KR102573285B1 - 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102573285B1
KR102573285B1 KR1020230072384A KR20230072384A KR102573285B1 KR 102573285 B1 KR102573285 B1 KR 102573285B1 KR 1020230072384 A KR1020230072384 A KR 1020230072384A KR 20230072384 A KR20230072384 A KR 20230072384A KR 102573285 B1 KR102573285 B1 KR 102573285B1
Authority
KR
South Korea
Prior art keywords
customer
information
marketing
content
delivery
Prior art date
Application number
KR1020230072384A
Other languages
English (en)
Inventor
홍관영
이수민
강선우
Original Assignee
(주)밀버스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)밀버스 filed Critical (주)밀버스
Priority to KR1020230072384A priority Critical patent/KR102573285B1/ko
Application granted granted Critical
Publication of KR102573285B1 publication Critical patent/KR102573285B1/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
    • G06Q30/0244—Optimization
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06Q30/01—Customer relationship services
    • 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
    • G06Q30/0251—Targeted advertisements

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

실시예들은 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 마케팅과 관련된 컨텐츠에 대한 정보 및 복수의 고객에 대한 가입 정보를 획득하고, 기 복수의 고객에 대한 가입 정보를 기반으로 상기 복수의 고객과 관련된 정보를 수집하고, 상기 고객과 관련된 정보는 활동 정보, 구매 이력 정보 및 CS(customer service) 이력 정보 및 컨텐츠 발송 이력에 대한 정보를 포함하고, 상기 복수의 고객과 관련된 정보를 제1 뉴럴 네트워크를 이용하는 고객 분류 모델에 입력함으로써, 상기 복수의 고객을 복수의 집단으로 분류하고, 상기 마케팅과 관련된 컨텐츠에 대한 정보에 기반하여 상기 복수의 집단 중에서 적어도 하나의 집단을 발송 타겟 집단으로 결정하고, 상기 발송 타겟 집단에 포함된 고객에 대한 가입 정보 및 컨텐츠 발송 이력에 대한 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 컨텐츠 발송 모델을 통해 상기 발송 타겟 집단에 포함된 고객별로 발송 요일 및 시간을 결정하고, 상기 발송 요일 및 시간에 상기 마케팅과 관련된 컨텐츠를 상기 발송 타겟 집단에 포함된 고객이 사용하는 고객 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 컨텐츠 발송 이력에 대한 정보에 기반하여 상기 마케팅과 관련된 컨텐츠의 형태가 상기 발송 타겟 집단에 포함된 고객별로 자동 변환될 수 있다.

Description

뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING CUSTOMER MANAGEMENT SERVICE USING NEURAL NETWORKS}
본 개시의 실시예들은 고객 관리 서비스를 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치에 대한 것이다.
한편, 인공지능에 기반한 CRM(customer relationship management) 시장이 전세계적으로 크게 성장하고 있다. CRM의 궁극적인 목표는 일대일의 개인화 마케팅이지만, 기업이 현장에서 실제 적용하기에는 많은 비용을 요구하는 문제가 있다. 특히, 중소기업들은 CRM 시스템 도입 비용, CRM 전문인력부족, 전담조직 운영 부담, CRM 도입 비용 대비 효과에 대한 이해도 및 확신 부족 등의 이유로 CRM 도입 및 운영에 어려움을 느끼고 있다.
또한, CRM을 운영하기 위해서는 기업의 실정에 맞는 마케팅 전략을 수립하고, 해당 마케팅 전략을 달성하기 위해 필요한 CRM 전략을 수립하여야 한다. 이러한 과정에서 필요한 각종 마케팅 관련 통계 집계 및 분석, 고객 분석 등의 정보를 CRM 시스템에서 제공받아서 전략을 수립하게 되는데, 각종 데이터를 체계적으로 수집 및 저장, 정제, 보관 관리하는 비용 또한 무시할 수 없다.
따라서, CRM 전문인력이나 조직이 없어도, CRM의 활용을 통해 마케팅 효과를 최대화할 수 있게, 고객의 데이터와 기업의 데이터를 연계하여 활용하는 자동화 기술이 필요하다. 다만, 기존 CRM 업무는 분석, 발송, 결과 수집 등 단계별로 각각의 프로그램 또는 환경에서 수행하는 번거로움이 존재한다.
이에, 뉴럴 네트워크를 이용한 종합적인 고객 관리 서비스를 통해, 고객과 관련된 다양한 정보를 수집하여 복수의 고객을 집단화하고, 고객의 구매 이력, 활동 이력 및 마케팅 이력 등을 기반으로 마케팅 전략에 맞는 타겟 집단을 선정하고, 마케팅과 관련된 컨텐츠에 대한 고객의 반응을 이끌어낼 수 있는 최적의 요일 및 시간을 결정하여 해당 요일 및 시간에 마케팅과 관련된 컨텐츠를 전송할 필요가 있다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 고객 관리 서비스를 제공하는 방법은, 마케팅과 관련된 컨텐츠에 대한 정보 및 복수의 고객에 대한 가입 정보를 획득하고, 기 복수의 고객에 대한 가입 정보를 기반으로 상기 복수의 고객과 관련된 정보를 수집하고, 상기 고객과 관련된 정보는 활동 정보, 구매 이력 정보 및 CS(customer service) 이력 정보 및 컨텐츠 발송 이력에 대한 정보를 포함하고, 상기 복수의 고객과 관련된 정보를 제1 뉴럴 네트워크를 이용하는 고객 분류 모델에 입력함으로써, 상기 복수의 고객을 복수의 집단으로 분류하고, 상기 마케팅과 관련된 컨텐츠에 대한 정보에 기반하여 상기 복수의 집단 중에서 적어도 하나의 집단을 발송 타겟 집단으로 결정하고, 상기 발송 타겟 집단에 포함된 고객에 대한 가입 정보 및 컨텐츠 발송 이력에 대한 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 컨텐츠 발송 모델을 통해 상기 발송 타겟 집단에 포함된 고객별로 발송 요일 및 시간을 결정하고, 상기 발송 요일 및 시간에 상기 마케팅과 관련된 컨텐츠를 상기 발송 타겟 집단에 포함된 고객이 사용하는 고객 단말에게 전송하는 단계를 포함할 수 있다. 예를 들어, 상기 컨텐츠 발송 이력에 대한 정보에 기반하여 상기 마케팅과 관련된 컨텐츠의 형태가 상기 발송 타겟 집단에 포함된 고객별로 자동 변환될 수 있다.
실시예들에 따르면, 서버는 복수의 고객과 관련된 정보를 제1 뉴럴 네트워크를 이용하는 고객 분류 모델에 입력함으로써, 복수의 고객을 복수의 집단으로 분류함으로써, 고객 관리의 편의성을 높이고 마케팅 전략에 맞는 마케팅 타겟을 보다 용이하게 선정할 수 있다.
실시예들에 따르면, 서버는 발송 타겟 집단에 포함된 고객에 대한 가입 정보 및 컨텐츠 발송 이력에 대한 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 컨텐츠 발송 모델을 통해 상기 발송 타겟 집단에 포함된 고객별로 발송 요일 및 시간을 결정함으로써, 고객 단말이 마케팅과 관련된 컨텐츠를 열람할 확률을 높일 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따라 서버가 뉴럴 네트워크(neural network)를 이용하여 고객 관리 서비스를 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 컨텐츠 발송 모델을 나타낸 도면이다.
도 5는 일 실시예에 따라 서버가 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시 형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 에지 또는 링크는 뉴럴 네트워크가 원하는 기능의 수행, 사용자 또는 알고리즘에 의해 가변적으로 적용될 수 있는 가중치를 갖는다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따라 서버가 뉴럴 네트워크(neural network)를 이용하여 고객 관리 서비스를 제공하는 방법을 나타낸다. 도 3의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버(예: 도 1의 서버(108))는 마케팅과 관련된 컨텐츠에 대한 정보 및 복수의 고객에 대한 가입 정보를 획득할 수 있다.
서버는 기업의 고객을 관리하고, 마케팅과 관련된 컨텐츠를 고객에게 발송하는 서버이다. 예를 들어, 서버는 고객에 대한 데이터와 기업에 대한 데이터를 연계하여 통합 관리하고, 고객의 관리 현황에 대한 리포트 정보를 관리자 단말에게 전송할 수 있다. 또한, 서버는 마케팅의 대상으로 선정된 고객 단말에게 마케팅과 관련된 컨텐츠를 발송할 수 있다. 예를 들어, 서버는 뉴럴 네트워크를 통해 복수의 고객 중에서 마케팅의 대상으로 적합한 고객을 선정할 수 있고, 선정된 고객이 사용하는 고객 단말에게 마케팅과 관련된 컨텐츠를 개인화된 발송 형태로 발송할 수 있고, 컨텐츠의 발송 결과를 관리자 단말에게 전송할 수 있다.
고객 단말은 기업이 관리하는 고객의 단말일 수 있다. 예를 들어, 고객 단말은 도 1의 전자 장치(101)를 포함할 수 있다. 관리자 단말은 기업의 고객 관리자(예: 마케팅 담당자)가 사용하는 단말일 수 있다. 예를 들어, 관리자 단말은 도 1의 전자 장치(101)를 포함할 수 있다.
마케팅과 관련된 컨텐츠에 대한 정보는 마케팅 타입 및 마케팅과 관련된 컨텐츠를 포함할 수 있다.
마케팅 타입은 컨텐츠를 이용하여 달성하고자 하는 마케팅 목적을 나타낸다. 예를 들어, 마케팅 타입은 제품 홍보 및 매장 홍보와 같은 매출 향상, 기업 홍보 및 SNS(social network service) 홍보와 같은 브랜드 인지도 향상, 어플리케이션 다운로드 및 설문 조사와 같은 이벤트 참여 및 과거 고객 유입을 포함할 수 있다.
마케팅과 관련된 컨텐츠는 마케팅 목적을 위해 작성된 컨텐츠이며, 예를 들어, 기업 광고 컨텐츠, 제품 광고 컨텐츠, 이벤트 광고 컨텐츠, 소셜 미디어 컨텐츠, 또는 퀴즈, 투표 등과 같은 참여형 컨텐츠 등과 같은 컨텐츠 중 적어도 하나를 포함할 수 있다.
복수의 고객에 대한 가입 정보는 마케팅을 진행하는 기업의 현재 가입 고객들에 대한 정보이다. 예를 들어, 가입 정보는 고객의 이름, 고객의 성별, 고객의 나이, 고객의 주소, 고객의 직업군, 고객의 이메일 주소, 고객의 모바일 단말의 모델, 고객의 전화 번호 및 고객의 ID를 포함할 수 있다.
예를 들어, 마케팅과 관련된 컨텐츠에 대한 정보 및 복수의 고객에 대한 가입 정보는 관리자 단말에 의해 사전 입력될 수 있다. 또는, 예를 들어, 마케팅과 관련된 컨텐츠에 대한 정보 및 복수의 고객에 대한 가입 정보는 관리자 단말로부터 상기 서버에 전송될 수 있다.
단계 S320에서, 서버는 복수의 고객에 대한 가입 정보를 기반으로 복수의 고객과 관련된 정보를 수집할 수 있다.
고객과 관련된 정보는 활동 정보, 구매 이력 정보 및 CS(customer service) 이력 정보 및 컨텐츠 발송 이력에 대한 정보를 포함할 수 있다.
예를 들어, 서버는 고객의 ID, 고객의 이메일 주소 또는 고객의 전화 번호 중 적어도 하나에 기반하여 상기 서버에 저장된 관리자 단말과 관련된 기업의 데이터로부터 복수의 고객 각각에 대한 활동 정보, 구매 이력 정보, CS 이력 정보 및 컨텐츠 발송 이력에 대한 정보를 수집할 수 있다.
예를 들어, 서버는 고객의 ID, 고객의 이메일 주소 또는 고객의 전화 번호 중 적어도 하나에 기반하여 상기 서버에 저장된 관리자 단말과 관련된 기업의 데이터로부터 복수의 고객 각각에 대한 활동 정보, 구매 이력 정보, CS 이력 정보 및 컨텐츠 발송 이력에 대한 정보를 수집할 수 있다. 예를 들어, 관리자 단말과 관련된 기업의 데이터는 서버의 데이터 베이스에 저장될 수 있다. 예를 들어, 서버의 메모리는 복수 개의 데이터 베이스를 포함할 수 있고, 각 데이터 베이스마다 상이한 기업의 데이터가 보관될 수 있다.
활동 정보는 고객의 온라인 및 오프라인에서의 활동에 대한 정보일 수 있다. 예를 들어, 활동 정보는 고객이 구매 관련 웹 페이지에 방문한 총 횟수, 고객이 매장을 방문한 총 횟수, 고객이 구매 관련 웹 페이지에 접속한 총 시간, 고객이 구매 관련 웹 페이지에서 활동한 횟수, 처음 구매 관련 웹 페이지에 접속한 날짜 및 시간, 마지막으로 구매 관련 웹 페이지에 접속한 날짜 및 시간, 고객이 구매 관련 웹 페이지에 테스크탑으로 접속한 횟수, 고객이 구매 관련 웹 페이지에 모바일로 접속한 횟수, 고객이 매장을 처음 방문한 날짜, 고객이 매장에 체류한 시간, 고객이 매장을 마지막으로 방문한 날짜를 포함할 수 있다. 여기서, 고객이 구매 관련 웹 페이지에서 활동한 횟수는 상품 또는 서비스를 장바구니에 담은 횟수, 상품 또는 서비스의 상세 페이지에 접속한 횟수 및 상품 또는 서비스에 대한 결제를 취소한 횟수를 포함할 수 있다.
구매 이력 정보는 고객이 상품 또는 서비스를 구매한 이력에 대한 정보일 수 있다. 예를 들어, 구매 이력 정보는 고객이 상품을 구매한 날짜 및 시간, 고객이 구매한 상품 가격을 포함할 수 있다.
CS 이력 정보는 고객이 고객 센터에 문의를 한 이력에 대한 정보일 수 있다. 예를 들어, CS 이력 정보는 고객이 CS를 요청한 날짜 및 시간, 고객이 CS를 요청한 횟수 및 고객의 CS에 대한 평점을 포함할 수 있다.
컨텐츠 발송 이력에 대한 정보는 고객에게 마케팅과 관련된 컨텐츠를 발송한 이력에 대한 정보이다. 예를 들어, 컨텐츠 발송 이력에 대한 정보는 발송한 마케팅과 관련된 컨텐츠의 마케팅 타입에 대한 정보, 발송의 성공 여부에 대한 정보, 마케팅과 관련된 컨텐츠의 조회 여부에 대한 정보, 마케팅과 관련된 컨텐츠와 연동된 활동의 수행 여부에 대한 정보 및 고객 단말이 마케팅과 관련된 컨텐츠를 수신한 환경에 대한 정보를 포함할 수 있다.
발송한 마케팅과 관련된 컨텐츠의 마케팅 타입에 대한 정보는 매출 향상, 브랜드 인지도 향상, 이벤트 참여 또는 과거 고객 유입 중 어느 하나에 매칭되는 값을 포함할 수 있다.
발송의 성공 여부에 대한 정보는 마케팅과 관련된 컨텐츠의 발송이 성공했는지 여부를 나타내는 정보이다. 예를 들어, 발송의 성공 여부에 대한 정보는 마케팅과 관련된 컨텐츠를 발송한 횟수, 마케팅과 관련된 컨텐츠 각각 발송한 날짜, 요일 및 시간에 대한 정보를 포함하고, 발송에 성공한 경우에는 1 값을 더 포함할 수 있다. 즉, 2023년 5월 5일 금요일 2시에 발송에 성공한 경우, 발송의 성공 여부에 대한 정보는 2023년 5월 5일 금요일 2시에 발송에 매칭되는 값(예: 202305050251)을 포함할 수 있다. 발송에 실패한 경우, 발송의 성공 여부에 대한 정보는 발송한 날짜 및 시간에 대한 정보만을 포함할 수 있다.
마케팅과 관련된 컨텐츠의 조회 여부에 대한 정보는 마케팅과 관련된 컨텐츠를 고객 단말이 조회했는지 여부를 나타내는 정보이다. 예를 들어, 마케팅과 관련된 컨텐츠의 조회 여부에 대한 정보는 마케팅과 관련된 컨텐츠를 조회한 횟수, 마케팅과 관련된 컨텐츠 각각을 조회한 날짜, 요일 및 시간에 대한 정보 및 마케팅과 관련된 컨텐츠에 대한 페이지에 고객 단말이 체류한 시간을 포함할 수 있다. 예를 들어, 고객 단말이 마케팅과 관련된 컨텐츠를 조회하지 않은 경우, 마케팅과 관련된 컨텐츠의 조회 여부에 대한 정보는 0 값을 포함할 수 있다.
마케팅과 관련된 컨텐츠와 연동된 활동의 수행 여부에 대한 정보는 마케팅과 관련된 컨텐츠를 조회한 고객 단말이 마케팅과 관련된 컨텐츠와 연동된 활동을 수행했는지 여부를 나타내는 정보이다. 예를 들어, 마케팅과 관련된 컨텐츠와 연동된 활동은 상품 또는 서비스의 구매, 컨텐츠에 포함된 링크로 이동, 설문 조사, 퀴즈에 대한 답변 및 동영상 시청 등을 포함할 수 있다. 예를 들어, 고객 단말이 마케팅과 관련된 컨텐츠와 연동된 활동을 수행한 경우, 마케팅과 관련된 컨텐츠와 연동된 활동의 수행 여부에 대한 정보는 고객 단말이 해당 활동을 수행한 날짜 및 시간을 포함할 수 있다. 예를 들어, 고객 단말이 마케팅과 관련된 컨텐츠와 연동된 활동을 수행하지 않은 경우, 마케팅과 관련된 컨텐츠와 연동된 활동의 수행 여부에 대한 정보는 0 값을 포함할 수 있다.
고객 단말이 마케팅과 관련된 컨텐츠를 수신한 환경에 대한 정보는 마케팅과 관련된 컨텐츠를 수신한 고객 단말의 종류(예: 데스크탑, 모바일 단말), 마케팅과 관련된 컨텐츠를 조회한 고객 단말의 화면에 대한 정보 및 마케팅과 관련된 컨텐츠가 전송된 방식(예: 이메일 도메인, 문자)을 포함할 수 있다.
단계 S33O에서, 서버는 복수의 고객과 관련된 정보를 제1 뉴럴 네트워크를 이용하는 고객 분류 모델에 입력함으로써, 복수의 고객을 복수의 집단으로 분류할 수 있다.
예를 들어, 복수의 고객과 관련된 정보에 대한 데이터 전처리를 통해 고객별로 잠재 구매력 벡터가 생성될 수 있다. 여기서, 잠재 구매력 벡터는 마지막 구매일자와 관련된 제1 점수, 구매 빈도수와 관련된 제2 점수, 총 구매금액과 관련된 제3 점수, 총 방문 횟수와 관련된 제4 점수, 총 체류 시간과 관련된 제5 점수, 고객의 활동과 관련된 제6 점수 및 CS와 관련된 제7 점수로 구성될 수 있다. 예를 들어, 각각의 점수는 0점 이상 5점 이하의 값으로 결정될 수 있다. 마지막 구매일자와 관련된 제1 점수는 잠재 구매력 벡터를 생성하는 시점으로부터 마지막 구매일자가 가까울수록 큰 값으로 결정될 수 있다. 여기서, 마지막 구매일자는 온라인 구매와 오프라인 구매 중 가장 최근에 구매한 날짜일 수 있다. 구매 빈도수와 관련된 제2 점수는 구매 빈도수에 비례하여 결정될 수 있다. 여기서, 구매 빈도수는 온라인 구매와 오프라인 구매를 모두 합산한 값일 수 있다. 총 구매금액과 관련된 제3 점수는 총 구매금액에 비례하여 결정될 수 있다. 여기서, 총 구매금액은 온라인 구매와 오프라인 구매를 모두 합산한 값일 수 있다. 총 방문 횟수와 관련된 제4 점수는 총 방문 횟수에 비례하여 결정될 수 있다. 여기서, 총 방문 횟수는 온라인 접속 횟수와 오프라인 방문 횟수를 합산한 값일 수 있다. 총 체류 시간과 관련된 제5 점수는 초 시간 단위로 측정된 총 체류 시간에 비례하여 결정될 수 있다. 여기서, 총 체류 시간은 온라인 체류 시간과 오프라인 체류 시간을 합산한 값일 수 있다. 고객의 활동과 관련된 제6 점수는 고객의 활동 횟수에 비례하여 결정될 수 있다. 여기서, 고객의 활동 횟수는 온라인 활동에 대한 횟수일 수 있다. CS와 관련된 제7 점수는 CS를 요청한 횟수에 반비례하여 결정될 수 있다. 여기서, CS를 요청한 횟수는 온라인 상으로 요청한 횟수와 오프라인 상으로 요청한 횟수를 합산한 값일 수 있다.
예를 들어, 복수의 집단은 잠재 구매력 벡터를 구성하는 각각의 점수 분포에 따라 분류될 수 있다. 예를 들어, 복수의 집단은 충성 고객 집단, 유망 고객 집단, 잠재적 충성 고객 집단, 관심 고객 집단, 관리 필요 고객 집단, 이탈 예상 고객 집단 및 이탈 고객 집단을 포함할 수 있다.
충성 고객 집단은 제1 점수 및 제3 점수가 상위 그룹에 속하고, 제2 점수 및 제4 점수 내지 제7 점수가 평균 이상인 집단으로 결정될 수 있다. 예를 들어, 충성 고객 집단은 제1 점수가 4점 내지 5점, 제2 점수가 4점 내지 5점이고 제3 점수가 4점 내지 5점에 해당하는 제1 충성 고객 집단 및 제1 점수가 3점내지 5점이고, 제2 점수가 2점 내지 4점이고 제3 점수가 3점 내지 5점에 해당하는 제2 충성 고객 집단을 포함할 수 있다.
유망 고객 집단은 제1 점수 내지 제3 점수가 평균 이상에서 상위 그룹 이전까지의 점수에 속하고, 제4 점수 내지 제7 점수가 평균 이상인 집단으로 결정될 수 있다.
잠재적 충성 고객 집단은 제1 점수가 상위 그룹에 속하고, 제2 점수 및 제3 점수가 평균 이하이고, 제4 점수 내지 제7 점수가 상위 그룹에 속하는 집단으로 결정될 수 있다. 즉, 제4 점수 내지 제7 점수가 상위 그룹에 속하기 때문에 해당 기업에 관심이 많은 잠재적 집단으로 추정될 수 있다.
관심 고객 집단은 제1 점수가 상위 그룹에 속하고, 제2 점수 내지 제5 점수가 평균 이하이고, 제6 점수 내지 제7 점수가 상위 그룹인 집단으로 결정될 수 있다.
관리 필요 고객 집단은 제1 점수가 평균 이하의 그룹에 속하고, 제2 점수 내지 제3 점수가 평균 이상인 그룹에 속하는 집단으로 결정될 수 있다. 예를 들어, 관리 필요 고객 집단은 제4 점수 내지 제7 점수가 하위 그룹에 속하는 제1 관리 필요 고객 집단과 제4 점수 내지 제7 점수가 하위 그룹 이외의 그룹인 제2 관리 필요 고객 집단을 포함할 수 있다.
이탈 예상 고객 집단은 제1 점수 내지 제7 점수가 평균 이하인 집단으로 결정될 수 있다.
이탈 고객 집단은 제1 점수 내지 제3 점수가 하위 그룹에 속하는 집단으로 결정될 수 있다.
예를 들어, 각 점수의 범위에 따라 상위 그룹, 평균 이상의 그룹, 평균 이하의 그룹 및 하위 그룹으로 분류할 수 있다. 이때, 각 점수의 범위는 해당 점수의 평균 값 및 해당 점수의 표준 편차에 따라 상이하게 결정될 수 있다.
예를 들어, 잠재 구매력 벡터가 고객 분류 모델에 입력되는 것에 기반하여 복수의 집단 중에서 해당 고객이 포함된 집단이 결정될 수 있다. 고객 분류 모델에 사용되는 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 잠재 구매력 벡터 및 복수의 정답 집단에 대한 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 잠재 구매력 벡터 및 복수의 정답 집단에 대한 정보는 서버에 사전 저장될 수 있다. 이때, 복수의 잠재 구매력 벡터를 구성하는 제1 점수 내지 제7 점수의 분포에 따라 집단을 분류하기 위한 점수의 범위가 결정될 수 있다. 고객 분류 모델을 학습시키기 위한 정답 집단에 대한 정보는 하나의 잠재 구매력 벡터에 대응되는 집단을 나타내는 정보이다. 예를 들어, 복수의 집단 각각에 대해 매칭되는 값이 사전 설정될 수 있고, 정답 집단에 대한 정보는 복수의 집단 중 어느 하나의 집단에 매칭되는 값을 포함할 수 있다.
이를 통해, 서버는 제1 뉴럴 네트워크를 이용하는 고객 분류 모델을 통해 복수의 고객에 대한 특성에 따라 복수의 집단으로 분류함으로써, 고객 관리의 편의성을 높이고 보다 용이하게 마케팅 타겟을 선정할 수 있다. 또한, 서버는 복수의 집단으로 분류한 이후, 마케팅 타입이나 컨텐츠 유형에 따라 적합한 고객을 결정하여, 마케팅 타겟을 선정하는 속도를 향상시킬 수 있다.
단계 S340에서, 서버는 마케팅과 관련된 컨텐츠에 대한 정보에 기반하여 복수의 집단 중에서 적어도 하나의 집단을 발송 타겟 집단으로 결정할 수 있다.
예를 들어, 서버는 마케팅 타입에 기반하여 복수의 집단 각각에 대한 우선 순위를 결정할 수 있다. 예를 들어, 서버는 마케팅 타입에 기반하여 제1 점수 내지 제7 점수 각각에 대한 범위를 결정할 수 있다. 서버는 제1 점수 내지 제7 점수 각각에 대한 범위에 따라 복수의 집단 각각에 대한 우선 순위를 결정할 수 있다. 마케팅 타입 각각에 대해 설정된 값이 서버에 저장될 수 있다. 마케팅 타입과 제1 점수 내지 제7 점수 각각의 범위에 대한 매칭 관계가 서버에 사전 설정될 수 있다. 예를 들어, 마케팅 타입과 제1 점수 내지 제7 점수 각각의 범위에 대한 매칭 관계는 관리자 단말로부터 획득될 수도 있다.
예를 들어, 서버는 복수의 집단 각각에 대한 우선 순위에 따라 상기 복수의 집단 중에서 적어도 하나의 집단에 포함된 고객을 발송 타겟 집단으로 결정할 수 있다. 즉, 서버는 복수의 집단 중에서 제1 점수 내지 제7 점수 각각에 대한 범위를 만족하는 적어도 하나의 집단을 우선하여 발송 타겟 집단으로 결정할 수 있다. 발송 타겟 집단은 마케팅과 관련된 컨텐츠를 발송할 타겟으로 설정된 고객으로 이루어진 집단을 지칭한다.
예를 들어, 마케팅 타입이 매출 향상인 경우, 1 값에 매칭될 수 있다. 이때, 마케팅과 관련된 컨텐츠에 대한 정보가 1 값을 포함하는 경우, 제1 점수가 평균 이상이고, 제2 점수 내지 제3 점수가 하위 그룹 이외의 그룹에 속하는 집단에 대해 우선 순위가 가장 높게 결정될 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠에 대한 정보가 1 값을 포함하는 경우, 서버는 복수의 집단 중에서 충성 고객 집단, 유망 고객 집단 및 잠재적 충성 고객 집단을 우선하여 발송 타겟 집단으로 결정할 수 있다. 이때, 서버는 충성 고객 집단, 유망 고객 집단 및 잠재적 충성 고객 집단에서 제1 점수 내지 제3 점수의 합이 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다.
예를 들어, 마케팅 타입이 브랜드 인지도 향상인 경우, 2 값에 매칭될 수 있다. 이때, 마케팅과 관련된 컨텐츠에 대한 정보가 2 값을 포함하는 경우, 제1 점수가 평균 이상인 그룹에 속하는 집단에 대해 우선 순위가 가장 높게 결정될 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠에 대한 정보가 2 값을 포함하는 경우, 서버는 복수의 집단 중에서 충성 고객 집단, 잠재적 충성 고객 집단, 유망 고객 집단, 관리 필요 고객 집단 및 관심 고객 집단을 우선하여 발송 타겟 집단으로 결정할 수 있다. 이때, 서버는 충성 고객 집단, 잠재적 충성 고객 집단, 유망 고객 집단, 관리 필요 고객 집단 및 관심 고객 집단에서 제1 점수가 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다.
예를 들어, 마케팅 타입이 이벤트 참여인 경우, 3 값에 매칭될 수 있다. 이때, 마케팅과 관련된 컨텐츠에 대한 정보가 3 값을 포함하는 경우, 제1 점수, 제4 점수 내지 제7 점수가 평균 이상인 그룹에 속하는 집단에 대해 우선 순위가 가장 높게 결정될 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠에 대한 정보가 3 값을 포함하는 경우, 서버는 복수의 집단 중에서 충성 고객 집단, 잠재적 충성 고객 집단, 유망 고객 집단, 관심 고객 집단을 우선하여 발송 타겟 집단으로 결정할 수 있다. 이때, 서버는 충성 고객 집단, 잠재적 충성 고객 집단, 유망 고객 집단, 관리 필요 고객 집단 및 관심 고객 집단에서 제1 점수와 제4 점수 내지 제7 점수의 합이 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다.
예를 들어, 마케팅 타입이 과거 고객 유입인 경우, 4 값에 매칭될 수 있다. 이때, 마케팅과 관련된 컨텐츠에 대한 정보가 4 값을 포함하는 경우, 제1 점수가 평균 이하이고, 제2 점수 및 제3 점수가 평균 이상인 집단에 대해 우선 순위가 가장 높게 결정될 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠에 대한 정보가 4 값을 포함하는 경우, 서버는 복수의 집단 중에서 관리 필요 고객 집단을 우선하여 발송 타겟 집단으로 결정할 수 있다. 이때, 서버는 관리 필요 고객 집단에서 제2 점수와 제3 점수의 합이 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다.
이와 같이, 마케팅 타입 별로 우선하는 점수의 범위가 제1 점수 내지 제7 점수 중 적어도 하나에 대해 설정될 수 있다. 서버는 설정된 점수의 범위에 따라 복수의 집단 중 적어도 하나의 집단을 발송 타겟 집단으로 결정할 수 있다. 이때, 서버는 적어도 하나의 집단에 포함된 고객들 중에서 우선하는 점수에 대한 합이 높은 고객을 먼저 발송 타겟 집단으로 결정할 수 있다.
이를 통해, 서버는 마케팅 타입 별 복수의 집단 각각에 대한 우선 순위에 따라 적합한 마케팅 대상을 선정할 수 있다.
예를 들어, 서버는 발송 타겟 집단을 포함하는 타겟 설정 메시지를 관리자 단말에게 전송할 수 있다. 여기서, 타겟 설정 메시지는 상기 서버에 의해 결정된 발송 타겟 집단을 관리자 단말에게 알리는 메시지이다.
예를 들어, 서버는 관리자 단말로부터 수락 메시지를 수신한 이후, 상기 발송 타겟 집단에게 상기 마케팅과 관련된 컨텐츠를 전송할 수 있다.
단계 S350에서, 서버는 발송 타겟 집단에 포함된 고객에 대한 가입 정보 및 컨텐츠 발송 이력에 대한 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 컨텐츠 발송 모델을 통해 발송 타겟 집단에 포함된 고객별로 발송 요일 및 시간을 결정할 수 있다.
예를 들어, 서버는 발송 타겟 집단에 포함된 고객에 대한 가입 정보 및 컨텐츠 발송 이력에 대한 정보에 대한 데이터 전처리를 통해 프로필 벡터 및 조회 이력 벡터를 고객별로 생성할 수 있다.
예를 들어, 프로필 벡터는 나이에 대한 값, 성별에 대한 값, 직업군에 대한 값, 이메일 도메인에 대한 값 및 모바일 단말의 모델에 대한 값으로 구성될 수 있다.
직업군에 대한 값은 복수의 직업군 중 어느 하나의 직업군을 나타내는 값이다. 예를 들어, 복수의 직업군은 무직, 자영업자, 학생, 주부, 관리직, 전문직, 사무직, 서비스직, 판매직, 농림어업직, 기능직 및 공무원을 포함할 수 있다. 직업군에 대한 값은 해당 직업군에 매칭되는 값으로 결정될 수 있다. 예를 들어, 직업군이 자영업자인 경우, 직업군에 대한 값은 자영업자에 매칭되는 값인 1로 결정될 수 있다. 예를 들어, 복수의 직업군 각각에 매칭되는 값이 서버에 사전 설정될 수 있다. 본 개시에서 직업군의 종류는 이에 한정되지 않고, 더 다양한 직업군을 포함할 수 있다.
이메일 도메인에 대한 값은 복수의 이메일 도메인 중 어느 하나의 이메일 도메인을 나타내는 값이다. 예를 들어, 이메일 도메인에 대한 값은 해당 이메일 도메인에 매칭되는 값으로 결정될 수 있다. 예를 들어, 복수의 이메일 도메인 각각에 매칭되는 값이 서버에 사전 설정될 수 있다. 이때, 복수의 이메일 도메인은 웹 크롤링을 통해 주기적으로 업데이트될 수 있다. 예를 들어, 복수의 이메일은 도메인은 국내 및 국외의 이메일 도메인 뿐만 아니라 국내외 관공서의 이메일 도메인도 포함할 수 있다.
모바일 단말의 모델에 대한 값은 복수의 모바일 단말의 모델 중 어느 하나의 모델을 나타내는 값이다. 예를 들어, 모바일 단말의 모델에 대한 값은 해당 모델에 매칭되는 값으로 결정될 수 있다. 예를 들어, 복수의 모바일 단말의 모델 각각에 매칭되는 값이 서버에 사전 설정될 수 있다. 이때, 복수의 모바일 단말의 모델은 웹 크롤링을 통해 주기적으로 업데이트될 수 있다. 예를 들어, 모바일 단말의 모델은 국내외에서 제조된 모바일 단말의 모델을 포함할 수 있다.
예를 들어, 조회 이력 벡터는 마케팅 타입과 관련된 값, 컨텐츠 유형과 관련된 값, 발송 날짜 및 시간에 대한 값, 조회 날짜 및 시간에 대한 값, 열람 환경과 관련된 값 및 발송 방식과 관련된 값이 해당 고객에게 발송된 마케팅과 관련된 컨텐츠별로 구성될 수 있다.
마케팅 타입과 관련된 값은 마케팅과 관련된 컨텐츠에 대한 마케팅 타입을 나타내는 값이다. 예를 들어, 마케팅 타입은 매출 향상, 브랜드 인지도 향상, 이벤트 참여 또는 과거 고객 유입 중 적어도 하나의 타입일 수 있다. 예를 들어, 마케팅 타입과 관련된 값은 해당 마케팅 타입에 매칭되는 값으로 결정될 수 있다. 예를 들어, 마케팅 타입 각각에 매칭되는 값이 서버에 사전 설정될 수 있다.
컨텐츠 유형과 관련된 값은 마케팅과 관련된 컨텐츠의 유형을 나타내는 값이다. 예를 들어, 컨텐츠 유형은 기업 광고 컨텐츠, 제품 광고 컨텐츠, 이벤트 광고 컨텐츠, 소셜 미디어 컨텐츠, 또는 참여형 컨텐츠 중 어느 하나의 유형일 수 있다. 예를 들어, 컨텐츠 유형과 관련된 값은 해당 컨텐츠 유형에 매칭되는 값으로 결정될 수 있다. 예를 들어, 컨텐츠 유형 각각에 매칭되는 값이 서버에 사전 설정될 수 있다.
발송 날짜 및 시간에 대한 값은 마케팅과 관련된 컨텐츠를 고객 단말에게 발송한 날짜, 요일 및 시간을 나타내는 값이다. 조회 날짜 및 시간에 대한 값은 마케팅과 관련된 컨텐츠를 고객 단말이 조회한 날짜, 요일 및 시간을 나타내는 값이다.
열람 환경과 관련된 값은 마케팅과 관련된 컨텐츠를 조회한 고객 단말의 종류를 나타내는 값이다. 고객 단말의 종류는 PC(personal computer) 및 모바일 단말을 포함할 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠가 PC를 통해 조회된 경우, 열람 환경과 관련된 값은 PC에 매칭된 값(예: 1)으로 결정될 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠가 모바일 단말을 통해 조회된 경우, 열람 환경과 관련된 값은 모바일 단말에 매칭된 값(예: 2)으로 결정될 수 있다.
발송 방식과 관련된 값은 마케팅과 관련된 컨텐츠를 발송한 방식을 나타내는 값이다. 예를 들어, 발송 방식은 이메일 발송 및 문자 발송을 포함할 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠가 이메일을 통해 발송된 경우, 발송 방식과 관련된 값은 이메일에 매칭된 값(예: 1)으로 결정될 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠가 문자를 통해 발송된 경우, 발송 방식과 관련된 값은 모바일 단말에 매칭된 값(예: 2)으로 결정될 수 있다.
예를 들어, 발송 타겟 집단에 대한 프로필 벡터 및 조회 이력 벡터가 컨텐츠 발송 모델에 입력되는 것에 기반하여, 발송 타겟 집단에 포함된 고객별로 발송 형태가 결정될 수 있다. 발송 형태는 발송 방식, 발송 요일 및 발송 시간을 포함할 수 있다. 발송 방식은 이메일을 통한 제1 발송 방식과 문자를 통한 제2 발송 방식을 포함할 수 있다. 발송 요일은 발송하는 요일이며, 월요일부터 일요일을 포함할 수 있다. 발송 시간은 발송하는 시간으로, 하루 24시간을 10분 단위로 구분하여 나타낸 시간일 수 있다.
예를 들어, 컨텐츠 발송 모델에 사용되는 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다.
복수의 프로필 벡터, 복수의 조회 이력 벡터 및 복수의 정답 발송 형태로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
복수의 프로필 벡터, 복수의 조회 이력 벡터 및 복수의 정답 발송 형태는 서버에 사전 저장될 수 있다. 컨텐츠 발송 모델을 학습시키기 위한 정답 발송 형태는 하나의 프로필 벡터 및 해당 프로필 벡터에 매칭된 조회 이력 벡터로 이루어진 세트에 대해 열람 확률이 가장 높은 발송 형태이다.
예를 들어, 복수의 조회 이력 벡터 및 복수의 정답 발송 형태는 발송 타겟 집단에 마케팅과 관련된 컨텐츠를 전송한 이후 업데이트될 수 있다.
예를 들어, 서버는 발송 타겟 집단에 대한 발송 형태를 포함하는 발송 확인 메시지를 관리자 단말에게 전송할 수 있다. 발송 확인 메시지는 서버가 마케팅과 관련된 컨텐츠를 전송하기 이전에 발송 형태에 대해 관리자 단말로부터 승인을 받기 위해 확인을 요청하는 메시지이다.
예를 들어, 관리자 단말로부터 서버가 승인 메시지를 수신하는 것에 기반하여, 서버는 고객별 발송 형태에 따라 상기 발송 타겟 집단에게 상기 마케팅과 관련된 컨텐츠를 전송할 수 있다. 승인 메시지는 발송 형태에 대한 승인을 알리는 메시지이다.
또는, 예를 들어, 관리자 단말로부터 서버가 수정 메시지를 수신하는 것에 기반하여 서버는 수정 메시지에 따라 수정된 발송 형태를 기반으로 발송 타겟 집단에게 마케팅과 관련된 컨텐츠를 전송할 수 있다. 수정 메시지는 발송 형태에 대한 수정을 요청하는 메시지이고, 예를 들어, 수정된 발송 방식, 수정된 발송 요일 및 발송 시간을 포함할 수 있다.
단계 S360에서, 서버는 발송 요일 및 시간에 마케팅과 관련된 컨텐츠를 발송 타겟 집단에 포함된 고객이 사용하는 고객 단말에게 전송할 수 있다.
예를 들어, 컨텐츠 발송 이력에 대한 정보에 기반하여 마케팅과 관련된 컨텐츠의 형태가 발송 타겟 집단에 포함된 고객별로 자동 변환될 수 있다. 예를 들어, 서버는 마케팅과 관련된 컨텐츠를 조회한 고객 단말의 화면에 대한 정보에 기반하여 마케팅과 관련된 컨텐츠의 형태를 고객별로 자동 변환시킬 수 있다. 예를 들어, 서버는 마케팅과 관련된 컨텐츠를 조회한 고객 단말의 화면에 대한 정보 중에서 가장 최근 조회된 화면을 기반으로 마케팅과 관련된 컨텐츠의 형태를 고객별로 자동 변환시킬 수 있다.
마케팅과 관련된 컨텐츠를 조회한 고객 단말의 화면은 PC 내 웹 브라우저에 대한 화면, 모바일 단말 내 모바일 웹에 대한 화면, 모바일 단말 내 웹 앱에 대한 화면 및 모바일 단말 내 네이티브 앱에 대한 화면을 포함할 수 있다. 이때, 각각의 화면에 따라 마케팅과 관련된 컨텐츠의 형태가 상이할 수 있다. 즉, 마케팅과 관련된 컨텐츠의 형태는, PC 내 웹 브라우저의 경우에는 PC 화면에 맞게 구성된 형태이고, 모바일 웹의 경우에는 모바일 화면에 맞게 구성된 풀 브라우저 형태이고, 웹 앱의 경우에는 모바일 화면에 맞게 구성된 단일 페이지 형태이고, 네이티브 앱의 경우에는 모바일 단말의 운영체제에 최적화된 화면에 맞게 구성된 형태일 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠를 각각의 화면에 따른 형태로 구성하기 위한 정보는 서버에 사전 저장될 수 있다.
이를 통해, 고객 단말이 서버로부터 수신된 마케팅과 관련된 컨텐츠를 조회할 때, 고객 단말의 환경을 고려하여 보다 최적화된 컨텐츠를 조회할 수 있다.
일 실시예에 따르면, 서버는 고객 단말로부터 상기 마케팅과 관련된 컨텐츠에 대한 발송 결과 정보를 수신할 수 있다.
발송 결과 정보는 발송의 성공 여부에 대한 정보, 마케팅과 관련된 컨텐츠의 조회 여부에 대한 정보, 마케팅과 관련된 컨텐츠와 관련된 페이지에 고객 단말이 체류한 시간에 대한 정보, 마케팅과 관련된 컨텐츠와 연동된 활동의 수행 여부에 대한 정보 및 상기 고객 단말이 마케팅과 관련된 컨텐츠를 수신한 환경에 대한 정보를 포함할 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠와 관련된 페이지에 고객 단말이 체류한 시간은 마케팅과 관련된 컨텐츠와 연동된 페이지에 고객 단말이 접속하여 해당 페이지에 체류한 시간일 수 있다.
예를 들어, 서버는 마케팅과 관련된 컨텐츠에 대한 발송 결과 정보를 기반으로 컨텐츠 발송 이력에 대한 정보를 업데이트할 수 있다.
예를 들어, 서버는 관리자 단말로부터 마케팅 진행 상황에 대한 확인을 요청하는 확인 요청 메시지를 수신할 수 있다. 서버는 복수의 고객에 대한 가입 정보 및 복수의 고객과 관련된 정보에 기반하여 마케팅과 관련된 컨텐츠에 대한 대시보드를 결정할 수 있다. 여기서, 대시보드는 가입 고객 중에서 발송 타겟 집단에 대한 발송 진행 상황에 대한 정보 및 가입 고객 중에서 발송 타겟 집단에 대한 성과 분석 정보를 포함할 수 있다. 예를 들어, 발송 진행 상황에 대한 정보는 발송 타겟에 대한 수신율, 조회율, 클릭율 및 ROI(Return on Investment) 데이터를 포함할 수 있다. 성과 분석 정보는 발송 타겟 집단의 성별 또는 연령에 따른 전환율과 발송 타겟 집단에 대한 구매 금액별 분포를 포함할 수 있다.
서버는 대시보드를 포함하는 리포트 메시지를 관리자 단말에게 전송할 수 있다. 여기서, 리포트 메시지는 확인 요청 메시지에 대응하여 현재 마케팅과 관련된 컨텐츠의 발송 진행 상황과 성과 분석에 대한 정보를 보고하기 위한 메시지이다.
도 4는 일 실시예에 따른 컨텐츠 발송 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 컨텐츠 발송 모델은 RNN(recurrent neural network)를 변형시킨 GRU(gated recurrent unit) 모델이 사용될 수 있다.
일반적으로 RNN은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM(long short term memory networks)이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 이러한 LSTM의 구조를 간결하게 변형하여 속도를 개선한 모델이 GRU이다.
예를 들어, GRU 모델에 사용되는 뉴럴 네트워크는 입력 레이어(410), 하나 이상의 히든 레이어(420) 및 출력 레이어(430)를 포함할 수 있다.
예를 들어, 하나 이상의 히든 레이어(420)는 하나 이상의 GRU 블록을 포함하고, 하나의 GRU 블록은 리셋 게이트(reset gate)와 업데이트 게이트(update gate)를 포함할 수 있다. 여기서, 리셋 게이트와 업데이트 게이트는 시그모이드 레이어를 포함할 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 예를 들어, 리셋 게이트 및 업데이트 게이트를 통해 히든 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
구체적으로, 예를 들어, 리셋 게이트는 과거의 정보를 리셋시키며, 이전 히든 레이어를 거쳐 도출된 가중치 r(t)는 수학식 1에 의해 결정될 수 있다.
예를 들어, 복수의 프로필 벡터 및 복수의 조회 이력 벡터가 입력 레이어(420)에 입력되고, 상기 리셋 게이트는 입력 레이어(420)에 입력된 값을 기반으로 생성된 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wr와 내적하고, 입력 레이어(420)에 입력된 값을 기반으로 생성된, 이전 시점의 히든 스테이트(h(t-1))를 이전 시점의 가중치 Ur와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력되어 결과가 0과 1 사이의 값으로 출력될 수 있다. 이러한 0과 1 사이의 값을 통해 이전 시점의 히든 스테이트 값을 얼마나 활용할 것인지 결정될 수 있다.
업데이트 게이트는 과거와 현재의 정보에 대한 최신화 비율을 결정하며, z(t)는 현재 시점의 정보의 양으로, 수학식 2에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wz와 내적하고, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uz와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력됨으로써 결과가 0과 1 사이의 값으로 출력될 수 있다. 그리고 1-z(t)를 직전 시점의 히든 레이어의 정보(h(t-1))에 곱할 수 있다.
이를 통해, z(t)는 현재 정보를 얼마나 사용할 지와 1-z(t)를 과거 정보에 대해 얼마나 사용할지를 반영할 수 있다.
리셋 게이트의 결과를 곱하여 현재 시점 t의 정보 후보군이 수학식 3에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wh와 내적한 값과, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uh와 내적하고, r(t)를 곱한 값을 합하여 tanh 함수에 입력될 수 있다.
업데이트 게이트와 후보군의 결과를 결합함으로써, 현재 시점의 히든 레이어의 가중치를 수학식 4에 의해 결정할 수 있다.
예를 들어, 업데이트 게이트의 출력 값 z(t)와 현재 시점의 히든 스테이트(h(t))를 곱한 값과 업데이트 게이트에서 버려지는 값 1-z(t)와 이전 시점의 히든 스테이트(h(t-1))을 곱한 값의 합으로 현재 시점의 히든 레이어의 가중치가 결정될 수 있다. 이러한 과정을 통해, 컨텐츠 발송 모델에 사용되는 GRU 모델을 학습시킬 수 있다.
일 실시예에 따르면, 컨텐츠 발송 이력에 대한 정보에 따라 결정된 마케팅과 관련된 컨텐츠의 조회 횟수가 사전 설정된 횟수 미만인 고객인 경우, 서버는 해당 고객의 프로필 벡터를 기반으로 n개의 프로필 유형 중 어느 하나의 프로필 유형으로 분류할 수 있다. 예를 들어, 조회 횟수는 컨텐츠 발송 이력에 대한 정보에 따라 해당 고객이 마케팅과 관련된 컨텐츠를 조회한 횟수로 결정될 수 있다. 여기서, n개의 프로필 유형은 복수의 고객에 대한 가입 정보를 기반으로 그룹핑될 수 있다. 예를 들어, 서버는 고객 단말의 프로필 벡터를 기반으로 n개의 프로필 유형 중에서 해당 고객이 포함되는 프로필 유형을 결정하고, 해당 프로필 유형에 최적화된 발송 형태를 해당 고객의 발송 형태로 결정할 수 있다. 예를 들어, 해당 프로필 유형에 최적화된 발송 형태는 해당 프로필 유형에 포함된 고객에 대한 프로필 벡터와 조회 이력 벡터를 컨텐츠 발송 모델에 입력하여 결정된 발송 형태일 수 있다.
부가적으로, 예를 들어, 사전 설정된 횟수는 컨텐츠 발송 이력에 대한 정보 및 마케팅과 관련된 컨텐츠에 대한 정보에 기반하여 결정될 수 있다. 예를 들어, 사전 설정된 횟수는 하기 수학식 5에 의해 결정될 수 있다.
상기 수학식 5에서, 상기 V는 상기 사전 설정된 횟수이고, 상기 는 마케팅 타입에 따른 가중치이고, 상기 m은 상기 복수의 고객의 수이고, 상기 viewi는 i번째 고객 단말의 조회 횟수이고, 상기 sendi는 i번째 고객 단말에게 발송된 마케팅과 관련된 컨텐츠의 개수이고, 상기 k는 상기 복수의 고객 중에서 이메일을 통해 마케팅과 관련된 컨텐츠가 발송된 고객의 수이고, 상기 eviewj는 j번째 고객의 이메일 조회 횟수이고, 상기 eviewmin은 최소 이메일 조회 횟수이고, 상기 diffref는 사전 설정된 평균 차이 값이고, 상기 Vdef는 기본 횟수에 대한 값이고, 상기 Vmin은 최소 횟수에 대한 값일 수 있다.
예를 들어, 마케팅 타입에 따른 가중치는 해당 마케팅 타입에 대한 마케팅과 관련된 컨텐츠가 발송된 횟수를 각 마케팅 타입에 대한 마케팅과 관련된 컨텐츠가 발송된 횟수를 평균한 값으로 나눈 값일 수 있다. 즉, 마케팅 타입에 따른 가중치는 해당 마케팅 타입에 대한 마케팅과 관련된 컨텐츠가 발송된 횟수가 많을수록 큰 값을 가질 수 있다. 예를 들어, 마케팅 타입에 따른 가중치는 최대 2 값을 가질 수 있다. 즉, 해당 마케팅 타입에 대한 마케팅과 관련된 컨텐츠가 발송된 횟수를 각 마케팅 타입에 대한 마케팅과 관련된 컨텐츠가 발송된 횟수를 평균한 값이 2를 초과하는 경우, 마케팅 타입에 따른 가중치는 2로 결정될 수 있다.
예를 들어, 최소 이메일 조회 횟수, 사전 설정된 평균 차이 값, 기본 횟수에 대한 값 및 최소 횟수에 대한 값은 서버에 사전 설정될 수 있다. 이때, 예를 들어, 컨텐츠 발송 모델에서 요구되는 학습 데이터의 양이 많을수록 최소 이메일 조회 횟수, 기본 횟수에 대한 값 및 최소 횟수에 대한 값은 크게 설정될 수 있다.
예를 들어, min 함수는 괄호 안의 두 값 중에서 더 작은 값을 결정하는 함수이다. 예를 들어, ceil 함수는 괄호 안의 값에서 소수점 자리를 생략하고, 다음 정수 값으로 결정하는 함수이며, 올림 함수일 수 있다.
이를 통해, 서버는 컨텐츠 발송 모델을 통해 발송 상태를 출력하기 위해 최소 요구되는 입력 데이터의 양을 항상 동일한 값으로 설정하지 않고, 컨텐츠 발송 모델이 학습된 데이터 양을 고려하여 적응적으로 변경할 수 있다. 따라서, 서버는 고객 단말에 대한 데이터에 따라 적합한 방식을 선택하여 컨텐츠 발송 모델을 활용함으로써, 최적의 발송 상태를 결정할 수 있다.
예를 들어, n개의 프로필 유형은, 복수의 고객에 대한 가입 정보에 대해 데이터 전처리된 복수의 프로필 벡터를 기반으로 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 결정될 수 있다. 예를 들어, 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다. 이때, 복수의 프로필 벡터는 다양한 차원 축소 기법을 통해 3차원 이하의 벡터로 축소될 수 있다. 예를 들어, 프로필 벡터는 5차원이기 때문에, 서버는 다양한 차원 축소 기법을 통해 프로필 벡터를 3차원 이하의 차수로 차원을 축소시킬 수 있다. 예를 들어, 서버는 주성분 분석(principal component analysis, PCA) 기법을 통해 프로필 벡터를 3차원 이하의 차수로 축소시킬 수 있다. 예를 들어, 서버는 프로필 벡터를 주성분 축에 사영했을 때 가장 높은 분산을 가지는 데이터의 축을 결정하고, 결정된 축으로 차원을 축소시킬 수 있다. 예를 들어, 서버는 복수의 프로필 벡터 중에서 가장 큰 분산을 기반으로 첫 번째 축을 생성할 수 있고, 두 번째 축은 첫 번째 벡터 축에 직각이 되는 벡터를 축으로 생성할 수 있다. 이후, 서버는 세 번째 축을 다시 두 번째 축과 직각이 되는 벡터를 축으로 생성할 수 있다. 서버가 생성된 3개의 벡터 축에 원본 데이터를 투영하면, 서버는 벡터 축의 개수만큼의 차원으로 원본 데이터를 차원 축소시킬 수 있다. 이하, 복수의 프로필 벡터가 생성되고, 상기 생성된 프로필 벡터를 다양한 차원 축소 기법을 통해 차원 축소시킨 벡터를 차원 축소 벡터라고 지칭할 수 있다. 예를 들어, 프로필 유형은 복수의 차원 축소 벡터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 n개의 유형으로 결정될 수 있다. 예를 들어, DBSCAN은 특정 요소(point)가 클러스터에 속하는 경우, 해당 클러스터 내 다른 많은 요소와 가까운 위치에 있어야 하는 것을 전제로 하며, 이러한 계산을 위해 직경(radius)과 최소 요소(minimum points)가 사용될 수 있다. 예를 들어, 직경은 특정 데이터 요소를 기준으로 하는 반경일 수 있고, 이를 밀도 영역(dense area)이라 지칭할 수 있다. 예를 들어, 최소 요소는 핵심 요소(core point)를 지정하기 위해 핵심 요소 주변으로 요소가 몇 개 필요한 지를 나타낼 수 있다. 또한, 데이터 세트의 각 요소는 핵심(core), 경계(border), 이상치 요소(outlier point)로 구분될 수 있다. 예를 들어, 뉴럴 네트워크를 통해, 서버는 요소별로 직경의 크기를 체크하고, 주변의 요소가 몇 개 있는지를 탐색할 수 있다. 이후, 서버는 직경의 범위 내에 m개 이상의 요소가 존재하면, 해당 요소를 핵심 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함된 요소를 경계 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함되지 않은 요소는 이상치 요소로 결정할 수 있고, 상기 이상치 요소는 해당 클러스터에서 제외될 수 있다. 또한, 서버는 핵심 요소들 사이의 거리가 직경보다 작을 경우, 해당 요소들을 동일한 클러스터로 분류할 수 있다.
여기서, n 값은, 마케팅과 관련된 컨텐츠에 대한 조회가 이루어진, 복수의 마케팅과 관련된 컨텐츠를 발송한 요일과 시간(이하, 발송 요일과 시간)의 조합에 따른 분포를 기반으로 결정될 수 있다. 발송 요일과 시간의 조합은 (월요일, 오전 7시 30분), (화요일, 저녁 5시)와 같이 발송 요일과 10분 단위의 발송 시간으로 구성될 수 있다. 예를 들어, 마케팅과 관련된 컨텐츠에 대한 조회가 이루어진 복수의 발송 요일과 시간의 조합 중에서 빈도 수가 높은 순서대로 조합을 정렬하고, 사전 설정된 빈도 수 이상인 조합의 개수가 n 값으로 결정될 수 있다. 예를 들어, n 값은, 요일 7가지와 24시간을 10분 단위로 표현한 144가지에 대한 경우의 수인, 1008 이하의 값일 수 있다. 여기서, 사전 설정된 빈도 수는 컨텐츠 발송 모델을 학습시키기 위한 최소 개수일 수 있다.
예를 들어, n개의 프로필 유형 각각에 포함된 고객의 프로필 벡터와 조회 이력 벡터를 기반으로 컨텐츠 발송 모델을 통해 발송 형태가 결정될 수 있다.
이로 인해, 프로필 유형은 항상 고정된 개수의 유형으로 결정되지 않고, 발송 요일과 시간의 조합에 따른 분포별로 유동적으로 변경되어 적응적으로 프로필 유형을 결정할 수 있다.
도 5는 일 실시예에 따라 서버가 뉴럴 네트워크(neural network)를 이용하여 고객 관리 서비스를 제공하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 복수의 고객에 대한 가입 정보를 기반으로 복수의 고객과 관련된 정보를 수집할 수 있다
예를 들어, 서버는 마케팅과 관련된 컨텐츠에 대한 정보 및 복수의 고객에 대한 가입 정보를 획득할 수 있다. 마케팅과 관련된 컨텐츠에 대한 정보는 마케팅 타입 및 마케팅과 관련된 컨텐츠를 포함할 수 있다. 가입 정보는 고객의 이름, 고객의 성별, 고객의 나이, 고객의 주소, 고객의 직업군, 고객의 이메일 주소, 고객의 모바일 단말의 모델, 고객의 전화 번호 및 고객의 ID를 포함할 수 있다.
예를 들어, 서버는 고객의 ID, 고객의 이메일 주소 또는 고객의 전화 번호 중 적어도 하나에 기반하여 상기 서버에 저장된 관리자 단말과 관련된 기업의 데이터로부터 복수의 고객 각각에 대한 활동 정보, 구매 이력 정보, CS 이력 정보 및 컨텐츠 발송 이력에 대한 정보를 수집할 수 있다.
단계 S502에서, 서버는 복수의 고객과 관련된 정보를 제1 뉴럴 네트워크를 이용하는 고객 분류 모델에 입력함으로써, 복수의 고객을 복수의 집단으로 분류할 수 있다.
예를 들어, 복수의 고객과 관련된 정보에 대한 데이터 전처리를 통해 고객별로 잠재 구매력 벡터가 생성될 수 있다. 여기서, 잠재 구매력 벡터는 마지막 구매일자와 관련된 제1 점수, 구매 빈도수와 관련된 제2 점수, 총 구매금액과 관련된 제3 점수, 총 방문 횟수와 관련된 제4 점수, 총 체류 시간과 관련된 제5 점수, 고객의 활동과 관련된 제6 점수 및 CS와 관련된 제7 점수로 구성될 수 있다.
예를 들어, 복수의 집단은 잠재 구매력 벡터를 구성하는 각각의 점수 분포에 따라 분류될 수 있다. 예를 들어, 복수의 집단은 충성 고객 집단, 유망 고객 집단, 잠재적 충성 고객 집단, 관심 고객 집단, 관리 필요 고객 집단, 이탈 예상 고객 집단 및 이탈 고객 집단을 포함할 수 있다.
단계 S503에서, 서버는 적어도 하나의 집단에 포함된 고객의 수가 사전 설정된 값 이상인지 여부를 결정할 수 있다.
적어도 하나의 집단은 복수의 집단에서 마케팅과 관련된 컨텐츠에 대한 정보에 기반하여 결정된 집단일 수 있다. 예를 들어, 서버는 마케팅 타입에 기반하여 복수의 집단 각각에 대한 우선 순위를 결정할 수 있다. 예를 들어, 서버는 마케팅 타입에 기반하여 제1 점수 내지 제7 점수 각각에 대한 범위를 결정할 수 있다. 서버는 제1 점수 내지 제7 점수 각각에 대한 범위에 따라 복수의 집단 각각에 대한 우선 순위를 결정할 수 있다.
예를 들어, 서버는 복수의 집단 각각에 대한 우선 순위에 따라 상기 복수의 집단 중에서 적어도 하나의 집단을 결정하고, 적어도 하나의 집단에 포함된 고객의 수가 사전 설정된 값 이상인지 여부를 결정할 수 있다.
예를 들어, 사전 설정된 값은 서버가 관리자 단말로부터 수신한 타겟 고객의 수일 수 있다. 이때, 타겟 고객의 수는 마케팅과 관련된 컨텐츠를 발송할 고객의 수이며, 마케팅과 관련된 컨텐츠에 대한 정보에 더 포함될 수 있다.
또는, 예를 들어, 서버가 관리자 단말로부터 타겟 고객의 수를 수신하지 않은 경우, 사전 설정된 값은 기본 설정 값으로 결정될 수 있다. 예를 들어, 기본 설정 값은 전체 고객의 수에 대해 마케팅 타입에 따른 비율을 곱하여 결정될 수 있다. 마케팅 타입에 따른 비율은 마케팅 타입별로 상이한 값을 가질 수 있다.
단계 S504에서, 적어도 하나의 집단에 포함된 고객의 수가 사전 설정된 값 미만인 경우, 서버는 추가 확인 메시지를 관리자 단말에게 전송할 수 있다. 여기서, 추가 확인 메시지는 고객을 복수의 집단 중에서 적어도 하나의 집단 이외에 다른 집단에서 추가하는 것을 관리자 단말에게 확인하기 위한 메시지이다. 예를 들어, 추가 확인 메시지는 추가할 고객의 수를 포함할 수 있다. 추가할 고객의 수는 사전 설정된 값에서 현재 적어도 하나의 집단에 포함된 고객의 수를 제외한 값일 수 있다.
단계 S505에서, 서버는 관리자 단말로부터 거절 메시지를 수신하였는지 여부를 결정할 수 있다. 거절 메시지는 고객을 복수의 집단 중에서 적어도 하나의 집단 이외에 다른 집단에서 추가하는 것을 서버에게 거절하기 위한 메시지이다.
예를 들어, 관리자 단말이 고객을 추가하지 않고 기존 고객에 대해 마케팅과 관련된 컨텐츠의 발송을 원하는 경우, 관리자 단말은 서버에게 거절 메시지를 전송할 수 있다.
단계 S506에서, 관리자 단말로부터 거절 메시지를 수신하지 않은 경우, 서버는 고객을 추가로 결정하여 적어도 하나의 집단에 추가할 수 있다.
서버는 적어도 하나의 집단 이외에 다른 집단 중에서 추가할 고객을 결정할 수 있다. 예를 들어, 추가할 고객은 마케팅 타입에 기반하여 결정된 제1 점수 내지 제7 점수 각각에 대한 범위에 근접하는 잠재력 구매 벡터를 가진 고객 순서로 결정될 수 있다.
단계 S507에서, 서버는 적어도 하나의 집단에 포함된 고객을 제1 점수 내지 제7 점수 각각에 대한 범위에 따라 발송 타겟 집단을 결정할 수 있다.
예를 들어, 마케팅 타입이 매출 향상인 경우, 서버는 적어도 하나의 집단에 포함된 고객 중에서 제1 점수 내지 제3 점수의 합이 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다. 예를 들어, 마케팅 타입이 브랜드 인지도 향상인 경우, 서버는 적어도 하나의 집단에 포함된 고객 중에서 제1 점수가 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다. 예를 들어, 마케팅 타입이 이벤트 참여인 경우, 서버는 적어도 하나의 집단에 포함된 고객 중에서 제1 점수와 제4 점수 내지 제7 점수의 합이 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다. 예를 들어, 마케팅 타입이 과거 고객 유입인 경우, 서버는 적어도 하나의 집단에 포함된 고객 중에서 제2 점수와 제3 점수의 합이 높은 고객을 우선하여 발송 타겟 집단으로 결정할 수 있다.
단계 S508에서, 서버는 발송 타겟 집단에 포함된 고객 각각에 대해 조회 횟수가 사전 설정된 횟수 이상인지 여부를 결정할 수 있다.
예를 들어, 사전 설정된 횟수는 상술한 수학식 5에 의해 결정될 수 있다.
단계 S509에서, 서버는 조회 횟수가 사전 설정된 횟수 이상인 고객 단말에 대해 제1 발송 형태를 결정할 수 있다.
제1 발송 형태는 고객 단말에 대한 프로필 벡터 및 조회 이력 벡터가 컨텐츠 발송 모델을 통해 결정된 발송 형태일 수 있다.
부가적으로, 예를 들어, 컨텐츠 발송 모델을 학습시키기 위한 정답 발송 형태에서 발송 방식은 이메일 발송 방식과 문자 발송 방식 중에서 열람 확률과 관련된 점수가 높은 발송 방식으로 결정될 수 있다. 컨텐츠 발송 모델을 학습시키기 위한 정답 발송 형태에서 발송 요일 및 발송 시간은 발송 요일 및 발송 시간에 대한 복수의 조합 중에서 상기 열람 확률과 관련된 점수가 가장 높은 조합으로 결정될 수 있다. 예를 들어, 정답 발송 형태에서 발송 요일 및 발송 시간에 대한 복수의 조합은 각각의 요일에 대해 24시간을 10분 단위로 분류한 시간을 매칭시킨 조합일 수 있다.
부가적으로, 예를 들어, 상기 발송 요일 및 발송 시간에 대한 복수의 조합 각각에 대한 열람 확률과 관련된 점수는 하기 수학식 6에 의해 결정될 수 있다.
상기 수학식 6에서, 상기 R은 해당 조합에 대한 열람 확률과 관련된 점수이고, 상기 m은 상기 복수의 고객의 수이고, 상기 wsi는 i번째 고객 단말의 프로필 벡터와 해당 고객의 프로필 벡터 사이의 유사도이고, 상기 ri는 i번째 고객 단말의 해당 조합에 대한 열람 확률과 관련된 점수이고, 상기 q는 해당 조합에서 발송된 마케팅과 관련된 컨텐츠의 개수이고, 상기 wcl은 l번째 발송된 마케팅과 관련된 컨텐츠의 마케팅 타입에 따른 가중치이고, 상기 wtl은 l번째 발송된 마케팅과 관련된 컨텐츠의 발송 날짜에 따른 가중치이고, 상기 vl은 l번째 발송된 마케팅과 관련된 컨텐츠의 조회 여부를 나타내는 값일 수 있다.
예를 들어, i번째 고객 단말의 프로필 벡터와 해당 고객의 프로필 벡터 사이의 유사도는 벡터 사이의 유클리드 거리 기반으로 거리가 가까울수록 큰 값으로 결정될 수 있다. 여기서, 유사도는 0보다 크고 1보다 작은 값을 가질 수 있다. 예를 들어, l번째 발송된 마케팅과 관련된 컨텐츠의 마케팅 타입에 따른 가중치는 마케팅 타입이 동일한 경우에 1 값을 가지고, 마케팅 타입이 동일하지 않은 경우 0.5 값을 가질 수 있다. 예를 들어, l번째 발송된 마케팅과 관련된 컨텐츠의 발송 날짜에 따른 가중치는 현재 날짜와 발송 날짜와의 차이 값이 작을수록 큰 값으로 결정될 수 있다.
예를 들어, 상술한 수학식 6은 발송 방식에 대해서도 동일하게 적용될 수 있다.
이를 통해, 서버는 컨텐츠 발송 모델을 학습시키기 위한 정답 발송 형태를 프로필 벡터와 조회 이력 벡터를 이용하여 고객별로 결정할 수 있다.
단계 S510에서, 서버는 조회 횟수가 사전 설정된 횟수 미만인 고객 단말에 대해 n개의 프로필 유형 중에서 프로필 벡터를 기반으로 해당 고객 단말이 포함되는 프로필 유형을 결정할 수 있다.
단계 S511에서, 서버는 조회 횟수가 사전 설정된 횟수 미만인 고객 단말에 대해 제2 발송 형태를 결정할 수 있다.
제2 발송 형태는 해당 고객 단말이 포함되는 프로필 유형에 최적화된 발송 형태이며, 해당 프로필 유형에 포함된 고객에 대한 프로필 벡터와 조회 이력 벡터를 컨텐츠 발송 모델에 입력하여 결정된 발송 형태일 수 있다.
예를 들어, 서버는 프로필 유형에 포함된 고객 단말에 대한 프로필 벡터와 조회 이력 벡터를 컨텐츠 발송 모델에 입력하여 복수의 발송 형태를 결정하고, 상기 복수의 발송 형태를 기반으로 가장 빈도 수가 높은 발송 형태를 제2 발송 형태로 결정할 수 있다. 예를 들어, 제2 발송 형태는 복수의 발송 형태에서 이메일 발송 방식과 문자 발송 방식 중 빈도 수가 높은 발송 방식과 복수의 발송 형태에서 발송 요일 및 발송 시간에 대한 복수의 조합 중 빈도 수가 가장 높은 조합을 포함할 수 있다. 이때, 발송 요일 및 발송 시간에 대한 복수의 조합은 각각의 요일에 대해 24시간을 10분 단위로 분류한 시간을 매칭시킨 조합일 수 있다.
단계 S512에서, 서버는 고객별 발송 형태에 따라 발송 타겟 집단에게 상기 마케팅과 관련된 컨텐츠를 전송할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 고객 관리 서비스를 제공하는 방법에 있어서,
    마케팅과 관련된 컨텐츠에 대한 정보 및 복수의 고객에 대한 가입 정보를 획득하는 단계;
    상기 복수의 고객에 대한 가입 정보를 기반으로 상기 복수의 고객과 관련된 정보를 수집하는 단계;
    상기 고객과 관련된 정보는 활동 정보, 구매 이력 정보 및 CS(customer service) 이력 정보 및 컨텐츠 발송 이력에 대한 정보를 포함하고,
    상기 복수의 고객과 관련된 정보를 제1 뉴럴 네트워크를 이용하는 고객 분류 모델에 입력함으로써, 상기 복수의 고객을 복수의 집단으로 분류하는 단계;
    상기 마케팅과 관련된 컨텐츠에 대한 정보에 기반하여 상기 복수의 집단 중에서 적어도 하나의 집단을 발송 타겟 집단으로 결정하는 단계;
    상기 발송 타겟 집단에 포함된 고객에 대한 가입 정보 및 컨텐츠 발송 이력에 대한 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 컨텐츠 발송 모델을 통해 상기 발송 타겟 집단에 포함된 고객별로 발송 형태를 결정하는 단계;
    상기 발송 형태에 따라 상기 마케팅과 관련된 컨텐츠를 상기 발송 타겟 집단에 포함된 고객이 사용하는 고객 단말에게 전송하는 단계;
    상기 컨텐츠 발송 이력에 대한 정보에 기반하여 상기 마케팅과 관련된 컨텐츠의 형태가 상기 발송 타겟 집단에 포함된 고객별로 자동 변환되고,
    상기 고객 단말로부터 상기 마케팅과 관련된 컨텐츠에 대한 발송 결과 정보를 수신하는 단계;
    상기 발송 결과 정보는 발송의 성공 여부에 대한 정보, 마케팅과 관련된 컨텐츠의 조회 여부에 대한 정보, 마케팅과 관련된 컨텐츠와 관련된 페이지에 고객 단말이 체류한 시간에 대한 정보, 마케팅과 관련된 컨텐츠와 연동된 활동의 수행 여부에 대한 정보 및 상기 고객 단말이 마케팅과 관련된 컨텐츠를 수신한 환경에 대한 정보를 포함하고,
    상기 마케팅과 관련된 컨텐츠에 대한 발송 결과 정보를 기반으로 상기 컨텐츠 발송 이력에 대한 정보를 업데이트하는 단계;
    관리자 단말로부터 마케팅 진행 상황에 대한 확인을 요청하는 확인 요청 메시지를 수신하는 단계;
    상기 복수의 고객에 대한 가입 정보 및 상기 복수의 고객과 관련된 정보에 기반하여 상기 마케팅과 관련된 컨텐츠에 대한 대시보드를 결정하는 단계; 및
    상기 대시보드를 포함하는 리포트 메시지를 상기 관리자 단말에게 전송하는 단계를 포함하되,
    상기 마케팅과 관련된 컨텐츠에 대한 정보는 마케팅 타입 및 마케팅과 관련된 컨텐츠를 포함하고,
    상기 마케팅 타입은 매출 향상, 브랜드 인지도 향상, 이벤트 참여 및 과거 고객 유입을 포함하고,
    상기 마케팅 타입에 따라 상기 복수의 집단 각각에 대한 우선 순위가 상이하게 결정되고,
    상기 복수의 집단 각각에 대한 우선 순위에 따라 상기 복수의 집단 중에서 적어도 하나의 집단에 포함된 고객이 발송 타겟 집단으로 결정되고,
    상기 발송 타겟 집단을 포함하는 타겟 설정 메시지가 상기 관리자 단말에게 전송되고,
    상기 관리자 단말로부터 상기 서버가 수락 메시지를 수신한 이후, 상기 발송 타겟 집단에게 상기 마케팅과 관련된 컨텐츠가 전송되고,
    상기 발송 타겟 집단에 포함된 고객에 대한 가입 정보 및 컨텐츠 발송 이력에 대한 정보에 대한 데이터 전처리를 통해 프로필 벡터 및 조회 이력 벡터가 고객별로 생성되고,
    상기 프로필 벡터는 나이에 대한 값, 성별에 대한 값, 직업군에 대한 값, 이메일 도메인에 대한 값 및 모바일 단말의 모델에 대한 값으로 구성되고,
    상기 직업군에 대한 값은 무직, 자영업자, 학생, 주부, 관리직, 전문직, 사무직, 서비스직, 판매직, 농림어업직, 기능직 및 공무원 중 어느 하나에 매칭되는 값을 포함하고,
    상기 이메일 도메인에 대한 값은 국내 이메일 도메인, 국외 이메일 도메인 및 국내외 관공서의 이메일 도메인 중 어느 하나의 이메일 도메인에 매칭되는 값을 포함하고,
    모바일 단말의 모델에 대한 값은 국내외에서 제조된 모바일 단말의 모델 중 어느 하나의 모바일 단말의 모델에 매칭되는 값을 포함하고,
    상기 조회 이력 벡터는 마케팅 타입과 관련된 값, 컨텐츠 유형과 관련된 값, 발송 날짜 및 시간에 대한 값, 조회 날짜 및 시간에 대한 값, 열람 환경과 관련된 값 및 발송 방식과 관련된 값이 해당 고객에게 발송된 마케팅과 관련된 컨텐츠별로 구성되고,
    상기 마케팅 타입과 관련된 값은 매출 향상, 브랜드 인지도 향상, 이벤트 참여 또는 과거 고객 유입 중 적어도 하나의 타입에 매칭되는 값을 포함하고,
    상기 컨텐츠 유형과 관련된 값은 기업 광고 컨텐츠, 제품 광고 컨텐츠, 이벤트 광고 컨텐츠, 소셜 미디어 컨텐츠, 또는 참여형 컨텐츠 중 어느 하나의 유형에 매칭되는 값을 포함하고,
    상기 열람 환경과 관련된 값은 마케팅과 관련된 컨텐츠를 조회한 고객 단말의 종류를 나타내는 값을 포함하고,
    상기 발송 방식과 관련된 값은 마케팅과 관련된 컨텐츠를 발송한 방식을 나타내는 값을 포함하고,
    상기 발송 타겟 집단에 대한 상기 프로필 벡터 및 상기 조회 이력 벡터가 상기 컨텐츠 발송 모델에 입력되는 것에 기반하여, 상기 발송 타겟 집단에 포함된 고객별로 발송 형태가 결정되고,
    상기 발송 형태는 발송 방식, 발송 요일 및 발송 시간을 포함하고,
    상기 발송 형태를 포함하는 발송 확인 메시지가 관리자 단말에게 전송되고,
    상기 관리자 단말로부터 상기 서버가 승인 메시지를 수신하는 것에 기반하여, 고객별 발송 형태에 따라 상기 발송 타겟 집단에게 상기 마케팅과 관련된 컨텐츠가 전송되는,
    방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 복수의 고객과 관련된 정보에 대한 데이터 전처리를 통해 고객별로 잠재 구매력 벡터가 생성되고,
    상기 잠재 구매력 벡터는 마지막 구매일자와 관련된 제1 점수, 구매 빈도수와 관련된 제2 점수, 총 구매금액과 관련된 제3 점수, 총 방문 횟수와 관련된 제4 점수, 총 체류 시간과 관련된 제5 점수, 고객의 활동과 관련된 제6 점수 및 CS와 관련된 제7 점수로 구성되고,
    상기 잠재 구매력 벡터가 상기 고객 분류 모델에 입력되는 것에 기반하여 상기 복수의 집단 중에서 고객이 포함된 집단이 결정되고,
    상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
    복수의 잠재 구매력 벡터 및 복수의 정답 집단에 대한 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되고,
    상기 복수의 집단은 상기 잠재 구매력 벡터를 구성하는 각각의 점수 분포에 따라 충성 고객 집단, 유망 고객 집단, 잠재적 충성 고객 집단, 관심 고객 집단, 관리 필요 고객 집단, 이탈 예상 고객 집단 및 이탈 고객 집단으로 분류되는,
    방법.
  4. 삭제
  5. 삭제
KR1020230072384A 2023-06-05 2023-06-05 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치 KR102573285B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230072384A KR102573285B1 (ko) 2023-06-05 2023-06-05 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230072384A KR102573285B1 (ko) 2023-06-05 2023-06-05 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102573285B1 true KR102573285B1 (ko) 2023-09-01

Family

ID=87974964

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230072384A KR102573285B1 (ko) 2023-06-05 2023-06-05 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102573285B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101003045B1 (ko) * 2009-06-29 2010-12-22 주식회사 모임 인공지능에 기반한 개인별 맞춤형 광고 제공 장치 및 방법,그 기록 매체
KR102451099B1 (ko) * 2021-06-29 2022-10-07 주식회사 소프트자이온 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법
KR102465655B1 (ko) * 2022-06-16 2022-11-11 주식회사 조이마케팅 뉴럴 네트워크를 이용하여 제1 단말과 관련된 광고 기업 리스트를 제공하는 방법 및 장치
KR20220170322A (ko) * 2021-06-22 2022-12-29 에스케이텔레콤 주식회사 트리거링 방식 결정방법 및 그를 위한 메시지 기반 광고 플랫폼
KR102485355B1 (ko) * 2022-10-25 2023-01-09 주식회사 윈컴온 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101003045B1 (ko) * 2009-06-29 2010-12-22 주식회사 모임 인공지능에 기반한 개인별 맞춤형 광고 제공 장치 및 방법,그 기록 매체
KR20220170322A (ko) * 2021-06-22 2022-12-29 에스케이텔레콤 주식회사 트리거링 방식 결정방법 및 그를 위한 메시지 기반 광고 플랫폼
KR102451099B1 (ko) * 2021-06-29 2022-10-07 주식회사 소프트자이온 인공지능 기반의 사용자 니즈 추론을 통한 구매 유도 시스템 및 방법
KR102465655B1 (ko) * 2022-06-16 2022-11-11 주식회사 조이마케팅 뉴럴 네트워크를 이용하여 제1 단말과 관련된 광고 기업 리스트를 제공하는 방법 및 장치
KR102485355B1 (ko) * 2022-10-25 2023-01-09 주식회사 윈컴온 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102625772B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102465655B1 (ko) 뉴럴 네트워크를 이용하여 제1 단말과 관련된 광고 기업 리스트를 제공하는 방법 및 장치
KR102553169B1 (ko) 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치
KR102484291B1 (ko) 뉴럴 네트워크를 이용하여 서버가 구직자 리스트를 단말에게 제공하는 방법 및 장치
KR102573295B1 (ko) 뉴럴 네트워크를 이용하여 무인 카페 내부의 복수의 좌석 영역을 관리하는 방법 및 장치
KR102550862B1 (ko) 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치
KR102479512B1 (ko) 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102407241B1 (ko) 렌탈 마켓 시스템
KR102513048B1 (ko) 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치
KR102561611B1 (ko) 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102485428B1 (ko) 뉴럴 네트워크를 이용하여 사용자와 관련된 기업 리스트를 단말에게 제공하는 방법 및 장치
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102528407B1 (ko) 뉴럴 네트워크를 이용하여 인플루언서와 광고 대상의 분야에 대한 연관도에 따른 마케팅 비용에 대한 정보를 결정하는 방법 및 장치
KR102610945B1 (ko) B2b 서비스 통합 관리 방법
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102472426B1 (ko) 뉴럴 네트워크를 이용하여 참가 기업과 참관 기업 사이의 매칭률에 대한 정보를 제공하는 방법 및 장치
KR102644779B1 (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법
KR102563097B1 (ko) 뉴럴 네트워크를 이용하는 뷰티 서비스를 위한 온라인 결제 시스템
KR102504950B1 (ko) 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102481347B1 (ko) 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치
KR102501576B1 (ko) 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant