KR102429941B1 - 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템 - Google Patents

Abstract

트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템이 제공되며, 적어도 하나의 화장품 신제품을 검색하고, 화장품 신제품을 판매하는 브랜드 판매 페이지로 이동하는 사용자 단말, 적어도 하나의 화장품 신제품을 판매하는 브랜드 판매 페이지를 제공하는 브랜드 판매 서버 및 브랜드 판매 서버로부터 적어도 하나의 화장품 신제품에 대한 마케팅 요청 이벤트를 수신하는 의뢰수신부, 적어도 하나의 화장품 신제품을 업로드하는 업로드부, 사용자 단말에서 유입된 인터넷 여정을 추적하는 인터넷여정추적부, 사용자 단말에서 적어도 하나의 화장품 신제품을 검색하는 경우 사용자 단말의 관심제품을 추적하는 관심제품추적부, 사용자 단말에서 브랜드 판매 페이지로 이동하는 트래픽이 발생하는 경우 사용자 단말의 구매행동을 추적하는 구매행동추적부를 포함하는 플랫폼 서비스 제공 서버를 포함한다.

Description

트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템{SYSTEM FOR PROVIDING TRAFFIC BASED NEW BEAUTY PRODUCT PLATFORM SERVICE}

본 발명은 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템에 관한 것으로, 화장품 신제품 플랫폼으로 유입된 사용자 단말이 브랜드 판매 페이지로 이동하는 트래픽에 따라 트래픽 수수료를 과금하는 플랫폼을 제공한다.

정보기술 분야뿐 아니라 다양한 분야에서 빅데이터에 대한 관심이 상승함에 따라, 검색엔진 사이트들도 구글을 선두로, 검색어 당 유저들의 웹검색 트래픽 정보를 공개하기 시작했다. 웹검색 트래픽 정보 데이터를 활용한 방법의 장점은 최근 유저들이 관심을 갖고 검색해본 검색추이를 통해 가까운 미래를 예측하는 데에 탁월하다. 접근성이 높고 획득하기 쉬운 웹검색 트래픽 정보데이터 제공 서비스의 등장에 따라 해당 데이터를 활용한 연구도 활발해졌다. 웹검색 트래픽 정보는 제조, 마케팅, 서비스, 금융, 보건정책 등 다양한 방면에서 연구에 활용되고 있고, 탄력재와 비탄력재, 유동성을 막론한 분야에서 주목을 받고 있다.

이때, 사이트로 유입되는 트래픽 정보를 모니터링하여 광고 단가를 맞춤형으로 설정하거나, 사이트에 유입된 사용자의 행동을 추적 및 분석하는 방법이 연구 및 개발되었는데, 이와 관련하여 선행기술인 한국등록특허 제10-1729185호(2017년04월21일 공고) 및 한국등록특허 제10-2347187호(2022년01월04일 공고)에는, 트래픽 거래 조건을 포함한 트래픽 거래 요청에 기초하여 적어도 하나의 사이트에 광고를 노출하기 위해 송신하고, 광고에 대응하는 사이트로의 유입을 모니터링한 후 피드백 정보를 생성하는 구성과, 사이트에 접속하는 사용자의 유입경로정보 및 행동정보를 수집하기 위한 추적코드를 생성하고, 추적코드에 기반하여 유입경로정보 및 행동정보를 시각화하여 제공하는 구성이 각각 개시되어 있다.

다만, 전자의 경우 광고 단가를 맞춤형으로 제공하기 위하여 트래픽 정보를 분석하는 것일 뿐 마케팅 효율을 높이기 위한 트래픽 정보를 분석하는 것이 아니다. 후자의 경우에도 유입경로정보 및 행동정보만 시각화할 뿐 다수의 브랜드 사이트로의 유입을 위한 플랫폼으로부터 사이트로의 연계되는 트래픽을 분석하지 않는다. 화장품 신제품의 경우 얼마나 많은 또 어떠한 집단이 어떠한 화장품 신제품을 살 것인지를 예측하고 분석하는 것이 중요하지만 화장품 신제품만을 모아서 보여주고 이에 대한 각 고객의 유입여정 및 관심제품을 추적하며, 각 브랜드 판매 사이트로 이동하는 트래픽에 따라 구매행동까지 추적하여 분석해주는 플랫폼은 존재하지 않는다. 이에, 화장품 신제품 플랫폼을 구축하여 브랜드 판매 페이지로 보내주면서 사용자를 분석하고 그 성과에 대하여 과금하는 플랫폼의 연구 및 개발이 요구된다.

본 발명의 일 실시예는, 적어도 하나의 브랜드 판매 서버로부터 화장품 신제품을 수신하여 업로드하고, 사용자 단말에서 접속하는 경우 인터넷유입여정을 추적하여 분석하고, 플랫폼 상에서 사용자 단말의 행동을 분석하여 관심제품을 추적하며, 사용자 단말이 브랜드 판매 페이지로 이동하는 경우 트래픽을 기반으로 과금을 수행하고, 브랜드 판매 페이지로 이동하고 난 후에도 사용자 단말의 구매행동을 추적함으로써 데이터레이크(DataLake)를 구축하며, 마이데이터를 생성 및 활용하도록 함으로써 브랜드사로는 높은 ROAS(Return On Ad Spend)를 제공하고 플랫폼 자체적으로 각 화장품 신제품 및 사용자를 분석한 결과를 활용할 수 있도록 하는, 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 적어도 하나의 화장품 신제품을 검색하고, 화장품 신제품을 판매하는 브랜드 판매 페이지로 이동하는 사용자 단말, 적어도 하나의 화장품 신제품을 판매하는 브랜드 판매 페이지를 제공하는 브랜드 판매 서버 및 브랜드 판매 서버로부터 적어도 하나의 화장품 신제품에 대한 마케팅 요청 이벤트를 수신하는 의뢰수신부, 적어도 하나의 화장품 신제품을 업로드하는 업로드부, 사용자 단말에서 유입된 인터넷 여정을 추적하는 인터넷여정추적부, 사용자 단말에서 적어도 하나의 화장품 신제품을 검색하는 경우 사용자 단말의 관심제품을 추적하는 관심제품추적부, 사용자 단말에서 브랜드 판매 페이지로 이동하는 트래픽이 발생하는 경우 사용자 단말의 구매행동을 추적하는 구매행동추적부를 포함하는 플랫폼 서비스 제공 서버를 포함한다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 적어도 하나의 브랜드 판매 서버로부터 화장품 신제품을 수신하여 업로드하고, 사용자 단말에서 접속하는 경우 인터넷유입여정을 추적하여 분석하고, 플랫폼 상에서 사용자 단말의 행동을 분석하여 관심제품을 추적하며, 사용자 단말이 브랜드 판매 페이지로 이동하는 경우 트래픽을 기반으로 과금을 수행하고, 브랜드 판매 페이지로 이동하고 난 후에도 사용자 단말의 구매행동을 추적함으로써 데이터레이크(DataLake)를 구축하며, 마이데이터를 생성 및 활용하도록 함으로써 브랜드사로는 높은 ROAS(Return On Ad Spend)를 제공하고 플랫폼 자체적으로 각 화장품 신제품 및 사용자를 분석한 결과를 활용할 수 있도록 한다.

도 1은 본 발명의 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 플랫폼 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 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 소자를 사이에 두고 "전기적으로 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 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.

본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 플랫폼 서비스 제공 서버(300), 적어도 하나의 브랜드 판매 서버(400)를 포함할 수 있다. 다만, 이러한 도 1의 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.

이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 플랫폼 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 플랫폼 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 브랜드 판매 서버(400)와 연결될 수 있다. 또한, 적어도 하나의 브랜드 판매 서버(400)는, 네트워크(200)를 통하여 플랫폼 서비스 제공 서버(300)와 연결될 수 있다.

여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.

적어도 하나의 사용자 단말(100)은, 트래픽 기반 화장품 신제품 플랫폼 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 화장품 신제품 플랫폼으로 유입되어 화장품 신제품을 검색하고 구매를 위해 브랜드 판매 페이지로 이동하여 구매 및 결제를 하거나 이탈을 하는 사용자의 단말일 수 있다.

여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

플랫폼 서비스 제공 서버(300)는, 트래픽 기반 화장품 신제품 플랫폼 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 플랫폼 서비스 제공 서버(300)는, 적어도 하나의 브랜드 판매 서버(400)로부터 마케팅 의뢰를 받고 적어도 하나의 화장품 신제품을 플랫폼에 업로드하는 서버일 수 있다. 또한, 플랫폼 서비스 제공 서버(300)는, 사용자 단말(100)에서 플랫폼으로 유입되는 경유 인터넷유입여정을 추적하고, 플랫폼 내에서 행동을 분석하여 관심제품을 추적하며, 브랜드 판매 페이지로 이동하고 난 후에는 구매행동을 추적하여 데이터레이크(DataLake)를 구축하고 이에 대한 분석을 담은 리포트를 브랜드 판매 서버(400)로 제공하는 서버일 수 있다.

여기서, 플랫폼 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.

적어도 하나의 브랜드 판매 서버(400)는, 트래픽 기반 화장품 신제품 플랫폼 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 플랫폼 서비스 제공 서버(300)로 마케팅을 의뢰하고 그 결과를 실시간 또는 주기적으로 공유받거나 보고받는 서버일 수 있다.

여기서, 적어도 하나의 브랜드 판매 서버(400)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 브랜드 판매 서버(400)는, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 브랜드 판매 서버(400)는, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

도 2는 도 1의 시스템에 포함된 플랫폼 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.

도 2를 참조하면, 플랫폼 서비스 제공 서버(300)는, 의뢰수신부(310), 업로드부(320), 인터넷여정추적부(330), 관심제품추적부(340), 구매행동추적부(350), 트래픽정산부(360), 실시간공유부(370), 메타데이터정산부(380), 구매확률추정부(390), ROAS개선부(391), 구매가능집단선정부(393)를 포함할 수 있다.

본 발명의 일 실시예에 따른 플랫폼 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100) 및 적어도 하나의 브랜드 판매 서버(400)로 트래픽 기반 화장품 신제품 플랫폼 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100) 및 적어도 하나의 브랜드 판매 서버(400)는, 트래픽 기반 화장품 신제품 플랫폼 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100) 및 적어도 하나의 브랜드 판매 서버(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.

도 2를 설명하기 이전에 도 2에서 설명될 구글 애널리틱스의 기본개념을 설명한다. 이하에서 설명된 내용들은 도 2에서 중복하지 않는다.

<로그분석>

로그(Log)분석이란 로그데이터를 이용하여 웹 사이트의 방문자 트래픽(Traffic)을 파악하고 이 트래픽 정보를 분석하는 것이라 할 수 있다. 하나의 트래픽에 여러 가지의 방문자 정보를 얻을 수가 있는데 일반적 정보(접속시간, 접속방식, 접속장소, 페이지뷰, 사용자별 페이지뷰) 및 확장된 정보(고객정보, 구매정보, 재방문정보) 등 분석에 따라 구체적인 사용자 정보 추출이 가능하다.

<방문자 행동 분석>

초기의 웹 로그분석은 웹 사이트 상에서 고객의 행동을 분석하고, 이를 단지 웹 사이트 디자인에 반영하기 위하여 사용되었다. 하지만 인터넷 비즈니스의 활성화와 더불어 인터넷 마케팅 영역이 늘어나면서 좀 더 직접적이고 고효율적인 마케팅이 가능하도록 고객의 세분화된 행동패턴 연구에 로그분석이 사용되어지고 있다. 이러한 웹 로그분석은 웹 사이트 방문자들이 많이 본 페이지를 방문페이지로 변경하거나, 웹 사이트에서의 방문경로를 파악하여 상품을 배치하는 등 고객의 행동을 파악하고 마케팅을 수행하기 위한 방법으로 이용되고 있으며, 고객의 콘텐츠 선호에 따른 웹 사이트의 효율적 설계 및 관리를 지원하고 있다. 또한 시장분석과 프로모션에 투입되는 마케팅 비용을 감소시키며, 고객의 성향과 행동패턴을 분석할 수 있다.

<구글 애널리틱스>

로그분석을 위해 구글 애널리틱스 사이트를 이용하는 이유는 한 번의 로그 수집으로 여러 가지 분석을 제공하는 심화기능 때문이다. 또한 검증된 계산법을 이용한 데이터 확인이 가능하다는 점을 들 수 있는데 브랜드 참여도 퍼센트나 페이지 이탈율, 페이지 참여율, 전환품질인덱스, 사이트 체류시간 및 방문당 페이지 뷰 등 비교적 정확한 값을 확인 가능하다. 구글 애널리틱스의 로그데이터 수집 및 분석 방법을 살펴보면 SaaS(Software as a Service) 형태의 페이지 태그 서비스인 페이지 태그 기법을 사용하고 있는데 이는 태그가 원격에 있는 데이터 수집 서버에 정보를 보내면, 이를 통해 고객 분석 리포트 조회가 가능한 시스템이다. 리포트는 매 시간 생성되며 사용자는 3~4 시간 후 면 신규 데이터 리포트 확인이 가능하다.

구글 애널리틱스로 알 수 있는 분석 지표는 일반 분석 지표와 심화 분석지표 두 종류로 나뉘는데 일반 분석 지표로 하루 방문자 수, 평균 전환률(판매등록, 다운로드), 최다 방문 페이지, 웹 사이트 평균 방문시간, 재 방문률, 평균 방문 심도(Depth), 리퍼러(Referer)별 편차,지역별 분포, 사용 언어, 사이트 방문 시간(계속 체류 또는 단일 페이지 방문 후 떠남) 등이고 심화분석 지표로는 신규 방문자 대비 재 방문자의 비율, 마케팅 매체나 광고소스에 따른 사이트 방문율 차이, 페이지 뷰 또는 리퍼링 소스에 따른 이탈율 차이, 사이트 방문자의 참여도, 방문자가 고객이 되기까지 소요되는 방문 횟수와 소요 시간, 유입경로의 통일성, 예를 들어, 고객의 경로(Path)와 회사가 설계한 경로가 같은지 등 여러 지표 확인이 가능하다. 이러한 지표는 여러 의미로 분석될 수 있는데 이하 표 1의 지표 분석 행동의 예를 보면 사용자가 필요한 지표 및 적용할 수 있는 개선 사항을 도출하여 정리 할 수 있다.

지표	분석 행동
주로 유입되는 리퍼러(referer)나 키워드를 분석	최적화된 검색 환경 설정
재방문 사용자의 충성도 분석	핵심고객에게 홍보 가능
구매 프로세스 중단 지점 확인	구매 프로세스 수정-매출 유지
페이지별 평균 방문시간 확인	적절한 정보제공 여부 판단
접속 지역 확인	글로벌 버전 출시 가능
접속 브라우저, 해상도 확인	사용자 편의성 고려
주 사용자의 접속 시간 분석	효율적 운영
정보활용(다운로드) 확인	사용자의 참여도 판단

이러한 강력한 기능들을 제공하고 있긴 하지만 로그데이터를 100% 신뢰하면 안 되는 이유는 9가지 정도이다. 첫째, 동적으로 할당된 IP주소와 둘째, 클라이언트 사이드 캐싱과 셋째, 웹 로봇의 방문 수 카운트는 순 방문자 분석에 영향을 미치며 넷째, 태그 누락에 의한 설정 오류가 있을 수 있고 다섯째, 자바스크립트 오류로 인한 페이지 로딩이 방해받을 수 있으며 여섯째, 방화벽에 의해 페이지 태그가 차단될 경우 정확한 로그 데이터 수집이 어렵다. 일곱째, 사용자의 페이지 지연시간과 여덟째, 페이지 방문시간 카운트 시 마지막 페이지를 무시하는 계산법과 아홉째 페이지 로딩시간이 너무 길 경우는 사용자의 페이지 뷰, 체류시간 분석에 정확한 카운트가 힘들다는 점이 있다. 이러한 이유로 로그 분석 데이터만 믿고 마케팅 정책을 수립하거나 UI를 수정하는 등 지나치게 예민한 개선 활동은 자제하고 수치보다는 추세를 보는데 집중해야한다<구글 애널리틱스 설정>

구글 애널리틱스를 시작하려면 계정을 만들어야 하는데 구글계정과 동일한 하나의 계정으로 다수의 구글 애널리틱스 계정을 생성할 수 있고 각 계정은 다수의 프로필을 가진다. 이때 프로필을 어떤 리포트 보고단위로 정의할 것인지 고려해야하며 생성한 리포트 별로 분석이 가능하고 리포트 간 분석 또한 가능하다. 예를 들어 기간별로 리포트를 추가했다면 리포트A(기간X)와 리포트B(기간Y)의 기간기준 로그 비교 분석 데이터를 확인 할 수 있다. 구글 애널리틱스를 사용하려면 구글에서 제공하는 트래킹 코드(Tracking Code)를 웹 사이트 소스에 직접 추가해야한다. 가능한 웹 사이트의 모든 페이지에 트래킹 코드를 삽입해야 전체적인 사용자 흐름 파악이 가능하며 트래킹 코드는 애널리틱스에 프로필을 설정하는 동시에 트래킹 ID가 발급되는데 이 트래킹 ID가 포함된 트래킹 코드를 삽입해야 식별된 데이터 수집이 가능하다.

<구글 애널리틱스 리포트 분석>

웹 로그 분석 툴 사용자의 가장 대표적인 불만은 생성된 데이터 양이 너무 많아서 찾기 어렵다는 점이고 이 때문에 사용자를 잃어버리거나 정보판독이 불가능하다는 점이다. 이런 이유로 2006년 구글은 매저맵(Measusermap)사를 인수하여 인터페이스를 개선하였는데 로그데이터를 직접적으로 사용하는 마케터가 직관적으로 활용할 수 있도록 초점을 맞추어 개선하고 데이터의 접근성 향상과 더불어 사용자 인터페이스의 탐색 용이성을 강화했다. 구글 애널리틱스의 드릴다운 인터페이스는 일반적으로 메뉴 기반의 내비게이션 스타일을 가진 다른 도구들과는 차이가 있다. 구글 애널리틱스도 메뉴기반의 내비게이션을 사용 할 수 있지만 원하는 데이터를 더욱 쉽게 탐색할 수 있는 인터페이스를 제공하고 있으며 리포트에 있는 링크들이 서로 연관정보를 제공하는 양방향 세그먼테이션은 데이터를 빠르게 인식할 수 있게 하며 수준별 요약이 가능하며 해당 리포트 문맥에 맞는 도움말 및 전환 가이드를 사용할 수 있다.

상술한 기본개념을 기반으로 도 2를 참조하면, 의뢰수신부(310)는, 브랜드 판매 서버(400)로부터 적어도 하나의 화장품 신제품에 대한 마케팅 요청 이벤트를 수신할 수 있다. 브랜드 판매 서버(400)는, 적어도 하나의 화장품 신제품을 판매하는 브랜드 판매 페이지를 제공할 수 있다.

업로드부(320)는, 적어도 하나의 화장품 신제품을 업로드할 수 있다. 이때, 화장품 신제품에 대한 정보와 함께 URL을 함께 제공할 수 있다. 본 발명의 플랫폼은 각종 브랜드 화장품 신제품을 소개하는 통합 플랫폼으로, 본 발명의 플랫폼으로 유입된 사용자(고객)를 각 브랜드 판매 페이지로 이동시키는 것을 목표로 한다. 이에, 적어도 하나의 브랜드 판매 서버(400)로부터 화장품 신제품에 대한 데이터를 수신하고, 이를 본 발명의 플랫폼에 제공할 수 있다. 이때, 본 발명의 플랫폼의 메인 페이지는 고정된 레이아웃 및 프레임에 고정된 위치에 각각의 화장품 신제품이 나열된 고정 페이지일 수도 있지만, 각 사용자의 프로필을 분석하는만큼 사용자에 적합한 또는 맞춤형 데이터를 제공하기 위해 동적 페이지로 구성할 수도 있다.

예를 들어, UAC(User Activity Collector)는 웹페이지에 접속한 사용자의 움직임(Activity)을 수집하여 로그 분석 서버로 전송하고 로그 분석 서버는 웹사이트에 접속한 사용자의 행위 정보를 수신하여 동적 웹페이지에 대한 로그 분석을 수행한다. 로그 분석 서버는 웹페이지를 시각적으로 분석하고 웹페이지에 포함된 롤오버 탭을 탐지하는 기능과 UAC로부터 수집된 사용자의 움직임 정보를 분석하여 동적 웹페이지에 대한 로그 분석을 수행한다. 웹페이지를 시각적으로 분석하기 위한 프로세스는다음과 같이 진행된다. 먼저 웹페이지를 다운로드하여 DOM(Document Object Model) 형태로 시각적으로 표현한 후 DOM 분석기에 의해 웹페이지에 포함된 웹 콘텐츠의 시각적인 표현 위치 및 크기 정보를 픽셀 단위로 분석한다.

화면 캡쳐를 통하여 웹화면 및 영역을 이미지로 생성한 후 웹페이지에는 UAC를 삽입한다. 웹 브라우저에 다운로드된 UAC는 웹페이지 정보 및 윈도우 커서 정보와 페이지 스크롤 정보를 포함한 사용자의 움직임 정보를 주기적으로 수집하여 통신모듈을 통하여 로그 분석 서버로 전송한다. 로그 분석 서버의 LOG Analyzer는 UAC로부터 전송되어온 웹페이지 로그 정보와 사용자의 행위 정보를 분석하여 데이터베이스에 저장한다. LOG Visualizer는 동적 웹페이지의 롤오버 탭 요소에 대한 시각적 분석 정보와 사용자 행위 정보들을 시각화하여 웹페이지 형태로 제공할 수 있다.

인터넷여정추적부(330)는, 사용자 단말(100)에서 유입된 인터넷 여정(Journey)을 추적할 수 있다. 사용자 단말(100)은, 적어도 하나의 화장품 신제품을 검색하고, 화장품 신제품을 판매하는 브랜드 판매 페이지로 이동하할 수 있다. 이때, 인터넷 여정을 추적하기 위하여 구글 캠페인 매니저(Google Campaign Manager)를 이용할 수 있다. 일반적으로 고객의 행동을 분석하기 위한 고객여정지도(Customer Journey Map: CJM)는 사용자경험을 추적하고 분석하는데 효과적인 도구로서, 프로세스의 품질을 평가할 수 있는 가치가 있다. 즉, 고객의 인지단계부터 구매까지의 전체 과정을 살펴보기 위해 개발되어 통합적 분석에 유용한 고객중심의 전략적 방법론인데, 사용자관점에서 경험을 이해하고 문제점을 명확하게 볼 수 있다. 이때, 인터넷여정추적은, 본 발명의 플랫폼으로 유입되기 이전에 어떠한 검색어를 입력해서 들어왔는지, 또는 지인에게 공유받은 링크로 들어온 것인지, 또 어떠한 시계열적인 검색어를 검색하면서 본 플랫폼으로 들어온 것인지 등을 파악하는, 즉 유입경로를 파악하기 위함이다.

관심제품추적부(340)는, 사용자 단말(100)에서 적어도 하나의 화장품 신제품을 검색하는 경우 사용자 단말(100)의 관심제품을 추적할 수 있다. 이때, 상술한 구글 애널리틱스(Google Analytics)가 사용될 수 있다. 대부분의 소비자는 어떠한 제품이나 서비스에 관심이 생기게 되면, 온라인으로 검색을 하는 등의 정보 탐색 과정을 거치게 된다. 덧붙여서, 관심제품추적부(340)는 프로세스 마이닝(Process Mining)을 이용할 수도 있다. 프로세스 마이닝이란, 이벤트 로그를 포함하고 있는 업무수행 데이터를 자동으로 분석하고, 워크플로우를 시각화함으로써 비즈니스 프로세스의 전반적인 모습을 직관적으로 빠르게 이해할 수 있도록 하는 분석 기법이다. 프로세스 마이닝을 통한 비즈니스 분석은 기업의 생산비용 절감, 인력 및 자원 낭비 제거, 가치혁신 등과 같은 문제를 해결하는 데 도움을 줄 수 있다. 프로세스에서 발생한 이벤트를 분석하는 방법에는 통계, 딥러닝, 인공지능, 소셜 네트워크 등의 기법들이 있으며 분석을 위한 툴의 개발도 증가하고 있다. 이처럼 다양한 프로세스 마이닝 기법들을 통해 발견된 프로세스의 특징 및 모델은 관리자의 효율적인 업무를 위해 활용되기도 하며, 추후 프로세스 개선을 위한 지표가 되기도 한다.

프로세스 마이닝은 프로세스 모델링 및 분석과 데이터 마이닝 두 가지가 근간이 된다. 이러한 접근은 작업 결과의 평가에 유용할 수 있으며, 프로세스 모델의 품질을 측정 및 개선하는 데 도움이 된다. 즉, 작업의 전체적인 흐름을 발견(Process Discovery)하거나 프로세스 내의 특정 작업이 적합한지를 검증하는 적합성 검사(Conformance Checking)와 프로세스 모델의 확장(Extension)을 가능하게 한다.

본 발명의 일 실시예에서는, 프로세스 마이닝을 이용하여 웹로그 데이터를 분석하고 관심제품이 무엇인지 파악할 수 있다. 예를 들어, 분석을 위하여 R 프로그램의 BupaR을 이용할 수 있다. BupaR은 비즈니스 프로세스 데이터 처리 및 분석을 위한 오픈소스 통합 R 패키지로, 주요 패키지를 포함하여 여덟 개의 패키지를 제공하며, 프로세스 마이닝의 워크플로우를 제공한다. 웹로그 데이터는 트레이스가 매우 복잡하며 일관적인 사용 패턴을 찾아내기 어려운 특성이 있다. 따라서 다수의 트레이스를 포함하여 결과를 도출하고, 이를 이해하는 것은 매우 어렵다. 또한, 전체적인 프로세스를 특정한 기준 없이 프로세스 맵 상에 모두 나타낼 경우, 직관적인 이해를 돕는 데 한계가 있다. 이에 본 발명의 일 실시예에는 전체 중 50%의 트레이스를 그려보도록 프로세스 맵을 작성할 수도 있다.

관심제품추적부(340)는, 각 사용자의 데이터가 충분히 쌓여 데이터레이크를 이루게 되면, 이를 대규모 집단으로 묶어 각 사용자의 행동 패턴을 분석할 수 있다. 이때, 웹로그의 방문자 행동 분석을 위해서는, 예를 들어 연관 규칙 분석, 순차 패턴 분석, 그리고 분류 및 클러스터링 분석을 수행할 수 있다. 연관 규칙 분석은 지원(Support)과 신뢰도(Confidence)를 기준으로 연관 규칙의 유용성을 측정하는 방식이다. 예를 들어 충분히 짧은 시간 동안 사용자 A가 페이지 1과 2를 방문하였고, 사용자 B가 페이지 2와 3을 방문하였다면, 페이지 2는 사용자 A와 B가 공통적으로 방문한 페이지가 되며 사용자 A와 B 사이에는 의미있는 연관 규칙이 존재한다. 기본적으로 항목과 항목 간의 연관성을 고려하는 방식으로, 전통적으로 장바구니 분석에 많이 사용되고 웹 영역에서는 추천시스템에 주로 사용된다.

순차 패턴 분석은 웹 페이지를 방문하는 순서 정보를 활용하여 대표적인 패턴을 찾기 위한 방법으로, 연관 규칙 분석에 시간의 개념을 추가하여 확장한 분석이다. 사용자들의 시간에 따른 구매 패턴, 사용자들의 웹 문서 방문 경로 등을 분석하여 웹 사이트의 디자인이나 계층적인 구성에 유용하게 사용된다. 분류 분석은 특정 사용자 그룹이 자주 방문하는 웹 페이지 프로파일을 만들고 이것을 이용하여 새로운 사용자들을 분류하는 방법이다. 즉, 기존 사용자들의분석을 새로운 사용자에게 활용하는 방법으로, 의사결정나무(Decision Tree) 기법이 많이 사용된다. 클러스터링 분석은 사용자나 웹 페이지를 k개의 그룹으로 나누어 그룹의 특성을 파악하기 위한 방법으로 사용자들은 특정 목적을 갖고 웹 사이트를 방문한다는 가정하에 사용자가 읽은 문서들의 분석을 통해 방문 목적을 파악한다. 비슷한 성향을 가진 사용자들은 서로 유사한 내용의 웹 페이지를 요청하기 때문에 이를 이용하여 사용자들을 그룹화할 수 있다. 클러스터링은 개인화 기법에도 널리 사용된다.

<그래프>

그래프는 표현적인 데이터 구조로써 웹이나 소셜 네트워크, 정보 공간, 센서 네트워크 등의 많은 애플리케이션 도메인에서 사용되고 있다. 그래프 G는 노드(Vertex) 집합과 링크(Edge) 집합의 쌍 G=(V, E)로 이루어진다. V와 E는 각각 노드와 링크의 집합을 나타낸다. 노드는 객체 그 자체를 나타내고 링크는 객체와 객체 간의 관계를 명시한다. 노드의 개수 n=│V│은 그래프의 차수(Order)이다. 방향성이 없는 그래프에서 각각의 링크들은 순서가 없는 노드의 쌍(u, v)으로 구성되며 방향성이 있는 그래프에서 링크들은 순서가 있는 쌍으로 이루어진다. 노드 u, v는 링크의 끝점(Endpoint)으로 불린다. 링크의 개수 m=│E│은 그래프의 크기를 나타낸다. 가중치가 있는 그래프에서 각 링크에 가중치(중요도) 값이 부여되며, 함수 w : E→R에 의해 가중치 값이 결정된다.

<그래프 클러스터링>

그래프 클러스터링은 최근 소셜 네트워크 서비스의 급성장과 맞물려 활발하게 연구되고 사용되고 있는 기법으로, 그래프 상에서 조밀하게 연결된 노드들을 그룹화 하는 것을 목적으로 한다. 주요 응용 분야로는 소셜 네트워크 분석, 인용 관계 분석 등이 있다. 그래프 클러스터링과 전통적인 데이터 클러스터링에는 큰 차이점이 존재한다. 그래프 클러스터링은 노드의 유사도(Closeness)를 연결성(Connectivity)과 구조적 유사도(Structural Similarity)를 통해 측정하고 노드를 그룹화한다. 반면에 전통적인 데이터 클러스터링은 속성의 유사도에 기반한 거리(Distance)를 측정하여 객체들을 그룹화한다.

<웹로그 데이터 분석>

웹로그 데이터 분석을 통해 응용 가능한 부분은 크게 추천, 예측, 행동 분석의 세 가지로 나뉜다. 먼저 추천은 과거 사용자들의 행동을 바탕으로 새로운 사용자들에게 예상되는 페이지나 물품 등을 추천할 때 사용될 수 있다. 예측은 사용자들이 방문했던 웹 문서들의 방문 순서 기록을 분석하여 특정 페이지 이후 요청될 페이지를 예측하는 것으로, 페이지들의 예상 경로를 분석함으로써 웹 사이트의 구조를 효율적으로 재구성하는 데 많이 사용된다. 마지막으로 행동 분석은 사용자들의 요구사항을 분석하여 사용자 행동 패턴에 따라 웹 사이트를 자동으로 재구성해 주는 웹 개인화의 영역에서 널리 사용될 수 있다.

구매행동추적부(350)는, 사용자 단말(100)에서 브랜드 판매 페이지로 이동하는 트래픽이 발생하는 경우 사용자 단말(100)의 구매행동을 추적할 수 있다. 사용자 단말(100)에서 브랜드 판매 페이지의 URL(Uniform Resource Locator)로 이동하는 경우, 브랜드 판매 페이지로부터 마케팅 캠페인 효과 추적을 위한 URL 매개변수인 UTM(Urchin Tracking Module)을 수신할 수 있다. UTM은, 웹사이트 도착 사용자의 URL을 바탕으로, 트래픽 소스의 필드들을 구성해주는 트래킹 코드이다. 쉽게 말하면 URL에 UTM을 붙일 경우, 자세한 유입 경로를 알 수 있게 되고, 본 발명의 플랫폼에서 마케팅을 의뢰한 각 브랜드사로 이동한 트래픽을 파악할 수 있게 된다.

트래픽정산부(360)는, 플랫폼 서비스 제공 서버에서 제공하는 플랫폼으로 유입된 사용자 단말(100)이 브랜드 판매 페이지로 이동하는 트래픽이 발생하는 경우, 트래픽에 대한 트래픽 수수료를 적어도 하나의 브랜드 판매 서버(400)로 청구할 수 있다.

실시간공유부(370)는, 사용자 단말(100)이 플랫폼 서비스 제공 서버에서 제공하는 플랫폼으로 유입된 후, 브랜드 판매 페이지로 이동하고 구매 및 결제를 진행하거나 이탈되는 행동 데이터를 실시간으로 추적, 저장 및 분석하고, 브랜드 판매 서버(400)로 실시간으로 공유할 수 있다. 이때, 브랜드 참여도란 해당 사이트를 알고 있는 사용자가 인지도 때문에 사이트를 방문했다면 브랜드 참여도가 있다고 본다. 브랜드 참여도 퍼센트를 구하는 식은 이하 수학식 1과 같다.

단일 페이지 방문을 최소화하기 위한 방법으로 사이트를 방문한 사용자가 사이트에 들어와 한 페이지만 보고 다른 사이트로 이동하거나 브라우저를 닫아 버리는 경우 등의 이탈 행동을 체크하여 관리한다. 이러한 페이지 이탈율을 구하는 식은 이하 수학식 2와 같다.

여기서 제로액션이란 파일다운로드, 플래시 인터랙션 등의 이벤트나 전자상거래 트랜잭션처럼 추적할 수 있는 페이지 뷰 액션이 없는 경우를 말하며 이탈율이 25% 미만(녹색)일 경우 적극적인 활동이 가능한 타겟 페이지로 정의하여 방문자를 끌어들이는데 핵심적 페이지로 신규 프로모션이나 주요 뉴스 등 지속적인 업데이트를 통한 관리가 필요하다고 판단하며 이탈율이 25% 이상 50% 미만(노란색)의 경우 개선을 위한 최적화 작업까지 시간적 여유가 있다고 판단, 인기 콘텐츠 리포트의 대부분을 구성하여 개선하여야 한다. 또한 이탈율 50% 이상(빨강)의 페이지는 시급히 개선해야하는 리비젼 우선순위의 페이지들로 오래된 콘텐츠 혹은 에러가 있는 페이지일 확률이 높다.

페이지 참여율은 모든 방문자의 평균차 이므로 둔감한 지표라 할 수 있다. 그래서 신규방문자 대비 재방문자의 평균 체류시간을 확인하거나 방문당 페이지수를 비교하는 방법을 병행하는 것이 좋다. 사용자의 페이지 체류시간은 해당 사이트에 들어와서 소비한 시간의 길이를 말하는 것으로 마지막 페이지뷰 시간에서 최초 페이지뷰 시간을 빼어 계산한다. 구글 애널리틱스에서는 새 브라우저를 열거나 최소화하고 다른 작업을 할 경우를 대비하여 쿠키타임아웃 시간은 30초로 설정, 마지막 페이지 뷰는 무시하며 방문자가 페이지를 떠나는 시점에 측정하지 않고 마지막 페이지나 이벤트가 요청된 시점에 측정 된다. 또한 체류시간이 길다고 항상 좋은 것은 아니다. 사이트가 너무 혼란스러워 사용자가 방향을 잃어버렸거나 다른 업무 중일 수도 있기 때문이다.

구글 애널리틱스에서 제공하는 로그분석 중 가장 필요한 기능 중 하나로 목표값 전환율을 들 수 있는데 사이트 방문자가 최종 도달해야하는 페이지를 목표값으로 정하고 그 페이지에 도달하는 비율 및 도달하기까지 유입경로를 확인할 수 있다. 이때 유입 경로로 진입하는 방문자의 수는 각 단계마다 감소하며 유입경로 중 어느 지점에서 이탈율이 높은지 등 함께 분석하여 목표페이지의 도달에 방해가 되는 요소 등을 개선할 수 있다. 사이트에서 예상하여 기획한 사용자 Path와 실제 사용자의 Path를 비교해 볼 수 있는 중요한 척도가 된다.

마이데이터생산부(380)는, 사용자 단말(100)의 인구통계학적 데이터, 평균 체류시간, 제품 경쟁력 비교, 월별 구매전환율 및 기여도 분석을 수집하여 사용자 단말(100)의 마이데이터(MyData)를 생산할 수 있다. 이때, 적어도 하나의 화장품 신제품별로 마이데이터를 생산할 수 있다. 마이데이터 중 인구통계학적 데이터는 타겟팅(Tarketing), 평균 체류시간에 포함된 평균, 페이지별 및 구매전환율은 그로스해킹(Growth Hacking), 제품 경쟁력 비교에 포함된 카테고리별 제품 경쟁력 비교 및 제품별 제품 경쟁력 비교는 포지셔닝(Positioning), 월별 구매전환율에 포함된 카테고리별 월별 구매전환율 및 제품별 월별 구매전환율은 트렌드 서칭(Trend Searching), 기여도 분석에 포함된 방문 사이트별 기여도 분석 및 유입 디바이스별 기여도 분석은 미디어 플래닝(Media Planning)에 이용할 수 있다.

구매확률추정부(390)는, 사용자 단말(100)의 인터넷여정 추적 데이터, 관심제품 추적 데이터 및 구매행동 추적 데이터를 데이터레이크(DataLake)로 저장하고, 화장품 신제품에 대한 관심 및 구매확률을 추정할 수 있다. 예를 들어, 클릭스트림 데이터를 이용하는 경우,비자들의 구매 행동 예측, 의사결정 프로세스, 그리고 사이트 방문 목적을 확인할 수 있다. 이에 따라, 로짓 모델(Logit Model), 연관분석(Association Rules), RNN(Recurrent Neural Network)를 포함한 각종 머신러닝이나 딥러닝 분석 등을 주로 사용할 수 있다. 현재 세션 내에서의 클릭 로그를 기반으로, 혹은 과거의 사용자 활동 이력을 토대로 현재 세션에서 구매가 발생하는지를 예측하는 일을 분석할 수도 있지만, 클릭스트림 데이터를 이용하여 사용자의 다음 세션에서 일어날 구매를 예측할 수도 있다. 현재 세션의 클릭 로그를 기반으로 다음 세션에서의 구매를 예측할 수도 있다. 만약 기업이 한 세션의 데이터를 사용해서 현재 세션과 다음 세션의 구매여부를 예측할 수 있다면, 언제 구매가 이루어지는지에 따라 맞춤형 마케팅을 효과적으로 할 수 있다.

온라인 사용자들은 정보를 탐색하거나 상품을 구입하려고 할 때, 단순히 한 사이트에만 방문하기 보다는 여러 사이트를 방문하는 경향이 있다. 그리고 어떤 사용자의 한 웹사이트에 대한 두 방문 사이에는 큰 시간 간격이 존재할지도 모른다. 게다가 사용자들의 검색 패턴은 시간이 지남에 따라 바뀔 수도 있다. 이러한 현상이 발생하는 이유는 상품의 인기와 사용자들의 웹사이트 검색 목적이 시시각각 바뀔 뿐만 아니라, 사람은 기본적으로 한정된 자원을 갖고 있기 때문이다. 이러한 이유로 만약 온라인 마케터가 사용자의 웹사이트 방문 동안 마케팅 액션을 취하기를 원한다면, 사용자의 현 시점의 액션은 구매 예측에 있어서 그 사용자에 대한 과거 정보보다 더 중요하다고 말할 수 있다. 그리고 만약 쇼핑 웹사이트 회사가 실시간 온라인 쇼핑 환경에서 가장 시기적절한 마케팅 액션을 언제취할 수 있는지 알 수 있다면, 그들은 웹사이트 방문자와 쇼핑하는 고객들의 구매 전환률과 쇼핑 만족도를 높일 수 있다. 이를 위하여, 시계열 분석에 탁월한 LSTM(Long Short-Term Memory)을 이용하여 세션 내의 클릭 로그를 토대로, 현재 세션과 그 다음 세션의 구매를 예측할 수 있다. 또한 동일한 알고리즘 세팅에서 세션의 맨 앞 클릭 로그 N 개만을 절단 후 사용하는 실시간 구매 예측 모델을 만듦으로써 최적의 구매 예측 시점을 찾을 수도 있다.

ROAS(Return On Ad Spend)개선부(391)는, 데이터레이크를 이용하여 구매고객집단의 분석 및 리마케팅(Re-Marketing)을 실행할 수 있다. 데이터레이크(Data Lake)는 대용량의 원시 데이터(Raw data)를 필요로 할 때까지 원시 데이터 형식(Raw Data Format)으로 저장할 수 있는 확장가능한 대용량 스토리지 저장소를 의미한다. 계층적 Data Warehouse는 파일이나 폴더에 데이터를 저장하지만, Data Lake는 플랫 아키텍처를 사용하여 데이터를 저장하게 되며, Data Warehouse와 Data Lake의 차이점은 이하 표 2와 같이 나타낼 수 있다. 물론, 데이터웨어하우스를 이용하는 것을 배제하는 것은 아니다.

Item	Data Warehouse	Data Lake
Data	Structured, Processed	Structured /Semi-structured / Unstructured, Raw
Processing	Schema-on-write	Schema-on-read
Storage	Expensive for large data volume	Designed for low-cost storage
Agility	Less agile, fixed configuration	Highly agile, configure and reconfigure as needed
Security	Mature	Maturing
User	Business Professionals	Data Scientists

데이터레이크는 일반적인 데이터베이스 구조를 먼저 정의한 다음, 이 구조에 맞는 데이터로 데이터를 채우는 대신에 모든 종류의 데이터를 저장하고, 필요할 때 이 데이터를 필요한 형식으로 사용할 수 있게 한다는 개념이다. 또한, 장기간 패턴 분석을 수행하기 위해, 이 데이터를 장기간 보관할 수 있어야 한다. 데이터레이크 저장소는 데이터 정제소와 함께 임시 기준으로 질의될 수 있다. 빅데이터 저장소가 데이터레이크로 분류되기 위해서는 다음의 3 가지 핵심 특징을 갖추어야 한다. 일반적으로 DFS(Distributed File System)에 저장된 데이터의 단일 공유 저장소일 것, 오케스트레이션(Orchestration) 및 작업 스케줄링 기능을 갖출 것, 데이터의 사용, 처리 또는 작동하는 일련의 응용 프로그램 또는 워크플로우(Workflow)를 포함할 것이다.

구매가능집단선정부(393)는, 적어도 하나의 화장품 신제품의 구매가능집단을 선정할 수 있다. 하나의 화장품 신제품에 대하여 구매가능집단을 선정할 수도 있고, 한 명의 고객(사용자)가 관심있는 화장품 신제품을 선정할 수도 있다. 구매가능집단은 상술한 클러스터링을 통하여 예측 및 선정할 수도 있고 이하의 앙상블 학습 기법을 이용할 수도 있다.

결정트리 기반 앙상블 학습 기법인 랜덤 포레스트, GBM, XGBoost, LightGBM(Light Gradient Boosting Machine)을 기반으로 분류 모델들을 구성하고, 모델의 분류 성능을 Accuracy, Kappa, F1-Score 측면에서 심층 분석할 수 있다. 앙상블 학습은 여러 단일 모델을 전략적으로 생성하고 결합하여, 단일 모델보다 우수한 분류 및 예측 성능을 도출하는 방법론이다. 대표적인 앙상블 학습 방법론으로 배깅(Bagging), 부스팅(Boosting), 스태킹(Stacking)이 있으며, 스태킹은 여러 단일 모델을 사용하는 배깅, 부스팅과는 다른 학습 방식으로 여러 이기종 모델을 구성한 뒤, 각 모델의 예측값을 다시 분류 또는 예측 모델이 학습하여 최종값을 도출하는 방식이다. 분류 모델의 해석을 용이하게 하기 위해 SHAP 패키지에서 제공하는 배깅과 부스팅 방법론만 고려할 수도 있다. 배깅 방법론은 랜덤 포레스트, 부스팅 방법론은 GBM, XGBoost, LightGBM으로 선정할 수 있다.

배깅(Bagging)은 부트스트랩(Bootstrap)과 Aggre-gating의 합성어이다. 부트스트랩은 표본 분포를 구하기 위해 데이터를 여러 번 복원 추출(Resampling)하는 것을 의미하며, 복원 추출된 데이터의 분포는 표본 분포와 근사하게 된다. 먼저, 주어진 데이터 셋을 무작위로 복원 추출하여 분할된 각 데이터 셋에서 병렬적으로 결정트리와 같은 단일 모델을 구성한다. 다음으로, 단일 모델들의 예측값을 집계하여, 분류는 투표(Voting), 회귀는 평균(Average)으로 집계한다. 배깅은 여러 경우의 데이터 셋을 학습하여 최종값을 도출하기 때문에 낮은 분산으로 인해 이상치에 강인하다. 랜덤 포레스트는 대표적인 배깅 기법으로 독립변수를 임의로 선택하여 학습하는 방식이다. 랜덤 포레스트는 다양한 분류 및 예측 문제에서 사용되었으며, 초매개변수(Hyperparameter)가 다른 인공지능 기법보다 적음에도 불구하고 우수한 성능을 도출한다는 장점이 있다. 대표적인 초매개변수로 나무의 수(Number of Trees)와 모델 학습을 위한 독립변수의 수(Number of Features)가 있다.

부스팅은 최종 예측값을 집계하는 방식은 배깅과 유사하나, 병렬 학습인 배깅과는 다른 학습 방식으로, 단일 모델의 잔차를 다음 단일 모델이 학습하여 잔차를 줄이는 학습 방식이다. 이에, 정교한 예측 성능을 기대할 수 있지만, 오랜 학습 시간 및 과적합(Overfitting) 문제가 발생할 수 있다. GBM(Gradient Booting Machine)은 부스팅 방법론의 일종으로, Basic Exact Greedy 알고리즘 기반 무작위로 샘플링된 데이터에 관해 결정트리 모델을 구성하고, 경사 하강법(Gradient Descent)을 통해 잔차(Residue)를 점차 줄여 모델을 재구성한다.

XGBoost는 GBM의 오랜 학습 시간 및 과적합 문제를 해결하기 위해 개발된 인공지능 기법이다. XGBoost는 분산환경에서의 데이터 처리 문제를 효과적으로 다루기 위해 Approxi-mate 알고리즘을 기반으로 데이터 정렬 및 분할을 통해 병렬처리를 수행하여 학습 속도를 향상하였으며, 정규화(Regularization)를 적용해 모델 구조를 간소화하여 과적합 문제를 해결할 수 있다. LightGBM은 GBM, XGBoost보다 더욱 빠른 학습 속도와 정확도 개선을 위해 개발된 알고리즘이다. LightGBM은 GBM과 XGBoost에서 나무를 확장하는 Level-Wise 방식이 아닌, Leaf-Wise 방식을 채택하여, Level-Wise에서 동일한 Level로 재조정하는 시간이 소요되지 않아 빠른 학습이 가능하다.

이하, 상술한 도 2의 플랫폼 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.

도 3a 및 도 3b와 같이 본 발명의 플랫폼은 화장품 신제품을 본 발명의 플랫폼에 모아두고 본 발명의 플랫폼으로 유입된 사용자가, 본 발명의 플랫폼에서 관심있게 보는 제품은 무엇인지, 또 화장품 신제품을 구매하기 위하여 브랜드 판매 페이지로 이동하는지, 이동한 다음에는 이탈을 했는지 또는 구매를 했는지에 대한 인&아웃을 모두 수집하여 분석한다. 본 발명의 플랫폼은 도 3c와 같은 두 가지 구조로 수익을 창출할 수 있으나 이에 한정되는 것은 아니다. 도 3d 및 도 4a와 같이 유입, 체류, 트래픽 및 이탈이나 구매까지 전 과정을 모두 분석하여 광고주인 브랜드사로 리포트를 제공하거나 실시간 데이터를 공유할 수 있다. 본 발명의 데이터 생산 구조는 도 3e와 같을 수 있으며, 상술한 마이데이터는 도 3f와 같이 활용될 수 있다. 물론 나열된 것들로 한정되지 않고 열거되지 않은 이유로 배제되지 않는다.

도 3g와 같이 마케팅 솔루션의 수익화, 고객 트래픽을 자산으로 새로운 수익모델을 실현할 수 있으며, 고객 액티브 데이터를 통하여 검증된 제품을 판매할 수 있게 된다. 도 4b와 같이 플랫폼의 초기 3A(Aware, Appeal, Ask) 실행을 통하여 효율을 개선할 수 있다. 본 발명의 일 실시예에 따른 플랫폼을 이용한 결과, 화장품 광고의 평균 CPC 1000원을 300원으로 절감했고 브랜드의 ROAS를 개선했다. 또, 광고제작비 및 담당인력 투입을 플랫폼으로 대체하여 브랜드가 투입해야 하는 마케팅 자원을 줄일 수 있으며, 브랜드 판매 사이트에 유입되는 고객의 평균체류시간을 늘려 브랜드의 구매 확률을 높이고, 플랫폼의 독자적인 데이터레이크를 통해 구매고객집단의 분석을 정밀화하고 Re-Marketing을 직접 실행함으로써 마케팅 효율을 개선할 수 있다.

이와 같은 도 2 내지 도 4의 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다

도 5는 본 발명의 일 실시예에 따른 도 1의 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.

도 5를 참조하면, 플랫폼 서비스 제공 서버는, 브랜드 판매 서버로부터 적어도 하나의 화장품 신제품에 대한 마케팅 요청 이벤트를 수신한다(S5100).

그리고, 플랫폼 서비스 제공 서버는, 적어도 하나의 화장품 신제품을 업로드하고(S5200), 사용자 단말에서 유입된 인터넷 여정을 추적한다(S5300).

또, 플랫폼 서비스 제공 서버는, 사용자 단말에서 적어도 하나의 화장품 신제품을 검색하는 경우 사용자 단말의 관심제품을 추적하고(S5400), 사용자 단말에서 브랜드 판매 페이지로 이동하는 트래픽이 발생하는 경우 사용자 단말의 구매행동을 추적한다(S5500).

상술한 단계들(S5100~S5500)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5500)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.

이와 같은 도 5의 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.

도 5를 통해 설명된 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 본 발명의 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.

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 실시예들은 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 상기 상세한 설명보다는 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.

Claims (9)

1. 적어도 하나의 화장품 신제품을 검색하고, 상기 화장품 신제품을 판매하는 브랜드 판매 페이지로 이동하는 사용자 단말;
   상기 적어도 하나의 화장품 신제품을 판매하는 상기 브랜드 판매 페이지를 제공하는 브랜드 판매 서버; 및
   상기 브랜드 판매 서버로부터 적어도 하나의 화장품 신제품에 대한 마케팅 요청 이벤트를 수신하는 의뢰수신부, 상기 적어도 하나의 화장품 신제품을 업로드하는 업로드부, 상기 사용자 단말에서 유입된 인터넷 여정을 추적하는 인터넷여정추적부, 상기 사용자 단말에서 상기 적어도 하나의 화장품 신제품을 검색하는 경우 상기 사용자 단말의 관심제품을 추적하는 관심제품추적부, 상기 사용자 단말에서 상기 브랜드 판매 페이지로 이동하는 트래픽이 발생하는 경우 상기 사용자 단말의 구매행동을 추적하는 구매행동추적부를 포함하는 플랫폼 서비스 제공 서버;
   를 포함하고,
   상기 플랫폼 서비스 제공 서버는,
   상기 플랫폼 서비스 제공 서버에서 제공하는 플랫폼으로 유입된 사용자 단말이 상기 브랜드 판매 페이지로 이동하는 트래픽이 발생하는 경우, 상기 트래픽에 대한 트래픽 수수료를 상기 적어도 하나의 브랜드 판매 서버로 청구하는 트래픽정산부; 및
   상기 사용자 단말의 인구통계학적 데이터, 평균 체류시간, 제품 경쟁력 비교, 월별 구매전환율 및 기여도 분석을 수집하여 상기 사용자 단말의 마이데이터(MyData)를 생산하는 마이데이터생산부를 더 포함하고,
   상기 적어도 하나의 화장품 신제품별로 상기 마이데이터를 생산하는 것을 특징으로 하며,
   상기 마이데이터 중 인구통계학적 데이터는 타겟팅(Tarketing),
   상기 평균 체류시간에 포함된 평균, 페이지별 및 구매전환율은 그로스해킹(Growth Hacking),
   상기 제품 경쟁력 비교에 포함된 카테고리별 제품 경쟁력 비교 및 제품별 제품 경쟁력 비교는 포지셔닝(Positioning),
   상기 월별 구매전환율에 포함된 카테고리별 월별 구매전환율 및 제품별 월별 구매전환율은 트렌드 서칭(Trend Searching),
   상기 기여도 분석에 포함된 방문 사이트별 기여도 분석 및 유입 디바이스별 기여도 분석은 미디어 플래닝(Media Planning)에 이용하는 것을 특징으로 하는 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템.
   
2. 제 1 항에 있어서,
   상기 플랫폼 서비스 제공 서버는,
   상기 사용자 단말이 상기 플랫폼 서비스 제공 서버에서 제공하는 플랫폼으로 유입된 후, 상기 브랜드 판매 페이지로 이동하고 구매 및 결제를 진행하거나 이탈되는 행동 데이터를 실시간으로 추적, 저장 및 분석하고, 상기 브랜드 판매 서버로 실시간으로 공유하는 실시간공유부;
   를 더 포함하는 것을 특징으로 하는 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템.
   
3. 삭제
4. 삭제
5. 삭제
6. 제 1 항에 있어서,
   상기 플랫폼 서비스 제공 서버는,
   상기 사용자 단말의 인터넷여정 추적 데이터, 관심제품 추적 데이터 및 구매행동 추적 데이터를 데이터레이크(DataLake)로 저장하고, 상기 화장품 신제품에 대한 관심 및 구매확률을 추정하는 구매확률추정부;
   를 더 포함하는 것을 특징으로 하는 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템.
   
7. 제 6 항에 있어서,
   상기 플랫폼 서비스 제공 서버는,
   상기 데이터레이크를 이용하여 구매고객집단의 분석 및 리마케팅(Re-Marketing)을 실행하는 ROAS(Return On Ad Spend)개선부;
   를 더 포함하는 것을 특징으로 하는 것을 특징으로 하는 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템.
   
8. 제 1 항에 있어서,
   상기 플랫폼 서비스 제공 서버는,
   상기 적어도 하나의 화장품 신제품의 구매가능집단을 선정하는 구매가능집단선정부;
   를 더 포함하는 것을 특징으로 하는 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템.
   
9. 제 1 항에 있어서,
   상기 플랫폼 서비스 제공 서버는,
   상기 사용자 단말에서 상기 브랜드 판매 페이지의 URL(Uniform Resource Locator)로 이동하는 경우, 상기 브랜드 판매 페이지로부터 마케팅 캠페인 효과 추적을 위한 URL 매개변수인 UTM(Urchin Tracking Module)을 수신하는 것을 특징으로 하는 트래픽 기반 화장품 신제품 플랫폼 서비스 제공 시스템.

Images