KR20210030106A - 서버 - Google Patents

서버 Download PDF

Info

Publication number
KR20210030106A
KR20210030106A KR1020190111642A KR20190111642A KR20210030106A KR 20210030106 A KR20210030106 A KR 20210030106A KR 1020190111642 A KR1020190111642 A KR 1020190111642A KR 20190111642 A KR20190111642 A KR 20190111642A KR 20210030106 A KR20210030106 A KR 20210030106A
Authority
KR
South Korea
Prior art keywords
data
information
service
electronic device
processor
Prior art date
Application number
KR1020190111642A
Other languages
English (en)
Inventor
장세훈
서태민
Original Assignee
엘지전자 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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190111642A priority Critical patent/KR20210030106A/ko
Priority to US17/014,369 priority patent/US11509722B2/en
Publication of KR20210030106A publication Critical patent/KR20210030106A/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
    • G06Q30/01—Customer relationship services
    • 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
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

본 발명은 서버에 관한 것이다. 본 발명의 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 전자 기기의 서비스 데이터, 전자 기기의 기기 데이터, 전자 기기에 대한 기상 데이터를 수신하고, 서비스 데이터, 기기 데이터, 기상 데이터에 기초하여 감성 지수 데이터를 연산하는 프로세서를 포함한다. 이에 의해, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.

Description

서버{Server}
본 발명은 서버에 관한 것이며, 더욱 상세하게는 고객 감성 지수 데이터를 효율적으로 산출할 수 있는 서버에 관한 것이다.
현재 고객 서비스 과정에서 발생되는 “현장에서의 재현 안 됨”, “설계스펙 상에는 이상없음”등 고객감성 불만으로 단순 설명 처리하는 사례가 빈번히 일어나고 있다.
설명 처리 이후 동일한 증상이 또 발생되는 문제가 되고, 결국에는 문제가 해결되지 못한 채, 제품 환불까지 이어져 불필요한 서비스 비용이 발생되고 있다.
이를 분석하기 위한 고객이 느꼈던 문제 당시 현장 데이터 정보가 필요하나 직접 방문해서 문제가 발생 될 때까지 기다리면서 수집해야 하는 상황으로 불가하며
한편, 문제 발생 시 마다 모든 고객 현장에 방문하여 데이터를 수집할 수는 없는 상황이다.
아울러, 현재 서비스 데이터와 기기 데이터가 각각 다른 서버, 또는 시스템에 분리되어 운영되고 있어, 이를 통합화해서 데이터를 수집하고 처리하는 기술이 필요하다.
본 발명의 목적은, 고객 감성 지수 데이터를 효율적으로 산출할 수 있는 서버를 제공함에 있다.
한편, 본 발명의 다른 목적은 서비스 데이터, 기기 데이터, 기상 데이터 통합 관리할 수 있는 서버를 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 전자 기기의 서비스 데이터, 전자 기기의 기기 데이터, 전자 기기에 대한 기상 데이터를 수신하고, 서비스 데이터, 기기 데이터, 기상 데이터에 기초하여 감성 지수 데이터를 연산하는 프로세서를 포함한다.
한편, 프로세서는, 서비스 데이터, 기기 데이터, 기상 데이터에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다.
한편, 프로세서는, 서비스 데이터, 기기 데이터, 기상 데이터 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 감성 지수 데이터를 연산할 수 있다.
한편, 프로세서는, 세그멘테이션 수행시, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다.
한편, 프로세서는, 서비스 데이터로부터 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상 정보, 조치 정보를 추출하며, 기기 데이터로부터 기기 사용 정보, 운전 패턴 정보, 센서 정보를 추출하며, 지역 정보와, 접수 일자 정보와, 수리 일자 정보를 이용하여, 전자 기기에 대한 날씨 데이터를 추출할 수 있다.
한편, 프로세서는, 복수의 서비스 데이터로부터 감성에 매칭되는 서비스 데이터를 추출하고, 추출된 서비스 데이터에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터와, 발생 횟수와, 서비스 조치에 기초하여, 감성 지수 데이터를 연산할 수 있다.
한편, 프로세서는, 복수의 서비스 데이터로부터 감성에 매칭되는 서비스 데이터를 추출하고, 추출된 서비스 데이터에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터와, 발생 횟수와, 서비스 조치에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션 결과에 따라, 감성 지수 데이터를 연산할 수 있다.
한편, 프로세서는, 감성에 매칭되는 서비스 데이터와, 감성 지수 데이터에 기초하여, 합산 지수 데이터를 연산할 수 있다.
한편, 프로세서는, 전자 기기에 대한, 서비스 데이터, 기기 데이터, 기상 데이터를 통합 관리하여 분석할 수 있다.
한편, 프로세서는, 분석 결과, 전자 기기의 사용 결과 데이터를 제공하거나, 전자 기기의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다.
한편, 프로세서는, 통신부를 통해, 전자 기기의 서비스 데이터, 전자 기기의 기기 데이터, 전자 기기에 대한 기상 데이터를 수집하는 데이터 수집부와, 서비스 데이터, 기기 데이터, 기상 데이터에 기초하여 감성 지수 데이터를 연산하는 데이터 처리부를 포함할 수 있다.
한편, 데이터 처리부는, 전자 기기에 대한, 서비스 데이터, 기기 데이터, 기상 데이터를 통합 관리하여 분석할 수 있다.
한편, 데이터 처리부는, 분석 결과, 전자 기기의 사용 결과 데이터를 제공하거나, 전자 기기의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다.
한편, 프로세서는, 사용 결과 데이터, 고장 원인 정보 또는 결과 데이터에 기초하여 사용 가이드 메시지를 생성하는 메시지 생성부와, 사용 결과 데이터, 데이터의 비교에 따른 비교 데이터, 분석 데이터, 고장 원인 정보, 또는 결과 데이터에 기초하여 출력 정보를 생성하는 출력 정보 생성부를 더 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 전자 기기의 서비스 데이터, 전자 기기의 기기 데이터를 수신하고, 서비스 데이터, 기기 데이터에 기초하여 감성 지수 데이터를 연산하는 프로세서를 포함한다.
한편, 프로세서는, 서비스 데이터, 기기 데이터에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다.
한편, 프로세서는, 서비스 데이터, 기기 데이터 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 상기 감성 지수 데이터를 연산할 수 있다.
본 발명의 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 전자 기기의 서비스 데이터, 전자 기기의 기기 데이터, 전자 기기에 대한 기상 데이터를 수신하고, 서비스 데이터, 기기 데이터, 기상 데이터에 기초하여 감성 지수 데이터를 연산하는 프로세서를 포함한다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 프로세서는, 서비스 데이터, 기기 데이터, 기상 데이터에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 서비스 데이터, 기기 데이터, 기상 데이터 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 세그멘테이션 수행시, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 서비스 데이터로부터 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상 정보, 조치 정보를 추출하며, 기기 데이터로부터 기기 사용 정보, 운전 패턴 정보, 센서 정보를 추출하며, 지역 정보와, 접수 일자 정보와, 수리 일자 정보를 이용하여, 전자 기기에 대한 날씨 데이터를 추출할 수 있다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 프로세서는, 복수의 서비스 데이터로부터 감성에 매칭되는 서비스 데이터를 추출하고, 추출된 서비스 데이터에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터와, 발생 횟수와, 서비스 조치에 기초하여, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 복수의 서비스 데이터로부터 감성에 매칭되는 서비스 데이터를 추출하고, 추출된 서비스 데이터에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터와, 발생 횟수와, 서비스 조치에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 감성에 매칭되는 서비스 데이터와, 감성 지수 데이터에 기초하여, 합산 지수 데이터를 연산할 수 있다. 이에 따라, 고객 관련 다양한 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 전자 기기에 대한, 서비스 데이터, 기기 데이터, 기상 데이터를 통합 관리하여 분석할 수 있다. 이에 따라, 서비스 데이터, 기기 데이터, 기상 데이터 통합 관리할 수 있어, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 분석 결과, 전자 기기의 사용 결과 데이터를 제공하거나, 전자 기기의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다. 이와 같이, 다양한 데이터를 제공함으로써, 다양한 활용이 가능하게 된다.
한편, 프로세서는, 통신부를 통해, 전자 기기의 서비스 데이터, 전자 기기의 기기 데이터, 전자 기기에 대한 기상 데이터를 수집하는 데이터 수집부와, 서비스 데이터, 기기 데이터, 기상 데이터에 기초하여 감성 지수 데이터를 연산하는 데이터 처리부를 포함할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부는, 전자 기기에 대한, 서비스 데이터, 기기 데이터, 기상 데이터를 통합 관리하여 분석할 수 있다. 이에 따라, 서비스 데이터, 기기 데이터, 기상 데이터 통합 관리할 수 있어, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부는, 분석 결과, 전자 기기의 사용 결과 데이터를 제공하거나, 전자 기기의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다. 이와 같이, 다양한 데이터를 제공함으로써, 다양한 활용이 가능하게 된다.
한편, 프로세서는, 사용 결과 데이터, 고장 원인 정보 또는 결과 데이터에 기초하여 사용 가이드 메시지를 생성하는 메시지 생성부와, 사용 결과 데이터, 데이터의 비교에 따른 비교 데이터, 분석 데이터, 고장 원인 정보, 또는 결과 데이터에 기초하여 출력 정보를 생성하는 출력 정보 생성부를 더 포함할 수 있다. 이와 같이, 다양한 데이터를 제공함으로써, 다양한 활용이 가능하게 된다.
한편, 본 발명의 다른 실시예에 따른 서버는, 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부와, 통신부를 통해, 전자 기기의 서비스 데이터, 전자 기기의 기기 데이터를 수신하고, 서비스 데이터, 기기 데이터에 기초하여 감성 지수 데이터를 연산하는 프로세서를 포함한다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 프로세서는, 서비스 데이터, 기기 데이터에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서는, 서비스 데이터, 기기 데이터 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 고객 감성 산출 시스템을 도시한 도면이다.
도 2는 도 1의 서버의 간략한 내부 블록도이다.
도 3은 심층 신경망의 일예를 예시한다.
도 4는 도 2의 프로세서의 내부 블록도의 일예이다.
도 5는 본 발명의 일 실시예에 따른 서버의 동작 방법을 설명하는 순서도이다.
도 6 내지 도 8c는 도 5의 동작 방법의 설명에 참조되는 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 고객 감성 산출 시스템을 도시한 도면이다.
도면을 참조하면, 도 1의 고객 감성 산출 시스템(10)은, 전자 기기(EC), 전자 기기(EC)로부터 서비스 데이터(STa)를 수신하는 제1 외부 서버(SV1), 전자 기기(EC)로부터 기기 데이터(STb)를 수신하는 제2 외부 서버(SV2), 기상 데이터를 제공하는 제3 외부 서버(SV3), 서버(100)를 구비할 수 있다.
본 발명의 실시예에 따른 서버(100)는, 서비스 데이터, 기기 데이터, 기상 데이터의 통합 관리를 위해, 네트워크(90)를 통해, 제1 외부 서버(SV1), 제2 외부 서버(SV2), 제3 외부 서버(SV3)와 접속될 수 있다.
그리고, 본 발명의 실시예에 따른 서버(100)는, 제1 외부 서버(SV1), 제2 외부 서버(SV2), 제3 외부 서버(SV3)로부터 각각, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)를 수신할 수 있다.
한편, 도 1에서의 전자 기기(EC)는, 영상표시장치(TV, 모니터), 이동 단말기(스마트 폰, 태블릿, 스마트 와치 등), 컴퓨터, 홈 어플라이언스(냉장고, 세탁기, 에어컨, 건조기, 조리 기기, 공기 청정기, 로봇 청소기 등), 차량(자동차, 드론 등) 등을 포함하는 개념일 수 있다.
한편, 본 발명의 실시예에 따른 서버(100)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc) 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 세그멘테이션 수행시, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 서비스 데이터(DTa)로부터 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상 정보, 조치 정보를 추출하며, 기기 데이터(DTb)로부터 기기 사용 정보, 운전 패턴 정보, 센서 정보를 추출하며, 지역 정보와, 접수 일자 정보와, 수리 일자 정보를 이용하여, 전자 기기(EC)에 대한 날씨 데이터를 추출할 수 있다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 복수의 서비스 데이터(DTa)로부터 감성에 매칭되는 서비스 데이터(DTa)를 추출하고, 추출된 서비스 데이터(DTa)에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터(DTa)와, 발생 횟수와, 서비스 조치에 기초하여, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 복수의 서비스 데이터(DTa)로부터 감성에 매칭되는 서비스 데이터(DTa)를 추출하고, 추출된 서비스 데이터(DTa)에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터(DTa)와, 발생 횟수와, 서비스 조치에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 감성에 매칭되는 서비스 데이터(DTa)와, 감성 지수 데이터에 기초하여, 합산 지수 데이터를 연산할 수 있다. 이에 따라, 고객 관련 다양한 데이터를 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 전자 기기(EC)에 대한, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)를 통합 관리하여 분석할 수 있다. 이에 따라, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc) 통합 관리할 수 있어, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 본 발명의 실시예에 따른 서버(100)는, 분석 결과, 전자 기기(EC)의 사용 결과 데이터를 제공하거나, 전자 기기(EC)의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다. 이와 같이, 다양한 데이터를 제공함으로써, 다양한 활용이 가능하게 된다.
한편, 본 발명의 다른 실시예에 따른 서버(100)는, 전자 기기(EC)의 서비스 데이터(DTa), 전자 기기(EC)의 기기 데이터(DTb)를 수신하고, 서비스 데이터(DTa), 기기 데이터(DTb)에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 서버(100)는, 서비스 데이터(DTa), 기기 데이터(DTb)에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 본 발명의 다른 실시예에 따른 서버(100)는, 서비스 데이터(DTa), 기기 데이터(DTb) 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
도 2는 도 1의 서버의 간략한 내부 블록도이다.
도면을 참조하면, 서버(100)는, 통신부(135), 프로세서(170), 메모리(140)를 구비할 수 있다.
통신부(135)는, 외부 네트워크(90)로부터 데이터를 수신하거나 데이터를 전송할 수 있다.
예를 들어, 통신부(135) 제1 외부 서버(SV1), 제2 외부 서버(SV2), 제3 외부 서버(SV3)로부터 각각, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)를 수신할 수 있다.
메모리(140)는, 서버(100) 동작에 필요한 데이터를 저장할 수 있다.
예를 들어, 메모리(140)는, 서버(100)에서 수행하기 위한 학습 알고리즘을 저장할 수 있다. 이때의 학습 알고리즘은, 도 3과 같은 심층신경망 기반의 학습알고리즘일 수 있다.
한편, 프로세서(170)는, 서버(100)의 전반적인 동작 제어를 수행할 수 있다.
한편, 프로세서(170)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 프로세서(170)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc) 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 세그멘테이션 수행시, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 서비스 데이터(DTa)로부터 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상 정보, 조치 정보를 추출하며, 기기 데이터(DTb)로부터 기기 사용 정보, 운전 패턴 정보, 센서 정보를 추출하며, 지역 정보와, 접수 일자 정보와, 수리 일자 정보를 이용하여, 전자 기기(EC)에 대한 날씨 데이터를 추출할 수 있다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 프로세서(170)는, 복수의 서비스 데이터(DTa)로부터 감성에 매칭되는 서비스 데이터(DTa)를 추출하고, 추출된 서비스 데이터(DTa)에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터(DTa)와, 발생 횟수와, 서비스 조치에 기초하여, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 복수의 서비스 데이터(DTa)로부터 감성에 매칭되는 서비스 데이터(DTa)를 추출하고, 추출된 서비스 데이터(DTa)에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터(DTa)와, 발생 횟수와, 서비스 조치에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 감성에 매칭되는 서비스 데이터(DTa)와, 감성 지수 데이터에 기초하여, 합산 지수 데이터를 연산할 수 있다. 이에 따라, 고객 관련 다양한 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 전자 기기(EC)에 대한, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)를 통합 관리하여 분석할 수 있다. 이에 따라, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc) 통합 관리할 수 있어, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 분석 결과, 전자 기기(EC)의 사용 결과 데이터를 제공하거나, 전자 기기(EC)의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다. 이와 같이, 다양한 데이터를 제공함으로써, 다양한 활용이 가능하게 된다.
도 3은 심층 신경망의 일예를 예시한다.
도면을 참조하면, 프로세서(170)는, 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습을 수행할 수 있다.
딥러닝(Deep learning)은 히든 레이어들을 차례로 거치면서 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는, 인공신경망(ANN), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(DNN)으로 구성될 수 있다.
심층신경망(DNN)은 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer) 및 출력 레이어(Output Layer)를 포함할 수 있다.
한편, 다중의 히든 레이어(hidden layer)를 갖는 것을 DNN(Deep Neural Network)이라헐 수 있다.
각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연관되어 있다. 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.
제1 히든 레이어(Hidden Layer 1)에 속한 임의의 노드로부터의 출력은, 제2 히든 레이어(Hidden Layer 2)에 속하는 적어도 하나의 노드의 입력이 된다. 이때 각 노드의 입력은 이전 레이어의 노드의 출력에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다. 딥러닝 과정은 적절한 웨이트(weight)를 찾아내는 과정으로도 볼 수 있다.
도 4는 도 2의 프로세서의 내부 블록도의 일예이다.
도면을 참조하면, 도 2의 프로세서(170)는, 데이터 수집부(310), 데이터 처리부(330), 메시지 생성부(355), 출력 정보 생성부(365)를 포함할 수 있다.
한편, 도 2의 메모리(325)는, 데이터 저장부(325)를 포함할 수 있다.
데이터 수집부(310)는, 통신부(135)를 통해, 전자 기기(EC)의 서비스 데이터(DTa), 전자 기기(EC)의 기기 데이터(DTb), 전자 기기(EC)에 대한 기상 데이터(DTc)를 수신할 수 있다.
특히, 데이터 수집부(310)는, 통신부(135)를 통해,제1 외부 서버(SV1), 제2 외부 서버(SV2), 제3 외부 서버(SV3)로부터 각각, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)를 수신할 수 있다.
데이터 처리부(330)는, 수신되는 전자 기기(EC)의 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 기초하여, 감성 지수 데이터를 연산할 수 있다.
한편, 데이터 처리부(330)는,서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 기초하여, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc) 중 적어도 하나에 기초하여, 클레임을 분석하고, 클레임에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션에 기초하여 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 세그멘테이션 수행시, 학습을 수행하고, 학습 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 서비스 데이터(DTa)로부터 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상 정보, 조치 정보를 추출하며, 기기 데이터(DTb)로부터 기기 사용 정보, 운전 패턴 정보, 센서 정보를 추출하며, 지역 정보와, 접수 일자 정보와, 수리 일자 정보를 이용하여, 전자 기기(EC)에 대한 날씨 데이터를 추출할 수 있다. 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 복수의 서비스 데이터(DTa)로부터 감성에 매칭되는 서비스 데이터(DTa)를 추출하고, 추출된 서비스 데이터(DTa)에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터(DTa)와, 발생 횟수와, 서비스 조치에 기초하여, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 복수의 서비스 데이터(DTa)로부터 감성에 매칭되는 서비스 데이터(DTa)를 추출하고, 추출된 서비스 데이터(DTa)에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터(DTa)와, 발생 횟수와, 서비스 조치에 기초하여, 세그멘테이션을 수행하고, 세그멘테이션 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 감성에 매칭되는 서비스 데이터(DTa)와, 감성 지수 데이터에 기초하여, 합산 지수 데이터를 연산할 수 있다. 이에 따라, 고객 관련 다양한 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 전자 기기(EC)에 대한, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)를 통합 관리하여 분석할 수 있다. 이에 따라, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc) 통합 관리할 수 있어, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 분석 결과, 전자 기기(EC)의 사용 결과 데이터를 제공하거나, 전자 기기(EC)의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다. 이와 같이, 다양한 데이터를 제공함으로써, 다양한 활용이 가능하게 된다.
한편, 메시지 생성부(355)는, 사용 결과 데이터, 고장 원인 정보 또는 결과 데이터에 기초하여 사용 가이드 메시지를 생성할 수 있다.
예를 들어, 고객 오사용 시 정확한 사용을 위한 사용 가이드 메시지를 생성하여 출력할 수 있다.
구체적으로, "고객님, 서비스 접수 당시 모드 오사용에 의해 냉방약으로 확인됩니다. 아래의 사용가이드에 따라 조치하시기 바랍니다."와 같은 가이드 메시지를 생성하고 출력할 수 있다.
한편, 출력 정보 생성부(365)는, 사용 결과 데이터, 데이터의 비교에 따른 비교 데이터, 분석 데이터, 고장 원인 정보, 또는 결과 데이터에 기초하여 출력 정보를 생성할 수 있다.
예를 들어, 출력 정보 생성부(365)는, 현장재현 검증을 위한 기반 정보를 생성하거나, 전자 기기(EC)의 설계 스펙 조정 정보를 제공할 수 있다.
다른 예로, 출력 정보 생성부(365)는, 재 Claim 발생 시 조치해야할 정보를 제공할 수 있다.
또 다른 예로, 출력 정보 생성부(365)는, 제품 또는 설치 등이 원인인 경우, 분석 결과를 제공할 수 있다.
도 5는 본 발명의 일 실시예에 따른 서버의 동작 방법을 설명하는 순서도이고, 도 6 내지 도 8c는 도 5의 동작 방법의 설명에 참조되는 도면이다.
먼저, 도 5를 참조하면, 본 발명의 실시예에 따른 서버(100)는, 제1 외부 서버(SV1)로부터 서비스 데이터(DTa)를 수신한다(S510).
서버(100)는, 제2 외부 서버(SV2)로부터 기기 데이터(DTb)를 수신한다(S520).
서버(100)는, 제3 외부 서버(SV3)로부터 기상 데이터(DTc)를 수신한다(S530).
다음, 서버(100)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 기초하여 감성 지수 데이터를 연산할 수 있다(S540). 이에 따라, 고객 감성 지수 데이터를 효율적으로 산출할 수 있게 된다.
특히, 제540 단계(S540)에 있어서, 서버(100) 내의 프로세서(170), 특히 데이터 처리부(330)는, 빅 데이터 처리를 수행할 수 있다.
도 6은 데이터 처리부(330)의 동작 설명에 참조되는 도면이다.
도면을 참조하면, 데이터 처리부(330)는, 서비스 데이터(DTa), 기기 데이터(DTb), 기상 데이터(DTc)에 대한 데이터 처리를 수행하고, 데이터 처리에 기초한 클레임(claim)을 분석한다(S610).
도 7a는 데이터 처리부(330)가 서비스 데이터(DTa)에 대한 데이터 처리를 수행하는 것에 참조되는 도면이다.
도면을 참조하면, 서비스 데이터(710)는, 전자 기기(EC)에 대한 애프터 서비스(after sales service)에 대한 정보를 나타내며, 특히, 제품군 정보, 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상, 원인, 조치 정보 등을 포함할 수 있다.
한편, 데이터 처리부(330)는, 도 7b의 (a)와 같이, 복수의 서비스 데이터(710)로부터 고객 감성 서비스 데이터(722)를 추출할 수 있다.
데이터 처리부(330)는, 서비스 데이터(710)로부터 제품군 정보, 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상, 원인, 조치 정보 등을 추출하고, 제품군 정보, 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상, 원인, 조치 정보 등에 기초하여, 고객 클레임(claim) 정보를 분석할 수 있다. 이때, 학습에 의해 고객 클레임(claim) 정보를 분석할 수 있다.
한편, 데이터 처리부(330)는, 도 7b의 (b)와 같이, 기기 데이터(DTb)로부터 기기 사용 정보, 운전 패턴 정보, 센서 정보(724)를 추출할 수 있다.
이에 따라, 데이터 처리부(330)는, 제품군 정보, 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상, 원인, 조치 정보 등을 추출하고, 제품군 정보, 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상, 원인, 조치 정보, 기기 사용 정보, 운전 패턴 정보, 센서 정보 등에 기초하여, 고객 클레임(claim) 정보를 분석할 수 있다. 이때, 학습에 의해 고객 클레임(claim) 정보를 분석할 수 있다.
한편, 데이터 처리부(330)는, 지역 정보와, 접수 일자 정보와, 수리 일자 정보를 이용하여, 도 7b의 (c)와 같이, 전자 기기(EC)에 대한 날씨 데이터(726)를 추출할 수 있다.
이에 따라, 데이터 처리부(330)는, 제품군 정보, 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상, 원인, 조치 정보 등을 추출하고, 제품군 정보, 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상, 원인, 조치 정보, 기기 사용 정보, 운전 패턴 정보, 센서 정보, 전자 기기(EC)에 대한 날씨 데이터 등에 기초하여, 고객 클레임(claim) 정보를 분석할 수 있다. 이때, 학습에 의해 고객 클레임(claim) 정보를 분석할 수 있다. 이에 따라, 고객 클레임 정보를 정확하게 산출할 수 있게 된다.
한편, 도 7c는 고객의 기기 사용 정보(722)를 도시한다.
도면을 참조하면, 고객의 기기 사용 정보(722)는, 전자 기기, 특히 에어컨의 사용 정보인, 사용 모드 정보, 온도 설정 정보, 실내 온도 정보, 배관 온도 정보를 포함할 수 있다.
특히, 고객의 기기 사용 정보(722)는, 접수 일자에 따른 사용 모드 정보, 온도 설정 정보, 실내 온도 정보, 배관 온도 정보와, 수리 일자에 따른 사용 모드 정보, 온도 설정 정보, 실내 온도 정보, 배관 온도 정보를 포함할 수 있다.
도 7d는 T1 시점의 서비스 수리에 따른 전자 기기의 트렌드를 분석한 도면이다.
Gra는 서비스 수리에 따른 동작 그래프를 나타내며, Grb는 서비스 수리에도 불구하고, 동작하지 않는 그래프를 나타낸다.
한편, 데이터 처리부(330)는, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 분석하고, 제공할 수 있다. 이때, 학습에 의해 유의차 분석 데이터를 분석할 수 있다.
도 7e는 접수 일자와 수리 일자 사이의 유의차 분석 데이터(734)를 예시한다.
도면을 참조하면, 유의차 분석 데이터(734)는, 사용 모드 데이터, 온도 설정 데이터, 실내 온도 데이터, 배관 온도 데이터 등을 포함할 수 있다. 그리고, 평균 차이 이상 여부에 따라, X, O로 구분되어 제공될 수 있다. 도면에서는, 특히, 사용 모드 데이터이 유의차인 것으로 나타난다.
한편, 데이터 처리부(330)는, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다.
도 7f는 고장 원인 정보(736)를 예시한다.
도면을 참조하면, 고장 원인 정보(736)는, 접수 일자와, 수리 일자 별, 유의차 데이터에 대응하는 모드 정보, 배관 온도 정보, 및 결과 정보를 포함할 수 있다.
도면에서는, '모드 오사용' 의 결과 정보를 예시한다. 이에 따라, 정확한 고장 원인 정보 또는 결과 데이터를 제공할 수 있게 된다.
다음, 데이터 처리부(330)는, 고객 클레임 정보에 기초하여, 세그멘테이션을 수행한다(S620).
그리고, 데이터 처리부(330)는, 세그멘테이션에 기초하여 감성 지수 데이터를 연산한다(S630).
한편, 데이터 처리부(330)는, 복수의 서비스 데이터(DTa)로부터 감성에 매칭되는 서비스 데이터(DTa)를 추출하고, 추출된 서비스 데이터(DTa)에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 서비스 데이터(DTa)와, 발생 횟수와, 서비스 조치에 기초하여, 세그멘테이션을 수행할 수 있다. 이때, 세그멘테이션 수행시, 학습에 따라, 수행할 수 있다.
한편, 데이터 처리부(330)는, 세그멘테이션 결과에 따라, 감성 지수 데이터를 연산할 수 있다. 이에 따라, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
도 8b는 고객 별 세그멘테이션 결과 데이터(814)를 예시한다.
도면을 참조하면, 고객 별 세그멘테이션 결과 데이터(814)는, 고객 별, 증상 데이터, 원인 데이터, 조치 데이터, 횟수 데이터, 고객 세그멘테이션 데이터, 감성 지수 데이터를 포함할 수 있다.
도면에서는, 고객 세그멘테이션 데이터가, A인 경우, B 인 경우, C 인 경우, 감성 지수 데이터가 각각 1 점, 2점, 3점인 것을 예시한다.
이와 같이, 세그멘테이션 결과에 따라, 감성 지수 데이터를 연산함으로써, 정확한 고객 감성 지수 데이터를 산출할 수 있게 된다.
한편, 데이터 처리부(330)는, 감성에 매칭되는 서비스 데이터(DTa)와, 감성 지수 데이터에 기초하여, 합산 지수 데이터를 연산할 수 있다. 이에 따라, 고객 관련 다양한 데이터를 산출할 수 있게 된다.
도 8c는 합산 지수 데이터(816)를 예시한다.
도면을 참조하면, 합산 지수 데이터(816)는, 감성에 매칭되는 서비스 데이터에 대응하는 서비스 지수 데이터와, 연산된 감성 지수 데이터가 합산될 수 있다.
도면에서는, 합산 지수 데이터(816)로, 각각 0.11, 0.07, 0.07. 0.06을 예시하며, 이는 서비스 지수 데이터의 0.05, 0.02, 0.07, 0.05와, 서비스 지수 데이터인 0.06, 0.05, 0.00, 0.01이 각각 합산된 것이다. 이에 따라, 고객 관련 다양한 데이터를 산출할 수 있게 된다.
한편, 프로세서(170)는, 분석 결과, 전자 기기(EC)의 사용 결과 데이터를 제공하거나, 전자 기기(EC)의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 접수 일자와 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공할 수 있다. 이와 같이, 다양한 데이터를 제공함으로써, 다양한 활용이 가능하게 된다.
본 발명의 실시예에 따른 서버는 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해어져서는 안될 것이다.

Claims (17)

  1. 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부;
    상기 통신부를 통해, 전자 기기의 서비스 데이터, 상기 전자 기기의 기기 데이터, 상기 전자 기기에 대한 기상 데이터를 수신하고, 상기 서비스 데이터, 상기 기기 데이터, 상기 기상 데이터에 기초하여 감성 지수 데이터를 연산하는 프로세서;를 포함하는 것을 특징으로 하는 서버.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 서비스 데이터, 기기 데이터, 상기 기상 데이터에 기초하여, 학습을 수행하고, 상기 학습 결과에 따라, 상기 감성 지수 데이터를 연산하는 것을 특징으로 하는 서버.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 서비스 데이터, 기기 데이터, 상기 기상 데이터 중 적어도 하나에 기초하여, 클레임을 분석하고, 상기 클레임에 기초하여, 세그멘테이션을 수행하고, 상기 세그멘테이션에 기초하여 상기 감성 지수 데이터를 연산하는 것을 특징으로 하는 서버.
  4. 제3항에 있어서,
    상기 프로세서는,
    상기 세그멘테이션 수행시, 학습을 수행하고, 상기 학습 결과에 따라, 상기 감성 지수 데이터를 연산하는 것을 특징으로 하는 서버.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 서비스 데이터로부터 고객 정보, 지역 정보, 접수 일자 정보, 수리 일자 정보, 증상 정보, 조치 정보를 추출하며,
    상기 기기 데이터로부터 기기 사용 정보, 운전 패턴 정보, 센서 정보를 추출하며,
    상기 지역 정보와, 상기 접수 일자 정보와, 수리 일자 정보를 이용하여, 상기 전자 기기에 대한 날씨 데이터를 추출하는 것을 특징으로 하는 서버.
  6. 제1항에 있어서,
    상기 프로세서는,
    복수의 서비스 데이터로부터 감성에 매칭되는 서비스 데이터를 추출하고, 상기 추출된 서비스 데이터에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 상기 서비스 데이터와, 상기 발생 횟수와, 서비스 조치에 기초하여, 상기 감성 지수 데이터를 연산하는 것을 특징으로 하는 서버.
  7. 제1항에 있어서,
    상기 프로세서는,
    복수의 서비스 데이터로부터 감성에 매칭되는 서비스 데이터를 추출하고, 상기 추출된 서비스 데이터에 기초하여 동일 증상 및 동일 원인에 의한 발생 횟수를 추출하고, 상기 서비스 데이터와, 상기 발생 횟수와, 서비스 조치에 기초하여, 세그멘테이션을 수행하고, 상기 세그멘테이션 결과에 따라, 상기 감성 지수 데이터를 연산하는 것을 특징으로 하는 서버.
  8. 제1항에 있어서,
    상기 프로세서는,
    감성에 매칭되는 서비스 데이터와, 상기 감성 지수 데이터에 기초하여, 합산 지수 데이터를 연산하는 것을 특징으로 하는 서버.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 전자 기기에 대한, 상기 서비스 데이터, 상기 기기 데이터, 상기 기상 데이터를 통합 관리하여 분석하는 것을 특징으로 하는 서버.
  10. 제9항에 있어서,
    상기 프로세서는,
    상기 분석 결과, 상기 전자 기기의 사용 결과 데이터를 제공하거나, 상기 전자 기기의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 상기 접수 일자와 상기 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공하는 것을 특징으로 하는 서버.
  11. 제1항에 있어서,
    상기 프로세서는,
    상기 통신부를 통해, 전자 기기의 서비스 데이터, 상기 전자 기기의 기기 데이터, 상기 전자 기기에 대한 기상 데이터를 수집하는 데이터 수집부;
    상기 서비스 데이터, 상기 기기 데이터, 상기 기상 데이터에 기초하여 감성 지수 데이터를 연산하는 데이터 처리부;를 포함하는 것을 특징으로 하는 서버.
  12. 제11항에 있어서,
    상기 데이터 처리부는,
    상기 전자 기기에 대한, 상기 서비스 데이터, 상기 기기 데이터, 상기 기상 데이터를 통합 관리하여 분석하는 것을 특징으로 하는 서버.
  13. 제12항에 있어서,
    상기 데이터 처리부는,
    상기 분석 결과, 상기 전자 기기의 사용 결과 데이터를 제공하거나, 상기 전자 기기의 서비스 접수 일자와 수리 일자의 데이터를 비교하여 제공하거나, 상기 접수 일자와 상기 수리 일자 사이의 유의차 분석 데이터를 제공하거나, 학습에 따라 예측된 고장 원인 정보 또는 결과 데이터를 제공하는 것을 특징으로 하는 서버.
  14. 제13항에 있어서,
    상기 프로세서는,
    상기 사용 결과 데이터, 상기 고장 원인 정보 또는 상기 결과 데이터에 기초하여 사용 가이드 메시지를 생성하는 메시지 생성부;
    상기 사용 결과 데이터, 상기 데이터의 비교에 따른 비교 데이터, 상기 분석 데이터, 상기 고장 원인 정보, 또는 상기 결과 데이터에 기초하여 출력 정보를 생성하는 출력 정보 생성부;를 더 포함하는 것을 특징으로 하는 서버.
  15. 외부 네트워크로부터 데이터를 수신하거나 데이터를 전송하는 통신부;
    상기 통신부를 통해, 전자 기기의 서비스 데이터, 상기 전자 기기의 기기 데이터를 수신하고, 상기 서비스 데이터, 상기 기기 데이터에 기초하여 감성 지수 데이터를 연산하는 프로세서;를 포함하는 것을 특징으로 하는 서버.
  16. 제15항에 있어서,
    상기 프로세서는,
    상기 서비스 데이터, 기기 데이터에 기초하여, 학습을 수행하고, 상기 학습 결과에 따라, 상기 감성 지수 데이터를 연산하는 것을 특징으로 하는 서버.
  17. 제15항에 있어서,
    상기 프로세서는,
    상기 서비스 데이터, 기기 데이터 중 적어도 하나에 기초하여, 클레임을 분석하고, 상기 클레임에 기초하여, 세그멘테이션을 수행하고, 상기 세그멘테이션에 기초하여 상기 감성 지수 데이터를 연산하는 것을 특징으로 하는 서버.

KR1020190111642A 2019-09-09 2019-09-09 서버 KR20210030106A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190111642A KR20210030106A (ko) 2019-09-09 2019-09-09 서버
US17/014,369 US11509722B2 (en) 2019-09-09 2020-09-08 Server

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190111642A KR20210030106A (ko) 2019-09-09 2019-09-09 서버

Publications (1)

Publication Number Publication Date
KR20210030106A true KR20210030106A (ko) 2021-03-17

Family

ID=74851357

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190111642A KR20210030106A (ko) 2019-09-09 2019-09-09 서버

Country Status (2)

Country Link
US (1) US11509722B2 (ko)
KR (1) KR20210030106A (ko)

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5521813A (en) * 1993-01-15 1996-05-28 Strategic Weather Services System and method for the advanced prediction of weather impact on managerial planning applications
US7159763B2 (en) * 2000-09-12 2007-01-09 Canon Kabushiki Kaisha Card reading device for service access
US8051057B2 (en) * 2007-12-06 2011-11-01 Suhayya Abu-Hakima Processing of network content and services for mobile or fixed devices
US20100042476A1 (en) * 2008-08-14 2010-02-18 Gauri Dinesh K Method and system for target marketing and category based search
US8798255B2 (en) * 2009-03-31 2014-08-05 Nice Systems Ltd Methods and apparatus for deep interaction analysis
CN106101115B (zh) * 2009-07-30 2019-09-20 Sk普兰尼特有限公司 用于提供增强现实的方法、服务器和便携终端
US8620727B2 (en) * 2010-08-18 2013-12-31 Terence V. Pageler Business performance segmentation model
WO2012143834A1 (en) * 2011-04-21 2012-10-26 Koninklijke Philips Electronics N.V. Emotion guidance device and method
US20150149461A1 (en) * 2013-11-24 2015-05-28 Interstack, Inc System and method for analyzing unstructured data on applications, devices or networks
WO2015107681A1 (ja) * 2014-01-17 2015-07-23 任天堂株式会社 情報処理システム、情報処理サーバ、情報処理プログラム、および情報提供方法
US10114960B1 (en) * 2014-03-20 2018-10-30 Amazon Technologies, Inc. Identifying sensitive data writes to data stores
WO2016118979A2 (en) * 2015-01-23 2016-07-28 C3, Inc. Systems, methods, and devices for an enterprise internet-of-things application development platform
ES2624498T3 (es) * 2015-04-18 2017-07-14 Urban Software Institute GmbH Sistema y método para enrutamiento de mensaje
US10042548B2 (en) * 2015-06-02 2018-08-07 Facebook, Inc. Methods and systems for providing user feedback using an emotion scale
US10142908B2 (en) * 2015-06-02 2018-11-27 Liveperson, Inc. Dynamic communication routing based on consistency weighting and routing rules
JP6520512B2 (ja) * 2015-07-15 2019-05-29 富士通株式会社 情報処理装置、優先度算出プログラムおよびデータセンタシステム
US20190087852A1 (en) * 2015-08-24 2019-03-21 Google Inc. Re-messaging with alternative content items in an online remarketing campaign
US9781392B2 (en) * 2015-09-16 2017-10-03 Intel Corporation Facilitating personal assistance for curation of multimedia and generation of stories at computing devices
US20180032126A1 (en) * 2016-08-01 2018-02-01 Yadong Liu Method and system for measuring emotional state
US20190034820A1 (en) * 2017-07-25 2019-01-31 Nathan Manning Method, system and program product for forecasted incident risk
US20190095815A1 (en) * 2017-09-27 2019-03-28 Allstate Insurance Company Data Processing System with Machine Learning Engine to Provide Output Generating Functions
US20190254796A1 (en) * 2018-02-19 2019-08-22 Braun Gmbh Apparatus and method for performing a localization of a movable treatment device
US11954461B2 (en) * 2018-02-26 2024-04-09 Ukg Inc. Autonomously delivering software features
US10593350B2 (en) * 2018-04-21 2020-03-17 International Business Machines Corporation Quantifying customer care utilizing emotional assessments
CN108874967B (zh) * 2018-06-07 2023-06-23 腾讯科技（深圳）有限公司 对话状态确定方法及装置、对话系统、终端、存储介质
CN109067857A (zh) * 2018-07-20 2018-12-21 重庆得润汽车电子研究院有限公司 一种车联网大数据分析智能优化算法
US20180345129A1 (en) * 2018-07-27 2018-12-06 Yogesh Rathod Display virtual objects within predefined geofence or receiving of unique code from closest beacon
US10997251B2 (en) * 2018-10-15 2021-05-04 Bao Tran Smart device
JP2022508822A (ja) * 2018-10-16 2022-01-19 シモウディス，エバンゲロス 個人化された地上輸送のためのシステムおよび方法
JP7329753B2 (ja) * 2019-04-03 2023-08-21 パナソニックＩｐマネジメント株式会社 情報処理装置、情報処理方法、および、学習装置
EP3751466A1 (de) * 2019-06-13 2020-12-16 Siemens Aktiengesellschaft Verfahren zur vorhersage eines schadstoffwertes in der luft
KR20190106850A (ko) * 2019-08-27 2019-09-18 엘지전자 주식회사 Xr 컨텐츠 제공 방법 및 xr 컨텐츠 제공 디바이스

Also Published As

Publication number Publication date
US11509722B2 (en) 2022-11-22
US20210075859A1 (en) 2021-03-11

Similar Documents

Publication Publication Date Title
CN110598213A (zh) 一种关键词提取方法、装置、设备及存储介质
CN110232630A (zh) 恶意账户识别方法、装置及存储介质
CN110351572A (zh) 直播间信息的更新方法、装置、设备及存储介质
CN111405030B (zh) 一种消息推送方法、装置、电子设备和存储介质
US20110121988A1 (en) Method and system for recognizing statuses of electric appliances
CN113537268A (zh) 一种故障检测方法、装置、计算机设备及存储介质
JP2021034003A (ja) 人物識別方法、装置、電子デバイス、記憶媒体、及びプログラム
US11777787B2 (en) Video-based maintenance method, maintenance terminal, server, system and storage medium
US20150355247A1 (en) Apparatus, server, system and method for energy measuring
CN109783553A (zh) 一种配电网海量数据质量提升系统
CN110825863B (zh) 一种文本对融合方法及装置
CN116112341A (zh) 网络设备的检测方法、装置、电子设备及存储介质
CN115118777A (zh) 基于业务类型的报文转换方法、装置、设备及存储介质
CN110704390A (zh) 获取服务器维护脚本的方法、装置、电子设备及介质
KR20210030106A (ko) 서버
CN113015010A (zh) 推送参数确定方法、装置、设备及计算机可读存储介质
CN111488519A (zh) 用户性别识别的方法、装置、电子设备及存储介质
CN116225848A (zh) 日志监测方法、装置、设备和介质
CN105516793A (zh) 延迟监测方法及装置
CN110061893A (zh) 一种故障信息采集方法、服务器及存储介质
CN113344576A (zh) 一种业务欺诈监测方法及系统
CN113362069A (zh) 风控模型的动态调整方法、装置、设备及可读存储介质
CN110275809B (zh) 一种数据波动识别方法、装置及存储介质
CN111723872A (zh) 行人属性识别方法及装置、存储介质、电子装置
CN116582417B (zh) 数据处理方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
A201 Request for examination