테크노경영연구정보센터(CIMERR) / IE웹진
  IE웹진_top
CIMERR 테크노경영연구정보센터  
Home Home 로그인 마이페이지 사이트맵 이용문의 통합검색
           
 
 
 


전체 (190)  | [editorial] (9)  | [매거진 인물] (11)  | [특집] (50)  | [IE PRACTICE] (33)  | [IE 중소기업 포럼] (15)  | [IE 라이프] (26)  | [게시판] (8)  | [IE 아카데미] (37)  | [인사말] (1) 
개인화 서비스를 위한 추천 시스템의 연구동향
  개인화 서비스를 위한 추천 시스템의 연구동향 2012/07/04 | 조회 : 2110
 
  작성자 cimerr

 
 
개인화 서비스를 위한 추천 시스템의 연구동향


김 용 수
경기대학교
산업경영공학과 조교수

1. 개인화 서비스의 등장 배경

 최근 인터넷 서비스 및 모바일 기기의 발달에 따라, 언제 어디서든 네트워크에 접속할 수 있는 시대가 도래되었다. 아울러, 수많은 콘텐츠와 서비스가 범람하고 있으므로, 사용자 입장에서는 자신이 원하는 콘텐츠를 원하는 시점에 전달받는 것은 매우 필요한 기능이다. 즉, 사용자가 선호하리라 판단되는 콘텐츠 및 상품을 적절하게 추천하는 시스템이 범용적으로 활용되고 있으며, 이러한 추천 시스템을 활용하여 다양한 개인화 서비스가 이루어지고 있다.
 개인화 서비스의 최초 활용사례는 아마존 닷컴으로 거슬러 올라갈 수 있다. 1997년 사용자 구매이력 데이터를 바탕으로, 특정 서적을 구매했던 고객들이 선호하는 서적을 추천함으로써, 각 고객별로 맞춤화된 서적 목록을 추천하는 시스템을 제공하였다(그림 1참조). 이후 아마존은 추천 시스템 고도화에 매년 이익의 10% 이상을 투자하였으며, 더욱 정확한 추천 성능을 보일 수 있게 되었다.


<그림 1> 아마존 닷컴의 추천시스템

  또한, 온라인 DVD/비디오 대여 기업으로 시작하여 오늘날에는 온라인 스트리밍 서비스의 선도기업인 넷플릭스(Netflix)가 현재 약 2,380만명의 가입자와 23,500편의 TV프로그램, 8,250편의 영화를 제공하는 북미 최고의 미디어 엔터테인먼트 기업으로 자리매김하는데, 개인화 서비스는 큰 영향을 끼치게 되었다. 수많은 미디어 콘텐츠 중, 사용자의 선호도에 적합한 콘텐츠를 전달하는 추천시스템 개발에 많은 투자를 아끼지 않았다. 특히, 넷플릭스가 주목받게 된 이유는 추천 시스템을 자사의 엔지니어로만 개발한 것이 아니라, 1등 상금 100만달러를 내건 Netfilx Prize라는 콘테스트를 개최하여 많은 연구자들의 참여를 이끌어낸 것이기 때문이다. 즉, 아마존이 추천시스템의 태동을 알렸다면, 넷플릭스는 추천시스템의 저변을 세계적으로 확대하였다는 데 그 의의가 있다 하겠다.
 그렇다면, 오늘날 아마존과 넷플릭스를 성공기업으로 이끈 개인화 서비스는 어떠한 종류가 있으며, 어떠한 방법으로 구현되는 것인가?

2. 개인화 서비스의 종류

  개인화 서비스는 개인화의 판단 주체에 따라 설정형 개인화와 학습형 개인화로 구분할 수 있다. 설정형 개인화는 각 사용자가 자신의 판단에 따라 사전 설정에 의해 개인화가 이루어지는 것이며 사용자의 클릭 패턴 또는 구매 여부 등을 분석하지 않는다. 반면에, 학습형 개인화는 사용자의 인구통계학적 정보는 물론 클릭패턴 및 구매여부 등을 분석하여, 사용자가 선호하리라 판단되는 콘텐츠를 공급자가 추천하는 것이다. 오늘날 두 유형 모두 개인화 서비스로 일컫고 있으나, 전자는 추천시스템의 적용이 필요하지 않은 반면, 후자는 각 사이트에 적합한 추천시스템의 개발이 요구된다.
  따라서, 추천 시스템은 고객 개인별로 스타일과 선호도를 파악하여야 하며, 고객 개개인의 동적인 행위를 분석하여 다양한 관점에서의 선호도를 추출하고 이를 학습함으로써, 각 개인별로 다른 서비스 또는 콘텐츠를 제공하는 것이다(그림 2참조). 첫째, 각 사용자가 어떠한 콘텐츠를 선호하는지 학습하여야 한다. 이는 특정 아이템에 대한 선호도 뿐 아니라, 해당 카테고리 및 콘텐츠 속성에 대한 선호도를 모두 학습하는 것을 의미한다. 예를 들어, 특정 사용자의 음악에 대한 선호도라고 하면, 음원에 대한 선호도, 장르 선호도, 세부장르 선호도 및 아티스트 선호도 등을 학습하게 된다. 둘째, 각 사용자의 선호도와 유사한 선호패턴을 갖는 집단인 Neighbor를 결정해야 한다. 이는 특정 사용자에게 적합한 콘텐츠를 추천하고자 할 때, 과거 그 사용자와 유사한 성향을 지닌 사용자들이 선호했던 콘텐츠를 추천하기 위함이다(3.추천시스템의 종류 참조). 셋째, 사용자가 콘텐츠 또는 서비스를 어느 상황(context)에서 소비하는지 파악함으로써 적절한 추천 시점을 결정할 수 있다. 예를 들어, 주말 번화가에 방문한 20대 여성에게 해당 고객이 선호할만한 인근 레스토랑의 할인 쿠폰을 문자를 통해 전달할 수도 있을 것이며, 액션영화를 선호하며 주로 주말에 영화를 감상하는 30대 남성에게는 금요일 저녁쯤 영화 정보를 제공한다면, 추천의 효용성을 더욱 높일 수 있게 된다. 최근 스마트폰의 활성화와 함께 상황 인식에 대한 정보는 더욱 유용하게 활용되고 있다.


<그림 2> 추천 시스템의 개념

3. 추천 시스템의 연구동향

 최근까지 많은 연구에서 추천 시스템에 관한 연구가 진행되어 왔으며, 기존 연구는 크게 두 가지로 구분될 수 있다. 첫째, 추천 알고리즘 및 방법론에 초점을 맞춘 연구, 둘째, 추천 시스템의 응용을 위한 시스템 구성 및 적용에 관한 연구이다.

■ 추천 알고리즘에 관한 연구
 추천 알고리즘은 크게 협업적 필터링(collaborative filtering), 내용기반필터링(content based filtering)과 두 기법을 접목한 하이브리드 기법(hybrid method)으로 구분될 수 있다(그림 3 참조).


<그림 3> 예시) 협업적 필터링과 내용기반 필터링


 협업적 필터링은 각 사용자별로 그 사용자와 가장 선호 정보가 비슷한 사용자들을 이웃(neighbor)으로 찾은 다음, 이웃들이 선호하는 상품을 그 사용자에게 추천하는 것이다. 비슷한 사용자인 이웃을 찾을 때는 Pearson correlation coefficient, constrained Pearson correlation coefficient, Jaccard coefficient, cosine vector 등이 활용된다. 이러한 측도를 활용하여 각 사용자와 성향이 유사한 사용자를 찾아낸 다음, 각각의 가중평균으로 각 사용자가 접하지 못한 상품 또는 아이템에 대한 선호도를 예측하게 되는 것이다. 각각의 유사도 측도에 따라 이웃(neighbor)이 다르게 형성되고 이에 따라 선호도 점수가 매우 상이하게 나타나므로, 이웃형성과정이 협업적 필터링에 매우 중요한 요소라 할 수 있다. 2000년대 중반까지 이루어진 협업적 필터링에 관한 연구는 주로 사용자가 접한 뉴스 또는 음악의 선호도를 사용자가 직접 평가한 데이터(explicit data) 또는 상품의 구매여부(binary data)와 같은 데이터를 바탕으로 협업적 필터링에 대한 연구가 이루어졌다. 그러나 2000년대 중후반부터는 전자상거래 사이트에서 사용자의 행동 및 탐색 패턴을 고려한 협업적 필터링 기법이 개발되었다. 즉, 사용자가 선호도를 직접 입력하지 않더라도, 사용자의 이용 패턴을 통해 추천된 선호도를 활용함으로써 자동화된 협업적 필터링 기법을 개발한 것이다.
  그러나, 협업적 필터링의 경우 데이터가 많지 않은 경우에는 각 사용자와 선호 정보가 유사한 이웃을 찾기 어려우므로 유용하지 못할 뿐만 아니라, 사용자 수가 많을 경우 연산속도가 매우 느려지는 단점이 있다. 이를 보완하기 위해 차원감소 기법을 협업적 필터링에 적용한 연구도 수행되었다. 차원감소기법은 사용자가 평가하지 않은 (또는 클릭하지 않은) 아이템의 초기 선호도 값을 평균값 등으로 모두 채운 다음 추정 작업을 진행하므로 모든 아이템에 대해 선호도를 예측할 수 있다는 장점이 있다. 따라서, 데이터의 밀도가 높지 않은 경우에는 차원감소기법이 전통적인 협업적 필터링 기법의 대안이 될 수 있다. 여러 차원감소기법 중, 가장 보편적으로 활용되는 것은 특이값 분해 기법(SVD: Singular Value Decomposition)이다. 2009년 Netflix Prize에서 1위를 차지한 Koren 등의 알고리즘도 특이값 분해 기법을 협업적 필터링에 접목한 알고리즘이었다. 즉, 차원감소기법의 적용은 연산속도의 감소는 물론 예측력 향상에도 큰 성과를 나타내었다. 통상적으로 차원을 축소할 경우 정보량이 감소하므로 예측력은 떨어지는 것으로 알려져 있으나, 이와 같이 오히려 예측력이 높아지는 연구도 종종 발표되고 있다. 이는 정보량이 감소될 경우, 주로 잡음(noise)이 감소되어 오히려 전체적인 예측력이 향상되는 것으로 필자는 추정한다. 따라서, 사용자의 로그 데이터와 같이 잡음이 많은 데이터의 경우, 차원감소기법의 적용이 예측력 향상에 도움이 되리라 판단된다.
  한편, 내용기반필터링은 사용자간의 선호 정보를 활용하는 것이 아니라 각 사용자 별 특정 콘텐츠 또는 상품의 속성을 학습하는 것을 기반으로 한다. 내용기반필터링 기법은 정보검색 또는 정보추출 분야에서 발전된 것으로써, 콘텐츠 또는 상품의 추천을 위해 콘텐츠 또는 상품의 내용과 사용자가 요구하는 정보간의 유사도를 계산한 다음, 그 결과를 순위화하여 나타내는 것이다. 이와 같이 콘텐츠의 내용을 기반으로 하여 추천 하는 기법을 내용기반 필터링이라 한다. 이를 구현하기 위해 사용되는 방법으로는 가중치 기법, 적합성 피드백, 확률검색 모형 등을 활용한다. 그러나, 내용기반 필터링 기법은 사용자 프로파일과 비교하여 높은 점수를 갖는 콘텐츠 또는 상품을 추천하므로, 유사한 콘텐츠 또는 상품들이 계속하여 추천하는 단점이 존재한다. 또한, 각 콘텐츠 또는 상품의 내용을 일일이 정의하는 것이 매우 어려우며, 특히, 음악, 그림, 문서와 같은 콘텐츠의 경우 각 내용을 속성별로 정의하는 것은 쉽지 않다. 따라서, 현재까지 주로 이용되는 내용은 음악의 장르 또는 문서의 분류에 불과하며, 이 또한 모든 콘텐츠에 대해 등록자가 각각 수작업으로 분류해야 하는 번거로움이 있어 활발히 연구가 진행되지 못하였다. 그러나, 최근에는 텍스트마이닝을 활용하여 문서 내에 문장들로부터 해당 문서의 내용을 정확히 표현하는 키워드를 추출하는 자동화된 내용기반 필터링 기법도 제안되었다.
  위의 두 기법의 단점을 극복하기 위해 협업적 필터링과 내용기반필터링을 접목한 하이브리드 기법도 연구되고 있다. 대부분의 하이브리드 기법은 협업적 필터링 기법에 기반을 둔 채 내용기반필터링 기법을 가미하는 수준의 연구가 주를 이루고 있으며, 최근에는 각 사용자의 선호 패턴에 따라 협업적 필터링과 내용기반필터링 기법의 결과를 적절하게 조합하여 추천하는 방법론도 개발되고 있다.

■ 추천 시스템 응용에 관한 연구

 1990년대 후반부터 2000년대 초반까지 주로 이루어졌던 응용 범위는 영화와 음악에 관한 것이 주를 이루었다. 이는 영화와 음악이 사용자의 선호도를 비교적 명확히 드러내는 분야일 뿐 아니라, MovieLens 연구 그룹의 데이터 공유로 인하여 초기 연구자들이 해당 데이터를 쉽게 취득할 수 있었기 때문이다. 그러나, 해당 데이터는 연구를 위해 수집한 것으로써, 각 아이템에 대한 선호도를 사용자로부터 명시적으로 입력받는 형태이므로 활용 가능성이 부족하다. 따라서, 상업적인 활용을 위한 초기의 추천 시스템은 앞서 언급한 아마존과 넷플릭스가 초기의 연구라 할 수 있다. 즉, 초기에는 7점 척도로 사용자가 직접 입력한 명시적 데이터(explicit rating data) 또는 구매 여부와 같은 이진 데이터(binary data)가 단일 서버에 적재되어 있는 경우의 연구가 주로 이루어졌다.
 
그러나, 2000년대 초반을 지나 중반에 접어들면서 전자상거래 사이트에서 고객의 클릭 패턴을 대상으로 하는 암묵적 데이터(implicit rating data)에 대한 연구가 이루어졌으며, P2P 환경에서와 같이 분산 처리를 고려한 협업적 필터링에 대한 연구도 수행되었다. 또한 모바일 쇼핑몰 영역에까지 확장되어 장소와 시간 정보를 활용함으로써 기존의 추천 시스템보다 차별화된 시스템이 개발되었다.
  2000년대 후반에 접어들면서, 그 활용범위가 넓어져 전자상거래 또는 인터넷 콘텐츠 사이트 뿐 아니라, 교육 영역에도 추천 시스템이 적용되었다. 개인화된 영어 학습을 위한 추천시스템이 제안되었고, 학업 성취도에 따른 맞춤화된 교육 서비스 제공을 위한 추천 시스템도 개발되었다. 물론 여전히 블로그 추천시스템이나 TV 프로그램 추천 시스템과 같은 전통적 인터넷 서비스와 스마트폰을 대상으로 하는 서비스에도 적용되고 있다.
 
또한 최근에는 추천 시스템의 방법론이 기업의 경영활동에 기여하기 위해 적용된 연구도 많이 이루어지고 있다. 이동통신 업체에서 해지율 방어를 위해 추천 방법론이 적용되었으며, 기업 내 부서간의 지식공유 사이트에서 각 담당자에게 필요한 지식을 제공하는 추천 시스템도 개발되는 한편, 효율적인 프로젝트 관리를 위한 추천시스템도 개발되고 있다.

4. 개인화 서비스의 활용사례

  앞 절에서 언급된 추천 시스템의 적용 사례는 대학 및 연구소에서 연구를 위해 개발된 사이트 또는 중소기업의 소규모 사이트에 적용한 연구를 주로 언급하였다. 본 절에서는 메이저 기업들의 개인화 적용 사례와 현재 주목받고 있는 개인화 적용사례에 대해 소개하고자 한다.
  2000년대 초반 아마존과 넷플릭스의 추천 시스템의 성공 스토리 이후, 2000년 중후반에 인터넷 업체들의 큰 화두는 개인화 서비스였다. 특히, 2007년 5월 Eric Schmidt는 “개인화는 구글의 핵심영역이며, 개인정보 수집은 구글 성장을 위한 가장 큰 핵심 영역이다”라고 공표하였고, 실제로 검색엔진과 동일한 비중으로 개인화 서비스에 투자한다고 천명하였다. 또한, 구글의 경쟁자인 Yahoo의 Tapan Bhat는 2007년 Next Web Conference에서 “웹의 미래는 개인화다”라고 언급했으며, 네이버의 최휘영 사장도 2008년 6월 “전문화, 개인화 검색은 웹 2.0 시대를 대비한 네이버의 카드다”라고 언급하였다. 2007-2008년 웹 포털 업체의 경영자들은 이구동성으로 개인화의 가치를 언급하였고, 실제 서비스를 개발하였다.
 
먼저, 구글의 첫 번째 개인화 서비스인 I-google은 E-mail, RSS, 캘린더, 검색 등 사용자가 설정하는 기준에 따라 구성되는 개인화 페이지이다. 앞서 언급한 설정형 개인화 서비스의 대표사례로 일컬을 수 있으며, 구글은 사용자의 선호도 학습보다는 사용자가 선호할만한 위젯을 개발하는 것을 주방향으로 설정하였다. 한편, 구글은 개인화 검색 기능을 제공하기 위해 로그인한 사용자에 한해 맞춤화된 검색 결과를 제공하였다. 예를 들어, “Michael Jordan”을 검색할 때, 통상적으로 농구선수인 Michael Jordan을 맨 위에 노출하나, “computer science” 또는 “artificial intelligence”를 주로 검색했던 사용자에게는 UC Berkeley 전산학과의 Michael Jordan 교수를 최상위에 노출하는 형식이다.
  Yahoo 역시 “My Yahoo” 서비스를 개시하면서, 개인화를 강조한 사용자 중심의 홈페이지 개편을 실시하였다. 이 서비스 역시 I-google 서비스와 유사한 설정형 개인화 서비스의 일환이었다. 한편, 네이버 역시 오픈캐스트 서비스를 개시하였는데, 위의 두 서비스와 유사한 설정형 개인화 서비스이나, 누구나 정보 제공자(캐스트)가 될 수 있음을 강조하였다는 면에서 차이점이 있다.
 
이와 같이 대표적인 국내외 포털 업체에서는 주로 설정형 개인화 서비스를 실시하였으며, 구글만이 검색 개인화를 통해 학습형 개인화 서비스를 출시하였다. 그러나, 설정형 개인화 서비스는 사용자 관점에서 큰 흥미를 유발하지 못할 뿐 아니라, 포털 업체의 성격 상 추천 콘텐츠의 클릭이 매출로 이어지지 못한다는 측면에서 큰 효과를 기대할 수 없었다. 특히, 구글의 개인화 검색 서비스 역시, 로그인을 한 후 검색을 실시하는 사용자의 비중이 낮은 것을 감안하면, 시작부터 큰 기대를 할 수 없는 것이었다. 그럼에도 불구하고, 포털업체들이 개인화 서비스를 실시한 배경은 사용자의 정보를 수집하기 위함이었다. 즉, 기존의 포털 사이트는 로그인 없이 사용하는 경우가 많고, 특히 검색 서비스를 주로 하는 구글의 경우에는 더욱 그러하였다. 따라서, 맞춤화된 서비스를 첫 화면에 제공함으로써, 사용자들의 로그인을 유도한 다음, 사용자의 정보를 수집하고자 하였다. 그러나, 특별한 매력이 없는 설정형 개인화 서비스에 많은 사용자들은 등을 돌렸으며, 오늘날 크게 성공하지 못한 서비스로 남아 있게 된 것이다.
  이 시점에서 2010년 7월에 발표한 아마존과 페이스북의 제휴는 시사하는 점이 크다. 페이스북과 아마존에 모두 계정이 있는 사용자의 경우, 페이스 북의 정보를 활용하여 아마존에서 상품을 추천받게 되는 것이다. 추천 시스템의 성공사례로 꼽히는 아마존은 자신들이 보유하지 못한 정보를 페이스북으로부터 획득하여, 더욱 예측력 높은 추천 결과를 나타내고자 하는 것이다. 예를 들어, 페이스북을 통해 확보된 생일, 친구정보, 친구그룹, 게시글 등에서 획득한 데이터를 바탕으로 효과적인 추천 시점 및 추천 목록을 결정할 수 있을 것이다.
  국내사례로는 음원제공 사이트인 멜론을 들 수 있다. 멜론은 학습형 개인화 서비스를 실시하였으며, 협업적필터링과 내용기반필터링을 활용하여 음악 및 아티스트를 추천하는 서비스를 선보였다. 다른 서비스와의 차이점은 추천 목록을 일방적으로 노출하는 것이 아니라, 추천 이유를 함께 제시함으로써 사용자의 수용도를 높이고자 노력하였다. 예를 들어, “가수 A를 선호하는 홍길동님에게 적합한 노래입니다” 또는 “30대 남성이 선호하는 음악입니다”와 같이 협업적 필터링과 내용기반필터링 기법으로부터 도출된 추천 목록에 근거를 함께 제시한 최초의 시도였다. 또한, SK텔레콤의 모바일 뉴스 추천 시스템도 출시되었는데, 이는 모바일 폰의 특성 상 작은 화면에 많은 뉴스를 노출할 수 없으므로, 각 사용자별로 가장 적합한 뉴스를 최상위에 노출하는 서비스이다. 그러나, 두 서비스 모두 큰 반향을 일으키지 못하였는데, 이는 첫 화면과 같이 사용빈도가 높은 페이지에 노출되지 못하고 마이페이지와 같이 사용 빈도가 낮은 곳에 위치한 점이 주요 원인으로 판단된다. 즉, 진보된 기술이라 하더라도 추천 내용을 어떻게 보여주느냐에 따라 그 효과는 매우 상이하다는 점을 주지해야 할 것이다.
  한편, 최근에 중요한 포인트로 인식되는 것은 바로 상황정보(context)이다. 오늘날 스마트폰의 활발한 보급과 더불어, 개인의 위치 및 시간정보는 물론 인구통계학적 정보를 실시간으로 끊임없이 확보할 수 있는 시대이다. 아직 초기이긴 하나 미국의 지역정보사이트인 Yelp는 주목할 만하다. 2004년 창업한 Yelp는 식당과 병원 등 각종 소매업체에 대해 1,800만건의 사용후기를 보유하고 있으며 월 방문객이 6,600만명에 달하는 사이트로서, 스마트폰 애플리케이션을 통해 특정 지역의 소매점 정보를 추천하는 서비스를 제공한다. 즉, 각 사용자의 위치 정보를 기반으로 사용자의 성향을 그룹화한 다음, 선호할만한 레스토랑을 비롯한 각종 소매점 을 추천함으로써 2011년 8,330만달러의 매출을 올렸다.
  아마존의 최근 행보와 Yelp의 급성장으로부터 얻을 수 있는 교훈은 우수한 추천 시스템의 선결조건은 바로 높은 품질의 데이터 확보이며, 이를 위해 스마트폰의 위치 및 시간 정보는 향후 개인화 서비스의 도약에 큰 영향을 미칠 것이라는 점이다.

5. 맺음말

  2000년대 초반 아마존 및 넷플릭스의 성공사례로 시작된 추천 시스템에 대한 논의는 어느 덧 10년이 지나버렸다. 지난 10년 동안 추천 알고리즘에 대한 연구 및 추천 시스템의 각종 활용 사례 등이 많이 발표되었으나, 아마존과 넷플릭스에 필적할만한 성공 스토리는 등장하지 못하고 있다. 필자는 이러한 원인을 이종콘텐츠(heterogeneous contents)를 다루는 추천 시스템의 연구가 부족하였던 것과 데이터 품질을 고려한 추천 시스템에 대한 연구가 이루어지지 못하였기 때문으로 판단한다. 즉, 기존의 성공사례는 동종콘텐츠(homogeneous contents)인 서적과 영화에 국한한 것이었으나, 최근 포털업체는 특정 분야 뿐 아니라 모든 영역에 대한 개인화를 추구하며 실패한 것이다. 아울러, 데이터의 밀도 및 분포 등은 감안하지 않은 채 동일한 추천 알고리즘을 적용함으로써 각 사이트에 맞춤화된 추천 방법론을 제시하지 못한 점도 실패 원인으로 들 수 있다. 즉, 아마존과 넷플릭스는 끊임없이 자신들의 서비스에 적합한 ad-hoc한 알고리즘으로 진화한 반면, 다른 서비스들은 일반화된 방법론만을 적용함으로써 효용성을 극대화하지 못한 것이다.
 
따라서, 향후 필요한 연구는 다양한 경로로 수집된 이종콘텐츠를 어떻게 활용할 것인가 하는 것과 데이터 분포에 따른 추천 알고리즘을 개발하는 것이다. 이를 위해서는 DB를 능숙하게 다루고 실제 프로그램을 구현할 수 있는 컴퓨팅 능력과 통계 및 데이터마이닝 활용할 수 있는 분석 능력, 시스템적 관점으로 전체를 조망할 수 있는 능력이 요구된다. 따라서, 이와 같은 분야를 연구하는 산업공학도야말로 개인화 서비스의 제2의 중흥기를 이끌 수 있을 것이라 소개하며 글을 맺고자 한다.

 


>> 김용수

  • 학력: KAIST 산업공학과 (학사/석사/박사)
  • 전) SK텔레콤 (2006.03-2008.08)
  • 전) 성결대학교 산업경영공학부 전임강사(2008.09-2010.02)
  • 현) 경기대학교 산업경영공학과 조교수 (2010.03-현재)



중소기업형 미래유망 사업화 신규 아이템 발굴을 위한 프로세스
<UX(User Experience)와 산업공학>산업공학과와 함께 하는 혁신아이콘 UX





 
 
 
 
   
 
 
 
 
이용약관 개인정보취급방침 이메일주소 무단 수집거부 이용문의 Archive
 
Copyright © CIMERR. All rights reserved. ☎ 054)279-8220, e-mail : webmaster@cimerr.net
System 정기점검 : 매월 세번째주 목요일 22:00-03:00