KR102349825B1 - 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법, 장치 및 시스템 - Google Patents

Abstract

본 발명의 일 양태는 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점을 산출하는 방법을 개시하고 있다. 상기 방법은, 적어도 하나의 쇼핑몰 회원들의 상품 구매 순서 정보를 획득하는 단계(상기 상품 구매 순서 정보는 특정 상품을 구매한 회원들 중 해당 회원이 상기 특정 상품을 구매한 시간적 순서를 지시하는 정보를 포함함), 상기 상품 구매 순서 정보를 기반으로 적어도 하나의 상품 구매 순위 지표를 산출하는 단계 및 상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 단계를 포함하되, 상기 적어도 하나의 상품 구매 순위 지표는 상품 구매 순위 정규화 값들의 정렬된 세트(set)의 특정 지점을 분할하는 특정 분위점의 상품 구매 순위 정규화 값 및 상기 상품 구매 순위 정규화 값들을 이용하여 산출되는 통계 수치 중 적어도 하나를 포함하고, 상기 특정 분위점은 적어도 하나의 기설정된 값으로 정의되며, 상기 상품 구매 순위 정규화 값들은 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위를 정규화한 값을 포함

Description

전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법, 장치 및 시스템{PRODUCT PURCHASE RECOMMENDATION TIME CALCULATION METHOD FOR MEMBER OF SHOPPING MALL RELATED TO E-COMMERCE, APPARATUS AND SYSTEM USING SAID METHOD}

본 발명은 상품 구매를 추천하는 시점을 산출하는 방법에 관한 것으로, 보다 상세하게는, 구매자의 성향에 맞게 상품을 구매할 수 있도록 최적의 추천 시점을 산출하는 방법에 관한 것이다.

온라인 전자 상거래 웹 페이지(쇼핑몰이라고 부를 수 있음)를 운영하는 과정에서, 쇼핑몰들은 판매를 촉진시키기 위해 특정 상품에 대응하는 최적의 프로모션을 계획한다. 이때, 상품에 대응하는 최적 프로모션은 상품의 구매가 예상되는 회원들을 특정하여, 그에 대응하는 프로모션을 하는 것을 의미한다. 즉, 프로모션의 최적화를 위해서는 특정 상품의 구매 예상 회원들의 개인 정보를 파악할 필요가 있다.

여기서, 파악하고자 하는 개인 정보는 해당 회원의 쇼핑 시점에 대한 성향을 포함한다. 이러한 쇼핑 시점에 대한 성향은 상품을 추천하는 시점을 결정하는데 영향을 미칠 수 있다. 다만, 종래의 회원 개인에 대한 상품 추천은 상품을 구매한 이력을 기반으로 개인이 선호하는 상품을 분석하여 최적의 상품을 추천하는 것에 초점이 맞춰져 있다. 특히, 상품을 카테고리화하여, 특정 카테고리의 상품 내에 하위 카테고리에 속하는 상품을 추천하는 형태를 띈다.

또는, 성향이 유사한 회원들을 그룹화하여, 유사 성향의 회원이 구매한 구매이력을 동일 성향의 회원에 대입하여 다음 구매할 상품으로 추천하는 방식이 존재한다.

하지만, 특정 상품이 개시되고 난 후, 어느 시점에 회원이 해당 상품을 구매하고 싶어하는지, 상품 구매를 선호하는 시점에 대한 연구는 면밀히 이루어지고 있지 않아, 추천 상품이 특정되더라도 해당 상품을 추천했을 때, 구매자가 받아들일 확률이 떨어져 전반적으로 상품 홍보 측면에서 효율성이 떨어지는 문제점이 있다.

상술한 문제점을 해결하기 위한 본 발명의 일 양태에 따른 목적은 상품의 최초 업로드에 후속하여 해당 상품을 구매한 순서 정보를 기반으로 회원의 최적 상품 구매 시점을 산출하여, 그에 맞게 상품을 추천하기 위한 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법을 제공하는 것이다.

상기한 목적을 달성하기 위한 본 발명의 일 양태에 따른, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점을 산출하는 방법은, 적어도 하나의 쇼핑몰 회원들의 상품 구매 순서 정보를 획득하는 단계(상기 상품 구매 순서 정보는 특정 상품을 구매한 회원들 중 해당 회원이 상기 특정 상품을 구매한 시간적 순서를 지시하는 정보를 포함함), 상기 상품 구매 순서 정보를 기반으로 적어도 하나의 상품 구매 순위 지표를 산출하는 단계 및 상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 단계를 포함하되, 상기 적어도 하나의 상품 구매 순위 지표는 상품 구매 순위 정규화 값들의 정렬된 세트(set)의 특정 지점을 분할하는 특정 분위점의 상품 구매 순위 정규화 값 및 상기 상품 구매 순위 정규화 값들을 이용하여 산출되는 통계 수치 중 적어도 하나를 포함하고, 상기 특정 분위점은 적어도 하나의 기설정된 값으로 정의되며, 상기 상품 구매 순위 정규화 값들은 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위를 정규화한 값을 포함할 수 있다.

상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들의 평균값을 포함할 수 있다.

상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들 중 중간 값에 해당하는 제 1 정규화 값을 포함할 수 있다.

상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들 중 (i) 25% 이하 분위 값에 해당하는 제 2 정규화 값 및 (ii) 75% 이상 분위 값에 해당하는 제 3 정규화 값을 포함할 수 있다.

상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들 중 90% 이상 분위 값에 해당하는 제 4 정규화 값을 더 포함할 수 있다.

상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 단계는, 상기 제 2 정규화 값과 기설정된 제 1 기준값과의 비교 결과 및 상기 제 4 정규화 값과 기설정된 제 2 기준값과의 비교 결과를 이용하여 상기 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 단계를 포함할 수 있다.

상기 방법은, 상기 제 2 정규화 값은 제 1 축에, 그리고 상기 제 4 정규화 값은 제 2 축에 배치하여 상기 적어도 하나의 쇼핑몰 회원들의 상기 적어도 하나의 상품 구매 순위 지표를 시각화하는 단계를 더 포함할 수 있다.

상기 적어도 하나의 쇼핑몰 회원들 각각의 상기 적어도 하나의 상품 구매 순위 지표는 상기 제 1 축 및 상기 제 2 축에 의해 생성되는 시각화 공간 상에 하나의 노드(node)로 표현되되, 상기 노드의 크기 및 색상은 해당 쇼핑몰 회원이 구매한 상품의 종류 및 구매 상품의 개수에 대응하여 결정될 수 있다.

상기 시각화 공간 상에서 좌측 하단의 일 영역에 상기 적어도 하나의 상품 구매 순위 지표가 배열된 제 1 클래스(class) 쇼핑몰 회원에 대해서는 상품 추천 시점을 기본 상품 추천 시점보다 빠른 시점으로 산출하고, 상기 시각화 공간 상에서 우측 상단의 일 영역에 상기 적어도 하나의 상품 구매 순위 지표가 배열된 제 2 클래스 쇼핑몰 회원에 대해서는 상품 추천 시점을 상기 기본 상품 추천 시점보다 느린 시점으로 산출할 수 있다.

상기 상품 추천 시점은 상기 적어도 하나의 쇼핑몰에 상품 업로드가 개시된 시점으로부터의 시간 간격으로 정의될 수 있다.

상기 상품 구매 순위 지표는 상품 카테고리 별로 독립적으로 산출되고, 상기 상품 추천 시점은 상기 적어도 하나의 쇼핑몰에 업로드가 개시된 상품의 카테고리에 대응하는 상품 구매 순위 지표를 기반으로 산출될 수 있다.

상기 방법은, 딥 러닝(deep learning) 모델을 이용하여 (i) 최적 상품 구매 순위 지표가 되기 위한, 상기 정렬된 세트를 분할하는 특정 분위의 상품 구매 순위 정규화 값 또는 그에 의해 산출되는 통계 수치, 및 (ii) 상품 추천 시점을 산출하기 위한 기준이 되는 기본 상품 추천 시점 중 적어도 하나를 추론하기 위한 딥 러닝 모델을 학습시키는 단계를 더 포함할 수 있다.

딥 러닝을 위한 학습 데이터 셋은 (i) 상기 특정 분위의 상품 구매 순위 정규화 값 또는 그에 의해 산출되는 통계 수치, 및 (ii) 상기 기본 상품 추천 시점 중 적어도 하나와 상기 상품 추천 시점으로부터 상품 추천 정보의 제공에 후속하여 이루어진 실제 구매 시점까지의 기간 정보를 포함할 수 있다.

상기 상품 추천 시점을 산출하는 단계는, 상기 적어도 하나의 상품 구매 순위 지표를 기반으로 해당 회원의 구매 성향을 리더(leader)형 및 팔로워(follower)형 중 하나로 구분하는 단계 및 상기 구매 성향에 따른 구분에 대응되는 상품 추천 시점으로 상기 상품 추천 시점을 산출하는 단계를 포함하되, 상기 구매 성향에 따른 구분에 대응되는 상품 추천 시점은 기설정된 값일 수 있다.

상기 상품 추천 시점을 산출하는 단계는, 상기 적어도 하나의 상품 구매 순위 지표와 적어도 하나의 기준값과의 비율에 기본 상품 추천 시점을 곱셈 연산함에 의해 상기 상품 추천 시점을 산출하되, 상기 적어도 하나의 상품 구매 순위 지표는 제 1 상품 구매 순위 지표 및 제 2 상품 구매 순위 지표를 포함하며, 상기 제 1 상품 구매 순위 지표와 제 1 기준값은 대응관계를 가지고, 상기 제 2 상품 구매 순위 지표와 제 2 기준값이 대응관계를 가질 수 있다.

상기 제 1 기준값은 상기 제 1 상품 구매 순위 지표의 분위 특정 값에 대응되며, 상기 제 2 기준값은 상기 제 2 상품 구매 순위 지표의 분위 특정 값에 대응될 수 있다.

상기 제 1 기준값은 전체 쇼핑몰 회원의 상기 제 1 상품 구매 순위 지표의 평균값이고, 상기 제 2 기준값은 전체 쇼핑몰 회원의 상기 제 2 상품 구매 순위 지표의 평균값일 수 있다.

상기한 목적을 달성하기 위한 본 발명의 다른 양태에 따른, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점을 산출하는 장치는, 전자상거래와 연관된 복수 개의 쇼핑몰의 적어도 하나의 쇼핑몰 회원들의 상품 구매 순서 정보를 획득하여 저장하는 저장부(상기 상품 구매 순서 정보는 특정 상품을 구매한 회원들 중 해당 회원이 상기 특정 상품을 구매한 시간적 순서를 지시하는 정보를 포함함) 및 상기 상품 구매 순서 정보를 기반으로 적어도 하나의 상품 구매 순위 지표를 산출하고, 상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 프로세서를 포함하되, 상기 적어도 하나의 상품 구매 순위 지표는 상품 구매 순위 정규화 값들의 정렬된 세트(set)의 특정 지점을 분할하는 특정 분위점의 상품 구매 순위 정규화 값 및 상기 상품 구매 순위 정규화 값들을 이용하여 산출되는 통계 수치 중 적어도 하나를 포함하고, 상기 특정 분위점은 적어도 하나의 기설정된 값으로 정의되며, 상기 상품 구매 순위 정규화 값들은 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위를 정규화한 값을 포함할 수 있다.

상기한 목적을 달성하기 위한 본 발명의 또 다른 양태에 따른, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점을 산출하는 시스템은, 전자상거래와 연관된 제 1 쇼핑몰의 상품 구매 회원의 상품 추천 시점 산출 요청을 전송하고 상기 요청에 대응하는 상품 추천 시점 정보를 수신하는 사용자 단말 및 상기 사용자 단말로부터의 상품 추천 시점 산출 요청에 대응하여, 전자상거래와 연관된 적어도 하나의 쇼핑몰 회원들의 상품 구매 순서 정보를 획득하여, 상기 상품 구매 순서 정보를 기반으로 적어도 하나의 상품 구매 순위 지표를 산출하고, 상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 상품 추천 시점 산출 장치를 포함하되, 상기 상품 구매 순서 정보는 특정 상품을 구매한 회원들 중 해당 회원이 상기 특정 상품을 구매한 시간적 순서를 지시하는 정보를 포함하고, 상기 적어도 하나의 상품 구매 순위 지표는 상품 구매 순위 정규화 값들의 정렬된 세트(set)의 특정 지점을 분할하는 특정 분위점의 상품 구매 순위 정규화 값 및 상기 상품 구매 순위 정규화 값들을 이용하여 산출되는 통계 수치 중 적어도 하나를 포함하며, 상기 특정 분위점은 적어도 하나의 기설정된 값으로 정의되고, 상기 상품 구매 순위 정규화 값들은 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위를 정규화한 값을 포함할 수 있다.

본 발명의 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법에 따르면, 회원의 상품 구매 이력을 기반으로 최적의 상품 추천 시점에 맞게 신상품에 대한 프로모션이 이루어지도록 하여, 구매자로 하여금 자신이 원하는 시점에 원하는 상품을 용이하게 구매하도록 지원하고, 쇼핑몰 운영자로 하여금 상품 판매 효율을 제고시키는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 상품 추천 시점 산출 방법이 적용되는 시스템을 개략적으로 나타낸 개념도,
도 2는 본 발명의 일 실시예에 따른 상품 추천 시점 산출 방법을 개략적으로 나타낸 흐름도,
도 3은 특정 회원이 구매한 상품의 구매 순서 정보를 기반으로 순위 정규화 값을 산출하는 과정을 설명하기 위한 테이블,
도 4는 도 3에서 산출된 순위 정규화 값들을 이용하여 구매 회원별로 상품 구매 순위 지표를 산출하는 과정을 설명하기 위한 테이블,
도 5a 내지 도 5c는 본 발명의 일 실시예에 따라 도 3 및 도 4의 과정을 거쳐 산출된 Q25 지표, Q50 지표 및 Q75 지표를 나타낸 그래프,
도 6은 Q25 지표와 Q90 지표를 기반으로 생성된 상품 추천 시점 산출을 위한 시각화 그래프,
도 7은 상품 카테고리에 따라 상품 구매 순위 지표를 독립적으로 산출하는 과정을 설명하기 위한 개념도,
도 8은 최근 구매 상품만 추출하여 상품 구매 순위 지표를 산출하는 과정을 설명하기 위한 개념도,
도 9는 본 발명의 일 실시예에 따른 상품 추천 시점 산출 장치를 개략적으로 나타낸 블록도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.

그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

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

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

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

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

도 1은 본 발명의 일 실시예에 따른 상품 추천 시점 산출 방법이 적용되는 시스템을 개략적으로 나타낸 개념도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 시스템은 쇼핑몰(110-1~110-N), 네트워크(120) 및 상품 추천 시점 산출 장치(130)를 포함할 수 있다.

도 1을 참조하면, 쇼핑몰(110-1~110~N)은 인터넷을 통하여 상품 및/또는 서비스를 판매하는 온라인 쇼핑몰을 의미한다. 즉, 전자상거래와 연관된 쇼핑몰들이다. 쇼핑몰(110-1~110~N)은 특정 URL을 가지고 인터넷 상에서 해당 주소로의 방문자들을 상대로 상품을 판매한다. 쇼핑몰 운영자는 판매된 상품에 대한 금액 중 적어도 일부를 쇼핑몰과 연관된 자신의 계좌를 통해 획득하는 방식으로 쇼핑몰을 운영한다.

도 1에 있어서, 쇼핑몰(110-1~110~N)은 앞서 설명한 바와 같이, 인터넷 상의 특정주소(예컨대, URL)의 웹 페이지, 쇼핑몰과 연관된 정보를 취급하는 서버 또는 쇼핑몰의 운영자의 단말기로써 구현될 수 있다. 단말은 스마트폰, PC 등의 컴퓨팅 디바이스를 포함할 수 있다.

본 발명의 실시예에 따르면, 복수 개의 쇼핑몰(110-1~110-N)은 네트워크(120)를 통해 상품 추천 시점 산출 장치(130)와 연동할 수 있다. 쇼핑몰(110-1~110-N)은 상품을 웹 페이지에 업로드하여, 사용자 단말(미도시)에서 표시될 수 있도록 하고, 쇼핑몰의 이벤트 상품을 홍보하며, 다수의 상품의 판매를 위한 웹 사이트 운영을 수행한다. 이때, 쇼핑몰(110-1~110-N)의 운영자는 특정 상품에 대한 프로모션을 적절히 수행하기 위해, 신상품이 업로드됨에 후속하여 회원들의 사용자 단말로 상품 홍보 또는 추천과 관련된 정보를 제공한다. 특히, 회원들에게 상품 구매 욕구를 극대화시키기 위해, 회원들 각각의 성향에 맞는 상품 추천 시점을 산출하여, 상품 홍보 또는 추천과 관련된 정보를 제공한다. 일 예에서, 복수 개의 쇼핑몰(110-1~110-N)은 상품 추천 시점 산출 장치(130)에 회원별 최적 상품 추천 시점의 산출을 요청하여 이에 대한 응답을 획득하는 것이 바람직하다. 그리고는, 획득된 응답의 내용에 근거하여 적합한 프로모션을 수행함으로써 판매를 촉진시킬 수 있다.

쇼핑몰(110-1~110-N)의 운영자는 쇼핑몰과 관련된 상품의 구매 회원의 최적 상품 추천 시점을 확인하고자 할 때, 자신의 단말을 이용하여 상기 상품 추천 시점 산출 장치(130)로 요청할 수 있다. 이때, 쇼핑몰에서 운영하는 상품 전체에 대해 구매 가능성이 있는 회원들을 추출하여, 해당 회원들의 최적 상품 추천 시점의 추정을 요청할 수도 있고, 개별 상품을 선택하여 특정 개별 상품에 대한 추정을 요청할 수도 있다. 더욱이, 일정한 주기로 구매 가능 회원의 최적 상품 추천 시점에 대한 추정을 원할 때에는 상품 추천 시점 추정 주기를 설정하여 상품 추천 시점 산출 장치(130)로 제공할 수 있다.

한편, 쇼핑몰(110-1~110-N) 운영자는 상기 산출된 최적 상품 추천 시점 정보를 기반으로 최적의 프로모션이 이루어지도록 할 수 있다. 또는, 자동으로 산출된 시점에 신상품의 홍보와 관련된 정보가 구매자의 사용자 단말로 제공될 수 있도록 설정할 수 있다.

네트워크(120)는 쇼핑몰(110-1~110-N)과 상기 상품 추천 시점 산출 장치(130)를 연결하는 통신망으로써, 유선망 및/또는 무선망(인터넷(internet))을 포함할 수 있다.

상품 추천 시점 산출 장치(130)는 쇼핑몰(110-1~110-N) 중 적어도 하나로부터 상품 추천 시점 산출 요청 또는 프로모션의 업데이트와 관련된 요청을 네트워크(120)를 통해 수신하고, 수신된 정보에 기반하여 구매 회원의 최적 상품 추천 시점을 산출하며, 이를 기반으로 해당 상품의 프로모션 정보를 업데이트할 수 있다. 상기 상품 추천 시점 산출 장치(130)는 쇼핑몰 운영자로부터의 요청 없이 쇼핑몰 플랫폼을 관리하는 관리자에 의해 설정된 값 또는 관리자의 명령에 의해 회원의 상품 추천 시점을 산출할 수 있다. 본 명세서 상에서, 상품 추천 시점 산출 장치(130)는 시점 산출 장치, 시점 추정 장치, 서버, 장치로 표현될 수 있다. 다른 예에서, 산출된 시점을 가지고 실제 상품의 프로모션 방향을 결정하고 실행할 수 있기 때문에, 상품 프로모션 장치, 또는 상품 프로모션 업데이트 시점(또는 주기) 산출 장치로 불릴 수 있다.

일 예에서, 상기 상품 추천 시점 산출 장치(130)는 컴퓨팅 장치로 구현될 수 있다. 여기서 말하는 컴퓨터 장치는 서버 급 컴퓨터 단말기로 구현될 수 있다. 상기 컴퓨터 장치는 통상적인 컴퓨터 단말이 가지는 입력 장치, 표시 장치, 네트워킹 장치, 하드디스크, 프로그램을 저장하는 메모리 및 메모리에 저장된 프로그램을 수행시키는 프로세서 등을 구비할 수 있다. 다만, 반드시 서버 급 컴퓨터 단말로 구현되어야 하는 것은 아니다.

상품 상품 추천 시점 산출 장치(130)는 쇼핑몰을 개설하고 운영하는 플랫폼을 배포하고 관리하는 서버이거나 또는 상기 서버와 연동하는 서버일 수 있다. 따라서, 상품 추천 시점 산출 장치(130)는 하나의 쇼핑몰(110-1)과 연관된 정보만을 취급하는 것이 아니라, 다수의 쇼핑몰(110-1~110-N)과 연관된 정보를 취급하고, 빅데이터를 기반으로 다양한 정보를 분석 및 학습할 수 있다. 또한, 사용자(쇼핑몰 운영자 또는 쇼핑몰 플랫폼 관리자)의 요청에 대응하여 구매회원의 최적 상품 추천 시점을 산출하기 위해, 다수의 쇼핑몰(110-1~110-N)의 정보 중 필요한 정보를 수집하여 이를 시점 산출에 활용한다.

상품 추천 시점 산출 장치(130)는 상품을 구매한 회원들의 구매 이력 정보를 획득한다. 이를 기반으로 상품 구매 순서 정보를 나열한 리스트를 생성할 수도 있다. 그리고는, 각각의 회원들의 상품 구매 순서 정보를 추출한다. 상품 구매 순서 정보는 상품을 구매한 회원들 중에 특정 회원이 해당 상품을 구매한 시간적 순서를 지시하는 정보를 포함한다. 즉, 몇 번째로 해당 상품을 구매했는지에 대한 정보를 포함하고 있다. 상품 추천 시점 산출 장치(130)는, 상기 상품 구매 순서 정보를 분석하여, 각각의 회원이 상품 출시로부터 어느정도 시점이 지난 후에, 상품을 구매하는지를 추정한다. 추정 결과는 상품 구매 순위 지표로써 나타낸다. 그리고는, 산출된 상품 구매 순위 지표를 이용하여 해당 회원에 상품 추천 정보를 제공한 시점을 결정한다.

본 발명의 다른 실시예에 따르면, 쇼핑몰(110-1~110-N)과 연관된 단말은 상품 상품 추천 시점 산출 장치(130)에서 제공하는 애플리케이션을 다운로드 받아 애플리케이션을 통해 최적 상품 추천 시점 산출 및 상품 프로모션 업데이트 등을 수행할 수 있다. 즉, 쇼핑몰(110-1~110-N)과 연관된 사용자 단말은 자신이 최적이라고 생각하는 임계값, 상품 추천 시점 산출 주기, 및 기타 시점 추정과 관련된 팩터를 이용하여 최적 상품 추천 시점을 추정하고 상품의 프로모션을 업데이트하는 과정을 단말 내에서 수행할 수 있다. 별도의 서버장치 없이 단말의 프로세서(미도시)가 다운받은 애플리케이션을 실행하면, 최적 상품 추천 시점 추정 및 그에 따른 상품 프로모션이 자동으로 진행되도록 할 수 있다. 상기 단말은 쇼핑몰 운영자의 단말 및/또는 쇼핑몰 구매자의 단말 장치를 포함할 수 있다. 즉, 쇼핑몰 운영자는 신상품이 출시되어 쇼핑몰에 업데이트한 후, 상기 애플리케이션을 통해 산출된 회원들의 최적 상품 구매 추천 시점에 맞게 신상품에 대한 추천/홍보 정보를 자동으로 회원 단말로 제공하도록 사용자 설정을 통해 설정할 수 있다. 쇼핑몰 구매자 역시, 자신에게 제공되는 신상품 추천/홍보 정보가 상기 애플리케이션에 의해 계산된 시점에 맞게 수신되도록 설정해놓을 수 있다.

도 2는 본 발명의 일 실시예에 따른 상품 추천 시점 산출 방법을 개략적으로 나타낸 흐름도이다.

도 2를 참조하면, 장치는 복수의 쇼핑몰로부터 해당 쇼핑몰을 방문하여 상품을 구매한 회원들의 상품 구매 이력 정보를 획득한다(S210). 전술한 바와 같이, 상기 상품 구매 이력 정보에는, 상품을 구매한 순서(또는 순위)에 대한 정보가 포함되어 있을 수 있다.

장치는 상품 구매 이력 정보를 획득하고 나서, 상품 구매 순서 정보를 추출하고, 추출된 상품 구매 순서 정보를 이용하여 상품 구매 순위 지표를 산출한다(S220). 상품 구매 순위 지표는 회원이 상품을 구매한 순위를 정규화한 뒤, 정규화된 값들의 특정 분위값으로 산출될 수 있다. 특정 분위라 함은 전체 정규화된 값들 중 값이 작은 것을 기준으로 하여 정렬했을 때, 몇 번째 값인지를 나타내는 것이라고 해석될 수 있다. 다만, 반드시 작은 수부터 큰 수로 정렬되어야 하는 것은 아니고 반대의 경우도 가능하다. 본 명세서 상에서는, 이를 "Qxx"로 지칭할 수 있다. 이때, "xx"는 특정 분위점을 나타내는 값으로, 백분위를 기준으로 정의되는 값일 수 있다. 예컨대, Q50 지표는 회원이 상품을 구매한 순서를 0 내지 1 비율로 계산한 후, 계산된 값들의 50% 되는 지점의 값, 즉 중간값이 된다. 만약, 이 값이 0.1과 같이 매우 낮은 값이라면, 구매건 중 반은 전체순서 10% 내에 들어있다는 것을 의미한다. 반대로, 이는 나머지 반은 10%보다 늦게 구매한 것을 의미할 수 있다. 장치는, 이와 같이 정규화된 값의 특정 분위값을 복수 개 산출할 수 있다. 특히 의미부여를 위해 하위 특정 분위값과 상위 특정 분위값은 확보하는 것이 바람직하다. 하위 특정 분위값은 해당 회원이 구매한 상품들 중 상대적으로 상품 출시일로부터 이른 시점에 구매한 것을 나타내기 위한 지표로 활용될 수 있고, 상위 특정 분위값은 해당 회원이 구매한 상품들 중 상대적으로 상품 출시일로부터 늦은 시점에 구매한 것을 나타내기 위한 지표로 활용될 수 있다. 그렇기에, 두 지표를 모두 활용한다면, 해당 회원이 주로 구매하는 시점(상품 출시일로부터의 시간)을 보다 정확하게 파악할 수 있다.

장치는, 단계(S220)를 통해 산출된 적어도 하나의 상품 구매 순위 지표를 이용하여 상품 추천 시점을 결정할 수 있다(S230). 장치는 Q25, Q50, Q75 및 Q90 중 적어도 하나를 기설정된 기준값과 비교하여 상품 추천 시점을 산출한다. 또는, 상기 Q25, Q50, Q75 및 Q90를 다른 회원들의 평균 Q25, Q50, Q75 및 Q90과 비교하여 해당 회원의 상품 구매 성향을 결정하고, 결정된 상품 구매 성향에 맞게 상품 추천 또는 상품 프로모션 정보를 해당 회원의 사용자 단말로 제공한다. 이때, 장치에 의해 결정되는 상품 구매 성향은 (i) 신상품이 나오면 빨리 사는 리더(leader)형 구매자, (ii) 늦게 사는 팔로워(trend follower)형 구매자 중 어느 하나로 결정될 수 있다. 또는, 리더형을 세부적으로 구분하여, 리더형 중 상(上)에 해당하는지, 중(中)에 해당하는지, 하(下)에 해당하는지로 구분할 수 있다. 또한, 리더형과 팔로워형 어디에도 속하지 않는 회원을 중도층 회원으로 구분할 수도 있다.

일 예에서, 장치는 홍보/추천 정보를 보낼 대상인 신상품을 선정 및 신상품 선정에 대응하여 상품 추천 시점 산출을 개시할 때, 신상품으로 보이는 대상 상품과 관련하여, 이전에 이미 특정 회원에게 홍보/추천 정보를 보낸 이력이 있는지 확인한다. 확인 후, 동일 상품 또는 유사 상품에 대해 이미 홍보/추천 정보를 보낸 이력이 있다면, 해당 상품과 관련하여, 상품 추천 시점 산출 및 그에 맞는 프로모션을 실행하지 않도록 제어할 수 있다.

도 3은 특정 회원이 구매한 상품의 구매 순서 정보를 기반으로 순위 정규화 값을 산출하는 과정을 설명하기 위한 테이블이다.

도 3을 참조하면, 장치는 회원들의 구매 이력 정보에서 구매 상품의 전체 판매 건수 중 특정 회원이 구매한 순서를 나타내는 정보를 획득한다. 장치는 획득된 상품 구매 순서 정보를 기반으로 특정 회원이 구매한 상품 정보를 전부 또는 일부를 정렬하여 리스트를 생성한다. 회원 A(member_id: 1734975373413478@f)는 상품 32376에 대해 전체 구매 건수 64 건 중 30번째로 구매한 이력을 가지고 있다. 장치는 이와 같은 이력에서 상기 순서를 0 내지 1의 값으로 나타내는 방법을 통해 정규화한다. 정규화된 값은 30/64 = 0.469가 된다.

장치는 위와 같이 회원 A가 구매한 전부 또는 일부 상품에 대해 판매발생한 전체 구매수(max_rnk), 해당 회원이 구매한 순서(mrnk) 및 순위 정규화 값(rank)을 산출하여 리스트(list)를 생성한다. 이는 추후 상품 구매 순위 지표를 산출하는데 사용된다.

도 4는 도 3에서 산출된 순위 정규화 값들을 이용하여 구매 회원별로 상품 구매 순위 지표를 산출하는 과정을 설명하기 위한 테이블이다.

도 4를 참조하면, 장치는 도 3의 방법을 통해 산출된 복수 개의 순위 정규화 값들을 가지고 상품 구매 순위 지표를 산출한다. 이때, 순위 정규화 값의 개수는 해당 회원이 구매한 상품의 수에 대응될 수 있다. 바람직하게는, 구매 상품 전체에 대해 순위 정규화 값을 산출하는 것이 좋으므로, 순위 정규화 값의 수는 구매 상품 수와 동일한 것이 좋다.

장치는 상품 구매 순위 지표를 적어도 하나 이상 산출할 수 있다. 이때, 상품 구매 순위 지표는 복수 개의 순위 정규화 값들로 산출되는 통계값, 또는 특정 분위 지점의 정규화 값으로 산출될 수 있다.

먼저, 장치는 Q50 지표를 산출할 수 있다. Q50 지표는 회원이 구매한 상품에 대응하는 전체 순위 정규화 값들의 중간값을 나타낸다. 이 값이 0.1이라면, 구매건 중 반은 전체순서 10% 안에 들었다는 것을 의미하고, 나머지 반은 전체순서 10%보다 늦게 구매했음을 의미할 수 있다. 즉, 기본적으로 Q50 지표는 0.5가 되는 것이 가장 평균적인 것이라 할 수 있는데, 이 값이 0.1이라는 것은 평균보다는 빠른 구매 타이밍을 잡는 회원이라고 판단할 수 있다. 이와 같이, 각 지표에는 기준값이 존재한다. 그 기준값은 앞서 설명한 바와 같이, Q"50"의 50%, 즉, 0.5가 될 수 있다. 즉, 각 지표의 기준값은 해당 지표가 지시하는 분위점에 대응하는 정규화 값이 될 수 있다. 다만, 반드시 그렇게 되어야만 하는 것은 아니고, 사용자 설정에 따라 0.1, 0.15, 0.2, 0.3, 0.4, 0.6, 0.7, 0.8, 0.9 등이 될 수 있다.

위와 같은 방식으로, 장치는 Q25 지표를 산출할 수 있다. 이는 전체상품의 순위 정규화 값들 중 빠른 것, 즉, 1/4 지점의 작은 값을 갖는 순위 정규화 값일 수 있다. 본 명세서 상에서 분위값은 작은 값으로부터 떨어진 거리를 나타낸다고 정의한다. 다만, 이러한 정의는 사용자 설정에 의해 변경될 수 있다. 만약, Q25가 클 경우, 해당 회원은 신상품이 출시된 후 항상 나중에 구매하는 사람으로 판단될 수 있다. 즉, 트렌드 팔로워로 구분될 수 있다.

장치는, Q75 지표를 산출할 수 있다. 이는 전체 상품의 순위 정규화 값들 중 늦은 것, 즉, 가장 작은 값으로부터 큰 값까지 중 3/4 지점의 값을 갖는 순위 정규화 값일 수 있다. Q75가 작을 경우, 해당 회원은 신상품이 출시된 후 항상 나중에 구매하는 사람으로 판단될 수 있다. 즉, 리더로 구분될 수 있다.

마찬가지로, 장치는 Q90을 산출할 수 있다. 이는 전체상품의 순위 정규화 값들 중 90% 분위점을 나타내며, Q90이 작으면, 장치는 해당 회원을 거의 항상 바로 구매하는 사람이라고 판단할 수 있다.

장치는 트렌드 팔로워로 구분하기 위해 Q75 또는 Q90과 같이, 리더를 구분하기 위한 하위 특정 분위값을 적어도 하나 산출하고, Q25와 같이, 트렌드 팔로워를 구분하기 위한 상위 특정 분위값을 적어도 하나 산출하는 것이 바람직하다. 즉, 리더 또는 트렌드 팔로워, 또는 두 종류에 모두 속하지 않는 사람으로 구분하여, 상품 출시일로부터 어느 시점에 상품 구매를 추천하는 홍보 메시지 또는 추천 상품 정보를 제공할지 결정할 수 있다.

이때, 하위 특정 분위값은 75% 이상의 분위값에 해당하는 순위 정규화 값으로 특정하는 것이 바람직하다. 다만, 반드시 이에 한정되어야 하는 것은 아니고, 70%, 80%, 85%, 90%, 95% 등의 특정 분위값이 사용되어도 무방하다. 바람직하게는, 90% 이상의 분위 값으로 특정하는 것이 좋다.

또한, 상위 특정 분위값은 25% 이하의 분위값에 해당하는 순위 정규화 값으로 특정하는 것이 바람직하다. 다만, 반드시 이에 한정되어야 하는 것은 아니고, 30%, 20%, 15%, 10%, 5% 등의 특정 분위값이 사용되어도 무방하다. 바람직하게는, 10% 이하의 분위 값으로 특정하는 것이 좋다.

도 4를 참조하면, 장치는 회원마다 위와 같은 방식으로, 전체 상품의 갯수(nprod), 전체 순위 정규화 값들의 평균값(avg_rnk), Q25 값(q25_rnk), Q50 값(q50_rnk), Q75 값(q75_rnk), Q95 값(q90_rnk)을 각각 산출하고, 이를 리스트로 생성하여 관리할 수 있다. 또한, 이를 플랫폼 관리자 또는 쇼핑몰 운영자 등에게 제공하여 개인 디바이스에서 디스플레이될 수 있도록 제어할 수 있다.

장치는 도 4의 실시예와 같은 상품 구매 순위 지표 리스트를 기설정된 주기마다 생성하여 관리한다. 또는, 상품 구매가 일정 갯수 누적될 때마다 생성하여 관리할 수 있다.

도 5a 내지 도 5c는 본 발명의 일 실시예에 따라 산출된 Q25 지표, Q50 지표 및 Q75 지표를 나타낸 그래프이다.

도 5a 내지 도 5c를 참조하면, 장치는 앞서 산출한 Q25, Q50, Q75 및 Q90 값들을 기반으로 그래프를 생성할 수 있다. 그리고, 장치는 각각의 지표에 대한 기준값을 미리 설정해 놓고 있을 수 있다. 장치는 산출된 상기 각 지표들과 그에 대응되는 기준값을 비교한다. 그리고는, 비교 결과를 통해 회원의 구매 시점을 산출할 수 있다.

특히, 상위 특정 분위값인 Q25 값을 제 1 기준값과 비교한다. 상기 제 1 기준값은 항상 늦게 사는 사람들(트렌드 팔로워)을 추출하기 위한 것으로, 0.5의 값을 가질 수 있다. 다만, 반드시 0.5일 필요는 없고, 0.5 이상의 값을 갖는 것이 바람직하다. 또는, 회원들 전체의 Q25 값을 산출하고, Q25 값의 하위 5%가 속하는 구간을 특정하는 값을 기준으로 할 수 있다. 이때, 특정 하위 구간은 반드시 5%로 특정할 필요는 없고, 20%, 10%, 7%, 5% 등으로 되어도 무방하다.

한편, 장치는 하위 특정 분위값인 Q90 값을 제 2 기준값과 비교한다. 상기 제 2 기준값은 항상 일찍 사는 사람들(리더)를 추출하기 위한 것으로, 제 1 기준값과 동일하게 0.5의 값을 가질 수 있다. 또는 제 1 기준값과 다르게, 0.5 이하의 어느 하나의 값이 될 수도 있다. 예를 들어, 0.4, 0.3, 0.2, 0.1 등의 값을 가질 수 있다. 또는, 회원들 전체의 Q90 값을 산출하고, Q90값의 상위 5%가 속하는 구간을 특정하는 값을 기준으로 할 수 있다. 이때, 상위 구간은 반드시 5%로 특정할 필요는 없다.

이와 같이, 회원들의 성향이 도출되면, 특정 성향으로의 구분을 가지고, 상품 추천 시점을 결정할 수 있다. 예를 들어, 리더 성향의 회원으로 구분되면, 해당 회원은 상품 출시일로부터 5일이 상품 추천 시점이 될 수 있다. 반대로, 트렌드 팔로워의 경우, 상품 출시일로부터 25일이 되는 시점이 상품 추천 시점이 될 수 있다. 이와 같이, 상품 추천 시점은 상품 구매 성향과 관련된 구분과 대응관계를 가지고 기설정된 값으로 결정될 수 있다. 리더도 트렌드 팔로워도 아닌 경우, 상품 출시일로부터 15일이 되는 시점이 상품 추천 시점이 될 수 있다.

또는, 상기 상품 추천 시점은 각 지표의 값 또는 그의 통계값으로 산출할 수 있다. 예를 들어, 회원의 평균 순위 정규화 값(avg_rnk)이 그대로 상품 추천 시점이 될 수 있다. 평균값은 해당 회원이 모든 상품을 통틀어서 가장 일반적으로 해당 상품을 구매한 순서를 나타내므로, 회원에 적응적으로 그에 맞게 상품 추천이 이루어지도록 평균 순위 정규화 값이 상품 추천 시점으로 활용될 수 있다. 즉, 30의 평균 순위 정규화 값이 도출된 경우, 해당 순위에 도달할 때까지는 홍보/추천 정보를 제공하지 않고, 해당 상품의 29번째 구매자가 발생하는 시점(즉, 30번째 구매자가 되는 시점)을 상품 추천 시점으로 설정하여 홍보/추천 메시지를 제공한다.

다른 예에서, 장치는 순위 정규화 값의 통계값과 기본 상품 추천 시점으로부터의 비율을 이용하여 상품 추천 시점을 산출할 수 있다. 예를 들어, 평균 순위 정규화 값이 0.4인 경우, 0.5를 기준으로 설정된 기본 상품 추천 시점인 15일을 기준으로, 15 x 0.4/0.5 = 12로, 상품 추천 시점을 상품 출시일로부터 12일로 결정할 수 있다. 이때, 상품 추천 시점 및/또는 기본 상품 추천 시점은 상품 출시일(상품 업로드 개시일)로부터의 기간으로 정의될 수 있다.

다른 예에서, Q25 값, Q50 값, Q75 값, Q90 값이 상품 추천 시점으로 활용될 수 있다. 역시, 각 지표의 기본 상품 추천 시점일 기준으로, 해당 지표 값과 기준으로 설정된 값과의 비율을 이용하여 상품 추천 시점을 산출할 수 있다. Q25의 기준값이 0.25이고, 산출 대상 회원의 Q25 값은 0.5이며, 기준 상품 추천 시점일은 20일인 경우, 0.5/0.25 X 20일 = 40일로 상품 추천 시점을 산출할 수 있다.

또 다른 예에서, 장치는 각 지표의 값과 다른 회원들의 해당 지표의 값을 통해 산출되는 통계값과의 비율을 기본 상품 추천 시점에 대입하여 상품 추천 시점을 산출할 수도 있다. 예를 들어, 회원 A의 Q25 값이 0.2이고, 전체 회원들의 Q25 값 평균이 0.4이며, 기본 상품 추천 시점이 20일인 경우, 20일 X 0.2/0.4 = 10일로 회원 A의 상품 추천 시점이 산출될 수 있다.

위와 같이, 다양한 산출 모드로 장치는 상품 추천 시점을 산출할 수 있고, 산출 모드의 선택은 사용자 설정을 통해 설정가능하며, 이는 임의로 변경 가능하다.

도 6은 Q25 지표와 Q90 지표를 기반으로 생성된 상품 추천 시점 산출을 위한 시각화 그래프이다.

도 6을 참조하면, 장치는 Q25 지표와 Q90 지표를 이용하여 시각화를 수행할 수 있다. 다만, 반드시 Q25 지표와 Q90 지표를 이용해야만 하는 것은 아니다. 상위 특정 분위값과 하위 특정 분위값으로 이루어진다면, 다른 지표가 사용되어도 무방하다.

장치는 Q90 지표는 x 축에, Q25 지표를 y 축에 배열하여 다수의 쇼핑몰 회원들의 지표값을 시각화 공간 상에 위치시킬 수 있다. 각 회원의 지표 값은 노드(node)로써 표현되며, 노드는 원, 사각형, 삼각형과 같은 도형으로 표시될 수 있다. 도 6의 실시예에서는 노드가 원으로 표현되는 것을 예시로 한다. 이때, 원의 색상은 해당 회원이 구매한 상품의 종류의 수에 비례할 수 있다. 원의 크기는 상품의 갯수에 비례할 수 있다. 이때, 갯수는 로그(log) 값으로 표현될 수 있다.

한편, 장치는 상품을 일정 갯수 이상 구매한 회원들만 상기 시각화 공간 상에 표시할 수 있다. 그리고, 시각화 공간 상에 표시된 회원들의 배열을 가지고 다양한 기준값을 이용하여 회원들의 구매 성향(시간적 개념 포함)을 구분할 수 있다.

장치는 Q90 값을 제 1 값(예컨대, 0.5)과 비교하고, Q25 값을 제 2 값(예컨대, 0.2)과 비교하여, 제 1 값보다 작은 Q90 값과 제 2 값보다 작은 Q25 값을 갖는 회원들을 리더 성향의 회원들로 구분할 수 있다. 즉, 좌측 하단 영역의 회원들이 리더 성향의 회원이 될 수 있다. 이때, 제 1 값 및 제 2 값은 사용자 설정에 따라 다른 값으로 변경가능하며, 제 1 값과 제 2 값은 복수 개로 분할되어 더 많은 구분 값으로 기능할 수 있다. 이렇게 되면, "리더 성향-상", "리더 성향-중" 및 "리더 성향-하"와 같이 더 세분화된 구분으로 회원들을 나눌 수 있고, 이러한 세분화된 성향에 맞게 기본 상품 추천 시점에 비례하여 구분된 회원들의 상품 추천 시점을 산출함으로써 보다 정밀한 상품 추천 시점을 추정할 수 있다.

한편, 장치는 Q90 값을 제 3 값(예컨대, 0.7)과 비교하고, Q25 값을 제 4 값(예컨대, 0.48)과 비교하여, 제 3 값보다 큰 Q90 값과 제 4 값보다 큰 Q25 값을 갖는 회원들을 트렌드 팔로워 성향의 회원들로 구분할 수 있다. 즉, 우측 상단 영역의 회원들이 팔로워 성향의 회원이 될 수 있다. 팔로워 성향 역시 리더 성향과 마찬가지로 더 많은 기준값에 의해 보다 세분화된 구분으로 나뉠 수 있다.

도 7은 상품 카테고리에 따라 상품 구매 순위 지표를 독립적으로 산출하는 과정을 설명하기 위한 개념도이다.

도 7을 참조하면, 장치는 상품 카테고리를 나누어 구분된 상품 카테고리에 해당하는 상품들을 대상으로 각각 상품 구매 순위 지표를 산출할 수 있다. 회원은 의류에 대해서는 제품이 나오자 마자 구매하는 경향이 있는 반면, 전자제품에 있어서는, 다른 회원의 구매 후기 등을 보고 사는 습관으로 인해, 제품 출시 후 일정 기간을 두고 구매하는 성향을 보일 수 있다. 즉, 카테고리마다 제품 구매 성향은 서로 다른 것이 일반적이다. 전자제품의 경우, 장치가 신상품일 때는 고장 등이 많이 날 수 있기 때문이고, 의류의 경우, 이러한 확률이 덜 하기 때문이다. 장치는 이러한 부분을 고려하여 각 카테고리별로 상품 구매 순위 지표를 산출하고, 상품 추천 시점을 독립적으로 산출할 수 있다.

예를 들어, 의류 카테고리(카테고리 A)에 속하는 복수 개의 상품들(상품 A-1, 상품 A-2, ..., 상품 A-N)을 추출한 후, 추출된 상품에 대해서만 상품 구매 순위 지표(Q25_A, Q50_A, Q75_A, Q90_A, 평균 정규화 값_A)를 산출한다. 그리고는, 의류 카테고리에 대해서 해당 회원이 어떤 성향의 회원인지 구분하고, 구분된 회원의 성향에 맞게 상품 추천 시점을 산출한다. 또한, 전자제품 카테고리(카테고리 B)에 속하는 복수 개의 상품들(상품 B-1, 상품 B-2, ..., 상품 B-N)을 추출한 후, 추출된 상품에 대해서만 상품 구매 순위 지표(Q25_B, Q50_B, Q75_B, Q90_B, 평균 정규화 값_B)를 산출한다. 그리고는, 전자제품 카테고리에 대해서 해당 회원이 어떤 성향의 회원인지 구분하고, 구분된 회원의 성향에 맞게 상품 추천 시점을 산출한다.

그리고는, 신상품으로 게시되는 상품의 카테고리가 의류인 경우, Q25_A, Q50_A, Q75_A, Q90_A, 평균 정규화 값_A 중 적어도 하나의 값에 의해 산출된 상품 추천 시점을 기반으로 상품 추천과 관련된 정보를 해당 회원의 사용자 단말로 제공한다. 반대로, 신규 출시된 상품이 전자제품이면, Q25_B, Q50_B, Q75_B, Q90_B, 및 평균 정규화 값_B 중 적어도 하나의 값에 의해 산출된 상품 추천 시점을 기반으로 상품 추천과 관련된 정보를 해당 회원의 사용자 단말로 제공한다.

카테고리는 의류, 잡화, 화장품, 전자제품, 가구, 식품, 스포츠용품, 생활/건강 용품, 면세품 등으로 구분되고, 이러한 카테고리는 각각 서로 다른 상품 구매 순위 지표 값 산출 및 신규 출시되는 상품을 구분하는데 사용된다.

한편, 위와 같이 카테고리의 구분에 따라 상품 추천 시점 산출 방법(모드)도 다를 수 있다. 예를 들어, 기본이 되는 기본 상품 추천 시점이 달라질 수 있다. 의류는 10일, 전자제품은 20일, 식품은 보다 빠른 주기가 필요하므로 5일 등 각 카테고리에 따라 상기 기본 상품 추천 시점이 달라지는 것이 바람직하다. 이 중에서도, 식품 카테고리의 상품들에 대한 기본 상품 추천 시점이 가장 빠른 것이 좋다.

추가적으로, 카테고리마다 서로 다른 모드의 상품 추천 시점 산출 방법으로 계산될 수 있다. 예를 들어, 의류 카테고리의 상품에 대해서는, 상품 구매 순위 지표에 따라 구분된 회원 성향(예컨대, 리더형, 팔로워형, 중간형)에 따라 기설정된 기본 상품 추천 시점에 대해 특정 비율을 대입하여 상품 추천 시점을 산출하는 모드를 사용하고, 전자제품 카테고리의 상품에 대해서는, 기본 상품 추천 시점을 이용하지 않고 복수의 상품 구매 순위 지표의 값들 중 적어도 하나 또는 그들의 통계값으로 산출하는 모드를 사용할 수 있다. 경우에 따라서는, 회원의 구매 성향에 따라 기본 상품 추천 시점으로부터 일정 기간을 빼거나 더하는 방식으로 상품 추천 시점을 산출할 수도 있다. 이와 같이, 산출 방법을 카테고리마다 다르게 하여, 특정 카테고리에 가장 적합한 방식으로 상품 추천 시점이 결정될 수 있도록 한다.

한편, 기본 상품 추천 시점, 카테고리별 기본 상품 추천 시점, 카테고리별 최적 상품 추천 시점 산출 모드는 인공지능 기반의 딥 러닝 모델(AI based deep learning model)을 통해 학습될 수 있다. 장치는 상기 딥 러닝 모델을 이용하여 기본 상품 추천 시점, 최적 상품 추천 시점 산출 모드, 카테고리별 기본 상품 추천 시점, 카테고리별 최적 상품 추천 시점 산출 모드를 추론할 수 있다. 장치는 이를 위해, 기본 상품 추천 시점 정보, 최적 상품 추천 시점 산출 모드, 카테고리별 기본 상품 추천 시점, 카테고리별 최적 상품 추천 시점 산출 모드 중 적어도 하나를 입력으로, 상기 정보들 중 적어도 하나에 따라 사용자 단말로 상품 추전 정보를 제공함에 후속하여 실제 상품 구매가 이어진 실제 구매 시점 정보(상품 추천 정보 제공 시점부터 실제 구매 시점까지의 기간 정보를 포함함)를 출력으로 연관시켜 하나의 학습 데이터 셋(data set)을 생성할 수 있다. 학습은 상품 추천 정보 제공 시점부터 실제 구매 시점까지의 기간이 짧아지도록 하이퍼 파리미터들 및 가중치들을 변경하면서 반복 학습하는 형태로 이루어질 수 있다.

일 예에서, 카테고리별 기본 상품 추천 시점 및 카테고리별 최적 상품 추천 시점 산출 모드의 학습에는 카테고리 별로 다르게 상품 추천 시점을 산출하여 사용자 단말로 추천 정보를 제공함에 후속하여 실제 상품 구매가 이어진 실제 구매 시점 정보가 하나의 학습 데이터 셋이 되는 것이 바람직하다. 또한, 상품 구매 순위 지표로 어느 특정 분위점을 이용하는 것이 적합한지도 딥 러닝 모델을 통해 추론할 수 있다. 장치는 특정 분위의 상품 구매 순위 지표(예컨대, Q15, Q25, Q35, ... 등)와 상기 지표들 중 어느 하나를 통해 산출된 상품 추천 시점에 의존하여 실제 구매가 이어진 상품 구매 시점 정보를 하나의 학습 데이터 셋으로 생성하여 최적의 지표 또는 최적 지표의 조합을 도출할 수 있다.

도 8은 최근 구매 상품만 추출하여 상품 구매 순위 지표를 산출하는 과정을 설명하기 위한 개념도이다.

도 8을 참조하면, 사람의 성향도 시간이 지남에 따라 변하듯이, 회원의 성향도 시간이 지남에 따라 변할 수 있다. 장치는 상품 구매 이력 정보 중, 현재 시점으로부터 기설정된 기간 이내에 구매한 상품 구매 이력 정보 중 상품 구매 순서 정보를 추출한다. 예를 들어, 구매된 전체 상품 A 내지 Z 중 최근 구매된 W, X, Y, Z 상품에 대한 상품 구매 이력만을 추출하여, 이를 상품 구매 순위 지표 산출 및 그에 따른 상품 추천 시점 산출에 사용할 수 있다.

한편, 결정된 상품 추천 시점으로부터 리마인드 상품 추천 정보를 제공하는 주기도 상품 추천 시점의 계산 방식과 유사하게 회원의 구매 성향에 따라 대응되게 결정될 수 있다.

도 9는 본 발명의 일 실시예에 따른 상품 추천 시점 산출 장치를 개략적으로 나타낸 블록도이다. 도 9에 도시된 바와 같이, 장치는, 통신부(910), 프로세서(920), 메모리(930) 및 입출력 모듈(940)을 포함할 수 있다.

도 9를 참조하면, 통신부(910)는 도 1의 네트워크(120)를 통해 사용자 단말(쇼핑몰 운영자 단말)과 정보를 주고받기 위한 구성요소이다. 통신부(910)는 유선 또는 무선 네트워크와 연관된 통신 장치를 포함한다. 통신부(910)는 안테나를 포함할 수 있다.

프로세서(920)는 통신부(910)를 통해 사용자 단말로부터 수신되는 상품 추천 시점 산출 요청 및 상품 추천 시점 산출과 관련된 정보를 획득하고, 프로그래밍된 바에 따라 상품 추천 시점을 산출하고 적절한 프로모션 방향을 결정하는 구성요소이다. 프로세서(920)는 메모리(930)와 신호선을 통해 연결되어 있으며, 메모리(930)에 저장된 프로그램을 실행한다. 프로세서(920)는 앞서 설명한 바와 같이, 상품 추천 시점 산출의 대상이 되는 회원 및 그와 관련된 상품(특정 카테고리의 상품)을 특정하고, 해당 상품의 구매자의 상품 구매 순위 정보를 정리한 리스트를 생성한다. 생성된 리스트를 기반으로 각 회원들의 상품 구매 순위 정보를 시각화하거나, 상기 상품 구매 순위 정보를 임계값과 비교하여 추천 시점을 산출한다. 그리고는 산출된 상품 추천 시점 및 그에 대응하는 리마인드 주기에 따라 신상품의 상품 추천 또는 홍보와 관련된 정보를 해당 회원의 사용자 단말로 제공한다.

메모리(930)는 프로세서(920)에서 수행해야 할 프로그램들과 연관된 명령어들을 저장하고 있으며, 프로세서(920)에서 요구하는 각종 데이터를 저장하고 있는 저장장치이다. 메모리(930)는 쇼핑몰의 상품 정보, 회원 정보 및 각 회원들의 상품 구매 이력 정보를 저장하고 있을 수 있다. 메모리(930)는 장치 내부의 로컬 메모리 또는 외부의 대용량 데이터베이스로써 구현될 수 있다.

입출력 모듈(940)은 키보드, 마우스와 같은 정보 입력 수단 및 모니터, TV, 터치스크린과 같은 정보 출력 수단을 포함한다. 입출력 모듈(940)은 상품 추천 시점 산출, 프로모션 업데이트와 관련된 각종 설정값들(기본 상품 추천 시점, 산출 모드, 카테고리 구분, 임계값 등)을 변경하고 관련된 내용을 표시하는데 사용된다.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템, 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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 처리요소(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.

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.

실시예들에 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 자기체(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.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 특허청구범위의 범위에 속한다.

Claims (19)

1. 컴퓨팅 장치에 의해 수행되는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점을 산출하는 방법에 있어서,
   적어도 하나의 쇼핑몰 회원들의 상품 구매 순서 정보를 획득하는 단계, 상기 상품 구매 순서 정보는 특정 상품을 구매한 회원들 중 해당 회원이 상기 특정 상품을 구매한 시간적 순서를 지시하는 정보를 포함함;
   상기 상품 구매 순서 정보를 기반으로 적어도 하나의 상품 구매 순위 지표를 산출하는 단계; 및
   상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 단계를 포함하되,
   상기 적어도 하나의 상품 구매 순위 지표는 상품 구매 순위 정규화 값들의 정렬된 세트(set)의 특정 지점을 분할하는 특정 분위점의 상품 구매 순위 정규화 값 및 상기 상품 구매 순위 정규화 값들을 이용하여 산출되는 통계 수치 중 적어도 하나를 포함하고,
   상기 특정 분위점은 적어도 하나의 기설정된 값으로 정의되며,
   상기 상품 구매 순위 정규화 값들은 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위를 정규화한 값을 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
2. 제 1 항에 있어서,
   상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들의 평균값을 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
3. 제 1 항에 있어서,
   상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들 중 중간 값에 해당하는 제 1 정규화 값을 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
4. 제 2 항 또는 제 3 항에 있어서,
   상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들 중 (i) 25% 이하 분위 값에 해당하는 제 2 정규화 값 및 (ii) 75% 이상 분위 값에 해당하는 제 3 정규화 값을 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
5. 제 4 항에 있어서,
   상기 적어도 하나의 상품 구매 순위 지표는, 상기 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위 정규화 값들 중 90% 이상 분위 값에 해당하는 제 4 정규화 값을 더 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
6. 제 5 항에 있어서,
   상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 단계는, 상기 제 2 정규화 값과 기설정된 제 1 기준값과의 비교 결과 및 상기 제 4 정규화 값과 기설정된 제 2 기준값과의 비교 결과를 이용하여 상기 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 단계를 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
7. 제 5 항에 있어서,
   상기 제 2 정규화 값은 제 1 축에, 그리고 상기 제 4 정규화 값은 제 2 축에 배치하여 상기 적어도 하나의 쇼핑몰 회원들의 상기 적어도 하나의 상품 구매 순위 지표를 시각화하는 단계를 더 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
8. 제 7 항에 있어서,
   상기 적어도 하나의 쇼핑몰 회원들 각각의 상기 적어도 하나의 상품 구매 순위 지표는 상기 제 1 축 및 상기 제 2 축에 의해 생성되는 시각화 공간 상에 하나의 노드(node)로 표현되되,
   상기 노드의 크기 및 색상은 해당 쇼핑몰 회원이 구매한 상품의 종류 및 구매 상품의 개수에 대응하여 결정되는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
9. 제 8 항에 있어서,
   상기 시각화 공간 상에서 좌측 하단의 일 영역에 상기 적어도 하나의 상품 구매 순위 지표가 배열된 제 1 클래스(class) 쇼핑몰 회원에 대해서는 상품 추천 시점을 기본 상품 추천 시점보다 빠른 시점으로 산출하고,
   상기 시각화 공간 상에서 우측 상단의 일 영역에 상기 적어도 하나의 상품 구매 순위 지표가 배열된 제 2 클래스 쇼핑몰 회원에 대해서는 상품 추천 시점을 상기 기본 상품 추천 시점보다 느린 시점으로 산출하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
10. 제 1 항에 있어서,
    상기 상품 추천 시점은 상기 적어도 하나의 쇼핑몰에 상품 업로드가 개시된 시점으로부터의 시간 간격으로 정의되는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
11. 제 10 항에 있어서,
    상기 상품 구매 순위 지표는 상품 카테고리 별로 독립적으로 산출되고,
    상기 상품 추천 시점은 상기 적어도 하나의 쇼핑몰에 업로드가 개시된 상품의 카테고리에 대응하는 상품 구매 순위 지표를 기반으로 산출되는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
12. 제 11 항에 있어서,
    딥 러닝(deep learning) 모델을 이용하여 (i) 최적 상품 구매 순위 지표가 되기 위한, 상기 정렬된 세트를 분할하는 특정 분위의 상품 구매 순위 정규화 값 또는 그에 의해 산출되는 통계 수치, 및 (ii) 상품 추천 시점을 산출하기 위한 기준이 되는 기본 상품 추천 시점 중 적어도 하나를 추론하기 위한 딥 러닝 모델을 학습시키는 단계를 더 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
13. 제 12 항에 있어서,
    딥 러닝을 위한 학습 데이터 셋은 (i) 상기 특정 분위의 상품 구매 순위 정규화 값 또는 그에 의해 산출되는 통계 수치, 및 (ii) 상기 기본 상품 추천 시점 중 적어도 하나와 상기 상품 추천 시점으로부터 상품 추천 정보의 제공에 후속하여 이루어진 실제 구매 시점까지의 기간 정보를 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
14. 제 1 항에 있어서, 상기 상품 추천 시점을 산출하는 단계는,
    상기 적어도 하나의 상품 구매 순위 지표를 기반으로 해당 회원의 구매 성향을 리더(leader)형 및 팔로워(follower)형 중 하나로 구분하는 단계; 및
    상기 구매 성향에 따른 구분에 대응되는 상품 추천 시점으로 상기 상품 추천 시점을 산출하는 단계를 포함하되
    상기 구매 성향에 따른 구분에 대응되는 상품 추천 시점은 기설정된 값인, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
15. 제 1 항에 있어서, 상기 상품 추천 시점을 산출하는 단계는,
    상기 적어도 하나의 상품 구매 순위 지표와 적어도 하나의 기준값과의 비율에 기본 상품 추천 시점을 곱셈 연산함에 의해 상기 상품 추천 시점을 산출하되,
    상기 적어도 하나의 상품 구매 순위 지표는 제 1 상품 구매 순위 지표 및 제 2 상품 구매 순위 지표를 포함하며,
    상기 제 1 상품 구매 순위 지표와 제 1 기준값은 대응관계를 가지고,
    상기 제 2 상품 구매 순위 지표와 제 2 기준값이 대응관계를 갖는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
16. 제 15 항에 있어서,
    상기 제 1 기준값은 상기 제 1 상품 구매 순위 지표의 분위 특정 값에 대응되며,
    상기 제 2 기준값은 상기 제 2 상품 구매 순위 지표의 분위 특정 값에 대응되는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
17. 제 15 항에 있어서,
    상기 제 1 기준값은 전체 쇼핑몰 회원의 상기 제 1 상품 구매 순위 지표의 평균값이고,
    상기 제 2 기준값은 전체 쇼핑몰 회원의 상기 제 2 상품 구매 순위 지표의 평균값인, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 방법.
18. 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점을 산출하는 장치에 있어서,
    전자상거래와 연관된 복수 개의 쇼핑몰의 적어도 하나의 쇼핑몰 회원들의 상품 구매 순서 정보를 획득하여 저장하는 저장부, 상기 상품 구매 순서 정보는 특정 상품을 구매한 회원들 중 해당 회원이 상기 특정 상품을 구매한 시간적 순서를 지시하는 정보를 포함함; 및
    상기 상품 구매 순서 정보를 기반으로 적어도 하나의 상품 구매 순위 지표를 산출하고, 상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 프로세서를 포함하되,
    상기 적어도 하나의 상품 구매 순위 지표는 상품 구매 순위 정규화 값들의 정렬된 세트(set)의 특정 지점을 분할하는 특정 분위점의 상품 구매 순위 정규화 값 및 상기 상품 구매 순위 정규화 값들을 이용하여 산출되는 통계 수치 중 적어도 하나를 포함하고,
    상기 특정 분위점은 적어도 하나의 기설정된 값으로 정의되며,
    상기 상품 구매 순위 정규화 값들은 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위를 정규화한 값을 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 장치.
19. 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점을 산출하는 시스템에 있어서,
    전자상거래와 연관된 제 1 쇼핑몰의 상품 구매 회원의 상품 추천 시점 산출 요청을 전송하고 상기 요청에 대응하는 상품 추천 시점 정보를 수신하는 사용자 단말; 및
    상기 사용자 단말로부터의 상품 추천 시점 산출 요청에 대응하여, 전자상거래와 연관된 적어도 하나의 쇼핑몰 회원들의 상품 구매 순서 정보를 획득하여, 상기 상품 구매 순서 정보를 기반으로 적어도 하나의 상품 구매 순위 지표를 산출하고, 상기 적어도 하나의 상품 구매 순위 지표를 기반으로 적어도 하나의 쇼핑몰 회원들의 상품 추천 시점을 산출하는 상품 추천 시점 산출 장치를 포함하되,
    상기 상품 구매 순서 정보는 특정 상품을 구매한 회원들 중 해당 회원이 상기 특정 상품을 구매한 시간적 순서를 지시하는 정보를 포함하고,
    상기 적어도 하나의 상품 구매 순위 지표는 상품 구매 순위 정규화 값들의 정렬된 세트(set)의 특정 지점을 분할하는 특정 분위점의 상품 구매 순위 정규화 값 및 상기 상품 구매 순위 정규화 값들을 이용하여 산출되는 통계 수치 중 적어도 하나를 포함하며,
    상기 특정 분위점은 적어도 하나의 기설정된 값으로 정의되고,
    상기 상품 구매 순위 정규화 값들은 특정 회원이 구매한 복수 개의 상품들 각각의 상품 구매 순위를 정규화한 값을 포함하는, 전자상거래 시스템에서 쇼핑몰 회원의 상품 추천 시점 산출 시스템.
    

Images