KR102612004B1

KR102612004B1 - 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치

Info

Publication number: KR102612004B1
Application number: KR1020200149075A
Authority: KR
Inventors: 서대호
Original assignee: 다겸 주식회사
Priority date: 2020-11-10
Filing date: 2020-11-10
Publication date: 2023-12-08
Also published as: KR20220063350A

Abstract

본 발명은 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치에 관한 것으로, 일 실시예에 따르면 인공 신경망으로 추정되는 고객의 구매 확률을 이용하는 마케팅 정보 제공 방법으로서, 인공 신경망을 이용하여 고객의 로그 데이터로부터 고객이 상품을 구매할 확률을 반영하는 결과값을 산출하는 구매 확률 추정 모델을 준비하는 단계 - 상기 인공신경망은 고객들의 세션별 페이지 클릭 내역들에 관한 데이터와 세션별 고객들의 구매 여부를 반영하는 식별자가 서로 태깅된 러닝 셋을 통해 학습됨-, 웹사이트에 방문한 고객에 대한 로그 데이터를 획득하는 단계, 상기 획득한 로그 데이터로부터 획득된 상기 웹사이트에 방문한 고객의 페이지 클릭 내역에 관한 데이터를 상기 구매 확률 추정 모델에 입력하여 상기 웹사이트에 방문한 고객의 구매 확률을 추정하는 단계, 상기 추정된 구매 확률에 기초하여 상기 웹사이트에 방문한 고객이 이탈 위험 고객인지 여부를 결정하는 단계 및 이탈 위험 고객으로 결정되는 상기 웹사이트에 방문한 고객에 소정의 마케팅 정보를 제공하는 단계를 포함하는 마케팅 정보 제공 방법을 개시한다.

Description

마케팅 정보 제공 방법 및 마케팅 정보 제공 장치{METHOD AND APPARATUS FOR PROVIDING MARKETING INFORMATION}

본 출원은 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치에 관한 것으로, 보다 상세하게는 인공신경망을 이용하여 분류한 이탈 위험이 있는 고객에 맞춤형 마케팅 정보를 제공하는 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치에 관한 것이다.

통상적으로 평균 온라인 쇼핑몰의 구매 전환율은 2% 내외로 알려져 있다. 즉, 온라인 쇼핑몰에 방문한 고객 100명 중 2명만이 실제로 상품을 구매하고 있다. 따라서, 온라인 쇼핑몰을 운영함에 있어서 방문한 고객들의 구매 전환율을 높이는 것은 매우 중요하다.

고객의 구매 전환율을 높이기 위해서 온라인 쇼핑몰 내에서 파악한 고객의 행동에 기반하여 실시간으로 적절한 마케팅 전략을 수립하고는 있으나, 고객의 행동을 수작업으로 계속 모니터링하는 것은 시간 및 비용면에서 비효율적이라는 문제가 발생하고 있다. 이에, 실시간으로 인공지능 기술을 이용하여 자동으로 적절한 마케팅 전략을 수립하는 기술을 도입하려는 움직임이 있으나 이러한 기술에 대해서는 아직 개발이 미비하다.

따라서, 인공지능 기술을 이용한 맞춤형 마케팅을 통해 고객의 구매 전환율을 높여 이익 향상에 기여하는 기술에 대한 기술 개발이 필요한 실정이다.

해결하고자 하는 일 과제는 인공 신경망을 이용하여 고객의 이탈 확률을 예측하고 맞춤형 마케팅 정보를 제공하는 마케팅 정보 제공 방법 및 마케팅 정보 제공 장치를 제공하는 것이다.

본 출원의 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 양상에 따르면 인공 신경망으로 추정되는 고객의 구매 확률을 이용하는 마케팅 정보 제공 방법으로서, 인공 신경망을 이용하여 고객의 로그 데이터로부터 고객이 상품을 구매할 확률을 반영하는 결과값을 산출하는 구매 확률 추정 모델을 준비하는 단계 - 상기 인공신경망은 고객들의 세션별 페이지 클릭 내역들에 관한 데이터와 세션별 고객들의 구매 여부를 반영하는 식별자가 서로 태깅된 러닝 셋을 통해 학습됨-, 웹사이트에 방문한 고객에 대한 로그 데이터를 획득하는 단계, 상기 획득한 로그 데이터로부터 획득된 상기 웹사이트에 방문한 고객의 페이지 클릭 내역에 관한 데이터를 상기 구매 확률 추정 모델에 입력하여 상기 웹사이트에 방문한 고객의 구매 확률을 추정하는 단계, 상기 추정된 구매 확률에 기초하여 상기 웹사이트에 방문한 고객이 이탈 위험 고객인지 여부를 결정하는 단계 및 이탈 위험 고객으로 결정되는 상기 웹사이트에 방문한 고객에 소정의 마케팅 정보를 제공하는 단계를 포함하는 마케팅 정보 제공 방법이 제공될 수 있다.

본 발명의 다른 일 양상에 따르면 인공 신경망으로 추정되는 고객의 구매 확률을 이용하는 마케팅 정보 제공 장치로서, 인공신경망을 이용하여 고객의 로그 데이터로부터 고객이 상품을 구매할 확률을 반영하는 결과값을 산출하는 구매 확률 추정 모델을 저장하는 메모리 - 상기 인공신경망은 고객들의 세션별 페이지 클릭 내역들에 관한 데이터와 세션별 고객들의 구매 여부를 반영하는 식별자가 서로 태깅된 러닝 셋을 통해 학습됨-, 웹사이트에 방문한 고객에 대한 로그 데이터를 획득하는 통신 모듈 및 상기 웹사이트에 방문한 고객에 대한 로그 데이터로부터 추출된 상기 웹사이트에 방문한 고객의 페이지 클릭 내역에 관한 데이터를 상기 구매 확률 추정 모델에 입력하여 상기 웹사이트에 방문한 고객의 구매 확률을 추정하고, 상기 추정된 구매 확률에 기초하여 상기 웹사이트에 방문한 고객이 이탈 위험 고객인지 여부를 결정하고 및 이탈 위험 고객으로 결정되는 상기 웹사이트에 방문한 고객에 소정의 마케팅 정보를 제공하는 컨트롤러를 포함하는 마케팅 정보 제공 장치가 제공될 수 있다.

본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예에 의하면 인공 신경망을 이용하여 고객의 이탈 확률을 예측하고, 이탈 가능성이 높은 고객에게 맞춤형 마케팅 정보를 제공하여 사용자의 구매를 유도할 수 있다.

본 출원의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 마케팅 시스템을 나타내는 도면이다.
도 2는 일 실시예에 따른 마케팅 정보 제공 장치를 나타내는 도면이다.
도 3은 일 실시예에 따른 마케팅 정보 제공 방법의 순서도이다.
도 4는 순환 신경망을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 구매 확률 추정 모델을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 상품 추천 알고리즘 결정 모델의 생성을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 마케팅 정보의 제공을 설명하기 위한 도면이다.

본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.

도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장되어진 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위 뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.

본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

본 명세서에서 상품이란 재화나 서비스를 포함하여 지칭하는 것으로 넓게 해석되어야 한다.

일 실시예에서, 상기 구매 확률 추정 모델은 상기 인공 신경망은 복수의 순환신경망 셀을 포함하고, 상기 순환신경망 셀 각각은 각각의 시간 스텝에서 세션별 고객들의 구매 확률을 추정하기 위한 각각의 데이터를 출력할 수 있다.

일 실시예에서, 상기 복수의 순환신경망 셀은 제1 순환신경망 셀 및 제2 순환신경망 셀을 포함하고, 상기 제2 순환신경망 셀은 상기 제1 순환신경망 셀에 의해서 출력된 출력 데이터를 입력 데이터로 입력받을 수 있다.

일 실시예에서, 상기 구매 확률 추정 모델은 상기 복수의 순환신경망 셀로부터 출력된 데이터를 통합하기 위한 풀링 레이어를 더 포함할 수 있다.

일 실시예에서, 상기 구매 확률 추정 모델은 상기 복수의 순환신경망 셀을 보정하기 위한 드랍 아웃 레이어를 더 포함할 수 있다.

일 실시예에서, 상기 구매 확률 추정 모델은 상기 복수의 순환신경망 셀로부터 출력된 데이터를 입력 데이터로 받아 고객의 구매 확률에 관한 결과값을 출력하는 피드-포워드 레이어를 더 포함할 수 있다.

일 실시예에서, 상기 소정의 마케팅 정보는 추천 상품에 관한 정보를 포함할 수 있다.

일 실시예에서, 상기 추천 상품은 협업 필터링 방식 알고리즘, 콘텐츠 기반 필터링 방식 알고리즘, 하이브리드 기반 알고리즘, 지식기반 필터링 방식 알고리즘, 딥러닝 기반 알고리즘, 연관규칙 알고리즘 중 적어도 하나를 포함하는 상품 추천 알고리즘에 기초하여 산출될 수 있다.

일 실시예에서, 상기 소정의 마케팅 정보는 쿠폰 정보를 포함할 수 있다.

일 실시예에서, 상기 쿠폰 정보는 특정 상품 카테고리에 적용이 가능한 할인 쿠폰 정보를 포함하고, 상기 특정 상품 카테고리는 추천 상품의 후보들이 갖는 카테고리들 중 가장 많은 상품 카테고리로 결정될 수 있다.

본 발명의 다른 일 양상에 따르면 상술한 방법들을 실행시키는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체가 제공될 수 있다.

도 1은 일 실시예에 따른 마케팅 시스템을 나타내는 도면이다.

도 1을 참조하면, 마케팅 시스템(10)은 사용자 단말(100), 마케팅 정보 제공 장치(200), 데이터베이스(300) 및 네트워크(400)를 포함할 수 있다.

사용자 단말(100)은 마케팅 정보 제공 장치(200)와 네트워크(400)를 통해 통신할 수 있다. 예를 들어, 사용자 단말 1(100a) 내지 사용자 단말 n(100n)을 포함하는 복수의 사용자 단말(100)은 마케팅 정보 제공 장치(200)와 동시에 연결될 수 있다. 일예로, 사용자 단말(100)은 스마트폰, 태블릿 PC(Personal Computer), 노트북 PC, 휴대형 게임 단말기, 휴대형/동글형의 모바일 라우터 혹은 디지털 카메라 등의 모바일 단말기, M2M(Machine To Machine) 통신을 행하는 단말기로 구현될 수 있으나, 반드시 이에 한정되지 않고, 카 내비게이션 장치 등의 차량 탑재 단말기 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(100)은 마케팅 정보 제공 장치(200)로부터 마케팅을 위한 정보를 수신할 수 있다.

마케팅 정보 제공 장치(200)는 사용자 단말(100)에 마케팅 정보를 제공할 수 있다. 마케팅 정보 제공 장치(200)는 사용자 단말(100)에 적합한 마케팅 정보를 제공하여 고객의 구매를 유도할 수 있다.

마케팅 정보란 상품 또는 서비스에 관한 정보로서 웹사이트에서 사용자 또는 고객에게 제공하고자 하는 정보를 의미할 수 있다. 일 예로, 마케팅 정보는 고객에게 혜택을 제공하거나 고객의 관심을 이끌어 구매 유도를 하기 위한 정보(일 예로, 할인 쿠폰, 프로모션, 추천 상품 정보 등)를 포함할 수 있다. 웹사이트는 모바일 어플리케이션을 통해 제공되는 웹사이트를 포함할 수 있으며, 일예로, 웹사이트는 쇼핑몰 사이트, 동영상 사이트, 기고 사이트 등의 웹사이트를 포함하는 등 넓게 해석되어야 한다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 이탈 위험 고객으로 추정되는 사용자에 마케팅 정보를 제공할 수 있다. 예를 들어, 마케팅 정보 제공 장치(200)는 사용자 단말(100)과 관련된 정보들에 기초하여 사용자가 이탈 위험 고객인지를 추정하고, 이탈 위험 고객으로 추정되는 사용자에 추천 상품에 관한 정보, 할인 쿠폰 정보 등을 제공할 수 있다. 마케팅 정보 제공 장치(200)는 이탈 위험 고객에 마케팅 정보를 제공함으로써 이탈 위험 고객의 구매를 유도하여 온라인 쇼핑몰 이익 향상에 기여할 수 있다.

마케팅 정보 제공 장치(200)는 사용자 단말(100)과 네트워크(400)를 통해 연결될 수 있고, 네트워크(400)를 통해 사용자 단말(100)과 데이터를 주고받을 수 있다. 이를 위해, 마케팅 정보 제공 장치(200)는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다.

데이터베이스(300)는 마케팅 정보 제공 장치(200)가 고객에게 마케팅 정보를 제공하기 위해 필요한 다양한 정보들을 저장할 수 있다. 예를 들어, 데이터베이스(300)는 마케팅 정보에 포함되는 상품에 관한 정보, 할인 쿠폰에 관한 정보 등을 저장할 수 있다. 다른 예를 들어, 데이터베이스(300)는 통신 모듈(220)을 통해 획득한 사용자 단말(100)에 대한 정보를 저장할 수 있다. 일예로, 데이터베이스(300)는 웹사이트에 방문한 고객의 구매 이력, 방문 이력, 반응 이력, 클릭 이력, 상품 선호 관련 이력 등 고객에 관한 이력 데이터를 저장할 수 있다.

데이터베이스(300)는 고객 ID, 인적사항 등 고객의 개인 정보, 로그 데이터 등 다양한 정보들을 저장하는 등 이에 한정되지 않는다.

데이터베이스(300)는 적어도 하나의 독립된 서브-데이터베이스들로 구현될 수 있다. 예를 들어, 데이터베이스(300)에 포함된 각각의 서브-데이터베이스들은 블루투스, WiFi 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 상호 간의 데이터를 주고받을 수 있다. 물론, 데이터베이스(300)는 적어도 하나의 독립된 서브-데이터베이스들이 하나로 통합된 통합 데이터베이스로 구현되는 등 상술한 기재에 한정되지 않는다.

일 실시예에 따르면 마케팅 정보 제공 장치(200)는 데이터베이스(300)를 포함하여 구현될 수 있고, 데이터베이스(300)와 독립적으로 구현되어도 무방하다. 예를 들어, 데이터베이스(300)와 마케팅 정보 제공 장치(200)가 독립적으로 구현된 경우, 마케팅 정보 제공 장치(200)는 데이터베이스(300)와 네트워크(400) 또는 별도의 네트워크를 통해 데이터를 주고받을 수 있다. 다른 예를 들어, 마케팅 정보 제공 장치(200)는 데이터베이스(300)가 메모리(210)에 포함되어 구현될 수 있다.

네트워크(400)는 인터넷 또는 인트라넷과 같은 통상의 통신 네트워크 또는 모바일 네트워크, 블루투스, WiFi 등 유무선의 네트워크를 모두 포괄하는 것으로 이해될 수 있다.

사용자 단말(100), 마케팅 정보 제공 장치(200), 데이터베이스(300) 등 각 구성요소들은 서로 네트워크(400)를 통해 통신할 수 있다. 예를 들어, 사용자 단말(100)은 네트워크(400)를 통해 웹사이트에 접속할 수 있고, 마케팅 정보 제공 장치(200)로부터 소정의 마케팅 정보를 획득할 수 있다.

도 1에 도시된 시스템은 설명의 편의를 위한 예시일 뿐이며 이에 한정되지 않는다. 몇몇 실시예에 따르면 도 1의 시스템에서 구성이 부가되거나 제외될 수 있으며, 또한 세분화될 수 있다.

도 2는 일 실시예에 따른 마케팅 정보 제공 장치를 나타내는 도면이다.

도 2를 참고하면 일 실시예에 따른 마케팅 정보 제공 장치(200)는 통신 모듈(210), 메모리(220) 및 컨트롤러(230)를 포함할 수 있다.

통신 모듈(210)은 사용자 단말(100) 또는 데이터베이스(300)와 통신을 수행할 수 있다. 예를 들어, 통신 모듈(210)은 사용자 단말(100)로부터 웹사이트에서의 액션 로그 데이터를 수신할 수 있다. 일예로, 통신 모듈(210)은 구매, 클릭, 좋아요, 리뷰, 검색 등의 사용자 단말(100)이 방문한 웹사이트에서의 액션과 관련된 로그 데이터를 획득할 수 있다.

다른 예를 들어, 통신 모듈(210)은 사용자 단말(100)에 소정의 마케팅 정보를 전송할 수 있다. 일예로, 통신 모듈(210)은 구매 혜택에 관한 정보, 추천 상품에 관한 정보 등을 사용자 단말(100)에 전송할 수 있다.

통신 모듈(210)은 유선 통신 또는 무선 통신을 수행하는 다양한 규격의 모듈로 구현될 수 있다. 예를 들어, 통신 모듈(210)은 BLE(Bluetooth Low Energy), 블루투스나 와이파이와 같은 근거리 통신 규격에 따라 수행하는 근거리 통신 모듈이나 3G, 4G 또는 5G 등의 원거리 통신 규격에 따라 수행하는 원거리 통신 모듈을 포함할 수 있다. 또 마케팅 정보 제공 장치(200)에는 통신 모듈(210)이 복수로 구비될 수도 있다.

메모리(220)에는 각종 정보가 저장될 수 있다. 예를 들어, 메모리(220)에는 마케팅 정보 제공 장치(200)를 구동하기 위한 오퍼레이팅 시스템(OS: Operating System), 사용자 단말(100)로부터 획득한 액션 로그 데이터, 상품 추천을 위한 알고리즘에 관한 정보 등이 저장될 수 있다. 다른 예를 들어, 메모리(220)에는 마케팅 정보에 포함되는 상품에 관한 정보, 할인 쿠폰에 관한 정보 등을 저장할 수 있다. 메모리(220)는 데이터베이스(300)에 저장되는 정보가 저장될 수도 있다.

메모리(220)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 또 메모리(220)는 일시적, 영구적 또는 반영구적으로 정보를 저장할 수 있으며, 내장형 또는 탈착형으로 제공될 수 있다.

컨트롤러(230)는 마케팅 정보 제공 장치(200)의 각 구성을 제어하거나 각종 정보를 처리하고 연산할 수 있다. 예를 들어, 컨트롤러(230)는 통신 모듈(210)을 통해 소정의 마케팅 정보를 사용자 단말(100)에 제공할 수 있다. 다른 예를 들어, 컨트롤러(230)는 메모리(220)에 저장된 구매 확률 추정 모델을 이용하여 사용자 단말(100)의 구매 확률을 추정할 수 있다.

컨트롤러(230)는 소프트웨어, 하드웨어 및 이들의 조합으로 구현될 수 있다. 예를 들어, 하드웨어적으로 컨트롤러(230)는 FPGA((field programmable gate array)나 ASIC(Application Specific Integrated Circuit), 반도체 칩, 및 그 외의 다양한 형태의 전자 회로로 구현될 수 있다. 또 예를 들어, 소프트웨어적으로 컨트롤러(230)는 상술한 하드웨어에 따라 수행되는 논리 프로그램이나 각종 컴퓨터 언어 등으로 구현될 수 있다. 또한 컨트롤러(230)는 마이크로프로세서, 마이크로컨트롤러, 디지털 신호 처리장치(DSP) 혹은 그 임의의 조합을 포함하는 임의의 유형일 수도 있지만, 이에 한정되는 것은 아니다.

이하의 설명에서 별도의 언급이 없는 경우 마케팅 정보 제공 장치(200)의 동작은 컨트롤러(230)의 제어를 받아 수행되는 것으로 이해될 수 있다.

이하에서는 본 명세서의 일 실시예에 따른 마케팅 정보 제공 방법에 관하여 설명한다. 이하의 설명에서는 상술한 마케팅 시스템(10)을 이용하여 마케팅 정보 제공 방법이 수행되는 것으로 설명하겠으나, 이는 단순히 설명의 편의를 위한 것에 불과하며, 본 발명의 일 실시예에 따른 마케팅 정보 제공 방법은 상술한 마케팅 시스템(10) 이외에도 유사한 기능을 가지는 다른 장치나 시스템에 의해서도 수행될 수 있다.

도 3은 일 실시예에 따른 마케팅 정보 제공 방법의 순서도이다.

도 3을 참고하면 일 실시예에 따른 마케팅 정보 제공 방법은 구매 확률 추정 모델을 준비하는 단계(S1000), 웹사이트에 방문한 고객의 로그 데이터를 획득하는 단계(S1100), 로그 데이터를 구매 확률 추정 모델에 입력하여 고객의 구매 확률을 추정하는 단계(S1200), 추정된 구매 확률에 기초하여 웹사이트에 방문한 고객이 이탈 위험 고객인지 여부를 결정하는 단계(S1300) 및 고객에 소정의 마케팅 정보를 제공하는 단계(S1400)를 포함할 수 있다.

마케팅 정보 제공 장치(200)는 구매 확률 추정 모델을 준비할 수 있다(S1000).

컨트롤러(230)는 고객이 상품을 구매할 확률을 산출하는 구매 확률 추정 모델을 생성할 수 있다. 예를 들어, 컨트롤러(230)는 고객의 로그 데이터로부터 고객이 상품을 구매할 확률을 반영하는 결과값을 산출하는 구매 확률 추정 모델을 생성할 수 있다. 로그 데이터는 웹사이트에서 고객이 행한 액션에 관한 로그 데이터를 포함할 수 있고, 일 예로 로그 데이터는 페이지 클릭 내역과 관련된 데이터뿐만 아니라 상품의 선호도와 관련된 상품에 대한 선호 표시, 상품의 구매 준비 및 상품의 구매와 관련된 액션 등을 포함할 수 있다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 구매 확률 추정 모델을 딥 러닝 계열의 인공 신경망을 이용하는 기계 학습 모델로 구현할 수 있다.

예를 들어, 인공 신경망이 마케팅 정보 제공 장치(200)의 메모리(220)에 모델링이 저장되고, 마케팅 정보 제공 장치(200)는 컨트롤러(230)에 의해 고객의 로그 데이터를 입력값으로 입력받아 고객의 구매 확률을 출력값으로 출력할 수 있다. 여기서, 상품 구매 확률의 추정에 이용되는 인공신경망은 고객들의 세션별 페이지 클릭 내역들에 관한 데이터와 세션별 고객들의 구매 여부를 반영하는 식별자가 서로 태깅된 러닝 셋을 통해 학습될 수 있다. 즉, 인공 신경망의 독립변수는 세션별 클릭된 페이지의 이름이고 종속변수는 해당 세션에서 상품의 구매가 일어났으면 1, 상품의 구매없이 웹사이트를 이탈했으면 0으로 설정될 수 있다.

일 실시예에서, 컨트롤러(230)는 고객들의 세션별 페이지 클릭 내역을 인공 신경망의 학습 데이터로 활용할 수 있다. 예를 들어, 컨트롤러(230)는 고객들의 세션별 페이지 클릭 내역 및 고객의 구매 여부를 전처리하여 학습 데이터 세트를 생성하고, 상기 학습 데이터 세트를 인공 신경망의 학습에 이용할 수 있다. 일예로, 컨트롤러(230)는 벡터 형태로 구성되는 고객들의 세션별 페이지 클릭된 페이지 내역과 해당 세션에서 상품의 구매가 일어났으면 1, 상품의 구매없이 웹사이트를 이탈했으면 0으로 라벨링되는 학습 데이터 세트를 사용하여 인공 신경망을 학습시킬 수 있다.

여기서, 해당 세션에 페이지 수가 지나치게 많거나(일예로, 100개 이상의 페이지 클릭이 들어간 세션 등) 지나치게 적은 세션(일 예로, 3개 이하의 페이지 클릭이 들어간 세션 등)은 학습 데이터로 사용하지 않을 수 있다. 또한 올바른 학습을 위해 각 세션 별 구매 페이지 이후의 페이지 클릭 내역은 학습 데이터에서 제외할 수 있다. 이는 후술할 순환 신경망에도 그대로 적용될 수 있다.

인공 신경망은 입력 레이어, 은닉 레이어 및 출력 레이어를 포함할 수 있다. 은닉 레이어는 입력 레이어 및 출력 레이어를 연결하는 복수의 노드를 가질 수 있다. 이러한 인공 신경망은 입력 레이어로 입력될 입력 데이터와 미리 확인된 출력값이 서로 태깅된 러닝 셋을 통해 은닉 레이어의 가중치 값을 조정함으로써 고도로 학습되고, 입력 데이터로부터 정확한 출력값을 도출하도록 학습될 수 있다.

본 명세서에서는 입력 레이어에 고객의 로그 데이터가 입력 데이터로 이용될 수 있다.

일 예로, 인공 신경망은 입력 레이어에는 한 종류의 로그 데이터가 입력 데이터로 입력되고, 그와 관련된 결과값이 출력 레이어로 출력되도록 설계될 수 있다. 예를 들어, 페이지 클릭 내역들에 관한 데이터가 입력 데이터로 입력되고, 출력값으로 상품의 구매 확률 등이 출력될 수 있다. 이처럼 설계된 인공 신경망의 경우에는 로그 데이터가 여러 종류인 경우에는 로그 데이터의 종류의 개수만큼의 인공 신경망이 필요할 수 있다.

다른 예로, 인공 신경망은 입력 레이어에는 복수의 종류의 로그 데이터가 입력 데이터로 입력되고, 그와 관련된 결과값이 출력 레이어로 출력되도록 설계될 수 있다. 예를 들어, 페이지 클릭 내역과 관련된 데이터, 상품 구매 내역, 상품 선호 표시 내역 등의 복수의 로그 데이터가 입력 데이터로 입력되고, 출력값으로 상품의 구매 확률 등이 출력될 수 있다. 이처럼 설계된 인공 신경망은 단일한 인공 신경망을 통해 여러 종류의 로그 데이터를 종합하여 처리할 수 있다.

인공 신경망의 종류로는 필터를 이용해 특징을 추출하는 합성곱신경망(convolution neural network, CNN) 및 노드의 출력이 다시 입력으로 피드백 되는 구조를 갖는 순환인공신경망(recurrent neural network, RNN)이 있고, 제한된 볼츠만 머신(restricted Boltzmann machine, RBM), 심층신뢰신경망(deep belief network, DBN), 생성대립신경망(generative adversarial network, GAN), 관계형 네트워크(relation networks, RN) 등 다양한 구조가 적용될 수 있고 제한이 있는 것은 아니다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 구매 확률 추정 모델을 순환 신경망(Recurrent Neural Network, RNN)을 이용하는 기계 학습 모델로 구현할 수 있다. 예를 들어, 컨트롤러(230)는 순환신경망의 동작을 수행하는 순환신경망 셀을 포함하는 구매 확률 추정 모델을 이용하여 고객의 구매 확률을 추정할 수 있다. 순환 신경망의 독립변수는 세션별 클릭된 페이지의 이름이고 종속변수는 해당 세션에서 상품의 구매가 일어났으면 1, 상품의 구매없이 웹사이트를 이탈했으면 0으로 설정될 수 있다.

도 4는 순환 신경망을 설명하기 위한 도면이다.

도 4를 참고하면, 순환 신경망은 히든 노드가 방향을 가진 엣지로 연결돼 순환구조를 이루는(directed cycle) 인공 신경망의 한 종류로, 순환 신경망은 음성, 문자 등의 시계열적 데이터 처리에 적합한 모델이다. 순환 신경망은 입력(x)을 받아 출력(y)를 만들고, 만들어진 출력을 다시 입력으로 받는다. 일반적으로 순환 신경망은 각 시간 스텝(time step) 마다 순환 뉴런을 펼쳐서 시간 스텝 별 입력 x(t)과 출력 y(t)을 나타낸다. 각 순환 뉴런은 두 개의 가중치 wx와 wy를 가지는데, wx는 x(t)를 위한 것이고 wy는 이전 시간 스텝의 출력 y(t-1)을 위한 것으로, 순환 레이어 전체로 생각하면 가중치 벡터 wx 와 wy는 행렬 Wx 와 Wy로 나타낼 수 있으며 아래의 수학식 1과 같이 표현할 수 있다.

[수학식 1]

본 명세서에서 사용되는 순환 신경망은 네트워크 구조, 파라미터에 따라 여러 모델로 변형되어 구현될 수 있으며 순환 신경망 계열의 LSTM, GRU 등과 같은 진보된 모델로 구현되어도 무방하다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 복수의 순환신경망 셀을 포함하는 구매 확률 추정 모델을 구축할 수 있다. 순환신경망 셀은 타임 스텝에 걸쳐 어떠한 상태를 보존하는 순환 신경망의 구성 요소를 의미할 수 있다.

도 5는 일 실시예에 따른 구매 확률 추정 모델을 설명하기 위한 도면이다.

도 5를 참고하면, 구매 확률 추정 모델은 복수의 순환신경망 셀이 겹쳐진 형태로 구축될 수 있다. 순환신경망 셀 각각은 각각의 시간 스텝에서 세션별 고객들의 구매 확률을 추정하기 위한 각각의 데이터를 출력할 수 있다. 이를 통해, 구매 확률 추정 모델은 시계열 성격의 데이터에 대한 특성을 강력하게 학습할 수 있다.

순환신경망은 주어진 입력 시간적 시퀀스의 각각의 시간 단계에 대해, 신경망 내부의 상태를 생성하는 하나 이상의 순환신경망 레이어들을 포함할 수 있다.

일 실시예에서, 순환 신경망은 신경망 내부 상태를 수신하고 시간 단계에 대한 신경망 출력을 생성하기 위해 신경망 내부 상태를 처리하는 출력 레이어, 로지스틱 회귀 노드(logistic regression node)들의 세트, 또는 이 둘 다를 포함할 수 있다.

일 실시예에서, 구매 확률 추정 모델은 다른 종류의 하나 이상의 신경망 레이어들을 포함할 수 있다.

예를 들어, 구매 확률 추정 모델은 드랍 아웃(drop out) 레이어를 더 포함할 수 있다. 드롭아웃은 일반화 및 안정화 기법으로, 인공 신경망의 학습 시, 신경망에 존재하는 모든 레이어에 대해 학습을 수행하는 것이 아니라 임의로 히든 레이어 내의 뉴런 간의 연결을 제거하고 학습하여 줄어든 인공 신경망을 통해 학습시키는 것을 의미할 수 있다. 이를 통해, 구매 확률 추정 모델이 지나치게 정교하게 학습되어 학습 데이터에서는 굉장히 정확하지만 학습 데이터 이후 다른 데이터에는 잘 안 맞는 문제인 과적합을 방지할 수 있다. 예를 들어, 구매 확률 추정 모델의 마지막 순환신경망 셀로부터 출력된 출력 데이터는 드랍 아웃 레이어를 통해 보정될 수 있다.

다른 예를 들어, 구매 확률 추정 모델은 풀링(pooling) 레이어를 더 포함할 수 있다. 풀링은 입력된 데이터에 대해 다운 샘플링(downsample)을 진행하는데 이용되는 연산으로, 일예로 입력된 데이터를 머지(merge)하여 대표 값을 획득하는 연산일 수 있다. 일예로, 구매 확률 추정 모델의 드랍 아웃 레이어 이후 풀링 레이어를 통해 복수의 겹쳐진 순환신경망 셀들을 통합할 수 있다.

다른 예를 들어, 구매 확률 추정 모델은 피드-포워드 레이어(feedforward layers)를 더 포함할 수 있다. 피드-포워드 레이어는 은닉 레이어의 출력을 동일한 은닉 레이어로 다시 입력하지 않고, 하위 은닉 레이어의 출력을 상위 은닉 레이어로만 입력하는 특징을 가질 수 있다. 일예로, 구매 확률 추정 모델의 피드-포워드 레이어는 풀링 레이어 이후 복수의 겹쳐진 순환신경망 셀들이 통합된 입력 데이터를 입력받고, 학습을 통해 고객이 상품을 구매활 확률 P를 출력할 수 있다.

물론 구매 확률 추정 모델은 일예로, 완전 접속된 레이어들(fully-connected layers), 콘볼류셔널 레이어들(convolutional layers), 규칙화 레이어들(regularization layers) 등을 더 포함하는 등 상술한 기재에 한정되지는 않는다.

마케팅 정보 제공 장치(200)는 웹사이트에 방문한 고객의 로그 데이터를 획득할 수 있다(S1100).

예를 들어, 마케팅 정보 제공 장치(200)는 통신 모듈(210)을 통해 사용자 단말(100)로부터 웹사이트에 방문한 고객의 페이지 클릭과 관련된 로그 데이터를 수신할 수 있다. 일 예로, 마케팅 정보 제공 장치(200)는 통신 모듈(210)을 통해 웹사이트에 방문한 고객이 클릭한 페이지의 이름을 획득할 수 있다. 여기서, 로그 데이터는 시계열적 데이터로, 고객이 순차적으로 클릭한 페이지 내역에 관한 데이터일 수 있다

마케팅 정보 제공 장치(200)는 로그 데이터를 구매 확률 추정 모델에 입력하여 고객의 구매 확률을 추정할 수 있다(S1200).

일 실시예에서, 마케팅 정보 제공 장치(200)는 인공 신경망을 이용하는 고객의 로그 데이터로부터 고객이 상품을 구매할 확률을 반영하는 결과값을 산출하는 구매 확률 추정 모델을 이용하여 고객의 상품 구매 확률을 추정할 수 있다. 예를 들어, 컨트롤러(230)는 웹사이트에 방문한 고객의 페이지 클릭 내역들에 관한 데이터를 통신 모듈(210)을 통해 획득하고, 획득한 상기 페이지 클릭 내역들에 관한 데이터를 상기 구매 확률 추정 모델에 입력하여 고객의 구매 확률을 추정할 수 있다.

S1200 단계에서는 S1000 단계에서 준비된 구매 확률 추정 모델이 이용될 수 있으나 이에 한정되지는 않는다.

마케팅 정보 제공 장치(200)는 추정된 구매 확률에 기초하여 웹사이트에 방문한 고객이 이탈 위험 고객인지 여부를 결정할 수 있다(S1300).

이탈 위험 고객은 웹사이트에 방문하였으나 상품을 구매하지 않고 웹사이트를 이탈할 가능성이 높은 고객을 의미할 수 있다. 일예로, 이탈 위험 고객은 추정 구매 확률이 소정의 값 미만인 고객일 수 있다. 여기서, 웹사이트에 방문한 고객의 구매 확률은 일반적으로 낮기 때문에, 소정의 값은 0.1, 0.2 등과 같이 낮은 값으로 설정될 수 있다.

컨트롤러(230)는 구매 확률 추정 모델을 이용하여 추정된 구매 확률과 소정의 값을 비교하여 웹사이트에 방문한 고객이 이탈 위험 고객인지 여부를 결정할 수 있다. 예를 들어, 컨트롤러(230)는 웹사이트에 방문한 고객의 추정된 구매 확률이 소정의 값보다 낮은 경우 이탈 위험 고객으로 결정할 수 있다.

마케팅 정보 제공 장치(200)는 고객에 소정의 마케팅 정보를 제공할 수 있다(S1400).

일 실시예에서, 마케팅 정보 제공 장치(200)는 이탈 위험 고객으로 결정되는 고객에 추천 상품에 관한 정보를 제공할 수 있다.

이를 위해 마케팅 정보 제공 장치(200)는 고객에게 정보를 제공할 추천 상품을 결정할 수 있다. 예를 들어, 컨트롤러(230)는 메모리(220) 또는 데이터베이스(300)에 저장되어 있는 사용자에 관한 데이터에 기초하여 추천 상품을 결정할 수 있다. 일 예로, 컨트롤러(230)는 사용자에 관한 데이터를 상품 추천 알고리즘을 이용하여 분석하여 추천 상품을 결정할 수 있다. 여기서, 추천 상품으로 결정되는 상품은 적어도 하나 이상일 수 있다.

상품 추천 알고리즘은 여러 가지 항목 중 사용자가 선호할만한 특정 항목을 추천하여 제공하는 알고리즘을 의미할 수 있다. 일예로, 상품 추천 알고리즘은 협업 필터링 방식 알고리즘, 콘텐츠 기반 필터링 방식 알고리즘, 하이브리드 기반 알고리즘, 지식기반 필터링 방식 알고리즘, 딥러닝 기반 알고리즘, 연관규칙 알고리즘 등을 포함할 수 있다.

협업 필터링 방식 알고리즘은 많은 사용자들로부터 얻은 기호 정보를 이용하는 것으로, 사용자들의 행동이 누적되어 감에 따라 추천 결과의 정확도가 더욱 높아질 수 있다. 이러한 협업필터링은 또한 사용자 기반 추천과 아이템 기반 추천으로 나뉠 수 있다.

사용자 기반 추천은 나와 비슷한 성향을 지닌 사용자를 기반으로, 그 사람이 구매한 상품을 추천하는 알고리즘일 수 있다. 아이템 기반 추천은 내가 이전에 구매했던 아이템을 기반으로, 그 상품과 유사한 다른 상품을 추천하는 알고리즘일 수 있다. 상품 간 유사도는 함께 구매되는 경우의 빈도를 분석하여 측정될 수 있다.

콘텐츠 기반 필터링 방식 알고리즘은 콘텐츠에 대한 분석을 기반으로 추천하는 알고리즘일 수 있다. 일 예로, 콘텐츠 기반 필터링 방식 알고리즘은 과거에 관심있었던 상품의 콘텐츠와 유사한 콘텐츠를 지닌 다른 상품을 추천하는 알고리즘일 수 있다.

상품 추천 알고리즘은 상술한 기재에 한정되지 않고 하이브리드 기반 알고리즘, 지식기반 필터링 방식 알고리즘, 딥러닝 기반 알고리즘, 연관규칙 알고리즘 등을 포함하고, 모델 구성이나 파라미터 구성에 따라 세부적으로 더욱 다양한 알고리즘으로 구현될 수 있다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 사용자별로 최적의 상품 추천을 위한 알고리즘을 적용하기 위한 상품 추천 알고리즘 결정 모델을 이용하여 추천 상품을 결정할 수 있다.

상술한 상품 추천 알고리즘 결정 모델은 온라인 웹사이트에서 상품 추천을 위한 알고리즘을 적용할 때에 다양한 후보 알고리즘들 중 사용자별로 적절한 상품 추천 알고리즘을 결정하고, 따라서 사용자의 구매전환율을 높이는데 이용될 수 있다. 예를 들어 사용자 A는 상품 구매 시 타인의 의견이나 선택을 많이 참조하고, 사용자 B는 자기 자신이 좋아하는 상품을 계속 구매하는 성향이 있는 경우, 상품 추천 알고리즘 결정 모델은 사용자 A에는 협업필터링 방식의 추천 알고리즘, 사용자 B에는 콘텐츠 기반 필터링 방식의 추천 알고리즘을 사용하거나 여러 알고리즘을 적절히 혼합한 알고리즘을 사용하여 상품을 추천하도록 상품 추천 알고리즘을 결정할 수 있다.

후보 알고리즘은 사용자가 선호할만한 상품을 추측함으로써 여러 가지 상품 중 사용자에게 적합한 특정 상품을 추천하여 제공하는 알고리즘을 의미할 수 있다. 일예로, 후보 알고리즘은 협업 필터링 방식 알고리즘, 콘텐츠 기반 필터링 방식 알고리즘, 하이브리드 기반 알고리즘, 지식기반 필터링 방식 알고리즘, 딥러닝 기반 알고리즘, 연관규칙 알고리즘 등을 포함할 수 있다.

일 실시예에 따르면, 마케팅 정보 제공 장치(200)는 복수의 후보 알고리즘을 변수로 하는 랜덤 포레스트에 기반한 상품 추천 알고리즘 결정 모델을 생성할 수 있다.

도 6은 일 실시예에 따른 상품 추천 알고리즘 결정 모델의 생성을 설명하기 위한 도면이다. 도 6을 참고하면 일 실시예에 따른 상품 추천 알고리즘 결정 모델은 복수의 후보 알고리즘을 변수로 하는 랜덤 포레스트에 기반할 수 있다.

마케팅 정보 제공 장치(200)는 머신러닝 기반으로 훈련 데이터(일 예로, 사용자별 액션 로그 데이터)로부터 랜덤 포레스트를 생성할 수 있다. 예를 들어, 컨트롤러(230)는 사용자별 액션 로그 데이터로부터 산출된 선호도 행렬을 이용하여 사용자들의 아직 데이터가 없는 상품에 대한 후보 알고리즘별 예상 선호도를 추정할 수 있다. 만약, k개의 후보 알고리즘이 있다면, 컨트롤러(230)는 k번 후보 알고리즘을 적용하여 후보 알고리즘별 예상 선호도를 추정할 수 있다. 여기서, 예상 선호도는 스코어 형태일 수 있다.

마케팅 정보 제공 장치(200)는 생성된 랜덤 포레스트를 머신러닝 기반으로 학습시킬 수 있다. 예를 들어, 컨트롤러(230)는 복수의 후보 알고리즘에 기초한 사용자의 상품별 예상 선호도를 독립변수로 하고 실제 사용자가 해당 상품에 행한 액션에 기초한 사용자의 실제 선호도를 종속변수로 하여 랜덤 포레스트를 학습시킬 수 있다.

랜덤 포레스트의 생성에는 샘플링된 훈련 데이터의 일부만이 의사 결정 나무의 훈련 데이터로 이용될 수 있다. 훈련 데이터의 나머지 일부는 상품 추천 알고리즘 결정 모델의 성능 검증을 위해 이용될 수 있다. 예를 들어, 사용자별 액션 로그 데이터의 80%의 데이터만을 샘플링하여 선호도 행렬을 산출하고, 액션 로그 데이터의 나머지 20%의 데이터는 상품 추천 알고리즘 결정 모델의 일반화 성능지표인 오차율, 적절한 수(n)의 의사결정나무가 생성되었는지 등을 검증할 수 있다.

마케팅 정보 제공 장치(200)는 생성된 랜덤 포레스트를 이용하여 사용자별 상품 추천 알고리즘 결정 모델을 생성할 수 있다. 예를 들어, 컨트롤러(230)는 복수의 의사결정나무 각각에서 랜덤으로 후보 알고리즘을 선택하고, 계산되는 결과값을 앙상블하여 사용자별 상품 추천 알고리즘 결정 모델을 생성할 수 있다. 복수의 의사결정나무는 무작위로 선택한 m개의 입력 변수 중에서 최적의 분할기준을 찾아 하위노드로 나뉘며, 최대로 자랄 때까지 성장하며, 각 노드에 대한 가지치기는 수행되지 않을 수 있다. 앙상블은 n개의 의사결정나무를 모아서 하나의 랜덤 포레스트로 구축하는 것을 의미할 수 있고, 각 의사결정나무에서의 결과를 산출하여 평균을 도출하는 것일 수 있다.

마케팅 정보 제공 장치(200)는 상품 추천 알고리즘 결정 모델의 생성에 관한 과정이 주기적으로 반복된 결과를 반영하여 새로운 상품 추천 알고리즘 결정 모델을 생성할 수 있다. 예를 들어, 컨트롤러(230)는 훈련 데이터의 수집, 선호도 행렬의 산출, 상품 추천 알고리즘 결정 모델의 구축, 후술할 후보 알고리즘별 중요도 계산 등의 과정을 주기적으로 반복하여 새로 쌓이는 데이터를 반영하는 새로운 상품 추천 알고리즘 결정 모델을 생성할 수 있다.

상품 추천 알고리즘 결정 모델은 복수의 후보 알고리즘 중 사용자별로 상품 추천에 적용될 상품 추천 알고리즘을 결정하는데 이용될 수 있다. 이에 대해서는 후술하도록 한다.

마케팅 정보 제공 장치(200)는 상술한 기재에 한정되지 않고, 다중회귀 모형을 적용하는 등 다른 방식으로 상품 추천 알고리즘 결정 모델을 생성해도 무방하다.

마케팅 정보 제공 장치(200)는 상품 추천 알고리즘 결정 모델을 이용하여 복수의 후보 알고리즘 중 사용자별로 상품 추천에 적용될 상품 추천 알고리즘을 결정할 수 있다. 예를 들어, 컨트롤러(230)는 랜덤 포레스트 기반의 상품 추천 알고리즘 결정 모델을 이용하여 계산되는 복수의 후보 알고리즘별 중요도에 기초하여 상품 추천 알고리즘을 결정할 수 있다.

일 실시예에 따른 복수의 후보 알고리즘별 중요도를 구하는 방법은 노드별 평균제곱오차를 계산하는 단계, 노드별 평균제곱오차에 기초하여 노드별 중요도를 계산하는 단계 및 노드별 중요도를 이용하여 복수의 후보 알고리즘별 중요도를 산출하는 단계를 포함할 수 있다.

마케팅 정보 제공 장치(200)는 랜덤 포레스트 기반의 상품 추천 알고리즘 결정 모델의 노드별 평균제곱오차(MSE, Mean Squared Error)를 계산할 수 있다. 예를 들어, 제어부(240)는 의사결정나무에서 가지를 치는 각 노드별 예측값(해당 노드에 속한 데이터 샘플 평균)과 실제 해당 노드에 속한 데이터들의 샘플에 대한 평균제곱오차를 계산할 수 있다. 노드별 평균제곱오차 계산과 관련된 식은 아래와 같다.

마케팅 정보 제공 장치(200)는 노드별 평균제곱오차에 기초하여 노드별 중요도를 계산할 수 있다. 예를 들어, 컨트롤러(230)는 가지를 치고 내려올수록 작아지는 노드별 평균제곱오차에 기초하여 각 노드별 중요도를 계산할 수 있다. 컨트롤러(230)는 그 노드에서 평균제곱오차가 감소한 폭을 각 노드별 중요도로 계산할 수 있다. 여기서, 감소폭이 큰 노드일수록 값이 커지고 중요하다고 볼 수 있다.

즉 컨트롤러(230)는 부모노드의 평균제곱오차에서 자식노드들의 가중치 평균제곱오차를 빼준 값을 노드별 중요도로 계산할 수 있다. 여기서, 가중치는 부모노드 샘플수에 대한 해당 자식노드에 해당하는 샘플수 비율일 수 있다. 노드별 중요도 계산과 관련된 식은 아래와 같다.

마케팅 정보 제공 장치(200)는 노드별 중요도를 이용하여 복수의 후보 알고리즘별 중요도를 산출할 수 있다. 예를 들어, 제어부(240)는 k 번째 후보 알고리즘의 중요도는 전체 노드의 중요도를 합한 것 대비 k번째 후보 알고리즘 기준으로 분기가 된 노드들의 중요도를 합한 비율을 각 후보 알고리즘에 대한 중요도로 계산할 수 있다. 각 후보 알고리즘별 중요도 계산과 관련된 식은 아래와 같다.

마케팅 정보 제공 장치(200)는 복수의 후보 알고리즘별 중요도에 기초하여 상품 추천 알고리즘을 결정할 수 있다. 예를 들어, 컨트롤러(230)는 랜덤 포레스트 기반의 상품 추천 알고리즘 결정 모델을 이용하여 계산되는 복수의 후보 알고리즘별 중요도를 이용하여 후보 알고리즘을 점수화할 수 있다. 일 예로, 컨트롤러(230)는 가장 중요도가 높은 후보 알고리즘을 상품 추천에 적용할 상품 추천 알고리즘으로 결정할 수 있다. 다른 일 예로, 컨트롤러(230)는 모든 후보 알고리즘의 중요도의 합이 1이 되도록 정규화를 하고, 중요도의 비율에 따라 상품 추천 알고리즘을 결정할 수 있다. 구체적으로, 제어부(240)는 후보 알고리즘 A, B, C 3개가 있고 중요도가 각각 0.5, 0.3, 0.2 인 경우, 10개의 상품을 추천할 때 5개는 A에서, 3개는 B에서, 2개는 C를 상품 추천 알고리즘으로 결정할 수 있다.

상품 추천 알고리즘의 결정은 상술한 기재에 한정되지 않으며 중요도가 높은 두개의 후보 알고리즘을 혼합하여 상품 추천 알고리즘을 결정하는 등 다른 방식으로 구현되어도 무방하다.

마케팅 정보 제공 장치(200)는 결정된 상품 추천 알고리즘을 적용하여 사용자들에게 상품을 추천할 수 있다. 예를 들어, 컨트롤러(230)는 사용자별로 서로 상이한 상품 추천 알고리즘을 적용하여 상품 추천 리스트를 생성하고, 마케팅 정보 제공 장치(200)는 이를 사용자 단말(100)에 제공할 수 있다. 상품의 추천은 상술한 기재에 한정되지 않으며 다른 방식으로 구현되어도 무방하다.

마케팅 정보 제공 장치(200)는 상품 추천 알고리즘을 이용하여 산출된 추천 상품의 후보들 중 추천 상품을 선택할 수 있다. 예를 들어, 마케팅 정보 제공 장치(200)는 산출된 추천 상품의 후보들 중 소정의 개수의 추천 상품을 결정할 수 있다.

마케팅 정보 제공 장치(200)는 결정된 추천 상품에 관한 정보를 고객에 제공할 수 있다. 예를 들어, 마케팅 정보 제공 장치(200)는 메모리(220) 또는 데이터베이스(300)에 저장되어 있는 추천 상품에 관한 정보를 통신 모듈(210)을 통해 사용자 단말(100)에 전송할 수 있다. 전송된 추천 상품에 관한 정보는 사용자 단말(100)에 다양한 형태로 출력될 수 있다. 일예로, 사용자 단말(100)의 디스플레이에 추천 상품이 표시되거나 특정 상품의 정보를 얻기 위해 클릭을 하면 사용자 단말(100)의 화면의 소정의 영역에 추천 상품, 인기 상품, 당신이 좋아할만한 상품 등 다양한 형태로 추천 상품에 관한 정보가 제공될 수 있다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 이탈 위험 고객으로 결정되는 고객에 쿠폰 정보를 제공할 수 있다.

쿠폰은 사용자에게 특정 상품 또는 서비스 등에 대한 특정 혜택을 제공할 수 있도록 하는 마케팅 수단으로, 예를 들어 웹사이트 상에서 상품의 구입 시 혜택을 제공해주는 수단을 포함할 수 있다. 일예로, 쿠폰은 상품 구입가의 적어도 일부를 할인, 배송비의 적어도 일부를 할인, 수수료의 적어도 일부를 할인 또는 회원등급 업그레이드를 위한 쿠폰 등 넓게 해석되어야 한다. 쿠폰은 마케팅 정보 제공 장치(200)에서 생성되어, 사용자 단말(100)에 쿠폰에 관한 정보가 제공될 수 있으나 이에 한정되지는 않는다.

마케팅 정보 제공 장치(200)는 이탈 위험 고객으로 결정되는 고객에 할인 쿠폰 정보를 제공할 수 있다. 예를 들어, 마케팅 정보 제공 장치(200)는 상품 구입가의 적어도 일부를 할인, 배송비의 적어도 일부를 할인, 수수료의 적어도 일부를 할인 또는 회원등급 업그레이드를 위한 쿠폰 등을 제공할 수 있다. 할인 쿠폰 정보는 적용 상품, 적용 상품 카테고리, 할인시간대, 할인율, 할인금액, 유효기간 등의 정보를 포함할 수 있다.

일 실시예에서, 쿠폰 정보는 추천 상품과 관련하여 결정될 수 있다. 예를 들어, 마케팅 정보 제공 장치(200)는 추천 상품에 적용이 가능한 할인 쿠폰 정보 또는 추천 상품의 후보들이 가장 많은 상품 카테고리에 적용이 가능한 할인 쿠폰 정보를 제공할 수 있다. 다른 예를 들어, 마케팅 정보 제공 장치(200)는 복수의 추천 상품을 제공하는 경우, 추천 순위에 따라 할인율, 할인금액, 유효기간 등이 상이한 할인 쿠폰 정보를 제공할 수 있다. 일예로, 상위의 추천 상품일수록 할인율이 커지는 할인 쿠폰 정보를 제공할 수 있고, 이와 반대의 할인 쿠폰을 제공해도 무방하다. 다만, 상술한 내용은 할인 쿠폰 정보뿐만 아니라 다른 쿠폰 정보에도 적용되는 등 이에 한정되지 않는다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 고객이 좋아할 만한 상품 카테고리에 적용이 가능한 쿠폰 정보를 제공할 수 있다. 예를 들어, 마케팅 정보 제공 장치(200)는 추천 상품의 후보들이 갖는 카테고리들 중 가장 많은 상품 카테고리에 적용이 가능한 쿠폰 정보를 제공할 수 있다. 일예로, 마케팅 정보 제공 장치(200)는 상품 추천 알고리즘을 이용하여 고객에 대한 복수의 상위 추천 상품 후보들을 산출하고, 복수의 상위 추천 상품 후보들을 카테고리별로 나눌 수 있다. 마케팅 정보 제공 장치(200)는 가장 많은 수의 후보 상품이 있는 상품 카테고리에 대해서 할인 쿠폰을 제공할 수 있다.

일 실시예에서, 마케팅 정보 제공 장치(200)는 고객에 대하여 추정된 구매 확률에 기초하여 쿠폰 정보를 제공할 수 있다. 즉, 마케팅 정보 제공 장치(200)는 구매 확률 추정 모델로부터 추정된 구매 확률에 따라 상이한 내용의 쿠폰 정보를 제공할 수 있다. 예를 들어, 마케팅 정보 제공 장치(200)는 추정된 구매 확률이 제1 구매 확률인 제1 고객에 제공하는 제1 쿠폰 정보는 추정된 구매 확률이 제1 구매 확률과 상이한 제2 고객에 제공하는 제2 쿠폰 정보와 상이할 수 있다. 다른 예를 들어, 마케팅 정보 제공 장치(200)는 복수의 소정의 구매 확률 범위를 설정하고, 제1 구매 확률 범위에 속하는 고객에게는 제1 쿠폰 정보를 제공하고, 2 구매 확률 범위에 속하는 고객에게는 제2 쿠폰 정보를 제공할 수 있다.

일예로, 마케팅 정보 제공 장치(200)는 추정된 구매 확률에 따라 상이한 할인율 또는 할인금액을 갖는 할인 쿠폰을 제공할 수 있다. 구체적으로, 마케팅 정보 제공 장치(200)는 추정된 구매 확률이 제1 구매 확률인 제1 고객에 추정된 구매 확률이 제1 구매 확률보다 낮은 제2 고객에 제공하는 제2 할인 쿠폰보다 낮은 할인율을 갖는 제1 할인 쿠폰을 제공할 수 있고, 이와 반대의 할인 쿠폰을 제공해도 무방하다.

다른 일예로, 마케팅 정보 제공 장치(200)는 추정된 구매 확률에 따라 상이한 유효기간을 갖는 할인 쿠폰을 제공할 수 있다. 구체적으로, 마케팅 정보 제공 장치(200)는 추정된 구매 확률이 제1 구매 확률인 제1 고객에 추정된 구매 확률이 제1 구매 확률보다 낮은 제2 고객에 제공하는 제2 할인 쿠폰보다 긴 유효기간을 갖는 제1 할인 쿠폰을 제공할 수 있고, 이와 반대의 할인 쿠폰을 제공해도 무방하다.

물론, 일 실시예에 따른 마케팅 정보 제공 방법은 상술한 방법에 한정되지는 않으며, 일부 단계가 생략 또는 치환되거나 일부 단계가 부가되는 등 다른 방식으로도 구현될 수 있다.

일 실시예에 따르면, 마케팅 정보 제공 장치(200)는 웹사이트를 방문한 모든 고객에 제1 마케팅 정보를 제공하되 구매 확률 추정 모델로부터 추정된 구매 확률에 기초하여 이탈 위험 고객에 제1 마케팅 정보와는 상이한 제2 마케팅 정보를 제공할 수 있다. 이탈 위험 고객에 구매를 유도하기 위해 제2 마케팅 정보는 제1 마케팅 정보보다 혜택이 더 주어지는 마케팅 정보일 수 있다. 일예로, 제2 마케팅 정보에 포함되는 할인 쿠폰 정보의 할인율, 할인금액, 유효기간 등은 제1 마케팅 정보에 포함되는 할인 쿠폰 정보의 할인율, 할인금액, 유효기간 등보다 고객에게 혜택이 더 주어지는 방향으로 설정될 수 있다.

도 7은 일 실시예에 따른 마케팅 정보의 제공을 설명하기 위한 도면이다.

도 7(a)를 참고하면, 사용자 단말(100-1)의 화면에 적어도 하나 이상의 추천 상품에 관한 정보가 표시될 수 있다. 추천 상품은 상품 추천 알고리즘을 이용하여 산출되는 복수의 후보 상품들 중 선택되어 화면의 소정의 영역에 표시될 수 있으며, 알림창, 배너 등의 다른 형태로 표시되는 것도 가능하다.

도 7(b)를 참고하면, 사용자 단말(100-2)의 화면에 할인 쿠폰 정보가 표시될 수 있다. 일예로, 할인 쿠폰 정보는 푸쉬 알람 형태로 사용자 단말(100-2)에 제공될 수 있다. 할인 쿠폰 정보는 특정 카테고리에 적용이 가능한 할인 쿠폰일 수 있으며, 상기 특정 카테고리는 화면에 표시된 추천 상품의 카테고리일 수 있다. 대안적으로, 상기 특정 카테고리는 상품 추천 알고리즘을 이용하여 산출된 복수의 후보 상품들이 갖는 카테고리들 중 가장 많은 카테고리일 수 있다. 또는, 할인 쿠폰 정보는 화면에 표시된 추천 상품이 복수 개인 경우, 표시된 복수의 추천 상품이 갖는 카테고리들 중 가장 많은 카테고리에 적용이 가능한 할인 쿠폰일 수 있다.

다만, 도 7은 설명의 편의를 위한 예시일 뿐 이에 한정되지 않으며 선택에 따라 몇몇 정보가 제외되거나 다양한 추가적인 정보가 부가되어 표시될 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 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.

사용자 단말 100
마케팅 정보 제공 장치 200
통신 모듈 210
메모리 220
컨트롤러 230
데이터베이스 300
네트워크 400

Claims

전자 장치에 의해 실행되는, 인공 신경망으로 추정되는 고객의 구매 확률을 이용하는 마케팅 정보 제공 방법으로서,
인공 신경망을 이용하여 고객의 로그 데이터로부터 고객이 상품을 구매할 확률을 반영하는 결과값을 산출하는 구매 확률 추정 모델을 준비하는 단계 - 상기 인공신경망은 고객들의 세션별 페이지 클릭 내역들에 관한 데이터와 세션별 고객들의 구매 여부를 반영하는 식별자가 서로 태깅된 러닝 셋을 통해 학습됨-;
웹사이트에 방문한 고객에 대한 로그 데이터- 상기 로그 데이터는, 페이지 클릭 내역들에 관한 데이터, 상품 구매 내역, 상품 선호 표시 내역을 포함함 -를 획득하는 단계;
상기 획득한 로그 데이터로부터 획득된 상기 웹사이트에 방문한 고객의 페이지 클릭 내역에 관한 데이터를 상기 구매 확률 추정 모델에 입력하여 상기 웹사이트에 방문한 고객의 구매 확률을 추정하는 단계;
상기 추정된 구매 확률과 상기 전자 장치에 미리 입력된 기준값을 비교하는 단계;
상기 추정된 구매 확률에 기초하여, 상기 추정된 구매 확률이 상기 기준값보다 작은 경우, 상기 웹사이트에 방문한 고객을 이탈 위험 고객으로 판단하는 단계;
상기 이탈 위험 고객으로 판단되는 고객에게 상기 고객과 관련된 정보에 기초하여 소정의 마케팅 정보를 제공하는 단계; 및
상기 고객과 관련된 이력 데이터를 저장하는 단계; 를 포함하고,
상기 인공 신경망은 복수의 순환신경망(Recurrent Neural Network) 셀을 포함하고,
상기 복수의 순환신경망 셀은 제1 순환신경망 셀 및 제2 순환신경망 셀을 포함하고,
상기 제1 순환신경망 셀은 상기 고객의 로그 데이터를 입력 데이터로 입력받고,
상기 제2 순환신경망 셀은 상기 제1 순환신경망 셀에 의해서 출력된 출력 데이터를 입력 데이터로 입력받고,
상기 복수의 순환신경망 셀 각각은 각각의 시간 스텝에서 세션별 고객들의 구매 확률을 추정하기 위한 각각의 데이터를 출력하고,
상기 구매 확률 추정 모델은,
상기 복수의 순환신경망 셀을 보정하기 위한 드랍 아웃 레이어, 상기 드랍 아웃 레이어 이후 상기 복수의 순환신경망 셀로부터 출력된 데이터를 통합하기 위한 풀링 레이어, 및 상기 풀링 레이어 이후 상기 복수의 순환신경망 셀로부터 출력된 데이터를 입력 데이터로 받아 고객의 구매 확률에 관한 결과값을 출력하는 피드-포워드(Feed Forward) 레이어를 더 포함하고,
상기 소정의 마케팅 정보는 추천 상품에 관한 정보 및 쿠폰 정보를 포함하고,
상기 추천 상품은, 협업 필터링 방식 알고리즘, 콘텐츠 기반 필터링 방식 알고리즘, 하이브리드 기반 알고리즘, 지식기반 필터링 방식 알고리즘, 딥러닝 기반 알고리즘, 연관규칙 알고리즘을 포함하는 복수의 후보 알고리즘을 변수로 하는 랜덤 포레스트에 기반하여 사용자별로 생성된 상품 추천 알고리즘 결정 모델에 기초하여 산출되고,
상기 상품 추천 알고리즘 결정 모델은, 상기 복수의 후보 알고리즘 별로 미리 정해진 중요도 산정 방식에 기초하여 산출된 중요도에 기초하여 상품 추천 알고리즘을 결정하고,
상기 결정된 상품 추천 알고리즘은 상기 로그 데이터에 기초하여 사용자별로 서로 다른 추천 상품을 포함하는 상품 추천 리스트를 생성하고,
상기 쿠폰 정보는 특정 상품 카테고리에 적용이 가능한 할인 쿠폰 정보를 포함하고,
상기 할인 쿠폰 정보는 쿠폰 유효기간, 할인 금액, 할인율을 포함하고,
상기 할인 쿠폰 정보는 추정된 구매 확률에 기초하여 결정되고,
상기 특정 상품 카테고리는 추천 상품의 후보들이 갖는 카테고리들 중 가장 많은 상품 카테고리로 결정되는,
마케팅 정보 제공 방법.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
제1 항에 기재된 방법을 실행시키는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
인공 신경망으로 추정되는 고객의 구매 확률을 이용하는 마케팅 정보 제공 장치로서,
인공신경망을 이용하여 고객의 로그 데이터로부터 고객이 상품을 구매할 확률을 반영하는 결과값을 산출하는 구매 확률 추정 모델을 저장하는 메모리 - 상기 인공신경망은 고객들의 세션별 페이지 클릭 내역들에 관한 데이터와 세션별 고객들의 구매 여부를 반영하는 식별자가 서로 태깅된 러닝 셋을 통해 학습됨-;
웹사이트에 방문한 고객에 대한 로그 데이터- 상기 로그 데이터는, 페이지 클릭 내역들에 관한 데이터, 상품 구매 내역, 상품 선호 표시 내역을 포함함 -를 획득하는 통신 모듈; 및
상기 웹사이트에 방문한 고객에 대한 로그 데이터로부터 추출된 상기 웹사이트에 방문한 고객의 페이지 클릭 내역에 관한 데이터를 상기 구매 확률 추정 모델에 입력하여 상기 웹사이트에 방문한 고객의 구매 확률을 추정하고, 상기 추정된 구매 확률과 전자 장치에 미리 입력된 기준값을 비교하고, 상기 추정된 구매 확률에 기초하여 상기 추정된 구매 확률이 상기 기준값보다 작은 경우, 상기 웹사이트에 방문한 고객을 이탈 위험 고객으로 판단하고, 상기 이탈 위험 고객으로 판단되는 고객에게 상기 고객과 관련된 정보에 기초하여 소정의 마케팅 정보를 제공하고, 상기 메모리에 상기 고객과 관련된 이력 데이터를 저장하도록 설정되는 컨트롤러;를 포함하고,
상기 인공 신경망은 복수의 순환신경망(Recurrent Neural Network) 셀을 포함하고,
상기 복수의 순환신경망 셀은 제1 순환신경망 셀 및 제2 순환신경망 셀을 포함하고,
상기 제1 순환신경망 셀은 상기 고객의 로그 데이터를 입력 데이터로 입력받고,
상기 제2 순환신경망 셀은 상기 제1 순환신경망 셀에 의해서 출력된 출력 데이터를 입력 데이터로 입력받고,
상기 복수의 순환신경망 셀 각각은 각각의 시간 스텝에서 세션별 고객들의 구매 확률을 추정하기 위한 각각의 데이터를 출력하고,
상기 구매 확률 추정 모델은,
상기 복수의 순환신경망 셀을 보정하기 위한 드랍 아웃 레이어, 상기 드랍 아웃 레이어 이후 상기 복수의 순환신경망 셀로부터 출력된 데이터를 통합하기 위한 풀링 레이어, 및 상기 풀링 레이어 이후 상기 복수의 순환신경망 셀로부터 출력된 데이터를 입력 데이터로 받아 고객의 구매 확률에 관한 결과값을 출력하는 피드-포워드(Feed Forward) 레이어를 더 포함하고,
상기 소정의 마케팅 정보는 추천 상품에 관한 정보 및 쿠폰 정보를 포함하고,
상기 추천 상품은, 협업 필터링 방식 알고리즘, 콘텐츠 기반 필터링 방식 알고리즘, 하이브리드 기반 알고리즘, 지식기반 필터링 방식 알고리즘, 딥러닝 기반 알고리즘, 연관규칙 알고리즘을 포함하는 복수의 후보 알고리즘을 변수로 하는 랜덤 포레스트에 기반하여 사용자별로 생성된 상품 추천 알고리즘 결정 모델에 기초하여 산출되고,
상기 상품 추천 알고리즘 결정 모델은, 상기 복수의 후보 알고리즘 별로 미리 정해진 중요도 산정 방식에 기초하여 산출된 중요도에 기초하여 상품 추천 알고리즘을 결정하고,
상기 결정된 상품 추천 알고리즘은 상기 로그데이터에 기초하여 사용자별로 서로 다른 추천 상품을 포함하는 상품 추천 리스트를 생성하고,
상기 쿠폰 정보는 특정 상품 카테고리에 적용이 가능한 할인 쿠폰 정보를 포함하고,
상기 할인 쿠폰 정보는 쿠폰 유효기간, 할인 금액, 할인율을 포함하고,
상기 할인 쿠폰 정보는 추정된 구매 확률에 기초하여 결정되고,
상기 특정 상품 카테고리는 추천 상품의 후보들이 갖는 카테고리들 중 가장 많은 상품 카테고리로 결정되는,
마케팅 정보 제공 장치.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제