KR102574857B1

KR102574857B1 - 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템

Info

Publication number: KR102574857B1
Application number: KR1020230088565A
Authority: KR
Inventors: 심홍수
Original assignee: 그린브릭스컴퍼니 주식회사
Priority date: 2023-03-29
Filing date: 2023-07-07
Publication date: 2023-09-07
Also published as: KR102574865B1; KR102559950B1

Abstract

일실시예에 따르면, 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템에 있어서, 인공지능에 기반한 최적 광고를 추천하는 서버를 포함하는 시스템이 제공된다.

Description

광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템{Automated Advertising Content and Landing Page Generation System}

본 발명은 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템을 제공하기 위한 기술에 관한 것이다.

일반적으로 광고주는 광고의 효율을 높이기 위해 광고를 노출하는 시간, 광고 클릭수, 노출수, 클릭률, 전환율 등의 데이터를 기반으로 최적의 광고를 제공하고자 한다.

그러나 종래에는 광고주의 경험과 직관에 기대어 광고를 계획하거나 실행하므로 다양한 데이터를 직접 모으고 분석하여 광고 조건을 결정하기 번거로운 문제점이 있었다. 또한, 여러 데이터를 직접 분석하기 어렵고, 직접 결정한 광고 조건은 주관적 판단으로 인해 오류가 발생하기 쉬우며, 광고의 효율성을 쉽지 않은 문제점이 있었다.

따라서, 광고 관련 데이터를 자동으로 분석하여 최적의 광고를 생성하고 게시할 수 있는 시스템이 요구되고 있다.

한국등록특허 제10-2428084호 한국공개특허 제10-2006-0130029호 한국등록특허 제10-2232921호 한국등록특허 제10-2295776호

일실시예에 따르면, 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템에 있어서, 광고 콘텐츠 및 랜딩 페이지 자동 생성 서비스를 제공하는 서버를 포함할 수 있다.

또한, 상기 서버는, 데이터 수집부; 데이터 분석부; 및 광고 추천부를 포함하고, 상기 데이터 수집부는, 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집하되, 상기 제1 데이터는 광고 콘텐츠, 디스플레이 기간, 노출수, CTR(Click Through Rate: 클릭률), CVR(ConVersion Rate: 전환율), CPA(Cost Per Action: 전환당 비용), 및 랜딩 페이지 데이터를 포함하고, 상기 데이터 분석부는, 상기 제1 데이터의 디스플레이 기간과 노출수 및 CPA(전환당 비용)를 입력 데이터로, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 예측하도록 제1 인공지능 모델을 학습시키되, 상기 제1 인공지능 모델은 LSTM(Long Short-Term Memory) 모델 또는 Prophet 모델이고, 상기 제1 인공지능 모델이 예측한, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 Tableau, Microsoft Power BI, Google Data Studio 중 어느 하나의 도구를 이용하여 시각화하고, CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠를 입력 데이터로, 새로운 광고 콘텐츠를 생성하도록 제2 인공지능 모델을 학습시키되, 상기 제2 인공지능 모델은 GAN(Generative Adversarial Network) 모델이고, CVR(전환율)이 5% 이상인 제1 데이터의 랜딩 페이지 데이터를 입력 데이터로, 새로운 랜딩 페이지를 생성하도록 제3 인공지능 모델을 학습시키되, 상기 제3 인공지능 모델은 GAN(Generative Adversarial Network) 모델이고, 상기 제1 인공지능 모델 내지 제3 인공지능 모델은, 주기적으로 수집되는 제1 데이터에 따라 주기적으로 추가 학습되고, 상기 데이터 수집부는, 광고주 단말을 통해 입력된, 광고 상품의 랜딩 페이지로 사용될 웹 페이지 주소를 기반으로, 상기 웹 페이지 데이터인 제2 데이터를 수집하고, 상기 데이터 분석부는, 이미지와 텍스트를 분석하도록 기학습된 제4 인공지능 모델에, 상기 제2 데이터를 입력하여 상기 광고 상품의 정보를 획득하되, 상기 제4 인공지능 모델은, Faster R-CNN 또는 YOLO 모델과, OCR(Optical Character Recognition) 모델, 및 BERT 모델을 포함하는 다중 모달 분석(Multi-modal Analysis) 기술을 이용하고, 상기 제2 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠를 생성하고, 상기 제3 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 생성하고, 상기 광고 추천부는, 상기 광고주 단말에, 상기 데이터 분석부가 시각화한 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA와, 상기 제2 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠와, 상기 제3 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 전송하는, 시스템을 제공할 수 있다.

또한, 상기 데이터 수집부가 수집하는 제1 데이터는 광고비용과 전환수를 더 포함하고, 상기 데이터 분석부는, 상기 데이터 수집부가 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집하는 경우에, 각 광고의 CPA을 [수학식 1]을 이용하여 산출하고,

[수학식 1]

상기 CPA는 전환당 비용이고, c_ad는 광고비용이며, CVR은 전환율이고, I는 노출수이며, C는 전환수이고, n_click은 클릭수이고, 상기 데이터 분석부는, 상기 데이터 수집부가 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터에 포함되는 CPA와, 상기 데이터 분석부가 산출한 CPA를 비교하여 더 큰 값을 CPA 값으로 사용하는 시스템을 제공할 수 있다.

상기와 같이 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템을 제공함으로써, 소정의 검색 포털 사이트에 디스플레이되는 광고 데이터를 주기적으로 수집하여 업데이터 할 수 있고, 시간대별, 요일별, 월별 예상 노출수와 예상 CPA를 예측할 수 있고, 예측한 시간별, 요일별, 월별 예상 노출수와 예상 CPA를 시각화할 수 있고, 광고주가 입력하는 웹 페이지 주소만으로 자동으로 웹 페이지 데이터를 수집하고 분석하여 광고 상품 정보를 획득하고, CTR(클릭률)이 높은 광고 콘텐츠를 입력으로 인공지능 모델을 학습시켜 광고주의 광고 상품 정보를 기반으로 새로운 광고 콘텐츠를 생성할 수 있고, CVR(전환율)이 높은 랜딩 페이지를 입력으로 인공지능 모델을 학습시켜 광고주의 광고 상품 정보를 기반으로 새로운 랜딩 페이지를 생성할 수 있다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

또한, 상기 서버는, 데이터 수집부, 데이터 분석부, 및 광고 추천부를 포함하고, 상기 데이터 수집부는, 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집하되, 상기 제1 데이터는 광고 콘텐츠, 디스플레이 기간, 노출수, CTR(Click Through Rate: 클릭률), CVR(ConVersion Rate: 전환율), CPA(Cost Per Action: 전환당 비용), 및 랜딩 페이지 데이터를 포함하고, 상기 데이터 분석부는, 상기 제1 데이터의 디스플레이 기간과 노출수 및 CPA(전환당 비용)를 입력 데이터로, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 예측하도록 제1 인공지능 모델을 학습시키되, 상기 제1 인공지능 모델은 LSTM(Long Short-Term Memory) 모델 또는 Prophet 모델이고, 상기 제1 인공지능 모델이 예측한, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 Tableau, Microsoft Power BI, Google Data Studio 중 어느 하나의 도구를 이용하여 시각화하고, CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠를 입력 데이터로, 새로운 광고 콘텐츠를 생성하도록 제2 인공지능 모델을 학습시키되, 상기 제2 인공지능 모델은 GAN(Generative Adversarial Network) 모델이고, CVR(전환율)이 5% 이상인 제1 데이터의 랜딩 페이지 데이터를 입력 데이터로, 새로운 랜딩 페이지를 생성하도록 제3 인공지능 모델을 학습시키되, 상기 제3 인공지능 모델은 GAN(Generative Adversarial Network) 모델이고, 상기 제1 인공지능 모델 내지 제3 인공지능 모델은, 주기적으로 수집되는 제1 데이터에 따라 주기적으로 추가 학습되고, 상기 데이터 수집부는, 광고주 단말을 통해 입력된, 광고 상품의 랜딩 페이지로 사용될 웹 페이지 주소를 기반으로, 상기 웹 페이지 데이터인 제2 데이터를 수집하고, 상기 데이터 분석부는, 이미지와 텍스트를 분석하도록 기학습된 제4 인공지능 모델에, 상기 제2 데이터를 입력하여 상기 광고 상품의 정보를 획득하되, 상기 제4 인공지능 모델은, Faster R-CNN 또는 YOLO 모델과, OCR(Optical Character Recognition) 모델, 및 BERT 모델을 포함하는 다중 모달 분석(Multi-modal Analysis) 기술을 이용하고, 상기 제2 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠를 생성하고, 상기 제3 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 생성하고, 상기 광고 추천부는, 상기 광고주 단말에, 상기 데이터 분석부가 시각화한 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA와, 상기 제2 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠와, 상기 제3 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 전송할 수 있다.

[수학식 1]

상기 CPA는 전환당 비용이고, c_ad는 광고비용이며, CVR은 전환율이고, I는 노출수이며, C는 전환수이고, n_click은 클릭수이고, 상기 데이터 분석부는, 상기 데이터 수집부가 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터에 포함되는 CPA와, 상기 데이터 분석부가 산출한 CPA를 비교하여 더 큰 값을 CPA 값으로 사용할 수 있다.

*일실시예에 따르면, 광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템을 제공함으로써, 소정의 검색 포털 사이트에 디스플레이되는 광고 데이터를 주기적으로 수집하여 업데이터 할 수 있는 효과가 있다.

또한, 시간대별, 요일별, 월별 예상 노출수와 예상 CPA를 예측하고, 예측한 시간별, 요일별, 월별 예상 노출수와 예상 CPA를 시각화할 수 있다.

또한, 광고주가 입력하는 웹 페이지 주소만으로 자동으로 웹 페이지 데이터를 수집하고 분석하여 광고 상품 정보를 획득할 수 있다.

또한, CTR(클릭률)이 높은 광고 콘텐츠를 입력으로 인공지능 모델을 학습시켜 광고주의 광고 상품 정보를 기반으로 새로운 광고 콘텐츠를 생성할 수 있다.

또한, CVR(전환율)이 높은 랜딩 페이지를 입력으로 인공지능 모델을 학습시켜 광고주의 광고 상품 정보를 기반으로 새로운 랜딩 페이지를 생성할 수 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 인공지능에 기반한 최적 광고 추천 시스템의 구성을 개략적으로 나타낸 개념도이다.
도 2는 일실시예에 따른 서버의 구성을 간략하게 나타낸 개념도이다.
도 3은 일실시예에 따른 인공지능에 기반한 최적 광고 추천 시스템의 동작 과정을 설명하기 위한 블럭도이다.
도 4는 일실시예에 따른 인공지능에 기반한 최적 광고 추천 시스템의 데이터 송수신 과정을 설명하기 위한 블럭도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1을 참조하면, 일실시예로서 인공지능에 기반한 최적 광고 추천 시스템은, 인공지능에 기반한 최적 광고를 추천하는 서버(100)를 포함할 수 있다. 상기 서버는, 검색 포털 사이트 서버 및 광고주 단말과 네트워크를 통해 데이터를 송수신할 수 있다. 또한, 인공지능 기술에 기반하여, 소정의 검색 포털 사이트 서버를 통해, 주기적으로 수집한 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 분석하고, 이를 바탕으로 광고주 단말에 최적의 광고 방법을 추천할 수 있다. 광고주 단말을 통해, 광고주가 검색 포털 사이트에 디스플레이하고자 하는 광고 상품의 랜딩 페이지로 사용될 웹 페이지 주소를 획득할 수 있다. 상기 제1 데이터를 이용하여 제1 내지 제3 인공지능 모델들을 학습시킬 수 있다. 이를 통해 노출수가 높은 기간, 효율이 높은 광고 콘텐츠 및 랜딩 페이지를 제공할 수 있다.

상기 네트워크는 인터넷 회선을 통해 대량의 데이터를 빠르게 전송할 수 있는 유선 네트워크나, 전송 속도는 유선 네트워크 기술보다 느리지만 이동성이 좋은 LTE, 5G 등 무선 네트워크 기술이 사용될 수 있다.

도 2를 참조하면, 일실시예로서 본 발명에 따른 인공지능에 기반한 최적 광고 추천 시스템(100)은, 데이터 수집부(110), 데이터 분석부(120), 광고 추천부(130)를 포함할 수 있다.

상기 데이터 수집부(110)는, 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집할 수 있다. 또한, 상기 제1 데이터는 광고 콘텐츠, 디스플레이 기간, 노출수, CTR(Click Through Rate: 클릭률), CVR(ConVersion Rate: 전환율), CPA(Cost Per Action: 전환당 비용), 및 랜딩 페이지 데이터를 포함할 수 있다.

추가적으로, 상기 제1 데이터는 ROAS(return on ad spend: 광고 수익률)을 더 포함할 수도 있다. CPA와 ROAS를 이용하여 더 효율적이 광고 방법을 선택하는데 도움을 줄 수 있다. CPA는 Cost Per Action의 약자로, 광고비용을 회원가입, 광고 상품 구입, 광고 클릭 등 특정한 액션을 시행한 수로 나누면 구할 수 있다. 보통은 광고 포털 사이트 서버에서 CPA 값을 산출하여 제공한다. CPA 값은 작을수록 광고비용 대비 전환수가 많은 효율적인 광고일 수 있다. 또한, ROAS는 광고수익율을 의미하여 광고를 통한 매출액을 광고비용으로 나눈 값이다. ROAS는 값이 클수록 광고비용 대비 큰 수익을 얻은 효율적인 광고를 의미할 수 있다.

또한 상기 데이터 수집부(110)는, 소정의 검색 포털 사이트 서버를 통해 수집한, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 전처리할 수 있다. 상기 제1 데이터 존재할 수 있는 모델의 성능을 떨어뜨리는 결측값을 처리하고, 일반적인 패턴에서 벗어나는 이상치를 처리하고, 시계열 데이터인 경우에는 시간을 기준으로 데이터를 정렬하는 전처리를 시행할 수 있다. 또한 시계열 데이터에 계정성과 추세, 주기 등을 적용하기 위하여 외부 변수를 추가할 수도 있다.

상기 데이터 수집부(110)에서 수집하는 제1 데이터의 디스플레이 기간은 광고 A가 소정의 검색 포털 사이트에 디스플레이된 기간을 의미한다. 예를 들어, 광고 A의 디스플레이 기간은 O월 O일 9~10시일 수 있다.

상기 데이터 분석부(120)는, 상기 제1 데이터의 디스플레이 기간과 노출수 및 CPA(전환당 비용)를 입력 데이터로, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 예측하도록 제1 인공지능 모델을 학습시키되, 상기 제1 인공지능 모델은 LSTM(Long Short-Term Memory) 모델 또는 Prophet 모델일 수 있다.

상기 제1 데이터의 디스플레이 기간과 노출수 및 CPA(전환당 비용)은 시계열 데이터로서, 시계열 데이터 분석에 많이 사용되는 LSTM(Long Short-Term Memory) 모델 또는 Prophet 모델이 사용될 수도 있다.

LSTM 모델은, 시계열 데이터를 분석하는데 뛰어난 모델 중 하나로서, LSTM 모델에 입력할 데이터를 전처리하고, 과거 데이터를 기억하는 메모리 셀과 현재 입력값을 고려하는 입력 게이트, 이전 상태 출력값을 고려하는 출력 게이트, 기억된 값을 이용해 현재 상태를 조절하는 삭제 게이트로 구성될 수 있다. 또한, LSTM 모델을 사용하여 디스플레이 기간과 노출수 및 CPA(전환당 비용)를 입력 데이터로, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 예측하는 모델을 학습시키고 예측 값을 획득할 수 있다.

Prophet 모델은, 시계열 예측 모델로서 시계열 데이터의 경향성, 주기성, 휴일과 같은 특수 이벤트를 모델링하여, 트렌드와 계절성을 모델링하기 위해 추가 변수를 사용하고, 휴일과 같은 특수 이벤트를 모델링하기 위해서도 추가 변수를 사용할 수 있다. 그 다음 Prophet 모델을 적합시키고 적합된 모델을 사용하면 시계열 데이터의 예측값을 계산할 수 있다. 이로써, 계절성과 휴일 등의 이벤트를 고려하여 예측할 수 있다. Prophet 모델은 간단한 모델 구조를 가지고 있고 입력 데이터의 양이 적어도 좋은 예측 성능을 보이는 인공지능 모델이다.

상기 제1 인공지능 모델이 예측한, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 Tableau, Microsoft Power BI, Google Data Studio 중 어느 하나의 도구를 이용하여 시각화할 수 있다. 예를 들어, 시간대별, 요일별, 월별 예상 노출수는 막대 그래프나 꺾인 선 그래프로 표현될 수 있고, 상기 예상 CPA는 각 시각화 도면 상에 표기될 수 있다.

CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠를 입력 데이터로, 새로운 광고 콘텐츠를 생성하도록 제2 인공지능 모델을 학습시키되, 상기 제2 인공지능 모델은 GAN(Generative Adversarial Network) 모델일 수 있다.

상기 GAN 모델은 새로운 데이터를 생성할 수 있는 생성 모델 중 하나로서, 입력할 입력 데이터를 전처리하여 수치화 데이터로 변환할 수 있다. 생성자 모델과 판별자 모델로 구성되며 생성자 모델은 입력 데이터를 바탕으로 새로운 데이터를 생성하고 판별자 모델은 생성자 모델이 생성한 데이터와 실제 데이터를 구분하는 모델이다. 판별자 모델은 입력 데이터를 분류하고 처리할 수 있고, 모델을 학습시킬 수 있다.

CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠는 사람들의 주목도가 높고 이목을 끄는 구성을 가질 확률이 높으므로 이것을 바탕으로 학습시키면 클릭률이 높은 광고 콘텐츠를 획득할 수 있다.

다음으로, CVR(전환율)이 5% 이상인 제1 데이터의 랜딩 페이지 데이터를 입력 데이터로, 새로운 랜딩 페이지를 생성하도록 제3 인공지능 모델을 학습시키되, 상기 제3 인공지능 모델은 GAN(Generative Adversarial Network) 모델일 수 있다.

GAN 모델은, 상기에 기재했듯이, 새로운 데이터를 생성하는 모델로서, 입력데이터를 전처리하고 생성자 모델과 판별자 모델을 이용하여 학습시킬 수 있다. 학습 데이터는 실제 데이터와 생성자 모델이 생성한 가짜 데이터를 포함하며 생성자 모델은 판별자 모델을 속이도록 새로운 데이터를 생성할 수 있다.

상기 데이터 분석부(120)는, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터 중에 CVR이 5% 이상인 제1 데이터만 추출하여 분석하여, 광고 전환율이 높은 랜딩 페이지의 UI/UX 구성을 학습할 수 있다.

상기 CTR이 1% 이상인 제1 데이터와, CVR이 5% 이상인 제1 데이터가 충분하지 않거나 제2 인공지능 모델과 제3 인공지능 모델의 출력 데이터의 질을 높이기 위하여 기준치를 조절하는 과정을 더 포함할 수도 있다.

상기 데이터 수집부는, 광고주 단말에 CTR과 CVR의 기준치 입력칸이나 조절바를 제공하여, 상구 광고주 단말을 통해 새로운 기준치를 획득하면 상기 데이터 분석부에 전송하고, 상기 데이터 분석부는 새로운 기준치를 기반으로 제2 인공지능과 제3 인공지능 모델을 새로 학습시키거나, 기존에 학습된 제2 인공지능 모델과 제3 인공지능 모델에 가중치를 적용한 새로운 기준치 이상의 제1 데이터를 입력하여 추가 학습시킬 수 있다.

또한, 상기 데이터 분석부는 소정의 주기마다 기지정된 최근 기간만큼의 제1 데이터를 입력으로 하여 제2 인공지능 모델과 제3 인공지능 모델을 새로 학습시킬 수 있다. 예를 들어, 최근 2년 이내의 데이터로만 학습된 인공지능 모델을 얻기 위하여 2년 주기로 인공지능 모델을 새로 학습시킬 수 있다.

일실시예로서, 상기 제1 인공지능 모델 내지 제3 인공지능 모델은, 주기적으로 수집되는 제1 데이터에 따라 주기적으로 추가 학습될 수 있다. 상기 제 1데이터가 주기적으로 수집이 되면 추가 학습을 실행하여 인공지능 모델의 성능을 점점 더 높일 수 있다.

LSTM 모델은 RNN의 한 종류로, 시계열 데이터와 같이 순서에 따라 변화하는 데이터를 다룰 때 사용될 수 있다. LSTM 모델은 이전 시점의 출력이 현재 시점의 입력으로 재사용되는 구조를 가지고 있어서 시계열 데이터를 처리하기 적절할 수 있고, LSTM 모델은 학습을 통해 시계열 패턴을 파악하고 예측할 수 있다.

또한, GAN 모델은 시간의 흐름에 따라 순서대로 정렬된 시계열 데이터를 바탕으로 GAN 모델을 학습시키고, 새로운 데이터가 생성되면 기존 데이터와 결합하여 새로운 학습 데이터 셋을 구성할 수 있다. 그 다음, 이전에 학습한 데이터와 새로 생성한 데이터를 포함하는 학습 데이터 셋으로 다시 학습시킴으로서 GAN 모델을 주기적으로 업데이트할 수 있다.

일실시예로서, 본 발명에 따른 상기 데이터 수집부(110)는, 광고주 단말을 통해 입력된, 광고 상품의 랜딩 페이지로 사용될 웹 페이지 주소를 기반으로, 상기 웹 페이지 데이터인 제2 데이터를 수집할 수 있다. 상기 제2 데이터에는, 웹 페이지에 포함되는 이미지, 동영상, 텍스트 등을 웹 스크래핑(Web Scraping) 기술을 이용하여 수집할 수 있다. 웹 스크래핑 기술은 웹 페이지의 HTML 코드를 분석하여 필요한 데이터를 추출하는 기술이다. HTML 코드 상의 이미지나 동영상 등의 URL 주소를 기반으로 데이터를 다운로드할 수 있다. HTML 코드 상의 텍스트는 HTML 태그를 제거하고 텍스트만 추출하는 과정이 추가로 필요할 수 있다. 일반적으로 자연어 처리(Natural Language Processing) 기술을 이용하여 텍스트를 추출할 수 있다. 또한, 웹 크롤링(Web Crawling) 기술을 이용하여 필요한 데이터가 저장된 서버에 접속하여 다운로드 할 수도 있다.

상기 데이터 분석부(120)는, 이미지와 텍스트를 분석하도록 기학습된 제4 인공지능 모델에, 상기 제2 데이터를 입력하여 상기 광고 상품의 정보를 획득하되, 상기 제4 인공지능 모델은, Faster R-CNN 또는 YOLO 모델과, OCR(Optical Character Recognition) 모델, 및 BERT 모델을 포함하는 다중 모달 분석(Multi-modal Analysis) 기술을 이용할 수 있다.

다중 모달 분석(Multimodal Analysis)은 이미지, 비디오, 텍스트, 음성 등 다양한 유형의 데이터를 함께 분석하는 기술로서, 이미지 내에 있는 객체나 장면을 인식하고, 텍스트 정보와 결합하여 더욱 정확한 분석 결과를 도출할 수 있다. 특정 이미지와 텍스트를 분석하기 위해서 이미지와 텍스트를 각각 따로 분석한 후, 분석 결과를 결합하거나, 이미지와 텍스트를 동시에 분석할 수도 있다.

이미지를 인식하는 Computer Vision 기술과 텍스트를 분석하는 Natural Language Processing 기술을 각각 적용하여 분석한 후, 두 결과를 합쳐서 최종 결과를 도출할 수 있다. 이미지에서 인식된 객체와 텍스트 정보를 결합하여 해당 이미지의 주제나 컨텐츠를 추측하는 등의 분석이 가능할 수 있다.

또는, 이미지와 텍스트를 동시에 분석하기 위해, 이미지 내에서 인식된 객체와 관련된 텍스트를 자동으로 추출하거나, 이미지와 텍스트 정보를 결합하여 이미지의 내용을 요약하여 출력할 수 있다.

또한, Faster R-CNN, YOLO 등과 같은 이미지 분석 모델, BERT, ELMO 등과 같은 텍스트 분석 모델, MFCC, VGG 등과 같은 음성 분석 모델, 이미지에서 텍스트를 추출하는 OCR(Optical Character Recognition) 모델 등을 포함하여 이미지와 텍스트를 분석할 수 있다.

Faster R-CNN는 객체 감지에 있어서 빠른 속도와 높은 정확도를 가지며 작은 객체도 감지할 수 있다. YOLO도 마찬가지로 객체 감지에 있어서 빠른 속도와 정확도를 가지며, 큰 객체를 잘 감지하는 모델이다.

MFCC와 VGG는 자연어 처리 분야에서 사용되는 딥러닝 모델로, 텍스트 분석에 적합할 수 있다. 텍스트 안에서 단어와 문장을 이해하고 의미를 추론할 수 있다. OCR은 이미 안에 있는 텍스트를 추출하는 데 용이한 인공지능 모델로, MFCC와 VGG와 함께 사용될 수 있다.

일실시예로서, 본 발명에 따른 상기 제2 인공지능 모델에, 상기 제4 인공지능 모델에서 획득한 광고 상품의 정보를 입력하여, 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠를 생성할 수 있다. CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠를 입력 데이터로 학습시킨 제2 인공지능 모델은 CTR이 1% 이상인 효율적인 광고 콘텐츠들을 학습하여 광고 콘텐츠의 구성을 학습할 수 있다. 이렇게 학습된 제2 인공지능 모델에 상기 광고 상품의 정보를 입력하면, 상기 광고 상품을 적용한 새로운 광고 콘텐츠를 획득할 수 있다.

상기 제3 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 생성할 수 있다. CVR(전환율)이 5% 이상인 제1 데이터의 랜딩 페이지 데이터를 입력 데이터로 학습시킨 제3 인공지능 모델은, CVR이 5% 이상인 전환율이 높고 효율적인 랜딩 페이지의 구성을 학습할 수 있다. 이러한 제3 인공지능 모델에 광고 상품의 정보를 입력하면, 상기 광고 상품의 정보를 적용한 새로운 랜딩 페이지를 획득할 수 있다.

상기 광고 추천부(130)는, 상기 광고주 단말에, 상기 데이터 분석부가 시각화한 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA와, 상기 제2 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠와, 상기 제3 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 전송할 수 있다.

시각화한 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA는 막대그래프나 꺾인 선 그래프로 표현할 수 있으며, 주기적으로 업데이트 될 수 있다. 또한, 예상 CPA는 각 포인트마다 기재되어 사용자가 광고 시간대를 결정하는 데 도움을 줄 수 있다.

도 3을 참조하면, 일실시예로서 S301 단계에서 데이터 수집부는, 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집할 수 있다.

또한, 수집한 제1 데이터를 전처리하는 과정을 더 포함하여 데이터의 질을 높이고 처리 시간을 줄일 수도 있다.

S302 단계에서 데이터 분석부는, 상기 제1 데이터의 디스플레이 기간과 노출수 및 CPA(전환당 비용)를 입력 데이터로, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 예측하도록 제1 인공지능 모델을 학습시킬 수 있다.

또한, S303 단계에서 데이터 분석부는, 상기 제1 인공지능 모델이 예측한, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 Tableau, Microsoft Power BI, Google Data Studio 중 어느 하나의 도구를 이용하여 시각화할 수 있다.

S304 단계에서 데이터 분석부는, CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠를 입력 데이터로, 새로운 광고 콘텐츠를 생성하도록 제2 인공지능 모델을 학습시킬 수 있다.

다음으로 S305 단계에서 데이터 분석부는, CVR(전환율)이 5% 이상인 제1 데이터의 랜딩 페이지 데이터를 입력 데이터로, 새로운 랜딩 페이지를 생성하도록 제3 인공지능 모델을 학습시킬 수 있다.

S306 단계에서 데이터 수집부는, 광고주 단말을 통해 입력된, 광고 상품의 랜딩 페이지로 사용될 웹 페이지 주소를 기반으로, 상기 웹 페이지 데이터인 제2 데이터를 수집할 수 있다.

S307 단계에서 데이터 분석부는 이미지와 텍스트를 분석하도록 기학습된 제4 인공지능 모델에, 상기 제2 데이터를 입력하여 상기 광고 상품의 정보를 획득할 수 있다.

또한, S308 단계에서 데이터 분석부는, 상기 제2 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠를 생성할 수 있다.

S309 단계에서 데이터 분석부는, 상기 제3 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 생성할 수 있다.

마지막으로 S310 단계에서 광고 추천부는, 상기 광고주 단말에, 상기 데이터 분석부가 시각화한 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA와, 상기 제2 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠와, 상기 제3 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 전송할 수 있다.

상기 광고 추천부는, 광고주 단말을 통해, 상기 제2 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠 또는 상기 제3 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지의 재생성 요청 신호를 획득하면, 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠 또는 새로운 랜딩 페이지를 재생성하여 상기 광고주 단말에 전송할 수 있다.

도 4를 참조하면, 본 발명에 따른 인공지능에 기반한 최적 광고를 추천하는 서버(100)는, 소정의 검색 포털 사이트 서버를 통해 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집(S401)할 수 있고, 상기 제1 데이터의 디스플레이 기간과 노출수 및 CPA(전환당 비용)를 입력 데이터로, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 예측하도록 제1 인공지능 모델을 학습(S402)시킬 수 있고, 상기 제1 인공지능 모델이 예측한, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 Tableau, Microsoft Power BI, Google Data Studio 중 어느 하나의 도구를 이용하여 시각화(S403)할 수 있으며, CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠를 입력 데이터로, 새로운 광고 콘텐츠를 생성하도록 제2 인공지능 모델을 학습(S404)시킬 수 있고, CVR(전환율)이 5% 이상인 제1 데이터의 랜딩 페이지 데이터를 입력 데이터로, 새로운 랜딩 페이지를 생성하도록 제3 인공지능 모델을 학습(S405)시킬 수 있으며, 광고주 단말을 통해 입력된, 광고 상품의 랜딩 페이지로 사용될 웹 페이지 주소를 획득(S406)할 수 있고, 상기 웹 페이지 주소를 기반으로, 상기 웹 페이지 데이터인 제2 데이터를 수집(S407)할 수 있으며, 이미지와 텍스트를 분석하도록 기학습된 제4 인공지능 모델에, 상기 제2 데이터를 입력하여 상기 광고 상품의 정보를 획득(S408)할 수 있고, 상기 제2 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠를 생성(S409)할 수 있으며, 상기 제3 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 생성(S410)할 수 있고, 상기 광고주 단말에, 상기 데이터 분석부가 시각화한 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA와, 상기 제2 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠와, 상기 제3 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 전송(S411)할 수 있다.

또한, 일실시예로서, 상기 데이터 수집부가 수집하는 제1 데이터는 광고비용과 전환수를 더 포함하고, 상기 데이터 분석부는, 상기 데이터 수집부가 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집하는 경우에, 각 광고의 CPA을 [수학식 1]을 이용하여 산출하고,

[수학식 1]

상기 CPA는 전환당 비용이고, c_ad는 광고비용이며, CVR은 전환율이고, I는 노출수이며, C는 전환수이고, n_click은 클릭수이며, 상기 데이터 분석부는, 상기 데이터 수집부가 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터에 포함되는 CPA와, 상기 데이터 분석부가 산출한 CPA를 비교하여 더 큰 값을 CPA 값으로 사용할 수 있다.

이로 인해 좀 더 보수적인 CPA 값을 광고주 단말에 제공할 수 있는 효과가 있다. 광고비용이 적으면서 전환율이 높을수록 CPA가 낮아질 수 있고, 노출수가 많으면서 전환수와 클릭수가 작은 경우에도 CPA가 낮아질 수 있다.

또한, 일실시예로서 본 발명에 따른 데이터 분석부는, 상기 [수학식 1]에 사용되는 CVR의 값을 [수학식 2]를 기반으로 산출할 수 있다.

[수학식 2]

상기 CVR은 전환율이고, n_click은 클릭수이며, I는 노출수이고, C는 전환수일 수 있다. 상기 [수학식 2]의 CVR은 클릭수와 전환수가 클수록 커질 수 있고, 노출수가 작은 경우에 CVR이 작아지지 않도록 클릭수와 전환수를 증가시키는 방안을 광고주 단말에 제공할 수 있다. 노출수가 높지 않은 시간대에 광고를 검색 포털 사이트의 소정의 광고 위치에 디스플레이하는 경우에는 광고 타겟을 분석하여 광고 타겟 맞춤형 광고를 제작하여 상기 광고 타겟에게 필요한 광고를 제공하는 것이 바람직할 것이다. 또한 전환수를 증가시키기 위해 이벤트 시행을 추천할 수도 있다.

상기와 같이 인공지능에 기반한 최적 광고 추천 시스템을 제공함으로써, 소정의 검색 포털 사이트에 디스플레이되는 광고 데이터를 주기적으로 수집하여 업데이터 할 수 있고, 시간대별, 요일별, 월별 예상 노출수와 예상 CPA를 예측할 수 있고, 예측한 시간별, 요일별, 월별 예상 노출수와 예상 CPA를 시각화할 수 있고, 광고주가 입력하는 웹 페이지 주소만으로 자동으로 웹 페이지 데이터를 수집하고 분석하여 광고 상품 정보를 획득하고, CTR(클릭률)이 높은 광고 콘텐츠를 입력으로 인공지능 모델을 학습시켜 광고주의 광고 상품 정보를 기반으로 새로운 광고 콘텐츠를 생성할 수 있고, CVR(전환율)이 높은 랜딩 페이지를 입력으로 인공지능 모델을 학습시켜 광고주의 광고 상품 정보를 기반으로 새로운 랜딩 페이지를 생성할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/

또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

*100: 서버
110: 데이터 수집부
120: 데이터 분석부
130: 광고 추천부

Claims

광고 콘텐츠 및 랜딩 페이지 자동 생성 시스템에 있어서,
광고 콘텐츠 및 랜딩 페이지를 자동으로 생성하는 서비스를 제공하는 서버를 포함하며,
상기 서버는,
데이터 수집부;
데이터 분석부; 및
광고 추천부를 포함하고,
상기 데이터 수집부는,
소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집하되, 상기 제1 데이터는 광고 콘텐츠, 디스플레이 기간, 노출수, CTR(Click Through Rate: 클릭률), CVR(ConVersion Rate: 전환율), CPA(Cost Per Action: 전환당 비용), 및 랜딩 페이지 데이터를 포함하고,
상기 데이터 분석부는,
상기 제1 데이터의 디스플레이 기간과 노출수 및 CPA(전환당 비용)를 입력 데이터로, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 예측하도록 제1 인공지능 모델을 학습시키되, 상기 제1 인공지능 모델은 LSTM(Long Short-Term Memory) 모델 또는 Prophet 모델이고,
상기 제1 인공지능 모델이 예측한, 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA를 Tableau, Microsoft Power BI, Google Data Studio 중 어느 하나의 도구를 이용하여 시각화하고,
CTR(클릭률)이 1% 이상인 제1 데이터의 광고 콘텐츠를 입력 데이터로, 새로운 광고 콘텐츠를 생성하도록 제2 인공지능 모델을 학습시키되, 상기 제2 인공지능 모델은 GAN(Generative Adversarial Network) 모델이고,
CVR(전환율)이 5% 이상인 제1 데이터의 랜딩 페이지 데이터를 입력 데이터로, 새로운 랜딩 페이지를 생성하도록 제3 인공지능 모델을 학습시키되, 상기 제3 인공지능 모델은 GAN(Generative Adversarial Network) 모델이고,
상기 제1 인공지능 모델 내지 제3 인공지능 모델은,
주기적으로 수집되는 제1 데이터에 따라 주기적으로 추가 학습되고,
상기 데이터 수집부는,
광고주 단말을 통해 입력된, 광고 상품의 랜딩 페이지로 사용될 웹 페이지 주소를 기반으로, 상기 웹 페이지 데이터인 제2 데이터를 수집하고,
상기 데이터 분석부는,
이미지와 텍스트를 분석하도록 기학습된 제4 인공지능 모델에, 상기 제2 데이터를 입력하여 상기 광고 상품의 정보를 획득하되, 상기 제4 인공지능 모델은, Faster R-CNN 또는 YOLO 모델과, OCR(Optical Character Recognition) 모델, 및 BERT 모델을 포함하는 다중 모달 분석(Multi-modal Analysis) 기술을 이용하고,
상기 제2 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠를 생성하고,
상기 제3 인공지능 모델에, 상기 광고 상품의 정보를 입력하여 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 생성하고,
상기 광고 추천부는,
상기 광고주 단말에, 상기 데이터 분석부가 시각화한 시간대별, 요일별, 월별 예상 노출수 및 상기 시간대별 예상 CPA와, 상기 제2 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 광고 콘텐츠와, 상기 제3 인공지능 모델에서 생성한 상기 광고 상품의 정보를 기반으로 하는 새로운 랜딩 페이지를 전송하고,
상기 데이터 수집부가 수집하는 제1 데이터는 광고비용과 전환수를 더 포함하고,
상기 데이터 분석부는,
상기 데이터 수집부가 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터를 주기적으로 수집하는 경우에,
각 광고의 CPA을 [수학식 1]을 이용하여 산출하고,
[수학식 1]

상기 CPA는 전환당 비용이고, c_ad는 광고비용이며, CVR은 전환율이고, I는 노출수이며, C는 전환수이고, n_click은 클릭수이고,
상기 데이터 분석부는,
상기 데이터 수집부가 소정의 검색 포털 사이트 서버를 통해, 상기 검색 포털 사이트의 소정의 광고 위치에 디스플레이된 광고 데이터인 제1 데이터에 포함되는 CPA와, 상기 데이터 분석부가 산출한 CPA를 비교하여 더 큰 값을 CPA 값으로 사용하고,
상기 [수학식 1]에 사용되는 CVR의 값을 [수학식 2] 를 기반으로 산출하고,
[수학식 2]

상기 CVR은 전환율이고, n_click은 클릭수이며, I는 노출수이고, C는 전환수인, 시스템.
삭제