KR20230158384A - 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법 - Google Patents

사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법 Download PDF

Info

Publication number
KR20230158384A
KR20230158384A KR1020220146781A KR20220146781A KR20230158384A KR 20230158384 A KR20230158384 A KR 20230158384A KR 1020220146781 A KR1020220146781 A KR 1020220146781A KR 20220146781 A KR20220146781 A KR 20220146781A KR 20230158384 A KR20230158384 A KR 20230158384A
Authority
KR
South Korea
Prior art keywords
user
information
product
recommended
target
Prior art date
Application number
KR1020220146781A
Other languages
English (en)
Inventor
박경양
이경전
Original Assignee
주식회사 하렉스인포텍
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 주식회사 하렉스인포텍 filed Critical 주식회사 하렉스인포텍
Priority to PCT/KR2023/005941 priority Critical patent/WO2023219317A1/ko
Publication of KR20230158384A publication Critical patent/KR20230158384A/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템이 제공된다. 상기 시스템은 사용자별 구매정보를 수집하는 입력부, 상기 사용자별 구매정보를 기반으로 타겟 고객에 대한 추천 상품 정보 및 타겟 마케팅 정보를 생성하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되, 상기 프로세서는 상기 타겟 고객에 대한 추천 상품 정보를 기반으로 사용자별 추천 상품 리스트를 생성하고, 상기 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성한다.

Description

사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법{SYSTEM AND METHOD FOR RECOMMENDING AND MARKETING USER-CENTERED HYPER-PERSONALIZED PRODUCTS}
본 발명은 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법에 관한 것이다.
한 상점의 관점에서 어떤 상품을 구매할 가능성이 높은 사용자를 추출하는 타겟 마케팅은 주로 사용자의 인구 통계학적 정보를 기준으로 진행되어 왔다.
예를 들어, 20대 여성을 위한 의류 상품 추천, 40대~50대 남성을 위한 건강식품 추천 등 나이와 성별을 중심으로 구매할만한 상품을 추천하는 마케팅 방식으로 진행되어 왔다.
하지만, 사용자의 인구 통계학적 정보를 기반으로 하는 타겟 마케팅 방법은 엉뚱한 상품을 추천을 하는 등 잘못된 결과를 수반하는 경우가 빈번하게 발생한다. 예를 들어, 아이가 없는 사람에게 아기 기저귀를 추천하는 문제가 발생하는 것이다.
따라서, 사용자 중심 초개인화 상품 추천 시스템의 결과를 기반으로 상점을 위한 타겟 마케팅 방식을 도입할 필요가 있다.
공개특허공보 제10-2018-0002944호 (2018.01.09)
본 발명이 해결하고자 하는 과제는 타겟 고객을 대상으로 추천된 추천 상품 정보를 재가공하여 머천트를 대상으로 제공되는 타겟 마케팅 정보를 생성 및 제공하는, 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 상기된 바와 같은 과제로 한정되지 않으며, 또다른 과제들이 존재할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 제1 측면에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템은 사용자별 구매정보를 수집하는 입력부, 상기 사용자별 구매정보를 기반으로 타겟 고객에 대한 추천 상품 정보 및 타겟 마케팅 정보를 생성하기 위한 프로그램이 저장된 메모리 및 상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되, 상기 프로세서는 상기 타겟 고객에 대한 추천 상품 정보를 기반으로 사용자별 추천 상품 리스트를 생성하고, 상기 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성한다.
또한, 본 발명의 제2 측면에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템에 의해 수행되는 방법은 복수의 상점에서 구매 완료된 바에 따른 구매정보를 수집하는 단계; 상기 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 기반으로 사용자별 추천 상품 리스트를 생성하는 단계; 및 상기 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성하는 단계를 포함한다.
상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상기 사용자 중심 초개인화 상품 추천 및 마케팅 방법을 위한 프로그램을 실행하며, 컴퓨터 판독가능 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
상술한 본 발명에 의하면, 상품 추천 서비스 제공 서버에 의해 생성된 추천 상품 정보를 기반으로 타겟 마케팅 정보를 생성하는바, 타겟 마케팅 정보를 생성하기 위한 추가적인 시스템을 도입 또는 개발할 필요가 없다는 점에서 유용하다.
즉, 종래 기술의 경우 사용자를 위한 상품 추천 서비스를 위한 구성과 상점을 위한 타겟 마케팅 정보 제공 서비스를 위한 구성이 별개로 구성되어 운용되어 왔으나, 본 발명은 이러한 비효율성을 제거하여 사용자가 구매할만한 상품을 추천하고 이를 타겟 마케팅 정보로 함께 이용함으로써, 사용자와 상점 모두에게 이득이 될 수 있는 구조를 제공할 수 있는 장점이 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템의 블록도이다.
도 2a 및 도 2b는 추천 상품 리스트 및 타겟 마케팅 정보의 일 예시를 도시한 도면이다.
도 3은 추천 상품 리스트 및 타겟 마케팅 정보를 실제 생성한 일 예시를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 방법의 순서도이다.
도 5는 종래 기술에 따른 결제 모델 및 본 발명의 일 실시예에 따른 사용자 중심 결제 모델을 도시한 도면이다.
도 6은 종래 기술에 따른 인공지능 모델과 본 발명의 일 실시예에 따른 인공지능 모델을 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버를 도시한다.
도 8은 종래 기술에 따른 싱글 머천트(single merchant) 및 사용자들을 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 멀티 머천트(multi merchant) 및 사용자들을 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 사용자 중심 인공지능 구조를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 사용자 중심 인공지능 구조에 기반한 상품 추천 서비스 시나리오를 도시한 도면이다.
도 12는 본 발명의 일 실시예에 따른 결제 데이터(구매정보)를 활용한 추천 서비스 제공을 도시한 도면이다.
도 13 및 도 14는 본 발명의 일 실시예에 따른 추천 알고리즘의 성능 비교 결과를 도시한 도면이다.
도 15는 본 발명의 일 실시예에 따른 매트릭스 기반 ECF(M-ECF)의 성능 결과를 도시한 도면이다.
도 16은 본 발명의 일 실시예에 따른 벡터 기반 ECF(V-ECF)의 성능 결과를 도시한 도면이다.
도 17은 본 발명의 일 실시예에 따른 전처리 완료 데이터를 도시한 도면이다.
도 18은 본 발명의 일 실시예에 따른 프로덕트 투 벡터(Product2vec) 및 사용자 성향 벡터 생성을 도시한 도면이다.
도 19는 본 발명의 일 실시예에 따른 상품 추천 결과를 도시한 도면이다.
도 20은 본 발명의 일 실시예에 따른 추천 평가 시나리오를 도시한 도면이다.
도 21은 본 발명의 일 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법을 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하에서는 도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템(100, 이하 시스템이라 한다), 방법을 설명하도록 한다. 또한, 도 5 내지 도 21을 참조하여 도 1 내지 도 4에 적용 가능한 상품 추천 서비스 제공 서버(200) 및 방법의 실시예를 설명하도록 한다. 한편, 본 발명의 일 실시예에 따른 시스템(100) 및 방법에 적용되는 상품 추천 서비스는 반드시 도 5 이하에서 설명한 서버(200) 및 방법에 한정되는 것은 아니며, 적용 가능한 다양한 상품 추천 방법이 적용될 수 있음은 물론이다.
도 1은 본 발명의 일 실시예에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템(100)의 블록도이다.
본 발명의 일 실시예에 따른 시스템은 입력부(110), 메모리(120) 및 프로세서(130)를 포함한다.
입력부(110)는 사용자별 구매정보를 수집한다. 여기에서 사용자별 구매정보는 구매상품, 구매 상점, 구매 시간 및 구매장소의 정보를 포함한다.
메모리(120)에는 사용자별 구매정보를 기반으로 타겟 고객에 대한 추천 상품 정보 및 상점의 마케팅을 위한 타겟 마케팅 정보를 생성하기 위한 프로그램이 저장된다.
프로세서(130)는 메모리(120)에 저장된 프로그램을 실행시킴에 따라, 타겟 고객에 대한 추천 상품 정보를 기반으로 사용자별 추천 상품 리스트를 생성한다. 여기에서 추천 상품 정보는 상품 추천 서비스 제공 서버(200)에 의해 생성될 수 있으며, 상품 추천 서비스 제공 서버(200)의 상세 내용은 후술하도록 한다.
그리고 프로세서(130)는 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성한다.
도 2a 및 도 2b는 추천 상품 리스트 및 타겟 마케팅 정보의 일 예시를 도시한 도면이다.
본 발명의 일 실시예는 상품 추천 서비스 제공 서버(200)를 통해 고객이 구매할 가능성이 높은 추천 상품 리스트를 도출한 후, 해당 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성할 수 있다.
일 실시예로, 타겟 마케팅 정보는 상점의 판매량 또는 상품의 판매량에 기초하여 타겟 마케팅 정보의 리스트의 수가 결정될 수 있다.
다른 일 실시예로, 타겟 마케팅 정보와 관련하여 프로세서(130)는 특정 상품을 기준으로 개별 상점의 소정 기간에 대한 평균 판매량 정보와 전체 상점의 평균 판매량 정보를 산출하고, 전체 상점의 평균 판매량 정보를 기반으로 하는 제1 최소 타겟 마케팅 정보 생성 조건이 설정되면, 제1 최소 타겟 마케팅 정보 생성 조건 이상을 만족하는 상점을 대상으로 타겟 마케팅 정보를 제공할 수 있다. 즉, 특정 상품의 판매량이 너무 적은 상점의 경우 타겟 마케팅 정보를 제공하더라도 적은 로우 데이터로 인하여 해당 정보가 부정확할 가능성이 높으므로, 본 발명의 일 실시예는 제1 최소 타겟 마케팅 정보 생성 조건을 추가적으로 설정하여 각 상점에게 제공되는 타겟 마케팅 정보의 품질을 보장할 수 있다.
또 다른 일 실시예로, 타겟 마케팅 정보와 관련하여 프로세서(130)는 개별 상품의 전체 상점에서의 소정 기간에 대한 평균 판매량 정보를 산출하고, 전체 상품의 전체 상점에서의 소정 기간에 대한 평균 판매량 정보를 기반으로 하는 제2 최소 타겟 마케팅 정보 생성 조건이 설정되면, 제2 최소 타겟 마케팅 정보 생성 조건 이상을 만족하는 상품을 타겟 마케팅 정보로 제공할 수 있다. 즉, 전체 상품군 중 특정 상품의 판매량이 너무 적은 상품의 경우, 이를 특정 사용자에게 추천하였다 하더라도 특정 사용자를 대상으로 편향된 타겟 마케팅 정보가 생성될 가능성이 높으므로, 본 발명의 일 실시예는 제2 최소 타겟 마케팅 정보 생성 조건을 추가적으로 설정하여 각 상점에게 제공되는 타겟 마케팅 정보의 품질을 보장할 수 있다.
전술한 실시예에서 제1 최소 타겟 마케팅 정보 생성 조건과 제2 최소 타겟 마케팅 정보 생성 조건은 각각 구분되어 적용될 수 있음은 물론이고, 동시에 적용될 수도 있다.
도 2a는 사용자별로 도출된 추천 상품 리스트의 일 예시로서, 고객번호 U1 사용자에게는 P1-1 상품(M1 상점), P3-2(M3 상점), P5-3 상품(M5 상점) 등이 추천되었고, U2 사용자에게는 P5-4 상품(M5 상점), P1-9(M1 상점), P4-4 상품(M4 상점) 등이 추천되었다.
이때, 본 발명의 일 실시예에서 프로세서(130)는 사용자별 추천 상품 리스트에 포함된 제1 사용자에 상응하는 제1 추천 상품 정보를 교차하고, 제1 추천 상품 정보를 기준으로 제1 사용자를 포함한 복수의 제2 사용자를 포함하는 타겟 마케팅 정보를 생성할 수 있다.
도 2b는 상점을 위한 타겟 마케팅 정보의 일 예시로서, 도 2a에 도시된 추천 상품 리스트를 상품 기준으로 교차하여 생성된 것이다. 그 결과 P1-1 상품의 경우 U1 사용자 등을 타겟으로 마케팅을 하도록 타겟 마케팅 정보가 생성되었고, P5-4 상품의 경우 U2 사용자 등을 타겟으로 마케팅을 하도록 타겟 마케팅 정보가 생성되었다.
또한, 프로세서(130)는 구매정보를 기반으로 제1 추천 상품 정보의 상품을 판매한 제1 상점 및 제1 추천 상품 정보의 상품을 판매 중인 제1 상점과 상이한 제2 상점을 기준으로 정렬하여 타겟 마케팅 정보를 생성할 수 있다.
즉, 본 발명의 일 실시예는 추천 상품 리스트에 포함된 제1 추천 상품 정보의 상품을 판매한 제1 상점 및 상품을 기준으로 복수의 사용자를 타겟으로 마케팅하도록 타겟 마케팅 정보가 생성될 수 있다. 이에 더 나아가 추천 상품 리스트에서 제1 추천 상품 정보와 제2 상점이 매칭되어 추천되지는 않았으나(또는 추천 상품 리스트에 제2 상점의 정보가 포함되지는 않은 경우), 제2 상점에서도 제1 추천 상품 정보와 동일한 상품, 동종의 상품 또는 동일 카테고리의 상품을 판매하는 경우, 제2 상점에게도 제1 상점과 마찬가지로 해당 상품을 기준으로 복수의 사용자를 타겟으로 마케팅할 수 있도록 타겟 마케팅 정보가 생성될 수 있다.
이때, 제1 상점과 제2 상점은 체인점 등 동일 상품을 판매하는 상점인 경우 제1 상점뿐만 아니라 제2 상점에게도 타겟 마케팅 정보가 함께 생성되어 추천 제공될 수 있다. 또 다른 예로, 제2 상점에게는 제1 상점의 타겟 마케팅 정보에 포함된 사용자 정보 중 기 설정된 거리 반경 내에 위치한 사용자만이 포함되도록 하여 타겟 마케팅 정보가 생성될 수 있다. 그밖에, 제2 상점은 제2 상점을 운영하는 점주의 요청에 따라 타겟 마케팅 정보를 제공받을 수도 있다.
이처럼 본 발명의 일 실시예는 타겟 고객인 사용자를 대상으로 상품 추천을 제공하는 것뿐만 아니라, 상점을 대상으로 타겟 마케팅 정보를 제공할 수 있는 쌍대로 활용 가능하다는 장점이 있다.
도 3은 추천 상품 리스트 및 타겟 마케팅 정보를 실제 생성한 일 예시를 도시한 도면이다.
본 발명의 일 실시예에 대한 테스트는 위해 울산 지역 배달 및 주문 서비스를 제공하고 있는 울산 페달의 데이터를 기반으로 수행되었다. 예를 들어, 상품 추천 서비스 제공 서버를 통해 추천 상품 리스트를 확인했을 때, '2066277번' 사용자에게는 '신스시'에서 판매하는 '생연어초밥'이 추천되었고, '2071319번' 사용자에게는 '하삼동커피달동삼성점'에서 '판매하는 '우유크림카스테라'가 추천됨을 확인할 수 있다. 본 발명에 따른 프로세서는 이를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성할 수 있으며, 생성된 타겟 마케팅 정보에는 '신스시'에서는 '생연어초밥'을 구매할 가능성이 높은 '2066277번' 등의 고객이 타겟으로 추천되어 마케팅을 수행할 수 있고, '하삼동커피달동삼성점'에서는 '우유크림카스테라'를 구매할 가능성이 높은 '2071319번' 등의 고객이 타겟으로 추천되어 마케팅을 수행할 수 있다.
도 4는 본 발명의 일 실시예에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 방법의 순서도이다. 한편, 도 4에 도시된 각 단계들은 도 1 내지 도 3에서 설명한 시스템(100)에 의해 수행되는 것으로 이해될 수 있으나, 반드시 이에 한정되는 것은 아니다.
먼저, 시스템(100)은 복수의 상점에서 구매 완료된 바에 따른 구매정보를 수집한다(S110).
다음으로, 시스템(100)은 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 기반으로 사용자별 추천 상품 리스트를 생성한다(S120).
다음으로. 시스템(100)은 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성한다(S130).
한편, 상술한 설명에서, 단계 S110 내지 S130은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 한편, 기타 생략된 내용이라 하더라도 도 1 내지 도 3의 내용은 도 4의 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 방법에도 적용된다.
전술한 본 발명의 일 실시예에 의하면, 상품 추천 서비스 제공 서버(200)에 의해 생성된 추천 상품 정보를 기반으로 타겟 마케팅 정보를 생성하는바, 타겟 마케팅 정보를 생성하기 위한 추가적인 시스템을 도입 또는 개발할 필요가 없다는 점에서 유용하다. 즉, 종래 기술의 경우 사용자를 위한 상품 추천 서비스를 위한 구성과 상점을 위한 타겟 마케팅 정보 제공 서비스를 위한 구성이 별개로 구성되어 운용되어 왔으나, 본 발명은 이러한 비효율성을 제거하여 사용자가 구매할만한 상품을 추천하고 이를 타겟 마케팅 정보로 함께 이용함으로써, 사용자와 상점 모두에게 이득이 될 수 있는 구조를 제공할 수 있는 장점이 있다.
이하에서는 도 5 내지 도 21을 참조하여 본 발명의 일 실시예에 따른 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템(100), 방법을 위한 상품 추천 서비스 제공 서버(200) 및 방법에 대해 상세히 설명하도록 한다.
한편, 본 발명의 일 실시예는 도 1에서 설명한 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템(100)과 도 7에서 설명한 상품 추천 서비스 제공 서버(200)는 각각 독립되는 시스템(100) 또는 서버(200)로 구성되는 것으로 설명하였으나 반드시 이에 한정되는 것은 아니다. 즉, 시스템(100)과 서버(200)는 서로 동일한 대상일 수도 있고, 또는 하나의 서버 시스템에 독립되는 프로그램이 탑재되는 형태로 운용될 수 있는 등 실시자에 따라 다양한 형태로 실시 가능함은 물론이다.
이하에서는, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 서술하고, 본 발명의 일 실시예에 대하여 서술하기로 한다.
인공지능 시스템이 좋은 성능을 보이기 위해서는 많은 데이터를 통한 학습이 필수적으로 요구된다.
인공지능 서비스를 제공하는 많은 기업들은 다량의 데이터를 수집하기 위해 음성 데이터, 텍스트 데이터 등 개인의 중요한 개인 정보를 클라우드 서버로 전송하고, 이렇게 전송된 데이터는 인공지능 모델 성능을 개선시키는 데에 사용된다.
예컨대, 국내 기업에서 개발된 AI 스피커 서비스의 경우 AI 서비스의 성능 개선을 목적으로 사용자들의 대화를 녹음하여 텍스트로 바꾸는 작업을 진행하고 있다.
이는 음성 인식률을 높이기 위해 사용자의 음성 데이터를 활용한 것인데, 녹음 내용을 텍스트로 변환하는 작업을 자회사에 맡김에 따라, 제3사의 직원이 사용자의 음성 데이터를 청취함으로써, 개인 프라이버시에 심각한 위협을 준 문제점이 있고, 이와 유사하게 인공지능 비서 서비스 역시 개인정보 침해 우려가 있다.
이는 인공지능 시스템을 이용하여 고객에게 상품 추천 서비스를 제공함에 있어서도 마찬가지이다. 즉, 고객의 인적 정보(성별, 연령, 직업 등)를 활용하여 상품을 추천하는 경우, 고객의 사용자 정보를 획득하는 과정에서 개인 프라이버시가 보호되지 못하는 문제점이 있다.
또한, 결제 서비스 사업자가 고객의 결제 히스토리에 기반하여 상품을 추천하고자 하는 경우, 각 머천트마다 상이한 제품 코드 정보를 정의하고 있는 바, 적절한 상품 추천을 위해서는 상점들 간의 코드 정보를 통합하여야 하여 현실성이 떨어지는 문제점이 있고, 나아가 글로벌 시장에서 결제 서비스를 제공하는 경우, 각 나라마다 특이한 상품이 있는 환경 요소에 대응하여 적절한 추천 서비스를 제공하기 어려운 문제점이 있다.
사용자 데이터의 획득과 개인 프라이버시 보호 간의 트레이드 오프 관계를 해결하기 위한 다양한 연구가 진행되고 있는데, 본 발명의 일 실시예에서는 개인 사용자의 프라이버시를 지킴과 동시에, 기업(조직) 사용자의 정보 보호를 최대화하는 협업을 가능하게 하면서도 의도한 성과를 달성할 수 있는 인공지능 서비스를 사용자 중심(User-Centric) 인공지능 서비스로 정의한다.
본 발명의 일 실시예에 따른 사용자 중심 인공지능 서비스의 구체적 예로서, 고객의 인적 정보를 활용하지 않고, 타겟 고객과 구매 유사도가 높은 다른 고객의 구매 정보를 이용하여, 타겟 고객에게 적절한 상품 추천 서비스를 제공하는 것이 가능한 서버(200) 및 방법을 제안한다.
본 발명의 일 실시예에 따르면, 사용자의 인적 정보를 활용하지 않고, 구매 정보만을 활용하며, 단일 상점 관점에서는 부족한 데이터 상황을 보완하기 위하여, 여타 상점의 구매 정보를 반영하여 추천하는 외삽 협업 필터링 (Extrapolative Collaborative Filtering; ECF)을 이용하여 상품 추천 서비스를 제공한다.
이하에서 상술하는 검증 결과에 따르면, 인적 정보를 사용하지 않고 오로지 결제 서비스의 수행을 위해 유지하는 구매정보만을 이용하여, 개인의 프라이버시와 관련된 정보 및 각 상점의 정보를 노출하지 않으면서, 적절한 상품 추천이 가능함을 확인하였다.
또한, 본 발명의 일 실시예에 따른 결제 서비스 사업자의 데이터로 검증을 수행한 결과, 상품명을 카테고리화 하지 않고, 자연어 그대로 구매정보를 활용한 경우에도 적절한 추천이 가능함을 확인하였다.
도 5는 종래 기술에 따른 결제 모델 및 본 발명의 일 실시예에 따른 사용자 중심 결제 모델을 도시한 도면이다.
본 발명의 일 실시예에 따른 사용자 중심 인공지능 서비스에서의 결제 모델은 사용자 중심의 결제 공유 플랫폼 기반 서비스를 제공하며, 지불하는 개인의 금융정보가 가맹점에 전달되지 않는 것이 주요 특징이다.
즉, 종래와 같이 사용자의 금융 정보가 가맹점에 전달되어서 가맹점의 시스템에서 금융기관으로 연결되는 구조가 아니라, 가맹점의 아이디가 사용자 시스템에 전달되어, 사용자의 시스템(예: 스마트폰)에서 결제 서비스가 처리되므로, 결제하는 사용자와 금융기관 간 중간자의 개입 없이 결제가 이루어질 수 있게 되어, 사용자의 개인 정보가 불필요하게 사업자들에게 전달되지 않고, 오히려 사용자의 시스템에 사업자의 정보가 축적되어, 사용자 중심의 서비스가 가능한 기반이 만들어진다.
이러한 사용자 중심 인공지능 서비스에서의 결제 모델은 중간자의 개입이 없어 사업자 입장에서는 VAN사 수수료 및 PG사 수수료를 줄여줄 뿐만 아니라, 고객은 개인정보의 유출 위험을 줄이는 것이 가능하다.
또한, 사업자 입장에서는 수수료의 부담을 줄일 수 있고, 고객 입장에서는 결제, 멤버십 등을 한번에 처리할 수 있는 복합 결제가 가능함에 따라 편의성이 증대된다.
도 6은 종래 기술에 따른 인공지능 모델과 본 발명의 일 실시예에 따른 인공지능 모델을 도시한 도면이다.
본 발명의 일 실시예는 전술한 사용자 중심 인공지능 서비스에서의 결제 모델에서 확장하여, 사용자 중심의 인공지능 구조를 제안한다.
본 발명의 일 실시예에 따르면, 사용자의 정보를 기업들이 최소한으로 축적하게 하고(인적 정보를 축적하지 않고, 상품 추천 서비스 제공을 위해 상품 구매 내역 정보만을 축적하여, 개인 프라이버시 침해 소지를 없앰), 기업 각각이 자신들의 고객 정보를 다른 기업과 직접 공유하지 않고도 성과가 높은 인공지능 기반 서비스를 제공할 수 있도록 지원한다.
즉, 도 6에 도시한 바와 같이, 종래 기술에 따른 인공지능 모델 구조는 기업에게 사용자의 전체 데이터를 전달하고, 기업은 전체 데이터를 통해 알고리즘을 고도화하여 서비스를 제공하는 반면, 본 발명의 일 실시예에 따른 사용자 중심 인공지능 서비스 모델 구조는 최소한의 데이터만을 활용하여 사용자에게 적절한 서비스(예컨대, 상품 추천 서비스)를 제공하는 것이 가능하다.
다시 말하면, 본 발명의 일 실시예에 따르면, 최소한의 정보만 가지고도 개인 사용자의 프라이버시를 보호하고(Privacy Preserving), 사업자(기업 사용자)의 데이터를 안전하게 상호 활용하면서도(Secure Collaboration), 적절하고 새로움을 주면서, 혜택을 주는(Relevant, Novel, & Beneficial) 서비스를 제공하는 것이 가능하다.
사업자(기업 사용자) 입장에서는 기업 간 데이터를 직접 공유하지 않고 개별 사용자들에게 서비스를 제공할 수 있고, 일반 사용자는 서비스를 제공받는데 프라이버시를 지키면서 개인들에게 적절한(Relevant)한 서비스를 제공받을 수 있다.
도 7은 본 발명의 일 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버(200)를 도시한다.
본 발명의 일 실시예에 따르면, 예컨대 고객 A가 쇼핑몰에서 구매를 하고자 하는 경우, 쇼핑몰은 고객 A에게 새로운 물건을 추천하는 과정에 있어서, 고객 A의 인적정보(성별, 연령, 직업 등)를 활용하지 않고, 오직 구매정보만을 활용하여 고객 A과 유사한 고객을 탐색한다.
이때, 고객 A가 구매한 상품과 횟수, 구매일자와 장소 등을 통합적으로 고려하여 구매패턴이 유사한 고객 B를 조회하고, 고객 B가 구매했던 상품 중 고객 A가 구매하지 않았던 상품을 추천한다.
본 발명의 일 실시예에 따르면, 외삽 협업 필터링(Extrapolative Collaborative Filtering: ECF)을 통해, 사용자(일반 사용자)의 인적 정보를 활용하지 않고, 구매 정보만을 활용하여 추천 서비스를 제공한다.
본 발명의 일 실시예에 따르면, 현재 타겟 고객이 위치한 장소 정보와 시간 정보를 이용하여, 상품 추천 정보를 제공한다.
예컨대, 타겟 고객이 처음 가보는 A사 커피 전문점의 경우, 타겟 고객이 기존에 이용한 다른 커피 전문점(B사, C사 등)에서의 구매정보 및 다른 커피 전문점에서의 다른 고객의 구매정보를 이용하여, 타겟 고객의 성향과 유사한 다른 고객의 구매 히스토리를 고려함으로써, 타겟 고객에게 A사 커피 전문점 중 만족도가 높을 것으로 예상되는 상품을 추천한다.
또한, 유사도 산출에 있어서, 타겟 고객의 구매 시간 정보를 고려하여, 타겟 고객만을 위한 성향 파악을 수행하는 것이 가능하다.
예컨대, 타겟 고객은 주중에는 회사에 출퇴근하며 커피 전문점에서 주로 아이스아메리카노 1잔을 구매한 이력이 있고, 주말에는 배우자와 함께 커피 전문점에서 주로 아이스아메리카노 1잔과 아이스 녹차라떼 1잔을 구매한 이력이 있다고 가정한다.
그렇다면, 아이스아메리카노는 타겟 고객이 주로 섭취하는 음료이고, 아이스 녹차라떼는 타겟 고객이 아닌 동행하는 일행(예: 배우자, 친구 등)이 주로 섭취하는 음료인 것으로 추정된다.
따라서, 타겟 고객이 현재 주문하고자 하는 시간 정보(날짜 포함)를 고려하였을 때, 주중인 경우, 전술한 경우의 따르면 A사 커피 전문점에서 커피류(예: 아이스아메리카노)를 추천 상품으로 제안하고, 주말인 경우, A사 커피 전문점에서 타겟 고객을 위한 추천 상품(커피류, 아이스아메리카노) 및 동행자 고객을 위한 추천 상품(커피가 아닌 종류, 녹차 라떼, 고구마 라떼 등)을 제안하는 것이 가능하다.
즉, 구매정보에는 타겟 고객의 성향이 포함되어 있다고 볼 수 있으나, 구매 품목 모두가 타겟 고객이 사용하는 것이 아닐 수 있으므로, 구매 히스토리를 이용하여 유사한 고객을 조회하고, 추천 상품을 제안하는 과정에 있어서, 날짜, 시간, 장소를 종합적으로 고려하여, 타겟 고객만을 위한 추천 상품뿐 아니라 타겟 고객과 동행하는 일행을 위한 추천 상품을 구별하여 제안할 수 있는 것이다.
본 발명의 일 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버는 사용자 별 구매정보를 수집하는 입력부(210)와, 사용자 별 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 생성하는 프로그램이 저장된 메모리(220) 및 프로그램을 실행시키는 프로세서(230)를 포함한다. 이때, 프로세서(230)는 타겟 고객과 구매 성향이 기 설정된 유사도 범위를 갖는 다른 고객을 조회하고, 다른 고객의 구매 품목을 고려하여 타겟 고객에게 추천할 추천 상품 정보를 생성하는 것을 특징으로 한다.
여기에서, 사용자 별 구매정보는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함한다.
프로세서(230)는 복수의 상점에서의 구매 정보에 대해 외삽 협업 필터링 알고리즘을 이용하여, 구매 성향이 유사한 다른 고객을 조회한다.
프로세서(230)는 사용자 별 구매정보에 대해 매트릭스를 구축하고, 타겟 고객을 기준으로 코사인 유사도를 통해 다른 고객을 조회하고, 다른 고객이 구매한 상품을 추천한다.
프로세서(230)는 벡터 기반 외삽 협업 필터링을 이용하여 유사도를 검출하여, 추천 상품 정보를 생성한다.
프로세서(230)는 사용자 별 구매정보를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 구매 성향이 유사한 다른 고객을 조회한다.
도 8은 종래 기술에 따른 싱글 머천트(single merchant) 및 사용자들을 도시한 도면이고, 도 9는 본 발명의 일 실시예에 따른 멀티 머천트(multi merchant) 및 사용자들을 도시한 도면이다.
도 8을 참조하면, 싱글 머천트 관점에서는 당사의 구매정보만을 가지고 추천 서비스를 제공하여, 당사에 처음 방문한 사용자의 경우 적절한 추천 서비스 제공이 어려우며, 추천 서비스 제공을 위해서는 사용자의 인적 정보를 활용하여 유사한 사용자를 검색하고, 검색된 사용자의 구매 히스토리를 이용하여 추천 서비스를 제공하여야 한다.
반면, 도 9의 멀티 머천트 관점에서는 당사에 처음 방문한 사용자라고 하더라도, 타겟 고객 관점에서 여타 상점의 구매 정보를 반영하여, 인적 정보를 활용하지 않고도 타 상점에서 유사한 사용자를 탐색하여 추천 서비스를 제공하는 것이 가능하다.
도 10은 본 발명의 일 실시예에 따른 사용자 중심 인공지능 구조를 도시한 도면이다.
전술한 바와 같이, 비즈니스 데이터, 즉 사업자(기업 사용자)의 데이터는 안전하게 상호 활용되고, 개인 사용자의 인적 정보를 활용하지 않고 구매정보만을 활용함으로써 프라이버시를 보호하며, 적절하고 새로움을 주면서, 혜택을 주는(Relevant, Novel, & Beneficial) 서비스 제공이 가능하다.
도 11은 본 발명의 일 실시예에 따른 사용자 중심 인공지능 구조에 기반한 상품 추천 서비스 시나리오를 도시한 도면이다.
본 발명의 일 실시예에 따르면, 예컨대 고객 갑이 쇼핑몰에서 구매를 하고자 하는 경우, 쇼핑몰은 고객 갑에게 새로운 물건을 추천하는 과정에 있어서, 고객 갑의 인적정보(성별, 연령, 직업 등)를 활용하지 않고, 오직 구매정보만을 활용하여 고객 갑과 유사한 고객을 탐색한다.
이 때, 고객 갑이 구매한 상품과 횟수, 구매일자와 장소 등을 통합적으로 고려하여 구매패턴이 유사한 고객 '을'을 조회하고, 고객 을이 구매했던 상품 중 고객 A가 구매하지 않았던 상품을 추천한다.
도 12는 본 발명의 일 실시예에 따른 결제 데이터(구매정보)를 활용한 추천 서비스 제공을 도시한 도면이다.
본 발명의 일 실시예에 따르면, 사용자(일반 사용자)의 프라이버시 보호를 위해, 개인 인적 정보(성별, 나이 등)를 활용하지 않고, 최소한의 정보로서 구매정보만을 활용한다.
구매정보에는 구매상품, 구매처, 구매시간 및 구매장소 정보가 포함되며, 구매정보를 매트릭스(matrix)로 구축하여 유사 사용자를 탐색하고, 유사 사용자가 구매한 상품을 활용하여 추천 리스트를 생성한다(이 때, 추천 리스트는 top 5, top 10, top 20 상품이 포함될 수 있음).
본 발명의 일 실시예에 따르면, 단일 상점에서 부족한 데이터 상황을 보완하기 위해, 여타 상점의 구매정보를 활용하여 추천하는 방식을 제안하며, 새로운 사용자 문제(cold-star) 등 싱글 머천트의 제한점을 해결하며 다양한 머천트 군을 이용하는 사용자(일반 사용자)의 머천트 선호도 패턴 분석이 가능하도록, 외삽 협업 필터링(Extrapolative Collaborative Filtering: ECF)을 통해 구매정보를 활용한다.
도 13 및 도 14는 본 발명의 일 실시예에 따른 추천 알고리즘의 성능 비교 결과를 도시한 도면이고, 도 15는 본 발명의 일 실시예에 따른 매트릭스 기반 ECF(M-ECF)의 성능 결과를 도시한 도면이다.
멀티 머천트 관점에서 다양한 상점에서의 구매정보를 파악하는 것이 가능한 결제 데이터를 실험 데이터로 활용하여, 전술한 외삽 협업 필터링 알고리즘의 성능을 검증하였다.
공개된 Raw-Data에서 알고리즘 개발을 위해 다양한 머천트 구매 이력이 존재하는 사용자를 추출하였고, 구매, 교환 및 환불을 위한 필수 정보인 사용자 별 구매정보(구매 물품, 구매 상점, 구매 시간 및 장소)를 활용하여 데이터셋을 구축하고, 그 외의 개인정보를 사용하지 않는다.
외삽 협업 필터링 알고리즘의 성능 검증을 위해, 각 머천트가 취급하는 상품에 대해 표준화된 카테고리가 존재하는 것으로 가정하고, 표준화된 코드를 기반으로 구현된 M-ECF(Matrix ECF)로 추천 성능을 평가하였다.
도 15를 참조하면, 사용자 구매정보 데이터셋을 표준화된 상품 카테고리가 하나의 열(Column)이 되는 매트릭스로 구축한 다음, 사용자를 기준으로 코사인 유사도(Cosine Similarity)를 통해 다른 사용자와의 유사도를 도출하여 유사 사용자를 탐색하고, 유사 사용자가 구매한 상품을 추천한다.
추천된 상품에 대한 예측 정확도를 평가하는 방식은 각 사용자가 구매한 상품 리스트에서 사전에 마지막 상품을 라벨값으로 분리하고, 최종적으로 추천된 상품과 비교하여 예측 정확도를 평가하며, 예측 정확도(Accuracy)를 계산하는 방법은 [수학식 1]과 같다.
[수학식 1]
공개된 결제 데이터를 통해 개발된 외삽 협업 필터링 알고리즘을 실제 결제 내역 데이터에 적용하여, 외삽 협업 필터링 알고리즘이 적절한 추천 결과를 갖는지 실증적으로 검증하였다.
도 13 및 도 14는 매트릭스 기반 외삽 협업 필터링 알고리즘을 싱글 머천트 관점과 멀티 머천트 관점에서 비교 평가한 결과를 도시하며, 싱글 머천트 관점에서는 각 머천트 A, B, C, D의 당사 사용자 구매정보만을 활용하여 추천하였고, 멀티 머천트 관점에서는 Merchant A, B, C, D에 모든 사용자 구매정보를 통해 추천을 실시하였다.
그 결과, 상품 종류가 많고 구매정보가 많은 머천트 A와 B에는 큰 차이를 보이지 않은 반면, 구매정보가 적은 머천트 C와 D에서는 외삽 협업 필터링 알고리즘이 싱글 머천트에 비해 높은 예측 정확도를 보이는 것을 확인할 수 있다.
즉, 구매정보가 많은 대기업은 당사의 데이터만으로도 충분한 추천 성과를 보이지만, 소규모의 중소기업은 추천을 하기에 데이터가 부족하여 여타 상점의 구매정보를 활용한 결과 외삽 협업 필터링 알고리즘이 효과를 보인 것으로 확인되었다.
도 16은 본 발명의 일 실시예에 따른 벡터 기반 ECF(V-ECF)의 성능 결과를 도시한 도면이고, 도 17은 본 발명의 일 실시예에 따른 전처리 완료 데이터를 도시한 도면이고, 도 18은 본 발명의 일 실시예에 따른 프로덕트 투 벡터(Product2vec) 및 사용자 성향 벡터 생성을 도시한 도면이다.
도 17을 참조하면, 상품명에서 비어있는(NULL) 값을 제외하고(상품명 1, 상품명 2, 상품명 3 모두 고려), 단 1번만 구매된 상품의 경우 모델의 학습이 제대로 이루어지지 않으므로 제외시킨다.
추천 결과 확인을 위해, 마지막 상품은 성능평가를 위한 라벨 값 이므로 최소 구매 횟수가 2회 이상이어야 한다.
각 사용자 별로 상품 리스트(사용자 구매 상품 식별키 묶음)를 생성한다.
도 16을 참조하면, 자연어 그대로를 활용하여 처리 할 수 있도록 벡터 Vector 기반의 V-ECF(벡터 기반 외삽 협업 필터링)를 이용한다.
본 발명의 일 실시예에 따르면, 워드 투 벡터(Word2vec) 모델을 활용하여 Skip-gram 기법을 통해 사용자가 구매한 상품을 단어로 두고, 구매한 상품 리스트를 문장으로 학습한다.
즉, 실제 구매 상품 내역을 벡터화한 것으로, 이를 Product2Vec(Purchased Product to Vec)이라 정의한다.
이러한 방식으로 생성된 프로덕트 투 벡터에 사용자가 구매한 각 제품 벡터를 곱하여, 사용자 구매 성향 벡터를 생성하고, 유사도 계산을 통해 유사 사용자를 탐색한다.
본 발명의 일 실시예에 따르면, 사용자의 상품 구매정보를 카테고리화 하지 않고, 자연어 그대로의 추천 알고리즘을 이용함으로써, 새롭게 나타나는 상품에 대한 별도의 분류 과정 없이, 곧바로 추천 알고리즘에 반영하는 것이 가능하다.
또한, 멀티 머천트 관점에서 머천트 별로 일치하지 않는 상품명에 대해 카테고리화 하는 과정이 불필요하며, 나아가 다른 언어로 사용되는 글로벌 머천트의 상품 역시 자동으로 추천 알고리즘에 반영하는 것이 가능하다.
이하, [표 1]에서 매트릭스를 기반으로 한 외삽 협업 필터링과 벡터 기반 외삽 협업 필터링의 비교 결과를 확인하여 보면, 유사한 추천 예측 정확도가 확인된다.
[표 1]
벡터 기반 외삽 협업 필터링의 경우, 상품 구매정보를 가공하지 않고 자연어 그대로 처리하는 방식이므로, 사람의 판단과 개입 없이 추천 알고리즘에 반영하는 것이 가능하다.
또한, 전술한 바와 같이, 다양한 상품이 새롭게 나타나는 멀티 머천트의 경우, 여타 머천트 간의 상품 명이 일치하지 않게 되는데, 상품 정보에 대한 별도 처리가 필요한 매트릭스 기반 외삽 협업 필터링 대비, 벡터 기반 외삽 협업 필터링의 성능이 확보되는 것을 확인할 수 있다.
도 19는 본 발명의 일 실시예에 따른 상품 추천 결과를 도시한 도면이다.
P1을 유사한 사용자가 구매한 상품, P2를 타겟 고객(전술한 고객 갑, 고객 A)이 방금 구매한 상품과 유사도가 높은 상품, P0를 타겟 고객(전술한 고객 갑, 고객 A)가 과거에 구매한 상품으로 정의하면, P1과 P2의 합집합에서 P0를 차집합한 결과를 추천한다.
도 20은 본 발명의 일 실시예에 따른 추천 평가 시나리오를 도시한 도면이다.
구매 횟수는 사용자 별로 상이하게 되는데, 실제 사용자 구매 상품들 중 마지막 상품을 제거하여 테스트 사용자를 생성하고, 유사도 계산을 통해 새로운 사용자(타겟 사용자)와 가장 유사한 사용자를 검색한다.
타겟 사용자와 유사한 사용자의 공통 구매 상품을 제외하고, 유사한 사용자가 제일 많이 구매한 물품을 top 5, 10, 20개로 추천하며, 추천된 상품 중 타겟 사용자가 구매하는 경우, 적절한 추천인 것으로 판단한다.
도 21은 본 발명의 일 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 방법을 도시한 도면이다.
본 발명의 일 실시예에 따른 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버에 의해 수행되는 방법은 복수의 머천트에서 구매 완료된 바에 따른 구매정보를 수집하는 단계(S210)와, 구매정보를 이용하여 타겟 고객과 구매 성향에 대한 유사도가 높은 다른 고객을 탐색하는 단계(S220) 및 다른 고객의 구매 품목 정보를 이용하여, 타겟 고객에게 상품을 추천하는 단계(S230)를 포함한다.
S210 단계는 구매상품, 구매처, 구매시간 및 구매장소 정보를 포함하는 구매정보를 수집한다.
S220 단계는 외삽 협업 필터링 알고리즘을 이용하여 다른 고객을 탐색한다.
S220 단계는 사용자 별 구매정보에 대해 매트릭스를 구축하고, 타겟 고객을 기준으로 구매 성향에 대한 유사도가 높은 다른 고객을 탐색한다.
S220 단계는 벡터 기반 외삽 협업 필터링 알고리즘을 이용하여 다른 고객을 탐색한다.
S220 단계는 구매정보를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 다른 고객을 탐색한다.
이와 같은 본 발명의 일 실시예에 따른 상품 추천 서비스 제공 서버(200) 및 방법에 의하면, 고객의 인적 정보를 활용하지 않고, 기존 고객들 중 타겟 고객과 유사한 고객을 탐색하여, 타겟 고객에게 적절한 상품 추천 서비스를 제공하는 것이 가능한 효과가 있다.
또한, 고객에 대한 최소한의 정보만을 수집하며 서비스를 제공함으로써, 개인 사용자의 프라이버시를 보호하고, 사용자(기업 사용자)의 데이터를 상호 공유하거나 통합하지 않으면서도, 사업자들 간에 안전하고 공평하게 협력을 하는 과정에서, 사용자에게 적절하고 새로움을 주며, 혜택을 주는 것이 가능한 효과가 있다.
이상에서 전술한 본 발명의 일 실시예는, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템
200: 상품 추천 서비스 제공 서버
110, 210: 입력부
120, 220: 메모리
130, 230: 프로세서

Claims (11)

  1. 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템에 있어서,
    사용자별 구매정보를 수집하는 입력부,
    상기 사용자별 구매정보를 기반으로 타겟 고객에 대한 추천 상품 정보 및 타겟 마케팅 정보를 생성하기 위한 프로그램이 저장된 메모리 및
    상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되,
    상기 프로세서는 상기 타겟 고객에 대한 추천 상품 정보를 기반으로 사용자별 추천 상품 리스트를 생성하고, 상기 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성하는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  2. 제1항에 있어서,
    상기 프로세서는 상기 사용자별 추천 상품 리스트에 포함된 제1 사용자에 상응하는 제1 추천 상품 정보를 교차하고, 상기 제1 추천 상품 정보를 기준으로 하는 상기 제1 사용자를 포함한 복수의 제2 사용자를 포함하는 타겟 마케팅 정보를 생성하는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  3. 제2항에 있어서,
    상기 프로세서는 상기 구매정보를 기반으로 상기 제1 추천 상품 정보의 상품을 판매한 제1 상점 및 상기 제1 추천 상품 정보의 상품을 판매 중인 제1 상점과 상이한 제2 상점을 기준으로 정렬하여 상기 타겟 마케팅 정보를 생성되는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  4. 제1항에 있어서,
    상기 프로세서는 상기 타겟 고객과 구매 성향이 기 설정된 범위의 유사도를 갖는 다른 고객을 조회하고, 상기 조회된 다른 고객의 구매 품목을 고려하여 상기 타겟 고객에게 추천할 추천 상품 정보를 생성하는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  5. 제4항에 있어서,
    상기 프로세서는 복수의 상점에서의 상기 구매 정보에 대한 외삽 협업 필터링 알고리즘을 이용하여, 상기 구매 성향과 기 설정된 유사도를 갖는 다른 고객을 조회하는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  6. 제5항에 있어서,
    상기 프로세서는 상기 사용자별 구매정보에 대하여 매트릭스를 구축하고, 상기 타겟 고객을 기준으로 코사인 유사도를 통해 상기 다른 고객을 조회하고, 상기 다른 고객이 구매한 상품을 추천한 상기 추천 상품 정보를 생성하는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  7. 제5항에 있어서,
    상기 프로세서는 벡터 기반 외삽 협업 필터링을 이용하여 유사도를 검출하여 상기 추천 상품 정보를 생성하는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  8. 제5항에 있어서,
    상기 프로세서는 상기 사용자 별 구매정보를 문장으로 학습하여, 구매 상품 내역을 벡터화한 프로덕트 투 벡터를 구하고, 제품 벡터를 곱하여 사용자 구매 성향 벡터를 생성하여, 상기 구매 성향이 유사한 다른 고객을 조회하는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템.
  9. 사용자 중심 초개인화 상품 추천 및 타겟 마케팅 시스템에 의해 수행되는 방법에 있어서,
    복수의 상점에서 구매 완료된 바에 따른 구매정보를 수집하는 단계;
    상기 구매정보를 이용하여 타겟 고객에 대한 추천 상품 정보를 기반으로 사용자별 추천 상품 리스트를 생성하는 단계; 및
    상기 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성하는 단계를 포함하는,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 방법.
  10. 제9항에 있어서,
    상기 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성하는 단계는,
    상기 사용자별 추천 상품 리스트에 포함된 제1 사용자에 상응하는 제1 추천 상품 정보를 교차하는 단계; 및
    상기 제1 추천 상품 정보를 기준으로 하는 상기 제1 사용자를 포함한 복수의 제2 사용자를 포함하는 타겟 마케팅 정보를 생성하는 단계를 포함하는,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 방법.
  11. 제10항에 있어서,
    상기 사용자별 추천 상품 리스트를 상품 기준으로 교차하여 타겟 마케팅 정보를 생성하는 단계는,
    상기 구매정보를 기반으로 상기 제1 추천 상품 정보의 상품을 판매한 제1 상점 및 상기 제1 추천 상품 정보의 상품을 판매 중인 제1 상점과 상이한 제2 상점을 기준으로 정렬하여 상기 타겟 마케팅 정보를 생성되는 것인,
    사용자 중심 초개인화 상품 추천 및 타겟 마케팅 방법.
KR1020220146781A 2022-05-11 2022-11-07 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법 KR20230158384A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2023/005941 WO2023219317A1 (ko) 2022-05-11 2023-05-02 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220057680 2022-05-11
KR20220057680 2022-05-11

Publications (1)

Publication Number Publication Date
KR20230158384A true KR20230158384A (ko) 2023-11-20

Family

ID=88974145

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220146781A KR20230158384A (ko) 2022-05-11 2022-11-07 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법

Country Status (1)

Country Link
KR (1) KR20230158384A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180002944A (ko) 2016-06-29 2018-01-09 한밭대학교 산학협력단 개인 선호별 최적의 상품 제안을 위한 빅데이터 추천시스템 및 추천방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180002944A (ko) 2016-06-29 2018-01-09 한밭대학교 산학협력단 개인 선호별 최적의 상품 제안을 위한 빅데이터 추천시스템 및 추천방법

Similar Documents

Publication Publication Date Title
Hallak et al. Re-examining the relationships among perceived quality, value, satisfaction, and destination loyalty: A higher-order structural model
Peter et al. An investigation of perceived risk at the brand level
Bettman Information processing models of consumer behavior
US20180174205A1 (en) Systems and methods for recommending merchants to a consumer
US9697529B2 (en) Systems and methods for tailoring marketing
Kim et al. Testing the behavioral intentions model of online shopping for clothing
Goh et al. Analyzing and forecasting tourism demand: A rough sets approach
CN102956009A (zh) 一种基于用户行为的电子商务信息推荐方法与装置
Tasin Factors influecing customer's trust in online shopping among executives in a bank
US20150220983A1 (en) Systems and Methods of Determining Predictors Based on Transaction Data and Social Network Data
Kapoor et al. Mobile wallets: Theoretical and empirical analysis
KR102334404B1 (ko) 상품 추천 서버 및 그 제어방법
Gómez-Díaz Reviewing a consumer decision making model in online purchasing: an ex-post fact study with a Colombian sample
KR20100003102A (ko) 개인 맞춤형 상품 정보를 제공하는 방법 및 장치
Leong et al. Towards a unified model of consumers’ intentions to use drone food delivery services
Hossain et al. How will in-person and online grocery shopping and meal consumption activities evolve after COVID-19?
Goyal Managing perceived risk for credit card purchase through supplementary services
KR102295053B1 (ko) 중고 휴대폰 거래 시스템
KR20220087390A (ko) 구매 품목 정보를 이용한 상품 추천 서비스 제공 서버 및 그 방법
Agarwal Developing global segments and forecasting market shares: a simultaneous approach using survey data
KR20230158384A (ko) 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법
KR102337502B1 (ko) 온라인 상의 비정상 상품 후기 검출 방법 및 장치
CN115131108A (zh) 一种电商商品筛选系统
KR102394221B1 (ko) 온라인 벤더 운영 플랫폼
KR20230158385A (ko) 자연어 처리 기반의 상품 기획 정보 제공이 가능한 상품 추천 시스템 및 방법