KR102399831B1 - Esg 기업 평가 장치를 포함하는 시스템 서버 - Google Patents

Abstract

서비스 및 거래 플랫폼 어플리케이션이 설치되며, 기업의 제품을 구매하고자 하는 사용자가 소유하는 사용자 단말; 서비스 및 거래 플랫폼 어플리케이션이 설치되며, 기업이 소유하는 기업 단말;및 상기 사용자 단말 및 상기 기업 단말에 설치되는 서비스 및 거래 플랫폼 어플리케이션과 연동되고, ESG(Environmnet, Social, Governance) 관점에서 기업을 평가하여 점수를 산출하는 ESG 기업 평가 장치를 포함하는 시스템 서버;를 포함하고,
상기 ESG 기업 평가 장치는, 인터넷 상에서 복수의 뉴스 기사들을 수집하여 날짜별 또는 기업별로 분류하고, 상기 뉴스 기사들 간의 유사도 분석을 통해 유사도가 기준치 이상인 뉴스 기사들에 대한 클러스터링을 수행하는 뉴스 수집부; 상기 뉴스 기사들 각각을 환경, 사회 또는 지배구조 중 어느 이슈와 관련된 것인지 분류하는 뉴스 분류부; 및 클러스터 단위로 해당 클러스터에 대한 ESG 리스크를 계산하고 계산한 값을 토대로 ESG 기업 평가 점수를 산출하는 평가 결과 도출부를 포함하는, 서비스 및 거래 플랫폼을 개시한다.

Description

ESG 기업 평가 장치를 포함하는 시스템 서버{ESG BASED ENTERPRISE ASSESSMENT DEVICE AND OPERATING METHOD THEREOF}

본 발명은 기업의 투명한 ESG 활동을 위해 ESG 기반의 기업 평가 정보 제공 서비스 제공 및 친환경 상품 거래 플랫폼에 관한 것이다.

최근 기업들이 리스크 관리에 보다 많은 신경을 기울이면서, 자 기업과 타 기업들을 다방면으로 평가하고 이와같은 평가 결과를 투자, 합병, 생산 라인에 대한 리스크 관리 등에 응용하고 있다.

일반적으로 기업들은 정량적으로 획득할 수 있는 재무적인 데이터들을 토대로 기업들을 평가하는 것이 일반적이었으나, 최근 들어서 비재무적인 데이터를 토대로 기업을 평가하고 리스크를 분석하는 방법론이 부각되고 있다.

기업들이 공개하는 재무적 데이터에는 해당 기업에게 불리한 내용이 반영되지 않으며, 기업이 제공하는 재무 관련 보고서에 대한 신뢰성 또한 의문시되는 실정이다. 비재무 데이터를 통한 기업 분석이 필요한 이유를 살펴보면, 사람들의 인터넷을 통한 SNS 활동이 활발해지면서, 기업 또는 제품에 대한 특정한 소문이 퍼지거나 하는 사건 등에 의해 기업 평판이 흔들리는 경우도 있으며 기업 오너의 범죄나 건강 관련 소문들에 의해 해당 기업이 가지는 리스크가 높아지는 경우도 있으나 이와 같은 사건들은 재무적 데이터를 통해 분석하기 어려운 것이 현실이다.

따라서, 재무적인 데이터뿐 아니라 비재무적인 데이터를 통해 기업을 분석함으로써 보다 정밀한 기업 평가가 가능해질 수 있다.

이와 같은 흐름에서, 비재무 데이터들을 ESG(Environmnet, Social, Governance)의 세 주제로 나누어서 분석하는 방법론이 부각되고 있다.

ESG와 같은 비재무 데이터를 토대로 기업들에 대한 평가 보고서를 작성하는 기업들이 생겨났지만, 비재무 데이터는 주관적 성격이 강하고 보고서가 작성되는 속도도 상대적으로 느려 기업들이 이를 활용하기에 힘든 점들이 존재하였다. 이러한 단점들을 개선하기 위해 컴퓨터 프로그램 등이 인터넷 상에서 ESG에 관한 뉴스 기사들을 수집하여 자동으로 분석하여 기업 평가를 수행하게 함에 있어서도, 뉴스 기사들은 정형화된 데이터가 아니어서 뉴스 기사들의 분류와 평가를 자동화하는 과정에서 어려움이 다수 존재하였다.

본 발명의 일측면은 인터넷 상의 뉴스 기사들을 수집하여 이를 토대로 기업들에 대한 평가를 ESG 기반으로 수행하는 것을 목적으로 한다.

본 발명의 다른 목적은 수집한 뉴스 기사들 간의 유사도 분석을 통해 동일한 사건에 대해 다루고 있는 뉴스 기사들을 클러스터링하는 것이다.

본 발명의 또 다른 목적은 ESG 기업 평가를 수행하는 장치가 머신 러닝 알고리즘을 채택하고 학습을 수행하도록 함으로써, 수집한 뉴스들을 카테고리화 함에 있어서의 성능을 향상시키는 것이다.

본 발명의 또 다른 목적은 ESG 기업의 친환경 제품의 직거래 플랫폼을 제공하는 것이다.

본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 기업의 투명한 ESG 활동을 위한 서비스 및 거래 플랫폼은, 서비스 및 거래 플랫폼 어플리케이션이 설치되며, 기업의 제품을 구매하고자 하는 사용자가 소유하는 사용자 단말; 서비스 및 거래 플랫폼 어플리케이션이 설치되며, 기업이 소유하는 기업 단말; 및 상기 사용자 단말 및 상기 기업 단말에 설치되는 서비스 및 거래 플랫폼 어플리케이션과 연동되고, ESG(Environmnet, Social, Governance) 관점에서 기업을 평가하여 점수를 산출하는 ESG 기업 평가 장치를 포함하는 시스템 서버;를 포함하고,

상기 ESG 기업 평가 장치는, 인터넷 상에서 복수의 뉴스 기사들을 수집하여 날짜별 또는 기업별로 분류하고, 상기 뉴스 기사들 간의 유사도 분석을 통해 유사도가 기준치 이상인 뉴스 기사들에 대한 클러스터링을 수행하는 뉴스 수집부; 상기 뉴스 기사들 각각을 환경, 사회 또는 지배구조 중 어느 이슈와 관련된 것인지 분류하는 뉴스 분류부; 및 클러스터 단위로 해당 클러스터에 대한 ESG 리스크를 계산하고 계산한 값을 토대로 ESG 기업 평가 점수를 산출하는 평가 결과 도출부를 포함한다.

한편, 상기 시스템 서버는, 상기 기업 단말에 의해 저장되는 판매 제품 정보를 상기 사용자 단말로 제공하고, 상기 저장되는 판매 제품 정보에 대한 제품 거래 서비스를 제공하며, 상기 기업 단말로 상기 ESG 기업 평가 장치에서 산출하는 ESG 기업 평가 정보를 제공할 수 있다.

또한, 상기 뉴스 수집부는, 상기 뉴스 기사들이 작성된 언어에 해당하는 형태소 분석기를 이용하여 형태소 분석을 수 행하고, 형태소 분석 결과를 토대로 상기 뉴스 기사들 각각에 대한 벡터화를 수행하며, 상기 유사도 분석은 상 기 뉴스 기사들 각각에 대한 코사인 유사도 분석을 통해 수행할 수 있다.

또한, 상기 뉴스 분류부는, 상기 뉴스 기사들 각각을 환경, 사회 또는 지배구조 중 어느 이슈와 관련된 것인지를 분류한 후, 각각의 상기 이슈들을 세분화된 카테고리로 나누어 상기 뉴스 기사들 각각을 상기 카테고리로 분류할 수 있다.

또한, 상기 뉴스 분류부는. 상기 뉴스 기사들 각각을 환경, 사회 또는 지배구조 중 어느 이슈와 관련된 것인지를 분류하기 전, 특정 머신 러닝 알고리즘을 채택하고 연습용 데이터를 통해 학습을 수행하여 분류 능력을 향상시킬 수 있다.

또한, 상기 평가 결과 도출부는, 상기 뉴스 기사들에서 추출된 명사들에 대한 카테고리화를 수행하고, 각 카테고리 항 목에 포함되는 단어의 빈도수를 토대로 상기 카테고리 항목에 대한 순위 설정 또는 증거 레벨 산출을 클러스터 단위로 수행할 수 있다.

또한, 상기 평가 결과 도출부는, 상기 뉴스 기사들에서 추출된 명사들에 대한 카테고리화를 수행하고, 각 카테고리 항목에 포함되는 명사들을 기초로 클러스터 단위로 증거 레벨 산출을 수행하는 증거 레벨 산출부; 상기 증거 레벨 산출부가 추출한 상기 카테고리 항목을 기초로 하여 각 클러스터가 환경, 사회 또는 지배구조 중 어느 이슈에 포함되는지에 대한 확률을 계산하는 ESG 확률 산출부; 및 ESG 관련 리스크, 기업 리스크 및 기타 관련 문제에 대한 리스크를 각각 상이한 방식으로 계산한 후 이를 토대로 ESG 기업 평가 점수를 산출하는 점수산출부를 포함할 수 있다.

또한, 상기 기업 단말을 통해 상기 시스템 서버에 등록되는 제품 정보에 해당하는 제품의 보관 공간을 제공하고, 적어도 하나 이상의 스캐너를 포함하여 보관 중인 제품에 부착된 식별태그를 인식하여 상기 시스템 서버로 전송하는 제품 보관 장치;를 더 포함하고,

상기 제품 보관 장치는, 소정 두께의 판 형태로 구비되고 상부면에 제품의 적재 공간을 제공하는 복수의 적재 플레이트; 복수의 적재 플레이트를 상하 방향으로 연결하여 다층 구조를 형성하는 다리부; 및 상기 적재 플레이트와 바닥면을 경사지게 연결하는 경사부;를 포함하고,

상기 경사부는, 상기 적재 플레이트 측에 형성되는 필터부;및 바닥면 측에 형성되는 가이드벽;을 포함하고,

상기 필터부는, 양단에 고정되는 한 쌍의 링; 상기 한 쌍의 링 사이에 형성되며, 망체로 이루어진 원통 형상의 필터망; 상기 한 쌍의 링을 각각 상기 경사부에 회전 가능하게 설치하며, 소정의 구동모터에 의해 회전하며, 상기 한 쌍의 링과 벨트로 묶여 상기 한 쌍의 링을 각각 회전시켜 상기 필터망이 회전하도록 하는 한 쌍의 회전롤; 및 상기 한 쌍의 링 중 하측에 형성되는 링에 일단이 묶인 상태로 구비되는 다수의 절개편;을 포함하고,

상기 필터망은, 상기 적재 플레이트에 적재된 제품이 내부를 통과하여 하측으로 이동하는 동안 회전하면서 제품에 붙어있는 이물질을 털어낼 수 있다.

상술한 본 발명에 따르면 ESG 기업 평가가 자동화되어 수행됨으로써, ESG 기업 평가가 도출되는 속도가 향상될 수 있다.

또한, 머신 러닝에 의하여 뉴스 기사들을 분류하는 성능이 계속하여 향상되는 기업평가 장치가 제공될 수 있다.

또한, 다양한 종류의 언어로 작성된 뉴스 기사들에 대한 분석을 수행하여 이를 토대로 기업을 평가할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 ESG 기업 평가가 수행되는 흐름을 개략적으로 나타낸 개념도이다.
도 2는 본 발명의 일 실시예에 따른 EGS 기업 평가 모듈(100)의 구성을 개략적으로 표시한 블록도이다.
도 3은 증거 레벨 산출부(141)가 뉴스 기사들에서 추출된 명사들을 카테고리화 하는 방법을 설명하기 위한 도표이다.
도 4는 증거 레벨 산출부(141)가 카테고리 항목에 포함되는 단어의 개수를 토대로 항목의 순위를 설정하고, 정규화하며, 정규화한 수치를 토대로 증거 레벨을 산출하는 방법을 설명하기 위한 도표이다.
도 5는 본 발명의 일 실시예에 따른 ESG 확률 산출부(142)가 각 클러스터에 대한 ESG 확률 산출을 수행한 결과를 나타내는 도표이다.
도 6은 본 발명의 일 실시예에 따른 ESG 기업 평가 장치(100)가 뉴스 기사들을 수집하는 과정부터 ESG 기업 평가 점수를 도출하는 과정을 개략적으로 나타낸 블록도이다.
도 7은 본 발명의 일 실시예에 따른 서비스 및 거래 플랫폼의 개념도이다.
도 8은 본 발명의 일 실시예에 따른 제품 보관 장치를 보여주는 도면이다.
도 9는 본 발명에 따른 인공지능 기반의 쇼핑몰 상품구매 예측 플랫폼 제공 시스템의 구성을 설명하는 도면이다.
도 10은 도 9에 있는 상품구매 예측 플랫폼 제공 장치의 물리적 구성을 설명하는 블록도이다.
도 11은 도 9에 있는 상품구매 예측 플랫폼 제공 장치의 기능적 구성을 설명하는 블록도이다.
도 12는 도 9에 있는 상품구매 예측 플랫폼 제공 장치에서 수행되는 인공지능 기반의 상품구매 예측 플랫폼 제공과정을 설명하는 순서도이다.
도 13은 본 발명에 따른 인공지능 기반의 쇼핑몰 상품구매 예측 플랫폼 제공 시스템에서 사용하는 데이터 웨어하우스의 일 실시예를 설명하는 예시도이다.
도 14는 본 발명에 따른 상품구매 예측 플랫폼 제공 장치의 전체적인 동작을 설명하는 개념도이다.
도 15는 본 발명의 일 실시예에 따른 안전 로그인 시스템의 구성을 나타내는 도면이다.
도 16은 본 발명의 일 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.
도 17은 본 발명의 일 실시예에 따른, 안전 로그인 메뉴가 표시된 웹 페이지를 나타내는 도면이다.
도 18은 본 발명의 다른 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.
도 19는 본 발명의 또 다른 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.
도 20은 본 발명의 또 다른 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.

도 1은 본 발명의 일 실시예에 따른 ESG 기업 평가가 수행되는 흐름을 개략적으로 나타낸 개념도이다.

본 발명에서 개시하는 ESG 기업 평가는 컴퓨터 소프트웨어의 형태로 구현된 프로그램에 의해 자동화되어 수행될 수 있다.

즉, 도 1에서 예시되는 각각의 방법들은 ESG 기업 평가를 수행하는 ESG 기업 평가 장치(100)에 탑재된 소프트웨어에 의해 연산 처리됨으로써 수행될 수 있다.

도 1을 참조하면, ESG 기업 평가 장치(100)는 세 가지 단계를 통해 최종 기업 평가 결과를 산출할 수 있다.

도 1의 (a)를 살펴보면, ESG 기업 평가 장치(100)는 우선적으로 기업 평가를 수행할 기본 자료인 뉴스 기사들을 인터넷 상에서 수집할 수 있다.

ESG 기업 평가 장치(100)는 뉴스 기사들을 수집함에 있어, 형태소 분석 및 문서 간 유사도 계산 등을 통해 뉴스가 어떠한 기업에 대한 것인지, 어떠한 주제에 대한 것인지 등을 판단하고 일차적으로 유사한 기사들끼리 분류하는 클러스터링을 수행할 수 있다.

도 1의 (b)를 참조하면, ESG 기업 평가 장치(100)는 수집되어 일차적으로 클러스터링된 뉴스 기사들을 바탕으로, 보다 정밀한 뉴스 기사 분류 작업을 수행할 수 있다. ESG 기업 평가 장치(100)는 뉴스 기사 분류 작업을 수행함에 있어, 수집된 뉴스가 ESG와 관련된 것인지, 즉, 환경, 사회 또는 지배구조 중 적어도 어느 하나와 관련된 것인지를 우선적으로 판단하고, 이후에 수집된 뉴스가 환경, 사회, 지배구조 중 어느 주제와 관련이 있는지를 판단하여 분류할 수 있다.

최종적으로, ESG 기업 평가 장치(100)는 환경, 사회, 지배구조의 세가지 주제로 분류된 뉴스 기사 각각에 대해 보다 세밀한 카테고리 분류를 수행할 수 있다.

도 1의 (c)를 참조하면, ESG 기업 평가 장치(100)는 분류된 뉴스 기사들을 토대로, 최종적인 기업 평가 점수를 도출할 수 있다. 이 과정에서 ESG 기업 평가 장치(100)는 뉴스 기사에 포함된 주요 단어들에 대한 증거 레벨 산출, 뉴스 기사들이 환경, 사회, 지배구조 중 어디에 속할지에 대한 확률 산출 등을 클러스터 단위로 수행할 수 있다.

설명의 편의를 위해 본 발명의 ESG 기업 평가 장치(100)가 세 단계를 거쳐 최종적인 ESG 기업 평가 점수를 도출하는 것으로 도시하고 설명하였으나, 이와 같은 단계는 분할되거나 통합되어 이보다 적은 수 혹은 많은 수의 단계로 구현될 수 있음은 물론이다.

도 2는 본 발명의 일 실시예에 따른 EGS 기업 평가 모듈(100)의 구성을 개략적으로 표시한 블록도이다.

도 2를 참조하면, ESG 기업 평가 장치(100)는 제어부(110), 뉴스 수집부(120), 뉴스 분류부(130), 평가 결과 도출부(140), 통신부(150) 및 저장부(160)를 포함하여 구성될 수 있다. 또한, 뉴스 수집부(120)는 형태소 분석부(121), 기업 및 날짜 분류부(122) 및 뉴스 클러스터링부(123)를, 뉴스 분류부(130)는 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)를, 평가 결과 도출부(140)는 증거 레벨 산출부(141), ESG 확률 산출부(142) 및 점수 산출부(143)를 각각 포함할 수 있다.

설명의 편의를 위하여 ESG 기업 평가 장치(100) 내에서 각각의 역할을 수행하는 주체들을 ~부의 형태로 표시하였으나, 각각의 부분들은 ESG 기업 평가 장치(100) 내에서 동작하는 서브 프로그램 모듈들일 수 있다. 이러한 프로그램 모듈들은 각 동작을 수행하거나, 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하는 개념이지만, 이에 제한되지는 않는다.

일 실시예에 따른 제어부(110)는 뉴스 수집부(120), 형태소 분석부(121), 기업 및 날짜 분류부(122), 뉴스 클러스터링부(123), 뉴스 분류부(133), 이원 분류부(131), ESG 분류부(132), 카테고리 분류부(133), 평가 결과 도출부(140), 증거 레벨 산출부(141), ESG 확률 산출부(142), 점수 산출부(143), 통신부(150) 및 저장부(160) 간의 데이터 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(110)는 뉴스 수집부(120), 형태소 분석부(121), 기업 및 날짜 분류부(122), 뉴스 클러스터링부(123), 뉴스 분류부(133), 이원 분류부(131), ESG 분류부(132), 카테고리 분류부(133), 평가 결과 도출부(140), 증거 레벨 산출부(141), ESG 확률 산출부(142), 점수 산출부(143), 통신부(150) 및 저장부(160)에서 각각 고유한 기능을 수행하도록 제어할 수 있다.

일 실시예에 따른 뉴스 수집부(120)는 전술한 바와 같이 형태소 분석부(121), 기업 및 날짜 분류부(122) 및 뉴스 클러스터링부(123)를 포함할 수 있다. ESG 기업 평가 장치(100)가 기업 평가를 수행하기 위해서는 인터넷 상에서 발행되는 수많은 뉴스 기사들 중에 기업의 환경, 사회 또는 지배구조와 관련 있는 뉴스 기사만을 수집할 필요가 있으며, 신뢰할 수 있는 출처로부터 뉴스를 획득하여야 허위의 뉴스 등에 의한 잘못된 평가를 생성하지 않을 수 있다. 뉴스 수집부(120)는 인터넷 상에서 업데이트되는 뉴스 기사들을 주기적인 시간 간격을 가지고 수집할 수 있으며, 뉴스 기사들을 수집함에 있어 각각의 뉴스 기사가 발행된 날짜 정보, 해당 뉴스를 발행한 언론 매체 정보 등을 함께 수집할 수 있다. 뉴스 수집부(120)의 뉴스 기사 수집은 ESG 기업 평가 장치(100) 내의 통신부(150)를 통해 이루어질 수 있다.

형태소 분석부(121)는 수집한 뉴스 기사의 텍스트 전체를, 의미를 갖는 최소 단위인 형태소 단위로 분석할 수 있다. 일 실시예에 따른 형태소 분석부(121)는 한국어로 작성된 뉴스 기사를 분석할 경우, 다양한 한국어 형태소 분석기 중 하나를 선택하여 이를 통한 분석을 수행할 수 있다. 일 실시예에 따르면, 한국어 형태소 분석기로는 kiwi, HAM, HLX, Mecab 등 다양한 종류가 존재하는데, 형태소 분석부(121)는 이 중 하나를 이용하여 형태소 분석을 수행하고 그 결과를 활용할 수 있다. 다른 실시예에 따르면, 형태소 분석부(121)는 한국어가 아닌 다른 언어로 작성된 뉴스를 분석함에 있어서는 해당 언어에 해당하는 형태소 분석기를 이용하여 형태소 분석을 수행할 수 있다.

기업 및 날짜 분류부(122)는 수집된 뉴스 기사들을 기업별 및 날짜별로 분류할 수 있다. 기업 및 날짜 분류부(122)는 기업명들이 데이터베이스 형태로 구축되어 있는 기업 사전을 활용하여 특정 기사가 어느 기업에 대한 기사인지를 판단할 수 있다. 기업 및 날짜 분류부(122)는 특정 기사가 어느 기업에 대한 기사인지를 판단한 후, 해당 기사가 발행된 날짜를 확인하여, 기간별로 뉴스 기사들을 정리할 수 있다. 일 실시예에 따르면, 기업 및 날짜 분류부(122)는 기업별로 뉴스 기사들을 분류한 후에, 같은 기업에 관련된 뉴스를 일주일 기간 별로 혹은 한달 기간 별로 분류할 수 있다. 이와 같은 기간별 분류는 ESG 기업 평가 장치(100)가 추후에 기업 평가를 수행함에 있어 최신의 뉴스 기사가 가중치를 갖는 방식으로 계산하는데 활용될 수 있다.

뉴스 클러스터링부(123)는 수집된 뉴스 기사들에서 동일한 이슈를 다루는 관련 뉴스들을 하나의 클러스터로 구성할 수 있다.

뉴스 클러스터링부(123)는 다수의 뉴스 기사가 동일 이슈를 다루는 관련 뉴스인지를 확인하기 위해 뉴스 기사들간의 유사도 계산을 수행할 수 있다.

일 실시예에 따르면, 뉴스 클러스터링부(123)가 뉴스 기사들 간의 유사도 계산을 수행하는 방식은, 각 문서를 벡터화한 후 각 벡터간의 코사인 유사도 계산을 통하는 것일 수 있다.

뉴스 클러스링부(123)는 TF-IDF(Term Frequency - Inverse Document Frequency)를 이용하여 각 뉴스 기사를 벡터화 할 수 있다. TF(Term Frequency)는 특정한 단어가 문서 내에서 등장하는 빈도수를 나타내는 값으로, 이 값이 높을수록 문서에서 해당 단어가 중요하다고 여겨질 수 있다.

수집된 복수의 뉴스 기사들 내에서 특정 단어가 등장하는 빈도수를 DF(Document Frequency)로 나타낼 수 있는데, 이 값의 역수가 IDF(Inverse Document Frequency)이다.

특정 단어가 복수의 뉴스 기사들 사이에서 빈번하게 등장한다면 그 단어는 상투적인 단어가 되어 뉴스 기사에서 핵심적인 단어가 될 수 없기 때문에 DF가 아닌 IDF를 사용하는 것이다. TF-IDF는 TF와 IDF를 곱한 값으로 정의되며, 본 발명의 일 실시예에 따른 뉴스 클러스터링부(123)가 뉴스 기사에 대한 TF-IDF를 계산하는 방식은 수학식 1을 사용하는 것일 수 있다.

[수학식 1]

상기 수학식 1에서 tf_i.j는 뉴스 기사 j에서 단어 i가 등장하는 빈도를 나타내며, df_i는 뉴스 기사들로 구성된 집단에서 단어 i를 포함하고 있는 뉴스 기사의 수를 나타낸다.

뉴스 클러스터링부(123)는 상기 수학식 1을 토대로 각각의 뉴스 기사를 벡터화할 수 있으며, 각각의 뉴스 기사의 벡터값을 토대로 뉴스 기사들 간의 유사도를 계산할 수 있다.

[수학식 2]

일 실시예에 따르면, 뉴스 클러스터링부(123)는 상기 수학식 2를 통해 뉴스 기사들 간의 유사도를 계산할 수 있다. 수학식 2에서 A와 B는 각각의 벡터이며, A_i와 B_i는 각각 A와 B 벡터에서의 i번째 성분을 의미한다. 뉴스 기사들 간의 코사인 유사도는 0에서 1 사이의 숫자로 계산되며, 0은 뉴스 기사들이 서로 독립적인 경우, 1은 뉴스 기사들이 서로 완전히 동일한 경우를 의미한다.

뉴스 클러스링부(123)는 뉴스 기사들 간의 유사도를 계산한 후, 사전에 실험을 통해 설정된 기준값을 토대로 뉴스 기사들이 유사한지 아닌지를 판단할 수 있으며, 유사하다고 판단된 뉴스 기사들을 하나의 클러스터로 묶을 수 있다.

이하, 명세서에서 '클러스터'라 함은 뉴스 클러스터링부(123)에 의해 유사한 뉴스로 판단된 뉴스 기사들의 집합을 의미한다.

일 실시예에 따른 뉴스 분류부(130)는 전술한 바와 같이 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)를 포함할 수 있다. 뉴스 분류부(130)는 뉴스 수집부(120)에 의해 수집된 뉴스 기사들을 세 가지 기준에 따라 분류할 수 있다. 뉴스 분류부(130)는 이원 분류부(131)를 통해 뉴스 기사들을 일차적으로 분류하고, 다음으로 ESG 분류부(132)를 통해 분류하며, 최종적으로 카테고리 분류부(133)를 통해 분류할 수 있다. 이 과정에서 뉴스 기사들은 보다 세밀한 기준으로 분류될 수 있다.

이원 분류부(131)는 수집된 뉴스 기사 각각이 ESG와 관련된 것인지를 판단하여 참거짓(True or false)의 방식으로 분류할 수 있다. 즉, 이원 분류부(131)는 수집된 뉴스가 ESG 기업 평가에 사용될 수 있는 데이터인지를 판단하는데, 환경, 사회, 지배구조 중 적어도 하나와 관련이 있다고 판단하면 TRUE로 분류하고, 그렇지 않다면 FALSE로 분류할 수 있다.

따라서, 이원 분류부(131)는 스포츠, 연예, 정치, 예술 등과 같이 ESG 기업 평가에 있어 필요하지 않은 뉴스 기사들을 FALSE로 분류함으로써, ESG 기업 평가 장치(100)가 처리해야 할 뉴스 기사들의 양을 상당히 감소시킬 수 있다.

일 실시예에 따르면, ESG 분류부(132)는 이원 분류부(131)에서 TRUE로 분류된 뉴스 기사들을 환경, 사회, 지배구조의 세 이슈로 분류할 수 있다. 이후, 분류된 뉴스 기사들은 카테고리 분류부(133)에 의해 보다 세분화된 카테고리들로 분류될 수 있다. 즉, 환경, 사회, 지배구조의 이슈가 각각 보다 세밀한 하부 카테고리들로 나누어지며, 하나의 뉴스 기사는 카테고리 분류부(130)에 의해 하부 카테고리 중 어느 하나에 속하게 된다.

일 실시예에 따르면, 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)는 머신 러닝 알고리즘을 이용하여 뉴스 기사들의 분류를 수행할 수 있다.

이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)가 머신 러닝 알고리즘을 이용하여 분류를 수행하는 방식을 살펴보면, 우선적으로 자연어 분석을 통해 뉴스 기사에서 명사만을 추출할 수 있다. 일 실시예에 따르면, 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)는 한국어로 구성된 뉴스 기사에서 명사만을 추출함에 있어 자연어 분석 패키지의 한 종류인 KoNLP를 사용할 수 있다.

다른 실시예에 따르면, 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)는 다른 언어로 구성된 뉴스 기사에서 명사를 추출하기 위해서 해당 언어에 알맞은 분석 툴을 사용할 수 있다.

이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)는 뉴스 기사에서 명사만을 추출한 후에, 수학식 1을 통해 전술한 TF-IDF를 이용하여 행렬을 생성할 수 있다. TF-IDF를 이용하여 생성되는 행렬은 뉴스 클러스링부(123)에 의해 분류된 클러스터 별로 생성될 수 있다. 일 실시예에 따르면, 생성된 행렬에서 행에는 각각의 뉴스 기사에 포함된 단어(명사)가 나열될 수 있고, 열에는 각각의 단어(명사)에 대해 해당 단어가 포함되어 있는 뉴스 기사가 나열될 수 있다.

이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)는 이후, TF-IDF를 이용하여 생성한 행렬을 토대로 머신 러닝 알고리즘을 통해 각각의 분류부의 역할에 맞는 분류를 수행할 수 있다. 일 실시예에 따르면, 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)는 특정 머신 러닝 알고리즘을 채용한 후 사용자가 미리 분류해 놓은 연습용 데이터를 입력받아 학습을 수행함에 따라 분류 능력이 향상될 수 있다. 이후, 연습용 데이터를 통해 일정 정도 학습을 수행하고 난 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)에는 테스트 데이터가 입력될 수 있으며, 테스트를 통과한 각 분류부는 해당 머신 러닝 알고리즘을 통해 뉴스 기사들의 분류를 수행할 수 있다.

일 실시예에 따르면, 이원 분류부(131), ESG 분류부(132) 및 카테고리 분류부(133)는 Multinomial Bayes, Bernoulli Bayes, SGD(Stochastic Gradient Descend), Linear SVC, Perceptron, Random Forest 등의 머신 러닝 알고리즘 중 하나를 선택하여 채용할 수 있다.

일 실시예에 따른 평가 결과 도출부(140)는 뉴스 수집부(120)에 의해 수집되어 뉴스 분류부(130)에 의해 카테고리별로 분류된 뉴스 기사들을 토대로, ESG 기업 평가를 수행할 수 있다. 즉, 평가 결과 도출부(140)는 ESG 관련 기사를 토대로 기업별 점수화를 수행하며 점수를 통해 기업 평가를 수행할 수 있다. 전술한 바와 같이 평가 결과 도출부(140)는 증거 레벨 산출부(141), ESG 확률 산출부(142) 및 점수 산출부(143)를 포함할 수 있다.

증거 레벨 산출부(141)는 뉴스 기사들에서 추출된 명사들을 복수개의 단어 카테고리로 분류할 수 있다. 일 실시예에 따르면, 증거 레벨 산출부(141)는 환경 피해(Environment Damage, D_Env), 회사 이해관계인(Company Stakeholder, S_Company), 일반적인 피해(General Dagmae, D_gen) 등으로 명사들을 분류할 수 있다.

도 3은 증거 레벨 산출부(141)가 뉴스 기사들에서 추출된 명사들을 카테고리화 하는 방법을 설명하기 위한 도표이다.

도 3을 참조하면, 증거 레벨 산출부(141)는 추출된 명사들이 ESG 중 어느 항목에 해당하는지와, 해당 항목에서도 어떠한 요소와 관련이 있는지를 판단하여 최종적으로 카테고리화를 수행할 수 있다. 이와 같은 명사들의 카테고리화는 전술한 카테고리 분류부(133)가 수행하는 카테고리화와는 상이할 수 있다. 즉, 카테고리 분류부(133)가 수행하는 카테고리화는 각 뉴스 기사들을 환경, 사회, 지배구조의 이슈보다 세밀한 하부 카테고리들로 분류한 것이고, 증거 레벨 산출부(141)가 수행하는 카테고리화는 뉴스 기사들에서 추출된 명사들에 대한 카테고리화일 수 있다.

즉, 카테고리 분류부(133)는 뉴스 기사들 각각에 대한 카테고리화를 수행하며, 증거 레벨 산출부(1410는 명사들에 대한 카테고리화를 수행하는 것으로 카테고리에 속하는 개체들이 각각 뉴스 기사와 명사로 상이할 수 있다.

일 실시예에 따르면, 증거 레벨 산출부(141)는 상기와 같은 카테고리화를 수행한 후, 뉴스 클러터링부(123)에 의해 분류된 뉴스 기사들의 집합인 클러스터별로 각 카테고리 항목에 몇 개의 단어가 포함되는지를 계산할 수 있다.

이와 같은 단어는 도 3에 표시된 것과 같이 증거 레벨 산출부(141)에 의해 추출되어 카테고리화가 완료된 명사들일 수 있다.

증거 레벨 산출부(141)는 카테고리 항목에 포함되는 단어의 개수를 토대로 각 카테고리 항목의 순위를 설정할 수 있고, 단어의 개수를 정규화하여 정규화된 수치를 토대로 각 카테고리 항목의 증거 레벨을 산출할 수 있다.

도 4는 증거 레벨 산출부(141)가 카테고리 항목에 포함되는 단어의 개수를 토대로 항목의 순위를 설정하고, 정규화하며, 정규화한 수치를 토대로 증거 레벨을 산출하는 방법을 설명하기 위한 도표이다.

도 4를 참조하면, 하나의 클러스터에 대해서 각각의 카테고리별로 몇 개의 단어가 포함되어 있는지, 어떠한 단어가 포함되어 있는지가 표시되어 있으며, 포함된 단어의 개수를 토대로 카테고리별 순위가 설정되어 있다.

또한, 각 카테고리별 포함된 단어의 개수가 정규화된 수치로 나타나 있으며, 이와 같은 정규화 수치를 토대로 증거 레벨이 표시되어 있다.

증거 레벨 산출부(141)는 정규화된 수치를 일정한 기준치에 따라 구간별로 분류하여증거 레벨을 산출할 수 있다.

ESG 확률 산출부(142)는 증거 레벨 산출부(141)에서 사용하는 카테고리의 항목을 토대로 유사한 뉴스들의 집합인 각 클러스터가 환경, 사회 또는 지배구조 중 어느 이슈에 속할지에 대한 확률을 산출할 수 있다.

ESG 확률 산출부(142)는 각 클러스터가 ESG 중 어느 이슈에 속할지에 대한 확률을 산출하기 전, 증거 레벨 산출부(141)가 사용한 카테고리 항목을 보다 적은 수의 집합으로 규정할 수 있다.

일 실시예에 따르면, 이와 같은 집합들은 환경, 사회, 지배구조, 기업 리스크 및 기타 관련 문제로 분류될 수 있다.

[수학식 3]

ESG 확률 산출부(142)는 상기 수학식 3을 이용하여 특정 클러스터에 대한 환경, 사회 또는 지배구조 이슈에 대한 증거 레벨을 산출할 수 있다.

ESG 확률 산출부(142)가 환경에 대한 증거 레벨을 산출하는 방법을 예로 들면, 수학식 3에서 C_i는 환경에 대한 카테고리 중 i번째 카테고리를 의미하고, n은 환경에 관한 카테고리의 개수를 의미하며, E(C_i)는 환경에 대한 i번째 카테고리의 증거 레벨로 증거 레벨 산출부(141)에서 전술한 바와 같이 산출된 것을 의미한다.

즉, 증거 레벨 산출부(141)에서 산출한 증거 레벨은 추출된 명사를 분류하는데 이용한 카테고리들에 대한 증거 레벨이며, ESG 확률 산출부(142)가 산출하는 증거 레벨은 환경, 사회, 지배구조의 세 종류의 이슈에 대한 증거 레벨이다.

ESG 확률 산출부(142)는 각 클러스터가 환경, 사회, 지배구조의 세 종류 중 어느 것과 관련있는지에 대한 확률을 산출할 수 있다.

[수학식 4]

ESG 확률 산출부(142)는 상기 수학식 4를 이용하여 각 클러스터의 ESG 확률을 산출할 수 있다.

도 5는 본 발명의 일 실시예에 따른 ESG 확률 산출부(142)가 각 클러스터에 대한 ESG 확률 산출을 수행한 결과를 나타내는 도표이다.

도 5를 참조하면, 복수의 클러스터들에 대해서, 환경, 사회, 지배구조의 세 종류의 이슈에 대한 증거 레벨과 그에 따른 ESG 확률이 나타나 있다. 특정 클러스터가 환경, 사회, 지배구조 이슈 중 어느 것과 관련 있는지에 대한 확률을 모두 더하면 1이 되는 것을 확인할 수 있다.

일 실시예에 따른 점수 산출부(143)는 ESG 기업 평가의 최종 단계인 ESG 기업 평가 점수를 계산하기에 앞서, 각종 보조 지표들을 계산한 후에 계산된 보조 지표들을 이용하여 ESG 기업 평가 점수를 계산할 수 있다. 상기와 같은 보조 지표들 및 ESG 기업 평가 점수는 전술한 바와 같이 계산된 증거 레벨 및 ESG 확률을 통해 계산될 수 있다.

일 실시예에 따르면, 각종 보조 지표들은 ESG 리스크 점수, 기업 리스크 점수 및 관련성 점수 등으로 구성될 수 있다.

이와 같은 보조 지표들은 상기와 같은 세 종류에 한정되는 것은 아니고 다양한 수와 계산 방식으로 정의될 수 있음은 물론이다.

[수학식 5]

일 실시예에 따르면, 점수 산출부(143)는 최종적으로 상기 수학식 5와 같은 방식으로 ESG 기업 평가 점수를 산출할 수 있다.

수학식 5에서 ESGrisk, CompanyRisk, Relevance는 각종 보조 지표들을 나타낸다. 수학식 5에서 ESGrisk, CompanyRisk, Relevance는 각종 보조 지표들을 나타낸다. ESGrisk는 특정 클러스터로 분류된 뉴스 기사들의 집합이 환경, 사회, 기업구조와 관련하여 얼마만큼의 위험성을 갖는지를 각각 계산하여 합산한 값일 수 있고, CompanyRisk는 ESG 확률 산출부(142)가 규정한 집합들 중 기업 리스크에 관련된 집합과 해당 집합으로 분류된 단어 카테고리들과 관련된 값일 수 있으며, Relevance는 ESG 확률 산출부(142)가 규정한 집합들 중 기타로 분류된 집합과 해당 집합으로 분류된 단어 카테고리들과 관련된 값일 수 있다.

일 실시예에 따른 통신부(150)는 ESG 기업 평가 장치(100)와 외부 장치 간의 통신이 가능하도록 한다. 구체적으로는, ESG 기업 평가 장치(100)가 해당 장치의 사용자 단말기와 통신할 수 있도록 하며, 인터넷 연결을 통해 뉴스 수집부(120)가 발행되는 뉴스를 수집할 수 있도록 한다.

일 실시예에 따른 저장부(160)는 ESG 기업 평가 장치(100)의 동작에 있어 필요한 데이터들을 저장할 수 있다.

저장부(160)는 수집한 뉴스 기사, 뉴스 기사들에 대한 분류 정보, 점수화 정보, 머신 러닝 알고리즘들의 학습이력 등을 데이터의 형식으로 보관할 수 있다.

전술한 바와 같은 방식으로, ESG 기업 평가 장치(100)는 유사한 기사들의 집합인 각 클러스터 별로 ESG 기업 평가 점수를 최종적으로 도출할 수 있다.

도 6은 본 발명의 일 실시예에 따른 ESG 기업 평가 장치(100)가 뉴스 기사들을 수집하는 과정부터 ESG 기업 평가 점수를 도출하는 과정을 개략적으로 나타낸 블록도이다.

도 6을 참조하면, ESG 기업 평가 장치(100)는 기업 평가를 수행함에 있어 기초가 되는 데이터인 뉴스 기사들을 인터넷 상에서 정기적 또는 비정기적인 시간 간격을 가지고 수집할 수 있다(S601).

이후, ESG 기업 평가 장치(100)는 수집한 뉴스 기사들을 기업별 및 날짜별로 분류할 수 있으며(S603), 수집한 뉴스 기사들이 작성된 언어에 따라 알맞은 형태소 분석기를 사용하여 해당 기사를 분석할 수 있다(S605).

ESG 기업 평가 장치(100)는 형태소 분석이 완료된 뉴스 기사들을 토대로 각 뉴스 기사를 벡터화 한 후, 벡터들간의 유사도 분석을 통해 뉴스 기사들 간의 유사도를 계산하여, 관련 뉴스들끼리 모아서 클러스터화를 수행할 수 있다(S607).

이 과정에서, ESG 기업 평가 장치(100)는 TF-IDF를 이용하여 각 뉴스 기사를 벡터화 할 수 있으며, 코사인 유사도 계산을 통해 각 뉴스 기사 간의 유사도를 계산할 수 있다.

ESG 기업 평가 장치(100)는 수집한 뉴스 기사들 각각이 환경, 사회 및 지배구조 중 어느 이슈에 속하는 것인지와, 환경, 사회 및 지배구조 이슈 각각에 속하는 세부 카테고리 중 어디에 속하는 것인지를 분류할 수 있다(S609).

이 과정에서 ESG 기업 평가 장치(100)는 선결적으로 각 뉴스 기사가 ESG 기업 평가를 수행하는데 관련이 있는 기사인지 아닌지를 TRUE or FALSE 형태로 분류할 수 있으며, 각 분류 단계에서 알맞은 머신 러닝 알고리즘을 채택하고 연습용 데이터를 생성하여 ESG 기업 평가 장치(100)가 해당 알고리즘을 통해 학습을 수행하도록 할 수 있다.

EGG 기업 평가 장치(100)의 사용자는 머신 러닝 알고리즘과 연습용 데이터들을 통해 학습을 수행한 ESG 기업 평가 장치(100)를 테스트 데이터들을 통해 검증하고, 이를 통해 S609 단계의 각 분류가 수행되도록 할 수 있다.

ESG 기업 평가 장치(100)는 S607 단계에서 분류된 각 클러스터 단위로, 해당 클러스터의 ESG 이슈 각각에 대한 증거 레벨값을 산출하고, 해당 클러스터에 대한 ESG 확률값을 산출할 수 있다(S611).

이 과정에서 ESG 기업 평가 장치(100)는 뉴스 기사들에서 추출된 명사들을 복수개의 단어 카테고리로 분류하고 이를 환경, 사회, 지배구조, 기업 리스크, 기타 관련 문제와 같은 집합들로 분류할 수 있다. 이후, ESG 기업 평가 장치(100)는 상기 집합들 중에서 환경, 사회, 지배구조에 대한 증거 레벨값을 산출하고 ESG 확률값 또한 산출할 수 있다.

최종적으로, ESG 기업 평가 장치(100)는 S611 단계에서 산출한 증거 레벨값 및 ESG 확률값 등을 토대로 최종적인 ESG 기업 평가 점수를 산출할 수 있다(S613).

이 과정에서 ESG 기업 평가 장치(100)는 S611 단계에서 산출한 ESG 확률값과, 기업 리스크로 분류한 집합의 증거 레벨값 등을 활용할 수 있다.

본 발명의 일 실시예에 따르면, ESG 기업 평가 장치(100)는 ESG 기업 평가 결과를 활용하는 개인 또는 기업이 특정 기업에 대해 평가 점수가 나온 근거를 요구할 때에 해당 점수가 나오는 근거를 제공하는 기능을 포함할 수 있다.

즉, 특정 기업의 기사들에 대한 평가 점수가 산출되었을 때에, 해당 평가 점수는 기사들에 존재하는 특정 단어의 빈도수에 따라 영향을 많이 받았다는 정보를 제공할 수 있으며, 해당 단어가 포함되는 기사들을 검색하여 젝공할 수도 있다.

이와 같이, 본 발명의 실시예들에 의해 개시된 ESG 기업 평가 장치(100)가 자동화된 기업 평가를 수행함으로써, 인터넷 상에서 특정 기업에 대한 유사한 뉴스 기사들이 발행되었을 때에, 해당 뉴스 기사들이 환경, 사회, 지배구조 중 어느 이슈에 대한 것이고 해당 이슈에 대한 리스크가 얼마나 중대한 것인지를 판단할 수 있게 된다.

도 7은 본 발명의 일 실시예에 따른 서비스 및 거래 플랫폼의 개념도이다.

도 7을 참조하면, 본 발명의 일 실시예에 다른 서비스 및 거래 플랫폼은 사용자 단말(10), 시스템 서버(20) 및 기업 단말(30)을 포함할 수 있다.

사용자 단말(10)은 직거래를 통해 기업의 제품을 구매하고자 하는 사용자가 소유하는 단말에 해당하며, 개인, 단체일 수 있고, 서비스 및 거래 플랫폼 어플리케이션(11)이 설치될 수 있다.

기업 단말(30)은 기업이 소유하는 단말에 해당하며, 서비스 및 거래 플랫폼 어플리케이션(31)이 설치될 수 있다.

시스템 서버(20)는 사용자 단말(10) 및 기업 단말(30)에 설치되는 어플리케이션(11, 31)과 연동되는 것으로써, 기업 단말(30)에 의해 저장되는 판매 제품 정보를 사용자 단말(10)로 제공할 수 있다. 또한, 시스템 서버(20)는 어플리케이션(11)을 통해 사용자 단말(10)로 제품 거래 서비스를 제공할 수 있다.

시스템 서버(20)는 도 1 내지 도 6에 도시된 ESG 기업 평가 장치(100)를 포함할 수 있다.

시스템 서버(20)는 기업 단말(30)로 ESG 기업 평가 장치(100)에서 수행하는 ESG 기업 평가 정보를 제공할 수 있다.

한편, 본 발명의 다른 실시예에 따른 서비스 및 거래 플랫폼은 도 7에 도시된 사용자 단말(10), 시스템 서버(20) 및 기업 단말(30)에 더하여 제품 보관 장치를 더 포함할 수 있다.

제품 보관 장치는 통상의 창고 구조체 형태로 형성될 수 있으며, 기업 단말(30)을 통해 시스템 서버(20)에 등록되는 제품 정보에 해당하는 제품의 보관 공간을 제공한다.

이때, 제품 보관 장치에 보관되는 제품은 각각 식별태그가 부착될 수 있으며, 제품 보관 장치는 적어도 하나 이상의 스캐너를 포함하여 식별태그 정보를 인식할 수 있다.

제품 보관 장치는 스캐너를 통해 인식한 식별태그 정보를 시스템 서버(20)로 전송할 수 있으며, 시스템 서버(20)는 제품 보관 장치로부터 수신하는 식별태그 정보를 이용하여 제품의 입출과 관리를 수행할 수 있다.

도 8은 본 발명의 일 실시예에 따른 제품 보관 장치를 보여주는 도면이다.

도 8을 참조하면, 본 발명의 일 실시예에 따른 제품 보관 장치(50)는 적재 플레이트(51) 및 다리부(52)를 포함할 수 있다.

적재 플레이트(51)는 소정 두께의 판 형태로 구비될 수 있으며, 상부면에 제품(P)의 적재 공간을 제공한다.

다리부(52)는 복수의 적재 플레이트(51)를 상하 방향으로 연결하여 다층 구조를 형성할 수 있다.

또한, 본 발명의 일 실시예에 따른 제품 보관 장치(50)는 적재 플레이트(51)와 지면을 경사지게 연결하는 경사부(53)를 더 포함할 수 있다.

경사부(53)는 적재 플레이트(51)와 지면을 연결하여 적재 플레이트(51)에 적재되어 있는 제품(P)을 쉽게 지면으로 내릴 수 있도록 한다.

경사부(53)는 적재 플레이트(51) 측에 형성되는 필터부(530) 및 바닥면 측에 형성되는 가이드벽(54)을 포함할 수 있다.

필터부(530)는 양단에 링(531)이 고정되고, 링(531) 사이에는 망체로 이루어진 원통 형상의 필터망(532)이 형성될 수 있다.

양 단의 링(531)은 각각 두 개의 회전롤(534)에 의해 회전가능하게 지지되며, 두 개의 회전롤(534)은 경사부(53)에 지지 고정될 수 있다.

두 개의 회전롤(534) 및 링(531)은 벨트로 묶여, 회전롤(534)이 회전하는 경우, 필터망(532)이 전체적으로 회전할 수 있게 된다. 이‹š, 두 개의 회전롤(534) 중 어느 하나의 회전축에는 구동모터(미도시)가 연결되어 이를 구동시킬 수 있도록 구성된다.

양 단의 링(531) 중 하측의 링(531)에는 다수의 절개편(533)이 너풀거리도록 일단이 묶인 상태로 구비된다.

다수의 절개편(533)은 필터망(532)을 통과하여 경사부(53)를 따라 이동하는 제품과 접촉하면서 제품의 이동속도를 낮출 수 있다.

이와 같은 필터부(530)는 필터망(532)에 제품(P)이 통과하여 하측으로 이동하는 동안 회전하면서 제품(P)에 붙어 있는 이물질 등을 털어내는 역할을 한다.

또한, 적재 플레이트(51)는 알람부(510)를 더 포함할 수 있다.

알람부(510)는 적재 플래이트(51)에 내장 설치될 수 있다. 이에 따라 제품(P)은 알람부(510)의 상측에 적재되는데, 알람부(510)는 적재된 제품(P)에 가해지는 외부 충격, 또는 제품(P)이 무너지는 것을 감지하여 알람을 발생시킴으로써 관리자에 의해 적절한 조치가 취해지도록 한다.

알람부(510)는 에어탱크(511), 소리부(520), 감지부(530) 및 커버(540)를 포함할 수 있다.

에어탱크(511)는 공기를 소정의 압력으로 저장할 수 있도록 팽창과 수축이 가능한 재질로 이루어진다. 즉, 에어탱크(511)는 금속재로도 가능하나 원가절감을 위해 수지재로 형성하는 것이 바람직하며, 후술하는 소리 모듈(523)이 약 30~60초간 100~160dB 정도의 경보음을 발생할 수 있는 용량과 압력을 지니도록 구비하는 것이 좋다.

그리고 주입밸브는 에어탱크(511)에 공기를 소정의 압력으로 충진시키는 것으로, 적재 플레이트(51)의 외주면으로 노출되게 구비한다.

즉, 주입밸브는 후술하는 에어관(521)에 의해 에어탱크(511)와 긴밀하게 연결된다. 이러한 주입밸브는 통상의 주입펌프와 호환이 가능한 프레스타(Presta), 슈레더(Schrader), 던롭(Dunlop) 타입으로 형성하는 것이 바람직한데, 대표적으로 공기 주입이 용이함과 동시에 압력을 조절할 수 있는 슈레더(Schrader) 타입이 좋다. 이러한 주입밸브는 슈레더타입 외에도 프레스타 또는 던롭타입으로도 충분히 가능하며, 경우에 따라 수지재로 이루어진 통상의 물놀이용 튜브타입으로도 가능하다. 즉, 튜브타입은 관내부에 유동막을 형성하여 공기가 주입되면 저항 없이 신속하게 주입되도록 자동으로 확장관이 되고, 반대로 주입이 완료되면 공기가 배출되지 않도록 자동으로 축소관이 되는 구조이다. 물론, 배출 시에 사용자가 튜브의 측면을 가압시켜 임의로 확장관이 되게 하면 신속하게 배출(압력조절)할 수도 있다. 어느 경우에나 당업자는 통상의 주입펌프와 호환성을 지니면서도 내구성과 원가절감을 고려하여 선택적으로 이용할 수가 있다.

본 발명에 따른 소리부(520)는 상기 에어탱크(511)를 에어관(521)와 소리 모듈(523)에 연결하고, 에어관(521)상에 경보밸브(525)를 구비한다.

소리부(520)는 외부 충격이 작용할 때 경보음이 울릴 수 있도록 경보 기능을 수행하는 것으로, 적재 플레이트(51)의 하부에 구비된 공간으로 소리 모듈(523)과 경보밸브(525)를 구비하고, 이들을 에어관(521)를 통하여 에어탱크(511)와 모두 연결되게 구비한다.

에어관(521)는 에어탱크(511)와 주입밸브가 교차되게 연결된 상태에서 일단이 분기되어 경보밸브(525)의 입구와 연결되고, 소리 모듈(523)은 경보밸브(525)의 출구와 연결된다.

이러한 에어관(521)는 연질의 튜브(tube)나 호스(hose)를 이용하거나 경질의 파이프(pipe)를 이용할 수 있는데, 설치가 용이하고 저렴한 연질재를 이용하는 것이 바람직하다. 또, 에어탱크(511)와 주입밸브를 교차시키거나 분기하기 위해서는 Y형 또는 X형의 유니온(union)이나 니블(nipple)을 이용하여도 무방하나, 설치와 정비가 탁월한 원터치형 피팅(fitting)을 이용하는 것이 바람직하다.

한편, 에어관(521)는 에어탱크(511)의 적정 공기압이 유지되는지 확인하기 용이하도록 적재 플레이트(51)상에 압력게이지를 더 연결할 수도 있다. 허나, 에어탱크(511)의 내구성이 충분하다면 공압으로 팽창하는 정도를 육안으로 확인하거나, 주입펌프 작동힘으로 충분히 유추할 수 있으므로 압력게이지를 생략할 수 있다.

소리 모듈(523)은 소정의 압력의 공기가 전달(주입)되면, 배출과 함께 전달된 공기 압력의 비례되는 크기의 소리를 발생하는 것으로 일반 휘슬, 호르라기, 사이렌 등의 다양한 형태의 경보음을 발생하는 구조를 가진다. 이러한 소리 모듈(523)은 적재 플레이트(51)의 하부에 충분히 장착할 수 있도록 소형의 구조를 지니면서도 적은 압력으로도 90dB이상의 소리를 발생하는 것을 이용한다. 무엇보다 주변이 시끄러운 환경에서도 작업자가 충분히 경보음을 들을 수가 있도록 저주파 보다는 고주파음으로 발생하는 것이 바람직하다.

경보밸브(525)는 외부 충격이 작용할 때 후술하는 감지부(30)와 연동하여 에어탱크(511)의 공기를 소리 모듈(523)에 전달되게 개방시켜 준다.

즉, 경보밸브(525)는 평상 시 에어탱크(511)의 공기가 소정의 압력으로 저장시켜줌과 함께 에어탱크(511)의 공기가 소리 모듈(523)에 전달되지 못하도록 에어관(521)를 폐쇄시켜 주고, 외부 충격이 작용하면 에어탱크(511)의 공기를 소리 모듈(523)에 전달시켜 경보음이 발생되게 한다.

이때, 본 발명에 의한 상기 소리부(520)의 경보밸브(525)는 중앙에 탄성적으로 유동하여 유로를 개폐하는 유동구(525a)를 구비하고, 상기 유동구(525a)와 맞물려 유동되게 유도하는 작동바(526)를 긴밀하게 수용하는 보조밸브(527)를 구비한다.

경보밸브(525)는 중앙에 스프링이 탄지되어 일방향의 탄성력을 지닌 유동구(525a)를 구비하는데, 이러한 유동구(525a)의 전ㆍ후방 유동(도면기준 좌ㆍ우측)에 따라 유로를 개방 또는 폐쇄하는 슈레더타입으로 이루어진다. 즉, 슈레더타입은 유체의 역류를 방지하기 위해 한쪽 방향으로만 흐르게 하는 체크밸브와 유사한 구조를 지니는데, 중앙에 탄성적으로 유동하여 유로를 개폐하는 유동구(525a)가 출구에서 임의대로 조절할 수 있도록 돌출(노출)된다.

여기서 경보밸브(525)는 후술하는 감지부(530)와 연동하면서 유동구(525a)와 맞물려 유동되게 유도하는 작동바(526)를 긴밀하게 수용하고, 소리 모듈(523)과 연결되도록 유도하는 보조밸브(527)가 결합된다.

보조밸브(527)는 중앙에 전ㆍ후방 유동(도면기준 좌ㆍ우측)하는 작동바(526)를 구비하는데, 작동바(526)의 일단은 유동구(525a)와 맞물리고 타단은 감지부(530)와 맞물린다.

이러한 작동바(526)는 보조밸브(527)의 내주면과 긴밀하게 맞물리는 오링(526a)이 개재되어 전ㆍ후방으로 유동되어도 공기의 유출을 억제할 수가 있다.

즉, 감지부(530)에 의해 작동바(526)가 유동구(525a)를 후퇴시켜 경보밸브(525)의 유로가 개방되면, 에어탱크(511)의 공기가 보조밸브(527)를 지나 에어관(521)를 통과하면서 소리 모듈(523)으로 전달하게 된다. 이러한 작동바(526)의 전ㆍ후방 유동에 관련해서는 감지부(530)와 함께 후술하여 보다 상세하게 설명하겠다.

또, 본 발명에 따른 감지부(530)는 상기 적재 플레이트(51)상에 노출되게 구비하고, 외부로부터 충격을 감지해 경보밸브(525)를 개폐되게 구비한다.

감지부(530)는 외부 충격이 작용할 때 경보밸브(525)를 개방시켜 경보음이 울릴 수 있도록 경보 기능을 수행하는 것으로, 적재 플레이트(51)상에 일부 노출되게 구비한다.

즉, 감지부(530)는 적재 플레이트(51)에 적재된 제품(P)에 외부로부터 충격이 발생되면 이를 실시간으로 감지하고 즉시, 경보밸브(525)를 작동시키는 기능을 동시에 수행한다.

이때, 본 발명에 따른 감지부(530)는 기계식 또는 전기ㆍ전자식 중에서 선택적으로 구비한다.

즉, 감지부(530)는 기계식과 전기ㆍ전자식으로 나눌 수가 있는데, 전기ㆍ전자식은 다회성으로 작동 후에도 별도의 설정이 없이 연속 재사용이 가능한 이점은 있으나, 부품의 비용이 고가이고 상시 배터리를 체크 및 충진해야 되며, 무엇보다 습기나 먼지 등으로 오작동을 일으킬 가능성이 높아 야외 같은 열악한 환경에서 사용하기에는 다소 무리가 따른다. 반면에 기계식은 부품의 비용이 저렴하고 어떠한 환경에서도 구애받지 않고 작동되는 높은 신뢰성과 관리성을 지니나, 일회성이라 작동 후에는 수동으로 재설정해야 되는 단점은 있다.

한편, 감지부(530)는 기계식으로 구현하는 것이 가장 바람직하므로 이하, 기계식으로 한정한다. 물론, 당업자는 전기ㆍ전자식에 경우에도 쉽게 도출할 수가 있으므로 배제하지는 않는다. 즉, 전기ㆍ전자식의 경우엔 별도의 도면으로 도시하지 않았지만, 경보밸브(525)를 솔레노이드 타입으로 구비하고 배터리와 함께 충격센서 또는 위치센서를 내장한 PCB로 구현하면 된다.

또는 에어방식의 소리 모듈(523) 대신에 전자방식의 스피커를 채용하고, 경보밸브(525)를 모두 생략하는 구조로도 가능하다. 이처럼 당업자는 감지부(530)를 기계식으로 한정하나 사용처에 따라 전기ㆍ전자식으로도 충분히 가능하다.

이러한 감지부(530)는 적재 플레이트(51)의 하부에 구비된 공간으로 경보밸브(525)와 인접되는 위치에서 상호 연동되게 구비하는데, 그 일부가 적재 플레이트(51)의 상측이나 일측면으로 노출되게 구비한다. 물론, 감지부(530)가 전기ㆍ전자식에 경우엔 적재 플레이트(51)의 공간에 모두 함몰되게 구비할 수도 있지만, 기계식에 경우엔 작동된 후에 수동으로 재설정이 필요함에 따라 조작이 용이하도록 노출되게 구비하는 것이 바람직하다. 이와 같은 조작에 관련해서는 후술하여 보다 상세하게 설명하겠다.

이때, 본 발명에 의한 상기 감지부(530)는 케이싱(531)상에 상하좌우로 유동 가능하게 장착되는 감지추(532)와, 감지추(532)에 하부로 탄성적으로 접촉하며 회전 운동하는 회전대(533)를 구비한다.

감지부(530)는 외부 충격이 작용할 때 경보밸브(525)를 개방시켜 경보음이 울릴 수 있도록 경보 기능을 수행하는 것으로, 적재 플레이트(51)의 하부에 구비된 공간으로 경보밸브(525)와 인접되는 위치에서 케이싱(531)을 구비한다.

케이싱(531)은 원형, 타원형, 각형으로 내부에 감지공간(S1)과 작동공간(S2)을 각각 구비한다. 감지공간(S1)에 하부 중앙에는 내ㆍ외부로 관통된 통공(H)을 구비하고, 상부에는 십자형 또는 원형의 덮개(C)가 개재된다.

이러한 감지공간(S1)으로 감지추(532)가 내장되는데, 감지추(532)는 소정의 중량을 지녀 외부 충격에 따라 상하 및 전후좌우로 자유롭게 유동하게 된다. 여기서 감지추(532)의 하부 정중앙 외주부에 소정의 깊이로 형성된 원형의 단턱(532a)을 구비한다.

그리고 감지공간(S1)의 인접하는 위치에 작동공간(S2)을 구비하는데, 작동공간(S2)에는 힌지에 의해 회전 운동하는'ㄷ'형의 회전대(533)가 장착되며, 일단에 경보밸브(525)의 유동구(525a)와 맞물려 직선 운동하는 작동바(526)가 노출된 상태로 구비한다.

여기서 회전대(533)는 스프링에 의해 일방향의 탄성력을 지니게 되는데, 힌지를 기점으로 일단(좌측)이 통공(H)에 내재되어 감지추(532)의 하부 정중앙을 탄성적으로 접촉하고, 타단(우측)은 작동바(526)의 일단과 선택적으로 접촉된다.

즉, 초기에는 회전대(533)의 일단이 스프링에 의해 감지추(532)의 하부 정중앙을 가압한 상태를 지니다가 외부로부터 충격이 작용되면, 감지추(532)가 감지공간(S1)상에서 유동하게 되고, 이 과정에서 회전대(533)의 일단이 감지추(532)의 하부 정중앙을 어긋나 단턱(532a)으로 수용된다.

즉, 회전대(533)의 일단이 단턱(532a)에 수용되면, 힌지를 기점으로 회전(오른 방향)하면서 타단이 경보밸브(525)의 작동바(526)를 가압해 유동구(525a)를 후퇴(우측)시켜 준다.

따라서 유동구(525a)의 후퇴로 경보밸브(525)의 유로가 개방되고, 개방된 유로를 통하여 에어탱크(511)의 공기가 소리 모듈(523)에 전달되어 경보음이 발생하게 된다.

또한, 본 발명에 의한 상기 감지부(530)의 케이싱(531)은 감지추(532)가 자동으로 원위치되도록 하부에 걸림홈(531a)을 구비하고, 외부로부터 충격을 전달받아 감지추(532)가 중앙에서 어긋나도록 유도하는 가이드링(535)을 더 구비한다.

케이싱(531)은 감지공간(S1)과 작동공간(S2)를 각각 구비하는데, 감지추(532)가 내장된 감지공간(S1)상에 걸림홈(531a)과 가이드링(535)을 더 구비한다.

걸림홈(531a)은 감지공간(S1)의 하부 중앙에 감지추(532)가 자동으로 초기 위치로 이동하도록 경사지게 형성되는데, 앞서 외부 충격을 통한 경보음이 발생된 이후에 초기상태로의 과정을 보다 쉽고 간편하게 재설정할 수 있도록 유도한다.

즉, 감지기능을 지니도록 초기 상태로 되돌리기 위해서는 최초, 회전대(533)의 일단을 감지추(532)의 단턱(532a)으로부터 이탈시켜야 하므로 회전대(533)의 타단을 사용자가 수동으로 당겨주어야 한다.

이 상태가 되면 감지추(532)는 회전대(533)로부터 가압력이 해제되어 중력에 의해 하강하게 되는데, 이 과정에서 감지공간(S1)에 형성된 걸림홈(531a)에 자동으로 안착하게 된다. 걸림홈(531a)에 안착된 감지추(532)는 회전대(533)의 일단이 하부 정중앙을 탄성적으로 접촉할 수 있는 위치에 안착된 상태가 되므로 수동으로 당겨진회전대(533)를 해제하면, 초기상태로 복귀할 수가 있게 된다.

이러한 원위치 복귀과정은 설명의 이해를 돕기 위해 풀어서 기재하였지만, 실제 작동은 사용자가 수동으로 회전대(533)의 타단을 당겨 준 뒤, 즉시 해제하면 초기 상태로 복귀되는 매우 짧은 순간에 이루어진다.

가이드링(535)은 중앙이 관통된 도넛형으로 형성되어 감지추(532)의 외주면을 수용한 상태에서 감지공간(S1)상에 전후좌우로 유동가능하게 내장되는데, 이러한 가이드링(535)은 외부 충격에 의한 감지추(532)의 감지기능이 배가되도록 유도한다.

즉, 감지추(532)만으로도 외부 충격을 감지해 유동할 수는 있으나, 회전대(533)의 일단이 감지추(532)의 하부 정중앙을 탄성적으로 가압하고 있기 때문에 충격강도가 가압력 이상으로 작용해야만 가능하다.

하지만, 외부 충격강도가 가압력 이하로 작용하여도 가이드링(535)은 유동하게 되므로 결국, 가이드링(535)의 중앙에 수용된 감지추(532)를 재차 유동시켜 중앙에서 어긋나도록 유도한다.

여기서 가이드링(535)은 외주면에 스프링에 의해 상시 중앙에 위치하려고 하는 작용 때문에 충격에 의해 유동되어 감지추(532)를 중앙에서 어긋나게 한 뒤에도 초기상태로 원위치 복귀하는 과정에는 아무런 문제가 없다.

다만, 가이드링(535)의 스프링의 상수가 회전대(533)의 스프링 상수보다 낮은 것을 이용하는 것이 바람직하다.

또한 본 발명에 의한 상기 감지부(530)의 케이싱(531)은 상부에 미사용 시 내부에 이물질의 유입을 방지함과 함께 감지추(532)를 중앙에서 고정하도록 돌기(541)를 개재한 덮개(540)를 더 구비한다.

케이싱(531)은 감지공간(S1)과 작동공간(S2)를 각각 구비하는데, 감지추(532)가 내장된 감지공간(S1)의 상부에 개폐 가능한 덮개(540)를 더 구비한다.

덮개(540)는 케이싱(531)의 감지공간(S1)을 개방 또는 밀폐할 수 있는 모양과 형상으로 형성되어 미사용(보관 및 이동)시에 내부에 이물질의 유입을 방지한다.

이러한 덮개(540)는 케이싱(531)의 일단에 힌지와 판스프링에 의해 반자동 회전이 가능한 구조로 장착된다. 여기서 반자동이라함은 덮개(540)가 케이싱(531)의 감지공간(S1)을 밀폐된 상태를 유지하려는 힘을 지속적으로 유지하다가, 인위적으로 덮개(540)를 감지공간(S1)으로부터 개방된 상태로 회전시키면, 반대로 개방된 상태로 유지하려는 힘을 지속적으로 유지하는 것을 뜻한다.

즉, 반자동 회전에 의해 어떠한 상태든지 외부 충격에 관계없이 그 자세를 지속적으로 유지할 수 있게 된다.

이러한 덮개(540)는 감지추(532)를 중앙에서 고정하도록 돌출된 고정돌기(541)를 구비한다.

고정돌기(541)는 감지추(532)의 상부에 구비된 고정홈(532b)과 맞물리는데, 미사용(보관 및 이동)시 충격이 전달되어도 감지추(532)의 유동을 억제하여 경보기능을 해제한다.

즉, 미사용 시에 덮개(540)를 회전시켜 감지공간(S1)을 폐쇄시키면, 자동으로 고정돌기(541)가 감지추(532)의 고정홈(532b)에 맞물려 고정함과 동시에 이물질의 유입을 방지해 수명을 증가시켜 준다.

또, 사용 시에 덮개(540)를 회전시켜 감지공간(S1)을 개방시키면, 자동으로 고정돌기(541)가 감지추(532)의 고정홈(532b)으로부터 이탈되어 감지기능을 수행하게 된다.

한편, 덮개(540)는 감지공간(S1)을 개폐하는 것으로 도시하였으나, 작동공간(S2) 또한 개폐하도록 연장되게 형성할 수도 있다.

도 9는 본 발명에 따른 인공지능 기반의 쇼핑몰 상품구매 예측 플랫폼 제공 시스템의 구성을 설명하는 도면이다.

도 9를 참조하면, 인공지능 기반의 쇼핑몰 상품구매 예측 플랫폼 제공 시스템(100)은 사용자 단말(110), 상품구매 예측 플랫폼 제공 장치(130) 및 데이터베이스(150)를 포함할 수 있다.

사용자 단말(110)은 온라인 쇼핑몰에 접속하여 상품구매를 수행하고 상품구매 예측을 통한 상품 추천을 제공받을 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 상품구매 예측 플랫폼 제공 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 상품구매 예측 플랫폼 제공 장치(130)와 동시에 연결될 수 있다.

상품구매 예측 플랫폼 제공 장치(130)는 사용자들로부터 상품구매와 관련한 데이터를 수집하고 이를 분석하여 상품구매를 예측할 수 있으며, 이를 통해 사용자들에게 최적화된 추천 상품을 제공할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 상품구매 예측 플랫폼 제공 장치(130)는 사용자 단말(110)과 블루투스, WiFi, 통신망 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 주고받을 수 있다.

일 실시예에서, 상품구매 예측 플랫폼 제공 장치(130)는 데이터베이스(150)와 연동하여 쇼핑몰 구매고객의 상품구매 예측을 위한 데이터를 저장할 수 있다.

한편, 상품구매 예측 플랫폼 제공 장치(130)는 도 9와 달리, 데이터베이스(150)를 내부에 포함하여 구현될 수 있다. 또한, 상품구매 예측 플랫폼 제공 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 10에서 보다 자세히 설명한다.

데이터베이스(150)는 쇼핑몰 구매고객의 상품구매를 예측하여 관련 정보를 제공하는 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다.

데이터베이스(150)는 복수의 사용자 단말(110)들로부터 수집한 사용자의 인구통계적 정보를 저장할 수 있고, 쇼핑몰의 상품구매에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 상품구매 예측 플랫폼 제공 장치(130)가 상품구매를 예측하고 상품 추천을 제공하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.

도 10은 도 9에 있는 상품구매 예측 플랫폼 제공 장치의 물리적 구성을 설명하는 블록도이다.

도 10을 참조하면, 상품구매 예측 플랫폼 제공 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.

프로세서(210)는 쇼핑몰 구매고객의 상품구매 데이터를 수집하고 분석하여 상품구매를 예측하는 과정에서의 각 동작들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다.

프로세서(210)는 상품구매 예측 플랫폼 제공 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다.

프로세서(210)는 상품구매 예측 플랫폼 제공 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.

메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 상품구매 예측 플랫폼 제공 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.

사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다.

예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다.

일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 상품구매 예측 플랫폼 제공 장치(130)는 서버로서 수행될 수 있다.

네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.

도 10은 도 9에 있는 상품구매 예측 플랫폼 제공 장치의 기능적 구성을 설명하는 블록도이다.

도 10을 참조하면, 상품구매 예측 플랫폼 제공 장치(130)는 웨어하우스 구축부(310), 웨어하우스 갱신부(320), 후보 데이터 모집단 생성부(330), 최적화 모델 결정부(340), 상품구매 예측 제공부(350) 및 제어부(360)를 포함할 수 있다.

웨어하우스 구축부(310)는 쇼핑몰을 이용하는 구매고객의 상품구매 예측을 위한 구매고객 객체의 인구통계적 특성, 구매계절 특성, 구매시기 특성, 구매가격 변동 및 구매상품을 포함하는 상품구매 데이터를 수집하여 데이터 웨어하우스(warehouse)를 구축할 수 있다. 여기에서, 데이터 웨어하우스는 쇼핑몰을 이용하는 구매고객의 쇼핑몰을 이용하는 과정에서 발생하는 관련 데이터를 수집하여 보관하는 데이터베이스(150)에 해당할 수 있다.

이 경우, 도 9의 데이터베이스(150)는 데이터 웨어하우스로서 동작할 수 있고, 복수의 부분 데이터베이스들이 각각의 데이터를 분산 저장하는 형태로 구현될 수 있다.

도 13에서, 데이터베이스(150)는 구매고객을 객체로 설정하여 인구통계적 특성, 구매계절 특성, 구매시기 특성, 구매가격 변동, 구매상품 및 라이프 스타일에 대한 데이터를 각각 독립적인 데이터 집합으로 구성하여 저장할 수 있다.

인구통계적 특성은 구매고객에 대한 개인정보를 포함할 수 있고, 예를 들어, 구매고객 식별을 위한 식별자로서 ID 정보, 나이, 성별, 거주지 등을 포함할 수 있다.

웨어하우스 구축부(310)는 쇼핑몰을 이용하는 구매고객의 사용자 단말(110)로부터 인구통계적 특성과 연관된 정보를 수집할 수 있고, 쇼핑몰 가입 또는 결제시 입력한 사용자 정보를 기초로 인구통계적 특성에 관한 정보를 수집할 수 있으며, 반드시 이에 한정되지 않고, 다양한 방법을 통해 인구통계적 특성을 수집할 수 있다.

구매계절 특성은 구매고객의 상품구매 시점에 관한 정보로서 상품구매가 이루어진 시점의 계절 정보, 계절별 구매 횟수, 계절별 구매 금액 등을 포함할 수 있다. 구매시기 특성은 구매고객의 상품구매 시점에 관한 정보로서 상품구매가 이루어진 시점의 시간 정보, 시간별 구매 횟수, 시간별 구매 금액 등을 포함할 수 있다.

구매가격 변동은 상품구매와 연관된 상품구매 가격에 관한 정보로서 상품구매 가격, 할인 가격, 결제 가격 등을 포함할 수 있다.

구매상품은 상품구매의 대상이 되는 상품에 관한 정보로서, 상품명, 브랜드명, 제조일자, 유통기한, 용량, 원재료 등을 포함할 수 있다. 라이프 스타일은 구매고객의 상품구매와 연관된 개인 구매패턴에 해당할 수 있고, 상품구매 데이터의 통계적 정보에 기초하여 미리 정의될 수 있다.

웨어하우스 갱신부(320)는 상품구매 데이터를 기초로 구매고객별 라이프 스타일을 검증하여 데이터 웨어하우스에 추가할 수 있다.

필요에 따라, 데이터베이스(150)는 기 구축된 데이터 웨어하우스와 별도로 구매고객별 라이프 스타일을 저장할 수 있는 별도의 부분 데이터베이스를 구축할 수 있다.

웨어하우스 갱신부(320)는 상품구매 데이터를 기초로 다양한 방법을 통해 구매고객별 라이프 스타일을 검증할 수 있다.

예를 들어, 웨어하우스 갱신부(320)는 상품구매 데이터를 기초로 클러스터링 알고리즘을 적용하여 적어도 하나의 집합으로 분류할 수 있고, 각 집합별 데이터들의 대표적인 특성을 결정하여 미리 정의된 복수의 라이프 스타일들 중 어느 하나와 연관시킬 수 있다.

또한, 웨어하우스 갱신부(320)는 기계학습을 통해 생성된 분류 모델에 특정 구매고객의 상품구매 데이터를 기초로 생성된 입력 벡터를 입력하여 출력으로서 라이프 스타일에 대한 분류 결과를 획득할 수 있다.

일 실시예에서, 웨어하우스 갱신부(320)는 상품구매 데이터를 기초로 구매고객 별로 사전에 정의된 라이프 스타일로서 유행 추구형, 행복 추구형, 정보 선호형, 외제품 선호형 및 광고 선호형 중 어느 하나를 결정할 수 있다.

여기에서, 라이프 스타일은 쇼핑몰 구매고객의 상품구매에 영향을 줄 수 있는 개인 생활패턴에 관한 정보에 해당할 수 있다.

유행 추구형은 유행에 맞춰 구매할 상품을 선택하는 구매패턴에 해당할 수 있고, 행복 추구형은 상품구매에 있어 개인의 만족도를 최우선으로 고려하는 구매패턴에 해당할 수 있으며, 정보 선호형은 유행이나 만족도에 상관없이 정보 수집을 통해 최상의 상품을 선택하는 구매패턴에 해당할 수 있다.

또한, 외제품 선호형은 동일한 조건이면 국내산 제품보다 외국산 제품을 더 선호하는 구매패턴에 해당할 수 있고, 광고 선호형은 상품보다는 상품의 광고에 따라 구매를 결정하는 구매패턴에 해당할 수 있다.

후보 데이터 모집단 생성부(330)는 데이터 웨어하우스로부터 랜덤하게 추출되는 복수의 후보 데이터들을 후보 데이터 모집단으로서 생성하고 통계적 기준을 충족하는 예측 독립변수를 결정할 수 있다.

후보 데이터 모집단은 데이터 웨어하우스에 저장된 상품구매 데이터들 중에서 랜덤하게 선택된 데이터들로 구성될 수 있고, 상품구매예측을 위한 학습에 사용되는 학습 데이터에 해당할 수 있다.

즉, 후보 데이터 모집단 생성부(330)는 데이터 웨어하우스에 저장된 상품구매 데이터 중에서 랜덤하게 선택된 데이터를 기초로 상품구매 예측에 영향을 줄 수 있는 유의미한 독립변수를 예측 독립변수로서 결정할 수 있고, 예측 독립변수에 해당하는 데이터만을 추출하여 상품구매 예측에 활용함으로써 상품구매 예측의 정확도를 향상시킬 수 있다.

후보 데이터 모집단 생성부(330)는 예측 독립변수 선별을 위하여 통계적 기준을 사전에 설정하여 활용할 수 있으며, 이 때 통계적 기준은 상품구매 데이터들에 포함된 다양한 독립변수들 중에서 실제 구매고객의 상품구매 과정에 유의미한 영향을 줄 수 있는 독립변수를 결정하는데 사용되는 기준에 해당할 수 있다.

따라서, 후보 데이터 모집단 생성부(330)는 후보 데이터 모집단의 각 독립변수에 대해 도출되는 통계적 수치를 통계적 기준과 비교하여 특정 조건을 만족하는 경우에만 예측 독립변수로서 결정할 수 있다.

일 실시예에서, 후보 데이터 모집단 생성부(330)는 데이터 웨어하우스로부터 n(n은 자연수) 개의 후보 데이터들을 랜덤하게 선별하여 후보 데이터 모집단을 생성하는 제1 단계, 후보 데이터 모집단에 대해 인공지능 알고리즘을 적용하여 통계적 기준을 충족하는 후보 독립변수를 결정하는 제2 단계 및 제1, 제2 단계들을 반복 수행하여 결정되는 후보 독립변수의 중복 횟수를 기초로 예측 독립변수를 최종 결정하는 제3 단계를 수행할 수 있다.

보다 구체적으로, 후보 데이터 모집단 생성부(330)는 데이터 웨어하우스에 저장된 상품구매 데이터를 랜덤하게 추출할 수 있으며, 미리 설정된 n개의 상품구매 데이터를 추출한 후 이를 후보 데이터 모집단으로서 생성할 수 있다.

다음으로, 후보 데이터 모집단 생성부(330)는 후보 데이터 모집단에 대해 인공지능 알고리즘을 적용하여 통계적 기준을 충족하는 후보 독립변수를 결정할 수 있다.

다음으로, 후보 데이터 모집단 생성부(330)는 제1과 제2 단계를 미리 설정된 횟수만큼 반복할 수 있고, 반복에 의해 결정된 후보 독립변수의 중복 횟수를 기초로 예측 독립변수를 최종 결정할 수 있다.

즉, 반복 과정에서 후보 독립변수로 일정 횟수 이상 중복적으로 결정된 후보 독립변수를 예측 독립변수로서 최종 결정될 수 있다.

후보 데이터 모집단 생성부(330)는 데이터 웨어하우스로부터 랜덤하게 후보 데이터 모집단을 생성할 수 있고, 후보 독립변수를 결정하는 과정은 반복적으로 수행될 수 있으며, 이를 위하여 반복 과정에서 수행되는 각 단계의 동작을 수행하는 독립적인 모듈들로 구성될 수 있다.

일 실시예에서, 후보 데이터 모집단 생성부(330)는 제3 단계에서, 제1 및 제2 단계들을 반복 수행하여 결정되는 후보 독립변수의 중복 횟수와 독립변수 간의 연관성 지수를 기초로 예측 독립변수를 최종 결정할 수 있다.

여기에서, 독립변수 간의 연관성 지수는 독립변수 간의 다중공선성(Multicollinearity)에 해당할 수 있다. 즉, 후보 데이터 모집단 생성부(330)는 후보 독립변수의 중복 횟수를 기초로 예측 독립변수를 1차 결정할 수 있고, 1차 결정된 예측 독립변수 중에서 연관성 지수가 임계 기준을 초과하는 경우 해당 예측 독립변수 중 어느 하나만을 최종 결정할 수 있다.

이 때, 독립변수 간의 연관성 지수는 분산팽창계수(VIF, Variation Inflation Factor), 공차한계(Tolerance) 또는 상태지수(CN) 등을 통해 측정할 수 있다.

일 실시예에서, 후보 데이터 모집단 생성부(330)는 제2 단계에서, 통계적 기준으로서 유의수준을 0.05로 설정하고 유의확률 p가 유의수준 미만인 경우 통계적 기준을 충족하는 것으로 결정할 수 있다.

여기에서, 유의수준(significance level)은 통계적 결정에서 제1종 오류를 범할 확률의 최대값에 해당할 수 있고, α로 표현될 수 있다. 유의확률 p(significance probability)는 현재의 데이터에 대해 귀무가설(검증의 대상이 되는 가설)을 기각할 수 있는 최소한의 확률에 해당할 수 있다.

따라서, 유의수준(α)를 0.05로 설정한 경우 계산된 유의확률(p)이 0.05 미만인 경우 귀무가설을 기각하고 대립가설(귀무가설에 반대되는 사실로서 주장의 대상이 되는 가설)을 채택할 수 있다.

보다 구체적으로, 후보 데이터 모집단 생성부(330)는 통계적 기준으로서 유의수준을 0.05로 설정하고 후보 데이터 모집단에 대해 각 독립변수에 인공지능 알고리즘을 적용하여 유의확률 p와 유의수준을 비교함으로써 유의미한 변수를 도출할 수 있다.

결과적으로, 유의미한 변수는 쇼핑몰 구매고객의 상품구매 예측에 영향을 주는 주요 변수로서 통계적 기준과 후보 데이터 모집단에 따라 결정될 수 있다.

일 실시예에서, 후보 데이터 모집단 생성부(330)는 제2 단계에서, 인공지능 알고리즘으로서 로지스틱 회귀(Logistic Regression), 결정 트리(Decision Tree) 및 인공 신경망(Artificial Neural Network) 중 어느 하나를 사용할 수 있다.

로지스틱 회귀(Logistic Regression)는 D.R.Cox가 제안한 확률 모델로서 독립변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는데 사용되는 통계 기법에 해당할 수 있다. 로지스틱 회귀의 목적은 일반적인 회귀 분석의 목표와 동일하게 종속변수와 독립변수 간의 관계를 구체적인 함수로 나타내어 향후 예측 모델에 사용하는 것으로, 선형 회귀 분석과 달리 종속변수가 범주형 데이터를 대상으로 하며 입력 데이터가 주어졌을 때 해당 데이터의 결과가 특정 분류로 나뉘기 때문에 일종의 분류 기법에 해당할 수 있다.

후보 데이터 모집단 생성부(330)는 종속변수를 0(구매하지 않는다)과 1(구매한다)의 이분형 자료로서 범주형으로 구성할 수 있고, 이 경우 종속변수는 사건이 일어날 확률로서 예측 값은 0 ~ 1 사이로 한정되어 표현될 수 있다.

또한, 후보 데이터 모집단 생성부(330)는 그래프 내의 공식으로 독립변수들(인구통계적 특성, 구매계절 특성, 구매시기 특성, 구매가격, 구매상품 및 라이프 스타일)에 대한 데이터가 1 변할 때 종속변수에 영향을 주는 크기와 그 사건이 일어날 확률인 Exp(B) 값을 기준으로 유의확률 p가 0.05 미만인 값들을 유의미한 변수로서 도출할 수 있다.

결정 트리(Decision Tree)는 어떤 항목에 대한 관측 값과 목표 값을 연결시켜 주는 예측 모델에 해당할 수 있고, 통계학과 데이터 마이닝 및 기계 학습에서 사용되는 예측 모델링 방법 중 하나에 해당할 수 있다.

후보 데이터 모집단 생성부(330)는 구매고객의 행동 관련 데이터를 이용하여 데이터 간의 관련성, 유사성 등을 고려하여 구매고객을 분류할 수 있다.

예를 들어, 분석 알고리즘은 Chi-squared automatic interaction detection 방법으로 종속변수가 양적이나 질적변수 관계없이 카이제곱량이나 F검정이 사용될 수 있다.

후보 데이터 모집단 생성부(330)는 카이제곱 통계량이 크고 이에 대한 유의확률 p < 0.05를 만족하는 부모 노드에 대해 자식 노드를 형성하는 유용한 변수로서 선정할 수 있다.

인공 신경망(Artificial Neural Network)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추 신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘에 해당할 수 있고, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델에 해당할 수 있다.

후보 데이터 모집단 생성부(330)는 인공신경망을 이용하여 복잡하고 비선형적이며 관계성을 갖는 다변량 데이터를 분석할 수 있고, 미래 특정 상황에 발생할 확률을 예측하거나 또는 고객의 특정 행동에 관한 추정을 수행할 수 있다.

후보 데이터 모집단 생성부(330)는 다음의 단계를 통해 구체적인 분석을 수행할 수 있다.

(i)후보 데이터 모집단 생성부(330)는 데이터 웨어하우스의 데이터를 대상으로 무작위로 학습용 데이터 70%, 검증용 데이터 30%를 분할 할당할 수 있다.

또한, (ii)후보 데이터 모집단 생성부(330)는 데이터 입력 공변량 변수로서 쇼핑몰 구매고객의 인구통계적 특성, 구매계절 특성, 구매시기 특성 등을 사용하여 해당 공변량 변수에 따른 네트워크 다이어그램을 생성할 수 있다.

(iii)후보 데이터 모집단 생성부(330)는 히든 레이어에 활성화 함수로 쌍곡 탄젠트 함수를 적용하고 출력 레이어에 활성화 함수로 소프트맥스(Softmax) 함수를 적용할 수 있다. 이 경우, 다이어그램에서 시냅스 가중치는 주어진 레이어와 다음 레이어 사이에서의 관련성을 의미할 수 있다.

또한, (iv)후보 데이터 모집단 생성부(330)는 R 프로그래밍에 의한 ROC 곡선(Receiver Operating Characteristic curve)을 생성할 수 있고 독립변수의 중요도 분석 결과를 확인하기 위한 학습용 데이터와 검증용 데이터의 비율과 정확도를 각각 도출할 수 있다.

(v)후보 데이터 모집단 생성부(330)는 후보 독립변수 도출을 위해 네트워크 다이어그램의 변수별 은닉층에 굵은 실선으로 그려진 변수를 후보 독립변수로서 결정할 수 있다.

최적화 모델 결정부(340)는 후보 데이터 모집단을 기초로 예측 독립변수에 대해 복수의 인공지능 알고리즘들을 적용하여 상품구매 예측도가 가장 높은 상품구매 예측 모델을 예측 독립변수별 최적화 모델로서 결정할 수 있다.

최적화 모델 결정부(340)는 상품구매 데이터를 이용하여 예측 독립변수 별로 구매고객의 상품구매 여부에 관한 정보를 인공지능 알고리즘에 적용하여 학습할 수 있고, 학습 결과로서 상품구매 예측 모델을 생성할 수 있다.

여기에서, 상품구매 예측 모델은 특정 예측 독립변수를 입력하면 상품구매 확률을 출력하는 확률 모델에 해당할 수 있고, 최적화 모델 결정부(340)는 상품구매 확률을 기초로 상품구매에 관한 예측을 수행할 수 있다.

최적화 모델 결정부(340)는 상품구매 예측 모델을 통해 예측된 결과와 실제 상품구매 데이터를 통해 확인할 수 있는 상품구매 결과를 비교하여 해당 상품구매 예측 모델에 대한 상품구매 예측도를 산출할 수 있다.

이 때, 상품구매 예측도는 예측 횟수에 대한 일치 횟수의 비율로서 산출될 수 있고, 필요한 경우 특정 범위의 값을 갖도록 정규화를 수행할 수 있다.

결과적으로, 최적화 모델 결정부(340)는 예측 독립변수 별로 복수의 인공지능 알고리즘들을 적용할 수 있고, 각각 생성된 상품구매 예측 모델 중에서 상품구매 예측도가 가장 높은 모델을 결정하여 해당 예측 독립변수에 대한 최적화 모델로서 결정할 수 있다.

일 실시예에서, 최적화 모델 결정부(340)는 후보 데이터 모집단을 분할하여 학습 데이터 모집단과 검증 데이터 모집단을 생성하는 단계, 복수의 인공지능 알고리즘들 각각을 이용하여 학습 데이터 모집단에 대한 학습을 통해 상품구매 예측 모델을 구축하는 단계, 상품구매 예측 모델을 이용하여 검증 데이터 모집단을 검증하는 단계 및 검증의 결과 상품구매 예측도가 가장 높은 상품구매 예측 모델을 최적화 모델로서 결정하는 단계를 수행할 수 있다.

이 때, 최적화 모델 결정부(340)는 후보 데이터 모집단 생성부(330)에 의해 결정된 예측 독립변수 별로 최적화 모델을 결정할 수 있고, 이를 위하여 후보 데이터 모집단의 상품구매 데이터로부터 예측 독립변수만을 추출한 후 학습을 수행할 수 있다.

즉, 최적화 모델 결정부(340)는 예측 독립변수 별로, 그리고 인공지능 알고리즘 별로 각각 학습을 수행하여 최적화 모델을 결정할 수 있다.

일 실시예에서, 최적화 모델 결정부(340)는 후보 데이터 모집단에 대한 학습 데이터 모집단과 검증 데이터 모집단의 분할 비율을 후보 데이터 모집단의 크기, 인공지능 알고리즘의 개수 및 예측 독립변수의 개수를 기초로 산출할 수 있다.

보다 구체적으로, 최적화 모델 결정부(340)는 후보 데이터 모집단의 크기가 클수록, 또는 인공지능 알고리즘의 개수가 많을수록, 또는 예측 독립변수의 개수가 많을수록 학습 데이터 모집단과 검증 데이터 모집단의 크기가 유사해지도록 분할 비율을 결정할 수 있다.

예를 들어, 학습 데이터 모집단과 검증 데이터 모집단의 기본 분할 비율이 7:3인 경우 최적화 모델 결정부(340)는 후보 데이터 모집단의 크기가 클수록, 또는 인공지능 알고리즘의 개수가 많을수록, 또는 예측 독립변수의 개수가 많을수록 분할 비율이 5:5에 가까워지도록 분할 비율을 결정할 수 있다.

상품구매 예측 제공부(350)는 최적화 모델 결정부(240)에 의해 결정된 최적화 모델을 기초로 특정 구매고객에 대한 상품구매를 예측하여 추천 상품을 제공할 수 있다.

예를 들어, 상품구매 예측 제공부(350)는 특정 구매고객이 쇼핑몰을 이용할 경우 상품별 상품구매 여부를 예측할 수 있고, 해당 구매고객이 구매할 확률이 가장 높거나, 구매할 것으로 예측된 상품들을 추천 상품으로서 제공할 수 있다.

제어부(360)는 상품구매 예측 플랫폼 제공 장치(130)의 전체적인 동작을 제어하고, 웨어하우스 구축부(310), 웨어하우스 갱신부(320), 후보 데이터 모집단 생성부(330), 최적화 모델 결정부(340) 및 상품구매 예측 제공부(350) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.

도 12는 도 9에 있는 상품구매 예측 플랫폼 제공 장치에서 수행되는 인공지능 기반의 상품구매 예측 플랫폼 제공과정을 설명하는 순서도이다.

도 12를 참조하면, 상품구매 예측 플랫폼 제공 장치(130)는 웨어하우스 구축부(310)를 통해 쇼핑몰을 이용하는 구매고객의 상품구매 예측을 위한 구매고객 객체의 인구통계적 특성, 구매계절 특성, 구매시기 특성, 구매가격 변동 및 구매상품을 포함하는 상품구매 데이터를 수집하여 데이터 웨어하우스(warehouse)를 구축할 수 있다(단계 S410).

상품구매 예측 플랫폼 제공 장치(130)는 웨어하우스 갱신부(320)를 통해 상품구매 데이터를 기초로 구매고객별 라이프 스타일을 검증하여 데이터 웨어하우스에 추가할 수 있다(단계 S430).

또한, 상품구매 예측 플랫폼 제공 장치(130)는 후보 데이터 모집단 생성부(330)를 통해 데이터 웨어하우스로부터 랜덤하게 추출되는 복수의 후보 데이터 집합들 중에서 통계적 기준을 충족하는 데이터 집합을 선별하여 후보 데이터 모집단을 생성할 수 있다(단계 S450). 상품구매 예측 플랫폼 제공 장치(130)는 최적화 모델 결정부(340)를 통해 후보 데이터 모집단에 대해 복수의 인공지능 알고리즘들을 적용하여 상품구매 예측도가 가장 높은 상품구매 예측 모델을 최적화 모델로서 결정할 수 있다(단계 S470).

또한, 상품구매 예측 플랫폼 제공 장치(130)는 상품구매 예측 제공부(350)를 통해 최적화 모델을 기초로 특정 구매고객에 대한 상품구매를 예측하여 추천 상품을 제공할 수 있다(단계 S490).

도 14는 본 발명에 따른 상품구매 예측 플랫폼 제공 장치의 전체적인 동작을 설명하는 개념도이다.

도 14를 참조하면, 상품구매 예측 플랫폼 제공 장치(130)는 상품구매 예측을 위한 데이터 웨어하우스를 구축할 수 있고, 데이터 웨어하우스는 구매고객 객체 별로 인구통계적 특성, 구매계절 특성, 구매시기 특성, 구매가격 변동 및 구매상품에 관한 데이터를 각각 수집하여 보관할 수 있다. 이를 위하여 데이터베이스(150)는 복수의 부분 데이터베이스들로 구성될 수 있고, 네트워크를 통해 분산 저장 및 관리될 수 있다.

또한, 상품구매 예측 플랫폼 제공 장치(130)는 구축된 데이터 웨어하우스를 통해 구매고객별 라이프 스타일을 검증할 수 있다.

이 경우, 라이프 스타일을 저장하는 독립된 데이터베이스를 구축할 수 있고, 기 구축된 데이터

웨어하우스에 추가하여 업데이트할 수 있다. 상품구매 예측 플랫폼 제공 장치(130)는 다양한 인공지능 알고리즘과 통계적 기준을 통해 상품구매 예측을 위한 유의미한 변수를 도출할 수 있고, 유의미한 변수는 상품구매 예측에 영향을 줄 수 있는 독립변수에 해당할 수 있다.

상품구매 예측 플랫폼 제공 장치(130)는 유의미한 독립변수 만을 활용하여 상품구매 예측의 정확성을 높일 수 있고, 최적화 모델링 구축을 위해 데이터 수집, 분석 및 모델링 과정을 반복적으로 수행할 수 있다.

상품구매 예측 플랫폼 제공 장치(130)는 인공지능 기반의 상품구매 예측 플랫폼 중 상품구매 예측도가 가장 우수한 모델을 선정하고 N차시까지 여러번 추가적인 데이터를 확보하여 쇼핑몰 구매고객 상품구매 예측률을 높일 수 있다.

본 발명의 또 다른 실시예에 따른 전자상거래 시스템은 안전 로그인 시스템을 포함할 수 있다.

도 15는 본 발명의 일 실시예에 따른 안전 로그인 시스템의 구성을 나타내는 도면이다.

도 15를 참조하면, 본 발명의 일 실시예에 따른 안전 로그인 시스템은 제1통신 장치(10), 제2통신 장치(20), 보안 중계 서버(30), 웹 서버(40), 위치확인 서버(50) 및 인증정보 보관 서버(60)를 포함한다.

제1통신 장치(10), 제2통신 장치(20), 보안 중계 서버(30), 웹 서버(40), 위치확인 서버(50), 인증정보 보관 서버(60) 각각은 네트워크(70)를 통해 서로 통신한다. 여기서 네트워크(70)는 이동통신망, 유선 인터넷망, 근거리 무선통신망 등을 포함하는 것으로서, 본 발명에 있어서 주지의 관용기술에 해당하므로 자세한 설명은 생략한다.

도 16은 본 발명의 일 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.

도 16을 참조하면, 제2통신 장치(20)는 사용자가 입력한 웹 사이트 주소를 부여받은 웹 서버(40)로 접속하고, 웹서버(40)는 아이디와 패스워드를 입력할 수 있는 로그인 메뉴가 포함된 웹 페이지를 제2통신 장치(20)로 전송한다(S201).

다음으로, 제2통신 장치(20)는 웹 서버(40)로부터 수신한 웹 페이지를 화면에 출력한다. 그리고 제2통신 장치(20)의 에이전트(21)는 상기 웹 페이지의 로그인 메뉴 아래에 비활성화 처리된 안전 로그인 메뉴를 출력한다.

도 17은 본 발명의 일 실시예에 따른, 안전 로그인 메뉴가 표시된 웹 페이지를 나타내는 도면이다.

도 17에 도시된 바와 같이, 에이전트(21)는 웹 페이지 자체에서 제공되는 로그인 메뉴(31) 이외에 본 발명에 따른 안전 로그인 메뉴(32)를 웹 페이지에 표시할 수 있다.

다음으로, 제2통신 장치(20)의 에이전트(21)는 제2통신 장치(20)가 웹 페이지 열람을 시작하는 것으로 확인하여, 안전 로그인 서비스의 시작을 알리며 제2통신 장치(20)의 사용자 식별정보 및 제2통신 장치 식별정보가 포함된 서비스 알림 메시지를 보안 중계 서버(30)로 전송한다(S203).

그러면, 보안 중계 서버(30)는 상기 서비스 알림 메시지에 포함된 사용자 식별정보를 확인하고, 이 사용자 식별정보와 매핑된 제1통신 장치(10)의 식별정보를 확인한다. 그리고 보안 중계 서버(30)는 상기 확인한 식별정보를 가지는 제1통신 장치(10)로 상기 서비스 알림 메시지를 전송한다(S205).

이어서, 제1통신 장치(10)는 웹 서버(40)로 접속한 제2통신 장치(20)의 위치정보를 확인하고, 더불어 자신의 위치정보를 확인한다(S207).

다음으로, 제1통신 장치(10)는 제2통신 장치(20)의 위치정보와 자신의 위치정보를 비교하여, 제2통신 장치(20)와 동일한 장소에 위치하고 있는지 여부를 판별한다(S209). 이때, 제1통신 장치(10)는 제2통신 장치(20)와 동일한 행정구역 안에 위치하고 있는지 또는 제2통신 장치(20)와 자신과의 거리가 임계거리(예컨대, 100m) 이내인지 여부를 확인함으로써, 제2통신 장치(20)와 동일한 장소에 위치하고 있는지 여부를 판별할 수 있다.

제1통신 장치(10)는 판별 결과 제2통신 장치(20)와 같은 장소에 위치한 것으로 판별되면, 안전 로그인 활성화 메시지를 제2통신 장치(20)로 전송한다(S211).

다음으로, 제2통신 장치(20)의 에이전트(21)는 안전 로그인 메뉴가 클릭되는지 여부를 모니터링하여, 안전 로그인 메뉴가 클릭되면 로그인하고자 하는 웹 사이트의 식별정보, 웹 서버(40)로 접근할 수 있는 액세스 토큰, 사용자 식별정보 및 제2통신 장치(20)의 식별정보가 포함된 로그인 알림 메시지를 생성하여 보안 중계 서버(30)로 전송한다(S213, S215).

그러면, 보안 중계 서버(30)는 로그인 알림 메시지에 포함된 사용자 식별정보를 확인하고, 이 사용자 식별정보와 매핑된 제1통신 장치(10)의 식별정보를 확인한다. 그리고 보안 중계 서버(30)는 상기 확인한 식별정보를 가지는 제1통신 장치(10)로 상기 로그인 알림 메시지를 전송한다(S217).

다음으로, 제1통신 장치(10)는 보안 중계 서버(30)로부터 수신한 로그인 알림 메시지에서 사용자 식별정보, 웹 사이트 식별정보, 액세스 토큰 및 제2통신 장치(20)의 식별정보를 추출한다. 이어서, 제1통신 장치(10)는 상기 추출한 웹 사이트 식별정보와 매핑된 보안레벨을 보안정책 테이블에서 확인한다(S219).

다음으로, 제1통신 장치(10)는 S209 단계에서 수행한 위치 판별 결과를 다시 확인하고, 이 위치 판별 결과를 토대로 상기 확인한 보안레벨 또는 강화된 보안레벨을 적용한다(S221).

이어서, 제1통신 장치(10)는 적용된 보안레벨에 근거하여 인증 관련 데이터 중의 하나인 로그인 인증정보(즉, 아이디와 패스워드)를 획득한다(S223).

다음으로, 제1통신 장치(10)는 상기 로그인 알림 메시지에서 추출한 웹 사이트 식별정보와 액세스 토큰을 확인하고, 이 웹 사이트 식별정보를 부여받은 웹 서버(40)로 상기 획득한 로그인 인증정보, 강화된 인증정보 중 하나 이상을 전송한다(S225).

그러면, 웹 서버(40)는 제1통신 장치(10)로부터 수신한 액세스 토큰을 토대로, 로그인 시도하는 제2통신 장치(20)를 식별하고, 인증정보가 정확한지 여부를 확인함으로써, 상기 제2통신 장치(20)의 로그인 인증을 수행한다(S227).

다음으로, 웹 서버(40)는 로그인 인증에 실패하면, 제2통신 장치(20)의 로그인을 실패 처리하고, 반면에 로그인 인증에 성공하면 인증 성공 메시지를 제2통신 장치(20)로 전송한 후(S229), 제2통신 장치(20)가 요청한 온라인 서비스를 제공한다.

한편, 제1통신 장치(10)는 보안레벨을 3레벨로 적용한 경우, 로그인 인증정보가 제외된 강화된 인증정보만을 웹 서버(40)로 전송할 수 있다. 이 경우, 웹 서버(40)는 상기 강화된 인증정보를 토대로 제2통신 장치(20)의 인증을 수행한다.

또한, 제1통신 장치(10)는 복호화된 로그인 인증정보, 강화된 인증정보 중 하나 이상을 제2통신 장치(20)로 전송할 수 있다. 이 경우, 제2통신 장치(20)는 상기 제1통신 장치(10)로부터 수신한 인증정보를 웹 서버(40)로 전송하여 로그인 인증을 진행한다.

이하, 도 18 내지 도 20을 참조한 설명에 있어서, 도 16과 동일한 참조부호를 가지는 각 단계는 도 16과 동일하게 적용되므로 공통되는 참조부호를 가지는 단계(S201 내지 S221)에 대한 설명은 생략한다.

도 18은 본 발명의 다른 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.

도 18을 참조하면, 제1통신 장치(10)는 보안레벨을 적용한 후에, 이 보안레벨에 근거하여 사용자의 로그인 인증정보를 획득한다(S423).

한편, 제1통신 장치(10)는 보안레벨이 최고 레벨인 3레벨이면, 사용자로부터 생체 정보, OTP 등의 강화된 로그인 인증정보를 입력받음으로써, 강화된 인증정보를 획득한다.

또는, 제1통신 장치(10)는 보안레벨이 3레벨이면, 본인인증 정보를 입력할 수 있는 입력창을 출력하여, 이 입력창을 통해서 패스워드, 생체정보(예컨대, 지문 정보, 홍체 정보 등), 주민등록번호 등의 본인인증 정보를 사용자로부터 입력받을 수 있다

다음으로, 제1통신 장치(10)는 상기 획득한 암호화된 로그인 인증정보, 강화된 인증정보 중에서 하나 이상을 제2통신 장치(20)로 전송한다(S425).

그러면, 제2통신 장치(20)는 제1통신 장치(10)로부터 수신한 암호화된 로그인 인증정보를 자체 보관중인 복호키를 통해서 복호화하고(S427), 이 복호화된 로그인 인증정보를 웹 서버(40)로 전송하여 로그인 인증을 요청한다(S429).

다음으로, 웹 서버(40)는 제2통신 장치(20)로부터 수신한 인증정보가 정확한지 여부를 확인함으로써, 상기 제2 통신 장치(20)의 로그인 인증을 수행한다(S431).

다음으로, 웹 서버(40)는 로그인 인증에 실패하면, 제2통신 장치(20)의 로그인을 실패 처리하고, 반면에 로그인 인증에 성공하면 인증 성공 메시지를 제2통신 장치(20)로 전송한 후(S433), 제2통신 장치(20)가 요청한 온라인 서비스를 제공한다.

도 19는 본 발명의 또 다른 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.

도 19를 참조하여 설명한 실시예에서는, 제1통신 장치(10)가 통신 장치별로 구분된 복호키를 저장하고, 제2통신 장치(20)가 암호화된 각 웹 사이트의 로그인 인증정보를 저장한다.

도 19를 참조하면, 제1통신 장치(10)는 보안레벨을 적용하면, 상기 적용한 보안레벨에 근거하여 인증 관련 데이터 중의 하나인 복호키를 추출하는 프로세스를 진행한다(S523).

한편, 제1통신 장치(10)는 보안레벨이 최고 레벨인 3레벨이면, 상기 제2통신 장치 식별정보와 대응되는 복호키를 추출하고, 더불어 사용자로부터 생체정보, OTP 등의 강화된 인증정보를 입력받음으로써, 강화된 인증정보를 획득한다(S525). 또는, 제1통신 장치(10)는 보안레벨이 3레벨이면, 본인인증 정보를 입력할 수 있는 입력창을 출력하여, 이 입력창을 통해서 사용자의 본인인증 정보를 사용자로부터 입력받고, 이 본인인증 정보가 정확한지 여부를 인증한 후에, 선택적으로 인증 관련 데이터를 획득할 수 있다. 즉, 제1통신 장치(10)는 보안레벨이 3레벨이면 사용자로부터 입력받은 본인인증 정보가 정확한지 여부를 인증하고, 인증에 성공하면 강화된 인증정보를 사용자로부터 입력받거나 복호키를 추출하거나 이 둘(즉, 강화된 인증정보와 복호키) 모두를 획득할 수도 있다.

도 19를 참조한 설명에서는, 제1통신 장치(10)가 보안레벨을 3레벨로 적용하고 강화된 인증정보를 추가적으로 획득한 것으로 설명된다.

다음으로, 제1통신 장치(10)는 상기 추출한 복호키 및 강화된 인증정보를 제2통신 장치(20)로 전송한다(S527).

이어서, 제2통신 장치(20)는 자체 저장중인 암호화된 사이트별 로그인 인증정보에서, 현재 접속중인 웹 사이트 식별정보와 매핑된 암호화된 로그인 인증정보를 추출한다(S529). 이어서, 제2통신 장치(20)는 상기 추출한 로그인 인증정보를 제1통신 장치(10)로부터 수신한 복호키를 이용하여 복호화한다(S531). 아울러, 제2통신 장치(20)는 자체 보관중인 복호키를 이용하여 제1통신 장치(10)로부터 수신한 강화된 인증정보를 복호화한다.

다음으로, 제2통신 장치(20)는 상기 복호화한 로그인 인증 정보와 강화된 인증정보를 웹 서버(40)로 전송하여 로그인 인증을 요청한다(S533).

그러면, 웹 서버(40)는 제2통신 장치(20)로부터 수신한 로그인 인증정보와 강화된 인증정보가 모두 정확한지 여부를 확인함으로써, 상기 제2통신 장치(20)를 로그인 인증을 수행한다(S535). 다음으로, 웹 서버(40)는 로그인 인증에 실패하면, 제2통신 장치(20)의 로그인을 실패 처리하고, 반면에 로그인 인증에 성공하면 인증 성공 메시지를 제2통신 장치(20)로 전송한 후(S537), 제2통신 장치(20)가 요청한 온라인 서비스를 제공한다.

한편, 제1통신 장치(10)는 보안레벨을 제1레벨 또는 제2레벨로 적용한 경우, 강화된 인증정보가 제외된 복호키만을 제2통신 장치(20)로 전송하고, 제2통신 장치(20)는 상기 복호키를 이용하여 S529 단계에서 추출한 로그인 인증정보를 복호화하여 웹 서버(40)로 전송한다. 즉, 제1통신 장치(10)에서 보안레벨이 제1레벨 또는 제2레벨이 적용된 경우, 제2통신 장치(20)는 강화된 인증정보가 제외된 로그인 인증정보만을 웹 서버(40)로 전송하고, 웹 서버(40)는 로그인 인증정보를 토대로 제2통신 장치(20)의 로그인 인증을 수행한다.

도 20은 본 발명의 또 다른 실시예에 따른, 안전 로그인 시스템에서 로그인 인증을 수행하는 방법을 설명하는 흐름도이다.

도 20을 참조하여 설명한 실시예에서는, 제1통신 장치(10)가 암호화 처리된 웹 사이트별 인증정보 보관주소를 통신장치 식별정보별로 구분하여 저장한다.

도 20을 참조하면, 제1통신 장치(10)는 보안레벨을 적용하면, 상기 적용한 보안레벨에 근거하여 인증 관련 데이터 중의 하나인 인증정보 보관주소를 추출하는 프로세스를 진행한다(S623).

한편, 제1통신 장치(10)는 보안레벨이 최고 레벨인 3레벨이면, 상기 제2통신 장치 전용의 보관주소 데이터에서 사이트 식별정보와 매핑되는 암호화된 인증정보 보관주소를 추출하고, 더불어 사용자로부터 생체정보, OTP 등의 강화된 로그인 인증정보를 입력받음으로써, 강화된 인증정보를 획득한다(S625).

도 20을 참조한 설명에서는, 제1통신 장치(10)가 보안레벨을 3레벨로 적용하고 강화된 인증정보를 추가적으로 획득한 것으로 설명된다.

다음으로, 제1통신 장치(10)는 상기 추출한 암호화된 인증정보 보관주소 및 강화된 인증정보를 제2통신 장치(20)로 전송한다(S627).

이어서, 제2통신 장치(20)는 자체 저장중인 복호키를 이용하여, 암호화된 인증정보 보관주소를 복호화한다. 그리고 제2통신 장치(20)는 인증정보 보관 서버(60)로 상기 보관주소가 기록된 인증정보 요청 메시지를 전송한다(S629).

그러면, 인증정보 보관 서버(60)는 상기 인증정보 요청 메시지에서 인증정보 보관주소를 확인하고, 이 보관주소에 저장된 암호화된 인증정보를 추출하여 제2통신 장치(20)로 전송한다(S631).

이어서, 제2통신 장치(20)는 상기 암호화된 인증정보를 자체 저장중인 복호키를 이용하여 복호화하고, 더불어 제1통신 장치(10)로부터 수신한 강화된 인증정보를 복호화한다(S633). 다음으로, 제2통신 장치(20)는 상기 복호화한 로그인 인증 정보와 강화된 인증정보를 웹 서버(40)로 전송하여 로그인 인증을 요청한다(S635).

그러면, 웹 서버(40)는 제2통신 장치(20)로부터 수신한 로그인 인증정보와 강화된 인증정보가 모두 정확한지 여부를 확인함으로써, 상기 제2통신 장치(20)를 로그인 인증을 수행한다(S637). 다음으로, 웹 서버(40)는 로그인 인증에 실패하면, 제2통신 장치(20)의 로그인을 실패 처리하고, 반면에 로그인 인증에 성공하면 인증 성공 메시지를 제2통신 장치(20)로 전송한 후(S639), 제2통신 장치(20)가 요청한 온라인 서비스를 제공한다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

100: ESG 기업 평가 장치 110: 제어부
120: 뉴스 수집부 121: 형태소 분석부
122: 기업 및 날짜 분류부 123: 뉴스 클러스터링부
130: 뉴스 분류부 131: 이원 분류부
132: ESG 분류부 133: 카테고리 분류부
140: 평가 결과 도출부 141: 증거 레벨 산출부
142: ESG 확률 산출부 143: 점수 산출부

Claims (2)

1. 기업의 제품을 구매하고자 하는 사용자가 소유하는 사용자 단말 및 기업이 소유하는 기업 단말에 설치되는 서비스 및 거래 플랫폼 어플리케이션과 연동되고, 상기 기업 단말을 통해 등록되는 제품 정보에 해당하는 제품의 보관 공간을 제공하는 제품 보관 장치와 정보를 송수신하는 시스템 서버에 있어서,
   상기 시스템 서버는,
   상기 제품 보관 장치로부터 상기 제품 보관 장치에 설치되는 적어도 하나 이상의 스캐너를 통해 인식한 제품에 부착된 식별태그 정보를 수신하고,
   상기 제품 보관 장치는,
   소정 두께의 판 형태로 구비되고 상부면에 제품의 적재 공간을 제공하는 복수의 적재 플레이트;
   복수의 적재 플레이트를 상하 방향으로 연결하여 다층 구조를 형성하는 다리부; 및
   상기 적재 플레이트와 바닥면을 경사지게 연결하는 경사부;를 포함하고,
   상기 경사부는,
   상기 적재 플레이트 측에 형성되는 필터부;및
   바닥면 측에 형성되는 가이드벽;을 포함하고,
   상기 필터부는,
   양단에 고정되는 한 쌍의 링;
   상기 한 쌍의 링 사이에 형성되며, 망체로 이루어진 원통 형상의 필터망;
   상기 한 쌍의 링을 각각 상기 경사부에 회전 가능하게 설치하며, 소정의 구동모터에 의해 회전하며, 상기 한 쌍의 링과 벨트로 묶여 상기 한 쌍의 링을 각각 회전시켜 상기 필터망이 회전하도록 하는 한 쌍의 회전롤; 및
   상기 한 쌍의 링 중 하측에 형성되는 링에 일단이 묶인 상태로 구비되는 다수의 절개편;을 포함하고,
   상기 필터망은,
   상기 적재 플레이트에 적재된 제품이 내부를 통과하여 하측으로 이동하는 동안 회전하면서 제품에 붙어있는 이물질을 털어내고,
   상기 적재 플레이트는,
   상기 적재 플레이트에 내장 설치되고, 상기 적재 플레이트에 적재되는 제품에 가해지는 외부 충격을 감지하여 알람을 발생시키는 알람부;를 포함하는,
   상기 알람부는,
   공기를 저장하는 에어탱크;
   에어관을 통해 상기 에어탱크와 입구 부분이 연결되는 경보밸브; 및
   에어관을 통해 상기 경보밸브의 출구 부분과 연결되며, 상기 경보밸브의 개방에 의해 공기가 전달되는 경우, 소리를 발생시키는 소리 모듈;을 포함하고,
   상기 경보밸브는,
   중앙에 탄성적으로 유동하여 유로를 개폐하는 유동구;
   상기 유동구와 맞물려 유동하는 작동바; 및
   상기 작동바가 수용되는 보조밸브;를 포함하고,
   상기 알람부는,
   상기 적재 플레이트 상에 노출되게 형성되고, 외부 충격을 감지하며, 상기 작동바의 타단이 맞물려 외부 충격을 감지하는 경우, 상기 작동바를 유동시켜 상기 경보밸브가 개방 작동하도록 하는 감지부;를 더 포함하는, 시스템 서버.
   
   
2. 삭제

Images