[추천시스템] RFM기법과 연관성 규칙을 이용한 개인화된 전자상거래 추천시스템 논문 요약

 

 

 

Ⅰ. 서론 

    - 기업과 고객간의 상호 관계 (customer relationship)을 높임 

    - 개인화(personalization) 전략 

    - 웹 원투원 마케팅 실현  

 

Ⅱ. 관련연구 

    2.1 고객 세분화 (Customer Segmentation) 

        - STP( Segmentation Target Positining) 전략에서 선행되어야할 과정임 

        - RFM 분석은 Recency, Frequency, Monetary의 약자 : 고객 가치 평가 지표  

            - R : 최근 구매일자 

            - F : 일정 기간동안의 총 구매횟수 

            - M : 일정 기간동안의 총 구매금액  

        - 고객 리스트를 점수순으로 정렬하여 고객 세분화 

 

    2.2 연관 규칙 (Association Rule)

        - 사건들 사이의 상호 관련성 분석에 이용 

        - 연관성 규칙(Association Rule) 

              형식 : If X Then Y ( X → Y ) 

        - X, Y ⊆ I , (X ∩ Y) = ∅ , Y ≠ ∅

        - 시장 장바구니 분석 (MBA: Market Basket Analysis) : 사용자의 구매 경향 파악 

               척도: 지지도(support), 신뢰도(confidence), 향상도(lift) 

             - 지지도 (support) : 생성된 연관 규칙이 전체에서 차지하는 비율 

                  P(X & Y) = ${P( X \cup Y  )\over T}$

             - 신뢰도 (confidence) : X를 포함하는 거래 중에서 Y를 포함하는 거래 의 정도

                 P( Y|X) = ${P( X \cap Y  )\over P(X)}$

             - 향상도 (lift) : 규칙을 모를때에 비해 규칙을 알 때 얼마나 향상 되는지

                 lift(R) = ${P( Y | X  )\over P(Y)}$

         - 알고리즘 : Apriori , FP-Tree, SETM, DIC, ARHP 알고리즘 

         - Apriori 알고리즘 유추과정 예 

RFM기법과 연관성 규칙을 이용한 개인화된 전자상거래 추천시스템 (진병운, 조영성, 류근호) (2010.12)

** 연관규칙 분석 개념 참고 

https://ratsgo.github.io/machine%20learning/2017/04/08/apriori/

연관규칙분석(A Priori Algorithm) · ratsgo's blog

 

 

    2.3 순차 패턴 (Sequential Pattenrns)

        - 특정 항목 집합의 다음에 나타나는 항목 집합을 탐색, 

        - 트랜잭션 간에 영향을 미치는 항목 시퀀스간의 패턴을 찾음 

        - 고객의 상품 구매 패턴을 분석하여 향후 구매 가능한 상품 예측에 사용 

 

    2.4 교차 판매 (Cross-Selling) 

        - 관리자가 미리 정한 지지도와 신뢰도를 바탕으로 구매를 유도하는 마케팅 전략 

        - 기존의 고객에게 새로운 아이템, 서비스를 제안하는 프로세스 

        - 새로운 아이템에 대한 최적의 잠재고객 확인 가능 

 

Ⅲ. 제안시스템 

    3.1 제안시스템 구조 

         1. 고객 성향 분류코드와 고객 RFM점수를 인지 

         2. 군집화(Clustering)된 집단(cluster)을 구성

         3. 고객 RFM점수에 해당하는 구매데이터를 발췌 

         4. 연관규칙을 적용하여 생성된 아이템 선호도 계산 

         5. 선호도 높은 아이템 TOP - 4 로 추천 

             5-1. 로그인 사용자의 구매 이력정보와 체크하여 중복 추천되지 않도록 함 

RFM기법과 연관성 규칙을 이용한 개인화된 전자상거래 추천시스템 (진병운, 조영성, 류근호) (2010.12)

 

    3.2 추천시스템 알고리즘 

          Step 1 : 회원가입시 사용자의 social data를 통해 인구통계학적 변수가 적용된 즉 나이, 성별, 직업, 고객성향을 반영한 고객 성향 분류코드를 부여하여 고객정보를 생성 및 관리한다.

          Step 2 : 고객정보에서 로그인 사용자의 고객성향 분류코드와 고객 RFM 점수를 인지한다.

          Step 3 : 로그인 사용자의 고객성향 분류코드를 이용하여 구매데이터에서 군집화(Clustering)된 집단(Cluster)을 구성한다.

          Step 4 : 해당 군집에 속한 구매데이터를 기반으로 고객 RFM 점수를 적용하여 추천아이템을 생성한다.

          Step 5 : 장바구니 분석을 위한 연관규칙을 적용하여 교차판매를 위한 아이템을 구성한다.

          Step 6 : 아이템의 선호도를 계산하여 선호도가 높은 아이템을 TOP-4의 추천 아이템 목록을 생성한다.

          Step 7 : 추천시 추천된 아이템을 로그인 사용자 구매 이력정보와 체크하여 중복 추천되지 않도록 한다. 

 

Ⅳ. 시스템 구현 및 평가 

    4.1 실험 및 분석 

          - OS: Window XP

          - Web Server : Apache HTTP Server Ver.1.3.34

          - Database : MySQL Version 4.0.26

          - Server-Side Application : PHP Ver.4.4.

RFM기법과 연관성 규칙을 이용한 개인화된 전자상거래 추천시스템 (진병운, 조영성, 류근호) (2010.12)

    4.2 실험적 데이터분석 

        ① 점수 산출식은 아래와 같다.

          - RFM score = { (0.15 * R) + (0.35 * F) + (0.5*M) * 20 }

          - R (최신성) : 제품의 구매일자를 기준으로 구입한 내역 에 따라 5등급화 한다.

            F (빈도성) : 고객이 구입한 전체적인 구매건수를 기준 으로 5등급화 한다.

            M (총구매액) : 고객이 구입한 제품의 총 구매액을 기 준으로 5등급화 한다.

RFM기법과 연관성 규칙을 이용한 개인화된 전자상거래 추천시스템 (진병운, 조영성, 류근호) (2010.12)

RFM기법과 연관성 규칙을 이용한 개인화된 전자상거래 추천시스템 (진병운, 조영성, 류근호) (2010.12)

 

    4.3 제안 시스템 평가 

         - precision = ${ 추천된 아이템과 일치하는 구매데이터 아이템 수 \over Social data를 기반한 초기 추천 아이템 수}$

         - 본 제안시스템에서는 임의 추천보다 RFM분석 을 통한 RFM점수에 따른 추천에서 좋은 결과를 얻음

           특 히 연관규칙을 적용했을 경우에 더 높은 추천결과를 얻음.

      

Ⅴ. 결론 및 향후 과제 

         - 제안 시스템의 구매 효율성과 추천 효율성이 높은 결과로 효용성을 입증 

         - 다 양한 개인화 성향과 고객성향 분 석이 가능한 RFM기법과

           교차판매를 위한 연관규칙을 이용 한 추천 시스템에 새로운 프레임워크를 제안

         - 보다 다양한 산업분야의 실험 및 평가를 통하여 추천시 스템의 유용성 테스트

 

출처 논문

http://www.ndsl.kr/soc_img/society/tkioa/CPTSCQ/2010/v15n12/CPTSCQ_2010_v15n12_227.pdf