KR101885032B1 - 예측 모델 기반의 매출 예측 장치 및 방법 - Google Patents

예측 모델 기반의 매출 예측 장치 및 방법 Download PDF

Info

Publication number
KR101885032B1
KR101885032B1 KR1020170074428A KR20170074428A KR101885032B1 KR 101885032 B1 KR101885032 B1 KR 101885032B1 KR 1020170074428 A KR1020170074428 A KR 1020170074428A KR 20170074428 A KR20170074428 A KR 20170074428A KR 101885032 B1 KR101885032 B1 KR 101885032B1
Authority
KR
South Korea
Prior art keywords
sales
market share
product group
target product
retail store
Prior art date
Application number
KR1020170074428A
Other languages
English (en)
Inventor
변덕수
윤성준
최인철
박창호
최유정
Original Assignee
삼성물산 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성물산 주식회사 filed Critical 삼성물산 주식회사
Priority to KR1020170074428A priority Critical patent/KR101885032B1/ko
Application granted granted Critical
Publication of KR101885032B1 publication Critical patent/KR101885032B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 예측 모델 기반의 매출 예측 장치 및 방법에 관한 것이다. 본 발명에 따른 예측 모델 기반의 매출 예측 장치는, 복수의 상품군에 대한 경쟁 브랜드 수, 상품군 매출 및 외형매출을 기준으로 각 기준항목에 대한 평균 시장점유율을 정의한 기준 테이블을 저장하는 데이터베이스, 대상 상품군의 기준 테이블로부터 예측 대상 소매점의 대상 상품군의 정보에 대응하는 각 기준항목별 평균 시장점유율을 추출하여 상기 각 기준항목별 가중치를 계산하는 가중치 계산부, 상기 예측 대상 소매점의 대상 상품군의 정보에 대한 각 기준항목별 평균 시장점유율 및 상기 계산된 각 기준항목별 가중치를 적용하여 예측 모델을 생성하는 예측 모델 생성부, 및 상기 예측 모델을 이용하여 상기 예측 대상 소매점의 대상 상품군에 대한 매출을 예측하는 매출 예측부를 포함한다.

Description

예측 모델 기반의 매출 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING SALES BASED ON PREDICTION MODEL}
본 발명은 예측 모델 기반의 매출 예측 장치 및 방법에 관한 것이다.
종래에는 유사 소매점 기반, 시장점유율 기반 또는 주요 경쟁사 대비율 기반으로 대상 상품군에 대한 매출을 예측하였다.
유사 소매점 기반의 매출 예측 방식의 경우, 유사 소매점의 선정 기준이 불명확하고, 유사 소매점 내 자사 브랜드의 매출을 일률적으로 적용하기 때문에 매출 예측의 적중률이 저조하였으며, 경쟁사의 데이터를 반영할 수 없었다.
또한, 시장점유율 기반의 매출 예측 방식의 경우, 특정 지역이나 특정 경쟁사의 일부 데이터를 이용하기 때문에 정보의 정확도가 떨어지고, 각 소매점마다 매출 정보가 다름에도 불구하고 동일한 시장점유율을 반영하기 때문에 매출 예측의 적중률이 저조하였다.
마지막으로, 주요 경쟁사 대비율 기반의 매출 예측 방식의 경우, 경쟁사 지역의 평균 매출을 활용하기 때문에 브랜드 별 매출의 차이에 따른 데이터의 왜곡이 크고, 각 브랜드 별 편차가 컸다.
한편, 종전의 관능평가결과와 시장점유율 정보로부터 관능품질경쟁력과 시장점유율 사이의 관계식을 도출하여, 신제품의 새로운 관능평가결과로부터 시장점유율을 예측하는 매출액 예측시스템에 관한 선행기술로 대한민국 등록특허 제10-0795751호가 개시된 바 있다.
대한민국 등록특허 제10-0795751호 (2008.01.17. 공고)
본 발명의 목적은, 경쟁사의 데이터를 반영하면서 상품군 매출의 유동성을 고려하여 예상 매출 적중률을 증대시킨 예측 모델을 구축하고, 구축된 예측 모델을 이용하여 예측 대상 소매점의 대상 상품군에 대한 매출 예측이 용이하도록 한 예측 모델 기반의 매출 예측 장치 및 방법을 제공함에 있다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 예측 모델 기반의 매출 예측 장치는, 복수의 상품군에 대한 경쟁 브랜드 수, 상품군 매출 및 외형매출을 기준으로 각 기준항목에 대한 평균 시장점유율을 정의한 기준 테이블을 저장하는 데이터베이스, 대상 상품군의 기준 테이블로부터 예측 대상 소매점의 대상 상품군의 정보에 대응하는 각 기준항목별 평균 시장점유율을 추출하여 상기 각 기준항목별 가중치를 계산하는 가중치 계산부, 상기 예측 대상 소매점의 대상 상품군의 정보에 대한 각 기준항목별 평균 시장점유율 및 상기 계산된 각 기준항목별 가중치를 적용하여 예측 모델을 생성하는 예측 모델 생성부, 및 상기 예측 모델을 이용하여 상기 예측 대상 소매점의 대상 상품군에 대한 매출을 예측하는 매출 예측부를 포함하는 것을 특징으로 한다.
또한, 상기 가중치 계산부는, 대상 상품군의 기준 테이블로부터 추출된 각 기준항목별 평균 시장점유율의 상관도를 분석하고, 상기 상관도 분석 결과에 따라 상기 각 기준항목별 가중치를 계산할 수 있다.
또한, 상기 가중치 계산부는, 상기 각 기준항목별 평균 시장점유율의 상관도 분석 결과에 대한 백분율을 계산하여 상기 각 기준항목별 가중치를 계산할 수 있다.
또한, 상기 매출 예측부는, 예측 대상 소매점의 대상 상품군에 대한 매출 예측 요청이 있으면 상기 예측 대상 소매점의 대상 상품군에 대응하여 생성된 예측 모델을 호출하고, 상기 예측 모델은, 상기 예측 대상 소매점의 대상 상품군에 대한 각 기준항목별 평균 시장점유율 및 가중치를 이용하여 기준 시장점유율을 계산하고, 상기 대상 상품군의 매출합에 상기 기준 시장점유율을 반영하여 예상 매출액을 계산할 수 있다.
또한, 상기 예측 모델에 의해 계산된 기준 시장점유율이 기준치 미만인지 판단하여 상기 기준치 미만인 경우 상기 계산된 예상 매출액을 보상하는 매출 보상부를 더 포함할 수 있다.
또한, 상기 매출 보상부는, 상기 예측 대상 소매점의 대상 상품군에 대한 경쟁 브랜드 수 및 외형매출에 기초하여 경쟁지수를 계산하고, 상기 계산된 예상 매출액에 상기 경쟁지수를 더하여 예상 매출액을 보상할 수 있다.
또한, 상기 매출 보상부는, 상기 예측 대상 소매점의 대상 상품군에 대한 외형매출을 경쟁 브랜드 수로 나눈 값에 미리 정의된 보정지수를 반영하여 상기 경쟁지수를 계산할 수 있다.
또한, 상기 데이터베이스는, 복수의 상품군 각각에 대응하여 각 기준항목별로 평균 시장점유율을 정의한 기준 테이블을 저장할 수 있다.
또한, 복수의 상품군 각각에 대한 소매점별 전년도 매출 데이터를 수집하여 상기 수집된 매출 데이터를 상기 각 기준항목에 대해 미리 정의된 각 레인지 별로 분류하고, 상기 각 기준항목마다 레인지 별로 분류된 매출 데이터로부터 평균 시장점유율을 계산하는 M/S 계산부를 더 포함할 수 있다.
또한, 상기 M/S 계산부는 상기 각 기준항목의 레인지 별로 계산된 평균 시장점유율에 기초하여 각 상품군에 대한 기준항목별 기준 테이블을 생성할 수 있다.
한편, 본 발명의 다른 측면에 따른, 예측 모델 기반의 매출 예측 방법은, 복수의 상품군에 대한 경쟁 브랜드 수, 상품군 매출 및 외형매출을 기준으로 각 기준항목에 대한 평균 시장점유율을 정의한 기준 테이블을 데이터베이스에 저장하는 단계, 대상 상품군의 기준 테이블로부터 예측 대상 소매점의 대상 상품군의 정보에 대응하는 각 기준항목별 평균 시장점유율을 추출하여 상기 각 기준항목별 가중치를 계산하는 단계, 상기 예측 대상 소매점의 대상 상품군의 정보에 대한 각 기준항목별 평균 시장점유율 및 상기 계산된 각 기준항목별 가중치를 적용하여 예측 모델을 생성하는 단계, 및 상기 예측 모델을 이용하여 상기 예측 대상 소매점의 대상 상품군에 대한 매출을 예측하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 경쟁사의 데이터를 반영하면서 상품군 매출의 유동성을 고려하여 예상 매출 적중률을 증대시킨 예측 모델을 구축하고, 이를 이용하여 예측 대상 소매점의 대상 상품군에 대한 매출 예측의 정확도를 크게 향상시키는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 매출 예측 장치의 구성을 도시한 도면이다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 기준 테이블을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 3a 내지 도 3d는 기준 시장점유율을 산출하는 동작을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 예측 모델을 도시한 도면이다.
도 6 내지 도 9는 본 발명의 일 실시예에 따른 매출 예측 방법에 대한 동작 흐름을 도시한 도면이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 매출 예측 장치의 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 매출 예측 장치는 제어부(110), 인터페이스부(120), 통신부(130), 데이터베이스(DB)(140), M/S 계산부(150), 가중치 계산부(160), 예측 모델 생성부(170), 매출 예측부(180) 및 매출 보상부(190)를 포함할 수 있다. 여기서, 제어부(110)는 장치의 각 구성요소들 간에 전달되는 신호를 처리할 수 있다.
인터페이스부(120)는 사용자로부터의 제어 명령을 입력 받기 위한 입력수단(미도시)과 장치의 동작 상태 및 결과 등을 출력하는 출력수단(미도시)을 포함할 수 있다.
여기서, 상기 입력수단은 키 버튼을 포함할 수 있으며, 마우스, 조이스틱, 조그셔틀, 스타일러스 펜 등을 포함할 수도 있다. 또한, 입력수단은 디스플레이 상에 구현되는 소프트 키를 포함할 수도 있다.
상기 출력수단은 디스플레이를 포함할 수 있으며, 스피커와 같은 음성출력수단을 포함할 수도 있다. 이때, 터치 필름, 터치 시트, 터치 패드 등의 터치 센서가 디스플레이에 구비되는 경우, 디스플레이는 터치 스크린으로 동작하며, 입력수단과 출력수단이 통합된 형태로 구현될 수 있다.
이때, 디스플레이는 액정 디스플레이(Liquid Crystal Display, LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display, TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode, OLED), 플렉시블 디스플레이(Flexible Display), 전계 방출 디스플레이(Feld Emission Display, FED), 3차원 디스플레이(3D Display) 중에서 적어도 하나를 포함할 수 있다.
통신부(130)는 무선 인터넷 접속 또는 근거리 통신(Short Range Communication)을위한통신모듈을포함할수있다. 이때, 통신모듈은 매출 예측 장치 외부의 적어도 하나의 통신장치로부터 매출 데이터를 수신할 수 있다. 또한, 통신모듈은 예측 모델 및/또는 매출 예측 결과를 외부의 적어도 하나의 통신장치로 송신할 수도 있다.
여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN, WLAN), 와이브로(Wireless Broadband, Wibro), 와이파이(Wi-Fi), 와이맥스(World Interoperability for Microwave Access, Wimax) 등이포함될수있으며, 근거리 통신 기술로는 블루투스(Bluetooth), 지그비(ZigBee), UWB(Ultra Wideband), RFID(Radio Frequency Identification), 적외선통신(Infrared Data Association, IrDA) 등이 포함될 수 있다.
DB(140)는 장치가 동작하는데 필요한 데이터 및/또는 알고리즘 등을 저장할 수 있다. 일 예로, DB(140)는 상품군에 대한 예측 모델을 생성하기 위한 알고리즘이 저장될 수 있으며, 생성된 예측 모델이 저장될 수 있다. 이때, DB(140)는 소매점별 및/또는 상품군별 예측 모델이 각각 저장될 수 있다. 또한, DB(140)는 예측 모델을 통해 대응하는 상품군에 대한 매출을 예측하기 위한 명령 및/또는 알고리즘이 저장될 수 있다.
여기서, DB(140)는 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), PROM(Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory)와 같은 저장매체를 포함할 수 있다.
한편, M/S 계산부(150)는 특정 상품군에 대한 각 소매점별 매출 데이터를 수집하고, 수집된 매출 데이터를 이용하여 해당 상품군에 대한 평균 시장점유율(Market Share, M/S)을 계산한다. 일 예로, M/S 계산부(150)는 통신부(130)를 통해 골프웨어 상품군에 대한 각 소매점별 전년도 매출 데이터를 수집할 수 있다. 여기서, 매출 데이터는 각 소매점의 해당 상품군에 대한 시장점유율, 경쟁 브랜드 수, 상품군 매출합 및 외형매출 등의 정보를 포함할 수 있으며, 각 소매점은 가령 '롯데백화점 광명점'과 같이 특정 백화점의 특정 지점을 의미할 수 있다. 여기서, 경쟁 브랜드 수는 자사 브랜드가 속한 대상 상품군에 대한 경쟁사의 브랜드 수를 의미한다. 또한, 상품군 매출합은 소매점에서의 대상 상품군에 대한 전체 매출합을 의미한다. 또한, 외형매출은 소매점의 전체 매출 합을 의미한다.
이때, M/S 계산부(150)는 매출 평가를 위해 미리 정한 기준항목들을 기준으로 해당 상품군의 평균 시장점유율을 계산한다. 여기서, 기준항목들은 각 소매점들의 경쟁 브랜드 수, 상품군 매출합 및 외형 매출을 포함할 수 있다.
M/S 계산부(150)는 기준항목별로 레인지를 분류하고, 수집된 각 소매점별 매출 데이터를 기준항목의 레인지 별로 분류하여 해당 상품군에 대한 평균 시장점유율을 계산할 수 있다. M/S 계산부(150)는 각 기준항목별로 계산된 해당 상품군의 평균 시장점유율에 기초하여 기준 테이블을 생성하고, DB(140)에 저장한다.
기준 테이블에 대한 실시예는 도 2a 및 도 2b를 참조하도록 한다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 기준 테이블을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 2a는 어느 하나의 대상 상품군에 대한 각 소매점의 전년도 매출 데이터를 나타낸 것이다. 도 2a에 도시된 바와 같이, 여기서, 대상 상품군에 대한 각 소매점(소매점A, 소매점B, 소매점C,… )의 전년도 매출 데이터는 각 소매점의 대상 상품군에 대한 시장점유율(M/S), 경쟁 브랜드 수, 상품군 매출합 및 외형매출을 포함한다.
M/S 계산부(150)는 도 2a와 같은 매출 데이터를 각 기준항목, 예를 들어, 경쟁 브랜드 수, 상품군 매출합 및 외형매출 별로 미리 정해진 레인지에 따라 분류하고, 각 레인지 별로 분류된 소매점들의 평균 시장점유율(M/S 평균)을 계산하여 도 2b와 같은 기준 테이블을 생성할 수 있다.
일 예로, 도 2a의 매출 데이터 중 경쟁 브랜드 수가 12인 소매점은 소매점K. 소매점L, 소매점M, 소매점N이고, 각 소매점의 시장점유율(M/S)은 4.3%, 4.3%, 7.1%, 5.9%이다. M/S 계산부(150)는 경쟁 브랜드 수가 12인 소매점들의 평균 시장점유율을 계산한다. 이때, 소매점K. 소매점L, 소매점M, 소매점N의 평균 시장점유율은 5.4%(={4.3%+4.3%+7.1%+5.9%}/4)가 된다. 따라서, M/S 계산부(150)는 이와 같은 방식으로 경쟁 브랜드 수의 레인지 별 평균 시장점유율(M/S 평균)을 계산하여, 도 2b의 도면부호 211과 같은 경쟁 브랜드 수에 대한 기준 테이블을 생성할 수 있다.
마찬가지로, M/S 계산부(150)는 매출 데이터에 기초하여 상품군 매출합 및 외형매출의 각 레인지 별 평균 시장점유율(M/S 평균)을 계산하고, 도 2b의 도면부호 221 및 231과 같이 상품군 매출합 및 외형매출에 대한 기준 테이블을 생성할 수 있다.
한편, 가중치 계산부(160)는 예측 대상 소매점에 대한 대상 상품군의 예측 모델 생성 요청이 있으면, 예측 대상 소매점의 대상 상품군에 대한 정보, 특히, 기준항목에 해당하는 경쟁 브랜드 수, 상품군 매출합 및 외형 매출 등의 매출 데이터를 수집한다. 또한, 가중치 계산부(160)는 DB(140)로부터 각 기준항목별 기준 테이블을 호출하여 예측 대상 소매점의 대상 상품군에 대한 경쟁 브랜드 수, 상품군 매출합 및 외형매출에 대응하는 평균 시장점유율(M/S 평균)을 추출한다.
이때, 가중치 계산부(160)는 추출된 각 기준항목 별 평균시장점유율을 이용하여 예측 대상 소매점의 각 기준항목들에 대한 시장점유율의 상관도를 분석하고, 분석 결과에 따라 각 기준항목에 대응하는 가중치를 계산한다.
각 기준항목에 대응하는 가중치를 계산하는 실시예는 도 3a 내지 도 3d를 참조하도록 한다.
먼저, 도 3a는 예측 대상 소매점의 대상 상품군, 예를 들어, 골프웨어 상품군에 대한 매출 데이터를 나타낸 것이다. 도 3a를 참조하면, 예측 대상 소매점의 골프웨어 상품군에 대한 경쟁 브랜드 수는 13개, 상품군 매출합은 102억, 그리고 외형매출은 3,450억인 경우, 가중치 계산부(160)는 도 2b의 기준 테이블(211, 221, 231) 중 브랜드 수에 대응하는 기준 테이블(211)로부터 13개에 대응하는 M/S 평균 값을 추출할 수 있다. 또한, 가중치 계산부(160)는 도 2b의 기준 테이블(211, 221, 231) 중 상품군 매출합에 대응하는 기준 테이블(221)로부터 102억이 포함되는 레인지의 M/S 평균 값을 추출할 수 있다. 또한, 가중치 계산부(160)는 도 2b의 기준 테이블(211, 221, 231) 중 외형매출에 대응하는 기준 테이블(231)로부터 3,450억이 포함되는 레인지의 M/S 평균 값을 추출할 수 있다.
이때, 가중치 계산부(160)에 의해 추출된 각 기준항목별 M/S 평균값은 도 3b와 같이 브랜드 수 6.2%, 상품군 매출합 6.5%, 외형매출 4.7%이다.
가중치 계산부(160)는 각 기준항목별 M/S 평균값에 기초하여 각 기준항목과 시장점유율의 상관도를 분석한다. 일 예로, 가중치 계산부(160)는 일반적인 상관 분석 기법을 이용하여 각 기준항목과 시장점유율의 상관도를 분석할 수 있다. 각 기준항목과 시장점유율의 상관도를 분석하는 방식은 일반적으로 활용될 수 있는 상관 분석 방식이라면 어느 적이든 적용될 수 있으며, 어느 하나에 한정되는 것은 아니다.
상관 분석 기법을 이용하여 도 3b의 각 기준항목과 시장점유율의 상관도를 분석한 결과는 도 3c와 같이 나타낼 수 있다.
가중치 계산부(160)는 도 3c와 같이 각 기준항목별 상관도에 기초하여 각 기준항목에 대응하는 가중치를 계산한다. 여기서, 가중치 계산부(160)는 아래 [수학식 1]을 이용하여 각 기준항목에 대응하는 가중치를 계산할 수 있다.
Figure 112017056451610-pat00001
[수학식 1]에서, w는 가중치, C는 해당 기준항목의 상관도, cx는 경쟁 브랜드 수에 대한 상관도, cy는 상품군 매출합에 대한 상관도, cz는 외형매출에 대한 상관도를 의미한다.
[수학식 1]에 도시된 바와 같이, 가중치 계산부(160)는 각 기준항목별 상관도 cx, cy, cz를 백분율로 나타낸 값을 해당 기준항목의 가중치로 계산할 수 있다.
예측 모델 생성부(170)는 예측 대상 소매점의 대상 상품군에 대한 매출 데이터, 각 기준항목별 평균 시장점유율 및 가중치 계산부(160)에 의해 계산된 각 기준항목별 가중치에 기초하여 예측 대상 소매점의 대상 상품군에 대한 예측 모델을 생성한다. 이때, 생성된 예측 모델은 DB(140)에 저장될 수 있다. 예측 모델은 예측 대상 소매점 별로 생성될 수 있으며, 예측 대상 소매점의 각 상품군별로 생성될 수 있다.
매출 예측부(180)는 예측 대상 소매점의 대상 상품군에 대한 매출 예측 요청이 있으면, DB(140)에 저장된 예측 모델들 중 예측 대상 소매점의 대상 상품군에 대한 예측 모델을 추출하고, 추출된 예측 모델을 이용하여 대상 상품군에 대한 매출을 예측한다.
이때, 예측 모델은 예측 대상 소매점의 대상 상품군에 대한 매출 데이터, 각 기준항목별 평균 시장점유율 및 가중치 계산부(160)에 의해 계산된 각 기준항목별 가중치에 기초하여 대상 상품군에 대한 기준 시장점유율을 계산한다. 여기서, 기준 시장점유율은 아래 [수학식 2]를 이용하여 계산할 수 있다.
Figure 112017056451610-pat00002
[수학식 2]에서, M은 기준 시장점유율, mx, my, mz는 기준항목 x, y, z에 대한 평균 시장점유율, wx, wy, wz는 기준항목 x, y, z에 대응하는 가중치를 의미한다.
또한, 예측 모델은 예측 대상 소매점의 대상 상품군에 대한 상품군 매출합 및 대상 상품군에 대한 기준 시장점유율에 기초하여 예상 매출액을 계산한다. 여기서, 예상 매출액은 아래 [수학식 3]을 이용하여 계산할 수 있다.
Figure 112017056451610-pat00003
[수학식 3]에서, ES는 예상 매출액, x는 예측 대상 소매점에서의 대상 상품군의 매출합, 그리고 M은 예측 대상 소매점에서의 대상 상품군에 대한 기준 시장점유율을 의미한다.
따라서, 매출 예측부(180)는 예측 모델에 의해 계산된 예상 매출액에 기초하여 매출 예측 결과를 인터페이스부(120)를 통해 출력한다.
예측 모델을 통해 예상 매출액을 계산하여 출력하는 실시예는 도 4를 참조하도록 한다.
도 4에 도시된 바와 같이, 예측 대상 소매점의 대상 상품군에 대한 브랜드수가 5개, 상품군 매출합이 63억원, 외형매출이 2000억원인 경우, 기준 테이블로부터 추출된 브랜드수가 5인 M/S 평균 값이 19.5%이면, 브랜드 수에 대한 가중치는 36.7%가 된다. 마찬가지로, 기준 테이블로부터 추출된 상품군 매출합이 63억을 포함하는 레인지의 M/S 평균 값이 8.5%이면, 상품군 매출합에 대한 가중치는 37%가 된다. 또한, 기준 테이블로부터 추출된 외형매출이 2000억을 포함하는 레인지의 M/S 평균 값이 7.9%이면, 외형매출에 대한 가중치는 26.2%가 된다.
이때, 예측 모델은 [수학식 2]를 이용하여 도면부호 420과 같이 예측 대상 소매점의 대상 상품군에 대한 기준 M/S를 계산할 수 있다.
예측 모델은 도면부호 430의 상품군 매출합, 도면부호 440의 기준 M/S를 [수학식 3]에 적용하여 도면부호 450과 같이 예측 대상 소매점의 대상 상품군에 대한 예상 매출액을 계산할 수 있다. 즉, 예측 대상 소매점의 대상 상품군에 대한 예상 매출액은 7억 7900만이 된다.
매출 예측부(180)는 도면부호 410과 같은 화면을 인터페이스부(120)를 통해 출력함으로써 사용자(또는 관리자)가 매출 예측 결과를 확인할 수 있도록 한다.
여기서, 예상 매출액을 계산함에 있어서 기준 시장점유율이 높은 경우 예측 모델의 기본 알고리즘에 의해 얼마든지 정확도 높은 매출을 예측할 수 있다.
다만, 기준 시장점유율이 낮은 경우, 상품군에 대한 경쟁력이 있음에도 불구하고 예측 모델의 기본 알고리즘에 의해 예측되는 매출액이 낮게 평가될 수 있다. 즉, 신생 브랜드일수록 또는 시장점유율이 낮은 브랜드일수록 주변 브랜드의 영향을 많이 받을 수 밖에 없으므로, 기준 시장점유율이 낮은 경우에는 상권(가령, 백화점) 규모 대비 경쟁 브랜드 수를 고려하여 일정 액수에 대한 보상이 필요하다.
이에, 매출 보상부(190)는 예측 모델에 의해 계산된 기준 시장점유율이 기준치 미만인지를 판단한다. 만일, 예측 모델에 의해 계산된 기준 시장점유율이 기준치 미만이면, 매출 예측 결과를 보상한다. 일 예로서, 매출 보상부(190)는 기준 시장점유율이 10% 미만인 경우에 매출 예측 결과를 보상할 수 있다.
매출 보상부(190)는 예측 대상 소매점에서의 대상 상품군에 대한 외형매출 및 경쟁 브랜드 수에 기초하여 경쟁지수를 계산하고, 계산된 경쟁지수를 예상 매출액에 반영하여 보상할 수 있다. 경쟁지수는 아래 [수학식 4]를 이용하여 계산할 수 있다.
Figure 112017056451610-pat00004
[수학식 4]에서, CI는 경쟁지수, z는 예측 대상 소매점의 대상 상품군에 대한 외형매출, x는 예측 대상 소매점에서의 대상 상품군에 대한 경쟁 브랜드 수, α는 보정지수를 의미한다. 여기서, 보정지수는 사용자(또는 관리자)가 임의로 정할 수 있다. 이때, 매출 보상부(190)는 예상 매출액에 경쟁지수를 더하여 매출 예측 결과를 보상할 수 있다.
매출 예측부(180)는 매출 보상부(190)에 의해 보상된 최종 매출 예측 결과를 인터페이스부(120)를 통해 출력할 수 있다.
예측 모델에 의해 계산된 예상 매출액을 보상하여 최종 예상 매출액을 출력하는 실시예는 도 5를 참조하도록 한다.
도 5에 도시된 바와 같이, 예측 대상 소매점의 대상 상품군에 대한 브랜드수가 13개, 상품군 매출합이 1억 2천만원, 외형매출이 3650억원인 경우, 기준 테이블로부터 추출된 브랜드수가 13개인 M/S 평균 값이 62%이면, 브랜드 수에 대한 가중치는 37.1%가 된다. 마찬가지로, 기준 테이블로부터 추출된 상품군 매출합이 1억 2천만원을 포함하는 레인지의 M/S 평균 값이 8.5%이면, 상품군 매출합에 대한 가중치는 38.7%가 된다. 또한, 기준 테이블로부터 추출된 외형매출이 3650억을 포함하는 레인지의 M/S 평균 값이 4.6%이면, 외형매출에 대한 가중치는 24.2%가 된다.
예측 모델은 [수학식 2]를 이용하여 도면부호 520과 같이 예측 대상 소매점의 대상 상품군에 대한 기준 M/S를 계산할 수 있다. 이때, 계산된 기준 M/S가 기준치 10% 미만인 5/4% 이므로, 매출 보상부(190)는 [수학식 4]를 이용하여 도면부호 540과 같이 경쟁지수를 계산할 수 있다. 도 5의 실시예에서는 도면부호 530과 같이 보정지수 10을 반영하여 경쟁지수를 계산하였다.
이에, 예측 모델은 도면부호 550의 상품군 매출합, 도면부호 560의 기준 M/S를 [수학식 3]에 적용하여 예측 대상 소매점의 대상 상품군에 대한 예상 매출액을 계산하고, 계산된 예상 매출액에 도면부호 570의 경쟁지수 2800만원을 보상할 수 있다. 즉, 예측 대상 소매점의 대상 상품군에 대한 보상된 예상 매출액은 6억 2900만이 된다.
따라서, 매출 예측부(180)는 도면부호 510과 같은 화면을 인터페이스부(120)를 통해 출력함으로써 사용자(또는 관리자)가 매출 예측 결과를 확인할 수 있도록 한다.
이상의 본 실시예에 따른 예측 모델 기반의 매출 예측 장치는 메모리와 각 동작을 처리하는 프로세서를 포함하는 독립적인 하드웨어 장치 형태로 구현될 수 있으며, 마이크로프로세서나 범용 컴퓨터 시스템과 같은 다른 하드웨어 장치에 포함된 형태로 구동될 수 있다. 또한, 본 실시예에 따른 예측 모델 기반의 매출 예측 장치의 제어부(110), M/S 계산부(150), 가중치 계산부(160), 예측 모델 생성부(170), 매출 예측부(180) 및 매출 보상부(190)는 적어도 하나 이상의 프로세서(processor)로서 구현될 수 있다.
본 실시예에 따른 매출 예측 장치는 어느 하나의 상품군 또는 업종에 한정되는 것은 아니며, 시장 점유율을 예측하고, 예측된 시장 점유율을 기반으로 매출을 예측하기 위한 상품군 및/또는 업종이라면 얼마든지 적용 가능함은 당연한 것이다.
상기와 같이 구성되는 본 발명에 따른 예측 모델 기반의 매출 예측 장치에 대한 동작 흐름을 보다 상세히 설명하면 다음과 같다.
도 6 내지 도 9는 본 발명의 일 실시예에 따른 예측 모델 기반의 매출 예측 방법에 대한 동작 흐름을 도시한 도면이다.
먼저, 도 6은 본 발명의 일 실시예에 따른 기준 테이블 생성 동작의 흐름을 도시한 도면이다.
도 6에 도시된 바와 같이, 매출 예측 장치는 상품군별 각 소매점의 매출 데이터를 수집하고(S110), 매출 평가를 위해 미리 정한 기준항목들을 기준으로 각 소매점별 매출 데이터를 기준항목의 레인지 별로 분류하여(S120), 각 상품군에 대한 기준항목의 각 레인지 별 평균 시장점유율(Market Share, M/S)을 계산한다(S130).
이후, 매출 예측 장치는 기준항목의 각 레인지 별로 계산된 각 상품군의 평균 시장점유율에 기초하여 기준 테이블을 구성하고(S140), 각 기준항목별 기준 테이블을 DB(140)에 저장한다(S150).
도 6에서는 각 상품군별 매출 데이터를 수집하여 기준 테이블을 구성하는 실시예를 도시하였으나, 특정 상품군에 대한 매출 데이터만을 수집하여 해당 상품군에 대한 기준 테이블을 구성할 수도 있다.
도 7은 본 발명의 일 실시예에 따른 예측 모델 생성 동작의 흐름을 도시한 도면이다.
도 7에 도시된 바와 같이, 매출 예측 장치는 예측 대상 소매점의 대상 상품군에 대한 정보를 수집하고(S210), DB(140)에 기 저장된 해당 상품군에 대한 기준항목별 기준 테이블을 호출하여(S220), 호출된 기준 테이블로부터 'S210' 과정에서 수집된 상품군의 정보에 대응하는 기준항목별 평균 시장점유율을 각각 추출한다(S230).
매출 예측 장치는 'S230' 과정에서 추출된 기준항목별 평균 시장점유율에 기초하여 각 기준항목과 평균 시장점유율 간 상관도를 분석하고(S240), 분석 결과로부터 각 기준항목별 가중치를 계산한다(S250). 각 기준항목별 가중치를 계산하는 일련의 동작에 대해서는 도 3a 내지 도 3d의 실시예를 참조하도록 한다.
이후, 매출 예측 장치는 예측 대상 소매점의 대상 상품군에 대한 매출 데이터, DB(140)에 저장된 대상 상품군의 각 기준항목별 기준 테이블 및 앞서 계산된 각 기준항목별 가중치에 기초하여 예측 대상 소매점의 대상 상품군에 대한 예측 모델을 생성하고(S260), 생성한 예측 모델을 DB(140)에 저장한다(S270).
도 8 및 도 9는 본 발명의 일 실시예에 따른 매출 예측 동작의 흐름을 도시한 도면이다.
도 8 및 도 9를 참조하면, 매출 예측 장치는 예측 대상 소매점의 대상 상품군에 대한 매출 예측 요청이 있으면, DB(140)로부터 예측 대상 소매점의 대상 상품군에 대한 예측 모델을 호출한다(S310).
이후, 매출 예측 장치는 예측 대상 소매점의 대상 상품군에 대한 정보, 예를 들어, 경쟁 브랜드 수, 상품군 매출합 및 외형매출에 대한 정보를 입력한다(S320).
'S310' 과정에서 호출된 예측 모델은 'S320' 과정에서 입력된 정보를 이용하여 예측 대상 소매점의 대상 상품군에 대한 기준 시장점유율을 계산한다(S330). 이때, 'S330' 과정에서 계산된 기준 시장점유율이 기준치(α) 이상이면(S340), 'S320' 과정에서 입력된 정보 및 'S330' 과정에서 계산된 기준 시장점유율에 기초하여 예상 매출액을 계산한다(S350). 따라서, 매출 예측 장치는 예측 모델의 매출 예측 결과를 출력한다(S360).
한편, 'S330' 과정에서 계산된 기준 시장점유율이 기준치(α) 미만이면(S340), 매출 예측 장치는 도 9의 (A) 이후 과정을 수행하도록 한다.
이때, 매출 예측 장치는 예상 매출액을 보상하기 위한 경쟁지수를 계산한다(S410). 즉, 매출 예측 장치는 예측 대상 소매점의 대상 상품군에 대한 외형매출 및 경쟁 브랜드 수와 미리 정해진 보정지수를 이용하여 경쟁지수를 계산한다.
이후, 예측 모델은 도 8의 'S320' 과정에서 입력된 정보 및 'S330' 과정에서 계산된 기준 시장점유율에 기초하여 예상 매출액을 계산하고(S420), 'S410' 과정에서 계산된 경쟁지수를 기반으로 예상 매출액을 보상한다(S430).
따라서, 매출 예측 장치는 예측 모델의 매출 예측 결과를 출력한다(S440).
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 제어부 120: 인터페이스부
130: 통신부 140: DB
150: M/S 계산부(150) 160: 가중치 계산부
170: 예측 모델 생성부 180: 매출 예측부
190: 매출 보상부

Claims (20)

  1. 복수의 상품군에 대한 경쟁 브랜드 수, 상품군 매출 및 외형매출을 기준으로 각 기준항목에 대한 평균 시장점유율을 정의한 기준 테이블을 저장하는 데이터베이스;
    대상 상품군의 기준 테이블로부터 예측 대상 소매점의 대상 상품군의 정보에 대응하는 각 기준항목별 평균 시장점유율을 추출하여 상기 각 기준항목별 가중치를 계산하는 가중치 계산부;
    상기 예측 대상 소매점의 대상 상품군의 정보에 대한 각 기준항목별 평균 시장점유율 및 상기 계산된 각 기준항목별 가중치를 적용하여 예측 모델을 생성하는 예측 모델 생성부; 및
    상기 예측 모델을 이용하여 상기 예측 대상 소매점의 대상 상품군에 대한 매출을 예측하는 매출 예측부를 포함하고,
    상기 매출 예측부는,
    예측 대상 소매점의 대상 상품군에 대한 매출 예측 요청이 있으면 상기 예측 대상 소매점의 대상 상품군에 대응하여 생성된 예측 모델을 호출하며,
    상기 예측 모델은, 상기 예측 대상 소매점의 대상 상품군에 대한 각 기준항목별 평균 시장점유율 및 가중치를 이용하여 기준 시장점유율을 계산하고, 상기 대상 상품군의 매출합에 상기 기준 시장점유율을 반영하여 예상 매출액을 계산하되, 상기 예측 모델에 의해 계산된 기준 시장점유율이 기준치 미만인지 판단하여 상기 기준치 미만인 경우 상기 계산된 예상 매출액을 보상하도록 더 포함된 매출 보상부를 이용하여 상기 예측 대상 소매점의 대상 상품군에 대한 경쟁 브랜드 수 및 외형매출에 기초하여 경쟁지수를 계산하고, 상기 계산된 예상 매출액에 상기 경쟁지수를 더하여 예상 매출액을 보상하되,
    상기 매출 보상부는,
    상기 예측 대상 소매점의 대상 상품군에 대한 외형매출을 경쟁 브랜드 수로 나눈 값에 미리 정의된 보정지수를 반영하여 상기 경쟁지수를 계산하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 장치.
  2. 청구항 1에 있어서,
    상기 가중치 계산부는,
    대상 상품군의 기준 테이블로부터 추출된 각 기준항목별 평균 시장점유율의 상관도를 분석하고, 상기 상관도 분석 결과에 따라 상기 각 기준항목별 가중치를 계산하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 장치.
  3. 청구항 2에 있어서,
    상기 가중치 계산부는,
    상기 각 기준항목별 평균 시장점유율의 상관도 분석 결과에 대한 백분율을 계산하여 상기 각 기준항목별 가중치를 계산하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 장치.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 청구항 1에 있어서,
    상기 데이터베이스는,
    복수의 상품군 각각에 대응하여 각 기준항목별로 평균 시장점유율을 정의한 기준 테이블을 저장하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 장치.
  9. 청구항 1에 있어서,
    복수의 상품군 각각에 대한 소매점별 전년도 매출 데이터를 수집하여 상기 수집된 매출 데이터를 상기 각 기준항목에 대해 미리 정의된 각 레인지 별로 분류하고, 상기 각 기준항목마다 레인지 별로 분류된 매출 데이터로부터 평균 시장점유율을 계산하는 M/S 계산부를 더 포함하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 장치.
  10. 청구항 9에 있어서,
    상기 M/S 계산부는
    상기 각 기준항목의 레인지 별로 계산된 평균 시장점유율에 기초하여 각 상품군에 대한 기준항목별 기준 테이블을 생성하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 장치.
  11. 복수의 상품군에 대한 경쟁 브랜드 수, 상품군 매출 및 외형매출을 기준으로 각 기준항목에 대한 평균 시장점유율을 정의한 기준 테이블을 인터페이스부를 이용하여 데이터베이스에 저장하는 단계;
    M/S 계산부를 이용하여 대상 상품군의 기준 테이블로부터 예측 대상 소매점의 대상 상품군의 정보에 대응하는 각 기준항목별 평균 시장점유율을 추출하고, 가중치 계산부를 이용하여 상기 각 기준항목별 가중치를 계산하는 단계;
    예측 모델 생성부를 이용하여 상기 예측 대상 소매점의 대상 상품군의 정보에 대한 각 기준항목별 평균 시장점유율 및 상기 계산된 각 기준항목별 가중치를 적용하여 예측 모델을 생성하는 단계;
    상기 예측 모델을 이용하여 상기 예측 대상 소매점의 대상 상품군에 대한 매출을 매출 예측부에 의해 예측하는 단계; 및
    매출 보상부를 이용하여 상기 매출 예측부에 의해 예측된 예상 매출액을 보정지수를 반영하여 보상하는 단계; 를 포함하고,
    상기 매출을 예측하는 단계는,
    예측 대상 소매점의 대상 상품군에 대한 매출 예측 요청이 있으면 상기 예측 대상 소매점의 대상 상품군에 대응하여 생성된 예측 모델을 호출하는 단계;
    상기 예측 모델이 상기 예측 대상 소매점의 대상 상품군에 대한 각 기준항목별 평균 시장점유율 및 가중치를 이용하여 기준 시장점유율을 계산하는 단계;
    상기 예측 모델이 상기 대상 상품군의 매출합에 상기 기준 시장점유율을 반영하여 예상 매출액을 계산하는 단계;
    상기 예측 모델에 의해 계산된 기준 시장점유율이 기준치 미만인지 판단하는 단계;
    상기 기준치 미만인 경우 상기 매출 보상부를 이용하여 상기 예측 대상 소매점의 대상 상품군에 대한 경쟁 브랜드 수 및 외형매출에 기초하여 경쟁지수를 계산하는 단계; 및
    상기 계산된 예상 매출액을 상기 경쟁지수를 더하여 예상 매출액을 보상하는 단계; 를 포함하고,
    상기 경쟁지수를 계산하는 단계는,
    상기 예측 대상 소매점의 대상 상품군에 대한 외형매출을 경쟁 브랜드 수로 나눈 값에 미리 정의된 보정지수를 반영하여 상기 경쟁지수를 계산하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 방법.
  12. 청구항 11에 있어서,
    상기 각 기준항목별 가중치를 계산하는 단계는,
    대상 상품군의 기준 테이블로부터 추출된 각 기준항목별 평균 시장점유율의 상관도를 분석하는 단계; 및
    상기 상관도 분석 결과에 따라 상기 각 기준항목별 가중치를 계산하는 단계를 포함하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 방법.
  13. 청구항 12에 있어서,
    상기 각 기준항목별 가중치를 계산하는 단계는,
    상기 각 기준항목별 평균 시장점유율의 상관도 분석 결과에 대한 백분율을 계산하여 상기 각 기준항목별 가중치를 계산하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 방법.
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 청구항 11에 있어서,
    상기 데이터베이스는,
    복수의 상품군 각각에 대응하여 각 기준항목별로 평균 시장점유율을 정의한 기준 테이블을 저장하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 방법.
  19. 청구항 11에 있어서,
    복수의 상품군 각각에 대한 소매점별 전년도 매출 데이터를 수집하는 단계;
    상기 수집된 매출 데이터를 상기 각 기준항목에 대해 미리 정의된 각 레인지 별로 분류하는 단계; 및
    상기 각 기준항목의 레인지 별로 분류된 매출 데이터로부터 평균 시장점유율을 계산하는 단계를 더 포함하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 방법.
  20. 청구항 19에 있어서,
    상기 각 기준항목의 레인지 별로 계산된 평균 시장점유율에 기초하여 각 상품군에 대한 기준항목별 기준 테이블을 생성하는 것을 특징으로 하는 예측 모델 기반의 매출 예측 방법.
KR1020170074428A 2017-06-13 2017-06-13 예측 모델 기반의 매출 예측 장치 및 방법 KR101885032B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170074428A KR101885032B1 (ko) 2017-06-13 2017-06-13 예측 모델 기반의 매출 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170074428A KR101885032B1 (ko) 2017-06-13 2017-06-13 예측 모델 기반의 매출 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101885032B1 true KR101885032B1 (ko) 2018-08-02

Family

ID=63251823

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170074428A KR101885032B1 (ko) 2017-06-13 2017-06-13 예측 모델 기반의 매출 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101885032B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200023148A (ko) * 2018-08-23 2020-03-04 주식회사 데이타드림 기대매출 산출 장치 및 방법
KR20210017053A (ko) * 2019-08-06 2021-02-17 코리아크레딧뷰로 (주) 개인사업체에 대한 매출액 추정 모형의 도출방법
CN113065882A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种商品处理方法、装置及电子设备
KR20240014673A (ko) * 2022-07-25 2024-02-02 주식회사 투비펫 크루 활동이 강화된 반려동물용 전자상거래 플랫폼 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002324160A (ja) * 2001-04-26 2002-11-08 Nri & Ncc Co Ltd 店舗売上予測システム
KR20070076884A (ko) * 2006-01-20 2007-07-25 주식회사풀무원 관능평가를 통한 매출액 예측시스템 및 그 예측시스템의 매출액 예측방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002324160A (ja) * 2001-04-26 2002-11-08 Nri & Ncc Co Ltd 店舗売上予測システム
KR20070076884A (ko) * 2006-01-20 2007-07-25 주식회사풀무원 관능평가를 통한 매출액 예측시스템 및 그 예측시스템의 매출액 예측방법
KR100795751B1 (ko) 2006-01-20 2008-01-17 주식회사풀무원 관능평가를 통한 매출액 예측시스템 및 그 예측시스템의 매출액 예측방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200023148A (ko) * 2018-08-23 2020-03-04 주식회사 데이타드림 기대매출 산출 장치 및 방법
KR102138831B1 (ko) * 2018-08-23 2020-07-28 주식회사 데이타드림 기대매출 산출 장치 및 방법
KR20210017053A (ko) * 2019-08-06 2021-02-17 코리아크레딧뷰로 (주) 개인사업체에 대한 매출액 추정 모형의 도출방법
KR102428511B1 (ko) * 2019-08-06 2022-08-03 코리아크레딧뷰로 (주) 개인사업체에 대한 매출액 추정 모형의 도출방법
CN113065882A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种商品处理方法、装置及电子设备
KR20240014673A (ko) * 2022-07-25 2024-02-02 주식회사 투비펫 크루 활동이 강화된 반려동물용 전자상거래 플랫폼 시스템
KR102639747B1 (ko) * 2022-07-25 2024-02-26 주식회사 투비펫 크루 활동이 강화된 반려동물용 전자상거래 플랫폼 시스템

Similar Documents

Publication Publication Date Title
KR101885032B1 (ko) 예측 모델 기반의 매출 예측 장치 및 방법
US11823225B2 (en) Methods and apparatus to incorporate saturation effects into marketing mix models
Ali et al. SKU demand forecasting in the presence of promotions
JP7120649B2 (ja) 情報処理システム、情報処理装置、予測モデル抽出方法および予測モデル抽出プログラム
CN111445134B (zh) 商品的销量预测方法、装置、计算机设备和存储介质
US20190180301A1 (en) System for capturing item demand transference
US8438060B2 (en) Dynamic online experience modification and inventory optimization based on statistically significant geo-location parameter
US9147206B2 (en) Model optimization system using variable scoring
KR101265976B1 (ko) 정량적 정보 기반의 산업기술시장 분석 시스템 및 그 방법
JP5104496B2 (ja) 普及予測システム、方法およびプログラム、並びに影響度推定システム、方法およびプログラム
US10142187B2 (en) Predicting an effect of performing an action on a node of a geographical network
CN110647696A (zh) 一种业务对象的排序方法及装置
CN112365283B (zh) 一种优惠券发放方法、装置、终端设备及存储介质
KR101775995B1 (ko) 정보 분석 장치 및 정보 분석 방법
US20190251609A1 (en) Commodity demand prediction system, commodity demand prediction method, and commodity demand prediction program
CN111445133B (zh) 一种材料管理方法、装置、计算机设备和存储介质
JP5251217B2 (ja) 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム
JP7078053B2 (ja) 情報処理装置、制御方法、及びプログラム
CN113763035A (zh) 广告投放的效果预测方法、装置、计算机设备和存储介质
JP2016081199A (ja) 広告配信システム
US9213979B2 (en) Array attribute configurator
US20220222689A1 (en) Methods and apparatus for surge-adjusted forecasting
CN114266601A (zh) 营销策略确定方法、装置、终端设备及存储介质
CN113888244A (zh) 数据商品的定价方法与装置、电子设备及计算机可读存储介质
CN110992091A (zh) 一种基于分类模型评估投放权益的方法和装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant