KR102585895B1

KR102585895B1 - 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템

Info

Publication number: KR102585895B1
Application number: KR1020230048262A
Authority: KR
Inventors: 형주혁
Original assignee: (주)이공이공
Priority date: 2023-04-12
Filing date: 2023-04-12
Publication date: 2023-10-10

Abstract

오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템이 개시된다. 적어도 하나의 서버에 의해 수행되는 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법은, 미리 생성된 리포트로부터 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출하는 단계; 및 타겟팅 키워드들을 트레이닝 데이터로 하고, 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제1 인공 신경망을 학습시키는 단계를 포함한다. 타겟팅 키워드별 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함한다.

Description

오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템{METHOD AND SYSTEM FOR INCREASING KEYWORD MARKETING EFFICIENCY IN OPEN MARKET}

아래 실시예들은 오픈마켓 판매자를 위한 오픈마켓 게시 제품의 키워드 마케팅, 리뷰, 컨텐츠 등을 개선하는 기술에 관한 것이다. 구체적으로, 실시예들은 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템에 관한 것이다.

오픈마켓을 이용하는 판매자들은 소비자들을 자신의 제품으로 유인하기 위한 키워드 마케팅을 활발하게 이용하고 있다. 판매자는 오픈마켓 게시 제품들의 마케팅 캠페인을 진행하고, 게시 제품들에 대하여 단어 또는 구(句)로 이루어진 타겟팅 키워드를 설정할 수 있다.

오픈마켓 운영자는 타겟팅 키워드와 대응하는 게시 제품을 오픈마켓 내 미리 지정된 위치에 노출시킨다. 오픈마켓 운영자는 위와 같이 게시 제품을 노출시키거나, 소비자가 게시 제품을 클릭하거나, 소비자가 게시 제품을 구매하는 등의 이벤트가 발생할 때 판매자에게 비용을 청구하고 있다.

일반적으로 오픈마켓에서는 각 판매자의 마케팅 캠페인 성과에 대한 리포트를 생성하여 제공하고 있다. 리포트에는 게시 제품별 타겟팅 키워드와 노출수(impression), 클릭수(clicks), 클릭률(CTR), 클릭당비용(CPC), 지출(spend), 7일 총매출(7 day total sales), 광고수익률(ROAS), 구매전환율(conversion rate) 등의 성과 지표가 표시된다. 종래에는 리포트를 보고 판매자 또는 판매자 측 마케팅 담당자가 특정 키워드의 광고 효율을 사후적으로 관찰하고, 효율이 안 좋은 키워드는 제외하거나 예산 비중을 축소하는 방식으로 키워드 마케팅을 진행하였다. 그러나 이러한 방식은, 캠페인에 새로운 타겟 키워드를 추가할 때, 해당 키워드의 효율을 미리 예측하기 어려워 일단 예산을 소진하여 광고를 집행한 뒤 결과를 보며 사후적으로 마케팅 캠페인을 수정해야 하는 문제가 있었다. 또한, 제품 카테고리별로 타겟팅 키워드의 성능이 달라질 수 있는데, 이를 판단하는 것은 전적으로 판매자 또는 판매자 측 마케팅 담당자의 경험에 의존할 수밖에 없었다.

한편, 실시예들과 관련된 배경기술로, 대한민국 등록특허공보 KR 10-2457359 B1은 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템을 개시한다. 선행문헌의 방법은 적어도 하나의 채널을 통해, 적어도 하나의 채널에 각각 대응하는 적어도 하나의 마케팅 플랫폼에 대한 마케팅 문서 데이터를 수집하는 단계, 마케팅 문서 데이터로부터 식별되는 텍스트 데이터에 대응하는 비정형 데이터를 추출하는 단계, 비정형 데이터로부터 머신 러닝 동작을 수행하여 학습 정보 획득하는 단계, 학습 정보를 이용하여 마케팅 특화 지식 그래프 모델 생성하는 단계, 마케팅 특화 지식 그래프 모델을 이용하여 적어도 하나의 마케팅 플랫폼에 대한 키워드를 분석하는 단계 및 키워드의 분석을 통해, 사용자 장치의 요청에 따른 마케팅 비용 효율을 산정하는 단계를 포함한다. 이를 통해, 자연어 처리를 기반으로, 사용자에게 저비용으로 향상된 마케팅 솔루션을 제공한다.

또한, 대한민국 등록특허공보 KR 10-1791418 B1은 키워드 기반 블로그 마케팅을 위한 연관 키워드의 경쟁력 산출방법 및 산출 시스템을 개시한다. 선행문헌의 방법은 연관 키워드의 월간 검색량에 비례하고, 연관 키워드가 포함된 블로그 개수에 반비례하고, 연관 키워드가 포함된 블로그의 평균 작성날짜와 현재 날짜의 차이값에 비례하는 연관 키워드의 경쟁력 값을 산출하는 단계를 포함한다. 이를 통해, 검색량과 상위 노출 가능성을 고려한 효율적인 연관 키워드를 선정할 수 있다.

그러나 선행문헌들은 마케팅 성과가 없을 수도 있는 후보 키워드를 마케팅 캠페인에 포함시키지 않음으로써, 마케팅 캠페인에 포함시켰을 때 발생할 수 있는 예산, 시간 및 기회비용 낭비를 줄일 수 있는 방법 및 시스템을 개시하지 않는다. 또한, 선행문헌들은 마케팅 캠페인을 직접 진행하는 것보다 짧은 시간 안에 여러 개의 후보 키워드의 예상 마케팅 성과를 알 수 있는 방법 및 시스템을 개시하지 않는다. 나아가, 선행문헌들은 오픈마켓 게시 제품의 카테고리까지 고려하여 후보 키워드의 예상 마케팅 성과를 알 수 있는 방법 및 시스템을 개시하지 않는다. 이에 따라, 상기 선행문헌들에 개시·시사·암시되지 않은 기술적 과제를 해결하기 위한 기술의 구현이 요청된다.

실시예들은 마케팅 성과가 없을 수도 있는 후보 키워드를 마케팅 캠페인에 포함시키지 않음으로써, 마케팅 캠페인에 포함시켰을 때 발생할 수 있는 예산, 시간 및 기회비용 낭비를 줄일 수 있는 방법 및 시스템을 제공하고자 한다.

실시예들은 마케팅 캠페인을 직접 진행하는 것보다 짧은 시간 안에 여러 개의 후보 키워드의 예상 마케팅 성과를 알 수 있는 방법 및 시스템을 제공하고자 한다.

실시예들은 오픈마켓 게시 제품의 카테고리까지 고려하여 후보 키워드의 예상 마케팅 성과를 알 수 있는 방법 및 시스템을 제공하고자 한다.

이외에도, 실시예들은 본 명세서에서 드러나는 기술분야의 과제들을 해결하기 위한 방법 및 시스템을 제공하고자 한다.

일실시예에 따른 적어도 하나의 서버에 의해 수행되는 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법은, 미리 생성된 리포트로부터 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출하는 단계; 및 상기 타겟팅 키워드들을 트레이닝 데이터로 하고, 상기 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제1 인공 신경망을 학습시키는 단계를 포함하고, 상기 타겟팅 키워드별 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함할 수 있다.

일실시예에 따른 적어도 하나의 서버에 의해 수행되는 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법은 타겟 게시 제품을 위한 후보 키워드를 상기 제1 인공 신경망에 적용하여 출력을 획득하는 단계; 상기 출력을 기초로, 상기 후보 키워드의 예상 효율을 수치로 구하는 단계; 및 상기 예상 효율이 미리 정의된 점수 이상이면, 상기 후보 키워드를 상기 타겟 게시 제품의 타겟팅 키워드 그룹에 추가하고, 상기 예상 효율이 미리 정의된 점수 미만이면, 상기 후보 키워드를 상기 타겟 게시 제품의 네거티브 타겟팅 키워드 그룹에 추가하는 단계를 더 포함하고, 상기 제1 인공 신경망의 출력은 예상 구매전환율 및 예상 ROAS를 포함할 수 있다.

일실시예에 따른 적어도 하나의 서버에 의해 수행되는 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법은 각각의 오픈마켓 게시 제품에 대하여, 오픈마켓 게시 제품이 속하는 미리 정의된 카테고리를 획득하는 단계; 각각의 카테고리에 대하여, 카테고리에 속하는 각각의 오픈마켓 게시 제품의 각각의 타겟팅 키워드와 상기 카테고리의 쌍(카테고리-타겟팅 키워드 쌍)을 획득하는 단계; 및 상기 카테고리-타겟팅 키워드 쌍들을 트레이닝 데이터로 하고, 상기 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제2 인공 신경망을 학습시키는 단계를 더 포함할 수 있다.

일실시예에 따른 적어도 하나의 서버에 의해 수행되는 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법은 전체 카테고리-타겟팅 키워드 쌍 중에서 상기 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수 및 비율을 연산하는 단계; 상기 개수, 상기 비율, 또는 상기 개수 및 상기 비율을 기초로, 판별값을 연산하는 단계; 상기 판별값이 미리 정의된 임계 이상이면, 상기 타겟 게시 제품을 위한 후보 키워드 및 상기 타겟 게시 제품의 카테고리를 상기 제2 인공 신경망에 적용하여 출력을 획득하고, 상기 판별값이 상기 임계 미만이면, 상기 타겟 게시 제품을 위한 후보 키워드를 상기 제1 인공 신경망에 적용하여 출력을 획득하는 단계; 상기 출력을 기초로, 상기 후보 키워드의 예상 효율을 수치로 구하는 단계; 및 상기 예상 효율이 미리 정의된 점수 이상이면, 상기 후보 키워드를 상기 타겟 게시 제품의 타겟팅 키워드 그룹에 추가하고, 상기 예상 효율이 미리 정의된 점수 미만이면, 상기 후보 키워드를 상기 타겟 게시 제품의 네거티브 타겟팅 키워드 그룹에 추가하는 단계를 더 포함하고, 상기 제1 또는 제2 인공 신경망의 출력은 예상 구매전환율 및 예상 ROAS를 포함할 수 있다.

일실시예에 따른 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 시스템은 적어도 하나의 서버를 포함하고, 상기 적어도 하나의 서버가 수행하는 동작은, 미리 생성된 리포트로부터 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출하고, 상기 타겟팅 키워드들을 트레이닝 데이터로 하고, 상기 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제1 인공 신경망을 학습시키는 동작을 포함하고, 상기 타겟팅 키워드별 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함할 수 있다.

실시예들은 마케팅 성과가 없을 수도 있는 후보 키워드를 마케팅 캠페인에 포함시키지 않음으로써, 마케팅 캠페인에 포함시켰을 때 발생할 수 있는 예산, 시간 및 기회비용 낭비를 줄일 수 있는 방법 및 시스템을 제공할 수 있다.

실시예들은 마케팅 캠페인을 직접 진행하는 것보다 짧은 시간 안에 여러 개의 후보 키워드의 예상 마케팅 성과를 알 수 있는 방법 및 시스템을 제공할 수 있다.

실시예들은 오픈마켓 게시 제품의 카테고리까지 고려하여 후보 키워드의 예상 마케팅 성과를 알 수 있는 방법 및 시스템을 제공할 수 있다.

한편, 실시예들에 따른 효과는 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 시스템의 구성의 예시도이다.
도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 제1 인공 신경망 학습 및 적용 동작을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 제2 인공 신경망 학습 및 적용 동작을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 어떤 인공 신경망을 사용할지 선택하는 동작을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 7은 일실시예 따른 장치의 구성의 예시도이다.

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

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

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

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

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

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

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.

도 1은 일실시예에 따른 시스템의 구성의 예시도이다.

일실시예에 따른 시스템은 오픈마켓 서버(101), 제1 단말(111), 제2 단말(112) 및 적어도 하나의 서버(131)를 포함할 수 있다. 오픈마켓 서버(101), 적어도 하나의 서버(131) 및 단말들(111, 112)은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다.

오픈마켓 서버(101)는 오픈마켓 운영자에 의해 운영될 수 있다. 오픈마켓 서버(131)는 단말들(111, 112) 및 적어도 하나의 서버(131)와 유무선으로 통신하도록 구성될 수 있다. 오픈마켓 서버(101)는 오픈마켓 운영을 위한 통상의 기능을 수행할 수 있다.

오픈마켓 서버(101)는 오픈마켓 웹사이트 또는 어플리케이션(102)과 연동될 수 있다. 오픈마켓 웹사이트 또는 어플리케이션(102)은 판매자 계정이 업로드한 게시 제품 및 그에 대한 리뷰와 평점을 표시할 수 있다. 오픈마켓 웹사이트 또는 어플리케이션(102)은 게시 제품 검색, 제품 구매 및 구매 제품 배송 조회 등을 위한 통상의 기능을 포함할 수 있다. 오픈마켓 웹사이트 또는 어플리케이션(102)은 리뷰 및 평점 작성 기능을 포함할 수 있다.

적어도 하나의 서버(131)는 일실시예 따른 방법을 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 적어도 하나의 서버(131)는 단일한 물리적 장치가 아닐 수 있으며, 복수의 물리적 장치로 구성되어 있을 수 있다. 이하에서는 설명의 편의를 위해 적어도 하나의 서버(131)를 서버(131)로 약칭한다.

서버(131)는 통상의 컴퓨터가 가지는 연산 기능, 저장/조회 기능, 입출력 기능, 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버(131)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망 또는 머신러닝 모델을 구비할 수 있다. 서버(131)는 오픈마켓 서버(101) 및 제2 단말(112)과 유무선으로 통신하도록 구성될 수 있다.

서버(131)는 웹사이트 또는 어플리케이션(132)과 연동될 수 있다. 판매자 계정은 웹사이트 또는 어플리케이션(132)을 통해 오픈마켓 게시 제품의 키워드 마케팅, 리뷰, 컨텐츠 등을 개선하기 위한 기능을 제공받을 수 있다. 서버(131) 및 웹사이트 또는 어플리케이션(132)을 통해 이루어지는 구체적인 동작은 도 2 내지 6을 참조하여 후술된다.

단말들(111, 112)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 가령, 도 1과 같이, 제1 단말(111)은 스마트폰일 수 있고, 제2 단말(112)은 데스크탑일 수 있다. 그러나 이는 예시일 뿐이며, 단말들(111, 112)의 종류는 실시예에 따라 얼마든지 달라질 수 있다.

사용자들(121, 122)은 사람 또는 단체가 사용하는 계정을 의미한다. 제1 사용자(121)는 오픈마켓 웹사이트 또는 어플리케이션(102)을 이용하는 소비자 계정일 수 있다. 제2 사용자(122)는 오픈마켓 웹사이트 또는 어플리케이션(102)에 제품을 게재하고, 웹사이트 또는 어플리케이션(132)에서 제공하는 서비스를 이용하는 판매자 계정일 수 있다.

이하, 제1 사용자(121)가 로그인한 단말을 제1 단말(111), 제2 사용자(122)가 로그인한 단말을 제2 단말(112)이라고 부른다. 제1 단말(111)과 제2 단말(112)은 어떤 종류의 계정이 로그인해 있는지에 따라 단말들을 구분하는 것일 뿐이며, 서로 구분되는 하드웨어적 구성을 가질 필요는 없다. 제1 단말(111)과 제2 단말(112)의 하드웨어 종류는 동일하여도 무방하다.

단말들(111, 112)은 각 서버(101, 131)와 연동된 웹사이트에 접속하거나, 각 서버(101, 131)와 연동된 어플리케이션이 설치될 수 있다. 사용자들(121, 122)은 각 웹사이트 또는 어플리케이션(102, 132)에 회원가입 및 로그인할 수 있다. 로그인 상태의 사용자들(121, 122)은 각 웹사이트 또는 어플리케이션(102, 132)에서 각 사용자별로 제공하는 기능 및 각 서버(101, 131)에 저장된 사용자 고유 정보에 접근할 권한을 가진다. 단말들(111, 112)은 각 웹사이트 또는 어플리케이션(102, 132)을 거치지 않고도, 알림 설정 또는 API 등의 수단을 통해 각 서버(101, 131)로부터 데이터를 받을 수 있다.

제1 사용자(121)는 오픈마켓에서 제품을 구매할 수 있다. 제1 사용자(121)는 구매한 제품에 대한 리뷰를 작성하고 평점을 매길 수 있다. 리뷰 및 평점은 오픈마켓 웹사이트 또는 어플리케이션(102)에 표시될 수 있다. 오픈마켓 서버(101)는 소비자 계정들의 평점을 집계하여 게시 제품의 대표 리뷰를 산정할 수 있다.

제2 사용자(122)는 오픈마켓 웹사이트 또는 어플리케이션(102)을 통해 오픈마켓에 제품을 게시할 수 있다. 오픈마켓 게시 제품 정보는 오픈마켓 서버(101)에 저장될 수 있다. 오픈마켓 게시 제품 정보는 제품명, 제품 카테고리, 이미지/영상/텍스트를 포함한 컨텐츠, 가격 등의 정보를 포함할 수 있다. 또한, 제2 사용자(122)는 게시 제품들의 마케팅 캠페인을 진행할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 두 단말(111, 112) 및 사용자(121, 122)만을 도시했으나, 단말 및 사용자의 수는 얼마든지 많아질 수 있다. 각 서버(101, 131)의 처리 용량이 허용하는 한, 단말 및 사용자의 수는 특별한 제한이 없다.

이하에서, 서버(131)의 동작을 중심으로 실시예가 기술되며, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다. 도 2를 참조하여, 시스템의 동작과 관련된 실시예가 설명된다. 도 3을 참조하여, 제1 인공 신경망 학습 및 적용 동작과 관련된 실시예가 설명된다. 도 4를 참조하여, 제2 인공 신경망 학습 및 적용 동작과 관련된 실시예가 설명된다. 도 5를 참조하여, 어떤 인공 신경망을 사용할지 선택하는 동작과 관련된 실시예가 설명된다. 도 6을 참조하여, 인공 신경망의 학습 동작과 관련된 실시예가 설명된다.

도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.

우선, 서버(131)는 오픈마켓 서버(101)로부터 리포트를 획득할 수 있다(210).

제2 사용자(122)는 오픈마켓 게시 제품들의 마케팅 캠페인을 진행할 수 있다. 제2 사용자(122)는 성격이 비슷한 게시 제품들을 하나의 포트폴리오(portfolio)로 구분하고, 포트폴리오 내 개별 게시 제품별로 적어도 하나 이상의 타겟팅 키워드를 설정할 수 있다. 타겟팅 키워드는 단어 또는 구(句)일 수 있다. 오픈마켓 서버(101)는 타겟팅 키워드와 대응하는 게시 제품을 오픈마켓 웹사이트 또는 어플리케이션(102) 내 미리 지정된 위치에 노출시키거나, 제1 사용자(121)가 게시 제품을 클릭하거나, 제1 사용자(121)가 게시 제품을 구매하는 등의 이벤트가 발생할 때 제2 사용자(122)로부터 비용을 청구할 수 있다.

오픈마켓 서버(101)는 각 판매자 계정의 마케팅 캠페인 성과에 대한 리포트를 생성할 수 있다. 제2 사용자(122) 및 제2 사용자(122)로부터 권한을 획득한 서버(131)는 리포트를 열람 및 다운로드할 수 있다.

가령, 리포트는 테이블형 데이터일 수 있다. 리포트 테이블은 타겟팅 키워드 설정 일자(start date), 포트폴리오 이름(portfolio name), 개별 게시 제품(targeting), 키워드 일치 유형(match type), 타겟팅 키워드(customer search term), 노출수(impression), 클릭수(clicks), 클릭률(CTR), 클릭당비용(CPC), 지출(spend), 7일 총매출(7 day total sales), 광고수익률(ROAS), 구매전환율(conversion rate) 등의 필드를 포함할 수 있다. 그러나 리포트의 구성 방식은 위 예시에 제한되지 않으며, 마케팅 캠페인 성과를 나타낼 수 있는 다른 어떤 방식으로도 구성될 수 있다.

서버(131)는 오픈마켓 서버(101)에서 판매자 계정들의 마케팅 캠페인 성과에 대한 리포트를 수집할 권한을 판매자 계정들로부터 미리 승인받을 수 있다. 판매자 계정들로부터 리포트를 수집할 권한을 얻은 서버(131)는 오픈마켓 서버(101)에서 제공하는 API 등을 통해 판매자 계정들의 리포트들을 획득할 수 있다.

다음으로, 서버(131)는 미리 생성된 리포트로부터 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출할 수 있다(220).

가령, 서버(131)는 각 판매자의 리포트에서 타겟팅 키워드 필드를 조회하여 오픈마켓 게시 제품별 타겟팅 키워드들을 추출할 수 있다. 또한, 서버(131)는 각 판매자의 리포트 내 다른 필드들을 조회하여 타겟팅 키워드별 미리 정의된 정보를 추출할 수 있다. 타겟팅 키워드별 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함할 수 있다. 보다 구체적인 데이터 획득 동작은 도 3을 참조하여 후술된다.

이어서, 서버(131)는 타겟팅 키워드들을 트레이닝 데이터로 하고, 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제1 인공 신경망을 학습시킬 수 있다(230).

타겟팅 키워드별 미리 정의된 정보 중 적어도 일부는 구매전환율 및 ROAS를 포함할 수 있다. 구매전환율 및/또는 ROAS가 높을수록 키워드 마케팅 성과가 높은 것으로 해석될 수 있다. 따라서, 레이블은 타겟팅 키워드의 마케팅 성과를 나타내는 지표가 될 수 있다. 그러므로, 타겟팅 키워드들을 트레이닝 데이터로 하고, 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 학습을 마친 제1 인공 신경망은 키워드를 입력 받아 입력 키워드의 예상 마케팅 성과를 출력할 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 출력할 수 있다. 보다 구체적인 인공 신경망 학습 동작은 도 3 및 6을 참조하여 후술된다.

이후, 서버(131)는 제2 사용자 단말(112)로부터 후보 키워드를 획득할 수 있다(240).

후보 키워드는 제2 사용자(122)가 오픈마켓에 게시한 제품에 대해 새롭게 설정하고자 하는 타겟팅 키워드일 수 있다. 서버(131)와 연동된 웹사이트 또는 어플리케이션(132)은 후보 키워드 입력란을 포함할 수 있다. 서버(131)는 제2 사용자(122)가 웹사이트 또는 어플리케이션(132)의 후보 키워드 입력란에 입력한 후보 키워드를 획득할 수 있다.

다음으로, 서버(131)는 타겟 게시 제품을 위한 후보 키워드를 제1 인공 신경망에 적용하여 출력을 획득할 수 있다(250).

서버(131)는 제2 사용자(122)가 입력한 키워드에 통상의 가공 과정을 거쳐 입력을 생성한 후, 동작(230)을 통해 학습된 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 후보 키워드의 예상 마케팅 성과를 출력할 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 출력할 수 있다. 보다 구체적인 인공 신경망 적용 동작은 도3을 참조하여 후술된다.

이어서, 서버(131)는 후보 키워드를 분류할 수 있다(260).

후보 키워드 분류를 위해, 서버(131)는 인공 신경망의 출력을 기초로, 후보 키워드의 예상 효율을 수치로 구할 수 있다. 인공 신경망은 전술한 제1 인공 신경망 또는 도 4를 참조하여 후술되는 제2 인공 신경망 등일 수 있다. 인공 신경망의 출력은 예상 구매전환율 및 예상 ROAS를 포함할 수 있다. 예상 구매전환율 및 예상 ROAS는 예상 효율을 구하는데 사용될 수 있다.

예상 효율은 입력변수로 예상 구매전환율 및 예상 ROAS를 포함하고, 예상 효율을 수치로 출력하는 함수를 이용하여 구할 수 있다. 함수는 예상 구매전환율 및/또는 예상 ROAS에 대한 증가함수일 수 있다. 따라서, 함수는 예상 구매전환율 및/또는 예상 ROAS가 클수록 큰 예상 효율을 출력할 수 있다. 함수의 구체적인 구성은 실시예에 따라 달리 차용될 수 있다.

실시예에 따라, 서버(131)는 복수의 함수를 구비할 수 있다. 가령, 예상 ROAS에 관계없이 예상 구매전환율이 커질수록 예상 효율이 커지는 제1 함수, 예상 구매전환율에 관계없이 예상 ROAS가 커질수록 예상 효율이 커지는 제2 함수, 예상 구매전환율과 예상 ROAS의 곱이 커질수록 예상 효율이 커지는 제3 함수 등을 포함할 수 있다. 제3 함수의 경우, 예상 구매전환율이 아무리 높더라도 예상 ROAS가 현저히 낮다면 높은 예상 효율을 출력하지 않는다. 반대의 경우도 마찬가지다.

제2 사용자(122)는 웹사이트 또는 어플리케이션(132)를 통해 제1 내지 3 함수 중 하나를 선택하도록 구성될 수 있다. 이를 통해, 판매자 계정을 사용하는 주체의 의사결정을 도울 수 있다. 가령, 의사결정 주체는 광고수익률이 특히 중시되는 상황이면, 제1 또는 제3 함수 대신 제2 함수를 선택하는 의사결정을 내릴 수 있다.

서버(131)는 예상 효율이 미리 정의된 점수 이상이면, 후보 키워드를 타겟 게시 제품의 타겟팅 키워드 그룹에 추가할 수 있다. 한편, 서버(131)는 예상 효율이 미리 정의된 점수 미만이면, 후보 키워드를 타겟 게시 제품의 네거티브 타겟팅 키워드 그룹에 추가할 수 있다.

후보 키워드는 타겟팅 키워드 그룹 또는 네거티브(negative) 타겟팅 키워드 그룹 중 하나로 분류될 수 있다. 타겟팅 키워드 그룹은 타겟팅 키워드로 설정 시 마케팅 성과가 높을 것으로 예상되는 키워드들의 집합일 수 있다. 네거티브 타겟팅 키워드 그룹은 타겟팅 키워드로 설정 시 마케팅 성과가 낮을 것으로 예상되는 키워드들의 집합일 수 있다. 판매자는 어떤 키워드를 타겟팅 키워드로 사용할지 뿐만 아니라 하지 어떤 키워드의 사용을 피해야 할지를 파악하는 것 또한 중요하다. 따라서 마케팅 성과가 낮을 것으로 예상되는 키워드들을 삭제하지 않고 네거티브 타겟팅 키워드 그룹으로 구분해 둠으로써 판매자 계정을 사용하는 주체의 의사결정을 도울 수 있다. 가령, 의사결정 주체는 네거티브 타겟팅 키워드 그룹에 포함된 키워드와 유사한 단어나 구(句) 또한 타겟팅 키워드로 설정하지 않을 수 있다. 한편, 타겟팅 키워드 그룹으로 분류된 후보 키워드들은 최종 의사결정을 거쳐 타겟팅 키워드를 설정할 수 있다.

이상을 통해, 판매자 계정을 사용하는 주체는 타겟팅 키워드로 사용할 후보 키워드의 예상 효율을 미리 확인할 수 있다. 타겟팅 키워드 그룹으로 분류된 후보 키워드들은 최종 의사결정을 거쳐 타겟팅 키워드를 설정할 수 있다. 따라서, 종래처럼 판매자 또는 판매자 측 마케팅 담당자가 마케팅 효율이 좋을 것으로 추측되는 타겟팅 키워드를 마케팅 캠페인에 추가하고, 마케팅 캠페인의 비용 발생을 감내하면서 타겟팅 키워드의 광고 효율을 사후적으로 관찰한 후, 효율이 안 좋으면 타겟팅 키워드를 제외하는 방식으로 업무를 진행하지 않아도 되게 된다.

이를 통해, 마케팅 성과가 없을 수도 있는 후보 키워드를 마케팅 캠페인에 포함시킴으로써 발생하는 예산, 시간 및 기회비용 낭비를 줄일 수 있다. 또한, 마케팅 캠페인을 직접 진행하는 것보다 짧은 시간 안에 여러 개의 후보 키워드의 예상 마케팅 성과를 알 수 있게 되므로, 타겟 게시 제품에 적합한 타겟팅 키워드를 보다 빨리 찾아낼 수 있다. 또한, 사람이 아닌 서버 및 인공 신경망을 통해 프로세스가 자동으로 수행되므로, 인력을 절감할 수 있다.

도 3은 일실시예에 따른 제1 인공 신경망 학습 및 적용 동작을 설명하기 위한 도면이다.

제1 인공 신경망 학습 및 적용은 도 2를 참조하여 전술한 데이터 획득 동작(220), 인공 신경망 학습 동작(230), 및 인공 신경망 적용 동작(250)을 포함할 수 있다.

우선, 서버(131)는 미리 생성된 리포트로부터 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출할 수 있다(220).

서버(131)는 오픈마켓 서버(101)로부터 획득한 각 판매자 계정의 리포트에서 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출할 수 있다. 타겟팅 키워드별 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함할 수 있다.

가령, 제1 및 2 판매자 계정(도시 생략)이 있을 수 있다. 제1 판매자 계정은 구두를 취급할 수 있다. 제1 판매자 계정은 제1 게시 제품(311)에 제1 내지 3 타겟팅 키워드(321-323)를 사용했고, 제2 게시 제품(312)에 제2 타겟팅 키워드(322)를 사용했을 수 있다. 제2 판매자 계정은 여성 패션을 취급할 수 있다. 제2 판매자 계정은 제2 게시 제품(312)에 제3 타겟팅 키워드(323)를 사용했고, 제3 게시 제품(313)에 제3 및 4 타겟팅 키워드(323, 324)를 사용했을 수 있다.

서버(131)는 판매자 계정들의 리포트들로부터 제1 내지 3 게시 제품(311-313), 제1 내지 4 타겟팅 키워드(321-324) 및 제1 내지 7 미리 정의된 정보(341-347)를 추출할 수 있다. 제1 내지 3 게시 제품(311-313), 제1 내지 4 타겟팅 키워드(321-324) 및 제1 내지 7 미리 정의된 정보(341-347)는 적어도 하나 이상의 판매자 계정의 리포트로부터 추출된 것일 수 있다.

서버(131)는 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 그래프(graph)로 저장할 수 있다. 서버(131)는 게시 제품들을 제1 노드(node)로 저장할 수 있다. 서로 다른 판매자 계정의 중복되는 게시 제품을 하나의 노드로 통일할 수 있다. 가령, 제1 판매자 계정과 제2 판매자 계정이 동일한 여성 구두 제품을 게시했다면, 서버(131)는 서로 다른 판매자 계정의 게시 제품을 모두 제1-2 노드(312)로 통일할 수 있다. 서로 다른 판매자 계정의 중복되는 게시 제품은 하나의 노드로 정리할 수 있다. 타겟팅 키워드들은 제2 노드로 저장할 수 있다. 마찬가지로, 서로 다른 판매자 계정의 중복되는 타겟팅 키워드는 하나의 노드로 정리할 수 있다.

서버(131)는 오픈마켓 게시 제품(제1 노드)의 마케팅에 사용된 적 있는 타겟팅 키워드(제2 노드)를 엣지(edge)로 연결할 수 있다. 구체적으로, 서버(131)는 제1-1 노드(311)를 제2-1 노드(321), 제2-2 노드(322) 및 제2-3 노드(323)와 연결하고(331, 332, 334); 제1-2 노드(312)를 제2-2 노드(322) 및 제2-3 노드(323)와 연결하고(333, 335); 제1-3 노드(313)를 제2-3 노드(323), 제2-4 노드(324)와 연결할 수 있다(336, 337).

서버(131)는 각 엣지(331-337)에 게시 제품별 타겟팅 키워드의 미리 정의된 정보를 엣지 정보(341-347)로 포함시킬 수 있다. 가령, 제1 엣지(331)는 제1 판매자가 제1 게시 제품(311)에 제1 키워드(321)를 사용했을 때의 마케팅 성과에 대한 미리 정의된 정보를 제1 엣지 정보(341)로 가질 수 있다. 제2 내지 7 엣지(332-337)도 위와 상응하는 제2 내지 7 엣지 정보(342-347)를 가질 수 있다.

위와 같이 서버(131)는 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 그래프로 저장함으로써, 연관성을 가지되 서로 종류가 다른 데이터를 용이하게 조회할 수 있다. 예를 들어, 타겟팅 키워드는 그 자체만으로 조회되기 보다는 타겟팅 키워드가 사용된 오픈마켓 게시 제품 또는 타겟팅 키워드의 마케팅 성과에 대한 미리 정의된 정보와 함께 조회되는 경우가 다수이다. 서버(131)는 제2 노드(321-324)와 엣지(331-337)로 연결된 제1 노드(311-313)를 조회하여 타겟팅 키워드가 사용된 오픈마켓 게시 제품을 함께 조회할 수 있고, 제2 노드(321-324)와 연결된 엣지(331-337)의 엣지 정보(341-347)를 조회하여 타겟팅 키워드 및 이들의 마케팅 성과에 대한 미리 정의된 정보를 함께 조회할 수 있다.

다음으로, 서버(131)는 타겟팅 키워드들을 트레이닝 데이터로 하고, 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제1 인공 신경망을 학습시킬 수 있다(230).

서버(131)는 그래프에서 제2 노드(321-324)들을 조회하여 트레이닝 데이터(351)로 정리할 수 있다. 한편, 서버(131)는 제2 노드(321-324)들과 연결된 엣지(331-337)들의 엣지 정보(341-347)들을 조회할 수 있다. 각 엣지 정보(341-347)는 각 타겟팅 키워드(321-324)가 엣지로 연결된 게시 제품(311-313)에 사용되었을 때의 마케팅 성과에 대한 미리 정의된 정보를 포함할 수 있다. 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함할 수 있다. 서버(131)는 각 엣지 정보(341-347)를 제2 노드(321-324)별로 병합할 수 있다. 병합 방식은 합계, 평균, 중간값, 최빈값 등 실시예에 따라 적절히 선택될 수 있다. 서버(131)는 제2 노드별로 병합된 엣지 정보를 트레이닝 데이터에 대응하는 레이블(361)로 정리할 수 있다. 이를 통해, 동일한 타겟팅 키워드에 대한 다수 판매자 계정의 마케팅 성과를 트레이닝 데이터(타겟팅 키워드)에 대응하는 레이블로 가질 수 있다.

예를 들어, 트레이닝 데이터 제2-1 노드(321)에 대응하는 레이블은 제1 엣지 정보(341)이고, 트레이닝 데이터 제2-2 노드(322)에 대응하는 레이블은 제2 및 3 엣지 정보(342, 343)를 병합한 정보이고, 트레이닝 데이터 제2-3 노드(323)에 대응하는 레이블은 제4 내지 6 엣지 정보(344-346)를 병합한 정보이고, 트레이닝 데이터 제2-4 노드(324)에 대응하는 레이블은 제7 엣지 정보(347)일 수 있다.

트레이닝 데이터(351)는 타겟팅 키워드이고, 레이블(361)은 타겟팅 키워드의 구매전환율 및 ROAS를 포함한 키워드 마케팅 성과 정보일 수 있다. 구매전환율 및/또는 ROAS가 높을수록 키워드 마케팅 성과가 높은 것으로 해석될 수 있다. 따라서, 레이블(361)은 타겟팅 키워드의 마케팅 성과를 나타내는 지표가 될 수 있다.

제1 인공 신경망(371)은 타겟팅 키워드들을 트레이닝 데이터(351)로 하고, 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블(361)로 하여 학습될 수 있다. 트레이닝 데이터(351)를 입력받은 제1 인공 신경망(371)의 출력(381)은 레이블(361)과 점점 가까워지도록 학습될 수 있다. 학습을 마친 제1 인공 신경망(371)은 키워드를 입력 받아 입력 키워드의 예상 마케팅 성과를 출력할 수 있다. 출력은 예상 구매전환율 및 예상 ROAS를 포함할 수 있다. 보다 구체적인 인공 신경망 학습 동작은 도 6을 참조하여 후술된다.

한편, 서버(131)는 그래프를 정기적으로 업데이트할 수 있다. 서버(131)는 업데이트된 그래프를 기초로 트레이닝 데이터와 레이블을 정기적으로 업데이트 할 수 있다. 서버(131)는 업데이트된 트레이닝 데이터와 레이블을 기초로 제1 인공 신경망을 정기적으로 학습시킬 수 있다. 이러한 과정을 통해, 서버(131)는 타겟팅 키워드 및 마케팅 성과에 대한 정보가 축적됨에 따라 추론 성능이 향상되는 인공 신경망을 가질 수 있다.

이렇게 학습을 마친 제1 인공 신경망을 이용하여, 서버(131)는 타겟 게시 제품을 위한 후보 키워드(352)를 제1 인공 신경망에 적용하여 출력을 획득할 수 있다(250).

예를 들어, 판매자 또는 판매자 측 마케팅 담당자는 타겟 게시 제품(391)의 타겟팅 키워드로 후보 키워드(352)를 사용할 계획을 가질 수 있다. 서버(131)는 제2 사용자(122)로부터 후보 키워드(352)를 획득할 수 있다. 서버(131)는 제2 사용자(122)가 입력한 키워드에 통상의 가공 과정을 거쳐 입력을 생성한 후, 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 후보 키워드의 예상 마케팅 성과를 출력할 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 포함할 수 있다.

이를 통해, 판매자는 마케팅 캠페인을 이용하지 않고도 후보 키워드(352)의 예상 효율을 미리 확인할 수 있다. 따라서, 마케팅 캠페인의 비용 발생을 감내하면서 타겟팅 키워드의 광고 효율을 사후적으로 관찰할 필요가 없다. 이를 통해, 마케팅 성과가 없을 수도 있는 후보 키워드를 마케팅 캠페인에 포함시킴으로써 발생하는 예산, 시간 및 기회비용 낭비를 줄일 수 있다.

도 4는 일실시예에 따른 제2 인공 신경망 학습 및 적용 동작을 설명하기 위한 도면이다.

서버(131)는 제2 인공 신경망을 포함할 수 있다. 제2 인공 신경망은 타겟 게시 제품을 위한 후보 키워드와 더불어 타겟 게시 제품의 카테고리까지 입력받아, 후보 키워드의 예상 마케팅 성과를 출력할 수 있다. 제2 인공 신경망 학습 및 적용 동작은 다음을 포함할 수 있다.

우선, 서버(131)는 각각의 오픈마켓 게시 제품에 대하여, 오픈마켓 게시 제품이 속하는 미리 정의된 카테고리를 획득할 수 있다(410).

미리 정의된 카테고리는 오픈마켓 게시 제품(311-313)이 속하는 제품군(411, 412)일 수 있다. 가령, 남성 구두 제품(311), 여성 구두 제품(312)의 카테고리는 신발류(411)이고, 원피스 제품(313)의 카테고리는 의류(412)일 수 있다.

미리 정의된 카테고리들은 반드시 하나의 속성만 가질 필요는 없다. 미리 정의된 카테고리는 복수의 “세부 속성 카테고리 집합”으로부터 선택한 원소를 조합하여 이루어질 수 있다. 가령, 세부 속성 카테고리 집합으로 성별 집합과 제품군 집합이 있을 수 있다. 성별 세부 카테고리 집합은 {남성, 여성}으로 이루어지고, 제품군 세부 카테고리 집합은 {신발, 의류}으로 이루어질 수 있다. 미리 정의된 카테고리는 성별 집합과 제품군 집합으로부터 선택한 원소의 조합으로 이루어질 수 있다. 이 경우, 미리 정의된 카테고리들은 {남성 신발, 남성 의류, 여성 신발, 여성 의류}와 같이 4개가 될 수도 있다.

이하, 설명의 편의를 위해 미리 정의된 카테고리들은 하나의 속성만 가지는 경우로 설명한다. 서버(131)는 오픈마켓 게시 제품(311-313)을 카테고리별로 분류하는 룰(rule), 머신러닝 모델, 인공 신경망 등 통상의 기술을 통해 오픈마켓 게시 제품에 대한 카테고리를 획득할 수 있다. 또는, 서버(131)는 오픈마켓 서버(101)에서 미리 분류한 오픈마켓 게시 제품(311-313)의 제품 카테고리를 API 등으로 획득할 수 있다.

서버(131)는 도3을 참조하여 전술한 그래프에 카테고리들(411, 412)을 함께 저장할 수 있다. 카테고리들은 제3 노드로 저장될 수 있다. 카테고리들(411, 412)은 그 카테고리에 속하는 오픈마켓 게시 제품(311-313)과 엣지로 연결될 수 있다. 예를 들어, 제1-1 노드(311) 및 제1-2 노드(312)는 제3-1노드(411)과 연결되고, 제1-3 노드(313)는 제3-2 노드(412)와 연결될 수 있다.

다음으로, 서버(131)는 각각의 카테고리에 대하여, 카테고리에 속하는 각각의 오픈마켓 게시 제품의 각각의 타겟팅 키워드와 카테고리의 쌍(카테고리-타겟팅 키워드 쌍)을 획득할 수 있다(420).

카테고리들을 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 담고 있는 그래프에 함께 저장함으로써, 서버(131)는 연관성을 가지되 서로 종류가 다른 데이터를 용이하게 조회할 수 있다. 서버(131)는 제3 노드(411, 412)와 연결된 제1 노드(311-313)와 연결된 제2 노드(321-324)를 조회하여, 그래프에서 복수의 엣지를 거쳐 서로 연결된 제3 노드(411, 412)와 제2 노드(321-324)를 확인할 수 있다. 서버(131)는 복수의 엣지를 거쳐 서로 연결된 제3 노드(411, 412)와 제2 노드(321-324)를 기초로, “카테고리-타겟팅 키워드 쌍”들을 획득할 수 있다.

예를 들어, 서버(131)는 제3-1 노드(411)와 연결된 제1-1 노드(311) 및 제1-2 노드(312)를 조회하고; 제1-1 노드(311)와 연결된 제2-1 노드(321), 제2-2 노드(322), 제2-3 노드(323)를 조회하고; 제1-2 노드(312)와 연결된 제2-2 노드(322), 제2-3 노드(323)을 조회할 수 있다. 서버(131)는 제3-1 노드(411)와 제2-1 노드(321), 제2-2 노드(322), 제2-3 노드(323)가 복수의 엣지를 거쳐 연결되어 있음을 확인하고, “제3-1 노드(411)-제2-1 노드(321) 쌍”, “제3-1 노드(411)-제2-2 노드(322) 쌍”, “제3-1 노드(411)-제2-3 노드(323) 쌍”을 생성할 수 있다. 마찬가지 작업을 거쳐, 서버(131)는 “제3-2 노드(412)-제2-3 노드(323) 쌍”, “제3-2 노드(412)-제2-4 노드(324) 쌍”을 획득할 수 있다.

이어서, 서버(131)는 카테고리-타겟팅 키워드 쌍들을 트레이닝 데이터로 하고, 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제2 인공 신경망을 학습시킬 수 있다(430).

서버(131)는 전술한 동작(420)을 통해 획득한 카테고리-타겟팅 키워드 쌍들을 트레이닝 데이터(351)로 정리할 수 있다. 한편, 서버(131)는 각각의 카테고리-타겟팅 키워드 쌍에 대하여, “타겟팅 키워드에 대응하는 제2 노드에 연결된 엣지들” 중 “카테고리에 대응하는 제3 노드와 연결된 제1 노드에 연결된 엣지들”의 엣지 정보만을 조회할 수 있다.

각 엣지 정보는 각 타겟팅 키워드(321-324)가 엣지로 연결된 게시 제품(311-313)에 사용되었을 때의 마케팅 성과에 대한 미리 정의된 정보를 포함할 수 있다. 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함할 수 있다. 서버(131)는 엣지 정보를 제2 노드별로 병합할 수 있다. 병합 방식은 도 3 동작(230)을 참조하여 전술한 것과 동일할 수 있다. 서버(131)는 제2 노드별로 병합된 엣지 정보를 트레이닝 데이터에 대응하는 레이블(361)로 정리할 수 있다.

예를 들어, 트레이닝 데이터 “제3-1 노드(411)-제2-1 노드(321) 쌍”에 대응하는 레이블은 제1 엣지 정보(341)이고, 트레이닝 데이터 “제3-1 노드(411)-제2-2 노드(322) 쌍”에 대응하는 레이블은 제2 및 3 엣지 정보(342, 343)를 병합한 정보이고, 트레이닝 데이터 “제3-1 노드(411)-제2-3 노드(323) 쌍”에 대응하는 레이블은 제4 및 5 엣지 정보(344, 345)를 병합한 정보이고, 트레이닝 데이터 “제3-2 노드(412)-제2-3 노드(323) 쌍”에 대응하는 레이블은 제6 엣지 정보(346)이고, 트레이닝 데이터 “제3-2 노드(412)-제2-4 노드(324) 쌍”에 대응하는 레이블은 제7 엣지 정보(347)일 수 있다.

참고로, 도 3을 참조하여 전술한 동작(230)으로 트레이닝 데이터와 레이블을 생성할 경우, 트레이닝 데이터 제2-1 노드(321)에 대응하는 레이블은 제1 엣지 정보(341)이고, 트레이닝 데이터 제2-2 노드(322)에 대응하는 레이블은 제2 및 3 엣지 정보(342, 343)를 병합한 정보이고, 트레이닝 데이터 제2-3 노드(323)에 대응하는 레이블은 제4 내지 6 엣지 정보(344-346)를 병합한 정보이고, 트레이닝 데이터 제2-4 노드(324)에 대응하는 레이블은 제7 엣지 정보(347)일 수 있다.

도 3을 참조하여 전술한 동작(230)과 비교하면, 동작(430)을 통해 트레이닝 데이터와 레이블이 더 세분화되는 점을 확인할 수 있다. 특히, 동작(430)에서는 트레이닝 데이터 “제3-1 노드(411)-제2-3 노드(323) 쌍”에 대응하는 레이블은 제4 및 5 엣지 정보(344, 345)를 병합한 정보이고, 트레이닝 데이터 “제3-2 노드(412)-제2-3 노드(323) 쌍”에 대응하는 레이블은 제6 엣지 정보(346)가 된다. 따라서, 제2 인공 신경망은 제3 타겟팅 키워드(323)가 제1 카테고리(411) 제품에 사용된 경우와 제2 카테고리(412) 제품에 사용된 경우를 구별하여 학습할 수 있게 된다. 정리하면, 제2 인공 신경망은 오픈마켓 게시 제품의 카테고리까지 고려하여 학습이 이루어지기 때문에, 타겟팅 키워드만 제1 인공 신경망보다 더 개선된 예상 마케팅 성과를 출력할 것으로 기대할 수 있다.

제2 인공 신경망(471)은 카테고리-타겟팅 키워드 쌍들을 트레이닝 데이터(451)로 하고, 오픈마켓 게시 제품 카테고리별 타겟팅 키워드의 미리 정의된 정보 중 적어도 일부를 레이블(461)로 하여 학습될 수 있다. 트레이닝 데이터(451)를 입력받은 제2 인공 신경망(471)의 출력(481)은 레이블(461)과 점점 가까워지도록 학습될 수 있다. 학습을 마친 제2 인공 신경망(471)은 오픈마켓 게시 제품 카테고리별 후보 키워드의 예상 마케팅 성과를 출력할 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 포함할 수 있다. 보다 구체적인 인공 신경망 학습 동작은 도 6을 참조하여 후술된다.

한편, 서버(131)는 그래프를 정기적으로 업데이트할 수 있다. 서버(131)는 업데이트된 그래프를 기초로 트레이닝 데이터와 레이블을 정기적으로 업데이트 할 수 있다. 서버(131)는 업데이트된 트레이닝 데이터와 레이블을 기초로 제2 인공 신경망을 정기적으로 학습시킬 수 있다. 이러한 과정을 통해, 서버(131)는 오픈마켓 게시 제품 카테고리별 타겟팅 키워드 및 마케팅 성과에 대한 정보가 축적됨에 따라 추론 성능이 향상되는 인공 신경망을 가질 수 있다.

이렇게 학습을 마친 제2 인공 신경망을 이용하여, 서버(131)는 타겟 게시 제품을 위한 후보 키워드를 제2 인공 신경망에 적용하여 출력을 획득할 수 있다(440).

예를 들어, 판매자 또는 판매자 측 마케팅 담당자는 타겟 게시 제품(391)의 타겟팅 키워드로 후보 키워드(352)를 사용할 계획을 가질 수 있다. 서버(131)는 제2 사용자(122)로부터 타겟 게시 제품(391) 및 후보 키워드(352)를 획득할 수 있다. 서버(131)는 제품을 카테고리별로 분류하는 룰(rule), 머신러닝 모델, 인공 신경망 등 통상의 기술을 통해 타겟 게시 제품(391)의 카테고리(453)를 획득할 수 있다. 서버(131)는 타겟 게시 제품(391)의 카테고리(453)와 후보 키워드(352)를 쌍으로 하는 입력을 생성할 수 있다. 서버(131)는 제2 인공 신경망에 입력을 적용할 수 있다. 제2 인공 신경망은 오픈마켓 게시 제품 카테고리별 후보 키워드의 예상 마케팅 성과를 출력할 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 포함할 수 있다.

이를 통해, 판매자는 마케팅 캠페인을 이용하지 않고도 후보 키워드(352)의 예상 효율을 미리 확인할 수 있다. 특히, 제2 인공 신경망은 오픈마켓 게시 제품의 카테고리까지 고려하여 학습이 이루어지기 때문에, 타겟팅 키워드만 고려하는 제1 인공 신경망보다 더 정확한 예상 마케팅 성과를 출력할 수 있다.

도 5는 일실시예에 따른 어떤 인공 신경망을 사용할지 선택하는 동작을 설명하기 위한 순서도이다.

서버(131)는 제1 인공 신경망(371)과 제2 인공 신경망(471)을 모두 가질 수 있다. 제2 인공 신경망은 제1 인공 신경망보다 더 정확한 예상 마케팅 성과를 출력할 것으로 기대할 수 있다. 다만, 제2 인공 신경망은 카테고리를 고려하여 학습이 이루어지기 때문에, 오픈마켓 게시 제품이 적은 카테고리는 트레이닝 데이터가 충분치 않아 학습이 미비할 수 있다. 따라서, 서버(131)는 제2 인공 신경망의 학습 정도가 충분치 않은 오픈마켓 게시 제품 카테고리를 판별하여 제1 인공 신경망을 사용하는 동작을 실행할 수 있다.

이를 위해, 우선 서버(131)는 전체 카테고리-타겟팅 키워드 쌍들 중에서 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍들의 개수 및 비율을 연산할 수 있다(510).

도 4를 참조하면 예시를 들면, 전체 카테고리-타겟팅 키워드 쌍은 5개일 수 있다: “제3-1 노드(411)-제2-1 노드(321) 쌍”, “제3-1 노드(411)-제2-2 노드(322) 쌍”, “제3-1 노드(411)-제2-3 노드(323) 쌍”, “제3-2 노드(412)-제2-3 노드(323) 쌍”, “제3-2 노드(412)-제2-4 노드(324) 쌍”. 제1 게시 제품(311) 및 제2 게시 제품(312)은 제1 카테고리(411)에 속하므로, 제1 게시 제품(311) 또는 제2 게시 제품(312)의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍들의 개수는 3개, 비율은 3/5일 수 있다. 제3 게시 제품(313)은 제2 카테고리(412)에 속하므로, 제3 게시 제품(313)의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍들의 개수는 2개, 비율은 2/5일 수 있다.

다음으로, 서버(131)는 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수, 비율, 또는 개수 및 비율을 기초로, 판별값을 연산할 수 있다(520).

판별값은 입력변수로 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수 및/또는 비율을 포함하고, 판별값을 수치로 출력하는 판별식을 이용하여 구할 수 있다. 판별식은 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수 및/또는 비율에 대한 증가함수일 수 있다. 따라서, 판별식은 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수 및/또는 비율이 클수록 큰 판별값을 출력할 수 있다. 판별식의 구체적인 구성은 실시예에 따라 달리 차용될 수 있다.

실시예에 따라, 서버(131)는 복수의 판별식을 구비할 수 있다. 가령, 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수에 관계없이 비율이 커질수록 판별값이 커지는 제1 판별식, 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 비율에 관계없이 개수가 커질수록 판별값이 커지는 제2 판별식, 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수 및 비율을 모두 고려하는 제3 판별식 등을 포함할 수 있다. 서버(131)는 제1 내지 3 판별식 중 하나를 선택하도록 구성될 수 있다. 가령, 전체 트레이닝 데이터가 적다면 제1 판별식을 선택할 수 있고, 전체 트레이닝 데이터가 충분히 많아지면 제2 판별식을 선택할 수 있다.

이어서, 서버(131)는 판별값이 미리 정의된 임계 이상이면 제2 인공 신경망을 사용하고, 판별값이 임계 이하이면 제1 인공 신경망을 사용하기로 결정할 수 있다(530).

임계는 실시예에 따라 적절히 선택되어 미리 정의될 수 있다. 서버(131)는 판별값이 미리 정의된 임계 이상이면, 타겟 게시 제품을 위한 후보 키워드 및 타겟 게시 제품의 카테고리를 제2 인공 신경망에 적용하여 출력을 획득할 수 있다. 이때 출력은 오픈마켓 게시 제품 카테고리별 후보 키워드의 예상 마케팅 성과일 수 있다. 한편, 서버(131)는 판별값이 임계 미만이면, 타겟 게시 제품을 위한 후보 키워드를 제1 인공 신경망에 적용하여 출력을 획득할 수 있다. 이때 출력은 후보 키워드의 예상 마케팅 성과일 수 있다.

이후, 서버(131)는 출력을 기초로, 후보 키워드의 예상 효율을 수치로 구할 수 있다. 또한, 예상 효율을 기초로, 후보 키워드를 분류할 수 있다. 구체적으로, 예상 효율이 미리 정의된 점수 이상이면, 후보 키워드를 타겟 게시 제품의 타겟팅 키워드 그룹에 추가하고, 예상 효율이 미리 정의된 점수 미만이면, 후보 키워드를 타겟 게시 제품의 네거티브 타겟팅 키워드 그룹에 추가할 수 있다. 예상 효율을 수치로 구하는 동작 및 후보 키워드를 분류하는 동작은 도 2를 참조하여 전술한 바 중복되는 설명은 생략한다.

이상을 통해, 서버(131)는 제1 인공 신경망(371)과 제2 인공 신경망(471) 중 어떤 인공 신경망을 쓸지 선택하는 프로세스를 구비할 수 있다. 서버(131)는 트레이닝 데이터가 충분히 확보된 오픈 마켓 게시 제품 카테고리에 대해서는 제2 인공 신경망(471) 사용을 결정할 수 있다. 카테고리에 대한 학습이 충분히 이루어진 제2 인공 신경망(471)은 일반적으로 제1 인공 신경망(371)보다 정확한 예상 마케팅 성과를 출력할 수 있다.

한편, 제2 인공 신경망(471)은 카테고리를 고려하여 학습이 이루어지기 때문에, 오픈마켓 게시 제품이 적은 카테고리는 트레이닝 데이터가 충분치 않아 학습이 미비할 수 있다. 따라서 서버(131)는 오픈마켓 게시 제품이 적은 카테고리에 대해서는 제1 인공 신경망(371) 사용을 결정할 수 있다. 이를 통해, 트레이닝 데이터 확보가 아직 불충분한 카테고리에 대해서도 차선의 예상 마케팅 성과를 출력하여 제공할 수 있다.

도 6은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.

인공 신경망은 학습 장치를 통해서 학습될 수 있다. 학습 장치는 적어도 하나의 서버(131) 내 구성일 수도 있고, 서버(131)와 별도의 장치일 수도 있다. 학습을 마친 인공 신경망은 서버(131)에 포함될 수 있다.

제1 인공 신경망은 후보 키워드를 입력받아, 후보 키워드의 예상 마케팅 성과를 출력하도록 학습될 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 출력할 수 있다.

제2 인공 신경망은 오픈마켓 게시 제품의 카테고리 및 후보 키워드를 입력받아, 오픈마켓 게시 제품 카테고리별 후보 키워드의 예상 마케팅 성과를 출력하도록 학습될 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 출력할 수 있다.

제1 및 2 인공 신경망은 지도 학습(supervised learning)으로 학습되는 모델일 수 있다. 제1 및 2 인공 신경망은 통상적인 딥 러닝 모델이 가지는 구성을 차용하여 설계될 수 있다.

이하에서는 학습 장치를 통해 인공 신경망이 학습되는 과정을 설명한다.

우선, 학습 장치는 트레이닝 데이터(training data)와 레이블(label)을 획득할 수 있다(610).

제1 인공 신경망 학습을 위한 트레이닝 데이터 및 레이블은 도 3을 참조하여 전술한 동작(230)과 같이 획득할 수 있다. 요약하면, 서버(131)는 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 그래프(graph)로 저장할 수 있다. 서버(131)는 그래프에서 제2 노드(321-324)들을 조회하여 트레이닝 데이터(351)로 정리할 수 있다. 한편, 그래프에서 각 엣지 정보(341-347)는 각 타겟팅 키워드(321-324)가 엣지로 연결된 게시 제품(311-313)에 사용되었을 때의 마케팅 성과에 대한 미리 정의된 정보를 포함할 수 있다. 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함할 수 있다. 서버(131)는 제2 노드별로 병합된 엣지 정보를 트레이닝 데이터에 대응하는 레이블(361)로 정리할 수 있다. 서버(131)는 트레이닝 데이터와 레이블을 학습 장치로 전달할 수 있다.

제2 인공 신경망 학습을 위한 트레이닝 데이터 및 레이블은 도 4를 참조하여 전술한 동작(430)과 같이 획득할 수 있다. 요약하면, 서버(131)는 도3을 참조하여 전술한 그래프에 카테고리들(411, 412)을 함께 저장할 수 있다. 서버(131)는 각각의 카테고리에 대하여, 카테고리에 속하는 각각의 오픈마켓 게시 제품의 각각의 타겟팅 키워드와 카테고리의 쌍(카테고리-타겟팅 키워드 쌍)을 획득할 수 있다. 서버(131)는 카테고리-타겟팅 키워드 쌍들을 트레이닝 데이터(351)로 정리할 수 있다. 서버(131)는 각각의 카테고리-타겟팅 키워드 쌍에 대하여, “타겟팅 키워드에 대응하는 제2 노드에 연결된 엣지들” 중 “카테고리에 대응하는 제3 노드와 연결된 제1 노드에 연결된 엣지들”의 엣지 정보만을 조회하고, 엣지 정보를 제2 노드별로 병합하여, 트레이닝 데이터에 대응하는 레이블(361)로 정리할 수 있다. 서버(131)는 트레이닝 데이터와 레이블을 학습 장치로 전달할 수 있다.

이제, 학습 장치는 인공 신경망에 트레이닝 데이터를 적용할 수 있다(620).

학습 장치는 트레이닝 데이터를 인공 신경망의 입력으로 그대로 사용하거나, 인공 신경망이 받아들일 수 있는 입력 형태에 맞추어 트레이닝 데이터를 보다 작은 단위로 구분하는 등의 통상의 프로세스를 거칠 수 있다. 학습 장치는 학습 효율을 위해 인공 신경망 최적화 단계(650)에서 확률론적 경사하위법(stochastic gradient descent)을 사용할 수 있으며, 이를 위해 배치(batch)별로 트레이닝 데이터를 나누어 인공 신경망의 입력을 생성할 수 있다. 트레이닝 데이터들은 학습 에포크(epoch)마다 배치 내 재분배가 이루어질 수 있다.

이어서, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다(630).

제1 인공 신경망의 출력은 후보 키워드의 예상 마케팅 성과일 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 포함할 수 있다. 제2 인공 신경망의 출력은 카테고리별 후보 키워드의 예상 마케팅 성과일 수 있다. 예상 마케팅 성과는 예상 구매전환율 및 예상 ROAS를 포함할 수 있다.

이후, 학습 장치는 출력과 레이블을 비교할 수 있다(640).

구체적으로, 학습 장치는 인공 신경망의 출력과 레이블을 비교할 수 있다. 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 비교하는 과정은 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 인공 신경망을 최적화할 수 있다(650).

학습 장치 비교값이 점점 작아지도록 인공 신경망 모델의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 확률론적 경사하위법(stochastic gradient descent), 역전파(backpropagation) 알고리즘 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 인공 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

학습 장치는 이와 같은 과정을 반복함으로써 제1 및 2 인공 신경망을 학습시킬 수 있다. 제1 인공 신경망의 출력은 도 2 및 3를 참조하여 전술한 후보 키워드의 예상 마케팅 성과를 출력하는 동작(250)에 사용될 수 있다. 제1 인공 신경망의 출력은 도 4를 참조하여 전술한 오픈마켓 게시 제품 카테고리별 후보 키워드의 예상 마케팅 성과를 출력하는 동작(440)에 사용될 수 있다.

도 7은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 장치(701)는 도 1 내지 6을 참조하여 전술된 장치이거나, 도 1 내지 6을 참조하여 전술된 동작 중 적어도 하나 이상을 수행할 수 있는 장치일 수 있다. 구체적으로, 장치(701)는 적어도 하나의 서버(131)를 구성하는 하나의 장치 또는 도 6을 참조하여 설명한 학습 장치 등일 수 있다. 장치(701)를 이용하는 자 또는 단체는 도 1 내지 도 6을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도시 생략)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(701)는 인공 신경망 또는 머신러닝 모델을 학습시키거나, 학습된 인공 신경망 또는 머신러닝 모델을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공 신경망 또는 머신러닝 모델을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공 신경망 또는 머신러닝 모델 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망 또는 머신러닝 모델을 학습시키는 장치(701)와 학습된 인공 신경망 또는 머신러닝 모델을 이용하는 장치(701)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 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 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) 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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. 된 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 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 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 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.

101: 오픈마켓 서버
102: 오픈마켓 웹사이트 또는 어플리케이션
111, 112: 단말
121, 122: 사용자
131: 서버
132: 웹사이트 또는 어플리케이션
311-313: 제1 노드 또는 오픈마켓 게시 제품
321-324: 제2 노드 또는 타겟팅 키워드
341-347: 엣지 정보
371: 제1 인공 신경망
391: 타겟 게시 제품
411, 412: 카테고리
471: 제2 인공 신경망

Claims

적어도 하나의 서버에 의해 수행되는 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법은,
미리 생성된 리포트로부터 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출하는 단계;
상기 타겟팅 키워드들을 트레이닝 데이터로 하고, 상기 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제1 인공 신경망을 학습시키는 단계;
각각의 오픈마켓 게시 제품에 대하여, 오픈마켓 게시 제품이 속하는 미리 정의된 카테고리를 획득하는 단계;
각각의 카테고리에 대하여, 카테고리에 속하는 각각의 오픈마켓 게시 제품의 각각의 타겟팅 키워드와 상기 카테고리의 쌍(카테고리-타겟팅 키워드 쌍)을 획득하는 단계;
상기 카테고리-타겟팅 키워드 쌍들을 트레이닝 데이터로 하고, 상기 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제2 인공 신경망을 학습시키는 단계;
전체 카테고리-타겟팅 키워드 쌍 중에서 상기 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수 및 비율을 연산하는 단계;
상기 개수, 상기 비율, 또는 상기 개수 및 상기 비율을 기초로, 판별값을 연산하는 단계;
상기 판별값이 미리 정의된 임계 이상이면, 상기 타겟 게시 제품을 위한 후보 키워드 및 상기 타겟 게시 제품의 카테고리를 상기 제2 인공 신경망에 적용하여 출력을 획득하고, 상기 판별값이 상기 임계 미만이면, 상기 타겟 게시 제품을 위한 후보 키워드를 상기 제1 인공 신경망에 적용하여 출력을 획득하는 단계;
상기 출력을 기초로, 상기 후보 키워드의 예상 효율을 수치로 구하는 단계; 및
상기 예상 효율이 미리 정의된 점수 이상이면, 상기 후보 키워드를 상기 타겟 게시 제품의 타겟팅 키워드 그룹에 추가하고, 상기 예상 효율이 미리 정의된 점수 미만이면, 상기 후보 키워드를 상기 타겟 게시 제품의 네거티브 타겟팅 키워드 그룹에 추가하는 단계
를 포함하고,
상기 타겟팅 키워드별 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함하고,
상기 제1 또는 제2 인공 신경망의 출력은 예상 구매전환율 및 예상 ROAS를 포함하는
오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법.
제1항에 있어서,
타겟 게시 제품을 위한 후보 키워드를 상기 제1 인공 신경망에 적용하여 출력을 획득하는 단계;
상기 출력을 기초로, 상기 후보 키워드의 예상 효율을 수치로 구하는 단계; 및
상기 예상 효율이 미리 정의된 점수 이상이면, 상기 후보 키워드를 상기 타겟 게시 제품의 타겟팅 키워드 그룹에 추가하고, 상기 예상 효율이 미리 정의된 점수 미만이면, 상기 후보 키워드를 상기 타겟 게시 제품의 네거티브 타겟팅 키워드 그룹에 추가하는 단계
를 더 포함하고,
상기 제1 인공 신경망의 출력은 예상 구매전환율 및 예상 ROAS를 포함하는
오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법.
삭제
삭제
오픈마켓에서의 키워드 마케팅 효율 증가를 위한 시스템은 적어도 하나의 서버를 포함하고,
상기 적어도 하나의 서버가 수행하는 동작은,
미리 생성된 리포트로부터 오픈마켓 게시 제품별 타겟팅 키워드들 및 타겟팅 키워드별 미리 정의된 정보를 추출하고,
상기 타겟팅 키워드들을 트레이닝 데이터로 하고, 상기 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제1 인공 신경망을 학습시키고,
각각의 오픈마켓 게시 제품에 대하여, 오픈마켓 게시 제품이 속하는 미리 정의된 카테고리를 획득하고,
각각의 카테고리에 대하여, 카테고리에 속하는 각각의 오픈마켓 게시 제품의 각각의 타겟팅 키워드와 상기 카테고리의 쌍(카테고리-타겟팅 키워드 쌍)을 획득하고,
상기 카테고리-타겟팅 키워드 쌍들을 트레이닝 데이터로 하고, 상기 타겟팅 키워드별 미리 정의된 정보 중 적어도 일부를 레이블로 하여 제2 인공 신경망을 학습시키고,
전체 카테고리-타겟팅 키워드 쌍 중에서 상기 타겟 게시 제품의 카테고리를 가지는 카테고리-타겟팅 키워드 쌍의 개수 및 비율을 연산하고,
상기 개수, 상기 비율, 또는 상기 개수 및 상기 비율을 기초로, 판별값을 연산하고,
상기 판별값이 미리 정의된 임계 이상이면, 상기 타겟 게시 제품을 위한 후보 키워드 및 상기 타겟 게시 제품의 카테고리를 상기 제2 인공 신경망에 적용하여 출력을 획득하고, 상기 판별값이 상기 임계 미만이면, 상기 타겟 게시 제품을 위한 후보 키워드를 상기 제1 인공 신경망에 적용하여 출력을 획득하고,
상기 출력을 기초로, 상기 후보 키워드의 예상 효율을 수치로 구하고,
상기 예상 효율이 미리 정의된 점수 이상이면, 상기 후보 키워드를 상기 타겟 게시 제품의 타겟팅 키워드 그룹에 추가하고, 상기 예상 효율이 미리 정의된 점수 미만이면, 상기 후보 키워드를 상기 타겟 게시 제품의 네거티브 타겟팅 키워드 그룹에 추가하는
동작을 포함하고,
상기 타겟팅 키워드별 미리 정의된 정보는 구매전환율 및 ROAS(광고 수익률)을 포함하고,
상기 제1 또는 제2 인공 신경망의 출력은 예상 구매전환율 및 예상 ROAS를 포함하는
오픈마켓에서의 키워드 마케팅 효율 증가를 위한 시스템.