KR102235130B1 - 판매량 예측 장치 및 방법 - Google Patents

판매량 예측 장치 및 방법 Download PDF

Info

Publication number
KR102235130B1
KR102235130B1 KR1020190025626A KR20190025626A KR102235130B1 KR 102235130 B1 KR102235130 B1 KR 102235130B1 KR 1020190025626 A KR1020190025626 A KR 1020190025626A KR 20190025626 A KR20190025626 A KR 20190025626A KR 102235130 B1 KR102235130 B1 KR 102235130B1
Authority
KR
South Korea
Prior art keywords
time series
data
series data
sales volume
prediction
Prior art date
Application number
KR1020190025626A
Other languages
English (en)
Other versions
KR20200107087A (ko
Inventor
남치억
정효재
하태양
이효재
노영우
노대호
Original Assignee
베스핀글로벌 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 베스핀글로벌 주식회사 filed Critical 베스핀글로벌 주식회사
Priority to KR1020190025626A priority Critical patent/KR102235130B1/ko
Publication of KR20200107087A publication Critical patent/KR20200107087A/ko
Application granted granted Critical
Publication of KR102235130B1 publication Critical patent/KR102235130B1/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
    • 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"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 판매량 예측 장치 및 방법에 관한 것이다. 본 발명에 따른 판매량 예측 장치는, 소정 기간 동안의 과거 판매량 데이터가 저장된 데이터 DB, 상기 소정 기간 동안의 과거 판매량에 대한 시계열 데이터를 단위 구간별로 평탄화하는 데이터 정제부, 상기 평탄화된 시계열 데이터의 주기적인 변동에 따른 계절성 지수(Seasonal Index)를 산출하는 지수 산출부, 및 상기 소정 기간의 과거 판매량에 대한 시계열 데이터에 상기 계절성 지수를 반영하여 미래 판매량을 예측하고, 미래 판매량 예측값을 포함하는 판매량 예측 데이터를 생성하는 판매량 예측부를 포함한다.

Description

판매량 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING SALES RATE BASED ON PREDICTION MODEL}
본 발명은 판매량 예측 장치 및 방법에 관한 것이다.
종래에는 과거 판매량 데이터의 증가/감소, 제품의 계절별 수요 변동, 날씨 등 판매량 예측에 영향을 미치는 변동 요인들을 고려하지 않은 채 과거 판매량 데이터만을 이용하여 미래 판매량을 예측하였다.
하지만, 판매량은 고정된 패턴에 따라 변하는 것이 아니기 때문에 판매량 예측 시점의 변동 요인들에 따라 크게 달라질 수 있기 때문에 미래 판매량을 정확하게 예측하기가 어려웠다.
또한, 기존의 판매량 예측 패턴이 정의되면, 기존에 정의된 판매량 예측 패턴을 변동 요인에 따라 매번 변경하는 것이 용이하지 않은 문제가 있다.
대한민국 등록특허 10-0795751호 (2006.01.17. 공고)
본 발명의 목적은, 판매량 예측 시 제품의 계절별 수요 변동을 고려하여 기본 예측 모델을 구현함으로써 보다 손쉽고 정확하게 미래 판매량의 예측이 가능하도록 한, 판매량 예측 장치 및 방법을 제공함에 있다.
또한, 본 발명의 다른 목적은, 판매량 예측 시 기본 예측 모델을 이용하여 미래 판매량을 예측하되, 여러 가지 판매량의 변동 요인에 따라 특화 로직 및/또는 추가 모델을 적용하여 판매량 예측 데이터를 보정함으로써 정확도 높은 미래 판매량 예측이 가능하도록 한, 판매량 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 판매량 예측 장치는, 소정 기간 동안의 과거 판매량 데이터가 저장된 데이터 DB, 상기 소정 기간 동안의 과거 판매량에 대한 시계열 데이터를 단위 구간별로 평탄화하는 데이터 정제부, 상기 평탄화된 시계열 데이터의 주기적인 변동에 따른 계절성 지수(Seasonal Index)를 산출하는 지수 산출부, 및 상기 소정 기간의 과거 판매량에 대한 시계열 데이터에 상기 계절성 지수를 반영하여 미래 판매량을 예측하고, 미래 판매량 예측값을 포함하는 판매량 예측 데이터를 생성하는 판매량 예측부를 포함하는 것을 특징으로 한다.
상기 데이터 정제부는, 소정 기간 동안의 시계열 데이터의 각 주차별 이동 평균을 산출하고, 상기 산출된 각 주차별 이동 평균에 기초하여 상기 시계열 데이터를 단위 구간별로 1차 평탄화하는 것을 특징으로 한다.
상기 데이터 정제부는, 상기 1차 평탄화된 시계열 데이터의 이동 표준편차를 산출하여 상기 시계열 데이터에 대한 기준 밴드를 설정하고, 상기 1차 평탄화된 시계열 데이터 중 상기 기준 밴드를 초과하는 이상치를 정제하는 것을 특징으로 한다.
상기 데이터 정제부는, 상기 1차 평탄화된 시계열 데이터 중 상기 기준 밴드의 최대 밴드값 보다 큰 값을 상기 최대 밴드값으로 정제하고, 상기 기준 밴드의 최소 밴드값 보다 작은 값을 상기 최소 밴드값으로 정제하는 것을 특징으로 한다.
상기 데이터 정제부는, 상기 이상치 정제된 시계열 데이터를 소정 기간 단위로 2차 평탄화 하는 것을 특징으로 한다.
상기 지수 산출부는, 시계열 데이터의 변동성에 따른 이동 평균을 이용하여 추세선을 구하고, 상기 추세선을 기준으로 소정 기간의 시계열 데이터에 대한 주차별 계절성 지수를 산출하는 것을 특징으로 한다.
상기 지수 산출부는, 상기 계절성 지수를 각 연도별로 산출하고 각 연도별로 산출된 계절성 지수의 지수 평균을 산출하는 것을 특징으로 한다.
상기 계절성 지수는, 원본 시계열 데이터에 대해 산출된 일반 계절성 지수 및 이상치 정제된 시계열 데이터에 대해 산출된 조정 계절성 지수를 포함하는 것을 특징으로 한다.
상기 지수 산출부는, 상기 계절성 지수 및 상기 조정 계절성 지수에 시계열 데이터의 변동 계수에 따라 가변하는 혼합 계수를 적용하여 혼합 계절성 지수를 산출하는 것을 특징으로 한다.
상기 판매량 예측부는, 기준 주차에 대해서 상기 소정 기간의 과거 판매량에 대한 시계열 데이터의 단위 구간에 대한 이상치를 정제하고, 상기 이상치 정제된 시계열 데이터의 가중 평균을 산출하는 것을 특징으로 한다.
상기 판매량 예측부는, 단위 구간의 시계열 데이터의 회귀 분석을 이용하여 추세를 측정하고, 측정된 추세값의 크기에 따라 부여되는 가중치 및 각 주차별 시계열 데이터에 기초하여 상기 가중 평균을 산출하는 것을 특징으로 한다.
상기 판매량 예측부는, 상기 소정 기간의 과거 판매량에 대해 산출된 혼합 계절성 지수 및 상기 시계열 데이터의 가중 평균에 기초하여 미래 판매량을 예측하는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 장치는, 상기 미래 판매량 예측에 적용되는 기본 예측 모델이 저장되는 모델 DB를 포함하는 것을 특징으로 한다.
상기 모델 DB는, 제품 또는 해당 제품이 속한 제품군의 특성에 따른 판매량 예측 데이터를 보정하는데 적용되는 하나 이상의 특화로직 및 해당 제품의 판매량 예측의 변동 요인이 되는 외부 요인별 추가 모델이 저장되는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 장치는, 상기 적어도 하나 이상의 특화로직 및 추가 모델을 이용하여 상기 판매량 예측 데이터를 보정하는 데이터 보정부를 더 포함하는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 장치는, 상기 데이터 보정부에 의해 보정된 최종 판매량 예측 데이터를 고객사에게 제공하는 제어부를 더 포함하는 것을 특징으로 한다.
또한, 상기의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 판매량 예측 방법은, 소정 기간 동안의 과거 판매량에 대한 시계열 데이터를 단위 구간별로 평탄화하는 단계, 상기 평탄화된 시계열 데이터의 주기적인 변동에 따른 계절성 지수(Seasonal Index)를 산출하는 단계, 및 상기 소정 기간의 과거 판매량에 대한 시계열 데이터에 상기 계절성 지수를 반영하여 미래 판매량을 예측하고, 미래 판매량 예측값에 기초하여 판매량 예측 데이터를 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 판매량 예측 시 제품의 계절별 수요 변동을 고려하여 기본 예측 모델을 구현함으로써 보다 손쉽고 정확하게 미래 판매량의 예측이 가능하며, 판매량 예측 시 기본 예측 모델을 이용하여 미래 판매량을 예측하되, 여러 가지 판매량의 변동 요인에 따라 특화 로직 및/또는 추가 모델을 적용하여 판매량 예측 데이터를 보정함으로써 정확도 높은 미래 판매량 예측이 가능한 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 판매량 예측 장치의 구성을 도시한 도면이다.
도 2 내지 도 5는 본 발명의 일 실시예에 따른 판매량 예측 장치의 데이터 전처리 동작을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 6a 및 도 6b는 본 발명의 일 실시예에 따른 판매량 예측 장치의 계절성 지수 산출 동작을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 판매량 예측 장치의 판매량 예측 동작을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 판매량 예측 장치의 판매량 예측 데이터 보정 동작을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 판매량 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 판매량 예측 장치의 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 판매량 예측 장치는 제어부(110), 인터페이스부(120), 통신부(130), 데이터 DB(140), 모델 DB(150), 데이터 정제부(160), 지수 산출부(170), 판매량 예측부(180) 및 데이터 보정부(190)를 포함할 수 있다. 여기서, 본 발명에 따른 판매량 예측 장치의 제어부(110), 데이터 정제부(160), 지수 산출부(170), 판매량 예측부(180) 및 데이터 보정부(190)는 적어도 하나 이상의 프로세서(processor)로서 구현될 수 있다. 이때, 제어부(110)는 판매량 예측 장치(100)의 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)을 위한 통신모듈을 포함할 수 있다. 이때, 통신모듈은 판매량 예측 장치 외부의 적어도 하나의 통신장치로부터 판매량 데이터를 수신할 수 있다. 또한, 통신모듈은 외부의 적어도 하나의 통신장치로부터 기본예측모델, 특화 로직 및/또는 추가 모델을 수신할 수도 있다.
여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN, WLAN), 와이브로(Wireless Broadband, Wibro), 와이파이(Wi-Fi), 와이맥스(World Interoperability for Microwave Access, Wimax) 등이 포함될 수 있다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), 지그비(ZigBee), UWB(Ultra Wideband), RFID(Radio Frequency Identification), 적외선통신(Infrared Data Association, IrDA) 등이 포함될 수 있다.
데이터 DB(140)는 소정의 판매량 데이터가 저장될 수 있다. 판매량 데이터는 과거 소정 기간 동안의 복수의 판매량 데이터가 해당될 수 있다. 일 예로서, 데이터 DB(140)는 과거 3년 동안의 판매량 데이터가 저장될 수 있다. 여기서, 판매량 데이터는 각 주 단위의 판매량에 대한 시계열 데이터일 수 있으며, 판매량 데이터의 레이아웃은 사전 정의된 표준 레이아웃(Standard Layout)에 기초하여 구성될 수 있다.
또한, 데이터 DB(140)는 복수의 판매량 데이터를 기반으로 예측된 판매량 예측 데이터가 저장될 수도 있다.
모델 DB(150)는 기본예측모델, 특화로직 및 추가 모델 등이 저장될 수 있다.
기본예측모델은 데이터 DB(140)에 저장된 판매량 데이터를 정제하고, 정제된 판매량 데이터를 이용하여 계절성 지수를 산출하고, 판매량 데이터 및 계절성 지수를 기반으로 판매량 예측 데이터를 생성하기 위한 알고리즘을 기반으로 구현된 모델일 수 있다. 이에, 데이터 정제부(160), 지수 산출부(170) 및 판매량 예측부(180)의 각 동작은 기본예측모델을 기반으로 수행될 수 있다.
특화로직은 업종, 제품 및/또는 비즈니스 특성에 따라 판매량 예측 데이터를 보정하기 위한 로직이 해당될 수 있다. 특화로직은 업종, 제품 및/또는 비즈니스 특성에 따라 복수 개로 구현될 수 있다.
일 예로서, 특화로직 A는 특정 제품군에 해당하는 제품의 신제품 판매량을 보정하기 위한 로직일 수 있다. 일반적으로 신제품은 출시 직후 판매량을 예측하는 것이 어렵다. 하지만 해당 제품이 특정 제품군에 속한다면 해당 제품군의 전체 판매량을 예측하고, 이를 통해서 신제품의 판매량을 예측할 수 있다. 특정 제품군의 판매량에서 과거 유사한 제품이 출시 당시에 차지했던 판매 비율을 측정하여 반영하거나, 가장 유사한 제품의 발매 당시의 실제 판매량 데이터를 참고하여 현 제품의 미래 판매량을 예측할 수 있다.
특화로직 B는 제품군 내의 제품 판매량 순위에 따라 판매량 예측 데이터를 보정하기 위한 로직이 해당될 수 있다. 제품군을 기반으로 판매량을 예측을 하게 되면 각 제품의 예측 결과에 오차가 발생할 수 있다. 따라서, 특화로직 B는 제품군 내의 제품을 판매량으로 순위를 매겨서 상위 소정비율(예, 25%)의 제품은 제품군에서 산출된 계절성 지수보다 높은 값을, 나머지는 낮은 값을 산출하도록 보정하여 상, 하위 판매 제품들의 과소/과대 예측을 방지하도록 한다.
특화로직 C는 제품의 판매 이력에 따라 판매량 예측 데이터를 보정하기 위한 로직이 해당될 수 있다. 판매량이 낮은 제품은 판매량 예측이 0이 되어버리지만 실제로는 시계열의 몇 구간에 한 번씩이라도 판매 이력이 존재할 수 있다. 따라서, 특화로직 C는 해당 제품의 정확한 판매량을 예측하기 위해서 구간 평균 판매량을 구하고 예측에서도 예측 구간 판매량의 평균이 기존과 같거나 추세가 반영되도록 보정하여 특정 구간마다 판매량을 0이 아닌 값을 예측할 수 있도록 한다.
특화로직 D는 제품의 프로모션에 따라 판매량 예측 데이터를 보정하기 위한 로직이 해당될 수 있다. 계절성 지수를 이용하여 판매량을 예측하는 경우에는 일반적으로 프로모션을 반영하기 어렵다. 따라서, 특화로직 D는 과거에 외부 요인이 있었던 주차의 판매량 데이터를 참고하여 미래 외부 요인이 반영되도록 보정하여 해당 시기의 판매량 예측 정확도를 향상시키도록 한다.
특화로직 E는 트렌드 변화에 따라 판매량 예측 데이터를 보정하기 위한 로직이 해당될 수 있다. 과거 데이터를 기반으로 계절성 지수를 구하고 이를 기반으로 판매량 예측을 진행하게 되면 급격한 추세의 변동 사항을 제대로 반영하지 못할 수 있으며, 이로 인해서 지속적으로 과다, 과소 예측을 진행하게 된다. 따라서, 특화로직 E는 최근 트렌드를 반영하여 계절성 지수를 보정하기 위한 추세 반영 지수를 계산하고, 이를 기반으로 판매량 예측 데이터를 보정하도록 한다.
특화로직 F는 계절성에 따라 판매량 예측 데이터를 보정하기 위한 로직이 해당될 수 있다. 계절성이 크지 않은 제품을 예측할 때에는 오히려 추세가 더 중요하게 작용할 수 있다. 예를 들어, 단봉성을 갖는 함수 형태의 데이터는 계절성이 나타나지 않는다. 따라서, 특화로직 F는 계절성이 크지 않은 제품의 판매량 데이터의 계절성 지수를 산출하면서 최근 데이터에 가중치를 주어 보정함으로써 판매량 예측 시 추세를 더 반영할 수 있다. 그 외에도, 제품군의 여러 가지 특성에 따라 다양한 특화로직이 구현될 수 있다.
추가 모델은 판매가, 지역, 이벤트, 제품의 연식, 제품 반응 등의 외부 요인에 따라 판매량 데이터를 보정하기 위한 머신 러닝 등의 알고리즘을 기반으로 구현된 모델일 수 있다. 여기서, 추가 모델은 외부 요인에 따라 복수 개로 구현될 수 있다.
여기서, 데이터 DB(140) 및/또는 모델 DB(150)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.
데이터 정제부(160)는 데이터 DB(140)에 저장된 판매량 데이터 중 소정 기간의 판매량 데이터를 호출하여 평탄화하고 소정 범위를 초과하는 이상치를 정제하는 동작을 수행할 수 있다. 일 예로서, 데이터 정제부(160)는 3년 동안의 156주에 대한 판매량 데이터를 정제하여 정제된 판매량 데이터를 획득할 수 있다. 여기서, 판매량 데이터는 각 주차별 판매량의 변화를 나타낸 시계열 데이터의 형태로 구성될 수 있다.
구체적으로, 데이터 정제부(160)는 판매량 데이터의 1차 평탄화를 위해 3년 동안의 주차별 시계열 데이터를 이용하여 이동 평균을 산출한다. 3년 동안의 판매량에 대한 주차별 시계열 데이터는 도 2와 같이 나타낼 수 있다.
도 2를 참조하면, 도면부호 211은 1년차 판매량 데이터의 1주 내지 52주 동안의 각 주차별 변화 그래프를 나타낸 것이고, 도면부호 213은 2년차 판매량 데이터의 1주 내지 52주 동안의 각 주차별 변화 그래프를, 그리고 도면부호 215는 3년차 판매량 데이터의 1주 내지 52주 동안의 각 주차별 변화 그래프를 나타낸 것이다.
이때, 데이터 정제부(160)는 아래 [수학식 1]을 참조하여 각 주차별 시계열 데이터의 이동 평균을 산출할 수 있다.
Figure 112019022846602-pat00001
[수학식 1]에서,
Figure 112019022846602-pat00002
는 단위 구간별 이동 평균, i는 기준 주차, ni는 시작 주, nf는 마지막 주, Xj는 주차의 시계열 값을 의미한다. 여기서, 단위 구간은 2n+1이고, ni=min(ti, i-n), nf=min(tf, i+n)이며, ti는 데이터의 처음 주차를, tf는 데이터의 마지막 주차를 의미한다.
[수학식 1]을 참조하면 1년 동안의 판매량 데이터를 52주의 시계열 데이터로 정의하고, 이때 3년 동안의 시계열 데이터의 시작 주를 1주 마지막 주를 156주로 하여 3년 동안의 각 주차별 이동 평균을 구할 수 있다. 이 경우에, 그리고 이 된다.
데이터 정제부(160)는 156주의 시계열 데이터에 대해 산출된 이동 평균을 이용하여 소정 단위 구간별로 평탄화를 진행할 수 있다. 이때, 평탄화 구간은 예를 들어 17주 단위 구간마다 진행될 수 있지만, 이에 한정되는 것은 아니다.
여기서, 단위 구간이 2n 인 경우에는 아래 [수학식 2]를 참조하여 해당 주차의 판매량 데이터의 이동 평균을 산출할 수 있다.
Figure 112019022846602-pat00003
여기서, ni=max(ti,i-(n-1))이고, nf=min(tf,i+n-1)이다. 시계열 데이터의 첫 구간과, 끝 구간은 이동 평균을 구할 때, 기준 주차보다 이전이나 이후의 구간에서는 일부 시계열 데이터가 존재하지 않는다.
즉, 단위 구간이 17주인 경우, 데이터 정제부(160)는 기준 주차인 i주를 기준으로 앞으로 8주, 뒤로 8주에 해당하는 시계열 데이터의 이동 평균을 구할 수 있다. 하지만, 1주차 내지 8주차까지는 기준 주차의 앞으로 8주 이하의 시계열 데이터가 존재하지 않는다.
이 경우, 데이터 정제부(160)는 해당 구간 내에 속하는 남은 시계열 데이터만을 이용해서 이동 평균을 산출할 수 있다.
이와 같이, 이동 평균을 이용하여 시계열 데이터를 1차 평탄화하면 주차별 효과를 최대한 반영할 수 있다.
1차 평탄화된 시계열 데이터의 실시예는 도 3과 같이 나타낼 수 있다. 도 3을 참조하면, 3년치의 각 주차별 시계열 데이터 311, 313, 315는 도 2에 도시된 초기 시계열 데이터 211, 213, 215에 비해 평탄화되어 있는 것을 확인할 수 있다.
데이터 정제부(160)는 1차 평탄화 작업이 완료되면, 1차 평탄화된 시계열 데이터의 변동성을 측정한다. 이때, 데이터 정제부(160)는 1차 평탄화된 시계열 데이터의 변동성을 측정을 위해 단위 구간의 시계열 데이터에 대한 이동 표준편차를 산출한다. 일 예로서, 데이터 정제부(160)는 5주 단위 구간별 시계열 데이터를 이용하여 이동 표준편차를 산출할 수 있다.
여기서, 데이터 정제부(160)는 아래 [수학식 3]을 참고하여 1차 평탄화된 시계열 데이터의 단위 구간별 이동 표준편차를 산출할 수 있다.
Figure 112019022846602-pat00004
[수학식 3]에서, σi는 i 주차 이동 표준편차, i는 기준 주차, ni는 시작 주, nf는 마지막 주, Xj는 j 주차의 시계열 값, 그리고
Figure 112019022846602-pat00005
는 단위 구간별 이동 평균을 의미한다. 여기서, 단위 구간은 2n+1이다.
이때, 단위 구간이 2n인 경우에는 아래 [수학식 4]를 참조하여 1차 평탄화된 시계열 데이터의 단위 구간별 이동 표준편차를 산출할 수 있다.
Figure 112019022846602-pat00006
여기서, 이동 표준편차의 산출 구간은 예를 들어 5주 단위 구간마다 진행될 수 있지만, 이에 한정되는 것은 아니며 시계열 데이터의 특성에 따라 달라질 수 있다.
데이터 정제부(160)는 1차 평탄화된 시계열 데이터에 상기와 같이 산출된 이동 표준편차를 적용하여 밴드를 설정함으로써 시계열 데이터의 변동성을 제어할 수 있다.
다시 말해, 데이터 정제부(160)는 1차 평탄화된 시계열 데이터 중 각 주차의 시계열 데이터에 해당 주차에서 산출된 이동 표준편차 값을 +/- 하여 밴드 영역을 설정할 수 있다. 여기서, 해당 주차의 밴드 영역의 최대 밴드는 1차 평탄화된 시계열 데이터에 이동 표준편차를 더한 값이 해당되고, 최소 밴드는 1차 평탄화된 시계열 데이터에 이동 표준편차를 뺀 값이 해당될 수 있다.
여기서, 밴드 설정을 위한 최대 배율 및/또는 최소 배율은 시계열에 따라서 달라질 수 있다.
데이터 정제부(160)는 시계열 데이터의 이동 표준편차를 이용하여 밴드 설정이 완료되면, 초기 호출된 판매량의 시계열 데이터에 대해 상기 설정된 밴드를 기준으로 이상치를 정제하도록 한다.
일 예로, 데이터 정제부(160)는 판매량의 초기 시계열 데이터 중 최대 밴드를 초과하는 값을 최대 밴드값으로 정제하고, 최소 밴드 미만인 값을 최소 밴드값으로 정제할 수 있다.
이때, 데이터 정제부(160)는 아래 [수학식 5]를 참조하여 시계열 데이터의 이상치를 정제할 수 있다.
Figure 112019022846602-pat00007
[수학식 5]에서, Xi'는 정제된 i 주차의 시계열 데이터, Xi는 판매량의 초기 시계열 데이터, 그리고 σi는 i 주차의 이동 표준편차를 의미한다. [수학식 5]에서와 같이, 데이터 정제부(160)는 판매량의 초기 시계열 데이터 중 i 주차의 시계열 데이터 Xi가 최대 밴드값인 Xi+σi를 초과하면, i 주차의 시계열 데이터인 Xi를 최대 밴드값인 Xi+σi로 정제할 수 있다. 한편, 데이터 정제부(160)는 판매량의 초기 시계열 데이터 중 i 주차의 시계열 데이터 Xi가 최소 밴드값인 Xi-σi 미만이면, i 주차의 시계열 데이터인 Xi를 최소 밴드값인 Xi-σi로 정제할 수 있다.
데이터 정제부(160)는 상기 과정을 통해 초기 시계열 데이터 중 설정된 밴드를 초과하는 이상치를 정제할 수 있다. 정제된 시계열 데이터의 실시예는 도 4와 같이 나타낼 수 있다.
데이터 정제부(160)는 이상치가 정제된 시계열 데이터에 대해 2차 평탄화를 진행하도록 한다. 여기서, 2차 평탄화는 1차 평탄화와 동일한 방법으로 진행될 수 있다. 다만, 데이터 정제부(160)는 156주의 시계열 데이터에 대해 1차 평탄화를 진행하였지만, 2차 평탄화는 기준 주차를 기준으로 앞/뒤로 1주에 해당하는 3주의 시계열 데이터에 대해 2차 평탄화를 진행할 수 있으며, i 주차의 2차 평탄화된 값은
Figure 112019022846602-pat00008
로 표기한다. 2차 평탄화된 시계열 데이터의 실시예는 도 5와 같이 나타낼 수 있다.
데이터 정제부(160)는 2차 평탄화 된 시계열 데이터를 데이터 DB(140)에 저장하고, 전처리 결과를 제어부(110) 및/또는 지수 산출부(170)로 전달할 수 있다.
지수 산출부(170)는 판매량의 시계열 데이터에 대한 전차리 동작이 완료되면, 시계열 데이터의 주기적인 변동에 따른 계절성 지수(Seasonal Index)를 산출한다. 여기서, 계절성 지수는 추세선에 대해서 시계열의 변동에 따른 시계열 값의 비율을 의미한다.
먼저, 지수 산출부(170)는 시계열 데이터의 변동성에 따른 이동 평균을 이용하여 추세선을 구하고, 추세선을 기준으로 소정 기간, 예를 들어, 1년 동안의 시계열 데이터에 대한 주차별 계절성 지수를 산출한다.
계절성 지수는 크게 일반적인 상황에서 사용되는 계절성 지수와, 변동성이 큰 시계열에서 판매량 예측을 위한 조정 (Adjusted) 계절성 지수로 구분될 수 있다.
여기서, 지수 산출부(170)는 아래 [수학식 6]을 참조하여 계절성 지수를 산출할 수 있다.
Figure 112019022846602-pat00009
또한, 지수 산출부(170)는 아래 [수학식 7]을 참조하여 조절 계절성 지수를 산출할 수 있다.
Figure 112019022846602-pat00010
[수학식 7]은 [수학식 6]의 수식과 동일하지만, 계절성 지수는 원본 시계열 데이터를 [수학식 6]에 반영하여 산출하는 것인데 반해, 조정 계절성 지수는 정제된 시계열 데이터를 [수학식 7]에 반영하여 산출한다. 이에, 조정 계절성 지수는 불안정한 시계열 예측을 위해 적용될 수 있다.
지수 산출부(170)는 1년치의 52주차 시계열 데이터를 이용하여 계절성 지수 및 조정 계절성 지수를 산출한다. 계절성 지수 및 조정 계절성 지수의 실시예는 도 6a 및 도 6b와 같이 나타낼 수 있다.
이상과 같이, 데이터 전처리 과정에서 산출된 판매량의 시계열 데이터에 대한 각 주차별 1차 평탄화 값, 이동 표준편차 값, 최소 밴드값, 최대 밴드값, 정제된 판매량, 2차 평탄화 값, 계절성 지수 및 조정 계절성 지수는 아래 [표 1]과 같이 정의될 수 있다.
Figure 112019022846602-pat00011
지수 산출부(170)는 각 연도별로 계절성 지수 및/또는 조정 계절성 지수를 산출하고, 각 연도별 지수 평균을 산출할 수 있다.
3년치의 시계열 데이터에 대한 각 연도별 지수 평균은 아래 [표 2]와 같이 나타낼 수 있다.
Figure 112019022846602-pat00012
계절성 지수 및 조정 계절성 지수는 판매량 예측 시에 시계열 데이터의 변동 계수(Coefficient of Variation)에 따라 혼합된 형태, 예를 들어, 이를 혼합(Mixed) 계절성 지수의 형태로 적용될 수 있다. 여기서, 혼합 계절성 지수는 아래 [수학식 8]과 같이 나타낼 수 있다.
Figure 112019022846602-pat00013
[수학식 8]에서, Si는 혼합 계절성 지수, αi는 변동 계수에 따라 가변하는 혼합 계수, Ti는 계절성 지수, 그리고 Ui는 조정 계절성 지수를 의미한다.
판매량 예측부(180)는 소정 기간의 판매량에 대한 시계열 데이터와 계절성 지수를 이용하여 이후 시점의 주차별 시계열 데이터를 예측한다. 일 예로서, 판매량 예측부(180)는 최근 기준으로 이전 26주 동안의 시계열 데이터를 이용하여 판매량을 예측할 수 있다.
이때, 판매량 예측부(180)는 각 주차별 시계열 데이터의 단위 구간에 대한 이상치를 정제하고, 추세 반영을 위해 정제된 시계열 데이터의 가중 평균을 산출하여 판매량을 예측한다.
먼저, 판매량 예측부(180)는 소정 기간의 시계열 데이터의 이상치를 정제한다.
이때, 판매량 예측부(180)는 26주 동안의 시계열 데이터의 상위값과 중간값 간 제1 차이값(Δu), 그리고 중간값과 하위값 간 제2 차이값(Δd)을 각각 산출하고, 중간값을 기준으로 제1 차이값 및 제2 차이값을 이용하여 이상치 정제를 위한 밴드를 설정한다.
여기서, 26주 동안의 시계열 데이터의 상위값이 Q1, 중간값이 Q2, 하위값이 Q3이라 가정했을 때, 제1 차이값은 Δu=|Q1-Q2|이 되고, 제2 차이값은 Δd=|Q2-Q3|이 될 수 있다.
또한, 상위값은 26주 동안의 시계열 데이터의 상위 소정 비율, 예를 들어, 상위 25%에 해당하는 값으로 정의될 수 있다. 또한, 하위값은 26주 동안의 시계열 데이터의 하위 소정 비율, 예를 들어, 하위 25%에 해당하는 값으로 정의될 수 있다.
여기서, 밴드의 최대 밴드값은 중간값(Q2)에 제1 차이값(Δu)의 두 배를 더한 값이 되고, 최소 밴드값은 중간값(Q2)에 제2 차이값(Δd)의 두 배를 뺀 값이 될 수 있다.
판매량 예측부(180)는 최근 4주 동안의 시계열 데이터가 설정된 밴드의 최대 밴드값을 초과하면 최대 밴드값으로 정제하고, 최소 밴드값 미만이면 최소 밴드값으로 정제하도록 한다.
이때, 판매량 예측부(180)는 아래 [수학식 9]를 참조하여 시계열 데이터의 이상치를 정제할 수 있다.
Figure 112019022846602-pat00014
[수학식 9]에서,
Figure 112019022846602-pat00015
는 정제된 i 주차의 시계열 데이터, Xi는 i 주차의 시계열 데이터, Q2는 중간값, Δu는 제1 차이값, 그리고 Δd는 제2 차이값을 의미한다.
판매량 예측부(180)는 이상치 정체된 최근 4주의 시계열 데이터에 대한 가중 평균을 산출하고, 산출된 가중 평균을 시계열 데이터에 반영하도록 한다.
여기서, 판매량 예측부(180)는 아래 [수학식 10]을 참조하여 최근 4주의 시계열 데이터에 대한 가중 평균을 산출할 수 있다.
Figure 112019022846602-pat00016
[수학식 10]에서,
Figure 112019022846602-pat00017
는 시계열 데이터의 가중 평균, i는 기준 주차, βj는 j 주차의 가중치, 그리고
Figure 112019022846602-pat00018
는 정제된 j 주차의 시계열 데이터를 의미한다.
여기서, 가중치의 값은 최근 4주의 시계열 데이터의 회귀 분석 등을 이용하여 추세를 측정하고, 측정된 값의 크기에 따라서 변동될 수 있다. 이때, 추세의 변화가 급격할 수록 최근 시계열 데이터의 값에 더 큰 가중치가 부여될 수 있다.
최근 4주의 시계열 데이터에 대해 산출된 가중 평균은 기준 주차 이후의 시계열 데이터를 예측하기 위해 계절성이 제거된 기준선(Baseline)을 산출하는데 이용될 수 있다.
이에, 판매량 예측부(180)는 앞서 산출된 최근 4주의 시계열 데이터에 대해 산출된 가중 평균 및 계절성 지수 평균, 그리고 예측 주차의 계절성 지수를 이용하여 판매량 예측값을 산출할 수 있다. 일 예로, 판매량 예측부(180)는 기준 주차 이후의 26주에 대한 판매량을 예측할 수 있다.
이때, 판매량 예측부(180)는 아래 [수학식 11]을 참조하여 판매량 예측값을 산출할 수 있다.
Figure 112019022846602-pat00019
[수학식 11]에서,
Figure 112019022846602-pat00020
는 i 주차의 판매량 예측값,
Figure 112019022846602-pat00021
는 시계열 데이터의 가중 평균, Si는 i 주차의 혼합 계절성 지수, 그리고 Sj는 이전 j 주차의 혼합 계절성 지수를 의미한다.
일 예로서, 판매량 예측부(180)는 26주의 시계열 데이터에 기초하여 이후의 판매량을 예측할 수 있다. 이때, 예측된 판매량의 실시예는 도 7과 같이 나타낼 수 있다.
여기서, 계절성 지수가 0인 경우에는 발산하는 문제가 생기기 때문에, 이를 방지하고자 [수학식 11]에서와 같이 통상적인 계절성 지수 1을 분자, 분모에 더해 계절성 지수의 발산을 막을 수 있다.
판매량 예측부(180)는 각 주차별 판매량 예측값을 이용하여 판매량 예측 데이터를 생성하고, 생성된 판매량 예측 데이터를 데이터 DB(140)에 저장하도록 한다.
데이터 보정부(190)는 시계열 데이터의 특징들에 대응되는 적어도 하나 이상의 특화로직 및/또는 추가 모델을 적용하여 판매량 예측 데이터를 보정할 수 있다.
일 예로서, 휴대폰의 판매량을 예측하는 경우, 휴대폰은 대체로 주기적인 신제품 출시 주기를 가지고 있으며, 신제품 출시 초기에 판매량이 높고 이후 시간이 지날수록 판매량이 감소하는 특징을 가지고 있어 판매량을 예측하기가 어렵다.
따라서, 데이터 보정부(190)는 특정 제품군의 신제품 판매량 예측을 위해 구현된 특화로직 A 및 특정 제품군의 제품 판매량 순위를 기반으로 판매량 예측을 위해 구현된 특화로직 B를 적용하여 기본 예측 모델을 기반으로 생성된 휴대폰의 판매량 예측 데이터를 보정할 수 있다. 이 경우, 보정된 휴대폰의 판매량 예측 데이터는 신제품 판매량 및 제품 판매량 순위를 기반으로 보정됨에 따라 판매량 예측 정확도가 상승할 수 있다.
이와 같은 방식으로, 데이터 보정부(190)는 특정 제품 판매 시의 제품에 대한 특징에 따라 대응되는 하나 또는 그 이상의 특화로직을 적용하여 판매량 예측 데이터를 보정할 수 있다.
또한, 데이터 보정부(190)는 특정 제품 판매 시 판매량에 영향을 미치는 외부 요인이 발생한 경우, 해당 요인에 대응되는 하나 또는 그 이상의 추가 모델을 적용하여 판매량 예측 데이터를 보정할 수 있다.
데이터 보정부(190)는 특화로직 및/또는 추가 모델을 이용하여 보정한 최종 판매량 예측 데이터를 데이터 DB(140)에 저장하도록 한다.
이에, 제어부(110)는 데이터 DB(140)에 저장된 최종 판매량 예측 데이터를 사용자에게 제공한다. 일 예로, 제어부(110)는 사용자가 접속한 웹 페이지의 화면을 통해 최종 판매량 예측 데이터를 제공할 수 있다. 한편, 제어부(110)는 사용자의 계정으로 최종 판매량 예측 데이터를 전송할 수도 있다.
여기서, 최종 판매량 예측 데이터는 판매량 예측을 위해 분석된 모든 정보를 시각화한 데이터를 포함할 수 있다. 또한, 최종 판매량 예측 데이터는 각 주차별 판매량 예측 결과, 회차별 판매량 예측 결과 등을 모두 포함할 수 있다.
상기에서와 같이 동작하는 본 실시예에 따른 판매량 예측 장치(100)는 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.
도 8은 기본 예측 모델, 특화로직 및 추가 모델을 조합하여 판매량을 예측하는 실시예를 나타낸 것이다.
도 8을 참조하면, 판매량 예측 장치는 특정 제품의 판매량 예측 데이터 생성을 위한 기본 예측 모델에 각 데이터의 특성에 따른 적어도 하나 이상의 특화로직 및/또는 추가모델을 조합하여 최종 판매량 예측 데이터를 생성할 수 있다.
기본 예측 모델은 판매량의 시계열 데이터의 전처리 동작을 수행하고, 계절성 지수 및 조정 계절성 지수를 산출하고, 이를 기반으로 판매량 예측 데이터를 생성하는 일련의 동작들을 수행할 수 있다.
특화로직은 제품이 속한 제품군의 특성 및/또는 비즈니스 특성 등에 따라 복수 개의 특화로직, 예를 들어, 특화로직 A 내지 특화로직 X로 구현될 수 있다. 판매량 예측 장치는 특화로직 A 내지 특화로직 X 중 판매량 예측을 위한 해당 제품에 해당하는 특성에 대응되는 특화로직을 선택하여 기본 예측 모델과 조합할 수 있다.
추가모델은 제품의 특성 이외에 판매량에 영향을 미치는 외부 요인에 따라 판매량 예측을 위해 구현된 모델로서, 외부 요인에 따라 복수 개의 추가 모델, 예를 들어, 추가모델 A 내지 추가모델 Z로 구현될 수 있다. 판매량 예측 장치는 추가모델 A 내지 추가모델 Z 중 판매량 예측을 위한 해당 제품에 해당하는 특성에 대응되는 특화로직을 선택하여 기본 예측 모델과 조합할 수 있다.
일 예로서, 휴대폰, 컴퓨터와 같은 전자제품을 판매하는 고객사 A의 제품들에 대한 판매량 예측을 위해, 판매량 예측 장치는 도면부호 851과 같이, 기본 예측 모델과, 휴대폰, 컴퓨터 등의 제품군의 특성에 대응되는 특화로직, 예를 들어, 특화로직 B를 조합할 수 있다. 이때, 판매량 예측 장치는 조합된 기본 예측 모델 및 특화로직 B를 이용하여 고객사 A의 제품들에 대한 판매량을 예측하고, 예측 결과로부터 판매량 예측 데이터를 생성하여 고객사 A에게 제공할 수 있다.
또한, 화장품을 판매하는 고객사 B의 제품들에 대한 판매량 예측을 위해, 판매량 예측 장치는 도면부호 853과 같이, 기본 예측 모델과, 화장품의 제품군 특성에 대응되는 특화로직, 예를 들어, 특화로직 C 및 특화로직 F, 그리고 해당 제품군 판매에 영향을 미치는 외부 요인에 대응되는 추가 모델, 예를 들어, 추가모델 B를 조합할 수 있다. 이때, 판매량 예측 장치는 조합된 기본 예측모델, 특화로직 C, 특화로직 F, 및 추가모델 B를 이용하여 고객사 B의 제품들에 대한 판매량을 예측하고, 예측 결과로부터 판매량 예측 데이터를 생성하여 고객사 B에게 제공할 수 있다.
또한, 커피와 같은 제조 음료를 판매하는 고객사 C의 제품들에 대한 판매량 예측을 위해, 판매량 예측 장치는 도면부호 855와 같이, 기본 예측 모델과, 제조 음료의 제품군 특성에 대응되는 특화로직, 예를 들어, 특화로직 D, 그리고 해당 제품군 판매에 영향을 미치는 외부 요인에 대응되는 추가 모델, 예를 들어, 추가모델 A, B 및 D를 조합할 수 있다. 이때, 판매량 예측 장치는 조합된 기본 예측모델, 특화로직 D, 및 추가모델 A, B, D를 이용하여 고객사 C의 제품들에 대한 판매량을 예측하고, 예측 결과로부터 판매량 예측 데이터를 생성하여 고객사 C에게 제공할 수 있다.
이상의 본 실시예에 따른 판매량 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.
본 실시예에 따른 판매량 예측 장치는 어느 하나의 상품군 또는 업종에 한정되는 것은 아니며, 판매량을 예측할 수 있는 상품군 및/또는 업종이라면 얼마든지 적용 가능함은 당연한 것이다.
상기와 같이 구성되는 본 발명에 따른 판매량 예측 장치에 대한 동작 흐름을 보다 상세히 설명하면 다음과 같다.
도 9는 본 발명의 일 실시예에 따른 판매량 예측 방법에 대한 동작 흐름을 도시한 도면이다.
도 9를 참조하면, 판매량 예측 장치는 판매량 예측을 위해 기 저장된 과거의 판매량 데이터를 호출한다(S110). 여기서, 판매량 데이터는 소정 기간 동안의 각 주차별 시계열 데이터이다. 판매량 예측 장치는 소정 기간 동안의 시계열 데이터를 이용하여 데이터 전처리 과정을 수행한다. 데이터 전처리 과정에서 판매량 예측 장치는 1차 평탄화를 수행하고(S120), 1차 평탄화된 시계열 데이터의 밴드를 설정하여 설정된 밴드를 초과하는 이상치를 정제한다(S130). 또한, 판매량 예측 장치는 이상치 정제된 시계열 데이터에 대해 2차 평탄화를 수행하도록 한다(S140).
판매량 예측 장치는 시계열 데이터의 데이터 전처리가 완료되면, 시계열 데이터의 계절성 지수를 산출한다. 계절성 지수를 산출하는 동작에 대한 세부 설명은 [수학식 6] 내지 [수학식 8]을 참조하여 계절성 지수를 산출할 수 있다(S150). 판매량 예측 장치는 'S150' 과정에서 계절성 지수 및 조정 계절성 지수를 산출할 수 있으며, 계절성 지수 및 조정 계절성 지수의 혼합 지수를 산출할 수도 있다.
판매량 예측 장치는 판매량의 계열 데이터 및 계절성 지수를 기본 예측 모델에 반영하여 1차적으로 판매량을 예측한다(S160). 이때, 판매량 예측 장치는 판매량 예측 데이터를 생성하여 저장할 수 있다.
또한, 판매량 예측 장치는 미리 정의된 특화로직 및/또는 추가모델을 호출하고(S170), 판매량 예측 제품 혹은 제품군의 특성에 대응되는 특화로직 및/또는 판매량에 영향을 미치는 외부 요인에 대응되는 추가모델을 이용하여 판매량 예측 데이터를 보정하고(S180), 보정된 판매량 예측 데이터를 기반으로 최종 판매량 예측 데이터를 생성할 수 있다(S190).
판매량 예측 장치는 'S190' 과정에서 생성된 최종 판매량 예측 데이터를 고객사에게 출력할 수 있다(S200).
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.
100: 판매량 예측 장치 110: 제어부
120: 인터페이스부 130: 통신부
140: 데이터 DB 150: 모델 DB
160: 데이터 정제부 170: 지수 산출부
180: 판매량 예측부 190: 데이터 보정부

Claims (22)

  1. 소정 기간 동안의 과거 판매량 데이터가 저장된 데이터 DB;
    상기 소정 기간 동안의 과거 판매량에 대한 시계열 데이터를 단위 구간별로 평탄화하는 데이터 정제부;
    상기 평탄화된 시계열 데이터의 주기적인 변동에 따른 계절성 지수(Seasonal Index)를 산출하는 지수 산출부; 및
    상기 소정 기간의 과거 판매량에 대한 시계열 데이터에 상기 계절성 지수를 반영한 기본 예측 모델을 적용하여 미래 판매량을 예측하고, 미래 판매량 예측값을 포함하는 판매량 예측 데이터를 생성하는 판매량 예측부;를 포함하고,
    상기 데이터 정제부는 상기 시계열 데이터를 소정 기간 단위로 평탄화하여 정제된 시계열 데이터를 생성하며,
    상기 계절성 지수는 원본 시계열 데이터에 대해 산출된 일반 계절성 지수, 이상치 정제된 시계열 데이터에 대해 산출된 조정 계절성 지수, 및 상기 일반 계절성 지수와 상기 조정 계절성 지수가 시계열 데이터의 변동 계수에 따라 가변하는 혼합 계수를 적용하여 산출된 혼합 계절성 지수를 포함하고,
    상기 판매량 예측부는 상기 미래 판매량 예측에 적용되는 상기 기본 예측 모델, 제품군의 특성에 따른 특화로직, 및 제품군의 특성 이외에 해당 제품의 판매량 예측의 외부 요인에 따른 추가모델이 저장된 모델 DB를 포함하며,
    상기 기본 예측 모델과 적어도 하나 이상의 상기 특화로직 및 추가모델을 이용하여 상기 판매량 예측 데이터를 보정하는 데이터 보정부;를 더 포함하는 것을 특징으로 하는 판매량 예측 장치.
  2. 청구항 1에 있어서,
    상기 데이터 정제부는,
    소정 기간 동안의 시계열 데이터의 각 주차별 이동 평균을 산출하고, 상기 산출된 각 주차별 이동 평균에 기초하여 상기 시계열 데이터를 단위 구간별로 1차 평탄화하는 것을 특징으로 하는 판매량 예측 장치.
  3. 청구항 2에 있어서,
    상기 데이터 정제부는,
    상기 1차 평탄화된 시계열 데이터의 이동 표준편차를 산출하여 상기 시계열 데이터에 대한 기준 밴드를 설정하고, 상기 1차 평탄화된 시계열 데이터 중 상기 기준 밴드를 초과하는 이상치를 정제하는 것을 특징으로 하는 판매량 예측 장치.
  4. 청구항 3에 있어서,
    상기 데이터 정제부는,
    상기 1차 평탄화된 시계열 데이터 중 상기 기준 밴드의 최대 밴드값 보다 큰 값을 상기 최대 밴드값으로 정제하고, 상기 기준 밴드의 최소 밴드값 보다 작은 값을 상기 최소 밴드값으로 정제하는 것을 특징으로 하는 판매량 예측 장치.
  5. 청구항 3에 있어서,
    상기 데이터 정제부는,
    상기 이상치 정제된 시계열 데이터를 소정 기간 단위로 2차 평탄화 하는 것을 특징으로 하는 판매량 예측 장치.
  6. 청구항 1에 있어서,
    상기 지수 산출부는,
    시계열 데이터의 변동성에 따른 이동 평균을 이용하여 추세선을 구하고, 상기 추세선을 기준으로 소정 기간의 시계열 데이터에 대한 주차별 계절성 지수를 산출하는 것을 특징으로 하는 판매량 예측 장치.
  7. 청구항 1에 있어서,
    상기 지수 산출부는,
    상기 계절성 지수를 각 연도별로 산출하고 각 연도별로 산출된 계절성 지수의 지수 평균을 산출하는 것을 특징으로 하는 판매량 예측 장치.
  8. 삭제
  9. 삭제
  10. 청구항 1에 있어서,
    상기 판매량 예측부는,
    상기 소정 기간의 과거 판매량에 대한 시계열 데이터의 단위 구간에 대한 이상치를 정제하고, 상기 이상치 정제된 시계열 데이터의 가중 평균을 산출하는 것을 특징으로 하는 판매량 예측 장치.
  11. 청구항 10 에 있어서,
    상기 판매량 예측부는,
    단위 구간의 시계열 데이터의 회귀 분석을 이용하여 추세를 측정하고, 측정된 추세값의 크기에 따라 부여되는 가중치 및 각 주차별 시계열 데이터에 기초하여 상기 가중 평균을 산출하는 것을 특징으로 하는 판매량 예측 장치.
  12. 청구항 10 에 있어서,
    상기 판매량 예측부는,
    상기 소정 기간의 과거 판매량에 대해 산출된 혼합 계절성 지수 및 상기 시계열 데이터의 가중 평균에 기초하여 미래 판매량을 예측하는 것을 특징으로 하는 판매량 예측 장치.
  13. 삭제
  14. 삭제
  15. 삭제
  16. 청구항 1에 있어서,
    상기 데이터 보정부에 의해 보정된 최종 판매량 예측 데이터를 고객사에게 제공하는 제어부를 더 포함하는 것을 특징으로 하는 판매량 예측 장치.
  17. 데이터 정제부에서 소정 기간 동안의 과거 판매량에 대한 시계열 데이터를 단위 구간별로 평탄화하는 단계;
    지수 산출부에서 상기 평탄화된 시계열 데이터의 주기적인 변동에 따른 계절성 지수(Seasonal Index)를 산출하는 단계; 및
    판매량 예측부에서 상기 소정 기간의 과거 판매량에 대한 시계열 데이터에 상기 계절성 지수를 반영한 기본 예측 모델을 적용하여 미래 판매량을 예측하고, 미래 판매량 예측값에 기초하여 판매량 예측 데이터를 생성하는 단계;를 포함하며,
    상기 평탄화하하는 단계는 상기 시계열 데이터를 소정 기간 단위로 평탄화하여 정제된 시계열 데이터를 생성하며,
    상기 계절성 지수를 산출하는 단계는,
    원본 시계열 데이터에 대한 일반 계절성 지수 및 이상치 정제된 시계열 데이터에 대해 산출된 조정 계절성 지수를 산출하는 단계; 및
    상기 계절성 지수 및 상기 조정 계절성 지수에 시계열 데이터의 변동 계수에 따라 가변하는 혼합 계수를 적용하여 혼합 계절성 지수를 산출하는 단계;를 포함하고,
    상기 일반 계절성 지수, 상기 조정 계절성 지수, 및 상기 혼합 계절성 지수에 의해 상기 기본 예측 모델이 생성되며,
    상기 판매량 예측 데이터를 생성하는 단계 이후에,
    제품 또는 해당 제품이 속한 제품군의 특성에 따른 판매량 예측 데이터를 보정하는데 적용되는 하나 이상의 특화로직 및 해당 제품의 판매량 예측의 변동 요인이 되는 외부 요인별 추가 모델이 저장된 모델 DB로부터 해당 제품에 대응되는 적어도 하나 이상의 특화로직 및 추가 모델을 호출하는 단계; 및
    상기 기본 예측 모델과 적어도 하나 이상의 상기 특화로직 및 추가모델을 이용하여 상기 판매량 예측 데이터를 보정하는 단계;를 더 포함하는 것을 특징으로 하는 판매량 예측 방법.
  18. 청구항 17에 있어서,
    상기 평탄화하는 단계는,
    소정 기간 동안의 시계열 데이터의 각 주차별 이동 평균을 산출하고, 상기 산출된 각 주차별 이동 평균에 기초하여 상기 시계열 데이터를 단위 구간별로 1차 평탄화하는 단계;
    상기 1차 평탄화된 시계열 데이터의 이동 표준편차를 산출하여 상기 시계열 데이터에 대한 기준 밴드를 설정하고, 상기 1차 평탄화된 시계열 데이터 중 상기 기준 밴드를 초과하는 이상치를 정제하는 단계; 및
    상기 이상치 정제된 시계열 데이터를 소정 기간 단위로 2차 평탄화 하는 단계를 포함하는 것을 특징으로 하는 판매량 예측 방법.
  19. 삭제
  20. 청구항 17에 있어서,
    상기 판매량 예측 데이터를 생성하는 단계는,
    상기 소정 기간의 과거 판매량에 대한 시계열 데이터의 단위 구간에 대한 이상치를 정제하고, 상기 이상치 정제된 시계열 데이터의 가중 평균을 산출하는 단계; 및
    상기 소정 기간의 과거 판매량에 대해 산출된 혼합 계절성 지수 및 상기 시계열 데이터의 가중 평균에 기초하여 미래 판매량을 예측하는 단계를 포함하는 것을 특징으로 하는 판매량 예측 방법.
  21. 삭제
  22. 청구항 17에 있어서,
    제어부에서 상기 보정된 최종 판매량 예측 데이터를 고객사에게 제공하는 단계를 더 포함하는 것을 특징으로 하는 판매량 예측 방법.
KR1020190025626A 2019-03-06 2019-03-06 판매량 예측 장치 및 방법 KR102235130B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190025626A KR102235130B1 (ko) 2019-03-06 2019-03-06 판매량 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190025626A KR102235130B1 (ko) 2019-03-06 2019-03-06 판매량 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200107087A KR20200107087A (ko) 2020-09-16
KR102235130B1 true KR102235130B1 (ko) 2021-04-05

Family

ID=72669766

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190025626A KR102235130B1 (ko) 2019-03-06 2019-03-06 판매량 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102235130B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220358451A1 (en) * 2021-04-21 2022-11-10 Industrial Technology Research Institute Automated inventory management method and system thereof
WO2024005321A1 (ko) * 2022-06-27 2024-01-04 주식회사 임팩티브에이아이 예측적 신제품 개발 방법 및 장치

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053198B (zh) * 2020-09-21 2024-04-16 腾讯科技（深圳）有限公司 一种游戏数据处理方法、装置、设备和介质
KR102541845B1 (ko) * 2020-11-30 2023-06-12 이제혁 신제품 판매 예측을 위한 사례기반추론 장치 및 방법
KR102602448B1 (ko) * 2022-09-21 2023-11-14 백승훈 Cnn과 annoy 딥러닝 분석 기술을 활용한 미래 수요 예측 시스템
KR102594165B1 (ko) * 2022-09-21 2023-10-24 백승훈 기온 변화에 대한 판매량 예측 모델을 활용한 미래 수요 예측 시스템
KR102677031B1 (ko) * 2023-09-01 2024-06-21 주식회사 부스터스 시즌성 제품의 판매 수요를 예측하는 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4296027B2 (ja) * 2003-04-30 2009-07-15 株式会社野村総合研究所 商品需要予測システム
JP2016012299A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム
JP2016045917A (ja) * 2014-08-27 2016-04-04 株式会社日立ソリューションズ西日本 時系列データの傾向抽出及び評価装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0764965A (ja) * 1993-08-30 1995-03-10 Hitachi Ltd 販売量予測方法
KR100795751B1 (ko) 2006-01-20 2008-01-17 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
JP4296027B2 (ja) * 2003-04-30 2009-07-15 株式会社野村総合研究所 商品需要予測システム
JP2016012299A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム
JP2016045917A (ja) * 2014-08-27 2016-04-04 株式会社日立ソリューションズ西日本 時系列データの傾向抽出及び評価装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220358451A1 (en) * 2021-04-21 2022-11-10 Industrial Technology Research Institute Automated inventory management method and system thereof
WO2024005321A1 (ko) * 2022-06-27 2024-01-04 주식회사 임팩티브에이아이 예측적 신제품 개발 방법 및 장치

Also Published As

Publication number Publication date
KR20200107087A (ko) 2020-09-16

Similar Documents

Publication Publication Date Title
KR102235130B1 (ko) 판매량 예측 장치 및 방법
US20240028998A1 (en) Systems and methods for optimized design of a supply chain
Clark et al. Modeling time-varying uncertainty of multiple-horizon forecast errors
US7958005B2 (en) Bidding for advertisement positions other than one
US20130311239A1 (en) Generating an Optimized Pricing Plan
US20120130860A1 (en) Reputation scoring for online storefronts
CN113168656B (zh) 交易价格预测装置以及交易价格预测方法
US11455544B2 (en) Prediction model generation device, prediction model generation method, and recording medium
Bi et al. Dynamic pricing with stochastic reference effects based on a finite memory window
US20180293321A1 (en) Diversifying search results
US20150170163A1 (en) System and method for calculating and visualizing relevance of sales opportunities
KR102417157B1 (ko) 의류 상품을 판매하고 디자인하기 위한 전자 장치 및 그 동작 방법
KR102402782B1 (ko) 가격책정 엔진
Koenig et al. Risk minimising strategies for revenue management problems with target values
CN113557543A (zh) 需求预测装置及需求预测方法
JP2015164026A (ja) 予測システム、予測方法
Brecher et al. A minimum‐wage model of unemployment and growth: The case of a backward‐bending demand curve for labor
Gallo et al. Combining sharp and smooth transitions in volatility dynamics: a fuzzy regime approach
KR20190089478A (ko) 빅 데이터 분석에 의한 표준 잔가율을 기반으로 하는 중고차 가격 산정 시스템
Ketzenberg et al. A heuristic for multi-item production with seasonal demand
KR102484405B1 (ko) 글로벌 스마트 제조시스템 구축 및 국제 표준화를 위한 데이터 생성방법
JP2007316899A (ja) 次期モデル商品の需要量を予測する装置と方法
CN108345941B (zh) 一种参数调整方法和装置
Krusell et al. News shocks and business cycles
Schlag et al. Dynamic benchmark targeting

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant