KR102250804B1 - 빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법 - Google Patents

빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법 Download PDF

Info

Publication number
KR102250804B1
KR102250804B1 KR1020190113063A KR20190113063A KR102250804B1 KR 102250804 B1 KR102250804 B1 KR 102250804B1 KR 1020190113063 A KR1020190113063 A KR 1020190113063A KR 20190113063 A KR20190113063 A KR 20190113063A KR 102250804 B1 KR102250804 B1 KR 102250804B1
Authority
KR
South Korea
Prior art keywords
quality
attribute
frequency
quality factor
keywords
Prior art date
Application number
KR1020190113063A
Other languages
English (en)
Other versions
KR20210031292A (ko
Inventor
조창규
Original Assignee
주식회사 알마덴디자인리서치
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 알마덴디자인리서치 filed Critical 주식회사 알마덴디자인리서치
Priority to KR1020190113063A priority Critical patent/KR102250804B1/ko
Publication of KR20210031292A publication Critical patent/KR20210031292A/ko
Application granted granted Critical
Publication of KR102250804B1 publication Critical patent/KR102250804B1/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 문서에 개시되는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 방법은 복수의 웹 페이지로부터 수집된 분석 대상에 대한 텍스트로부터 추출된 복수의 키워드를 획득하는 단계, 미리 저장된 사전 데이터베이스를 이용하여 복수의 키워드 각각과 대응되는 분석 대상의 사용자의 감성을 나타내는 데이터를 획득하는 단계, 및 데이터에 기초하여 분석 대상의 복수의 품질 요소 각각에 대한 품질 속성(quality attribute)을 나타내는 그래프를 제공하는 단계를 포함할 수 있다.

Description

빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법{APPARATUS AND METHOD FOR ANALYZING QUALITY ELEMENT USING BIGDATA}
본 문서에서 개시되는 실시 예들은 빅데이터를 이용하여 분석 대상의 품질 요소(quality element)에 대한 품질 속성(quality attribute)을 판단하는 장치 및 방법과 관련된다.
품질 요소(quality element)는 제품 또는 서비스의 수요자가 품질의 좋고 나쁨을 결정하는데 고려하게 되는 제품 또는 서비스의 구성 요소를 의미한다. 특정 제품 또는 서비스의 품질 요소는 제품 또는 서비스에 대한 소비자의 요구가 다양해짐에 따라 더 복잡해질 수 있다. 품질 속성은 품질 요소에 대한 품질 제공 수준과 소비자의 만족도 사이의 관계를 의미한다. 품질 속성(quality attribute)은 대응하는 품질 요소에 따라 다양한 양상을 보일 수 있다.
예를 들어, 식당 서비스의 품질 요소 “위생”은 제공 수준이 낮아지는 경우 만족도가 크게 떨어지나, 제공 수준이 특정 수준을 넘어서는 경우 만족도가 더 이상 높아지지 않을 수 있다. 식당 서비스의 품질 요소 “맛”은 제공 수준이 낮아지면 만족도가 떨어지고, 제공 수준이 높아지면 만족도가 증가할 수 있다. 식당 서비스의 품질 요소 “생일 특별 서비스”는 제공 수준이 낮아지더라도 만족도가 떨어지지 않으나, 제공 수준이 높아지는 경우 만족도가 크게 높아질 수 있다. 제품 또는 서비스의 품질 요소에 대한 품질 속성을 분석함으로써 제품 또는 서비스의 제공자는 소비자의 목소리를 파악하여 상품 기획의 방향을 설정할 수 있다.
공개특허공보 제10-2019-0064312호(2019.06.10.) 공개특허공보 제10-2012-0108095호(2012.10.05.)
품질 요소에 대한 품질 속성을 파악하기 위해서는 제품 또는 서비스의 수요자에게 품질 요소에 대한 수요자의 생각을 질의하는 설문을 진행하는 것이 요구된다. 예를 들어, 제품 “스마트폰”의 품질 요소 “사진 찍기”에 대해, 설문은 긍정적 질문 “스마트폰에 우수한 사진 찍기 기능이 있다면 어떠한 느낌이 드는가?” 및 동일한 품질 요소에 대한 부정적 질문 “스마트폰에 우수한 사진 찍기 기능이 없다면 어떠한 느낌이 드는가?”를 포함할 수 있다. 각 질문에 대한 수요자의 선택지는 “좋다(like)”, “당연하다(must-be)”, “관심 없다(neutral)”, “하는 수 없다(live-with)”, 및 “싫다(dislike)”등으로 구성될 수 있다. 제품 또는 서비스의 제공자는 2개의 질문에 대한 소비자의 응답에 기초하여 품질 요소에 대한 품질 속성을 판단할 수 있다. 그러나, 품질 속성을 판단하기 위해서는 다수의 샘플이 요구되는데, 샘플을 설문을 통해 수집하는 경우 많은 비용과 시간의 손실이 발생할 수 있다. 따라서, 품질 속성을 판단하기 위한 새로운 방법이 요구될 수 있다.
본 발명의 실시 예들은, 설문 없이 웹 페이지로부터 수집한 텍스트 데이터를 이용하여 분석 대상의 품질 요소에 대한 품질 속성을 판단할 수 있는 장치 및 방법을 제공할 수 있다.
본 문서에 개시되는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 방법은 복수의 웹 페이지로부터 수집된 분석 대상에 대한 텍스트로부터 추출된 복수의 키워드를 획득하는 단계, 미리 저장된 사전 데이터베이스를 이용하여 복수의 키워드 각각과 대응되는 분석 대상의 사용자의 감성을 나타내는 데이터를 획득하는 단계, 및 데이터에 기초하여 분석 대상의 복수의 품질 요소 각각에 대한 품질 속성(quality attribute)을 나타내는 그래프를 제공하는 단계를 포함할 수 있다.
일 실시 예에 따르면, 획득하는 단계는 복수의 키워드 각각을 사전 데이터베이스에 포함된 감성어들 중 하나와 매칭하여 데이터를 획득하는 단계일 수 있다.
일 실시 예에 따르면, 방법은 복수의 품질 요소 각각과 연관된 데이터를 분석하여 복수의 품질 요소 각각에 대한 매력적 속성 지수 및 필수적 속성 지수를 산출하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 방법은 복수의 품질 요소 각각에 대응하는 단어와 복수의 키워드 각각 사이의 거리에 기초하여 복수의 품질 요소에 대응하는 단어와 데이터를 연계하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 방법은 복수의 키워드 중 긍정적 감성에 대응하는 키워드의 빈도 및 부정적 감성에 대응하는 키워드의 빈도에 기초하여 복수의 품질 요소 각각에 대한 품질 속성을 판단하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 제공하는 단계는 복수의 품질 요소 각각에 대한 긍정적 감성에 대응하는 키워드의 빈도와 부정적 감성에 대응하는 키워드의 빈도 사이의 관계를 나타내는 그래프를 제공하는 단계일 수 있다.
일 실시 예에 따르면, 제공하는 단계는 카노 모델을 이용하여 복수의 품질 요소 각각에 대한 매력적(attractive) 속성, 일원적(one dimensional) 속성, 무관심(indifferent) 속성 및 당연적(must-be) 속성과의 관련도를 표현하는 그래프를 제공하는 단계일 수 있다.
일 실시 예에 따르면, 제공하는 단계는 복수의 품질 요소 각각에 대한 품질 속성에 대응하는 오브젝트를 포함하는 그래프를 제공하는 단계일 수 있다.
일 실시 예에 따르면, 방법은 복수의 품질 요소 중 적어도 일부에 대한 시간의 흐름에 따른 품질 속성의 변화를 나타내는 그래프를 제공하는 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 본 문서에 개시되는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치는 외부와 통신하도록 구성된 통신 회로, 사전 데이터베이스를 저장하는 메모리, 및 통신 회로 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는 통신 회로를 이용하여 복수의 웹 페이지로부터 수집된 분석 대상에 대한 텍스트로부터 추출된 복수의 키워드를 획득하고, 사전 데이터베이스를 이용하여 복수의 키워드 각각과 대응되는 분석 대상의 사용자의 감성을 나타내는 데이터를 획득하고, 데이터에 기초하여 분석 대상의 복수의 품질 요소 각각에 대한 품질 속성을 나타내는 그래프를 제공하도록 설정될 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 분석 대상에 대해 크롤링된 텍스트로부터 추출된 데이터에 기초하여 품질 속성을 판단함으로써, 품질 속성을 파악하기 위해 요구되는 비용과 시간을 절약할 수 있다.
또한, 품질 요소와 연계된 긍정적 키워드의 빈도 및 부정적 키워드의 빈도에 기초하여 품질 속성을 나타내는 그래프를 제공함으로써, 효율적으로 품질 속성을 파악할 수 있다.
또한, 품질 요소에 대해 기간별 품질 속성을 도시하는 그래프를 제공함으로써, 시간의 흐름에 따른 품질 속성의 변화를 용이하게 파악할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치의 동작 환경을 나타낸다.
도 2는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치의 구성을 나타내는 블록도이다.
도 3은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 포함되는 프레임워크를 나타내는 블록도이다.
도 4는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 도출되는 예시적인 품질 속성을 나타내는 그래프이다.
도 5는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 수집되는 예시적인 감성 데이터를 도시한다.
도 6은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 제공되는 예시적인 그래프를 도시한다.
도 7은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 제공되는 예시적인 그래프를 도시한다.
도 8은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 방법을 설명하기 위한 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
도 1은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치의 동작 환경을 나타낸다.
도 1을 참조하면, 일 실시 예에 따른 감성 측정을 이용한 키워드의 분석 장치는 서버(100) 형태로 구현될 수 있다. 서버(100)는 외부 장치(12)로부터 다양한 텍스트를 크롤링(crawling)할 수 있다. 서버(100)는 다양한 채널 또는 플랫폼으로부터 텍스트를 수집할 수 있다. 예를 들어, 서버(100)는 SNS(social network service), 블로그, 다양한 웹 사이트, 웹 페이지 및 웹 문서 등으로부터 텍스트를 수집할 수 있다. 서버(100)는 분석 대상(target)(또는 특정 상품(서비스를 포함))(예: 스마트폰)에 대한 텍스트를 수집할 수 있다. 예를 들어, 서버(100)는 분석 대상에 대응하는 검색어를 포함하는 텍스트를 수집할 수 있다. 분석 대상은 사용자 단말(11)을 통해 미리 설정될 수 있다.
일 실시 예에 따르면, 서버(100)는 수집된 텍스트를 분석하여 감성어(예: 형용사, 부사, 동사 또는 명사 등으로 이루어짐)로 이루어진 키워드를 추출할 수 있다. 서버(100)는 사전 데이터베이스를 이용하여 추출된 키워드에 대응되는 분석 대상의 사용자의 감성 데이터를 획득할 수 있다. 사전 데이터베이스는 키워드 및 키워드에 대응하는 감성(예: 긍정적 감성 또는 부정적 감성)을 연계하여 저장할 수 있다. 서버(100)는 추출된 키워드와 사전 데이터베이스에 저장된 키워드를 비교하여 추출된 키워드에 대응되는 감성 데이터를 획득할 수 있다. 예를 들어, 서버(100)는 분석 대상 “스마트폰”에 대해 추출된 키워드 “고성능의”로부터 감성 데이터 “긍정”을 획득할 수 있다.
서버(100)는 추출된 키워드 각각에 대응되는 감성 데이터를 분석 대상의 품질 요소(quality element)와 연계할 수 있다. 서버(100)는 연계된 감성 데이터에 기초하여 분석 대상의 품질 요소 각각에 대한 품질 속성(quality attribute)을 나타내는 그래프를 제공할 수 있다. 예를 들어, 서버(100)는 분석 대상 “스마트폰”의 품질 요소 “사진 찍기”에 대한 긍정적 키워드의 출현 빈도 및 부정적 키워드의 출현 빈도를 산출할 수 있다. 서버(100)는 긍정적 키워드의 출현 빈도 및 부정적 키워드의 출현 빈도에 기초하여 품질 요소 “사진 찍기”의 품질 속성을 매력적(attractive) 속성, 일원적(one dimensional) 속성, 무관심(indifferent) 속성 또는 당연적(must-be) 속성으로 판단할 수 있다. 서버(100)는 품질 요소 “사진 찍기”에 대응하는 긍정적 키워드의 출현 빈도와 부정적 키워드의 출현 빈도 사이의 관계를 나타내는 그래프를 제공하여 품질 요소 “사진 찍기”의 품질 속성을 나타낼 수 있다.
일 실시 예에 따르면, 서버(100)는 품질 요소 각각에 대한 시간의 흐름에 따른 품질 속성의 변화를 나타내는 그래프를 제공할 수 있다. 예를 들어, 서버(100)는 분석 대상 “스마트폰”의 품질 요소 “사진 찍기”의 제1 기간 동안의 품질 속성, 제2 기간 동안의 품질 속성 및 제3 기간 동안의 품질 속성을 하나의 그래프에 도시할 수 있다.
일 실시 예에 따르면 서버(100)는 생성된 그래프를 사용자 단말(11)로 제공할 수 있다. 사용자 단말(11)은 제공된 그래프를 표시 장치를 통해 출력할 수 있다.
도 1에서는 서버(100)와 사용자 단말(11)이 분리된 것으로 도시되었으나, 이에 제한되지 않고, 하나의 컴퓨팅 디바이스로 통합되어 구현될 수도 있다. 또한, 도 1에서는 서버(100) 및 사용자 단말(11)이 각각 하나의 디바이스인 것으로 도시되었으나, 이에 제한되지 않고, 서버(100) 및 사용자 단말(11)은 각각 2 이상의 컴퓨팅 디바이스로 분리되어 구현될 수도 있다.
또한, 도 1을 참조하여 설명된 서버(100)에 의해 수행되는 동작 중 적어도 일부는 사용자 단말(11)에 의해 수행될 수도 있다. 예를 들어, 추출된 키워드에 대응하는 감성 데이터를 획득하는 동작, 감성 데이터를 분석 대상의 품질 요소와 연계하는 동작 및 품질 속성을 나타내는 그래프를 생성 또는 제공하는 동작 등은 사용자 단말(11)에 의해 수행될 수도 있다.
도 2는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치의 구성을 나타내는 블록도이다.
도 2를 참조하면, 일 실시 예에 따른 빅데이터를 이용한 품질 요인 분석 장치(200)는 통신 회로(210), 메모리(220) 및 프로세서(230)를 포함할 수 있다. 빅데이터를 이용한 품질 요인 분석 장치(200)는 서버의 형태로 구현될 수도 있고 사용자 단말의 형태로 구현될 수도 있다. 사용자 단말의 형태로 구현된 경우, 도 2에 도시된 사용자 단말(21)의 기능은 빅데이터를 이용한 품질 요인 분석 장치(200)에 의해 수행될 수 있다.
통신 회로(210)는 외부와 통신하도록 구성될 수 있다. 통신 회로(210)는 무선 통신 인터페이스 및/또는 유선 통신 인터페이스를 포함할 수 있다. 예를 들어, 통신 회로(210)는 사용자 단말(21) 및 외부 장치(22)와 데이터를 송수신할 수 있다.
메모리(220)는 휘발성 메모리 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(220)는 빅데이터를 이용한 품질 요인 분석 장치(200)에서 취급되는 다양한 데이터를 저장할 수 있다. 예를 들어, 메모리(220)는 사전 데이터베이스를 저장할 수 있다. 다른 예를 들면, 메모리(220)는 사용자 단말(21) 및/또는 외부 장치(22)로부터 수신된 데이터를 저장할 수 있고, 빅데이터를 이용한 품질 요인 분석 장치(200) 내부에서 처리된 데이터를 저장할 수도 있다.
프로세서(230)는 통신 회로(210) 및 메모리(220)와 전기적으로 연결될 수 있다. 프로세서(230)는 통신 회로(210) 및 메모리(220)를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 통신 회로(210)를 이용하여 복수의 웹 페이지로부터 수집된 분석 대상에 대한 텍스트로부터 추출된 복수의 키워드를 획득할 수 있다. 예를 들어, 프로세서(230)는 외부 장치를 통해 다수의 웹 문서로부터 분석 대상과 연관된 텍스트를 크롤링할 수 있다. 프로세서(230)는 분석 대상에 대응하는 검색어를 포함하는 웹 페이지에 포함된 텍스트를 크롤링할 수 있다. 프로세서(230)는 구문 분석기(및/또는 형태소 분석기)를 이용하여 수집된 텍스트로부터 감성어(단어 또는 어구)로 이루어진 복수의 키워드를 추출할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 사전 데이터베이스를 이용하여 복수의 키워드 각각과 대응되는 분석 대상의 사용자의 감성을 나타내는 데이터(또는 감성 데이터)를 획득할 수 있다. 예를 들어, 프로세서(230)는 복수의 키워드 각각을 사전 데이터베이스에 포함된 감성어들 중 하나와 매칭하여 감성 데이터를 획득할 수 있다. 사전 데이터 베이스는, 예를 들어, 긍정적 감성과 연계된 단어로서 “합리적인”, “편리한”, “독창적인” 등과 같은 단어를 포함할 수 있고, 부정적 감성과 연계된 단어로서 “터무니없는”, “불편한”, “식상한” 등과 같은 단어를 포함할 수 있다. 테스트로부터 추출된 키워드가 “편리한”인 경우, 프로세서(230)는 사전 데이터베이스를 이용하여 키워드 “편리한”과 대응되는 감성 데이터 “긍정”을 획득할 수 있다. 프로세서(230)는 모든 키워드에 대해 감성 데이터를 획득할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 감성 데이터에 기초하여 분석 대상의 복수의 품질 요소 각각에 대한 품질 속성을 나타내는 그래프를 제공할 수 있다. 그래프를 제공하기 위한 세부적인 동작은 이하에서 설명한다.
일 실시 예에 따르면, 프로세서(230)는 복수의 품질 요소 각각에 대응하는 단어와 복수의 키워드 각각 사이의 거리에 기초하여 복수의 품질 요소에 대응하는 단어와 데이터를 연계할 수 있다. 예를 들어, 프로세서(230)는 텍스트로부터 키워드 “감이 좋은”을 획득할 수 있다. 프로세서(230)는 텍스트로부터 분석 대상 “스마트폰”의 품질 요소 “사진 찍기”에 대응하는 명사 단어(예: 카메라, 사진, 촬영 등)를 획득할 수 있다. 프로세서(230)는 키워드 “감이 좋은”과 명사 단어 “카메라”가 지정된 거리 내(예: 3단어 이내에 인접)에 있으면, 키워드 “감이 좋은”과 품질 요소 “사진 찍기”를 연계할 수 있다. 프로세서(230)는 품질 요소 “사진 찍기”와 연계된 다수의 키워드 각각에 대한 감성 데이터(예: “감이 좋은”의 경우 긍정적 감성)를 획득할 수 있다. 다른 예를 들면, 프로세서(230)는 텍스트로부터 키워드 “감이 좋은”을 획득할 수 있다. 프로세서(230)는 구문 분석기(및/또는 형태소 분석기)를 이용하여 텍스트에서 키워드 “감이 좋은”을 포함하는 문장에서 키워드 “감이 좋은”이 가리키는 대상인 단어(예: 명사 단어)를 획득할 수 있다. 프로세서(230)는 획득된 단어가 분석 대상 “스마트폰”의 품질 요소 “사진 찍기”에 대응하는 단어 “카메라”인 경우, 키워드 “감이 좋은”과 품질 요소 “사진 찍기”를 연계할 수 있다. 프로세서(230)는 품질 요소 “사진 찍기”와 연계된 다수의 키워드 각각에 대한 감성 데이터(예: “감이 좋은”의 경우 긍정적 감성)를 획득할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 복수의 품질 요소 각각과 연관된 데이터를 분석하여 복수의 품질 요소 각각에 대한 매력적 속성 지수 및 필수적 속성 지수를 산출할 수 있다. 매력적 속성 지수는, 예를 들어, 긍정적 감성에 대응하는 키워드의 출현 빈도일 수 있고, 필수적 속성 지수는 부정적 감성에 대응하는 키워드의 출현 빈도일 수 있다. 프로세서(230)는 복수의 키워드 중 긍정적 감성에 대응하는 키워드의 빈도 및 부정적 감성에 대응하는 키워드의 빈도에 기초하여 복수의 품질 요소 각각에 대한 품질 속성을 판단할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 복수의 품질 요소 각각에 대한 긍정적 감성에 대응하는 키워드의 빈도와 부정적 감성에 대응하는 키워드의 빈도 사이의 관계를 나타내는 그래프를 제공할 수 있다. 예를 들어, 프로세서(230)는 카노 모델(Kano model)을 이용하여 복수의 품질 요소 각각에 대한 매력적 속성, 일원적 속성, 무관심 속성 및 당연적 속성과의 관련도를 표현하는 그래프를 제공할 수 있다. 예를 들어, 긍정적 키워드의 빈도가 지정된 레벨(제1 레벨)보다 낮고, 부정적 키워드의 빈도가 지정된 레벨(제2 레벨, 제2 레벨은 제1 레벨과 동일할 수도 상이할 수도 있다.)보다 낮으면, 프로세서(230)는 해당 품질 요소의 품질 속성을 무관심 속성으로 판단할 수 있다. 다른 예를 들면, 긍정적 키워드의 빈도가 지정된 레벨보다 높고, 부정적 키워드의 빈도가 지정된 레벨보다 낮으면, 프로세서(230)는 해당 품질 요소의 품질 속성을 매력적 속성으로 판단할 수 있다. 또 다른 예를 들면, 긍정적 키워드의 빈도가 지정된 레벨보다 높고, 부정적 키워드의 빈도가 지정된 레벨보다 높으면, 프로세서(230)는 해당 품질 요소의 품질 속성을 일원적 속성으로 판단할 수 있다. 또 다른 예를 들면, 긍정적 키워드의 빈도가 지정된 레벨보다 낮고, 부정적 키워드의 빈도가 지정된 레벨보다 높으면, 프로세서(230)는 해당 품질 요소의 품질 속성을 당연적 속성으로 판단할 수 있다.
일 실시 예에 따르면, 프로세서(230)는 복수의 품질 요소 각각에 대한 품질 속성에 대응하는 오브젝트를 포함하는 그래프를 제공할 수 있다. 프로세서(230)는 가로 축이 부정적 키워드의 빈도를 나타내고, 세로 축이 긍정적 키워드의 빈도를 나타내는 그래프를 제공할 수 있다. 프로세서(230)는 특정 품질 요소에 대한 부정적 키워드의 빈도 및 긍정적 키워드의 빈도를 포함하는 순서쌍을 생성하고, 생성된 순서쌍에 대응하는 그래프 상 위치에 오브젝트를 표시할 수 있다. 상술한 그래프의 구체적인 예시는 도 6을 참조하여 상세히 설명한다.
일 실시 예에 따르면, 프로세서(230)는 복수의 품질 요소 중 적어도 일부에 대한 시간의 흐름에 따른 품질 속성의 변화를 나타내는 그래프를 제공할 수 있다. 예를 들어, 프로세서(230)는 제1 기간 동안 작성된 웹 페이지로부터 추출된 텍스트에 기초하여 특정 품질 요소에 대한 품질 속성을 판단하고, 제2 기간 동안 작성된 웹 페이지로부터 추출된 텍스트에 기초하여 동일한 품질 요소에 대한 품질 속성을 판단할 수 있다. 프로세서(230)는 해당 품질 요소에 대해 제1 기간의 품질 속성에 대응하는 제1 오브젝트 및 제2 기간의 품질 속성에 대응하는 제2 오브젝트를 하나의 그래프에 표시할 수 있다. 프로세서(230)는 제1 오브젝트와 제2 오브젝트를 화살표 등의 연결선으로 연결하여 시간의 흐름에 따른 품질 속성의 변화를 나타내는 그래프를 제공할 수 있다. 상술한 그래프의 구체적인 예시는 도 7을 참조하여 상세히 설명한다.
상술한 동작 중 적어도 일부는 사용자 단말(21)에 의해 수행될 수도 있고, 이 경우, 사용자 단말(21)이 빅데이터를 이용한 품질 요인 분석 장치(200)에 해당하는 것으로 이해될 수도 있다.
상술한 것과 같이, 분석 대상에 대해 크롤링된 텍스트로부터 추출된 데이터에 기초하여 다양한 품질 요소에 대한 품질 속성을 판단함으로써, 품질 속성을 파악하기 위해 요구되는 비용과 시간을 절약할 수 있다.
도 3은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 포함되는 프레임워크를 나타내는 블록도이다.
도 3을 참조하면, 일 실시 예에 따른 감성 측정을 이용한 키워드의 분석 장치에 포함되는 프레임워크는 데이터 수집 모듈(310), 데이터 저장 모듈(320), 데이터 정제 모듈(330), 데이터 분석 모듈(340) 및 시각화 모듈(350)을 포함할 수 있다.
데이터 수집 모듈(310)은 SNS, 블로그 및 웹 사이트 등과 같은 다양한 웹 페이지로부터 텍스트 데이터를 수집할 수 있다. 예를 들어, 데이터 수집 모듈(310)은 3시간 동안 5천건 이상의 웹 페이지로부터 텍스트 데이터를 수집할 수 있다.
데이터 저장 모듈(320)은 데이터 수집 모듈(310)에 의해 획득된 데이터를 저장할 수 있다. 예를 들어, 데이터 저장 모듈(320)은 웹 페이지의 URL을 저장할 수 있고, 웹 페이지로부터 획득된 텍스트 데이터 및 이미지 데이터를 저장할 수 있다.
데이터 정제 모듈(330)은 데이터 저장 모듈(320)에 저장된 데이터를 정제할 수 있다. 예를 들어, 데이터 정제 모듈(330)은 구문 분석(및/또는 형태소 분석)을 통해 텍스트 데이터로부터 명사 단어 및/또는 감성어를 추출하여 분석에 필요한 데이터만을 획득할 수 있다.
데이터 분석 모듈(340)은 데이터 정제 모듈(330)에 의해 정제된 키워드를 분석할 수 있다. 예를 들어, 데이터 분석 모듈(340)은 사전 데이터베이스에 기초하여 추출된 감성어에 대응하는 감성 데이터를 획득할 수 있다. 데이터 분석 모듈(340)은 명사 단어와 감성어 사이의 거리에 기초하여 분석 대상의 품질 요소와 감성어를 연계할 수 있다. 데이터 분석 모듈(340)은 품질 요소에 대한 긍정적 감성의 빈도와 부정적 감성의 빈도에 기초하여 품질 요소에 대한 품질 속성을 결정할 수 있다. 품질 속성 정보는 부정적 감성의 빈도 및 긍정적 감성의 빈도를 포함하는 순서쌍으로 구성될 수 있다.
시각화 모듈(350)은 데이터 분석 모듈(340)에 의해 분석된 결과인 품질 속성을 테이블 및/또는 그래프 형태로 나타낼 수 있다. 예를 들어, 시각화 모듈(350)은 품질 속성 정보에 포함된 순서쌍에 대응하도록 품질 속성을 나타내는 오브젝트를 그래프에 표시할 수 있다. 시각화 모듈(350)은 도 6 및 도 7에 도시된 것과 같은 그래프를 제공할 수 있다.
도 4는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 도출되는 예시적인 품질 속성을 나타내는 그래프이다.
도 4를 참조하면, 일 실시 예에 따른 품질 요인 분석 장치는 분석 대상의 품질 요소에 대응하는 품질 속성을 매력적 속성, 일원적 속성, 당연적 속성 또는 무관심 속성으로 판단할 수 있다.
도 4에 도시된 제1 곡선(410)은 품질 속성 중 매력적 속성의 특성을 나타낸다. 제1 곡선(410)을 참조하면, 매력적 속성은 품질 요소가 저품질에 해당하더라도 수요자의 만족도가 크게 떨어지지 않고, 품질 요소가 고품질에 해당하면 수요자의 만족도가 크게 상승하는 품질 속성일 수 있다. 제2 곡선(420)은 품질 속성 중 일원적 속성의 특성을 나타낸다. 제2 곡선(420)을 참조하면, 일원적 속성은 품질 요소가 저품질에 해당하면 수요자의 만족도가 떨어지고, 품질 요소가 고품질에 해당하면 수요자의 만족도가 상승하는 품질 속성일 수 있다. 제3 곡선(430)은 품질 속성 중 당연적 속성의 특성을 나타낸다. 제3 곡선(430)을 참조하면, 당연적 속성은 품질 요소가 저품질에 해당하면 수요자의 만족도가 크게 떨어지고, 품질 요소가 고품질에 해당하더라도 수요자의 만족도가 크게 상승하지 않는 품질 속성일 수 있다. 제4 곡선(440)은 품질 속성 중 무관심 속성의 특성을 나타낸다. 제4 곡선(440)을 참조하면, 무관심 속성은 품질 요소가 저품질에 해당하든 고품질에 해당하든 수요자의 만족도가 크게 변화하지 않는 품질 속성일 수 있다. 품질 요인 분석 장치는 도 4의 그래프에 도시된 모델을 이용하여 품질 속성을 나타내는 그래프를 제공할 수 있다.
도 5는 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 수집되는 예시적인 감성 데이터를 도시한다.
도 5를 참조하면, 일 실시 예에 따른 품질 요인 분석 장치는 분석 대상의 품질 요소 각각과 연계된 긍정적 키워드의 빈도 및 부정적 키워드의 빈도에 대한 데이터(테이블)를 생성할 수 있다.
예를 들어, 테이블은 분석 대상 “스마트폰”의 품질 요소인 “사진 찍기”, “디자인”, “영상 보기”, “밧데리” 및 “네트워크 통신” 등과 연계된 키워드의 총 빈도, 긍정적 키워드의 빈도 및 부정적 키워드의 빈도에 대한 정보를 포함할 수 있다. 예를 들어, 품질 요소 “사진 찍기”와 연계된 긍정적 키워드의 빈도 및 부정적 키워드의 빈도는 모두 상대적으로 높게 나타난다. 품질 요소 “사진 찍기”의 품질 속성은 일원적 속성에 해당할 수 있다. 다른 예를 들면, 품질 요소 “문자”와 연계된 긍정적 키워드의 빈도 및 부정적 키워드의 빈도는 모두 상대적으로 낮게 나타난다. 품질 요소 “문자”의 품질 속성은 무관심 속성에 해당할 수 있다. 또 다른 예를 들면, 품질 요소 “화면 보기”와 연계된 긍정적 키워드의 빈도는 상대적으로 높게 나타나고, 부정적 키워드의 빈도는 상대적으로 낮게 나타난다. 품질 요소 “화면 보기”의 품질 속성은 매력적 속성에 해당할 수 있다. 또 다른 예를 들면, 품질 요소 “내구성”와 연계된 긍정적 키워드의 빈도는 상대적으로 낮게 나타나고, 부정적 키워드의 빈도는 상대적으로 높게 나타난다. 품질 요소 “내구성”의 품질 속성은 당연적 속성에 해당할 수 있다. 품질 요인 분석 장치는 도 5의 테이블에 포함된 데이터에 기초하여 품질 요소 각각의 품질 속성을 나타내는 그래프를 제공할 수 있다.
도 6은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 제공되는 예시적인 그래프를 도시한다.
도 6을 참조하면, 일 실시 예에 따른 품질 요인 분석 장치는 분석 대상의 품질 요소 각각에 대응하는 오브젝트를 포함하는 그래프를 제공할 수 있다. 그래프의 가로 축은 부정적 키워드의 출현 빈도에 대응하고, 그래프의 세로 축은 긍정적 키워드의 출현 빈도에 대응한다. 부정적 키워드의 빈도가 높은 품질 요소에 대응하는 오브젝트는 그래프의 우측에 표시되고, 부정적 키워드의 빈도가 낮은 품질 요소에 대응하는 오브젝트는 그래프의 좌측에 표시된다. 긍정적 키워드의 빈도가 높은 품질 요소에 대응하는 오브젝트는 그래프의 상단에 표시되고, 긍정적 키워드의 빈도가 낮은 품질 요소에 대응하는 오브젝트는 그래프의 하단에 표시된다.
예를 들어, 품질 요소 “사진 찍기”는 긍정적 키워드 및 부정적 키워드의 빈도가 모두 높으므로 대응하는 오브젝트는 그래프의 우측 상단에 표시된다. 그래프를 통해 품질 요소 “사진 찍기”의 품질 속성은 (강한) 일원적 속성에 해당한다는 점을 파악할 수 있다. 다른 예를 들면, 품질 요소 “네트워크”는 긍정적 키워드 및 부정적 키워드의 빈도가 모두 중간이므로 대응하는 오브젝트는 그래프의 중앙부에 표시된다. 품질 요소 “네트워크”는 그래프 상에서 (약한) 일원적 속성에 해당하나, 대응하는 오브젝트의 그래프 상 위치를 확인하면 당연적 속성에 가깝다는 점을 파악할 수 있다. 또 다른 예를 들면, 품질 요소 “문자”는 긍정적 키워드 및 부정적 키워드의 빈도가 모두 낮으므로 대응하는 오브젝트는 그래프의 좌측 하단에 표시된다. 그래프를 통해 품질 요소 “문자”의 품질 속성은 무관심 속성에 해당한다는 점을 파악할 수 있다. 상술한 사항 외에도 품질 요소 “화면 보기”가 매력적 속성에 해당하고, 품질 요소 “휴대폰 관리”가 당연적 속성에 해당한다는 점을 그래프를 통해 파악할 수 있다.
도 6의 그래프를 통해 제품 또는 서비스 제공자는 분석 대상의 품질 요소 각각에 대응하는 품질 속성을 용이하게 파악할 수 있고, 그 품질 속성과의 관련도가 높은 품질 요소(예: 일원적 속성의 사진 찍기) 및 관련도가 낮은 품질 요소(예: 일원적 속성의 네트워크)를 파악할 수도 있다.
도 7은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 의해 제공되는 예시적인 그래프를 도시한다.
도 7을 참조하면, 일 실시 예에 따른 품질 요인 분석 장치는 시간의 흐름에 따른 품질 속성의 변화를 나타내는 그래프를 제공할 수 있다. 품질 요인 분석 장치는 텍스트가 작성된 기간에 따라 기간별로 데이터를 분류하고 분류된 데이터를 이용하여 기간별 품질 속성을 개별적으로 나타내는 그래프를 제공할 수 있다. 예를 들어, 그래프는 품질 요소 “사진 찍기” 및 “통화하기”에 대해 제1 기간(2005년 내지 2009년)의 품질 속성, 제2 기간(2010년 내지 2014년)의 품질 속성 및 제3 기간(2015년 내지 2019년)의 품질 속성 각각에 대응하는 오브젝트를 포함할 수 있다.
제1 그룹 오브젝트(710)는 품질 요소 “사진 찍기”의 품질 속성을 나타낸다. 품질 요소 “사진 찍기”는 제1 기간 동안 긍정적 키워드의 출현 빈도는 높고 부정적 키워드의 출현 빈도는 낮아 매력적 속성을 가졌으나, 제2 기간에는 긍정적 키워드의 출현 빈도 및 부정적 키워드의 출현 빈도가 모두 증가하여 (상대적으로 약한) 일원적 속성을 가졌고, 제3 기간에는 긍정적 키워드의 출현 빈도 및 부정적 키워드의 출현 빈도가 더욱 증가하여 (상대적으로 강한) 일원적 속성을 가진다는 것을 파악할 수 있다.
제2 그룹 오브젝트(720)는 품질 요소 “통화하기”의 품질 속성을 나타낸다. 품질 요소 “통화하기”는 제1 기간 동안 긍정적 키워드 및 부정적 키워드의 출현 빈도가 높아 일원적 속성을 가졌으나, 제2 기간에는 긍정적 키워드의 출현 빈도가 크게 감소하고 및 부정적 키워드의 출현 빈도가 다소 감소하여 당연적 속성을 가졌고, 제3 기간에는 긍정적 키워드의 출현 빈도 및 부정적 키워드의 출현 빈도가 크게 감소하여 무관심 속성을 가진다는 것을 파악할 수 있다.
도 7의 그래프를 통해 제품 또는 서비스 제공자는 분석 대상의 품질 요소 각각에 대응하는 품질 속성이 시간에 따라 어떻게 변화하는지를 용이하게 파악할 수 있다. 이로써, 빠르게 변화하는 시장에서 소비자의 요구가 변화하는 패턴을 파악하고 적절한 상품 기획을 가능하게 할 수 있다.
도 8은 일 실시 예에 따른 빅데이터를 이용한 품질 요인의 분석을 위한 방법을 설명하기 위한 흐름도이다.
이하에서는 도 2의 빅데이터를 이용한 품질 요인 분석 장치(200) 또는 사용자 단말(21)이 도 8의 프로세스를 수행하는 것을 가정한다. 또한, 도 8의 설명에서, 장치에 의해 수행되는 것으로 기술된 동작은 빅데이터를 이용한 품질 요인 분석 장치(200)의 프로세서(230) 또는 사용자 단말(21)의 프로세서(미도시)에 의해 제어되는 것으로 이해될 수 있다.
도 8을 참조하면, 단계 810에서, 장치는 복수의 웹 페이지로부터 수집된 분석 대상에 대한 텍스트로부터 추출된 복수의 키워드를 획득할 수 있다. 단계 820에서, 장치는 사전 데이터베이스를 이용하여 복수의 키워드 각각과 대응되는 분석 대상의 사용자의 감성 데이터를 획득할 수 있다. 단계 830에서, 장치는 복수의 품질 요소 각각에 대응하는 단어와 복수의 키워드 각각 사이의 거리에 기초하여 복수의 품질 요소와 감성 데이터를 연계할 수 있다. 단계 840에서, 장치는 복수의 키워드 중 긍정적 키워드의 빈도 및 부정적 키워드의 빈도에 기초하여 복수의 품질 요소 각각에 대한 품질 속성을 판단할 수 있다. 단계 850에서, 장치는 복수의 품질 요소 각각에 대한 품질 속성을 나타내는 그래프를 제공할 수 있다.
본 문서의 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및/또는 B 중 적어도 하나", "A, B 또는 C" 또는 "A, B 및/또는 C 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤 구성요소가 다른 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소를 통하여 연결될 수 있다.
본 문서에서, "~하도록 설정된(adapted to or configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다. 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 설정된 (또는 구성된) 프로세서"는 해당 동작들을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU)를 의미할 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어(firmware)로 구성된 유닛(unit)을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. "모듈"은 기계적으로 또는 전자적으로 구현될 수 있으며, 예를 들면, 어떤 동작들을 수행하는, 알려졌거나 앞으로 개발될, ASIC(application-specific integrated circuit) 칩, FPGAs(field-programmable gate arrays), 또는 프로그램 가능 논리 장치를 포함할 수 있다.
일 실시 예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는 프로그램 모듈의 형태로 컴퓨터로 판독 가능한 저장 매체에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서에 의해 실행될 경우, 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다. 컴퓨터로 판독 가능한 기록 매체는, 하드디스크, 플로피디스크, 마그네틱 매체(예: 자기테이프), 광기록 매체(예: CD-ROM, DVD, 자기-광 매체(예: 플롭티컬 디스크), 내장 메모리 등을 포함할 수 있다. 명령어는 컴파일러에 의해 만들어지는 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다.
일 실시 예에 따른 구성 요소(예: 모듈 또는 프로그램 모듈) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소를 더 포함할 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램 모듈)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 일 실시 예에 따른 모듈, 프로그램 모듈 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱(heuristic)하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

Claims (10)

  1. 빅데이터를 이용한 품질 요인의 분석을 위한 방법에 있어서,
    컴퓨팅 디바이스에 포함된 프로세서에 의해, 복수의 웹 페이지로부터 수집된 분석 대상에 대한 텍스트로부터 추출된 복수의 키워드를 획득하는 단계;
    상기 프로세서에 의해, 미리 저장된 사전 데이터베이스를 이용하여 상기 복수의 키워드 각각과 대응되는 상기 분석 대상에 대한 사용자의 감성을 나타내는 감성 데이터를 획득하는 단계;
    상기 프로세서에 의해, 상기 분석 대상의 복수의 품질 요소 각각과 연관된 상기 감성 데이터를 분석함으로써 산출되는 상기 복수의 품질 요소 각각에 대한 긍정적 키워드의 빈도 및 부정적 키워드의 빈도에 기초하여 상기 복수의 품질 요소 각각에 대한 품질 대비 소비자 만족도 사이의 관계를 나타내는 품질 속성(quality attribute)을 판단하는 단계; 및
    상기 프로세서에 의해, 상기 감성 데이터에 기초하여 상기 복수의 품질 요소 각각에 대한 품질 속성을 나타내는 그래프를 제공하는 단계를 포함하고,
    상기 품질 속성을 판단하는 단계는,
    상기 복수의 품질 요소 중 특정 품질 요소에 대한 긍정적 키워드의 빈도가 제1 레벨보다 낮고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 제2 레벨보다 낮으면, 상기 특정 품질 요소의 품질 속성을 무관심 속성으로 판단하고, 상기 특정 품질 요소에 대한 긍정적 키워드의 빈도가 상기 제1 레벨보다 높고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 상기 제2 레벨보다 낮으면, 상기 특정 품질 요소의 품질 속성을 매력적 속성으로 판단하고, 상기 특정 품질 요소에 대한 긍정적 키워드의 빈도가 상기 제1 레벨보다 높고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 상기 제2 레벨보다 높으면, 상기 특정 품질 요소의 품질 속성을 일원적 속성으로 판단하고, 상기 특정 품질 요소에 대한 긍정적 키워드의 빈도가 상기 제1 레벨보다 낮고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 상기 제2 레벨보다 높으면, 상기 특정 품질 요소의 품질 속성을 당연적 속성으로 판단하는 단계이고,
    상기 품질 속성을 나타내는 그래프는,
    상기 복수의 품질 요소 각각에 대한 부정적 키워드의 빈도에 대응하는 가로축, 상기 복수의 품질 요소 각각에 대한 긍정적 키워드의 빈도에 대응하는 세로축 및 상기 복수의 품질 요소 각각에 대한 품질 속성에 대응하는 복수의 오브젝트를 포함하고, 상기 복수의 품질 요소 각각과 상기 매력적 속성, 상기 일원적 속성, 상기 무관심 속성 또는 상기 당연적 속성 사이의 관련도를 표현하는 것을 특징으로 하는, 방법.
  2. 제 1 항에 있어서,
    상기 데이터를 획득하는 단계는,
    상기 프로세서에 의해, 상기 복수의 키워드 각각을 상기 사전 데이터베이스에 포함된 감성어들 중 하나와 매칭하여 상기 데이터를 획득하는 단계인 것을 특징으로 하는, 방법.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 프로세서에 의해, 상기 복수의 품질 요소 각각에 대응하는 단어와 상기 복수의 키워드 각각 사이의 거리에 기초하여 상기 복수의 품질 요소와 상기 데이터를 연계하는 단계를 더 포함하는 것을 특징으로 하는, 방법.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제 1 항에 있어서,
    상기 프로세서에 의해, 상기 복수의 품질 요소 중 적어도 일부에 대한 시간의 흐름에 따른 상기 품질 속성의 변화를 나타내는 그래프를 제공하는 단계를 더 포함하는 것을 특징으로 하는, 방법.
  10. 빅데이터를 이용한 품질 요인의 분석을 위한 장치에 있어서,
    외부와 통신하도록 구성된 통신 회로;
    사전 데이터베이스를 저장하는 메모리; 및
    상기 통신 회로 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고,
    상기 프로세서는,
    상기 통신 회로를 이용하여 복수의 웹 페이지로부터 수집된 분석 대상에 대한 텍스트로부터 추출된 복수의 키워드를 획득하고,
    상기 사전 데이터베이스를 이용하여 상기 복수의 키워드 각각과 대응되는 상기 분석 대상에 대한 사용자의 감성을 나타내는 감성 데이터를 획득하고,
    상기 분석 대상의 복수의 품질 요소 각각과 연관된 상기 감성 데이터를 분석함으로써 산출되는 상기 복수의 품질 요소 각각에 대한 긍정적 키워드의 빈도 및 부정적 키워드의 빈도에 기초하여 상기 복수의 품질 요소 각각에 대한 품질 대비 소비자 만족도 사이의 관계를 나타내는 품질 속성을 판단하고,
    상기 감성 데이터에 기초하여 상기 복수의 품질 요소 각각에 대한 품질 속성을 나타내는 그래프를 제공하도록 설정되고,
    상기 프로세서는,
    상기 복수의 품질 요소 중 특정 품질 요소에 대한 긍정적 키워드의 빈도가 제1 레벨보다 낮고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 제2 레벨보다 낮으면, 상기 특정 품질 요소의 품질 속성을 무관심 속성으로 판단하고, 상기 특정 품질 요소에 대한 긍정적 키워드의 빈도가 상기 제1 레벨보다 높고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 상기 제2 레벨보다 낮으면, 상기 특정 품질 요소의 품질 속성을 매력적 속성으로 판단하고, 상기 특정 품질 요소에 대한 긍정적 키워드의 빈도가 상기 제1 레벨보다 높고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 상기 제2 레벨보다 높으면, 상기 특정 품질 요소의 품질 속성을 일원적 속성으로 판단하고, 상기 특정 품질 요소에 대한 긍정적 키워드의 빈도가 상기 제1 레벨보다 낮고 상기 특정 품질 요소에 대한 부정적 키워드의 빈도가 상기 제2 레벨보다 높으면, 상기 특정 품질 요소의 품질 속성을 당연적 속성으로 판단하도록 설정되고,
    상기 품질 속성을 나타내는 그래프는,
    상기 복수의 품질 요소 각각에 대한 부정적 키워드의 빈도에 대응하는 가로축, 상기 복수의 품질 요소 각각에 대한 긍정적 키워드의 빈도에 대응하는 세로축 및 상기 복수의 품질 요소 각각에 대한 품질 속성에 대응하는 복수의 오브젝트를 포함하고, 상기 복수의 품질 요소 각각과 상기 매력적 속성, 상기 일원적 속성, 상기 무관심 속성 또는 상기 당연적 속성 사이의 관련도를 표현하는 것을 특징으로 하는, 장치.
KR1020190113063A 2019-09-11 2019-09-11 빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법 KR102250804B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190113063A KR102250804B1 (ko) 2019-09-11 2019-09-11 빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190113063A KR102250804B1 (ko) 2019-09-11 2019-09-11 빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210031292A KR20210031292A (ko) 2021-03-19
KR102250804B1 true KR102250804B1 (ko) 2021-05-11

Family

ID=75261960

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190113063A KR102250804B1 (ko) 2019-09-11 2019-09-11 빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102250804B1 (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120108095A (ko) 2011-03-23 2012-10-05 김병훈 소셜 데이터 분석 시스템
KR20140050217A (ko) * 2012-10-18 2014-04-29 에스케이플래닛 주식회사 키워드 연관 관계 시각화 제공 시스템 및 방법과, 이를 지원하는 장치
KR20190023722A (ko) * 2017-08-30 2019-03-08 한국과학기술원 소셜 빅데이터 기반 감성 분석 키워드 확장 장치 및 방법
KR20190064312A (ko) 2017-11-30 2019-06-10 삼성에스디에스 주식회사 감성 분석 방법 및 그 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
곽민정 외 2, 호텔 서비스 속성별 고객만족도 분석을 위한 온라인 리뷰 감성분석, 관광경영연구 제23권 제4호, pp. 1~25, 2019.07.*
이상근 외 2, KANO 모델을 활용한 스마트폰의 만족 및 불만족 요인 분석, 정보시스템연구 제20권 제3호, pp. 257-277, 2011.09.*

Also Published As

Publication number Publication date
KR20210031292A (ko) 2021-03-19

Similar Documents

Publication Publication Date Title
US10592737B2 (en) Mathematical formula learner support system
US9299028B2 (en) Identifying suggestive intent in social posts
US9483462B2 (en) Generating training data for disambiguation
US10223442B2 (en) Prioritizing survey text responses
US10949753B2 (en) Causal modeling and attribution
JP6998680B2 (ja) 対話型業務支援システムおよび対話型業務支援プログラム
US10141006B1 (en) Artificial intelligence system for improving accessibility of digitized speech
WO2016085409A1 (en) A method and system for sentiment classification and emotion classification
US11762926B2 (en) Recommending web API's and associated endpoints
CN110929038A (zh) 基于知识图谱的实体链接方法、装置、设备和存储介质
US8731930B2 (en) Contextual voice query dilation to improve spoken web searching
US10242033B2 (en) Extrapolative search techniques
CN110287405B (zh) 情感分析的方法、装置和存储介质
US11651039B1 (en) System, method, and user interface for a search engine based on multi-document summarization
Anh et al. Extracting user requirements from online reviews for product design: A supportive framework for designers
US11361759B2 (en) Methods and systems for automatic generation and convergence of keywords and/or keyphrases from a media
KR101727686B1 (ko) 시맨틱 엔티티 토픽 추출 방법
KR102250804B1 (ko) 빅데이터를 이용한 품질 요인의 분석을 위한 장치 및 방법
CN111046168A (zh) 用于生成专利概述信息的方法、装置、电子设备和介质
KR20090126862A (ko) 자연어 처리를 이용한 감성 정보 분석 시스템 및 방법,자연어 처리를 이용한 감성 정보 분석 방법을 컴퓨터에서실행하기 위한 프로그램을 저장한 기록매체
CN106802887A (zh) 分词处理方法及装置、电子设备
KR102239225B1 (ko) 워드 클라우드의 시각화를 위한 장치 및 방법
CN112541069A (zh) 一种结合关键词的文本匹配方法、系统、终端及存储介质
KR102225128B1 (ko) 감성 측정을 이용한 키워드의 분석 장치 및 방법
US11960522B2 (en) Information management system for database construction

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant