KR20230157556A

KR20230157556A - 빅데이터 기반 라이브 커머스 시스템 및 방법

Info

Publication number: KR20230157556A
Application number: KR1020220056555A
Authority: KR
Inventors: 김천수
Original assignee: (주)수앤컴퍼니1
Priority date: 2022-05-09
Filing date: 2022-05-09
Publication date: 2023-11-17

Abstract

오픈마켓 플랫폼에서 쇼핑하는 고객에 대한 고객이동경로 상의 데이터를 수집하는 빅데이터 수집 엔진; 상기 빅데이터 수집 엔진에 의해 수집된 데이터를 분석하여 셀러 상품별로 키워드 분석을 수행하는 빅데이터 분석 모듈; 및 상기 키워드 분석 결과에 기초하여 셀러 상품별로 노출 최적화 키워드를 추천하는 고객 채널 모듈을 포함하는 빅데이터 기반 라이브 커머스 시스템 및 방법을 제공한다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

Description

빅데이터 기반 라이브 커머스 시스템 및 방법{BIG DATA-BASED LIVE COMMERCE SYSTEM AND METHOD}

아래 실시예들은 빅데이터 기반 라이브 커머스 시스템 및 방법에 관한 것이다.

최근 이커머스 시장은 기존의 강력한 검색기반과 가격비교 수준에서 이미지 검색, 상품 태깅, 개인검색 이력기반 빅데이터 상품 추천 적용 등 소비자 중심의 단순검색 상품구매에서 AI 오픈마켓을 통해 인공지능이 소비자에게 개인 맞춤형 상품을 자동 추천해주는 패턴으로 변화하고 있다.

AI 오픈마켓 기술은 이용자의 소비 전단계 탐색, 구매 등의 다양한 검색이력 빅데이터를 기반으로 분석되며, 이용자의 검색 키워드와 상품의 소비패턴 데이터가 핵심 데이터이다. 이러한 개인 맞춤형 AI 오픈마켓 시장에서 큰 비용의 광고 집행을 통한 푸시형 상품 노출보다 AI 오픈마켓에 최적화되도록 판매상품을 관리하는 것이 중요하게 되었다.

검색 기반의 AI 오픈마켓에서 AI 시스템이 선호하는 AI 상품 최적화로 판매해야 상품 추천 및 검색에 많이 노출시킬 수 있다. 따라서, 창업초기 또는 광고비용이 부담되는 소상공인 판매자에게는 적용 비용으로 이용자에게 상품을 노출시키고 노출상품의 판매를 예측할 수 있게 하는 솔루션이 필요한 실정이다.

아래 실시예들은 빅데이터 기반 라이브 커머스 시스템 및 방법을 제공하기 위한 것이다.

오픈마켓 플랫폼에서 쇼핑하는 고객에 대한 고객이동경로 상의 데이터를 수집하는 빅데이터 수집 엔진; 상기 빅데이터 수집 엔진에 의해 수집된 데이터를 분석하여 셀러 상품별로 키워드 분석을 수행하는 빅데이터 분석 모듈; 및 상기 키워드 분석 결과에 기초하여 셀러 상품별로 노출 최적화 키워드를 추천하는 고객 채널 모듈을 포함하는 빅데이터 기반 라이브 커머스 시스템 및 방법을 제공한다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

아래 실시예들은 빅데이터 기반 라이브 커머스 시스템 및 방법을 효율적으로 제공하는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 빅데이터 기반 라이브 커머스 시스템 및 방법의 구성블록도이다.
도 2는 본 발명의 일실시예에 의한 빅데이터 수집 엔진의 구성 블록도이다.
도 3은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예 들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 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 참조부호를 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.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 본 발명의 일 실시예에 따른 빅데이터 기반 라이브 커머스 시스템 및 방법의 구성블록도이다.

도 2는 본 발명의 일실시예에 의한 빅데이터 수집 엔진의 구성 블록도이다.

빅데이터 수집 엔진(110)은 메인 실행부(Execute Main), 기반부(Foundation), 처리부(Process), 요소부(Element)를 포함할 수 있다(도 2 참조)

Excute Main 부분은 ESSD 시작 도입 부분이며, 상위 요소의 실행에 환경 설정, ESSD 요소에 필요한 API를 구성하는 역할 및 프로세스를 구동시키는 역할을 담당한다.

Excute Main 부는 XML 파서, DB 풀 매니저, 로그 컨트롤러, IPC 매니저, 프로세스 컨트롤러, 부하 환경 모듈 등을 포함한다. 주된 담당 기능으로는 환경변수 초기화 및 Process 구동, Community Server 구동, Schedule 구동 등의 기능을 포함하며, Process 결과에 대한 값을 기록 저장하는 기능을 포함한다. Foundation은 Excute Main에 의해 초기화 되며 상위 영역의 프로세스간 Interface(IPC Community, Socket Server) 부분과, 상위영역의 Utility API, 동작상태 등의 상세기록을 저장할 Log API 등의 상위 프로그램 구동 중 필요한 API를 포함한다. Foundation 부는 로그 모듈, IPC 커뮤니티 모듈, 유틸리티 모듈, 웹 드라이브 로더를 포함한다.

Process는 Excute Main에 의해 구동되며, 구동되는 숫자와 구동형태(1회성 또는 Daemon 형태의 독립적인 프로그램) 또한 Excute Main에 의해 결정된다. Process 부는 일주기 프로세스(One life cycle process) 모듈, 데몬 프로세스 모듈을 포함한다. Process는 상위 Element를 구동하고 그에 대한 결과값을 Excute Main에 전달 하는 기능을 담당한다. Element의 구동의 종류와 구동 타입 등의 선택은 Excute Main으로부터 전달 받으며, 통신은 Foundation 영역의 IPC Community를 통해 통신한다.

Element는 Web Crawler 엔진을 포함하며, Web Data Parser, 특정 Web 데이터 읽기 및 Web Input 자동화 기능이 포함된다. Element는 Process 에 의해 Web URL, 기능 Type, Parser에 대한 정보를 전달 받아서 구동되며, 결과에 해당한 Data를 Foundation 영역의 IPC Community를 통해 Process 영역에 전달한다.

Element Web Crawler 엔진의 종류는 Selenium + JSoup 으로 구성 되어 있으며, 각각의 라이브러리를 포함 하고 있다.

빅데이터 수집 엔진(110)이 실시간 또는 주기적으로 저장하는 데이터 용량은 대용량이기 때문에, 대용량 분산 데이터 저장 기술이 적용될 수 있다.

다시 도 1을 참조하면, 빅데이터 분석 모듈(120)은 빅데이터 수집 엔진(110)에서 수집한 빅데이터를 분석한다.

빅데이터 분석 모듈(120)은 데이터마이닝부(121), 이미지 인지부(122), 학습 분석부(123)를 포함할 수 있다.

데이터마이닝부(121)에서는 데이터마이닝을 통해 빅데이터를 분석한다. 빅데이터의 분석에는 DCA, SLM, ARD 중 하나 이상의 분석 알고리즘이 적용될 수 있다.

DCA(Data Cluster Analysis, 데이터 클러스터 분석)는 빅데이터 수집 엔진(110)에 의해 수집된 데이터 안에서 알지 못하는 특성이 있는 경우 데이터 점들이 클러스터를 이루게 하는데, 이 데이터 특성들의 유사성을 기초로 그룹화하고(클러스터링) 다시 그룹내 분산 기반으로 그룹핑 데이터를 만드는 기법이다.

SLM(Single Linkage Method, 싱글 링키지 방법)은 두 데이터 간의 클러스터간 거리 중 최단거리에 상응하여 유사성이 높은 큰 클러스터로 묶어 나가는 방법이다.

ARD(Association Rule Discovery, 연관성 규칙 발견)는 쇼핑고객과 커머스 상품의 관계데이터 속에서 연관성 키워드를 발견해, 판매자 상품이 노출 최적화될 수 있는 추천 키워드를 추출해 내는 방법이다.

이미지 인지부(122)는 상품에 관련된 이미지를 분류하고, 객체를 판독한다. 그리고 이미지 속 객체들의 키워드를 도출해낸다. 이미지 인지부(122)는 외부에 마련될 수 있으며, 예를 들어 구글 클라우드가 제공하는 컴퓨터 비젼(computer vision)에 따른 이미지 인지 API(image recognition API)를 활용할 수도 있다.

학습 분석부(123)는 데이터마이닝부(121)와 이미지 인지부(122)에서 도출된 키워드를 기계학습을 통해 본 시스템의 이용자가 등록한 셀러 상품별로 키워드 분석을 수행한다. 그리고 이용자가 등록한 셀러 상품과 관련하여 이커머스 플랫폼(AI 오픈마켓)에서 고객들의 쇼핑검색 트렌드의 키워드별 검색랭킹을 추적 분석한다.

고객 채널 모듈(130)은 셀러 상품별 노출 최적화 키워드를 추천한다. 노출 최적화 키워드를 상품명 또는 상품태그에 반영하면 제품의 최적화 정도에 따라 일정 기간(1~3일) 경과 후 검색랭킹이 상승하고 방문자 유입이 증가할 수 있다.

이를 위해 고객 채널 모듈(130)은 키워드 추천부(131)를 포함할 수 있다.

빅데이터 수집 엔진(110)에 의해 오픈마켓 상품의 카테고리별, 상품별 인기 트렌드 키워드 및 각 트렌드 키워드별 검색연관 키워드를 1차 수집할 수 있다. 그리고 이용자가 등록한 상품 이미지에서 추출한 키워드와 상품설명 키워드, 상품태그 키워드를 기준으로 2차 수집할 수 있다. 1차 수집된 키워드와 2차 수집된 키워드를 매칭하여 추출된 키워드를 기준으로 셀러 상품의 노출빈도 및 순위(검색랭킹)를 트랙킹할 수 있다.

셀러 상품의 추출 키워드를 기준으로 노출빈도, 검색순위를 일정 기준으로 정량화하여, 판매자가 셀러 상품에 설정하지 않은 키워드를 도출하여 판매자에게 상품별 최적화 키워드로 제공할 수 있다. 이 경우 검색 키워드별로 노출되고 있는 상품의 랭킹(판매자 상품 키워드별 검색랭킹) 추이를 제공할 수도 있다.

판매자는 추천된 노출 최적화 키워드를 상품명, 상세설명, 태그 등에 추가, 수정하면 검색되는 노출 키워드가 증가하고 순위가 상승할 수 있다. 본 실시예에서 고객 채널 모듈(130)은 추천된 노출 최적화 키워드에 대해 자동으로 상품명, 상세설명, 태그 중 하나 이상에 추가, 수정할 수 있다.

또한, 고객 채널 모듈(130)은 트렌드 예측부(132)를 포함할 수 있다. 트렌드 예측부(132)는 상품 카테고리별로 인기를 예측하여 오픈마켓에서 카테고리별 사용자 선호 상품군(상품 카테고리별 인기예측 키워드 트렌드)을 추천할 수 있다. 그리고 신규상품 등록 시 단기간에 오픈마켓에 최적화되는 상품군(키워드)도 함께 추천할 수 있다. 추천한 키워드 특징이 있는 상품 등록 시 노출율이 크게 높아질 수 있게 된다.

또한, 트렌드 예측부(132)는 이용자가 경쟁사로 지정한 쇼핑몰의 상품을 모니터링/분석하여 상품별 검색 추이를 제공할 수도 있다.

또한, 고객 채널 모듈(130)은 상품 관리부(133)를 포함할 수 있다. 상품 관리부(133)에서는 이용자가 등록한 셀러 상품에 대한 최적화 이슈(순위 변동, 유입 변동 등) 리포트를 서비스 이용자에게 미리 지정된 방식으로 알려줄 수 있다(SMS 발송, 모바일 웹페이지 연계 등).

상품 관리부(133)는 셀러 상품에 대한 재고 관리 및 주문 관리를 제공할 수 있다. 주문 현황 대쉬보드를 통해 주문 대기 중인 상품 고객별 대기현황과 상품별 주문통계를 제공할 수 있다.

또한, 상품 관리부(133)는 가격비교 상품에 대해 최저가 관리를 할 수 있다. 가격비교로 묶인 상품 내에서 가격비교 순위와 해제 상태, 최저가 가격 자동화를 지원할 수 있다.

도 3은 일실시예에 따른 장치의 구성의 예시도이다.

프로세서(302)는 프로그램을 실행하고, 장치(301)를 제어할 수 있다. 프로세서(302)에 의하여 실행되는 프로그램의 코드는 메모리(303)에 저장될 수 있다. 장치(301)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 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, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

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 코드 뿐만 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.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 청구범위의 범위에 속한다.

Claims

오픈마켓 플랫폼에서 쇼핑하는 고객에 대한 고객이동경로 상의 데이터를 수집하는 빅데이터 수집 엔진;
상기 빅데이터 수집 엔진에 의해 수집된 데이터를 분석하여 셀러 상품별로 키워드 분석을 수행하는 빅데이터 분석 모듈; 및
상기 키워드 분석 결과에 기초하여 셀러 상품별로 노출 최적화 키워드를 추천하는 고객 채널 모듈을 포함하는 빅데이터 기반 라이브 커머스 시스템 및 방법.
제1항에 있어서,
상기 빅데이터 분석 모듈은,
데이터 클러스터 분석(DCA), 싱글 링키지 방법(SLM), 연관성 규칙 발견(ARD) 중 적어도 하나의 분석 알고리즘에 따른 데이터마이닝을 통해 상기 데이터를 분석하는 데이터마이닝부; 및
상기 데이터마이닝부에서의 분석 결과에 기초하여 기계학습을 통해 상기 셀러 상품별로 키워드 분석을 수행하는 학습 분석부를 포함하는 빅데이터 기반 라이브 커머스 시스템 및 방법.
제1항에 있어서,
상기 상기 빅데이터 분석 모듈은 셀러 상품에 관한 이미지를 분류하고 객체를 판독하며 상기 객체에 대한 키워드를 도출하는 이미지 인지부를 더 포함하되,
상기 학습 분석부는 상기 이미지 인지부에서 도출한 키워드도 키워드 분석에 함께 활용하는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 키워드 추천 시스템.