KR102213768B1 - 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템 - Google Patents
빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템 Download PDFInfo
- Publication number
- KR102213768B1 KR102213768B1 KR1020200073311A KR20200073311A KR102213768B1 KR 102213768 B1 KR102213768 B1 KR 102213768B1 KR 1020200073311 A KR1020200073311 A KR 1020200073311A KR 20200073311 A KR20200073311 A KR 20200073311A KR 102213768 B1 KR102213768 B1 KR 102213768B1
- Authority
- KR
- South Korea
- Prior art keywords
- product
- consumer
- purchase
- information
- products
- Prior art date
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 소비자가 쇼핑몰 사이트에 접속하여 상품 검색부터 위시리스트 추가, 장바구니 추가, 제품 클릭, 구매 및 반품에 이르기까지 수행하는 모든 행동 정보를 빅데이터로 관리하고, 빅데이터의 정보를 딥러닝(Deep Learning) 기반의 분석엔진으로 분석하여 소비자가 실제 원하는 상품이 무엇인지 파악한 후 소비자 각 개인이 원하는 상품 및 유사한 상품을 노출시켜 상품 구매율을 극대화 할 수 있는 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템에 관한 것이다.
Description
본 발명은 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템에 관한 것으로서, 사용자가 모바일로 홈페이지 회원가입을 하면 빅데이터 기반의 AI가 이후 소비자의 검색 키워드, 위시리스트, 장바구니 추가, 클릭한 상품, 사이트 내 머물러 있는 시간 등의 소비자의 소비 패턴을 알 수 있는 데이터를 수집하여 고객의 성향을 분석하고 고객 맞춤형 상품 추천 서비스를 정교화 할 수 있는 고객 맞춤형 상품 추천 시스템에 관한 것이다.
모든 인터넷 공간이 개인의 취향과 성격을 고려한 맞춤형 서비스들로 채워지고 있다. 더 많은 사용자들로부터 주목을 받고 소비가 이뤄져야 결국 수익으로 연결될 수 있기 때문이다. 광고와 마찬가지로 더 많이 노출되고 구매가 이뤄져야 하는 쇼핑 영역의 경우도 개인에 최적화된 상품 추천이 매우 중요하다.
그런데 검색 키워드나 구매 이력을 이용한 기존 개인화 추천은 정확도가 떨어지는 한계를 지닌다. 전통적인 개인화 추천 방법으로는 유사한 사용자들이 선호한 다른 아이템을 추천해주거나(Collaborative Filtering), 과거에 선호한 아이템과 내용이 유사한 다른 아이템을 추천해주는(Content-based Filtering) 방식 등이 주로 쓰였다.
그러나 이력이 없는 사용자나 소비된 적 없는 아이템은 추천이 불가능하고, 정확도가 낮은 한계를 지녔다. 또 이 둘을 결합한 하이브리드 방식도 사용됐지만, 이 역시 만족스런 결과를 가져오지 못했다.
그러다보니 영세한 소상공인들은 소비자와 접점을 찾지 못해 고민이 컸고, 플랫폼 사업자들은 ‘무늬만 개인화 추천’에 별 다른 성과를 거두지 못해 어려움을 겪었다.
공개특허 제10-2019-0016406호(소비자 구매 경험 기반의 개별화 커머스 서비스 모델)는 소비자의 관심 상품 또는 판매 요청 상품과 같은 거래 이전에 발생한 소비자 의견 데이터를 판매자가 수집 및 활용하여 개별 소비자군을 대상으로 각 소비자군에 특화된 One2One(원투원) 마케팅을 수행하고, 개인 소비자와 개별 상품의 정보 연계 또는 소비자 군(유사 성향을 가진 소비자 집단, 또는 상거래 촉진을 위한 소비자 분류 등)과 상품 군(유사 상품군 또는, 상거래 촉진을 위한 상품 분류 등)등을 연계하여 개별 소비자 혹은 소비자군 별 소규모 타겟 마케팅을 수행하는 것을 특징으로 한다.
그러나 공개특허 제10-2019-0016406호는 해당 쇼핑몰 사이트 내에 있는 소비자가 하는 모든 패턴을 분석하는 방식이 아니기 때문에 소비자가 사이트 내로 들어왔던 키워드(검색 값), 유입경로, 사이트에서 검색한 검색내역, 위시리스트, 장바구니 내역, 반품, 취소, 결제 중단 등이 진행될 때의 상품 목록 리스트, 고객의 활동 등에 대한 데이터를 매순간 수집하고 정리하고 분석하여 소비자 개인에 최적화된 맞춤형 상품 추천 서비스를 제공하는데 한계가 있어 소비자의 이탈을 방지하지 못하고, 매출 향상에 크게 도움이 되지 못하는 문제가 있다.
본 발명은 상기와 같은 문제점을 개선하기 위하여 발명된 것으로, 소비자가 쇼핑몰 사이트에 접속하여 상품 검색부터 위시리스트 추가, 장바구니 추가, 제품 클릭, 구매 및 반품에 이르기까지 수행하는 모든 행동 정보를 빅데이터로 관리하고, 빅데이터의 정보를 딥러닝(Deep Learning) 기반의 분석엔진으로 분석하여 소비자가 실제 원하는 상품이 무엇인지 파악한 후 소비자 각 개인이 원하는 상품 및 유사한 상품을 노출시켜 상품 구매율을 극대화 할 수 있는 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템을 제공하기 위한 것이다.
상기와 같은 목적을 달성하기 위하여, 본 발명은 소비자가 쇼핑몰 사이트에 접속하여 상품 검색부터 구매 및 반품에 이르기까지의 모든 행동에 대한 정보를 수집하여 소비자 쇼핑정보 DB에 저장하는 소비자 쇼핑정보 수집부; 상기 소비자 쇼핑정보 DB에 저장된 각 소비자가 검색 및 클릭한 상품의 특성, 구매한 상품의 특성 및 반품한 상품의 특성을 딥러닝(Deep Learning) 기반의 분석엔진으로 분석하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 분석하는 소비자 상품성향 분석부; 상기 소비자 상품성향 분석부의 분석 내용을 기초로 상품 DB에 저장된 상품 중에서 상품을 구성하는 특성의 유사도가 소정의 확률 이상에 해당하는 상품 리스트를 순서대로 선택하는 소비자 추천상품 선택부; 및 상기 소비자 추천상품 선택부가 선택한 하나 이상의 상품 리스트를 소비자에게 노출시키는 상품 노출부를 포함한다.
소비자들의 상품 구매 후기 및 반품 사유를 구문(text) 분석하여 각 상품의 특성에 해당하는 가격, 디자인, 기능성, 선호하는 나이대, 선호하는 성별을 분석하는 상품 특성 분석부를 더 포함하고, 상기 소비자 상품성향 분석부는 상품 특성 분석부가 분석한 상품의 특성 정보를 이용하여 각 소비자가 검색 및 클릭한 상품, 구매한 상품 및 반품한 상품에 대한 특성을 딥러닝 기반의 분석엔진으로 분석함으로써, 소비자별 상품 카테고리 별로 선호하는 상품의 특성을 분석하는 것을 특징으로 한다.
상기 상품 노출부가 일정 기간 동안 소비자에게 노출시킨 상품 중에서 소비자의 검색, 구매 및 반품에 대한 행동 정보를 수집하여 소비자의 상품 카테고리 별 상품 구매강도를 측정하는 소비자 상품 구매강도 측정부를 더 포함하고, 상기 소비자 상품성향 분석부는 소비자 상품 구매강도 측정부가 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 연속하여 상승하여 구매강도 점수가 형성하는 기울기가 양수인 경우 해당 상품의 특성에 가중치를 증가시키고, 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 연속하여 하강하여 구매강도 점수가 형성하는 기울기가 음수인 경우 해당 상품의 특성에 가중치를 감소시키고, 증가 또는 감소된 상품의 가중치를 딥러닝 기반의 분석엔진에 적용하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 분석하는 것을 특징으로 한다.
상기 소비자 상품 구매강도 측정부는 측정의 대상이 되는 일정 기간 동안 구매시 마다 구매강도 점수를 증가시키고, 구매로 이어지지 않는 검색 및 반품시마다 구매강도 점수를 감소시키는 방식으로 측정하여 일정 기간 동안 상품 카테고리 별 상품 구매강도에 대한 총점을 구하는 것을 특징으로 한다.
상기 소비자 상품 구매강도 측정부가 일정 기간 단위로 측정한 구매강도 점수가 상승하여 구매강도 점수가 형성하는 기울기가 양수인 경우의 연속하여 상승한 횟수와 그 다음에 연속하여 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 하강하여 구매강도 점수가 형성하는 기울기가 음수인 경우의 연속하여 하강한 횟수를 비교하여 상승 횟수 대비 하강 횟수를 비교하는 기울기 비교 분석부를 더 포함하고, 상기 소비자 상품성향 분석부는 기울기 비교 분석부의 비교 결과 상승 횟수가 하강 횟수보다 더 많은 경우 기울기가 음수에 해당하더라도 해당 상품의 특성에 가중치를 감소시키지 않고 그대로 유지하고, 기울기 비교 분석부의 비교 결과 상승 횟수 보다 하강 횟수가 더 많은 경우는 기울기가 음수에 해당하는 상품 특성의 가중치를 감소시키는 것을 특징으로 한다.
상기 소비자 쇼핑정보 DB에 저장된 정보를 소비자 특성 및 상품 카테고리에 따라 분류하여 유사 쇼핑정보 DB에 저장하는 유사 쇼핑정보 저장부; 및 상기 유사 쇼핑정보 DB에 저장된 소비자의 상품에 대한 행동 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성하고, 전이(Transfer Learning)하여 상기 딥러닝 기반의 분석엔진에서 사용되도록 하는 쇼핑정보 학습엔진 전이부를 더 포함하는 것을 특징으로 한다.
상기 쇼핑정보 학습엔진 전이부는 상기 유사 쇼핑정보 학습엔진의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 딥러닝 기반의 분석엔진을 생성하는 것을 특징으로 한다.
상기 쇼핑정보 학습엔진 전이부는 최근에 쇼핑몰 사이트에 회원 가입하여 상품에 대한 행동 정보가 부족한 소비자와 특성이 유사한 기존 소비자를 상기 유사 쇼핑정보 DB에서 검색하고, 검색된 기존 소비자의 상품에 대한 행동 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성하고 전이하여 상기 딥러닝 기반의 분석엔진에서 사용되도록 하는 것을 특징으로 한다.
상기와 같은 구성의 본 발명에 따르면, 다음과 같은 효과를 도모할 수 있다.
먼저, 빅데이터 기반 딥러닝 분석엔진으로 분석한 소비자의 성향(선호하는 정보)을 바탕으로 상품 추천화면을 차별화 하여 구매 증가를 높이고 해당 구매가 또 다른 데이터를 쌓아 다른 소비자의 소비 성향 패턴을 분석할 수 있다.
그리고 정확한 소비 성향 패턴분석은 구매를 증가시킬 뿐만 아니라 소비자의 사이트에 대한 만족도를 높여 충성 고객을 유치하는데 기여할 수 있다.
또한, 마이크로 인플루언서(Micro Influencer)가 빅데이터 기반의 딥러닝(Deep Learning) 분석엔진이 분석한 데이터를 이용하면 소비자 특성별 구매율이 높은 상품을 확인한 후 소비자 마케팅에 활용할 수가 있기 때문에 마이크로 인플루언서를 통한 구매율을 극대화 할 수가 있다.
도 1은 본 발명에 따른 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템의 구성도
도 2는 본 발명에 따른 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 방법의 순서도
도 3은 소비자의 상품 카테고리 별 구매강도 점수 측정치의 변화를 나타내는 예시도
도 4는 상품 특성의 가중치를 조정하기에 앞서 소비자의 상품 카테고리 별 구매강도 점수 측정치가 양의 기울기(기울기1)를 형성할 때와 음의 기울기(기울기2)를 형성할 때 상승 횟수와 하강 횟수를 비교하기 위한 예시도
도 5는 본 발명에 따라 특성이 유사한 기존 소비자의 데이터를 활용하여 유사 쇼핑정보 학습엔진을 생성한 후 전이하여 딥러닝 기반의 분석엔진에서 사용하는 모습을 나타낸 개념도
도 2는 본 발명에 따른 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 방법의 순서도
도 3은 소비자의 상품 카테고리 별 구매강도 점수 측정치의 변화를 나타내는 예시도
도 4는 상품 특성의 가중치를 조정하기에 앞서 소비자의 상품 카테고리 별 구매강도 점수 측정치가 양의 기울기(기울기1)를 형성할 때와 음의 기울기(기울기2)를 형성할 때 상승 횟수와 하강 횟수를 비교하기 위한 예시도
도 5는 본 발명에 따라 특성이 유사한 기존 소비자의 데이터를 활용하여 유사 쇼핑정보 학습엔진을 생성한 후 전이하여 딥러닝 기반의 분석엔진에서 사용하는 모습을 나타낸 개념도
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시 예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시 예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
본 명세서에서 본 실시 예는 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 실시 예에서, 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 실시 예를 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.
실제 소비자가 사이트 내에서 활동하고 상품을 구매하기까지의 소요시간은 대략적 2분 내외이다. 사이트에 들어와서 내가 관심있는 상품이나 필요한 상품을 확인한 뒤 실제 다시 사이트로 들어와 구입하기 까지는 많은 제약들을 가지고 있다.
이런 부분들은 소비자 실제 원하는 상품이 무엇인지 정확하게 파악하고 그것을 활용하여 소비자가 원하는 상품, 비슷한 상품리스트를 빅데이터 기반의 인공지능 분석을 통하여 정확하게 노출하는게 가장 중요하다.
조금 더 높은 구매 전환율을 위하여 더 많은 데이터를 수집하고 분석하여 지속적인 최적화를 통한 상품 추천을 개선해야 한다. 해당 데이터를 정밀화하고 최적화하여 마이크로 인플루언서가 해당 빅데이터 기반의 AI가 분석한 데이터를 활용하여 구매율이 높은 상품을 확인하고 마케팅에 활용할 수 있을 때 마케팅 효과는 극대화 될 것이다.
본 발명은 이와 같은 취지 및 목적을 달성하기 위해 발명되었다.
이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.
도 1 내지 도 5를 참고하면, 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템(100)은 소비자 쇼핑정보 수집부(101), 소비자 상품성향 분석부(102), 소비자 추천상품 선택부(103) 및 상품 노출부(104)를 포함한다. 또한, 상품 특성 분석부(105), 소비자 상품 구매강도 측정부(106), 기울기 비교 분석부(107), 유사 쇼핑정보 저장부(108) 및 쇼핑정보 학습엔진 전이부(109)를 더 포함할 수 있다.
소비자 쇼핑정보 수집부(101)는 소비자가 쇼핑몰 사이트에 접속하여 상품 검색부터 장바구니 추가, 상품 위시리스트 추가, 상품 구매 및 반품에 이르기까지의 모든 행동에 대한 정보를 수집하여 소비자 쇼핑정보 DB에 소비자 아이디 별로 저장한다.
소비자 상품성향 분석부(102)는 소비자 쇼핑정보 DB에 저장된 각 소비자가 검색 및 클릭한 상품의 특성, 구매한 상품의 특성 및 반품한 상품의 특성을 딥러닝(Deep Learning) 기반의 분석엔진으로 분석하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 분석한다. 상품 카테고리는 옷, 디저트, 액세서리 등과 같은 것이 해당되며, 소비자가 선호하는 상품(예를 들면, 옷)의 특성은 기능성, 가격, 화려함, 깔끔함, 색상 등 다양한 것을 포함할 수 있다.
소비자 추천상품 선택부(103)는 소비자 상품성향 분석부(102)의 분석 내용을 기초로 상품 DB에 저장된 상품 중에서 상품을 구성하는 특성의 유사도가 소정의 확률 이상에 해당하는 상품 리스트를 순서대로 선택한다.
옷을 예로 들면, 상품 DB에는 다양한 특성을 가지는 여러 종류의 옷이 있는데, 소비자 상품성향 분석부(102)가 분석한 해당 소비자가 선호하는 옷의 특성과 유사도가 높은 상품을 순서대로 선택한다.
상품 노출부(104)는 소비자 추천상품 선택부(103)가 선택한 하나 이상의 상품 리스트를 쇼핑몰 사이트에서 소비자에게 노출시킨다.
상품 특성 분석부(105)는 소비자들의 상품 구매 후기 및 반품 사유를 구문(text) 분석하여 각 상품의 특성에 해당하는 가격, 디자인, 기능성, 선호하는 나이대, 선호하는 성별을 분석한다. 옷의 경우는 이 외에도 해당 옷의 색상이 어떤지, 화려한지, 깔끔한지 등을 분석할 수 있다.
소비자 상품성향 분석부(102)는 상품 특성 분석부(105)가 분석한 상품의 특성 정보를 이용하여 각 소비자가 검색 및 클릭한 상품, 구매한 상품 및 반품한 상품에 대한 특성을 딥러닝 기반의 분석엔진으로 분석함으로써, 소비자별 상품 카테고리 별로 선호하는 상품의 특성을 분석한다.
상품 특성 분석부(105)가 쇼핑몰 사이트의 구매 후기 및 반품 사유를 분석하여 각 상품의 다양한 특성을 분석 및 추출하면, 소비자 상품성향 분석부(102)는 소비자가 관심을 보인 상품의 특성 정보들을 딥러닝 기반의 분석엔진으로 분석하여 각 소비자가 상품 카테고리별로 어떠한 특성을 지닌 상품들을 선호하는지 추출한다.
소비자 상품 구매강도 측정부(106)는 상품 노출부(104)가 일정 기간 동안 소비자에게 노출시킨 상품 중에서 소비자의 검색, 구매 및 반품에 대한 행동 정보를 수집하여 소비자의 상품 카테고리 별 상품 구매강도를 측정한다.
소비자 상품성향 분석부(102)는 소비자 상품 구매강도 측정부(106)가 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 연속하여 상승하여 구매강도 점수가 형성하는 기울기가 양수인 경우 해당 상품의 특성에 가중치를 증가시키고, 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 연속하여 하강하여 구매강도 점수가 형성하는 기울기가 음수인 경우 해당 상품의 특성에 가중치를 감소시키고, 증가 또는 감소된 상품의 가중치를 딥러닝 기반의 분석엔진에 적용하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 분석한다. 여기서 소정의 횟수는 시스템 관리자에 의해 설정이 가능하며, 2~4회 이상 연속하여 상승하는 경우를 말한다.
도 3을 참고하면, 소비자 A의 14개월 동안 옷에 대한 구매강도 점수 측정치와 디저트에 대한 구매강도 점수 측정치를 확인할 수 있다. 소비자 A의 14개월 동안 옷에 대한 구매강도 점수 측정치를 보면, 처음 1개월째 구매강도 점수와 그 다음 2개월째 구매강도 점수를 비교하면 2개월째 구매강도 점수가 상승하였다. 그리고 그 다음 3개월째 구매강도 점수는 다시 하강하였다. 그러나 그 이후 4~6개월에 해당하는 세 달 동안은 구매강도 점수가 연속하여 상승함으로써, 3개월부터 6개월까지를 잇는 기울기1(도 4 참조)은 양의 기울기를 형성한다. 그 다음 7~8월에 해당하는 두 달 동안은 구매강도 점수가 연속하여 하강함으로써 6개월부터 8개월까지를 잇는 기울기2(도 4 참조)는 음의 기울기를 형성한다.
이것은 소비자의 선호 상품 특성을 지속적으로 분석하여 추천 결과 양의 기울기(기울기1)를 형성하는 세 달 동안은 소비자가 상품을 구매 후 반품을 잘 안하였으나, 그 이후 두 달 동안은 소비자가 상품을 구매하지 않거나, 구매 후 반품이 자주 일어난 경우를 말한다. 결국, 구매강도 점수가 2회 이상 연속하여 상승하면 해당하는 상품의 특성에 대한 가중치를 증가시키고, 구매강도 점수가 2회 이상 연속하여 하강하면 해당하는 상품의 특성에 대한 가중치를 감소시키는 것이다. 여기서 옷 카테고리 내에서도 2회 이상 연속하여 상승할 때와 2회 이상 연속하여 하강할 때 해당하는 구체적인 상품의 특성이 같을 수도 있고, 다를 수도 있다. 다시 말해서 구매강도 점수가 상승할 때 주로 구매한 옷과 구매강도 점수가 하강할 때 주로 반품한 옷의 구체적인 특성은 같을 수도 있으나, 다를 수도 있는 것이다.
기울기가 양수인 경우 해당 상품의 특성에 가중치를 증가시키고, 기울기가 음수인 경우 해당 상품의 특성에 가중치를 감소시키며, 증가 또는 감소된 상품의 가중치를 딥러닝 기반의 분석엔진에 적용하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 지속적으로 개선해 나갈 수 있다.
처음 1개월째 구매강도 점수가 상승하고, 그 다음 2개월째 구매강도 점수가 하강하는 경우는 상품 특성에 대한 가중치를 변화시키지 않고 그대로 유지하나, 일정 횟수 이상 연속하여 상승 또는 하강할 때는 중대한 변화가 발생한 상황이기 때문에 가중치를 조정하고 이를 딥러닝 기반의 분석엔진에 반영한다.
소비자 상품 구매강도 측정부(106)는 측정의 대상이 되는 일정 기간 동안 구매시 마다 구매강도 점수를 증가시키고, 구매로 이어지지 않는 검색 및 반품시마다 구매강도 점수를 감소시키는 방식으로 측정하여 일정 기간 동안 상품 카테고리 별 상품 구매강도에 대한 총점을 구한다.
소비자 A가 처음 1개월째 옷을 2벌 구매한 경우 1벌당 구매강도 점수 10점씩 총 20점이 증가한다. 그 다음 2개월 째 옷을 1벌 구매한 경우 구매강도 점수 10점이 증가하여 구매강도 점수가 총 30점이 된다. 3개월째는 옷을 1벌 구매 후 반품한 경우에 해당하여 30점에서 10점을 차감한 20점이 된다. 이와 같이 기존 구매강도 점수에 더하거나 빼는 방식으로 상품 구매강도에 대한 총점을 구한다.
기울기 비교 분석부(107)는 소비자 상품 구매강도 측정부(106)가 일정 기간 단위로 측정한 구매강도 점수가 상승하여 구매강도 점수가 형성하는 기울기가 양수인 경우의 연속하여 상승한 횟수와 그 다음에 연속하여 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 하강하여 구매강도 점수가 형성하는 기울기가 음수인 경우의 연속하여 하강한 횟수를 비교하여 상승 횟수 대비 하강 횟수를 비교한다.
소비자 상품성향 분석부(102)는 기울기 비교 분석부(107)의 비교 결과 상승 횟수가 하강 횟수보다 더 많은 경우 기울기가 음수에 해당하더라도 해당 상품의 특성에 가중치를 감소시키지 않고 그대로 유지하고, 기울기 비교 분석부의 비교 결과 상승 횟수 보다 하강 횟수가 더 많은 경우는 기울기가 음수에 해당하는 상품 특성의 가중치를 감소시킨다.
도 4를 참고하면, 상기의 실시 예와 다르게 기울기1의 상승 횟수가 3월~6월까지 총 3회 상승하고, 기울기2의 하강 횟수가 6월~8월까지 총 2회 하강한 경우 기울기1에 해당하는 상승의 경우 해당하는 상품 특성의 가중치를 증가시키나, 기울기2의 하강에 해당하는 상품 특성의 가중치는 감소시키지 않고 그대로 유지한다. 이와 같이 하는 이유는, 소비자에게 지속적으로 맞춤형 상품을 추천한 결과 연속하여 구매한 이후 그 다음 일정 기간 동안은 해당 상품을 구매하지 않을 수도 있는데, 그 상품이 마음에 안 들어서가 아니라 이미 충분히 구매한 상태에 해당하여 당장은 필요하지 않기 때문이다. 이 경우는 구매강도 점수가 일시적으로 하강하더라도 이 기간이 지나면 다시 구매할 수도 있는 경우이기 때문에 하강에 해당하는 상품 특성의 가중치를 감소시키지 않고 유지하도록 한다.
그러나 만약 기울기1이 2회 연속하여 상승하고, 기울기2가 3회 연속하여 하강한다고 가정하면, 상승 횟수 보다 하강 횟수가 더 많은 경우에 해당하여 기울기가 음수에 해당하는 상품 특성의 가중치를 감소시킨다. 즉, 일시적으로 구매하여 구매강도 점수가 상승하였으나, 그 이후 구매하지 않거나, 반품하는 비율이 높아진 경우라고 판단되어 해당하는 상품 특성의 가중치를 감소시키고, 감소된 상품의 가중치를 딥러닝 기반의 분석엔진에 적용하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 지속적으로 개선해 나갈 수 있다.
유사 쇼핑정보 저장부(108)는 소비자 쇼핑정보 DB에 저장된 정보를 소비자 특성 및 상품 카테고리에 따라 분류하여 유사 쇼핑정보 DB에 저장한다.
예를 들어, 40대, 기혼, 중산층에 해당하는 여성 소비자의 디저트에 대한 쇼핑정보를 유사 쇼핑정보 DB에 저장한다. 30대, 미혼, 중산층에 해당하는 여성 소비자의 옷에 대한 쇼핑정보도 유사 쇼핑정보 DB에 저장되어 있을 것이다.
쇼핑정보 학습엔진 전이부(109)는 유사 쇼핑정보 DB에 저장된 소비자의 상품에 대한 행동 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성하고, 전이(Transfer Learning)하여 상기 딥러닝 기반의 분석엔진에서 사용되도록 한다.
쇼핑몰 사이트에 가입한지 오래되지 않은 회원의 경우 상품의 검색, 구매 및 반품 등에 해당하는 소비자 쇼핑정보가 충분히 누적되어 있지 않기 때문에 빅데이터 기반의 딥러닝 분석엔진을 적용하기가 어렵다. 이 경우 기존에 이미 충분한 빅데이터가 확보되어 있는 유사한 성향을 가진 소비자의 상품에 대한 행동 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성한 후 이를 전이하여 사용하는 것이다. 이렇게 하면 새로운 회원이 사이트에서 쇼핑에 대한 행동 정보가 누적될 때까지 오래 기다려야 하는 문제를 방지할 수가 있을 뿐만 아니라 단기간에 효과적인 맞춤형 상품 추천이 가능하다.
도 5를 참고하면, 쇼핑정보 학습엔진 전이부(109)는 상기 유사 쇼핑정보 학습엔진의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 딥러닝 기반의 분석엔진을 생성한다.
쇼핑정보 학습엔진 전이부(109)는 최근에 쇼핑몰 사이트에 회원 가입하여 상품에 대한 행동 정보가 부족한 소비자와 특성이 유사한 기존 소비자를 상기 유사 쇼핑정보 DB에서 검색하고, 검색된 기존 소비자의 상품에 대한 행동 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성하고 전이하여 상기 딥러닝 기반의 분석엔진에서 사용되도록 한다.
최근에 쇼핑몰 사이트에 회원 가입하여 상품에 대한 행동 정보가 부족한 소비자와 기존 소비자의 특성 유사도가 높을수록 전이하여 재사용하는 하위층의 개수는 많아지고, 유사도가 낮을수록 전이하여 재사용하는 하위층의 개수는 적어질 것이다.
도 2를 참고하면, 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 방법은 먼저, 쇼핑몰 사이트에서 소비자의 검색, 구매, 취소, 반품 등의 쇼핑정보를 수집한다(S210). 수집된 쇼핑정보를 빅데이터 기반의 딥러닝 분석엔진으로 분석하여 소비자의 상품성향을 분석한다(S220). 분석 내용을 기초로 소비자에게 추천할 상품을 선택한다(S230). 선택한 상품을 소비자에게 노출시킨다(S240). 노출된 상품에 대한 구매강도를 측정하고(S250), 구매강도 점수를 이용하여 딥러닝 엔진의 가중치를 조정한다(S260). 이러한 과정이 반복되면서 딥러닝 기반의 분석엔진은 소비자의 상품성향을 더욱 정교하게 분석하게 된다.
그리고 기존 고객이 아닌 가입한지 얼마 안 된 새로운 고객의 경우 기존의 유사한 성향의 고객 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성하고(S211), 해당 유사 쇼핑정보 학습엔진을 전이하여 딥러닝 분석엔진에 적용하도록 한다(S212). 전이학습을 통해 생성된 딥러닝 기반의 분석엔진을 이용하여 소비자의 상품 성향을 분석하여 상품을 추천하는 과정은 상기와 동일하다.
그 밖에 상기에서 설명한 내용과 중복되는 부분에 대한 자세한 설명은 생략하였다.
상기와 같은 빅데이터 기반의 딥러닝 분석엔진을 이용하여 고객 맞춤형 상품을 추천하면, 소비자에게 최적의 맞춤형 상품을 추천할 수가 있으며 소비자가 재방문할 때 고도화 된 데이터를 활용한 상품을 노출시킬 수가 있다. 또한, 소비자의 성향 별 선호 상품 및 구매전환율이 높은 상품을 분석하여 마이크로 인플루언서가 마케팅에 활용할 수 있는 정보를 제공할 수 있다.
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 상품 추천 시스템
101...소비자 쇼핑정보 수집부
102...소비자 상품성향 분석부
103...소비자 추천상품 선택부
104...상품 노출부
105...상품 특성 분석부
106...소비자 상품 구매강도 측정부
107...기울기 비교 분석부
108...유사 쇼핑정보 저장부
109...쇼핑정보 학습엔진 전이부
101...소비자 쇼핑정보 수집부
102...소비자 상품성향 분석부
103...소비자 추천상품 선택부
104...상품 노출부
105...상품 특성 분석부
106...소비자 상품 구매강도 측정부
107...기울기 비교 분석부
108...유사 쇼핑정보 저장부
109...쇼핑정보 학습엔진 전이부
Claims (8)
- 소비자가 쇼핑몰 사이트에 접속하여 상품 검색부터 구매 및 반품에 이르기까지의 모든 행동에 대한 정보를 수집하여 소비자 쇼핑정보 DB에 저장하는 소비자 쇼핑정보 수집부;
상기 소비자 쇼핑정보 DB에 저장된 각 소비자가 검색 및 클릭한 상품의 특성, 구매한 상품의 특성 및 반품한 상품의 특성을 딥러닝(Deep Learning) 기반의 분석엔진으로 분석하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 분석하는 소비자 상품성향 분석부;
상기 소비자 상품성향 분석부의 분석 내용을 기초로 상품 DB에 저장된 상품 중에서 상품을 구성하는 특성의 유사도가 소정의 확률 이상에 해당하는 상품 리스트를 순서대로 선택하는 소비자 추천상품 선택부; 및
상기 소비자 추천상품 선택부가 선택한 하나 이상의 상품 리스트를 소비자에게 노출시키는 상품 노출부를 포함하되,
상기 상품 노출부가 일정 기간 동안 소비자에게 노출시킨 상품 중에서 소비자의 검색, 구매 및 반품에 대한 행동 정보를 수집하여 소비자의 상품 카테고리 별 상품 구매강도를 측정하는 소비자 상품 구매강도 측정부를 더 포함하고,
상기 소비자 상품성향 분석부는 소비자 상품 구매강도 측정부가 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 연속하여 상승하여 구매강도 점수가 형성하는 기울기가 양수인 경우 해당 상품의 특성에 가중치를 증가시키고, 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 연속하여 하강하여 구매강도 점수가 형성하는 기울기가 음수인 경우 해당 상품의 특성에 가중치를 감소시키고, 증가 또는 감소된 상품의 가중치를 딥러닝 기반의 분석엔진에 적용하여 소비자별 상품 카테고리 별로 선호 상품의 특성을 분석하며,
상기 소비자 상품 구매강도 측정부가 일정 기간 단위로 측정한 구매강도 점수가 상승하여 구매강도 점수가 형성하는 기울기가 양수인 경우의 연속하여 상승한 횟수와 그 다음에 연속하여 일정 기간 단위로 측정한 구매강도 점수가 소정의 횟수 이상 하강하여 구매강도 점수가 형성하는 기울기가 음수인 경우의 연속하여 하강한 횟수를 비교하여 연속 상승 횟수 대비 바로 이어지는 연속 하강 횟수를 비교하는 기울기 비교 분석부를 더 포함하고,
상기 소비자 상품성향 분석부는 기울기 비교 분석부의 비교 결과 상승 횟수가 하강 횟수보다 더 많은 경우 기울기가 음수에 해당하더라도 소비자에게 지속적으로 맞춤형 상품을 추천한 결과 연속하여 구매한 이후 그 다음 일정 기간 동안은 해당 상품을 구매하지 않았으나, 추천한 상품이 마음에 안 들어서가 아니라 이미 충분히 구매한 상태에 해당하여 당장은 필요하지 않은 상태에 해당하므로 해당 상품의 특성에 가중치를 감소시키지 않고 그대로 유지하고,
기울기 비교 분석부의 비교 결과 상승 횟수 보다 하강 횟수가 더 많은 경우는 일시적으로 구매하여 구매강도 점수가 상승하였으나 그 이후 구매하지 않거나 반품하는 비율이 높아진 경우로 판단하여 기울기가 음수에 해당하는 상품 특성의 가중치를 감소시키며,
상기 소비자 쇼핑정보 DB에 저장된 정보를 소비자 특성 및 상품 카테고리에 따라 분류하여 유사 쇼핑정보 DB에 저장하는 유사 쇼핑정보 저장부; 및
상기 유사 쇼핑정보 DB에 저장된 소비자의 상품에 대한 행동 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성하고, 전이(Transfer Learning)하여 상기 딥러닝 기반의 분석엔진에서 사용되도록 하는 쇼핑정보 학습엔진 전이부를 더 포함하고,
상기 쇼핑정보 학습엔진 전이부는 상기 유사 쇼핑정보 학습엔진의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 딥러닝 기반의 분석엔진을 생성하며,
상기 쇼핑정보 학습엔진 전이부는 최근에 쇼핑몰 사이트에 회원 가입하여 상품에 대한 행동 정보가 부족한 소비자와 특성이 유사한 기존 소비자를 상기 유사 쇼핑정보 DB에서 검색하고, 검색된 기존 소비자의 상품에 대한 행동 정보를 활용하여 유사 쇼핑정보 학습엔진을 생성하고 전이하여 상기 딥러닝 기반의 분석엔진에서 사용되도록 하되,
최근에 쇼핑몰 사이트에 회원 가입하여 상품에 대한 행동 정보가 부족한 소비자와 기존 소비자의 특성 유사도가 높을수록 전이하여 재사용하는 하위층의 개수는 많아지고, 유사도가 낮을수록 전이하여 재사용하는 하위층의 개수는 적어지는 것을 특징으로 하는 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템.
- 청구항 1에 있어서,
소비자들의 상품 구매 후기 및 반품 사유를 구문(text) 분석하여 각 상품의 특성에 해당하는 가격, 디자인, 기능성, 선호하는 나이대, 선호하는 성별을 분석하는 상품 특성 분석부를 더 포함하고,
상기 소비자 상품성향 분석부는 상품 특성 분석부가 분석한 상품의 특성 정보를 이용하여 각 소비자가 검색 및 클릭한 상품, 구매한 상품 및 반품한 상품에 대한 특성을 딥러닝 기반의 분석엔진으로 분석함으로써, 소비자별 상품 카테고리 별로 선호하는 상품의 특성을 분석하는 것을 특징으로 하는 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템.
- 삭제
- 청구항 1에 있어서,
상기 소비자 상품 구매강도 측정부는 측정의 대상이 되는 일정 기간 동안 구매시 마다 구매강도 점수를 증가시키고, 구매로 이어지지 않는 검색 및 반품시마다 구매강도 점수를 감소시키는 방식으로 측정하여 일정 기간 동안 상품 카테고리 별 상품 구매강도에 대한 총점을 구하는 것을 특징으로 하는 빅데이터 기반의 AI가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템. - 삭제
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200059637 | 2020-05-19 | ||
| KR20200059637 | 2020-05-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102213768B1 true KR102213768B1 (ko) | 2021-02-08 |
Family
ID=74560046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200073311A KR102213768B1 (ko) | 2020-05-19 | 2020-06-17 | 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102213768B1 (ko) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102268739B1 (ko) * | 2021-03-08 | 2021-06-24 | 홍민혜 | 사용자의 구매 내역에 기반한 상품 추천 방법 및 장치 |
| KR102404511B1 (ko) | 2022-02-17 | 2022-06-07 | 주식회사 로원홀딩스 | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 |
| KR102409497B1 (ko) * | 2021-08-11 | 2022-06-15 | 주식회사 올벤트 | 사용자 참여형 이벤트 등록 및 이벤트 콘텐츠 제공 방법, 장치 및 시스템 |
| KR102423179B1 (ko) * | 2022-02-12 | 2022-07-20 | 판다기프트 주식회사 | 인공지능에 기반한 고객 맞춤형 상품 판매 시스템 |
| KR20230026656A (ko) * | 2021-08-18 | 2023-02-27 | 주식회사 딜러타이어 | 온라인을 이용한 타이어 정보 제공 방법, 시스템 및 비일시성 판독 가능 기록 매체 |
| KR102504256B1 (ko) * | 2022-01-28 | 2023-02-28 | 오미나 | 신발 커스터마이징 시스템 |
| WO2023073420A1 (en) * | 2021-11-01 | 2023-05-04 | Coupang Corp. | Systems and methods for generating a personalized advertisement |
| CN116523594A (zh) * | 2023-04-24 | 2023-08-01 | 广州灵缪文化传播有限公司 | 一种基于多源检测数据的商品选品方法 |
| CN116596635A (zh) * | 2023-06-17 | 2023-08-15 | 维卓(嘉兴)营养品有限公司 | 一种基于互联网的在线软糖定制方法及系统 |
| KR102572280B1 (ko) * | 2022-11-07 | 2023-08-30 | 서명교 | 전자 결제 정보에 기반하여 구매자에게 온라인 상품을 마케팅하는 방법 및 시스템 |
| KR20230134424A (ko) * | 2022-03-14 | 2023-09-21 | 주식회사 리케어웍스 | 고객 이탈을 관리하기 위한 방법 및 시스템 |
| WO2023210846A1 (ko) * | 2022-04-25 | 2023-11-02 | 쿠팡 주식회사 | 아이템 거래와 관련된 정보를 제공하는 장치 및 그 방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101340A (ko) * | 2014-02-26 | 2015-09-03 | 에스케이플래닛 주식회사 | 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치 |
| KR20150121281A (ko) * | 2014-04-17 | 2015-10-29 | 이형석 | 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체 |
| KR101762875B1 (ko) * | 2016-03-22 | 2017-07-28 | 최윤내 | 큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법 |
| KR20190016406A (ko) | 2017-08-08 | 2019-02-18 | 주식회사 비즈니스인사이트 | 소비자 구매 경험 기반의 개별화 커머스 서비스 모델 |
| KR102025652B1 (ko) * | 2019-01-21 | 2019-09-27 | 휴멜로 주식회사 | 사운드 이벤트 탐지 모델 학습 방법 |
| KR20200023705A (ko) * | 2018-08-22 | 2020-03-06 | 주식회사 비주얼 | 주얼리 상품 추천 방법 및 주얼리 상품 추천 장치 |
-
2020
- 2020-06-17 KR KR1020200073311A patent/KR102213768B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101340A (ko) * | 2014-02-26 | 2015-09-03 | 에스케이플래닛 주식회사 | 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치 |
| KR20150121281A (ko) * | 2014-04-17 | 2015-10-29 | 이형석 | 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체 |
| KR101762875B1 (ko) * | 2016-03-22 | 2017-07-28 | 최윤내 | 큐레이션 서비스를 제공하는 의류 쇼핑 시스템 및 그 방법 |
| KR20190016406A (ko) | 2017-08-08 | 2019-02-18 | 주식회사 비즈니스인사이트 | 소비자 구매 경험 기반의 개별화 커머스 서비스 모델 |
| KR20200023705A (ko) * | 2018-08-22 | 2020-03-06 | 주식회사 비주얼 | 주얼리 상품 추천 방법 및 주얼리 상품 추천 장치 |
| KR102025652B1 (ko) * | 2019-01-21 | 2019-09-27 | 휴멜로 주식회사 | 사운드 이벤트 탐지 모델 학습 방법 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220126182A (ko) * | 2021-03-08 | 2022-09-15 | 홍민혜 | 상품 코드와 구매 패턴에 따른 회귀분석을 이용한 상품 추천 방법 및 장치 |
| KR102268739B1 (ko) * | 2021-03-08 | 2021-06-24 | 홍민혜 | 사용자의 구매 내역에 기반한 상품 추천 방법 및 장치 |
| KR102495011B1 (ko) * | 2021-03-08 | 2023-02-06 | 홍민혜 | 상품 코드와 구매 패턴에 따른 회귀분석을 이용한 상품 추천 방법 및 장치 |
| KR102409497B1 (ko) * | 2021-08-11 | 2022-06-15 | 주식회사 올벤트 | 사용자 참여형 이벤트 등록 및 이벤트 콘텐츠 제공 방법, 장치 및 시스템 |
| KR102652814B1 (ko) * | 2021-08-18 | 2024-04-01 | 주식회사 딜러타이어 | 온라인을 이용한 타이어 정보 제공 방법, 시스템 및 비일시성 판독 가능 기록 매체 |
| KR20230026656A (ko) * | 2021-08-18 | 2023-02-27 | 주식회사 딜러타이어 | 온라인을 이용한 타이어 정보 제공 방법, 시스템 및 비일시성 판독 가능 기록 매체 |
| WO2023073420A1 (en) * | 2021-11-01 | 2023-05-04 | Coupang Corp. | Systems and methods for generating a personalized advertisement |
| US11763350B2 (en) | 2021-11-01 | 2023-09-19 | Coupang Corp. | Systems and methods for generating a personalized advertisement |
| KR102504256B1 (ko) * | 2022-01-28 | 2023-02-28 | 오미나 | 신발 커스터마이징 시스템 |
| KR102423179B1 (ko) * | 2022-02-12 | 2022-07-20 | 판다기프트 주식회사 | 인공지능에 기반한 고객 맞춤형 상품 판매 시스템 |
| KR102404511B1 (ko) | 2022-02-17 | 2022-06-07 | 주식회사 로원홀딩스 | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 |
| KR102584798B1 (ko) * | 2022-03-14 | 2023-10-05 | 주식회사 리케어웍스 | 고객 이탈을 관리하기 위한 방법 및 시스템 |
| KR20230134424A (ko) * | 2022-03-14 | 2023-09-21 | 주식회사 리케어웍스 | 고객 이탈을 관리하기 위한 방법 및 시스템 |
| WO2023210846A1 (ko) * | 2022-04-25 | 2023-11-02 | 쿠팡 주식회사 | 아이템 거래와 관련된 정보를 제공하는 장치 및 그 방법 |
| KR102595172B1 (ko) * | 2022-11-07 | 2023-10-27 | 서명교 | 구매자 행동패턴 분석 기반의 온라인 상품을 마케팅하는 방법 및 시스템 |
| KR102572280B1 (ko) * | 2022-11-07 | 2023-08-30 | 서명교 | 전자 결제 정보에 기반하여 구매자에게 온라인 상품을 마케팅하는 방법 및 시스템 |
| KR102595189B1 (ko) * | 2022-11-07 | 2023-10-27 | 서명교 | 우수 판매 지역을 활용한 상품 추천 기반으로 온라인 상품을 마케팅하는 방법 및 시스템 |
| CN116523594B (zh) * | 2023-04-24 | 2024-02-06 | 广州灵缪文化传播有限公司 | 一种基于多源检测数据的商品选品方法 |
| CN116523594A (zh) * | 2023-04-24 | 2023-08-01 | 广州灵缪文化传播有限公司 | 一种基于多源检测数据的商品选品方法 |
| CN116596635A (zh) * | 2023-06-17 | 2023-08-15 | 维卓(嘉兴)营养品有限公司 | 一种基于互联网的在线软糖定制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102213768B1 (ko) | 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템 | |
| Su et al. | A method for discovering clusters of e-commerce interest patterns using click-stream data | |
| KR102045477B1 (ko) | 이커머스 플랫폼 평가 시스템 | |
| Rossi et al. | The value of purchase history data in target marketing | |
| Cho et al. | A personalized recommender system based on web usage mining and decision tree induction | |
| Bose et al. | Quantitative models for direct marketing: A review from systems perspective | |
| CN105117418B (zh) | 基于搜索的服务信息管理系统及方法 | |
| Schmittlein et al. | Customer base analysis: An industrial purchase process application | |
| Albadvi et al. | A hybrid recommendation technique based on product category attributes | |
| Wang et al. | The role of machine learning analytics and metrics in retailing research | |
| Iyer et al. | Linking Web‐based segmentation to pricing tactics | |
| De Biasio et al. | A systematic review of value-aware recommender systems | |
| محمد فريد et al. | The mediating role of brand image and lovemarks brands between social media marketing activities and brand equity: An empirical study on fashion wear industry in Egypt | |
| Chan et al. | Artificial intelligence in marketing and sales | |
| KR20220163089A (ko) | 제품 공동구매 연계 시스템 및 방법 | |
| Thobani | Improving e-Commerce sales using machine learning | |
| FENG et al. | The Choice Behavior Analysis on the Pick-up Point for the E-commerce retailing Delivery | |
| Sajedikhah et al. | Historical effect of verified purchases and ordinary users’ testimonials on the sales rank of experience and search goods | |
| Yuan | Supply side optimisation in online display advertising | |
| Racherla | Graph Neural Network for Service Recommender System in Digital Service Marketplace | |
| Ma | Modeling users for online advertising | |
| Benin | A comparison of recommender systems for crowdfunding projects | |
| Tabak Kizgin et al. | Random Forest Based Hybrid Approaches to Analysis of Retail Stores | |
| Shruthi et al. | An Effective Product Recommendation System for E-Commerce Website Using Hybrid Recommendation Systems | |
| Zamri et al. | A hybrid method with text mining and multi-criteria decision making for e-commerce considering online reviews |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |