KR102448083B1 - 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 빅데이터 및 인공지능을 기반으로 고객 맞춤형 금융 상품을 추천하는 방법에 있어서, 제1 고객 정보가 획득되면, 상기 제1 고객 정보를 기초로, 제1 고객의 연령대, 직업군, 보유 상품 목록, 보유 자산 현황, 상담 내역, 대출 내역, 설문 내역 및 보유 상품의 만기일자를 확인하여, 상기 제1 고객의 금융 특성을 분석하는 단계; 상기 제1 고객의 금융 특성에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 고객에게 적합한 금융 상품을 선정하는 단계; 및 상기 제1 고객에게 적합한 금융 상품으로 제1 상품이 선정되면, 상기 제1 상품에 대한 추천 정보를 생성하는 단계를 포함하는, 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법이 제공된다.

Description

빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR RECOMMENDING CUSTOMIZED FINANCIAL PRODUCT BASED ON BIG DATA AND ARTIFICIAL INTELLIGENCE}

아래 실시예들은 빅데이터와 인공지능 기반의 금융 상품 추천 기술에 관한 것으로, 고객에게 필요한 금융 상품 가입에 가장 적합한 상품을 추천할 수 있는 빅데이터와 인공지능 기반의 상품 추천 기술에 관한 것이다.

금융 상품 가입을 위한 고객은 온라인과 영업점에서 충분한 금융 상품에 대한 설명을 듣고 필요에 의한 상품을 가입할 권리가 있으나, 현실적으로는 복잡한 상품정보와 규제에 의해 영업점 직원의 일방적으로 권유된 상품을 가입하는 경우가 많았다.

또한, 상품 비교를 위하여 여러 영업점을 방문하는 경우 영업점 직원별로 상품을 추천하는 기준이 달라, 추천되는 상품의 설명 및 추천 사유가 달라져 고객은 상품 가입이 더욱 혼란스러운 경우가 많았다.

고객은 동일한 금융회사의 채널별로 동일 상품에 대한 추천 사유가 다르고, 추천 상품이 다르고, 상품 상담 이력 관리가 제대로 관리되지 않다 보니 금융회사에 대해 신뢰를 하지 못하는 경우가 많았다.

금융회사는 점차 구조화되고 있는 다양한 금융상품을 짧은 시간 동안에 고객에게 설명하여 추천하는 방식은 비효율적인 경우가 많다

마케팅 기준의 상품분류체계 및 고객 분류 체계가 정비되어 있지 않아 채널(영업점, 콜센터, 온라인 등)별로 상이하게 관리되고 있는 경우가 많다.

금융회사의 채널별로 표준화된 상품추천 절차와 상품추천 가이드가 존재하지 않아 고객 상품 추천 응대가 다르게 나타나는 경우가 많다.

고객별 상품추천 이후 추천이력과 연계된 고객관리 체계가 관리되지 않아 고객이 채널별로 상품 상담에 많은 시간을 허비하고 있다.

이에 따라, 상술한 문제점들을 해결하면서, 고객 맞춤형 금융 상품을 추천하는 기술에 대한 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.

한국등록특허 제10-2260569호 한국등록특허 제10-2128059호 한국등록특허 제10-1913591호 한국등록특허 제10-1782120호

일실시예에 따르면, 고객에게 필요한 금융 상품과 금융 회사의 추천 상품 정보를 빅데이터와 AI 시스템의 딥러닝 분석기법을 통해 학습 정보를 DB화하여 고객에게 가장 적합한 금융 상품을 추천할 수 있는 AI 딥러닝을 기반으로 하는 금융 상품 추천 방법, 장치 및 시스템을 제공하는 것을 목적으로 한다.

또한, 일실시예에 따르면, 고객의 당행과 타행 보유 상품 및 보유 자산을 비교 분석하고, 고객의 디지털 행태 및 고객 기반 이벤트를 분석하고, 고객과 유사한 세그먼트에 속해 있는 고객들의 상품을 분석하여 최근에 가장 관심있는 상품을 고객에게 추천하는 빅데이터와 AI 딥러닝 기반의 상품 추천 방법, 장치 및 시스템을 제공하는 것을 목적으로 한다.

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

일실시예에 따르면, 장치에 의해 수행되는, 빅데이터 및 인공지능을 기반으로 고객 맞춤형 금융 상품을 추천하는 방법에 있어서, 제1 고객 정보가 획득되면, 상기 제1 고객 정보를 기초로, 제1 고객의 연령대, 직업군, 보유 상품 목록, 보유 자산 현황, 상담 내역, 대출 내역, 설문 내역 및 보유 상품의 만기일자를 확인하여, 상기 제1 고객의 금융 특성을 분석하는 단계; 상기 제1 고객의 금융 특성에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 고객에게 적합한 금융 상품을 선정하는 단계; 및 상기 제1 고객에게 적합한 금융 상품으로 제1 상품이 선정되면, 상기 제1 상품에 대한 추천 정보를 생성하는 단계를 포함하는, 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법이 제공된다.

상기 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법은, 상기 제1 고객에게 적합한 금융 상품으로 복수의 상품이 선정되면, 상기 선정된 복수의 상품들로 추천 상품 목록을 생성하는 단계; 상기 추천 상품 목록에 포함된 상품들 중 상기 제1 고객의 보유 상품과 유사한 상품이 있는지 여부를 확인하는 단계; 상기 제1 고객의 보유 상품과 제2 상품이 유사한 것으로 확인되면, 상기 추천 상품 목록에서 상기 제2 상품을 삭제하는 단계; 미리 정해진 추천 규칙에 따라, 상기 추천 상품 목록에 포함된 상품들 각각의 우선순위를 설정하는 단계; 및 상기 추천 상품 목록에 포함된 상품들 각각에 설정된 우선순위를 이용하여, 우선순위가 높은 순으로 상기 추천 상품 목록을 정렬하는 단계를 더 포함할 수 있다.

상기 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법은, 상기 추천 상품 목록에 포함된 상품들 중 관리자 페이지를 통해 설정된 주력 상품이 있는지 여부를 확인하는 단계; 및 상기 추천 상품 목록에 주력 상품으로 설정된 제3 상품이 있는 것으로 확인되면, 상기 제3 상품의 우선순위를 1순위로 설정하여, 상기 추천 상품 목록을 재정렬하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 고객의 니즈에 가장 적합한 금융 상품을 추천할 수 있는 상품 정보를 빅데이터와 AI 시스템의 딥러닝 분석기법을 통해 학습 정보를 DB화하여 고객에게 가장 적합한 금융 상품을 추천할 수 있는 효과가 있다.

또한, 일실시예에 따르면, 고객의 당행과 타행 보유 상품 및 보유 자산을 비교 분석하고, 고객의 디지털 행태 및 고객 기반 이벤트를 분석하고, 고객과 유사한 세그먼트에 속해 있는 고객들의 상품을 분석하여 고객에게 꼭 필요한 금융 상품을 추천함으로써 신뢰 증대의 효과를 창출할 수 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 빅데이터 및 인공지능을 기반으로 하는 금융 상품 추천 시스템의 개념도이다.
도 2는 일실시예에 따른 상품 추천 분류 기준을 구성하는 과정을 나타낸 블록도이다.
도 3은 일실시예에 따른 고객 보유 상품 분류 기준을 구성하는 과정을 나타낸 블록도이다.
도 4는 일실시예에 따른 개인화 추천을 기반으로 하는 추천 알고리즘의 구성 방식과 빅데이터 기반의 상품을 추천하는 과정을 나타낸 블록도이다.
도 5는 일실시예에 따른 인공지능 기반의 세그먼트별 추천을 기반으로 인공지능 학습 내용의 구성 방식을 나타낸 블록도이다.
도 6은 일실시예에 따른 고객별 통합된 추천 상품 기반으로 관리자 역할을 정의하는 구성 방식을 나타낸 블록도이다.
도 7은 일실시예에 따른 통합된 추천 상품 기반의 고객별 접촉 채널별 추천 상품을 정의하는 구성 방식을 나타낸 블록도이다.
도 8은 일실시예에 따른 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법을 제공하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 우선순위를 통해 정렬된 추천 상품 목록을 제공하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 주력 상품의 존재에 따라 추천 상품 목록을 재정렬하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 출시일 및 보유량을 통해 우선순위를 설정하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 13은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

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

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

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

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 빅데이터 및 인공지능을 기반으로 하는 금융 상품 추천 시스템의 개념도이다.

도 1을 참조하면, 일실시예에 따른 금융 상품 추천 시스템(100)은 개인화된 금융 상품을 추천하는 서비스를 제공할 수 있다.

도 1에 도시된 바와 같이, 금융 상품 추천 시스템(100)은 상품 추천 분류 기준 정의부(1000), 상품 추천부(2000) 및 개인화 상품 추천 채널부(3000)를 포함할 수 있다.

상품 추천 분류 기준 정의부(1000)는 상품을 추천하기 위한 금융 상품과 대상 고객을 분류하는 기준을 정의할 수 있으며, 상품 추천부(2000)는 상품 추천 Framework를 통해 빅데이터 개인화 추천과 AI 딥러닝 기반의 추천 상품을 통합하여 상품을 추천할 수 있으며, 개인화 상품 추천 채널부(3000)는 고객 접촉 채널을 통해 상품 추천 정보를 제공할 수 있다.

일실시예에 따르면, 금융 상품 추천 시스템(100)은 오프라인 영업점, 인터넷 뱅킹, 모바일의 어플리케이션을 통해 제공되는 시스템으로 구현되어, 고객은 영업점, 컴퓨터 또는 모바일 기기를 통해 제공되는 금융 상품 추천 시스템(100)을 사용할 수 있다.

금융권은 온라인, 오프라인 영업점을 통해 고객에게 상품을 추천하는 방식에 있어, 시스템 또는 영업점 직원의 능력에 관계없이 동일한 고객에게 동일한 상품을 추천하기 위한 표준화된 프로세스를 정의하기 위하여, 상품 추천 분류 기준 정의부(1000)는 상품별 분류 기준과 고객별 분류 기준을 정의할 수 있다.

상품 추천 분류 기준 정의부(1000)는 금융권에서 판매되는 상품에 신규 상품을 추가하고, 판매 중지 예정 상품은 제외하는 로직을 추가하여 매일 자동화된 시스템을 구성할 수 있다. 상품 추천 분류 기준 정의부(1000)는 고객의 보유 상품과 보유 자산 목록을 정의하는데 매월 1회 고객 보유 상품을 정의하고, 매일 거래가 발생한 고객에 대해서는 보유 상품과 보유 자산을 일 단위로 업데이트하는 시스템을 구성할 수 있다.

상품 추천부(2000)는 빅데이터 기반의 개인화 추천과 AI 딥러닝 기반의 추천 시스템으로 구성된다. 빅데이터 기반의 개인화 추천은 빅데이터 모델링 기반 추천, 디지털 행태 기반 추천, 1대1 이벤트 기반 추천, 타행 비교 추천 등을 통해 개인별로 금융 상품을 추천하는 방식으로 구현될 수 있다. AI 딥러닝 기반 추천은 세그먼트별로 고객을 분류한 다음 고객별 상품과 상품 간의 가입 연관 관계를 분석하여, 세그먼트별 고객별로 상품을 추천하는 방식으로 구현될 수 있다. 세그먼트별 인기 상품, 목적별 상품, 인구 통계학적인 상품 추천은 그룹별 목적에 맞는 금융 상품을 추천하는 방식으로 구현될 수 있다.

개인화 상품 추천 채널부(3000)는 고객이 접촉 가능한 채널(영업점, 인터넷 뱅킹, 모바일 App, 콜센터, 핀테크 등)을 사전에 정의하고, 상품 추천 분류 기준 정의부(1000)에서 정의한 상품 속성을 통해 채널별 판매 가능 상품 목록을 정의한 후, 고객의 추천 상품과 채널별 판매 가능 상품을 매칭하여, 채널별로 판매 가능한 추천 상품을 고객들에게 제공할 수 있다.

일실시예에 따르면, 상품 추천 분류 기준 정의부(1000)는 금융권의 온라인, 오프라인 영업점을 통해 고객에게 상품을 추천하는 방식에 있어, 시스템 또는 영업점 직원의 능력에 관계없이 동일한 고객에게 동일한 상품을 추천하기 위한 표준화된 프로세스를 정의하기 위하여, 상품별 분류 기준과 고객별 분류 기준을 정의할 수 있다.

상품 추천 분류 기준 정의부(1000)는 상품 추천 분류 기준의 상품별 분류 기준으로, 고객에게 상품을 추천하기 위한 추천 대상 상품 목록을 준비할 수 있다. 이때, 신규 상품은 추가하고 최근 1개월 이내 판매 중지상품은 제외할 수 있다. 특히, 상품의 속성을 파악하여 온라인 전용 상품, 오프라인 전용 상품, 콜센터 전용 상품과 채널에 상관없이 모두 판매할 수 있는 상품을 구분하여 고객에게 상품을 추천하기 위한 상품을 정의할 수 있다.

상품 추천 분류 기준 정의부(1000)는 상품 추천 분류 기준의 고객별 분류 기준으로, 각 개별 고객과 고객의 연령대와 직업을 기준으로 고객 세그먼트를 구분할 수 있다. 개별 고객은 당행의 보유 상품과 타행의 보유 상품을 합하여 고객이 현재 보유하고 있는 상품과 보유자산 목록을 분류하고, 고객 세그먼트별로 가장 많이 보유하고 있는 상품 목록과 평균 보유자산 목록을 정의하여 고객에게 상품을 추천하기 위해 사전에 고객의 보유 상품을 정의할 수 있다.

상품 추천부(2000)는 빅데이터 모델링 상품 추천, 디지털 행태 기반의 상품 추천, 1대1 이벤트 기반 상품 추천, 타행정보 비교 상품 추천 등의 빅데이터 기반의 개인화 추천과 세그먼트별 인기 상품, 세그먼트별 추천 상품, 특정 목적에 맞는 추천 상품, 인구 통계학적 기반의 추천상품을 포함한 그룹별 추천 상품을 통합할 수 있다.

상품 추천부(2000)는 개인화 추천과 그룹별 추천 상품을 통합한 후에 관리자 추천 상품을 추가하고 개인별 보유 상품을 제외하고 추천 상품 우선 순위 조정 단계를 거쳐 개인별로 최종 추천 상품 목록을 정의할 수 있다.

상품 추천부(2000)는 상품 추천 Framework을 통해 빅데이터 기반의 개인화 추천 상품을 정의할 수 있다. 빅데이터 기반의 개인화 추천은 빅데이터 추천, 디지털 행태 기반 추천, 1대1 이벤트 기반 추천, 타행 비교 추천으로 구분하며, 빅데이터 추천은 빅데이터 플랫폼을 통해 수집된 데이터를 가지고 빅데이터 모델링 기반의 추천 상품을 생성하는 방식이다. 디지털 행태 기반 추천은 고객이 인터넷 뱅킹, 모바일 App, 핀테크 등을 사용하면서 고객이 오랜 시간 머물러 있는 페이지의 상품, 관심 상품으로 등록한 상품, 최근 조회한 상품 및 각 온라인 채널에서 가입을 진행하다 중단된 상품 등을 디지털 행태 기반 추천 상품으로 정의하는 방식이다. 1대1 이벤트 기반 추천 상품은 최근 1개월 이내 당행 및 타행 적립식/거치식/펀드/방카 만기 상품 보유시 만기 이후 추가 상품을 가입할 수 있도록 대체 상품을 추천 상품으로 정의하고, 대출 상품 만기시 대출 만기 후 매월 납입 금액 만큼의 적립식/펀드 상품을 추천 상품으로 정의하는 방식이다. 타행 비교 추천은 당행 상품과 타행 상품을 비교하여 최근 3개월 이내 가입 상품 중에서 당행 상품과 비교하여 상품의 우수성을 설명하고 상품을 갈아탈 수 있도록 고객에게 추천 상품을 제공하는 방식이다.

상품 추천부(2000)는 상품 추천 Framework을 통해 세그먼트별 인기 상품을 정의할 수 있다. 세그먼트별 인기 상품은 고객의 연령대와 직업으로 세그먼트를 정의한 그룹에 각 세그먼트별 상품 대, 중, 소분류별 인기 상품을 1~3순위까지와 세그먼트별 상품별 보유 자산을 매월 산출한다. 개별 고객의 보유 상품과 고객이 속한 세그먼트의 상품을 비교하여 고객이 보유하지 않은 상품을 추천 상품으로 정의한다. AI 기반의 세그먼트별 상품 추천은 상품과 상품간의 연관성을 분석하는 방식이다. AI 딥러닝 분석 기법을 통해 각 개별 고객들이 가입한 상품과 상품간의 연관성을 분석하여 고객이 추가 가입할 수 있는 상품을 예측하여 추천 상품으로 정의할 수 있다. 목적별 상품은 자동차 구입, 주택 구입, 여행, 결혼 등 특정 목적에 맞는 상품과 준비기간을 고려하여 본부에서 목적에 맞는 상품을 추천 상품으로 미리 정의해 놓은 상품이다. 연령대별 상품 추천은 고객의 연령대와 연령대 사이클을 정의하여 특정 연령대 사이클별 상품을 본부에서 미리 정의한 후에 그 상품을 고객에게 추천 상품으로 제공하는 방식이다.

AI 기반의 세그먼트별 추천 상품을 제공하기 위한 AI 학습은 고객이 가입한 정보를 데이터 전처리 단계를 거쳐 결측값 및 이상치 값을 찾아서 삭제 또는 평균값으로 대체하고, 이상 없는 데이터를 확보한 후에 트레이닝 데이터(Training data)와 타겟 데이터(Target Data)로 분류하여 지속적으로 데이터를 학습시킬 수 있다.

상품 추천부(2000)는 추천 규칙에 의해 생성된 추천 상품을 개인별로 통합하여 개인별 통합 추천 상품 목록을 만들 수 있다. 통합된 추천 상품에 관리자의 규칙을 추가하여 최종적인 개인별 추천 상품 목록을 생성할 수 있다. 관리자는 신규 상품 및 특정 이벤트에 의한 판매 상품을 추천상품으로 정의할 수 있다. 개인별 통합 추천 상품 중에서 고객이 보유한 상품과 최근 1개월 이내 판매 중지 예정인 상품은 무조건 제외를 한다. 고객에게 추천되는 상품의 우선순위는 각 추천 규칙별 우선순위를 관리자가 정의하며, 정의된 순서에 의해 고객의 추천 상품으로 제공될 수 있다.

개인화 상품 추천 채널부(3000)는 금융 상품을 판매하는 영업점, 인터넷뱅킹, 모바일 App, 콜센터, 핀테크 등의 채널별로 추천 상품에 대한 정보를 제공할 수 있다.

개인화 상품 추천 채널부(3000)는 고객별 정의된 추천 상품 목록 중에서 고객이 접촉하는 각 채널에 따라 추천 상품의 목록을 상이하게 생성할 수 있다. 추천 상품의 채널별 속성은 상품별 분류 기준에 의해 정의된 기준을 준용하며, 준용된 상품 속성의 채널에 따라 영업점에서는 온라인 전용 상품을 제외한 상품 목록이 추천되고, 인터넷 뱅킹, 모바일 App, 핀테크 채널에서는 오프라인 전용 상품과 콜센터 전용 상품이 제외한 상품 목록이 추천되며, 콜센터에서는 온라인 전용 상품이 제외되어 추천될 수 있다. 고객이 접촉하는 각 채널별 특성에 따라 상품이 자동으로 추천되는 방식이 적용될 수 있다.

도 2는 일실시예에 따른 상품 추천 분류 기준을 구성하는 과정을 나타낸 블록도이다.

도 2를 참조하면, 1110 단계에서, 상품 추천 분류 기준 정의부(1000)는 신규로 생성된 신규 상품의 정보 및 판매 중지 대상인 삭제 상품의 정보를 수집할 수 있다.

1120 단계에서, 상품 추천 분류 기준 정의부(1000)는 상품 목적에 맞게 상품 분류를 정의할 수 있다.

1130 단계에서, 상품 추천 분류 기준 정의부(1000)는 추천 상품 목록에 포함할 신규 상품을 구분할 수 있다.

1140 단계에서, 상품 추천 분류 기준 정의부(1000)는 추천 상품 목록에서 제외할 삭제 상품을 구분할 수 있다.

1150 단계에서, 상품 추천 분류 기준 정의부(1000)는 추천 상품에 활용할 최종 상품 목록을 정의할 수 있다.

즉, 상품 추천 분류 기준 정의부(1000)는 추천 상품 목록을 정의하기 위해 기존 상품 목록에 신규 상품과 최근 1개월 이내 판매 중지 대상인 삭제 상품을 분류하여, 추천 상품 목록을 대분류, 중분류, 소분류 별로 상품 목록을 정의할 수 있다. 상품 추천 분류 기준 정의부(1000)는 신규 상품 중에서 추천 상품 목록에 추가할 상품을 정의하고, 판매 중지 예정 상품은 추천 제외 상품으로 정의하여, 최종 추천 상품 목록을 분류할 수 있다.

도 3은 일실시예에 따른 고객 보유 상품 분류 기준을 구성하는 과정을 나타낸 블록도이다.

도 3을 참조하면, 1210 단계에서, 상품 추천 분류 기준 정의부(1000)는 당행의 고객별 보유 상품 및 최근 1년 이내 해지 상품 목록을 정의할 수 있다.

1220 단계에서, 상품 추천 분류 기준 정의부(1000)는 오픈뱅킹을 통해 타행 보유 상품 목록을 정의할 수 있다.

1230 단계에서, 상품 추천 분류 기준 정의부(1000)는 스크래핑을 통해 타행 보유 상품 목록을 정의할 수 있다.

1240 단계에서, 상품 추천 분류 기준 정의부(1000)는 당행 보유 자산, 오픈뱅킹, 스크래핑을 통해 정의된 상품 목록을 합산하여, 고객별 보유 자산의 데이터베이스를 관리할 수 있다.

1250 단계에서, 상품 추천 분류 기준 정의부(1000)는 고객 세그먼트별로 보유 상품 및 보유 자산을 분류할 수 있다.

즉, 상품 추천 분류 기준 정의부(1000)는 고객의 당행 보유 상품 및 최근 1년 이내 만기 포함 해지 상품 목록을 정의할 수 있다. 추가적으로, 상품 추천 분류 기준 정의부(1000)는 오픈뱅킹을 통해 수집된 타행 상품 목록과 스크래핑을 통해 수집된 타행 상품 목록을 정의하여 고객별 당행 상품과 타행 상품 목록 정의 및 보유 자산을 분류할 수 있다. 상품 추천 분류 기준 정의부(1000)는 고객의 세그먼트별로 보유 상품 및 보유 자산을 분류하여 세그먼트별 평균 상품 목록과 평균 보유자산 목록을 정의하여, 고객의 보유 상품 및 보유 자산, 고객이 포함된 세그먼트의 상품 목록 및 보유 자산 목록을 정의할 수 있다.

도 4는 일실시예에 따른 개인화 추천을 기반으로 하는 추천 알고리즘의 구성 방식과 빅데이터 기반의 상품을 추천하는 과정을 나타낸 블록도이다.

상품 추천부(2000)는 고객의 보유 상품 및 디지털 행태 로그를 분석하여, 고객의 정보를 수집하고 빅데이터 분석을 통해 고객별 추천 상품 정보를 생성할 수 있다.

도 4를 참조하면, 2110 단계에서, 상품 추천부(2000)는 빅데이터 기반의 상품 추천 모델링을 통해 추천 상품을 도출할 수 있다. 상품 추천 모델링은 최근 1년간 신규 구매한 상품 보유자를 분석하고, 필수 추천 상품은 추가하고 비추천 대상 상품은 상품분류 기준에서 제외하고, 상품별 보유자와 비보유자로 구성된 분석 데이터를 구성하여 Decision tree를 이용하여 고객별 특징을 파악한 후에 상품을 추천하는 방식이다.

2120 단계에서, 상품 추천부(2000)는 디지털 행태를 기반으로 추천을 진행할 수 있으며, 고객이 인터넷 뱅킹, 모바일 App, 핀테크 등을 사용하면서 생성된 로그를 빅데이터 플랫폼에 저장할 수 있다. 상품 추천부(2000)는 매일 고객의 로그를 분석하여 고객이 오랜 시간 머물러 있는 페이지의 상품, 고객이 여러번 클릭한 상품 정보를 파악하고, 고객이 관심 상품으로 등록한 상품, 최근 1주일에서 한달 사이에 조회한 상품 정보를 파악할 수 있다. 상품 추천부(2000)는 고객의 디지털 행태를 분석하는데 있어, 고객의 관심이 높은 상품이 이미 접촉한 상품이므로 추천 대상 상품 목록에 추가할 수 있다. 그 중에서 고객이 온라인 채널에서 가입을 진행하다 중단된 상품은 즉시 콜센터로 연계하여 고객과 실시간 소통을 통해 가입 중지 사유를 문의하고 가입을 진행할 수 있도록, 실시간으로 추천 상품 목록을 정의할 수 있다.

2130 단계에서, 상품 추천부(2000)는 1대1 이벤트 기반으로 추천을 진행할 수 있으며, 최근 1개월 이내 당행 및 타행 적립식/거치식/펀드/보험 만기 상품 보유시 만기 이후 추가 상품을 가입할 수 있도록 대체 상품을 추천할 수 있으며, 대출 상품 만기시 대출 만기 후 매월 납입 금액 만큼의 적립식/펀드 상품을 추천 상품으로 정의할 수 있다.

2140 단계에서, 상품 추천부(2000)는 타행 비교로 추천을 진행할 수 있으며, 당행 상품과 타행 상품을 비교하여 최근 3개월 이내 가입 상품 중에서 당행 상품과 비교하여 상품의 우수성을 설명하고 상품을 갈아탈 수 있도록 고객의 추천 상품을 정의할 수 있다.

2150 단계에서, 상품 추천부(2000)는 빅데이터로 개인화 추천된 상품을 매일 개인별 추천 상품 목록으로 정의할 수 있다. 상품 추천부(2000)는 시스템의 상황을 고려하여 매일 거래가 발생한 고객만 업데이트 하는 방식으로, 개인별 추천 상품 목록을 정의할 수 있다.

도 5는 일실시예에 따른 인공지능 기반의 세그먼트별 추천을 기반으로 인공지능 학습 내용의 구성 방식을 나타낸 블록도이다.

상품 추천부(2000)는 고객 세그먼트별 보유 상품을 분석하여, 고객의 정보를 수집하고 AI 딥러닝 분석을 통해 고객 세그먼트별 추천 상품 데이터를 생성할 수 있다.

2210 단계에서, 상품 추천부(2000)는 상품 분류 체계에 따른 고객 세그먼트별 상품을 추천할 수 있으며, 세그먼트별로 분류된 고객에게 상품 유형별 분석을 통해 추천 상품을 도출할 수 있다. 상품 유형별 분석은 최근 1년간 신규 구매한 상품 보유자를 분석하고, 비추천 대상 상품은 상품분류 기준에서 제외하고, 상품 분류별 가장 많이 판매된 상품을 판매 순서대로 정의한 후에 그 순위에 맞게 상품을 추천하는 방식이다.

2220 단계에서, 상품 추천부(2000)는 인공지능 기반의 고객 세그먼트별 상품을 추천할 수 있으며, 고객 세그먼트별 상품 추천은 고객의 가입 연관 상품을 분석하는 방식으로 진행될 수 있다. 상품 추천부(2000)는 고객의 가입 상품 정보와 최근에 가입한 고객의 상품 정보를 트레이닝 데이터(Training Data)와 타겟 데이터(Target Data)로 분리할 수 있다.

2223 단계에서, 상품 추천부(2000)는 트레이닝 데이터(Training Data)와 타겟 데이터(Target Data)로 분리된 데이터를 가지고 AI 시스템의 지도 학습을 수행할 수 있다.

트레이닝 데이터와 타겟 데이터는 데이터 항목값은 동일하지만 데이터가 생성된 시점이 다른 데이터이다.

트레이닝 데이터는 과거의 가입 정보(가입채널, 연령, 성별, 직업, 가입상품, 가입금액 등)를 트레이닝 데이터로 활용하여 딥러닝 기법으로 가입 상품과의 연관 관계가 어떻게 진행되는지 학습을 수행하여 도출되는 데이터이다.

트레이닝 데이터의 과거 정보는 과거 시점을 적절히 조절될 수 있는 것으로, 과거 일정 기간의 정보가 활용될 수 있다.

타겟 데이터는 현재의 가입 정보(가입채널, 연령, 성별, 직업, 가입상품, 가입금액 등)를 트레이닝 데이터로 활용하여 딥러닝 기법으로 가입 상품과의 연관 관계가 어떻게 진행되는지 학습을 수행하여 도출되는 데이터이다.

타겟 데이터의 현재 정보는 최근 3개월, 6개월, 1년 등 기간이 적절히 조절된 최신 정보가 활용될 수 있다.

예를 들어, 타켓 데이터는 최근 1년 이내의 현재 정보를 활용하고, 트레이닝 데이터는 타켓 데이터에서 활용된 정보의 1년 전의 과거 정보를 활용하는 것이 바람직할 것이다.

타겟 데이터는 현재 정보를 기반으로 가입 상품과의 연관 관계를 분석하여 트레이닝 데이터와 유사한 결과가 나올때까지 딥러닝 분석을 수행하는 것이 바람직할 것이다.

AI 시스템의 지도 학습을 수행한 가입 상품 연관 데이터는 세그먼트별 추천 상품 정보 값을 가지게 된다.

2224 단계에서, 상품 추천부(2000)는 고객 세그먼트별 데이터와 추천상품 데이터를 데이터베이스(Database)에 저장할 수 있다.

2230 단계에서, 상품 추천부(2000)는 목적별 상품 추천을 진행할 수 있으며, 고객의 목적별로 정의된 상품을 통해 추천 상품을 도출할 수 있다. 상품 추천부(2000)는 고객 가입 상품을 분석하여 고객의 가입 목적을 분석할 수 있다. 여기서, 주요 목적은 자동차 구입, 주택 구입, 여행, 결혼 자금 등으로 구분할 수 있으며, 고객의 세그먼트와 준비기간을 고려하여 본부에서 목적에 맞는 상품을 추천 상품으로 정의할 수 있다.

2240 단계에서, 상품 추천부(2000)는 인구 통계학적 상품 추천을 진행할 수 있으며, 고객의 연령대와 연령대 사이클을 정의하여 특정 연령대 사이클별 상품을 본부에서 미리 정의한 후에 그 상품을 고객에게 추천 상품으로 정의할 수 있다.

도 6은 일실시예에 따른 고객별 통합된 추천 상품 기반으로 관리자 역할을 정의하는 구성 방식을 나타낸 블록도이다.

도 6을 참조하면, 2310 단계에서, 상품 추천부(2000)는 추천 상품을 통합하기 위해, 빅데이터 기반의 개인화 추천 상품과 AI 기반의 세그먼트별 추천 상품을 통합할 수 있다. 이때, 고객별 추천 상품에 세그먼트별 추천 상품을 통합하며 중복된 상품은 제외할 수 있다.

2320 단계에서, 상품 추천부(2000)는 관리자가 추천하고 싶은 상품을 정의할 수 있다. 이를 위해, 고객별 통합된 추천 상품에 관리자의 기능을 추가할 수 있다.

2330 단계에서, 관리자는 신규 상품을 추가하거나 특정 이벤트에 필요한 상품을 임의적으로 추가할 수 있다. 관리자는 추천 상품 목록 중에서 일시적으로 상품을 추천 제외하거나, 영구적으로 상품 추천을 제외할 수 있다.

2340 단계에서, 상품 추천부(2000)는 추천 상품 중에서 고객이 이미 보유하고 있는 상품은 제외할 수 있으며, 추천된 상품의 우선 순위를 조정할 수 있다. 추천 상품의 우선 순위는 추천 규칙에 의해 우선 순위를 조정할 수 있으며, 관리자가 임의로 우선 순위를 조정할 수 있다. 관리자는 추천 규칙에 의해 자동 생성된 추천 사유를 임의적으로 조정할 수 있다.

2350 단계에서, 상품 추천부(2000)는 우선순위 조정을 통해 개인별로 최종 추천 상품 목록을 정의할 수 있다.

도 7은 일실시예에 따른 통합된 추천 상품 기반의 고객별 접촉 채널별 추천 상품을 정의하는 구성 방식을 나타낸 블록도이다.

도 7을 참조하면, 개인화 상품 추천 채널부(3000)는 추천 상품을 접촉 채널별로 추천하기 위해, 각 채널에 따라 추천 상품의 목록을 상의하게 정의할 수 있다. 추천 상품의 채널별 속성은 상품별 분류 기준에 의해 정의된 기준을 준용하며, 준용된 상품 속성의 채널에 따라 영업점에서는 온라인 전용 상품을 제외한 상품 목록이 추천되고, 인터넷 뱅킹, 모바일 App, 핀테크 채널에서는 오프라인 전용 상품과 콜센터 전용 상품이 제외한 상품 목록이 추천되며, 콜센터에서는 온라인 전용 상품이 제외되어 추천된다. 고객이 접촉하는 각 채널에 따라 상품의 추천 우선순위에 따라 상품 목록이 제공되고, 상품을 선택할 시 상품 추천 사유가 제공될 수 있다. 특히, 온라인에서의 추천 상품 클릭시 고객별 추천 이력 DB에 저장되고, 오프라인 영업점에서 고객과 추천 상품 상담시 고객의 관심 상품과 추천 상담 이력이 시스템에 저장되게 된다. 이렇게 저장된 추천 상품 상담 이력 정보는 다시 빅데이터 시스템에 저장되어 고객의 추천 상품 알고리즘에 포함될 수 있다.

고객별 추천된 상품 중에서 가입 및 거부한 상품 정보는 매일 상품 추천 알고리즘에 포함되어 고객에게는 매일 변화된 상품 정보가 제공되고, 영업점 및 콜센터 직원에게는 표준화된 상품 추천 프로세스가 제공될 수 있다.

도 8은 일실시예에 따른 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법을 제공하는 과정을 설명하기 위한 순서도이다.

먼저, 빅데이터 및 인공지능을 기반으로 하는 금융 상품 추천 시스템(100)은 장치로 구현될 수 있다. 장치는 장치를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치는 복수의 고객 단말과 유무선으로 통신하도록 구성될 수 있다.

복수의 고객 단말 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

일실시예에 따르면, 장치는 고객을 대상으로 적합한 금융 상품을 추천할 수 있다. 이때, 장치는 연령대, 직업군, 고객 보유 금융 상품, 상담 내역(온라인, 오프라인), 대출 내역(신용, 담보), 선물 내역, 만기일자 등을 고려하여, 고객에게 적합한 추천 상품을 선정할 수 있다. 여기서, 추천 상품은 적금, 예금, 대출, 펀드, 보험 등의 금융 상품이다.

장치는 고객에게 적합한 추천 상품이 복수인 경우, 추천 상품 목록을 생성할 수 있으며, 우선순위에 따라 추천 상품 목록을 정렬하여 고객에게 제공할 수 있다. 이와 관련된 자세한 설명은 도 9를 참조하여 후술하기로 한다.

은행이나 개별 지점에서 주력으로 판매하고자 하는 상품은 관리자 페이지를 통해 주력 상품으로 추가될 수 있으며, 장치는 주력 상품을 우선적으로 추천할 수 있다. 이와 관련된 자세한 설명은 도 10을 참조하여 후술하기로 한다.

도 8을 참조하면, S801 단계에서, 장치는 제1 고객 정보를 획득할 수 있다.

예를 들어, 제1 고객 단말에 제1 고객 계정이 로그인 되어 있는 경우, 장치는 제1 고객 계정을 확인하여 데이터베이스에서 제1 고객 정보를 획득할 수 있다. 또한, 제1 고객이 영업점을 방문한 경우, 장치는 영업점 단말로부터 제1 고객 정보 조회 요청이 수신되면, 데이터베이스에서 제1 고객 정보를 획득할 수 있다. 이를 위해, 장치의 데이터베이스에는 고객 별로 구분되어 고객 정보가 저장되어 있다. 여기서, 고객 정보는 고객의 연령대, 고객의 직업군, 고객이 보유한 상품의 목록, 고객이 보유한 자산 현황, 고객이 상담한 내역, 고객의 대출 내역, 고객에 의해 입력된 설문 내역, 고객이 보유한 상품의 만기일자 등에 대한 정보를 포함할 수 있다.

S802 단계에서, 장치는 제1 고객 정보가 획득되면, 제1 고객 정보를 기초로, 제1 고객의 금융 특성을 분석할 수 있다. 이때, 장치는 제1 고객 정보를 기초로, 제1 고객의 연령대, 직업군, 보유 상품 목록, 보유 자산 현황, 상담 내역, 대출 내역, 설문 내역 및 보유 상품의 만기일자를 확인하여, 제1 고객의 금융 특성을 분석할 수 있다.

즉, 장치는 제1 고객 정보를 기초로, 제1 고객의 금융 특성을 분석하여, 제1 고객의 금융 특성에 대한 분석 결과를 생성할 수 있다. 여기서, 제1 고객의 금융 특성에 대한 분석 결과는 연령대, 직업군, 보유 상품 목록, 보유 자산 현황, 상담 내역, 대출 내역, 설문 내역 및 보유 상품의 만기일자 등의 항목 별로 확인된 정보를 포함할 수 있다.

S803 단계에서, 장치는 제1 고객의 금융 특성에 대한 분석 결과를 미리 학습된 제1 인공 신경망에 적용할 수 있다. 여기서, 제1 인공 신경망은 고객의 금융 특성에 대한 분석 결과를 입력 받은 후, 고객에게 적합한 금융 상품을 분석하여 출력하는 알고리즘일 수 있다. 제1 인공 신경망은 도 12를 참조하여 후술되는 방법을 통해 학습될 수 있다.

S804 단계에서, 장치는 제1 인공 신경망의 출력을 기초로, 제1 고객에게 적합한 금융 상품을 선정할 수 있다.

일실시예에 따르면, 제1 인공 신경망은 고객의 금융 특성에 대한 분석 결과를 통해, 고객에게 적합한 금융 상품을 분석하도록 학습될 수 있다. 이를 통해, 제1 인공 신경망은 고객의 금융 특성을 고려하여, 고객에게 적합한 금융 상품을 분석하여 출력할 수 있다. 이때, 제1 인공 신경망은 신규 상품을 추가하고 판매 중지 예정 상품을 제외한 상품 목록에서, 고객에게 적합한 금융 상품을 선정하여 출력할 수 있다.

제1 인공 신경망은 고객의 금융 특성을 고려하여, 고객이 보유하고 있지 않은 상품을 고객에게 적합한 금융 상품으로 선정하고, 고객이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정하지 않을 수 있다.

또한, 제1 인공 신경망은 고객과 비슷한 연령대의 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정하고, 고객과 동일한 직업군의 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정하고, 고객과 비슷하게 자산을 보유하고 있는 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정하고, 상담 내역, 대출 내역 및 설문 내역을 통해 고객이 관심을 가질 것으로 예측되는 상품을 고객에게 적합한 금융 상품으로 선정하고, 보유 상품의 만기일자를 통해 만기가 도래하는 상품과 유사한 상품을 고객에게 적합한 금융 상품으로 선정할 수 있다.

S805 단계에서, 장치는 제1 고객에게 적합한 금융 상품으로 제1 상품이 선정되면, 제1 상품에 대한 추천 정보를 생성할 수 있다. 여기서, 추천 정보는 상품의 주요 특징, 출시일, 요약 정보, 상세 정보 연결 링크 등에 대한 정보를 포함할 수 있다.

장치는 제1 상품에 대한 추천 정보가 생성되면, 제1 상품에 대한 추천 정보를 고객에게 제공할 수 있다. 이때, 장치는 제1 고객 단말에 제1 고객 계정이 로그인 되어 있는 경우, 제1 상품에 대한 추천 정보를 제1 고객 단말로 제공하고, 제1 고객이 영업점을 방문한 경우, 제1 상품에 대한 추천 정보를 영업점 단말로 제공할 수 있다.

도 9는 일실시예에 따른 우선순위를 통해 정렬된 추천 상품 목록을 제공하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저, S901 단계에서, 장치는 제1 고객에게 적합한 금융 상품으로 복수의 상품이 선정되면, 선정된 복수의 상품들로 추천 상품 목록을 생성할 수 있다.

예를 들어, 제1 인공 신경망은 제1 고객의 금융 특성을 고려하여, 제1 고객에게 적합한 금융 상품을 분석한 결과, 제1 상품, 제2 상품 및 제3 상품을 제1 고객에게 적합한 금융 상품으로 선정할 수 있으며, 장치는 제1 상품, 제2 상품 및 제3 상품으로 추천 상품 목록을 생성할 수 있다.

S902 단계에서, 장치는 추천 상품 목록에 포함된 상품들 중 제1 고객의 보유 상품과 유사한 상품이 존재하는지 여부를 확인할 수 있다.

예를 들어, 추천 상품 목록에는 제1 상품, 제2 상품 및 제3 상품이 포함되어 있고, 제1 고객의 보유 상품 목록에는 제4 상품이 포함되어 있는 경우, 장치는 제1 상품과 제4 상품을 비교하여 유사한 상품인지 여부를 확인하고, 제2 상품과 제4 상품을 비교하여 유사한 상품인지 여부를 확인하고, 제3 상품과 제4 상품을 비교하여 유사한 상품인지 여부를 확인할 수 있다.

장치는 상품들을 비교하여 유사한 상품인지 여부를 확인할 때, 적금, 예금, 대출, 펀드, 보험 등으로 구분되어 있는 카테고리가 동일하고, 상품의 보유 목적이 동일한 경우, 상품들을 유사한 상품으로 결정할 수 있다.

S902 단계에서 추천 상품 목록에 포함된 상품들 중 제2 상품이 제1 고객의 보유 상품과 유사한 것으로 확인되면, S903 단계에서, 장치는 추천 상품 목록에서 제2 상품을 삭제할 수 있다.

예를 들어, 추천 상품 목록에는 제1 상품, 제2 상품 및 제3 상품이 포함되어 있고, 제1 고객의 보유 상품 목록에는 제4 상품이 포함되어 있고, 제1 상품은 적금, 제2 상품은 신용 대출, 제3 상품은 주택 담보 대출이고, 제4 상품은 신용 대출인 경우, 장치는 제2 상품과 제4 상품의 카테고리가 동일하기 때문에, 추천 상품 목록에서 제2 상품을 삭제할 수 있다.

S902 단계에서 추천 상품 목록에 포함된 상품들 중 제1 고객의 보유 상품과 유사한 상품이 없는 것으로 확인되면, S904 단계가 수행될 수 있다. 또한, S903 단계에서 추천 상품 목록에 포함된 상품들 중 제1 고객의 보유 상품과 유사한 상품을 삭제하면, S904 단계가 수행될 수 있다.

S904 단계에서, 장치는 미리 정해진 추천 규칙에 따라, 추천 상품 목록에 포함된 상품들 각각의 우선순위를 설정할 수 있다. 이와 관련된 자세한 설명은 도 11을 참조하여 후술하기로 한다.

S905 단계에서, 장치는 추천 상품 목록에 포함된 상품들 각각에 설정된 우선순위를 이용하여, 우선순위가 높은 순으로 추천 상품 목록을 정렬할 수 있다.

예를 들어, 추천 상품 목록에 제1 상품, 제2 상품 및 제3 상품이 포함되어 있고, 미리 정해진 추천 규칙에 따라, 제1 상품의 우선순위가 3순위, 제2 상품의 우선순위가 1순위, 제3 상품의 우선순위가 2순위로 설정된 경우, 장치는 제2 상품, 제3 상품, 제1 상품 순으로 추천 상품 목록을 정렬할 수 있다.

도 10은 일실시예에 따른 주력 상품의 존재에 따라 추천 상품 목록을 재정렬하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, S1001 단계에서, 장치는 추천 상품 목록에 포함된 상품들 각각에 설정된 우선순위를 이용하여, 우선순위가 높은 순으로 추천 상품 목록을 정렬할 수 있다.

S1002 단계에서, 장치는 추천 상품 목록에 포함된 상품들 중 주력 상품이 존재하는지 여부를 확인할 수 있다. 여기서, 주력 상품은 금융 회사에서 일정 기간 동안 주력으로 판매하고자 하는 상품으로, 관리자 페이지를 통해 설정될 수 있다.

S1002 단계에서 추천 상품 목록에 주력 상품으로 설정된 제3 상품이 있는 것으로 확인되면, S1003 단계에서, 장치는 제3 상품의 우선순위를 1순위로 설정하여, 추천 상품 목록을 재정렬할 수 있다.

예를 들어, 추천 상품 목록에 제1 상품, 제2 상품 및 제3 상품이 포함되어 있고, 제2 상품, 제3 상품, 제1 상품 순으로 추천 상품 목록이 정렬되어 있는 경우, 장치는 제3 상품의 우선순위를 1순위로 설정하여, 제3 상품, 제2 상품, 제1 상품 순으로 추천 상품 목록을 재정렬할 수 있다.

도 11은 일실시예에 따른 출시일 및 보유량을 통해 우선순위를 설정하는 과정을 설명하기 위한 순서도이다.

도 11을 참조하면, 먼저, S1101 단계에서, 장치는 제1 고객에게 적합한 금융 상품으로 복수의 상품이 선정되면, 선정된 복수의 상품들로 추천 상품 목록을 생성할 수 있다.

S1102 단계에서, 장치는 추천 상품 목록에 포함된 상품들 각각의 출시일을 확인할 수 있다.

S1103 단계에서, 장치는 추천 상품 목록에 포함된 상품들 각각의 출시일을 기준으로, 출시일이 느릴수록 높은 점수를 부여하여, 추천 상품 목록에 포함된 상품들 각각에 대한 제1 점수를 산정할 수 있다.

예를 들어, 추천 상품 목록에 제1 상품, 제2 상품 및 제3 상품이 포함되어 있고, 제1 상품의 출시일이 2021년1월1일, 제2 상품의 출시일이 2021년2월1일, 제3 상품의 출시일이 2021년3월1일로 확인되면, 장치는 제1 상품의 출시일이 가장 빠르기 때문에, 제1 상품에 대한 제1 점수를 6점으로 산정하고, 제2 상품에 대한 제1 점수를 8점으로 산정하고, 제3 상품의 출시일이 가장 느리기 때문에, 제3 상품에 대한 제1 점수를 10점으로 산정할 수 있다.

한편, S1104 단계에서, 장치는 제1 고객과 유사한 금융 특성을 가지는 고객들을 그룹화하여, 제1 고객 그룹으로 분류할 수 있다.

예를 들어, 장치는 제1 고객과 비슷한 연령대의 고객들을 제1 고객 그룹으로 분류할 수 있다. 또한, 장치는 제1 고객과 동일한 직업군의 고객들을 제1 고객 그룹으로 분류할 수 있다. 또한, 장치는 제1 고객과 동일한 금융 상품을 보유하고 있는 고객들을 제1 고객 그룹으로 분류할 수 있다. 또한, 장치는 제1 고객과 비슷하게 자산을 보유하고 있는 고객들을 제1 고객 그룹으로 분류할 수 있다.

S1105 단계에서, 장치는 추천 상품 목록에 상품 별로 상품을 보유한 고객 수를 보유량으로 산출할 수 있다.

예를 들어, 제2 고객, 제3 고객 및 제4 고객이 제1 고객 그룹으로 분류되어 있고, 제2 고객이 제1 상품 및 제2 상품을 보유하고 있고, 제3 고객이 제1 상품 및 제3 상품을 보유하고 있고, 제4 고객이 제1 상품 및 제2 상품을 보유하고 있는 경우, 장치는 제1 상품을 3명의 고객이 보유하고 있으므로, 제1 상품의 보유량을 3으로 산출하고, 제2 상품을 2명의 고객이 보유하고 있으므로, 제2 상품의 보유량을 2로 산출하고, 제3 상품을 1 명의 고객이 보유하고 있으므로, 제3 상품의 보유량을 1로 산출할 수 있다.

S1106 단계에서, 장치는 추천 상품 목록에 포함된 상품들 각각의 보유량을 기준으로, 보유량이 많을수록 높은 점수를 부여하여, 추천 상품 목록에 포함된 상품들 각각에 대한 제2 점수를 산정할 수 있다.

예를 들어, 추천 상품 목록에 제1 상품, 제2 상품 및 제3 상품이 포함되어 있고, 제1 상품의 보유량이 3, 제2 상품의 보유량이 2, 제3 상품의 보유량이 1로 확인되면, 장치는 제1 상품의 보유량이 가장 많이 때문에, 제1 상품에 대한 제2 점수를 10점으로 산정하고, 제2 상품에 대한 제2 점수를 8점으로 산정하고, 제3 상품의 보유량이 가장 적기 때문에 제3 상품에 대한 제2 점수를 6점으로 산정할 수 있다.

S1107 단계에서, 장치는 제1 점수 및 제2 점수를 합산한 합산 점수를 이용하여, 추천 상품 목록에 포함된 상품들 각각의 우선순위를 설정할 수 있다.

구체적으로, 장치는 추천 상품 목록에 제1 상품, 제2 상품 및 제3 상품이 포함되어 있는 경우, 제1 상품에 대한 제1 점수와 제1 상품에 대한 제2 점수를 합산하여 제1 상품의 합산 점수를 산출하고, 제2 상품에 대한 제1 점수와 제2 상품에 대한 제2 점수를 합산하여 제2 상품의 합산 점수를 산출하고, 제3 상품에 대한 제1 점수와 제3 상품에 대한 제2 점수를 합산하여 제3 상품의 합산 점수를 산출한 후, 제1 상품의 합산 점수, 제2 상품의 합산 점수 및 제3 상품의 합산 점수 각각을 비교하여, 합산 점수가 높은 순으로, 우선순위를 설정할 수 있다.

일실시예에 따르면, 장치는 추천 상품 목록을 제1 고객 단말로 전송한 후, 제1 고객 단말로부터 추천 상품 목록에 포함된 상품들에 대한 상세 정보의 제공 요청을 수신할 수 있다.

예를 들어, 장치는 제1 고객 단말로 추천 상품 목록을 제공하여, 추천 상품 목록이 제1 고객 단말의 화면에 표시되도록 제어할 수 있으며, 제1 고객 단말에서 추천 상품 목록이 선택되면, 장치는 제1 고객 단말로부터 추천 상품 목록에 포함된 상품들에 대한 상세 정보의 제공 요청을 수신할 수 있다.

장치는 제1 고객 단말의 식별 정보를 기초로, 제1 고객 단말의 화면 크기를 확인할 수 있다. 여기서, 제1 고객 단말의 식별 정보는 제1 고객 단말을 식별하는데 필요한 정보로, 스마트폰, 태블릿, PC 등 단말의 종류와 기종을 식별하는 정보를 포함할 수 있다.

구체적으로, 장치는 제1 고객 단말로부터 추천 상품 목록에 포함된 상품들에 대한 상세 정보의 제공 요청이 수신되면, 제1 고객 단말로부터 제1 고객 단말의 식별 정보를 획득할 수 있으며, 제1 고객 단말의 식별 정보를 기초로, 제1 고객 단말의 종류를 파악하여, 제1 고객 단말의 화면 크기를 확인할 수 있다.

장치는 제1 고객 단말의 화면 크기가 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 기준값은 실시예에 따라 상이하게 설정될 수 있다.

제1 고객 단말의 화면 크기가 기준값 보다 작은 것으로 확인되면, 장치는 제1 영역으로 구성된 제1 웹 페이지를 제1 고객 단말로 제공할 수 있다. 여기서, 제1 영역은 제1 콘텐츠의 요약 정보가 표시되는 영역이고, 제1 콘텐츠는 제1 상품의 상세 정보를 포함하는 콘텐츠이다.

즉, 제1 고객 단말의 화면 크기가 기준값 보다 작은 것으로 확인되면, 제1 고객 단말은 제1 영역으로 구성된 제1 웹 페이지를 화면에 표시할 수 있다.

제1 고객 단말의 화면 크기가 기준값 보다 큰 것으로 확인되면, 장치는 제1 영역 및 제2 영역으로 구성된 제2 웹 페이지를 제1 고객 단말로 제공할 수 있다. 여기서, 제1 영역은 제1 콘텐츠의 요약 정보가 표시되는 영역이고, 제2 영역은 제2 콘텐츠의 요약 정보가 표시되는 영역이고, 제1 콘텐츠는 제1 상품의 상세 정보를 포함하는 콘텐츠이고, 제2 콘텐츠는 제3 상품의 상세 정보를 포함하는 콘텐츠이다.

즉, 제1 고객 단말의 화면 크기가 기준값 보다 큰 것으로 확인되면, 제1 고객 단말은 제1 영역 및 제2 영역으로 구성된 제2 웹 페이지를 화면에 표시할 수 있다.

장치는 제1 고객 단말의 화면 크기를 확인하기 전에, 복수의 고객 단말로부터 제1 콘텐츠에 대한 조회 요청이 수신된 횟수를 확인하여, 제1 콘텐츠의 조회 수를 산정하고, 복수의 고객 단말로부터 제2 콘텐츠에 대한 조회 요청이 수신된 횟수를 확인하여, 제2 콘텐츠의 조회 수를 산정할 수 있다.

구체적으로, 장치는 복수의 고객 단말로부터 제1 상품에 대한 상세 정보의 제공 요청이 수신되면, 제1 콘텐츠에 대한 조회 요청이 수신된 것으로 판단하여, 제1 콘텐츠에 대한 조회 요청에 따라, 제1 콘텐츠의 조회 정보를 갱신할 수 있다. 여기서, 제1 콘텐츠의 조회 정보는 제1 콘텐츠를 조회한 횟수인 제1 콘텐츠의 조회 수에 대한 정보를 포함할 수 있다. 장치는 콘텐츠 별로 조회 정보를 데이터베이스에 저장하여 관리할 수 있다.

장치는 제1 콘텐츠의 조회 정보를 갱신하는데 있어, 복수의 고객 단말로부터 제1 콘텐츠에 대한 조회 요청이 수신된 횟수를 확인하여, 제1 콘텐츠의 조회 수를 산정할 수 있다.

예를 들어, 장치는 제1 콘텐츠의 조회 수가 0인 상태에서, 미리 설정된 기간 이내에 제1 고객 단말 및 제2 고객 단말로부터 제1 콘텐츠에 대한 조회 요청이 각각 수신되면, 제1 콘텐츠에 대한 조회 요청이 수신된 횟수를 2회로 확인하여, 제1 콘텐츠의 조회 수를 0에서 2로 변경하여 산정할 수 있다.

또한, 장치는 제1 콘텐츠의 조회 수가 0인 상태에서, 제1 고객 단말로부터 제1 콘텐츠에 대한 조회 요청이 수신되면, 제1 콘텐츠의 조회 수를 0에서 1로 변경하여 산정할 수 있으며, 제1 콘텐츠의 조회 수가 1인 상태에서, 제2 고객 단말로부터 제1 콘텐츠에 대한 조회 요청이 수신되면, 제1 콘텐츠의 조회 수를 1에서 2로 변경하여 산정할 수 있다.

장치는 제1 콘텐츠의 조회 수를 산정하는 방식과 동일하게, 복수의 콘텐츠 각각의 조회 수를 산정할 수 있으며, 제2 콘텐츠의 조회 수, 제3 콘텐츠의 조회 수 등을 각각 산정할 수 있다.

한편, 제1 고객 단말의 화면 크기가 기준값 보다 작은 것으로 확인되면, 장치는 제1 콘텐츠의 조회 수가 제2 콘텐츠의 조회 수 보다 많은지 여부를 확인할 수 있다.

제1 콘텐츠의 조회 수가 제2 콘텐츠의 조회 수 보다 많은 것으로 확인되면, 장치는 하나의 영역으로 구성된 제1 웹 페이지를 제1 고객 단말로 제공할 때, 제1 고객 단말의 화면에서 제1 영역이 먼저 표시된 후, 제2 영역이 이어서 표시되도록 제어할 수 있다.

장치는 제1 고객 단말의 화면에서 제1 영역이 먼저 표시된 후, 사용자 조작으로 화면 이동이 요청되면, 제2 영역이 이어서 표시되도록 제어할 수 있으며, 제1 고객 단말의 화면에서 제1 영역이 먼저 표시된 후, 미리 설정된 시간이 지나면, 제2 영역이 이어서 표시되도록 제어할 수도 있다.

제2 콘텐츠의 조회 수가 제1 콘텐츠의 조회 수 보다 많은 것으로 확인되면, 장치는 하나의 영역으로 구성된 제1 웹 페이지를 제1 고객 단말로 제공할 때, 제1 고객 단말의 화면에서 제2 영역이 먼저 표시된 후, 제1 영역이 이어서 표시되도록 제어할 수 있다.

장치는 제1 고객 단말의 화면에서 제2 영역이 먼저 표시된 후, 사용자 조작으로 화면 이동이 요청되면, 제1 영역이 이어서 표시되도록 제어할 수 있으며, 제1 고객 단말의 화면에서 제2 영역이 먼저 표시된 후, 미리 설정된 시간이 지나면, 제1 영역이 이어서 표시되도록 제어할 수도 있다.

도 12는 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제1 인공 신경망은 고객의 금융 특성에 대한 분석 결과를 입력 받은 후, 고객에게 적합한 금융 상품을 분석하여 출력하는 알고리즘일 수 있다.

제1 인공 신경망의 학습이 이루어지는 학습 장치는 빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법을 제공하는 장치와 동일한 장치일 수도 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1201 단계에서, 장치는 제1 인공 신경망에 입력할 입력을 생성할 수 있다. 이때, 장치는 제1 인공 신경망에 입력하기 위해, 고객의 금융 특성에 대한 분석 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 장치는 고객의 금융 특성에 대한 분석 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 고객의 금융 특성에 대한 분석 결과를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 제1 인공 신경망의 입력을 생성할 수 있다.

S1202 단계에서, 장치는 제1 인공 신경망에 입력을 적용할 수 있다.

제1 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 인공 신경망은 제1 내지 제7 보상을 통해 갱신 및 최적화될 수 있다.

예를 들어, 제1 보상은 고객이 보유하고 있지 않은 상품을 고객에게 적합한 금융 상품으로 선정할수록 높아질 수 있으며, 제2 보상은 고객이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정하지 않을수록 높아질 수 있으며, 제3 보상은 고객과 비슷한 연령대의 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정할수록 높아질 수 있으며, 제4 보상은 고객과 동일한 직업군의 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정할수록 높아질 수 있으며, 제5 보상은 고객과 비슷하게 자산을 보유하고 있는 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정할수록 높아질 수 있으며, 제6 보상은 상담 내역, 대출 내역 및 설문 내역을 통해 고객이 관심을 가질 것으로 예측되는 상품을 고객에게 적합한 금융 상품으로 선정할수록 높아질 수 있으며, 제7 보상은 보유 상품의 만기일자를 통해 만기가 도래하는 상품과 유사한 상품을 고객에게 적합한 금융 상품으로 선정할수록 높아질 수 있다.

S1203 단계에서, 장치는 제1 인공 신경망으로부터 출력을 획득할 수 있다.

제1 인공 신경망의 출력은, 고객에게 적합한 금융 상품에 대한 정보일 수 있다. 이때, 제1 인공 신경망은 고객의 금융 특성에 대한 분석 결과를 통해 고객에게 적합한 금융 상품을 하나 또는 복수로 선정할 수 있다.

S1204 단계에서, 장치는 제1 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다.

제1 인공 신경망의 출력에 대한 평가는 제1 내지 제7 보상으로 나뉠 수 있다. 장치는 고객이 보유하고 있지 않은 상품을 고객에게 적합한 금융 상품으로 선정할수록 제1 보상을 많이 수여하고, 고객이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정하지 않을수록 제2 보상을 많이 수여하고, 고객과 비슷한 연령대의 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정할수록 제3 보상을 많이 수여하고, 고객과 동일한 직업군의 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정할수록 제4 보상을 많이 수여하고, 고객과 비슷하게 자산을 보유하고 있는 고객들이 많이 보유하고 있는 상품을 고객에게 적합한 금융 상품으로 선정할수록 제5 보상을 많이 수여하고, 상담 내역, 대출 내역 및 설문 내역을 통해 고객이 관심을 가질 것으로 예측되는 상품을 고객에게 적합한 금융 상품으로 선정할수록 제6 보상을 많이 수여하고, 보유 상품의 만기일자를 통해 만기가 도래하는 상품과 유사한 상품을 고객에게 적합한 금융 상품으로 선정할수록 제7 보상을 많이 수여할 수 있다.

S1205 단계에서, 장치는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.

장치는 제1 인공 신경망이, 고객에게 가장 적합한 금융 상품을 선정하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공 신경망을 갱신할 수 있다.

예를 들어, 장치는 제1 고객에게 적합한 상품으로 제1 상품을 선정한 것에 대해 문제가 있는 경우, 제1 상품을 선정한 것에 대해 문제가 있음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공 신경망에 적용하여, 제1 고객과 유사한 금융 특성을 가지는 고객에게 적합한 상품으로 제1 상품이 선정되지 않도록, 제1 인공 신경망을 학습시키는 과정을 통해, 제1 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

장치는 상기와 같은 제1 인공 신경망의 학습 과정을 반복함으로써, 제1 인공 신경망을 점진적으로 갱신시킬 수 있다.

구체적으로, 장치는 고객에게 적합한 금융 상품을 선정하는데 있어, 고객의 연령대, 직업군, 보유 상품 목록, 보유 자산 현황, 상담 내역, 대출 내역, 설문 내역 및 보유 상품의 만기일자 등의 항목을 모두 고려하여, 고객에게 가장 적합한 상품을 선정한 후, 상품에 대한 정보를 출력하는 제1 인공 신경망을 학습시킬 수 있다.

즉, 장치는 고객의 금융 특성에 대한 분석 결과를 통해, 고객에게 적합한 금융 상품을 분석할 때, 제1 내지 제7 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.

도 13은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(1300)는 프로세서(1310) 및 메모리(1320)를 포함한다. 프로세서(1310)는 도 1 내지 도 12를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 12를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(1300)를 이용하는 자 또는 단체는 도 1 내지 도 12를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(1320)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(1320)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(1310)는 프로그램을 실행하고, 장치(1300)를 제어할 수 있다. 프로세서(1310)에 의하여 실행되는 프로그램의 코드는 메모리(1320)에 저장될 수 있다. 장치(1300)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(1300)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(1320)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(1310)는 메모리(1320)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(1300)와 학습된 인공 신경망을 이용하는 장치(1300)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 장치에 의해 수행되는, 빅데이터 및 인공지능을 기반으로 고객 맞춤형 금융 상품을 추천하는 방법에 있어서,
   제1 고객 정보가 획득되면, 상기 제1 고객 정보를 기초로, 제1 고객의 연령대, 직업군, 보유 상품 목록, 보유 자산 현황, 상담 내역, 대출 내역, 설문 내역 및 보유 상품의 만기일자를 확인하여, 상기 제1 고객의 금융 특성을 분석하는 단계;
   상기 제1 고객의 금융 특성에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 고객에게 적합한 금융 상품을 선정하는 단계;
   상기 제1 고객에게 적합한 금융 상품으로 제1 상품이 선정되면, 상기 제1 상품에 대한 추천 정보를 생성하는 단계;
   상기 제1 고객에게 적합한 금융 상품으로 복수의 상품이 선정되면, 상기 선정된 복수의 상품들로 추천 상품 목록을 생성하는 단계;
   상기 추천 상품 목록에 포함된 상품들 중 상기 제1 고객의 보유 상품과 유사한 상품이 있는지 여부를 확인하는 단계;
   상기 제1 고객의 보유 상품과 제2 상품이 유사한 것으로 확인되면, 상기 추천 상품 목록에서 상기 제2 상품을 삭제하는 단계;
   미리 정해진 추천 규칙에 따라, 상기 추천 상품 목록에 포함된 상품들 각각의 우선순위를 설정하는 단계; 및
   상기 추천 상품 목록에 포함된 상품들 각각에 설정된 우선순위를 이용하여, 우선순위가 높은 순으로 상기 추천 상품 목록을 정렬하는 단계를 포함하며,
   상기 추천 상품 목록에 포함된 상품들 각각의 우선순위를 설정하는 단계는,
   상기 추천 상품 목록에 포함된 상품들 각각의 출시일을 확인하는 단계;
   상기 추천 상품 목록에 포함된 상품들 각각의 출시일을 기준으로, 출시일이 느릴수록 높은 점수를 부여하여, 상기 추천 상품 목록에 포함된 상품들 각각에 대한 제1 점수를 산정하는 단계;
   상기 제1 고객과 유사한 금융 특성을 가지는 고객들을 그룹화하여, 제1 고객 그룹으로 분류하는 단계;
   상기 제1 고객 그룹에 속하는 고객들이 상기 추천 상품 목록에 포함된 상품들을 보유하고 있는지 확인하여, 상기 추천 상품 목록에 포함된 상품 별로 상품을 보유한 고객 수를 보유량으로 산출하는 단계;
   상기 추천 상품 목록에 포함된 상품들 각각의 보유량을 기준으로, 보유량이 많을수록 높은 점수를 부여하여, 상기 추천 상품 목록에 포함된 상품들 각각에 대한 제2 점수를 산정하는 단계; 및
   상기 제1 점수 및 상기 제2 점수를 합산한 합산 점수를 이용하여, 상기 추천 상품 목록에 포함된 상품들 각각의 우선순위를 설정하는 단계를 포함하는,
   빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법.
2. 삭제
3. 제1항에 있어서,
   상기 추천 상품 목록에 포함된 상품들 중 관리자 페이지를 통해 설정된 주력 상품이 있는지 여부를 확인하는 단계; 및
   상기 추천 상품 목록에 주력 상품으로 설정된 제3 상품이 있는 것으로 확인되면, 상기 제3 상품의 우선순위를 1순위로 설정하여, 상기 추천 상품 목록을 재정렬하는 단계를 더 포함하는,
   빅데이터 및 인공지능 기반 고객 맞춤형 금융 상품 추천 방법.

Images