[논문]반복 구매제품의 재구매시기 예측을 위한 다층퍼셉트론(MLP) 모형과 순환신경망(RNN) 모형의 성능비교

송희석

doi:10.21219/jitam.2017.24.1.111

문제 정의

본 연구에서는 반복 구매제품의 재구매시기 예측을 위해 대표적인 신경망모형인 다층퍼셉트론 (MLP; Multi Layer Perceptron)과 최근 딥러닝으로 각광 받고 있는 순환신경망(RNN; Recurrent Neural Network)을 활용하여 각각 모형을 구성하고 예측 성능을 비교하고자 한다. 본 연구에서는 고객별로 시간에 따른 반복구매 패턴이 존재한다는 것을 전제한다. 다층퍼셉트론 신경망모형은 이전 정보를 기억하는 메카니즘이 없기 때문에 본 연구에서 목표로 하는 반복 구매제품의 재구매시기를 예측할 때 고객별 구매빈도나 간격 패턴만을 학습하여 다음 구매 시기를 예측할 가능성이 높다.
즉 고객의 과거 구매이력을 토대로 고객이 재주문할 시기를 예측하여 정확한 시기에 제품에 대한 프로모션을 보낸다면 경쟁회사로 고객의 유입을 막을 수 있을 뿐 아니라, 고객 주문이 부족할 때 선택적으로 가격할인 등의 쿠폰 프로모션을 실시함으로써 주문의 평준화에도 기여할 수 있다. 본 연구에서는 구매일자와 구매제품으로 구성된 간단한 구매이력 정보만을 활용하여 고객의 재구매시기를 예측하는 모형을 제안하는 것을 목표로 한다. 구매이력 정보만을 활용한 예측 모형은 반복구매가 빈번한 어떤 도메인에서도 적용 가능하기 때문에 범용성이 높다는 장점을 가진다.
본 연구에서는 구매일자와 구매제품으로 구성된 간단한 구매이력 정보만을 활용하여 고객의 재구매시기를 예측하는 신경망 기반의 모형을 제안하고 성능평가를 통해 반복구매 시기예측 응용 분야에서 순환신경망 모형의 우수성을 확인하였다. 프랜차이즈를 포함한 배달음식 비즈니스에서 성공의 두 축은 원가 절감과 매출확대이다.
최근에 구글에서 오픈소스로 공개한 인공지능 라이브러리인 텐서플로(Tensor flow), 뉴욕대(NYU)의 토치(Torch), 캘리포니아대 버클리의 카페(Caffe), 몬트리올대의 시애노(Theano) 등이 기계학습 관련 오픈 소스 라이브러리의 대표적인 예이다. 본 연구에서는 기계학습 분야에서 비교적 폭 넓게 활용되고 있는 시애노 (Theano) 라이브러리[Bastien et al., 2012, http://deeplearning.net/software/theano/tutorial]를 기반으로 순환신경망 모형을 구현하고자 한다. 시애노는 다양한 플래폼 환경의 상용서비스 개발언어로 폭 넓게 사용되고 있는 파이선(Python)언어 기반의 라이브러리이다.
본 연구에서는 반복 구매제품의 재구매시기 예측을 위해 대표적인 신경망모형인 다층퍼셉트론 (MLP; Multi Layer Perceptron)과 최근 딥러닝으로 각광 받고 있는 순환신경망(RNN; Recurrent Neural Network)을 활용하여 각각 모형을 구성하고 예측 성능을 비교하고자 한다. 본 연구에서는 고객별로 시간에 따른 반복구매 패턴이 존재한다는 것을 전제한다.
이에 본 연구에서는 최근 주목받고 있는 딥러닝 기술 중 순환신경망 모형(RNN; Recurrent Neural Network)을 중심으로 고객관계관리 분야에 이를 적용하여 그 유용성을 살펴보기로 한다. 본 연구에서는 프랜차이즈를 포함한 배달음식 도메인에서 고객별 재구매시기를 예측하는 것을 목표로 하며, 연구모형에서 학습할 패턴은 주말 및 평일 구매형, 식사 및 간식 구매형 등의 패턴이 될 것이며 개인별로 학습된 패턴에 기반하여 적절한 구매 시기를 예측하게 된다. 구매 시기 예측에 활용할 데이터마이닝 기법으로는 대표적인 신경망 모형인 다층퍼셉트론(MLP; Multi Layer Perceptron)과 시간 축에 대해 의미를 연결하는 방식에서 탁월한 성능을 자랑하는 순환신경망(RNN; Recurrent Neural Network)을 활용하여 모형화 하고 그 성능을 비교하고자 한다.
[2009]의 연구가 있다. 이들 연구는 순차패턴 마이닝을 확장하여 다양한 소비재 제품 구매에 대한 반복구매 주기를 발견하는데 목표를 두고 있다. 시계열 데이터로 부터 순차패턴 간격을 구하여 다음 구매 시기를 예측하는 이들 방법은 본 연구에서도 일부 활용이 가능하지만 고객 중 구매시점에 있어서 주기성이 뚜렷이 존재하지 않는 경우에는 유용성이 저하될 수 있는 방법이라 할 수 있다.
딥러닝은 기존 신경망의 계층을 보다 깊이 설계한 것으로 자율주행, 문자인식, 자연어 처리 등에서 좋은 성능을 나타내고 있으나 아직 딥러닝을 기업경영에 응용한 연구는 부족한 상황이다. 이에 본 연구에서는 최근 주목받고 있는 딥러닝 기술 중 순환신경망 모형(RNN; Recurrent Neural Network)을 중심으로 고객관계관리 분야에 이를 적용하여 그 유용성을 살펴보기로 한다. 본 연구에서는 프랜차이즈를 포함한 배달음식 도메인에서 고객별 재구매시기를 예측하는 것을 목표로 하며, 연구모형에서 학습할 패턴은 주말 및 평일 구매형, 식사 및 간식 구매형 등의 패턴이 될 것이며 개인별로 학습된 패턴에 기반하여 적절한 구매 시기를 예측하게 된다.

제안 방법

[2014]은 TV 프로그램 추천시기에 대한 모형을 제시하고 추천기를 개발한 바 있는데 이 연구에서는 프로그램을 보기 시작한 시간, 프로그램을 시청한 시간이 사용자의 TV 프로그램에 대한 선호도에 영향을 미친다는 것을 발견하였다. TV 프로그램 시청 시작시간과 시청지속시간에 따른 TV 프로그램을 끝까지 볼 확률을 모형링하고 이를 사용자의 TV 프로그램의 선호도에 곱하여 시간에 따른 TV 프로그램 선호도를 구하였다. 이후 추천을 시도할 때 사용자가 현재 보고 있는 TV 프로그램 보다 시간에 따른 선호도가 높은 TV 프로그램이 존재할 때만 추천을 진행하였다.
출력노드는 8주차의 구매패턴에 해당하는 것으로 평일식사, 평일간식, 주말식사, 주말간식의 4개 노드로 구성된다. 각각의 입력노드는 해당 주차에 해당 목적으로 구매한 바가 있으면 1, 그렇지 않으면 0으로 코딩하였으며, 출력 노드의 출력 값에 대한 해석 또한 0.5를 기준으로 이보다 큰 값이 출력되면 1, 작거나 같은 값이 출력되면 0으로 변환하여 예측정확도를 평가하였다. 실험에 사용된 신경망 모형은 과잉적합(Overfitting)을 완화하기 위해 정규화 항목(Regularization term)을 손실함수에 추가하여 프로그래밍하였으며, 학습률(Learning rate)은 0.
본 연구에서는 프랜차이즈를 포함한 배달음식 도메인에서 고객별 재구매시기를 예측하는 것을 목표로 하며, 연구모형에서 학습할 패턴은 주말 및 평일 구매형, 식사 및 간식 구매형 등의 패턴이 될 것이며 개인별로 학습된 패턴에 기반하여 적절한 구매 시기를 예측하게 된다. 구매 시기 예측에 활용할 데이터마이닝 기법으로는 대표적인 신경망 모형인 다층퍼셉트론(MLP; Multi Layer Perceptron)과 시간 축에 대해 의미를 연결하는 방식에서 탁월한 성능을 자랑하는 순환신경망(RNN; Recurrent Neural Network)을 활용하여 모형화 하고 그 성능을 비교하고자 한다.
005로 설정하였으며, 손실함수의 값이 직전 반복 때 보다 높아지면 학습률을 반으로 줄여나가는 방식으로 학습을 진행하였다. 다층퍼셉트론 신경망에서와 같이 각 예측은 1주에서 7주까지의 구매패턴 데이터를 입력하고, 마지막 8주차(t = 8)의 예측정확도를 계산하였다. BPTT에서는 가중치 갱신을 위한 경사도 계산 시, 어느 단계까지 경사정보를 전파할 것인지를 제한할 수 있는데 이때 사용되는 파라미터가 BPTT Truncate이다.
또한 최소 한 번 이상 구매할 것으로 예측된 고객 중 실제 한 건도 구매하지 않은 고객의 경우, 해당 프로모션 문자를 스팸으로 인식할 가능성이 높다. 따라서 본 연구에서는 전자를 정밀도(Precision), 후자를 스팸률 (Spam)로 정의하여 추천품질을 평가하는 척도로 사용하기로 한다. 아래 식은 정밀도와 스팸률을 측정하기 위한 식이다.
Glorot and Bengio[2010] 연구에서는 경사 사라짐 문제를 피하기 위한 초기화 방법으로 n이 이전 계층 (Layer) 에서부터 들어오는 연결 수라고 할 때 [−1/√n, 1/√n] 구간에서 랜덤으로 정하는 것이 좋다고 하였다. 따라서 본 연구에서도 이 방식을 적용하여 연결가중치에 대한 초기화를 수행하기로 한다. 손실함수는 교차 엔트로피 손실함수를 사용한다.
구해진 최종출력에 대한 오류값을 역전파시킴으로써 모든 하위층 은닉노드의 오류값을 구한다(Step 4). 마지막으로 계층별로 구해진 오류값과 이전계층에서 전방향으로 계산된 활성함수 값을 곱하여 가중치 갱신에 필요한 최종 경사(Gradient)를 계산한다.
본 연구에서 구매패턴은 다음 기간에 구매가 예상되는 고객에게 제공될 프로모션의 종류를 고려하여 결정하였다. 즉 본 연구는 배달음식 도메인의 재구매시기 예측을 목표로 하고 있기 때문에 위 식에서 각 기간(Period)은 주 단위로 설정하고 구매패턴은 주중, 주말로 일차 구분하고 점심 또는 저녁 같은 식사용으로 구매하는지 주간 또는 야간의 간식용으로 구매하는지로 세분하여 구매패턴을 구성하였다.
본 연구에서는 신경망의 예측정확도를 구하기 위해 실제 고객이 T기에 구매한 패턴(yt )과 신경망을 통해 T기에 예측된 구매패턴(ot)이 일치하면 정분류로 판단하여 정분류율을 예측정확도로 사용하기로 한다.
[Table 4]는 순환신경망(RNN)에 의한 구매 패턴 예측결과로 예측정확도를 생성타입별로 보여주고 있다. 실험에 사용된 순환신경망모형은 초기 학습률을 0.005로 설정하였으며, 손실함수의 값이 직전 반복 때 보다 높아지면 학습률을 반으로 줄여나가는 방식으로 학습을 진행하였다. 다층퍼셉트론 신경망에서와 같이 각 예측은 1주에서 7주까지의 구매패턴 데이터를 입력하고, 마지막 8주차(t = 8)의 예측정확도를 계산하였다.
실험에 사용된 신경망 모형은 과잉적합(Overfitting)을 완화하기 위해 정규화 항목(Regularization term)을 손실함수에 추가하여 프로그래밍하였으며, 학습률(Learning rate)은 0.01로 설정하여 학습을 진행하였다.
이는 실제 구매이력 데이터를 입력자료로 사용했을 경우 파악하기 어려운 부분이다. 실험용 데이터 셋을 구성하기 위해 다음과 같은 방법으로 여덟 가지의 생성타입을 정의하고 타입별 100개의 랜덤 레코드를 발생시켜 총 800명에 대한 8주간의 구매이력 데이터 셋을 마련하기로 한다. 실험을 위해 데이터를 무작위로 구분하여 60%는 학습용으로 40%는 테스트용 데이터로 구분하고 실험을 진행한다.
실험용 데이터 셋을 구성하기 위해 다음과 같은 방법으로 여덟 가지의 생성타입을 정의하고 타입별 100개의 랜덤 레코드를 발생시켜 총 800명에 대한 8주간의 구매이력 데이터 셋을 마련하기로 한다. 실험을 위해 데이터를 무작위로 구분하여 60%는 학습용으로 40%는 테스트용 데이터로 구분하고 실험을 진행한다.
[Table 3]은 다층퍼셉트론(MLP) 신경망에 의한 예측결과로 여덟번째 주의 구매패턴에 대한 예측정확도를 생성타입별로 보여주고 있다. 예측에 사용된 신경망 모형은 입력, 은닉, 출력층으로 구성된 3계층 구조의 신경망으로 28개의 입력노드와 4개의 출력노드로 구성하였다. 각각의 입력노드는 주차별로 평일식사, 평일간식, 주말식사, 주말간식의 4개 노드를 포함하며 총 7주간의 구매패턴을 활용했기 때문에 28개의 입력 노드로 구성된다.
먼저 반복구매제품의 재구매시기 예측을 위해 제안한 다층퍼셉트론의 구조는 [Figure 4]와 같다. 예측에 사용할 다층퍼셉트론 모형은 3계층 구조의 신경망으로 입력노드, 출력노드, 은닉노드로 구성된다. 각 입력노드는 주차별로 평일식사, 평일간식, 주말식사, 주말간식의 4개 노드를 포함하며 총 T-1기까지의 구매이력을 활용하여 T기의 구매여부를 예측하는 방식으로 설계했기 때문에 (T-1)×4개의 입력노드로 구성된다.
가구나 고가 전자제품의 경우, 처음에는 가격이 높지만 시간이 가면서 가격이 하락하는 경향이 있는 반면에 고객은 신제품을 남들보다 먼저 구매함으로써 얻는 만족감이 동시에 존재하기 때문에 가격과 선구매에 대한 만족이라는 혜택이 상충관계에 있게 된다. 이 연구에서는 가격과 고객의 선구매에 대한 혜택을 변수로 하여 시간에 따른 고객의 효용함수를 구성하여 최적의 구매시기를 결정하는 모형을 제안한 바 있다. 한편 Oh et al.
주문 수량의 평준화와 동시에 경쟁사로의 고객 유출을 방지하고 반복구매를 촉진하기 위한 방법은 정확한 시기에 적절한 제품을 추천하는 것이다.이를 위해 본 연구에서는 고객의 과거 구매이력을 토대로 고객이 재주문할 시기를 예측하는 순 환신경망 기반의 개인화된 구매패턴 예측모형을 제안하였다. 제안한 모형을 바탕으로 주문수량이 부족할 때 해당시기에 구매할 것으로 예측된 고객에게 프로모션을 제공한다면 주문의 평준화가 가능하게 되며 매출확대 효과를 얻을 수 있다.
TV 프로그램 시청 시작시간과 시청지속시간에 따른 TV 프로그램을 끝까지 볼 확률을 모형링하고 이를 사용자의 TV 프로그램의 선호도에 곱하여 시간에 따른 TV 프로그램 선호도를 구하였다. 이후 추천을 시도할 때 사용자가 현재 보고 있는 TV 프로그램 보다 시간에 따른 선호도가 높은 TV 프로그램이 존재할 때만 추천을 진행하였다. 상기 두 연구는 공히 추천시기 결정을 대상으로 하는 연구이지만 내구재와 TV 프로그램 등 다른 아이템을 대상으로 하고 있으며, 아이템의 특성과 추천 목적이 다르기 때문에 본 연구에서와 같이 음식이나 기호식품의 재구매시기 예측에는 직접적으로 이용하기가 어렵다.
본 연구에서 구매패턴은 다음 기간에 구매가 예상되는 고객에게 제공될 프로모션의 종류를 고려하여 결정하였다. 즉 본 연구는 배달음식 도메인의 재구매시기 예측을 목표로 하고 있기 때문에 위 식에서 각 기간(Period)은 주 단위로 설정하고 구매패턴은 주중, 주말로 일차 구분하고 점심 또는 저녁 같은 식사용으로 구매하는지 주간 또는 야간의 간식용으로 구매하는지로 세분하여 구매패턴을 구성하였다. 이는 주문 평준화(Balancing)를 위해 주문이 뜸한 주중에 오퍼할 프로모션과 주문이 몰리는 주말에 오퍼할 프로 모션이 다를 수 있으며, 적합한 칼로리의 메뉴를 오퍼하기 위해 식사용인지 간식용인지를 구분할 필요가 있기 때문이다.
본 연구에서는 신경망의 예측정확도를 구하기 위해 실제 고객이 T기에 구매한 패턴(y_t )과 신경망을 통해 T기에 예측된 구매패턴(o_t)이 일치하면 정분류로 판단하여 정분류율을 예측정확도로 사용하기로 한다. 한편, 본연구에서 제안한 추천시스템은 최소 한번 이상 구매할 것으로 예측된 고객([Table 1]에서 구매패턴 1을 제외한 나머지 패턴)을 대상으로 적합한 시기에 적절한 프로모션을 제공하는 형태로 추천이 이루어진다. 즉 T기에 한건도 구매하지 않을 것으로 예상되는 고객에게는 별도의 프로모션이 제공되지 않는다.

대상 데이터

시애노 사용의 또 다른 장점은 경사를 구하기 위한 grad( ) 함수를 제공하기 때문에 복잡한 미분식을 직접 구현할 필요가 없어서 실험의 신속 정확성을 기할 수 있다. 본 실험에서 사용된 운영체제는 윈도우7이다.
본 연구에서는 랜덤으로 발생된 인공 데이터를 이용하여 실험용 데이터셋을 구성하기로 한다. 입력자료의 패턴(생성타입)을 몇 가지로 정의하여 생성타입별로 인공 데이터를 발생시킨 후 다음기간의 구매패턴이 무엇이 될지를 예측하는 방법을 택하게 되면, 각 신경망 별로 생성타입별 구매패턴 예측성능을 파악할 수 있다는 장점이 있다.

이론/모형

특정 고객의 구매패턴을 하나의 학습 데이터로 입력하고, 총 손실 값은 매 시간 스텝마다의 손실의 총 합으로 계산한다. 학습 알고리듬은 앞에서 제시된 확률적 경사하강법(Stochastic Gradient Descent)에 기반한 BPTT알고리듬을 적용한다.

성능/효과

409)로 가장 높은 정확도를 보여주었다. 결국 다층퍼셉트론보다는 순환신경망모형의 예측정확도가 우수함을 알 수 있었다. 순환신경망 예측결과에서 생성타입별로 예측정확도를 비교하면, 다층퍼셉트론 신경망에서와 같이 구매빈도가 상대적으로 높은 생성타입에서 예측정확도가 높게 나타났다.
128)이 가장 우수한 것으로 나타났다. 다층퍼셉트론과 순환신경망의 예측품질을 비교하면 정밀도 측면에서는 순환신경망의 품질이 다층퍼셉트론신경망에 비해 약간 우수한 것으로 나타났으나 스팸률 측면에서는 절반에 가까운 매우 우수한 성능을 보여주었다. [Figure 6]은 우수 모형에 대한 예측품질을 비교하여 보여주고 있다.
01로 설정하여 학습을 진행하였다. 다층퍼셉트론모형의 구매패턴에 대한 예측정확도 평가결과, 은닉노드의 수와 훈련 반복횟수가 많을수록 훈련데이터의 예측정확도는 높았으나, 테스트 데이터에서의 예측정확도는 과잉적합으로 인해 낮아지는 결과를 보여주었다(모형 9). 테스터 데이터에 적용한 결과,가장 높은 예측정확도를 나타낸 모형은 모형 1(은닉 = 100, 반복 = 5,000)로 예측정확도가 34.
보다 세부적으로 생성타입별로 예측품질을 비교하면 다음과 같다. 먼저 정밀도 측면에서 가장 우수한 다층퍼셉트론모형 5와 순환신경망모형 3을 비교해 보면, 다층퍼셉트론의 경우 T2(0.364) 와 T5(0.333)에서 정밀도가 우수했으나, 순환신경망의 경우 T7(0.667)에서 우수한 정밀도를 보여주었다. 스팸률 측면에서 가장 우수한 다층퍼셉트론 모형 8과 순환신경망 모형 7을 비교해 보면, 다층퍼셉트론의 경우 T4(0.
이때 설정된 BPTT Truncate 기간까지만 거슬러 올라가면서 경사도값을 계산하게 되며, 결과적으로 이 기간까지의 구매패턴만을 t기의 구매를 예측하는데 반영하게 된다. 본 실험에서는 다양한 기간에 걸쳐 경사도를 계산해 보았으나 대체로 최근 3주 전까지 구매패턴을 반영하여 경사도를 계산한 경우 (BPTT Truncate = 3)에서 예측 정확도가 높게 나타났다. 제시한 순환신경망을 테스트 데이터에 적용한 예측정확도는 모형 7(은닉 = 30, 반복= 80, 역전파 = 3)에서 40.
순환신경망 예측결과에서 생성타입별로 예측정확도를 비교하면, 다층퍼셉트론 신경망에서와 같이 구매빈도가 상대적으로 높은 생성타입에서 예측정확도가 높게 나타났다. 생성타입 측면에서 다층퍼셉트론과 순환신경망의 예측결과를 비교하면, T4의 경우 다층퍼셉트론보다는 순환신경망을 활용할 경우 예측정확도가 현저히높게 나타났다. T4는 시간에 따라 점진적으로 감소하는 구매패턴으로 이는 순환신경망이 시간에 의존하는 데이터를 다층퍼셉트론보다 잘 구분하여 예측할 수 있음을 보여주고 있다.
7%로 나타났다. 생성타입별로 테스트 데이터의 예측정확도를 살펴보면, T1과 같이 구매빈도가 상대적으로 높은 생성타입에서 예측정확도가 높게 나타났으며 T2와 같이 구매빈도가 희박한 데이터에서는 예측정확도가 낮게 나타나는 것을 확인할 수 있다.
333)을 보여주었다. 순환신경망 모형 중에서는 모형 3의 정밀도(0.250)가 가장 우수하였고, 모형 7의 스팸률(0.128)이 가장 우수한 것으로 나타났다. 다층퍼셉트론과 순환신경망의 예측품질을 비교하면 정밀도 측면에서는 순환신경망의 품질이 다층퍼셉트론신경망에 비해 약간 우수한 것으로 나타났으나 스팸률 측면에서는 절반에 가까운 매우 우수한 성능을 보여주었다.
결국 다층퍼셉트론보다는 순환신경망모형의 예측정확도가 우수함을 알 수 있었다. 순환신경망 예측결과에서 생성타입별로 예측정확도를 비교하면, 다층퍼셉트론 신경망에서와 같이 구매빈도가 상대적으로 높은 생성타입에서 예측정확도가 높게 나타났다. 생성타입 측면에서 다층퍼셉트론과 순환신경망의 예측결과를 비교하면, T4의 경우 다층퍼셉트론보다는 순환신경망을 활용할 경우 예측정확도가 현저히높게 나타났다.
667)에서 우수한 정밀도를 보여주었다. 스팸률 측면에서 가장 우수한 다층퍼셉트론 모형 8과 순환신경망 모형 7을 비교해 보면, 다층퍼셉트론의 경우 T4(0.737)에서 가장 스팸률이 높았으나 순환신경망의 경우 T7(0.400)에서 가장 높은 스팸률을 보여주었다.
본 실험에서는 다양한 기간에 걸쳐 경사도를 계산해 보았으나 대체로 최근 3주 전까지 구매패턴을 반영하여 경사도를 계산한 경우 (BPTT Truncate = 3)에서 예측 정확도가 높게 나타났다. 제시한 순환신경망을 테스트 데이터에 적용한 예측정확도는 모형 7(은닉 = 30, 반복= 80, 역전파 = 3)에서 40.9%(0.409)로 가장 높은 정확도를 보여주었다. 결국 다층퍼셉트론보다는 순환신경망모형의 예측정확도가 우수함을 알 수 있었다.
다층퍼셉트론모형의 구매패턴에 대한 예측정확도 평가결과, 은닉노드의 수와 훈련 반복횟수가 많을수록 훈련데이터의 예측정확도는 높았으나, 테스트 데이터에서의 예측정확도는 과잉적합으로 인해 낮아지는 결과를 보여주었다(모형 9). 테스터 데이터에 적용한 결과,가장 높은 예측정확도를 나타낸 모형은 모형 1(은닉 = 100, 반복 = 5,000)로 예측정확도가 34.7%로 나타났다. 생성타입별로 테스트 데이터의 예측정확도를 살펴보면, T1과 같이 구매빈도가 상대적으로 높은 생성타입에서 예측정확도가 높게 나타났으며 T2와 같이 구매빈도가 희박한 데이터에서는 예측정확도가 낮게 나타나는 것을 확인할 수 있다.

후속연구

한편 본 연구에서는 인공적으로 생성된 데이터를 이용하여 실험을 진행하였으나 향후 실제 구매이력 데이터를 사용하여 제안한 모형의 예측 품질을 평가하고 추가적인 특징을 유도하여 데이터 희박성 문제를 극복하기 위한 노력도 필요할 것이다. 또한 다양한 아키텍처의 신경망을 설계하여 성능을 비교하는 것도 보다 높은 예측 품질을 확보하는데 필요할 것이다.
또한 반복 구매 주기가 짧은 고객은 비용보다는 신제품 등 제품 특성을 중시하는가 하면 반복구매 주기가 긴 고객은 비용을 중시 여기는 경향이 있다는 기존 연구를 토대로 [Bayus, 1991] 반복구매 주기에 따라 신제품이나 기존제품에 대한 다양한 프로모션을 제공할 수도 있을 것이다.
또한 치열한 경쟁상황에서 고객이 해당 제품과 서비스를 필요로 할 때 적절한 프로모션을 제공함으로써 경쟁회사로의 고객 유출을 방지하고 자사로의 반복구매를 유도하게 되는 효과를 얻을 수 있다. 반복구매를 유도하기 위한 효과적인 프로모션 전략으로 평일과 주말의 제품별 고객선호도 또는 주문수량에 기반하여 다른 프로모션을 제공하는 방법을 고려할 수 있으며, 식사용 인지 간식용인지에 따라 적합한 영양 칼로리의 제품을 프로모션 할 수 있을 것이다. 또한 반복 구매 주기가 짧은 고객은 비용보다는 신제품 등 제품 특성을 중시하는가 하면 반복구매 주기가 긴 고객은 비용을 중시 여기는 경향이 있다는 기존 연구를 토대로 [Bayus, 1991] 반복구매 주기에 따라 신제품이나 기존제품에 대한 다양한 프로모션을 제공할 수도 있을 것이다.
구매이력 정보만을 활용한 예측 모형은 반복구매가 빈번한 어떤 도메인에서도 적용 가능하기 때문에 범용성이 높다는 장점을 가진다. 제안된 모형은 모바일 SMS 또는 스마트폰용 앱을 기반으로 한 푸쉬 방식의 쿠폰 프로모션을 포함한 고객관계관리(CRM) 시스템을 구축하는 데 활용될 수 있다.
이를 위해 본 연구에서는 고객의 과거 구매이력을 토대로 고객이 재주문할 시기를 예측하는 순 환신경망 기반의 개인화된 구매패턴 예측모형을 제안하였다. 제안한 모형을 바탕으로 주문수량이 부족할 때 해당시기에 구매할 것으로 예측된 고객에게 프로모션을 제공한다면 주문의 평준화가 가능하게 되며 매출확대 효과를 얻을 수 있다. 또한 치열한 경쟁상황에서 고객이 해당 제품과 서비스를 필요로 할 때 적절한 프로모션을 제공함으로써 경쟁회사로의 고객 유출을 방지하고 자사로의 반복구매를 유도하게 되는 효과를 얻을 수 있다.
[2014]의 연구에서도 반복 구매제품의 추천에 있어서 타이밍과 관련된 연구가 아직 초기단계에 있음을 지적하고 있다. 즉 고객의 과거 구매이력을 토대로 고객이 재주문할 시기를 예측하여 정확한 시기에 제품에 대한 프로모션을 보낸다면 경쟁회사로 고객의 유입을 막을 수 있을 뿐 아니라, 고객 주문이 부족할 때 선택적으로 가격할인 등의 쿠폰 프로모션을 실시함으로써 주문의 평준화에도 기여할 수 있다. 본 연구에서는 구매일자와 구매제품으로 구성된 간단한 구매이력 정보만을 활용하여 고객의 재구매시기를 예측하는 모형을 제안하는 것을 목표로 한다.
[2015]는 그로서리 소매상을 대상으로 아이템에 대한 고객의 선호도만이 아니라, 아이템별 가격할인에 따른 민감도와 고객별 가격할인에 따른 민감도 정보를 결합하여 추천을 하는 맞춤형 베이시안 추천기(Bayesian Personalized Ranking : BPR)를 제안한 바 있다. 한편 본 연구에서는 인공적으로 생성된 데이터를 이용하여 실험을 진행하였으나 향후 실제 구매이력 데이터를 사용하여 제안한 모형의 예측 품질을 평가하고 추가적인 특징을 유도하여 데이터 희박성 문제를 극복하기 위한 노력도 필요할 것이다. 또한 다양한 아키텍처의 신경망을 설계하여 성능을 비교하는 것도 보다 높은 예측 품질을 확보하는데 필요할 것이다.
향후 연구로써 고객별로 제공된 프로모션에 대한 반응이 피드백 되어 누적되면 보다 맞춤화된 프로모션을 설계할 수 있을 뿐 아니라 프로모션 반응률을 본 연구에서 제안한 예측모형의 입력 자료로 활용함으로써 예측 품질을 높일 수 있을 것이다. 이와 관련하여 Sato et al.

핵심어	질문	논문에서 추출한 답변
	구매이력 정보만을 활용한 예측 모형의 장점은 무엇인가?	본 연구에서는 구매일자와 구매제품으로 구성된 간단한 구매이력 정보만을 활용하여 고객의 재구매시기를 예측하는 모형을 제안하는 것을 목표로 한다. 구매이력 정보만을 활용한 예측 모형은 반복구매가 빈번한 어떤 도메인에서도 적용 가능하기 때문에 범용성이 높다는 장점을 가진다. 제안된 모형은 모바일 SMS 또는 스마트폰용 앱을 기반으로 한 푸쉬 방식의 쿠폰 프로모션을 포함한 고객관계관리(CRM) 시스템을 구축하는 데 활용될 수 있다.
	시계열 데이터를 사용하는 마이닝 기법들은 어떠한 기법인가?	한편 시계열 데이터만을 사용하여 고객의 재구매 시기를 예측하는 연구 중 가장 활발하게 연구되는 분야로 주기적 패턴 마이닝(Periodic pattern mining), 순차패턴 마이닝(Sequential pattern mining),그리고 순환패턴 마이닝(Cyclic pattern mining) 등이 있다. 이들은 시계열로 수집된 이벤트 데이터로부터 주기성이나 순차패턴 또는 순환패턴을 발견하는 데이터마이닝 기법들이다. 이들 기법 중 본 연구에서와 같이 순차패턴에서 이벤트 간 시간 간격을 발견하는데 초점을 둔 연구로는 Chiang et al.
	구매이력 정보만을 활용한 예측 모형이 범용성이 높은 이유는 무엇인가?	본 연구에서는 구매일자와 구매제품으로 구성된 간단한 구매이력 정보만을 활용하여 고객의 재구매시기를 예측하는 모형을 제안하는 것을 목표로 한다. 구매이력 정보만을 활용한 예측 모형은 반복구매가 빈번한 어떤 도메인에서도 적용 가능하기 때문에 범용성이 높다는 장점을 가진다. 제안된 모형은 모바일 SMS 또는 스마트폰용 앱을 기반으로 한 푸쉬 방식의 쿠폰 프로모션을 포함한 고객관계관리(CRM) 시스템을 구축하는 데 활용될 수 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

반복 구매제품의 재구매시기 예측을 위한 다층퍼셉트론(MLP) 모형과 순환신경망(RNN) 모형의 성능비교
Comparison of Performance between MLP and RNN Model to Predict Purchase Timing for Repurchase Product 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

반복 구매제품의 재구매시기 예측을 위한 다층퍼셉트론(MLP) 모형과 순환신경망(RNN) 모형의 성능비교 Comparison of Performance between MLP and RNN Model to Predict Purchase Timing for Repurchase Product 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

반복 구매제품의 재구매시기 예측을 위한 다층퍼셉트론(MLP) 모형과 순환신경망(RNN) 모형의 성능비교
Comparison of Performance between MLP and RNN Model to Predict Purchase Timing for Repurchase Product 원문보기

AI 본문요약
AI-Helper