OCR-LLM 기반 판매논리 자동 생성 프레임워크

A Framework for Automating Sales Logic Generation Using OCR and LLM

최근 가전제품 유통 환경은 오프라인 대면 구매에서 온라인 기반의 비대면 구매로 빠르게 전환되고 있다. 이와 같은 구매 트렌드 변화에 따라, 소비자가 구매 결정과정에서 매장 직원의 설명 대신 스스로 정보를 탐색하고 비교하는 경향이 뚜렷하게 나타나고 있다. 하지만 대표적인 고관여 제품인 가전제품은 일반적으로 고가이면서 기술적으로 복잡하다는 특성을 갖고 있으므로, 단순한 사양 나열 수준의 설명으로는 구매 결정을 효과적으로 유도하기 어렵다는 특성을 갖는다. 이러한 문제를 해결하기 위해, 본 연구는 상품 이미지로부터 소비자의 구매 동기를 자극하는 FAB 구조의 설득형 판매 논리를 자동으로 생성하기 위한 OCR-LLM 기반 프레임워크를 제안한다. 제안 프레임워크는 텍스트 추출 모듈과 판매논리 생성 모듈의 두 모듈로 구성되며, 이미지 전처리, OCR, LLM 정제, 그리고 판매논리 생성의 네 단계로 구성된다. 제안 방법론의 실효성을 확인하기 위해 국내 주요 유통사의 실제 제품 상세 이미지를 기반으로 실험을 수행하였다. 실험 결과 제안 방법론이 생성한 판매논리는 문장당 평균 1.95개의 구매동기를 포함하고 제품별 평균 86.64%의 동기 항목을 포괄하여, 단순 사양 나열을 넘어선 다층적 설득 구조를 형성하는 것으로 나타났다. 이러한 설득형 문장은 소비자와 비대면 상호작용을 수행하는 LLM 기반 시맨틱 검색 및 챗봇 등 AI 에이전트 시스템에서, 구매 전환을 유도하는 응답 생성을 위한 유의미한 자원으로 활용가치가 높을 것으로 기대한다.

The home appliance retail environment is rapidly shifting from offline, face-to-face purchases to online, contactless transactions. Along with this trend, consumers are increasingly inclined to explore and compare information independently, rather than relying on in-store sales staff. In particular, high-priced and technologically complex home appliances are considered high-involvement products, and their purchase decisions involve extensive pre-purchase information search. As such, simple specification listings are often insufficient to effectively influence purchase decisions. To address this issue, this study proposes an OCR-LLM-based framework for automatically generating persuasive sales logic in the FAB (Features-Advantages-Benefits) structure from product images, aimed at stimulating consumer purchase motivation. The proposed framework consists of two main modules: a text extraction module and a sales logic generation module, and it operates through four automated stages-image preprocessing, OCR, LLM-based text refinement, and sales logic generation. Experiments were conducted using real product detail images from a major domestic retailer. The results show that the generated sentences include an average of 1.95 purchase motivations per sentence and cover an average of 86.64% of key motivation items per product, thereby forming a multi-layered persuasive structure that goes beyond simple specification descriptions. Furthermore, these persuasive sentences can serve as valuable knowledge resources for AI agent systems-such as LLM-based semantic search and chatbots-that replace human interaction in contactless purchase environments and aim to generate responses that drive purchase conversion.