KR101914620B1 - 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버 - Google Patents

빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버 Download PDF

Info

Publication number
KR101914620B1
KR101914620B1 KR1020180055512A KR20180055512A KR101914620B1 KR 101914620 B1 KR101914620 B1 KR 101914620B1 KR 1020180055512 A KR1020180055512 A KR 1020180055512A KR 20180055512 A KR20180055512 A KR 20180055512A KR 101914620 B1 KR101914620 B1 KR 101914620B1
Authority
KR
South Korea
Prior art keywords
account
client
account subject
selection
data
Prior art date
Application number
KR1020180055512A
Other languages
English (en)
Inventor
김순모
Original Assignee
(주)아이퀘스트
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 (주)아이퀘스트 filed Critical (주)아이퀘스트
Priority to KR1020180055512A priority Critical patent/KR101914620B1/ko
Application granted granted Critical
Publication of KR101914620B1 publication Critical patent/KR101914620B1/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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—
    • 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
    • G06Q10/10—Office automation; Time management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 회계 데이터를 이용하여 거래 내역에 대한 계정 과목을 선정하는 자동 분개 서버에 관한 것으로, 클라이언트 단말기로부터 적어도 하나 이상의 거래 내역에 대한 계정 과목 선정 요청을 수신하는 데이터 입출력부; 복수의 클라이언트 별 회계 데이터를 토대로 빅데이터를 구축하고 구축한 빅데이터를 적어도 하나 이상의 패턴화 기준을 통해 패턴화시키는 빅데이터 관리부; 인공지능에 기계학습 알고리즘을 적용시켜 계정 과목 선정 규칙을 생성하는 기계학습부; 및 상기 계정 과목 선정 요청에 해당하는 계정 과목 선정을 상기 생성된 계정 과목 선정 규칙을 적용하여 수행하는 계정 과목 선정부를 포함하는, 자동 분개 서버를 제공한다.

Description

빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버{AUTOMATIC JOURNALIZING METHOD USING BIG DATA AND MACHINE LEARNING AND IMPLEMENTING SERVER}
본 발명은 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버에 관한것으로, 상세하게는 미리 축적된 빅데이터를 통해 계정 처리를 수행함에 있어 자동으로 분개를 수행하여 주고 오류를 보정하는 방법 및 서버에 관한 발명이다.
기업의 활동에서 빼놓을 수 없는 것이 회계처리이다. 기업은 제조, 물류, 공사 등 기업고유의 활동에서 발생한 은행입출금, 신용카드 매입, 신용카드 매출, 현금영수증 또는 세금계산서 등으로 구성된 각종 증빙자료들을 회계계정별로 처리하게 된다. 일반적으로는 회계를 담당하는 직원 또는 해당 회사를 담당하는 회계법인의 회계사 등이 수동으로 분개 계정 과목을 선정한다. 각각의 거래 내역에 따라 분개 계정 과목을 선정하는 작업은 회계에 대한 전문성을 필요로 하므로 중소기업에서 전사적 자원관리를 도입하는데 있어 분개 계정 과목을 선정하는 일이 하나의 장애물이 되고 있다.
이에 영수증이나 세금계산서 등의 거래증빙자료들에 대한 회계데이터를 저장하여 두고 사용자가 분개 계정 과목을 선정할때에 회계데이터를 검색하여 검색결과를 제공하여 주고 사용자가 선택하게 하거나, 이전 거래와 동일한 거래가 발생하였을 때에 자동으로 계정 과목을 선정하여 주는 솔루션 등이 개발되었다. 또한 이러한 솔루션들의 단점을 보완하기 위해서 과거에 축적된 회계데이터를 기반으로 생성된 데이터베이스를 토대로 패턴 분석을 통해 계정 과목을 선정하여 주는 기술 또한 개발되었다.
그러나 지금까지 개발된 솔루션들에 의하여도 다양하고 복잡한 거래의 형태의 거래에 대한 대응을 전부 수행하기에는 어려운 점이 있었다. 또한, 동일한 지출건이라도 각 기업별로 계정 과목을 선정하는 기준이 상이할 수 있는데 이와 같은 상황에서 기업별로 맞춤형으로 계정 과목을 선정하기에도 어려움이 존재하였다.
국내공개특허 제10-2017-0032327호
본 발명은 전술한 종래기술의 문제점을 해결하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 기업에서 처리해야 하는 회계 계정 과목을 자동으로 처리하는 방법을 제공하려는 것이다. 또한, 그 과정에서 계정 과목을 결정하기 어려운 항목들을 추출하고 이에 대한 오류 보정을 추가적으로 실시하는 것이 목적이다.
본 발명의 다른 목적은 회계 계정 과목을 처리함에 있어 본 발명을 이용하는 기업이 처음으로 처리하는 항목이라 하더라도 다른 기업들의 처리 방식을 토대로 계정 과목을 선택 또는 추천해주려는 것이며, 각 기업마다 상이할 수 있는 계정 과목 처리 방식을 토대로 각 기업에게 맞춤형 자동 분개를 제공하려는 것이다.
상기와 같은 목적을 달성하기 위해, 본 발명의 일 실시예는 회계 데이터를 이용하여 거래 내역에 대한 계정 과목을 선정하는 자동 분개 서버에 있어서, 클라이언트 단말기로부터 적어도 하나 이상의 거래 내역에 대한 계정 과목 선정 요청을 수신하는 데이터 입출력부; 복수의 클라이언트 별 회계 데이터를 토대로 빅데이터를 구축하고 구축한 빅데이터를 적어도 하나 이상의 패턴화 기준을 통해 패턴화시키는 빅데이터 관리부; 인공지능에 기계학습 알고리즘을 적용시켜 계정 과목 선정 규칙을 생성하는 기계학습부; 및 상기 계정 과목 선정 요청에 해당하는 계정 과목 선정을 상기 생성된 계정 과목 선정 규칙을 적용하여 수행하는 계정 과목 선정부를 포함하는 자동 분개 서버를 제공한다.
자동 분개 서버는, 상기 계정 과목 선정부가 거래 내역 별로 계정 과목을 선정함에 있어 해당 계정 과목이 선정되는 과정에서 선정 결과의 신뢰도를 산출하는 것을 특징으로 할 수 있다.
자동 분개 서버는, 상기 기계학습부가 상기 계정 과목 선정 규칙을 생성함에 있어, 클라이언트의 특성에 따라 클라이언트별 맞춤형 계정 과목 선정 규칙을 생성하는 것을 특징으로 할 수 있다.
자동 분개 서버는, 상기 기계학습부가 상기 맞춤형 계정 과목 선정 규칙을 생성함에 있어, 상기 클라이언트 단말기로부터 수신한 설정값을 기초로 하여 맞춤형 계정 과목 선정 규칙을 생성하는 것을 특징으로 할 수 있다.
상기 계정 과목 선정 규칙은, 계정 과목 선정을 요청한 클라이언트의 과거 회계 데이터 패턴을 토대로 생성되는 것을 특징으로 할 수 있다.
상기 계정 과목 선정 규칙은, 계정 과목 선정을 요청한 클라이언트와 상이한 복수의 클라이언트들의 과거 회계 데이터 패턴을 토대로 생성되는 것을 특징으로 할 수 있다.
상기 계정 과목 선정 규칙은, 상기 과거 회계 데이터의 거래 내역을 거래가 발생한 시각 별로 분류하여 발생 시각에 따라 상이한 가중치를 부여하여 계산하는 과정을 포함할 수 있다.
상기 계정 과목 선정 규칙은, 거래 내역의 상세 정보에 포함된 상호명, 업종, 업태 또는 사업자 등록번호 정보 중 적어도 하나 이상 항목에 대한 관련 회계 데이터 검색을 통해 생성되는 것을 특징으로 할 수 있다.
상기 계정 과목 선정 규칙은, 거래 내역의 상세 정보에 포함된 상호명, 업종, 업태 또는 사업자 등록번호 정보 중 적어도 하나 이상 항목의 키워드에 대한 키워드 확장이 수행된 후, 확장된 키워드에 대한 관련 회계 데이터 검색을 통해 생성되는 것을 특징으로 할 수 있다.
자동 분개 서버에서, 상기 데이터 입출력부는 상기 클라이언트 단말기로부터 계정 과목 항목 각각에 대한 처리 금액 상한선 정보를 수신하고, 상기 계정 과목 선정부는 상기 처리 금액 상한선 정보를 전송한 클라이언트의 거래 내역에 대한 계정 과목 선정을 수행함에 있어 각각의 계정 과목 항목으로 처리되는 비용이 상기 처리 금액 상한선을 초과하지 않도록 계정 과목을 선정하는 것을 특징으로 할 수 있다.
상기 계정 과목 선정부는 상기 처리 금액 상한선 정보를 전송한 클라이언트의 거래 내역에 대한 계정 과목 선정을 수행함에 있어, 각각의 계정 과목 항목별로 처리된 비용이 상기 처리 금액 상한선의 기 정해진 비율 이상을 넘어서면 해당 클라이언트에게 전송할 경고 메시지를 생성하는 것을 특징으로 할 수 있다.
상기와 같은 목적을 달성하기 위해, 본 발명의 다른 실시예는 자동 분개 서버가 회계 데이터를 이용하여 거래 내역에 대한 계정 과목을 선정하는 자동 분개 방법에 있어서, 클라이언트 단말기로부터 적어도 하나 이상의 거래 내역에 대한 계정 과목 선정 요청을 수신하는 단계; 복수의 클라이언트 별 회계 데이터를 토대로 빅데이터를 구축하고 구축한 빅데이터를 적어도 하나 이상의 패턴화 기준을 통해 패턴화시키는 단계; 인공지능에 기계학습 알고리즘을 적용시켜 계정 과목 선정 규칙을 생성하는 단계; 및 상기 계정 과목 선정 요청에 해당하는 계정 과목 선정을 상기 생성된 계정 과목 선정 규칙을 적용하여 수행하는 단계를 포함하는, 자동 분개 방법을 제공한다.
본 발명의 일 실시예에 따르면, 클라이언트의 특성을 살린 맞춤형 계정 과목 선정 기준에 따라 자동으로 클라이언트의 거래 내역에 대한 계정 과목 선정이 수행될 수 있다.
본 발명의 일 실시예에 따르면, 계정 과목 선정과 함께 계산되는 결과의 신뢰도를 바탕으로 이상점을 발견하고 이를 예외적으로 처리할 수 있다.
본 발명의 일 실시예에 따르면, 빅데이터의 패턴화를 바탕으로 생성되는 계정 과목 선정 기준이 계속해서 업데이트되며, 다양한 기준을 통해 계정 과목을 선정함으로써 거래 내역들에 대한 보다 정확한 계정 과목 선정이 가능해질 수 있다.
도 1은 본 발명의 일 실시예에 따른 자동 분개 시스템이 작동하는 환경을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시에에 따른 자동 분개 서버의 구성을 블록도 형식으로 간략하게 나타낸 것이다.
도 3은 본 발명의 일 실시예에 따른 자동 분개 서버가 동작하는 과정을 흐름도로 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 자동 분개 서버가 다양한 기준을 토대로 클라이언트로부터 요청 받은 거래 내역에 대한 계정 과목 선정을 수행하는 과정을 간략하게 표시한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 자동 분개 서버가 계정 과목 선정 과정에서 산출되는 신뢰도를 바탕으로 이상점을 파악하고 처리하는 과정을 나타낸 흐름도이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 자동 분개 서버가 다양한 종류의 거래 내역에 대한 계정 과목을 처리하는 형태를 나타내는 화면을 캡쳐한 도면이다.
도 8은 본 발명의 일 실시예에 따른 자동 분개 서버가 기계학습 알고리즘의 한 종류인 의사결정 트리(Decision Tree)를 선택하여 계정 과목을 선정하는 규칙을 데이터 마이닝 도구의 한 종류인 Weka에 입력하는 것을 나타내는 화면이다.
도 9는 본 발명의 일 실시예에 따른 자동 분개 서버가 제공하는 인터페이스 중 통계 분포도가 나타난 화면이다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. 그러나, 다음에 예시하는 본 발명의 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시예에 한정되는 것은 아니다. 본 발명의 실시예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다.
첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.
그리고, 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.
도 1은 본 발명의 일 실시예에 따른 자동 분개 시스템이 작동하는 환경을 개략적으로 나타낸 도면이다. 도 1을 참조하면, 자동 분개 서버(100)는 복수개의 클라이언트 단말기(200) 및 증빙 내역 제공 서버(300)와 연결되어 통신할 수 있다.
자동 분개 서버(100)는 클라이언트 단말기(200) 또는 증빙 내역 제공 서버(300)로부터 회계 데이터를 수집하여 이를 통해 빅데이터를 구성하고 분석할 수 있으며, 그 과정에서 각 계정 항목의 분류를 수행하는 방법에 대한 규칙, 즉 각 거래 내역 별로 분개 계정 과목을 선정하기 위한 규칙을 생성할 수 있다. 이후, 자동 분개 서버(100)는 클라이언트 단말기(200)의 요청을 수신하여, 클라이언트가 요청한 거래 내역 항목에 대한 계정 과목 선정을 수행하고 그 결과를 클라이언트 단말기(200)로 전송할 수 있다.
자동 분개 서버(100)는 본 발명의 자동 분개 시스템을 제공하는 업체에서 직접 구축하여 관리하는 서버일 수 있으며, 해당 업체에서 아마존, 구글 등과 같이 서버를 제공하는 회사의 서버를 이용하는 것일 수도 있다.
클라이언트 단말기(200)는 본 발명에서 개시되는 자동 분개 시스템을 이용하고자 하는 기업 측에서 관리하는 단말기로, 일 실시예에 따르면 단말기라는 명칭에 구애받지 않고 클라이언트 서버로 구성될 수도 있다.
클라이언트 단말기(200)는 휴대폰, 스마트폰, PDA(Personal Digital Assistant), PMP(Portable Multimedia Player), 태블릿 PC 등과 같이 네트워크를 통하여 자동 분개 서버(100)와 연결될 수 있는 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으며, 이 외에도 데스크탑 PC, 태블릿 PC, 랩탑 PC, 셋탑 박스를 포함하는 IPTV와 같이, 네트워크를 통하여 자동 분개 서버(100)와 연결될 수 있는 통신 장치도 포함할 수 있다.
본 발명이 개시하는 자동 분개 시스템을 사용하고자 하는 기업, 즉 클라이언트 측에서는 기업의 활동에서 발생한 은행입출금, 신용카드 매입, 신용카드 매출, 현금영수증 및 세금계산서 등으로 구성된 증빙자료를 클라이언트 단말기(200)를 통해 자동 분개 서버(100)에 전송할 수 있다. 이와 같은 클라이언트 측의 증빙 자료 제공은 다양한 형태로 이루어질 수 있다. 일 실시예에 따르면 클라이언트 측에서 국세청, 신용카드사, 은행 등으로부터 웹 스크래핑(Web Scraping)을 통해 거래 데이터를 추출하고 이를 클라이언트 단말기(200)를 이용하여 엑셀 파일 등의 형태로 자동 분개 서버(100)에 전송할 수 있으며, 다른 실시예에 따르면 클라이언트 단말기(200)를 통해 자동 분개 서버(100)가 제공하는 웹 등에 접속하여 거래 내역 또는 각종 회계 데이터를 타이핑하여 입력할 수도 있다. 또 다른 실시예에 따르면, 웹 스크래핑 등의 방식으로 정리된 각종 데이터가 클라이언트 단말기(200)에서 자동 분개 서버(100)로 전송되는 방식이 아니라, 자동 분개 서버(100)가 클라이언트 단말기(200)를 거치지 않고 직접 국세청, 신용카드사, 은행 등이 관리하는 증빙 내역 제공 서버(300)로부터 데이터를 수신할 수 있다. 이 경우에는 자동 분개 서버(100)가 해당 증빙 내역 제공 주체에 대한 자료 획득 권한을 클라이언트로부터 미리 획득하고, 그 권한을 이용하여 증빙 내역 제공 서버(300)에 데이터를 요청하여 수신할 수 있게 된다.
일 실시예에 따른 증빙 내역 제공 서버(300)는 국세청, 신용카드사, 은행 등이 관리하는 서버로 은행 거래 내역, 신용카드 매입 내역, 신용카드 매출 내역, 현금영수증 내역, 세금계산서 내역 등의 각종 증빙 내역을 제공할 수 있다. 증빙 내역 제공 서버(300)는 정당한 권한이 있는 주체가 요청하는 경우 해당 주체에 해당하는 증빙 내역을 데이터 형식으로 전송할 수 있다.
자동 분개 서버(100)와 클라이언트 단말기(200)간 또는 자동 분개 서버(100)와 증빙 내역 제공 서버(300)간의 통신은 통신망(미도시됨)을 통해 이루어 질 수 있다.
일 실시예에 따르면, 통신망은 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 예를 들면, 근거리 통신망(LAN: Local Area Network), 도시권 통신망(MAN: Metropolitan Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구현될 수 있다.　바람직하게는, 본 발명의 일 실시예에 따른 통신망은 공지의 월드와이드웹(WWW: World Wide Web) 등일 수도 있다.
도 2는 본 발명의 일 실시에에 따른 자동 분개 서버(100)의 구성을 블록도 형식으로 간략하게 나타낸 것이다.
도 2를 참조하면, 자동 분개 서버(100)는 데이터 입출력부(110), 빅데이터 관리부(120), 기계학습부(130), 계정 과목 선정부(140), 통신부(150) 및 제어부(160) 등을 포함하여 이루어질 수 있다.
일 실시예에 따른 데이터 입출력부(110)는 클라이언트 단말기(200) 또는 증빙 내역 제공 서버(300)로부터 회계 관련 데이터를 수신하여 이를 빅데이터 관리부(120)로 전송할 수 있으며, 클라이언트 단말기(200)가 클라이언트의 회계 데이터에 포함되는 거래 내역 각각에 대한 계정 과목 선정을 요청하면 해당 요청을 수신하여 계정 과목 선정부(140)에 전송하고, 계정 과목 선정부(140)로부터 계정 과목 선정 결과를 수신하여 이를 다시 클라이언트 단말기(200)로 전송할 수 있다.
데이터 입출력부(110)는 입출력되는 데이터의 응답처리속도 증진을 위하여 입출력 데이터에 대한 태깅(tagging 및 맵핑(mapping)을 수행할 수 있다.
데이터 입출력부(110)는 데이터 입출력의 원활한 진행을 위하여 사용자 인터페이스(user interface)를 제공할 수 있다. 사용자 인터페이스는 클라이언트 단말기(200)가 자동 분개 서버(100)에 접속하였을 때에 클라이언트 단말기(200)의 화면에 표시될 수 있다. 클라이언트는 사용자 인터페이스를 통해 기업의 회계 데이터를 입력할 수 있고, 계정 과목 선정이 필요한 항목에 대한 요청을 전송할 수 있으며, 계정 과목이 선정된 결과를 수신할 수 있다. 즉, 사용자 인터페이스는 자동 분개 서버(100)에서 웹 또는 API 형태로 클라이언트 측에 제공될 수 있다.
본 발명의 일 실시예에 따르면, 클라이언트에게 제공되는 사용자 인터페이스가 계정 과목 선정 결과를 제공하는 방법은, 텍스트나 엑셀 파일 등의 데이터 형식일 수도 있고, 시각화가 수행된 그래프나 도표 형식일 수 있다.
일 실시예에 따른 빅데이터 관리부(120)는 기업의 각종 거래 데이터를 분류하고 패턴화하여 빅데이터를 구축하는 역할을 수행할 수 있다. 빅데이터 관리부(120)는 기업의 은행 거래 내역, 신용카드 매입 내역, 신용카드 매출 내역, 현금영수증 내역, 세금계산서 내역 등을 포함하는 회계 데이터를 수집하여 이를 분류할 수 있다. 빅데이터 관리부(120)는 복수 개 기업의 회계 데이터를 수집하여 관리하게 되는데, 회계 데이터 상에서 어떠한 거래 내역이 어떠한 계정 과목으로 처리 되었는지에 대한 정보를 관리할 수 있다. 빅데이터 관리부(120)는 복수의 클라이언트 별 회계데이터를 적어도 하나 이상의 패턴화 기준을 통해 패턴화시켜 저장할 수 있다. 빅데이터 관리부(120)는 회계 데이터 상의 거래 내역들에 대해 적재(loading), 정제(cleansing), 분류(classification), 시각화(visualization)를 수행할 수 있다.
일 실시예에 따른 기계학습부(130)는 빅데이터 관리부(120)에서 관리하는 기업들의 회계 데이터를 토대로 각각의 거래 내역들에 대한 계정 과목을 선정함에 있어 기준이 되는 규칙을 생성할 수 있다. 또한, 기계학습부(130)는 지속해서 업데이트되는 회계 데이터를 학습하여 규칙을 수정할 수 있다.
기계학습부(130)는 인공지능으로 구현된 다양한 도구를 활용할 수 있으며, 일 실시예에 따르면, Weka와 같은 데이터 마이닝 도구를 이용할 수도 있다. 기계학습부(130)는 자동으로 거래 내역들에 대한 계정 과목을 선정하는 과정에 있어 다양한 종류의 기계학습 알고리즘을 하나 이상 선택하여 적용할 수 있다. 이와 같은 알고리즘의 종류에는 의사결정 트리(Decision Tree), 랜덤 포레스트(Random Forest), 베이시안 네트워크(Bayesian Network), SVM(Support Vector Machine), 인공신경망(ANN: Artificial Neural Network), 딥 러닝(Deep Learning), CNN(Convolution Neural Network), RNN(Recurrent Neural Network) 등이 포함될 수 있다.
본 발명의 일 실시예에 따른 계정 과목 선정부(140)는 기계학습부(130)에서 생성하고 업데이트하는 규칙에 따라 클라이언트가 제공한 거래내역 각각에 따른 계정 항목을 선정할 수 있다. 즉, 계정 과목 선정부(140)는 클라이언트 단말기(200)로부터 요청 받은 거래 내역 항목에 알맞은 계정 과목을 선정하여 클라이언트 단말기(200)로 제공할 수 있다.
기계학습부(130)와 계정 과목 선정부(140)가 거래 내역들에 대한 계정 과목을 선정하는 규칙을 생성하고 이를 적용하여 계정 과목을 선정하는 과정을 살펴보면, 다양한 기준에 의해 계정 과목이 선택될 수 있다.
이하, 계정 과목이 다양한 기준에 의해 선택되는 과정을 여러가지 실시예를 들어 설명하기로 한다. 본 발명의 일 실시예에 따르면, 제1 클라이언트가 A라는 거래 내역에 대한 계정 과목을 결정하기 위해 자동 분개 시스템을 이용할 때에, 자동 분개 서버(100)는 제1 클라이언트의 과거 회계 데이터의 패턴을 바탕으로 A라는 거래 내역을 어떻게 처리하였는지를 파악하고 이를 토대로 계정 과목을 선정할 수 있다. 예를 들어, 제1 클라이언트가 과거에 A라는 업체와의 거래 내역은 70% 이상 복리후생비라는 계정 과목으로 처리되었다는 정보가 있으면, 해당 거래 내역은 복리후생비로 처리하도록 할 수 있다. 또한, 본 발명의 다른 실시예에 따르면 과거 회계 데이터를 참고하여 패턴을 분석하고 규칙을 생성함에 있어 최근의 거래 내역에 가중치를 부여할 수 있다. 즉, 계정 과목 선정 규칙을 생성함에 있어 과거 회계 데이터의 거래 내역을 거래가 발생한 시각 별로 분류하여 상이한 가중치를 부여하여 계산할 수 있다. 예를 들어, 최근 한달 내에 발생한 거래 내역에 대해서는 가중치 3배를, 최근 6개월 내에 발생한 거래 내역에 대해서는 가중치 2배를 주는 등의 계산을 통해 특정 거래 내역에 대한 계정 과목 선정을 수행할 수 있다. 이와 같이 적용되는 시간에 따른 가중치는 각 클라이언트가 원하는 대로 설정할 수 있으며 이 경우에 설정값은 클라이언트 단말기(200)를 통해 자동 분개 서버(100)에 전달될 수 있다.
본 발명의 다른 실시예에 따르면, 제2 클라이언트가 B라는 거래 내역에 대한 계정 과목을 결정하기 위해 자동 분개 시스템을 이용할 때에, 제2 클라이언트의 과거 회계 데이터를 분석해도 B에 대한 데이터를 찾을 수 없거나 데이터가 존재하더라도 해당 거래 내역에 대한 계정 과목을 결정하기 어려운 경우에는 다른 클라이언트들의 회계 데이터를 토대로 계정 과목 선정을 수행할 수 있다. 즉, 계정 과목 선정을 요청한 클라이언트와 상이한 복수의 클라이언트들의 과거 회계 데이터의 패턴을 토대로 계정 과목 선정 규칙이 생성될 수 있다. B에 대한 데이터가 제2 클라이언트의 과거 회계 데이터 상에는 존재하지는 않지만, 다른 클라이언트들의 과거 회계 데이터에 존재하는 경우, 이를 활용하여 제2 클라이언트가 B라는 거래 내역에 대한 계정 과목을 어떻게 결정하는 것이 좋을지 결정하게 되는 것이다. 이 경우에 있어, 제2 클라이언트와 유사한 업종의 클라이언트들의 과거 회계 데이터에 보다 가중치를 부여하여 계정 과목을 결정할 수도 있을 것이다.
본 발명의 일 실시예에 따르면, 제3 클라이언트가 C라는 거래 내역에 대한 계정 과목을 결정하기 위해 자동 분개 시스템을 이용할 때에, 모든 클라이언트들의 과거 회계 데이터를 분석해도 C에 대한 데이터를 발견할 수 없을 때에, 자동 분개 서버(100)는 C라는 거래 내역의 상세 정보에 포함된 상호명, 업종, 업태 또는 사업자 등록번호와 같은 항목들에 대한 관련 회계 데이터 검색을 통해 계정 과목을 결정할 수 있다. 예를 들어, C라는 거래 내역의 업종이 서점업이라고 하면 서점업으로 분류된 다른 거래 내역들을 어떠한 계정 과목으로 처리했는지를 판단하여, C라는 거래 내역에 대한 계정 과목을 결정할 수 있다.
본 발명의 일 실시예에 따르면, 제4 클라이언트가 D라는 거래 내역에 대한 계정 과목을 결정하기 위해 자동 분개 시스템을 이용할 때에, D에 해당하는 상호에 오타와 같은 사소한 오류가 있거나 D에 해당하는 업종 또는 업태가 잘못 등록되어 있는 경우도 있을 것이다. 이 경우, 자동 분개 시스템은 D에 해당하는 상호명, 업종, 업태 또는 사업자 등록번호 정보 등을 키워드로 하여 해당 키워드에 대한 키워드 확장을 수행하고 확장된 키워드에 대한 관련 회계 데이터 검색을 통해 관련된 거래 내역을 어떠한 계정 과목으로 처리하였는지를 판단할 수 있으며, 이와 같은 분석을 이용하여 D라는 거래 내역에 해당하는 계정 과목을 선정할 수 있다.
클라이언트가 특정 거래 내역에 대한 계정 과목 선정을 요청하였을 때에, 자동 분개 서버(100)는 전술한 바와 같은 다양한 기준을 통하여 계정 과목 선정을 수행할 수 있다. 전술한 바와 같은 기준을 통해 계정 과목을 선정함에 있어, 여러가지 기준이 동시에 사용될 수 있다. 즉, 자동 분개 서버(100)는 계정 과목 선정을 요청한 클라이언트의 과거 회계 데이터, 다른 클라이언트들의 과거 회계 데이터, 업종, 업태 또는 사업자 등록번호와 같은 정보, 키워드 확장을 통한 유사 상호 검색 등을 동시에 수행하고 이를 종합적으로 판단하여 계정 과목을 선정할 수 있다. 즉, 자동 분개 서버(100)는 전술된 다양한 기준 중 두가지 이상을 종합해서 동시에 사용할 수 있으며, 이 경우에 있어 각각의 기준별 가중치를 부여하여 각 기준들을 종합적으로 판단하여 계정 과목을 선정할 수 있다.
이와 같이 계정 과목을 선정하는 과정에서 다양한 가중치가 부여되어 내부 계산이 수행된 후 그 결과를 토대로 특정 거래 내역에 대한 계정 과목이 선정될 수 있으며, 계정 과목이 선정되면 그 계정 과목 선정 결과에 대한 신뢰도가 계정 과목 선정부(140)에 의해 산출될 수 있다. 이와 같은 신뢰도는 자동 분개 서버(100)가 클라이언트 단말기(200)에 계정 과목 선정 결과를 전송하면서 함께 전송할 수 있다. 또한, 이와 같은 신뢰도를 바탕으로 하여 계정 과목 선정부(140)는 신뢰도가 미리 설정된 임계치 이하인 경우에 해당되는 거래 내역을 이상점(outlier)으로 파악할 수 있다. 이상점으로 파악된 항목인 경우에는 해당하는 거래 내역에 대한 항목을 오류로 판단하여 계정 과목 선정이 불가능하다는 결과를 도출할 수도 있으며, 신뢰도가 임계치 이하로 계산되어 이상점으로 파악되더라도 해당 거래 내역에 대한 계정 과목을 선정하여 그 결과를 낮은 신뢰도 정보와 함께 클라이언트 측에 전달할 수도 있다. 또한, 본 발명의 다른 실시예에 따르면 이와 같이 신뢰도가 낮아 이상점으로 파악되는 거래 내역의 경우에 있어, 계정 과목 선정부(140)는 해당 거래 내역에 대해 복수개의 계정 과목을 추천할 수 있다. 이 경우에는 복수개의 계정 과목이 모두 신뢰도가 임계치 이하로 낮게 표시되는데, 클라이언트 측이 이와 같은 항목을 확인하고 수동으로 계정 과목을 선택할 수 있게 된다.
본 발명의 일 실시예에 따르면, 기계학습부(130)와 계정 과목 선정부(140)는 거래 내역들에 대한 계정 과목을 선정하는 규칙을 생성하고 이를 적용하여 계정 과목을 선정하는 과정에서, 클라이언트가 클라이언트 단말기(200)를 통해 전달하는 각종 설정값들을 이용할 수 있다. 예를 들어, 전술한 기준 중 최근의 거래 내역에 얼마나 가중치를 줄 것인지, 다른 클라이언트들로부터 수집된 회계 데이터와 자사의 회계 데이터를 이용한 분석 중 어느 것에 더 가중치를 줄 것인지 여부 등을 설정할 수 있다. 다른 실시예에 따르면, 클라이언트는 계정 항목별로 처리되는 금액의 상한선 등을 설정할 수 있다. 클라이언트의 상한선 설정은 데이터 입출력부(110)가 클라이언트 단말기(200)로부터 계정 항목별 상한 금액 정보를 수신함으로써 이루어질 수 있다. 이와 같은 경우에 계정 과목 선정부(140)는 해당 클라이언트의 같은 유형의 거래 내역이라 하더라도 특정 계정 항목으로 처리된 금액이 상한선을 넘게 될 것 같으면 해당 거래 내역에 대한 계정 항목을 다른 항목으로 선정할 수 있다. 일 실시예에 따르면, 특정 클라이언트가 특정 계정 항목에 대해 상한선 금액을 설정해 놓은 경우, 계정 과목 선정부(140)는 해당하는 계정 항목으로 처리된 금액이 상한선 금액에 도달하게 되면 해당 클라이언트에 경고를 보낼 수 있다. 이와 같은 경고는 다양한 방식으로 발생할 수 있는데, 상한선 금액을 설정해 놓은 계정 항목에 대해 처리된 금액이 상한선 금액의 기 정해진 비율을 넘어선 경우에 경고가 생성될 수도 있고, 거래 내역들에 대한 계정 항목 선정 작업이 수행되다가 특정 거래 내역을 상한선 금액이 설정된 계정 항목으로 처리하게 되면 상한선을 넘게 되는 상황이 발생되어 다른 계정 항목으로 처리하는 경우에 경고가 생성될 수도 있다.
일 실시예에 따른 통신부(150)는 자동 분개 서버(100)와 외부 장치 간의 통신이 가능하도록 한다. 구체적으로는, 자동 분개 서버(100)가 클라이언트 단말기(200) 및 증빙 내역 제공 서버(300)와의 통신을 가능하게 한다.
일 실시예에 따른 제어부(160)는 데이터 입출력부(110), 빅데이터 관리부(120), 기계학습부(130), 계정 과목 선정부(140) 및 통신부(150) 간의 데이터 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(160)는 데이터 입출력부(110), 빅데이터 관리부(120), 기계학습부(130), 계정 과목 선정부(140) 및 통신부(150)에서 각각 고유한 기능을 수행하도록 제어할 수 있다.
도 3은 본 발명의 일 실시예에 따른 자동 분개 서버(100)가 동작하는 과정을 흐름도로 나타낸 것이다.
도 3을 참조하면, 자동 분개 서버(100)는 자동 분개 시스템의 사용을 원하는 클라이언트들로부터 그들의 과거 회계 데이터를 수집할 수 있다(S310). 이 과정은 각 클라이언트들이 클라이언트 단말기(200)를 통해 자동 분개 서버(100)에 접속하여 업데이트 하는 형식으로 진행될 수도 있으며, 자동 분개 시스템을 제공하고자 하는 업체가 이전부터 클라이언트들의 회계 관리를 진행해온 경우 그 데이터를 직접 자동 분개 서버(100)에 입력하는 형식으로 진행될 수도 있다.
이후, 자동 분개 서버(100)는 복수의 클라이언트들로부터 수집한 회계 데이터를 바탕으로 빅데이터를 구축하고 구축한 데이터에 대한 패턴화를 수행할 수 있다(S320). 데이터에 대한 패턴화는 추후 클라이언트가 요청한 거래 내역에 대한 계정 과목 선정을 신속하게 하는 방향으로 이루어질 수 있으며, 다양한 패턴화 기준이 사용될 수 있다. 예를 들어, 데이터를 패턴화함에 있어서 유사한 클라이언트별, 거래의 발생 일자별, 거래 내역의 세부 정보인 업종, 업태, 사업자 등록번호별, 유사 키워드별 등의 기준이 이용될 수 있다. 이와 같이 데이터를 다양한 형태로 패턴화시켜 저장함으로써 추후 데이터의 활용이 편하고 신속하게 이루어 질 수 있다.
이후, 자동 분개 서버(100)는 클라이언트가 거래 내역을 토대로 계정 과목 선정을 요청하였을 때 사용할 계정 과목 선정 규칙을 생성할 수 있다(S330). 계정 과목 선정 규칙은 전술한 바와 같이 다양한 기준으로 설정될 수 있다. 기본적으로는 요청을 하는 클라이언트의 과거 회계 데이터를 기준으로 계정 과목 선정을 수행하며, 해당 클라이언트의 과거 거래 내역 또한 거래가 수행된 시각 별로 가중치가 주어질 수 있다. 해당 클라이언트의 과거 회계 데이터를 검색해도 요청한 거래 내역과 유사한 거래 내역을 발견할 수 없을 때에는 다른 클라이언트들의 회계데이터를 참조할 수 있으며, 해당 거래 내역의 상세 정보인 업종, 업태, 사업자 등록번호 등을 참조하여 유사한 거래 내역을 해당 클라이언트 또는 다른 클라이언트들은 어떠한 계정 과목으로 선정하여 처리하였는지를 참조할 수 있다. 이전에 처리된 적 없는 새로운 거래 내역인 경우에 있어 거래 내역의 키워드 또는 업종, 업태, 사업자 등록번호 등에 오타와 같은 오류가 발생했는지 파악할 수 있으며, 이 경우에 키워드의 확장 및 검색을 통해 발견된 유사한 과거 거래 내역을 활용하여 계정 과목 선정을 수행하도록 규칙이 생성될 수도 있다.
이와 같은 계정 과목 선정 규칙은 모든 클라이언트에 대한 일반적인 규칙으로 생성될 수 있으며, 각 클라이언트별로 맞춤형으로 생성될 수도 있다. 클라이언트별로 계정 과목 선정 규칙을 생성할 때에는 클라이언트의 과거 회계 데이터를 기초로 하여 해당 클라이언트가 어떠한 방식으로 거래 내역에 대한 계정 과목 선정을 수행하였는지를 파악하여 참조할 수 있다. 즉, 클라이언트의 과거 회계 처리 패턴, 해당 클라이언트가 수행하는 사업의 종류 등 클라이언트의 특성에 따라 맞춤형으로 계정 과목 선정 규칙이 생성될 수 있다. 또한, 클라이언트별로 계정 과목 선정 규칙을 생성함에 있어 자동 분개 서버(100)는 클라이언트 단말기(200)로부터 전술된 다양한 기준에 대한 우선 순위 또는 가중치와 같은 설정값을 수신하여 이를 기초로 하여 각 클라이언트 별로 계정 과목 선정 규칙을 맞춤형으로 생성할 수 있다.
이와 같이 생성된 계정 과목 선정 규칙은 자동 분개 서버(100)가 관리하는 회계 데이터의 변화에 따라 자동적으로 업데이트될 수 있으며, 클라이언트가 자신의 계정 과목 선정 규칙을 변경하기를 원하여 기준들에 대한 우선 순위 또는 가중치를 변경하면 그에 맞추어 계정 과목 선정 규칙 또한 변경될 수 있다.
자동 분개 서버(100)가 거래 내역에 대한 계정 과목 선정 규칙을 생성한 이후에는, 클라이언트 단말기(200)로부터 거래 내역에 대한 계정 과목 선정 요청을 수신할 수 있다(S340). 이 과정은 클라이언트의 직원이 클라이언트 단말기(200)를 통해 자동 분개 서버(100)에 접속하였을 때 클라이언트 단말기(200)의 디스플레이부에 표시되는 유저 인터페이스를 통해 진행될 수도 있으며, 클라이언트 단말기(200)가 자동 분개 서버(100)에서 제공하는 API를 이용하는 형태로 진행될 수도 있다.
자동 분개 서버(100)는 클라이언트 단말기로부터 거래 내역에 대한 계정 과목 선정 요청을 수신한 후에, S330 단계에서 생성한 규칙에 따라서 해당 거래 내역에 대한 계정 과목 선정을 수행할 수 있다(S350). 계정 과목 선정 요청을 한 클라이언트에 맞춤형으로 생성된 규칙이 있는 경우에, 자동 분개 서버(100)는 해당 규칙을 이용하여 요청 받은 거래 내역에 대한 계정 과목 선정을 수행하고, 맞춤형으로 생성된 규칙이 없는 경우에는 일반적으로 사용되는 규칙을 이용하여 요청 받은 거래 내역에 대한 계정 과목 선정을 수행할 수 있다.
자동 분개 서버(100)는 클라이언트가 요청한 거래 내역에 대한 계정 과목 선정을 수행한 후에, 그 결과에 대한 데이터화 및 시각화를 수행할 수 있다(S360). 자동 분개 서버(100)는 클라이언트가 요청한 방식으로 계정 과목 선정에 대한 결과를 전송할 수 있는데, 예를 들면 텍스트 파일, 엑셀 파일의 형태로 결과를 제공하는 것도 가능하지만 계정 과목 선정 결과를 시각화하여 도표나 그래프의 형태로 제공할 수도 있다. 이후, 자동 분개 서버(100)는 클라이언트 단말기(200)로 데이터화 및 시각화가 완료된 계정 과목 선정 결과를 전송할 수 있다(S370).
도 4는 본 발명의 일 실시예에 따른 자동 분개 서버(100)가 다양한 기준을 토대로 클라이언트로부터 요청 받은 거래 내역에 대한 계정 과목 선정을 수행하는 과정을 간략하게 표시한 흐름도이다.
도 3을 통해 전술한 흐름도에서 S340 및 S350 단계가 보다 구체화된 것이 도 4에 나타난 흐름도이다. 도 4를 참조하면, 자동 분개 서버(100)는 클라이언트 단말기(200)로부터 거래 내역에 대한 계정 과목 선정 요청을 수신할 수 있다(S410). 이후, 자동 분개 서버(100)는 해당 거래 내역에 대한 해당 클라이언트의 과거 회계 데이터 검색을 통하여 계정 과목 선정을 수행할 있다(S420). 일 실시예에 따르면 해당 클라이언트의 과거 회계 데이터 검색을 통해서 계정 과목 선정이 불가능 한 경우에 자동 분개 서버(100)는, 해당 거래 내역에 대한 다른 클라이언트의 과거 회계 데이터를 검색을 통하여 계정 과목 선정을 수행할 수 있다(S430). 또한, 자동 분개 서버(100)는 해당 거래 내역의 세부 정보인 업종, 업태, 사업자 등록번호와 관련하여 모든 클라이언트들의 과거 회계 데이터 검색을 수행하는 방식으로 계정 과목 선정을 수행할 수도 있다(S440). 자동 분개 서버(100)는 거래 내역에 있는 상호 등의 키워드와 업종, 업태 등의 키워드에 대한 확장을 통해 유사 키워드를 검색하고 이를 이용하여 계정 과목 선정을 수행할 수도 있다(S450).
최종적으로, 자동 분개 서버(100)는 S420 내지 S450 단계를 통해 전술된 다양한 기준에 대한 우선 순위 및 가중치를 통해서 클라이언트로부터 요청 받은 거래 내역에 대한 계정 과목 선정을 수행할 수 있다(S460). 자동 분개 서버(100)는 이 과정에서 각각의 기준에 따라 진행되는 계정 과목 선정 과정에서 계산된 신뢰도를 바탕으로 계정 과목 선정을 완료할 수 있다.
전술된 S420 내지 S450의 각 단계는 도 4의 흐름도에 표시된 것과 같은 순서로 진행될 수도 있지만, 상황에 따라 더 적은 수의 단계만이 수행될 수 있으며, 표시된 순서와 다른 순서로 진행될 수도 있다. 예를 들어, S420 단계가 수행된 후에 해당 클라이언트의 과거 회계 데이터 검색을 통해 동일한 유형의 거래 내역은 전부 동일한 회계 과목으로 처리된 것이 파악된 경우에는, S430 내지 S450의 단계가 수행될 필요가 없을 것이다.
도 5는 본 발명의 일 실시예에 따른 자동 분개 서버(100)가 계정 과목 선정 과정에서 산출되는 신뢰도를 바탕으로 이상점을 파악하고 처리하는 과정을 나타낸 흐름도이다.
도 5를 참조하면, 자동 분개 서버(100)는 클라이언트 단말기(200)로부터 거래 내역에 대한 계정 과목 선정 요청을 수신한 후에(S510), 전술한 S420 내지 S450 단계를 통해 다양한 기준으로 계정 과목 선정이 수행되는 과정에서 신뢰도를 산출할 수 있다(S520). 산출한 신뢰도는 해당 거래 내역이 선정된 계정 과목으로 처리되는 것이 얼마나 합당한지를 확률로 보여주는 퍼센티지 형식의 숫자일 수 있다.
이후, 자동 분개 서버(100)는 산출한 신뢰도를 바탕으로 신뢰도가 임계치 이하로 산출된 거래 내역을 이상점으로 파악할 수 있다. 우선적으로, 자동 분개 서버(100)는 산출된 신뢰도와 임계치를 비교할 수 있다(S530). 비교 결과, 신뢰도가 미리 정해진 임계치보다 높은 경우에 자동 분개 서버(100)는 선정된 계정 과목에 대한 정보를 산출된 신뢰도 정보와 함께 클라이언트 단말기(200)로 전송할 수 있다(S540). 반대로, 비교 결과 신뢰도가 정해진 임계치와 같거나 그보다 낮은 경우에 자동 분개 서버(100)는 해당 거래 내역을 이상점으로 파악할 수 있다(S550). 이후, 자동 분개 서버(100)는 해당 이상점을 오류로 파악하여 해당하는 거래 내역에 대한 계정 과목 선정을 포기할 것인지, 아니면 임계치보다 낮은 신뢰도로 선정된 계정 과목 결과라도 클라이언트에게 제공할 것인지를 결정할 수 있다(S560). 이와 같은 결정은 기 설정된 설정값에 따라 정해질 수 있으며, 클라이언트의 선호에 따라서 정해질 수도 있다.
본 발명의 일 실시예에 따르면, 클라이언트가 계정 과목 선정을 요청한 거래 내역에 대해 계정 과목 선정을 수행하는 과정에서 그 결과의 신뢰도가 임계치보다 낮은 상황인 경우, 자동 분개 서버(100)는 하나의 계정 과목 선정 결과를 제공하지 않고 신뢰도가 낮은 복수개의 계정 과목 선정에 대한 결과를 신뢰도 정보 및 분산 통계 그래프와 함께 제공할 수 있다(S570). 이와 같이 신뢰도가 낮은 복수개의 계정 과목 선정 결과를 클라이언트에게 제공하는 이유는, 이와 같은 상황에서 클라이언트가 복수개의 계정 과목 중 자신이 원하는 계정 과목을 수동으로 선택하여 해당 거래 내역에 대한 처리를 수행할 수 있도록 하기 위함일 수 있다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 자동 분개 서버(100)가 다양한 종류의 거래 내역에 대한 계정 과목을 처리하는 형태를 나타내는 화면을 캡쳐한 도면이다.
도 6은 자동 분개 서버(100)가 각각의 거래 내역에 대한 계정 과목 선정을 수행하기 전의 화면이고, 도 7은 자동 분개 서버(100)가 각각의 거래 내역에 대한 계정 과목 선정을 완료한 후의 화면이다. 도 6을 참조하면, 도 6에서 계정 과목이 미리 분류되어 있는 항목들은 자동 분개 시스템을 사용하는 클라이언트가 이전에 회계처리를 미리 수행한 회계데이터라 할 수 있고, 계정 과목이 분류되어 있지 않은 항목들은 클라이언트가 자동 분개 시스템을 이용하여 계정 과목을 분류하고자 하는 항목들이다. 도 7을 참조하면, 도 7에서는 도 6에서 계정 과목이 분류되어 있지 않은 항목들이 계정 과목이 자동으로 분류된 후의 화면이 표시되어 있다.
도 8은 본 발명의 일 실시예에 따른 자동 분개 서버(100)가 기계학습 알고리즘의 한 종류인 의사결정 트리(Decision Tree)를 선택하여 계정 과목을 선정하는 규칙을 데이터 마이닝 도구의 한 종류인 Weka에 입력하는 것을 나타내는 화면이다. 도 8을 참조하면, 거래 내역 유형에 따른 계정 과목이 나타나 있으며, 이와 같은 규칙들을 이용하여 자동 분개 서버(100)는 추후 클라이언트가 원하는 거래 내역들에 대해 계정 과목을 선정할 수 있게 된다.
도 9는 본 발명의 일 실시예에 따른 자동 분개 서버(100)가 제공하는 인터페이스 중 통계 분포도가 나타난 화면이다.
도 9를 참조하면, 그래프에서 가로축은 각각의 계정 과목을 나타내며, 가로축 위에 놓여진 네모로 표시된 항목들은 해당 계정 과목으로 분류된 거래 내역 항목들을 표시한다. 도 9의 그래프에서 세로축은 각각의 거래 내역이 해당 계정 과목으로 분류됨에 있어서의 신뢰도를 나타내는데, 아래쪽으로 갈수록 신뢰도가 높고 위쪽으로 갈수록 신뢰도가 낮은 형태의 그래프이다. 그래프에서 x로 표시된 위치는 해당 계정 과목으로 분류된 거래 내역들에 대한 신뢰도 임계치가 표시된 위치이다. 따라서, 도 9의 통계 분포도 그래프에서 x 위쪽에 표시된 항목들은 신뢰도가 임계치보다 낮은 항목이다. 클라이언트는 이와 같은 항목들을 선택하여 도 9에 나타난 것과 같이 해당 항목에 대한 정보를 획득할 수 있다.
전술한 바와 같이, 본 발명의 다양한 실시예들에 따르면 다양한 기준을 통해 클라이언트의 거래 내역에 대한 계정 과목 선정이 자동 분개 처리를 통해 수행될 수 있으며, 계정 과목 선정 기준 또한 클라이언트의 특성 또는 요구에 알맞게 설정될 수 있다. 계정 과목 선정이 이루어지는 과정에서 해당 클라이언트뿐 아니라, 다른 클라이언트들의 과거 회계 데이터에 대한 검색 및 거래 내역 상의 키워드 확장을 통한 검색 또한 이루어지므로 보다 정확한 계정 과목 선정이 이루어질 수 있다. 또한, 클라이언트는 계정 과목 선정 결과에 대한 신뢰도를 함께 확인할 수 있으며 신뢰도가 임계치 보다 낮은 이상점에 대해서도 확인할 수 있게 된다.
한편, 본 발명의 일 실시예에 따른 자동 분개 수행 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
예컨대, 컴퓨터가 읽을 수 있는 기록매체로는 롬(ROM), 램(RAM), 시디-롬(CD-ROM), 자기 테이프, 하드디스크, 플로피디스크, 이동식 저장장치, 비휘발성 메모리(Flash Memory), 광 데이터 저장장치 등이 있다.
또한, 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
전술한 본 발명에 따른 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버에 대한 바람직한 실시예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 특허청구범위와 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 본 발명에 속한다.
100: 자동 분개 서버
110: 데이터 입출력부
120: 빅데이터 관리부
130: 기계학습부
140: 계정 과목 선정부
150: 통신부
160: 제어부
200: 클라이언트 단말기
300: 증빙 내역 제공 서버

Claims (12)

  1. 회계 데이터를 이용하여 거래 내역에 대한 계정 과목을 선정하는 자동 분개 서버에 있어서,
    클라이언트 단말기로부터 적어도 하나 이상의 거래 내역에 대한 계정 과목 선정 요청을 수신하는 데이터 입출력부;
    복수의 클라이언트 별 회계 데이터를 토대로 빅데이터를 구축하고 구축한 빅데이터를 적어도 하나 이상의 패턴화 기준을 통해 패턴화시키는 빅데이터 관리부;
    인공지능에 기계학습 알고리즘을 적용시켜 계정 과목 선정 규칙을 생성하는 기계학습부; 및
    상기 계정 과목 선정 요청에 해당하는 계정 과목 선정을 상기 생성된 계정 과목 선정 규칙을 적용하여 수행하는 계정 과목 선정부를 포함하며,
    상기 계정 과목 선정부는 거래 내역 별로 계정 과목을 선정함에 있어 해당 계정 과목이 선정되는 과정에서 선정 결과의 신뢰도를 산출하며, 산출된 신뢰도가 임계치 이하로 계산되는 경우 해당하는 거래 내역에 대한 복수개의 계정 과목을 추천하고,
    상기 계정 과목 선정 규칙은 계정 과목 선정을 요청한 클라이언트의 과거 회계 데이터 패턴 및 계정 과목 선정을 요청한 클라이언트와 상이한 복수의 클라이언트들의 과거 회계 데이터 패턴을 토대로 생성되며, 계정 과목 선정 규칙 생성 과정에서 두 종류의 데이터 패턴에 가해지는 가중치는 클라이언트로부터 수신되어 설정되는 것인, 자동 분개 서버.
  2. 삭제
  3. 제1항에 있어서,
    상기 기계학습부가 상기 계정 과목 선정 규칙을 생성함에 있어, 클라이언트의 특성에 따라 클라이언트별 맞춤형 계정 과목 선정 규칙을 생성하는 것을 특징으로 하는, 자동 분개 서버.
  4. 제3항에 있어서,
    상기 기계학습부가 상기 맞춤형 계정 과목 선정 규칙을 생성함에 있어, 상기 클라이언트 단말기로부터 수신한 설정값을 기초로 하여 맞춤형 계정 과목 선정 규칙을 생성하는 것을 특징으로 하는, 자동 분개 서버.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 계정 과목 선정 규칙은,
    상기 과거 회계 데이터의 거래 내역을 거래가 발생한 시각 별로 분류하여 발생 시각에 따라 상이한 가중치를 부여하여 계산하는 과정을 포함하는, 자동 분개 서버.
  8. 제1항에 있어서,
    상기 계정 과목 선정 규칙은,
    거래 내역의 상세 정보에 포함된 상호명, 업종, 업태 또는 사업자 등록번호 정보 중 적어도 하나 이상 항목에 대한 관련 회계 데이터 검색을 통해 생성되는 것을 특징으로 하는, 자동 분개 서버.
  9. 제1항에 있어서,
    상기 계정 과목 선정 규칙은,
    거래 내역의 상세 정보에 포함된 상호명, 업종, 업태 또는 사업자 등록번호 정보 중 적어도 하나 이상 항목의 키워드에 대한 키워드 확장이 수행된 후, 확장된 키워드에 대한 관련 회계 데이터 검색을 통해 생성되는 것을 특징으로 하는, 자동 분개 서버.
  10. 제1항에 있어서,
    상기 데이터 입출력부는 상기 클라이언트 단말기로부터 계정 과목 항목 각각에 대한 처리 금액 상한선 정보를 수신하고,
    상기 계정 과목 선정부는 상기 처리 금액 상한선 정보를 전송한 클라이언트의 거래 내역에 대한 계정 과목 선정을 수행함에 있어 각각의 계정 과목 항목으로 처리되는 비용이 상기 처리 금액 상한선을 초과하지 않도록 계정 과목을 선정하는 것을 특징으로 하는, 자동 분개 서버.
  11. 제10항에 있어서,
    상기 계정 과목 선정부는 상기 처리 금액 상한선 정보를 전송한 클라이언트의 거래 내역에 대한 계정 과목 선정을 수행함에 있어, 각각의 계정 과목 항목별로 처리된 비용이 상기 처리 금액 상한선의 기 정해진 비율 이상을 넘어서면 해당 클라이언트에게 전송할 경고 메시지를 생성하는 것을 특징으로 하는, 자동 분개 서버.
  12. 자동 분개 서버가 회계 데이터를 이용하여 거래 내역에 대한 계정 과목을 선정하는 자동 분개 방법에 있어서,
    클라이언트 단말기로부터 적어도 하나 이상의 거래 내역에 대한 계정 과목 선정 요청을 수신하는 단계;
    복수의 클라이언트 별 회계 데이터를 토대로 빅데이터를 구축하고 구축한 빅데이터를 적어도 하나 이상의 패턴화 기준을 통해 패턴화시키는 단계;
    인공지능에 기계학습 알고리즘을 적용시켜 계정 과목 선정 규칙을 생성하며, 그 과정에서 선정 결과의 신뢰도를 산출하고 산출된 신뢰도가 임계치 이하로 계산되는 경우 해당하는 거래 내역에 대한 복수개의 계정 과목을 추천하는 단계; 및
    상기 계정 과목 선정 요청에 해당하는 계정 과목 선정을 상기 생성된 계정 과목 선정 규칙을 적용하여 수행하는 단계를 포함하며,
    상기 계정 과목 선정 규칙은 계정 과목 선정을 요청한 클라이언트의 과거 회계 데이터 패턴 및 계정 과목 선정을 요청한 클라이언트와 상이한 복수의 클라이언트들의 과거 회계 데이터 패턴을 토대로 생성되며, 계정 과목 선정 규칙 생성 과정에서 두 종류의 데이터 패턴에 가해지는 가중치는 클라이언트로부터 수신되어 설정되는 것인, 자동 분개 서버의 자동 분개 방법.
KR1020180055512A 2018-05-15 2018-05-15 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버 KR101914620B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180055512A KR101914620B1 (ko) 2018-05-15 2018-05-15 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180055512A KR101914620B1 (ko) 2018-05-15 2018-05-15 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버

Publications (1)

Publication Number Publication Date
KR101914620B1 true KR101914620B1 (ko) 2018-11-06

Family

ID=64329450

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180055512A KR101914620B1 (ko) 2018-05-15 2018-05-15 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버

Country Status (1)

Country Link
KR (1) KR101914620B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102069551B1 (ko) * 2019-05-31 2020-01-23 심왕섭 인공지능을 이용한 블록체인 기반 회계 관리시스템
KR20200116179A (ko) * 2019-03-11 2020-10-12 장두현 블록체인, 인공지능, 빅데이터를 이용한 다중회사 통합경영관리 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체
WO2021110763A1 (fr) * 2019-12-04 2021-06-10 Neoinstinct Sa Méthode mise en œuvre par ordinateur pour l'allocation d'une pièce comptable à un couple de comptes débiteur/créditeur et l'écriture comptable
KR20220052665A (ko) * 2020-10-21 2022-04-28 주식회사 와이즈앤소프트 메디칼 세무 회계 리스크 관리가 가능한 자동 장부 서비스의 제공 장치 및 방법
KR102416998B1 (ko) * 2021-01-14 2022-07-07 주식회사 파이브웍스 세무 문서 수집 및 분류 자동화 장치 및 방법
KR102486186B1 (ko) * 2022-04-01 2023-01-10 주식회사 넘버트랙 웹 스크래핑과 인공지능을 이용한 자동화된 재무 관리 클라우드 서비스 제공 시스템, 방법 및 프로그램

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200116179A (ko) * 2019-03-11 2020-10-12 장두현 블록체인, 인공지능, 빅데이터를 이용한 다중회사 통합경영관리 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체
KR102351310B1 (ko) * 2019-03-11 2022-01-14 장두현 다중회사 통합경영관리 프로그램을 기록한 컴퓨터로 판독 가능한 기록매체
KR102069551B1 (ko) * 2019-05-31 2020-01-23 심왕섭 인공지능을 이용한 블록체인 기반 회계 관리시스템
WO2020242083A1 (ko) * 2019-05-31 2020-12-03 심왕섭 인공지능을 이용한 블록체인 기반 회계 관리시스템
WO2021110763A1 (fr) * 2019-12-04 2021-06-10 Neoinstinct Sa Méthode mise en œuvre par ordinateur pour l'allocation d'une pièce comptable à un couple de comptes débiteur/créditeur et l'écriture comptable
KR20220052665A (ko) * 2020-10-21 2022-04-28 주식회사 와이즈앤소프트 메디칼 세무 회계 리스크 관리가 가능한 자동 장부 서비스의 제공 장치 및 방법
KR102547073B1 (ko) * 2020-10-21 2023-06-23 주식회사 와이즈앤소프트 메디칼 세무 회계 리스크 관리가 가능한 자동 장부 서비스의 제공 장치 및 방법
KR102416998B1 (ko) * 2021-01-14 2022-07-07 주식회사 파이브웍스 세무 문서 수집 및 분류 자동화 장치 및 방법
KR102486186B1 (ko) * 2022-04-01 2023-01-10 주식회사 넘버트랙 웹 스크래핑과 인공지능을 이용한 자동화된 재무 관리 클라우드 서비스 제공 시스템, 방법 및 프로그램

Similar Documents

Publication Publication Date Title
KR101914620B1 (ko) 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버
Schumann et al. We need fairness and explainability in algorithmic hiring
US11487941B2 (en) Techniques for determining categorized text
Hatefi et al. Multi-criteria ABC inventory classification with mixed quantitative and qualitative criteria
Kazak et al. Artificial intelligence in the tourism sphere
US20210383308A1 (en) Machine learning systems for remote role evaluation and methods for using same
Singh et al. Picture fuzzy set and quality function deployment approach based novel framework for multi-criteria group decision making method
US20190052720A1 (en) Dynamic candidate pool retrieval and ranking
Shukla et al. A fuzzy rough sets-based multi-agent analytics framework for dynamic supply chain configuration
Assefa Tsehayae et al. Developing and optimizing context-specific fuzzy inference system-based construction labor productivity models
US11900320B2 (en) Utilizing machine learning models for identifying a subject of a query, a context for the subject, and a workflow
US20190050813A1 (en) Context aware dynamic candidate pool retrieval and ranking
EP4162420A1 (en) Machine learning systems for collaboration prediction and methods for using same
Jun et al. Learning dispatching rules for single machine scheduling with dynamic arrivals based on decision trees and feature construction
CN110851729A (zh) 资源信息推荐方法、装置、设备及计算机存储介质
CN111080225A (zh) 项目加速的自动评估
CN110969184A (zh) 使用迭代人工智能通过通信决策树的有向轨迹
McCarthy et al. Introduction to predictive analytics
Darias et al. Using case-based reasoning for capturing expert knowledge on explanation methods
Chen Iot-enabled supply chain finance risk management performance big data analysis using Fuzzy Qfd
Gerrits Soul of a new machine: Self-learning algorithms in public administration
US11893401B1 (en) Real-time event status via an enhanced graphical user interface
CN106575418A (zh) 建议的关键词
Ilieva Decision analysis for big data platform selection
US10796229B1 (en) Building an interactive knowledge list for business ontologies

Legal Events

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