KR102622147B1 - 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버 - Google Patents

딥러닝을 이용한 마케팅 전략 추천 방법 및 서버 Download PDF

Info

Publication number
KR102622147B1
KR102622147B1 KR1020230069436A KR20230069436A KR102622147B1 KR 102622147 B1 KR102622147 B1 KR 102622147B1 KR 1020230069436 A KR1020230069436 A KR 1020230069436A KR 20230069436 A KR20230069436 A KR 20230069436A KR 102622147 B1 KR102622147 B1 KR 102622147B1
Authority
KR
South Korea
Prior art keywords
data
analysis data
marketing strategy
competitor
keyword
Prior art date
Application number
KR1020230069436A
Other languages
English (en)
Inventor
옥유정
Original Assignee
주식회사 하우그로우
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 하우그로우 filed Critical 주식회사 하우그로우
Priority to KR1020230069436A priority Critical patent/KR102622147B1/ko
Application granted granted Critical
Publication of KR102622147B1 publication Critical patent/KR102622147B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0243—Comparative campaigns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0245—Surveys

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 딥러닝을 이용한 마케팅 전략 추천 방법 및 이를 실행하는 마케팅 전략 추천 서버를 개시한다. 상기 마케팅 전략 추천 방법은, 고객 설문 데이터에 기초하여 고객 설문 분석 데이터를 생성하는 단계, 키워드 데이터에 기초하여 키워드 분석 데이터를 생성하는 단계, 경쟁사 데이터에 기초하여 경쟁사 분석 데이터를 생성하는 단계, 및 상기 고객 설문 분석 데이터, 상기 키워드 분석 데이터 및 상기 경쟁사 분석 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말로 마케팅 전략을 추천하는 단계를 포함한다.

Description

딥러닝을 이용한 마케팅 전략 추천 방법 및 서버{Marketing strategy recommendation method and server using deep learning}
본 발명은 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
마케팅 전략은 제품이나 서비스를 소비자에게 판매하기 위한 비즈니스의 핵심적인 요소이다. 이러한 전략은 기업의 목표와 대상 고객층, 시장 상황 등을 고려하여 개발되며, 그 결과로 기업이 소비자에게 제공하는 제품이나 서비스의 인지도를 높이고 판매를 촉진한다.
일반적으로 마케팅 전략을 추천하는 방법은 시장조사, 목표설정, 대상고객층 선정, 경쟁분석, 마케팅 전략 수립, 마케팅 전략 실행 및 모니터링과 같은 단계를 거치게 된다.
구체적으로, 시장조사를 통해 기업이 제공하려는 제품이나 서비스가 어떤 시장에서 수요가 있는지, 경쟁 업체들은 누구인지 등을 조사하고, 목표설정을 통해 기업이 달성하고자 하는 목표와 목표를 달성하기 위한 기간을 정한다. 이어서, 기업이 제공하는 제품이나 서비스를 가장 필요로 하는 대상고객층을 선정하고, 경쟁 업체들의 제품이나 서비스와 비교하여 차별화된 제품이나 서비스를 제공하기 위해 경쟁 업체들의 강점과 약점을 파악한다. 이후, 제품, 가격, 프로모션, 판매 채널 등의 요소들을 고려하여 최적의 마케팅 전략을 수립하고, 수립한 전략을 실행하고 결과를 모니터링하며, 필요한 경우 전략을 수정한다.
이러한 방법을 통해 기업은 경쟁 업체들과 차별화된 제품이나 서비스를 제공한다. 그러나, 사람이 직접 이러한 단계를 통해 마케팅 전략을 수립하는 과정에서 모든 데이터를 충분히 파악하지 못해 부적절한 마케팅을 실행하게 되는 문제점이 있다.
한국등록특허공보 제10-2134619호
본 발명의 목적은, 고객 설문 데이터, 키워드 데이터 및 경쟁사 데이터 중 적어도 하나를 이용하여 사용자 마케팅 전략을 추천할 수 있는 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버를 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 일 실시예에 따른 마케팅 전략 추천 방법은, 고객 설문 데이터에 기초하여 고객 설문 분석 데이터를 생성하는 단계, 키워드 데이터에 기초하여 키워드 분석 데이터를 생성하는 단계, 경쟁사 데이터에 기초하여 경쟁사 분석 데이터를 생성하는 단계, 및 상기 고객 설문 분석 데이터, 상기 키워드 분석 데이터 및 상기 경쟁사 분석 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말로 마케팅 전략을 추천하는 단계를 포함한다.
또한, 상기 고객 설문 분석 데이터를 생성하는 단계는, 상기 고객 설문 데이터 내 문항별 통계량 분석 및 문항 교차 분석 중 적어도 하나를 수행하여 상기 고객 설문 분석 데이터를 생성할 수 있다.
또한, 상기 마케팅 전략을 추천하는 단계는, 상기 고객 설문 분석 데이터에 기초하여 고객 타겟층 및 1차 선호도 점수를 도출하는 단계, 및 상기 고객 타겟층 및 상기 1차 선호도 점수에 기초하여 상기 마케팅 전략을 추천하는 단계를 포함할 수 있다.
또한, 상기 마케팅 전략을 추천하는 단계는, 상기 고객 설문 분석 데이터에 기초하여 1차 선호도 점수를 도출하는 단계, 상기 키워드 분석 데이터 내 사용자와 관련된 키워드에 대한 키워드 빈도수에 기초하여 2차 선호도 점수를 도출하는 단계, 및 상기 1차 선호도 점수 및 상기 2차 선호도 점수에 기초하여 사용자 경쟁력 점수를 도출하는 단계를 포함할 수 있다.
또한, 상기 2차 선호도 점수는, 상기 키워드 빈도수가 미리 설정된 기준치 이하까지 높아질수록 높아지고, 상기 키워드 빈도수가 미리 설정된 기준치를 초과할수록 낮아질 수 있다.
또한, 상기 마케팅 전략을 추천하는 단계는, 상기 경쟁사 분석 데이터에 기초하여 각 경쟁사의 경쟁력 점수를 포함하는 경쟁사 경쟁력 점수를 도출하는 단계, 상기 경쟁사 경쟁력 점수 및 상기 사용자 경쟁력 점수에 기초하여 사용자 순위를 도출하는 단계, 및 상기 사용자 순위에 기초하여 상기 마케팅 전략을 추천하는 단계를 더 포함할 수 있다.
한편, 본 발명의 다른 실시예에 따른 마케팅 전략 추천 서버는, 고객 설문 데이터에 기초하여 고객 설문 분석 데이터를 생성하는 고객 설문 데이터 처리부, 키워드 데이터에 기초하여 키워드 분석 데이터를 생성하는 키워드 데이터 처리부, 경쟁사 데이터에 기초하여 경쟁사 분석 데이터를 생성하는 경쟁사 데이터 처리부, 및 상기 고객 설문 분석 데이터, 상기 키워드 분석 데이터 및 상기 경쟁사 분석 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말로 마케팅 전략을 추천하는 추천부를 포함할 수 있다.
또한, 시장 데이터에 기초하여 시장 분석 데이터를 생성하는 시장 데이터 처리부를 더 포함하고, 상기 추천부는, 상기 시장 분석 데이터에 더 기초하여 상기 마케팅 전략을 추천할 수 있다.
또한, 상기 추천부는, 상기 고객 설문 분석 데이터에 기초하여 고객 타겟층 및 1차 선호도 점수를 도출하고, 상기 고객 타겟층 및 상기 1차 선호도 점수에 기초하여 상기 마케팅 전략을 추천할 수 있다.
또한, 상기 추천부는, 상기 고객 설문 분석 데이터에 기초하여 1차 선호도 점수를 도출하고, 상기 키워드 분석 데이터 내 사용자와 관련된 키워드에 대한 키워드 빈도수에 기초하여 2차 선호도 점수를 도출하고, 상기 1차 선호도 점수 및 상기 2차 선호도 점수에 기초하여 사용자 경쟁력 점수를 도출하고, 상기 경쟁사 분석 데이터에 기초하여 각 경쟁사의 경쟁력 점수를 포함하는 경쟁사 경쟁력 점수를 도출하고, 상기 경쟁사 경쟁력 점수 및 상기 사용자 경쟁력 점수에 기초하여 사용자 순위를 도출하고, 상기 사용자 순위에 기초하여 상기 마케팅 전략을 추천할 수 있다.
본 발명의 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버는, 고객 설문 데이터, 키워드 데이터 및 경쟁사 데이터 중 적어도 하나에 기초하여 딥러닝 모듈을 통해 사용자 맞춤형 마케팅 전략을 추천함으로써, 사용자는 경쟁 업체들과 차별화된 제품이나 서비스를 제공하여 소비자들의 인식을 높이고, 마케팅을 효과적으로 추진할 수 있다.
상술한 내용과 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 실시예에 따른 마케팅 전략 추천 시스템을 간략히 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 마케팅 전략 추천 서버를 설명하기 위한 블록도이다.
도 3은 본 발명의 몇몇 실시예에 따른 마케팅 전략 추천 서버의 마케팅 전략 추천 방법을 설명하기 위한 순서도이다.
도 4는 본 발명의 몇몇 실시예에 따른 마케팅 전략 추천 서버의 데이터 흐름을 나타내는 블록도이다.
도 5는 본 발명의 몇몇 실시예에 따라 설문 데이터에 기초하여 문항별 통계량 분석을 수행하는 방법을 설명하기 위한 예시이다.
도 6은 본 발명의 몇몇 실시예에 따라 설문 데이터에 기초하여 문항 교차 분석을 수행하는 방법을 설명하기 위한 예시이다.
도 7은 본 발명의 일 실시예에 따라 마케팅 전략을 추천하는 방법을 설명하기 위한 예시이다.
도 8는 본 발명의 일 실시예에 따른 마케팅 전략 추천 방법에서 이용되는 딥러닝 모듈을 개략적으로 설명하기 위한 블록도이다.
도 9은 도 8의 딥러닝 모듈의 구성을 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따라 도 3의 S140을 구체적인 동작을 설명하기 위한 순서도이다.
도 11은 본 발명의 일 실시예에 따라 고객 타겟층 및 1차 선호도 점수를 이용하여 마케팅 전략을 추천하는 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 다른 실시예에 따라 도 3의 S140을 구체적인 동작을 설명하기 위한 순서도이다.
도 13은 본 발명의 다른 실시예에 따라 키워드 빈도수에 따른 2차 선호도 점수에 대한 그래프의 예시이다.
도 14는 본 발명의 일 실시예에 따라 경쟁사 경쟁력 점수 및 자사 경쟁력 점수를 이용하여 마케팅 전략을 추천하는 방법을 설명하기 위한 도면이다.
도 15는 본 발명의 몇몇 실시예에 따른 마케팅 전략 추천 방법을 수행하는 마케팅 전략 추천 서버의 하드웨어 구성을 설명하기 위한 도면이다.
본 명세서 및 특허청구범위에서 사용된 용어나 단어는 일반적이거나 사전적인 의미로 한정하여 해석되어서는 아니된다. 발명자가 그 자신의 발명을 최선의 방법으로 설명하기 위해 용어나 단어의 개념을 정의할 수 있다는 원칙에 따라, 본 발명의 기술적 사상과 부합하는 의미와 개념으로 해석되어야 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명이 실현되는 하나의 실시예에 불과하고, 본 발명의 기술적 사상을 전부 대변하는 것이 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 및 응용 가능한 예들이 있을 수 있음을 이해하여야 한다.
본 명세서 및 특허청구범위에서 사용된 제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. '및/또는' 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서 및 특허청구범위에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 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, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호 간 모순되지 않는 범위 내에서 공유될 수 있다.
이하에서는, 딥러닝을 이용한 마케팅 전략 추천 시스템, 서버 및 이를 수행하는 방법에 대하여 구체적으로 살펴본다.
도 1은 본 발명의 실시예에 따른 마케팅 전략 추천 시스템을 간략히 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 마케팅 전략 추천 시스템은, 마케팅 전략 추천 서버(100), 사용자 단말(200), 고객 단말(300)을 포함한다.
사용자 단말(200)은 사용자 데이터를 마케팅 전략 추천 서버(100)로 전송하고, 마케팅 전략 추천 서버(100)로부터 마케팅 전략에 대한 데이터를 수신할 수 있다. 여기서, 사용자 데이터는 사용자 기업의 매출/매출증가율, 강점/약점, 투입할 수 있는 자원, 브랜드 이미지, 주요 제품/서비스, 시장 점유율, 기업 내부 상황 등 사용자 기업과 관련된 모든 데이터를 포함할 수 있다.
고객 단말(300)은 마케팅 전략 추천 서버(100)로부터 요청받은 설문조사에 따른 답변 데이터를 포함하는 고객 설문 데이터를 마케팅 전략 추천 서버(100)에 전송할 수 있다.
마케팅 전략 추천 서버(100)는 사용자 데이터, 고객 설문 데이터, 키워드 데이터 및 경쟁사 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말(200)로 마케팅 전략을 추천할 수 있다. 여기서, 사용자 데이터, 고객 설문 데이터, 키워드 데이터 및 경쟁사 데이터는 마케팅 전략 추천 서버(100)에 미리 저장되어 있을 수도 있고, 사용자 단말(200), 고객 단말(300) 또는 외부 서버로부터 수신된 데이터일 수 있다.
구체적으로, 마케팅 전략 추천 서버(100)는 고객 설문 데이터에 기초하여 고객 설문 분석 데이터를 생성하고, 키워드 데이터에 기초하여 키워드 분석 데이터를 생성하고, 경쟁사 데이터에 기초하여 경쟁사 분석 데이터를 생성하고, 생성된 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말(200)로 마케팅 전략을 추천할 수 있다.
이때, 마케팅 전략 추천 서버(100)와 사용자 단말(200)은 서버-클라이언트 시스템으로 구현될 수 있다. 구체적으로, 사용자 단말(200)은 마케팅 전략 추천 서버(100)로부터 제공받은 마케팅 전략에 대한 데이터를 사용자 단말(200)에 설치된 단말 어플리케이션을 통해 사용자에게 제공할 수 있다.
여기에서, 단말 어플리케이션은 마케팅 전략에 대한 데이터를 제공하기 위한 전용 어플리케이션이거나, 웹 페이지를 통해 제공하기 위한 웹 브라우징 어플리케이션일 수 있다. 여기에서, 마케팅 전략에 대한 데이터를 제공하기 위한 전용 어플리케이션은 사용자 단말(200)에 내장된 어플리케이션이거나, 어플리케이션 배포 서버로부터 다운로드 되어 사용자 단말(200)에 설치된 어플리케이션일 수 있다.
사용자 단말(200) 및 고객 단말(300)은 유무선 통신 환경에서 단말 어플리케이션을 동작시킬 수 있는 통신 단말기를 의미한다. 도 1에서 사용자 단말(200) 및 고객 단말(300)은 휴대용 단말기의 일종인 스마트폰(smart phone)으로 도시되었지만, 본 발명이 이에 제한되지 아니하며, 상술한 바와 같이 단말 어플리케이션을 탑재할 수 있는 장치에 제한없이 적용될 수 있다. 예를 들어, 사용자 단말(200) 및 고객 단말(300)은 퍼스널 컴퓨터(PC), 노트북, 태블릿, 휴대폰, 스마트폰, 웨어러블 디바이스(예를 들어, 워치형 단말기) 등의 다양한 형태의 전자 장치를 포함할 수 있다.
또한, 도면 상에는 하나의 사용자 단말(200) 및 고객 단말(300)만을 도시하였으나, 본 발명이 이에 한정되는 것은 아니며, 마케팅 전략 추천 서버(100)는 복수의 사용자 단말(200) 및 고객 단말(300)와 연동하여 동작할 수 있다.
부가적으로, 사용자 단말(200) 및 고객 단말(300)은 사용자의 입력을 수신하는 입력부, 비주얼 정보를 디스플레이 하는 디스플레이부, 외부와 신호를 송수신하는 통신부 및 데이터를 프로세싱하고 사용자 단말(200) 및 고객 단말(300) 내부의 각 유닛들을 제어하며 유닛들 간의 데이터 송/수신을 제어하는 제어부를 포함할 수 있다. 이하, 사용자의 명령에 따라 제어부가 사용자 단말(200) 및 고객 단말(300) 내부에서 수행하는 명령은 사용자 단말(200) 및 고객 단말(300)가 수행하는 것으로 통칭한다.
한편, 통신망(400)은 마케팅 전략 추천 서버(100), 사용자 단말(200) 및 고객 단말(300)를 연결하는 역할을 수행한다. 즉, 통신망(400)은 사용자 단말(200)들이 마케팅 전략 추천 서버(100)에 접속한 후 데이터를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망(400)은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
이하에서는, 본 발명의 몇몇 실시예에 따른 마케팅 전략 추천 서버에 대해 자세히 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 마케팅 전략 추천 서버를 설명하기 위한 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 마케팅 전략 추천 서버(100)는 통신부(110), 고객 설문 데이터 처리부(120), 경쟁사 데이터 처리부(130) 및 추천부(150)를 포함한다. 실시예에 따라, 시장 데이터 처리부(140)를 더 포함할 수 있다.
통신부(110)는 사용자 단말(200) 및 고객 단말(300)과 통신할 수 있다. 통신부(110)는 사용자 단말(200)로부터 사용자 데이터를 수신하고, 수신된 사용자 데이터를 마케팅 전략 추천 서버(100) 내의 다른 구성요소에 전달할 수 있다. 여기서, 사용자 데이터는 사용자 기업의 매출/매출증가율, 강점/약점, 투입할 수 있는 자원, 브랜드 이미지, 주요 제품/서비스, 시장 점유율, 기업 내부 상황 등 사용자 기업과 관련된 모든 데이터를 포함할 수 있다.
또는, 통신부(110)는 고객 단말(200)에게 설문조사를 요청하고, 고객 단말(200)로부터 해당 설문조사에 대한 답변 데이터를 포함하는 고객 설문 데이터를 수신하여, 수신된 고객 설문 데이터를 마케팅 전략 추천 서버(100) 내의 다른 구성요소에 전달할 수 있다.
이 외에도 통신부(110)는 외부 서버를 통해 키워드 데이터 또는 경쟁사 데이터를 수신할 수 있다. 이에 한정하는 것이 아니며, 고객 설문 데이터, 키워드 데이터 또는 경쟁사 데이터는 마케팅 전략 추천 서버(100)에 미리 저장되어 있을 수 있다.
통신부(110)는 다양한 통신 모듈이 이용될 수 있으며, 통신망(400)을 통해 외부 단말, 사용자 단말(200) 및 고객 단말(300) 사이의 데이터 교환을 수행할 수 있다.
고객 설문 데이터 처리부(120)는 고객 설문 데이터에 기초하여 고객 설문 분석 데이터를 생성할 수 있다. 구체적으로, 고객 설문 데이터 처리부(120)는 고객 설문 데이터에 기초하여 사용자 기업의 주요 고객의 성별, 연령, 선호도 등을 포함하는 고객 설문 분석 데이터를 생성할 수 있다.
여기서, 고객 설문 데이터는 사용자 기업의 제품에 대한 제품 만족도, 제품 품질, 제품 가격, 제품 사용 환경, 제품 구매 경로 등을 측정하기 위한 다양한 질문 문항과 해당 질문 문항에 대한 고객들의 답변 응답을 포함할 수 있다. 예를 들어, 설문 데이터에 포함된 질문 문항은 제품을 구입한 이유는 무엇인지, 제품의 품질은 어떤지, 제품을 사용하는 데 어려움이 있는지, 제품을 사용하면서 어떤 이점이 있는지, 제품을 사용해 보고 만족도가 어떤지, 제품의 가격에 대해 어떻게 생각하는지, 제품을 다시 구매할 의향이 있는지, 제품에 대한 추가적인 의견이나 제안 사항이 있는지 등일 수 있다. 즉, 이러한 설문 데이터는 제품을 평가하고 개선할 수 있는 유용한 정보를 포함할 수 있다.
일 실시예에서, 고객 설문 데이터 처리부(120)는 고객 설문 데이터 내 문항별 통계량 분석 및 문항 교차 분석 중 적어도 하나를 수행하여 설문 분석 데이터를 생성할 수 있다. 이와 관련하여 도 5 및 도 6을 이용하여 구체적으로 설명하도록 한다.
키워드 데이터 처리부(130)는 키워드 데이터에 기초하여 키워드 분석 데이터를 생성할 수 있다. 구체적으로, 경쟁사 데이터 처리부(130)는 키워드 데이터에 기초하여 사용자 기업과 관련된 키워드의 빈도수를 포함하는 키워드 분석 데이터를 생성할 수 있다.
다시 말해, 경쟁사 데이터 처리부(130)는 키워드 데이터 및 사용자 데이터를 이용하여 키워드 데이터 내 사용자 기업과 관련된 키워드의 빈도수를 도출하고, 도출된 키워드 빈도수를 포함하는 키워드 분석 데이터를 생성할 수 있다.
여기서, 키워드 데이터는 분기별/반기별/연간/계절 및 시기에 따른 검색량 데이터를 포함할 수 있다. 예를 들어, 겨울철 시즌 이슈는 대학 입시, 겨울 휴가, 방학, 자격증, 새해 중 적어도 하나일 수 있다. 이에 따라, 경쟁사 데이터 처리부(130)는 키워드 데이터 중 사용자 기업과 관련된 키워드의 검색량 증가 및 감소 추이를 분석하여, 사용자 기업과 관련된 키워드의 빈도수를 포함하는 키워드 분석 데이터를 생성할 수 있다. 이러한 키워드 분석 데이터를 통해 사용자 기업에 대한 고객 수요를 파악할 수 있다.
일 실시예에서, 키워드 데이터 처리부(130)는 고객 설문 데이터 내 키워드를 분석하여 키워드 분석 데이터를 생성할 수 있다. 구체적으로, 키워드 데이터 처리부(130)는 고객 설문 데이터 내 고객의 답변 데이터로부터 키워드를 도출하고, 도출된 키워드에 대한 빈도수를 분석하여 키워드 분석 데이터를 생성할 수 있다.
경쟁사 데이터 처리부(140)는 경쟁사 데이터에 기초하여 경쟁사 분석 데이터를 생성할 수 있다. 구체적으로, 경쟁사 데이터 처리부(140)는 경쟁사 데이터에 기초하여, 사용자 기업과 관련된 경쟁사의 기술분야, 매출, 점유율 등을 포함하는 경쟁사 분석 데이터를 생성할 수 있다.
다시 말해, 경쟁사 데이터 처리부(140)는 경쟁사 데이터 및 사용자 데이터를 이용하여, 경쟁사 데이터 내 사용자 기업과 관련된 산업군의 주요 채널 내의 경쟁사의 데이터를 가공 및 분석하고, 사용자 기업과 관련된 경쟁사의 기술분야, 매출, 점유율 등을 포함하는 경쟁사 분석 데이터를 생성할 수 있다.
여기서, 경쟁사 데이터는 사용자 기업과 관련된 산업군 내의 경쟁사와 관련된 모든 데이터를 포함할 수 있다. 예를 들어, 경쟁사 데이터는 경쟁사의 제품 가격 정보, 제품 성능 정보, 고객 리뷰 및 만족도 조사, 마케팅 전략, 판매 채널, 인력 구조, 재무 정보와 같은 다양한 정보를 포함할 수 있다.
이에 따라, 경쟁사 분석 데이터는 주요 경쟁자 리스트, 주요 경쟁사의 강점, 주요 경쟁자의 약점, 경쟁사 광고 데이터, 경쟁사 SNS 데이터, 경쟁사 가격 데이터, 경쟁사 프로모션 데이터 중 적어도 하나를 포함할 수 있다.
시장 데이터 처리부(150)는 시장 데이터에 기초하여 시장 분석 데이터를 생성할 수 있다. 구체적으로, 시장 데이터 처리부(150)는 시장 데이터에 기초하여 사용자 기업과 관련된 타겟 시장의 규모, 진입 가능성 등을 포함하는 시장 분석 데이터를 생성할 수 있다.
다시 말해, 시장 데이터 처리부(150)는 시장 데이터 및 사용자 데이터를 이용하여, 시장 데이터 내 사용자 기업과 관련된 산업군의 주요 채널 및 버티컬 채널 현황에 대한 데이터를 가공 및 분석하여, 타겟 시장의 규모, 진입 가능성 등을 포함하는 시장 분석 데이터를 생성할 수 있다.
여기서, 시장 데이터는 시장의 전체 매출액 데이터, 시장 전체 매출액, 시장 상위 3위 예상 매출액, 전체 카테고리 분포 데이터, 가격 분포 데이터, 등록일 분포 데이터, 셀러 등급 분포 데이터 등 시장과 관련된 모든 데이터를 포함할 수 있다.
예를 들어, 시장 데이터 처리부(150)는 시장 전체 예상 매출액 데이터를 이용하여 타겟 시장의 규모를 예측할 수 있고, 시장 내 상위 3위 매출액 데이터를 이용하여 진입 가능성을 판단할 수 있고, 등록자 수와 그 중 최신 등록자의 비율 데이터를 이용하여 타겟 시장의 성숙도를 구분함으로써, 시장 분석 데이터를 생성할 수 있다.
추천부(160)는 생성된 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말(200)로 마케팅 전략을 추천할 수 있다. 실시예에 따라, 추천부(160)는 시장 분석 데이터에 더 기초하여 사용자 단말(200)로 마케팅 전략을 추천할 수 있다.
여기서, 마케팅 전략은 마케팅 루트(SNS, 포털, TV, 홈쇼핑 등), 제품/서비스의 패키징, 전략적 요소(비용, 노출 시간대, 고객 타겟층, 적합한 진입 시기 등) 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 추천부(160)는 고객 설문 분석 데이터에 기초하여 고객 타겟층 및 1차 선호도 점수를 도출하고, 도출된 고객 타겟층 및 1차 선호도 점수에 기초하여 마케팅 전략을 추천할 수 있다. 이와 관련하여, 도 10 및 도 11을 이용하여 구체적으로 설명하도록 한다.
일 실시예에서, 추천부(160)는 고객 설문 분석 데이터에 기초하여 1차 선호도 점수를 도출하고, 키워드 분석 데이터 내 사용자와 관련된 키워드에 대한 키워드 빈도수에 기초하여 2차 선호도 점수를 도출하고, 1차 선호도 점수 및 2차 선호도 점수에 기초하여 사용자 경쟁력 점수를 도출할 수 있다. 이때, 추천부(160)는 1차 선호도 점수 및 2차 선호도 점수에 각각 서로 다른 가중치를 부여하여 사용자 경쟁력 점수를 도출할 수 있다.
또한, 추천부(160)는 경쟁사 분석 데이터에 기초하여 각 경쟁사의 경쟁력 점수를 포함하는 경쟁사 경쟁력 점수를 도출하고, 경쟁사 경쟁력 점수 및 사용자 경쟁력 점수에 기초하여 사용자 순위를 도출하고, 사용자 순위에 기초하여 마케팅 전략을 추천할 수 있다. 이와 관련하여, 도 12 내지 도 14를 이용하여 구체적으로 설명하도록 한다.
도 3은 본 발명의 몇몇 실시예에 따른 마케팅 전략 추천 서버의 마케팅 전략 추천 방법을 설명하기 위한 순서도이다. 도 4는 본 발명의 몇몇 실시예에 따른 마케팅 전략 추천 서버의 데이터 흐름을 나타내는 블록도이다. 도 5는 본 발명의 몇몇 실시예에 따라 설문 데이터에 기초하여 문항별 통계량 분석을 수행하는 방법을 설명하기 위한 예시이다. 도 6은 본 발명의 몇몇 실시예에 따라 설문 데이터에 기초하여 문항 교차 분석을 수행하는 방법을 설명하기 위한 예시이다. 도 7은 본 발명의 일 실시예에 따라 마케팅 전략을 추천하는 방법을 설명하기 위한 예시이다.
도 3 및 도 4를 참조하면, 마케팅 전략 추천 서버(100)는 고객 설문 데이터(D1)에 기초하여 고객 설문 분석 데이터(D1'')를 생성할 수 있다(S110).
구체적으로, 마케팅 전략 추천 서버(100)는 고객 설문 데이터(D1) 내 문항별 통계량 분석 및 문항 교차 분석 중 적어도 하나를 수행하여 고객 설문 분석 데이터(D1'')를 생성할 수 있다. 여기서, 고객 설문 분석 데이터는 사용자 기업의 주요 고객의 성별, 연령, 선호도 등을 포함할 수 있다.
즉, 마케팅 전략 추천 서버(100)는 고객 설문 데이터(D1) 내 문항별 통계량 분석을 수행하여 고객 설문 통계 데이터(D1)를 생성할 수 있다. 예를 들어, 도 5를 참조하면, 마케팅 전략 추천 서버(100)는 고객 설문 데이터(D1) 중 사용자 기업의 제품에 대해 어떤 점이 만족하는지와 관련된 질문 문항(11)에 대해 답변 문항(12)을 응답순으로 정렬하여, 답변 문항별 비율을 나타내는 고객 설문 통계 데이터(D1)를 생성할 수 있다.
또한, 마케팅 전략 추천 서버(100)는 고객 설문 통계 데이터(D1') 내 문항 교차 분석을 수행하여 고객 설문 분석 데이터(D1'')를 생성할 수 있다. 여기서, 교차 분석은 일반적으로 범주형 변수를 대상으로 하며, 두 개 이상의 범주형 변수 간의 관계를 파악하는 데에 많이 활용된다. 예를 들어, 성별과 직업 분야 간의 관계를 파악하기 위해 성별과 직업 분야를 범주형 변수로 설정하여 교차 분석을 수행할 수 있다.
즉, 마케팅 전략 추천 서버(100)는 고객 설문 통계 데이터(D1') 내 문항 답변 데이터 간의 관계를 도출하여 고객 설문 분석 데이터(D1'')를 생성할 수 있다. 예를 들어, 도 6을 참조하면, 마케팅 전략 추천 서버(100)는 성별(21) 및 나이대(22)에 따른 문항 답변 데이터(23)의 비율을 도출하여 성별 및 나이대와 문항 답변 데이터 간의 관계를 도출할 수 있다.
이어서, 다시 도 3 및 도 4를 참조하면, 마케팅 전략 추천 서버(100)는 키워드 데이터(D2)에 기초하여 키워드 분석 데이터(D2')를 생성할 수 있다(S120).
구체적으로, 마케팅 전략 추천 서버(100)는 키워드 데이터(D2)에 기초하여 사용자 기업과 관련된 키워드를 도출하고, 도출된 키워드에 대한 빈도수를 분석하여 키워드 분석 데이터(D2')를 생성할 수 있다. 여기서, 키워드 분석 데이터는 사용자 기업과 관련된 키워드의 빈도수를 포함할 수 있다.
이어서, 마케팅 전략 추천 서버(100)는 경쟁사 데이터(D3)에 기초하여 경쟁사 분석 데이터(D3')를 생성할 수 있다(S130).
구체적으로, 마케팅 전략 추천 서버(100)는 경쟁사 데이터(D3)에 기초하여 사용자 기업과 관련된 산업군의 주요 채널 내의 경쟁사의 데이터를 분석하여 경쟁사 분석 데이터(D3')를 생성할 수 있다. 여기서, 경쟁사 분석 데이터는 사용자 기업과 관련된 경쟁사의 기술분야, 매출, 점유율 등을 포함할 수 있다.
이어서, 마케팅 전략 추천 서버(100)는 고객 설문 분석 데이터(D1''), 키워드 분석 데이터(D2') 및 경쟁사 분석 데이터(D3') 및 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈(DL)을 통해 마케팅 전략을 추천할 수 있다(S140).
구체적으로, 마케팅 전략 추천 서버(100)는 고객 설문 분석 데이터(D1''), 키워드 분석 데이터(D2') 및 경쟁사 분석 데이터(D3') 중 적어도 하나를 포함하는 입력 데이터(Di)를 미리 학습된 딥러닝 모듈(DL)에 입력하면, 딥러닝 모듈(DL)로부터 마케팅 전략에 대한 출력 데이터(Do)가 출력될 수 있다.
여기서, 마케팅 전략은 마케팅 루트(SNS, 포털, TV, 홈쇼핑 등), 제품/서비스의 패키징, 전략적 요소(비용, 노출 시간대, 타겟 고객층, 적합한 진입 시기 등) 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 마케팅 전략 추천 서버(100)는 사용자 기업이 고객 설문 분석 데이터(D1''), 키워드 분석 데이터(D2') 및 경쟁사 분석 데이터(D3')가 각각 어떤 카테고리에 속하는지에 따라, 마케팅 전략 데이터(D4)의 어느 카테고리에 해당되는지 판단하여 마케팅 전략을 추천할 수 있다.
예를 들어, 도 7을 참조하면, 마케팅 전략 추천 서버(100)는 고객 설문 분석 데이터에 기초하여, 사용자 기업의 제품을 사용하는 연령 및 성별이 각각 20대 및 여성인 경우, 제1 분석표(31)의 1번 카테고리에 해당한다고 판단할 수 있다.
이에 따라, 마케팅 전략 추천 서버(100)는 고객 설문 분석 데이터에 기초하여 제1 분석표(31)에서 사용자 기업과 유사한 패턴을 가지는 카테고리가 1번에 해당하고, 키워드 분석 데이터에 기초하여 제2 분석표(32)에서 사용자 기업과 관련된 키워드 빈도수가 유사한 패턴을 가지는 카테고리가 5번에 해당하고, 경쟁사 분석 데이터에 기초하여 제3 분석표(33)에서 사용자 기업과 유사한 패턴을 가지는 카테고리가 12번인 경우, 제4 분석표(34) 내 2번 카테고리에 해당한다고 판단하여 마케팅 전략으로 “SNS”를 추천할 수 있다.
여기서, 제1 분석표(31) 내지 제4 분석표(34)는 사용자 마케팅 전략을 추천하기 위해 미리 생성된 표로, 마케팅 전략 추천 서버(100)에 기 저장되어 있을 수 있다.
도 8은 본 발명의 일 실시예에 따른 마케팅 전략 추천 방법에서 이용되는 딥러닝 모듈을 개략적으로 설명하기 위한 블록도이다.
구체적으로, 도 8을 참조하면, 딥러닝 모듈(DL)은 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터 중 적어도 하나를 입력받고, 이에 대한 출력으로 마케팅 전략을 출력할 수 있다. 여기에서, 고객 설문 분석 데이터는 고객의 성별, 연령, 선호도를 포함할 수 있다. 또한, 키워드 분석 데이터는 사용자 기업과 관련된 키워드의 빈도수를 포함할 수 있다. 또한, 경쟁사 분석 데이터는 사용자 기업과 관련된 경쟁사의 기술분야, 매출, 점유율 등을 포함할 수 있다.
이때, 딥러닝 모듈(DL)은 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터에 대한 파라미터를 기준으로 데이터를 메모리에 저장하거나, 유사 데이터를 카테고리에 따라 분류할 수 있다. 다만, 이는 마케팅 전략을 출력하는데 이용되는 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터는 입력 파라미터의 일 예에 불과하며, 딥러닝 모듈(DL)에 인가되는 입력 데이터는 다양하게 추가 또는 변경되어 이용될 수 있다.
다만, 이하에서는 설명의 편의를 위하여 딥러닝 모듈(DL)의 입력단에 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터가 인가되고, 이에 대한 출력으로 마케팅 전략이 도출되는 것을 예로 들어 설명하도록 한다.
이어서, 딥러닝 모듈(DL)은 빅데이터를 기초로 학습된 인공신경망을 이용하여 마케팅 전략 추천 방법에 필요한 마케팅 전략을 도출할 수 있다.
또한, 딥러닝 모듈(DL)은 입력된 데이터를 기초로 도출된 별도의 파라미터에 대한 매핑 데이터를 이용하여 인공신경망 학습을 수행할 수 있다. 딥러닝 모듈(DL)은 학습 인자로 입력되는 파라미터들에 대하여 머신 러닝(machine learning)을 수행할 수 있다. 이때, 마케팅 전략 추천 서버(100)의 메모리에는 머신 러닝에 사용되는 데이터 및 결과 데이터 등이 저장될 수 있다.
보다 자세히 설명하자면, 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.
딥러닝(Deep learning)은, 단계를 높여가면서 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낸다.
딥러닝 모듈(DL)은 공지된 다양한 딥러닝 구조를 이용할 수 있다. 예를 들어, 딥러닝 모듈(DL)은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network), GNN(Graph Neural Network) 등의 구조를 이용할 수 있다.
구체적으로, CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.
RNN(Recurrent Neural Network)은 자연어 처리 등에 많이 이용되며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.
DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여 일정 수의 레이어가 되면, 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)이 구성될 수 있다.
GNN(Graphic Neural Network, 그래픽 인공신경망, 이하, GNN)는 특정 파라미터 간 매핑된 데이터를 기초로 모델링된 모델링 데이터를 이용하여, 모델링 데이터 간의 유사도와 특징점을 도출하는 방식으로 구현된 인공신경망 구조를 나타낸다.
한편, 딥러닝 모듈(DL)의 인공신경망 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.
한편, 마케팅 전략 추천 서버(100)의 메모리에는 머신 러닝으로 미리 학습된 인공신경망(Artificial Neural Network)이 탑재될 수 있다.
딥러닝 모듈(DL)은 도출된 파라미터에 대한 모델링 데이터를 입력 데이터로 하는 머신 러닝(machine learning) 기반의 개선 프로세스 추천 동작을 수행할 수 있다. 이때, 인공신경망의 머신 러닝 방법으로는 준지도학습(semi-supervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 또한, 딥러닝 모듈(DL)은 설정에 따라 학습 후 마케팅 전략을 출력하기 위한 인공신경망 구조를 자동 업데이트하도록 제어될 수 있다.
추가적으로, 도면에 명확하게 도시하지는 않았으나, 본 발명의 다른 실시예에서, 딥러닝 모듈(DL)의 동작은 마케팅 전략 추천 서버(100) 또는 별도의 클라우드 서버(미도시)에서 실시될 수 있다. 이하에서는, 전술한 본 발명의 실시예에 따른 딥러닝 모듈(DL)의 구성에 대해 살펴보도록 한다.
도 9는 도 8의 딥러닝 모듈의 구성을 도시한 도면이다.
도 9를 참조하면, 딥러닝 모듈(DL)은 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터를 입력노드로 하는 입력 레이어(input)와, 마케팅 전략을 출력노드로 하는 출력 레이어(Output)와, 입력 레이어와 출력 레이어 사이에 배치되는 M 개의 히든 레이어를 포함한다.
여기서, 각 레이어들의 노드를 연결하는 에지(edge)에는 가중치가 설정될 수 있다. 이러한 가중치 혹은 에지의 유무는 학습 과정에서 추가, 제거, 또는 업데이트 될 수 있다. 따라서, 학습 과정을 통하여, k개의 입력노드와 i개의 출력노드 사이에 배치되는 노드들 및 에지들의 가중치는 업데이트될 수 있다.
딥러닝 모듈(DL)이 학습을 수행하기 전에는 모든 노드와 에지는 초기값으로 설정될 수 있다. 그러나, 누적하여 정보가 입력될 경우, 노드 및 에지들의 가중치는 변경되고, 이 과정에서 학습인자로 입력되는 파라미터들(즉, 고객 설문 분석 데이터, 키워드 분석 데이터 및 경쟁사 분석 데이터)과 출력노드로 할당되는 값(즉, 마케팅 전략) 사이의 매칭이 이루어질 수 있다.
추가적으로, 클라우드 서버(미도시)를 이용하는 경우, 딥러닝 모듈(DL)은 많은 수의 파라미터들을 수신하여 처리할 수 있다. 따라서, 딥러닝 모듈(DL)은 방대한 데이터에 기반하여 학습을 수행할 수 있다.
또한, 딥러닝 모듈(DL)을 구성하는 입력노드와 출력노드 사이의 노드 및 에지의 가중치는 딥러닝 모듈(DL)의 학습 과정에 의해 업데이트될 수 있다. 또한, 딥러닝 모듈(DL)에서 출력되는 파라미터는 이체위험도 외에도 다양한 데이터로 추가 확장될 수 있음은 물론이다.
도 10은 본 발명의 일 실시예에 따라 도 3의 S140을 구체적인 동작을 설명하기 위한 순서도이다. 도 11은 본 발명의 일 실시예에 따라 고객 타겟층 및 1차 선호도 점수를 이용하여 마케팅 전략을 추천하는 방법을 설명하기 위한 도면이다.
도 10을 참조하면, 마케팅 전략 추천 서버(100)는 고객 설문 분석 데이터에 기초하여 사용자 기업에 대한 고객 타겟층 및 1차 선호도 점수를 도출할 수 있다(S210). 여기서, 고객 타겟층은 성별 및/또는 연령을 포함할 수 있다. 1차 선호도 점수는 고객 설문 분석 데이터의 답변 데이터에 기초하여 도출된 사용자 기업의 선호도 점수일 수 있다.
이어서, 마케팅 전략 추천 서버(100)는 도출된 고객 타겟층 및 1차 선호도 점수에 기초하여 마케팅 전략을 추천할 수 있다(S220).
예를 들어, 도 11을 참조하면, 마케팅 전략 추천 서버(100)는 사용자 기업이 20대 여성층을 타겟으로 하는 경우, 고객 타겟층 표(41)의 1번 카테고리에 속한다고 판단할 수 있다. 또한, 마케팅 전략 추천 서버(100)는 사용자 기업의 1차 선호도 점수가 30점인 경우, 1차 선호도 점수 표(42)의 3번 카테고리에 속한다고 판단할 수 있다. 이에 따라, 마케팅 전략 추천 서버(100)는 마케팅 전략 표(43)에서 고객 타겟층이 1번, 1차 선호도 점수가 3번을 만족하는 마케팅 전략으로 “포털”을 추천할 수 있다. 여기서, 고객 타겟층 표(41), 1차 선호도 점수 표(42) 및 마케팅 전략 표(43)는 사용자 마케팅 전략을 추천하기 위해 미리 생성된 표로, 마케팅 전략 추천 서버(100)에 기 저장되어 있을 수 있다.
도 12는 본 발명의 다른 실시예에 따라 도 3의 S140을 구체적인 동작을 설명하기 위한 순서도이다. 도 13은 본 발명의 다른 실시예에 따라 키워드 빈도수에 따른 2차 선호도 점수에 대한 그래프의 예시이다. 도 14는 본 발명의 일 실시예에 따라 경쟁사 경쟁력 점수 및 자사 경쟁력 점수를 이용하여 마케팅 전략을 추천하는 방법을 설명하기 위한 도면이다.
도 12를 참조하면, 마케팅 전략 추천 서버(100)는 고객 설문 분석 데이터에 기초하여 사용자 기업에 대한 1차 선호도 점수를 도출할 수 있다(S310). 여기서, 1차 선호도 점수는 고객 설문 분석 데이터의 답변 데이터에 기초하여 도출된 사용자 기업의 선호도 점수일 수 있다.
이어서, 마케팅 전략 추천 서버(100)는 키워드 분석 데이터에 기초하여 2차 선호도 점수를 도출할 수 있다(S320).
구체적으로, 마케팅 전략 추천 서버(100)는 키워드 분석 데이터 내 사용자와 관련된 키워드에 대한 키워드 빈도수에 기초하여 2차 선호도 점수를 도출할 수 있다. 이때, 2차 선호도 점수를 도출하는데 사용되는 키워드는 사용자 기업에 대한 긍정적인 키워드를 포함할 수 있다.
여기서, 2차 선호도 점수는, 키워드 빈도수가 미리 설정된 기준치 이하까지 높아질수록 높아지고, 키워드 빈도수가 미리 설정된 기준치를 초과할수록 낮아질 수 있다.
예를 들어, 도 13을 참조하면, 키워드 빈도수가 0 부터 제2 기준치(f2)까지 높아질수록 2차 선호도 점수는 높아지고, 키워드 빈도수가 제2 기준치(f2)를 초과할수록 2차 선호도 점수는 낮아질 수 있다. 여기서, 키워드 빈도수가 제1 기준치(f1)까지 높아질수록 2차 선호도 점수는 급격히 높아지고, 키워드 빈도수가 제2 기준치(f2)까지 높아질수록 2차 선호도 점수는 상대적으로 완만하게 높아질 수 있다. 여기서, 제1 기준치(f1) 및 제2 기준치(f2)는 미리 설정될 수 있고, 키워드 종류 또는 사용자 기업에 따라 언제든지 변경될 수 있다.
이를 통해, 비정상적으로 키워드가 많이 도출된 경우에 대해 2차 선호도 점수를 낮게 줌으로써, 키워드 빈도수에 따른 1차 선호도 점수의 신뢰도를 높일 수 있다.
이어서, 마케팅 전략 추천 서버(100)는 1차 선호도 점수 및 2차 선호도 점수에 기초하여 사용자 경쟁력 점수를 도출할 수 있다(S330).
이때, 마케팅 전략 추천 서버(100)는 1차 선호도 점수 및 2차 선호도 점수에 각각 서로 다른 가중치를 부여하여 사용자 경쟁력 점수를 도출할 수 있다. 예를 들어, 1차 선호도 점수에는 0.6의 가중치를 부여하고, 2차 선호도 점수에는 0.4의 가중치를 부여할 수 있다. 이를 위해, 1차 선호도 점수, 2차 선호도 점수 및 사용자 경쟁력 점수는 0에서 100 사이로 구성될 수 있다,
이어서, 마케팅 전략 추천 서버(100)는 경쟁사 분석 데이터에 기초하여 각 경쟁사의 경쟁력 점수를 포함하는 경쟁사 경쟁력 점수를 도출할 수 있다(S340).
구체적으로, 마케팅 전략 추천 서버(100)는 경쟁사 분석 데이터에 포함된 각 경쟁사의 매출, 점유율, 고객 만족도 등의 경쟁사 데이터를 이용하여 각 경쟁사의 경쟁력 점수를 도출할 수 있다. 예를 들어, 각 경쟁사 경쟁력 점수는 0에서 100 사이로 구성될 수 있고, 경쟁사 경쟁력 점수에 포함된 제1 경쟁사의 경쟁력 점수는 60, 제2 경쟁사의 경쟁력 점수는 45, 제3 경쟁사의 경쟁력 점수는 80일 수 있다.
이어서, 마케팅 전략 추천 서버(100)는 경쟁사 경쟁력 점수 및 사용자 경쟁력 점수에 기초하여 사용자 순위를 도출할 수 있다(S350).
구체적으로, 마케팅 전략 추천 서버(100)는 각 경쟁사의 경쟁력 점수와 사용자 경쟁력 점수를 비교하여 사용자 순위를 도출할 수 있다. 예를 들어, 3개의 경쟁사가 존재하는 경우, 제1 경쟁사의 경쟁력 점수는 60, 제2 경쟁사의 경쟁력 점수는 45, 제3 경쟁사의 경쟁력 점수는 80, 사용자 경쟁력 점수는 70이면, 사용자 순위는 2위일 수 있다.
이어서, 마케팅 전략 추천 서버(100)는 사용자 순위에 기초하여 마케팅 전략을 추천할 수 있다(S360).
구체적으로, 마케팅 전략 추천 서버(100)는 사용자 순위에 기초하여 사용자 기업이 상위 몇 퍼센트(%)인지 도출하고, 도출된 상위 퍼센트에 따라 마케팅 전략을 추천할 수 있다. 이때, 마케팅 전략 추천 서버(100)는 상위 기업일수록 비용이 많이 드는 홈쇼핑을 마케팅 전략으로 추천할 수 있고, 하위 기업일수록 비용과 시간이 적게 들고 접근성이 좋은 SNS을 마케팅 전략으로 추천할 수 있다.
예를 들어, 도 14를 참조하면. 마케팅 전략 추천 서버(100)는 사용자 순위가 100개의 기업 중 19위인 경우, 사용자 기업이 상위 19%라고 도출할 수 있고, 마케팅 전략 표(51)에 따라 “포털”을 마케팅 전략으로 추천할 수 있다.
이를 통해, 본 발명의 몇몇 실시예에 따르면, 고객 설문 데이터, 키워드 데이터 및 경쟁사 데이터 중 적어도 하나에 기초하여 딥러닝 모듈을 통해 사용자 맞춤형 마케팅 전략을 추천함으로써, 사용자는 경쟁 업체들과 차별화된 제품이나 서비스를 제공하여 소비자들의 인식을 높이고, 마케팅을 효과적으로 추진할 수 있다.
도 15는 본 발명의 몇몇 실시예에 따른 마케팅 전략 추천 방법을 수행하는 마케팅 전략 추천 서버의 하드웨어 구성을 설명하기 위한 도면이다.
도 15를 참조하면, 본 발명의 몇몇 실시예들에 따른 마케팅 전략 추천 방법을 수행하는 마케팅 전략 추천 서버(100)는 전자 장치(1000)로 구현될 수 있다. 전자 장치(1000)는 프로세서(1010), 입출력 장치(1020, I/O), 메모리(1030, memory), 인터페이스(1040), 스토리지(1050, storage) 및 버스(1060, bus)를 포함할 수 있다. 프로세서(1010), 입출력 장치(1020), 메모리(1030), 인터페이스(1040), 및/또는 스토리지(1050)는 버스(1060)를 통하여 서로 결합될 수 있다. 버스(1060)는 데이터들이 이동되는 통로(path)에 해당한다.
구체적으로, 프로세서(1010)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit), 마이크로프로세서, 디지털 신호 프로세스, 마이크로컨트롤러, 어플리케이션 프로세서(AP, application processor) 및 이들과 유사한 기능을 수행할 수 있는 논리 소자들 중에서 적어도 하나를 포함할 수 있다.
입출력 장치(1020)는 키패드(keypad), 키보드, 터치스크린 및 디스플레이 장치 중 적어도 하나를 포함할 수 있다.
메모리(1030)는 데이터 및/또는 프로그램 등을 로드할 수 있다. 이때, 메모리(1030)는 프로세서(1010)의 동작을 향상시키기 위한 동작 메모리로서, 고속의 디램 및/또는 에스램 등을 포함할 수 있다. 메모리(1030)는 DDR SDRAM(Double Data Rate Static DRAM), SDR SDRAM(Single Data Rate SDRAM)과 같은 하나 이상의 휘발성 메모리 장치 및/또는 EEPROM(Electrical Erasable Programmable ROM), 플래시 메모리(flash memory)과 같은 하나 이상의 비휘발성 메모리 장치를 포함할 수 있다.
인터페이스(1040)는 통신 네트워크로 데이터를 전송하거나 통신 네트워크로부터 데이터를 수신하는 기능을 수행할 수 있다. 인터페이스(1040)는 유선 또는 무선 형태일 수 있다. 예컨대, 인터페이스(1040)는 안테나 또는 유무선 트랜시버 등을 포함할 수 있다.
스토리지(1050)는 데이터 및/또는 프로그램 등을 저장 및 보관할 수 있다. 스토리지(1050)는 반도체 드라이브(SSD, Solid State Drive), 하드 드라이브(hard drive), 플래시 메모리(flash memory)와 같은 하나 이상의 비휘발성 메모리 장치를 포함할 수 있다. 본 발명에서 스토리지(1050)는 마케팅 전략 추천 방법을 수행하기 위한 인스트럭션(instruction)으로 구성된 컴퓨터 프로그램을 저장할 수 있다.
사용자 단말(200) 및 고객 단말(300)은 개인 휴대용 정보 단말기(PDA, personal digital assistant) 포터블 컴퓨터(portable computer), 웹 타블렛(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 디지털 뮤직 플레이어(digital music player), 메모리 카드(memory card), 또는 정보를 무선환경에서 송신 및/또는 수신할 수 있는 모든 전자 제품에 적용될 수 있다.
또는, 본 발명의 실시예들에 따른 마케팅 전략 추천 서버(100), 사용자 단말(200) 및 고객 단말(300)은 각각 복수의 전자 장치(1000)가 네트워크를 통해서 서로 연결되어 형성된 시스템일 수 있다. 이러한 경우에는 각각의 모듈 또는 모듈의 조합들이 전자 장치(1000)로 구현될 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
추가적으로, 마케팅 전략 추천 서버(100)는 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템 및 RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.
또한, 마케팅 전략 추천 서버(100)는 사용자 단말(200) 및 고객 단말(300)을 이용하여 네트워크를 통해서 데이터를 전송할 수 있다. 네트워크는 유선 인터넷 기술, 무선 인터넷 기술 및 근거리 통신 기술에 의한 네트워크를 포함할 수 있다. 유선 인터넷 기술은 예를 들어, 근거리 통신망(LAN, Local area network) 및 광역 통신망(WAN, wide area network) 중 적어도 하나를 포함할 수 있다.
무선 인터넷 기술은 예를 들어, 무선랜(Wireless LAN: WLAN), DMNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 및 5G NR(New Radio) 기술 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
근거리 통신 기술은 예를 들어, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra-Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct), 5G NR (New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
네트워크를 통해서 통신하는 마케팅 전략 추천 서버(100)는 이동통신을 위한 기술표준 및 표준 통신 방식을 준수할 수 있다. 예를 들어, 표준 통신 방식은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 및 5G NR(New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

  1. 마케팅 전략 추천 서버에서 수행되는 마케팅 전략 추천 방법에 있어서,
    고객 설문 데이터에 기초하여 고객 설문 분석 데이터를 생성하는 단계;
    키워드 데이터에 기초하여 키워드 분석 데이터를 생성하는 단계;
    경쟁사 데이터에 기초하여 경쟁사 분석 데이터를 생성하는 단계; 및
    상기 고객 설문 분석 데이터, 상기 키워드 분석 데이터 및 상기 경쟁사 분석 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말로 마케팅 전략을 추천하는 단계를 포함하되,
    상기 마케팅 전략을 추천하는 단계는,
    상기 고객 설문 분석 데이터에 기초하여 1차 선호도 점수를 도출하는 단계와,
    상기 키워드 분석 데이터 내 사용자와 관련된 키워드에 대한 키워드 빈도수에 기초하여 2차 선호도 점수를 도출하는 단계와,
    상기 1차 선호도 점수 및 상기 2차 선호도 점수에 기초하여 사용자 경쟁력 점수를 도출하는 단계를 포함하고,
    상기 2차 선호도 점수는,
    상기 키워드 빈도수가 미리 설정된 기준치 이하까지 높아질수록 높아지고, 상기 키워드 빈도수가 미리 설정된 기준치를 초과할수록 낮아지는
    마케팅 전략 추천 방법.
  2. 제1 항에 있어서,
    상기 고객 설문 분석 데이터를 생성하는 단계는,
    상기 고객 설문 데이터 내 문항별 통계량 분석 및 문항 교차 분석 중 적어도 하나를 수행하여 상기 고객 설문 분석 데이터를 생성하는
    마케팅 전략 추천 방법.
  3. 제1 항에 있어서,
    상기 마케팅 전략을 추천하는 단계는,
    상기 고객 설문 분석 데이터에 기초하여 고객 타겟층 및 1차 선호도 점수를 도출하는 단계; 및
    상기 고객 타겟층 및 상기 1차 선호도 점수에 기초하여 상기 마케팅 전략을 추천하는 단계를 포함하는
    마케팅 전략 추천 방법.
  4. 삭제
  5. 삭제
  6. 제1 항에 있어서,
    상기 마케팅 전략을 추천하는 단계는,
    상기 경쟁사 분석 데이터에 기초하여 각 경쟁사의 경쟁력 점수를 포함하는 경쟁사 경쟁력 점수를 도출하는 단계;
    상기 경쟁사 경쟁력 점수 및 상기 사용자 경쟁력 점수에 기초하여 사용자 순위를 도출하는 단계; 및
    상기 사용자 순위에 기초하여 상기 마케팅 전략을 추천하는 단계를 더 포함하는
    마케팅 전략 추천 방법.
  7. 고객 설문 데이터에 기초하여 고객 설문 분석 데이터를 생성하는 고객 설문 데이터 처리부;
    키워드 데이터에 기초하여 키워드 분석 데이터를 생성하는 키워드 데이터 처리부;
    경쟁사 데이터에 기초하여 경쟁사 분석 데이터를 생성하는 경쟁사 데이터 처리부; 및
    상기 고객 설문 분석 데이터, 상기 키워드 분석 데이터 및 상기 경쟁사 분석 데이터 중 적어도 하나에 기초하여 미리 학습된 딥러닝 모듈을 통해 사용자 단말로 마케팅 전략을 추천하는 추천부를 포함하되,
    상기 추천부는,
    상기 고객 설문 분석 데이터에 기초하여 1차 선호도 점수를 도출하고,
    상기 키워드 분석 데이터 내 사용자와 관련된 키워드에 대한 키워드 빈도수에 기초하여 2차 선호도 점수를 도출하고,
    상기 1차 선호도 점수 및 상기 2차 선호도 점수에 기초하여 사용자 경쟁력 점수를 도출하고,
    상기 2차 선호도 점수는,
    상기 키워드 빈도수가 미리 설정된 기준치 이하까지 높아질수록 높아지고, 상기 키워드 빈도수가 미리 설정된 기준치를 초과할수록 낮아지는
    마케팅 전략 추천 서버.
  8. 제7 항에 있어서,
    시장 데이터에 기초하여 시장 분석 데이터를 생성하는 시장 데이터 처리부를 더 포함하고,
    상기 추천부는,
    상기 시장 분석 데이터에 더 기초하여 상기 마케팅 전략을 추천하는
    마케팅 전략 추천 서버.
  9. 제7 항에 있어서,
    상기 추천부는,
    상기 고객 설문 분석 데이터에 기초하여 고객 타겟층 및 1차 선호도 점수를 도출하고,
    상기 고객 타겟층 및 상기 1차 선호도 점수에 기초하여 상기 마케팅 전략을 추천하는
    마케팅 전략 추천 서버.
  10. 제7 항에 있어서,
    상기 추천부는,
    상기 경쟁사 분석 데이터에 기초하여 각 경쟁사의 경쟁력 점수를 포함하는 경쟁사 경쟁력 점수를 도출하고,
    상기 경쟁사 경쟁력 점수 및 상기 사용자 경쟁력 점수에 기초하여 사용자 순위를 도출하고,
    상기 사용자 순위에 기초하여 상기 마케팅 전략을 추천하는
    마케팅 전략 추천 서버.
KR1020230069436A 2023-05-30 2023-05-30 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버 KR102622147B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230069436A KR102622147B1 (ko) 2023-05-30 2023-05-30 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230069436A KR102622147B1 (ko) 2023-05-30 2023-05-30 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버

Publications (1)

Publication Number Publication Date
KR102622147B1 true KR102622147B1 (ko) 2024-01-09

Family

ID=89538284

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230069436A KR102622147B1 (ko) 2023-05-30 2023-05-30 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버

Country Status (1)

Country Link
KR (1) KR102622147B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120066373A (ko) * 2010-12-14 2012-06-22 국민대학교산학협력단 지능형 마케팅 지원 시스템
KR102134619B1 (ko) 2018-09-03 2020-07-16 존 팅 리 추천 마케팅 정보를 제공하는 컴퓨터 프로그램 및 서버
KR20220046752A (ko) * 2020-10-08 2022-04-15 오두환 오케팅을 이용한 마케팅 전략 제공 시스템, 마케팅 전략 제공 방법 및 기록 매체에 저장된 브랜드 평가 프로그램
KR102533442B1 (ko) * 2022-12-08 2023-05-17 (주)스테이튠드 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120066373A (ko) * 2010-12-14 2012-06-22 국민대학교산학협력단 지능형 마케팅 지원 시스템
KR102134619B1 (ko) 2018-09-03 2020-07-16 존 팅 리 추천 마케팅 정보를 제공하는 컴퓨터 프로그램 및 서버
KR20220046752A (ko) * 2020-10-08 2022-04-15 오두환 오케팅을 이용한 마케팅 전략 제공 시스템, 마케팅 전략 제공 방법 및 기록 매체에 저장된 브랜드 평가 프로그램
KR102533442B1 (ko) * 2022-12-08 2023-05-17 (주)스테이튠드 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
US20210279552A1 (en) Method for making recommendations to a user and apparatus, computing device, and storage medium
TWI740106B (zh) 產品推薦方法和裝置
Serra et al. Local polynomial fitting and spatial price relationships: price transmission in EU pork markets
US20150286710A1 (en) Contextualized sentiment text analysis vocabulary generation
KR102227552B1 (ko) 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템
CN108681970A (zh) 基于大数据的理财产品推送方法、系统及计算机存储介质
US10489474B1 (en) Techniques to leverage machine learning for search engine optimization
US11676194B2 (en) Faceted item recommendation system
CN102193936A (zh) 一种数据分类的方法及装置
US20180012284A1 (en) Information analysis apparatus, information analysis method, and non-transitory computer readable storage medium
US11501334B2 (en) Methods and apparatuses for selecting advertisements using semantic matching
US11651255B2 (en) Method and apparatus for object preference prediction, and computer readable medium
Angelov et al. Empirical fuzzy sets
CN114254615A (zh) 组卷方法、装置、电子设备和存储介质
KR102622147B1 (ko) 딥러닝을 이용한 마케팅 전략 추천 방법 및 서버
US20230385857A1 (en) Predictive systems and processes for product attribute research and development
KR102609681B1 (ko) 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치
US11232325B2 (en) Data analysis system, method for controlling data analysis system, and recording medium
US20220172242A1 (en) System and method for automated discount recommendations based on business scenario and indirect user response
Hongbing et al. Analysis and Research on the Marketing Strategy of Agricultural Products Based on Artificial Intelligence
Chen et al. INLP-BPN approach for recommending hotels to a mobile traveler
KR102653508B1 (ko) 개인의 취향을 반영하여 팬시 제품을 추천해주고 이를 추적하여 재구매를 유도하는 방법 및 시스템
US20120209665A1 (en) Idea, Submission, Ranking And Incubating System And Method
Sun et al. Evaluation of IoT‐Enabled Interactive UI Design Effect Based on the Discrete Mathematical Model
US20230054187A1 (en) Methods and apparatus for keyword search term recommendations for taxonomy enrichment

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant