KR102609681B1 - 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 - Google Patents
사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 Download PDFInfo
- Publication number
- KR102609681B1 KR102609681B1 KR1020230002680A KR20230002680A KR102609681B1 KR 102609681 B1 KR102609681 B1 KR 102609681B1 KR 1020230002680 A KR1020230002680 A KR 1020230002680A KR 20230002680 A KR20230002680 A KR 20230002680A KR 102609681 B1 KR102609681 B1 KR 102609681B1
- Authority
- KR
- South Korea
- Prior art keywords
- product
- feedback
- evaluation
- word
- determining
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 238000013210 evaluation model Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 239000000463 material Substances 0.000 description 12
- 244000134552 Plantago ovata Species 0.000 description 8
- 235000003421 Plantago ovata Nutrition 0.000 description 8
- 239000009223 Psyllium Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 239000010903 husk Substances 0.000 description 8
- 229940070687 psyllium Drugs 0.000 description 8
- 230000037213 diet Effects 0.000 description 7
- 235000005911 diet Nutrition 0.000 description 7
- 238000012356 Product development Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004806 packaging method and process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 244000269722 Thea sinensis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 235000019615 sensations Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
사용자 피드백 반영 제품계획 결정 장치에 의해 수행되는, 사용자 피드백 반영 제품계획 결정 방법이 개시된다. 본 발명의 일 실시예에 따르면, 상기 결정 방법은, 제품을 구매한 사용자의 사용자 피드백을 획득하는 단계와 미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 단계와 미리 학습된 평가모델을 이용하여, 상기 제품 피드백 중, 긍정요소 및 부정요소 중 적어도 하나의 평가요소를 추출하는 단계와 상기 추출된 평가요소를 기초로 상기 제품에 대한 평가 등급을 결정하는 단계와 상기 결정된 평가 등급 기초로, 제품계획을 결정하는 단계를 포함할 수 있다.
Description
본 발명은 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 사용자 피드백을 자연어 처리를 통해 유형화하고, 이를 바탕으로 제품계획을 결정하는 방법 및 그 장치에 관한 것이다.
제품 거래에서 전자상거래가 차지하는 비중이 높아지고, 온라인 마케팅이 기법이 보편화됨에 따라, 판매자는 기획한 제품에 대한 소비자 반응을 즉각적으로 출시와 동시에 확인할 수 있게 되었다.
이에 따라, 소비자 반응을 분석하고, 제품 개발에 반영하기 위한 마케팅 방법이 개시되고 있다. 이러한 방법은, 판매자 입장에서 실제 구매 경험을 가진 소비자의 의견을 바탕으로 제품 개선의 기회를 가질 수 있다는 장점을 지닌다. 반면, 이 같은 마케팅 방법은, 게시판 댓글, 전화 또는 웹 링크를 통한 설문 등 다양한 종류의 소비자 의견 데이터를 수집 및 유형화하는데 많은 비용과 시간이 요구되고, 수집 및 유형화된 소비자 의견 데이터의 내용을 객관적으로 분석하기 어렵다는 한계점을 가진다.
특히, 트렌드가 급변하는 제품군의 경우, 소비자 의견에 대한 객관적 분석이 어렵거나, 소비자 의견을 신제품에 반영에 소요되는 시간이 길어질 수록, 소비자 의견 관련 데이터 수집의 의미가 퇴색되는 문제가 발생한다.
본 발명이 해결하고자 하는 기술적 과제는, 사용자의 피드백을 효과적으로 수집하고 유형화하기 위한 방법 및 그 장치를 제공하는 것이다.
구체적으로 본 발명이 해결하고자 하는 기술적 과제는, 음성 또는 텍스트 형태로 수집되는 사용자의 피드백에서 제품 피드백과 비제품 피드백을 식별할 수 있는 방법 및 그 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 제품 피드백 상의 소재 피드백을 기초로, 소재 관심 강도 및 소재 관심 지속력을 분석하는 방법 및 그 장치를 제공하는 것이다. 특히, 소재에 대한 사용자 피드백을 긍정 또는 부정 피드백으로 분류함에 있어, 언어모델로 댓글 상에서 표현이 안된 미기재 요소를 확률적으로 예측함으로써, 긍정 또는 부정 피드백을 분류할 수 있는 방법 및 그 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 소재 피드백을 기초로, 제품 생산량, 제품 개선 및 신제품 개발 등 제품계획에 있어 최적 가이드를 제공하는 방법 및 그 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 사용자 피드백 반영 제품계획 결정 방법은, 제품을 구매한 사용자의 사용자 피드백을 획득하는 단계와 미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 단계와 미리 학습된 평가모델을 이용하여, 상기 제품 피드백 중, 긍정요소 및 부정요소 중 적어도 하나의 평가요소를 추출하는 단계와 상기 추출된 평가요소를 기초로 상기 제품에 대한 평가 등급을 결정하는 단계와 상기 결정된 평가 등급 기초로, 제품계획을 결정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 단계는, 상기 미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상의 단어들에 대하여, 상기 제품과의 관련성을 확률 연산을 통해 스코어링하는 단계와 상기 스코어링한 결과, 미리 설정된 기준 이상의 스코어가 할당된 단어를 제1 그룹핑하는 단계와 상기 제1 그룹핑된 단어를 제품 피드백으로 결정하는 단계와 상기 제1 그룹핑된 단어 외의 단어들을 제2 그룹핑하는 단계와 상기 제2 그룹핑된 단어를 비제품 피드백으로 결정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 단계는, 상기 미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상의 단어들에 대하여, 상기 제품과의 관련성을 확률 연산을 통해 스코어링하는 단계와 상기 스코어링한 결과, 미리 설정된 기준 이상의 스코어가 할당된 단어를 제1 그룹핑하는 단계와 상기 제1 그룹핑된 단어를 제품 피드백으로 결정하는 단계와 상기 사용자 피드백 상의 단어들에 대하여, 미리 등록된 비제품 단어 필터 통해 추출되는 단어를 제2 그룹핑하는 단계와 상기 제2 그룹핑된 단어를 비제품 피드백으로 결정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 평가요소를 추출하는 단계는, 상기 제품 피드백 상에서, 상기 제품에 대응되는 기준 단어를 결정하는 단계와 상기 제품 피드백에 속하는 단어에 대한 품사를 결정하는 단계와 상기 기준 단어와 상기 제품 피드백에 속하는 단어 사이의 거리 및 상기 결정된 품사를 기초로, 상기 제품 피드백에 속하는 단어 중, 평가요소를 결정하는 단계와 상기 미리 학습된 평가모델을 이용하여, 상기 평가요소가 긍정요소인지 부정요소인지 분류하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 평가요소가 긍정요소인지 부정요소인지 분류하는 단계는, 상기 평가요소 중 미리 설정된 개수 이상의 단어가 긍정요소 또는 부정요소로 분류되지 않는 경우, 미리 학습된 제1 예측모델을 이용하여, 상기 기준 단어의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 제1 예측하는 단계와 상기 제1 예측된 적어도 하나의 단어를 포함하는, 가상의 제1 제품 피드백을 생성하는 단계와 상기 평가모델을 이용하여, 상기 생성된 제1 제품 피드백에 속하는 단어가 긍정요소인지 부정요소인지 분류하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 미리 학습된 제1 예측모델을 이용하여, 상기 기준 단어의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 예측하는 단계는, 상기 제1 예측모델과 다른 미리 학습된 제2 예측모델을 이용하여, 상기 기준 단어의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 제2 예측하는 단계와 상기 제2 예측된 적어도 하나의 단어를 포함하는, 가상의 제2 제품 피드백을 생성하는 단계와 상기 평가모델을 이용하여, 상기 생성된 제2 제품 피드백에 속하는 단어가 긍정요소인지 부정요소인지 분류하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 평가모델에 의한 분류 결과, 상기 제1 제품 피드백에 속하는 단어 및 상기 제2 제품 피드백에 속하는 단어 중, 어느 하나는 긍정요소로 분류되고, 나머지 하나는 부정요소로 분류되는 경우, 상기 제1 제품 피드백과 상기 제2 제품 피드백을 기초로, 상기 평가모델을 재학습시키는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 평가모델에 의한 분류 결과, 상기 제1 제품 피드백에 속하는 단어 및 상기 제2 제품 피드백에 속하는 단어 중, 어느 하나는 긍정요소로 분류되고, 나머지 하나는 부정요소로 분류되는 경우,
상기 평가모델을 이용하여, 상기 제1 예측모델이 제1 예측한 단어와 상기 제2 예측모델이 제2 예측한 단어 중, 확률 값이 큰 단어에 대하여 긍정요소인지 부정요소인지 분류하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 제2 예측모델은, 상기 사용자 피드백에 포함된 조사 및 접속사 중 적어도 하나와 짝을 이뤄 상기 기준 단어의 전 또는 후에 배치될 수 있는 긍정요소 및 부정요소에 대하여 미리 학습된 모델일 수 있다.
일 실시예에 따르면, 상기 제품계획을 결정하는 단계는, 미리 설정된 기간 동안, 상기 사용자 피드백의 증감 정보를 기초로 상기 제품에 대한 트렌드 지속력을 판단하는 단계와 상기 트렌드 지속력이 미리 설정된 기준 이상인 경우, 상기 제품 피드백 중, 긍정요소 및 부정요소의 비율에 따라, 상기 제품의 개선, 추가 생산, 할인 판매 및 판매 종료 중 적어도 하나를 가이드하는 최적 제품계획 가이드를 생성하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 제품에 대한 트렌드 지속력을 판단하는 단계는, 상기 제품의 속성을 기초로, 상기 제품 관련 키워드를 결정하는 단계와 네트워크 인터페이스를 통해, 외부 장치 상의 상기 결정된 키워드 관련 게시 콘텐츠를 수집하는 단계와 상기 게시 콘텐츠의 증감 정보를 기초로 상기 트렌드 지속력을 판단하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 평가요소를 추출하는 단계는, 상기 미리 학습된 평가모델을 이용하여, 상기 분류된 비제품 피드백 중, 긍정요소 및 부정요소 중 적어도 하나의 평가요소를 추출하는 단계를 포함하고, 상기 제품에 대한 평가 등급을 결정하는 단계는, 상기 비제품 피드백의 긍정요소 및 부정요소를 기초로, 상기 평가 등급을 갱신하는 단계를 포함하고, 기 제품계획을 결정하는 단계는, 상기 비제품 피드백의 평가요소를 기초로, 상기 제품에 대한 최적 제품계획 가이드를 생성하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 제품에 대한 평가 등급을 결정하는 단계는, 기 제품에 대한 판매 인터페이스로부터 상기 제품의 사용자 구매 정보, 상기 사용자 피드백을 남긴 사용자의 전체 피드백 중, 상기 제품에 대한 피드백 비율, 상기 제품에 대한 사용자 피드백의 증감 정보, 상기 판매 인터페이스에 신규 유입 대비 이탈 사용자 비율 정보, 상기 제품을 복수회 구매한 사용자의 재구매 비율, 상기 제품에 대한 사용자 피드백 기간 중 적어도 하나의 정보를 기초로, 상기 평가 등급을 갱신하는 단계를 포함할 수 있다.
상기 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 사용자 피드백 반영 제품계획 결정 장치는, 하나 이상의 프로세서와 상기 제품을 구매한 사용자의 사용자 피드백을 획득하기 위한 네트워크 인터페이스와 상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리와 상기 컴퓨터 프로그램을 저장하는 스토리지와 최적 제품계획 가이드를 출력하는 디스플레이부를 포함하되, 상기 컴퓨터 프로그램은, 상기 사용자 피드백을 획득하는 오퍼레이션과 미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 오퍼레이션과 미리 학습된 평가모델을 이용하여, 상기 제품 피드백 중, 긍정요소 및 부정요소 중 적어도 하나의 평가요소를 추출하는 오퍼레이션과 상기 추출된 평가요소를 기초로 상기 제품에 대한 평가 등급을 결정하는 오퍼레이션과 상기 결정된 평가 등급 기초로, 제품계획을 결정하는 오퍼레이션을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 사용자 피드백을 저비용, 고효율로 획득 및 판단할 수 있는 효과가 있다.
특히, 본 발명의 일 실시예에 따르면, 사용자 피드백을 유형화하여, 사용자 피드백 중 제품 자체에 대한 피드백과 포장, 배송, 서비스 등 제품 외 요소에 대한 피드백을 구별함으로써, 제품 및 서비스 개선 대상을 분명히 파악할 수 있다는 장점이 있다.
또한, 본 발명의 일 실시예에 따르면, 사용자 피드백을 전화 또는 웹 링크를 통한 설문, 좋아요/싫어요 이모티콘 선택 페이지, 댓글 뿐만 아니라, 사용자 행동 패턴을 바탕으로 제품에 대한 피드백을 분석할 수 있어, 사용자 피드백 분석에 정확도가 높아지는 장점이 있다.
본 발명의 다른 실시예에 따르면, 제품에 이용된 소재와 제품 디자인 및 제품 종류 중 소비자 반응에 영향을 주는 요인을 판단할 수 있는 효과가 있다. 또한, 소재에 대한 소비자 관심 강도와 소비자 관심 지속력을 분석하여, 추가 생산, 제품 개선 및 신제품 개발 등에 최적 가이드를 제공할 수 있게 된다.
이 같은 판단을 통해, 소재에 대한 소비자 선호도가 높은 경우, 동일 소재를 다른 종류의 제품에 적용한 신제품 개발 계획 수립에 활용할 수 있는 장점이 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 사용자의 피드백 반영 제품계획 결정 시스템의 예시도이다.
도 2는 본 발명의 다른 실시예에 따른 사용자의 피드백 반영 제품계획 결정 장치의 예시도이다.
도 3은 본 발명의 또 다른 실시예에 따른 사용자의 피드백 반영 방법의 순서도이다.
도 4 는 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백의 요소를 설명하기 위한 예시이다.
도 5 는 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백 중 제품 피드백과 비제품 피드백을 구별하는 방법의 순서도이다.
도 6 은 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백의 예시이다.
도 7 내지 도 8은 본 발명의 몇몇 실시예에서 참조되는, 제품 피드백에 대한 예측모델을 설명하기 위한 예시이다.
도 9는 본 발명의 몇몇 실시예에서 참조되는, 제품 피드백에 대한 예측모델과 평가모델의 구조를 설명하기 위한 예시이다.
도 10은 본 발명의 몇몇 실시예에서 참조되는, 최적 제품계획 가이드 생성 과정의 예시이다.
도 2는 본 발명의 다른 실시예에 따른 사용자의 피드백 반영 제품계획 결정 장치의 예시도이다.
도 3은 본 발명의 또 다른 실시예에 따른 사용자의 피드백 반영 방법의 순서도이다.
도 4 는 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백의 요소를 설명하기 위한 예시이다.
도 5 는 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백 중 제품 피드백과 비제품 피드백을 구별하는 방법의 순서도이다.
도 6 은 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백의 예시이다.
도 7 내지 도 8은 본 발명의 몇몇 실시예에서 참조되는, 제품 피드백에 대한 예측모델을 설명하기 위한 예시이다.
도 9는 본 발명의 몇몇 실시예에서 참조되는, 제품 피드백에 대한 예측모델과 평가모델의 구조를 설명하기 위한 예시이다.
도 10은 본 발명의 몇몇 실시예에서 참조되는, 최적 제품계획 가이드 생성 과정의 예시이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 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.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
이하, 본 명세서에서, 사용자의 피드백 반영 제품계획 결정 시스템은, 제품계획 결정 시스템 또는 시스템으로 약칭될 수 있으며, 사용자의 피드백 반영 제품계획 결정 장치와 방법은, 각각 제품계획 결정 장치, 제품계획 결정 방법 또는, 상기 결정 장치와 상기 결정 방법으로 약칭될 수도 있다.
또한, 본 명세서에서, 제품계획이란, 기업이 판매목표를 효과적으로 실현하기 위하여 소비자의 욕구 또는 구매력 등에 합치되도록 제품의 개발, 가격, 품질, 디자인, 포장, 상표 등을 기획하는 활동을 말한다.
본 명세서에서, 사용자 피드백은, 전화설문의 텍스트 변환 정보, 서면설문, 웹링크 상의 설문, 호불호를 표시하는 이모티콘 표시, 5점 척도 점수표에 대한 사용자 입력 중 적어도 하나를 포함한다.
본 명세서에서, 사용자 피드백 상의 긍정요소는 제품계획 결정 장치에 의해 긍정평가를 받게 되는 단어, 부정요소는 부정평가를 받게 되는 단어를 의미한다.
도 1은 본 발명의 일 실시예에 따른 사용자의 피드백 반영 제품계획 결정 시스템의 예시도이다.
도 1을 참조하면, 제품계획 결정 시스템(10)은, 제품계획 결정 장치(100)와 제품 판매 장치(200) 및 외부 장치(300)를 포함할 수 있다.
제품계획 결정 장치(100)는 제품 판매 장치(200) 및 외부 장치(300)는 네트워크(50)를 통해 상호간 데이터 통신을 수행하는 컴퓨팅 장치이다.
제품계획 결정 장치(100)는, 본 발명의 일 실시예에 따른, 제품계획 결정 방법을 수행하며, 상기 제품계획 결정 방법에 따른 최적 제품계획 결정 가이드를 생성할 수 있다.
제품 판매 장치(200)는, 제품 판매 인터페이스를 소비자에게 제공하고, 본 발명의 일 실시예에 따른 사용자 피드백을 수신할 수 있다.
외부 장치(300)는, 제품에 대한 정보를 게시하는 다양한 웹페이지를 운영하는 서버 장치로서, 제품 소비자의 홈페이지, 제품 구매가 이뤄지는 오픈 마켓 페이지, 소비자의 SNS의 페이지, 블로그 등 다양한 웹페이지 중 적어도 하나를 운영한다.
제품계획 결정 장치(100)는, 제품에 대한 사용자 피드백을 기초로, 제품의 인기, 소비자 평가, 제품의 트렌드 부합여부 등을 판단할 수 있다. 이를 위해, 제품계획 결정 장치(100)는 제품 판매 장치(200)로부터 사용자 피드백을 수신하거나, 외부 장치(300)가 운영 중인 웹페이지 상에서, 제품 관련 정보를 획득할 수 있다. 예를 들어, 제품계획 결정 장치(100)는, 제품 관련 정보를 크롤링하고, 이미지, 텍스트 등 크롤링된 정보로부터 제품에 대한 인기, 관심이 지속되는지 여부 등을 판단할 수 있다. 제품의 인기 및/또는 제품에 대한 관심의 지속여부를 트렌드 지속력이라 칭하기로 한다.
본 발명의 일 실시예에 따르면, 제품계획 결정 장치(100)는, 미리 설정된 기간 동안, 획득되는 사용자 피드백의 증감 정보를 기초로 제품에 대한 트렌드 지속력을 판단할 수 있다. 즉, 제품계획 결정 장치(100)는 미리 설정된 단위 기간 별 제품 판매 장치(200) 및/또는 외부 장치(300)로부터 획득되는 사용자 피드백의 양의 증감을 기초로, 트렌드 지속력을 판단할 수 있다.
본 발명의 다른 실시예에 따르면, 제품계획 결정 장치(100)는 사용자 피드백 외에, 웹페이지 상의 검색 트래픽양을 기초로 트렌드 지속력을 판단할 수도 있다.
이를 위해, 제품계획 결정 장치(100)는, 제품의 속성을 기초로, 제품 관련 키워드를 결정하고, 네트워크(50)를 통해, 외부 장치(300)에 의해 운영되는 웹페이지로부터 결정된 키워드 관련 게시 콘텐츠를 수집할 수 있다. 예를 들어, 제품이 전통차 기반의 다이어트 식품인 경우, 제품계획 결정 장치(100)는, 전통차의 명칭, 분말, 환, 엑기스와 같은 다이어트 제품의 타입, 다이어트 제품의 명칭 등을 키워드로 결정하고, 이를 포함하는 웹페이지를 검색 및 수집할 수 있다.
제품계획 결정 장치(100)는, 키워드 관련 게시 콘텐츠의 증감 정보를 기초로 트렌드 지속력을 판단할 수도 있다.
제품계획 결정 장치(100)는, 트렌드 지속력이 미리 설정된 기준 이상인 경우, 제품의 개선, 추가 생산, 할인 판매 및 판매 종료 중 적어도 하나를 가이드하는 최적 제품계획 가이드를 생성할 수 있다.
제품계획은, 제품 피드백 중, 긍정요소 및 부정요소의 비율에 따라, 제품에 대한 추가 생산, 또는 생산 종료, 재고 판매, 폐기, 판매 종료 등 구체적으로 가이드될 수 있다.
또 다른 실시예에 따르면, 제품계획 결정 장치(100)는, 사용자 피드백, 사용자 피드백의 증감, 외부 장치(300)로부터 획득되는 게시 콘텐츠 증감뿐만 아니라, 포장, 배송, 수리 등 제품 외 요소 및/또는 사용자의 제품 관련 행동을 기초로, 제품에 대한 평가를 수행하고 제품에 대한 평가 등급을 결정할 수도 있다.
예를 들어, 제품계획 결정 장치(100)는, 사용자의 제품 판매 장치(200) 이용 로그, 친구 추천 이벤트 참여 여부, 탈퇴 등 액션을 바탕으로 제품 선호도를 분석할 수도 있다.
또한, 제품 판매 장치(200)가 제공하는 제품에 대한 판매 인터페이스로부터 제품의 사용자 구매 정보, 사용자 피드백을 남긴 사용자의 전체 피드백 중, 상기 제품에 대한 피드백 비율, 제품에 대한 사용자 피드백의 증감 정보, 상기 판매 인터페이스에 신규 유입 대비 이탈 사용자 비율 정보, 상기 제품을 복수회 구매한 사용자의 재구매 비율, 상기 제품에 대한 사용자 피드백 기간 중 적어도 하나의 정보를 기초로 상기 제품에 대한 평가 등급을 결정할 수도 있다.
또한, 제품계획 결정 장치(100)는, 제품을 구매해서 사용한 기간 별 선호도를 기초로 제품을 평가할 수 있으며, 제품의 종류에 따라 긍정 또는 부정 댓글을 1번만 작성한 사람의 피드백에 가중치를 높게 설정할 수도 있다. 또한, 외부 장치(300)와 제품 판매 장치(200) 모두 운영하는 웹페이지 상에서, 다른 피드백 없이, 제품 관련 댓글만 다는 사람에게 가중치를 높게 설정할 수 있다.
제품계획 결정 장치(100)의 세부 구성, 각 구성의 기능 및 동작은 도 2에서 상세히 설명한다. 도 2는 본 발명의 다른 실시예에 따른 사용자의 피드백 반영 제품계획 결정 장치의 예시도이다.
도 2를 참조하면, 제품계획 결정 장치(100)는, 하나 이상의 프로세서(101), 제품을 구매한 사용자의 사용자 피드백을 획득하기 위한 네트워크 인터페이스(102), 프로세서에 의하여 수행되는 컴퓨터 프로그램(105)을 로드(load)하는 메모리(103), 컴퓨터 프로그램(105)을 저장하는 스토리지(104) 및 최적 제품계획 가이드를 출력하는 디스플레이부(106)를 포함할 수 있다.
프로세서(101)는 제품계획 결정 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(101)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), AP(Application Processor) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(101)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다.
네트워크 인터페이스(102)는 제품계획 결정 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 네트워크 인터페이스(102)는 공중 통신망인 인터넷 외에 다양한 통신 방식을 지원할 수도 있다. 또한, 네트워크 인터페이스(102)는 제품 판매 장치(200) 및 외부 장치(300)와의 연결을 제공할 수도 있다. 이를 위해, 네트워크 인터페이스(102)는 본 발명의 기술 분야에 잘 알려진 통신 모듈 및 접속 단자 중 적어도 하나를 포함하여 구성될 수 있다.
본 발명의 실시예에 따르면, 네트워크 인터페이스(102)는 본 발명이 속한 기술분야에서 널리 알려진 인공 신경망과 인터페이스를 형성할 수도 있다.
메모리(103)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(103)는 본 발명의 실시예들을 실행하기 위하여 스토리지(104)로부터 하나 이상의 프로그램(105)을 로드(load)할 수 있다. 도 2에서 메모리(103)는 예를 들어 RAM일 수 있다.
스토리지(104)는 상기 하나 이상의 프로그램(105), 기준 RPM 값, 라이더 개인 정보를 비임시적으로 저장할 수 있다. 도 2에서 상기 하나 이상의 프로그램(105)의 예시로 제품계획 결정 소프트웨어(105)가 도시되었다. 라이딩 경험 제공 소프트웨어(105)는, 제품계획 결정 프로그램으로 칭해질 수도 있다.
스토리지(104)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
제품계획 결정 소프트웨어(105)는 본 발명의 실시예에 따라, 제품계획 결정 장치(100)의 프로세서(101)가 각 오퍼레이션을 실행시킴으로써, 제품계획 결정 방법이 실시되도록 할 수 있다.
특히, 본 발명의 실시예에 따르면, 제품계획 결정 소프트웨어(105)는 사용자 피드백 상의 제품 피드백, 비제품 피드백을 구별하기 위한 언어모델을 포함할 수 있으며, 사용자 피드백 상의 제품에 대한 평가가 긍정적인지 부정적인지 판단하기 위한 생성하기 위한 평가모델을 포함할 수 있다.
본 발명의 실시예에 따른 언어모델은, 문장이 얼마나 자연스러운지 확률적으로 계산함으로써 문장 내 특정 위치에 출현하기 적합한 단어를 확률적으로 예측하는 모델로서, 미리 학습된 인공신경망 기반의 언어 모델을 포함한다. 예를 들어, 언어모델은, BERT, GPT와 같은 인공신경망 기반의 자연어처리를 수행하기 위한 알고리즘을 포함할 수 있다. 다른 실시예에서, 상기 언어모델은, 인공신경망 기반의 언어모델 아닌 통계학적 언어 모델을 포함할 수도 있다.
일 실시예에서, 상기 언어모델은, 사용자 피드백 상에서, 제품에 대한 단어와, 제품 외의 요소에 대한 단어를 확률적으로 연산할 수 있다.
본 발명의 실시예에 따른 평가모델은, 상기 언어모델의 일종일 수 있다. 일 실시예에서, 평가모델은, 사용자 피드백 상에서, 제품에 대한 평가가 긍정적인지 부정적인지 판단하기 위하여, 미리 학습된 인공신경망 기반의 언어모델을 포함할 수 있다.
상기 평가모델은, 복수의 인공 신경망을 포함하거나, 네트워크(50)를 통해 연결될 수 있다.
특히, 본 발명의 일 실시예에 따르면, 제품계획 결정 장치(100)는, 상기 평가모델에 포함되거나 개별적으로 스토리지(104)에 저장된 적어도 하나의 예측모델을 이용하여, 사용자 피드백 상에 표현되어 있지 않은 단어라도, 제품과 관련된 단어를 기준으로 소정의 위치에 배치될 수 있는 단어를 확률적으로 연산할 수 있다.
본 발명의 다른 실시예에 따르면, 언어모델 및/또는 평가모델은 스토리지(104)에 저장될 수 있으며, 제품계획 결정 소프트웨어(105)에 통합되어 구비될 수도 있다.
디스플레이부(106)는, 본 발명의 실시예에 따른 최적 제품계획 결정 가이드를 출력한다. 일 예로, 디스플레이부(106)는 터치패널을 구비하여, 터치입력으로 입력을 수신하고, 각종 인터페이스를 영상으로 출력하는 출력부로 기능할 수도 있다.
도 3은 본 발명의 또 다른 실시예에 따른 사용자의 피드백 반영 제품계획 결정 방법의 순서도이다. 또한, 도 4 는 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백의 요소를 설명하기 위한 예시이다.
이하, 사용자 피드백 반영 제품계획 결정 방법의 각 단계는, 제품계획 결정 장치(100)로부터 수행된다. 구체적으로, 프로세서(101)가 프로그램(105)의 각 오퍼레이션을 실행함에 따라, 하기 각 단계가 수행된다.
도 3을 참조하면, 제품계획 결정 장치(100)는 도 2의 네트워크 인터페이스(101)를 통해, 제품을 구매한 사용자의 사용자 피드백을 획득할 수 있다(S10). 도 4에서, 사용자 피드백의 피드백 요소(401, 402)가 예로써 도시되었다. 피드백 요소(401, 402)는 적어도 하나의 사용자 피드백 상에 포함된 단어, 구문, 문장 중 적어도 하나를 포함할 수 있다.
도 4를 참조하면, 피드백 요소(401)은, 제품의 소재, 재질, 색상, 사이즈, 효과, 가격과 같은 제품속성에 관한 내용의 피드백을 포함한다. 이를 제품 피드백이라 칭할 수 있다.
또한, 피드백 요소(402)는, 배송, 포장, AS, 설치, 쿠폰, 환불처리 등 제품 외의 요소, 즉, 비제품 속성에 관한 피드백을 포함한다. 이를 비제품 피드백이라 칭할 수 있다.
상기 제품속성, 비제품 속성에 관한 내용은, 숫자, 느낌표, 마침표, 접속사, 조사, 형용사, 부사 등으로 표현되고 있다.
제품계획 결정 장치(100)는 미리 학습된 언어모델을 이용하여, 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류할 수 있다(S20).
즉, 제품계획 결정 장치(100)는, 상기 언어모델을 이용하여, 사용자 피드백에 포함된 단어를 제품 피드백과 비제품 피드백으로 분류할 수 있다.
일 실시예에 따르면, 제품계획 결정 장치(100)의 언어모델은 사용자 피드백 상에서 토픽을 추출하는 알고리즘을 적어도 하나 포함할 수 있다. 예를 들어, 언어모델은 LDA(Latent Dirichlet Allocation)를 구비하여, 제품 또는 제품을 지칭하는 기준 단어를 식별할 수 있다. 제품계획 결정 장치(100)는 제품 또는 기준 단어를 기초로, 제품 피드백과 비제품 피드백이 분류될 수 있다.
상기 제품 피드백과 비제품 피드백의 분류 방법은, 도 5를 참조하여 후술한다.
제품계획 결정 장치(100)는 미리 학습된 평가모델을 이용하여, 상기 제품 피드백 중, 긍정요소 및 부정요소 중 적어도 하나의 평가요소를 추출할 수 있다(S30).
제품계획 결정 장치(100)는 추출된 평가요소를 기초로 상기 제품에 대한 평가 등급을 결정하고(S40), 결정된 평가 등급 기초로, 제품계획을 결정할 수 있다(S50).
도 5 는 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백 중 제품 피드백과 비제품 피드백을 구별하는 방법의 순서도이다.
제품계획 결정 장치(100)는 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류할 수 있다.
제품계획 결정 장치(100)는 미리 학습된 언어모델을 이용하여, 사용자 피드백 상의 단어들에 대하여, 제품과의 관련성을 확률 연산을 통해 스코어링할 수 있다(S501).
일 실시예에서, 제품계획 결정 장치(100)는, 문장 내에서, 제품 또는 제품을 지칭하는 기준 단어의 전후로 확률적으로 배치될 수 있는 단어를 예측할 수 있다.
이때, 제품계획 결정 장치(100)는 사용자 피드백에 기재된 실제 단어와 상기 예측된 단어와의 미리 설정된 기준에 따른 유사도를 판단할 수 있으며, 이를 기초로, 사용자 피드백 상에 기재된 실제 단어에 스코어를 할당할 수 있다.
제품계획 결정 장치(100)는 스코어링한 결과, 미리 설정된 기준 이상의 스코어가 할당된 단어를 제1 그룹핑할 수 있다(S502).
예를 들어, 도 4의 피드백 요소(401)은, 사용자 피드백 상의 단어 중 미리 설정된 기준 이상의 스코어가 할당된 것으로, 피드백 요소(401)로 그룹핑될 수 있다. 제품계획 결정 장치(100)는 이 같이 제1 그룹핑된 단어를 제품 피드백으로 결정할 수 있다(S503).
일 실시예에서, 제품계획 결정 장치(100)는 제1 그룹핑된 단어 외의 단어들을 제2 그룹핑할 수 있다. 또는 다른 실시예에서, 제품계획 결정 장치(100)는 사용자 피드백 상의 단어들에 대하여, 미리 등록된 비제품 단어 필터 통해 추출되는 단어를 제2 그룹핑할 수도 있다(S504).
즉, 제품계획 결정 장치(100)는 미리 설정된 기준에 따른 제품 관련성이 높은 단어 외의 단어를 비제품 피드백 단어로 판단하거나, 미리 등록된 마스크로 필터링된 단어를 비제품 피드백 단어로 결정할 수도 있다.
예를 들어, 제품계획 결정 장치(100)는, 배송, 포장, AS, 설치, 쿠폰, 환불처리 등 비제품 요소에 대한 단어, 이의 유사어 등을 사전에 마스크로 등록하여 사용자 피드백 상의 단어들을 필터링할 수 있다. 일 실시예에서, 제품계획 결정 장치(100)는 이 같이 필터링된 단어들을 제2 그룹핑할 수도 있으며, 제2 그룹핑된 단어들을 비제품 피드백으로 결정할 수 있다(S505).
다시 도 4를 참조하면, 도 4의 피드백 요소(402)는, 제1 그룹핑된 단어 외의 단어이거나, 미리 등록된 마스크로 필터링된 단어로 그룹핑된 것일 수 있다.
도 6 은 본 발명의 몇몇 실시예에서 참조되는, 사용자 피드백의 예시이다. 도 6을 참조하면, 사용자 피드백(600)은, 비제품 피드백(610) 및 제품 피드백(620)으로 분류될 수 있다.
일 실시예에서, 제품계획 결정 장치(100)는 비제품 피드백(610) 상의 각 단어의 품사를 식별할 수 있다. 일 실시예에서, 제품계획 결정 장치(100)는, 상기 각 단어의 품사를 언어모델을 이용하여 식별할 수 있다.
제품계획 결정 장치(100)는, 비제품 요소인 '배송'(612)을 식별하고, 비제품 피드백의 속성과 관련된, '빠른'(611)을 식별할 수 있다. 또한, 제품계획 결정 장치(100)는, 비제품 요소인 배송(612)에 대한 긍정평가 또는 부정평가를 위한 평가요소로, '정말'(613), '감사'(614)와 같은 단어를 식별할 수 있다.
제품계획 결정 장치(100)는, 비제품 요소인 '배송'(612)을 기준 단어로 결정하고, '배송'(612)을 꾸미는 부사인 '빠른'(611)과 '배송'(612)으로부터 미리 설정된 거리 내에 배치되는 '감사'(614)를 평가요소로 결정할 수 있다. 제품계획 결정 장치(100)는, '정말'(613)에 대한 판단을 긍정 부정도 아닌 보류로 정할 수 있으나, 평가모델에 따라서는 '정말'(613)을 평가요소로 결정할 수도 있다.
다른 실시예에서, 제품계획 결정 장치(100)는 제품 피드백(620) 상의 각 단어의 품사를 식별할 수 있다. 일 실시예에서, 제품계획 결정 장치(100)는, 상기 각 단어의 품사를 언어모델을 이용하여 식별할 수 있다.
제품계획 결정 장치(100)는, 제품 요소인 브랜드 명칭 '푸응'(626)과 제품의 소재인 '차전자피'(627)를 식별할 수 있다. 제품계획 결정 장치(100)는, 제품 자체인 '푸응'(626) 및/또는 '차전자피'(627)을 기준 단어로 결정할 수 있다.
제품계획 결정 장치(100)는, 제품 피드백의 속성과 관련된, '효과'(628), '봤다'(629)을 식별할 수 있다. 또한, 제품계획 결정 장치(100)는, 이어진 문장에서, '일단'(630), '1주일간'(631), '효과'(632), '진짜'(633), '좋네요'(634), '계속'(635), '효과'(636), '재구매의사'(637)와 같은 단어를, 기준 단어(626, 627)에 대한 긍정평가 또는 부정평가를 위한 평가요소로 결정할 수 있다.
다른 실시예에서, 제품계획 결정 장치(100)는, 타제품 명칭 'OO'(621)과, '도'(622), '좋다고'(623), 문장부호 중 물음표 '??'(624), '광고'(625)와 같이 제품과 비교되어, 제품에 대한 긍정평가 또는 부정평가를 내릴 수 있는 단어를 평가요소로 결정할 수도 있다.
구체적으로, 제품계획 결정 장치(100)는 제품 피드백 또는 비제품 피드백 상의 단어들 중, 평가요소로 결정된 단어에 대하여, 기준 단어와 매치되어, 하나의 문장 속에서, 상기 기준 단어로부터 소정의 거리 내에 확률적으로 배치될 수 있는 긍정평가 단어와 부정평가 단어를 예측할 수 있다.
일 실시예에서, 제품계획 결정 장치(100)는 예측된 긍정평가 단어와 상기 결정된 단어가 미리 설정된 기준에 따른 유사도를 갖는 경우, 상기 결정된 단어를 긍정평가 단어로 분류할 수 있다.
다른 실시예에서, 제품계획 결정 장치(100)는 예측된 부정평가 단어와 상기 결정된 단어가 미리 설정된 기준에 따른 유사도를 갖는 경우, 상기 결정된 단어를 부정평가 단어로 분류할 수 있다.
한편, 상기 조사인 '도'(622), 문장부호인 물음표 '??'(624), '일단'(630), '1주일간'(631)에 대하여, 제품계획 결정 장치(100)는, 긍정 부정도 아닌 보류 대상으로 결정할 수 있으나, 미리 학습된 평가모델의 종류에 따라 상기 평가요소를 긍정요소 또는 부정요소로 분류할 수도 있다.
도 7 내지 도 8은 본 발명의 몇몇 실시예에서 참조되는, 제품 피드백에 대한 예측모델을 설명하기 위한 예시이다.
도 7 및 도 8을 참조하면, 제품계획 결정 장치(100)는, 사용자 피드백(700)에 대하여, 제1 예측모델(720)을 이용하여 가상의 제1 제품 피드백(710)을 생성할 수 있다. 또한, 제2 예측모델(820)을 이용하여, 가상의 제2 제품 피드백(800)을 생성할 수도 있다.
제품계획 결정 장치(100)는 제1 예측모델 및 제2 예측모델 중 적어도 하나를 저장할 수 있다.
제1 예측모델 및 제2 예측모델은, 상술한 언어모델의 일종으로, 제품에 대한 기준 단어와 하나의 문장 내에서, 상기 기준 단어의 전후에 확률적으로 배치될 수 있는 단어를 예측하는 모델이다.
본 발명의 실시예에 따르면, 제2 예측모델은, 제1 예측모델의 확률 연산에 있어, 사용자 피드백에 포함된 조사 및 접속사에 가중치를 둔 모델이다.
다시 말해, 제2 예측모델은, 사용자 피드백 상의 기준 단어 중 적어도 하나와 짝을 이뤄 상기 기준 단어의 전 또는 후에 배치될 수 있는 긍정요소 및 부정요소에 대하여 미리 학습된 모델이다.
또 다른 실시예에 따르면, 도 7 및 도 8을 참조하면, 제품계획 결정 장치(100)는 기준 단어로 차전자피(701)를 결정하고, 복수개의 제품 피드백에 대한 평가요소를 분류할 수 있다.
일 예로, 제품계획 결정 장치(100)는 기준 단어로 '차전자피'(701)를 결정하고, 그 외 '맛'(702), '별론데'(703), '다이어트용'(704)를 평가요소로 결정할 수 있다.
다른 예로, 제품계획 결정 장치(100)는 LDA 알고리즘 등 언어모델을 이용하여, 기준 단어로 '차전자피'(701) 외에, '차전자피'(701)의 속성과 관련된 2개의 주제, '맛'(702)과 '다이어트용'(704)을 결정할 수도 있다.
이를 통해, 차전자피의 '맛'(702)에 대하여 '별론데'(703)라는 평가가 결정될 수 있으나, 다이어트용(704)에 대한 평가의 경우, 제품계획 결정 장치(100)는 사용자 피드백(700) 상에 다른 평가요소가 존재하지 않으므로 이를 긍정요소 또는 부정요소로 분류할 수 없다.
일 실시예에 따르면, 제품계획 결정 장치(100)는 미리 설정된 개수 이상의 단어가 분류되지 않는 경우, 미리 학습된 제1 예측모델(720)을 이용하여, 기준 단어 차전자피(701) 또는 다이어트용(704)의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 제1 예측할 수 있다.
도 7에서, 특히 영역(711)상에, 적어도 하나의 단어(730)가 제1 예측된 경우가 도시되었다.
실제 사용자 피드백(700)에는 표현되지 않았으나, 제품계획 결정 장치(100)는 적어도 하나의 단어(730)가 영역(711) 상에 배치된 가상의 제1 제품 피드백(710)을 생성할 수 있다.
본 발명의 실시예에 따르면, 미리 학습된 평가모델(740)을 이용하여, 제품계획 결정 장치(100)는 생성된 가상의 제1 제품 피드백(710)에 속하는 단어가 긍정요소인지 부정요소인지 분류할 수 있다.
적어도 하나의 단어(730) 중, 그냥, 시험삼아, 한번 등의 단어는, 확률적으로 영역(711)에 배치될 수는 있으나, 여전히 긍정요소인지 부정요소인지 분류하기 어려운 단어이다.
이를 개선하기 위해, 도 8을 참조하면, 제품계획 결정 장치(100)는 가상의 제2 제품 피드백(800)을 생성하는데 있어, 제2 예측모델(820)을 이용하여, 은(811), 데(812), 그래도(813)과 같은, 조사, 접속사 등에 가중치를 부여함으로써, 영역(810)에 배치될 수 있는 적어도 하나의 단어(830)를 확률적으로 제2 예측할 수 있다.
특히, 도 7의 적어도 하나의 단어(730) 대비, 도 8의 적어도 하나의 단어(830)는 긍정요소인지 부정요소인지에 대한 분류 가능성이 높아졌다.
본 발명의 실시예에 따르면, 미리 학습된 평가모델(840)을 이용하여, 제품계획 결정 장치(100)는 생성된 가상의 제2 제품 피드백(800)에 속하는 단어가 긍정요소인지 부정요소인지 분류할 수 있다.
도 7 및 도 8에 예시된 평가요소, '맛' 외에도, 본 발명의 실시예에 따르면, 다양한 형용사, 동사, 부사가 평가요소로 결정될 수도 있다. 예를 들어, '목넘김'과 같은 촉감도 평가요소가 될 수 있으며, 언어모델 및/또는 평가모델로 반복 식별되는 단어, 발생 빈도수가 높은 단어를 우선적인 평가요소로 결정될 수도 있다.
도 9는, 본 발명의 몇몇 실시예에서 참조되는, 제품 피드백에 대한 예측모델과 평가모델의 구조를 설명하기 위한 예시이다.
도 9를 참조하면, 제품계획 결정 장치(100)는 예측모델을 평가모델을 기준으로 경쟁시키는 방법이 구조(900)에 의해 개시된다.
제품계획 결정 장치(100)는 사용자 피드백을 기초로, 제1 예측모델(720)과 제2 예측모델(820) 각각을 이용하여, 병렬적으로 가상의 제품 피드백을 생성할 수 있다.
가상의 제품 피드백 중, 제1 제품 피드백(931), 제2 제품 피드백(932)이 생성될 수 있다.
구체적으로, 제품계획 결정 장치(100)는 기준 단어(910)과 상기 예측모델(720, 820)을 통해 예측된 단어(920)를 결합하여 가상의 제품 피드백을 생성할 수 있다. 특히, 제2 예측모델(820)의 경우, 가중치를 부여하여, 예측된 단어(920)의 범위를 단어(921)로 좁힐 수 있다.
제1 제품 피드백(931), 제2 제품 피드백(932)은, 평가모델(940)에 의해 긍정요소 또는 부정요소로 분류될 수 있다.
평가모델(940)에 의한 분류 결과, 제1 제품 피드백(931)에 속하는 단어 및 제2 제품 피드백(932)에 속하는 단어 중, 어느 하나는 긍정요소로 분류되고, 나머지 하나는 부정요소로 분류되는 경우가 발생할 수 있다.
즉, 제1 제품 피드백(931)과 제2 제품 피드백(932)에 대한 평가모델(940)의 분류 결과가 다른 경우이다.
이와 같은 경우, 일 실시예에 따르면, 제품계획 결정 장치(100)는 제1 제품 피드백(931)과 제2 제품 피드백(932)을 기초로, 평가모델(940)을 재학습시킬 수 있다.
일 실시예에서, 제품계획 결정 장치(100)는 제1 제품 피드백(931)과 제2 제품 피드백(932)에 대한 분류 결과가 동일해질 때까지 재학습을 반복할 수 있다.
다른 실시예에서, 제1 제품 피드백(931)에 속하는 단어 및 제2 제품 피드백(932)에 속하는 단어 중, 어느 하나는 긍정요소로 분류되고, 나머지 하나는 부정요소로 분류되는 경우에, 제품계획 결정 장치(100)는 제1 예측모델(720)이 제1 예측한 단어와 제2 예측모델(820)이 제2 예측한 단어 중, 확률 값이 큰 단어에 대하여, 평가모델(940)을 이용하여 긍정요소인지 부정요소인지 분류할 수 있다. 즉, 확률 값이 큰 단어를 평가요소로 결정하고, 긍정요소인지 부정요소인지 분류하는 것이다.
도 10은 본 발명의 몇몇 실시예에서 참조되는, 최적 제품계획 가이드 생성 과정의 예시이다.
도 10을 참조하면, 사용자 피드백은, 제품 피드백과 비제품 피드백으로 분류되고, 각각은 긍정 또는 부정요소인 평가요소를 포함한다.
이때, 제품계획 결정 장치(100)는 외부 장치(300)로부터 수집된 정보를 바탕으로 제품의 트렌드에 대한 지속력에 대한 판단 및/또는 사용자의 행동 패턴을 바탕으로, 사용자 피드백을 최종 분류할 수 있다.
특히, 본 발명의 실시예에 따르면, 제품계획 결정 장치(100)는, 미리 학습된 평가모델을 이용하여, 분류된 비제품 피드백 중, 긍정요소 및 부정요소 중 적어도 하나의 평가요소를 추출할 수 있다.
또한, 제품계획 결정 장치(100)는 제품에 대한 평가 등급을 결정 시, 비제품 피드백의 긍정요소 및 부정요소를 기초로 평가 등급을 갱신할 수도 있다.
이에 따라, 제품계획 결정 장치(100)는 제품계획을 결정 시, 비제품 피드백의 평가요소를 반영하여 제품에 대한 최적 제품계획 가이드를 생성할 수 있다. 즉, 제품계획 결정 장치(100)는, 제품 피드백뿐만 아니라, 비제품 피드백도 고려하여, 제품계획 최적 가이드를 생성할 수 있다.
제품계획 결정 장치(100)의 이용자는, 제품계획 최적 가이드를 통해, 제품에 대한 추가 생산, 재고 정리, 마케팅, 할인 판매, 리브랜딩, 제품 개선, 서비스 개선, 신 제품 개발을 고려할 수 있게 된다.
지금까지 첨부된 도면을 참조하여 설명된 본 발명의 실시예에 따른 제품계획 생성/결정 장치(100) 및/또는 프로세서(101)의 결정 및/또는 연산 방법들은 컴퓨터가 읽을 수 있는 코드로 구현된 컴퓨터프로그램의 실행에 의하여 수행될 수 있다. 상기 컴퓨터프로그램은 인터넷 등의 네트워크를 통하여 제1 컴퓨팅 장치로부터 제2 컴퓨팅 장치에 송신되어 상기 제2 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 제2 컴퓨팅 장치에서 사용될 수 있다. 상기 제1 컴퓨팅 장치 및 상기 제2 컴퓨팅 장치는, 서버 장치, 데스크탑 PC와 같은 고정식 컴퓨팅 장치, 노트북, 스마트폰, 태블릿 피씨와 같은 모바일 컴퓨팅 장치를 모두 포함한다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다.
10: 제품계획 결정 시스템
100: 제품계획 결정 장치
200: 제품 판매 장치
50: 네트워크
300: 외부 장치
100: 제품계획 결정 장치
200: 제품 판매 장치
50: 네트워크
300: 외부 장치
Claims (14)
- 사용자 피드백 반영 제품계획 결정 장치로부터 수행되는, 사용자 피드백 반영 제품계획 결정 방법에 있어서,
제품을 구매한 사용자의 사용자 피드백을 획득하는 단계;
미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 단계;
미리 학습된 평가모델을 이용하여, 상기 제품 피드백 상에서, 상기 제품에 대응되는 기준 단어를 결정하는 단계;
상기 제품 피드백에 속하는 단어에 대한 품사를 결정하는 단계;
상기 기준 단어와 상기 제품 피드백에 속하는 단어 사이의 거리 및 상기 결정된 품사를 기초로, 상기 제품 피드백에 속하는 단어 중, 평가요소를 결정하는 단계;
상기 미리 학습된 평가모델을 이용하여, 상기 평가요소가 긍정요소인지 부정요소인지 분류하는 단계;
상기 분류된 긍정요소 및 부정요소 중 적어도 하나를 기초로 상기 제품에 대한 평가 등급을 결정하는 단계; 및
상기 결정된 평가 등급 기초로, 제품계획을 결정하는 단계;를 포함하되,
상기 평가요소가 긍정요소인지 부정요소인지 분류하는 단계는,
상기 평가요소 중 미리 설정된 개수 이상의 단어가 긍정요소 또는 부정요소로 분류되지 않는 경우, 미리 학습된 제1 예측모델을 이용하여, 상기 기준 단어의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 제1 예측하고, 상기 제1 예측모델과 다른 미리 학습된 제2 예측모델을 이용하여, 상기 기준 단어의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 제2 예측하는 단계;
상기 제1 예측된 적어도 하나의 단어를 포함하는, 가상의 제1 제품 피드백을 생성하고, 상기 제2 예측된 적어도 하나의 단어를 포함하는, 가상의 제2 제품 피드백을 생성하는 단계;
상기 평가모델을 이용하여, 상기 생성된 제1 제품 피드백에 속하는 제1 예측된 단어와 상기 생성된 제2 제품 피드백에 속하는 제2 예측된 단어 각각이 긍정요소인지 부정요소인지 분류하는 단계; 및
상기 평가모델에 의한 분류 결과, 상기 제1 제품 피드백에 속하는 상기 제1 예측된 단어 및 상기 제2 제품 피드백에 속하는 상기 제2 예측된 단어 중, 어느 하나는 긍정요소로 분류되고, 나머지 하나는 부정요소로 분류됨에 따라, 상기 제1 제품 피드백과 상기 제2 제품 피드백에 대한 분류 결과가 달라지는 경우, 상기 제1 제품 피드백과 상기 제2 제품 피드백을 기초로, 상기 평가모델을 재학습시키는 단계;를 포함하고,
상기 제품계획을 결정하는 단계는,
상기 제품에 대한 트렌드 지속력에 대한 판단 및 상기 비제품 피드백의 평가요소를 기초로, 상기 제품의 개선, 추가 생산, 할인 판매 및 판매 종료 중 적어도 하나를 가이드하는 제품계획 가이드를 생성하는 단계를 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 제 1 항에 있어서,
상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 단계는,
상기 미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상의 단어들에 대하여, 상기 제품과의 관련성을 확률 연산을 통해 스코어링하는 단계;
상기 스코어링한 결과, 미리 설정된 기준 이상의 스코어가 할당된 단어를 제1 그룹핑하는 단계;
상기 제1 그룹핑된 단어를 제품 피드백으로 결정하는 단계;
상기 제1 그룹핑된 단어 외의 단어들을 제2 그룹핑하는 단계; 및
상기 제2 그룹핑된 단어를 비제품 피드백으로 결정하는 단계를 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 제 1 항에 있어서,
상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 단계는,
상기 미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상의 단어들에 대하여, 상기 제품과의 관련성을 확률 연산을 통해 스코어링하는 단계;
상기 스코어링한 결과, 미리 설정된 기준 이상의 스코어가 할당된 단어를 제1 그룹핑하는 단계;
상기 제1 그룹핑된 단어를 제품 피드백으로 결정하는 단계;
상기 사용자 피드백 상의 단어들에 대하여, 미리 등록된 비제품 단어 필터 통해 추출되는 단어를 제2 그룹핑하는 단계; 및
상기 제2 그룹핑된 단어를 비제품 피드백으로 결정하는 단계를 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 삭제
- 삭제
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 평가모델에 의한 분류 결과, 상기 제1 제품 피드백에 속하는 단어 및 상기 제2 제품 피드백에 속하는 단어 중, 어느 하나는 긍정요소로 분류되고, 나머지 하나는 부정요소로 분류되는 경우,
상기 평가모델을 이용하여, 상기 제1 예측모델이 제1 예측한 단어와 상기 제2 예측모델이 제2 예측한 단어 중, 확률 값이 큰 단어에 대하여 긍정요소인지 부정요소인지 분류하는 단계를 더 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 제 1 항에 있어서, 상기 제2 예측모델은,
상기 사용자 피드백에 포함된 조사 및 접속사 중 적어도 하나와 짝을 이뤄 상기 기준 단어의 전 또는 후에 배치될 수 있는 긍정요소 및 부정요소에 대하여 미리 학습된 모델인,
사용자 피드백 반영 제품계획 결정 방법. - 제 1 항에 있어서, 상기 제품에 대한 제품계획 가이드를 생성하는 단계는,
미리 설정된 기간 동안, 상기 사용자 피드백의 증감 정보를 기초로 상기 제품에 대한 트렌드 지속력을 판단하는 단계; 및
상기 트렌드 지속력이 미리 설정된 기준 이상인 경우, 상기 제품 피드백 중, 긍정요소 및 부정요소의 비율에 따라, 제품계획 가이드를 생성하는 단계를 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 제 10 항에 있어서,
상기 제품에 대한 트렌드 지속력을 판단하는 단계는,
상기 제품의 속성을 기초로, 상기 제품 관련 키워드를 결정하는 단계;
네트워크 인터페이스를 통해, 외부 장치 상의 상기 결정된 키워드 관련 게시 콘텐츠를 수집하는 단계; 및
상기 게시 콘텐츠의 증감 정보를 기초로 상기 트렌드 지속력을 판단하는 단계를 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 제 1 항에 있어서, 상기 적어도 하나의 평가요소를 추출하는 단계는,
상기 미리 학습된 평가모델을 이용하여, 상기 분류된 비제품 피드백 중, 긍정요소 및 부정요소 중 적어도 하나의 평가요소를 추출하는 단계를 포함하고,
상기 제품에 대한 평가 등급을 결정하는 단계는,
상기 비제품 피드백의 긍정요소 및 부정요소를 기초로, 상기 평가 등급을 갱신하는 단계를 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 제 1 항에 있어서, 상기 제품에 대한 평가 등급을 결정하는 단계는,
상기 제품에 대한 판매 인터페이스로부터 상기 제품의 사용자 구매 정보, 상기 사용자 피드백을 남긴 사용자의 전체 피드백 중, 상기 제품에 대한 피드백 비율, 상기 제품에 대한 사용자 피드백의 증감 정보, 상기 판매 인터페이스에 신규 유입 대비 이탈 사용자 비율 정보, 상기 제품을 복수회 구매한 사용자의 재구매 비율, 상기 제품에 대한 사용자 피드백 기간 중 적어도 하나의 정보를 기초로, 상기 평가 등급을 갱신하는 단계를 포함하는,
사용자 피드백 반영 제품계획 결정 방법. - 하나 이상의 프로세서;
제품을 구매한 사용자의 사용자 피드백을 획득하기 위한 네트워크 인터페이스;
상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리;
상기 컴퓨터 프로그램을 저장하는 스토리지 및
최적 제품계획 가이드를 출력하는 디스플레이부를 포함하되,
상기 컴퓨터 프로그램은,
상기 사용자 피드백을 획득하는 오퍼레이션;
미리 학습된 언어모델을 이용하여, 상기 사용자 피드백 상에서 제품 피드백과 비제품 피드백을 분류하는 오퍼레이션;
미리 학습된 평가모델을 이용하여, 상기 제품 피드백 상에서, 상기 제품에 대응되는 기준 단어를 결정하는 오퍼레이션;
상기 제품 피드백에 속하는 단어에 대한 품사를 결정하는 오퍼레이션;
상기 기준 단어와 상기 제품 피드백에 속하는 단어 사이의 거리 및 상기 결정된 품사를 기초로, 상기 제품 피드백에 속하는 단어 중, 평가요소를 결정하는 오퍼레이션;
상기 미리 학습된 평가모델을 이용하여, 상기 평가요소가 긍정요소인지 부정요소인지 분류하는 오퍼레이션;
상기 분류된 긍정요소 및 부정요소 중 적어도 하나를 기초로 상기 제품에 대한 평가 등급을 결정하는 오퍼레이션; 및
상기 결정된 평가 등급 기초로, 제품계획을 결정하는 오퍼레이션;을 포함하되,
상기 평가요소가 긍정요소인지 부정요소인지 분류하는 오퍼레이션은,
상기 평가요소 중 미리 설정된 개수 이상의 단어가 긍정요소 또는 부정요소로 분류되지 않는 경우, 미리 학습된 제1 예측모델을 이용하여, 상기 기준 단어의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 제1 예측하고, 상기 제1 예측모델과 다른 미리 학습된 제2 예측모델을 이용하여, 상기 기준 단어의 전 또는 후에 배치될 수 있는 적어도 하나의 단어를 확률적으로 제2 예측하는 오퍼레이션;
상기 제1 예측된 적어도 하나의 단어를 포함하는, 가상의 제1 제품 피드백을 생성하고, 상기 제2 예측된 적어도 하나의 단어를 포함하는, 가상의 제2 제품 피드백을 생성하는 오퍼레이션;
상기 평가모델을 이용하여, 상기 생성된 제1 제품 피드백에 속하는 제1 예측된 단어와 상기 생성된 제2 제품 피드백에 속하는 제2 예측된 단어 각각이 긍정요소인지 부정요소인지 분류하는 오퍼레이션; 및
상기 평가모델에 의한 분류 결과, 상기 제1 제품 피드백에 속하는 상기 제1 예측된 단어 및 상기 제2 제품 피드백에 속하는 상기 제2 예측된 단어 중, 어느 하나는 긍정요소로 분류되고, 나머지 하나는 부정요소로 분류됨에 따라, 상기 제1 제품 피드백과 상기 제2 제품 피드백에 대한 분류 결과가 달라지는 경우, 상기 제1 제품 피드백과 상기 제2 제품 피드백을 기초로, 상기 평가모델을 재학습시키는 오퍼레이션;을 포함하고,
상기 제품계획을 결정하는 오퍼레이션은,
상기 제품에 대한 트렌드 지속력에 대한 판단 및 상기 비제품 피드백의 평가요소를 기초로, 상기 제품의 개선, 추가 생산, 할인 판매 및 판매 종료 중 적어도 하나를 가이드하는 제품계획 가이드를 생성하는 오퍼레이션을 포함하는,
사용자 피드백 반영 제품계획 결정 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230002680A KR102609681B1 (ko) | 2023-01-09 | 2023-01-09 | 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230002680A KR102609681B1 (ko) | 2023-01-09 | 2023-01-09 | 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230170115A Division KR20240111294A (ko) | 2023-11-29 | 미리 학습된 평가모델을 이용한 사용자의 피드백 반영 제품계획 결정 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102609681B1 true KR102609681B1 (ko) | 2023-12-05 |
Family
ID=89156936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230002680A KR102609681B1 (ko) | 2023-01-09 | 2023-01-09 | 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102609681B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788036A (zh) * | 2023-12-29 | 2024-03-29 | 广州伯威逊科技有限公司 | 一种基于营销反馈的生产计划管理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649519A (zh) * | 2016-10-17 | 2017-05-10 | 北京邮电大学 | 一种产品特征的挖掘与评价方法 |
KR20200107571A (ko) * | 2019-03-08 | 2020-09-16 | 한양대학교 산학협력단 | 상품 평가 기준 생성 방법 및 그 장치 |
KR20210044017A (ko) * | 2019-10-14 | 2021-04-22 | 한양대학교 산학협력단 | 상품 리뷰 다차원 분석 방법 및 그 장치 |
KR20210156562A (ko) | 2020-06-18 | 2021-12-27 | 주식회사 데일리쥬 | 고객의 리뷰 및 피드백을 반영하는 쇼핑몰의 운용방법 |
US20220092651A1 (en) * | 2020-09-23 | 2022-03-24 | Palo Alto Research Center Incorporated | System and method for an automatic, unstructured data insights toolkit |
KR102468827B1 (ko) * | 2022-09-05 | 2022-11-21 | 주식회사 그래마케팅랩 | 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템 |
US20220414719A1 (en) * | 2021-06-28 | 2022-12-29 | Hewlett-Packard Development Company, L.P. | User feedback for product ratings |
-
2023
- 2023-01-09 KR KR1020230002680A patent/KR102609681B1/ko active IP Right Grant
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649519A (zh) * | 2016-10-17 | 2017-05-10 | 北京邮电大学 | 一种产品特征的挖掘与评价方法 |
KR20200107571A (ko) * | 2019-03-08 | 2020-09-16 | 한양대학교 산학협력단 | 상품 평가 기준 생성 방법 및 그 장치 |
KR20210044017A (ko) * | 2019-10-14 | 2021-04-22 | 한양대학교 산학협력단 | 상품 리뷰 다차원 분석 방법 및 그 장치 |
KR20210156562A (ko) | 2020-06-18 | 2021-12-27 | 주식회사 데일리쥬 | 고객의 리뷰 및 피드백을 반영하는 쇼핑몰의 운용방법 |
US20220092651A1 (en) * | 2020-09-23 | 2022-03-24 | Palo Alto Research Center Incorporated | System and method for an automatic, unstructured data insights toolkit |
US20220414719A1 (en) * | 2021-06-28 | 2022-12-29 | Hewlett-Packard Development Company, L.P. | User feedback for product ratings |
KR102468827B1 (ko) * | 2022-09-05 | 2022-11-21 | 주식회사 그래마케팅랩 | 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788036A (zh) * | 2023-12-29 | 2024-03-29 | 广州伯威逊科技有限公司 | 一种基于营销反馈的生产计划管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694257B2 (en) | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history | |
Thorleuchter et al. | Predicting e-commerce company success by mining the text of its publicly-accessible website | |
US20190318407A1 (en) | Method for product search using the user-weighted, attribute-based, sort-ordering and system thereof | |
Aljuhani et al. | A comparison of sentiment analysis methods on Amazon reviews of Mobile Phones | |
CN109241518B (zh) | 一种基于情感分析的检测网络水军方法 | |
CN110163647A (zh) | 一种数据处理方法及装置 | |
Shen et al. | A voice of the customer real-time strategy: An integrated quality function deployment approach | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
KR102609681B1 (ko) | 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치 | |
Park et al. | Spec guidance for engineering design based on data mining and neural networks | |
Anisi et al. | Insights from Dynamic Pricing Scenarios for Multiple-generation Product Lines with an Agent-based Model using Text Mining and Sentiment Analysis | |
Zhang et al. | Solving data-driven newsvendor problem with textual reviews through deep learning | |
Elzeheiry et al. | Sentiment analysis for e-commerce product reviews: Current trends and future directions | |
Srivastava et al. | Supervised semantic analysis of product reviews using weighted k-NN classifier | |
Thorleuchter et al. | Using Webcrawling of Publicly Available Websites to Assess E-commerce Relationships | |
KR20240111294A (ko) | 미리 학습된 평가모델을 이용한 사용자의 피드백 반영 제품계획 결정 장치 | |
KR20220118703A (ko) | 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법 | |
JP2018067215A (ja) | データ分析システム、その制御方法、プログラム、及び、記録媒体 | |
Liu et al. | A new feature selection method for text categorization of customer reviews | |
Aishwarya et al. | Summarization and Prioritization of Amazon Reviews based on multi-level credibility attributes | |
JP2019194793A (ja) | 情報処理装置およびプログラム | |
TWI847119B (zh) | 社群網路社團危機資訊管理之系統、方法以及電腦程式產品 | |
KR20200029647A (ko) | 사용자 개인화에 의한 큐레이터 전자상거래 시스템의 일반화 방법 | |
JP2020154464A (ja) | 推定装置、推定方法及び推定プログラム | |
Shedekar et al. | Enhancing E-Commerce Insights: Sentiment Analysis Using Machine Learning and Ensemble Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |