KR102421684B1

KR102421684B1 - 인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템

Info

Publication number: KR102421684B1
Application number: KR1020220055087A
Authority: KR
Inventors: 이명수; 이미경
Original assignee: 이명수; 이미경
Priority date: 2022-05-03
Filing date: 2022-05-03
Publication date: 2022-07-14

Abstract

일실시예에 따른 장치는 제1 판매자 단말로부터 제1 판매 사이트의 정보를 획득하고, 제1 판매 사이트의 판매 데이터를 획득하고, 판매 데이터를 기반으로 상위 판매수의 판매 아이템들을 추출하고, 상위 판매수의 판매 브랜드들을 도출하고, 제1 판매 사이트의 정보, 상위 판매수의 판매 아이템들 상위 판매수의 판매 브랜드들을 기초로, 제1 판매 사이트의 특징을 추출하고, SNS를 통해 현재 아이템을 판매하고 있는 브랜드들 중 신규 브랜드들 및 신규 브랜드들에 대응하는 브랜드 정보들을 추출하고, 제1 판매 사이트의 특징과 신규 브랜드 정보들을 기초로, 제1 판매 사이트의 특징과 신규 브랜드 정보 사이의 공통점들을 추출하고, 추출된 공통점들을 기초로, 신규 브랜드들에 대응하는 공통점 개수들을 생성하고, 공통점 개수들을 기초로, 신규 브랜드에 대응하는 점수들을 생성하고, 점수들에 기초하여 가장 높은 점수의 제1 신규 브랜드를 제1 판매 사이트에 적합한 브랜드로 선정하고, 제1 신규 브랜드에 포함된 아이템을 기초로, 제1 판매 사이트에 적합한 판매대상 아이템을 선정한다.

Description

인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR DERIVING ITEMS FOR SALE ONLINE BASED ON ARTIFICIAL INTELLIGENCE}

아래 실시예들은 인공지능 기반 온라인 상의 판매대상 아이템 도출 방법, 장치 및 시스템에 관한 것이다.

전자 상거래는 컴퓨터 등을 이용해 인터넷과 같은 네트워크 상에서 이루어지는 즉, 전자적 매체(시스템)를 이용하여 가상 공간에서 이루어지는, 제품이나 용역을 사고 파는 거래 행위를 말한다.

전자 통신 기술의 발전에 따라 전자 상거래가 활발해지면서, 온라인을 통해 제품을 사고 파는 일이 많아졌다.

또한, 종래 전자상거래에서 추천 알고리즘이 많이 사용되고 있는데 이는 구매자의 취향을 예측하여 구매자에게 어떤 상품을 구매할지 추천하는 것으로 주로 사용되고 있다. 그러나, 판매자들 또한 온라인 마켓을 운영하면서 큰 어려움을 겪는 부분은 본인에게 알맞은 판매 상품이 무엇인지 알아내고, 자신의 취향 및 가치관과 맞는 제품을 선별하는 과정이다.

따라서, 판매자의 취향 및 가치관이나 판매 사이트의 기존 판매 아이템들을 기반으로 판매자가 판매하고자 하는 판매대상 아이템을 도출하는 과정에 대한 연구가 요구된다.

한국등록특허 제 10-2270273호 한국등록특허 제 10-1435096호 한국공개특허 제 10-2021-0144331호 한국공개특허 제 10-2021-0144330호

실시예들은 판매 사이트의 정보와 기존 판매 아이템들을 통해 판매 사이트에 적합한 아이템의 브랜드를 도출하고자 한다.

실시예들은 판매 사이트에 적합한 브랜드의 아이템을 분석하여 판매대상 아이템을 도출하고자 한다.

실시예들은 브랜드 인지도 및 브랜드 신뢰도를 기초로 판매 사이트와 적합한 브랜드를 선정하고자 한다.

인공지능 기반 온라인 상의 판매대상 아이템 도출 방법은 제1 판매자 단말로부터 제1 판매 사이트의 정보-여기서 상기 제1 판매 사이트의 정보는 제1 판매 사이트의 컨셉, 제1 판매 사이트의 정체성 및 제1 판매자의 가치관 중 적어도 하나 이상을 포함하는 정보임-를 획득하는 단계; 상기 제1 판매 사이트의 판매 데이터를 획득하는 단계; 상기 판매 데이터를 기반으로 미리 정의된 상위 판매수의 판매 아이템들을 추출하고, 미리 정의된 상위 판매수의 판매 브랜드들을 추출하는 단계; 상기 제1 판매 사이트의 정보, 상기 상위 판매수의 판매 아이템들 및 상기 상위 판매수의 판매 브랜드들을 기초로, 상기 제1 판매 사이트의 특징을 추출하는 단계; SNS(Social Network Service)를 통해 현재 아이템을 판매하고 있는 브랜드들 중 신규 브랜드들-여기서 상기 신규 브랜드들은 상기 제1 판매 사이트에서 아이템을 한번도 판매하지 않았던 브랜드들을 말함- 및 상기 신규 브랜드들에 대응하는 신규 브랜드 정보들-여기서 상기 신규 브랜드 정보들은 신규 브랜드의 디자이너 정보, 신규 브랜드의 가치관, 신규 브랜드가 주로 판매하는 아이템들을 포함하는 정보임-을 추출하는 단계; 상기 제1 판매 사이트의 특징과 상기 추출된 신규 브랜드 정보들을 기초로, 상기 제1 판매 사이트의 특징과 상기 신규 브랜드 정보들 사이의 공통점들을 추출하는 단계; 상기 추출된 공통점들을 기초로, 상기 신규 브랜드들에 대응하는 공통점 개수들을 생성하고, 상기 공통점 개수들을 기초로, 상기 신규 브랜드들에 대응하는 점수들을 생성하는 단계; 상기 점수들에 기초하여, 가장 높은 점수의 제1 신규 브랜드를 상기 제1 판매 사이트에 적합한 브랜드로 선정하는 단계; 및 상기 제1 신규 브랜드에 포함된 아이템을 기초로, 상기 제1 판매 사이트에 적합한 판매대상 아이템을 선정하는 단계를 포함한다.

상기 제1 판매 사이트의 정보, 상기 상위 판매수의 판매 아이템들 및 상기 상위 판매수의 판매 브랜드들을 기초로, 상기 제1 판매 사이트의 특징을 추출하는 단계는 상기 제1 판매 사이트의 정보, 상기 상위 판매수의 판매 아이템들 및 상기 상위 판매수의 판매 브랜드들을 기초로, 제1 입력 신호를 생성하는 단계; 상기 제1 입력신호를 제1 인공신경망-상기 제1 인공신경망은 판매 사이트의 정보, 상위 판매수의 아이템 및 상위 판매수의 브랜드에 따라 판매 사이트의 시장 특성을 추론하는 인공지능모델이고, 트레이닝 판매 사이트 정보들, 트레이닝 상위 판매 아이템 정보들, 트레이닝 상위 판매 브랜드 정보들에 각각 대응하는 트레이닝 판매 사이트의 특징들 및 제1 출력 신호들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계; 상기 제1 출력 신호에 기초하여 상기 제1 판매 사이트에 대응하는 상기 제1 판매 사이트의 특징을 추출하는 단계를 포함하고, 상기 트레이닝 판매 사이트의 특징들은 상기 트레이닝 판매 사이트 정보들, 상기 트레이닝 상위 판매 아이템 정보들, 상기 트레이닝 상위 판매 브랜드 정보들에 각각 대응하는 판매 사이트의 특징들이고, 상기 제1 출력 신호들은 상기 트레이닝 판매 사이트 정보들, 상기 트레이닝 상위 판매 아이템 정보들, 상기 트레이닝 상위 판매 브랜드 정보들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제1 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 판매 사이트의 특징들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습된다.

상기 제1 신규 브랜드에 포함된 아이템을 기초로, 상기 제1 판매 사이트에 적합한 판매대상 아이템을 추출하는 단계는 상기 제1 신규 브랜드의 대표 아이템의 정보를 획득하는 단계; 상기 제1 신규 브랜드의 대표 아이템에 대응하는 카테고리인 제1 카테고리를 추출하는 단계; 상기 판매 데이터를 기반으로, 상기 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 추출하는 단계; 상기 제1 카테고리와 상기 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 비교하는 단계; 상기 상위 판매수의 판매 아이템들 중 상기 제1 카테고리에 포함된 아이템의 수가 미리 정의된 제1 기준 값 보다 큰지 여부를 판단하는 단계; 상기 상위 판매수의 판매 아이템들 중 상기 제1 카테고리에 포함된 아이템의 수가 상기 제1 기준 값보다 클 경우, 상기 제1 판매 사이트의 판매대상 아이템으로 상기 제1 신규 브랜드 및 상기 제1 신규 브랜드의 대표 아이템을 선정하는 단계; 상기 상위 판매수의 판매 아이템들 중 상기 제1 카테고리에 포함된 아이템의 수가 상기 제1 기준 값 이하일 경우, 상기 상위 판매수의 판매 아이템들에 대응하는 카테고리들 중 가장 많은 카테고리인 제2 카테고리를 추출하는 단계; 상기 제1 신규 브랜드에 포함된 아이템들 중 상기 제2 카테고리에 포함된 아이템이 있는지 여부를 판단하는 단계; 상기 제1 신규 브랜드에 포함된 아이템들 중 상기 제2 카테고리에 포함된 아이템이 있는 경우, 상기 제1 신규 브랜드 및 제2 카테고리에 포함된 아이템들 중 가장 많은 판매량의 아이템을 상기 제1 판매 사이트의 판매대상 아이템으로 선정하는 단계; 및 상기 제1 신규 브랜드에 포함된 아이템들 중 제2 카테고리에 포함된 아이템이 없는 경우, 상기 점수들에 기초하여, 상기 제1 신규 브랜드를 제외한 나머지 브랜드들 중 상기 제1 판매 사이트에 적합한 브랜드를 추출하는 단계를 포함한다.

일 실시예에 따른 방법은 상기 제1 판매자 단말로부터 상기 제1 판매 사이트에 업로드 될 상기 제1 신규 브랜드와 관련된 콘텐츠의 제작 요청을 수신하는 단계; 상기 제1 신규 브랜드를 미리 정의된 웹 사이트에 입력하여 상기 제1 신규 브랜드의 정보-여기서 상기 제1 신규 브랜드의 정보는 브랜드의 로고, 브랜드의 디자이너, 브랜드의 연혁, 브랜드의 스토리, 브랜드의 가치관, 브랜드의 대표 아이템 및 브랜드가 주로 판매하는 아이템의 카테고리 적어도 하나 이상의 정보를 포함함-를 획득하는 단계; 상기 제1 신규 브랜드의 정보를 기초로, 미리 정의된 양식으로 제1 콘텐츠를 생성하는 단계; 및 상기 제1 판매자 단말로 상기 제1 콘텐츠를 제공하는 단계를 더 포함한다.

일 실시예에 따른 방법은 상기 신규 브랜드에 대응하는 관련된 게시 자료들-여기서 게시 자료들을 기사, 블로그, 인스타그램 등을 포함하는 SNS에 게시된 자료들을 포함함-을 수집하는 단계; 상기 신규 브랜드에 대응하는 관련된 게시 자료들의 개수를 기초로, 상기 신규 브랜드의 브랜드 인지도를 획득하는 단계; 상기 게시 자료들 중 긍정적인 의미를 갖는 게시 자료를 제1 그룹으로 분류하고, 상기 게시 자료들 중 부정적인 의미를 갖는 게시 자료를 제2 그룹으로 분류하는 단계; 상기 제1 그룹으로 분류된 게시 자료들의 횟수인 제1 횟수를 생성하는 단계; 상기 제2 그룹으로 분류된 게시 자료들의 횟수인 제2 횟수를 생성하는 단계; 상기 제1 횟수와 상기 제2 횟수를 합한 값인 제3 횟수를 생성하는 단계; 상기 제1 횟수를 상기 제3 횟수로 나눈 값에 기초하여 상기 신규 브랜드의 브랜드 신뢰도를 생성하는 단계; 상기 브랜드 인지도에 대응하는 제1 가중치 및 상기 브랜드 신뢰도에 대응하는 제2 가중치를 생성하는 단계; 및 상기 제1 가중치 및 상기 제2 가중치를 상기 신규 브랜드에 적용하여 제1 판매 사이트에 적합한 브랜드를 선정하는 단계를 더 포함한다.

일 실시예에 따른 방법은 상기 제1 판매자 단말로부터 상기 판매대상 아이템인 제1 아이템의 가격 범위 요청을 수신하는 단계; 상기 제1 아이템을 판매하고 있는 판매 사이트들을 기초로, 상기 제1 아이템의 가격 정보를 추출하는 단계; 상기 제1 아이템의 가격 정보를 기초로, 상기 제1 아이템의 판매 가격의 평균값, 중앙값 및 최빈값 중 하나의 값을 상기 제1 아이템의 기준 판매 가격으로 설정하는 단계; 상기 판매 사이트들의 판매 가격을 기초로, 상기 제1 아이템의 판매 가격 표준 편차 값을 생성하는 단계; 상기 제1 아이템의 판매 가격 표준 편차 값이 제1 임계 값보다 큰지 여부를 판단하는 단계; 상기 제1 아이템의 판매 가격 표준 편차 값이 제1 임계 값보다 큰 경우, 상기 제1 아이템의 가격의 범위를 설정하는 기준치로 제1 기준 퍼센트를 설정하는 단계; 상기 기준치로 제1 기준 퍼센트로 설정되면, 상기 제1 아이템의 기준 판매 가격에서 상기 제1 기준 퍼센트를 차감한 값으로, 상기 제1 최소 판매 가격을 산출하는 단계; 상기 기준치로 제1 기준 퍼센트로 설정되면, 상기 제1 아이템의 기준 판매 가격에서 상기 제1 기준 퍼센트를 가산한 값으로, 상기 제1 최대 판매 가격을 산출하는 단계; 상기 제1 최소 판매 가격 및 제1 최대 판매 가격을 기초로, 상기 제1 아이템의 판매 가격 범위를 설정하는 단계; 상기 제1 아이템의 판매 가격 표준 편차 값이 제1 임계 값보다 작은 경우, 상기 제1 아이템의 가격의 범위를 설정하는 기준치로 제2 기준 퍼센트를 설정하는 단계; 상기 기준치로 제2 기준 퍼센트로 설정되면, 상기 제1 아이템의 기준 판매 가격에서 상기 제2 기준 퍼센트를 차감한 값으로, 상기 제2 최소 판매 가격을 산출하는 단계; 상기 기준치로 제2 기준 퍼센트로 설정되면, 상기 제1 아이템의 기준 판매 가격에서 상기 제2 기준 퍼센트를 가산한 값으로, 상기 제2 최대 판매 가격을 산출하는 단계; 및 상기 제2 최소 판매 가격 및 제2 최대 판매 가격을 기초로, 상기 제1 아이템의 판매 가격 범위를 설정하는 단계; 및 설정된 상기 제1 아이템의 판매 가격 범위를 제1 판매자 단말로 전송하는 단계를 더 포함한다.

일 실시예에 따른 방법은 상기 제1 판매 사이트에서 판매하고 있는 판매대상 아이템의 재고량을 확인하기 위해 제1 판매자 창고에 부착되어 있는 카메라를 이용하여 창고에 보관되어 있는 판매대상 아이템을 촬영하는 단계; 촬영 후 생성된 이미지를 기초로, 상기 판매대상 아이템의 재고량을 확인하는 단계를 더 포함하고, 상기 판매대상 아이템을 촬영하는 단계는 상기 카메라가 현재 위치하고 있는 높이를 제1 높이값으로 설정하는 단계; 상기 판매대상 아이템이 포함되어 있는 상기 제1 이미지를 획득하기 위해 설정되어 있는 제2 높이값을 확인하는 단계; 상기 제1 높이값에서 상기 제2 높이값을 차감하여 제1 차이값을 산출하는 단계; 상기 제1 차이값이 미리 설정된 기준 범위를 벗어나는지 여부를 확인하는 단계; 상기 제1 차이값이 상기 기준 범위를 벗어나는 것으로 확인되면, 상기 제1 차이값이 0보다 큰지 여부를 확인하는 단계; 상기 제1 차이값이 0보다 큰 것으로 확인되면, 상기 카메라가 상기 제1 차이값과 상응하는 높이만큼 하강하여, 상기 카메라의 위치가 변경되도록 제어하고 촬영하는 단계; 및 상기 제1 차이값이 0보다 작은 것으로 확인되면, 상기 카메라가 상기 제1 차이값과 상응하는 높이만큼 상승하여, 상기 카메라의 위치가 변경되도록 제어하고 촬영하는 단계를 포함한다.

일 실시예에 따른 방법은 상기 제1 판매 사이트에서 모든 판매 아이템들의 조회수들, 판매수들 및 판매액들을 획득하는 단계; 상기 조회수들, 상기 판매수들 및 상기 판매액들에 기초하여, 상기 모든 판매 아이템들의 미리 정의된 제2 구간 대비 제1 구간-상기 제1 구간의 길이와 상기 제2 구간의 길이는 동일하고, 상기 제1 구간은 상기 제2 구간보다 최근의 구간임-의 조회수 상승률들, 판매수 상승률들 및 판매액 상승률들을 생성하는 단계; 상기 조회수 상승률들, 상기 판매수 상승률들 및 상기 판매액 상승률들에 기초하여, 상기 모든 판매 아이템들에 대응하는 상승률 지표들을 생성하는 단계; 상기 상승률 지표들에 기초하여 생성된 대표 상승률 지표가 임계 지표보다 작은 경우, 추가 판매대상 아이템을 선정하지 않는 것으로 판단하는 단계; 상기 대표 상승률 지표가 상기 임계 지표보다 큰 경우, 상승률 지표가 큰 순서대로 미리 정의된 개수의 제2 판매 아이템들을 상기 모든 판매 아이템들로부터 선정하는 단계; 상기 제2 판매 아이템들에 대응하는 제2 상승률 지표들에 기초하여, 상기 제2 판매 아이템들 중 적어도 하나의 제3 판매 아이템들을 선정하는 단계; 상기 제3 판매 아이템들에 대응하는 제3 판매 브랜드들의 로고들, 디자이너들 및 주요 아이템들을 포함하는 제3 브랜드 정보를 생성하는 단계; 및 상기 제3 브랜드 정보와 상기 신규 브랜드들에 각각 대응하는 일치율들에 기초하여, 상기 신규 브랜드들 중 적어도 하나의 제2 신규 브랜드를 선정하는 단계를 더 포함한다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 판매 사이트의 정보(판매 사이트의 컨셉, 판매 사이트의 정체성 및 판매자의 가치관 등)와 기존 판매 아이템들 중 상위 판매수의 아이템들을 분석하여 판매 사이트에 적합한 판매대상 브랜드를 도출할 수 있다.

실시예들은 판매 사이트에 적합한 판매대상 브랜드에서 판매하고 있는 아이템을 통해 판매대상 아이템을 도출할 수 있다.

실시예들은 브랜드 인지도 및 브랜드 신뢰도를 기초로 판매 사이트와 적합한 브랜드를 선정할 수 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 온라인 상의 판매대상 아이템을 도출하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 판매 사이트의 정보, 상위 판매수의 아이템들 및 상위 판매수의 브랜드들로 판매 사이트의 특징을 도출하는 인공신경망을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 브랜드 아이템들을 분석하여 제1 판매 사이트에 적합한 판매대상 아이템을 도출하는 과정을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 브랜드 정보를 획득하여 브랜드정보를 제공하는 콘텐츠를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 브랜드 인지도, 브랜드 신뢰도를 기초로 적합한 브랜드를 선정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 판매대상 아이템의 판매 가격 범위를 판매자에게 제공하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 표준 편차 값에 따라 판매 가격 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 판매대상의 재고량을 확인하는 과정을 설명하기 위한 순서도이다.
도10 은 일실시예에 따른 추가 판매대상 브랜드를 선정하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 웹 사이트(100), 복수의 판매자 단말(110) 및 장치(200)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

웹 사이트(100)는 판매 사이트 및 SNS를 포함하는 인터넷 사이트로, 판매 사이트에 관한 정보 및 판매대상의 브랜드 정보 및 판매대상의 아이템 정보를 획득할 수 있다.

복수의 판매자 단말(110)은 판매 사이트를 통해 아이템을 판매하고, 판매 사이트를 통해 판매할 판매대상 아이템을 찾고 있는 판매자의 단말로, 제1 판매자가 사용하는 제1 판매자 단말(111), 제2 판매자가 사용하는 제2 판매자 단말(112), 제3 판매자가 사용하는 제3 판매자 단말(113) 등을 포함할 수 있다.

복수의 판매자 단말(110) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 제1 판매자 단말(111)은 노트북이고, 제2 판매자 단말(112)은 스마트폰이고, 제3 판매자 단말(113) 등은 데스크탑 컴퓨터일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.

복수의 판매자 단말(110) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 판매자 단말(110)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

복수의 판매자 단말(110) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 판매자 단말(110) 각각은 웹 사이트 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.

이하에서는 설명의 편의상, 제1 판매자 단말(111)의 동작을 위주로 설명하지만, 제2 판매자 단말(112) 등의 다른 판매자 단말에서 제1 판매자 단말(111)의 동작을 대신 수행할 수 있는 것은 물론이다.

장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공신경망을 구비할 수 있다. 장치(200)는 복수의 판매자 단말(110) 및 웹 사이트(100)와 유무선으로 통신하도록 구성될 수 있다.

장치(200)는 제1 판매 사이트의 정보, 제1 판매 사이트의 상위 판매수의 판매 브랜드 및 제1 판매 사이트의 상위 판매수의 판매 아이템을 분석하여, 판매 사이트에 적합한 판매대상 브랜드 및 판매대상 아이템을 도출하여 제1 판매자 단말(111)로 제공할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 웹 사이트(100) 중 제1 판매 사이트, 제2 판매 사이트, 제3 판매 사이트 및 SNS만을 도시하였고, 복수의 판매자 단말(110) 중 제1 판매자 단말(111), 제2 판매자 단말(112) 및 제3 판매자 단말(113)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

도 2는 일실시예에 따른 온라인 상의 판매대상 아이템을 도출하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저 S201 단계에서, 장치(200)는 제1 판매자 단말(111)로부터 제1 판매 사이트의 정보를 획득할 수 있다. 여기서, 제1 판매 사이트의 정보는 제1 판매 사이트의 컨셉, 제1 판매 사이트의 정체성 및 제1 판매자의 가치관 중 적어도 하나 이상을 포함하는 정보이다.

구체적으로, 장치(200)는 제1 판매자 단말(111)로부터 제1 판매자가 운영하는 제1 판매 사이트의 컨셉, 정체성 및 제1 판매자의 가치관 등을 포함하는 제1 판매 사이트의 정보를 획득할 수 있다.

또한, 제1 판매 사이트의 컨셉은 제1 판매 사이트가 가지고 있는 컨셉으로, 예를 들어 시크함일 수도 있고, 역동적일 수도 있고 그 외의 컨셉일 수도 있다. 제1 판매 사이트의 정체성은 제1 판매 사이트가 가지고 있는 정체성으로, 예를 들어 여성의 의류 코디에 적합한 아이템을 판매하는 사이트일 수도 있고, 남성의 의류 코디에 적합한 아이템을 판매하는 사이트일 수도 있고 그 외의 정체성일 수도 있다. 제1 판매자의 가치관은 제1 판매 사이트를 운영하는 제1 판매자가 가지고 있는 가치관으로, 예를 들어 친환경적인 제품만을 취급할 수도 있고 그 외의 가치관일 수도 있다.

S202 단계에서, 장치(200)는 제1 판매 사이트의 판매 데이터를 획득할 수 있다.

구체적으로, 장치(200)는 제1 판매 사이트에서 판매되고 있는 아이템들은 어떤 아이템들이 있는지, 판매중인 아이템들 및 브랜드들이 각각 얼마나 판매되었는지, 제일 많이 판매된 아이템 및 브랜드는 무엇인지 등의 정보가 포함되어 있는 제1 판매 사이트의 판매 데이터를 획득할 수 있다.

S203 단계에서, 장치(200)는 판매 데이터를 기반으로 상위 판매수의 판매 아이템들을 추출하고, 상위 판매수의 판매 브랜드들을 추출할 수 있다.

즉, 장치(200)는 판매 데이터를 분석하여 미리 정의된 상위 판매수의 판매 아이템들을 추출할 수 있고, 또한 미리 정의된 상위 판매수의 판매 브랜드들을 추출할 수 있다.

S204 단계에서, 장치(200)는 제1 판매 사이트의 정보, 상위 판매수의 판매 아이템들, 상위 판매수의 판매 브랜드들을 기초로, 제1 판매 사이트의 특징을 도출할 수 있다.

구체적으로, 장치(200)는 제1 판매 사이트의 정보, 상위 판매수의 판매 아이템들, 상위 판매수의 판매 브랜드들을 제1 인공신경망에 적용하여, 제1 판매 사이트의 특징을 도출할 수 있다. 이와 관련하여 구체적인 설명은 도 3을 참고하기로 한다.

S205 단계에서, 장치(200)는 SNS(Social Networking Service)를 통해 현재 아이템을 판매하고 있는 신규 브랜드들 및 신규 브랜드들에 대응하는 신규 브랜드 정보들을 추출할 수 있다. 여기서, 신규 브랜드들은 제1 판매 사이트에서 아이템을 한번도 판매하지 않았던 브랜드로, 제1 판매 사이트에 적합한 판매대상 아이템을 도출하기 위한 브랜드이다.

구체적으로, 장치(200)는 SNS를 통해 제1 판매 사이트에서 판매되지 않았던 신규 브랜드를 찾을 수 있고, 신규 브랜드들에 대응하는 디자이너, 가치관, 주로 판매하는 아이템들을 포함하는 신규 브랜드 정보들을 추출할 수 있다.

S206 단계에서, 장치(200)는 제1 판매 사이트의 특징과 추출된 신규 브랜드 정보들을 기초로, 제1 판매 사이트의 특징과 신규 브랜드 정보들 사이의 공통점들을 추출할 수 있다.

예를 들어, 제1 판매 사이트의 정보, 상위 판매수의 판매 아이템들, 상위 판매수의 판매 브랜드들을 기초로, 제1 판매 사이트의 특징을 도출한 결과, 제1 판매 사이트의 특징이 니치마켓, 주 카테고리는 의류이고, 개성강한 아이템, 추구하는 가치가 친환경이고, 지속가능성, 주 타겟층이 MZ세대인 경우, 장치(200)는 니치마켓, 주 카테고리는 향수, 개성강한 아이템, 친환경 추구, 타겟층 2-30대의 제1 신규 브랜드와 제1 판매 사이트의 공통점으로 니치마켓, 주 타켓층 2-30대, 개성강한 아이템, 친환경 추구를 추출할 수 있고, 대중시장, 주 카테고리는 의류이고, 데일리한 아이템, 지속가능성 추구, 타겟층이 4-50대의 제2 신규 브랜드와 제1 판매 사이트의 공통점으로 주 카테고리가 의류, 지속가능성 추구를 공통점으로 추출할 수 있다.

S207 단계에서, 장치(200)는 추출된 공통점들을 기초로, 신규 브랜드들에 대응하는 공통점 개수들을 생성하고, 공통점 개수들을 기초로, 신규 브랜드들에 대응하는 점수들을 생성할 수 있다.

예를 들어, 제1 신규 브랜드와 제1 판매 사이트의 공통점은 니치마켓, 주 타켓층 2-30대, 개성강한 아이템, 친환경 추구이고, 제2 신규 브랜드와 제1 판매 사이트의 공통점은 주 카테고리가 의류, 지속가능성 추구이고, 제3 신규 브랜드와 제1 판매 사이트의 공통점은 주 타켓층 20대, 친환경 추구, 주 카테고리가 의류일 경우, 장치(200)는 제1 신규 브랜드에 대응하는 공통점 개수를 4개, 제 2 신규 브랜드에 대응하는 공통점 개수를 2개, 제3 신규 브랜드에 대응하는 공통점 개수를 3개로 생성할 수 있고, 공통점 개수들을 기초로, 제1 신규 브랜드의 점수는 66점, 제2 신규 브랜드의 점수는 33점, 제3 신규 브랜드의 점수는 50점으로 생성할 수 있다.

S208 단계에서, 장치(200)는 점수들에 기초하여, 가장 높은 점수의 제1 신규 브랜드를 제1 판매 사이트에 적합한 브랜드로 선정할 수 있다.

예를 들어, 제1 신규 브랜드의 점수는 66점, 제2 신규 브랜드의 점수는 33점, 제3 신규 브랜드의 점수는 50점인 경우, 장치(200)는 제1 신규 브랜드의 점수가 66점으로 가장 높다고 판단하여 제1 신규 브랜드를 제1 판매 사이트에 적합한 브랜드로 선정할 수 있다.

S209 단계에서, 장치(200)는 제1 신규 브랜드에 포함된 아이템을 기초로, 제1 판매 사이트에 적합한 판매대상 아이템을 선정할 수 있다.

구체적으로, 장치(200)는 제1 판매 사이트에 적합하다고 판단되는 제1 신규 브랜드의 판매 아이템들을 분석하여 제1 판매 사이트에 적합한 판매대상 아이템을 도출할 수 있다. 이와 관련한 구체적인 설명은 도 4를 참고하기로 한다.

도 3은 일실시예에 따른 판매 사이트의 정보, 상위 판매수의 아이템들 및 상위 판매수의 브랜드들로 판매 사이트의 특징을 도출하는 인공신경망을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서 장치(200)는 제1 판매 사이트의 정보, 상위 판매수의 판매 아이템들 및 상위 판매수의 판매 브랜드들을 기초로, 제1 입력 신호를 생성할 수 있다.

구체적으로, 장치(200)는 제1 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 제1 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보는 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S302 단계에서, 장치(200)는 제1 입력 신호를 제1 인공신경망에 적용하여, 입력에 대한 결과에 기초하여 제1 출력 신호를 생성할 수 있다.

제1 인공신경망은 입력된 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보에 따라 판매 사이트의 특징을 추론하는 인공지능 모델로, 트레이닝 판매 사이트 정보들, 트레이닝 상위 판매수의 아이템 정보들, 트레이닝 상위 판매수의 브랜드 정보들, 제1 출력 신호들 및 트레이닝 판매 사이트 특징들에 기초하여 미리 학습될 수 있다. 여기서, 트레이닝 판매 사이트의 특징들은 트레이닝 판매 사이트 정보들, 트레이닝 상위 판매 아이템 정보들, 트레이닝 상위 판매 브랜드 정보들에 각각 대응하는 판매 사이트의 특징들이고, 제1 출력 신호들은 트레이닝 판매 사이트 정보들, 트레이닝 상위 판매 아이템 정보들, 트레이닝 상위 판매 브랜드 정보들이 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 제1 인공신경망은 제1 출력 신호들 및 트레이닝 판매 사이트의 특징들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습된다.

제1 인공신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다. 강화 학습에 따라 학습되는 제1 인공신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보에 적합한 판매 사이트의 특징을 선정할수록 보상값이 높아질 수 있으며, 제2 보상은 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보에 적합하지 않은 판매 사이트의 특징을 선정하지 않을수록 보상값이 높아질 수 있다.

S303 단계에서, 장치(200)는 제1 출력 신호에 기초하여 제1 판매 사이트에 대응하는 제1 판매 사이트의 특징을 추출할 수 있다.

제1 인공신경망은 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보를 통해, 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보에 적합한 판매 사이트의 특징을 선정하여, 선정된 판매 사이트의 특징에 대한 정보를 출력할 수 있다.

이때, 출력을 평가하여 보상을 지급할 수 있다. 장치(200)는 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보에 적합한 판매 사이트 특징을 선정할수록 제1 보상을 많이 수여하고, 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보에 적합하지 않은 판매 사이트 특징을 선정하지 않을수록 제2 보상을 많이 수여할 수 있다.

또한, 보상에 대한 평가를 기초로 제1 인공신경망을 갱신할 수 있다. 제1 인공신경망이 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보를 통해, 판매 사이트 특징을 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공신경망을 갱신할 수 있다. 한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다. 상기와 같은 제1 인공신경망의 학습 과정을 반복함으로써, 제1 인공신경망을 점진적으로 갱신시킬 수 있다.

이를 통해, 장치(200)는 판매 사이트의 정보, 상위 판매수의 아이템 정보 및 상위 판매수의 브랜드 정보를 통해 판매 사이트의 특징을 출력하는 제1 인공신경망을 학습시킬 수 있다.

도 4는 일실시예에 따른 브랜드 아이템들을 분석하여 제1 판매 사이트에 적합한 판매대상 아이템을 도출하는 과정을 설명하기 위한 도면이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 신규 브랜드의 대표 아이템의 정보를 획득할 수 있다.

구체적으로, 장치(200)는 제1 판매 사이트에 적합한 브랜드로 제1 신규 브랜드가 선정되면 제1 신규 브랜드에 관한 정보를 획득할 수 있는데 획득한 정보를 기초로, 제1 신규 브랜드의 대표 아이템을 확인할 수 있고, 제1 신규 브랜드의 대표 아이템의 정보를 획득할 수 있다.

S402 단계에서, 장치(200)는 제1 신규 브랜드의 대표 아이템에 대응하는 카테고리인 제1 카테고리를 추출할 수 있다.

예를 들어, 제1 신규 브랜드의 대표 아이템이 검정색 크로스백일 경우, 장치(200)는 제1 신규 브랜드의 대표 아이템에 대응하는 제1 카테고리를 가방으로 추출할 수 있다.

S403 단계에서, 장치(200)는 판매 데이터를 기반으로 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 추출할 수 있다. 즉, 장치(200)는 제1 판매 사이트의 미리 정의된 상위 판매수의 판매 아이템들을 추출할 수 있고, 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 각각 추출할 수 있다.

S404 단계에서, 장치(200)는 제1 카테고리와 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 비교할 수 있다.

S405 단계에서, 장치(200)는 제1 카테고리와 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 비교한 결과, 상위 판매수의 판매 아이템들 중 제1 카테고리에 포함된 아이템의 수가 미리 정의된 제1 기준 값 보다 큰지 여부를 판단할 수 있다. 여기서, 제1 기준 값은 미리 설정된 값으로 실시 예에 따라 값이 달라질 수 있다.

S405 단계에서, 상위 판매수의 판매 아이템들 중 제1 카테고리에 포함된 아이템의 수가 제1 기준 값 보다 크다고 판단되면, S406 단계에서, 장치(200)는 제1 판매 사이트의 판매대상 아이템으로 제1 신규 브랜드 및 제1 신규 브랜드의 대표 아이템을 선정할 수 있다.

예를 들어, 제1 신규 브랜드의 대표 아이템이 검정색 크로스백이고, 제1 판매 사이트의 상위 판매수의 판매 아이템들 중 가방이 15개이고, 제1 기준 값이 10일 경우, 장치(200)는 제1 신규 브랜드의 대표 아이템을 통해 제1 카테고리를 가방으로 추출할 수 있고, 제1 판매 사이트의 상위 판매수의 판매 아이템들 중 가방의 수가 15개로 제1 기준 값인 10보다 크기 때문에, 제1 판매 사이트의 판매대상 아이템으로 제1 신규 브랜드 및 제1 신규 브랜드의 대표 아이템인 검정색 크로스백을 선정할 수 있다.

S405 단계에서, 상위 판매수의 판매 아이템들 중 제1 카테고리에 포함된 아이템의 수가 제1 기준 값 이하라고 판단되면, S407 단계에서, 장치(200)는 상위 판매수의 판매 아이템들에 대응하는 카테고리들 중 가장 많은 카테고리인 제2 카테고리를 추출할 수 있다.

예를 들어, 제1 카테고리가 가방이고, 제1 판매 사이트의 20개의 상위 판매수의 판매 아이템들 중 가방이 5개, 향수가 13개, 자켓이 2개이고, 제1 기준 값이 10일 경우, 장치(200)는 제1 판매 사이트의 상위 판매수의 판매 아이템들 중 제1 카테고리인 가방의 수가 5개로 제1 기준 값인 10보다 작기 때문에, 상위 판매수의 판매 아이템들 중 가장 많은 카테고리인 향수를 제2 카테고리로 추출할 수 있다.

S408 단계에서, 장치(200)는 제1 신규 브랜드의 아이템들 중 제2 카테고리에 포함된 아이템이 존재하는지 여부를 판단할 수 있다.

S408 단계에서 제1 신규 브랜드의 아이템들 중 제2 카테고리에 포함된 아이템이 존재한다고 판단되면, S409 단계에서, 장치(200)는 제1 판매 사이트의 판매대상 아이템으로 제1 신규 브랜드 및 제2 카테고리에 포함된 아이템들 중 가장 많은 판매량의 아이템을 선정할 수 있다.

예를 들어, 제2 카테고리가 향수이고, 제1 신규 브랜드의 아이템들 중 향수가 있을 경우, 장치(200)는 제1 판매 사이트의 판매대상 이이템으로 제1 신규 브랜드 및 제1 신규 브랜드의 향수 중 가장 많은 판매량의 향수를 선정할 수 있다.

S408 단계에서 제1 신규 브랜드의 아이템들 중 제2 카테고리에 포함된 아이템이 존재하지 않는다고 판단되면, S410 단계에서, 장치(200)는 점수들에 기초하여 제1 신규 브랜드를 제외한 나머지 브랜드들 중 제1 판매 사이트에 적합한 브랜드를 추출할 수 있다.

예를 들어, 제2 카테고리가 향수이고, 제1 신규 브랜드의 아이템들 중 향수가 없을 경우, 장치(200)는 점수들에 기초하여 제1 신규 브랜드를 제외한 나머지 브랜드들 중 제1 판매 사이트에 적합한 브랜드를 추출할 수 있다.

도 5는 일실시예에 따른 브랜드 정보를 획득하여 브랜드정보를 제공하는 콘텐츠를 생성하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서 장치(200)는 제1 판매자 단말(111)로부터 제1 판매 사이트에 업로드 될 제1 신규 브랜드와 관련된 콘텐츠의 제작 요청을 수신할 수 있다.

S502 단계에서, 장치(200)는 제1 신규 브랜드를 웹사이트에 입력하여 제1 신규 브랜드 정보를 획득할 수 있다. 여기서, 제1 신규 브랜드 정보는 브랜드의 로고, 브랜드의 디자이너, 브랜드의 연혁, 브랜드의 스토리, 브랜드의 가치관, 브랜드의 대표 아이템 및 브랜드가 주로 판매하는 아이템의 카테고리 중 적어도 하나 이상의 정보를 포함한다.

즉, 장치(200)는 제1 신규 브랜드를 웹 사이트에 입력하여 나온 결과물을 토대로 제1 신규 브랜드의 로고, 제1 신규 브랜드의 디자이너, 제1 신규 브랜드의 연혁, 제1 신규 브랜드의 스토리, 제1 신규 브랜드의 가치관, 제1 신규 브랜드의 대표 아이템 및 제1 신규 브랜드가 주로 판매하는 아이템의 카테고리 등을 포함하는 정보를 획득할 수 있다.

S503 단계에서, 장치(200)는 제1 신규 브랜드의 정보를 기초로, 미리 정의된 양식으로 제1 콘텐츠를 생성할 수 있다.

즉, 장치(200)는 획득한 정보를 그대로 콘텐츠로 생성하는 것이 아니라 획득한 정보를 기초로, 신뢰도가 높은 정보를 추출하여 정보를 가공하고 미리 정의된 양식에 적용하여 제1 콘텐츠를 생성할 수 있다.

S504 단계에서, 장치(200)는 제1 판매자 단말(111)로 생성된 제1 콘텐츠를 제공할 수 있다.

구체적으로, 장치(200)는 미리 정의된 양식으로 제1 콘텐츠를 생성하면 제1 판매자 단말(111)로 제1 콘텐츠를 제공할 수 있다. 제1 판매자는 제1 콘텐츠를 확인하여 제1 판매 사이트에 업로드하여 구매자들에게 제1 신규 브랜드의 정보를 제공할 수 있다.

도 6은 일실시예에 따른 브랜드 인지도, 브랜드 신뢰도를 기초로 적합한 브랜드를 선정하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저 S601 단계에서, 장치(200)는 신규 브랜드에 대응하는 관련된 게시 자료들을 수집할 수 있다. 여기서, 게시 자료들은 기사, 블로그, 인스타그램 등을 포함하는 SNS에 게시된 자료들을 포함한다.

즉, 장치(200)는 SNS를 포함한 웹 사이트를 통해 신규 브랜드에 대응하는 관련된 게시 자료들을 수집할 수 있다.

S602 단계에서, 장치(200)는 신규 브랜드에 대응하는 관련된 게시 자료들의 개수를 기초로, 신규 브랜드의 브랜드 인지도를 획득할 수 있다.

예를 들어, 제1 신규 브랜드에 대응하는 게시 자료들이 500개이고, 제2 신규 브랜드에 대응하는 게시 자료들이 250개이고, 제3 신규 브랜드에 대응하는 게시 자료들이 400개인 경우, 장치(200)는 제1 신규 브랜드의 브랜드 인지도를 5점 부여할 수 있고, 제2 신규 브랜드의 브랜드 인지도를 2.5점 부여할 수 있고, 제3 신규 브랜드의 브랜드 인지도를 4점 부여할 수 있다.

여기서, 수집된 게시 자료들이 게시된 기간의 범위는 실시 예에 따라 다르게 설정될 수 있다. 예를 들어, 4월 1일부터 5월 1일까지 한달 동안 게시된 게시 자료들의 개수를 기초로, 브랜드 인지도를 획득할 수도 있고, 2022년 1월 1일부터 2022년 12월 31일까지 일년 동안 게시된 게시 자료들의 개수를 기초로 브랜드 인지도를 획득할 수도 있다.

S603 단계에서, 장치(200)는 게시 자료들 중 긍정적인 의미를 갖는 게시 자료를 제1 그룹으로 분류할 수 있다.

구체적으로, 장치(200)는 게시 자료들의 사용된 문구를 분석하여 게시 자료의 내용을 획득할 수 있고, 게시 자료의 내용을 기초로, 긍정적인 의미를 갖는 게시 자료를 제1 그룹으로 분류할 수 있다.

S604 단계에서, 장치(200)는 게시 자료들 중 부정적인 의미를 갖는 게시 자료를 제2 그룹으로 분류할 수 있다.

구체적으로, 장치(200)는 게시 자료들의 사용된 문구를 분석하여 게시 자료의 내용을 획득할 수 있고, 게시 자료의 내용을 기초로, 부정적인 의미를 갖는 게시 자료를 제2 그룹으로 분류할 수 있다.

S605 단계에서, 장치(200)는 제1 그룹으로 분류된 게시 자료들의 횟수인 제1 횟수를 생성할 수 있다.

예를 들어, 제1 그룹으로 분류된 게시 자료가 400개인 경우, 장치(200)는 제1 횟수로 400개를 생성할 수 있다.

S606 단계에서, 장치(200)는 제2 그룹으로 분류된 게시 자료들의 횟수인 제2 횟수를 생성할 수 있다.

예를 들어, 제2 그룹으로 분류된 게시 자료가 100개인 경우, 장치(200)는 제2 횟수로 100개를 생성할 수 있다.

S607 단계에서, 장치(200)는 제1 횟수와 제2 횟수를 합한 값으로 제3 횟수를 생성할 수 있다.

예를 들어, 제1 횟수가 400이고 제2횟수가 100인 경우, 장치(200)는 제3 횟수로 500을 생성할 수 있다.

S608 단계에서, 장치(200)는 제1 횟수를 제3 횟수로 나눈 값에 기초하여 신규 브랜드의 브랜드 신뢰도를 생성할 수 있다.

예를 들어, 제1 신규 브랜드의 제1 횟수는 400이고 제3 횟수는 500이고, 제2 신규 브랜드의 제1 횟수는 150이고 제3 횟수는 250이고, 제3 신규 브랜드의 제1 횟수는 300이고 제3 횟수는 400인 경우, 장치(200)는 제1 신규 브랜드의 브랜드 신뢰도를 8점 부여할 수 있고, 제2 신규 브랜드의 브랜드 신뢰도를 6점 부여할 수 있고, 제3 신규 브랜드의 브랜드 신뢰도를 7.5점 부여할 수 있다.

S609 단계에서, 장치(200)는 브랜드 인지도에 대응하는 제1 가중치 및 브랜드 신뢰도에 대응하는 제2 가중치를 생성할 수 있다.

S610 단계에서, 장치(200)는 제1 가중치 및 제2 가중치를 신규 브랜드에 적용하여 제1 판매 사이트에 적합한 브랜드를 선정할 수 있다.

예를 들어, 제1 신규 브랜드는 브랜드 인지도 5점, 브랜드 신뢰도 8점이고, 제2 신규 브랜드는 브랜드 인지도 2.5점, 브랜드 신뢰도 6점이고, 제3 신규 브랜드는 브랜드 인지도 4점, 브랜드 신뢰도 7.5점인 경우, 장치(200)는 제1 판매 사이트에 적합한 브랜드로 제1 신규 브랜드를 선정할 수 있다.

도 7은 일실시예에 따른 판매대상 아이템의 판매 가격 범위를 판매자에게 제공하는 과정을 설명하기 위한 순서도이다.

도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 판매자 단말(111)로부터 판매대상 아이템인 제1 아이템의 가격 범위 요청을 수신할 수 있다.

즉, 장치(200)는 제1 판매자 단말(111)로부터 판매 사이트에 올릴 제1 아이템의 적정 판매 가격이 어느정도인지 확인할 수 있는 가격 범위 요청을 수신할 수 있다.

S702 단계에서, 장치(200)는 제1 아이템을 판매하고 있는 판매 사이트들을 기초로, 제1 아이템의 가격 정보를 추출할 수 있다.

구체적으로, 장치(200)는 제1 아이템을 판매하고 있는 판매 사이트들을 획득할 수 있고, 각각의 판매 사이트에서 제1 아이템을 얼마에 판매하고 있는지에 대한 제1 아이템의 가격 정보를 추출할 수 있다.

S703 단계에서, 장치(200)는 제1 아이템의 가격 정보를 기초로, 제1 아이템의 판매 가격의 평균값, 중앙값, 최빈값 중 적어도 하나의 값을 제1 아이템의 기준 판매 가격으로 설정할 수 있다.

S704 단계에서, 장치(200)는 판매 사이트들의 판매 가격을 기초로, 제1 아이템의 판매 가격 표준 편차 값을 생성할 수 있다.

즉, 장치(200)는 판매 사이트들의 판매 가격을 기초로, 제1 아이템의 판매 가격에 대한 분산도를 생성할 수 있고, 분산도를 통해 제1 아이템의 판매 가격 표준 편차 값을 생성할 수 있다.

S705 단계에서, 장치(200)는 표준 편차 값을 기초로, 판매 가격 범위를 설정하고, 설전된 제1 아이템의 판매 가격 범위를 제1 판매자 단말(111)로 전송할 수 있다. 즉, 장치(200)는 표준 편차 값을 통해 제1 아이템의 판매 가격이 판매 사이트 별로 비슷한지 아니면 판매 사이트마다 각각 다른지를 판단할 수 있고, 표준 편차 값에 따라 판매 가격 범위를 넓게 설정할 수 있고, 좁게 설정할 수 있다. 장치(200)는 생성된 제1 아이템의 판매 가격 범위를 제1 판매자 단말(111)로 전송할 수 있다.

도 8은 일실시예에 따른 표준 편차 값에 따라 판매 가격 범위를 설정하는 과정을 설명하기 위한 순서도이다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 판매 사이트들의 판매 가격을 분석하여 제1 아이템의 판매 가격 표준 편차 값을 생성할 수 있다.

S802 단계에서, 장치(200)는 판매 가격 표준 편차 값이 미리 설정한 제1 임계 값보다 큰지 여부를 판단할 수 있다. 여기서, 제1 임계 값은 미리 설정한 값으로 실시 예에 따라 달라질 수 있다.

S802 단계에서 판매 가격 표준 편차 값이 제1 임계 값보다 크다고 판단되면, S803 단계에서, 장치(200)는 제1 아이템의 가격 범위를 설정하는 기준치로 제1 기준 퍼센트를 설정할 수 있다.

예를 들어, 판매 가격 표준 편차 값이 40,000이고, 제1 임계 값이 30,000인 경우, 장치(200)는 판매 가격 표준 편차 값이 제1 임계 값보다 크다고 판단하여 제1 아이템의 가격 범위를 설정하는 기준치로 20%를 설정할 수 있다.

S804 단계에서, 장치(200)는 기준 판매 가격에서 제1 기준 퍼센트를 차감한 값으로 제1 최소 판매 가격을 설정할 수 있다.

예를 들어, 기준 판매 가격이 200,000원이고, 제1 기준 퍼센트가 20%인 경우, 장치(200)는 제1 최소 판매 가격으로 160,000원을 설정할 수 있다.

S805 단계에서, 장치(200)는 기준 판매 가격에서 제1 기준 퍼센트를 가산한 값으로 제1 최대 판매 가격을 설정할 수 있다.

예를 들어, 기준 판매 가격이 200,000원이고, 제1 기준 퍼센트가 20%인 경우, 장치(200)는 제1 최대 판매 가격으로 240,000원을 설정할 수 있다.

S806 단계에서, 장치(200)는 제1 최소 판매 가격 및 제1 최대 판매 가격을 기초로, 제1 판매 가격 범위를 설정할 수 있다.

예를 들어, 제1 최소 판매 가격으로 160,000원이고, 제1 최대 판매 가격으로 240,000원인 경우, 장치(200)는 160,000원에서 240,000원으로 제1 아이템의 판매 가격 범위를 설정할 수 있다.

S802 단계에서 판매 가격 표준 편차 값이 제1 임계 값보다 크지 않다고 판단되면 S807 단계에서, 장치(200)는 제1 아이템의 가격 범위를 설정하는 기준치로 제2 기준 퍼센트를 설정할 수 있다. 여기서, 표준 편차 값이 작을수록 판매 사이트 별로 판매 가격이 비슷하게 형성되어 있어 제2 기준 퍼센트는 제1 기준 퍼센트 보다 작은 값으로 설정할 수 있다.

예를 들어, 판매 가격 표준 편차 값이 25,000이고, 제1 임계 값이 30,000인 경우, 장치(200)는 판매 가격 표준 편차 값이 제1 임계 값보다 크지 않다고 판단하여 제1 아이템의 가격 범위를 설정하는 기준치로 10%를 설정할 수 있다.

S808 단계에서, 장치(200)는 기준 판매 가격에서 제2 기준 퍼센트를 차감한 값으로 제2 최소 판매 가격을 설정할 수 있다.

예를 들어, 기준 판매 가격이 200,000원이고, 제2 기준 퍼센트가 10%인 경우, 장치(200)는 제2 최소 판매 가격으로 180,000원을 설정할 수 있다.

S809 단계에서, 장치(200)는 기준 판매 가격에서 제2 기준 퍼센트를 가산한 값으로 제2 최대 판매 가격을 설정할 수 있다.

예를 들어, 기준 판매 가격이 200,000원이고, 제2 기준 퍼센트가 10%인 경우, 장치(200)는 제1 최대 판매 가격으로 220,000원을 설정할 수 있다.

S810 단계에서, 장치(200)는 제2 최소 판매 가격 및 제2 최대 판매 가격을 기초로, 제1 판매 가격 범위를 설정할 수 있다.

예를 들어, 제2 최소 판매 가격으로 180,000원이고, 제2 최대 판매 가격으로 220,000원인 경우, 장치(200)는 180,000원에서 220,000원으로 제1 아이템의 판매 가격 범위를 설정할 수 있다.

도 9는 일실시예에 따른 판매대상의 재고량을 확인하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 판매 사이트에서 판매하고 있는 판매대상 아이템의 재고량을 확인하기 위해 제1 판매자 창고에 부착되어 있는 카메라를 작동할 수 있다.

S902 단계에서, 장치(200)는 카메라가 현재 위치하고 있는 높이를 제1 높이값으로 설정할 수 있다. 이때, 장치(200)는 카메라가 지지대의 어느 부분에 연결되어 있는지를 확인하여, 카메라가 현재 위치하고 있는 높이를 확인할 수 있으며, 카메라가 현재 위치하고 있는 높이를 제1 높이값으로 설정할 수 있다.

S903 단계에서, 장치(200)는 판매대상 아이템이 포함되어 있는 제1 이미지를 획득하기 위해 설정되어 있는 제2 높이값을 확인할 수 있다. 이를 위해, 장치(200)의 메모리에는 제품 별로 측정하는데 최적화된 높이값에 대한 정보가 저장되어 있으며, 장치(200)는 메모리로부터 판매대상 아이템이 위치하고 있는 높이값에 대한 정보를 획득하여, 획득된 정보를 통해 제2 높이값을 확인할 수 있다.

S904 단계에서, 장치(200)는 제1 높이값에서 제2 높이값을 차감하여 제1 차이값을 산출할 수 있다.

S905 단계에서, 장치(200)는 제1 차이값이 기준 범위를 벗어나는지 여부를 확인할 수 있다. 여기서, 기준 범위는 실시예에 따라 상이하게 설정될 수 있으며, 예를 들어, 기준 범위는 -10cm부터 10cm까지로 설정될 수 있다.

S905 단계에서 제1 차이값이 기준 범위를 벗어나는 것으로 확인되면, S906 단계에서, 장치(200)는 제1 차이값이 0보다 큰지 여부를 확인할 수 있다.

S906 단계에서 제1 차이값이 0보다 큰 것으로 확인되면, S907 단계에서, 장치(200)는 카메라가 제1 차이값과 상응하는 높이만큼 하강하여, 카메라의 위치가 변경되도록 제어할 수 있다.

예를 들어, 제1 높이값이 90cm이고, 제2 높이값이 75cm이고, 기준 범위가 -10cm부터 10cm까지로 설정되어 있는 경우, 장치(200)는 제1 차이값을 15cm로 산출할 수 있으며, 제1 차이값이 기준 범위를 벗어나면서 0보다 큰 것으로 확인되기 때문에, 카메라가 현재 위치에서부터 15cm 하강하여, 카메라의 위치가 변경되도록 제어할 수 있다.

S906 단계에서 제1 차이값이 0보다 작은 것으로 확인되면, S908 단계에서, 장치(200)는 카메라가 제1 차이값과 상응하는 높이만큼 상승하여, 카메라의 위치가 변경되도록 제어할 수 있다.

예를 들어, 제1 높이값이 90cm이고, 제2 높이값이 105cm고, 기준 범위가 -10cm부터 10cm까지로 설정되어 있는 경우, 장치(200)는 제1 차이값을 -15cm로 산출할 수 있으며, 제1 차이값이 기준 범위를 벗어나면서 0보다 작은 것으로 확인되기 때문에, 카메라가 현재 위치에서부터 15cm 상승하여, 카메라의 위치가 변경되도록 제어할 수 있다.

S909 단계에서, 장치(200)는 위치된 카메라를 통해 판매대상 아이템을 촬영하고, 촬영 후 생성된 이미지를 기초로 판매대상 아이템의 재고량을 확인할 수 있다.

도10 은 일실시예에 따른 추가 판매대상 브랜드를 선정하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(200)는 제1 판매 사이트에서 모든 판매 아이템들의 조회수들, 판매수들 및 판매액들을 획득할 수 있다.

S1002 단계에서, 장치(200)는 조회수들, 판매수들, 판매액들에 기초하여 모든 판매 아이템들의 제2 구간 대비 제1 구간의 조회수 상승률들, 판매수 상승률들 및 판매액 상승률들을 생성할 수 있다. 여기서, 제1 구간의 길이와 제2 구간의 길이는 동일하고, 제1 구간은 제2 구간보다 최근의 구간이다.

예를 들어, 제2 구간이 4월 18일부터 4월 24일이고, 제1 구간이 4월 25일부터 5월 1일인 경우, 장치(200)는 모든 판매 아이템들의 조회수들, 판매수들, 판매액들에 기초하여 4월 18일부터 4월 24일의 모든 판매 아이템들의 조회수들, 판매수들, 판매액들을 획득할 수 있고, 4월 25일부터 5월 1일의 모든 판매 아이템들의 조회수들, 판매수들, 판매액들을 획득할 수 있다. 또한, 장치(200)는 4월 18일부터 4월 24일 대비 4월 25일부터 5월 1일의 모든 판매 아이템들의 조회수 상승률들, 판매수 상승률들, 판매액 상승률들을 생성할 수 있다.

S1003 단계에서, 장치(200)는 조회수 상승률들, 판매수 상승률들 및 판매액 상승률들에 기초하여 모든 판매 아이템들에 대응하는 상승률 지표들을 생성할 수 있다.

구체적으로, 장치(200)는 조회수 상승률들, 판매수 상승률들 및 판매액 상승률들을 기초로, 상승률들에 평균으로 상승률 지표를 생성할 수도 있고, 조회수 상승률들, 판매수 상승률들 및 판매액 상승률들 중 중요하게 생각하는 상승률에 가중치를 두어 상승률 지표를 생성할 수도 있다.

S1004 단계에서, 장치(200)는 상승률 지표들에 기초하여 생성된 대표 상승률 지표를 생성할 수 있다.

구체적으로, 장치(200)는 모든 판매 아이템들에 대응하는 상승률 지표들을 기초로, 대표 상승률 지표를 생성할 수 있고, 대표 상승률 지표는 상승률 지표들의 평균으로 생성할 수도 있고, 상승률 지표들의 총합으로 생성할 수도 있다.

S1005 단계에서, 장치(200)는 대표 상승률 지표가 임계 지표보다 큰지 여부를 판단할 수 있다.

S1005 단계에서 대표 상승률 지표가 임계 지표보다 크다고 확인되면, S1006 단계에서, 장치(200)는 상승률 지표가 큰 순서대로 미리 정의된 개수의 제2 판매 아이템들을 모든 판매 아이템들로부터 선정할 수 있다.

즉, 장치(200)는 대표 상승률 지표가 임계 지표보다 크다고 판단되면, 모든 판매 아이템들의 상승률 지표를 기초로, 상승률 지표가 큰 순서대로 미리 정의된 개수의 제2 판매 아이템을 선정할 수 있다. 예를 들어, 대표 상승률 지표가 임계 지표보다 크고, 미리 정의된 개수가 3인 경우, 장치(200)는 상승률 지표가 가장 큰 아이템과 상승률 지표가 2번째로 큰 아이템과 상승률 지표가 3번째로 큰 아이템을 제2 판매 아이템들로 선정할 수 있다.

S1007 단계에서, 장치(200)는 제2 판매 아이템들에 대응하는 제2 상승률 지표들에 기초하여 제2 판매 아이템들 중 적어도 하나의 제3 판매 아이템들을 선정할 수 있다.

예를 들어, 장치(200)는 제2 판매 아이템들에 대응하는 제2 상승률 지표들을 기초로, 제2 상승률 지표가 크다고 판단되면 제2 판매 아이템들을 모두 제3 판매 아이템으로 선정할 수 있고, 제2 상승률 지표가 중간정도라고 판단되면 제2 판매 아이템들 중 반만 제3 판매 아이템으로 선정할 수 있고, 제2 상승률 지표가 작다고 판단되면 제2 판매 아이템들 중 하나만 제3 판매 아이템으로 선정할 수 있다.

S1008 단계에서, 장치(200)는 제3 판매 아이템들에 대응하는 제3 판매 브랜드들의 로고들, 디자이너들 및 주요 아이템들 중 적어도 하나에 기초하여 제3 브랜드 정보를 생성할 수 있다.

즉, 장치(200)는 제3 판매 아이템들에 대응하는 제3 판매 브랜드들의 로고들, 디자이너들 및 주요 아이템들을 획득할 수 있고, 획득한 제3 판매 아이템들의 브랜드 정보에 기초하여 제3 브랜드 정보를 생성할 수 있다.

S1009 단계에서, 장치(200)는 제3 브랜드 정보와 신규 브랜드들에 각각 대응하는 일치율들에 기초하여 신규 브랜드들 중 적어도 하나의 제2 신규 브랜드를 선정할 수 있다.

S1005 단계에서 대표 상승률 지표가 임계 지표보다 크지 않다고 판단되면, S1010 단계에서, 장치(200)는 추가 판매대상 아이템을 선정하지 않는 것으로 판단할 수 있다.

도 11은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 10을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도10을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 개인 또는 단체는 도 1 내지 도 10을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(200)는 인공신경망을 학습시키거나, 학습된 인공신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공신경망을 학습시키는 장치(200)와 학습된 인공신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

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 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

장치에 의해 수행되는 방법에 있어서,
제1 판매자 단말로부터 제1 판매 사이트의 정보-여기서 상기 제1 판매 사이트의 정보는 제1 판매 사이트의 컨셉, 제1 판매 사이트의 정체성 및 제1 판매자의 가치관 중 적어도 하나 이상을 포함하는 정보임-를 획득하는 단계;
상기 제1 판매 사이트의 판매 데이터를 획득하는 단계;
상기 판매 데이터를 기반으로 미리 정의된 상위 판매수의 판매 아이템들을 추출하고, 미리 정의된 상위 판매수의 판매 브랜드들을 추출하는 단계;
상기 제1 판매 사이트의 정보, 상기 상위 판매수의 판매 아이템들 및 상기 상위 판매수의 판매 브랜드들을 기초로, 상기 제1 판매 사이트의 특징을 추출하는 단계;
SNS(Social Network Service)를 통해 현재 아이템을 판매하고 있는 브랜드들 중 신규 브랜드들-여기서 상기 신규 브랜드들은 상기 제1 판매 사이트에서 아이템을 한번도 판매하지 않았던 브랜드들을 말함- 및 상기 신규 브랜드들에 대응하는 신규 브랜드 정보들-여기서 상기 신규 브랜드 정보들은 신규 브랜드의 디자이너 정보, 신규 브랜드의 가치관, 신규 브랜드가 판매하는 아이템들을 포함하는 정보임-을 추출하는 단계;
상기 제1 판매 사이트의 특징과 상기 추출된 신규 브랜드 정보들을 기초로, 상기 제1 판매 사이트의 특징과 상기 신규 브랜드 정보들 사이의 공통점들을 추출하는 단계;
상기 추출된 공통점들을 기초로, 상기 신규 브랜드들에 대응하는 공통점 개수들을 생성하고, 상기 공통점 개수들을 기초로, 상기 신규 브랜드들에 대응하는 점수들을 생성하는 단계;
상기 점수들에 기초하여, 가장 높은 점수의 제1 신규 브랜드를 상기 제1 판매 사이트의 브랜드로 선정하는 단계; 및
상기 제1 신규 브랜드에 포함된 아이템을 기초로, 상기 제1 판매 사이트의 판매대상 아이템을 선정하는 단계를 포함하고,
상기 제1 판매 사이트의 판매대상 아이템을 선정하는 단계는,
상기 제1 신규 브랜드의 대표 아이템의 정보를 획득하는 단계;
상기 제1 신규 브랜드의 대표 아이템에 대응하는 카테고리인 제1 카테고리를 추출하는 단계;
상기 판매 데이터를 기반으로, 상기 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 추출하는 단계;
상기 제1 카테고리와 상기 상위 판매수의 판매 아이템들에 대응하는 카테고리들을 비교하는 단계;
상기 상위 판매수의 판매 아이템들 중 상기 제1 카테고리에 포함된 아이템의 수가 미리 정의된 제1 기준 값 보다 큰지 여부를 판단하는 단계;
상기 상위 판매수의 판매 아이템들 중 상기 제1 카테고리에 포함된 아이템의 수가 상기 제1 기준 값보다 클 경우, 상기 제1 판매 사이트의 판매대상 아이템으로 상기 제1 신규 브랜드 및 상기 제1 신규 브랜드의 대표 아이템을 선정하는 단계;
상기 상위 판매수의 판매 아이템들 중 상기 제1 카테고리에 포함된 아이템의 수가 상기 제1 기준 값 이하일 경우, 상기 상위 판매수의 판매 아이템들에 대응하는 카테고리들 중 가장 많은 카테고리인 제2 카테고리를 추출하는 단계;
상기 제1 신규 브랜드에 포함된 아이템들 중 상기 제2 카테고리에 포함된 아이템이 있는지 여부를 판단하는 단계;
상기 제1 신규 브랜드에 포함된 아이템들 중 상기 제2 카테고리에 포함된 아이템이 있는 경우, 상기 제1 신규 브랜드 및 제2 카테고리에 포함된 아이템들 중 가장 많은 판매량의 아이템을 상기 제1 판매 사이트의 판매대상 아이템으로 선정하는 단계; 및
상기 제1 신규 브랜드에 포함된 아이템들 중 제2 카테고리에 포함된 아이템이 없는 경우, 상기 점수들에 기초하여, 상기 제1 신규 브랜드를 제외한 나머지 브랜드를 추출하는 단계를 포함하는,
인공지능 기반 온라인 상의 판매대상 아이템 도출 방법.
제1항에 있어서,
상기 제1 판매 사이트의 정보, 상기 상위 판매수의 판매 아이템들 및 상기 상위 판매수의 판매 브랜드들을 기초로, 상기 제1 판매 사이트의 특징을 추출하는 단계는
상기 제1 판매 사이트의 정보, 상기 상위 판매수의 판매 아이템들 및 상기 상위 판매수의 판매 브랜드들을 기초로, 제1 입력 신호를 생성하는 단계;
상기 제1 입력신호를 제1 인공신경망-상기 제1 인공신경망은 판매 사이트의 정보, 상위 판매수의 아이템 및 상위 판매수의 브랜드에 따라 판매 사이트의 시장 특성을 추론하는 인공지능모델이고, 트레이닝 판매 사이트 정보들, 트레이닝 상위 판매 아이템 정보들, 트레이닝 상위 판매 브랜드 정보들에 각각 대응하는 트레이닝 판매 사이트의 특징들 및 제1 출력 신호들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계;
상기 제1 출력 신호에 기초하여 상기 제1 판매 사이트에 대응하는 상기 제1 판매 사이트의 특징을 추출하는 단계를 포함하고,
상기 트레이닝 판매 사이트의 특징들은 상기 트레이닝 판매 사이트 정보들, 상기 트레이닝 상위 판매 아이템 정보들, 상기 트레이닝 상위 판매 브랜드 정보들에 각각 대응하는 판매 사이트의 특징들이고,
상기 제1 출력 신호들은 상기 트레이닝 판매 사이트 정보들, 상기 트레이닝 상위 판매 아이템 정보들, 상기 트레이닝 상위 판매 브랜드 정보들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며,
상기 제1 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 판매 사이트의 특징들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습된,
인공지능 기반 온라인 상의 판매대상 아이템 도출 방법.
삭제