KR20160069485A - 개인화 추천 방법, 시스템 및 기록 매체 - Google Patents

Abstract

상품의 개인화 추천 방법, 시스템, 및 컴퓨터 판독 가능한 기록 매체가 제공된다. 상기 상품의 개인화 추천 방법은 고객에 대해 상품의 구매주기를 산출하는 2개 이상의 구매주기 알고리즘을 이용하여 미리 정해진 추천 대상 기간에 해당하는 상품 추천을 추출하는 단계, 처리 장치를 이용해, 각각의 상기 구매주기 알고리즘을 이용하여 추출된 상품 추천에 대한 성능평가가 이루어지는 단계, 및 상기 성능평가에 기초해 최상 순위의 상기 구매주기 알고리즘으로부터 추출된 상기 고객 상품 추천을 고객에게 추천하는 단계를 포함할 수 있다.

Description

개인화 추천 방법, 시스템 및 기록 매체{PERSONALIZED RECOMMENDATION METHOD, SYSTEM AND COMPUTER-READABLE RECORD MEDIUM}

본 발명은 개인화 추천 방법, 시스템 및 기록 매체에 관한 것으로, 보다 상세하게는 고객별 구매주기 분석을 통해 고객 추천상품을 제공하도록 이루어진 개인화 추천 방법, 시스템 및 기록 매체에 관한 것이다.

상품 추천 서비스는 전자 상거래 분야의 주요한 마케팅 수단으로 널리 이용되고 있다.

일반적으로 인터넷이나 모바일 포털 사이트에 입점한 온라인 마켓은 고객이 온라인 마켓을 방문했을 시, 홈페이지의 메인 화면에 팝업(pop-up) 형태로 상품을 추천하거나 고객이 특정 상품을 클릭한 경우 연관 상품을 고객에게 추천하고 있다. 이때, 추천되는 상품들은 대개 온라인 마켓에서 가장 인기있는 상품 등을 추천하게 된다.

그러나 이와 같은 상품 추천 방법은 고객들 각각의 성향을 고려하지 않고 모든 고객들에게 일괄적인 상품 추천이 이루어지기에 추천상품의 구매 효과가 낮은 문제가 있다.

이에 따라, 온라인 마켓에서는 고객의 구매 행동을 분석하여 해당 고객이 선호할 가능성이 높은 상품을 추천하도록 상품 추천 서비스를 제공하고 있다.

예를 들어, 생필품, 화장품, 음식 재료 등의 상품은 같은 상품을 주기적으로 반복하여 구매하는 패턴을 갖는다. 이와 같이, 구매주기는 개인에게 적합 상품을 추천하기 위한 중요한 요소가 된다.

이러한 구매주기를 이용한 상품 추천 서비스는 대개 평균 구매주기를 산출한 후, 구매주기에 맞추어 해당 상품을 고객에서 추천하게 된다. 그러나 평균 구매주기를 이용하여 상품을 추천할 경우에는 상품에 따라 정확도가 떨어지는 문제가 있다.

예로, 여름과 같은 계절에 구매빈도가 높은 아이스크림을 평균 구매주기를 통해 상품 추천이 이루어질 경우에는 구매빈도가 낮은 겨울에도 여름과 동일한 구매주기로 상품 추천이 이루어지는 문제가 있다.

이와 같이, 평균 구매주기를 이용하여 상품 추천이 이루어질 경우에는 고객이 해당 상품을 필요로 하지 않을 시에도 상품을 추천하는 문제가 있다.

한편, 상품 추천 서비스는 상품의 구매주기를 미리 설정하고, 해당 상품을 구매한 고객에게 해당 상품의 구매주기마다 해당 상품을 추천하기도 한다. 그러나 이 경우에는 고객에 따라 상품의 구매주기가 다르다는 것을 반영하지 않은 것으로, 추천 상품의 구매율이 낮은 문제가 있다.

예로, 선크림을 어떤 고객은 3개월 주기로 구매를 하고, 어떤 고객은 6개월 주기로 구매를 하며, 어떤 고객은 1년 주기로 구매를 할 수 있으나, 선크림의 구매주기를 6개월로 설정한 상태에서는 모든 고객에게 6개월 주기로 선크림을 추천하는 문제가 있다. 따라서, 고객별로 상품 추천이 제대로 이루어지지 못하는 문제가 있다.

상기와 같은 문제점을 해결하기 위한 본 발명의 기술적 과제는, 고객별 구매주기의 산출을 통해 상품을 추천하는 개인화 추천 방법, 시스템 및 기록 매체를 제공하는 것이다.

본 발명의 일실시예에 따르면, 고객에 대해 상품의 구매주기를 산출하는 2개 이상의 구매주기 알고리즘을 이용하여 미리 정해진 추천 대상 기간에 해당하는 상품 추천을 추출하는 단계, 처리 장치를 이용해, 각각의 상기 구매주기 알고리즘을 이용하여 추출된 상품 추천에 대한 성능평가가 이루어지는 단계, 및 상기 성능평가에 기초해 최상 순위의 상기 구매주기 알고리즘으로부터 추출된 상기 고객 상품 추천을 고객에게 추천하는 단계를 포함하는 상품의 개인화 추천 방법이 제공된다.

본 발명의 일실시예에 따르면, 상기 1 이상의 구매주기 알고리즘은, 상품의 평균 구매주기를 산출하는 평균 구매주기 알고리즘인 것일 수 있다.

본 발명의 일실시예에 따르면, 상기 1 이상의 구매주기 알고리즘은, 상품의 마지막 구매주기를 산출하는 최근 구매주기 알고리즘인 것일 수 있다.

본 발명의 일실시예에 따르면, 상기 구매주기 알고리즘은, 상품의 용량에 따른 용량 구매주기를 산출하는 용량 구매주기 알고리즘인 것일 수 있다.

본 발명의 일실시예에 따르면, 상기 구매주기 알고리즘은, 상품에 대한 상기 평균 구매주기, 최근 구매주기 및 용량 구매주기 중 구매주기가 가장 짧은 구매주기를 산출하는 최소 구매주기 알고리즘인 것일 수 있다.

본 발명의 일실시예에 따르면, 상기 구매주기 알고리즘은, 상기 평균 구매주기에 구매주기 편차를 적용하여 구매주기에 대한 표준편차를 산출하는 표준편차 구매주기 알고리즘인 것일 수 있다.

본 발명의 일실시예에 따르면, 상기 평균 구매주기는 하기 계산식에 의해 구해지는 것일 수 있다.

평균 구매주기 = {(1번째 구매주기 + 2번째 구매주기 + … + n번째 구매주기) ÷ n}

본 발명의 일실시예에 따르면, 상기 용량 구매주기는 하기 계산식에 의해 구해지는 것일 수 있다.

용량 구매주기 = [{(1번째 구매주기 + 2번째 구매주기 + ‥‥ + n번째 구매주기) ÷ n번째 이전까지 구매상품의 용량총합} × 마지막으로 구매한 날짜의 구매상품의 용량]

본 발명의 일실시예에 따르면, 상기 표준편차 구매주기는 하기 계산식에 의해 구해지고, 구매주기 편차는 분산의 제곱근으로부터 구해지는 것일 수 있다.

표준편차 구매주기 = 평균 구매주기 ± 구매주기 편차

본 발명의 일실시예에 따르면, 상기 성능평가가 이루어지는 단계는, 상품 구매 정보의 제1 데이터를 수신하는 단계 및 상품 구매 정보의 제2 데이터를 수신하는 단계로서, 상기 제2 데이터는 상기 제1 데이터보다 작은 단계, 각각의 상기 구매주기 알고리즘에 제1 데이터와 제2 데이터를 대입하여 상기 추천 대상 기간에 해당하는 제1 상품 추천과 제2 상품 추천을 추출하는 단계와, 하기 계산식에 기초하여 상기 제1 상품 추천과 제2 상품 추천의 적중률을 구하는 단계를 포함하는 것일 수 있다.

적중률(%) = [M1 ÷ {N1 × (P1 + P2) ÷ 2 }] × 100

[M1 : 제1 상품 추천과 제2 상품 추천이 매칭된 수, N1 : 고객수, P1 : 제1 상품 추천수, P2 : 제2 상품 추천수]

본 발명의 일실시예에 따르면, 상기 제1 데이터는 학습 데이터이고 상기 제2 데이터는 검증 데이터이며, 상기 학습 데이터와 검증 데이터는 데이터 양의 비율 또는 기간별로 구분되는 것일 수 있다.

본 발명의 일실시예에 따르면, 고객의 구매 이력 정보를 보관하는 데이터 관리부, 상기 데이터 관리부로부터 제공된 데이터를 이용하여 고객을 위한 상품 추천을 결정하는 상품 추천부, 및 상기 상품 추천부로부터 결정된 상기 상품 추천을 고객에게 제공하는 추천 제공부를 포함하는 개인화 추천 시스템이 제공된다.

본 발명의 일실시예에 따르면, 상기 추천 제공부는 상기 데이터 관리부에 접속한 고객들을 대상으로 상기 상품 추천을 제공하거나, 상기 데이터 관리부의 접속과는 상관없이 상품의 구매주기에 기초하여 고객의 단말 장치로 상기 고객 추천상품을 제공하도록 이루어질 수 있다.

본 발명의 일실시예에 따르면, 상기 상품 추천부는 상기 데이터 관리부로부터 복수의 상품 카테고리의 구매 정보를 제공받도록 이루어질 수 있다.

본 발명의 일실시예에 따르면, 본 발명에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 제공된다.

상기에서 설명한 본 발명에 따른 개인화 추천 방법, 시스템 및 기록 매체의 효과를 설명하면 다음과 같다.

본 발명에 따르면, 2개 이상의 구매주기 알고리즘으로부터 고객별 상품 구매에 대한 구매주기를 산출하고, 산출된 구매주기를 통해 구매 예상일을 계산하게 된다. 이러한 각각의 구매주기 알고리즘은 추천 대상 기간에 해당되는 고객 추천상품을 추출하게 된다.

다음으로, 각각의 구매주기 알고리즘은 성능평가를 통해 우선순위를 결정하게 되며, 1순위에 해당되는 구매주기 알고리즘의 고객 추천상품은 상품 추천부를 통해 고객에게 제공된다.

이와 같이 개인화 추천 방법은 2개 이상의 구매주기 알고리즘 중 적중률이 높은 구매주기 알고리즘의 고객 추천상품을 고객에게 제공함으로써 추천 상품의 구매율을 높일 수 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1은 본 발명의 일실시예에 따른 개인화 추천 시스템을 보여주는 개략도이다.
도 2는 본 발명의 일실시예에 따른 개인화 추천 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일실시예에 따른 평균 구매주기 알고리즘에 대한 성능평가를 보여주는 표이다.
도 4는 본 발명의 일실시예에 따른 각각의 구매주기 알고리즘으로부터 산출된 구매 예상일을 보여주는 리스트이다.
도 5는 본 발명의 일실시예에 따른 고객 추천상품 리스트이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 개인화 추천 시스템을 보여주는 개략도이다. 개인화 추천 시스템(1000)은 데이터 관리부(100), 상품 추천부(200) 및 추천 제공부(300)를 포함할 수 있다.

이러한 데이터 관리부(100)는 다수의 단말 장치(10)와 통신망(20)을 통해 연결되도록 이루어진다. 여기서 다수의 단말 장치(10)는 사용자의 조작에 따라 통신망(20)을 경유하는 각종 데이터를 송수신할 수 있는 단말기가 될 수 있으며, 태블릿 PC(Table PC), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 스마트폰(Smart Phone), 개인휴대용 정보단말기(PDA: Personal Digital Assistant), 스마트 TV 및 이동통신 단말기(Mobile Communication Terminal) 등 중 하나 이상일 수 있다. 또한, 단말 장치(10)는 통신망(20)을 이용하여 음성 또는 데이터 통신을 수행하는 단말기이며, 통신망(20)을 경유하여 데이터 관리부(100)와 통신하기 위한 브라우저, 프로그램 및 프로토콜을 저장하는 메모리, 각종 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비하고 있는 단말기를 의미한다. 즉, 단말 장치(10)는 데이터 관리부(100)와 서버-클라이언트 통신이 가능하고, 방송 서비스를 실행할 수 있다면 그 어떠한 단말기도 가능하며, 노트북 컴퓨터, 이동통신 단말기, PDA 등의 통신 컴퓨팅 장치를 모두 포함하는 넓은 개념이다. 한편, 단말 장치(10)는 터치 스크린을 구비한 형태로 제작되는 것이 바람직하나 반드시 이에 한정되는 것은 아니다.

다수의 단말 장치(10) 및 데이터 관리부(100)는 통신망(20)을 통해 연동되며, 이러한 통신망(20)은 인터넷망, 인트라넷망, 이동통신망, 위성 통신망 등 다양한 유무선 통신 기술을 이용하여 인터넷 프로토콜로 데이터를 송수신할 수 있는 망을 말한다.

또한, 통신망(20)은 데이터 관리부(100)와 결합되어 하드웨어, 소프트웨어 등의 컴퓨팅 자원을 저장한다. 이러한, 통신망(20)은 LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크, 인터넷(Internet)과 같은 개방형 네트워크뿐만 아니라, CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), GSM(Global System for Mobile Communications), LTE(Long Term Evolution), EPC(Evolved Packet Core) 등의 네트워크와 향후 구현될 차세대 네트워크 및 컴퓨팅 네트워크를 통칭하는 개념이다.

이와 같은 데이터 관리부(100)는 통신망(20)을 통해 다수 고객들의 구매 정보를 저장하게 된다.

예로, 데이터 관리부(100)는 온라인 마켓의 서버가 될 수도 있다. 이러한 데이터 관리부(100)는 고객들이 온라인 마켓상에서 구매한 상품에 대한 상품 정보 등의 각종 데이터 자료를 보관하게 된다. 만약, 온라인 마켓의 서버가 데이터 관리부(100)로 사용되는 경우, 데이터 관리부(100)는 고객의 기본 정보, 구매상품, 구매패턴, 구매지역, 구매금액, 또는 고객과 관련된 다른 적절한 유형의 정보와 같은 다양한 원천 데이터를 보관하게 된다. 이와 같이, 데이터 관리부(100)는 고객 추천상품을 제공하기 위한 원천 데이터를 보관하는 저장소가 된다.

한편, 상품 추천부(200)는 데이터 관리부(100)로부터 전달된 데이터를 이용하여 고객에게 적중도가 높은 맞춤형 고객 추천상품을 제공하게 된다. 이때, 상품 추천부(200)는 데이터 관리부(100)로부터 원하는 데이터만을 선택적으로 수집한 후, 고객 추천상품을 선정할 수도 있다. 즉, 상품 추천부(200)는 데이터 관리부(100)에 보관된 모든 데이터를 분석하는 것이 아니라, 선택적인 데이터 수집을 통해 불필요한 데이터의 양을 줄임으로써, 고객 추천상품을 선정하는데 필요한 시간을 단축할 수도 있다.

예를 들면, 상품 추천부(200)는 카테고리별로 고객의 구매 정보를 제공받을 수도 있다. 즉, 식품, 가구, 디지털 장치, 가전, 컴퓨터, 또는 기타 등등의 다양한 카테고리 중 고객에게 추천하고자 하는 상품의 카테고리만을 선택적으로 제공받을 수도 있음은 물론이다.

이러한 상품 추천부(200)는 빅데이터(Big Data)를 효과적으로 관리하기 위한 분산 처리 시스템이 도입될 수도 있다. 분산 처리 시스템은 처리 능력이나 처리 효율의 향상을 높일 수 있도록 여러 개의 처리 장치가 병렬로 비동기적으로 서로 도와가며 작업을 처리하는 것으로, 모든 데이터 처리를 하나의 처리 시스템에 집중시키는 것이 아니라 복수의 시스템에 분산시켜 데이터 처리가 이루어지도록 한다.

이와 같이, 상품 추천부(200)는 2개 이상의 구매주기 알고리즘이 구비되고, 고객에게 적중률이 높은 고객 추천상품을 제공하게 된다. 이러한 2개 이상의 구매주기 알고리즘으로부터 고객 추천상품을 제공하는 구체적인 방법은 후술하기로 한다.

한편, 추천 제공부(300)는 상품 추천부(200)로부터 선정된 고객 추천상품을 고객에게 제공하도록 이루어진다. 이러한 추천 제공부(300)는 화면을 통해 시각적으로 출력하는 표시부가 될 수도 있으며, 가청음을 출력하는 스피커 등이 될 수도 있다. 즉, 추천 제공부(300)는 고객에게 상품 추천을 제공할 수 있도록 다양한 유형의 장치를 포함할 수 있다.

추천 제공부(300)는 고객 추천상품을 리스트의 형태로 제공할 수도 있고, 그래프 형태로 제공할 수도 있는 등 고객 추천상품의 제공 형태는 다양하게 이루어질 수 있다. 이러한 추천 제공부(300)는 온라인 마켓상에 접속한 고객들을 대상으로 제공할 수도 있고, 온라인 마켓의 접속과는 상관없이 고객의 구매 예상 시기에 맞추어 고객의 단말 장치(10)로 고객 추천상품을 제공할 수도 있음은 물론이다

상품 추천부(200)는 각각의 고객에 대해 상품별로 구매패턴을 분석하여 추천 대상 기간에 구매가 예상되는 고객 추천상품을 선정하게 된다.

이러한 상품 추천부(200)는 미리 정해진 상품에 대한 구매주기 분석을 통해 미리 정해진 상품의 구매 예상 시기를 계산하여 고객에게 미리 정해진 상품의 구매시기에 맞추어 고객 추천상품을 제공하게 된다. 여기서 미리 정해진 상품은 가전제품, 의류, 식료품 등 특정한 물품으로 한정되지 않고 다양한 상품이 될 수 있음은 물론이다.

이와 같이, 상품 추천부(200)는 데이터 관리부(100)로부터 제공된 데이터를 이용하여 추천 대상 기간에 구매가 예상되는 고객 추천상품을 각각의 고객에게 제공하게 된다. 즉, 상품 추천부(200)는 각각의 고객에 대한 미리 정해진 상품별로 구매주기 산출하여 추천 대상 기간에 구매가 예상되는 상품을 고객에게 제공하게 된다.

도 2는 본 발명의 일실시예에 따른 개인화 추천 방법을 나타낸 흐름도이고, 도 3은 본 발명의 일실시예에 따른 평균 구매주기 알고리즘에 대한 성능평가를 보여주는 표이다.

도 2와 도 3를 참고하여 개인화 추천 방법을 살펴보면, 먼저 관리자는 추천 대상 기간을 지정하게 된다. 이때, 추천 대상 기간은 특정한 일(day)이 될 수 있고, 특정한 달(month) 또는 상품에 기초한 다른 적절한 시간 또는 기간이 될 수도 있다. 또는, 추천 대상 기간은 일정 기간을 선택적으로 지정할 수도 있는 등 추천 대상 기간은 다양하게 지정될 수 있다.

다음으로, 각각의 고객에 대한 미리 정해진 상품별로 구매주기를 산출하는 2개 이상의 구매주기 알고리즘으로부터 추천 대상 기간에 해당하는 고객 추천상품을 추출하게 된다.(S100)

여기서 고객 추천상품을 추출하는 구매주기 알고리즘으로는 평균 구매주기 알고리즘(210), 최근 구매주기 알고리즘(220), 용량 구매주기 알고리즘(230), 최소 구매주기 알고리즘(240) 및 표준편차 구매주기 알고리즘(250) 등이 될 수 있으며, 이외에도 구매주기를 산출하기 위한 다른 적절한 알고리즘이 추가로 확장 적용될 수 있음은 물론이다.

먼저, 평균 구매주기 알고리즘(210)은 고객별 미리 정해진 상품에 대한 평균 구매주기를 산출하여 추천 대상 기간에 구매가 예상되는 제1 고객 추천상품(211)을 추출하게 된다.

예를 들면, 1번째 구매날짜, 2번째 구매날짜, … , n번째 구매날짜, n+1번째 구매날짜 등이 있다면, n번째 구매주기는 n+1번째 구매날짜에서 n번째 구매날짜를 뺀 일자가 n번째 구매주기가 된다. 이러한 구매주기를 계산하는 방법은 다양한 구매주기 알고리즘에도 적용된다.

여기서 평균 구매주기 알고리즘(210)은 고객별 미리 정해진 상품에 대한 평균 구매주기를 산출하는 것이다. 이와 같은, 평균 구매주기는 하기 계산식으로부터 계산될 수 있다.

평균 구매주기 = {(1번째 구매주기 + 2번째 구매주기 + … + n번째 구매주기) ÷ n}… 계산식(1)

이러한 평균 구매주기 알고리즘(210)은 데이터 관리부(100)로부터 제공된 데이터를 이용하여 평균 구매주기를 산출하고, 평균 구매주기로부터 추천 대상 기간에 해당하는 고객 추천상품을 추출하게 된다.

구체적으로, 평균 구매주기 알고리즘(210)은 데이터 관리부(100)로부터 제공된 데이터에 대해 학습 데이터와 검증 데이터로 구분한 후, 알고리즘을 수행하게 된다.

여기서 학습 데이터와 검증 데이터의 데이터 구분은 데이터 비율로 나눌 수도 있고, 기간별로도 나눌 수 있는 등 다양한 방법으로 학습 데이터와 검증 데이터는 구분될 수 있다. 예를 들면, 학습 데이터와 검증 데이터를 데이터 비율로 나눌 경우, 학습 데이터와 검증 데이터는 8:2의 비율을 갖도록 나눌 수도 있다. 또한, 학습 데이터와 검증 데이터를 기간별로 나눌 경우, 학습 데이터와 검증 데이터는 1년을 기준으로 10달 동안의 데이터 자료와 2달 동안의 데이터 자료로 나눌 수도 있다. 이러한 학습 데이터와 검증 데이터의 비율 및 방식은 상술된 방법에 한정되지 않으며, 다양한 방법을 통해 학습 데이터와 검증 데이터는 나눠질 수 있다.

일예로, 평균 구매주기 알고리즘(210), 최근 구매주기 알고리즘(220), 용량 구매주기 알고리즘(230), 최소 구매주기 알고리즘(240) 및 표준편차 구매주기 알고리즘(250) 등에 적용되는 학습 데이터와 검증 데이터를 기간별로 나눔에 있어, 학습 데이터는 전체 데이터를 대상으로 하고, 검증 데이터는 전체 데이터 중 최근에 구매가 이루어진 일부(예를 들어, 단지 20%)의 데이터만을 대상으로 나눌 수도 있다.

여기서 성능평가(260)는 학습 데이터와 검증 데이터를 평균 구매주기 알고리즘(210)에 각각 대입하여 추천 대상 기간에 해당하는 각각의 고객 추천상품을 추출하게 된다. 즉, 성능평가(260)는 학습 데이터를 평균 구매주기 알고리즘(210)에 대입하여 학습 고객 추천상품을 추출하게 되고, 검증 데이터를 평균 구매주기 알고리즘(210)에 대입하여 검증 고객 추천상품을 추출하게 된다. 이때, 평균 구매주기 알고리즘(210)을 통해 구해진 학습 고객 추천상품이 제1 고객 추천상품(211)이 된다.(S200)

이와 같이, 성능평가(260)는 평균 구매주기 알고리즘(210)을 통해 구해진 학습 고객 추천상품과 검증 고객 추천상품으로부터 적중률을 계산하게 된다. 적중률 계산값은 하기 계산식으로 구해질 수 있다.

적중률(%) = [M1 ÷ {N1 × (P1 + P2) ÷ 2 }] × 100 … 계산식(2)

[M1 : 학습 고객 추천상품과 검증 고객 추천상품이 매칭된 수, N1 : 고객수, P1 : 학습 고객 추천상품수, P2 : 검증 고객 추천상품수]

도 3을 참고하면, 일예로서, 해당 추천 대상 기간을 2014년 2월로 설정된 상태에서 고객(C001)의 평균 구매주기 알고리즘(210)을 통해 추천 대상 기간에 해당하는 학습 고객 추천상품은 A상품, B상품, C상품 및 D상품이고, 평균 구매주기 알고리즘(210)을 통해 구해진 추천 대상 기간에 해당하는 검증 고객 추천상품은 B상품, D상품, Y상품 및 Z상품이다. 즉, 추천 대상 기간에 학습 고객 추천상품과 검증 고객 추천상품의 매칭된 상품은 B상품과 D상품으로 2개가 있다. 여기서, 고객(C001)의 "COO1"은 각각의 고객을 구분하기 위한 고객 코드이다.

이때, 각각의 구매주기 알고리즘에 대입되는 고객수는 1명으로 계산하여 각각의 고객에 대한 구매 예측 상품을 추출하게 된다. 그리고 학습 고객 추천상품수와 검증 고객 추천상품수는 추천 대상 기간에 해당하는 상품의 수로 지정한다.

이와 같이 구해진 값들을 통해 적중률을 계산할 경우, 적중률(%) = [2 ÷ {1 × (4 + 4) ÷ 2 }] × 100 의 계산식(2)을 통해 50%가 된다.

이러한 평균 구매주기 알고리즘(210)의 성능평가(260)를 통해 구해진 적중률은 50%가 되며, 다른 구매주기 알고리즘의 성능평가(260)를 통해 구해진 적중률과의 비교를 통해 1순위 또는 최상 순위의 구매주기 알고리즘을 선택하게 된다.

즉, 상품 추천부(200)는 다양한 구매주기 알고리즘 중 적중률이 가장 높은 1순위의 구매주기 알고리즘을 선택한 후, 1순위로 선택된 해당 구매주기 알고리즘의 고객 추천상품을 고객에게 제공하게 된다.

다음으로, 최근 구매주기 알고리즘(220)은 최근의 구매주기를 산출하여 추천 대상 기간에 구매가 예상되는 제2 고객 추천상품(221)을 추출하게 된다. 즉, 미리 정해진 상품을 마지막으로 구매한 날짜와 마지막으로 구매한 날짜 이전에 구매한 날짜로부터 최근 구매주기를 산출하게 된다.

예를 들면, 1번째 구매주기, 2번째 구매주기, … , 및 n번째 구매주기가 있다면, 마지막의 n번째 구매주기가 최근 구매주기가 된다.

이러한 최근 구매주기 알고리즘(220)도 평균 구매주기 알고리즘(210)에서와 같이 데이터 관리부(100)로부터 제공된 데이터에 대해 학습 데이터와 검증 데이터로 구분한 후, 알고리즘을 수행하게 된다. 이러한 학습 데이터와 검증 데이터의 구분에 대한 내용은 앞에서 언급하였으므로, 구체적인 내용은 생략하기로 한다.

이와 같이, 학습 데이터와 검증 데이터로 구분된 데이터로부터 최근 구매주기 알고리즘(220)에 대한 성능평가(260)가 이루어진다. 즉, 성능평가(260)는 학습 데이터와 검증 데이터를 최근 구매주기 알고리즘(220)에 각각 대입하여 추천 대상 기간에 해당하는 각각의 고객 추천상품을 추출하게 된다. 이때, 최근 구매주기 알고리즘(220)을 통해 학습 데이터로부터 구해진 학습 고객 추천상품이 제2 고객 추천상품(221)이 된다.

이러한 성능평가(260)는 앞서 설명하였던 성능평가 계산식(2)을 통해 최근 구매주기 알고리즘(220)의 적중률을 계산하게 된다.

다음으로, 용량 구매주기 알고리즘(230)은 미리 정해진 상품의 용량에 따라 용량 구매주기를 산출하여 추천 대상 기간에 구매가 예상되는 제3 고객 추천상품(231)을 추출하게 된다. 미리 정해진 상품의 용량은 상품의 수량에 관한 것일 수 있다.

이러한 용량 구매주기 알고리즘(230)은 하기 계산식을 통해 구해질 수 있다.

용량 구매주기 = [{(1번째 구매주기 + 2번째 구매주기 + ‥‥ + n번째 구매주기) ÷ n번째 이전까지 구매상품의 용량총합} × 마지막으로 구매한 날짜의 구매상품의 용량] … 계산식(3)

이러한 용량 구매주기 알고리즘(230)도 평균 구매주기 알고리즘(210)에서와 같이 데이터 관리부(100)로부터 제공된 데이터에 대해 학습 데이터와 검증 데이터로 구분한 후, 알고리즘을 수행하게 된다.

이와 같이, 학습 데이터와 검증 데이터로 구분된 데이터로부터 용량 구매주기 알고리즘(230)에 대한 성능평가(260)가 이루어진다. 즉, 성능평가(260)는 학습 데이터와 검증 데이터를 용량 구매주기 알고리즘(230)에 각각 대입하여 추천 대상 기간에 해당하는 각각의 고객 추천상품을 추출하게 된다. 이때, 용량 구매주기 알고리즘(230)을 통해 학습 데이터로부터 구해진 학습 고객 추천상품이 제3 고객 추천상품(231)이 된다.

이러한 성능평가(260)는 성능평가 계산식(2)을 통해 용량 구매주기 알고리즘(230)의 적중률을 계산하게 된다.

다음으로, 최소 구매주기 알고리즘(240)은 미리 정해진 상품에 대해 평균 구매주기 알고리즘(210), 최근 구매주기 알고리즘(220) 및 용량 구매주기 알고리즘(230)을 통해 각각 구해진 평균 구매주기, 최근 구매주기 및 용량 구매주기 중 구매주기가 가장 짧은 구매주기를 선택하여 최소 구매주기를 산출하여 추천 대상 기간에 구매가 예상되는 제4 고객 추천상품(241)을 추출하게 된다.

예를 들어, 평균 구매주기 알고리즘(210), 최근 구매주기 알고리즘(220) 및 용량 구매주기 알고리즘(230)을 통해 고객(C003)의 A상품에 대한 평균 구매주기가 10이고, 최근 구매주기가 8이며, 용량 구매주기 알고리즘이 9라면 최소 구매주기 알고리즘(240)은 구매주기가 가장 짧은 최근 구매주기의 8을 선택하게 된다. 이와 같이, 최소 구매주기 알고리즘(240)은 고객의 다양한 상품에 대해 평균 구매주기 알고리즘(210), 최근 구매주기 알고리즘(220) 및 용량 구매주기 알고리즘(230) 중 가장 짧은 구매주기를 선택하게 된다. 이때, 최소 구매주기 알고리즘(240)을 통해 선택되는 구매주기는 평균 구매주기 알고리즘(210), 최근 구매주기 알고리즘(220) 및 용량 구매주기 알고리즘(230)을 이용하여 얻어진 구매주기로 한정되지 않으며, 다른 알고리즘이 더 추가된 상태에서 가장 짧은 구매주기를 선택할 수도 있음은 물론이다.

이러한 최소 구매주기 알고리즘(240)도 평균 구매주기 알고리즘(210)에서와 같이 데이터 관리부(100)로부터 제공된 데이터에 대해 학습 데이터와 검증 데이터로 구분한 후, 알고리즘을 수행하게 된다.

이와 같이, 학습 데이터와 검증 데이터로 구분된 데이터로부터 최소 구매주기 알고리즘(240)에 대한 성능평가(260)가 이루어진다. 즉, 성능평가(260)는 학습 데이터와 검증 데이터를 최소 구매주기 알고리즘(240)에 각각 대입하여 추천 대상 기간에 해당하는 각각의 고객 추천상품을 추출하게 된다. 이때, 최소 구매주기 알고리즘(240)을 통해 학습 데이터로부터 구해진 학습 고객 추천상품이 제4 고객 추천상품(241)이 된다.

이러한 성능평가(260)는 성능평가 계산식을 통해 최소 구매주기 알고리즘(240)의 적중률을 계산하게 된다.

다음으로, 표준편차 구매주기 알고리즘(250)은 평균 구매주기에 구매주기 편차를 적용하여 산출된 구매주기에 따라 추천 대상 기간에 구매가 예상되는 제5 고객 추천상품(251)을 추출하게 된다.

이러한 표준편차 구매주기 알고리즘(250)은 하기 계산식(4)을 통해 구해질 수 있다. 여기서 표준편차 구매주기를 구하는 구체적인 예시는 후술하여 설명하기로 한다.

표준편차 구매주기 = 평균 구매주기 ± 구매주기 편차… 계산식(4)

이러한 표준편차 구매주기 알고리즘(250)도 평균 구매주기 알고리즘(210)에서와 같이 데이터 관리부(100)로부터 제공된 데이터에 대해 학습 데이터와 검증 데이터로 구분한 후, 알고리즘을 수행하게 된다.

이와 같이, 학습 데이터와 검증 데이터로 구분된 데이터로부터 표준편차 구매주기 알고리즘(250)에 대한 성능평가(260)가 이루어진다. 즉, 성능평가(260)는 학습 데이터와 검증 데이터를 표준편차 구매주기 알고리즘(250)에 각각 대입하여 추천 대상 기간에 해당하는 각각의 고객 추천상품을 추출하게 된다. 이때, 표준편차 구매주기 알고리즘(250)을 통해 학습 데이터로부터 구해진 학습 고객 추천상품이 제5 고객 추천상품(251)이 된다.

이러한 성능평가(260)는 성능평가 계산식(2)을 통해 표준편차 구매주기 알고리즘(250)의 적중률을 계산하게 된다.

이와 같은 각각의 구매주기 알고리즘으로부터 구매 예상일을 산출하는 과정을 하기 표 1(a) 및 (b) 를 통해 살펴보기로 하자. 표 1(a)는 고객의 구매일자를 나타내고, 표 1의 (b)는 구매주기 알고리즘으로부터 산출된 구매 예상일을 나타낸다.

표 1을 참고하면, 고객(D005)은 A상품을 3번 구매하였다.

먼저, 평균 구매주기 알고리즘(210)을 통해 평균 구매주기를 산출하기 위해서는 구매주기를 알아야 된다. 즉, 1번째 구매주기는 2번째 구매일자로부터 1번째 구매일자를 뺀 값으로, 1번째 구매주기는 105일이 된다. 2번째 구매주기는 3번째 구매일자로부터 2번째 구매일자를 뺀 값으로, 2번째 구매주기는 112일이 된다.

평균 구매주기 알고리즘(210)은 상술된 평균 구매주기 계산식(1)으로부터 108.5일의 평균 구매주기를 산출하게 된다. 즉, 평균 구매주기 = (105 + 112) ÷ 2 의 계산식(1)으로부터 구해질 수 있다. 이때, 평균 구매주기는 108.5일이나 관리자는 일자에 소수점이 붙게 되면 올림, 반올림 또는 내림을 통해 일자를 조정하도록 설정할 수 있음은 물론이다. 표 1에서는 산출되는 구매주기 일자에 소수점이 있는 경우 반올림을 하도록 조정되었다.

따라서, 평균 구매주기 알고리즘(210)은 108.5일로 산출된 평균 구매주기를 109일로 조정하여 상품의 구매 예상일을 2014년 3월 13일로 추출하게 된다.

다음으로, 최근 구매주기 알고리즘(220)은 2번째 구매주기인 112일의 최근 구매주기를 산출하게 되며, 상품의 구매 예상일을 2014년 3월 16일로 추출하게 된다.

다음으로, 용량 구매주기 알고리즘(230)은 상술된 용량 구매주기 계산식(3)으로부터 109.8일의 용량 구매주기를 산출하게 된다. 즉, 용량 구매주기 = {(105 + 112) ÷ (92 + 74)} × 84 의 계산식(3)으로부터 구해질 수 있다. 이때, 용량 구매주기는 109.8일이나 소수점 반올림을 통해 110일로 조정되어 상품의 구매 예상일은 2014년 3월 14일로 추출될 수 있다.

다음으로, 최소 구매주기 알고리즘(240)은 평균 구매주기, 최근 구매주기 및 용량 구매주기 중 구매주기가 가장 짧은 109일의 최소 구매주기를 산출하게 되며, 상품의 구매 예상일은 2014년 3월 13일로 추출될 수 있다.

다음으로, 표준편차 구매주기 알고리즘(250)은 평균 구매주기에 구매주기 편차를 적용하여 상품의 구매 예상일을 산출하게 된다. 이때, 구매주기 편차는 분산의 제곱근으로부터 구할 수 있다. 즉, 분산의 값은, (편차의 제곱의 합) ÷ (변량의 개수 - 1) 의 계산식을 통해 구할 수 있다. 이때, 편차는 각각의 구매주기로부터 평균 구매주기를 뺀 값이 된다. 다시 말해서, 표 1에서의 편차는 105일에서 108.5일을 뺀 -3.5일인 제1 편차와 112일에서 108.5일을 뺀 3.5일인 제2 편차로 구분될 수 있다.

이와 같이, 분산 = {(-3.5)² + (3.5)²} ÷ (2 - 1) 의 계산으로부터 24.5가 산출되고, 산출된 분산값의 제곱근을 통해 4.95일의 구매주기 편차를 구할 수 있다. 여기서 4.95일의 구매주기 편차는 ±5일로 조정되며, 상품의 구매 예상일은 2014년 3월 8일과 2014년 3월 18일중에서 추출될 수 있다.

도 4는 본 발명의 일실시예에 따른 각각의 구매주기 알고리즘으로부터 산출된 구매 예상일을 보여주는 리스트이고, 도 5는 본 발명의 일실시예에 따른 고객 추천상품 리스트이다.

도 4(a)는 고객(P001)이 구매한 상품별로 구매일자를 보여주는 리스트이고, 도 4(b) 내지 (f)는 각각의 구매주기 알고리즘으로부터 구매주기를 산출한 후, 구매 예상일을 추출한 리스트이다. 이때, 관리자는 추천 대상 기간을 2014년 3월로 지정을 하였으며, 추천 대상 기간에 해당하는 각각의 구매주기 알고리즘으로부터 추출된 상품이 고객 추천상품이 된다.

예를 들어, 도 4(b)는 평균 구매주기 알고리즘(210)을 통해 추천 대상 기간인 2014년 3월에 해당하는 C상품과 D상품을 제1 고객 추천상품(211)으로 추출한 것을 알 수 있다.

그리고 도 4(c)는 최근 구매주기 알고리즘(220)을 통해 추천 대상 기간인 2014년 3월에 해당하는 D상품을 제2 고객 추천상품(221)으로 추출한 것을 알 수 있다.

이와 같이, 각각의 구매주기 알고리즘은 추천 대상 기간에 해당하는 고객 추천상품을 추출하게 된다.

도 5(a)는 구매주기 알고리즘의 성능평가에 따른 우선순위를 보여주는 리스트이고, 도 5(b)는 1순위에 해당하는 구매주기 알고리즘의 고객 추천상품을 보여주는 리스트이다.

즉, 도 5(a)의 각각의 구매주기 알고리즘의 성능평가를 통해 1순위에 해당하는 최소 구매주기 알고리즘(240)의 제4 고객 추천상품(241)이 고객에게 추천되는 상품으로 결정된다. 따라서, 상품 추천부(200)는 고객(P001)에게 2014년 3월에 C상품과 D상품을 추천하게 된다.(S300)

한편, 고객에게 추천되는 고객 추천상품은 구매주기 알고리즘의 성능평가(260)를 통해 우선순위에 해당되는 1순위와 2순위의 상품을 함께 추천할 수도 있는 등, 추천되는 알고리즘의 개수는 관리자가 선택적으로 조정할 수도 있음은 물론이다. 이 경우, 고객에게 추천되는 상품이 중복될 시에는 상품의 중복 제거가 이루어진 상태로 고객에게 상품을 추천하게 된다.

이와 같이, 개인화 추천 방법은 각각의 구매주기 알고리즘의 성능평가(260)를 통해 적중률이 높은 알고리즘의 고객 추천상품을 고객에게 제공하게 된다.

이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이러한 개인화 추천 방법에 따른 고객 추천상품의 선정 방법은 본 발명의 바람직한 일실시예로, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

10: 단말 장치
20: 통신망
100: 데이터 관리부
200: 상품 추천부
210: 평균 구매주기 알고리즘
220: 최근 구매주기 알고리즘
230: 용량 구매주기 알고리즘
240: 최소 구매주기 알고리즘
250: 표준편차 구매주기 알고리즘
260: 성능평가
300: 추천 제공부
1000: 개인화 추천 시스템

Claims (15)

1. 고객에 대해 상품의 구매주기를 산출하는 2개 이상의 구매주기 알고리즘을 이용하여 미리 정해진 추천 대상 기간에 해당하는 상품 추천을 추출하는 단계;
   처리 장치를 이용해, 각각의 상기 구매주기 알고리즘을 이용하여 추출된 상품 추천에 대한 성능평가가 이루어지는 단계; 및
   상기 성능평가에 기초해 최상 순위의 상기 구매주기 알고리즘으로부터 추출된 상기 고객 상품 추천을 고객에게 추천하는 단계를 포함하는 상품의 개인화 추천 방법.
   
2. 제1항에 있어서,
   상기 1 이상의 구매주기 알고리즘은, 상품의 평균 구매주기를 산출하는 평균 구매주기 알고리즘인 것인 상품의 개인화 추천 방법.
   
3. 제2항에 있어서,
   상기 1 이상의 구매주기 알고리즘은, 상품의 마지막 구매주기를 산출하는 최근 구매주기 알고리즘인 것인 상품의 개인화 추천 방법.
   
4. 제3항에 있어서,
   상기 구매주기 알고리즘은, 상품의 용량에 따른 용량 구매주기를 산출하는 용량 구매주기 알고리즘인 것인 상품의 개인화 추천 방법.
   
5. 제4항에 있어서,
   상기 구매주기 알고리즘은, 상품에 대한 상기 평균 구매주기, 최근 구매주기 및 용량 구매주기 중 구매주기가 가장 짧은 구매주기를 산출하는 최소 구매주기 알고리즘인 것인 상품의 개인화 추천 방법.
   
6. 제2항에 있어서,
   상기 구매주기 알고리즘은, 상기 평균 구매주기에 구매주기 편차를 적용하여 구매주기에 대한 표준편차를 산출하는 표준편차 구매주기 알고리즘인 것인 상품의 개인화 추천 방법.
   
7. 제2항에 있어서,
   상기 평균 구매주기는 하기 계산식에 의해 구해지는 것인 개인화 추천 방법.
   
   평균 구매주기 = {(1번째 구매주기 + 2번째 구매주기 + … + n번째 구매주기) ÷ n}
   
8. 제4항에 있어서,
   상기 용량 구매주기는 하기 계산식에 의해 구해지는 것인 개인화 추천 방법.용량 구매주기 = [{(1번째 구매주기 + 2번째 구매주기 + ‥‥ + n번째 구매주기) ÷ n번째 이전까지 구매상품의 용량총합} × 마지막으로 구매한 날짜의 구매상품의 용량]
   
9. 제6항에 있어서,
   상기 표준편차 구매주기는 하기 계산식에 의해 구해지고, 구매주기 편차는 분산의 제곱근으로부터 구해지는 것인 개인화 추천 방법.
   
   표준편차 구매주기 = 평균 구매주기 ± 구매주기 편차
   
10. 제1항에 있어서,
    상기 성능평가가 이루어지는 단계는,
    상품 구매 정보의 제1 데이터를 수신하는 단계 및 상품 구매 정보의 제2 데이터를 수신하는 단계로서, 상기 제2 데이터는 상기 제1 데이터보다 작은 단계,
    각각의 상기 구매주기 알고리즘에 제1 데이터와 제2 데이터를 대입하여 상기 추천 대상 기간에 해당하는 제1 상품 추천과 제2 상품 추천을 추출하는 단계와,
    하기 계산식에 기초하여 상기 제1 상품 추천과 제2 상품 추천의 적중률을 구하는 단계를 포함하는 것인 개인화 추천 방법.
    
    적중률(%) = [M1 ÷ {N1 × (P1 + P2) ÷ 2 }] × 100
    [M1 : 제1 상품 추천과 제2 상품 추천이 매칭된 수, N1 : 고객수, P1 : 제1 상품 추천수, P2 : 제2 상품 추천수]
    
11. 제10항에 있어서,
    상기 제1 데이터는 학습 데이터이고 상기 제2 데이터는 검증 데이터이며,
    상기 학습 데이터와 검증 데이터는 데이터 양의 비율 또는 기간별로 구분되는 것인 개인화 추천 방법.
    
12. 제1항에 따른 방법을 위한 개인화 추천 시스템으로서,
    고객의 구매 이력 정보를 보관하는 데이터 관리부;
    상기 데이터 관리부로부터 제공된 데이터를 이용하여 고객을 위한 상품 추천을 결정하는 상품 추천부; 및
    상기 상품 추천부로부터 결정된 상기 상품 추천을 고객에게 제공하는 추천 제공부를 포함하는 개인화 추천 시스템.
    
13. 제12항에 있어서,
    상기 추천 제공부는 상기 데이터 관리부에 접속한 고객들을 대상으로 상기 상품 추천을 제공하거나, 상기 데이터 관리부의 접속과는 상관없이 상품의 구매주기에 기초하여 고객의 단말 장치로 상기 고객 추천상품을 제공하도록 이루어진 개인화 추천 시스템.
    
14. 제12항에 있어서,
    상기 상품 추천부는 상기 데이터 관리부로부터 복수의 상품 카테고리의 구매 정보를 제공받도록 이루어진 개인화 추천 시스템.
    
15. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체.

Images