Earticle

한 상점의 관점에서 어떤 상품을 구매할 가능성이 높은 사용자를 추출하는 타겟 마케팅은 주로 사용자의 인구통계학적 정보를 기준으로 진행되어 왔다. 예를 들어, 20대 여성을 위한 의류 상품 추천, 40-50대 남성을 위한 건강식품 추천 등 나이와 성별을 중심으로 구매할 만한 상품을 추천하는 마케팅이 이루어지고 있다. 그러나 사용자의 인구통계학적 정보에 기반한 타겟 마케팅 방법은 엉뚱한 추천을 하는 등 성과에 있어 여러 문제가 있다. 예를 들어, 아이가 없는 사람에게 아기 기저귀를 추천하는 문제가 발생하는 것이다. 이에 본 연구에서는 사용자 중심 초개인화 추천 시스템의 결과를 그대로 활용하여, 타겟 마케팅을 하는 방법론을 제안하고자 한다. 본 논문은 사용자 중심 초개인화 추천 시스템을 통해 고객이 구매할 가능성이 높은 상품 리스트를 도출한 후 해당 리스트를 상품을 기준으로 교차하여, 상품을 구매할 사용자에게 타겟 마케팅 방법을 소개한다. 울산 지역 배달 및 주문서비스를 제공하고 있는 울산페달의 데이터로 제안된 방법론을 실험하였다. 예를 들어, 사용자 중심 추천 시스템을 통해 추천 상품 리스트를 확인했을 때, 20627번 사용자에게는 A스시집에서 판매하는 생연어초밥을, 27119번 사용자에게는 B카페에서 판매하는 크림카스테라가 추천되고, 이를 상품 기준으로 교차하면, A스시집에서는 생연어초밥을 구매할 가능성이 높은 20627번를 타겟으로 마케팅을 할 수 있고, B카페에서는 크림카스테라 상품을 27119번 사용자로 타겟하여 마케팅할 수 있는 것이다. 이러한 사용자 중심 초개인화 추천 시스템의 쌍대시스템으로서의 타겟 마케팅은 따로 시스템을 개발할 필요가 없다는 점에서 유용하다. 이러한 추천 시스템이 내놓은 정보를 활용하는 것은 사용자가 구매할 만한 상품을 추천하기 때문에, 사용자와 상점 모두에게 이득이 될 수 있는 구조가 있음을 확인하였고, 실제 데이터를 통해 그 구현 가능성을 확인하였다.

자연어 처리 모델 중 Transformer를 활용한 TransformRec은 상품을 하나의 상품명으로 학습하는 기존의 학습방식과 달리, 상품명을 세분화된 토큰 단위로 학습하는 방식을 사용한다. 이러한 방식을 사용하게 되면, 실제로 존재하지 않는 상품명이 도출될 가능성이 있는데, 이렇게 도출된 상품명은 사용자에게 더 적합한 상품의 특성을 가질 수 있으므로, 이를 신상품 개발을 위한 아이디어로 활용할 수 있음을 본 논문에서 새롭게 제시한다. 본 논문은 울산 지역 배달 및 주문서비스를 제공하고 있는 울산페달의 데이터를 학습한 TransformRec을 통해, 새로운 상품 기획 아이디어 도출에 활용될 수 있는 Brainstorming AI방법론을 소개한다. 상품명을 세분화하여 학습하는 자연어 처리 기반의 추천시스템은, ‘닭가슴살 크림 스파게티’를 하나의 상품명으로 학습하는 것이 아니라 ‘닭가슴살’, ‘크림’, ‘스파게티’와 같이 세분화된 토큰 단위로 쪼개어 학습을 한다. 추천시스템의 결과 값 역시 토큰 단위로 산출되며, 토큰이 합쳐진 상품명은 일부 존재하지 않는 상품으로 도출될 수 있다. 예를 들어, 어떤 사용자가 ‘닭가슴살 크림 스파게티’, ‘낙지 비빔밥’, ‘제육덮밥’, ‘햄치즈 토스트’를 구매했다면, 이를 ‘닭가슴살’, ‘크림’, ‘스파게티’, ‘낙지’, ‘비빔밥’, ‘제육’, ‘덮밥’, ‘햄치즈’, ‘토스트’의 세분화된 토큰 단위로 학습하게 된다. 산출 값 역시 토큰 단위로 도출되는데, ‘낙지 크림 스파게티’, ‘제육 토스트’와 같이 실제 존재하지 않는 상품명이 도출될 수 있다. TransformRec의 추천 상품 결과 리스트에서 ‘제육 토스트’ 와 같이 실제로 판매되는 상품이 아닌 경우는 전체 상품 결과 리스트에서 약 12%를 차지하고 있는 것으로 나타났다. 이렇게 도출된 존재하지 않는 상품명들, 즉 새로운 상품명들은 신상품 개발을 위한 아이디어로 활용될 수 있다. 기존 추천시스템 연구가 하나의 모델로 추천이라는 하나의 태스크만을 할 수 있었다면, 본 연구팀은 추천시스템을 통한 타겟마케팅을 연구해왔고, 본 논문은 상품 기획에도 적용이 가능함을 보였다. 실제 데이터를 통해 그 가능성을 확인하였으며, 향후 빈도분석 또는 요약분석과 같은 빅데이터 분석을 통해 실제 신상품 출시에 기여할 수 있을 것이다.

본 논문은 Extrapolative Collaborative Filtering 방법론의 유용성을 컨텐트 추천 분야에서 확인하고자 한다. 컨텐트 서비스들은 개별적으로 운영되고, 그들간의 정보 공유가 이루어지지 않아, 타 서비스를 이용할 경우 다른 서비스에서의 자신의 성향이 반영되지 않는 한계가 있다. 이에 본 연구에서는 다양한 컨텐트 사이트를 이용하는 사용자의 편의를 위해 타 사이트간의 최소한의 협력이 있는 환경에서, 상호적 추천을 하는 Extrapolative Collaborative Filtering (ECF) 방법론이 유용한지를 검증하였다. 이를 위해 공개된 4개의 컨텐트 사이트 데이터셋을 확보하여 실험하였다. 그 결과, 적절한 협력을 하는 경우가 독자적으로 하는 것보다 추천의 성과가 향상될 수 있음을 확인하였다.

스마트 커넥티드 제품에서는 고객이 제품을 사용함 에 따라 발생한 데이터를 Edge Computing으로 구축 된 AI가 처리한다. 앞단에서 발생한 데이터는 기업 의 어플리케이션을 통해 사용자의 동의하에 기업의 데이터센터에 축적된다. 제품들을 통해 각 기업에서 는 센서 데이터 등 다양한 제품 데이터들이 수집 가 능하게 되었지만, 기업에서는 수집된 데이터를 통해 제품의 성능 업그레이드 등 내부 개선에만 사용되고 있다. 본 연구에서는 스마트 커넥티드 제품에서 획 득한 데이터를 기반으로 Data to Money 모델 (D2M) 을 정의하고 데이터 사업 모델의 유형을 6가지로 분 류하였다. D2M은 Card(1983)의 이론을 근거로 하여, Perceptual 모듈, Cognitive 모듈, Action 모듈로 구성하 였다. Perceptual 모듈은 데이터 분석을 통해 상황을 인지하는 모듈이다. Cognitive 모듈은 Perceptual 모듈 에서 인지한 상황을 통해 대응 방법을 결정하는 모 듈로, 고객의 컨텍스트를 유추한다. 마지막으로 Action 모듈은 Perceptual 모듈 또는 Cognitive 모듈의 결과를 기반으로 상황에 근거한 행동을 수행하는 모 듈이다. 본 연구에서는 다양한 비즈니스 문제를 정 의하고, 각 문제에 맞게 D2M을 적용하였고, B2B/B2C 기업, 공공기관 등에 판매하는 비즈니스 모델을 제 시하였으며, 스마트 커넥티드 기업이 AI 기반 O2O 플랫폼 회사로 나아가야 함을 제시하였다.

본 Research-in-Progress는 국제공동기술개발 사업인 스마트카드 가상화(Virtualization of SmartCards) 과제의 연구 과정을 소개한다.