분석부의 분석 결과에 기초하여 특정 사용자에게 금융 정보 및 상품 정보를 제공하는 제어부;
   를 포함하고,
   상기 분석부는, 복수의 제1 노드들을 포함하는 제1 노드단, 복수의 제2 노드들을 포함하는 제2 노드단, 상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들을 연결시키는 복수의 링크를 포함하고,
   상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들 각각은 단계별 메뉴의 종류이고, 사용자 별로 각 노드를 방문 또는 메뉴를 클릭하면 ‘1’을 적재하고, 방문하지 않으면 ‘0’을 적재하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
2. 제1 항에 있어서,
   상기 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교한 결과, 장애가 예측되는 경우 장애 복구, 개선 및 사전 조치를 위한 제어신호를 출력하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
3. 제1 항에 있어서,
   상기 저장부는, 상기 이전 사용자들의 거래 패턴에 따른 로그데이터가 저장되는 제1 메모리 및
   상기 이전 사용자들의 거래 패턴에 따른 분석 데이터가 저장되는 제2 메모리를 포함하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
4. 삭제
5. 제1 항에 있어서,
   상기 분석부는, 첫번째 단계 별 메뉴 접속 시 정형데이터를 1로 표시하고, 단계 별 메뉴 접속 표시를 1로 적재하며,
   두번째 단계 별 메뉴 접속 시 정형데이터를 1로 표시해서 각 단계 별 메뉴 접속 순으로 전 단계의 메뉴접속 별 원인과 두번째 접속 메뉴인 결과를 예측모형으로 하는 각 단계의 계층 별로 로지스틱 회귀 모형들을 도출하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
6. 제5 항에 있어서,
   상기 분석부는, 상기 이전 사용자들이 A 상품을 검색한 이후 일정 기간 이내에 B 상품을 구매한 경우에, 상기 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교한 결과, 상기 특정 사용자가 상기 A 상품을 검색하면 상기 특정 사용자가 일정 기간 이내에 상기 B 상품을 구매할 확률이 있는 것으로 판단하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
7. 제1 항에 있어서,
   상기 분석부는, 온라인 상에서 수행된 금융 거래의 전 단계, 전전 단계들의 로그의 행동패턴들을 금융 최종거래를 예측하는 로지스틱 회귀 예측모형에 입력하여 금융 최종거래를 예측하고, 온라인 상의 금융 최종거래를 실행할 가능성이 있는 사용자들을 추출하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
8. 제7 항에 있어서,
   상기 제어부는, 향후 대출 신청, 제품 구매 또는 신용카드 신설을 포함하는 금융 최종거래에 대한 프로모션을 해당 금융 최종거래를 실행할 가능성이 있는 사용자들에게 제공하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
9. 제1 항에 있어서,
   상기 분석부는, 회사 시스템에서 수행한 전 단계, 전전 단계들의 로그의 행동패턴들을 조직원들이 향후 퇴직할 확률을 예측하는 로지스틱 회귀 예측모형에 입력하여 향후 퇴직할 가능성이 있는 조직원을 예측하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
   
10. 제1 항에 있어서,
    상기 분석부는, 회사 시스템에서 수행한 전 단계, 전전 단계들의 로그의 행동패턴들을 조직원들의 업무 마찰 확률을 예측하는 로지스틱 회귀 예측모형에 입력하여 향후 조직원들 간의 업무 마찰이 발생할 가능성이 있는 조직원들을 예측하는, 온라인서비스 행동패턴 분석 및 장애 예측 시스템.
    
11. 이전 사용자들의 거래 패턴에 따른 로그 데이터 및 분석 데이터를 저장하는 저장부를 포함하는 시스템의 온라인 서비스 행동패턴 분석 및 장애 예측 방법으로서,
    (a) 수집부가 사용자들의 거래 패턴에 따른 로그데이터를 수집하는 단계;
    (b) 분석부가 상기 수집된 로그데이터에 대해, 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교하여 상기 특정 사용자의 향후 거래 패턴을 예측하는 단계; 및
    (c) 제어부가 상기 분석부의 분석 결과에 기초하여 특정 사용자에게 금융 정보 및 상품 정보를 제공하는 단계;
    를 포함하고,
    상기 (b) 단계에서 상기 분석부는, 복수의 제1 노들을 포함하는 제1 노드단, 복수의 제2 노들을 포함하는 제2 노드단, 상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들을 연결시키는 복수의 링크를 포함하고,
    상기 제1 노드단에 포함된 노드들과 상기 제2 노드단에 포함된 노드들 각각은 단계별 메뉴의 종류이고, 사용자 별로 각 노드를 방문 또는 메뉴를 클릭하면 ‘1’을 적재하고, 방문하지 않으면 ‘0’을 적재하는, 온라인서비스 행동패턴 분석 및 장애 예측 방법.
    
12. 삭제
13. 제11 항에 있어서,
    상기 (b) 단계에서 상기 분석부는, 첫번째 단계 별 메뉴 접속 시 정형데이터를 1로 표시하고, 단계 별 메뉴 접속 표시를 1로 적재하며,
    두번째 단계 별 메뉴 접속 시 정형데이터를 1로 표시해서 각 단계 별 메뉴 접속 순으로 전 단계의 메뉴접속 별 원인과 두번째 접속 메뉴인 결과를 예측모형으로 하는 각 단계의 계층 별로 로지스틱 회귀 모형들을 도출하는, 온라인서비스 행동패턴 분석 및 장애 예측 방법.
    
14. 제13 항에 있어서,
    상기 (b) 단계에서 상기 분석부는, 상기 이전 사용자들이 A 상품을 검색한 이후 일정 기간 이내에 B 상품을 구매한 경우에, 상기 특정 사용자의 현재 시점의 로그데이터를 상기 이전 사용자들의 로그데이터 및 분석 데이터와 비교한 결과, 상기 특정 사용자가 상기 A 상품을 검색하면 상기 특정 사용자가 일정 기간 이내에 상기 B 상품을 구매할 확률이 있는 것으로 판단하는, 온라인서비스 행동패턴 분석 및 장애 예측 방법.
    
15. 제11 항에 있어서,
    상기 (b) 단계에서 상기 분석부는, 온라인 상에서 수행된 금융 거래의 전 단계, 전전 단계들의 로그의 행동패턴들을 금융 최종거래를 예측하는 로지스틱 회귀 예측모형에 입력하여 금융 최종거래를 예측하고, 온라인 상의 금융 최종거래를 실행할 가능성이 있는 사용자들을 추출하는, 온라인서비스 행동패턴 분석 및 장애 예측 방법.
    
16. 제11 항에 있어서,
    상기 (c) 단계에서 상기 제어부는, 향후 대출 신청, 제품 구매 또는 신용카드 신설을 포함하는 금융 최종거래에 대한 프로모션을 해당 금융 최종거래를 실행할 가능성이 있는 사용자들에게 제공하는, 온라인서비스 행동패턴 분석 및 장애 예측 방법.

Images