KR102457359B1 - 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템 - Google Patents

뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템 Download PDF

Info

Publication number
KR102457359B1
KR102457359B1 KR1020220056699A KR20220056699A KR102457359B1 KR 102457359 B1 KR102457359 B1 KR 102457359B1 KR 1020220056699 A KR1020220056699 A KR 1020220056699A KR 20220056699 A KR20220056699 A KR 20220056699A KR 102457359 B1 KR102457359 B1 KR 102457359B1
Authority
KR
South Korea
Prior art keywords
marketing
data
platform
user device
cost
Prior art date
Application number
KR1020220056699A
Other languages
English (en)
Inventor
노안수
Original Assignee
(주)비앤씨
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 (주)비앤씨 filed Critical (주)비앤씨
Priority to KR1020220056699A priority Critical patent/KR102457359B1/ko
Application granted granted Critical
Publication of KR102457359B1 publication Critical patent/KR102457359B1/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
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/93—Document management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0273—Determination of fees for advertising

Abstract

본원은 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템을 제공한다. 상기 마케팅 비용 효율 산정 방법은 적어도 하나의 채널을 통해, 적어도 하나의 채널에 각각 대응하는 적어도 하나의 마케팅 플랫폼에 대한 마케팅 문서 데이터를 수집하는 단계, 마케팅 문서 데이터로부터 식별되는 텍스트 데이터에 대응하는 비정형 데이터를 추출하는 단계, 비정형 데이터로부터 머신 러닝 동작을 수행하여 학습 정보 획득하는 단계, 학습 정보를 이용하여 마케팅 특화 지식 그래프 모델 생성하는 단계, 마케팅 특화 지식 그래프 모델을 이용하여 적어도 하나의 마케팅 플랫폼에 대한 키워드를 분석하는 단계 및 키워드의 분석을 통해, 사용자 장치의 요청에 따른 마케팅 비용 효율을 산정하는 단계를 포함하되, 상기 사용자 장치의 요청은, 적어도 하나의 마케팅 플랫폼 중 일부인 선택 마케팅 플랫폼에 대한 데이터를 포함하고, 상기 키워드 분석은, 선택 마케팅 플랫폼에 대해 각각 개별적으로 수행된다.

Description

뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템{Marketing cost efficiency calculation method and electronic system for performing the method using neural networks}
본 발명의 몇몇 실시예들은 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템에 대한 것이다.
인터넷 기술이 발달함에 따라서, 교양, 쇼핑, 엔터테인먼트, 마케팅 등 다양한 분야에서 온라인 서비스가 제공되고 있다. 그 중, 온라인 마케팅은 최초 홈페이지를 통해서 기업 또는 제품의 정보를 사용자에게 일방적으로 전달하는 형식으로 시작되었으며, 최근에는 SNS 및 커뮤니티 플랫폼 이용이 급증함에 따라서 다양한 마케팅도 시도되고 있다. 특히 스마트 폰과 같은 고성능 단말 장치의 등장과, Wi-Fi 망과 같은 저렴하게 이용 가능한 무선 네트워크의 구축에 따라, 온라인 환경의 이용자는 급증하고 있는 추세이며, 이러한 온라인 환경에서 수집되는 다양한 정보들이 빅데이터로 활용되면서 마케팅 및 효과 분석에도 이용되고 있다. 그러나, 최근 분석 데이터량의 급격한 증가에 의해 이를 분석하기 위한 비용 및 시간 또한 급격히 증가되고 있다.
특히, 이러한 데이터량 증가로 인한 마케팅 환경은, 마케팅 비용 대비 효과 등을 분석하기 위한 분석 전문가와 마케터를 추가 고용하여야 하는 생산 인프라를 요구하고 있으며, 고용이 어려운 중소/중견 기업에서는 결과적으로 단편적이고 직관적인 일부 분석만이 가능할 뿐 저비용으로 효과적인 마케팅 분석 컨설팅을 제공받기는 매우 어려운 실정이다. 이에 따라, 현재로서는 중소/중견 기업에서는 마케터 직원의 직관과 감에 의존한 의사결정 마케팅이 주를 이루고 있으며, 분석할 수 있는 데이터량은 증가함에도 불구하고 그 흐름을 쫓아가기가 사실상 어려운 문제점이 있다. 따라서, 저비용으로도 정확한 근거에 기반하여 마케팅 의사결정을 용이하게 하는 효율적 마케팅 분석 서비스의 필요성이 대두되고 있다.
본 발명의 몇몇 실시예들은 마케팅 플랫폼별 분석 정보에 기초하여 생성된 마케팅 특화 지식 그래프 모델을 기반으로 하는 마케팅 비용 효율 분석 서비스를 인공지능 기술을 통해 효과적으로 제공함으로써, 저비용 고효율 마케팅 비용 집행을 지원하는 마케팅 비용 효율 산정 방법을 제공할 수 있다.
본 발명의 몇몇 실시예들은, 마케팅 지식 특화 그래프를 위한 하이브리드 문서 분류 처리방식을 통해 문서를 효과적이고 정확하게 분류 처리하여 마케팅 솔루션 제공 성능이 향상된 마케팅 비용 효율 산정 방법을 제공할 수 있다.
본 발명의 몇몇 실시예들은, 마케팅 플랫폼별 분석 정보에 기초하여 생성된 마케팅 특화 지식 그래프 모델을 기반으로 하는 마케팅 비용 효율 분석 서비스를 인공지능 기술을 통해 효과적으로 제공함으로써, 저비용 고효율 마케팅 비용 집행을 지원하는 전자 시스템을 제공할 수 있다.
본 발명의 몇몇 실시예들은, 마케팅 특화 지식 그래프를 위한 하이브리드 문서 분류 처리방식을 통해 문서를 효과적이고 정확하게 분류 처리하여 마케팅 솔루션 제공 성능이 향상된 전자 시스템을 제공할 수 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 방법은, 적어도 하나의 채널을 통해, 적어도 하나의 채널에 각각 대응하는 적어도 하나의 마케팅 플랫폼에 대한 마케팅 문서 데이터를 수집하는 단계, 마케팅 문서 데이터로부터 식별되는 텍스트 데이터에 대응하는 비정형 데이터를 추출하는 단계, 비정형 데이터로부터 머신 러닝 동작을 수행하여 학습 정보 획득하는 단계, 학습 정보를 이용하여 마케팅 특화 지식 그래프 모델 생성하는 단계, 마케팅 특화 지식 그래프 모델을 이용하여 적어도 하나의 마케팅 플랫폼에 대한 키워드를 분석하는 단계 및 키워드의 분석을 통해, 사용자 장치의 요청에 따른 마케팅 비용 효율을 산정하는 단계를 포함하되, 사용자 장치의 요청은, 적어도 하나의 마케팅 플랫폼 중 일부인 선택 마케팅 플랫폼에 대한 데이터를 포함하고, 키워드 분석은, 선택 마케팅 플랫폼에 대해 각각 개별적으로 수행된다.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 방법에서, 상기 마케팅 특화 지식 그래프는, 학습 정보 및 미리 수집된 정형 데이터를 통해 생성된다.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 방법에서, 상기 정형 데이터는 OpenAPI를 통해 수집된 데이터 및 파일 형식 데이터 중 적어도 하나를 포함한다.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 방법은, 상기 마케팅 문서 데이터에 대한 가비지 데이터 처리하는 단계를 더 포함한다.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 방법에서, 상기 가비지 데이터 처리는, 마케팅 특화 지식 그래프 모델의 생성을 위한 마케팅 문서 데이터를 분석하여 분류 체계 정보를 정의하는 단계, 분류 체계 정보 정의에 따라, 마케팅 문서 데이터에 대응하는 규칙 기반 제1 필터링을 수행하여 가비지 데이터를 1차 제거하는 단계 및 제1 필터링에 따른 잔여 마케팅 문서 데이터에 대응하는 사전 학습 모델 기반의 머신 러닝 필터링을 수행하여, 가비지 데이터를 2차 제거하는 단계를 포함한다.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 방법에서, 상기 키워드 분석은, 키워드에 대한 적어도 하나의 마케팅 플랫폼에 대한 효율 계수를 생성하는 것을 포함하고, 적어도 하나의 마케팅 플랫폼은 제1 내지 제n 마케팅 플랫폼을 포함하고, 제x 사용자 장치의 사용자 요청에 따른 마케팅 비용 효율의 산정은 하기의 수학식 (1)에 의해 결정되고,
[수학식 1]
Figure 112022049063538-pat00001
Figure 112022049063538-pat00002
상기
Figure 112022049063538-pat00003
은 상기 제x 사용자 장치의 제z 마케팅 컨텐츠에 대한 상기 사용자 요청에 따른 상기 마케팅 비용 효율이고, 상기 A는 마케팅 비용 효율 산정 서버에서 미리 정해진 계수이고,
Figure 112022049063538-pat00004
는 제i 마케팅 컨텐츠의 제작 비용을 나타내는 값이고, k는 마케팅 컨텐츠의 개수를 나타내는 값이고, 상기
Figure 112022049063538-pat00005
은 상기 제1 마케팅 플랫폼에 대한 상기 제x 사용자 장치의 선택 여부를 나타내는 값이고, 상기
Figure 112022049063538-pat00006
은 상기 제1 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
Figure 112022049063538-pat00007
은 상기 제1 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
Figure 112022049063538-pat00008
은 상기 키워드와 관련하여 상기 제1 마케팅 플랫폼에 대한 제1 음의 효율 계수이고, 상기
Figure 112022049063538-pat00009
은 상기 키워드와 관련하여 상기 제1 마케팅 플랫폼에 대한 제1 양의 효율 계수이고, 상기
Figure 112022049063538-pat00010
은 상기 제x 사용자 장치가 상기 제1 마케팅 플랫폼에 투입 예정인 마케팅 비용이고, 상기
Figure 112022049063538-pat00011
은 상기 제n 마케팅 플랫폼에 대한 상기 제x 사용자 장치의 선택 여부를 나타내는 값이고, 상기
Figure 112022049063538-pat00012
은 상기 제n 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
Figure 112022049063538-pat00013
은 상기 제n 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
Figure 112022049063538-pat00014
은 상기 키워드와 관련하여 상기 제n 마케팅 플랫폼에 대한 제n 음의 효율 계수이고, 상기
Figure 112022049063538-pat00015
은 상기 키워드와 관련하여 상기 제n 마케팅 플랫폼에 대한 제n 양의 효율 계수이고, 상기
Figure 112022049063538-pat00016
은 상기 제x 사용자 장치가 상기 제n 마케팅 플랫폼에 투입 예정인 마케팅 비용인 마케팅 비용 효율 산정 방법.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템에 있어서, 상기 전자 시스템은 사용자 장치 및 사용자 장치와 통신하는 마케팅 비용 효율 산정 서버를 포함하고, 상기 마케팅 비용 효율 산정 방법은, 적어도 하나의 채널을 통해, 적어도 하나의 채널에 각각 대응하는 적어도 하나의 마케팅 플랫폼에 대한 마케팅 문서 데이터를 수집하는 단계로, 적어도 하나의 마케팅 플랫폼은 제1 내지 제n 마케팅 플랫폼을 포함하는 단계, 마케팅 문서 데이터로부터 식별되는 텍스트 데이터에 대응하는 비정형 데이터를 추출하는 단계, 비정형 데이터로부터 머신 러닝 동작을 수행하여 학습 정보 획득하는 단계, 학습 정보를 이용하여 마케팅 특화 지식 그래프 모델 생성하는 단계, 마케팅 특화 지식 그래프 모델을 이용하여 적어도 하나의 마케팅 플랫폼에 대한 키워드 분석하는 단계, 키워드 분석을 통해, 사용자 장치의 요청에 따른 마케팅 비용 효율 산정하는 단계 및 사용자 장치의 요청에 대한 최고 효율 마케팅 플랫폼을 제시하는 솔루션을 제공하는 단계를 포함하되, 키워드 분석은, 키워드에 대한 제1 내지 제n 마케팅 플랫폼에 대한 효율 계수를 생성하는 것을 포함하고, 키워드 분석은, 제1 내지 제n 마케팅 플랫폼에 대해 각각 개별적으로 수행되고, 솔루션의 제공은 제x 사용자 장치의 요청에 대한 제1 내지 제n 마케팅 플랫폼의 하기 수학식 (2)에 따른 마케팅 효율값을 연산하는 것을 포함하되, 최고 효율 마케팅 플랫폼은 제1 내지 제n 마케팅 플랫폼에 대한 마케팅 효율값 중 최대값에 대응하고,
[수학식 2]
Figure 112022049063538-pat00017
상기
Figure 112022049063538-pat00018
은 상기 제x 사용자 장치의 요청에 따른 상기 제1 내지 제n 마케팅 플랫폼 중 하나인 제y 마케팅 플랫폼의 마케팅 효율값이고, 상기 A와 B는 마케팅 비용 효율 산정 서버에서 미리 정해진 계수이고, 상기
Figure 112022049063538-pat00019
은 상기 제y 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
Figure 112022049063538-pat00020
은 상기 제y 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
Figure 112022049063538-pat00021
은 상기 키워드와 관련하여 상기 제y 마케팅 플랫폼에 대한 제y 음의 효율 계수이고, 상기
Figure 112022049063538-pat00022
은 상기 키워드와 관련하여 상기 제y 마케팅 플랫폼에 대한 제y 양의 효율 계수이다.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효울 산정 방법은, 자연어 처리를 기반으로, 사용자에게 저비용 고효율 마케팅 비용 집행 지원 및 마케팅 솔루션 제공 성능이 향상시킬 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템을 도시한 도면이다.
도 2는 도 1의 마케팅 비용 효율 산정 시스템의 구성을 나타내는 블록도이다.
도 3은 도 1의 마케팅 비용 효율 산정 서버의 구성을 나타내는 블록도이다.
도 4은 도 3의 지식 그래프 구축 모듈의 구성을 나타내는 블록도이다.
도 5는 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법을 설명하기 위한 순서도이다.
도 6는 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법의 동작을 설명하기 위한 순서도이다.
도 7 및 도 8은 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법의 동작을 설명하기 위한 도면들이다.
도 9는 본 발명의 또 다른 몇몇 실시예에 따른 마케팅 비용 효율 산정 서버의 구성을 설명하기 위한 도면이다.
도 10은 본 발명의 또 다른 몇몇 실시예에 따른 마케팅 비용 효율 산정 서버의 동작을 설명하기 위한 순서도이다.
도 11은 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법을 수행하는 사용자 장치의 구성들을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템(10)을 도시한 도면이다.
도 1을 참조하면, 본 발명의 몇몇 실시예에 따른 전자 시스템(10)의 네트워크 구성은 마케팅 비용 효율 산정 시스템(100), 제1 내지 제n 마케팅 플랫폼(200_1-200_n), 제1 내지 제m 사용자 장치(300_1-300_m) 및 네트워크(400)를 포함할 수 있다. 여기서, 마케팅 비용 효율 산정 시스템(100)은 마케팅 비용 효율 산정 서버(110) 및 시스템 데이터베이스(120)를 포함할 수 있다. 설명을 용이하게 하기 위해, 마케팅 비용 효율 산정 시스템(100)에 대한 구체적인 설명은 도 2 내지 도 4의 설명과 함께 후술한다.
제1 내지 제n 마케팅 플랫폼(200_1-200_n)은 마케팅 대상이 되는 네트워크 플랫폼이며 마케팅 비용 효율 산정 시스템(100)은 접근 권한이 있어 온라인 채널을 통해 접속할 수 있으며, 예시적으로 커뮤니티, 포털 사이트, SNS 등을 포함할 수 있다. 제1 내지 제n 마케팅 플랫폼(200_1-200_n)은 서로 상호 구분될 수 있고, 각각의 제1 내지 제n 접속 채널(CH_1-CH_n)을 통해 마케팅 비용 효율 산정 시스템(100)과 연결될 수 있다. 각 접속 채널은 예를 들어, 특정 플랫폼에 대응하는 사이트 주소 정보일 수 있으며, 마케팅 비용 효율 산정 시스템(100)은 사이트 주소 정보에 대응하여 결정된 각각의 접속 채널(CH_1-CH_n)별 마케팅 문서 데이터를 수집하고, 수집된 결과를 저장 및 분석할 수 있다.
제1 내지 제n 마케팅 플랫폼(200_1-200_n)은 각각 제1 내지 제n 마케팅 플랫폼 서버(210_1-210_n) 및 제1 내지 제n 데이터베이스(220_1-220_n)를 포함한다. 각각의 제1 내지 제n 마케팅 플랫폼 서버(210_1-210_n)는 사용자들이 접속하여 서비스를 이용하기 위하여 접속하게 되는 서버 컴퓨터를 의미한다. 제1 내지 제n 데이터베이스(220_1-220_n)는 각각의 제1 내지 제n 마케팅 플랫폼 서버(210_1-210_n)가 처리하는 회원 정보 데이터, 실시간 접속 데이터, 광고 정보 데이터, 마케팅 문서 데이터 및 웹 페이지 데이터를 저장할 수 있다. 따라서, 제1 내지 제n 데이터베이스(220_1-220_n)를 통해 제1 내지 제n 마케팅 플랫폼 서버(210_1-210_n)는 각각의 마케팅 플랫폼의 누적 회원수, 마케팅 플랫폼의 실시간 접속 회원 평균수 및 마케팅 문서 데이터를 처리할 수 있다.
제1 내지 제m 사용자 장치(300_1-300_m)는 이동통신 단말기나 컴퓨터로 구현될 수 있다. 도면에서 사용자 장치(300_1-300_m)가 m개로 도시되었지만, 이는 설명을 용이하게 위한 예시일 뿐, 본 발명에서 사용자 단말의 갯수는 이러한 예시에 제한되지 않는다. 또한 이하에서 설명의 용이성을 위해, 사용자 장치(300_1-300_m)에 대한 설명은 제1 사용자 장치(300_1)의 설명으로 대체될 수 있는 것은 자명하다.
상기 이동통신 단말기는 휴대성과 이동성이 보장되는 무선 통신 장치로서, 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), LTE(Long term evolution), NR(New Radio) 및 Wibro(Wireless Broadband Internet) 단말 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함한다.
상기 컴퓨터는 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함한다.
네트워크(400)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.
본 발명의 몇몇 실시예들에서 "네트워크", "통신" 및 "통신망"은 동일한 의미로 사용될 수 있다. 상기 세 용어들은, 파일을 사용자 단말, 다른 사용자 단말 및 다운로드 서버 사이에서 송수신할 수 있는 유무선의 근거리 및 광역데이터 송수신망을 의미한다.
도시되지 않았지만 제1 사용자 장치(300_1)의 이동통신 단말기와 네트워크(400)는 이동통신 서비스 제공자에 의해 연결될 수 있고, 이동통신 서비스 제공자는 이동통신 서비스를 제공한다. 이동통신 서비스 제공자는 기지국, 기지국 제어기, 교환기, 인증 센터 및 단문 메시지 서비스(Short Message Service; SMS) 서버를 포함할 수 있다.
도 2는 도 1의 마케팅 비용 효율 산정 시스템(100)의 구성을 나타내는 블록도이다. 도 3은 도 1의 마케팅 비용 효율 산정 서버(110)의 구성을 나타내는 블록도이다. 도 4은 도 3의 지식 그래프 구축 모듈의 구성을 나타내는 블록도이다.
도 1 내지 도 4를 참조하면, 마케팅 비용 효율 산정 시스템(100)은 마케팅 비용 효율 산정 서버(110), 시스템 데이터베이스(120) 및 머신 러닝 모듈(130)을 포함할 수 있다.
마케팅 비용 효율 산정 시스템(100)은 네트워크(400)를 통해 제1 내지 제n 마케팅 플랫폼(200_1-200_n)로부터 마케팅 플랫폼의 누적 회원수, 마케팅 플랫폼의 실시간 접속 회원 평균수 및 마케팅 문서 데이터를 수집하고, 마케팅 비용 효율 산정 시스템(100)은 제1 내지 제n 마케팅 플랫폼(200_1-200_n)로부터 수집된 데이터를 기초로 마케팅 특화 지식 그래프 모델을 구축하고, 제1 사용자 장치(300_1)의 요청에 따라 마케팅 비용 효율 산정 방법에 대한 서비스를 제공하며, 이 때 상기 요청을 통해 플랫폼 선택 여부(PS), 마케팅 비용 데이터(Ad_D) 및 사용자 데이터(Use_D)를 수신하고 상기 수신된 데이터와 상기 모델을 함께 이용하여 키워드를 분석하고, 상기 분석 결과를 기초로 마케팅 비용 효율(Eff)을 산정하고, 마케팅 솔루션(Sol)을 제공한다.
마케팅 비용 효율 산정 서버(110)는 제어부(111), 통신부(112), 사용자 관리부(113), 채널 기반 정보 수집부(114), 분석 데이터 처리부(115), 대시보드 구성부(116), 서비스 제공부(117) 및 솔루셔 제공부(118)를 포함할 수 있다.
제어부(111)는 마케팅 비용 효율 산정 서버(110)의 마케팅 플랫폼의 누적 회원수(US_ACC), 마케팅 플랫폼의 실시간 접속 회원 평균수(US_RT), 마케팅 문서 데이터(DD)의 수집, 상품/키워드 분석 데이터 처리, 대시보드 구성 및 마케팅 비용 효율 산정 서비스 제공을 포함하는 각 구성들의 동작 및 기능의 실행을 전반적으로 제어한다. 예를 들어, 제어부(111)는 마케팅 플랫폼(200)으로부터 수집된 정보의 분석 결과를 사용자 장치(300)로 제공하는 기능의 전부 또는 일부를 제어하기 위한 프로세서 또는 이를 실행하기 위한 프로그램으로 구현될 수 있다.
통신부(112)는 마케팅 비용 효율 산정 서버(110)와 이동 통신망 또는 인터넷망을 포함하는 무선통신 시스템 사이 또는 마케팅 비용 효율 산정 서버(110)와 마케팅 플랫폼(200) 또는 사용자 장치(300) 사이에 위치한 네트워크(400)와의 유무선 통신을 가능하게 하는 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(112)는 송신된 신호를 부호화 및 변조하고, 수신된 신호를 복조 및 복호화하는 모뎀(modem) 또는 RF 신호를 처리하는 RF 프론트 엔드 등을 포함할 수 있다.
한편, 사용자 관리부(113)는 마케팅 비용 효율 산정 서버(110)를 이용하는 하나 이상의 사용자 장치(300)에 대한 사용자 등록 및 계정 관리를 수행한다. 사용자 관리부(113)는 사용자 장치(300)로부터 로그인한 기업의 담당자 또는 마케팅 서비스 제공자의 계정 식별정보, 단말 식별 정보 중 적어도 하나를 포함하는 인증 정보를 수신하고, 상기 인증 정보를 이용하여 사용자 정보의 등록을 처리할 수 있다. 이에 따라, 사용자 관리부(113)는 마케팅 비용 효율 산정 서비스를 제공하거나 분석할 마케팅 플랫폼(200) 정보와 이에 대응하는 사용자 장치(300) 정보를 시스템 데이터베이스(120) 내 사용자 장치 데이터베이스(122)에 등록 및 관리할 수 있다.
채널 기반 정보 수집부(114)는 마케팅 플랫폼(200)으로부터 각각 연결된 데이터 채널을 통해 마케팅 문서 데이터(DD)를 수집하고, 각 채널별 수집된 마케팅 문서 데이터(DD)를 분석 데이터 처리부(115)로 출력한다. 여기서, 마케팅 문서 데이터(DD)는 마케팅 비용 효율 산정 서버(110)가 마케팅 비용 효율 분석을 위해 트레이닝 동작 등을 실행하기 위해 필요한 데이터로, 본 발명의 몇몇 실시예에 따른 분석 데이터 처리부(115)에서 처리되는 기본 분석 정보를 형성할 수 있다. 마케팅 문서 데이터(DD)는 예를 들어, 마케팅 플랫폼(200)으로부터 각 채널 별로 수집되는 웹 페이지 문서 데이터이거나, 사전 설정된 포맷에 대응하여 수집되는 키워드 데이터이거나, 또는 사이트 소스 코드 정보를 포함할 수 있다.
이와 같은 채널별 수집을 위해, 채널 기반 정보 수집부(114)는, 각 마케팅 플랫폼(200)에 대응하여 산업/주제/브랜드별로 분류된 키워드를 수집 및 저장하는 키워드 크롤러, 사용자 장치(300)의 요청 수집 프로세스를 저장하고 채널별 수집 프로세스를 할당하는 수집 프로세스 매니저, 마케팅 플랫폼(200)에 접속하여 채널별 수집을 수행하고 수집 결과를 시스템 데이터베이스(120) 내 플랫폼 데이터베이스(121)에 저장하는 채널별 수집기와, 사이트 소스 변경에 의해 수집이 중단되는 문제를 대비하고 주기적으로 새로 갱신된 정보를 비교 리포팅하는 수집 사이트 소스 관리 매니저를 포함할 수 있다. 이에 따라, 채널 기반 정보 수집부(114)는 사용자 장치(300)로부터 요청에 의한 채널 정보 또는 미리 정해진 채널 정보에 따라, 특정 채널을 통한 마케팅 플랫폼(200)에 접속할 수 있다.
또한, 채널 기반 정보 수집부(114)는 사용자 장치(300)로부터 수신되거나 상기 사용자 장치(300)에 대응하여 사전 설정된 키워드 정보에 따라, 수집할 마케팅 문서 데이터(DD)를 상기 마케팅 플랫폼(200)에 연결된 데이터 채널별 수집기를 통해 수집할 수 있다. .그리고, 채널 기반 정보 수집부(114)의 상기 채널별 수집기는 각 수집 완료된 마케팅 문서 데이터(DD)를 시스템 데이터베이스(120)의 플랫폼 데이터베이스(121)에 저장할 수 있다.
또한, 상기 채널 기반 정보 수집부(114)는 마케팅 문서 데이터(DD)가 수집된 플랫폼(200)의 사이트 정보를 등록하고, 주기적으로 모니터링할 수 있으며, 소스 코드 갱신 정보가 발생된 경우 사용자 장치(300)로 알람을 제공하며, 갱신된 데이터를 수집 및 저장할 수 있다.
분석 데이터 처리부(115)는 채널 기반 정보 수집부(114)에서 수집된 마케팅 문서 데이터(DD)의 문서 분류 처리를 수행하고, 분류된 문서 데이터를 이용한 마케팅 특화 지식 그래프 모델을 생성 또는 구축할 수 있다. 본 발명의 몇몇 실시예에 따르면, 상기 마케팅 특화 지식 그래프 모델은, 미리 구축된 키워드 기반 지식그래프 정보와, 사전 수집된 온톨로지 정보와, 상기 수집 및 분류된 문서 데이터의 머신러닝 학습 정보와, 정형 데이터 정보를 이용하여 구축될 수 있다. 마케팅 특화 지식 그래프 모델은, 모듈형 온톨로지 모델 데이터일 수 있으며, 온톨로지 모델 데이터는 주요 개념, 관계 정보, 일상 키워드 및 감성 키워드 정보로부터 구축되는 코어 온톨로지와, 최신 키워드 반영을 위한 실시간 머신러닝 기반 문서 분류된 데이터로부터 구축되는 도메인 온톨로지로 계층화되어 설계될 수 있으며, 시맨틱 웹 표준기술에 의해 상호운용성이 확보될 수 있다. 시맨틱 웹 표준 기술은 예를 들어, 온톨로지 기술 질의에 대응한 표준 프로토콜 언어로의 변환 처리 기술을 포함할 수 있으며, 변환되는 온톨로지 기술 질의 포맷은 RDF(Resource Description Framework) 포맷, OWL(Web Ontoyoly language) 포맷, 스파클(SPARQL, Protocol and RDF Query Language) 포맷 등이 예시될 수 있다.
이러한 처리를 위해, 분석 데이터 처리부(115)는 지식 그래프 구축을 처리하는 지식 그래프 구축 모듈(1151), 상기 도메인 온톨로지에 대응하는 신조어 사전(Dictionary) 구축 모듈(1152), 정형 및 비정형 문서의 필터링 분류를 위한 가비지 문서 분류 모듈(1153)을 각각 포함할 수 있다. 이에 따라, 분석 데이터 처리부(1151)는 생성 또는 구축된 마케팅 특화 지식 그래프 모델을 이용하여 마케팅 온톨로지 기반의 다양한 서비스 정보를 제공할 수 있다. 특히, 지식그래프 구축 모듈(1151)은 머신 러닝 기반의 마케팅 학습 정보를 획득할 수 있으며, 획득된 마케팅 학습 정보는 마케팅 특화 지식 그래프 모델 구축에 이용될 수 있다.
본 발명의 몇몇 실시예에 따른 지식 그래프 구축 모듈(1151)은 마케팅 특화 지식 그래프 모델 데이터 생성을 위해 채널 기반 정보 수집부(114)에서 수집된 마케팅 문서 데이터(DD)로부터 분류되는 비정형 데이터와, 사전 수집된 정형 데이터와, 오픈 지식 그래프로부터 획득되는 대용량 지식 그래프 및 온톨로지 정보가 필요할 수 있다. 예를 들어, 마케팅 특화 지식 그래프 모델 구축을 위한 비정형 데이터는 채널 기반 정보 수집부(114)에서 수집된 마케팅 웹페이지 원문에 대한 텍스트 데이터일 수 있으며, 정형 데이터는 범용적인 파일 포맷이거나, openAPI를 통해 수집 가능한 정형 데이터를 포함할 수 있다. 또한, 오픈 지식그래프 데이터는 RDF 형식으로 공개되어 있는 국내외의 데이터일 수 있으며, RDF 파일 또는 SPARQL Endpoint를 대상으로 한 쿼리 응답을 수신하여 획득할 수 있다. 그리고, 수집 또는 분류된 정보로부터 마케팅 특화 지식그래프 모델 데이터를 구축하기 위하여, 지식그래프 구축 모듈(1151)은 도 4에 도시된 바와 같이 2단계 파이프라인 모듈을 통해 단계적으로 처리함으로써, 효과적인 마케팅 특화 지식그래프 모델 구축 처리를 수행할 수 있다.
보다 구체적으로, 도 4를 참조하면, 지식그래프 구축 모듈(1151)은, 제1 파이프라인 모듈로서, 비정형 데이터 처리부(1151a), 정형 데이터 처리부(1151b), 오픈 지식그래프 관리부(1151e) 및 관계 데이터베이스(1151g)를 포함하며, 제2 파이프라인 모듈로서 자연어 분석부(1151c), 지식그래프 정보 변환부(1151d), 대용량 지식 그래프 처리부(1151f) 및 온톨로지 정보 처리부(1151h)를 포함할 수 있다. 그리고, 제2 파이프라인으로부터 출력되는 데이터는 마케팅 특화 지식그래프 구축부(1151i)로 전달되어, 마케팅 특화 지식그래프 모델 데이터 생성 또는 마케팅 플랫폼 별 키워드 분석 정보 생성에 이용될 수 있다. 먼저, 비정형 데이터 처리부(1151a)는 제1 파이프라인 단계에서 수집된 마케팅 문서 데이터(DD)로부터 비정형 데이터를 식별하여, 자연어 분석부(1151c)로 전달할 수 있다. 비정형 데이터는, 예를 들어, 마케팅 문서 데이터(DD)로부터 식별되는 텍스트 데이터를 포함할 수 있다.
자연어 분석부(1151c)는 비정형 데이터로부터 자연어 처리 기술을 이용한 주요 키워드를 추출할 수 있다. 자연어 처리 기술은 형태소 분석, 개체명 인식 등의 기술이 예시될 수 있으며, 자연어 분석부(1151c)는 보다 정확한 키워드 추출 처리를 위해나 가비지 문서 분류 모듈(1153)의 분류 정보를 이용할 수 있다.
그리고, 추출된 키워드는 지식그래프 정보 변환부(1151d)로 전달될 수 있다. 지식그래프 정보 변환부(1151d)는, 규칙 기반(Rule-based) 마케팅 키워드 매핑 또는 머신 러닝 알고리즘 기반 매핑 등의 매핑 기술에 의해, 사전 설정된 포맷의 지식 그래프 정보에 매핑 통합되도록 하는 마케팅 지식 그래프 정보로서 포맷 변환 처리될 수 있다. 그리고, 오픈 지식그래프 관리부(1151e)는 openAPI 등을 이용하여 사전 구축된 오픈 지식그래프 정보를 수집 및 저장할 수 있다.
그리고, 대용량 지식 그래프 처리부(1151e)는, 수집된 오픈 지식 그래프 정보가 전술한 자연어 분석 정보로부터 포맷 변환 처리된 마케팅 지식그래프 정보에 매핑될 수 있도록 준비된 대용량 지식 그래프 정보를 사전 구축하고, 구축된 대용량 지식 그래프 정보를 마케팅 특화 지식그래프 모델 구축부(1151i)로 전달할 수 있다.
한편, 관계 데이터베이스(1151g)는 지식 그래프 정보 변환부(1151d)에서 변환된 지식 그래프 정보와 대용량 지식그래프 처리부(1151f)에서 처리된 지식 그래프 정보의 의미 매핑을 위한 온톨로지 정보를 수집 및 저장할 수 있으며, 저장된 온톨로지 정보 중 상호 호환이 가능한 온톨로지 정보를 마케팅 특화 지식 그래프 구축부(1151i)로 전달할 수 있다.
예를 들어, 마케팅 특화 지식그래프 모델 구축부(1151i)는, RDF 파일 또는 SPARQL Endpoint로부터 수집된 오픈 지식그래프 정보를 대용량 지식그래프 처리를 위한 지식그래프 모델 정보로서 수집하고, 상기 변환된 마케팅 지식 그래프 정보와 상기 대용량 지식그래프 정보간 매핑 테이블을 구축하여 마케팅 특화 지식그래프 모델을 구축할 수 있다. 이를 위해, 마케팅 특화 지식 그래프 모델 구축부(1151i)는, 데이터 항목마다 부여되어 있는 고유 식별자를 기준으로 매핑 처리하되, 식별자가 일치하지 않는 동일 데이터의 경우에는 사전 수집된 온톨로지 정보 기반 관계 정보와 속성 정보를 통해 일치 확률을 계산한 후, 높은 확률을 우선적으로 매핑하는 데이터 매핑 처리를 수행할 수 있다.
마케팅 분석 정보 서비스 제공을 위해, 대시보드 구성부(116)는 사용자 장치(300)에 제공할 마케팅 분석 대시보드 인터페이스를 구성할 수 있으며, 상기 대시보드는 웹 인터페이스 등의 GUI(GRAPHIC USER INTERFACE) 형태로 사용자 장치(300)를 통해 시각적 또는 청각적으로 출력될 수 있다. 또한, 대시보드 구성부(116)는 사용자 친화적 마케팅 비용 효율 산정 서비스를 위하여, 인공지능 챗 봇 기반의 마케팅 인터페이스 대시보드를 구성할 수 있으며, 이러한 마케팅 인터페이스 대시보드를 통해, 사용자 장치(300)에서 요청되는 마케팅 투입 비용의 효율 산정, 마케팅 플랫폼 별 키워드 분석, 상품/키워드에 따른 솔루션 제공 등의 다양한 서비스를 제공할 수 있다.
서비스 제공부(117)는 사용자 장치(300)의 서비스 요청을 수신하며, 서비스 요청에 대응하는 마케팅 비용 효율(Eff) 산정 결과를 대시보드 구성부(160)에서 구성된 대시보드 인터페이스를 통해, 사용자 장치(300)로 제공하는 서비스 매니저를 포함할 수 있다.
솔루션 제공부(117)는, 사용자 장치(300)로부터 요청된 상품/키워드 정보에 대응하는 산업/주제/브랜드별 마케팅 플랫폼(200)들의 채널 정보를 식별하고 상기 채널을 통해 사용자 장치(300)에 적합한 최고 효율 마케팅 플랫폼을 결정하여, 이를 대시보드 구성부(116)에서 구성된 대시보드 인터페이스를 통해 사용자 장치(300)에 마케팅 솔루션(Sol)으로 제공하는 서비스 매니저를 포함할 수 있다.
상기 산정 결과와 상기 솔루션과 관련된 데이터는, 시스템 데이터베이스(120) 내 마케팅 효율 데이터베이스(123)에 사용자 정보를 기초로 분류되어 저장될 수 있다.
본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 시스템(100)은, 머신 러닝 모듈(130)과 연결되거나, 상기 머신 러닝 모듈(130)을 포함할 수 있다. 마케팅 비용 효율 산정 시스템(100)은 학습 및 인공지능 기반의 마케팅 비용 효율 산정을 위해 머신 러닝 모듈(130)과 연결되거나, 머신 러닝 모듈(130)을 포함할 수 있으며, 각 네트워크에 연결된 장치 또는 단말들은 사전 설정된 네트워크 채널을 통해 상호간 통신을 수행할 수 있다. 머신 러닝 모듈(130)은 문서 데이터 처리에 따른 비정형 데이터를 학습 처리할 수 있고, 마케팅 비용 효율 산정 시스템(100) 상기 학습 처리의 결과를 이용하여 마케팅 특화 지식 그래프 모델을 생성한다.
도 5는 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법을 설명하기 위한 순서도이다. 도 6는 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법의 동작을 설명하기 위한 순서도이다. 도 7 및 도 8은 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법의 동작을 설명하기 위한 도면들이다.
도 5 및 도 6을 참조하면, 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 시스템(100)은, 채널 기반의 마케팅 문서 데이터(DD)를 수집한다(S110). 또한, 마케팅 비용 효율 산정 시스템(100)은 마케팅 문서 데이터(DD)의 수집과 함께, 마케팅 플랫폼(200)으로부터 누적 회원수(US_ACC) 및 실시간 접속 회원 평균수(US_RT)를 수집한다. 실시예에 따라 누적 회원수(US_ACC) 및 실시간 접속 회원 평균수(US_RT)의 수집은 마케팅 문서 데이터(DD)의 수집과 단계를 달리할 수 있다.
마케팅 비용 효율 산정 시스템(100)은, 마케팅 문서 데이터(DD)에 대한 비정형 문서 및 정형 문서 분류와 함꼐, 가비지 문서 분류fmf 수행한다(S120). 몇몇 실시예들에 따른 마케팅 비용 효율 산정 시스템(100)은 규칙 기반(Rule-based) 가비지 문서 분류를 수행한다.
그리고, 마케팅 비용 효율 산정 시스템(100)은 비정형 문서로부터 비정형 데이터를 추출한다(S130).
이후, 비정형 데이터에 대응하여 머신 러닝 기반 마케팅 학습 정보를 획득한다(S140).
마케팅 비용 효율 산정 시스템(100)은, 미리 구축된 지식그래프 정보 및 사전 수집된 온톨로지 정보와, 상기 마케팅 학습 정보 및 정형 데이터를 이용한 마케팅 특화 지식 그래프 모델을 생성한다(S150).
그리고, 마케팅 비용 효율 산정 시스템(100)은 마케팅 특화 지식 그래프 모델 기반으로 플랫폼별 상품/키워드 분석을 수행한다(S160). 여기서, 상품/키워드 분석은, 키워드에 대한 마케팅 플랫폼의 효율 계수를 생성하는 것을 포함한다.
상기 효율 계수는, 상기 마케팅 플랫폼 내에서 키워드 또는 상품이 갖는 마케팅 영향력을 수치화한 지표이다. 상기 효율 계수는, 양의 효율 계수(Eff_p)와 음의 효율 계수(Eff_n)를 포함할 수 있다. 양의 효율 계수(Eff_p)는 수치가 높을수록 마케팅 플랫폼 내에서 상품/키워드의 마케팅 효율이 높아지는 지표이고, 음의 효율 계수(Eff_n)는 수치가 높을수록 마케팅 플랫폼 내에서 상품/키워드의 마케팅 효율이 낮아지는 지표이다. 예시적으로, 양의 효율 계수(Eff_p)는 마케팅 플랫폼 내에서 상품/키워드에 대한 관심도, 호감도 등을 포함할 수 있고, 음의 효율 계수(Eff_n)는 마케팅 플랫폼 내에서 상품/키워드에 대한 허위성, 유해성 등을 포함할 수 있다.
도 7을 구체적으로 참조하면, 마케팅 비용 효율 산정 시스템(100)이 제1 마케팅 플랫폼(200_1)에 대해 상품/키워드 분석을 수행할 경우, 예시적으로 양의 효율 계수(Eff_p)와 음의 효율 계수(Eff_n)를 기준으로 상품/키워드 분석을 수행할 수 있되, 양의 효율 계수(Eff_p)는 키워드의 관심도이고 음의 효율 계수(Eff_n)는 키워드의 유해도일 수 있다. 다만, 상기 예시는 본 발명의 기술적 사상을 제한하지 않는다.
몇몇 실시예들에 따른 상품/키워드 분석 결과, 유사한 상품/키워드들은 양의 효율 계수(Eff_p)와 음의 효율 계수(Eff_n)의 분포 내에서 키워드 클러스터(C1-C3)를 형성한다.
마케팅 비용 효율 산정 시스템(100)은 사용자 장치(300_x)의 요청에 따른 마케팅 비용 효율을 산정하고, 마케팅 솔루션을 제공한다(S170).
도 7 및 도 8을 구체적으로 참조하면, 마케팅 비용 효율 산정 시스템(100)은 제1 내지 제m 사용자 장치(300_1-300_m) 중 임의의 하나인 제x 사용자 장치(300_x)에 대시보드 인터페이스(DI)를 제공한다(S171).
제x 사용자 장치(300_x)는 제1 내지 제n 마케팅 플랫폼(300_1-300_n)에 대한 플랫폼 선택 여부(PS), 마케팅 비용 데이터(Ad_D) 및 사용자 데이터(Use_D)를 포함하는 마케팅 비용 효율 서비스를 요청한다(S172).
플랫폼 선택 여부(PS)는, 제x 사용자 장치(300_x)의 사용자가 제1 내지 제n 마케팅 플랫폼 중 마케팅 대상으로 선택한 마케팅 플랫폼을 의미하는 값이다. 도 8을 예시적으로 참조하면, 제1 마케팅 플랫폼, 제n-1 마케팅 플랫폼, 제n 마케팅 플랫폼에 대한 플랫폼 선택 여부(PS)는 1이고, 제2 마케팅 플랫폼에 대한 플랫폼 선택 여부(PS)는 0일 수 있다.
마케팅 비용 데이터(Ad_D)는 제x 사용자 장치(300_x)의 사용자가 선택한 마케팅 플랫폼에 대해 투입 예정 마켓팅 비용과 관련된 데이터이다. 마케팅 비용 데이터(Ad_D)는 제x 사용자 장치(300_x)의 사용자에 의해 직접 기입될 수 있으나, 실시예에 따라 마케팅 비용 데이터(Ad_D)는 선택된 마케팅 플랫폼에 의해 제공될 수 있고, 제공된 마켓팅 비용을 제x 사용자 장치(300_x)의 사용자가 선택할 수 있다.
사용자 데이터(Use_D)는, 제x 사용자 장치(300_x)의 사용자가 마케팅하고자 하는 상품/키워드에 대한 데이터일 수 있다. 도 7 및 도 8을 구체적으로 참조하면, 사용자 데이터(Use_D)의 상품/키워드는 부동산, 구인, 뷰티 제품 등을 포함할 수 있다.
마케팅 비용 효율 산정 시스템(100)은 제x 사용자 장치(300_x)의 요청에 따라 마케팅 비용 효율(Eff)을 산정한다(S173). 제x 사용자 장치(300_x)의 요청은 적어도 하나의 마케팅 플랫폼 중 일부인 선택 마케팅 플랫폼에 대한 데이터 및 선택 마케팅 플랫폼에 제공되는 적어도 하나의 마케팅 컨텐츠 중의 일부인 선택 마케팅 컨텐츠를 포함할 수 있다. 키워드 분석은, 선택 마케팅 플랫폼 및 선택 마케팅 플랫폼에 제공되는 적어도 하나의 마케팅 컨텐츠에 대해 각각 개별적으로 수행될 수 있다.
제x 사용자 장치(300_x)의 사용자 요청에 따라 서비스 제공부(117)는 마케팅 비용 효율(Eff)을 산정하고, 상기 비용 효율(Eff)의 산정은 하기의 수학식 (1)에 의해 결정된다.
[수학식 1]
Figure 112022049063538-pat00023
Figure 112022049063538-pat00024
상기
Figure 112022049063538-pat00025
은 상기 제x 사용자 장치의 제z 마케팅 컨텐츠에 대한 상기 사용자 요청에 따른 상기 마케팅 비용 효율이고, 상기 A는 마케팅 비용 효율 산정 서버에서 미리 정해진 계수이고,
Figure 112022049063538-pat00026
는 제i 마케팅 컨텐츠의 제작 비용을 나타내는 값이고, k는 마케팅 컨텐츠의 개수를 나타내는 값이고, 상기
Figure 112022049063538-pat00027
은 상기 제1 마케팅 플랫폼에 대한 상기 제x 사용자 장치의 선택 여부를 나타내는 값이고, 상기
Figure 112022049063538-pat00028
은 상기 제1 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
Figure 112022049063538-pat00029
은 상기 제1 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
Figure 112022049063538-pat00030
은 상기 키워드와 관련하여 상기 제1 마케팅 플랫폼에 대한 제1 음의 효율 계수이고, 상기
Figure 112022049063538-pat00031
은 상기 키워드와 관련하여 상기 제1 마케팅 플랫폼에 대한 제1 양의 효율 계수이고, 상기
Figure 112022049063538-pat00032
은 상기 제x 사용자 장치가 상기 제1 마케팅 플랫폼에 투입 예정인 마케팅 비용이고, 상기
Figure 112022049063538-pat00033
은 상기 제n 마케팅 플랫폼에 대한 상기 제x 사용자 장치의 선택 여부를 나타내는 값이고, 상기
Figure 112022049063538-pat00034
은 상기 제n 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
Figure 112022049063538-pat00035
은 상기 제n 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
Figure 112022049063538-pat00036
은 상기 키워드와 관련하여 상기 제n 마케팅 플랫폼에 대한 제n 음의 효율 계수이고, 상기
Figure 112022049063538-pat00037
은 상기 키워드와 관련하여 상기 제n 마케팅 플랫폼에 대한 제n 양의 효율 계수이고, 상기
Figure 112022049063538-pat00038
은 상기 제x 사용자 장치가 상기 제n 마케팅 플랫폼에 투입 예정인 마케팅 비용이다.
서비스 제공부(117)는, 산정된 상기 마케팅 비용 효율(Eff)이 미리 정해진 값을 기준으로 효율을 평가하고, 상기 평가 내용을 제x 사용자 장치(300_x)에 제공할 수 있다.
마케팅 비용 효율 산정 시스템(100)은 제x 사용자 장치(300_x)의 요청에 따라 효율적인 솔루션(Sol)을 제공한다(S174).
솔루션 제공부(118)는 제x 사용자 장치의 요청에 대한 상기 제1 내지 제n 마케팅 플랫폼의 마케팅 효율값을 연산하고, 솔루션 제공부(118)의 상기 솔루션은 상기 제1 내지 제n 마케팅 플랫폼에 대한 상기 마케팅 효율값 중 최대값에 대응하는 상기 최고 효율 마케팅 플랫폼을 포함한다. 상기 제1 내지 제n 마케팅 플랫폼의 마케팅 효율값의 연산은 하기의 수학식 (2)에 의해 결정된다.
[수학식 2]
Figure 112022049063538-pat00039
상기
Figure 112022049063538-pat00040
은 상기 제x 사용자 장치의 요청에 따른 상기 제1 내지 제n 마케팅 플랫폼 중 하나인 제y 마케팅 플랫폼의 마케팅 효율값이고, 상기 A와 B는 마케팅 비용 효율 산정 서버에서 미리 정해진 계수이고, 상기
Figure 112022049063538-pat00041
은 상기 제y 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
Figure 112022049063538-pat00042
은 상기 제y 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
Figure 112022049063538-pat00043
은 상기 키워드와 관련하여 상기 제y 마케팅 플랫폼에 대한 제y 음의 효율 계수이고, 상기
Figure 112022049063538-pat00044
은 상기 키워드와 관련하여 상기 제y 마케팅 플랫폼에 대한 제y 양의 효율 계수이다.
본 발명의 몇몇 실시예들에 따른 마케팅 비용 효율 산정 시스템(100)은, 마케팅 플랫폼별 분석 정보에 기초하여 생성된 마케팅 특화 지식 그래프 모델을 기반으로 하는 마케팅 비용 효율 분석 서비스를 인공지능 기술을 통해 효과적으로 제공함으로써, 저비용 고효율 마케팅 비용 집행을 지원한다.
도 9는 본 발명의 또 다른 몇몇 실시예에 따른 마케팅 비용 효율 산정 서버의 구성을 설명하기 위한 도면이다. 도 10은 본 발명의 또 다른 몇몇 실시예에 따른 마케팅 비용 효율 산정 서버의 동작을 설명하기 위한 순서도이다.
본 발명의 또 다른 몇몇 실시예에 따른 마케팅 특화 지식 그래프 모델 구축을 위한 마케팅 문서 데이터(DD) 수집에 있어서, 분석 대상이 되는 데이터의 품질은 매우 중요한 요소이다. 특히, 온라인에서 크롤링 등으로 수집한 데이터에는 다양한 유형의 가비지(GARBAGE) 데이터가 다량으로 포함되어 데이터 분석값의 왜곡 및 시스템 자원의 낭비와 같은 문제를 초래하고 있다. 이를 머신러닝 기반으로 기계적으로 처리하는 방안도 제안되고는 있으나, 다양한 유형으로 파편화된 가비지 데이터를 처리하기에는 한계가 있다.
특히, 한글 원문의 경우 원문 패턴의 복잡도와 학습 데이터 자체의 부족으로 영어권 대비 분류 정확도가 떨어지고 있는 실정이다.
따라서, 본 발명의 또 다른 실시예에 따른 문서 분류 모듈(1153')은, 마케팅 특화 지식그래프 모델 구축을 위한 머신러닝 알고리즘과 규칙 기반 알고리즘이 결합된 하이브리드 분류 시스템을 구축하여 높은 수준의 가비지 필터링 정확도에 도달할 수 있도록 한다.
이를 위해, 문서 분류 모듈(1153')은, 분류 체계 정의부(1153a), 규칙 기반 필터링부(1153b), 모델 학습부(1153c) 및 머신 러닝 필터링부(1153d)를 포함한다. 분류 체계 정의부(1153a)는, 채널 기반 정보 수집부(114)로부터 수집 전달되는 마케팅 문서 원문 데이터를 대상으로 선형판별분석(LDA, Linear Discriminant Analysis) 분석을 수행하고, 수행 결과에 따른 분류 체계 정보를 정의한다. 여기서, 선형판별분석은 기계적 학습을 통해 임의로 그룹을 정의하여 임의의 클래스를 분류하는 방식이다. 분류 체계 정의부(1153a)는 수집된 마케팅 문서 데이터 원문 정보, 토픽 개수 정보, 연관 메트릭(relevance metric) 값을 LDA 분석 정보로 입력받아, LDA 분석 결과로서 원문 토픽 그룹 정보와, 그룹별 많이 등장한 일정개수 키워드 정보를 출력할 수 있다. 그리고, 분류 체계 정의부(1153a)는 토픽 개수 및 연관 메트릭이 유의미한 일정 개수 이내로 조정될 수 있으며, 반복적인 LDA 분석을 처리할 수 있다. 그리고, 분류 체계 정의부(11153a)는 LDA 분석 결과 정보가 최종적으로 결정되면, 분석 결과 정보로부터 분류 체계 정보를 생성하여 규칙 기반 필터링부(1153b)로 전달한다.
분류 체계 정보는 예를 들어 각 단계별로 특정 패턴을 갖는 가비지 토픽 선정 정보를 포함할 수 있다. 예를 들어, 1단계는 광고, 비광고, 2단계는 홍보, 부동산, 주식, 거래, 기타, 3단계는 이벤트, 체험단, 제품수리설치, 렌탈, 임대분양, 주식, 거래판매, 기타 각 분류체계별 자주 등장하는 가비지 키워드의 목록화 정보를 포함할 수 있다.
이에 따라, 규칙 기반 필터링부(1153b)는 분류 체계 정의부(1153a)에서 수신된 분류 체계 정보를 규칙으로 하는 마케팅 문서 데이터의 규칙 기반 1차 필터링 처리를 수행할 수 있다. 이에 따라 1차적으로 규칙 기반으로 가비지 문서로 분류된 데이터는 분석 대상 분류 데이터에서 제거될 수 있다. 여기서, 1차 필터링된 나머지 데이터는 머신 러닝 필터링부(1153d)로 전달된다.
한편, 모델 학습부(1153d)는 사전 구축된 트레이닝 세트를 이용한 문서 분류 모델 학습 처리를 수행하며, 머신러닝 필터링부(1153d)는 1차 필터링된 데이터로부터, 모델 학습 정보를 이용한 분류 처리를 통해 2차 필터링을 수행한다. 이에 따라, 머신 러닝 필터링부(1153d)에서 다시 가비지 데이터로 분류된 데이터는 제거 데이터에 포함되며, 나머지 데이터만이 정상 수집 데이터로서 분류 처리될 수 있다.
이를 도 10을 참조하여 다시 설명하면, 먼저 규칙 기반 필터링부(1153b)는, 수집된 문서로부터 정의되는 분류 체계 정의 정보에 따른 규칙 모듈을 설정한다(S121').
규칙 기반 필터링부(1153b)는 각 분류 체계별 자주 등장하는 가비지 키워드가 나오는 문장들을 필터링할 수 있다. 이를 위해 규칙 기반 필터링부(1153b)는 분류 체계 정의 정보에 대응하는 규칙 모듈(Rule module)을 설정할 수 있다. 그리고, 규칙 기반 필터링부(1153b)는 채널 기반 정보 수집부(114)에서 수집된 마케팅 문서 데이터 원문을 상기 규칙 모듈에서 정의된 가비지 분류 체계와, 언어 규칙(Linguistic Rule) 조건에 부합하는지 여부에 따른 가비지 분류 분석을 수행할 수 있다. 이에 따라 1차 필터링 분류가 처리된다(S122'). 예를 들어, '원룸'이라는 키워드가 들어간 문장은 '부동산' 분류의 가비지라고 판단될 수 있다. 이에 따라, 가비지로 분류된 데이터와 잔여 데이터가 분류될 수 있으며, 잔여 데이터는 머신 러닝 필터링부(1153d)로 전달될 수 있다. 머신 러닝 필터링부(1153d)는 모델 학습부(1153c)에서 처리된 학습 모델에 기초한 문서 분류에 따른 2차 필터링 처리를 수행한다.
모델 학습부(1153c)는 머신 러닝 기반 분류 정보를 사전 학습하며(S123'), 머신 러닝 필터링부(1153d)는 학습을 위한 말뭉치 형성 프로세스와, 학습 모델을 이용한 분류 라벨링을 예측하는 예측 모델 프로세스를 수행할 수 있다. 이에 따라, 1차 분석 잔여 데이터의 머신 러닝 학습 정보 기반 2차 필터링 분류가 처리되며(S124'), 처리된 데이터는 가비지 데이터로서 출력될 수 있다.
도 11은 본 발명의 몇몇 실시예에 따른 마케팅 비용 효율 산정 방법을 수행하는 사용자 장치(1100)의 구성들을 나타내는 블록도이다.
도 11을 참조하면, 사용자 장치(1100)는 프로세서(1110), 메모리(1120), 사용자 입력 인터페이스(1130) 및 디스플레이(1140)를 포함할 수 있다. 여기서, 사용자 단말(1100)은 도 1 내지 도 10에서 설명하는 사용자 장치(300)에 대응할 수 있다.
메모리(1120)는 프로세서(1110)에 연결되고, 프로세서(1110)에 의해 실행가능한 인스트럭션들, 프로세서(1110)가 연산할 데이터 또는 프로세서(1110)에 의해 처리된 데이터를 저장할 수 있다. 메모리(1120)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
디스플레이(1140)는 마케팅 비용 효율 산정 방법 방법을 제공하는 것과 관련된 프로그램 또는 애플리케이션의 화면을 디스플레이(대시보드 인터페이스)할 수 있다. 디스플레이(1140)는 예를 들어, 도 8과 같은 화면을 디스플레이할 수 있다.
사용자 입력 인터페이스(1140)는 사용자에 의해 입력되는 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 입력 인터페이스(1140)는 터치 스크린, 키보드, 마이크 등을 포함할 수 있다.
프로세서(1110)는 본원에서 설명된 사용자 장치(1100)의 동작과 관련된 하나 이상의 동작을 수행하도록 사용자 장치(1100)를 제어할 수 있다. 예를 들어, 프로세서(1110)는 사용자 장치(1100)의 서비스 요청을 등록하고, 상기 요청에 따른 플랫폼 선택 여부(PS), 마케팅 비용 데이터(Ad_D) 및 사용자 데이터(Use_D)를 도 2의 마케팅 비용 효율 산정 시스템(100)로 전송하도록 사용자 장치(1100)를 제어할 수 있다.
도 2의 마케팅 비용 효율 산정 시스템(100)로부터 마케팅 비율 효율 및 마케팅 솔루션을 전달받은 경우, 프로세서(1110)는 상기 정보 및 사용자 정보를 메모리(1120)로 저장될 수 있도록 마케팅 효율 및 솔루션과 관련된 데이터를 처리할 수 있다. 또한, 프로세서(1110)는 마케팅 효율과 솔루션의 종류에 따라 메모리 저장 위치를 달리하도록 제어할 수 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.
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.
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.
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 특허청구범위의 범위에 속한다.

Claims (7)

  1. 적어도 하나의 채널을 통해, 상기 적어도 하나의 채널에 각각 대응하는 적어도 하나의 마케팅 플랫폼에 대한 마케팅 문서 데이터를 수집하는 단계;
    상기 마케팅 문서 데이터로부터 식별되는 텍스트 데이터에 대응하는 비정형 데이터를 추출하는 단계;
    상기 비정형 데이터로부터 뉴럴 네트워크 모델을 이용하여 학습 정보 획득하는 단계;
    상기 학습 정보를 이용하여 마케팅 특화 지식 그래프 모델 생성하는 단계;
    상기 마케팅 특화 지식 그래프 모델을 이용하여 상기 적어도 하나의 마케팅 플랫폼에 대한 키워드를 분석하는 단계; 및
    상기 키워드의 분석을 통해, 사용자 장치의 요청에 따른 마케팅 비용 효율을 산정하는 단계를 포함하되,
    상기 사용자 장치의 요청은, 상기 적어도 하나의 마케팅 플랫폼 중 일부인 선택 마케팅 플랫폼에 대한 데이터 및 상기 선택 마케팅 플랫폼에 제공되는 적어도 하나의 마케팅 컨텐츠 중의 일부인 선택 마케팅 컨텐츠를 포함하고,
    상기 키워드 분석은, 상기 선택 마케팅 플랫폼 및 상기 선택 마케팅 플랫폼에 제공되는 상기 적어도 하나의 마케팅 컨텐츠에 대해 각각 개별적으로 수행되고,
    상기 키워드 분석은, 상기 키워드에 대한 상기 적어도 하나의 마케팅 플랫폼에 대한 효율 계수를 생성하는 것을 포함하고,
    상기 적어도 하나의 마케팅 플랫폼은 제1 내지 제n 마케팅 플랫폼을 포함하고,
    제x 사용자 장치의 상기 사용자 요청에 따른 상기 마케팅 비용 효율의 산정은 하기의 수학식 (1)에 의해 결정되고,
    [수학식 1]
    Figure 112022084145022-pat00072

    Figure 112022084145022-pat00073

    상기
    Figure 112022084145022-pat00074
    은 상기 제x 사용자 장치의 제z 마케팅 컨텐츠에 대한 상기 사용자 요청에 따른 상기 마케팅 비용 효율이고, 상기 A는 마케팅 비용 효율 산정 서버에서 미리 정해진 계수이고,
    Figure 112022084145022-pat00075
    는 제i 마케팅 컨텐츠의 제작 비용을 나타내는 값이고, k는 마케팅 컨텐츠의 개수를 나타내는 값이고, 상기
    Figure 112022084145022-pat00076
    은 상기 제1 마케팅 플랫폼에 대한 상기 제x 사용자 장치의 선택 여부를 나타내는 값이고, 상기
    Figure 112022084145022-pat00077
    은 상기 제1 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
    Figure 112022084145022-pat00078
    은 상기 제1 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
    Figure 112022084145022-pat00079
    은 상기 키워드와 관련하여 상기 제1 마케팅 플랫폼에 대한 제1 음의 효율 계수이고, 상기
    Figure 112022084145022-pat00080
    은 상기 키워드와 관련하여 상기 제1 마케팅 플랫폼에 대한 제1 양의 효율 계수이고, 상기
    Figure 112022084145022-pat00081
    은 상기 제x 사용자 장치가 상기 제1 마케팅 플랫폼에 투입 예정인 마케팅 비용이고, 상기
    Figure 112022084145022-pat00082
    은 상기 제n 마케팅 플랫폼에 대한 상기 제x 사용자 장치의 선택 여부를 나타내는 값이고, 상기
    Figure 112022084145022-pat00083
    은 상기 제n 마케팅 플랫폼의 누적 회원수를 나타내는 값이고, 상기
    Figure 112022084145022-pat00084
    은 상기 제n 마케팅 플랫폼의 실시간 접속 회원 평균수를 나타내는 값이고, 상기
    Figure 112022084145022-pat00085
    은 상기 키워드와 관련하여 상기 제n 마케팅 플랫폼에 대한 제n 음의 효율 계수이고, 상기
    Figure 112022084145022-pat00086
    은 상기 키워드와 관련하여 상기 제n 마케팅 플랫폼에 대한 제n 양의 효율 계수이고, 상기
    Figure 112022084145022-pat00087
    은 상기 제x 사용자 장치가 상기 제n 마케팅 플랫폼에 투입 예정인 마케팅 비용인,
    마케팅 비용 효율 산정 방법.
  2. 제1항에 있어서,
    상기 마케팅 특화 지식 그래프는, 상기 학습 정보 및 미리 수집된 정형 데이터를 통해 생성되는 마케팅 비용 효율 산정 방법.
  3. 제2항에 있어서,
    상기 정형 데이터는 OpenAPI를 통해 수집된 데이터 및 파일 형식 데이터 중 적어도 하나를 포함하는 마케팅 비용 효율 산정 방법.
  4. 제1항에 있어서,
    상기 마케팅 문서 데이터에 대한 가비지 데이터 처리하는 단계를 더 포함하는 마케팅 비용 효율 산정 방법.
  5. 제4항에 있어서,
    상기 가비지 데이터 처리는,
    상기 마케팅 특화 지식 그래프 모델의 생성을 위한 상기 마케팅 문서 데이터를 분석하여 분류 체계 정보를 정의하는 단계,
    상기 분류 체계 정보 정의에 따라, 상기 마케팅 문서 데이터에 대응하는 규칙 기반 제1 필터링을 수행하여 가비지 데이터를 1차 제거하는 단계 및
    상기 제1 필터링에 따른 잔여 마케팅 문서 데이터에 대응하는 사전 학습 모델 기반의 머신 러닝 필터링을 수행하여, 가비지 데이터를 2차 제거하는 단계를 포함하는 마케팅 비용 효율 산정 방법..
  6. 삭제
  7. 제1항에 있어서,
    상기 뉴럴 네트워크 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
    비정형 데이터 및 정답 학습 정보로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크 모델의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되는,
    마케팅 비용 효율 산정 방법.

KR1020220056699A 2022-05-09 2022-05-09 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템 KR102457359B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220056699A KR102457359B1 (ko) 2022-05-09 2022-05-09 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220056699A KR102457359B1 (ko) 2022-05-09 2022-05-09 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템

Publications (1)

Publication Number Publication Date
KR102457359B1 true KR102457359B1 (ko) 2022-10-24

Family

ID=83805965

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220056699A KR102457359B1 (ko) 2022-05-09 2022-05-09 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템

Country Status (1)

Country Link
KR (1) KR102457359B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102527496B1 (ko) * 2022-11-04 2023-05-02 한국해양과학기술원 극지 운항 선박의 통합 상태 모니터링 시스템 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102204712B1 (ko) * 2020-08-20 2021-01-19 주식회사 플레이디 업종 주요 키워드 제공과 추천 방법 및 그 시스템
KR20210063882A (ko) * 2019-11-25 2021-06-02 주식회사 데이터마케팅코리아 효율적 문서 분류 처리를 지원하는 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
KR20210063874A (ko) * 2019-11-25 2021-06-02 주식회사 데이터마케팅코리아 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
KR102360727B1 (ko) * 2021-10-22 2022-02-14 주식회사 신차911파트너스 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210063882A (ko) * 2019-11-25 2021-06-02 주식회사 데이터마케팅코리아 효율적 문서 분류 처리를 지원하는 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
KR20210063874A (ko) * 2019-11-25 2021-06-02 주식회사 데이터마케팅코리아 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
KR102204712B1 (ko) * 2020-08-20 2021-01-19 주식회사 플레이디 업종 주요 키워드 제공과 추천 방법 및 그 시스템
KR102360727B1 (ko) * 2021-10-22 2022-02-14 주식회사 신차911파트너스 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102527496B1 (ko) * 2022-11-04 2023-05-02 한국해양과학기술원 극지 운항 선박의 통합 상태 모니터링 시스템 및 방법

Similar Documents

Publication Publication Date Title
Li et al. Community detection using hierarchical clustering based on edge-weighted similarity in cloud environment
US9069880B2 (en) Prediction and isolation of patterns across datasets
US20120197937A1 (en) Method and system for providing detailed information in an interactive manner in a short message service (sms) environment
CN102523274A (zh) 基于核心网侧的无线个性化精准信息主动推送系统及方法
WO2016045567A1 (zh) 网页数据分析方法及装置
Al-Molhem et al. Social network analysis in Telecom data
Suma et al. Automatic detection and validation of smart city events using hpc and apache spark platforms
KR20210063874A (ko) 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
CN113392150A (zh) 一种基于业务域的数据表展示方法、装置、设备及介质
KR102457359B1 (ko) 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템
KR101931624B1 (ko) 패션 분야의 트렌드 분석방법 및 이를 포함하는 저장매체
KR20210063882A (ko) 효율적 문서 분류 처리를 지원하는 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
Shafik et al. Recommendation system comparative analysis: internet of things aided networks
Chen et al. A probabilistic linguistic and dual trust network-based user collaborative filtering model
KR20220074574A (ko) 지식 그래프 기반 라이브스트림 실시간 채팅 내용 분석 방법 및 그 장치
KR102457356B1 (ko) 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템
Banerjee et al. Evaluating decision analytics from mobile big data using rough set based ant colony
Wang et al. Spreading mechanism of Weibo public opinion phonetic representation based on the epidemic model
KR20210063878A (ko) 지식 그래프 기반 마케팅 정보 분석 챗봇 서비스 제공 방법 및 그 장치
KR20210063875A (ko) 마케팅 정보 분석 서비스 제공을 위한 프로그램 및 기록매체
Zhang et al. A knowledge graph based approach for mobile application recommendation
Rossetti et al. Homophilic network decomposition: a community-centric analysis of online social services
CN114817687A (zh) 一种物联网实体服务的高效发现方法
Yu et al. Cross-domain developer recommendation algorithm based on feature matching
Liu Personalized recommendation system design for library resources through deep belief networks

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant