KR102533442B1 - 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 - Google Patents
인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102533442B1 KR102533442B1 KR1020220170355A KR20220170355A KR102533442B1 KR 102533442 B1 KR102533442 B1 KR 102533442B1 KR 1020220170355 A KR1020220170355 A KR 1020220170355A KR 20220170355 A KR20220170355 A KR 20220170355A KR 102533442 B1 KR102533442 B1 KR 102533442B1
- Authority
- KR
- South Korea
- Prior art keywords
- product
- marketing
- time
- information
- area
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 238000009795 derivation Methods 0.000 title claims abstract 4
- 230000000694 effects Effects 0.000 claims abstract description 71
- 238000012552 review Methods 0.000 claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 230000004913 activation Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 abstract description 17
- 230000002860 competitive effect Effects 0.000 abstract 3
- 230000008569 process Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 206010030113 Oedema Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 230000017531 blood circulation Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0272—Period of advertisement exposure
-
- 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
-
- 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
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
일실시예에 따른 장치는 사용자의 단말로부터 제품의 제품명, 판매처, 카테고리, 판매 가격, 판매 횟수, 마케팅 금액을 포함하는 제품 정보를 수신하고, 제품을 판매하는 판매 사이트로부터 제품이 속하는 카테고리의 검색 내역, 제품과 연관되어 등록된 리뷰 및 제품과 연관되어 등록된 문의글을 포함하는 고객 활동 정보를 수집하고, 제품 정보로부터 사용자의 경쟁사 정보를 추출하고, 경쟁사 정보에 포함된 경쟁사가 판매하는 제품의 마케팅 정보를 수집하고, 고객 활동 정보로부터 제품에 대한 긍정 키워드를 추출하여 긍정 키워드 정보를 생성하고, 고객 활동 정보, 마케팅 정보 및 긍정 키워드 정보에 기초하여, 제품에 대한 마케팅 전략을 인공지능모델을 통해 생성하고, 제품에 대한 마케팅 전략을 사용자의 단말로 전송할 수 있다.
Description
아래 실시예들은 인공지능 모델을 이용하여 온라인 판매를 위한 제품의 기획 및 마케팅 전략을 도출하는 기술에 관한 것이다.
최근에는 인터넷과 같은 통신망의 발달로 인해 통신망을 이용하여 제품을 마케팅하는 방식이 활성화되고 있다. 하지만, 이와 같은 인터넷을 이용한 제품 마케팅 방식의 경우 직접 구매자를 상대로 상품을 홍보하는 방식에 비하여 고객들을 적극적으로 유도하기가 어렵다는 문제점이 있었다. 따라서, 이를 극복하기 위해서는 보다 차별화된 방법으로 고객들을 유도하고 서비스 만족도를 향상시킬 수 있는 마케팅 방법이 요구되고 있다.
기업은 자신의 상품 및 서비스를 홍보하고, 기존 소비자들을 만족시키고, 잠재적인 새로운 소비자의 마음을 움직이기 위하여 많은 시간과 비용을 투자하여 다양한 마케팅 방법을 시도하고 있지만, 마케팅 방법이 마케팅 효과 및 실효성이 있는지 판단하기에는 어려움이 있다.
따라서, 인공지능을 이용하여 온라인 판매를 위한 제품의 기획 및 마케팅 전략을 도출하는 기술에 대한 개발이 요구되는 실정이다.
실시예들은 인공지능 모델을 이용하여 온라인 판매를 위한 제품의 기획 및 마케팅 전략을 도출하는 방법을 제공하고자 한다.
실시예들은 고객 활동 정보, 마케팅 정보 및 긍정 키워드 정보를 이용하여 인공지능모델을 통해 마케팅 비용, 마케팅 시간 및 마케팅 기간을 포함하는 마케팅 전략을 생성하고자 한다.
실시예들은 고객 활동 정보, 제품을 구매한 시간, 마케팅 시간 등에 따라 제품이 판매되기 위해 생성된 판매 페이지에 제품을 마케팅하기 위해 생성한 제품의 새로운 명칭인 제품의 마케팅 네임을 포함하는 판매 페이지 문구를 동적으로 변경하여 마케팅 효과의 향상에 탁월한 효과를 얻고자 한다.
일실시예에 따르면, 장치에 의해 수행되는 방법에 있어서, 사용자의 단말로부터 제품의 제품명, 판매처, 카테고리, 판매 가격, 판매 횟수, 마케팅 금액을 포함하는 제품 정보를 수신하는 단계; 상기 제품을 판매하는 판매 사이트로부터 상기 제품이 속하는 카테고리의 검색 내역, 상기 제품과 연관되어 등록된 리뷰 및 상기 제품과 연관되어 등록된 문의글을 포함하는 고객 활동 정보를 수집하는 단계; 상기 제품 정보로부터 상기 사용자의 경쟁사 정보를 추출하는 단계; 상기 경쟁사 정보에 포함된 경쟁사가 판매하는 제품의 마케팅 정보를 수집하는 단계; 상기 고객 활동 정보로부터 상기 제품에 대한 긍정 키워드를 추출하여 긍정 키워드 정보를 생성하는 단계; 상기 고객 활동 정보, 상기 마케팅 정보 및 상기 긍정 키워드 정보에 기초하여, 상기 제품에 대한 마케팅 전략을 인공지능모델을 통해 생성하는 단계; 및 상기 제품에 대한 마케팅 전략을 상기 사용자의 단말로 전송하는 단계를 포함할 수 있다.
상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고, 상기 마케팅 전략을 인공지능모델을 통해 생성하는 단계는, 상기 고객 활동 정보, 상기 마케팅 정보 및 상기 긍정 키워드 정보를 상기 제1 인공신경망에 적용하여 상기 제품의 활성화 지수를 생성하는 단계, 상기 경쟁사 정보에 포함된 경쟁사가 판매하는 상기 제품의 평균 판매량인 경쟁사 평균 판매량을 산출하는 단계, 상기 활성화 지수에 기반하여 결정된 제1 가중치를 상기 경쟁사 평균 판매량에 적용하여, 상기 제품의 예상 판매량을 산출하는 단계, 상기 제품 정보의 마케팅 금액에 상기 산출된 예상 판매량에 기반하여 결정된 제2 가중치를 적용하여, 상기 제품의 마케팅 비용을 결정하는 단계, 상기 고객 활동 정보로부터, 상기 카테고리를 검색하는데 소요된 검색 시간 및 상기 리뷰를 등록하는데 소요된 리뷰 시간 및 상기 문의를 하는데 소요된 문의 시간을 추출하는 단계 상기 검색 시간, 상기 리뷰 시간 및 상기 문의 시간을 상기 제2 인공신경망에 적용하여, 상기 제품의 마케팅 시간을 생성하는 단계, 상기 마케팅 시간에 시간 당 마케팅 비용을 적용하여 하루 당 마케팅 비용을 산출하고, 상기 마케팅 비용에 상기 하루 당 마케팅 비용을 나누어 상기 제품의 마케팅 기간을 결정하는 단계, 및 상기 마케팅 비용, 상기 마케팅 시간 및 상기 마케팅 기간을 포함하는 마케팅 전략을 생성하는 단계를 포함할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 제품의 효과를 기재하는 제1 영역, 상기 제품의 마케팅 대상을 기재하는 제2 영역 및 상기 제품의 검색어를 기재하는 제3 영역을 포함하는 마케팅 네임 기재 영역과 상기 제품의 제품명 기재 영역을 생성하는 단계, 상기 고객 활동 정보의 리뷰로부터 긍정 키워드를 추출하고, 상기 긍정 키워드 중에서 미리 설정된 기준을 만족하는 키워드를 효과 키워드로 분류하는 단계, 상기 효과 키워드를 상기 제1 영역에 기재하는 단계, 전체 제품 구매 시간 중 상기 검색 시간에 할애한 시간이 높은 성별 및 나이를 검색 우선 그룹으로, 상기 리뷰 시간에 할애한 시간이 높은 성별 및 나이를 리뷰 우선 그룹으로, 상기 문의 시간에 할애한 시간이 높은 성별 및 나이를 문의 우선 그룹으로 선정하는 단계, 상기 마케팅 시간이 상기 검색 시간에 해당하는 경우, 상기 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 상기 제2 영역에 기재하는 단계, 상기 마케팅 시간이 상기 리뷰 시간에 해당하는 경우, 상기 리뷰 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 상기 제2 영역에 기재하는 단계, 상기 마케팅 시간이 상기 문의 시간에 해당하는 경우, 상기 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 상기 제2 영역에 기재하는 단계, 상기 고객 활동 정보의 검색 내역으로부터, 키워드를 추출하는 단계, 상기 추출된 키워드의 검색 횟수와 상기 제품의 카테고리의 검색 횟수를 비교하는 단계, 상기 추출된 키워드의 검색 횟수가 상기 제품의 카테고리의 검색 횟수 미만인 경우, 상기 제품의 카테고리를 상기 제3 영역에 기재하는 단계, 상기 추출된 키워드의 검색 횟수가 상기 제품의 카테고리의 검색 횟수 이상인 경우, 상기 추출된 키워드의 검색 횟수가 상기 제품의 카테고리의 검색 횟수 이상인 것에 해당하는 키워드를 상기 제3 영역이 기재하는 단계, 및 상기 제1 영역, 상기 제2 영역, 상기 제3 영역 및 상기 제품명 기재 영역을 결합하여, 상기 마케팅 네임을 결정하는 단계를 포함하는, 상기 제품의 판매 페이지 문구를 동적으로 변경하는 단계;를 더 포함할 수 있다.
상기 제2 영역은, 상기 마케팅 시간이 상기 검색 시간에 해당하면서, 상기 검색 시간이 미리 설정된 기준 시간 이상인 경우, 상기 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제1-1 색으로 표시하고, 상기 마케팅 시간이 상기 검색 시간에 해당하면서, 상기 검색 시간이 상기 미리 설정된 기준 시간 미만인 경우, 상기 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제1-2 색으로 표시하고, 상기 마케팅 시간이 상기 리뷰 시간에 해당하면서, 상기 리뷰 시간이 상기 미리 설정된 기준 시간 이상인 경우, 상기 리뷰 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2-1 색으로 표시하고, 상기 마케팅 시간이 상기 리뷰 시간에 해당하면서, 상기 리뷰 시간이 상기 미리 설정된 기준 시간 미만인 경우, 상기 리뷰 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2-2 색으로 표시하고, 상기 마케팅 시간이 상기 문의 시간에 해당하면서, 상기 문의 시간이 상기 미리 설정된 기준 시간 이상인 경우, 상기 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제3-1 색으로 표시하고, 상기 마케팅 시간이 상기 문의 시간에 해당하면서, 상기 문의 시간이 상기 미리 설정된 기준 시간 미만인 경우, 상기 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제3-2 색으로 표시할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 제품의 판매 페이지 문구에 게재되는 상기 제1 영역, 상기 제2 영역, 상기 제3 영역 및 상기 제품명 기재 영역의 배열을 서로 다른 제1 배열 및 제2 배열로 결정하는 단계; 상기 추출된 키워드의 검색 횟수가 홀수인 경우, 상기 제1 배열을 이용하여 상기 제1 영역, 상기 제2 영역, 상기 제3 영역 및 상기 제품명 기재 영역을 표시하는 단계; 및 상기 추출된 키워드의 검색 횟수가 짝수인 경우, 상기 제2 배열을 이용하여 상기 제1 영역, 상기 제2 영역, 상기 제3 영역 및 상기 제품명 기재 영역을 표시하는 단계를 더 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 인공지능 모델을 이용하여 온라인 판매를 위한 제품의 기획 및 마케팅 전략을 도출하는 방법을 제공할 수 있다.
실시예들은 고객 활동 정보, 마케팅 정보 및 긍정 키워드 정보를 이용하여 인공지능모델을 통해 마케팅 비용, 마케팅 시간 및 마케팅 기간을 포함하는 마케팅 전략을 생성할 수 있다.
실시예들은 고객 활동 정보, 제품을 구매한 시간, 마케팅 시간 등에 따라 제품이 판매되기 위해 생성된 판매 페이지에 제품을 마케팅하기 위해 생성한 제품의 새로운 명칭인 제품의 마케팅 네임을 포함하는 판매 페이지 문구를 동적으로 변경하여 마케팅 효과의 향상에 탁월한 효과를 얻을 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능모델을 이용하여 온라인 판매를 위한 제품의 기획 및 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공지능모델을 통해 마케팅 전략을 생성하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 제품의 마케팅 네임을 결정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제1 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제2 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제3 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제2 영역에 표시할 색상을 결정하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 마케팅 네임을 표시하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 인공지능모델을 이용하여 온라인 판매를 위한 제품의 기획 및 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공지능모델을 통해 마케팅 전략을 생성하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 제품의 마케팅 네임을 결정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제1 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제2 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제3 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제2 영역에 표시할 색상을 결정하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 마케팅 네임을 표시하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 사용자의 단말(10) 및 장치(30)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
사용자의 단말(10)은 본 발명에 따른 판매를 위한 제품을 기획하거나 마케팅하고자 하는 사용자가 사용하는 단말일 수 있다. 사용자의 단말(10)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 사용자의 단말(10)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
사용자의 단말(10)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자의 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.
사용자의 단말(10)은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 사용자의 단말(10)은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.
사용자의 단말(10)은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.
청구항에 기재된 단수의 표현은 복수를 포함하는 것으로 이해될 수 있다. 예를 들어, 청구항의 사용자는 하나의 사용자 또는 둘 이상의 사용자를 지칭할 수 있다.
장치(30)는 인공지능모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략을 도출하는 방법을 제공할 수 있다.
장치(30)는 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.
장치(30)는 사용자의 단말(10)와 유무선으로 통신하도록 구성될 수 있으며, 사용자의 단말(10)의 동작을 제어하고, 사용자의 단말(10)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 사용자의 단말(10)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망을 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 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.
도 2는 일실시예에 따른 인공지능모델을 이용하여 온라인 판매를 위한 제품의 기획 및 마케팅 전략을 도출하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(30)는 사용자의 단말(10)로부터 제품 정보를 수신할 수 있다. 이때, 제품 정보는 제품의 제품명, 판매처, 카테고리, 판매 가격, 판매 횟수, 마케팅 금액에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.
예를 들어, 제품의 카테고리는 패션의류, 패션잡화, 미용, 디지털, 식품, 여가, 스포츠, 육아, 생활용품 및 건강용품 중 적어도 하나를 포함할 수 있으나, 이에 한정되지는 않는다.
구체적으로, 장치(30)는 제품 정보에 대한 제품 정보 입력 페이지를 생성하여 사용자의 단말(10)로 전송할 수 있으며, 제품 정보 입력 페이지를 통해 제품 정보가 입력되면, 사용자의 단말(10)로부터 제품 정보를 획득하고, 제품 정보를 데이터베이스에 저장할 수 있다.
일실시예에 따르면, 장치(30)는 사용자의 단말(10)로 제품 정보를 입력하기 위한 페이지를 제공할 수 있다. 제품 정보를 입력하기 위해 제공된 페이지를 통해 제품 정보가 입력되면, 사용자의 단말(10)로부터 제품 정보에 대한 정보를 획득할 수 있다.
이때, 마케팅 금액은 사용자가 사용자의 단말(10)로부터 입력한 값으로, 사용자가 제품을 마케팅하는 데 있어서 얼만큼의 금액이 소요되기를 희망하는 지에 대한 금액을 의미할 수 있다.
S202 단계에서, 장치(30)는 제품을 판매하는 판매 사이트로부터 고객 활동 정보를 수집할 수 있다.
이때, 고객 활동 정보는 제품이 속하는 카테고리의 검색 내역, 제품과 연관되어 등록된 리뷰 및 제품과 연관되어 등록된 문의글을 포함할 수 있다.
예를 들어, 제품이 요가링인 경우, 제품이 속하는 카테고리는 스포츠일 수 있으며, 장치(30)는 판매 사이트로부터 스포츠에 해당하는 카테고리의 검색 내역을 포함하는 고객 활동 정보를 수집할 수 있다.
예를 들어, 제품이 요가링인 경우, 장치(30)는 '요가링'의 텍스트가 포함된 리뷰를 판매 사이트로부터 추출하여 제품과 연관되어 등록된 리뷰를 포함하는 고객 활동 정보를 수집할 수 있다.
예를 들어, 제품이 요가링인 경우, 장치(30)는 '요가링'의 텍스트가 포함된 문의글을 판매 사이트로부터 추출하여 제품과 연관되어 등록된 문의글을 포함하는 고객 활동 정보를 수집할 수 있다.
여기서, 문의글은 제품을 구매하였거나, 구매하고자 하는 고객이 제품의 크기, 제조사, 배송 일자, 소재, 효과, 제조국, 색상 등에 대한 정보를 문의하기 위해 제품의 판매 사이트에 등록한 글을 의미할 수 있다. 이때, 문의글은 텍스트, 이미지, 영상 등을 포함할 수 있으나, 이에 한정되지는 않는다.
이를 위해, 장치(30)는 판매 사이트를 제공하는 서버와 연결되어 있거나, 판매 사이트를 제공하는 서버를 포함하여 구현될 수 있다.
판매 사이트를 제공하는 서버는 제품이 속하는 카테고리의 검색 내역, 제품과 연관되어 등록된 리뷰 및 제품과 연관되어 등록된 문의글에 대한 정보를 제품과 매칭하여 데이터베이스에 저장할 수 있다.
S203 단계에서, 장치(30)는 제품 정보로부터 사용자의 경쟁사 정보를 추출할 수 있다.
예를 들어, 장치(30)는 제품 정보로부터 제품의 카테고리 및 판매처를 고려하여, 제품과 일치하는 카테고리를 판매하고 있는 판매처를 사용자의 경쟁사 정보로 추출할 수 있다.
이때, 경쟁사 정보는 경쟁사의 이름, 경쟁사가 판매하는 제품명, 경쟁사가 판매하는 제품의 카테고리, 경쟁사가 판매하는 제품의 판매량, 판매 기간 등을 포함할 수 있으며, 장치(30)는 데이터베이스에 경쟁사 정보를 저장할 수 있다.
S204 단계에서, 장치(30)는 경쟁사 정보에 포함된 경쟁사가 판매하는 제품의 마케팅 정보를 수집할 수 있다.
이때, 마케팅 정보는 경쟁사가 판매하고 있는 제품의 마케팅 횟수, 마케팅 기간, 마케팅 시간, 마케팅 비용, 마케팅 네임 등을 포함할 수 있다.
장치(30)의 데이터베이스에는 경쟁사가 판매하고 있는 제품의 마케팅 횟수, 마케팅 기간, 마케팅 시간, 마케팅 비용, 마케팅 네임 등을 포함하는 마케팅 정보가 저장되어 있을 수 있다.
S205 단계에서, 장치(30)는 고객 활동 정보로부터 제품에 대한 긍정 키워드를 추출하여 긍정 키워드 정보를 생성할 수 있다.
구체적으로, 장치(30)는 제품이 속하는 카테고리의 검색 내역, 제품과 연관되어 등록된 리뷰 및 제품과 연관되어 등록된 문의글을 포함하는 고객 활동 정보로부터 키워드를 추출하고, 추출된 키워드로부터 긍정 키워드를 추출할 수 있다.
이때, 긍정 키워드 정보는 추출된 긍정 키워드, 긍정 키워드의 개수, 추출된 키워드에 대하여 긍정 키워드가 차지하는 비율 등을 포함할 수 있으나, 이에 한정되지는 않는다.
S206 단계에서, 장치(30)는 고객 활동 정보, 마케팅 정보 및 긍정 키워드 정보에 기초하여, 제품에 대한 마케팅 전략을 인공지능모델을 통해 생성할 수 있다. 이때, 인공지능모델을 통해 제품에 대한 마케팅 전략을 생성하는 과정은 도 3을 참조하여 자세히 후술하기로 한다. 이때, 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함할 수 있다.
S207 단계에서, 장치(30)는 제품에 대한 마케팅 전략을 사용자의 단말(10)로 전송할 수 있다.
도 3은 일실시예에 따른 인공지능모델을 통해 마케팅 전략을 생성하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서, 장치(30)는 고객 활동 정보, 마케팅 정보 및 긍정 키워드 정보를 제1 인공신경망에 적용하여 제품의 활성화 지수를 생성할 수 있다.
구체적으로, 장치(30)는 고객 활동 정보, 마케팅 정보 및 긍정 키워드 정보에 기초하여 제1 입력 신호를 생성할 수 있다. 여기서, 제1 입력 신호는 고객 활동 정보에 대응하는 제1 값, 마케팅 정보에 대응하는 제2 값 및 긍정 키워드 정보에 대응하는 제3 값을 포함할 수 있다.
제1 인공신경망의 제1 입력 레이어는 제1 값, 제2 값 및 제3 값에 각각 적용되는 입력 노드들을 포함할 수 있다.
일실시예에 따르면, 장치(30)는 제품이 속하는 카테고리의 검색 횟수가 많을수록, 제품과 연관되어 등록된 리뷰의 개수가 많을수록, 제품과 연관되어 등록된 문의글의 개수가 많을수록 제1 값을 높게 생성할 수 있으며, 제품이 속하는 카테고리의 검색 횟수가 적을수록, 제품과 연관되어 등록된 리뷰의 개수가 적을수록, 제품과 연관되어 등록된 문의글의 개수가 적을수록 제1 값을 낮게 생성할 수 있다. 이때, 제1 값은 0과 1 사이의 실수 값일 수 있다.
일실시예에 따르면, 장치(30)는 경쟁사가 판매하고 있는 제품의 마케팅 횟수가 많을수록, 마케팅 기간이 길수록, 마케팅 시간이 길수록, 마케팅 비용이 높을수록 제2 값을 높게 생성할 수 있으며, 경쟁사가 판매하고 있는 제품의 마케팅 횟수가 적을수록, 마케팅 기간이 짧을수록, 마케팅 시간이 짧을수록, 마케팅 비용이 낮을수록 제2 값을 낮게 생성할 수 있다. 이때, 제2 값은 0과 1 사이의 실수 값일 수 있다.
일실시예에 따르면, 장치(30)는 추출된 긍정 키워드의 개수가 많을수록 제3 값을 높게 생성할 수 있으며, 추출된 긍정 키워드의 개수가 적을수록 제3 값을 낮게 생성할 수 있다. 이때, 제3 값은 0과 1 사이의 실수 값일 수 있다.
장치(30)는 제1 입력 신호를 제1 인공신경망에 적용하여 제1 출력 신호를 생성할 수 있다. 여기서, 제1 출력 신호는 0과 1 사이의 실수인 출력 값을 포함할 수 있다. 제1 인공신경망의 제1 출력 레이어는 출력 값을 생성하는 출력 노드를 포함할 수 있다.
장치(30)는 제1 출력 신호에 기초하여 제품의 활성화 지수를 생성할 수 있다.
S302 단계에서, 장치(30)는 경쟁사 정보에 포함된 경쟁사가 판매하는 제품의 평균 판매량인 경쟁사 평균 판매량을 산출할 수 있다.
장치(30)는 데이터베이스에 저장된 경쟁사 정보로부터 경쟁사가 판매하는 제품의 특정 기간 동안의 판매량을 획득할 수 있으며, 특정 기간 동안의 판매량에 대한 평균 판매량인 경쟁사 평균 판매량을 산출할 수 있다. 이때, 특정 기간은 실시예에 따라 상이하게 설정될 수 있다.
S303 단계에서, 장치(30)는 활성화 지수에 기반하여 결정된 제1 가중치를 경쟁사 평균 판매량에 적용하여, 제품의 예상 판매량을 산출할 수 있다.
이때, 제1 가중치는 제1 인공신경망을 통해 획득한 활성화 지수에 비례하는 값으로 생성될 수 있다. 즉, 제1 가중치는 제1 인공신경망을 통해 획득한 활성화 지수가 높을수록 높게 설정되고, 제1 인공신경망을 통해 획득한 활성화 지수가 낮을수록 낮게 설정될 수 있다.
장치(30)는 경쟁사 평균 판매량에 제1 가중치를 적용하여 제품의 예상 판매량을 산출할 수 있다.
S304 단계에서, 장치(30)는 제품 정보의 마케팅 금액에 산출된 예상 판매량에 기반하여 결정된 제2 가중치를 적용하여, 제품의 마케팅 비용을 결정할 수 있다.
이때, 제2 가중치는 예상 판매량에 비례하는 값으로 생성될 수 있다. 즉, 제2 가중치는 예상 판매량이 높을수록 높게 설정되고, 예상 판매량이 낮을수록 낮게 설정될 수 있다.
장치(30)는 제품 정보의 마케팅 금액에 제2 가중치를 적용하여 제품의 마케팅 비용을 결정할 수 있다.
S305 단계에서, 장치(30)는 고객 활동 정보로부터, 검색 시간 및 리뷰 시간 및 문의 시간을 추출할 수 있다.
이때, 검색 시간은 제품의 카테고리를 검색하는데 소요된 시간을 의미할 수 있고, 리뷰 시간은 리뷰를 등록하는데 소요된 시간을 의미할 수 있고, 문의 시간은 문의를 하는데 소요된 시간을 의미할 수 있다.
장치(30)는 카테고리를 검색하는데 소요된 검색 시간 및 리뷰를 등록하는데 소요된 리뷰 시간 및 문의를 하는데 소요된 문의 시간을 고객 활동 정보로부터 추출할 수 있다.
S306 단계에서, 장치(30)는 검색 시간, 리뷰 시간 및 문의 시간을 제2 인공신경망에 적용하여, 제품의 마케팅 시간을 생성할 수 있다.
이때, 마케팅 시간은 제품의 마케팅이 수행되는 시간을 의미할 수 있다.
일실시예에 따르면, 제2 인공신경망은 검색 시간, 리뷰 시간 및 문의 시간을 입력으로 받아, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 출력하는 알고리즘일 수 있다.
제2 인공신경망의 학습이 이루어지는 장치(30)는 학습된 제2 인공신경망을 이용하여 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 분석하는 장치(30)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공신경망이 학습되는 과정을 설명한다.
먼저, 장치(30)는 검색 시간, 리뷰 시간 및 문의 시간을 기초로 입력을 생성할 수 있다.
구체적으로, 장치(30)는 검색 시간, 리뷰 시간 및 문의 시간을 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제2 인공신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
장치(30)는 제2 인공신경망에 입력을 적용할 수 있다. 제2 인공신경망은 강화 학습(reinforcement learning)에 따라 학습되는 제2 인공신경망일 수 있다. 제2 인공신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 제2 인공신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 검색 시간을 고려하여, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 예측하면 보상값이 높아질 수 있고, 제2 보상은 리뷰 시간을 고려하여, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 예측하면 보상값이 높아질 수 있고, 제3 보상은 문의 시간을 고려하여, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 예측하면 보상값이 높아질 수 있다.
장치(30)는 제2 인공신경망으로부터 출력을 획득할 수 있다. 제2 인공신경망의 출력은 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간에 대한 정보를 포함할 수 있다. 즉, 제2 인공신경망의 출력은 검색 시간, 리뷰 시간 및 문의 시간을 통해 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 예측한 결과일 수 있다.
제2 인공신경망은 검색 시간, 리뷰 시간 및 문의 시간을 통해 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 선정하여 출력할 수 있다. 이때, 제2 인공신경망은 검색 시간, 리뷰 시간 및 문의 시간을 고려하여, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 예측하여 출력할 수 있다.
장치(30)는 제2 인공신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상, 제3 보상 등으로 나뉠 수 있다.
구체적으로, 장치(30)는 검색 시간을 고려하여 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 정확하게 예측하면 제1 보상을 많이 수여하고, 리뷰 시간을 고려하여, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 정확하게 예측하면 제2 보상을 많이 수여하고, 문의 시간을 고려하여, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 예측하면 제3 보상을 많이 수여할 수 있다.
장치(30)는 평가를 기초로 제2 인공신경망을 갱신할 수 있다.
구체적으로, 장치(30)는 제2 인공신경망이 검색 시간, 리뷰 시간 및 문의 시간을 통해, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공신경망을 갱신할 수 있다.
예를 들어, 장치(30)는 제1 시간에 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간이 선정되면, 선정된 결과에 대해 문제가 없는 경우, 마케팅 시간의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제2 인공신경망에 적용하여, 검색 시간, 리뷰 시간 및 문의 시간이 동일하거나 유사한 경우, 동일한 마케팅 시간을 선정하도록, 제2 인공신경망을 학습시키는 과정을 통해, 제2 인공신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(30)는 상술한 제2 인공신경망의 학습 과정을 반복함으로써, 제2 인공신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(30)는 검색 시간, 리뷰 시간 및 문의 시간을 통해, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 선정하여 출력하는 제2 인공신경망을 학습시킬 수 있다.
즉, 장치(30)는 검색 시간, 리뷰 시간 및 문의 시간을 통해, 제품의 마케팅 효과가 가장 많이 나타날 것으로 예상되는 마케팅 시간을 예측할 때, 제1 보상, 제2 보상, 제3 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공신경망을 학습시킬 수 있다.
S307 단계에서, 장치(30)는 제품의 마케팅 기간을 결정할 수 있다.
구체적으로, 장치(30)는 마케팅 시간에 시간 당 마케팅 비용을 적용하여 하루 당 마케팅 비용을 산출하고, 마케팅 비용에 하루 당 마케팅 비용을 나누어 제품의 마케팅 기간을 결정할 수 있다. 이때, 시간 당 마케팅 비용은 한시간동안 제품을 마케팅하는 데 소요되는 비용을 의미할 수 있으며, 장치(30)의 데이터베이스에 제품 마다 시간 당 마케팅 비용이 저장되어 있을 수 있다.
예를 들어, 마케팅 시간이 매일 오후 1시부터 4시이고, 시간 당 마케팅 비용이 10만원인 경우, 장치(30)는 마케팅 시간에 시간 당 마케팅 비용을 적용하여 하루 당 마케팅 비용을 30만원으로 산출할 수 있다. 이때, 마케팅 비용이 3,000만원인 경우, 장치(30)는 마케팅 비용에 하루 당 마케팅 비용을 나누어 제품의 마케팅 기간을 100일로 결정할 수 있다.
S308 단계에서, 장치(30)는 마케팅 비용, 마케팅 시간 및 마케팅 기간을 포함하는 마케팅 전략을 생성할 수 있다. 마케팅 전략은 마케팅 비용, 마케팅 시간 및 마케팅 기간을 포함할 수 있으나, 이에 한정되지는 않는다.
도 4는 일실시예에 따른 제품의 마케팅 네임을 결정하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(30)는 마케팅 네임 기재 영역과 제품의 제품명 기재 영역을 생성할 수 있다.
여기서, 마케팅 네임 기재 영역은 제1 영역, 제2 영역 및 제3 영역을 포함할 수 있다.
이때, 제1 영역은 제품의 효과를 기재하는 영역을 의미하고, 제2 영역은 제품의 마케팅 대상을 기재하는 영역을 의미하고, 제3 영역은 제품의 검색어를 기재하는 영역을 의미할 수 있다.
이때, 제1 영역을 기재하는 과정에 대한 자세한 설명은 도 5를 참조하여 후술하기로 한다.
이때, 제2 영역을 기재하는 과정에 대한 자세한 설명은 도 6을 참조하여 후술하기로 한다.
이때, 제3 영역을 기재하는 과정에 대한 자세한 설명은 도 7을 참조하여 후술하기로 한다.
이러한, 마케팅 네임 기재 영역은 제1 영역, 제2 영역 및 제 3 영역을 기재 순서에 따라 순차적으로 인식하여 마케팅 네임을 생성하는 것이 바람직하나, 경우에 따라서는 그 조합 순서가 바뀔 수 있음은 물론이다.
S402 단계에서, 장치(30)는 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역을 결합하여, 마케팅 네임을 결정할 수 있다.
일실시예에 따르면, 장치(30)는 제품의 판매 페이지 문구를 동적으로 변경할 수 있다.
이때, 마케팅 네임은 제품이 판매되기 위해 생성된 판매 페이지에 제품을 마케팅하기 위해 생성한 제품의 새로운 명칭을 의미할 수 있다.
제품의 판매 페이지 문구는 제품이 판매되기 위해 생성된 페이지에 기재되는 텍스트를 의미할 수 있으며, 마케팅 네임을 포함할 수 있다.
장치(30)는 고객 활동 정보, 제품을 구매한 시간, 마케팅 시간 등에 따라 제품이 판매되기 위해 생성된 판매 페이지에 제품을 마케팅하기 위해 생성한 제품의 새로운 명칭인 마케팅 네임이 생성될 수 있도록 하고, 생성된 마케팅 네임을 이용하여 제품의 판매 페이지에 제품을 마케팅하도록 함으로써, 고객의 입장에서 고객의 활동 정보에 따라 마케팅 네임을 제공받을 수 있게 됨으로 마케팅 효과의 향상에 탁월한 효과를 얻을 수 있다.
도 5는 일실시예에 따른 제1 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서, 장치(30)는 고객 활동 정보의 리뷰로부터 긍정 키워드를 추출할 수 있다.
장치(30)는 고객 활동 정보의 리뷰로부터 텍스트 정보를 추출하고, 긍정 키워드를 추출할 수 있다.
S502 단계에서, 장치(30)는 긍정 키워드 중에서 미리 설정된 기준을 만족하는 키워드를 효과 키워드로 분류할 수 있다. 여기서, 기준은 긍정 키워드가 속한 제품의 카테고리 및 긍정 키워드의 개수를 포함할 수 있다.
예를 들어, 장치(30)는 제품이 요가링이고, 추출한 긍정 키워드가 '좋아요', '부종완화', '혈액순환' 등인 경우, 먼저, 긍정 키워드가 요가링이 속한 '스포츠' 카테고리에 해당하는 지 여부를 확인하여 '부종완화', '혈액순환'을 우선적으로 선별하고, '부종완화', '혈액순환'의 키워드 각각의 개수가 미리 설정된 기준 개수를 만족하는 키워드를 추출하여 효과 키워드로 분류할 수 있다. 미리 설정된 기준 개수가 5회이고, '부종완화'의 개수가 7회이고, '혈액순환'의 개수가 4회인 경우, 장치(30)는 '부종완화'를 긍정 키워드 중에서 효과 키워드로 분류할 수 있다. 이때, 미리 설정된 기준 개수는 실시예에 따라 상이하게 설정될 수 있다.
S503 단계에서, 장치(30)는 효과 키워드를 제1 영역에 기재할 수 있다.
예를 들어, 효과 키워드가 '부종완화'인 경우, 장치(30)는 '부종완화'를 제1 영역에 기재할 수 있다.
도 6은 일실시예에 따른 제2 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저, S601 단계에서, 장치(30)는 전체 제품 구매 시간 중 검색 시간에 할애한 시간이 높은 성별 및 나이를 검색 우선 그룹으로 선정할 수 있다.
즉, 장치(30)는 제품을 구매하는데 소요되는 전체 제품 구매 시간 중에서 검색 시간에 할애한 시간이 높은 성별 및 나이를 검색 우선 그룹으로 선정할 수 있다.
S602 단계에서, 장치(30)는 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2 영역에 기재할 수 있다.
예를 들어, 검색 우선 그룹의 성별 및 나이가 40대, 여성인 경우, 장치(30)는 40대, 여성 중 적어도 어느 하나를 제2 영역에 기재할 수 있다.
S603 단계에서, 장치(30)는 전체 제품 구매 시간 중 리뷰 시간에 할애한 시간이 높은 성별 및 나이를 리뷰 우선 그룹으로 선정할 수 있다.
즉, 장치(30)는 제품을 구매하는데 소요되는 전체 제품 구매 시간 중에서 리뷰 시간에 할애한 시간이 높은 성별 및 나이를 리뷰 우선 그룹으로 선정할 수 있다.
S604 단계에서, 장치(30)는 리뷰 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2 영역에 기재할 수 있다.
예를 들어, 리뷰 우선 그룹의 성별 및 나이가 20대, 남성인 경우, 장치(30)는 20대, 남성 중 적어도 어느 하나를 제2 영역에 기재할 수 있다.
S605 단계에서, 장치(30)는 전체 제품 구매 시간 중 문의 시간에 할애한 시간이 높은 성별 및 나이를 문의 우선 그룹으로 선정할 수 있다.
즉, 장치(30)는 제품을 구매하는데 소요되는 전체 제품 구매 시간 중에서 문의 시간에 할애한 시간이 높은 성별 및 나이를 문의 우선 그룹으로 선정할 수 있다.
S606 단계에서, 장치(30)는 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2 영역에 기재할 수 있다.
예를 들어, 문의 우선 그룹의 성별 및 나이가 30대, 여성인 경우, 장치(30)는 30대, 여성 중 적어도 하나를 제2 영역에 기재할 수 있다.
도 7은 일실시예에 따른 제3 영역을 기재하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(30)는 고객 활동 정보의 검색 내역으로부터, 키워드를 추출할 수 있다.
S702 단계에서, 장치(30)는 추출된 키워드의 검색 횟수와 제품의 카테고리의 검색 횟수를 비교할 수 있다.
예를 들어, 추출된 키워드가 '요가링'이고, 제품의 카테고리가 '스포츠'인 경우, 장치(30)는 '요가링'에 대한 키워드의 검색 횟수와 '스포츠'에 대한 카테고리의 검색 횟수를 비교할 수 있다.
S703 단계에서, 장치(30)는 추출된 키워드의 검색 횟수가 제품의 카테고리의 검색 횟수 미만인 경우, 제품의 카테고리를 제3 영역에 기재할 수 있다.
예를 들어, '요가링'에 대한 키워드의 검색 횟수가 '스포츠'에 대한 카테고리의 검색 횟수 미만인 경우, 장치(30)는 제품의 카테고리인 '스포츠'를 제3 영역에 기재할 수 있다.
S704 단계에서, 장치(30)는 추출된 키워드의 검색 횟수가 제품의 카테고리의 검색 횟수 이상인 경우, 추출된 키워드의 검색 횟수가 제품의 카테고리의 검색 횟수 이상인 것에 해당하는 키워드를 제3 영역이 기재할 수 있다.
예를 들어, '요가링'에 대한 키워드의 검색 횟수가 '스포츠'에 대한 카테고리의 검색 횟수 이상인 경우, 장치(30)는 추출된 키워드의 검색 횟수가 제품의 카테고리의 검색 횟수 이상인 것에 해당하는 키워드인 '요가링'을 제3 영역에 기재할 수 있다.
도 8은 일실시예에 따른 제2 영역에 표시할 색상을 결정하는 과정을 설명하기 위한 순서도이다.
도 8을 참조하면, 먼저, S801 단계에서, 장치(30)는 마케팅 시간을 확인할 수 있다.
일실시예에 따르면, 장치(30)는 마케팅 시간이 검색 시간, 리뷰 시간 및 문의 시간 중 적어도 어느 하나에 해당하는 지 여부를 확인할 수 있다.
S802 단계에서, 장치(30)는 검색 시간이 미리 설정된 기준 시간 이상인지 여부를 판단할 수 있다. 이때, 기준 시간은 실시예에 따라 상이하게 설정될 수 있다.
S803 단계에서, 장치(30)는 마케팅 시간이 검색 시간에 해당하면서, 검색 시간이 미리 설정된 기준 시간 이상인 경우, 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제1-1 색으로 표시할 수 있다.
S804 단계에서, 장치(30)는 마케팅 시간이 검색 시간에 해당하면서, 검색 시간이 미리 설정된 기준 시간 미만인 경우, 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제1-2 색으로 표시할 수 있다.
S805 단계에서, 장치(30)는 리뷰 시간이 미리 설정된 기준 시간 이상인지 여부를 판단할 수 있다. 이때, 기준 시간은 실시예에 따라 상이하게 설정될 수 있다.
S806 단계에서, 장치(30)는 마케팅 시간이 리뷰 시간에 해당하면서, 리뷰 시간이 미리 설정된 기준 시간 이상인 경우, 리뷰 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2-1 색으로 표시할 수 있다.
S807 단계에서, 장치(30)는 마케팅 시간이 리뷰 시간에 해당하면서, 리뷰 시간이 미리 설정된 기준 시간 미만인 경우, 리뷰 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2-2 색으로 표시할 수 있다.
S808 단계에서, 장치(30)는 문의 시간이 미리 설정된 기준 시간 이상인지 여부를 판단할 수 있다. 이때, 기준 시간은 실시예에 따라 상이하게 설정될 수 있다.
S809 단계에서, 장치(30)는 마케팅 시간이 문의 시간에 해당하면서, 문의 시간이 미리 설정된 기준 시간 이상인 경우, 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제3-1 색으로 표시할 수 있다.
S810 단계에서, 장치(30)는 마케팅 시간이 문의 시간에 해당하면서, 문의 시간이 미리 설정된 기준 시간 미만인 경우, 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제3-2 색으로 표시할 수 있다.
이때, 마케팅 시간이 검색 시간, 리뷰 시간 및 문의 시간 중 두개 이상의 시간에 해당되는 경우, 장치(30)는 검색 시간, 리뷰 시간 및 문의 시간 중에 마케팅 시간에 해당되는 모든 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 복수의 색상으로 표시할 수 있다.
예를 들어, 마케팅 시간이 검색 시간 및 문의 시간에 해당하고, 검색 시간이 미리 설정된 기준 시간 이상이고, 문의 시간이 미리 설정된 기준 시간 미만인 경우, 장치(30)는 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 1-1 색으로 표시하여 제2 영역에 기재하고, 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 제2-2 색으로 표시하여 제2 영역에 기재할 수 있다.
도 9는 일실시예에 따른 마케팅 네임을 표시하는 과정을 설명하기 위한 순서도이다.
도 9를 참조하면, 먼저 S901 단계에서, 장치(30)는 제품의 판매 페이지 문구에 게재되는 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역의 배열을 서로 다른 제1 배열 및 제2 배열로 결정할 수 있다.
여기서, 판매 페이지 문구에 게재되는 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역의 배열은 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역의 순서 및 배치 방법 등을 포함할 수 있으나 이에 한정되지는 않는다.
예를 들어, 장치(30)는 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역 순인 제1 배열 및 제3 영역, 제2 영역, 제1 영역 및 제품명 기재 영역 순인 제2 배열을 결정할 수 있다. 이때, 제1 배열 및 제2 배열은 이에 한정되지는 않는다.
S902 단계에서, 장치(30)는 추출된 키워드의 검색 횟수가 홀수인 경우, 제1 배열을 이용하여 마케팅 네임을 표시할 수 있다. 장치(30)는 고객 활동 정보의 검색 내역으로부터, 키워드를 추출하고, 추출된 키워드의 검색 횟수가 홀수인지, 짝수인지를 확인할 수 있다.
예를 들어, 추출된 키워드의 검색 횟수가 홀수인 경우, 장치(30)는 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역 순인 제1 배열을 이용하여 마케팅 네임을 표시할 수 있다.
S903 단계에서, 장치(30)는 추출된 키워드의 검색 횟수가 짝수인 경우, 제2 배열을 이용하여 마케팅 네임을 표시할 수 있다.
예를 들어, 추출된 키워드의 검색 횟수가 짝수인 경우, 장치(30)는 제3 영역, 제2 영역, 제1 영역 및 제품명 기재 영역 순인 제2 배열을 이용하여 마케팅 네임을 표시할 수 있다.
이에 따라, 장치(30)는 고객 활동 정보의 검색 내역으로부터, 키워드를 추출하고, 추출된 키워드의 검색 횟수에 따라 마케팅 네임에 포함되는 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역의 배열을 다르게 제작함으로써, 마케팅 네임 별 차별성을 부여할 수 있다.
또한, 마케팅 네임에 포함되는 제1 영역, 제2 영역, 제3 영역 및 제품명 기재 영역을 순서 및 배치 방법 등에 따라 다양하게 배열함으로써 일률적인 마케팅 네임이 아닌 감각적인 마케팅 네임을 제작하도록 할 수 있다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서(31)는 도 1 내지 도 9를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 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.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 장치에 의해 수행되는 방법에 있어서,
사용자의 단말로부터 제품의 제품명, 판매처, 카테고리, 판매 가격, 판매 횟수, 마케팅 금액을 포함하는 제품 정보를 수신하는 단계;
상기 제품을 판매하는 판매 사이트로부터 상기 제품이 속하는 카테고리의 검색 내역, 상기 제품과 연관되어 등록된 리뷰 및 상기 제품과 연관되어 등록된 문의글을 포함하는 고객 활동 정보를 수집하는 단계;
상기 제품 정보로부터 상기 사용자의 경쟁사 정보를 추출하는 단계;
상기 경쟁사 정보에 포함된 경쟁사가 판매하는 제품의 마케팅 정보를 수집하는 단계;
상기 고객 활동 정보로부터 상기 제품에 대한 긍정 키워드를 추출하여 긍정 키워드 정보를 생성하는 단계;
상기 고객 활동 정보, 상기 마케팅 정보 및 상기 긍정 키워드 정보에 기초하여, 상기 제품에 대한 마케팅 전략을 인공지능모델을 통해 생성하는 단계; 및
상기 제품에 대한 마케팅 전략을 상기 사용자의 단말로 전송하는 단계를 포함하고,
상기 인공지능모델은 제1 인공신경망 및 제2 인공신경망을 포함하고,
상기 마케팅 전략을 인공지능모델을 통해 생성하는 단계는,
상기 고객 활동 정보, 상기 마케팅 정보 및 상기 긍정 키워드 정보를 상기 제1 인공신경망에 적용하여 상기 제품의 활성화 지수를 생성하는 단계,
상기 경쟁사 정보에 포함된 경쟁사가 판매하는 상기 제품의 평균 판매량인 경쟁사 평균 판매량을 산출하는 단계,
상기 활성화 지수에 기반하여 결정된 제1 가중치를 상기 경쟁사 평균 판매량에 적용하여, 상기 제품의 예상 판매량을 산출하는 단계,
상기 제품 정보의 마케팅 금액에 상기 산출된 예상 판매량에 기반하여 결정된 제2 가중치를 적용하여, 상기 제품의 마케팅 비용을 결정하는 단계,
상기 고객 활동 정보로부터, 상기 카테고리를 검색하는데 소요된 검색 시간 및 상기 리뷰를 등록하는데 소요된 리뷰 시간 및 상기 문의를 하는데 소요된 문의 시간을 추출하는 단계
상기 검색 시간, 상기 리뷰 시간 및 상기 문의 시간을 상기 제2 인공신경망에 적용하여, 상기 제품의 마케팅 시간을 생성하는 단계,
상기 마케팅 시간에 시간 당 마케팅 비용을 적용하여 하루 당 마케팅 비용을 산출하고, 상기 마케팅 비용에 상기 하루 당 마케팅 비용을 나누어 상기 제품의 마케팅 기간을 결정하는 단계, 및
상기 마케팅 비용, 상기 마케팅 시간 및 상기 마케팅 기간을 포함하는 마케팅 전략을 생성하는 단계를 포함하는
인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법. - 삭제
- 제1항에 있어서,
상기 제품의 효과를 기재하는 제1 영역, 상기 제품의 마케팅 대상을 기재하는 제2 영역 및 상기 제품의 검색어를 기재하는 제3 영역을 포함하는 마케팅 네임 기재 영역과 상기 제품의 제품명 기재 영역을 생성하는 단계,
상기 고객 활동 정보의 리뷰로부터 긍정 키워드를 추출하고, 상기 긍정 키워드 중에서 미리 설정된 기준을 만족하는 키워드를 효과 키워드로 분류하는 단계,
상기 효과 키워드를 상기 제1 영역에 기재하는 단계,
전체 제품 구매 시간 중 상기 검색 시간에 할애한 시간이 높은 성별 및 나이를 검색 우선 그룹으로, 상기 리뷰 시간에 할애한 시간이 높은 성별 및 나이를 리뷰 우선 그룹으로, 상기 문의 시간에 할애한 시간이 높은 성별 및 나이를 문의 우선 그룹으로 선정하는 단계,
상기 마케팅 시간이 상기 검색 시간에 해당하는 경우, 상기 검색 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 상기 제2 영역에 기재하는 단계,
상기 마케팅 시간이 상기 리뷰 시간에 해당하는 경우, 상기 리뷰 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 상기 제2 영역에 기재하는 단계,
상기 마케팅 시간이 상기 문의 시간에 해당하는 경우, 상기 문의 우선 그룹의 성별 및 나이 중 적어도 어느 하나를 상기 제2 영역에 기재하는 단계,
상기 고객 활동 정보의 검색 내역으로부터, 키워드를 추출하는 단계,
상기 추출된 키워드의 검색 횟수와 상기 제품의 카테고리의 검색 횟수를 비교하는 단계,
상기 추출된 키워드의 검색 횟수가 상기 제품의 카테고리의 검색 횟수 미만인 경우, 상기 제품의 카테고리를 상기 제3 영역에 기재하는 단계,
상기 추출된 키워드의 검색 횟수가 상기 제품의 카테고리의 검색 횟수 이상인 경우, 상기 추출된 키워드의 검색 횟수가 상기 제품의 카테고리의 검색 횟수 이상인 것에 해당하는 키워드를 상기 제3 영역이 기재하는 단계, 및
상기 제1 영역, 상기 제2 영역, 상기 제3 영역 및 상기 제품명 기재 영역을 결합하여, 상기 마케팅 네임을 결정하는 단계를 포함하는,
상기 제품의 판매 페이지 문구를 동적으로 변경하는 단계;를 더 포함하는,
인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220170355A KR102533442B1 (ko) | 2022-12-08 | 2022-12-08 | 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220170355A KR102533442B1 (ko) | 2022-12-08 | 2022-12-08 | 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102533442B1 true KR102533442B1 (ko) | 2023-05-17 |
Family
ID=86547081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220170355A KR102533442B1 (ko) | 2022-12-08 | 2022-12-08 | 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102533442B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102604294B1 (ko) | 2023-07-27 | 2023-11-20 | 주식회사 스탠다드에러 | 인공 신경망을 이용하여 사용자 피드백 기반 의류 패턴을 최적화하는 방법, 장치 및 시스템 |
| KR102622147B1 (ko) * | 2023-05-30 | 2024-01-09 | 주식회사 하우그로우 | 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버 |
| KR102640715B1 (ko) | 2023-12-14 | 2024-02-23 | 김수환 | 기업 맞춤형 특화 ai 모델을 통한 기업 맞춤형 마케팅 전략 예측 및 재고 관리 erp 및 crm 솔루션 제공 방법, 장치 및 시스템 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102018888B1 (ko) * | 2018-12-17 | 2019-09-05 | 주식회사 리틀페이지 | 온라인 마케팅 전략을 수립하기 위한 인공지능 분석 시스템 |
| KR102379181B1 (ko) | 2021-09-03 | 2022-03-25 | 주식회사 오일오엠 | 인공지능 기반 뷰티 사업 기획 및 전략안 도출 방법, 장치 및 시스템 |
| KR102420629B1 (ko) | 2021-11-02 | 2022-07-14 | 주식회사 위트라잇 | 광고주 서비스를 제공하기 위한 방법 및 시스템 |
| KR102438679B1 (ko) | 2020-05-29 | 2022-08-31 | 주식회사 노던라이츠코퍼레이션 | 미디어 마케팅 서비스를 제공하는 서버의 동작방법 |
| KR102439666B1 (ko) | 2022-03-04 | 2022-09-02 | 주식회사 엠프렌즈 | 인플루언서 기반 마케팅 전략 제공 방법, 장치 및 시스템 |
| KR102470993B1 (ko) * | 2022-05-03 | 2022-11-28 | 주식회사 엔라이즈 | 인공지능 기반 건강기능식품의 제품 판매 전략 도출 방법, 장치 및 시스템 |
-
2022
- 2022-12-08 KR KR1020220170355A patent/KR102533442B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102018888B1 (ko) * | 2018-12-17 | 2019-09-05 | 주식회사 리틀페이지 | 온라인 마케팅 전략을 수립하기 위한 인공지능 분석 시스템 |
| KR102438679B1 (ko) | 2020-05-29 | 2022-08-31 | 주식회사 노던라이츠코퍼레이션 | 미디어 마케팅 서비스를 제공하는 서버의 동작방법 |
| KR102379181B1 (ko) | 2021-09-03 | 2022-03-25 | 주식회사 오일오엠 | 인공지능 기반 뷰티 사업 기획 및 전략안 도출 방법, 장치 및 시스템 |
| KR102420629B1 (ko) | 2021-11-02 | 2022-07-14 | 주식회사 위트라잇 | 광고주 서비스를 제공하기 위한 방법 및 시스템 |
| KR102439666B1 (ko) | 2022-03-04 | 2022-09-02 | 주식회사 엠프렌즈 | 인플루언서 기반 마케팅 전략 제공 방법, 장치 및 시스템 |
| KR102470993B1 (ko) * | 2022-05-03 | 2022-11-28 | 주식회사 엔라이즈 | 인공지능 기반 건강기능식품의 제품 판매 전략 도출 방법, 장치 및 시스템 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102622147B1 (ko) * | 2023-05-30 | 2024-01-09 | 주식회사 하우그로우 | 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버 |
| KR102604294B1 (ko) | 2023-07-27 | 2023-11-20 | 주식회사 스탠다드에러 | 인공 신경망을 이용하여 사용자 피드백 기반 의류 패턴을 최적화하는 방법, 장치 및 시스템 |
| KR102640715B1 (ko) | 2023-12-14 | 2024-02-23 | 김수환 | 기업 맞춤형 특화 ai 모델을 통한 기업 맞춤형 마케팅 전략 예측 및 재고 관리 erp 및 crm 솔루션 제공 방법, 장치 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102533442B1 (ko) | 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 | |
| KR102404511B1 (ko) | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 | |
| KR102468827B1 (ko) | 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템 | |
| KR102490009B1 (ko) | 인공지능 기반 인플루언서 연계 제품 구매 및 판매 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102546871B1 (ko) | 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템 | |
| KR102551997B1 (ko) | 콘텐츠 시청 성향 분석 기반 광고 콘텐츠 기획 자동화 및 커머스 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| D′ Aniello et al. | A new DSS based on situation awareness for smart commerce environments | |
| KR102553041B1 (ko) | 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102506472B1 (ko) | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102508232B1 (ko) | 인공지능 기반 마트 운영을 위한 재고의 유통관리 방법, 장치 및 시스템 | |
| KR102552856B1 (ko) | 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템 | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102554580B1 (ko) | 인공지능 모델 기반 식자재 및 부자재의 유통 주문 히스토리의 패턴 분석을 통한 물류 창고의 안전 재고량의 추정 및 주문 알람 서비스 제공 방법, 장치 및 시스템 | |
| KR102447426B1 (ko) | 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템 | |
| KR102485355B1 (ko) | 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102463875B1 (ko) | 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템 | |
| KR102474974B1 (ko) | 인공지능 기반 브랜드 분석 방법, 장치 및 시스템 | |
| KR102564066B1 (ko) | 유통기한 모니터링이 가능한 식품 물류 처리 제공 방법, 장치 및 시스템 | |
| Chashmi et al. | Predicting customer turnover using recursive neural networks | |
| KR102669470B1 (ko) | 식자재 유통 처리를 위한 재고 관리 및 수요 예측 방법, 장치 및 시스템 | |
| KR102615605B1 (ko) | 사용자 상호 작용 기반 스타일링 추천 및 라이프스타일아이템 판매 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102621308B1 (ko) | 별자리 기반 메타버스 추모관 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102643697B1 (ko) | 인공지능 모델을 활용한 인플루언서 및 브랜드사 간의 매칭 및 큐레이션 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102612805B1 (ko) | 기업 정보에 따른 인공지능 모델 기반 매체 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| Li et al. | Key product review extraction based on the RLRSA-CL algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |