KR102167345B1 - 인공지능을 이용한 온라인 쇼핑 시스템 - Google Patents

인공지능을 이용한 온라인 쇼핑 시스템 Download PDF

Info

Publication number
KR102167345B1
KR102167345B1 KR1020200038424A KR20200038424A KR102167345B1 KR 102167345 B1 KR102167345 B1 KR 102167345B1 KR 1020200038424 A KR1020200038424 A KR 1020200038424A KR 20200038424 A KR20200038424 A KR 20200038424A KR 102167345 B1 KR102167345 B1 KR 102167345B1
Authority
KR
South Korea
Prior art keywords
online
sales
offline
shopping mall
product
Prior art date
Application number
KR1020200038424A
Other languages
English (en)
Inventor
박수훈
Original Assignee
주식회사 지에스아이티엠
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 지에스아이티엠 filed Critical 주식회사 지에스아이티엠
Priority to KR1020200038424A priority Critical patent/KR102167345B1/ko
Application granted granted Critical
Publication of KR102167345B1 publication Critical patent/KR102167345B1/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]
    • G06Q30/0639—Item locations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 온라인 쇼핑에 선행하는 오프라인 쇼핑 정보를 학습하여 상품의 배치 등을 결정하는 온라인 쇼핑 시스템에 관한 것으로, 본 발명에 따른 인공지능을 이용한 온라인 쇼핑 시스템은 오프라인 쇼핑몰에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 오프라인 쇼핑몰 정보 수집기(10); 온라인 상에서 상품을 디스플레이하여 소비자가 상품의 선택 및 구매를 할 수 있는 온라인 쇼핑몰 서버(20); 상기 온라인 쇼핑몰 서버(20)에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 온라인 쇼핑몰 정보 수집기(30) 및 상기 오프라인 쇼핑몰 정보 수집기(10)에서 도출되는 시간대별 오프라인 매출액 수열과 상기 온라인 쇼핑몰 정보 수집기(30)에서 도출되는 시간대별 온라인 매출액 수열을 시간 T에 대해 교차 상관하여 오프라인 매출과 온라인 매출의 교차 상관도를 산출하는 것을 특징으로 하는 인공지능 학습기(40)로 구성되는 것을 기술적 특징으로 한다.

Description

인공지능을 이용한 온라인 쇼핑 시스템 {ONLINE SHOPPING SYSTEM USING ARTIFICIAL INTELLIGENCE}
본 발명은 온라인 쇼핑 시스템에 관한 것으로, 더욱 상세하게는 온라인 쇼핑에 선행하는 오프라인 쇼핑 정보를 학습하여 상품의 배치 등을 결정하는 온라인 쇼핑 시스템에 관한 것이다.
온라인 쇼핑몰을 이용하여 상품을 구매하는 것은 흔한 일이다. 온라인 쇼핑몰 운영자의 입장에서 소비자에 대한 상품의 접근성을 강화하고 소비자 선택을 증가시켜 궁극적으로는 매출액을 신장시키는 것이 가장 큰 목적이라 할 수 있다. 따라서 소비자에게 어떠한 상품들을 어떤 방식으로 보여주는지가 매우 중요하고 소비자 패턴을 분석한 결과를 이용하여 상품을 추천하는 시스템도 있다.
‘특허문헌 1’에 게재된 발명은 사용자의 데이터를 분석하여 사용자별 맞춤형 상품 추천 방법에 관한 것으로, 도 1은 종래의 사용자별 맞춤형 상품 추천 방법의 순서도로서, 종래의 상품 추천 방법은 관리 서버가 사용자의 쇼핑몰 이용 정보를 수신하여 사용자의 쇼핑 관련 활동 정보와 동일한 쇼핑 관련 활동 정보가 포함된 다른 사용자의 쇼핑몰 이용 정보를 검색한 후 다른 사용자의 쇼핑몰 이용 정보에 기초하여 사용자에게 상품을 추천하는 것을 기술 핵심으로 한다.
그런데 이러한 방법은 개개인에 대한 접근성은 좋을 수 있으나, 대규모 쇼핑몰을 운영하는 입장에서는 시스템에 접근하는 전체 소비자의 패턴이나 선호를 파악하기 어려워 거시적인 운영에는 큰 도움을 주지 못한다. 또 동일한 쇼핑 관련 활동 정보를 얻더라도 소비자에게 추천된 상품이 소비자의 선호에 맞지 않을 수도 있고, 동일한 쇼핑 관련 활동 정보를 얻을 수 없는 경우의 처리도 곤란하다.
KR 10-2019-0048303 A (2019. 5. 9.)
본 발명은 위와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명이 해결하고자 하는 과제는 인공지능을 이용하여 온라인 쇼핑 시스템에 접근하는 전체 소비자의 거시적 동태를 예측하고, 이를 이용하여 상품의 배치나 등장 순서, 가격 조정 등을 수행할 수 있는 온라인 쇼핑 시스템을 제공하는 것이다.
본 발명에 따른 인공지능을 이용한 온라인 쇼핑 시스템은 오프라인 쇼핑몰에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 오프라인 쇼핑몰 정보 수집기; 온라인 상에서 상품을 디스플레이하여 소비자가 상품의 선택 및 구매를 할 수 있는 온라인 쇼핑몰 서버; 상기 온라인 쇼핑몰 서버에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 온라인 쇼핑몰 정보 수집기 및 상기 오프라인 쇼핑몰 정보 수집기에서 도출되는 시간대별 오프라인 매출액 수열과 상기 온라인 쇼핑몰 정보 수집기에서 도출되는 시간대별 온라인 매출액 수열을 시간 T에 대해 교차 상관하여 오프라인 매출과 온라인 매출의 교차 상관도를 산출하는 것을 특징으로 하는 인공지능 학습기로 구성되는 것을 기술적 특징으로 한다.
본 발명에 따른 인공지능을 이용한 온라인 쇼핑 시스템은 오프라인 매출 정보를 이용하여 온라인 매출을 향상시킬 수 있다.
또 온라인 쇼핑의 시간에 따른 수요를 예측할 수 있어 물량의 수급을 원활하게 하고, 소비자의 신뢰를 얻을 수 있다.
도 1은 종래의 사용자별 맞춤형 상품 추천 방법의 순서도
도 2는 본 발명에 따른 인공지능을 이용한 온라인 쇼핑 시스템의 구성도
도 3은 인공지능 학습기가 오프라인에서 구매하는 경향이 온라인 구매로 연결되는 상관도를 산출하는 순서도
도 4는 R 또는 P의 일반적인 패턴
도 5는 인공지능 학습기가 여러 개의 상품으로 이루어진 상품군에 대한 교차 상관도를 산출하는 순서도
이하에서는 본 발명에 따른 인공지능을 이용한 온라인 쇼핑 시스템을 첨부된 도면을 참조하여 상세히 설명한다.
도 2는 본 발명에 따른 인공지능을 이용한 온라인 쇼핑 시스템의 구성도이다. 본 발명에 따른 인공지능을 이용한 온라인 쇼핑 시스템은 오프라인 쇼핑몰 정보 수집기(10), 온라인 쇼핑몰 서버(20), 온라인 쇼핑몰 정보 수집기(30) 및 인공지능 학습기(40)를 포함하여 구성되어, 오프라인 쇼핑몰에서 수집되는 쇼핑 정보를 학습하여 온라인 쇼핑몰의 상품 배치 및 가격 조정 등에 반영한다.
오프라인 쇼핑몰 정보 수집기(10)는 오프라인 쇼핑몰에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 구성요소로서, 예를 들면 마트 등의 계산대에 설치된 결제 장치와 다수의 결제 장치 또는 다수의 오프라인 쇼핑몰에서 수집되는 결제 정보를 취합하는 서버로 구성될 수 있다. 상품의 매출 정보는 아래 [표 1]과 같이 행을 따라 시간대, 열을 따라 상품을 나열하고 행과 열의 교차점에 해당 시간대에 해당 상품의 매출액을 대응시켜 행렬(이하 ‘오프라인 행렬’이라 한다)로 구성할 수 있다.
1시 ~ 2시 2시 ~ 3시 … 5시 ~ 6시 6시 ~ 7시 …
과자 1,650,000 2,000,000 900,000 1,100,000
과일 3,500,000 2,500,000 4,300,000 3,800,000
…
의류 760,000 564,000 908,000 1,230,000
전자기기 30,000,000 0 8,900,000 0
…
즉, 오프라인 쇼핑몰 정보 수집기(10)의 역할은 위 [표 1]과 같은 오프라인 행렬을 만드는 것이라 할 수 있다.
온라인 쇼핑몰 서버(20)는 온라인 쇼핑을 위해 상품을 디스플레이하여 소비자가 상품의 선택 및 구매를 할 수 있도록 하는 구성요소이다.
온라인 쇼핑몰 정보 수집기(30)는 온라인 쇼핑몰 서버(20)에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 구성요소로서, 온라인 쇼핑몰 서버(20)에서 결제되는 상품별 매출액을 위 [표 1]과 같은 형식의 행렬(이하 ‘온라인 행렬’이라 한다)로 추출한다.
인공지능 학습기(40)는 오프라인 매출과 온라인 매출에서 연산되는 상품별 시간 상관성을 도출하는 구성요소로서, 오프라인에서 구매하는 경향이 온라인 구매로 연결되는 상관도를 계산하고 상관도가 가장 높은 시간 간격을 결정한다. 그리고 온라인 쇼핑몰의 전체 매출액을 최대로 할 수 있는 상품 셋을 도출하여, 온라인 쇼핑몰이 웹사이트 등의 화면에서 어떠한 상품 셋을 소비자에게 표시해 주어야 하는지를 결정한다.
도 3은 인공지능 학습기가 오프라인에서 구매하는 경향이 온라인 구매로 연결되는 상관도를 산출하는 순서도이다. 먼저, 오프라인에서 구매하는 경향이 온라인 구매로 연결되는 상관도를 계산하기 위하여, 상품 하나당 시간대별 매출액의 상관관계를 산출한다. 가령, A라는 상품의 오프라인 매출액이 수열 {A(1), A(2), A(3), …, A(n)}(즉, [표 1]의 어느 특정 행이다)이고, A 상품의 온라인 매출액이 수열 {AA(1), AA(2), AA(3), …, AA(n)}이라면 A 상품의 오프라인 매출액과 온라인 매출액의 상호 상관을 구함으로써 오프라인 매출액이 온라인 매출액과 어느 정도 관련성을 가지는지 알 수 있다. 여기서, 아래 첨자는 시간대별 순서이고, 시간대는 10분, 1시간, 6시간 등으로 적절한 시간 간격으로 설정될 수 있다. 같은 첨자는 같은 시간대를 나타내고, 오프라인과 온라인의 시간 간격은 동일하다.
우리의 가정은 오프라인 매출이 온라인 매출에 선행한다는 것이므로, 시간 T를 오프라인 매출과 온라인 매출의 시간차라고 하면, A 상품의 오프라인 매출과 온라인 매출의 교차 상관도 P를 아래 [수학식 1]로 도출할 수 있다. 이때 시간차 T는 시간대, 예를 들어 시간대를 [표 1]의 1시 정각에서 2시 정각, 2시 정각에서 3시 정각과 같이 시간대의 길이의 정수배가 되는 것이 바람직하다. 왜냐하면, 시간대의 정수배가 아닌 경우 교차 상관도가 오프라인 매출과 온라인 매출의 2개 시간대에 분산됨으로써 시간대를 2배로 한 것과 마찬가지여서 시간대를 세분화하는 취지가 사라지기 때문이다. 따라서 시간대의 길이를 △T라 할 때, T = m△T(m은 자연수)가 된다. m을 정하는 방법은 아래에서 자세히 설명한다.
Figure 112020033161662-pat00001
그런데 P는 오프라인 매출과 온라인 매출의 상관도가 높을수록 그 값이 커지기는 하지만, 온오프라인의 매출 크기가 반영되어 있어 오프라인 매출과 온라인 매출의 상관이 별로 없더라도 전체 매출액이 높으면 커지기 때문에 이를 정규화하는 작업이 필요한 경우가 있다. 정규화된 상관도 R은 P를 오프라인 매출액과 온라인 매출액의 크기로 나누어서 구할 수 있는데, 매출액의 크기는 시간대별 매출액의 제곱의 합에 제곱근을 취하여 얻을 수 있다(N = n△T는 관찰하는 온라인 매출의 가장 마지막 시간대).
Figure 112020033161662-pat00002
즉, 상품에 따라 정규화된 상관도 R이 구해지면 R이 큰 상품 위주로 오프라인 매출액의 추이를 온라인 쇼핑몰이 시간 T만큼 지연되어 추종하도록 함으로써, 예를 들면 오프라인 쇼핑몰에서 초콜릿 매출액이 서서히 증가하는 추세라면 T 시간 후에 온라인 쇼핑몰에 초콜릿 노출 빈도를 서서히 증가시킴으로써 온라인 쇼핑몰의 매출 신장을 꾀할 수 있다.
그런데, 문제는 T를 결정하는 것이다. 본 발명에서 T는 시간대의 길이의 정수배를 가정하므로, T = m△T(m은 자연수)가 되고 T의 결정은 m을 결정하는 것과 같다. T는 오프라인 매출과 온라인 매출의 시간 차이므로 T가 크면 오프라인 매출과 온라인 매출의 상관도가 떨어지기 때문에 T가 클수록 R값은 점점 작아지게 된다. 또 T가 너무 큰 경우 관찰해야 하는 시간대가 늘어나는 반면 R을 도출하기 위해 고려할 수 있는 데이터 수(N - T)는 적어지기 때문에 T가 너무 큰 경우를 고려하는 것은 현실적이지 않다. 따라서 본 발명에서 R(또는 P, 이하 동일)은 도 4(a)에 도시된 바와 같이 T의 단조 감소 함수이거나, 도 4(b)와 같이 극대점이 1개 있는 위로 볼록한 모양의 함수가 된다. 즉, m을 결정하기 위하여 너무 많은 계산을 할 필요 없이 m = 2일 때의 R값이 m = 1일 때의 R값보다 작은 경우(단조 감소), 최적의 m = 1이므로 T = △T로 결정할 수 있다. 만약, 4(b)와 같은 경우라면 m을 증가시켜 가면서 R이 최초로 감소하는 시점을 관찰하고 T = md△T(md는 R이 최초로 감소하기 직전 시점의 m값)로 결정할 수 있다.
T가 정해지더라도 어느 기간에만 최적화되고 시간이 지나면 오프라인 매출과 온라인 매출의 상관도가 떨어지게 된다. 따라서 본 발명에서는 온라인 매출이 전일 동시간대에 비해 소정 비율(예를 들면 25%나 50%) 이상 감소하는 경우 T를 조정한다. 변동된 최적 T′은 기존 T의 근방에 있을 확률이 높으므로 md를 1만큼 증가시켜 R이 감소된다면(여기서 R은 T를 조정하기로 한 시점부터의 오프라인 행렬과 온라인 행렬로부터 도출되는 것이다) 변동된 최적 T′이 기존 T보다 작다는 것이므로, md를 1씩 감소시켜 R이 감소되는 시점에서 T′ = md′△T(md′은 R이 감소하기 직전 md값)로 결정할 수 있다. 만약 md를 1만큼 증가시켜 R이 증가된다면 m을 증가시켜 가면서 R이 감소하는 시점을 관찰하고 T′ = md′△T(md′는 R이 감소하기 직전 md값)로 결정할 수 있다.
여러 개의 상품으로 이루어진 상품군에 대한 교차 상관도의 계산은 오프라인 행렬과 온라인 행렬의 행렬 연산으로 구할 수 있다. 도 5는 인공지능 학습기가 여러 개의 상품으로 이루어진 상품군에 대한 교차 상관도를 산출하는 순서도이다.
오프라인 행렬을 AXY, 온라인 행렬을 BXY라 하고 오프라인 매출과 온라인 매출의 시간차 T = m△T일 때, 상품군에 대한 교차 상관도 행렬 PXY는 아래 [수학식 3]과 같이 오프라인 행렬 AXY의 마지막 m개 열을 삭제한 행렬과 온라인 행렬 BXY의 전치 행렬의 처음 m개 행을 삭제한 행렬의 곱으로 도출할 수 있다. 여기서 T는 전치(transpose)의 의미이고, Lm은 마지막(last) m개 열 삭제, Fm은 처음(first) m개 행 삭제 또는 마지막 m개 열 및 처음 m개 행의 모든 성분을 0으로 대체하는 것을 의미한다.
Figure 112020033161662-pat00003
따라서 오프라인 행렬과 온라인 행렬의 행렬 연산에 의하여 상품군 전체의 교차 상관도 PXY를 구할 수 있고, 이러한 행렬 연산을 전담하기 위하여 GPU(Graphic processor unit)가 인공지능 학습기(40)에 구비될 수 있다. [수학식 3]의 행렬 연산 중 오프라인 행렬 AXY와 관련해서는 마지막 m개 열을 0으로 대체하면 되고, 온라인 행렬 BXY와 관련해서는 BXY의 행과 열을 바꾸는 연산을 한 후, 모든 행을 m만큼 위로 쉬프트시키면서 비어있는 성분은 0으로 대체하면 된다. 즉, PXY를 전치 연산과 쉬프트 연산으로 쉽게 구할 수 있는 것이다.
여러 개의 상품으로 이루어진 상품군에 대한 정규화된 교차 상관도의 계산은 위 [수학식 1], [수학식 2]와 유사하게 수행할 수 있다. 즉, PXY를 오프라인 행렬과 온라인 행렬의 모든 요소(element)의 제곱의 합의 제곱근으로 나누어 정규화된 교차 상관도 행렬 RXY를 아래 [수학식 4]와 같이 구할 수 있다. 여기서, axy 및 bxy는 각각 AXY와 BXY의 (x, y) 성분이고, n은 N을 △T로 나눈 것(N = n△T)이다. 즉, 본 발명에서 △T는 단위 시간에 해당된다.
Figure 112020033161662-pat00004
[수학식 4]에서 도출된 정규화된 교차 상관도 RXY(또는 PXY, 이하 동일)의 각 성분의 크기는 상품군 중 2개(상품군 중복을 포함한다)의 조합에 대해 시간 T만큼 지연이 있는 경우의 상관도를 의미한다. 즉, RXY에 의해 오프라인 쇼핑몰의 제1 상품 매출액과 T 시간 지연된 온라인 쇼핑몰의 제2 상품(제1 상품이 중복될 수도 있다) 매출액의 상관도를 알 수 있어, 오프라인 쇼핑몰에서 제1 상품 매출액의 추이를 따라 온라인 쇼핑몰에서 어떤 상품을 추종시켜야 하는지 상품의 종류도 알 수 있는 것이다. 예를 들어, {과자, 과일, 의류, 전자기기}의 상품군에서 아래 [수학식 5]와 같은 RXY를 얻었다면 첫 번째 행에 대응되는 오프라인 쇼핑몰에서 과자 매출이 상승하였다면 온라인 쇼핑몰에서는 T 시간 후 과자가 아닌 과일의 노출도를 상승시키는 것이 매출 신장에 더 도움될 가능성이 높은 것이다. 두 번째 행에 대응되는 과일의 경우도 오프라인 쇼핑몰에서 과일 매출이 늘어나는 경우 온라인 쇼핑몰에서 과일의 노출을 늘리는 것이 좋고, 의류의 경우는 의류, 전자기기의 경우는 과일을 온라인 쇼핑몰에서 많이 노출시키는 것이 바람직하다.
Figure 112020033161662-pat00005
정규화된 교차 상관도 행렬 RXY에서 T(= m△T)를 구하는 것은 스칼라 값 R의 경우와는 다소 차이가 있다. R이 스칼라인 경우, m은 1이거나(R이 단조 감소인 경우), R이 감소되기 직전의 md 값이었지만 RXY가 행렬인 경우 각 행에서 가장 큰 성분이 무엇인지, 거시적으로 볼 때 어떤 것이 핵심적인 상품인지, 가장 작은 성분이 무엇인지에 따라 m을 다르게 결정할 수 있다.
첫째, 상품의 중요도와 매출액에 큰 차이가 없는 경우에는 각 행의 제일 큰 성분과 제일 작은 성분의 차를 계산하여 이 차이가 감소하기 직전의 m을 md로 결정해야 한다. 왜냐하면, 각 행에서 제일 큰 성분과 제일 작은 성분의 차가 클수록 온라인 쇼핑몰에서 해당 제품을 선호할 확률이 크다는 의미이기 때문이다. 참고로, RXY의 각 성분이 큰 것은 본 발명에서 큰 의미가 없다. 예를 들어, [수학식 6]과 같이 모든 RXY 성분이 동일하게 크다고(또는 동일하게 작다고) 가정해 보자. 이 경우 오프라인 쇼핑몰에서 매출액이 어떻게 발생되더라도 온라인 쇼핑몰에서의 디스플레이 정책에 영향을 줄 수 없다. 왜냐하면, 상품을 어떻게 디스플레이를 하더라도 온라인 쇼핑몰의 매출액은 큰 변화가 없을 것이기 때문이다.
Figure 112020033161662-pat00006
따라서 이러한 경우에는 RXY의 각 행에서 제일 큰 성분과 제일 작은 성분의 차를 모든 행에 대하여 합한 값이 최대가 되게 하는 md를 설정해야 하는 것이다.
둘째, 특정 상품의 중요도나 매출액이 유의미한 경우 m을 1부터 1씩 증가시키면서 특정 상품이 해당하는 행의 성분이 감소되기 직전의 m 값을 md로 설정해야 한다. RXY가 [수학식 5]와 같은 4×4 행렬이고, 과자가 중요한 상품일 때 1행, 1열 성분(a11)이 감소되기 직전의 m 값을 md로 설정하는 것이다.
만약 2 이상의 특정 상품이 중요한 경우 해당 상품의 조합이 있는 성분들이 모두 감소될 때까지 m을 증가시킨 후 성분의 최댓값이 발생된 시점의 m을 md로 설정한다. 예를 들어, 과자와 의류가 중요한 상품인 경우, 과자와 의류의 교차 상관도인 a11, a13, a31, a33을 m을 증가시키면서 관찰하여 모든 a11, a13, a31, a33이 m = 4에서 감소 추세에 있고, a13이 m = 2에서 0.95로 최댓값을 나타내었다면 m = 2로 설정한 후 오프라인 쇼핑몰에서 과자의 매출액 변동에 따라 온라인 쇼핑몰에서 의류의 노출 정도를 추종시켜야 하는 것이다.
10 오프라인 쇼핑몰 정보 수집기 20 온라인 쇼핑몰 서버
30 온라인 쇼핑몰 정보 수집기 40 인공지능 학습기

Claims (5)

  1. 오프라인 쇼핑몰에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 오프라인 쇼핑몰 정보 수집기(10);
    온라인 상에서 상품을 디스플레이하여 소비자가 상품의 선택 및 구매를 할 수 있는 온라인 쇼핑몰 서버(20);
    상기 온라인 쇼핑몰 서버(20)에서 발생되는 상품의 매출 정보를 상품별, 시간대별로 수집하는 온라인 쇼핑몰 정보 수집기(30) 및
    상기 오프라인 쇼핑몰 정보 수집기(10)에서 도출되는 시간대별 오프라인 매출액 수열과 상기 온라인 쇼핑몰 정보 수집기(30)에서 도출되는 시간대별 온라인 매출액 수열을 시간 T에 대해 교차 상관하여 오프라인 매출과 온라인 매출의 교차 상관도를 산출하는 것을 특징으로 하는 인공지능 학습기(40)로 구성되고,
    상기 오프라인 쇼핑몰 정보 수집기(10) 및 온라인 쇼핑몰 정보 수집기(30)의 시간대의 길이가 △T로 동일하고, 상기 T가 △T의 정수배(T = m△T)이며,
    상기 시간대별 오프라인 매출이 수열 A(k)이고, 시간대별 온라인 매출이 수열 AA(k)일 때, 정규화된 교차 상관도 R이 아래 [수학식 2]로 산출되고,
    m = 2일 때의 R값이 m = 1일 때의 R값보다 작은 경우 T = △T이며, m = 2일 때의 R값이 m = 1일 때의 R값보다 큰 경우 m = 3부터 m을 1씩 증가시켜 가면서 R이 최초로 감소하기 직전 시점의 m값인 md에 대해 T = md△T인 것을 특징으로 하는 인공지능을 이용한 온라인 쇼핑 시스템(단, N = n△T는 관찰하는 온라인 매출의 가장 마지막 시간대).
    [수학식 2]
    Figure 112020084085416-pat00014

  2. 청구항 1에 있어서,
    상기 온라인 매출액 수열이 전일 동시간대에 비해 소정 비율 이상 감소하는 경우 T를 조정하는 것을 특징을 하는 인공지능을 이용한 온라인 쇼핑 시스템.
  3. 청구항 2에 있어서,
    상기 조정된 T인 최적 T′은 md를 1씩 감소시켜 R이 증가된다면 md를 감소시켜 가면서 R이 감소되는 시점에서 T′ = md′△T(md′은 R이 감소하기 직전 md값)로 결정되고, md를 1만큼 증가시켜 R이 증가된다면 md를 증가시켜 가면서 R이 감소하는 시점에서 T′ = md′△T(md′는 R이 감소하기 직전 md값)로 결정되는 것을 특징을 하는 인공지능을 이용한 온라인 쇼핑 시스템.
  4. 삭제
  5. 삭제
KR1020200038424A 2020-03-30 2020-03-30 인공지능을 이용한 온라인 쇼핑 시스템 KR102167345B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200038424A KR102167345B1 (ko) 2020-03-30 2020-03-30 인공지능을 이용한 온라인 쇼핑 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200038424A KR102167345B1 (ko) 2020-03-30 2020-03-30 인공지능을 이용한 온라인 쇼핑 시스템

Publications (1)

Publication Number Publication Date
KR102167345B1 true KR102167345B1 (ko) 2020-10-19

Family

ID=73042579

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200038424A KR102167345B1 (ko) 2020-03-30 2020-03-30 인공지능을 이용한 온라인 쇼핑 시스템

Country Status (1)

Country Link
KR (1) KR102167345B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220118703A (ko) 2021-02-19 2022-08-26 동서대학교 산학협력단 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140053444A (ko) * 2012-10-25 2014-05-08 한국과학기술정보연구원 시장규모예측장치, 시장규모예측방법 및 시장규모를 예측하는 프로그램을 저장하는 저장매체
KR20180059167A (ko) * 2016-11-25 2018-06-04 주식회사 비즈니스인사이트 빅데이터 기반의 소비자의 비정형 정보와 소비자 소비 행태(구매 상관도) 분석을 통한 마케팅 및 캠페인 플랫폼 모델
KR20190048303A (ko) 2017-10-31 2019-05-09 (주)이노티브아이엔씨 네크워크 상의 사용자의 빅데이터를 이용한 사용자별 맞춤형 상품 추천 방법 및 이에 사용되는 관리 서버
KR102004704B1 (ko) * 2018-05-10 2019-07-29 롯데정보통신 주식회사 온오프라인 통합 리마케팅 시스템을 이용한 리마케팅 정보 제공방법
KR20200009542A (ko) * 2018-07-19 2020-01-30 한국기술교육대학교 산학협력단 소비자 빅데이터를 기반으로 하는 지능형 쇼핑 플랫폼 관리시스템 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140053444A (ko) * 2012-10-25 2014-05-08 한국과학기술정보연구원 시장규모예측장치, 시장규모예측방법 및 시장규모를 예측하는 프로그램을 저장하는 저장매체
KR20180059167A (ko) * 2016-11-25 2018-06-04 주식회사 비즈니스인사이트 빅데이터 기반의 소비자의 비정형 정보와 소비자 소비 행태(구매 상관도) 분석을 통한 마케팅 및 캠페인 플랫폼 모델
KR20190048303A (ko) 2017-10-31 2019-05-09 (주)이노티브아이엔씨 네크워크 상의 사용자의 빅데이터를 이용한 사용자별 맞춤형 상품 추천 방법 및 이에 사용되는 관리 서버
KR102004704B1 (ko) * 2018-05-10 2019-07-29 롯데정보통신 주식회사 온오프라인 통합 리마케팅 시스템을 이용한 리마케팅 정보 제공방법
KR20200009542A (ko) * 2018-07-19 2020-01-30 한국기술교육대학교 산학협력단 소비자 빅데이터를 기반으로 하는 지능형 쇼핑 플랫폼 관리시스템 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220118703A (ko) 2021-02-19 2022-08-26 동서대학교 산학협력단 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법

Similar Documents

Publication Publication Date Title
Demir et al. The impact of economic policy uncertainty on stock returns of Turkish tourism companies
US6583794B1 (en) Interface system for information mapping
Razmi et al. Developing country exports of manufactures: moving up the ladder to escape the fallacy of composition?
Weber et al. The medial prefrontal cortex exhibits money illusion
Huang et al. Production chains and general equilibrium aggregate dynamics
US10825033B2 (en) Systems and methods for using a graphical user interface to predict market success
Ko et al. Marketanalyzer: An interactive visual analytics system for analyzing competitive advantage using point of sale data
Zuschke The impact of task complexity and task motivation on in-store marketing effectiveness: An eye tracking analysis
KR102167345B1 (ko) 인공지능을 이용한 온라인 쇼핑 시스템
San-José et al. Analysis of an inventory system with discrete scheduling period, time-dependent demand and backlogged shortages
Rezitis et al. Measuring the degree of market power in the Greek manufacturing industry
Suatmi et al. Trade liberalization and technical efficiency in the Indonesian chemicals industry
Capelle-Blancard et al. Empirical evidence on periodically collapsing stock price bubbles
JP2017215649A (ja) 情報提供装置、情報提供方法及びプログラム
Gil-Pareja et al. Price convergence in the European car market
CN114757722B (zh) 一种电子设备的销量预测方法和装置
Farley et al. A model of the distribution of branded personal products in Jamaica
Hartwig On spurious differences in growth performance and on the misuse of National Accounts data for governance purposes
Buttrey An excel add-in for statistical process control charts
US20230142288A1 (en) Information processing device, information processing method, and recording medium
Pearson Prioritizing edge over node: process control in supply chain networks and push-pull strategies
Mishra et al. An optimal policy with quadratic demand, three-parameter weibull distribution deterioration rate, Shortages and Salvage value
KR20220168311A (ko) 농산물 유통정보 제공 방법 및 서버
CN113689266A (zh) 手机选购推荐方法、装置、服务器及计算机可读存储介质
Raa The use–make framework and the derivation of functional forms in production theory

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant