KR102109338B1 - 고객 맞춤형 의류 분석 및 추천 시스템 - Google Patents

고객 맞춤형 의류 분석 및 추천 시스템 Download PDF

Info

Publication number
KR102109338B1
KR102109338B1 KR1020190075967A KR20190075967A KR102109338B1 KR 102109338 B1 KR102109338 B1 KR 102109338B1 KR 1020190075967 A KR1020190075967 A KR 1020190075967A KR 20190075967 A KR20190075967 A KR 20190075967A KR 102109338 B1 KR102109338 B1 KR 102109338B1
Authority
KR
South Korea
Prior art keywords
clothing
group
customer
recommendation
index
Prior art date
Application number
KR1020190075967A
Other languages
English (en)
Inventor
박경숙
유수영
Original Assignee
박경숙
유수영
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 박경숙, 유수영 filed Critical 박경숙
Priority to KR1020190075967A priority Critical patent/KR102109338B1/ko
Application granted granted Critical
Publication of KR102109338B1 publication Critical patent/KR102109338B1/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G06K9/6282—

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 고객의 기존 오프라인 및 온라인 매장에서 의류 구매 내역을 저장하고, 온라인 매장에서 고객이 의류 이미지를 클릭은 하였으나, 구매하지 않은 의류에 대한 정보를 관심 의류 정보로 저장한 후 저장된 정보를 토대로 서로 다른 특징을 갖는 의류 그룹별 지수를 산출하여 고객 별로 어떤 특징의 의류에 관심이 있는지를 분석하고, 분석한 정보를 토대로 해당 고객의 성향에 맞는 의류가 포함된 의류 그룹을 지수에 따라 1차로 추천하고, 1차 추천에서 의류를 선택하지 않는 경우 그 다음 지수를 갖는 의류 그룹을 2차로 추천하며, 2차 추천에서도 의류를 선택하지 않는 경우는 지수값이 작은 의류 그룹들 중에서 고객의 의류 그룹별 지수값의 증가율이 높은 순서로 복수 개의 의류 그룹에서 교차하여 추천하는 고객 맞춤형 의류 분석 및 추천 시스템에 관한 것이다.
본 발명에 의하면, 고객의 의류 선호도 변화를 정확하게 분석하여 맞춤형으로 추천할 수 가 있다.

Description

고객 맞춤형 의류 분석 및 추천 시스템{CUSTOMIZED CLOTHING ANALYSIS AND RECOMMENDATION SYSTEM}
본 발명은 고객 맞춤형 의류 분석 및 추천 시스템에 관한 것으로, 더욱 상세하게는 고객의 기존 의류 구매내역을 분석하여 고객의 취향에 맞는 의류를 분석하여 추천하는 고객 맞춤형 의류 분석 및 추천 시스템에 관한 것이다.
최근 인터넷의 발달로 전자 상거래를 이용하여 물품을 구매하는 인터넷 사용자들이 많이 늘어나고 있다. 인터넷 쇼핑몰이 상거래의 중요한 수단으로 발달함으로써 의류를 취급하는 인터넷 쇼핑몰들도 증가하고 취급하는 상품 수도 늘어가고 있다.
현재 인터넷 쇼핑몰에서 의류가 전시 및 판매되는 방법으로는 의류들을 단순히 브랜드나 종류에 따라 분류하고, 각 의류에 대한 이미지 정보와 상세설명(상품코드, 브랜드 명, 색상, 소재, 제조회사, 상품설명 등)을 웹 사이트와 같은 인터넷 사이트 상에서 노출시켜 인터넷 이용자의 선택을 기다리는 획일적이고 수동적인 방법들이 사용되고 있다.
또한 많은 사람들이 구매했던 의류 상품들을 위주로 의류 정보를 노출시키는 방법도 사용되고 있으나, 이는 집단적 구매 기록을 참조한 것으로 각 개인의 특성화된 취향이 반영되지 않고 있다.
이러한 종래 기술의 문제를 보완하기 위한 의류 추천 서비스 방법으로 유저(user) 기반 추천 방법과 아이템(item) 기반 추천 방법이 이용되고 있다.
유저 기반 추천 방법은 해당 고객의 신체 조건, 선호하는 스타일 및 취향이 유사한 다른 고객이 선택한 의류를 해당 고객에게 추천하는 방법이다.
반면, 아이템 기반 추천 방법은 과거 해당 고객이 사이트에서 선택하였던 의류와 유사한 신체 조건, 선호하는 스타일 및 취향을 가진 의류를 해당 고객에게 추천하는 방법이다.
그러나, 상술한 종래의 의류의 추천 방법들은 의류의 유사도의 측정 기준이 일정하지 아니하여 객관성이 다소 부족한 단점이 있었다.
등록특허 제10-1762875호(큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법)은 이러한 단점을 보완하기 위한 것으로서, 사용자가 저장한 스타일 선호도, 스타일 취향 및 상품의 사이즈 정보, 해당 의류 상품을 구매한 정보, 해당 상품을 관심 상품으로 지정한 정보, 해당 상품을 조회한 기록 정보에 가중치를 각각 부여하여 사용자의 구매패턴을 기록하고, 기록된 구매 패턴을 기반으로 사용자에게 큐레이팅 서비스를 제공하고, 사용자가 구매한 상품을 반품한 경우 가중치 점수를 차감하는 것을 특징으로 한다.
등록특허 제10-1762875호는 사용자의 구매 패턴을 기반으로 의류 큐레이션 서비스를 제공하는 것이나, 구매 패턴에 따라 상품을 추천했는데, 사용자가 거절하거나, 선택을 하지 않는 경우와 같은 다양한 경우의 수를 고려하여 상품을 추천하지 못하는 문제가 있기 때문에, 고객의 급변하는 다양한 욕구를 충족시키기가 어려운 실정이다.
등록특허 제10-1762875호(큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법)
본 발명은 상기의 종래 기술의 문제를 해결하기 위한 것으로, 고객의 기존 오프라인 및 온라인 매장에서 의류 구매 내역을 저장하고, 온라인 매장에서 고객이 의류 이미지를 클릭은 하였으나, 구매하지 않은 의류에 대한 정보를 관심 의류 정보로 저장한 후 저장된 정보를 토대로 서로 다른 특징을 갖는 의류 그룹별 지수를 산출하여 고객 별로 어떤 특징의 의류에 관심이 있는지를 분석하고, 분석한 정보를 토대로 해당 고객의 성향에 맞는 의류가 포함된 의류 그룹을 지수에 따라 1차로 추천하고, 1차 추천에서 의류를 선택하지 않는 경우 그 다음 지수를 갖는 의류 그룹을 2차로 추천하며, 2차 추천에서도 의류를 선택하지 않는 경우는 지수값이 작은 의류 그룹들 중에서 고객의 의류 그룹별 지수값의 증가율이 높은 순서로 복수 개의 의류 그룹에서 교차하여 추천하는 고객 맞춤형 의류 분석 및 추천 시스템을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명은 온라인 또는 오프라인 의류 매장을 방문하여 의류를 구매한 기존 고객이 온라인 매장을 방문시 기존 의류 구매 내역을 분석하여 고객의 취향에 맞는 의류를 추천하는 고객 맞춤형 의류 분석 및 추천 시스템으로서, 각 의류에 대해 여성 또는 남성 의류 여부, 해당 의류가 적합한 나이대, 화려한 옷인지 또는 점잖은 옷인지, 흔한 스타일의 옷인지 또는 흔하지 않은 스타일의 옷인지를 포함하는 의류의 특징들을 입력하면 해당 의류를 나타내는 특징들에 따라 서로 다른 그룹으로 분류하여 의류 그룹 DB에 저장하는 의류 그룹 자동 분류부; 오프라인 매장에서 점원이 고객 이름, 생년월일을 포함하는 고객 정보를 입력하거나, 온라인 매장에서 고객이 입력한 고객 이름, 생년월일을 포함하는 고객 정보를 입력하면 고객 정보 DB에 저장하는 고객 정보 저장부; 고객의 기존 오프라인 및 온라인 매장에서 의류 구매 내역을 구매 의류 DB에 저장하는 의류 구매 내역 저장부; 온라인 매장에서 고객이 의류 이미지를 클릭은 하였으나, 구매하지 않은 의류에 대한 정보를 관심 의류 정보로 관심 의류 DB에 저장하는 의류 관심 내역 저장부; 상기 구매 의류 DB 및 관심 의류 DB를 분석하여 상기 의류 그룹 자동 분류부가 분류한 의류 그룹별 지수를 산출하여 고객 별로 어떤 특징의 의류에 관심이 있는지를 분석하는 고객 취향 분석부; 및 상기 고객 취향 분석부가 분석한 정보를 토대로 해당 고객의 성향에 맞는 의류가 포함된 의류그룹을 상기 의류 그룹 DB에서 추천하는 의류 그룹 추천부를 포함한다.
상기 의류 그룹 자동 분류부는 의류의 특징을 트리(tree) 방식의 계층 구조로 분류하여 저장하며, 특징의 강도에 따라 서로 다른 그룹으로 분류하여 의류 그룹 DB에 저장하는 것을 특징으로 한다.
상기 고객 취향 분석부는 구매 의류 DB에 저장된 의류 구매 내역을 상기 의류 그룹 DB에서 검색하여 해당 의류가 속하는 의류 그룹의 지수를 제1 값만큼 증가시키고, 관심 의류 DB에 저장된 관심 의류 정보를 상기 의류 그룹 DB에서 검색하여 해당 의류가 속하는 의류 그룹의 지수를 상기 제1 값보다 작은 제2 값만큼 증가시키는 것을 특징으로 한다.
여기서, 상기 의류 그룹의 지수 = 해당 의류가 속하는 의류 그룹의 의류 구매 개수 × 제1 값 + 해당 의류가 속하는 의류 그룹의 관심 의류 개수 × 제2 값인 것을 특징으로 한다.
그리고, 상기 의류 추천부는 고객 별 의류 그룹의 지수 크기 순서대로 정렬한 후 지수값이 제일 큰 의류 그룹에 속하는 의류 중 복수 개를 선정하여 추천하는 것을 특징으로 한다.
또한, 상기 의류 추천부는 고객 별 의류 그룹의 지수를 더하여 평균값을 구하고, 고객이 상기 지수값이 제일 큰 의류 그룹의 의류 추천을 선택하지 않는 경우, 평균값보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 의류 그룹에 속하는 의류 중 복수 개를 선정하여 추천하는 것을 특징으로 한다.
또한, 평균값보다 큰 지수값을 갖는 또 다른 의류 그룹이 없거나, 고객이 평균값보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 의류 그룹의 의류 추천을 선택하지 않는 경우, 지수값이 제일 큰 의류 그룹부터 지수값이 제일 작은 의류 그룹까지 중에서 서로 다른 의류 그룹에 속하는 의류 중 복수 개를 선정하여 교차 추천하는 그룹 교차 추천부를 더 포함하는 것을 특징으로 한다.
나아가, 고객별 각 의류 그룹의 지수값의 증감을 기록 및 분석하는 고객 지수 히스토리부를 더 포함하고, 상기 그룹 교차 추천부는 추천을 선택하지 않은 의류 그룹에서 의류를 추천하는 비중을 낮게 하고, 나머지 지수값이 작은 의류 그룹에서 의류를 추천하는 비중을 높게 설정하여 복수 개를 교차 추천하되, 상기 고객 지수 히스토리부의 분석 결과를 참고하여 나머지 지수값이 작은 의류 그룹 중에서 지수값의 증가율이 높은 순서로 추천 개수를 할당하여 교차 추천하는 것을 특징으로 한다.
본 발명에 따른 고객 맞춤형 의류 분석 및 추천 시스템은 여러 개의 의류 정보를 해당 의류가 적합한 성별, 나이대, 화려한 옷인지, 점잖은 옷인지, 흔한 스타일의 옷인지, 흔하지 않은 스타일의 옷인지 등과 같은 다양한 의류의 특징에 따라 여러 개의 그룹으로 분류하여 저장하고, 고객의 오프라인 및 온라인에서 의류 구매 내역 및 의류 이미지를 클릭은 하였으나 구매하지 않은 의류 관심 내역을 분석하여 여러 개의 의류 그룹별 지수를 산출함으로써, 각 고객이 어떤 특징의 의류에 관심이 있는지를 분석하여 고객의 성향에 맞는 의류가 포함된 의류그룹을 추천할 수 있다.
또한, 본 발명은 여러 개의 의류 그룹 별로 의류 특징의 강도를 세분화하여 고객이 어느 정도로 화려한 옷에 관심이 있는지 또는 어느 정도로 흔하지 않은 스타일의 옷을 좋아하는지 등을 자세하게 분석하여 추천할 수가 있다.
또한, 의류를 구입했을 때와 구입은 하지 않고 해당 의류 이미지를 클릭했을 때의 지수값을 구분하여 증가시킴으로써, 고객의 관심정도를 정확하게 반영하여 의류를 추천할 수가 있다.
그리고, 고객의 의류 그룹별 지수값이 제일 큰 의류 그룹 중에서 의류를 1차로 추천하고, 1차 추천에서 의류를 선택하지 않는 경우 그 다음 지수값을 갖는 의류 그룹 중에서 의류를 2차로 추천하며, 2차 추천에서도 선택을 하지 않는 경우 지수값이 제일 큰 의류 그룹부터 지수값이 제일 작은 의류 그룹까지 중에서 서로 다른 그룹에 속하는 의류 중 복수 개를 선정하여 그룹을 교차로 추천함으로써, 정형화되고 틀에 박힌 의류 추천 방식이 아니라 고객의 욕구를 다양하게 충족시킬 수 있는 의류를 추천할 수가 있다.
나아가, 아직 추천을 하지 않은 지수값이 작은 의류 그룹에서 의류를 복수 개 교차 추천하되, 해당 고객의 각 의류 그룹의 지수값의 증감을 분석하여 지수값이 작은 의류 그룹 중에서도 지수값의 증가율이 높은 순서로 추천 개수를 할당하여 교차로 추천함으로써, 고객의 최근 의류 구매 이력 및 구매 패턴의 변화를 정확하게 분석 및 예측하여 추천할 수가 있다.
도 1은 본 발명의 고객 맞춤형 의류 분석 및 추천 시스템의 기능 구성도
도 2는 본 발명의 고객 맞춤형 의류 분석 및 추천 시스템의 각 단계를 나타내는 순서도
도 3은 본 발명의 고객 맞춤형 의류 분석 및 추천 시스템의 각 단계 중 의류 그룹을 추천하는 단계를 자세하게 나타낸 순서도
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.
그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
따라서, 몇몇 실시예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
또한, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하고, 본 명세서에서 사용된(언급된) 용어들은 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함하며, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.
도 1 및 도 2를 참고하면, 본 발명은 온라인 또는 오프라인 의류 매장을 방문하여 의류를 구매한 기존 고객이 온라인 매장을 방문시 기존 의류 구매 내역을 분석하여 고객의 취향에 맞는 의류를 추천하는 고객 맞춤형 의류 분석 및 추천 시스템(100)에 관한 것이다.
고객 맞춤형 의류 분석 및 추천 시스템(100)은 의류 그룹 자동 분류부(110), 고객 정보 저장부(120), 의류 구매 내역 저장부(130), 의류 관심 내역 저장부(140), 고객 취향 분석부(150) 및 의류 그룹 추천부(160)를 포함하며, 그룹 교차 추천부(170)와 고객 지수 히스토리부(180)를 더 포함할 수 있다. 그리고 의류 그룹 DB(191), 고객 정보 DB(192), 구매 의류 DB(193) 및 관심 의류 DB(194)를 포함한다.
의류 그룹 자동 분류부(110)는 각 의류에 대해 여성 또는 남성 의류 여부, 해당 의류가 적합한 나이대, 화려한 옷인지 또는 점잖은 옷인지, 흔한 스타일의 옷인지 또는 흔하지 않은 스타일의 옷인지를 포함하는 의류의 특징들을 입력하면 해당 의류를 나타내는 특징들에 따라 서로 다른 그룹으로 분류하여 의류 그룹 DB(191)에 저장한다.
예를 들어, 매장의 관리자가 의류 신상품에 대해 여성의류, 40대, 아주 화려한 옷, 흔하지 않은 스타일, 색상은 단색 등 해당 의류의 특징들을 입력하면 의류의 특징들에 따라 W-40-S-R-S-1 그룹으로 분류하고, 여성의류, 30대, 젊잖은 옷, 흔한 스타일, 색상은 단색 등 해당 의류의 특징을 입력하면 의류의 특징들에 따라 W-30-D-C-S-1 그룹으로 분류할 수 있다. 물론, 관리자가 컴퓨터에서 해당 특징들을 나타내는 기호를 선택하여 쉽게 입력한다.
의류 그룹 자동 분류부(110)는 의류의 특징을 트리(tree) 방식의 계층 구조로 분류하여 저장하며, 특징의 강도에 따라 서로 다른 그룹으로 분류하여 의류 그룹 DB(191)에 저장한다.
예를 들어, 트리의 최상단은 여성 또는 남성을 나타내는 노드가 위치하고, 그 아래에는 나이대에 따라 노드가 구분되며, 해당 나이대의 아래에는 화려한 옷인지, 점잖은 옷인지, 중간 정도의 옷인지를 나타내는 노드가 위치하고, 그 아래에는 흔하지 않은 옷인지, 흔한 옷인지, 중간 정도의 옷인지를 나타내는 노드가 위치하고, 그 아래에는 색상은 단색인지, 여러 가지 색상이 혼합된 옷인지, 중간 정도의 옷인지를 나타내는 노드가 위치한다.
이처럼 의류의 여러가지 특징에 따라 트리 구조로 세분화되고, 또한 해당 특징의 강도(정도)에 따라서도 여러가지 서로 다른 그룹으로 분류하여 의류 그룹 DB(191)에 저장한다. 그룹으로 분류 후 의류를 저장할 때는 해당 의류 고유의 제품번호 등을 저장하게 된다.
고객 정보 저장부(120)는 오프라인 매장에서 점원이 고객 이름, 성별, 생년월일을 포함하는 고객 정보를 입력하거나, 온라인 매장에서 고객이 입력한 고객 이름, 성별, 생년월일을 포함하는 고객 정보를 입력하면 고객 정보 DB(192)에 저장한다.
의류 구매 내역 저장부(130)는 고객의 기존 오프라인 및 온라인 매장에서 의류 구매 내역을 구매 의류 DB(193)에 저장한다. 의류 구매 내역에는 의류 고유의 제품번호가 포함된다.
오프라인 매장에서는 고객의 의류 구매 내역에 대한 정보를 매장 관리자가 입력하며, 온라인 매장에서 의류 구매 내역은 자동으로 기록되어 구매 의류 DB(193)에 저장된다.
의류 관심 내역 저장부(140)는 온라인 매장에서 고객이 의류 이미지를 클릭은 하였으나, 구매하지 않은 의류에 대한 정보를 관심 의류 정보로 관심 의류 DB(194)에 저장한다. 관심 의류 정보에는 의류 고유의 제품번호가 포함된다.
온라인 매장에서 고객이 추천된 의류 이미지 중에서 클릭하여 구매를 할 수도 있으나, 클릭해서 조회 후 구매하지 않은 의류에 대한 정보를 관심 의류 DB(194)에 저장하는 것이다.
고객 취향 분석부(150)는 구매 의류 DB(193) 및 관심 의류 DB(194)를 분석하여 의류 그룹 자동 분류부(110)가 분류한 의류 그룹별 지수를 산출하여 고객 별로 어떤 특징의 의류에 관심이 있는지를 분석한다.
구매 의류 DB(193)에는 고객이 기존에 구매한 의류 고유의 제품번호를 포함하는 의류 구매 내역이 저장되어 있고, 관심 의류 DB(194)에는 고객이 구매는 안 했지만, 클릭해서 관심있게 본 제품에 대한 의류 고유의 제품번호를 포함하는 관심 의류 정보가 저장되어 있기 때문에, 해당 의류 고유의 제품번호를 가지고 의류 그룹 자동 분류부(110)가 분류한 의류 그룹을 검색하여 고유의 제품번호가 속하는 의류 그룹의 지수를 고객별로 산출한다.
구체적으로, 고객 취향 분석부(150)는 구매 의류 DB(193)에 저장된 의류 고유의 제품번호를 포함하는 의류 구매 내역을 의류 그룹 DB(191)에서 검색하여 해당 의류가 속하는 의류 그룹의 지수를 제1 값만큼 증가시키고, 관심 의류 DB(194)에 저장된 의류 고유의 제품번호를 포함하는 관심 의류 정보를 의류 그룹 DB(191)에서 검색하여 해당 의류가 속하는 의류 그룹의 지수를 제1 값보다 작은 제2 값만큼 증가시킨다. 의류 구매와 관련된 지수인 제1 값은 8~10으로 하고, 구매하지 않았지만 관심이 있는 의류와 관련된 지수인 제2 값은 2~3으로 하면 바람직할 것이다.
이와 같이 산출하면 고객 별로 어떤 의류 그룹에 속하는 제품을 많이 구매 및 관심이 있는지 파악할 수가 있다.
의류 그룹 지수를 산출하는 식은 다음과 같다.
의류 그룹의 지수 = 해당 의류가 속하는 의류 그룹의 의류 구매 개수 × 제1 값 + 해당 의류가 속하는 의류 그룹의 관심 의류 개수 × 제2 값
도 1 및 도 3을 참고하면, 의류 그룹 추천부(160)는 고객 취향 분석부(150)가 분석한 정보를 토대로 해당 고객의 성향에 맞는 의류가 포함된 의류그룹을 의류 그룹 DB(191)에서 추천한다.
고객의 온라인 및 오프라인 매장에서의 기존 구매 내역 및 온라인 사이트에서의 클릭 내역을 토대로 고객의 취향을 분석함으로써, 고객이 다음에 다시 온라인 매장을 방문하면, 해당 고객의 개인정보 및 웹 사이트의 쿠키 정보를 토대로 해당 고객의 성향에 맞는 의류가 포함된 의류그룹을 의류 그룹 DB(191)에서 추천하는 것이다.
이 때 특정 의류 그룹에는 여성 의류 또는 남성 의류가 많이 포함되어 있을 수 있는데 이 중에서 관리자에 의해 설정된 개수만큼을 뽑아서 추천할 수 있다.
의류 그룹 추천부(160)는 고객 별 의류 그룹의 지수 크기 순서대로 정렬한 후 지수값이 제일 큰 의류 그룹에 속하는 의류 중 복수 개를 선정하여 추천할 수 있다.
예를 들어, 특정 여성 고객이 구매 및 관심이 있는 의류 그룹을 지수 크기 순서대로 정렬하면, B 그룹-26, A 그룹-13, C 그룹-7, D 그룹-3 등과 같이 정렬할 수 있으며, 지수값이 제일 큰 B 그룹에 속하는 의류 중 6 개를 선정하여 추천할 수 있다. 상기에서 본 바와 같이 A, B, C, D 의류 그룹은 의류의 특징에 따라 구분된 것이다.
의류 그룹 추천부(160)는 고객 별 의류 그룹의 지수를 더하여 평균값을 구하고, 고객이 지수값이 제일 큰 의류 그룹의 의류 추천을 선택하지 않는 경우, 평균값보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 의류 그룹에 속하는 의류 중 복수 개를 선정하여 추천할 수 있다.
위에서 A, B, C, D 의류 그룹의 평균값은 12.25 이다. 만약, 여성 고객이 B 그룹에 속하는 6개의 추천 의류 중 아무 것도 선택을 하지 않는 경우, 평균값 12.25 보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 A 그룹에 속하는 의류 중 6개를 선정하여 추천할 수 있다.
그룹 교차 추천부(170)는 평균값보다 큰 지수값을 갖는 또 다른 의류 그룹이 없거나, 고객이 평균값보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 의류 그룹의 의류 추천을 선택하지 않는 경우, 지수값이 제일 큰 의류 그룹부터 지수값이 제일 작은 의류 그룹까지 중에서 서로 다른 의류 그룹에 속하는 의류 중 복수 개를 선정하여 교차 추천한다.
예를 들어, 평균값 12.25 보다 큰 지수값을 갖는 의류 그룹이 B 그룹만 있고 다른 의류 그룹이 없거나, 고객이 평균값 12.25 보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 A 그룹의 의류 추천을 선택하지 않으면, 즉, 두번째 추천에서도 선택하지 않는다면, 지수값이 제일 큰 B 그룹부터 지수값이 제일 작은 D 그룹까지 중에서 서로 다른 의류 그룹에 속하는 의류 중 복수 개를 선정하여 교차 추천할 수가 있다.
즉, 세번째 의류 추천은 지수값 순서에 따른 특정 그룹에서의 추천 방식이 아니라, 지수값의 크기에 상관없이 교차 추천하여 선택의 범위를 다양하게 제공하는 것이다.
고객 지수 히스토리부(180)는 고객별 각 의류 그룹의 지수값의 증감을 기록 및 분석한다. 특정 여성 고객의 A, B, C, D 각 의류 그룹의 과거 1년 동안 지수값의 증감을 기록하고 분석한다. 그러면, 지수값의 크기는 작아도 최근에 증가폭이 큰 그룹을 파악할 수가 있다.
그룹 교차 추천부(170)는 추천을 선택하지 않은 의류 그룹에서 의류를 추천하는 비중을 낮게 하고, 나머지 지수값이 작은 의류 그룹에서 의류를 추천하는 비중을 높게 설정하여 복수 개를 교차 추천하되, 상기 고객 지수 히스토리부의 분석 결과를 참고하여 나머지 지수값이 작은 의류 그룹 중에서 지수값의 증가율이 높은 순서로 추천 개수를 할당하여 교차 추천한다.
예를 들어, 위에서 특정 여성 고객이 첫번째 B 그룹에서 뽑아서 추천한 의류 및 두번째 A 그룹에서 뽑아서 추천한 의류를 선택하지 않으면, A, B 의류 그룹에서 의류를 추천하는 비중을 25% 이하로 설정하고, 나머지 지수값이 작은 의류 그룹인 C 그룹 및 D 그룹에서 의류를 추천하는 비중을 75% 이상으로 설정하여 A, B, C, D 그룹에서 복수 개의 의류를 교차 추천한다.
추천을 선택하지 않은 의류 그룹인 A, B 그룹에는 고객에게 추천한 의류 외에도 의류들이 많이 있기 때문에 그 중에서 추천을 하되, 고객이 이미 추천을 선택하지 않았기 때문에 추천하는 개수, 즉 비중을 25% 이하로 낮게 하고, 나머지 아직 추천을 하지 않은 즉, 지수값이 작은 의류 그룹인 C, D 그룹에서 추천하는 비중을 75% 이상으로 높게 하여 많은 개수의 의류를 추천하는 것이다.
이 때, 고객 지수 히스토리부(180)의 분석 결과를 참고하여 지수값이 작은 의류 그룹인 C, D 그룹 중에서 최근 지수값의 증가율이 높은 순서로 추천 개수를 할당하여 교차 추천한다.
예를 들어, C 그룹이 지수값은 7이지만 최근에는 오히려 지수값이 감소하는 경향을 나타내고, D 그룹이 지수값은 3이지만 최근에는 오히려 지수값이 증가하는 경향을 나타낸다고 하면, 지수값이 상대적으로 큰 C 그룹 보다 상대적으로 작은 D 그룹에서 의류를 더 많이 추천할 수 있다.
결국, 총 20개의 의류를 추천한다고 할 때 A, B 그룹에서는 25%에 해당하는 5개를 교차 추천하고, C, D 그룹에서 75%에 해당하는 15개를 추천하되, 최근 지수값의 증가율이 큰 D 그룹에서 60%에 해당하는 9개를 추천하고, C 그룹에서 40%에 해당하는 6개를 추천할 수 있다.
이와 같이 서로 다른 의류 그룹의 지수값의 증감까지 반영하여 추천함으로써, 고객의 선호도를 정확하게 분석하여 추천할 수 가 있는 것이다.
지금까지 본 발명을 바람직한 실시 예를 참조하여 상세히 설명하였지만, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시할 수 있으므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다.
그리고, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 특정되는 것이며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 고객 맞춤형 의류 분석 및 추천 시스템
110: 의류 그룹 자동 분류부
120: 고객 정보 저장부
130: 의류 구매 내역 저장부
140: 의류 관심 내역 저장부
150: 고객 취향 분석부
160: 의류 그룹 추천부
170: 그룹 교차 추천부
180: 고객 지수 히스토리부
191: 의류 그룹 DB
192: 고객 정보 DB
193: 구매 의류 DB
194: 관심 의류 DB

Claims (8)

  1. 온라인 또는 오프라인 의류 매장을 방문하여 의류를 구매한 기존 고객이 온라인 매장을 방문시 기존 의류 구매 내역을 분석하여 고객의 취향에 맞는 의류를 추천하는 고객 맞춤형 의류 분석 및 추천 시스템으로서,
    각 의류에 대해 여성 또는 남성 의류 여부, 해당 의류가 적합한 나이대, 화려한 옷인지 또는 점잖은 옷인지, 흔한 스타일의 옷인지 또는 흔하지 않은 스타일의 옷인지를 포함하는 의류의 특징들을 입력하면 해당 의류를 나타내는 특징들에 따라 서로 다른 그룹으로 분류하여 의류 그룹 DB에 저장하는 의류 그룹 자동 분류부;
    오프라인 매장에서 점원이 고객 이름, 성별, 생년월일을 포함하는 고객 정보를 입력하거나, 온라인 매장에서 고객이 입력한 고객 이름, 성별, 생년월일을 포함하는 고객 정보를 입력하면 고객 정보 DB에 저장하는 고객 정보 저장부;
    고객의 기존 오프라인 및 온라인 매장에서 의류 구매 내역을 구매 의류 DB에 저장하는 의류 구매 내역 저장부;
    온라인 매장에서 고객이 의류 이미지를 클릭은 하였으나, 구매하지 않은 의류에 대한 정보를 관심 의류 정보로 관심 의류 DB에 저장하는 의류 관심 내역 저장부;
    상기 구매 의류 DB 및 관심 의류 DB를 분석하여 상기 의류 그룹 자동 분류부가 분류한 의류 그룹별 지수를 산출하여 고객 별로 어떤 특징의 의류에 관심이 있는지를 분석하는 고객 취향 분석부; 및
    상기 고객 취향 분석부가 분석한 정보를 토대로 해당 고객의 성향에 맞는 의류가 포함된 의류그룹을 상기 의류 그룹 DB에서 추천하는 의류 그룹 추천부를 포함하되,
    상기 고객 취향 분석부는 구매 의류 DB에 저장된 의류 구매 내역을 상기 의류 그룹 DB에서 검색하여 해당 의류가 속하는 의류 그룹의 지수를 제1 값만큼 증가시키고, 관심 의류 DB에 저장된 관심 의류 정보를 상기 의류 그룹 DB에서 검색하여 해당 의류가 속하는 의류 그룹의 지수를 상기 제1 값보다 작은 제2 값만큼 증가시키고,
    상기 의류 그룹 추천부는 고객 별 의류 그룹의 지수 크기 순서대로 정렬한 후 지수값이 제일 큰 의류 그룹에 속하는 의류 중 복수 개를 선정하여 추천하고, 고객 별 의류 그룹의 지수를 더하여 평균값을 구하고, 고객이 상기 지수값이 제일 큰 의류 그룹의 의류 추천을 선택하지 않는 경우, 평균값보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 의류 그룹에 속하는 의류 중 복수 개를 선정하여 추천하고, 평균값보다 큰 지수값을 갖는 또 다른 의류 그룹이 없거나, 고객이 평균값보다 큰 지수값을 갖는 의류 그룹 중 두번째로 큰 지수값을 갖는 의류 그룹의 의류 추천을 선택하지 않는 경우, 지수값이 제일 큰 의류 그룹부터 지수값이 제일 작은 의류 그룹까지 중에서 서로 다른 의류 그룹에 속하는 의류 중 복수 개를 선정하여 교차 추천하는 그룹 교차 추천부를 더 포함하는 것을 특징으로 하는 고객 맞춤형 의류 분석 및 추천 시스템.
  2. 제1항에 있어서,
    상기 의류 그룹 자동 분류부는 의류의 특징을 트리(tree) 방식의 계층 구조로 분류하여 저장하며, 특징의 강도에 따라 서로 다른 그룹으로 분류하여 의류 그룹 DB에 저장하는 것을 특징으로 하는 고객 맞춤형 의류 분석 및 추천 시스템.
  3. 삭제
  4. 제1항에 있어서,
    상기 의류 그룹의 지수 = 해당 의류가 속하는 의류 그룹의 의류 구매 개수 × 제1 값 + 해당 의류가 속하는 의류 그룹의 관심 의류 개수 × 제2 값
    인 것을 특징으로 하는 고객 맞춤형 의류 분석 및 추천 시스템.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    고객별 각 의류 그룹의 지수값의 증감을 기록 및 분석하는 고객 지수 히스토리부를 더 포함하고,
    상기 그룹 교차 추천부는 추천을 선택하지 않은 의류 그룹에서 의류를 추천하는 비중을 낮게 하고, 나머지 지수값이 작은 의류 그룹에서 의류를 추천하는 비중을 높게 설정하여 복수 개를 교차 추천하되, 상기 고객 지수 히스토리부의 분석 결과를 참고하여 나머지 지수값이 작은 의류 그룹 중에서 지수값의 증가율이 높은 순서로 추천 개수를 할당하여 교차 추천하는 것을 특징으로 하는 고객 맞춤형 의류 분석 및 추천 시스템.
KR1020190075967A 2019-06-25 2019-06-25 고객 맞춤형 의류 분석 및 추천 시스템 KR102109338B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190075967A KR102109338B1 (ko) 2019-06-25 2019-06-25 고객 맞춤형 의류 분석 및 추천 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190075967A KR102109338B1 (ko) 2019-06-25 2019-06-25 고객 맞춤형 의류 분석 및 추천 시스템

Publications (1)

Publication Number Publication Date
KR102109338B1 true KR102109338B1 (ko) 2020-05-12

Family

ID=70679410

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190075967A KR102109338B1 (ko) 2019-06-25 2019-06-25 고객 맞춤형 의류 분석 및 추천 시스템

Country Status (1)

Country Link
KR (1) KR102109338B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102355147B1 (ko) * 2021-09-27 2022-02-08 주식회사 루츠코퍼레이션 맞춤형 가방 판매 방법
KR102537212B1 (ko) * 2022-02-25 2023-05-26 주식회사 엔엔엠 사용자 정보를 이용한 의류 추천 서비스 제공 장치, 방법 및 프로그램
KR102596352B1 (ko) 2023-03-29 2023-11-01 주식회사 리버트리 인공지능을 통한 사용자 심리에 기반한 상품 추천 시스템
KR102616510B1 (ko) * 2023-02-20 2023-12-27 (주)어반유니온 개인 스타일 변화를 고려한 패션 추천을 위한 서비스 제공 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130128265A (ko) * 2012-05-16 2013-11-26 전성일 사용자 맞춤형 모바일 의류 정보 제공 방법, 서버 및 컴퓨터 판독 가능한 기록 매체
KR20150101340A (ko) * 2014-02-26 2015-09-03 에스케이플래닛 주식회사 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치
KR101762875B1 (ko) 2016-03-22 2017-07-28 최윤내 큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법
KR101992986B1 (ko) * 2019-01-21 2019-09-30 주식회사 종달랩 이미지 검색을 이용한 의류 부자재 추천 학습 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130128265A (ko) * 2012-05-16 2013-11-26 전성일 사용자 맞춤형 모바일 의류 정보 제공 방법, 서버 및 컴퓨터 판독 가능한 기록 매체
KR20150101340A (ko) * 2014-02-26 2015-09-03 에스케이플래닛 주식회사 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치
KR101762875B1 (ko) 2016-03-22 2017-07-28 최윤내 큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법
KR101992986B1 (ko) * 2019-01-21 2019-09-30 주식회사 종달랩 이미지 검색을 이용한 의류 부자재 추천 학습 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102355147B1 (ko) * 2021-09-27 2022-02-08 주식회사 루츠코퍼레이션 맞춤형 가방 판매 방법
KR102537212B1 (ko) * 2022-02-25 2023-05-26 주식회사 엔엔엠 사용자 정보를 이용한 의류 추천 서비스 제공 장치, 방법 및 프로그램
KR102616510B1 (ko) * 2023-02-20 2023-12-27 (주)어반유니온 개인 스타일 변화를 고려한 패션 추천을 위한 서비스 제공 장치 및 방법
KR102596352B1 (ko) 2023-03-29 2023-11-01 주식회사 리버트리 인공지능을 통한 사용자 심리에 기반한 상품 추천 시스템

Similar Documents

Publication Publication Date Title
KR102109338B1 (ko) 고객 맞춤형 의류 분석 및 추천 시스템
Albadvi et al. A hybrid recommendation technique based on product category attributes
Chowdhury et al. The time-harried shopper: Exploring the differences between maximizers and satisficers
KR102213768B1 (ko) 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템
US20080059281A1 (en) Systems and methods for product attribute analysis and product recommendation
CN109146626B (zh) 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN107004203A (zh) 信息处理系统以及方法
KR102309373B1 (ko) 기획 판매를 위한 컨텐츠를 자동적으로 구축하는 시스템 및 그 방법
US20200134694A1 (en) Automatic fashion outfit composition and recommendation system and method
Serrano-Cinca et al. Internet positioning and performance of e-tailers: An empirical analysis
KR102284148B1 (ko) 딥러닝을 이용한 벡터기반의 패션추천 방법 및 시스템
US20090037292A1 (en) Intelligent shopping search system
Hong et al. Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support
KR101230034B1 (ko) 취향 아이디 코드의 생성시스템 및 생성방법, 그리고 상품 추천 시스템 및 추천 방법
KR20000017788A (ko) 인공지능 감성 데이터베이스 구축 및 활용 방법
JP2000148847A (ja) 商品情報の提供方法及びシステム
CN110968670B (zh) 一种流行商品的属性获取方法、装置、设备及存储介质
CN108335171A (zh) 一种快消品精准推荐方法以及系统
CN109658195B (zh) 一种商品展示决策方法
Shin et al. Exploration of fit reviews and its impact on ratings of rental dresses
Seminari et al. The impact of modern retail on traditional retail traders in the Mengwi, Badung district
Yeruva et al. Apparel Recommendation System using Content-Based Filtering
KR20050017534A (ko) 아바타 의상 구매정보를 이용한 고객 맞춤형 의류 추천시스템 및 그 추천 방법
JP2002108930A (ja) 因子データベースを用いたマッチング・システム、マッチング装置、およびそのシステムのための因子データベース作成方法
KR20220163089A (ko) 제품 공동구매 연계 시스템 및 방법

Legal Events

Date Code Title Description
GRNT Written decision to grant