KR102186201B1 - 온라인 쇼핑몰을 관리하는 방법 및 온라인 쇼핑몰 서버 - Google Patents

Abstract

본 발명의 일 실시예는, 온라인 쇼핑몰 서버가 온라인 쇼핑몰을 관리하는 방법을 제공한다. 상기 방법은, 상기 온라인 쇼핑몰의 사용자가 상기 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출하는 단계, 상기 총 구매 금액을 기반으로, 상기 사용자의 등급을 결정하는 단계, 상기 사용자의 등급을 기반으로, 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 상기 사용자에게 디스플레이 될 복수의 상품들을 결정하는 단계 및 상기 사용자가 이용하는 사용자 디바이스로 상기 복수의 상품들에 대한 정보를 전송하는 단계를 포함할 수 있다.

Description

온라인 쇼핑몰을 관리하는 방법 및 온라인 쇼핑몰 서버{A METHOD FOR MANAGING ONLINE SHOPPING MALL AND ONLINE SHOPPING MALL SERVER}

본 발명은 온라인 쇼핑몰을 관리하는 방법 및 온라인 쇼핑몰 서버에 관한 것이다.

인터넷 등 네트워크 기술의 발달로, 상품 구매 시 온라인 쇼핑몰을 이용하는 빈도가 증가하고 있다. 사용자는 온라인 쇼핑몰을 운영하는 업체의 온라인 쇼핑 메뉴에서 상품 목록을 검색한 후, 원하는 상품을 선택하고 결제할 수 있다.

온라인 쇼핑몰을 이용하는 고객에게 편의를 증대하고 고객의 구매 욕구를 증진시키기 위해, 온라인 쇼핑몰 관리 방법을 다각화하는 시도가 계속되고 있다.

본 발명의 다양한 실시예들은, 온라인 쇼핑몰 관리 방법 및 이를 수행하는 장치(예를 들어, 서버)를 제공한다.

본 발명의 일 실시예에 따르면, 온라인 쇼핑몰 서버가 온라인 쇼핑몰을 관리하는 방법이 제공된다. 상기 방법은, 상기 온라인 쇼핑몰의 사용자가 상기 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출하는 단계, 상기 총 구매 금액을 기반으로, 상기 사용자의 등급을 결정하는 단계, 상기 사용자의 등급을 기반으로, 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 상기 사용자에게 디스플레이 될 복수의 상품들을 결정하는 단계 및 상기 사용자가 이용하는 사용자 디바이스로 상기 복수의 상품들에 대한 정보를 전송하는 단계를 포함할 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액, 상기 사용자의 현금 총 지불 금액 및 상기 사용자의 상품권 총 지불 금액 중 적어도 하나를 기반으로 결정될 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액 + 상기 사용자의 현금 총 지불 금액 + 상기 사용자의 상품권 총 지불 금액으로 결정될 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액 * 제 1 임계치 + 상기 사용자의 현금 총 지불 금액 * 제 2 임계치 + 상기 사용자의 상품권 총 지불 금액 * 제 3 임계치로 결정될 수 있다. 여기서 상기 제 1 임계치는, 복수의 카드사들의 신용카드 수수료들의 평균값, 상기 사용자의 신용카드 사용 빈도 및 상기 신용카드 총 지불 금액을 기반으로 결정되고, 상기 제 2 임계치는, 전년도 대비 물가 상승률 및 상기 현금 총 지불 금액을 기반으로 결정되며, 상기 제 3 임계치는, 상기 온라인 쇼핑몰의 전년도 총 매출, 상기 온라인 쇼핑몰의 전년도 상품권에 의한 총 매출 및 상기 사용자의 상기 상품권 총 지불 금액을 기반으로 결정될 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액 * 제 1 임계치 + 상기 사용자의 현금 총 지불 금액 * 제 2 임계치 + 상기 사용자의 상품권 총 지불 금액 * 제 3 임계치로 결정될 수 있다. 여기서 상기 제 1 임계치는, 복수의 카드사들의 신용카드 수수료들의 평균값, 상기 사용자의 신용카드 사용 빈도 및 상기 신용카드 총 지불 금액을 상기 온라인 쇼핑몰 서버의 데이터베이스에 저장된 AI 학습 모델(learning model)에 적용함으로써 결정되고, 상기 제 2 임계치는, 전년도 대비 물가 상승률 및 상기 현금 총 지불 금액을 상기 AI 학습 모델에 적용함으로써 결정되며, 상기 제 3 임계치는, 상기 온라인 쇼핑몰의 전년도 총 매출, 상기 온라인 쇼핑몰의 전년도 상품권에 의한 총 매출 및 상기 사용자의 상기 상품권 총 지불 금액을 상기 AI 학습 모델에 적용함으로써 결정될 수 있다.

일 실시예에서, 상기 사용자의 등급이 높을수록 상기 사용자에게 디스플레이 될 상기 복수의 상품들의 개수가 증가할 수 있다.

일 실시예에서, 상기 사용자의 등급으로 결정될 수 있는 후보 등급이 최상위 등급, 중위 등급 및 최하위 등급을 포함하는 경우: 상기 사용자의 등급이 상기 최상위 등급인 것을 기반으로, 상기 복수의 상품들은 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들로 결정될 수 있고, 상기 사용자의 등급이 상기 중위 등급인 것을 기반으로, 상기 복수의 상품들은, 상기 총 상품들 중 사용자 평점이 상위 A%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 결정될 수 있고, 상기 사용자의 등급이 상기 중위 등급인 것을 기반으로, 상기 복수의 상품들은, 상기 총 상품들 중 사용자 평점이 상위 B%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 결정될 수 있다. 여기서 상기 A 및 B는 100보다 작은 자연수이고, 상기 A는 상기 B보다 클 수 있다.

일 실시예에서, 상기 A 또는 상기 B는, 상기 온라인 쇼핑몰의 총 회원수, 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 사용자 평점들의 평균 및 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 상기 사용자 평점들의 중간값을 상기 온라인 쇼핑몰 서버의 데이터베이스에 저장된 AI 학습 모델에 적용함으로써 결정될 수 있다.

일 실시예에 따른 온라인 쇼핑몰 서버는, 상기 사용자의 등급이 상위 등급으로 상승하기 위해 상기 사용자가 추가로 구매해야 하는 추가 구매 필요 금액을, 상기 상위 등급을 위한 최소 구매 조건 금액에서 상기 사용자의 총 구매 금액을 차감함으로써 도출할 수 있다. 또한, 상기 추가 구매 필요 금액에 대한 정보를 상기 사용자 디바이스로 전송할 수 있다.

본 발명의 일 실시예에 따르면, 온라인 쇼핑몰을 관리하는 온라인 쇼핑몰 서버가 제공된다. 상기 온라인 쇼핑몰 서버는, 적어도 하나의 프로그램을 저장하는 데이터베이스(database), 송수신부(transceiver) 및 프로세서(processor)를 포함하되, 상기 프로세서는, 상기 온라인 쇼핑몰의 사용자가 상기 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출하고, 상기 총 구매 금액을 기반으로, 상기 사용자의 등급을 결정하고, 상기 사용자의 등급을 기반으로, 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 상기 사용자에게 디스플레이 될 복수의 상품들을 결정하고, 상기 사용자가 이용하는 사용자 디바이스로 상기 복수의 상품들에 대한 정보를 전송하도록 상기 송수신부를 제어할 수 있다.

본 발명의 다양한 실시예들에 따르면, 온라인 쇼핑몰 관리 방법을 다각화하여 온라인 쇼핑몰을 이용하는 고객에게 편의를 증대하고, 고객의 구매 욕구를 증진시킬 수 있다.

본 발명에 따른 효과는 상기 기재한 효과에 제한되지 않으며, 기재하지 않은 또 다른 효과들은 이하의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 온라인 쇼핑 시 사용자 디바이스에 디스플레이 되는 화면의 일 예시를 나타낸다.
도 2는 일 실시예에 따른 온라인 쇼핑몰 서버의 동작을 도시하는 흐름도이다.
도 3은 일 실시예에 따른 온라인 쇼핑몰 서버와 사용자 디바이스가 온라인 쇼핑에 관한 데이터를 송수신하는 과정을 도시하는 흐름도이다.
도 4는 다른 일 실시예에 따른 온라인 쇼핑몰 서버와 사용자 디바이스가 온라인 쇼핑에 관한 데이터를 송수신하는 과정을 도시하는 흐름도이다.
도 5는 일 실시예에 따른 온라인 쇼핑몰 서버의 구성을 도시하는 블록도이다.
도 6은 일 실시예에 따른 프로세서의 구성을 도시하는 블록도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면 상의 동일한 구성요소에 대해서는 동일한 참조 부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

도 1은 온라인 쇼핑 시 사용자 디바이스에 디스플레이 되는 화면의 일 예시를 나타낸다.

본 명세서에서 온라인 쇼핑몰 사용자에 의해 이용되는 “사용자 디바이스”는 스마트폰, 핸드폰, 스마트 TV, 셋톱박스(set-top box), 태블릿 PC, 디지털 카메라, 캠코더, 노트북 컴퓨터(laptop computer), 데스크탑, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 착용형 기기(wearable device), 에어컨, 전자 레인지, 오디오, DVD 플레이어 등을 포함하는 다양한 기기로 구현될 수 있다.

본 명세서에서 “온라인 쇼핑몰 서버”는 네트워크를 통해 외부 장치들과 통신하는 서버(server)의 일종으로서, 온라인 쇼핑몰을 운용하기 위한 서버를 나타낼 수 있다. 일 예시에서, 상기 온라인 쇼핑몰 서버는, 일반적인 서버용 하드웨어에 도스, 윈도우, 리눅스, 유닉스, 매킨토시 등의 운영체제에 따라 다양하게 제공되고 있는 웹서버 프로그램을 이용하여 구현될 수 있다.

본 명세서에서 상기 사용자 디바이스와 상기 온라인 쇼핑몰 서버는, 통신망을 통해 통신할 수 있다. 상기 통신망은, 예를 들어 무선 통신망 또는 유선 통신망일 수 있다. 상기 무선 통신망은, 예를 들어 LTE (Long Term Evolution) RAT(Radio Access Technology), NR(New Radio) RAT, WiFi 등에 기반한 통신망일 수 있다.

일 예시에서, 상기 온라인 쇼핑몰 서버와 상기 사용자 디바이스는, 상호 D2D(Device-to-Device) 통신을 수행할 수 있고, 기지국(예를 들어, gNB 및/또는 eNB)과 UU 통신을 수행할 수 있다. 상기 D2D 통신 또는 상기 UU 통신을 수행하기 위한 TDMA(time division multiple access) 및 FDMA(frequency division multiples access) 시스템에서, 정확한 시간 및 주파수 동기화가 요구될 수 있다. 시간 및 주파수 동기화가 정확하게 되지 않으면, 심볼 간 간섭(Inter Symbol Interference, ISI) 및 반송파 간 간섭(Inter Carrier Interference, ICI)으로 인해 시스템 성능이 저하될 수 있다. 일 예시에 따른 D2D 통신에서는 시간/주파수 동기화를 위해, 물리 계층에서는 동기 신호(synchronization signal)를 사용할 수 있고, RLC(radio link control) 계층에서는 MIB(master information block)를 사용할 수 있다.

D2D 통신 과정에서, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 GNSS(global navigation satellite systems)에 직접적으로 동기화 되거나, 또는 GNSS에 직접적으로 동기화된 (네트워크 커버리지 내의 또는 네트워크 커버리지 밖의) 단말을 통해 비간접적으로 GNSS에 동기화 될 수 있다. GNSS가 동기화 소스로 설정된 경우, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 UTC(Coordinated Universal Time) 및 (미리) 설정된 DFN(Direct Frame Number) 오프셋을 사용하여 DFN 및 서브프레임 번호를 계산할 수 있다.

또는, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 기지국에 직접 동기화되거나, 기지국에 시간/주파수 동기화된 다른 단말에게 동기화될 수 있다. 예를 들어, 상기 기지국은 eNB 또는 gNB일 수 있다. 예를 들어, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스가 네트워크 커버리지 내에 있는 경우, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 기지국이 제공하는 동기화 정보를 수신하고, 상기 기지국에 직접 동기화될 수 있다. 그 후, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 동기화 정보를 인접한 다른 단말에게 제공할 수 있다. 기지국 타이밍이 동기화 기준으로 설정된 경우, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 동기화 및 하향링크 측정을 위해 해당 주파수에 연관된 셀(상기 주파수에서 셀 커버리지 내에 있는 경우), 프라이머리 셀 또는 서빙 셀(상기 주파수에서 셀 커버리지 바깥에 있는 경우)을 따를 수 있다.

기지국(예를 들어, 서빙 셀)은 D2D 또는 SL 통신에 사용되는 반송파에 대한 동기화 설정을 제공할 수 있다. 이 경우, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 상기 기지국으로부터 수신한 동기화 설정을 따를 수 있다. 만약, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스가 상기 D2D 또는 SL 통신에 사용되는 반송파에서 어떤 셀도 검출하지 못했고, 서빙 셀로부터 동기화 설정도 수신하지 못했다면, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 미리 설정된 동기화 설정을 따를 수 있다.

또는, 상기 온라인 쇼핑몰 서버 및/또는 사용자 디바이스는 기지국이나 GNSS로부터 직접 또는 간접적으로 동기화 정보를 획득하지 못한 다른 단말에게 동기화될 수도 있다. 동기화 소스 및 선호도는 단말에게 미리 설정될 수 있다. 또는, 동기화 소스 및 선호도는 기지국에 의하여 제공되는 제어 메시지를 통해 설정될 수 있다.

사용자 디바이스(100)는 온라인 쇼핑몰 서버와 상호 통신을 수행할 수 있고, 사용자는 사용자 디바이스(100)가 온라인 쇼핑몰 서버와의 통신을 기반으로 획득한 상품 정보 등을 사용자 디바이스(100)의 디스플레이를 통해 확인할 수 있다.

일 실시예에 따른 온라인 쇼핑몰 서버는, 온라인 쇼핑몰의 사용자가 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출할 수 있고, 상기 총 구매 금액을 기반으로 사용자의 등급을 결정할 수 있으며, 사용자의 등급을 기반으로 온라인 쇼핑몰이 판매하는 총 상품들 중 사용자에게 디스플레이 될 복수의 상품들을 결정할 수 있다. 또한, 온라인 쇼핑몰 서버는 사용자의 등급이 상위 등급으로 상승하기 위해 사용자가 추가로 구매해야 하는 추가 구매 필요 금액을 결정할 수 있다.

온라인 쇼핑몰 서버는, 상기 사용자 등급에 대한 정보, 상기 결정된 복수의 상품들에 대한 정보 및 상기 추가 구매 필요 금액에 대한 정보 중 적어도 하나를 사용자 디바이스(100)로 전송할 수 있다. 사용자 디바이스(100)는, 상기 사용자 등급에 대한 정보, 상기 결정된 복수의 상품들에 대한 정보 및 상기 추가 구매 필요 금액에 대한 정보 중 적어도 하나를 디스플레이 할 수 있다.

도 1은, 사용자 디바이스(100)가 상기 사용자 등급에 대한 정보, 상기 복수의 상품들에 대한 정보 및 상기 추가 구매 필요 금액에 대한 정보를 디스플레이 하는 일 예시를 나타내고 있다.
사용자는 사용자 디바이스(100)에 디스플레이 된 상품A, 상품 B, 상품C, 상품D 등의 상품 정보를 고려하여 상품을 구매할 수 있다. 또한, 사용자는 사용자 디바이스(100)에 디스플레이 된 자신의 등급(NORMAL 등급) 및 다음 등급까지 요구되는 추가 구매 금액(195만원)을 참조할 수 있다. 일 예시에서, 상기 사용자의 등급이 상승하는 경우, 사용자에게 더 많은 상품들이 공개될 수 있다. 예를 들어, 상기 사용자의 등급이 상승하는 경우, 보다 양질의 상품들(예를 들어, 고객 평점이 높은 상품들)이 사용자에게 공개될 수 있다.

이하 도 2 내지 도 5에 대한 설명에서는, 상기 사용자 등급의 결정 과정 및 상기 사용자에게 디스플레이 되는 복수의 상품들의 결정 과정 등에 관하여 보다 구체적으로 설명한다.

도 2는 일 실시예에 따른 온라인 쇼핑몰 서버의 동작을 도시하는 흐름도이다.

도 2의 흐름도에 개시된 동작들은, 본 발명의 다양한 실시예들과 결합하여 수행될 수 있다. 일 예시에서, 도 2의 흐름도에 개시된 동작들은, 도 3에 개시된 온라인 쇼핑몰 서버(301), 도 4에 개시된 온라인 쇼핑몰 서버(401) 또는 도 5에 도시된 온라인 쇼핑몰 서버(500)에 의해 수행될 수 있다. 일 예시에서, 도 2에 개시된 장치는, 도 1에 개시된 사용자 디바이스(100), 도 3에 개시된 사용자 디바이스(302) 또는 도 4에 개시된 사용자 디바이스(402)와 동일 또는 유사한 원리로 동작할 수 있다. 일 예시에서, 도 2의 흐름도에 개시된 동작들은, 도 3 및 도 4에 개시된 동작들 중 일부와 대응될 수 있다.

단계 S210에서, 일 실시예에 따른 온라인 쇼핑몰 서버는, 온라인 쇼핑몰의 사용자가 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출할 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액, 상기 사용자의 현금 총 지불 금액 및 상기 사용자의 상품권 총 지불 금액 중 적어도 하나를 기반으로 결정될 수 있다. 일 예시에서, 상기 신용카드 총 지불 금액은, 신용카드의 동일성을 불문하고 상기 사용자의 명의로 된 신용카드들로 사용자가 온라인 쇼핑몰에 지불한 총 금액을 나타낼 수 있다. 일 예시에서, 상기 현금 총 지불 금액은, 계좌이체를 통한 지불 금액, 페이 시스템을 통한 지불 금액, 현찰을 통한 지불 금액 등을 포함할 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액, 상기 사용자의 현금 총 지불 금액 및 상기 사용자의 상품권 총 지불 금액의 단순 합으로 결정될 수 있다. 즉, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액 + 상기 사용자의 현금 총 지불 금액 + 상기 사용자의 상품권 총 지불 금액으로 결정될 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액 * 제 1 임계치 + 상기 사용자의 현금 총 지불 금액 * 제 2 임계치 + 상기 사용자의 상품권 총 지불 금액 * 제 3 임계치로 결정될 수 있다. 여기서 상기 제 1 임계치는, 복수의 카드사들의 신용카드 수수료들의 평균값, 상기 사용자의 신용카드 사용 빈도 및 상기 신용카드 총 지불 금액을 기반으로 결정될 수 있다. 상기 제 2 임계치는, 전년도 대비 물가 상승률 및 상기 현금 총 지불 금액을 기반으로 결정될 수 있다. 상기 제 3 임계치는, 상기 온라인 쇼핑몰의 전년도 총 매출, 상기 온라인 쇼핑몰의 전년도 상품권에 의한 총 매출 및 상기 사용자의 상기 상품권 총 지불 금액을 기반으로 결정될 수 있다.

일 예시에서, 상기 제 1 임계치 내지 상기 제 3 임계치는 0 이상 1 이하의 실수일 수 있다. 다만 예시는 이에 한정되지 않으며, 다른 일 예시에서는 상기 제 1 임계치 내지 상기 제 3 임계치가 0 이상의 실수일 수 있다.

일 실시예에서, 상기 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액 * 제 1 임계치 + 상기 사용자의 현금 총 지불 금액 * 제 2 임계치 + 상기 사용자의 상품권 총 지불 금액 * 제 3 임계치로 결정될 수 있다. 여기서 상기 제 1 임계치는, 복수의 카드사들의 신용카드 수수료들의 평균값, 상기 사용자의 신용카드 사용 빈도 및 상기 신용카드 총 지불 금액을 상기 온라인 쇼핑몰 서버의 데이터베이스에 저장된 AI 학습 모델(learning model)에 적용함으로써 결정될 수 있다. 상기 제 2 임계치는, 전년도 대비 물가 상승률 및 상기 현금 총 지불 금액을 상기 AI 학습 모델에 적용함으로써 결정될 수 있다. 상기 제 3 임계치는, 상기 온라인 쇼핑몰의 전년도 총 매출, 상기 온라인 쇼핑몰의 전년도 상품권에 의한 총 매출 및 상기 사용자의 상기 상품권 총 지불 금액을 상기 AI 학습 모델에 적용함으로써 결정될 수 있다.

일 실시예에서, 상기 AI 학습 모델은, 인공 신경망(artificial neural network)을 기반으로 할 수 있다. 상기 AI 학습 모델은, 기계 학습(딥러닝)을 통해 인공지능 시스템을 구현하는 과정에서 이용될 수 있다. 상기 기계 학습은, 입력 데이터들의 특징을 (장치 또는 장치 내 모듈이) 스스로 분류 및/또는 학습하는 알고리즘 기술을 의미한다. 상기 AI 학습 모델을 구현하기 위한 온라인 쇼핑몰 서버의 프로세서의 구성에 대하여는, 도 6에서 보다 구체적으로 설명하기로 한다.

단계 S220에서, 일 실시예에 따른 상기 온라인 쇼핑몰 서버는, 상기 총 구매 금액을 기반으로, 상기 사용자의 등급을 결정할 수 있다.

일 실시예에서, 상기 사용자의 등급으로 결정될 수 있는 총 등급의 개수는 자연수 N일 수 있다.

단계 S230에서, 일 실시예에 따른 상기 온라인 쇼핑몰 서버는, 상기 사용자의 등급을 기반으로, 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 상기 사용자에게 디스플레이 될 복수의 상품들을 결정할 수 있다.

일 실시예에서, 상기 사용자의 등급이 높을수록 상기 사용자에게 디스플레이 될 상기 복수의 상품들의 개수가 증가할 수 있다.

일 실시예에서, 상기 사용자의 등급으로 결정될 수 있는 후보 등급이 최상위 등급, 중위 등급 및 최하위 등급을 포함하는 경우: 상기 사용자의 등급이 상기 최상위 등급인 것을 기반으로, 상기 복수의 상품들은 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들로 결정될 수 있고; 상기 사용자의 등급이 상기 중위 등급인 것을 기반으로, 상기 복수의 상품들은, 상기 총 상품들 중 사용자 평점이 상위 A%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 결정될 수 있고; 상기 사용자의 등급이 상기 최하위 등급인 것을 기반으로, 상기 복수의 상품들은, 상기 총 상품들 중 사용자 평점이 상위 B%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 결정될 수 있다. 여기서 상기 A 및 B는 100보다 작은 자연수이고, 상기 A는 상기 B보다 클 수 있다.

예를 들어, 상기 사용자의 등급이 상기 최상위 등급인 VIP등급인 것을 기반으로, 상기 사용자는 상기 온라인 쇼핑몰이 판매하는 총 상품들에 관한 정보를 획득할 수 있다. 예를 들어, 상기 A가 20이고, 상기 사용자의 등급이 상기 중위 등급인 NORMAL 등급인 경우, 상기 사용자는 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 사용자 평점이 상위 20%에 가장 근접한 상품의 사용자 평점인 5.6보다 낮은 사용자 평점을 갖는 상품들에 관한 정보를 획득할 수 있다. 예를 들어, 상기 B가 50이고, 상기 사용자의 등급이 상기 최하위 등급인 BEGINNER인 경우, 상기 사용자는 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 사용자 평점이 상위 50%에 가장 근접한 상품의 사용자 평점인 3.5보다 낮은 사용자 평점을 갖는 상품들에 관한 정보를 획득할 수 있다.

일 실시예에서, 상기 A 또는 상기 B는, 상기 온라인 쇼핑몰의 총 회원수, 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 사용자 평점들의 평균 및 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 상기 사용자 평점들의 중간값을 상기 온라인 쇼핑몰 서버의 데이터베이스에 저장된 AI 학습 모델에 적용함으로써 결정될 수 있다.

단계 S240에서, 일 실시예에 따른 상기 온라인 쇼핑몰 서버는, 상기 사용자가 이용하는 사용자 디바이스로 상기 복수의 상품들에 대한 정보를 전송할 수 있다.

일 예시에서, 상기 복수의 상품들에 대한 정보의 전송 시간 및 전송 주파수에 관한 정보는, 상기 온라인 쇼핑몰 서버가 상기 사용자 디바이스로 전송하는 SCI(Sidelink Control Information)에 의해 지시될 수 있고, 상기 복수의 상품들에 대한 정보는 상기 SCI를 포함하는 PSCCH(Physical Sidelink Control Channel)와 관련된 PSSCH(Physical Sidelink Shared Channel)를 통해 상기 온라인 쇼핑몰 서버에서 상기 사용자 디바이스로 전송될 수 있다.

일 실시예에 따른 상기 온라인 쇼핑몰 서버는, 상기 사용자의 등급이 상위 등급으로 상승하기 위해 상기 사용자가 추가로 구매해야 하는 추가 구매 필요 금액을, 상기 상위 등급을 위한 최소 구매 조건 금액에서 상기 사용자의 총 구매 금액을 차감함으로써 도출할 수 있다. 또한, 상기 온라인 쇼핑몰 서버는 상기 추가 구매 필요 금액에 대한 정보를 상기 사용자 디바이스로 전송할 수 있다.

일 예시에서, 상기 온라인 쇼핑몰 서버는, 상기 사용자의 등급이 NORMAL 등급에서 VIP 등급으로 상승하기 위해 상기 사용자가 추가로 구매해야 하는 추가 구매 필요 금액을, 상기 VIP 등급을 위한 최소 구매 조건 금액인 1000만원에서 상기 사용자의 총 구매 금액인 805만원을 차감함으로써 195만원으로 도출할 수 있다. 또한, 상기 온라인 쇼핑몰 서버는 상기 추가 구매 필요 금액인 195만원에 대한 정보를 상기 사용자 디바이스로 전송할 수 있다.

도 3은 일 실시예에 따른 온라인 쇼핑몰 서버와 사용자 디바이스가 온라인 쇼핑에 관한 데이터를 송수신하는 과정을 도시하는 흐름도이다.

도 3에서는, 도 2에서 전술된 내용에 대한 설명을 생략하거나, 간단히 서술하기로 한다.

단계 S310에서, 일 실시예에 따른 온라인 쇼핑몰 서버(301)는 온라인 쇼핑몰의 사용자가 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출할 수 있다.

단계 S320에서, 일 실시예에 따른 온라인 쇼핑몰 서버(301)는, 총 구매 금액을 기반으로, 사용자의 등급을 결정할 수 있다.

단계 S330에서, 일 실시예에 따른 온라인 쇼핑몰 서버(301)는, 사용자의 등급을 기반으로, 온라인 쇼핑몰이 판매하는 총 상품들 중 사용자에게 디스플레이 될 복수의 상품들을 결정할 수 있다.

단계 S340에서, 일 실시예에 따른 온라인 쇼핑몰 서버(301)는, 복수의 상품들에 대한 정보를 사용자 디바이스(302)로 전송할 수 있다.

단계 S350에서, 일 실시예에 따른 사용자 디바이스(302)는, 상기 복수의 상품들에 대한 정보를 디스플레이 할 수 있다. 사용자는, 상기 사용자 디바이스(302)에 디스플레이 되는 상기 복수의 상품들에 대한 정보를 기반으로 온라인 쇼핑을 수행할 수 있다.

도 4는 다른 일 실시예에 따른 온라인 쇼핑몰 서버와 사용자 디바이스가 온라인 쇼핑에 관한 데이터를 송수신하는 과정을 도시하는 흐름도이다.

도 4에서는, 도 2 또는 도 3에서 전술된 내용에 대한 설명을 생략하거나, 간단히 서술하기로 한다.

단계 S410에서, 일 실시예에 따른 온라인 쇼핑몰 서버(401)는 온라인 쇼핑몰의 사용자가 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출할 수 있다.

단계 S420에서, 일 실시예에 따른 온라인 쇼핑몰 서버(401)는, 총 구매 금액을 기반으로, 사용자의 등급을 결정할 수 있다.

단계 S430에서, 일 실시예에 따른 온라인 쇼핑몰 서버(401)는, 사용자의 등급을 기반으로, 온라인 쇼핑몰이 판매하는 총 상품들 중 사용자에게 디스플레이 될 복수의 상품들을 결정할 수 있다.

단계 S440에서, 일 실시예에 따른 온라인 쇼핑몰 서버(401)는, 사용자의 등급이 상위 등급으로 상승하기 위해 사용자가 추가로 구매해야 하는 추가 구매 필요 금액을, 상위 등급을 위한 최소 구매 조건 금액에서 사용자의 총 구매 금액을 차감함으로써 도출할 수 있다.

도 5는 일 실시예에 따른 온라인 쇼핑몰 서버의 구성을 도시하는 블록도이다.

도 5에 도시된 바와 같이, 일 실시예에 따른 온라인 쇼핑몰 서버(500)는 데이터베이스(510), 송수신부(520) 및 프로세서(530)를 포함할 수 있다. 그러나, 경우에 따라서는 도 5에 도시된 구성 요소 모두가 온라인 쇼핑몰 서버(500)의 필수 구성 요소가 아닐 수 있고, 온라인 쇼핑몰 서버(500)는 도 5에 도시된 구성 요소보다 많거나 적은 구성 요소에 의해 구현될 수 있다.

일 실시예에 따른 온라인 쇼핑몰 서버(500)에서 데이터베이스(510), 송수신부(520) 및 프로세서(530)는 각각 별도의 칩(chip)으로 구현되거나, 적어도 둘 이상의 구성 요소가 하나의 칩을 통해 구현될 수도 있다.

데이터베이스(DB, 510)는 송수신부(520) 또는 프로세서(530)로부터 전달 받은 데이터를 저장할 수 있다. 일 실시예에서, 데이터베이스(510)는 적어도 하나의 프로그램을 저장할 수 있다. 일 예시에서, 상기 적어도 하나의 프로그램은, 프로세서(530)가 학습 모델을 실행할 때 이용될 수 있다.

송수신부(520)는 외부 장치와 통신을 수행할 수 있다. 일 예시에서, 송신부(520)는 외부 장치(예를 들어, 사용자 디바이스)와 데이터를 송수신할 수 있다.

일 실시예에 따른 프로세서(530)는 온라인 쇼핑몰 서버(500)의 전반적인 동작을 제어할 수 있다. 일 예시에서, 프로세서(530)는 온라인 쇼핑몰 서버(500)의 데이터베이스(510)에 저장된 프로그램들을 실행함으로써, 데이터베이스(510) 및 송수신부(520) 등을 전반적으로 제어할 수 있다. 일 예시에서, 프로세서(530)는 온라인 쇼핑몰 서버(500)의 데이터베이스(510)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 4에서 전술된 온라인 쇼핑몰 서버(500)의 동작의 일부를 수행할 수 있다.

일 실시예에 따른 프로세서(530)는, 상기 온라인 쇼핑몰의 사용자가 상기 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액을 도출할 수 있다. 예를 들어, 상기 프로세서(530)는 상기 데이터베이스(510)에 저장된, 상기 사용자의 상기 총 구매 금액을 도출할 수 있다. 또한, 프로세서(530)는 상기 총 구매 금액을 기반으로, 상기 사용자의 등급을 결정할 수 있다. 또한, 프로세서(530)는 상기 사용자의 등급을 기반으로, 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 상기 사용자에게 디스플레이 될 복수의 상품들을 결정할 수 있다. 또한, 프로세서(530)는 상기 사용자가 이용하는 사용자 디바이스로 상기 복수의 상품들에 대한 정보를 전송할 수 있다. 또한, 프로세서(530)는 상기 사용자의 등급이 상위 등급으로 상승하기 위해 상기 사용자가 추가로 구매해야 하는 추가 구매 필요 금액을, 상기 상위 등급을 위한 최소 구매 조건 금액에서 상기 사용자의 총 구매 금액을 차감함으로써 도출할 수 있다. 또한, 프로세서(530)는 상기 추가 구매 필요 금액에 대한 정보를 상기 사용자 디바이스로 전송하도록 상기 송수신부(520)를 제어할 수 있다.

일 예시에서, 프로세서(530)는 데이터베이스(510)에 저장된 적어도 하나의 프로그램을 기반으로 AI 학습 모델을 실행할 수 있다. 이하 도 6에서는, 상기 AI 학습 모델을 실행하기 위한 상기 프로세서(530)의 구성의 일 예시에 대해 설명한다.

도 6은 일 실시예에 따른 프로세서의 구성을 도시하는 블록도이다.

도 6에 도시된 바와 같이, 일 실시예에 따른 프로세서(530)는 데이터획득부(532), 학습 데이터 선택부(534), 학습 모델 실행부(536) 및 학습 결과 제공부(538)를 포함할 수 있다. 그러나, 경우에 따라서는 도 5에 도시된 구성 요소 모두가 프로세서(530)의 필수 구성 요소가 아닐 수 있고, 프로세서(530)는 도 6에 도시된 구성 요소보다 많거나 적은 구성 요소에 의해 구현될 수 있다.

당해 기술 분야의 통상의 기술자는, 도 6에 도시된 프로세서(530)의 구성은 상기 온라인 쇼핑몰 서버(500)가 AI 학습 모델을 기반으로 기계 학습을 수행할 때 이용될 수 있는 프로세서(530)의 모듈들의 일 예시에 불과하고, 상기 온라인 쇼핑몰 서버(500)가 반드시 기계 학습을 수행하는 것은 아니므로, 따라서 도 6에 도시된 프로세서(530)의 모듈들의 일부 또는 전부가 상기 프로세서(530)에 포함되지 않을 수 있음을 용이하게 이해할 것이다.

일 실시예에 따른 데이터 획득부(532)는, 사용자의 의도를 판단하고, 연관 정보를 제공하고, 대체 동작을 추천하기 위해 필요한 데이터를 획득할 수 있다. 또는, 데이터 획득부(532)는, 사용자의 의도를 판단하고, 연관 정보를 제공하고, 대체 동작을 추천하기 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.

일 예시에서, 데이터 획득부(532)는, 예를 들어 사용자 음성, 이미지 정보, 소정의 컨텍스트 정보 중 적어도 하나를 획득할 수 있다. 일 예시에서, 데이터 획득부(532)는, 획득된 데이터를 기 정의된(pre-defined) 포맷으로 전환(convert)할 수 있다.

일 실시예에 따른 학습 데이터 선택부(534)는, 데이터 획득부(532)가 획득한 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 예를 들어, 학습 데이터 선택부(534)는 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기 정의된 기준에 따라, 데이터 획득부(532)가 획득한 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또는, 학습 데이터 선택부(534)는 학습 모델 실행부(536)에 의한 학습을 기반으로 기 정의된 기준에 따라 데이터를 선택할 수도 있다.

일 실시예에 따른 학습 모델 실행부(536)는, 학습 데이터를 기반으로 사용자의 의도를 어떻게 판단하고, 연관 정보를 어떻게 결정하고, 대체 동작을 어떻게 추천할 지에 관한 기준을 학습할 수 있다. 또한, 학습 모델 실행부(536)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.

또한, 학습 모델 실행부(536)는 사용자의 의도 판단, 연관 정보의 결정 및 대체 동작의 추천에 이용되는 AI 학습 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, AI 학습 모델은 미리 구축된 모델일 수 있다. 예를 들어, AI 학습 모델은 기본 학습 데이터(예를 들어, 샘플 데이터 등)을 입력 받아 미리 구축된 모델일 수 있다.

AI 학습 모델은, 학습 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. AI 학습 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 AI 학습 모델로서 사용될 수 있으나, 실시예는 이에 한정되지 않는다.

일 실시예에 따른 학습 모델 실행부(536)는, 미리 구축된 AI 학습 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 AI 학습 모델을 학습할 AI 학습 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, AI 학습 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

일 실시예에 따른 학습 모델 실행부(536)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 AI 학습 모델을 학습시킬 수 있다.

일 실시예에 따른 학습 모델 실행부(536)는, 예를 들어 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, AI 학습 모델을 학습시킬 수 있다. 또한, 학습 모델 실행부(536)는, 예를 들어 별다른 지도없이 사용자의 의도를 판단하고, 연관 정보를 제공하고, 대체 동작을 추천하기 위해 필요한 데이터의 종류를 스스로 학습함으로써, 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 수행할 수 있다. 상기 비지도 학습을 통하여, 학습 모델 실행부(536)는 AI 학습 모델을 학습시킬 수 있다. 또한, 학습 모델 실행부(536)는, 예를 들어, 학습에 따른 사용자의 의도 판단, 연관 정보의 제공 및 대체 동작의 추천의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, AI 학습 모델을 학습시킬 수 있다.

또한, AI 학습 모델이 학습되면, 학습 모델 실행부(536)는 학습된 AI 학습 모델을 저장할 수 있다. 이 경우, 학습 모델 실행부(536)는 학습된 AI 학습 모델을 의류 쇼핑몰 서버(500)의 데이터베이스(510)에 저장할 수 있다. 또는, 학습 모델 실행부(536)는 학습된 AI 학습 모델을 의류 쇼핑몰 서버(500)와 유선 또는 무선 네트워크로 연결되는 서버 또는 장치의 메모리 또는 데이터베이스에 저장할 수도 있다.

일 실시예에서, 상기 사용자의 총 구매 금액은, 상기 사용자의 신용카드 총 지불 금액 * 제 1 임계치 + 상기 사용자의 현금 총 지불 금액 * 제 2 임계치 + 상기 사용자의 상품권 총 지불 금액 * 제 3 임계치로 결정될 수 있다.

일 실시예에서, 상기 사용자의 등급으로 결정될 수 있는 후보 등급이 최상위 등급, 중위 등급 및 최하위 등급을 포함하는 경우, 상기 사용자의 등급이 상기 최상위 등급인 것을 기반으로, 상기 복수의 상품들은 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들로 결정되고, 상기 사용자의 등급이 상기 중위 등급인 것을 기반으로, 상기 복수의 상품들은, 상기 총 상품들 중 사용자 평점이 상위 A%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 결정되고, 상기 사용자의 등급이 상기 중위 등급인 것을 기반으로, 상기 복수의 상품들은, 상기 총 상품들 중 사용자 평점이 상위 B%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 결정될 수 있다. 이때, 상기 A 및 B는 100보다 작은 자연수이고, 상기 A는 상기 B보다 클 수 있다.

일 실시예에 따른 학습 모델 실행부(536)는, 복수의 카드사들의 신용카드 수수료들의 평균값, 상기 사용자의 신용카드 사용 빈도 및 상기 신용카드 총 지불 금액을 상기 온라인 쇼핑몰 서버(500)의 데이터베이스(510)에 저장된 AI(Artificial Intelligence) 학습 모델(learning model)에 적용하여, 상기된 제 1 임계치를 결정할 수 있다.

일 실시예에 따른 학습 모델 실행부(536)는, 전년도 대비 물가 상승률 및 상기 현금 총 지불 금액을 상기 온라인 쇼핑몰 서버(500)의 데이터베이스(510)에 저장된 AI(Artificial Intelligence) 학습 모델(learning model)에 적용하여, 상기된 제 2 임계치를 결정할 수 있다.

일 실시예에 따른 학습 모델 실행부(536)는, 상기 온라인 쇼핑몰의 전년도 총 매출, 상기 온라인 쇼핑몰의 전년도 상품권에 의한 총 매출 및 상기 사용자의 상기 상품권 총 지불 금액을 상기 온라인 쇼핑몰 서버(500)의 데이터베이스(510)에 저장된 AI(Artificial Intelligence) 학습 모델(learning model)에 적용하여, 상기된 제 3 임계치를 결정할 수 있다.

일 실시예에 따른 학습 모델 실행부(536)는, 상기 온라인 쇼핑몰의 총 회원수, 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 사용자 평점들의 평균 및 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 상기 사용자 평점들의 중간값을 상기 온라인 쇼핑몰 서버(500)의 데이터베이스(510)에 저장된 AI(Artificial Intelligence) 학습 모델(learning model)에 적용하여, 상기된 A 또는 B를 결정할 수 있다.

일 실시예에 따른 학습 결과 제공부(538)는, 상기 학습 모델 실행부(536)에서 학습된 AI 학습 모델을 기반으로, (기계) 학습 결과를 도출 또는 획득할 수 있다. 학습 결과 제공부(538)는, 상기 (기계) 학습 결과를 데이터베이스(510) 또는 송수신부(520)로 제공할 수 있다.

일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (5)

1. 온라인 쇼핑몰을 관리하는 온라인 쇼핑몰 서버에 있어서,
   적어도 하나의 프로그램을 저장하는 데이터베이스(database);
   송수신부(transceiver); 및
   프로세서(processor)를 포함하되,
   상기 프로세서는,
   상기 온라인 쇼핑몰의 사용자가 상기 온라인 쇼핑몰을 통해 상품을 구매하면서 지불한 총 구매 금액에 관련되는 구매 수치를 생성하고,
   상기 구매 수치에 기반하여 상기 사용자의 등급을 결정하고,
   상기 사용자의 등급을 기반으로, 상기 온라인 쇼핑몰이 판매하는 총 상품들 중 상기 사용자에게 디스플레이 될 복수의 특정 상품들을 결정하고,
   상기 사용자가 이용하는 사용자 디바이스로 상기 복수의 특정 상품들에 대한 정보를 전송하고,
   상기 프로세서는,
   상기 데이터베이스에 구축되고 DNN(Deep Neural Network), RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network)을 포함하는 복수의 AI 학습 모델(artificial intelligence learning model)들 중에서 특정 AI 학습 모델을 선택하고,
   "상기 사용자의 신용카드 총 지불 금액 * 제1 가중치 + 상기 사용자의 현금 총 지불 금액 * 제2 가중치 + 상기 사용자의 상품권 총 지불 금액 * 제3 가중치"에 기반하여 상기 구매 수치를 산출하되,
   상기 제1 가중치는 복수의 카드사들의 신용카드 수수료들의 평균값, 상기 사용자의 신용카드 사용 빈도 및 상기 신용카드 총 지불 금액을 상기 특정 AI 학습 모델에 적용함으로써 결정되고,
   상기 제2 가중치는 전년도 대비 물가 상승률 및 상기 현금 총 지불 금액을 상기 특정 AI 학습 모델에 적용함으로써 결정되며,
   상기 제3 가중치는 상기 온라인 쇼핑몰의 전년도 총 매출, 상기 온라인 쇼핑몰의 전년도 상품권에 의한 총 매출 및 상기 사용자의 상기 상품권 총 지불 금액을 상기 특정 AI 학습 모델에 적용함으로써 결정되고,
   상기 프로세서는,
   상기 사용자의 등급이 높을수록 상기 사용자에게 디스플레이 될 상기 복수의 특정 상품들의 개수를 더 높게 설정하고,
   상기 사용자의 등급이 최상위 등급이면, 상기 복수의 특정 상품들은 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들로 상기 프로세서에 의해 결정되고,
   상기 사용자의 등급이 중위 등급이면, 상기 복수의 특정 상품들은, 상기 총 상품들 중 사용자 평점이 상위 A%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 상기 프로세서에 의해 결정되고,
   상기 사용자의 등급이 최하위 등급이면, 상기 복수의 특정 상품들은, 상기 총 상품들 중 사용자 평점이 상위 B%에 가장 근접한 상품의 사용자 평점보다 낮은 사용자 평점을 갖는 상품들로 상기 프로세서에 의해 결정되는 것을 특징으로 하며,
   상기 A 및 B는 100보다 작은 자연수이고, 상기 A는 상기 B보다 큰 값이고,
   상기 A 또는 상기 B는, 상기 온라인 쇼핑몰의 총 회원수, 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 사용자 평점들의 평균 및 상기 온라인 쇼핑몰이 판매하는 상기 총 상품들의 상기 사용자 평점들의 중간값을 상기 특정 AI 학습 모델에 적용함으로써 결정되고,
   상기 프로세서는,
   상기 사용자의 등급이 상위 등급으로 상승하기 위해 상기 사용자가 추가로 구매해야 하는 추가 구매 필요 금액을, 상기 상위 등급을 위한 최소 구매 조건 금액에서 상기 사용자의 총 구매 금액을 차감함으로써 도출하고,
   상기 추가 구매 필요 금액에 대한 정보를 상기 사용자 디바이스에게 전송하는 것을 특징으로 하는,
   온라인 쇼핑몰 서버.
2. 삭제
3. 삭제
4. 삭제
5. 삭제

Images