KR102322845B1 - 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 - Google Patents

인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102322845B1
KR102322845B1 KR1020210093057A KR20210093057A KR102322845B1 KR 102322845 B1 KR102322845 B1 KR 102322845B1 KR 1020210093057 A KR1020210093057 A KR 1020210093057A KR 20210093057 A KR20210093057 A KR 20210093057A KR 102322845 B1 KR102322845 B1 KR 102322845B1
Authority
KR
South Korea
Prior art keywords
product
sales
period
marketing strategy
brand
Prior art date
Application number
KR1020210093057A
Other languages
English (en)
Inventor
김마태
김수환
공경섭
이학준
구현수
Original Assignee
(주)그래코퍼레이션
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 (주)그래코퍼레이션 filed Critical (주)그래코퍼레이션
Priority to KR1020210093057A priority Critical patent/KR102322845B1/ko
Application granted granted Critical
Publication of KR102322845B1 publication Critical patent/KR102322845B1/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
    • 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
    • G06Q10/06—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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능을 기반으로 브랜드 마케팅 전략을 도출하는 방법에 있어서, 제1 브랜드로 판매되는 제1 상품에 대한 판매 자료를 수집하는 단계; 상기 판매 자료가 미리 설정된 제1 기간 동안 수집되면, 상기 제1 기간 동안 수집된 판매 자료를 기반으로, 상기 제1 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제1 판매 지표를 산출하는 단계; 상기 판매 자료가 상기 제1 기간 이후의 제2 기간 동안 수집되면, 상기 제2 기간 동안 수집된 판매 자료를 기반으로, 상기 제2 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제2 판매 지표를 산출하는 단계; 상기 제1 판매 지표 및 상기 제2 판매 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 상품에 대한 판매 변동 추세를 나타내는 제1 트렌드를 분석하는 단계; 상기 제1 트렌드에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 브랜드에 대한 마케팅 전략인 제1-1 마케팅 전략을 생성하는 단계; 및 상기 제1-1 마케팅 전략을 관리자 단말로 제공하는 단계를 포함하는, 인공지능 기반 브랜드 마케팅 전략 도출 방법이 제공된다.

Description

인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR DERIVING BRAND MARKETING STRATEGY BASED ON ARTIFICIAL INTELLIGENCE}
아래 실시예들은 인공지능을 기반으로 브랜드 마케팅 전략을 도출하기 위한 기술에 관한 것이다.
브랜드는 특정 상품을 식별하는데 사용되는 명칭, 기호, 디자인 등을 총칭하며, 말로써 표현할 수 있는 것을 브랜드명, 말로써 표현할 수 없는 기호, 디자인, 레터링 등을 브랜드 마크라고 한다.
상표를 판매하는 업체에서 자사 제품에 브랜드를 부여하는 것은, 그것을 경쟁 상대의 제품과 명확히 구별하기 위해서이지만 그것은 소비자의 상표 충성도(brand loyalty)의 존재와 무관하지 않다. 브랜드 로열티는 브랜드 선택에 있어 소비자가 어느 특정한 브랜드에 대해 갖는 호의적인 태도, 그에 따른 같은 브랜드의 반복적 구매 성향을 보여 구매빈도가 높고 그 품질을 사전에 확인할 수 없는 제품일수록 그러한 경향이 높다.
이에 따라, 어떠한 브랜드에 대한 지명도가 높은 경우, 그 브랜드와 관련이 있는 신제품을 도입할 때 동일한 브랜드를 사용하면 각 제품의 판매촉진활동이 하나의 브랜드 아래에서 상승 효과를 가져올 수 있다.
따라서, 브랜드의 마케팅 전략을 세우고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.
대한민국 공개특허 제10-2021-0001243호(2021.01.06. 공개) 대한민국 공개특허 제10-2019-0016404호(2019.02.18. 공개) 대한민국 공개특허 제10-2014-0115525호(2014.10.01. 공개) 대한민국 공개특허 제10-2011-0069346호(2011.06.23. 공개)
일실시예에 따르면, 제1 기간 동안 수집된 판매 자료를 기반으로, 제1 판매 지표를 산출하고, 제2 기간 동안 수집된 판매 자료를 기반으로, 제2 판매 지표를 산출하고, 제1 판매 지표 및 제2 판매 지표를 비교하여, 제1 트렌드를 분석하고, 제1 트렌드에 대한 분석 결과를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 기초로, 제1-1 마케팅 전략을 생성하여 제공하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 장치에 의해 수행되는, 인공지능을 기반으로 브랜드 마케팅 전략을 도출하는 방법에 있어서, 제1 브랜드로 판매되는 제1 상품에 대한 판매 자료를 수집하는 단계; 상기 판매 자료가 미리 설정된 제1 기간 동안 수집되면, 상기 제1 기간 동안 수집된 판매 자료를 기반으로, 상기 제1 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제1 판매 지표를 산출하는 단계; 상기 판매 자료가 상기 제1 기간 이후의 제2 기간 동안 수집되면, 상기 제2 기간 동안 수집된 판매 자료를 기반으로, 상기 제2 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제2 판매 지표를 산출하는 단계; 상기 제1 판매 지표 및 상기 제2 판매 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 상품에 대한 판매 변동 추세를 나타내는 제1 트렌드를 분석하는 단계; 상기 제1 트렌드에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 브랜드에 대한 마케팅 전략인 제1-1 마케팅 전략을 생성하는 단계; 및 상기 제1-1 마케팅 전략을 관리자 단말로 제공하는 단계를 포함하는, 인공지능 기반 브랜드 마케팅 전략 도출 방법이 제공된다.
상기 인공지능 기반 브랜드 마케팅 전략 도출 방법은, 사용자들의 SNS 상에 업로드된 게시물 중 상기 제1 상품에 대한 게시 자료를 수집하는 단계; 상기 게시 자료가 상기 제1 기간 동안 수집되면, 상기 제1 기간 동안 수집된 게시 자료를 기반으로, 상기 제1 기간에 대한 상기 제1 상품의 소비자 반응 지수를 나타내는 제1 반응 지표를 산출하는 단계; 상기 게시 자료가 상기 제2 기간 동안 수집되면, 상기 제2 기간 동안 수집된 게시 자료를 기반으로, 상기 제2 기간에 대한 상기 제1 상품의 소비자 반응 지수를 나타내는 제2 반응 지표를 산출하는 단계; 상기 제1 반응 지표 및 상기 제2 반응 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 상품에 대한 관심 변동 추세를 나타내는 제2 트렌드를 분석하는 단계; 상기 제2 트렌드에 대한 분석 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 브랜드에 대한 마케팅 전략인 제1-2 마케팅 전략을 생성하는 단계; 및 상기 제1-2 마케팅 전략을 상기 관리자 단말로 제공하는 단계를 더 포함할 수 있다.
상기 인공지능 기반 브랜드 마케팅 전략 도출 방법은, 상기 제1-1 마케팅 전략 및 상기 제1-2 마케팅 전략을 결합하여, 제1-3 마케팅 전략을 도출하는 단계; 상기 제1-3 마케팅 전략을 기초로, 상기 제1 브랜드에 대한 리뉴얼 기획을 추천하는 단계; 상기 리뉴얼 기획을 통해 상기 제1 브랜드가 제2 브랜드로 변경되면, 상기 제2 브랜드로 판매되는 상기 제1 상품에 대한 판매 자료를 수집하는 단계; 상기 판매 자료가 상기 제2 브랜드로 변경된 이후 미리 설정된 제3 기간 동안 수집되면, 상기 제3 기간 동안 수집된 판매 자료를 기반으로, 상기 제3 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제3 판매 지표를 산출하는 단계; 상기 제2 판매 지표 및 상기 제3 판매 지표를 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제1 상품에 대한 판매 변동 추세를 나타내는 제3 트렌드를 분석하는 단계; 상기 제3 트렌드에 대한 분석 결과가 판매 증가로 확인되면, 상기 제1-3 마케팅 전략이 유효한 것으로 판단하는 단계; 상기 제3 트렌드에 대한 분석 결과가 판매 감소로 확인되면, 상기 제1-3 마케팅 전략이 유효하지 않은 것으로 판단하는 단계; 상기 제1-3 마케팅 전략의 유효하지 않은 것으로 판단되면, 상기 제3 트렌드에 대한 분석 결과를 상기 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제2 브랜드에 대한 마케팅 전략인 제2-1 마케팅 전략을 생성하는 단계; 및 상기 제2-1 마케팅 전략을 상기 관리자 단말로 제공하는 단계를 더 포함할 수 있다.
상기 인공지능 기반 브랜드 마케팅 전략 도출 방법은, 상기 제3 기간 동안 수집된 판매 자료를 기반으로, 상기 제3 기간 동안 판매된 상기 제1 상품의 판매 수를 확인하는 단계; 상기 제3 기간 동안 수집된 게시 자료를 기반으로, 상기 제3 기간 동안 게시된 상기 제1 상품의 관심 수를 확인하는 단계; 상기 제1 상품의 판매 수를 상기 제1 상품의 관심 수로 나눈 값을 통해, 상기 제1 상품에 대한 구매 연결 지수를 산출하는 단계; 상기 제1 상품의 구매 연결 지수가 미리 설정된 제1 기준치 보다 낮은지 여부를 확인하는 단계; 상기 제1 상품의 구매 연결 지수가 상기 제1 기준치 보다 낮은 것으로 확인되면, 상기 제1 상품에 대한 관심에 비해 상기 제1 상품에 대한 판매가 저조한 것으로 판단하는 단계; 상기 제1 상품의 구매 연결 지수가 상기 제1 기준치 보다 높은 것으로 확인되면, 상기 제1 상품의 구매 연결 지수가 미리 설정된 제2 기준치 보다 높은지 여부를 확인하는 단계; 상기 제1 상품의 구매 연결 지수가 상기 제2 기준치 보다 높은 것으로 확인되면, 상기 제1 상품에 대한 판매에 비해 상기 제1 상품에 대한 관심이 저조한 것으로 판단하는 단계; 상기 제1 상품의 구매 연결 지수가 상기 제2 기준치 보다 낮은 것으로 확인되면, 상기 제1 상품에 대한 관심과 상기 제1 상품에 대한 판매의 비율이 적절한 것으로 판단하는 단계; 상기 제1 상품에 대한 판매가 저조한 것으로 판단되면, 상기 제1 상품의 가격 인하를 추천하는 마케팅 전략을 상기 관리자 단말로 제공하는 단계; 및 상기 제1 상품에 대한 관심이 저조한 것으로 판단되면, 상기 제1 상품의 홍보를 추천하는 마케팅 전략을 상기 관리자 단말로 제공하는 단계를 더 포함할 수 있다.
상기 인공지능 기반 브랜드 마케팅 전략 도출 방법은, 상기 제1 브랜드를 관리하는 제1 업체의 매출 자료를 수집하는 단계; 상기 매출 자료를 통해 상기 제1 업체의 평균 매출액을 확인하고, 상기 제1 업체의 기본 정보를 통해 상기 제1 업체의 직원 수를 확인하는 단계; 상기 제1 업체의 평균 매출액이 미리 설정된 기준 매출액 보다 적으면서, 상기 제1 업체의 직원 수가 미리 설정된 기준 직원 수 보다 적은 것으로 확인되면, 기본 매출 관리 서비스가 필요한 것으로 판단하여, 가장 저렴한 가격으로 설정된 제1 요금제에 대한 추천 알림 메시지를 상기 관리자 단말로 제공하는 단계; 상기 제1 업체의 평균 매출액이 상기 기준 매출액 보다 많으면서, 상기 제1 업체의 직원 수가 상기 기준 직원 수 보다 적은 것으로 확인되면, 상세 매출 관리 서비스가 필요한 것으로 판단하여, 상기 제1 요금제 보다 비싼 가격으로 설정된 제2 요금제에 대한 추천 알림 메시지를 상기 관리자 단말로 제공하는 단계; 상기 제1 업체의 평균 매출액이 상기 기준 매출액 보다 적으면서, 상기 제1 업체의 직원 수가 상기 기준 직원 수 보다 많은 것으로 확인되면, 상기 기본 매출 관리 서비스 및 급여 관리 서비스가 필요한 것으로 판단하여, 상기 제2 요금제 보다 비싼 가격으로 설정된 제3 요금제에 대한 추천 알림 메시지를 상기 관리자 단말로 제공하는 단계; 및 상기 제1 업체의 평균 매출액이 상기 기준 매출액 보다 많으면서, 상기 제1 업체의 직원 수가 상기 기준 직원 수 보다 많은 것으로 확인되면, 상기 상세 매출 관리 서비스 및 상기 급여 관리 서비스가 필요한 것으로 판단하여, 상기 제3 요금제 보다 비싼 가격으로 설정된 제4 요금제에 대한 추천 알림 메시지를 상기 관리자 단말로 제공하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 제1 기간 동안 수집된 판매 자료를 기반으로, 제1 판매 지표를 산출하고, 제2 기간 동안 수집된 판매 자료를 기반으로, 제2 판매 지표를 산출하고, 제1 판매 지표 및 제2 판매 지표를 비교하여, 제1 트렌드를 분석하고, 제1 트렌드에 대한 분석 결과를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 기초로, 제1-1 마케팅 전략을 생성하여 제공함으로써, 브랜드의 마케팅 전략을 제시할 수 있는 효과가 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 제1-1 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제1-2 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 브랜드 리뉴얼을 통해 변경된 제2 브랜드의 판매 지표를 산출하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 브랜드 리뉴얼 효과에 따라 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 구매 연결 지수를 통해 마케팅 전략을 추천하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 정기 구독 서비스의 요금제를 추천하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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 실시예가 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 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 관리자 단말(100) 및 장치(200)를 포함할 수 있다.
먼저, 관리자 단말(100)과 장치(200)는 통신망을 통해 연결될 수 있으며, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성되어, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
관리자 단말(100)은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.
관리자 단말(100)은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 관리자 단말(100)은 웹 페이지 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.
관리자 단말(100) 각각은 장치(200)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(200)로 접속할 수 있다.
장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 장치(200)는 관리자 단말(100)과 유무선으로 통신하도록 구성될 수 있다.
한편, 설명의 편의를 위해 도 1에서는 관리자 단말(100) 만을 도시하였으나, 단말의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(200)는 브랜드 마케팅 전략을 위한 플랫폼과 빅데이터를 활용하여 소비자 반응, 선호, 동기부여 형상 및 시스템을 구축하는 플랫폼을 제공함으로써, 브랜딩 플랫폼 및 디자인 개발에 도움을 줄 수 있다.
장치(200는 오픈 API를 통해 외부 데이터를 수집하여, 인공지능을 기반으로 상품군을 분류하여, 마케팅 전략을 수집하는 과정을 통해, 마케팅을 추천할 수 있다. 이때, 장치(200)는 수집된 마케팅 전략을 빅데이터로 데이터베이스에 저장할 수 있다.
또한, 장치(200)는 플랫폼을 통해 의견을 수집하여, 인공지능을 기반으로 주제를 분류하여, 키워드를 분석할 수 있으며, 관리자용 리포트를 생성하는 과정을 통해, 마케팅을 추천할 수 있다.
또한, 장치(200)는 판매자별 정보수집 동의로 플랫폼을 통해 데이터가 수집되면, 수집된 데이터를 기초로, 판매 실적, 매출 실적 및 상품 개수를 추출할 수 있으며, 인공지능을 기반으로 추출된 정보에 대한 분석을 진행하여, 실적 리포트를 관리자 단말(100)로 제공할 수 있다. 이때, 실적 리포트는 경쟁사별, 동종업계, 상품군별 및 전체이용자 각각에 대한 실적 리포트를 포함할 수 있다.
일실시예에 따르면, 장치(200)는 상품에 대한 트렌드를 분석하여 상품의 브랜드에 대한 마케팅 전략을 도출할 수 있으며, 도출된 브랜드 마케팅 전략에 대한 정보가 관리자 단말(100)로 제공될 수 있도록 플랫폼을 제공할 수 있다. 여기서, 브랜드 마케팅 전략은 특정 과거 시점부터 현재 시점까지 분석된 상품의 트렌드에 따라, 향후 브랜드를 어떻게 기획하고 리뉴얼하여 상품을 판매할 것인지에 대한 마케팅 전략을 나타내는 정보일 수 있다.
장치(200)는 브랜드 마케팅 전략을 도출하기 위해, 상품의 트렌드를 분석할 수 있으며, 상품의 트렌드 분석 시, 상품의 판매 실적, 소비자 반응 지수 등의 변동 추세에 따라, 상품의 트렌드를 분석할 수 있다.
도 2는 일실시예에 따른 제1-1 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 제1 브랜드로 판매되는 제1 상품에 대한 판매 자료를 수집할 수 있다. 여기서, 제1 상품은 제1 브랜드로 판매되는 특정 상품을 의미할 수 있다. 예를 들어, 제1 브랜드가 “나이키”인 경우, 제1 상품은 “나이키” 브랜드로 판매되는 운동화일 수 있다.
구체적으로, 장치(200)는 장치(200)와 연결된 쇼핑몰 서버(미도시)로부터 온라인 쇼핑몰에서 판매되는 제1 상품에 대한 판매 자료를 수집할 수 있으며, 오프라인 매장에 설치된 복수의 판매자 단말(미도시)로부터 오프라인 매장에서 판매되는 제1 상품에 대한 판매 자료를 수집할 수 있다,
장치(200)는 제1 상품에 대한 판매 자료를 수집하여, 판매처, 판매 일자, 횟수, 가격 등을 통해, 제1 상품에 대한 판매 실적을 분석할 수 있다. 예를 들어, 장치(200)는 제1 상품에 대한 판매 자료를 이용하여, 언제 얼마나 많이 판매되었는지 분석하여, 제1 상품에 대한 판매 실적을 분석할 수 있다.
S202 단계에서, 장치(200)는 제1 기간 동안 제1 상품에 대한 판매 자료가 수집되었는지 여부를 확인할 수 있다. 여기서, 제1 기간은 실시예에 따라 상이하게 설정될 수 있으며, 예를 들어, 제1 기간은 월, 분기, 연도 등 다양하게 설정될 수 있다.
S202 단계에서 제1 기간 동안 판매 자료가 수집되지 않은 것으로 확인되면, S201 단계로 되돌아가, 장치(200)는 제1 상품에 대한 판매 자료를 다시 수집할 수 있다.
S202 단계에서 제1 기간 동안 판매 자료가 수집된 것으로 확인되면, S203 단계에서, 장치(200)는 제1 기간 동안 수집된 판매 자료를 기반으로, 제1 판매 지표를 산출할 수 있다. 여기서, 제1 판매 지표는 제1 기간에 대한 제1 상품의 판매 실적을 나타낼 수 있다.
구체적으로, 제1 기간 동안의 판매 목표량이 설정되어 있는 경우, 장치(200)는 제1 기간 동안 수집된 제1 상품의 판매 자료를 기반으로, 제1 상품의 판매량이 판매 목표량을 얼마나 달성하였는지 여부를 확인할 수 있으며, 판매 목표량을 얼마나 달성하였는지에 대한 비율을 산출하여, 산출된 비율을 제1 판매 지표로 산출할 수 있다.
예를 들어, 제1 기간이 1월이고, 제1 상품의 월 판매 목표량이 100개로 설정되어 있는 경우, 장치(200)는 1월 동안 수집된 제1 상품의 판매 자료를 기반으로, 제1 상품이 120개 판매된 것으로 확인되면, 제1 판매 지표를 1.2 로 산출할 수 있다.
한편, S204 단계에서, 장치(200)는 제2 기간 동안 제1 상품에 대한 판매 자료가 수집되었는지 여부를 확인할 수 있다. 여기서, 제2 기간은 제1 기간이 끝난 이후 시점부터, 상기 제1 기간과 동일한 길이로 설정될 수 있다. 예를 들어, 제1 기간이 1월로 설정되어 있는 경우, 제2 기간은 2월로 설정되고, 제1 기간이 1분기로 설정되어 있는 경우, 제2 기간은 2분기로 설정되고, 제1 기간이 2020년도로 설정되어 있는 경우, 제2 기간은 2021년도로 설정될 수 있다.
S204 단계에서 제2 기간 동안 판매 자료가 수집되지 않은 것으로 확인되면, S201 단계로 되돌아가, 장치(200)는 제1 상품에 대한 판매 자료를 다시 수집할 수 있다.
S204 단계에서 제2 기간 동안 판매 자료가 수집된 것으로 확인되면, S205 단계에서, 장치(200)는 제2 기간 동안 수집된 판매 자료를 기반으로, 제2 판매 지표를 산출할 수 있다. 여기서, 제2 판매 지표는 제2 기간에 대한 제1 상품의 판매 실적을 나타낼 수 있다. 이때, 장치(200)는 제1 판매 지표를 산출하는 방식과 동일한 조건을 적용하여, 제2 판매 지표를 산출할 수 있다.
S206 단계에서, 장치(200)는 제1 판매 지표 및 제2 판매 지표를 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지, 제1 상품에 대한 판매 변동 추세를 나타내는 제1 트렌드를 분석할 수 있다.
구체적으로, 장치(200)는 제1 판매 지표 및 제2 판매 지표를 비교하여, 제1 상품에 대한 판매가 증가 또는 감소되었는지 여부를 확인할 수 있으며, 이를 통해, 제1 상품에 대한 판매 변동 추세를 나타내는 제1 트렌드를 분석할 수 있다.
예를 들어, 제1 판매 지표는 1.2로 산출되어 있고 제2 판매 지표는 1.4로 산출되어 있는 경우, 장치(200)는 제1 판매 지표 및 제2 판매 지표를 비교한 결과, 1.2에서 1.4로 판매 지표가 변경되었으므로, 제1 상품에 대한 판매가 증가된 것을 확인할 수 있다. 이때, 장치(200)는 제1 상품에 대한 판매가 20% 증가한 것을 확인하여, 제1 상품에 대한 판매 변동 추세를 분석할 수 있으며, 분석된 판매 변동 추세를 제1 트렌드로 분석할 수 있다.
S207 단계에서, 장치(200)는 제1 트렌드에 대한 분석 결과를 제1 인공 신경망에 적용할 수 있다.
일실시예에 따르면, 제1 인공 신경망은 제1 트렌드에 대한 분석 결과를 입력 받은 후, 제1 브랜드에 대한 마케팅 전략을 출력하는 알고리즘일 수 있다. 예를 들어, 제1 트렌드에 대한 분석 결과가 20% 증가인 경우, 제1 인공 신경망은 20을 입력으로 받아, 제1 브랜드의 이미지를 강화하는 것을 추천하는 마케팅 전략을 출력할 수 있으며, 제1 트렌드에 대한 분석 결과가 30% 감소인 경우, 제1 인공 신경망은 -30을 입력으로 받아, 제1 브랜드를 리뉴얼하는 것을 추천하는 마케팅 전략을 출력할 수 있다.
S208 단계에서, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제1 브랜드에 대한 마케팅 전략인 제1-1 마케팅 전략을 생성할 수 있다. 여기서, 제1-1 마케팅 전략은 제1 기간의 시작일부터 제2 기간의 종료일까지 분석된 제1 상품의 판매 변동 추세에 따라, 제2 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지에 대한 전략을 포함할 수 있다.
제1 인공 신경망은 제1 트렌드에 대한 분석 결과를 통해, 제1 상품의 판매량을 증가시키기 위해 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지 분석하도록 학습될 수 있다. 제1 인공 신경망은 도 7을 참조하여 후술되는 방법을 통해 학습될 수 있다.
S209 단계에서, 장치(200)는 제1-1 마케팅 전략을 관리자 단말(100)로 제공할 수 있다. 여기서, 관리자 단말(100)은 제1 브랜드를 관리하는 제1 업체의 관리자 계정이 로그인되어 있는 상태이다.
도 3은 일실시예에 따른 제1-2 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 사용자들의 SNS 상에 업로드된 게시물 중 제1 상품에 대한 게시 자료를 수집할 수 있다.
장치(200)는 크롤링(Crawling) 등 다양한 기법을 통해, SNS 상에 업로드된 게시물 중 제1 상품에 대한 게시 자료를 수집할 수 있다.
구체적으로, 장치(200)는 장치(200)와 연결된 복수의 SNS 서버(미도시)로부터 SNS 상에 업로드된 게시물 중 제1 상품에 대한 게시 자료를 수집할 수 있다.
장치(200)는 제1 상품에 대한 게시 자료를 수집하여, 게시처, 게시 일자, 횟수, 추천 수, 공유 수 등을 통해, 제1 상품에 대한 소비자 반응 지수를 분석할 수 있다. 예를 들어, 장치(200)는 제1 상품에 대한 게시 자료를 이용하여, 언제 얼마나 많이 SNS 상에 게시되었는지 분석하여, 제1 상품에 대한 소비자 반응 지수를 분석할 수 있다.
S302 단계에서, 장치(200)는 제1 기간 동안 제1 상품에 대한 게시 자료가 수집되었는지 여부를 확인할 수 있다.
S302 단계에서 제1 기간 동안 게시 자료가 수집되지 않은 것으로 확인되면, S301 단계로 되돌아가, 장치(200)는 제1 상품에 대한 게시 자료를 다시 수집할 수 있다.
S302 단계에서 제1 기간 동안 게시 자료가 수집된 것으로 확인되면, S303 단계에서, 장치(200)는 제1 기간 동안 수집된 게시 자료를 기반으로, 제1 반응 지표를 산출할 수 있다. 여기서, 제1 반응 지표는 제1 기간에 대한 제1 상품의 소비자 반응 지수를 나타낼 수 있다.
구체적으로, 제1 기간 동안의 게시 목표량이 설정되어 있는 경우, 장치(200)는 제1 기간 동안 수집된 제1 상품의 게시 자료를 기반으로, 제1 상품의 게시량이 게시 목표량을 얼마나 달성하였는지 여부를 확인할 수 있으며, 게시 목표량을 얼마나 달성하였는지에 대한 비율을 산출하여, 산출된 비율을 제1 반응 지표로 산출할 수 있다. 이때, 장치(200)는 게시 횟수 뿐만 아니라, 추천 수, 좋아요 수 등을 더 적용하여, 제1 반응 지표를 산출할 수 있다.
예를 들어, 제1 기간이 1월이고, 제1 상품의 월 게시 목표량이 100회로 설정되어 있는 경우, 장치(200)는 제1 기간 동안 수집된 제1 상품의 게시 자료를 기반으로, 제1 상품이 120회 게시된 것으로 확인되면, 제1 상품에 대한 반응 지표를 1.2로 산출할 수 있다.
한편, S304 단계에서, 장치(200)는 제2 기간 동안 제1 상품에 대한 게시 자료가 수집되었는지 여부를 확인할 수 있다.
S304 단계에서 제2 기간 동안 게시 자료가 수집되지 않은 것으로 확인되면, S301 단계로 되돌아가, 장치(200)는 제1 상품에 대한 게시 자료를 다시 수집할 수 있다.
S304 단계에서 제2 기간 동안 게시 자료가 수집된 것으로 확인되면, S305 단계에서, 장치(200)는 제2 기간 동안 수집된 게시 자료를 기반으로, 제2 반응 지표를 산출할 수 있다. 여기서, 제2 반응 지표는 제2 기간에 대한 제1 상품의 소비자 반응 지수를 나타낼 수 있다. 이때, 장치(200)는 제1 반응 지표를 산출하는 방식과 동일한 조건을 적용하여, 제2 반응 지표를 산출할 수 있다.
S306 단계에서, 장치(200)는 제1 반응 지표 및 제2 반응 지표를 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지, 제1 상품에 대한 관심 변동 추세를 나타내는 제2 트렌드를 분석할 수 있다.
구체적으로, 장치(200)는 제1 반응 지표 및 제2 반응 지표를 비교하여, 제1 상품에 대한 관심이 증가 또는 감소되었는지 여부를 확인할 수 있으며, 이를 통해, 제1 상품에 대한 관심 변동 추세를 나타내는 제2 트렌드를 분석할 수 있다.
예를 들어, 제1 반응 지표는 1.2로 산출되어 있고 제2 반응 지표는 1.4로 산출되어 있는 경우, 장치(200)는 제1 반응 지표 및 제2 반응 지표를 비교한 결과, 1.2에서 1.4로 판매 지표가 변경되었으므로, 제1 상품에 대한 관심이 증가된 것을 확인할 수 있다. 이때, 장치(200)는 제1 상품에 대한 관심이 20% 증가한 것을 확인하여, 제1 상품에 대한 관심 변동 추세를 분석할 수 있으며, 분석된 관심 변동 추세를 제2 트렌드로 분석할 수 있다.
S307 단계에서, 장치(200)는 제2 트렌드에 대한 분석 결과를 제2 인공 신경망에 적용할 수 있다.
일실시예에 따르면, 제2 인공 신경망은 제2 트렌드에 대한 분석 결과를 입력 받은 후, 제1 브랜드에 대한 마케팅 전략을 출력하는 알고리즘일 수 있다. 예를 들어, 제2 트렌드에 대한 분석 결과가 20% 증가인 경우, 제2 인공 신경망은 20을 입력으로 받아, 제1 브랜드의 이미지를 강화하는 것을 추천하는 마케팅 전략을 출력할 수 있으며, 제2 트렌드에 대한 분석 결과가 30% 감소인 경우, 제2 인공 신경망은 -30을 입력으로 받아, 제1 브랜드를 리뉴얼하는 것을 추천하는 마케팅 전략을 출력할 수 있다.
S308 단계에서, 장치(200)는 제2 인공 신경망의 출력을 기초로, 제1 브랜드에 대한 마케팅 전략인 제1-2 마케팅 전략을 생성할 수 있다. 여기서, 제1-2 마케팅 전략은 제1 기간의 시작일부터 제2 기간의 종료일까지 분석된 제1 상품의 관심 변동 추세에 따라, 제2 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지에 대한 전략을 포함할 수 있다.
제2 인공 신경망은 제2 트렌드에 대한 분석 결과를 통해, 제1 상품의 판매량을 증가시키기 위해 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지 분석하도록 학습될 수 있다. 제2 인공 신경망은 도 8을 참조하여 후술되는 방법을 통해 학습될 수 있다.
S309 단계에서, 장치(200)는 제1-2 마케팅 전략을 관리자 단말(100)로 제공할 수 있다.
도 4는 일실시예에 따른 브랜드 리뉴얼을 통해 변경된 제2 브랜드의 판매 지표를 산출하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1-1 마케팅 전략 및 제1-2 마케팅 전략을 결합하여, 제1-3 마케팅 전략을 도출할 수 있다.
구체적으로, 장치(200)는 제1-1 마케팅 전략 및 제1-2 마케팅 전략을 비교하여, 동일한 부분만을 추출하여 제1-3 마케팅 전략으로 도출할 수 있다.
예를 들어, 제1-1 마케팅 전략은 제1 브랜드에 대한 리뉴얼을 진행하는 것을 추천하는 전략으로 설정되어 있고, 제1-2 마케팅 전략도 제1 브랜드에 대한 리뉴얼은 진행하는 것을 추천하는 전략으로 설정되어 있는 경우, 장치(200)는 제1-1 마케팅 전략 및 제1-2 마케팅 전략을 비교한 결과, 제1-1 마케팅 전략과 제1-2 마케팅 전략이 동일하므로, 제1 브랜드에 대한 리뉴얼을 진행하는 것을 추천하는 전략을 제1-3 마케팅 전략으로 도출할 수 있다.
S402 단계에서, 장치(200)는 제1-3 마케팅 전략을 기초로, 제1 브랜드에 대한 리뉴얼 기획을 추천할 수 있다. 여기서, 제1 브랜드에 대한 리뉴얼 기획은 제1 브랜드를 리뉴얼하여 제2 브랜드로 변경하는 것을 추천하는 마케팅 전략일 수 있다.
예를 들어, 장치(200)는 제1-3 마케팅 전략을 기초로, 제1 브랜드의 명칭, 기호, 디자인 등을 변경하여, 제1 브랜드에 대한 리뉴얼 기획을 추천할 수 있다. 이때, 장치(200)는 브랜드 전문가의 의견을 취합하여, 제1 상품에 적합한 것으로 판단되는 제1 브랜드의 리뉴얼 기획을 추천할 수 있다.
S403 단계에서, 장치(200)는 제1 브랜드에 대한 리뉴얼 기획을 통해 제1 브랜드가 제2 브랜드로 변경되었는지 여부를 확인할 수 있다.
S403 단계에서 제1 브랜드가 제2 브랜드로 변경되어 제1 상품이 제2 브랜드로 판매되는 것이 확인되면, S404 단계에서, 장치(200)는 제3 기간 동안 제1 상품에 대한 판매 자료가 수집되었는지 여부를 확인할 수 있다. 여기서, 제3 기간은 제1 상품의 브랜드가 제2 브랜드로 변경된 이후 시점부터, 상기 제1 기간과 동일한 길이로 설정될 수 있다.
S405 단계에서 제3 기간 동안 판매 자료가 수집되지 않은 것으로 확인되면, S404 단계로 되돌아가, 장치(200)는 제1 상품에 대한 판매 자료를 다시 수집할 수 있다.
S405 단계에서 제3 기간 동안 판매 자료가 수집된 것으로 확인되면, S406 단계에서, 장치(200)는 제3 기간 동안 수집된 판매 자료를 기반으로, 제3 판매 지표를 산출할 수 있다. 여기서, 제3 판매 지표는 제3 기간에 대한 제1 상품의 판매 실적을 나타낼 수 있다. 이때, 장치(200)는 제1 판매 지표를 산출하는 방식과 동일한 조건을 적용하여, 제3 판매 지표를 산출할 수 있다.
도 5는 일실시예에 따른 브랜드 리뉴얼 효과에 따라 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제2 기간 동안 제1 브랜드로 판매된 제1 상품의 판매 자료를 기반으로, 제2 판매 지표를 산출할 수 있다. 즉, 장치(200)는 제2 기간 동안에 제1 상품이 제1 브랜드로 판매되고 있는 경우, 제2 기간 동안 수집된 판매 자료를 기반으로, 제2 판매 지표를 산출할 수 있다.
S502 단계에서, 장치(200)는 제3 기간 동안 제2 브랜드로 판매된 제1 상품의 판매 자료를 기반으로, 제3 판매 지표를 산출할 수 있다. 즉, 장치(200)는 제3 기간 동안에 제1 상품이 제2 브랜드로 판매되고 있는 경우, 제3 기간 동안 수집된 판매 자료를 기반으로, 제3 판매 지표를 산출할 수 있다.
S503 단계에서, 장치(200)는 제2 판매 지표 및 제3 판매 지표를 비교하여, 제2 기간의 시작일부터 제3 기간의 종료일까지, 제1 상품에 대한 판매 변동 추세를 나타내는 제3 트렌드를 분석할 수 있다. 이때, 장치(200)는 제1 트렌드를 분석하는 방식과 동일한 조건을 적용하여, 제3 트렌드를 분석할 수 있다.
S504 단계에서, 장치(200)는 제3 트렌드에 대한 분석 결과가 판매 증가인지 여부를 확인할 수 있다.
예를 들어, 제3 트렌드에 대한 분석 결과가 20인 경우, 장치(200)는 제1 상품에 대한 판매가 20% 증가한 것으로 분석하여, 제3 트렌드에 대한 분석 결과, 제1 상품에 대한 판매가 증가한 것으로 확인할 수 있다.
또한, 제3 트렌드에 대한 분석 결과가 -30인 경우, 장치(200)는 제1 상품에 대한 판매가 30% 감소한 것으로 분석하여, 제3 트렌드에 대한 분석 결과, 제1 상품에 대한 판매가 감소한 것으로 확인할 수 있다.
S504 단계에서 제3 트렌드에 대한 분석 결과가 판매 증가로 확인되면, S505 단계에서, 장치(200)는 제1-3 마케팅 전략이 유효한 것으로 판단할 수 있다.
즉, 장치(200)는 제1-3 마케팅 전략으로 인해, 제1 브랜드에서 제2 브랜드로 변경하여 제1 상품을 판매한 결과, 제1 상품에 대한 판매가 증가한 것으로 확인되면, 제1-3 마케팅 전략이 유효한 것으로 판단할 수 있다.
S504 단계에서 제3 트렌드에 대한 분석 결과가 판매 감소로 확인되면, S506 단계에서, 장치(200) 제1-3 마케팅 전략이 유효하지 않은 것으로 판단할 수 있다.
즉, 장치(200)는 제1-3 마케팅 전략으로 인해, 제1 브랜드에서 제2 브랜드로 변경하여 제1 상품을 판매한 결과, 제1 상품에 대한 판매가 감소한 것으로 확인되면, 제1-3 마케팅 전략이 유효하지 않아, 새로운 마케팅 전략이 필요한 것으로 판단할 수 있다.
S507 단계에서, 장치(200)는 제3 트렌드에 대한 분석 결과를 제1 인공 신경망에 적용할 수 있다.
S508 단계에서, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제2 브랜드에 대한 마케팅 전략인 제2-1 마케팅 전략을 생성할 수 있다. 여기서, 제2-1 마케팅 전략은 제2 기간의 시작일부터 제3 기간의 종료일까지 분석된 제1 상품의 판매 변동 추세에 따라, 제3 기간 이후에는 제2 브랜드에 대한 마케팅을 어떻게 진행할 것인지에 대한 전략을 포함할 수 있다.
S509 단계에서, 장치(200)는 제2-1 마케팅 전략을 관리자 단말(100)로 제공할 수 있다.
도 6은 일실시예에 따른 구매 연결 지수를 통해 마케팅 전략을 추천하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제3 기간 동안 판매된 제1 상품의 판매 자료를 수집할 수 있다. 이때, 제1 상품은 제3 기간 동안 제2 브랜드로 판매될 수 있다.
S602 단계에서, 장치(200)는 제3 기간 동안 수집된 제1 상품의 판매 자료를 기반으로, 제3 기간 동안 판매된 제1 상품의 판매 수를 확인할 수 있다. 여기서, 제1 상품의 판매 수는 제3 기간 동안 제1 상품이 온라인 쇼핑몰 또는 오프라인 매장을 통해 판매된 횟수를 의미할 수 있다.
S603 단계에서, 장치(200)는 제3 기간 동안 SNS 상에 게시된 제1 상품의 게시 자료를 수집할 수 있다.
S604 단계에서, 장치(200)는 제3 기간 동안 게시된 제1 상품의 게시 자료를 기반으로, 제3 기간 동안 게시된 제1 상품의 관심 수를 확인할 수 있다. 여기서, 제1 상품의 관심 수는 제3 기간 동안 제1 상품에 대한 게시물이 SNS 상에서 게시된 횟수를 의미할 수 있다.
S605 단계에서, 장치(200)는 제1 상품의 판매 수를 제1 상품의 관심 수로 나눈 값을 통해, 제1 상품에 대한 구매 연결 지수를 산출할 수 있다. 예를 들어, 제1 상품의 판매 수가 150이고, 제1 상품의 관심 수가 100인 경우, 장치(200)는 제1 상품의 구매 연결 지수를 1.5로 산출할 수 있다.
S606 단계에서, 장치(200)는 제1 상품의 구매 연결 지수가 제1 기준치 보다 낮은지 여부를 확인할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.
S606 단계에서 제1 상품의 구매 연결 지수가 제1 기준치 보다 낮은 것으로 확인되면, S607 단계에서, 장치(200)는 제1 상품에 대한 관심에 비해 제1 상품에 대한 판매가 저조한 것으로 판단할 수 있다.
예를 들어, 제1 상품의 판매 수가 70이고, 제1 상품의 관심 수가 100인 경우, 제1 상품의 구매 연결 지수가 0.7로 산출될 수 있으며, 장치(200)는 제1 기준치가 0.8로 설정되어 있는 경우, 제1 상품의 구매 연결 지수가 제1 기준치 보다 낮은 것으로 확인하여, 제1 상품에 대한 관심에 비해 제1 상품에 대한 판매가 저조한 것으로 판단할 수 있다.
S608 단계에서, 장치(200)는 제1 상품에 대한 관심에 비해 제1 상품에 대한 판매가 저조한 것으로 판단되면, 제1 상품에 대한 판매를 증가시키기 위해, 제1 상품의 가격 인하를 추천하는 마케팅 전략을 관리자 단말(100)로 제공할 수 있다.
한편, S606 단계에서 제1 상품의 구매 연결 지수가 제1 기준치 보다 높은 것으로 확인되면, S609 단계에서, 장치(200)는 제1 상품의 구매 연결 지수가 제2 기준치 보다 높은지 여부를 확인할 수 있다. 여기서, 제2 기준치는 제1 기준치 보다 높은 값으로 설정될 수 있다.
S609 단계에서 제1 상품의 구매 연결 지수가 제2 기준치 보다 높은 것으로 확인되면, S610 단계에서, 장치(200)는 제1 상품에 대한 판매에 비해 제1 상품에 대한 관심이 저조한 것으로 판단할 수 있다.
예를 들어, 제1 상품의 판매 수가 150이고, 제1 상품의 관심 수가 100인 경우, 제1 상품의 구매 연결 지수가 1.5로 산출될 수 있으며, 장치(200)는 제2 기준치가 1.2로 설정되어 있는 경우, 제1 상품의 구매 연결 지수가 제2 기준치 보다 높은 것으로 확인하여, 제1 상품에 대한 판매에 비해 제1 상품에 대한 관심이 저조한 것으로 판단할 수 있다.
S611 단계에서, 장치(200)는 제1 상품에 대한 판매에 비해 제1 상품에 대한 관심이 저조한 것으로 판단되면, 제1 상품에 대한 관심을 증가시키기 위해, 제1 상품의 홍보를 추천하는 마케팅 전략을 관리자 단말(100)로 제공할 수 있다.
한편, S609 단계에서 제1 상품의 구매 연결 지수가 제2 기준치 보다 낮은 것으로 확인되면, S612 단계에서, 장치(200)는 제1 상품에 대한 관심과 제1 상품에 대한 판매의 비율이 적절한 것으로 판단할 수 있다. 즉, 제1 상품의 판매 수와 제1 상품의 관심 수의 비율이, 제1 기준치와 제2 기준치의 사이에 있는 경우, 제1 상품에 대한 관심과 판매가 적절한 균형을 유지하고 있는 것으로 판단될 수 있으며, 이때, 장치(200)는 제1 상품에 대한 마케팅 전략이 별도로 필요하지 않은 것으로 판단할 수 있다.
도 7은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 제1 인공 신경망은 제1 트렌드에 대한 분석 결과 또는 제3 트렌드에 대한 분석 결과를 입력 받은 후, 제1 브랜드에 대한 마케팅 전략을 출력하는 알고리즘일 수 있다. 제1 인공 신경망의 학습이 이루어지는 장치(200)는 학습된 제1 인공 신경망을 이용하여 마케팅 전략을 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.
먼저, S701 단계에서, 장치(200)는 제1 트렌드에 대한 분석 결과 또는 제3 트렌드에 대한 분석 결과를 기초로 입력을 생성할 수 있다.
구체적으로, 장치(200)는 트렌드에 대한 분석 결과를 통해 산출된 판매 지표에 대한 정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 트렌드에 대한 분석 결과를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S702 단계에서, 장치(200)는 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 트렌드에 대한 분석 결과를 통해 산출된 판매 지표가 음수인 경우, 판매 지표가 작을수록 브랜드 리뉴얼이 필요한 것으로 추천하면 보상값이 높아질 수 있으며, 제2 보상은 트렌드에 대한 분석 결과를 통해 산출된 판매 지표가 양수인 경우, 판매 지표가 클수록 브랜드 유지가 필요한 것으로 추천하면 보상값이 높아질 수 있다.
S703 단계에서, 장치(200)는 제1 인공 신경망으로부터 출력을 획득할 수 있다. 제1 인공 신경망의 출력은 제1 브랜드에 대한 마케팅 전략으로, 제1 트렌드에 대한 분석 결과가 입력된 경우, 제1-1 마케팅 전략이 출력되고, 제3 트렌드에 대한 분석 결과가 입력된 경우, 제1-3 마케팅 전략이 출력될 수 있다. 여기서, 제1-1 마케팅 전략은 제1 기간의 시작일부터 제2 기간의 종료일까지 분석된 제1 상품의 판매 변동 추세에 따라, 제2 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지에 대한 전략을 포함할 수 있으며, 여기서, 제1-3 마케팅 전략은 제2 기간의 시작일부터 제3 기간의 종료일까지 분석된 제1 상품의 판매 변동 추세에 따라, 제3 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지에 대한 전략을 포함할 수 있다.
제1 인공 신경망은 제1 트렌드에 대한 분석 결과를 통해, 제2 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행한 것인지 분석하여, 제1-1 마케팅 전략을 출력할 수 있다.
또한, 제1 인공 신경망은 제3 트렌드에 대한 분석 결과를 통해, 제3 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지 분석하여, 제1-3 마케팅 전략을 출력할 수 있다.
S704 단계에서, 장치(200)는 제1 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.
구체적으로, 장치(200)는 트렌드에 대한 분석 결과를 통해 산출된 판매 지표가 음수인 경우, 판매 지표가 작을수록 브랜드 리뉴얼이 필요한 것으로 추천하면 제1 보상을 많이 수여하고, 트렌드에 대한 분석 결과를 통해 산출된 판매 지표가 양수인 경우, 판매 지표가 클수록 브랜드 유지가 필요한 것으로 추천하면 제2 보상을 많이 수여할 수 있다.
S705 단계에서, 장치(200)는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.
구체적으로, 장치(200)는 제1 인공 신경망이 트렌드에 대한 분석 결과를 통해 브랜드의 마케팅 전략을 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(200)는 상기와 같은 제1 인공 신경망의 학습 과정을 반복함으로써, 제1 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(200)는 제1 트렌드에 대한 분석 결과 또는 제3 트렌드에 대한 분석 결과를 통해, 제1 브랜드에 대한 마케팅 전략을 출력하는 제1 인공 신경망을 학습시킬 수 있다.
즉, 장치(200)는 제1 트렌드에 대한 분석 결과 및 제3 트렌드에 대한 분석 결과를 통해 제1 브랜드에 대한 마케팅 전략을 분석할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.
도 8은 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 제2 인공 신경망은 제2 트렌드에 대한 분석 결과를 입력 받은 후, 제1 브랜드에 대한 마케팅 전략을 출력하는 알고리즘일 수 있다. 제2 인공 신경망의 학습이 이루어지는 장치(200)는 학습된 제2 인공 신경망을 이용하여 마케팅 전략을 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공 신경망이 학습되는 과정을 설명한다.
먼저, S801 단계에서, 장치(200)는 제2 트렌드에 대한 분석 결과 기초로 입력을 생성할 수 있다.
구체적으로, 장치(200)는 트렌드에 대한 분석 결과를 통해 산출된 반응 지표에 대한 정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 트렌드에 대한 분석 결과를 제2 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S802 단계에서, 장치(200)는 제2 인공 신경망에 입력을 적용할 수 있다. 제2 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제2 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 제2 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 트렌드에 대한 분석 결과를 통해 산출된 반응 지표가 음수인 경우, 반응 지표가 작을수록 브랜드 리뉴얼이 필요한 것으로 추천하면 보상값이 높아질 수 있으며, 제2 보상은 트렌드에 대한 분석 결과를 통해 산출된 반응 지표가 양수인 경우, 반응 지표가 클수록 브랜드 유지가 필요한 것으로 추천하면 보상값이 높아질 수 있다.
S803 단계에서, 장치(200)는 제2 인공 신경망으로부터 출력을 획득할 수 있다. 제2 인공 신경망의 출력은 제1 브랜드에 대한 마케팅 전략으로, 제2 트렌드에 대한 분석 결과가 입력된 경우, 제1-2 마케팅 전략이 출력될 수 있다. 여기서, 제1-2 마케팅 전략은 제1 기간의 시작일부터 제2 기간의 종료일까지 분석된 제1 상품의 관심 변동 추세에 따라, 제2 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행할 것인지에 대한 전략을 포함할 수 있다.
제2 인공 신경망은 제2 트렌드에 대한 분석 결과를 통해, 제2 기간 이후에는 제1 브랜드에 대한 마케팅을 어떻게 진행한 것인지 분석하여, 제1-2 마케팅 전략을 출력할 수 있다.
S804 단계에서, 장치(200)는 제2 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.
구체적으로, 장치(200)는 트렌드에 대한 분석 결과를 통해 산출된 반응 지표가 음수인 경우, 반응 지표가 작을수록 브랜드 리뉴얼이 필요한 것으로 추천하면 제1 보상을 많이 수여하고, 트렌드에 대한 분석 결과를 통해 산출된 반응 지표가 양수인 경우, 반응 지표가 클수록 브랜드 유지가 필요한 것으로 추천하면 제2 보상을 많이 수여할 수 있다.
S805 단계에서, 장치(200)는 평가를 기초로 제2 인공 신경망을 갱신할 수 있다.
구체적으로, 장치(200)는 제2 인공 신경망이 트렌드에 대한 분석 결과를 통해 브랜드의 마케팅 전략을 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(200)는 상기와 같은 제2 인공 신경망의 학습 과정을 반복함으로써, 제2 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(200)는 제2 트렌드에 대한 분석 결과를 통해, 제1 브랜드에 대한 마케팅 전략을 출력하는 제2 인공 신경망을 학습시킬 수 있다.
즉, 장치(200)는 제2 트렌드에 대한 분석 결과를 통해 제1 브랜드에 대한 마케팅 전략을 분석할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공 신경망을 학습시킬 수 있다.
도 9는 일실시예에 따른 정기 구독 서비스의 요금제를 추천하는 과정을 설명하기 위한 순서도이다.
도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 업체의 매출 자료를 통해 제1 업체의 평균 매출액을 확인하고, 제1 업체의 기본 정보를 통해 제1 업체의 직원 수를 확인할 수 있다. 여기서, 제1 업체는 제1 브랜드를 관리하고, 제1 브랜드로 판매되는 제1 상품을 출시한 업체이다. 이를 위해, 장치(200)는 제1 업체의 매출 자료를 수집하고, 제1 업체의 기본 정보를 데이터베이스에 저장하여 관리할 수 있다.
예를 들어, 장치(200)는 제1 업체의 매출 자료를 기반으로 제1 업체의 월별 평균 매출액이 얼마인지 확인하고, 정기 구독 서비스의 회원 가입 시 등록된 제1 업체의 기본 정보를 통해 제1 업체의 직원 수가 몇 명인지 확인할 수 있다.
S902 단계에서, 장치(200)는 제1 업체의 평균 매출액이 미리 설정된 기준 매출액 보다 적은지 여부를 확인할 수 있다. 여기서, 기준 매출액은 실시예에 따라 상이하게 설정될 수 있다.
S902 단계에서 제1 업체의 평균 매출액이 기준 매출액 보다 적은 것으로 확인되면, S903 단계에서, 장치(200)는 제1 업체의 직원 수가 미리 설정된 기준 직원 수 보다 적은지 여부를 확인할 수 있다. 여기서, 기준 직원 수는 실시예에 따라 상이하게 설정될 수 있다.
S903 단계에서 제1 업체의 직원 수가 기준 직원 수 보다 적은 것으로 확인되면, S904 단계에서, 장치(200)는 정기 구독 서비스의 요금제 중 가장 저렴한 가격으로 설정된 제1 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
즉, 장치(200)는 제1 업체의 평균 매출액이 기준 매출액 보다 적은 것으로 확인되면, 기본 매출 관리 서비스가 필요한 것으로 판단하고, 제1 업체의 직원 수가 기준 직원 수 보다 적은 것으로 확인되면, 급여 관리 서비스가 필요하지 않은 것으로 판단할 수 있으며, 기본 매출 관리 서비스만 필요한 경우, 제1 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
S903 단계에서 제1 업체의 직원 수가 기준 직원 수 보다 많은 것으로 확인되면, S905 단계에서, 장치(200)는 정기 구독 서비스의 요금제 중 제2 요금제 보다 비싼 가격으로 설정된 제3 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
즉, 장치(200)는 제1 업체의 평균 매출액이 기준 매출액 보다 적은 것으로 확인되면, 기본 매출 관리 서비스가 필요한 것으로 판단하고, 제1 업체의 직원 수가 기준 직원 수 보다 많은 것으로 확인되면, 급여 관리 서비스가 필요한 것으로 판단할 수 있으며, 기본 매출 관리 서비스 및 급여 관리 서비스가 필요한 경우, 제3 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
한편, S902 단계에서 제1 업체의 평균 매출액이 기준 매출액 보다 많은 것으로 확인되면, S906 단계에서, 장치(200)는 제1 업체의 직원 수가 기준 직원 수 보다 적은지 여부를 확인할 수 있다.
S906 단계에서 제1 업체의 직원 수가 기준 직원 수 보다 적은 것으로 확인되면, S907 단계에서, 장치(200)는 정기 구독 서비스의 요금제 중 제1 요금제 보다 비싼 가격으로 설정된 제2 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
즉, 장치(200)는 제1 업체의 평균 매출액이 기준 매출액 보다 많은 것으로 확인되면, 상세 매출 관리 서비스가 필요한 것으로 판단하고, 제1 업체의 직원 수가 기준 직원 수 보다 적은 것으로 확인되면, 급여 관리 서비스가 필요하지 않은 것으로 판단할 수 있으며, 상세 매출 관리 서비스만 필요한 경우, 제2 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
S906 단계에서 제1 업체의 직원 수가 기준 직원 수 보다 많은 것으로 확인되면, S908 단계에서, 장치(200)는 정기 구독 서비스의 요금제 중 제3 요금제 보다 비싼 가격으로 설정된 제4 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
즉, 장치(200)는 제1 업체의 평균 매출액이 기준 매출액 보다 많은 것으로 확인되면, 상세 매출 관리 서비스가 필요한 것으로 판단하고, 제1 업체의 직원 수가 기준 직원 수 보다 많은 것으로 확인되면, 급여 관리 서비스가 필요한 것으로 판단할 수 있으며, 상세 매출 관리 서비스 및 급여 관리 서비스가 필요한 경우, 제4 요금제에 대한 추천 알림 메시지를 관리자 단말(100)로 제공할 수 있다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 9를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 장치에 의해 수행되는, 인공지능을 기반으로 브랜드 마케팅 전략을 도출하는 방법에 있어서,
    제1 브랜드로 판매되는 제1 상품에 대한 판매 자료를 수집하는 단계;
    상기 판매 자료가 미리 설정된 제1 기간 동안 수집되면, 상기 제1 기간 동안 수집된 판매 자료를 기반으로, 상기 제1 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제1 판매 지표를 산출하는 단계;
    상기 판매 자료가 상기 제1 기간 이후의 제2 기간 동안 수집되면, 상기 제2 기간 동안 수집된 판매 자료를 기반으로, 상기 제2 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제2 판매 지표를 산출하는 단계;
    상기 제1 판매 지표 및 상기 제2 판매 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 상품에 대한 판매 변동 추세를 나타내는 제1 트렌드를 분석하는 단계;
    상기 제1 트렌드에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 브랜드에 대한 마케팅 전략인 제1-1 마케팅 전략을 생성하는 단계;
    상기 제1-1 마케팅 전략을 관리자 단말로 제공하는 단계;
    사용자들의 SNS 상에 업로드된 게시물 중 상기 제1 상품에 대한 게시 자료를 수집하는 단계;
    상기 게시 자료가 상기 제1 기간 동안 수집되면, 상기 제1 기간 동안 수집된 게시 자료를 기반으로, 상기 제1 기간에 대한 상기 제1 상품의 소비자 반응 지수를 나타내는 제1 반응 지표를 산출하는 단계;
    상기 게시 자료가 상기 제2 기간 동안 수집되면, 상기 제2 기간 동안 수집된 게시 자료를 기반으로, 상기 제2 기간에 대한 상기 제1 상품의 소비자 반응 지수를 나타내는 제2 반응 지표를 산출하는 단계;
    상기 제1 반응 지표 및 상기 제2 반응 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 상품에 대한 관심 변동 추세를 나타내는 제2 트렌드를 분석하는 단계;
    상기 제2 트렌드에 대한 분석 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 브랜드에 대한 마케팅 전략인 제1-2 마케팅 전략을 생성하는 단계;
    상기 제1-2 마케팅 전략을 상기 관리자 단말로 제공하는 단계;
    상기 제1-1 마케팅 전략 및 상기 제1-2 마케팅 전략을 결합하여, 제1-3 마케팅 전략을 도출하는 단계;
    상기 제1-3 마케팅 전략을 기초로, 상기 제1 브랜드에 대한 리뉴얼 기획을 추천하는 단계;
    상기 리뉴얼 기획을 통해 상기 제1 브랜드가 제2 브랜드로 변경되면, 상기 제2 브랜드로 판매되는 상기 제1 상품에 대한 판매 자료를 수집하는 단계;
    상기 판매 자료가 상기 제2 브랜드로 변경된 이후 미리 설정된 제3 기간 동안 수집되면, 상기 제3 기간 동안 수집된 판매 자료를 기반으로, 상기 제3 기간에 대한 상기 제1 상품의 판매 실적을 나타내는 제3 판매 지표를 산출하는 단계;
    상기 제2 판매 지표 및 상기 제3 판매 지표를 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제1 상품에 대한 판매 변동 추세를 나타내는 제3 트렌드를 분석하는 단계;
    상기 제3 트렌드에 대한 분석 결과가 판매 증가로 확인되면, 상기 제1-3 마케팅 전략이 유효한 것으로 판단하는 단계;
    상기 제3 트렌드에 대한 분석 결과가 판매 감소로 확인되면, 상기 제1-3 마케팅 전략이 유효하지 않은 것으로 판단하는 단계;
    상기 제1-3 마케팅 전략의 유효하지 않은 것으로 판단되면, 상기 제3 트렌드에 대한 분석 결과를 상기 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제2 브랜드에 대한 마케팅 전략인 제2-1 마케팅 전략을 생성하는 단계;
    상기 제2-1 마케팅 전략을 상기 관리자 단말로 제공하는 단계;
    상기 제3 기간 동안 수집된 판매 자료를 기반으로, 상기 제3 기간 동안 판매된 상기 제1 상품의 판매 수를 확인하는 단계;
    상기 제3 기간 동안 수집된 게시 자료를 기반으로, 상기 제3 기간 동안 게시된 상기 제1 상품의 관심 수를 확인하는 단계;
    상기 제1 상품의 판매 수를 상기 제1 상품의 관심 수로 나눈 값을 통해, 상기 제1 상품에 대한 구매 연결 지수를 산출하는 단계;
    상기 제1 상품의 구매 연결 지수가 미리 설정된 제1 기준치 보다 낮은지 여부를 확인하는 단계;
    상기 제1 상품의 구매 연결 지수가 상기 제1 기준치 보다 낮은 것으로 확인되면, 상기 제1 상품에 대한 관심에 비해 상기 제1 상품에 대한 판매가 저조한 것으로 판단하는 단계;
    상기 제1 상품의 구매 연결 지수가 상기 제1 기준치 보다 높은 것으로 확인되면, 상기 제1 상품의 구매 연결 지수가 미리 설정된 제2 기준치 보다 높은지 여부를 확인하는 단계;
    상기 제1 상품의 구매 연결 지수가 상기 제2 기준치 보다 높은 것으로 확인되면, 상기 제1 상품에 대한 판매에 비해 상기 제1 상품에 대한 관심이 저조한 것으로 판단하는 단계;
    상기 제1 상품의 구매 연결 지수가 상기 제2 기준치 보다 낮은 것으로 확인되면, 상기 제1 상품에 대한 관심과 상기 제1 상품에 대한 판매의 비율이 적절한 것으로 판단하는 단계;
    상기 제1 상품에 대한 판매가 저조한 것으로 판단되면, 상기 제1 상품의 가격 인하를 추천하는 마케팅 전략을 상기 관리자 단말로 제공하는 단계; 및
    상기 제1 상품에 대한 관심이 저조한 것으로 판단되면, 상기 제1 상품의 홍보를 추천하는 마케팅 전략을 상기 관리자 단말로 제공하는 단계를 포함하는,
    인공지능 기반 브랜드 마케팅 전략 도출 방법.
  2. 삭제
  3. 삭제
KR1020210093057A 2021-07-15 2021-07-15 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 KR102322845B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210093057A KR102322845B1 (ko) 2021-07-15 2021-07-15 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210093057A KR102322845B1 (ko) 2021-07-15 2021-07-15 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102322845B1 true KR102322845B1 (ko) 2021-11-05

Family

ID=78507741

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210093057A KR102322845B1 (ko) 2021-07-15 2021-07-15 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102322845B1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102418002B1 (ko) * 2021-12-31 2022-07-06 블로인파트너스 주식회사 인공지능 기반 복수 주체의 참여형 제품 생산 및 판매 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102421684B1 (ko) * 2022-05-03 2022-07-14 이명수 인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템
KR102474974B1 (ko) 2022-04-07 2022-12-06 주식회사 비스콥 인공지능 기반 브랜드 분석 방법, 장치 및 시스템
KR102484253B1 (ko) * 2022-03-22 2023-01-04 주식회사 크리앤서 온라인 마케팅 방법 추천 서비스 제공 장치 및 방법
KR102490914B1 (ko) * 2022-07-29 2023-01-20 (주)제이커브인터렉티브 셀링능력 평가시스템
KR102536063B1 (ko) * 2023-01-19 2023-05-30 주식회사 이루다컴 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법, 장치 및 시스템
KR102587038B1 (ko) * 2022-11-04 2023-10-10 주식회사 백년친구 인공지능 기반 온라인 커머스 상 경쟁사 판매 제품 가격 모니터링 및 판매 유망 제품 발굴 방법, 장치 및 시스템
CN117078357A (zh) * 2023-10-08 2023-11-17 深圳市焕想科技有限公司 一种基于人工智能的电子商务数据信息处理方法及系统
KR102611326B1 (ko) * 2022-10-04 2023-12-07 주식회사 망고트리 상품 분석에 따른 디자인 생성 시스템
KR102640715B1 (ko) * 2023-12-14 2024-02-23 김수환 기업 맞춤형 특화 ai 모델을 통한 기업 맞춤형 마케팅 전략 예측 및 재고 관리 erp 및 crm 솔루션 제공 방법, 장치 및 시스템

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110069346A (ko) 2009-12-17 2011-06-23 김병한 브랜드 자산 관리 은행
KR20140115525A (ko) 2013-03-21 2014-10-01 한국디자인진흥원 디자인 브랜드 가치평가 및 검사 시스템 및 방법
KR20190016404A (ko) 2017-08-08 2019-02-18 주식회사 비즈니스인사이트 동일군 소비자 대상 o2o 브랜드 융합 마케팅 및 커머스 서비스
KR20190103699A (ko) * 2018-02-28 2019-09-05 조선대학교산학협력단 브랜드 퍼스낼리티 맵을 이용한 브랜드 퍼스낼리티 진단 장치
KR102018888B1 (ko) * 2018-12-17 2019-09-05 주식회사 리틀페이지 온라인 마케팅 전략을 수립하기 위한 인공지능 분석 시스템
KR102045477B1 (ko) * 2018-12-06 2019-11-15 주식회사 인스브룩크 이커머스 플랫폼 평가 시스템
KR102166371B1 (ko) * 2020-05-11 2020-10-15 오한상 IoT 기반의 인공지능 마케팅 장치 및 방법
KR20210001243A (ko) 2019-06-27 2021-01-06 권영식 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110069346A (ko) 2009-12-17 2011-06-23 김병한 브랜드 자산 관리 은행
KR20140115525A (ko) 2013-03-21 2014-10-01 한국디자인진흥원 디자인 브랜드 가치평가 및 검사 시스템 및 방법
KR20190016404A (ko) 2017-08-08 2019-02-18 주식회사 비즈니스인사이트 동일군 소비자 대상 o2o 브랜드 융합 마케팅 및 커머스 서비스
KR20190103699A (ko) * 2018-02-28 2019-09-05 조선대학교산학협력단 브랜드 퍼스낼리티 맵을 이용한 브랜드 퍼스낼리티 진단 장치
KR102045477B1 (ko) * 2018-12-06 2019-11-15 주식회사 인스브룩크 이커머스 플랫폼 평가 시스템
KR102018888B1 (ko) * 2018-12-17 2019-09-05 주식회사 리틀페이지 온라인 마케팅 전략을 수립하기 위한 인공지능 분석 시스템
KR20210001243A (ko) 2019-06-27 2021-01-06 권영식 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템
KR102166371B1 (ko) * 2020-05-11 2020-10-15 오한상 IoT 기반의 인공지능 마케팅 장치 및 방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102418002B1 (ko) * 2021-12-31 2022-07-06 블로인파트너스 주식회사 인공지능 기반 복수 주체의 참여형 제품 생산 및 판매 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102484253B1 (ko) * 2022-03-22 2023-01-04 주식회사 크리앤서 온라인 마케팅 방법 추천 서비스 제공 장치 및 방법
KR102474974B1 (ko) 2022-04-07 2022-12-06 주식회사 비스콥 인공지능 기반 브랜드 분석 방법, 장치 및 시스템
KR102421684B1 (ko) * 2022-05-03 2022-07-14 이명수 인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템
KR102490914B1 (ko) * 2022-07-29 2023-01-20 (주)제이커브인터렉티브 셀링능력 평가시스템
KR102611326B1 (ko) * 2022-10-04 2023-12-07 주식회사 망고트리 상품 분석에 따른 디자인 생성 시스템
KR102587038B1 (ko) * 2022-11-04 2023-10-10 주식회사 백년친구 인공지능 기반 온라인 커머스 상 경쟁사 판매 제품 가격 모니터링 및 판매 유망 제품 발굴 방법, 장치 및 시스템
KR102536063B1 (ko) * 2023-01-19 2023-05-30 주식회사 이루다컴 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법, 장치 및 시스템
CN117078357A (zh) * 2023-10-08 2023-11-17 深圳市焕想科技有限公司 一种基于人工智能的电子商务数据信息处理方法及系统
KR102640715B1 (ko) * 2023-12-14 2024-02-23 김수환 기업 맞춤형 특화 ai 모델을 통한 기업 맞춤형 마케팅 전략 예측 및 재고 관리 erp 및 crm 솔루션 제공 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
KR102322845B1 (ko) 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템
KR102379181B1 (ko) 인공지능 기반 뷰티 사업 기획 및 전략안 도출 방법, 장치 및 시스템
US11694257B2 (en) Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history
Bartosik-Purgat et al. Big data analysis as a source of companies’ competitive advantage: A review
De Cnudde et al. What does your Facebook profile reveal about your creditworthiness? Using alternative data for microfinance
KR102468827B1 (ko) 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템
Cao et al. Customer demand prediction of service-oriented manufacturing incorporating customer satisfaction
KR102298722B1 (ko) 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템
US20140019293A1 (en) Automated Technique For Generating Recommendations Of Potential Supplier Candidates
CN111369344B (zh) 一种动态生成预警规则的方法和装置
US10176442B2 (en) System and method for matching resource capacity with resource needs
Makhijani et al. LORE: a large-scale offer recommendation engine with eligibility and capacity constraints
CN113034168A (zh) 内容项投放方法、装置、计算机设备及存储介质
CN114330837A (zh) 对象处理方法、装置、计算机设备和存储介质
Narbaev et al. A machine learning study to improve the reliability of project cost estimates
Ben Ncir et al. Evolutionary multi-objective customer segmentation approach based on descriptive and predictive behaviour of customers: application to the banking sector
KR102585895B1 (ko) 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템
KR102536063B1 (ko) 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법, 장치 및 시스템
CN116578400A (zh) 多任务数据处理方法和装置
Chashmi et al. Predicting customer turnover using recursive neural networks
JP6298204B1 (ja) 算出装置、算出方法および算出プログラム
JP2019046465A (ja) 提示装置、提示方法および提示プログラム
KR20230081566A (ko) 공간 및 기업 간 행사 매칭 시스템
JP2024511307A (ja) プライバシ主導型ユーザ・データ共有のための認知フレームワーク
Xue et al. Stock market trading rules discovery based on biclustering method

Legal Events

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