KR20230037208A - 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두 맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피원두 추천 시스템 - Google Patents

Abstract

본 발명은 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두 맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피원두 추천 시스템에 관한 것이다.
이를 위해 본 발명은 웹 또는 앱을 통해 사용자 또는 전문가로부터 데이터를 수집하는 데이터 수집 운영부; 데이터 수집 운영부가 수집한 각종 데이터들을 분석을 위한 정제화된 값 형태로 변환하는 데이터 수집 정제화부; 데이터 수집 정제화부의 데이터를 가져와서 다단계에 걸쳐 데이터 분석 및 학습을 수행하는 4단계 데이터 학습 관리부; 4단계 데이터 학습관리부가 다단계에 걸쳐 수행한 데이터 분석 및 학습결과물을 분류하고 별도로 관리하여 이들을 복수개의 경우의 수로 조합할 수 있도록 관리하는 분석결과 데이터 관리모듈; 및 분석결과 데이터 관리모듈로부터 제품별 선호도 결과 데이터를 가져와서 추천에 반영함으로써 제품 인덱스를 변경하여 개인화 데이터로 만들어내는 개인화 추천 디스플레이 배포부를 포함하는, 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템을 제공한다.

Description

다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두 맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피원두 추천 시스템{omitted}

본 발명은 커피원두 추천 시스템에 관한 것이다. 보다 상세하게는 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두 맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피원두 추천 시스템에 관한 것이다.

커피에 대한 수요가 폭발적으로 증가하면서 커피를 제조하여 판매하는 매장의 수가 기하급수적으로 늘어난 상황이다.

그에 따라 커피를 소비하는 방식도 다양해지고 있다.

매장에서 주문하면 정해진 레시피에 따라 커피 음료를 제조하여 판매하는 전통적인 방식에서부터 로스터리 전문 매장에서 고객의 취향에 따라 원하는 품종의 커피 원두를 원하는 정도까지 로스팅하여 로스팅된 원두를 판매하는 방식까지 소비형태도 다양화되었다.

로스팅한 원두를 판매하는 경우 판매자가 설명하는 커피맛과 고객이 실제로 느끼는 맛에는 종종 차이가 존재하게 된다.

판매자가 설명하는 맛은 판매자가 주장하는 커피의 맛 정보이거나 판매자가 원하는 맛 정보일 수 있다. 한편, 고객이 실제 느끼는 맛은 고객마다 신체적 특징의 차이가 있어 느끼는 맛의 감도는 일률적이지 않다. 맛이라는 것은 혀의 미뢰세포와 코의 후각세포를 통해 전기적인 신호로 바뀌어 뇌로 전달되고, 뇌에서는 이에 대하여 지극히 개인화된 해석과 그에 따른 판단을 내놓기 때문이다.

그래서 판매자가 설명하는 맛, 성분 분석을 통한 객관적인 맛 정보, 커핑 테스트를 통한 전문가의 맛 평가, 고객이 실제 느끼는 맛 사이에는 갭이 존재할 수 있다.

그에 따라 소비자는 판매자가 설명하는 맛 정보를 신뢰하지 못하고, 판매자는 그에 대한 적절한 대응책을 마련하지 못하는 문제점이 있다.

선행기술문헌 : KR등록특허공보 제2259592호(2021.06.02.)

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 특히 고객과 전문가의 정보를 수집하고 관리 및 분석하여 고객의 커피원두 선호도를 분석, 분류, 예측함으로써 커피원두 판매자의 매출 향상과 고객의 만족도 증가를 기대할 수 있는 커피원두 추천 시스템을 제공하는 데 그 목적이 있다.

상기 목적을 달성하기 위해 안출된 본 발명에 따른 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템은 웹 또는 앱을 통해 사용자 또는 전문가로부터 데이터를 수집하는 데이터 수집 운영부; 데이터 수집 운영부가 수집한 각종 데이터들을 분석을 위한 정제화된 값 형태로 변환하는 데이터 수집 정제화부; 데이터 수집 정제화부의 데이터를 가져와서 다단계에 걸쳐 데이터 분석 및 학습을 수행하는 4단계 데이터 학습 관리부; 4단계 데이터 학습관리부가 다단계에 걸쳐 수행한 데이터 분석 및 학습결과물을 분류하고 별도로 관리하여 이들을 복수개의 경우의 수로 조합할 수 있도록 관리하는 분석결과 데이터 관리모듈; 및 분석결과 데이터 관리모듈로부터 제품별 선호도 결과 데이터를 가져와서 추천에 반영함으로써 제품 인덱스를 변경하여 개인화 데이터로 만들어내는 개인화 추천 디스플레이 배포부를 포함한다.

또한, 본 발명은 개인화 추천 디스플레이 배포부와 함께 고객의 커피원두 선호도 예측결과를 온라인 쇼핑몰 또는 애플리케이션에 디스플레이함으로써 추천 상품을 노출하되, 분석결과 데이터 관리모듈의 카테고리 선호도 결과 데이터를 가져와서 카테고리 인덱스를 변경하는 카테고리 디스플레이 배포부를 더 포함할 수 있다.

또한, 본 발명은 카테고리 디스플레이 배포부와 개인화 추천 디스플레이 배포부를 통해 고객에게 노출된 디스플레이에 대한 고객의 반응결과를 수집하는 고객활동 반응 수집부를 더 포함할 수 있다.

또한, 본 발명은 고객 활동 반응 수집부의 커피원두 선호도 예측결과를 통해 디스플레이되는 상품에 대한 고객반응을 실시간으로 분석 및 평가하는 성능분석 및 평가부를 더 포함할 수 있다.

또한, 본 발명은 성능분석 및 평가부의 결과 데이터를 분석하여 4단계 데이터 학습관리부의 각 단계에 대하여 가중치를 부여함으로써 업데이트를 수행하되, 클릭, 좋아요, 찜, 장바구니 담기, 구매/결제, 리뷰 평가를 포함한 이벤트 발생시 분석 프로세스를 재수행하여 커피 원두 선호도 예측 결과를 자동으로 업데이트하는 학습 모델 가중치 업데이트부를 더 포함할 수 있다.

또한, 본 발명의 데이터 수집 운영부가 수집하는 데이터는 고객의 맛 선호도 데이터를 포함하고, 맛 중에서 고소한 맛은 로스팅된 커피 원두의 외관을 기준으로 측정한 색도계 값, 로스팅된 정도를 측정한 로스팅 레벨(배전도), 곡물향, 견과류 맛을 포함하는 각 항목에 가중치를 곱한 후 합산한 결과값으로 산출할 수 있다.

본 발명에 의하면 커피원두 판매자가 제시하는 맛과 고객이 실제로 체감하는 맛, 성분분석을 통하여 객관화된 맛 사이에는 차이점이 존재할 수밖에 없음을 전제로, 이들 사이의 차이점을 분석하고 고객의 개인화된 맛 감지도를 바탕으로 커피원두를 추천함으로써, 판매자의 입장에서는 고객의 변화무쌍한 취향을 저격하여 매출을 증대시키고 고객의 입장에서는 만족도를 극대화할 수 있는 효과가 있다.

또한, 본 발명에 의하면 리뷰 작성, 맛 감지도 체크, 클릭/좋아요/장바구니/결제 등의 고객활동 이벤트가 발생하면 이를 적용하여 데이터에 가중치를 부여하고 분석 프로세스를 업데이트함으로써, 커피 선호도에 대한 변화를 추천 시스템에 반영할 수 있는 효과가 있다.

또한, 본 발명에 의하면 사용자가 증가하거나 사용자의 활동 내역이 증가할수록 보다 신뢰성 있는 데이터의 산출이 가능하고, 사용자의 입맛이나 취향이 계절 변화, 환경 변화 또는 연령의 증가에 따라 변화할 가능성을 충분히 고려하여 이러한 사용자의 변경 사항에도 신속하게 대응할 수 있는 유연성을 갖는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두 맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화는 선호도 분석 기반 커피 원두 추천 시스템의 전체 블록도,
도 2는 도 1의 데이터 수집 운영부에서 고객으로부터 획득한 중요 피처(feature) 정보의 예시를 도시한 도면,
도 3은 도 1의 데이터 수집 운영부에서 원두 정보와 성분 분석 및 전문가 커핑으로부터 획득한 중요 피처 정보의 예시를 도시한 도면,
도 4a와 도 4b는 도 1의 데이터 수집 운영부 중 선호도 테스트 운영부의 예시 화면을 도시한 도면,
도 5는 도 1의 데이터 수집 운영부 중 평가/맛 감지도 운영부의 예시 화면을 도시한 도면,
도 6 및 도 7은 도 1의 데이터 수집 운영부 중 성분분석 데이터 운영부의 예시 화면을 도시한 도면,
도 8은 도 1의 데이터 수집 운영부 중 전문가 커핑 운영부의 예시 화면을 도시한 도면,
도 9는 도 1의 카테고리 디스플레이 배포부와 개인화 추천 디스플레이 배포부의 예시화면을 도시한 도면이다.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.

도 1은 본 발명의 일 실시예에 따른 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두 맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화는 선호도 분석 기반 커피 원두 추천 시스템(이하, '선호도 분석 기반 커피 원두 추천 시스템')의 전체 블록도이다. 도 2는 도 1의 데이터 수집 운영부에서 고객으로부터 획득한 중요 피처(feature) 정보의 예시이다. 도 3은 도 1의 데이터 수집 운영부에서 원두 정보와 성분 분석 및 전문가 커핑으로부터 획득한 중요 피처 정보의 예시이다.

본 발명의 일 실시예에 따른 선호도 분석 기반 커피 원두 추천 시스템은, 도 1을 참조하면, 데이터 수집 운영부(5), 데이터 수집 정제화부(100), 4단계 데이터 학습관리부(105), 카테고리 디스플레이 배포부(200), 개인화 추천 디스플레이 배포부(210), 고객활동반응 수집부(220), 성능분석 및 평가부(230), 및 학습모듈 가중치 업데이트부(240)를 포함하여 이루어진다.

또한, 데이터 수집 운영부(5)는 건강정보 설문 운영부(10), 선호도 테스트 운영부(20), 평가/맛 감지도 운영부(30), 성분분석 데이터 운영부(40), 전문가 커핑 운영부(50), 앱/웹 활동정보 수집 운영부(60), 구매/결제 정보 운영부(70)를 포함한다.

데이터 수집 운영부(5)는 웹, 모바일 웹 또는 모바일 앱을 통해 고객 또는 전문가로부터 데이터를 수집한다. 데이터 수집 운영부(5)는 사용자의 설문조사 응답, 평가 후기 작성, 전문가의 평가 입력, 성분분석 결과 등록, 시스템의 사용정보, 결제 정보 등을 입력받아 수집 및 운영한다.

데이터 수집 운영부(5)에 의해 수집된 데이터는 소비자의 커피 원두 선호도를 분석하기 위한 기초 자료가 되므로, 다양한 데이터 중 어떠한 데이터를 입력받아 각 데이터에 어떠한 가중치를 주어 중요한 분석요소(중요 feature)로 사용할 것인지가 중요하다.

도 2를 참조하면, 고객으로부터 획득한 중요 피처 정보의 예시가 도시되어 있다.

고객으로부터 획득한 중요 피처 정보는 성별, 나이, 연령대, 커피 관심도와 같은 가장 기본적인 정보부터 혈압, 빈혈, 두통, 심장질환, 콜레스테롤, 신장질환과 같은 건강정보까지 다양한 정보를 포함한다.

또한, 고객으로부터 획득한 중요 피처 정보는 커피의 음용 횟수, 특정 커피 매장의 이용 횟수, 맛 선호도, 향 선호도, 핸드드립 등 커피 관련 장비 보유여부, 원두 구매 정보, 장바구니 담기 정보 등 앱/웹 활동정보와 구매/결제 정보도 포함한다.

특히 고객의 맛 선호도 중 고소한 맛의 경우, 한국인은 커피의 고소한 맛을 중요하게 생각하지만, 커피 맛 중 고소한 맛에 대한 측정 정의는 존재하지 않는다. 산도, 당도, 밀도, 염도 등은 기준이 명확하고 용이하게 측정 가능하지만, 고소한 맛은 측정 방법도 표준화되어 있지 않고 맛에 대한 기준도 지극히 개인적이다.

본 발명에서는 고소한 맛에 대하여 로스팅된 커피 원두의 외관을 기준으로 측정한 색도계 값, 로스팅된 정도를 측정한 로스팅 레벨(배전도), 곡물향, 견과류 맛을 포함하는 각 항목에 가중치를 곱한 후 합산한 결과값으로 고소한 맛을 일률적이고 객관적으로 산출한다. 이를 통해 한국인의 취향을 보다 실질적으로 반영할 수 있도록 한다.

도 3을 참조하면, 원두 정보와 성분 분석 및 전문가 커핑으로부터 획득한 중요 피처 정보의 예시가 도시되어 있다.

생두 정보로부터 생두 생산국가, 생산지역, 생산농장, 품종, 등급, 고도 등의 정보를 얻을 수 있다.

성분 분석을 통해 당도, 염도, 산도, 비중, 밀도, 농도, 커피농도 TDS, 색도계 등의 정보를 얻을 수 있다.

전문가 커핑으로부터 단맛, 고소한 맛, 신맛, 쓴맛, 향미에 대한 평가 평균점수와 별점 평가 평균정수 등의 정보를 얻을 수 있다.

건강정보 설문 운영부(10)는 고객 단말기로부터 고객의 건강정보를 입력받는다. 건강정보로는 커피 음용과 관련이 있는 혈압, 빈혈, 두통, 심장질환, 콜레스테롤, 신장질환 등을 포함하며, 이에 한정되지 않는다.

도 4a와 도 4b는 도 1의 데이터 수집 운영부 중 선호도 테스트 운영부의 예시 화면을 도시한 도면이다.

도 4a 및 도 4b를 참조하면, 선호도 테스트 운영부(20)는 에스프레소, 아메리카노, 핸드드립, 라떼, 모카, 바닐라, 콜드브루, 디카페인 등 커피 종류별로 마시는 횟수, 고소한 맛, 플로럴(산미), 단맛, 쌉싸름한 맛, 과일맛, 견과류 맛, 달콤한 맛 등 선호하는 커피의 맛, 깨끗한 뒷맛, 묵직한 뒷맛, 톡쏘는 뒷맛, 매운 뒷맛 등 선호하는 커피의 뒷맛, 커피의 꽃향, 와인향, 허브향, 곡물향 등 커피의 향미, 하루 커피 섭취량, 커피 전문점 이용횟수, 보유한 커피 추출 도구 등에 관한 설문을 입력받아 종합적인 '나의 커피 선호도' 분석 결과를 디스플레이할 수 있다.

도 5는 도 1의 데이터 수집 운영부 중 평가/맛 감지도 운영부의 예시 화면을 도시한 도면이다.

도 5를 참조하면, 평가/맛 감지도 운영부(30)는 특정 커피 원두 상품에 대하여 종합 만족도(별점), 단맛의 정도, 고소한 맛의 정도, 신맛의 정도, 향의 정도에 대한 평가 및 맛 감지도 결과를 입력받아 분석을 위한 피처로 활용할 수 있도록 한다. 판매하는 제품이 가진 맛의 정보와 실제 고객이 느끼는 맛 감지도에는 분명한 차이가 있으므로, 평가/맛 감지도 운영부(30)의 데이터는 고객의 입장에서 고객의 변하는 혹은 불변하는 성향이 실질적이고 시의 적절하게 반영되도록 한다.

도 6 및 도 7은 도 1의 데이터 수집 운영부 중 성분분석 데이터 운영부의 예시 화면을 도시한 도면이다.

도 6 및 도 7을 참조하면, 성분분석 데이터 운영부(40)는 특정 원두에 대한 성분 분석 결과를 입력받아 등록한다. 성분 분석 항목으로는 당도, 염도, 산도, 비중, 밀도, 농도, 커피농도(TDS) 등이 포함될 수 있으며, 여기에 한정되지 않는다.

일례로 성분분석 데이터 운영부(40)는 도 6과 같이 커피분석관리 메뉴의 원두 분석 평가 메뉴로 구현될 수 있다.

도 7을 참조하면, 커피 생두 정보를 등록하는 화면이 도시되어 있다. 생두 정보로는 생두업체, 생두명, 원산지, 농장명, 농장주, 고도, 프로세싱 선택, 품종 선택, 수분, 밀도, 커핑노트, 로스팅 포인트, 등급, 수상경력, 입고시기, 가격 등의 정보가 등록될 수 있다. 일례로 커피 생두 정보는 도 6과 같이 커피분석관리 메뉴의 생두 정보 목록 메뉴로 구현될 수 있다.

도 8은 도 1의 데이터 수집 운영부 중 전문가 커핑 운영부의 예시 화면을 도시한 도면이다.

도 8을 참조하면, 전문가 커핑 운영부(50)는 커피 전문가의 블라인드 커핑 테스트를 통한 커피 평가정보를 입력받는다. 전문가 커핑 운영부(50)는 특정 원두에 대하여 맛에 대한 평가, 향, 후미에 대한 평가(꽃 향, 허브 향, 구수한 곡물 향, 와인/위스키 향, 묵직한 뒷맛, 매운 맛, 톡쏘는 맛 등) 등을 입력받는다. 또한, 전문가 커핑 운영부(50)는 특정 원두에 대하여 실제로 느껴지는 컵노트(예컨대, 피치, 라임, 견과류, 다크 초콜릿 등)를 입력받고 최종 평가문을 입력받는다.

일례로 전문가 커핑 운영부(50)는 도 8과 같이 커피분석관리의 원두분석평가 메뉴로 구현될 수 있다.

앱/웹 활동정보 수집 운영부(60)는 검색, 클릭, 좋아요, 찜, 리뷰 작성, 장바구니 담기 등을 포함한 고객의 활동정보를 수집한다.

구매/결제 정보 운영부(70)는 고객의 구매정보와 결제정보를 수집한다.

데이터 수집 정제화부(100)는 데이터 수집 운영부(5)가 수집한 각종 데이터들을 분석을 위한 정제화된 값 형태로 변환시키는 작업을 수행한다.

데이터 수집 운영부(5)에 의해 수집된 데이터들은 각각의 범위와 값 형태를 갖는다. 예컨대 어떤 데이터는 1~10의 범위 내에서 1,3,5,7,10의 5가지 값 중에 선택되고, 어떤 데이터는 무제한으로 계속 증가 할 수도 있다. 또한, 어떤 값은 싫음, 보통, 좋음과 같이 3개의 값 중에서 선택되기도 한다.

데이터 수집 정제화부(100)는 이와 같이 각기 다른 범위와 값 형태(type)를 갖는 데이터들을 분석하기 위해 통일된 형태의 값으로 변환한다. 일례로, 데이터 수집 정제화부(100)는 정규분포 알고리즘을 통해 서로 다른 포맷의 데이터들을 1~10점 사이의 정수값으로 변환하도록 구현될수 있으며, 이에 한정되지 않는다. 데이터 수집 정제화부(100)가 있어, 본 발명에서 비정형 데이터를 정제하는 별도의 수단은 생략할 수 있다.

4단계 데이터 학습관리부(105)는 다단계에 걸쳐 데이터 분석 및 학습을 수행한다.

4단계 데이터 학습관리부(105)는 고객입력정보 학습관리 모듈, 고객활동정보 학습관리 모듈, 구매활동정보 학습관리 모듈, 및 평가/성분분석정보 학습관리 모듈을 포함한다.

고객입력정보 학습관리 모듈은 커피 선호도 질문과 건강 정보 질문을 통해 정보를 수집하며, 나와 비슷한 답변을 한 사람들이 좋아하는 제품은 나도 좋아할 것’이라는 분석 명제를 통해 설문조사에 기반한 고객 성향을 분석하고 분류한다.

분석방법은 응답한 결과 데이터를 기반으로 답변자들 사이의 유사도를 계산하고, 유사도가 비슷한 사용자 그룹을 생성하거나, 상품 기반 유사도를 분석하거나 사용자 기반으로 유사도를 분석할 수 있다.

고객활동정보 학습관리 모듈은 고객의 검색 활동, 클릭 활동, 좋아요 등의 이벤트를 감지하여 고객활동정보를 수집하며, 클릭한 상품, 검색한 상품이 나와 비슷한 사람들이 좋아한 상품은 나도 좋아할 것’이라는 분석명제를 통해 고객활동 데이터에 기반한 고객 성향을 분석하고 분류한다.

분석 방법은 고객입력정보 학습관리 모듈의 유사도 결과 데이터를 기반으로, 검색상품, 검색상품이 속한 카테고리 상품, 클릭한 상품, 클릭 상품이 속한 카테고리 상품, 좋아요 클릭 상품, 좋아요 클릭 상품이 속한 카테고리 상품, 각 상품의 커핑 정보, 각 상품의 품종, 각 상품의 등급, 각 상품의 원산지를 분석하여 고객 활동 유사도가 비슷한 사용자 그룹을 생성한다.

구매활동정보 학습관리 모듈은 고객의 장바구니 담기, 상품구매 등의 이벤트를 감지하여 구매활동정보를 수집하며, ‘내가 구매한 제품을 좋아한 사람들이 좋아하는 다른 제품은 나도 좋아할 것’이라는 분석명제를 통해 장바구니, 구매 데이터에 기반한 고객 성향을 분석하고 분류한다.

분석방법은 고객입력정보 학습관리 모듈과 고객활동정보 학습관리 모듈의 유사도 결과 데이터를 기반으로, 장바구니에 담은 상품, 장바구니에 담은 상품이 속한 카테고리 상품, 구매한 상품, 구매상품이 속한 카테고리 상품을 분석하여 구매활동 유사도가 비슷한 사용자 그룹을 생성한다. 이때 구매상품 유사도 사용자 그룹 또는 구매상품 유사도 제품 그룹을 생성할 수 있다.

평가/성분분석정보 학습관리 모듈은 후기 평가, 성분분석 결과 입력, 전문가 블라인드 테스트 결과를 통해 정보를 수집하며, '맛 감지도와 성분 분석 결과, 블라인드 테스트 결과의 차이점을 반영하여 고객 개인화 특성을 더욱 정확히 반영할 수 있다' 라는 분석명제를 통해 평가 데이터에 기반한 고객 성향을 분석하고 분류한다.

분석방법은 고객입력정보 학습관리 모듈과 고객활동정보 학습관리 모듈 및 구매활동정보 학습관리 모듈의 유사도 결과 데이터를 기반으로, 종합 만족도 별점, 맛 감지도, 성분분석 정보, 전문가 블라인드 테스트 결과 데이터를 반영하여 맛 감지도 점수를 통해 나와 유사한 사람을 찾고, 유사한 사람들이 모두가 좋아하는 제품을 추천했을 것이라는 전제 하에 커피성분 분석 결과와 맛 감지도 사이의 차이를 측정하여 오차 범위를 줄일 수 있다. 또한 전문가 커핑 데이터와 고객의 맛 감지도 사이의 유사도를 이용하여 제품을 추천할 수도 있다.

이상에서는 4단계 데이터 학습관리부(105)가 고객 입력 정보(1단계), 고객활동정보(2단계), 구매활동정보(3단계), 평가/성분분석 정보(4단계)의 순서로 구성되는 것을 예로 들어 설명하였으나, 이에 한정되지 않으며 순서는 변경될 수 있음을 밝혀둔다.

4단계 데이터 학습 관리부(105)가 다단계에 걸쳐 데이터 분석 및 학습을 수행하고 나면, 분석 결과 데이터 관리 모듈(110,120,130,140)이 데이터 학습 분석의 결과물을 관리한다.

분석결과 데이터 관리모듈(110,120,130,140)은 카테고리 선호도 결과 데이터 관리모듈(110), 맛 선호도 결과 데이터 관리모듈(120), 맛 감지도 결과 데이터 관리모듈(130), 및 제품별 선호도 결과 데이터 관리모듈(140)을 포함한다.

카테고리 선호도 결과 데이터 관리모듈(110)은 원두의 카테고리 선호도 결과 데이터를 별도로 관리한다. 카테고리 선호도는 도 2와 같이 핸드드립, 라떼, 콜드브루, 디카페인, 특정 커피 브랜드, 아메리카노 등에 대한 선호도를 포함하며, 이에 한정되지 않는다.

맛 선호도 결과 데이터 관리모듈(120)은 원두에 대한 맛 선호도 결과 데이터를 별도로 관리한다. 맛 선호도는 도 2와 같이 고소한 맛, 단맛, 쓴맛, 과일맛, 견과류맛, 초콜릿맛, 산미있는 맛, 꽃향, 와인향, 허브향, 곡물향, 톡 쏘는 맛, 묵직한 뒷맛, 클린컵 등을 포함하며, 이에 한정되지 않는다.

맛 감지도 결과 데이터 관리모듈(130)은 원두에 대한 맛 감지도 결과 데이터를 별도로 관리한다. 맛 감지도는 도 5와 같이 단맛에 대한 감지도, 고소한 맛에 대한 감지도, 신맛에 대한 감지도, 향에 대한 감지도 등을 포함하며, 이에 한정되지 않는다.

도 9는 도 1의 카테고리 디스플레이 배포부와 개인화 추천 디스플레이 배포부의 예시화면을 도시한 도면이다.

제품별 선호도 결과 데이터 관리모듈(140)은 도 9와 같이 싱글 오리진, 블렌딩, 에스프레소용, 드립백, 콜드브루를 포함한 대분류에서 각종 개인화 추천제품을 포함한 소분류까지 각 원두제품에 대한 선호도 결과데이터를 별도로 관리한다.

이와 같이 분석결과 데이터 관리모듈(110,120,130,140)은 분석결과 데이터를 관리하는 모듈을 별도로 분류하여 필요에 따라 여러 가지 경우의 수로 조합할 수 있도록 효율적으로 관리한다. 즉, 분석결과 데이터 관리모듈(110,120,130,140)은 각 결과 데이터를 서로 조합하기 용이하도록 최적화된 형태의 데이터로 저장하고 업데이트를 수행한다.

카테고리 디스플레이 배포부(200)와 개인화추천 디스플레이 배포부(210)는 고객의 커피원두 선호도 예측 결과를 온라인 쇼핑몰 및/또는 애플리케이션에 디스플레이 함으로써 추천 상품을 노출한다.

카테고리 디스플레이 배포부(200)는 카테고리 선호도 결과 데이터 관리모듈(110)로부터 카테고리 선호도 결과 데이터를 가져와서 카테고리 인덱스를 변경한다. 예컨대 고객이 디카페인을 1순위, 콜드브루를 2순위로 선호한다면 카테고리 선호도를 반영하여 디카페인과 콜드브루가 우선순위가 되도록 카테고리 인덱스를 변경한다.

개인화 추천 디스플레이 배포부(210)는 제품별 선호도 결과 데이터 관리모듈(140)로부터 제품별 선호도 결과 데이터를 가져와서 카테고리 내부의 제품 인덱스를 변경한다. 예컨대 도 9와 같이 고객이 싱글 오리진이면서 프로세싱은 Washed, 배전도는 중배전인 커피원두를 선호한다면 이를 반영하여 케냐AA상품이 우선순위가 되도록 제품 인덱스를 변경한다.

개인화 추천 디스플레이 배포부(210)는 분석결과 데이터 관리모듈(110,120,130,140)로부터 각 결과 데이터를 6가지 조합으로 혼합하여 데이터 인덱스를 개인화 데이터로 만들어낸다. 카테고리 선호도 결과(A), 맛 선호도 결과(B), 맛 감지도 결과(C), 제품별 선호도 결과(D)를 6가지로 조합하면 AB,AC,AD,BC,BD,CD가 된다. 이를 통해 개인화 추천 디스플레이 배포부(210)는 인기제품, 개인화 추천제품의 인덱스를 변경한다.

고객활동 반응 수집부(220)는 카테고리 디스플레이 배포부(200)와 개인화 추천 디스플레이 배포부(210)를 통해 고객에게 노출된 디스플레이에 대한 고객의 반응결과를 수집한다.

성능분석 및 평가부(230)는 고객활동 반응 수집부(220)의 데이터 결과를 분석하고 평가한다. 고객 반응은 클릭, 좋아요, 장바구니, 구매, 찜하기 등의 활동데이터를 사용하여 분석 및 평가한다. 디스플레이 이후 고객의 반응 행동 데이터는 카테고리별, 제품별로 증가값을 가지게 된다. 성능분석 및 평가부(230)는 커피원두 선호도 예측 결과를 통해 디스플레이되는 상품의 고객반응을 실시간으로 분석 및 평가한다.

학습모듈 가중치 업데이트부(240)는 성능분석 및 평가부(230)의 결과 데이터를 분석하여 4단계 데이터 학습관리부(105)의 각 단계에 대한 가중치를 최적화한다. 학습모듈 가중치 업데이트부(240)는 최적화된 가중치를 4단계 데이터 학습관리 부에 반영하여 업데이트를 수행한다.

학습모델 가중치 업데이트부(240)는 클릭, 좋아요, 찜, 장바구니 담기, 구매/결제, 리뷰 평가 등의 이벤트 발생시 분석 프로세스를 재수행함으로써 커피원두 선호도 예측 결과를 자동으로 업데이트한다.

이러한 순환구조를 통해 분석, 분류, 예측에 의한 지속적인 시스템 성능 개선이 가능하다. 본 발명은 중요 요소들의 가중치를 지속적으로 재설정하고 관리할 수 있는 구조로 설계되어 새로운 중요 요소를 추가, 수정, 삭제할 수 있고, 사용자의 활동에 따라 분석 프로세스가 자동으로 실행되며, 사용자의 입맛이나 취향 변화에 즉각적으로 대응하여 맞춤형 추천이 가능하도록 한다.

이와 같은 과정을 거치기 때문에 본 발명에 따른 선호도 분석 기반 커피원두 추천 시스템은 사용자가 증가하거나 사용자의 활동 내역이 증가할수록 보다 신뢰성 있는 데이터의 산출이 가능하도록 한다. 또한, 본 발명에 따르면 사용자의 입맛이나 취향이 계절 변화, 환경 변화 또는 연령의 증가에 따라 변화할 가능성을 충분히 고려하여 이러한 사용자의 변경 사항에도 신속하게 대응할 수 있는 유연성을 갖는다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

5 - 데이터 수집 운영부
100 - 데이터 수집 정제화부
105 - 4단계 데이터 학습 관리부
110 - 카테고리 선호도 결과 데이터 관리모듈
120 - 맛 선호도 선호도 결과 데이터 관리모듈
130 - 맛 감지도 선호도 결과 데이터 관리모듈
140 - 제품별 선호도 결과 데이터 관리모듈
200 - 카테고리 디스플레이 배포부
210 - 개인화 추천 디스플레이 배포부
220 - 고객활동 반응 수집부
230 - 성능분석 및 평가부
240 - 학습모듈 가중치 업데이트부

Claims (6)

1. 웹 또는 앱을 통해 사용자 또는 전문가로부터 데이터를 수집하는 데이터 수집 운영부;
   데이터 수집 운영부가 수집한 각종 데이터들을 분석을 위한 정제화된 값 형태로 변환하는 데이터 수집 정제화부;
   데이터 수집 정제화부의 데이터를 가져와서 다단계에 걸쳐 데이터 분석 및 학습을 수행하는 4단계 데이터 학습 관리부;
   4단계 데이터 학습관리부가 다단계에 걸쳐 수행한 데이터 분석 및 학습결과물을 분류하고 별도로 관리하여 이들을 복수개의 경우의 수로 조합할 수 있도록 관리하는 분석결과 데이터 관리모듈; 및
   분석결과 데이터 관리모듈로부터 제품별 선호도 결과 데이터를 가져와서 추천에 반영함으로써 제품 인덱스를 변경하여 개인화 데이터로 만들어내는 개인화 추천 디스플레이 배포부
   를 포함하는, 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템.
2. 제1항에 있어서,
   개인화 추천 디스플레이 배포부와 함께 고객의 커피원두 선호도 예측결과를 온라인 쇼핑몰 또는 애플리케이션에 디스플레이함으로써 추천 상품을 노출하되, 분석결과 데이터 관리모듈의 카테고리 선호도 결과 데이터를 가져와서 카테고리 인덱스를 변경하는 카테고리 디스플레이 배포부
   를 더 포함하는, 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템.
3. 제2항에 있어서,
   카테고리 디스플레이 배포부와 개인화 추천 디스플레이 배포부를 통해 고객에게 노출된 디스플레이에 대한 고객의 반응결과를 수집하는 고객활동 반응 수집부
   를 더 포함하는, 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템.
4. 제3항에 있어서,
   고객 활동 반응 수집부의 커피원두 선호도 예측결과를 통해 디스플레이되는 상품에 대한 고객반응을 실시간으로 분석 및 평가하는 성능분석 및 평가부
   를 더 포함하는, 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템.
5. 제4항에 있어서,
   성능분석 및 평가부의 결과 데이터를 분석하여 4단계 데이터 학습관리부의 각 단계에 대하여 가중치를 부여함으로써 업데이트를 수행하되, 클릭, 좋아요, 찜, 장바구니 담기, 구매/결제, 리뷰 평가를 포함한 이벤트 발생시 분석 프로세스를 재수행하여 커피 원두 선호도 예측 결과를 자동으로 업데이트하는 학습 모델 가중치 업데이트부
   를 더 포함하는, 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템.
6. 제1항에 있어서,
   데이터 수집 운영부가 수집하는 데이터는 고객의 맛 선호도 데이터를 포함하고, 맛 중에서 고소한 맛은 로스팅된 커피 원두의 외관을 기준으로 측정한 색도계 값, 로스팅된 정도를 측정한 로스팅 레벨(배전도), 곡물향, 견과류 맛을 포함하는 각 항목에 가중치를 곱한 후 합산한 결과값으로 산출하는, 다단계 데이터 분석 및 학습과 커피 선호도 예측을 위한 것으로 항목에 대한 가중치 업데이트를 통해 판매자가 설명하는 커피 원두맛 정보와 고객이 실제 느끼는 커피 원두 맛의 갭을 최소화하는 선호도 분석 기반 커피 원두 추천 시스템.

Images