최근 웹 서비스의 발달과 함께 웹 컨텐츠를 다양하게 활용함으로써, 사용자의 경험을 기반으로 한 개인화 분석이 주목 받고 있다. 기존의 개인화 분석은 주로 데이터베이스의 데이터를 활용한 규칙 및 통계 모형을 기준으로 수행되고 있다. 이에 시장조사 소요기간에 따른 적시성을 반영하는데 어려움이 있었으며, 데이터베이스 적재 데이터가 고객 행동에 대한 결과였기 때문에 고객의 이용 특성을 반영하는데 한계가 지적되어 왔다. 그러나, 최근 고객의 사이트 방문에서부터 방문을 종료할 때까지의 모든 행동을 추적하고 분석하여 개인화된 서비스를 제공하기 위한 많은 연구와 상용화된 기술 개발이 진행되었다. 본 연구에서는 온라인상에서의 고객 행동을 웹 로그 분석을 이용하여 분석함으로써 고객의 행동정보를 U-Score(Usage Score, 이용지수), P-Score(Preference Score, 선호지수), M-Score(Mania Score, 마니아지수) 등 다양한 고객 선호지수를 도출하였다. 이러한 고객의 선호지수를 통해 웹 컨텐츠에 대한 고객의 선호정보를 파악함으로써, 고객에 대한 심도 있는 리포팅과 고객관계관리가 가능하며 개인화 추천 서비스에 유용하게 사용할 수 있다.
최근 웹 서비스의 발달과 함께 웹 컨텐츠를 다양하게 활용함으로써, 사용자의 경험을 기반으로 한 개인화 분석이 주목 받고 있다. 기존의 개인화 분석은 주로 데이터베이스의 데이터를 활용한 규칙 및 통계 모형을 기준으로 수행되고 있다. 이에 시장조사 소요기간에 따른 적시성을 반영하는데 어려움이 있었으며, 데이터베이스 적재 데이터가 고객 행동에 대한 결과였기 때문에 고객의 이용 특성을 반영하는데 한계가 지적되어 왔다. 그러나, 최근 고객의 사이트 방문에서부터 방문을 종료할 때까지의 모든 행동을 추적하고 분석하여 개인화된 서비스를 제공하기 위한 많은 연구와 상용화된 기술 개발이 진행되었다. 본 연구에서는 온라인상에서의 고객 행동을 웹 로그 분석을 이용하여 분석함으로써 고객의 행동정보를 U-Score(Usage Score, 이용지수), P-Score(Preference Score, 선호지수), M-Score(Mania Score, 마니아지수) 등 다양한 고객 선호지수를 도출하였다. 이러한 고객의 선호지수를 통해 웹 컨텐츠에 대한 고객의 선호정보를 파악함으로써, 고객에 대한 심도 있는 리포팅과 고객관계관리가 가능하며 개인화 추천 서비스에 유용하게 사용할 수 있다.
Recently with the development of Web services by utilizing a variety of web content, the studies on user experience and personalization based on web usage has attracted much attention. Majority of personalized analysis are have been carried out based on existing data, primarily using the database an...
Recently with the development of Web services by utilizing a variety of web content, the studies on user experience and personalization based on web usage has attracted much attention. Majority of personalized analysis are have been carried out based on existing data, primarily using the database and statistical models. These approaches are difficult to reflect in a timely mannerm, and are limited to reflect the true behavioral characteristics because the data itself was just a result of customers' behaviors. However, recent studies and commercial products on web analytics try to track and analyze all of the actions from landing to exit to provide personalized service. In this study, by analyzing the customer's click-stream behaviors, we define U-Score(Usage Score), P-Score (Preference Score), M-Score(Mania Score) to indicate variety of customer preferences. With the devised three indicators, we can identify the customer's preferences more precisely, provide in-depth customer reports and customer relationship management, and utilize personalized recommender services.
Recently with the development of Web services by utilizing a variety of web content, the studies on user experience and personalization based on web usage has attracted much attention. Majority of personalized analysis are have been carried out based on existing data, primarily using the database and statistical models. These approaches are difficult to reflect in a timely mannerm, and are limited to reflect the true behavioral characteristics because the data itself was just a result of customers' behaviors. However, recent studies and commercial products on web analytics try to track and analyze all of the actions from landing to exit to provide personalized service. In this study, by analyzing the customer's click-stream behaviors, we define U-Score(Usage Score), P-Score (Preference Score), M-Score(Mania Score) to indicate variety of customer preferences. With the devised three indicators, we can identify the customer's preferences more precisely, provide in-depth customer reports and customer relationship management, and utilize personalized recommender services.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 온라인상에서의 고객 행동을 웹 로그 분석을 이용하여 분석함으로써, 고객의 행동정보를 U-Score(Usage Score, 이용지수), P-Score(Preference Score, 선호지수), M-Score (Mania Score, 마니아지수) 등의 다양한 고객 선호지수로 도출하였다. 그리고 도출된 선호지수들을 실제 적용함으로써, 개발된 선호지수들의 유용성을 실증적으로 검토하였다.
본 연구에서는 선행연구 및 현재 활용되고 있는 개인화 추천기술이 가지는 제한점을 해결할 수 있는 선호지수 추출 방법을 제안한다. 본 연구에서 제안하는 선호지수의 특징은 다음과 같다.
본 연구에서는 온라인 웹 사이트에서 발생하는 Click-stream 데이터를 이용하여, 고객의 다양한 클릭 행동들이 반영된 고객-아이템 선호도를 분석하고자 한다. 이를 위하여 웹 사이트의 URL 패턴을 이용하여 고객 행동을 정의하고, 고객이 각 아이템에 대해 어떤 행동을 했는지를 분석하며, 고객이 각 아이템에 대하여 표현한 선호도를 정량적으로 측정하는 방법을 제시한다.
제안 방법
고객의 아이템 이용현황을 바탕으로 고객의 컨텐츠에 대한 이용 정도를 파악할 수 있는 U-Score와 고객이 이용한 다른 컨텐츠 대비 해당 컨텐츠의 상대적인 선호 정도를 파악할 수 있는 P-Score를 산출한다. 이러한 1차 분석모듈은 개별고객/고객그룹/전체그룹 산출 모듈로 구분되며, 각 모듈을 통하여 개별고객/고객그룹/ 전체고객의 U-Score 및 P-Score를 산출한다.
또한 고객의 아이템에 대한 선호도를 아이템간 또는 고객간 특성 비교가 가능하도록 표현하기 위하여 U-Score(Usage Score, 이용지수), P-Score(Preference Score, 선호지수), M-Score(Mania Score, 마니아지수) 등 다양한 고객 지수를 개발하였다. 그리고 도출된 지수들을 실제 적용 함으로써 개발된 선호지수들의 유용성을 실증적으로 검토하였다.
분석 결과의 직관성을 위하여 <표 1>과 같이 10명의 웹 사이트 고객에 대해 10개 아이템 이용현황을 활용하였다. 또한 고객그룹별 지수산출을 위하여 고객의 성별을 활용하였다.
이를 위하여 웹 사이트의 URL 패턴을 이용하여 고객 행동을 정의하고, 고객이 각 아이템에 대해 어떤 행동을 했는지를 분석하며, 고객이 각 아이템에 대하여 표현한 선호도를 정량적으로 측정하는 방법을 제시한다. 또한 고객의 아이템에 대한 선호도를 아이템간 또는 고객간 특성 비교가 가능하도록 표현하기 위하여 U-Score(Usage Score, 이용지수), P-Score(Preference Score, 선호지수), M-Score(Mania Score, 마니아지수) 등 다양한 고객 지수를 개발하였다. 그리고 도출된 지수들을 실제 적용 함으로써 개발된 선호지수들의 유용성을 실증적으로 검토하였다.
둘째, 컨텐츠 추천 시 추천 대상이 되는 고객을 개별고객, 고객그룹, 전체고객으로 구분함으로써, 마케팅 대상 고객(그룹)에 특화된 컨텐츠 추천이 가능하다. 마지막으로 산출하고자 하는 선호지수를 양적인 선호를 나타내는 U-Score, 질적인 선호도를 나타내는 P-Score, 고객의 특이성향에 따른 선호도를 나타내는 M-Score 등 다양하게 표현하여, 고객 및 컨텐츠의 선호정보를 다각도로 분석 및 이용할 수 있도록 하였다.
본 연구에서 제안하는 웹 사이트 고객의 선호지수는 고객의 웹 사이트 이용정보를 바탕으로 개별 고객, 전체고객, 고객그룹의 컨텐츠에 대한 U-Score와 P-Score를 분석하여 그에 따른 선호정보를 제공한다. 제공되는 U-Score와 P-Score는 고객이 이용한 컨텐츠의 개수와 이용 정도에 따라 다양한 수치로 나타난다.
본 연구에서는 앞서 도출된 선호지수 및 산출과정에 따른 실증분석을 실시하였다. 분석 결과의 직관성을 위하여 <표 1>과 같이 10명의 웹 사이트 고객에 대해 10개 아이템 이용현황을 활용하였다.
본 연구에서는 온라인상에서의 고객 행동을 웹 로그 분석을 이용하여 분석함으로써, 고객의 행동정보를 U-Score(Usage Score, 이용지수), P-Score(Preference Score, 선호지수), M-Score (Mania Score, 마니아지수) 등의 다양한 고객 선호지수로 도출하였다. 그리고 도출된 선호지수들을 실제 적용함으로써, 개발된 선호지수들의 유용성을 실증적으로 검토하였다.
분석 결과의 직관성을 위하여 과 같이 10명의 웹 사이트 고객에 대해 10개 아이템 이용현황을 활용하였다.
분석 모델링 모듈은 선호지수 분석을 위하여 분석 대상의 정보를 계획하고 등록하는 역할을 수행하며, 본 논문에서 제안하는 선호도 분석 모델은 고객행동-고객군-아이템으로 구성된다. 이를 위하여 먼저 URL 표현식을 이용하여 분석 대상 URL을 패턴화하고 추출할 코드를 정의한다.
분석 모델링 모듈은 선호지수 분석을 위하여 분석 대상의 정보를 계획하고 등록하는 역할을 수행하며, 본 논문에서 제안하는 선호도 분석 모델은 고객행동-고객군-아이템으로 구성된다. 이를 위하여 먼저 URL 표현식을 이용하여 분석 대상 URL을 패턴화하고 추출할 코드를 정의한다.
선호지수 분석 모듈은 분석 모델링 모듈에서 전달된 정보를 해석하고 분석하는 역할을 수행한다. 이를 위하여 분석 전처리 단계 및 선호지수 분석 단계를 수행한다. 분석 전처리 단계에서는 분석 모델링 모듈에서 설정된 정보를 읽어와 URL 표현식을 해석하여 사용자가 어떤 행동을 했는지를 인식하고, URL 파라미터에 포함된 아이템 코드 정보를 추출하여 웹 로그와 외부 테이터를 분석에 사용할 수 있는 형태로 변환한다.
본 연구에서는 온라인 웹 사이트에서 발생하는 Click-stream 데이터를 이용하여, 고객의 다양한 클릭 행동들이 반영된 고객-아이템 선호도를 분석하고자 한다. 이를 위하여 웹 사이트의 URL 패턴을 이용하여 고객 행동을 정의하고, 고객이 각 아이템에 대해 어떤 행동을 했는지를 분석하며, 고객이 각 아이템에 대하여 표현한 선호도를 정량적으로 측정하는 방법을 제시한다. 또한 고객의 아이템에 대한 선호도를 아이템간 또는 고객간 특성 비교가 가능하도록 표현하기 위하여 U-Score(Usage Score, 이용지수), P-Score(Preference Score, 선호지수), M-Score(Mania Score, 마니아지수) 등 다양한 고객 지수를 개발하였다.
첫째, 선호지수 추출 시 고객 행동별 가중치를 부여하여, 사이트의 특성 및 특정 행동의 중요성을 반영하였다. 둘째, 컨텐츠 추천 시 추천 대상이 되는 고객을 개별고객, 고객그룹, 전체고객으로 구분함으로써, 마케팅 대상 고객(그룹)에 특화된 컨텐츠 추천이 가능하다.
성능/효과
검토결과 고객 및 고객그룹별 컨텐츠에 대한 상대적인 선호도를 파악하고, 특정 컨텐츠를 선호하는 고객 및 고객그룹을 추출할 수 있었다. 뿐만 아니라 고객별, 컨텐츠 별 컨텐츠에 대한 결과를 비교함으로써 컨텐츠를 적극적으로 이용하는 고객과 롱테일(long- tail) 타겟 고객을 찾아낼 수 있으며, 특정 컨텐츠를 적극적으로 활용하는 중요 고객을 파악할 수 있었다.
첫째, 선호지수 추출 시 고객 행동별 가중치를 부여하여, 사이트의 특성 및 특정 행동의 중요성을 반영하였다. 둘째, 컨텐츠 추천 시 추천 대상이 되는 고객을 개별고객, 고객그룹, 전체고객으로 구분함으로써, 마케팅 대상 고객(그룹)에 특화된 컨텐츠 추천이 가능하다. 마지막으로 산출하고자 하는 선호지수를 양적인 선호를 나타내는 U-Score, 질적인 선호도를 나타내는 P-Score, 고객의 특이성향에 따른 선호도를 나타내는 M-Score 등 다양하게 표현하여, 고객 및 컨텐츠의 선호정보를 다각도로 분석 및 이용할 수 있도록 하였다.
검토결과 고객 및 고객그룹별 컨텐츠에 대한 상대적인 선호도를 파악하고, 특정 컨텐츠를 선호하는 고객 및 고객그룹을 추출할 수 있었다. 뿐만 아니라 고객별, 컨텐츠 별 컨텐츠에 대한 결과를 비교함으로써 컨텐츠를 적극적으로 이용하는 고객과 롱테일(long- tail) 타겟 고객을 찾아낼 수 있으며, 특정 컨텐츠를 적극적으로 활용하는 중요 고객을 파악할 수 있었다.
고객그룹별 M-Score는 수식(8)을 통하여 산출 되며, 그 결과는 <표 6>과 같다. 이를 자세히 살펴보면, 고객그룹별 M-Score는 전체 고객의 해당 아이템 별 U-Score 평균과 고객그룹의 해당 아이템 별 U-Score 평균값을 근거로 도출됨을 알 수 있다. 이는 개별고객과 마찬가지로 고객그룹의 컨텐츠 이용 성향을 파악할 수 있는 자료로써 고객관리 및 마케팅 측면에서 유용한 정보로 활용될 수 있다.
후속연구
이러한 컨텐츠 적극 활용 고객은 컨텐츠 이용과 평가에 큰 영향을 미치는 중요한 고객으로 고객 가치가 높은 것으로 판단할 수 있다. 따라서, 이러한 컨텐츠 적극 활용 고객은 이벤트나 캠페인 안내 메일, 상품평 참여 유도 쿠폰 발행 등의 방법으로 타겟 마케팅에 적극적으로 활용할 것으로 사료된다.
또한 본 연구에서 제시한 다양한 고객-컨텐츠 선호도 지표를 활용한 개인화 추천 시스템 및 추천 기법에 대한 추가적인 연구가 필요할 것으로 보이며, Collaborative Filtering 방식의 추천 시스템을 위한 입력 데이터로 활용될 수 있을 것이다.
이와 같이 본 연구에서 제안하는 선호지수는 고객의 컨텐츠 이용 현황 및 성향을 다양한 지표로 파악할 수 있는 수단을 제공한다. 또한, 웹 사이트를 이용하는 고객의 행동정보를 이용하여 컨텐츠별 다양한 선호 지수를 생성함에 있어서, 정성적인 고객의 성향을 정량적인 지수를 근거로 도출하여 마케터의 의사결정을 지원하고, 사이트의 특성 및 컨텐츠의 중요성에 따른 가중치를 반영함으로써, 고객 관리의 효율성이 향상된 차별화된 마케팅이 가능할 것으로 사료된다.
본 연구의 실증 결과는 제한된 고객 집합의 이용내역을 바탕으로 한 것으로서, 보다 광범위한 데이터 집합을 통한 실증 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
웹 로그는 무엇인가?
웹 로그(web log)란 웹 사이트 방문자들이 제품이나 서비스를 구매하는 과정을 통해 발생하는 데이터이다. 정보획득이나 구매를 목적으로 인터넷 사이트를 방문하는 방문자들은 로그의 형태로 사이트 내에 흔적을 남기는데 이러한 데이터를 기반으로 해서 다양한 정보를 추출해 내는 것이 웹 로그 분석이다[11].
추천 기술의 목적은 무엇인가?
추천 기술은 e-Business에서 개인화 마케팅을 제공하기 위한 유용한 도구중의 하나로써, 고객의 인구통계학정인 정보 및 웹 로그분석, 구매이력 등을 활용하여 특정 고객에 대해 적합한 검색결과 및 상품을 추천하기 위하여 이용된다[7]. 이러한 추천 기술의 목적은 기본적으로 서비스 이용자의 과거 정보를 기반으로 하여 추천 정보를 제공함에 있다[3]. 즉, 서비스 이용자의 특성을 대상으로 하여 이와 관련된 다양한 통계와 분석 및 비교를 통해 개별화 할 수 있는 지식 및 규칙을 찾아내는 과정을 통하여 도출된 결과이다[8].
기존 개인화 서비스의 한계는?
그러나 기존의 개인화 서비스는 시장 조사(Market Search)나 기업이 보유하고 있는 고객의 데이터베이스의 데이터를 활용한 규칙 및 통계 모형을 기준으로 수행되었다. 이에 따라 시장조사 소요 기간에 따른 적시성을 반영하는데 어려움이 있었고, 데이터베이스 적재 데이터가 고객 행동에 대한 결과 정보였기 때문에 고객의 다양한 행동 특성을 반영하는데 어려움이 있었다. 예를 들어, 단순히 구매 기록만을 분석할 경우, 고객이 상품을 구매하는 과정에서 참조했던 다른 상품들에 대한 관심 정보는 반영되지 않는다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.