KR20190140363A - 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템 - Google Patents

Abstract

본 발명은 출시 및 유통되는 자동차 정보를 이용하여 자동차 사용자의 다양한 경험방식을 빅데이터화 하여 알고리즘을 분석, 표준화 하며 자동차 제조 기업의 제공 정보의 서비스의 품질을 판단 할 수 있는 자동차 품질, 인식 등의 평가정보를 제공하기 위한 것이다.
자동차의 평가는 정량 평가영역, 정성 평가영역으로 구분해서 평가로 이루어 지며, 평가 수행은 각각의 자동차 모델의 빅데이터 지수에 기초하여 평가 가중치에 반영되며 (1)유저가 평가 서비스에 입력한 평가정보 (2) 실 차량 소유주가 실제 사용 경험에 맞춰 평가한 정보 신청한 평가정보 (3) 전문가가 분석한 평가정보에 상기 평가에 가중치를 부여하여 신뢰도 높은 평가 데이터를 제공한다.
?춤 정보제공은 수요자가 관심있어 하는 정량 평가 영역의 모든 속성을 우선순위로 선택 재정렬하여 선호도에 따른 우선 가중치를 반영한 맞춤 평가데이터를 제공한다.

Description

빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템 {Omitted}

본 발명은 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템에 관한 것이다.

(1) 추진배경

지속적으로 증가하는 자동차 시장 상황에서 구매 탐색과정에서 매체의 과장 정보들이 혼재되어 있으며 구매결정을 위한 정보획득 경로는 서핑검색, 오프라인 매장, 지인추천 등이며 대안의 평가 정보는 부족하고 신뢰를 얻기 힘든 구조이다.

자동차 쇼핑시장을 투명하게 변화시켜 정보 불만을 해소하여 사용자가 참여하고 신뢰성 있는 품질 정보를 제공 공유하여 올바른 대안의 평가를 제시하려고 한다.

(2) 필요성

1) 자동차 실소유주가 평가하고 유저들과의 커뮤니케이션을 하며 다수의 사용자가 참여하고 확인해볼 수 있는 정보 서비스 시스템의 개발 필요

2) 기존의 자동차 정보 콘텐츠 시장은 다수의 수요자 대비 소수의 한정된 댓글이나 추상적인 정보로 인한 콘텐츠 정보의 질 저하

- 다양한 평가 데이터들의 수집, 예측, 통계, 정제를 통하여 및 기업, 정부 등 수요처가 활용할 수 있는 양질의 데이터 제공과 분석을 지원하는 새로운 자동차 지식정보 산업의 육성 필요

3) 제공하는 지식정보 콘텐츠 개발로 국내외 잠재수요가 큰 자동차 시장 생태계의 전문화 촉진과 선점을 통해 콘텐츠 수출 시장개척 가능

본 발명은 출시 및 유통되는 자동차 정보를 이용하여 자동차 사용자의 다양한 경험방식을 빅데이터화 하여 알고리즘을 분석, 표준화 하며 자동차 제조 기업의 제공 정보의 서비스의 품질을 판단 할 수 있는 자동차 품질, 인식 등의 평가정보를 제공하기 위한 것이다.

자동차의 평가는 정량 평가영역, 정성 평가영역으로 구분해서 평가로 이루어 지며, 평가 수행은 각각의 자동차 모델의 빅데이터 지수에 기초하여 평가 가중치에 반영되며 (1)유저가 평가 서비스에 입력한 평가정보 (2) 실 차량 소유주가 실제 사용 경험에 맞춰 평가한 정보 신청한 평가정보 (3) 전문가가 분석한 평가정보에 상기 평가에 가중치를 부여하여 신뢰도 높은 평가 데이터를 제공한다.

?춤 정보제공은 수요자가 관심있어 하는 정량 평가 영역의 모든 속성을 우선순위로 선택 재정렬하여 선호도에 따른 우선 가중치를 반영한 맞춤 평가데이터를 제공한다.

본 발명에 따르면 출시 및 유통되는 자동차 정보를 이용하여 자동차 사용자의 다양한 경험방식을 빅데이터화 하여 알고리즘을 분석, 표준화 하며 자동차 제조 기업의 제공 정보의 서비스의 품질을 판단 할 수 있는 자동차 품질, 인식 등의 평가정보를 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템 구성도.
도 2 및 도 3은 본 발명의 일 실시예에 따른 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템 전개도.
도 4는본 발명의 일 실시예에 따른 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템의 평가 방법에 대한 순서도.
도 5는 본 발명의 일 실시예에 따른 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템의 평가 항목 및 가중치.
도 6 및 도 7은 본 발명의 일 실시예에 따른 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템의 평가 보기 페이지를 나타낸 그림.
도 8은 본 발명의 일 실시예에 따른 빅데이터를 활용한 실사용자 중심의 자동차 품질평가 산출 방법 및 이를 통한 개별 맞춤정보 제공 시스템의 맞춤 정보 제공 페이지를 나타낸 그림.
도 8에 따르면, (1)디자인, (2)주행성능, (3)승차감, (4)경제성, (5)편의성능 중 사용자가 원하는 중시속성에서 기초하여 추천모델이 변동됨
사용자가 입력한 정보(연령, 성별, 차종)에 따라 해당 그룹의 평가자 점수에 가중치가 부여되며, 이에 따라 검색 결과에 사용자의 취향이 더욱 반영될 수 있음

(1) 추진배경

지속적으로 증가하는 자동차 시장 상황에서 구매 탐색과정에서 매체의 과장 정보들이 혼재되어 있으며 구매결정을 위한 정보획득 경로는 서핑검색, 오프라인 매장, 지인추천 등이며 대안의 평가 정보는 부족하고 신뢰를 얻기 힘든 구조이다.

자동차 쇼핑시장을 투명하게 변화시켜 정보 불만을 해소하여 사용자가 참여하고 신뢰성 있는 품질 정보를 제공 공유하여 올바른 대안의 평가를 제시하려고 한다.

(2) 필요성

1) 자동차 실소유주가 평가하고 유저들과의 커뮤니케이션을 하며 다수의 사용자가 참여하고 확인해볼 수 있는 정보 서비스 시스템의 개발 필요

2) 기존의 자동차 정보 콘텐츠 시장은 다수의 수요자 대비 소수의 한정된 댓글이나 추상적인 정보로 인한 콘텐츠 정보의 질 저하

- 다양한 평가 데이터들의 수집, 예측, 통계, 정제를 통하여 및 기업, 정부 등 수요처가 활용할 수 있는 양질의 데이터 제공과 분석을 지원하는 새로운 자동차 지식정보 산업의 육성 필요

3) 제공하는 지식정보 콘텐츠 개발로 국내외 잠재수요가 큰 자동차 시장 생태계의 전문화 촉진과 선점을 통해 콘텐츠 수출 시장개척 가능

(3) 차별성

가. 유저참여형 자동차 품질 사용자 평가정보제공 정성평가&정량평가 방법

1) 유저평가 (10%)

① 일반인 대상

2) 차주평가 (50%)

① 소유주 대상

3) 전문가평가 (30%)

① 전문기자

② 에프터 마켓 관련 종사자

4) 빅데이터 (10%)

① 제조사 자동차 정보

② NEW

③ SNS

④ 리콜정보

나. 맞춤정보 제공

1) 선호도에 따른 내게 맞는 차

선호도에 따른 변동 가중치 반영

예) 디자인>경제성>주행성능>승차감>편의성능

2) 기업&기관에서 원하는 다차원 분석 정보 제공

예) ① 불만 많은 차종 BEST

② 리포트&차트

(1) 서비스 개요

국내외 자동차 브랜드별, 차종별에 관한 검색정보 서비스를 제공하며 전문가, 일반유저, 소유자의 3자구성으로 차량에 관한 평가하기 정보를 입력합니다.

기입 항목으로는 (1)디자인, (2)주행성능, (3)승차감, (4)경제성, (5)편의성능 등을 체크하여 10점을 총점으로 평가를 자동화 하는 과정을 말하며 그 평가를 분석해 다양하고 전문적인 정보를 제공합니다.

(2) 적용엔진

빅데이터 자동차 평가서비스는 개체명 분석과 연관 관계정보 분석을 위해 시맨틱(의미 기반) 검색 엔진 DISCOVERY를 사용합니다.

본 서비스는 자동차 정보와 함께 외부 관련 정보를 수집하고 참여자의 프로파일 및 콘텍스트를 활용해 차종간의 연결망을 분석, 시각화합니다.

또한, 정성평가, 정량평가, 리콜정보 등을 구현합니다.　

또한, 온톨로지 기반의 지식을 표현하고 관리하기 위해서는 RDF, OWL을 지원하는 시맨틱웹 표준 기술이 적용되어야 하고, STORM 엔진을 통해 자동차 소유주 관계 정보를 온톨로지 기반 지식베이스로 구축합니다.

이를 통해 이용자 프로파일 및 특성을 활용하여 개인 맞춤형 검색과 추천 서비스 등이 가능합니다.

[용어 설명]

IMC

지능적 응대 관리

[Intelligent Contact Management, 知能的應對管理]

자동 호 분산(ACD), 사설 교환기(PBX), 음성 자동 응답(IVR), 데이터베이스 및 데스크톱 애플리케이션 등을 사용하여 고객과 대화할 수 있게 해주는 통합 솔루션. 고객 응대에 대한 중앙 집중식 관리로 사용 채널이나 센터의 자원 위치에 상관없이 고객 요구를 일관되게 처리하고, 개방된 분산 소프트웨어 구조를 통해 음성 및 데이터 분산을 관리하며, 멀티 채널 연락 관리, 지능적인 라우팅, 컴퓨터 전화 통합(CTI)을 조합 사용한다. 수신자 번호와 회선 ID, 웹 서식으로 제출된 데이터, 그리고 고객 프로파일 데이터베이스 참조를 통해 얻어진 정보 등을 사용하여 각 고객의 프로파일을 작성하고, ICM이 지속적으로 수집하는 실시간 조건(담당자 능력, 가용성, IVR 상태 등)에 따라 고객의 요구를 만족시킬 수 있는 이용 가능한 자원을 식별하여 최적의 상담원에게 연결해 준다. 상담원은 다양한 채널로부터 들어오는 고객 문의 요청을 고객 프로파일 데이터를 통해 처리함으로써 서비스를 개인화하고 효율성을 극대화할 수 있다.

메타 파일

다른 파일을 설명하거나 정의하는 정보를 담고 있는 파일. 예로서 비트맵과 함께 이미지를 저장하는 방법의 하나인 윈도우 메타파일(WMF)은 그래픽스 디바이스 인터페이스(GDI) 함수 호출을 부호화하여 모아 놓은 파일로서 그림을 그리는 명령을 저장하고 있기 때문에 장치 독립적이다. 코렐드로우(CDR: Corel Draw File), 어도비 일러스트레이터(Illustrator), 컴퓨터 지원 설계(CAD) 프로그램 등이 이에 속하며, 벡터 방식으로 그래픽을 저장한다. 벡터 그래픽은 비트맵으로 변환(래스터화)될 수 있으나 그 반대로의 변환은 일반적으로 불가능하다.

자료에 관한 정보를 가진 자료. 자료의 종류, 용도, 품질, 구축 시기, 제작 기관, 제작자 등에 대한 정보를 수록하고 있는 자료의 이력서라고 할 수 있다.

배치(Batch)는

컴퓨터의 데이터 처리 형태의 하나로써 처리해야 할 데이터를 일정 기간 또는 일정량 정리하여 처리하는 것을 의미한다. 즉, 컴퓨터 시스템에서는 처리의 대상이 되는 데이터를 일 단위나 월 단위마다 모아두고 그것을 하나로 종합하여 처리하는 것을 배치(Batch) 처리 또는 일괄처리라고 한다. 데이터 발생 직후에 처리하는 즉시 처리 혹은 실시간 처리의 상대어이다.

마크업 언어

HTML과 XML과 같은 마크업 언어(Markup Language)의 영어 약자이다

Pivot

특정 학습에서 학습자의 기본적이고 기계적인 기능을 향상시키기 위하여 실시하는 반복연습.

OLAP(On-Line Analytical Processing)

사용자가 대용량 데이터를 쉽고 다양한 관점에서 추출 및 분석할 수 있도록 지원하는 비즈니스 인텔리전스 기술

즉　온라인 분석 처리는　다차원 데이터 구조를 이용하여　다차원의 복잡한 질의를 고속으로 처리하는 데이터 분석 기술이다. 기업의 분석가, 관리자 및 임원들은 OLAP 기술을 통해 필요한 정보에 대해 대화형으로 빠르게 접근 가능하다.　기업 성능 관리(Corporate Performance Management, CPM), 전사적 자원관리(Enterprise Resource Planning, ERP), 예산, 재무 보고, 시뮬레이션 모델(Simulation Models), 지식 탐사(Knowledge Discovery) 등의 많은 BI(Business Intelligence) 응용은 OLAP 기술에 기반을 두고 있다.

인메모리 기술은 디스크가 아닌 램(RAM)에 데이터를 저장하는 기술을 말한다. 디스크 저장 방식보다 처리 속도가 최대 1만 배까지 빠르기 때문에 SAP, 오라클 등 데이터베이스(DB) 전문업체를 중심으로 데이터 저장, 처리, 분석 솔루션으로 개발된다. 플래시 메모리를 쓰는 SSD뿐만 아니라 데이터가 저장되지 않는 D램도 기술 발달에 힘입어 인메모리 DB 소재로 쓰인다. 대표적인 제품이 SAP의 하나(HANA)로 HP와 IBM이 HANA를 설치한 분석 장비를 내놓고 있다. 하나는 서울대 차상균 교수 실험실에서 개발한 기술을 2005년 SAP가 사들여 완성한 제품이다.

Drill (드릴/ 반복학습)

특정 학습에서 학습자의 기본적이고 기계적인 기능을 향상시키기 위하여 실시하는 반복연습.

Pivot (피벗/ 특정계산 알고리즘)

선형대수학에서, 피벗(pivot) 또는 피벗 성분(pivot entry,pivot element) 는 특정 계산을 수행하기 위한 임의의 알고리즘 (예　: 가우스 소거법 , 단순 알고리즘 등)에 의해 먼저 선택된 행렬의 성분(항,원소)이다.

하둡(Hadoop)은 대표적인 빅데이터 기술로써 대용량 데이터 분석 처리를 위한 오픈소스 프레임워크이다. 이는 2003년, 2004년에 발표되었던 구글의 구글 분산 파일 시스템(GFS)과 맵리듀스(MapReduce)를 구현한 것으로, 그 설계와 아이디어가 많은 부분에서 구글의 것과 유사하다.

하둡은 대용량 데이터을 분산시키고 저장하고 관리하는 하둡 분산 파일 시스템(HDFS)과 대용량 데이터의 분석을 수행하는 맵리듀스로 구성된다.

노에스큐엘/NoSQL

빅 데이터 처리를 위한 비관계형 데이터베이스 관리 시스템(DBMS)

전통적인 관계형 데이터베이스 관리 시스템(RDBMS)과는 다르게 설계된 비관계형(non-relational) DBMS로, 대규모의 데이터를 유연하게 처리할 수 있는 것이 강점이다. 노에스큐엘(NoSQL)은 테이블-컬럼과 같은 스키마 없이, 분산 환경에서 단순 검색 및 추가 작업을 위한 키 값을 최적화하고, 지연(latency)과 처리율(throughput)이 우수하다.

그리고 대규모 확대가 가능한 수평적인 확장성의 특징을 가지고 있다. NoSQL에 기반을 둔 시스템의 대표적인 예로는 아파치 카산드라(Apache Cassandra), 하둡(Hadoop), 몽고디비(MongoDB) 등이 있다.

NoSQL 데이터베이스는

전통적인 관계형 데이터베이스 보다 덜 제한적인 일관성 모델을 이용하는 데이터의 저장 및 검색을 위한 매커니즘을 제공한다. 이러한 접근에 대한 동기에는 디자인의 단순화, 수평적 확장성, 세세한 통제를 포함한다. NoSQL 데이터베이스는 단순 검색 및 추가 작업을 위한 매우 최적화된 키 값 저장 공간으로, 레이턴시와 스루풋과 관련하여 상당한 성능 이익을 내는 것이 목적이다. NoSQL 데이터베이스는 빅데이터와 실시간 웹 애플리케이션의 상업적 이용에 널리 쓰인다. 또, NoSQL 시스템은 SQL 계열 쿼리 언어를 사용할 수 있다는 사실을 강조한다는 면에서 "Not only SQL"로 불리기도 한다.[1][2]

이러한 접근의 동기는 다음을 포함한다: 설계의 단순성, 머신들의 클러스터에 대한 더 단순한 수평 확장(관계형 데이터베이스의 문제),[3] 이용성에 대한 더 세밀한 통제. NoSQL 데이터베이스에 의해 사용되는 자료 구조(예: 키-값, 와이드 컬럼, 그래프, 도큐먼트)들은 관계형 데이터베이스에서 기본적으로 사용되는 것들과는 다르며 일부 작업들은 NoSQL에서 속도가 더 빠른 편이다. 주어진 NoSQL 데이터베이스의 특정한 적합 여부는 해결해야 하는 문제에 따라 다르다. NoSQL 데이터베이스에 쓰이는 자료 구조들은 관계형 데이터베이스 테이블보다 "더 유연한" 것으로 간주되기도 한다.[4]

수많은 NoSQL 스토어들은 이용성, 파티션 내구성, 속도의 선호로 (CAP 정리 측면에서) 일관성을 타협한다. NoSQL 스토어를 채용하는 데 생기는 장벽에는 저급의 쿼리 언어의 사용(SQL 사용 대신. 예: 테이블을 경유하여 애드혹 조인-join을 수행하는 기능이 부족), 표준화된 인터페이스의 부족, 기존 관계형 데이터베이스의 상당한 개선이 포함된다.[5] 대부분의 NoSQL 스토어는 진정한 ACID 트랜잭션이 결여되어 있으나 마크로직, 에어로스파이크, 페어컴(FairCom) c-treeACE, 구글 스패너(기술적으로 NewSQL 데이터베이스이긴 하지만), Symas LMDB, OrientDB 등의 일부 데이터베이스들은 이를 염두에 두고 설계하였다.

그 대신, 대부분의 NoSQL 데이터베이스들은 "궁극적인 일관성" 개념을 제공함으로써 데이터베이스의 변경사항이 모든 노드에 "궁극적으로"(일반적으로 밀리초 내) 전파되므로 데이터에 대한 모든 쿼리들이 즉각 업데이트된 데이터를 반환하지 않을 수 있고 정확하지 않은 데이터를 읽는 결과가 발생할 수 있는데 이 문제를 스테일 리드(stale read)라고 부른다.[6] 게다가 일부 NoSQL 시스템들은 손실된 쓰기(write)와 기타 형태의 데이터 손실을 보이는 경우도 있다.[7] 일부 NoSQL 시스템들은 로그 선행 기입과 같은 개념들을 제공하여 데이터 손실을 막는다.[8] 여러 데이터베이스를 거치는 분산 트랜잭션 처리의 경우 데이터 일관성은 NoSQL과 관계형 데이터베이스에게 훨씬 더 큰 도전이 된다. 현행의 관계형 데이터베이스들 조차도 데이터베이스 스팬을 위한 참조 무결성 제약(referential integrity constraint)을 허용하지 않는다.[9] 분산 트랜잭션 처리를 위해 ACID 트랜잭션과 X/Open XA 표준을 모두 준수하는 시스템들도 일부 있다.

Claims (1)

1. 자동차의 평가는 정량 평가영역, 정성 평가영역으로 구분해서 평가로 이루어 지며, 평가 수행은 각각의 자동차 모델의 빅데이터 지수에 기초하여 평가 가중치에 반영되며 (1)유저가 평가 서비스에 입력한 평가정보 (2) 실 차량 소유주가 실제 사용 경험에 맞춰 평가한 정보 신청한 평가정보 (3) 전문가가 분석한 평가정보에 상기 평가에 가중치를 부여하여 신뢰도 높은 평가 데이터를 제공한다.
   

Images