KR102451099B1 - 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법 - Google Patents

인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법 Download PDF

Info

Publication number
KR102451099B1
KR102451099B1 KR1020210085118A KR20210085118A KR102451099B1 KR 102451099 B1 KR102451099 B1 KR 102451099B1 KR 1020210085118 A KR1020210085118 A KR 1020210085118A KR 20210085118 A KR20210085118 A KR 20210085118A KR 102451099 B1 KR102451099 B1 KR 102451099B1
Authority
KR
South Korea
Prior art keywords
customer
information
user
inference
purchase
Prior art date
Application number
KR1020210085118A
Other languages
English (en)
Inventor
이준호
노병인
김우빈
Original Assignee
주식회사 소프트자이온
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 소프트자이온 filed Critical 주식회사 소프트자이온
Priority to KR1020210085118A priority Critical patent/KR102451099B1/ko
Application granted granted Critical
Publication of KR102451099B1 publication Critical patent/KR102451099B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal

Abstract

고객 유형 분류, 사용자 니즈 추론, 운영 시나리오 생성, 및 상품 추천에 이르는 일련의 구매 유도 과정을 머신러닝에 기반하여 자동화서비스로 구현하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 관한 것이다.

Description

인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법{PURCHSASE INDUCEMENT SYSTEM AND METHOD THROUGH INFERENCING USER'S NEEDS BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 관한 것으로서, 고객 유형 분류, 사용자 니즈 추론, 운영 시나리오 생성, 및 상품 추천에 이르는 일련의 구매 유도 과정을 머신러닝에 기반하여 자동화 서비스로 구현하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 관한 것이다.
최근 들어 쇼핑서비스에 기대하는 고객의 요구가 증가함에 따라 다양한 고객 서비스 및 트렌드를 반영한 기술의 도입이 가속화되고 있다.
아울러, 사용자의 요구사항이 까다로워지고 개인에게 맞춤화된 요구사항이 증가함에 따라 개인패턴을 분석한 데이터를 기반으로 사용자 맞춤형 정보를 제공하는 서비스가 다양한 분야에 적용되고 있다.
이러한 가운데 소비자 행동 패턴은 점점 더 세분화되고 있으며, 이로 인해 마케터가 감당하기 힘들 정도의 데이터 쓰나미가 몰려오고 있다.
하지만 마케터들은 오늘날의 인공지능(AI) 툴이 지원하는 행동 기반 모델 덕분에 기존의 변수를 뛰어넘어 타겟 고객 집단을 더욱 세분화하고 좀 더 정확한 개인별 행동 패턴을 추적할 수 있게 되었다.
인공지능(AI)을 적용함으로써 대상 고객 집단을 매우 정밀한 수준으로 세분화하는 것이 가능해지고, 어떤 고객 집단이 기업의 궁극적 목표 달성에 가장 도움이 되는지도 파악할 수 있게 될 것이다.
이와 같이 변해가는 쇼핑 트렌드에서 설문조사에 응한 절반 이상의 고객이 자신과 관련성이 떨어지는 광고 문자를 보내오는 브랜드는 이후 다시 찾지 않는다는 경향을 감안할 때, 고객이 지금 그리고 앞으로 어떤 요구를 갖게 될 것인지를 최대한 정확하게 파악하는 것이 중요한 관건이 되겠다.
(특허문헌 0001) 대한민국 등록특허 제10-195734743호
(특허문헌 0002) 대한민국 등록특허 제10-1765093호
본 발명은 종래의 문제를 해결하기 위해 안출한 것으로서, 본 발명은 고객 유형 분류, 사용자 니즈 추론, 운영 시나리오 생성, 및 상품 추천에 이르는 일련의 구매 유도 과정을 머신러닝에 기반하여 자동화서비스로 구현하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템은 복수의 고객의 개인정보, 상품정보 및 고객 관련 운영계 정보를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 정보에 기초하여 구매 행동 패턴 및 사용자 감성을 분석하고, 분석 결과에 기초하여 하나 이상의 고객 유형을 분류하는 고객 유형 분류부; 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 이용하여 상기 각 고객 유형의 사용자 니즈를 추론하는 사용자 니즈 추론부; 및 상기 추론된 사용자 니즈에 기초하여 고객의 구매를 유도하기 위한 운영 시나리오를 생성하는 운영 시나리오 생성부를 포함한다.
본 발명의 일 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 방법은 복수의 고객의 개인정보, 상품정보 및 고객 관련 운영계 정보를 수집하는 단계; 상기 수집된 정보에 기초하여 구매 행동 패턴 및 사용자 감성을 분석하고, 분석 결과에 기초하여 하나 이상의 고객 유형을 분류하는 단계; 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 이용하여 상기 각 고객 유형의 사용자 니즈를 추론하는 단계; 상기 추론된 사용자 니즈에 기초하여 고객의 구매를 유도하기 위한 운영 시나리오를 생성하는 단계; 및 상기 운영 시나리오에 따라 구매 유도를 위해 고객에게 상품 추천을 실행하는 단계를 포함한다.
상기와 같은 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 의하면, 머신 러닝 기반의 사용자 니즈 추론 알고리즘 툴이 지원하는 구매 행동 패턴 및 사용자 감성 기반 모델 덕분에 기존의 변수를 뛰어넘어 타겟 고객 집단을 더욱 세분화하고 좀 더 정확한 개인별 행동 패턴 및 사용자 감성을 추적할 수 있다.
아울러, 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 의하면, 고객 유형 분류, 사용자 니즈 추론, 운영 시나리오 생성, 및 상품 추천에 이르는 일련의 구매 유도 과정을 머신러닝에 기반하여 일련의 과정을 자동화 서비스로 수행할 수 있다.
또한, 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 의하면, 기업은 고객의 구매유도라는 고객 경영의 주요 업무 영역을 수용함으로써 기업의 매출 증대와 고객유치에 유효한 효과를 달성할 수 있다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템을 도시하는 블록도이다.
도 2는 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템의 구성을 도시하는 블록도이다.
도 3은 본 발명의 일 실시예에 의한 사용자 니즈 추론 알고리즘 모델 개발을 위한 학습 실행 방법의 예를 도시하는 도면이다.
도 4는 본 발명의 실시예에 따른 리뷰데이터 분석을 통한 감성 분석을 실행하는 일 예시도면이다.
도 5는 본 발명의 일 실시예에 따른 구매유도를 위한 운영 시나리오를 도출하기까지의 일련의 흐름 예를 도시한다.
도 6은 본 발명의 일 실시예에 따른 운영 시나리오를 생성하기 위해 고려하는 충성고객 및 VVIP에 관한 자료를 도시한다.
도 7은 본 발명의 일 실시예에 따른 운영 시나리오를 생성하기 위해 고려하는 시간대별, 요일별 매출분석 그래프를 도시한다.
도 8은 본 발명의 일 실시예에 따른 운영 시나리오의 일 예를 도시한다.
도 9는 본 발명의 일 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 방법을 설명하기 위한 흐름도이다.
이하에서 본 발명의 기술적 사상을 명확화하기 위하여 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명하도록 한다. 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성요소에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략할 것이다. 도면들 중 실질적으로 동일한 기능구성을 갖는 구성요소들에 대하여는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 참조번호들 및 부호들을 부여하였다. 설명의 편의를 위하여 필요한 경우에는 장치와 방법을 함께 서술하도록 한다.
도 1은 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템을 도시하는 블록도이다.
도 1을 참조하면 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템(10)은 통신망(40)인 유선 및/또는 무선 네트워크를 통하여 클라이언트 장치(20)와 통신하여 동작할 수 있다. 사용자 니즈 추론을 통한 구매 유도 시스템(10)과 클라이언트 장치(20) 사이의 통신 방법은 유선 및/또는 무선 네트워크를 통하여 객체와 객체가 네트워킹 할 수 있는 모든 통신 방법을 포함할 수 있으며, 유선 통신, 무선 통신, 5G 혹은 그 이외의 방법에 한정하지 않는다.
클라이언트 장치(20)는 구매 유도 시스템(10)이 제공하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 서비스를 향유하고자 하는 사용자의 장치일 수 있다. 이때, 사용자는 하나 또는 복수의 고객을 대상으로 상품 및/또는 서비스를 제공하는 기업에 해당하는 개인 또는 법인 사업자일 수 있으며, 이때 기업의 사업은 회원 가입된 고객, 잠재 구매 고객 등의 다양한 형태의 고객에 대해 사용자 니즈 추론을 통한 구매를 유도하고자 하는 임의의 형태일 수 있고, 특정한 상품 또는 서비스에 연관된 것으로 한정하지 않는다.
도 1에서는 클라이언트 장치(20)는 하나의 장치로 도시되었으나, 이는 설명의 편의를 위한 것으로, 실시예들에 따른 구매 유도 시스템(10)을 사용하는 기업의 수 또는 기업에서 사용하는 장치의 수를 제한하는 것이 아니라는 점이 용이하게 이해될 것이다.
클라이언트 장치(20)는 클라이언트 장치(20)를 사용하는 기업의 고객에 관련된 운영계 정보, 복수의 고객의 개인정보 및 상품정보가 저장되는 데이터베이스(22)를 포함할 수 있다. 여기서, 운영계 정보란 구매 유도 시스템(10)에 의한 구매 유도를 실현하기 위하여 필요한 임의의 정보를 지칭하며, 일 실시예로, 고객의 유입경로 정보, 상품검색 정보, 구매상품 정보, 구매금액 정보, 행태정보 및 구매빈도 정보 중 적어도 하나를 포함하는 구매 데이터 및 리뷰 데이터 등을 포함할 수 있고, 이에 한정되는 것은 아니다.
또한, 클라이언트 장치(20)는 복수의 고객의 개인정보, 상품정보 및 운영계 정보를 구매 유도 시스템(10)에 제공하는 데이터 연동부(24)를 포함할 수 있다. 데이터 연동부(24)는 데이터베이스(22)에 저장된 정보들의 일부 또는 전부를 구매 유도 시스템(10)에 전송하는 역할을 한다. 이와 같은 정보의 전송은 구매 유도 시스템(10)의 요청에 대한 응답으로 데이터 연동부(24)에 의해 수행될 수도 있고, 또는 구매 유도 시스템(10)에 의한 별도의 요청이 없는 상태에서 데이터 연동부(24)에 의해 주기적으로 수행될 수도 있다. 또한, 구매 유도 시스템(10)에 전송되는 정보들은 전체 정보 중 구매 유도 시스템(10)에 의해 지정된 특정 항목의 데이터일 수도 있고, 또는 데이터베이스(22)에 저장된 정보의 전체일 수도 있다.
일 실시예에서, 구매 유도 시스템(10)은 도 2에 도시된 바와 같이 데이터 수집부(11), 고객 유형 분류부(112), 사용자 니즈 추론부(13), 운영 시나리오 생성부(14), 상품 추천부(15) 및 데이터베이스(16)를 포함한다.
데이터 수집부(11)는 복수의 고객의 개인정보, 상품정보 및 고객 관련 운영계 정보를 수집할 수 있고, 전술한 바와 같이 클라이언트 장치(20)의 데이터 연동부(24)로부터 수신할 수 있다. 여기서, 고객의 개인정보는 성별, 연령, 주거지역, 직업, 체형, 체질 등 각 고객 개인에 관련된 기본 정보를 의미한다. 더불어, 데이터 수집부(11)는 클라이언트 장치(20)에 대응하는 기업의 기업 정보, 상품 및 서비스 정보를 더 수신할 수 있다. 데이터 수집부(11)에서 수집된 정보들은 머신러닝에 필요한 정보들일 수 있다.
고객 유형 분류부(12)는 데이터 수집부(11)에서 수집된 정보에 기초하여 구매 행동 패턴 및 사용자 감성을 분석하고, 분석 결과에 기초하여 하나 이상의 고객 유형을 분류한다.
구체적으로, 고객유형을 결정하기 위해서 고객 유형 분류부(12)는 고객의 개인정보 및 고객 관련 운영계 정보에 포함되는 각 세그먼트와 각 세그먼트별로 매핑되는 레벨정보를 분류하고, 상기 분류된 레벨정보를 이용하여 유사도를 기반으로 복수의 고객유형 중 하나로 고객을 할당할 수 있다.
일 실시예로, 각 세그먼트의 레벨 별 가중치에 따라 상기 고객의 레벨 분류 벡터를 계산하고, 상기 고객의 레벨 분류 벡터를 이용하여 상기 복수의 고객그룹 중 해당하는 그룹으로 상기 고객을 할당할 수 있다.
이를 위해, 고객 유형 분류부(12)는 개인정보에 해당하는 제1 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하고, 구매 행동 패턴에 해당하는 제2 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하며, 사용자 감성에 해당하는 제3 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하여 각 세그먼트별 상기 고객의 레벨 분류 벡터를 계산할 수 있다.
일 실시예로, 개인정보에 포함되는 적어도 하나 이상의 제1 세그먼트로서, 성, 연령, 주거지역, 직업, 체형, 체질, 결혼유무, 자녀유무, 취미 등에 따라 각각 레벨이 미리 설정되어 있을 수 있고, 각 세그먼트의 중요도에 따라 가중치가 미리 설정되어 있을 수 있다.
일 실시예로, 구매 행동 패턴에 포함되는 적어도 하나 이상의 제2 세그먼트로서, 고객의 유입경로 정보, 상품검색 정보, 구매상품 정보, 구매금액 정보, 행태정보, 구매빈도 정보 등에 따라 각각 레벨이 미리 설정되어 있을 수 있고, 각 세그먼트의 중요도에 따라 가중치가 미리 설정되어 있을 수 있다.
일 실시예로, 사용자 감성에 해당하는 적어도 하나 이상의 제3 세그먼트로서, 상품별 및 카테고리별로 등록된 긍정 또는 부정적인 리뷰 데이터에 따라 각각 레벨이 미리 설정되어 있을 수 있고, 각 세그먼트의 중요도에 따라 가중치가 미리 설정되어 있을 수 있다.
이와 같이 고객 유형 분류부(12)는 각 세그먼트별 고객의 레벨 분류 벡터를 계산한 다음, 임의의 N(단, N은 자연수)개의 고객유형 중 하나로 고객을 할당할 수 있다.
이를 위해 먼저, 레벨 분류 벡터에 기반하여 고객들의 클러스터링이 구축되어 있을 수 있다. 고객들의 클러스터링 방법은 복수의 고객들을 각각의 레벨 분류 벡터에 따라 임의의 N개의 클러스터로 할당하고, N개의 클러스터 각각의 중심점에 기초하여 각각의 레벨 분류 벡터를 N개의 클러스터 중 어느 하나로 재할당하며, 레벨 분류 벡터가 재할당된 N개의 클러스터 각각의 중심점들을 다시 계산하고, 레벨 분류 벡터의 재할당의 반복 여부를 결정하는 과정을 포함할 수 있다.
사용자 니즈 추론부(13)는 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 이용하여 각 고객 유형의 사용자 니즈를 추론한다.
일 실시예로, 개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴, 사용자 감성 및 고객 유형 분류부(12)에서 분류된 고객유형을 고려하여 사용자 니즈를 추론할 수 있다.
일 실시예로, 사용자 니즈 추론부(13)는 복수의 고객에 대한 개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴, 사용자 감성 및 고객유형에 관한 정보를 빅데이터로 저장한 다음 미리 학습된 인공지능 알고리즘을 통해 어느 고객의 개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴, 사용자 감성 및 고객 유형이 임계치 이상의 상관계수를 갖는 케이스를 검출할 수 있다. 그리고, 상기 검출된 케이스에 매핑된 사용자 니즈를 도출할 수 있다.
구체적으로, 사용자 니즈 추론부(13)는 고객 유형 분류부(12)에서 고객 유형별로 군집화된 고객 유형 케이스와 상기 전술한 파라미터들이 임계치 이상으로 유사한 유사고객들을 해당 고객 유형 케이스로 할당하여 군집화할 수 있고, 이를 통해 동일군집에 포함된 유사 고객들에게 나타나는 행동특성이나 구매패턴 중 대상자(잠재 구매 고객)에게 아직 나타나지 않은 행동특성이나 구매패턴을 대상자의 니즈로 간주하고 이를 대상자의 니즈로 추론할 수 있다.
다시 말하면, 사용자 니즈 추론부(13)는 잠재 구매 고객으로부터 수집된 정보를 미리 학습된 인공지능 알고리즘을 통해 분석하여 임계치 이상의 상관계수를 갖는 고객 유형을 검출하고, 상기 검출된 고객 유형에 포함된 유사 고객들이 갖는 행동특성이나 구매패턴을 상기 잠재 구매 고객의 니즈로 간주하여 사용자 니즈를 추론할 수 있는 것이다.
도 3은 본 발명의 일 실시예에 의한 사용자 니즈 추론 알고리즘 모델 개발을 위한 학습 실행 방법의 예를 도시하는 도면이다. 도 3을 참조하면, 본 발명의 일 실시예에 의한 사용자 니즈 추론 알고리즘 모델은 협업 필터링 알고리즘을 기반으로 할 수 있다. 협업 필터링은 이용자들의 사용형태, 소비 기록 등 정보를 분석하여 고객이 선호하는 정보를 예측하는 방법이다.
일 실시예로, 본 발명의 협업 필터링 알고리즘은 현재 사용자로부터 기존에 구매하였던 상품에 관한 평가를 점수로 입력받고, 이 평가 정보를 가지고 다른 사용자 중 비슷한 평가를 한 고객들을 추출한 후, 이들이 좋게 평가한 상품 중에서 현재 고객이 구입하지 않은 상품을 고를 수 있다.
예를 들어, 상품 A를 어느 고객 유형의 집단이 평균 4.5로 높게 평가하였으나 현재 고객은 아직 구매하지 않았다고 가정하면, 상기 고객 유형 집단의 상품 선호도와 현재 고객의 상품 선호도가 비슷하므로 현재 고객이 상품 A를 좋아할 가능성이 매우 높다고 판단될 수 있는 것이다. 따라서 상품 A를 사용자 니즈로 도출할 수 있다. 여기서 전술한 바와 같이 협업 필터링 알고리즘은 상품에 관한 평가 이외에 개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴 및 사용자 감성을 더 고려하여 사용자 니즈를 도출할 수 있다.
구체적으로, 사용자 니즈 추론부(13)는 Referrer의 로그 수집을 통한 유입 출처를 분석할 수 있고, 브라우저 세션정보 수집을 통한 로그인 사용자와 로그인하지 않은 사용자가 동일인인지 분석할 수 있으며, 페이지 뷰, 내부 검색어 수집 및 방문수를 분석할 수 있고, 고객, 상품, 구매 데이터 및 리뷰데이터는 별도의 API 연동을 통해 수집할 수 있다.
도 4는 본 발명의 실시예에 따른 리뷰데이터 분석을 통한 감성 분석을 실행하는 일 예를 도시한다. 리뷰데이터 분석으로부터 감성분석을 도출하기 위해 사용자 니즈 추론부(13)는 한 문장의 리뷰에 대해 텍스트 전처리를 실행하고, 단어를 밀집 벡터(dense vector)의 형태로 표현하는 워드임베딩을 통해 텍스트 전처리된 데이터들을 밀집 벡터로 변환하여 분류한 뒤, 회귀분석 인공지능 분류모델을 통해 감성분석을 도출할 수 있다. 텍스트 전처리는 토큰화, 정제, 형태소를 분석할 수 있고, 워드임베딩은 TF-IDF(단어 빈도-역 문서 빈도, Term Frequency-Inverse Document Frequency), Doc2Vec, BERT(Bidirectional Encoder Representations from Transformers), ELMo(Embeddings from Language Model)를 이용할 수 있다.
또한, 사용자 니즈 추론부(13)는 전자상거래 행동 패턴을 인식하고 분류하기 위해 전자상거래 구매 패턴 추출 모듈과 리뷰 데이터 분석을 통한 사용자 감성 분석 모듈을 더 구비할 수 있다.
그리고, 사용자 니즈 추론부(13)는 빅데이터로서 검색 광고, 마케팅, 내부 검색어, 시나리오 및 시계열에 관한 정보를 포함하여 이들에 의한 구매 효과를 분석할 수 있다.
이외에도 사용자 니즈 추론부(13)는 쇼핑몰 트렌드 리포트 운영지표를 측정하기 위해 시간대별, 요일별 방문율과 구매비율, 처음 방문인지 재방문인지에 대한 여부, 방문횟수와 재방문의 시간 간격, 유입 출처, 검색엔진 유입율, 경로 깊이, 체류시간 및 구매 소요 시간을 고려할 수 있고, 고객 계정 휴면전환 리포트를 모니터링하고, 조회에서 구매로 넘어가지 않고 조회만 하는 비율을 모니터링 할 수 있으며, 구매 수/사이트 방문 수에 대한 비율을 모니터링할 수 있다.
구매 행동 패턴이 점점 더 세분화되고 있으며, 이로 인해 기업들에게는 감당하기 힘들 정도의 데이터 쓰나미가 몰려오고 있다.
이를 극복하기 위한 본 발명의 머신 러닝 기반의 사용자 니즈 추론 알고리즘 툴이 지원하는 구매 행동 및 사용자 감성 기반 모델 덕분에 기존의 변수를 뛰어넘어 타겟 고객 집단을 더욱 세분화하고 좀 더 정확한 개인별 행동 패턴 및 사용자 감성을 추적할 수 있다.
즉, 대상 고객 집단을 매우 정밀한 수준으로 세분화하는 것이 가능해지고, 어떤 고객 집단이 기업의 궁극적 목표 달성에 가장 도움이 되는지도 파악할 수 있다.
머신 러닝 기반의 사용자 니즈 추론 알고리즘은 기업이 달성하려는 목표에 긍정적 또는 부정적 영향을 미칠 수 있는 숨겨진 사용자 패턴을 읽어 낼 수 있고, 따라서 기업이 미리 정한 최종 목표에 도달하도록 도움을 줄 수 있다.
즉, 구매 가능성이 높은 고객 집단을 찾아 매출 상승을 도모할 수도, 또한 기존 고객들에게는 그들의 관심사에 좀 더 부합하는 개별 맞춤형 상품이나 콘텐츠를 제공하도록 지원할 수도 있다.
예를 들어, 특정 웹사이트의 회원 수가 수백만 명에 이를 경우, 기업들은 자신들에게 좀 더 큰 가치가 있는 특정 고객 집단을 타겟으로 삼고자 할 것이다. 여기서 특정 고객 집단은 상품 구매 가능성이 더 높거나 관련된 소개 글을 읽어 볼 가능성이 더 높은 고객 집단을 의미한다.
이를 위해 기존에는 세 가지 측면을 고려하는 방식을 사용했다. 즉, 고객의 인구통계적 정보(연령, 성별, 사회적 특성), 고객의 행동 패턴(예: 고객의 가장 최근 웹사이트 접속), 고객의 관심사 및 사용자 감성을 고려하는 것이다.
예를 들면, 이들 세 가지 측면을 사용하여 지난 7일간 장바구니에 상품을 하나 추가한 고객을 타켓으로 삼을 수 있다. 이렇게 하는 것은 정확도가 높을 수 있지만, 다른 상당 부분을 추측에 의존해야 한다. 추측은 편견이 개입되거나 잘못될 가능성도 있다. 또한 이렇게 하면 기업이 구매 의사를 보유한 제한된 수의 고객에게 접근하는 것만 허용한다.
이와 같은 단점을 보완하기 위해서, 본 발명의 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 채용하면 기업들이 구매 가능성이 높을 것이라고 지정한 목표 사용자를 더 넓은 범위에서 찾아낼 수 있다.
또한, 본 발명의 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 통해 훨씬 더 많은 요인을 고려하여 무수한 조합을 만들어 낼 수 있다.
예를 들어, 고객의 관심도, 지정된 기간 동안 각 개인이 얼마나 활발한가와 같은 인터넷 브라우저 행동 패턴, 사이트 내부 행동, 사이트 방문 빈도, 사이트에서의 행동 지속 기간, 리뷰 데이터 등을 고려하고 이들을 모두 서로 곱할 경우, 거대한 수치를 얻게 된다. 여기에 더 많은 연령 집단, 특정 기기에서 웹사이트를 이용하는 사용자, 그 이외 다른 요인을 추가하면, 그 생성될 조합의 수치가 가파르게 상승하게 된다.
이와 같은 머신 러닝 기반의 사용자 니즈 추론 알고리즘은 고객에 대해 자세하게 분석할 수 있게 해 줄 뿐만 아니라, 고객이 실제 돈을 지불하는 결정을 내리는 데 가장 커다란 영향을 미치는 요인도 알려주며 고객의 행동 패턴 및 사용자 감성도 파악한다.
이러한 머신 러닝 기반의 사용자 니즈 추론 알고리즘은 과거 데이터로부터 학습하며, 이용 가능한 새로운 데이터를 모두 통합하여 지속적으로 예측 결과를 변경 및 조정할 수 있다. 클라이언트는 모델을 생성하고 최종 목표를 알려주기만 하면 된다.
사용자가 다음에 취할 행동을 예측함으로써 기업은 캠페인 전략을 사용자에 맞추어 수정할 수가 있다. 예를 들어, 어떤 회사가 신제품을 구매할 가능성이 가장 높은 고객을 찾아내기 위해 인공지능을 사용할 경우, 이 회사는 이들 사용자를 세분화한 다음, 맞춤형 제안 및/또는 메시지로 이들 사용자를 타겟팅하고 그들의 구매 의도를 실제 구매로 전환하는 데 도움을 받을 수 있다.
이와 같이 본 발명의 머신 러닝 기반의 사용자 니즈 추론 알고리즘 기술을 이용하면, 궁극적으로 성별, 연령, 지역, 직업, 관심사 등과 같은 통계적 속성을 기준으로 고객을 세분화할 수 있을 뿐만 아니라 기업들이 항상 알고 싶어하는 가까운 미래의 행동 예측 및 사용자 감성에 기반한 고객 세분화도 가능하다. 통계적 속성과 예측 행동 패턴 및 사용자 감성을 조합함으로써 기업들이 자신들의 목표 달성을 위해 구축할 수 있는 가장 효율적인 고객 세분화가 가능해진다.
운영 시나리오 생성부(14)는 사용자 니즈 추론부(13)에서 도출된 사용자 니즈에 기초하여 고객의 구매를 유도하기 위한 운영 시나리오를 생성한다.
도 5는 본 발명의 일 실시예에 따른 구매유도를 위한 운영 시나리오를 도출하기까지의 일련의 흐름 예를 도시한다. 도 5를 참조하면, 전술한 사용자 니즈 추론부(14)에서 추론된 사용자 니즈에 따라 사용자 니즈를 최적화로 충족시킬 수 있는 추천 서비스를 채택한다. 상기 추천 서비스는 고객의 구매력을 고려하고, 상품의 가격보다는 온라인에서 고객 경험 전체를 제고한 것이며, 고객별 니즈에 따라 분류된 유형에 대한 분석으로부터 고객의 니즈를 도출함으로써, 고객에게 최적화된 가치 상품을 제공하는 것이다.
도 6은 본 발명의 일 실시예에 따른 운영 시나리오를 생성하기 위해 고려하는 충성고객 및 VVIP에 관한 자료를 도시한다. 도 6을 참조하면, 운영 시나리오 생성부(14)는 개인화 마케팅을 위한 운영 시나리오 생성을 할 수 있다. 일 실시예로, 고객 중 충성고객과 VVIP 고객을 선택적으로 분류하여 이들에 대해 차별적인 추천 서비스를 제공할 수 있다.
예를 들면, 인지 단계(제1 단계), 최초 구매 단계(제2 단계), 구매 후 평가 단계(제3 단계), 재구매 결정 단계(제4 단계) 및 재구매 단계(제5 단계)로 구성되는 구매주기에서 제3 단계 내지 제5 단계를 반복하는 고객이 충성고객으로 분류될 수 있다. 그리고, 기업의 매출에 큰 비중으로 기여를 하는 고객들이 VVIP로 분류될 수 있다. 이와 같이 선택적으로 분류된 충성고객과 VVIP 고객에 대해서는 차별적인 추천 서비스로서, 그들 각각이 좋아하는 취향이나 선호하는 디자이너를 파악하여 그에 부합하는 서비스를 제공한다든가, 멤버쉽에 따른 레벨화된 혜택을 제공할 수도 있다. 아울러, 운영 시나리오 생성부(14)는 쇼핑몰 운용 관점에서 상기 제3단계 내지 제5단계를 반복하는 고객이 많아지도록 하는 쇼핑몰 운용 전략을 생성할 수 있다.
도 7은 본 발명의 일 실시예에 따른 운영 시나리오를 생성하기 위해 고려하는 시간대별, 요일별 매출분석 그래프를 도시한다. 도 7을 참조하면, 운영 시나리오 생성부(14)는 시간대별, 요일별 매출 분석을 고려하여 운영 시나리오를 생성할 수 있다.
일 실시예로, 온라인 쇼핑이 주로 월요일, 화요일의 오전 업무시간과 취침 전에 집중되는 것으로 분석된 경우, 구매 전환률을 높이기 위한 방안으로서, 타겟 고객에게 주말에 이용할 수 있는 쿠폰을 발급할 수 있다. 또한 운영 시나리오 생성부(14)는 고객이 어느 정보 뷰나 쇼핑몰에 머무는 시간 정보를 더 고려하여 사용자 니즈를 추론한 결과에 따라 그에 대응하는 이벤트를 생성하고, 적합한 상품을 추천하는 운영 시나리오를 생성할 수 있다.
상품 추천부(15)는 운영 시나리오 생성부(14)에서 생성된 운영 시나리오에 따라 구매 유도를 위해 고객에게 상품 추천을 실행한다.
도 8은 본 발명의 일 실시예에 따른 운영 시나리오의 일 예를 도시한다. 도 8을 참조하면, 전술한 과정을 거쳐 분류된 고객 유형에 따라 상품 추천을 실행하는 일 예로서, 상품 추천부(15)는 구매액은 많으나 방문수가 적은 것으로 분류된 A형 잠재 구매 고객에게는 방문을 유도하기 위해 이메일과 SMS 캠페인을 통해 상품 추천을 실행할 수 있고, 자주 구매하지만 저가의 물건을 주로 구매하는 것으로 분류된 B형 잠재 구매 고객에게는 고퀄리티의 유사제품을 추천하기 위해 고퀄리티의 유사 제품 중 할인을 많이 하는 상품 추천을 실행할 수 있다.
데이터베이스(16)는 전술한 과정을 거쳐 잠재 구매고객에게 실행된 상품 추천의 결과를 저장한다.
도 9는 본 발명의 일 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템(10)은 복수의 고객의 개인정보, 상품정보 및 고객 관련 운영계 정보를 수집할 수 있다(S110).
다음으로, 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템(10)은 S110 단계에서 수집된 정보에 기초하여 구매 행동 패턴 및 사용자 감성을 분석하고, 분석 결과에 기초하여 하나 이상의 고객 유형을 분류할 수 있다(S120).
다음으로, 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템(10)은 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 이용하여 상기 각 고객 유형의 사용자 니즈를 추론할 수 있다(S130).
다음으로, 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템(10)은 상기 추론된 사용자 니즈에 기초하여 고객의 구매를 유도하기 위한 운영 시나리오를 생성할 수 있다(S140).
다음으로, S140 단계에서 생성된 운영 시나리오에 따라 구매 유도를 위해 고객에게 상품 추천을 실행할 수 있다.
전술한 각 단계의 상세한 설명에 대해서는 도 1 내지 도 8을 참조하여 작성한 기재를 참고하기로 한다.
상기와 같은 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 의하면, 머신 러닝 기반의 사용자 니즈 추론 알고리즘 툴이 지원하는 구매 행동 패턴 및 사용자 감성 기반 모델 덕분에 기존의 변수를 뛰어넘어 타겟 고객 집단을 더욱 세분화하고 좀 더 정확한 개인별 행동 패턴 및 사용자 감성을 추적할 수 있다.
아울러, 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 의하면, 고객 유형 분류, 사용자 니즈 추론, 운영 시나리오 생성, 및 상품 추천에 이르는 일련의 구매 유도 과정을 머신러닝에 기반하여 일련의 과정을 자동화 서비스로 수행할 수 있다.
또한, 본 발명의 실시예에 따른 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법에 의하면, 기업은 고객의 구매유도라는 고객 경영의 주요 업무 영역을 수용함으로써 기업의 매출 증대와 고객유치에 유효한 효과를 달성할 수 있다.
본 발명에 따른 방법 및 서버는 하나 이상의 프로세서로 하여금 앞서 설명한 기능들과 프로세서를 수행하도록 하는 명령에 의하여 구동될 수 있다.
예를 들어 그러한 명령으로는, 예컨대 JavaScript나 ECMAScript 명령 등의 스크립트 명령과 같은 해석되는 명령이나 실행 가능한 코드 혹은 컴퓨터로 판독 가능한 매체에 저장되는 기타의 명령이 포함될 수 있다. 나아가 본 발명에 따른 장치는 서버 팜(Server Farm)과 같이 네트워크에 걸쳐서 분산형으로 구현될 수 있으며, 혹은 단일의 컴퓨터 장치에서 구현될 수도 있다.
비록 본 명세서와 도면에서는 예시적인 장치 구성을 기술하고 있지만, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 다른 유형의 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다. 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 본 발명에 따른 장치의 동작을 제어하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다. 컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조성물 혹은 이들 중 하나 이상의 조합일 수 있다.
본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 어플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 사용자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.
본 명세서에서 설명한 주제의 특정한 실시형태를 설명하였다. 기타의 실시형태들은 이하의 청구항의 범위 내에 속한다. 예컨대, 청구항에서 인용된 동작들은 상이한 순서로 수행되면서도 여전히 바람직한 결과를 성취할 수 있다. 일 예로서, 첨부도면에 도시한 프로세스는 바람직한 결과를 얻기 위하여 반드시 그 특정한 도시된 순서나 순차적인 순서를 요구하지 않는다. 특정한 구현 예에서, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
10: 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템
20: 클라이언트 장치

Claims (12)

  1. 복수의 고객의 개인정보, 상품정보 및 고객 관련 운영계 정보를 수집하는 데이터 수집부;
    상기 데이터 수집부에서 수집된 정보에 기초하여 구매 행동 패턴 및 사용자 감성을 분석하고, 분석 결과에 기초하여 하나 이상의 고객 유형을 분류하는 고객 유형 분류부;
    상기 하나 이상의 고객 유형 각각에 대해 적용할 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 결정하고, 결정된 사용자 니즈 추론 알고리즘을 이용하여 상기 각 고객 유형에 따라 분류된 고객의 사용자 니즈를 추론하는 사용자 니즈 추론부; 및
    상기 추론된 사용자 니즈에 기초하여 고객의 구매를 유도하기 위한 운영 시나리오를 생성하는 운영 시나리오 생성부를 포함하고,
    상기 고객 유형 분류부는, 고객의 개인정보에 해당하는 제1 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하고, 고객의 구매 행동 패턴에 해당하는 제2 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하고, 고객의 사용자 감성에 해당하는 제3 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하여 세그먼트별 고객의 레벨 분류 벡터를 계산하여, 레벨 분류 벡터에 기반하여 임의의 N(N은 자연수)개의 고객유형 중 하나로 고객을 할당하고,
    상기 사용자 니즈 추론부는,
    개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴, 사용자 감성, 및 상기 고객 유형 분류부에 의해 분류된 고객 유형을 미리 학습된 인공지능 알고리즘을 통해 분석하여 빅데이터에서 임계치 이상의 상관계수를 갖는 고객 유형을 검출하고,
    상기 고객 유형 분류부에 의해 분류된 고객 유형과 임계치 이상의 상관계수를 갖는 유사고객들을 군집화하고,
    동일군집에 포함된 유사고객들에게 나타나는 행동특성이나 구매패턴 중 잠재 구매 고객에게 나타나지 않은 행동특성이나 구매패턴을 잠재 구매 고객의 니즈로 간주하여 사용자 니즈를 추론하되,
    상기 인공지능 알고리즘은 복수의 고객에 대한 개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴, 사용자 감성 및 고객유형에 관한 정보를 빅데이터로 저장하여 학습하는 것을 특징으로 하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 고객 관련 운영계 정보는,
    고객의 유입경로 정보, 상품검색 정보, 구매상품 정보, 구매금액 정보, 및 구매빈도 정보 중 적어도 하나를 포함하는 구매 데이터 및 리뷰 데이터를 포함하는 것을 특징으로 하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템.
  4. 삭제
  5. 삭제
  6. 제 1 항에 있어서,
    상기 생성된 운영 시나리오에 따라 구매 유도를 위한 상품 추천을 실행하도록 구성된 상품 추천부; 및
    잠재 구매고객에게 실행된 상품 추천의 결과를 데이터베이스화하여 저장하도록 구성된 데이터베이스를 더 포함하는 것을 특징으로 하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템.
  7. 데이터 수집부가 복수의 고객의 개인정보, 상품정보 및 고객 관련 운영계 정보를 수집하는 단계;
    고객 유형 분류부가 상기 수집된 정보에 기초하여 구매 행동 패턴 및 사용자 감성을 분석하고, 분석 결과에 기초하여 하나 이상의 고객 유형을 분류하는 단계;
    사용자 니즈 추론부가 상기 하나 이상의 고객 유형 각각에 대해 적용할 머신 러닝 기반의 사용자 니즈 추론 알고리즘을 결정하고, 결정된 사용자 니즈 추론 알고리즘을 이용하여 상기 각 고객 유형에 따라 분류된 고객의 사용자 니즈를 추론하는 단계;
    운영 시나리오 생성부가 상기 추론된 사용자 니즈에 기초하여 고객의 구매를 유도하기 위한 운영 시나리오를 생성하는 단계; 및
    상품 추천부가 상기 운영 시나리오에 따라 구매 유도를 위해 고객에게 상품 추천을 실행하는 단계를 포함하고,
    상기 고객 유형 분류 단계는, 고객의 개인정보에 해당하는 제1 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하고, 고객의 구매 행동 패턴에 해당하는 제2 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하고, 고객의 사용자 감성에 해당하는 제3 세그먼트 별로 기 설정된 레벨 별 가중치를 반영하여 세그먼트별 고객의 레벨 분류 벡터를 계산하고, 계산된 레벨 분류 벡터에 기반하여 임의의 N(N은 자연수)개의 고객유형 중 하나로 고객을 할당하고,
    상기 사용자 니즈를 추론하는 단계는,
    개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴, 사용자 감성, 및 상기 고객 유형 분류부에 의해 분류된 고객 유형을 미리 학습된 인공지능 알고리즘을 통해 분석하여 빅데이터에서 임계치 이상의 상관계수를 갖는 고객 유형을 검출하고,
    상기 고객 유형 분류부에 의해 분류된 고객 유형과 임계치 이상의 상관계수를 갖는 유사고객들을 군집화하고,
    동일군집에 포함된 유사고객들에게 나타나는 행동특성이나 구매패턴 중 잠재 구매 고객에게 나타나지 않은 행동특성이나 구매패턴을 잠재 구매 고객의 니즈로 간주하여 사용자 니즈를 추론하되,
    상기 인공지능 알고리즘은 복수의 고객에 대한 개인정보, 상품정보, 고객 관련 운영계 정보, 구매 행동 패턴, 사용자 감성 및 고객유형에 관한 정보를 빅데이터로 저장하여 학습하는 것을 특징으로 하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 방법.
  8. 삭제
  9. 제 7 항에 있어서,
    상기 고객 관련 운영계 정보는,
    고객의 유입경로 정보, 상품검색 정보, 구매상품 정보, 구매금액 정보, 및 구매빈도 정보 중 적어도 하나를 포함하는 구매 데이터 및 리뷰 데이터를 포함하는 것을 특징으로 하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 방법.
  10. 삭제
  11. 삭제
  12. 제 7 항에 있어서,
    잠재 구매고객에게 실행된 상품 추천의 결과를 데이터베이스화하여 저장하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 방법.
KR1020210085118A 2021-06-29 2021-06-29 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법 KR102451099B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210085118A KR102451099B1 (ko) 2021-06-29 2021-06-29 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210085118A KR102451099B1 (ko) 2021-06-29 2021-06-29 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102451099B1 true KR102451099B1 (ko) 2022-10-07

Family

ID=83596133

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210085118A KR102451099B1 (ko) 2021-06-29 2021-06-29 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102451099B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565448B1 (ko) * 2022-12-21 2023-08-08 (주)와이오엘 인공지능 기반의 맞춤형 고객 관리 시스템 및 방법
KR102573285B1 (ko) * 2023-06-05 2023-09-01 (주)밀버스 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102575680B1 (ko) 2023-06-05 2023-09-06 주식회사 스탠다다 인공지능 기반의 사용자 행동 패턴 분석 장치 및 그 제어 방법
KR102600305B1 (ko) * 2022-10-07 2023-11-09 주식회사 커피챗 머신러닝 기반 학습된 모델을 이용한 사용자 맞춤형 대화 파트너 매칭 제공 추천 시스템 및 그 동작 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070060930A (ko) * 2005-12-09 2007-06-13 한국전자통신연구원 인터넷 쇼핑몰에 대한 상품정보/고객평가정보 판매 시스템및 그 방법
KR101765093B1 (ko) 2017-02-06 2017-08-04 (주)소프트기획 접속 중인 고객의 구매행동 패턴 분석을 통한 실시간 판매 촉진관리 서비스 제공 시스템
KR102059263B1 (ko) * 2018-02-28 2019-12-24 세종대학교산학협력단 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템
KR20200128927A (ko) * 2019-05-07 2020-11-17 주식회사 엘토브 O2O(On-line to Off-line) 기반 고객 맞춤 정보를 제안하기 위한 시스템 및 방법
KR20210036167A (ko) * 2019-09-25 2021-04-02 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. 어플리케이션의 테스트 자동화

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070060930A (ko) * 2005-12-09 2007-06-13 한국전자통신연구원 인터넷 쇼핑몰에 대한 상품정보/고객평가정보 판매 시스템및 그 방법
KR101765093B1 (ko) 2017-02-06 2017-08-04 (주)소프트기획 접속 중인 고객의 구매행동 패턴 분석을 통한 실시간 판매 촉진관리 서비스 제공 시스템
KR102059263B1 (ko) * 2018-02-28 2019-12-24 세종대학교산학협력단 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템
KR20200128927A (ko) * 2019-05-07 2020-11-17 주식회사 엘토브 O2O(On-line to Off-line) 기반 고객 맞춤 정보를 제안하기 위한 시스템 및 방법
KR20210036167A (ko) * 2019-09-25 2021-04-02 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. 어플리케이션의 테스트 자동화

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102600305B1 (ko) * 2022-10-07 2023-11-09 주식회사 커피챗 머신러닝 기반 학습된 모델을 이용한 사용자 맞춤형 대화 파트너 매칭 제공 추천 시스템 및 그 동작 방법
KR102565448B1 (ko) * 2022-12-21 2023-08-08 (주)와이오엘 인공지능 기반의 맞춤형 고객 관리 시스템 및 방법
KR102573285B1 (ko) * 2023-06-05 2023-09-01 (주)밀버스 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102575680B1 (ko) 2023-06-05 2023-09-06 주식회사 스탠다다 인공지능 기반의 사용자 행동 패턴 분석 장치 및 그 제어 방법

Similar Documents

Publication Publication Date Title
US11301761B2 (en) Behavioral prediction for targeted end users
KR102451099B1 (ko) 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법
Suchacka et al. Using association rules to assess purchase probability in online stores
Van den Poel et al. Predicting online-purchasing behaviour
Bose et al. Quantitative models for direct marketing: A review from systems perspective
US8700468B2 (en) Micro-segment definition system
US8732015B1 (en) Social media pricing engine
KR20160065429A (ko) 하이브리드 개인화 상품추천 방법
Loshin et al. Using information to develop a culture of customer centricity: customer centricity, analytics, and information utilization
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
Lismont et al. Predicting interpurchase time in a retail environment using customer-product networks: An empirical study and evaluation
Yang et al. A unified view of social and temporal modeling for B2B marketing campaign recommendation
Kuanr et al. Assessment methods for evaluation of recommender systems: a survey
Ashraf et al. Personalized news recommendation based on multi-agent framework using social media preferences
Rahman et al. A Classification Based Model to Assess Customer Behavior in Banking Sector.
Ekelik et al. A comparison of machine learning classifiers for evaluation of remarketing audiences in e-commerce
Gupta et al. A novel approach to alleviate data sparsity and generate dynamic fruit recommendations from point‐of‐sale data
JP7231585B2 (ja) 評価装置、評価方法及び評価プログラム
Pinto et al. Hybrid recommendation system based on collaborative filtering and fuzzy numbers
Singh et al. Improving customer segmentation in e-commerce using predictive neural network
Gupta et al. Personalized web recommendations analyzing sequential behaviour using implicit data streams: A survey
Mensouri et al. A New Marketing Recommendation System Using a Hybrid Approach to Generate Smart Offers
Chauhan et al. Customer-Aware Recommender System for Push Notifications in an e-commerce Environment
Davoudi User Acquisition and engagement in digital News Media
Song et al. Uncovering characteristic paths to purchase of consumers

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant