KR20220030003A

KR20220030003A - 상품의 비주얼 스키마를 이용한 수요 예측 방법 및 그 시스템

Info

Publication number: KR20220030003A
Application number: KR1020200111669A
Authority: KR
Inventors: 이현정
Original assignee: 이현정
Priority date: 2020-09-02
Filing date: 2020-09-02
Publication date: 2022-03-10
Also published as: CN114202352A; KR20220092471A; US20220067763A1; KR102412461B9; US11922443B2; KR102412461B1; KR20230127183A; US20240054512A1

Abstract

일 실시예들은 상품의 비주얼 스키마를 이용한 수요 예측 방법 및 그 시스템에 관한 것이다.

Description

상품의 비주얼 스키마를 이용한 수요 예측 방법 및 그 시스템 {METHOD FOR PREDICTING DEMAND USING VISUAL SCHEMA OF PRODUCT AND SYSTEM THEREOF}

아래 실시예들은 상품의 비주얼 스키마를 이용한 수요 예측 방법 및 그 시스템에 관한 것이다.

현재 빅데이터 시장은 크롤링을 통한 데이터 수집의 성숙기에 이르러, 이제는 데이터의 분석을 통한 상품 수요 및 선호에 대한 예측 분석이 필요한 시기가 되었다.

그러나 선호 및 수요 등 정성적 데이터를 정량적으로 계측하기 위해서는 컨텐츠 분석을 통한 맥락의 이해가 선결 조건이다.

특히 텍스트가 아닌 비주얼 정보로 구성되어 있는 상품의 이미지 정보는 단순히 속성의 인식이나 카운팅만으로는 컨텐츠 분석을 할 수 없고, 속성간의 관계를 수치로 계량화했을 때에만 예측과 최적화가 가능한 분석 모델을 만들 수가 있다.

결국 상품의 속성 관계 분석을 통한 소비자의 수요 및 선호에 대한 예측을 할 수 있을 때 경영 활동에 유용한 툴이라고 할 수 있으며, 관련 툴에 대한 시장의 니즈가 발생하고 있다.

이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로써, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.

아래 실시예들은 전술한 문제점을 해결하기 위하여 안출된 것으로서, 일 실시예는 상품의 속성들을 수치화한 비주얼 스키마(Visual Schema)를 생성한 후 상품의 속성 관계를 연속적인 방식으로 표현하여, 비주얼 네러티브 형태를 만드는 비주얼 스키마 속성의 계랑화 방법론을 제시하고자 한다.

그리고, 일 실시예는 비주얼 스키마의 속성 계량화를 통해 상품 이미지의 컨텐츠(Content) 분석이 이루어지고, 이러한 상품 이미지의 컨텐츠 분석이 향후 소비자의 취향 및 선호, 수요를 분석할 수 있는 토대로 활용할 수 있도록 한다.

또한, 일 실시예는 이러한 소비자의 취향 및 수요 분석을 통해 기업의 상품 기획 및 머천다이징 활동에 대한 디지털화된 예측 분석 모델링 시스템(Advanced CRM/ERP)을 확립하는 것을 목적으로 한다.

일 실시예가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

일 실시예는 수요 예측 장치에서 수행되는 상품의 비주얼 스키마(Visual Schema)를 이용한 수요 예측 방법으로, 상품의 속성을 수치화한 데이터인 상기 비주얼 스키마를 생성하는 동작; 상기 비주얼 스키마를 분석하여, 상기 상품의 속성들의 연관 데이터인 비주얼 스키마 분석 데이터를 생성하는 동작; 상기 비주얼 스키마 분석 데이터를 이용하여, 상기 상품의 속성 별 수요 예측 분석 결과 데이터인 예측 데이터를 생성하는 동작; 및 상기 예측 데이터를 상품간 또는 고객간의 상관 관계로 표현한 비주얼 네러티브 데이터를 생성하여, 수요 예측을 서술하는 동작을 포함하는 수요 예측 방법을 제공한다.

상기 비주얼 스키마 생성 동작은 이미지 분석 모델을 이용하여, 상기 상품의 속성을 인식하여, 상기 비주얼 스키마를 생성한다.

상기 비주얼 스키마 분석 데이터는 상기 상품의 속성과, 다른 속성, 수요자, 트랜드, 가격 중 적어도 하나와의 관계를 나타내는 데이터이고, 상기 비주얼 스키마 분석 데이터 생성 동작은 컨텐츠 분석 동작, 클러스터링 동작 및 뉴럴 네트워크 구성 동작을 포함한다.

상기 예측 데이터 생성 동작은 크레딧 스코어링 모델을 이용하여 상기 상품의 속성간의 관계를 비주얼 네러티브(Visual Narrative)로 표현하고, 상기 비주얼 네러티브가 라이프 스타일 맵의 일 영역 및 타겟 오디언스의 선호와 수요를 충족시키는 확률을 계산하여, 순위별로 랭크한다.

상기 수요 예측 서술 동작은 상기 비주얼 스키마를 시간의 흐름에 대한 파동 데이터로 치환하여, 상기비주얼 네러티브 데이터를 생성하는 동작; 및 이미지 분석 모델 내 상기 비주얼 스키마의 Sequence Node를 이용하여, 시선의 이동 처리를 데이터로 변환하는 동작을 포함한다.

상기 수요 예측 서술 동작은 상기 비주얼 스키마 Seqence Node의 제어 계측을 이용하여, 소비자의 수요와 선호를 충족시키는 상품 모형을 모델링하는 동작을 포함한다.

일 실시예는 상품의 속성을 수치화한 데이터인 비주얼 스키마를 생성하도록 구성된 비주얼 스키마 생성부; 상기 비주얼 스키마를 분석하여, 상기 상품의 속성들의 연관 데이터인 비주얼 스키마 분석 데이터를 생성하도록 구성된 비주얼 스키마 분석부; 상기 비주얼 스키마 분석 데이터를 이용하여, 상기 상품의 속성 별 수요 예측 분석 결과 데이터인 예측 데이터를 생성하도록 구성된 예측부; 및 상기 예측 데이터를 상품간 또는 고객간의 상관 관계로 표현한 비주얼 네러티브 데이터를 생성하여, 수요 예측을 서술하도록 구성된 서술부를 포함하는 수요 예측 장치를 제공한다.

이상에서 설명한 바와 같은 일 실시예들에 따르면, 상품의 속성 관계 분석을 통한 소비자의 수요 및 선호에 대한 예측 및 상품 최적화 모델링을 빠르고 효율적으로 수행할 수 있다.

일 실시예의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 상품의 비주얼 스키마를 이용한 수요 예측 시스템을 도시한 도면이다.
도 2는 일 실시예에 따른 수요 예측 장치의 구성을 도시한 도면이다.
도 3은 일 실시예에 따른 비주얼 스키마 분석부의 구성을 도시한 도면이다.
도 4는 일 실시예에 따른 서술부의 구성을 도시한 도면이다.
도 5는 일 실시예에 따른 수요자 단말의 구성을 도시한 도면이다.
도 6은 일 실시예에 따른 상품의 비주얼 스키마를 이용한 수요 예측 방법의 흐름도를 도시한 도면이다.
도 7는 일 실시예에 따른 의류 상품의 비주얼 스키마를 도시한 도면이다.
도 8a는 일 실시예에 따른 의류 상품의 비주얼 스키마 분석 데이터 중 컨텐츠 분석을 설명하기 위한 도면이다.
도 8b는 일 실시예에 따른 의류 상품의 비주얼 스키마 분석 데이터 중 클러스터링 분석을 설명하기 위한 도면이다.
도 8c는 일 실시예에 따른 의류 상품의 비주얼 스키마 분석 데이터 중 뉴럴 네트워크 모델을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 의류 상품의 수요 예측 데이터를 도시한 도면이다.
도 10은 일 실시예에 따른 비주얼 네러티브를 도시한 도면이다.
도 11은 일 실시예에 따른 시선 이동 처리를 도시한 도면이다.
도 12는 일 실시예에 따른 비주얼 네러티브 데이터 서술모델 즉, 소비자 수요와 선호에 따른 상품 구성 항목의 제어계측을 통한 상품최적화 모형 모델링을 도시한 도면이다.
도 13은 일 실시예에 따른 Advanced CRM/ERP Business Intelligence System을 도시한 도면이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 동작, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 동작, 동작, 구성 요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 일 실시예에 따른 상품의 비주얼 스키마를 이용한 수요 예측 시스템(10)을 도시한 도면이다.

도 1을 참조하면, 일 실시예에 따른 상품의 비주얼 스키마를 이용한 수요 예측 시스템(10)은 수요 예측 장치(100), 수요자 단말(300) 및 경영자 단말(500)을 포함한다.

수요 예측 장치(100)는 예를 들어, 컴퓨터, UMPC(Ultra Mobile PC), 워크스테이션, 넷북(net-book), PDA(Personal Digital Assistants), 포터블(portable) 컴퓨터, 웹 타블렛(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 스마트폰(smart phone), PMP(portable multimedia player) 같은 전자 장치 중 하나로서, 수요 예측 장치(100)와 관련된 어플리케이션의 설치 및 실행이 가능한 모든 전자 장치를 포함할 수 있다. 전자 장치는 어플리케이션의 제어 하에 예를 들어, 서비스 화면의 구성, 데이터 입력, 데이터 송수신, 데이터 저장 등과 같은 서비스 전반의 동작을 수행할 수 있다.

수요 예측 장치(100)는 상품의 비주얼 스키마(Visual Schema, 20)를 생성한다. 일 실시예의 비주얼 스키마(20)는 상품의 속성들을 수치화한 데이터이다.

일례로, 상품이 의류인 경우, 수요 예측 장치(100)는 의류 상품의 속성인 색상, 패턴, 목 형태, 팔 길이, 두께 등을 수치하여, 비주얼 스키마(20)를 생성할 수 있다.

수요 예측 장치(100)는 이미지 분석 모델을 이용하여, 상품의 속성을 인식하여, 상품의 비주얼 스키마(20)를 생성할 수 있다. 일 실시예의 이미지 분석 모델은 다양한 방식의 이미지 인식 및 분석 모델로 구성될 수 있다.

수요 예측 장치(100)는 비주얼 스키마(20)를 분석하여, 비주얼 스키마 분석 데이터(30)를 생성한다.

일 실시예의 비주얼 스키마 분석 데이터(30)는 상품의 속성들이 어떻게 연관되어 특정 패턴을 가지는지 분석한 데이터로, 상품의 속성이 다른 속성, 수요자, 트랜드, 가격 등과의 관계를 나타내는 데이터이다.

수요 예측 장치(100)는 다양한 방법을 이용하여, 비주얼 스키마(20)를 분석할 수 있는데, 일 실시예의 수요 예측 장치(100)는 컨텐츠 분석, 클러스터링, 뉴럴 네트워크 구성을 통해, 비주얼 스키마(20)를 분석할 수 있다.

수요 예측 장치(100)는 비주얼 스키마 분석 데이터(30)를 이용하여 수요 예측 분석을 수행하고, 분석 결과인 예측 데이터(40)를 생성한다.

일 실시예의 예측 데이터(40)는 상품의 비주얼 스키마 별로 고객의 수요를 예측한 데이터이다.

수요 예측 장치(100)는 다양한 분석 방법을 이용하여, 수요 예측 분석을 수행할 수 있다. 일 실시예 수요 예측 장치(100)는 크레딧 스코어링 모델을 이용하여 상품 속성간의 관계를 비주얼 네러티브로 표현하고, 해당 비주얼 네러티브가 각 라이프 스타일 맵의 각 영역 및 타겟 오디언스의 선호와 수요를 얼마나 충족시킬지에 대한 확률을 계산하여 순위별로 랭크하여, 해당 상품의 수요를 예측할 수 있다.

수요 예측 장치(100)는 예측 데이터(40)를 이용하여, 비주얼 네러티브 데이터(50)를 생성한다. 일 실시예의 비주얼 네러티브 데이터(50)는 예측 데이터(40)를 상품간 또는 고객간의 상관 관계로 표현한 데이터이다. 이러한 비주얼 네러티브 데이터(50)를 통해 소비자의 수요와 선호에 맞춘 상품 최적화 모형을 모델링할 수 있다.

수요 예측 장치(100)는 다양한 방법을 이용하여, 비주얼 네러티브 데이터(50)를 생성할 수 있는데, 일 실시예의 수요 예측 장치(100)는 비쥬얼 네러티브 생성, 시선 이동 처리를 통해, 비주얼 네러티브 데이터(40)를 생성할 수 있다.

수요 예측 장치(100)의 구체적인 구성 및 기능에 대해서는 이하 도 2에서 자세히 설명하도록 한다.

수요자 단말(300)는 상품의 구매 데이터를 수요 예측 장치(100)에 전송한다. 상품의 구매 데이터는 수요 예측 장치(100)에서 해당 상품의 수요를 예측하는데 사용된다.

경영자 단말(500)는 수요 예측 장치(100)로부터 예측 데이터(40) 및 비주얼 네러티브 데이터(50) 등을 전송받아, 해당 데이터를 사용자인 경영자에게 출력한다. 경영자는 해당 데이터를 이용하여, 소비자의 취향 및 수요를 확인하여 기업의 상품 기획 및 머천다이징 활동에 참고할 수 있다.

도 2는 일 실시예에 따른 수요 예측 장치(100)의 구성을 도시한 도면이다.

도 2를 참조하면, 일 실시예에 따른 수요 예측 장치(100)는 제어부(110), 비주얼 스키마 생성부(120), 비주얼 스키마 분석부(130), 서술부(150), 예측부(140), 사용자 인터페이스부(160), 데이터베이스부(170), 디스플레이부(180) 및 통신부(190)를 포함한다.

수요 예측 장치(100) 내에 포함된 다양한 개체들(entities) 간의 통신은 유/무선 네트워크(미도시)를 통해 수행될 수 있다. 유/무선 네트워크는 표준 통신 기술 및/또는 프로토콜들이 사용될 수 있다.

수요 예측 장치(100)의 하드웨어 구성은 다양하게 구현될 수 있다. 비주얼 스키마 생성부(120)와 비주얼 스키마 분석부(130)를 통합하거나, 서술부(150)와 예측부(140)를 통합하여 하드웨어를 구성할 수 있다. 이와 같이, 수요 예측 장치(100)의 하드웨어 구성은 본 명세서의 기재에 한정되지 아니하며, 다양한 방법과 조합으로 구현될 수 있다.

제어부(110)는 수요 예측 장치(100)의 다양한 기능을 수행하도록 비주얼 스키마 생성부(120), 비주얼 스키마 분석부(130), 서술부(150), 예측부(140), 사용자 인터페이스부(160), 데이터베이스부(170), 디스플레이부(180) 및 통신부(190)를 제어한다.

그리고, 제어부(110)는 프로세서(Processor), 컨트롤러(controller), 마이크로 컨트롤러(microcontroller), 마이크로 프로세서(microprocessor), 마이크로 컴퓨터(microcomputer) 등으로도 호칭될 수 있으며, 제어부는 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어 또는 이들의 결합에 의해 구현될 수 있다.

비주얼 스키마 생성부(120)는 상품의 비주얼 스키마(Visual Schema, 20)를 생성한다. 일 실시예의 비주얼 스키마(20)는 상품의 속성들을 수치화한 데이터이다.

일례로, 상품이 의류인 경우, 비주얼 스키마 생성부(120)는 의류 상품의 속성인 색상, 패턴, 목 형태, 팔 길이, 두께 등을 수치하여, 비주얼 스키마(20)를 생성할 수 있다.

비주얼 스키마 생성부(120)는 이미지 분석 모델을 이용하여, 상품의 속성을 인식하여, 상품의 비주얼 스키마(20)를 생성할 수 있다. 일 실시예의 이미지 분석 모델은 다양한 방식의 이미지 인식 및 분석 모델로 구성될 수 있다.

비주얼 스키마 분석부(130)는 비주얼 스키마(20)를 분석하여, 비주얼 스키마 분석 데이터(30)를 생성한다.

도 3은 일 실시예에 따른 비주얼 스키마 분석부(130)의 구성을 도시한 도면이다. 도 3을 참조하면, 일 실시예에 따른 비주얼 스키마 분석부(130)는 컨텐츠 분석부(131), 클러스터링부(132) 및 뉴럴 네트워크 모델(133)를 포함한다.

컨텐츠 분석부(131)는 상품에 내재된 content-based 분석을 통해 고객이 상품에 가지게 되는 attitude를 내재적으로 파악하는 implicit measurement via content-based analysis를 수행한다. 컨텐츠 분석부(131)는 컨텐츠 분석을 통한 내재적인 고객의 상품 및 트렌드 선호를 파악하는 것이다.

클러스터링부(132)는 상품에 대한 컨텐츠 분석을 마친 후, 해당 컨텐츠별로 상품을 클러스터링하고, 해당 클러스터링된 컨텐츠와 상품에 대한 고객의 밸류와 오피니언을 매칭하여 소비자의 싸이코그래픽적(Psychographic) 기술 묘사를 하여 클러스터링을 한다.

뉴럴 네트워크 모델(133)은 상품의 속성과 해당 속성에 대한 선호를 뉴럴 네트워크의 형태를 통해 구성한다. 뉴럴 네트워크 모델(133)은 상품의 속성과 선호간의 복합성(complexity)를 유추하고 서술하는 뉴럴 네트워크의 형태를 생성한다. 이를 통해 향후 서술부의 비주얼 네러티브로 표현된 상품 최적화 모형에서의 비주얼 스키마간 관계 패턴(컨텐츠)를 뉴럴 네트워크의 노드간 결합(커넥텀)으로 치환하여 기계 강화학습을 시킴으로써, 비주얼 스키마간 관계 패턴을 통해 소비자의 상품에 대한 특정 선호를 학습할 수 있게 한다.

예측부(140)는 비주얼 스키마 분석 데이터(30)를 이용하여 수요 예측 분석을 수행하고, 분석 결과인 예측 데이터(40)를 생성한다. 일 실시예의 예측 데이터(40)는 상품의 비주얼 스키마 별로 고객의 수요를 예측한 데이터이다.

예측부(140)는 다양한 분석 방법을 이용하여, 수요 예측 분석을 수행할 수 있다. 일 실시예 수요 예측 장치(100)는 크레딧 스코어링 모델을 이용하여 상품 속성간의 관계를 비주얼 네러티브로 표현하고, 해당 비주얼 네러티브가 각 라이프 스타일 맵의 각 영역 및 타겟 오디언스의 선호와 수요를 얼마나 충족시킬지에 대한 확률을 계산하여 순위별로 랭크하여, 해당 상품의 수요를 예측할 수 있다.

서술부(150)는 예측 데이터(40)를 이용하여, 비주얼 네러티브 데이터(50)를 생성한다. 일 실시예의 비주얼 네러티브 데이터(50)는 예측 데이터(40)를 상품간 또는 고객간의 상관 관계로 표현한 데이터이다. 즉, 상품의 비주얼 스키마 간 관계 패턴에 대한 고객의 선호/수요를 표현한 비주얼 네러티브 데이터(50)는 상품 속성(스키마)의 제어계측을 통해 고객의 선호/수요에 맞춘 상품 최적화 모형을 시뮬레이션하고 모델링할 수 있는 데이터이다.

서술부(150)는 다양한 방법을 이용하여, 비주얼 네러티브 데이터(50)를 생성할 수 있는데, 일 실시예의 수요 예측 장치(100)는 비쥬얼 네러티브 생성, 시선 이동 처리를 통해, 비주얼 네러티브 데이터(40)를 생성할 수 있다.

도 4는 일 실시예에 따른 서술부(150)의 구성을 도시한 도면이다. 도 4를 참조하면, 일 실시예에 따른 서술부(150)는 비주얼 네러티브 생성부(151) 및 시선 이동 처리부(153)를 포함한다.

비주얼 네러티브 생성부(151)는 비주얼 스키마로 이루어진 이미지 데이터를 시간의 흐름에 대한 파동 데이터로 치환하여, 비주얼 네러티브를 생성한다.

시선 이동 처리부(153)는 이미지 분석 모델에서 이미지의 비주얼 스키마(20)의 Sequence Node를 이용하여 시선의 이동 처리를 데이터로 변환한다.

시선 이동 처리부(153)는 상품의 feature(소비자의 해당 상품에 대한 선호를 내재적으로 파악하고 측정하는 툴)를 연속적인 표현 방식(주파수 등)을 통해 수치화/시각화 한다. 이러한 상품 속성간 numerical value(수치)의 차이를 주파수와 같은 연속적 형태로 나타낸다.

시선 이동 처리부(153)는 특정 라이프 스타일 영역 내에서 인기가 많고 수요가 많은 상품에 대한 상품 구성 항목(비주얼 스키마)간 결합 패턴에 대한 소비자의 시선 처리 동작을 위와 같이 시뮬레이션함으로써, 소비자 선호에 맞춘 아이템 및 아이템 구성 항목(비주얼 스키마)의 최적화된 연결 방식(비주얼 스키마 시퀀스 visual schema sequence)를 파악할 수 있게 된다. 또한, 이렇게 소비자의 시선 처리 동작을 시뮬레이션하면서 각 상품 구성 항목(비주얼 스키마)에 대한 소비자의 인지 코스트를 측정하여 후술할 도 10의 비주얼 스키마 비주얼 네러티브에 대한 서술을 완료한다. 이렇게 파악된 비주얼 스키마 시퀀스를 후술할 도 8c의 뉴럴 네트워크의 노드간 결합 패턴(커넥텀)으로 치환하여 일 실시예의 예측부에서 특정 상품의 소비자 선호 및 니즈를 충족시킬 수 있는 상품 구성 항목(비주얼 스키마)간 관계를 파악하고 향후 선호와 수요를 예측할 수 있게 된다.

사용자 인터페이스부(160)는 사용자에게 데이터를 입력할 수 있는 인터페이스를 제공한다. 사용자는 사용자 인터페이스부(160)를 통해 수요 예측 장치(100)에 다양한 데이터를 입력할 수 있다.

데이터베이스부(170)는 수요 예측 장치(100)가 예측 데이터(40)를 생성하는데 필요한 다양한 데이터를 저장한다. 일례로, 데이터베이스부(170)는 비주얼 스키마(20), 비주얼 스키마 분석 데이터(30), 예측 데이터(40) 및 비주얼 네러티브 데이터(50) 등을 저장할 수 있다.

디스플레이부(180)는 수요 예측 장치(100)에 저장된 다양한 데이터를 디스플레이 장치(Display Device)를 통해 사용자에게 출력한다. 일례로, 디스플레이부(180)는 비주얼 스키마(20), 비주얼 스키마 분석 데이터(30), 예측 데이터(40) 및 비주얼 네러티브 데이터(50) 등을 사용자에게 출력할 수 있다.

통신부(190)는 외부 장치들과와 데이터 통신한다. 통신부(190)는 수요자 단말(300)로부터 상품 구입 데이터, 상품 선호 데이터 등을 수신할 수 있고, 경영자 단말(50) 로 예측 데이터(40) 및 비주얼 네러티브 데이터(50) 등을 전송할 수 있다.

도 5는 일 실시예에 따른 수요자 단말(300)의 구성을 도시한 도면이다.

이하, 도 5에 도시된 수요자 단말(300)를 구성하는 구성요소들에 대해 차례로 살펴본다. 다만, 도 5는 수요자 단말(300)을 도시하고 있으나, 경영자 단말(500)도 수요자 단말(300)과 동일한 구성을 포함할 수 있다.

무선 통신부(310)는 수요자 단말(300)와 무선 통신 시스템 사이의 무선 통신 또는 수요자 단말(300)와 수요자 단말(300)가 위치한 네트워크 사이의 무선 통신을 수행하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 무선 통신부(310)는 방송 수신 모듈(311), 이동통신 모듈(312), 무선 인터넷 모듈(313), 근거리 통신 모듈(314) 및 위치정보 모듈(315) 등을 포함할 수 있다.

방송 수신 모듈(311)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 여기에서, 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 한편, 방송 관련 정보는 이동통신망을 통하여도 제공될 수 있으며, 이러한 경우에는 이동통신 모듈(312)에 의해 수신될 수 있다.

또한, 이동통신 모듈(312)은 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

무선 인터넷 모듈(313)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 수요자 단말(300)에 내장되거나 외장 될 수 있다.

근거리 통신 모듈(314)은 근거리 통신을 위한 모듈을 말한다. 근거리 통신 기술로, 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.

또한, 위치정보 모듈(115)은 수요자 단말(300)의 위치를 확인하거나 얻기 위한 모듈이다. 일례로 GPS(Global Position System) 모듈을 들 수 있다. GPS 모듈은 복수 개의 인공위성으로부터 위치 정보를 수신한다. 여기에서, 위치 정보는 위도 및 경도로 표시되는 좌표 정보를 포함할 수 있다.

한편, A/V(Audio/Video) 입력부(320)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(321)와 마이크(322) 등이 포함될 수 있다. 카메라(321)는 화상 통화 모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 그리고, 처리된 화상 프레임은 디스플레이부(351)에 표시될 수 있다.

카메라(321)에서 처리된 화상 프레임은 메모리(360)에 저장되거나 무선 통신부(310)를 통하여 외부로 전송될 수 있다. 카메라(321)는 수요자 단말(300)의 구성 태양에 따라 2개 이상이 구비될 수도 있다.

마이크(322)는 통화모드 또는 녹음모드, 음성인식 모드 등에서 마이크로폰(Microphone)에 의해 외부의 음향 신호를 입력받아 전기적인 음성 데이터로 처리한다. 그리고, 처리된 음성 데이터는 통화 모드인 경우 이동통신 모듈(312)을 통하여 이동통신 기지국으로 송신 가능한 형태로 변환되어 출력될 수 있다. 마이크(322)는 외부의 음향 신호를 입력받는 과정에서 발생하는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 구현할 수 있다.

사용자 입력부(330)는 사용자로부터 입력 동작을 받아들여, 수요자 단말(300)의 동작 제어를 위한 입력 데이터를 발생시킨다.

센싱부(340)는 수요자 단말(300)의 위치, 사용자 접촉 유무, 수요자 단말(300)의 방위, 수요자 단말(300)의 가속/감속 등과 같이, 수요자 단말(300)의 현 상태를 감지하여 수요자 단말(300)의 동작을 제어하기 위한 센싱 신호를 발생시킨다.

인터페이스부(370)는 수요자 단말(300)에 연결되는 모든 외부기기와의 인터페이스 역할을 한다. 예를 들어, 유/무선 헤드셋 포트, 외부 충전기 포트, 유/무선 데이터 포트, 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트, 오디오 I/O(Input/Output) 포트, 비디오 I/O(Input/Output) 포트, 이어폰 포트 등이 포함될 수 있다.

출력부(350)는 오디오 신호 또는 비디오 신호 또는 알람(alarm) 신호의 출력을 위한 것으로, 이에는 디스플레이부(351)와 음향 출력 모듈(352), 알람부(353) 등이 포함될 수 있다.

디스플레이부(351)는 수요자 단말(300)에서 처리되는 정보를 표시 출력한다. 예를 들어, 단말이 통화 모드인 경우, 통화와 관련된 UI(User Interface) 또는 GUI(Graphic User Interface)를 표시한다. 그리고, 수요자 단말(300)가 화상 통화 모드 또는 촬영 모드인 경우, 촬영 또는/및 수신된 영상 또는 UI, GUI를 표시한다.

한편, 전술한 바와 같이, 디스플레이부(351)와 터치 패드가 상호 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(351)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(351)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 그리고, 수요자 단말(300)의 구현 형태에 따라, 디스플레이부(351)는 2개 이상 존재할 수도 있다. 예를 들어, 수요자 단말(300)에 외부 디스플레이부(미도시)와 내부 디스플레이부(미도시)가 동시에 구비될 수 있다.

음향 출력 모듈(352)은 호 신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서, 무선 통신부(310)로부터 수신되거나 메모리(360)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력 모듈(352)은 수요자 단말(300)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음 등)과 관련된 음향 신호를 출력한다. 이러한 음향 출력 모듈(352)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

알람부(353)는 수요자 단말(300)의 이벤트 발생을 알리기 위한 신호를 출력한다. 단말에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력 등이 있다.

메모리(360)는 제어부(380)의 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 입/출력되는 데이터들(예를 들어, 폰북, 메시지, 정지영상, 동영상 등)의 임시 저장을 위한 기능을 수행할 수도 있다.

메모리(360)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

제어부(380)는 통상적으로 단말의 전반적인 동작을 제어한다. 예를 들어, 음성 통화, 데이터 통신, 화상 통화 등을 위한 관련된 제어 및 처리를 수행한다. 또한, 제어부(380)는 멀티 미디어 재생을 위한 멀티미디어 모듈(181)을 구비할 수도 있다. 멀티미디어 모듈(381)은 제어부(380) 내에 구현될 수도 있고, 제어부(380)와 별도로 구현될 수도 있다.

그리고, 제어부(380)는 디스플레이부(351)를 제어하여, 물리 보안 관제 장치(100)에서 전송된 침입 위험 경고를 보안 관리자인 사용자에게 출력한다.

전원 공급부(390)는 제어부(380)의 제어에 의해 외부의 전원, 내부의 전원을 인가받아 각 구성요소들의 동작에 필요한 전원을 공급한다.

도 6은 일 실시예에 따른 상품의 비주얼 스키마를 이용한 수요 예측 방법의 흐름도를 도시한 도면이다.

도 6을 참조하면, 일 실시예에 따른 상품의 비주얼 스키마를 이용한 수요 예측 방법은 비주얼 스키마 생성 동작(S100), 비주얼 스키마 분석 동작(S110), 수요 예측 동작(S120) 및 예측 서술 동작(S130)을 포함한다.

우선, 비주얼 스키마 생성 동작(S100)으로, 비주얼 스키마 생성부(120)는 이미지 분석 모델을 이용하여, 상품 스키마의 속성을 인식하여, 비주얼 스키마(20)를 생성한다.

도 7는 일 실시예에 따른 의류 상품의 비주얼 스키마를 도시한 도면이다.

그리고, 비주얼 스키마 분석 동작(S110)으로, 비주얼 스키마 분석부(130)는 비주얼 스키마 생성부(120)에서 생성된 비주얼 스키마(20)를 분석하여, 비주얼 스키마 분석 데이터를 생성한다.

전술한 바와 같이, 비주얼 스키마 분석 데이터는 상품의 속성을 다른 속성, 상품 고객, 트랜드, 가격 등과의 관계를 분석한 데이터이다.

도 8a는 일 실시예에 따른 의류 상품의 비주얼 스키마 분석 데이터 중 컨텐츠 분석을 도시한 도면이다.

이하에서는, 비주얼 스키마 분석 동작(S110)을 구체적으로 설명한다.

우선, 컨텐츠 분석부(131)는 컨텐츠를 통한 상품의 패턴을 분석한다. 일 실시예의 컨텐츠를 통한 상품의 패턴 분석 방법은 다양한 방법으로 구현할 수 있으며, 아래에서 설명한 방법에 한정되진 아니한다.

일 실시예는 상품에 내재된 content-based 분석을 통해 고객이 상품에 가지게 되는 attitude를 내재적으로 파악하는 implicit measurement via content-based analysis를 통해 상품에 대한 수요와 선호를 예측하는 예측모델링을 통해 근본적으로 Advanced CRM툴을 구축하는 것을 목표로 한다.

컨텐츠 분석을 통한 내재적인 고객의 상품 및 트렌드 선호를 파악하여 향후 고객의 상품 속성 선호 및 트렌드의 동향을 예측하고 트렌드 및 개별상품에 대한 수요 예측 툴 및 머천다이징 최적화 툴을 계발할 수 있게 한다.

컨텐츠 분석의 행동과 철학들은 각 학문 영역에 따라 달라진다. 그것들은 내용의 중요하고 흥미로운 부분의 존재를 나타내기 위한 레이블(코드라고도 명칭)이 부여되는 텍스트 및 인공물을 체계적으로 읽거나 관찰한다.

컨텐츠 분석은 문서 및 다양한 형식의 텍스트, 그림, 오디오 및 비디오 등과 같은 커뮤니케이션 인공물을 연구하는 연구 방법론이다. 사회 과학자들은 재현 가능하고 체계적인 방법으로 커뮤니케이션하기 위한 패턴을 찾기 위해 컨텐츠 분석을 사용한다. 사회 현상을 분석하기 위해 컨텐츠 분석을 하는 중요한 이점은 이 분석 방법론의 비침습성인데, 이와 대조적으로 사회적 실험을 시뮬레이션하거나 서베이 항목에 대답을 하는 것은 침습적인 방법론이다.

내용 분석의 행동과 철학들은 각 학문 영역에 따라 달라진다. 그것들은 내용의 중요하고 흥미로운 부분의 존재를 나타내기 위한 레이블(코드라고도 명칭)이 부여되는 텍스트 및 인공물을 체계적으로 읽거나 관찰한다.

일련의 텍스트들의 컨텐츠를 체계적으로 분석함에 있어, 통계적 방법을 사용하여 콘텐츠의 패턴들을 정량적으로 분석할 수도 있고, 텍스트 내 컨텐츠의 의미들을 분석하는 정성적인 방법론을 사용할 수 있다.

즉, 컨텐츠 분석에는 정성적 방법론과 정량적 방법론 두가지가 있는데, 이 두가지는 장단점이 다 존재한다.

정량적 컨텐츠 분석은 대중 문화 및 개인화된 커뮤니케이션 연구의 결과들을 기술적인 진일보를 통해 적용시킨 덕분에 근래 많은 인기를 끌고 있다. 특히 SNS 및 모바일 디바이스를 통해 생산되는 많은 텍스트적인 빅데이터의 컨텐츠 분석이 인기를 끌고 있다. 하지만 이러한 방법론은 “의미”가 언어(텍스트)바깥에서 생성되는 과정인 “기호현상”의 복합성을 간과하는 언어에 대한 단순한 접근방식을 택한다.

따라서 정량적 컨텐츠 분석은 개별 단어의 단순한 카운팅으로만 컨텐츠 분석의 범위를 제한하고 사회과학과의 적절성을 고려하지 않은 채 자연과학의 측정 방법론을 적용시키는 데 대한 비판이 가해져 왔다.

이에 반해 정성적 컨텐츠 분석은 체계화가 부족하고 사실이나 이성의 근거 체계 없이 단지 인상에 근거한 분석을 하는 점에 대한 비판이 있어왔다.

이러한 정량적 컨텐츠 분석과 정성적 컨텐츠 분석의 장점을 살리고 단점을 보완하기 위해서 “의미와 맥락”이라는 정성적인 데이터를 속성간 관계로 수치화하여 정량적 데이터로 바꿀 수 있어야 한다. 즉 단순한 단어를 코드화하여 해당 코드를 카운팅하는 등의 단순한 정량적 컨텐츠 분석을 넘어, 의미와 맥락 자체를 코드화하여 해당 정성적 코드를 분석하여 전반적인 트렌드 및 선호의 방향성을 예측할 수 있게 해야 한다.

일 실시예에서는 데이터를 구성하는 속성간 관계(데이터의 feature이자 컨텐츠)로 삼아 이를 컨텐츠 분석을 위한 코드 및 레이블로 치환하여, 해당 컨텐츠 분석을 통한 트렌드 수요예측 및 선호 예측한다.

정성적 데이터(의미와 맥락)을 코드화하기 위해서는 상품의 속성과 해당 속성에 대한 선호를 뉴럴 네트워크의 형태를 통해 구성해야 한다. 이러한 뉴럴 네트워크의 형태를 통해 상품의 속성과 선호간의 복합성(complexity)를 유추하고 서술할 수 있다.

즉 상품의 속성과 그러한 속성에 대한 소비자의 선호를 커뮤니케이션이라는 틀에서 이해하고 해당 커뮤니케이션의 내재적인 의미와 맥락을 컨텐츠 분석을 통해 유추할 수 있어야 한다.

Holsti 그룹은 컨텐츠 분석을 3가지 카테고리로 구분했는데, 이러한 컨텐츠 분석의 3가지 카테고리를 통해 뉴럴 네트워크를 통한 정성적 데이터의 코드화(정량화)와 관련한 수요 예측 및 머천다이징(상품) 최적화가 가능한 매뉴얼(알고리즘)이 추출될 수 있고 해당 알고리즘을 디지털로 시스템화고 자동화하여 AI Analytical CRM-ERP System을 계발할 수 있게 된다.

첫번째는 커뮤니케이션이 진행되기 위한 선행조건에 대한 유추를 하는 것으로, 뉴럴 네트워크내에서 커넥텀이라는 패턴이 창발하기 위해 속성간의 결합 종류와 결합도등을 시뮬레이션한다.

두번째는 커뮤니케이션의 특징에 대해 유추하고 서술한다. 특정 속성 결합을 통해 소비자의 반응 예를 들어 특정한 속성 결합이 특정한 선호 요건 및 로열티 구성 조건으로 연결되는 패쓰와 알고리즘(순서도)를 유추하고 서술한다.

세번째 커뮤니케이션의 효과에 대한 유추를 한다. 특정 소비자 선호 및 상품에 대한 로열티를 구성하게 하는 체크리스트에 부합하는 속성 결합의 경우의 수가 머천다이징 최적화에 얼마만큼의 효과를 줄 지를 랭킹화한다. 즉, 뉴럴 네트워크의 특성을 감안하면, 특정 속성 결합이 특정 라이프 스타일 맵 영역내의 소비자의 니즈를 충족할수록 해당 결합(커넥텀)이 강화된다. 특정 속성 결합에 대한 니즈 충족이 매출 및 트렌드 인덱스 계측을 통해 증명되면, 해당 특정 속성 결합의 스코어가 높아진다.

이러한 스코어의 합산을 통해 특정 속성 결합별 특정 라이프 스타일 맵 영역내 머천더이징 최적화 랭킹이 추산된다.

해당 머천다이징 최적화는 각 타겟 오디언스의 라이프 스타일 맵 영역 내 창발되는 상품에 대한 수요예측과 해당 상품을 최적화하고 소비자의 로열티를 구성할 수 있는 상징적인 속성의 의미와 맥락 및 속성 최적화 패턴을 라이프 스타일맵 영역 내의 컨텐츠 분석을 통해 분석하며, 해당 수요창발 상품에 상징 속성을 최적화 결합하면서 이루어질 수 있다.

그리고, 클러스터링부(132)는 상품에 대한 컨텐츠 분석을 마친 후, 해당 컨텐츠별로 상품을 클러스터링하고, 해당 클러스터링된 컨텐츠와 상품에 대한 고객의 밸류와 오피니언을 매칭하여 소비자의 싸이코그래픽적 기술묘사를 하여 클러스터링을 한다.

이러한 비주얼 네러티브를 통한 상품정보와 선호정보의 매칭을 통해 상품 특히 패션 상품에 대한 content-based recommendation 알고리즘을 계발할 수 있다.

싸이코그래픽은 심리적인 성질에 관한 인간의 특질을 묘사하는 데 사용되는 정성적인 방법론이다. 싸이코그래픽은 성격, 가치관, 의견, 태도, 흥미 및 라이프스타일 연구에 많이 활용된다.

싸이코그래픽적 성질은 연령 및 젠더와 같은 데모그래픽적 변수와 대조되는데, 마케팅적으로 연령 등의 데모그래픽 변수보다 가치관이나 라이프스타일과 같은 심리적 변수가 상품 최적화 및 수요/선호 예측에 더 큰 효과를 보면서 큰 인기를 끌고 있다.

사람 혹은 그룹의 싸이크그래픽적인 구성요소(심리적 성질)에 대해 보편적으로 통합적인 프로파일이 구성될 때, 이를 “싸이코그래픽 프로파일”이라고 부른다. 싸이코그래픽 프로파일은 광고를 비롯한 시장 세분화(market segmentation)에 사용된다.

일 실시예는 상품속성관계에 대한 컨텐츠(비주얼 네러티브 코드)와 그러한 상품 컨텐츠에 대한 선호 및 구매의사 등인 싸이코그래픽적 구성요소를 매칭하여 소비자의 라이프 스타일 맵이 뉴럴 네트워크적으로 구성된 영역내에서의 상품속성과 소비자 선호에 대한 싸이코그래픽적인 프로파일 및 해당 프로파일에 대한 고객 세그멘트별 서술모델 및 해당 고객 세그멘트에 대한 마케팅 및 영업활동 등에 활용할 기업의 예측 모델을 모델링하는데 목적이 있다.

즉, 특정 속성 결합을 통해 소비자의 반응 예를 들어 특정한 속성 결합이 특정한 선호 요건 및 로열티 구성 조건으로 연결되는 패쓰와 알고리즘(순서도)를 유추하고 서술할 때, 상품에 대한 고객의 밸류 즉 혁신성 및 보수성 등과 같은 가치관과 상품의 속성간 관계를 상품선호에 영향을 미치는 고객의 밸류 및 오피니언, 태도 및 라이프스타일과 매칭하여 상품별 고객군을 사이코그래픽(psychographic)적으로 클러스터링(clustering)하는 데 사용할 수 있다.

이렇게 싸이코그래픽적으로 클러스터링된 고객군별로 매출분석 및 동향 파악을 해서 비주얼 네러티브로 계량화된 상품 트렌드 인덱스를 계발하고, 해당 인덱스 계측 및 점검을 통해 상품 선호 동향 및 수요 예측할 수 있다.

즉, 인구대비 해당 싸이코그래픽 클러스터링된 고객군의 비율 및 각 클러스터별로 유입되는 추세 및 비율 등을 트렌드 인덱스와 연동하여 각 고객군별 취향맞춤 상품 제작 및 해당 상품에 대한 수요예측이 가능하게 된다.

일 실시예는 라이프 스타일 맵-싸이코그래픽 프로파일(비주얼 스키마 수치화) 통한 수요/선호예측 시스템으로, 속성의 노드 구성 및 수치화에 따른 뉴럴 네트워크적인 라이프 스타일 맵을 구성하고, 해당 라이프 스타일 맵을 통해 수요 및 트렌드 예측 시스템을 가동한다.

비주얼 네러티브로 content화된 상품의 정보를 해당 비주얼 네러티브별로 장르화하여 해당 장르를 라이프 스타일 맵의 영역으로 치환한다.

해당 영역에 필요한 상품에 있어 소비자의 니즈와 원츠에 대한 싸이코그래픽적 묘사(라이프 스타일 영역별 상품의 타겟 오디언스 니즈와 원츠에 대한 싸이코그래픽적 묘사)를 한다. 또한 SNS빅데이터 분석과 리얼웨이 유시지 분석(상품에 대한 소비자의 실제 사용 및 활용 방식 분석)을 통해 산출된 트렌드 인덱스를 통해 라이프 스타일 영역별 성장 및 쇠퇴 추이를 살펴, 해당 추이와 전체 시장에서의 비중 감소/증가율을 통해 시장 수요를 측정한다.

또한 해당 트렌드 인덱스를 통해 상품별 VMD 최적화 및 상품 최적화 모형을 모델링한다.

그리고, 뉴럴 네트워크 모델(133)은 비주얼 네러티브로 구성화(비주얼 스키마를 수치화)된 상품의 속성들을 통해 뉴럴 네트워크 구성한다.

일 실시예는 (1) low-level information(하위단계 정보)->high level information(상위단계 정보)으로 네러티브화된 속성들을 로열티 구성요소 등 소비자의 싸이코그래픽적 속성으로 매칭하여 구성 및 인덱스화, (2) 뉴럴 네트워크 구성->랭킹화를 통한 예측 모델링을 통해, 결국 이렇게 속성-선호의 정성적 데이터를 정량화할 수 있음으로써, 뉴럴 네트워크 형태로 취향의 맵을 구성할 수 있게 된다.

뉴럴 네트워크에 사이코그래픽(Psychographic)적으로 속성을 매핑하고 그러한 속성의 싸이코그래픽적 매핑을 통해 소비자의 선호 및 라이프스타일계에서 대두될 새로운 선호 및 니즈를 파악하고 해당 선호 및 니즈에 맞는 상품을 최적화할 수 있다.

일 실시예는 각 상품을 구성하는 요소들을 분해한 다음 해당 요소들을 보수성/혁신성 등의 싸이코그래픽적인 범주로 수치화하여 각 상품을 해당 싸이코그래픽 맵에 매핑한다.

일 실시예는 그 이후 각 브랜드 컨설팅에 사용되었던 매트릭의 범주 예를 들어 스토리 구성 등의 범주에 조절/매개 변수로써 사용되는 속성의 활용성에 따라 해당 속성의 수치화를 할 수 있다.

뉴럴 네트워크로 이루어진 라이프 스타일 맵의 주요 구성요소는 지도 제작 및 네비게이션 시스템과 유사하다.

즉, 라이프 스타일맵내의 위치는 각 상품의 속성들의 노드로 대응시키고, 해당 속성들은 각 메타 범주(장르 등)라는 큰 지역에 속해있다.

예를 들어, 특정한 상품에 달려있는 진주 단추는 페미닌 속성이고 해당 진주 단추의 노드는 페미닌이라는 인지 코스트에 맞는 수치에 위치하게 될 것이고, 이러한 페미닌 속성은 라이프 스타일 맵내에서 “럭셔리 페미닌 어번”이라는 장르에 속해있다고 할 것이다.

또한 더욱 중요한 라이프 스타일맵의 구성요소는 이러한 상품 속성간 거리인데, 이러한 상품 속성간 거리는 특정한 상품 속성간의 거리가 소비자의 인지적인 측면에서 얼마나 가깝고 먼지를 나타내는 측정물이다.

라이프 스타일맵은 뉴럴 네트워크로 구성되어 있고, 뉴럴 네트워크의 기본적인 속성상 노드의 값이나 노드간 결합패턴인 커넥텀이 정해져 있는 것이 아니라, 상품제작사(브랜드)의 실질적인 상품 속성의 결합 프랙티스와 이러한 프랙티스에 대한 소비자의 반응에 따라 상품속성(노드)의 위치 및 수치값, 그리고 상품에 결합된 상품속성간 거리가 늘 변한다는 것이다.

예를 들어, 진주 단추가 2년 전에는 페미닌 속성이었지만 현재는 점점 브랜드에서 진주 단추의 활용과 응용에 있어 이전과는 다른 활용도를 추구하는 경향이 커져 “럭셔리 페미닌 어번”장르인 블라우스에서 보다 오히려 “젠틀 우먼”장르인 셔츠에 더 많이 쓰인다면 그 진주 단추 노드의 위치는 점점 더 페미닌에서 사토리얼(매니쉬) 쪽으로 다가가게 된다.

이렇게 진주 단추의 속성(노드)의 위치가 변화하면서 원래 진주요소가 지닌 페미닌한 요소에 인지적으로 선호하는 타겟 오디온스층이 사토리얼(매니쉬) 층으로 넓혀지고 그럼으로써 진주 단추와 사토리얼 속성간의 소비자 인지적 선호 거리는 점점 더 좁혀 지는 것으로 계측될 수 있다.

그렇기에 이러한 상품 속성의 위치와 거리의 변화를 해당 속성이 응용되고 활용되는 범주의 계측을 통해 민첩하게 측정하여 bottom-up 방식으로 소비자의 취향을 구성/조직화할 수 있다.

그렇게 조직화된 새로운 범주가 미래의 소비자 취향과 니즈를 정확하게 선제적으로 맞춤형으로 맞춰줄 수 있는 시스템이 된다.

따라서, 이러한 뉴럴 네트워크로 구성된 라이프 스타일 맵을 통해 타겟 오디언스의 변화하는 선호와 니즈에 선제적으로 대응할 수 있는 상품 구성요소의 조합의 패턴을 최적화할 수 있고, 이러한 조합 패턴에 따라 상품을 구성하여 시장화하는 전략을 사용할 수 있다.

뉴럴 네트워크의 노드값은 실제 라이프 스타일내에서의 활용도와 응용 사례를 SNS빅데이터 및 실제 거리에서 계측하여 민첩하게 변화할 수 있도록 트렌드 인덱스와 연동하여 관리한다.

즉, 뉴럴 네트워크내에서 소비자의 니즈와 선호가 구성되는 속성간 커넥텀이라는 패턴이 진행되기 위한 선행조건인 속성간의 결합 종류와 결합도를 트렌드 인덱스화한다.

이로써 체계적이고 소비자의 니즈 변화에 민첩하게 대응하는 한편, 선제적으로 리소스(해당 상품속성 재료)를 구입해 상품제작의 비용을 줄일 수 있다. 더욱이 니즈의 만족이라는 접촉이 간헐적이지 않고 연속적인 흐름으로 체계화되어 니즈분석-맞춤형 상품 제작이 지속적으로 replicate될 수 있어 기업의 sustainable한 경영활동이 가능하게 된다.

또한, 네비게이션 시스템과 같이 특정 지역(특정 클러스터된 소비자 및 마켓)으로 가는 길을 알려줄 수 있다.

도로 교통 상황을 실시간으로 계측하여 특정 위치의 출발지에서 도착지로 가는 가장 최적화된 길을 알려주는 것과 같이, 속성간-메타 범주(라이프 스타일 영역)간의 도로 상황 (네트워크 패턴 및 교차적 허브 등)에 따라, 어떤 속성을 어떤 식으로 조합해야 특정 라이프 스타일 영역의 소비자들의 선호를 파악하여 해당 선호를 맞추는 상품을 최적화 구성할 수 있는 지를 알려줄 수 있다.

뉴럴 네트워크 라이프 스타일 매핑은 일정한 심리적 공간을 차지하는 특정한 라이프스타일계(영역)에 존재하는 특정한 핵(지배적인 스타일 및 장르)을 구성하는 상품 구성요소들을 노드로 표현하여, 해당 노드의 인지적 수치값과 위치를 통해 중심부-중간부-주변부를 구성하는 뉴럴 네트워크적 라이프 스타일 맵을 구성한다.

그런 식의 민첩한 관리를 통해 일정한 심리적 공간을 차지하는 라이프 스타일계의 변화 모습과 이에 따른 중간부-주변부에서 중앙부로 올라오거나 올라오거나 중앙부에서 중간부-주변부로 뒤쳐져지는 상품 구성 요소들을 알 수 있을 뿐 아니라, 라이프 스타일 영역별 영향력 및 위치, 크기의 변화 등을 통해 특정한 소비자군의 니즈와 수요, 선호등을 선제적으로 파악할 수 있게 된다.

더 나아가, 해당 심리적 공간의 울타리가 이런 식으로 민첩하게 변화하면서 핵이 새롭게 생성되고 그러한 핵을 둘러싸는 중앙부의 형성을 통해 새로운 상품 장르 등을 예측하고 인큐베이팅할 수도 있다.

따라서, 취향내의 라이프 스타일 계의 시계열적인 트렌드를 시각화하여 해당 라이프 스타일계의 핵-중심부-중간부-주변부를 구성하고 있는 상품 구성요소 및 핵심 상품 카테고리의 이동경로와 해당 이동을 통한 각 라이프 스타일계의 중첩과 해체 등의 울타리의 변경등을 분석하면 그 자체로 트렌드를 예측하고 해당 트렌드를 구성하는 상품 구성요소간의 핵심 조합 패턴 등을 알고리즘으로 체계화 가능하다.

기존의 중심이 해체될 때마다 새로운 중심이 생기고 이러한 중심의 해체와 재형성은 매우 드물게 일어나는 일어어서 그 만큼 더 중요하다.

라이프 스타일계의 중심이 이동하기 전에는 해당 중심의 심각한 수요-공급의 불균형이 발생하면서 새로운 중심으로 이동하기 이전에 이미 예전의 중심은 그 영향력의 위협을 받는 징후가 포착된다.

당연히 이러한 중심의 변화를 미리 정해진 수학적 규칙에 의거해서 예측하지 말아야 하며, 공고하다고 생각하는 특정 장르 및 특정 장르에 쓰이는 작법 및 구성요소의 영향력의 위협의 징후 및 해당 수요-공급의 불균형을 포착하는 등의 계측을 통해 Bottom-up으로 쇠퇴하는 중심과 이동할 중심을 예측하는 것이 훨씬 더 효과적인 방법론이다.

즉, 소비자들의 물질생활 즉, 상품의 사용성의 패턴을 관찰하고 해당 패턴에 속하는 속성들의 실체와 변화 궤적을 수치적으로 계측하는 것이 중요하다.

다시 말해, 소비자의 상품 사용성 패턴의 변화를 계측하여 그러한 변화에 최적화된 상품으로 다시 재성형하는 것이 필요하다.

그러한 목적을 위해 뉴럴 네트워크내 물질의 속성-그에대한 소비자들의 선호반응-선호에 맞추는 상품 구성이라는 피드백 루프가 특정한 뉴럴 네트워크 내 패턴 즉 커넥텀을 알 수 있도록, 뉴럴 네트워크내 물직의 속성을 수치화하는 방법론이 필요한 것이다.

이렇듯, 장기지속하는 뉴럴 네트워크의 패턴(알고리즘)은 이중적 의미를 지닌다고 할 수 있다. 소비자 의사 결정 및 선호 형성의 조건을 결정하는 구조를 뜻하는 첫 번째 의미도 있지만, 구조(트렌드 및 장르 스타일 등) 자체를 만들어내고 또 움직이는 거대한 동력을 뜻하는 두 번째 의미도 있다.

즉, 뉴럴 네트워크내 물질의 속성-그에대한 소비자들의 선호반응-선호에 맞추는 상품 구성이라는 피드백 루프가 특정한 뉴럴 네트워크 내 패턴 즉 커넥텀을 구성하고, 이러한 커넥텀이 소비자의 의사 결정 및 선호 형성의 조건을 결정하는 구조이자, 구조(트렌드 및 장르 스타일 등) 자체를 만들어내고 또 움직이는 거대한 동력이라고 할 수 있다.

따라서, 이러한 피드백 루프를 통한 소비 심리, 즉 뉴럴 네트워크내 물질의 속성-그에대한 소비자들의 선호반응-선호에 맞추는 상품 구성내에서의 소비자 행동(UX) 변화 즉, 속성에 대한 선호반응의 변화를 면밀하게 관찰하고 계측화하면, 트렌드 전체를 변화시키고 밀고가는 변화의 동력을 알 수 있고, 이러한 변화의 동력에 의거하여 선호에 맞추는 상품(UI)를 최적화하여 구성할 수 있게 된다.

소비자 행동 및 의사결정 프레임워크를 결정하는 구조는 어느날 갑자기 생기는 것도 아니고, 선험적인 개념으로 파악할 수 있는 것도 아니다. 오로지 장기지속하는 뉴럴 네트워크로 구성되는 물질의 속성과 그에 대한 네트워크내 소비자들의 반응-그리고 그러한 반응에 재반응하여(즉, 피드백 루프가 경험적으로 구성되어) 다시 소비자들의 선호맞춤을 이끌어내는 제조사의 ‘노력’과 ‘무게’를 통해서 형성되는 것이다.

그렇기 때문에 이러한 피드백 루프를 통해 뉴럴 네트워크의 패턴을 계측하기 위해서는 소비자의 행동 즉 UX를 잘 살펴서 계측해야 하고, 그러한 행동의 동선을 피드백 루프로 표현하기 위해서는 소비자가 속성에 반응하는 것이 중요하고 그렇게 하기 위해서는 상품 속성들을 싸이코그래픽적인 수치로 체계화하는 것이 선결되어야 한다.

이렇듯, 소비자가 물질생활을 하면서 상품의 속성에 선호로 반응하고 또한 이에 재반응하여 최적화된 상품을 공급하고자 하는 정보 뉴럴 네트워크에서 각 라이프스타일계와 권역에서 이루어지는 경제 사회 문화상의 추세적 변동이나 순환의 패턴 모델들을 알 수 있고, 이러한 콩종크튀르를 설명할 수 있는 정보 뉴럴 네트워크내의 패턴 모델을 만들어 두고 이 패턴 모델을 통해, 피드백 루프 알고리즘-패턴 모델들-특정한 라이프스타일계의 패턴이 바뀌는 모멘텀적 사건이라는 도식으로 특정한 심리적 운동이 장기지속하는 동안 구조의 형태는 그대로 유지한 채 그 구조가 드러내는 장기적 운동(트렌드의 변화성)의 모습을 읽어낼 수 있을 것이다.

알고리즘이라는 것은 뉴럴 네트워크 등 정보생활이나 물질생활 안에 존재하는 것이 아니라 그 밖에서 메타적으로 존재하는 것이다. 알고리즘은 뉴럴 네트워크의 패턴의 바깥보다는 위에 존재하면서 정보양식이나 소비자의 선호 및 의사결정을 지배하고 조종하는 존재, 즉 최상층의 메타 존재일 것이다.

그리고, 수요 예측 동작(S120)으로, 예측부(140)는 비주얼 스키마 분석 데이터(30)를 이용하여 수요 예측 분석을 수행하고, 분석 결과인 예측 데이터(40)를 생성한다. 전술한 바와 같이, 예측 데이터(40)는 상품의 비주얼 스키마 별로 고객의 수요를 예측한 데이터이다.

도 8b는 일 실시예에 따른 의류 상품의 비주얼 스키마 분석 데이터 중 클러스터링 분석을 설명하기 위한 도면이다.

상품의 컨텐츠 즉, 상품 구성 항목(비주얼스키마)간 관계 패턴 별로 상품을 소비자의 라이프스타일 영역(아래 그림의 각 버블차트)에 의거하여 클러스터링(분류)하고 해당 클러스터링된 컨텐츠와 상품에 대한 고객의 밸류와 오피니언 즉, 각 라이프 스타일 영역에서 각 컨텐츠와 상품이 얼마나 고객의 니즈와 선호를 충족시켜주는 지 매칭하여, 각 영역별 상품에 대한 소비자의 사이코그래픽적 기술묘사를 한다.

도 8c는 일 실시예에 따른 의류 상품의 비주얼 스키마 분석 데이터 중 뉴럴 네트워크 모델을 설명하기 위한 도면이다.

상품의 속성과 해당 속성에 대한 선호를 뉴럴 네트워크의 형태를 통해 구성한다. 해당 뉴럴 네트워크는 혁신성 등 소비자의 상품에 대한 사이코그래픽 기술 묘사를 수치화한 좌표에 배치되어 향후 노드(의류 스키마)간 관계 패턴(커넥텀)을 기계학습을 통해 일 실시예에의 예측부에서 이루어진 상품의 컨텐츠(비주얼 스키마간 관계패턴)과 해당 컨텐츠에 대한 소비자의 니즈 및 선호에 대한 최적화된 매칭성을 강화 학습함으로써, 해당 강화된 커넥텀을 통해 기계 스스로 소비자의 특정 라이프 스타일 영역에서의 특정 선호와 니즈를 상품의 속성과의 최적화된 매칭 패턴을 알 수 있게 한다. 이는 후술할 도-10에서 도시화될 비주얼 네러티브, 즉 상품 구성 항목간 최적 결합 패턴을 상품모형으로 표현한 모델을 뉴럴 네트워크 형태로 바꾸는 것이고, 비주얼 네러티브에서 상품 속성의 수치화 근간인 상품 속성에 대한 소비자의 인지 코스트가 뉴럴 네트워크 좌표에서의 상품 속성의 위치로 치환될 수 있는 것이다.

전술한 바와 같이, 상기 수요 예측 동작은 해당 비주얼 스키마 시퀀스의 제어계측을 통해 소비자의 수요와 선호를 충족시킬 수 있는 상품 모형을 모델링하는 동작이라고 할 수 있다.

즉 특정 라이프 스타일 영역 내에서 인기가 많고 수요가 많은 상품에 대한 상품 구성 항목(비주얼 스키마)간 결합 패턴에 대한 소비자의 시선 처리 동작을 위와 같이 시뮬레이션함으로써, 소비자 선호에 맞춘 아이템 및 아이템 구성 항목(비주얼 스키마)의 최적화된 연결 방식(비주얼 스키마 시퀀스, visual schema sequence)를 파악할 수 있게 된다.

또한, 이렇게 소비자의 시선 처리 동작을 시뮬레이션하면서 각 상품 구성 항목(비주얼 스키마)에 대한 소비자의 인지 코스트를 측정하여 후술할 도 10의 비주얼 스키마 비주얼 네러티브에 대한 서술을 완료한다. 이렇게 파악된 비주얼 스키마 시퀀스를 전술한 도 8c의 뉴럴 네트워크의 노드간 결합 패턴(커넥텀)으로 치환하여 일 실시예의 예측부에서 특정 상품의 소비자 선호 및 니즈를 충족시킬 수 있는 상품 구성 항목(비주얼 스키마)간 관계를 파악하고 향후 선호와 수요를 예측할 수 있게 된다.

도 9는 일 실시예에 따른 의류 상품의 예측 데이터(40)를 도시한 도면이다.

이하에서는 예측부(140)가 수요 예측 분석하는 방법에 대해 자세히 설명하도록 한다.

현재 빅데이터 분석의 목적은 점점 더 기술 분석(Descriptive Analytics)에서 예측 분석(Predictive Analytics)으로 변모하고 있다.

예측 분석은 데이터 마이닝, 예측 모델링, 머신 러닝을 비롯한 여러 가지의 통계적 기법을 사용하여 현재 및 이전 사실들을 분석하여 미래 혹은 알려지지 않은 사건들을 예측하는 것을 의미한다. 경영에서 예측 모델은 과거 및 거래 데이터에서 패턴을 분석하여 위험도와 기회를 파악하고 있다.

즉, 예측 모델을 활용하여 기업들은 기업의 거래 내역 및 매출 분석을 통해 머천다이징 최적화 및 영업활동의 최적화를 이끌 수 있는 체계 및 해당 체계의 솔루션(Advanced CRM-ERP System)을 계발할 수 있게 된다.

예측 모델은 특정한 조건 세트(set)들에 연관되어 있는 위험과 잠재적 이익에 대한 평가(valuation)를 가능하게 하는 많은 요인들간의 관계성을 설명하여 가능한 거래(행위)에 대한 의사 결정을 안내한다.

이러한 예측 분석은 개별성(고객, 보험환자, 상품 SKU)등에 예측 점수(확률)를 제공하여 마케팅, 신용위험도 평가, 제조 등 광벙위한 조직 의사결정 프로세스를 결정하고 그러한 결정에 영향을 주고 있다.

가장 많이 알려진 것은 크레딧 스코어링으로, 이것은 파이낸셜 서비스에 광범위하게 사용되고 있다. 스코어링 모델은 고객의 크레딧 히스토리, 대출 신청, 고객 데이터 등을 분석하여 각 개인별로 신용 대금을 정시에 지금할 확률을 계산하여 순위별로 랭크하는 것이다.

일 실시예는 크레딧 스코어링 모델을 이용하여 상품 속성간의 관계를 비주얼 네러티브로 표현하고, 해당 비주얼 네러티브가 각 라이프 스타일 맵의 각 영역 및 타겟 오디언스의 선호와 수요를 얼마나 충족시킬지에 대한 확률을 계산하여 순위별로 랭크하는 것이다.

예측 분석은 통계의 일종으로써 데이터로부터 정보를 끌어내어 트렌드 및 행동 패턴을 예측하는 데 사용된다. 강화된 예측 웹 분석은 미래 이벤트에 대해 온라인으로 통계적 확률을 계산한다. 예측 분석의 통계적 기법은 데이터 모델링, 머신 러닝, AI, 딥러닝 알고리즘 및 데이터 마이닝이 있다.

예측 분석의 핵심은 독립변수(explanatory variables)와 알려진 행동(매출 및 구매내역, 스타일 퀴즈 답변 내역 등)으로부터 예견된 변수와의 관계(매칭성)를 포착하고, 아직 일어나지 않은 결과를 그러한 관계(알려진 행동과의 매칭성)를 사용하여 예측하는 데에 있다.

예측 분석은 예를 들어 각 상품을 구성하는 속성에 대한 트렌드 예측 점수(확률)을 일으키는 정교한 단계까지 예측하는 것을 말한다. 이로써 예측(prediction)은 단순한 예견(forecasting)과는 다르게 된다. 예를 들어, 예측 분석이란 경험(데이터)를 통해 배워 더 나은 의사 결정을 하기 위해 개인들의 미래 행동 및 개별 상품의 미래 퍼포먼스를 예측하는 것이다.

일 실시예의 예측 분석 프로세스는 아래와 같이 구성될 수 있다.

1. 프로젝트 규명: 프로젝트 결과물, 변수, 노력의 범위, 비즈니스 목적을 규명하고 사용될 데이터 세트들을 확인한다.

2. 데이터 수집: 예측 분석을 위한 데이터마이닝은 분석을 위해 다양한 소스로부터 데이터를 준비한다. 이것은 고객 인터랙션을 위한 완전한 견해를 제공한다.

3. 데이터 분석: 데이터 분석은 유용한 정보를 발견하여 결론에 이른다는 목적을 가지고 데이터를 검사하고, 클리닝하여 모델링하는 프로세스이다.

4. 통계: 통계 분석은 가정과 가설을 입증하고 표준 통계 모델을 이용해 그러한 가정과 가설을 테스트한다. (이러한 통계 분석은 텐서 플로우 등 ML을 이용한 군집분석을 통해서도 가능하다.)

5. 모델링: 예측 모델링은 미래에 대한 정확한 예측 모델을 자동적으로 창조하는 능력을 제공한다. 멀티-최빈도 평가를 통해 가장 좋은 솔루션을 선택하는 옵션들도 있다.

6. 배치: 예측 모델 배치는 모델링에 의거하여 의사결정을 자동화하여 결과, 리포트 및 산출물을 얻기 위한 매일의 의사 결정 프로세스에 해당 분석 결과물을 배치하는 옵션들도 제공한다.

7. 모델 모니터링: 모델들은 이 모델들이 원하는 결과를 제공하고 있는지를 보증하기 위한 모델 퍼포먼스를 평가하기 위해 관리되고 모니터된다.

일 실시예의 예측 분석은 예측 모델을 통해 데이터에 점수를 매기고 예측하는 것을 의미한다.

예측부(140)는 수요 예측을 위핸 예측 모델을 사용한다. 예측 모델링은 샘플에 있는 유닛의 특정한 퍼포먼스와 그 유닛의 하나 혹은 그 이상의 속성 및 특징간의 관계를 분석하기 위해 예측 모델을 사용한다.

예측 모델의 목적은 다른 샘플 내의 유사한 유닛이 해당 샘플에 있는 유닛의 특정 퍼포먼스를 보일 확률을 측정하는 데 있다. 예측 모델들은 종종 실시간으로 진행되는 거래행위 동안에도 계산을 수행할 수 있다. 예를 들어 의사 결정을 하기 위해 특정한 고객 혹은 거래행위의 위험도 및 기회를 실시간으로 평가하기도 한다. 연산 속도의 발전으로 이러한 실시간 예측 모델 실행이 가능해졌다. 개별성에 대한 모델링 시스템들은 인간의 행동 및 주어진 반응 혹은 시나리오들에 대한 리액션을 시뮬레이팅할 수 있는 단계까지 와 있다.

일 실시예는 유닛의 특정한 퍼포먼스와 그 유닛의 하나 혹은 그 이상의 속성 및 특징간의 관계를 분석하기 위해, 속성간의 관계성을 통해 샘플들을 클러스터링한다. 더 나아가 해당 클러스터링을 위한 유사함의 indicator 즉, 각각 클러스터링된 상품에 내재되어 있는 고유한 성질 및 내용(design feature-속성간의 관계)으로써 visual narrative system 즉, 속성간의 관계를 연속적인 수치로 표현하는 방법론을 활용한다.

일 실시예를 통해 명시적(explicit)인 고객의 응답 및 협업 필터링에 사용되는 표면적인 유사성이 아니라 상품에 내재되어 있는 고유한 성질 및 내용(design feature-속성간의 관계)을 통해 이렇게 미묘한 데이터 패턴을 알아낼 수 있게 하고, 이러한 데이터 패턴을 근거로 상품(스타일)들에 대한 상품모형을 만들어 이러한 특정 클러스터링 상품모형에 내재되어 있는 design feature-속성간의 관계에 대한 선호를 토대로 역으로 고객을 클러스터링할 수 있게 된다.

결국 일 실시예를 사용하여, 클러스터링된 상품군에 대한 매출분석을 통해 고객의 상품에 대한 내재적(implicit)인 선호를 파악할 수 있게 된다.

일 실시예의 예측 분석 절차를 설명하면, 우선 알려진 속성과 알려진 퍼포먼스를 지닌 유효한 샘플을 “트레이닝 샘플”이라고 한다. 속성은 알려졌으나 퍼포먼스는 모르는 다른 샘플의 유닛들은 “아웃 오브 트레이닝 샘플(이후 아웃-샘플이라 칭)”이라고 한다.

이렇게 매출(퍼포먼스)이 알려진 브랜드의 상품 스타일을 트레이닝 샘플로 삼고, 상품에 내재되어 있는 고유한 성질(design feature-상품 속성간의 관계)을 트레이닝 샘플 유닛과 아웃-샘플 유닛간의 유사성을 인지할 수 있는 indicator로 사용한다.

해당 indicator를 활용해 고객의 선호를 내재적으로 분석하는 만큼, 온라인 상의 SNS 빅 데이터 및 오프라인 상의 실제 착용 스타일들을 해당 indicator를 통해 클러스터링하고 분석하여 타겟 오디언스의 선호 변화 및 수요를 예측할 수 있는 트렌드 인덱스를 구성한다.

해당 트렌드 인덱스를 통해 각 상품의 카테고리(복종)와 해당 상품의 속성(패션 element)별 라이프 싸이클을 점검하여, 각 상품의 카테고리에서 시즌별 및 각 타겟 오디언스 별 최적화된 결합 패션 속성의 트렌드 스코어링 시스템을 계발한다.

해당 트렌드 인덱스 및 상품 속성 (fashion element) 스코어링 시스템을 활용하여 각 브랜드별 최적화된 머천다이징 시스템 구축 및 트렌드 예측을 할 수 있게 한다. 또한, 브랜드별 현재의 머천다이징 및 상품에 대한 유행도 예측 및 타겟 오디언스 도달율(reaching-out rate) 정도를 진단할 수도 있다.

그리고, 예측 서술 동작(S130)으로, 서술부(150)는 예측부(140)에서 생성된 예측 데이터(40)를 이용하여, 비주얼 네러티브 데이터(50)를 생성한다. 전술한 바와 같이 비주얼 네러티브 데이터(50)는 예측 데이터(40)를 상품간 또는 고객간의 상관 관계로 표현한 데이터이다.

이후에는, 서술부(150)가 예측 데이터(40)를 이용하여, 비주얼 네러티브 데이터(50)를 생성하는 방법에 대해 설명하도록 한다.

서술부(150)는 서술 모델을 이용하는데, 서술 모델은 종종 고객들 혹은 가망성들을 그룹들에 분류하는 데에 쓰이는 식으로 데이터에 있는 관계들을 정량화한다. 해당 관계를 통해 상품으로서 상품성을 최적화할 수 있는 모형을 계발할 수 있다.

특정한 고객행동(크레딧 위험도 등)이나 특정한 개별 유닛의 퍼포먼스(매출)을 예측하는 예측 모델과는 다르게, 서술 모델은 고객간 혹은 상품간 다수의 다른 관계를 포착한다.

서술 모델들은 예측 모델이 하는 식으로 고객들이 특정한 행동을 하거나 상품들이 특정한 퍼포먼스를 보일 가능성에 의거하여 고객들이나 상품들을 등급화하지는 않는다.

대신, 서술 모델들은 예를 들어 상품 선호 및 라이프 스테이지에 따라 고객들이나 상품들을 카테고리화한다.

서술 모델링 기법들은 대규모의 개인화된 에이전트를 시뮬레이트하고 예측할 수 있는 상위 모델들을 계발하는 데 사용될 수 있다.

즉, 매출 분석 전에 디자인 feature에 의거하여 각 상품별 고객별 세그멘테이션 모형을 설명하는 것이 서술모델이고, 매출 분석을 하여 특정 복종 타입별 상품속성(fashion element)적합도 점수 및 특정 복종에 대한 유행도 예측 등의 스코어링 시스템이 예측 모델이다.

서술부(150)는 의사 결정 모델 즉, Advanced CRM/ERP System을 구현 가능하도록 구성된다. 후술하는 도 13은 일 실시예의 Advanced CRM/ERP Business Intelligence System을 도시하고 있다.

의사 결정 모델은 의사결정과 관련한 모든 요소들 즉, 알려진 데이터, 의사 결정, 의사결정의 예측 결과들간의 관계를 설명하여 많은 변수를 포함하는 의사 결정의 결과들을 예측하기 위해서 계발한다.

이러한 모델들은 최적화, 다른 결과는 최소화하면서 특정 결과들을 최대화하기 위한 의사 결정에 사용된다. 의사 결정 모델들은 의사결정 로직, 혹은 모든 고객 및 상황에 대해 가장 적합한 행동들을 야기하는 일련의 비즈니스 법칙을 계발하기 위해 일반적으로 사용된다.

분석적 CRM은 예측 분석의 빈번한 상업적 적용이다. 고객에 대한 전체적인 묘사를 하고 해당 고객에 대한 기회와 위험을 분석하기 위해 예측 분석의 방법들이 적용된다.

더 자세하게는 CRM 마케팅 캠페인, 세일즈, 고객 서비스 등을 위한 적용에서의 예측 분석을 사용한다.

CRM툴(즉 CRM의 예측분석 툴)들은 수요가 높거나 향후 수요가 높아질 상품들을 이해할 수 있어야 하며, 고객과의 다수의 터치 포인트에 적절한 상품들을 프로모션하기 위해서 고객들의 구매 습관을 예측할 수 있어야 한다.

더 나아가 고객의 유지에 관한 위기와 기회와 연관된 이슈를 선제적으로 식별하여 그러한 이슈들을 줄일 수 있어야 한다.

분석적 고객 관계 관리는 고객의 획득-고객과의 관계 증진-고객의 유지에 걸친 전 단계의 고객 라이프사이클에 걸쳐 적용된다.

일 실시예는 디자인 feature에 의거하여 각 상품별 모형을 설명하는 서술 모델을 계발하고, 이를 통해 매출 분석을 수행하여 특정 복종타입별 유행 예측도 및 해당 복종타입별 fashion element 적합 최적도를 산출하는 예측 모델을 수립하는 방식을 이용한다.

또한, 일 실시예는 해당 디자인 feature 및 해당 feature에 대한 선호를 통해 상품과 고객을 이해하여 수요가 높거나 향후 수요가 높아질 상품들을 예측하고 고객들의 구매 습관을 예측하여 이에 최적화한 대응을 체계적으로 할 수 있는 Analytical CRM툴을 계발하고자 한다.

이러한 방법론과 접근방식은 상품선호에 대한 명백한 의사표현 대신 상품에 내재하고 있는 속성의 내용 즉, design feature에 의거하여 해당 상품에 대한 고객의 심리적 결과를 예측하는 방법론이라고 할 수 있다. 이러한 방법론을 implicit measurement(내재적 측정)이라고 한다.

내재 측정들은 의미있는 심리적 결과물(예를 들어, 행동 및 의사 결정 등)을 예측하는 툴들로써 종종 사용된다. 그리고 최근의 메타 분석들은 이러한 내재 측정들의 예측적 정당성을 지지하는 경향을 보이고 있다 (e.g., Cameron et al., 2012; Greenwald et al., 2009).

그러나, 자원-집중적인 직무들의 사용을 정당화하기 위해서 연구자들은 표면 측정들로 예측하기가 힘든 행동의 독자적인 특성들에 더 큰 관심을 가지고 있다. Perugini et al. (2010)의 연구에 따르면, 내재적 측정은 (1) 누적 패턴 (2)이중-분열 패턴 (3)조절 패턴 및 (4) 상호 패턴을 비롯한 여러 측면에서 표면 측정보다 낫다고 한다.

누적 패턴은 같은 변수의 내재적/표면적 측정이 공통적으로 특정 결과를 예견할 때 관여한다. 그러한 케이스들은 표면 측정이 확보하지 못한 결과의 측면을 포착할 수 있을 때 발현한다.

따라서, 누적 패턴은 설명된 가변성에 의거하여 설명되는 것이 가장 좋다. 즉, 내재 측정이 표면 측정만으로 설명되어지는 결과물의 설명 가변도의 비율을 얼마만큼 더 증가시켰는지에 의거하여 설명하는 것이 좋다.

즉, 내재 측정은 상품 및 고객과 연관된 패턴을 분석하여 해당 패턴을 통해 상품에 대한 고객의 의미있는 행동이나 의사 결정을 예측하는 방법론이라고 할 수 있다.

일 실시예는, 과거 및 거래 데이터의 패턴을 분석하기 위해 상품에 내재되어 있는 속성을 design feature로 표현하여 해당 상품을 클러스터링한다.

그 후, 해당 클러스터링된 상품에 대한 고객의 행동 및 의사결정을 트렌드 인덱스 및 매출분석을 통해 예측하여 특정 클러스터링된 상품에 대한 고객의 의미있는 심리적 결과물(선호 및 구매 의사 결정)에 대한 패턴을 분석하여 특정한 상품에 대한 고객의 특정한 선호 모형을 모델링할 수 있다.

이를 다시 풀어 말하면, 상품에 내재된 속성을 상품에 대한 고객의 선호를 알 수 있는 내용(content)이라고 치환하고 이러한 상품의 내용(content)과 해당 내용에 대한 고객의 선호의 매칭 패턴을 통해 소비자와 상품을 클러스터링하고 해당 클러스터별로 psychographic적인 선호 모형 모델링이 가능하다.

일 실시예는 결국 머신러닝 강화학습의 컨셉을 활용하여 실물 공간을 뉴럴 네트워크화하고 맥락의 수치화와 최적화를 하는 방식이다.

그리고 일 실시예는 뉴럴 네트워크내 피드백 루프라는 상품을 매개(시그널)로한 소비자-제공자간의 커뮤니케이션을 통해 엔진이 머신러닝하는 것처럼 해당 커뮤니케이션의 피드백(매출 정도/트렌드 인덱스 정도)을 통해 강화학습을 하며 특정 맥락에 맞는 특정한 상품 속성 결합을 알게 되는 것이다.

그리고 일 실시예는 뉴럴 네트워크 내 피드백 루프라는 상품-소비자-제공자간의 커뮤니케이션으로, 상품의 속성과 해당 속성에 대한 선호가 뉴럴 네트워크로 구성이 되고, 해당 선호를 머천다이징하는 제공자의 속성간의 결합의 최적화 노력으로 피드백 루프가 구성이 된다.

상품을 구성하는 속성을 노드로 치환하고 해당 노드값으로 각 속성에 대한 수치값을 지정하면 수치화된 상품모형을 계발할 수 있다. 이러한 상품 모형을 통해 상품을 최적화하는 속성의 결합상태를 상품 매출 분석 및 트렌드 인덱스 계측을 통해 알 수 있다. 이 때, 속성의 결합상태는 노드간 연결 패턴인 커넥텀으로 수치화 및 계량화/시각화를 할 수 있다.

뉴럴 네트워크내에서의 피드백 루프를 통해 상품의 속성과 선호간의 의미가 생성되는 과정인 “기호현상”의 복합성(complexity)이 창발된다.

이러한 뉴럴 네트워크 내에서의 기호현상의 복합성을 상품에 대한 타겟 오디언스의 선호를 사이코그래픽(psychographic)적으로 모델링하는 데 재료로 사용해야 하며, 해당 재료는 커넥텀이라는 뉴럴 네트워크의 패턴으로 형상화된다.

뉴럴 네트워크내 물질의 속성-그에대한 소비자들의 선호반응-선호에 맞추는 상품 구성이라는 피드백 루프가 특정한 뉴럴 네트워크 내 패턴 즉 커넥텀을 알 수 있도록, 뉴럴 네트워크내 물직의 속성을 수치화할 수 있는 방법론이 본 발명이다.

뉴럴 네트워크내 물질의 속성-그에대한 소비자들의 선호반응-선호에 맞추는 상품 구성이라는 피드백 루프가 특정한 뉴럴 네트워크 내 패턴 즉 커넥텀을 구성하고, 이러한 커넥텀이 소비자의 의사 결정 및 선호 형성의 조건을 결정하는 구조이자, 구조(트렌드 및 장르 스타일 등) 자체를 만들어내고 또 움직이는 거대한 동력이다.

일 실시예는 뉴럴 네트워크내의 커넥텀을 비주얼 네러티브로 코딩화하는 방식을 포함한다.

일 실시예는 비주얼 적으로도 비주얼 언어, 문법, 행간의 디자이너 의도(의미), 그리고 심리적(그러한 디자이너의 의도에 반응하는 고객의 로열티 형성 등 효과)에 대한 특징(피쳐)들을 분석할 수 있는 컴퓨터 보조 분석 컴퓨터 프로그램(일례로, 시리스의 비주얼 애널라이저-밈펀)들을 계발할 수 있는 이론적, 응용적 토대를 마련한다.

일 실시예는 정량적 컨텐츠 분석과 정성적 컨텐츠 분석의 단점을 보완하기 위해서, 맥락이라는 정성적인 데이터를 속성간 관계를 수치화하고 연속화하는 방법론을 통해 정량적 데이터로 변환하여, 해당 정량적 데이터를 통해 개인의 선호와 상품에 대한 수요를 예측할 수 있게 한다.

일 실시예의 비주얼 네러티브 생성 방법을 설명한다.

사이코그래픽적인 상품 프로파일을 통해 트렌드 및 개인화된 선호를 예측할 수 있으려면, 단순한 상품의 속성 인식으로는 부족하고 상품의 속성의 관계를 통해 컨텐츠 분석을 해야한다. 즉 컨텐츠 분석을 위한 feature가 바로 속성간의 관계. 또한, 해당 속성간의 관계는 속성의 numerical value(인지적 코스트)에 대한 차이를 통해 상품의 feature(소비자의 해당 상품에 대한 선호를 implicit하게 파악하고 measure하는 틀)를 연속적인 표현방식(주파수 등)을 통해 수치화/시각화해야 한다.

이러한 상품 속성간 numerical value의 차이를 주파수와 같은 연속적 형태로 나타내는 것이 바로 visual narrative방식이다.

이 이후 비주얼 네러티브를 만드는 방법론을 통해 상품별로 라이프 스타일 맵(싸이코그래픽적 상품선호에 의거하여 상품 장르별로 영역화)에 매핑시키고 라이프 스타일의 변화를 리얼웨이 유시지(상품에 대한 소비자의 실제 사용 및 활용 방식 분석) 및 빅데이터 분석을 통한 트렌드 지수의 변화를 통해 알아채고 해당 변화를 통해 라이프 스타일에 포함된 의류 및 상품의 수요예측을 하는 방식이다.

비주얼 네러티브로 상품의 컨텐츠 분석을 할 수 있으려면, 음악의 현재 컨텐츠 분석 및 컨텐츠 근간 추천 방식에서 레퍼런스를 삼을 수 있을 것이다. 음악과 같이 선율, 장르화로 상품도 구분하여 작법의 일관성과 규칙성, 심미적 예측을 답보할 수 있다.

일례로, 도-레-미-파-솔 등 단선적 음계만으로는 오디오적으로 큰 의미가 없고, 해당 음계를 통해 곡을 작곡해야만 음악적 상품성이 답보된다. 심지어 상품의 비주얼 레퍼런스로 가장 가까운 색채 이론만 봐도 전체적인 조합성으로 작법을 하는데, 패션 등 상품의 분석은 아직까지 속성의 단순한 카운팅만으로 예측을 하는 큰 오류를 범하고 있다. 이에, 패션 및 상품도 특성 및 속성의 이어진 연결 패턴 즉, 상품의 비주얼 스키마간 최적 조합의 시퀀스 (비주얼 스키마 시퀀스)로 해당 상품에 대한 소비자의 반응을 특징화(Feature화)할 수 있어야 상품 최적화를 위한 속성간 패턴의 제어계측을 할 수 있게 된다.

이에, 컬러에 부여된 RGB방식 등 정해진 수치를 근간으로 다른 패션 및 상품 속성들의 심리적 인지 코스트를 계산하는 방식으로 패션 및 상품의 파동성을 계발할 수 있다. 이러한 속성의 이어진 파동이 시선의 움직임으로 연결되어 소비자의 상품에 대한 선호를 내재적으로 측정(implicit measurement)할 수 있게 된다.

상품의 피쳐들과 상품의 매출분석을 상관한 상품에 대한 피쳐(Feature)로 클러스터된 고객들의 선호를 내재적으로 측정(implicit measurement)한다.

상품의 컨텐츠 코딩은 상품간의 관계를 웨이브화하는 것을 말하고, 해당 코딩을 통해 상품을 장르별(카테고리별)로 소팅하고 해당 장르를 라이프 스타일 맵의 영역으로 치환한다.

일 실시예의 피쳐 분석(Feature Analysis)는 피쳐(Feature)가 바로 예측을 하도록 상품 및 고객을 클러스터링할 수 있는 상품 속성간 관계를 연속적으로 표현한 파장으로, 그럼으로써 자동적으로 푸리에 변환이 되는 셈이다.

또한, 해당 수치화된 상품정보를 통해 상품의 UI와 UX를 구분하고, 해당 UI와 UX를 통해 상품의 작법이 가능하게 하고, 해당 상품정보를 통해 특정 상품이 라이프스타일 맵의 어떠한 특정 영역에 속하는지를 알 수 있게 한다.

해당 피쳐(Feature)를 통해 상품을 코딩하는 방식으로 상품의 디지털화를 이끌고, 해당 디지털화된 상품 정보를 회사경영의 의사결정의 데이터로 사용함으로써 예측이 가능하고 해당 예측을 통한 상품 및 경영/영업 최적화를 이끄는 시스템을 만들 수 있다.

도 10은 일 실시예에 따른 비주얼 네러티브를 도시한 도면이다.

전술한 일 실시예의 수요 예측 방법을 요약하면, 일 실시예는 상품 이미지의 비주얼 스키마(visual schema) 관계분석(relational analysis)을 통해 해당 이미지에 대한 프로파일링으로 소비자의 선호를 분류하는 암묵적 측정(implicit measurement) 방식을 채택하였다.

일 실시예에 따르면, 상품의 비주얼 분석이 직접적으로 소비자의 선호를 분류할 수 있음으로써, 이미지 데이터 프로세싱 기술과 해당 상품의 매출 데이터를 연결하여 매출이 집계되는 동시에 해당 매출을 생성(generate)한 상품의 고객분류 및 분석이 자동적으로 되는 어드밴스드 고객관계관리(Advanced Customer Relationship Management) 기법으로 발전할 수 있다.

즉, 콘텐츠 분석에 기반한 이미지 프로세싱을 통한 상품 프로파일링 기법으로써, 소비자의 선호를 파악할 수 있다.

일 실시예는 소비자의 개인 정보를 기반으로 하는 협업 필터링(collaborative filtering)이 사용자(즉, 소비자)의 사용 데이터가 없으면 콜드 스타트(cold start) 이슈가 생기는 문제를 보완할 수 있을뿐더러, 개인정보법이 강화되어 해당 소비자 정보 기반 소비자 프로파일링 및 추천 방식의 효율 및 법적인 취약성 역시 보완할 수 있을 것으로 예상된다.

일 실시예는 상품의 스키마(schema)를 속성으로 인식하는 것이 아니라, 스키마의 관계분석을 통해 해당 상품이 디자인되는 디자인 패턴을 머신러닝되는 AI(Artificial intelligence)가 학습하는 구조로 알고리즘을 제작한다.

이에 음악 산업 영역에서 사용되는 뮤직 디스커버리(Music Discovery) 알고리즘을 비주얼 디스커버리(Visual Discovery)에 사용할 수 있도록 비주얼 피처(Feature)를 엔지니어링하는 기술이 일 실시예의 특징이다.

즉, 비주얼 스키마별로 컬러 휠(color wheel)에 지정된 수치 값(numerical value)을 기준으로 상응하는 인지 코스트(cognitive cost)를 해당 비주얼 스키마의 지정된 수치 값으로 부여하여 비주얼 스키마의 관계성을 수치화하는 동시에 해당 수치를 통한 수치분석이 가능하게 하는 방법론을 이용한다.

일 실시예는 해당 스키마별로 지정된 수치 값을 토대로 디자인 패턴을 분석하여, 이러한 디자인 패턴을 고객 분석 및 특정 상품의 수요예측방정식의 키 피처(key feature)로 사용하는 방법론을 이용한다.

전술한 뮤직 디스커버리 알고리즘은 음의 높낮이를 해당 음악의 스타일을 분석하는 피처로 삼는데, 이는 음악의 속성상 음의 진행이 자연적으로 파동에 대한 시간의 흐름(Time Series) 함수로 치환될 수 있기 때문이다.

하지만, 비주얼 스키마로 이루어진 이미지 데이터는 시간의 흐름으로의 치환이 자동적이지 않기 때문에, 이미지 데이터를 시간의 흐름에 대한 파동 데이터로 치환하는 것이 본 발명의 알고리즘의 특징적인 방법론이다.

본 발명은 이러한 특징적인 방법론이 가능하도록 수치 값이 부여된 상품데이터의 비주얼 스키마를 시선의 이동에 의거하여 시간의 흐름 함수로 치환하는 방식을 채택하여 상품 데이터의 콘텐츠 분석 및 이에 근거한 소비자의 선호 및 수요 예측 방정식을 도출할 수 있게 했다.

또한, 본 발명은 수치 값이 지정된 “스키마별 조합에 대한 선호”를 통해 소비자의 상품 선호를 예측할 수 있기 때문에, 해당 스키마별 선호 조합에 의거하여 다음 시즌의 상품을 구성할 수 있는 상품 기획 알고리즘 개발이 가능하다.

이렇게 상품 이미지를 구성하고 있는 스키마에 수치 값을 지정하고 해당 스키마별 관계분석을 통해 상품 디자인의 패턴을 피처(feature)화하는 방법론의 특징은 이미지 데이터 및 매출 데이터를 단순히 그 자체로만 사용하는 것이 아니라, 데이터를 연결하여 해당 데이터의 콘텐츠를 분석하여 소비자의 선호 및 수요를 예측할 수 있는 특정한 정보로 변경하는 것에 있다.

즉, 일 실시예는 상품 이미지의 비주얼 스키마 관계분석을 통해 이미지 데이터와 매출 데이터를 연계하여 새로운 정보를 생성하는 알고리즘 방식인 것이다. 다시 말해, 매출 데이터 및 이미지 데이터 등 기업의 내부 데이터와 빅데이터 등 외부 데이터를 연결하여 예측을 위한 유의미한 정보로 변환하는 것이 해당 피처 엔지니어링(feature engineering)에 근거한 데이터 모델링 방법론의 특징인 것으로, 해당 방법론은 단순히 매출 데이터 및 이미지 데이터를 파라미터로 나누어 회귀분석(통계적 방법론)을 통해 각 가중치(weight) 및 연관(association)을 찾아 방정식화하는 것과는 다른 데이터 모델링 방법론이다.

도 11은 일 실시예에 따른 시선 이동 처리를 도시한 도면이다.

위와 같이 특정 라이프 스타일 영역 내에서 인기가 많고 수요가 많은 상품에 대한 상품구성항목(비주얼 스키마)간 결합 패턴에 대한 소비자의 시선 처리 동작을 위와 같이 시뮬레이션 함으로써, 소비자 선호에 맞춘 아이템 및 아이템 구성항목(비주얼 스키마)의 최적화된 연결방식(비주얼 스키마 시퀀스, visual schema sequence)를 파악할 수 있게 된다. 또한, 이렇게 소비자의 시선 처리 동작을 시뮬레이션 하면서 각 상품 구성항목(비주얼 스키마)에 대한 소비자의 인지코스트를 측정하여 [도 10]의 비주얼 스키마 비주얼 네러티브에 대한 서술을 완료한다. 이렇게 파악된 비주얼 스키마 시퀀스를 도 8c의 뉴럴 네트워크의 노드간 결합 패턴(커넥텀)으로 치환하여 일 실시예의 예측부에서 특정 상품의 소비자 선호 및 니즈를 충족시킬 수 있는 상품구성항목(비주얼 스키마)간 관계를 파악하고 향후 선호와 수요를 예측할 수 있게 된다.

도 12는 일 실시예에 따른 비주얼 네러티브 데이터 서술 모델 즉, 소비자 수요와 선호에 따른 상품 구성 항목의 제어계측을 통한 상품최적화 모형 모델링을 도시한 도면이다.

서술 모델은 각 스타일 맵상의 라이프 스타일 영역(버블 차트의 각 버블)에서 고객들을 분류하고 데이터에 있는 관계들을 정량화한다.

도 13은 일 실시예에 따른 Advanced CRM/ERP Business Intelligence System을 도시한 도면이다.

일 실시예의 상품에 대한 비주얼 스키마를 통한 예측/분석 엔진과 텍스트 마이닝 등 아래에 표기된 모듈을 결합시켜, 소비자의 선호를 SNS 빅데이터 마이닝(실제 소비자들이 상품을 활용하고 사용하는 방식 분석)하여 트렌드 지수와 소비자 인사이트를 추출하고, 해당 트렌드 지수와 소비자 인사이트를 상품 정보와 결합하여, 기업의 영업 활동(시장파악, 제품기획, 마케팅 기획, 관리효율화)의 효율화를 꾀하는 Advanced CRM/ERP 즉 궁극적인 기업의 Business Intelligence System을 구축한다.

여기에 설명되는 다양한 실시예는 예를 들어 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여, 컴퓨터로 읽을 수 있는 기록매체 내에서 구현될 수 있다.

하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 그러한 실시 예들이 제어부(280)에 의해 구현될 수 있다.

소프트웨어적인 구현에 의하면, 절차나 기능과 같은 실시 예들은 적어도 하나의 기능 또는 작동을 수행하게 하는 별개의 소프트웨어 모듈과 함께 구현될 수 있다. 소프트웨어 코드는 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션에 의해 구현될 수 있다. 또한, 소프트웨어 코드는 메모리(260)에 저장되고, 제어부(280)에 의해 실행될 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, 중앙 처리 장치(Central Processing Unit; CPU), 그래픽 프로세싱 유닛(Graphics Processing Unit; GPU), ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 주문형 집적 회로(Application Specific Integrated Circuits; ASICS), 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 비록 한정된 도면에 의해 실시예들이 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

수요 예측 장치에서 수행되는 상품의 비주얼 스키마(Visual Schema)를 이용한 수요 예측 방법으로,
상품의 속성을 수치화한 데이터인 상기 비주얼 스키마를 생성하는 동작;
상기 비주얼 스키마를 분석하여, 상기 상품의 속성들의 연관 데이터인 비주얼 스키마 분석 데이터를 생성하는 동작;
상기 비주얼 스키마 분석 데이터를 이용하여, 상기 상품의 속성 별 수요 예측 분석 결과 데이터인 예측 데이터를 생성하는 동작; 및
상기 예측 데이터를 상품간 또는 고객간의 상관 관계로 표현한 비주얼 네러티브 데이터를 생성하여, 수요 예측을 서술하는 동작을 포함하는
수요 예측 방법.
제 1 항에 있어서,
상기 비주얼 스키마 생성 동작은
이미지 분석 모델을 이용하여, 상기 상품의 속성을 인식하여, 상기 비주얼 스키마를 생성하는
수요 예측 방법.
제 1 항에 있어서,
상기 비주얼 스키마 분석 데이터는
상기 상품의 속성과, 다른 속성, 수요자, 트랜드, 가격 중 적어도 하나와의 관계를 나타내는 데이터이고,
상기 비주얼 스키마 분석 데이터 생성 동작은
컨텐츠 분석 동작, 클러스터링 동작 및 뉴럴 네트워크 구성 동작을 포함하는
수요 예측 방법.
제 1 항에 있어서,
상기 예측 데이터 생성 동작은
크레딧 스코어링 모델을 이용하여 상기 상품의 속성간의 관계를 비주얼 네러티브(Visual Narrative)로 표현하고, 상기 비주얼 네러티브가 라이프 스타일 맵의 일 영역 및 타겟 오디언스의 선호와 수요를 충족시키는 확률을 계산하여, 순위별로 랭크하는
수요 예측 방법.
제 1 항에 있어서,
상기 수요 예측 서술 동작은
상기 비주얼 스키마를 시간의 흐름에 대한 파동 데이터로 치환하여, 상기 비주얼 네러티브 데이터를 생성하는 동작; 및
이미지 분석 모델 내 상기 비주얼 스키마의 Sequence Node를 이용하여, 시선의 이동 처리를 데이터로 변환하는 동작을 포함하는
수요 예측 방법.
제 5 항에 있어서,
상기 수요 예측 서술 동작은
상기 비주얼 스키마 Seqence Node의 제어 계측을 이용하여, 소비자의 수요와 선호를 충족시키는 상품 모형을 모델링하는 동작인
수요 예측 방법.
상품의 속성을 수치화한 데이터인 비주얼 스키마를 생성하도록 구성된 비주얼 스키마 생성부;
상기 비주얼 스키마를 분석하여, 상기 상품의 속성들의 연관 데이터인 비주얼 스키마 분석 데이터를 생성하도록 구성된 비주얼 스키마 분석부;
상기 비주얼 스키마 분석 데이터를 이용하여, 상기 상품의 속성 별 수요 예측 분석 결과 데이터인 예측 데이터를 생성하도록 구성된 예측부; 및
상기 예측 데이터를 상품간 또는 고객간의 상관 관계로 표현한 비주얼 네러티브 데이터를 생성하여, 수요 예측을 서술하도록 구성된 서술부를 포함하는
수요 예측 장치.
제 7 항에 있어서,
상기 비주얼 스키마 생성부는
이미지 분석 모델을 이용하여, 상기 상품의 속성을 인식하여, 상기 비주얼 스키마를 생성하도록 구성된
수요 예측 장치.
제 7 항에 있어서,
상기 비주얼 스키마 분석 데이터는
상기 상품의 속성과, 다른 속성, 수요자, 트랜드, 가격 중 적어도 하나와의 관계를 나타내는 데이터이고,
상기 비주얼 스키마 분석부는
컨텐츠 분석하고, 클러스터링하고, 뉴럴 네트워크 구성하도록 구성된
수요 예측 장치.
제 7 항에 있어서,
상기 예측부는
크레딧 스코어링 모델을 이용하여 상기 상품의 속성간의 관계를 비주얼 네러티브(Visual Narrative)로 표현하고, 상기 비주얼 네러티브가 라이프 스타일 맵의 일 영역 및 타겟 오디언스의 선호와 수요를 충족시키는 확률을 계산하여, 순위별로 랭크하도록 구성된
수요 예측 장치.
제 7 항에 있어서,
상기 서술부는
상기 비주얼 스키마를 시간의 흐름에 대한 파동 데이터로 치환하여, 상기 비주얼 네러티브 데이터를 생성하고, 이미지 분석 모델 내 상기 비주얼 스키마의 Sequence Node를 이용하여, 시선의 이동 처리를 데이터로 변환하도록 구성된
수요 예측 장치.
제 11 항에 있어서,
상기 서술부는
상기 비주얼 스키마 Seqence Node의 제어 계측을 이용하여, 소비자의 수요와 선호를 충족시키는 상품 모형을 모델링하도록 구성된
수요 예측 방법.
하드웨어와 결합되어 제 1 항 내지 제 6 항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.