BizSpring에서 보유하고 있는 AI 기술을 요약하였습니다.
제품/솔루션에 적용된 내용은 간략히 소개하였습니다.
BizSpring 보유 AI 기술 요약
| 보유기술 / 모델명 | 주요 알고리즘 | 용도 | 적용 솔루션 | 성과 사례 |
|---|---|---|---|---|
| BSKmCluster | K-Means Clustering | 고객 세분화 및상품 군집화 | PeopleDB (TAM) | – 잠재고객의 관심사 및 행동기반 군집화 솔루션 적용 – 시험성적 Silhouette Score 90% 적정 |
| BsPredict | 바이너리 로지스틱 회귀 모형(Binary logistic regression) 및 K-NN 알고리즘 | 사용자 행동/전환등 예측 | AMP (CXM) | – 콘텐츠제공 서비스에서, 잠재고객에게 추천할 콘텐츠의 반응 가능성에 대한 예측/추천 – 시험성적 Accuracy 96%, Precision 99%, Recall 82% 으로 목표기준 상회 |
| BsKoNLP | BERT (Bidirectional Encoder Representations from Transformers) | 자연어처리를 통해 사용자검색/콘텐츠/상품정보등에서 특징 단어/내용의 추출 | PeopleDB (TAM)AMP (CXM) | – 추천 기반자료로, 전체 기사 자연어처리 수행 적용 – 추천엔진 연계 작동 검증 |
| BsRecomm | BsKoNLP 및 BM25 | 콘텐츠 내용 유사도 기반 추천 | AMP (CXM) | – 온라인뉴스미디어에서 기사 콘텐츠기반 추천 시스템 적용 |
| BsCFRecomm | 협업필터링(collaborative filtering) | 개인화 추천 | AMP (CXM) | – 추천 고도화로서, 개인별 전면 맞춤 페이지 콘텐츠 구성 및 제공 수행 |
비즈스프링은 산학협력을 통한 AI기술 개발 및 상용화를 위해, 한양대학교 및 고려대학교의 산학협력 가족기업으로 참여하여, AI 전문 분야에 대한 원천기술을 확보하려 노력하고 있습니다.
특히 2021년 고려대학교의 HI-AI(Human-inspired AI)연구소와 협업하여 “언어 모델을 활용한 유사도 기반 뉴스 기사 추천 시스템”, “광고 도메인 특화 PLM을 위한 추가 학습”, “광고 수익률 단기 예측기 최적화 기법”, “캠페인 언어 특징 기반 타깃 세그먼트 추천 기법 최적화 기법” 등을 연구개발하였고, 추가적인 기술 이전을 통해 AI기술을 고도화 및 내재화하고 있습니다.
(1) BsKmCluster (비즈스프링 K-Means 군집화 모델)
(가) 기술 개요 및 활용 용도
클러스터란 비슷한 특성을 가진 데이터끼리의 묶음을 만들어내는 것입니다. 대상 데이터를 여러가지 차원에 대해 유사한 특성을 가지는 클러스터로 묶음을 만들고, 각 그룹 구성원들의 특성을 도식화함으로써 그룹을 설명적으로 식별하고 데이터 기반 의사 결정을 내릴 수 있습니다.
K-Means Clustering 알고리즘을 기반으로 잠재고객 행동특성등을 이용하여 기존 마케터 담당자의 사전 지식 또는 단순 인구통계학적 기준이 아닌, 주요 특성요소들을 선정하여 클러스터링에 의해 새로운 잠재고객군, 마케팅 타겟등을 군집화 추출할 수 있도록 하며, 해당 클러스터링 기술은 빅데이터저장소(예: Google BigQuery)등을 활용하고, 해당 산업군 또는 니즈(예: 신규 상품 분류 카테고리별 구매 프로모션 대상 타겟 선정, 연관상품 제시를 위한 상품 군집화등)에 따라, 비즈스프링의 기존 클러스터링의 요건 튜닝에 따라 적용합니다.
- 잠재고객군의 분류와 추출 : 고객 세분화에 사용되는 데이터에는 고객이 방문한 매장, 구매한 상품, 결제한 금액 등이 포함될 수 있습니다. 모델을 만들어서 이러한 고객 캐릭터 그룹의 특성을 파악하고 이 그룹 구성원의 관심을 끌 만한 상품을 고안할 수 있습니다.
- 교차 판매/제안을 위한 상품들의 선별 : 또한 이들이 구매한 상품 중에서 제품 그룹을 찾을 수도 있습니다. 이 경우 누가, 언제, 어디서 구매했는지를 기준으로 상품을 클러스터링할 수 있습니다. 제품 그룹의 특징을 파악하는 모델을 만들어 크로스셀(cross-sell)을 개선할 방법과 같은 정보에 기반한 의사 결정을 내릴 수 있습니다.
(나) 기술 적용 솔루션 성과
비즈스프링의 Growth Platform의 잠재고객 세그먼트의 정의/추출/활용을 위한 모듈인 TAM(Target Audience Manager)의 단위 솔루션인 PeopleDB에서 해당 AI기술이 적용되어 있습니다.
PeopleDB (Growth Platform의 Target Audience Manager)의 예
타깃 세그먼트정의를 클러스터링 하고 결과를 화면에 제시/제안하고, 사용자가 의미있는 수준으로 클러스터링된 항목을 세그먼트/오디언스로 저장할 수 있습니다.
함께 제공되는 Refiner ™ 기능에서, K-Means등 알고리즘을 골라서 데이터 클러스터링을 쿼리문등과 함께 저장하고 실행 및 관리할 수 있습니다.
K-Means 외 추가적인 모델링을 등록하고 관리할 수 있으며, 사용할 차원/지표들을 세부 수정하기 위해서 각 쿼리문을 관리할 수 있습니다.
실제 활용사례에서는, 광고마케팅과 연관되어 광고방문횟수, 검색광고, 내부캠페인등 반응 정도에 따라 잠재고객군에 대해 어떤 광고 채널이 유용할지에 대해서, 클러스터링에 의한 잠재고객군의 구분과 추출, 그리고 마케팅 캠페인으로 이어지는 사례를 확인할 수 있습니다.
위 쿼리문에서 표현된 구매 행동과 연관된 차원/지표인 캠페인과 상품 특성값인- Impr(노출), Click(클릭), Cost(가격), 주문수(Odr)을 사용하였음을 확인할 수 있으며, 이와 같이 온라인마케팅에 최적화된 BsKmCluster 에 의해 추출된 잠재고객은 마케팅 프로모션/메시징의 대상으로서 적절히 활용되도록 연관 솔루션이 함께 제공됩니다.
해당 클러스터링 기능은 실제 프로젝트 수행에서 구체적으로 클러스터링. 구독자들의 카테고리별 기사뷰수를 측정한 후 관심사가 유사한 고객들끼리 클러스터링등에 활용되었으며 및 외부시험성적에서, Silhouette Score 기준으로 80% 이상인 90% 의 시험목표 이상의 성능을 확인하였습니다.
(2) BsPredict(사용자 별 마케팅 예측 알고리즘)
(가) 기술 개요 및 활용 용도
비즈스프링의 예측 관련 기술은 사용자별 마케팅 성과를 예측하는 것에 초점을 두고 있습니다.
바이너리 로지스틱 회귀 모형을 사용하여 값이 두 범주 중 하나에 속할지 예측할 수 있습니다. 또는 멀티클래스 회귀 모델 유형을 사용하여 값이 여러 범주 중 하나에 속할지 예측할 수 있습니다.
사이트에 방문한 고객의 행동 분석 데이터, 유입 지역 데이터와 K-NN 알고리즘에 의해 클러스터링된 방문 경로 데이터로 전환 예측 모델 생성하여, 신규 고객 방문시 전환/비전환 여부 예측등에도 함께 사용됩니다.
- 예측을 통한 적절한 마케팅 자동화 수행 : 퍼널 단계별로 전환 성과를 도출하기 위한 마케팅 활동을 제공하는데 부스팅 도구로 페이지 서핑시에는 웹 푸시, 레이어 팝업을 제공하며, 사이트 이탈시에는 이메일과 앱 푸시를 통해 사이트 재유입을 유도하여 전환 성과를 높일 수 있도록 합니다.
- 고객경험 개선 및 사용성/충성도 제고를 위한 추천 : 고객이 추천받은 콘텐츠를 소비할지 하지 않을지에 대한 사전 예측을 통해 추천 콘텐츠의 노출을 제안하여 추천 콘텐츠의 효율을 높일 수 있습니다.
- 구매전환 가능성 잠재고객의 선별과 추출 : 세그먼트 대상 정의시, 예측치 값을 함께 사용하여 마케팅 주제에 맞는 구매전환 성과등이 높은 잠재고객을 선별하여 추출하여 활용할 수 있습니다.
(나) 기술 적용 솔루션 성과
비즈스프링의 Growth Platform의 마케팅 자동화 및 고객경험 관리 모듈인 CXM(Customer eXperience Manager)의 단위 솔루션인 AMP에서 해당 AI기술이 적용되어 있습니다.
행동(예: 구매, 참여 등) 예측을 통한 자동화된 마케팅 수행에서, 고객 여정의 단계별 성과 향상을 위해 적절한 푸시/팝업/이메일등을 발송하도록 예측기반 자동화하여 대응합니다.
고객경험 개선 및 사용성/충성도 제고를 위한 추천의 개인별 맞춤 제안에 활용이 가능합니다.
마케팅 캠페인을 위한 잠재고객 선별에서, 캠페인 주제에 적합한 구매전환 가능성 잠재고객을 이용할 수 있습니다.
예측성능에 대해서는, 콘텐츠제공 서비스에서, 잠재고객에게 추천할 콘텐츠의 반응 가능성에 대한 예측/추천에서 Accuracy 96%, Precision 99%, Recall 82% 의 성과를 시험/검증하였습니다.
(3) BsKoNLP (비즈스프링의 딥러닝을 이용한 도메인 특화 한글 자연어 처리)
(가) 기술 개요 및 활용 용도
잠재고객의 온라인 활동에서의 검색, 콘텐츠소비, 상품설명, 문의/답변등 다양하게 발생하는 자연어 콘텐츠로 부터 고객/사용자의 방문의도, 성향, 라이프스타일, 관심사등을 추출하여 데이터로서 활용하기 위해서 사용되는 기술입니다. 이로 부터 생성된 데이터를 함께 활용하여, 클러스터링, 예측, 추천등 다양하게 활용하게 됩니다.
기술적으로는 BERT(Bidirectional Encoder Representations from Transformers)를 중심으로한 한글 자연어 처리(NLP-Natural Language Processing)엔진의 한 종류로써 도메인 특화 PLM을 위한 추가 학습을 진행하며, 사전학습된 모델을 활용하여 파라미터를 초기화(initialize)한 후 도메인에 특화된 코퍼스에 대해 Masked Language Model(MLM) 또는 Next Sentence Prediction(NSP)와 같은 training object를 활용하여 추가 학습함으로써 온라인 마케팅 및 온라인 사용자에 대한 경험을 개선하기 위한 영역에 특화된 언어모델을 만들어 내도록 발전시켰습니다.
- 잠재고객 신규 획득을 위한 캠페인 최적화를 위한 기반 데이터
- 잠재 고객이 반응한 광고 캠페인의 문구와 검색광고의 키워드와 설명문구, 첫 랜딩페이지 및 이후 조회한 상품의 제목과 설명 내용을 추출하여 활용합니다.
- 서비스내 사용자의 경험을 개선하기 위한 데이터
- 사용자가 선호하는 콘텐츠 및 상품의 주제어를 도출하여, 유사/연관 콘텐츠를 제안하거나, 해당 사용자의 성향을 특징짓기 위해서 활용합니다.
(나) 기술 적용 솔루션 성과
비즈스프링 Growth Platform의 CXM모듈(AMP)의 사용자 경험 관리 모듈의 기능으로서, 추천 엔진이 적용되어 있습니다.
실제 사례로서 B사의 뉴스미디어의 추천 시스템에서, 본 기술에 의해 목적에 맞게 추출된 데이터는 BsRecomm 콘텐츠 추천엔진 및 BsCFRecomm 과 같은 협업필터링/개인화 엔진에 적용되어 구현되었습니다.
비즈니스에 맞춰 추가적으로, 연관 기사 추천과 개인화/협업 필터링 추천을 위해서 콘텐츠 제목 및 본문을 자연어 처리/분석을 통해 추출하고 해당 비즈니스 영역인 온라인 미디어에 특화되어 학습을 하여, 다양한 추천 알고리즘을 선택하여 수행되도록 하였습니다.
BsKoNLP의 성능/성과에 대한 평가는 이 기술을 활용한 BsRecomm 을 통해서 확인할 수 있습니다.
(4) BsRecomm (비즈스프링 컨텐츠 추천 엔진)
(가) 기술 개요 및 활용 용도
BsRecomm는 언어 모델을 활용한 유사도 기반 추천 시스템으로 한국어 20GB 사전 학습과 BsKoNLP로 분석한 데이터 셋을 활용한 문장/문단 유사도 학습을 기반으로 개발되었으며 레이블링 되지 않은 콘텐츠를 유사도 학습 결과로 자동 레이블링하여 추천하도록 합니다. 장점으로는 최신 컨텐츠의 시기 및 유행에 따른 변화에 대응이 용이하며 준 학습 지도를 통해, 새로운 콘텐츠 데이터의 추가 학습 가능한 부분입니다.
- 대량의 온라인 콘텐츠 및 사용자 등록 콘텐츠를 이용한 추천 : 별도 인력에 의한 레이블링이 없이 콘텐츠를 학습하여 추천하므로, 다수의 기사가 생성되는 뉴스미디어, 사용자 직접 등록 콘텐츠의 비중이 높은 커뮤니티 콘텐츠등에서 유용하게 활용할 수 있습니다.
- 온라인 커머스에서의 상품 추천 : 상품의 상세 설명과 상품평이 중심을 이루는 서적, 영화, 여행상품등의 온라인 커머스 상품의 추천에 유용하게 활용할 수 있습니다.
(나) 기술 적용 솔루션 성과
비즈스프링 Growth Platform-CXM/AMP 모듈로서, 대량의 온라인 미디어 콘텐츠에 대한 추천 시스템에 적용되었으며, BsKoNLP 엔진을 통해 추출된 자연어 기반 콘텐츠와 함께 각 기사도의 유사도 기반 추천을 사용자가 다양한 옵션을 통해 각 추천 옵션/알고리즘에 대한 성능을 실험하며 운영할 수 있도록 맞춤형으로 적용되었습니다.
BsRecomm 은 기술협력을 진행 중인 외부 고려대학교를 통해서 성능 시험을 하였으며, 기존 일반적으로 사용되어온 TF-IDF 대비 상대적으로 우수한 성능을 확인할 수 있었습니다.
| KorSTS (문장) / 스피어만 | 뉴스 기사 데이터 (문단) / 스피어만 | |
|---|---|---|
| TF-IDF | 54.23 | 58.01 |
| BsRecomm | 58.57 ( 대비 108% ) | 87.81 (대비 151%) |
(5) BsCFRecomm (비즈스프링 개인화 추천 엔진)
(가) 기술 개요 및 활용 용도
개인화된 성향과 경험등을 기반으로, 유사 잠재고객 개인에게 타겟팅된 추천을 수행하기 위한 엔진입니다. BsRecomm 추천엔진이 추천항목의 내용과 그 유사도로서 추천을 수행하는 것에 반해, 협업필터링(Collaborative Filtering)을 기반으로한 추천엔진은, 비즈스프링의 상대적 우위 역량인 온라인 방문자 행동 데이터 수집 및 개인별 행동이력을 기반으로한 빅데이터화 기술을 바탕으로 구현되어 보다 강력한 성능을 제공합니다.
협업필터링(CF, Collaborative Filtering)은 예시로서 온라인 웹사이트에 방문한 다수의 잠재고객/사용자의 행동 이력을 바탕으로 유사한 행동 또는 선호 패턴을 보인 개인의 또 다른 선호/관심사를 찾아서 교차 추천/제안하는 것입니다.
즉, 고객들의 선호도와 관심 표현을 바탕으로 선호도, 관심에서 비슷한 패턴을 가진 고객들을 식별해 내고, 비슷한 취향을 가진 고객들에게 서로 아직 구매하지 않은 상품들은 교차 추천하거나 분류된 고객의 취향이나 생활 형태에 따라 관련 상품을 추천하는 형태의 서비스를 제공하기 위해 사용됩니다.
비즈스프링의 협업필터링은 행렬분해(Matrix Factorization)을 사용하며, 대상 비즈니스 도메인과 비즈니스 니즈에 맞춰, 보다 높은 추천의 품질을 위해 세부적으로는 연관된 다양한 추천의 방법을 병행할 수 있습니다.
Contents Based Filtering
사용자 혹은 아이템에 대한 프로필 데이터를 이용하여, 내가 좋아했던 아이템과 비슷한 유형의 아이템을 추천하거나 (사용자에 대한 성별,연령대,지역 등 프로필 작성 후 나와 프로필이 비슷한 다른 사용자가 선호하는 영화 추천 user-based recommendation), 나와 비슷한 유형의 사람이 좋아하는 아이템을 추천 (영화의 감독,배우,흥행여부 등 프로필을 작성 후 이를 기반으로 특정 영화를 좋아했는 사용자에게 비슷한 영화 추천 item-based recommendation)
Collaborative Filtering
프로필 데이터 없이, 사용자의 과거 행동 데이터만 가지고 추천합니다. (자신이 본 영화들에 대해서 1점부터 5점까지 평점을 남기고, 이 평점을 기반으로 사용자의 취향을 파악한 뒤, 선호할 만한 영화를 추천)
Contents Based Filtering 보다 더 정확하다고 알려져 있지만 신규 사용자의 경우, 관찰된 행동 데이터가 없거나 적어서 Cold Start 문제 발생하므로, 비즈니스 도메인에 따라 적절히 BsRecomm등과 병행할 수도 있습니다.
Hybrid Filtering
두 가지 알고리즘을 모두 적용하고, 이의 가중 평균(Weighted Average)를 구하는 Combining Filtering 기법으로서, 평점 데이터와 아이템 프로필을 조합하여 사용자 프로필을 만들어 추천하는 Collaboration via Content 기법도 필요에 따라 적용합니다.
(나) 기술 적용 솔루션 성과
비즈스프링 Growth Platform-CXM/AMP의 모듈로서, 적용대상 웹사이트 또는 솔루션의 형태에 개인화 추천엔진으로 적용되었으며, 다년간 실환경에서 안정적인 개인화 추천을 수행하고 있습니다.
활용 및 적용사례는 문의하기 등을 통해 상담요청을 해주세요.
감사합니다.