지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 홍성찬
- 발행연도
- 2020
- 저작권
- 한신대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 온라인 패션 쇼핑몰 기업들은 누적된 고객의 구매 데이터를 빅데이터로 분석을 하고 이를 구매자의 상품검색 편의성 제공 및 기업의 매출 증대의 방법으로 널리 활용하고 있다. 또한 온라인 패션 상품 유통 기업들은 빅데이터 분석뿐만 아니라 상품 이미지 트렌드를 분석하고 고객이 구매하고자 하는 상품의 유사 상품을 제안함으로써 상품 검색의 편의성과 빠른 구매 결정을 유도하기 위해 딥러닝 기술을 도입하고 있다.
그러나 이러한 기술 도입이 가능하기 위해서는 상당 기간 누적된 고객의 구매 데이터가 필요하며 딥러닝 기술 도입을 위해서는 높은 시스템 비용을 투자해야만 한다. 이로인해 중소 온라인 유통기업들은 빅데이터 분석과 딥러닝 기술의 도입이 어려운 것이 현실이다.
특히 온라인 쇼핑몰 중 창업자의 비율이 높은 온라인 패션 쇼핑몰의 경우 어느 업종보다 트렌드의 분석과 재고의 운영 방안에 대한 노하우가 부재한 실정이다.
본 논문에서는 이러한 온라인 패션 쇼핑몰 기업들의 문제를 해결하기 위해 패션 상품 이미지 딥러닝을 활용한 트렌드 분석을 제안하였다. 제안한 딥러닝 분석 방법으로는 CNN(Convolutional Neural Network)의 잠재적 속성을 이용한 ANNOY(Approximate Nearest Neighbors Oh Yeah) 기반의 패션 유사 이미지 검색 기술을 활용함으로써 단시간에 트렌드 분석을 할 수 있는 방법을 제시하였다. 또한 5년간의 실제 ‘A’ 사의 온라인 패션 쇼핑몰 ‘L’에서 구매 데이터를 활용하여 온도와 가격에 따른 판매 빅데이터 분석을 통해 패션 트렌드의 기본 정보를 제공하였다[5][6].
앞서 언급한 제안 내용의 패션 트렌드 실증 실험을 위해 실제 운영 중인 300개의 온라인 쇼핑몰에서 데이터를 수집하여 딥러닝 모델을 구축하였고 딥러닝 모델을 통해 유사 상품의 검색에 소요되는 시간과 유사도를 측정하였다. 그리고 CNN 및 ANNOY를 통한 검색 결과를 각각 비교하였으며 이 결과 CNN 검색 방식에 비해 ANNOY의 경우 유사도의 정확도는 6.33%가 감소하였지만, 검색 속도는 1/300로 줄일 수 있었다. 또한 유사도의 정확도를 개선하기 위해 확장성을 가진 CANNOY 데이터 처리 기법을 제안하여 정확도를 7.18% 개선하였다[4][7].
결론적으로 본 논문에서 제안한 빅데이터 분석의 상품 판매량 분석과 딥러닝 유사도 이미지 기술을 통해 온라인 패션 쇼핑몰 기업들이 패션 트렌드를 보다 신속히 파악하고 수요예측을 가능하게 하여 재고 관리의 효율성을 올릴 수 있음을 확인하였다.
향후 패션 상품을 판매하는 온라인 패션 쇼핑몰 업체는 물론 각종 제조, 유통 기업들에게도 활용도가 높아질 것으로 기대한다. 또한 딥러닝과 빅데이터 분석의 영역을 확대하고 고도화 한다면 해외 진출 기업에도 긍정적인 도움을 줄 수 있을 것이라 기대한다.
그러나 이러한 기술 도입이 가능하기 위해서는 상당 기간 누적된 고객의 구매 데이터가 필요하며 딥러닝 기술 도입을 위해서는 높은 시스템 비용을 투자해야만 한다. 이로인해 중소 온라인 유통기업들은 빅데이터 분석과 딥러닝 기술의 도입이 어려운 것이 현실이다.
특히 온라인 쇼핑몰 중 창업자의 비율이 높은 온라인 패션 쇼핑몰의 경우 어느 업종보다 트렌드의 분석과 재고의 운영 방안에 대한 노하우가 부재한 실정이다.
본 논문에서는 이러한 온라인 패션 쇼핑몰 기업들의 문제를 해결하기 위해 패션 상품 이미지 딥러닝을 활용한 트렌드 분석을 제안하였다. 제안한 딥러닝 분석 방법으로는 CNN(Convolutional Neural Network)의 잠재적 속성을 이용한 ANNOY(Approximate Nearest Neighbors Oh Yeah) 기반의 패션 유사 이미지 검색 기술을 활용함으로써 단시간에 트렌드 분석을 할 수 있는 방법을 제시하였다. 또한 5년간의 실제 ‘A’ 사의 온라인 패션 쇼핑몰 ‘L’에서 구매 데이터를 활용하여 온도와 가격에 따른 판매 빅데이터 분석을 통해 패션 트렌드의 기본 정보를 제공하였다[5][6].
앞서 언급한 제안 내용의 패션 트렌드 실증 실험을 위해 실제 운영 중인 300개의 온라인 쇼핑몰에서 데이터를 수집하여 딥러닝 모델을 구축하였고 딥러닝 모델을 통해 유사 상품의 검색에 소요되는 시간과 유사도를 측정하였다. 그리고 CNN 및 ANNOY를 통한 검색 결과를 각각 비교하였으며 이 결과 CNN 검색 방식에 비해 ANNOY의 경우 유사도의 정확도는 6.33%가 감소하였지만, 검색 속도는 1/300로 줄일 수 있었다. 또한 유사도의 정확도를 개선하기 위해 확장성을 가진 CANNOY 데이터 처리 기법을 제안하여 정확도를 7.18% 개선하였다[4][7].
결론적으로 본 논문에서 제안한 빅데이터 분석의 상품 판매량 분석과 딥러닝 유사도 이미지 기술을 통해 온라인 패션 쇼핑몰 기업들이 패션 트렌드를 보다 신속히 파악하고 수요예측을 가능하게 하여 재고 관리의 효율성을 올릴 수 있음을 확인하였다.
향후 패션 상품을 판매하는 온라인 패션 쇼핑몰 업체는 물론 각종 제조, 유통 기업들에게도 활용도가 높아질 것으로 기대한다. 또한 딥러닝과 빅데이터 분석의 영역을 확대하고 고도화 한다면 해외 진출 기업에도 긍정적인 도움을 줄 수 있을 것이라 기대한다.
목차
Ⅰ. 서 론 11.1. 연구의 배경 11.2. 연구의 필요성 및 방법 61.2.1. 이미지 딥러닝 71.2.2. 빅데이터 수요 분석 8Ⅱ. 패션상품과 딥러닝 시스템 102.1. 딥러닝 선행 연구 및 사례 분석 102.1.1. 딥러닝 102.1.2. 딥러닝 관련 선행연구 122.1.3. 딥러닝 활용 사례 132.2. 기존 패션 상품 연구의 한계점 152.3. 패션 상품의 딥러닝 기술 연구의 필요성 182.4. 패션 상품의 딥러닝 연구 방법 192.5. 빅데이터 수요 분석의 필요성 202.6. 패션 상품의 빅데이터 연구 방법 202.7. 빅데이터를 통한 수요 분석 212.7.1. 빅데이터 기반 판매량 분석 알고리즘 212.7.2. 빅데이터의 수집 및 정형화 232.7.3. 온도, 가격 요인에 따른 빅데이터 분석 292.7.4. 빅데이터 기반 판매량 결과 분석 33Ⅲ. 패션 상품의 딥러닝 시스템 설계 및 구축 363.1. CNN 및 ANNOY 정의 363.1.1. CNN 정의 363.1.2. ANNOY 정의 373.2. 패션 상품의 딥러닝 시스템 구축 393.2.1. 패션 상품 이미지 데이터 수집 방법 393.2.2. 패션 상품 이미지 데이터 수집 결과 403.2.3. 패션 상품 이미지 데이터셋 설계 413.3. 딥러닝 기술 기반의 패션 상품 유사도 측정 기술 423.3.1. CNN 및 ANNOY 시뮬레이션 환경 구성 423.3.2. CNN 및 ANNOY 시뮬레이션 결과 473.3.3. CANNOY 정의 및 구현 513.3.4. 딥러닝 기반의 의류 유사도 측정 결과 53Ⅳ. 결론 및 향후 연구 방향 55
최근 본 자료
댓글(0)
0