KR102241106B1 - System for analysing management data using big data analysis and ai - Google Patents

System for analysing management data using big data analysis and ai Download PDF

Info

Publication number
KR102241106B1
KR102241106B1 KR1020190017934A KR20190017934A KR102241106B1 KR 102241106 B1 KR102241106 B1 KR 102241106B1 KR 1020190017934 A KR1020190017934 A KR 1020190017934A KR 20190017934 A KR20190017934 A KR 20190017934A KR 102241106 B1 KR102241106 B1 KR 102241106B1
Authority
KR
South Korea
Prior art keywords
fashion
big data
retail store
retail
stores
Prior art date
Application number
KR1020190017934A
Other languages
Korean (ko)
Other versions
KR20200103191A (en
Inventor
김형근
이은준
Original Assignee
(주)엑스엠디
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)엑스엠디 filed Critical (주)엑스엠디
Priority to KR1020190017934A priority Critical patent/KR102241106B1/en
Publication of KR20200103191A publication Critical patent/KR20200103191A/en
Application granted granted Critical
Publication of KR102241106B1 publication Critical patent/KR102241106B1/en

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
    • G06Q10/06—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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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

Abstract

본 발명은 패션상품을 취급하는 패션소매점에서 사용 중인 PC, 노트북, 또는 POS장치 중 적어도 하나 이상로부터 해당 패션소매점이 보유하고 있는 패션상품에 대한 재고정보 및 매출정보를 시간대별로 추출하는 빅데이터수집장치, 인용지능을 이용하여 특정 패션소매점의 재고정보 및 매출정보를 시간대별로 분석하여 특정 패션소매점에 입고된 특정 패션상품의 추정 소진율 및 리오더 시점을 분석하여 해당 소매점에 통지하는 소매점용 빅데이터분석장치, 및 인용지능을 이용하여 복수의 패션소매점의 추정 소진율 및 리오더 시점을 분석하여 특정 패션상품의 재생산시점과 재생산량을 도출하여 도매점에 통지하는 도매점용 빅데이터분석장치를 포함하는 것을 특징으로 하는, 복수의 패션소매점에서 수집된 판매관련 빅데이터를 인공지능기술로 분석하여 도소매점 각각에 유용한 경영정보를 제공하는 패션경영정보분석시스템을 제공한다.The present invention is a big data collection device for extracting inventory information and sales information for fashion products owned by a fashion retail store from at least one of a PC, laptop, or POS device used in a fashion retail store handling fashion products by time , A big data analysis device for retail stores that analyzes the inventory information and sales information of a specific fashion retail store by time using citation intelligence, analyzes the estimated consumption rate and reorder time of a specific fashion product worn at a specific fashion retail store, and notifies the retail store, And a big data analysis device for wholesale stores that analyzes the estimated burnout rate and reorder time of a plurality of fashion retail stores using citation intelligence to derive the reproduction time and amount of reproduction of a specific fashion product and notifies the wholesale store. It provides a fashion management information analysis system that provides useful management information to each wholesale and retail store by analyzing big data related to sales collected at fashion retail stores in Korea.

Description

복수의 패션소매점에서 수집된 판매관련 빅데이터를 인공지능기술로 분석하여 도소매점 각각에 유용한 경영정보를 제공하는 패션경영정보분석시스템 {SYSTEM FOR ANALYSING MANAGEMENT DATA USING BIG DATA ANALYSIS AND AI}A fashion management information analysis system that provides useful management information to each wholesale and retail store by analyzing big data related to sales collected from multiple fashion retail stores with artificial intelligence technology {SYSTEM FOR ANALYSING MANAGEMENT DATA USING BIG DATA ANALYSIS AND AI}

본 발명은 패션상품을 취급하는 도소매점의 경영정보를 분석하는 시스템에 관한 것이다The present invention relates to a system for analyzing management information of wholesale and retail stores handling fashion products.

패션소매점은 복수의 패션상품을 취급하는데 개별 패션상품 마다 재고량, 판매량, 판매속도 등이 모두 상이하다. 따라서, 개별 패션소매점에서 어떤 상품이 언제 모두 판매될지 인지하는 것은 매우 복잡하고 어려운 일이다. Fashion retail stores handle multiple fashion products, and each individual fashion product has different inventory, sales, and sales speed. Therefore, it is very complicated and difficult to know which products will be sold and when all of them will be sold at individual fashion retailers.

또한 패션상품을 소매점에 공급하는 패션도매점은 소매점에서 어떤 패션상품이 얼만큼 빨리 판매되는지 알 수 없기 때문에 언제 어떤 패션상품에 대한 주문이 얼만큼 들어올지 예측하기 어렵다. 따라서, 소매점으로부터 주문이 들어오는 경우에야 공장에 패션상품의 재생산을 의뢰하게 되는데, 이럴 경우 재품생산에 소요되는 시간 동안 재품을 납품하기 어려운 문제가 있다. 또한, 한 번에 대량 주문하기 어려워 생산단가를 낮추기 어렵다는 문제도 발생한다. In addition, since fashion wholesale stores that supply fashion products to retail stores cannot know which fashion products are sold at the retail store and how quickly, it is difficult to predict when and how much orders for which fashion products will be placed. Accordingly, when an order is received from a retail store, the factory is requested to reproduce the fashion product. In this case, it is difficult to deliver the product during the time required for product production. In addition, there is a problem that it is difficult to lower the production cost because it is difficult to order large quantities at once.

이에 본 발명의 발명자는 그런 문제점을 해결하기 위해서 오랫동안 연구하고 시행착오를 거치며 개발한 끝에 본 발명을 완성하기에 이르렀다.Accordingly, the inventors of the present invention came to complete the present invention after long research and trial and error development in order to solve such a problem.

공개특허공보 제10-2017-0086805호Unexamined Patent Publication No. 10-2017-0086805

본 발명은 상술한 바와 같은 문제점을 해결하기 위해 복수의 패션소매점에서 수집된 판매관련 빅데이터를 인공지능기술로 분석하여 도소매점 각각에 유용한 경영정보를 제공하는 패션경영정보분석시스템을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a fashion management information analysis system that provides useful management information to each wholesale and retail store by analyzing sales-related big data collected from a plurality of fashion retail stores with artificial intelligence technology in order to solve the above-described problems. It is done.

본 발명에서 이루고자 하는 기술적 과제들은 상기 기술적 과제로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problems to be achieved in the present invention are not limited to the above technical problems, and other technical problems that are not mentioned will be clearly understood by those of ordinary skill in the art from the following description.

상술한 문제점을 해결하기 위한 본 발명의 일 국면은 패션상품을 취급하는 패션소매점에서 사용 중인 PC, 노트북, 또는 POS장치 중 적어도 하나 이상로부터 해당 패션소매점이 보유하고 있는 패션상품에 대한 재고정보 및 매출정보를 시간대별로 추출하는 빅데이터수집장치;One aspect of the present invention for solving the above-described problems is inventory information and sales of fashion products owned by the fashion retail store from at least one of a PC, laptop, or POS device used in a fashion retail store that handles fashion products. A big data collection device that extracts information by time slot;

인용지능을 이용하여 특정 패션소매점의 재고정보 및 매출정보를 시간대별로 분석하여 특정 패션소매점에 입고된 특정 패션상품의 추정 소진율 및 리오더 시점을 분석하여 해당 소매점에 통지하는 소매점용 빅데이터분석장치; 및Big data analysis device for retail stores that analyzes inventory information and sales information of a specific fashion retail store by time using citation intelligence, analyzes the estimated consumption rate and reorder time of a specific fashion product worn at a specific fashion retail store, and notifies the retail store; And

인용지능을 이용하여 복수의 패션소매점의 추정 소진율 및 리오더 시점을 분석하여 특정 패션상품의 재생산시점과 재생산량을 도출하여 도매점에 통지하는 도매점용 빅데이터분석장치를 포함하는 것을 특징으로 하는,It characterized in that it comprises a big data analysis device for wholesale stores that analyzes the estimated burnout rate and reorder time of a plurality of fashion retail stores using citation intelligence to derive the reproduction time and amount of reproduction of a specific fashion product, and notifies the wholesale store,

복수의 패션소매점에서 수집된 판매관련 빅데이터를 인공지능기술로 분석하여 도소매점 각각에 유용한 경영정보를 제공하는 패션경영정보분석시스템을 제공한다.It provides a fashion management information analysis system that provides useful management information to each wholesale and retail store by analyzing big data related to sales collected from multiple fashion retail stores with artificial intelligence technology.

바람직한 실시예에 있어서, 상기 소매점용 빅데이터분석장치는 지리적으로 인접한 다른 패션소매점 또는 취급하는 상품카테고리가 유사한 다른 패션소매점에서 판매가 잘 되는 패션상품을 추천하는 것이 좋다.In a preferred embodiment, it is preferable that the retail store big data analysis device recommends fashion products that are sold well at other fashion retail stores geographically adjacent to each other or other fashion retail stores with similar product categories.

바람직한 실시예에 있어서, 상기 소매점용 빅데이터분석장치는 추정 소진율이 낮은 특정 패션상품을 악성재고로 분류하고, 악성재고의 할인시점과 할인율을 결정하여 패션소매점에 전송하는 것이 좋다.In a preferred embodiment, it is preferable that the retail store big data analysis device classifies a specific fashion product with a low estimated burnout rate as a malicious inventory, determines a discount point and a discount rate of the malicious inventory, and transmits it to the fashion retail store.

바람직한 실시예에 있어서, 상기 소매점용 빅데이터분석장치는 특정 패션상품의 추정 소진율이 높은 제1패션소매점과 추정 소진율이 낮은 제2패션소매점을 매칭하여, 제2패션소매점으로 하여금 제1패션소매점에 해당 패션상품을 양도할 수 있도록 중개는 재고순환정보를 생성하여 제2패션소매점의 악성재고를 감소시키는 것이 좋다.In a preferred embodiment, the big data analysis device for a retail store matches a first fashion retail store with a high estimated burnout rate of a specific fashion product and a second fashion retail store with a low estimated burnout rate, and causes the second fashion retail store to reach the first fashion retail store. In order to transfer the fashion product, it is recommended that the brokerage generate inventory circulation information to reduce the malicious inventory of the second fashion retailer.

바람직한 실시예에 있어서, 소매점용 빅데이터분석장치 및 도매점용 빅데이터분석장치는 추정 소진율, 리오더 시점, 재생산시점, 재생산량을 포함하는 추정값을 도출하는 머신러닝부를 포함하고, In a preferred embodiment, the big data analysis device for retail stores and the big data analysis device for wholesale stores include a machine learning unit for deriving an estimated value including an estimated exhaustion rate, a reorder time point, a reproduction time point, and a reproduction amount,

머신러닝부는 가상의 추정값을 생성하는 생성자(generator) 및 생성자가 생성한 가상의 추정값을 검증하는 구분자(discriminator)를 포함하고, The machine learning unit includes a generator that generates a virtual estimate and a discriminator that verifies the virtual estimate generated by the generator,

머신러닝부는 생성자(generator) 및 구분자(discriminator)가 상호 경쟁하여 추정값의 정확성을 향상시키는 생성적 적대 신경망(Generative Adversarial Networks : GAN)을 이용하여 머신러닝을 수행하는 것이 좋다.It is recommended that the machine learning unit perform machine learning using Generative Adversarial Networks (GAN), in which a generator and a discriminator compete with each other to improve the accuracy of an estimate.

본 발명은 패션소매점이 보유하고 있는 패션상품의 추정 소진율과 리오더 시점을 분석하여 제공한다. 패션소매점은 추정 소진율을 통해 어떤 상품이 잘 팔리는지 안판리는지를 알 수 있고, 언제 새롭게 패션상품을 리오더해야하는지 알 수 있는 효과가 있다. The present invention provides by analyzing the estimated consumption rate and reorder time of fashion products owned by fashion retail stores. Fashion retailers can know which products are selling well or are not selling through the estimated burnout rate, and it has the effect of knowing when to reorder new fashion products.

또한, 복수의 패션소매점의 추정 소진율과 리오더 시점을 분석하면 도매점이 특정 패션상품을 언제 공장에서 재생산해야하는지 재생산량은 어느 정도로 해야하는지 알 수 있는 효과가 있다..In addition, analyzing the estimated burnout rate and reorder timing of a plurality of fashion retail stores has the effect of knowing when a wholesale store should reproduce a specific fashion product at the factory and to what extent it should be reproduced.

한편, 여기에서 명시적으로 언급되지 않은 효과라하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급됨을 첨언한다.On the other hand, even if it is an effect not explicitly mentioned herein, it is added that the effect described in the following specification and its provisional effect expected by the technical features of the present invention are treated as described in the specification of the present invention.

도 1은 본 발명의 패션경영정보분석시스템의 바람직한 실시예를 나타내는 도면이다.
도 2는 본 발명의 머신러닝부의 바람직한 실시예를 나타내는 도면이다.
※ 첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.1 is a view showing a preferred embodiment of the fashion management information analysis system of the present invention.
2 is a diagram showing a preferred embodiment of the machine learning unit of the present invention.
※ The accompanying drawings reveal that they are exemplified by reference for an understanding of the technical idea of the present invention, and the scope of the present invention is not limited thereto.

본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 바람직한 실시예에서 본 발명의 제조방법은 기계전자장치를 구비한 자동화장치에 의해 구현될 수 있다.In describing the present invention, when it is determined that the subject matter of the present invention may be unnecessarily obscured as matters that are apparent to those skilled in the art for related known functions, detailed descriptions will be omitted. In a preferred embodiment, the manufacturing method of the present invention can be implemented by an automated device equipped with a mechanical and electronic device.

도 1은 본 발명의 패션경영정보분석시스템의 바람직한 실시예를 나타내는 도면이다.1 is a view showing a preferred embodiment of the fashion management information analysis system of the present invention.

도 1에서 알 수 있듯이, 본 발명의 패션경영정보분석시스템(100)은 빅데이터수집장치(110), 소매점용 빅데이터분석장치(120), 도매점용 빅데이터분석장치(130)를 포함한다. As can be seen from FIG. 1, the fashion management information analysis system 100 of the present invention includes a big data collection device 110, a big data analysis device 120 for retail stores, and a big data analysis device 130 for wholesale stores.

패션소매점은 복수의 패션상품을 취급하는데 개별 패션상품 마다 재고량, 판매량, 판매속도 등이 모두 상이하다. 따라서, 개별 패션소매점에서 어떤 상품이 언제 완전히 소진될지, 완전히 소진되기 전에 미리 도매점에 상품을 재주문(리오더) 한다면 언제 얼만큼을 주문 해야할지 판단하는 것은 매우 복잡하고 어려운 일이다. 이에 본 발명의 패션경영정보분석시스템(100)은 소매점이 취급하는 개별 패션상품의 추정 소진율 및 리오더 시점을 분석하여 제공한다.Fashion retail stores handle multiple fashion products, and each individual fashion product has different inventory, sales, and sales speed. Therefore, it is very complicated and difficult to determine when and how many products will be completely exhausted at individual fashion retail stores, and when and how much to order if re-ordering (reordering) products at a wholesale store before they are completely exhausted. Accordingly, the fashion management information analysis system 100 of the present invention analyzes and provides the estimated consumption rate and reorder time of individual fashion products handled by retail stores.

또한 패션상품을 소매점에 공급하는 패션도매점은 소매점에서 어떤 패션상품이 얼만큼 빨리 판매되는지 알 수 없다. 따라서 언제 어떤 패션상품에 대한 주문이 얼만큼 많이 들어올지 예측하기 어렵다. 그래서 미리 패션상품을 생산하는 공장에 재생산을 의뢰하기 어렵다. 수요가 없는 패션상품을 미리 생산했다가 소매점에서 주문이 들어오지 않으면 도매점의 악성재고가 되기 때문이다. 이러한 이유로 도매점은 소매점으로부터 주문이 들어오는 경우에야 비로서 공장에 패션상품의 재생산을 의뢰하게 되는데, 이럴 경우 재품생산에 소요되는 시간 동안 재품을 납품하기 어려운 문제가 있다. 또한, 한 번에 대량 주문하기 어려워 생산단가를 낮추기 어렵다는 문제도 발생한다. 따라서, 패션경영정보분석시스템(100)은 이와 같은 문제점을 해결하기 위해 복수의 패션소매점의 추정 소진율 및 리오더 시점을 분석하여 특정 패션상품의 재생산시점과 재생산량을 도출하여 도매점에 통지한다.In addition, fashion wholesale stores that supply fashion products to retail stores cannot know which fashion products are sold in retail stores and how quickly. Therefore, it is difficult to predict when and how many orders for which fashion products will come in. Therefore, it is difficult to request reproduction from factories that produce fashion products in advance. This is because if a fashion product that is not in demand is produced in advance and an order is not received from a retail store, it becomes a malicious stock of the wholesale store. For this reason, wholesale stores request the factory to reproduce fashion products only when orders are received from retail stores. In this case, it is difficult to deliver products during the time required for product production. In addition, there is a problem that it is difficult to lower the production cost because it is difficult to order large quantities at a time. Accordingly, the fashion management information analysis system 100 analyzes the estimated burnout rates and reorder times of a plurality of fashion retail stores in order to solve such a problem, derives the reproduction time and the reproduction amount of a specific fashion product, and notifies the wholesale store.

이를 위한 바람직한 실시예에 대해 아래와 같이 상세하게 설명한다. A preferred embodiment for this will be described in detail as follows.

빅데이터수집장치(110)는 복수의 패션소매점으로부터 빅데이터를 수집한다. 빅데이터수집장치(110)는 패션상품을 취급하는 패션소매점에서 사용 중인 PC, 노트북, 또는 POS장치 중 적어도 하나 이상로부터 해당 패션소매점이 보유하고 있는 패션상품에 대한 재고정보 및 매출정보를 시간대별로 추출한다. 빅데이터수집장치(110)는 수집한 정보를 패션소매점ID, 패션상품ID, 입고시간, 입고량, 판매시간, 판매량 등의 카테고리로 분류할 수 있다. 빅데이터수집장치(110)는 수집된 빅데이터를 소매점용 빅데이터분석장치(120) 및 도매점용 빅데이터분석장치(130)로 전송할 수 있다.The big data collection device 110 collects big data from a plurality of fashion retail stores. The big data collection device 110 extracts inventory information and sales information on fashion products owned by the fashion retail store from at least one of a PC, laptop, or POS device used in a fashion retail store handling fashion products by time. do. The big data collection device 110 may classify the collected information into categories such as fashion retail store ID, fashion product ID, wearing time, wearing amount, sales time, and sales volume. The big data collection device 110 may transmit the collected big data to the big data analysis device 120 for retail stores and the big data analysis device 130 for wholesale stores.

소매점용 빅데이터분석장치(120)는 인용지능을 이용하여 특정 패션소매점의 재고정보 및 매출정보를 시간대별로 분석하여 특정 패션소매점에 입고된 특정 패션상품의 추정 소진율 및 리오더 시점을 분석하여 해당 소매점에 통지한다. 재고정보는 패션상품의 재고가 얼만큼인지에 대한 정보이다. 매출정보는 언제 어떤 패션상품이 얼만큼 판매되었는지에 대한 정보이다. 재고정보는 특정 패션소매점의 특정 패션상품의 입고량에서 판매량을 제하여 산출할 수 있다. The big data analysis device 120 for retail stores analyzes inventory information and sales information of a specific fashion retail store by time using citation intelligence, analyzes the estimated consumption rate and reorder time of a specific fashion product worn at a specific fashion retail store, and sends it to the corresponding retail store. Notify. Inventory information is information on how much stock of fashion products is. Sales information is information on when and how much fashion products were sold. Inventory information can be calculated by subtracting the sales volume from the stocking volume of a specific fashion product at a specific fashion retail store.

소매점용 빅데이터분석장치(120)는 재고정보와 매출정보를 시간대별로 분석하여 재고의 변화 패턴, 매출의 변화 패턴을 생성한다. 이때 소매점용 빅데이터분석장치(120)는 머신러닝부를 통해 인공지능을 이용하여 변화 패턴을 학습한 후, 추정 소진율 및 리오더 시점을 도출할 수 있다. 추정 소진율은 매출 변화 패턴과 재고정보를 대비하여 미래에 해당 패션상품이 어떤 비율로 소진될지 예측하는 데이터이다. 바람직한 실시예에서 추정 소진율은 재고량/입고량의 추정값일 수 있다. 리오더 시점은 추정 소진율을 도출한 후, 리오더 후 입고시점을 분석하여, 언제 패션상품을 주문해야 하는지 결정하는 것을 의미한다. 재고량이 0이되면 판매를 못해 소매점에 손해가 발생하므로 리오더 시점을 이를 방지하기 위한 중요한 정보가 된다. 또한, 소매점용 빅데이터분석장치(120)는 리오더 수량을 결정할 수 있다. 추정 소진율과 재고정보, 매출정보에 대한 분석을 통해 얼만큼의 수량을 리오더했을 때 최대 판매 및 최소 재고를 이룰 수 있는지 판단한다. 소매점용 빅데이터분석장치(120)는 추정 소진율과 매출정보를 종합 분석하여 리오더 시점을 결정할 수 있다. 예를들어, A 패션상품이 매주 월요일에 매출량이 커지는 경우 재고가 다소 많이 남아 있더라도 사전에 리오더를 결정할 수 있다. The big data analysis device 120 for retail stores analyzes inventory information and sales information for each time period to generate a change pattern of stock and a change pattern of sales. At this time, the retail big data analysis device 120 may learn a change pattern using artificial intelligence through a machine learning unit, and then derive an estimated burnout rate and a reorder time point. Estimated burnout rate is data that predicts at what rate the fashion product will be burned out in the future by comparing sales change patterns and inventory information. In a preferred embodiment, the estimated burnout rate may be an estimated value of the inventory amount/stock amount. Reorder timing means determining when to order fashion products by deriving the estimated burnout rate and analyzing the stocking point after reordering. If the inventory becomes zero, it is important information to prevent the reorder timing because it cannot be sold and damage occurs to the retail store. In addition, the retail store big data analysis device 120 may determine the number of reorders. Through analysis of estimated burnout rate, inventory information, and sales information, it is determined whether the maximum sales and minimum inventory can be achieved when the quantity is reordered. The retail big data analysis device 120 may determine a reorder time by comprehensively analyzing the estimated consumption rate and sales information. For example, if the sales volume of fashion product A increases every Monday, a reorder can be decided in advance even if there is a little more inventory left.

한편, 소매점용 빅데이터분석장치(120)는 지리적으로 인접한 다른 패션소매점 또는 취급하는 상품카테고리가 유사한 다른 패션소매점에서 판매가 잘 되는 패션상품을 특정 패션소매점에 추천할 수 있다. 즉 남들은 잘 판매하는데 나만 못 파는 패션상품을 발굴하여 추천할 수 있다. 이를 위해 소매점용 빅데이터분석장치(120)는 복수의 패션소매점의 복수의 패션상품에 대한 추정 소진율 중 상위등급에 해당하는 패션상품을 추출하고, 해당 패션상품을 취급하지 않는 패션소매점을 추출한 후, 해당 패션상품을 해당 패션소매점에 추천할 수 있다. Meanwhile, the big data analysis apparatus 120 for a retail store may recommend a fashion product that is well sold at another fashion retail store that is geographically adjacent or another fashion retail store having a similar product category to a specific fashion retail store. In other words, I can discover and recommend fashion products that others sell well, but not only me. To this end, the big data analysis device for a retail store 120 extracts a fashion product corresponding to a higher grade among the estimated burnout rates for a plurality of fashion products of a plurality of fashion retail stores, and extracts a fashion retail store that does not handle the fashion product, You can recommend the fashion product to the fashion retailer.

한편, 소매점용 빅데이터분석장치(120)는 추정 소진율이 낮은 특정 패션상품을 악성재고로 분류하고, 악성재고의 할인시점과 할인율을 결정하여 패션소매점에 전송할 수 있다. 소매점용 빅데이터분석장치(120)는 특정 패션소매점에 입고된 복수의 패션상품 중에서 추정 소진율이 소정의 기준 이하인 패션상품을 악성재고로 분류할 수 있다. 나아가 악성재고로 분류된 패션상품의 할인시점과 할인율을 결정하여 패션소매점에 전송할 수 있다. 할인시점과 할인율을 결정할 때 동일한 패션상품을 취급하는 다른 패션소매점의 정보(매출정보, 추정 소진율 등)을 이용할 수 있다. 예를 들어, 다른 패션소매점의 매출정보를 분석한 결과 평일 낮시간에 판매가 많이되는 패션상품임이 확인되면 해당 시간을 타겟으로 할인시점을 결정할 수 있다.On the other hand, the big data analysis device 120 for a retail store may classify a specific fashion product with a low estimated burnout rate as a malicious inventory, determine a discount point and a discount rate of the malicious inventory, and transmit it to the fashion retail store. The retail big data analysis device 120 may classify fashion products whose estimated burnout rate is less than a predetermined standard among a plurality of fashion products worn in a specific fashion retail store as malicious inventory. Furthermore, it is possible to determine the discount point and discount rate of fashion products classified as malicious stocks and transmit them to fashion retailers. When determining the discount point and discount rate, information (sales information, estimated burnout rate, etc.) of other fashion retailers that handle the same fashion product can be used. For example, as a result of analyzing sales information of other fashion retail stores, if it is confirmed that the fashion product is sold a lot during daytime on weekdays, a discount point may be determined by targeting the corresponding time.

한편, 소매점용 빅데이터분석장치(120)는 특정 패션상품의 추정 소진율이 높은 제1패션소매점과 추정 소진율이 낮은 제2패션소매점을 매칭하여, 제2패션소매점으로 하여금 제1패션소매점에 해당 패션상품을 양도할 수 있도록 중개하는 재고순환정보를 생성하여 제2패션소매점의 악성재고를 감소시킬 수 있다. 동일한 패션상품이라도 어느 패션소매점에서는 인기상품, 다른 패션소매점에서는 악성재고일 수 있다. 이러한 상품을 패선소매점끼리 거래할 수 있도록 재고순환정보를 생성하면 일측의 악성재고를 감소시키는 동시에 타측의 판매량을 증가시켜 서로 이익을 얻게 할 수 있다.On the other hand, the big data analysis device for retail stores 120 matches the first fashion retail store with a high estimated burnout rate of a specific fashion product and the second fashion retail store with a low estimated burnout rate, and allows the second fashion retail store to correspond to the first fashion retail store. It is possible to reduce the malicious inventory of the second fashion retail store by generating stock circulation information that mediates so that the product can be transferred. Even the same fashion product may be a popular product at any fashion retailer and malicious inventory at another fashion retailer. If inventory circulation information is generated so that these products can be traded between retail stores, one side's malicious inventory can be reduced, while the other's sales volume can be increased, thereby gaining mutual benefit.

도매점용 빅데이터분석장치(130)는 인용지능을 이용하여 복수의 패션소매점의 추정 소진율 및 리오더 시점을 분석하여 특정 패션상품의 재생산시점과 재생산량을 도출하여 도매점에 통지한다. 복수의 패션소매점에서 어떤 패션상품들이 잘 팔리는지 분석하면 소위 패션트랜드를 분석할 수 있다. 패션트랜드는 지리적 위치(패션소매점의 소재지)를 중심으로 할 수도 있고, 패션상품의 카테고리를 중심으로 생성할 수도 있다. The big data analysis device 130 for wholesale stores analyzes the estimated burnout rate and reorder timing of a plurality of fashion retail stores using citation intelligence to derive the reproduction time and reproduction amount of a specific fashion product and notifies the wholesale store. By analyzing which fashion products sell well in multiple fashion retail stores, the so-called fashion trend can be analyzed. Fashion trends can be centered on a geographic location (the location of a fashion retail store) or can be created around a category of fashion products.

도매점용 빅데이터분석장치(130)는 복수의 패션소매점에서 취급하는 특정 패션상품의 추정 소진율 및 리오더 시점을 취합하여 해당 패션상품의 재생산시점과 재생산량을 예측할 수 있다. 예를 들어 A패션소매점에서 D패션상품에 대한 리오더 시점과 리오더량을 2월 25일 100개로 결정하고, B패션소매점에서 D패션상품에 대한 리오더 시점과 리오더량을 2월 27일 300개로 결정했다면, 도매점용 빅데이터분석장치(130)는 재생산기간(공장에서 패션상품을 재생산하여 출하하는데 소요되는 시간)을 고려하여 사전에 대략 400개의 물량을 사전 주문할 수 있게된다.The big data analysis apparatus 130 for wholesale stores may predict the reproduction time and reproduction amount of the fashion product by collecting the estimated consumption rate and reorder time of a specific fashion product handled by a plurality of fashion retail stores. For example, if a fashion retailer A decides to reorder and reorder D fashion products as 100 on February 25, and a fashion retailer B decides to reorder and reorder D fashion products as 300 on February 27, , The big data analysis device 130 for wholesale stores can pre-order approximately 400 items in advance in consideration of the reproduction period (time required to reproduce and ship fashion products in the factory).

도 2는 본 발명의 머신러닝부의 바람직한 실시예를 나타내는 도면이다.2 is a diagram showing a preferred embodiment of the machine learning unit of the present invention.

도 2에서 알 수 있듯이, 소매점용 빅데이터분석장치 및 도매점용 빅데이터분석장치는 추정 소진율, 리오더 시점, 재생산시점, 재생산량을 포함하는 추정값을 도출하는 머신러닝부를 포함하고, 머신러닝부는 가상의 추정값을 생성하는 생성자(generator) 및 생성자가 생성한 가상의 추정값을 검증하는 구분자(discriminator)를 포함한다.As can be seen in FIG. 2, the big data analysis device for retail stores and the big data analysis device for wholesale stores include a machine learning unit that derives an estimated value including an estimated burnout rate, a reorder time point, a reproduction time point, and a reproduction amount. It includes a generator that generates an estimate and a discriminator that verifies the virtual estimate generated by the generator.

머신러닝부는 생성자(generator) 및 구분자(discriminator)가 상호 경쟁하여 추정값의 정확성을 향상시키는 생성적 적대 신경망(Generative Adversarial Networks : GAN)을 이용하여 머신러닝을 수행할 수 있다.The machine learning unit may perform machine learning using Generative Adversarial Networks (GAN) in which a generator and a discriminator compete with each other to improve the accuracy of an estimate.

생성자는 가상데이터, 즉 가상의 추정값으로 매출정보, 추정 소진율, 리오더시점, 리오더량, 재생산시점, 재생산량 등과 같은 추정값을 추정하여 구분자에게 전달한다.The generator estimates estimated values such as sales information, estimated burnout rate, reorder time, reorder amount, reproduction time, and reproduction amount as virtual data, that is, a virtual estimate, and delivers it to the classifier.

구분자는 빅데이터수집장치에서 전달받은 실제데이터와 생성자로부터 전달받은 가상데이터 중에서 어느 것이 진짜 데이터인지 판별한다. 판별 후 구분자는 자신의 판단결과가 맞는지 틀렸는지 검증하여 스스로 학습한다. 생성자는 구분자가 자신의 가상 추정값을 진짜 데이터로 판단했는지 안했는지 여부를 갖고 스스로 학습한다. 즉, 생성자는 구분자가 실제데이터와 가상데이터를 구분할 수 없을 정도로 실제와 유사한 데이터를 생성하기 위해 노력하므, 그 결과 생성자가 도출해낸 추정값은 정확도가 향상된다. The identifier determines which of the real data received from the big data collection device and the virtual data received from the creator is real data. After discrimination, the classifier learns by himself by verifying whether his or her judgment result is correct or incorrect. The constructor learns by itself whether or not the delimiter judges its hypothetical estimate as real data. That is, the generator tries to generate data similar to the real one so that the delimiter cannot distinguish between the real data and the virtual data. As a result, the accuracy of the estimated value derived by the generator is improved.

본 발명은 본 발명의 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.It is obvious to those skilled in the art that the present invention can be embodied in other specific forms without departing from the features of the present invention. Therefore, the detailed description above should not be construed as restrictive in all respects and should be considered as illustrative. The scope of the present invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.

Claims (5)

패션상품을 취급하는 패션소매점에서 사용 중인 PC, 노트북, 또는 POS장치 중 적어도 하나 이상으로부터 해당 패션소매점이 보유하고 있는 패션상품에 대한 재고정보 및 매출정보를 시간대별로 추출하는 빅데이터수집장치;
인공지능을 이용하여 특정 패션소매점의 재고정보 및 매출정보를 시간대별로 분석하여 특정 패션소매점에 입고된 특정 패션상품의 추정 소진율 및 리오더 시점을 분석하여 해당 소매점에 통지하는 소매점용 빅데이터분석장치; 및
인공지능을 이용하여 복수의 패션소매점의 추정 소진율 및 리오더 시점을 분석하여 특정 패션상품의 재생산시점과 재생산량을 도출하여 도매점에 통지하는 도매점용 빅데이터분석장치를 포함하고,
상기 소매점용 빅데이터분석장치는 추정 소진율이 낮은 특정 패션상품을 악성재고로 분류하고, 악성재고의 할인시점과 할인율을 결정하여 패션소매점에 전송하고, 할인시점과 할인율은 동일한 패션상품을 취급하는 다른 패션소매점의 매출정보에 의해 결정되고,
상기 소매점용 빅데이터분석장치는 지리적으로 인접한 다른 패션소매점 또는 취급하는 상품카테고리가 유사한 다른 패션소매점에서 판매가 잘 되는 패션상품을 추천하되,
상기 소매점용 빅데이터분석장치는 복수의 패션소매점의 복수의 패션상품에 대한 추정 소진율 중 상위등급에 해당하는 패션상품을 추출하고, 해당 패션상품을 취급하지 않는 패션소매점을 추출한 후, 해당 패션상품을 해당 패션소매점에 추천하는,
복수의 패션소매점에서 수집된 판매관련 빅데이터를 인공지능기술로 분석하여 도소매점 각각에 유용한 경영정보를 제공하는 패션경영정보분석시스템.A big data collection device for extracting inventory information and sales information on fashion products owned by the fashion retail store from at least one of PCs, laptops, or POS devices used in fashion retail stores handling fashion products by time slot;
A big data analysis device for retail stores that analyzes inventory information and sales information of a specific fashion retail store by time using artificial intelligence, analyzes the estimated consumption rate and reorder time of a specific fashion product worn at a specific fashion retail store, and notifies the retail store; And
It includes a big data analysis device for wholesale stores that analyzes the estimated burnout rate and reorder time of a plurality of fashion retail stores using artificial intelligence, derives the reproduction time and amount of reproduction of a specific fashion product, and notifies the wholesale store,
The big data analysis device for retail stores classifies specific fashion products with a low estimated burnout rate as malicious inventory, determines the discount point and discount rate of the malicious inventory, and transmits it to the fashion retail store. It is determined by the sales information of fashion retail stores,
The big data analysis device for retail stores recommends fashion products that are sold well at other fashion retail stores geographically adjacent or other fashion retail stores with similar product categories,
The big data analysis device for retail stores extracts a fashion product corresponding to a higher grade among the estimated burnout rates for a plurality of fashion products of a plurality of fashion retail stores, extracts a fashion retail store that does not handle the fashion product, and then selects the fashion product. Recommended for the fashion retailer,
A fashion management information analysis system that provides useful management information to each wholesale and retail store by analyzing big data related to sales collected from multiple fashion retail stores with artificial intelligence technology. 삭제delete 삭제delete 청구항 1에 있어서,
상기 소매점용 빅데이터분석장치는
특정 패션상품의 추정 소진율이 높은 제1패션소매점과 추정 소진율이 낮은 제2패션소매점을 매칭하여, 제2패션소매점으로 하여금 제1패션소매점에 해당 패션상품을 양도할 수 있도록 중개하는 재고순환정보를 생성하여 제2패션소매점의 악성재고를 감소시키는 것인,
복수의 패션소매점에서 수집된 판매관련 빅데이터를 인공지능기술로 분석하여 도소매점 각각에 유용한 경영정보를 제공하는 패션경영정보분석시스템.The method according to claim 1,
The retail store big data analysis device
By matching the first fashion retail store with a high estimated burnout rate of a specific fashion product and the second fashion retail store with a low estimated burnout rate, inventory circulation information that mediates the second fashion retail store to transfer the fashion product to the first fashion retail store is provided. To reduce the malicious inventory of the second fashion retail store by creating it,
A fashion management information analysis system that provides useful management information to each wholesale and retail store by analyzing big data related to sales collected from multiple fashion retail stores with artificial intelligence technology. 청구항 1에 있어서,
소매점용 빅데이터분석장치 및 도매점용 빅데이터분석장치는 추정 소진율, 리오더 시점, 재생산시점 및 재생산량을 포함하는 추정값을 도출하는 머신러닝부를 포함하고,
머신러닝부는 가상의 추정값을 생성하는 생성자(generator) 및 생성자가 생성한 가상의 추정값을 검증하는 구분자(discriminator)를 포함하고,
머신러닝부는 생성자(generator) 및 구분자(discriminator)가 상호 경쟁하여 추정값의 정확성을 향상시키는 생성적 적대 신경망(Generative Adversarial Networks : GAN)을 이용하여 머신러닝을 수행하는 것인,
복수의 패션소매점에서 수집된 판매관련 빅데이터를 인공지능기술로 분석하여 도소매점 각각에 유용한 경영정보를 제공하는 패션경영정보분석시스템.The method according to claim 1,
The big data analysis device for retail stores and the big data analysis device for wholesale stores include a machine learning unit that derives an estimated value including an estimated burnout rate, a reorder point, a reproduction point, and a reproduction amount,
The machine learning unit includes a generator that generates a virtual estimate and a discriminator that verifies the virtual estimate generated by the generator,
The machine learning unit performs machine learning using Generative Adversarial Networks (GAN), which improves the accuracy of the estimated value by competing with each other by a generator and a discriminator.
A fashion management information analysis system that provides useful management information to each wholesale and retail store by analyzing big data related to sales collected from multiple fashion retail stores with artificial intelligence technology.
KR1020190017934A 2019-02-15 2019-02-15 System for analysing management data using big data analysis and ai KR102241106B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190017934A KR102241106B1 (en) 2019-02-15 2019-02-15 System for analysing management data using big data analysis and ai

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190017934A KR102241106B1 (en) 2019-02-15 2019-02-15 System for analysing management data using big data analysis and ai

Publications (2)

Publication Number Publication Date
KR20200103191A KR20200103191A (en) 2020-09-02
KR102241106B1 true KR102241106B1 (en) 2021-04-16

Family

ID=72469258

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190017934A KR102241106B1 (en) 2019-02-15 2019-02-15 System for analysing management data using big data analysis and ai

Country Status (1)

Country Link
KR (1) KR102241106B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230018139A (en) 2021-07-29 2023-02-07 팁스밸리(주) System for providing solution and customized analysis based big data and artificial intelligence

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565363B1 (en) * 2021-07-15 2023-08-08 김용준 Method for producing and selling limited edition products and system therefor
KR102526133B1 (en) 2022-04-14 2023-04-27 이선국 System and operation method for predicting demand of fashion product

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016105221A (en) * 2014-12-01 2016-06-09 鍵和田　芳光 System, method, and program for providing distribution inventory information
WO2016208052A1 (en) * 2015-06-26 2016-12-29 楽天株式会社 Inventory management device, inventory management method, program, and recording medium

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101743353B1 (en) * 2015-07-01 2017-06-05 이한승 Vending Machine With Expiration Date Management Function And Discount Function
KR101770291B1 (en) 2016-01-19 2017-08-22 주식회사농심 System of managing commodity order and method of managing commodity order using the system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016105221A (en) * 2014-12-01 2016-06-09 鍵和田　芳光 System, method, and program for providing distribution inventory information
WO2016208052A1 (en) * 2015-06-26 2016-12-29 楽天株式会社 Inventory management device, inventory management method, program, and recording medium

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230018139A (en) 2021-07-29 2023-02-07 팁스밸리(주) System for providing solution and customized analysis based big data and artificial intelligence

Also Published As

Publication number Publication date
KR20200103191A (en) 2020-09-02

Similar Documents

Publication Publication Date Title
KR102241106B1 (en) System for analysing management data using big data analysis and ai
US20200019864A1 (en) Systems and methods for artificial-intelligence-based automated object identification and manipulation
CN110115015A (en) System and method by monitoring the unknown IoT equipment of its behavioral value
CN104424354B (en) The method and system of generation model detection abnormal user behavior is operated using user
CN105989155B (en) Identify the method and device of risk behavior
US9330416B1 (en) Visualization of fraud patterns
JP2014532214A (en) Inventory management transponder
JP5939596B2 (en) Abnormal account detection apparatus and method
KR102264526B1 (en) Item sales volume prediction method, apparatus and system
CN111639363A (en) Data analysis method based on block chain and edge computing server
US20090043536A1 (en) Use of Sequential Clustering for Instance Selection in Machine Condition Monitoring
Hassani Efficient clustering of big data streams
Oliveira et al. Time series forecasting in the presence of concept drift: A pso-based approach
WO2019125445A1 (en) Automated fault detecting control system
CN107239337A (en) The distribution of virtual resources and dispatching method and system
CN101651567B (en) Available risk spread evaluating method
CN110460662A (en) The processing method and system of internet of things data
CN110175100A (en) A kind of storage dish failure prediction method and forecasting system
Lesch et al. Self-aware optimization of adaptation planning strategies
CN110009347A (en) A kind of method and device of block chain Transaction Information audit
CN109784403A (en) A kind of method and relevant device identifying risk equipment
CN109636338A (en) A kind of broad band photoelectrical operation management platform system
US11410055B2 (en) Learning of a feature based on betti sequences obtained from time series data
KR102354094B1 (en) Method and Apparatus for Security Management Based on Machine Learning
Bello et al. Analysis and evaluation of hybrid intrusion detection system models

Legal Events

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