KR102509199B1 - 인공지능 및 블록체인 기반의 마케팅 서비스를 제공하는 방법 및 그 시스템 - Google Patents

Abstract

본 발명은 마케팅을 위한 기술로서 특히, 고객에 대한 빅데이터를 분석하는 인공 신경망을 이용하여 마케팅을 수행하는 인공지능 마케팅 장치 및 방법에 관한 것이다.
또한 본 발명은 인공지능 및 블록체인 기반의 마케팅 서비스를 제공하는 방법 및 그 시스템에 관한 것이다.

Description

인공지능 및 블록체인 기반의 마케팅 서비스를 제공하는 방법 및 그 시스템{Method and system for providing marketing service based on artificial intelligence and blockchain}

본 발명은 마케팅을 위한 기술로서 특히, 고객에 대한 빅데이터를 분석하는 인공 신경망을 이용하여 마케팅을 수행하는 인공지능 마케팅 장치 및 방법에 관한 것이다.

또한 본 발명은 인공지능 및 블록체인 기반의 마케팅 서비스를 제공하는 방법 및 그 시스템에 관한 것이다

빅데이터를 이용한 마케팅은 빅데이터를 통해 고객의 소비 패턴과 선호도, 정보 등을 분석하여, 구매할 가능성이 높은 고객에게 맞춤형 혜택을 제공하는 마케팅 방식을 말한다. 최근에는 단순히 유형의 상품 뿐 아니라 금융, 유통, 의료, 통신, 보험 분야와 같은 무형의 서비스를 제공하는 방식으로 확대되고 있다.

그러나, 최근의 빅데이터를 이용한 마케팅 방식은 고객의 성향을 분석하여 제품을 추천할 뿐, 소비자가 해당 제품을 구매 후 반품하는지 여부에 대한 분석을 수행하지 않는다. 이로 인하여, 소비자가 해당 제품을 구매 후 반품을 하는 경우, 판매자는 비용 및 시간적인 측면에서 많은 손해를 입을 수 있다.

이에 따라, 고객의 성향에 따른 제품 추천 뿐 아니라, 구매 후 소비자의 행동 패턴을 고려하여 제품의 구매를 유도하기 위한 이벤트를 제공할지 여부 또는 다른 제품의 구매를 유도하기 위한 광고 정보를 제공할지 여부 등을 판단할 수 있는 인공지능 마케팅 장치가 필요하다.

본 발명은 4차 산업 기술을 이용하는 마케팅 서비스를 제공하는 방법 및 그 시스템을 제공하는데 그 목적이 있다.

고객에 대한 빅데이터를 분석하는 인공 신경망을 이용하여 마케팅을 수행하는 인공지능 마케팅 장치 및 방법을 제공하는데 목적이 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

일 양상에 따르면, 인공지능 마케팅 장치는 사용자 단말과 정보를 송수신하는 통신부; 사용자 정보를 포함하고 있는 사용자 데이터 베이스; 제품 정보를 포함하고 있는 제품 데이터 베이스; 통신부를 통하여 사용자로부터 수신한 소정의 정보, 사용자 데이터 베이스에 포함된 사용자 정보 및 제품 데이터 베이스에 포함된 제품 정보를 기초로 하나 이상의 인공 신경망을 이용하여 마케팅 정보를 생성하는 분석부를 포함할 수 있다.

분석부는 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망을 이용하여 제품 특성 별 구매자의 특성을 분석할 수 있다.

분석부는 제1 인공 신경망에 제1 제품의 특성 정보를 입력하여 제1 제품의 구매 예상자의 구매자 특성 정보를 생성할 수 있다.

분석부는 제1 제품의 구매 예상자의 구매자 특성 정보를 기초로 사용자 데이터 베이스에 포함된 사용자 정보를 분석하여 사용자 연락 정보를 생성할 수 있다.

분석부는 통신부를 제어하여 사용자 연락 정보에 해당하는 사용자 단말에 제품 판매 정보를 전송할 수 있다.

분석부는 반품 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석할 수 있다.

분석부는 통신부를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 사용자 데이터 베이스로부터 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망에 입력하여 제2 제품의 반품 가능성을 추정할 수 있다.

분석부는 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이하인 경우, 구매 요청자에게 이벤트 정보를 전송할 수 있다.

분석부는 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이상인 경우, 제2 인공 신경망을 이용하여 제2 제품과 동일한 종류의 제품 중 재질, 색상, 크기, 비용, 성능 중 적어도 하나가 다른 하나 이상의 제 3 제품 각각에 대한 반품 가능성을 추정하며, 하나 이상의 제 3 제품 중 반품 가능성이 가장 낮은 제품에 대한 정보를 구매 요청자에게 전송할 수 있다.

또한 본 발명의 일 실시예에 따른 시스템은 사용자 단말(620), 네트워크 노드(630), 및 관리 서버(620)를 포함한다. 상기 관리 서버(620)는 사용자 단말과 정보를 송수신하는 통신부(110); 사용자 정보를 포함하고 있는 사용자 데이터 베이스(120); 제품 정보를 포함하고 있는 제품 데이터 베이스(130); 통신부를 통하여 사용자로부터 수신한 소정의 정보, 사용자 데이터 베이스에 포함된 사용자 정보 및 제품 데이터 베이스에 포함된 제품 정보를 기초로 적어도 하나의 인공 신경망을 이용하여 마케팅 정보를 생성하는 분석부(140)를 포함할 수 있다.

또한 본 발명의 일 실시예에 따른 시스템에 있어서, 복수의 사용자 단말; 및 상기 복수의 사용자 단말과 통신을 수행하는 통신부, 사용자 데이터 베이스, 및 제품 데이터 베이스를 구비하는 관리 서버를 포함하고, 상기 관리 서버는, 구매된 복수의 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 특성 정보를 포함하는 학습 데이터로 제1 인공 신경망을 학습시키고, 상기 학습된 제1 인공 신경망을 이용하여 구매된 제품 특성 별 구매자의 특성을 분석하고, 제1 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 상기 학습된 제1 인공 신경망에 입력하고, 상기 제1 제품의 구매 예상자에 대한 구매자 특성 정보를 상기 입력에 대한 상기 학습된 제1 인공 신경망의 출력으로써 획득하고, 상기 제1 제품의 구매 예상자에 대한 구매자 특성 정보에 기반하여 사용자 데이터 베이스에 저장된 사용자 정보들을 분석하여 하나의 사용자 연락 정보를 추출하고, 상기 추출된 하나의 사용자 연락 정보에 상응하는 하나의 사용자 단말에게 상기 제1 제품에 대한 추천 정보를 전송하도록 상기 통신부를 제어하는 것을 특징으로 하고, 상기 관리 서버는, 복수의 반품 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 제2 인공 신경망을 학습시키고, 상기 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석하고, 상기 통신부를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 상기 사용자 데이터 베이스로부터 상기 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망에 입력하여 상기 제2 제품에 대한 반품 가능성을 추정하고, 상기 추정된 제2 제품의 반품 가능성이 임계값 미만인 경우에는 구매 요청자에게 이벤트 정보를 전송하도록 제어하고, 상기 학습된 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 임계값 이상인 경우에는 상기 학습된 제2 인공 신경망을 이용하여 상기 제2 제품과 동일한 종류의 제품 중 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나가 다른 복수의 제3 제품 각각에 대한 반품 가능성을 추정하며, 상기 복수의 제3 제품 중 반품 가능성이 가장 낮은 제품에 대한 정보를 구매 요청자에게 전송하도록 제어하는 것을 특징으로 하는 시스템을 제안한다.

본 발명은 개선된 4차 산업 기술을 이용하는 마케팅 서비스를 제공하는 방법 및 그 시스템을 제안한다는 점에서 기술적인 의미를 갖는다.

고객에 대한 빅데이터를 분석하는 인공 신경망을 이용하여 마케팅을 수행하는 인공지능 마케팅 장치를 제공하여 제품의 판매를 유도할 수 있다.

또한, 구매 후 소비자의 행동 패턴을 분석하여 소비자가 제품을 반품할지 여부를 추정하고, 해당 결과에 따라 다른 마케팅을 수행함으로써 반품 가능성을 줄이고 제품 판매 가능성을 높일 수 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 특정한 바람직한 실시예들의 상기에서 설명한 바와 같은 또한 다른 측면들과, 특징들 및 이득들은 첨부 도면들과 함께 처리되는 하기의 설명으로부터 보다 명백하게 될 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능 마케팅 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 분석부의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 분석부의 동작을 설명하는 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 시스템을 나타내는 블록도이다.
도 7은 본 발명의 일 실시예에 따른 관리 서버를 나타내는 블록도이다.
상기 도면들을 통해, 유사 참조 번호들은 동일한 혹은 유사한 엘리먼트들과, 특징들 및 구조들을 도시하기 위해 사용된다는 것에 유의해야만 한다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.

마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다. 또한, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 각 도면에서 동일한 또는 대응하는 구성요소에는 동일한 참조 번호를 부여하였다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

이때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 적어도 하나의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.

이하, 인공지능 마케팅 장치 및 방법의 실시예들을 도면들을 참고하여 자세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 인공지능 마케팅 장치의 구성도이다.

도 1을 참조하면, 인공지능 마케팅 장치(100)는, 사용자 단말과 신호 및/또는 정보를 송수신하는 통신부(communication unit)(110), 사용자 정보를 포함하거나 및/또는 저장하는 사용자 데이터 베이스(user data base)(120), 제품 정보를 포함하거나 및/또는 저장하는 제품 데이터 베이스(product data base)(130)를 포함하고, 통신부(110)를 통하여 사용자로부터 수신한 소정의 정보, 사용자 데이터 베이스(120)에 포함된 사용자 정보와 제품 데이터 베이스(130)에 포함된 제품 정보를 기초로 적어도 하나의 인공 신경망을 이용하여 마케팅 정보를 생성하는 분석부(analyzing unit)(140)를 더 포함할 수 있다.

통신부(110)는 적어도 하나의 사용자 단말과 유선 및/또는 무선통신을 통하여 정보를 송신 및/또는 수신할 수 있다. 일 예로, 통신부(110)는 적어도 하나의 사용자 단말과 인터넷을 통하여 연결될 수 있다.

사용자 정보는 사용자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함할 수 있다. 또한 사용자 정보는 사용자의 연락처, ID(식별자), 구매 내역, 반품 내역 중 적어도 하나를 더 포함할 수 있다.

제품 정보는 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함할 수 있다. 또한 제품 정보는 제품의 판매 수량, 반품 수량, 재고 수량, 판매자 정보 및 제품 구매 후기 중 적어도 하나를 더 포함할 수 있다.

또한 제품의 종류는 의류(예; 상의, 셔츠, 블라우스, 티셔츠, 니트, 하의, 팬츠, 스커트, 레깅스, 데님, 원피스, 아우터, 카디건, 코트/자켓, 점퍼/베스트 등), 액세서리(예; 모자, 벨트, 귀금속 등), 신발, 가방, 이너웨어, 장갑, 양말, 스타킹, 굿즈(goods), 인형, 책, 앨범(예; CD, 테이프, 앨범 패키지 등) 등을 포함할 수 있다. 또한 상기 제품의 종류는 차, 오토바이, 자전거, 서적, 가구, 컴퓨터, 핸드폰, 전자장치, 티켓, 여행권, 숙박권, 영화티켓, 건강보조식품, 가정용품, 욕실용품, 사무용품, 문구, 가전제품, 레저용품, 유아용품, 미용품, 패션잡화 등을 더 포함할 수도 있다.

도 2는 본 발명의 일 실시예에 따른 분석부의 구성도이다.

도 2를 참조하면, 분석부(140)는 적어도 하나의 인공 신경망을 포함할 수 있으며, 일 예로, 도 2에 도시된 바와 같이, 분석부(140)는 제1 인공 신경망(141) 및 제2 인공 신경망(143)을 포함할 수 있다.

분석부(140)는 제1 인공 신경망(141)을 이용하여 제품 특성 별 구매자의 특성을 분석할 수 있다. 여기서 제1 인공 신경망(141)은 RNN(Recurrent Neural Network) 모델을 활용하는 것일 수 있다.

또한 분석부(140)는 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블(label)된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망(141)을 포함할 수 있다.

또한 분석부(140)는 구매된 복수의 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 특성 정보를 포함하는 학습 데이터로 제1 인공 신경망(141)을 학습시키고, 상기 학습된 제1 인공 신경망(141)을 이용하여 구매된 제품 특성 별 구매자의 특성을 분석할 수 있다.

도 3은 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.

도 3을 참조하면, 제품 특성으로 레이블된 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망(141)은 제1 제품의 특성 정보(제1 제품 특성 정보)를 입력 받을 수 있으며, 입력 정보에 대하여 제1 제품의 구매 예상자의 구매자 특성 정보를 생성할 수 있다.

분석부(140)는, 예를 들면, 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제1 제품의 특성 정보를 제1 인공 신경망(141)에 입력하며, 제1 인공 신경망(141)은 제1 제품을 구매할 가능성이 높은 구매 예상자의 나이, 성별, 거주지, 학력, 직업, 이동 동선 중 적어도 하나에 대한 구매자 특성 정보를 생성할 수 있다. 일 예로, 분석부(140)가 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 특정 냉장고에 대한 정보를 제1 인공 신경망(141)에 입력하면, 제1 인공 신경망(141)은 '35세~40세, 여성, 서울, 부산, 기혼, 결혼 예정' 등과 같은 구매 가능성이 높은 구매 예상자의 특성 정보를 생성할 수 있다.

또한 분석부(140)는 구매 예상자의 구매자 특성 정보를 기초로 사용자 데이터 베이스(120)에 포함된 사용자 정보를 분석하여 사용자 연락 정보를 생성할 수 있다. 일 예로, 분석부(140)는 사용자 데이터 베이스(120)에 포함된 사용자 정보를 분석하여 '35세~40세, 여성, 서울, 부산, 기혼, 결혼 예정' 등과 같은 조건에 맞는 사용자를 검색한 후, 해당 사용자의 연락처를 추출하여 사용자 연락 정보를 생성할 수 있다.

또한 분석부(140)는 통신부(110)를 제어하여 사용자 연락 정보에 해당하는 사용자 단말에 제품 판매 정보를 전송할 수 있다. 일 예로, 제품 판매 정보는 제품에 대한 정보, 제품에 대한 이벤트 정보 중 적어도 하나를 포함할 수 있다.

또한 분석부(140)는 반품 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 학습된 제2 인공 신경망(143)을 포함할 수 있다.

또한 분석부(140)는 제2 인공 신경망(143)을 이용하여 제품 특성 별 반품 소비자의 특성을 분석할 수 있다. 여기서 제2 인공 신경망(143)은 DNN(Deep Neural Network) 모델을 활용하는 것일 수 있다.

일 예로, 분석부(140)는 반품 제품에 대한 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 반품 제품 정보를 제2 인공 신경망(143)에 입력할 수 있다. 이후, 제2 인공 신경망(143)은 반품 소비자 정보를 기초로 특정 조건의 사용자 별 반품 가능성을 추정할 수 있다.

또한 분석부(140)는 통신부(110)를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 사용자 데이터 베이스(120)로부터 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망(143)에 입력하여 제2 제품의 반품 가능성을 추정할 수 있다.

또한 분석부(140)는 복수의 반품 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 제2 인공 신경망을 학습시키고, 상기 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석하고, 상기 통신부를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 상기 사용자 데이터 베이스로부터 상기 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망에 입력하여 상기 제2 제품에 대한 반품 가능성을 추정할 수 있다.

일 예로, 분석부(140)는 제2 인공 신경망(143)을 이용하여 '20대 = 반품 가능성 40%', '30대 = 반품 가능성 25%', '40대 = 반품 가능성 13%', '50대 = 17%', '60대 이상 = 반품 가능성 20%'와 같이 구매자의 특정 조건, 예를 들어, 나이 별 반품 가능성을 추정할 수 있다.

다른 예로, 분석부(140)는 제2 인공 신경망(143)을 이용하여 반품 가능성이 높은 구매자의 조건을 추정할 수 있다. 예를 들어, 분석부(140)는 제2 인공 신경망(143)을 이용하여 '20대 & 남성 & 강원 & 자영업 = 반품 가능성 70%'와 같이 적어도 하나의 조건을 만족시키는 경우 마다 반품 가능성을 추정할 수 있다.

도 4는 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.

도 4를 참조하면, 분석부(140)는 제품 특성 정보와 구매를 요청한 사용자의 정보를 제2 인공 신경망(143)에 입력하여 해당 사용자가 해당 제품을 반품할 가능성을 추정할 수 있다. 일 예를 들어, 분석부(140)는 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 제품 특성 정보와 '40세, 여성, 서울, 기혼'과 같은 구매를 요청한 사용자의 정보를 제2 인공 신경망(143)에 입력하여 해당 사용자가 해당 제품을 반품할 가능성을 추정할 수 있다. 예를 들어, '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 제품 특성 정보와 '40세, 여성, 서울, 기혼'과 같은 구매를 요청한 사용자의 정보를 제2 인공 신경망(143)에 입력하는 경우, 반품 가능성은 5%일 수 있다.

또한 분석부(140)는 제2 인공 신경망(143)을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이하(또는 임계값 미만)인 경우, 구매 요청자에게 소정의 이벤트 정보를 전송할 수 있다.

일 예로, 소정 제품에 대한 구매를 요청한 사용자를 분석할 결과, 해당 사용자가 제품을 반품할 가능성이 소정 값보다 높은 경우(또는 임계값 이상인 경우), 판매자는 해당 제품을 판매하여 얻는 이득보다 손해가 클 수 있다. 예를 들어, 반품으로 인한 배송비, 재고 비용, 제품의 손상 가능성 등의 손해가 발생할 수 있다. 이에 따라, 특정 소비자의 반품 가능성이 높은 경우, 해당 제품의 구매를 억제하는 것이 판매자에게 유리할 수 있다.

다른 예로, 소정 제품에 대한 반품 가능성이 낮은 소비자의 경우, 판매자는 해당 소비자에게 적극적인 마케팅을 수행하여 구매를 유도하는 것이 유리할 수 있다. 예를 들어, 해당 소비자의 특정 제품에 대한 반품 가능성이 소정 기준 이하로 판단되는 경우, 판매자는 할인 정보 또는 쿠폰 정보 등 구매를 유도할 수 있는 이벤트 정보를 해당 소비자에게 제공하여 보다 적극적으로 제품을 구매하도록 유도할 수 있다.

또한 분석부(140)는 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이상인 경우, 제2 인공 신경망(143)을 이용하여 제2 제품과 동일한 종류의 제품 중 재질, 색상, 크기, 비용, 성능 중 적어도 하나가 다른 적어도 하나의 제3 제품 각각에 대한 반품 가능성을 추정하며, 적어도 하나의 제3 제품 중 반품 가능성이 가장 낮은 제품에 대한 정보를 구매 요청자에게 전송할 수 있다.

도 5는 본 발명의 일 실시예에 따른 분석부의 동작을 설명하는 흐름도이다.

도 5를 참조하면, 분석부(140)는 사용자로부터 특정 제품에 대한 구매 요청 정보를 수신할 수 있으며, 수신한 구매 요청 정보에 대한 제품의 반품 가능성을 추정할 수 있다(510).

일 예로, 분석부(140)는 제2 제품의 구매를 요청하는 구매 요청 정보를 구매 요청자로부터 수신할 수 있으며, 분석부(140)는 사용자 데이터 베이스(120)를 검색하여 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 찾을 수 있다. 이후, 분석부(140)는 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망(143)에 입력하여 제2 제품의 반품 가능성을 추정할 수 있다.

이후, 분석부(140)는 추정된 제품의 반품 가능성이 소정 값 이하인지 여부를 판단할 수 있다(520).

일 예로, 반품 가능성이 소정 값 이하인 경우(또는 임계값 미만인 경우), 분석부(140)는 해당 구매 요청자에게 이벤트 정보를 전송할 수 있다. 여기서 이벤트 정보는 할인 정보 및 쿠폰 정보 중 적어도 하나일 수 있다.

반면, 반품 가능성이 소정 값 이상인 경우, 분석부(140)는 다른 제품에 대한 반품 가능성을 추정할 수 있다(540).

일 예로, 분석부는 소정의 구매자가 구매 요청을 한 제품과 동일한 종류의 제품들 중 재질, 색상, 크기, 비용, 성능 중 적어도 하나 이상이 다른 제품을 선정하여 반품 가능성을 추정할 수 있다.

일 예를 들어, 사용자가 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'인 제품 A에 대하여 구매 요청을 한 경우, 분석부(140)는 제품 B = '냉장고, 양문형, 은색, 500L, \2,500,000, 소비효율 1등급', 제품 C = '냉장고, 양문형, 검은색, 500L, \2,500,000, 소비효율 1등급', 제품 D = '냉장고, 양문형, 흰색, 450L, \2,000,000, 소비효율 1등급', 제품 E = '냉장고, 양문형, 은색, 450L, \2,000,000, 소비효율 1등급'등의 제품에 대하여 반품 가능성을 각각 추정할 수 있다.

이후, 분석부(140)는 반품 가능성이 가장 낮은 제품에 대한 추천 정보(및/또는 광고 정보, 마케팅 정보)를 구매 요청자에게 전송할 수 있다. 예를 들어, 분석 결과 제품 D에 대한 반품 가능성이 가장 낮은 것으로 추정되는 경우, 분석부(140)는 제품 A에 대하여 구매 요청을 한 구매 요청자에게 제품 D에 대한 정보를 전송할 수 있다.

이를 통하여, 사용자(예; 판매자)는 반품 가능성을 낮추고, 반품 가능성이 낮은 제품을 추천 및 구매를 유도함으로써 판매 효율을 높일 수 있다.

도 6은 본 발명의 일 실시예에 따른 시스템을 나타내는 블록도이다.

도 6은 본 발명의 시스템(600)은 관리 서버(610) 및 사용자 단말(620)을 포함할 수 있다. 여기서 관리 서버(610)는 도 1을 참조하여 설명된 마케팅 장치(100)에 상응할 수 있다.

관리 서버(610)는 제1 제어 모듈(710), 제1 통신 모듈(720), 제1 입력 모듈(730), 및/또는 제1 출력 모듈(740)을 포함할 수 있으며, 상기 관리 서버(610)는 본 발명의 마케팅 플랫폼을 제공하거나 지원하는 웹사이트 및/또는 모바일앱을 운용하는 서버일 수 있다.

사용자 단말(620) 및 네트워크 노드(630) 각각은 제2 제어 모듈(760), 제2 통신 모듈(770), 제2 입력 모듈(780, 미도시), 및/또는 제2 출력 모듈(790, 미도시)을 포함할 수 있다.

제어 모듈(710, 760)은 본 발명의 일 실시예에 따른 동작/단계/과정을 구현할 수 있도록 관리 서버(610) 및/또는 사용자 단말(620)을 직/간접적으로 제어할 수 있다. 또한 제어 모듈(710, 760)은 적어도 하나의 프로세서를 포함할 수 있으며, 프로세서는 적어도 하나의 중앙 처리 유닛(CPU) 및/또는 적어도 하나의 그래픽 처리 디바이스(GPU)를 포함할 수 있다.

또한 제어 모듈(710, 760)은 API(Application Programming Interface), IoT(Internet of Things), IIoT(Industrial Internet of Things), ICT(Information & Communication Technology) 기술에 기반하여 제어 정보(예; 명령어) 등을 생성하거나 및/또는 관리할 수 있다.

통신 모듈(720, 770)은 관리 서버(610), 사용자 단말(620), 및/또는 네트워크 노드(630) 등과 각종 데이터, 신호, 정보를 송수신할 수 있다. 또한, 통신 모듈(720, 770)은 무선 통신 모듈(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 또한, 통신 모듈(720, 770)은 제1 네트워크(예: 블루투스, WiFi direct 또는 IrDA(Infrared Data Association) 같은 근거리 통신 네트워크) 또는 제2 네트워크(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다.

입력 모듈(730, 780)은 관리 서버(610), 사용자 단말(620), 및/또는 네트워크 노드(630)의 구성요소(예: 제어 모듈(710) 등)에 사용될 명령 또는 데이터를 관리 서버(610) 및/또는 사용자 단말(620)의 외부(예: 사용자(예; 제1 사용자, 제2 사용자 등), 관리 서버(610)의 관리자 등)로부터 수신할 수 있다. 또한, 입력 모듈(730, 780)은 관리 서버(610) 및/또는 사용자 단말(620)에 설치된 터치인식가능 디스플레이, 터치패드, 버튼형 인식 모듈, 음성인식센서, 마이크, 마우스, 또는 키보드 등을 포함할 수 있다. 여기서 터치인식가능 디스플레이, 터치패드, 버튼형 인식 모듈은 감압식 및/또는 정전식 방식을 통하여 사용자의 신체(예; 손가락)를 통한 터치를 인식할 수 있다.

출력 모듈(740, 790)은 관리 서버(610) 및/또는 사용자 단말(620)의 제어 모듈(710, 760)에 의해 생성되거나 통신 모듈(720, 770)을 통하여 획득된 신호(예; 음성 신호), 정보, 데이터, 이미지, 및/또는 각종 객체(object) 등을 표시하는 모듈이다. 예를 들면, 출력 모듈(740, 790)은 디스플레이, 스크린, 표시부(displaying unit), 스피커 및/또는 발광장치(예; LED 램프) 등을 포함할 수 있다.

저장 모듈(750)은 관리 서버(610) 및/또는 사용자 단말(620)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장한다.

또한, 저장 모듈(750)은 도 1의 사용자 데이터 베이스(120) 및 제품 데이터 베이스(130)에 상응할 수 있다.

또한, 저장 모듈(750)은 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), PROM(Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다.

또한, 저장 모듈(750)은 관리 서버(610) 및/또는 사용자 단말(620)을 사용하는 고객(제1 사용자)의 개인정보, 관리자(제2 사용자)의 개인정보 등을 저장할 수 있다. 여기서 개인정보는 이름, 아이디(ID; identifier), 패스워드, 주민등록번호, 도로명 주소, 전화 번호, 휴대폰 번호, 이메일 주소, 및/또는 관리 서버(610)에 의해 생성되는 리워드(reward)(예; 포인트 등)를 나타내는 정보 등을 포함할 수 있다. 또한, 제어 모듈(710, 760)은 상기 저장 모듈(750)에 저장된 각종 이미지, 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행할 수 있다.

도 7은 본 발명의 일 실시예에 따른 관리 서버를 나타내는 블록도이다.

도 7을 참조하면, 관리 서버(610)는 블록체인 모듈(810)과 카메라 모듈(820)을 포함할 수 있다.

관리 서버(610)는 사용자의 기본 정보에 기반하여 매칭 점수를 나타내는 정보를 생성할 수 있다. 매칭 점수는 사용자와 복수의 마케팅 전문 회사 각각과의 사이에 관련성, 적합성, 추천의 정도 등을 나타내는 정보일 수 있다.

사용자는 사용자 단말(620)을 통하여 실행되는 본 발명의 마케팅 플랫폼을 제공하는 웹사이트 및/또는 모바일앱을 통하여 기본 정보를 입력할 수 있다. 상기 기본 정보는 사용자 단말(620)로부터 관리 서버(610)에게 전달되고, 상기 관리 서버(610) 및/또는 저장 모듈(750)에 기록될 수 있다.

기본 정보는 사용자의 업종을 나타내는 정보, 사용자의 마케팅 목적을 나타내는 정보, 사용자가 가용할 수 있는 예산을 나타내는 정보를 포함할 수 있으며, 상기 사용자의 개인 정보를 더 포함할 수도 있다.

사용자의 업종을 나타내는 정보는 제1 업종 정보 및 제2 업종 정보를 포함할 수 있으며, 상기 제2 업종 정보는 상기 제1 업종 정보가 나타내는 업종의 하위 업종을 나타내는 정보로서, 직업을 나타내는 정보를 포함할 수 있다.

제1 업종 정보는 직업과 관련되는 상위 개념의 카테고리를 나타낼 수 있으며, 개발, 경영/비즈니스, 마케팅/광고, 디자인, 영업, 고객서비스/리테일(소매, 유통), 인사/교육, 미디어, 엔지니어링/설계, 투자/분석/부동산, 제조/생산, 게임 제작, 물류/무역, F&B(Food and Beverage), 법률/법집행기관, 의료/제약/바이오, 정부/비영리, 건설/시설을 포함할 수 있다.

제2 업종 정보는 직업과 관련되는 하위 개념의 카테고리를 나타낼 수 있으며, 제2 업종 정보는 상기 제1 업종 정보에 매칭될 수 있다.

제2 업종 정보는, 예를 들면, 개발(제1 업종 정보)과 관련되거나 매칭되는 웹 개발자, 서버 개발자, 프론트엔드 개발자, 자바 개발자, 안드로이드 개발자, iOS 개발자, 파이썬 개발자, DevOps/시스템 관리자, 데이터 엔지니어, Node.js 개발자, 시스템/네트워크 관리자, C/C++ 개발자, 개발 매니저, 머신러닝 엔지니어, 데이터 사이언티스트 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 경영/비즈니스(제1 업종 정보)와 관련되거나 매칭되는 서비스 기획자, 사업개발/기획자, 프로젝트 매니저, 전략 기획자, 운영 매니저, 데이터 분석가, 회계원/경리 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 마케팅/광고(제1 업종 정보)와 관련되거나 매칭되는 디지털 마케터, 마케터, 마케팅 전략 기획자, 콘텐츠 마케터, 브랜드 마케터, 소셜 마케팅, 광고 기획자(AE) 등을 포함할 수 있다.

또한 제2 업종 정보는, 예를 들면, 디자인(제1 업종 정보)과 관련되거나 매칭되는 UX 디자이너, UI/GUI 디자이너, 웹 디자이너, 그래픽 디자이너, 모바일 디자이너, 영상/모션 디자이너, 제품 디자이너 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 영업(제1 업종 정보)과 관련되거나 매칭되는 기업영업 담당자, 영업 관리자, 기술영업 전문가, 외부영업 전문가, 주요고객사 담당자, 솔루션 컨설턴트, 고객성공매니저 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 고객서비스/리테일(제1 업종 정보)과 관련되거나 매칭되는 CS 매니저, MD, CS 어드바이저, 리테일 MD, CRM 전문가, 패션 MD, 매장점원 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 인사/교육(제1 업종 정보)과 관련되거나 매칭되는 인사 담당자, 리크루터, 조직 관리 전문가, 인사평가 전문가, HRD/교육 전문가, 급여/보상 전문가, HRBP 등을 포함할 수 있다.

또한 제2 업종 정보는, 예를 들면, 미디어(제1 업종 정보)와 관련되거나 매칭되는 콘텐츠 크리에이터, 영상 편집가, 프로듀서, 에디터, 비디오 제작, 작가, 음향 엔지니어 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 엔지니어링/설계(제1 업종 정보)와 관련되거나 매칭되는 자동차 공학자, 기계 엔지니어, 전기 엔지니어, 제품 엔지니어, 전기기계 공학자, 제어 엔지니어, 전자 엔지니어 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 투자/분석/부동산(제1 업종 정보)과 관련되거나 매칭되는 회계 담당자, 재무 분석가, 회계사/회계원, 애널리스트, IR, CPA, 준법감시인 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 제조/생산(제1 업종 정보)과 관련되거나 매칭되는 품질 관리자, 생산 관리자, 제조 엔지니어, 테스트 엔지니어, 공정 관리자, 기계제작 기술자, 기계/설비조작, 안전 관리자, 화학자, 자재 관리자, 생산직 종사자 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 게임제작(제1 업종 정보)과 관련되거나 매칭되는 게임 클라이언트 개발자, 게임 기획자, 모바일 게임 개발자, 유니티 개발자, 게임 서버 개발자, 게임 아티스트, 게임 그래픽 디자이너, 게임 운영자(GM), 언리얼 개발자 등을 포함할 수 있다.

또한 제2 업종 정보는, 예를 들면, 물류/무역(제1 업종 정보)과 관련되거나 매칭되는 물류 담당자, 물류 분석가, 운송 관리자, 배송 담당자, 웨어하우스 전문가, 선적/발송 사무원, 운행 관리원, 화물트럭 운전기사, 무역사무 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, F&B(제1 업종 정보)와 관련되거나 매칭되는 요리사, 식품 MD, 외식업 종사자, 외식업 메뉴 개발자, 영양사, 바텐더, 레스토랑 관리자 등을 포함할 수 있다.

또한 제2 업종 정보는, 예를 들면, 법률/법집행기관(제1 업종 정보)과 관련되거나 매칭되는 법무담당자, 법무 자문위원, 변호사, 변리사, 명세사 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 의료/제약/바이오(제1 업종 정보)과 관련되거나 매칭되는 연구원, 생명공학 연구원, 임상시험 연구원, 증례 관리자, 수의사, 약학 분석 화학자, 임상시험 간호사, 미생물학자 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 정부/비영리(제1 업종 정보)와 관련되거나 매칭되는 정보 분석가, 카운셀러, 공무원, 직업군인, 환경 전문가, 지역 전문가, 자원봉사자 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 건설/시설(제1 업종 정보)과 관련되거나 매칭되는 유지보수 관리자, 견적 기술자, 정비공, 관리인 등을 포함할 수 있다.

사용자의 마케팅 목적을 나타내는 정보는 신규 고객의 유치, 고객의 유지, 관계 재고 등을 포함할 수 있다.

여기서 개인정보는 사용자의 이름, 아이디(ID; identifier), 패스워드, 주민등록번호, 도로명 주소, 전화 번호, 휴대폰 번호, 이메일 주소, 및/또는 관리 서버(610)에 의해 생성되는 리워드(reward)(예; 포인트 등)를 나타내는 정보 등을 포함할 수 있다.

또한 기본 정보는 상기 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 결제한 금액 및/또는 내역(결제내역)에 대한 정보, 상기 사용자가 지급받거나 사용한 리워드(포인트)에 대한 정보를 더 포함할 수도 있다.

제어 모듈(710)은 사용자의 개인 정보, 사용자의 업종을 나타내는 정보(제1 업종 정보, 제2 업종 정보), 사용자의 마케팅 목적을 나타내는 정보, 사용자가 가용할 수 있는 예산을 나타내는 정보, 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 결제한 금액 및/또는 내역(결제내역)에 대한 정보, 사용자가 지급받거나 사용한 리워드(포인트)에 대한 정보 중 적어도 어느 하나에 기반하여 매칭 점수(및/또는 매칭 점수를 나타내는 정보)를 결정하거나 생성할 수 있다. 또한 매칭 점수를 나타내는 정보는 제어 모듈(710)의 인공지능 모듈(810) 및/또는 블록체인 모듈(820)에 의해 생성될 수 있으며, 이에 대해서는 후술한다.

예를 들면, 제1 업종 정보 및/또는 제2 업종 정보와 관련되는 광고 업체의 경우 매칭 점수가 더 높게 설정될 수 있다. 또한 예를 들면, 상기 사용자가 해당 업체에서 광고 서비스를 이용한 이력이 있거나, 및/또는 광고 서비스를 이용하여 결제한 내역이 있는 경우에는 해당 광고 업체의 매칭 점수는 더 높게 설정될 수 있다(및/또는 매칭 점수에 제1 가산점이 반영될 수 있다).

예를 들면, 사용자가 가용할 수 있는 예산의 범위 내에서 광고 서비스를 제공할 수 있는 광고 업체의 경우 매칭 점수가 더 높게 설정될 수 있다(및/또는 매칭 점수에 제2 가산점이 반영될 수 있다).

예를 들면, 사용자가 보유하는 리워드(포인트)로 광고 서비스를 제공해줄 수 있는 광고 업체의 경우 매칭 점수가 더 높게 설정될 수 있으며, 특히 사용자가 보유하는 리워드(포인트)만으로도 제공받을 수 있는 광고 서비스를 지원해주는 광고 업체의 경우 매칭 점수가 더 높게 설정될 수 있다(및/또는 매칭 점수에 제3 가산점이 반영될 수 있다).

예를 들면, 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 입력한 기본 정보에 기반하여, 상기 기본 정보가 입력된 시간으로부터 소정의 시간(시간 임계값) 이내에 i) 해당 광고 업체가 상기 기본 정보에 기반하는 광고 초안을 웹사이트 및/또는 모바일앱을 통하여 입력하거나, ii) 상기 기본 정보에 기반하는 광고 초안을 나타내는 정보를 상기 관리 서버(610)에 전송한 광고 업체의 경우, 관리 서버(610)는 해당 업체에 대하여 매칭 점수를 더 높게 설정할 수 있다(및/또는 매칭 점수에 제4 가산점이 반영될 수 있다).

또한 관리 서버(610)가 매칭 점수를 나타내는 정보를 출력할 수 있다. 관리 서버(610)는, 예를 들면, 사용자 단말(620)에서 출력되는 웹사이트 및/또는 모바일앱을 통하여 상기 매칭 점수를 나타내는 정보가 출력되도록 제어할 수 있다.

또한 관리 서버(610)가 복수의 마케팅 전문 회사를 나타내는 정보를 생성하여 사용자 단말을 통하여 출력할 수 있다. 관리 서버(610)는, 예를 들면, 제1 선택 정보에 상응하는 적어도 어느 하나의 광고 카테고리를 지원하는 복수의 마케팅 전문 회사를 나타내는 정보를 생성하여 사용자 단말(620)을 통하여 출력하도록 제어할 수 있다. 상기 복수의 마케팅 전문 회사를 나타내는 정보들 각각은 매칭 점수가 함께 표시될 수 있으며, 본 발명의 웹사이트 및/또는 모바일앱은 상기 복수의 마케팅 전문 회사를 나타내는 정보들을 상기 매칭 점수가 높은 순으로 표시하거나 출력할 수 있다.

그리고, 상기 방법은 관리 서버(610)가 복수의 마케팅 전문 회사에 상응하는 제2 선택 정보를 사용자 단말을 통하여 획득하는 단계를 포함할 수 있다(S740).

사용자는 웹사이트 및/또는 모바일앱에서 복수의 광고 업체 중 적어도 어느 하나를 선택할 수 있다. 예를 들면, 사용자는 웹사이트 및/또는 모바일앱을 통하여 표시되는 복수의 광고 업체 중 적어도 어느 하나를 터치하거나 클릭할 수 있으며, i) 상기 터치에 상응하는 신호가 관리 서버(610)에게 전달되어 상기 관리 서버(610)가 상기 제2 선택 정보를 생성하거나, ii) 상기 터치에 상응하는 제2 선택 정보를 사용자 단말(620)이 생성하여 관리 서버(610)에게 전달할 수 있다.

블록체인 모듈(810)은, 매칭 점수를 나타내는 정보가 블록체인 기술에 기반하여 다른 네트워크 노드(예; 사용자 단말(620))에게 전달될 수 있도록, 상기 매칭 점수를 나타내는 정보에 기반하여 매칭 점수 블록 데이터를 생성할 수 있다. 상기 블록체인 모듈(810)에 의해 생성되는 매칭 점수 블록 데이터는 통신 모듈(720)을 통하여 사용자 단말(620)에게 전달될 수 있다. 또한 상기 관리 서버(610)는 상기 그룹화된 (매칭 점수를 나타내는) 정보 및/또는 매칭 점수 블록 데이터에 포함된 적어도 하나의 요소들을 블록체인(752, 미도시)에 저장할 수 있다.

일반적으로 블록 체인(block chain)은 P2P(peer-to-peer) 네트워크에 의해 생성되고 관리되는 위조 및/또는 변조 불가능한 분산 저장소이다. 블록 체인은 트랜잭션(쌍방간의 쪼갤 수 없는 단위 작업)으로 생성된 데이터 블록들을 체인(chain) 형태로 잇따라 연결한 모음을 의미한다. 이전 블록에 다름 블록을 연이어 암호화하고 과반수가 넘는 사용자가 동의한 데이터를 실제 데이터로 인정하기 때문에, 한번 기록된 데이터는 위조 및/또는 변조가 불가능하다. 블록 체인의 대표적인 응용사례는 암호화폐의 거래 과정을 기록하는 분산화된 전자 화폐인 비트코인(bitcoin)이 있다. 블록 체인에는 일정 시간 동안 사용자들 간에 발생되는 확정된 거래 내역이 저장될 수 있다. 그리고, 많은 사용자들은 블록 체인 사본을 각자 갖고 있으며, 거래 내역은 모두에게 공개될 수 있다. 이와 같이, 과반수가 넘는 사용자가 동의한 거래 내역만 실제 데이터로 인정되고, 영구적으로 보관할 블록으로 묶여 저장될 수 있다.

한편, 본 발명의 관리 서버(610), 사용자 단말(620), 다른 네트워크 노드(630) 각각은 블록체인을 포함하거나 블록 데이터를 제어할 수 있는 블록체인 노드일 수 있다. 예를 들면, 관리 서버(610)는 사용자 단말(620)로부터 수신되는 기본 정보, 제1 선택 정보, 제2 선택 정보, 추천 마케팅 광고 업체를 나타내는 정보, 매칭 점수를 나타내는 정보 등을 그룹화 및/또는 해시(hash)하여 블록 체인에 저장한 후, 기본 정보, 제1 선택 정보, 제2 선택 정보, 추천 마케팅 광고 업체를 나타내는 정보, 매칭 점수를 나타내는 정보 등에 대한 위조 및/또는 변조를 검증하거나 판단할 수 있다. 일 예로, 블록체인 모듈(810)은 매칭 점수를 나타내는 정보에 기반하여 머클 해쉬(Merkle hash)를 포함하는 매칭 점수 블록 데이터(matching score block data)를 생성하고, 상기 생성된 머클 해쉬가 포함되도록 복수의 매칭 점수를 나타내는 정보를 그룹화할 수 있다.

관리 서버(610)는 저장 모듈(750)에 저장할 내용(예; 매칭 점수를 나타내는 정보에 기반하여 머클 해쉬를 포함하는 매칭 점수 블록 데이터)을 블록체인 트랜잭션으로 만들어 블록체인 네트워크에 참여한 다른 네트워크 노드(630)에게 전송할 수 있다. 상기 블록체인 트랜잭션에 저장할 매칭 점수를 나타내는 정보는 머클 해쉬 식별자, 그룹 식별자 및/또는 이전 그룹의 식별자를 포함할 수 있다.

관리 서버(610)는 미리 결정된 시간 및 상기 저장된 매칭 점수를 나타내는 정보의 개수 중 적어도 하나에 기반하여 상기 블록체인(752)에 저장된 적어도 하나의 요소와 상기 그룹화된 매칭 점수를 나타내는 정보에 포함된 적어도 하나의 요소를 비교하여 상기 저장된 매칭 점수를 나타내는 정보의 무결성을 검증할 수 있다. 상기 관리 서버(610)는 상기 저장된 매칭 점수를 나타내는 정보가 무결성하지 않는 경우, 출력 모듈(740)을 통해 상기 무결성 여부를 출력할 수 있다.

관리 서버(610)는 상기 저장 모듈(750)에 저장된 매칭 점수를 나타내는 정보가 위조 및/또는 변조되거나 손상된 경우, 상기 관리 서버(610)를 관리하는 관리자(예; 제2 사용자)가 이러한 사항을 알 수 있도록 출력 모듈(740)을 통해 상기 무결성 여부를 출력할 수 있다. 상기 제어 모듈(710)는 상기 저장된 블록체인의 무결성 여부를 판단하기 위한 증명서(certificate)를 생성하여 다른 네트워크 노드(630)에게 전송할 수 있다. 상기 증명서는, 상기 저장된 적어도 하나의 매칭 점수를 나타내는 정보의 정보, 상기 그룹화된 매칭 점수를 나타내는 정보의 정보 및 상기 저장된 블록체인의 정보를 포함할 수 있다. 상기 증명서는 관리 서버(610)가 매칭 점수를 나타내는 정보의 무결성 여부를 판단하는데 이용될 수 있다.

제어 모듈(710)은 상기 저장된 블록체인에 대한 적어도 하나의 요소의 요청이 i) 본 발명의 매칭 점수를 나타내는 정보 제공 서비스를 제공하거나 지원하는 웹사이트 및/또는 모바일앱을 통하여, 및/또는 ii) 다른 네트워크 노드(630)로부터 수신되면 상기 요청된 적어도 하나의 요소를 i) 상기 웹사이트 및/또는 모바일앱을 통하여 출력하거나, 및/또는 ii) 다른 네트워크 노드(630)에게 전송할 수 있다.

또한 도 2 및 도 6을 참조하면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 인공지능망 모델에 기반하여 i) 복수의 추천 마케팅 광고 업체를 선택하거나, 및/또는 ii) 매칭 점수를 생성할 수 있다. 또한, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 저장 모듈(750)에 저장된 빅데이터(big data)에 기계 학습(machine learning)을 이용하여 상기 i) 복수의 추천 마케팅 광고 업체를 선택하거나, 및/또는 ii) 매칭 점수를 생성할 수 있다.

또한, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 관리 서버(610)의 저장 모듈(750)에 저장된 빅데이터를 입력변수로 하여 인공지능망을 학습시킬 수 있다. 예를 들면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 머신러닝의 한 분야인 딥러닝(Deep Learning) 기법을 이용하여 정확한 상관 관계가 도출될 수 있도록 학습을 수행할 수 있다. 예를 들면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 본 발명의 웹사이트 및/또는 모바일앱을 이용하는 제1 사용자 이전에 상기 웹사이트 및/또는 모바일앱을 이용했던 복수의 제2 사용자(즉, 이전 고객들)가 입력한 정보들을 학습데이터로 하여 상기 인공지능망을 학습시킬 수 있다.

일 예로, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 제1 학습 모드(learning mode)에 따라 상기 인공지능망을 학습시킬 수 있으며, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 제1 학습 모드의 경우 i) 제2 사용자가 입력한 제2 사용자의 개인 정보, 제2 사용자의 업종을 나타내는 정보(제2 사용자의 제1 업종 정보, 제2 사용자의 제2 업종 정보), 제2 사용자의 마케팅 목적을 나타내는 정보, 제2 사용자가 가용할 수 있는 예산을 나타내는 정보, 제2 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 결제한 금액 및/또는 내역(결제내역)에 대한 정보, 제2 사용자가 지급받거나 사용한 리워드(포인트)에 대한 정보와 ii) 상기 제2 사용자가 본 발명의 마케팅 광고 서비스를 이용한 후에 입력한 평점 및/또는 상기 제2 사용자가 전술한 i) 정보들을 입력한 시점으로부터 마케팅 광고 초안(및/또는 마케팅 광고 완성본)을 수신한 시점 사이의 차이를 나타내는 정보를 학습 데이터(learning data)로 하여 상기 인공지능망을 학습시킬 수 있다.

예를 들면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 전술한 바와 같이 학습된 인공지능망에 입력되는 입력(input)에 기반하여, 상기 학습된 인공지능망으로부터 출력(output)을 획득할 수 있다. 상기 입력(input)은 사용자의 기본 정보, 사용자의 제1 선택 정보 등이고, 상기 출력(output)은 상기 i) 복수의 추천 마케팅 광고 업체를 나타내는 정보 및/또는 ii) 매칭 점수(및/또는 매칭 점수를 나타내는 정보)일 수 있다. 이를 통해 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 i) 복수의 추천 마케팅 광고 업체를 선택하거나, 및/또는 ii) 매칭 점수(및/또는 매칭 점수를 나타내는 정보)를 생성할 수 있다.

또한 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 딥러닝을 통하여 상기 함수에서의 복수 개의 입력들의 가중치(weight)를 학습을 통하여 산출할 수 있다. 또한, 이러한 학습을 위하여 활용되는 인공지능망 모델로는 RNN(Recurrent Neural Network), DNN(Deep Neural Network) 및 DRNN(Dynamic Recurrent Neural Network) 등 다양한 모델들을 활용할 수 있을 것이다.

여기서 RNN은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥 러닝 기법으로서, 순환 신경망(RNN)은 인공 신경망을 구성하는 유닛 사이의 연결이 방향성 사이클(directed cycle)을 구성하는 신경망을 나타낸다. 나아가, 순환 신경망(RNN)을 구성할 수 있는 구조에는 다양한 방식이 사용될 수 있는데, 예컨대, 완전순환망(Fully Recurrent Network), 홉필드망(Hopfield Network), 엘만망(Elman Network), ESN(Echo state network), LSTM(Long short term memory network), 양방향(Bi-directional) RNN, CTRNN(Continuous-time RNN), 계층적 RNN, 2차 RNN 등이 대표적인 예이다. 또한, 순환 신경망(RNN)을 학습시키기 위한 방법으로서, 경사 하강법, Hessian Free Optimization, Global Optimization Method 등의 방식이 사용될 수 있다.

카메라 모듈(820)은 상기 사용자 단말(620)의 카메라 장치를 통하여 획득된 영상(또는 이미지 정보) 내에 포함되는 객체를 추출하여 객체 정보를 획득할 수 있다. 객체 정보 획득부(340)는 HOG(Histogram of Oriented Gradient), Haar-like feature, Co-occurrence HOG, LBP(local binary pattern), FAST(features from accelerated segment test) 등과 같은 객체 특징 추출을 위한 다양한 알고리즘을 통하여, 상기 카메라 장치 및/또는 카메라 장치를 통하여 획득된 영상(또는 이미지 정보)에서 영상 내 객체의 윤곽선 또는 상기 객체에서 추출할 수 있는 글씨(또는 정보를 나타내는 윤곽선(또는 외형))를 획득할 수 있다.

또한, 제어 모듈(710) 및/또는 카메라 모듈(820)은 획득한 영상(또는 이미지 정보)에서 객체를 영상 분석을 통해 인식(또는 식별)하고, 상기 인식된 객체에 대응되는 영역을 마스킹 처리하여 마스킹 영상 정보를 생성할 수 있다. 이때, 마스킹 처리 과정은, 예를 들면, 차분영상 방법, GMM(Gaussian Mixture Models)을 이용하는 MOG(Model of Gaussian) 알고리즘, 코드북(Codebook) 알고리즘 등과 같은 객체와 배경을 분리하기 위한 배경 모델링을 통해 객체에 해당하는 객체 후보 영역을 추출하는 방법을 이용함으로써 객체 정보를 추출 및/또는 획득할 수 있다.

본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (1)

1. 마케팅 서비스를 제공하는 시스템에 있어서,
   사용자 단말과 정보를 송수신하는 통신 모듈;
   사용자 정보를 포함하고 있는 제1 저장 모듈;
   제품 정보를 포함하고 있는 제2 저장 모듈; 및
   상기 제1 저장 모듈에 포함된 사용자 정보 및 상기 제2 저장 모듈에 포함된 제품 정보를 기초로 하나 이상의 인공 신경망을 이용하여 마케팅 정보를 생성하는 제어 모듈; 을 포함하고,
   상기 제어 모듈은:
   제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망을 이용하여 제품 특성 별 구매자의 특성을 분석하고,
   반품 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석하고,
   제2 제품의 구매를 요청하는 구매 요청 정보를 상기 사용자 단말로부터 획득하고,
   상기 제2 제품의 특성 정보를 추출하고,
   상기 사용자 정보 및 상기 제2 제품의 특성 정보를 상기 제2 인공 신경망에 입력함으로써 상기 제2 제품의 반품 가능성을 추정하고,
   상기 반품 가능성이 소정의 임계값 이상인 경우에는 상기 제2 인공 신경망을 이용하여 상기 제2 제품과 재질, 색상, 크기, 비용, 및 성능 중 적어도 어느 하나가 상이한 적어도 하나의 제3 제품을 추천하는 정보를 상기 사용자 단말을 통하여 출력하고,
   상기 반품 가능성이 상기 소정의 임계값 미만인 경우에는 할인 정보 또는 쿠폰 정보를 포함하는 이벤트 정보를 생성하여 상기 사용자 단말을 통하여 출력하도록 제어하는 것을 특징으로 하고,
   상기 제어 모듈은:
   상기 사용자의 기본 정보에 기반하여 상기 사용자와 복수의 마케팅 회사 각각과의 사이에 관련성, 적합성, 또는 추천의 정도를 나타내는 매칭 점수를 산출하되,
   상기 기본 정보는 기본 정보는 상기 사용자의 업종을 나타내는 정보, 상기 사용자의 마케팅 목적을 나타내는 정보, 상기 사용자가 가용할 수 있는 예산을 나타내는 정보, 및 상기 사용자의 개인 정보를 포함하고,
   상기 사용자의 업종을 나타내는 정보는 직업과 관련되는 상위 개념의 카테고리인 제1 업종 정보와 직업과 관련되는 하위 개념의 카테고리인 제2 업종 정보를 포함하고,
   상기 사용자의 마케팅 목적을 나타내는 정보는 신규 고객의 유치, 고객의 유지, 관계 재고 중 적어도 어느 하나를 나타내고,
   상기 사용자가 이용한 이력이 존재하는 마케팅 회사에 대해서는 상기 매칭 점수에 제1 가산점이 추가되고,
   상기 사용자가 가용할 수 있는 예산의 범위 내에서 마케팅 서비스를 제공할 수 있는 마케팅 회사에 대해서는 상기 매칭 점수에 제2 가산점이 추가되고,
   상기 사용자가 보유한 포인트로 마케팅 서비스를 제공할 수 있는 마케팅 회사에 대해서는 상기 매칭 점수에 제3 가산점이 추가되고,
   상기 기본 정보가 입력된 시간으로부터 소정의 시간 이내에 상기 기본 정보에 기반하는 광고 초안을 나타내는 정보를 상기 시스템에 전송한 마케팅 회사에 대해서는 제4 가산점이 추가되고,
   상기 제1 인공 신경망은 RNN(Recurrent Neural Network) 모델을 활용하는 것이고, 상기 제2 인공 신경망은 DNN(Deep Neural Network) 모델을 활용하는 것인, 마케팅 서비스를 제공하는 시스템.

Images