KR20160015859A - 레스토랑 마케팅 시스템 및 그의 마케팅 방법 - Google Patents

레스토랑 마케팅 시스템 및 그의 마케팅 방법 Download PDF

Info

Publication number
KR20160015859A
KR20160015859A KR1020140098742A KR20140098742A KR20160015859A KR 20160015859 A KR20160015859 A KR 20160015859A KR 1020140098742 A KR1020140098742 A KR 1020140098742A KR 20140098742 A KR20140098742 A KR 20140098742A KR 20160015859 A KR20160015859 A KR 20160015859A
Authority
KR
South Korea
Prior art keywords
restaurant
quality
customer
past behavior
data
Prior art date
Application number
KR1020140098742A
Other languages
English (en)
Inventor
도해용
박혜지
Original Assignee
(주)레드테이블
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 (주)레드테이블 filed Critical (주)레드테이블
Priority to KR1020140098742A priority Critical patent/KR20160015859A/ko
Publication of KR20160015859A publication Critical patent/KR20160015859A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예는 유선 또는 무선통신망을 통해 특정 사용자의 사용자 단말로부터 레스토랑 마케팅법 의뢰를 수신하는 통신부, 그리고 복수의 저장 서버와 연계되어 웹 크롤러(web crawler) 및 래퍼 베이스드 웹 크롤러(wrapper-based web crawler)를 수행하여 데이터를 수집하고, 수집한 데이터의 통계분석 및 다중회귀분석을 통해 고객의 과거행동의 특성과 상기 레스토랑의 품질 및 고객만족 사이의 영향을 분석하고, 분석된 결과에 따라 상기 마케팅법을 제공하는 제어부를 포함하는 레스토랑 마케팅 시스템을 제공한다. 따라서, 빅데이터를 분석하여 레스토랑의 매출을 향상시킬 수 있는 마케팅방법을 제공할 수 있다. 즉, 고객의 방문빈도를 높일 수 있는 방안을 모색하고, 일정한 주기를 정해서 방문할 수 있도록 프로모션을 함으로써 매출을 향상시킬 수 있다.

Description

레스토랑 마케팅 시스템 및 그의 마케팅 방법{THE RESTAURANT MAKETING SYSTEM AND THE MAKETING METHOD THEREOF}
본 발명은 레스토랑 마케팅 시스템 및 그의 마케팅 방법에 관한 것이다. 보다 상세하게는, 빅데이터 분석기법을 이용하여 수집된 레스토랑에 대한 리뷰로 마케팅 방법을 제공하는 시스템에 대한 것이다.
웹 기반의 플랫폼이 성장하면서 온라인상에서 제품에 대한 구매경험을 공유하는 것이 쉬워졌으며, 소비자의 구매경험은 구매의사결정에 중요한 역할을 하는 도구로 자리 잡았다.
미국의 대표적인 레스토랑 평가사이트인 옐프닷컴(Yelp.com)은 2011년 한 해 동안 2억만개 이상의 리뷰와 레스토랑에 대한 평가가 생성되고 있으며, 고객이 레스토랑을 방문한 후 경험을 공유하고 정보로서 활용하고 있다(Sax, 2011).
과거의 연구들을 통해 온라인 리뷰가 고객수와 매출에 유의적인 영향을 미치는 것으로 조사되었으며(Chevalier & Mayzlin, 2006; Ghose & Ipeirotis, 2006; Liu, 2006), 미국의 대표적 레스토랑 평가사이트인 옐프닷컴(Yelp.com)의 리뷰를 분석한 결과에서도 별점 하나가 5-9%의 매출 상승을 가져오는 것으로 조사되었다(Luca, 2011).
또한 과거에는 너무 커서 분석을 할 수 없었던 데이터의 분석이 가능해짐에 따라 더 많은 형태로 실시간에 가까운 속도로 생성되는 데이터를 통해 새로운 가치를 찾을 수 있게 되었으며, 오늘날 이러한 데이터를 이용한 분석 기술들이 현실화 되고 있다(Carter, 2011).
빅 데이터의 분석을 위한 IT의 발전은 최근 들어 그 속도를 더하고 있으며, 새롭게 생성되는 데이터를 이해하고 유용한 지식을 추출하여 현재의 주요 이슈를 탐지하고 모니터링하며, 미래를 예측하기 위한 연구가 활발히 진행되고 있다(한국전자통신연구원, 2013).
기존에 서비스품질과 고객만족, 구매의도에 관한 많은 연구가 진행되었으나, 구매행동이 발생하기까지 다양한 상황에 대한 통제가 어렵기 때문에 구매의도를 통해 구매 행동을 측정하기는 어려웠다(Hellier et al., 2003). 최근 들어 인터넷과 모바일 등을 통해 고객의 행동을 추적하는 기술이 발달하면서 공학 분야를 중심으로 고객의 구매경험을 바탕으로 한 과거행동에 대한 연구가 진행되고 있다.
또한, 온라인 쇼핑과 관련된 연구에서 온라인상에서 구매의도와 고객의 특성, 상황적 요인과 함께 과거의 구매행동에 대한 연구가 진행되었으며, 과거의 구매경험을 측정하여, 미래의 구매행동을 예측하고자 하는 시도들이 많이 생겨나고 있다(Weisberg, , Te′eni, Arman, 2011).
본 발명은 빅데이터를 분석하여 레스토랑의 매출을 향상할 수 있는 마케팅 방법을 제공한다.
실시예는 유선 또는 무선통신망을 통해 특정 사용자의 사용자 단말로부터 레스토랑 마케팅법 의뢰를 수신하는 통신부, 그리고 복수의 저장 서버와 연계되어 웹 크롤러(web crawler) 및 래퍼 베이스드 웹 크롤러(wrapper-based web crawler)를 수행하여 데이터를 수집하고, 수집한 데이터의 통계분석 및 다중회귀분석을 통해 고객의 과거행동의 특성과 상기 레스토랑의 품질 및 고객만족 사이의 영향을 분석하고, 분석된 결과에 따라 상기 마케팅법을 제공하는 제어부를 포함하는 레스토랑 마케팅 시스템을 제공한다.
상기 제어부는 상기 고객의 과거행동의 특성으로 최신성, 빈도성 및 영향력을 측정할 수 있다.
상기 제어부는, 상기 레스토랑의 품질로 음식품질, 서비스품질 및 분위기품질을 측정할 수 있다.
상기 제어부는 상기 과거행동이 가중된 상기 레스토랑의 품질과 고객만족 사이의 다중회귀분석을 수행할 수 있다.
상기 제어부의 분석 결과 및 특정 레스토랑의 마케팅 방법을 저장하는 저장부를 더 포함할 수 있다.
한편, 실시예는 복수의 저장 서버와 연계되어 웹 크롤러(web crawler) 및 래퍼 베이스드 웹 크롤러(wrapper-based web crawler)를 수행하여 웹데이터를 수집하는 단계, 상기 웹데이터로부터 고객의 과거행동의 특성, 레스토랑의 품질 및 고객만족에 대한 데이터를 수집하는 단계, 상기 과거행동의 특성, 레스토랑의 품질 및 고객만족 사이에 통계 분석 및 상관관계 분석을 수행하는 단계, 그리고 상기 과거행동의 특성이 가중된 레스토랑의 품질 및 고객만족 사이의 다중회귀분석을 수행하여 분석 결과를 도출하는 단계를 포함하는 레스토랑 마케팅 방법을 제공한다.
본 발명은 빅데이터를 분석하여 레스토랑의 매출을 향상시킬 수 있는 마케팅방법을 제공할 수 있다.
즉, 고객의 방문빈도를 높일 수 있는 방안을 모색하고, 일정한 주기를 정해서 방문할 수 있도록 프로모션을 함으로써 매출을 향상시킬 수 있다.
도 1은 본 발명의 레스토랑 마케팅 시스템을 포함하는 전체 시스템을 나타내는 개념도이다.
도 2는 본 발명의 레스토랑 마케팅 시스템의 상세 구성도이다.
도 3은 본 발명의 동작을 나타내는 순서도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하에서는 과거 구매 경험을 분석하여 레스토랑 마케팅 방법을 제공하는 레스토랑 마케팅 시스템을 설명한다.
정보통신기술의 급속한 발전으로 인해 인터넷은 사회 전 분야를 변화시키고 있으며 다양하고 폭넓은 이용 행태에 따라 지금 이 순간에도 엄청난 데이터를 생산해 내고 있다. 데이터분석과 관련하여 최근 빅데이터(Big Data)라는 핵심 키워드가 부상되면서 대중적인 관심이 고조되고 있다.
빅데이터 분석에 대한 정의는 기술적 관점에서는 다양한 종류의 대규모 데이터를 초고속 수집, 발굴, 분석을 지원하도록 고안된 차세대 기술 및 아키텍처로 정의되며 규모적 관점에서는 일반적인 데이터베이스가 저장, 관리, 분석할 수 있는 범위를 초과하는 규모의 데이터로 정의되며, 방법적 관점에서는 수십-수천 테라바이트에 달하는 거대한 데이터 집합에서 관련 도구, 플랫폼, 분석기법까지 포괄하는 용어로 정의된다.
빅데이터가 주목받는 이유는 인터넷 글로벌 기업들이 다양한 데이터들을 확보하고 그 속에서 숨겨진 가치를 찾아 인사이트(Insight)를 도출해 내어 새로운 경쟁력을 확보해 나가고 있기 때문이다. 특히 트위터, 페이스북 등 SNS(Social Network Service)에서 수집되는 정보를 분석하여 소비자 마음을 읽는 기법으로 활용되어 기업의 매출과 수익을 늘려주는 마케팅 수단과 기업의 위험을 감소시켜주는 위기관리 수단으로 주목받고 있다.
정보원천으로써 역할이 커지고 있는 온라인상의 고객평판에 대한 공정한 평가방법론 및 평판 분석 기술의 필요성이 대두되면서 소셜미디어를 분석하여 뉴스, 블로그, 트위터, 공공 데이터, 무역 출판물, 정치 경제적 연설 등에서 과거/현재/미래에 일어날 이슈에 관한 힌트를 발견하거나, 영화에 관해 오가는 tweet률에 근거한 영화 흥행율을 예상하는 연구들이 진행되고 있는데 이는 인터넷이 거대한 평판 시스템으로 진화함에 따라 온라인에서 좋은 평판을 획득하려는 개인, 기업 등의 공급자에 의한 온라인 평판의 쏠림현상/시장 왜곡이 빈번해지고 그로 인해 사용자 불만이 높아지고 있기 때문이다.
최근 미국의 대표적 레스토랑 평가사이트인 옐프닷컴(Yelp.com)의 리뷰를 수집한 Luca(2011)은 별점 하나가 5-9%의 매출 상승을 가져오는 것과 이런 효과는 독립 레스토랑에서 일어나며 체인 레스토랑에서는 효과가 없다는 것, 체인레스토랑의 시장점유율은 옐프가 침투할수록 감소한다는 것, 소비자는 모든 정보를 사용하는 것은 아니며 가시적인 것에 더 반응한다는 것, 고객은 평가에 정보가 더 많을수록 반응이 커진다는 것, 그리고 고객은 평가건수가 많고 엘리트라는 전문가가 평가했을 때 더 반응이 높다는 것을 밝혔다.
또한, 과거행동(Past Behavior)을 기반으로 미래행동(Future Behavior)을 예측하는 연구를 통해 과거행동이 미래행동을 예측할 수 있으며, 때로는 행동의도보다 미래행동을 더 잘 예측할 수 있음을 보여준다. 조사 대상을 두 개의 Panel로 나눈 후, Panel A는 반년 또는 년간 단위로 일어나는 비지속적인 행동으로, Panel B는 매일 또는 매주 지속적으로 일어나는 행동으로 나눈 후, 과거행동(Past Behavior)과 의도(Intention) 중 어느 것이 더 미래행동을 더 잘 설명하는지를 조사하였는데, 지속적인 행동을 하는 Panel B가 과거행동이 의도보다 더 미래행동을 잘 설명하는 것으로 나타났다.
지속적인 행동은 습관(Habit)으로 정의되는데, 습관적인 행동이 미래행동을 예측하는지, 습관적 행동과 계획된 행동(Planned Behaviour)은 어떻게 차이가 나는지, 습관적 행동은 목표지향 행동(Goal-directed Behavior)과 어떤 차이가 있는지를 비교하는 연구들이 진행되었다.
또한, Perugini & Bagozzi(2001)는 계획행동이론(TPB, Theory of Planned Behavior)에서 다루지 않았던 감성(Emotion)과 과거행동을 추가하여 목표행동이론(MGB, Model of Goal-directed Behavior)을 제시하였다. 목표행동이론에서는 과거행동을 빈도성(Frequency)와 최신성(Recency)으로 나누었는데 빈도성은 Desire에 영향을 주는 변수로 최신성은 Behavior에 영향을 주는 변수로 제시하였다.
Bamberg, Ajzen, & Schmidt(2003)의 대학생들의 버스 티켓 구매행동을 분석한 연구에서 과거행동이 미래행동을 예측하는 가장 좋은 변수이며 의도에 선행하고 행동에 직접적인 영향을 미침을 밝혔는데 이는 습관적 행동이기 때문이며, 여행과 같은 이성적 의사결정에서는 태도, 주관적 관념, 지각된 행동의 조절이 더 큰 영향을 미치기 때문이다. 다만 과거의 상황이 지속될 경우에는 과거 여행지 선택이 미래의 행동에 영향을 주는 것으로 나타났다.
국내에서도 계획행동이론에 과거행동을 추가하여 확장된 계획행동이론은 여러 연구를 통해 검증되었는데 골프를 대상한 연구, 스키장을 대상으로 한 연구, 명품구매행동을 대상으로 한 연구 등이 있다.
한편, 서비스 품질에 대한 연구는 SERVQUAL(Parasuraman, Zeithaml, & Berry, 1988)에서 시작되었으며 은행, 신용카드사, 유지보수회사, 장거리통신회사 이용 고객을 대상으로 유형성, 신뢰성, 반응성, 확신성, 공감성을 측정하여 제시하였다. SERVQUAL의 항목을 이용하여 인지된 성과(Performance)만을 측정한 SERVPERF(Cronin & Taylor, 1992)와 이를 레스토랑에 적용한 DINESERV(Stevens, Knutson, & Patton, 1995)가 개발되었다.
레스토랑의 품질 측정은 일반적으로 음식, 서비스, 분위기가 사용되고 있다. 음식품질에 대해서는 Fu & Park(2001)와 MacLaurin & MacLaurin(2000), Clark & Wood(1998), Mattila(2001) 등의 연구에서 전반적인 레스토랑 서비스 품질에 가장 중요한 요인이며, 고객 만족과 충성도에 긍정적인 영향을 주는 것이라 하였으며, 지각된 서비스 품질은 태도의 한 형태로 오랜 기간 동안 서비스나 제품에 대해 평가한 것으로 서비스 품질과 만족간에 직접적인 관계가 있고 지각된 서비스 품질이 만족의 선행조건이다.
RFM(Recency, Frequency, Monetary)은 CRM(customer relationship management)을 실행하는데 활발히 사용되는 고객의 활동을 측정하기 위한 대표적인 기법으로, 고객이 얼마나 최근에 구매를 했는가를 나타내는 최신성(Recency), 얼마나 자주 구매했는가를 나타내는 빈도(Frequency), 얼마나 구매했는가를 나타내는 구매액(Monetary Amount) 등 3개 요인을 분석하여 정량적으로 고객을 분류한다.
RFM은 고객과의 관계에 있어 재무적인 관계뿐만 아니라, 관계활동에 대한 질적 측면도 함께 측정할 필요에 의해 개발되었는데 이는 어떤 고객이 높은 수익성을 보이는 동시에 그 고객으로부터 얻을 수 있는 최대잠재 구매력의 수준까지 확보하여 높은 고객점유율까지 보이고 있다하더라도 그 고객가치가 현재도 유의한지를 알기 위해서는 최근에도 구매활동을 지속하고 있는지 또는 자사와의 접촉빈도는 유지되고 있는지 등에 대한 정보도 파악하는 것이 필요하기 때문이다.
RFM은 제조업체의 마케팅생산성 향상뿐만 아니라 스포츠 관객을 분석하고, 부동산 회원분류와, 입원환자의 시장세분화에 사용되며, 우편 서비스의 법인 고객을 분석할 때도 사용되며 최근에는 인터넷 쇼핑몰에 적용하기도 한다.
RFM모델의 R,F,M 각 변수에는 상대적 중요도에 따라 가중치가 존재하는데 이를 산출하는 방식에는 회귀분석과 같은 분석방법을 통해 추정하는 통계적 추정방식, 각 점수구간(보통 1점에서 5점)에 포함되는 고객들의 비율을 바탕으로 가중치를 산정하는 거래비율 분할방식, 그리고 특정변수의 점수가 지나치게 과장되거나, 특정 변수의 의미가 잘못 해석될 수 있는 위험을 해소하기 위해 변수들의 점수를 보정할 수 있는 지수를 제공하는 보정지수 산출방식이 있다.
RFM모델에서 등급을 매기는 방법을 정규분포를 이용하여 6등급모델을 제안하고 NDSL(national discovery for science leaders) 자료를 이용하여 현재 많이 사용되고 있는 5등급모델과 10등급모델을 비교하여 제안 모델이 5등급모델과 10등급모델에 비해 고객그룹들은 쉽게 세분화할 수 있다.
이러한 이론을 바탕으로 본 발명에서는 다음의 가설을 제시하고 검증하여 레스토랑의 매출을 향상시킬 수 있는 마케팅 방법을 제공하고자 한다.
가설 1. 고객의 과거행동은 지각된 레스토랑의 품질에 유의한 영향을 미칠 것이다.
가설 2. 지각된 레스토랑의 품질은 고객 만족에 유의한 영향을 미칠 것이다.
가설 3. 고객의 과거행동이 가중된 레스토랑의 품질은 고객 만족에 유의한 영향을 미칠 것이다.
이하에서는 도 1 및 도 2를 참고하여 본 발명의 실시예를 설명한다.
도 1은 본 발명의 레스토랑 마케팅 시스템을 포함하는 전체 시스템을 나타내는 개념도이고, 도 2는 본 발명의 레스토랑 마케팅 시스템의 상세 구성도이다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 레스토랑 마케팅 시스템을 포함하는 전체 시스템은 소비자 단말(100), 제어서버(200) 및 저장서버(300)를 포함한다.
소비자 단말(100)은 사용자가 제어서버(200)에 접속하여 제어 서버(100)에 상권 이미지 생성을 의뢰할 수 있는 단말로서, 스마트폰, 노트북, 태블릿 피씨 또는 퍼스널 컴퓨터 등을 포함한다.
이러한 소비자 단말(100)은 유선 또는 무선 인터넷을 통해 제어 서버(200)와 연동하며, 이때 무선 인터넷은 wifi, 블루투스 등일 수 있다.
소비자 단말(100)은 제어서버(200)에 대한 어플리케이션을 탑재할 수 있다.
복수의 저장 서버(300)는 각종 웹사이트, 블로그 및 트위터 등의 소셜 미디어의 데이터를 저장하는 저장 서버일 수 있다.
제어서버(200)는 레스토랑 마케팅 방법을 제공하는 시스템으로서, 유선 또는 무선 인터넷을 통하여 상기 사용자 단말(100)로부터 전송되는 특정 레스토랑의 마케팅 방법 의뢰 요청을 수신한 후 특정 레스토랑에 대한 마케팅 방법을 제공한다.
이러한 제어서버(200)의 상세 구성은 도 2와 같다.
도 2를 참고하면, 제어서버(200)는 통신부(210), 제어부(250) 및 저장부(230)를 포함한다.
통신부(210)는 유선 또는 무선으로 전송되는 신호를 수신하기 위한 통신모듈을 포함하며, 무선으로 신호를 수신하는 경우, 안테나, 밴드패스필터 등의 구성을 포함할 수 있다.
상기 통신부(210)는 사용자 단말(100)로부터 전송되는 요청 신호를 수신하거나, 요청 신호에 대한 결과를 전송한다.
상기 통신부(210)는 무선으로 신호를 수신할 때, Wi-Fi 통신망을 이용하여 외부에 있는 사용자 단말(100)로부터 전송되는 요청신호를 수신할 수 있는 와이파이 모듈(Wi-Fi Module)과, 유선으로 신호를 수신할 때, 데이터케이블에 의해 연결되어 시리얼 통신 방식에 의해 요청신호를 수신할 수 있는 USB 단자 등 시리얼 통신모듈로 구성된다.
제어부(250)는 마이크로 프로세서로서, 사용자 단말(100)로부터 레스토랑 마케팅 방법 요청을 수신하면, 다양한 웹 상의 해당 레스토랑에 대한 리뷰를 수신하고, 분석하여 해당 마케팅 방법을 생성한다.
제어부(250)는 각종 웹사이트, 블로그, 트위터 등 소셜 미디어로부터 레스토랑에 대한 데이터를 수집하기 위한 것으로 트위터 등 소셜 미디어 사이트에서는 API(application programming interface)를 제공하여 데이터를 가져갈 수 있도록 공개하고 있기 때문에 API를 이용하여 크롤러를 개발하고 데이터를 수집한다.
한편, 블로그 등의 일반 사이트에서는 API를 제공하고 있지 않기 때문에 웹크롤러는 데이터를 수집하기 위해서 래퍼 베이스드 웹 크롤러(wrapper-based web crawler)를 추가로 수행할 수 있다.
이러한 제어부(250)는 웹 크롤러를 이용하여 레스토랑에 대한 다양한 리뷰를통계적으로 분석한다. 즉, 리뷰로부터 고객의 구매경험을 분석하고, 레스토랑의 품질을 분석한 뒤, 이들이 고객 만족에 미치는 영향을 분석하여 마케팅 방법을 제공한다.
이와 같이 생성된 각 통계적 결과 및 마케팅 방법은 저장부(230)에 저장된다.
이하에서는 도 3을 참고하여 본 발명의 동작을 상세히 설명한다.
도 3은 본 발명의 동작을 나타내는 순서도이다.
제어부(250)의 동작이 시작되면, 제어부는 웹크롤링을 수행하여 레스토랑에 대한 리뷰를 수집하고, 고객의 과거 행동의 최신성, 빈도성 및 영향력, 품질 및 고객 만족에 대한 통계 분석을 수행한다(S10).
일 예로, 레스토랑 고객의 구매경험에 대한 과거행동 데이터를 수집하기 위해 웹상에서 레스토랑에 대한 평가의견을 게시하는 전체 사이트를 대상으로 인터넷 랭킹 서비스 랭키닷컴(rankey.com)의 맛집 카테고리에서 상위 5개 사이트(윙버스, 다음플레이스, 메뉴판닷컴, 푸드앤카페, 로컬스토리)의 데이터를 수집하여 1차 분석할 수 있다. 그 중 데이터의 신뢰도가 높은 네이버 윙스푼, 메뉴판닷컴, 푸드앤카페의 데이터를 최종 사용한다.
선정된 레스토랑 평가사이트에서 고객의 구매경험에 따른 과거행동, 품질, 고객만족에 대한 데이터를 수집하기 위해 수집방법으로 대상 웹사이트를 분석한 후 전용 웹크롤러를 개발하여 수집하는 웹크롤링 기법을 사용할 수 있다.
여러 웹 크롤러 중 만족도 평가와 같이 일정한 주제의 웹 문서를 빠르고 정확하게 수집하는 데는 래퍼 기반의 웹 크롤러가 많이 사용할 수 있으며, 이때 수집 대상 웹사이트의 구조를 미리 분석해 두어야 웹 크롤러가 해당 데이터에 접근하여 원하는 데이터를 정확하게 수집할 수 있다.
고객의 구매경험을 분석하기 위해 과거행동을 최신성(Recency), 빈도성(Frequency), 영향력(Influence)으로 정의하고, 과거 행동의 최신성은 레스토랑에 대한 평가가 얼마나 최근에 일어났는지로 정의하며, 평가리뷰의 수집에서 가장 최근에 작성된 평가리뷰의 작성일을 빼는 방식으로 측정한다.
과거행동의 빈도성은 과거에 레스토랑을 얼마나 방문하였는지를 나타내는 평가 빈도로 정의하며, 레스토랑별 평가리뷰의 합으로 측정한다.
과거행동의 영향력은 평가자의 평가리뷰가 다른 이들에게 어느 정도 영향력을 미쳤는지로 정의하며, 해당 레스토랑에 대한 평가리뷰 작성 이후 블로그, 전문사이트 등에서 해당 레스토랑이 얼마나 언급되었는지로 측정한다.
레스토랑 서비스품질은 추천자가 레스토랑을 이용한 후 인지한 음식품질(Quality of Food), 서비스품질(Quality of Service), 분위기품질(Quality of Atmosphere)로 정의한다. 음식품질은 ‘맛’으로, 서비스품질과 분위기품질은 각각 서비스, 분위기로 측정하며 정말별로예요(1), 별로예요(1.5), 조금부족해요(2), 그저그래요(2.5), 보통이에요(3), 괜찮아요(3.5), 좋아요(4), 너무좋아요(4.5), 최고예요(5)의 9점 척도로 측정한다.
고객 만족은 ‘평점’이라는 항목으로 측정하며 정말별로예요(1), 별로예요(1.5), 조금부족해요(2), 그저그래요(2.5), 보통이에요(3), 괜찮아요(3.5), 좋아요(4), 너무좋아요(4.5), 최고예요(5)의 9점 척도로 측정한다.
또한 고객의 구매경험을 분석하기 위해 측정된 과거행동의 최신성, 빈도성, 영향력은 각 변수의 단위와 크기가 다르기에 Box-Cox를 이용하여 정규화하며, 표본 수집 결과는 다음의 표와 같다.
구분 내용
표본 집단 속성별 만족도와 전반적 만족도를 다점 척도로 평가한 사이트
수집 기간 2013년 7월 15일~7월 30일
수집 방법 웹 프로그래밍으로 개발된 전용 데이터 베이스 크롤러 이용
표본 크기 레스토랑 구매경험 760,316건
표본 내용 2007년 5월 17일부터 2013년 6월 30일까지 레스토랑 평가 리뷰
레스토랑 품질 : 음식/서비스/분위기, 1.0~5.0, 9점 척도
고객 만족도 : 1.0~5.0, 9점 척도
평가 날짜, 평가 건수, 평가자 ID
본 특허에서 조사, 수집된 자료의 통계처리는 데이터 코딩과 데이터 클리닝을 과정을 거쳐, STATA 10.0을 활용하여 분석할 수 있다.
이러한 과거행동, 품질, 고객 만족에 대한 기술통계분석을 수행하여 평균과 중앙값, 표준편차, 왜도의 값을 구하면, 결과는 표 2와 같다.
구분 평균 중앙값 표준편차 왜도
과거행동의 최신성 -0.45 -0.65 0.84 0.00
과거행동의 빈도성 -1.63 -1.50 1.45 0.00
과거 행동의 영향력 -3.35 -3.29 2.46 0.00
음식 품질 2.18 2.50 1.78 -0.05
서비스 품질 2.32 2.75 1.87 -0.12
분위기 품질 2.16 2.50 1.80 0.00
고객 만족 2.23 2.56 1.82 -0.06
이러한 레스토랑에 대한 과거행동과 품질, 고객 만족에 대한 신뢰도 분석을 수행하며, 결과 값은 표 3과 같다.
항목 Cronbach's Alpha
과거행동의 최신성


.773
과거행동의 빈도성
과거행동의 영향력
음식 품질
서비스 품질
분위기 품질
고객 만족
표 3의 크론바하값이 .773으로 .7이상이면 요인 내 측정 항목들 간에 내적일관성이 있다고 판단하므로, 가설검증을 위해 사용한 측정도구의 신뢰성이 충족한다고 볼 수 있다.
다음으로 고객의 과거 행동의 특성과 레스토랑의 품질 및 고객만족 사이에 상관관계 분석을 수행하며 결과는 다음과 같다(S20).

구분		 변수간 상관 관계
1 2 3 4 5 6 7
과거행동의 최신성 1
과거행동의 빈도성 -.272* 1
과거행동의 영향력 .061* .879** 1
음식 품질 -.642** .291* .049* 1
서비스 품질 -.624** .264* .027* .950** 1
분위기 품질 -.637** .284* .045* .942** .952** 1
고객 만족 -.632** .278* .039* .976** .964** .952** 1
*p<0.01, **p<0.001
이때, 레스토랑에 대한 변수 간 상관관계를 분석하여 각 변수 간 상관관계가 있는지 판단한다(S30).
결과적으로 구매경험에 대한 과거행동 중 최신성은 레스토랑의 품질과 만족에 음의 상관관계를 보이며, 빈도성과 영향력은 양의 상관관계로 나타난다. 음식 품질, 서비스 품질, 분위기 품질과 고객 만족은 양의 상관관계를 보인다.
상관관계가 위와 같이 존재하면 과거 행동의 특징이 가중된 레스토랑의 품질 및 고객만족에 대한 분석을 수행한다(S40).
먼저, 고객의 과거행동이 가중된 품질, 고객 만족에 대한 기술통계분석을 수행하여 평균과 중앙값, 표준편차, 왜도의 값을 구하면 다음의 표와 같다.
구분 평균 중앙값 표준편차 왜도
과거행동이 가중된 음식 품질 .589 .000 1.53 5.72
과거행동이 가중된 서비스 품질 1.63 .000 1.46 6.11
과거행동이 가중된 분위기 품질 3.35 .000 1.45 5.71
고객 만족 2.18 .000 1.57 1.88
이를 바탕으로 고객의 과거 행동이 가중된 품질과 고객 만족 사이에 상관관계가 있는지 판단한다(S50).
상관관계는 다음의 표와 같다.

구분		 변수간 상관 관계
1 2 3 4
과거행동이 가중된 음식 품질 1
과거행동이 가중된 서비스 품질 .974** 1
과거행동이 가중된 분위기 품질 .974** .976** 1
고객 만족 .800** .794** .796** 1
*p<0.01, **p<0.001
표 6을 검토하면, 고객의 과거행동이 가중된 품질과 고객 만족의 상관관계는 음식 품질, 서비스 품질, 분위기 품질은 서로 양의 상관관계가 높고, 품질과 고객 만족 간에도 양의 상관관계가 있는 것으로 나타났다(S50).
다음으로, 구매경험에 대한 과거행동의 최신성, 빈도성, 영향력이 품질에 미치는 영향에 대한 가설 검증을 위해 제품품질, 서비스품질, 분위기품질에 대한 다중회귀분석을 수행한다(S60).
종속변수
 독립변수
 비표준화 계수 표준화 계수 t값
 유의도
B 표준오차 베타



음식품질


 (상수) 1.943 .025 75.41 .000***
과거행동의 최신성 -.1.216 .023 -.548 -51.26 .000***
과거행동의 빈도성 .391 .028 .302 13.51 .000***
과거행동의 영향력 -.139 .016 -.182 -8.46 .000***
R²=.432 수정된R²=.431 F=2388.42 p-value=.000***
***p<0.001
표 7은 독립변수인 과거행동의 최신성, 빈도성, 영향력이 제품품질에 영향을 미치는지에 관한 결과를 나타낸다. 다중회귀분석 결과 F-Values는 2388.42(p=0.000)으로 과거행동의 최신성 추천행동 최신성이 제품품질에 모두 유의적인 영향을 미치는 것으로 나타났으며, 표준화 계수값이 최신성과 영향력은 각 각 -.548, -.182로 음의 영향관계가 있는 것으로 나타났다. 과거행동의 빈도성은 표준화 계수값이 .302로 양의 영향관계를 보여 가설은 모두 입증된다.
종속변수
 독립변수
 비표준화 계수 표준화 계수 t값
 유의도
B 표준오차 베타



서비스품질

 (상수) 1.757 .025 69.41 .000***
과거행동의 최신성 -.1.136 .023 -.534 -48.78 .000***
과거행동의 빈도성 .354 .028 .285 12.43 .000***
과거행동의 영향력 -.139 .016 -.190 -8.59 .000***
R²=.404 수정된R²=.403 F=2129.35 p-value=.000***
***p<0.001
표 8은 독립변수인 과거행동의 최신성, 빈도성, 영향력이 서비스품질에 영향을 미치는지에 관한 결과를 나타낸다. 다중회귀분석 결과 F-Values는 2129.35(p=0.000)로 과거행동의 최신성 추천행동 최신성이 제품품질에 모두 유의적인 영향을 미치는 것으로 나타났으며, 표준화 계수값이 최신성과 영향력은 각 각 -.534, -.190로 음의 영향관계가 있는 것으로 나타났다. 과거행동의 빈도성은 표준화 계수값이 .285로 양의 영향관계를 보여 가설은 모두 입증된다.
종속변수
 독립변수
 비표준화 계수 표준화 계수 t값
 유의도
B 표준오차 베타



분위기품질

 (상수) 1.813 .024 73.61 .000***
과거행동의 최신성 -.1.155 .022 -.549 -50.94 .000***
과거행동의 빈도성 .348 .027 .284 12.56 .000***
과거행동의 영향력 -.123 .015 -.170 -7.83 .000***
R²=.423 수정된R²=.423 F=2305.29 p-value=.000***
***p<0.001
표 9은 독립변수인 과거행동의 최신성, 빈도성, 영향력이 분위기품질에 영향을 미치는지에 관한 결과를 나타낸다. 다중회귀분석 결과 F-Values는 2305.29(p=0.000)로 과거행동의 최신성 추천행동 최신성이 제품품질에 모두 유의적인 영향을 미치는 것으로 나타났으며, 표준화 계수값이 최신성과 영향력은 각 각 -.549, -.170로 음의 영향관계가 있는 것으로 나타났다. 과거행동의 빈도성은 표준화 계수값이 .284로 양의 영향관계를 보여 가설은 모두 입증된다.
이와 같이, 과거행동의 최신성, 빈도성, 영향력이 제품품질, 서비스품질, 분위기품질에 모두 유의적인 영향이 있는 것으로 나타났으며, 제품품질, 서비스품질, 분위기품질에 미치는 영향의 정도와 방향성이 모두 유사하게 나타났다.
한편, 표 10은 음식, 서비스, 분위기 품질이 만족에 영향을 미치는지에 관한 결과를 나타낸다.
종속변수
 독립변수
 비표준화 계수 표준화 계수 t값
 유의도
B 표준오차 베타


고객 만족

 (상수) -.005 .005 -1.07 .000***
음식 품질 .554 .006 .569 90.14 .000***
서비스 품질 .289 .007 .285 41.16 .000***
분위기 품질 -.147 .006 -.144 22.45 .000***
R²=.969 수정된R²=.969 F=98760.12 p-value=.000***
***p<0.001
다중회귀분석 결과 F-Value는 98760.12(p=.000)로 유의하게 나타났으며, 음식품질 (p = .000), 서비스품질(p = .000), 분위기품질(p = .000) 모두 종속변수인 고객만족에 유의하게 영향을 미침을 알 수 있었다. 즉, 가설 모두 유의하게 나타났다. 고객만족에 가장 크게 영향을 미치는 변수는 음식(β = .569), 서비스(β = .285), 분위기(β = .144) 순으로 나타났다.
다음으로, 과거행동이 가중된 레스토랑의 품질이 고객 만족에 영향을 미치는지 다중회귀분석을 수행한다(S70).
표 11는 고객의 과거행동이 가중된 레스토랑의 품질이 고객만족에 영향을 미치는지에 관한 결과를 나타낸다.
종속변수
 독립변수
 비표준화 계수 표준화 계수 t값
 유의도
B 표준오차 베타



고객 만족

 (상수) .250 .003 65.12 .000***
과거행동이 가중된 음식 품질 .421 .022 .410 35.74 .000***
과거행동이 가중된 서비스 품질 .158 .027 .147 12.23 .000***
과거행동이 가중된 분위기 품질 .277 .015 .251 35.74 .000***
R²=.646 수정된R²=.646 F=41465.92 p-value=.000***
***p<0.001
다중회귀분석 결과 F-Value는 41465.92(p=.000)로 유의하게 나타났으며, 음식품질 (p = .000), 서비스품질(p = .000), 분위기품질(p = .000) 모두 종속변수인 고객만족에 양의 방향으로 유의하게 영향을 미치는 것으로 나타났다. 고객만족에 가장 크게 영향을 미치는 변수는 음식(β = .410), 분위기(β = .251), 서비스(β = .147) 순으로 나타났다.
이와 같이 가설 1 내지 3의 검증이 완료되면, 결과에 따라 특정 레스토랑에 대한 마케팅 방법을 제공한다(S80).
즉, 고객 만족에 대하여 과거행동의 빈도성은 양의 영향을 주나, 최신성과 영향력은 음의 영향을 주므로, 레스토랑에 대한 고객의 방문 경험 빈도가 증가할수록 지각하는 품질이 높아지는 것으로 볼 수 있으며, 최신성의 경우 레스토랑에 따라 방문주기가 정해져 있고 가장 최근에 방문한 레스토랑의 품질에 대해 더 엄격하게 지각한다고 볼 수 있다.
따라서, 해당 레스토랑에서는 고객의 방문빈도를 높일 수 있는 방안을 모색하되, 일정한 주기를 정해서 방문할 수 있도록 프로모션하는 방법을 제공할 수 있다.
즉, 주기적으로 이벤트 알림을 메일이나 SNS 등으로 전송하는 등의 마케팅 방법을 제공할 수 있다.
또한, 레스토랑의 고객만족에 가장 큰 영향을 미치는 것은 음식품질로 나타났으므로, 이는 무형성과 유형성이 공존하는 레스토랑에서 제품의 역할을 하는 음식에 대한 품질이 중요하다는 것으로 볼 수 있으며, 고객만족을 높이기 위해서 무엇보다 음식품질을 높일 수 있는 방안을 우선적으로 고려할 것을 제안할 수 있다.
또한 고객의 구매경험을 바탕으로 한 과거행동을 과중한 품질과 고객만족과의 관계에서도 음식품질이 가장 높게 나타났으며, 이와 함께 분위기품질도 높게 나타나 고객의 과거 행동이 반영된 경우 음식의 맛도 중요하지만 분위기 품질도 향상시킴으로써 매출을 높일 수 있음을 제안한다.
이와 같이, 고객의 구매경험을 수집하여 지속적으로 분석함으로써 방문 고객을 관리하고, 고객의 레스토랑에 대한 품질과 고객 만족을 높일 수 있는 다양한 방법을 제공할 수 있다.
해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (6)

  1. 유선 또는 무선통신망을 통해 특정 사용자의 사용자 단말로부터 레스토랑 마케팅법 의뢰를 수신하는 통신부, 그리고
    복수의 저장 서버와 연계되어 웹 크롤러(web crawler) 및 래퍼 베이스드 웹 크롤러(wrapper-based web crawler)를 수행하여 데이터를 수집하고, 수집한 데이터의 통계분석 및 다중회귀분석을 통해 고객의 과거행동의 특성과 상기 레스토랑의 품질 및 고객만족 사이의 영향을 분석하고, 분석된 결과에 따라 상기 마케팅법을 제공하는 제어부
    를 포함하는 레스토랑 마케팅 시스템.
  2. 제1항에 있어서,
    상기 제어부는 상기 고객의 과거행동의 특성으로 최신성, 빈도성 및 영향력을 측정하는 레스토랑 마케팅 시스템.
  3. 제1항에 있어서,
    상기 제어부는,
    상기 레스토랑의 품질로 음식품질, 서비스품질 및 분위기품질을 측정하는 레스토랑 마케팅 시스템.
  4. 제3항에 있어서,
    상기 제어부는 상기 과거행동이 가중된 상기 레스토랑의 품질과 고객만족 사이의 다중회귀분석을 수행하는 레스토랑 마케팅 시스템.
  5. 제4항에 있어서,
    상기 제어부의 분석 결과 및 특정 레스토랑의 마케팅 방법을 저장하는 저장부를 더 포함하는 레스토랑 마케팅 시스템.
  6. 복수의 저장 서버와 연계되어 웹 크롤러(web crawler) 및 래퍼 베이스드 웹 크롤러(wrapper-based web crawler)를 수행하여 웹데이터를 수집하는 단계,
    상기 웹데이터로부터 고객의 과거행동의 특성, 레스토랑의 품질 및 고객만족에 대한 데이터를 수집하는 단계,
    상기 과거행동의 특성, 레스토랑의 품질 및 고객만족 사이에 통계 분석 및 상관관계 분석을 수행하는 단계, 그리고
    상기 과거행동의 특성이 가중된 레스토랑의 품질 및 고객만족 사이의 다중회귀분석을 수행하여 분석 결과를 도출하는 단계
    를 포함하는 레스토랑 마케팅 방법.
KR1020140098742A 2014-08-01 2014-08-01 레스토랑 마케팅 시스템 및 그의 마케팅 방법 KR20160015859A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140098742A KR20160015859A (ko) 2014-08-01 2014-08-01 레스토랑 마케팅 시스템 및 그의 마케팅 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140098742A KR20160015859A (ko) 2014-08-01 2014-08-01 레스토랑 마케팅 시스템 및 그의 마케팅 방법

Publications (1)

Publication Number Publication Date
KR20160015859A true KR20160015859A (ko) 2016-02-15

Family

ID=55356715

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140098742A KR20160015859A (ko) 2014-08-01 2014-08-01 레스토랑 마케팅 시스템 및 그의 마케팅 방법

Country Status (1)

Country Link
KR (1) KR20160015859A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190013276A (ko) * 2017-08-01 2019-02-11 (주)레드테이블 빅데이터를 이용한 모바일 커머스 시스템 및 서비스 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190013276A (ko) * 2017-08-01 2019-02-11 (주)레드테이블 빅데이터를 이용한 모바일 커머스 시스템 및 서비스 방법

Similar Documents

Publication Publication Date Title
US11107118B2 (en) Management of the display of online ad content consistent with one or more performance objectives for a webpage and/or website
US10937089B2 (en) Machine learning classification and prediction system
US11301761B2 (en) Behavioral prediction for targeted end users
KR100961782B1 (ko) 인공지능에 기반한 개인별 맞춤형 상품 제공 장치 및 방법,그 기록 매체
US8909771B2 (en) System and method for using global location information, 2D and 3D mapping, social media, and user behavior and information for a consumer feedback social media analytics platform for providing analytic measurements data of online consumer feedback for global brand products or services of past, present or future customers, users, and/or target markets
US10360568B2 (en) Customer state-based targeting
US20170011413A1 (en) Tools and methods for determining relationship values
JP5960887B1 (ja) 算出装置、算出方法及び算出プログラム
US20130332385A1 (en) Methods and systems for detecting and extracting product reviews
Satish et al. A review: big data analytics for enhanced customer experiences with crowd sourcing
KR100961783B1 (ko) 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체
KR100963996B1 (ko) 감성에 기반한 개인별 제품 추천 장치 및 방법, 그 기록 매체
JP5852218B1 (ja) 生成装置、生成方法及び生成プログラム
CN105843825A (zh) 影响者得分
He et al. Two-dimensional base warranty design based on a new demand function considering heterogeneous usage rate
Kim et al. The accuracy of tourism forecasting and data characteristics: a meta-analytical approach
Chauhan et al. Modeling the predictors of consumers’ online purchase intention of green products: the role of personal innovativeness and environmental drive
Liu et al. Using favorite data to analyze asymmetric competition: Machine learning models
US20220400367A1 (en) System and method for generating mobility profile
Shamshoddin et al. Predicting consumer preferences in electronic market based on IoT and Social Networks using deep learning based collaborative filtering techniques
CN103366308A (zh) 信息处理设备、信息处理方法和程序
Marmo Social media mining
US11080605B1 (en) Interest matched interaction initialization
KR20160015859A (ko) 레스토랑 마케팅 시스템 및 그의 마케팅 방법
Tamrakar Essays on social media and firm financial performance

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination