WO2022154201A1 - 매장에 대한 고객의 충성도 분석 방법 및 시스템 - Google Patents
매장에 대한 고객의 충성도 분석 방법 및 시스템 Download PDFInfo
- Publication number
- WO2022154201A1 WO2022154201A1 PCT/KR2021/009020 KR2021009020W WO2022154201A1 WO 2022154201 A1 WO2022154201 A1 WO 2022154201A1 KR 2021009020 W KR2021009020 W KR 2021009020W WO 2022154201 A1 WO2022154201 A1 WO 2022154201A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- information
- store
- customers
- visit
- sales
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 106
- 238000012795 verification Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000011017 operating method Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000005315 distribution function Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Definitions
- the present invention relates to a method and system for analyzing customer loyalty to a store, and more particularly, to a method and system for analyzing customer loyalty based on the store visit history and sales history of existing customers using an artificial neural network. will be.
- Securing and analyzing information about customers who visit a store is a necessary procedure for managing customers who visit a store.
- the store manager managed the customers by notifying the customers of the promotion unilaterally while registering and managing the customers who visited the store as members. It is not possible to ascertain the status of
- the present invention relates to this.
- the present invention has been devised to solve the above problems, and an object of the present invention is to calculate customer loyalty based on the store visit history and sales history of existing customers, and to provide a method for managing customers based on the loyalty It is to provide a method and system for analyzing customer loyalty to a store.
- An operating method of a system for analyzing customer loyalty to a store includes: acquiring store visit record information including visit date information and visit frequency information of customers of the store; obtaining information on sales of the store generated by the customers; standardizing store visit record information of the customers and sales information generated by the customers; generating a loyalty analysis model by learning standardized store visit record information and standardized sales information; and classifying the customers into one of pre-classified groups based on loyalty by using the loyalty analysis model.
- the loyalty analysis model may use a difference value between the loyalty analysis time and the customer's recent visit time, the number of store visits of the customer, and a sales value generated by the customer in a preset time period unit as input values.
- the step of standardizing the store visit record information of the customers and the sales information generated by the customers may include: dividing the sales information by time period; first standardizing the sales information in units of the time period; calculating an average value of the sales information in units of the first standardized time period; And by reflecting the average value of the sales information, may further include the step of secondarily standardizing the sales information of the first standardized time period unit.
- the generating of the loyalty analysis model may include: randomly extracting model establishment data from existing data of the store; determining a weight to be given to the latest visit date information, visit frequency information, and sales information of each of the model establishment data; generating a model obtained by learning the model establishment data based on the determined weight; verifying the model by using test data that is data other than the model establishment data among the existing data; and determining the model as the loyalty analysis model based on the verification result of the model.
- the method may further include adjusting weights for recent visit date information, visit frequency information, and sales information.
- the determining of the weight it is determined that different weights are given to the visit history information and the sales information based on at least one value of industry type information, size information, and region information of the store.
- the operating method includes: updating store visit history information and sales information in the database; The method may further include reviewing whether the loyalty analysis model is suitable by using the updated store visit history information and sales information.
- a server of a system for analyzing customer loyalty to a store includes: a memory in which at least one program is stored; a processor executing the at least one program instruction; and a transceiver device connected to a network to perform communication, wherein the at least one program command is configured to: obtain store visit record information including visit date information and visit frequency information of customers of the store; obtain information on sales of the store generated by the customers; normalize store visit record information of the customers and sales information generated by the customers; generating a loyalty analysis model by learning the standardized store visit history information and the standardized sales information; And by using the loyalty analysis model, it may be executed to classify the customers into one of the pre-classified groups based on the loyalty.
- the loyalty analysis model may be characterized in that the difference value between the loyalty analysis time and the customer's recent visit time, the number of customer visits to the store, and the sales value generated by the customer in a preset time period unit are input values. have.
- the at least one program command is executed to standardize the store visit record information of the customers and the sales information generated by the customers, and divide the sales information in units of time intervals; first standardizing the sales information in units of the time period; calculating an average value of the sales information in units of the first standardized time period; And by reflecting the average value of the sales information, it may be executed to secondarily standardize the sales information of the first standardized time period unit.
- the at least one program command when executed to generate the loyalty analysis model, randomly extracts model establishment data from existing data of the store; determining a weight to be given to the latest visit date information, visit frequency information, and sales information of each of the model establishment data; generating a model that has learned the model establishment data based on the determined weight; verifying the model by using test data that is data other than the model establishment data among the existing data; and determining the model as the loyalty analysis model based on the verification result of the model.
- the at least one program command may be further executed to adjust weights for recent visit date information, visit frequency information, and sales information.
- the at least one program command is executed to determine the weight
- different weights are applied to the visit history information and the sales information based on at least one value of business type information, size information, and region information of the store. It can be characterized in that it is decided to give
- the at least one program command may include: updating store visit history information and sales information in the database; And, by using the updated store visit history information and sales information, it may be further executed to review whether the loyalty analysis model is suitable.
- the system for analyzing customer loyalty to a store may analyze customer loyalty based on the store visit history and sales history of existing customers, and present a sales strategy according to the analysis result.
- the system for analyzing customer loyalty to a store may provide information about products and promotions with high satisfaction to customers based on the customer loyalty analysis results.
- FIG. 1 is a conceptual diagram illustrating an embodiment of the configuration of a customer loyalty analysis system for a store.
- FIG. 2 is a block diagram illustrating an embodiment of the configuration of a device constituting a system for analyzing customer loyalty to a store.
- FIG. 3 is a conceptual diagram illustrating an embodiment of an artificial neural network included in a device of a customer loyalty analysis system for a store.
- FIG. 4 is a conceptual diagram illustrating an embodiment of a loyalty analysis algorithm of a customer loyalty analysis system for a store.
- FIG. 5 is a flowchart illustrating an embodiment of a customer loyalty analysis method of a customer loyalty analysis system for a store.
- FIG. 6 is a flowchart illustrating an embodiment of a method for standardizing sales information of a system for analyzing customer loyalty to a store.
- FIG. 7 is a flowchart illustrating an embodiment of a method of generating a loyalty analysis model of a customer loyalty analysis system for a store.
- FIG. 8 is a diagram illustrating an embodiment of a customer loyalty analysis result GUI provided by a customer loyalty analysis system for a store.
- first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component. and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.
- a system for analyzing customer loyalty to a store to which embodiments according to the present invention are applied will be described.
- a system for analyzing customer loyalty to a store to which embodiments according to the present invention is applied is not limited to the contents described below, and embodiments according to the present invention may be applied to various communication systems.
- FIG. 1 is a conceptual diagram illustrating an embodiment of the configuration of a customer loyalty analysis system for a store.
- the customer loyalty analysis system for the store manages the customers of each of the stores, and the customer loyalty analysis server 110 and the network 120 for analyzing the customer loyalty analysis server ( It may include a store management terminal 130 connected to 110).
- the customer loyalty analysis server 110 manages customer-related information such as store visit history information and store sales history information of customers of each store, and stores information necessary to provide a service for managing customer loyalty. .
- the customer loyalty analysis server 110 may store information including an algorithm for analyzing customer loyalty to a store in advance.
- the network 120 may mean a connection structure for exchanging information between the customer loyalty analysis server 110 and the store management terminal 130 .
- Network 120 is Internet (Internet), LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network), PAN (Personal Area Network), 3G, 4G, LTE (long term evolution) , VoLTE (voice over LTE), 5G NR (new radio) Wi-Fi (wireless-fidelity), Bluetooth (Bluetooth), NFC, RFID (radio frequency identification) home network, IoT (internet of things), etc. may include
- the store management terminal 130 may be connected to the customer loyalty analysis server 110 through the network 120 .
- the store management terminal 130 may include user equipment such as a computer, a tablet, and a smart phone.
- the store management terminal 130 may receive information provided through a service for customer management from the customer loyalty analysis server 110 .
- the information received from the customer loyalty analysis server 110 may include customer loyalty information and customer analysis result data based on the customer loyalty.
- the store management terminal 130 may display the received customer loyalty information and customer analysis result data based on the loyalty through an output device. In addition, the store management terminal 130 may feed back on the service provided from the customer loyalty analysis server 110 based on the information received from the user.
- the customer loyalty analysis server 110 and the store management terminal 130 of FIG. 1 may be referred to as devices, and the configuration of the devices may be as described below.
- FIG. 2 is a block diagram illustrating an embodiment of the configuration of a device constituting a system for analyzing customer loyalty to a store.
- the device 200 included in the customer loyalty analysis server, the at least one processor 210 and the at least one processor 210, the memory 220 for storing instructions (instructions) to perform at least one step may include.
- the at least one processor 210 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed.
- Each of the memory 220 and the storage device 260 may be configured as at least one of a volatile storage medium and a non-volatile storage medium.
- the memory 220 may be configured as at least one of a read only memory (ROM) and a random access memory (RAM).
- the device 200 included in the customer loyalty analysis server may include a transceiver 230 for performing communication through a wireless network.
- the device 200 included in the customer loyalty analysis server may further include an input interface device 240 , an output interface device 250 , a storage device 260 , and the like.
- Each component included in the device 200 included in the customer loyalty analysis server may be connected by a bus 270 to communicate with each other.
- the device 200 included in the customer loyalty analysis server may further include hardware components or software components for implementing/driving the artificial neural network.
- the hardware components may include a neural processor unit (NPU) and the like.
- software components include a framework, a kernel or a device driver, middleware, an application programming interface (API), an application program (or an application), etc. may include The artificial neural network implemented by the device is as described below.
- FIG. 3 is a conceptual diagram illustrating an embodiment of an artificial neural network included in a device of a customer loyalty analysis system for a store.
- the artificial neural network may include an input layer (IL), a plurality of hidden layers (HL1, HL2, ..., HLn), and an output layer (OL).
- IL input layer
- HL1, HL2, ..., HLn hidden layers
- OL output layer
- the input layer IL may include i (i is a natural number) input nodes x1, x2, ..., xi.
- vector input data having a length of i may be input to the input node.
- the plurality of hidden layers HL1, HL2, ..., HLn includes n (n is a natural number) hidden layers, and the hidden nodes h11, h12, h13, ..., h1m, h21, h22, h23, ..., h2m, hn1, hn2, hn3, ..., hnm).
- the hidden layer HL1 may include m (m is a natural number) number of hidden nodes h11, h12, h13, ..., h1m
- the hidden layer HL2 includes m hidden nodes. (h21, h22, h23, ..., h2m)
- the hidden layer HLn may include m hidden nodes hn1, hn2, hn3, ..., hnm.
- the output layer OL may include j (j is a natural number) number of output nodes (y1, y2, ..., yj) corresponding to the class to be classified, and results (eg, For example, you can output a score or class score).
- the output layer OL may be referred to as a fully connected layer.
- the artificial neural network shown in FIG. 3 may include a branch between nodes shown as a straight line between two nodes, and weight values between the connected nodes.
- nodes in one layer may not be connected to each other, and nodes included in different layers may be completely or partially connected.
- Each node (eg, h11) of FIG. 3 may receive the output of the previous node (eg, x1) and perform an operation, and may transmit the operation result to a subsequent node (eg, h21).
- each of the nodes may calculate a value to be output by applying an input value to a specific function (eg, a nonlinear function).
- the structure of an artificial neural network is predetermined, and an appropriate value can be calculated using data whose correct answer is already known as to which class the weights according to the connection between nodes belong to.
- Data for which the correct answer is already known may be referred to as 'learning data', and the process of determining the weight may be referred to as 'learning'.
- a group of independently learnable structures and weights may be referred to as a 'model'.
- the device such as a server shown in FIG. 2 may perform operations supported by the system using the artificial neural network shown in FIG. 3 .
- Algorithms and operations executed by the server and store management terminals included in the customer loyalty analysis system for the store may be as described below.
- FIG. 4 is a conceptual diagram illustrating an embodiment of a loyalty analysis algorithm of a customer loyalty analysis system for a store.
- the database connected to the server of the customer loyalty analysis system may store data such as a recent visit date for each customer, a visit frequency for each customer, and sales revenue for each customer.
- the server may analyze customer loyalty based on the customer's most recent visit date, the customer's visit frequency, and the customer's sales data stored in the database.
- the preset algorithm may be a recency, frequency, monetary (RFM) algorithm.
- Variables of the RFM algorithm may be an R (recency) variable indicating the freshness of customer visits, an F (frequency) variable indicating the frequency of customer visits, and an M (monetary) variable indicating customer transaction amount information.
- the server may classify the customers into a plurality of segments based on customer loyalty.
- the plurality of segments may include regular customers, new customers, leaked customers, prospective customers, and stable customers.
- the server may calculate customer-specific data including customer-specific loyalty and leakage possibility, and store the calculated customer-specific data in a database.
- the RFM algorithm is one of the most used analysis algorithms in marketing because it is very simple and useful as an algorithm that can extract valuable customers and classify customers. That is, the RFM algorithm is a data analysis method for selecting customers with high purchasing potential. When the RFM algorithm is used, the data is converted into meaningful information for analyzing customer characteristics.
- the existing RFM algorithm suggests standard values for classifying customers, but does not clearly suggest specific quantification techniques for each variable of R, F, and M, classification technique through variables, and final score calculation formula.
- a fixed score is calculated through a specific criterion, and a weighted sum method is used.
- the method has a problem that is not suitable for the characteristics of the restaurant business and company data. Therefore, in the present disclosure, by specifying and quantifying weights according to industry characteristics and store characteristics in order to optimize the restaurant business and store, it is possible to calculate an index substantially related to customer loyalty and to classify customers based on loyalty. .
- the customer loyalty analysis operation of the server that supplements the existing RFM algorithm according to the present disclosure may be as described below.
- FIG. 5 is a flowchart illustrating an embodiment of a customer loyalty analysis method of a customer loyalty analysis system for a store.
- the server may perform a customer loyalty analysis operation for the store, and in order to perform the customer loyalty analysis operation, the server may retrieve customer data of the store from the database.
- the server may retrieve store information, customer information, visit date and time for each customer, the number of visits for each customer, and total purchase amount information for each customer from the database.
- the server can determine whether the data fetched from the database is valid. It is desirable for the server to fetch 'non-failing' 'completed' 'complete' data from the database.
- the server can filter the data through isValid: true of each order of the data. In addition, the older the data, the different the schema and it is difficult to expect that it is intact, so the server can only retrieve data for 3 months to 2 years.
- the server that retrieves data from the database can perform the following operations.
- step S501 the server acquires store visit record information including information on the visit date of each customer of the store, and visit frequency information.
- the server may calculate the R variable and the F variable, which are input values of the RFM algorithm, based on the store visit record information for each customer.
- the R variable may be a variable calculated by quantifying the difference between the loyalty analysis time and the customer's recent visit time.
- the server may calculate the R variable by using Equation 1.
- R i indicates the i-th visit time of the customer
- t indicates the current time. Accordingly, through Equation 1, the server may calculate the R variable by reflecting the recency of data.
- the F variable may be a variable calculated by quantifying the number and/or frequency of visits to a store by a customer for a predetermined period in the past from the point of loyalty analysis.
- the server may quantify the number and/or frequency of store visits as follows.
- the server may calculate the F variable using Equation (2).
- F original may indicate the number of customer visits to the store
- H[x] may indicate the stair threshold function.
- the step threshold function may be a discrete step threshold function, or a step threshold function.
- the server acquires information on sales of stores generated by customers.
- the server may calculate the M variable, which is an input value of the RFM algorithm, based on the sales information for each customer of the store.
- the M variable may be a variable calculated by quantifying the customer's sales value for a certain past period from the point of loyalty analysis.
- step S505 the server standardizes the store visit record information of customers, and sales information generated by the customers.
- Each of the R, F, and M variables indicates information about the customer's transaction pattern.
- the score calculated according to the above example may not be a score suitable for actual analysis. This is because summing and comparing data is only meaningful when the data types are the same.
- standardization of data is required to confirm the absolute position of a specific customer in the entire sample according to the characteristics of the store. For example, in a small store, the importance of a regular customer who has made three transactions may be high, but in a large store, the importance of a regular customer who has made three transactions may be low. That is, even if a customer has made the same three transactions, the importance may be different depending on the characteristics of the store.
- the position of the customer in the sample is known. Therefore, it is possible to quantify the importance of a single customer to suit the store situation, and to check not only the large-scale relationship but also the statistical position.
- a more suitable sales strategy can be established by comparing the number of excellent customers through comparison with other stores.
- the server may standardize each of the R, F, and M variables input to the RFM algorithm. According to an embodiment, it may be assumed that each of the R, F, and M variables is distributed in the form of a normal distribution function, and the server may standardize each of the R, F, and M variables based on the normal distribution function.
- the server may assign a value of the F variable of 0.5 to 1.5 to a customer who visits once.
- the server may standardize the F variable assuming that the cumulative distribution function of the F variable is a Pareto distribution and/or a logarithmic distribution.
- the sales information analysis model does not accurately reflect the actually extracted sales information.
- the sales information may include data without sales because there is a flexible work method in the field, such as walk-in customers, consultation reservations, and zero-won service menus. If data without sales is found in the data preprocessing stage, data without sales may not be filtered.
- the server may analyze the sales information for each customer by reflecting the customer's payment history information.
- data binning can be applied to obtain sales information regardless of the pattern.
- the operation of the server for standardizing sales information for each customer by applying data binning may be as described below.
- FIG. 6 is a flowchart illustrating an embodiment of a method for standardizing sales information of a system for analyzing customer loyalty to a store.
- the server may classify the sales information for each customer in units of time sections. For example, if the sales amount indicated by the sales information for three months of a specific customer is 25,000 won, the server may classify the sales information of the specific customer in units of time intervals. The server may classify the sales indicated by the sales information for three months of a specific customer in units of one month.
- the server may first standardize the sales information for each customer in the unit of time period.
- the server may calculate the average value of the sales information for each customer in the unit of the first standardized time period.
- the server may secondarily standardize the sales information for each customer in the first standardized time period by reflecting the average value of the sales information.
- the server may standardize the standardized visit date information, visit frequency information, and sales information for each customer for all customers. That is, the server may standardize visit date information, visit frequency information, and sales information for each customer based on the average and distribution of R variable values, F variable values, and M variable values of all customers.
- the server may calculate the customer's grade based on the R variable value, the F variable value, and the M variable value calculated based on the standardized customer-specific visit date information, visit frequency information, and sales information for all customers.
- the server may classify the customers by grade using Equation (3). Equation 3 is as follows.
- G data indicates the customer's grade according to the data, denotes a ceiling function
- n denotes the number of grades classifying a customer
- erfc(x) may denote 1-erf(x) (error function).
- the server may classify the customer by grade using Equation (4).
- Equation 4 is as follows.
- Equation 4 normalcdf(x) may indicate a normal distribution function.
- the server may calculate the customer's rating based on the F variable for all customers.
- the server may substitute data into the cumulative distribution function to calculate the alpha coefficient according to the actual data.
- the alpha coefficient may be calculated through Equation (5). Equation 5 is as follows.
- Equation 5 p indicates the proportion of one-time customers.
- the server may classify the customers who have visited once to the lowest rating.
- the server may divide the intervals excluding the normalized cumulative interval of p in the cumulative distribution function of the Pareto distribution into n-1, and give grades 1 to n-1.
- the server may classify the customers based on the visit frequency data through Equation (6). Equation 6 is as follows.
- the server may generate a loyalty analysis model by learning standardized store visit record information and standardized sales information.
- the loyalty analysis model may be an artificial neural network model using, as input values, a difference value between the loyalty analysis time and the customer's recent visit time, the number of store visits of the customer, and a sales value generated by the customer in a preset time period unit.
- the operation of the server generating the loyalty analysis model of the customer loyalty analysis system for the store may be as described below.
- FIG. 7 is a flowchart illustrating an embodiment of a method of generating a loyalty analysis model of a customer loyalty analysis system for a store.
- the server may randomly extract model establishment data from the existing data of the store.
- the server may determine a weight to be assigned to each of the model establishment data, the latest visit date information for each customer, the visit frequency information for each customer, and the sales information for each customer.
- the weight may be a numerical value regarding the contribution of each of the R, F, and M scores in calculating customer loyalty based on each of the R, F, and M scores.
- the contribution of each of the R variable, the F variable, and the M variable may be different from each other. Accordingly, in order to improve the accuracy of customer loyalty analysis, it is possible to determine the weights assigned to each of the R, F, and M variables.
- the server may calculate a same region ratio (SRR), which is a ratio of customers within a predetermined radius from the store, among customers, based on location information of the customers of the store.
- SRR region ratio
- the server may calculate an average purchase amount per visit of customers of the store, money per purchase (MPP).
- MPP money per purchase
- the server may determine a weight assigned to each of the R, F, and M variables based on SRR and/or MPP.
- the store's SRR value is calculated to be high, it may be implied that the proportion of shoppers with high number of visits and/or frequent visits is high and the purchase amount per visit is low.
- the results of the analysis may suggest that the store has a high dependence on regular customers. Therefore, in order to increase the accuracy of the customer loyalty analysis result, the calculation by increasing the weight of F may approximate the actual transaction pattern.
- the MPP value is calculated to be high, the sales volatility of the store may be sensitive to the transaction. Therefore, in order to increase the accuracy of the customer loyalty analysis result, the calculation by increasing the weight of M may approximate the actual transaction pattern.
- the server in determining the weight to be given to each of the R, F, and M scores, the server reflects at least one of business type information, size information, and local information of the store, and provides each of the R, F, and M scores with each other. You can decide to give it a different weight.
- the server may generate a model learned model establishment data based on the determined weight.
- the server may verify the generated model by using test data that is data excluding model establishment data among existing data. That is, the server may calculate the accuracy of the generated model as a result of the verification using the test data.
- the server may determine the model as a loyalty analysis model based on the verification result of the model.
- the server may determine the generated model as the loyalty analysis model when, as a result of verification using the test data, accuracy greater than or equal to a preset value is calculated.
- the server may adjust a weight assigned to each of the R, F, and M scores.
- the server may classify the customers into one of the pre-classified groups based on the loyalty by using the loyalty analysis model.
- the pre-classified groups may be regular customers, new customers, leaked customers, leaked customers, and stable customers.
- the server may periodically update the store visit history information and sales information in the database. In addition, the server may continuously review whether the loyalty analysis model is suitable by using the updated store visit history information and sales information. When the accuracy of more than a preset value is calculated using the updated store visit history information and sales information, the loyalty analysis model may be maintained. On the other hand, when an accuracy of less than a preset value is calculated as a result of verification using the updated store visit history information and sales information, the server may adjust the weights given to each of the R, F, and M scores.
- the server may generate an analysis report based on the loyalty analysis result of the store customers.
- the analysis report may be provided to the manager terminal of the store.
- the analysis report may be a report expressing the customer loyalty analysis result in the form of a graphic user interface (GUI). Data provided in the form of a GUI based on the customer loyalty analysis result may be as described below.
- GUI graphic user interface
- FIG. 8 is a diagram illustrating an embodiment of a customer loyalty analysis result GUI provided by a customer loyalty analysis system for a store.
- one end of the GUI may display the number of customers by group (eg, regular customers, new customers, leaked customers, expected outflow customers, and stable customers) at the time of analysis.
- the GUI may display a time series graph of the number of customers by group (eg, regular customers, new customers, leaked customers, expected outflow customers, and stable customers).
- one side of the GUI may display a graph for each of the number of customers registered in the store, the total number of visits and the number of customers who have recently visited during a certain period (eg, one week or one month), and the number of visits.
- one side of the GUI may display the number and graph of customers leaked from the store.
- the other side of the GUI may display the results of analysis of sales impact for a certain period (eg, one month) due to the leaked customer and/or the leaked customer.
- the other side of the GUI may display a result of analysis of sales impact for a certain period (eg, one month) due to a regular customer customer having a certain degree of loyalty or more.
- the methods according to the present invention may be implemented in the form of program instructions that can be executed by various computer means and recorded in a computer-readable medium.
- the computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination.
- the program instructions recorded on the computer readable medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software.
- Examples of computer-readable media include hardware devices specially configured to store and carry out program instructions, such as ROM, RAM, flash memory, and the like.
- Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
- the hardware device described above may be configured to operate as at least one software module to perform the operations of the present invention, and vice versa.
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
매장에 대한 고객의 충성도 분석을 위한 시스템의 동작 방법은, 상기 매장의 고객들의 방문 일자 정보, 및 방문 빈도 정보를 포함하는 매장 방문 기록 정보를 획득하는 단계; 상기 고객들에 의해 발생한 상기 매장의 매출 정보를 획득하는 단계; 상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하는 단계; 표준화된 매장 방문 기록 정보 및 표준화된 매출 정보를 학습하여 충성도 분석 모델을 생성하는 단계; 및 상기 충성도 분석 모델을 이용하여, 상기 고객들을 충성도를 기준으로 미리 분류된 그룹들 중 하나의 그룹으로 분류하는 단계를 포함할 수 있다.
Description
본 발명은 매장에 대한 고객의 충성도 분석 방법 및 시스템에 관한 것으로, 보다 상세하게는 인공 신경망을 이용하여, 기존 고객들의 매장 방문 내역 및 매출 내역을 기초로 고객들의 충성도를 분석하는 방법 및 시스템에 관한 것이다.
매장에 방문하는 고객에 대한 정보를 확보하고 분석하는 것은 매장을 방문하는 고객들의 관리를 위해 필요한 절차이다. 기존 방식에 따르면, 매장의 관리자는 매장에 방문한 고객들을 회원으로 등록하고 관리하면서, 고객들에게 프로모션을 일방적으로 공지하는 방식으로 고객들을 관리하였다, 그러나, 종래의 방식은 매장에 대한 고객의 정확한 만족도 등의 현황을 파악할 수 없다.
이에, 기존 고객들의 매장 방문 내역 및 매출 내역을 분석함으로써, 매장에 대한 고객의 충성도를 산출하고, 이를 바탕으로 고객을 관리하는 방법의 필요성이 대두되고 있다. 본 발명은 이와 관련된 것이다.
본 발명은 상기 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 기존 고객들의 매장 방문 내역 및 매출 내역을 기초로 고객별 충성도를 산출하고, 충성도를 기초로 고객을 관리하기 위한 방안을 제공하는 매장에 대한 고객의 충성도 분석 방법 및 시스템을 제공하는 것이다.
본 발명을 통해 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 매장에 대한 고객의 충성도 분석을 위한 시스템의 동작 방법은, 상기 매장의 고객들의 방문 일자 정보, 및 방문 빈도 정보를 포함하는 매장 방문 기록 정보를 획득하는 단계; 상기 고객들에 의해 발생한 상기 매장의 매출 정보를 획득하는 단계; 상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하는 단계; 표준화된 매장 방문 기록 정보 및 표준화된 매출 정보를 학습하여 충성도 분석 모델을 생성하는 단계; 및 상기 충성도 분석 모델을 이용하여, 상기 고객들을 충성도를 기준으로 미리 분류된 그룹들 중 하나의 그룹으로 분류하는 단계를 포함할 수 있다.
여기서, 상기 충성도 분석 모델은, 충성도 분석 시점과 고객의 최근 방문 시점의 차이 값, 고객의 매장 방문 횟수, 및 미리 설정된 시구간 단위의 고객에 의해 발생한 매출 값을 입력 값으로 할 수 있다.
여기서, 상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하는 단계는, 상기 매출 정보를 시구간 단위로 구분하는 단계; 상기 시구간 단위의 상기 매출 정보를 1차 표준화하는 단계; 1차 표준화된 상기 시구간 단위의 상기 매출 정보의 평균치를 산출하는 단계; 및 상기 매출 정보의 평균치를 반영하여, 1차 표준화된 상기 시구간 단위의 상기 매출 정보를 2차 표준화하는 단계를 더 포함할 수 있다.
여기서, 상기 충성도 분석 모델을 생성하는 단계는, 상기 매장의 기존 데이터 중에서 무작위로 모델 수립 데이터를 추출하는 단계; 상기 모델 수립 데이터 각각의 최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대해 부여할 가중치를 결정하는 단계; 상기 결정된 가중치를 기초로 상기 모델 수립 데이터를 학습한 모델을 생성하는 단계; 상기 기존 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 테스트 데이터를 이용하여, 상기 모델을 검증하는 단계; 및 상기 모델의 검증 결과를 기초로 상기 모델을 상기 충성도 분석 모델로 결정하는 단계를 포함할 수 있다.
여기서, 동작 방법은, 상기 모델의 검증 결과의 정확도가 미리 설정된 값 이하인 경우, 최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대한 가중치를 조정하는 단계를 더 포함할 수 있다.
여기서, 상기 가중치를 결정하는 단계는, 상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나의 값을 기초로 상기 방문 기록 정보 및 상기 매출 정보에 서로 다른 가중치를 부여하도록 결정하는 것을 특징으로 할 수 있다.
여기서, 동작 방법은, 매장의 방문 기록 정보 및 매출 정보를 상기 데이터베이스에 업데이트하는 단계; 상기 업데이트된 매장의 방문 기록 정보 및 매출 정보를 이용하여, 상기 충성도 분석 모델의 적합성 여부를 검토하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 매장에 대한 고객의 충성도 분석을 위한 시스템의 서버는, 적어도 하나의 프로그램이 저장된 메모리; 상기 적어도 하나의 프로그램 명령을 수행하는 프로세서; 및 네트워크와 연결되어 통신을 수행하는 송수신 장치를 포함하고, 상기 적어도 하나의 프로그램 명령은, 상기 매장의 고객들의 방문 일자 정보, 및 방문 빈도 정보를 포함하는 매장 방문 기록 정보를 획득하고; 상기 고객들에 의해 발생한 상기 매장의 매출 정보를 획득하고; 상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하고; 표준화된 매장 방문 기록 정보 및 표준화된 매출 정보를 학습하여 충성도 분석 모델을 생성하고; 그리고 상기 충성도 분석 모델을 이용하여, 상기 고객들을 충성도를 기준으로 미리 분류된 그룹들 중 하나의 그룹으로 분류하도록 실행될 수 있다.
여기서, 상기 충성도 분석 모델은, 충성도 분석 시점과 고객의 최근 방문 시점의 차이 값, 고객의 매장 방문 횟수, 및 미리 설정된 시구간 단위의 고객에 의해 발생한 매출 값을 입력 값으로 하는 것을 특징으로 할 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하도록 실행됨에 있어, 상기 매출 정보를 시구간 단위로 구분하고; 상기 시구간 단위의 상기 매출 정보를 1차 표준화하고; 1차 표준화된 상기 시구간 단위의 상기 매출 정보의 평균치를 산출하고; 그리고 상기 매출 정보의 평균치를 반영하여, 1차 표준화된 상기 시구간 단위의 상기 매출 정보를 2차 표준화하도록 실행될 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 충성도 분석 모델을 생성하도록 실행됨에 있어, 상기 매장의 기존 데이터 중에서 무작위로 모델 수립 데이터를 추출하고; 상기 모델 수립 데이터 각각의 최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대해 부여할 가중치를 결정하고; 상기 결정된 가중치를 기초로 상기 모델 수립 데이터를 학습한 모델을 생성하고; 상기 기존 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 테스트 데이터를 이용하여, 상기 모델을 검증하고; 그리고 상기 모델의 검증 결과를 기초로 상기 모델을 상기 충성도 분석 모델로 결정하도록 실행될 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 모델의 검증 결과의 정확도가 미리 설정된 값 이하인 경우, 최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대한 가중치를 조정하도록 더 실행될 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 상기 가중치를 결정하도록 실행됨에 있어, 상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나의 값을 기초로 상기 방문 기록 정보 및 상기 매출 정보에 서로 다른 가중치를 부여하도록 결정하는 것을 특징으로 할 수 있다.
여기서, 상기 적어도 하나의 프로그램 명령은, 매장의 방문 기록 정보 및 매출 정보를 상기 데이터베이스에 업데이트하고; 그리고 상기 업데이트된 매장의 방문 기록 정보 및 매출 정보를 이용하여, 상기 충성도 분석 모델의 적합성 여부를 검토하도록 더 실행될 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 발명의 실시예에 따르면, 매장에 대한 고객의 충성도 분석 시스템은 기존 고객들의 매장 방문 내역 및 매출 내역을 기초로 고객들의 충성도를 분석하고, 분석 결과에 따라 판매 전략을 제시할 수 있다.
본 발명의 실시예에 따르면, 매장에 대한 고객의 충성도 분석 시스템은 고객들의 충성도 분석 결과를 기초로 고객들에게 만족도가 높은 제품 및 프로모션에 관한 정보를 제공할 수 있다.
본 발명을 통해 얻을 수 있는 효과는 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 매장에 대한 고객의 충성도 분석 시스템의 구성의 실시예를 도시한 개념도이다.
도 2는 매장에 대한 고객의 충성도 분석 시스템을 구성하는 디바이스의 구성의 실시예를 도시한 블록도이다.
도 3은 매장에 대한 고객의 충성도 분석 시스템의 디바이스에 포함된 인공 신경망의 실시예를 도시한 개념도이다.
도 4는 매장에 대한 고객의 충성도 분석 시스템의 충성도 분석 알고리즘의 일 실시예를 도시한 개념도이다.
도 5는 매장에 대한 고객의 충성도 분석 시스템의 고객 충성도 분석 방법의 일 실시예를 도시한 흐름도이다.
도 6은 매장에 대한 고객의 충성도 분석 시스템의 매출 정보 표준화 방법의 일 실시예를 도시한 흐름도이다.
도 7은 매장에 대한 고객의 충성도 분석 시스템의 충성도 분석 모델의 생성 방법의 일 실시예를 도시한 흐름도이다.
도 8은 매장에 대한 고객의 충성도 분석 시스템에 의해 제공되는 고객 충성도 분석 결과 GUI의 일 실시예를 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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 본 발명이 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 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
본 발명에 따른 실시예들이 적용되는 매장에 대한 고객의 충성도 분석 시스템이 설명될 것이다. 본 발명에 따른 실시예들이 적용되는 매장에 대한 고객의 충성도 분석 시스템은 아래 설명된 내용에 한정되지 않으며, 본 발명에 따른 실시예들은 다양한 통신 시스템에 적용될 수 있다.
도 1은 매장에 대한 고객의 충성도 분석 시스템의 구성의 실시예를 도시한 개념도이다.
도 1을 참조하면, 매장에 대한 고객의 충성도 분석 시스템은 매장들 각각의 고객들을 관리하고, 고객들의 충성도를 분석하기 위한 고객 충성도 분석 서버(110)와 네트워크(120)를 통해 고객 충성도 분석 서버(110)와 연결되는 매장 관리 단말(130)을 포함할 수 있다.
고객 충성도 분석 서버(110)는 각각의 매장의 고객들의 매장 방문 내역 정보, 매장 매출 내역 정보 등의 고객 관련 정보를 관리하고, 고객들의 충성도를 관리하기 위한 서비스를 제공하기 위해 필요한 정보들을 저장할 수 있다. 고객 충성도 분석 서버(110)는 고객들의 매장에 대한 충성도를 분석하는 알고리즘 등을 포함하는 정보들을 미리 저장할 수 있다.
네트워크(120)는 고객 충성도 분석 서버(110)와 매장 관리 단말(130) 상호 간의 정보를 교환하기 위한 연결 구조를 의미할 수 있다. 네트워크(120)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE(long term evolution), VoLTE(voice over LTE), 5G NR(new radio) Wi-Fi(wireless-fidelity), 블루투스(Bluetooth), NFC, RFID (radio frequency identification) 홈 네트워크(home network), IoT(internet of things) 등을 포함할 수 있다.
매장 관리 단말(130)은 네트워크(120)를 통해 고객 충성도 분석 서버(110)와 연결될 수 있다. 그리고 매장 관리 단말(130)은 컴퓨터, 태블릿, 스마트폰과 같은 사용자 장치(user equipment)를 포함할 수 있다. 매장 관리 단말(130)은 고객 충성도 분석 서버(110)로부터 고객의 관리를 위한 서비스를 통해 제공되는 정보를 수신할 수 있다. 고객 충성도 분석 서버(110)로부터 수신한 정보는 고객들 각각의 충성도 정보 및 충성도를 기초로 한 고객 분석 결과 데이터 등을 포함할 수 있다.
매장 관리 단말(130)은 수신한 고객들 각각의 충성도 정보 및 충성도를 기초로 한 고객 분석 결과 데이터 등을 출력 장치를 통해 디스플레이할 수 있다. 그리고 매장 관리 단말(130)은 사용자로부터 입력받은 정보를 기초로 고객 충성도 분석 서버(110)로부터 제공받은 서비스에 대해 피드백할 수 있다.
도 1의 고객 충성도 분석 서버(110), 매장 관리 단말(130)는 디바이스로 지칭될 수 있으며, 디바이스의 구성은 아래에 설명하는 바와 같을 수 있다.
도 2는 매장에 대한 고객의 충성도 분석 시스템을 구성하는 디바이스의 구성의 실시예를 도시한 블록도이다.
고객 충성도 분석 서버에 포함된 디바이스(200)는, 적어도 하나의 프로세서(210) 및 적어도 하나의 프로세서(210)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(220)를 포함할 수 있다.
여기서 적어도 하나의 프로세서(210)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(220) 및 저장 장치(260) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(220)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
또한, 고객 충성도 분석 서버에 포함된 디바이스(200)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(230)를 포함할 수 있다. 또한, 고객 충성도 분석 서버에 포함된 디바이스(200)는 입력 인터페이스 장치(240), 출력 인터페이스 장치(250), 저장 장치(260) 등을 더 포함할 수 있다. 고객 충성도 분석 서버에 포함된 디바이스(200)에 포함된 각각의 구성 요소들은 버스(bus)(270)에 의해 연결되어 서로 통신을 수행할 수 있다.
또한 고객 충성도 분석 서버에 포함된 디바이스(200)는 인공 신경망을 구현/구동하기 위한 하드웨어적인 구성요소 또는 소프트웨어적인 구성요소들을 더 포함할 수 있다. 예를 들어, 하드웨어적인 구성요소들은 NPU(neural processer unit) 등을 포함할 수 있다. 예를 들어, 소프트웨어적인 구성요소들은 프레임워크(framework), 커널(kernel) 또는 장치 드라이버(device driver), 미들웨어(middleware), 어플리케이션 프로그래밍 인터페이스(application programming interface, API), 어플리케이션 프로그램(또는 어플리케이션) 등을 포함할 수 있다. 디바이스에 의해 구현되는 인공 신경망은 아래에 설명하는 바와 같다.
도 3은 매장에 대한 고객의 충성도 분석 시스템의 디바이스에 포함된 인공 신경망의 실시예를 도시한 개념도이다.
도 3을 참조하면, 인공 신경망은 입력 레이어(IL), 복수의 히든 레이어들(HL1, HL2, ..., HLn) 및 출력 레이어(OL)를 포함할 수 있다.
입력 레이어(IL)는 i(i는 자연수)개의 입력 노드들(x1, x2, ..., xi)을 포함할 수 있다. 그리고, 길이가 i인 벡터 입력 데이터가 입력 노드에 입력될 수 있다.
복수의 히든 레이어들(HL1, HL2, ..., HLn)은 n(n은 자연수)개의 히든 레이어들을 포함하며, 히든 노드들(h11, h12, h13, ..., h1m, h21, h22, h23, ..., h2m, hn1, hn2, hn3, ..., hnm)을 포함할 수 있다. 예를 들어, 히든 레이어(HL1)는 m(m은 자연수)개의 히든 노드들(h11, h12, h13, ..., h1m)을 포함할 수 있고, 히든 레이어(HL2)는 m개의 히든 노드들(h21, h22, h23, ..., h2m)을 포함할 수 있으며, 히든 레이어(HLn)는 m개의 히든 노드들(hn1, hn2, hn3, ..., hnm)을 포함할 수 있다.
출력 레이어(OL)는 분류할 클래스에 대응하는 j(j는 자연수)개의 출력 노드들(y1, y2, ..., yj)을 포함할 수 있고, 입력 데이터에 대하여 각 클래스 별로 결과(예를 들어, 점수 또는 class score)를 출력할 수 있다. 출력 레이어(OL)는 전연결(fully connected) 레이어라고 부를 수 있다.
도 3에 도시된 인공 신경망은 두 개의 노드들 사이에 직선으로 도시된 노드들 간의 연결(branch)과, 연결되는 노드들 간의 가중치(weight) 값들을 포함할 수 있다. 여기서, 하나의 레이어 내의 노드들은 서로 연결이 되지 않을 수 있고, 서로 다른 레이어들에 포함되는 노드들은 완전하게 혹은 부분적으로 연결될 수 있다.
도 3의 각 노드(예를 들어, h11)는 이전 노드(예를 들어, x1)의 출력을 입력 받아 연산할 수 있고, 연산 결과를 이후 노드(예를 들어, h21)에게 전달할 수 있다. 여기서, 노드들 각각은 입력된 값을 특정 함수(예를 들어, 비선형 함수)에 적용하여 출력할 값을 연산할 수 있다.
일반적으로 인공 신경망의 구조는 미리 결정되어 있으며, 노드들 간의 연결에 따른 가중치들은 이미 어떤 클래스에 속할지 정답이 알려진 데이터를 이용하여 적절한 값을 산정할 수 있다. 이미 정답이 알려진 데이터를 '학습 데이터'라고 지칭하고, 가중치를 결정하는 과정을 '학습'이라고 지칭할 수 있다. 또한, 독립적으로 학습이 가능한 구조와 가중치의 묶음을 '모델'이라고 지칭할 수 있다.
즉, 도 2에 도시된 서버 등의 디바이스는 도 3에 도시된 인공 신경망을 이용하여, 시스템에서 지원하는 동작들을 수행할 수 있다. 매장에 대한 고객의 충성도 분석 시스템에 포함된 서버 및 매장 관리 단말들이 실행하는 알고리즘 및 동작들은 아래에 설명하는 바와 같을 수 있다.
도 4는 매장에 대한 고객의 충성도 분석 시스템의 충성도 분석 알고리즘의 일 실시예를 도시한 개념도이다.
도 4를 참조하면, 고객의 충성도 분석 시스템의 서버에 연결되는 데이터베이스는 고객별 최근 방문일, 고객별 방문 빈도, 고객별 매출액 등의 데이터를 저장할 수 있다. 그리고 서버는 미리 설정된 알고리즘을 적용함으로써, 데이터베이스에 저장된 고객별 최근 방문일, 고객별 방문 빈도, 고객별 매출액 데이터를 기초로 고객별 충성도를 분석할 수 있다. 여기서, 미리 설정된 알고리즘은 RFM(recency, frequency, monetary) 알고리즘일 수 있다. RFM 알고리즘의 변수는 고객 방문의 최신성을 지시하는 R(recency) 변수, 고객 방문의 빈도를 지시하는 F(frequency) 변수 및 고객의 거래 금액 정보를 지시하는 M(monetary) 변수일 수 있다.
그리고 서버는 고객별 충성도를 기초로, 고객들을 복수의 세그먼트들로 분류할 수 있다. 예를 들어, 복수의 세그먼트들은, 단골 고객, 신규 고객, 유출된 고객, 유출 예정 고객, 및 안정 고객을 포함할 수 있다. 그리고 서버는 고객별 충성도 및 유출 가능성을 포함하는 고객별 데이터를 산출하고, 산출한 고객별 데이터를 데이터베이스에 저장할 수 있다.
RFM 알고리즘은 가치 있는 고객을 추출하고, 고객을 분류할 수 있는 알고리즘으로서, 매우 간단하면서도 유용하므로, 마케팅에서 많이 사용되고 있는 분석 알고리즘 중 하나이다. 즉, RFM 알고리즘은 높은 구매 가능성을 가지는 고객을 선정하기 위한 데이터 분석방법으로서, RFM 알고리즘을 이용하면, 데이터는 고객의 특성 분석을 위한 의미 있는 정보로 변환된다.
기존의 RFM 알고리즘은 고객을 분류하기 위한 기준 값들을 제시하고 있으나, R, F, M 각각의 변수의 구체적인 정량화 기법, 변수를 통한 분류 기법, 최종 점수 산정식 등을 명확히 제시하고 있지 않다. 기존 방법에 따르면, 특정 기준을 통한 고정 점수를 산출하고, 가중합 방법을 사용한다. 다만 상기 방법은 외식업과 회사 데이터의 특성에 적합하지 않은 문제점을 가지고 있다. 따라서, 본 개시에서는 외식업과 매장에 최적화하기 위해 업종 특성 및 매장 특성에 따라 가중치 등을 구체화하고 정량화함으로써, 실질적으로 고객의 충성도에 관련되는 지수를 산출하고 고객들을 충성도를 기준으로 분류를 가능하게 했다. 본 개시에 따른 기존의 RFM 알고리즘을 보완하는 서버의 고객 충성도 분석 동작은 아래에 설명하는 바와 같을 수 있다.
도 5는 매장에 대한 고객의 충성도 분석 시스템의 고객 충성도 분석 방법의 일 실시예를 도시한 흐름도이다.
도 5를 참조하면, 서버는 매장에 대한 고객 충성도 분석 동작을 수행할 수 있으며, 고객 충성도 분석 동작을 수행하기 위해, 서버는 데이터베이스로부터 매장의 고객 데이터를 불러올 수 있다. 서버는 데이터베이스로부터 매장 정보, 고객 정보, 고객별 방문 일시, 고객별 방문 횟수 및 고객별 총구매액 정보를 불러올 수 있다.
그리고 서버는 데이터베이스로부터 불러온 데이터의 유효성 여부를 판단할 수 있다. 서버는 데이터베이스로부터 '실패하지 않는' '완료된' '온전한' 데이터를 불러오는 것이 바람직하다. 서버는 데이터 각각의 orders의 isValid: true를 통해 데이터를 필터링할 수 있다. 또한 과거의 데이터일수록 스키마가 달라지고 온전하다고 기대하기 어려우므로, 서버는 3개월 내지 2년 정도 데이터만을 불러올 수 있다. 데이터베이스로부터 데이터를 불러온 서버는 아래의 동작을 수행할 수 있다.
S501 단계에서, 서버는 매장의 고객별 방문 일자 정보, 및 방문 빈도 정보를 포함하는 매장 방문 기록 정보를 획득한다. 서버는 고객별 매장 방문 기록 정보를 기초로 RFM 알고리즘의 입력 값인 R 변수 및 F 변수를 산출할 수 있다.
여기서, R 변수는 충성도 분석 시점과 고객의 최근 방문 시점의 차이 값을 정량화하여 산출한 변수일 수 있다. 서버는 수학식 1을 이용하여, R 변수를 산출할 수 있다.
여기서, Ri는 고객의 i번째 방문 시점을 지시하고, t는 현재 시간을 지시한다. 따라서, 수학식 1을 통해 서버는 데이터의 최근성을 반영하여 R 변수를 산출할 수 있다.
그리고 F 변수는 충성도 분석 시점으로부터의 과거 일정 기간 동안의 고객의 매장 방문 횟수 및/또는 방문 빈도를 정량화하여 산출한 변수일 수 있다. 서버는 다음과 같이 매장 방문 횟수 및/또는 빈도를 정량화할 수 있다.
업종 특성 상, 특정 일(예를 들어, 크리스마스, 신정, 등의 명절) 또는 우연히 매장을 방문한 고객은 높은 확률로 매장을 다시 방문하지 않을 수 있다. 따라서 F(original) 변수가 1인 고객인 경우(즉, 총 거래횟수가 1인 경우) F 변수가 0인 고객과 차이를 둘 필요성이 적으므로, F 변수가 0인 고객과 동일한 F 변수를 갖도록 산출할 수 있다. 구체적으로, 서버는 수학식 2를 이용하여 F 변수를 산출할 수 있다.
여기서, Foriginal은 고객의 매장 방문 횟수를 지시할 수 있으며, H[x]는 계단 문턱 함수를 지시할 수 있다. 계단 문턱 함수는 이산 계단 문턱 함수, 또는 계단 문턱 함수일 수 있다.
S503 단계에서, 서버는 고객들에 의해 발생한 매장의 매출 정보를 획득한다. 서버는 매장의 고객별 매출 정보를 기초로 RFM 알고리즘의 입력 값인 M 변수를 산출할 수 있다. 여기서, M 변수는 충성도 분석 시점으로부터의 과거 일정 기간 동안의 고객의 매출 값을 정량화하여 산출한 변수일 수 있다.
S505 단계에서, 서버는 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화한다. R, F, M 변수들 각각은 고객의 거래 패턴에 대한 정보를 지시한다. 하지만 각각의 변수들을 단순히 덧셈하여 하나의 점수로 합칠 경우 변수들 고유의 대소 관계를 반영할 수 없다. 예를 들어, 매장에 비교적 최근에 한번 거래한 고객(R=300, F(original)=1)과 예전부터 300번 거래한 고객(R=1, F(original)=300)인 고객이 있다고 가정한다. 두 고객들 각각 RFM 점수는 301이므로, 두 고객의 중요도는 같다는 결과를 도출할 수 있다. 다만, 위 예시에 따라 산출된 점수는 실제 분석에 적합한 점수가 아닐 수 있다. 데이터를 합산하고 비교하는 것은 데이터의 형태가 동일한 경우에만 유의미하기 때문이다.
그리고 매장의 특성에 따른 전체 표본에서의 특정 고객의 절대적인 위치를 확인하기 위해 데이터의 표준화가 필요하다. 예를 들어, 소규모 점포에서는 3건의 거래를 한 단골 고객의 중요도가 높을 수 있으나, 대규모 점포에서는 3건의 거래를 한 단골 고객의 중요도가 낮을 수 있다. 즉, 동일한 3건의 거래를 한 고객이라도 매장 특성에 따라 중요도는 다를 수 있다. 표준화를 수행하는 경우, 표본 중에서의 고객의 위치를 알 수 있다. 따라서, 단일 고객에 대해 매장 사정에 적합하게 중요도를 정량화할 수 있고, 대소관계 뿐만 아니라 통계적인 위치까지도 확인할 수 있다. 또한 서로 다른 매장들의 기준을 동일하게 설정하는 효과가 있으므로, 다른 매장과의 비교를 통해 우수고객 수를 비교하여 보다 적합한 판매 전략을 수립할 수 있다.
따라서, 데이터에 통계적 의미를 부여하고 매장에 보다 적합한 분석 결과를 도출하기 위해 변수들 각각에 대해 표준화를 진행하는 것이 바람직하다. 서버는 RFM 알고리즘에 입력되는 R, F, M 변수들 각각에 대해 표준화를 진행할 수 있다. 일 실시예에 따르면, R, F, M 변수들 각각은 정규 분포 함수 형태로 분포된다고 가정할 수 있으며, 서버는 정규 분포 함수를 기초로 R, F, M 변수들 각각을 표준화할 수 있다.
고객의 충성도 분석 대상인 매장의 업계 특성 상, 일회성 방문 고객의 비중이 높을 수 있다. 따라서, 고객들의 F 변수 분포는 로그 분포 및/또는 파레토 분포에 따를 수 있다. 서버는 F 변수의 통계적 의미를 확보하기 위해, 1회 방문한 고객에게 0.5 내지 1.5의 F 변수 값을 부여할 수 있다. 그리고 서버는 F 변수를 표준화함에 있어, F 변수의 누적 분포 함수가 파레토 분포 및/또는 로그 분포임을 가정하고 F 변수를 표준화할 수 있다.
서버는 매출 정보를 분석함에 있어, 단순 거래액을 정량화값으로 사용하는 경우, 매출 정보 분석 모델은 실제 추출된 매출 정보를 정확히 반영하지 못한다. 일 실시예에 따르면, 매출 정보는 워크인 손님, 상담 예약, 0원 서비스 메뉴 등 현장의 융통적인 업무 방식이 존재하기 때문에 매출이 없는 데이터가 존재할 수 있다. 매출이 없는 데이터가 데이터 전처리 단계에서 발견되는 경우, 매출이 없는 데이터는 필터링되지 못할 수 있다. 일차적으로 서버는 매출 정보를 분석함에 있어, 고객의 결제 내역 정보를 반영하여 고객별 매출 정보를 분석할 수 있다.
따라서 이런 문제점을 해결하기 위한 방법으로 패턴에 관계없이 매출 정보를 획득하기 위해 데이터 바이닝(Data binning)을 적용할 수 있다. 데이터 바이닝을 적용하여 고객별 매출 정보를 표준화하는 서버의 동작은 아래에 설명하는 바와 같을 수 있다.
도 6은 매장에 대한 고객의 충성도 분석 시스템의 매출 정보 표준화 방법의 일 실시예를 도시한 흐름도이다.
S601 단계에서, 서버는 고객별 매출 정보를 시구간 단위로 구분할 수 있다. 예를 들어, 특정 고객의 3개월간 매출 정보에 의해 지시되는 매출액이 25000원인 경우, 서버는 특정 고객의 매출 정보를 시구간 단위로 구분할 수 있다. 서버는 특정 고객의 3개월간 매출 정보에 의해 지시되는 매출액을 1개월 단위로 구분할 수 있다.
S603 단계에서, 서버는 시구간 단위의 고객별 매출 정보를 1차 표준화할 수 있다.
S605 단계에서, 서버는 1차 표준화된 시구간 단위의 고객별 매출 정보의 평균치를 산출할 수 있다.
S607 단계에서, 서버는 매출 정보의 평균치를 반영하여, 1차 표준화된 상기 시구간 단위의 고객별 매출 정보를 2차 표준화할 수 있다. 여기서, 서버는 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화함에 있어, 표준화된 고객별 방문 일자 정보, 방문 빈도 정보 및 매출 정보를 전체 고객에 대해서 표준화할 수 있다. 즉, 서버는 전체 고객들의 R 변수 값, F 변수 값, 및 M 변수 값의 평균 및 분포를 기초로 고객별 방문 일자 정보, 방문 빈도 정보 및 매출 정보를 표준화할 수 있다.
그리고 서버는 전체 고객에 대해서 표준화된 고객별 방문 일자 정보, 방문 빈도 정보 및 매출 정보를 기초로 산출된 R 변수 값, F 변수 값, 및 M 변수 값을 기반으로 고객의 등급을 산정할 수 있다. 일 실시예에 따르면, 서버는 수학식 3을 이용하여 고객을 등급별로 분류할 수 있다. 수학식 3은 아래와 같다.
수학식 3에서, Gdata는 데이터에 따른 고객의 등급을 지시하고,는 천장 함수를 지시하고, n은 고객을 분류하는 등급들의 개수를 지시하며, erfc(x)는 1-erf(x)(오차 함수)를 지시할 수 있다.
일 실시예에 따르면, 서버는 수학식 4를 이용하여 고객을 등급별로 분류할 수 있다. 수학식 4는 아래와 같다.
수학식 4에서, normalcdf(x)는 정규 분포 함수를 지시할 수 있다.
다른 실시예에 따르면, 서버는 전체 고객에 대해서 F 변수를 기초로 고객의 등급을 산정할 수 있다. F 변수의 분포 함수가 파레토 분포를 따른다고 가정한 경우, 실제 데이터에 따른 알파 계수를 산출하기 위해, 서버는 누적 분포 함수에 데이터를 대입할 수 있다. 알파 계수는 수학식 5를 통해 산출될 수 있다. 수학식 5는 아래와 같다.
수학식 5에서, p는 일회성 고객의 비중을 지시한다. 서버는 1회 방문한 고객들을 최하위 등급으로 분류할 수 있다. 그리고 서버는 파레토 분포의 누적 분포 함수에서 p의 정규화 누적 구간을 제외한 구간들을 n-1개로 나누어 1등급부터 n-1등급을 부여할 수 있다. 서버는 수학식 6을 통해 방문 빈도 데이터를 기초로 고객들을 분류할 수 있다. 수학식 6은 아래와 같다.
다시 도 5를 참조하면, S507 단계에서, 서버는 표준화된 매장 방문 기록 정보 및 표준화된 매출 정보를 학습하여 충성도 분석 모델을 생성할 수 있다. 여기서, 충성도 분석 모델은 충성도 분석 시점과 고객의 최근 방문 시점의 차이 값, 고객의 매장 방문 횟수, 및 미리 설정된 시구간 단위의 고객에 의해 발생한 매출 값을 입력 값으로 하는 인공 신경망 모델일 수 있다. 매장에 대한 고객의 충성도 분석 시스템의 충성도 분석 모델을 생성하는 서버의 동작은 아래에 설명하는 바와 같을 수 있다.
도 7은 매장에 대한 고객의 충성도 분석 시스템의 충성도 분석 모델의 생성 방법의 일 실시예를 도시한 흐름도이다.
S701 단계에서, 서버는 매장의 기존 데이터 중에서 무작위로 모델 수립 데이터를 추출할 수 있다.
S703 단계에서, 서버는 모델 수립 데이터 각각의 고객별 최근 방문 일자 정보, 고객별 방문 빈도 정보 및 고객별 매출 정보 각각에 대해 부여할 가중치를 결정할 수 있다. 여기서, 가중치는 R, F, M 점수들 각각을 기초로 고객의 충성도를 산출함에 있어, R, F, M 점수들 각각의 기여도에 관한 수치 값일 수 있다.
매장에 대한 고객의 충성도를 분석함에 있어, R 변수, F 변수, 및 M 변수 각각의 기여도는 서로 다를 수 있다. 따라서, 고객의 충성도 분석의 정확도를 향상시키기 위해, R, F, M 변수 각각에 부여되는 가중치를 결정할 수 있다.
예를 들어, 서버는 매장의 고객들의 위치 정보를 기초로 고객들 중에서 매장으로부터 일정 반경 이내의 고객들의 비율인 SRR(same region ratio)를 산출할 수 있다. 그리고 서버는 매장의 고객들의 1회 방문 당 평균 구매 금액인 MPP(monetary per purchase)를 산출할 수 있다. 서버는 SRR 및/또는 MPP를 기초로 R, F, M 변수 각각에 부여되는 가중치를 결정할 수 있다.
매장의 SRR 값이 높게 산출되는 경우, 방문 회수 및/또는 방문 빈도가 높은 구매자의 비율이 높고 1회 방문 당 구매 금액이 낮음을 암시할 수 있다. 분석 결과는 매장이 단골 고객에 대해 높은 의존도를 가진 다는 점을 암시할 수 있다. 따라서, 고객의 충성도 분석 결과의 정확도를 높이기 위해서, F의 가중치를 높여 계산하는 것이 실제 거래 패턴에 근접할 수 있다. 또한 MPP 값이 높게 산출되는 경우, 매장의 매출 변동성은 거래에 대해 민감할 수 있다. 따라서, 고객의 충성도 분석 결과의 정확도를 높이기 위해서, M의 가중치를 높여 계산하는 것이 실제 거래 패턴에 근접할 수 있다.
여기서, 서버는 R, F, M 점수들 각각에 부여할 가중치를 결정함에 있어, 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나의 정보를 반영하여, R, F, M 점수들 각각에 서로 다른 가중치를 부여하도록 결정할 수 있다.
S705 단계에서, 서버는 결정된 가중치를 기초로 모델 수립 데이터를 학습한 모델을 생성할 수 있다.
S707 단계에서, 서버는 기존 데이터 중에서 모델 수립 데이터를 제외한 데이터인 테스트 데이터를 이용하여, 생성한 모델을 검증할 수 있다. 즉, 서버는 서버는 테스트 데이터를 이용한 검증 결과, 생성한 모델의 정확도를 산출할 수 있다.
S709 단계에서, 서버는 모델의 검증 결과를 기초로 모델을 충성도 분석 모델로 결정할 수 있다. 서버는 테스트 데이터를 이용한 검증 결과, 미리 설정된 값 이상의 정확도가 산출된 경우, 생성한 모델을 충성도 분석 모델로 결정할 수 있다. 반면, 서버는 테스트 데이터를 이용한 검증 결과, 미리 설정된 값 미만의 정확도가 산출된 경우, R, F, M 점수들 각각에 부여되는 가중치를 조정할 수 있다.
다시 도 5를 참조하면, S509 단계에서, 서버는 충성도 분석 모델을 이용하여, 고객들을 충성도를 기준으로 미리 분류된 그룹들 중 하나의 그룹으로 분류할 수 있다. 일 실시예에 따르면, 미리 분류된 그룹들은 단골 고객, 신규 고객, 유출된 고객, 유출 예정 고객 및 안정 고객일 수 있다.
서버는 매장의 방문 기록 정보 및 매출 정보를 주기적으로 데이터베이스에 업데이트할 수 있다. 그리고 서버는 업데이트된 매장의 방문 기록 정보 및 매출 정보를 이용하여, 충성도 분석 모델의 적합성 여부를 지속적으로 검토할 수 있다. 업데이트된 매장의 방문 기록 정보 및 매출 정보를 이용한 미리 설정된 값 이상의 정확도가 산출된 경우, 충성도 분석 모델을 유지할 수 있다. 반면, 서버는 업데이트된 매장의 방문 기록 정보 및 매출 정보를 이용한 검증 결과, 미리 설정된 값 미만의 정확도가 산출된 경우, R, F, M 점수들 각각에 부여되는 가중치를 조정할 수 있다.
서버는 매장 고객들의 충성도 분석 결과를 기초로 분석 리포트를 생성할 수 있다. 그리고 매장의 관리자 단말에게 분석 리포트를 제공할 수 있다. 분석 리포트는 고객 충성도 분석 결과를 GUI(graphic user interface) 형태로 표현한 리포트일 수 있다. 고객 충성도 분석 결과를 기초로 GUI 형태로 제공되는 데이터는 아래에 설명하는 바와 같을 수 있다.
도 8은 매장에 대한 고객의 충성도 분석 시스템에 의해 제공되는 고객 충성도 분석 결과 GUI의 일 실시예를 도시한 도면이다.
도 8을 참조하면, GUI의 일단은 분석 시점에서의 그룹별(예를 들어, 단골 고객, 신규 고객, 유출된 고객, 유출 예정 고객 및 안정 고객) 고객 수를 표시할 수 있다. 그리고 GUI는 그룹별(예를 들어, 단골 고객, 신규 고객, 유출된 고객, 유출 예정 고객 및 안정 고객) 고객 수의 시계열적 그래프를 표시할 수 있다.
그리고 GUI의 일측은 매장에 등록된 고객수, 최근 일정 기간(예를 들어, 일주일 또는 1 달) 동안 방문한 고객들의 총 방문 횟수와 고객 수, 및 방문 횟수 각각에 대한 그래프를 표시할 수 있다. 그리고, GUI의 일측은 매장에서 유출된 고객들의 수 및 그래프를 표시할 수 있다.
그리고 GUI의 타측은 유출된 고객 및/또는 유출 예정 고객으로 인한 일정 기간(예를 들어, 1 달) 동안의 매출 영향 분석 결과를 표시할 수 있다. 또한 GUI의 타측은 일정 정도 이상의 충성도를 가지는 단골 고객 고객으로 인한 일정 기간(예를 들어, 1 달) 동안의 매출 영향 분석 결과를 표시할 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
Claims (14)
- 매장에 대한 고객의 충성도 분석을 위한 시스템의 동작 방법에 있어서,상기 매장의 고객들의 방문 일자 정보, 및 방문 빈도 정보를 포함하는 매장 방문 기록 정보를 획득하는 단계;상기 고객들에 의해 발생한 상기 매장의 매출 정보를 획득하는 단계;상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하는 단계;표준화된 매장 방문 기록 정보 및 표준화된 매출 정보를 학습하여 충성도 분석 모델을 생성하는 단계; 및상기 충성도 분석 모델을 이용하여, 상기 고객들을 충성도를 기준으로 미리 분류된 그룹들 중 하나의 그룹으로 분류하는 단계를 포함하는, 동작 방법.
- 청구항 1에 있어서,상기 충성도 분석 모델은,충성도 분석 시점과 고객의 최근 방문 시점의 차이 값, 고객의 매장 방문 횟수, 및 미리 설정된 시구간 단위의 고객에 의해 발생한 매출 값을 입력 값으로 하는, 동작 방법.
- 청구항 1에 있어서,상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하는 단계는,상기 매출 정보를 시구간 단위로 구분하는 단계;상기 시구간 단위의 상기 매출 정보를 1차 표준화하는 단계;1차 표준화된 상기 시구간 단위의 상기 매출 정보의 평균치를 산출하는 단계; 및상기 매출 정보의 평균치를 반영하여, 1차 표준화된 상기 시구간 단위의 상기 매출 정보를 2차 표준화하는 단계를 더 포함하는, 동작 방법.
- 청구항 1에 있어서,상기 충성도 분석 모델을 생성하는 단계는,상기 매장의 기존 데이터 중에서 무작위로 모델 수립 데이터를 추출하는 단계;상기 모델 수립 데이터 각각의 최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대해 부여할 가중치를 결정하는 단계;상기 결정된 가중치를 기초로 상기 모델 수립 데이터를 학습한 모델을 생성하는 단계;상기 기존 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 테스트 데이터를 이용하여, 상기 모델을 검증하는 단계; 및상기 모델의 검증 결과를 기초로 상기 모델을 상기 충성도 분석 모델로 결정하는 단계를 포함하는, 동작 방법.
- 청구항 4에 있어서,상기 모델의 검증 결과의 정확도가 미리 설정된 값 이하인 경우,최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대한 가중치를 조정하는 단계를 더 포함하는, 동작 방법.
- 청구항 4에 있어서,상기 가중치를 결정하는 단계는,상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나의 값을 기초로 상기 방문 기록 정보 및 상기 매출 정보에 서로 다른 가중치를 부여하도록 결정하는 것을 특징으로 하는, 동작 방법.
- 청구항 1에 있어서,매장의 방문 기록 정보 및 매출 정보를 데이터베이스에 업데이트하는 단계; 및상기 업데이트된 매장의 방문 기록 정보 및 매출 정보를 이용하여, 상기 충성도 분석 모델의 적합성 여부를 검토하는 단계를 더 포함하는, 동작 방법.
- 매장에 대한 고객의 충성도 분석을 위한 시스템의 서버로서,적어도 하나의 프로그램 명령이 저장된 메모리;상기 적어도 하나의 프로그램 명령을 수행하는 프로세서; 및네트워크와 연결되어 통신을 수행하는 송수신 장치를 포함하고,상기 적어도 하나의 프로그램 명령은,상기 매장의 고객들의 방문 일자 정보, 및 방문 빈도 정보를 포함하는 매장 방문 기록 정보를 획득하고;상기 고객들에 의해 발생한 상기 매장의 매출 정보를 획득하고;상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하고;표준화된 매장 방문 기록 정보 및 표준화된 매출 정보를 학습하여 충성도 분석 모델을 생성하고; 그리고상기 충성도 분석 모델을 이용하여, 상기 고객들을 충성도를 기준으로 미리 분류된 그룹들 중 하나의 그룹으로 분류하도록 실행되는, 서버.
- 청구항 8에 있어서,상기 충성도 분석 모델은,충성도 분석 시점과 고객의 최근 방문 시점의 차이 값, 고객의 매장 방문 횟수, 및 미리 설정된 시구간 단위의 고객에 의해 발생한 매출 값을 입력 값으로 하는 것을 특징으로 하는, 서버.
- 청구항 8에 있어서,상기 적어도 하나의 프로그램 명령은,상기 고객들의 매장 방문 기록 정보, 및 상기 고객들에 의해 발생한 매출 정보를 표준화하도록 실행됨에 있어,상기 매출 정보를 시구간 단위로 구분하고;상기 시구간 단위의 상기 매출 정보를 1차 표준화하고;1차 표준화된 상기 시구간 단위의 상기 매출 정보의 평균치를 산출하고; 그리고상기 매출 정보의 평균치를 반영하여, 1차 표준화된 상기 시구간 단위의 상기 매출 정보를 2차 표준화하도록 실행되는, 서버.
- 청구항 8에 있어서,상기 적어도 하나의 프로그램 명령은,상기 충성도 분석 모델을 생성하도록 실행됨에 있어,상기 매장의 기존 데이터 중에서 무작위로 모델 수립 데이터를 추출하고;상기 모델 수립 데이터 각각의 최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대해 부여할 가중치를 결정하고;상기 결정된 가중치를 기초로 상기 모델 수립 데이터를 학습한 모델을 생성하고;상기 기존 데이터 중에서 상기 모델 수립 데이터를 제외한 데이터인 테스트 데이터를 이용하여, 상기 모델을 검증하고; 그리고상기 모델의 검증 결과를 기초로 상기 모델을 상기 충성도 분석 모델로 결정하도록 실행되는, 서버.
- 청구항 11에 있어서,상기 적어도 하나의 프로그램 명령은,상기 모델의 검증 결과의 정확도가 미리 설정된 값 이하인 경우,최근 방문 일자 정보, 방문 빈도 정보 및 매출 정보에 대한 가중치를 조정하도록 더 실행되는, 서버.
- 청구항 11에 있어서,상기 적어도 하나의 프로그램 명령은,상기 가중치를 결정하도록 실행됨에 있어,상기 매장의 업종 정보, 규모 정보, 지역 정보 중 적어도 하나의 값을 기초로 상기 방문 기록 정보 및 상기 매출 정보에 서로 다른 가중치를 부여하도록 결정하는 것을 특징으로 하는, 서버.
- 청구항 8에 있어서,상기 적어도 하나의 프로그램 명령은,매장의 방문 기록 정보 및 매출 정보를 데이터베이스에 업데이트하고; 그리고상기 업데이트된 매장의 방문 기록 정보 및 매출 정보를 이용하여, 상기 충성도 분석 모델의 적합성 여부를 검토하도록 더 실행되는, 서버.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20210005983 | 2021-01-15 | ||
KR10-2021-0005983 | 2021-01-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022154201A1 true WO2022154201A1 (ko) | 2022-07-21 |
Family
ID=82448249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2021/009020 WO2022154201A1 (ko) | 2021-01-15 | 2021-07-14 | 매장에 대한 고객의 충성도 분석 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2022154201A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100970587B1 (ko) * | 2009-07-23 | 2010-07-16 | 정기섭 | 사용자의 암시적 관심 요소를 이용한 고객 관리 장치 및 고객 관리 방법 및 고객 관리 방법을 수행하는 프로그램이 기록된 기록 매체 |
KR20120101227A (ko) * | 2011-02-24 | 2012-09-13 | 성균관대학교산학협력단 | 스마트폰 고객 만족도 분석 시스템 및 분석 방법 |
JP2017016361A (ja) * | 2015-06-30 | 2017-01-19 | 富士通株式会社 | 推定データ生成方法、推定データ生成プログラムおよび推定データ生成システム |
KR20200007213A (ko) * | 2018-07-12 | 2020-01-22 | 주식회사 진이어스 | 시술 예측 솔루션 |
KR20200054353A (ko) * | 2018-11-02 | 2020-05-20 | 포에스비 주식회사 | 고객 세분화를 이용한 고객 맞춤형 캠페인 관리 시스템 |
-
2021
- 2021-07-14 WO PCT/KR2021/009020 patent/WO2022154201A1/ko active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100970587B1 (ko) * | 2009-07-23 | 2010-07-16 | 정기섭 | 사용자의 암시적 관심 요소를 이용한 고객 관리 장치 및 고객 관리 방법 및 고객 관리 방법을 수행하는 프로그램이 기록된 기록 매체 |
KR20120101227A (ko) * | 2011-02-24 | 2012-09-13 | 성균관대학교산학협력단 | 스마트폰 고객 만족도 분석 시스템 및 분석 방법 |
JP2017016361A (ja) * | 2015-06-30 | 2017-01-19 | 富士通株式会社 | 推定データ生成方法、推定データ生成プログラムおよび推定データ生成システム |
KR20200007213A (ko) * | 2018-07-12 | 2020-01-22 | 주식회사 진이어스 | 시술 예측 솔루션 |
KR20200054353A (ko) * | 2018-11-02 | 2020-05-20 | 포에스비 주식회사 | 고객 세분화를 이용한 고객 맞춤형 캠페인 관리 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022163956A1 (ko) | 인공지능 기반 매장 수요 예측 방법 및 시스템 | |
US5623660A (en) | System for regulating access to data base for purposes of data base management | |
WO2017200234A1 (ko) | 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치 | |
WO2021010744A1 (ko) | 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 | |
WO2023008908A1 (en) | Method of providing product discount coupons based on store demand forecasting and system therefor | |
Mo et al. | Calibrating path choices and train capacities for urban rail transit simulation models using smart card and train movement data | |
US20240028682A1 (en) | Information processing apparatus, information processing method, and storage medium | |
WO2021075742A1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
CN116644825B (zh) | 一种基于大数据的门诊信息查询预约管理系统 | |
WO2023058973A1 (ko) | 인공지능과 기계 학습 기반 해외 공공조달 맞춤형 입찰정보 제공 서비스 시스템 및 방법 | |
WO2023136493A1 (ko) | Cb 사 신용 평가 모델 생성 및 관리 자동화 방법 및 이러한 방법을 수행하는 장치 | |
WO2022154201A1 (ko) | 매장에 대한 고객의 충성도 분석 방법 및 시스템 | |
CN113094001B (zh) | 一种基于云平台的软件代码管理系统 | |
WO2023136492A1 (ko) | 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치 | |
CN107368407A (zh) | 信息处理方法和装置 | |
WO2017196074A1 (ko) | 매출 보상금 지급 방법 및 이를 실행하는 서버 | |
Arcolezi et al. | Mobility modeling through mobile data: generating an optimized and open dataset respecting privacy | |
WO2023140477A1 (ko) | 상점 재료의 주문 수량 예측 디바이스 및 방법 | |
CN116797235A (zh) | 消费信息的处理方法、装置、存储介质及计算机设备 | |
CN116912016A (zh) | 一种账单稽核方法和装置 | |
CN110825960A (zh) | 一种学习内容推荐方法和装置 | |
WO2021020924A1 (ko) | 클라우드 pos 서버를 활용한 클라우드 결제 시스템 및 그 방법 | |
WO2022075560A1 (ko) | 에너지 데이터 중개 시스템 및 방법 | |
CN111652539B (zh) | 一种异常事件监控方法、装置、系统 | |
WO2020062645A1 (zh) | 基于数据分析的定价方法、设备、存储介质及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21919825 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21919825 Country of ref document: EP Kind code of ref document: A1 |