선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 기업들은 고객 데이터베이스를 이용하여 가치 있는 고객들을 발견해 내고 이들 고객에 대한 특성을 찾아냄으로써 보다 유용한 정보로 활용하여 수익을 증대시키는 마케팅 및 비즈니스 전략(business strategy)으로 고객 세분화 분석기법을 활용하고 있다.[5] 본 논문에서는 고객 세분화 RFM 분석 기법과 구매데이터를 기반으로 한 구매 패턴들 간의 연관성을 표현하는 여러 기법들 가운데 장바구니 분석과 관련이 깊은 연관규칙 및 순차패턴 탐사방법에 대해 알아본다.
- 여기서 개인화란 고객 개개인을 대상으로 그에게 적합한 형태로 정보나 아이템을 제공해주는 서비스를 말한다. 이러한 시점에서 본 논문에서는 전자상거래(e-commerce)에서의 고객성향 분석이 가능한 고객 세분화의 RFM 기법과 교차판매(cross-selling)를 위한 연관규칙을 이용한 추천 시스템의 새로운 프레임워크를 제안한다. 또한 이를 통해서 기업 환경이 다변화하고 고객의 니즈가 다원화하는 시점에 기업의 비즈니스 전략 수립 및 고객중심 서비스 기반의 고객관계관리에 효과적인 방법을 제시하여 웹 원투원 마케팅의 실현을 가능하게 하였다.
제안 방법
- 추천에이전트는 첫째 해당 군집에 속한 구매데이터를 기반으로 고객 RFM 점수를 적용하여 추천아이템을 생성한다. 둘째 장바구니 분석을 위한 연관규칙을 적용하여 교차판매를 위한 아이템을 구성한다. 셋째 아이템의 선호도를 계산하여 선호도가 높은 아이템을 TOP-4의 추천 아이템 목록을 생성한다.
- 둘째 고객정보에서 로그인 사용자의 고객성향 분류코드와 고객 RFM 점수를 인지한다. 또한 고객성향 분류코드를 이용하여 군집화 (Clustering)된 집단(Cluster)을 구성하여 고객 RFM 점수에 해당하는 구매데이터를 발췌한다. 추천에이전트는 첫째 해당 군집에 속한 구매데이터를 기반으로 고객 RFM 점수를 적용하여 추천아이템을 생성한다.
- 추천받는 대상이 되는 특정 로그인 사용자와 고객성향이 같은 social data를 통해 사용자 집단을 인구통계학적 변수를 갖는 분류코드(분류코드 : 3211)가 동일한 군집 (clustering)내의 구매데이터를 이용한다. 로그인 사용자와 성향이 같은 분류코드의 Social data에 기반한 초기 추천 아이템을 분모로 하여 4가지 유형의 추천을 제시하여 평가 하였으며, 교차판매를 위한 연관규칙을 적용한 2가지 추천은 첫째 특정 아이템을 포함한 거래 중 두 아이템을 동시에 포함한 경우 비율에 따른 추천과 둘째로 전체 거래 중 두 아이템을 동시에 포함한 경우 비율에 따른 추천으로 구성하여, 실험유형별 추천조건에 따른 실험을 실시하였다.
- 특정 고객 그룹별, RFM 분석에 따른 고객 RFM점수별로 구매촉진을 위해서 비즈니스 전략으로 구매 가능성이 높은 아이템을 추천하기 위해서 교차판매(cross-sell)를 위한 연관규칙을 이용한 연관성 분석 즉 장바구니 분석을 위해 고객 성향이 같은 고객 그룹 내의 구매 데이터를 기반으로 SQL을 통해 추천 아이템 생성이 가능하다. 본 논문에서는 묵시적인 (Implicity)방법을 이용하여 우선 회원가입시 사용자의 social data를 통해 사용자 집단을 인구통계학적 변수 즉 나이, 성별, 직업, 사용자성향을 반영한 고객성향 분류코드 특성에 따라 세분화하는 과정을 통해 사용자정보를 고객성향 분류코드를 부여하여 생성 및 관리한다. 로그인 사용자는 사용자정보를 읽어 로그인 사용자와 같은 고객성향 분류코드를 갖는 사용자 정보내에서 구매이력 정보에서 자신의 속한 군집내의 고객성향 분류코드를 이용하여 군집화(Clustering)된 집단(Cluster)을 구성하고 해당 군집에 속한 구매데이터를 기반으로 고객 RFM 점수를 적용하여 추천아이템을 생성한다.
- 본 논문에서는 실험 데이터를 통해서 추천을 위해서 고객 정보 및 구매정보를 이용하여 데이터 분석과 추천을 위한 RFM점수 분포를 분석 및 실험하였다. 다음은 구매이력데이터를 기반으로 한 RFM 점수 분포를 분석하여 현황을 나타낸 것이다.
- 전자상거래에서의 비즈니스 전략은 고객에 대한 많은 가치를 부여하는 개인화(personalization) 전략으로 전이되고 있다. 본 제안 시스템은 다변화하는 시대에 구매 촉진 방법으로 고객 개인화를 바탕으로 구매 효율성과 추천의 성능을 향상시킬 수 있는 고객 세분화의 RFM기법과 연관규칙을 이용한 개인화된 추천 시스템을 제안한다. 다양한 고객성향에 대한 분석이 가능한 개인화 성향이 높은 social data의 인구통계학적 변수와 묵시적인(Implicity) 방법을 이용하여 고객정보와 구매데이터를 고객집단별로 군집화하고, 구매특성에 따른 RFM점수를 적용한 아이템 추천과 이들 아이템간의 교차판매 및 아이템 추천 효율을 위해 연관 규칙을 적용한 추천 알고리즘을 제안하였으며, 실험 및 평가결과를 통해 본 제안 시스템의 구매 효율성과 추천 효율성의 높은 결과로 추천시스템의 효용성을 얻을 수 있었다.
- 고객의 가치를 평가하는데 가장 널리 사용되는 대표적인 RFM 점수 부여(Scoring) 시스템이다. 세 가지 요소를 기준으로 고객 각각에 대해 점수를 부여하고 세 가지 기준의 가중치를 주어 RFM 점수를 계산한다. 이 RFM 점수를 고객 가치를 평가하는 지표로 삼는 방식이 RFM에 의한 고객 점수 부여 방법이 라고 할 수 있다.
- 고객 691명의 고객 정보와 화장품 아이템 200개를 대상으로 총 구매건수 3444건의 구매데이터의 제안 시스템에 대한 평가는 쇼핑몰을 이용해 본 경험이 있는 고객 691명의 고객 정보와 그리고 현업에서 사용하는 화장품 아이템을 대상으로 그들의 추천 3444건의 구매 데이터를 이용하여 로그인 고객의 고객성향에 맞게 구매데이터를 화장품 대분류 1개, 스킨 케어 중분류 8개, 22개의 카테고리 소분류 200개를 아이템군별로 데이터를 취합하였다. 실험은 특정 로그인 사용자와 고객성향이 같은 분류코드가 적용된 군집(Clustering)데이터 즉 Social data에 기반한 화장품 아이템 추천에서의 RFM 분석에 따른 RFM점수가 적용된 추천의 유효성과 추천된 아이템에 교차판매를 위한 연관규칙을 적용한 2가지 추천의 성능 평가를 포함하여 모두 세 방향으로 진행되었다. 우선 초기 화장품 아이템 추천의 유효성을 실험에 참가한 고객들의 구매데이터와 제시되는 화장품 아이템의 비교를 통해 이루어졌으며, 평가 방법으로는 정보검색 분야에서 보편적으로 사용되는 평가척도인 Precision을 응용하여 사용하였다.
- 이것은 사용자의 구매 경향을 파악하려는 곳에서 많이 쓰이는 방법이다. 장바구니 분석은 항목 집합(item set)들로 이루어진 데이터베이스에서 이들 항목들에 대한 관계성을 분석한다. 연관규칙을 찾기 위하여 일반적으로 지지도(support), 신뢰도(confidence), 향상도(lift)라는 척도를 사용한다.
- 이러한 동시 출현빈도를 찾는 과정은 데이터베이스에서 빈번항목을 추출하는 과정으로서 이 알고리즘은 두가지 단계로 구성된다. 첫 번째 단계 최소 지지도 설정 값에 따라 빈도수가 높은 항목의 집합들을 찾아내고, 이들 집합들 중에서 주어진 신뢰도를 만족하는 연관규칙을 찾아낸다. Apriori 알고리즘은 구매항목이 한 개인 빈번항목들을 먼저 구하고, 그 다음에 이것들을 이용해 구매항목이 두 개인 빈번항목들의 집합을 구하는 방식으로 수행한다.
대상 데이터
- 고객 691명의 고객 정보와 화장품 아이템 200개를 대상으로 총 구매건수 3444건의 구매데이터의 제안 시스템에 대한 평가는 쇼핑몰을 이용해 본 경험이 있는 고객 691명의 고객 정보와 그리고 현업에서 사용하는 화장품 아이템을 대상으로 그들의 추천 3444건의 구매 데이터를 이용하여 로그인 고객의 고객성향에 맞게 구매데이터를 화장품 대분류 1개, 스킨 케어 중분류 8개, 22개의 카테고리 소분류 200개를 아이템군별로 데이터를 취합하였다. 실험은 특정 로그인 사용자와 고객성향이 같은 분류코드가 적용된 군집(Clustering)데이터 즉 Social data에 기반한 화장품 아이템 추천에서의 RFM 분석에 따른 RFM점수가 적용된 추천의 유효성과 추천된 아이템에 교차판매를 위한 연관규칙을 적용한 2가지 추천의 성능 평가를 포함하여 모두 세 방향으로 진행되었다.
- 본 시스템의 구현 및 실험 환경은 윈도우 운영체제 하에서 Apache/PHP/MySQL 웹서버 환경에서 사용하였고 버전은 다음과 같다.
- 소 분류로 실 쇼핑몰에서 사용되는 실 데이터를 중심으로 실험데이터 셋과 테스트 데이터 셋을 구성하였으며, 아래 는 모바일 환경에서 구현한 시스템 화면이다.
- 실험데이터의 목록으로 로그인 고객은 고객 회원정보를 읽어 자신이 속한 분류코드를 이용하여 구매정보에서 군집화 (Clustering)된 집단(Cluster)인지하고 해당 군집화에 속한 고객 691명의 고객 정보와 화장품 아이템 200개를 대상으로 총 구매건수 3,444건의 구매데이터를 이용하여 로그인 고객의 군집성향에 맞게 구매데이터를 화장품 대분류 1개, 스킨케어 중분류 8개, 22개의 카테고리 소분류 200개를 아이템군 별로 데이터를 취합하였다. 실험데이터의 구성은 현재화장품을 전문적으로 판매하는 인터넷 쇼핑몰 P사의 아이템 분류에서 대.중.
- 실험데이터의 목록으로 로그인 고객은 고객 회원정보를 읽어 자신이 속한 분류코드를 이용하여 구매정보에서 군집화 (Clustering)된 집단(Cluster)인지하고 해당 군집화에 속한 고객 691명의 고객 정보와 화장품 아이템 200개를 대상으로 총 구매건수 3,444건의 구매데이터를 이용하여 로그인 고객의 군집성향에 맞게 구매데이터를 화장품 대분류 1개, 스킨케어 중분류 8개, 22개의 카테고리 소분류 200개를 아이템군 별로 데이터를 취합하였다. 실험데이터의 구성은 현재화장품을 전문적으로 판매하는 인터넷 쇼핑몰 P사의 아이템 분류에서 대.
데이터처리
- 실험은 특정 로그인 사용자와 고객성향이 같은 분류코드가 적용된 군집(Clustering)데이터 즉 Social data에 기반한 화장품 아이템 추천에서의 RFM 분석에 따른 RFM점수가 적용된 추천의 유효성과 추천된 아이템에 교차판매를 위한 연관규칙을 적용한 2가지 추천의 성능 평가를 포함하여 모두 세 방향으로 진행되었다. 우선 초기 화장품 아이템 추천의 유효성을 실험에 참가한 고객들의 구매데이터와 제시되는 화장품 아이템의 비교를 통해 이루어졌으며, 평가 방법으로는 정보검색 분야에서 보편적으로 사용되는 평가척도인 Precision을 응용하여 사용하였다.
이론/모형
- 추천에이전트는 첫째 해당 군집에 속한 구매데이터를 기반으로 고객 RFM 점수를 적용하여 추천아이템을 생성한다. 둘째 장바구니 분석을 위한 연관규칙을 적용하여 교차판매를 위한 아이템을 구성한다. 셋째 아이템의 선호도를 계산하여 선호도가 높은 아이템을 TOP-4의 추천 아이템 목록을 생성한다.
성능/효과
- 본 제안 시스템은 다변화하는 시대에 구매 촉진 방법으로 고객 개인화를 바탕으로 구매 효율성과 추천의 성능을 향상시킬 수 있는 고객 세분화의 RFM기법과 연관규칙을 이용한 개인화된 추천 시스템을 제안한다. 다양한 고객성향에 대한 분석이 가능한 개인화 성향이 높은 social data의 인구통계학적 변수와 묵시적인(Implicity) 방법을 이용하여 고객정보와 구매데이터를 고객집단별로 군집화하고, 구매특성에 따른 RFM점수를 적용한 아이템 추천과 이들 아이템간의 교차판매 및 아이템 추천 효율을 위해 연관 규칙을 적용한 추천 알고리즘을 제안하였으며, 실험 및 평가결과를 통해 본 제안 시스템의 구매 효율성과 추천 효율성의 높은 결과로 추천시스템의 효용성을 얻을 수 있었다.
- 중요한 것은 모든 고객에 대해 아이템 제안을 최적화하고 그렇게 함으로써 고객이 받은 제안이 구매자와 판매자 모두에게 최대의 이익을 줄 수 있다는 것이다. 데이터 마이닝 프로세스의 결과로 생성되는 모델은 새로운 제안을 수락할 확률을 예측하게 되며, 고객들의 예측된 확률을 통해 고객 등급을 결정함으로써 새로운 아이템에 대한 최적의 잠재고객을 확인할 수 있게 된다.
- 고객 RFM 점수가 낮을수록 낮은 추천결과임을 알 수 있 었다. 또한 연관규칙을 적용한 추천(1. 2)에서는 고객 RFM 점수가 최고 RFM점수(➁)를 갖는 고객들의 추천과 80점 이상의 RFM점수(➂)를 갖는 고객들의 추천에서 훨씬 높은 추천결과가 나타났다. 이는 고객RFM점수가 최고인 고객과 80점 이상인 고객에서의 추천에서 교차판매를 위한 연관규칙을 적용한 추천에서 더 좋은 추천결과를 얻을 수 있음을 입증 함이라 하겠다.
- 고객별 RFM점수는 전체고객에 대한 RFM점수가 실시간으로 계산 및 관리되며 RFM별 구매현황은 RFM점수 가중치에 기반이 된다고 하겠다. 로그인 사용자와 같은 분류코드 내에서 로그인 사용자와 고객 RFM 점수가 유사한 고객이 구매한 아이템들을 Top-N으로 추천이 가능하며 RFM 점수별 현황을 참조하여 구매 촉진을 위해서 로그인 사용자와 유사한 고객이 구매한 아이템을 대상으로 같은 분류코드 내에서 RFM점수에 따른 고객이 구매한 아이템들을 연관규칙을 이용한 장바구니 분석을 통해서 구매 효율이 높은 아이템에 대한 교차판매를 위한 추천이 가능하다, 또한 RFM점수에 따른 아이템 추천의 경우에 연관규칙을 적용한 방법을 추가했을 때 추천 아이템의 정확률을 높일 수 있다. 다음은 SQL을 통해서 장바구니 분석을 실행한 결과를 정리한 예제이다.
- 본 제안 시스템은 평가자료 기반의 사용자 프로파일 기반의 기존의 방법과 다르게 다양한 개인화 성향과 고객성향 분석이 가능한 RFM기법과 교차판매를 위한 연관규칙을 이용한 추천 시스템에 새로운 프레임워크를 제안함에 큰 의미가 있다. 또한 기업환경이 다변화하고 고객의 니즈가 다원화하는 시점에 기업의 비즈니스 전략 수립 및 고객중심 서비스 기반의 고객관계관리에 효과적인 방법을 제시하며 전자상거래를위한 웹 원투원 마케팅의 실현을 가능하게 하였다.
- 이 경우 교차판매의 효과가 미미함을 알 수 있다고 하겠다. 본 제안시스템에서는 임의 추천보다 RFM분석을 통한 RFM점수에 따른 추천에서 좋은 결과를 얻었으며 특히 연관규칙을 적용했을 경우에 더 높은 추천결과를 얻을 수있었다. 이는 특히 최고 RFM 점수의 추천의 경우에 교차 판매를 위한 비즈니스 전략 수립시 효과적인 결과를 얻을 수 있는 평가임이 입증한 결과라 하겠다.
- 실험유형별 추천조건에 따른 실험결과는 실험유형 A의 연관규칙이 적용되지 않은 추천의 경우에 Precision 측정결과 추천 받는 대상에게 임의로 아이템을 제시하는 것보다 최고 RFM점수(➁)를 갖는 고객들의 추천과 80점 이상의 RFM 점수(➂)를 갖는 고객들의 추천에서 높은 추천결과가 나타났다. 고객 RFM 점수가 낮을수록 낮은 추천결과임을 알 수 있 었다.
후속연구
- 또한 기업환경이 다변화하고 고객의 니즈가 다원화하는 시점에 기업의 비즈니스 전략 수립 및 고객중심 서비스 기반의 고객관계관리에 효과적인 방법을 제시하며 전자상거래를위한 웹 원투원 마케팅의 실현을 가능하게 하였다. 향후과제로는 보다 다양한 산업분야의 실험 및 평가를 통하여 추천시스템의 유용성 테스트가 남아 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.