전자상거래 추천시스템에 관한 동향분석- 제 3 장 추천시스템의 연구 및 적용사례

제 4절 고객의 동적 선호 탐색을 위한 순차패턴 분석:

㈜더페이스샵 사례[12]

 

제안된 연구는 판매 데이터 분석을 통해 시간순서를 고려한 상품추천 및 매장관리방법을 제안했다. 즉 SOM(Self Organizing Map: 자기조직화지도) 알고리즘을 이용하여 매장의 판매 프로파일을 군집화하고, 매장궤적의 예측을 통해 목표 매장을 관리하는 방법을 제시했다. 여기서 SOM(Self Organizing Map: 자기조직화지도) 알고리즘은 고차원의 데이터를 저차원의 지도형태로 형상화한 것으로, 이렇게 형상화된 지도는 시각적으로 이해하기 쉽고 입력변수의 위치관계를 그대로 보존하기 때문에 실제 데이터가 유사하면 지도상에 가깝게 표현된다. 이러한 장점으로 패턴발견, 이미지 분석 등에서 뛰어난 성능을 보였다[vesanto, 1999]. 제안된 연구는 또한 순차패턴분석방법을 적용하였다. 순차패턴분석은 시간개념이 포함되어 동시 구매할 가능성이 높은 상품을 찾아내는 방법으로 구매의 순서가 고려된 상품간의 연관성을 측정하여 유용한 규칙을 찾는 기법이다.

 

<표7> ㈜더페이스샵의 연혁

2003년 더페이스샵 명동1호점 개설 2004년 대만등 첫 해외진출, 국내매장100호 점 돌파         브랜드숍 화장품 업계 첫 면세점 입점,         온라인 쇼핑몰 개장 2005년 국내 화장품 업계3위, 브랜드 숍 화장품 업계1위 달성         국내 매장 300호 점 돌파 2006년 해외 매장 100호 점 돌파 2007년 브루나이등 해외 신규진출

 

제안된 연구의 대상 기업은 (주)더페이스샵으로 단기간의 급성장으로 고객의 니즈 및 매장내부관리수준의 격차 등을 고려하지 않은 획일화된 매장 관리로 고객의 니즈의 변화에 대응하지 못했다. 유행에 민감하고 상품의 수명주기가 짧은 시장에서 획일화된 매장관리 방법으로 매장의 수익을 증대시키기에는 한계가 있다. 따라서 매장에서 판매된 상품을 분석하고 고객의 선호를 예측하여 매장 각에 적합한 관리방법을 제시하고자 했다[12].

<그림17>은 제안된 연구의 전체적인 추천 프로세스이다. 제시된 추천프로세스를 살펴보면 판매프로파일 생성, SOM을 이용한 매장 관리 프로세스, 시간 요인을 고려한 매장관리 프로세스, 매장 별 관리 프로세스 등 크게 4단계로 구분된다.

첫 번째 단계에서 상품 판매 데이터를 이용하여 매장의 판매 프로파일을 작성한다. 두 번째 단계에서 매장의 판매프로파일을 사용하여 SOM알고리즘을 통해 유사한 판매 프로파일을 가진 매장들을 군집화하고 분석하여 사후적으로 매장의 수익성을 높이는 전략을 실행한다. 세 번째 단계에서는 시간대 별로 매장의 군집 궤적을 도출하고 궤적의 순서 패턴을 예측하여 고객이 선호하는 상품을 매장에 추천함으로써 매장의 수익을 높인다. 마지막 단계에서 예측된 매장의 궤적을 통해 판매가 저조할 것으로 예상된 매장의 수익성을 높이기 위한 전략을 사전에 실행하여 관리한다.

제안된 추천프로세스의 4단계를 세부적으로 살펴보면

(1)매장판매프로파일 생성: 매장판매 프로파일은 매장의 특성을 나타내는 정보의 집합으로, 판매데이터는 매장 판매 프로파일을 생성하는 데 있어 고객의 선호를 파악할 수 있는 중요 자원이다. 일반적으로 상품 j가 판매되면 ‘1’, 아니면 ‘0’으로 표현되는 M X N 매트릭스가 사용된다. 그러나 유행에 민감하고 라이프사이클이 짧은 상품의 선호도 프로파일을 생성할 경우 판매 시점과 판매수량을 고려하지 않고 단지 판매여부에 따라 동일 가중치를 부여한다면, 특정시기에 고객이 선호하는 상품의 우선순위를 파악할 수 없는 문제점이 있다.

(2)SOM을 이용한 매장관리 프로세스: 이 단계는 유사한 판매 프로파일을 가진 매장들을 군집화하여 판매가 저조한 매장군집에 대해 판매가 높은 매장군집의 특성을 벤치마킹하여 매장의 수익성을 증대시키는 매장관리전략을 수립하는 것으로, 사후적으로 매장을 관리하는 방법을 제시한다.

SOM알고리즘을 통해 학습된 매장 판매프로파일은 사전에 정의된 군집의 개수만큼 유사성에 따라 <그림18>와 같이 지도상에 군집의 형태로 분포되고, 의사결정나무 분석에 의해 각 군집을 설명할 수 있다. 예를 들면 군집 ID “00”은 상품 P₀₀₁에 대한 선호도가 0.5이하이고, 상품 P₀₀₂의 선호도가 0.3이하이며, 상품 P₀₀₃에 대한 선호도가 0.4이하인 매장들이 속해 있는 군집이다.

SOM알고리즘을 통해 매장을 군집화한 이후, 각 군집에 속해 있는 매장의 주요 판매 상품, 평균 매출액, 평균 판매 건수 등을 산정하여 매장의 수익성을 예상할 수 있다. <표8>은 SOM 알고리즘을 통해 학습한 매장 군집의 예이다.

매장 S₀₀₁, S₀₀₇, S₀₁₀, S₀₁₂, S₀₃₆은 군집 ID “00”에 속하며, 그 군집의 평균 매출액은 1,170만 원, 평균 판매 건수가 3,790건, 클렌징폼과 아이라이너 상품이 주로 팔린다고 가정 하면, 매장 S₀₀₁의 평균 매출액과 판매건수는 그 매장이 속한 군집의 평균보다 작다. 따라서 매장 S₀₀₁의 수익성을 증대시키기 위해서는 군집 내 수익성이 높은 매장을 벤치마킹 하거나 또는 이웃 군집 ID “01”로 유도할 필요가 있다. 이와 같이 행위를 유도할 수 있는 전략으로는 고객 방문을 촉진할 수 있는 할인 쿠폰 발송이나, 방문한 고객에게 구매를 권유하는 Cross-selling 또는 Up-selling이 있다.

(3)시간 요인을 고려한 매장 관리 프로세스: 상품에 대한 고객의 선호는 시시각각 변한다. 따라서 매장들의 과거 판매 패턴 분석을 통해 매장의 판매 행태를 예측하여, 고객이 선호하는 상품을 전면에 배치하고 고객에게 추천한다면 매장의 수익성을 높일 수 있다.

(4)매장 별 상품추천프로세스: 수익성이 저하된 매장들은 몇 달 전에 특이한 공통의 행위패턴을 보인다. 이와 같이 매장의 수익성이 저하되는 신호를 사전에 파악함으로써, 신호를 보인 매장의 행위를 기존의 수익성이 높은 매장의 행위 상태로 유도하여 사전에 매장의 수익성 저하를 예방할 수 있게 된다. 이 단계에서는 예측된 매장 궤적을 이용하여 판매가 저조할 것으로 예상된 매장에 대해 같은 군집에 속하는 유사한 매장의 매출 가능성을 감안하여 수익성을 높이는 전략을 사용한다. 저자는 제안된 연구의 성능평가를 위한 실험을 하였다. <표9>는 실험을 위한 데이터정보이다. 자세한 실험방법은 [12]를 참조 하기 바란다.

 

<표9> 실험을 위해 확보한 데이터

	내       용
기  간	2006년 1월 ~ 2007년 12월
데이터	-판매데이터: 270개 매장, 2,070종류의 화장품 -데이터의 양: 52,985,548레코드

 

<그래프2>는 실험결과이고, 표에서 W는 2007년 신상품포함 이고, W0는 신상품제외 데이터B는 1년 전 데이터 이용하여 모델을 구축한 것이고, C는 3개월 전 데이터를 이용하여 모델을 구축한 것이다. 표에서 확인할 수 있는 것은 3개월 전 데이터를 이용하여 모델을 구축하여 상품을 추천하였을 때 결과가 더 좋음을 알 수 있다.

이는 화장품처럼 라이프스타일이 짧은 특성을 가진 상품을 판매하는 매장을 관리하는 데 있어 유행에 민감한 고객들의 동적 선호를 탐색하여 상품을 추천함으로써 매장관리를 효율적으로 할 수 있음을 실증적으로 보여준다[12]. 그 외 실험결과는 [12]를 참조 하기 바란다. 제안된 연구는 화장품시장에서 획일화된 매장관리방법으로는 매장의 수익성을 증대 시키는 데에는 한계가 있어 이러한 문제를 해결하기 위해 SOM알고리즘을 이용하여 군집의 특성을 탐색하였고, 동적 매장관리를 위해 시간에 따른 고객의 선호를 파악하여 매장의 궤적을 예측하고 매장을 관리하는 방법을 제안하였고 판매가 저조할 것으로 예측된 매장에 대해 수익성을 높이는 전략을 제안하였다. 제안된 동적 매장 관리 프로세스를 (주)페이스샵 판매 데이터를 이용하여 실험한 결과 유행에 민감하고 라이프 사이클이 짧은 상품을 관리하는데 있어 시시각각 변하는 고객의 선호를 파악하는 것이 중요하다는 것을 알 수 있었다. 특히 신상품을 출시할 경우 고객의 선호를 파악하기 위해 체험마케팅을 실시하고, 파악된 선호를 통해 탄력적으로 상품을 공급하고 판촉을 강화한다면 매장 수익 증대에 기여할 것이다. 연구의 한계로는 (주)페이스샵 매장의 판매 데이터로 분석했기 때문에 화장품 시장 전체를 일반화하기에는 한계가 있을 수 있고, 고객의 인구통계학적 정보 및 상황정보 등 고객의 구매에 영향을 미칠 수 있는 데이터를 고려하지 못한 한계가 있다[12].