KR102166371B1 - APPARATUS AND METHOD FOR ARTIFICIAL INTELLIGENCE MARKETING BASED ON Internet-of-Things - Google Patents

Abstract

Disclosed are an IoT-based artificial intelligence marketing device for performing marketing by using an artificial neural network for analyzing big data on customers, and a method thereof. According to an embodiment of the present invention, the artificial intelligence marketing device can comprise: a communication part for transmitting and receiving information to and from a user terminal; a user database including user information; a product database including product information; and an analysis part for generating marketing information by using one or more artificial neural networks based on predetermined information received from a user through the communication part, the user information included in the user database, and the product information included in the product database.

Description

IoT 기반의 인공지능 마케팅 장치 및 방법{APPARATUS AND METHOD FOR ARTIFICIAL INTELLIGENCE MARKETING BASED ON Internet-of-Things}IoT-based artificial intelligence marketing device and method {APPARATUS AND METHOD FOR ARTIFICIAL INTELLIGENCE MARKETING BASED ON Internet-of-Things}

본 발명은 마케팅을 위한 기술로서 특히, 고객에 대한 빅데이터를 분석하는 인공 신경망을 이용하여 마케팅을 수행하는 인공지능 마케팅 장치 및 방법에 관한 것이다.The present invention relates to an artificial intelligence marketing apparatus and method for marketing as a technology for marketing, in particular, using an artificial neural network that analyzes big data on customers.

빅데이터를 이용한 마케팅은 빅데이터를 통해 고객의 소비 패턴과 선호도, 정보 등을 분석하여, 구매할 가능성이 높은 고객에게 맞춤형 혜택을 제공하는 마케팅 방식을 말한다. 최근에는 단순히 유형의 상품 뿐 아니라 금융, 유통, 의료, 통신, 보험 분야와 같은 무형의 서비스를 제공하는 방식으로 확대되고 있다.Marketing using big data refers to a marketing method that provides customized benefits to customers who are likely to purchase by analyzing customer consumption patterns, preferences, and information through big data. In recent years, it is expanding to a method that provides not only tangible products but also intangible services such as finance, distribution, medical care, telecommunications, and insurance.

그러나, 최근의 빅데이터를 이용한 마케팅 방식은 고객의 성향을 분석하여 제품을 추천할 뿐, 소비자가 해당 제품을 구매 후 반품하는지 여부에 대한 분석을 수행하지 않는다. 이로 인하여, 소비자가 해당 제품을 구매 후 반품을 하는 경우, 판매자는 비용 및 시간적인 측면에서 많은 손해를 입을 수 있다. However, the recent marketing method using big data only recommends a product by analyzing the customer's disposition, and does not perform an analysis on whether the consumer returns the product after purchasing it. For this reason, when a consumer returns a product after purchasing the product, the seller may suffer a lot of damage in terms of cost and time.

이에 따라, 고객의 성향에 따른 제품 추천 뿐 아니라, 구매 후 소비자의 행동 패턴을 고려하여 제품의 구매를 유도하기 위한 이벤트를 제공할지 여부 또는 다른 제품의 구매를 유도하기 위한 광고 정보를 제공할지 여부 등을 판단할 수 있는 인공지능 마케팅 장치가 필요하다.Accordingly, not only product recommendations based on customer preferences, but also whether to provide an event to induce purchase of the product in consideration of the consumer's behavior pattern after purchase, or whether to provide advertisement information to induce the purchase of other products, etc. There is a need for an artificial intelligence marketing device that can judge.

고객에 대한 빅데이터를 분석하는 인공 신경망을 이용하여 마케팅을 수행하는 인공지능 마케팅 장치 및 방법을 제공하는데 목적이 있다.An object of the present invention is to provide an artificial intelligence marketing device and method that performs marketing using an artificial neural network that analyzes big data about customers.

본 발명에서 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.The technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems that are not mentioned will be clearly understood by those of ordinary skill in the technical field to which the present invention belongs from the following description. I will be able to.

일 양상에 따르면, 인공지능 마케팅 장치는 사용자 단말과 정보를 송수신하는 통신부; 사용자 정보를 포함하고 있는 사용자 데이터 베이스; 제품 정보를 포함하고 있는 제품 데이터 베이스; 통신부를 통하여 사용자로부터 수신한 소정의 정보, 사용자 데이터 베이스에 포함된 사용자 정보 및 제품 데이터 베이스에 포함된 제품 정보를 기초로 하나 이상의 인공 신경망을 이용하여 마케팅 정보를 생성하는 분석부를 포함할 수 있다.According to an aspect, an artificial intelligence marketing apparatus includes: a communication unit for transmitting and receiving information to and from a user terminal; A user database containing user information; A product database containing product information; An analysis unit for generating marketing information using one or more artificial neural networks based on predetermined information received from a user through the communication unit, user information included in the user database, and product information included in the product database may be included.

분석부는 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망을 이용하여 제품 특성 별 구매자의 특성을 분석할 수 있다.The analysis unit is at least one of the buyer's age, gender, residence, education, occupation, movement, SNS account information, and photo information labeled with product characteristics including at least one of product type, material, color, size, cost, and performance. By using the first artificial neural network learned with the learning data including the purchaser information including, the characteristics of the purchaser for each product characteristic may be analyzed.

분석부는 제1 인공 신경망에 제1 제품의 특성 정보를 입력하여 제1 제품의 구매 예상자의 구매자 특성 정보를 생성할 수 있다.The analysis unit may input characteristic information of the first product into the first artificial neural network to generate buyer characteristic information of a purchase predictor of the first product.

분석부는 제1 제품의 구매 예상자의 구매자 특성 정보를 기초로 사용자 데이터 베이스에 포함된 사용자 정보를 분석하여 사용자 연락 정보를 생성할 수 있다.The analysis unit may generate user contact information by analyzing user information included in the user database based on buyer characteristic information of the predicted purchaser of the first product.

분석부는 통신부를 제어하여 사용자 연락 정보에 해당하는 사용자 단말에 제품 판매 정보를 전송할 수 있다.The analysis unit may control the communication unit to transmit product sales information to a user terminal corresponding to the user contact information.

분석부는 반품 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석할 수 있다.The analysis department is among the buyer's age, gender, residence, education, occupation, movement, SNS account information, and photo information, labeled with the characteristics of the returned product including at least one of the type, material, color, size, cost, and performance of the returned product. A second artificial neural network learned with learning data including at least one returned consumer information may be used to analyze the characteristics of returned consumers for each product characteristic.

분석부는 통신부를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 사용자 데이터 베이스로부터 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망에 입력하여 제2 제품의 반품 가능성을 추정할 수 있다.The analysis unit receives purchase request information requesting the purchase of a second product through the communication unit, receives user information of the purchase requester who has transmitted purchase request information requesting the purchase of a second product from the user database, and The possibility of returning the second product may be estimated by inputting the user information and the second product characteristic information into the second artificial neural network.

분석부는 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이하인 경우, 구매 요청자에게 이벤트 정보를 전송할 수 있다.When the probability of return of the second product estimated through the second artificial neural network is less than or equal to a predetermined value, the analysis unit may transmit event information to the purchase requester.

분석부는 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이상인 경우, 제2 인공 신경망을 이용하여 제2 제품과 동일한 종류의 제품 중 재질, 색상, 크기, 비용, 성능 중 적어도 하나가 다른 하나 이상의 제 3 제품 각각에 대한 반품 가능성을 추정하며, 하나 이상의 제 3 제품 중 반품 가능성이 가장 낮은 제품에 대한 정보를 구매 요청자에게 전송할 수 있다.When the return probability of the second product estimated through the second artificial neural network is more than a predetermined value, the analysis unit uses the second artificial neural network to use at least one of material, color, size, cost, and performance among products of the same type as the second product. Estimates a return probability for each of the other at least one third product, and information on a product with the lowest return probability among the at least one third product may be transmitted to the purchase requester.

또한 본 발명의 일 실시예에 따른 시스템은 사용자 단말(620), 네트워크 노드(630), 및 관리 서버(620)를 포함한다. 상기 관리 서버(620)는 사용자 단말과 정보를 송수신하는 통신부(110); 사용자 정보를 포함하고 있는 사용자 데이터 베이스(120); 제품 정보를 포함하고 있는 제품 데이터 베이스(130); 통신부를 통하여 사용자로부터 수신한 소정의 정보, 사용자 데이터 베이스에 포함된 사용자 정보 및 제품 데이터 베이스에 포함된 제품 정보를 기초로 적어도 하나의 인공 신경망을 이용하여 마케팅 정보를 생성하는 분석부(140)를 포함할 수 있다.In addition, the system according to an embodiment of the present invention includes a user terminal 620, a network node 630, and a management server 620. The management server 620 includes a communication unit 110 for transmitting and receiving information to and from a user terminal; A user database 120 containing user information; A product database 130 including product information; An analysis unit 140 for generating marketing information using at least one artificial neural network based on predetermined information received from a user through the communication unit, user information included in the user database, and product information included in the product database. Can include.

또한 본 발명의 일 실시예에 따른 시스템에 있어서, 복수의 사용자 단말; 및 상기 복수의 사용자 단말과 통신을 수행하는 통신부, 사용자 데이터 베이스, 및 제품 데이터 베이스를 구비하는 관리 서버를 포함하고, 상기 관리 서버는, 구매된 복수의 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 특성 정보를 포함하는 학습 데이터로 제1 인공 신경망을 학습시키고, 상기 학습된 제1 인공 신경망을 이용하여 구매된 제품 특성 별 구매자의 특성을 분석하고, 제1 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 상기 학습된 제1 인공 신경망에 입력하고, 상기 제1 제품의 구매 예상자에 대한 구매자 특성 정보를 상기 입력에 대한 상기 학습된 제1 인공 신경망의 출력으로써 획득하고, 상기 제1 제품의 구매 예상자에 대한 구매자 특성 정보에 기반하여 사용자 데이터 베이스에 저장된 사용자 정보들을 분석하여 하나의 사용자 연락 정보를 추출하고, 상기 추출된 하나의 사용자 연락 정보에 상응하는 하나의 사용자 단말에게 상기 제1 제품에 대한 추천 정보를 전송하도록 상기 통신부를 제어하는 것을 특징으로 하고, 상기 관리 서버는, 복수의 반품 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 제2 인공 신경망을 학습시키고, 상기 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석하고, 상기 통신부를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 상기 사용자 데이터 베이스로부터 상기 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망에 입력하여 상기 제2 제품에 대한 반품 가능성을 추정하고, 상기 추정된 제2 제품의 반품 가능성이 임계값 미만인 경우에는 구매 요청자에게 이벤트 정보를 전송하도록 제어하고, 상기 학습된 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 임계값 이상인 경우에는 상기 학습된 제2 인공 신경망을 이용하여 상기 제2 제품과 동일한 종류의 제품 중 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나가 다른 복수의 제3 제품 각각에 대한 반품 가능성을 추정하며, 상기 복수의 제3 제품 중 반품 가능성이 가장 낮은 제품에 대한 정보를 구매 요청자에게 전송하도록 제어하는 것을 특징으로 하는 시스템을 제안한다. In addition, in the system according to an embodiment of the present invention, a plurality of user terminals; And a management server having a communication unit performing communication with the plurality of user terminals, a user database, and a product database, wherein the management server includes a type, material, color, size, and cost of a plurality of products purchased. As learning data including buyer characteristic information including at least one of age, gender, residence, education, occupation, movement, SNS account information, and photo information of the buyer labeled with product characteristics including at least one of, and performance Train the first artificial neural network, analyze the characteristics of the purchaser for each characteristic of the purchased product using the learned first artificial neural network, and determine at least one of the type, material, color, size, cost, and performance of the first product. Input to the learned first artificial neural network, acquire buyer characteristic information on the purchase predictor of the first product as an output of the learned first artificial neural network for the input, and obtain the purchase predictor of the first product One user contact information is extracted by analyzing user information stored in the user database based on the buyer characteristic information, and recommendation information for the first product is provided to one user terminal corresponding to the extracted one user contact information. And controlling the communication unit to transmit, wherein the management server comprises: the age of the purchaser labeled with a return product characteristic including at least one of a plurality of returned product types, materials, colors, sizes, costs, and performances, A second artificial neural network is trained with learning data including returned consumer information including at least one of gender, residence, educational background, occupation, movement route, SNS account information, and photo information, and using the learned second artificial neural network. Analyzing the characteristics of the returned consumer for each product characteristic, receiving purchase request information for requesting purchase of a second product through the communication unit, and transmitting purchase request information for requesting purchase of the second product from the user database. Receives the purchase requester's user information, and the purchase requester's user information and second Product characteristic information is input into a second artificial neural network to estimate the return probability of the second product, and when the estimated return probability of the second product is less than a threshold, control to transmit event information to the purchase requester, and the When the probability of return of the second product estimated through the learned second artificial neural network is greater than or equal to the threshold value, material, color, size, cost, among products of the same type as the second product, are used using the learned second artificial neural network. And estimating a return possibility for each of a plurality of third products having different at least one of performance, and controlling to transmit information on a product with the lowest return possibility among the plurality of third products to a purchase requester. Suggest.

고객에 대한 빅데이터를 분석하는 인공 신경망을 이용하여 마케팅을 수행하는 인공지능 마케팅 장치를 제공하여 제품의 판매를 유도할 수 있다.It is possible to induce product sales by providing an artificial intelligence marketing device that performs marketing using an artificial neural network that analyzes big data about customers.

또한, 구매 후 소비자의 행동 패턴을 분석하여 소비자가 제품을 반품할지 여부를 추정하고, 해당 결과에 따라 다른 마케팅을 수행함으로써 반품 가능성을 줄이고 제품 판매 가능성을 높일 수 있다.In addition, it is possible to reduce the likelihood of returning products and increase the likelihood of product sales by analyzing the consumer's behavior pattern after purchase, estimating whether the consumer will return the product, and performing other marketing according to the corresponding result.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned can be clearly understood by those of ordinary skill in the art from the following description. will be.

본 발명의 특정한 바람직한 실시예들의 상기에서 설명한 바와 같은 또한 다른 측면들과, 특징들 및 이득들은 첨부 도면들과 함께 처리되는 하기의 설명으로부터 보다 명백하게 될 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능 마케팅 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 분석부의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 분석부의 동작을 설명하는 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 시스템을 나타내는 블록도이다.
도 7은 본 발명의 일 실시예에 따른 관리 서버를 나타내는 블록도이다.
상기 도면들을 통해, 유사 참조 번호들은 동일한 혹은 유사한 엘리먼트들과, 특징들 및 구조들을 도시하기 위해 사용된다는 것에 유의해야만 한다.Other aspects, features and benefits as described above of certain preferred embodiments of the present invention will become more apparent from the following description, which is handled in conjunction with the accompanying drawings.
1 is a block diagram of an artificial intelligence marketing device according to an embodiment of the present invention.
2 is a block diagram of an analysis unit according to an embodiment of the present invention.
3 is an exemplary diagram for explaining the operation of an artificial neural network according to an embodiment of the present invention.
4 is an exemplary diagram for explaining the operation of an artificial neural network according to an embodiment of the present invention.
5 is a flowchart illustrating an operation of an analysis unit according to an embodiment of the present invention.
6 is a block diagram showing a system according to an embodiment of the present invention.
7 is a block diagram showing a management server according to an embodiment of the present invention.
It should be noted that throughout the drawings, like reference numbers are used to show the same or similar elements, features, and structures.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.In describing the embodiments, descriptions of technical contents that are well known in the technical field to which the present invention pertains and are not directly related to the present invention will be omitted. This is to more clearly convey the gist of the present invention by omitting unnecessary description.

마찬가지 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 개략적으로 도시되었다. 또한, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 각 도면에서 동일한 또는 대응하는 구성요소에는 동일한 참조 번호를 부여하였다.For the same reason, some components in the accompanying drawings are exaggerated, omitted, or schematically illustrated. In addition, the size of each component does not fully reflect the actual size. The same reference numerals are assigned to the same or corresponding components in each drawing.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in a variety of different forms, only the present embodiments are intended to complete the disclosure of the present invention, and the general knowledge in the technical field to which the present invention belongs. It is provided to completely inform the scope of the invention to those who have it, and the invention is only defined by the scope of the claims. The same reference numerals refer to the same components throughout the specification.

이때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.In this case, it will be appreciated that each block of the flowchart diagrams and combinations of the flowchart diagrams may be executed by computer program instructions. Since these computer program instructions can be mounted on the processor of a general purpose computer, special purpose computer or other programmable data processing equipment, the instructions executed by the processor of the computer or other programmable data processing equipment are described in the flowchart block(s). It creates a means to perform functions. These computer program instructions can also be stored in computer-usable or computer-readable memory that can be directed to a computer or other programmable data processing equipment to implement a function in a particular way, so that the computer-usable or computer-readable memory It is also possible to produce an article of manufacture containing instruction means for performing the functions described in the flowchart block(s). Computer program instructions can also be mounted on a computer or other programmable data processing equipment, so that a series of operating steps are performed on a computer or other programmable data processing equipment to create a computer-executable process to create a computer or other programmable data processing equipment. It is also possible for instructions to perform processing equipment to provide steps for executing the functions described in the flowchart block(s).

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 적어도 하나의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.Further, each block may represent a module, segment, or part of code including at least one executable instruction for executing the specified logical function(s). In addition, it should be noted that in some alternative execution examples, functions mentioned in blocks may occur out of order. For example, two blocks shown in succession may in fact be executed substantially simultaneously, or the blocks may sometimes be executed in reverse order depending on the corresponding function.

이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.In this case, the term'~ unit' used in this embodiment refers to software or hardware components such as field-programmable gate array (FPGA) or application specific integrated circuit (ASIC), and'~ unit' is a certain role. Perform them. However,'~ part' is not limited to software or hardware. The'~ unit' may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors. Thus, as an example,'~ unit' refers to components such as software components, object-oriented software components, class components and task components, processes, functions, properties, and procedures. , Subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, database, data structures, tables, arrays, and variables. The components and functions provided in the'~ units' may be combined into a smaller number of elements and'~ units', or may be further divided into additional elements and'~ units'. In addition, components and'~ units' may be implemented to play one or more CPUs in a device or a security multimedia card.

본 발명의 실시예들을 구체적으로 설명함에 있어서, 특정 시스템의 예를 주된 대상으로 할 것이지만, 본 명세서에서 청구하고자 하는 주요한 요지는 유사한 기술적 배경을 가지는 여타의 통신 시스템 및 서비스에도 본 명세서에 개시된 범위를 크게 벗어나지 아니하는 범위에서 적용 가능하며, 이는 당해 기술분야에서 숙련된 기술적 지식을 가진 자의 판단으로 가능할 것이다.In describing the embodiments of the present invention in detail, examples of specific systems will be the main target, but the main subject matter to be claimed in this specification is the scope disclosed in the present specification to other communication systems and services having a similar technical background. It can be applied within a range that does not deviate greatly, and this will be possible at the judgment of a person skilled in the art.

이하, 인공지능 마케팅 장치 및 방법의 실시예들을 도면들을 참고하여 자세히 설명한다.Hereinafter, embodiments of an artificial intelligence marketing apparatus and method will be described in detail with reference to the drawings.

도 1은 본 발명의 일 실시예에 따른 인공지능 마케팅 장치의 구성도이다.1 is a block diagram of an artificial intelligence marketing device according to an embodiment of the present invention.

도 1을 참조하면, 인공지능 마케팅 장치(100)는, 사용자 단말과 신호 및/또는 정보를 송수신하는 통신부(communication unit)(110), 사용자 정보를 포함하거나 및/또는 저장하는 사용자 데이터 베이스(user data base)(120), 제품 정보를 포함하거나 및/또는 저장하는 제품 데이터 베이스(product data base)(130)를 포함하고, 통신부(110)를 통하여 사용자로부터 수신한 소정의 정보, 사용자 데이터 베이스(120)에 포함된 사용자 정보와 제품 데이터 베이스(130)에 포함된 제품 정보를 기초로 적어도 하나의 인공 신경망을 이용하여 마케팅 정보를 생성하는 분석부(analyzing unit)(140)를 더 포함할 수 있다.Referring to FIG. 1, the artificial intelligence marketing apparatus 100 includes a communication unit 110 that transmits and receives signals and/or information to and from a user terminal, and a user database that includes and/or stores user information. data base) 120, a product database 130 containing and/or storing product information, and predetermined information received from a user through the communication unit 110, a user database ( An analyzing unit 140 for generating marketing information using at least one artificial neural network based on user information included in 120) and product information included in the product database 130 may be further included. .

통신부(110)는 적어도 하나의 사용자 단말과 유선 및/또는 무선통신을 통하여 정보를 송신 및/또는 수신할 수 있다. 일 예로, 통신부(110)는 적어도 하나의 사용자 단말과 인터넷을 통하여 연결될 수 있다.The communication unit 110 may transmit and/or receive information through wired and/or wireless communication with at least one user terminal. For example, the communication unit 110 may be connected to at least one user terminal through the Internet.

사용자 정보는 사용자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함할 수 있다. 또한 사용자 정보는 사용자의 연락처, ID(식별자), 구매 내역, 반품 내역 중 적어도 하나를 더 포함할 수 있다.The user information may include at least one of the user's age, gender, residence, education, occupation, movement, SNS account information, and photo information. In addition, the user information may further include at least one of the user's contact information, ID (identifier), purchase history, and return history.

제품 정보는 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함할 수 있다. 또한 제품 정보는 제품의 판매 수량, 반품 수량, 재고 수량, 판매자 정보 및 제품 구매 후기 중 적어도 하나를 더 포함할 수 있다.Product information may include at least one of product type, material, color, size, cost, and performance. In addition, the product information may further include at least one of a sales quantity of a product, a return quantity, a stock quantity, seller information, and product purchase reviews.

또한 제품의 종류는 의류(예; 상의, 셔츠, 블라우스, 티셔츠, 니트, 하의, 팬츠, 스커트, 레깅스, 데님, 원피스, 아우터, 카디건, 코트/자켓, 점퍼/베스트 등), 액세서리(예; 모자, 벨트, 귀금속 등), 신발, 가방, 이너웨어, 장갑, 양말, 스타킹, 굿즈(goods), 인형, 책, 앨범(예; CD, 테이프, 앨범 패키지 등) 등을 포함할 수 있다. 또한 상기 제품의 종류는 차, 오토바이, 자전거, 서적, 가구, 컴퓨터, 핸드폰, 전자장치, 티켓, 여행권, 숙박권, 영화티켓, 건강보조식품, 가정용품, 욕실용품, 사무용품, 문구, 가전제품, 레저용품, 유아용품, 미용품, 패션잡화 등을 더 포함할 수도 있다.In addition, the types of products include clothing (e.g. tops, shirts, blouses, t-shirts, knits, bottoms, pants, skirts, leggings, denim, dresses, outers, cardigans, coats/jackets, jumpers/vests, etc.), accessories (e.g. hats) , Belts, precious metals, etc.), shoes, bags, inner wear, gloves, socks, stockings, goods, dolls, books, albums (eg, CDs, tapes, album packages, etc.). In addition, the types of the above products include cars, motorcycles, bicycles, books, furniture, computers, mobile phones, electronic devices, tickets, travel tickets, lodging coupons, movie tickets, health supplements, household goods, bathroom supplies, office supplies, stationery, home appliances, leisure It may further include products, baby products, beauty products, fashion accessories, and the like.

도 2는 본 발명의 일 실시예에 따른 분석부의 구성도이다.2 is a block diagram of an analysis unit according to an embodiment of the present invention.

도 2를 참조하면, 분석부(140)는 적어도 하나의 인공 신경망을 포함할 수 있으며, 일 예로, 도 2에 도시된 바와 같이, 분석부(140)는 제1 인공 신경망(141) 및 제2 인공 신경망(143)을 포함할 수 있다.Referring to FIG. 2, the analysis unit 140 may include at least one artificial neural network. For example, as shown in FIG. 2, the analysis unit 140 includes a first artificial neural network 141 and a second artificial neural network. It may include an artificial neural network 143.

분석부(140)는 제1 인공 신경망(141)을 이용하여 제품 특성 별 구매자의 특성을 분석할 수 있다. 여기서 제1 인공 신경망(141)은 RNN(Recurrent Neural Network) 모델을 활용하는 것일 수 있다.The analysis unit 140 may analyze the characteristics of buyers for each product characteristic using the first artificial neural network 141. Here, the first artificial neural network 141 may utilize a recurrent neural network (RNN) model.

또한 분석부(140)는 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블(label)된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망(141)을 포함할 수 있다.In addition, the analysis unit 140 is the age, gender, residence, education, occupation, movement of the buyer labeled with product characteristics including at least one of product type, material, color, size, cost, and performance, SNS It may include a first artificial neural network 141 learned from training data including purchaser information including at least one of account information and photo information.

또한 분석부(140)는 구매된 복수의 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 특성 정보를 포함하는 학습 데이터로 제1 인공 신경망(141)을 학습시키고, 상기 학습된 제1 인공 신경망(141)을 이용하여 구매된 제품 특성 별 구매자의 특성을 분석할 수 있다.In addition, the analysis unit 140 is the age, sex, residence, education, occupation, movement of the buyer labeled with product characteristics including at least one of the types, materials, colors, sizes, costs, and performance of a plurality of products purchased. , The first artificial neural network 141 is trained with learning data including buyer characteristic information including at least one of SNS account information and photo information, and product characteristics purchased using the learned first artificial neural network 141 You can analyze the characteristics of star buyers.

도 3은 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.3 is an exemplary diagram for explaining the operation of an artificial neural network according to an embodiment of the present invention.

도 3을 참조하면, 제품 특성으로 레이블된 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망(141)은 제1 제품의 특성 정보(제1 제품 특성 정보)를 입력 받을 수 있으며, 입력 정보에 대하여 제1 제품의 구매 예상자의 구매자 특성 정보를 생성할 수 있다.Referring to FIG. 3, a first artificial neural network 141 trained with learning data including buyer information labeled as product characteristics may receive characteristic information (first product characteristic information) of a first product, and input information With respect to, it is possible to generate buyer characteristic information of a purchase predictor of the first product.

분석부(140)는, 예를 들면, 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제1 제품의 특성 정보를 제1 인공 신경망(141)에 입력하며, 제1 인공 신경망(141)은 제1 제품을 구매할 가능성이 높은 구매 예상자의 나이, 성별, 거주지, 학력, 직업, 이동 동선 중 적어도 하나에 대한 구매자 특성 정보를 생성할 수 있다. 일 예로, 분석부(140)가 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 특정 냉장고에 대한 정보를 제1 인공 신경망(141)에 입력하면, 제1 인공 신경망(141)은 '35세~40세, 여성, 서울, 부산, 기혼, 결혼 예정' 등과 같은 구매 가능성이 높은 구매 예상자의 특성 정보를 생성할 수 있다.The analysis unit 140 inputs, to the first artificial neural network 141, characteristic information of a first product including at least one of, for example, product type, material, color, size, cost, and performance. The artificial neural network 141 may generate buyer characteristic information on at least one of an age, gender, residence, education background, occupation, and mobility of a purchase predictor with a high probability of purchasing the first product. As an example, when the analysis unit 140 inputs information on a specific refrigerator such as'refrigerator, double door type, white, 500L, \2,500,000, consumption efficiency 1st class' into the first artificial neural network 141, the first artificial neural network ( 141) can generate characteristic information of a prospective purchaser with a high probability of purchase, such as '35 to 40 years old, female, Seoul, Busan, married, marriage planned'.

또한 분석부(140)는 구매 예상자의 구매자 특성 정보를 기초로 사용자 데이터 베이스(120)에 포함된 사용자 정보를 분석하여 사용자 연락 정보를 생성할 수 있다. 일 예로, 분석부(140)는 사용자 데이터 베이스(120)에 포함된 사용자 정보를 분석하여 '35세~40세, 여성, 서울, 부산, 기혼, 결혼 예정' 등과 같은 조건에 맞는 사용자를 검색한 후, 해당 사용자의 연락처를 추출하여 사용자 연락 정보를 생성할 수 있다.In addition, the analysis unit 140 may generate user contact information by analyzing user information included in the user database 120 based on the purchaser characteristic information of a purchase predictor. As an example, the analysis unit 140 analyzes user information included in the user database 120 to search for users meeting conditions such as '35 to 40 years old, female, Seoul, Busan, married, planned marriage', etc. After that, the user's contact information can be extracted by extracting the user's contact information.

또한 분석부(140)는 통신부(110)를 제어하여 사용자 연락 정보에 해당하는 사용자 단말에 제품 판매 정보를 전송할 수 있다. 일 예로, 제품 판매 정보는 제품에 대한 정보, 제품에 대한 이벤트 정보 중 적어도 하나를 포함할 수 있다.In addition, the analysis unit 140 may control the communication unit 110 to transmit product sales information to a user terminal corresponding to user contact information. As an example, the product sales information may include at least one of information on a product and event information on a product.

또한 분석부(140)는 반품 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 학습된 제2 인공 신경망(143)을 포함할 수 있다.In addition, the analysis unit 140 is the age, gender, residence, education, occupation, movement of the buyer labeled with at least one of the returned product characteristics including at least one of the type, material, color, size, cost, and performance of the returned product. It may include a second artificial neural network 143 learned from learning data including returned consumer information including at least one of information and photo information.

또한 분석부(140)는 제2 인공 신경망(143)을 이용하여 제품 특성 별 반품 소비자의 특성을 분석할 수 있다. 여기서 제2 인공 신경망(143)은 DNN(Deep Neural Network) 모델을 활용하는 것일 수 있다.In addition, the analysis unit 140 may analyze characteristics of returned consumers by product characteristics using the second artificial neural network 143. Here, the second artificial neural network 143 may use a deep neural network (DNN) model.

일 예로, 분석부(140)는 반품 제품에 대한여 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 반품 제품 정보를 제2 인공 신경망(143)에 입력할 수 있다. 이후, 제2 인공 신경망(143)은 반품 소비자 정보를 기초로 특정 조건의 사용자 별 반품 가능성을 추정할 수 있다.For example, the analysis unit 140 may input returned product information such as'refrigerator, double door type, white, 500L, \2,500,000, consumption efficiency level 1'for the returned product into the second artificial neural network 143. Thereafter, the second artificial neural network 143 may estimate a return possibility for each user under a specific condition based on the returned consumer information.

또한 분석부(140)는 통신부(110)를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 사용자 데이터 베이스(120)로부터 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망(143)에 입력하여 제2 제품의 반품 가능성을 추정할 수 있다.In addition, the analysis unit 140 receives purchase request information that requests the purchase of a second product through the communication unit 110, and transmits purchase request information requesting the purchase of a second product from the user database 120. The requestor's user information may be received, and the possibility of returning the second product may be estimated by inputting the purchase requestor's user information and the second product characteristic information into the second artificial neural network 143.

또한 분석부(140)는 복수의 반품 제품의 종류, 재질, 색상, 크기, 비용, 및 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 제2 인공 신경망을 학습시키고, 상기 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석하고, 상기 통신부를 통하여 제2 제품의 구매를 요청하는 구매 요청 정보를 수신하며, 상기 사용자 데이터 베이스로부터 상기 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 수신하며, 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망에 입력하여 상기 제2 제품에 대한 반품 가능성을 추정할 수 있다.In addition, the analysis unit 140 is the age, gender, residence, education, occupation, movement of the buyer labeled with the characteristics of the returned product including at least one of a plurality of returned products type, material, color, size, cost, and performance. , A second artificial neural network is trained with learning data including returned consumer information including at least one of SNS account information and photo information, and the characteristics of returned consumers for each product characteristic are analyzed using the learned second artificial neural network. , Receiving purchase request information for requesting purchase of a second product through the communication unit, receiving user information of a purchase requester who has transmitted purchase request information for requesting purchase of the second product from the user database, and purchasing The possibility of returning the second product may be estimated by inputting the requestor's user information and the second product characteristic information into the second artificial neural network.

일 예로, 분석부(140)는 제2 인공 신경망(143)을 이용하여 '20대 = 반품 가능성 40%', '30대 = 반품 가능성 25%', '40대 = 반품 가능성 13%', '50대 = 17%', '60대 이상 = 반품 가능성 20%'와 같이 구매자의 특정 조건, 예를 들어, 나이 별 반품 가능성을 추정할 수 있다.As an example, the analysis unit 140 uses the second artificial neural network 143 to '20s = 40% return probability', '30s = 25% return possibility', '40s = 13% return possibility', ' You can estimate the probability of a return by age, for example, under certain conditions of the buyer, such as '50s = 17%' and '60s or older = 20% return probability'.

다른 예로, 분석부(140)는 제2 인공 신경망(143)을 이용하여 반품 가능성이 높은 구매자의 조건을 추정할 수 있다. 예를 들어, 분석부(140)는 제2 인공 신경망(143)을 이용하여 '20대 & 남성 & 강원 & 자영업 = 반품 가능성 70%'와 같이 적어도 하나의 조건을 만족시키는 경우 마다 반품 가능성을 추정할 수 있다.As another example, the analysis unit 140 may estimate a condition of a buyer with high probability of return using the second artificial neural network 143. For example, the analysis unit 140 uses the second artificial neural network 143 to estimate the probability of return whenever at least one condition is satisfied, such as '20s & men & Gangwon & self-employed = 70% return probability' can do.

도 4는 본 발명의 일 실시예에 따른 인공 신경망의 동작을 설명하기 위한 예시도이다.4 is an exemplary diagram for explaining the operation of an artificial neural network according to an embodiment of the present invention.

도 4를 참조하면, 분석부(140)는 제품 특성 정보와 구매를 요청한 사용자의 정보를 제2 인공 신경망(143)에 입력하여 해당 사용자가 해당 제품을 반품할 가능성을 추정할 수 있다. 일 예를 들어, 분석부(140)는 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 제품 특성 정보와 '40세, 여성, 서울, 기혼'과 같은 구매를 요청한 사용자의 정보를 제2 인공 신경망(143)에 입력하여 해당 사용자가 해당 제품을 반품할 가능성을 추정할 수 있다. 예를 들어, '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'과 같은 제품 특성 정보와 '40세, 여성, 서울, 기혼'과 같은 구매를 요청한 사용자의 정보를 제2 인공 신경망(143)에 입력하는 경우, 반품 가능성은 5%일 수 있다.Referring to FIG. 4, the analysis unit 140 may estimate a probability that the corresponding user will return the product by inputting product characteristic information and information of a user who has requested a purchase into the second artificial neural network 143. For example, the analysis unit 140 includes product characteristic information such as'refrigerator, double door type, white, 500L, \2,500,000, consumption efficiency level 1'and a user who requests a purchase such as '40 years old, female, Seoul, married' It is possible to estimate the likelihood that the corresponding user will return the corresponding product by inputting the information on the second artificial neural network 143. For example, product characteristic information such as'refrigerator, double door type, white, 500L, \2,500,000, consumption efficiency 1st grade' and information of a user who requested a purchase such as '40 years old, female, Seoul, married' If you enter in (143), the probability of return may be 5%.

또한 분석부(140)는 제2 인공 신경망(143)을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이하(또는 임계값 미만)인 경우, 구매 요청자에게 소정의 이벤트 정보를 전송할 수 있다.In addition, the analysis unit 140 may transmit predetermined event information to the purchase requester when the probability of return of the second product estimated through the second artificial neural network 143 is less than a predetermined value (or less than a threshold value).

일 예로, 소정 제품에 대한 구매를 요청한 사용자를 분석할 결과, 해당 사용자가 제품을 반품할 가능성이 소정 값보다 높은 경우(또는 임계값 이상인 경우), 판매자는 해당 제품을 판매하여 얻는 이득보다 손해가 클 수 있다. 예를 들어, 반품으로 인한 배송비, 재고 비용, 제품의 손상 가능성 등의 손해가 발생할 수 있다. 이에 따라, 특정 소비자의 반품 가능성이 높은 경우, 해당 제품의 구매를 억제하는 것이 판매자에게 유리할 수 있다.For example, as a result of analyzing a user who has requested a purchase for a certain product, if the likelihood of the user returning the product is higher than a certain value (or above a threshold), the seller will lose more than the gain obtained by selling the product. It can be big. For example, shipping costs, inventory costs, and possible damage to the product may occur due to returns. Accordingly, when there is a high possibility of a return of a specific consumer, it may be advantageous to the seller to suppress the purchase of the corresponding product.

다른 예로, 소정 제품에 대한 반품 가능성이 낮은 소비자의 경우, 판매자는 해당 소비자에게 적극적인 마케팅을 수행하여 구매를 유도하는 것이 유리할 수 있다. 예를 들어, 해당 소비가의 특정 제품에 대한 반품 가능성이 소정 기준 이하로 판단되는 경우, 판매자는 할인 정보 또는 쿠폰 정보 등 구매를 유도할 수 있는 이벤트 정보를 해당 소비자에게 제공하여 보다 적극적으로 제품을 구매하도록 유도할 수 있다.As another example, in the case of a consumer having a low probability of returning a predetermined product, it may be advantageous for the seller to induce purchase by actively marketing the corresponding consumer. For example, if the possibility of returning a specific product of the corresponding consumer is determined to be less than a predetermined standard, the seller provides the consumer with event information that can induce purchase, such as discount information or coupon information. You can induce them to buy.

또한 분석부(140)는 제2 인공 신경망을 통하여 추정된 제2 제품의 반품 가능성이 소정 값 이상인 경우, 제2 인공 신경망(143)을 이용하여 제2 제품과 동일한 종류의 제품 중 재질, 색상, 크기, 비용, 성능 중 적어도 하나가 다른 적어도 하나의 제3 제품 각각에 대한 반품 가능성을 추정하며, 적어도 하나의 제3 제품 중 반품 가능성이 가장 낮은 제품에 대한 정보를 구매 요청자에게 전송할 수 있다.In addition, when the probability of return of the second product estimated through the second artificial neural network is greater than or equal to a predetermined value, the analysis unit 140 uses the second artificial neural network 143 to determine the material, color, and color of products of the same type as the second product. The return probability of each of at least one third product having different at least one of size, cost, and performance may be estimated, and information on a product with the lowest return probability among the at least one third product may be transmitted to the purchase requester.

도 5는 본 발명의 일 실시예에 따른 분석부의 동작을 설명하는 흐름도이다.5 is a flowchart illustrating an operation of an analysis unit according to an embodiment of the present invention.

도 5를 참조하면, 분석부(140)는 사용자로부터 특정 제품에 대한 구매 요청 정보를 수신할 수 있으며, 수신한 구매 요청 정보에 대한 제품의 반품 가능성을 추정할 수 있다(510).Referring to FIG. 5, the analysis unit 140 may receive purchase request information for a specific product from a user, and estimate the possibility of returning the product with respect to the received purchase request information (510).

일 예로, 분석부(140)는 제2 제품의 구매를 요청하는 구매 요청 정보를 구매 요청자로부터 수신할 수 있으며, 분석부(140)는 사용자 데이터 베이스(120)를 검색하여 제2 제품의 구매를 요청하는 구매 요청 정보를 전송한 구매 요청자의 사용자 정보를 찾을 수 있다. 이후, 분석부(140)는 구매 요청자의 사용자 정보 및 제2 제품 특성 정보를 제2 인공 신경망(143)에 입력하여 제2 제품의 반품 가능성을 추정할 수 있다.As an example, the analysis unit 140 may receive purchase request information requesting a purchase of a second product from a purchase requester, and the analysis unit 140 searches the user database 120 to purchase a second product. User information of the purchase requester who transmitted the requested purchase request information can be found. Thereafter, the analysis unit 140 may estimate the possibility of returning the second product by inputting the purchase requestor's user information and the second product characteristic information into the second artificial neural network 143.

이후, 분석부(140)는 추정된 제품의 반품 가능성이 소정 값 이하인지 여부를 판단할 수 있다(520).Thereafter, the analysis unit 140 may determine whether the estimated return possibility of the product is less than or equal to a predetermined value (520).

일 예로, 반품 가능성이 소정 값 이하인 경우(또는 임계값 미만인 경우), 분석부(140)는 해당 구매 요청자에게 이벤트 정보를 전송할 수 있다. 여기서 이벤트 정보는 할인 정보 및 쿠폰 정보 중 적어도 하나일 수 있다.For example, when the return possibility is less than a predetermined value (or less than a threshold value), the analysis unit 140 may transmit event information to a corresponding purchase requester. Here, the event information may be at least one of discount information and coupon information.

반면, 반품 가능성이 소정 값 이상인 경우, 분석부(140)는 다른 제품에 대한 반품 가능성을 추정할 수 있다(540).On the other hand, when the return possibility is greater than or equal to a predetermined value, the analysis unit 140 may estimate the return possibility of another product (540).

일 예로, 분석부는 소정의 구매자가 구매 요청을 한 제품과 동일한 종류의 제품들 중 재질, 색상, 크기, 비용, 성능 중 적어도 하나 이상이 다른 제품을 선정하여 반품 가능성을 추정할 수 있다. As an example, the analysis unit may estimate the possibility of return by selecting a product having at least one or more of a material, color, size, cost, and performance among products of the same type as a product for which a predetermined purchaser has requested a purchase.

일 예를 들어, 사용자가 '냉장고, 양문형, 흰색, 500L, \2,500,000, 소비효율 1등급'인 제품 A에 대하여 구매 요청을 한 경우, 분석부(140)는 제품 B = '냉장고, 양문형, 은색, 500L, \2,500,000, 소비효율 1등급', 제품 C = '냉장고, 양문형, 검은색, 500L, \2,500,000, 소비효율 1등급', 제품 D = '냉장고, 양문형, 흰색, 450L, \2,000,000, 소비효율 1등급', 제품 E = '냉장고, 양문형, 은색, 450L, \2,000,000, 소비효율 1등급'등의 제품에 대하여 반품 가능성을 각각 추정할 수 있다.For example, when a user makes a purchase request for a product A of'refrigerator, double door type, white, 500L, \2,500,000, consumption efficiency level 1', the analysis unit 140 returns product B ='refrigerator, double door type, silver , 500L, \2,500,000, consumption efficiency level 1', Product C ='Refrigerator, double door type, black, 500L, \2,500,000, consumption efficiency level 1', Product D ='Refrigerator, double door type, white, 450L, \2,000,000, consumption It is possible to estimate the possibility of return for products such as'Efficiency Class 1', Product E ='Refrigerator, Double Door Type, Silver, 450L, \2,000,000, Consumption Efficiency Class 1', respectively.

이후, 분석부(140)는 반품 가능성이 가장 낮은 제품에 대한 추천 정보(및/또는 광고 정보, 마케팅 정보)를 구매 요청자에게 전송할 수 있다. 예를 들어, 분석 결과 제품 D에 대한 반품 가능성이 가장 낮은 것으로 추정되는 경우, 분석부(140)는 제품 A에 대하여 구매 요청을 한 구매 요청자에게 제품 D에 대한 정보를 전송할 수 있다.Thereafter, the analysis unit 140 may transmit recommendation information (and/or advertisement information, marketing information) on the product with the lowest return probability to the purchase requestor. For example, when it is estimated that the probability of returning product D is the lowest as a result of analysis, the analysis unit 140 may transmit information on product D to a purchase requester who has made a purchase request for product A.

이를 통하여, 사용자(예; 판매자)는 반품 가능성을 낮추고, 반품 가능성이 낮은 제품을 추천 및 구매를 유도함으로써 판매 효율을 높일 수 있다.Through this, users (eg, sellers) can reduce the likelihood of return and increase sales efficiency by recommending and purchasing products with low return possibility.

도 6은 본 발명의 일 실시예에 따른 시스템을 나타내는 블록도이다.6 is a block diagram showing a system according to an embodiment of the present invention.

도 6은 본 발명의 시스템(600)은 관리 서버(610) 및 사용자 단말(620)을 포함할 수 있다. 여기서 관리 서버(610)는 도 1을 참조하여 설명된 마케팅 장치(100)에 상응할 수 있다.6, the system 600 of the present invention may include a management server 610 and a user terminal 620. Here, the management server 610 may correspond to the marketing device 100 described with reference to FIG. 1.

관리 서버(610)는 제1 제어 모듈(710), 제1 통신 모듈(720), 제1 입력 모듈(730), 및/또는 제1 출력 모듈(740)을 포함할 수 있으며, 상기 관리 서버(610)는 본 발명의 마케팅 마케팅 플랫폼을 제공하거나 지원하는 웹사이트 및/또는 모바일앱을 운용하는 서버일 수 있다.The management server 610 may include a first control module 710, a first communication module 720, a first input module 730, and/or a first output module 740, and the management server ( 610) may be a server operating a website and/or mobile app that provides or supports the marketing marketing platform of the present invention.

사용자 단말(620) 및 네트워크 노드(630) 각각은 제2 제어 모듈(760), 제2 통신 모듈(770), 제2 입력 모듈(780, 미도시), 및/또는 제2 출력 모듈(790, 미도시)을 포함할 수 있다.Each of the user terminal 620 and the network node 630 includes a second control module 760, a second communication module 770, a second input module 780 (not shown), and/or a second output module 790, (Not shown) may be included.

제어 모듈(710, 760)은 본 발명의 일 실시예에 따른 동작/단계/과정을 구현할 수 있도록 관리 서버(610) 및/또는 사용자 단말(620)을 직/간접적으로 제어할 수 있다. 또한 제어 모듈(710, 760)은 적어도 하나의 프로세서를 포함할 수 있으며, 프로세서는 적어도 하나의 중앙 처리 유닛(CPU) 및/또는 적어도 하나의 그래픽 처리 디바이스(GPU)를 포함할 수 있다.The control modules 710 and 760 may directly/indirectly control the management server 610 and/or the user terminal 620 to implement an operation/step/process according to an embodiment of the present invention. Further, the control modules 710 and 760 may include at least one processor, and the processor may include at least one central processing unit (CPU) and/or at least one graphic processing device (GPU).

또한 제어 모듈(710, 760)은 API(Application Programming Interface), IoT(Internet of Things), IIoT(Industrial Internet of Things), ICT(Information & Communication Technology) 기술에 기반하여 제어 정보(예; 명령어) 등을 생성하거나 및/또는 관리할 수 있다.In addition, the control modules 710 and 760 are based on API (Application Programming Interface), IoT (Internet of Things), IIoT (Industrial Internet of Things), ICT (Information & Communication Technology) technology, etc. Can be created and/or managed.

통신 모듈(720, 770)은 관리 서버(610), 사용자 단말(620), 및/또는 네트워크 노드(630) 등과 각종 데이터, 신호, 정보를 송수신할 수 있다. 또한, 통신 모듈(720, 770)은 무선 통신 모듈(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 또한, 통신 모듈(720, 770)은 제1 네트워크(예: 블루투스, WiFi direct 또는 IrDA(Infrared Data Association) 같은 근거리 통신 네트워크) 또는 제2 네트워크(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다.The communication modules 720 and 770 may transmit and receive various data, signals, and information with the management server 610, the user terminal 620, and/or the network node 630. In addition, the communication modules 720 and 770 are wireless communication modules (eg, cellular communication modules, short-range wireless communication modules, or global navigation satellite system (GNSS) communication modules) or wired communication modules (eg, local area network (LAN) communication). Module, or a power line communication module). In addition, the communication modules 720 and 770 may include a first network (eg, a Bluetooth, WiFi direct, or a short-range communication network such as IrDA (Infrared Data Association)) or a second network (eg, a cellular network, the Internet, or a computer network (eg: LAN or WAN) to communicate with external electronic devices. These various types of communication modules may be integrated into one component (eg, a single chip), or may be implemented as a plurality of separate components (eg, multiple chips).

입력 모듈(730, 780)은 관리 서버(610), 사용자 단말(620), 및/또는 네트워크 노드(630)의 구성요소(예: 제어 모듈(710) 등)에 사용될 명령 또는 데이터를 관리 서버(610) 및/또는 사용자 단말(620)의 외부(예: 사용자(예; 제1 사용자, 제2 사용자 등), 관리 서버(610)의 관리자 등)로부터 수신할 수 있다. 또한, 입력 모듈(730, 780)은 관리 서버(610) 및/또는 사용자 단말(620)에 설치된 터치인식가능 디스플레이, 터치패드, 버튼형 인식 모듈, 음성인식센서, 마이크, 마우스, 또는 키보드 등을 포함할 수 있다. 여기서 터치인식가능 디스플레이, 터치패드, 버튼형 인식 모듈은 감압식 및/또는 정전식 방식을 통하여 사용자의 신체(예; 손가락)를 통한 터치를 인식할 수 있다.The input modules 730 and 780 transmit commands or data to be used in the management server 610, the user terminal 620, and/or the components of the network node 630 (for example, the control module 710, etc.) 610) and/or external to the user terminal 620 (eg, a user (eg, a first user, a second user, etc.), an administrator of the management server 610, etc.). In addition, the input modules 730 and 780 include a touch recognition capable display installed in the management server 610 and/or the user terminal 620, a touch pad, a button type recognition module, a voice recognition sensor, a microphone, a mouse, or a keyboard. can do. Here, the touch-recognizable display, touch pad, and button-type recognition module may recognize a touch through a user's body (eg, a finger) through a pressure-sensitive and/or capacitive method.

출력 모듈(740, 790)은 관리 서버(610) 및/또는 사용자 단말(620)의 제어 모듈(710, 760)에 의해 생성되거나 통신 모듈(720, 770)을 통하여 획득된 신호(예; 음성 신호), 정보, 데이터, 이미지, 및/또는 각종 객체(object) 등을 표시하는 모듈이다. 예를 들면, 출력 모듈(740, 790)은 디스플레이, 스크린, 표시부(displaying unit), 스피커 및/또는 발광장치(예; LED 램프) 등을 포함할 수 있다.The output modules 740 and 790 are signals generated by the management server 610 and/or the control modules 710 and 760 of the user terminal 620 or acquired through the communication modules 720 and 770 (e.g., voice signals). ), information, data, images, and/or various objects. For example, the output modules 740 and 790 may include a display, a screen, a display unit, a speaker, and/or a light emitting device (eg, an LED lamp).

저장 모듈(750)은 관리 서버(610) 및/또는 사용자 단말(620)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보 등의 데이터를 저장한다.The storage module 750 stores data such as a basic program, an application program, and setting information for the operation of the management server 610 and/or the user terminal 620.

또한, 저장 모듈(750)은 도 1의 사용자 데이터 베이스(120) 및 제품 데이터 베이스(130)에 상응할 수 있다.In addition, the storage module 750 may correspond to the user database 120 and the product database 130 of FIG. 1.

또한, 저장 모듈(750)은 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), PROM(Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다.In addition, the storage module 750 includes a flash memory type, a hard disk type, a multimedia card micro type, and a card type memory (e.g., SD or XD memory). Etc.), magnetic memory, magnetic disk, optical disk, RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), PROM (Programmable Read-Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory) may include at least one storage medium.

또한, 저장 모듈(750)은 관리 서버(610) 및/또는 사용자 단말(620)을 사용하는 고객(제1 사용자)의 개인정보, 관리자(제2 사용자)의 개인정보 등을 저장할 수 있다. 여기서 개인정보는 이름, 아이디(ID; identifier), 패스워드, 주민등록번호, 도로명 주소, 전화 번호, 휴대폰 번호, 이메일 주소, 및/또는 관리 서버(610)에 의해 생성되는 리워드(reward)(예; 포인트 등)를 나타내는 정보 등을 포함할 수 있다. 또한, 제어 모듈(710, 760)은 상기 저장 모듈(750)에 저장된 각종 이미지, 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행할 수 있다.In addition, the storage module 750 may store personal information of a customer (first user) using the management server 610 and/or the user terminal 620, personal information of an administrator (second user), and the like. Here, the personal information is a name, ID, password, social security number, street name address, phone number, mobile phone number, email address, and/or a reward generated by the management server 610 (e.g., points, etc. ), etc. may be included. In addition, the control modules 710 and 760 may perform various operations using various images, programs, contents, data, etc. stored in the storage module 750.

도 7은 본 발명의 일 실시예에 따른 관리 서버를 나타내는 블록도이다.7 is a block diagram showing a management server according to an embodiment of the present invention.

도 7을 참조하면, 관리 서버(610)는 블록체인 모듈(810)과 카메라 모듈(820)을 포함할 수 있다.Referring to FIG. 7, the management server 610 may include a block chain module 810 and a camera module 820.

관리 서버(610)는 사용자의 기본 정보에 기반하여 매칭 점수를 나타내는 정보를 생성할 수 있다. 매칭 점수는 사용자와 복수의 마케팅 전문 회사 각각과의 사이에 관련성, 적합성, 추천의 정도 등을 나타내는 정보일 수 있다.The management server 610 may generate information indicating a matching score based on basic information of a user. The matching score may be information indicating relevance, suitability, and degree of recommendation between the user and each of a plurality of marketing specialized companies.

사용자는 사용자 단말(620)을 통하여 실행되는 본 발명의 마케팅 플랫폼을 제공하는 웹사이트 및/또는 모바일앱을 통하여 기본 정보를 입력할 수 있다. 상기 기본 정보는 사용자 단말(620)로부터 관리 서버(610)에게 전달되고, 상기 관리 서버(610) 및/또는 저장 모듈(750)에 기록될 수 있다.The user may input basic information through a website and/or a mobile app that provides the marketing platform of the present invention executed through the user terminal 620. The basic information may be transmitted from the user terminal 620 to the management server 610 and recorded in the management server 610 and/or the storage module 750.

기본 정보는 사용자의 업종을 나타내는 정보, 사용자의 마케팅 목적을 나타내는 정보, 사용자가 가용할 수 있는 예산을 나타내는 정보를 포함할 수 있으며, 상기 사용자의 개인 정보를 더 포함할 수도 있다.The basic information may include information indicating the user's business type, information indicating the user's marketing purpose, information indicating a budget available to the user, and may further include personal information of the user.

사용자의 업종을 나타내는 정보는 제1 업종 정보 및 제2 업종 정보를 포함할 수 있으며, 상기 제2 업종 정보는 상기 제1 업종 정보가 나타내는 업종의 하위 업종을 나타내는 정보로서, 직업을 나타내는 정보를 포함할 수 있다.The information indicating the user's business type may include first business type information and second business type information, and the second business type information is information indicating a sub-industry of the business type indicated by the first business type information, and includes information indicating a job. can do.

제1 업종 정보는 직업과 관련되는 상위 개념의 카테고리를 나타낼 수 있으며, 개발, 경영/비즈니스, 마케팅/광고, 디자인, 영업, 고객서비스/리테일(소매, 유통), 인사/교육, 미디어, 엔지니어링/설계, 투자/분석/부동산, 제조/생산, 게임 제작, 물류/무역, F&B(Food and Beverage), 법률/법집행기관, 의료/제약/바이오, 정부/비영리, 건설/시설을 포함할 수 있다.The first industry information can represent the category of the upper concept related to the job, and development, management/business, marketing/advertising, design, sales, customer service/retail (retail, distribution), personnel/education, media, engineering/ May include design, investment/analysis/real estate, manufacturing/production, game production, logistics/trade, F&B (Food and Beverage), legal/law enforcement, medical/pharmaceutical/bio, government/non-profit, construction/facilities .

제2 업종 정보는 직업과 관련되는 하위 개념의 카테고리를 나타낼 수 있으며, 제2 업종 정보는 상기 제1 업종 정보에 매칭될 수 있다.The second industry type information may indicate a category of a lower concept related to a job, and the second industry type information may be matched with the first industry type information.

제2 업종 정보는, 예를 들면, 개발(제1 업종 정보)과 관련되거나 매칭되는 웹 개발자, 서버 개발자, 프론트엔드 개발자, 자바 개발자, 안드로이드 개발자, iOS 개발자, 파이썬 개발자, DevOps/시스템 관리자, 데이터 엔지니어, Node.js 개발자, 시스템/네트워크 관리자, C/C++ 개발자, 개발 매니저, 머신러닝 엔지니어, 데이터 사이언티스트 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 경영/비즈니스(제1 업종 정보)와 관련되거나 매칭되는 서비스 기획자, 사업개발/기획자, 프로젝트 매니저, 전략 기획자, 운영 매니저, 데이터 분석가, 회계원/경리 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 마케팅/광고(제1 업종 정보)와 관련되거나 매칭되는 디지털 마케터, 마케터, 마케팅 전략 기획자, 콘텐츠 마케터, 브랜드 마케터, 소셜 마케팅, 광고 기획자(AE) 등을 포함할 수 있다. The second industry information includes, for example, web developers, server developers, front-end developers, Java developers, Android developers, iOS developers, Python developers, DevOps/system administrators, data related to or matching development (first industry information). This can include engineers, Node.js developers, system/network administrators, C/C++ developers, development managers, machine learning engineers, data scientists, and more. In addition, the second industry information includes, for example, service planners, business development/planners, project managers, strategic planners, operations managers, data analysts, accountants/bookkeepers, etc. that are related or matched with management/business (first industry information). It may include. In addition, the second industry information includes, for example, digital marketers, marketers, marketing strategy planners, content marketers, brand marketers, social marketing, advertisement planners (AE), etc. that are related or matched with marketing/advertising (first industry information). Can include.

또한 제2 업종 정보는, 예를 들면, 디자인(제1 업종 정보)과 관련되거나 매칭되는 UX 디자이너, UI/GUI 디자이너, 웹 디자이너, 그래픽 디자이너, 모바일 디자이너, 영상/모션 디자이너, 제품 디자이너 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 영업(제1 업종 정보)과 관련되거나 매칭되는 기업영업 담당자, 영업 관리자, 기술영업 전문가, 외부영업 전문가, 주요고객사 담당자, 솔루션 컨설턴트, 고객성공매니저 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 고객서비스/리테일(제1 업종 정보)과 관련되거나 매칭되는 CS 매니저, MD, CS 어드바이저, 리테일 MD, CRM 전문가, 패션 MD, 매장점원 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 인사/교육(제1 업종 정보)과 관련되거나 매칭되는 인사 담당자, 리크루터, 조직 관리 전문가, 인사평가 전문가, HRD/교육 전문가, 급여/보상 전문가, HRBP 등을 포함할 수 있다. In addition, the second industry information includes, for example, UX designers, UI/GUI designers, web designers, graphic designers, mobile designers, video/motion designers, product designers, etc. that are related or matched with design (first industry information). can do. In addition, the second business type information includes, for example, corporate sales representatives, sales managers, technical sales experts, external sales experts, representatives of major customer companies, solution consultants, customer success managers, etc. related or matched with sales (first business type information). Can include. In addition, the second industry type information may include, for example, a CS manager, MD, CS advisor, retail MD, CRM expert, fashion MD, store clerk, etc. related or matched with customer service/retail (first industry information). have. In addition, the second business type information is, for example, a personnel manager, recruiter, organization management expert, personnel evaluation expert, HRD/training expert, salary/compensation expert, HRBP, etc. related or matched with HR/education (first business type information). It may include.

또한 제2 업종 정보는, 예를 들면, 미디어(제1 업종 정보)와 관련되거나 매칭되는 콘텐츠 크리에이터, 영상 편집가, 프로듀서, 에디터, 비디오 제작, 작가, 음향 엔지니어 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 엔지니어링/설계(제1 업종 정보)와 관련되거나 매칭되는 자동차 공학자, 기계 엔지니어, 전기 엔지니어, 제품 엔지니어, 전기기계 공학자, 제어 엔지니어, 전자 엔지니어 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 투자/분석/부동산(제1 업종 정보)과 관련되거나 매칭되는 회계 담당자, 재무 분석가, 회계사/회계원, 애널리스트, IR, CPA, 준법감시인 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 제조/생산(제1 업종 정보)과 관련되거나 매칭되는 품질 관리자, 생산 관리자, 제조 엔지니어, 테스트 엔지니어, 공정 관리자, 기계제작 기술자, 기계/설비조작, 안전 관리자, 화학자, 자재 관리자, 생산직 종사자 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 게임제작(제1 업종 정보)과 관련되거나 매칭되는 게임 클라이언트 개발자, 게임 기획자, 모바일 게임 개발자, 유니티 개발자, 게임 서버 개발자, 게임 아티스트, 게임 그래픽 디자이너, 게임 운영자(GM), 언리얼 개발자 등을 포함할 수 있다. In addition, the second industry type information may include, for example, a content creator, video editor, producer, editor, video production, writer, sound engineer, etc. related or matched with media (first industry information). In addition, the second industry information may include, for example, automotive engineer, mechanical engineer, electrical engineer, product engineer, electromechanical engineer, control engineer, electronic engineer, etc. related or matched with engineering/design (first industry information). I can. In addition, the second industry information may include, for example, an accountant, financial analyst, accountant/accountant, analyst, IR, CPA, compliance officer, etc. related to or matching investment/analysis/real estate (first industry information). I can. In addition, the second industry information includes, for example, quality managers, production managers, manufacturing engineers, test engineers, process managers, machine manufacturing technicians, machine/equipment operation, safety related or matched with manufacturing/production (first industry information). This may include managers, chemists, materials managers, and production workers. In addition, the second industry information includes, for example, game client developers, game planners, mobile game developers, Unity developers, game server developers, game artists, game graphic designers, and games that are related or matched with game production (first industry information). This could include an operator (GM), an Unreal developer, and more.

또한 제2 업종 정보는, 예를 들면, 물류/무역(제1 업종 정보)과 관련되거나 매칭되는 물류 담당자, 물류 분석가, 운송 관리자, 배송 담당자, 웨어하우스 전문가, 선적/발송 사무원, 운행 관리원, 화물트럭 운전기사, 무역사무 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, F&B(제1 업종 정보)와 관련되거나 매칭되는 요리사, 식품 MD, 외식업 종사자, 외식업 메뉴 개발자, 영양사, 바텐더, 레스토랑 관리자 등을 포함할 수 있다. In addition, the second industry information includes, for example, logistics/trade related or matching logistics/trade (first industry information), logistics analyst, transport manager, delivery person, warehouse specialist, shipping/shipping clerk, operation manager, freight. This may include a truck driver, trade office, etc. In addition, the second industry type information may include, for example, a chef, a food MD, a food service worker, a food service menu developer, a dietitian, a bartender, a restaurant manager, and the like related to or matched with F&B (first industry information).

또한 제2 업종 정보는, 예를 들면, 법률/법집행기관(제1 업종 정보)과 관련되거나 매칭되는 법무담당자, 법무 자문위원, 변호사, 변리사, 명세사 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 의료/제약/바이오(제1 업종 정보)과 관련되거나 매칭되는 연구원, 생명공학 연구원, 임상시험 연구원, 증례 관리자, 수의사, 약학 분석 화학자, 임상시험 간호사, 미생물학자 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 정부/비영리(제1 업종 정보)와 관련되거나 매칭되는 정보 분석가, 카운셀러, 공무원, 직업군인, 환경 전문가, 지역 전문가, 자원봉사자 등을 포함할 수 있다. 또한 제2 업종 정보는, 예를 들면, 건설/시설(제1 업종 정보)과 관련되거나 매칭되는 유지보수 관리자, 견적 기술자, 정비공, 관리인 등을 포함할 수 있다.In addition, the second industry type information may include, for example, a legal person in charge of legal affairs, a legal advisory committee, a lawyer, a patent attorney, a specifier, etc. related or matched with a law/law enforcement agency (first industry type information). In addition, the second industry information includes, for example, medical/pharmaceutical/bio (first industry information) related or matched researcher, biotechnology researcher, clinical trial researcher, case manager, veterinarian, pharmaceutical analysis chemist, clinical trial nurse, Microbiologists, etc. In addition, the second industry type information may include, for example, information analysts, counselors, public officials, occupational soldiers, environmental experts, local experts, volunteers, etc. related to or matching government/non-profit (first industry information). In addition, the second industry type information may include, for example, a maintenance manager, an estimate engineer, a mechanic, a manager, etc. related or matched with construction/facilities (first industry type information).

사용자의 마케팅 목적을 나타내는 정보는 신규 고객의 유치, 고객의 유지, 관계 재고 등을 포함할 수 있다.The information indicating the marketing purpose of the user may include attracting new customers, maintaining customers, rethinking relationships, and the like.

여기서 개인정보는 사용자의 이름, 아이디(ID; identifier), 패스워드, 주민등록번호, 도로명 주소, 전화 번호, 휴대폰 번호, 이메일 주소, 및/또는 관리 서버(610)에 의해 생성되는 리워드(reward)(예; 포인트 등)를 나타내는 정보 등을 포함할 수 있다.Here, the personal information is a user's name, ID, password, social security number, street name address, phone number, mobile phone number, email address, and/or a reward generated by the management server 610 (eg; Points, etc.).

또한 기본 정보는 상기 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 결제한 금액 및/또는 내역(결제내역)에 대한 정보, 상기 사용자가 지급받거나 사용한 리워드(포인트)에 대한 정보를 더 포함할 수도 있다.In addition, the basic information further includes information on the amount and/or details (payment details) paid by the user through the website and/or mobile app of the present invention, and information on the rewards (points) received or used by the user. You may.

제어 모듈(710)은 사용자의 개인 정보, 사용자의 업종을 나타내는 정보(제1 업종 정보, 제2 업종 정보), 사용자의 마케팅 목적을 나타내는 정보, 사용자가 가용할 수 있는 예산을 나타내는 정보, 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 결제한 금액 및/또는 내역(결제내역)에 대한 정보, 사용자가 지급받거나 사용한 리워드(포인트)에 대한 정보 중 적어도 어느 하나에 기반하여 매칭 점수(및/또는 매칭 점수를 나타내는 정보)를 결정하거나 생성할 수 있다. 또한 매칭 점수를 나타내는 정보는 제어 모듈(710)의 인공지능 모듈(810) 및/또는 블록체인 모듈(820)에 의해 생성될 수 있으며, 이에 대해서는 후술한다.The control module 710 includes the user's personal information, information indicating the user's business type (first business type information, the second business type information), information indicating the user’s marketing purpose, information indicating the budget available to the user, and Matching score based on at least one of information on the amount and/or details (payment details) paid through the website and/or mobile app of the present invention, and information on rewards (points) received or used by the user (and / Or information indicating the matching score) can be determined or generated. In addition, information indicating the matching score may be generated by the artificial intelligence module 810 and/or the block chain module 820 of the control module 710, which will be described later.

예를 들면, 제1 업종 정보 및/또는 제2 업종 정보와 관련되는 업체의 경우 매칭 점수가 더 높게 설정될 수 있다. 또한 예를 들면, 상기 사용자가 해당 업체에서 서비스를 이용한 이력이 있거나, 및/또는 서비스를 이용하여 결제한 내역이 있는 경우에는 해당 업체의 매칭 점수는 더 높게 설정될 수 있다(및/또는 매칭 점수에 제1 가산점이 반영될 수 있다).For example, in the case of a company related to the first industry type information and/or the second industry type information, the matching score may be set higher. In addition, for example, if the user has a history of using the service at the corresponding company, and/or there is a history of payment using the service, the matching score of the corresponding company may be set higher (and/or matching score May be reflected in the first additional point).

예를 들면, 사용자가 가용할 수 있는 예산의 범위 내에서 서비스를 제공할 수 있는 업체의 경우 매칭 점수가 더 높게 설정될 수 있다(및/또는 매칭 점수에 제2 가산점이 반영될 수 있다).For example, in the case of a company that can provide a service within the range of a budget available to the user, a matching score may be set higher (and/or a second additional point may be reflected in the matching score).

예를 들면, 사용자가 보유하는 리워드(포인트)로 서비스를 제공해줄 수 있는 업체의 경우 매칭 점수가 더 높게 설정될 수 있으며, 특히 사용자가 보유하는 리워드(포인트)만으로도 제공받을 수 있는 서비스를 지원해주는 업체의 경우 매칭 점수가 더 높게 설정될 수 있다(및/또는 매칭 점수에 제3 가산점이 반영될 수 있다).For example, in the case of a company that can provide services with the rewards (points) held by the user, the matching score may be set higher, and in particular, support services that can be provided only with the rewards (points) held by the user. In the case of a company, the matching score may be set higher (and/or a third additional point may be reflected in the matching score).

예를 들면, 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 입력한 기본 정보에 기반하여, 상기 기본 정보가 입력된 시간으로부터 소정의 시간(시간 임계값) 이내에 i) 해당 업체가 상기 기본 정보에 기반하는 초안을 웹사이트 및/또는 모바일앱을 통하여 입력하거나, ii) 상기 기본 정보에 기반하는 초안을 나타내는 정보를 상기 관리 서버(610)에 전송한 업체의 경우, 관리 서버(610)는 해당 업체에 대하여 매칭 점수를 더 높게 설정할 수 있다(및/또는 매칭 점수에 제4 가산점이 반영될 수 있다).For example, based on the basic information input by the user through the website and/or mobile app of the present invention, within a predetermined time (time threshold) from the time when the basic information is input i) the company In the case of a company that inputs a draft based on information through a website and/or a mobile app, or ii) transmits information indicating a draft based on the basic information to the management server 610, the management server 610 The matching score may be set higher for the corresponding company (and/or the fourth additional point may be reflected in the matching score).

또한 관리 서버(610)가 매칭 점수를 나타내는 정보를 출력할 수 있다. 관리 서버(610)는, 예를 들면, 사용자 단말(620)에서 출력되는 웹사이트 및/또는 모바일앱을 통하여 상기 매칭 점수를 나타내는 정보가 출력되도록 제어할 수 있다.In addition, the management server 610 may output information indicating the matching score. The management server 610 may control information indicating the matching score to be output through, for example, a website and/or a mobile app output from the user terminal 620.

또한 관리 서버(610)가 복수의 마케팅 전문 회사를 나타내는 정보를 생성하여 사용자 단말을 통하여 출력할 수 있다. 관리 서버(610)는, 예를 들면, 제1 선택 정보에 상응하는 적어도 어느 하나의 카테고리를 지원하는 복수의 마케팅 전문 회사를 나타내는 정보를 생성하여 사용자 단말(620)을 통하여 출력하도록 제어할 수 있다. 상기 복수의 마케팅 전문 회사를 나타내는 정보들 각각은 매칭 점수가 함께 표시될 수 있으며, 본 발명의 웹사이트 및/또는 모바일앱은 상기 복수의 마케팅 전문 회사를 나타내는 정보들을 상기 매칭 점수가 높은 순으로 표시하거나 출력할 수 있다.In addition, the management server 610 may generate information representing a plurality of marketing specialized companies and output through the user terminal. The management server 610 may control to generate information representing a plurality of marketing specialized companies that support at least one category corresponding to the first selection information and output through the user terminal 620 . Each of the information representing the plurality of marketing specialized companies may be displayed together with a matching score, and the website and/or mobile app of the present invention displays information representing the plurality of marketing specialized companies in the order of the highest matching score. Or print it out.

그리고, 상기 방법은 관리 서버(610)가 복수의 마케팅 전문 회사에 상응하는 제2 선택 정보를 사용자 단말을 통하여 획득하는 단계를 포함할 수 있다(S740).In addition, the method may include the step of obtaining, by the management server 610, second selection information corresponding to a plurality of marketing specialized companies through a user terminal (S740).

사용자는 웹사이트 및/또는 모바일앱에서 복수의 업체 중 적어도 어느 하나를 선택할 수 있다. 예를 들면, 사용자는 웹사이트 및/또는 모바일앱을 통하여 표시되는 복수의 업체 중 적어도 어느 하나를 터치하거나 클릭할 수 있으며, i) 상기 터치에 상응하는 신호가 관리 서버(610)에게 전달되어 상기 관리 서버(610)가 상기 제2 선택 정보를 생성하거나, ii) 상기 터치에 상응하는 제2 선택 정보를 사용자 단말(620)이 생성하여 관리 서버(610)에게 전달할 수 있다.The user may select at least one of a plurality of companies on the website and/or mobile app. For example, a user may touch or click at least one of a plurality of companies displayed through a website and/or a mobile app, i) a signal corresponding to the touch is transmitted to the management server 610 and the The management server 610 may generate the second selection information, or ii) the user terminal 620 may generate and transmit the second selection information corresponding to the touch to the management server 610.

블록체인 모듈(810)은, 매칭 점수를 나타내는 정보가 블록체인 기술에 기반하여 다른 네트워크 노드(예; 사용자 단말(620))에게 전달될 수 있도록, 상기 매칭 점수를 나타내는 정보에 기반하여 매칭 점수 블록 데이터를 생성할 수 있다. 상기 블록체인 모듈(810)에 의해 생성되는 매칭 점수 블록 데이터는 통신 모듈(720)을 통하여 사용자 단말(620)에게 전달될 수 있다. 또한 상기 관리 서버(610)는 상기 그룹화된 (매칭 점수를 나타내는) 정보 및/또는 매칭 점수 블록 데이터에 포함된 적어도 하나의 요소들을 블록체인(752, 미도시)에 저장할 수 있다.Blockchain module 810 is a matching score block based on the information indicating the matching score so that information indicating the matching score can be transmitted to other network nodes (e.g., user terminal 620) based on blockchain technology. Data can be created. The matching score block data generated by the block chain module 810 may be transmitted to the user terminal 620 through the communication module 720. In addition, the management server 610 may store at least one element included in the grouped information (indicating the matching score) and/or the matching score block data in the blockchain 752 (not shown).

일반적으로 블록 체인(block chain)은 P2P(peer-to-peer) 네트워크에 의해 생성되고 관리되는 위조 및/또는 변조 불가능한 분산 저장소이다. 블록 체인은 트랜잭션(쌍방간의 쪼갤 수 없는 단위 작업)으로 생성된 데이터 블록들을 체인(chain) 형태로 잇따라 연결한 모음을 의미한다. 이전 블록에 다름 블록을 연이어 암호화하고 과반수가 넘는 사용자가 동의한 데이터를 실제 데이터로 인정하기 때문에, 한번 기록된 데이터는 위조 및/또는 변조가 불가능하다. 블록 체인의 대표적인 응용사례는 암호화폐의 거래 과정을 기록하는 분산화된 전자 화폐인 비트코인(bitcoin)이 있다. 블록 체인에는 일정 시간 동안 사용자들 간에 발생되는 확정된 거래 내역이 저장될 수 있다. 그리고, 많은 사용자들은 블록 체인 사본을 각자 갖고 있으며, 거래 내역은 모두에게 공개될 수 있다. 이와 같이, 과반수가 넘는 사용자가 동의한 거래 내역만 실제 데이터로 인정되고, 영구적으로 보관할 블록으로 묶여 저장될 수 있다.In general, a block chain is a decentralized storage that cannot be forged and/or tampered with, created and managed by a peer-to-peer (P2P) network. Blockchain refers to a collection of data blocks created by a transaction (a unit operation that cannot be split between two parties) in succession in the form of a chain. Different from the previous block Since the block is successively encrypted and the data agreed by more than half of the users is recognized as real data, the data recorded once cannot be forged and/or altered. A typical application of the blockchain is bitcoin, a decentralized electronic currency that records the transaction process of cryptocurrency. The block chain can store confirmed transaction details that occur between users for a certain period of time. And, many users each have a copy of the blockchain, and transaction details can be made public. In this way, only transaction details agreed by more than half of users are recognized as actual data, and may be stored in blocks to be permanently stored.

한편, 본 발명의 관리 서버(610), 사용자 단말(620), 다른 네트워크 노드(630) 각각은 블록체인을 포함하거나 블록 데이터를 제어할 수 있는 블록체인 노드일 수 있다. 예를 들면, 관리 서버(610)는 사용자 단말(620)로부터 수신되는 기본 정보, 제1 선택 정보, 제2 선택 정보, 추천 마케팅 업체를 나타내는 정보, 매칭 점수를 나타내는 정보 등을 그룹화 및/또는 해시(hash)하여 블록 체인에 저장한 후, 기본 정보, 제1 선택 정보, 제2 선택 정보, 추천 마케팅 업체를 나타내는 정보, 매칭 점수를 나타내는 정보 등에 대한 위조 및/또는 변조를 검증하거나 판단할 수 있다. 일 예로, 블록체인 모듈(810)은 매칭 점수를 나타내는 정보에 기반하여 머클 해쉬(Merkle hash)를 포함하는 매칭 점수 블록 데이터(matching score block data)를 생성하고, 상기 생성된 머클 해쉬가 포함되도록 복수의 매칭 점수를 나타내는 정보를 그룹화할 수 있다.Meanwhile, each of the management server 610, the user terminal 620, and the other network node 630 of the present invention may include a block chain or may be a block chain node capable of controlling block data. For example, the management server 610 groups and/or hashes basic information, first selection information, second selection information, information indicating a recommended marketing company, information indicating a matching score, etc. received from the user terminal 620 After (hash) and store it in the blockchain, forgery and/or alteration of basic information, first selection information, second selection information, information indicating a recommended marketing company, information indicating a matching score, etc. can be verified or determined . As an example, the blockchain module 810 generates matching score block data including a Merkle hash based on information indicating the matching score, and includes a plurality of the generated Merkle hashes. Information indicating the matching score of can be grouped.

관리 서버(610)는 저장 모듈(750)에 저장할 내용(예; 매칭 점수를 나타내는 정보에 기반하여 머클 해쉬를 포함하는 매칭 점수 블록 데이터)을 블록체인 트랜잭션으로 만들어 블록체인 네트워크에 참여한 다른 네트워크 노드(630)에게 전송할 수 있다. 상기 블록체인 트랜잭션에 저장할 매칭 점수를 나타내는 정보는 머클 해쉬 식별자, 그룹 식별자 및/또는 이전 그룹의 식별자를 포함할 수 있다.The management server 610 makes the content to be stored in the storage module 750 (e.g., matching score block data including the Merkle hash based on information indicating the matching score) as a blockchain transaction, and other network nodes participating in the blockchain network ( 630). The information indicating the matching score to be stored in the blockchain transaction may include a Merkle hash identifier, a group identifier, and/or an identifier of a previous group.

관리 서버(610)는 미리 결정된 시간 및 상기 저장된 매칭 점수를 나타내는 정보의 개수 중 적어도 하나에 기반하여 상기 블록체인(752)에 저장된 적어도 하나의 요소와 상기 그룹화된 매칭 점수를 나타내는 정보에 포함된 적어도 하나의 요소를 비교하여 상기 저장된 매칭 점수를 나타내는 정보의 무결성을 검증할 수 있다. 상기 관리 서버(610)는 상기 저장된 매칭 점수를 나타내는 정보가 무결성하지 않는 경우, 출력 모듈(740)을 통해 상기 무결성 여부를 출력할 수 있다. The management server 610 includes at least one element stored in the block chain 752 and information indicating the grouped matching score based on at least one of a predetermined time and the number of information indicating the stored matching score. By comparing one element, the integrity of information indicating the stored matching score may be verified. When the information indicating the stored matching score is not integrity, the management server 610 may output the integrity through the output module 740.

관리 서버(610)는 상기 저장 모듈(750)에 저장된 매칭 점수를 나타내는 정보가 위조 및/또는 변조되거나 손상된 경우, 상기 관리 서버(610)를 관리하는 관리자(예; 제2 사용자)가 이러한 사항을 알 수 있도록 출력 모듈(740)을 통해 상기 무결성 여부를 출력할 수 있다. 상기 제어 모듈(710)는 상기 저장된 블록체인의 무결성 여부를 판단하기 위한 증명서(certificate)를 생성하여 다른 네트워크 노드(630)에게 전송할 수 있다. 상기 증명서는, 상기 저장된 적어도 하나의 매칭 점수를 나타내는 정보의 정보, 상기 그룹화된 매칭 점수를 나타내는 정보의 정보 및 상기 저장된 블록체인의 정보를 포함할 수 있다. 상기 증명서는 관리 서버(610)가 매칭 점수를 나타내는 정보의 무결성 여부를 판단하는데 이용될 수 있다.When the information representing the matching score stored in the storage module 750 is forged and/or altered or damaged, the management server 610 manages the management server 610 by an administrator (eg, a second user). The integrity may be output through the output module 740 so that it can be seen. The control module 710 may generate a certificate for determining the integrity of the stored block chain and transmit it to another network node 630. The certificate may include information of information representing the stored at least one matching score, information of information representing the grouped matching score, and information of the stored blockchain. The certificate may be used by the management server 610 to determine whether the information indicating the matching score is integrity.

제어 모듈(710)은 상기 저장된 블록체인에 대한 적어도 하나의 요소의 요청이 i) 본 발명의 매칭 점수를 나타내는 정보 제공 서비스를 제공하거나 지원하는 웹사이트 및/또는 모바일앱을 통하여, 및/또는 ii) 다른 네트워크 노드(630)로부터 수신되면 상기 요청된 적어도 하나의 요소를 i) 상기 웹사이트 및/또는 모바일앱을 통하여 출력하거나, 및/또는 ii) 다른 네트워크 노드(630)에게 전송할 수 있다.The control module 710 allows the request of at least one element for the stored blockchain to i) through a website and/or a mobile app that provides or supports an information providing service indicating the matching score of the present invention, and/or ii ) When received from another network node 630, the requested at least one element may be i) outputted through the website and/or mobile app, and/or ii) transmitted to the other network node 630.

또한 도 2 및 도 6을 참조하면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 인공지능망 모델에 기반하여 i) 복수의 추천 마케팅 업체를 선택하거나, 및/또는 ii) 매칭 점수를 생성할 수 있다. 또한, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 저장 모듈(750)에 저장된 빅데이터(big data)에 기계 학습(machine learning)을 이용하여 상기 i) 복수의 추천 마케팅 업체를 선택하거나, 및/또는 ii) 매칭 점수를 생성할 수 있다.Also, referring to FIGS. 2 and 6, the first artificial neural network 141 and/or the second artificial neural network 143 i) select a plurality of recommended marketing companies based on the artificial intelligence network model, and/or ii) Matching scores can be generated. In addition, the first artificial neural network 141 and/or the second artificial neural network 143 uses machine learning in big data stored in the storage module 750 to i) a plurality of recommendation marketing. Select a company, and/or ii) generate a matching score.

또한, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 관리 서버(610)의 저장 모듈(750)에 저장된 빅데이터를 입력변수로 하여 인공지능망을 학습시킬 수 있다. 예를 들면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 머신러닝의 한 분야인 딥러닝(Deep Learning) 기법을 이용하여 정확한 상관 관계가 도출될 수 있도록 학습을 수행할 수 있다. 예를 들면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 본 발명의 웹사이트 및/또는 모바일앱을 이용하는 제1 사용자 이전에 상기 웹사이트 및/또는 모바일앱을 이용했던 복수의 제2 사용자(즉, 이전 고객들)가 입력한 정보들을 학습데이터로 하여 상기 인공지능망을 학습시킬 수 있다.In addition, the first artificial neural network 141 and/or the second artificial neural network 143 may train the artificial intelligence network using big data stored in the storage module 750 of the management server 610 as an input variable. For example, the first artificial neural network 141 and/or the second artificial neural network 143 may perform learning so that an accurate correlation can be derived using a deep learning technique, which is a field of machine learning. I can. For example, the first artificial neural network 141 and/or the second artificial neural network 143 may have used the website and/or mobile app before the first user who uses the website and/or mobile app of the present invention. The artificial intelligence network may be trained by using information input by a plurality of second users (ie, previous customers) as learning data.

일 예로, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 제1 학습 모드(learning mode)에 따라 상기 인공지능망을 학습시킬 수 있으며, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 제1 학습 모드의 경우 i) 제2 사용자가 입력한 제2 사용자의 개인 정보, 제2 사용자의 업종을 나타내는 정보(제2 사용자의 제1 업종 정보, 제2 사용자의 제2 업종 정보), 제2 사용자의 마케팅 목적을 나타내는 정보, 제2 사용자가 가용할 수 있는 예산을 나타내는 정보, 제2 사용자가 본 발명의 웹사이트 및/또는 모바일앱을 통하여 결제한 금액 및/또는 내역(결제내역)에 대한 정보, 제2 사용자가 지급받거나 사용한 리워드(포인트)에 대한 정보와 ii) 상기 제2 사용자가 본 발명의 마케팅 서비스를 이용한 후에 입력한 평점 및/또는 상기 제2 사용자가 전술한 i) 정보들을 입력한 시점으로부터 마케팅 초안(및/또는 마케팅 완성본)을 수신한 시점 사이의 차이를 나타내는 정보를 학습 데이터(learning data)로 하여 상기 인공지능망을 학습시킬 수 있다.For example, the first artificial neural network 141 and/or the second artificial neural network 143 may learn the artificial intelligence network according to a first learning mode, and the first artificial neural network 141 and/or In the case of the first learning mode, the second artificial neural network 143 includes: i) personal information of the second user input by the second user, information indicating the business type of the second user (first industry information of the second user, the second user 2 industry type information), information indicating the marketing purpose of the second user, information indicating the budget available to the second user, the amount paid by the second user through the website and/or mobile app of the present invention, and / Or information on details (payment details), information on rewards (points) received or used by the second user, and ii) the rating entered after the second user uses the marketing service of the present invention and/or the second The artificial intelligence network may be trained by using information representing a difference between the time when the user inputs the information i) and the time when the marketing draft (and/or the marketing completed) is received as learning data.

예를 들면, 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 전술한 바와 같이 학습된 인공지능망에 입력되는 입력(input)에 기반하여, 상기 학습된 인공지능망으로부터 출력(output)을 획득할 수 있다. 상기 입력(input)은 사용자의 기본 정보, 사용자의 제1 선택 정보 등이고, 상기 출력(output)은 상기 i) 복수의 추천 마케팅 업체를 나타내는 정보 및/또는 ii) 매칭 점수(및/또는 매칭 점수를 나타내는 정보)일 수 있다. 이를 통해 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 i) 복수의 추천 마케팅 업체를 선택하거나, 및/또는 ii) 매칭 점수(및/또는 매칭 점수를 나타내는 정보)를 생성할 수 있다.For example, the first artificial neural network 141 and/or the second artificial neural network 143 are output from the learned artificial intelligence network based on the input input to the learned artificial intelligence network as described above. ) Can be obtained. The input is the user's basic information, the user's first selection information, etc., and the output is i) information representing a plurality of recommended marketing companies and/or ii) a matching score (and/or a matching score). Information). Through this, the first artificial neural network 141 and/or the second artificial neural network 143 i) select a plurality of recommended marketing companies, and/or ii) generate a matching score (and/or information indicating the matching score). can do.

또한 제1 인공 신경망(141) 및/또는 제2 인공 신경망(143)은 딥러닝을 통하여 상기 함수에서의 복수 개의 입력들의 가중치(weight)를 학습을 통하여 산출할 수 있다. 또한, 이러한 학습을 위하여 활용되는 인공지능망 모델로는 RNN(Recurrent Neural Network), DNN(Deep Neural Network) 및 DRNN(Dynamic Recurrent Neural Network) 등 다양한 모델들을 활용할 수 있을 것이다. In addition, the first artificial neural network 141 and/or the second artificial neural network 143 may calculate weights of a plurality of inputs in the function through learning through deep learning. In addition, various models, such as a recurrent neural network (RNN), a deep neural network (DNN), and a dynamic recurrent neural network (DRNN), may be used as an artificial intelligence network model used for such learning.

여기서 RNN은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥 러닝 기법으로서, 순환 신경망(RNN)은 인공 신경망을 구성하는 유닛 사이의 연결이 방향성 사이클(directed cycle)을 구성하는 신경망을 나타낸다. 나아가, 순환 신경망(RNN)을 구성할 수 있는 구조에는 다양한 방식이 사용될 수 있는데, 예컨대, 완전순환망(Fully Recurrent Network), 홉필드망(Hopfield Network), 엘만망(Elman Network), ESN(Echo state network), LSTM(Long short term memory network), 양방향(Bi-directional) RNN, CTRNN(Continuous-time RNN), 계층적 RNN, 2차 RNN 등이 대표적인 예이다. 또한, 순환 신경망(RNN)을 학습시키기 위한 방법으로서, 경사 하강법, Hessian Free Optimization, Global Optimization Method 등의 방식이 사용될 수 있다.Here, RNN is a deep learning technique that considers both current and past data at the same time, and a recurrent neural network (RNN) represents a neural network in which a connection between units constituting an artificial neural network constitutes a directed cycle. Furthermore, various methods can be used for a structure capable of configuring a recurrent neural network (RNN), for example, a Fully Recurrent Network, Hopfield Network, Elman Network, and ESN (Echo state network), long short term memory network (LSTM), bi-directional RNN, continuous-time RNN (CTRNN), hierarchical RNN, and secondary RNN are representative examples. In addition, as a method for training a recurrent neural network (RNN), a gradient descent method, Hessian Free Optimization, Global Optimization Method, or the like may be used.

카메라 모듈(820)은 상기 사용자 단말(620)의 카메라 장치를 통하여 획득된 영상(또는 이미지 정보) 내에 포함되는 객체를 추출하여 객체 정보를 획득할 수 있다. 객체 정보 획득부(340)는 HOG(Histogram of Oriented Gradient), Haar-like feature, Co-occurrence HOG, LBP(local binary pattern), FAST(features from accelerated segment test) 등과 같은 객체 특징 추출을 위한 다양한 알고리즘을 통하여, 상기 카메라 장치 및/또는 카메라 장치를 통하여 획득된 영상(또는 이미지 정보)에서 영상 내 객체의 윤곽선 또는 상기 객체에서 추출할 수 있는 글씨(또는 정보를 나타내는 윤곽선(또는 외형))를 획득할 수 있다.The camera module 820 may obtain object information by extracting an object included in an image (or image information) acquired through the camera device of the user terminal 620. The object information acquisition unit 340 includes various algorithms for extracting object features such as Histogram of Oriented Gradient (HOG), Haar-like feature, Co-occurrence HOG, local binary pattern (LBP), features from accelerated segment test (FAST), etc. Through the camera device and/or the image (or image information) acquired through the camera device, the outline of the object in the image or the text (or outline (or appearance) representing information) that can be extracted from the object can be obtained. I can.

또한, 제어 모듈(710) 및/또는 카메라 모듈(820)은 획득한 영상(또는 이미지 정보)에서 객체를 영상 분석을 통해 인식(또는 식별)하고, 상기 인식된 객체에 대응되는 영역을 마스킹 처리하여 마스킹 영상 정보를 생성할 수 있다. 이때, 마스킹 처리 과정은, 예를 들면, 차분영상 방법, GMM(Gaussian Mixture Models)을 이용하는 MOG(Model of Gaussian) 알고리즘, 코드북(Codebook) 알고리즘 등과 같은 객체와 배경을 분리하기 위한 배경 모델링을 통해 객체에 해당하는 객체 후보 영역을 추출하는 방법을 이용함으로써 객체 정보를 추출 및/또는 획득할 수 있다.In addition, the control module 710 and/or the camera module 820 recognizes (or identifies) an object from the acquired image (or image information) through image analysis, and masks a region corresponding to the recognized object. Masking image information can be generated. In this case, the masking process is, for example, a difference image method, a model of gaussian (MOG) algorithm using GMM (Gaussian Mixture Models), a codebook algorithm, etc. Object information may be extracted and/or acquired by using a method of extracting an object candidate region corresponding to.

본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.One aspect of the present invention may be implemented as a computer-readable code in a computer-readable recording medium. Codes and code segments implementing the above program can be easily inferred by a computer programmer in the art. The computer-readable recording medium may include any type of recording device storing data that can be read by a computer system. Examples of computer-readable recording media may include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, and the like. Further, the computer-readable recording medium can be distributed over a computer system connected by a network, and written and executed in computer-readable code in a distributed manner.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.So far, the present invention has been looked at around its preferred embodiments. Those of ordinary skill in the art to which the present invention pertains will be able to understand that the present invention can be implemented in a modified form without departing from the essential characteristics of the present invention. Accordingly, the scope of the present invention is not limited to the above-described embodiments, but should be construed to include various embodiments within the scope equivalent to those described in the claims.

100: 인공지능 마케팅 장치
110: 통신부
120: 사용자 데이터 베이스
130: 제품 데이터 베이스
140: 분석부
141: 제1 인공 신경망
143: 제2 인공 신경망100: artificial intelligence marketing device
110: communication department
120: user database
130: product database
140: analysis unit
141: first artificial neural network
143: second artificial neural network

Claims (5)

제1 사용자 단말 및 제2 사용자 단말과 정보를 송수신하는 통신부;
제1 사용자 정보 및 제2 사용자 정보를 포함하고 있는 사용자 데이터 베이스;
제품 정보를 포함하고 있는 제품 데이터 베이스; 및
상기 사용자 데이터 베이스에 포함된 상기 제1 사용자 정보 및 상기 제품 데이터 베이스에 포함된 상기 제품 정보를 기초로 하나 이상의 인공 신경망을 이용하여 마케팅 정보를 생성하는 분석부를 포함하고,
상기 제1 사용자 정보는 제1 사용자의 개인 정보, 구매 내역, 및 반품 내역을 포함하고,
상기 제2 사용자 정보는 제2 사용자의 개인 정보, 제1 업종 정보, 제2 업종 정보, 및 가용 예산을 나타내는 정보를 포함하고,
상기 제1 업종 정보는 직업과 관련되는 상위 개념의 카테고리를 나타내고, 상기 제2 업종 정보는 상기 제1 업종 정보와 관련되는 하위 개념의 카테고리를 나타내고,
상기 분석부는,
제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 구매자 정보를 포함하는 학습 데이터로 학습된 제1 인공 신경망을 이용하여 제품 특성 별 구매자의 특성을 분석하고,
제1 제품의 특성 정보를 추출하고,
상기 제1 제품의 특성 정보를 상기 제1 인공 신경망에 입력함으로써 상기 제1 제품의 구매 예상자의 구매자 특성 정보를 생성하고,
반품 제품의 종류, 재질, 색상, 크기, 비용, 성능 중 적어도 하나를 포함하는 반품 제품 특성으로 레이블된 구매자의 나이, 성별, 거주지, 학력, 직업, 이동 동선, SNS 계정 정보 및 사진 정보 중 적어도 하나를 포함하는 반품 소비자 정보를 포함하는 학습 데이터로 학습된 제2 인공 신경망을 이용하여 제품 특성 별 반품 소비자의 특성을 분석하고,
제2 제품의 구매를 요청하는 구매 요청 정보를 상기 제1 사용자 단말로부터 획득하고,
상기 제2 제품의 특성 정보를 추출하고,
상기 제1 사용자 정보 및 상기 제2 제품의 특성 정보를 상기 학습된 제2 인공 신경망에 입력함으로써 상기 학습된 제2 인공 신경망으로부터 상기 제2 제품의 반품 가능성을 나타내는 정보를 획득하고,
상기 반품 가능성이 소정의 임계값보다 낮은 경우에는 상기 제2 제품에 대한 이벤트 정보, 할인 정보 및 쿠폰 정보를 생성하여 상기 제1 사용자 단말을 통하여 출력하도록 제어하고,
상기 반품 가능성이 소정의 임계값 이상인 경우에는 상기 제2 제품과 재질, 색상, 크기, 비용, 및 성능 중 적어도 어느 하나가 상이한 적어도 하나의 제3 제품을 추천하는 정보를 상기 제1 사용자 단말을 통하여 출력하도록 제어하는 것을 특징으로 하고,
상기 분석부는,
상기 제1 업종 정보, 상기 제2 업종 정보, 및 상기 가용 예산을 나타내는 정보를 상기 학습된 제2 인공 신경망에 입력함으로써, 상기 학습된 제2 인공 신경망으로부터 복수의 추천 마케팅 업체를 나타내는 정보를 획득하고,
상기 제2 사용자의 개인 정보, 상기 제1 업종 정보, 상기 제2 업종 정보, 및 상기 가용 예산을 나타내는 정보에 기반하여 상기 제2 사용자와 상기 복수의 추천 마케팅 업체 각각에 대한 매칭 점수를 생성하되, 상기 제1 업종 정보 및 상기 제2 업종 정보에 기반하여 설정되는 제1 가산점과 상기 가용 예산 내에서 서비스를 제공 가능한 업체인지 여부에 기반하여 설정되는 제2 가산점을 고려하여 상기 매칭 점수를 결정하고,
상기 매칭 점수를 나타내는 정보를 상기 제2 사용자 단말을 통하여 출력(output)되도록 제어하고,
상기 매칭 점수를 나타내는 정보를 그룹화 및 해시(hash)함으로써 매칭 점수 블록 데이터를 생성하되, 상기 매칭 점수 블록 데이터는 머클 해쉬(Merkle hash) 식별자 및 그룹 식별자를 포함하는,
인공지능 마케팅 장치.A communication unit for transmitting and receiving information with a first user terminal and a second user terminal;
A user database including first user information and second user information;
A product database containing product information; And
An analysis unit for generating marketing information using one or more artificial neural networks based on the first user information included in the user database and the product information included in the product database,
The first user information includes personal information, purchase details, and return details of the first user,
The second user information includes personal information of the second user, information on the first industry type, information on the second industry type, and information indicating an available budget,
The first industry type information indicates a category of a higher concept related to a job, the second industry type information indicates a category of a lower concept related to the first industry type information,
The analysis unit,
Includes at least one of the buyer's age, gender, residence, education, occupation, movement, SNS account information, and photo information, labeled with product characteristics including at least one of product type, material, color, size, cost, and performance. Analyzing the characteristics of buyers by product characteristics using the first artificial neural network learned with the learning data including the buyer information,
Extracting the characteristic information of the first product,
By inputting the characteristic information of the first product into the first artificial neural network, the purchaser characteristic information of the predicted purchaser of the first product is generated,
At least one of the buyer's age, gender, residence, education, occupation, movement, SNS account information, and photo information, labeled with the return product characteristics including at least one of the type, material, color, size, cost, and performance of the returned product. Analyzing the characteristics of returned consumers by product characteristics using a second artificial neural network learned with learning data including returned consumer information including,
Obtaining purchase request information for requesting purchase of a second product from the first user terminal,
Extracting the characteristic information of the second product,
Obtaining information indicating the possibility of returning the second product from the learned second artificial neural network by inputting the first user information and characteristic information of the second product into the learned second artificial neural network,
When the return possibility is lower than a predetermined threshold, control to generate event information, discount information, and coupon information for the second product and output through the first user terminal,
When the return possibility is greater than or equal to a predetermined threshold, information for recommending at least one third product different from at least one of the material, color, size, cost, and performance of the second product is provided through the first user terminal. It characterized in that it is controlled to output,
The analysis unit,
By inputting the first industry type information, the second industry type information, and information indicating the available budget to the learned second artificial neural network, information indicating a plurality of recommended marketing companies is obtained from the learned second artificial neural network, and ,
A matching score is generated for each of the second user and the plurality of recommended marketing companies based on the personal information of the second user, the first business type information, the second business type information, and information indicating the available budget, The matching score is determined in consideration of a first additive point set based on the first industry type information and the second industry type information, and a second additive point set based on whether a company can provide a service within the available budget,
Control to output information indicating the matching score through the second user terminal,
Matching score block data is generated by grouping and hashing information representing the matching score, wherein the matching score block data includes a Merkle hash identifier and a group identifier,
Artificial intelligence marketing device. 삭제delete 삭제delete 삭제delete 삭제delete

Images