KR20200132763A

KR20200132763A - 복지몰 상품 구성 학습 서버

Info

Publication number: KR20200132763A
Application number: KR1020200058360A
Authority: KR
Inventors: 주재영
Original assignee: (주)제이코스
Priority date: 2019-05-16
Filing date: 2020-05-15
Publication date: 2020-11-25
Also published as: KR102200456B1

Abstract

본 발명의 일실시예에 따르면, 복지몰 상품 구성 학습 서버 및 시스템에 있어서, 고객사별 특성 정보와 고객사별 쇼핑몰 웹페이지에서 판매된 각 상품에 대한 구매 이력 정보의 학습을 통해 생성되는 각 상품의 특성 정보를 조합하여 고객사별 쇼핑몰 웹페이지상 등록되는 상품이 고객사별 최적화된 상품으로 구성되도록 함으로써 고객사의 니즈를 만족시키고 판매량도 증대시킬 수 있도록 한다.

Description

복지몰 상품 구성 학습 서버{GOODS RECOMMENDING MACHINE LEARNING SERVER FOR WALFARE INTERNET SHOPPING MALL}

본 발명은 인터넷 복지몰 운영에 관한 것으로, 특히 복지몰 상품 구성 학습 서버에 관한 것이다.

일반적으로, 복지몰 또는 폐쇄몰은 통상적으로 기업이나 기관, 단체 등에서 소속 직원이나 회원들의 복지 향상을 위해 제품을 시중 판매가보다 저렴한 가격으로 판매하는 몰로서, 누구나 접속하여 제품을 구매 가능한 일반적인 온라인상의 오픈 마켓과 달리 복지몰에 등록된 업체나 기관, 단체의 직원이나 회원만이 이용할 수 있도록 제한된 온라인 몰을 의미한다.

이러한 복지몰의 웹페이지는 해당 복지몰을 운영하는 중간 유통 사업자에 의해 고객사별로 개별 제작되어 제공되는 방식이며, 이러한 웹페이지에 구성되는 상품은 일반적으로 고객사에서 사원들의 요구 사항이 반영된 선호 상품 정보를 제공하고, 중간 유통 사업자가 자신에게 상품을 공급하도록 계약된 협력사의 상품을 추천하여 선호 상품과 추천 상품으로 구성되는 것이 일반적이다.

한편, 위와 같은 복지몰 웹페이지의 상품 구성 중 추천 상품의 구성에 있어서는 복지몰을 운영하는 중간 유통 사업자가 고객사별 만족도가 높고 판매량이 높을 것으로 예상되는 상품을 임의로 선정하여 추천 상품으로 구성하고 있다.

그러나, 종래에는 위와 같은 추천 상품의 구성이 이전에 판매된 상품들에 대한 히스토리 데이터 등과 같은 신뢰성이 있는 데이터를 기반으로 이루어지는 것이 아니라, 복지몰 운영하는 사업자의 특정 직원 등의 직관적인 판단에 의해 이루어지고 있는 실정이다.

이에 따라, 추천 상품의 실제 판매량이 예상 판매량과 달리 판매가 부진하여 손익에 악영향을 미치며, 상품의 제고 관리에도 문제가 발생하는 등 여러 가지 문제점이 있었다.

대한민국 등록특허번호 10-0839230호(등록일자 2008년 06월 11일)

따라서, 본 발명의 목적은 고객사별 특성 정보와 고객사별 쇼핑몰 웹페이지에서 판매된 각 상품에 대한 구매 이력 정보의 학습을 통해 생성되는 각 상품의 특성 정보를 조합하여 고객사별 쇼핑몰 웹페이지상 등록되는 상품이 고객사별 최적화된 상품으로 구성되도록 함으로써 고객사의 니즈를 만족시키고 판매량도 증대시킬 수 있도록 하는 복지몰 상품 구성 학습 서버 및 시스템을 제공하는 것이다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 발명에 따른 고객사별로 생성된 쇼핑몰 웹페이지상 등록할 상품을 구성하는 복지몰 상품 구성 학습 서버는, 상기 쇼핑몰 웹페이지를 운영하는 복지몰 운영 서버와 연동하여 상기 쇼핑몰 웹페이지상 구성된 상품 중 각 고객사에서 구매한 각 상품에 대해 구매자가 위치한 지역, 구매자의 직업, 구매자의 연령, 구매자의 결혼 여부, 구매자의 성별을 수집하는 구매이력 수집부와, 상기 구매 이력 정보를 기반으로 동일 상품에 대한 서로 다른 사용자로부터의 구매 이력 정보를 학습하여 각 상품의 주요 구매 지역 및 각 지역에서의 누적 판매 수량, 주요 구매 직업군 및 각 직업군에서의 누적 판매 수량, 주요 구매 연령 및 각 연령에서의 누적 판매량, 주요 구매 성별 및 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량을 각 상품의 특성 정보로 산출하는 상품 특성 학습부와, 상기 쇼핑몰 웹페이지에 등록 가능한 복수의 상품에 대한 정보를 저장하는 상품 정보 DB와, 상기 상품 정보 DB에 포함되는 각 상품에 대해 성능과 디자인의 상대적인 우수성을 나타내는 성능 우수 지수와 디자인 우수 지수를 산출하는 상품 특성 지수 산출부와, 새로운 타겟 고객사의 타겟 쇼핑몰 웹페이지상 등록할 상품에 대한 구성 요청이 수신되는 경우, 해당 쇼핑몰 웹페이지에 대응되는 타겟 고객사의 특성 정보를 확인하고, 상기 구성 요청이 수신된 시점에 상기 상품 특성 학습부에서 산출된 각 상품의 특성 정보와 상기 타겟 고객사의 특성 정보를 기반으로 상기 상품 정보 DB에 저장된 각 상품에 대해 상기 타겟 고객사에서 판매 가능한 예상 판매량을 산출하고, 상기 예상 판매량이 높은 순으로 기설정된 제1 개수의 제1 후보 상품을 선택하는 제1 추천 상품 구성부와, 상기 제1 후보 상품에 포함된 각 상품의 성능 우수 지수와 디자인 우수 지수를 검색하고, 상기 제1 후보 상품 중에서 성능 우수 지수 및 디자인 우수 지수가 상대적으로 높은 제2 개수의 제2 후보 상품을 선택하여 상기 타겟 고객사의 쇼핑몰 웹페이지상 등록할 추천 상품으로 구성하는 제2 추천 상품 구성부를 포함할 수 있다.

또한, 상기 제1 추천 상품 구성부는, 고객사별 특성 정보 중, 상기 타겟 고객사의 업종, 지역, 전체 구성원 수, 구성원의 연령 비율 및 구성원의 성별 비율과, 각 상품의 특성 정보 중 각 지역에서의 누적 판매 수량, 각 직업군에서의 누적 판매 수량, 각 연령에서의 누적 판매량, 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량을 조합하여 각 상품에 대한 상기 타겟 고객사에서의 판매 가능한 상기 예상 판매량을 산출할 수 있다.

또한, 상기 서버는, 각 상품을 구매한 복수의 고객으로부터 피드백되는 각 상품에 대한 성능 만족도 점수와 디자인 만족도 점수를 수집하여 각 상품에 대한 평균 성능 만족도 점수와 평균 디자인 만족도 점수를 산출하는 평가 점수 수집부를 더 포함하며, 상기 상품 특성 지수 산출부는, 각 상품의 성능 우수 지수를 산출함에 있어서, 각 상품의 제조사에서 제공하는 스펙 정보를 기반으로 각 상품에 대한 제1 성능 지수를 산출하고, 각 상품에 대한 상기 평균 성능 만족도 점수에 대해 기설정된 제1 비율을 적용하여 제2 성능 지수를 산출한 후, 상기 제1 성능 지수와 상기 제2 성능 지수를 합산하여 각 상품의 성능 우수 지수를 산출하며, 상기 상품 특성 지수 산출부는, 각 상품의 디자인 우수 지수를 산출함에 있어서, 기설정된 전문가 그룹으로부터 평가된 각 상품의 디자인 평가 정보를 기반으로 각 상품에 대한 제1 디자인 지수를 산출하고, 각 상품에 대한 상기 평균 디자인 만족도 점수에 대해 상기 제1 비율을 적용하여 제2 디자인 지수를 산출한 후, 상기 제1 디자인 지수와 상기 제2 디자인 지수를 합산하여 각 상품의 디자인 우수 지수를 산출할 수 있다.

또한, 상기 평가 점수 수집부는, 각 상품에 대한 새로운 구매자로부터의 성능 만족도 점수와 디자인 만족도 점수 정보가 기설정된 기준 회수 이상 추가로 수집되는 경우마다 각 상품에 대한 평균 성능 만족도 점수와 상기 디자인 만족도 점수를 새로이 산출하여 갱신시키고, 상기 상품 특성 지수 산출부는, 각 상품에 대한 평균 성능 만족도 점수와 평균 디자인 만족도 점수가 갱신되는 경우, 각 상품에 대한 성능 우수 지수와 디자인 우수 지수를 새로이 산출하여 갱신시킬 수 있다.

또한, 상기 상품 구성 학습 서버는, 상기 타겟 고객사에서 원하는 상품 정보를 수신하고, 수신된 전체 상품 정보 중 기설정된 제3 개수의 상품을 선택하여 선호 상품으로 구성하는 선호상품 구성부와, 상기 선호 상품과 상기 추천 상품을 조합하여 상기 타겟 고객사의 상기 쇼핑몰 웹페이지에 등록할 최종 상품을 구성하는 최종 상품 구성부를 더 포함할 수 있다.

또한, 상기 서버는, 타겟 쇼핑몰의 오픈 시점 이전에 상기 타겟 쇼핑몰 웹페이지에 로그인하도록 요청한 후, 고객이 상기 인증 정보를 통해 로그인하는 경우 설문 정보 입력창을 표시시켜 각 상품의 구매 조건 정보로서 각 고객이 상품에 구매에 고려하는 성능 중요도 점수와 디자인 중요도 점수를 수집하는 설문 실행부와, 각 고객으로부터 수집된 성능 중요도 점수와 디자인 중요도 점수를 기반으로 상기 타겟 고객사 전체 고객의 상품 구매시 고려하는 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 산출하고, 상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수에 기반하여 상기 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 산출하는 고객사 특성 지수 산출부를 더 포함하고, 상기 최종 상품 구성부는, 상기 선호 상품과 상기 추천 상품간 동일한 제품군에 속하나 브랜드가 서로 다른 중복되는 제1 상품과 제2 상품이 있는 경우, 상기 제1 상품의 성능 우수 지수와 상기 성능 선호 지수를 곱한 제1 값과 상기 제1 상품의 디자인 우수 지수와 상기 디자인 선호 지수를 곱한 제2 값을 산출하고, 제1 값과 제2 값을 합산하여 상기 타겟 고객사에 대응되는 상기 제1 상품의 적합도 지수로 산출하며, 상기 제2 상품의 성능 우수 지수와 상기 성능 선호 지수를 곱한 제3 값과 상기 제2 상품의 디자인 우수 지수와 상기 디자인 선호 지수를 곱한 제4 값을 산출하고, 제3 값과 제4 값을 합산하여 상기 타겟 고객사에 대응되는 상기 제2 상품의 적합도 지수로 산출한 후, 상기 제1 상품과 상기 제2 상품 중 적합도 지수가 상대적으로 큰 하나의 상품을 선택할 수 있다.

또한, 상기 고객사 특성 지수 산출부는, 상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수의 크기 범위인 제1 범위가 상기 성능 우수 지수와 상기 디자인 우수 지수의 크기 범위인 제2 범위와 동일한 경우에는 상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수를 상기 타겟 고객사의 상기 성능 선호 지수와 상기 디자인 선호 지수로 산출하며, 상기 제1 범위와 상기 제2 범위가 서로 다른 경우에는 상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수에 각각 제2 비율을 적용하여 상기 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 산출할 수 있다.

또한, 상기 제2 비율은, 상기 평균 성능 중요도 점수 및 상기 평균 디자인 중요도 점수가 성능 우수 지수와 디자인 우수 지수의 값과 각각 동일한 스케일의 값이 되도록 하는 미리 계산된 비율일 수 있다.

상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.

도 1은 본 발명의 일실시예에 따른 복지몰 시스템의 네트워크 구성도.
도 2는 본 발명의 일 실시예에 따른 설문 정보 입력창 예시도.
도 3은 본 발명의 일 실시예에 따른 상품의 특성 정보가 표시된 예시도.
도 4는 본 발명의 일실시예에 따른 복지몰 상품 구성 학습 서버의 상세 블록 구성도.
도 5는 본 발명의 일실시예에 따른 복지몰 상품 구성 학습 서버에서의 동작 제어 흐름도.

이하, 첨부된 도면을 참조하여 본 발명의 동작 원리를 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 일실시예에 따른 복지몰 시스템의 네트워크 구성을 도시한 것이다.

이하, 도 1을 참조하여 본 발명의 일실시예에 따른 복지몰 시스템의 각 서버에서의 동작을 보다 상세히 설명하기로 한다.

먼저, 복지몰 운영 서버(150)는 상품을 직접 제조하거나 대량 유통하는 것 등을 통해 상품을 안정적으로 공급할 수 있는 복수의 협력사와 시중에 유통되는 가격 보다 상대적으로 저렴한 가격으로 특정 상품에 대한 상품 공급 계약을 체결한 후, 계약 관계에 있는 복수의 고객사에게 협력사의 상품을 저렴하게 공급하여 이윤을 창출하는 B2B(Business-to-Business) 형태의 복지몰 운영 사업자에서 운영하는 서버(server)를 의미할 수 있다.

여기서 협력사는 예를 들어 전자제품, 가정 용품, 식품 등을 제조하여 온라인 몰 또는 오프라인 몰을 통해 판매하는 기업 등이 될 수 있으며, 고객사는 복지몰 운영 사업자로부터 협력사의 상품을 저렴한 가격에 제공받아 고객사 내에 구현된 자사의 폐쇄적인 쇼핑몰 등을 통해 직원들에게 판매하는 기업이 될 수 있으나, 이에 한정되는 것은 아니다.

또한, 이러한 고객사는 직원들에 대한 복지 서비스를 위해 복지몰 운영 사업자로부터 공급되는 상품의 전체 금액 또는 일부 금액을 직원들에게 복지 포인트 등으로 제공하여 직원들이 필요한 상품을 보다 저렴한 가격에 구매할 수 있도록 할 수 있다. 이러한 고객사는 복지 제도가 잘 갖춰져 있는 대기업보다는 상대적으로 복지 제도가 취약할 수 있는 중견 기업 또는 중소 기업 등이 될 수 있으나, 이에 한정되는 것은 아니다. 또한, 이러한 협력사는 여러 가지 제품군을 제조하고 자체의 다양한 유통망을 가지고 있는 대기업 보다는 특정 상품군을 주력으로 제조하면서 상대적으로 유통망이 부족한 중견 기업 또는 중소 기업 등이 될 수 있으나, 이에 한정되는 것은 아니다.

한편, 이러한 협력사는 일반적으로 특정 상품군에 대해 우수한 품질로 제조할 수 있는 기술을 갖추고 있으나 대규모 유통망을 갖추지 못한 경우가 많은데 복지몰 운영 사업자는 위와 같은 협력사에게는 상품의 판로를 제공하여 주는 역할을 하며, 고객사에게는 협력사의 기술 경쟁력 있는 상품을 저렴한 가격에 제공하여 주는 역할을 수행하는 중간 매개체 역할을 수행하는 B2B 사업자라 할 수 있다.

복지몰 운영 서버(150)는 위와 같은 복지몰 운영 사업자에 의해 운영되는 서버로서 고객사별 쇼핑몰 웹페이지(140, 142)를 개설하여 쇼핑몰 웹페이지 상에서 이루어지는 상거래에 대한 처리를 수행할 수 있다.

즉, 복지몰 운영 서버(150)는 유무선 통신망에 접속되며, 고객사에 등록된 직원 등과 같은 정당한 사용자가 고객사 서버(130, 132)를 통해 쇼핑몰 웹페이지(140, 142)에 접속하거나, 스마트폰 등의 사용자 단말(110, 112)을 통해 쇼핑몰 웹페이지(140, 142) 접속하는 경우 해당 사용자에 대한 인증 절차를 수행하고, 인증된 사용자로부터 쇼핑몰에 등록된 상품에 대한 구매를 요청하는 경우 해당 상품에 대한 구매 처리를 수행한다.

사용자 단말(130, 132)은 유무선 통신망을 통해 자사의 쇼핑몰 웹페이지에 접속할 수 있으며, 쇼핑몰 웹페이지에 등록된 상품에 대한 구매를 수행할 수 있도록 하는 고객사에 등록된 직원 등과 같은 사용자의 유선 또는 무선 단말기를 의미할 수 있다.

이러한 사용자 단말(130, 132)은 고객사 서버(130, 132)를 통해 쇼핑몰 웹페이지(140, 142)에 접근할 수 있는 웹브라우저 등을 탑재한 컴퓨터 등이 될 수 있으며, 또한, 웹 브라우저(web browser) 등을 탑재하는 스마트폰, PDA(personal digital assistant) 등의 통신장치가 될 수 있으나, 이에 한정되는 것은 아니다.

이때, 사용자 단말(130, 132)은 고객사에 등록된 아이디(ID)와 패스워드(PASSWORD) 등을 이용하여 인증절차를 수행한 후, 쇼핑몰 웹페이지(140, 142)에 접속할 수 있다. 이때, 위와 같은 아이디는 예를 들어 고객사의 직원들에게 부여되는 사번 등이 될 수 있으나, 이에 한정되는 것은 아니다.

복지몰 상품 구성 학습 서버(160)는 복지몰 운영 서버(150)와 연동하여 고객사별 구현된 쇼핑몰 웹페이지(140, 142)상 등록되는 상품을 고객사 맞춤형으로 구성하는 서버를 의미할 수 있다.

한편, 복지몰 운영에 있어서 각 고객사의 쇼핑몰 웹페이지(140, 142)에 등록되는 상품의 구성과 관련하여 종래에는 복지몰 운영 사업자가 통계적인 데이터에 대한 정확한 분석을 통하지 않고, 각 고객사의 업종, 직원수, 지역 등을 고려한 담당 직원 등의 직관적인 판단에 의해 상품 구성이 결정됨에 따라 고객사의 니즈(needs)와 일치하지 않아 컴플레인이 발생하거나, 예상보다 판매량이 저조하게 되어 제고가 쌓이는 등과 같은 문제점이 있었음은 전술한 바와 같다.

따라서, 본 발명의 일실시예에 따른 복지몰 상품 구성 학습 서버(160)에서는 고객사별 특성 정보와 고객사별 쇼핑몰 웹페이지(140, 142)에서 판매된 각 상품에 대한 구매 이력 정보의 학습을 통해 생성되는 각 상품의 특성 정보를 조합하여 고객사별 최적화된 상품을 구성함으로써 고객사의 니즈를 만족시키고 판매량도 증대시킬 수 있도록 한다.

이하에서는 복지몰 상품 구성 학습 서버(160)의 동작을 보다 상세히 설명하기로 한다.

먼저, 복지몰 상품 구성 학습 서버(160)는 복지몰 운영 서버(150)와 연동하여 고객사별 쇼핑몰 웹페이지(140, 142)상 구성된 상품 중 각 고객사의 직원 등과 같은 정당한 사용자에 의해 구매된 각 상품에 대한 구매 이력 정보를 수집한다.

또한, 복지몰 상품 구성 학습 서버(160)는 수집된 구매 이력 정보를 기반으로 동일 상품에 대한 서로 다른 사용자로부터의 구매 이력 정보를 지속적으로 학습하여 각 상품의 특성 정보를 산출한다. 이어, 복지몰 상품 구성 학습 서버(160)는 고객사별 특성 정보와 각 상품의 특성 정보를 기반으로 고객사별 각 상품의 예상 판매량을 산출하며, 산출된 예상 판매량을 참조하여 예상 판매량이 높은 순으로 기설정된 개수의 상품을 선택하여 각 고객사의 추천 상품으로 구성한다.

이때, 예상 판매량이 높게 산출된 상품은 복지몰 운영 사업자의 수익을 극대화시킬 수 있는 상품임을 의미할 뿐만 아니라 사용자의 만족도도 높은 상품임을 의미할 수 있으므로, 종래와 같이 담당 직원 등에 의한 직관적인 판단에 따른 상품 구성의 경우와 달리 고객에 의한 컴플레인 발생 가능성을 낮출 수 있으며 판매량 저조에 따른 제고 증가 등과 같은 문제점도 최소화시킬 수 있게 된다.

이때, 이러한 구매 이력 정보는 각 상품을 구매한 사용자가 위치한 지역, 사용자의 직업, 사용자의 연령, 결혼 여부, 사용자의 성별 및 구매 목적 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 사용자가 위치한 지역은 예를 들어 해당 쇼핑몰 웹페이지(140, 142)에 대응되는 고객사가 위치한 지역이 될 수 있다.

이러한 구매 이력 정보는 사용자가 쇼핑몰 웹페이지(140, 142)에서 상품 구매시 입력하는 정보가 복지몰 운영 서버(150)에서 수집되어 복지몰 상품 구성 학습 서버(160)로 제공되도록 구현될 수 있으나, 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(160)는 새로운 타겟 고객사에 대한 쇼핑몰 웹페이지 상에 상품을 등록하기 전에 각 상품에 대해 구매를 선택할 때 고객이 고려하는 상품 선호도 정보를 산출하기 위해 쇼핑몰의 오픈 시점 이전에 기설정된 일정 기간 동안을 설문 조사 기간으로 설정할 수 있다.

이어, 복지몰 상품 구성 학습 서버(160)는 위와 같은 설문 조사 기간에 새로이 쇼핑몰 웹페이지가 개설된 타겟 고객사의 각 고객에게 쇼핑몰 웹페이지에 로그인하도록 요청하여 고객사의 상품 선호도 정보를 위한 사전 설문 조사를 진행할 수 있다. 이때, 복지몰 상품 구성 학습 서버(160)는 복지몰 운영 서버(150)에 등록된 타겟 고객사의 전화 번호 또는 이메일 정보 등을 이용하여 텍스트 메시지 또는 이메일 등으로 사전 설문 조사 참여 요청을 전송함으로써 사전 설문 조사를 진행할 수 있으나, 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(160)는 위와 같은 사전 설문 조사를 수행함에 있어서, 사전 설문 조사 요청에 따라 각 고객이 복지몰 운영 서버(150)로부터 부여받은 아이디, 패스워드 등의 인증 정보를 이용하여 쇼핑몰 웹페이지에 접속하는 경우, 복지몰 운영 서버(150)와의 연동 등을 통해 복지몰 운영 서버(150)에 등록된 정당한 사용자의 인증 정보를 기반으로 사전 설문 조사를 위해 접속한 사용자에 대한 인증을 수행할 수 있다.

이어, 복지몰 상품 구성 학습 서버(160)는 사용자가 정상적으로 인증되는 경우 각 고객의 신상 정보와 구매 조건 등의 정보를 입력하도록 하는 설문 정보 입력창을 표시시킨 후, 사용자가 설문 정보 입력창에 구현된 질의에 응답을 입력하는 경우 해당 응답을 수신하여 고객사의 상품 선호도 정보를 산출할 수 있다.

이때, 설문 정보 입력창은 도 2에서 보여지는 바와 같이 여러 가지 질의 항목으로 구성될 수 있으며, 이러한 질의는 예를 들어 사용자가 위치한 지역, 직업군, 연령대, 성별, 결혼여부, 상품 구매시 고려하는 사항에 관한 질의인 구매 기준 등이 포함될 수 있다. 이때, 구매 기준은 여러 가지 요소 중에서 상품의 성능과 디자인을 중요한 요소로 설정하였으며, 고객은 상품을 구매할 때 성능과 디자인을 각각 어느 정도 중요하게 생각하는지를 예를 들어 0~10점 중에서 선택할 수 있다. 이때, 성능 항목에서 0~10점 중 하나의 제1 중요도 점수가 선택되는 경우 디자인 점수는 10점에서 제1 중요도 점수를 감산한 값으로 자동 설정되도록 구현할 수 있으나, 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(160)는 고객사의 상품 선호도 정보를 기반으로 상품 구매에 있어서의 성능 선호 지수와 디자인 선호 지수로 산출할 수 있다.

이때, 복지몰 상품 구성 학습 서버(160)는 성능 선호 지수와 디자인 선호 지수를 산출함에 있어서, 각 고객으로부터 수집된 성능 중요도 점수와 디자인 중요도 점수를 기반으로 타겟 고객사내 직원 등과 같은 전체 고객의 상품 구매시 고려하는 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 산출하고, 산출된 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 그대로 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 각각 산출할 수 있다.

위와 같이 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 그대로 적용하는 경우는 예를 들어 각 상품의 성능 우수 지수와 디자인 우수 지수의 범위와 성능 중요도 점수, 디자인 중요도 점수의 범위의 스케일이 같은 경우가 될 수 있다.

즉, 예를 들어, 성능 우수 지수와 디자인 우수 지수가 예를 들어 1~10점 사이에서 정해진다고 가정하고, 설문 정보 입력창에서 입력할 수 있는 성능 중요도 점수와 디자인 중요도 점수의 범위가 1~10점 사이에서 동일하게 정해지는 경우라면 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 그대로 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 각각 산출할 수 있는 것이다.

또한, 복지몰 상품 구성 학습 서버(160)는 성능 선호 지수와 디자인 선호 지수를 산출함에 있어서, 각 고객으로부터 수집된 성능 중요도 점수와 디자인 중요도 점수를 기반으로 타겟 고객사내 직원 등과 같은 전체 고객의 상품 구매시 고려하는 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 산출한 후, 평균 성능 중요도 점수와 평균 디자인 중요도 점수에 각각 일정 비율을 적용하여 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 산출할 수 있다.

위와 같이 평균 성능 중요도 점수와 평균 디자인 중요도 점수에 각각 일정 비율을 적용하여 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 산출하는 경우는 예를 들어 각 상품의 성능 우수 지수와 디자인 우수 지수의 범위와 성능 중요도 점수, 디자인 중요도 점수의 범위의 스케일이 서로 다른 경우가 될 수 있다.

즉, 예를 들어, 성능 우수 지수와 디자인 우수 지수가 예를 들어 1~10점 사이에서 정해진다고 가정하고, 설문 정보 입력창에서 입력할 수 있는 성능 중요도 점수와 디자인 중요도 점수의 범위가 1~100점 사이에서 정해지는 경우라면 평균 성능 중요도 점수와 평균 디자인 중요도 점수에 10%의 일정 비율을 적용함으로써 동일한 스케일의 갑이 되도록 조정할 수 있는 것이다.

이때, 위와 같은 비율은, 평균 성능 중요도 점수 및 평균 디자인 중요도 점수가 성능 우수 지수와 디자인 우수 지수 각각의 값과 각각 동일한 스케일의 값이 되도록 하는 미리 계산된 비율일 수 있으나, 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(160)는 상품 정보 DB(432)에 포함되는 각 상품에 대해 성능과 디자인의 상대적인 우수성을 나타내는 성능 우수 지수와 디자인 우수 지수를 산출할 수 있다. 이러한 각 상품에 대한 성능 우수 지수와 디자인 우수 지수는 앞서서 설명한 타겟 고객사의 성능 선호 지수와 디자인 선호 지수와 조합하여 타겟 고객사에 보다 적합할 수 있는 상품을 선택하는데 이용될 수 있다.

이때, 복지몰 상품 구성 학습 서버(160)는 각 상품의 성능 우수 지수를 산출함에 있어서, 각 상품에 대해 제조사에서 제공하는 스펙 정보를 기반으로 각 상품에 대한 제1 성능 지수를 산출하고, 각 상품에 대한 평가된 평균 성능 만족도 점수에 대해 기설정된 비율을 적용하여 제2 성능 지수를 산출한 후, 제1 성능 지수와 제2 성능 지수를 합산하여 각 상품의 성능 우수 지수를 산출할 수 있다.

이때, 제1 성능 지수는 예를 들어 상품의 성능에 따라 1~10 사이의 값으로 설정될 수 있으나, 이에 한정되는 것은 아니다. 또한, 구매자로부터 평가되는 각 상품의 성능 만족도 점수는 1~30 사이의 값으로 설정될 수 있고, 일정 비율은 10%가 될 수 있으며, 이에 따라 제2 성능 지수는 0.1~3 사이의 값으로 설정될 수 있으나, 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(160)는 각 상품의 디자인 우수 지수를 산출함에 있어서, 기설정된 전문가 그룹으로부터 평가된 각 상품의 디자인 평가 정보를 기반으로 각 상품에 대한 제1 디자인 지수를 산출하고, 각 상품에 대한 평균 디자인 만족도 점수에 대해 기설정된 비율을 적용하여 제2 디자인 지수를 산출한 후, 제1 디자인 지수와 제2 디자인 지수를 합산하여 각 상품의 디자인 우수 지수를 산출할 수 있다.

이때, 제1 디자인 지수는 예를 들어 상품의 성능에 따라 1~10 사이의 값으로 설정될 수 있으나, 이에 한정되는 것은 아니다. 또한, 구매자로부터 평가되는 각 상품의 디자인 만족도 점수는 1~30 사이의 값으로 설정될 수 있고, 일정 비율은 10%가 될 수 있으며, 이에 따라 제2 디자인 지수는 0.1~3 사이의 값으로 설정될 수 있으나, 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(160)는 위와 같은 평균 성능 만족도 점수와 평균 디자인 만족도 점수를 산출함에 있어서, 각 상품을 구매한 복수의 고객으로부터 피드백되는 각 상품에 대한 성능 만족도 점수와 디자인 만족도 점수를 수집한 후, 각 상품에 대한 평균 성능 만족도 점수와 평균 디자인 만족도 점수를 산출할 수 있다.

또한, 복지몰 상품 구성 학습 서버(160)는 각 상품에 대한 새로운 구매자로부터의 성능 만족도 점수와 디자인 만족도 점수 정보가 기설정된 기준 회수 이상 추가로 수집되는 경우마다 각 상품에 대한 평균 성능 만족도 점수와 상기 디자인 만족도 점수를 새로이 산출하여 갱신시킨다.

또한, 복지몰 상품 구성 학습 서버(160)는 각 상품에 대한 평균 성능 만족도 점수와 평균 디자인 만족도 점수가 갱신되는 경우, 각 상품에 대한 성능 우수 지수와 디자인 우수 지수를 새로이 산출하여 갱신시킨다. 이에 따라 각 상품에 대한 성능 우수 지수와 디자인 우수 지수가 지속적인 신뢰성을 가질 수 있도록 한다.

또한, 복지몰 상품 구성 학습 서버(160)는 다른 실시예로서, 추천 상품의 구성에 있어서, 새로운 타겟 고객사의 타겟 쇼핑몰 웹페이지상 등록할 상품에 대한 구성 요청이 수신되는 경우, 해당 쇼핑몰 웹페이지에 대응되는 타겟 고객사의 특성 정보를 확인하고, 구성 요청이 수신된 시점에 상품 특성 학습부에서 산출된 각 상품의 특성 정보와 타겟 고객사의 특성 정보를 기반으로 상품 정보 DB에 저장된 각 상품에 대해 타겟 고객사에서 판매 가능한 예상 판매량을 산출하고, 예상 판매량이 높은 순으로 기설정된 제1 개수의 제1 후보 상품을 선택할 수 있다.

또한, 복지몰 상품 구성 학습 서버(160)는 위와 같이 선택된 제1 후보 상품에 포함된 각 상품에 대해, 각 상품의 성능 우수 지수와 디자인 우수 지수를 검색하고, 제1 후보 상품 중에서 성능 우수 지수 및 디자인 우수 지수가 상대적으로 높은 제2 개수의 제2 후보 상품을 선택하여 타겟 고객사의 쇼핑몰 웹페이지상 등록할 추천 상품으로 구성할 수 있다.

또한, 복지몰 상품 구성 학습 서버(160)는 각 상품의 특성 정보를 산출함에 있어서, 위와 같은 구매 이력 정보를 기반으로 학습을 수행하여 각 상품의 주요 구매 지역 및 각 지역에서의 누적 판매 수량, 주요 구매 직업군 및 각 직업군에서의 누적 판매 수량, 주요 구매 연령 및 각 연령에서의 누적 판매량, 주요 구매 성별 및 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량 등을 각 상품의 특성 정보로 산출할 수 있으나, 이에 한정되는 것은 아니다.

도 3은 본 발명의 일 실시예에 따른 상품의 특성 정보가 표시되는 예를 도시한 것이다.

즉, 본 발명의 일실시예에 따라 상품별 구매 이력 정보를 학습하는 경우, 복지몰 상품 구성 학습 서버(160)는 도 3에서 보여지는 바와 같이 예를 들어 휴스톰 청소기(300)의 경우 “서울 지역, IT 회사에 근무하는 30대 기혼 여성이 가족 선물 용으로 구매하는 상품”, 또는 자이글(302)의 경우 “경기 남부 지역, 자동차 부품 제조 회사에 근무하는 40대 기혼 남성이 가정내 직접 사용을 위해 구매하는 상품” 등과 같이 각 상품의 특성 정보를 산출할 수 있게 된다.

또한, 복지몰 상품 구성 학습 서버(160)는 위와 같이 고객사별 추천 상품을 구성한 이후에는 고객사별 원하는 상품 정보를 수신하고, 수신된 전체 상품 정보 중 기설정된 개수의 상품을 선택하여 고객사별 선호 상품으로 구성한 후, 선호 상품과 추천 상품을 조합하여 고객사별 쇼핑몰 웹페이지(140, 142)에 등록할 최종 상품을 구성한다.

이때, 고객사별 선호 상품이라함은 복지몰 상품 구성 학습 서버(160)에서 각 상품의 특성 정보와 고객사의 특성 정보를 조합하여 추천하는 추천 상품과 달리, 고객사 입장에서 직원들의 선호도를 반영하여 쇼핑몰 웹페이지(140, 142)에 구성하고 싶은 상품을 의미할 수 있다. 이러한 선호 상품은 예를 들어 직원들에 대한 설문 조사를 통해 직원들의 의견이 반영된 상품일 수도 있으며, 고객사별 쇼핑몰 웹페이지의 운영을 관리하는 고객사 서버(130, 132)의 관리자에 의해 추천된 상품일 수도 있으나, 이에 한정되는 것은 아니다. 이러한 선호 상품은 예를 들어 고객사에서 직원들의 의견 취합을 통해 선택된 후, 관리자가 관리자 단말(100, 102)을 통해 고객사 서버(130, 132)에 접속한 후 쇼핑몰 웹페이지(140, 142)에 구성된 별도의 선호 상품 요청 메뉴 등을 실행하여 해당 정보가 입력될 수 있다. 또한, 이러한 선호 상품에 대한 정보는 복지몰 운영 서버(150)로 전달될 수 있으며, 다시 복지몰 운영 서버(150)와 연동되는 복지몰 상품 구성 학습 서버(160)로 전달될 수 있으나, 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(160)는 위와 같은 선호 상품과 추천 상품간 중복되는 상품이 있는 경우, 중복되는 상품 각각에 대해 가격, 성능, 고객 만족도, 브랜드 인지도 등을 평가 점수로 환산하여 산출하고, 각 평가 점수에 대해 서로 다른 가중치를 적용하여 합산하는 것을 통해 각 상품에 대한 최종 평가 점수를 산출한 후, 최종 평가 점수가 높은 상품을 선택하여 최종 상품 목록에 포함시킬 수 있다. 이때, 중복되는 상품이라 함은 서로 다른 브랜드의 동일 제품군에 해당하는 상품이 될 수 있다. 즉, 예를 들어 상품은 “청소기”로 동일 제품군이나 하나는 LG사에서 제조된 청소기와 다른 하나는 휴스톰사에서 제조된 청소기일 수 있다.

또한, 복지몰 상품 구성 학습 서버(160)는 위와 같이 각 평가 점수에 가중치를 적용함에 있어서, 예를 들어 가격, 성능, 고객 만족도, 브랜드 인지도 등 순으로 상대적으로 높은 가중치를 적용시킬 수 있다. 이때, 높은 가중치를 적용시키는 순서는 고객이 상품을 구매하는데 가장 주의 깊게 고려하는 요소에 대한 기조사된 정보를 기반으로 정해질 수 있으며, 이러한 요소에 대한 정보는 구매 이력 정보의 수집을 위한 로그인 과정에서의 설문 정보 입력 창에 별도로 구현된 질의 항목을 통해 수집될 수 있으나 이에 한정되는 것은 아니다.

또한, 복지몰 상품 구성 학습 서버(150)는 선호 상품과 추천 상품 사이에 중복된 상품 중에서, 위와 같은 평가 점수 기반의 결정을 통해 추천 상품이 선택된 경우, 선호 상품 대비 추천 상품의 최종 평가 점수를 상품 결정에 대한 근거 자료로서 고객사의 관리자 단말(100, 102)로 전송할 수 있다.

이에 따라, 고객사에서는 자신들이 구성하도록 요청한 특정 브랜드의 상품이 다른 브랜드의 동일 상품으로 대체된 경우 복지몰 상품 구성 학습 서버(160)에서 제공하는 중복된 각 상품에 대한 최종 평가 점수를 받아보고 상품 구성이 대체된 이유를 쉽게 파악할 수 있어 복지몰에 대한 신뢰도를 높일 수 있게 된다.

또한, 복지몰 상품 구성 학습 서버(160)는 다른 실시예로서, 최종 상품의 구성에 있어서, 선호 상품과 상기 추천 상품을 조합하여 상기 타겟 고객사의 상기 쇼핑몰 웹페이지에 등록할 최종 상품을 구성하는 과정에서, 선호 상품과 상기 추천 상품간 동일한 제품군에 속하나 브랜드가 서로 다른 중복되는 제1 상품과 제2 상품이 있는 경우, 각 상품의 성능 우수 지수와 디자인 우수 지수 및 고객사의 성능 선호 지수, 디자인 선호 지수를 고려하여 제1 상품과 제2 상품 중 하나의 상품을 선택할 수 있다.

즉, 또한, 복지몰 상품 구성 학습 서버(160)는 선호 상품과 상기 추천 상품간 동일한 제품군에 속하나 브랜드가 서로 다른 중복되는 제1 상품과 제2 상품이 있는 경우, 제1 상품의 성능 우수 지수와 상기 성능 선호 지수를 곱한 제1 값과 상기 제1 상품의 디자인 우수 지수와 상기 디자인 선호 지수를 곱한 제2 값을 산출한다. 이어, 복지몰 상품 구성 학습 서버(160)는 제1 값과 제2 값을 합산하여 상기 타겟 고객사에 대응되는 상기 제1 상품의 적합도 지수로 산출한다.

또한, 복지몰 상품 구성 학습 서버(160)는 제2 상품의 성능 우수 지수와 성능 선호 지수를 곱한 제3 값과 제2 상품의 디자인 우수 지수와 디자인 선호 지수를 곱한 제4 값을 산출하고, 제3 값과 제4 값을 합산하여 타겟 고객사에 대응되는 제2 상품의 적합도 지수로 산출한 후,

이어, 복지몰 상품 구성 학습 서버(160)는 제1 상품과 제2 상품 중 적합도 지수가 상대적으로 큰 하나의 상품을 선택할 수 있다.

이때, 예를 들어, 제1 상품의 성능 우수 지수가 8, 디자인 우수 지수가 7이고, 제2 상품의 성능 우수 지수가 6, 디자인 우수 지수가 9이라고 가정하고, 타겟 고객사의 성능 선호 지수가 7, 디자인 선호 지수가 3이라고 가정하면, 제1 상품의 제1 값은 8×7=56이 되고, 제2 값은 7×3=21이 되며, 제1 상품의 적합도 지수는 56+21=77가 된다. 또한, 제2 상품의 제3 값은 6×7=42이 되고, 제4 값은 9×3=27이 되며, 제2 상품의 적합도 지수는 42+27=69가 된다.

이에 따라, 복지몰 상품 구성 학습 서버(160)는 제1 상품이 타겟 고객사에 더 적합한 상품으로 판단하여 제1 상품을 최종 상품으로 구성할 수 있다.

도 4는 본 발명의 일실시예에 따른 복지몰 상품 구성 학습 서버의 상세 블록 구성을 도시한 것이다.

이하, 도 4를 참조하여 복지몰 상품 구성 학습 서버(160)의 각 구성요소에서의 동작을 보다 상세히 설명하기로 한다.

먼저, 구매 이력 수집부(400)는 복지몰 운영 서버(150)와 연동하여 고객사별 쇼핑몰 웹페이지(140)상 구성된 상품 중 각 고객사의 직원 등과 같은 정당한 사용자에 의해 구매된 각 상품에 대한 구매 이력 정보를 수집한다.

이때, 이러한 구매 이력 정보는 각 상품을 구매한 사용자가 위치한 지역, 사용자의 직업, 사용자의 연령, 사용자의 성별 및 구매 목적 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 사용자가 위치한 지역은 예를 들어 해당 쇼핑몰 웹페이지(140)에 대응되는 고객사가 위치한 지역이 될 수 있다.

이러한 구매 이력 정보는 사용자가 쇼핑몰 웹페이지(140)에서 상품 구매시 입력하는 정보가 복지몰 운영 서버(150)에서 수집되어 구매 이력 수집부(400)로 제공될 수 있으나, 이에 한정되는 것은 아니다. 또한, 이러한 구매 이력 정보는 상품별 구매 이력 정보를 저장하는 구매 이력 정보 DB(402)에 저장될 수 있다.

설문 실행부(450)는 새로운 타겟 고객사에 대한 쇼핑몰 웹페이지 상에 상품을 등록하기 전에 각 상품에 대해 구매를 선택할 때 고객이 고려하는 상품 선호도 정보를 산출하기 위해 쇼핑몰의 오픈 시점 이전에 기설정된 일정 기간 동안을 설문 조사 기간으로 설정할 수 있다.

이어, 설문 실행부(450)는 위와 같은 설문 조사 기간에 새로이 쇼핑몰 웹페이지가 개설된 타겟 고객사의 각 고객에게 쇼핑몰 웹페이지에 로그인하도록 요청하여 고객사의 상품 선호도 정보를 위한 사전 설문 조사를 진행할 수 있다. 이때, 설문 실행부(450)는 복지몰 운영 서버(150)에 등록된 타겟 고객사의 전화 번호 또는 이메일 정보 등을 이용하여 텍스트 메시지 또는 이메일 등으로 사전 설문 조사 참여 요청을 전송함으로써 사전 설문 조사를 진행할 수 있으나, 이에 한정되는 것은 아니다.

또한, 설문 실행부(450)는 위와 같은 사전 설문 조사를 수행함에 있어서, 사전 설문 조사 요청에 따라 각 고객이 복지몰 운영 서버(150)로부터 부여받은 아이디, 패스워드 등의 인증 정보를 이용하여 쇼핑몰 웹페이지에 접속하는 경우, 복지몰 운영 서버(150)와의 연동 등을 통해 복지몰 운영 서버(150)에 등록된 정당한 사용자의 인증 정보를 기반으로 사전 설문 조사를 위해 접속한 사용자에 대한 로그인 절차(200)를 수행할 수 있다.

이어, 설문 실행부(450)는 사용자가 정상적으로 인증되는 경우 각 고객의 신상 정보와 구매 조건 등의 정보를 입력하도록 하는 설문 정보 입력창을 표시시킨 후, 사용자가 설문 정보 입력창에 구현된 질의에 응답을 입력하는 경우 해당 응답을 수신하여 고객사의 상품 선호도 정보를 산출할 수 있다.

평가점수 수집부(440)는 각 상품을 구매한 복수의 고객으로부터 피드백되는 각 상품에 대한 성능 만족도 점수와 디자인 만족도 점수를 수집한 후, 각 상품에 대한 평균 성능 만족도 점수와 평균 디자인 만족도 점수를 산출할 수 있다.

상품특성 학습부(410)는 구매 이력 정보 DB(402)에 저장된 구매 이력 정보를 기반으로 동일 상품에 대한 서로 다른 사용자로부터의 구매 이력 정보를 지속적으로 학습하여 각 상품의 특성 정보를 산출하고, 산출된 각 상품의 특성 정보를 상품 특성 정보 DB(412)에 저장한다.

이때, 상품특성 학습부(410)는 각 상품의 특성 정보를 산출함에 있어서, 위와 같은 구매 이력 정보를 기반으로 학습을 수행하여 각 상품의 주요 구매 지역 및 각 지역에서의 누적 판매 수량, 주요 구매 직업군 및 각 직업군에서의 누적 판매 수량, 주요 구매 연령 및 각 연령에서의 누적 판매량, 주요 구매 성별 및 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량 등을 각 상품의 특성 정보로 산출할 수 있으나, 이에 한정되는 것은 아니다.

또한, 이때 상품특성 학습부(410)는 각 상품의 특성 정보를 산출함에 있어서, 예를 들어 도 3에서 보여지는 바와 같이 각 상품의 특성 정보를 산출할 수 있다.

고객사 특성 지수 산출부(460)는 고객사의 상품 선호도 정보를 기반으로 상품 구매에 있어서의 성능 선호 지수와 디자인 선호 지수로 산출할 수 있다.

이때, 고객사 특성 지수 산출부(460)는 성능 선호 지수와 디자인 선호 지수를 산출함에 있어서, 각 고객으로부터 수집된 성능 중요도 점수와 디자인 중요도 점수를 기반으로 타겟 고객사내 직원 등과 같은 전체 고객의 상품 구매시 고려하는 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 산출하고, 산출된 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 그대로 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 각각 산출할 수 있다.

또한, 고객사 특성 지수 산출부(460)는 성능 선호 지수와 디자인 선호 지수를 산출함에 있어서, 각 고객으로부터 수집된 성능 중요도 점수와 디자인 중요도 점수를 기반으로 타겟 고객사내 직원 등과 같은 전체 고객의 상품 구매시 고려하는 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 산출한 후, 평균 성능 중요도 점수와 평균 디자인 중요도 점수에 각각 일정 비율을 적용하여 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 산출할 수 있다.

즉, 예를 들어, 성능 우수 지수와 디자인 우수 지수가 예를 들어 1~10점 사이에서 정해진다고 가정하고, 설문 정보 입력창에서 입력할 수 있는 성능 중요도 점수와 디자인 중요도 점수의 범위가 1~100점 사이에서 정해지는 경우라면 평균 성능 중요도 점수와 평균 디자인 중요도 점수에 10%의 일정 비율을 적용함으로써 동일한 스케일의 값이 되도록 조정할 수 있는 것이다.

상품 특성 지수 산출부(430)는 상품 정보 DB(432)에 포함되는 각 상품에 대해 성능과 디자인의 상대적인 우수성을 나타내는 성능 우수 지수와 디자인 우수 지수를 산출할 수 있다. 이러한 각 상품에 대한 성능 우수 지수와 디자인 우수 지수는 앞서서 설명한 타겟 고객사의 성능 선호 지수와 디자인 선호 지수와 조합하여 타겟 고객사에 보다 적합할 수 있는 상품을 선택하는데 이용될 수 있다.

이때, 상품 특성 지수 산출부(430)는 각 상품의 성능 우수 지수를 산출함에 있어서, 각 상품에 대해 제조사에서 제공하는 스펙 정보를 기반으로 각 상품에 대한 제1 성능 지수를 산출하고, 각 상품이 구매자에 의해 평가된 평균 성능 만족도 점수에 대해 기설정된 비율을 적용하여 제2 성능 지수를 산출한 후, 제1 성능 지수와 제2 성능 지수를 합산하여 각 상품의 성능 우수 지수를 산출할 수 있다.

또한, 상품 특성 지수 산출부(430)는 각 상품의 디자인 우수 지수를 산출함에 있어서, 기설정된 전문가 그룹으로부터 평가된 각 상품의 디자인 평가 정보를 기반으로 각 상품에 대한 제1 디자인 지수를 산출하고, 각 상품이 구매자에 의해 평가된 평균 디자인 만족도 점수에 대해 기설정된 비율을 적용하여 제2 디자인 지수를 산출한 후, 제1 디자인 지수와 제2 디자인 지수를 합산하여 각 상품의 디자인 우수 지수를 산출할 수 있다.

이때, 제1 디자인 지수는 예를 들어 상품의 성능에 따라 1~10 사이의 값으로 설정될 수 있으나, 이에 한정되는 것은 아니다. 또한, 구매자로부터 평가되는 각 상품의 디자인 만족도 점수는 1~30 사이의 값으로 설정될 수 있고, 일정 비율은 10%가 될 수 있으며, 이에 따라 제2 디자인 지수는 0.1~3 사이의 값으로 설정될 수 있으나, 이에 한정되는 것은 아니다. 이때, 전문가 그룹이라 함은 디자인에 대해 객관적인 평가를 수행할 수 있는 일정 수준의 디자인 지식을 갖춘 복수의 전문가를 의미하는 것으로 이러한 전문가들은 사용자 단말을 통해 유무선 통신망상 복지몰 상품 구성 학습 서버(160)와 연결되며, 각 상품에 대한 디자인 평가를 의뢰를 수신하는 경우 수신 의뢰된 상품에 대한 디자인 평가를 수행하고 디자인 평가 결과를 사용자 단말을 통해 복지몰 상품 구성 학습 서버(160)로 전송할 수 있다.

제1 추천상품 구성부(420)는 고객사별 특성 정보와 각 상품의 특성 정보를 기반으로 기설정된 개수의 상품을 선택하여 각 고개사의 추천 상품으로 구성한다. 이때, 제1 추천상품 구성부(420)는 예를 들어 고객사별 특성 정보와 각 상품의 특성 정보를 기반으로 고객사별 각 상품의 예상 판매량을 산출하며, 산출된 예상 판매량을 참조하여 예상 판매량이 높은 순으로 기설정된 제1 개수의 제1 후보 상품을 선택하여 각 고객사의 추천 상품으로 구성할 수 있으나, 이에 한정되지는 않는다.

이때, 예상 판매량이 높게 산출된 상품은 복지몰 운영 사업자의 수익을 극대화시킬 수 있는 상품임을 의미할 뿐만 아니라 구매자의 만족도도 높은 상품임을 의미할 수 있으므로, 종래 담당 직원 등에 의한 직관적인 판단에 따른 상품 구성의 경우와 달리 고객에 의한 컴플레인 발생 가능성을 낮출 수 있으며 판매량 저조에 따른 제고 증가 등과 같은 문제점도 최소화시킬 수 있게 된다.

또한, 제1 추천 상품 구성부(420)는 쇼핑몰 웹페이지(140)에 등록 가능한 전체 상품에 대한 정보를 저장하는 상품 정보 DB(432)를 관리한다. 또한, 제1 추천 상품 구성부(420)는 고객사별 특성정보를 저장하는 고객사 정보 DB(422)를 관리한다. 이때, 고객사별 특성정보는 예를 들어 고객사의 업종, 고객사가 위치한 지역, 고객사의 전체 구성원 수, 구성원의 연령 비율 또는 구성원의 성별 비율 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

또한, 제1 추천 상품 구성부(420)는 쇼핑몰 웹페이지(140)상 등록할 상품에 대한 구성 요청이 수신되는 경우, 해당 쇼핑몰 웹페이지(140)에 대응되는 타겟 고객사의 특성 정보를 확인한다. 이어, 제1 추천 상품 구성부(420)는 상품 구성 요청이 수신된 시점에 상품 특성 학습부(410)에서 산출된 각 상품의 특성 정보와 타겟 고객사의 특성 정보를 기반으로 상품 정보 DB(432)에 저장된 각 상품에 대해 타겟 고객사에서 판매 가능한 예상 판매량을 산출하고, 예상 판매량이 높은 순으로 기설정된 제1 개수의 제1 후보 상품을 선택하여 타겟 고객사의 추천 상품으로 구성한다.

또한, 제1 추천 상품 구성부(420)는 고객사별 특성 정보 중, 타겟 고객사의 업종, 지역, 전체 구성원 수, 구성원의 연령 비율 및 구성원의 성별 비율과, 각 상품의 특성 정보 중 각 지역에서의 누적 판매 수량, 각 직업군에서의 누적 판매 수량, 각 연령에서의 누적 판매량, 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량을 조합하여 각 상품에 대한 타겟 고객사에서의 판매 가능한 예상 판매량을 산출할 수 있으나, 이에 한정되는 것은 아니다.

제2 추천 상품 구성부(424)는 위와 같이 선택된 제1 후보 상품에 포함된 각 상품에 대해, 각 상품의 성능 우수 지수와 디자인 우수 지수를 검색하고, 제1 후보 상품 중에서 성능 우수 지수 및 디자인 우수 지수가 상대적으로 높은 제2 개수의 제2 후보 상품을 선택하여 타겟 고객사의 쇼핑몰 웹페이지상 등록할 추천 상품으로 구성할 수 있다.

선호상품 구성부(470)는 위와 같이 고객사별 추천 상품을 구성한 이후에는 고객사별 원하는 상품 정보를 수신하고, 수신된 전체 상품 정보 중 기설정된 제3 개수의 상품을 선택하여 고객사별 선호 상품으로 구성한다.

최종 상품 구성부(480)는 제2 추천 상품 구성부(424)에서 추천된 제2 후보 상품을 추천 상품으로 하고, 이러한 추천 상품과 선호 상품을 조합하여 고객사별 쇼핑몰 웹페이지(140)에 등록할 최종 상품을 구성한다.

또한, 최종 상품 구성부(480)는 위와 같은 선호 상품과 추천 상품간 중복되는 상품이 있는 경우, 상품 정보 DB(432)를 참조하여 중복되는 상품 각각에 대해 가격, 성능, 고객 만족도, 브랜드 인지도 등의 정보를 기반으로 평가 점수로 환산하여 산출하고, 각 평가 점수에 대해 서로 다른 가중치를 적용하여 합산하는 것을 통해 각 상품에 대한 최종 평가 점수를 산출한 후, 최종 평가 점수가 높은 상품을 선택하여 최종 상품 목록에 포함시킬 수 있다.

또한, 최종 상품 구성부(480)는 위와 같이 각 평가 점수에 가중치를 적용함에 있어서, 예를 들어 가격, 성능, 고객 만족도, 브랜드 인지도 등 순으로 상대적으로 높은 가중치를 적용시킬 수 있다. 이때, 높은 가중치를 적용시키는 순서는 고객이 상품을 구매하는데 가장 주의 깊게 고려하는 기조사된 가중치 정보를 기반으로 정해질 수 있으며, 이러한 가중치 정보의 수집은 설문 정보 입력 창에 별도의 질의 항목을 포함시키고 사용자의 응답을 수신하여 수집할 수 있으나 이에 한정되는 것은 아니다.

또한, 최종 상품 구성부(480)는 위와 같이 수집된 가중치 정보를 가중치 정보 DB(442)에 포함시키고, 가중치 정보를 지속적으로 수집하여 가중치 정보를 갱신할 수 있다. 즉, 상품에 대한 사용자의 구매가 발생될 때마다 고객의 가중치 정보는 계속적으로 갱신되어 최신 경향을 반영할 수 있도록 한다.

또한, 최종 상품 구성부(480)는 선호 상품과 추천 상품 사이에 중복된 상품 중에서, 위와 같은 평가 점수 기반의 결정을 통해 추천 상품을 선택된 경우, 선호 상품 대비 추천 상품의 최종 평가 점수를 상품 결정에 대한 근거 자료로서 타겟 고객사의 관리자 단말(100)로 전송할 수 있다.

이에 따라, 타겟 고객사에서는 예를 들어 자신들이 구성하도록 요청한 특정 브랜드의 상품이 다른 브랜드의 동일 상품으로 대체된 경우 최종 상품 구성부(480)에서 생성된 최종 평가 점수를 받아보고 상품 구성이 대체된 이유를 쉽게 파악할 수 있어 복지몰에 대한 신뢰도를 높일 수 있게 된다.

또한, 최종 상품 구성부(480)는 최종 상품의 구성에 있어서, 선호 상품과 추천 상품을 조합하여 타겟 고객사의 쇼핑몰 웹페이지에 등록할 최종 상품을 구성하는 과정에서, 선호 상품과 상기 추천 상품간 동일한 제품군에 속하나 브랜드가 서로 다른 중복되는 제1 상품과 제2 상품이 있는 경우, 각 상품의 성능 우수 지수와 디자인 우수 지수 및 고객사의 성능 선호 지수, 디자인 선호 지수를 고려하여 제1 상품과 제2 상품 중 하나의 상품을 선택할 수 있다.

즉, 또한, 최종 상품 구성부(480)는 선호 상품과 추천 상품간 동일한 제품군에 속하나 브랜드가 서로 다른 중복되는 제1 상품과 제2 상품이 있는 경우, 제1 상품의 성능 우수 지수와 성능 선호 지수를 곱한 제1 값과 제1 상품의 디자인 우수 지수와 디자인 선호 지수를 곱한 제2 값을 산출한다. 이어, 최종 상품 구성부(480)는 제1 값과 제2 값을 합산하여 타겟 고객사에 대응되는 제1 상품의 적합도 지수로 산출한다.

또한, 최종 상품 구성부(480)는 제2 상품의 성능 우수 지수와 성능 선호 지수를 곱한 제3 값과 제2 상품의 디자인 우수 지수와 디자인 선호 지수를 곱한 제4 값을 산출하고, 제3 값과 제4 값을 합산하여 타겟 고객사에 대응되는 제2 상품의 적합도 지수로 산출한다.

이어, 최종 상품 구성부(480)는 제1 상품과 제2 상품 중 적합도 지수가 상대적으로 큰 하나의 상품을 선택할 수 있다.

이에 따라, 최종 상품 구성부(440)는 제1 상품이 타겟 고객사에 더 적합한 상품으로 판단하여 제1 상품을 최종 상품으로 구성할 수 있다.

도 5는 본 발명의 일실시예에 따른 복지몰 상품 구성 학습 서버(160)에서의 동작 제어 흐름을 도시한 것이다. 이하, 도 1 내지 도 5를 참조하여 본 발명의 일실시예를 상세히 설명하기로 한다.

먼저 복지몰 상품 구성 학습 서버(160)는 복지몰 운영 서버(150)와 연동하여 고객사별 쇼핑몰 웹페이지(140)상 구성된 상품 중 각 고객사의 직원 등과 같은 정당한 사용자에 의해 구매된 각 상품에 대한 구매 이력 정보를 수집한다(S500).

이러한 구매 이력 정보는 사용자가 쇼핑몰 웹페이지(140)에서 상품 구매시 입력하는 정보가 복지몰 운영 서버(150)에서 수집된 후, 복지몰 상품 구성 학습 서버(160)로 제공될 수 있으나, 이에 한정되는 것은 아니다.

이어, 복지몰 상품 구성 학습 서버(160)는 수집된 구매 이력 정보를 기반으로 동일 상품에 대한 서로 다른 사용자로부터의 구매 이력 정보를 지속적으로 학습하여 각 상품의 특성 정보를 산출한다(S502).

이어, 복지몰 상품 구성 학습 서버(160)는 고객사별 쇼핑몰 웹페이지(140)상 등록할 상품에 대한 구성 요청이 있는지 여부를 검사한다(S504). 이러한 상품에 대한 구성 요청은 복지몰 운영 사업자의 구매 담당 직원 등에 의해 이루어질 수 있으나 이에 한정되는 것은 아니다. 이때, 상품에 대한 구성 요청이 있는 경우, 복지몰 상품 구성 학습 서버(160)는 해당 쇼핑몰 웹페이지(140)에 대응되는 타겟 고객사의 특성 정보를 확인한다(S506).

그리고, 복지몰 상품 구성 학습 서버(160)는 상품 구성 요청이 수신된 시점에서의 각 상품의 특성 정보와 타겟 고객사의 특성 정보를 기반으로 상품 정보 DB(432)에 저장된 각 상품에 대해 타겟 고객사에서 판매 가능한 예상 판매량을 산출하고, 예상 판매량이 높은 순으로 기설정된 개수의 상품을 선택하여 타겟 고객사의 추천 상품으로 구성한다(S508).

이때, 복지몰 상품 구성 학습 서버(160)는 위와 같은 예상 판매량을 산출함에 있어서, 예를 들어 고객사별 특성 정보 중, 타겟 고객사의 업종, 지역, 전체 구성원 수, 구성원의 연령 비율 및 구성원의 성별 비율과, 각 상품의 특성 정보 중 각 지역에서의 누적 판매 수량, 각 직업군에서의 누적 판매 수량, 각 연령에서의 누적 판매량, 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량을 조합하여 각 상품에 대한 타겟 고객사에서의 판매 가능한 예상 판매량을 산출할 수 있다.

이어, 복지몰 상품 구성 학습 서버(160)는 위와 같이 고객사별 추천 상품을 구성한 이후에는 고객사별 원하는 상품 정보를 수신하고, 수신된 전체 상품 정보 중 기설정된 개수의 상품을 선택하여 고객사별 선호 상품으로 구성한다(S510).

이어, 복지몰 상품 구성 학습 서버(160)는 선호 상품과 추천 상품간 중복되는 상품이 있는지 여부를 검사한다(S512).

이때, 위와 같은 선호 상품과 추천 상품간 중복되는 상품이 있는 경우, 복지몰 상품 구성 학습 서버(160)는 상품 정보 DB(432)를 참조하여 중복되는 상품 각각에 대해 가격, 성능, 고객 만족도, 브랜드 인지도 등을 평가 점수로 환산하여 산출하고, 각 평가 점수에 대해 서로 다른 가중치를 적용하여 합산하는 것을 통해 각 상품에 대한 최종 평가 점수를 산출한 후, 최종 평가 점수가 높은 상품을 선택하여 최종 상품 목록에 포함시킨다(S514).

또한, 이때, 복지몰 상품 구성 학습 서버(160)는 위와 같이 각 평가 점수에 가중치를 적용함에 있어서, 예를 들어 가격, 성능, 고객 만족도, 브랜드 인지도 등 순으로 상대적으로 높은 가중치를 적용시킬 수 있다. 이때, 높은 가중치를 적용시키는 순서는 고객이 상품을 구매하는데 있어서 가장 주의 깊게 고려하는 기조사된 가중치 정보를 기반으로 정해질 수 있다.

이어, 복지몰 상품 구성 학습 서버(160)는 선호 상품과 추천 상품 사이에 중복된 상품 중에서, 위와 같은 평가 점수 기반의 결정을 통해 추천 상품을 선택된 경우, 선호 상품 대비 추천 상품의 최종 평가 점수를 상품 결정에 대한 근거 자료로서 고객사의 관리자 단말(100)로 제공한다(S516).

이에 따라, 고객사에서는 예를 들어 자신들이 구성하도록 요청한 특정 브랜드의 상품이 다른 브랜드의 동일 상품으로 대체된 경우 복지몰 상품 구성 학습 서버(160)에서 제공하는 최종 평가 점수를 받아보고 상품 구성이 대체된 이유를 쉽게 파악할 수 있어 복지몰에 대한 신뢰도를 높일 수 있게 된다.

이어, 복지몰 상품 구성 학습 서버(160)는 위와 같은 결정된 선호 상품과 추천 상품을 조합하여 고객사별 쇼핑몰 웹페이지에 등록할 최종 상품을 구성한다(S518).

상술한 바와 같이, 본 발명의 일실시예에 따르면, 복지몰 상품 구성 학습 서버 및 시스템에 있어서, 고객사별 특성 정보와 고객사별 쇼핑몰 웹페이지에서 판매된 각 상품에 대한 구매 이력 정보의 학습을 통해 생성되는 각 상품의 특성 정보를 조합하여 고객사별 쇼핑몰 웹페이지상 등록되는 상품이 고객사별 최적화된 상품으로 구성되도록 함으로써 고객사의 니즈를 만족시키고 판매량도 증대시킬 수 있도록 한다.

이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

150 : 복지몰 운영 서버 160 : 복지몰 상품 구성 학습 서버
400 : 구매이력 수집부 402 : 구매이력 정보 DB
410 : 상품특성 학습부 412 : 상품 특성 정보 DB
420 : 제1 추천상품 구성부 422 : 고객사 정보 DB
424 : 제2 추천상품 구성부 432 : 상품정보 DB
430 : 상품특성 지수 산출부 442 : 가중치 정보 DB
440 : 평가점수 수집부 450 : 설문 실행부
460 : 고객사 특성지수 산출부 470 : 선호 상품 구성부
480 : 최종 상품 구성부

Claims

고객사별로 생성된 쇼핑몰 웹페이지상 등록할 상품을 구성하는 복지몰 상품 구성 학습 서버로서,
상기 쇼핑몰 웹페이지를 운영하는 복지몰 운영 서버와 연동하여 상기 쇼핑몰 웹페이지상 구성된 상품 중 각 고객사에서 구매한 각 상품에 대해 구매자가 위치한 지역, 구매자의 직업, 구매자의 연령, 구매자의 결혼 여부, 구매자의 성별을 수집하는 구매이력 수집부와,
상기 구매 이력 정보를 기반으로 동일 상품에 대한 서로 다른 사용자로부터의 구매 이력 정보를 학습하여 각 상품의 주요 구매 지역 및 각 지역에서의 누적 판매 수량, 주요 구매 직업군 및 각 직업군에서의 누적 판매 수량, 주요 구매 연령 및 각 연령에서의 누적 판매량, 주요 구매 성별 및 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량을 각 상품의 특성 정보로 산출하는 상품 특성 학습부와,
상기 쇼핑몰 웹페이지에 등록 가능한 복수의 상품에 대한 정보를 저장하는 상품 정보 DB와,
상기 상품 정보 DB에 포함되는 각 상품에 대해 성능과 디자인의 상대적인 우수성을 나타내는 성능 우수 지수와 디자인 우수 지수를 산출하는 상품 특성 지수 산출부와,
새로운 타겟 고객사의 타겟 쇼핑몰 웹페이지상 등록할 상품에 대한 구성 요청이 수신되는 경우, 해당 쇼핑몰 웹페이지에 대응되는 타겟 고객사의 특성 정보를 확인하고, 상기 구성 요청이 수신된 시점에 상기 상품 특성 학습부에서 산출된 각 상품의 특성 정보와 상기 타겟 고객사의 특성 정보를 기반으로 상기 상품 정보 DB에 저장된 각 상품에 대해 상기 타겟 고객사에서 판매 가능한 예상 판매량을 산출하고, 상기 예상 판매량이 높은 순으로 기설정된 제1 개수의 제1 후보 상품을 선택하는 제1 추천 상품 구성부와,
상기 제1 후보 상품에 포함된 각 상품의 성능 우수 지수와 디자인 우수 지수를 검색하고, 상기 제1 후보 상품 중에서 성능 우수 지수 및 디자인 우수 지수가 상대적으로 높은 제2 개수의 제2 후보 상품을 선택하여 상기 타겟 고객사의 쇼핑몰 웹페이지상 등록할 추천 상품으로 구성하는 제2 추천 상품 구성부
를 포함하는 복지몰 상품 구성 학습 서버.
제 1 항에 있어서,
상기 제1 추천 상품 구성부는,
고객사별 특성 정보 중, 상기 타겟 고객사의 업종, 지역, 전체 구성원 수, 구성원의 연령 비율 및 구성원의 성별 비율과, 각 상품의 특성 정보 중 각 지역에서의 누적 판매 수량, 각 직업군에서의 누적 판매 수량, 각 연령에서의 누적 판매량, 각 성별에서의 누적 판매량, 주요 구매 목적 및 각 구매 목적별 누적 판매 수량을 조합하여 각 상품에 대한 상기 타겟 고객사에서의 판매 가능한 상기 예상 판매량을 산출하는 복지몰 상품 구성 학습 서버.
제 1 항에 있어서,
상기 서버는,
각 상품을 구매한 복수의 고객으로부터 피드백되는 각 상품에 대한 성능 만족도 점수와 디자인 만족도 점수를 수집하여 각 상품에 대한 평균 성능 만족도 점수와 평균 디자인 만족도 점수를 산출하는 평가 점수 수집부를 더 포함하며,
상기 상품 특성 지수 산출부는,
각 상품의 성능 우수 지수를 산출함에 있어서,
각 상품의 제조사에서 제공하는 스펙 정보를 기반으로 각 상품에 대한 제1 성능 지수를 산출하고, 각 상품에 대한 상기 평균 성능 만족도 점수에 대해 기설정된 제1 비율을 적용하여 제2 성능 지수를 산출한 후, 상기 제1 성능 지수와 상기 제2 성능 지수를 합산하여 각 상품의 성능 우수 지수를 산출하며,
상기 상품 특성 지수 산출부는,
각 상품의 디자인 우수 지수를 산출함에 있어서,
기설정된 전문가 그룹으로부터 평가된 각 상품의 디자인 평가 정보를 기반으로 각 상품에 대한 제1 디자인 지수를 산출하고, 각 상품에 대한 상기 평균 디자인 만족도 점수에 대해 상기 제1 비율을 적용하여 제2 디자인 지수를 산출한 후, 상기 제1 디자인 지수와 상기 제2 디자인 지수를 합산하여 각 상품의 디자인 우수 지수를 산출하는 복지몰 상품 구성 학습 서버.
제 3 항에 있어서,
상기 평가 점수 수집부는,
각 상품에 대한 새로운 구매자로부터의 성능 만족도 점수와 디자인 만족도 점수 정보가 기설정된 기준 회수 이상 추가로 수집되는 경우마다 각 상품에 대한 평균 성능 만족도 점수와 상기 디자인 만족도 점수를 새로이 산출하여 갱신시키고,
상기 상품 특성 지수 산출부는,
각 상품에 대한 평균 성능 만족도 점수와 평균 디자인 만족도 점수가 갱신되는 경우, 각 상품에 대한 성능 우수 지수와 디자인 우수 지수를 새로이 산출하여 갱신시키는 복지몰 상품 구성 학습 서버.
제 3 항에 있어서,
상기 상품 구성 학습 서버는,
상기 타겟 고객사에서 원하는 상품 정보를 수신하고, 수신된 전체 상품 정보 중 기설정된 제3 개수의 상품을 선택하여 선호 상품으로 구성하는 선호상품 구성부와,
상기 선호 상품과 상기 추천 상품을 조합하여 상기 타겟 고객사의 상기 쇼핑몰 웹페이지에 등록할 최종 상품을 구성하는 최종 상품 구성부
를 더 포함하는 복지몰 상품 구성 학습 서버.
제 5 항에 있어서,
상기 서버는,
타겟 쇼핑몰의 오픈 시점 이전에 상기 타겟 쇼핑몰 웹페이지에 로그인하도록 요청한 후, 고객이 상기 인증 정보를 통해 로그인하는 경우 설문 정보 입력창을 표시시켜 각 상품의 구매 조건 정보로서 각 고객이 상품에 구매에 고려하는 성능 중요도 점수와 디자인 중요도 점수를 수집하는 설문 실행부와,
각 고객으로부터 수집된 성능 중요도 점수와 디자인 중요도 점수를 기반으로 상기 타겟 고객사 전체 고객의 상품 구매시 고려하는 평균 성능 중요도 점수와 평균 디자인 중요도 점수를 산출하고, 상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수에 기반하여 상기 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 산출하는 고객사 특성 지수 산출부를 더 포함하고,
상기 최종 상품 구성부는,
상기 선호 상품과 상기 추천 상품간 동일한 제품군에 속하나 브랜드가 서로 다른 중복되는 제1 상품과 제2 상품이 있는 경우,
상기 제1 상품의 성능 우수 지수와 상기 성능 선호 지수를 곱한 제1 값과 상기 제1 상품의 디자인 우수 지수와 상기 디자인 선호 지수를 곱한 제2 값을 산출하고, 제1 값과 제2 값을 합산하여 상기 타겟 고객사에 대응되는 상기 제1 상품의 적합도 지수로 산출하며,
상기 제2 상품의 성능 우수 지수와 상기 성능 선호 지수를 곱한 제3 값과 상기 제2 상품의 디자인 우수 지수와 상기 디자인 선호 지수를 곱한 제4 값을 산출하고, 제3 값과 제4 값을 합산하여 상기 타겟 고객사에 대응되는 상기 제2 상품의 적합도 지수로 산출한 후,
상기 제1 상품과 상기 제2 상품 중 적합도 지수가 상대적으로 큰 하나의 상품을 선택하는 복지몰 상품 구성 학습 서버.
제 6 항에 있어서,
상기 고객사 특성 지수 산출부는,
상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수의 크기 범위인 제1 범위가 상기 성능 우수 지수와 상기 디자인 우수 지수의 크기 범위인 제2 범위와 동일한 경우에는 상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수를 상기 타겟 고객사의 상기 성능 선호 지수와 상기 디자인 선호 지수로 산출하며,
상기 제1 범위와 상기 제2 범위가 서로 다른 경우에는 상기 평균 성능 중요도 점수와 상기 평균 디자인 중요도 점수에 각각 제2 비율을 적용하여 상기 타겟 고객사의 성능 선호 지수와 디자인 선호 지수로 산출하는 복지몰 상품 구성 학습 서버.
제 7 항에 있어서,
상기 제2 비율은,
상기 평균 성능 중요도 점수 및 상기 평균 디자인 중요도 점수가 성능 우수 지수와 디자인 우수 지수의 값과 각각 동일한 스케일의 값이 되도록 하는 미리 계산된 비율인 복지몰 상품 구성 학습 서버.