KR102620766B1 - 제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법 - Google Patents

Abstract

AI-기반 상품 추천 생성을 위한 시스템과 방법이 제공된다. 하나의 방법은 모델을 사용하여, 사용자 식별자와 연관된 타임 스팬을 결정하고; 타임 스팬 동안 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색하고; 속성을 추출하고; 추출된 속성에 기초하여 제품 카테고리를 결정하고; 결정된 제품 카테고리에 기초하여 제품 리스트를 생성하고; 생성된 제품 리스트에 기초하여 추천 제품 리스트를 생성하고; 그리고 생성된 추천 제품 리스트를 포함하도록 웹 페이지와 연관된 사용자 인터페이스 요소를 수정함으로써, 복수의 추천 제품을 예측하는 것을 포함한다.

Description

제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법{COMPUTERIZED SYSTEMS AND METHODS FOR USING ARTIFICIAL INTELLIGENCE TO GENERATE PRODUCT RECOMMENDATIONS}

본 개시는 일반적으로 제품 추천을 생성하기 위해 AI(artificial intelligence)를 사용하는 컴퓨터 시스템 및 방법에 관한 것이다. 특히, 본 개시의 실시예는 추천 제품 목록을 생성하기 위해 모델을 생성함으로써 쿼리와 연관된 사용자 식별자 및 제품 식별자에 기초하여 사용자 인터페이스 요소를 자동으로 수정할 수 있는 독창적이고 독특한 시스템에 관한 것이다.

소비자들은 자주 컴퓨터와 스마트 디바이스를 통해 온라인으로 다양한 아이템을 쇼핑하고 구매한다. 이러한 온라인 쇼핑객들은 자주 그들이 구매하기 가장 좋은 제품을 결정하는데 하루 이상을 필요로 한다. 예를 들어, 많은 온라인 쇼핑객은 최고의 제품을 구매하기 전에 여러 제품을 리서치하고 평가하는데 몇 주를 보낼 수 있다. 그러나 일반적인 온라인 쇼핑 경험은 쇼핑객이 제품을 고민했었던 기간에 관계없이, 모든 고객 세션을 동일하게 처리하는 온라인 쇼핑 엔진에 의해 방해받는다. 예를 들어, 종래 온라인 쇼핑 엔진은 쇼핑객이 하루 또는 14일 동안 제품을 쇼핑했는지 여부에 관계없이 유사한 추천을 제공할 수 있다.

수백만 개의 제품이 매일 판매자에 의해 온라인에 등록된다. 판매자는 판매를 위해 온라인에 그들의 제품을 등록할 때 그들의 제품이 속하는 정확한 카테고리를 선택해야 한다. 그러나 많은 판매자들은 자신들의 제품을 등록할 때 정확한 카테고리를 선택하지 않는다. 예를 들어, 판매자가 "아기(Baby)" 카테고리에 속하는 유아용 속옷을 등록할 때 "아동 패션(Kid's Fashion)" 카테고리를 잘못 선택할 수 있다. 잘못된 제품 분류는 소비자의 제품 검색을 연장하고 온라인 플랫폼의 추천 품질을 저하시킴으로써 소비자의 사용자 경험을 심각하게 감소시킬 수 있다. 이에 더하여, 제품의 분류를 수동으로 수정하는 것은, 수만 개의 상이한 카테고리가 존재할 수 있기 때문에 종종 어렵고 시간이 많이 걸린다. 온라인 플랫폼이 제품들을 그것들의 정확한 카테고리로 자동 분류하였다면 소비자의 사용자 경험이 크게 향상될 것이다.

제품에 대한 고객 세션 동안 쇼핑객의 행동을 계산하지 못하는 온라인 쇼핑 엔진은, 쇼핑객의 제품 검색을 연장하고 온라인 플랫폼의 추천 품질을 저하시킴으로써 쇼핑객의 사용자 경험을 심각하게 감소시킬 수 있다. 또한, 다양한 고객 세션을 가진 많은 다양한 쇼핑객들이 존재하기 때문에, 다양한 고객 세션을 수동으로 계산하는 것은 어렵고 시간이 많이 걸린다. 온라인 플랫폼이 소비자의 쇼핑 습성(behavior)을 자동으로 학습하였고 그것에 따라 제품 추천을 맞춤화한다면, 소비자의 사용자 경험이 크게 향상될 것이다.

따라서, 소비자들이 온라인 쇼핑 중에 제품을 빠르게 찾아 구매할 수 있도록 제품 추천을 생성하기 위한 개선된 방법 및 시스템이 필요하다.

본 개시의 일 양태는 AI-기반 제품 추천 생성을 위한 시스템에 관한 것이다. 이 시스템은 명령을 저장하는 메모리와 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함할 수 있다. 이 명령은 사용자 디바이스로부터 쿼리를 수신하고; 쿼리로부터 적어도 하나의 키워드를 추출하고; 추출된 키워드에 기초하여, 사용자 식별자 및 제품 식별자를 결정하고; 그리고 결정된 사용자 식별자 및 결정된 제품 식별자에 기초하여, 사용자 식별자 및 제품 식별자와 연관된 데이터베이스를 검색할 수 있다. 이 명령은 사용자 식별자 및 제품 식별자에 기초하여, 사용자 식별자와 연관된 타임 스팬을 결정하고; 타임 스팬 동안 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색하고; 타임 스팬 동안 사용자에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색하고; 검색된 쿼리 또는 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 적어도 하나의 제품 사양을 검색하고; 검색된 쿼리, 검색된 필터 애플리케이션 및 검색된 제품 사양으로부터 속성을 추출하고; 추출된 속성에 기초하여 제품 카테고리를 결정하고; 결정된 제품 카테고리에 기초하여 제품 목록을 생성하고; 생성된 제품 목록에 기초하여 추천 제품 목록을 생성하고; 그리고 생성된 추천 제품 목록을 포함하도록 웹페이지와 연관된 사용자 인터페이스 요소를 수정함으로써, 모델을 사용하여, 복수의 추천 제품을 예측하는 것을 더 포함할 수 있다.

본 개시의 다른 양태는 AI-기반 제품 추천 생성을 위한 방법에 관한 것이다. 이 방법은 사용자 디바이스로부터 쿼리를 수신하고; 쿼리로부터 적어도 하나의 키워드를 추출하고; 추출된 키워드에 기초하여, 사용자 식별자 및 제품 식별자를 결정하고; 그리고 결정된 사용자 식별자 및 결정된 제품 식별자에 기초하여, 사용자 식별자 및 제품 식별자와 연관된 데이터베이스를 검색할 수 있다. 이 명령은 사용자 식별자 및 제품 식별자에 기초하여, 사용자 식별자와 연관된 타임 스팬을 결정하고; 타임 스팬 동안 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색하고; 타임 스팬 동안 사용자에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색하고; 검색된 쿼리 또는 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 적어도 하나의 제품 사양을 검색하고; 검색된 쿼리, 검색된 필터 애플리케이션 및 검색된 제품 사양으로부터 속성을 추출하고; 추출된 속성에 기초하여 제품 카테고리를 결정하고; 결정된 제품 카테고리에 기초하여 제품 목록을 생성하고; 생성된 제품 목록에 기초하여 추천 제품 목록을 생성하고; 그리고 생성된 추천 제품 목록을 포함하도록 웹페이지와 연관된 사용자 인터페이스 요소를 수정함으로써, 모델을 사용하여, 복수의 추천 제품을 예측하는 것을 더 포함할 수 있다.

본 개시의 또 다른 양태는 AI-기반 제품 추천 생성을 위한 시스템에 관한 것이다. 이 시스템은 명령을 저장하는 메모리와 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함할 수 있다. 이 명령은 사용자 디바이스로부터 쿼리를 수신하고; 쿼리로부터 적어도 하나의 키워드를 추출하고; 추출된 키워드에 기초하여, 사용자 식별자 및 제품 식별자를 결정하고; 그리고 결정된 사용자 식별자 및 결정된 제품 식별자에 기초하여, 사용자 식별자 및 제품 식별자와 연관된 데이터베이스를 검색하는 것을 포함할 수 있다. 이 명령은 사용자 식별자 및 제품 식별자에 기초하여, 사용자 식별자와 연관된 타임 스팬을 결정하고; 타임 스팬 동안 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색하고; 타임 스팬 동안 사용자에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색하고; 검색된 쿼리 또는 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 적어도 하나의 제품 사양을 검색하고; 검색된 쿼리, 검색된 필터 애플리케이션 및 검색된 제품 사양으로부터 속성을 추출하고; 추출된 속성에 기초하여 제품 카테고리를 결정하고; 결정된 제품 카테고리에 기초하여 제품 목록을 생성하고; 생성된 제품 목록에 기초하여 추천 제품 목록을 생성하고; 생성된 추천 제품 목록 상의 각 제품에 대한 유사도 점수를 산출하고; 생성된 추천 제품 목록에서 임계값 미만의 유사도 점수를 갖는 제품들을 제거하고; 그리고 생성된 추천 제품 목록을 포함하도록 웹페이지와 연관된 사용자 인터페이스 요소를 수정함으로써, 모델을 사용하여, 복수의 추천 제품을 예측하는 것을 더 포함할 수 있다.

다른 시스템들, 방법들, 및 컴퓨터- 판독 가능 매체도 본 명세서에서 논의된다.

도 1a는 개시된 실시예에 따른, 배송, 운송, 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 1b는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디테일 페이지(SDP; Single Detail Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예에 따른, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예에 따른, AI-기반 제품 추천 생성을 위한 디바이스 및 시스템의 예시적인 네트워크를 나타낸 도면이다.
도 4는 개시된 실시예에 따른, AI-기반 제품 추천 생성을 위한 예시적인 프로세스를 나타낸 도면이다.

이어서 첨부된 도면을 참조하여 자세하게 설명된다. 가능하면, 다음의 설명에서 같거나 유사한 부분에 대해 참조되도록 도면에서 같은 도면 부호가 사용된다. 여기에 몇몇 예시적인 실시예가 설명되지만, 변경, 조정 및 다른 구현도 가능하다. 예를 들면, 도면 내의 구성 및 스텝에 대해 교체, 추가, 또는 변경이 이루어질 수 있고, 여기에 설명된 예시적인 방법은 개시된 방법에 대해 스텝을 교체, 순서 변경, 제거 또는 추가함으로써 변경될 수 있다. 따라서, 다음의 자세한 설명은 개시된 실시예 및 예시로 제한되는 것은 아니다. 대신에 본 발명의 적절한 범위는 청구범위에 의해 규정된다.

본 개시의 실시예는 AI-기반 제품 추천 생성을 위해 구성된 시스템 및 방법에 관한 것이다. 개시된 실시예는 사용자 식별자 및 제품 식별자에 기초하여 적어도 하나의 추천 제품을 예측하기 위해 모델을 사용할 수 있다. 예를 들어, 제품 추천 시스템은 타임 스팬 동안 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색할 수 있다. 제품 추천 시스템은 사용자 식별자 및 제품 식별자와 연관된 제품 카테고리를 결정하기 위해 쿼리로부터 추출된 속성 및 모델을 사용할 수 있다.

일부 실시예에서, 제품 추천 시스템은 생성된 제품 목록 상의 각 제품에 대한 유사도 점수를 산출함으로써 추천 제품 목록을 생성할 수 있다. 일부 실시예에서, 제품 추천 시스템은 적어도 하나의 인자에 적어도 하나의 가중치를 할당함으로써 유사도 점수를 산출할 수 있다. 일부 실시예에서, 적어도 하나의 인자는 웹페이지 상의 제품을 선택하는 것, 웹페이지 상의 카트에 제품을 추가하는 것, 또는 웹페이지 상의 제품을 구매하는 것 중 적어도 하나의 사용 데이터 이력을 포함할 수 있다.

일부 실시예에서, 사용자는 생성된 추천 제품 목록을 정렬하기 위해 웹페이지와 연관된 사용자 인터페이스 요소와 상호작용할 수 있다. 예를 들어, 제품 추천 시스템은 사용자가 가격, 유사도 점수, 판매량 등으로 생성된 추천 제품 목록을 정렬할 수 있도록 사용자 인터페이스 요소를 수정할 수 있다. 일부 실시예에서, 제품 추천 시스템은 가격, 유사도 점수, 판매량 등의 순으로 추천 제품 목록을 디스플레이하기 위해 사용자 인터페이스를 자동으로 수정할 수 있다.

도 1a를 참조하면, 배송, 운송 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 예시적인 시스템의 실시예를 나타낸 개략적인 블록도(100)가 도시된다. 도 1a에 나타낸 바와 같이, 시스템(100)은 다양한 시스템을 포함할 수 있으며, 이들 각각은 하나 이상의 네트워크를 통해 서로 연결될 수 있다. 시스템은 (예를 들어, 케이블을 사용한) 직접 연결을 통해 서로 연결될 수 있다. 도시된 시스템은 배송 기관 기술(shipment authority technology, SAT) 시스템(101), 외부 프론트 엔드 시스템(103), 내부 프론트 엔드 시스템(105), 운송 시스템(107), 모바일 디바이스(107A, 107B, 107C), 판매자 포털(109), 배송 및 주문 트래킹(shipment and order tracking, SOT) 시스템(111), 풀필먼트 최적화(fulfillment optimization, FO) 시스템(113), 풀필먼트 메시징 게이트웨이(fulfillment messaging gateway, FMG)(115), 공급 체인 관리(supply chain management, SCM) 시스템(117), 창고 관리 시스템(119), 모바일 디바이스(119A, 119B, 119C)(풀필먼트 센터(fulfillment center, FC)(200) 내부에 있는 것으로 도시됨), 제3자 풀필먼트 시스템(121A, 121B, 121C), 풀필먼트 센터 인증 시스템(fulfillment center authorization system, FC Auth)(123), 및 노동 관리 시스템(labor management system, LMS)(125)을 포함한다.

일부 실시예에서, SAT 시스템(101)은 주문 상태와 배달 상태를 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SAT 시스템(101)은 주문이 약속된 배달 날짜(Promised Delivery Date, PDD)를 지났는지를 결정할 수 있고, 새로운 주문을 개시시키고, 배달되지 않은 주문의 아이템을 다시 배송하며, 배달되지 않은 주문을 취소하고, 주문 고객과 연락을 시작하는 것 등을 포함하는 적합한 조치를 취할 수 있다. SAT 시스템(101)은 또한, (특정 기간 동안 배송된 패키지의 개수와 같은) 출력, 및 (배송시 사용하기 위해 수신된 빈 카드보드 박스의 개수와 같은) 입력을 포함하는 다른 데이터를 감시할 수 있다. SAT 시스템(101)은 또한, 외부 프론트 엔드 시스템(103) 및 FO 시스템(113)과 같은 장치들 간의 (예를 들면, 저장 전달(store-and-forward) 또는 다른 기술을 사용하는) 통신을 가능하게 하는 시스템(100) 내의 상이한 장치들 사이의 게이트웨이로서 동작할 수 있다.

일부 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내의 하나 이상의 시스템과 상호 동작할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 시스템의 프레젠테이션을 가능하게 하여 사용자가 아이템에 대한 주문을 할 수 있도록 하는 실시예에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 아이템 페이지를 제시하며, 결제 정보를 요청하는 웹 서버로서 구현될 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 디바이스(예를 들어, 모바일 디바이스(102A) 또는 컴퓨터(102B))로부터 요청을 수신 및 처리하고, 이들 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 설계된 커스텀 웹 서버 소프트웨어를 실행할 수 있다.

일부 실시예에서, 외부 프론트 엔드 시스템(103)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 또는 결제 시스템 중 하나 이상을 포함할 수 있다. 일 양상에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.

도 1b, 1c, 1d 및 1e에 의해 나타낸 단계들의 예시적인 세트는 외부 프론트 엔드 시스템(103)의 일부 동작을 설명하는 것에 도움이 될 것이다. 외부 프론트 엔드 시스템(103)은 프레젠테이션 및/또는 디스플레이를 위해 시스템(100) 내의 시스템 또는 디바이스로부터 정보를 수신할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 검색 결과 페이지(Search Result Page, SRP)(예를 들면, 도 1b), 싱글 디테일 페이지(Single Detail Page, SDP)(예를 들면, 도 1c), 장바구니 페이지(Cart page)(예를 들면, 도 1d), 또는 주문 페이지(예를 들면, 도 1e)를 포함하는 하나 이상의 웹페이지를 호스팅하거나 제공할 수 있다. (예를 들면, 모바일 디바이스(102A) 또는 컴퓨터(102B)를 사용하는) 사용자 디바이스는 외부 프론트 엔드 시스템(103)으로 이동하고 검색 박스에 정보를 입력함으로써 검색을 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 시스템(100) 내의 하나 이상의 시스템으로부터 정보를 요청할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 FO 시스템(113)으로부터 검색 요청을 만족하는 정보를 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 또한, (FO 시스템(113)으로부터) 검색 결과에 포함된 각 제품에 대한 약속된 배달 날짜(Promised Delivery Date) 또는 "PDD"를 요청하고 수신할 수 있다. 일부 실시예에서, PDD는 제품이 들어있는 패키지가 특정 기간 이내, 예를 들면, 하루의 끝(PM 11:59)까지 주문되면 언제 사용자가 원하는 장소에 도착할 것인지에 대한 추정 또는 제품이 사용자가 원하는 장소에 배달될 약속된 날짜를 나타낼 수 있다(PDD는 FO 시스템(113)과 관련하여 이하에서 더 논의된다).

외부 프론트 엔드 시스템(103)은 정보에 기초하여 SRP(예를 들면, 도 1b)를 준비할 수 있다. SRP는 검색 요청을 만족하는 정보를 포함할 수 있다. 예를 들면, 이는 검색 요청을 만족하는 제품의 사진을 포함할 수 있다. SRP는 또한, 각 제품에 대한 각각의 가격, 또는 각 제품, PDD, 무게, 크기, 오퍼(offer), 할인 등에 대한 개선된 배달 옵션에 관한 정보를 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SRP를 요청 사용자 디바이스로 전송할 수 있다.

사용자 디바이스는 SRP에 나타낸 제품을 선택하기 위해, 예를 들면, 사용자 인터페이스를 클릭 또는 탭핑하거나, 다른 입력 디바이스를 사용하여 SRP로부터 제품을 선택할 수 있다. 사용자 디바이스는 선택된 제품에 관한 정보에 대한 요청을 만들어 내고 이를 외부 프론트 엔드 시스템(103)으로 전송할 수 있다. 이에 응답하여, 외부 프론트 엔드 시스템(103)은 선택된 제품에 관한 정보를 요청할 수 있다. 예를 들면, 정보는 각각의 SRP 상에 제품에 대해 제시된 것 이상의 추가 정보를 포함할 수 있다. 이는, 예를 들면, 유통 기한, 원산지, 무게, 크기, 패키지 내의 아이템 개수, 취급 지침, 또는 제품에 대한 다른 정보를 포함할 수 있다. 정보는 또한, (예를 들면, 이 제품 및 적어도 하나의 다른 제품을 구입한 고객의 빅 데이터 및/또는 기계 학습 분석에 기초한) 유사한 제품에 대한 추천, 자주 묻는 질문에 대한 답변, 고객의 후기, 제조 업체 정보, 사진 등을 포함할 수 있다.

외부 프론트 엔드 시스템(103)은 수신된 제품 정보에 기초하여 SDP(Single Detail Page)(예를 들면, 도 1c)를 준비할 수 있다. SDP는 또한, "지금 구매(Buy Now)" 버튼, "장바구니에 추가(Add to Cart)" 버튼, 수량 필드, 아이템 사진 등과 같은 다른 상호 동작 요소를 포함할 수 있다. SDP는 제품을 오퍼하는 판매자의 리스트를 포함할 수 있다. 이 리스트는 최저가로 제품을 판매하는 것으로 오퍼하는 판매자가 리스트의 최상단에 위치하도록, 각 판매자가 오퍼한 가격에 기초하여 순서가 정해질 수 있다. 이 리스트는 또한 최고 순위 판매자가 리스트의 최상단에 위치하도록, 판매자 순위에 기초하여 순서가 정해질 수 있다. 판매자 순위는, 예를 들어, 약속된 PPD를 지켰는지에 대한 판매자의 과거 추적 기록을 포함하는, 복수의 인자에 기초하여 만들어질 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SDP를 요청 사용자 디바이스로 전달할 수 있다.

요청 사용자 디바이스는 제품 정보를 나열하는 SDP를 수신할 수 있다. SDP를 수신하면, 사용자 디바이스는 SDP와 상호 동작할 수 있다. 예를 들면, 요청 사용자 디바이스의 사용자는 SDP의 "장바구니에 담기(Place in Cart)" 버튼을 클릭하거나, 이와 상호 동작할 수 있다. 이렇게 하면 사용자와 연계된 쇼핑 장바구니에 제품이 추가된다. 사용자 디바이스는 제품을 쇼핑 장바구니에 추가하기 위해 외부 프론트 엔드 시스템(103)으로 이러한 요청을 전송할 수 있다.

외부 프론트 엔드 시스템(103)은 장바구니 페이지(예를 들면, 도 1d)를 생성할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 가상의 "쇼핑 장바구니(shopping cart)"에 추가한 제품을 나열한다. 사용자 디바이스는 SRP, SDP, 또는 다른 페이지의 아이콘을 클릭하거나, 상호 동작함으로써 장바구니 페이지를 요청할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 장바구니에 추가한 모든 제품 뿐 아니라 각 제품의 수량, 각 제품의 품목당 가격, 관련 수량에 기초한 각 제품의 가격, PDD에 관한 정보, 배달 방법, 배송 비용, 쇼핑 장바구니의 제품을 수정(예를 들면, 수량의 삭제 또는 수정)하기 위한 사용자 인터페이스 요소, 다른 제품의 주문 또는 제품의 정기적인 배달 설정에 대한 옵션, 할부(interest payment) 설정에 대한 옵션, 구매를 진행하기 위한 사용자 인터페이스 요소 등과 같은 장바구니의 제품에 관한 정보를 나열할 수 있다. 사용자 디바이스의 사용자는 쇼핑 장바구니에 있는 제품의 구매를 시작하기 위해 사용자 인터페이스 요소(예를 들면, "지금 구매(Buy Now)"라고 적혀있는 버튼)를 클릭하거나, 이와 상호 동작할 수 있다. 그렇게 하면, 사용자 디바이스는 구매를 시작하기 위해 이러한 요청을 외부 프론트 엔드 시스템(103)으로 전송할 수 있다.

외부 프론트 엔드 시스템(103)은 구매를 시작하는 요청을 수신하는 것에 응답하여 주문 페이지(예를 들면, 도 1e)를 생성할 수 있다. 일부 실시예에서, 주문 페이지는 쇼핑 장바구니로부터의 아이템을 재나열하고, 결제 및 배송 정보의 입력을 요청한다. 예를 들면, 주문 페이지는 쇼핑 장바구니의 아이템 구매자에 관한 정보(예를 들면, 이름, 주소, 이메일 주소, 전화번호), 수령인에 관한 정보(예를 들면, 이름, 주소, 전화번호, 배달 정보), 배송 정보(예를 들면, 배달 및/또는 픽업 속도/방법), 결제 정보(예를 들면, 신용 카드, 은행 송금, 수표, 저장된 크레딧), 현금 영수증을 요청하는 사용자 인터페이스 요소(예를 들면, 세금 목적) 등을 요청하는 섹션을 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 사용자 디바이스에 주문 페이지를 전송할 수 있다.

사용자 디바이스는 주문 페이지에 정보를 입력하고 외부 프론트 엔드 시스템(103)으로 정보를 전송하는 사용자 인터페이스 요소를 클릭하거나, 상호 동작할 수 있다. 그로부터, 외부 프론트 엔드 시스템(103)은 정보를 시스템(100) 내의 다른 시스템으로 전송하여 쇼핑 장바구니의 제품으로 새로운 주문을 생성하고 처리할 수 있도록 한다.

일부 실시예에서, 외부 프론트 엔드 시스템(103)은 판매자가 주문과 관련된 정보를 전송 및 수신할 수 있도록 추가로 구성될 수 있다.

일부 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자(예를 들면, 시스템(100)을 소유, 운영 또는 임대하는 조직의 직원)가 시스템(100) 내의 하나 이상의 시스템과 상호작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)가 사용자가 아이템에 대한 주문을 할 수 있게 하는 시스템의 프레젠테이션을 가능하게 하는 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자가 주문에 대한 진단 및 통계 정보를 볼 수 있게 하고, 아이템 정보를 수정하며, 또는 주문에 대한 통계를 검토할 수 있게 하는 웹 서버로서 구현될 수 있다. 예를 들면, 내부 프론트 엔드 시스템(105)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 내부 프론트 엔드 시스템(105)은 (도시되지 않은 다른 디바이스뿐 아니라) 시스템(100) 내에 나타낸 시스템 또는 디바이스로부터 요청을 수신 및 처리하고, 그러한 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 (설계된 커스텀 웹 서버 소프트웨어를 실행)할 수 있다.

일부 실시예에서, 내부 프론트 엔드 시스템(105)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 결제 시스템, 분석 시스템, 주문 모니터링 시스템 등 중 하나 이상을 포함할 수 있다. 일 양상에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.

일부 실시예에서, 운송 시스템(107)은 시스템(100) 내의 시스템 또는 디바이스와 모바일 디바이스(107A-107C) 간의 통신을 가능하게 하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 운송 시스템(107)은 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 예를 들면, 일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원에 의해 동작되는 디바이스를 포함할 수 있다. 정규직, 임시적 또는 교대 근무일 수 있는 배달원은 사용자에 의해 주문된 제품들이 들어 있는 패키지의 배달을 위해 모바일 디바이스(107A-107C)를 이용할 수 있다. 예를 들면, 패키지를 배달하기 위해, 배달원은 배달할 패키지와 배달할 위치를 나타내는 모바일 디바이스 상의 알림을 수신할 수 있다. 배달 장소에 도착하면, 배달원은 (예를 들면, 트럭의 뒤나 패키지의 크레이트에) 패키지를 둘 수 있고, 모바일 디바이스를 사용하여 패키지 상의 식별자와 관련된 데이터(예를 들면, 바코드, 이미지, 텍스트 문자열, RFID 태그 등)를 스캔하거나, 캡처하며, (예를 들면, 현관문에 놓거나, 경비원에게 맡기거나, 수령인에게 전달하는 것 등에 의해) 패키지를 배달할 수 있다. 일부 실시예에서, 배달원은 모바일 디바이스를 사용하여 패키지의 사진(들)을 찍거나 및/또는 서명을 받을 수 있다. 모바일 디바이스는, 예를 들면, 시간, 날짜, GPS 위치, 사진(들), 배달원에 관련된 식별자, 모바일 디바이스에 관련된 식별자 등을 포함하는 배달에 관한 정보를 포함하는 정보를 운송 시스템(107)에 전송할 수 있다. 운송 시스템(107)은 시스템(100) 내의 다른 시스템에 의한 접근을 위해 데이터베이스(미도시)에 이러한 정보를 저장할 수 있다. 일부 실시예에서, 운송 시스템(107)은 다른 시스템에 특정 패키지의 위치를 나타내는 트래킹 데이터를 준비 및 전송하기 위해 이러한 정보를 사용할 수 있다.

일부 실시예에서, 특정 사용자는, 한 종류의 모바일 디바이스를 사용할 수 있는 반면(예를 들면, 정규 직원은 바코드 스캐너, 스타일러스 및 다른 장치와 같은 커스텀 하드웨어를 갖는 전문 PDA를 사용할 수 있음), 다른 사용자는 다른 종류의 모바일 디바이스를 사용할 수 있다(예를 들면, 임시 또는 교대 근무 직원이 기성 휴대 전화 및/또는 스마트폰을 사용할 수 있음).

일부 실시예에서, 운송 시스템(107)은 사용자를 각각의 디바이스와 연관시킬 수 있다. 예를 들면, 운송 시스템(107)은 사용자(예를 들면, 사용자 식별자, 직원 식별자, 또는 전화번호에 의해 표현됨)와 모바일 디바이스(예를 들면, International Mobile Equipment Identity(IMEI), International Mobile Subscription Identifier(IMSI), 전화번호, Universal Unique Identifier(UUID), 또는 Globally Unique Identifier(GUID)에 의해 표현됨) 간의 연관성(association)을 저장할 수 있다. 운송 시스템(107)은, 다른 것들 중에 작업자의 위치, 작업자의 효율성, 또는 작업자의 속도를 결정하기 위해 데이터베이스에 저장된 데이터를 분석하기 위해 배달시 수신되는 데이터와 관련하여 이러한 연관성을 사용할 수 있다.

일부 실시예에서, 판매자 포털(109)은 판매자 또는 다른 외부 엔터티(entity)가 시스템(100) 내의 하나 이상의 시스템과 전자 통신할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 판매자는 판매자 포털(109)을 사용하여 시스템(100)을 통해 판매하고자 하는 제품에 대하여, 제품 정보, 주문 정보, 연락처 정보 등을 업로드하거나 제공하는 컴퓨터 시스템(미도시)을 이용할 수 있다.

일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객(예를 들면, 디바이스(102A-102B)를 사용하는 사용자)에 의해 주문된 제품들이 들어 있는 패키지의 위치에 관한 정보를 수신, 저장 및 포워딩하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객에 의해 주문된 제품들이 들어 있는 패키지를 배달하는 배송 회사에 의해 운영되는 웹 서버(미도시)로부터 정보를 요청하거나 저장할 수 있다.

일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 시스템(100)에 나타낸 시스템들로부터 정보를 요청하고 저장할 수 있다. 예를 들면, 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107)으로부터 정보를 요청할 수 있다. 전술한 바와 같이, 운송 시스템(107)은 사용자(예를 들면, 배달원) 또는 차량(예를 들면, 배달 트럭) 중 하나 이상과 연관된 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 또한, 풀필먼트 센터(예를 들면, 풀필먼트 센터(200)) 내부의 개별 제품의 위치를 결정하기 위해 창고 관리 시스템(WMS)(119)으로부터 정보를 요청할 수 있다. 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107) 또는 WMS(119) 중 하나 이상으로부터 데이터를 요청하고, 이를 처리하며, 요청시 디바이스(예를 들면, 사용자 디바이스(102A, 102B))로 제공할 수 있다.

일부 실시예에서, 풀필먼트 최적화(FO) 시스템(113)은 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103) 및/또는 배송 및 주문 트래킹 시스템(111))으로부터의 고객 주문에 대한 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. FO 시스템(113)은 또한, 특정 아이템이 유지 또는 저장되는 곳을 나타내는 정보를 저장할 수 있다. 예를 들면, 소정 아이템은 하나의 풀필먼트 센터에만 저장될 수 있는 반면, 소정 다른 아이템은 다수의 풀필먼트 센터에 저장될 수 있다. 또 다른 실시예에서, 특정 풀필먼트 센터는 아이템의 특정 세트(예를 들면, 신선한 농산물 또는 냉동 제품)만을 저장하도록 구성될 수 있다. FO 시스템(113)은 이러한 정보뿐 아니라 관련 정보(예를 들면, 수량, 크기, 수령 날짜, 유통 기한 등)를 저장한다.

FO 시스템(113)은 또한, 각 제품에 대해 대응하는 PDD(약속된 배달 날짜)를 계산할 수 있다. 일부 실시예에서, PDD는 하나 이상의 요소에 기초할 수 있다. 예를 들면, FO 시스템(113)은 제품에 대한 과거 수요(예를 들면, 그 제품이 일정 기간 동안 얼마나 주문되었는지), 제품에 대한 예측된 수요(예를 들면, 얼마나 많은 고객이 다가오는 기간 동안 제품을 주문할 것으로 예상되는지), 일정 기간 동안 얼마나 많은 제품이 주문되었는지를 나타내는 네트워크 전반의 과거 수요, 다가오는 기간 동안 얼마나 많은 제품이 주문될 것으로 예상되는지를 나타내는 네트워크 전반의 예측된 수요, 각각의 제품을 저장하는 각 풀필먼트 센터(200)에 저장된 제품의 하나 이상의 개수, 그 제품에 대한 예상 또는 현재 주문 등에 기초하여 제품에 대한 PDD를 계산할 수 있다.

일부 실시예에서, FO 시스템(113)은 주기적으로(예를 들면, 시간별로) 각 제품에 대한 PDD를 결정하고, 검색하거나 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로 전송하기 위해 이를 데이터베이스에 저장할 수 있다. 다른 실시예에서, FO 시스템(113)은 하나 이상의 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로부터 전자 요청을 수신하고 요구에 따라 PDD를 계산할 수 있다.

일부 실시예에서, 풀필먼트 메시징 게이트웨이(FMG)(115)는 FO 시스템(113)과 같은 시스템(100) 내의 하나 이상의 시스템으로부터 하나의 포맷 또는 프로토콜로 요청 또는 응답을 수신하고, 그것을 다른 포맷 또는 프로토콜로 변환하여, 변환된 포맷 또는 프로토콜로 된 요청 또는 응답을 WMS(119) 또는 제3자 풀필먼트 시스템(121A, 121B, 또는 121C)과 같은 다른 시스템에 포워딩하며, 반대의 경우도 가능한 컴퓨터 시스템으로서 구현될 수 있다.

일부 실시예에서, 공급 체인 관리(SCM) 시스템(117)은 예측 기능을 수행하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SCM 시스템(117)은, 예를 들어 제품에 대한 과거 수요, 제품에 대한 예측된 수요, 네트워크 전반의 과거 수요, 네트워크 전반의 예측된 수요, 각각의 풀필먼트 센터(200)에 저장된 제품 개수, 각 제품에 대한 예상 또는 현재 주문 등에 기초하여, 특정 제품에 대한 수요의 수준을 예측할 수 있다. 이러한 예측된 수준과 모든 풀필먼트 센터를 통한 각 제품의 수량에 응답하여, SCM 시스템(117)은 특정 제품에 대한 예측된 수요를 만족시키기에 충분한 양을 구매 및 비축하기 위한 하나 이상의 구매 주문을 생성할 수 있다.

일부 실시예에서, 창고 관리 시스템(WMS)(119)은 작업 흐름을 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, WMS(119)는 개개의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))로부터 개별 이벤트를 나타내는 이벤트 데이터를 수신할 수 있다. 예를 들면, WMS(119)는 패키지를 스캔하기 위해 이들 디바이스 중 하나를 사용한 것을 나타내는 이벤트 데이터를 수신할 수 있다. 풀필먼트 센터(200) 및 도 2에 관하여 이하에서 논의되는 바와 같이, 풀필먼트 프로세스 동안, 패키지 식별자(예를 들면, 바코드 또는 RFID 태그 데이터)는 특정 스테이지의 기계(예를 들면, 자동 또는 핸드헬드 바코드 스캐너, RFID 판독기, 고속 카메라, 태블릿(119A), 모바일 디바이스/PDA(119B), 컴퓨터(119C)와 같은 디바이스 등)에 의해 스캔되거나 판독될 수 있다. WMS(119)는 패키지 식별자, 시간, 날짜, 위치, 사용자 식별자, 또는 다른 정보와 함께 대응하는 데이터베이스(미도시)에 패키지 식별자의 스캔 또는 판독을 나타내는 각 이벤트를 저장할 수 있고, 이러한 정보를 다른 시스템(예를 들면, 배송 및 주문 트래킹 시스템(111))에 제공할 수 있다.

일부 실시예에서, WMS(119)는 하나 이상의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))와 시스템(100)과 연관된 하나 이상의 사용자를 연관시키는 정보를 저장할 수 있다. 예를 들면, 일부 상황에서, (파트 타임 또는 풀 타임 직원과 같은) 사용자는 모바일 디바이스(예를 들면, 모바일 디바이스는 스마트폰임)를 소유한다는 점에서, 모바일 디바이스와 연관될 수 있다. 다른 상황에서, 사용자는 임시로 모바일 디바이스를 보관한다는 점에서(예를 들면, 하루의 시작에서부터 모바일 디바이스를 대여받은 사용자가, 하루 동안 그것을 사용하고, 하루가 끝날 때 그것을 반납할 것임), 모바일 디바이스와 연관될 수 있다.

일부 실시예에서, WMS(119)는 시스템(100)과 연관된 각각의 사용자에 대한 작업 로그를 유지할 수 있다. 예를 들면, WMS(119)는 임의의 할당된 프로세스(예를 들면, 트럭에서 내리기, 픽업 구역에서 아이템을 픽업하기, 리비닝 월(rebin wall) 작업, 아이템 패킹하기), 사용자 식별자, 위치(예를 들면, 풀필먼트 센터(200)의 바닥 또는 구역), 직원에 의해 시스템을 통해 이동된 유닛의 수(예를 들면, 픽업된 아이템의 수, 패킹된 아이템의 수), 디바이스(예를 들면, 디바이스(119A-119C))와 관련된 식별자 등을 포함하는, 각 직원과 관련된 정보를 저장할 수 있다. 일부 실시예에서, WMS(119)는 디바이스(119A-119C)에서 작동되는 계시(timekeeping) 시스템과 같은 계시 시스템으로부터 체크-인 및 체크-아웃 정보를 수신할 수 있다.

일부 실시예에서, 제3자 풀필먼트(3PL) 시스템(121A-121C)은 물류 및 제품의 제3자 제공자와 관련된 컴퓨터 시스템을 나타낸다. 예를 들면, (도 2와 관련하여 이하에서 후술하는 바와 같이) 일부 제품이 풀필먼트 센터(200)에 저장되는 반면, 다른 제품은 오프-사이트(off-site)에 저장될 수 있거나, 수요에 따라 생산될 수 있으며, 또는 달리 풀필먼트 센터(200)에 저장될 수 없다. 3PL 시스템(121A-121C)은 FO 시스템(113)으로부터 (예를 들면, FMG(115)를 통해) 주문을 수신하도록 구성될 수 있으며, 고객에게 직접 제품 및/또는 서비스(예를 들면, 배달 또는 설치)를 제공할 수 있다. 일부 구현예에서, 하나 이상의 3PL 시스템(121A-121C)은 시스템(100)의 일부일 수 있지만, 다른 구현예에서는, 하나 이상의 3PL 시스템(121A-121C)이 시스템(100)의 외부에 있을 수 있다(예를 들어, 제3자 제공자에 의해 소유 또는 운영됨)일 수 있다.

일부 실시예에서, 풀필먼트 센터 인증 시스템(FC Auth)(123)은 다양한 기능을 갖는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 일부 실시예에서, FC Auth(123)는 시스템(100) 내의 하나 이상의 다른 시스템에 대한 단일-사인 온(single-sign on, SSO) 서비스로서 작동할 수 있다. 예를 들면, FC Auth(123)는 내부 프론트 엔드 시스템(105)을 통해 사용자가 로그인하게 하고, 사용자가 배송 및 주문 트래킹 시스템(111)에서 리소스에 액세스하기 위해 유사한 권한을 갖고 있다고 결정하며, 두 번째 로그인 프로세스 요구 없이 사용자가 그러한 권한에 액세스할 수 있게 한다. 다른 실시예에서, FC Auth(123)는 사용자(예를 들면, 직원)가 자신을 특정 작업과 연관시킬 수 있게 한다. 예를 들면, 일부 직원은 (디바이스(119A-119C)와 같은) 전자 디바이스를 갖지 않을 수 있으며, 대신 하루 동안 풀필먼트 센터(200) 내에서 작업들 사이 및 구역들 사이에서 이동할 수 있다. FC Auth(123)는 이러한 직원들이 상이한 시간대에 수행 중인 작업과 속해 있는 구역을 표시할 수 있도록 구성될 수 있다.

일부 실시예에서, 노동 관리 시스템(LMS)(125)은 직원(풀-타임 및 파트-타임 직원을 포함함)에 대한 출근 및 초과 근무 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, LMS(125)는 FC Auth(123), WMS(119), 디바이스(119A-119C), 운송 시스템(107), 및/또는 디바이스(107A-107C)로부터 정보를 수신할 수 있다.

도 1a에 나타낸 특정 구성은 단지 예시일 뿐이다. 예를 들면, 도 1a는 FO 시스템(113)에 연결된 FC Auth 시스템(123)을 나타낸 반면, 모든 실시예가 이러한 특정 구성을 필요로 하는 것은 아니다. 실제로, 일부 실시예에서, 시스템(100) 내의 시스템은 인터넷, 인트라넷, WAN(Wide-Area Network), MAN(Metropolitan-Area Network), IEEE 802.11a/b/g/n 표준을 따르는 무선 네트워크, 임대 회선 등을 포함하는 하나 이상의 공공 또는 사설 네트워크를 통해 서로 연결될 수 있다. 일부 실시예에서, 시스템(100) 내의 시스템 중 하나 이상은 데이터 센터, 서버 팜 등에서 구현되는 하나 이상의 가상 서버로서 구현될 수 있다.

도 2는 풀필먼트 센터(200)를 나타낸다. 풀필먼트 센터(200)는 주문시 고객에게 배송하기 위한 아이템을 저장하는 물리적 장소의 예시이다. 풀필먼트 센터(FC)(200)는 다수의 구역으로 분할될 수 있으며, 각각이 도 2에 도시된다. 일부 실시예에서, 이러한 "구역(zones)"은 아이템을 수령하고, 아이템을 저장하고, 아이템을 검색하고, 아이템을 배송하는 과정의 상이한 단계 사이의 가상 구분으로 생각될 수 있다. 따라서, "구역"이 도 2에 나타나 있으나, 일부 실시예에서, 구역의 다른 구분도 가능하고, 도 2의 구역은 생략, 복제, 또는 수정될 수 있다.

인바운드 구역(203)은 도 1a의 시스템(100)을 사용하여 제품을 판매하고자 하는 판매자로부터 아이템이 수신되는 FC(200)의 영역을 나타낸다. 예를 들면, 판매자는 트럭(201)을 사용하여 아이템(202A, 202B)을 배달할 수 있다. 아이템(202A)은 자신의 배송 팔레트(pallet)를 점유하기에 충분히 큰 단일 아이템을 나타낼 수 있으며, 아이템(202B)은 공간을 절약하기 위해 동일한 팔레트 상에 함께 적층되는 아이템의 세트를 나타낼 수 있다.

작업자는 인바운드 구역(203)의 아이템을 수령하고, 선택적으로 컴퓨터 시스템(미도시)을 사용하여 아이템이 손상되었는지 및 정확한지를 체크할 수 있다. 예를 들면, 작업자는 아이템(202A, 202B)의 수량을 아이템의 주문 수량과 비교하기 위해 컴퓨터 시스템을 사용할 수 있다. 수량이 일치하지 않는다면, 해당 작업자는 아이템(202A, 202B) 중 하나 이상을 거부할 수 있다. 수량이 일치한다면, 작업자는 그 아이템들을 (예를 들면, 짐수레(dolly), 핸드트럭(handtruck), 포크리프트(forklift), 또는 수작업으로) 버퍼 구역(205)으로 운반할 수 있다. 버퍼 구역(205)은, 예를 들면, 예측된 수요를 충족시키기 위해 픽업 구역에 그 아이템이 충분한 수량만큼 있기 때문에, 픽업 구역에서 현재 필요하지 않은 아이템에 대한 임시 저장 영역일 수 있다. 일부 실시예에서, 포크리프트(206)는 버퍼 구역(205) 주위와 인바운드 구역(203) 및 드롭 구역(207) 사이에서 아이템을 운반하도록 작동한다. (예를 들면, 예측된 수요로 인해) 픽업 구역에 아이템(202A, 202B)이 필요하면, 포크리프트는 아이템(202A, 202B)을 드롭 구역(207)으로 운반할 수 있다.

드롭 구역(207)은 픽업 구역(209)으로 운반되기 전에 아이템을 저장하는 FC(200)의 영역일 수 있다. 픽업 동작에 할당된 작업자("피커(picker)")는 픽업 구역의 아이템(202A, 202B)에 접근하고, 픽업 구역에 대한 바코드를 스캔하며, 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A, 202B)과 관련된 바코드를 스캔할 수 있다. 그 다음 피커는 아이템을 (예를 들면, 카트에 놓거나 운반함으로써) 픽업 구역(209)에 가져갈 수 있다.

픽업 구역(209)은 아이템(208)이 저장 유닛(210)에 저장되는 FC(200)의 영역일 수 있다. 일부 실시예에서, 저장 유닛(210)은 물리적 선반, 책꽂이, 박스, 토트(tote), 냉장고, 냉동고, 저온 저장고 등 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 픽업 구역(209)은 다수의 플로어로 편성될 수 있다. 일부 실시예에서, 작업자 또는 기계는, 예를 들면, 포크리프트, 엘리베이터, 컨베이어 벨트, 카트, 핸드트럭, 짐수레, 자동화된 로봇 또는 디바이스, 또는 수작업을 포함하는 다양한 방식으로 아이템을 픽업 구역(209)으로 운반할 수 있다. 예를 들면, 피커는 아이템(202A, 202B)을 드롭 구역(207)의 핸드트럭 또는 카트에 놓을 수 있으며, 아이템(202A, 202B)을 픽업 구역(209)으로 가져갈 수 있다.

피커는 저장 유닛(210) 상의 특정 공간과 같은 픽업 구역(209)의 특정 스팟에 아이템을 배치(또는 "적재(stow)")하라는 명령을 수신할 수 있다. 예를 들면, 피커는 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A)을 스캔할 수 있다. 디바이스는, 예를 들면, 통로, 선반 및 위치를 나타내는 시스템을 사용하여, 아이템(202A)을 적재해야 하는 위치를 나타낼 수 있다. 그 다음 디바이스는 그 위치에 아이템(202A)을 적재하기 전에 피커가 그 위치에서 바코드를 스캔하도록 할 수 있다. 디바이스는 도 1a의 WMS(119)와 같은 컴퓨터 시스템에 아이템(202A)이 디바이스(119B)를 사용하는 사용자에 의해 그 위치에 적재되었음을 나타내는 데이터를 (예를 들면, 무선 네트워크를 통해) 전송할 수 있다.

일단 사용자가 주문을 하면, 피커는 저장 유닛(210)으로부터 하나 이상의 아이템(208)을 검색하기 위해 디바이스(119B)에 명령을 수신할 수 있다. 피커는 아이템(208)을 검색하고, 아이템(208) 상의 바코드를 스캔하며, 운송 기구(214) 상에 놓을 수 있다. 일부 실시예에서, 운송 기구(214)가 슬라이드로서 표현되지만, 운송 기구는 컨베이어 벨트, 엘리베이터, 카트, 포크리프트, 핸드트럭, 짐수레, 카트 등 중 하나 이상으로서 구현될 수 있다. 그 다음 아이템(208)은 패킹 구역(211)에 도착할 수 있다.

패킹 구역(211)은 아이템이 픽업 구역(209)으로부터 수령되고 고객에게 최종 배송하기 위해 박스 또는 가방에 패킹되는 FC(200)의 영역일 수 있다. 패킹 구역(211)에서, 아이템을 수령하도록 할당된 작업자("리비닝 작업자(rebin worker)")는 픽업 구역(209)으로부터 아이템(208)을 수령하고, 그것이 어느 주문에 대응하는지를 결정할 것이다. 예를 들면, 리비닝 작업자는 아이템(208) 상의 바코드를 스캔하기 위해 컴퓨터(119C)와 같은 디바이스를 사용할 수 있다. 컴퓨터(119C)는 아이템(208)이 어느 주문과 관련이 있는지를 시각적으로 나타낼 수 있다. 이는, 예를 들면, 주문에 대응하는 월(216) 상의 공간 또는 "셀(cell)"을 포함할 수 있다. (예를 들면, 셀에 주문의 모든 아이템이 포함되어 있기 때문에) 일단 주문이 완료되면, 리비닝 작업자는 패킹 작업자(또는 "패커(packer)")에게 주문이 완료된 것을 알릴 수 있다. 패커는 셀로부터 아이템을 검색하고, 배송을 위해 이들을 박스 또는 가방에 놓을 수 있다. 그 다음 패커는, 예를 들면, 포크리프트, 카트, 짐수레, 핸드트럭, 컨베이어 벨트, 수작업 또는 다른 방법을 통해, 박스 또는 가방을 허브 구역(213)으로 보낼 수 있다.

허브 구역(213)은 패킹 구역(211)으로부터 모든 박스 또는 가방("패키지(packages)")을 수신하는 FC(200)의 영역일 수 있다. 허브 구역(213)의 작업자 및/또는 기계는 패키지(218)를 검색하고, 각 패키지가 배달 영역의 어느 부분으로 배달되도록 되어 있는지를 결정하며, 패키지를 적합한 캠프 구역(215)으로 보낼 수 있다. 예를 들면, 배달 영역이 2개의 작은 하위 영역을 갖는다면, 패키지는 2개의 캠프 구역(215) 중 하나로 보내질 것이다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 패키지를 캠프 구역(215)으로 보내는 것은, 예를 들면, (우편 번호에 기초하여) 패키지가 향하는 지리적 영역의 부분을 결정하고, 지리적 영역의 부분과 관련된 캠프 구역(215)을 결정하는 것을 포함할 수 있다.

일부 실시예에서, 캠프 구역(215)은 루트 및/또는 서브-루트로 분류하기 위해 허브 구역(213)으로부터 패키지가 수령되는 하나 이상의 빌딩, 하나 이상의 물리적 공간, 또는 하나 이상의 영역을 포함할 수 있다. 일부 실시예에서, 캠프 구역(215)은 FC(200)로부터 물리적으로 분리되어 있는 반면, 다른 실시예에서는 캠프 구역(215)은 FC(200)의 일부를 형성할 수 있다.

캠프 구역(215)의 작업자 및/또는 기계는, 예를 들면, 목적지와 기존 루트 및/또는 서브-루트의 비교, 각각의 루트 및/또는 서브-루트에 대한 작업량의 계산, 하루 중 시간, 배송 방법, 패키지(220)를 배송하기 위한 비용, 패키지(220)의 아이템과 관련된 PDD 등에 기초하여 패키지(220)가 어느 루트 및/또는 서브-루트와 연관되어야 하는지를 결정할 수 있다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 일단 패키지(220)가 특정 루트 및/또는 서브-루트에 할당되면, 작업자 및/또는 기계는 배송될 패키지(220)를 운반할 수 있다. 예시적인 도 2에서, 캠프 구역(215)은 트럭(222), 자동차(226), 배달원(224A, 224B)을 포함한다. 일부 실시예에서, 배달원(224A)이 트럭(222)을 운전할 수 있는데, 이 때 배달원(224A)은 FC(200)에 대한 패키지를 배달하는 풀-타임 직원이며, 트럭은 FC(200)를 소유, 임대 또는 운영하는 동일한 회사에 의해 소유, 임대, 또는 운행된다. 일부 실시예에서, 배달원(224B)이 자동차(226)를 운전할 수 있는데, 이 때 배달원(224B)은 필요에 따라(예를 들면, 계절에 따라) 배달하는 "플렉스(flex)" 또는 비상시적인 작업자이다. 자동차(226)는 배달원(224B)에 의해 소유, 임대 또는 운행될 수 있다.

도 3을 참조하면, AI-기반 제품 추천 생성을 위한 디바이스 및 시스템의 예시적인 네트워크가 도시된다. 도 3에 도시된 바와 같이, 시스템(300)은 제품 추천 시스템(330), 쿼리 시스템(350), 및 고객 친화 시스템(360)을 포함할 수 있다. 제품 추천 시스템(330), 쿼리 시스템(350), 및 고객 친화 시스템(360)은 네트워크(310)를 통해 사용자(320A)와 연관된 사용자 디바이스(320) 또는 탐색 행동 로그(346)와 통신할 수 있다. 일부 실시예에서, 제품 추천 시스템(330), 쿼리 시스템(350), 및 고객 친화 시스템(360)은 예를 들어 케이블을 사용하는 직접 연결을 통해 시스템(300)의 다른 구성요소와 통신할 수 있다. 일부 다른 실시예에서, 시스템(300)은 도 1a의 시스템(100)의 일부일 수 있고 네트워크(310)를 통해 또는 예를 들어 케이블을 사용하는 직접 연결을 통해 시스템(100)의 다른 구성요소와 통신할 수 있다. 제품 추천 시스템(330), 쿼리 시스템(350) 및 고객 친화 시스템(360)은 각각 단일 컴퓨터를 포함할 수 있거나, 또는 각각이 개시된 예시들과 연관된 프로세스 및 기능 중 하나 이상을 수행하도록 상호작용하는 다수의 컴퓨터를 포함하는 분산 컴퓨터 시스템으로 구성될 수 있다.

도 3에 도시된 바와 같이, 제품 추천 시스템(330), 쿼리 시스템(350), 및 고객 친화 시스템(360)은 각각 개별적으로 프로세서(332, 352, 및 362)를 포함할 수 있다. 프로세서(332, 352, 또는 362)는 Intel^TM에 의해 생산된 Pentium^TM 패밀리 또는 AMD^TM에 의해 생산된 Turion^TM 패밀리의 마이크로 프로세서와 같은 하나 이상의 알려진 프로세싱 디바이스일 수 있다. 프로세서(332, 352, 또는 362)는 단일 코어 또는 동시에 병렬로 프로세스들을 실행시키는 멀티 코어 프로세서를 구성할 수 있다. 예를 들어, 프로세서(332, 352, 또는 362)는 다수의 프로세스를 동시에 실행 및 제어하기 위해 논리 프로세서를 사용할 수 있다. 프로세서(332, 352, 또는 362)는 가상 머신 기술 또는 다수의 소프트웨어 프로세스, 애플리케이션, 프로그램 등을 실행, 제어, 구동, 조작, 저장 등을 행하는 능력을 제공하는 다른 알려진 기술들을 구현할 수 있다. 다른 예시에서, 프로세서(332, 352, 또는 362)는 제품 추천 시스템(330), 쿼리 시스템(350), 또는 고객 친화 시스템(360)이 다수의 프로세스를 동시에 실행할 수 있게 하는 병렬 처리 기능을 제공하도록 구성된 멀티-코어 프로세서 구성을 포함할 수 있다. 당업자는 여기에 개시된 성능을 제공하는 다른 유형의 프로세서 구성이 구현될 수 있다는 것을 이해할 것이다.

제품 추천 시스템(330), 쿼리 시스템(350), 및 고객 친화 시스템(360)은 각각 개별적으로 메모리(334, 354, 및 364)를 포함할 수 있다. 메모리(334, 354, 또는 364)는 프로세서(332, 352, 또는 362)에 의해 실행될 때 알려진 운영 시스템 기능을 수행하는 하나 이상의 운영 시스템을 저장할 수 있다. 예를 들어, 운영 시스템은 Microsoft Windows, Unix, Linux, Android, Mac OS, iOS 또는 다른 유형의 운영 시스템을 포함할 수 있다. 따라서, 개시된 발명의 예시들은 임의 유형의 운영 시스템을 구동시키는 컴퓨터 시스템으로 동작 및 기능할 수 있다. 메모리(334, 354, 또는 364)는 휘발성 또는 비휘발성, 자기적, 반도체, 테이프, 광학적, 분리형, 비분리형 또는 다른 유형의 저장 디바이스 또는 유형(tangible)의 컴퓨터 판독가능 매체일 수 있다.

제품 추천 시스템(330), 쿼리 시스템(350), 및 고객 친화 시스템(360)은 각각 데이터베이스(336, 356, 또는 366)를 포함할 수 있다. 데이터베이스(336, 356, 또는 366)는 예를 들어 Oracle™ 데이터베이스, Sybase™ 데이터베이스 또는 기타 관계형 데이터베이스 또는 Hadoop™ 시퀀스 파일, HBase™ 또는 Cassandra™과 같은 비-관계형 데이터베이스를 포함할 수 있다. 데이터베이스(336, 356, 또는 366)는 데이터베이스(들)의 메모리 디바이스에 저장된 데이터에 대한 요청을 수신 및 처리하고, 데이터베이스(들)로부터의 데이터를 제공하도록 구성된 컴퓨팅 구성요소(예를 들어, 데이터베이스 관리 시스템, 데이터베이스 서버 등)를 포함할 수 있다. 데이터베이스(336, 356, 또는 366)는 HBase, MongoDB^TM 또는 Cassandra^TM와 같은 NoSQL 데이터베이스를 포함할 수 있다. 대안적으로, 데이터베이스(336, 356, 또는 366)는 Oracle, MySQL 및 Microsoft SQL Server와 같은 관계형 데이터베이스를 포함할 수 있다. 일부 실시예들에서, 데이터베이스(336)는 서버, 범용 컴퓨터, 메인프레임 컴퓨터, 또는 이들 구성요소의 임의의 조합의 형태를 취할 수 있다.

데이터베이스(336, 356 또는 366)는 계시된 예시들과 연관된 방법 및 프로세스를 수행하기 위해 프로세서(332, 352 또는 362)에 의해 각각 사용될 수 있는 데이터를 저장할 수 있다. 데이터베이스(336, 356, 또는 366)는 도 3에 도시된 바와 같이 제품 추천 시스템(330), 쿼리 시스템(350) 및 고객 친화 시스템(360)에 각각 위치될 수 있고, 또는 대안적으로 제품 추천 시스템(330), 쿼리 시스템(350), 및 고객 친화 시스템(360)의 외부에 위치된 외부 저장 디바이스에 있을 수 있다. 데이터베이스(336)에 저장된 데이터는 제품 카테고리, 유사도 점수, 생성된 제품 목록, 생성된 추천 제품 목록, 임계값, 제품 가격, 집계된 고객 행동, 검색 트랜드, 데이터 이력을 포함할 수 있다. 데이터베이스(356)에 저장된 데이터는 사용자에 의해 제출된 쿼리, 쿼리에 포함된 키워드, 제품 식별자와 연관된 키워드, 데이터 이력 등을 포함할 수 있다. 데이터베이스(366)에 저장된 데이터는 사용자에 의해 제출된 필터 애플리케이션(예를 들어, 제품 치수, 제품 브랜드, 최소 제품 가격, 최대 제품 가격, 제품 가격 범위, 데이터 이력 등) 또는 제품 사양(예를 들어, 제품 치수, 제품 브랜드, 제품 색상, 제품 저장 용량, 연관 키워드 또는 제품 등)을 포함할 수 있다.

사용자 디바이스(320)는 태블릿, 모바일 디바이스, 컴퓨터 등일 수 있다. 사용자 디바이스(320)는 디스플레이를 포함할 수 있다. 디스플레이는 예를 들어, 액정 디스플레이(LCD), 발광 다이오드 화면(LED), 유기 발광 다이오드 화면(OLED), 터치 스크린, 및 다른 알려진 디스플레이 디바이스를 포함할 수 있다. 디스플레이는 다양한 정보를 사용자에게 보여줄 수 있다. 예를 들어, 사용자 인터페이스 요소(예를 들어, 도 1b의 SRP와 연관된 웹페이지)를 디스플레이할 수 있으며, 이는 제품 목록에 대한 필터 애플리케이션, 쿼리를 제출하기 위한 옵션, 제품을 선택하기 위한 옵션, 제품을 카트에 추가하기 위한 옵션, 제품을 구매하기 위한 옵션, 가격, 유사도 점수 또는 판매량으로 생성된 추천 제품 목록을 정렬하기 위한 옵션, 목록화된 예시들에 대한 버튼 등을 포함할 수 있다.

사용자 디바이스(320)는 하나 이상의 입력/출력(I/O) 디바이스를 포함할 수 있다. I/O 디바이스는 사용자 디바이스(320)가 사용자(320A) 또는 다른 디바이스와 정보를 송수신할 수 있게 하는 하나 이상의 디바이스를 포함할 수 있다. I/O 디바이스는 카메라, 마이크로폰, 키보드, 마우스형 디바이스, 제스처 센서, 동작 센서, 물리적 버튼, 음성(oratory) 입력 등과 같은 다양한 입력/출력 디바이스를 포함할 수 있다. I/O 디바이스는 또한 예를 들어, 사용자 디바이스(320)와 네트워크(310) 간의 유선 또는 무선 연결성을 확립함으로써, 제품 추천 시스템(330), 쿼리 시스템(350) 또는 고객 친화 시스템(360)과 정보를 송신 및 수신하기 위한 하나 이상의 통신 모듈(도시되지 않음)을 포함할 수 있다.

일부 실시예에서, 사용자(320A)는 내부 사용자(예를 들어, 시스템(100 또는 300)을 소유, 운영 또는 임대하는 기관의 종업원) 또는 외부 사용자(예를 들어, 온라인 쇼핑객)일 수 있다.

일부 실시예에서, 시스템(300)은 사용자 디바이스(320)로부터 쿼리(예를 들어, 검색 요청)를 수신할 수 있다. 일부 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내 하나 이상의 시스템과 상호작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들어, 시스템(100)이 사용자가 아이템에 대해 주문할 수 있도록 시스템의 프리젠테이션을 가능하게 하는 일부 실시예에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 아이템 페이지를 보여주고, 그리고 결제 정보를 요청하는 웹 서버로서 구현될 수 있다. 시스템(300)은 쿼리로부터 적어도 하나의 키워드를 추출할 수 있다. 시스템(300)은 추출된 키워드에 기초하여, 사용자 식별자(예를 들어, 고객 식별, 사용자 식별, 컴퓨터 식별, 이름, 주소, 이메일 주소, 전화번호 등) 및 제품 식별자(예를 들어, 적어도 하나의 제품 카테고리와 연관된 제품 유형 키워드, 바코드, 이미지, 문자열, RFID 태그 등)를 결정할 수 있다. 사용자 식별자는 사용자(320A)(예를 들어, 온라인 쇼핑객)와 연관될 수 있다.

시스템(300)은 사용자 식별자 및 제품 식별자와 연관된 검색 행동 로그(search action logs)를 포함하는 데이터베이스(346)를 검색할 수 있다. 데이터베이스(346)는 다양한 사용자와 관련된 사용자 행동 이력(예를 들어, 사용자가 검색한 제품, 사용자가 구매한 제품, 사용자가 제출한 쿼리 등) 또는 고객들이 (예를 들어, 웹페이지를 둘러보고, 웹페이지 상의 제품을 선택하고, 웹페이지 상의 카트에 제품을 추가하고, 웹페이지 상의 제품을 구매하는 동안) 웹페이지와 상호작용할 수 있는, 복수의 제품 식별자와 연관된 데이터 이력을 포함할 수 있다. 일부 실시예에서, 데이터베이스(346)가 데이터베이스(336, 356, 및 366)와 별개로 도시되어 있지만, 데이터베이스(346)는 데이터베이스(336, 356, 및 366) 중 하나 이상과 통합될 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 사용자 식별자 및 제품 식별자에 기초하여 적어도 하나의 추천 제품을 예측하기 위해 모델을 사용할 수 있다. 예를 들어, 제품 추천 시스템(330)은 사용자(320A)가 미리 결정된 개수의 행동을 수행할 수 있는 시간을 산출함으로써 사용자 식별자와 연관된 타임 스팬을 결정할 수 있다. 예를 들어, 미리 결정된 개수의 행동은 고객들이 (예를 들어, 웹페이지를 둘러보고, 웹페이지 상의 제품을 선택하고, 웹페이지 상의 카트에 제품을 추가하고, 웹페이지 상의 제품을 구매하는 동안) 웹페이지와 상호작용할 수 있는, 복수의 제품 식별자와 연관된 데이터 이력에 기초하여 결정될 수 있다. 예를 들어, 미리 결정된 개수의 행동은 고객이 처음 제품을 검색하기 시작하여 제품을 구매할 때까지 수행할 수 있는 평균 행동 개수일 수 있다. 일부 실시예에서, 타임 스팬은 고객이 제품을 둘러보고 구매하는데 걸린 평균 시간량일 수 있다. 일부 실시예에서, 이 행동들은 웹페이지 상의 제품을 선택하는 것, 웹페이지 상의 카트에 제품을 추가하는 것, 또는 웹페이지 상의 제품을 구매하는 것 중 적어도 하나를 포함할 수 있다.

제품 추천 시스템(330)은 쿼리 시스템(350)으로부터 타임 스팬 동안 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색할 수 있다. 일부 실시예에서, 쿼리는 제품 식별자와 연관된 적어도 하나의 키워드를 포함할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 고객 친화 시스템(360)으로부터 타임 스팬 동안 사용자(320A)에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색할 수 있다. 필터 애플리케이션은 제품 치수, 제품 브랜드, 제품 가격 중 적어도 하나를 포함할 수 있다. 일부 실시예에서, 웹페이지와 연관된 사용자 인터페이스는 필터 애플리케이션을 포함할 수 있고, 여기서 사용자(320A)는 웹페이지 상의 제품 목록(예를 들어, 사용자가 쿼리를 제출할 때 제공되는 제품 목록)에 대해 필터 애플리케이션을 사용할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 검색된 쿼리 또는 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 적어도 하나의 제품 사양을 검색할 수 있다. 일부 실시예에서, 제품 사양은 제품 치수, 제품 브랜드, 제품 색상 또는 제품 저장 용량 중 적어도 하나를 포함할 수 있다.

일부 실시예에서, 쿼리 시스템(350)은 사용자에 의해 제출된 쿼리로부터 속성을 추출할 수 있다. 예를 들어, 쿼리 시스템(350)은 쿼리로부터 키워드를 추출할 수 있다. 일부 실시예에서, 고객 친화 시스템(360)은 사용자에 의해 적용된 필터 애플리케이션으로부터 속성을 추출하고 제품 사양으로부터 속성을 추출할 수 있다. 예를 들어, 고객 친화 시스템은 필터 애플리케이션(예를 들어, 제품 치수, 제품 브랜드, 최소 제품 가격, 최대 제품 가격, 제품 가격 범위 등) 및 연관 키워드 또는 제품을 추출할 수 있다. 일부 실시예에서, 고객 친화 시스템은 사용자가 상호작용한(예를 들어, 웹페이지 상의 제품을 선택하고, 웹페이지 상의 카트에 제품을 추가하고, 웹페이지 상의 제품을 구매하는 등) 제품 또는 키워드와 연관된 제품 사양을 추출할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 모델을 훈련하고 생성하기 위해 이동하는 시간대에 걸쳐 데이터 이력으로부터 속성을 추출할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 사용자 식별자 및 제품 식별자와 연관된 제품 카테고리를 결정하기 위해, 쿼리, 필터 애플리케이션, 및 제품 사양으로부터 추출된 속성 및 모델을 사용할 수 있다. 일부 실시예에서, 훈련 데이터는 복수의 고객의 제품 사양 이력, 쿼리 이력, 또는 필터 애플리케이션 이력 중 적어도 하나를 포함할 수 있다.

예를 들어, 쿼리의 데이터 이력으로부터의 속성은 랩탑, 삼성 랩탑, 15인치 삼성 랩탑, 15인치 게이밍 랩탑 등을 포함할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 쿼리와 연관된 적어도 하나의 제품 카테고리(예를 들어, 랩탑)를 결정하기 위해 추출된 속성을 사용할 수 있다. 일부 실시예에서, 필터 애플리케이션의 데이터 이력으로부터의 속성은 15-인치 크기 필터, '삼성' 브랜드 필터, $300 가격 필터 미만 등을 포함할 수 있다. 제품 추천 시스템(330)은 필터 애플리케이션과 연돤된 적어도 하나의 제품 카테고리가 랩탑을 포함한다고 결정하기 위해 추출된 속성을 사용할 수 있다. 일부 실시예에서, 제품 사향의 데이터 이력으로부터의 속성은 고객이 타임 스팬(예를 들어, 2주) 동안 선택했던 삼성 또는 소니 랩탑과 연관된 15-인치 크기를 포함할 수 있다. 제품 추천 시스템(330)은 제품 사양과 연관된 적어도 하나의 제품 카테고리가 고급 랩탑을 포함한다고 결정하기 위해 추출된 속성을 사용할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 결정된 제품 카테고리에 기초하여 제품 목록을 생성할 수 있다. 예를 들어, 제품 추천 시스템(330)은 (사용자 식별자와 연관된) 사용자(320A)가 관여된 모든 제품(예를 들어, 사용자가 웹페이지에서 선택하거나, 웹페이지 상의 카트에 추가하거나, 또는 웹페이지에서 구매한 제품들)을 포함하는 목록을 생성할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 목록을 생성하기 위해, 데이터베이스(346)(검색 행동 로그), 쿼리 시스템(350), 또는 고객 친화 시스템(360) 중 적어도 하나로부터 데이터를 검색할 수 있다. 일부 실시예에서, 제품 목록은 타임 스팬 동안 수행된 사용자 행동에 기초하여 생성될 수 있다. 예를 들어, 제품 추천 시스템(330)은 사용자(320)가 지난 2주 동안 관여되었던 제품 목록을 생성할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 생성된 목록 상의 각 제품에 대한 유사도 점수를 산출할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 생성된 목록 상의 제품 속성과 결정된 제품 카테고리의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 일부 실시예에서, 결정된 제품 카테고리의 속성과 더 많이 공통되는 속성을 갖는 제품들이 더 높은 유사도 점수를 가질 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 생성된 제품 목록에서 임계값 미만의 유사도 점수를 갖는 제품들을 제거할 수 있다. 일부 실시예에서, 유사도 점수는 하기에 설명되는 방법들의 임의 조합을 사용하여 산출될 수 있다.

일부 실시예에서, 임계값은 내부 사용자에 의해 결정될 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 모든 고객에 대한 데이터 이력에 기초하여 임계값을 결정할 수 있다. 일부 실시예에서, 생성된 목록 상의 모든 제품이 임계값 미만의 유사도 점수를 가질 때, 새로운 임계값(예를 들어, 디폴트 임계값)이 결정될 수 있다. 일부 실시예에서, 모든 제품이 생성된 목록에 남아 있을 수 있다. 일부 실시예에서는, 추천 제품이 제공되지 않을 수 있다. 예를 들어, 제품 추천 시스템(330)은 이력 값(예를 들어, 제품 가격, 제품 카테고리, 집계된 고객 행동 등)의 편차(deviation)에 기초하여 임계값을 산출할 수 있다. 예를 들어, 제품 추천 시스템(330)은 해당 제품에 대한 속성의 평균 이력으로부터 미리 결정된 값보다 더 벗어난 속성을 가진 제품들에 대한 유사도 점수를 산출하지 않을 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 임계값을 충족하는 유사도 점수를 가진 제품이 없을 때 실행 중인 모델을 종료할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 생성된 제품 목록 상의 각 제품에 대한 유사도 점수(예를 들어, 수치)를 산출함으로써 추천 제품 목록을 생성할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 적어도 하나의 가중치를 적어도 하나의 인자에 할당함으로써 유사도 점수를 산출할 수 있다. 일부 실시예에서, 적어도 하나의 인자는 웹페이지 상의 제품을 선택하는 것, 웹페이지 상의 카트에 제품을 추가하는 것, 또는 웹페이지 상의 제품을 구매하는 것 중 적어도 하나의 사용 데이터 이력을 포함할 수 있다. 예를 들어, 제품에 대한 각 사용자 참여(user engagement)는 값이 "1"인 인자일 수 있다(예를 들어, 웹페이지 상의 카트에 제품을 5번 추가하는 것은 인자의 합이 "5"일 수 있다). 제품 추천 시스템(330)은 가중치에 인자의 값을 곱함으로써 가중치를 인자에 할당할 수 있다. 예를 들어, (예를 들어, 카트에 추가한 제품들이 웹페이지 상에서 선택된 제품들보다 더 높은 유사도 점수를 갖도록) 웹페이지 상의 제품을 선택하는 것은 가중치 "1"이 할당될 수 있고, 웹페이지 상의 카트에 제품을 추가하는 것은 가중치 "3"이 할당될 수 있으며, 웹페이지 상의 제품을 구매하는 것은 가중치 "10"을 할당할 수 있다.

예를 들어, 일부 실시예에서, 유사도 점수를 산출하는데 사용되는 제품의 속성은 제품 가격, 제품 카테고리, 또는 집계된 고객 행동 중 적어도 하나를 포함할 수 있다. 예를 들어, 제품 추천 시스템(330)은 생성된 제품 목록 상의 제품 가격과 결정된 제품 카테고리와 연관된 제품 식별자의 제품 가격의 비교결과에 기초하여, 유사도 점수를 산출할 수 있다. 일부 실시예에서, 임계값은 최소, 최대 또는 범위를 포함할 수 있고, 제품 추천 시스템(330)은 생성된 제품 목록으로부터 임계값을 충족하지 않는 유사도 점수를 가진 제품들을 제거할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 추출된 속성에 기초하여 검색 트랜드(예를 들어, 사용자가 할인된 제품을 검색하는 것, 사용자가 제품의 특정 브랜드를 검색하는 것, 사용자가 제품의 크기 범위를 검색하는 것 등)을 결정할 수 있고, 검색 트랜드에 기초하여 유사도 점수를 산출하는데 요소에 가중치를 할당할 수 있다. 예를 들어, 제품 추천 시스템(330)은 결정된 가격 범위(예를 들어, 가격 범위는 사용자가 상호작용한 제품에 대해 미리 결정된 편차 내의 평균 가격일 수 있음) 내의 가격인 제품에 대한 제품 가격 인자에 더 높은 가중치를 할당할 수 있다. 예를 들어, 각 제품 가격은 값이 "1"인 인자일 수 있다. 제품 추천 시스템(330)은 가중치에 인자의 값을 곱함으로써 가중치를 인자에 할당할 수 있다. 예를 들어, 제품 가격이 결정된 가격 범위를 벗어나는 제품에 대한 참여(관여)는 가중치 "1"이 할당될 수 있고, 제품 가격이 결정된 가격 범위 내인 제품에 대한 참여는 가중치 "10"이 할당될 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 생성된 목록 상의 제품 카테고리와 결정된 제품 카테고리의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 제품이 결정된 제품 카테고리에 속하지 않는다는 것을 나타내는 유사도 점수를 갖는 제품들을 생성된 제품 목록으로부터 제거할 수 있다. 예를 들어, 사용자(320A)가 2주 타임 스팬 내에 고가의 랩탑(예를 들어, Macbooks, Microsoft Surface 등)에 자주 또는 주로 참여할 수 있지만, 때때로 상당히 저렴한 랩탑에 (예를 들어, $200 이하의 랩탑을 탐색하는) 참여할 수 있다. 제품 추천 시스템(330)은 제품 카테고리가 고가의 랩탑이라고 결정할 수 있고, 상당히 저렴한 랩탑이 결정된 카테고리에 속하지 않는다는 것을 나타내는 유사도 점수를 산출할 수 있다. 제품 추천 시스템(330)은 관련 제품만 사용자(320A)에게 추천하기 위해 생성된 제품 목록으로부터 상당히 저렴한 랩탑을 제거할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 집계된 고객 행동의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 예를 들어, 집계된 고객 행동은 동일 타임 스팬 또는 상이한 타임 스팬에서 결정된 제품 카테고리에 속하는 제품들에 대한 모든 고객 행동(예를 들어, 웹페이지 상의 제품을 선택하고, 웹페이지 상의 카트에 제품을 추가하고, 웹페이지 상의 제품을 구매하는 등)을 포함할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 결정된 제품 카테고리에 속하는 제품이 고객(예를 들어, 사용자(320A))에 의해 구매된 시점에 종료되는 타임 스팬에서 고객 행동에 기초하여 유사도 점수를 산출할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 상이한 고객 행동에 상이한 가중치를 할당함으로써 유사도 점수를 산출할 수 있다. 예를 들어, 웹페이지 상의 제품을 구매하는 것은 웹페이지 상의 카트에 제품을 추가하는 것보다 높은 가중치가 할당될 수 있고, 웹페이지 상의 카트에 제품을 추가하는 것은 웹페이지 상의 제품을 선택하는 것보다 높은 가중치가 할당될 수 있다. 예를 들어, 제품에 대한 각 사용자 참여는 값 "1"인 인자일 수 있다(예를 들어, 웹페이지 상의 카트에 제품을 5번 추가하는 것은 인자의 합 "5"를 가질 수 있다). 제품 추천 시스템(330)은 가중치에 인자의 값으로 곱함으로써 가중치를 인자에 할당할 수 있다. 예를 들어, (예를 들어, 쇼핑 카트에 추가된 제품들이 웹페이지 상에서 선택된 제품들보다 높은 유사도 점수를 갖도록) 웹페이지 상의 제품을 선택하는 것은 가중치 "1"이 할당될 수 있고, 웹페이지 상의 카트에 제품을 추가하는 것은 가중치 "3"이 할당될 수 있으며, 웹페이지 상의 제품을 구매하는 것은 가중치 "10"이 할당될 수 있다.

일부 실시예에서, 집계된 고객 행동에 기초하여 유사도 점수를 갖는 제품들은 처음에 생성된 제품 목록에 포함되지 않을 수 있다. 예를 들어, 제품 추천 시스템(330)은 제품 목록를 생성한 후 집계된 고객 행동의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 가장 높은 유사도 점수를 갖는 미리 결정된 개수의 제품을 생성된 제품 목록에 추가할 수 있다. 일부 실시예에서, 내부 사용자는 생성된 목록에 추가될 제품의 개수를 결정할 수 있다. 일부 실시예에서, 생성된 목록에 추가될 제품의 개수는 모든 고객에 대한 데이터 이력에 기초하여 결정될 수 있다. 예를 들어, 데이터 이력은 미리 결정된 개수의 제품이 유사도 점수에서 가장 낮은 편차량을 갖는 제품 목록이 된다는 것을 나타낼 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 추출된 키워드에 기초하여 복수의 제품 식별자를 결정하고 해당 복수의 제품 식별자가 동일한 제품 카테고리 또는 관련 제품 카테고리에 속한다고 결정할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 하나 이상의 제품 식별자에 대한 복수의 제품 카테고리를 결정할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 각 결정된 제품 카테고리에 대한 제품 목록을 생성하기 위해, 상술한 것과 같은, 단계들을 수행할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 제품이 2개 이상의 생성된 목록에 나타날 때 제품에 더 큰 가중치를 추가할 수 있으며, 그 결과 해당 제품이 더 높은 유사도 점수를 갖는다. 예를 들어, 3개의 목록이 생성되고 제품 A가 2개의 목록에 나타난 반면 제품 B가 3개의 목록에 나타나면, 제품 B에는 제품 A보다 더 높은 유사도 점수가 할당되므로, 제품 추천에 대해 더 정확한 생성 목록이 된다는 이점이 있다.

일부 실시예에서, 사용자(320A)는 생성된 추천 제품 목록을 정렬하기 위해 웹페이지(예를 들어, 도 1b의 SRP)와 연관된 사용자 인터페이스 요소와 상호작용할 수 있다. 예를 들어, 제품 추천 시스템(330)은 사용자(320A)가 생성된 추천 제품 목록을 가격, 유사도 점수, 판매량 등으로 정렬할 수 있도록, 사용자 인터페이스 요소를 수정할 수 있다. 일부 실시예에서, 제품 추천 시스템(300)은 가격, 유사도 점수, 판매량 등으로 생성된 추천 제품 목록을 디스플레이하기 위해 사용자 인터페이스 요소를 자동으로 수정할 수 있다.

도 4를 참조하면, AI-기반 제품 추천 생성을 위한 프로세스(400)가 도시된다. 일부 실시예에서 제품 추천 시스템(330)은 여기에서 설명된 여러 단계를 수행할 수 있지만, 다른 구현예들도 가능한다. 예를 들어, 여기에 설명되고 예시된 임의의 시스템 및 구성요소(예를 들어, 시스템(100), 쿼리 시스템(350), 고객 친화 시스템(360) 등)는 본 개시에 설명된 단계들을 수행할 수 있다. 일부 실시예에서, 설정(420)에 있는 시스템 구성요소는 오프라인 환경에서 동작할 수 있는 반면, 설정(430)에 있는 단계들은 온라인 환경에서 실시간 수행될 수 있다.

단계 401에서, 시스템(300)은 사용자 디바이스(320)로부터 쿼리(예를 들어, 검색 요청)를 수신할 수 있다. 시스템(300)은 쿼리로부터 적어도 하나의 키워드를 추출할 수 있다. 시스템(300)은 추출된 키워드에 기초하여 사용자 식별자(예를 들어, 고객 식별, 사용자 식별, 컴퓨터 식별, 이름, 주소, 이메일 주소, 전화번호 등) 및 제품 식별자(예를 들어, 적어도 하나의 제품 카테고리와 연관된 제품 유형 키워드, 바코드, 이미지, 문자열, RFID 태그 등)를 결정할 수 있다. 사용자 식별자는 사용자(320A)(예를 들어, 온라인 쇼핑객)와 연관될 수 있다.

시스템(300)은 사용자 식별자 및 제품 식별자와 연관된 검색 행동 로그를 포함하는 데이터베이스(346)를 검색할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 사용자 식별자 및 제품 식별자에 기초하여 적어도 하나의 추천 제품을 예측하기 위해 모델을 사용할 수 있다. 예를 들어, 제품 추천 시스템(330)은 사용자(320A)가 미리 결정된 개수의 행동을 수행할 수 있는 시간을 산출함으로써 사용자 식별자와 연관된 타임 스팬을 결정할 수 있다. 예를 들어, 미리 결정된 개수의 행동은 (예를 들어, 웹페이지를 둘러보고, 웹페이지 상의 제품을 선택하고, 웹페이지 상의 카트에 제품을 추가하고, 웹페이지 상의 제품을 구매하는 동안) 고객이 웹페이지와 상호작용할 수 있는, 복수의 제품 식별자와 연관된 데이터 이력에 기초하여 결정될 수 있다. 웹페이지에서, 웹페이지 상의 제품 구매). 예를 들어, 미리 결정된 개수의 행동은 고객이 처음 제품을 검색하고부터 제품을 구매할 때까지 수행할 수 있는 평균 행동 개수일 수 있다. 일부 실시예에서, 타임 스팬은 고객이 제품을 훑어보고 구매할 수 있는 평균 시간량과 연관될 수 있다. 일부 실시예에서, 행동들은 웹페이지 상의 제품을 선택하는 것, 웹페이지 상의 카트에 제품을 추가하는 것, 또는 웹페이지 상의 제품을 구매하는 것 중 적어도 하나를 포함할 수 있다.

단계 403에서, 제품 추천 시스템(330)은 쿼리 시스템(350)으로부터 타임 스팬 동안 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색할 수 있다. 일부 실시예에서, 쿼리는 제품 식별자와 연관된 적어도 하나의 키워드를 포함할 수 있다. 일부 실시예에서, 쿼리 시스템(350)은 사용자에 의해 제출된 쿼리로부터 속성을 추출할 수 있다. 예를 들어, 쿼리 시스템(350)은 쿼리로부터 키워드를 추출할 수 있다.

단계 405에서, 제품 추천 시스템(330)은 고객 친화 시스템(360)으로부터 타임 스팬 동안 사용자(320A)에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색할 수 있다. 필터 애플리케이션은 제품 치수, 제품 브랜드, 제품 가격 중 적어도 하나를 포함할 수 있다. 일부 실시예에서, 웹페이지와 연관된 사용자 인터페이스는 필터 에플리케이션을 포함할 수 있고, 사용자(320A)는 웹페이지 상의 제품 목록(예를 들어, 사용자가 쿼리를 제출할 때 제공되는 제품 목록) 상에서 해당 필터 애플리케이션을 사용할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 검색된 쿼리 또는 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 하나 이상의 제품 사양을 검색할 수 있다. 일부 실시예에서, 제품 사양은 제품 치수, 제품 브랜드, 제품 색상, 또는 제품 저장 용량 중 적어도 하나를 포함할 수 있다. 일부 실시예에서, 고객 친화 시스템(360)은 사용자에 의해 적용된 필터 애플리케이션으로부터 속성을 추출하고 제품 사양으로부터 속성을 추출할 수 있다. 예를 들어, 고객 친화 시스템은 필터 애플리케이션(예를 들면, 제품 치수, 제품 브랜드, 최소 제품 가격, 최대 제품 가격, 제품 가격 범위 등)과 연관 키워드 또는 제품을 추출할 수 있다. 일부 실시예에서, 고객 친화 시스템은 사용자가 상호작용한(예를 들어, 웹페이지 상의 제품을 선택하고, 웹페이지 상의 카트에 제품을 추가하고, 웹페이지 상의 제품을 구매하는) 제품 또는 키워드와 연관된 제품 사양을 추출할 수 있다.

단계 407에서, 제품 추천 시스템(330)은 사용자 식별자 및 제품 식별자와 연관된 제품 카테고리를 결정하기 위해, 쿼리, 필터 애플리케이션, 및 제품 사양으로부터 추출된 속성 및 모델을 사용할 수 있다. 일부 실시예에서, 훈련 데이터는 복수의 고객에 대한 쿼리 이력, 필터 애플리케이션 이력, 또는 제품 사양 이력 중 적어도 하나를 포함할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 결정된 제품 카테고리에 기초하여 제품 목록을 생성할 수 있다. 예를 들어, 제품 추천 시스템(330)은 (사용자 식별자와 연관된) 사용자(320A)가 관여한 모든 제품(예를 들어, 사용자가 웹페이지 상에서 선택하거나, 웹페이지 상의 카트에 추가되거나, 또는 웹페이지 상에서 선택된 제품들)을 포함하는 목록을 생성할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 목록을 생성하기 위해, 데이터베이스(346)(검색 행동 로그), 쿼리 시스템(350) 또는 고객 친화 시스템(360) 중 적어도 하나로부터 데이터를 검색할 수 있다. 일부 실시예에서, 제품 목록은 타임 스팬 동안 수행되는 사용자 행동에 기초하여 생성될 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 생성된 목록 상의 각 제품에 대한 유사도 점수를 산출할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 생성된 목록 상의 제품의 속성과 결정된 제품 카테고리의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 일부 실시예에서, 결정된 제품 카테고리의 속성과 더 많은 공통되는 속성을 갖는 제품들은 더 높은 유사도 점수를 가질 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 생성된 제품 목록에서 임계값 미만의 유사도 점수를 갖는 제품들을 제거할 수 있다.

단계 409에서, 제품 추천 시스템(330)은 생성된 제품 목록 상의 각 제품에 대한 유사도 점수를 산출함으로써 추천 제품 목록를 생성할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 적어도 하나의 인자에 적어도 하나의 가중치를 할당함으로써 유사도 점수를 산출할 수 있다. 일부 실시예에서, 적어도 하나의 인자는 웹페이지 상의 제품을 선택하거나, 웹페이지 상의 쇼핑 카트에 제품을 추가하거나 또는 웹페이지 상의 제품을 구매하는 것 중 적어도 하나의 사용 데이터 이력을 포함할 수 있다.

예를 들어, 일부 실시예에서, 유사도 점수를 산출하는데 사용되는 제품의 속성은 제품 가격, 제품 카테고리, 또는 집계된 고객 행동 중 적어도 하나를 포함할 수 있다. 예를 들어, 제품 추천 시스템(330)은 생성된 제품 목록 상의 제품 가격과 결정된 제품 카테고리와 연관된 제품 식별자의 제품 가격의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 일부 실시예에서, 임계값은 최소 가격, 최대 가격 또는 가격 범위를 포함할 수 있고 제품 추천 시스템(330)은 생성된 제품 목록으로부터 임계값을 충족하지 않는 유사도 점수를 가진 제품들을 제거할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 추출된 속성에 기초하여 검색 트랜드(예를 들어, 사용자가 할인된 제품을 검색하고 있음, 사용자가 제품의 특정 브랜드를 검색하고 있음, 사용자가 제품의 크기 범위를 검색하고 있음 등)을 결정할 수 있고 검색 트랜드에 기초하여 유사도 점수를 산출하는데 가중치를 인자에 할당할 수 있다. 예를 들어, 제품 추천 시스템(330)은 결정된 가격 범위(예를 들어, 가격 범위는 사용자가 상호작용한 제품들에 대해 미리 결정된 편차 내의 평균 가격일 수 있음) 내의 가격을 갖는 제품에 대한 제품 가격 인자에 더 높은 가중치를 할당할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 생성된 목록 상의 제품 카테고리와 결정된 제품 카테고리의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 제품들이 결정된 제품 카테고리에 속하지 않는다는 것을 나타내는 유사도 점수를 갖는 해당 제품들을 생성된 제품 목록으로부터 제거할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 집계된 고객 행동의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 예를 들어, 집계된 고객 행동은 같은 타임 스팬 또는 상이한 타임 스팬에서 결정된 제품 카테고리에 속하는 제품들에 대한 모든 고객 행동(예를 들어, 웹페이지 상의 제품을 선택하는 것, 웹페이지 상의 카트에 제품을 추가하는 것, 웹페이지 상의 제품을 구매하는 것 등)을 포함할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 결정된 제품 카테고리에 속하는 제품이 고객(예를 들어, 사용자(320A))에 의해 구매된 시점에 종료되는 타임 스팬에서 고객 행동에 기초하여 유사도 점수를 산출할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 상이한 고객 행동에 상이한 가중치를 할당함으로써 유사도 점수를 산출할 수 있다. 예를 들어, 웹페이지 상의 제품을 구매하는 것은 웹페이지 상의 카트에 제품을 추가하는 것보다 높은 가중치가 할당될 수 있고, 웹페이지 상의 카트에 제품을 추가하는 것은 웹페이지 상의 제품을 선택하는 것보다 높은 가중치가 할당될 수 있다. 일부 실시예에서, 집계된 고객 행동에 기초한 유사도 점수를 갖는 제품들은 처음에 생성된 제품 목록에 포함되지 않을 수 있다. 예를 들어, 제품 추천 시스템(330)은 제품 목록을 생성한 후 집계된 고객 행동의 비교결과에 기초하여 유사도 점수를 산출할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 가장 높은 유사도 점수를 갖는 미리 결정된 개수의 제품을 생성된 제품 목록에 추가할 수 있다. 일부 실시예에서, 내부 사용자는 생성된 목록에 추가될 제품의 개수를 결정할 수 있다. 일부 실시예에서, 생성된 목록에 추가될 제품의 개수는 모든 고객에 대한 데이터 이력에 기초하여 결정될 수 있다. 예를 들어, 데이터 이력은 미리 결정된 개수의 제품이 유사도 점수에서 가장 낮은 편차량을 갖는 제품 목록이 된다는 것을 나타낼 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 추출된 키워드에 기초하여 복수의 제품 식별자를 결정할 수 있고 복수의 제품 식별자가 동일한 제품 카테고리 또는 관련 제품 카테고리에 속한다고 결정할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 하나 이상의 제품 식별자에 대한 복수의 제품 카테고리를 결정할 수 있다. 일부 실시예에서, 제품 추천 시스템(330)은 각 결정된 제품 카테고리에 대한 제품 목록을 생성하기 위해, 상술된 것과 같은, 단계들을 수행할 수 있다.

일부 실시예에서, 제품 추천 시스템(330)은 제품이 2개 이상의 생성된 목록에 나타날 때 제품에 더 큰 가중치를 추가할 수 있으며, 그 결과 해당 제품이 더 높은 유사도 점수를 갖는다. 예를 들어, 3개의 목록이 생성되고 제품 A가 2개의 목록에 나타난 반면 제품 B가 3개의 목록에 나타나면, 제품 B에는 제품 A보다 더 높은 유사도 점수가 할당되므로, 제품 추천에 대해 더 정확한 생성 목록이 된다는 이점이 있다.

예를 들어, 각 제품은 상이한 인자(예를 들어, 웹페이지 상의 제품 선택하는 것, 웹페이지 상의 카트에 제품 추가하는 것, 웹페이지 상의 제품 구매하는 것과 같은 사용자 참여 등)에 기초하여 유사도 점수에 대한 초기 수치를 가질 수 있다. 제품 추천 시스템(330)은 가중치에 제품의 초기 유사도 점수를 곱함으로써 가중치를 제품에 할당할 수 있다. 예를 들어, 제품 A는 두 개의 목록에 나타나므로 가중치 "2"가 할당될 수 있고 제품 B는 3개의 목록에 나타나므로 가중치 "3"이 할당될 수 있다.

단계 411에서, 사용자(320A)는 생성된 추천 제품 목록을 정렬하기 위해 웹페이지(예를 들어, 도 1b의 SRP)와 연관된 사용자 인터페이스 요소와 상호작용할 수 있다. 예를 들어, 제품 추천 시스템(330)은 사용자(320A)가 가격, 유사도 점수, 판매량 등으로 생성된 추천 제품 목록을 정렬할 수 있도록 사용자 인터페이스 요소를 수정할 수 있다. 일부 실시예에서, 제품 추천 시스템(300)은 가격, 유사도 점수, 판매량 등으로 생성된 추천 제품 목록을 디스플레이하기 위해 사용자 인터페이스 요소를 자동으로 수정할 수 있다.

본 개시는 그 특정 실시예를 참조하여 도시되고 설명되었지만, 본 개시는 다른 환경에서, 변경없이, 실시될 수 있음을 이해할 것이다. 전술한 설명은 예시의 목적으로 제시되었다. 그것은 개시된 정확한 형태나 실시예에 대해 총망라된 것이 아니며 이것으로 한정되는 것은 아니다. 개시된 실시예의 설명 및 실시를 고려하는 것으로부터 변경 및 조정이 통상의 기술자에게 명백할 것이다. 추가적으로, 비록 개시된 실시예의 형태가 메모리에 저장되는 것으로서 설명되었지만, 통상의 기술자는 이들 형태가 2차 저장 디바이스, 예를 들면, 하드디스크나 CD ROM, 또는 다른 형태의 RAM이나 ROM, USB 매체, DVD, 블루레이, 또는 다른 광 드라이브 매체와 같이, 다른 형태의 컴퓨터 판독 가능한 매체에 저장될 수도 있는 것을 이해할 것이다.

상술한 설명 및 개시된 방법에 기초한 컴퓨터 프로그램은 숙련된 개발자의 기술 내에 있다. 여러 프로그램 혹은 프로그램 모듈은 통상의 기술자에게 알려진 어느 기술을 이용하여 생성되거나, 또는 종래 소프트웨어와 연결하여 설계될 수 있다. 예를 들면, 프로그램 섹션 혹은 프로그램 모듈은 닷넷 프레임워크, 닷넷 컴팩트 프레임워크(및 비주얼 베이식, C 등과 같은, 관련 언어), 자바, C++, 오브젝티브 C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿이 포함된 HTML 내에서 혹은 그것들에 의해서 설계될 수 있다.

게다가, 여기에서는 예시적인 실시예가 설명되었지만, 본 개시에 기초하여 통상의 기술자가 이해할 수 있는 바와 같이, 일부 또는 모든 실시예의 범위는 동등한 요소, 변경, 생략, 조합(예로써, 여러 실시예에 걸치는 형태의 조합), 조정 및/또는 수정을 가질 수 있다. 청구범위 내의 제한 사항은 그 청구범위 내에 적용된 언어에 기초하여 폭넓게 이해되도록 하는 것이며, 응용의 수행 동안 혹은 본 명세서 내에 설명된 예시로 한정되는 것은 아니다. 그 예시는 비배타적으로 해석되도록 하기 위한 것이다. 추가로, 개시된 방법의 스텝은 어떤 다른 방법으로 변경되거나, 스텝을 재배열 및/또는 스텝을 삽입하거나 삭제하는 것을 포함할 수 있다. 그러므로, 설명 및 예시는 오직 예시적으로 고려되는 것이며, 진정한 범위 및 기술 사상은 다음의 청구범위 및 그 동등한 전체 범위에 의해 나타내지는 것으로 의도된다.

Claims (20)

1. AI-기반 제품 추천 생성을 위한 컴퓨터 구현 시스템으로서,
   명령을 저장하는 메모리; 및
   상기 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
   상기 명령은
   이동하는 시간대에 걸친 데이터로부터 속성을 추출함으로써 모델을 생성하여 훈련 데이터로 상기 모델을 훈련하고 - 상기 훈련 데이터는 복수의 고객의 쿼리 이력, 필터 애플리케이션 이력, 또는 제품 사양 이력 중 적어도 하나를 포함함 -;
   사용자 디바이스로부터 쿼리를 수신하고;
   상기 쿼리로부터 적어도 하나의 키워드를 추출하고;
   상기 추출된 적어도 하나의 키워드에 기초하여, 사용자 식별자 및 제품 식별자를 결정하고;
   상기 결정된 사용자 식별자 및 상기 결정된 제품 식별자에 기초하여, 상기 사용자 식별자 및 상기 제품 식별자와 연관된 데이터베이스를 검색하고;
   상기 사용자 식별자 및 상기 제품 식별자에 기초하여,
   상기 사용자 식별자와 연관된 제1 타임 스팬(time span) 및 제2 타임 스팬을 결정하고 - 상기 제2 타임 스팬은 상기 제1 타임 스팬에 선행함 -;
   상기 제1 타임 스팬 및 상기 제2 타임 스팬 동안 상기 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색하고;
   상기 제1 타임 스팬 및 상기 제2 타임 스팬 동안 상기 사용자에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색하고;
   상기 검색된 적어도 하나의 쿼리 또는 상기 검색된 적어도 하나의 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 적어도 하나의 제품 사양을 검색하고;
   상기 검색된 적어도 하나의 쿼리, 상기 검색된 적어도 하나의 필터 애플리케이션 및 상기 검색된 적어도 하나의 제품 사양으로부터 속성을 추출하고;
   상기 추출된 속성에 기초하여 제1 제품 카테고리 및 제2 제품 카테고리를 결정하고;
   상기 제1 타임 스팬에서 상기 사용자 및 상기 제1 제품 카테고리 사이의, 상기 사용자 디바이스를 통한 참여의 제1 빈도를 결정하고;
   상기 제2 타임 스팬에서 상기 사용자 및 상기 제2 제품 카테고리 사이의, 상기 사용자 디바이스를 통한 참여의 제2 빈도를 결정하고;
   상기 제1 빈도가 상기 제2 빈도보다 크고 상기 제1 타임 스팬이 상기 제2 타임 스팬에 선행한다고 결정하고;
   상기 제1 빈도가 상기 제2 빈도보다 크고 상기 제1 타임 스팬이 상기 제2 타임 스팬에 선행한다고 결정한 것에 기초하여, 상기 결정된 제1 제품 카테고리에 기초해, 제품 목록을 생성하고 - 상기 제2 제품 카테고리에 속하는 제품은 상기 생성된 제품 목록으로부터 배제됨 -;
   상기 생성된 제품 목록에 기초하여 추천 제품 목록을 생성하고; 그리고
   상기 생성된 추천 제품 목록을 포함하도록 웹페이지와 연관된 사용자 인터페이스 요소를 수정함으로써,
   상기 생성된 모델을 사용하여, 복수의 추천 제품을 예측하는 것인 컴퓨터 구현 시스템.
2. 청구항 1에 있어서,
   상기 제1 타임 스팬 및 상기 제2 타임 스팬을 결정하는 것은 상기 사용자가 미리 결정된 개수의 행동(action)을 수행하는 시간들을 산출하는 것을 포함하는 컴퓨터 구현 시스템.
3. 청구항 2에 있어서,
   상기 행동은 상기 웹페이지 상의 제품을 선택하는 것, 상기 웹페이지 상의 카트에 제품을 추가하는 것, 또는 상기 웹페이지 상의 제품을 구매하는 것 중 적어도 하나를 포함하는 컴퓨터 구현 시스템.
4. 청구항 1에 있어서,
   상기 검색된 적어도 하나의 쿼리는 제품 식별자와 연관된 적어도 하나의 키워드를 포함하는 컴퓨터 구현 시스템.
5. 청구항 1에 있어서,
   상기 검색된 적어도 하나의 필터 애플리케이션은 제품 치수, 제품 브랜드 또는 제품 가격 중 적어도 하나를 포함하는 컴퓨터 구현 시스템.
6. 청구항 1에 있어서,
   상기 검색된 적어도 하나의 제품 사양은 제품 치수, 제품 브랜드, 제품 색상 또는 제품 저장 용량 중 적어도 하나를 포함하는 컴퓨터 구현 시스템.
7. 삭제
8. 청구항 1에 있어서,
   상기 추천 제품 목록을 생성하는 것은 상기 생성된 제품 목록 상의 각 제품에 대한 유사도 점수(similarity score)를 산출하는 것을 포함하는 컴퓨터 구현 시스템.
9. 청구항 8에 있어서,
   상기 유사도 점수를 산출하는 것은 적어도 하나의 인자에 적어도 하나의 가중치를 할당하는 것을 포함하는 컴퓨터 구현 시스템.
10. 청구항 9에 있어서,
    상기 적어도 하나의 인자는 상기 웹페이지 상의 제품을 선택하는 것, 상기 웹페이지 상의 카트에 제품을 추가하는 것, 또는 상기 웹페이지 상의 제품을 구매하는 것 중 적어도 하나의 사용자 데이터 이력을 포함하는 컴퓨터 구현 시스템.
11. AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법 - 상기 컴퓨터는 동작을 실행하도록 구성된 적어도 하나의 프로세서를 포함함 - 으로서,
    상기 동작은
    이동하는 시간대에 걸친 데이터로부터 속성을 추출함으로써 모델을 생성하여 훈련 데이터로 상기 모델을 훈련하고 - 상기 훈련 데이터는 복수의 고객의 쿼리 이력, 필터 애플리케이션 이력, 또는 제품 사양 이력 중 적어도 하나를 포함함 -;
    사용자 디바이스로부터 쿼리를 수신하고;
    상기 쿼리로부터 적어도 하나의 키워드를 추출하고;
    상기 추출된 적어도 하나의 키워드에 기초하여, 사용자 식별자 및 제품 식별자를 결정하고;
    상기 결정된 사용자 식별자 및 상기 결정된 제품 식별자에 기초하여, 상기 사용자 식별자 및 상기 제품 식별자와 연관된 데이터베이스를 검색하고;
    상기 사용자 식별자 및 상기 제품 식별자에 기초하여,
    상기 사용자 식별자와 연관된 제1 타임 스팬 및 제2 타임 스팬을 결정하고 - 상기 제2 타임 스팬은 상기 제1 타임 스팬에 선행함 -;
    상기 제1 타임 스팬 및 상기 제2 타임 스팬 동안 상기 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색하고;
    상기 제1 타임 스팬 및 상기 제2 타임 스팬 동안 상기 사용자에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색하고;
    상기 검색된 적어도 하나의 쿼리 또는 상기 검색된 적어도 하나의 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 적어도 하나의 제품 사양을 검색하고;
    상기 검색된 적어도 하나의 쿼리, 상기 검색된 적어도 하나의 필터 애플리케이션 및 상기 검색된 적어도 하나의 제품 사양으로부터 속성을 추출하고;
    상기 추출된 속성에 기초하여 제1 제품 카테고리 및 제2 제품 카테고리를 결정하고;
    상기 제1 타임 스팬에서 상기 사용자 및 상기 제1 제품 카테고리 사이의, 상기 사용자 디바이스를 통한 참여의 제1 빈도를 결정하고;
    상기 제2 타임 스팬에서 상기 사용자 및 상기 제2 제품 카테고리 사이의, 상기 사용자 디바이스를 통한 참여의 제2 빈도를 결정하고;
    상기 제1 빈도가 상기 제2 빈도보다 크고 상기 제1 타임 스팬이 상기 제2 타임 스팬에 선행한다고 결정하고;
    상기 제1 빈도가 상기 제2 빈도보다 크고 상기 제1 타임 스팬이 상기 제2 타임 스팬에 선행한다고 결정한 것에 기초하여, 상기 결정된 제1 제품 카테고리에 기초해, 제품 목록을 생성하고 - 상기 제2 제품 카테고리에 속하는 제품은 상기 생성된 제품 목록으로부터 배제됨 -;
    상기 생성된 제품 목록에 기초하여 추천 제품 목록을 생성하고; 그리고
    상기 생성된 추천 제품 목록을 포함하도록 웹페이지와 연관된 사용자 인터페이스 요소를 수정함으로써,
    상기 생성된 모델을 사용하여, 복수의 추천 제품을 예측하는 것을 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
12. 청구항 11에 있어서,
    상기 제1 타임 스팬 및 상기 제2 타임 스팬을 결정하는 것은 상기 사용자가 미리 결정된 개수의 행동을 수행하는 시간들을 산출하는 것을 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
13. 청구항 12에 있어서,
    상기 행동은 상기 웹페이지 상의 제품을 선택하는 것, 상기 웹페이지 상의 카트에 제품을 추가하는 것, 또는 상기 웹페이지 상의 제품을 구매하는 것 중 적어도 하나를 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
14. 청구항 11에 있어서,
    상기 검색된 적어도 하나의 쿼리는 제품 식별자와 연관된 적어도 하나의 키워드를 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
15. 청구항 11에 있어서,
    상기 검색된 적어도 하나의 필터 애플리케이션은 제품 치수, 제품 브랜드 또는 제품 가격 중 적어도 하나를 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
16. 청구항 11에 있어서,
    상기 검색된 적어도 하나의 제품 사양은 제품 치수, 제품 브랜드, 제품 색상 또는 제품 저장 용량 중 적어도 하나를 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
17. 청구항 11에 있어서,
    상기 추천 제품 목록을 생성하는 것은 상기 생성된 제품 목록 상의 각 제품에 대한 유사도 점수를 산출하는 것을 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
18. 청구항 17에 있어서,
    상기 유사도 점수를 산출하는 것은 적어도 하나의 인자에 적어도 하나의 가중치를 할당하는 것을 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
19. 청구항 18에 있어서,
    상기 적어도 하나의 인자는 상기 웹페이지 상의 제품을 선택하는 것, 상기 웹페이지 상의 카트에 제품을 추가하는 것, 또는 상기 웹페이지 상의 제품을 구매하는 것 중 적어도 하나의 사용자 데이터 이력을 포함하는 AI-기반 제품 추천 생성을 위한 컴퓨터 구현 방법.
20. AI-기반 제품 추천 생성을 위한 컴퓨터 구현 시스템으로서,
    명령을 저장하는 메모리; 및
    상기 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 명령은
    이동하는 시간대에 걸친 데이터로부터 속성을 추출함으로써 모델을 생성하여 훈련 데이터로 상기 모델을 훈련하고 - 상기 훈련 데이터는 복수의 고객의 쿼리 이력, 필터 애플리케이션 이력, 또는 제품 사양 이력 중 적어도 하나를 포함함 -;
    사용자 디바이스로부터 쿼리를 수신하고;
    상기 쿼리로부터 적어도 하나의 키워드를 추출하고;
    상기 추출된 적어도 하나의 키워드에 기초하여, 사용자 식별자 및 제품 식별자를 결정하고;
    상기 결정된 사용자 식별자 및 상기 결정된 제품 식별자에 기초하여, 상기 사용자 식별자 및 상기 제품 식별자와 연관된 데이터베이스를 검색하고;
    상기 사용자 식별자 및 상기 제품 식별자에 기초하여,
    상기 사용자 식별자와 연관된 제1 타임 스팬 및 제2 타임 스팬을 결정하고 - 상기 제2 타임 스팬은 상기 제1 타임 스팬에 선행함 -;
    상기 제1 타임 스팬 및 상기 제2 타임 스팬 동안 상기 사용자 식별자와 연관된 사용자에 의해 제출된 적어도 하나의 쿼리를 검색하고;
    상기 제1 타임 스팬 및 상기 제2 타임 스팬 동안 상기 사용자에 의해 제출된 적어도 하나의 필터 애플리케이션을 검색하고;
    상기 검색된 적어도 하나의 쿼리 또는 상기 검색된 적어도 하나의 필터 애플리케이션과 연관된 적어도 하나의 제품과 연관된 적어도 하나의 제품 사양을 검색하고;
    상기 검색된 적어도 하나의 쿼리, 상기 검색된 적어도 하나의 필터 애플리케이션 및 상기 검색된 적어도 하나의 제품 사양으로부터 속성을 추출하고;
    상기 추출된 속성에 기초하여 제1 제품 카테고리 및 제2 제품 카테고리를 결정하고;
    상기 제1 타임 스팬에서 상기 사용자 및 상기 제1 제품 카테고리 사이의, 상기 사용자 디바이스를 통한 참여의 제1 빈도를 결정하고;
    상기 제2 타임 스팬에서 상기 사용자 및 상기 제2 제품 카테고리 사이의, 상기 사용자 디바이스를 통한 참여의 제2 빈도를 결정하고;
    상기 제1 빈도가 상기 제2 빈도보다 크고 상기 제1 타임 스팬이 상기 제2 타임 스팬에 선행한다고 결정하고;
    상기 제1 빈도가 상기 제2 빈도보다 크고 상기 제1 타임 스팬이 상기 제2 타임 스팬에 선행한다고 결정한 것에 기초하여, 상기 결정된 제1 제품 카테고리에 기초해, 제품 목록을 생성하고 - 상기 제2 제품 카테고리에 속하는 제품은 상기 생성된 제품 목록으로부터 배제됨 -;
    상기 생성된 제품 목록에 기초하여 추천 제품 목록을 생성하고;
    상기 생성된 추천 제품 목록 상의 각 제품에 대한 유사도 점수를 산출하고;
    상기 생성된 추천 제품 목록에서 임계값 미만의 유사도 점수를 갖는 제품들을 제거하고; 그리고
    상기 생성된 추천 제품 목록을 포함하도록 웹페이지와 연관된 사용자 인터페이스 요소를 수정함으로써,
    상기 생성된 모델을 사용하여, 복수의 추천 제품을 예측하는 것인 컴퓨터 구현 시스템.

Images