KR102531363B1 - 카드할인 예측 장치 및 방법 - Google Patents

Abstract

본 발명은 카드할인 예측 장치에 관한 것이며, 카드할인 예측 장치는 쇼핑몰로부터 과거 카드할인 데이터를 수집하는 수집부; 및 상기 과거 카드할인 데이터를 기초로 생성된 할인 예측 모델을 이용하여 상기 쇼핑몰에 대한 미래의 카드할인 정보를 예측하는 예측부를 포함할 수 있다.

Description

카드할인 예측 장치 및 방법 {CARD DISCOUNT PREDICTION DEVICE AND METHOD}

본 발명은 카드할인 예측 장치 및 방법에 관한 것이다. 특히, 본 발명은 복수의 쇼핑몰에서 과거에 진행된 과거 카드할인 데이터를 기반으로, 복수의 쇼핑몰 각각에 대해, 각 쇼핑몰에서 향후 카드할인이 이루어질 시점을 카드별로 예측한 카드별 미래의 카드할인 정보를 제공하는 카드할인 예측 장치 및 방법에 관한 것이다.

통상 온라인 쇼핑몰에서는 사용자들의 구매 욕구 증대를 위해 해당 쇼핑몰에서 제휴된 카드사의 카드로 결제를 할 경우 구매금액을 할인시켜주는 방식을 많이 채택하고 있다.

그런데, 온라인 쇼핑몰 각각 마다는 할인이 적용되는 기간, 할인이 적용되는 카드의 종류, 할인율, 할인이 적용되는 상품의 종류 등이 각기 다르게 설정되어 있는데, 종래의 쇼핑몰 관련 서비스는 일예로 사용자가 특정 상품을 구매하고자 하여 상품 검색을 수행하면, 상품 검색의 결과로서 단순히 검색을 한 시점을 기준으로 현재 할인 진행중인 정보가 고려된 쇼핑몰별 판매가 정보를 제공하거나, 혹은 그들 중 최저가 정보를 제공하고 있을 뿐, 향후(미래)에 특정 쇼핑몰에서 언제 카드할인이 진행될 것인지에 대한 미래의 할인 예측 정보에 대해서는 전혀 제공하고 있지 않은 실정이다.

일예로 사용자가 A 쇼핑몰에서 B 상품을 구매하는 상황을 예로 들어 설명하면 다음과 같다. 예시적으로 2022년 11월 10일인 현 시점에서는 'C 카드로 B 상품을 결제할 경우 B 상품을 1만원 할인받아 구매 가능한 이벤트'가 진행중임에도 불구하고 사용자가 지금 당장은 B 상품이 필요하지 않아 B 상품을 사지 않을 수 있다. 이후 해당 사용자는 1달이 지난 시점인 2022년 12월 10일에 B 상품이 필요하게 되어 구매를 하고자 A 쇼핑몰에 다시 접속할 수 있는데, 이 시점에서는 B 상품에 대해 별도로 진행되고 있는 카드할인 이벤트가 없을 수 있고, 이러한 경우 해당 사용자는 B 상품을 할인받는 것 없이 원가로 결제하여 구매할 수 있을 것이다. 그런데, 사용자가 B 상품을 결제하여 구매 완료한 이후, 3일이 지난 2022년 12월 13일에 다시 A 쇼핑몰에 접속해 보았더니 B 상품에 대하여 'C 카드로 B 상품을 결제할 경우 B 상품을 1만원 할인받아 구매 가능한 이벤트' 또는 'D 카드로 B 상품을 결제할 경우 B 상품을 1만 5천원 할인받아 구매 가능한 이벤트'가 진행 중인 경우가 있을 수 있다.

이와 같은 상황에 따르면, 만약 해당 사용자가 B 상품을 결제할 당시(즉, 12월10일)에 지금으로부터 3일 이후인 12월 13일에 B 상품에 대해 카드할인 이벤트가 진행될 것을 미리 알았더라면, B 상품을 12월10일에 결제하지 않고 3일 참았다가 카드할인 이벤트가 진행할 시점인 12월 13일에 B 상품을 구매했을 수 있고, 이와 같이 구매했다면 사용자는 보다 저렴한 가격으로 B 상품을 구매 가능했을 수 있다.

하지만, 종래의 쇼핑몰 관련 서비스로는 앞서 말한 바와 같이 단순히 현 시점을 기준으로 한 상품 판매가 정보를 제공하고 있을 뿐이어서, 현 시점을 기준으로 사용자가 향후 미래의 할인 예측 정보(일예로 3일 후에 B 상품에 대해 C 카드 또는 D 카드로의 결제시 할인이 가능한 이벤트가 이루어질 것임에 대한 카드할인 예측 정보)를 전혀 알 길이 없다. 따라서, 사용자가 쇼핑몰에서 특정 상품을 구매함에 있어서 상술한 상황에 처한다면, 해당 사용자는 B 상품을 비싸기 돈을 주고 구매한 느낌을 받아 후회를 하는 경우가 있을 수 있고, 이에 구매 만족률이 낮을 수 있다.

따라서, 사용자가 온라인 쇼핑몰에서 상품을 구매함에 있어서 보다 합리적으로 구매 가능하도록 하고, 구매 만족률을 높일 수 있도록 하는 기술의 개발이 절실히 요구된다.

본 발명의 배경이 되는 기술은 한국공개특허공보 제10-2006-0062671호에 개시되어 있다.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 복수의 쇼핑몰에서 과거에 진행된 과거 카드할인 데이터를 기반으로, 복수의 쇼핑몰 각각에 대해 각 쇼핑몰에서 향후 카드할인이 이루어질 시점을 카드별로 예측한 카드별 미래의 카드할인 정보를 도출하고, 도출된 정보를 사용자에게 제공할 수 있는 카드할인 예측 장치 및 방법을 제공하려는 것을 목적으로 한다.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 사용자가 온라인 쇼핑몰에서 상품을 구매함에 있어서 보다 합리적으로 구매 가능하도록 하고 구매 만족률을 높일 수 있도록 하는, 쇼핑몰마다 예측된 카드별 미래의 카드할인 정보의 제공이 가능한 카드할인 예측 장치 및 방법을 제공하려는 것을 목적으로 한다.

다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른 카드할인 예측 장치는, 쇼핑몰로부터 과거 카드할인 데이터를 수집하는 수집부; 및 상기 과거 카드할인 데이터를 기초로 생성된 할인 예측 모델을 이용하여 상기 쇼핑몰에 대한 미래의 카드할인 정보를 예측하는 예측부를 포함할 수 있다.

또한, 본 발명의 일 실시예에 따른 카드할인 예측 장치는, 상기 과거 카드할인 데이터에 대한 전처리를 수행하는 전처리부를 더 포함하고, 상기 할인 예측 모델은 상기 전처리부에 의해 가공된 과거 카드할인 데이터를 기초로 생성되는 것일 수 있다.

또한, 상기 쇼핑몰에 대한 미래의 카드할인 정보는, 상기 쇼핑몰에서 상기 예측이 이루어진 예측 시점을 기준으로 향후 기 설정된 일수에 대한 카드할인 적용 가능성을 복수의 카드별로 나타낸 정보일 수 있다.

또한, 상기 수집부는, 복수의 쇼핑몰 각각으로부터 과거에 진행된 카드별 과거 카드할인 데이터를 수집하고, 상기 할인 예측 모델은, 상기 복수의 쇼핑몰 각각의 카드별 과거 할인 데이터를 기초로 생성된 것일 수 있다.

또한, 본 발명의 일 실시예에 따른 카드할인 예측 장치는 상기 할인 예측 모델을 생성하는 모델 생성부를 더 포함하고, 상기 모델 생성부는, 상기 할인 예측 모델로서 상기 복수의 쇼핑몰 각각에 대응되는 쇼핑몰별 할인 예측 모델 및 단일 할인 예측 모델을 생성하고, 상기 예측부는, 상기 쇼핑몰별 할인 예측 모델 및 상기 단일 할인 예측 모델을 포함한 복수개의 할인 예측 모델 중 적어도 하나의 할인 예측 모델을 이용하여 상기 복수의 쇼핑몰 각각에 대응하는 미래의 카드할인 정보를 예측할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.

전술한 본 발명의 과제 해결 수단에 의하면, 복수의 쇼핑몰에서 과거에 진행된 과거 카드할인 데이터를 기반으로, 복수의 쇼핑몰 각각에 대해 각 쇼핑몰에서 향후 카드할인이 이루어질 시점을 카드별로 예측한 카드별 미래의 카드할인 정보를 도출하고, 도출된 정보를 사용자에게 제공할 수 있는 카드할인 예측 장치 및 방법을 제공함으로써, 사용자가 온라인 쇼핑몰에서 상품을 구매함에 있어서 보다 계획적이고 합리적으로 상품의 구매가 가능하도록 하고, 상품의 구매 만족률이 높아지도록 할 수 있다.

다만, 본 발명에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.

도 1은 본 발명의 일 실시예에 따른 카드할인 예측 장치를 포함하는 카드할인 예측 시스템의 개략적인 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 카드할인 예측 장치 내 전처리부에 의해 전처리된 데이터(a) 및 전처리부에 의해 변수 가공된 데이터(b)의 예를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 카드할인 예측 장치 내 예측부가 할인 예측 모델로 특정 쇼핑몰에 대한 미래의 카드할인 정보를 예측한 결과의 예를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 카드할인 예측 장치 내 예측부에 의해 예측된 쇼핑몰별 미래의 카드할인 정보가 사용자 단말(1)의 화면에 표시된 예를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 카드할인 예측 방법에 대한 동작 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 발명의 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.

본 발명의 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본 발명의 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본 발명의 일 실시예에 따른 카드할인 예측 장치(10)를 포함하는 카드할인 예측 시스템(100)의 개략적인 구성을 나타낸 도면이다.

이하에서는 설명의 편의상, 본 발명의 일 실시예에 따른 카드할인 예측 장치(10)를 본 장치(10)라 하고, 본 발명의 일 실시예에 따른 카드할인 예측 시스템(100)을 본 시스템(100)이라 하기로 한다. 또한, 이하 본 발명을 설명함에 있어서, 도면들에 도시(기재)된 사항은 이하 생략된 내용이라 하더라도 본 장치(10)에 대한 설명에도 동일하게 적용될 수 있다. 즉, 본 장치(10)는 본원의 도면들에 도시된 각종 기능(서비스)을 사용자 단말(1)로 제공할 수 있다.

도 1을 참조하면, 본 시스템(100)은 본 장치(10), 사용자 단말(1) 및 복수의 쇼핑몰(20)을 포함할 수 있다.

본 장치(10)는 쇼핑몰별로 미래에 진행될 카드할인 정보를 예측하여 제공하는 장치로서, 카드할인 예측과 관련된 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 본 장치(10)를 이용하는 사용자가 소지한 사용자 단말(1)로 제공할 수 있다.

본 장치(10)는 카드할인 예측 장치, 쇼핑몰별 신용카드 할인 시점 예측 장치, 온라인 쇼핑몰의 게릴라성 할인 정보 알림 및 예측 장치, 할인 메이트 등의 용어로 달리 지칭될 수 있다. 본 장치(10)는 온라인 쇼핑몰에서의 할인 정보(특히 카드할인 정보)를 예측해 주는 서비스를 제공하는 장치일 수 있다. 본 장치(10)는 온라인 쇼핑몰의 할인 정보를 사용자 단말(1)로 제공함에 있어서, 카드의 즉시 할인, 카드의 청구 할인 및 이벤트 할인(일예로, 쇼핑몰에서 배너형으로 제공하는 배너형 단기 이벤트 할인)에 관한 할인 정보(특히, 미래에 진행될 미래의 카드할인 정보)를 예측하여 사용자에게 제공할 수 있다.

사용자 단말(1)은 사용자가 소지한 단말을 의미할 수 있다. 본 장치(10)를 이용하는 사용자는 인터넷을 통해 온라인 쇼핑몰에서의 상품(제품, 물품)의 구매를 희망하는 사용자, 상품의 구매를 위해 온라인 쇼핑몰의 할인 정보를 제공받고자 하는 사용자 등을 의미할 수 있다. 본 발명에서 사용자는 구매자, 고객, 소비자 등으로 달리 지칭될 수 있다.

사용자 단말(1)은, 일예로 PCS(Personal Communication System), GSM(Global System for Mobile communication), 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(WCode Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC, 노트북, 웨어러블 디바이스, 데스크탑 PC 등과 같은 모든 종류의 유무선 통신 장치를 포함할 수 있으며, 이에 한정되는 것은 아니다.

본 장치(10)는 사용자 단말(1)과 네트워크(3)를 통해 연동되어 데이터를 송수신할 수 있다. 또한, 본 장치(10)는 복수의 쇼핑몰(20) 각각과 네트워크(3)를 통해 연동되어 데이터를 송수신할 수 있다.

네트워크(3)는 일예로 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등을 포함할 수 있으나, 이에 한정된 것은 아니고, 다양한 유/무선 통신 네트워크를 포함할 수 있다.

일예로, 본 장치(10)는 사용자 단말(1)에 포함된 장치의 형태로 마련될 수 있다. 이러한 경우, 본 장치(10)는 사용자 단말(1)에 설치되는 프로그램 또는 애플리케이션(어플, 앱)의 형태로 구현 가능한 장치일 수 있다. 달리 말해, 본 장치(10)를 통해 제공되는 카드할인 예측 방법은 일예로 프로그램 또는 애플리케이션의 형태로 구현되어 사용자 단말(1)을 통해 사용자에게 제공될 수 있다. 다만, 이에 한정되는 것은 아니고, 다른 일예로 본 장치(10)는 사용자 단말(1)과 데이터 송수신이 가능한 서버의 형태로 마련될 수 있다. 서버의 형태로 마련된 본 장치(10)는, 본 장치(10)에 의해 제공되는 애플리케이션에 접속한 사용자의 사용자 단말(1)의 작동(일예로 화면 표시 작동 등)을 제어할 수 있다. 도 1을 참조한 설명에서는 본 장치(10)가 일예로 서버의 형태로 마련되는 것을 예로 들어 설명하기로 하며, 이러한 경우 본 장치(10)는 서버, 카드할인 예측 서버 등으로 달리 지칭될 수 있다.

또한, 본 발명에서 본 장치(10)에 의해 제공되는 애플리케이션(어플, 앱)은 카드할인 예측 애플리케이션으로서 이하 설명의 편의상 본 앱이라 하기로 한다. 본 장치(10)는 본 앱의 제공을 통해 카드할인 예측 플랫폼(본 플랫폼)을 제공할 수 있다.

복수의 쇼핑몰(20)은, 온라인 상에서 상품(제품, 물품)을 판매하는 복수개의 온라인 쇼핑몰을 의미할 수 있다. 이에 따라, 본 발명에서 쇼핑몰이라는 용어는 온라인 쇼핑몰 등으로 달리 지칭될 수 있다.

복수의 쇼핑몰(20)은 예시적으로 쿠팡, 현대홈쇼핑(Hmall), 지마켓, GS 샵, CJ온스타일(CJ ONSTYLE), 네이버쇼핑 등을 포함할 수 있으며, 이에만 한정되는 것은 아니고, 복수의 쇼핑몰(20)에는 적어도 하나의 상품을 온라인에서 판매하는 다양한 쇼핑몰이 적용될 수 있다.

쇼핑몰(21)은 복수의 쇼핑몰(20) 중 어느 한 쇼핑몰(21)을 의미할 수 있다. 즉, 복수의 쇼핑몰(20)은 제1 쇼핑몰, 제2 쇼핑몰, 제3 쇼핑몰 등을 포함할 수 있는데, 이하에서는 설명의 편의상 쇼핑몰(21)이 제1 쇼핑몰인 것으로 예시하기로 하며, 이에 따라 쇼핑몰(21)은 제1 쇼핑몰 등으로 달리 지칭될 수 있다. 이하 본 발명을 설명함에 있어서, 쇼핑몰(21, 제1 쇼핑몰)에 대하여 설명된 내용은 이하 생략된 내용이라 하더라도 복수의 쇼핑몰(20) 각각에 대한 설명에도 동일하게 적용될 수 있다.

또한, 도 1에서는 일예로 본 장치(10)가 1개의 사용자 단말(1)과 네트워크(3)를 통해 연동된 것으로 예시하였으나, 이는 본 발명의 설명의 편의를 위한 하나의 예시일 뿐, 이에만 한정되는 것은 아니고, 본 장치(10)는 복수의 사용자가 소지한 복수의 사용자 단말 각각과 네트워크(3)를 통해 연동되어 데이터를 송수신할 수 있다. 이하 본 발명을 설명함에 있어서, 사용자 단말(1)에 대하여 설명된 내용은 이하 생략된 내용이라 하더라도 복수의 사용자 단말 각각에 대한 설명에도 동일하게 적용될 수 있다. 본 장치(10)에 대한 보다 구체적인 설명은 다음과 같다.

도 2는 본 발명의 일 실시예에 따른 카드할인 예측 장치(10) 내 전처리부(12)에 의해 전처리된 데이터(a) 및 전처리부(12)에 의해 변수 가공된 데이터(b)의 예를 나타낸 도면이다. 도 3은 본 발명의 일 실시예에 따른 카드할인 예측 장치(10) 내 예측부(15)가 할인 예측 모델로 특정 쇼핑몰에 대한 미래의 카드할인 정보를 예측한 결과의 예를 나타낸 도면이다. 도 4는 본 발명의 일 실시예에 따른 카드할인 예측 장치(10) 내 예측부(15)에 의해 예측된 쇼핑몰별 미래의 카드할인 정보가 사용자 단말(1)의 화면에 표시된 예를 나타낸 도면이다.

도 1 내지 도 4를 참조하면, 본 장치(10)는 수집부(11), 전처리부(12), 데이터베이스부(13), 모델 생성부(14), 예측부(15) 및 제어부(16)를 포함할 수 있다.

수집부(11)는 쇼핑몰(21)로부터 과거에 진행된 과거 카드할인 데이터를 수집할 수 있다. 여기서, 과거 카드할인 데이터는, 수집부(11)에서 쇼핑몰(21)로부터 과거 카드할인 데이터를 수집하는 수집 시점을 기준으로, 수집 시점 이전에 해당 쇼핑몰(21)에서 진행되었던(즉, 과거에 진행되었던) 카드할인 데이터(즉, 카드 관련 할인 정보)를 의미할 수 있다. 여기서, 카드할인 데이터는 카드의 즉시 할인 데이터, 및 카드의 청구 할인 데이터를 포함할 수 있다.

수집부(11)는 쇼핑몰(21)로부터 과거 카드할인 데이터와 관련하여, 본 장치(10)를 관리하는 관리자에 의해 기 설정된 과거 기간 내 날짜 각각마다의 카드별(카드종류별) 과거 카드할인 데이터를 수집할 수 있다. 즉, 수집부(11)는 과거 기간 내 날짜들 각각에 대하여, 쇼핑몰(21)로부터 카드별 과거 카드할인 데이터를 수집할 수 있다. 여기서, 과거 기간인 d일은 일예로 3년, 5년, 10년 등일 수 있으나, 이에만 한정되는 것은 아니고, 과거 기간의 설정은 관리자에 의해 다양하게 설정 및 변경될 수 있다. 과거 기간은 과거 카드할인 데이터의 수집 대상이 되는 기간을 의미할 수 있다.

현실에서는 다양한 카드사가 존재함에 따라 현대카드, 삼성카드, 신한카드, KB국민카드, NH농협카드, 하나카드, 우리카드, 롯데카드, BC 카드 등 다양한 종류의 카드들이 존재한다.

이에 따르면, 일예로 오늘이 2022년 11월 5일이고, 쇼핑몰(21)이 인터파크이며, 해당 쇼핑몰(21)에서 과거 2022년 7월 5일에 복수의 카드(즉, 복수 종류의 카드) 중 제1 카드(일예로 롯데카드)로 5% 즉시 할인 이벤트를 진행한 적 있고, 또한 2022년 7월 5일에 제2 카드(일예로 신한카드)로 7% 청구 할인 이벤트를 진행한 적이 있다고 하자. 이러한 경우, 수집부(11)가 쇼핑몰(21)과 관련하여 쇼핑몰(21)로부터 수집한 복수개의 과거 카드할인 데이터 중 어느 한 과거 카드할인 데이터(즉, 제1 과거 카드할인 데이터)로서, 특히나 2022년 7월 5일자에 대응하는 과거 카드할인 데이터는, 예시적으로 [ '인터파크-제1 카드(롯데카드)-5%-즉시 할인', '인터파크-제2 카드(신한카드)-7%-청구 할인' ] 와 같을 수 있다.

상술한 바에 따르면, 쇼핑몰(21)로부터 수집되는 '과거 카드할인 데이터'는, i) 인터파크인지 쿠팡인지 등과 같은 쇼핑몰명 정보, ii) 2022년 7월 5일 등과 같은 카드할인이 이루어진 할인 날짜 정보(즉, 할인 진행 날짜 정보), iii) 신한카드인지 롯데카드인지 등과 같은 카드 종류 정보, iv) 5%, 1만원 등과 같은 할인율 정보, 및 v) 즉시 할인인지 청구 할인인지 등과 같은 할인 유형 정보를 한 세트(한 묶음)로 하여 포함하고 있는 데이터(정보)일 수 있다. 이때, 본 발명에서, 과거 카드할인 데이터에 포함된 전술한 5가지의 정보들(즉, i) 내지 v)를 포함한 정보들) 중 일예로 할인 유형 정보는 선택적으로 포함되는 것일 수 있고(즉, 필수가 아닐 수 있고), 그 밖에 나머지 정보들은 필수적으로 포함되는 것임이 보다 바람직할 수 있다. 이때, 본 발명에서 고려되는 카드는 신용카드 및 체크카드를 포함할 수 있다.

또한, 수집부(11)는 복수의 쇼핑몰(20) 각각으로부터 과거에 진행된 카드별 과거 카드할인 데이터를 수집할 수 있다. 즉, 수집부(11)는 복수의 쇼핑몰(20) 각각에 대하여, 기 설정된 과거 기간 내 날짜 각각마다의 카드별(카드종류별) 과거 카드할인 데이터를 수집할 수 있다. 다시 말해, 수집부(11)는 복수의 쇼핑몰(20) 각각마다, 각 쇼핑몰에서 과거 기간 내 날짜 각각에 진행되었던 카드별 과거 카드할인 데이터를 수집할 수 있다.

수집부(11)는 쇼핑몰(21)을 포함한 복수의 쇼핑몰(20) 각각으로부터 수집한, 각 쇼핑몰마다의 카드별 과거 카드할인 데이터를 데이터베이스부(13)에 저장할 수 있다.

전처리부(12)는, 수집부(11)가 쇼핑몰(21)로부터 수집한 과거 카드할인 데이터에 대한 전처리를 수행할 수 있다. 특히, 전처리부(12)는 수집부(11)가 복수의 쇼핑몰(20) 각각으로부터 수집한 각 쇼핑몰의 카드별 과거 카드할인 데이터에 대한 전처리를 수행할 수 있다.

구체적으로, 전처리부(12)는 데이터베이스부(13)에 저장된 '복수의 쇼핑몰 각각마다의 카드별 과거 카드할인 데이터'에 대하여 전처리를 수행할 수 있으며, 이후, 전처리된 데이터를 본 장치(10) 내 전처리 DB(미도시)에 저장할 수 있고, 이후 전처리 DB(미도시)에 저장된 전처리된 데이터를 대상으로 변수 가공(feature engineering)을 수행함으로써 변수 가공된 데이터를 변수 가공 DB(미도시)에 저장하고 관리할 수 있다. 이때, 전처리부(12)는 변수 가공된 데이터를 모델 생성부(14)로 제공할 수 있으며, 이에 따라 모델 생성부(14)는 변수 가공된 데이터를 기반으로 할인 예측 모델을 생성할 수 있다.

전처리 DB(미도시)에 저장된 전처리된 데이터는, 전처리부(12)가 데이터베이스부(13)에 저장된 데이터를 전처리함으로써 생성된 데이터로서, 일예로 도 2의 (a)에 도시된 것과 같을 수 있다. 또한, 변수 가공 DB(미도시)에 저장된 변수 가공된 데이터는, 전처리부(12)가 전처리 DB(미도시)에 저장된 전처리된 데이터를 변수 가공 함으로써 생성된 데이터로서, 일예로 도 2의 (b)에 도시된 것과 같을 수 있다. 여기서, 변수 가공(feature engineering)이라 함은, 데이터 분석에서, 그대로 사용하기에는 어려운 데이터의 변수를 가공하여 데이터를 비교적 간단명료하게 만드는 과정을 의미한다.

이에 따르면, 전처리된 데이터는 과거 기간(일예로 과거 d일 간) 내 날짜별로, 각 쇼핑몰마다의 카드별 과거 카드할인 데이터(쇼핑몰별 및 카드별 과거 카드할인 데이터)가 연계되어 저장되어 있는 형태일 수 있다. 즉, 전처리된 데이터는 '각 쇼핑몰마다의 카드별 과거 카드할인 데이터'가 날짜순으로 정렬되어 있는 형태일 수 있다.

변수 가공된 데이터는, 전처리된 데이터를 날짜별 카드할인 여부에 대한 정보로 시계열적으로 가공한 데이터일 수 있다. 즉, 변수 가공된 데이터는 쇼핑몰마다 각 카드의 카드할인 여부의 정보가 시계열로 날짜에 따라 정렬되어 있는 형태일 수 있다. 즉, 변수 가공된 데이터는 과거 기간 동안의(즉, 과거 d일 간의) 각 쇼핑몰마다의 카드별 할인 여부 정보를 포함하는 데이터일 수 있다. 이때, 도 2의 (b)를 참조하면, 일예로 카드할인 여부의 정보는 0.0 또는 1.0로 표현될 수 있으며, 여기서 0.0은 카드할인이 이루어지지 않았음(즉, 해당 쇼핑몰에서 해당 카드로 진행된 할인 이벤트가 없었음)을 의미하고, 1.0은 카드할인이 이루어졌음(즉, 해당 쇼핑몰에서 해당 카드로 진행된 할인 이벤트가 있었음)을 의미할 수 있다.

즉, 전처리부(12)는, 데이터베이스부(13)에 저장된 복수의 쇼핑몰(20) 각각마다의 카드별 과거 카드할인 데이터를 대상으로, 이후 절차를 수행하기 위해서 적절히 가공 및 적재하는 전처리(데이터 전처리)를 수행할 수 있다.

전처리의 수행 이후, 전처리부(12)는 전처리된 데이터를 대상으로 변수 가공을 수행할 수 있다. 이때, 전처리부(12)는 변수 가공의 수행시, X 변수와 Y 변수를 생성(마련)할 수 있다.

여기서, X 변수는 후술하여 설명하는 미래의 카드할인 정보를 예측하기 위해 필요한 정보를 의미하는 것으로서, 달리 표현하면 후술하여 설명하는 할인 예측 모델을 생성하기 위해 할인 예측 모델의 입력으로 필요한 정보(즉, 입력 변수 정보)를 의미할 수 있다.

이러한 X 변수는, 일예로 각 일자별로(즉, 과거 기간 내 날짜별로, 과거 d일 동안) 각 날짜 당일의 쇼핑몰마다의 카드별 할인 여부 정보 및 할인율 정보를 지표화하여 정리함으로써 생성(마련)될 수 있고, 그 외에 복수의 외부 소스를 활용하여 일자별로 외부 소스 관련 데이터를 추가함으로써 생성될 수 있다. 여기서, 복수의 외부 소스는 예시적으로 날씨, 요일, 공휴일 등이 포함될 수 있다. 즉, 달리 말하면 X 변수는, 전처리된 데이터(특히, 과거 기간 내 날짜 정보, 쇼핑몰명 정보, 카드 종류 정보, 할인율 정보, 할인 유형 정보 등의 데이터), 날씨, 요일, 공휴일 등의 정보(요소)를 포함할 수 있다.

Y 변수는 예측 대상이 되는 정보(즉, 예측 대상 변수 정보)를 의미하는 것으로서, 달리 표현하면 후술하여 설명하는 할인 예측 모델로 예측하고자 하는 정보(즉, 출력 변수 정보)를 의미할 수 있다. 이러한 Y 변수는, 일예로 각 쇼핑몰마다의 카드별 미래의 카드할인 정보(즉, 각 쇼핑몰마다, 향후 N일 동안의 카드별 할인 적용 가능성 정보)를 따로 가공하여 이를 예측 대상 변수로 추가함으로써 생성(마련)될 수 있다.

변수 가공의 수행이 완료되면, 모델 생성부(14)는 할인 예측 모델을 생성할 수 있다. 모델 생성부(14)는 각 쇼핑몰마다 향후 기 설정된 일수 내 일자 각각에 대한 카드별 카드할인 적용 가능성을 예측하는 할인 예측 모델을 생성할 수 있다. 모델 생성부(14)는 f(X)=Y가 되는 f모델(또는 각 쇼핑몰별X카드별 모델들의 집합)을 기계학습 알고리즘으로 모델링함으로써 할인 예측 모델을 생성할 수 있고, 여기서 X 는 앞서 말한 X 변수, Y 는 앞서 말한 Y 변수를 의미할 수 있다.

모델 생성부(14)는 수집부(11)가 쇼핑몰(21)로부터 수집한 쇼핑몰(21)의 과거 카드할인 데이터를 기초로 할인 예측 모델을 생성할 수 있다. 여기서, 할인 예측 모델은 전처리부(12)에 의해 가공된 과거 카드할인 데이터를 기초로 모델 생성부(14)에 의해 생성된 것일 수 있다.

모델 생성부(14)는, 수집부(11)가 복수의 쇼핑몰(20) 각각으로부터 과거에 진행된 카드별 과거 카드할인 데이터(즉, 복수의 쇼핑몰 각각마다의 카드별 과거 카드할인 데이터)를 수집한 경우, 복수의 쇼핑몰(20) 각각으로부터 수집된 카드별 과거 할인 데이터를 기초로 할인 예측 모델을 생성할 수 있다. 이러한 경우, 여기서 할인 예측 모델은, 복수의 쇼핑몰(20) 각각의 카드별 과거 할인 데이터를 기초로 모델 생성부(14)에 의해 생성된 것일 수 있다. 특히나, 모델 생성부(14)는 수집부(11)로부터 수집되되 전처리부(12)에 의해 변수 가공된 데이터(즉, 변수 가공 DB에 저장되어 있는 변수 가공된 데이터)를 기반으로 할인 예측 모델을 생성할 수 있다. 여기서, 변수 가공된 데이터는, 복수의 쇼핑몰(20)로부터 수집된 '복수의 쇼핑몰 각각마다의 카드별 과거 카드할인 데이터’를 변수 가공함으로써 생성된 데이터를 의미할 수 있다.

모델 생성부(14)는, 복수의 쇼핑몰(20) 각각의 카드별 과거 할인 데이터를 기초로 하여, 할인 예측 모델로서 복수의 쇼핑몰 각각에 1:1 대응되는 쇼핑몰별 할인 예측 모델 및 단일 할인 예측 모델을 생성할 수 있다. 즉, 모델 생성부(14)는 할인 예측 모델로서, 쇼핑몰별 할인 예측 모델, 및 단일 할인 예측 모델을 포함한 복수개의 할인 예측 모델을 생성할 수 있다. 본 발명에서 할인 예측 모델이라는 용어는 할인여부 예측 모델, 카드할인 예측 모델, 모델 등으로 달리 지칭될 수 있다.

여기서, 쇼핑몰별 할인 예측 모델은, 복수의 쇼핑몰(20) 각각과 1:1 대응되도록 생성되는 복수개의 할인 예측 모델을 의미할 수 있다. 이에 따르면, 복수의 쇼핑몰이 제1 쇼핑몰, 제2 쇼핑몰, 제3 쇼핑몰 등을 포함하는 경우, 쇼핑몰별 할인 예측 모델은 제1 쇼핑몰에 대응하는 제1 할인 예측 모델, 제2 쇼핑몰에 대응하는 제2 할인 예측 모델, 제3 쇼핑몰에 대응하는 제3 할인 예측 모델 등을 포함할 수 있다. 이러한 쇼핑몰별 할인 예측 모델은, 복수의 쇼핑몰(20) 각각에 대하여 개별로(개개로) 생성되는 할인 예측 모델일 수 있다.

이때, 모델 생성부(14)는 쇼핑몰별 할인 예측 모델의 생성을 위해, 본 장치(10)와 연동된 복수의 쇼핑몰(20) 각각에 1:1 대응되도록, 쇼핑몰별로 개별 할인 예측 모델을 생성할 수 있다. 이후, 모델 생성부(14)는 쇼핑몰별로 생성된 개별 할인 예측 모델 각각이, 복수의 카드 각각마다(즉, 카드별로) 향후(미래의) 기 설정된 일수(일예로 N일) 내 일자(날짜)별 카드할인 적용 가능성(즉, 카드할인 여부) 정보를 예측값(즉, 출력값)으로서 출력하도록, 쇼핑몰별로 생성된 개별 할인 예측 모델 각각을 학습시킬 수 있으며, 상기 학습이 이루어진 학습된 쇼핑몰별 개별 할인 예측 모델을 쇼핑몰별 할인 예측 모델로 고려할 수 있다. 즉, 모델 생성부(14)에 의해 생성된 쇼핑몰별 할인 예측 모델은, 학습된 쇼핑몰별 개별 할인 예측 모델을 의미할 수 있다. 여기서, 기 설정된 일수에 대응하는 기간은 일예로 후술하여 설명하는 예측 대상 일자 정보에 대응하는 기간과 동일하게 설정될 수 있다.

즉, 모델 생성부(14)는 쇼핑몰별 할인 예측 모델의 생성시, 쇼핑몰별 각각 모델을 생성하고, 각 모델의 출력이 모든 카드의 1~N일 내 일자별 할인여부들을 한 번에 예측하도록 각 모델을 생성할 수 있으며, 이때 멀티 레이블 분류가 가능하도록 각 모델(즉, 쇼핑몰별 할인 예측 모델)을 생성할 수 있다. 모델 생성부(14)는 쇼핑몰별 할인 예측 모델의 생성시, 멀티 레이블 분류 문제를 모델링할 수 있는 복수의 제1 알고리즘 중 적어도 하나를 사용함으로써, 쇼핑몰별 할인 예측 모델을 생성할 수 있다.

여기서, 복수의 제1 알고리즘은 일예로 그라디언트 부스팅 결정 트리(Grandient Boosted Decision Trees, GBDT) 알고리즘, 랜덤 포레스트(Random Forest) 알고리즘 등일 수 있으며, 이에만 한정되는 것은 아니고, 멀티 레이블 분류 문제를 모델링할 수 있는 종래에 기 공지되었거나 향후 개발되는 다양한 알고리즘이 적용될 수 있다. 여기서, Random Forest알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화 하는 알고리즘을 의미하며, GBDT 알고리즘은 학습 프로세스의 연속적인 단계를 통해 모델의 예측 값을 최적화 하기 위한 기계학습 알고리즘을 의미할 수 있다.

상술한 바에 따르면, 모델 생성부(14)는 각각의 쇼핑몰마다 카드별 및 일자별로 카드할인 여부(즉, 카드할인 적용 가능성)를 예측할 수 있는(즉, 쇼핑몰마다 '카드별X일자별' 카드할인 적용 가능성을 예측할 수 있는), 쇼핑몰별 할인 예측 모델을 생성할 수 있다.

또한, 모델 생성부(14)는 복수의 쇼핑몰(20) 각각의 카드별 과거 할인 데이터를 기초로 하여 단일 할인 예측 모델을 생성할 수 있다. 이때, 단일 할인 예측 모델은, 출력값(예측값)으로서, 쇼핑몰별, 카드별 및 일자별로 카드할인 여부를 도출하도록 생성된 1개의 할인 예측 모델을 의미할 수 있다. 즉, 단일 할인 예측 모델은 '쇼핑몰별X카드별X일자별’ 카드할인 적용 가능성을 예측할 수 있는 할인 예측 모델을 의미할 수 있다.

모델 생성부(14)에서 생성된 단일 할인 예측 모델은, 변수 가공 DB(미도시)에 저장된 변수 가공된 데이터를 입력으로 하고, 출력으로는 각 쇼핑몰마다의 향후 N일 동안의 카드별 할인 적용 가능성 정보(즉, '쇼핑몰별X카드별X일자별’ 카드할인 적용 가능성 정보)를 예측값으로서 출력하도록 기 학습된 할인 예측 모델일 수 있다. 즉, 단일 할인 예측 모델은, 복수의 쇼핑몰(20)로부터 수집된 과거 기간(즉, d일) 동안의 과거 카드할인 데이터를 입력으로 하여, '쇼핑몰별X카드별X일자별’ 카드할인 적용 가능성 정보(혹은, 할인여부 정보 또는 할인 확률 정보)를 미래의 카드할인 정보로서 예측하여 출력하도록 생성(학습)된 모델일 수 있다.

따라서, 일예로 모델 생성부(14)에서 생성되고 기 학습된 단일 할인 예측 모델을 이용하여 예측부(15)가 예측을 수행하고자 할 때, 예측부(15)가 '예측 대상 쇼핑몰 정보: 10개, 예측 대상 카드 정보:10개, 예측 대상 일자 정보: 7'과 같은 예측 대상 설정 정보를 단일 할인 예측 모델의 입력으로 적용한 경우, 예측부(15)는 단일 학습 예측 모델을 이용하여 예측 대상 설정 정보에 대응하는 미래의 카드할인 정보를 한번에 예측할 수 있다. 여기서, 예측 대상 설정 정보에 대응하는 미래의 카드할인 정보는, 단일 할인 예측 모델에 예측 대상 설정 정보를 입력시킴에 따른 단일 학습 예측 모델의 출력값을 의미할 수 있다. 이때, 예측 대상 설정 정보에 대응하는 미래의 카드할인 정보는, 10개의 쇼핑몰 각각마다 예측된 '10개의 카드별 7일 기간 내 일자 각각에 대한 카드할인 적용 가능성 정보'를 포함함에 따라, 총 700개(즉, 10X10X7=700개)의 카드할인 적용 가능성 정보를 포함할 수 있다.

즉, 단일 할인 예측 모델은 일예로 '예측 대상 쇼핑몰 정보: 10개, 예측 대상 카드 정보:10개, 예측 대상 일자 정보: 7'과 같은 예측 대상 정보가 입력되면, 입력에 응답하여 한번에(동시에) 700개의 카드할인 적용 가능성 정보를 출력값으로서 예측하여 도출(제공)할 수 있다. 이때, 모델 생성부(14)가 단일 할인 예측 모델을 생성함에 있어서, 단일 할인 예측 모델의 경우 상술한 쇼핑몰별 할인 예측 모델 각각과 대비하여 한번에(동시에) 예측해야 하는 출력값의 개수(정답의 개수로서, 상술한 예시에서는 700개를 의미함)가 상대적으로 많은 경우에 속하므로, 이는 XML(eXtreme Multi-label Learning) 문제가 고려되어야 한다. 따라서, 모델 생성부(14)는 단일 할인 예측 모델의 생성시, 전술한 XML 문제를 해결할 수 있는 복수의 제2 알고리즘 중 적어도 하나를 사용함으로써 단일 할인예측 모델을 생성할 수 있다. 여기서, 복수의 제2 알고리즘은 일예로 PECOS(Prediction for enormous and correlated output spaces) 알고리즘, PLT 등을 포함할 수 있다.

상술한 바에 따르면, 모델 생성부(14)는 할인 예측 모델과 관련하여, 쇼핑몰별 할인 예측 모델 및 단일 할인 예측 모델을 포함한 복수개의 할인 예측 모델을 생성할 수 있으며, 예측부(15)는 복수개의 할인 예측 모델 중 적어도 하나를 이용하여 미래의 카드할인 정보를 예측할 수 있다.

다만, 이에만 한정되는 것은 아니고, 모델 생성부(14)는 전술한 복수개의 학습 예측 모델 외에도, 각 단위(쇼핑몰, 카드, (1~N일))별로 개별 모델을 생성할 수도 있고, 일자마다 쇼핑몰별카드별 예측 모델을 생성할 수도 있으며, 있다. 여기서, 각 단위별 개별 모델의 생성시, 모델 생성부(14)는 '쇼핑몰수카드수일자수'에 해당하는 갯수 만큼의 개별 모델을 생성하고,생성된 개별 모델 각각을 학습시킬 수 있으며, 이때 단일 레이블 분류(Single-label Classification) 알고리즘을 이용하여 개별 모델을 생성할 수 있다. 또한, 일자마다 쇼핑몰별카드별 예측 모델의 생성시, 모델 생성부(14)는 1, 2, … , N일 각각에 대한 모델을 생성한 후, 생성된 각 모델이 출력으로서 모든 쇼핑몰과 카드에 대해 한번에 카드할인 적용 가능성 정보(즉, 할인 여부 정보나 할인 확률 정보)를 예측값으로 출력하도록 생성하고 학습시킬 수 있고, 이때 멀티 레이블 분류(Multi-label Classification) 알고리즘을 이용하여 각 모델을 생성할 수 있다. 예측부(15)는 이들을 이용해 미래의 카드할인 정보를 예측할 수도 있으나, 바람직하게는 전술한 복수개의 학습 예측 모델(즉, 쇼핑몰별 할인 예측 모델 및 단일 할인 예측 모델)을 이용하여 미래의 카드할인 정보를 예측함이 보다 바람직할 수 있다.

모델 생성부(14)에 의해 생성된 할인 예측 모델은, 기계학습(머신러닝)을 기반으로 생성된 향후(미래)의 카드할인 정보를 예측하기 위한 예측 모델을 의미할 수 있다. 할인 예측 모델은 미래의 향후 N일에 대하여 카드할인 여부(즉, 카드할인이 진행될 것인지 여부, 내지 카드할인이 진행될 확률에 대한 정보), 및 할인율 등의 정보를 예측하도록 학습될 수 있다.

모델 생성부(14)에서 생성된 할인 예측 모델은, 기계학습(머신러닝) 모델일 수 있으며, 이러한 기계학습 모델은 딥러닝 모델, 인공지능(AI, artificial intelligence) 알고리즘 모델, 신경망 모델(인공 신경망 모델), 뉴로 퍼지 모델 등을 의미할 수 있고, 예시적으로 컨볼루션 신경망(Convolution Neural Network, CNN, 합성곱 신경망), 순환신경망(RNN, Recurrent Neural Network), 딥 신경망(Deep Neural Network) 등 종래에 이미 공지되었거나 향후 개발되는 다양한 기계학습 모델이 적용될 수 있다.

모델 생성부(14)에서 생성된 할인 예측 모델은, 미래의 카드할인 정보(즉, 카드할인 적용 가능성 정보, 카드할인 여부 정보, 할인 확률 정보, 할인율 등의 정보)를 학습하고 예측함에 있어서, 기계학습 모델의 특성상 결과값으로서 확률값(즉, 카드할인 적용 가능성에 대한 확률값)을 출력할 수 있다. 이때, 예측부(15)는 할인 예측 모델에서 출력된 확률값을 기준으로, 확률값의 레벨에 따라 미래의 카드할인 정보를 생성하여 제공할 수 있다. 일예로, 미래의 카드할인 정보는 i) 카드할인함 또는 카드할인하지 않음으로 표시되는 제1 표시 유형, ii) 카드할인 적용 가능성과 관련하여 높음, 보통 및 낮음 중 어느 하나로 표시되는 제2 표시 유형, iii) 확률값(일예로, 0.0, 0.2, 0.4, 1.0 등)으로 표시되는 제3 표시 유형 중 적어도 하나의 표시 유형으로 제공될 수 있다. 이때, 제3 표시 유형과 관련하여, 0.0이 최소값, 1.0이 최대값일 수 있고, 숫자가 커질수록 카드할인 적용 가능성이 높음(즉, 해당 날짜에 특정 카드와 관련해 특정 쇼핑몰에서 카드할인이 이루어질 가능성이 높음)을 의미할 수 있다.

즉, 앞서 말한 바와 같이 기계학습 모델의 특성상 할인 예측 모델은 출력값으로서 확률값(확률 수치값)을 결과로 출력할 수 있는데, 이때 예측부(15)는 할인 예측 모델을 이용해 미래의 카드할인 정보를 예측함에 있어서, 할인 예측 모델의 출력값인 확률값이 특정 값보다 높을 경우 할인으로 간주(일예로, 확률값이 0.7이상이면 카드할인 함 또는 카드할인 적용 가능성 높음으로 간주)하여, 이를 토대로 미래의 카드할인 정보를 생성헤 제공할 수 있으며, 다만, 이에만 한정되는 것은 아니고, 할인 예측 모델의 출력값인 확률값을 그대로 활용하여 미래의 카드할인 정보를 생성하여 제공할 수도 있다.

모델 생성부(14)에서 할인 예측 모델의 생성이 이루어지면, 이후 예측부(15)는 수집부(11)에서 쇼핑몰(21)로부터 수집된 과거 카드할인 데이터를 기초로 생성된 할인 예측 모델을 이용하여 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)를 예측할 수 있다. 예측부(15)는 쇼핑몰별 할인 예측 모델 및 단일 할인 예측 모델을 포함한 복수개의 할인 예측 모델 중 적어도 하나의 할인 예측 모델을 이용하여 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)를 예측할 수 있다.

뿐만 아니라, 예측부(15)는 복수개의 할인 예측 모델 중 적어도 하나의 할인 예측 모델을 이용하여, 복수의 쇼핑몰(20) 각각에 대응하는 미래의 카드할인 정보, 즉 복수의 쇼핑몰(20) 각각마다의 각 쇼핑몰별 미래의 카드할인 정보(d1, d2, …)를 예측할 수 있다. 본 발명을 설명함에 있어서, 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)에 대하여 설명된 내용은, 이하 생략된 내용이라 하더라도 복수의 쇼핑몰(20) 각각에 대한 미래의 카드할인 정보(d1, d2, …)에 대한 설명에도 동일하게 적용될 수 있다.

쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)는 일예로 도 4에 도시된 것과 같은 형태로 사용자 단말(1)로 제공될 수 있다.

구체적으로, 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)는, 쇼핑몰(21)에서 할인 예측 모델로 예측이 이루어진 예측 시점을 기준으로 향후 기 설정된 일수(N일)에 대한 카드할인 적용 가능성(즉, 진행 가능성, 카드할인이 이루어질 가능성/확률, 카드할인의 진행 확률)을 복수의 카드별로 나타낸 정보를 의미할 수 있다. 즉, 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)는, 예측 시점을 기준으로 그 이후의 기 설정된 일수에 대응하는 기간 내 일자 각각에 대한 카드할인 적용 가능성을 복수의 카드별로 나타낸 정보를 의미할 수 있다.

본 발명에서, 카드할인 적용 가능성이라 함은, 특정 쇼핑몰에서 미래(향후)의 특정 날짜에 특정 카드를 이용한 할인(즉, 카드할인)이 이루어질 가능성(즉, 해당 특정 카드를 이용한 카드할인 이벤트가 진행될 가능성)에 대한 정보를 의미할 수 있다. 이러한 카드할인 적용 가능성이라는 용어는, 카드할인 진행 가능성, 카드할인이 이루어질 가능성, 카드할인 여부(할인 여부), 카드할인 확률(할인 확률) 등의 용어로 달리 지칭될 수 있다.

또한, 상술한 설명에서 기 설정된 일수는 N일로 표현될 수 있고, 여기서 N 값은 1 이상의 자연수 값 중 어느 한 값일 수 있다. 이러한 기 설정된 일수는 사용자에 의해 설정되는 정보일 수 있고, 특히 사용자가 사용자 단말(1)을 이용해 후술하여 설명하는 예측 대상 설정 정보 내 예측 대상 일자 정보를 입력함으로써 설정되는 정보일 수 있다.

예측부(15)는 사용자 단말(1)로부터 예측 대상 설정 정보가 수신되면, 수신된 예측 대상 설정 정보를 학습 예측 모델(이는 복수개의 할인 예측 모델 중 적어도 하나의 할인 예측 모델을 의미할 수 있음)의 입력으로 적용함으로써, 학습 예측 모델로부터 예측 대상 설정 정보에 대응하는 미래의 카드할인 정보를 획득할 수 있다.

이때, 예측 대상 설정 정보는 예측 대상 쇼핑몰 정보, 예측 대상 카드 정보 및 예측 대상 일자 정보를 포함할 수 있다.

여기서, 예측 대상 쇼핑몰 정보는 미래의 카드할인 정보를 예측하고자 하는 대상이 되는 쇼핑몰을 의미하는 것으로서, 복수의 쇼핑몰(20) 중 적어도 하나의 쇼핑몰의 정보를 포함할 수 있다. 예측 대상 카드 정보는 미래의 카드할인 정보를 예측하고자 하는 대상이 되는 카드를 의미하는 것으로서, 현존하는 복수의 카드 중 적어도 하나의 카드의 정보(일예로, 신한카드, 국민카드 등)를 포함할 수 있다. 예측 대상 일자 정보는 미래의 카드할인 정보를 예측하고자 하는 대상이 되는 일자를 의미하는 것으로서, 일예로 1 이상의 자연수 값 중 어느 한 값을 포함할 수 있으나, 다만 이에만 한정되는 것은 아니고, 날짜 기간 정보를 포함할 수도 있다.

예측 대상 일자 정보는, 예측부(15)에서 미래의 카드할인 정보의 예측이 이루어지는 예측 시점을 기준으로, 예측 시점 그 이후의 날짜를 대상으로 설정되는 일자 정보를 의미할 수 있다. 예시적으로, 예측 시점인 오늘이 2022년 11월 1일이라고 하자. 이때 일예로 사용자 단말(1)로부터 수신된 예측 대상 일자 정보가 '1'인 경우, 예측부(15)는 2022년 11월 2일(미래)에 해당하는 카드할인 정보를 예측할 수 있다. 다른 예로, 사용자 단말(1)로부터 수신된 예측 대상 일자 정보가 '7'인 경우, 예측부(15)는 2022년 11월 2일부터 2022년 11월 8일에 해당하는 7일의 기간(미래의 7일 기간) 동안에 대하여, 7일 기간 내 일자(날짜) 각각의 카드할인 정보(즉, 2일에 해당하는 카드할인 정보, 3일에 해당하는 카드할인 정보, …, 8일에 해당하는 카드할인 정보)를 예측할 수 있다. 또 다른 예로, 사용자 단말(1)로부터 수신된 예측 대상 일자 정보가 '시작: 2022년 11월 22일, 종료: 2022년 11월 28일'와 같은 날짜 기간 정보인 경우, 예측부(15)는 날짜 기간 정보의 기간 내 일자(날짜) 각각의 카드할인 정보(즉, 22일에 해당하는 카드할인 정보, 23일에 해당하는 카드할인 정보, …, 28일에 해당하는 카드할인 정보)를 예측할 수 있다.

도 4에는 예시적으로 쇼핑몰(21)이 CJ 온스타일인 경우일 때, 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)로서, 16일~22일에 해당하는 7일(즉, 기 설정된 일수 N=7) 각각 내 일자 각각에 대한 복수의 카드별(즉, CJ카드, NH농협카드, 국민카드 등 복수개의 카드별로) 카드할인 적용 가능성 정보가 사용자 단말(1)의 화면에 표시되어 있음을 확인할 수 있다. 특히나, 도 4에는 복수의 쇼핑몰(20) 각각에 대한 미래의 카드할인 정보로서, 일예로 제1 쇼핑몰인 CJ온스타일 쇼핑몰에 대한 미래의 카드할인 정보(d1)와 제2 쇼핑몰인 현대홈쇼핑(Hmall)에 대한 미래의 카드할인 정보(d2) 등이 사용자 단말(1)의 화면 상에 표출되어 있는 상태의 예가 도시되어 있다. 이에 따르면, 예측부(15)는 복수개의 할인 예측 모델 중 적어도 하나를 이용해 적어도 하나의 쇼핑몰에 대한 미래의 카드할인 정보를 예측할 수 있다.

제어부(16)는 예측부(15)에서 예측된 복수의 쇼핑몰별 미래의 카드할인 정보(d1, d2, …) 중 적어도 하나의 미래의 카드할인 정보를 사용자 단말(1)의 화면 상에 표시되도록 사용자 단말(1)로 제공할 수 있다. 특히나, 제어부(16)는 사용자 단말(1)로부터 예측 대상 설정 정보가 수신된 경우, 예측부(15)에서 예측(도출, 출력, 제공)된 예측 대상 설정 정보에 대응하는 미래의 카드할인 정보를 사용자 단말(1)로 제공하여 사용자 단말(1)의 화면 상에 표시되도록 할 수 있다.

제어부(16)는 본 장치(10)와 네트워크(3)를 통해 연동된 사용자 단말(1)의 작동을 제어할 수 있다. 제어부(16)는 사용자 단말(1)의 작동으로서, 사용자 단말(1)의 화면 표시 등을 제어할 수 있다.

또한 예측부(15)에서 예측된 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)는 일예로 도 4에 도시된 것과 같이 n 행 x m 열의 표의 형태로 생성될 수 있다. 이때, 사용자 단말(1)로부터 예측 대상 설정 정보가 수신된 상태일 때, n 행의 개수는 사용자가 입력한 예측 대상 카드 정보 내 카드의 개수와 대응되도록 설정되고, m 열의 개수는 예측 대상 일자 정보 내 일자(날짜)의 개수와 대응되도록 설정될 수 있다. 도 4에는 일예로 쇼핑몰(21)의 미래의 카드할인 정보(d1)의 경우, 사용자가 입력한 예측 대상 카드 정보 내 카드의 개수가 8개이고, 예측 대상 일자 정보 내 일자의 개수가 7개임(16일~22일까지 7일임)에 따라, 8 x 7 에 해당하는 표의 형태로 생성되어 있음을 확인할 수 있다.

만약, 예측 대상 설정 정보가 수신되지 않은 경우, 예측부(15)는 복수의 쇼핑몰(20) 각각의 미래의 카드할인 정보를 예측할 때, 본 장치(10)를 관리하는 관리자에 의해 미리 설정된 기설정 예측 대상 설정 정보를 기반으로 복수의 쇼핑몰(20) 각각의 미래의 카드할인 정보를 예측할 수 있다. 여기서, 기설정 예측 대상 설정 정보와 예측 대상 설정 정보는 서로 간에 해당 정보를 입력한 주체가 상이(즉, 전자는 관리자에 의해 입력된 정보이고, 후자는 사용자에 의해 입력된 정보임)하다는 점에서 차이가 있을 뿐, 서로 동일한 정보일 수 있는바, 예측 대상 설정 정보에 대하여 설명한 내용은 기설정 예측 대상 설정 정보에 대한 설명에도 동일하게 적용될 수 있다.

제어부(16)는 예측부(15)에서 예측된 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)를 n 행 x m 열의 표의 형태로 생성하여 사용자 단말(1)의 화면에 표시할 때, 복수의 카드별 기 설정된 일수 내 일자 각각에 대한 카드할인 적용 가능성(확률값)의 레벨(수준, 범위)에 따라, n 행 x m 열의 표 내 각 셀의 표시 색상을 달리하여 사용자 단말(1)의 화면에 표시할 수 있다.

여기서, 카드할인 적용 가능성의 레벨은 예시적으로 3개의 레벨로 구분될 수 있다. 3개의 레벨 중 제1 레벨은 할인 예측 모델에서 출력된 확률값이 일예로 0.7(혹은 70%) 이상 1.0(혹은 100%) 이하의 범위를 갖는 레벨로서, 이는 카드할인 적용 가능성이 '높음' 수준을 나타내는 레벨을 의미할 수 있다. 제2 레벨은 할인 예측 모델에서 출력된 확률값이 일예로 0.4(혹은 40%) 이상 0.7(혹은 70%) 미만의 범위를 갖는 레벨로서, 이는 카드할인 적용 가능성이 ‘보통’ 수준을 나타내는 레벨을 의미할 수 있다. 제3 레벨은 할인 예측 모델에서 출력된 확률값이 일예로 0.00(혹은 0%) 이상 0.4(혹은 40%) 미만의 범위를 갖는 레벨로서, 이는 카드할인 적용 가능성이 ‘낮음’ 수준을 나타내는 레벨을 의미할 수 있다.

이때, 제어부(16)는 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)를 n 행 x m 열의 표의 형태로 생성하여 사용자 단말(1)의 화면에 표시할 때, 복수의 카드별 기 설정된 일수 내 일자 각각에 대한 카드할인 적용 가능성(확률값)을 기반으로, 표 내의 복수개의 셀 중 카드할인 적용 가능성이 제1 레벨에 속하는 셀을 제1 색상으로 표시하고, 카드할인 적용 가능성이 제2 레벨에 속하는 셀을 제2 색상으로 표시하며, 카드할인 적용 가능성이 제3 레벨에 속하는 셀을 제3 색상으로 표시한 상태로 미래의 카드할인 정보(d1)를 화면에 표시할 수 있다.

여기서, 제1 색상, 제2 색상 및 제3 색상은 본 장치(10)를 관리하는 관리자에 의해 서로 간에 각기 다른 색상(컬러)로 설정될 수 있다. 예시적으로 도 4에는 제1 색상이 빨간색, 제2 색상이 초록색, 제3 색상이 회색으로 설정되어 있음을 확인할 수 있다.

제어부(16)는 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)를 사용자 단말(1)의 화면에 표시할 때, 일예로 도 4에 도시된 것과 같이 n 행 x m 열의 표의 형태로 표시하되, 특히나 카드할인 적용 가능성의 레벨에 따라 셀 색상이 달리 표시되어 있는 상태의 n 행 x m 열의 표의 형태로 사용자 단말(1)의 화면에 표시할 수 있다. 이는 미래의 카드할인 정보(d1)를 앞서 말한 제2 표시 유형으로 표시해 제공하되, 이에 추가적으로 색상을 더 고려해 제2 표시 유형으로 표시해 제공하는 경우의 예라 할 수 있다.

다만, 이에만 한정되는 것은 아니고, 다른 예로 제어부(16)는 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)를 사용자 단말(1)의 화면에 표시할 때, 도 3에 도시된 것과 같이 n 행 x m 열의 표의 형태로 표시하되, 특히나 카드할인 적용 가능성을 할인 예측 모델에서 출력된 확률값 자체로 표시한 상태의 n 행 x m 열의 표의 형태로 사용자 단말(1)의 화면에 표시할 수 있다. 이는 미래의 카드할인 정보(d1)를 앞서 말한 제3 표시 유형으로 표시해 제공하는 경우의 예라 할 수 있다.

도 3을 참조하면, 제어부(16)는, 예측부(15)에서 할인 예측 모델로 예측된 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1)를 확률값으로 표시하여 도 3에 도시된 것과 같은 형태로 사용자 단말(1)의 화면에 제공할 수 있다. 이때, 쇼핑몰(21)에 대한 미래의 할인카드 정보(d1)는 쇼핑몰(21)에 대응하도록 생성된 할인 예측 모델(개별 할인 예측 모델) 또는 단일 할인 예측 모델을 이용하여 도출된 정보일 수 있다.

도 3에서, 일예로 'CJ온스타일_CJ카드'에 대한 향후 기 설정된 일수 내 일자별(즉, 2022년07월25일 부터 2022년 07월 31일 까지에 해당하는 날짜 기간 내 일자 각각) 미래의 카드할인 정보는 모두 1.0이라는 확률값으로 표시되어 있음을 확인할 수 있다. 이는 CJ 카드(일예로 CJ 현대카드)의 경우 CJ온스타일 쇼핑몰의 제휴카드임에 따라 상시 해당 CJ 카드로의 할인이 이루어지기 때문에, 1.0 값으로 표시되는 것일 수 있다.

반면, 도 3에 도시된 예측 결과(즉, 예측부(15)에 의해 예측되어 확률값으로 표시된 쇼핑몰(21)에 대한 미래의 카드할인 정보(d1))를 참조하면, 'CJ 카드'를 제외한 나머지 카드들(일예로 삼성카드, 국민카드 등)은 일자별로(즉, 예측 대상 일자 정보 내 일자 각각별로)로 카드할인 적용 가능성의 레벨(혹은, 카드할인 여부)이 수시로 변경됨을 확인할 수 있다. 이는 해당 쇼핑몰(CJ온스타일 쇼핑몰)에서 하루에 반드시 1개의 카드(1개의 카드사의 카드)로만 할인 이벤트가 진행되는 것이 아니라, 보통의 경우 1개 이상의 카드로 할인을 진행(즉, 1개 이상의 카드사에서 카드할인 이벤트를 진행)하는 경우가 많기 때문이라 할 수 있다. 즉, 해당 쇼핑몰에 제휴된 카드를 제외한 다른 카드들(일예로 삼성카드, 국민카드 등)은 일자별로 할인여부가 수시로 변경되며, 보통 동시에 1~2개 카드사에서 할인이 되고(드물게 3개 이상도 할인이 되며) 반드시 하나의 카드사만 할인되는 것이 아니므로, 이는 Multi-class가 아닌 Multi-label Classification(멀티 레이블 분류) 문제라 할 수 있어, 본 장치(10)에서 모델 생성부(14)는 이를 고려해 할인 예측 모델을 생성할 수 있다.

상술한 설명에 따르면, 모델 생성부(14)에서 할인 예측 모델이 생성된 이후, 예측부(15)는 생성된 할인 예측 모델을 이용해 복수의 쇼핑몰(20) 각각에 대하여 미래의 카드할인 정보를 예측할 수 있다.

이때, 모델 생성부(14)는 생성된 할인 예측 모델에 대하여 성능을 평가하는 성능 평가부(미도시)를 포함할 수 있다.

이때, 성능 평가부(미도시)는 별도로 기 확보된 검증용 데이터를 모델 생성부(14)에서 생성된 할인 예측 모델에 입력하여 예측 결과를 생성하고, 예측 결과와 정답과의 차이를 정량적으로 평가함으로써 모델의 적합성과 성능을 판단하고 결정할 수 있으며, 이러한 과정은 검증데이터 집합(Validation Set) 기반 성능 측정 과정이라 지칭될 수 있다.

할인 예측 모델(즉, 기계학습 모델)을 생성(구현)하기 위해서는 Validation Set을 생성해야 할 필요가 있다. Validation Set은 검증데이터 집합을 의미하는 것으로서, 기계학습(머신러닝) 모델을 검증하기 위한 데이터셋, 즉, 성능 평가를 위한 데이터 셋이라 할 수 있다. 일반적으로 훈련 셋(train set), 테스트 셋(test set), 및 검증데이터 셋(Validation Set)은 전체 데이터 셋을 대상으로 6:2:2의 비율로 생성된다.

모델(기계학습 모델) 검증 과정에서는 모델의 성능을 평가하고, 그 결과를 토대로 모델을 튜닝하는 작업을 진행한다. 반면 모델 평가 과정에서는 최종적으로 '이 모델이 실전에서 이만큼 성능을 낼 것이다!' 라는 것을 확인하는 단계라 할 수 있다. 그렇기 때문에, 모델 검증 과정과 모델 평가 과정에서 사용하는 데이터셋은 서로 분리되어야 함이 바람직할 수 있다. 만약 모델 검증에 쓰였던 데이터를 모델 평가 단계에서도 사용한다면 당연히 높은 점수를 낼 것이기 때문이다. 여기서, 모델 검증 과정에서 이용되는 데이터 셋이 검증데이터 셋(Validation Set)이고, 모델 평가 과정에서 이용되는 데이터 셋이 테스트 셋(test set)일 수 있다. 정리하면, Test Set는 모델 튜닝을 모두 마치고 실전에 투입하기 전에 딱 1번(모델 평가 과정)만 사용하는 것이 보다 바람직할 수 있고, 그래서 모델을 튜닝할 때는 별도의 Validation Set을 이용하고, 이는 훈련 세트를 조금 떼어서 만들어지는 것일 수 있다.

보통 검증세트(Validation Set)를 분할할 때는 전체 데이터 세트를 8 : 2로 나누어 훈련 세트와 테스트 세트를 만들고, 다시 훈련세트를 8 : 2로 나누어 훈련세트와 검증세트를 만든다.

모델 생성부(14)는 성능 평가부(미도시)에서 성능 평가 결과 생성된 할인 예측 모델의 성능이 기 설정된 기준치 미만인 것으로 확인되는 경우, 다시 전처리부(12)에서 과거 카드할인 데이터에 대한 전처리 내지 변수 가공 등이 이루어지도록 할 수 있다.

만약, 모델 생성부(14)는 성능 평가부(미도시)에서 성능 평가 결과 생성된 할인 예측 모델의 성능이 기 설정된 기준치 이상인 것으로 확인되는 경우, 생성된 할인 예측 모델이 적합한 것으로 평가되는 적합 할인 예측 모델인 것으로 인식(판단)할 수 있다. 이후, 예측부(15)는 모델 생성부(14)에서 적합한 것으로 평가된 적합 할인 예측 모델을 이용하여 미래의 카드할인 정보에 대한 예측을 수행할 수 있다. 즉, 예측부(15)가 예측 수행시 이용하는 할인 예측 모델은, 성능 평가가 이루어지고 적합한 것으로 평가된 적합 할인 예측 모델일 수 있다. 즉, 본 발명에서 고려되는 할인 예측 모델은, 향후 N일 동안의 각 쇼핑몰마다의 카드별 카드할인 적용 가능성(즉, 카드할인 여부/확률)을 도출하는 데에 이용(활용)될 수 있다.

즉, 본 장치(10)는 할인 예측 모델을 이용하여 향후 N일 동안의 각 쇼핑몰별 신용카드의 할인 시점을 예측할 수 있다. 이때, 할인 예측 모델은 과거의 쇼핑몰별X카드별 즉시/청구할인 데이터를 입력으로 하고, 향후 N일간의 쇼핑몰별X카드별 카드할인 적용 가능성(즉, 카드할인 발생 확률)을 출력하도록 학습된 모델일 수 있다. 할인 예측 모델의 입력값은 예시적으로 '더현대닷컴-삼성카드-7% 즉시할인' 등과 같은 정보일 수 있고, 할인 예측 모델의 출력값은 일예로 '현 시점으로부터 3일 후, 더현대닷컴- 삼성카드- 5%' 등과 같은 정보일 수 있다.

본 장치(10)는 복수의 쇼핑몰(20) 각각으로부터 수집된 과거 카드할인 데이터에 대하여 전처리를 수행하는 과정(step 1), 이후 예측하고자 하는 쇼핑몰과 관련하여 변수 가공을 수행하는 과정(step 2), 이후 날짜별 신용카드 할인여부를 시계열 가공하는 과정(step 3), 카드의 할인여부(즉, 카드할인 적용 가능성)를 예측하는 할인 예측 모델을 생성하는 과정(step 4), 이후 생성된 할인 예측 모델에 대하여 검증데이터 셋(Validation Set)으로 성능 평가 및 측정을 수행하는 과정(step 5), 이때 step 5에서 측정된 성능이 적절하지 않으면 다시 step2의 과정으로 돌아가 변수가공을 재수행하고, step 5에서 측정된 성능이 적절하면 이후 생성된 할인 예측 모델로 향후 N일 간 카드별 할인여부(즉, 카드할인 적용 가능성)을 예측한 결과를 제공하는 과정(step 6)을 수행할 수 있다. 이러한 본 장치(10)는 특정 쇼핑몰에서 향후에 이루어질 특정 카드에 대한 할인 정보(즉, 미래의 카드할인 정보)를 사용자 단말(1)로 제공할 수 있다.

이러한 본 장치(10)는 복수의 쇼핑몰(20) 각각에 대해 각 쇼핑몰에서 향후 카드할인이 이루어질 시점을 카드별로 예측한 카드별 미래의 카드할인 정보를 도출(예측)하여 이를 사용자 단말(1)로 제공할 수 있는바, 사용자가 온라인 쇼핑몰에서 상품을 구매함에 있어서 보다 계획적이고 합리적으로 상품의 구매가 가능하도록 하고, 상품 구매의 만족률을 높일 수 있다. 한편, 본 장치(10)는 다음과 같은 기능들을 제공할 수도 있다.

일예로, 제어부(16)는 쇼핑몰(21, 제1 쇼핑몰)에서 판매되는 상품에 대한 구매신호가 사용자 단말(1)에서 감지된 경우, 사용자 단말(1)에 대하여 기 설정된 결제 프로세스를 진행함으로써 사용자 단말(1)에서 상기 구매 신호에 대응하는 상품의 결제 및 구매가 완료되도록 할 수 있다.

이때, 기 설정된 결제 프로세스는, 사용자 단말(1) 내에 사용자가 소유한 소유카드로서 복수개의 소유카드가 기 등록되어 있는 경우, 결제 프로세스가 진행되는 현 시점에 사용자 단말(1)에 기 등록된 복수개의 소유카드 각각의 소유카드 실적 정보를 획득하고, 획득된 소유카드 실적 정보를 고려하여 상기 복수개의 소유카드 중 상기 현 시점에 실적 미충족 금액의 값이 가장 낮은 어느 한 소유카드를 식별하며, 식별된 상기 어느 한 소유카드로 상품에 대한 결제가 이루어지도록 하는 프로세스를 의미할 수 있다. 이때, 기 설정된 결제 프로세스는 일예로 사용자 단말(1)에서 실적 기반 결제 진행 동의란에 대한 사용자의 입력(체크)이 이루어진 경우에 한하여 진행되는 결제 프로세스일 수 있다.

상술한 설명에서, 소유카드 실적 정보는, 각 소유카드에서 서비스하는 혜택을 제공받기 위해 사용자가 이용(달성)해야 하는 소유카드 사용 금액에 관한 정보를 의미할 수 있다. 이러한 소유카드 실적 정보는 각 소유카드의 실적 기간, 실적 기준 금액, 상기 현 시점(즉, 결제 프로세스가 진행되는 현 시점)까지의 사용자의 소유카드 사용에 따른 실적 충족 사용 금액과 실적 미충족 금액, 및 상기 실적 기준 금액을 기준으로 한 실적 충족 여부에 관한 정보를 포함할 수 있다.

통상 사용자가 소유한 각각의 카드(소유카드)마다는 실적 기간, 실적 기준 금액 등에 관한 정보가 카드사마다 및 카드의 종류에 따라 모두 상이하게 설정되어 있다. 예시적으로 현대카드는 매월 1달(1일부터 말일)을 기준으로 실적 기간이 설정되어 있고, 실적 기준 금액이 30만원으로 설정되어 있을 수 있다. 다른 예로, 롯데카드는 이번달 5일부터 다음달 5일을 기준으로 하여 실적 기간이 설정되어 있을 수 있으며, 실적 기준 금액은 20만원으로 설정되어 있을 수 있다. 이처럼, 각 카드마다는 해당 카드들에서 제공하는 혜택을 받기 위해 각 카드사에서 카드 종류별로 설정해둔 실적 정보(카드 실적 정보)에 맞는 기준(즉, 실적 기준 금액)을 충족해야만 헤택을 제공받는 것이 가능하다. 여기서, 혜택은 예시적으로 영화 2000원 할인, 놀이동산 50%할인, 커피숍 30% 할인 등의 할인 혜택을 의미할 수 있다.

그런데, 사용자가 복수의 카드를 소지하고 있는 경우가 있는데, 자신이 각 소유카드의 실적을 충족하는지를 확인하기 위해서는 종래에 각 카드사의 홈페이지에 접속하여 하나하나(일일이) 확인해야 했는바, 불편한 측면이 있었다. 각 카드에서 정해진 실적 기준을 충족하기만 하면 혜택 이용이 가능하므로, 사용자는 복수의 카드를 소지하고 있을 경우, 각 소유카드마다의 실적 기준에 해당하는 금액 만큼만 소유카드들을 사용할 경우 복수의 소유카드마다 제공하는 많은 혜택들을 두루두루 제공받을 수 있게 될 것이다.

이러한 점에 착안하여, 제어부(16)는 사용자가 소지(소유)한 복수의 소유카드가 두루 카드실적을 모두 충족할 수 있도록 해 보다 많은 혜택을 제공받을 수 있도록 하고자, 사용자 단말(1)에서 상술한 기 설정된 결제 프로세스로 결제가 진행되도록 할 수 있다. 즉, 제어부(16)는 사용자가 소지한 복수의 소유카드 각각의 소유카드 실적 정보를 고려해 복수의 소유카드 중 어느 소유카드가 우선으로 결제되도록 할지를 자동으로 선정하되, 이때 우선 결제될 소유카드로서 복수의 소유카드 중 실정 미충족 금액이 가장 낮은 소유카드를 선정하여 선정된 해당 소유카드(즉, 실적 미충족 금액이 가장 낮은 소유카드)로 결제가 진행되도록 할 수 있다.

구체적인 예로, 기 설정된 결제 프로세스에 의하면, 제어부(16)는 일예로 기 등록된 복수개의 소유카드가 3개이고, 3개의 소유카드 각각의 소유카드 실적 정보를 확인한 결과, 3개의 소유카드 중 제1 소유카드의 경우 이미 실적을 충족한 소유카드(즉, 일예로 제1 소유카드의 실적 기준 금액이 30만원인데 이미 현 시점에 45만원이 사용된 소유카드)인 것으로 판단되고, 제2 소유카드의 경우 실적 미충족 금액이 2만원(즉, 일예로 제2 소유카드의 실적 기준 금액이 20만원인데 현 시점에 18만원이 사용된 소유카드)인 것으로 판단되며, 제3 소유카드의 경우 실적 미충족 금액이 10만원(즉, 일예로 제3 소유카드의 실적 기준 금액이 30만원인데 현 시점에 20만원이 사용된 소유카드)인 것으로 판단되는 경우, 기 등록된 복수개의 소유카드 중 제2 소유카드가 실적 미충족 금액의 값이 가장 낮은 소유카드인 것으로 식별할 수 있다. 이후, 제어부(16)는 사용자 단말(1)에서 감지된 구매 신호에 응답하여, 제2 소유카드로 상품에 대한 결제가 이루어지도록 할 수 있다.

상술한 기 설정된 결제 프로세스에 의하면, 본 장치(10)는 사용자가 복수의 소유카드를 사용자 단말(1)에 등록해둔 상태에서 특정 쇼핑몰에서 상품에 대한 구매 및 결제를 수행하려 하는 경우에 대하여, 복수의 소유카드가 모두 실적 기준 금액을 두루 충족할 수 있도록 하는 형태로 결제가 이루어지도록 할 수 있어, 사용자가 보다 복수의 소유카드 각각에서 제공되는 다양한 혜택들을 모두 누릴 수 있도록 할 수 있다.

즉, 본 장치(10)는 상술한 기 설정된 결제 프로세스로 결제가 이루어지도록 함으로써, 사용자가 복수의 카드를 소유(소지)하고 있는 상태일 때 특정 상품을 구매함에 있어서, 복수의 소유카드가 모두 최대한 실적 기준 금액을 충족할 수 있도록 하는 형태로 소유카드의 사용/소비가 이루어지도록 할 수 있다.

또한, 일예로 사용자가 쇼핑몰(21)에서 특정 상품을 구매하려 할 때, 사용자는 구매된 상품이 자신의 집으로 배송오도록 하기 위해 배송지 정보를 입력할 수 있을 것이다.

이때, 제어부(16)는 쇼핑몰(21, 제1 쇼핑몰)에서 판매되는 상품에 대한 구매신호가 사용자 단말(1)에서 감지되고, 이후 사용자 단말(1)에서 구매 상품을 배송받을 배송지 정보와 관련하여 사용자로부터 직접 타이핑으로 입력된 타이핑 대략 주소 정보가 입력된 것으로 감지된 경우, 주소 검색 사이트에서 상기 입력된 타이핑 대략 주소 정보와 대응되는 표준화된 주소 정보를 자동으로 검색하고, 이후 상기 입력된 타이핑 대략 주소 정보가 상기 검색된 표준화된 주소 정보로 자동 대체되어 적용되도록 제어할 수 있다.

통상 사용자들은 자신의 집 주소 등과 같은 특정 주소의 정보를 입력할 때, 아파트명이나 동, 호수 등의 구체적인 정보를 표준화된 주소(표준화된 도로명 주소)로 입력하기 보다는, 그 이전에 사용자가 편하게 사용해 오던 대략적인 주소 정보를 입력하는 경향이 있으며, 이러한 대략적인 주소 정보에 의하면 배송기사가 해당 주소로 상품을 배송하려 할 때, 정확한 위치를 찾기 어려워 헤매는 경우가 있을 수 있다. 또한, 통상 온라인 상에서는 특정 주소 정보를 입력함에 있어서, 칸칸마다 별도로 나뉘어 있는 여러 항목들(일예로 시, 구, 동, 상세주소, 우편번호 등) 각각을 개개로 검색하고 선택함으로써 입력이 가능한 구조이기 때문에, 사용자로 하여금 주소를 입력하는 데에 오랜 시간이 걸리고 번거로움을 야기하는 측면이 있었다.

이에, 제어부(16)는 사용자가 직접 타이핑으로 대략적인 주소를 입력하기만 하면, 자동으로 표준화된 주소로 변경시켜 배송지 정보에 반영되도록 할 수 있는바, 사용자에게 배송지 정보 입력에 대한 편의성을 제공할 수 있다.

이하에서는 상기에 자세히 설명된 내용을 기반으로, 본 발명의 동작 흐름을 간단히 살펴보기로 한다.

도 5는 본 발명의 일 실시예에 따른 카드할인 예측 방법에 대한 동작 흐름도이다.

도 5에 도시된 카드할인 예측 방법은 앞서 설명된 본 장치(10)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 본 장치(10)에 대하여 설명된 내용은 카드할인 예측 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 5를 참조하면, 단계S11에서 수집부는, 쇼핑몰로부터 과거 카드할인 데이터를 수집할 수 있다.

다음으로, 단계S12에서 예측부는, 단계S11에서 수집된 과거 카드할인 데이터를 기초로 생성된 할인 예측 모델을 이용하여 쇼핑몰에 대한 미래의 카드할인 정보를 예측할 수 있다.

여기서, 쇼핑몰에 대한 미래의 카드할인 정보는, 상기 쇼핑몰에서 상기 예측이 이루어진 예측 시점을 기준으로 향후 기 설정된 일수에 대한 카드할인 적용 가능성을 복수의 카드별로 나타낸 정보일 수 있다.

또한, 단계S12에서 예측부는, 단계S11에서 복수의 쇼핑몰 각각으로부터 과거에 진행된 카드별 과거 카드할인 데이터가 수집된 경우, 모델 생성부에서 생성된 복수개의 할인 예측 모델 중 적어도 하나의 할인 예측 모델을 이용하여, 복수의 쇼핑몰 중 적어도 하나의 쇼핑몰에 대한 미래의 카드할인 정보를 예측할 수 있다.

상술한 설명에서, 단계 S11 및 단계S12는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

본 발명의 일 실시 예에 따른 카드할인 예측 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 본 발명을 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 전술한 카드할인 예측 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 카드할인 예측 시스템
10: 카드할인 예측 장치
11: 수집부 12: 전처리부
13: 데이터베이스부 14: 모델 생성부
15: 예측부 16: 제어부
1: 사용자 단말

Claims (5)

1. 쇼핑몰로부터 과거 카드할인 데이터를 수집하는 수집부;
   상기 과거 카드할인 데이터를 기초로 생성된 할인 예측 모델을 이용하여 상기 쇼핑몰에 대한 미래의 카드할인 정보를 예측하는 예측부; 및
   상기 할인 예측 모델을 생성하는 모델 생성부를 포함하고,
   상기 수집부는, 복수의 쇼핑몰 각각으로부터 과거에 진행된 카드별 과거 카드할인 데이터를 수집하고,
   상기 모델 생성부는, 상기 복수의 쇼핑몰 각각의 카드별 과거 카드할인 데이터를 기초로 하여, 상기 할인 예측 모델로서 단일 할인 예측 모델을 생성하고,
   상기 예측부는,
   상기 단일 할인 예측 모델을 이용하여 상기 복수의 쇼핑몰 각각에 대응하는 미래의 카드할인 정보를 예측하되,
   예측 대상 쇼핑몰 정보 a개, 예측 대상 카드 정보 b개 및 예측 대상 일자 정보 c일을 포함한 예측 대상 설정 정보가 상기 단일 할인 예측 모델의 입력으로 적용된 경우,
   상기 예측 대상 설정 정보에 대응하는 미래의 카드할인 정보로서, 상기 a개의 쇼핑몰 각각마다 예측된 b개의 카드별 c일 기간 내 일자 각각에 대한 카드할인 적용 가능성 정보를 나타내는 a, b 및 c의 곱에 해당하는 개수의 카드할인 적용 가능성 정보를 출력값으로 동시에 예측하는 것인, 카드할인 예측 장치.
2. 제1항에 있어서,
   상기 과거 카드할인 데이터에 대한 전처리를 수행하는 전처리부를 더 포함하고,
   상기 할인 예측 모델은 상기 전처리부에 의해 가공된 과거 카드할인 데이터를 기초로 생성되는 것인, 카드할인 예측 장치.
3. 제1항에 있어서,
   상기 쇼핑몰에 대한 미래의 카드할인 정보는, 상기 쇼핑몰에서 상기 예측이 이루어진 예측 시점을 기준으로 향후 기 설정된 일수에 대한 카드할인 적용 가능성을 복수의 카드별로 나타낸 정보인 것인, 카드할인 예측 장치.
4. 삭제
5. 제1항에 있어서,
   상기 모델 생성부는, 상기 할인 예측 모델로서 상기 복수의 쇼핑몰 각각에 대응되는 쇼핑몰별 할인 예측 모델을 더 생성하고,
   상기 예측부는, 상기 쇼핑몰별 할인 예측 모델 및 상기 단일 할인 예측 모델을 포함한 복수개의 할인 예측 모델 중 적어도 하나의 할인 예측 모델을 이용하여 상기 복수의 쇼핑몰 각각에 대응하는 미래의 카드할인 정보를 예측하는 것인, 카드할인 예측 장치.

Images