KR20160097780A - Tv 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법 - Google Patents

Tv 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법 Download PDF

Info

Publication number
KR20160097780A
KR20160097780A KR1020150020048A KR20150020048A KR20160097780A KR 20160097780 A KR20160097780 A KR 20160097780A KR 1020150020048 A KR1020150020048 A KR 1020150020048A KR 20150020048 A KR20150020048 A KR 20150020048A KR 20160097780 A KR20160097780 A KR 20160097780A
Authority
KR
South Korea
Prior art keywords
product
event data
data
home shopping
sales
Prior art date
Application number
KR1020150020048A
Other languages
English (en)
Inventor
정인정
박한샘
강대현
권경락
이정민
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020150020048A priority Critical patent/KR20160097780A/ko
Publication of KR20160097780A publication Critical patent/KR20160097780A/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
    • G06Q30/0201—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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석 장치는, TV 홈쇼핑에서의 상품 판매 패턴을 분석하는 프로그램이 저장된 메모리 및 프로그램을 실행하는 프로세서를 포함한다. 이때, 프로세서는 프로그램의 실행에 따라, TV 홈쇼핑에서의 상품 판매와 관련하여 수집된 이벤트 데이터로부터, 복수의 구매요소와 각각 대응되는 복수의 차원 테이블을 포함하는 다차원 데이터 모델을 구성하고, 구성된 다차원 데이터 모델 및 온라인 분석 처리 기법을 기초로 상품에 대한 상품 데이터 큐브를 생성하며, 생성된 상품 데이터 큐브 및 기 설정된 분류기법을 기초로 특정 상품마다 판매되는 각 구매요소 별 조건을 조합하여 각각 출력한다.

Description

TV 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법{APPARATUS AND METHOD FOR PRODUCT SALES PATTERN ANALYSIS IN TV HOME SHOPPING}
본 발명은 TV 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법에 관한 것이다.
데이터 웨어하우스(data warehouse)는 방대한 데이터의 저장소로 사용자가 요구하는 정보를 효율적으로 제공하기 위하여 주제별로 통합하고 가공하고 관리하기 위하여 사용된다. 이러한 데이터 웨어하우스에서 온라인 분석 처리(online analytical processing; OLAP)는 사용자가 데이터 웨어하우스에 직접 접근하여 대화식으로 다차원 데이터 분석할 수 있다. 그러므로 의사 결정자는 온라인 분석 처리를 통하여 원하는 정보를 분석하고 이를 의사결정에 활용할 수 있다.
이러한 온라인 분석 처리의 일 유형으로는 관계형 데이터베이스(relational database)를 기반으로 하는 관계형 온라인 분석 처리(relational OLAP; ROLAP), 다차원 데이터베이스를 기반으로 하는 다차원 온라인 분석 처리(multidimensional OLAP; MOLAP) 및 관계형과 다차원을 모두 지원하는 혼합형 온라인 분석 처리(hybrid OLAP; HOLAP) 등이 있다.
또한, 온라인 분석 처리는 방대한 양의 데이터를 3개 이상의 차원(dimension)과 값을 포함하는 다차원 큐브(multidimensional cube)를 생성하여 관리한다. 이때, 차원은 값을 설명하기 위한 속성(attribute), 특징(feature), 카테고리(category)가 될 수 있다. 또한, 차원은 계층구조를 가질 수 있다.
온라인 분석 처리는 큐브에 대한 요약(summary) 및 집계(aggregate)를 위한 온라인 분석 처리 기법을 제공한다. 대표적인 온라인 분석 처리 기법은 롤-업(roll-up), 드릴-다운(drill-down), 슬라이스(slice) 및 다이스(dice)가 있다. 이때, 롤-업 및 드릴 다운은 차원이 계층구조를 가질 때, 차원을 상위 혹은 하위 계층으로 이동하며 큐브를 분석하기 위한 연산이다. 슬라이스 및 다이스는 다차원 큐브에서 특정 차원의 값을 선택하여 큐브를 분석하기 위한 연산이다.
특히, 온라인 분석 처리는 TV 홈쇼핑 및 인터넷 쇼핑 등의 데이터에 대한 패턴 분석, 트렌드 분석 및 사용자 프로파일링 등에 활용될 수 있다. 또한, 온라인 분석 처리는 데이터마이닝(data mining) 등의 고급 분석을 위한 전처리(preprocess)로 사용할 수 있다.
온라인 분석 처리를 이용한 상품 패턴 분석에 대한 종래의 기술로서, 한국 공개특허공보 제2013-0083899호(발명의 명칭: 데이터 웨어하우스 상의 온라인 분석 처리(OLAP) 연산의 최적화된 시퀀싱을 위한 하이퍼 격자 모델)는 데이터 웨어하우스 내에 포함된 데이터의 온라인 분석 처리를 위한 시스템 및 방법을 개시하고 있다. 구체적으로 이 발명은 차원을 하이퍼 격자 구조에 추가하기 위한 방법으로 새로운 기저 큐보이드(cuboid)를 데이터 웨어하우스의 기능을 설명하는 하이퍼 격자에 추가한다.
또한, 한국 등록특허공보 제1047592호(발명의 명칭: 다차원 데이터의 처리 방법 및 분석 방법, 그리고 다차원 데이터처리 장치)는 복수의 차원 속성과 측정치 속성으로 이루어지는 다차원 데이터의 처리 방법이 개시된다. 구체적으로, 이 방법은 복수 개의 노드들로 이루어지는 트리 구조의 노드에 적어도 하나의 차원 속성값으로 이루어지는 차원 속성값 그룹에 대한 차원 속성 정보 및 측정치 속성 정보를 저장하고, 입력되는 데이터에 따라 차원 속성 정보 및 측정치 속성 정보를 갱신한다.
본 발명의 일 실시예는 TV 홈쇼핑에서의 온라인 분석 처리 및 분류 기법에 기초하여 상품 판매 패턴을 더욱 정확하게 분석하는 장치 및 방법을 제공하는데 그 목적이 있다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면은 TV 홈쇼핑에서의 상품 판매 패턴을 분석하는 프로그램이 저장된 메모리 및 프로그램을 실행하는 프로세서를 포함하고, 프로세서는 프로그램의 실행에 따라, TV 홈쇼핑에서의 상품 판매와 관련하여 수집된 이벤트 데이터로부터, 복수의 구매요소와 각각 대응되는 복수의 차원 테이블을 포함하는 다차원 데이터 모델을 구성하고, 구성된 다차원 데이터 모델 및 온라인 분석 처리 기법을 기초로 상품에 대한 상품 데이터 큐브를 생성하며, 생성된 상품 데이터 큐브 및 기 설정된 분류기법을 기초로 특정 상품마다 판매되는 각 구매요소 별 조건을 조합하여 각각 출력한다.
또한, 본 발명의 제 2 측면은 TV 홈쇼핑에서의 상품 판매 패턴 분석방법에 있어서, TV 홈쇼핑에서의 상품 판매와 관련된 이벤트 데이터를 수집하는 단계; 수집된 이벤트 데이터로부터, 복수의 구매요소와 각각 대응되는 복수의 차원 테이블을 포함하는 다차원 데이터 모델을 구성하는 단계; 구성된 다차원 데이터 모델 및 온라인 분석 처리 기법을 기초로 상품 판매에 대한 상품 데이터 큐브를 생성하는 단계; 및 생성된 상품 데이터 큐브 및 기 설정된 분류기법을 기초로 특정 상품마다 판매되는 각 구매요소 별 조건을 조합하여 각각 출력하는 단계를 포함한다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 본 발명은 온라인 분석 처리기법 및 분류기법에 기초하여 대량의 TV 홈쇼핑 판매 상품 정보를 분석하여, 상품의 동향을 파악할 수 있다. 또한, 본 발명은 TV 홈쇼핑 판매 데이터에서 추출할 수 있는 상품 및 판매 정보 등의 직접적인 영향 요소뿐만 아니라, 정치, 사회 및 경제 이슈 등의 간접적인 영향 요소까지 고려한 상품 판매 전략을 수립할 수 있다.
또한, 본 발명은 의사결정 트리와 같은 분류 기법에 기초하여 직관적이고, 이해하기 쉬운 사용자의 구매패턴 및 새로운 판매 규칙을 도출할 수 있다. 그러므로 본 발명은 의사결정자에게 이러한 사용자의 구매패턴 및 새로운 판매 규칙에 기초하여, 새로운 상품의 효율적인 판매 전략 수립할 수 있도록 도움을 줄 수 있다.
그리고 본 발명은 사용자에게 높은 고객평가지수를 받을 수 있는 판매와 관련된 세부 상세 조건을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석 장치의 구성도이다.
도 2는 본 발명에서 제안하는 차원 테이블 및 데이터 큐브의 예시도이다.
도 3은 본 발명에서 제안하는 온라인 분석 처리 기법의 예시도이다.
도 4는 본 발명에서 제안하는 상품에 대한 판매 의사결정 트리의 예시도이다.
도 5는 본 발명에서 제안하는 요일에 대한 판매 의사결정 트리의 예시도이다.
도 6은 본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 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 생략하였다.
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. 또한, 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.
다음은 도 1 내지 도 5를 참조하여 본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석 장치(100)를 설명한다.
도 1은 본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석 시스템(10)의 구성도이다.
본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석 시스템(10)은 온라인 분석처리 및 분류 기법에 기초하여 TV 홈쇼핑에서의 상품 판매 트렌드를 분석하고 상품 판매 규칙을 추출한다.
이때, 상품 판매 패턴 분석 시스템(10)은 상품 판매 패턴 분석을 수행하는 상품 판매 패턴 분석 장치(100), 이벤트 데이터를 제공하는 이벤트 데이터 서버(140) 및 이벤트 데이터나 상품 판매와 관련된 데이터 등을 저장하는 데이터베이스(150)를 포함할 수 있다.
상품 판매 패턴 분석 시스템(10)을 구성하는 각 구성요소는 네트워크(network)를 통해 연결될 수 있다. 네트워크는 서버 및 단말과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것이다. 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석 장치(100)는 TV 홈쇼핑에서 판매 중인 대량의 상품 정보를 온라인 분석처리 기법 및 분류 기법에 기초하여 TV 홈쇼핑의 상품 판매 트렌드를 분석하고, 상품 판매 규칙을 추출한다. 이때, 상품 판매 패턴 분석 장치(100)는 이벤트 데이터 제공 서버(140) 및 데이터베이스(150)에서 수신한 이벤트 데이터에 기초하여 상품 판매 패턴을 분석할 수 있다.
이벤트 데이터 제공 서버(140)는 이벤트 데이터를 제공하는 서버이다. 이때, 이벤트 데이터는 상품 판매와 직접적인 관련성을 갖는 요소뿐만 아니라 날씨, 정치, 사회 및 경제 이슈 등과 같이 간접적으로 상품 판매에 영향을 미칠 수 있는 데이터일 수 있다. 이벤트 데이터 제공 서버(140)는 상품 판매 패턴 분석 장치(100)에 직접 이벤트 데이터를 제공하거나, 데이터베이스(150)를 통하여 상품 판매 패턴 분석 장치(100)에 이벤트 데이터를 제공할 수 있다. 또한, 이벤트 데이터 제공 서버(140)는 상품 판매 패턴 분석 시스템(10)에 포함되거나, 상품 판매 패턴 분석 시스템(10)의 외부에 존재하며, 네트워크를 통하여 연결될 수 있다.
데이터베이스(150)는 상품 정보, 고객 정보, 상품의 공급자 정보 등과 같은 TV 홈쇼핑과 관련된 이벤트 데이터를 저장할 수 있다. 예를 들어, 데이터베이스(150)는 시간 데이터, 상품 데이터, 공급자 데이터, 날씨 데이터, 고객 데이터 및 상품 판매 데이터 등을 저장할 수 있다.
이때, 데이터베이스(150)는 상품 판매 패턴 분석 장치(100)에 포함될 수 있다. 또한, 데이터베이스(150)는 상품 판매 패턴 분석 장치(100)와 독립된 서버로 상품 판매 패턴 분석 시스템(10)에 포함될 수 있다.
도 1을 참조하면, TV 홈쇼핑에서의 상품 판매 패턴 분석 장치(100)는 통신 모듈(110), 메모리(120) 및 프로세서(130)를 포함한다.
통신 모듈(110)은 이벤트 데이터를 주기적 또는 실시간으로 수집하는 이벤트 데이터 제공 서버(140) 및 데이터베이스(150)와 데이터를 송수신할 수 있다. 이때, 통신 모듈(110)은 유선 통신 모듈 및 무선 통신 모듈을 모두 포함할 수 있다. 예를 들어, 유선 통신 모듈은 전력선 통신 장치, 전화선 통신 장치, 케이블 홈(MoCA), 이더넷(Ethernet), IEEE1294, 통합 유선 홈 네트워크 및 RS-485 제어 장치로 구현될 수 있다. 또한, 무선 통신 모듈은 WLAN(wireless LAN), Bluetooth, HDR WPAN, UWB, ZigBee, Impulse Radio, 60GHz WPAN, Binary-CDMA, 무선 USB 기술 및 무선 HDMI 기술 등으로 구현될 수 있다.
메모리(120)는 TV 홈쇼핑에서의 상품 판매 패턴을 분석하는 프로그램이 저장된다. 이때, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치를 통칭하는 것이다. 예를 들어, 메모리(120)는 콤팩트 플래시 카드, SD 카드, 메모리 스틱, 솔리드 스테이트 드라이브 및 마이크로 SD 카드 등과 같은 낸드 플래시 메모리, 하드 디스크 드라이브 등과 같은 마그네틱 컴퓨터 기억 장치 및 CD-ROM, DVD-ROM 등과 같은 광학 디스크 드라이브 등을 포함할 수 있다.
프로세서(130)는 프로그램의 실행에 따라, TV 홈쇼핑에서의 상품 판매와 관련하여 수집된 이벤트 데이터로부터, 복수의 구매요소와 각각 대응되는 복수의 차원 테이블을 포함하는 다차원 데이터 모델을 구성한다.
이때, 수집되는 이벤트 데이터는 TV 홈쇼핑 상품 판매와 직접적으로 영향을 미치는 요소뿐만 아니라, 날씨, 정치, 사회 및 경제 이슈와 같이 간접적으로 TV 홈쇼핑 상품 판매에 영향을 미칠 수 있는 데이터일 수 있다. 예를 들어, 이벤트 데이터는 대형 사고 등의 사회 이슈, 유가 하락 등과 같은 경제 이슈, 선거 등과 같은 정치 이슈가 될 수 있다. 또한, 이벤트 데이터는 상품 판매와 관련된 복수의 고객평가지수를 포함할 수 있다.
이때, 이벤트 데이터는 정치, 사회 및 경제 등의 이슈 따라 이벤트 데이터 제공 서버(140)에 의하여 수집되거나, 프로세서(130)가 통신 모듈(110)을 통하여 수집될 수 있다.
그리고 이벤트 데이터는 이벤트 데이터가 발생한 시간 및 이벤트의 종류, 이벤트의 특징 정보 등의 구매 요소를 포함할 수 있다. 예를 들어, 이벤트 데이터는 수집된 이벤트 데이터 중 정치 이슈와 관련된 이벤트 데이터로부터 생성되는 제 1 구매요소, 수집된 이벤트 데이터 중 사회 이슈와 관련된 이벤트 데이터로부터 생성되는 제 2 구매요소, 수집된 이벤트 데이터 중 경제 이슈와 관련된 이벤트 데이터로부터 생성되는 제 3 구매요소 중 적어도 하나의 구매요소를 포함할 수 있다.
한편, 프로세서(130)는 구성된 다차원 데이터 모델 및 온라인 분석 처리 기법을 기초로 상품에 대한 상품 데이터 큐브를 생성한다.
온라인 분석 처리 기법 및 데이터 큐브는 도 2 및 도 3을 참조하여 설명한다.
도 2는 본 발명에서 제안하는 차원 테이블 및 데이터 큐브의 예시도이다.
도 2를 참조하면, 데이터 큐브는 시간 테이블, 상품 테이블 및 공급자 테이블과 같은 차원 테이블과 상품 판매 테이블과 같은 값 테이블에 기초하여 생성될 수 있다.
이때, 차원 테이블은 온라인 분석 처리 기법에서 분석의 기준이 되는 속성 및 범주 등을 포함할 수 있다. 또한, 차원 테이블에 포함된 속성 및 범주는 계층 구조를 가질 수 있다.
예를 들어, 시간 테이블은 도 2에 도시된 것과 같이 <시간 식별자, 년, 분기, 월, 요일, 일, 시간>과 같은 속성을 포함할 수 있다. 이때, 시간 테이블에 포함된 년, 분기, 월, 요일, 일 및 시간 속성은 계층구조를 가질 수 있다. 또한, 상품 테이블은 <상품 식별자, 상품명, 가격, 대분류, 중분류, 소분류>와 같은 속성을 포함할 수 있다. 그리고 공급자 테이블은 <공급자 식별자, 공급자 이름>과 같은 속성을 포함할 수 있다.
값 테이블은 각 차원에 따라 다양한 측도(measure)를 값을 저장하는 테이블이다. 예를 들어, 값 테이블은 도 2의 상품 판매 테이블과 같이 시간, 상품, 공급자의 식별자 및 각각의 식별자에 대한 금액 및 고객평가지수를 포함할 수 있다.
프로세서(130)는 데이터를 다각적 관점에서 효과적인 분석을 지원하기 위하여 복수의 차원 테이블 및 값 테이블에 기초하여 다차원 데이터 모델을 생성할 수 있다.
이때, 프로세서(130)는 스타 스키마(star schema)에 기초하여 시간 테이블의 시간 식별자, 상품 테이블의 상품 식별자, 공급자 테이블의 공급자 식별자 및 상품 판매 테이블의 금액 속성을 포함하는 다차원 데이터 모델을 구성할 수 있다.
그리고 프로세서(130)는 다차원 데이터 모델을 생성한 다음, 온라인 분석 처리 기법에 기초하여, 데이터 큐브를 생성할 수 있다. 이때, 온라인 분석 처리는 데이터 큐브를 생성하기 위하여 온라인 분석 처리 기법을 제공한다. 예를 들어, 온라인 분석 처리 기법은 롤-업, 드릴-다운, 슬라이스 및 다이스 등이 있다. 온라인 분석 처리 기법은 도 3을 참조하여 설명한다.
도 3은 본 발명에서 제안하는 온라인 분석 처리 기법의 예시도이다.
도 3을 참조하면, 프로세서(130)는 다차원 데이터 모델에 기초하여 공급자 차원의 공급자 식별자, 상품 차원의 상품 식별자 및 시간 차원의 요일을 포함하는 데이터 큐브(P400)를 생성할 수 있다. 이때, 데이터 큐브는 공급자 식별자 중 어느 하나의 속성값, 상품 식별자 중 어느 하나의 속성값, 요일 중 어느 하나의 속성값을 가지는 하나 이상의 큐보이드를 포함할 수 있다. 예를 들어, 도 3의 상단의 데이터 큐브(P400)의 가장 오른쪽 앞의 큐보이드는 '(공급자 1, 상품 7, 월)'에 대한 값을 표시할 수 있다.
이때, 프로세서(130)는 온라인 분석 처리 기법을 이용하여 데이터 큐브에 포함된 하나 이상의 차원을 확장하거나 축소하여 새로운 서브 데이터 큐브를 생성하여 다차원 분석을 수행할 수 있다.
예를 들어, 프로세서(130)는 데이터 큐브(P400)에서 '상품 7'에 대하여 슬라이스 연산을 수행하여 '상품 7'에 대한 서브 데이터 큐브(P410)를 생성할 수 있다. 이때, 슬라이드 연산은 차원에 포함된 하나의 속성을 기준으로 서브 데이터 큐브를 새로 생성하는 것을 의미한다.
또한, 데이터 큐브(P400)에서 슬라이드 연산 및 롤-업 연산에 기초하여 '공급자 1'에 대한 서브 데이터 큐브(P420)를 생성할 수 있다. 이때, 롤-업 연산은 계층 구조를 가지는 차원의 속성에 대하여 위 레벨의 속성을 선택하는 것이며, 드릴-다운과 반대되는 개념의 연산이다. 예를 들어, 프로세서(130)는 '공급자 1'의 서브 데이터 큐브(P420)에서 시간 차원에서 요일 속성보다 레벨이 높은 월 속성을 기준으로 롤-업하여 서브 데이터 큐브를 생성할 수 있다.
한편, 프로세서(130)는 데이터 큐브에 기초하여 다양한 조건의 서브 데이터 큐브를 생성한 다음, 생성된 데이터 큐브에 기초하여 특정 상품에 대한 사용자의 트랜드를 분석할 수 있다.
예를 들어, 도 3을 참조하면, 프로세서(130)는 '상품 7'에 대한 서브 데이터 큐브(P410)의 분석을 통하여, '상품 7'이 다른 요일에 비하여 '금요일', '토요일', '일요일'과 같은 주말 및 '월요일' 에 판매량이 증가함을 확인할 수 있다.
또한, 프로세서(130)는 '공급자 1'에 대한 서브 데이터 큐브(P420)의 분석을 통하여, '공급자 1'에 의하여 공급된 '상품 3'이 다른 달에 비하여 4월에 판매량이 급증함을 확인 할 수 있으며, '상품 4' 및 '상품 7'은 2월에만 판매됨을 확인 할 수 있다.
프로세서(130)는 구축된 상품 데이터 큐브에 대하여 기 설정된 분류(classification) 기법을 적용한다. 그리고 프로세서(130)은 분류 기법의 결과에 기초하여 특정 상품마다 판매되는 구매요소 별 조건을 조합하여 상품 판매 패턴으로 출력한다.
이때, 분류 기법은 클래스(class)라고 하는 목표 변수(target variable)에 기초하여 데이터를 여러 집단으로 분류하는 것이다. 예를 들어, 분류 기법은 의사결정 트리(decision tree), 판별 분석(discriminant analysis), 회귀분석(regression analysis), 신경망(neural networks) 등이 있다.
본 발명의 일 실시예에 따른 기 설정된 분류기법은 의사결정 트리 기법일 수 있다. 의사결정 트리는 의사결정 규칙(decision rule)을 트리 형태로 나타내는 것이다. 예를 들어, 의사결정 트리는 ID3, C4.5 및 CART(classification and regression tree) 일 수 있다.
프로세서(130)는 생성된 상품 데이터 큐브 및 의사결정 트리에 기초하여 특정 상품마다 판매되는 각 구매요소 별 조건을 조합하여 각각 출력할 수 있다. 이때, 출력되는 결과는 도 5 및 도 6를 예로 들어 설명한다.
도 4는 본 발명에서 제안하는 상품에 대한 판매 의사결정 트리의 예시도이다. 또한, 도 5는 본 발명 에서 제안하는 요일에 대한 판매 의사결정 트리의 예시도이다.
프로세서(130)는 의사결정 트리 기법에 기초하여 상품을 목표 변수로 하는 경우에 대한 의사결정 트리를 생성할 수 있다. 도 4를 참조하면, 프로세서(130)는 '요일이 토요일이고, 평균 기온이 24.9도 이하이고, 22.3도 이상이면, 화장품을 구매함' 및 '요일이 월요일이고, 습도가 73.6 이하이고, 평균 기온이 23.4도 이하이면, 가구를 구매함' 등을 상품 판매 규칙으로 추출할 수 있다.
또한, 도 5는 의사결정 트리 기법에 기초하여 요일을 목표 변수로 하고, 상품이 고객평가지수가 높은 상품에 대한 의사결정 트리를 생성한 경우이다. 도 5를 참조하면, 프로세서(130)는 '상품이 속옷이고, 습도가 68.6 이하인 경우, 토요일에 판매되었을 때, 고객평가지수가 높음' 및 '상품이 건강이고, 풍속이 2.4 이하이고, 평균기온인 23.4도 이상인 경우, 일요일에 판매되었을 때, 고객평가지수가 높음' 등과 같은 요일에 대한 규칙으로 추출할 수 있다.
프로세서(130)는 이렇게 추출된 규칙에 기초하여 다양한 구매요소에 대한 상품 판매 캠페인 등을 생성하고, 사용자에게 서비스할 수 있다.
이렇게 본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석 장치(100)는 일반적인 온라인 분석 처리에서 상품 판매의 일반적인(general) 범위를 제공하는데 반하여, 세부적인(specific) 정보를 제시할 수 있다. 그러므로 상품 판매 패턴 분석 장치(100)는 타겟 상품별로 어떤 세부조건하에서 최적의 판매량 또는 최고의 고객평가지수를 받을 수 있는지 예측 및 제안이 가능하다.
다음은 도 6을 참조하여 본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석방법을 설명한다.
도 6은 본 발명의 일 실시예에 따른 TV 홈쇼핑에서의 상품 판매 패턴 분석방법의 순서도이다.
본 발명의 일 실시예에 따른 상품 판매 패턴 분석 장치(100)는 TV 홈쇼핑에서의 상품 판매와 관련된 이벤트 데이터를 수집한다(S600). 예를 들어, 상품 판매와 관련된 이벤트 데이터는 시간 데이터, 상품 데이터, 공급자 데이터, 날씨 데이터, 고객 데이터 및 상품 판매 데이터 등이 될 수 있다. 또한, 상품 판매와 관련된 이벤트 데이터는 정치, 사회 및 경제 이슈 중 적어도 하나 이상을 포함하는 이슈에 관련된 이벤트 데이터를 수집할 수 있다. 그리고 상품 판매와 관련된 이벤트 데이터는 상품 판매와 관련된 복수의 고객평가지수 데이터를 포함할 수 있다.
상품 판매 패턴 분석 장치(100)는 수집된 이벤트 데이터로부터, 복수의 구매요소와 각각 대응되는 복수의 차원 테이블을 포함되는 다차원 데이터 모델을 구성한다(S610). 이때, 상품 판매 패턴 분석 장치(100)는 다차원 데이터 모델을 구성하기 위하여 스타 스키마에 기초할 수 있다.
그리고 상품 판매 패턴 분석 장치(100)는 다차원 데이터 모델을 구성하기 위하여, 수집된 이벤트 데이터 중 정치, 사회 및 경제 이슈와 관련된 구매요소를 생성할 수 있다. 구체적으로 상품판매 패턴 분석 장치는 수집된 이벤트데이터 중 정치 이슈와 관련된 이벤트 데이터로부터 제 1 구매요소를 생성할 수 있다. 그리고 상품 판매 패턴 분석 장치(100)는 수집된 이벤트 데이터 중 사회 이슈와 관련된 이벤트 데이터로부터 제 2 구매요소를 생성할 수 있으며, 상품 판매 패턴 분석 장치(100)는 수집된 이벤트 데이터 중 경제 이슈와 관련된 이벤트 데이터로부터 제 3 구매요소를 생성할 수 있다.
상품 판매 패턴 분석 장치(100)는 다차원 모델이 구성된 다음, 구성된 다차원 데이터 모델 및 온라인 분석 처리 기법을 기초로 상품 판매에 대한 상품 데이터 큐브를 생성한다(S620).
그리고 상품 판매 패턴 분석 장치(100)는 생성된 상품 데이터 큐브 및 기 설정된 분류기법을 기초로 특정 상품마다 판매되는 각 구매요소 별 조건을 조합하여 각각 출력한다(S630). 이때, 기 설정된 분류 기법은 의사결정 트리 기법일 수 있다. 그러므로 출력되는 각 구매요소 별 조건은 규칙 형태일 수 있다.
본 발명의 일 실시예에 따른 상품 판매 패턴 분석 장치(100) 및 방법은 온라인 분석 처리기법 및 분류기법에 기초하여 대량의 TV 홈쇼핑 판매 상품 정보를 분석하여 상품의 동향을 파악할 수 있다. 그리고 상품 판매 패턴 분석 장치(100) 및 방법은 TV 홈쇼핑 판매 데이터에서 추출할 수 있는 상품 및 판매 정보 등의 직접적인 영향 요소뿐만 아니라, 정치, 사회 및 경제 이슈 등의 간접적인 영향 요소까지 고려한 상품 판매 전략을 수립할 수 있다.
또한, 상품 판매 패턴 분석 장치(100) 및 방법은 의사결정 트리와 같은 분류 기법에 기초하여 직관적이고, 이해하기 쉬운 사용자의 구매패턴 및 새로운 판매 규칙을 도출할 수 있다. 그러므로 상품 판매 패턴 분석 장치(100) 및 방법은 의사결정자에게 이러한 사용자의 구매패턴 및 새로운 판매 규칙에 기초하여, 새로운 상품의 효율적인 판매 전략 수립할 수 있도록 도움을 줄 수 있다.
그리고 상품 판매 패턴 분석 장치(100) 및 방법은 판매와 관련된 세부 상세 조건을 제공할 수 있으므로 고객으로부터 높은 고객평가지수를 받을 수 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 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 상기 상세한 설명보다는 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: 상품 판매 패턴 분석 시스템 100: 상품 판매 패턴 분석 장치
110: 통신 모듈 120: 메모리
130: 프로세서 140: 이벤트 데이터 제공 서버
150: 데이터베이스

Claims (11)

  1. TV 홈쇼핑에서의 상품 판매 패턴을 분석하는 프로그램이 저장된 메모리 및
    상기 프로그램을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 프로그램의 실행에 따라,
    TV 홈쇼핑에서의 상품 판매와 관련하여 수집된 이벤트 데이터로부터, 복수의 구매요소와 각각 대응되는 복수의 차원 테이블을 포함하는 다차원 데이터 모델을 구성하고, 상기 구성된 다차원 데이터 모델 및 온라인 분석 처리 기법을 기초로 상기 상품에 대한 상품 데이터 큐브를 생성하며,
    상기 생성된 상품 데이터 큐브 및 기 설정된 분류기법을 기초로 특정 상품마다 판매되는 각 구매요소 별 조건을 조합하여 각각 출력하는 상품 판매 패턴 분석 장치.
  2. 제 1 항에 있어서,
    상기 이벤트 데이터를 주기적 또는 실시간으로 수집하는 이벤트 데이터 제공서버와 데이터를 송수신하는 통신 모듈을 더 포함하는 상품 판매 패턴 분석 장치.
  3. 제 1 항에 있어서,
    상기 이벤트 데이터는,
    상기 수집된 이벤트 데이터 중 정치 이슈와 관련된 이벤트 데이터로부터 생성되는 제 1 구매요소,
    상기 수집된 이벤트 데이터 중 사회 이슈와 관련된 이벤트 데이터로부터 생성되는 제 2 구매요소,
    상기 수집된 이벤트 데이터 중 경제 이슈와 관련된 이벤트 데이터로부터 생성되는 제 3 구매요소를 포함하는 상품 판매 패턴 분석 장치.
  4. 제 1 항에 있어서,
    상기 수집된 이벤트 데이터는,
    상기 상품 판매와 관련된 복수의 고객평가지수를 포함하는 상품 판매 패턴 분석 장치.
  5. 제 1 항에 있어서,
    상기 구성된 다차원 데이터 모델은,
    스타 스키마에 기초하여 구성되는 것인 상품 판매 패턴 분석 장치.
  6. 제 1 항에 있어서,
    상기 기 설정된 분류기법은,
    의사결정 트리 기법인 상품 판매 패턴 분석 장치.
  7. TV 홈쇼핑에서의 상품 판매 패턴 분석방법에 있어서,
    TV 홈쇼핑에서의 상품 판매와 관련된 이벤트 데이터를 수집하는 단계;
    상기 수집된 이벤트 데이터로부터, 복수의 구매요소와 각각 대응되는 복수의 차원 테이블을 포함하는 다차원 데이터 모델을 구성하는 단계;
    상기 구성된 다차원 데이터 모델 및 온라인 분석 처리 기법을 기초로 상기 상품 판매에 대한 상품 데이터 큐브를 생성하는 단계; 및
    상기 생성된 상품 데이터 큐브 및 기 설정된 분류기법을 기초로 특정 상품마다 판매되는 각 구매요소 별 조건을 조합하여 각각 출력하는 단계를 포함하는 상품 판매 패턴 분석 방법.
  8. 제 7 항에 있어서,
    상기 다차원 데이터 모델을 구성하는 단계는,
    상기 수집된 이벤트 데이터 중 정치 이슈와 관련된 이벤트 데이터로부터 제 1 구매요소를 생성하는 단계,
    상기 수집된 이벤트 데이터 중 사회 이슈와 관련된 이벤트 데이터로부터 제 2 구매요소를 생성하는 단계, 및
    상기 수집된 이벤트 데이터 중 경제 이슈와 관련된 이벤트 데이터로부터 제 3 구매요소를 생성하는 단계를 포함하는 상품 판매 패턴 분석 방법.
  9. 제 7 항에 있어서,
    상기 TV 홈쇼핑에서의 상품 판매와 관련된 이벤트 데이터를 수집하는 단계는
    상기 상품 판매와 관련된 복수의 고객평가지수를 수집하는 단계를 포함하는 상품 판매 패턴 분석 방법.
  10. 제 7 항에 있어서,
    상기 다차원 데이터 모델을 구성하는 단계는,
    스타 스키마에 기초하여 상기 다차원 데이터 모델을 구성하는 것인 상품 판매 패턴 분석 방법.
  11. 제 7 항에 있어서,
    상기 기 설정된 분류기법은,
    의사결정 트리 기법인 상품 판매 패턴 분석 방법.
KR1020150020048A 2015-02-10 2015-02-10 Tv 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법 KR20160097780A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150020048A KR20160097780A (ko) 2015-02-10 2015-02-10 Tv 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150020048A KR20160097780A (ko) 2015-02-10 2015-02-10 Tv 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20160097780A true KR20160097780A (ko) 2016-08-18

Family

ID=56874261

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150020048A KR20160097780A (ko) 2015-02-10 2015-02-10 Tv 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20160097780A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679917A (zh) * 2017-10-17 2018-02-09 京北方信息技术股份有限公司 基于数据处理的精准营销方法、装置、设备及存储介质
US10755289B2 (en) 2017-04-03 2020-08-25 Samsung Electronics Co., Ltd. Electronic device and operating method thereof
KR20200130562A (ko) * 2019-05-09 2020-11-19 동국대학교 산학협력단 상품류와 상품 배치 구역 간의 관계를 고려하여 상품 배치 방식을 결정하는 전자 장치 및 그 동작 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10755289B2 (en) 2017-04-03 2020-08-25 Samsung Electronics Co., Ltd. Electronic device and operating method thereof
CN107679917A (zh) * 2017-10-17 2018-02-09 京北方信息技术股份有限公司 基于数据处理的精准营销方法、装置、设备及存储介质
KR20200130562A (ko) * 2019-05-09 2020-11-19 동국대학교 산학협력단 상품류와 상품 배치 구역 간의 관계를 고려하여 상품 배치 방식을 결정하는 전자 장치 및 그 동작 방법

Similar Documents

Publication Publication Date Title
Zhong et al. Google Play is not a long tail market: An empirical analysis of app adoption on the Google Play app market
Cavallo et al. The billion prices project: Using online prices for measurement and research
Pearson et al. Organic food: What we know (and do not know) about consumers
CN110580649B (zh) 一种商品潜力值的确定方法和装置
US8874499B2 (en) Consumer decision tree generation system
CN107563859A (zh) 商品推荐方法、装置、设备及存储介质
CN107230098A (zh) 一种业务对象的分时推荐方法和系统
CN104050187A (zh) 搜索结果展示方法及系统
CN106096991A (zh) 一种套餐的自动生成方法和装置
CN104820863A (zh) 一种消费者画像生成方法及装置
CN109872796A (zh) 一种菜谱推荐方法和装置
KR102309855B1 (ko) B급 농산물 거래 플랫폼 시스템
Holloway Foreign entry, quality, and cultural distance: Product-level evidence from US movie exports
KR20160097780A (ko) Tv 홈쇼핑에서의 상품 판매 패턴 분석 장치 및 방법
Deliya et al. A study on “differentiator in marketing of fresh fruits and vegetables from supply chain management perspective”
CN108537635A (zh) 一种产品的推荐方法及装置
Yang RETRACTED ARTICLE: The application of big data in the analysis of factors affecting agricultural business and product marketing in the intelligent agricultural platform
Clark et al. Hub-and-spoke cartels: Theory and evidence from the grocery industry
Gupta et al. Scope of E-commerce in agri-business in India: an overview
Arboleda et al. Temporal visual profiling of market basket analysis
Wu et al. Multi-dimensional information visualization analysis of business circles and products based on density clustering
CN108510371A (zh) 服饰新零售一体化实现方法
CN111179035B (zh) 上单信息的确定方法、装置、设备及存储介质
Wang et al. Visual Analysis of E‐Commerce User Behavior Based on Log Mining
Konečný et al. A few notes on the study of short food supply chains on the example of farm boxes in the Czech Republic

Legal Events

Date Code Title Description
E601 Decision to refuse application