‍이건호[학생](대학원 빅데이터응용학과)

이경전 , 정백 , 김수현 , 이건호 , 백태훈. (2022). 자연어 처리 기반의 추천시스템을 활용한 Demand Forecasting및 Trend Forecasting 방법론. 한국지능정보시스템학회 추계학술대회.

Abstract

추천시스템을 통해 추천된 Product들은 User가 구매할 확률이 높은 Product를 예측하여 추천하는 것으로, 인공지능 시스템이 도출한 미래 예측 데이터로 볼 수 있다. AI System Output으로써 추천된 Product를 빈도분석한다면 상품별 수요 예측이 가능할 것이다. 또한, Product명을 자연어를 그대로 학습시킨 자연어 처리 기반의 추천시스템을 활용한다면, AI System Output의 추천된 Product명을 의미 있는 단어로 수동 필터링하여 상품 구매 트렌드를 예측할 수 있을 것이다. 본 연구에서는 Product명을 학습할 수 있도록, Product명 확인이 가능한 결제사 데이터를 사용하였다. 그리고 User가 구매한 Product명을 학습하는 자연어 처리 기반의 추천시스템으로, 미래 예측 데이터를 도출하여 Demand Forecasting 및 Trend Forecasting 방법론을 실험하였다. 먼저, 데이터를 1년 단위, 월 간격으로 학습하여 월단위로 미래 예측 데이터를 도출하였다. 21년 6월부터 22년 5월 데이터를 활용한 추천시스템의 결과는 22년 6월 구매 예측 데이터로, 21년 7월부터 22년 6월 데이터를 활용한 추천시스템의 결과는 22년 7월 구매 예측 데이터로 볼 수 있다. 이처럼 월단위로 도출된 상품별 구매 예측 데이터를 빈도분석을 하여 Demand Forecasting으로 적용할 수 있다. 예를 들어, 신제품으로 출시된‘숯불순살치킨’의 미래 예측 데이터로 빈도분석 할 때, 6월 구매 측 8건, 7월 12건, 8월 14건으로 수요를 예측할 수 있고, 이는 신제품에 대한 수요가 점차 증가될 것이라고 판단할 수 있다. 또한, 자연어 처리 방식으로 학습하고 도출된 Product명을 의미 있는 단어로 필터링하여 검색할 경우, Trend Forecasting으로 적용할 수 있다. 예를 들어, 여름철 상품 트렌드 분석을 위해 ‘ICE’ 또는 ‘아이스’가 들어간 상품을 필터링 하여, 미래 예측 데이터를 빈도분석한 결과, 6월 32건, 7월 57건, 8월 60건으로 더운 여름철 점차 아이스와 관련된 상품의 수요가 증가하는 것을 확인할 수 있었다. 지금까지의 추천시스템은 대부분 B2C의 Personalized Recommender System으로써 User에게 상품을 추천하는 시스템으로만 사용되어왔다. 그러나 본 연구에서는 추천된 Product를 AI System Output으로 빈도분석하여, B2B Service의 Demand Forecasting 및 Trend Forecasting으로도 활용이 가능함을 확인하였다. 특히, Product명을 그대로 학습하는 자연어 처리 기반 시스템은, Product명을 의미 있는 단어로 분석하여 다양한 서비스를 제공할 수 있다는 이점을 확인할 수 있었다.

추천시스템 결과물의 빅데이터 분석을 통한 Product Bundling 및 Co-Marketing 제안 방법론

김수현, 정백, 이건호, 조영재, 이경전. (2022). 추천시스템 결과물의 빅데이터 분석을 통한 Product Bundling 및 Co-Marketing 제안 방법론.한국경영보학회 2022 추계학술대회.

Abstract

두 개 이상의 다른 상품을 하나로 묶어 가격할인 프로모션을 적용하여 판매하는 것을 Product Bundling이라고 한다. 예를 들어, 배달의 민족은 장바구니 화면에서 “함께 먹으면 좋아요”라는 안내를 통해 Bundling을 제안하며, 쿠팡은 장바구니 담기 선택 시 다른 고객이 함께 구매한 상품을 제안한다. 또한, 서로의 상품이나 서비스를 홍보하기 위해 둘 이상의 상점이 협력하는 마케팅 접근 방식을 Co-Marketing이라고 하는데, 이러한 마케팅 전략은 사용자가 더 많은 상품을 구매하도록 유도한다. 이에 본 연구에서는 초개인화 추천시스템의 결과물을 빅데이터 분석하여 도출한 Product Bundling과 Co-Marketing 방법론을 제안하고자 한다. 먼저, 초개인화 추천시스템을 통해 도출된 추천 상품 리스트에서 동일한 상점의 상품이 복수로 도출될 경우, 상품을 결합하여 제안하는 방법론을 소개한다. 예를 들어, 초개인화 추천시스템을 통해 User A에게는 ‘후라이드 치킨’, ‘피자(갈비천왕비프)’, ‘전복죽’, User B에게는 ‘만두’, ‘후라이드 치킨’, ‘피자(갈비천왕비프)’가 추천된 것을 확인하였다고 하자. 추천시스템 결과에 따라 User C에게 추천을 할 때, User A와 User B에게서 함께 추천된 빈도가 높은 ‘후라이드 치킨’과 ‘피자(갈비천왕비프)’를 결합하여 추천 할 수 있는 것이다. 상점의 관점으로 보았을 때는 추천시스템의 결과물에서 동시에 나타난 빈도가 높은 상점 간 협업을 제안하는 Co-Marketing도 가능하다. 예를 들어, 초개인화 추천시스템에 의해 도출된 추천 상품 리스트를 확인하였을 때, User A에게는 ‘세팔이네38치킨’, ‘청년피자 울산남구점’, ‘배떡 울산점’이 추천되었고, User B에게는 ‘대한냉면고기친구’, ‘세팔이네38치킨’, ‘청년피자 울산남구점’이 추천되었다면 ‘세팔이네38치킨’과 ‘청년피자 울산남구점’에게 Co-Marketing을 제안하여 피자/치킨 세트를 판매하는 등의 Win-Win 관계를 이끌어낼 수 있다. 결과적으로 초개인화 추천시스템을 통한 Product Bundling 및 Co-Marketing은 별도의 시스템을 개발할 필요가 없다는 강점이 있다. 또한, 추천시스템이 도출한 결과를 활용하기 때문에 사용자가 실제로 구매할 만한 상품 및 상점에게 적절한 혜택과 함께 결합을 제안한다. 따라서 판매율 및 수익을 높여 사용자와 상점에게 일석이조의 효과를 내는 구조가 될 수 있음을 확인하였다.

날짜를 반영한 자연어 처리 기반의 추천시스템: EventPromotion

이경전, 이건호, 정백, 김수현, 박경양. (2022).날짜를 반영한 자연어 처리 기반의 추천시스템: EventPromotion.한국경영정보학회 2022 추계학술대회.

Abstract

일년 중에 하루인 12월 25일 크리스마스, 한달에 한 번 있는 월급날과 같이, Time에 따라 구매하는 상품이 달라진다. 한 예로, 아이가 있는 A씨는 마트에 방문할 때마다 주로 기저귀, 분유와 같은 유아용품을 구매했지만, 어버이날에는 부모님을 위한 선물을 구매할 수 있다. 이처럼 Time은 상품을 추천할 때, 매우 중요한 요소 중 하나로 볼 수 있다. 자연어 처리 모델 Transformer를 기반으로 만들어진 사용자 중심 추천시스템 TransformRec은 사용자의 개인정보를 최소한으로 활용하며, 사용자가 구매한 영수증의 상품명을 자연어 그대로 활용하여 가장 적합한 상품을 추천하는 모델이다. 이에 본 연구에서는 상품명을 자연어 그대로 활용하는 기존 TransformRec 추천시스템에, Time을 하나의 자연어로 구분하여 구매한 상품명과 함께 학습하는 Event Promotion 방법론을 제안한다.

Event Promotion 방법론은 구매 영수증 데이터의 Time을 Date(일), Day(요일), Month(월), Month and Date(월과 일) 4가지로 구분하여 각각 상품명과 함께 학습한다. 예를 들어, Date의 경우 월급날과 같이 매월 1일부터 31일의 일자에 따라 상품 구매가 달라질 수 있고, Day의 경우에는 주말을 앞둔 금요일에 주류 구매가 늘어나듯이 요일에 따라 구매 상품이 달라질 것이다. Month의 경우 새해를 시작하는 1월, 가정의 달인 5월 등 월에 영향을 받을 것이며, Month and Date의 경우 12월 25일(크리스마스)와 같이 기념일에 구매하는 상품이 존재할 수 있을 것이다. 이처럼 각 상품을 구매하는 시점이 끼치는 영향을 고려하여 4가지로 Time을 구분하였다.

이를 위해 본 연구는 2017년 1월 4일부터 6월 24일까지(약 5개월)의 영국 온라인 상거래 데이터인 UK-Ecommerce 데이터 셋을 이용하여, 상품명을 자연어로 학습하는 TransformRec(Time Ignore)과 Time을 Date, Day, Month, Month and Date로 추가한 4가지 Event Promotion(Time Aware)을 비교 실험했다. 실험 결과, Time을 고려하지 않은 TransformRec과 Time을 고려한 4가지 Event Promotion의 정확도는 유사하게 나타났다. 하지만, 각 Date, Day, Month, Month and Date을 반영했을 때, Time을 고려하지 않은 모델에서 맞추지 못한 추천 상품을, 특정 Time을 반영했을 때 맞추는 결과를 보였다. 이를 근거로, Event Promotion의 4가지 모델과 TransformRec을 앙상블하여 Time별 정확도가 높은 결과를 모아 추천하였을 때, 기존 Time을 고려하지 않은 TransformRec의 모델의 정확도(17.04%)에서 9.6% 향상된 18.68%의 정확도를 확인할 수 있었다. 본 연구에서는 개인정보를 최소한으로 활용함과 동시에 Time과 상품명을 자연어 그대로 사용하여 성능을 개선했다는 점에 의의가 있다. 향후 연구에서는 Time뿐만 아니라 날씨, 장소와 같이 상품추천 시 고려해야할 요소들을 추가적으로 반영하여 성능을 개선하는 연구를 진행하고자 한다.