KR102365504B1

KR102365504B1 - 고객의 구매 속성을 결정하는 방법 및 장치

Info

Publication number: KR102365504B1
Application number: KR1020190172108A
Authority: KR
Inventors: 진달래; 손혜령; 정해주
Original assignee: 주식회사 엘지씨엔에스
Priority date: 2019-12-20
Filing date: 2019-12-20
Publication date: 2022-02-21
Also published as: KR20210079886A

Abstract

일 실시 예에 따르면, 고객의 구매 속성을 결정하는 방법에 있어서, 1차원 형식으로 표현되는 상기 고객의 구매 히스토리 정보를 수신하는 단계; 상기 구매 히스토리 정보에 포함된 정보의 종류에 기초하여 상기 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정하는 단계; 상기 하나 이상의 기준에 기초하여 상기 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하는 단계; 및 상기 매트릭스 정보에 기초하여 상기 고객의 구매 속성을 결정하는 단계;를 포함하는, 고객의 구매 속성 결정 방법이 제공된다.

Description

고객의 구매 속성을 결정하는 방법 및 장치{A METHOD AND APPARATUS FOR DETERMINING PURCHASE ATTRIBUTE OF CUSTOMER}

본 발명은 고객의 구매 속성을 결정하는 방법 및 장치에 관한 것으로, 더욱 상세하게는, 1차원 형식으로 표현되는 고객의 구매 히스토리 정보를 2차원 형식의 매트릭스 정보로 변환하여 고객의 구매 속성을 위한 데이터 분석에 적용함으로써, 사용자가 자신의 편향에 따라 좋은 변수만 편집하여 넣지 않더라도 수많은 주요 변수들을 데이터 분석에 적용할 수 있고, 수많은 변수들을 생성하는 대신 하나의 매트릭스 정보에 압축하여 저장할 수 있어 변수의 개수가 늘어나더라도 저장 용량의 측면에서 효율적인 효과가 있는 방법 및 장치에 관한 것이다.

종래의 고객 행동 데이터를 분석하여 활용하는 기술은 변수를 추출하여 고객의 상품 선호도로 변환하여 선형 모델에 적합하거나, 머신러닝 모델을 이용하거나, 딥러닝 모델을 이용한다. 선형 모델은 변수간 관계를 단순하게 가정하여 선형으로 모델링할 수밖에 없으며, 머신러닝 모델은 변수 추출 과정에서 많은 작업이 요구되는 단점이 있다. 또한 1차원 딥러닝 모델은 머신러닝 모델보다도 정확도와 효율이 떨어진다는 단점이 있다.

일반적으로 통계학적 변수 생성 및 분석에 용이한 데이터로 여겨지는 정형 데이터라고 할지라도, 변수량이 많고 분석 과제가 복잡할 경우에는 데이터에 대한 특성 공학(feature engineering)이 어떻게 수행되는지가 모델 성능을 크게 좌우하게 된다. 이에, 정형 데이터에서 특성을 추출하여 고객 행동 데이터를 분석하는 머신러닝/딥러닝 모델에 관한 다양한 기술이 개발되고 있다.

일반적으로 고객 행동 데이터에서 특성을 추출하는 경우의 수는 수천에서 수만가지일 수 있으며, 많은 변수가 연속형 변수 또는 서열 척도가 아닌 범주형 변수라는 측면에서 고객의 속성 데이터를 전부 수치화하거나 단순하게 표현하기 어려운 단점이 있으며, 분석을 위한 처리 과정에서 변수 수가 폭증하게 된다.

종래 기술은 매일 조건에 맞는 고객을 추출하여 프로모션을 제공하는 마케팅의 측면에서, 이러한 변수를 매번 다 생성하기는 현실적으로 어려우며, 매일 변동하는 고객의 상태를 저장하는 것도 사실상 불가능하다는 한계가 있다. 이를 해결하기 위한 방법으로, 종래 기술은 폭증되는 변수들 중 일부만 선별하거나, 데이터 업데이트를 긴 주기로 하 특성을 추출하는 방식을 이용하지만, 이러한 방식은 분석가의 직관, 상식, 편향 등이 반영될 수밖에 없는 구조이기 때문에, 결과적으로 제한적인 정보만을 이용하게 되어, 결과의 정확성이 떨어지는 단점이 있다.

이에, 고객의 생활 및 구매 패턴을 분석하기 위한 고객 행동 데이터를 최대한 편집하지 않고 전처리한 대량의 변수들을 분석에 반영하여 좋은 학습 결과를 얻을 수 있으면서 동시에 높은 저장성 및 압축성을 구현할 수 있는 기술에 대한 수요가 꾸준히 증가하고 있다.

한국공개특허 제10-2017-0096298호는 컨볼루션 신경망 기반의 영상 패턴화를 이용한 딥러닝 시스템 및 이를 이용한 영상 학습방법에 관한 것으로, 입력 영상을 입력하는 영상 입력부; 영상 입력부로부터 받은 입력 영상을 패턴화된 다수의 패턴 영상으로 생성하는 패턴화 모듈; 영상 입력부로부터 받은 입력 영상과 패턴화 모듈로부터 수신 받은 패턴 영상을 학습시키는 컨볼루션 신경망(CNN: Convolution Neural Network)을 기반으로 하는 CNN 학습부; 상기 CNN 학습부로부터 학습정보와 상기 영상 입력부로부터 받은 입력 영상을 전달받는 CNN 실행부; 및 상기 CNN 실행부로부터 영상 정보를 받아 영상 정보의 객체를 종류별로 분류하는 최종 분류부를 포함한다.

본 발명의 일 실시 예는 고객의 구매 속성을 결정하는 방법 및 장치를 제공하여 상기한 종래 기술의 문제점을 해결할 수 있고, 더욱 상세하게는, 1차원 형식으로 표현되는 고객의 구매 히스토리 정보를 2차원 형식의 매트릭스 정보로 변환하여 고객의 구매 속성을 위한 데이터 분석에 적용함으로써, 사용자가 자신의 편향에 따라 좋은 변수만 편집하여 넣지 않더라도 수많은 주요 변수들을 데이터 분석에 적용할 수 있고, 수많은 변수들을 생성하는 대신 하나의 매트릭스 정보에 압축하여 저장할 수 있어 변수의 개수가 늘어나더라도 저장 용량의 측면에서 효율적인 효과를 제공할 수 있다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

본 개시의 제 1 측면에 따른 고객의 구매 속성 결정 방법은 고객의 구매 속성을 결정하는 방법에 있어서, 1차원 형식으로 표현되는 상기 고객의 구매 히스토리 정보를 수신하는 단계; 상기 구매 히스토리 정보에 포함된 정보의 종류에 기초하여 상기 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정하는 단계; 상기 하나 이상의 기준에 기초하여 상기 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하는 단계; 및 상기 매트릭스 정보에 기초하여 상기 고객의 구매 속성을 결정하는 단계;를 포함할 수 있다.

또한, 상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고, 상기 매트릭스 정보를 획득하는 단계는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 구별되어 배치된 상기 매트릭스 정보를 획득할 수 있다.

또한, 상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고, 상기 매트릭스 정보를 획득하는 단계는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 랜덤하게 배치된 상기 매트릭스 정보를 획득할 수 있다.

또한, 상기 하나 이상의 기준은 날짜 및 제품에 대한 카테고리를 포함하고, 상기 매트릭스 정보는 각각의 날짜에 대응되는 각각의 카테고리에 대한 상기 고객의 클릭 횟수에 대한 정보를 포함할 수 있다.

또한, 상기 하나 이상의 기준은 클릭 순서 및 제품에 대한 카테고리를 포함하고, 상기 매트릭스 정보는 각각의 카테고리에 대한 상기 고객의 클릭 순서를 나타내는 정보를 포함할 수 있다.

또한, 상기 하나 이상의 기준은 시간 및 구매 히스토리에 대한 업종을 포함하고, 상기 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 상기 고객의 구매 금액 또는 구매 횟수에 대한 정보를 포함할 수 있다.

또한, 상기 하나 이상의 기준은 시간 및 구매 히스토리에 대한 상권을 포함하고, 상기 매트릭스 정보는 각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 여부 또는 구매 횟수에 대한 정보를 포함할 수 있다.

또한, 상기 하나 이상의 기준은 요일 및 시간대를 포함하고, 상기 매트릭스 정보는 각각의 요일 및 각각의 시간대에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함할 수 있다.

또한, 상기 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함하고, 상기 매트릭스 정보는 각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함할 수 있다.

또한, 상기 하나 이상의 기준은 시간, 구매 히스토리에 대한 상권 및 업종을 포함하고, 상기 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 상기 고객의 구매 금액 또는 구매 횟수에 대한 정보를 포함하는 제 1 매트릭스 정보, 각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 여부 또는 구매 횟수에 대한 정보를 포함하는 제 2 매트릭스 정보 및 각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는 제 3 매트릭스 정보를 포함할 수 있다.

또한, 상기 고객의 구매 속성은 시간에 따른 상기 고객의 특정 제품에 대한 구매 확률을 포함하고, 상기 하나 이상의 기준을 결정하는 단계는 상기 구매 히스토리 정보가 온라인 구매에 대한 히스토리 정보인지 오프라인 구매에 대한 히스토리 정보인지 결정하는 단계;를 포함하고, 상기 구매 히스토리 정보가 상기 온라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 제품에 대한 카테고리를 포함하고, 상기 구매 히스토리 정보가 상기 오프라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함할 수 있다.

본 개시의 제 2 측면에 따른 고객의 구매 속성 결정 장치는 고객의 구매 속성을 결정하는 장치에 있어서, 1차원 형식으로 표현되는 상기 고객의 구매 히스토리 정보를 수신하는 통신부; 및 상기 구매 히스토리 정보에 포함된 정보의 종류에 기초하여 상기 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정하고, 상기 하나 이상의 기준에 기초하여 상기 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하고, 상기 매트릭스 정보에 기초하여 상기 고객의 구매 속성을 결정하는 프로세서;를 포함할 수 있다.

또한, 상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고, 상기 프로세서는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 구별되어 배치된 상기 매트릭스 정보를 획득할 수 있다.

또한, 상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고, 상기 프로세서는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 랜덤하게 배치된 상기 매트릭스 정보를 획득할 수 있다.

또한, 상기 고객의 구매 속성은 시간에 따른 상기 고객의 특정 제품에 대한 구매 확률을 포함하고, 상기 프로세서는 상기 구매 히스토리 정보가 온라인 구매에 대한 히스토리 정보인지 오프라인 구매에 대한 히스토리 정보인지 결정하고, 상기 구매 히스토리 정보가 상기 온라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 제품에 대한 카테고리를 포함하고, 상기 구매 히스토리 정보가 상기 오프라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함할 수 있다.

본 개시의 제 3 측면은 제 1 측면에 따른 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 또는, 본 개시의 제 4 측면은 제 1 측면에 따른 방법을 구현하기 위하여 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.

본 발명의 일 실시 예에 따르면, 사용자가 자신의 편향에 따라 좋은 변수만 편집하여 넣지 않더라도 수많은 주요 변수들을 데이터 분석에 적용할 수 있다.

또한, 수많은 변수들을 생성하는 대신 하나의 매트릭스 정보에 압축하여 저장할 수 있어 변수의 개수가 늘어나더라도 저장 용량의 측면에서 효율적인 효과가 있다.

또한, 1차원 형식의 정형 데이터를 2차원 형식의 매트릭스 정보로 변환하여 비선형 모델인 CNN(Convolution Neural Network)에 적용함으로써, 분석의 정확성을 개선하고 학습의 효율성을 향상시킬 수 있다.

또한, 고객의 생활 및 구매 패턴을 분석하기 위한 고객 행동 데이터의 전처리 과정에서 발생하는 대량의 변수들을 분석에 반영하여 좋은 학습 결과를 얻을 수 있으면서 동시에 높은 저장성 및 압축성을 구현할 수 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1은 일 실시 예에 따른 고객의 구매 속성 결정 장치의 구성의 일 예를 도시한 블록도이다.
도 2는 도 1에 있는 프로세서가 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정하는 동작의 일 예시를 설명하기 위한 도면이다.
도 3은 도 1에 있는 고객의 구매 속성 결정 장치가 하나 이상의 기준에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하는 동작의 다양한 실시 예들을 설명하기 위한 도면이다.
도 4는 도 1에 있는 고객의 구매 속성 결정 장치가 고객의 구매 속성을 결정하는 방법의 일 예를 도시한 흐름도이다.

이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시 예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.

이하 첨부된 도면을 참고하여 실시 예를 상세히 설명하기로 한다.

도 1은 일 실시 예에 따른 고객의 구매 속성 결정 장치(100)의 구성의 일 예를 도시한 블록도이다.

도 1을 참조하면, 일 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 통신부(110), 프로세서(120) 및 저장부(130)를 포함할 수 있다.

일 실시 예에 따른 통신부(110)는 네트워크를 통해 다른 디바이스(예: 단말, 서버)와 연결될 수 있고, 예를 들면, 다른 디바이스와 통신 가능한 모든 종류의 유무선 통신 장치를 포함할 수 있다. 여기에서, 네트워크는 유선 및 무선 등과 같은 다양한 통신망을 통해 구성될 수 있고, 예를 들면, 근거리 통신망(LAN: Local Area Network), 도시권 통신망(MAN: Metropolitan Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다.

일 실시 예에 따른 통신부(110)는 고객의 구매 히스토리 정보를 수신할 수 있다. 예를 들면, 통신부(110)는 하나 이상의 단말(예: 가맹점 단말 등)이나 서버(예: 결제 서버)로부터 고객의 구매 히스토리 정보를 수집하여 고객 별로 구매 히스토리 정보를 저장 및 관리할 수 있다.

일 실시 예에서, 고객의 구매 히스토리 정보는 1차원 형식으로 표현되고, 예를 들면, 비트 스트림으로 표현되는 정형 데이터로서 수집, 저장 및 관리될 수 있다. 일 실시 예에서, 고객의 구매 히스토리 정보는 동일한 성질을 갖는 종류 범위로 분류될 수 있는 변수를 나타내는 범주형 변수를 포함할 수 있고, 예를 들면, 구매가 발생하는 제품에 대한 카테고리, 상권 또는 업종에 대한 정보를 포함할 수 있다.

일 실시 예에서, 고객의 구매 히스토리 정보는 고객의 신상 정보(예: 성별, 나이, 연소득 등), 고객의 행동 정보(예: 사이트 접속 여부, 상품 정보 조회 여부, 문의 전화 여부 등), 고객의 구매 정보(예: 구매 여부, 구매 금액, 구매 상품/서비스, 구매 상품/서비스 카테고리, 구매 가맹점, 구매 업종, 구매 품종, 구매 위치, 결제 수단 종류 등), 고객의 위치 정보(예: 고객 이동 히스토리, 구매 위치 히스토리 등) 및 상술한 정보에 대한 통계 정보 중 적어도 하나를 포함할 수 있다.

일 실시 예에서, 고객의 행동 정보는 카테고리별 고객의 클릭 여부(예: 고객의 조회 입력에 따라 상품/서비스 정보가 제공되었는지 여부), 클릭 횟수(예: 고객의 조회 입력에 따라 상품/서비스 정보가 제공된 횟수) 및 클릭 순서(예: 고객의 조회 입력에 따라 상품/서비스 정보가 제공된 카테고리의 시계열적 순서) 중 적어도 하나를 포함할 수 있다.

여기에서, 카테고리는 상품 또는 서비스에 대한 분류 카테고리를 나타내며, 일 실시 예에서, 기설정된 복수의 등급에 따라 카테고리의 종류 및 구체화 수준이 결정될 수 있다. 예를 들면, 등급의 값이 클수록 상대적으로 하위 카테고리를 나타내도록 카테고리 체계가 정의된 1등급 ~ 6등급 중에서 2 등급에 대응되는 카테고리가 상술한 고객의 구매 히스토리 정보에 포함되거나 후술할 하나 이상의 기준으로 이용될 수 있다.

일 실시 예에 따른 프로세서(120)는 수신된 고객의 구매 히스토리 정보를 저장부(130)에 저장 및 관리할 수 있고, 구매 히스토리 정보에 대한 통계 분석을 통해 기설정 기간(예: 최근 14일) 동안 고객의 구매 히스토리 정보에 대한 통계화된 정보를 생성하여 구매 히스토리 정보에 포함시킬 수 있다.

일 실시 예에 따른 프로세서(120)는 구매 히스토리 정보에 포함된 정보의 종류에 기초하여 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정할 수 있다. 일 실시 예에서, 하나 이상의 기준은 날짜, 제품에 대한 카테고리, 카테고리별 클릭 횟수, 카테고리별 클릭 순서, 클릭 또는 구매 시간, 구매 히스토리에 대한 업종, 구매 히스토리에 대한 상권, 요일 및 시간대 중 어느 하나일 수 있으나, 이에 제한되지 않는다. 예를 들면, 프로세서(120)는 구매 히스토리 정보에 포함된 정보의 종류가 기설정 특정 조건(예: 고객 ID와 카테고리별 고객의 클릭 횟수를 포함)을 충족하면, 해당 조건에 대응되는 복수의 기준(예: 날짜, 카테고리, 클릭 횟수)을 매트릭스의 축 또는 값에 적용하여 구매 히스토리 정보를 재정렬할 수 있다.

이러한 내용은 도 2를 더 참조하여 보다 구체적으로 서술하도록 한다.

도 2는 도 1에 있는 프로세서(120)가 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정하는 동작의 일 예시를 설명하기 위한 도면이다.

도 2를 더 참조하면, 일 실시 예에 따른 프로세서(120)는 구매 히스토리 정보에 포함된 정보의 종류가 기저장된 복수의 조건 중 어느 하나를 충족하면, 해당 조건에 대응되는 변환 방법을 이용하여 구매 히스토리 정보를 재정렬하도록 결정할 수 있다. 여기에서, 복수의 조건은 구매 히스토리 정보에 포함된 정보의 종류별 조합에 따른 경우의 수를 의미한다.

일 실시 예에서, 각각의 변환 방법은 구매 히스토리 정보의 재정렬을 위한 하나 이상의 기준을 포함하고, 예를 들면, 도 2에 도시된 바와 같이, 시간 정보 제시 여부, 고객의 특성 정보(demographics data) 제시 방법, 전체 정보 제시 방법 및 우선 순위 중 적어도 하나에 대한 정보를 포함할 수 있다.

일 실시 예에서, 시간 정보 제시 여부는 구매 히스토리 정보를 2차원 형식으로 재정렬하는 과정에서, 시간 정보를 제시하는 방법(예: 조회 순서별, 일자별, 고밀도, 저밀도 등)에 대한 정보를 나타내고, 고객의 특성 정보 제시 방법은 구매 히스토리 정보 또는 이로부터 획득된 고객 특성에 관한 통계 정보를 제시하는 방법(예: 별도 반영, 섞어 넣기, RGB 채널 중 별도 채널 이용)에 대한 정보를 나타내고, 전체 정보 제시 방법은 전체 정보를 매트릭스에 배열하는 방법(예: 순서 제시, 랜덤 제시)에 대한 정보를 나타내고, 우선 순위는 우선적으로 결정하고자 하는 변환 방법에 부여되는 가중치에 대한 정보를 나타낸다.

예를 들면, 프로세서(120)는 구매 히스토리 정보에 포함된 정보에 고객의 신상 정보 및 고객의 행동 정보 중 카테고리별 고객의 클릭 횟수가 포함되면, 시간 정보 제시 여부를 '비제시'로, 고객의 특성 정보 제시 방법을 '섞어 넣기'로, 전체 정보 제시 방법을 '순서 제시'로 결정하는 제 1 변환 방법(예: BCL, 도 3a 참조)에 따라서, 고객 ID와 최근 14일 동안 카테고리별 고객의 클릭 횟수에 대한 정보를 순차적으로 2차원 형식의 매트릭스에 배열할 수 있다. 즉, 시간을 기준으로 하지 않고, 고객 ID와 카테고리별 클릭 횟수에 대한 정보가 하나의 매트릭스 내에 혼합되어 제시되면서 각각이 순차적으로 제시되도록 기준을 결정하여 구매 히스토리 정보를 2차원 형식으로 재정렬할 수 있다.

일 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 정보의 종류가 기저장된 복수의 조건 중 둘 이상을 충족하는 경우에는 기설정 우선 순위가 높은 변환 방법을 우선적으로 결정할 수 있다.

일 실시 예에서, 도 2에 도시된 변환 방법의 명칭(예: ACL, BCR 등)은 시간 정보를 제시하면 A, 시간 정보를 제시하지 않으면 B, RGB 채널 중 이용하는 채널 개수가 1개면 C, 채널 개수가 3개면 D, 순서 제시에 따라 제시되는 정보의 순서에 상관관계 정보가 있으면 L, 상관관계 정보가 없으면 R을 부가하는 방식으로 관리될 수 있고, 이에 따라, 각 변환 방법의 특성을 관리자가 용이하게 확인할 수 있도록 지원할 수 있다.

일 실시 예에 따른 프로세서(120)는 결정된 하나 이상의 기준에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득할 수 있다. 예를 들면, 프로세서(120)는 결정된 하나 이상의 기준 각각을 기설정 사이즈의 매트릭스의 축(예: X축, Y축, Z축) 또는 값(예: 각 행렬의 값)에 적용하여 각각의 기준에 따라 정보를 배열하여 2차원 형식의 매트릭스 정보를 생성할 수 있다.

일 실시 예에 따른 고객의 구매 속성 결정 장치(100)가 하나 이상의 기준에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하는 동작에 관한 다양한 실시 예들은 이하에서 도 3을 참조하며 보다 상세히 후술하도록 한다.

일 실시 예에 따른 프로세서(120)는 매트릭스 정보에 기초하여 고객의 구매 속성을 결정할 수 있다. 예를 들면, 프로세서(120)는 획득된 매트릭스 정보를 기저장된 딥러닝 알고리즘에 적용하여 구매 속성 결정 모델을 생성하고, 생성된 구매 속성 결정 모델에 특정 카테고리 정보를 입력하여 고객이 해당 카테고리의 상품을 실제로 구매할지 여부를 예측하기 위한 고객의 구매 속성을 생성할 수 있다.

일 실시 예에서, 고객의 구매 속성은 시간에 따른 고객의 특정 제품에 대한 구매 확률을 포함할 수 있고, 예를 들면, 특정 기간 또는 특정 시간대에 고객이 특정 제품을 실제로 구매할지 여부를 수치화한 구매 확률을 포함할 수 있다. 또한, 일 실시 예에서, 고객의 구매 속성은 시간에 따른 고객의 특정 카테고리에 대한 구매 확률을 포함할 수 있다.

일 실시 예에 따른 프로세서(120)는 2차원 형식으로 변환된 매트릭스 정보에 CNN(Convolutional Neural Network)을 적용하여 고객의 구매 속성을 결정할 수 있다. 보다 구체적으로, 프로세서(120)는 상술한 하나 이상의 기준에 따라 매트릭스 정보가 획득되면, 획득된 매트릭스 정보에 포함된 하나 이상의 매트릭스가 각각 R, G, B 중 적어도 하나로 표현된 이미지를 획득할 수 있고, 획득된 이미지에 CNN을 적용하여 고객의 구매 속성을 결정할 수 있다.

예를 들면, 프로세서(120)는 2차원 형식으로 변환된 매트릭스 정보로부터 RGB로 표현되는 이미지를 획득하고, 획득된 이미지를 학습 데이터셋으로 이용하여 CNN 기반의 딥러닝을 통해 구매 속성 결정 모델을 생성할 수 있으며, 생성된 고객의 구매 속성을 통해 고객의 특정 카테고리에 대한 구매 확률을 결정할 수 있다. 여기에서, CNN은 합성곱 층(Convolutional Layer)을 이용하여 변수 특징을 추출한 뒤 원하는 출력값을 내는 심층 신경망의 한 종류이며, 인접한 변수의 조합에 기반한 지역적 특성을 학습하는 것이 가능한 특징이 있다.

일 실시 예에서, 매트릭스 정보로부터 획득된 이미지에는 고객에 관한 데이터의 수많은 변수들을 압축하여 반영되어 있고, 상하좌우로 인접한 픽셀 간의 조합이 유의미한 특징이 있으므로, 이에 따라, 프로세서(120)는 이미지에 포함된 특징들을 CNN의 합성곱 층을 통해 효과적으로 추출할 수 있으며, 이미지를 이용하여 CNN 기반의 딥러닝을 수행함으로써 수많은 변수들을 효율적으로 반영하여 고객의 구매 속성을 결정하는 모델의 성능을 크게 향상시킬 수 있다.

이처럼, 프로세서(120)는 1차원 형식으로 표현되는 정형 데이터를 2차원 형식의 이미지로 변환하고 CNN을 기반으로 이미지에 대한 학습을 수행함으로써, 수많은 변수들을 하나의 이미지에 압축 반영하여 고객의 구매 속성을 결정하는 모델의 학습 효율을 향상시키고 모델의 결정 정확성을 개선시킬 수 있다.

일 실시 예에 따른 프로세서(120)는 구매 히스토리 정보가 온라인 구매에 대한 히스토리 정보인지 오프라인 구매에 대한 히스토리 정보인지 결정하고, 이에 기초하여 상술한 하나 이상의 기준을 결정할 수 있다. 예를 들면, 프로세서(120)는 구매 히스토리 정보에 포함된 고객의 구매 정보(예: 구매 가맹점, 구매 위치, 결제수단 등)를 분석하여 온라인 구매 또는 오프라인 구매 여부를 결정할 수 있다.

일 실시 예에서, 구매 히스토리 정보가 온라인 구매에 대한 히스토리 정보인 경우, 상술한 하나 이상의 기준은 제품에 대한 카테고리를 포함할 수 있다. 예를 들면, 프로세서(120)는 구매 히스토리 정보가 온라인 구매에 대한 히스토리 정보인 경우, 매트릭스의 제 1축(예: X축)에 제품에 대한 카테고리의 기준을 적용하고, 제 2축(예: Y축)에 시간의 기준을 적용하고, 각 행렬 값에 고객의 구매 금액의 기준을 적용하여, 매트릭스에 시간별 카테고리별 고객의 구매 금액에 대한 정보를 순차 배열할 수 있다.

이에 따라, 프로세서(120)는 온라인 구매에 대한 구매 히스토리 정보의 재정렬에 이용되는 기준으로 '제품에 대한 카테고리'를 포함시킴으로써 온라인 구매에 따른 고객의 구매 속성을 보다 편리하게 분석할 수 있다.

일 실시 예에서, 구매 히스토리 정보가 오프라인 구매에 대한 히스토리 정보인 경우, 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함할 수 있다. 이에 따라, 프로세서(120)는 오프라인 구매에 대한 구매 히스토리 정보의 재정렬에 이용되는 기준에 '상권' 및 '업종'을 포함시킴으로써 오프라인 구매에 따른 고객의 구매 속성을 보다 편리하게 분석할 수 있다. 예를 들면, 프로세서(120)는 구매 히스토리 정보가 오프라인 구매에 대한 히스토리 정보인 경우, 매트릭스의 제 1축(예: X축)에 구매 히스토리에 대한 상권의 기준을 적용하고, 제 2축(예: Y축)에 구매 히스토리에 대한 업종의 기준을 적용하고, 각 행렬 값에 고객의 구매 금액의 기준을 적용하여, 매트릭스에 상권별 업종별 고객의 구매 금액에 대한 정보를 순차 배열할 수 있다.

일반적으로 오프라인 구매를 수행할 때 '업종'은 유사 업종이 인접한 지역에 위치하는 경우가 많기 때문에(예: 패션 거리), 이에 따라, 프로세서(120)는 오프라인 구매와 관련하여 '업종'과 '상권'을 기준으로 설정함으로써 보다 유의미한 매트릭스 정보를 획득할 수 있다. 특히, 이러한 경우 매트릭스 내의 인접한 정보간의 상호 관련성이 높기 때문에 매트릭스 정보를 통해 보다 용이하게 고객의 구매 속성을 결정할 수 있다.

일 실시 예에 따른 프로세서(120)는 고객의 구매 속성 결정 장치(100)의 동작 전반을 제어하는 CPU(central processor unit)로 구현될 수 있고, 통신부(110) 및 저장부(130)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다.

일 실시 예에 따른 저장부(130)는 고객의 구매 히스토리 정보, 하나 이상의 기준 및 매트릭스 정보를 저장할 수 있고, 그밖에 고객의 구매 속성 결정 장치(100)의 동작 전반에 필요한 데이터를 저장할 수 있다. 일 실시 예에서, 저장부(130)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현된 보조기억장치 또는 RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다. 또한, 일 실시 예에서, 저장부(130)는 데이터베이스로 구현되거나 클라우드 또는 별도의 저장 서버로 구현되어 유무선 통신망을 통해 고객의 구매 속성 결정 장치(100)에 필요한 데이터 및 저장 공간을 제공할 수 있다.

또한, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 고객의 구매 속성 결정 장치(100)에 더 포함될 수 있음을 관련 기술 분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 예를 들면 고객의 구매 속성 결정 장치(100)은 CNN 기반의 학습 모델을 구현하기 위한 알고리즘을 포함할 수 있고, 그 밖에도 사용자 입력을 수신하거나 출력하기 위한 입출력 인터페이스나 출력 정보를 시각화하기 위한 디스플레이 등을 더 포함할 수 있다. 또한, 다른 실시 예에 따를 경우, 도 1에 도시된 구성요소들 중 일부는 생략될 수 있다. 또한, 일 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 하나 이상의 서버로 구현될 수 있다.

도 3은 도 1에 있는 고객의 구매 속성 결정 장치(100)가 하나 이상의 기준에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하는 동작의 다양한 실시 예들을 설명하기 위한 도면이다.

도 3a을 참조하면, 제 1 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 고객의 신상 정보 및 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다.

제 1 실시 예에서, 구매 히스토리 정보는 고객의 신상 정보(예: 고객 ID) 및 고객의 기설정 기간(예: 최근 14일) 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보를 고객의 신상 정보 및 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보가 구별되어 배치된 매트릭스 정보를 획득할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객의 신상 정보, 이용 정보 및 카테고리별 선호 정보를 기설정된 순서에 따라 특정 위치에 따른 점으로 입력하여 산포도(scatter plot)의 형태로 나타내는 제 1 변환 방법(예: BCL)에 따라 변환을 수행할 수 있고, 구체적으로는, 각 고객의 신상정보(예: 고객 ID) 및 사이트 이용 정보를 더미화하고, 마지막 구매 직전의 14일간 발생한 최근 본 상품의 2 등급 카테고리 정보를 합산한 벡터의 원소를 기설정 사이즈의 매트릭스에 순서대로 배치하여 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 301 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스에 행렬 순으로 기설정 개수(예: 고객수)의 고객별 신상 정보(예: 고객 ID)를 먼저 순차 배열하고, 이어서 기설정 개수(예: 2등급 카테고리의 개수)의 카테고리별 클릭 횟수를 순차 배열할 수 있다.

일 실시 예에서, 기설정 기간은 최근 기간 중 클릭 횟수의 합인 제 1 값, 전체 기간 중 클릭 횟수의 합인 제 2 값 및 제 2 값에 대한 제 1 값의 비율을 나타내는 제 3 값에 따라 결정될 수 있다. 예를 들면, 기설정 기간은 제 1 값 및 제 3값에 비례하고, 제 2 값에 반비례하도록 결정될 수 있다.

일 실시 예에서, 기설정 기간은 제 1 값과 A의 곱, 제 2 값과 B의 곱 및 제 3 값과 C의 곱에 반비례할 수 있고, 여기에서, C는 A보다 크고, A는 B보다 클 수 있고(C > A > B), 사용자에 의해 설정 가능한 실수에 해당할 수 있다. 이에 따라, 고객의 구매 속성 결정 장치(100)는 최근의 클릭 횟수의 합이 보다 두드러지는 경우에는 기설정 기간을 상대적으로 짧게 설정하여, 최신 성향이 보다 강하게 반영되도록 할 수 있다.

도 3b를 참조하면, 제 2 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 고객의 신상 정보 및 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다.

제 2 실시 예에서, 구매 히스토리 정보는 고객의 신상 정보(예: 고객 ID) 및 고객의 기설정 기간(예: 최근 14일) 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보를 고객의 신상 정보 및 고객의 기설정 기간 동안 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 랜덤하게 배치된 매트릭스 정보를 획득할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객의 신상 정보, 이용 정보 및 카테고리별 선호 정보를 설정된 순서 없이 랜덤하게 특정 위치에 따른 점으로 입력하여 산포도의 형태로 나타내는 제 2 변환 방법(예: BCR)에 따라 변환을 수행하며, 구체적으로는, 상술한 제 1 실시 예에 따라 생성된 매트릭스의 원소를 기설정 사이즈의 매트릭스에 랜덤하게 배치하여 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 302 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스에 행렬 순으로 기설정 개수(예: 고객수)의 고객별 신상 정보(예: 고객 ID) 및 기설정 개수(예: 2등급 카테고리의 개수)의 카테고리별 클릭 횟수를 랜덤하게 배열할 수 있다.

이에 따라, 고객의 구매 속성 결정 장치(100)는 매트릭스의 원소를 랜덤한 위치에 배치함으로써, 변수 순서 등으로 반영되는 인접 픽셀 간 상관관계 정보를 파악하기 어려운 경우도 효과적으로 고객의 구매 속성을 결정할 수 있다.

도 3c을 참조하면, 제 3 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 클릭 순서 및 제품에 대한 카테고리에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다.

제 3 실시 예에서, 상술한 하나 이상의 기준은 클릭 순서 및 제품에 대한 카테고리를 포함하고, 매트릭스 정보는 각각의 카테고리에 대한 고객의 클릭 순서를 나타내는 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객의 신상 정보, 이용 정보 및 카테고리별 선호 정보를 고객의 상품 조회(또는 사이트 이용) 발생 시점마다 기록하여 이에 대한 순서를 나타내는 제 3 변환 방법(예: ACL)에 따라 변환을 수행하며, 구체적으로는, 각 고객마다 최근본상품별로 해당 카테고리의 마지막 조회일부터 최근 조회일까지 순서대로 배치하고, 고객의 신상 정보 및 사이트 이용 정보를 모든 조회 발생 열(row)에 입력하고, 전체 이미지 길이를 최대 최근본상품 건수인 54로 설정할 수 있으며, 이와 같이 각각의 카테고리에 대한 고객의 클릭 순서에 대한 시간의 흐름에 따라 카테고리 정보를 배치하여 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 303 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 클릭 순서를 나타내기 위한 시간의 기준을 적용하고, 제 2축(예: Y축)에 카테고리 정보의 기준을 적용하고, 각 행렬 값에 고객의 클릭 여부의 기준을 적용하여, 매트릭스에 시간별 카테고리별 고객의 클릭 여부에 대한 정보를 순차 배열할 수 있다. 일 실시 예에서, 카테고리의 종류 및 배열 순서는 초기에 랜덤하게 결정된 후 고정적으로 이용될 수 있다.

도 3d를 참조하면, 제 4 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 날짜 및 제품에 대한 카테고리에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 4 실시 예에서, 상술한 하나 이상의 기준은 날짜 및 제품에 대한 카테고리를 포함하고, 매트릭스 정보는 각각의 날짜에 대응되는 각각의 카테고리에 대한 고객의 클릭 횟수에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객의 신상 정보, 이용 정보 및 카테고리별 선호 정보를 일별로 합산하여 일자별로 고객의 정보 변동 또는 발생 내역을 기록하고 나타내는 제 4 변환 방법(예: A2CL)에 따라 변환을 수행하며, 구체적으로는, 상술한 제 3 실시 예에 따라 생성된 매트릭스의 카테고리 정보를 동일일자에 발생한 상품별로 합산하여 기설정 개수(예: 14개)의 열로 정렬하여 배치하고, 개인정보를 모든 열에 입력하여 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 304 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 날짜의 기준을 적용하고, 제 2축(예: Y축)에 카테고리 정보의 기준을 적용하고, 각 행렬 값에 고객의 클릭 횟수의 기준을 적용하여, 매트릭스에 날짜별 카테고리별 고객의 클릭 횟수에 대한 정보를 순차 배열할 수 있다.

도 3e를 참조하면, 제 5 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간 및 구매 히스토리에 대한 업종에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 5 실시 예에서, 상술한 하나 이상의 기준은 시간 및 구매 히스토리에 대한 업종을 포함하고, 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 고객의 구매 금액에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객별 월별 업종별 가맹점 이용 금액을 요일 및 시간대로 나누어 합산하고, 각 고객의 최근 업종이용여부 및 업종별 이용금액을 하나의 매트릭스에 배열하는 제 5 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 305 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 업종의 기준을 적용하고, 제 2축(예: Y축)에 요일(또는 시간대)의 기준을 적용하고, 각 행렬 값에 고객의 구매 금액의 기준을 적용하여, 매트릭스에 업종별 요일(또는 시간대)별 고객의 구매 금액에 대한 정보를 순차 배열할 수 있다.

도 3f를 참조하면, 제 6 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간 및 구매 히스토리에 대한 업종에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 6 실시 예에서, 상술한 하나 이상의 기준은 시간 및 구매 히스토리에 대한 업종을 포함하고, 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 고객의 구매 횟수에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객별 월별 업종별 가맹점 이용 횟수를 요일 및 시간대로 나누어 합산하고, 각 고객의 최근 업종이용여부 및 업종별 이용빈도를 하나의 매트릭스에 배열하는 제 6 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 306 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 업종의 기준을 적용하고, 제 2축(예: Y축)에 요일(또는 시간대)의 기준을 적용하고, 각 행렬 값에 고객의 구매 횟수의 기준을 적용하여, 매트릭스에 업종별 요일(또는 시간대)별 고객의 구매 횟수에 대한 정보를 순차 배열할 수 있다.

제 5 내제 제 6 실시 예에 따라 획득된 매트리스 정보는 고객 시간대별 업종별 사용 가능성을 예측하기 위한 구매 속성 결정 모델에 이용될 수 있고, RGB 채널 중 하나 이상의 이미지 채널 특성을 이용하여 여러 매트릭스 정보를 하나의 이미지에 겹쳐서 나타낼 수 있으며, 상술한 시간대와 요일의 개수는 정보 합산의 기준에 따라 조정될 수 있다.

도 3g를 참조하면, 제 7 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간 및 구매 히스토리에 대한 업종에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 7 실시 예에서, 상술한 하나 이상의 기준은 시간 및 구매 히스토리에 대한 업종을 포함하고, 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 고객의 구매 금액 및 구매 횟수에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객별 구매 정보를 기설정 기간 단위(예: 1개월 단위 또는 1주 단위)로 수합하여 이를 둘 이상의 채널(예: 3번째 차원 방향)으로 조합하여 고객의 월별 또는 주별로 변화하는 구매 패턴을 나타내는 제 7 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 307 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 업종의 기준을 적용하고, 제 2축(예: Y축)에 요일(또는 시간대)의 기준을 적용하고, 제 3축(예: Z축)에 기간(예: 1주 단위)의 기준을 적용하고, 각 행렬 값에 고객의 구매 횟수의 기준을 적용하여, 각각의 매트릭스에 업종별 요일(또는 시간대)별 고객의 구매 횟수(또는 구매 금액에 대한 정보를 순차 배열하고, 복수의 매트릭스를 제 3축에 따라 정렬하여 매트릭스 정보에 주별(또는 월별) 구매 패턴이 나타나도록 할 수 있다.

제 7 실시 예에 따라 획득된 매트리스 정보는 고객의 차주 요일 시간대별 구매 가능성을 예측하기 위한 구매 속성 결정 모델에 이용될 수 있고, 상술한 시간대와 요일의 개수는 정보 합산의 기준에 따라 조정될 수 있다.

도 3h를 참조하면, 제 8 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간 및 구매 히스토리에 대한 상권에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 8 실시 예에서, 상술한 하나 이상의 기준은 시간 및 구매 히스토리에 대한 상권을 포함하고, 매트릭스 정보는 각각의 주에 대응되는 각각의 상권에 대한 고객의 구매 여부에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 기설정 기간별로(예: 각 주별로) 고객의 구매가 발생한 가맹점이 위치한 상권별로 고객의 구매 여부를 코딩하여 1년 간의 위치 정보를 분석하고, 각 주별로 상권에 대한 고객의 구매 여부를 매트릭스에 배열하는 제 8 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 308 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 상권의 기준을 적용하고, 제 2축(예: Y축)에 주의 기준을 적용하여, 매트릭스에 상권별 주별 고객의 구매 여부에 대한 정보를 순차 배열할 수 있다.

도 3i를 참조하면, 제 9 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간 및 구매 히스토리에 대한 상권에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 9 실시 예에서, 상술한 하나 이상의 기준은 시간 및 구매 히스토리에 대한 상권을 포함하고, 매트릭스 정보는 각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 횟수에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 기설정 기간별로(예: 각 주별로) 고객의 구매가 발생한 가맹점이 위치한 상권별로 고객의 구매 횟수를 코딩하여 1년 간의 위치 정보를 분석하고, 각 주별로 상권에 대한 고객의 구매 횟수를 매트릭스에 배열하는 제 9 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 309 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 상권의 기준을 적용하고, 제 2축(예: Y축)에 주의 기준을 적용하여, 매트릭스에 상권별 주별 고객의 구매 횟수에 대한 정보를 순차 배열할 수 있다.

제 8 내제 제 9 실시 예에 따라 획득된 매트리스 정보는 고객이 요일시간대별로 어느 위치에 있을지를 예측하기 위한 구매 속성 결정 모델에 이용될 수 있고, 이를 고객의 상권 선호 히스토리에 대한 학습에 반영하여 구매 속성 결정 모델을 개선시킬 수 있다. 또한, 고객의 예상 위치 및 과거 위치 히스토리를 고려한 구매 가능성을 예측하기 위한 구매 속성 결정 모델, 상권별 방문 고객군을 예측하기 위한 구매 속성 결정 모델 및 고객별 위치 히스토리 기반 상권별 방문 가능성을 예측하기 위한 구매 속성 결정 모델에 이용될 수 있고, 타겟팅에 고객 TPO(Time, Place, Occasion)별 예상 위치를 반영하여 정확성을 향상시킬 수 있다.

도 3j를 참조하면, 제 10 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 요일 및 시간대에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 10 실시 예에서, 상술한 하나 이상의 기준은 요일 및 시간대를 포함하고, 매트릭스 정보는 각각의 요일 및 각각의 시간대에 대응되는 고객의 구매 횟수에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객 별로 기설정 기간별(예: 월별 또는 주별) 해당 기간 내에 발생한 구매건에 대해 업종별, 전체구매 또는 주요업종에 대해 시계열에 따라 배치하는 형태로 구매 횟수를 합산하여 매트릭스에 배열하는 제 10 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 310 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 시간대의 기준을 적용하고, 제 2축(예: Y축)에 요일의 기준을 적용하여, 매트릭스에 시간대별 요일별 고객의 구매 횟수의 합에 대한 정보를 순차 배열할 수 있다.

제 10 실시 예에 따라 획득된 매트리스 정보는 고객의 구매 발생 패턴, 시간 및 요일 활용 패턴을 예측하기 위한 구매 속성 결정 모델에 이용될 수 있다. 또한, 고객의 구매 속성 결정 장치(100)는 사용자(예: 관리자)에 의해 선택된 몇 가지 업종(예: 편의점, 온라인, 식당 등의 빈발 업종)을 R, G 및 B의 채널별로 분리하여 각각의 매트릭스에 배열할 수도 있다.

도 3k를 참조하면, 제 11 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 구매 히스토리에 대한 상권 및 업종에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다. 제 11 실시 예에서, 상술한 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함하고, 매트릭스 정보는 각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 각 고객별로 최근 3개월간 발생한 구매내역에 대하여 각 업종별 상권별로 고객의 구매 횟수를 합산하여 코딩하고, 주요상권에 따라 업종 별로 고객의 구매 횟수를 나타내는 제 11 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 312 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 상권의 기준을 적용하고, 제 2축(예: Y축)에 업종의 기준을 적용하여, 매트릭스에 상권별 업종별 고객의 구매 횟수의 합에 대한 정보를 순차 배열할 수 있다. 일 실시 예에서, 상권은 행정구역을 포함할 수 있다.

이에 따라, 고객의 구매 속성 결정 장치(100)는 고객이 어떤 상권에서 어떤 업종을 주로 소비하는 지에 대한 매트릭스 정보를 도출하여 사용자(예: 관리자)에 의해 선택된 몇 가지 업종(예: 편의점, 온라인, 식당 등의 빈발 업종)을 R, G 및 B의 채널별로 분리하여 각각의 매트릭스에 배열할 수도 있다.

제 11 실시 예에 따라 획득된 매트리스 정보는 고객이 어떤 상권에서 어떤 업종을 주로 소비하는지를 분석하고 상권별 업종별 고객의 구매 가능성을 예측하기 위한 구매 속성 결정 모델에 이용될 수 있다.

도 3l를 참조하면, 제 12 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간, 구매 히스토리에 대한 상권 및 업종에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환할 수 있다.

제 12 실시 예에서, 상술한 하나 이상의 기준은 시간, 구매 히스토리에 대한 상권 및 업종을 포함하고, 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 상기 고객의 구매 금액 또는 구매 횟수에 대한 정보를 포함하는 제 1 매트릭스 정보, 각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 여부 또는 구매 횟수에 대한 정보를 포함하는 제 2 매트릭스 정보 및 각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는 제 3 매트릭스 정보를 포함할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 기설정 기간별(예: 월별, 주별, 연도별 등) 기간 구획에 따라 해당 기간 동안 발생한 고객의 구매 이력의업종, 요일, 시간 및 상권을 두 개의 쌍으로 구분하고, 해당 영역 별로 발생한 구매 횟수를 합산하여 코딩하고, 생성된 3 개의 매트릭스를 시간, 상권 및 업종 각각의 축에 따라 고객의 구매 횟수를 나타내는 제 12 변환 방법에 따라 2차원 형식의 매트릭스 정보를 획득할 수 있다(식별번호 312 참조).

예를 들면, 고객의 구매 속성 결정 장치(100)는 매트릭스의 제 1축(예: X축)에 요일(또는 시간)의 기준을 적용하고, 제 2축(예: Y축)에 상권의 기준을 적용하고, 제 3축(예: Z축)에 업종의 기준을 적용하여, 매트릭스에 해당 축에 따른 고객의 구매 횟수의 합에 대한 정보를 순차 배열하고, 복수의 매트릭스를 복수의 축에 따라 정렬할 수 있다.

제 12 실시 예에 따라 획득된 매트리스 정보는 고객이 어떤 상권에서 어떤 업종을 어떤 시간대에 주로 소비하는지를 분석하고 상권별 업종별 시간대별 고객의 구매 가능성을 예측하기 위한 구매 속성 결정 모델에 이용될 수 있다.

도 3m을 참조하면, 제 13 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간, 구매 히스토리에 대한 상권 및 업종에 기초하여 구매 히스토리 정보를 변환할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 상술한 제 5 변환 방법, 제 9 변환 방법 및 제 11 변환 방법 각각에 따라 2차원 형식의 제 1 매트릭스 정보, 제 2 매트릭스 정보 및 제 3 매트릭스 정보를 획득할 수 있고, 제 1축(예: X축)에 요일(또는 시간)의 기준을 적용하고, 제 2축(예: Y축)에 상권의 기준을 적용하고, 제 3축(예: Z축)에 업종의 기준을 적용하여, 제 1 매트릭스 정보, 제 2 매트릭스 정보 및 제 3 매트릭스 정보를 각 축에 따라 정렬할 수 있다.

도 3n을 참조하면, 제 14 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 시간, 구매 히스토리에 대한 상권 및 업종에 기초하여 구매 히스토리 정보를 변환할 수 있다.

예를 들면, 고객의 구매 속성 결정 장치(100)는 상술한 제 1 변환 방법 내지 제 4 변환 방법 중 어느 하나에 따라 동일한 시간 구간을 가지는 기간별로 2차원 형식의 매트릭스 정보를 3개 획득하여 R, G 및 B의 다채널로 정렬할 수 있다.

예를 들면, 구매 속성 결정 장치(100)는 각 고객별로 고객이 구매한 카테고리 정보를 동일 기간(예: 일별, 주별, 월별 등)으로 수합하고, 해당 정보를 1주차 구매 카테고리 정보 R채널, 2주차 구매 카테고리 정보 G채널 및 3주차 구매 카테고리 정보 B채널로 정렬할 수 있다.

이에 따라, 구매 속성 결정 장치(100)는 시점 정보에 관계 없이 하나의 값으로 축약되는 값들이 시점 정보를 기준으로 분리되어 축약이 감소되는 효과를 제공할 수 있다. 즉, 저장되는 정보의 양은 늘어나지만 저장 용량은 그대로 유지되거나 줄어들 수 있어 보다 효율적인 방식으로 이미지를 생성할 수 있다.

제 14 실시 예에 따라 획득된 매트리스 정보는 고객이 특정 기간(예: 최근 3주) 동안 구매한 카테고리 정보를 기반으로 차주에 구매할 카테고리 정보를 예측하기 위한 구매 속성 결정 모델에 이용될 수 있다.

도 4는 도 1에 있는 고객의 구매 속성 결정 장치(100)가 고객의 구매 속성을 결정하는 방법의 일 예를 도시한 흐름도이다.

단계 S410 에서 일 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 1차원 형식으로 표현되는 고객의 구매 히스토리 정보를 수신할 수 있다. 일 실시 예에서, 고객의 구매 히스토리 정보는 고객의 신상 정보 및 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 여부, 클릭 횟수, 구매 여부 및 구매 횟수에 대한 정보 중 적어도 하나를 포함할 수 있다.

단계 S420 에서 일 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 구매 히스토리 정보에 포함된 정보의 종류에 기초하여 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정할 수 있다. 일 실시 예에서, 하나 이상의 기준은 제품에 대한 카테고리, 클릭 순서, 시간 및 구매 히스토리에 대한 업종, 구매 히스토리에 대한 상권, 날짜, 요일 및 시간대 중 적어도 하나를 포함할 수 있다.

단계 S430 에서 일 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 하나 이상의 기준에 기초하여 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득할 수 있다.

제 1 실시 예에서, 고객의 구매 속성 결정 장치(100)는 고객의 신상 정보 및 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보가 구별되어 배치된 매트릭스 정보를 획득할 수 있다.

제 2 실시 예에서, 고객의 구매 속성 결정 장치(100)는 고객의 신상 정보 및 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보가 랜덤하게 배치된 매트릭스 정보를 획득할 수 있다.

제 3 실시 예에서, 고객의 구매 속성 결정 장치(100)는 클릭 순서 및 제품에 대한 카테고리를 포함하는 하나 이상의 기준을 이용하여, 각각의 카테고리에 대한 고객의 클릭 순서를 나타내는 정보를 포함하는 매트릭스 정보를 획득할 수 있다.

제 4 실시 예에서, 고객의 구매 속성 결정 장치(100)는 날짜 및 제품에 대한 카테고리를 포함하는 하나 이상의 기준을 이용하여, 각각의 날짜에 대응되는 각각의 카테고리에 대한 고객의 클릭 횟수에 대한 정보를 포함하는 매트릭스 정보를 획득할 수 있다.

제 5 내지 제 7 실시 예에서, 고객의 구매 속성 결정 장치(100)는 시간 및 구매 히스토리에 대한 업종을 포함하는 하나 이상의 기준을 이용하여, 각각의 주에 대응되는 각각의 상권에 대한 고객의 구매 여부 또는 구매 횟수 대한 정보를 포함하는 매트릭스 정보를 획득할 수 있다.

제 8 내지 제 9 실시 예에서, 고객의 구매 속성 결정 장치(100)는 시간 및 구매 히스토리에 대한 상권을 포함하는 하나 이상의 기준을 이용하여, 각각의 요일 및 각각의 시간대에 대응되는 고객의 구매 횟수 대한 정보를 포함하는 매트릭스 정보를 획득할 수 있다.

제 10 실시 예에서, 고객의 구매 속성 결정 장치(100)는 요일 및 시간대를 포함하는 하나 이상의 기준을 이용하여, 각각의 상권 및 각각의 업종에 대응되는 고객의 구매 횟수 대한 정보를 포함하는 매트릭스 정보를 획득할 수 있다.

제 11 실시 예에서, 고객의 구매 속성 결정 장치(100)는 구매 히스토리에 대한 상권 및 업종을 포함하는 하나 이상의 기준을 이용하여, 매트릭스 정보는 각각의 상권 및 각각의 업종에 대응되는 고객의 구매 횟수 대한 정보를 포함하는 매트릭스 정보를 획득할 수 있다.

제 12 실시 예에서, 고객의 구매 속성 결정 장치(100)는 시간, 구매 히스토리에 대한 상권 및 업종을 포함하는 하나 이상의 기준을 이용하여, 각각의 시간대에 대응되는 각각의 업종에 대한 고객의 구매 금액 또는 구매 횟수 대한 정보를 포함하는 제 1 매트릭스 정보, 각각의 주에 대응되는 각각의 상권에 대한 고객의 구매 여부 또는 구매 횟수 대한 정보를 포함하는 제 2 매트릭스 정보 및 각각의 상권 및 각각의 업종에 대응되는 고객의 구매 횟수 대한 정보를 포함하는 제 3 매트릭스 정보를 포함하는 매트릭스 정보를 획득할 수 있다.

단계 S440 에서 일 실시 예에 따른 고객의 구매 속성 결정 장치(100)는 매트릭스 정보에 기초하여 고객의 구매 속성을 결정할 수 있다. 일 실시 예에서, 고객의 구매 속성은 시간에 따른 고객의 특정 제품에 대한 구매 확률을 포함할 수 있다. 예를 들면, 고객의 구매 속성 결정 장치(100)는 2차원 형식으로 변환된 매트릭스 정보에 CNN(Convolutional Neural Network)을 적용하여 고객의 특정 제품에 대한 구매 확률을 결정할 수 있다.

본 발명의 일 실시 예에 따르면, 사용자가 자신의 편향에 따라 좋은 변수들을 편집하여 넣지 않더라도 수많은 주요 변수들을 하나의 매트릭스 정보에 압축하여 데이터 분석에 반영할 수 있어 변수의 개수가 늘어나더라도 저장 용량의 측면에서 효율적인 효과가 있다.

본 발명의 일 실시 예에 따르면, 1차원 형식으로 표현되는 정형 데이터를 2차원 형식의 이미지로 변환하고 CNN을 기반으로 이미지에 대한 학습을 수행함으로써, 수많은 변수들을 하나의 이미지에 압축 반영하여 고객의 구매 속성을 결정하는 모델의 학습 효율을 향상시키고 모델의 결정 정확성을 개선시킬 수 있다.

한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 램, USB, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 고객의 구매 속성 결정 장치
110: 통신부 120: 프로세서
130: 저장부

Claims

고객의 구매 속성을 결정하는 방법에 있어서,
1차원 형식으로 표현되는 상기 고객의 구매 히스토리 정보를 수신하는 단계;
상기 구매 히스토리 정보에 포함된 정보의 종류에 기초하여 상기 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정하는 단계;
상기 하나 이상의 기준에 기초하여 상기 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하는 단계; 및
상기 매트릭스 정보에 기초하여 상기 고객의 구매 속성을 결정하는 단계;를 포함하고,
상기 매트릭스 정보에 기초하여 상기 고객의 구매 속성을 결정하는 단계는
상기 매트릭스 정보로부터 R, G, B로 표현된 이미지를 획득하는 단계; 및
상기 이미지에 CNN(Convolutional Neural Network)을 적용하여 상기 고객의 구매 속성을 결정하는 단계를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고,
상기 매트릭스 정보를 획득하는 단계는
상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 구별되어 배치된 상기 매트릭스 정보를 획득하고,
상기 기설정 기간은 최근 기간 중 상기 클릭 횟수의 합인 제 1 값, 전체 기간 중 상기 클릭 횟수의 합인 제 2 값 및 상기 제 2 값에 대한 상기 제 1 값의 비율을 나타내는 제 3 값에 따라 결정되는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고,
상기 매트릭스 정보를 획득하는 단계는
상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 랜덤하게 배치된 상기 매트릭스 정보를 획득하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 하나 이상의 기준은 날짜 및 제품에 대한 카테고리를 포함하고,
상기 매트릭스 정보는 각각의 날짜에 대응되는 각각의 카테고리에 대한 상기 고객의 클릭 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 하나 이상의 기준은 클릭 순서 및 제품에 대한 카테고리를 포함하고,
상기 매트릭스 정보는 각각의 카테고리에 대한 상기 고객의 클릭 순서를 나타내는 정보를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 하나 이상의 기준은 시간 및 구매 히스토리에 대한 업종을 포함하고,
상기 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 상기 고객의 구매 금액 또는 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 하나 이상의 기준은 시간 및 구매 히스토리에 대한 상권을 포함하고,
상기 매트릭스 정보는 각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 여부 또는 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 하나 이상의 기준은 요일 및 시간대를 포함하고,
상기 매트릭스 정보는 각각의 요일 및 각각의 시간대에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함하고,
상기 매트릭스 정보는 각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 하나 이상의 기준은 시간, 구매 히스토리에 대한 상권 및 업종을 포함하고,
상기 매트릭스 정보는
각각의 시간대에 대응되는 각각의 업종에 대한 상기 고객의 구매 금액 또는 구매 횟수에 대한 정보를 포함하는 제 1 매트릭스 정보,
각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 여부 또는 구매 횟수에 대한 정보를 포함하는 제 2 매트릭스 정보 및
각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는 제 3 매트릭스 정보를 포함하는, 고객의 구매 속성 결정 방법.
제 1 항에 있어서,
상기 고객의 구매 속성은 시간에 따른 상기 고객의 특정 제품에 대한 구매 확률을 포함하고,
상기 하나 이상의 기준을 결정하는 단계는
상기 구매 히스토리 정보가 온라인 구매에 대한 히스토리 정보인지 오프라인 구매에 대한 히스토리 정보인지 결정하는 단계;를 포함하고,
상기 구매 히스토리 정보가 상기 온라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 제품에 대한 카테고리를 포함하고,
상기 구매 히스토리 정보가 상기 오프라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함하는, 고객의 구매 속성 결정 방법.
고객의 구매 속성을 결정하는 장치에 있어서,
1차원 형식으로 표현되는 상기 고객의 구매 히스토리 정보를 수신하는 통신부; 및
상기 구매 히스토리 정보에 포함된 정보의 종류에 기초하여 상기 구매 히스토리 정보의 재정렬에 이용되는 하나 이상의 기준을 결정하고, 상기 하나 이상의 기준에 기초하여 상기 구매 히스토리 정보를 2차원 형식으로 변환하여 매트릭스 정보를 획득하고, 상기 매트릭스 정보에 기초하여 상기 고객의 구매 속성을 결정하는 프로세서;를 포함하고,
상기 프로세서는
상기 매트릭스 정보로부터 R, G, B로 표현된 이미지를 획득하고,
상기 이미지에 CNN(Convolutional Neural Network)을 적용하여 상기 고객의 구매 속성을 결정하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고,
상기 프로세서는
상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 구별되어 배치된 상기 매트릭스 정보를 획득하고,
상기 기설정 기간은 최근 기간 중 상기 클릭 횟수의 합인 제 1 값, 전체 기간 중 상기 클릭 횟수의 합인 제 2 값 및 상기 제 2 값에 대한 상기 제 1 값의 비율을 나타내는 제 3 값에 따라 결정되는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 구매 히스토리 정보는 상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 각각의 카테고리에 대한 클릭 횟수에 대한 정보를 포함하고,
상기 프로세서는
상기 고객의 신상 정보 및 상기 고객의 기설정 기간 동안 상기 각각의 카테고리에 대한 상기 클릭 횟수에 대한 정보가 랜덤하게 배치된 상기 매트릭스 정보를 획득하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 하나 이상의 기준은 날짜 및 제품에 대한 카테고리를 포함하고,
상기 매트릭스 정보는 각각의 날짜에 대응되는 각각의 카테고리에 대한 상기 고객의 클릭 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 하나 이상의 기준은 클릭 순서 및 제품에 대한 카테고리를 포함하고,
상기 매트릭스 정보는 각각의 카테고리에 대한 상기 고객의 클릭 순서를 나타내는 정보를 포함하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 하나 이상의 기준은 시간 및 구매 히스토리에 대한 업종을 포함하고,
상기 매트릭스 정보는 각각의 시간대에 대응되는 각각의 업종에 대한 상기 고객의 구매 금액 또는 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 하나 이상의 기준은 시간 및 구매 히스토리에 대한 상권을 포함하고,
상기 매트릭스 정보는 각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 여부 또는 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 하나 이상의 기준은 요일 및 시간대를 포함하고,
상기 매트릭스 정보는 각각의 요일 및 각각의 시간대에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함하고,
상기 매트릭스 정보는 각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 하나 이상의 기준은 시간, 구매 히스토리에 대한 상권 및 업종을 포함하고,
상기 매트릭스 정보는
각각의 시간대에 대응되는 각각의 업종에 대한 상기 고객의 구매 금액 또는 구매 횟수에 대한 정보를 포함하는 제 1 매트릭스 정보,
각각의 주에 대응되는 각각의 상권에 대한 상기 고객의 구매 여부 또는 구매 횟수에 대한 정보를 포함하는 제 2 매트릭스 정보 및
각각의 상권 및 각각의 업종에 대응되는 상기 고객의 구매 횟수에 대한 정보를 포함하는 제 3 매트릭스 정보를 포함하는, 고객의 구매 속성 결정 장치.
제 12 항에 있어서,
상기 고객의 구매 속성은 시간에 따른 상기 고객의 특정 제품에 대한 구매 확률을 포함하고,
상기 프로세서는 상기 구매 히스토리 정보가 온라인 구매에 대한 히스토리 정보인지 오프라인 구매에 대한 히스토리 정보인지 결정하고,
상기 구매 히스토리 정보가 상기 온라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 제품에 대한 카테고리를 포함하고,
상기 구매 히스토리 정보가 상기 오프라인 구매에 대한 히스토리 정보인 경우, 상기 하나 이상의 기준은 구매 히스토리에 대한 상권 및 업종을 포함하는, 고객의 구매 속성 결정 장치.
제 1 항 내지 제 11 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.