KR20200114902A - 카드 이용 정보를 이용하여 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치 - Google Patents

카드 이용 정보를 이용하여 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치 Download PDF

Info

Publication number
KR20200114902A
KR20200114902A KR1020190037438A KR20190037438A KR20200114902A KR 20200114902 A KR20200114902 A KR 20200114902A KR 1020190037438 A KR1020190037438 A KR 1020190037438A KR 20190037438 A KR20190037438 A KR 20190037438A KR 20200114902 A KR20200114902 A KR 20200114902A
Authority
KR
South Korea
Prior art keywords
preference
customer
content
customer profile
profile
Prior art date
Application number
KR1020190037438A
Other languages
English (en)
Other versions
KR102290213B1 (ko
Inventor
박혜진
임성욱
Original Assignee
롯데카드 주식회사
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 롯데카드 주식회사 filed Critical 롯데카드 주식회사
Priority to KR1020190037438A priority Critical patent/KR102290213B1/ko
Publication of KR20200114902A publication Critical patent/KR20200114902A/ko
Application granted granted Critical
Publication of KR102290213B1 publication Critical patent/KR102290213B1/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
    • 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
    • G06Q10/10—Office automation; Time management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

고객 프로파일을 생성하기 위한 방법이 개시된다. 상기 고객 프로파일을 생성하기 위한 방법은 상기 고객들에 대한 고객 정보와 카드 이용 정보를 획득하는 단계, 상기 고객 정보와 상기 카드 이용 정보에 기초하여, 상기 고객들 각각에 대하여 상기 고객 프로파일에 포함되는 선호도 필드들에 대한 선호도 점수를 계산하는 단계 및 계산된 선호도 점수를 이용하여 상기 고객 프로파일을 생성하는 단계를 포함한다.

Description

카드 이용 정보를 이용하여 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치{METHOD FOR GENERATING CUSTOMER PROFILE USING CARD USAGE INFORMATION AND APPRATUS FOR GENERATING CUSTOMER PROFILE}
본 발명의 실시 예들은 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치에 관한 것이다.
인터넷이 발달함에 따라 다양한 콘텐츠가 인터넷을 통해 고객에게 전달되고 있다. 또한, 고객에게 전달되는 콘텐츠의 양도 점점 증가하고 있다. 이에 따라, 고객은 다양하게 제공되는 콘텐츠 중 자신이 관심있어 하는 콘텐츠를 제공받고 싶을 뿐만 아니라 사업자 입장에서도 고객의 관심 분야에 해당하는 콘텐츠를 제공하는 것이 더 효과적이다. 그러나, 기존의 콘텐츠 추천 방식은 단순히 고객의 검색 키워드 또는 구매 이력에만 기초하므로, 그 정확도가 떨어지는 문제가 있다.
본 발명이 해결하고자 하는 과제는 고객의 성향을 잘 나타내는 고객 프로파일을 생성하기 위한 방법을 제공하는 것으로서, 특히, 고객의 고객 정보 및 카드 이용 정보를 이용하여 고객 프로파일을 생성하는 방법을 제공하는 것에 있다.
본 발명의 실시 예들에 따른 고객들에 대한 고객 프로파일을 생성하기 위한 방법은 상기 고객들에 대한 고객 정보와 카드 이용 정보를 획득하는 단계, 상기 고객 정보와 상기 카드 이용 정보에 기초하여, 상기 고객들 각각에 대하여 상기 고객 프로파일에 포함되는 선호도 필드들에 대한 선호도 점수를 계산하는 단계 및 계산된 선호도 점수를 이용하여 상기 고객 프로파일을 생성하는 단계를 포함한다.
본 발명의 실시 예들에 따른 고객들에 대한 고객 프로파일을 생성하기 위한 장치는, 상기 고객들에 대한 고객 정보와 카드 이용 정보를 획득하고, 상기 고객 정보와 상기 카드 이용 정보에 기초하여, 상기 고객들 각각에 대하여 상기 고객 프로파일에 포함되는 선호도 필드들에 대한 선호도 점수를 계산하고, 계산된 선호도 점수를 이용하여 상기 고객 프로파일을 생성한다.
본 발명의 실시 예들에 따른 비-일시적인 컴퓨터 판독가능 매체는 고객 프로파일을 생성하기 위한 방법을 실행하기 위한 명령어들을 포함하는 컴퓨터 프로그램을 저장한다.
본 발명의 실시 예들에 따른 고객 프로파일 생성 장치는 고객 정보 및 카드 이용 정보에 기초하여 고객 각각의 특성을 나타낼 수 있는 고객 프로파일을 생성할 수 있는 효과가 있다.
본 발명의 실시 예들에 따른 콘텐츠 추천 방법에 따르면 추천 대상 고객에 대한 추천 콘텐츠 결정의 정확도가 효율적으로 개선되는 효과가 있다.
도 1은 본 발명의 실시 예들에 따른 개인별 콘텐츠 추천 시스템을 나타낸다.
도 2는 본 발명의 실시 예들에 따른 고객 프로파일 생성 장치를 나타낸다.
도 3은 본 발명의 실시 예들에 따른 고객 프로파일 생성 방법을 나타내는 플로우 차트이다.
도 4는 본 발명의 실시 예들에 따른 콘텐츠 추천 장치를 나타낸다.
도 5는 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 나타내는 플로우 차트이다.
도 7은 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 나타내는 플로우 차트이다.
도 8은 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 나타내는 플로우 차트이다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시 예들을 설명한다.
도 1은 본 발명의 실시 예들에 따른 개인별 콘텐츠 추천 시스템(이하, 콘텐츠 추천 시스템)을 나타낸다. 콘텐츠 추천 시스템(10)은 고객 프로파일 생성 장치(100), 콘텐츠 추천 장치 및 고객 단말기(300)를 포함할 수 있다.
한편, 본 명세서에서 콘텐츠라 함은 임의의 정보를 제공하는 데이터를 의미한다. 즉, 콘텐츠는 이벤트, 영화, 정보, 음악, 광고, 프로그램, 이미지 또는 문자 등 특정 정보를 포함하는 임의의 형태의 데이터를 모두 통칭한다. 한편, 콘텐츠는 하나 또는 둘 이상일 수 있다.
고객 프로파일 생성 장치(100)는 고객들 각각에 대하여, 고객 프로파일(PRO_CTM)을 생성할 수 있다. 생성된 고객 프로파일(PRO_CTM)은 제1데이터베이스(410)에 저장될 수 있다.
고객 프로파일(PRO_CTM)은 고객의 속성 또는 선호도를 나타내는 지표일 수 있다. 고객 프로파일(PRO_CTM)은 복수의 선호도 필드들(F1~Fn; n은 자연수)을 포함할 수 있고, 선호도 필드들(F1~Fn) 각각에 대해 선호도 점수가 할당될 수 있다.
예컨대, 제1고객(CTM1)에 대한 고객 프로파일(PRO_CTM)의 경우, 제1선호도 필드(F1)의 선호도 점수는 87점이고, 제n선호도 필드(Fn)의 선호도 점수는 95점일 수 있다. 제2고객(CTM2)에 대한 고객 프로파일(PRO_CTM)의 경우 제1선호도 필드(F1)의 선호도 점수는 84점이고, 제n선호도 필드(Fn)은 75점일 수 있으나, 이러한 수치는 예시일 뿐이다.
선호도 필드들(F1~Fn) 각각은 하나 이상의 항목을 포함할 수 있다. 실시 예들에 따라, 선호도 필드들(F1~Fn)은 선호 가맹점 필드, 쇼핑 패턴 필드, 선호 지역 필드 및 선호 품목 필드 중 적어도 하나를 포함할 수 있다.
고객 프로파일 생성 장치(100)는 고객 정보(CTMI) 및 카드 이용 정보(CDUI)에 기초하여 고객 프로파일(PRO_CTM)을 생성할 수 있다. 고객 정보(CTMI)는 고객의 성별, 연령, 선호 업종, 직업 및 거주지역 등 고객에 대한 일반적인 정보를 포함할 수 있다. 카드 이용 정보(CDUI)는 고객의 카드 이용(즉, 결제 내역)에 대한 정보로서, 카드 이용 가맹점, 카드 이용 금액, 카드 이용 물품, 카드 이용 업종, 카드 이용 지역 및 카드 이용 성향 등을 포함할 수 있다.
고객 정보(CTMI) 및 카드 이용 정보(CDUI)는 고객 별로 존재할 수 있다.
고객 프로파일 생성 장치(100)는 생성된 고객 프로파일(PRO_CTM)을 콘텐츠 추천 장치(200)로 제공할 수 있다. 실시 예들에 따라, 고객 프로파일 생성 장치(100)는 생성된 고객 프로파일(PRO_CTM)을 제1데이터베이스(DB1; 410)에 저장하고, 콘텐츠 추천 장치(200)의 요청에 따라 제1데이터베이스(410)에 저장된 고객 프로파일(PRO_CTM)을 콘텐츠 추천 장치(200)로 전송할 수 있다.
제1데이터베이스(410)는 고객 프로파일 생성 장치(100)에 의해 관리되는 데이터베이스로서, 고객 별로 고객 프로파일(PRO_CTM)을 저장하고 관리할 수 있다. 실시 예들에 따라, 고객 프로파일(PRO_CTM)은 고객 별로 테이블화 되어 저장될 수 있다.
콘텐츠 추천 장치(200)는 고객 프로파일(PRO_CTM)을 획득할 수 있다. 실시 예들에 따라, 콘텐츠 추천 장치(200)는 고객 프로파일 생성 장치(100)로부터 고객 프로파일(PRO_CTM)을 획득할 수도 있으나, 제1데이터베이스(410)에 직접 액세스하여 고객 프로파일(PRO_CTM)을 획득할 수도 있다.
콘텐츠 추천 장치(200)는 고객 프로파일(PRO_CTM)에 기초하여 고객 별 추천 콘텐츠(RCNT)를 결정할 수 있다. 실시 예들에 따라, 콘텐츠 추천 장치(200)는 추천 대상 고객에 대한 추천 콘텐츠(RCNT)를 결정하고, 추천 콘텐츠(RCNT)를 추천 대상 고객의 고객 단말기(300)로 제공할 수 있다.
한편, 본 명세서에서 콘텐츠 추천 장치(200)가 추천 콘텐츠(RCNT)를 고객 단말기(300)로 제공한다 함은, 콘텐츠 추천 장치(200)가 추천 콘텐츠(RCNT) 자체를 고객 단말기(300)로 전송하는 것뿐만 아니라, 추천 콘텐츠(RCNT)에 접근 가능한 주소(링크 또는 URL 등)를 제공하는 것을 포함한다.
실시 예들에 따라, 콘텐츠 추천 장치(200)는 추천 대상 고객의 고객 프로파일(PRO_CTM)과 가장 유사한 고객 프로파일(PRO_CTM)을 가지는 고객군(이하, 유사 고객군)을 결정하고, 유사 고객군이 반응한 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
실시 예들에 따라, 콘텐츠 추천 장치(200)는 콘텐츠의 콘텐츠 프로파일(PRO_CNT)들을 생성하고, 추천 대상 고객의 고객 프로파일(PRO_CTM)과 가장 유사한 콘텐츠 프로파일(PRO_CNT)에 해당하는 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다. 한편, 콘텐츠 추천 장치(200)는 생성된 콘텐츠 프로파일(PRO_CNT)을 제2데이터베이스(420)에 저장할 수 있다.
실시 예들에 따라, 콘텐츠 프로파일(PRO_CNT)은 고객 프로파일(PRO_CTM)과 동일한 구조를 가질 수 있다. 예컨대, 콘텐츠 프로파일(PRO_CNT)은 고객 프로파일(PRO_CTM)을 구성하는 선호도 필드들 및 선호도 점수를 포함할 수 있다.
고객 단말기(300)는 추천 대상 고객의 단말기일 수 있다. 즉, 추천 대상 고객은 고객 단말기(300)의 사용자일 수 있다.
고객 단말기(300)는 콘텐츠 추천 장치(200)로부터 추천 콘텐츠(RCNT)를 제공받을 수 있다. 앞에서 설명한 바와 같이, 고객 단말기(300)는 콘텐츠 추천 장치(200)로부터 추천 콘텐츠(RCNT) 자체 또는 추천 콘텐츠(RCNT)에 접근 가능한 주소를 수신할 수 있다.
실시 예들에 따라, 고객 단말기(300)는 제공받은 추천 콘텐츠(RCNT)에 대해 추천 대상 고객의 반응을 검출하고, 검출 결과를 콘텐츠 추천 장치(200)로 전송할 수 있다. 이 때, 상기 반응은 추천 콘텐츠(RCNT)의 실행, 추천 콘텐츠(RCNT)로의 접속 등 추천 콘텐츠(RCNT)의 수신에 응답하여 이루어지는 고객 단말기(300)의 모든 작용을 의미한다.
예컨대, 고객 단말기(300)는 스마트폰, PC, 태블릿 PC 또는 PDA 등의 모바일 디바이스 또는 웨어러블 디바이스 일 수 있으나 이에 한정되는 것은 아니다.
도 2는 본 발명의 실시 예들에 따른 고객 프로파일 생성 장치를 나타낸다. 도 1 및 도 2를 참조하면, 고객 프로파일 생성 장치(100)는 선호도 점수 계산 모듈(110) 및 고객 프로파일 생성 모듈(120)을 포함할 수 있다.
이하, 본 명세서에서 언급되는 모듈(module)은 적어도 하나의 기능을 수행할 수 있는 하드웨어, 또는 소프트웨어를 포함하는 하드웨어를 의미한다. 즉, 본 명세서에서 설명되는 특정 모듈은, 해당하는 기능을 수행할 수 있는 장치 또는 회로를 의미할 수 있고, 또는, 상기 기능을 수행할 수 있는 소프트웨어가 실행되는 장치를 의미할 수 있다.
선호도 점수 계산 모듈(110)은 고객 정보(CTMI) 및 카드 이용 정보(CDUI)를 분석하고, 고객 정보(CTMI) 및 카드 이용 정보(CDUI)에 기초하여 고객 프로파일(PRO_CTM)에 포함된 선호도 필드들(F1~Fn)에 대한 선호도 점수를 계산할 수 있다.
실시 예들에 따라, 선호도 점수 계산 모듈(110)은 고객 정보(CTMI) 및 카드 이용 정보(CDUI)로부터 변수들을 추출하고, 추출된 변수들에 기초하여 선호도 필드들(F1~Fn)에 대한 선호도 점수를 계산할 수 있다.
실시 예들에 따라, 선호도 점수 계산 모듈(110)은 협업 필터링, 사용자 행동 예측 모델, 인공 신경망, GIS (geographic information system) 공간 분석, 베이지안 분석, 벡터 내적, 회귀 모델 등의 기법을 이용하여 고객 정보(CTMI) 및 카드 이용 정보(CDUI)로부터 선호도 필드들(F1~Fn)에 대한 고객들 각각의 선호도를 결정하고, 결정된 선호도에 기초하여 선호도 점수를 계산할 수 있다.
실시 예들에 따라, 선호도 점수 계산 모듈(110)은 카드 이용 정보(CDUI)에 포함된 가맹점별 이용 횟수, 가맹점별 이용 금액 등 가맹점별 카드 이용 패턴에 기초하여 협업 필터링을 이용하여 가맹점에 대한 고객들 각각의 선호도를 결정하고 이에 따라 선호 가맹점 필드에 대한 선호도 점수를 계산할 수 있다.
실시 예들에 따라, 선호도 점수 계산 모듈(110)은 고객 정보(CTMI) 및 카드 이용 정보(CDUI)에 대해 사용자 행동 예측 모델링을 적용하여 고객들 각각의 소비 패턴에 대한 선호도를 결정하고 이에 따라 쇼핑 패턴 필드에 대한 선호도 점수를 계산할 수 있다.
실시 예들에 따라, 선호도 점수 계산 모듈(110)은 고객 정보(CTMI) 및 카드 이용 정보(CDUI)를 이용하여 고객의 경제활동 반경을 모델링하여 고객들 각각의 소비 지역에 대한 선호도를 결정하고 이에 따라 선호 지역 필드에 대한 선호도 점수를 계산할 수 있다.
선호도 점수 계산 모듈(110)은 결정된 선호도를 표준화(또는 정규화)함으로써 상기 선호도에 해당하는 선호도 점수를 계산할 수 있다.
선호도 점수 계산 모듈(110)에 의해 결정된 각 선호도 필드들(F1~Fn)에 대한 선호도는 각각 기준 또는 단위가 상이할 수 있으므로, 선호도 점수 계산 모듈(110)은 선호도 필드들(F1~Fn)에 대한 선호도를 공통적인 기준에 따라 표준화하고, 표준화 결과에 따라 선호도에 대응하는 선호도 점수를 계산할 수 있다. 실시 예들에 따라, 선호도 점수 계산 모듈(110)은 IUF(inverse user frequency) 알고리즘을 적용함으로써 선호도에 대응하는 선호도 점수를 계산할 수 있다.
고객 프로파일 생성 모듈(120)은 선호도 점수 계산 모듈(110)에 의해 계산된 선호도 필드들(F1~Fn)의 선호도 점수들을 이용하여 고객 프로파일(PRO_CTM)을 생성할 수 있다. 실시 예들에 따라, 고객 프로파일 생성 모듈(120)은 고객 각각에 대하여 계산된 선호도 필드들(F1~Fn)의 선호도 점수들을 포함하는 고객 프로파일(PRO_CTM)을 생성할 수 있다.
고객 프로파일 생성 모듈(120)은 생성된 고객 프로파일(PRO_CTM)을 제1데이터베이스(410)에 저장할 수 있다. 실시 예들에 따라, 고객 프로파일 생성 모듈(120)은 고객 프로파일(PRO_CTM)을 고객 별로 색인화하여 저장할 수 있다.
도 3은 본 발명의 실시 예들에 따른 고객 프로파일 생성 방법을 나타내는 플로우 차트이다. 도 3을 참조하여 설명될 고객 프로파일 생성 방법은 도 1 내지 도 2를 참조하여 설명된 고객 프로파일 생성 장치(100)의 작동들을 포함할 수 있다.
도 1 내지 도 3을 참조하면, 고객 프로파일 생성 장치(100)는 고객 정보(CTMI)와 카드 이용 정보(CDUI)를 획득할 수 있다(S110). 실시 예들에 따라, 고객 프로파일 생성 장치(100)는 임의의 데이터베이스에 액세스 함으로써 고객 정보(CTMI)와 카드 이용 정보(CDUI)를 획득할 수 있다.
고객 프로파일 생성 장치(100)는 고객 정보(CTMI)와 카드 이용 정보(CDUI)에 기초하여 고객들 각각에 대하여 선호도 필드들(F1~Fn)에 대한 선호도를 결정할 수 있다(S120). 실시 예들에 따라, 고객 프로파일 생성 장치(100)는 협업 필터링, CBF(contents based filtering), 사용자 행동 예측 모델, 인공 신경망, GIS 공간 분석, 베이지안 분석, 벡터 내적, 회귀 모델 등의 기법을 이용하여 고객 정보(CTMI) 및 카드 이용 정보(CDUI)로부터 선호도 필드들(F1~Fn)에 대한 고객의 선호도를 결정할 수 있다.
고객 프로파일 생성 장치(100)는 결정된 선호도에 기초하여 각 선호도 필드(F1~Fn)에 대한 선호도 점수를 계산할 수 있다(S130). 실시 예들에 따라, 고객 프로파일 생성 장치(100)는 결정된 선호도를 표준화(또는 정규화)함으로써 상기 선호도에 해당하는 선호도 점수를 계산할 수 있다.
고객 프로파일 생성 장치(100)는 계산된 각 선호도 필드(F1~Fn)에 대한 선호도 점수들을 이용하여 고객 프로파일(PRO_CTM)을 생성할 수 있다(S140). 실시 예들에 따라, 고객 프로파일 생성 장치(100)는 생성된 고객 프로파일(PRO_CTM)을 고객 별로 제1데이터베이스(410)에 저장할 수 있다.
본 발명의 실시 예들에 따른 고객 프로파일 생성 장치는 고객 정보(CTMI) 및 카드 이용 정보(CDUI)에 기초하여 고객 각각의 특성(예컨대, 선호도)을 나타낼 수 있는 고객 프로파일(PRO_CTM)을 생성할 수 있는 효과가 있다.
도 4는 본 발명의 실시 예들에 따른 콘텐츠 추천 장치를 나타내고, 도 5는 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 설명하기 위한 도면이다.
도 1 내지 도 5를 참조하면, 콘텐츠 추천 장치(200)는 제1콘텐츠 추천 모듈(210) 및 제2추천 콘텐츠 추천 모듈(220)을 포함할 수 있다.
제1콘텐츠 추천 모듈(210)은 추천 대상 고객의 고객 프로파일(PRO_CTM)과 가장 유사한 고객 프로파일(PRO_CTM)을 가지는 고객군(즉, 유사 고객군)을 결정하고, 유사 고객군이 반응한 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
제2콘텐츠 추천 모듈(220)은 콘텐츠의 콘텐츠 프로파일(PRO_CNT)들을 생성하고, 추천 대상 고객의 고객 프로파일(PRO_CTM)과 가장 유사한 콘텐츠 프로파일(PRO_CNT)에 해당하는 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다. 실시 예들에 따라, 제2콘텐츠 추천 모듈(220)은 상기 고객의 고객 프로파일(PRO_CTM)과 콘텐츠 프로파일(PRO_CNT)의 유사도를 산출하여 추천 콘텐츠(RCNT)를 결정할 수 있다.
먼저, 제1콘텐츠 추천 모듈(210)에 대해서 설명한다.
제1콘텐츠 추천 모듈(210)은 콘텐츠 이용 정보(CNTUI)에 기초하여 콘텐츠 각각에 대해 반응한 고객들을 포함하는 반응 고객군들을 설정하고, 반응 고객군들 중에서 상기 추천 대상 고객과 유사한 선호도를 가지는 유사 고객군을 결정하고, 유사 고객군에 대응하는 콘텐츠(즉, 유사 고객군이 반응한 콘텐츠)를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
실시 예들에 따라, 제1콘텐츠 추천 모듈(210)은 반응 고객군에 포함된 고객들 각각의 고객 프로파일(PRO_CTM)과 추천 대상 고객의 고객 프로파일(PRO_CTM)을 이용하여 추천 대상 고객과 유사한 선호도를 가지는 유사 고객군을 결정할 수 있다.
예컨대, 제1콘텐츠 추천 모듈(210)은 반응 고객군에 포함된 고객들 각각의 고객 프로파일(PRO_CTM)을 이용하여 상기 반응 고객군의 프로파일을 생성할 수 있다. 반응 고객군의 프로파일은 고객들 각각의 고객 프로파일(PRO_CTM)의 선호도 점수들에 기초하여 생성될 수 있다.
제1콘텐츠 추천 모듈(210)은 반응 고객군의 프로파일과 추천 대상 고객의 고객 프로파일(PRO_CTM)을 이용하여 반응 고객군과 추천 대상 고객 사이의 유사도를 계산할 수 있다. 실시 예들에 따라, 제1콘텐츠 추천 모듈(210)은 반응 고객군의 프로파일의 선호도 필드들의 선호도 점수와 추천 대상 고객의 고객 프로파일(PRO_CTM)의 선호도 필드들의 선호도 점수를 이용하여 반응 고객군과 추천 대상 고객 사이의 유사도를 계산할 수 있다.
예컨대, 제1콘텐츠 추천 모듈(210)에 의해 계산되는 유사도는 특정 값을 가질 수 있고, 제1콘텐츠 추천 모듈(210)은 협업 필터링, CBF(contents based filtering), 사용자 행동 예측 모델, 인공 신경망, GIS 공간 분석, 베이지안 분석, 벡터 내적, 회귀 모델 중 적어도 하나를 이용하여 유사도를 계산할 수 있다.
이 후, 제1콘텐츠 추천 모듈(210)은 계산된 유사도에 기초하여 유사 고객군을 결정할 수 있다.
상기 유사 고객군은 유사도가 기준 값 이상인 반응 고객군일 수 있고, 유사도가 최대인 반응 고객군일 수 있으나, 이에 한정되는 것은 아니다.
실시 예들에 따라, 제1콘텐츠 추천 모듈(210)은 계산된 유사도 및 프로파일의 선호도 필드(F1~Fn)에 대한 선호도 점수를 추가적으로 고려하여 유사 고객군을 결정할 수 있다. 예컨대, 제1콘텐츠 추천 모듈(210)은 유사도가 기준 값 이상인 반응 고객군들 중에서, 추천 대상 고객과 선호 지역이 인접한 반응 고객군을 유사 고객군으로 설정할 수 있다.
제1콘텐츠 추천 모듈(210)은 결정된 유사 고객군에 의해 반응된 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다. 실시 예들에 따라, 제1콘텐츠 추천 모듈(210)은 추천 대상 고객의 추천 콘텐츠(RCNT)를 저장하거나, 또는 추천 대상 고객으로 추천 콘텐츠(RCNT)를 제공할 수 있다.
실시 예들에 따라, 제1콘텐츠 추천 모듈(210)은 추천 대상 고객과 추천 콘텐츠(RCNT)사이의 상호작용을 모니터링하여 상기 상호작용이 있을 때, 추천 대상 고객을 추천 콘텐츠(RCNT)에 대한 반응 고객군에 추가할 수 있다. 추가된 반응 고객군을 기초로 다시 유사도를 계산할 수 있고, 이를 통해, 콘텐츠 추천 방법(또는 모델)의 정확도가 상승될 수 있다.
실시 예들에 따라, 제1콘텐츠 추천 모듈(210)은 콘텐츠 이용 정보(CNTUI)가 업데이트되는지 여부를 판단하고, 각 콘텐츠에 대한 반응 고객군이 업데이트되는지를 판단하고, 상기 변화가 존재하는 경우 변화된 반응 고객군에 기초하여 추천 콘텐츠(RCNT)를 다시 결정할 수 있다.
이제, 제2콘텐츠 추천 모듈(220)에 대해서 설명한다.
제2콘텐츠 추천 모듈(220)은 추천 대상 고객과 유사한 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
제2콘텐츠 추천 모듈(220)은 콘텐츠 이용 정보(CNTUI) 및 고객 프로파일(PRO_CTM)을 이용하여 콘텐츠 프로파일(PRO_CNT)을 생성할 수 있다. 콘텐츠 이용 정보(CNTUI)는 고객들 각각의 콘텐츠의 이용에 대한 정보를 포함할 수 있다. 예컨대, 콘텐츠 이용 정보(CNTUI)는 콘텐츠 각각에 대해, 해당 콘텐츠와 상호작용(예컨대, 이용 또는 반응)한 고객에 대한 정보를 포함할 수 있다.
제2콘텐츠 추천 모듈(220)은 콘텐츠 이용 정보(CNTUI)에 기초하여 각 콘텐츠에 대해 반응한 고객들을 포함하는 반응 고객군을 설정할 수 있고, 각 반응 고객군에 포함된 반응 고객들의 고객 프로파일(PRO_CTM)을 이용하여 해당하는 콘텐츠의 콘텐츠 프로파일(PRO_CNT)들을 생성할 수 있다. 실시 예들에 따라, 제2콘텐츠 추천 모듈(220)은 각 콘텐츠 마다 반응 고객군에 포함된 반응 고객들의 고객 프로파일(PRO_CTM)에 포함된 선호도 필드들의 선호도 점수를 이용하여 콘텐츠 프로파일(PRO_CNT)을 생성할 수 있다.
도 5에 도시된 예시를 참조하여 콘텐츠 프로파일(PRO_CNT)의 생성 과정에 대해 설명한다. 도 5를 참조하면, 제2콘텐츠 추천 모듈(220)은 콘텐츠 이용 정보(CNTUI)에 기초하여, 제1콘텐츠(CNT1)와 상호 작용을 수행한 고객들(CTM1-1, CTM1-2, ...)을 제1반응 고객군(RG1)로 결정할 수 있고, 제2콘텐츠(CNT2)와 상호작용을 수행한 고객들(CTM2-1, CTM2-2, ...)을 제2반응 고객군(RG2)로 결정할 수 있다. 이 때, 제1콘텐츠(CNT1)와 제2콘텐츠(CNT2) 각각은 제1반응 고객군(RG1)과 제2반응 고객군(RG2) 각각에 대한 피-반응 콘텐츠로 지칭될 수 있다.
즉, 특정 콘텐츠에 대해 반응한 고객들은 특정 콘텐츠에 대한 선호 또는 관심을 표현한 것이므로, 특정 콘텐츠는 반응한 고객의 선호도에 맞는 콘텐츠일 수 있다.
제2콘텐츠 추천 모듈(220)은 제1반응 고객군(RG1)에 포함된 고객들(CTM1-1, CTM1-2, ...)의 고객 프로파일(PRO_CTM)들에 기초하여 제1콘텐츠(CNT1)에 대한 콘텐츠 프로파일(PRO_CNT)을 생성할 수 있다.
제2콘텐츠 추천 모듈(220)은 콘텐츠의 콘텐츠 프로파일(PRO_CNT)과 추천 대상 고객의 고객 프로파일(PRO_CTM)을 이용하여 추천 대상 고객과 유사한 선호도를 가지는 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
제2콘텐츠 추천 모듈(220)은 콘텐츠의 콘텐츠 프로파일(PRO_CNT)들과 추천 대상 고객의 고객 프로파일(PRO_CTM)을 이용하여 콘텐츠 각각과 추천 대상 고객 사이의 유사도를 계산할 수 있다. 실시 예들에 따라, 제2콘텐츠 추천 모듈(220)은 콘텐츠의 콘텐츠 프로파일(PRO_CNT)의 선호도 필드들의 선호도 점수와 추천 대상 고객의 고객 프로파일(PRO_CTM)의 선호도 필드들의 선호도 점수를 이용하여 콘텐츠 각각과 추천 대상 고객 사이의 유사도를 계산할 수 있다.
예컨대, 제2콘텐츠 추천 모듈(220)에 의해 계산되는 유사도는 특정 값을 가질 수 있고, 제2콘텐츠 추천 모듈(220)은 협업 필터링, CBF(contents based filtering), 사용자 행동 예측 모델, 인공 신경망, GIS 공간 분석, 베이지안 분석, 벡터 내적, 회귀 모델 중 적어도 하나를 이용하여 유사도를 계산할 수 있다.
이 후, 제2콘텐츠 추천 모듈(220)은 계산된 유사도에 기초하여 콘텐츠 중 추천 콘텐츠(RCNT)를 결정할 수 있다. 또한, 제2콘텐츠 추천 모듈(220)은 계산된 유사도에 기초하여 콘텐츠의 추천 순위를 설정할 수 있다.
예컨대, 제2콘텐츠 추천 모듈(220)은 유사도가 가장 높은 콘텐츠 또는 유사도가 기준 값 이상인 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있으나, 이에 한정되는 것은 아니다.
실시 예들에 따라, 제2콘텐츠 추천 모듈(220)은 계산된 유사도 및 콘텐츠 프로파일의 선호도 필드(F1~Fn)에 대한 선호도 점수를 추가적으로 고려하여 유사 고객군을 결정할 수 있다. 예컨대, 제2콘텐츠 추천 모듈(220)은 유사도가 기준 값 이상인 콘텐츠 중에서, 추천 대상 고객의 선호 가맹점과 가장 유사한 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
실시 예들에 따라, 제2콘텐츠 추천 모듈(220)은 콘텐츠 이용 정보(CNTUI)가 업데이트되는지 여부를 판단하고, 각 콘텐츠에 대한 반응 고객군이 업데이트되는지를 판단하고, 상기 변화가 존재하는 경우 변화된 반응 고객군에 기초하여 콘텐츠의 콘텐츠 프로파일(PRO_CNT)을 생성할 수 있다.
예컨대, 제2콘텐츠 추천 모듈(220)은 콘텐츠 이용 정보(CNTUI)의 이력을 피드백하여 각 콘텐츠에 대한 반응 고객군에 대해 피드백 결과를 적용함으로써 반응 고객군을 업데이트 하고, 업데이트된 반응 고객군에 기초하여 콘텐츠의 콘텐츠 프로파일(PRO_CNT)을 생성할 수 있다.
본 발명의 실시 예들에 따른 프로파일들은 선호도를 표준화함으로써 계산된 표준화 점수에 기초하는 것이므로 범용적이며, 또한 선호도 필드가 변경됨에 따라 다양한 선호도 점수가 계산될 수 있으므로 확장 가능하다.
도 6은 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 나타내는 플로우 차트이다. 도 6을 참조하여 설명될 콘텐츠 추천 방법은 도 1 내지 도 5를 참조하여 설명된 콘텐츠 추천 장치(200)의 작동들을 포함할 수 있다.
도 1 내지 도 6을 참조하면, 콘텐츠 추천 장치(200)는 각 콘텐츠에 대한 반응 고객군들을 설정할 수 있다(S210). 실시 예들에 따라, 콘텐츠 추천 장치(200)는 콘텐츠 이용 정보(CNTUI)에 기초하여 이용 이력을 가지는 콘텐츠을 선택하고, 이용 이력을 가지는 콘텐츠 각각에 대하여 반응 고객군을 설정할 수 있다.
콘텐츠 추천 장치(200)는 반응 고객군에 포함된 고객들의 고객 프로파일(PRO_CTM)을 이용하여 반응 고객군의 프로파일을 생성할 수 있다(S220).
콘텐츠 추천 장치(200)는 반응 고객군의 프로파일 및 추천 대상 고객의 고객 프로파일(PRO_CTM)에 기초하여 반응 고객군과 추천 대상 고객 사이의 유사도(예컨대, 제1유사도)를 계산할 수 있다(S230).
콘텐츠 추천 장치(200)는 계산된 유사도에 기초하여 추천 대상 고객에 대한 추천 콘텐츠(RCNT)를 결정할 수 있다(S240). 실시 예들에 따라, 콘텐츠 추천 장치(200)는 추천 대상 고객과 가장 유사한 고객군이 반응한 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
본 발명의 실시 예들에 따른 콘텐츠 추천 장치(200)는 추천 대상 고객과 콘텐츠에 대한 반응 고객군 사이의 유사도를 계산하고, 계산된 유사도에 기초하여 추천 콘텐츠(RCNT)를 결정할 수 있는 효과가 있다.
도 7은 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 나타내는 플로우 차트이다. 도 7을 참조하여 설명될 콘텐츠 추천 방법은 도 1 내지 도 5를 참조하여 설명된 콘텐츠 추천 장치(200)의 작동들을 포함할 수 있다.
도 1 내지 도 7을 참조하면, 콘텐츠 추천 장치(200)는 각 콘텐츠에 대한 반응 고객군들을 설정할 수 있다(S310). 실시 예들에 따라, 콘텐츠 추천 장치(200)는 콘텐츠 이용 정보(CNTUI)에 기초하여 이용 이력을 가지는 콘텐츠를 선택하고, 이용 이력을 가지는 콘텐츠 각각에 대하여 반응 고객군을 설정할 수 있다.
콘텐츠 추천 장치(200)는 반응 고객군에 포함된 고객들의 고객 프로파일(PRO_CTM)에 기초하여 콘텐츠 각각에 대한 콘텐츠 프로파일(PRO_CNT)을 생성할 수 있다(S320).
콘텐츠 추천 장치(200)는 콘텐츠의 콘텐츠 프로파일(PRO_CNT) 및 추천 대상 고객의 고객 프로파일(PRO_CTM)에 기초하여 콘텐츠와 추천 대상 고객 사이의 유사도(예컨대, 제2유사도)를 계산할 수 있다(S330).
콘텐츠 추천 장치(200)는 계산된 유사도에 기초하여 추천 대상 고객에 대한 추천 콘텐츠(RCNT)를 결정할 수 있다(S340). 실시 예들에 따라, 콘텐츠 추천 장치(200)는 추천 대상 고객과 가장 유사한 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있다.
본 발명의 실시 예들에 따른 콘텐츠 추천 장치(200)는 콘텐츠와 상호작용한 고객들의 특성(즉, 고객 프로파일)을 기초로 콘텐츠의 특성(즉, 콘텐츠 프로파일)을 결정할 수 있고, 결정된 콘텐츠의 특성에 기초하여 추천 콘텐츠를 결정할 수 있는 효과가 있다.
도 8은 본 발명의 실시 예들에 따른 콘텐츠 추천 방법을 나타내는 플로우 차트이다. 도 8을 참조하여 설명될 콘텐츠 추천 방법은 도 1 내지 도 5를 참조하여 설명된 콘텐츠 추천 장치(200)의 작동들을 포함할 수 있다.
도 1 내지 도 8을 참조하면, 콘텐츠 추천 장치(200)는 각 콘텐츠에 대한 반응 고객군들을 설정할 수 있다(S410). 실시 예들에 따라, 콘텐츠 추천 장치(200)는 콘텐츠 이용 정보(CNTUI)에 기초하여 이용 이력을 가지는 콘텐츠를 선택하고, 이용 이력을 가지는 콘텐츠 각각에 대하여 반응 고객군을 설정할 수 있다.
콘텐츠 추천 장치(200)는 반응 고객군에 포함된 고객들의 고객 프로파일(PRO_CTM)에 기초하여 콘텐츠 각각에 대한 콘텐츠 프로파일(PRO_CNT)을 생성할 수 있다(S420).
콘텐츠 추천 장치(200)는 반응 고객군에 포함된 고객들의 고객 프로파일(PRO_CTM)을 이용하여 반응 고객군의 프로파일을 생성할 수 있다(S430).
콘텐츠 추천 장치(200)는 반응 고객군의 프로파일 및 추천 대상 고객의 고객 프로파일(PRO_CTM)에 기초하여 반응 고객군과 추천 대상 고객 사이의 유사도(즉, 제1유사도)를 계산할 수 있다(S440).
콘텐츠 추천 장치(200)는 반응 고객군과 추천 대상 고객 사이의 유사도에 기초하여 추천 대상 고객에 대한 유사 고객군을 결정할 수 있다(S450). 실시 예들에 따라, 유사 고객군은 반응 고객군들 중에서 추천 대상 고객과 가장 유사한 고객군을 의미할 수 있으나, 이에 한정되는 것은 아니다.
콘텐츠 추천 장치(200)는 유사 고객군이 반응한 콘텐츠의 콘텐츠 프로파일(PRO_CNT)과 추천 대상 고객의 고객 프로파일(PRO_CTM)에 기초하여 유사 고객군이 반응한 콘텐츠와 추천 대상 고객 사이의 유사도(예컨대, 제3유사도)를 계산할 수 있다(S460).
한편, 도 8을 참조하여 설명된 단계 S460과 도 7을 참조하여 설명된 단계 S330의 차이는, 단계 S460은 추천 대상 고객과 유사한 유사 고객군이 반응한 콘텐츠와 추천 대상 고객 사이의 유사도를 계산하지만, 단계 S330은 추천 대상 고객과 유사 여부과 무관한 일반적인 반응 고객군이 반응한 콘텐츠와 추천 대상 고객 사이의 유사도를 계산한다는 것이다.
본 발명의 실시 예들에 따른 콘텐츠 추천 장치(200)는 콘텐츠에 대한 고객의 반응에 기초하여 콘텐츠의 콘텐츠 프로파일을 생성하고, 콘텐츠에 대한 반응 고객군 중 추천 대상 고객과 유사한 유사 고객군이 반응한 콘텐츠 중 추천 대상 고객과 유사한 콘텐츠를 추천 콘텐츠(RCNT)로서 결정할 수 있는 효과가 있다.
본 발명의 실시 예들에 따른 방법들은 컴퓨터로 판독 가능한 저장 매체에 저장되어 프로세서에 의해 실행될 수 있는 명령어들로 구현될 수 있다.
저장 매체는, 직접 및/또는 간접적이든, 원시 상태, 포맷화된 상태, 조직화된 상태 또는 임의의 다른 액세스 가능한 상태이든 관계없이, 관계형 데이터베이스, 비관계형 데이터베이스, 인-메모리(in-memory) 데이터베이스, 또는 데이터를 저장할 수 있고 저장 제어기를 통해 이러한 데이터에 대한 액세스를 허용할 수 있는 다른 적절한 데이터베이스와 같이 분산형을 포함하는 데이터베이스를 포함할 수 있다. 또한, 저장 매체는, 1차 저장 장치(storage), 2차 저장 장치, 3차 저장 장치, 오프라인 저장 장치, 휘발성 저장 장치, 비휘발성 저장 장치, 반도체 저장 장치, 자기 저장 장치, 광학 저장 장치, 플래시 저장 장치, 하드 디스크 드라이브 저장 장치, 플로피 디스크 드라이브, 자기 테이프, 또는 다른 적절한 데이터 저장 매체와 같은 임의의 타입의 저장 장치를 포함할 수 있다.
본 명세서에서, 명령어는 어셈블러 명령어, 명령어 세트 아키텍처(instruction-set-architecture, ISA) 명령어, 머신 명령어, 머신 의존 명령어, 마이크로 코드, 펌웨어 명령어, 상태 설정 데이터, 또는 Smalltalk, C ++ 등과 같은 객체 지향 프로그래밍 언어 및 "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어와 같은 종래의 절차적 프로그래밍 언어를 포함하는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성된 소스 코드 또는 객체 코드 중 어느 하나일 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
10: 콘텐츠 추천 시스템
100: 고객 프로파일 생성 장치
200: 콘텐츠 추천 장치
300: 고객 단말기
410: 제1데이터베이스
420: 제2데이터베이스
CTMI: 고객 정보
CDUI: 카드 이용 정보
PRO_CTM: 고객 프로파일
CNTUI: 콘텐츠 이용 정보
PRO_CNT: 콘텐츠 프로파일
RCNT: 추천 콘텐츠

Claims (10)

  1. 고객들에 대한 고객 프로파일을 생성하기 위한 방법에 있어서,
    상기 고객들에 대한 고객 정보와 카드 이용 정보를 획득하는 단계;
    상기 고객 정보와 상기 카드 이용 정보에 기초하여, 상기 고객들 각각에 대하여 상기 고객 프로파일에 포함되는 선호도 필드들에 대한 선호도 점수를 계산하는 단계; 및
    계산된 선호도 점수를 이용하여 상기 고객 프로파일을 생성하는 단계를 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  2. 제1항에 있어서, 상기 선호도 점수를 계산하는 단계는,
    CBF(contents based filtering), 협업 필터링, 사용자 행동 예측 모델 및 GIS 공간 분석 중 적어도 하나를 이용하여, 상기 고객 정보와 상기 카드 이용 정보로부터 상기 선호도 필드들에 대한 고객의 선호도를 결정하는 단계; 및
    상기 선호도 필드들에 대한 선호도를 공통적인 기준에 따라 표준화하고, 표준화 결과에 따라 선호도에 대응하는 선호도 점수를 계산하는 단계를 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  3. 제2항에 있어서, 상기 선호도 점수를 계산하는 단계는,
    IUF(inverse user frequency) 알고리즘을 이용하여 결정된 선호도를 표준화함으로써 상기 선호도 점수를 계산하는 단계를 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  4. 제1항에 있어서,
    상기 고객 프로파일에 포함되는 선호도 필드들은 선호 가맹점 선호도 필드, 쇼핑 패턴 선호도 필드, 선호 지역 선호도 필드 및 선호 품목 필드 중 적어도 하나를 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  5. 제1항에 있어서,
    상기 고객 프로파일에 포함되는 선호도 필드들은 선호 가맹점 선호도 필드를 포함하고,
    상기 선호도 필드들에 대한 선호도 점수를 계산하는 단계는,
    상기 카드 이용 정보에 포함된 가맹점별 이용 회수, 가맹점별 이용 금액 및 가맹점별 카드 이용 패턴 중 적어도 하나에 기초하여 협업 필터링을 이용하여 가맹점에 대한 고객들 각각의 선호도를 결정하는 단계; 및
    가맹점에 대한 고객들 각각의 선호도에 기초하여 상기 선호 가맹점 선호도 필드에 대한 선호도 점수를 계산하는 단계를 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  6. 제1항에 있어서,
    상기 고객 프로파일에 포함되는 선호도 필드들은 쇼핑 패턴 선호도 필드를 포함하고,
    상기 선호도 필드들에 대한 선호도 점수를 계산하는 단계는,
    상기 고객 정보 및 상기 카드 이용 정보에 대해 사용자 행동 예측 모델링을 적용하여 고객들 각각의 소비 패턴에 대한 선호도를 결정하는 단계; 및
    고객들 각각의 소비 패턴에 대한 선호도에 기초하여 쇼핑 패턴 선호도 필드에 대한 선호도 점수를 계산하는 단계를 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  7. 제1항에 있어서,
    상기 고객 프로파일에 포함되는 선호도 필드들은 선호 지역 선호도 필드를 포함하고,
    상기 선호도 필드들에 대한 선호도 점수를 계산하는 단계는,
    상기 고객 정보 및 상기 카드 이용 정보를 이용하여 GIS 공간 분석 기법을 통해 상기 고객들의 경제활동 반경을 모델링하는 단계;
    상기 모델링 결과에 따라 상기 고객들 각각의 소비 지역에 대한 선호도를 결정하는 단계; 및
    상기 고객들 각각의 소비 지역에 대한 선호도에 기초하여 상기 선호 지역 선호도 필드에 대한 선호도 점수를 계산하는 단계를 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  8. 제1항에 있어서,
    생성된 고객 프로파일을 고객 별로 데이터베이스에 저장하는 단계를 더 포함하는,
    고객 프로파일을 생성하기 위한 방법.
  9. 제1항에 따른 고객 프로파일을 생성하기 위한 방법을 실행하기 위한 명령어들을 포함하는 컴퓨터 프로그램을 저장하는 비-일시적인 컴퓨터 판독가능 매체.
  10. 제1항에 따른 고객 프로파일을 생성하기 위한 방법을 실행하기 위한 명령어들을 포함하는 비-일시적인 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램.
KR1020190037438A 2019-03-29 2019-03-29 카드 이용 정보를 이용하여 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치 KR102290213B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190037438A KR102290213B1 (ko) 2019-03-29 2019-03-29 카드 이용 정보를 이용하여 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190037438A KR102290213B1 (ko) 2019-03-29 2019-03-29 카드 이용 정보를 이용하여 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치

Publications (2)

Publication Number Publication Date
KR20200114902A true KR20200114902A (ko) 2020-10-07
KR102290213B1 KR102290213B1 (ko) 2021-08-17

Family

ID=72883968

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190037438A KR102290213B1 (ko) 2019-03-29 2019-03-29 카드 이용 정보를 이용하여 고객 프로파일을 생성하기 위한 방법 및 고객 프로파일을 생성하기 위한 장치

Country Status (1)

Country Link
KR (1) KR102290213B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102358119B1 (ko) * 2021-05-31 2022-02-09 주식회사 애자일소다 Bert 기반의 고객 상품 추천 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070109241A (ko) * 2006-05-10 2007-11-15 (주)디엠플러스 Ｖｉｐ 멤버쉽 서비스 시스템
KR20120037541A (ko) * 2010-10-12 2012-04-20 박흥순 가맹점 및 고객 분석 기반의 마케팅 시스템
KR20130100835A (ko) * 2012-02-03 2013-09-12 은석훈 할인 정보 및 카드 혜택 정보 제공 장치 및 방법
KR20180064908A (ko) * 2016-12-06 2018-06-15 주식회사 이루온 자동 할인 결제 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070109241A (ko) * 2006-05-10 2007-11-15 (주)디엠플러스 Ｖｉｐ 멤버쉽 서비스 시스템
KR20120037541A (ko) * 2010-10-12 2012-04-20 박흥순 가맹점 및 고객 분석 기반의 마케팅 시스템
KR20130100835A (ko) * 2012-02-03 2013-09-12 은석훈 할인 정보 및 카드 혜택 정보 제공 장치 및 방법
KR20180064908A (ko) * 2016-12-06 2018-06-15 주식회사 이루온 자동 할인 결제 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102358119B1 (ko) * 2021-05-31 2022-02-09 주식회사 애자일소다 Bert 기반의 고객 상품 추천 장치 및 방법

Also Published As

Publication number Publication date
KR102290213B1 (ko) 2021-08-17

Similar Documents

Publication Publication Date Title
US11170392B2 (en) System and method for classifying relevant competitors
US10963942B1 (en) Systems, methods, and devices for generating recommendations of unique items
WO2017080170A1 (zh) 群体用户画像方法及系统
US11127032B2 (en) Optimizing and predicting campaign attributes
US10162868B1 (en) Data mining system for assessing pairwise item similarity
US11580586B2 (en) Real-time recommendation monitoring dashboard
US20190362408A1 (en) Personalized recommendations for unidentified users based on web browsing context
JP2019519027A (ja) 履歴ログからの学習と、ｅｔｌツール内のデータアセットに関するデータベースオペレーションの推奨
US20140258277A1 (en) Facet group ranking for search results
US20190228105A1 (en) Dynamic website content optimization
JP6703572B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
US10937070B2 (en) Collaborative filtering to generate recommendations
US20160019621A1 (en) Review based navigation and product discovery platform
US20210182934A1 (en) System rendering personalized outfit recommendations
US20210217053A1 (en) Methods and apparatuses for selecting advertisements using semantic matching
US20200356934A1 (en) Customer service assistance apparatus, customer service assistance method, and computer-readable recording medium
US10922725B2 (en) Automatic rule generation for recommendation engine using hybrid machine learning
US20240029107A1 (en) Automatic Item Placement Recommendations Based on Entity Similarity
KR20140031416A (ko) 협업 필터링 기반의 아이템 추천 시스템과 방법 및 이를 지원하는 장치
KR20220012085A (ko) 구매 이력과 상품에 매칭된 태그 속성의 협업 필터링 기반 개인 맞춤 추천 장치 및 그 방법
US20130325651A1 (en) Product recommendation
KR20210098289A (ko) 전자상거래와 연관된 쇼핑몰의 상품 진열 업데이트 방법 및 장치
US10643027B2 (en) Customizing a common taxonomy with views and applying it to behavioral targeting
JP7379699B2 (ja) 解析装置
US20220277205A1 (en) Automated machine learning to generate recommendations for websites or applications

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant