• 지능정보연구
• /
• 제23권4호
• /
• pp.1-31
• /
• 2017

현대 기업들은 효율성과 생산성을 향상시킬 뿐 아니라 시장 진출을 위해 새로운 기술들을 채택하고 있다. 광고 업계도 전통적인 채널 (라디오, TV 및 인쇄 매체)에서 인터넷, 소셜 미디어, 모바일 기반광고와 같은 새로운 매체로 지속적인 파괴적 혁신을 경험하고 있다. 본 연구는 서울 지하철에 지능형 광고 비즈니스 모델을 제안한 사례이다. 서울은 세계에서 가장 분주 한 지하철 중 하나로서 메트로 네트워크를 통해 마케팅 담당자가 다양한 고객과 잠재 고객 모두와 교류하고 상호 작용할 수 있는 플랫폼이 될 수 있다. 현재의 광고 매체의 대부분은 공간, 조명 등 국부적 한계를 가지고 있으나 본 사례의 지능형 디지털 광고 플랫폼은 데이터로 구동되는 광고를 통해 위치기반 모바일 전자상거래를 제공할 수 있다. 등록된 지하철 카드를 통해 고객 데이터를 분석하고 특정 고객 그룹을 타겟팅하고, 대상 소비자 그룹을 기반으로 광고 사용자를 정의하고, 동영상, 애니메이션, 쿠폰, 문자 등 다양한 광고 형식을 제공 할 수 있다. 위치 정보를 통해 다음역을 탐지하여 지하철 안의 스크린이 다음 정차 할 역의 광고에 우선 순위를 부여하고, 사용자 모바일에서 알림을 수신하도록 선택한 고객은 광고주의 사업장 근처에 접근 할 때 알림을 받게 된다. 또한, 내비게이션 서비스를 통해 지하 쇼핑몰의 고객이 상점, 제품, 시설, 이벤트 등을 검색하고 광고나 추천서비스를 받을 수 있게 한다. 이러한 광고는 고객이 광고를 클릭하면 제품 설명 페이지로 연결되어 전자 상거래로 이어지도록 한다. 이 모델을 통해 개선된 고객 경험뿐만 아니라 지하상가의 중소기업 지원, 새로운 직업 기회, 비즈니스 모델 운영자에 대한 추가 매출 및 광고 유연성 등 새로운 가치 창출이 가능할 것으로 기대된다.

• 대한핵의학회지
• /
• 제38권1호
• /
• pp.74-84
• /
• 2004

목적:. I-125는 저에너지(27-35 keV) 방사선을 방출하기 때문에 두께가 얇은 섬광결정과 조준기를 사용할 수 있어 고분해능, 고민감도 영상획득에 유리한 물리적 특성을 가지고 있다. 이 연구의 목적은 새로운 시뮬레이션 도구인 GATE (Geant4 Application for Tomographic Emission)를 사용하여 최적의 I-125 SPECT 시스템 파라미터를 도출하는 것이다. 대상 및 방법: 시뮬레이션 방법의 신뢰성을 검증하기 위해, Weisenberger 등이 개발한 감마 카메라 시스템을 모사하였다. 섬광체로 평판형 Nal(T1)을 사용하였으며, 두께는 검출효율을 계산해서 결정하였다. 평행구멍조준기와 바늘구멍조준기의 여러 파라미터가 공간분해능과 민감도에 미치는 영향을 평가하였다. 그리고 최적화된 조준기를 결합한 I-125 SPECT의 성능을 평가하였다. 결과: 시뮬레이션에 대한 신뢰성 검증연구 결과, 측정과 시뮬레이션에서 공간분해능(4%)과 민감도(3%)가 유사함을 확인하였다. Nal(T1) 두께는 I-125 감마선을 98% 검출할 수 있도록 1 mm로 결정하였다. 시뮬레이션 결과 고분해능 평행구멍조준기로 구멍크기가 0.2 mm이고 길이가 5 mm인 사각구멍조준기를 선택하였고, 범용 평행구멍조준기로 구멍크기가 0.5 m이고, 길이가 10 mm인 육각구멍조준기를 선택하였다. 바늘구멍조준기는 구멍지름이 0.25 mm이고 채널높이가 0.1 mm이며, 허용각도가 90도인 조준기를 선택하였다. 최적화된 고분해능 평행구멍조준기, 범용 평행구멍조준기, 바늘구멍조준기를 결합한 I-125 SPECT의 재구성 영상 공간분해능은 각각 1.2 mm, 1.7 mm, 0.8 mm였으며, 민감도는 39.7 cps/MBq, 71.9 cps/MBq, 5.5 cps/MBq이었다. 결론: GATE 시뮬레이션으로 I-125 영상에 적합한 섬광결정 파라미터 및 조준기 파라미터를 도출하였다. 이 연구결과는 I-125 SPECT로 탁월한 고분해능, 고민감도 영상을 얻을 수 있음을 보여준다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.77-110
• /
• 2017

최근 인터넷 기반의 웹 및 모바일 기기를 통한 소비 패턴의 다양화와 개성화가 급진전됨에 따라 전통적 유통채널인 오프라인 매장의 효율적 운영이 더욱 중요해졌다. 매장의 매출과 수익 모두를 제고하기 위해 매장은 소비자에게 가장 매력적인 상품을 적시에 공급-판매 해야 하는데 많은 상품들 중에서 어떤 SKU를 취급하는 것이 판매 확률을 높이고 재고 비용을 낮출 수 있는지에 대한 연구가 부족한 실정이다. 특히, 여러 지역에 걸쳐 다수의 오프라인 매장을 통해 상품을 판매하는 기업의 경우 고객에게 매력적인 적절한 SKU를 추천 받아 취급할 수 있다면 매장의 매출 및 수익률 제고에 도움이 될 것이다. 본 연구에서는 개인화 추천에 이용되어 왔던 협업 필터링과 하이브리드 필터링 등의 추천 시스템(Recommender System)을 국가별, 지역별로 복수의 판매 매장을 통해 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하였다. 각 매장의 취급 품목별 구매 데이터를 활용하여 각 매장 별 유사성(Similarity)을 계산하고 각 매장의 SKU별 판매 이력에 따라 협업 필터링을 하여 최종적으로 매장에 개별 SKU를 추천하였다. 또한 매장 프로파일 데이터를 활용하여 주변수 분석 (PCA : Principal Component Analysis) 및 군집 분석(Clustering)을 통하여 매장을 4개의 군집으로 분류한 뒤 각 군집 내에서 협업 필터링을 적용한 하이브리드 필터링 방식으로 추천 시스템을 구현하고 실제 판매 데이터를 바탕으로 두 방식의 성능을 측정하였다. 현존하는 대부분의 추천 시스템은 사용자에게 영화, 음악 등의 아이템을 추천하는 방식으로 연구가 진행되어 왔고 실제로 산업계에서의 적용 또한 개인화 추천 시스템이 주류를 이루고 있다. 그 동안 개인화 서비스 영역에서 주로 다루어져 왔던 이러한 추천 시스템을 동종 브랜드를 취급하는 유통 기업의 매장 단위에 적용하여 각 매장의 취급 SKU를 추천하는 방식에 대한 연구는 거의 이루어지지 않고 있는 실정이다. 기존 추천 방법론의 추천 적용 대상이 '개인의 영역이었다면 본 연구에서는 국가별, 지역별로 복수의 판매 매장을 통해 개인의 영역을 넘어 매장의 영역으로 확대하여 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하고 있다. 또한 기존의 추천시스템은 온라인에 한정되었다면 이를 오프라인으로 활용 범위를 넓히고, 기존 개인을 기반으로 분석을 하는 것보다 매장영역으로 확대 적용하기에 적합한 알고리즘을 개발하기 위해 데이터마이닝 기법을 적용하여 추천 방법을 제안한다. 본 연구의 결과가 갖는 의의는 개인화 추천 알고리즘을 동일 브랜드를 취급하는 복수의 판매 매장에 적용하여 의미 있는 결과를 도출하고 실제 기업을 대상으로 시스템으로 구축하여 활용할 수 있는 구체적 방법론을 제시했다는 데에 있다. 개인화 영역을 위주로 이루어졌던 기존의 추천 시스템과 관련한 학계의 연구 영역을 동종 브랜드를 취급하는 기업의 판매 매장으로 확장시킨 첫 시도라는 데에도 의미가 있다. 2014년 03주차 ~ 05주차 전(全) 매장 판매 수량 실적 Top 100개 SKU로 추천의 대상을 한정하여 협업 필터링과 하이브리드 필터링 방식으로 52개 매장 별로 취급 SKU를 추천하고, 추천 받은 SKU에 대한 2014년 06주차 매장별 판매 실적을 집계하여 두 추천 방식의 성과를 비교하였다. 두 추천 방식을 비교한 이유는 본 연구의 추천 방법이 기존 추천 방식 보다 높은 성과를 입증하기 위해 단순히 오프라인에 협업필터링을 적용한 것을 기준 모델로 정의하였다. 이 기준 모델에 오프라인 매장 관점의 특성을 잘 반영한 본 연구 모델인 하이브리드 필터링 방법과 비교 함으로써 성과를 입증한다. 연구에서 제안한 방식은 기존 추천 방식보다 높은 성과를 나타냈으며, 이는 국내 대기업 의류업체의 실제 판매데이터를 활용하여 입증하였다. 본 연구는 개인 수준의 추천시스템을 그룹수준으로 확장하여 효율적으로 접근하는 방법을 이론적인 프레임 워크를 만들었을 뿐 아니라 실제 데이터를 기반으로 분석하여 봄으로써 실제 기업들이 적용해 볼 수 있다는 점에서 연구의 가치가 크다.

• 지능정보연구
• /
• 제19권3호
• /
• pp.113-125
• /
• 2013

기업 경영에 있어서 고객의 소리(VOC)는 고객 만족도 향상 및 기업의사결정에 매우 중요한 정보이다. 이는 비단 기업뿐만 아니라 대고객, 대민원 업무를 처리하는 모든 조직에 있어서도 동일하다. 때문에 최근에는 기업뿐만 아니라 공공, 의료, 금융, 교육기관 등 거의 모든 조직이 VOC를 수집하여 활용하고 있다. 이러한 VOC는 방문, 전화, 우편, 인터넷게시판, SNS 등 다양한 채널을 통해 전달되지만, 막상 이를 제대로 활용하기는 쉽지 않다. 왜냐하면, 고객이 매우 감정적인 상태에서 고객의 주관적 의사를 음성 또는 문자로 표출하기 때문에 그 형식이나 내용이 정형화되어 있지 않고 저장하기도 어려우며 또한 저장하더라도 매우 방대한 분량의 비정형 데이터로 남기 때문이다. 본 연구는 이러한 비정형 VOC 데이터를 자동으로 분류하고 VOC의 유형과 극성을 판별할 수 있는 오피니언 마이닝 기반의 지능형 VOC 분석 시스템을 제안하였다. 또한 VOC 오피니언 분석의 기준이 되는 주제지향 감성사전 개발 프로세스와 각 단계를 구체적으로 제시하였다. 그리고 본 연구에서 제시한 시스템의 효용성을 검증하기 위하여 의료기관 홈페이지에서 수집한 4,300여건의 VOC 데이터를 이용하여 병원에 특화된 감성어휘와 감성극성값을 도출하여 감성사전을 구축하고 이를 통해 구현된 VOC분류 모형의 정확도를 비교하는 실험을 수행하였다. 그 결과 "칭찬, 친절함, 감사, 무사히, 잘해, 감동, 미소" 등의 어휘는 매우 높은 긍정 오피니언 값을 가지며, "퉁명, 뭡니까, 말하더군요, 무시하는" 등의 어휘들은 강한 부정의 극성값을 가지고 있음을 확인하였다. 또한 VOC의 오피니언 분류 임계값이 -0.50일 때 가장 높은 분류 예측정확도 77.8%를 검증함으로써 오피니언 마이닝 기반의 지능형 VOC 분석시스템의 유효성을 확인하였다. 그러므로 지능형 VOC 분석시스템을 통해 VOC의 실시간 자동 분류 및 대응 우선순위를 도출하여 고객 민원에 대해 신속히 대응한다면, VOC 전담 인력을 효율적으로 운용하면서도 고객 불만을 초기에 해소할 수 있는 긍정적 효과를 기대해 볼 수 있을 것이다. 또한 VOC 텍스트를 분석하고 활용할 수 있는 오피니언 마이닝 모형이라는 새로운 시도를 통해 향후 다양한 분석과 실용 프레임워크의 기틀을 제공할 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.173-198
• /
• 2020

최근 온라인의 비약적인 활성화로 캠페인 채널들이 다양하게 확대되면서 과거와는 비교할 수 없을 수준의 다양한 유형들의 캠페인들이 기업에서 수행되고 있다. 하지만, 고객의 입장에서는 중복 노출로 인한 캠페인에 대한 피로감이 커지면서 스팸으로 인식하는 경향이 있고, 기업입장에서도 캠페인에 투자하는 비용은 점점 더 늘어났지만 실제 캠페인 성공률은 오히려 더 낮아지고 있는 등 캠페인 자체의 효용성이 낮아지고 있다는 문제점이 있어 실무적으로 캠페인의 효과를 높이고자 하는 다양한 연구들이 지속되고 있다. 특히 최근에는 기계학습을 이용하여 캠페인의 반응과 관련된 다양한 예측을 해보려는 시도들이 진행되고 있는데, 이 때 캠페인 데이터의 다양한 특징들로 인해 적절한 특징을 선별하는 것은 매우 중요하다. 전통적인 특징 선택 기법으로 탐욕 알고리즘(Greedy Algorithm) 중 SFS(Sequential Forward Selection), SBS(Sequential Backward Selection), SFFS(Sequential Floating Forward Selection) 등이 많이 사용되었지만 최적 특징만을 학습하는 모델을 생성하기 때문에 과적합의 위험이 크고, 특징이 많은 경우 분류 예측 성능 하락 및 학습시간이 많이 소요된다는 한계점이 있다. 이에 본 연구에서는 기존의 캠페인에서의 효과성 제고를 위해 개선된 방식의 특징 선택 알고리즘을 제안한다. 본 연구의 목적은 캠페인 시스템에서 처리해야 하는 데이터의 통계학적 특성을 이용하여 기계 학습 모델 성능 향상의 기반이 되는 특징 부분 집합을 탐색하는 과정에서 기존의 SFFS의 순차방식을 개선하는 것이다. 구체적으로 특징들의 데이터 변형을 통해 성능에 영향을 많이 끼치는 특징들을 먼저 도출하고 부정적인 영향을 미치는 특징들은 제거를 한 후 순차방식을 적용하여 탐색 성능에 대한 효율을 높이고 일반화된 예측이 가능하도록 개선된 알고리즘을 적용하였다. 실제 캠페인 데이터를 이용해 성능을 검증한 결과, 전통적인 탐욕알고리즘은 물론 유전자알고리즘(GA, Genetic Algorithm), RFE(Recursive Feature Elimination) 같은 기존 모형들 보다 제안된 모형이 보다 우수한 탐색 성능과 예측 성능을 보임을 확인할 수 있었다. 또한 제안 특징 선택 알고리즘은 도출된 특징들의 중요도를 제공하여 예측 결과의 분석 및 해석에도 도움을 줄 수 있다. 이를 통해 캠페인 유형별로 중요 특징에 대한 분석과 이해가 가능할 것으로 기대된다.