KR102290474B1 - 데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치 - Google Patents

데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치 Download PDF

Info

Publication number
KR102290474B1
KR102290474B1 KR1020200022834A KR20200022834A KR102290474B1 KR 102290474 B1 KR102290474 B1 KR 102290474B1 KR 1020200022834 A KR1020200022834 A KR 1020200022834A KR 20200022834 A KR20200022834 A KR 20200022834A KR 102290474 B1 KR102290474 B1 KR 102290474B1
Authority
KR
South Korea
Prior art keywords
information
real estate
target real
server
server device
Prior art date
Application number
KR1020200022834A
Other languages
English (en)
Inventor
문욱
Original Assignee
(주)오아시스비즈니스
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)오아시스비즈니스 filed Critical (주)오아시스비즈니스
Priority to KR1020200022834A priority Critical patent/KR102290474B1/ko
Application granted granted Critical
Publication of KR102290474B1 publication Critical patent/KR102290474B1/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q30/0278—Product appraisal

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 서버 장치가 대상 부동산의 권리금 가액을 결정하는 방법에 관한 것이다. 일 실시 예에 의하면, 서버 장치가 대상 부동산의 권리금 가액을 결정하는 방법은 상기 서버 장치와 연결되는 외부 디바이스로부터 상기 대상 부동산의 권리금 조회 요청을 획득하는 단계; 상기 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하는 단계; 상기 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정하는 단계; 및 상기 결정된 대상 부동산의 권리금 가액을 출력하는 단계; 를 포함할 수 있다.

Description

데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치 {METHOD AND APPARATUS FOR DETERMINING PREMIUM USING MANAGING HISTORY BASED ON DATA SCIENCE}
본 개시는 대상 부동산에 대한 권리금 가액을 산정하는 방법 및 장치에 관한 것이다. 보다 상세하게는, 데이터 사이언트를 기반으로 관리된 히스토리를 이용하여, 대상 부동산에 대한 권리금 가액을 결정하는 방법 및 장치에 관한 것이다.
최근, 컴퓨터 보급의 확산과 인터넷 기술의 비약적인 발전으로, 인터넷을 통한 다양한 서비스들이 활발하게 제공되고 있다. 특히, 인터넷의 비약적인 발전과 함께 전자 상거래 시장이 발달하면, 시간 및 공간의 제약 없이 상시 재화의 구매가 용이해지고 있다.
또한, 전자 상거래 시장에서 판매 또는 구매되는 물품들은 잡화, 자동차 등의 동산에서 부동산으로 까지 확대되고 있으며, 부동산 임대차나 매매와 같이 거래 기능을 제공하기 위한 인터넷 서비스들이 제공되고 있다.
그러나, 종래 부동산 임대차 또는 매매 기능을 제공하는 서비스 또는 부동산 포털들은, 권리금과 같은 세부적인 정보를 제공하지 못하는 문제점이 있다. 또한, 종래 부동산 임대차 또는 매매 기능을 제공하는 서비스들은 단순히 부동산 매도인의 매물 정보를 제공하는 것에 그칠 뿐, 해당 부동산의 적정 권리금 가액을 제공할 수 없는 한계가 있었다.
한국공개특허 제 10-2014-0071007호
일 실시 예에 따르면, 대상 부동산의 권리금 가액을 결정하는 방법 및 서버 장치가 제공될 수 있다.
또한, 일 실시 예에 의하면, 서버 장치가 인공 신경망 모델을 이용하여 대상 부동산의 권리금 가액을 결정하는 방법이 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 서버 장치가 대상 부동산의 권리금 가액을 결정하는 방법은 상기 서버 장치와 연결되는 외부 디바이스로부터 상기 대상 부동산의 권리금 조회 요청을 획득하는 단계; 상기 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하는 단계; 상기 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정하는 단계; 및 상기 결정된 대상 부동산의 권리금 가액을 출력하는 단계; 를 포함할 수 있다.
또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 대상 부동산의 권리금 가액을 결정하는 서버 장치는 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 데이터 베이스; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 프로세서는, 상기 서버 장치와 연결되는 외부 디바이스로부터 상기 대상 부동산의 권리금 조회 요청을 획득하고, 상기 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하고, 상기 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정하고, 상기 결정된 대상 부동산의 권리금 가액을 출력할 수 있다.
또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 서버 장치가 대상 부동산의 권리금 가액을 결정하는 방법에 있어서 상기 서버 장치와 연결되는 외부 디바이스로부터 상기 대상 부동산의 권리금 조회 요청을 획득하는 단계; 상기 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하는 단계; 상기 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정하는 단계; 및 상기 결정된 대상 부동산의 권리금 가액을 출력하는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.
본 개시의 일 실시 예에 의하면, 대상 부동산의 권리금 가액을 정확하게 산정할 수 있다.
또한, 일 실시 예에 의하면, 데이터 사이언스 기반으로 관리된 히스토리를 이용하여 사용자가 원하는 대상 부동산의 권리금 가액을 제공할 수 있다.
도 1은 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하는 방법을 나타내는 흐름도이다.
도 3은 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하기 위한 특징 정보를 생성하는 방법을 나타내는 흐름도이다.
도 4는 일 실시 예에 따른 서버 장치가 대상 부동산에 대한 권리금 가액을 결정하기 위한 매물 정보를 획득하는 과정을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 서버 장치가 공공 데이터 서버로부터 공공 데이터 정보를 획득하는 과정을 구체적으로 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 서버 장치가 외부 디바이스로부터 획득하는 부동산 정보 및 사용자 정보의 구체적인 구성을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 서버 장치가 공공 데이터 서버로부터 획득하는 공공 데이터 정보의 구체적인 구성을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 서버 장치가 인공 신경망 모델을 이용하여 권리금 가액을 결정하는 과정을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 서버 장치의 블록도이다.
도 10은 일 실시 예에 따른 서버 장치와 연결되는 외부 디바이스의 블록도이다.
도 11은 일 실시 예에 따른 서버 장치 및 외부 디바이스가 서로 연동함으로써 대상 부동산의 권리금 가액을 결정하는 방법을 나타내는 흐름도이다.
도 12는 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 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 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 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.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
일 실시 예에 의하면, 서버 장치(1000)는 서버 장치와 연결되는 외부 디바이스(2000)의 권리금 조회 요청(102)에 응답하여, 대상 부동산의 권리금 가액을 결정하고, 결정된 대상 부동산의 권리금 가액(104)에 대한 정보를 외부 디바이스(2000)로 전송할 수 있다. 예를 들어, 서버 장치(1000)는 네트워크(3000)를 통하여 외부 디바이스(2000)와 연결될 수 있다. 또 다른 실시 예에 의하면, 서버 장치(1000)는 네트워크(3000)를 통하여 복수의 외부 디바이스들과도 연결될 수 있다. 본 개시에 따른 외부 디바이스(2000)는 적어도 하나의 네트워크 인터페이스를 포함하는 전자 장치일 수 있다.
일 실시 예에 의하면, 서버 장치(1000)는 빅 데이터를 처리하기 위한 인공 지능 모델들을 포함할 수 있다. 예를 들어, 서버 장치(1000)는 적정 부동산 권리금 가액을 결정하기 위해, 매물 정보, 재무 정보, 상권 정보, 사용자 정보, 대상 부동산의 정보 등을 수집하고, 수집된 정보들의 시간의 흐름에 따른 데이터 패턴을 결정하고, 결정된 데이터 패턴에 따라 인공 지능 모델을 학습시킬 수 있다.
일 실시 예에 의하먼, 서버 장치(1000)는 상술한 정보들로부터 결정된 패턴에 기초하여 특징 정보를 결정하고, 상기 결정된 특징 정보가 입력되면 적정 권리금 가액에 대한 정보를 출력하는 제1 인공 신경망(Neural Network Model, 112) 모델 또는, 데이터 마이닝 기법에 기초하여 상술한 정보들을 수집하고, 시간의 흐름 별 데이터 변동 패턴, 변동 추이를 예측함으로써, 재무 정보 패턴 또는 상권 패턴과 같은 데이터 패턴을 결정하는 제2 인공 신경망 모델(114)을 포함할 수 있다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
일 실시 예에 의하면, 서버 장치(1000)는 복수의 외부 디바이스들과 연결될 수 있고, 복수의 외부 디바이스들을 가상화(Virtualization)함으로써, 전자 장치들에 대응되는 가상 장치들을 생성하고, 생성된 가상 장치들을 제어함으로써, 외부 디바이스에 부동산 권리금 가액에 대한 정보를 제공할 수도 있다.
일 실시 예에 의하면, 서버 장치(1000)는 네트워크(3000)를 통하여 외부 디바이스(2000)와 연결됨으로써, 외부 디바이스와 데이터를 송수신할 수 있는 기타 컴퓨팅 장치를 포함할 수 있다. 또한, 일 실시 예에 의하면, 서버 장치(1000)는 웨어러블 디바이스를 관리하기 위한 W-BMS(Wearable Business Management Server)일 수 있다. 일 실시 예에 의하면, 네트워크(3000)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하고, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.
일 실시 예에 의하면, 서버 장치(1000)는 직접 또는 네트워크(3000)를 통하여 레거시 시스템(4000)과 연결될 수 있다. 서버 장치(1000)는 레거시 시스템(4000)과 연동됨으로써 하나 이상의 외부 디바이스에 액세스 할 수도 있다. 레거시 시스템(4000)은 기존의 네트워크(3000)를 통하여 서버 장치와 연결될 수 있는 복수의 서버들을 포함할 수 있다. 일 실시 예에 의하면, 레거시 시스템(4000)은 공공 데이터 정보를 관리하는 공공 데이터 서버, 매물 정보를 관리하는 중개 사무소 단말 또는 중개 사무소의 지역 서버, 재무 정보 및 소비 정보를 관리하는 금융 기관 서버를 포함할 수 있다. 레거시 시스템(4000)은 직접 또는 서버 장치(1000)를 통하여, 공공 데이터 정보, 매물 정보, 재무 정보, 소비 정보등, 대상 부동산과 관련된 정보를 수집할 수 있고, 필요한 경우, 서버 장치(1000)에 수집된 정보를 주기적으로 전송할 수도 있다.
일 실시 에에 의하면, 외부 디바이스(2000)는 서버 장치(1000)와 통신할 수 있는 통신 모듈을 포함하는 다양한 형태의 장치로 구현될 수 있다. 예를 들어, 외부 디바이스 (2000)는 디지털 카메라, 모바일 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
또한, 일 실시 예에 의하면, 외부 디바이스(2000)는 사용자에 의해 착용될 수 있는 장치(wearable device, 2010)일 수 있다. 웨어러블 디바이스는 액세서리 형 장치(예컨대, 시계, 목걸이, 안경), 머리 착용형 장치(Head Mounted Display Device, HMD), 신체 부착형 장치(예컨대, 스킨 패드(skin pad)) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
도 2는 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하는 방법을 나타내는 흐름도이다.
S210에서, 서버 장치(1000)는 대상 부동산의 권리금 조회 요청을 획득할 수 있다. 예를 들어, 서버 장치(1000)는 외부 디바이스가 권리금 조회 요청에 관한 사용자 입력을 획득하고, 사용자 입력에 응답하여 서버 장치로 전송하는 대상 부동산의 권리금 조회 요청을 획득할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)는 외부 디바이스로부터 부동산의 권리금 조회 요청을 획득하고, 획득된 권리금 조회 요청에 응답하여 외부 디바이스로 대상 부동산에 대한 부동산 정보의 송신을 요청할 수 있다.
S220에서, 서버 장치(1000)는 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 외부 디바이스의 사용자 정보를 획득할 수 있다. 예를 들어, 외부 디바이스는, 외부 디바이스 사용자의 입력에 기초하여, 외부 디바이스의 사용자로부터 대상 부동산에 대한 부동산 정보 및 사용자 정보를 획득하고, 획득된 부동산 정보 및 사용자 정보를 서버 장치로 전송한다. 일 실시 예에 의하면, 부동산 정보는 부동산을 식별하기 위한 식별 정보로써, 상기 부동산의 종류, 상기 부동산에서 영업중인 업종 현황, 상기 부동산의 주소 정보를 포함할 수 있다. 또한, 일 실시 예에 의하면, 사용자 정보는 사용자 선호 부동산 정보, 상기 사용자의 관심 업종, 상기 사용자의 부동산 구매 이력에 대한 정보를 포함할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)는 외부 디바이스의 사용자의 부동산 정보 및 사용자 정보 입력의 편의를 위하여, 기 설정된 형태의 부동산 정보 입력 화면 및 사용자 정보 입력 화면을 외부 디바이스(2000)로 전송해둘 수 있다.
일 실시 예에 의하면, 서버 장치(1000)는 권리금 조회 요청에 응답하여 외부 디바이스로 대상 부동산에 대한 대상 부동산 정보의 송신을 요청하고, 상기 부동산 정보의 송신 요청에 응답하여, 외부 디바이스로부터 부동산 정보 및 외부 디바이스의 사용자 정보를 획득할 수도 있다.
S230에서, 서버 장치(1000)는 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정할 수 있다.
예를 들어, 서버 장치(1000)는 외부 디바이스의 사용자로부터 획득된 부동산 정보 및 사용자 정보에 서로 다른 가중치를 적용하고, 상기 적용된 서로 다른 가중치에 따라 부동산 정보 및 사용자 정보를 가중합함으로써 특징 정보를 생성할 수 있다. 특징 정보는 인공 신경망 모델의 학습을 위한 미지 차원의 벡터 시퀀스일 수 있다. 서버 장치(1000)는 특징 정보를 제1 인공 신경망 모델에 입력하고, 상기 제1 인공 신경망 모델로부터 출력되는 권리금 가액 값을 이용하여 대상 부동산의 권리금 가액을 결정할 수 있다. 서버 장치(1000)가 부동산 정보, 매물 정보를 가중합함으로써 특징 정보를 생성하는 과정은 도 3을 참조하여 구체적으로 설명하기로 한다.
S240에서, 서버 장치(1000)는 제1 인공 신경망 모델을 이용하여 결정된 대상 부동산의 권리금 가액을 출력할 수 있다. 예를 들어, 서버 장치(1000)는 제1 인공 신경망 모델을 통하여 결정된 대상 부동산의 권리금 가액을 직접 출력할 수도 있지만, 결정된 대상 부동산의 권리금 가액에 대한 정보를 외부 디바이스(2000)로 전송하고, 외부 디바이스(2000)를 통하여 대상 부동산의 권리금 가액을 사용자에게 제공할 수도 있다.
도 3은 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하기 위한 특징 정보를 생성하는 방법을 나타내는 흐름도이다.
S310에서, 서버 장치(1000)는 서버 장치와 연결된 부동산 데이터 서버로부터 대상 부동산에 대한 매물 정보를 획득할 수 있다. 서버 장치(1000)는 부동산 데이터 서버와 연결될 수 있다. 일 실시 예에 의하면, 서버 장치(1000)는 외부 디바이스와 연결을 위한 네트워크와 서로 다른 네트워크를 통하여 부동산 데이터 서버와 연결될 수 있고, 독립적인 네트워크를 통하여 연결됨으로써 부동산 데이터를 안정적으로 획득할 수 있다.
서버 장치(1000)는 대상 부동산이 위치하는 지역 내 복수의 중개사 단말들과 연결되는 부동산 데이터 서버에 액세스 함으로써, 부동산 데이터에 저장된 대상 부동산의 권리금 정보, 대상 부동산의 시설 투자 금액에 대한 정보, 대상 부동산의 운영 금액 정보, 대상 부동산의 월 매출액 정보, 대상 부동산에 대하여 공시된 주소 정보를 획득할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)는 부동산 데이터 서버로부터 미리 설정된 주기에 따라 매물 정보들을 획득하고, 획득된 매물 정보들을 데이터 베이스에 저장할 수 있다.
S320에서, 서버 장치(1000)는 서버 장치와 연결된 공공 데이터 서버로부터 대상 부동산에 대한 공공 데이터 정보를 획득할 수 있다. 예를 들어, 서버 장치(1000)는 상술한 외부 디바이스 및 부동산 데이터 서버외에도, 공공 데이터 서버와 연결될 수 있다. 일 실시 예에 의하면, 공공 데이터 서버는 API 연동 서비스를 제공하는 API 서버의 제어에 의해 서버 장치와 연결될 수 있고, 대상 부동산의 권리금 조회를 요청한 사용자의 금융 정보를 관리하는 금융 기관 서버 및 대상 부동산을 중심으로 미리 설정된 크기의 지역 내 상권 정보를 관리하는 상권 관리 서버와도 연결될 수 있다.
S330에서, 서버 장치(1000)는 매물 정보, 공공 데이터 정보, 부동산 정보, 사용자 정보를 가중합함으로써 특징 정보를 생성할 수 있다. 예를 들어, 서버 장치(1000)는 이용하는 정보의 수에 기초하여 특징 정보를 생성하기 위한 파라미터를 결정할 수 있다. 서버 장치(1000)는 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보 각각에 대하여 서로 다른 파라미터를 적용함으로써, 상기 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들을 가중합함으로써 특징 정보를 생성할 수 있다.
일 실시 예에 의하면, 특징 정보 내 각각의 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들은, 식별 코드로 식별될 수 있는 정형화된 데이터 및 식별 코드로 식별되지 않고, 단순히 문자로 표기되는 비정형화 데이터로 표현될 수 있다. 본 개시에 따른 서버 장치(1000)는 상기 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들 내 포함된 정형화된 데이터 및 비정형화 데이터를 인코딩함으로써 인코딩 시퀀스를 생성하고, 각각의 정보 별로 생성된 인코딩 시퀀스를 연결함으로써 벡터 형태의 특징 정보를 결정할 수 있다. 서버 장치(1000)는 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들 각각에 대해 서로 다른 가중치를 결정하고, 결정된 서로 다른 가중치를, 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보 각각에 대응되는 인코딩 시퀀스에 적용함으로써, 상기 인코딩 시퀀스를 하나의 벡터 형태의 특징 정보로 생성할 수 있다.
도 4는 일 실시 예에 따른 서버 장치가 대상 부동산에 대한 권리금 가액을 결정하기 위한 매물 정보를 획득하는 과정을 설명하기 위한 도면이다.
S420에서, 서버 장치(1000)는 부동산 데이터 서버 또는 부동산 데이터 서버를 통하여 연결되는 중개 사무소 단말에 접속할 수 있다. 예를 들어, 서버 장치(1000)는 외부 디바이스와 연결을 위한 네트워크와 서로 다른 네트워크를 통하여 부동산 데이터 서버와 연결될 수 있고, 상기 연결된 부동산 데이터 서버를 통하여 중개 사무소 단말에 접속할 수 있다.
S440에서, 서버 장치(1000)는 부동산 데이터 서버 또는 중개 사무소 단말로부터 대상 부동산의 권리금 정보, 대상 부동산의 시설 투자 금액에 대한 정보, 대상 부동산의 운영 금액 정보, 대상 부동산의 월 매출액 정보, 대상 부동산에 대하여 공시된 주소 정보를 매물 정보로써 획득할 수 있다.
일 실시 예에 의하면, 부동산 데이터 서버는 복수의 중개 단말들과 연결됨으로써, 부동산에 대한 매물 정보를 실시간으로 획득할 수 있다. 또한, 일 실시 예에 의하면, 부동산 서버는 실시간으로 갱신된 매물 정보를 기 설정된 주기에 따라 서버 장치(1000)로 전송할 수도 있다.
도 5는 일 실시 예에 따른 서버 장치가 공공 데이터 서버로부터 공공 데이터 정보를 획득하는 과정을 구체적으로 설명하기 위한 도면이다.
S520에서, 서버 장치(1000)는 API 연동 서비스를 제공하는 API 서버의 제어에 의해, 상기 서버 장치와 연결되고, 상기 대상 부동산의 권리금 조회를 요청한 사용자의 금융 정보를 관리하는 금융 기관 서버로부터, 상기 사용자의 소비 이력에 관한 재무 정보를 획득할 수 있다. 일 실시 예에 의하면, 재무 정보는 사용자의 결제 이력에 관한 POS 정보, 사용자의 현금 또는 카드 소비 정보 중 적어도 하나를 포함할 수 있다.
S540에서, 서버 장치(1000)는 서버 장치와 연결된 상권 관리 서버로부터 대상 부동산을 중심으로 하는 미리 설정된 크기의 지역 내 상권 정보를 획득할 수 있다. 일 실시 예에 의하면, 상권 정보는 상기 미리 설정된 크기의 지역 내 상가의 타입별 시세 정보, 상기 미리 설정된 크기의 지역 내 유동 인구에 대한 정보, 상기 지역 내 상가의 분포 밀도 별 매출 정보, 상기 지역의 경제 동향 정보, 업종 별 상권 변화 이력에 대한 정보, 신규 점포의 상권 영향에 대한 정보, 상기 지역 내 소규모 점포의 창업, 폐업 경향에 대한 정보를 포함할 수 있다.
상권 관리 서버는 소정의 지역 별로 부동산 매물에 대한 시세 정보, 상기 유동 인구에 대한 정보, 지역 내 상가의 분포 밀도 별 매출 정보, 지역의 경제 동향 정보, 업종 별 상권 변화 이력에 대한 정보, 지역 내 소규모 점포의 창업 폐업 경향에 대한 정보를, 시간의 흐름에 따라 저장할 수 있다. 상권 관리 서버는 미리 설정된 주기에 따라 저장된 상술한 상권 정보들을 서버 장치(1000)로 전송할 수 있다. S560에서, 서버 장치(1000)는 상술한 재무 정보 및 상권 정보를 공공 데이터 정보로써 획득할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)가 공공 데이터 정보로써 획득할 수 있는 재무 정보 및 상권 정보는 상술한 예에 한정되는 것은 아니고, 상기 대상 부동산의 권리금액을 결정하기 위해 필요한 기타 지역 동향에 대한 정보 등을 더 포함할 수 있다.
도 6은 일 실시 예에 따른 서버 장치가 외부 디바이스로부터 획득하는 부동산 정보 및 사용자 정보의 구체적인 구성을 설명하기 위한 도면이다.
일 실시 예에 의하면, 서버 장치(1000)가 획득할 수 있는 부동산 정보(606) 및 사용자 정보(608)는 소정의 식별 번호(602)에 따라 서버 장치의 데이터 베이스에 미리 저장될 수 있다. 일 실시 예에 의하면, 부동산 정보(606)는 부동산의 종류에 대한 정보, 해당 부동산에서 영업 중인 업종 현황에 대한 정보, 부동산의 주소 정보 중 적어도 하나를 포함할 수 있다. 또한, 일 실시 예에 의하면, 사용자 정보(608)는 사용자 선호 부동산 정보, 사용자의 관심 업종, 사용자의 부동산 구매 이력에 대한 정보, 사용자의 SNS에 대한 정보 중 적어도 하나를 포함할 수 있다.
예를 들어, 서버 장치(1000)는 부동산 정보 및 사용자 정보 입력에 대한 외부 디바이스 사용자의 편의를 위해, 상기 부동산 정보 및 사용자 정보를 입력하기 위한 사용자 인터페이스 화면을 외부 디바이스에 전송하고, 상기 사용자 인터페이스 화면상에서 입력되는 사용자의 입력에 기초하여 부동산 정보 및 사용자 정보를 획득할 수 있다.
도 7은 일 실시 예에 따른 서버 장치가 공공 데이터 서버로부터 획득하는 공공 데이터 정보의 구체적인 구성을 설명하기 위한 도면이다.
일 실시 예에 의하면, 서버 장치(1000)는 부동산 데이터 서버로부터 매물 정보(704)를 획득할 수 있다. 일 실시 예에 의하면, 매물 정보(704)는 식별 번호(702)에 의하여 식별될 수 있고, 미리 설정된 식별 번호와 매칭됨으로써 서버 장치(1000)내 데이터 베이스에 저장될 수 있다.
일 실시 예에 의하면, 매물 정보는 대상 부동산의 권리금 정보, 대상 부동산의 시설 투자 금액에 대한 정보, 대상 부동산의 운영 금액에 대한 정보, 부동산의 월 매출액 정보, 대상 부동산에 대한 주소 정보를 포함할 수 있으나, 이에 한정되는 것은 아니며, 대상 부동산이 위치하는 지역 별 부동산 현황에 대한 정보를 더 포함할 수도 있다.
일 실시 에에 의하면, 서버 장치(1000)는 공공 데이터 서버로부터 공공 데이터 정보(708)를 획득할 수 있다. 공공 데이터 정보(708)는 식별 번호(706)에 의하여 식별될 수 있고, 식별 번호(706)와 매칭됨으로써 서버 장치에 저장될 수 있다. 일 실시 예에 의하면, 공공 데이터 정보(708)는 재무 정보(710) 및 상권 정보(712)를 포함할 수 있다.
일 실시 예에 의하면, 재무 정보(710)는 대상 부동산 내 소매점 또는 도매점과 같은 점포에서 소비자들의 결제 이력에 관한 POS 정보, 대상 부동산에서 사용된 현금 또는 카드 소비 정보 중 적어도 하나를 포함할 수 있다. 예를 들어, POS 정보는 일만 소매점, 도매점과 연결되어 사용하는 Point of Sale System으로부터 획득될 수 있는 소비자들의 결제 이력에 관한 정보일 수 있다. 일 실시 예에 의하면, 상권 정보(712)는 소정의 지역 내 상가의 타입별 시세 정보, 소정의 지역 내 유동 인구에 대한 정보, 소정의 지역 내 상가의 분포 밀도 별 매출 정보, 소정의 지역 내 경제 동향 정보, 업종 별 상권 변화 이력에 대한 정보, 신규 점포의 상권 영향에 대한 정보, 상기 지역 내 소규모 점포의 창업 폐업 경향에 대한 정보를 포함할 수 있다.
도 8은 일 실시 예에 따른 서버 장치가 인공 신경망 모델을 이용하여 권리금 가액을 결정하는 과정을 설명하기 위한 도면이다.
S820에서, 서버 장치(1000)는 재무 정보, 상기 상권 정보가 입력되면, 상기 재무 정보 내 상기 사용자의 소비 이력에 관한 재무 정보 패턴, 상기 미리 설정된 크기의 지역 내 상권 패턴을 출력하는 제2 인공 신경망 모델을 이용하여, 상기 재무 정보 패턴 및 상기 상권 패턴을 결정할 수 있다. 제2 인공 신경망 모델은 제1 인공 신경망과 독립적으로 상기 서버 장치(1000)에 의해 학습되는 인공 지능 모델일 수 있다. 제2 인공 신경망 모델은 금융 기관 서버로부터 수신된 재무 정보 및 상권 정보에 기초하여, 대상 부동산에 설치된 점포들의 매출 및 매입 현황의 시간 별 흐름을 나타내는 재무 정보 패턴 및 대상 부동산의 지역 내 상권의 매출 및 매입 현황의 시간 별 흐름을 나타내는 상권 패턴을 출력할 수 있다.
일 실시 예에 의하면, 서버 장치(1000)는 S820단계에서 제2 인공 신경망 모델을 이용하여 결정된 재무 정보 패턴 또는 상권 패턴에 대한 정보를, 상기 패턴이 결정된 시간 정보와 매칭하여 데이터 베이스에 저장할 수 있다. 서버 장치(1000)는 시간 정보에 기초하여, 재무 정보 패턴 또는 상권 패턴을 데이터 베이스에 실시간으로 저장함으로써 대상 부동산에 대한 권리금 가액에 대한 히스토리들을 관리할 수 있다.
일 실시 예에 의하면, 제2 인공 신경망 모델은 상술한 매물 정보, 재무 정보, 상권 정보와 같은 빅 데이터를 획득하고, 획득된 빅 데이터들의 상관 관계에 기초하여 데이터 마이닝(data mining)을 수행하기 위한 인공 지능 모델일 수 있다. 제2 인공 신경망 모델은 외부 디바이스의 사용자로부터 획득된 부동산 정보, 매물 정보, 재무 정보 및 상권 정보 사이의 상관 관계에 기초하여, 대상 부동산이 속한 지역 내 상권의 매출, 매입 정보, 상기 대상 부동산이 속한 지역 내 점포의 타입 별 시세 정보 등의 변동 추이를 결정하고, 상기 결정된 변동 추이를 변동 패턴으로 나타낼 수 있다. 서버 장치(1000)는 제2 인공 신경망 모델에서 결정된 데이터들의 상관 관계에 관한 패턴 정보를 이용하여 특징 정보를 생성할 수 있다.
S840에서, 서버 장치(1000)는 부동산 정보, 사용자 정보, 재무 정보 패턴 및 상권 패턴에 서로 다른 가중치를 적용함으로써 상기 특징 정보를 생성할 수 있다. 예를 들어, 서버 장치(1000)는 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보 각각에 대하여 서로 다른 가중치 파라미터를 적용함으로써, 상기 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들을 가중합하고, 가중합된 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들인, 특징 정보를 생성할 수 있다.
일 실시 예에 의하면, 특징 정보 내 각각의 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들은, 식별 코드로 식별될 수 있는 정형화된 데이터 및 식별 코드로 식별되지 않고, 단순히 문자로 표기되는 비정형화 데이터에 기초하여 표현될 수 있다. 본 개시에 따른 서버 장치(1000)는 상기 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들 내 포함된 정형화된 데이터 및 비정형화 데이터를 인코딩함으로써 인코딩 시퀀스를 생성하고, 각각의 정보 별로 생성된 인코딩 시퀀스를 연결함으로써 벡터 형태의 특징 정보를 결정할 수 있다. 서버 장치(1000)는 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보들 각각에 대해 서로 다른 가중치를 결정하고, 결정된 서로 다른 가중치를, 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보 각각에 대응되는 인코딩 시퀀스에 적용함으로써, 상기 인코딩 시퀀스를 하나의 벡터 형태의 특징 정보로 생성할 수 있다.
일 실시 예에 의하면, 서버 장치(1000)는 부동산 서버 데이터로부터 수집한 매물 정보를 인바운드 데이터로 가공하고, 상기 공공 데이터 서버로부터 수신된 공공 데이터 정보를 아웃 바운드 데이터로 가공하며, 상기 가공된 인바운드 데이터 및 아웃 바운드 데이터, 부동산 정보 및 사용자 정보를 가중합함으로써 특징 정보를 생성할 수 있다. 일 실시 예에 의하면, 상기 가공된 아웃바운드 데이터는 서버 장치와 연결된 적어도 하나의 단말의 API(Application Interface)와 연동될 수 있고, 상기 가공된 인 바운드 데이터는 서버 장치와 연결된 단말의 API와 연동되지 않을 수도 있다.
S860에서, 서버 장치(1000)는 생성된 특징 정보를 제1 인공 신경망 모델에 입력함으로써 대상 부동산의 권리금 가액을 결정할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)가 이용하는 제1 인공 신경망 모델은 매물 정보, 부동산 정보, 재무 정보, 상권 정보 중 적어도 하나에 기초하여 결정된 특징 정보가 입력되면 대상 부동산의 후보 권리금 가액들을 출력할 수도 있다.
서버 장치(1000)는 출력된 대상 부동산의 후보 권리금 가액들 중, 일부의 권리금 가액을 추출하고, 추출된 일부의 권리금 가액에 대한 정보만을 외부 디바이스에 전송할 수도 있다. 예를 들어, 서버 장치(1000)는 외부 디바이스의 사용자로부터 획득된 사용자 정보 내 사용자 선호 부동산 정보, 사용자의 관심 업종, 사용자의 부동산 구매 이력에 대한 정보를 식별하고, 식별된 상기 사용자 정보에 기초하여, 후보 권리금 가액들 중, 일부의 권리금 가액을 추출할 수 있다.
예를 들어, 서버 장치(1000)는 사용자 정보 내 사용자 선호 부동산 정보가 상가 빌딩이고, 사용자의 관심 업종이 '카페'인 것을 식별한 후, 부동산 데이터 서버로부터 수신된 매물 정보 내, 상기 권리금 조회를 요청한 대상 부동산의 종류가 상기 사용자 선호 부동산 정보에 매칭되는 상가 빌딩이고, 동시에 대상 부동산에서 영업중인 업종이, 사용자 관심 업종에 매칭되는, '카페'인 것으로 결정될 경우, 후보 권리금 가액의 범위의 평균 권리금 가액보다 높은 후보 권리금 가액을 나타내는 대상 부동산의 후보 권리금 가액들만을 출력할 수도 있따.
일 실시 예에 의하면, 서버 장치(1000)는 부동산 데이터 서버로부터, 대상 부동산에 대한 권리금 조회 요청의 빈도수에 관한 정보를, 매물 정보로써 더 획득할 수도 있다. 서버 장치(1000)는 대상 부동산에 대한 권리금 조회 요청의 빈도수에 기초하여, 제1 인공 신경망 모델로부터 출력된 대상 부동산의 후보 권리금 가액의 범위(range)를 조정할 수 있다. 예를 들어, 서버 장치(1000)는 대상 부동산에 대한 권리금 조회 요청의 빈도수가 미리 설정된 제2 임계치 이상인 경우, 제1 인공 신경망 모델로부터 출력된 대상 부동산 권리금 후보 가액의 최소 및 최대 값을 증가시킬 수 있다.
또 다른 실시 예에 의하면, 서버 장치(1000)는 대상 부동산에 대한 권리금 조회 요청의 빈도수가 미리 설정된 제1 임계치 이하인 경우, 제1 인공 신경망 모델로부터 출력된 대상 부동산의 권리금 후보 가액의 최소 및 최대 값을 감소시킬 수 있다. 즉, 본 개시에 따른 서버 장치(1000)는 외부 디바이스의 사용자가 조회를 요청한 대상 부동산에 대한, 권리금 조회 요청 빈도수에 따라, 후보 권리금 가액의 범위를 조정함으로써, 대상 부동산에 대한 최근 수요를 더 정확하게 반영할 수 있고, 결과적으로, 대상 부동산에 대한 더 정확한 권리금 가액을 제공할 수 있다.
도 9는 일 실시 예에 따른 서버 장치의 블록도이다.
일 실시 예에 의하면, 서버 장치(1000)는 네트워크 인터페이스(2100), 데이터 베이스(2200) 및 프로세서(2300)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 서버 장치(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 서버 장치(1000)가 구현될 수 있다.
네트워크 인터페이스(2100)는 서버 장치(1000)가 다른 서버, 또는 외부 디바이스와 통신하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 네트워크 인터페이스(2100)는 무선 통신 인터페이스(미도시), 유선 통신 인터페이스(미도시), 이동 통신부(미도시)를 포함할 수 있다. 무선 통신 인터페이스(미도시)는 근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
유선 통신 인터페이스(미도시)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS 232(recommended standard 232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 이동 통신부(미도시)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 네트워크 인터페이스(2100)는 외부 디바이스로부터 권리금 조회 요청, 대상 부동산과 관련된 부동산 정보, 외부 디바이스의 사용자 정보를 수신하며, 결정된 권리금 가액에 대한 정보들을 외부 디바이스로 전송할 수 있다.
데이터 베이스(2200)는 프로세서(2300)의 처리 및 제어를 위한 명령들(Instructions)을 저장할 수 있고, 서버 장치(1000)로 입력되거나 서버 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 일 실시 예에 의하면 데이터 베이스(2200)는 서버 장치의 다양한 모듈, 가상화 서비스, 애플리케이션, 프로그램, 패키지 서비스, 가상 장치 모델 등에 필요한 명령어 집합들을 포함할 수 있다.
또한, 데이터 베이스(2200) 에 저장된 응용 프로그램을 위한 명령어는, 모바일 응용 프로그램, 하나 이상의 클라이언트 측 장치를 통해 실행 가능한 응용 프로그램을 위한 명령어들을 포함할 수 있다. 또한, 데이터 베이스(2200)는 부동산 데이터 서버로부터 수신된 매물 정보, 공공 데이터 서버로부터 수신된 공공 데이터 정보들을 저장하고, 상기 매물 정보 및 공공 데이터 정보에 기초하여 결정된 데이터 변동 추이에 관한 패턴 정보들을 더 저장할 수도 있다.
데이터 베이스(2200)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서(2300)는 프로세서(2300)는 통상적으로 서버 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 데이터 베이스(2200)에 저장된 프로그램들을 실행함으로써, 네트워크 인터페이스(2100)등을 전반적으로 제어할 수 있다. 또한, 프로세서(2300)는 데이터 베이스(2200)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 8에 기재된 서버 장치(1000)의 기능을 수행할 수 있다.
일 실시 예에 의하면, 프로세서(2300)는 데이터 베이스(2200) 내 하나 이상의 인스트럭션을 실행함으로써, 상기 서버 장치와 연결되는 외부 디바이스로부터 상기 대상 부동산의 권리금 조회 요청을 획득하고, 상기 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하고, 상기 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정하고, 상기 결정된 대상 부동산의 권리금 가액을 출력할 수 있다.
또한, 프로세서(2300)는 획득된 권리금 조회 요청에 응답하여, 상기 외부 디바이스로 상기 대상 부동산에 대한 부동산 정보의 송신을 요청하고, 상기 부동산 정보의 송신 요청에 응답하여 상기 외부 디바이스로부터 상기 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득할 수 있다.
또한, 프로세서(2300)는 서버 장치와 연결된 부동산 데이터 서버로부터 상기 대상 부동산에 대한 매물 정보를 획득하고, 상기 서버 장치와 연결된 공공 데이터 서버로부터 상기 대상 부동산에 대한 공공 데이터 정보를 획득하고, 상기 매물 정보, 상기 공공 데이터 정보, 상기 부동산 정보 및 상기 사용자 정보를 가중합함으로써 상기 특징 정보를 생성할 수 있다.
또한, 프로세서(2300)는 상기 획득된 매물 정보를 인 바운드 데이터로 가공하고, 상기 획득된 공공 데이터 정보를 아웃 바운드 데이터로 가공하고, 상기 가공된 인 바운드 데이터, 상기 가공된 아웃 바운드 데이터, 상기 부동산 정보 및 상기 사용자 정보를 가중합함으로써 상기 특징 정보를 생성할 수 있다.
또한, 프로세서(2300)는 부동산 데이터 서버 또는 상기 부동산 데이터 서버를 통하여 연결되는 중개 사무소 단말에 접속하고, 상기 부동산 데이터 서버 또는 상기 중개 사무소 단말로부터, 상기 대상 부동산의 권리금 정보, 상기 대상 부동산의 시설 투자 금액에 대한 정보, 상기 대상 부동산의 운영 금액 정보, 상기 대상 부동산의 월 매출액 정보, 상기 대상 부동산에 대하여 공시된 주소 정보를 상기 매물 정보로써 획득할 수 있다.
또한, 프로세서(2300)는 API 연동 서비스를 제공하는 API 서버의 제어에 의해, 상기 서버 장치와 연결되고, 상기 대상 부동산의 권리금 조회를 요청한 사용자의 금융 정보를 관리하는 금융 기관 서버로부터, 상기 사용자의 소비 이력에 관한 재무 정보를 획득하고, 상기 서버 장치와 연결된 상권 관리 서버로부터 상기 대상 부동산을 중심으로 하는 미리 설정된 크기의 지역 내 상권 정보를 획득하며, 상기 획득된 재무 정보 및 상기 상권 정보를 상기 공공 데이터 정보로써 획득할 수 있다.
또한, 프로세서(2300)는 재무 정보, 상기 상권 정보가 입력되면, 상기 재무 정보 내 상기 사용자의 소비 이력에 관한 재무 정보 패턴, 상기 미리 설정된 크기의 지역 내 상권 패턴을 출력하는 제2 인공 신경망 모델을 이용하여, 상기 재무 정보 패턴 및 상기 상권 패턴을 결정하고, 상기 부동산 정보, 상기 사용자 정보, 상기 재무 정보 패턴 및 상기 상권 패턴에 서로 다른 가중치를 적용함으로써 상기 특징 정보를 생성하고, 상기 생성된 특징 정보를 상기 제1 인공 신경망 모델에 입력함으로써, 상기 대상 부동산의 권리금 가액을 결정할 수 있다.
또한, 프로세서(2300)는 인공 신경망 모델로부터 출력된 권리금 가액을 소정의 시간 간격으로 클러스터링하고, 상기 소정의 시간 간격으로 클러스터링된 권리금 가액을 시각화 하며, 상기 시각화된 권리금 가액을 출력할 수도 있다.
또한, 프로세서(2300)는 상기 출력된 대상 부동산의 권리금 가액에 대한 정보를 상기 서버 장치 내 데이터 베이스에 저장하고, 상기 출력된 권리금 가액에 대한 정보에 기초하여 상기 제1 인공 신경망 내 레이어들 및 상기 레이어들 간의 연결 강도에 관한 가중치를 갱신할 수 있다. 즉 프로세서(2300)는 제1 인공 신경망 모델로부터 출력된 권리금 가액에 대한 정보에 기초하여 제1 인공 신경망 모델을 수정 및 갱신함으로써, 외부 디바이스의 사용자의 권리금 조회 요청에 응답하여 권리금 가액에 대한 정보를 제공할 때마다, 더 정확한 대상 부동산에 대한 권리금 후보 가액을 제공할 수 있다.
도 10은 일 실시 예에 따른 서버 장치와 연결되는 외부 디바이스의 블록도이다.
일 실시 예에 따른 외부 디바이스(2000)는 사용자 입력 인터페이스(1100), 출력부(1200), 센싱부(1400), 네트워크 인터페이스(1500), 프로세서(1300), 메모리(1700) 및 전원부(미도시)를 더 포함할 수도 있다.
사용자 입력 인터페이스 (1100)는, 사용자가 외부 디바이스(2000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스 (1100)에는 키 패드(key pad), 터치 패드 등이 있을 수 있으나 이에 한정되는 것은 아니다. 사용자 입력 인터페이스는 서버 장치(1000)의 사용자 입력부에 대응될 수 있다. 일 실시 예에 의하면, 사용자 입력 인터페이스(1100)는 전자 장치를 조작하기 위한 다양한 사용자 입력을 수신할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다. 디스플레이부(1210)는 도 8의 서버 장치(1000)의 디스플레이(840)에 대응될 수 있다.
디스플레이부(1210)는 외부 디바이스(2000)에서 처리된 권리금 후보 가액들을 표시할 수 있다. 디스플레이부(1210)는 서버 장치(1000)의 디스플레이와 연동됨으로써, 동일한 내용의 컨텐츠를 표시할 수 있다. 즉, 디스플레이부(1210)는 서버 장치(1000)의 디스플레이에 표시된 화면과 동일한 화면을 출력할 수도 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다.
프로세서(1300)는 프로세서(1300)는, 통상적으로 전자 장치(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 디스플레이(1210), 네트워크 인터페이스(1500)등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 9에 기재된 서버 장치(1000)의 일부 기능을 수행할 수 있다.
예를 들어, 프로세서(1300)는 전자 장치(2000)의 센싱부를 제어함으로써, 환경 정보 또는 센싱 정보를 획득할 수 있다. 프로세서(1300)는 획득한 센싱 정보 또는 환경 정보를 서버 장치(1000)로 전송하도록 네트워크 인터페이스(1500)를 제어할 수 있다.
또한, 프로세서(1300)는 서버 장치(1000)로부터 획득된 센싱 정보 또는 환 경 정보에 기초하여, 전자 장치의 메모리에 저장된 센싱 정보 또는 환경 정보를 갱신할 수 있다. 또한, 프로세서(1300)는 전자 장치의 식별 정보 또는 전자 장치로 입출력된 데이터 이력에 대한 정보가 서버 장치(1000)로 전송되도록 네트워크 인터페이스(1500)를 제어할 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 모션 센서(미도시), 접촉 강도 센서(미도시), 촉감(tactile) 출력 생성기 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
네트워크 인터페이스(1500)는 전자 장치(2000)가 다른 전자 장치(미도시), 외부 디바이스 및 서버 장치(1000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 전자 장치(미도시)는 전자 장치(2000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 네트워크 인터페이스(1500)는, 무선 통신 인터페이스(1510), 유선 통신 인터페이스(1520), 이동 통신부(1530)를 포함할 수 있다.
무선 통신 인터페이스(1510)는 근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
유선 통신 인터페이스(1520)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS 232(recommended standard 232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1530)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 네트워크 인터페이스(1500)는 서버 장치(1000)의 네트워크 인터페이스(860)에 대응될 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 명령들(Instructions)을 저장할 수 있고, 외부 디바이스 (1000)로 입력되거나 외부 디바이스(1000)로부터 출력되는 데이터를 저장할 수도 있다. 일 실시 예에 의하면 메모리(1700)는 외부 디바이스의 다양한 모듈, 애플리케이션, 프로그램, 패키지 서비스, 대상 부동산에 대한 권리금 가액들을 결정하는데 필요한 명령어 집합들을 포함할 수 있다. 또한, 메모리(1700)에 저장된 응용 프로그램을 위한 명령어는, 모바일 응용 프로그램, 하나 이상의 클라이언트 측 장치를 통해 실행 가능한 응용 프로그램을 위한 명령어들을 포함할 수 있다.
또한, 메모리(1700)는 외부 디바이스(2000)의 식별 정보, 환경 정보 또는 센싱 정보를 저장하고, 서버 장치(1000)로부터 획득된 환경 정보 또는 센싱 정보를 더 저장할 수도 있다. 메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다. 하지만, 이에 한정되는 것은 아니고, 더 많은 모듈을 포함할 수 도 있다. 예를 들어, 일 실시 예에 따른 메모리(1700)는 UI 모듈(1710), 터치 스크린 모듈(1720) 및 알림 모듈(1730)외에, 외부 디바이스 운영 체제 시스템 모듈, 애플리케이션 모듈, 설정 모듈을 더 포함할 수도 있다.
도 11은 일 실시 예에 따른 서버 장치 및 외부 디바이스가 서로 연동함으로써 대상 부동산의 권리금 가액을 결정하는 방법을 나타내는 흐름도이다.
S1102에서, 외부 디바이스(2000)는 서버 장치(1000)로 권리금 조회 요청을 전송할 수 있다. S1104에서, 서버 장치(1000)는 외부 디바이스로부터 수신된 권리금 조회 요청에 응답하여, 대상 부동산에 대한 부동산 정보 및 외부 디바이스의 사용자 정보를 요청할 수 있다. S1106에서, 외부 디바이스(2000)는 부동산 정보 및 외부 디바이스의 사용자 정보를 서버 장치로 전송할 수 있다.
S1108에서, 서버 장치(1000)는 부동산 데이터 서버로부터 매물 정보를 획득할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)는 외부 디바이스(2000)로부터 권리금 조회 요청에 수신되기 전, 미리 설정된 주기에 따라 부동산 데이터 서버로부터 매물 정보를 수신하고, 수신된 매물 정보를 저장해둘 수도 있다.
S1110에서, 서버 장치(1000)는 공공 데이터 서버로부터 부동산에 대한 공공 데이터 정보를 획득할 수도 있다. 일 실시 예에 의하면, 서버 장치(1000)는 금융 기관 서버 또는 상권 관리 서버와 연결될 수 있고, API 서버의 제어에 의해, 상기 금융 기관 서버 또는 상권 관리 서버로부터 재무 정보 및 상권 정보를 획득할 수 있다.
S1112에서, 서버 장치(1000)는 매물 정보, 공공 데이터 정보, 부동산 정보 및 사용자 정보를 가중합함으로써 특징 정보를 생성할 수 있다. S1114에서, 서버 장치(1000)는 특징 정보를 인공 신경망 모델에 입력함으로써 대상 부동산의 권리금 후보 가액을 출력할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)는 제2 인공 신경망 모델을 이용하여 공공 데이터 정보 및 매물 정보로부터 데이터의 변동 추이에 관한 변동 패턴을 결정하고, 상기 결정된 패턴에 기초하여 특징 정보를 생성할 수도 있다.
S1116에서, 서버 장치(1000)는 권리금 후보 가액들 중, 소정의 권리금 가액들을 출력할 수 있다. 예를 들어, 서버 장치(1000)는 외부 디바이스로부터 수신된 사용자 정보에 기초하여 결정된 대상 부동산의 권리금 후보 가액들 중 일부의 권리금 후보 가액들을 추출하고, 추출된 권리금 후보 가액들을 출력할 수 있다. S1118에서, 서버 장치(1000)는 상기 결정된 권리금 가액에 대한 정보를 외부 디바이스로 전송할 수 있다. S1120에서, 외부 디바이스(2000)는 수신된 권리금 가액에 대한 정보를 출력할 수 있다.
도 12는 일 실시 예에 따른 서버 장치가 대상 부동산의 권리금 가액을 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
일 실시 예에 의하면, 서버 장치(1000)는 매도인(621)들이 매매하고자 하는 부동산 매물 정보를 중개 사무소 단말 및 상기 중개 사무소 단말과 연결되는 부동산 데이터 서버를 통해 획득할 수 있다. 서버 장치(1000)는 중개 사무소 단말을 통해, 매도인(621)들로부터 대상 부동산에 대한 시설 투자 액을 포함하는 총 투자 금액, 대상 부동산의 권리금 정보를 포함하는 매물 정보를 획득할 수 있다.
또한, 서버 장치(1000)는 공공 데이터 서버와 연결됨으로써, 공공 데이터 서버와 연결되는 금융 기관 서버로부터 POS 데이터, 카드사 데이터를 획득할 수 있다. 또한, 서버 장치(1000)는 공공 데이터 서버(632)와 연결되는 상권 관리 서버로부터 상가 유형별 시세 데이터, 상권별 유동 인구에 대한 데이터를 더 획득할 수도 있다. 일 실시 예에 의하면, 서버 장치(1000)는 실시간으로 API 서버의 제어에 의해, 공공 데이터 서버를 모니터링할 수 있고, 공공 데이터 서버에 저장된 대상 부동산과 관련된 데이터들을 주기적으로 획득할 수 있다.
서버 장치(1000)는 부동산 데이터 서버로부터 획득된 매물 정보 및 공공 데이터 서버(632)로부터 획득된 공공 데이터 정보를 이용하여 빅데이터(624)를 생성할 수 있다. 서버 장치(1000)는 소정의 머신러닝 알고리즘(626)에 따라 빅 데이터로부터 데이터 변도 추이에 관한 변동 패턴을 결정하기 위해, 공공 데이터 서버로부터 수신된 공공 데이터 정보를 아웃 바운드 데이터(630)로 가공하고, 부동산 데이터 서버로부터 수신된 매물 정보를 인바운드 데이터(628)로 가공할 수 있다. 서버 장치(1000)는 딥러닝(629) 기반의 인공 지능 모델인, 제2 인공 신경망 모델을 이용하여 입력된 데이터들의 특징을 스스로 분류/학습할 수 있고, 특히, 데이터 마이닝(636) 기법을 통하여, 빅데이터(624)로부터 상기 대상 부동산과 관련하여 시간의 흐름에 따른 상권 패턴, 또는 재무 정보 패턴을 결정할 수 있다.
일 실시 예에 의하면, 서버 장치(1000)는 제1 인공 신경망 모델 및 상기 제1 인공 신경망 모델과 다른 제2 인공 신경망 모델을 모두 이용함으로써, 데이터 사이언스(638)를 기반으로, 대상 부동산과 관련된 빅 데이터의 변동 패턴, 변동 추이를 시간의 흐름 별로 결정할 수 있다. 서버 장치(1000)는 제2 인공 신경망 모델을 이용하여 결정된 상권 정보 패턴, 재무 정보 패턴 등에 기초하여 특징 정보를 생성하고, 상기 생성된 특징 정보를 제1 인공 신경망 모델에 입력함으로써 소정의 대상 부동산에 대한 권리금 후보 금액에 대한 정보를 출력할 수 있다.
서버 장치(1000)는 제1 인공 신경망 모델을 통하여 출력된 대상 부동산의 권리금 후보 금액에 대한 정보 외에, 대상 부동산의 권리금 후보 가액을 도출하는 과정에서 제2 인공 신경망 모델로부터 출력된 데이터 변동 패턴들에 대한 정보를, 시간의 흐름에 따라 그래프로 생성함으로써, 빅 데이터를 시각화 할 수 있다. 서버 장치(1000)는 데이터 사이언스(628)를 기반으로 가공된 데이터에 기초하여, 제1 인공 신경망 모델로부터 권리금 후보 가액을 획득할 수 있고, 상기 획득된 권리금 후보 가액 중, 적정 권리금(642)을 산출할 수 있다. 일 실시 예에 의하면, 서버 장치(1000)는 매수인으로부터 획득된 부동산 선호 정보 또는 관심 업종에 대한 정보에 기초하여, 권리금 후보 가액 중, 적정 권리금을 산출할 수도 있다.
서버 장치(1000)는 부동산 데이터 서버로부터, 대상 부동산이 속하는 지역 내 유사 업종이 입점된 부동산들에 대한 권리금 정보를 획득할 수 있다. 서버 장치(1000)는 복수의 인공 신경망 모델을 이용하여 산출된 적정 권리금을, 실제 부동산 데이터 서버로부터 획득된 권리금 정보와 비교할 수 있다. 서버 장치(1000)는 대상 부동산과 관련된 정보에 기초하여 부동산 데이터 서버로부터, 대상 부동산과 유사한 부동산들로써, 실제 매매중인 부동산 권리금 정보를 획득할 수 있다.
예를 들어, 서버 장치(1000)는 권리금 조회 요청 대상이 된 대상 부동산의 부동산 정보에 기초하여, 실제 매매 중인 부동산과 권대상 부동산의 유사도를 비교함으로써 제1 유사 점수를 결정하고, 제1 유사 점수가 기 설정된 임계치 이상인 소정의 후보 부동산을 추출할 수 있다. 서버 장치(1000)는 후보 부동산들에 대한 매물 정보에 기초하여, 각 후보부동산들에 대한 실제 부동산 권리금 가액들과, 본원 서버 장치(1000)가 산출한 권리금 가액을 비교(644)함으로써, 실제 부동산 권리금 가액 및 서버 장치(1000)가 산출한 권리금 가액의 차액 값들 중, 최소값이 소정의 임계치 이상인 경우, 도 1 내지 도 9에서 설명한 부동산 권리금 가액을 결정하는 방법을 다시 수행할 수 있다. 그러나, 서버 장치(1000)는 실제 부동산 권리금 가액 및 서버 장치(1000)가 산출한 권리금 가액의 차액 값들 중 최소 값이, 소정의 임계치보다 작은 경우, 산출된 권리금에 대한 정보를 외부 디바이스를 통하여 매수인에게 제공할 수 있다.
즉, 본 개시에 따른 서버 장치(1000)는 복수의 인공 신경망 모델을 통하여 산출된 대상 부동산의 권리금 가액과, 실제 부동산 데이터 서버에 저장된 유사한 부동산들의 권리금 가액을 비교하고, 비교 결과에 기초하여 실제 부동산 데이터 서버에 저장된 데이터와 차이가 큰 경우, 산출된 권리금 가액을 다시 수정함으로써, 외부 디바이스의 사용자에게 더 정확한 부동산 권리금 가액에 대한 정보를 제공할 수 있다.
일 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (16)

  1. 서버 장치가 대상 부동산의 권리금 가액을 결정하는 방법에 있어서
    상기 서버 장치가, 상기 서버 장치와 연결되는 외부 디바이스로부터 상기 대상 부동산의 권리금 조회 요청을 획득하는 단계;
    상기 서버 장치가 상기 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하는 단계;
    상기 서버 장치가 상기 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정하는 단계; 및
    상기 서버 장치가 상기 결정된 대상 부동산의 권리금 가액을 출력하는 단계; 를 포함하고,
    상기 방법은 상기 서버 장치와 연결된 부동산 데이터 서버로부터 상기 대상 부동산에 대한 매물 정보를 획득하는 단계;
    상기 서버 장치와 연결된 공공 데이터 서버로부터 상기 대상 부동산에 대한 공공 데이터 정보를 획득하는 단계; 및
    상기 매물 정보, 상기 공공 데이터 정보, 상기 부동산 정보 및 상기 사용자 정보를 가중합함으로써 상기 특징 정보를 생성하는 단계; 를 더 포함하며,
    상기 공공 데이터 정보를 획득하는 단계는
    API 연동 서비스를 제공하는 API 서버의 제어에 의해, 상기 서버 장치에 연결되고, 상기 대상 부동산의 권리금 조회를 요청한 사용자의 금융 정보를 관리하는 금융 기관 서버로부터, 상기 사용자의 소비 이력에 관한 재무 정보를 획득하는 단계;
    상기 서버 장치와 연결된 상권 관리 서버로부터 상기 대상 부동산을 중심으로 하는 미리 설정된 크기의 지역 내 상권 정보를 획득하는 단계; 및
    상기 획득된 재무 정보 및 상기 상권 정보를 상기 공공 데이터 정보로써 획득하는 단계; 를 더 포함하는, 방법.
  2. 제1항에 있어서, 상기 방법은
    상기 획득된 권리금 조회 요청에 응답하여, 상기 외부 디바이스로 상기 대상 부동산에 대한 부동산 정보의 송신을 요청하는 단계; 및
    상기 부동산 정보의 송신 요청에 응답하여 상기 외부 디바이스로부터 상기 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하는 단계; 를 포함하는, 방법.
  3. 삭제
  4. 제1항에 있어서, 상기 방법은
    상기 획득된 매물 정보를 인 바운드 데이터로 가공하는 단계; 및
    상기 획득된 공공 데이터 정보를 아웃 바운드 데이터로 가공하는 단계; 를 더 포함하고,
    상기 특징 정보를 생성하는 단계는 상기 가공된 인 바운드 데이터, 상기 가공된 아웃 바운드 데이터, 상기 부동산 정보 및 상기 사용자 정보를 가중합함으로써 상기 특징 정보를 생성하는 것인, 방법.
  5. 제4항에 있어서,
    상기 가공된 아웃바운드 데이터는 상기 서버 장치와 연결된 적어도 하나의 단말의 API와 연동되고, 상기 가공된 인 바운드 데이터는 상기 서버 장치와 연결된 단말의 API와 연동되지 않는 것을 특징으로 하는, 방법.
  6. 제1항에 있어서, 상기 매물 정보를 획득하는 단계는
    상기 부동산 데이터 서버 또는 상기 부동산 데이터 서버를 통하여 연결되는 중개 사무소 단말에 접속하는 단계; 및
    상기 부동산 데이터 서버 또는 상기 중개 사무소 단말로부터, 상기 대상 부동산의 권리금 정보, 상기 대상 부동산의 시설 투자 금액에 대한 정보, 상기 대상 부동산의 운영 금액 정보, 상기 대상 부동산의 월 매출액 정보, 상기 대상 부동산에 대하여 공시된 주소 정보를 상기 매물 정보로써 획득하는 단계; 를 더 포함하는, 방법.
  7. 삭제
  8. 제1항에 있어서,
    상기 부동산 정보는 상기 부동산을 식별하기 위한 식별 정보로써, 상기 부동산의 종류, 상기 부동산에서 영업중인 업종 현황, 상기 부동산의 주소 정보를 포함하고,
    상기 사용자 정보는 사용자 선호 부동산 정보, 상기 사용자의 관심 업종, 상기 사용자의 부동산 구매 이력에 대한 정보를 포함하며,
    상기 재무 정보는 상기 권리금 조회를 요청한 사용자의 결제 이력에 관한 POS 정보 또는 상기 사용자의 현금 또는 카드 소비 정보 중 적어도 하나를 포함하고,
    상기 상권 정보는 상기 미리 설정된 크기의 지역 내 상가의 타입별 시세 정보, 상기 미리 설정된 크기의 지역 내 유동 인구에 대한 정보, 상기 지역 내 상가의 분포 밀도 별 매출 정보, 상기 지역의 경제 동향 정보, 업종 별 상권 변화 이력에 대한 정보, 신규 점포의 상권 영향에 대한 정보, 상기 지역 내 소규모 점포의 창업, 폐업 경향에 대한 정보를 포함하는 것인, 방법.
  9. 제1항에 있어서, 상기 권리금 가액을 결정하는 단계는
    상기 재무 정보, 상기 상권 정보가 입력되면, 상기 재무 정보 내 상기 사용자의 소비 이력에 관한 재무 정보 패턴, 상기 미리 설정된 크기의 지역 내 상권 패턴을 출력하는 제2 인공 신경망 모델을 이용하여, 상기 재무 정보 패턴 및 상기 상권 패턴을 결정하는 단계;
    상기 부동산 정보, 상기 사용자 정보, 상기 재무 정보 패턴 및 상기 상권 패턴에 서로 다른 가중치를 적용함으로써 상기 특징 정보를 생성하는 단계; 및
    상기 생성된 특징 정보를 상기 제1 인공 신경망 모델에 입력함으로써, 상기 대상 부동산의 권리금 가액을 결정하는 단계; 를 포함하는, 방법.
  10. 제1항에 있어서, 상기 대상 부동산의 권리금 가액을 출력하는 단계는
    상기 인공 신경망 모델로부터 출력된 권리금 가액을 소정의 시간 간격으로 클러스터링하는 단계;
    상기 소정의 시간 간격으로 클러스터링된 권리금 가액을 시각화 하는 단계; 및
    상기 시각화된 권리금 가액을 출력하는 단계; 를 포함하는, 방법.
  11. 제1항에 있어서, 상기 방법은
    상기 출력된 대상 부동산의 권리금 가액에 대한 정보를 상기 서버 장치 내 데이터 베이스에 저장하는 단계; 및
    상기 출력된 권리금 가액에 대한 정보에 기초하여 상기 제1 인공 신경망 내 레이어들 및 상기 레이어들 간의 연결 강도에 관한 가중치를 갱신하는 단계; 를 더 포함하는, 방법.
  12. 대상 부동산의 권리금 가액을 결정하는 서버 장치에 있어서,
    네트워크 인터페이스;
    하나 이상의 인스트럭션을 저장하는 데이터 베이스; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 프로세서는, 상기 서버 장치와 연결되는 외부 디바이스로부터 상기 대상 부동산의 권리금 조회 요청을 획득하고,
    상기 획득된 요청에 따라 대상 부동산에 대한 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하고,
    상기 획득된 부동산 정보 및 상기 외부 디바이스의 사용자 정보에 기초하여 결정된 특징 정보가 입력되면, 상기 대상 부동산의 권리금 가액을 출력하는 제1 인공 신경망(Artificial Neural Network)모델을 이용하여 상기 요청된 대상 부동산의 권리금 가액을 결정하고,
    상기 결정된 대상 부동산의 권리금 가액을 출력하며,
    상기 프로세서는, 상기 서버 장치와 연결된 부동산 데이터 서버로부터 상기 대상 부동산에 대한 매물 정보를 획득하고,
    상기 서버 장치와 연결된 공공 데이터 서버로부터 상기 대상 부동산에 대한 공공 데이터 정보를 획득하고,
    상기 매물 정보, 상기 공공 데이터 정보, 상기 부동산 정보 및 상기 사용자 정보를 가중합함으로써 상기 특징 정보를 생성하며,
    상기 프로세서는
    API 연동 서비스를 제공하는 API 서버의 제어에 의해, 상기 서버 장치와 연결되고, 상기 대상 부동산의 권리금 조회를 요청한 사용자의 금융 정보를 관리하는 금융 기관 서버로부터, 상기 사용자의 소비 이력에 관한 재무 정보를 획득하고,
    상기 서버 장치와 연결된 상권 관리 서버로부터 상기 대상 부동산을 중심으로 하는 미리 설정된 크기의 지역 내 상권 정보를 획득하고,
    상기 획득된 재무 정보 및 상기 상권 정보를 상기 공공 데이터 정보로써 획득하는, 서버 장치.
  13. 제12항에 있어서, 상기 프로세서는
    상기 획득된 권리금 조회 요청에 응답하여, 상기 외부 디바이스로 상기 대상 부동산에 대한 부동산 정보의 송신을 요청하고,
    상기 부동산 정보의 송신 요청에 응답하여 상기 외부 디바이스로부터 상기 부동산 정보 및 상기 외부 디바이스의 사용자 정보를 획득하는, 서버 장치.
  14. 삭제
  15. 제12항에 있어서, 상기 프로세서는
    상기 획득된 매물 정보를 인 바운드 데이터로 가공하고,
    상기 획득된 공공 데이터 정보를 아웃 바운드 데이터로 가공하고,
    상기 가공된 인 바운드 데이터, 상기 가공된 아웃 바운드 데이터, 상기 부동산 정보 및 상기 사용자 정보를 가중합함으로써 상기 특징 정보를 생성하는, 서버 장치.
  16. 제12항에 있어서, 상기 프로세서는
    상기 부동산 데이터 서버 또는 상기 부동산 데이터 서버를 통하여 연결되는 중개 사무소 단말에 접속하고,
    상기 부동산 데이터 서버 또는 상기 중개 사무소 단말로부터, 상기 대상 부동산의 권리금 정보, 상기 대상 부동산의 시설 투자 금액에 대한 정보, 상기 대상 부동산의 운영 금액 정보, 상기 대상 부동산의 월 매출액 정보, 상기 대상 부동산에 대하여 공시된 주소 정보를 상기 매물 정보로써 획득하는, 서버 장치.
KR1020200022834A 2020-02-25 2020-02-25 데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치 KR102290474B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200022834A KR102290474B1 (ko) 2020-02-25 2020-02-25 데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200022834A KR102290474B1 (ko) 2020-02-25 2020-02-25 데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102290474B1 true KR102290474B1 (ko) 2021-08-17

Family

ID=77466396

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200022834A KR102290474B1 (ko) 2020-02-25 2020-02-25 데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102290474B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102506284B1 (ko) * 2021-09-30 2023-03-06 김건수 상가 권리금에 대한 예측과 거래 주선 및 질권 관리를 위한 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140071007A (ko) 2012-12-03 2014-06-11 명지대학교 산학협력단 부동산 경매물건 검색 및 평가 시스템
KR101565924B1 (ko) * 2013-04-24 2015-11-05 주식회사 비지에프리테일 상가의 권리금 산정방법
KR20190011214A (ko) * 2017-07-24 2019-02-01 조성우 창업정보 리포트 제공방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140071007A (ko) 2012-12-03 2014-06-11 명지대학교 산학협력단 부동산 경매물건 검색 및 평가 시스템
KR101565924B1 (ko) * 2013-04-24 2015-11-05 주식회사 비지에프리테일 상가의 권리금 산정방법
KR20190011214A (ko) * 2017-07-24 2019-02-01 조성우 창업정보 리포트 제공방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102506284B1 (ko) * 2021-09-30 2023-03-06 김건수 상가 권리금에 대한 예측과 거래 주선 및 질권 관리를 위한 방법 및 시스템
WO2023055057A1 (ko) * 2021-09-30 2023-04-06 김건수 상가 권리금에 대한 예측과 거래 주선 및 질권 관리를 위한 방법 및 시스템

Similar Documents

Publication Publication Date Title
CN109964271B (zh) 用于提供对用户的语音输入的响应消息的设备和方法
US20180182025A1 (en) Systems and methods for visualizing in-budget products and services
US20140289047A1 (en) Selective banner ad display
US11288748B2 (en) Systems and methods for providing customized financial advice
US11605081B2 (en) Method and device applying artificial intelligence to send money by using voice input
US20130191193A1 (en) Shopping plan management
US20190188771A1 (en) Systems and Methods for Transaction-Based Real Time Pre-Intent Recommendations for a Sequential Purchase
US20110320318A1 (en) Context-aware shopping services on mobile
US20180137550A1 (en) Method and apparatus for providing product information
US20170061461A1 (en) Secondary device communications for intelligent selection of electronic sources
US20180260876A1 (en) Automated databot system
KR20180057507A (ko) 음성을 이용하여 송금하는 방법 및 장치
KR102431439B1 (ko) 인공지능 모델을 이용하여 추천된 판촉물에 대한 역경매 플랫폼을 제공하는 방법 및 장치
KR102290481B1 (ko) 블록 체인 기반 부동산 거래 서비스를 제공하는 방법 및 장치
KR102446649B1 (ko) 인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치
US11967213B2 (en) Methods and systems for demonstrating a personalized automated teller machine (ATM) presentation
US20230290343A1 (en) Electronic device and control method therefor
US20230298056A1 (en) System, Method, and Computer Program Product for Determining a Dominant Account Profile of an Account
US10878668B1 (en) Methods and systems for demonstrating a personalized automated teller machine (ATM) presentation
US10963938B2 (en) Systems and methods for providing an interactive virtual environment
CN117597905A (zh) 与云计算环境分离的基于用户的位置和活动数据的边缘计算存储节点
KR102290474B1 (ko) 데이터 사이언스 기반 히스토리 관리 및 이를 이용한 권리금 산정 방법 및 장치
KR20190113396A (ko) 지출내역 정보 및 이동경로 정보에 기반하여 매장을 추천하는 방법 및 서버
CN112446753A (zh) 一种数据处理方法、装置、设备和机器可读介质
WO2023164041A1 (en) On-device data privacy operations to prevent data sharing at user locations

Legal Events

Date Code Title Description
GRNT Written decision to grant