KR102184700B1 - Hot 사이트 추천 방법 및 hot 사이트 추천 서버 - Google Patents

Hot 사이트 추천 방법 및 hot 사이트 추천 서버 Download PDF

Info

Publication number
KR102184700B1
KR102184700B1 KR1020180011536A KR20180011536A KR102184700B1 KR 102184700 B1 KR102184700 B1 KR 102184700B1 KR 1020180011536 A KR1020180011536 A KR 1020180011536A KR 20180011536 A KR20180011536 A KR 20180011536A KR 102184700 B1 KR102184700 B1 KR 102184700B1
Authority
KR
South Korea
Prior art keywords
sales
site
predetermined
period
slope
Prior art date
Application number
KR1020180011536A
Other languages
English (en)
Other versions
KR20190092122A (ko
Inventor
이주연
박정아
류보성
강이진
Original Assignee
현대카드 주식회사
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 현대카드 주식회사 filed Critical 현대카드 주식회사
Priority to KR1020180011536A priority Critical patent/KR102184700B1/ko
Publication of KR20190092122A publication Critical patent/KR20190092122A/ko
Application granted granted Critical
Publication of KR102184700B1 publication Critical patent/KR102184700B1/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
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 인기가 상승중인 사이트를 추천하는 사이트 추천 방법에 관한 것이다. 본 발명에 따른 사이트 추천 방법은, 카드 매출 내역을 통해 생성된 사이트별 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 매출 발생 시간을 소정 제1 기간 별로 사이트별 매출액을 합산한 후, 매출 발생 시간의 구간별 변화량 대비 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기 또는 각도를 각각의 사이트 단위로 산출한다. 그리고, 매출 회귀선 기울기 또는 각도를 바탕으로 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시한다.

Description

HOT 사이트 추천 방법 및 HOT 사이트 추천 서버{METHOD FOR RECOMMENDING HOT WEBSITES AND SERVER USING THE SAME}
본 발명은 인기가 상승중인 사이트를 추천하는 사이트 추천 방법에 관한 것으로, 보다 상세하게는, (a) 사이트 추천 서버가, 카드 구매 행동 데이터로부터 추출한 사용자들의 특정 사이트에 대응하는 구매 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 매출 발생 시간 및 매출액에 대한 기초 매출 이력 정보 테이블을 각 사이트 별로 생성하는 단계; (b) 상기 사이트 추천 서버가, 상기 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 상기 매출 발생 시간을 소정의 제1 기간 단위로 묶고 상기 소정 제1 기간 별로 상기 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 단계; (c) 상기 사이트 추천 서버가, 상기 매출 발생 시간의 구간별 변화량 대비 상기 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기를 각각의 사이트 단위로 산출하는 단계; 및 (d) 상기 사이트 추천 서버가, 상기 매출 회귀선 기울기를 바탕으로 상기 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하는 단계;를 포함하는 것을 특징으로 하는 사이트 추천 방법 및 HOT 사이트 추천 서버에 관한 것이다.
인터넷의 발달로 인해 인터넷을 이용한 전자 상거래도 폭발적으로 증가하고 있다. 인터넷을 통해 제공되는 정보의 양이 기하 급수적으로 늘어남에 따라 사용자는 정보의 탐색, 검색, 비교를 위해 많은 시간과 노력을 소모하여야 하는 문제가 있다. 즉, 정보 과잉의 시대가 도래하여 정보, 서비스, 생산의 과잉으로 인해 소비자는 선택과 의사 결정에 보다 많은 시간을 들어야 한다.
특히, 온라인 쇼핑몰의 이용 시, 사용자는 인터넷 검색을 통해 구매하고자 하는 물품 종류나 사이트 이름을 직접 입력하여 검색한 후, 검색 사이트나 쇼핑몰에서 제시하는 리스트들을 하나하나 살펴보거나 제시된 일부 링크를 따라가 물품을 살펴본 후, 구매를 진행한다.
한편, 사용자의 요구 사항이 까다로워지고 개인에게 맞춤화된 요구 사항이 증가함에 따라 개인패턴을 분석한 데이터를 기반으로 사용자 맞춤형 정보를 제공하는 서비스가 다양한 방법으로 제시되고 있다.
그리고, 판매량이 많은 상품이나 상품의 판매 가격 등에 따라 상품을 추천하는 다양한 방법도 제시되고 있다.
그러나 이와 같은 방법만으로는 사용자가 원하는 사이트를 적절하게 추천하는 데는 한계가 있다는 문제가 있으며, 하나의 특정 사이트 내에서의 상품을 추천하는 방식이 아닌, 전체 사이트를 비교하교 이를 제시하지는 못하는 문제점이 있다.
KR 10-1758246 B1
본 발명은 상술한 문제점을 모두 해결하는 것을 목적으로 한다.
본 발명은 구매 내역으로부터 각 사이트 별 매출액의 증가 정도를 파악하고, 이를 바탕으로 최근 인기가 있는 사이트를 추천하는 것을 목적으로 한다.
또한 본 발명은 신용 카드 매출 내역을 각 사이트 별로 분석하여 인기 있는 사이트를 사용자에게 제시하는 것을 목적으로 한다.
또한 본 발명은 온라인 사이트에서의 판매량과 이에 대응하는 오프라인 매장에서의 특정 브랜드의 판매량을 통합하고 이들의 증가 정도를 판단하여 인기 있는 사이트를 선정하는 것을 목적으로 한다.
또한 본 발명은 각 사이트나 브랜드의 판매량뿐만 아니라 사용자들의 각 사이트별 페이지 뷰 횟수를 사이트 인기 판정 근거로 활용할 수 있도록 하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한, 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 실시예에 따르면, HOT 사이트를 추천하는 사이트 추천 방법은, (a) 사이트 추천 서버가, 카드 구매 행동 데이터로부터 추출한 사용자들의 특정 사이트에 대응하는 구매 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 매출 발생 시간 및 매출액에 대한 기초 매출 이력 정보 테이블을 각 사이트 별로 생성하는 단계; (b) 상기 사이트 추천 서버가, 상기 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 상기 매출 발생 시간을 소정의 제1 기간 단위로 묶고 상기 소정 제1 기간 별로 상기 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 단계; (c) 상기 사이트 추천 서버가, 상기 매출 발생 시간의 구간별 변화량 대비 상기 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기를 각각의 사이트 단위로 산출하는 단계; 및 (d) 상기 사이트 추천 서버가, 상기 매출 회귀선 기울기를 바탕으로 상기 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하는 단계; 를 포함한다.
일 실시예에서, 상기 (a) 단계는, 상기 사용자들의 상기 특정 사이트에 대응하는 오프라인 매장에서의 특정 브랜드의 구매 이력 정보를 상기 특정 사이트에 대응하는 온라인 매장에서의 특정 브랜드의 구매 이력 정보와 합산하여 상기 기초 매출 이력 정보 테이블을 생성한다.
일 실시예에서, 상기 (a) 단계 이전에, (a1) 온라인 또는 오프라인 상에서 상기 사용자들이 결제한 카드 결제 내역 데이터를 수집하는 단계, (a2) 상기 수집한 상기 카드 결제 내역 데이터로부터 사이트 정보, 사용자 정보, 결제 시간, 구매 품목, 구매 브랜드 중 적어도 일부를 추출하는 단계, 및 (a3) 각 사이트에 대응하는 상기 구매 이력 정보를 획득하는 단계를 더 포함한다.
다른 실시예에서, 상기 (a) 단계는, (a4) 상기 사용자들의 상기 특정 사이트에 대한 페이지 뷰 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 페이지 뷰 실행 시간 및 페이지 뷰 횟수에 대한 상기 기초 페이지 뷰 정보 테이블을 상기 각 사이트 별로 추가로 생성하고, 상기 (b) 단계는, (b1) 상기 기초 페이지 뷰 정보 테이블의 상기 페이지 뷰 시간을 바탕으로 상기 페이지 뷰 실행 시간을 상기 소정의 제1 기간 단위로 묶고 상기 소정 제1 기간 별로 상기 사이트별 페이지 뷰 횟수를 합산한 합산 페이지 뷰 정보 테이블을 추가로 생성하며, 상기 (c) 단계는, 상기 합산 매출 값에 상기 합산 페이지 뷰 횟수가 반영된 수정 매출 회귀선 기울기를 각각의 사이트 단위로 산출하며, 상기 (d) 단계는, 상기 수정 매출 회귀선 기울기를 바탕으로 상기 매출액과 상기 페이지 뷰 횟수의 통합에 따른 인기 사이트를 제시한다.
다른 실시예에서, 상기 (c) 단계 이전에, (c1) 상기 사이트 추천 서버가, 상기 소정 제1 기간 별 합산된 매출액을 소정의 표준화 함수를 통해 표준화된 매출 값으로 변환시키는 단계;를 더 포함한다.
바람직하게는, 상기 (c1) 단계에서, 상기 표준화 함수는 아래 수학식
Figure 112018010696993-pat00001
, j=1, 2,…, n
( 여기서, xj는 상기 제1 기간 단위별 상기 매출액 (x =(x1, x2, …, xn))이고, zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn))이며,
Figure 112018010696993-pat00002
는 상기 매출액의 평균이고, 상기 s는 상기 매출액의 표준 편차임 ) 으로 표현되며,
상기 (c) 단계에서, 상기 회귀선 기울기(slope)는 아래 수학식
Figure 112018010696993-pat00003
,
Figure 112018010696993-pat00004
,
Figure 112018010696993-pat00005
( dj는 상기 제1 단위 기간별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이고, 상기 zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn)) 이고,
Figure 112018010696993-pat00006
는 dj의 평균이고,
Figure 112018010696993-pat00007
는 상기 zj의 평균임 ) 을 통해 산출된다.
다른 실시예에서, 상기 (c) 단계 이후에, (c2) 상기 사이트 추천 서버가, 상기 매출 회귀선 기울기로부터 상기 특정 사이트의 구간별 매출액 변화량을 나타내는 각도를 산출하는 단계를 더 포함하고, 상기 (d) 단계는, 상기 사이트 추천 서버가, 상기 산출된 각도를 바탕으로 상기 각도 값이 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시한다.
바람직하게는, 상기 (c2) 단계에서, 상기 각도(angle=θ)는 아래 수학식
Figure 112018010696993-pat00008
(
Figure 112018010696993-pat00009
,
Figure 112018010696993-pat00010
,
Figure 112018010696993-pat00011
이고, dj는 상기 제1 단위 기간별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이고, 상기 zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn))이고,
Figure 112018010696993-pat00012
는 dj의 평균이고,
Figure 112018010696993-pat00013
는 상기 zj의 평균임 ) 을 통해 산출된다.
다른 실시예에서, 상기 (c1) 단계 이전에, (c0) 상기 사용자별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트 내부의 각 구매 품목별로 등급을 나누어 가중치를 달리 곱하여 가중치 반영 매출액을 산출하는 단계;를 더 포함하고, 상기 (c1) 단계는, 상기 가중치가 반영된 매출액을 이용하여 상기 표준화된 매출 값을 산출한다.
일 실시예에서, 상기 (c) 단계는, 상기 제1 기간 단위보다 큰 소정의 제2 기간 동안 상기 소정 제1 기간 단위에서의 합산 매출 값이 미리 정해진 소정 횟수 이상 존재하는 경우에만 상기 매출 회귀선 기울기를 산출한다.
본 발명의 다른 특징에 따르면, HOT 사이트를 추천하는 사이트 추천 서버는, 각 고객들의 카드 구매 행동 데이터를 전달받기 위한 통신부; 및 (i) 상기 카드 구매 행동 데이터로부터 추출한 사용자들의 특정 사이트에 대응하는 구매 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 매출 발생 시간 및 매출액에 대한 기초 매출 이력 정보 테이블을 각 사이트 별로 생성하는 프로세스; (ii) 상기 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 상기 매출 발생 시간을 소정의 제1 기간 단위로 묶고 상기 소정 제1 기간 별로 상기 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 프로세스; (iii) 상기 매출 발생 시간의 구간별 변화량 대비 상기 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기를 각각의 사이트 단위로 산출하는 프로세스; 및 (iv) 상기 매출 회귀선 기울기를 바탕으로 상기 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하는 프로세스를 수행하는 프로세서; 를 포함한다.
본 발명은 각 사이트의 매출 내역을 비교함으로써 각 사이트끼리의 매출 증가율을 비교하여, 이를 바탕으로 인기가 상승하는 사이트를 선별하여 사용자에게 추천할 수 있다.
또한 본 발명은 신용 카드 매출 내역으로부터 각 사이트 별로 해당 사이트의 매출의 증가 정도를 분석하여 최근 인기가 있는 사이트를 사용자에게 제시할 수 있다.
또한, 본 발명은 온라인 사이트에서의 판매량과 오프라인 매장에서의 판매량을 통합하고 이들의 증가 정도를 판단하여 인기 있는 사이트나 해당 브랜드를 선정하여 사용자에게 추천할 수 있다.
또한 본 발명은 각 사이트나 브랜드의 판매량뿐만 아니라 사용자들의 각 사이트별 페이지 뷰 횟수를 사이트 인기 판정 근거로 활용하여 신뢰도 높은 사이트 추천 알고리즘을 제공할 수 있다.
도 1은 본 발명에 따른 HOT 사이트 추천 서버의 개략적인 구성도이다.
도 2는 본 발명에 따른 사이트 추천 방법을 개략적으로 나타낸 흐름도이다.
도 3은 본 발명에 따른 사이트 추천 방법에서 사이트별 구매 이력 정보를 획득하는 과정을 나타내는 흐름도이다.
도 4는 매출 회귀선 기울기로부터 각도를 산출하는 개념을 설명하는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명에 따른 HOT 사이트 추천 서버의 개략적인 구성도이다.
본 발명에 따른 HOT 사이트 추천 서버(100)는 통신부(10)와 프로세서(20)를 포함한다.
통신부(10)는 각 고객들의 카드 구매 행동 데이터를 전달받기 위한 기능을 수행하며, 프로세서(20)는 도 2 및 도 3의 각 단계에 따른 프로세스를 수행하는 기능을 한다.
먼저 HOT 사이트 추천 서버(100)의 통신부(10)를 통해 각 고객들의 카드 구매 행동 데이터를 전달 받으면, 프로세서(20)는 (i) 상기 카드 구매 행동 데이터로부터 추출한 사용자들의 특정 사이트에 대응하는 구매 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 매출 발생 시간 및 매출액에 대한 기초 매출 이력 정보 테이블을 각 사이트 별로 생성하는 프로세스; (ii) 상기 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 상기 매출 발생 시간을 소정의 제1 기간 단위로 묶고 상기 소정 제1 기간 별로 상기 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 프로세스; (iii) 상기 매출 발생 시간의 구간별 변화량 대비 상기 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기를 각각의 사이트 단위로 산출하는 프로세스; 및 (iv) 상기 매출 회귀선 기울기를 바탕으로 상기 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하는 프로세스를 수행한다.
이하 프로세서(20)의 구체적인 각 단계의 기능 자세한 설명은 도 2 내지 도 4를 참조로 아래에 설명된다.
도 2는 본 발명에 따른 사이트 추천 방법을 개략적으로 나타낸 흐름도이다.
도 2를 참조하면, 본 발명에 따른 사이트 추천 방법은, 카드 구매 이력 정보를 바탕으로 각 사이트에 대응하는 기초 매출 이력 정보 테이블을 생성하는 단계(S01), 소정의 기간 단위로 각 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 단계(S02), 합산 매출액을 표준화 함수를 통해 표준화된 매출 값으로 변환하는 단계(S03), 매출 회귀선 기울기를 각 사이트 단위로 산출하는 단계(S04), 매출 회귀선 기울기로부터 구간별 매출액 변화량을 나타내는 각도를 산출하는 단계(S05) 그리고 매출 회귀선 기울기 또는 각도로부터 최근 인기 상승 사이트를 제시하는 단계(S06)를 포함한다.
카드 구매 이력 정보를 바탕으로 각 사이트에 대응하는 기초 매출 이력 정보 테이블을 생성하는 단계(S01)에서, HOT 사이트 추천 서버(100), 즉, 서버(100) 내부의 프로세서(20)는, 카드 구매 행동 데이터로부터 추출한 사용자들의 특정 사이트에 대응하는 구매 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 매출 발생 시간 및 매출액에 대한 기초 매출 이력 정보 테이블을 각 사이트 별로 생성한다.
이때, 상기 S01 단계에서, 특정 사이트에 대응하는 구매 이력 정보는, 특정 사이트에 대응하는 온라인 매장에서의 특정 브랜드의 구매 이력 정보나, 상기 특정 브랜드에 대응하는 사이트에서의 구매 이력 정보, 그리고, 특정 브랜드에 해당하는 오프라인 매장에서의 구매 이력 정보 중 적어도 하나를 포함할 수 있다.
예를 들어, "www.nike.com"라는 특정 사이트에 대한 매출 이력 정보를 이용하여 상기 사이트에 대한 기초 매출 이력 정보 테이블을 형성하기 위해서는, 상기 사이트에 대응하는 '나이키'라는 브랜드의 오프라인 매장에서의 매출 이력 정보와, 종합 쇼핑몰 웹사이트에서의 '나이키'라는 브랜드의 온라인 매출 이력 정보를 모두 합산하여 상기 "www.nike.com"라는 특정 사이트에 대한 구매 이력 정보에 통합시켜, "www.nike.com"사이트에 대한 기초 매출 이력 정보 테이블을 생성할 수 있다.
이때, 상기 S01 단계는, 도 3에 도시된 바와 같이, 온라인 또는 오프라인 상에서 사용자들이 결제한 카드 결제 내역 데이터를 수집하는 단계(S11), 수집한 카드 결제 내역 데이터로부터 사이트 정보, 사용자 정보, 결제 시간, 구매 품목, 구매 브랜드 중 적어도 일부를 추출하는 단계(S12)를 거쳐 각각의 특정 사이트에 대한 구매 이력 정보를 획득할 수 있다(S13).
표 1 은 상기 S01 단계를 거쳐 "www.nike.com"사이트에 대한 기초 매출 이력 정보 테이블을 생성한 예를 나타낸다.
SEQ_NO 매출일자 SITE_URL 매출금액
1 2016-02-10 www.nike.com 3,280,000
2 2016-02-13 www.nike.com 1,260,000
3 2016-03-06 www.nike.com 680,000
4 2016-03-08 www.nike.com 580,000
5 2016-03-13 www.nike.com 3,280,000
6 2016-03-23 www.nike.com 981,000
7 2016-04-13 www.nike.com 810,000
8 2016-04-17 www.nike.com 729,000
9 2016-05-05 www.nike.com 270,000
10 2016-05-13 www.nike.com 130,000
11 2016-05-16 www.nike.com 502,000
12 2016-06-04 www.nike.com 357,000
13 2016-06-19 www.nike.com 655,000
14 2016-07-02 www.nike.com 818,000
15 2016-07-04 www.nike.com 189,000
16 2016-07-12 www.nike.com 730,000
17 2016-07-14 www.nike.com 730,000
18 2016-07-31 www.nike.com 322,000
19 2016-08-26 www.nike.com 3,008,000
20 2016-08-31 www.nike.com 123,000
21 2016-09-18 www.nike.com -123,000
22 2016-10-02 www.nike.com 2,460,000
23 2016-10-20 www.nike.com 1,332,000
24 2016-10-31 www.nike.com 2,036,000
25 2016-11-02 www.nike.com 1,024,000
26 2016-11-16 www.nike.com 1,012,000
27 2016-11-16 www.nike.com 1,332,000
28 2016-11-26 www.nike.com 1,368,500
29 2016-11-27 www.nike.com 656,000
30 2016-11-27 www.nike.com 1,230,000
31 2016-11-29 www.nike.com 833,000
32 2016-12-02 www.nike.com 911,096
33 2016-12-02 www.nike.com 911,096
34 2016-12-02 www.nike.com 911,096
35 2016-12-17 www.nike.com 580,000
36 2016-12-29 www.nike.com 1,256,752
소정의 기간 단위로 각 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 단계(S02)는, 생성된 기초 매출 이력 정보 테이블을 이용하되, 상기 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 상기 매출 발생 시간을 소정의 제1 기간 단위로 묶고 상기 소정 제1 기간 별로 상기 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성한다.
예를 들어, 표 1을 참조하면, 소정의 제1 기간 단위가 1주일인 경우, 일주일 단위로 기초 매출 이력 정보 테이블의 매출액을 합산하게 된다. 즉, 일주일 단위로 기준일을 정하고, 해당 기준일과 다음 기준일 사이의 매출액을 합산하여, 상기 해당 기준일의 합산 매출액으로 산출할 수 있을 것이다.
표 2는 표 1의 매출 일자에서 기준일을 1주일 단위로 변경시켜, 즉 표 1의 매출 일자를 일주일 단위로 정한 기준일자로 매핑한 예이며, 표 3은 표 1에서 표 2의 기준일에 따라 합산 매출 이력 정보 테이블을 생성한 예를 나타낸다.
기준일
2016-02-07
2016-02-07
2016-03-06
2016-03-06
2016-03-13
2016-03-20
2016-04-10
2016-04-17
2016-05-01
2016-05-08
2016-05-15
2016-05-29
2016-06-19
2016-06-26
2016-07-03
2016-07-10
2016-07-10
2016-07-31
2016-08-21
2016-08-28
2016-09-18
2016-10-02
2016-10-16
2016-10-30
2016-10-30
2016-11-13
2016-11-13
2016-11-20
2016-11-27
2016-11-27
2016-11-27
2016-11-27
2016-11-27
2016-11-27
2016-12-11
2016-12-25
표 1의 2016-02-10과 2016-02-13은 모두 기준일인 2016-02-07로 변경되며, 2016-03-06과 2016-03-08은 모두 기준일은 2016-03-06으로 변경된다. 이과 같이 표 1의 모든 매출일자는 이에 대응하는 기준일자로 변경되어 표 2와 같이 된다. 그러면, 동일한 기준일자에 해당되는 매출금액은 모두 합산되어 표 3과 같이 된다.
기준일 매출금액
　 　 52주
　 　 51주
　 　 50주
　 　 49주
　 　 48주
2016-02-07 4,540,000 47주
　 　 46주
　 　 45주
　 　 44주
2016-03-06 1,260,000 43주
2016-03-13 3,280,000 42주
2016-03-20 981,000 41주
　 　 40주
　 　 39주
2016-04-10 810,000 38주
2016-04-17 729,000 37주
　 　 36주
2016-05-01 270,000 35주
2016-05-08 130,000 34주
2016-05-15 502,000 33주
　 　 32주
2016-05-29 357,000 31주
　 　 30주
　 　 29주
2016-06-19 655,000 28주
2016-06-26 818,000 27주
2016-07-03 189,000 26주
2016-07-10 1,460,000 25주
　 　 24주
　 　 23주
2016-07-31 322,000 22주
　 　 21주
　 　 20주
2016-08-21 3,008,000 19주
2016-08-28 123,000 18주
　 　 17주
　 　 16주
2016-09-18 -123,000 15주
　 　 14주
2016-10-02 2,460,000 13주
　 　 12주
2016-10-16 1,332,000 11주
　 　 10주
2016-10-30 3,060,000 9주
　 　 8주
2016-11-13 2,344,000 7주
2016-11-20 1,368,500 6주
2016-11-27 5,452,288 5주
　 　 4주
2016-12-11 580,000 2016-09-18
-123,000 -1.085828 15주
　 　 　
표 3에서 최근의 매출액의 변화를 중요시하기 때문에, 가장 최근의 기준일 즉 표 3에서 가장 아래쪽 기준일을 1주로 설정하였다.
그리고 나서, 합산 매출액을 표준화 함수를 통해 표준화된 매출 값으로 변환하는 단계(S03)에서, 사이트 추천 서버(100) 또는 서버(100)의 프로세서(20)는, 상기 소정 제1 기간 별 합산된 매출액을 각 사이트별로 평균화된 분포를 갖는 매출값으로 스케일링 또는 매핑할 수 있도록, 상기 표준화 함수를 통해 합산 매출 값을 변환시킨다.
이는 각각의 사이트에서 취급하는 상품이나 물품의 판매 가격이 상이할 수 있기에, 서로 다른 가격의 물품의 판매량을 비교하기 위해서는, 매출액의 스케일링이 필요하다. 물론 다른 방법으로 매출액이 아닌 매출 횟수만으로 비교할 수도 있을 것이며, 이러한 경우에는 매출액의 스케일링이나 표준화가 필요하지 않을 수도 있을 것이다.
한편, 상기 표준화 함수의 일 예는 아래 수학식으로 표현된다.
Figure 112018010696993-pat00014
여기서, xj는 상기 제1 기간 단위별 상기 매출액 (x =(x1, x2, …, xn))이고, zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn))이며,
Figure 112018010696993-pat00015
는 상기 매출액의 평균이고, 상기 s는 상기 매출액의 표준 편차이다.
위 수학식 1을 통해, 매출금액의 분포를 평균이 0이고 분산이 1인 표준 분포로 스케일링한다.
표 3에 나타난 "www.nike.com"에 대응하는 특정 사이트의 합산 매출액의 평균이 1,429,405이며, 표준편차가 1,429,697이라면, 표 3의 합산 매출액을 표준화한 결과는 아래의 표 4와 같다.
기준일 매출금액x 표준화 매출금액z
　 　 　 52주
　 　 　 51주
　 　 　 50주
　 　 　 49주
　 　 　 48주
2016-02-07 4,540,000 2.175702 47주
　 　 　 46주
　 　 　 45주
　 　 　 44주
2016-03-06 1,260,000 -0.118490 43주
2016-03-13 3,280,000 1.294396 42주
2016-03-20 981,000 -0.313637 41주
　 　 　 40주
　 　 　 39주
2016-04-10 810,000 -0.433242 38주
2016-04-17 729,000 -0.489898 37주
　 　 　 36주
2016-05-01 270,000 -0.810945 35주
2016-05-08 130,000 -0.908867 34주
2016-05-15 502,000 -0.648673 33주
　 　 　 32주
2016-05-29 357,000 -0.750093 31주
　 　 　 30주
　 　 　 29주
2016-06-19 655,000 -0.541657 28주
2016-06-26 818,000 -0.427647 27주
2016-07-03 189,000 -0.867600 26주
2016-07-10 1,460,000 0.021399 25주
　 　 　 24주
　 　 　 23주
2016-07-31 322,000 -0.774573 22주
　 　 　 21주
　 　 　 20주
2016-08-21 3,008,000 1.104146 19주
2016-08-28 123,000 -0.913764 18주
　 　 　 17주
　 　 　 16주
한편 상기 S03 단계에서, 표준화된 매출 값을 반영하는 경우에는, 수학식 1의 표준 분포 함수로의 스케일링 작업뿐만 아니라, 사용자별, 사이트별, 또는 품목별 가중치를 두어 표준화 작업을 수행할 수 있다.
예를 들어, 상기 사용자별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트 내부의 각 구매 품목별로 등급을 나누어 가중치를 달리 곱하여 가중치 반영 매출액을 산출하고, 이렇게 가중치가 반영된 매출액을 이용하여 표준화된 매출 값을 산출할 수도 있다.
다시 도 2를 참조하면, 매출 회귀선 기울기를 각 사이트 단위로 산출하는 단계(S04)에서, 사이트 추천 서버(100) 또는 서버(100)의 프로세서(20)는, 각각의 사이트마다 상기 매출 발생 시간의 구간별 변화량 대비 상기 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기를 산출한다.
이를 구체적으로 설명하면, 일 예로, 매출 기준일자를 수치화하고, 수치화된 매출 기준일자의 분산대비 매출 기준일자와 표준화된 매출 값의 공분산을 매출 회귀선 기울기로 산출할 수 있다.
일 실시예에서, 상기 회귀선 기울기(slope)는 아래 수학식 2를 통해 산출될 수 있다.
Figure 112018010696993-pat00016
Figure 112018010696993-pat00017
,
Figure 112018010696993-pat00018
여기서 cov(d, z)는 매출 발생 시간(매출 기준일)과 표준화된 매출 값의 공분산(covariance)이며, var(d)는 매출 발생 시간(매출 기준일)의 분산을 나타낸다. 그리고, dj는 상기 제1 단위 기간별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이고, 상기 zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn)) 이고,
Figure 112018010696993-pat00019
는 dj의 평균이고,
Figure 112018010696993-pat00020
는 상기 zj의 평균이다. 그리고, n은 각 기준일의 전체 횟수를 나타낸다.
예를 들어, 기준일 1900년 01월 01을 1 값으로 설정하면, 기준일 2016년 12월 25는 42729로 수치화되고, 2016년 12월 11일은 42715로 수치화될 수 있다.
그러면, 표 4에서 최근 24주 기간(1주 내지 24주)에 해당하는 기준일과 표준 매출 값의 공분산(cov(d, z))이 13.90 값으로 산출되고, 기준일의 분산(var(d))이 2,034.52 값으로 산출된다. 그러면, 이 사이트에 대한 최근 24주 기간에 해당하는 기울기는 0.006832 값이 산출된다.
만일 표 4에서 최근 12주 기간(1주 내지 12주)에 해당하는 기울기를 산출하고자 하는 경우에는, 상기 12주 기간에 해당하는 기준일과 표준 매출 값의 공분산(cov(d, z))이 -3.29 값으로 산출되고, 기준일의 분산(var(d))이 490.00 값으로 산출된다. 그러면, 이 사이트에 대한 최근 12주 기간에 해당하는 기울기는 -0.00672 값이 산출된다.
또한, 만일 표 4에서 최근 4주 기간(1주 내지 4주)에 해당하는 기울기를 산출하고자 하는 경우에는, 상기 4주 기간에 해당하는 기준일과 표준 매출 값의 공분산(cov(d, z))이 -1.66 값으로 산출되고, 기준일의 분산(var(d))이 7,819.58 값으로 산출된다. 그러면, 이 사이트에 대한 최근 12주 기간에 해당하는 기울기는 0.000212 값이 산출된다.
도 2에서 매출 회귀선 기울기로부터 구간별 매출액 변화량을 나타내는 각도를 산출하는 단계(S05)는, 사이트 추천 서버(100) 또는 서버(100)의 프로세서(20)가, S04 단계에서 산출한 매출 회귀선 기울기를 이용하여 사이트 별로 구간별 매출액 변화량을 나타내는 각도를 산출한다.
각도(angle=θ)는 아래 수학식 3을 통해 산출될 수 있다.
Figure 112018010696993-pat00021
여기서, slope 은 수학식 2에서 구한 매출 회귀선 기울이며, dj는 상기 제1 단위 기간별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이다.
상기 수학식 3에서
Figure 112018010696993-pat00022
는, 매출 기준일을 스케일링 하기 위한 스케일링 팩터이다.
즉, 수학식 3을 통해 산출된 기울기는 위 예에서 나타난 바와 같이 그 값이 상당히 작기 때문에, (0.006832, -0.00672, 0.000212 등), 수학식 3을 통해 산출된 기울기를 바탕으로 각도를 산출해도 값이 너무 작게 나올 가능성이 크다.
따라서, 위의 스케일링 팩터를 통해, 산출된 기울기 값을 키울 필요가 있다.
도 4는 매출 회귀선 기울기로부터 각도를 산출하는 개념을 설명하는 도면이다.
도 4를 참조하면, 수학식 3에서 산출한 매출 회귀선 기울기는 도 4에서 z/d 에 해당한다. 여기에
Figure 112018010696993-pat00023
값을 곱하면 z/4 값으로 스케일링 될 수 있다.
즉, 이 과정을 통해, 도 4에 도시된 바와 같이, 작은 값인 z/d이 좀 큰 값인 z/4로 스케일링될 수 있다.
표 4의 예에서 2016-12-25 에서 2016-02-07까지의 기간 기일 차이 값 (max_d -min_d) 이 322 (322일 차이)로 산출될 때, 최근 24주의 매출량 변화에 대응하는 각도는 위 수학식 3을 통해 28.8°가 되며, 최근 12주의 매출량 변화에 대응하는 각도는 -28.4°가 되고, 최근 4주의 매출량 변화에 대응하는 각도는 1.0°가 된다.
그런 다음, 매출 회귀선 기울기 또는 각도로부터 최근 인기 상승 사이트를 제시하는 단계(S06)에서는, 사이트 추천 서버(100) 또는 서버(100)의 프로세서(10)가, 산출된 각도를 바탕으로 상기 각도 값이 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시한다. 즉, 위의 설명에서와 같이 특정 사이트에 대한 특정 기간의 매출량 변화 각도가 28.8°이고, 다른 사이트에 대한 상기 특정 기간의 매출량 변화 각도가 20.5°로 산출되고, 또 다른 사이트에 대한 상기 특정 기간의 매출량 변화 각도가 10.3°로 산출 등 다른 사이트들에 대한 특정 기간의 매출량 변화 각도가 모두 산출되면, 산출된 각도를 바탕으로 그 값이 큰 값들을 내림차순으로 정렬하여 상위 소정 개수에 해당하는 사이트를 최근 인기 상승 사이트로 사용자에 추천하게 된다.
이때, 사용자는 상기 특정 기간을 임의로 선택하여 사이트 추천을 받을 수도 있다. 예를 들어, 사용자는 최근 24주 동안 인기가 상승 중인 사이트를 알고 싶거나, 최근 12주 동안 인기가 상승 중인 사이트를 알고 싶거나, 또는 최근 4주 동안 인기가 상승 중인 사이트를 알고 싶다면, 최근 24주, 12주, 4주 단위 등 기간을 선택하여 인기 상승 사이트를 추천하도록 할 수 있다. 그러면, 사이트 추천 서버(100) 또는 프로세서(20)는, 수학식 2 또는 수학식 3에서 24주 단위, 12주 단위, 또는 4주 단위 등 사용자가 선택한 기준 단위로 매출 회귀선 및 각도를 산출하고, 이를 바탕으로 인기 사이트를 추천하게 된다.
한편, 도 2의 실시예에서는 매출 회귀선 기울기를 산출한 후, 이를 바탕으로 각도를 산출하고, 산출된 각도를 바탕으로 인기 사이트를 추천하는 예를 설명하였으나, 다른 실시예에서는, S05 단계 없이, S04 단계에서 구한 기울기만으로 인기 사이트를 추천할 수도 있을 것이다. 즉, 사이트 추천 서버(100) 또는 서버(100)의 프로세서(10)는, 수학식 2에서 특정 기간에 대한 매출 회귀선 기울기들을 각 사이트별로 산출한 다음, 상기 매출 회귀선 기울기를 바탕으로 상기 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시할 수 있을 것이다. 또한, 경우에 따라 S03 단계 없이 S04 단계를 수행하도록 할 수도 있을 것이다.
한편, 상기 S05 단계에서는, 사이트 추천 서버(100) 또는 서버(100)의 프로세서(10)는, 상기 제1 기간 단위보다 큰 소정의 제2 기간 동안 상기 소정 제1 기간 단위에서의 합산 매출 값이 미리 정해진 소정 횟수 이상 존재하는 경우에만 상기 매출 회귀선 기울기를 산출할 수 있다.
예를 들어, 상기 제1 기간 단위가 일주일이라면, 상기 제2 기간은 3개월 또는 6개월로 설정하고, 상기 3개월 또는 6개월 내에 상기 제1 기간 단위인 일주일 동안 매출액이 발생했던 횟수가 4번 이상 또는 8번 이상이 있는 경우에만, 매출 회귀선 기울기를 산출하고, 그 기간(3개월 또는 6개월) 동안 안에 각 일주일 동안 매출액이 있던 횟수가 상기 횟수 이하이면, 매출 회귀선 기울기를 아예 산출하지 않고, 최근 인기 상승 사이트 추천 대상에서도 제외시킨다. 이는, 매출 횟수가 적어 실제로 인기가 없는 사이트인데도, 매출이 생김으로써 급격히 매출이 증가한 것처럼 보이는 노이즈를 제거하기 위함이다.
또한, 도 2의 실시예에서는, 카드 구매 이력 정보를 바탕으로 사이트의 최근 인기 상승 추이를 판단하는 예를 설명하고 있으나, 본 발명의 다른 실시예에서는, 각 사이트에 대한 카드 구매 이력 정보뿐만 아니라, 상기 각 사이트에 대한 페이지 뷰 이력 정보를 추가로 참조하여 상기 각 사이트의 최근 인기 상승 추이를 판단하도록 한다.
이러한 예에서는, 상기 S01 단계에서, 사용자들의 특정 사이트에 대한 페이지 뷰 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 페이지 뷰 실행 시간 및 페이지 뷰 횟수에 대한 상기 기초 페이지 뷰 정보 테이블을 상기 각 사이트 별로 추가로 생성하고, 상기 S02 단계에서는, 기초 페이지 뷰 정보 테이블의 상기 페이지 뷰 시간을 바탕으로 상기 페이지 뷰 실행 시간을 상기 소정의 제1 기간 단위로 묶고 상기 소정 제1 기간 별로 상기 사이트별 페이지 뷰 횟수를 합산한 합산 페이지 뷰 정보 테이블을 추가로 생성하며, 상기 S03 단계에서는, 페이지 뷰 횟수가 반영된 (또는 이를 통해 수정된) 매출액을 표준화 함수를 통해 표준화된 수정 매출액을 산출한다. 여기서, "수정 매출액"이라 함은 순수한 매출액을 의미하는 것은 아니며, 페이지 뷰 횟수 등을 반영하여 매출액 값을 조정한 결과를 의미한다. 그리고 상기 S04 단계에서는, 상기 합산 매출 값에 상기 합산 페이지 뷰 횟수가 반영된 수정 매출 회귀선 기울기를 각각의 사이트 단위로 산출한다. 그리고, 상기 S05 단계에서는, 수정된 매출 회귀선 기울기를 바탕으로 각각 사이트 단위로 매출 변화량 각도를 산출하고, 상기 S06 단계에서는, 상기 수정 매출 회귀선 기울기 또는 상기 매출 변화량 각도를 바탕으로 매출액과 페이지 뷰 횟수의 통합에 따른 인기 사이트를 제시한다.
이와 같이, 본 발명에 따른 사이트 추천 방법 및 HOT 사이트 추천 서버는, 신용 카드 매출 내역으로부터 각 사이트 별로 해당 사이트의 매출을 분석하고, 각 사이트끼리의 매출 증가율을 비교하여, 이를 바탕으로 인기가 상승하는 사이트를 선별하여 사용자에게 추천할 수 있다.
또한, 본 발명은 온라인 사이트에서의 판매량과 오프라인 매장에서의 판매량을 통합하여 인기 있는 사이트나 해당 브랜드를 선정하고, 아울러, 각 사이트나 브랜드의 판매량뿐만 아니라 사용자들의 각 사이트별 페이지 뷰 횟수를 사이트 인기 판정 근거로 활용하여 신뢰도 높은 사이트 추천 알고리즘을 제공할 수 있다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (22)

  1. HOT 사이트를 추천하는 사이트 추천 방법에 있어서,
    (a) 사이트 추천 서버가, 카드 구매 행동 데이터로부터 추출한 사용자들의 특정 사이트에 대응하는 구매 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 매출 발생 시간 및 매출액에 대한 기초 매출 이력 정보 테이블을 각 사이트 별로 생성하는 단계;
    (b) 상기 사이트 추천 서버가, 상기 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 상기 매출 발생 시간을 소정의 제1 기간 단위로 묶고 상기 소정의 제1 기간 별로 상기 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 단계;
    (c) 상기 사이트 추천 서버가, 상기 매출 발생 시간의 구간별 변화량 대비 상기 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기를 각각의 사이트 단위로 산출하는 단계; 및
    (d) 상기 사이트 추천 서버가, 상기 매출 회귀선 기울기를 바탕으로 상기 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하는 단계;
    를 포함하되,
    상기 (c) 단계 이전에, (c1) 상기 사이트 추천 서버가, 상기 소정의 제1 기간 별 합산된 매출액을 소정의 표준화 함수를 통해 표준화된 매출 값으로 변환시키는 단계;를 더 포함하고,
    상기 (c) 단계에서, 상기 회귀선 기울기(slope)는 아래 수학식
    Figure 112020041195107-pat00054
    ,
    Figure 112020041195107-pat00055
    ,
    Figure 112020041195107-pat00056

    - dj는 상기 소정의 제1 기간 별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이고, 상기 zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn)) 이고,
    Figure 112020041195107-pat00057
    는 dj의 평균이고,
    Figure 112020041195107-pat00058
    는 상기 zj의 평균임 -
    을 통해 산출되고,
    상기 (c) 단계 이후에,
    (c2) 상기 사이트 추천 서버가, 상기 매출 회귀선 기울기로부터 상기 특정 사이트의 구간별 매출액 변화량을 나타내는 각도를 산출하는 단계를 더 포함하고,
    상기 (d) 단계는, 상기 사이트 추천 서버가, 상기 산출된 각도를 바탕으로 상기 각도 값이 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하고,
    상기 (c2) 단계에서, 상기 각도(angle=θ)는 아래 수학식
    Figure 112020041195107-pat00059

    -
    Figure 112020041195107-pat00060
    ,
    Figure 112020041195107-pat00061
    ,
    Figure 112020041195107-pat00062
    이고, dj는 상기 소정의 제1 기간 별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이고, 상기 zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn))이고,
    Figure 112020041195107-pat00063
    는 dj의 평균이고,
    Figure 112020041195107-pat00064
    는 상기 zj의 평균임 -
    을 통해 산출되고,
    상기 (c2) 단계에서,
    사용자 단말로부터 특정 기간 선택 정보가 획득되면, 상기 사이트 추천 서버가, 상기 특정 기간 선택 정보를 참조로 하여 아래 수학식
    Figure 112020041195107-pat00065
    을 통해 상기 각도를 산출하고,
    상기 (d) 단계에서,
    상기 사이트 추천 서버가, 상기 사용자 단말로 하여금 상기 산출된 각도를 바탕으로 상기 각도 값이 큰 상기 상위 순위의 소정 개수의 사이트를 소정의 인터페이스를 통해 디스플레이하도록 함으로써 상기 최근 인기 사이트로 제시하도록 하는 것을 특징으로 하는 사이트 추천 방법.
  2. 제 1 항에 있어서,
    상기 (a) 단계는, 상기 사용자들의 상기 특정 사이트에 대응하는 오프라인 매장에서의 특정 브랜드의 구매 이력 정보를 상기 특정 사이트에 대응하는 온라인 매장에서의 특정 브랜드의 구매 이력 정보와 합산하여 상기 기초 매출 이력 정보 테이블을 생성하는 것을 특징으로 하는 사이트 추천 방법.
  3. 제 1 항에 있어서,
    상기 (a) 단계 이전에,
    (a1) 온라인 또는 오프라인 상에서 상기 사용자들이 결제한 카드 결제 내역 데이터를 수집하는 단계,
    (a2) 상기 수집한 상기 카드 결제 내역 데이터로부터 사이트 정보, 사용자 정보, 결제 시간, 구매 품목, 구매 브랜드 중 적어도 일부를 추출하는 단계, 및
    (a3) 각 사이트에 대응하는 상기 구매 이력 정보를 획득하는 단계를 더 포함하는 것을 특징으로 하는 사이트 추천 방법.
  4. 제 1 항에 있어서,
    상기 (a) 단계는, (a4) 상기 사용자들의 상기 특정 사이트에 대한 페이지 뷰 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 페이지 뷰 실행 시간 및 페이지 뷰 횟수에 대한 기초 페이지 뷰 정보 테이블을 상기 각 사이트 별로 추가로 생성하고,
    상기 (b) 단계는, (b1) 상기 기초 페이지 뷰 정보 테이블의 상기 페이지 뷰 시간을 바탕으로 상기 페이지 뷰 실행 시간을 상기 소정의 제1 기간 단위로 묶고 상기 소정의 제1 기간 별로 상기 사이트별 페이지 뷰 횟수를 합산한 합산 페이지 뷰 정보 테이블을 추가로 생성하며,
    상기 (c) 단계는, 상기 합산 매출 값에 상기 합산 페이지 뷰 횟수가 반영된 수정 매출 회귀선 기울기를 각각의 사이트 단위로 산출하며,
    상기 (d) 단계는, 상기 수정 매출 회귀선 기울기를 바탕으로 상기 매출액과 상기 페이지 뷰 횟수의 통합에 따른 인기 사이트를 제시하는 것을 특징으로 하는 사이트 추천 방법.
  5. 삭제
  6. 제 1 항에 있어서,
    상기 (c1) 단계에서, 상기 표준화 함수는 아래 수학식
    Figure 112020041195107-pat00024
    , j=1, 2,…, n
    - 여기서, xj는 상기 소정의 제1 기간 별 상기 매출액 (x =(x1, x2, …, xn))이고, zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn))이며,
    Figure 112020041195107-pat00025
    는 상기 매출액의 평균이고, 상기 s는 상기 매출액의 표준 편차임-
    으로 표현되는 것을 특징으로 하는 사이트 추천 방법.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 제 1 항에 있어서,
    상기 (c1) 단계 이전에,
    (c0) 상기 사용자별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트 내부의 각 구매 품목별로 등급을 나누어 가중치를 달리 곱하여 가중치 반영 매출액을 산출하는 단계;를 더 포함하고,
    상기 (c1) 단계는, 상기 가중치가 반영된 매출액을 이용하여 상기 표준화된 매출 값을 산출하는 것을 특징으로 하는 사이트 추천 방법.
  11. 제 1 항에 있어서,
    상기 (c) 단계는, 상기 소정의 제1 기간보다 큰 소정의 제2 기간 동안 상기 소정의 제1 기간에서의 합산 매출 값이 미리 정해진 소정 횟수 이상 존재하는 경우에만 상기 매출 회귀선 기울기를 산출하는 것을 특징으로 하는 사이트 추천 방법.
  12. HOT 사이트를 추천하는 사이트 추천 서버에 있어서,
    각 고객들의 카드 구매 행동 데이터를 전달받기 위한 통신부; 및
    (i) 상기 카드 구매 행동 데이터로부터 추출한 사용자들의 특정 사이트에 대응하는 구매 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 매출 발생 시간 및 매출액에 대한 기초 매출 이력 정보 테이블을 각 사이트 별로 생성하는 프로세스; (ii) 상기 기초 매출 이력 정보 테이블의 상기 매출 발생 시간을 바탕으로 상기 매출 발생 시간을 소정의 제1 기간 단위로 묶고 상기 소정의 제1 기간 별로 상기 사이트별 매출액을 합산한 합산 매출 이력 정보 테이블을 생성하는 프로세스; (iii) 상기 매출 발생 시간의 구간별 변화량 대비 상기 합산 매출 값의 변화량을 나타내는 매출 회귀선 기울기를 각각의 사이트 단위로 산출하는 프로세스; 및 (iv) 상기 매출 회귀선 기울기를 바탕으로 상기 기울기가 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하는 프로세스를 수행하는 프로세서;
    를 포함하되,
    상기 프로세서는, 상기 (iii) 프로세스 이전에, (iii_1) 상기 소정의 제1 기간 별 합산된 매출액을 소정의 표준화 함수를 통해 표준화된 매출 값으로 변환시키는 프로세스;를 더 수행하고,
    상기 (iii) 프로세스에서, 상기 회귀선 기울기(slope)는 아래 수학식
    Figure 112020041195107-pat00066
    ,
    Figure 112020041195107-pat00067
    ,
    Figure 112020041195107-pat00068

    - dj는 상기 소정의 제1 기간 별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이고, 상기 zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn)) 이고,
    Figure 112020041195107-pat00069
    는 dj의 평균이고,
    Figure 112020041195107-pat00070
    는 상기 zj의 평균임 -
    을 통해 산출되고,
    상기 프로세서는, 상기 (iii) 프로세스 이후에,
    (iii_2) 상기 매출 회귀선 기울기로부터 상기 특정 사이트의 구간별 매출액 변화량을 나타내는 각도를 산출하는 프로세스를 더 수행하고,
    상기 (iv) 프로세스는, 상기 산출된 각도를 바탕으로 상기 각도 값이 큰 상위 순위의 소정 개수의 사이트를 최근 인기 사이트로 제시하고,
    상기 (iii_2) 프로세스에서, 상기 각도(angle=θ)는 아래 수학식
    Figure 112020041195107-pat00071

    -
    Figure 112020041195107-pat00072
    ,
    Figure 112020041195107-pat00073
    ,
    Figure 112020041195107-pat00074
    이고, dj는 상기 소정의 제1 기간 별로 변환된 매출 발생 시간에 대응하는 값 (d =(d1, d2, …, dn))이고, 상기 zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn))이고,
    Figure 112020041195107-pat00075
    는 dj의 평균이고,
    Figure 112020041195107-pat00076
    는 상기 zj의 평균임 -
    을 통해 산출되고,
    상기 프로세서는, 상기 (iii_2) 프로세스에서, 사용자 단말로부터 특정 기간 선택 정보가 획득되면, 상기 특정 기간 선택 정보를 참조로 하여 아래 수학식
    Figure 112020041195107-pat00077
    을 통해 상기 각도를 산출하고,
    상기 프로세서는, 상기 (iv) 프로세스에서, 상기 사용자 단말로 하여금 상기 산출된 각도를 바탕으로 상기 각도 값이 큰 상기 상위 순위의 소정 개수의 사이트를 소정의 인터페이스를 통해 디스플레이하도록 함으로써 상기 최근 인기 사이트로 제시하도록 하는 것을 특징으로 하는 서버.
  13. 제 12 항에 있어서,
    상기 (i) 프로세스는, 상기 사용자들의 상기 특정 사이트에 대응하는 오프라인 매장에서의 특정 브랜드의 구매 이력 정보를 상기 특정 사이트에 대응하는 온라인 매장에서의 특정 브랜드의 구매 이력 정보와 합산하여 상기 기초 매출 이력 정보 테이블을 생성하는 것을 특징으로 하는 서버.
  14. 제 12 항에 있어서,
    상기 프로세서는, 상기 (i) 프로세스 이전에,
    (i_1) 온라인 또는 오프라인 상에서 상기 사용자들이 결제한 카드 결제 내역 데이터를 수집하는 프로세스,
    (i_2) 상기 수집한 상기 카드 결제 내역 데이터로부터 사이트 정보, 사용자 정보, 결제 시간, 구매 품목, 구매 브랜드 중 적어도 일부를 추출하는 프로세스, 및
    (i_3) 각 사이트에 대응하는 상기 구매 이력 정보를 획득하는 프로세스를 더 수행하는 것을 특징으로 하는 서버.
  15. 제 12 항에 있어서,
    상기 (i) 프로세스는, (i_4) 상기 사용자들의 상기 특정 사이트에 대한 페이지 뷰 이력 정보를 바탕으로 상기 각 특정 사이트에 대한 페이지 뷰 실행 시간 및 페이지 뷰 횟수에 대한 기초 페이지 뷰 정보 테이블을 상기 각 사이트 별로 추가로 생성하고,
    상기 (ii) 프로세스는, (ii_1) 상기 기초 페이지 뷰 정보 테이블의 상기 페이지 뷰 시간을 바탕으로 상기 페이지 뷰 실행 시간을 상기 소정의 제1 기간 단위로 묶고 상기 소정의 제1 기간 별로 상기 사이트별 페이지 뷰 횟수를 합산한 합산 페이지 뷰 정보 테이블을 추가로 생성하며,
    상기 (iii) 프로세스는, 상기 합산 매출 값에 상기 합산 페이지 뷰 횟수가 반영된 수정 매출 회귀선 기울기를 각각의 사이트 단위로 산출하며,
    상기 (iv) 프로세스는, 상기 수정 매출 회귀선 기울기를 바탕으로 상기 매출액과 상기 페이지 뷰 횟수의 통합에 따른 인기 사이트를 제시하는 것을 특징으로 하는 서버.
  16. 삭제
  17. 제 12 항에 있어서,
    상기 (iii_1) 프로세스에서, 상기 표준화 함수는 아래 수학식
    Figure 112020041195107-pat00037
    , j=1, 2,…, n
    - 여기서, xj는 상기 소정의 제1 기간 별 상기 매출액 (x =(x1, x2, …, xn))이고, zj는 상기 표준화된 매출 값 (z=(z1, z2, …, zn))이며,
    Figure 112020041195107-pat00038
    는 상기 매출액의 평균이고, 상기 s는 상기 매출액의 표준 편차임-
    으로 표현되는 것을 특징으로 하는 서버.
  18. 삭제
  19. 삭제
  20. 삭제
  21. 제 12 항에 있어서,
    상기 프로세서는, 상기 (iii_1) 프로세스 이전에,
    (iii_0) 상기 사용자별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트별로 등급을 나누어 가중치를 달리 곱하거나, 상기 사이트 내부의 각 구매 품목별로 등급을 나누어 가중치를 달리 곱하여 가중치 반영 매출액을 산출하는 프로세스;를 더 수행하고,
    상기 (iii_1) 프로세스는, 상기 가중치가 반영된 매출액을 이용하여 상기 표준화된 매출 값을 산출하는 것을 특징으로 하는 서버.
  22. 제 12 항에 있어서,
    상기 (iii) 프로세스는, 상기 소정의 제1 기간보다 큰 소정의 제2 기간 동안 상기 소정의 제1 기간에서의 합산 매출 값이 미리 정해진 소정 횟수 이상 존재하는 경우에만 상기 매출 회귀선 기울기를 산출하는 것을 특징으로 하는 서버.
KR1020180011536A 2018-01-30 2018-01-30 Hot 사이트 추천 방법 및 hot 사이트 추천 서버 KR102184700B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180011536A KR102184700B1 (ko) 2018-01-30 2018-01-30 Hot 사이트 추천 방법 및 hot 사이트 추천 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180011536A KR102184700B1 (ko) 2018-01-30 2018-01-30 Hot 사이트 추천 방법 및 hot 사이트 추천 서버

Publications (2)

Publication Number Publication Date
KR20190092122A KR20190092122A (ko) 2019-08-07
KR102184700B1 true KR102184700B1 (ko) 2020-11-30

Family

ID=67621702

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180011536A KR102184700B1 (ko) 2018-01-30 2018-01-30 Hot 사이트 추천 방법 및 hot 사이트 추천 서버

Country Status (1)

Country Link
KR (1) KR102184700B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006053616A (ja) * 2004-08-09 2006-02-23 Kddi Corp サーバ装置、ｗｅｂサイト推奨方法およびプログラム
JP4988687B2 (ja) * 2008-11-25 2012-08-01 株式会社野村総合研究所 商品需要予測システムおよび年末年始の商品需要予測システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140137883A (ko) * 2013-05-24 2014-12-03 현대카드 주식회사 카드 사용 정보를 이용한 정보 제공 방법 및 장치
KR101758246B1 (ko) 2016-02-29 2017-07-17 중앙대학교 산학협력단 웹사이트(Website) 정보 추천 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006053616A (ja) * 2004-08-09 2006-02-23 Kddi Corp サーバ装置、ｗｅｂサイト推奨方法およびプログラム
JP4988687B2 (ja) * 2008-11-25 2012-08-01 株式会社野村総合研究所 商品需要予測システムおよび年末年始の商品需要予測システム

Also Published As

Publication number Publication date
KR20190092122A (ko) 2019-08-07

Similar Documents

Publication Publication Date Title
US10846775B1 (en) Identifying item recommendations through recognized navigational patterns
CN107481114B (zh) 商品推荐方法、装置、电子商务系统及存储介质
US7908184B2 (en) Method of providing customized information of commodity for on-line shopping mall users
CN107332910B (zh) 信息推送方法和装置
US8019643B2 (en) System and method for incorporating packaging and shipping ramifications of net profit/loss when up-selling
US20020065797A1 (en) System, method and computer program for automated collaborative filtering of user data
US7707068B2 (en) Method and device for calculating trust values on purchases
JP6325745B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN104732419B (zh) 正负序列模式筛选方法在客户购买行为分析中的应用
US20170024783A1 (en) Methods and systems for ranking merchants
WO2008134707A2 (en) Product affinity engine and method
CN108153792B (zh) 一种数据处理方法和相关装置
JP6679451B2 (ja) 選択装置、選択方法および選択プログラム
JP5831204B2 (ja) 情報提供システム、情報提供方法及びプログラム
CN104537553B (zh) 重复负序列模式在客户购买行为分析中的应用
CN104504159A (zh) 多支持度的正负序列模式在客户购买行为分析中的应用
CN110852818A (zh) 商品排序方法、装置和计算机可读存储介质
CN115578163A (zh) 一种组合商品信息的个性化推送方法及系统
KR102051311B1 (ko) 개인화 알고리즘을 이용하여 고객 로그 맞춤형 사이트를 추천하는 방법 및 개인화 알고리즘 서버
JP2020013447A (ja) 決定装置、決定方法および決定プログラム
JP6424194B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
KR102051300B1 (ko) 개인화 알고리즘을 이용하여 고객 질문답 맞춤형 사이트를 추천하는 방법 및 개인화 알고리즘 서버
CN104331823B (zh) 确定发布信息中关键词保留价格的方法及装置
JP6682585B2 (ja) 情報処理装置及び情報処理方法
TWI626609B (zh) Production method and system for personal product and expense purchase combination

Legal Events

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