KR102073208B1 - 경기장 방문객 대상 빅데이터 분석 시스템 - Google Patents

경기장 방문객 대상 빅데이터 분석 시스템 Download PDF

Info

Publication number
KR102073208B1
KR102073208B1 KR1020180025372A KR20180025372A KR102073208B1 KR 102073208 B1 KR102073208 B1 KR 102073208B1 KR 1020180025372 A KR1020180025372 A KR 1020180025372A KR 20180025372 A KR20180025372 A KR 20180025372A KR 102073208 B1 KR102073208 B1 KR 102073208B1
Authority
KR
South Korea
Prior art keywords
visitor
store
time
data
stadium
Prior art date
Application number
KR1020180025372A
Other languages
English (en)
Other versions
KR20190109637A (ko
Inventor
설진현
Original Assignee
주식회사 세중아이에스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 세중아이에스 filed Critical 주식회사 세중아이에스
Priority to KR1020180025372A priority Critical patent/KR102073208B1/ko
Publication of KR20190109637A publication Critical patent/KR20190109637A/ko
Application granted granted Critical
Publication of KR102073208B1 publication Critical patent/KR102073208B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 스포츠 경기장 방문객의 이동경로 패턴을 통계적으로 파악하여 방문객이 선호하는 소비 패턴을 예측하고 맞춤형 마케팅 서비스를 제안하도록 구현한 경기장 방문객 대상 빅데이터 분석 시스템에 관한 것으로, 방문객 마케팅 서비스를 위한 요구사항을 정의하는 정의장치; 정의장치에서 정의한 요구사항을 바탕으로 방문객의 이동경로 패턴 및 선호도를 분석하여 방문객 마케팅 서비스를 제안하는 빅데이터 분석 알고리즘을 설계하는 설계장치; 및 설계장치에서 설계한 빅데이터 분석 알고리즘을 바탕으로 빅데이터 분석 알고리즘을 구현시켜 방문객 마케팅 서비스를 제안하는 구현장치를 포함한다.

Description

경기장 방문객 대상 빅데이터 분석 시스템{stadium visitor big-data analysis system}
본 발명의 기술 분야는 경기장 방문객 대상 빅데이터 분석 시스템에 관한 것으로, 특히 스포츠 경기장 방문객의 이동경로 패턴을 통계적으로 파악하여 방문객이 선호하는 소비 패턴을 예측하고 맞춤형 마케팅 서비스를 제안하도록 구현한 경기장 방문객 대상 빅데이터 분석 시스템에 관한 것이다.
한국등록특허 제10-1721041호(2017.03.23 등록)는 관심 지점을 이용한 이동 패턴 분석 시스템 및 방법에 관하여 개시되어 있는데, 시간에 따라 수집된 사용자의 위치 정보를 기반으로 사용자의 생활 패턴을 추출하는 제1 분석부; 추출된 사용자의 생활 패턴을 기반으로 관심 지점(POI, Point of Interest)을 산출하고, 산출된 관심 지점에 머무른 시간 또는 빈도수를 고려하여 가중치를 부여하고, 부여된 가중치에 따라 중요도 순으로 관심 지점을 구분하여, 구분된 관심 지점을 기반으로 POI 시퀀스를 모델링하는 제2 분석부; 및 모델링된 POI 시퀀스를 기반으로 사용자의 경로 이탈 여부를 판단하는 판단부를 포함하는 것을 특징으로 한다. 개시된 기술에 따르면, 비콘신호를 이용하여 사용자의 이동 패턴을 분석할 수 있으며, 어린이 및 부녀자 등 보호해야 할 대상의 위기 상황, 또는 이상 상황 등을 즉각적으로 파악할 수 있으며, 비콘신호를 이용하여 사용자의 배회, 혹은 평소 다니는 경로의 이탈 여부를 감지할 수 있으며, 사용자의 평소 이동 패턴을 기반으로 비콘신호를 이용해 사용자의 이상 여부를 파악할 수 있으며, 비콘을 포함한 위치를 측정할 수 있는 수단(즉, 위치기반서비스, WiFi AP(Access point) 등)을 이용하여 사용자의 이동 패턴을 모델링하고, 이를 기반으로 경로 이탈 여부를 감지함으로써 안전 서비스를 제공할 수 있다.
한국등록특허 제10-1707985호(2017.02.13 등록)는 고객이 매장에 자연스럽게 유도되도록 매장까지 불편 없이 진입하도록 하고, 진입 후에도 비콘에 의해 매장이 상품안내, 할인쿠폰, 온라인 주문이 바로 가능하도록 한 고객을 매장에 유도하기 위한 시스템에 관하여 개시되어 있다. 개시된 기술에 따르면, 지하 또는 지상 주차장의 빈 구획 확인과 최종 주차 위치 확인 서비스를 제공하는 주차관리시스템; 와이파이를 이용하여 현재의 상세한 위치와 위치 이동 정보에 따라 건물 실내 내부에서 특정 매장 또는 매장에서 주차한 차량 위치까지 실시간 길안내를 제공하는 IPS실내네비게이션; 각 매장에 설치된 ID값과 입장용, 쿠폰용, 상품상세용, 및 테이블번호용 속성 중 하나를 갖고 있는 비콘; 주차관리시스템, IPS실내네비게이션 기능과 비콘의 ID값과 속성을 인식하는 기능을 포함하여, 비콘이 설치된 특정 매장 앞을 지나갈 때, 비콘이 감지한 ID값과 내장된 고객 ID를 플랫폼서버에 전송하고, 비콘이 감지한 ID값과 내장된 고객 ID를 통해 현재 고객이 위치한 매장의 전용앱을 구동하여 매장정보, 비콘 속성, 고객취향에 대응하는 온라인구매 및 상품출하 안내를 전달받는 고객 단말기; 비콘이 감지한 ID값과 고객 ID를 고객 단말기를 통해 전달 받고, 모바일 쇼핑앱과 온라인쇼핑몰 자동 구축을 위한 미리 저장된 템플릿을 선택하도록 하고 화면스킨, 카테고리, 상품등록, 쿠폰발행, 포인트관리, 비콘관리, NFC관리, ESL관리, 고객관리, 주문결재관리, 출하관리, 배송관리, Claim관리, 및 통계자료 중 하나 이상의 기능을 포함하는 플랫폼 서버; 특정 매장에 입장하는 고객에 대해 플랫폼서버에서 매장정보, 비콘 속성, 고객취향을 전달받아 고객을 접대하고, 플랫폼서버가 주문내역을 확인하여 상품을 출하관리하면서 전송한 통계정보를 전달받아 고객 상대 마케팅을 보조하는 매장단말기; 매장에 설치되며, 비콘에 의해 근거리 네트워크에 진입한 고객 단말기의 방문신호를 수신하고, 고객 ID를 포함하는 고객방문데이터에 따라 생성하는 수신되는 방문신호에 기초하여 매장을 방문한 고객들에 대한 쇼핑정보를 플랫폼 서버를 통해 전달받는 매장단말기를 포함하되, 비콘에 의해 복수의 매장이 동시에 인식될 경우 고객의 업종선호도, 단골정도, 성별 선호도, 나이별 선호도, 시간대별 선호도, 매장과의 거리에 따라 미리 설정된 기준으로 매장 전용 앱을 구동하는 우선순위를 플랫폼 서버가 고객 단말기에 알려주고 우선순위에 따라 화면의 크기를 설정하고, 플랫폼서버는 현재 고객이 어떤 매장에 있는지를 파악하여 고객단말기에 현재 매장의 전용앱을 구동시키고 고객의 입장 시 현재 매장의 전용앱에 고객취향에 맞는 추천상품이 자동 로딩되는 것을 특징으로 한다.
상술한 바와 같은 종래 기술에서는, 매장 고객, 전시회 관람객 등에 대한 빅데이터 분석에 대한 수요가 급증하고 있으나, 특히 경기장 방문객에 대한 빅데이터 분석 기술이 제대로 제공되지 않아, 경기장 관람객에게 효율적인 마케팅 서비스를 제공할 수 없었던 단점을 가지고 있다.
한국등록특허 제10-1721041호 한국등록특허 제10-1707985호
본 발명이 해결하고자 하는 과제는, 전술한 바와 같은 단점을 해결하기 위한 것으로, 스포츠 경기장 방문객의 이동경로 패턴을 통계적으로 파악하여 방문객이 선호하는 소비 패턴을 예측하고 맞춤형 마케팅 서비스를 제안하도록 구현한 경기장 방문객 대상 빅데이터 분석 시스템을 제공하는 것이다.
상술한 과제를 해결하는 수단으로는, 본 발명의 한 특징에 따르면, 방문객 마케팅 서비스를 위한 요구사항을 정의하는 정의장치; 상기 정의장치에서 정의한 요구사항을 바탕으로 방문객의 이동경로 패턴 및 선호도를 분석하여 방문객 마케팅 서비스를 제안하는 빅데이터 분석 알고리즘을 설계하는 설계장치; 및 상기 설계장치에서 설계한 빅데이터 분석 알고리즘을 바탕으로 빅데이터 분석 알고리즘을 구현시켜 방문객 마케팅 서비스를 제안하는 구현장치를 포함하는 경기장 방문객 대상 빅데이터 분석 시스템을 제공한다.
일 실시 예에서, 상기 정의장치는, 경기장 내부시설 구성도를 통해 방문객의 이동경로를 파악할 센서의 위치, 매장들의 종류 및 위치를 파악하여 속성별로 정리하는 것을 특징으로 한다.
일 실시 예에서, 상기 정의장치는, 경기장을 방문한 방문객들이 경기장 내에 있는 매장을 이용할 수 있도록, 방문객 마케팅 서비스를 방문객에게 제공하기 위해 경기장 내부의 마케팅 주요 속성을 설계하는 것을 특징으로 한다.
일 실시 예에서, 상기 정의장치는, 경기장의 내부 시설 구성도를 통한 매장구성데이터를 기반으로 방문객의 이용 선택에 영향을 미치는 매장의 주요 속성을 선별하는 것을 특징으로 한다.
일 실시 예에서, 상기 정의장치는, 매장의 주요 속성을 매장유형, 브랜드, 메뉴, 가격, 거리, 신속성의 6가지로 선별하며, 매장유형의 경우에 치킨 전문점, 햄버거 전문점, 카페, 편의점, 기념품점으로 구별하며, 브랜드의 경우에 유명 브랜드와 자체 브랜드로 구별하며, 메뉴의 경우에 대표 메뉴 및 희소 메뉴의 유무에 따른 차별성을 파악하도록 하며, 가격의 경우에 유사 매장별 또는 대표 동일 메뉴별 가격을 비교하도록 하며, 거리의 경우에 방문객의 현 위치 기준으로 최단 거리를 파악하도록 하며, 신속성의 경우에 매장의 혼잡도에 따른 최단 대기시간을 파악하도록 하는 것을 특징으로 한다.
일 실시 예에서, 상기 정의장치는, 경기장에 출입한 방문객의 추적정보를 저장하기 위한 빅스포츠데이터베이스를 설계해 주며, 빅스포츠데이터베이스에 경기장 정보, 방문객 정보, 방문객 추적정보, 센서 정보를 저장하는 것을 특징으로 한다.
일 실시 예에서, 상기 정의장치는, 경기장 정보를 저장하는 경기장테이블, 방문객 정보를 저장하는 방문객테이블, 방문객 추적정보를 저장하는 추적테이블, 센서 정보를 저장하는 센서테이블을 빅스포츠데이터베이스에 포함시켜 주는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문객 마케팅 서비스를 제안하는 시나리오를 설계해 주는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문객의 선호 패턴 및 이동 노선을 예측하는 선호패턴/이동노선 예측 알고리즘을 설계해 주는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 빅데이터 기반으로 방문객을 분석하여 방문객의 선호팀, 방문객의 소비 패턴에 대한 군집화 알고리즘을 설계해 주는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 매장별 이윤창출을 위한 방문객 분석에 따른 맞춤형 추천 가이드 시스템으로 방문객 이용 경로 가이드, 방문객 이용 유도, 상황인지 추론의 시스템을 설계해 주는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 선호팀 경기 유무에 따른 방문객 방문 빈도수를 통계/분석하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문 경기에 따른 방문객 선호팀을 분석하며, 케이민즈 클러스터링 알고리즘을 사용하여 방문객 선호 패턴에 따른 군집화를 수행하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 경기장 정보와 방문객 방문 경기 시간 정보를 이용하여 선호팀 예측 및 경기 방문일을 확인하며, 케이민즈 클러스터링 알고리즘을 통한 방문객 방문 패턴 및 선호 패턴을 도출하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 추후 경기일자에 따른 방문 가능 분석을 통해 재방문객 분석과, 선호 패턴에 따른 기념품점별 마케팅 방안을 제공하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 통계 데이터 적용 가능 모형으로, 아리마 모형, 아맥스 시계열 회귀 모형, 시계열 요인 모형, 상태 공간 모형, 히든 마코프 모형 중 적어도 하나 이상을 탐색하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 장소 1에서 n까지의 구역별 인구수 시계열 데이터 중에서 증감 폭이 큰 구간을 추출하여, 증감 폭이 큰 구간 추출 그래프를 구하며, 경기장 내 전체 인구 이동데이터와 비교하여 요인 추출해서 경기장 내 이벤트가 있는 경우에 해당 데이터와 매치시켜 주는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 기계학습 알고리즘을 통한 방문객 선호 패턴 분석을 위한 선호팀 경기 유무에 따른 방문객 방문 빈도수를 통계/분석하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 마케팅 대상 선정을 위한 방문객 유형 패턴을 파악하며, 케이민즈 클러스터링 알고리즘을 사용하여 방문객 선호 패턴에 따른 군집화를 수행하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 과거 방문 구역 내역, 방문 구역별 주요 속성, 구역별 머문 시간, 구역별 재방문 빈도수를 포함한 방문객 선호 구역 군집 주요 속성에 따른 군집화 및 방문객의 선호 구역 아이템 집합을 도출하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 과거 방문 구역 내역의 경우, 임계치 설정으로 일시적으로 지나간 장소를 제외하고, 임계치 시간 이상 정지한 장소를 기준으로 방문객 방문 구역을 선별하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문 구역별 주요 속성의 경우, 방문 구역의 차별화된 대표 속성에 따른 선호도를 예측하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 구역별 머문 시간의 경우, 방문 구역 중 머문 시간의 정도를 확인하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 구역별 재방문 빈도수의 경우, 일별 재방문 빈도수 또는 월별 재방문 빈도수를 집계하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 모바일 어플리케이션을 이용하여 수집된 방문객의 연령, 성별, GPS 데이터와, 센서에서의 비콘 센싱 데이터, 그리고 기계학습 결과 데이터를 통해 방문객의 선호 패턴을 분석하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 기계학습 알고리즘을 활용해서, 입력 데이터인 방문객의 GPS 데이터, 매장의 위치가 포함된 GPS 데이터에 따라 방문객의 현 위치로부터 최단 거리에 위치한 매장 우선순위의 출력 데이터를 구하거나, 입력 데이터인 방문객의 GPS 데이터, 매장 내 비콘 데이터에 따라 매장의 실시간 혼잡도의 출력 데이터를 구하거나, 입력 데이터인 방문객의 개인 데이터, 방문객 매장 선호도에 따라 방문객 연령대별 매장 선호도의 출력 데이터를 구하거나, 입력 데이터인 방문객 연령, 방문객 매장 선호도에 따라 방문객 연령에 따른 매장 선호도를 드러내는 탑케이 우선순위의 출력 데이터를 구하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 케이민즈 클러스터링 알고리즘을 사용하여 경기장을 방문한 방문객의 선호 패턴을 분석하고, 선호 패턴에 따라 군집화하여 유사한 방문객 그룹을 대상으로 개인화된 서비스를 제공하도록 하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 과거 방문시간이 일정 수준 이상인 방문객을 대상으로 선호 장소와 이용 패턴을 확인하며, 방문객이 주로 방문하는 구역과 머문 시간과 해당 구역이 갖는 특성을 확보하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 케이민즈 클러스터링 알고리즘의 경우, 데이터가 유입될 때에 랜덤으로 특정 데이터를 기준으로 센트로이드를 계산해 주고, 이후 분석하고자 하는 데이터 세트의 데이터와 가장 가까운 거리에 있는 센트로이드로 배정해 주는 과정을 수행하며, 해당 과정을 데이터 세트의 모든 데이터에 대해서 반복하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 예측하고자 하는 데이터가 입력될 경우에, KNN 알고리즘을 활용하여 학습 데이터를 통해 분석된 결과를 통해 가장 유사한 그룹을 출력함으로써, 방문객의 연령과 선호 수치를 기반으로 군집화된 주요 방문객 데이터를 대상으로 신규 데이터의 그룹을 예측하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문객의 매장 선호도를 분류하기 위해 디시전 트리 기법을 활용하여 해당 매장의 선호도를 출력하는 선호도 매트릭스를 설계 및 부분 구현할 때, 선호도 매트릭스를 구성하기 위해서, 디시전 트리 모델을 활용하여 매장 방문 횟수를 바탕으로 구축한 규칙 기반 전처리 모델과 체류 시간 및 날씨 상태를 입력 데이터로 넣는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 서브시퀀스 매치 및 계층 기반 스카이라인 알고리즘을 활용하여 방문객 데이터를 검색하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문객의 이동 경로 가이드 또는 알림 시에, 탑케이 알고리즘을 사용하여 속성별 비교를 수행하며, 구역별 혼잡도 기반 웨이티드 다익스트라 알고리즘을 사용하여 최단거리를 계산하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 속성별 비교에 따른 맞춤형 매장을 추출한 후에, 방문객의 현 위치를 기준으로 최단거리 매장의 위치를 가이드 또는 알림을 수행하며, 해당 매장의 혼잡도가 임계치 이상일 경우, 그 다음 매장을 안내하며, 방문객의 이동을 유도 또는 알림을 수행하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문객의 이동을 유도 또는 알림 시에, 혼잡도가 높은 구역을 분석한 후에, 이동 추천 대상을 선정하며, 방문객의 다음 행선지로 혼잡도가 낮은 인근 매장을 제안해 주며, 특정구역에서 일정 시간 이상 머무른 방문객을 다른 장소로 유도하기 위하여, 해당 지역의 활동 레벨을 분석하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문객의 이동을 예측 또는 추천할 시에, 디시전 트리 알고리즘을 활용하여 순차적 요소에 따른 상황 규칙 기반 마이닝을 수행하고, 방문객 기반 협업 필터링 알고리즘을 활용하여 선호 이력이 유사한 다른 방문객의 선호 지역을 탐색하는 것을 특징으로 한다.
일 실시 예에서, 상기 설계장치는, 방문객 소비 유형을 파악한 후에, 방문객 방문 내역을 기반으로 해당 유형 매장별 선호도를 분석하며, 선호 이력이 유사한 다른 방문객의 선호 지역을 탐색하며, 방문객 기반 선호 매장 예상 표를 기준으로 선호 이력이 유사한 연관성이 높은 방문객이 좋아하는 지역을 추천하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 로컬데이터베이스와 원격데이터베이스로 이루어진 데이터베이스를 형성하는 것을 특징으로 하는 경기장 방문객 대상 빅데이터 분석 시스템.
일 실시 예에서, 상기 구현장치는, 자바프로그램을 활용하여 방문객 인원, 방문객 아이디, 방문객 맥 어드레스를 포함한 방문객 정보와, 총경기시간, 방문객 입장 가능한 시간, 모든 방문객 퇴출 시간을 포함한 경기 정보에 따라 로우데이터를 생성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 추적 테이블 데이터 랜덤 생성 자바 프로그램을 활용하여 시퀀스, 방문객 아이디, 센서 아이디, 진입 시각, 퇴출 시각을 추적 테이블에 저장하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 진입시각생성함수, 랜덤시각생성함수, 랜덤분생성함수를 이용하여 추적 테이블에 삽입할 데이터들을 랜덤으로 생성하며, 추적 테이블 삽입 소스코드를 활용하여 게이트에 입장한 방문객의 추적 데이터를 추적 테이블에 삽입하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 진입시각생성함수를 호출하여 진입 시각을 랜덤 생성하며, 진입시각생성함수가 랜덤시각생성함수와 랜덤분생성함수를 호출하며, 랜덤시각생성함수가 시간을 랜덤하게 생성하며, 랜덤분생성함수가 분을 랜덤하게 생성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 방문객 테이블 데이터 랜덤 생성 자바 프로그램을 활용하여 방문객 아이디, 맥 어드레스, 경기장 아이디를 방문객 테이블에 저장하며, 랜덤맥어드레스생성함수를 이용하여 방문객 테이블에 삽입할 데이터들을 랜덤으로 생성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 랜덤맥어드레스생성함수를 호출하여 기 설정된 수의 방문객의 맥 어드레스를 랜덤으로 생성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 탐지 정보 기반 방문객 이동 경로 패턴을 센싱 데이터로 수집하여 저장한 뒤에, 시간대별 지역 방문객 변화를 통계 데이터로 시각화하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 방문객 이동 패턴 분석 알고리즘을 활용하여, 경기장 내의 각 부대시설의 시간별 방문객 기준으로 시간대별 방문객 최고 밀집 지역을 선정하고, 통계 데이터를 분석하여 이동 변화량이 큰 지점을 찾아내어 방문객의 이동 패턴을 파악하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 특정 시간대 상의 어떤 지점이 있다고 가정하였을 때, 다음 시간대에서 해당 지점과 가장 유사한 인구 밀집을 갖고 있는 지점을 방문객의 다음 경로로 예측하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 방문객 이동 패턴 분석 알고리즘을 활용하여, 매지점에서 인구수가 가장 많은 곳을 추출하여 다음 경로를 예측하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 방문객 이동 패턴을 분석하고, 시간대 및 구역 특성에 따라 증가원인을 분석하며, 특정 시점의 방문객 수와 이전시점의 방문객 수가 일정 비율 이상 증가하였을 경우에 이상 행동을 감지하며, 서로 다른 구역의 특정 시점의 방문객 수와 이전시점의 방문객 수가 비슷한 경우에 구역 간의 방문객 이동 경로를 생성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 방문객 경기장 내부 시설 이용 패턴 분석 시에, 센싱된 방문객들의 순서에 따라 자동 갱신되는 시퀀스와, 맥 어드레스를 통하여 식별된 개별 방문객의 값을 가지도록 하는 방문객 아이디와, 비콘 센서의 아이디로서, 해당 센서들이 각 주요 매장 및 게이트와 1:1 매칭되는 센서 아이디와, 맥 어드레스가 처음 신호가 잡혔을 때의 기준으로 방문객의 진입을 의미하는 진입 시각과, 맥 어드레스가 해당 구역에서 마지막으로 잡힌 신호의 시간으로서, 방문객의 퇴출을 의미하는 퇴출 시각의 속성을 가지며, 경기장의 일정 구역마다 비콘을 설치하여 방문객의 이동 정보를 센싱한 경기장 센싱 데이터를 기반으로, 경기장의 주요 매장들에 대한 선호도를 추출하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 사용자와 컴퓨팅 환경 사이에 관련된 사용자의 환경, 객체, 상태에 관한 상황을 특징지을 수 있는 모든 정보를 말하는 콘텍스트를 모델링하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 콘텍스트의 데이터에 대한 전처리의 경우에, 로우레벨 콘텍스트로부터 하이레벨 콘텍스트를 생성하는 과정으로, 문장을 하이레벨 콘텍스트로써 고려하여 상황 정보를 얻고자 모델링을 수행하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 추천 대상자와 아이템의 정보가 포함된 선호도 매트릭스를 구성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 비콘을 통해 수집된 경기장 데이터인 암시적 피드백 데이터를 기반으로 선호도 매트릭스를 구성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 규칙 기반 모델을 통해 계산한 매장의 방문 횟수에 따른 관심 정도를 sivc라고 하고, 매장의 체류 시간(vt)에 따른 관심 정도를 sivt라고 하고, 방문객(u)의 매장(si)에 대한 선호도 수치를 Rui라고 할 때에,
Figure 112018021614591-pat00001
로 선호도 수치를 구하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 방문 횟수를 대상으로 한 규칙 기반 전처리 모델을 설계하고, 체류 시간 및 날씨 상태를 대상으로 한 디시전 트리 알고리즘을 설계하여, 선호도 매트릭스를 구성해 주는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 규칙 기반 전처리 모델의 경우에, 해당 매장 방문 일수, 해당 일 체류시간, 임계치 시간의 입력 데이터를 입력받아 방문 횟수에 따른 관심도의 출력 데이터를 도출하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 임계치 시간의 경우에, 방문객이 해당 매장에 방문했을 때, 입력된 임계치 시간 이하로 방문한 방문객은 해당 매장에 관심도가 낮은 지나가는 방문객으로 간주하며, 따라서 해당 방문의 관심도를 0으로 하며, 방문객 카운트의 경우에, 입력된 임계치 시간 이상으로 방문한 방문객은 방문 총일수에 따라 다른 관심도를 가지며, 총기간의 재방문과 해당 일의 재방문의 비교가 이뤄진다는 규칙을 기반으로, 매장 방문 횟수에 대한 규칙 기반 전처리 모델을 설계하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 총기간의 재방문과 해당 일의 재방문의 비교 시, 총기간 재방문 대 해당 일 재방문의 경우에, 이전 방문 시 얻은 긍정적인 선호로 인해 재방문 횟수가 높아질수록 단골이 될 수 있기 때문에 총기간 재방문이 해당 일 재방문보다 더 높은 점수를 가지는 것으로 하며, 총기간 재방문 대 기간 첫 방문의 경우에, 전체 방문 일수가 1인 방문객의 첫 방문은 1의 관심도 값을 가지는 것을 하고, 이틀 이상 방문한 방문객은 해당 일의 방문이 첫 번째 방문인지 재방문인지를 비교하며, 해당 일 방문이 첫 번째 방문이라면 총기간 재방문 수만큼 관심도 값을 가지는 것으로 하며, 해당 일 방문이 재방문이라면 총기간 재방문 수와 임의의 소수를 곱하여 가중치를 낮춘 해당 일 재방문 수를 더한 값을 관심도 값으로 가지는 것으로 하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 디시전 트리 알고리즘을 활용하여 날씨 상황을 고려한 체류 시간과 방문 횟수에 따른 선호도를 도출하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 날씨 상태를 고려한 매장 방문 시간에 대한 디시전 트리 알고리즘을 활용하여 날씨 상태, 온도, 습도, 바람, 체류 시간을 입력 데이터로 받아 날씨 유형에 따른 매장 체류 시간 분류의 출력 데이터를 도출하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 날씨 상황 고려 시에 기상청 API로부터 날씨 상태 정보를 추출하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 디시전 트리 알고리즘의 경우에, 샘플 데이터를 추출하여 /t로 파싱된 텍스트데이터로 변환한 후 이를 바탕으로 디시전 트리 알고리즘을 설계하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 디시전 트리 알고리즘의 입력 데이터인 날씨 정보(날씨 상태, 온도, 습도, 바람) 및 체류 시간 정보의 테이블과, 텍스트데이터의 절대 경로를 입력한 후에, 분류의 대상이 되는 시간 속성을 제거하는 프로그램을 이용하여, 절대 경로 및 제거 속성을 입력받아, 날씨 속성에 따른 디시전 트리 분류 체계를 출력하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 디시전 트리 알고리즘의 결과 분류 체계를 통해 매장(si)의 체류 시간(vt 또는 visitT)에 따른 선호도 값(sivt)을 계산하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 각 매장마다 사람들이 체류하는 평균 시간인 민타임을 구하며, 제i상황(sti)만큼 매장의 모든 상황에 대한 민타임 값을 구하며, 방문객의 체류 시간(vt)에 따른 매장 선호도(s1vt)를
Figure 112018021614591-pat00002
로 구하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, KNN 알고리즘의 경우에, 나이와 선호 수치를 기반으로 군집화된 주요 단골 방문객 데이터를 대상으로 신규 데이터의 그룹을 예측하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 입력 데이터로 학습 데이터(나이, 선호 수치, 소속 그룹), 예측 테스트 데이터(나이, 선호 수치)를 입력받아 예측 테스트 데이터의 소속 그룹의 출력 데이터를 도출하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, KNN 알고리즘의 구현 결과로 방문객 연령, 매장 선호도에 따른 그룹을 예측하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 스카이라인 알고리즘을 활용하여 맞춤형 탑-케이 추천 매장을 제공하며, 방문객의 선호 패턴에 따라 이에 대응하는 마케팅 콘텐츠를 우선순위별로 제공하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 스카이라인 알고리즘 적용 시에, d개의 속성을 가지는 데이터 세트를 d차원의 공간에 매핑한 후에, 계층을 생성하는 인덱싱 기법으로 각 속성 별 우선순위에 따라 계층을 생성하는 것을 특징으로 한다.
일 실시 예에서, 상기 구현장치는, 스카이라인 알고리즘의 구현 결과로 방문객 연령에 따른 방문객 매장 선호도를 도출하는 것을 특징으로 한다.
본 발명의 효과로는, 스포츠 경기장 방문객의 이동경로 패턴을 통계적으로 파악하여 방문객이 선호하는 소비 패턴을 예측하고 맞춤형 마케팅 서비스를 제안하도록 구현한 경기장 방문객 대상 빅데이터 분석 시스템을 제공함으로써, 경기장 관람객에게 효율적인 마케팅 서비스를 제공할 수 있다는 것이다.
도 1은 본 발명의 실시 예에 따른 경기장 방문객 대상 빅데이터 분석 시스템을 설명하는 도면이다.
도 2는 도 1에 있는 정의장치에서의 속성 선별 예를 설명하기 위한 도면이다.
도 3은 도 1에 있는 정의장치에서의 빅스포츠데이터베이스 설계 예를 설명하기 위한 도면이다.
도 4는 도 1에 있는 설계장치에서의 아리마 모형의 안정적 시계열 그래프와 비안정적 시계열 그래프를 설명하는 도면이다.
도 5는 도 1에 있는 설계장치에서의 구역별 인구수 시계열 데이터를 설명하는 도면이다.
도 6은 도 1에 있는 설계장치에서의 증감 폭이 큰 구간 추출 그래프를 예로 나타낸 도면이다.
도 7은 도 1에 있는 설계장치에서의 웨이티드 다익스트라 알고리즘 그래프를 예로 나타낸 도면이다.
도 8은 도 1에 있는 구현장치에서의 추적 테이블 삽입 소스코드를 예로 나타낸 도면이다.
도 9는 도 1에 있는 구현장치에서의 진입시각생성함수를 예로 나타낸 도면이다.
도 10은 도 1에 있는 구현장치에서의 랜덤시각생성함수를 예로 나타낸 도면이다.
도 11은 도 1에 있는 구현장치에서의 랜덤분생성함수를 예로 나타낸 도면이이다.
도 12는 도 1에 있는 구현장치에서의 랜덤맥어드레스생성함수를 예로 나타낸 도면이이다.
도 13은 도 1에 있는 구현장치에서의 선택 쿼리문을 예로 나타낸 도면이다.
도 14는 도 1에 있는 구현장치에서의 선택 쿼리 결과를 예로 나타낸 도면이다.
도 15는 도 1에 있는 구현장치에서의 시간대별 인구 증감 추이를 예로 나타낸 도면이다.
도 16은 도 1에 있는 구현장치에서의 다음 경로 예측을 예로 설명하는 도면이다.
도 17은 도 1에 있는 구현장치에서의 방문객 이동 패턴 분석을 예로 설명하는 도면이이다.
도 18은 도 1에 있는 구현장치에서의 선호도 매트릭스 구성을 예로 설명하는 도면이다.
도 19는 도 1에 있는 구현장치에서의 규칙 기반 전처리 모델을 예로 설명하는 도면이다.
도 20은 도 1에 있는 구현장치에서의 디시전 트리 알고리즘을 예로 설명하는 도면이다.
도 21은 도 1에 있는 구현장치에서 활용하는 RSS XML 헤더 정보를 예로 설명하는 도면이다.
도 22는 도 1에 있는 구현장치에서 활용하는 RSS XML 디스크립션 정보를 예로 설명하는 도면이다.
도 23은 도 1에 있는 구현장치에서 활용하는 RSS XML 상세 정보표를 예로 설명하는 도면이다.
도 24는 도 1에 있는 구현장치에서 활용하는 날씨 정보 및 체류 시간 정보의 테이블을 예로 설명하는 도면이다.
도 25는 도 1에 있는 구현장치에서의 데이터 경로 및 제거 속성 입력을 예로 설명하는 도면이다.
도 26은 도 1에 있는 구현장치에서의 디시전 트리 알고리즘 결과 출력을 예로 설명하는 도면이다.
도 27은 도 1에 있는 구현장치에서의 디시전 트리 알고리즘 시각화를 예로 설명하는 도면이다.
도 28은 도 1에 있는 구현장치에서 활용하는 예시 날씨 상황을 예로 설명하는 도면이다.
도 29는 도 1에 있는 구현장치에서의 KNN 알고리즘 구현 결과를 예로 설명하는 도면이다.
도 30은 도 1에 있는 구현장치에서의 스카이라인 알고리즘 적용 예시를 설명하는 도면이다.
도 31은 도 1에 있는 구현장치에서의 스카이라인 알고리즘 구현 결과를 예로 설명하는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시 예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시 예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시 예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
이제 본 발명의 실시 예에 따른 경기장 방문객 대상 빅데이터 분석 시스템에 대하여 도면을 참고로 하여 상세하게 설명한다.
도 1 내지 도 31을 참조하면, 경기장 방문객 대상 빅데이터 분석 시스템(100)은, 정의장치(110), 설계장치(120), 구현장치(130)를 포함한다.
정의장치(110)는, 경기장 방문객에게 마케팅 서비스를 제공하기 위해 필요로 하는 요구사항(즉, 방문객 마케팅 서비스를 위한 요구사항)을 정의해 준다.
일 실시 예에서, 정의장치(110)는, 경기장 내부시설 구성도를 통해 방문객의 이동경로를 파악할 센서의 위치, 푸드 코트(food court), 기념품 샵, 편의점 등을 비롯한 매장들의 종류 및 위치 등을 파악하여 속성별로 정리해 줄 수 있다.
일 실시 예에서, 정의장치(110)는, 경기장을 방문한 방문객들이 경기장 내에 있는 푸드 코트, 기념품 샵 등의 다양한 서비스를 이용할 수 있도록, 효과적인 맞춤형 마케팅 서비스를 방문객에게 제공하기 위해 경기장 내부의 마케팅 주요 속성을 설계해 줄 수 있다.
일 실시 예에서, 정의장치(110)는, 도 2에 도시된 예와 같은 경기장의 내부 시설 구성도의 경우에, 매장이 총 16개소로, 푸드 코트가 10개이고 기념품 샵이 2개이고 편의점이 4개로 구성되어 있으며, 이와 같은 매장구성데이터를 기반으로 방문객의 이용 선택에 영향을 미치는 매장의 주요 속성을 선별할 수 있다.
일 실시 예에서, 정의장치(110)는, 매장의 주요 속성을 매장유형, 브랜드, 메뉴, 가격, 거리, 신속성의 6가지로 선별할 수 있으며, 이에 매장유형의 경우에 치킨 전문점, 햄버거 전문점, 카페, 편의점, 기념품점 등으로 구별할 수 있으며, 브랜드의 경우에 유명 브랜드(예를 들어, 할리스 커피)와 자체 브랜드(예를 들어, 땅땅 치킨)로 구별할 수 있으며, 메뉴의 경우에 대표 메뉴 및 희소 메뉴의 유무에 따른 차별성을 파악할 수 있으며, 가격의 경우에 유사 매장별 또는 대표 동일 메뉴별 가격을 비교할 수 있으며, 거리의 경우에 방문객의 현 위치 기준으로 최단 거리를 파악할 수 있으며, 신속성의 경우에 해당 매장의 혼잡도(인구수)에 따른 최단 대기시간을 파악할 수 있다.
일 실시 예에서, 정의장치(110)는, 경기장에 출입한 방문객의 추적정보를 저장하기 위한 데이터베이스인 빅스포츠(bigsport)데이터베이스를 설계해 줄 수 있으며, 빅스포츠데이터베이스에 경기장 정보, 방문객 정보, 방문객 추적정보, 센서 정보 등을 저장해 줄 수 있다.
일 실시 예에서, 정의장치(110)는, 도 3에 도시된 바와 같이, 경기장 정보를 저장하는 테이블인 경기장테이블(stadium table), 방문객 정보를 저장하는 테이블인 방문객테이블(visitor table), 방문객 추적정보를 저장하는 테이블인 추적테이블(track table), 센서 정보를 저장하는 테이블인 센서테이블(sensor table) 등을 빅스포츠데이터베이스에 포함시켜 줄 수 있다.
설계장치(120)는, 정의장치(110)에서 정의한 요구사항을 바탕으로 방문객의 이동경로 패턴 및 선호도 등을 분석하여 맞춤형 마케팅 서비스를 제안하는 빅데이터 분석 알고리즘을 설계해 준다.
일 실시 예에서, 설계장치(120)는, 맞춤형 마케팅 서비스를 제안하는 시나리오를 설계해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 방문객의 선호 패턴 및 이동 노선을 예측하는 알고리즘(즉, 선호패턴/이동노선 예측 알고리즘)을 설계해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 빅데이터 기반으로 방문객을 분석하여 방문객의 선호팀, 방문객의 소비 패턴에 대한 군집화 알고리즘을 설계할 수 있으며, 또한 매장별 이윤창출을 위한 방문객 분석에 따른 맞춤형 추천 가이드 시스템으로 방문객 이용 경로 가이드, 방문객 이용 유도, 상황인지 추론의 시스템을 설계해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 선호팀 경기 유무에 따른 방문객 방문 빈도수를 통계/분석할 수 있다. 이때, 설계장치(120)는, 방문 경기에 따른 방문객 선호팀을 분석할 수 있으며, 케이민즈(K-means) 클러스터링 알고리즘(clustering algorism)을 사용하여 방문객 선호 패턴에 따른 군집화를 수행할 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 경기장 정보와 방문객 방문 경기 시간 정보를 이용하여 선호팀 예측 및 경기 방문일을 확인할 수 있으며, 케이민즈 클러스터링 알고리즘을 통한 방문객 방문 패턴 및 선호 패턴을 도출해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 응용으로, 추후 경기일자에 따른 방문 가능 분석을 통해 재방문객 분석과, 선호 패턴에 따른 기념품점별 마케팅 방안을 제공해 줄 수도 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 통계 데이터 적용 가능 모형으로, 아리마(arima) 모형, 아맥스(amax) 시계열 회귀 모형, 시계열 요인 모형, 상태 공간 모형, 히든 마코프 모형(Hidden Markov Model; HMM) 등을 탐색할 수 있다.
일 실시 예에서, 설계장치(120)에서의 아리마 모형의 경우는, 과거의 관측값과 오차를 사용해서 현재의 시계열 값을 설명하는 아리마 모델을 일반화한 모형으로, 시계열 자료의 값이 특정한 월, 요일 등의 계절 요인(season factor)에 따라 일정한 특성을 보일 때에, 계절 요인을 독립 변수로 선형회귀 분석을 수행하도록 할 수 있다. 또한, 설계장치(120)는, 단순 시저널(seasonal) 아리마 모형의 경우에, 도 4에 도시된 바와 같이, 비안정적 시계열을 안정적 시계열로 바꾸는 작업을 포함할 수 있다.
일 실시 예에서, 설계장치(120)에서의 아맥스 시계열 회귀 모형의 경우는, 아리마 시계열 모형에 외부 시계열로 인한 영향을 추가해야 할 때에 사용할 수 있다.
일 실시 예에서, 설계장치(120)에서의 시계열 요인 모형의 경우는, 분석하고자 하는 다수의 시계열이 소수의 공통 요인(common factor) 시계열에 의존하고 있다는 가정 하에 이러한 공통 요인 시계열을 찾아내는 모형으로, 회귀 분석과 유사한 모형을 사용하나, 요인 혹은 가중치(또는, 둘 다)가 관측 불가능한 경우에 나머지 변수를 추정하는 작업이라는 점에서 차이점을 갖는다.
일 실시 예에서, 설계장치(120)에서의 상태 공간 모형의 경우는, 원래의 시계열을 관측하고 수치화하는 과정에서 관측 오차(시계열 자료의 값이 정확한 목적 값이 아닌 경우)가 포함되는 경우에 사용할 수 있으며, 시계열 생성 구조를 다음과 같이 상태 전이식(state transition equation)과 관측식(observation equation)이라는 두 개의 수식으로 정의하는 시계열 모형이다.
일 실시 예에서, 설계장치(120)에서의 히든 마코프 모형의 경우는, 상태 공간 모형에서 상태 변수(x)의 값이 연속 확률 변수가 아니라 1차원 이산 확률 변수(discrete random variable; 변수의 값의 가지 수를 하나씩 셀 수 있을 때의 변수)인 경우에 사용할 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 구역별 인구수에 대한 시계열 데이터 분석 방안으로, 장소 1, 장소 2, …. 장소 n까지의 구역별 인구수 시계열 데이터(도 5 참조) 중에서 증감 폭이 큰 구간을 추출하면, 도 6에 도시된 바와 같은 그래프(즉, 증감 폭이 큰 구간 추출 그래프)를 구할 수 있으며, 그리고 경기장 내 전체 인구 이동데이터와 비교하여 요인 추출하여 경기장 내 이벤트가 있었다면 해당 데이터와 매치해 줄 수도 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 기계학습 알고리즘을 통한 방문객 선호 패턴 분석을 위한 선호팀 경기 유무에 따른 방문객 방문 빈도수를 통계/분석할 수 있다. 이때, 설계장치(120)는, 효율적인 마케팅 대상 선정을 위한 방문객 유형 패턴을 파악할 수 있으며, 케이민즈 클러스터링 알고리즘을 사용하여 방문객 선호 패턴에 따른 군집화를 수행할 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 과거 방문 구역 내역, 방문 구역별 주요 속성, 구역별 머문 시간, 구역별 재방문 빈도수 등과 같은 방문객 선호 구역 군집 주요 속성(즉, 방문객의 선호 구역에 대한 주요 속성)에 따른 군집화 및 방문객의 선호 구역 아이템 집합을 도출해 줄 수 있다. 여기서, 과거 방문 구역 내역은 임계치(threshold) 시간 이상 정지한 장소를 기준으로 방문객 방문 구역(임계치 설정으로 일시적으로 지나간 장소 제외)을 선별할 수 있고, 방문 구역별 주요 속성은 방문 구역의 차별화된 대표 속성에 따른 선호도를 예측할 수 있고, 구역별 머문 시간은 방문 구역 중 머문 시간의 정도를 확인할 수 있고, 구역별 재방문 빈도수는 일별 재방문 빈도수(또는, 월별 재방문 빈도수)를 집계할 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 모바일 어플리케이션 등을 이용하여 수집된 방문객의 연령, 성별, GPS 데이터 등과, 센서에서의 비콘(beacon) 센싱 데이터, 그리고 기계학습 결과 데이터를 통해 방문객의 선호 패턴을 분석할 수 있다.
일 실시 예에서, 설계장치(120)는, 선호패턴/이동노선 예측 알고리즘 설계 시에, 기계학습 알고리즘을 활용해서, 방문객의 GPS 데이터, 매장의 위치가 포함된 GPS 데이터 등의 입력 데이터에 따라 방문객의 현 위치로부터 최단 거리에 위치한 매장 우선순위 등의 출력 데이터를 구하거나, 방문객의 GPS 데이터, 매장 내 비콘 데이터 등의 입력 데이터에 따라 매장의 실시간 혼잡도 등의 출력 데이터를 구하거나, 방문객의 개인 데이터(연령, 성별), 방문객 매장 선호도 등의 입력 데이터에 따라 방문객 연령대별 매장 선호도 등의 출력 데이터를 구하거나, 방문객 연령, 방문객 매장 선호도 등의 입력 데이터에 따라 방문객 연령에 따른 매장 선호도를 드러내는 탑케이(top-K) 우선순위 등의 출력 데이터를 구할 수 있다.
일 실시 예에서, 설계장치(120)는, 스포츠 경기장 내에서의 효율적인 마케팅 대상 선정을 위해 방문객 유형 패턴을 분석할 때에 케이민즈 클러스터링 알고리즘을 사용할 수 있으며, 이때 케이민즈 클러스터링 알고리즘을 사용하여 스포츠 경기장을 방문한 방문객의 선호 패턴을 분석하고 선호 패턴에 따라 군집화하여 유사한 방문객 그룹을 대상으로 개인화된 서비스를 제공해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 과거 방문시간이 일정 수준 이상인 방문객을 대상으로 선호 장소와 이용 패턴을 확인할 수 있으며, 또한 보다 정확한 분석을 위해서 방문객이 주로 방문하는 구역과 머문 시간 외에도 해당 구역이 갖는 특성을 추가적으로 확보해 둘 수 있다.
일 실시 예에서, 설계장치(120)는, 케이민즈 클러스터링 알고리즘의 경우, 데이터가 유입될 때에 랜덤으로 특정 데이터를 기준으로 센트로이드(Centroid)를 계산해 주고, 이후 분석하고자 하는 데이터 세트(data set)의 데이터와 가장 가까운 거리에 있는 센트로이드로 배정해 주는 과정을 수행하며, 이러한 과정을 데이터 세트의 모든 데이터에 대해서 반복해 줄 수 있다. 이때, 랜덤으로 센트로이드를 계산하는 경우, 클러스터링 시에 간헐적으로 군집화가 정상적으로 이루어지지 않을 수도 있어, 분석 대상에 따라서 센트로이드 설정 값 또는 클러스터 개수를 설정하여 완화시켜 줄 수 있다. 또한, 스포츠 경기장 내의 방문객에 대한 데이터라는 특수한 경우의 데이터 세트가 유입될 경우에, 이에 상응하는 별도의 기준을 센트로이드 계산 시에 적용해 줌으로써 보다 나은 성능을 기대하도록 할 수 있다.
일 실시 예에서, 설계장치(120)는, 방문객의 연령과 선호 수치를 기반으로 군집화된 주요 방문객 데이터를 대상으로 신규 데이터의 그룹을 예측할 수 있다. 이때, 예측하고자 하는 데이터가 입력될 경우, KNN(K-nearest neighbor; K근접 이웃) 알고리즘을 활용하여 학습 데이터를 통해 분석된 결과를 통해 가장 유사한 그룹을 출력해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 방문객의 매장 선호도를 분류하기 위해 디시전 트리(decision tree) 기법을 활용하여 해당 매장의 선호도를 출력하는 선호도 매트릭스를 설계 및 부분 구현할 수 있다. 이때, 선호도 매트릭스를 구성하기 위해서, 매장 방문 횟수를 바탕으로 구축한 규칙 기반 전처리 모델과 체류 시간 및 날씨 상태를 입력 데이터로 넣은 디시전 트리 모델을 활용할 수 있다.
일 실시 예에서, 설계장치(120)는, 탑케이 알고리즘을 활용하여 방문객 맞춤형 추천 제안을 수행할 수 있는데, 이때 효과적인 빅데이터 검색 기술을 사용하여 다양한 구조의 방문객 데이터를 쉽고 정확하게 검색해 줄 수 있다. 여기서, 빅데이터 검색 기술은 다양한 구조의 데이터로 형성된 빅데이터를 효율적으로 검색하기 위한 기술이다.
일 실시 예에서, 설계장치(120)는, 서브시퀀스 매치 및 계층 기반 스카이라인(Skyline) 알고리즘을 활용하여 방문객 데이터를 검색할 수 있는데, 서브시퀀스 매치의 경우에는 데이터(즉, 시간의 흐름에 따라 일정한 간격마다 값을 기록한 데이터)를 검색하는 대표적인 방법으로, 유사한 시퀀스를 찾거나 유사하지 않은 시퀀스를 찾을 때에 적합하며, 계층 기반 스카이라인의 경우에는 데이터 객체를 순위화하여 계층을 구축하여 계층에 따라 정도가 결정되는 방법으로, 다중 속성의 검색 요건을 요구할 때에 적합하다.
일 실시 예에서, 설계장치(120)는, 서브시퀀스 매치의 경우, 서브시퀀스 매치를 효율적으로 하기 위하여 서브시퀀스를 몇 개의 윈도우로 분할하고, 검색 대상이 되는 시퀀스를 슬라이딩 윈도우 형태로 분할하고, 윈도우의 데이터들을 저차원 변환을 통해 압축한 다음에 거리를 비교하여 유사한 서브시퀀스를 검색하는 FRM 매치 방법, 서브시퀀스 매치를 위하여 FRM 매칭 방법과는 반대로 검색 대상이 되는 시퀀스를 윈도우로 분할할 때에 디스조인트 윈도우 형태로 분할하는 듀얼 매치 방법 등을 활용할 수 있으며, 또한 계층 기반 스카이라인의 경우, 격자 대신 각도를 이용하여 데이터 공간을 분할하는 각도 기반의 스카이라인 방법, 데이터 객체들을 가상의 하이퍼플레인에 프로젝션시켜 데이터 공간을 분할하는 하이퍼플레인(hyperplane) 기반의 스카이라인 방법, 다차원 공간에서 포인트 객체로 표현되는 객체들의 집합에 대하여 컨벡스 홀의 정점으로 이루어진 계층을 구성하여 인덱스를 만드는 오니언 방법, 컨벡스 홀과 스카이라인을 조합하는 컨벡스 스카이라인 방법 등을 활용할 수 있다.
일 실시 예에서, 설계장치(120)는, 방문객의 이동 경로 가이드(또는, 알림)를 수행할 수 있는데, 이때 탑케이 알고리즘을 사용하여 속성별 비교를 수행할 수 있으며, 도 7에 도시된 바와 같은 구역별 혼잡도 기반 웨이티드 다익스트라(weighted dijkstra) 알고리즘을 사용하여 최단거리를 계산할 수 있다.
일 실시 예에서, 설계장치(120)는, 속성별 비교에 따른 맞춤형 매장 top-K 개를 추출한 후에, 방문객의 현 위치를 기준으로 최단거리 매장의 위치를 가이드(또는, 알림)를 수행할 수 있으며, 이때 해당 매장의 혼잡도가 임계치 이상일 경우, 그 다음 매장을 안내해 줄 수 있으며, 또한 방문객의 이동을 유도(또는, 알림)해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 방문객의 이동을 유도(또는, 알림)할 시에, 혼잡도(즉, 인구수)가 높은 구역을 분석한 후에, 이동 추천 대상을 선정하며, 방문객의 다음 행선지로 혼잡도가 낮은 인근 매장을 제안해 줄 수 있다. 이때, 특정구역에서 일정 시간 이상 머무른 방문객을 다른 장소로 유도하기 위하여, 해당 지역의 활동 레벨을 분석할 수 있다.
일 실시 예에서, 설계장치(120)는, 방문객의 이동(즉, 현재 구역에서 다음 구역으로의 이동)을 예측(또는, 추천)할 수 있는데, 이때 디시전 트리 알고리즘을 활용하여 순차적 요소에 따른 상황 규칙 기반 마이닝을 수행하고, 방문객 기반 협업 필터링(visitor based collaborative filtering) 알고리즘을 활용하여 선호 이력이 유사한 다른 방문객의 선호 지역을 탐색해 줄 수 있다.
일 실시 예에서, 설계장치(120)는, 방문객 소비 유형을 파악한 후에, 방문객 방문 내역을 기반으로 해당 유형 매장별 선호도를 분석할 수 있다. 이때, 설계장치(120)는, 선호 이력이 유사한 다른 방문객의 선호 지역을 탐색할 수 있으며, 이에 예를 들어 아래의 표 1(즉, 방문객 기반 선호 매장 예상 표)을 기준으로 방문객 1(즉, 추천 대상)과 방문객 3의 선호 이력이 유사함으로 연관성이 높음을 알 수 있으며, 방문객 1과 가장 유사한 방문객 3이 좋아하는 지역 중에서 방문객 1이 방문하지 않은(또는, 덜 방문한) A, D를 추천해 줄 수 있다.
방문객 선호 매장
방문객 1(추천 대상) B, C
방문객 2 B
방문객 3 A, B, C, D
구현장치(130)는, 설계장치(120)에서 설계한 빅데이터 분석 알고리즘을 바탕으로 빅데이터 분석 알고리즘을 구현하여 맞춤형 마케팅 서비스를 제안해 준다.
일 실시 예에서, 구현장치(130)는, 구현된 빅데이터 분석 알고리즘을 활용하여 방문객에게 효과적으로 맞춤형 마케팅 서비스를 제공하는 방법을 제안해 줄 수 있다.
일 실시 예에서, 구현장치(130)는, 로컬데이터베이스와 원격데이터베이스로 이루어진 데이터베이스를 형성할 수 있다. 여기서, 원격데이터베이스의 접속 정보로는 예를 들어, 아래의 표 2와 같을 수 있다.
구분 서버 정보
관리시스템 oracle
주소 59.11.9.94
포트번호 1521
아이디 bigsport_db
비밀번호 bsport2018
스키마 bigsport_db
일 실시 예에서, 구현장치(130)는, 자바프로그램을 활용하여 방문객 정보(예를 들어, 방문객 인원, 방문객 아이디, 방문객 맥 어드레스 등), 경기 정보(예를 들어, 총경기시간, 방문객 입장 가능한 시간(예로, 경기시작 2시간 전), 모든 방문객 퇴출 시간(예로, 경기종료 후 2시간 이내) 등)에 따라 로우데이터(raw data)를 생성할 수 있다.
일 실시 예에서, 구현장치(130)는, 추적 테이블 데이터(track table data) 랜덤 생성 자바 프로그램을 활용하여 시퀀스(SEQUENCE), 방문객 아이디(VISITOR_ID), 센서 아이디(SENSOR_ID), 진입 시각(ENTER_TIME), 퇴출 시각(EXIT_TIME) 등을 추적 테이블에 저장해 줄 수 있다. 이때, 진입시각생성함수(mArrayList_gate), 랜덤시각생성함수(mArrayList_t), 랜덤분생성함수(mArrayList_m) 등과 같은 함수들을 이용하여 추적 테이블에 삽입할 데이터들을 랜덤으로 생성할 수 있으며, 도 8에 나타낸 바와 같은 소스코드(즉, 추적 테이블 삽입 소스코드)를 활용하여 게이트에 입장한 방문객의 추적 데이터를 추적 테이블에 삽입할 수 있다.
일 실시 예에서, 구현장치(130)는, 추적 테이블에 시퀀스(SEQUENCE), 방문객 아이디(VISITOR_ID), 센서 아이디(SENSOR_ID), 진입 시각(ENTER_TIME), 퇴출 시각(EXIT_TIME) 등을 삽입해 줄 수 있는데, 이때 도 9에 나타낸 바와 같은 진입시각생성함수를 호출하여 진입 시각을 랜덤 생성해 줄 수 있으며, 진입시각생성함수가 도 10에 나타낸 바와 같은 랜덤시각생성함수와 도 11에 나타낸 바와 같은 랜덤분생성함수를 호출하도록 해 줄 수 있으며, 이에 랜덤시각생성함수가 시간을 랜덤하게 생성해 줄 수 있으며, 랜덤분생성함수가 분을 랜덤하게 생성해 줄 수 있다.
일 실시 예에서, 구현장치(130)는, 방문객 테이블 데이터 랜덤 생성 자바 프로그램을 활용하여 방문객 아이디(VISITOR_ID), 맥 어드레스(MAC), 경기장 아이디(STADIUM_ID) 등을 방문객 테이블에 저장해 줄 수 있다. 이때, 랜덤맥어드레스생성함수 등과 같은 함수들을 이용하여 방문객 테이블에 삽입할 데이터들을 랜덤으로 생성할 수 있다.
일 실시 예에서, 구현장치(130)는, 방문객 테이블로 방문객 아이디(VISITOR_ID), 맥 어드레스(MAC), 경기장 아이디(STADIUM_ID) 데이터 등을 삽입해 줄 수 있는데, 이때 도 12에 나타낸 바와 같은 랜덤맥어드레스생성함수를 호출하여 기 설정된 수(예로, 2만명)의 방문객의 맥 어드레스를 랜덤으로 생성해 줄 수 있다.
일 실시 예에서, 구현장치(130)는, 상술한 바와 같은 생성된 로우데이터를 삽입하여 추적 테이블에서 방문객 아이디가 19998인 방문객을 선택한 결과를 도출해 줄 수 있다. 예를 들어, 아래의 표 3과 같이 방문객 19998이 게이트3, 경기장 출입구16, 매장35, 매장36에 진입하고 동일한 게이트3, 경기장 출입구16, 매장35, 매장36으로 퇴출하며, 진입 시각(ENTER_TIME)에서 보면, 게이트3으로 입장 후 10분 뒤에 경기장 출입구16으로 입장하며. 경기장 출입구16으로 진입한 뒤 1시간 뒤에 매장35로 입장하고, 10분 뒤에 다시 매장35를 퇴출하며, 경기장 출입구16으로 진입한 뒤 2시간 뒤에 매장36으로 입장하고, 10분 뒤에 다시 매장36을 퇴출하며, 게이트3에 입장한지 5시간 뒤에 경기장 출입구16을 퇴장하고, 10분 뒤에 게이트 3을 퇴장했을 경우에, 도 13에 나타낸 바와 같은 방문객 아이디 19998 선택 쿼리(select query)문에 대해서, 도 14에 나타낸 바와 같은 방문객 아이디 19998 선택 쿼리 결과를 상술한 바와 같이 출력해 줄 수 있다.
SEQUENCE SENSOR_ID ENTER_TIME EXIT_TIME
19998 게이트3 입장 17/02/01 12:34:58 NULL
39998 경기장 출입구16 입장 17/02/01 12:44:44 NULL
59998 매장35 입장 17/02/01 13:34:45 NULL
79998 매장35 퇴장 NULL 17/02/01 13:44:21
99998 매장36 입장 17/02/01 14:34:44 NULL
119998 매장36 퇴장 NULL 17/02/01 14:44:19
139998 경기장 출입구16 퇴장 NULL 17/02/01 17:34:12
159998 게이트3 퇴장 NULL 17/02/01 17:44:46
일 실시 예에서, 구현장치(130)는, 탐지 정보 기반 방문객 이동 경로 패턴을 센싱 데이터로 수집하여 저장한 뒤에, 시간대별 지역 방문객 변화를 통계 데이터로 시각화할 수 있다. 예를 들어, 도 15에 나타낸 바와 같이 방문객 이동 패턴 분석을 위한 시간대별 인구 증감 추이를 시각화할 수 있다.
일 실시 예에서, 구현장치(130)는, 방문객 이동 패턴 분석 알고리즘을 활용하여, 경기장 내의 각 부대시설의 시간별 방문객 기준으로 시간대별 방문객 최고 밀집 지역을 선정하고, 이동 변화량이 큰 지점을 찾아내어 방문객의 이동 패턴을 파악하기 위해 통계 데이터를 분석할 수 있다.
일 실시 예에서, 구현장치(130)는, 특정 시간대 상의 어떤 지점 S(t)가 있다고 가정하였을 때, 다음 시간대에서 S(t)와 가장 유사한 인구 밀집을 갖고 있는 지점을 방문객의 다음 경로로 예측할 수 있다. 예를 들어, 방문객 이동 패턴 분석 알고리즘을 활용하여, 도 16에 나타낸 바와 같이, 매지점에서 인구수가 가장 많은 곳(붉은 원)을 추출하여 다음 경로를 예측할 수 있다. 이때, 특정 인물(방문객)의 이동 경로 데이터(이동 구역 시퀀스)를 입력 데이터로 하면, 해당 특정 인물의 다음 이동 경로 예측, 즉 S(t+1)의 출력 데이터를 도출할 수 있다.
일 실시 예에서, 구현장치(130)는, 도 17에 도시된 바와 같은 방문객 이동 패턴을 분석할 수 있고, 시간대 및 구역 특성에 따라 증가원인도 분석할 수 있으며, 또한 특정 시점(t)의 방문객 수와 이전시점(t-1)의 방문객 수가 일정 비율 이상 증가하였을 경우에 이상 행동을 감지할 수 있으며, 서로 다른 구역의 특정 시점(t)의 방문객 수와 이전시점(t-1)의 방문객 수가 비슷한 경우에 구역 간의 방문객 이동 경로를 생성해 줄 수 있다. 이때, 유사 테스트 데이터를 통해 윈도우10 64비트, 'Eclipse Java Neon' 환경 내에서 구현할 수 있으며, 실제 센싱 데이터를 바탕으로 구현할 수 있다.
일 실시 예에서, 구현장치(130)는, 기계학습 알고리즘 및 전처리를 통해 경기장을 대상으로 한 마케팅 활용 데이터를 분석할 수 있는데, 이때 기계학습 기반으로 방문객의 경기장 내부 시설 이용 패턴을 분석할 수 있다. 여기서, 주 알고리즘은 디시전 트리, 케이민스, KNN 등이 있다.
일 실시 예에서, 구현장치(130)는, 방문객 경기장 내부 시설 이용 패턴 분석 시에, 대상으로 하는 경기장 센싱 데이터를 아래의 표 4의 형식으로 간주하여, 경기장 센싱 데이터를 기반으로 경기장의 주요 매장들에 대한 선호도를 추출할 수 있다. 여기서, 경기장 센싱 데이터는 경기장의 일정 구역마다 아이-비콘(i-beacon)을 설치하여 방문객의 이동 정보를 센싱한 데이터로서, 그 속성으로는 시퀀스(SEQUENCE), 방문객 아이디(VISITOR_ID), 센서 아이디(SENSOR_ID), 진입 시각(ENTER_TIME), 퇴출 시각(EXIT_TIME) 등이 있으며, 시퀀스 속성의 경우에 센싱된 방문객들의 순서에 따라 자동 갱신되는 인덱스이며, 방문객 아이디 속성의 경우에 맥 어드레스를 통하여 식별된 개별 방문객의 값을 가지도록 하며, 센서 아이디 속성의 경우에 비콘 센서의 아이디로서, 해당 센서들이 각 주요 매장 및 게이트와 1:1 매칭되는 것으로 간주하며, 진입시간 속성의 경우에 해당 맥 어드레스가 처음 신호가 잡혔을 때의 기준으로 방문객의 진입을 의미하며, 퇴출 시간 속성의 경우에 맥 어드레스가 해당 구역에서 마지막으로 잡힌 신호의 시간으로서, 방문객의 퇴출을 의미한다.
Sequence visitor_id sensor_id enter_time exit_time
19998 12:34:56:78:90:AB 3 2018.05.01 12:43 NULL
19999 12:34:56:78:90:AB 3 NULL 2018.05.01 12:44
20000 98:76:54:32:10:CD 14 2018.05.01 13:34 NULL
20001 98:76:54:32:10:CD 14 NULL 2018.05.01 13:44
일 실시 예에서, 구현장치(130)는, 콘텍스트 모델링(context modeling)을 수행할 수 있는데, 이때 사용자와 컴퓨팅 환경 사이에 관련된 사용자의 환경, 객체, 상태에 관한 상황을 특징지을 수 있는 모든 정보를 말하는 콘텍스트의 데이터에 대한 전처리의 경우에, 로우레벨 콘텍스트(low-level context)로부터 하이레벨 콘텍스트(high-level context)를 생성하는 과정으로, 문장을 하이레벨 콘텍스트로써 고려하여 상황 정보를 얻고자 모델링을 수행할 수 있다. 예를 들어, "방문객 A는 구름 많은 날 열린 삼성 라이온즈 vs. 한화 이글스 오후 경기의 중반에 10번 게이트를 통하여 B 치킨가게로 갔다."라는 문장을 하이레벨 콘텍스트로써 고려하여 상황 정보를 얻고자 아래의 표 5와 같이 모델링(즉, 경기장 콘텍스트 정보 모델링)해 줄 수 있다.
출처 속성 설명
모바일 나이 방문객의 나이
성별 방문객의 성별방문객의 선호팀(예로, 삼성 라이온즈)
선호팀 방문객의 선호팀 (예로, 삼성 라이온즈)
웹(API) 날씨 기상청 날씨 정보(예로, 날씨 상태, 온도, 습도, 풍향 등)
경기장
이벤트
정보		 시즌 4계절 + 야구 시즌(예로, 가을 플레이오프(playoff) 시즌)
절대시간 해당 매장의 입출입 시각(예로, 2017-09-01 13:34~14:00)
경기기준시간 경기 시간 기준 명목형 시간(예로, 경기 전, 경기 중간, 경기 후)
대진표 해당 일의 대진 팀 정보(예로, 삼성 라이온즈 vs. 두산 베어스)
매장 세일 정보 평균 세일 비율 (예로, 30% 이하)
비콘 방문횟수, 방문시간 일정 기간 별, 당일 별(예로, 기간 별 방문횟수, 방문 시간: 3회, 40분/당일 방문횟수: 2회, 20분)
이동경로 센서 누적 정보 = 이동 경로(예로, 1 -> 5 -> 7 -> 10)
매장인구엔트로피 해당 매장 인구 정도에 따른 붐빔 현상 측정(예로, Level.1 100명 이상)
일 실시 예에서, 구현장치(130)는, 추천 대상자와 아이템의 정보가 포함된 유틸리티 매트릭스(utility matrix)(또는, '선호도 매트릭스'라고도 불림)를 구성해 줄 수 있다. 또한, 구현장치(130)는, 맞춤형 마케팅 서비스 제안 시에 유틸리티 매트릭스를 기반으로 활용하기 때문에, 신뢰성(reliability)을 지닌 매트릭스를 사용하도록 한다. 여기서, 유틸리티 매트릭스는 크게 두 가지 방식, 명시적 피드백(explicit feedback)과 암시적 피드백(implicit feedback)으로 구성되는 방식으로 나뉜다.
일 실시 예에서, 구현장치(130)는, 비콘을 통해 수집된 경기장 데이터인 암시적 피드백 데이터를 기반으로 선호도 매트릭스를 구성해 줄 수 있으며, 이때 방문객(u)의 매장(si)에 대한 선호도 수치(rating)를 Rui라고 할 때에 아래의 수학식 1과 같이 구할 수 있다. 여기서, sivc는 규칙 기반 모델을 통해 계산한 매장의 방문 횟수에 따른 관심 정도를 의미하며, sivt는 매장의 체류 시간(visit time)(vt)에 따른 관심 정도를 의미한다.
Figure 112018021614591-pat00003
일 실시 예에서, 구현장치(130)는, 선호도 매트릭스의 구성을 위해서, 방문 횟수를 대상으로 한 규칙 기반 전처리 모델을 설계하고, 체류 시간 및 날씨 상태를 대상으로 한 디시전 트리 알고리즘을 설계하여, 도 18에 도시된 바와 같이, 선호도 매트릭스를 구성해 줄 수 있다.
일 실시 예에서, 구현장치(130)는, 규칙 기반 전처리 모델의 경우에 해당 매장 방문 일수(visit days), 해당 일 체류시간(Tc), 임계치 시간(threshold time)(Tth)의 입력 데이터를 입력받아 방문 횟수에 따른 관심도(vc)의 출력 데이터를 도출해 줄 수 있다. 여기서, 추천 기법 적용 대상인 경기장 데이터는 방문객의 행동 패턴을 통해 선호도를 유추해 내는 암시적 피드백(implicit feedback) 데이터이다. 암시적 피드백 데이터는 방문객이 해당 매장에 방문한 의도를 명확하게 알 수 없기 때문에, 방문 횟수 혹은 방문 시간이 높다하여도 방문객이 해당 매장을 선호할 것이라고 가정할 수 없다는 불명확한 값이 내포된 데이터이다. 또한, 기존의 선호도를 계산할 때에 반복적인 방문에 대한 부정적 관찰값-콘텍스트에 따른 불명확도에 대한 고려가 없이 선형 증가하였다. 그러나 구현장치(130)는, 반복적인 방문에 대한 선형적 증가 방식이 아니라, 재방문을 할수록 신뢰도가 높아진다고 하였을 때, 상황의 유사도에 대한 고려를 통해 신뢰성을 높일 수 있으며, 따라서 하기할 규칙을 기반으로, 재방문객의 선호도 수치에서부터 콘텍스트를 고려하여, 암시적 선호도의 불명확성을 보완할 수 있다.
일 실시 예에서, 구현장치(130)는, '임계치 시간의 경우에, 방문객이 해당 매장에 방문했을 때, 입력된 임계치 시간 이하로 방문한 방문객은 해당 매장에 관심도가 낮은 지나가는 방문객으로 간주하며, 따라서 해당 방문의 관심도는 0이며, 방문객 카운트(visit count)의 경우에, 입력된 임계치 시간 이상으로 방문한 방문객은 방문 총일수에 따라 다른 관심도를 가지며, 총기간의 재방문과 해당 일의 재방문의 비교가 이뤄진다'는 규칙을 기반으로, 도 19에 도시된 바와 같은 매장 방문 횟수에 대한 규칙 기반 전처리 모델을 설계할 수 있다. 여기서, 총기간의 재방문(period revisit)과 해당 일의 재방문(corresponding day revisit)의 비교 시에는, 총기간 재방문 대 해당 일 재방문의 경우에, 이전 방문 시 얻은 긍정적인 선호로 인해 재방문 횟수가 높아질수록 단골이 될 수 있기 때문에 총기간 재방문이 해당 일 재방문보다 더 높은 점수를 가지는 것으로 하며, 또한 총기간 재방문 대 기간 첫 방문(period revisit vs. period first visit)의 경우에, 전체 방문 일수가 1인 방문객의 첫 방문은 1의 관심도 값을 가지는 것을 하고, 이틀 이상 방문한 방문객은 해당 일의 방문이 첫 번째 방문인지 재방문인지를 비교하며, 이에 해당 일 방문이 첫 번째 방문이라면 총기간 재방문 수만큼 관심도 값을 가지는 것으로 하며, 해당 일 방문이 재방문이라면 총기간 재방문 수와 임의의 소수를 곱하여 가중치를 낮춘 해당 일 재방문 수를 더한 값을 관심도 값으로 가지는 것으로 할 수 있다.
일 실시 예에서, 구현장치(130)는, 디시전 트리 알고리즘을 활용하여 날씨 상황을 고려한 체류 시간과 방문 횟수에 따른 선호도를 도출해 줄 수 있다. 이때, 구매결과는 체류시간이 길수록, 또한 방문 횟수가 많을수록 긍정적으로 나타날 수 있으나, 기존 기술에서는 일회성 방문에 대한 체류시간을 기준으로 함에 따라서 재 방문객을 위한 분석이 고려되지 않았다는 한계점을 가지고 있다. 이에, 구현장치(130)는, 체류시간과 방문 횟수가 함께 고려되도록 해 준다.
일 실시 예에서, 구현장치(130)는, 날씨 상황을 고려한 모델링을 진행하여 날씨 상황별, 매장별 이용 선호도를 계산해 줄 수 있으며, 이를 바탕으로 날씨 마케팅의 효율성 및 편리성을 높일 수 있다. 이때, 날씨 상황을 고려하는 것은 오프라인 매장 방문의 체류시간과 방문 횟수는 날씨 상황에 큰 영향을 받기 때문이다. 이에, 구현장치(130)는, 도 20에 도시된 바와 같은 날씨 상태를 고려한 매장 방문 시간에 대한 디시전 트리 알고리즘을 활용하여 날씨 상태, 온도, 습도, 바람, 체류 시간 등을 입력 데이터로 받아 날씨 유형에 따른 매장 체류 시간 분류 등의 출력 데이터를 도출할 수 있다.
일 실시 예에서, 구현장치(130)는, 날씨 상황 고려 시에 기상청 API로부터 날씨 상태 정보를 추출할 수 있다. 여기서, 기상청 API는 크게 두 가지 예보(즉, 동네예보와 중기예보)를 제공하는데, 동네예보의 경우에 원하는 지역을 동 단위까지 설정하여, 실시간 날씨 또는 3시간 간격으로 이틀 후의 날씨까지 예보하며, 중기예보의 경우에 도 단위(예로, 서울, 경기도 등)로 날씨 정보를 제공하되, 2일 후부터의 날씨를 오전, 오후에 나눠서 예보한다.
일 실시 예에서, 구현장치(130)는, 동네예보를 활용하여 '대구광역시 수성구 고산2동'에 위치한 대구 삼성라이온즈파크의 날씨 정보를 수집할 수 있다. 이때, 해당 날씨 정보가 출력되는 대구 삼성라이온즈파크의 RSS 링크는 'http://www.kma.go.kr/wid/queryDFSRSS.jsp?zone=2726068000)'일 수 있다. 또한, RSS 링크는 도 21에 도시된 바와 같은 RSS XML 헤더(header) 정보와 도 22에 도시된 바와 같은 RSS XML 디스크립션(description) 정보를 제공한다. 그리고 RSS XML 속성들의 상세 정보는, 도 22의 예에 도시된 바와 같은 대구 삼성라이온즈파크의 RSS XML 상세 정보표와 같을 수 있다.
일 실시 예에서, 구현장치(130)는, 디시전 트리 알고리즘의 경우에, 샘플 데이터를 추출하여 /t로 파싱된 텍스트데이터(txt)로 변환한 후 이를 바탕으로 디시전 트리 알고리즘을 설계할 수 있다. 이때, 디시전 트리 알고리즘의 입력 데이터인 날씨 정보(날씨 상태, 온도, 습도, 바람) 및 체류 시간 정보의 테이블은 도 24와 같으며, 도 24의 텍스트데이터(txt)의 절대 경로를 입력한 후에, 분류의 대상이 되는 시간(time) 속성을 제거하는 프로그램은 도 25와 같다. 절대 경로 및 제거 속성을 입력했을 때, 도 26과 같은 날씨 속성에 따른 디시전 트리 분류 체계를 출력해 줄 수 있다. 또한, 설계된 디시전 트리 알고리즘을 시각화하면 도 27과 같다.
일 실시 예에서, 구현장치(130)는, 디시전 트리 알고리즘의 결과 분류 체계를 통해 매장(store)(si)의 체류 시간(visit time)(vt 또는 visitT)에 따른 선호도 값(sivt)을 계산하는 방식은 다음과 같을 수 있다. 첫 번째로, 각 매장마다 사람들이 체류하는 평균 시간인 민타임(mean time)을 구할 수 있다. 예를 들어, 도 28의 예시 날씨 상황(st1)과 같이, Temp = "Hot", OutLook = "Rainy", Windy = "False", Humidity = "High" 인 제1상황(situation)을 'st1'이라 할 때, 세 번의 출입 시 26분, 27분, 40분 소요에 대한 방문들이 존재하면, 1번 매장(s1)의 민타임(st1MeanT)은 (26+27+40)/3 = 31을 구할 수 있다. 두 번째로, 첫 번째와 마찬가지로 제i상황(sti)만큼 구하여 1번 매장의 모든 상황에 대한 민타임 값을 구할 수 있다. 따라서 방문객의 체류 시간(vt)에 따른 매장 선호도(s1vt)의 도출식은 아래의 수학식 2와 같다.
Figure 112018021614591-pat00004
일 실시 예에서, 구현장치(130)는, KNN 알고리즘의 경우에, KNN 알고리즘의 적용 대상 데이터로 군집화 알고리즘(예를 들어, 케이-민스)을 이용하여 군집되는 데이터들을 사용할 수 있다. 이때, 해당 데이터는 2차원 데이터를 대상으로 할 수 있고, 또한 데이터 속성의 개수를 다양하게 변화시켜 신규 데이터(예측 대상 데이터)와 가장 유사한 그룹을 예측하도록 할 수도 있다.
일 실시 예에서, 구현장치(130)는, KNN 알고리즘의 경우에, 나이와 선호 수치를 기반으로 군집화된 주요 단골 방문객 데이터를 대상으로 신규 데이터의 그룹을 예측하도록 하는데, 입력 데이터로 학습 데이터(나이, 선호 수치, 소속 그룹), 예측 테스트 데이터(나이, 선호 수치) 등을 입력받아 예측 테스트 데이터의 소속 그룹 등의 출력 데이터를 도출해 줄 수 있다.
일 실시 예에서, 구현장치(130)는, KNN 알고리즘의 구현 결과로 도 29와 같이 방문객 연령, 매장 선호도에 따른 그룹을 예측할 수 있다. 이때, 샘플 데이터를 추출하여 /t로 파싱된 텍스트파일로 변환한 후 이를 바탕으로 설계할 수 있으며, 도 29에 도시된 표는 KNN 알고리즘의 입력 데이터인 학습 데이터 테이블이며, 나이, 선호 수치, 소속 그룹에 대한 정보를 포함하며, 학습 데이터의 십의 자리 나이는 일의 자리로 간략화(예로, 1->10대, 2->20대)할 수 있다.
일 실시 예에서, 구현장치(130)는, 스카이라인(skyline) 알고리즘을 활용하여 맞춤형 탑-케이(Top-k) 추천 매장을 제공할 수 있는데, 이때 방문객의 선호 패턴에 따라 이에 대응하는 적합한 마케팅 콘텐츠를 우선순위별로 제공해 줄 수 있다.
일 실시 예에서, 구현장치(130)는, 도 30에 도시된 바와 같은 스카이라인 알고리즘 적용 예시의 경우에, d개의 속성을 가지는 데이터 세트를 d차원의 공간에 매핑한 후에, 계층을 생성하는 인덱싱 기법으로 각 속성 별 우선순위에 따라 계층을 생성할 수 있으며, 이에 이러한 스카이라인을 통해 계층을 구성해 놓으면 중요한 탑-케이 데이터를 얻고자 할 때, 전체 데이터를 읽지 않고 k개의 계층만 비교하여 탑-케이를 구할 수 있어 효율적이다.
일 실시 예에서, 구현장치(130)는, 스카이라인 알고리즘의 구현 결과로 도31과 같이 방문객 연령에 따른 방문객 매장 선호도를 도출할 수 있다. 이에, 기계학습 알고리즘의 학습 결과로 제공되었던 방문객 매장 선호도 및 선호 매장 유형별 방문객 군집, 선호 그룹 등을 고려하여 정확도가 높은 맞춤형 추천을 제공할 수 있다.
상술한 바와 같은 구성을 가진 경기장 방문객 대상 빅데이터 분석 시스템(100)은, 정의장치(110)에서 경기장 방문객 마케팅 서비스를 위한 요구사항을 정의해 주며, 설계장치(120)에서 방문객의 이동경로 패턴 및 선호도를 분석하여 빅데이터 분석 알고리즘을 설계해 주며, 구현장치(130)에서 빅데이터 분석 알고리즘을 구현시켜 맞춤형 마케팅 서비스를 제안해 줌으로써, 경기장 관람객에게 효율적인 마케팅 서비스를 제공할 수 있다.
이상, 본 발명의 실시 예는 상술한 시스템 및/또는 운용방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시 예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시 예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다. 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 경기장 방문객 대상 빅데이터 분석 시스템
110: 정의장치
120: 설계장치
130: 구현장치

Claims (5)

  1. 방문객 마케팅 서비스를 위한 요구사항을 정의하는 정의장치; 상기 정의장치에서 정의한 요구사항을 바탕으로 방문객의 이동경로 패턴 및 선호도를 분석하여 방문객 마케팅 서비스를 제안하는 빅데이터 분석 알고리즘을 설계하는 설계장치; 및 상기 설계장치에서 설계한 빅데이터 분석 알고리즘을 바탕으로 빅데이터 분석 알고리즘을 구현시켜 방문객 마케팅 서비스를 제안하는 구현장치를 포함하되;
    상기 정의장치는, 경기장 내부시설 구성도를 통해 방문객의 이동경로를 파악할 센서의 위치, 매장들의 종류 및 위치를 파악하여 속성별로 정리하며, 경기장을 방문한 방문객들이 경기장 내에 있는 매장을 이용할 수 있도록, 방문객 마케팅 서비스를 방문객에게 제공하기 위해 경기장 내부의 마케팅 주요 속성을 설계하며, 경기장의 내부 시설 구성도를 통한 매장구성데이터를 기반으로 방문객의 이용 선택에 영향을 미치는 매장의 주요 속성을 매장유형, 브랜드, 메뉴, 가격, 거리, 신속성으로 선별하되, 매장유형의 경우에 치킨 전문점, 햄버거 전문점, 카페, 편의점, 기념품점으로 구별하며, 브랜드의 경우에 유명 브랜드와 자체 브랜드로 구별하며, 메뉴의 경우에 대표 메뉴 및 희소 메뉴의 유무에 따른 차별성을 파악하도록 하며, 가격의 경우에 유사 매장별 또는 대표 동일 메뉴별 가격을 비교하도록 하며, 거리의 경우에 방문객의 현 위치 기준으로 최단 거리를 파악하도록 하며, 신속성의 경우에 매장의 혼잡도에 따른 최단 대기시간을 파악하도록 하며, 경기장에 출입한 방문객의 추적정보를 저장하기 위한 빅스포츠데이터베이스를 설계해 주되, 경기장 정보를 저장하는 경기장테이블, 방문객 정보를 저장하는 방문객테이블, 방문객 추적정보를 저장하는 추적테이블, 센서 정보를 저장하는 센서테이블을 빅스포츠데이터베이스에 포함시켜 주며;
    상기 설계장치는, 방문객의 선호 패턴 및 이동 노선을 예측하는 선호패턴/이동노선 예측 알고리즘을 설계해 주며, 빅데이터 기반으로 방문객을 분석하여 방문객의 선호팀, 방문객의 소비 패턴에 대한 군집화 알고리즘을 설계해 주며, 매장별 이윤창출을 위한 방문객 분석에 따른 맞춤형 추천 가이드 시스템으로 방문객 이용 경로 가이드, 방문객 이용 유도, 상황인지 추론의 시스템을 설계해 주며, 선호팀 경기 유무에 따른 방문객 방문 빈도수를 통계/분석하며, 방문 경기에 따른 방문객 선호팀을 분석하며, 케이민즈 클러스터링 알고리즘을 사용하여 방문객 선호 패턴에 따른 군집화를 수행하며, 경기장 정보와 방문객 방문 경기 시간 정보를 이용하여 선호팀 예측 및 경기 방문일을 확인하며, 케이민즈 클러스터링 알고리즘을 통한 방문객 방문 패턴 및 선호 패턴을 도출하며, 추후 경기일자에 따른 방문 가능 분석을 통해 재방문객 분석과, 선호 패턴에 따른 기념품점별 마케팅 방안을 제공하며;
    상기 구현장치는, 자바프로그램을 활용하여 방문객 인원, 방문객 아이디, 방문객 맥 어드레스를 포함한 방문객 정보와, 총경기시간, 방문객 입장 가능한 시간, 모든 방문객 퇴출 시간을 포함한 경기 정보에 따라 로우데이터를 생성하며, 추적 테이블 데이터 랜덤 생성 자바 프로그램을 활용하여 시퀀스, 방문객 아이디, 센서 아이디, 진입 시각, 퇴출 시각을 추적 테이블에 저장하며, 진입시각생성함수, 랜덤시각생성함수, 랜덤분생성함수를 이용하여 추적 테이블에 삽입할 데이터들을 랜덤으로 생성하며, 추적 테이블 삽입 소스코드를 활용하여 게이트에 입장한 방문객의 추적 데이터를 추적 테이블에 삽입하며, 진입시각생성함수를 호출하여 진입 시각을 랜덤 생성하며, 진입시각생성함수가 랜덤시각생성함수와 랜덤분생성함수를 호출하며, 랜덤시각생성함수가 시간을 랜덤하게 생성하며, 랜덤분생성함수가 분을 랜덤하게 생성하며, 방문객 테이블 데이터 랜덤 생성 자바 프로그램을 활용하여 방문객 아이디, 맥 어드레스, 경기장 아이디를 방문객 테이블에 저장하며, 랜덤맥어드레스생성함수를 이용하여 방문객 테이블에 삽입할 데이터들을 랜덤으로 생성하며, 랜덤맥어드레스생성함수를 호출하여 기 설정된 수의 방문객의 맥 어드레스를 랜덤으로 생성하며, 탐지 정보 기반 방문객 이동 경로 패턴을 센싱 데이터로 수집하여 저장한 뒤에, 시간대별 지역 방문객 변화를 통계 데이터로 시각화하며, 방문객 이동 패턴 분석 알고리즘을 활용하여, 경기장 내의 각 부대시설의 시간별 방문객 기준으로 시간대별 방문객 최고 밀집 지역을 선정하고, 통계 데이터를 분석하여 이동 변화량이 큰 지점을 찾아내어 방문객의 이동 패턴을 파악하며, 특정 시간대 상의 어떤 지점이 있다고 가정하였을 때, 다음 시간대에서 해당 지점과 가장 유사한 인구 밀집을 갖고 있는 지점을 방문객의 다음 경로로 예측하며, 방문객 이동 패턴 분석 알고리즘을 활용하여, 매지점에서 인구수가 가장 많은 곳을 추출하여 다음 경로를 예측하며, 방문객 이동 패턴을 분석하고, 시간대 및 구역 특성에 따라 증가원인을 분석하며, 특정 시점의 방문객 수와 이전시점의 방문객 수가 일정 비율 이상 증가하였을 경우에 이상 행동을 감지하며, 서로 다른 구역의 특정 시점의 방문객 수와 이전시점의 방문객 수가 비슷한 경우에 구역 간의 방문객 이동 경로를 생성하는 것을 특징으로 하는 경기장 방문객 대상 빅데이터 분석 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
KR1020180025372A 2018-03-02 2018-03-02 경기장 방문객 대상 빅데이터 분석 시스템 KR102073208B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180025372A KR102073208B1 (ko) 2018-03-02 2018-03-02 경기장 방문객 대상 빅데이터 분석 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180025372A KR102073208B1 (ko) 2018-03-02 2018-03-02 경기장 방문객 대상 빅데이터 분석 시스템

Publications (2)

Publication Number Publication Date
KR20190109637A KR20190109637A (ko) 2019-09-26
KR102073208B1 true KR102073208B1 (ko) 2020-02-04

Family

ID=68067930

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180025372A KR102073208B1 (ko) 2018-03-02 2018-03-02 경기장 방문객 대상 빅데이터 분석 시스템

Country Status (1)

Country Link
KR (1) KR102073208B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220043489A (ko) * 2020-09-29 2022-04-05 주식회사 뮤즈라이브 음악 관련 컨텐츠의 분석 결과를 제공하는 방법 및 컴퓨터가 판독가능한 기록 매체

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020060084A1 (ko) 2018-09-20 2020-03-26 주식회사 엘지화학 황-탄소 복합체, 이의 제조방법, 이를 포함하는 리튬 이차전지용 양극 및 리튬 이차전지
KR102367753B1 (ko) * 2020-02-24 2022-02-25 삼육대학교산학협력단 Top-n 스카이라인 질의를 이용한 다차원 속성 기반 최적 경로 탐색 방법
KR102505050B1 (ko) * 2020-09-29 2023-03-06 삼육대학교산학협력단 최근접 이웃 탐색 기반의 스카이라인 질의를 위한 전처리 방법
CN117455554B (zh) * 2023-12-26 2024-03-22 数字苏州建设有限公司 一种基于lbs的大型活动重点通行道路人流分时段预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040078636A (ko) * 2004-08-23 2004-09-10 안재명 매장 관리 시스템
KR20100046552A (ko) * 2008-10-27 2010-05-07 김용희 여행자 전용 관광지도정보 컨텐츠 서비스 비즈니스 모델
KR102247891B1 (ko) * 2014-04-22 2021-05-04 에스케이플래닛 주식회사 엑세스 포인트의 핑거프린트를 이용한 건물 내의 위치 추천 장치 및 이를 이용한 방법
KR101721041B1 (ko) 2015-05-21 2017-03-29 아주대학교산학협력단 관심 지점을 이용한 이동 패턴 분석 시스템 및 방법
KR20170006913A (ko) * 2015-07-10 2017-01-18 주식회사 네오드림스 빅데이터를 활용한 타겟 마케팅 홍보
KR101707985B1 (ko) 2016-04-26 2017-02-17 이요훈 고객을 매장에 유도하기 위한 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220043489A (ko) * 2020-09-29 2022-04-05 주식회사 뮤즈라이브 음악 관련 컨텐츠의 분석 결과를 제공하는 방법 및 컴퓨터가 판독가능한 기록 매체
KR102607064B1 (ko) 2020-09-29 2023-11-29 주식회사 뮤즈라이브 음악 관련 컨텐츠의 분석 결과를 제공하는 방법 및 컴퓨터가 판독가능한 기록 매체

Also Published As

Publication number Publication date
KR20190109637A (ko) 2019-09-26

Similar Documents

Publication Publication Date Title
KR102073208B1 (ko) 경기장 방문객 대상 빅데이터 분석 시스템
US10311475B2 (en) Digital information gathering and analyzing method and apparatus
US10354262B1 (en) Brand-switching analysis using longitudinal tracking of at-shelf shopper behavior
CN106462627B (zh) 根据多个位置数据报告分析语义地点和相关数据
Petry et al. Towards semantic‐aware multiple‐aspect trajectory similarity measuring
Lv et al. Mining user similarity based on routine activities
EP3196812A1 (en) Smoothed dynamic modelling of user travelling preferences in a public transportation system
KR101312927B1 (ko) 광고 제공 시스템
JP2015011712A (ja) デジタル情報収集および解析方法およびその装置
Shetty et al. Supervised machine learning: algorithms and applications
KR20170129529A (ko) 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치
KR102290132B1 (ko) 부동산 가격 예측 장치 및 방법
WO2016152183A1 (ja) 動線処理システム及び動線処理方法
Taniar et al. On mining movement pattern from mobile users
Guo et al. Harnessing the power of the general public for crowdsourced business intelligence: a survey
Wang et al. Multi-source data-driven prediction for the dynamic pickup demand of one-way carsharing systems
Cetateanu et al. A novel methodology for identifying environmental exposures using GPS data
Cho et al. Enhancing the accuracy of peak hourly demand in bike-sharing systems using a graph convolutional network with public transit usage data
Xu et al. Store location selection via mining search query logs of baidu maps
JP5823332B2 (ja) 個人行動嗜好分析システムおよび個人行動嗜好分析方法
Zhou et al. Identifying trip ends from raw GPS data with a hybrid spatio-temporal clustering algorithm and random forest model: a case study in Shanghai
Alexandre et al. Machine Learning Applied to Public Transportation by Bus: A Systematic Literature Review
CN111833073A (zh) 基于K-Means++算法的航空公司客户细分方法
Kim et al. Agatha: Predicting daily activities from place visit history for activity-aware mobile services in smart cities
KR101725013B1 (ko) 회귀분석을 이용한 주택매매지수 예측 장치 및 그 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant