KR102543544B1 - 온라인 의료 마케팅 시스템 - Google Patents

온라인 의료 마케팅 시스템 Download PDF

Info

Publication number
KR102543544B1
KR102543544B1 KR1020230007470A KR20230007470A KR102543544B1 KR 102543544 B1 KR102543544 B1 KR 102543544B1 KR 1020230007470 A KR1020230007470 A KR 1020230007470A KR 20230007470 A KR20230007470 A KR 20230007470A KR 102543544 B1 KR102543544 B1 KR 102543544B1
Authority
KR
South Korea
Prior art keywords
keyword
marketing
score
specific
exposure
Prior art date
Application number
KR1020230007470A
Other languages
English (en)
Inventor
이병준
노희선
Original Assignee
이병준
노희선
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이병준, 노희선 filed Critical 이병준
Priority to KR1020230007470A priority Critical patent/KR102543544B1/ko
Application granted granted Critical
Publication of KR102543544B1 publication Critical patent/KR102543544B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0246—Traffic
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 온라인 마케팅 수단과 연동하여, 환자의 초진 횟수에 영향을 미치는 다수의 인자를 분석하기 위해 다수의 마케팅 실행상황 데이터를 디바이스, 키워드, 카테고리, 포털, 바이럴 및 SNS의 종류별로 각각 분류하는 데이터 분류부(20), 상기 데이터 분류부(20)에 의해 분류된 다수의 마케팅 실행상황 데이터를 분석하여, 진료과목 및 질환별로 각각 분류하는 데이터 분석부(25), 병원접수 프로그램과 연동하여, 다수의 내원환자의 정보를 실시간으로 수집하는 데이터 수집부(30), 상기 데이터 분석부(25)에 의해 분류된 다수의 마케팅 실행상황 데이터 및 상기 데이터 수집부(30)에 의해 수집된 내원환자의 정보를 바탕으로, 초진 횟수에 영향을 미치는 다수의 인자를 반영하여, 다수의 마케팅 실행상황 데이터에 대해 다수의 마케팅점수를 각각 산출하는 데이터 웨어부(35), AI 기술을 이용한 통계분석으로 진료과목 및 질환별로 초진 횟수(y) 및 마케팅점수(x) 간의 상관함수 y=f(x)를 각각 도출하는 함수 도출부(40), 상기 함수 도출부(40)에 의해 도출된 다수의 상관함수를 바탕으로, 다수의 마케팅 투자 수익률을 각각 산출하는 시스템부(45) 및 다수의 마케팅 실행상황 데이터, 내원환자의 정보, 마케팅점수 및 마케팅 투자 수익률을 고객에게 제공하는 웹서비스(50)를 포함하고, 상기 온라인 마케팅 수단은 포털, 지도, 바이럴 사이트 및 SNS를 포함하고, 상기 내원환자의 정보는 환자의 내원경로, 연령, 거주지 및 초진정보를 포함하는 것을 특징으로 한다.

Description

온라인 의료 마케팅 시스템{online medical marketing system}
본 발명은 온라인 의료 마케팅 시스템에 관한 것으로, 더욱 자세하게는 특정 키워드에 대해 포털 사이트, 바이럴 및 SNS 등 온라인 마케팅 수단별로 특정 병원의 노출점수를 산출하고, 상기 특정 병원의 노출점수에 디바이스, 키워드의 잠재가치지수 및 더보기 가산점 등을 각각 반영하여, 특정 병원에 대한 마케팅점수를 산출할 수 있는 온라인 의료 마케팅 시스템에 관한 것이다.
최근 들어, 병의원은 2010년 55,916개에서 2021년 69,137개로 증가하였으며, 2025년에는 약 75,000개로 증가폭이 점차 확대될 것으로 예상된다. 특히, 인구는2010년부터 2021년까지 약 7% 증가에 그친 반면, 병의원은 이 기간 동안 약 24% 증가한 것으로 나타났다. 이러한 추세라면, 인구 증가율과 병의원 증가율의 격차는 향후에도 더욱 벌어질 것으로 예상된다.
결과적으로, 병의원수의 증가로 인한 과다경쟁 및 병상의 과잉공급으로 국가적 차원의 자원 낭비와 병의원계 전체의 경영난을 심화시키는 문제를 초래하고 있다. 이로 인해, 포털, 바이럴, SNS 등 온라인에 병의원을 홍보할 수 있는 온라인 의료 마케팅 시스템의 도입이 점차 증가하고 있다.
그러나, 기존의 온라인 의료 마케팅 시스템은 마케팅 투자 수익률(ROI, return on investment)을 분석할 수 있는 수단을 구비하고 있지 않아, 마케팅 비용이 점차 증가할 뿐만 아니라, 마케팅의 효율이 점점 저하되는 악순환의 고리에 빠지고 있다는 문제점이 있었다.
또한, 기존의 온라인 마케팅 시스템에서는 포털, 바이럴, SNS 등 온라인에 노출되는 병의원의 순위를 일일이 수작업으로 파악해야 하므로, 시간이 오래 걸릴 뿐만 아니라, 데이터의 정확도가 떨어진다는 문제점이 있었다.
KR 10-2022-0108590 A
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 특정 키워드에 대해 포털 사이트, 바이럴 및 SNS 등 온라인 마케팅 수단별로 특정 병원의 노출점수를 산출하고, 상기 특정 병원의 노출점수에 디바이스, 키워드의 잠재가치지수 및 더보기 가산점 등을 각각 반영하여, 특정 병원에 대한 마케팅점수를 산출할 수 있는 온라인 의료 마케팅 시스템을 제공하는데 있다.
또한, 본 발명의 목적은 AI 기술을 이용한 통계분석으로 진료과목 및 질환별로 초진 횟수 및 마케팅점수 간의 상관함수를 도출하고, 상기 상관함수를 바탕으로 마케팅 투자 수익률을 분석할 수 있는 온라인 의료 마케팅 시스템을 제공하는데 있다.
또한, 본 발명의 목적은 다수의 마케팅 실행상황 데이터, 내원환자의 정보, 마케팅점수 및 마케팅 투자 수익률 정보를 정량적으로 분석하여, 고객에게 실시간으로 제공할 수 있는 온라인 의료 마케팅 시스템을 제공하는데 있다.
상기와 같은 기술적인 문제점을 해결하기 위하여, 본 발명에 의한 온라인 의료 마케팅 시스템은 온라인 마케팅 수단과 연동하여, 환자의 초진 횟수에 영향을 미치는 다수의 인자를 분석하기 위해 다수의 마케팅 실행상황 데이터를 디바이스, 키워드, 카테고리, 포털, 바이럴 및 SNS의 종류별로 각각 분류하는 데이터 분류부(20), 상기 데이터 분류부(20)에 의해 분류된 다수의 마케팅 실행상황 데이터를 분석하여, 진료과목 및 질환별로 각각 분류하는 데이터 분석부(25), 병원접수 프로그램과 연동하여, 다수의 내원환자의 정보를 실시간으로 수집하는 데이터 수집부(30), 상기 데이터 분석부(25)에 의해 분류된 다수의 마케팅 실행상황 데이터 및 상기 데이터 수집부(30)에 의해 수집된 내원환자의 정보를 바탕으로, 초진 횟수에 영향을 미치는 다수의 인자를 반영하여, 다수의 마케팅 실행상황 데이터에 대해 다수의 마케팅점수를 각각 산출하는 데이터 웨어부(35), AI 기술을 이용한 통계분석으로 진료과목 및 질환별로 초진 횟수(y) 및 마케팅점수(x) 간의 상관함수 y=f(x)를 각각 도출하는 함수 도출부(40), 상기 함수 도출부(40)에 의해 도출된 다수의 상관함수를 바탕으로, 다수의 마케팅 투자 수익률을 각각 산출하는 시스템부(45) 및 다수의 마케팅 실행상황 데이터, 내원환자의 정보, 마케팅점수 및 마케팅 투자 수익률을 고객에게 제공하는 웹서비스(50)를 포함하고, 상기 온라인 마케팅 수단은 포털, 지도, 바이럴 사이트 및 SNS를 포함하고, 상기 내원환자의 정보는 환자의 내원경로, 연령, 거주지 및 초진정보를 포함하는 것을 특징으로 한다.
또한, 상기 데이터 웨어부(35)는 다수의 마케팅 실행상황 데이터에 대해 데이터 마이닝 기법을 이용하여 초진 횟수에 영향을 미치는 다수의 인자를 설정하는 인자 설정부(36) 및 상기 인자 설정부(36)에 의해 설정된 다수의 인자에 대해 온라인 마케팅 수단의 로직을 분석한 후, 다수의 지수를 각각 반영하여, 마케팅점수를 산출하는 마케팅점수 산출부(37)를 포함하는 것을 특징으로 한다.
또한, 상기 마케팅점수 산출부(37)는 사전에 설정된 기준 기간 동안 특정 키워드에 대해 (수학식 1) 및 (수학식 2)를 이용하여 피씨 및 모바일의 디바이스 지수를 각각 산출하고, 상기 (수학식 1)은 x_jpc=x_mb/(x_pc+x_mb)이고, 상기 (수학식 2)는 x_jmb=x_mb/(x_pc+x_mb)이고, 상기 x_jpc는 피씨의 디바이스 지수, 상기 x_jmb는 모바일의 디바이스 지수, 상기 x_mb는 상기 기준 기간 동안 특정 키워드에 대한 모바일 조회수, 상기 x_pc는 상기 기준 기간 동안 특정 키워드에 대한 피씨 조회수이고, 상기 마케팅점수 산출부(37)는 (수학식 3)을 이용하여 특정 키워드의 잠재가치지수를 산출하고, 상기 (수학식 3)은 x_k=(x_mb+x_pc)×x_l이고, 상기 x_k는 특정 키워드의 잠재가치지수이고, 상기 x_l은 지역인구비례 지수이고, 상기 특정 키워드는 지역명을 포함하지 않는 전국단위의 키워드인 전국 키워드 및 지역명을 포함하는 지역단위의 키워드인 지역 키워드를 포함하고, 상기 지역인구비례 지수는 지역 키워드에 대해 (전국의 조회 인원수)에 대한 (특정 지역의 조회 인원수)의 비율을 적용한 지수를 의미하는 것을 특징으로 한다.
또한, 상기 마케팅점수 산출부(37)는 (수학식 4)를 이용하여 특정 키워드에 대해 피씨 제1 링크의 노출점수를 산출하고, 상기 제1 링크는 피씨 또는 모바일의 포털 사이트에서 특정 키워드 검색 시, 포털 사이트의 최상단에 노출되는 다수의 광고이고, 상기 피씨 제1 링크의 노출점수는 피씨의 포털 사이트에서 특정 키워드 통합검색 시, 제1 링크에 노출되는 특정 병원의 노출순위 및 제1 링크 및 제2 링크에 각각 노출되는 병원수를 반영한 점수이고, 상기 제2 링크는 피씨 또는 모바일의 포털 사이트에서 특정 키워드 검색 시, 제1 링크의 하부에 노출되는 다수의 광고이고, 상기 (수학식 4)는 z_ppc=a_ppc-(n_ppc-1)이고, 상기 z_ppc는 피씨 제1 링크의 노출점수, 상기 a_ppc는 (피씨 제1 링크의 노출병원수) 및 (피씨 제2 링크의 노출병원수)를 합산한 값, 상기 n_ppc는 피씨의 제1 링크에 노출되는 특정 병원의 노출순위이고, 상기 마케팅점수 산출부(37)는 (수학식 5)를 이용하여 특정 키워드에 대해 모바일 제1 링크의 노출점수를 산출하고, 상기 모바일 제1 링크의 노출점수는 모바일의 포털 사이트에서 특정 키워드 통합검색 시, 제1 링크에 노출되는 특정 병원의 노출순위 및 제1 링크 및 제2 링크에 각각 노출되는 병원수를 반영한 점수이고, 상기 (수학식 5)는 z_pmb=a_pmb-(n_pmb-1)이고, 상기 z_pmb는 모바일 제1 링크의 노출점수, 상기 a_pmb는 (모바일 제1 링크의 노출병원수) 및 (모바일 제2 링크의 노출병원수)를 합산한 값, 상기 n_pmb는 모바일의 제1 링크에 노출되는 특정 병원의 노출순위이고, 상기 마케팅점수 산출부(37)는 (수학식 6)을 이용하여 피씨 제1 링크의 마케팅점수를 산출하고, 상기 (수학식 6)은 y_ppc=z_ppc×x_k×x_jpc이고, 상기 y_ppc는 피씨 제1 링크의 마케팅점수이고, 상기 마케팅점수 산출부(37)는 (수학식 7)을 이용하여 모바일 제1 링크의 마케팅점수를 산출하고, 상기 (수학식 7)은 y_pmb=(z_pmb+m_pmb)×x_k×x_jmb이고, 상기 y_pmb는 모바일 제1 링크의 마케팅점수, 상기 m_pmb은 모바일 제1 링크의 가산점이고, 상기 모바일 제1 링크의 가산점은 모바일의 포털 사이트에서 특정 키워드 통합검색 시, 제1 링크에서 더보기 버튼에 대한 클릭 없이, 제1 링크에 노출되는 병원에 대해 주어지는 가산점으로, 제1 링크에 노출되는 병원수인 것을 특징으로 한다.
또한, 상기 마케팅점수 산출부(37)는 (수학식 8)을 이용하여 특정 키워드에 대해 피씨 플레이스의 노출점수를 산출하고, 상기 피씨 플레이스의 노출점수는 피씨의 지도 사이트에서 특정 키워드 검색 시, 노출병원수 및 특정 병원의 노출순위를 반영한 점수이고, 상기 (수학식 8)은 z_mpc=a_mpc-(n_mpc-1)이고, 상기 z_mpc는 피씨 플레이스의 노출점수이고, 상기 a_mpc는 피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트의 첫번째 페이지의 노출병원수이고, 상기 n_mpc는 피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트의 첫번째 페이지에 노출되는 특정 병원의 노출순위이고, 상기 마케팅점수 산출부(37)는 (수학식 9)를 이용하여 특정 키워드에 대해 모바일 플레이스의 노출점수를 산출하고, 상기 모바일 플레이스의 노출점수는 모바일의 지도 사이트에서 특정 키워드 검색 시, 노출병원수 및 특정 병원의 노출순위를 반영한 점수이고, 상기 (수학식 9)는 z_mmb=a_mpc-(n_mmb-1)이고, 상기 z_mmb는 모바일 플레이스의 노출점수이고, 상기 n_mmb는 모바일의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트에 노출되는 특정 병원의 노출순위인 것을 특징으로 한다.
또한, 상기 마케팅점수 산출부(37)는 (수학식 12)를 이용하여 특정 인기키워드의 누적평균점수를 산출하고, 상기 인기키워드는 포털 사이트에서 특정 키워드 통합검색 시, 상기 포털 사이트에 노출되는 상기 특정 키워드에 대한 다수의 연관 키워드이고, 상기 (수학식 12)는 x_s=(∑((인기키워드의 총개수)-((특정 인기키워드의 노출순위)-1)))/(누적일수)이고, 상기 x_s는 특정 인기키워드의 누적평균점수이고, 상기 인기키워드의 총개수는 포털 사이트에서 특정 키워드 통합검색 시, 포털 사이트에 노출되는 인기키워드의 총개수이고, 상기 특정 인기키워드의 노출순위는 포털 사이트에서 특정 키워드 통합검색 시, 포털 사이트에 노출되는 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위이고, 상기 누적일수는 사전에 설정된 기준 일수이고, 상기 마케팅점수 산출부(37)는 (수학식 13)을 이용하여 특정 키워드에 대해 피씨 인기키워드 콘텐츠의 노출점수를 산출하고, 상기 피씨 인기키워드 콘텐츠의 노출점수는 피씨의 포털 사이트에서 특정 키워드 검색 시, 포털 사이트에 노출되는 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위 및 상기 특정 인기키워드 콘텐츠의 노출순위를 반영한 점수이고, 상기 인기키워드 콘텐츠는 상기 특정 인기키워드 클릭 시, 블로그 영역에 노출되는 특정 병원에 대해 포스팅한 내용이고, 상기 (수학식 13)은 z_bpc=a_bpc-(n_bpc-1)+x_spc이고, 상기 z_bpc는 피씨 인기키워드 콘텐츠의 노출점수, 상기 a_bpc는 사전에 설정된 기준 수량이고, 상기 n_bpc는 피씨의 포털 사이트에서 특정 키워드에 대한 다수의 인기키워드 중에서 특정 인기키워드 클릭 시, 블로그 영역에 노출되는 특정 인기키워드 콘텐츠의 노출순위이고, 상기 x_spc는 피씨에 대한 특정 인기키워드의 누적평균점수인 피씨 특정 인기키워드의 누적평균점수인 것을 특징으로 한다.
또한, 상기 마케팅점수 산출부(37)는 (수학식 21)을 이용하여 특정 키워드에 대한 다수의 연관 키워드에 대해 동영상 사이트의 노출점수를 각각 산출하고, 상기 다수의 연관 키워드에 대한 동영상 사이트의 노출점수를 합산하여, 상기 특정 키워드에 대한 동영상 사이트의 노출점수를 산출하고, 상기 (수학식 21)은 z_yk=a_yk-(n_yk-1)이고, 상기 z_yk는 특정 키워드의 k번째 연관 키워드에 대한 동영상 사이트의 노출점수이고, 상기 a_yk는 상기 기준 수량이고, 상기 k는 1부터 n까지의 자연수 중에서 어느 하나이고, 상기 n은 동영상 사이트에서 특정 키워드에 대한 연관 키워드의 개수이고, 상기 n_yk는 특정 키워드의 k번째 연관 키워드에 대해 동영상 사이트에 노출되는 특정 병원의 노출순위인 것을 특징으로 한다.
본 발명에 의한 온라인 의료 마케팅 시스템은 특정 키워드에 대해 포털 사이트, 바이럴 및 SNS 등 온라인 마케팅 수단별로 특정 병원의 노출점수를 산출하고, 상기 특정 병원의 노출점수에 디바이스, 키워드의 잠재가치지수 및 더보기 가산점 등을 각각 반영하여, 특정 병원에 대한 마케팅점수를 산출할 수 있어, 특정 병원에 대한 온라인 마케팅 효과를 극대화시킬 수 있다.
또한, 본 발명에 의한 온라인 의료 마케팅 시스템에서는 AI 기술을 이용한 통계분석으로 진료과목 및 질환별로 초진 횟수 및 마케팅점수 간의 상관함수를 도출하고, 상기 상관함수를 바탕으로 마케팅 투자 수익률을 분석할 수 있어, 온라인 마케팅의 효율이 향상되는 효과가 있다.
또한, 본 발명에 의한 온라인 의료 마케팅 시스템에서는 다수의 마케팅 실행상황 데이터, 내원환자의 정보, 마케팅점수 및 마케팅 투자 수익률 정보를 정량적으로 분석하여, 고객에게 실시간으로 제공할 수 있어, 마케팅 시간이 단축될 뿐만 아니라, 관련 데이터의 정확도가 획기적으로 향상되는 효과가 있다.
도 1은 본 발명에 의한 온라인 의료 마케팅 시스템의 블록도이다.
도 2는 온라인 의료 마케팅 시스템의 구성도이다.
도 3은 데이터 웨어부, 함수 도출부, 시스템부 및 웹서비스의 블록도이다.
도 4는 마케팅점수 산출부의 지수 및 마케팅점수의 산출 과정에 대한 블록도이고,
도 5는 디바이스 지수 및 키워드의 잠재가치지수의 산출 과정에 대한 블록도이다.
도 6은 제1 링크의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 7은 플레이스의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 8은 인기키워드 콘텐츠의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 9는 비인기키워드 콘텐츠의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 10은 동영상 사이트의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 11은 인스타그램의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 12는 초진 횟수 추이 그래프 및 초진 횟수의 누적평균 그래프 간의 비교 도면이다.
도 1은 본 발명에 의한 온라인 의료 마케팅 시스템(10)의 블록도이고, 도 2는 온라인 의료 마케팅 시스템(10)의 구성도이다.
도 1 및 도 2를 참조하면, 본 발명에 의한 온라인 의료 마케팅 시스템(10)은 데이터 분류부(20), 데이터 분석부(25), 데이터 수집부(30), 데이터 웨어부(35), 함수 도출부(40), 시스템부(45) 및 웹서비스(50)를 포함하여 구성된다.
먼저, 데이터 분류부(20)는 온라인 마케팅 수단과 연동하여, 실제 환자의 초진 횟수에 영향을 미치는 다수의 인자를 분석하기 위해 다수의 마케팅 실행상황 데이터를 디바이스, 키워드, 카테고리, 포털, 바이럴 및 SNS의 종류별로 각각 분류한다. 이때, 온라인 마케팅 수단은 포털, 지도, 바이럴 사이트 및 SNS 등을 포함할 수 있다.
그리고, 데이터 분석부(25)는 데이터 분류부(20)에 의해 분류된 다수의 마케팅 실행상황 데이터를 분석하여, 진료과목 및 질환별로 각각 분류한다.
그리고, 데이터 수집부(30)는 병원접수 프로그램과 연동하여, 다수의 내원환자의 정보를 실시간으로 수집한다. 이때, 병원접수 프로그램은 Vegas CRM, 한차트, 한의사랑 등일 수 있다. 그리고, 내원환자의 정보는 환자의 내원경로, 연령, 거주지 및 초진정보 등을 포함할 수 있다.
그리고, 데이터 웨어부(35)는 데이터 분석부(25)에 의해 분류된 다수의 마케팅 실행상황 데이터 및 데이터 수집부(30)에 의해 수집된 다수의 내원환자의 정보를 바탕으로, 초진 횟수에 영향을 미치는 다수의 인자를 반영하여, 다수의 마케팅 실행상황 데이터에 대해 다수의 마케팅점수를 각각 산출한다.
그리고, 함수 도출부(40)는 AI 기술을 이용한 통계분석으로 진료과목 및 질환별로 초진 횟수(y) 및 마케팅점수(x) 간의 상관함수 y=f(x)를 각각 도출한다.
그리고, 시스템부(45)는 함수 도출부(40)에 의해 산출된 다수의 상관함수를 바탕으로, 다수의 마케팅 투자 수익률(ROI, return on investment)을 각각 산출한다.
그리고, 웹서비스(50)는 다수의 마케팅 실행상황 데이터, 내원환자의 정보, 마케팅점수 및 마케팅 투자 수익률을 고객에게 제공한다.
도 3은 데이터 웨어부(35), 함수 도출부(40), 시스템부(45) 및 웹서비스(50)의 블록도이다.
도 3을 참조하면, 데이터 웨어부(35)는 인자 설정부(36) 및 마케팅점수 산출부(37)를 포함하여 구성된다.
먼저, 인자 설정부(36)는 다수의 마케팅 실행상황 데이터에 대해 데이터 마이닝(Data mining) 기법을 이용하여 초진 횟수에 영향을 미치는 다수의 인자를 설정한다.
그리고, 마케팅점수 산출부(37)는 인자 설정부(36)에 의해 설정된 다수의 인자에 대해 온라인 마케팅 수단의 로직을 분석한 후, 다수의 지수를 각각 반영하여, 마케팅점수를 산출한다.
이때, 다수의 지수는 디바이스 지수(x_j), 키워드의 잠재가치지수(x_k) 및 더보기 가산점(x_m) 등을 포함할 수 있다.
1. 디바이스 지수(x_j)
도 4는 마케팅점수 산출부(37)의 지수 및 마케팅점수의 산출 과정에 대한 블록도이고, 도 5는 디바이스 지수 및 키워드의 잠재가치지수의 산출 과정에 대한 블록도이다.
도 4 및 도 5를 참조하면, 마케팅점수 산출부(37)는 사전에 설정된 기준 기간 동안 특정 키워드에 대해 디바이스 지수를 산출한다. 여기서, 디바이스 지수는 환자가 이용하는 디바이스의 차이를 반영한 지수를 의미한다. 이때, 디바이스는 피씨 및 모바일을 포함하여 구성될 수 있다.
예를 들어, A라는 병원이 피씨 및 모바일에서 부산비염이라는 키워드로 동일한 순위에 노출된다고 할지라도, 부산비염에 대한 피씨 및 모바일의 조회수는 서로 다를 수 있다.
이로 인해, 본 발명에서는 (전체 디바이스 조회수)에 대한 (특정 디바이스 조회수)의 비율로 디바이스 지수를 산출함으로써, 특정 키워드에 대해 환자가 이용하는 디바이스의 차이를 효율적으로 반영할 수 있다.
1.1. 피씨의 디바이스 지수(x_jpc)
먼저, 마케팅점수 산출부(37)는 기준 기간 동안 특정 키워드에 대해 (수학식 1)을 이용하여 피씨의 디바이스 지수를 산출한다.
(수학식 1) x_jpc=x_mb/(x_pc+x_mb)
여기서, x_jpc는 피씨의 디바이스 지수이고, x_mb는 기준 기간 동안 특정 키워드에 대한 모바일 조회수, x_pc는 기준 기간 동안 특정 키워드에 대한 피씨 조회수를 의미한다.
1.2. 모바일의 디바이스 지수(x_jmb)
먼저, 마케팅점수 산출부(37)는 기준 기간 동안 특정 키워드에 대해 (수학식 2)를 이용하여 모바일의 디바이스 지수를 산출한다.
(수학식 2) x_jmb=x_mb/(x_pc+x_mb)
여기서, x_jmb는 모바일의 디바이스 지수, x_mb는 기준 기간 동안 특정 키워드에 대한 모바일 조회수, x_pc는 기준 기간 동안 특정 키워드에 대한 피씨 조회수를 의미한다.
2. 키워드의 잠재가치지수(x_k)
도 5를 참조하면, 마케팅점수 산출부(37)는 사전에 설정된 기준 기간 동안 특정 키워드에 대해 지역인구비례 지수를 산출한다.
이때, 지역인구비례 지수는 지역 키워드에 대해 (전국의 조회 인원수)에 대한 (특정 지역의 조회 인원수)의 비율을 적용한 지수를 의미한다.
그리고, 특정 키워드는 전국 키워드 및 지역 키워드를 포함할 수 있다. 이때, 전국 키워드는 지역명을 포함하지 않는 전국단위의 키워드이고, 지역 키워드는 지역명을 포함하는 지역단위의 키워드를 의미한다.
예를 들어, 비염치료는 전국 키워드이고, 부산비염은 지역 키워드일 수 있다.
한편, 기준 기간 동안, 비염치료 키워드의 조회수가 부산비염 키워드의 조회수의 25배라고 해서, 비염치료 키워드의 잠재가치가 부산비염 키워드의 잠재가치의 25배인 것은 아니다. 왜냐하면, 비염치료 및 부산비염 키워드의 조회수는 각각 전국 및 지역단위의 조회수이기 때문이다.
따라서, 비염치료 및 부산비염 키워드의 잠재가치를 파악하기 위해서는, (비염치료 키워드의 전체 조회수)에서 (비염치료 키워드의 부산지역 조회수)를 차감한 조회수를 (부산비염 키워드의 조회수)와 비교하는 것이 합리적일 수 있다.
그러나, 비염치료 키워드에 대해 특정 지역의 조회수를 일일이 파악하기는 어렵다. 따라서, 본 발명에서는 (전국의 조회 인원수)에 대한 (특정 지역의 조회 인원수)의 비율로 지역인구비례 지수를 산출함으로써, 전국 및 지역 키워드 간의 차이를 효율적으로 반영할 수 있다.
먼저, 마케팅점수 산출부(37)는 (수학식 3)을 이용하여 특정 키워드의 잠재가치지수를 산출한다.
(수학식 3) x_k=(x_mb+x_pc)×x_l
여기서, x_k는 특정 키워드의 잠재가치지수, x_mb는 특정 키워드에 대한 모바일 조회수, x_pc는 특정 키워드에 대한 피씨 조회수, x_l은 지역인구비례 지수를 의미한다.
3. 제1 링크
도 6은 제1 링크의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 6을 참조하면, 제1 링크에서는 피씨 및 모바일의 검색 영역에 노출되는 병원이 다르므로, 피씨 및 모바일을 분리하여, 제1 링크의 노출점수를 각각 산출한다. 여기서, 제1 링크는 피씨 또는 모바일의 포털 사이트에서 특정 키워드 검색 시, 포털 사이트의 최상단에 노출되는 다수의 광고를 의미한다.
3.1. 피씨 제1 링크의 노출점수(z_ppc)
먼저, 마케팅점수 산출부(37)는 (수학식 4)를 이용하여 특정 키워드에 대해 피씨 제1 링크의 노출점수를 산출한다.
여기서, 피씨 제1 링크의 노출점수는 피씨의 포털 사이트에서 특정 키워드 통합검색 시, 제1 링크에 노출되는 특정 병원의 노출순위 및 제1 링크 및 제2 링크에 각각 노출되는 병원수를 반영한 점수를 의미한다. 그리고, 제2 링크는 피씨 또는 모바일의 포털 사이트에서 특정 키워드 검색 시, 제1 링크의 하부에 노출되는 다수의 광고를 의미한다.
(수학식 4) z_ppc=a_ppc-(n_ppc-1)
여기서, z_ppc는 피씨 제1 링크의 노출점수이고, a_ppc는 (피씨 제1 링크의 노출병원수) 및 (피씨 제2 링크의 노출병원수)를 합산한 값이고, n_ppc는 피씨의 제1 링크에 노출되는 특정 병원의 노출순위를 의미한다.
일반적으로, 포털 사이트에서는 특정 키워드에 대한 조회수 및 병원 간의 경쟁률 증가 시, 통합검색에 노출되는 병원수가 증가하는 경향이 있다. 따라서, 피씨 제1 링크의 노출점수에 (피씨 제1 링크의 노출병원수) 및 (피씨 제2 링크의 노출병원수)를 반영하는 경우, 특정 키워드 자체의 조회수 및 병원 간의 경쟁률의 추세를 보다 명확하게 파악할 수 있다.
3.2. 모바일 제1 링크의 노출점수(z_pmb)
마찬가지로, 마케팅점수 산출부(37)는 (수학식 5)를 이용하여 특정 키워드에 대해 모바일 제1 링크의 노출점수를 산출한다.
여기서, 모바일 제1 링크의 노출점수는 모바일의 포털 사이트에서 특정 키워드 검색 시, 제1 링크에 노출되는 특정 병원의 노출순위 및 제1 링크 및 제2 링크에 각각 노출되는 병원수를 반영한 점수를 의미한다.
(수학식 5) z_pmb=a_pmb-(n_pmb-1)
여기서, z_pmb는 모바일 제1 링크의 노출점수이고, a_pmb는 (모바일 제1 링크의 노출병원수) 및 (모바일 제2 링크의 노출병원수)를 합산한 값이고, n_pmb는 모바일의 제1 링크에 노출되는 특정 병원의 노출순위를 의미한다.
3.3. 피씨 제1 링크의 마케팅점수(y_ppc)
먼저, 마케팅점수 산출부(37)는 (수학식 6)을 이용하여 피씨 제1 링크의 마케팅점수를 산출한다.
(수학식 6) y_ppc=z_ppc×x_k×x_jpc
여기서, y_ppc는 피씨 제1 링크의 마케팅점수이고, z_ppc는 피씨 제1 링크의 노출점수이고, x_k는 키워드의 잠재가치지수이고, x_jpc는 피씨의 디바이스 지수를 의미한다.
3.4. 모바일 제1 링크의 마케팅점수(y_pmb)
그리고, 마케팅점수 산출부(37)는 (수학식 7)을 이용하여 모바일 제1 링크의 마케팅점수를 산출한다.
(수학식 7) y_pmb=(z_pmb+m_pmb)×x_k×x_jmb
여기서, y_pmb는 모바일 제1 링크의 마케팅점수, z_pmb는 모바일 제1 링크의 노출점수이고, m_pmb은 모바일 제1 링크의 가산점이고, x_k는 키워드의 잠재가치지수이고, x_jmb는 모바일의 디바이스 지수를 의미한다.
그리고, 모바일 제1 링크의 가산점은 모바일의 포털 사이트에서 특정 키워드 검색 시, 제1 링크에서 더보기 버튼에 대한 클릭 없이, 제1 링크에 노출되는 병원에 대해 주어지는 가산점을 의미한다. 구체적으로, 모바일 제1 링크의 가산점은 모바일 통합검색 시, 제1 링크에 노출되는 병원수를 의미한다.
4. 플레이스
도 7은 플레이스의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 7을 참조하면, 플레이스에서는 피씨 및 모바일의 지도 사이트에 노출되는 병원이 다르므로, 피씨 및 모바일을 분리하여, 플레이스의 노출점수를 각각 산출한다.
그리고, 플레이스에서는 검색 IP에 따라 병원의 순서가 다르게 노출되는 부분은 무시하고, 병원의 IP를 기반으로 분석하는 것을 원칙으로 한다.
왜냐하면, 플레이스의 검색 목적은 환자가 현위치에서 가까운 병원을 가기 위해 특정 병원명으로 검색하여 그 병원의 위치 또는 이동수단을 찾기 위한 것이 가장 많기 때문이다. 이는 역으로 병원에서 가까운 위치에 있는 환자의 초진 가능성이 크다는 것을 의미하므로 IP를 기반으로 분석하는 것이 합당하다.
4.1. 피씨 플레이스의 노출점수(z_mpc)
먼저, 마케팅점수 산출부(37)는 (수학식 8)을 이용하여 특정 키워드에 대해 피씨 플레이스의 노출점수를 산출한다. 여기서, 피씨 플레이스의 노출점수는 피씨의 지도 사이트에서 특정 키워드 검색 시, 노출병원수 및 특정 병원의 노출순위를 반영한 점수를 의미한다.
(수학식 8) z_mpc=a_mpc-(n_mpc-1)
여기서, z_mpc는 피씨 플레이스의 노출점수이고, a_mpc는 피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트의 첫번째 페이지의 노출병원수이고, n_mpc는 피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트의 첫번째 페이지에 노출되는 특정 병원의 노출순위를 의미한다.
4.2. 모바일 플레이스의 노출점수(z_mmb)
먼저, 모바일 플레이스의 노출점수의 기준은 피씨의 지도 사이트의 첫번째 페이지의 노출병원수를 기준으로 한다. 왜냐하면, 모바일의 지도 사이트에서 검색되는 병원은 피씨의 지도 사이트와 같이 페이지로 구분되는 것이 아니라, 한꺼번에 모두 노출되기 때문이다. 예를 들어, 모바일의 지도 사이트에서는 강남성형외과 키워드와 같이 노출되는 병원수가 많은 경우, 52개의 병원이 한꺼번에 노출되기도 한다.
다시 말해서, 모바일의 지도 사이트에서는 환자의 위치를 중심으로 가까운 병원이 모두 노출되기 때문에, 피씨의 지도 사이트의 첫번째 페이지에서 거리 순으로 노출된 다수의 병원만을 기준으로 모바일 플레이스의 노출점수를 산출하는 것이 바람직하다.
그리고, 마케팅점수 산출부(37)는 (수학식 9)를 이용하여 특정 키워드에 대해 모바일 플레이스의 노출점수를 산출한다. 여기서, 피씨 플레이스의 노출점수는 모바일의 지도 사이트에서 특정 키워드 검색 시, 노출병원수 및 특정 병원의 노출순위를 반영한 점수를 의미한다.
(수학식 9) z_mmb=a_mpc-(n_mmb-1)
여기서, z_mmb는 모바일 플레이스의 노출점수이고, a_mpc는 피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트의 첫번째 페이지의 노출병원수이고, n_mmb는 모바일의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트에 노출되는 특정 병원의 노출순위를 의미한다.
4.3. 피씨 플레이스의 마케팅점수(y_mpc)
먼저, 마케팅점수 산출부(37)는 (수학식 10)을 이용하여 피씨 플레이스의 마케팅점수를 산출한다.
(수학식 10) y_mpc=(z_mpc+m_mpc)×x_k×x_jpc
여기서, y_mpc는 피씨 플레이스의 마케팅점수, z_mpc는 피씨 플레이스의 노출점수이고, m_ppc는 피씨 플레이스의 가산점이고, x_k는 키워드의 잠재가치지수이고, x_jpc는 피씨의 디바이스 지수를 의미한다.
그리고, 피씨 플레이스의 가산점은 피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 검색결과에서 더보기 버튼에 대한 클릭 없이, 지도 사이트에 노출되는 병원에 대해 주어지는 가산점을 의미한다. 구체적으로, 피씨 플레이스의 가산점은 피씨의 지도 사이트 검색 시, 지도 사이트에 노출되는 병원수를 의미한다.
4.4. 모바일 플레이스의 마케팅점수(y_mmb)
마찬가지로, 마케팅점수 산출부(37)는 (수학식 11)을 이용하여 모바일 플레이스의 마케팅점수를 산출한다.
(수학식 11) y_mmb=(z_mmb+m_mmb)×x_k×x_jmb
여기서, y_mmb는 모바일 플레이스의 마케팅점수, z_mmb는 모바일 플레이스의 노출점수이고, m_mmb은 모바일 플레이스의 가산점이고, x_k는 키워드의 잠재가치지수이고, x_jmb는 모바일의 디바이스 지수를 의미한다.
5. 바이럴
5.1. 인기키워드
도 8은 인기키워드 콘텐츠의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 8을 참조하면, 해당 단원에서는 포털 사이트에서 특정 키워드 통합검색 시, 사각 박스의 형태로 구분되는 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위 및 특정 인기키워드 클릭 시, 노출되는 특정 병원에 대한 콘텐츠의 노출순위를 산출한다.
여기서, 인기키워드는 포털 사이트에서 특정 키워드 통합검색 시, 상기 포털 사이트에서 제공하는 AI에 의해 분석 과정을 거쳐, 사각 박스(스마트 블록)의 형태로 구분되는 상기 특정 키워드에 대한 다수의 연관 키워드를 의미한다. 그리고, 인기키워드 콘텐츠는 특정 인기키워드 클릭 시, 블로그 영역에 노출되는 특정 병원의 콘텐츠에 대해 포스팅한 내용을 의미한다.
예를 들어, 포털 사이트에서 비염치료 키워드 통합 검색 시, 노출되는 인기키워드는 비염치료, 어린이비염치료, 비염병원, 비염 치료 기기, 비염코세척, 알레르기 비염 치료 등일 수 있다. 그리고, 인기키워드 콘텐츠는 특정 인기키워드인 알레르기 비염 치료 클릭 시, 블로그 영역에 노출되는 특정 병원의 콘텐츠에 대해 포스팅한 내용일 수 있다. 그리고, 상기 특정 병원의 콘텐츠는 특정 병원에 대한 소개 및 광고 등일 수 있다.
그리고, 인기키워드는 포털 사이트에서 키워드 통합 검색 시, 포털 사이트의 상위에 노출되므로, 인기키워드의 노출점수는 인기키워드의 노출순위에 따른 중요도를 반영하도록 한다.
이때, 인기키워드는 환자가 로그인 시, 환자의 주요 관심도를 반영하여 노출되므로, 인기키워드의 노출순위는 환자에 따라 달라질 수 있다. 따라서, 인기키워드의 노출순위는 환자가 로그인하지 않은 경우를 기준으로 한다.
그리고, 인기키워드의 노출순위는 시즌 및 사회적 이슈 등을 반영하므로, 시계열 통계치에 따라 적용될 필요가 있다. 따라서, 인기키워드의 노출순위는 (수학식 12)의 특정 인기키워드의 누적평균점수를 적용하도록 한다.
구체적으로, 마케팅점수 산출부(37)는 (수학식 12)를 이용하여 특정 인기키워드의 누적평균점수를 산출한다.
(수학식 12) x_s=(∑((인기키워드의 총개수)-((특정 인기키워드의 노출순위)-1)))/(누적일수)
여기서, x_s는 특정 인기키워드의 누적평균점수이고, 인기키워드의 총개수는 포털 사이트에서 특정 키워드 통합검색 시, 상기 포털 사이트에 노출되는 인기키워드의 총개수를 의미한다. 그리고, 특정 인기키워드의 노출순위는 포털 사이트에서 특정 키워드 통합검색 시, 상기 포털 사이트에 노출되는 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위를 의미한다. 그리고, 누적일수는 사전에 설정된 기준 일수를 의미한다.
구체적으로, 특정 인기키워드의 누적평균점수는 (1일째 인기키워드의 총개수)-((1일째 특정 인기키워드의 노출순위)-1)+(2일째 인기키워드의 총개수)-((2일째 특정 인기키워드의 노출순위)-1)+(3일째 인기키워드의 총개수)-((3일째 특정 인기키워드의 노출순위)-1)+...+(n일째 인기키워드의 총개수)-((n일째 특정 인기키워드의 노출순위)-1)/n으로 산출될 수 있다.
해당 단원에서는 피씨 및 모바일의 검색 영역에 노출되는 인기키워드의 노출순위가 다르므로, 피씨 및 모바일을 분리하여, 인기키워드 콘텐츠의 노출점수를 각각 산출한다.
5.1.1. 피씨 인기키워드 콘텐츠의 노출점수(z_bpc)
그리고, 마케팅점수 산출부(37)는 (수학식 13)을 이용하여 특정 키워드에 대해 피씨 인기키워드 콘텐츠의 노출점수를 산출한다. 여기서, 피씨 인기키워드 콘텐츠의 노출점수는 피씨의 포털 사이트에서 특정 키워드 검색 시, 포털 사이트에 노출된 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위 및 상기 특정 인기키워드 콘텐츠의 노출순위를 반영한 점수를 의미한다.
(수학식 13) z_bpc=a_bpc-(n_bpc-1)+x_spc
여기서, z_bpc는 피씨 인기키워드 콘텐츠의 노출점수이고, a_bpc는 사전에 설정된 기준 수량이고, n_bpc는 피씨의 포털 사이트에서 특정 키워드에 대한 다수의 인기키워드 중에서 특정 인기키워드 클릭 시, 블로그 영역에 노출되는 특정 인기키워드 콘텐츠의 노출순위를 의미한다. 그리고, x_spc는 피씨에 대한 특정 인기키워드의 누적평균점수인 피씨 특정 인기키워드의 누적평균점수를 의미한다. 예를 들어, a_bpc는 30으로 설정될 수 있다.
5.1.2. 모바일 인기키워드 콘텐츠의 노출점수(z_bmb)
그리고, 마케팅점수 산출부(37)는 (수학식 14)를 이용하여 특정 키워드에 대해 모바일 인기키워드 콘텐츠의 노출점수를 산출한다. 여기서, 모바일 인기키워드 콘텐츠의 노출점수는 모바일의 포털 사이트에서 특정 키워드 검색 시, 포털 사이트에 노출된 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위를 및 상기 특정 인기키워드 콘텐츠의 노출순위를 반영한 점수를 의미한다.
(수학식 14) z_bmb=a_bmb-(n_bmb-1)+x_smb
여기서, z_bmb는 모바일 인기키워드 콘텐츠의 노출점수이고, a_bmb는 기준 수량이고, n_bmb는 모바일의 포털 사이트에서 특정 키워드에 대한 다수의 인기키워드 중에서 특정 인기키워드 클릭 시, 블로그 영역에 노출되는 특정 인기키워드 콘텐츠의 노출순위를 의미한다.
그리고, x_smb는 모바일에 대한 특정 인기키워드의 누적평균점수인 모바일 특정 인기키워드의 누적평균점수를 의미한다.
5.1.3. 피씨 인기키워드 콘텐츠의 마케팅점수(y_bpc)
그리고, 마케팅점수 산출부(37)는 (수학식 15)를 이용하여 피씨 인기키워드 콘텐츠의 마케팅점수를 산출한다.
(수학식 15) y_bpc=(z_bpc+m_bpc)×x_k×x_jpc
여기서, y_bpc는 피씨 인기키워드 콘텐츠의 마케팅점수, m_bpc는 피씨 인기키워드 콘텐츠의 가산점이고, z_bpc는 피씨 인기키워드 콘텐츠의 노출점수이고, x_k는 키워드의 잠재가치지수이고, x_jpc는 피씨의 디바이스 지수를 의미한다.
그리고, 피씨 인기키워드 콘텐츠의 가산점은 피씨의 포털 사이트에서 특정 키워드 통합 검색 시, 더보기 버튼에 대한 클릭 없이, 블로그 영역에 노출되는 인기키워드 콘텐츠에 대해 주어지는 가산점을 의미한다.
구체적으로, 피씨 인기키워드 콘텐츠의 가산점은 피씨의 포털 사이트 검색 시, 블로그 영역에 노출되는 인기키워드 콘텐츠수를 의미한다.
5.1.4. 모바일 인기키워드 콘텐츠의 마케팅점수(y_bmb)
먼저, 마케팅점수 산출부(37)는 (수학식 16)을 이용하여 모바일 인기키워드 콘텐츠의 마케팅점수를 산출한다.
(수학식 16) y_bmb=(z_bmb+m_bmb)×x_k×x_jmb
여기서, y_bmb는 모바일 인기키워드 콘텐츠의 마케팅점수, z_bmb는 모바일 인기키워드 콘텐츠의 노출점수이고, m_bmb는 모바일 인기키워드 콘텐츠의 가산점이고, x_k는 키워드의 잠재가치지수이고, x_jmb는 모바일의 디바이스 지수를 의미한다.
그리고, 모바일 인기키워드 콘텐츠의 가산점은 모바일의 포털 사이트에서 특정 키워드 통합 검색 시, 더보기 버튼에 대한 클릭 없이, 블로그 영역에 노출되는 인기키워드 콘텐츠에 대해 주어지는 가산점을 의미한다.
구체적으로, 모바일 인기키워드 콘텐츠의 가산점은 모바일의 포털 사이트 검색 시, 블로그 영역에 노출되는 인기키워드 콘텐츠수를 의미한다.
5.2. 비인기키워드
도 9는 비인기키워드 콘텐츠의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 9를 참조하면, 비인기키워드 콘텐츠는 포털 사이트에서 특정 키워드 통합검색 시, 인기키워드가 노출되지 않는 경우, 블로그 검색에 노출되는 특정 병원의 콘텐츠를 의미한다.
예를 들어, 포털 사이트에서 통합 검색 시, 인기키워드가 노출되지 않는 특정 키워드는 강남보톡스, 부산비염 등일 수 있다.
그리고, 해당 단원에서는 피씨 및 모바일의 블로그 검색에 노출되는 비인기키워드 콘텐츠가 다르므로, 피씨 및 모바일을 분리하여, 비인기키워드 콘텐츠의 노출점수를 각각 산출한다.
5.2.1. 피씨 비인기키워드 콘텐츠의 노출점수(z_bipc)
먼저, 마케팅점수 산출부(37)는 (수학식 17)을 이용하여 특정 키워드에 대해 피씨 비인기키워드 콘텐츠의 노출점수를 산출한다.
여기서, 피씨 비인기키워드 콘텐츠의 노출점수는 피씨의 포털 사이트에서 특정 키워드 검색 시, 블로그 검색에 노출되는 비인기키워드 콘텐츠의 노출순위를 반영한 점수를 의미한다.
(수학식 17) z_bipc=a_bipc-(n_bipc-1)
여기서, z_bipc는 피씨 비인기키워드 콘텐츠의 노출점수이고, a_bipc는 기준 수량이고, n_bipc는 피씨의 포털 사이트에서 특정 키워드 검색 시, 블로그 검색에 노출되는 비인기키워드 콘텐츠의 노출순위를 의미한다.
5.2.2. 모바일 비인기키워드 콘텐츠의 노출점수(z_bimb)
그리고, 마케팅점수 산출부(37)는 (수학식 18)을 이용하여 특정 키워드에 대해 모바일 비인기키워드 콘텐츠의 노출점수를 산출한다.
여기서, 모바일 비인기키워드 콘텐츠의 노출점수는 모바일의 포털 사이트에서 특정 키워드 검색 시, 블로그 검색에 노출되는 비인기키워드 콘텐츠의 노출순위를 반영한 점수를 의미한다.
(수학식 18) z_bimb=a_bimb-(n_bimb-1)
여기서, z_bimb는 모바일 비인기키워드 콘텐츠의 노출점수이고, a_bimb는 기준 수량이고, n_bimb는 모바일의 포털 사이트에서 특정 키워드 검색 시, 블로그 검색에 노출되는 비인기키워드 콘텐츠의 노출순위를 의미한다.
5.2.3. 피씨 비인기키워드 콘텐츠의 마케팅점수(y_bipc)
그리고, 마케팅점수 산출부(37)는 (수학식 19)를 이용하여 피씨 비인기키워드 콘텐츠의 마케팅점수를 산출한다.
(수학식 19) y_bipc=(z_bipc+m_bi)×x_k×x_jpc
여기서, y_bipc는 피씨 비인기키워드 콘텐츠의 마케팅점수, z_bipc는 피씨 비인기키워드 콘텐츠의 노출점수이고, m_bipc는 피씨 비인기키워드 콘텐츠의 가산점이고, x_k는 키워드의 잠재가치지수이고, x_jpc는 피씨의 디바이스 지수를 의미한다.
그리고, 피씨 비인기키워드 콘텐츠의 가산점은 피씨의 포털 사이트에서 특정 키워드 통합 검색 시, 더보기 버튼에 대한 클릭 없이, 블로그 검색에 노출되는 비인기키워드 콘텐츠에 대해 주어지는 가산점을 의미한다.
구체적으로, 피씨 비인기키워드 콘텐츠의 가산점은 피씨의 포털 사이트 검색 시, 블로그 검색에 노출되는 비인기키워드 콘텐츠수를 의미한다.
5.2.4. 모바일 비인기키워드 콘텐츠의 마케팅점수(y_bimb)
그리고, 마케팅점수 산출부(37)는 (수학식 20)을 이용하여 모바일 비인기키워드 콘텐츠의 마케팅점수를 산출한다.
(수학식 20) y_bimb=(z_bimb+m_bimb)×x_k×x_jmb
여기서, y_bimb는 모바일 비인기키워드 콘텐츠의 마케팅점수, z_bimb는 모바일 비인기키워드 콘텐츠의 노출점수이고, m_bimb는 모바일 비인기키워드 콘텐츠의 가산점이고, x_k는 키워드의 잠재가치지수이고, x_jmb는 모바일의 디바이스 지수를 의미한다.
그리고, 모바일 비인기키워드 콘텐츠의 가산점은 모바일의 포털 사이트에서 특정 키워드 통합 검색 시, 더보기 버튼에 대한 클릭 없이, 블로그 검색에 노출되는 비인기키워드 콘텐츠에 대해 주어지는 가산점을 의미한다.
구체적으로, 모바일 비인기키워드 콘텐츠의 가산점은 모바일의 포털 사이트 검색 시, 블로그 검색에 노출되는 비인기키워드 콘텐츠수를 의미한다.
5.3. 동영상 사이트
도 10은 동영상 사이트의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 10을 참조하면, 동영상 사이트에서는 디바이스에 따른 노출순위의 차이가 발생하지 않으므로, 동영상 사이트의 마케팅점수에는 디바이스 지수를 반영하지 않는다.
그리고, 동영상 사이트에서는 특정 키워드에 맞게 동영상이 노출되는 것이 아니라, 동영상의 연관성에 따라 동영상의 노출 영역이 결정되므로, 특정 키워드와 관련된 연관 키워드의 범위 안에서 노출순위를 체크한다.
그리고, 동영상 사이트에서 특정 키워드의 연관 키워드를 추출하는 방법에는 동영상 사이트의 검색창에 <*특정키워드> 및 <특정키워드*>를 입력하는 방법이 있다.
동일한 콘텐츠가 다수의 연관 키워드에 노출되는 경우는 연관 키워드별로 마케팅점수를 산출하여 합산한다.
5.3.1. 동영상 사이트의 노출점수(z_yk)
먼저, 마케팅점수 산출부(37)는 (수학식 21)을 이용하여 특정 키워드에 대한 다수의 연관 키워드에 대해 동영상 사이트의 노출점수를 각각 산출하고, 다수의 연관 키워드에 대한 동영상 사이트의 노출점수를 합산하여, 특정 키워드에 대한 동영상 사이트의 노출점수를 산출한다.
(수학식 21) z_yk=a_yk-(n_yk-1)
여기서, z_yk는 특정 키워드의 k번째 연관 키워드에 대한 동영상 사이트의 노출점수이고, a_yk는 기준 수량이고, k=1, 2, 3,..., n이고, n은 동영상 사이트에서 특정 키워드에 대한 연관 키워드의 개수이고, n_yk는 특정 키워드의 k번째 연관 키워드에 대해 동영상 사이트에 노출되는 특정 병원의 노출순위이다.
5.3.2. 동영상 사이트의 마케팅점수(y_y)
그리고, 마케팅점수 산출부(37)는 (수학식 22)를 이용하여 특정 키워드에 대한 동영상 사이트의 마케팅점수를 산출한다.
(수학식 22) y_y={
Figure 112023006993983-pat00001
(z_yk)}×g_i
여기서, y_y는 동영상 사이트의 마케팅점수, g_i는 포털 사이트에서 특정 키워드의 잠재가치지수를 의미한다. 이때, 포털 사이트에서 특정 키워드의 잠재가치는 포털 사이트의 월간검색량에 특정 키워드의 잠재가치지수를 곱한 값으로 산출된다.
5.4. 인스타그램
도 11은 인스타그램의 노출점수 및 마케팅점수의 산출 과정에 대한 블록도이다.
도 11을 참조하면, 인스타그램에서는 디바이스에 따른 노출순위의 차이가 발생하지 않으므로, 인스타그램의 마케팅점수에는 디바이스 지수를 반영하지 않는다.
그리고, 인스타그램은 해시태그에 따라 검색에 노출되는 방식으로 연관 키워드를 추천하는 방식이 아니다. 따라서, 인스타그램에는 특정 키워드에 문장형이 아닌 단어형 키워드가 적용된다.
5.4.1. 인스타그램의 노출순위(z_i)
먼저, 마케팅점수 산출부(37)는 (수학식 23)을 이용하여 특정 키워드에 대해 인스타그램의 노출점수를 산출한다.
(수학식 23) z_i=a_i-(n_i-1)
여기서, z_i는 인스타그램의 노출점수이고, a_i는 사전에 설정된 세팅 수량50이고, n_i는 인스타그램에 노출되는 특정 병원의 노출순위이다. 예를 들어, a_i는 50으로 설정될 수 있다.
5.4.2. 인스타그램의 마케팅점수(y_i)
그리고, 마케팅점수 산출부(37)는 (수학식 24)를 이용하여 인스타그램의 마케팅점수를 산출한다.
(수학식 24) y_i=z_i×x_k
여기서, y_i는 인스타그램의 마케팅점수, z_i는 인스타그램의 노출점수이고, x_k는 키워드의 잠재가치지수를 의미한다.
6. 광고 효과 분석 방법
특정 키워드에 대해 제1 링크 및 플레이스의 마케팅점수가 동일하다고 해서, 실제 광고 효과까지 동일한 것은 아니다. 그렇다면, 온라인 마케팅 수단에 대한 광고 효과의 차이를 어떻게 분석할 수 있을까?
온라인 마케팅 수단의 마케팅점수 합산한 후, 광고 효과를 분석하는 경우에는 온라인 마케팅 수단에 대한 중요도를 각각 반영할 필요가 있다. 그러나, 본 발명에서는 온라인 마케팅 수단의 마케팅점수 추이 그래프 및 초진 횟수 추이 그래프의 패턴을 각각 비교하여, 연관성을 평가하는 방식으로 온라인 마케팅 수단의 광고 효과를 분석하므로, 온라인 마케팅 수단별로 광고 효과를 분석하는 경우에는 온라인 마케팅 수단에 대한 중요도를 반영할 필요가 없다.
그리고, 오전 및 오후의 노출순위가 변동되는 문제는 1일 2회 온라인 마케팅 수단별로 노출점수를 산출한 후, 일평균을 구함으로써, 해결할 수 있다.
도 12는 초진 횟수 추이 그래프 및 초진 횟수의 누적평균 그래프 간의 비교 도면이다. 도 12의 가로축은 일수이고, 세로축은 초진 횟수이다.
도 12를 참조하면, 초진 횟수에 대한 온라인 마케팅 수단의 영향 분석 시, 초진 횟수 추이 그래프에서는 극댓값 및 극솟값이 반복적으로 나타나므로, 변화 추이를 파악하기가 어렵다. 이때, 초진 횟수 추이 그래프는 일정 일수 동안 일별 초진 횟수를 그래프로 나타낸 것을 의미한다.
따라서, 함수 도출부(40)는 사전에 설정된 표준 일수 동안 일별로 초진 횟수의 누적 평균을 산출하여, 그래프로 나타낸 초진 횟수의 누적평균 그래프를 생성한다.
여기서, 초진 횟수의 누적 평균은 사전에 설정된 세팅 일수 동안 초진 횟수를 합산한 값을 상기 세팅 일수로 나눈 값을 의미한다. 그리고, 세팅 일수는 표준 일수보다 작게 설정된다.
그리고, 함수 도출부(40)는 상기 누적평균 그래프에서 다수의 변곡점을 파악하고, 변곡점의 시작 시점 또는 상기 변곡점의 시작 시점으로부터 며칠 전의 시점부터 각 온라인 마케팅 수단의 마케팅점수의 변화, 콘텐츠의 노출순위의 변동 및 콘텐츠의 내용 등을 분석할 수 있다.
본 발명에 의한 온라인 의료 마케팅 시스템(10)은 특정 키워드에 대해 포털 사이트, 바이럴 및 SNS 등 온라인 마케팅 수단별로 특정 병원의 노출점수를 산출하고, 상기 특정 병원의 노출점수에 디바이스, 키워드의 잠재가치지수 및 더보기 가산점 등을 각각 반영하여, 특정 병원에 대한 마케팅점수를 산출할 수 있어, 특정 병원에 대한 온라인 마케팅 효과를 극대화시킬 수 있다.
또한, 본 발명에 의한 온라인 의료 마케팅 시스템(10)에서는 AI 기술을 이용한 통계분석으로 진료과목 및 질환별로 초진 횟수 및 마케팅점수 간의 상관함수를 도출하고, 상기 상관함수를 바탕으로 마케팅 투자 수익률을 분석할 수 있어, 온라인 마케팅의 효율이 향상되는 효과가 있다.
또한, 본 발명에 의한 온라인 의료 마케팅 시스템(10)에서는 다수의 마케팅 실행상황 데이터, 내원환자의 정보, 마케팅점수 및 마케팅 투자 수익률 정보를 정량적으로 분석하여, 고객에게 실시간으로 제공할 수 있어, 마케팅 시간이 단축될 뿐만 아니라, 관련 데이터의 정확도가 획기적으로 향상되는 효과가 있다.
10: 온라인 의료 마케팅 시스템
20: 데이터 분류부
25: 데이터 분석부
30: 데이터 수집부
35: 데이터 웨어부
36: 인자 설정부
37: 마케팅점수 산출부
40: 함수 도출부
45: 시스템부
50: 웹서비스

Claims (7)

  1. 온라인 마케팅 수단과 연동하여, 환자의 초진 횟수에 영향을 미치는 다수의 인자를 분석하기 위해 다수의 마케팅 실행상황 데이터를 디바이스, 키워드, 카테고리, 포털, 바이럴 및 SNS의 종류별로 각각 분류하는 데이터 분류부(20);
    상기 데이터 분류부(20)에 의해 분류된 다수의 마케팅 실행상황 데이터를 분석하여, 진료과목 및 질환별로 각각 분류하는 데이터 분석부(25);
    병원접수 프로그램과 연동하여, 다수의 내원환자의 정보를 실시간으로 수집하는 데이터 수집부(30);
    상기 데이터 분석부(25)에 의해 분류된 다수의 마케팅 실행상황 데이터 및 상기 데이터 수집부(30)에 의해 수집된 내원환자의 정보를 바탕으로, 초진 횟수에 영향을 미치는 다수의 인자를 반영하여, 다수의 마케팅 실행상황 데이터에 대해 다수의 마케팅점수를 각각 산출하는 데이터 웨어부(35);
    AI 기술을 이용한 통계분석으로 진료과목 및 질환별로 초진 횟수(y) 및 마케팅점수(x) 간의 상관함수 y=f(x)를 각각 도출하는 함수 도출부(40);
    상기 함수 도출부(40)에 의해 도출된 다수의 상관함수를 바탕으로, 다수의 마케팅 투자 수익률을 각각 산출하는 시스템부(45); 및
    다수의 마케팅 실행상황 데이터, 내원환자의 정보, 마케팅점수 및 마케팅 투자 수익률을 고객에게 제공하는 웹서비스(50);를 포함하고,
    상기 온라인 마케팅 수단은
    포털, 지도, 바이럴 사이트 및 SNS를 포함하고,
    상기 내원환자의 정보는
    환자의 내원경로, 연령, 거주지 및 초진정보를 포함하고,
    상기 데이터 웨어부(35)는
    다수의 마케팅 실행상황 데이터에 대해 데이터 마이닝 기법을 이용하여 초진 횟수에 영향을 미치는 다수의 인자를 설정하는 인자 설정부(36); 및
    상기 인자 설정부(36)에 의해 설정된 다수의 인자에 대해 온라인 마케팅 수단의 로직을 분석한 후, 다수의 지수를 각각 반영하여, 마케팅점수를 산출하는 마케팅점수 산출부(37);를 포함하고,
    상기 마케팅점수 산출부(37)는
    사전에 설정된 기준 기간 동안 특정 키워드에 대해 (수학식 1) 및 (수학식 2)를 이용하여 피씨 및 모바일의 디바이스 지수를 각각 산출하고,
    상기 (수학식 1)은
    x_jpc=x_mb/(x_pc+x_mb)이고,
    상기 (수학식 2)는
    x_jmb=x_mb/(x_pc+x_mb)이고,
    상기 x_jpc는 피씨의 디바이스 지수, 상기 x_jmb는 모바일의 디바이스 지수, 상기 x_mb는 상기 기준 기간 동안 특정 키워드에 대한 모바일 조회수, 상기 x_pc는 상기 기준 기간 동안 특정 키워드에 대한 피씨 조회수이고,
    상기 마케팅점수 산출부(37)는
    (수학식 3)을 이용하여 특정 키워드의 잠재가치지수를 산출하고,
    상기 (수학식 3)은
    x_k=(x_mb+x_pc)×x_l이고,
    상기 x_k는
    특정 키워드의 잠재가치지수이고,
    상기 x_l은
    지역인구비례 지수이고,
    상기 특정 키워드는
    지역명을 포함하지 않는 전국단위의 키워드인 전국 키워드 및 지역명을 포함하는 지역단위의 키워드인 지역 키워드를 포함하고,
    상기 지역인구비례 지수는
    지역 키워드에 대해 (전국의 조회 인원수)에 대한 (특정 지역의 조회 인원수)의 비율을 적용한 지수를 의미하는 것을 특징으로 하는 온라인 의료 마케팅 시스템.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    상기 마케팅점수 산출부(37)는
    (수학식 4)를 이용하여 특정 키워드에 대해 피씨 제1 링크의 노출점수를 산출하고,
    상기 제1 링크는
    피씨 또는 모바일의 포털 사이트에서 특정 키워드 검색 시, 포털 사이트의 최상단에 노출되는 다수의 광고이고,
    상기 피씨 제1 링크의 노출점수는
    피씨의 포털 사이트에서 특정 키워드 통합검색 시, 제1 링크에 노출되는 특정 병원의 노출순위 및 제1 링크 및 제2 링크에 각각 노출되는 병원수를 반영한 점수이고,
    상기 제2 링크는
    피씨 또는 모바일의 포털 사이트에서 특정 키워드 검색 시, 제1 링크의 하부에 노출되는 다수의 광고이고,
    상기 (수학식 4)는
    z_ppc=a_ppc-(n_ppc-1)이고,
    상기 z_ppc는 피씨 제1 링크의 노출점수, 상기 a_ppc는 (피씨 제1 링크의 노출병원수) 및 (피씨 제2 링크의 노출병원수)를 합산한 값, 상기 n_ppc는 피씨의 제1 링크에 노출되는 특정 병원의 노출순위이고,
    상기 마케팅점수 산출부(37)는
    (수학식 5)를 이용하여 특정 키워드에 대해 모바일 제1 링크의 노출점수를 산출하고,
    상기 모바일 제1 링크의 노출점수는
    모바일의 포털 사이트에서 특정 키워드 통합검색 시, 제1 링크에 노출되는 특정 병원의 노출순위 및 제1 링크 및 제2 링크에 각각 노출되는 병원수를 반영한 점수이고,
    상기 (수학식 5)는
    z_pmb=a_pmb-(n_pmb-1)이고,
    상기 z_pmb는 모바일 제1 링크의 노출점수, 상기 a_pmb는 (모바일 제1 링크의 노출병원수) 및 (모바일 제2 링크의 노출병원수)를 합산한 값, 상기 n_pmb는 모바일의 제1 링크에 노출되는 특정 병원의 노출순위이고,
    상기 마케팅점수 산출부(37)는
    (수학식 6)을 이용하여 피씨 제1 링크의 마케팅점수를 산출하고,
    상기 (수학식 6)은
    y_ppc=z_ppc×x_k×x_jpc이고,
    상기 y_ppc는
    피씨 제1 링크의 마케팅점수이고,
    상기 마케팅점수 산출부(37)는
    (수학식 7)을 이용하여 모바일 제1 링크의 마케팅점수를 산출하고,
    상기 (수학식 7)은
    y_pmb=(z_pmb+m_pmb)×x_k×x_jmb이고,
    상기 y_pmb는 모바일 제1 링크의 마케팅점수, 상기 m_pmb은 모바일 제1 링크의 가산점이고,
    상기 모바일 제1 링크의 가산점은
    모바일의 포털 사이트에서 특정 키워드 통합검색 시, 제1 링크에서 더보기 버튼에 대한 클릭 없이, 제1 링크에 노출되는 병원에 대해 주어지는 가산점으로, 제1 링크에 노출되는 병원수인 것을 특징으로 하는 온라인 의료 마케팅 시스템.
  5. 제 4항에 있어서,
    상기 마케팅점수 산출부(37)는
    (수학식 8)을 이용하여 특정 키워드에 대해 피씨 플레이스의 노출점수를 산출하고,
    상기 피씨 플레이스의 노출점수는
    피씨의 지도 사이트에서 특정 키워드 검색 시, 노출병원수 및 특정 병원의 노출순위를 반영한 점수이고,
    상기 (수학식 8)은
    z_mpc=a_mpc-(n_mpc-1)이고,
    상기 z_mpc는 피씨 플레이스의 노출점수이고,
    상기 a_mpc는
    피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트의 첫번째 페이지의 노출병원수이고,
    상기 n_mpc는
    피씨의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트의 첫번째 페이지에 노출되는 특정 병원의 노출순위이고,
    상기 마케팅점수 산출부(37)는
    (수학식 9)를 이용하여 특정 키워드에 대해 모바일 플레이스의 노출점수를 산출하고,
    상기 모바일 플레이스의 노출점수는
    모바일의 지도 사이트에서 특정 키워드 검색 시, 노출병원수 및 특정 병원의 노출순위를 반영한 점수이고,
    상기 (수학식 9)는
    z_mmb=a_mpc-(n_mmb-1)이고,
    상기 z_mmb는
    모바일 플레이스의 노출점수이고,
    상기 n_mmb는
    모바일의 지도 사이트에서 특정 키워드 검색 시, 지도 사이트에 노출되는 특정 병원의 노출순위인 것을 특징으로 하는 온라인 의료 마케팅 시스템.
  6. 제 5항에 있어서,
    상기 마케팅점수 산출부(37)는
    (수학식 12)를 이용하여 특정 인기키워드의 누적평균점수를 산출하고,
    상기 인기키워드는
    포털 사이트에서 특정 키워드 통합검색 시, 상기 포털 사이트에 노출되는 상기 특정 키워드에 대한 다수의 연관 키워드이고,
    상기 (수학식 12)는
    x_s=(∑((인기키워드의 총개수)-((특정 인기키워드의 노출순위)-1)))/(누적일수)이고,
    상기 x_s는
    특정 인기키워드의 누적평균점수이고,
    상기 인기키워드의 총개수는
    포털 사이트에서 특정 키워드 통합검색 시, 포털 사이트에 노출되는 인기키워드의 총개수이고,
    상기 특정 인기키워드의 노출순위는
    포털 사이트에서 특정 키워드 통합검색 시, 포털 사이트에 노출되는 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위이고,
    상기 누적일수는
    사전에 설정된 기준 일수이고,
    상기 마케팅점수 산출부(37)는
    (수학식 13)을 이용하여 특정 키워드에 대해 피씨 인기키워드 콘텐츠의 노출점수를 산출하고,
    상기 피씨 인기키워드 콘텐츠의 노출점수는
    피씨의 포털 사이트에서 특정 키워드 검색 시, 포털 사이트에 노출되는 다수의 인기키워드 중에서 특정 인기키워드에 대한 노출순위 및 상기 특정 인기키워드 콘텐츠의 노출순위를 반영한 점수이고,
    상기 인기키워드 콘텐츠는
    상기 특정 인기키워드 클릭 시, 블로그 영역에 노출되는 특정 병원에 대해 포스팅한 내용이고,
    상기 (수학식 13)은
    z_bpc=a_bpc-(n_bpc-1)+x_spc이고,
    상기 z_bpc는 피씨 인기키워드 콘텐츠의 노출점수, 상기 a_bpc는 사전에 설정된 기준 수량이고,
    상기 n_bpc는
    피씨의 포털 사이트에서 특정 키워드에 대한 다수의 인기키워드 중에서 특정 인기키워드 클릭 시, 블로그 영역에 노출되는 특정 인기키워드 콘텐츠의 노출순위이고,
    상기 x_spc는
    피씨에 대한 특정 인기키워드의 누적평균점수인 피씨 특정 인기키워드의 누적평균점수인 것을 특징으로 하는 온라인 의료 마케팅 시스템.
  7. 제 6항에 있어서,
    상기 마케팅점수 산출부(37)는
    (수학식 21)을 이용하여 특정 키워드에 대한 다수의 연관 키워드에 대해 동영상 사이트의 노출점수를 각각 산출하고,
    상기 다수의 연관 키워드에 대한 동영상 사이트의 노출점수를 합산하여, 상기 특정 키워드에 대한 동영상 사이트의 노출점수를 산출하고,
    상기 (수학식 21)은
    z_yk=a_yk-(n_yk-1)이고,
    상기 z_yk는
    특정 키워드의 k번째 연관 키워드에 대한 동영상 사이트의 노출점수이고,
    상기 a_yk는
    상기 기준 수량이고,
    상기 k는
    1부터 n까지의 자연수 중에서 어느 하나이고,
    상기 n은
    동영상 사이트에서 특정 키워드에 대한 연관 키워드의 개수이고,
    상기 n_yk는
    특정 키워드의 k번째 연관 키워드에 대해 동영상 사이트에 노출되는 특정 병원의 노출순위인 것을 특징으로 하는 온라인 의료 마케팅 시스템.
KR1020230007470A 2023-01-18 2023-01-18 온라인 의료 마케팅 시스템 KR102543544B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230007470A KR102543544B1 (ko) 2023-01-18 2023-01-18 온라인 의료 마케팅 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230007470A KR102543544B1 (ko) 2023-01-18 2023-01-18 온라인 의료 마케팅 시스템

Publications (1)

Publication Number Publication Date
KR102543544B1 true KR102543544B1 (ko) 2023-06-15

Family

ID=86763595

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230007470A KR102543544B1 (ko) 2023-01-18 2023-01-18 온라인 의료 마케팅 시스템

Country Status (1)

Country Link
KR (1) KR102543544B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102028692B1 (ko) * 2018-09-05 2019-10-04 주식회사 케어랩스 병원 운영 솔루션 제공 방법, 서버 및 프로그램
KR20220108590A (ko) 2021-01-27 2022-08-03 (주)메디파이 Sns 플랫폼을 이용한 의료관광 스마트 마켓팅 방법
KR20220148401A (ko) * 2021-04-29 2022-11-07 주식회사 슬로우슬로우 온라인을 이용한 병원 운영 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102028692B1 (ko) * 2018-09-05 2019-10-04 주식회사 케어랩스 병원 운영 솔루션 제공 방법, 서버 및 프로그램
KR20220108590A (ko) 2021-01-27 2022-08-03 (주)메디파이 Sns 플랫폼을 이용한 의료관광 스마트 마켓팅 방법
KR20220148401A (ko) * 2021-04-29 2022-11-07 주식회사 슬로우슬로우 온라인을 이용한 병원 운영 시스템 및 방법

Similar Documents

Publication Publication Date Title
Huai et al. Which environmental features contribute to positive and negative perceptions of urban parks? A cross-cultural comparison using online reviews and Natural Language Processing methods
CN101408886B (zh) 通过分析文档的段落来选择该文档的标签
CN103714084B (zh) 推荐信息的方法和装置
CN105528529B (zh) 基于大数据分析的中医临床技能评价体系的数据处理方法
CN102262661B (zh) 一种基于k阶混合马尔可夫模型的Web页面访问预测方法
CN113707297A (zh) 医疗数据的处理方法、装置、设备及存储介质
CN103208039B (zh) 软件项目风险评价方法及装置
CN106960063A (zh) 一种针对招商引资领域的互联网情报抓取和推荐系统
CN105787262A (zh) 中医临床数字化评价体系及其基于大数据分析的评价方法
CN106339502A (zh) 一种基于用户行为数据分片聚类的建模推荐方法
CN103198418A (zh) 一种应用推荐方法和系统
CN107330613A (zh) 一种舆情监控方法、设备及计算机可读存储介质
CN101408887A (zh) 推荐词条以指定本体空间
CN108647249A (zh) 舆情数据预测方法、装置、终端及存储介质
CN105975609A (zh) 一种工业设计产品智能推荐方法及系统
CN111078859B (zh) 一种基于引用次数的作者推荐方法
CN112509656A (zh) 基于医疗机构的等级评价方法、装置、计算机设备及介质
CN113362960A (zh) 结合多源数据的城市居民公共健康影响因素可视分析系统及方法
Tateosian et al. Plant pest invasions, as seen through news and social media
CN111696656A (zh) 一种互联网医疗平台的医生评价方法、装置
CN110033191B (zh) 一种商业人工智能的分析方法及系统
CN108009194A (zh) 一种图书推送方法、电子设备、存储介质及装置
CN101807183A (zh) 关键词汇实时扩展方法、系统及其计算机可擦写记录媒体
CN106202299A (zh) 一种基于残疾人特征的残疾人权威用户推荐方法
KR101401175B1 (ko) 가중치 tf 기법을 이용한 텍스트 마이닝 방법 및 시스템

Legal Events

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