KR102425606B1 - 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법 - Google Patents

파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법 Download PDF

Info

Publication number
KR102425606B1
KR102425606B1 KR1020210129234A KR20210129234A KR102425606B1 KR 102425606 B1 KR102425606 B1 KR 102425606B1 KR 1020210129234 A KR1020210129234 A KR 1020210129234A KR 20210129234 A KR20210129234 A KR 20210129234A KR 102425606 B1 KR102425606 B1 KR 102425606B1
Authority
KR
South Korea
Prior art keywords
parameter
parameters
lesson
value
electronic device
Prior art date
Application number
KR1020210129234A
Other languages
English (en)
Inventor
김수환
문진원
고민성
김재원
이소현
Original Assignee
주식회사 프렌트립
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 주식회사 프렌트립 filed Critical 주식회사 프렌트립
Priority to KR1020210129234A priority Critical patent/KR102425606B1/ko
Priority to PCT/KR2021/014008 priority patent/WO2023054783A1/ko
Priority to KR1020220090143A priority patent/KR102654183B1/ko
Application granted granted Critical
Publication of KR102425606B1 publication Critical patent/KR102425606B1/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Electrophonic Musical Instruments (AREA)

Abstract

전자 장치의 제어 방법이 개시된다. 본 제어 방법은, 적어도 하나의 판매자를 통해 제공된 레슨 각각에 대하여, 레슨에 포함되는 레저 활동 및 레슨의 거래 중 적어도 하나와 관련된 복수의 파라미터의 값을 획득하는 단계, 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로, 복수의 파라미터 간의 연관도를 식별하는 단계, 예정된 적어도 하나의 레슨에 대하여, 복수의 파라미터 중 적어도 하나의 제1 파라미터의 값을 획득하는 단계, 복수의 파라미터 중 제2 파라미터와 제1 파라미터 간의 연관도를 기반으로, 예정된 적어도 하나의 레슨에 대한 제2 파라미터의 값을 예측하는 단계를 포함한다.

Description

파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법 { CONTROL METHOD OF ELECTRONIC APPARATUS FOR PREDICTING PARAMETER OF LEISURE ACTIVITY LESSON BASED ON RELATIONSHIP BETWEEN PARAMETERS }
본 개시는 전자 장치에 관한 것으로, 보다 상세하게는, 레저 활동을 제공하는 레슨들에 대한 복수의 파라미터의 값을 수집하여 분석하는 전자 장치에 관한 것이다.
온라인 플랫폼을 통해 레저 활동에 대한 레슨을 판매하는 거래 태양이 늘어나면서, 레저 활동의 판매를 중개하는 다양한 온라인 플랫폼들이 생겨나고 있다.
다만, 주로 특정한 시간의 오프라인 미팅 내지는 단체 미팅을 기반으로 진행되는 레저 활동의 특성상, 레저 활동에 대한 레슨은 한 번 기획될 때마다 판매자(ex. 강사, 코치, 전문가 등)의 시간 내지는 노동력(또는 고용 인건비)이 일정 수준 이상 소요될 수밖에 없는 특성이 있기 때문에, 레슨이 진행되는 환경(ex. 참여 인원수, 매출 등) 내지는 상황에 대한 현실적인 예측이 매우 중요하다.
등록 특허 공보 제10-19907990000호(상권업종별 매출액 및 생존율 예측 방법 및 컴퓨터 판독 가능 기록매체)
본 개시는 레저 활동에 관한 레슨의 기획 과정에서 과거 제공된 레슨의 파라미터들 간의 연관도를 기반으로 향후 예정된 레슨의 파라미터를 예측/추천하는 전자 장치의 제어 방법을 제공한다.
본 개시의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 개시의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 개시의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 개시의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 개시의 일 실시 예에 따른 전자 장치의 제어 방법은, 적어도 하나의 판매자를 통해 제공된 레슨 각각에 대하여, 상기 레슨에 포함되는 레저 활동 및 상기 레슨의 거래 중 적어도 하나와 관련된 복수의 파라미터의 값을 획득하는 단계, 상기 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로, 상기 복수의 파라미터 간의 연관도를 식별하는 단계, 예정된 적어도 하나의 레슨에 대하여, 상기 복수의 파라미터 중 적어도 하나의 제1 파라미터의 값을 획득하는 단계, 상기 복수의 파라미터 중 제2 파라미터와 상기 제1 파라미터 간의 연관도를 기반으로, 상기 예정된 적어도 하나의 레슨에 대한 상기 제2 파라미터의 값을 예측하는 단계를 포함한다.
상기 예정된 적어도 하나의 레슨에 대하여 상기 제1 파라미터의 값을 획득하는 단계는, 사용자 입력에 따라, 상기 예정된 레슨에 대한 적어도 하나의 제3 파라미터의 값을 설정하고, 상기 제3 파라미터와 상기 제1 파라미터 간의 연관도를 기반으로, 상기 설정된 제3 파라미터의 값에 매칭되는 상기 제1 파라미터의 값을 식별할 수 있다.
상기 예정된 적어도 하나의 레슨에 대하여 상기 제1 파라미터의 값을 획득하는 단계는, 상기 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로 상기 제1 파라미터의 값의 변경 이력을 식별하고, 상기 식별된 변경 이력에 따라, 상기 예정된 적어도 하나의 레슨에 대하여 상기 제1 파라미터의 값을 예측할 수도 있다.
상기 제공된 레슨 각각에 대하여 복수의 파라미터의 값을 획득하는 단계는, 레저 활동에 대한 레슨의 판매를 중개하는 제1 플랫폼을 제공하는 제1 서버로부터, 상기 제1 플랫폼을 통해 중개된 레슨에 대한 상기 복수의 파라미터의 값을 수신하고, 레저 활동에 대한 레슨의 판매를 중개하는 제2 플랫폼을 제공하는 제2 서버로부터, 상기 제2 플랫폼을 통해 중개된 레슨에 대한 상기 복수의 파라미터의 값을 수신할 수 있다.
한편, 상기 전자 장치의 제어 방법은, 사용자 입력에 따라 상기 제2 파라미터에 대한 목표 값을 설정하는 단계, 상기 제1 파라미터와 상기 제2 파라미터 간의 연관도를 기반으로, 상기 설정된 상기 제2 파라미터의 목표 값에 매칭되는 상기 제1 파라미터의 값을 식별하는 단계, 상기 식별된 제1 파라미터의 값을 추천하는 단계를 포함할 수 있다.
이 경우, 상기 전자 장치의 제어 방법은, 상기 사용자 입력에 따라 상기 제2 파라미터에 대한 목표 값이 설정되면, 상기 제2 파라미터가 입력 데이터로 정의되고 상기 제1 파라미터가 출력 데이터로 정의되는 적어도 하나의 인공지능 모델을 생성하는 단계, 상기 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로, 상기 생성된 인공지능 모델을 훈련시키는 단계, 상기 훈련된 인공지능 모델에 상기 제2 파라미터에 대하여 설정된 목표 값을 입력하여, 상기 제2 파라미터의 목표 값에 매칭되는 상기 제1 파라미터의 값을 식별하는 단계를 포함할 수도 있다.
상기 복수의 파라미터 간의 연관도를 식별하는 단계는, 레슨의 대상이 되는 레저 활동의 유형 별로, 상기 복수의 파라미터 간의 연관도를 독립적으로 식별할 수 있다.
또한, 상기 복수의 파라미터 간의 연관도를 식별하는 단계는, 상기 복수의 파라미터 중 하나의 파라미터에 대한 적어도 하나의 연관 파라미터를 식별하는 단계, 상기 파라미터에 대한 연관 파라미터가 복수 개 식별된 경우, 상기 복수의 연관 파라미터 각각의 값을 조합하여 상기 파라미터의 값을 산출하기 위하여 상기 복수의 연관 파라미터 각각에 대해 적용되는 연관도 상수를 획득하는 단계를 포함할 수 있다.
이 경우, 상기 전자 장치의 제어 방법은, 상기 파라미터에 대한 연관도가 임계치 이상인 상기 연관 파라미터의 수에 따라, 상기 파라미터의 중요도를 설정하는 단계, 상기 파라미터의 중요도에 따라, 상기 복수의 연관 파라미터 각각에 대해 적용되는 연관도 상수의 업데이트 주기를 식별하는 단계, 상기 업데이트 주기마다, 제공된 레슨 각각에 대하여 상기 파라미터의 값 및 상기 연관 파라미터 각각의 값을 획득하고, 상기 획득된 파라미터의 값 및 상기 획득된 연관 파라미터 각각의 값을 기반으로 상기 연관도 상수를 업데이트하는 단계를 포함할 수 있다.
한편, 상기 복수의 파라미터는, 레슨의 구매자 별 단가, 레슨의 매출, 레슨의 판매에 활용된 플랫폼 수, 레슨이 제공되는 지역, 레슨이 제공되는 요일, 레슨이 제공되는 시간대, 및 레슨의 참여 인원수를 포함할 수 있다.
본 개시에 따른 전자 장치는 레저 활동을 제공하는 레슨 별로 복수의 파라미터의 값을 수집하고, 파라미터 간의 연관도에 따라, 향후 예정된 레슨의 파라미터를 예측할 수 있다.
특히, 본 개시에 따른 전자 장치는, 시간의 흐름에 따라 예측이 불가능한 파라미터를 예측 가능한 다른 파라미터를 통해 간접적으로 예측할 수 있다는 장점이 있다.
아울러, 본 개시에 따른 전자 장치는, 다양한 플랫폼을 통해 중개된 레슨들을 하나의 빅데이터로 통합하여 실시간으로 분석하고, 파라미터 간의 연관도를 효율적으로 업데이트하여 예측 정보를 제공함으로써, 향후 레슨을 계획/기획하는 판매자(: 레슨 제공자)의 의사결정을 지원할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도,
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 흐름도,
도 3은 본 개시의 일 실시 예에 따른 전자 장치가 복수의 플랫폼을 통해 거래 데이터를 획득하는 동작을 설명하기 위한 도면,
도 4는 본 개시의 일 실시 예에 따른 전자 장치가 연관 파라미터를 식별하여 조합에 따라 함수를 생성하는 동작을 설명하기 위한 흐름도,
도 5는 본 개시의 일 실시 예에 따른 전자 장치가 특정 파라미터의 목표 값을 위해 적어도 하나의 다른 파라미터의 값을 추천하는 동작을 설명하기 위한 흐름도, 그리고
도 6은 본 개시의 다양한 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
본 개시에 대하여 구체적으로 설명하기에 앞서, 본 명세서 및 도면의 기재 방법에 대하여 설명한다.
먼저, 본 명세서 및 청구범위에서 사용되는 용어는 본 개시의 다양한 실시 예들에서의 기능을 고려하여 일반적인 용어들을 선택하였다. 하지만, 이러한 용어들은 당해 기술 분야에 종사하는 기술자의 의도나 법률적 또는 기술적 해석 및 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 일부 용어는 출원인이 임의로 선정한 용어도 있다. 이러한 용어에 대해서는 본 명세서에서 정의된 의미로 해석될 수 있으며, 구체적인 용어 정의가 없으면 본 명세서의 전반적인 내용 및 당해 기술 분야의 통상적인 기술 상식을 토대로 해석될 수도 있다.
또한, 본 명세서에 첨부된 각 도면에 기재된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다. 설명 및 이해의 편의를 위해서 서로 다른 실시 예들에서도 동일한 참조번호 또는 부호를 사용하여 설명한다. 즉, 복수의 도면에서 동일한 참조 번호를 가지는 구성요소를 모두 도시되어 있다고 하더라도, 복수의 도면들이 하나의 실시 예를 의미하는 것은 아니다.
또한, 본 명세서 및 청구범위에서는 구성요소들 간의 구별을 위하여 "제1", "제2" 등과 같이 서수를 포함하는 용어가 사용될 수 있다. 이러한 서수는 동일 또는 유사한 구성요소들을 서로 구별하기 위하여 사용하는 것이며 이러한 서수 사용으로 인하여 용어의 의미가 한정 해석되어서는 안 된다. 일 예로, 이러한 서수와 결합된 구성요소는 그 숫자에 의해 사용 순서나 배치 순서 등이 제한되어서는 안 된다. 필요에 따라서는, 각 서수들은 서로 교체되어 사용될 수도 있다.
본 명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 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.
본 개시의 실시 예에서 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
또한, 본 개시의 실시 예에서, 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적인 연결뿐 아니라, 다른 매체를 통한 간접적인 연결의 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 포함한다는 의미는, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 1을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다.
전자 장치(100)는 적어도 하나의 컴퓨터로 구성된 서버로 구현될 수 있다. 전자 장치(100)는 복수의 서버를 포함하는 시스템으로 구현될 수도 있다.
이밖에, 전자 장치(100)는 데스크탑 PC, 노트북 PC, 키오스크, 스마트폰, 태블릿 PC 등 다양한 단말 장치에 해당할 수도 있다.
메모리(110)는 전자 장치(100)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(100)의 구성요소와 관련된 적어도 하나의 인스트럭션 또는 데이터를 저장하기 위한 구성이다.
메모리(110)는 ROM, 플래시 메모리 등의 비휘발성 메모리를 포함할 수 있으며, DRAM 등으로 구성된 휘발성 메모리를 포함할 수 있다. 또한, 메모리(110)는 하드 디스크, SSD(Solid state drive) 등을 포함할 수도 있다.
프로세서(120)는 전자 장치(100)를 전반적으로 제어하기 위한 구성이다. 구체적으로, 프로세서(120)는 메모리(110)와 연결되는 한편 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써 본 개시의 다양한 실시 예들에 따른 동작을 수행할 수 있다.
프로세서(120)는 하나 이상의 프로세서로 구성될 수 있다. 이때, 하나 이상의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit) 등과 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서 등을 포함할 수 있다. 인공지능 전용 프로세서는, 특정 인공지능 모델의 훈련 내지는 이용에 특화된 하드웨어 구조로 설계될 수 있다.
이하 도면들을 통해, 상술한 구성들을 바탕으로 레슨과 관련된 다양한 파라미터의 값을 예측/분류하는 전자 장치의 제어 방법을 설명한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 흐름도이다.
도 2를 참조하면, 전자 장치(100)는 적어도 하나의 판매자를 통해 제공된 레슨 각각에 대하여, 레슨에 포함되는 레저 활동 및 레슨의 거래 중 적어도 하나와 관련된 복수의 파라미터의 값을 획득할 수 있다(S210).
레슨은, 레저 활동의 수행에 필요한 장소, 환경, 가이드라인, 물품, 교육 등을 제공하는 수업 내지는 서비스를 의미한다. 레슨은, 다양한 판매자를 통해 유료 또는 무료로 제공될 수 있는 것이다.
레슨을 통해 제공될 수 있는 레저 활동은 다양하다. 레저 활동은, 등산, 사이클, 볼링, 승마, 골프, 하이킹, 스케이팅, 스키, 수영, 낚시 등 스포츠 관련 레저 활동 외에도 작화, 독서, 도예, 음악 감상, 명상, 캠핑, 게임, 보드게임 등 다양한 활동을 포함할 수 있으며, 이에 한정되지 않는다.
레슨은 오프라인 상으로 판매될 수도 있고, 온라인 상으로 판매될 수도 있다.
온라인 상으로 레슨이 판매되기 위해, 레저활동에 대한 레슨의 판매를 중개하는 적어도 하나의 온라인 플랫폼이 활용될 수 있다. 온라인 플랫폼은, 하나 이상의 서버를 통해 제공될 수 있으며, 서버를 통해 판매자 단말 및 구매자 단말이 서로 매칭되어 레슨의 판매 내지는 결제가 수행될 수 있다.
레슨의 레저 활동/거래와 관련된 복수의 파라미터는, 레저 활동의 유형, 판매자의 성별, 판매자의 나이, 판매자의 지역, 판매자의 경력, 판매자의 공인 자격 보유 현황, 판매자의 판매 기간, 레슨이 제공되는 지역, 레슨이 제공되는 기간, 레슨이 제공되는 요일, 레슨이 제공되는 시간대, 레슨이 제공되는 빈도/횟수, 레슨이 제공되는 계절/월/분기, 레슨의 구매자 별 단가, 결제 수단, 레슨의 참여 인원수, 레슨의 매출, 구매자의 성별, 구매자의 나이, 구매자의 지역 등 다양한 파라미터를 포함할 수 있다.
또한, 복수의 파라미터는, 레슨의 판매에 활용된 온라인 플랫폼의 이름, 레슨의 판매에 활용된 온라인 플랫폼의 수, 온라인 플랫폼을 통해 레슨을 구매한 구매자의 단말 기기의 종류, 구매자의 단말 기기의 OS(Operating System) 등 온라인 플랫폼을 통한 거래와 관련된 다양한 파라미터를 포함할 수 있다.
또한, 복수의 파라미터는, 구매자의 반복 구매 여부(동일한 유형 또는 다른 유형의 레저 활동에 대한 레슨), 구매자의 반복 구매 횟수 등의 파라미터를 포함할 수 있다.
또한, 복수의 파라미터는, 판매자의 광고 수행 여부, 광고 수단, 광고에 사용된 비용, 광고 기간 등의 파라미터를 포함할 수 있다.
각 파라미터의 값은, 파라미터 별로 다르게 구분되어 정의될 수 있다. 예를 들어, 파라미터가 플랫폼의 수인 경우, 파라미터의 값은 0 또는 자연수에 해당할 수 있다. 예를 들어, 파라미터가 판매자의 지역인 경우, 파라미터의 값은 다양한 지역명에 해당할 수 있다.
전자 장치(100)는 적어도 하나의 과거 기간 동안 제공된 하나 이상의 레슨들 각각에 대하여 복수의 파라미터의 값을 수집할 수 있다.
일 예로, 전자 장치(100)의 사용자 입력부 또는 전자 장치(100)와 연결된 적어도 하나의 사용자 단말(ex. 판매자 단말)을 통해, 전자 장치(100)는 과거 수행된 레슨(거래)에 대하여 적어도 하나의 파라미터의 값을 설정하는 사용자 입력을 수신할 수 있다.
또한, 전자 장치(100)는 레슨의 판매를 중개하는 플랫폼을 운영하는 적어도 하나의 외부 서버로부터, 해당 플랫폼을 통해 중개된 레슨에 대한 복수의 파라미터의 값을 수신할 수도 있다.
관련하여, 도 3은 본 개시의 일 실시 예에 따른 전자 장치가 복수의 플랫폼을 통해 거래 데이터를 획득하는 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 전자 장치(100)는 각기 별도의 플랫폼(제1 플랫폼, 제2 플랫폼, 제3 플랫폼)을 운영하는 복수의 서버(310, 320, 330)로부터, 각 서버를 통해 중개된 레슨들에 대한 복수의 파라미터 값을 수신할 수 있다. 그 결과, 과거 제공된 레슨 각각에 대한 복수의 파라미터의 값이 수집될 수 있다.
이때, 전자 장치(100)는 각각의 플랫폼을 통해 중개된 레슨의 중복 여부를 판단할 수 있다. 예를 들어, 전자 장치(100)는 서로 다른 서버로부터 수신된 레슨들의 명칭 또는 각 파라미터의 값을 비교하여 동일한 레슨에 대한 정보(: 복수의 파라미터의 값)가 중복으로 수신되었는지 여부를 식별할 수 있다. 중복되는 레슨이 있는 경우, 전자 장치(100)는 하나의 레슨 외의 나머지 중복되는 레슨 각각의 복수의 파라미터의 값을 삭제할 수 있다.
또한, 전자 장치(100)는 각각의 서버(310, 320, 330)로부터 수신되는 레슨에 대한 정보(ex. 레슨의 복수의 복수의 파라미터의 값)에 따라, 각 서버(310, 320, 330)의 점유율을 식별할 수 있다.
예를 들어, 특정 기간 동안, 제1 서버(310)로부터 50개의 레슨에 대한 복수의 파라미터의 값이 수신되고, 제2 서버(320)로부터 30개의 레슨에 대한 복수의 파라미터의 값이 수신되고, 제3 서버(330)로부터 20개의 레슨에 대한 복수의 파라미터의 값이 수신되는 경우를 가정한다. 이 경우, 전자 장치(100)는 제1 서버 내지 제3 서버(310, 320, 330)의 점유율을 각각 5:3:2로 식별할 수 있다.
이 경우, 전자 장치(100)는 점유율에 따라 각 서버와 통신을 수행하여 레슨에 대한 정보를 수신할 수 있다. 예를 들어, 전자 장치(100)는 점유율에 반비례하는 주기(6:10:15)를 각 서버에 대하여 설정하여 각 주기마다 중개된 거래에 대한 정보를 수신할 수 있다.
구체적인 예로, 전자 장치(100)는 6일마다 제1 서버(310)를 통해 중개된 레슨에 대한 정보를 수신하고, 10일마다 제2 서버(320)를 통해 중개된 레슨에 대한 정보를 수신하고, 15일마다 제3 서버(330)를 통해 중개된 레슨에 대한 정보를 수신할 수 있다. 그 결과, 한 번에 수신되는 정보의 양이 비교적 균일하게 유지됨으로써, 레슨의 파라미터의 값을 토대로 분석 및 예측을 수행하는 전자 장치(100)의 연산 및 성능 유지에 도움이 될 수 있다.
여기서, 각 기간마다 각 서버를 통해 중개되는 레슨의 수는 유동적일 수 있기 때문에, 각 서버의 점유율은 기간마다 수신되는 레슨에 대한 정보에 따라 업데이트될 수 있다. 그 결과, 각 서버(310, 320, 330) 별로 설정된 상술한 주기 역시 업데이트될 수 있다.
그리고, 다시 도 2를 참조하면, 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로, 전자 장치(100)는 복수의 파라미터 간의 연관도를 식별할 수 있다(S220).
여기서, 연관도는, 둘 이상의 파라미터가 서로 연관된 정도를 의미하는 지표이다. 연관도는, 특정 파라미터의 변화에 따른 다른 파라미터의 변화를 예측하는 데에 이용될 수 있다. 예를 들어, 레슨의 서비스 시간대에 따라 참여 인원수가 달라지는 경우, 레슨의 서비스 시간대와 참여 인원수 간의 연관도가 정의될 수 있다.
전자 장치(100)는 레슨의 대상이 되는 레저 활동의 유형 별로, 복수의 파라미터 간의 연관도를 독립적으로 식별할 수 있다. 예를 들어, 등산을 제공하는 레슨들에 대해서 복수의 파라미터 간의 연관도가 산출되고, 낚시를 제공하는 레슨들에 대해서 복수의 파라미터 간의 연관도가 산출되는 등, 레저 활동의 유형 별로 복수의 파라미터에 대한 분석이 독립적으로 수행될 수 있다.
또한, 전자 장치(100)는 기간 별로(주/월/분기/년) 복수의 파라미터 간의 연관도를 식별할 수 있다. 예를 들어, 제1 분기 동안 제공된 레슨들에 대해서 복수의 파라미터 간의 연관도가 산출되고, 제2 분기 동안 제공된 레슨들에 대해서 복수의 파라미터 간의 연관도가 산출되는 등, 기간 별로 연관도 분석이 구분되어 수행될 수 있다.
또한, 전자 장치(100)는 레슨이 제공되는 지역 별로 복수의 파라미터 간의 연관도를 독립적으로 식별할 수도 있다. 예를 들어, 전자 장치(100)는 제1 지역에서 제공된 레슨들에 대해서 복수의 파라미터 간의 연관도를 산출하고, 이와 별도로, 제2 지역에서 제공된 레슨들에 대해서는 복수의 파라미터 간의 연관도를 따로 산출할 수 있다.
전자 장치(100)는 적어도 두 개의 파라미터에 대하여 선형회귀분석, 유의미 정도 분석(ex. R-squared, F-stastic, p-value), 변동성 분석 등을 수행할 수 있으나, 이에 한정되지 않는다. 예를 들어, 전자 장치(100)는 유의미 정도가 일정 수치 이상인 파라미터 간의 회귀 계수를 연관도 상수로 획득할 수 있다.
한편, 파라미터 간의 연관도는, 셋 이상의 파라미터 간의 함수 내지는 관계식을 통해 정의될 수 있다. 이때, 함수/관계식 내에서 각 파라미터 별로 연관도 상수가 정의되어 산출될 수 있다.
관련하여, 도 4는 본 개시의 일 실시 예에 따른 전자 장치가 연관 파라미터를 식별하여 조합에 따라 함수를 생성하는 동작을 설명하기 위한 흐름도이다.
도 4를 참조하면, 전자 장치(100)는 특정 파라미터에 대해 연관 파라미터를 식별할 수 있다(S410). 여기서, 연관 파라미터는, 상술한 특정 파라미터와의 관계에서 회귀 분석 결과 유의미 정도가 일정 수치 이상인 파라미터를 의미할 수 있으나, 이에 한정되지 않는다.
만약, 복수의 파라미터 중 해당 파라미터에 대한 연관 파라미터의 수가 한 개인 경우(S420 - N), 전자 장치(100)는 회귀 계수와 같은 하나의 연관도 상수를 획득할 수 있다(S440).
반면, 해당 파라미터에 대한 연관 파라미터의 수가 복수 개인 경우(S420 - Y), 전자 장치(100)는 복수의 연관 파라미터 각각의 값을 조합하여 해당 파라미터의 값을 산출하기 위한 함수 또는 관계식을 생성할 수 있다(S430). 함수 또는 관계식은, 복수의 연관 파라미터 각각에 대해 적용되는 연관도 상수를 포함할 수 있다.
예를 들어, 이하 관계식을 구성하는 각각의 연관도 상수(a1, a2, a3)가 정의될 수 있다. f(파라미터)는 파라미터의 값을 나타낼 수 있다. 또는, 파라미터가 지역이나 시간대인 경우와 같이 파라미터의 값이 양적 수치 값이 아닌 경우, f(파라미터)는 파라미터의 값(ex. 특정 지역, 특정 시간대)이 기설정된 변환 함수에 따라 변환된 숫자 값에 해당할 수 있다.
매출 = a1·f(레슨이 제공되는 지역) + a2·f(레슨이 제공되는 시간대) + a3·f(판매에 이용된 플랫폼 수).
한편, 도 4와 관련하여, 전자 장치(100)는 연관 파라미터의 수에 따라 각 파라미터의 중요도를 설정할 수 있다.
구체적으로, 전자 장치(100)는 파라미터에 대한 연관 파라미터의 수에 따라, 파라미터의 중요도를 설정할 수 있다. 여기서, 전자 장치(100)는 연관 파라미터의 수가 많을수록 파라미터의 중요도를 더 높게 산정할 수 있다.
그리고, 파라미터의 중요도에 따라, 전자 장치(100)는 파라미터에 연관된 복수의 연관 파라미터 각각에 대해 적용되는 연관도 상수의 업데이트 주기를 식별할 수 있다. 이때, 중요도가 높을수록 업데이트 주기는 짧아질 수 있다.
그리고, 업데이트 주기마다, 전자 장치(100)는 기간(: 해당 주기) 내에 제공된 레슨 각각에 대하여 파라미터의 값 및 연관 파라미터 각각의 값을 획득하고, 획득된 파라미터의 값 및 획득된 연관 파라미터 각각의 값을 기반으로 연관도 상수를 업데이트할 수 있다.
그 결과, 중요도가 높은(: 많은 수의 파라미터와 연계된) 파라미터일수록 연관 파라미터의 연관도가 자주 업데이트되어 향후 연관도 기반 예측의 정확도가 보장될 수 있다. 특히, 업데이트 주기마다 (파라미터 전체가 아닌) 업데이트의 대상인 파라미터들(: 파라미터, 연관 파라미터들)의 값만이 선택적으로 수집되어 분석되고 나머지 파라미터의 값은 공유되지 않을 수 있으므로, 통신량 및 연산량 면에서 효율성이 증대될 수 있다. 또한, 비교적 중요도가 낮은 파라미터에 대해서는 연관 파라미터의 연관도 상수의 업데이트 주기가 상대적으로 길다는 점에서도, 통신량 및 연산량 면에서 효율성이 증대될 수 있다.
한편, 상술한 다양한 실시 예들에 따라 복수의 파라미터 간의 연관도가 식별되면, 전자 장치(100)는, 예정된 적어도 하나의 레슨에 대하여 복수의 파라미터 중 적어도 하나의 제1 파라미터의 값을 획득할 수 있다(S230).
일 실시 예로, 전자 장치(100)는 예정된 레슨에 대한 적어도 하나의 제1 파라미터의 값을 사용자 입력에 따라 설정할 수 있다. 사용자 입력은, 전자 장치(100)의 사용자 입력부 또는 전자 장치(100)와 통신 가능한 적어도 하나의 사용자 단말(ex. 판매자 단말)을 통해 수신될 수 있다.
여기서, 전자 장치(100)는 사용자 입력에 따라 적어도 하나의 예정된 레슨을 생성 및 등록할 수 있으며, 사용자 입력에 따라, 예정된 레슨에 대한 적어도 하나의 제1 파라미터를 설정할 수 있다. 예를 들어, 예정된 레슨에 대하여, 전자 장치(100)는 제공 기간, 지역, 레저 활동의 유형, 구매자별 단가, 결제 수단, 플랫폼의 종류 등의 파라미터들의 값을 사용자 입력에 따라 설정할 수 있다.
다른 실시 예로, 전자 장치(100)는 예정된 레슨에 대한 제1 파라미터의 값을, 과거 제공된 레슨 각각에 대한 제1 파라미터의 변경 이력에 따라 예측할 수도 있다.
이 경우, 전자 장치(100)는 과거 제공된 레슨 각각에 대하여 제1 파라미터의 값의 변경 이력을 식별할 수 있다. 그리고, 식별된 변경 이력에 따라, 전자 장치(100)는 예정된 레슨에 대하여 제1 파라미터의 값을 예측할 수 있다. 예를 들어, 특정한 유형의 레저 활동에 있어서, 전자 장치(100)는 과거 레슨이 제공된 기간(기간의 길이)의 변경 이력을 식별하고, 식별된 변경 이력에 따라, 예정된 레슨의 제공 기간을 예측할 수 있다.
상술한 실시 예들 중 적어도 하나에 따라 제1 파라미터의 값이 획득되면, 전자 장치(100)는 (값이 획득된) 제1 파라미터와 제2 파라미터 간의 연관도를 기반으로, 예정된 레슨에 대한 제2 파라미터의 값을 예측할 수 있다(S240).
예를 들어, 사용자 입력에 따라 레슨의 제공 기간, 지역, 시간대 등이 설정된 경우, 전자 장치(100)는 상술한 파라미터들(제공 기간, 지역, 시간대)과 '참여 인원수' 파라미터 간의 연관도를 활용하여, '참여 인원수'를 예측할 수 있다.
이렇듯, 본 개시에 따른 전자 장치의 제어 방법은, 사용자 입력에 따라 설정되거나 또는 변경 이력에 따라 예측된 파라미터의 값을 활용하여, 다른 파라미터(ex. 참여 인원수, 매출 등)의 값을 예측할 수 있다는 장점이 있다.
특히, 매출, 참여 인원수 등은 파라미터 자체의 변경 이력을 분석하여 예측해내기가 힘들고, 사용자 입력에 따라 미리 설정할 수 있는 파라미터도 아니기 때문에, 다른 파라미터의 값을 통해 간접적으로 예측해내는 본 개시에 따른 제어 방법의 효과가 두드러진다.
한편, 상술한 S230 단계에서 제1 파라미터의 값을 획득하는 과정에서도, 전자 장치(100)는 파라미터 간의 연관도를 활용하여 제1 파라미터의 값을 예측할 수 있다.
예를 들어, 전자 장치(100)는 사용자 입력에 따라, 상기 예정된 레슨에 대한 적어도 하나의 제3 파라미터의 값을 설정할 수 있다.
이 경우, 전자 장치(100)는 제3 파라미터와 제1 파라미터 간의 연관도를 기반으로, 설정된 제3 파라미터의 값에 매칭되는 제1 파라미터의 값을 식별할 수 있다.
즉, 전자 장치(100)는, 다른 파라미터(ex. 제3 파라미터)를 통해 예측된 파라미터(제1 파라미터)를 활용하여, 또 다른 파라미터(ex. 제2 파라미터)를 예측해낼 수 있다.
한편, 일 실시 예로, 적어도 하나의 파라미터에 대해 목표 값이 설정되는 경우, 전자 장치(100)는 해당 파라미터의 목표 값을 달성하기 위한 다른 파라미터의 값을 추천할 수 있다.
관련하여, 도 5는 본 개시의 일 실시 예에 따른 전자 장치가 특정 파라미터의 목표 값을 위해 적어도 하나의 다른 파라미터의 값을 추천하는 동작을 설명하기 위한 흐름도이다.
도 5를 참조하면, 예정된 레슨에 대하여, 전자 장치(100)는 사용자 입력에 따라 적어도 하나의 파라미터에 대한 목표 값을 설정할 수 있다(S510). 예를 들어, 예정된 레슨의 매출 또는 참여 인원수에 대한 목표 값이 설정될 수 있다.
이 경우, 전자 장치(100)는 파라미터 간의 연관도를 활용하여, 상술한 파라미터의 목표 값에 매칭되는 다른 파라미터의 값을 식별할 수 있다(S520).
예를 들어, 전자 장치(100)는 매출이 목표 값을 달성하도록 하기 위한 다양한 파라미터(ex. 레슨이 제공되는 지역, 시간대, 레저 활동의 유형 등)의 값을 식별할 수 있다. 이때, 전자 장치(100)는 파라미터 간의 연관도를 활용하여 목표 값을 달서하기 위한 다른 파라미터의 값을 식별할 수 있다.
또는, 전자 장치(100)는 목표 값이 설정되는 파라미터를 입력 데이터로 하는 적어도 하나의 인공지능 모델을 생성하여 활용할 수도 있다.
구체적인 예로, 사용자 입력에 따라 특정 파라미터(ex. 매출, 참여 인원수, 반복 구매 여부 등)에 대한 목표 값이 설정된 경우를 가정한다.
이때, 전자 장치(100)는 목표 값이 설정된 파라미터가 입력 데이터로 정의되고 목표 값이 설정되지 않은 적어도 하나의 파라미터(ex. 결제 수단, 레슨이 제공되는 지역, 레슨이 제공되는 기간 등)가 출력 데이터로 정의되는 적어도 하나의 인공지능 모델을 생성할 수 있다. 여기서, 사용자 입력에 따라 값이 설정된 적어도 하나의 다른 파라미터(ex. 레저 활동의 종류, 플랫폼 수 등) 역시 함께 입력 데이터로 정의될 수 있다.
인공지능 모델은, 적어도 하나의 신경망 모델로 구성될 수 있으며, 출력 데이터로 정의되는 각각의 파라미터의 값을 판단하기 위한 모델에 해당할 수 있다.
이 경우, 전자 장치(100)는 과거 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로, 생성된 인공지능 모델을 훈련시킬 수 있다. 훈련 과정에서, 앞서 입력 데이터로 정의된 파라미터의 값은 입력에 대한 훈련 데이터로 활용되고, 출력 데이터로 정의된 파라미터의 값은 출력에 대한 훈련 데이터로 활용될 수 있다.
그리고, 전자 장치(100)는 훈련된 인공지능 모델에 앞서 설정된 목표 값을 입력하여, 입력된 파라미터의 목표 값에 매칭되는 다른 파라미터의 값을 식별할 수 있다.
이렇듯, 목표 값이 설정될 때마다, 전자 장치(100)는 목표 값이 설정된 파라미터가 무엇인지에 따라 입/출력이 다른 인공지능 모델을 개별적으로 생성하여 훈련시키고, 목표 값을 달성하기 위한 다른 파라미터의 값을 식별해낼 수 있다.
상술한 실시 예에 따라 특정 파라미터의 목표 값을 달성하기 위한 다른 파라미터의 값이 식별되면, 전자 장치(100)는 식별된 파라미터의 값을 추천하는 추천 정보를 제공할 수 있다(S530). 이렇게 추천 정보를 제공받은 사용자는, 목표 값 달성에 최적인 파라미터 조건을 갖춘 레슨을 준비할 수 있다.
한편, 도 6은 본 개시의 다양한 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 6을 참조하면, 전자 장치(100)는 메모리(110), 프로세서(120) 외에 통신부(130), 사용자 입력부(140), 출력부(150) 등을 포함할 수 있다.
통신부(130)는 전자 장치(100)가 다양한 외부 장치와 데이터를 송수신하기 위한 구성으로, 통신을 위한 적어도 하나의 회로를 포함할 수 있다.
통신부(130)는 TCP/IP(Transmission Control Protocol/Internet Protocol), UDP(User Datagram Protocol), HTTP(Hyper Text Transfer Protocol), HTTPS(Secure Hyper Text Transfer Protocol), FTP(File Transfer Protocol), SFTP(Secure File Transfer Protocol), MQTT(Message Queuing Telemetry Transport) 등의 통신 규약(프로토콜)을 이용하여 하나 이상의 외부 전자 장치와 다양한 정보를 송수신할 수 있다.
이를 위해, 통신부(130)는 유선 통신 및/또는 무선 통신을 통해 구현된 네트워크를 기반으로, 외부 장치와 연결될 수 있다. 이때, 통신부(130)는 외부 장치와 직접적으로 연결될 수도 있지만, 네트워크를 제공하는 하나 이상의 외부 서버(ex. ISP(Internet Service Provider))를 통해서 외부 전자 장치와 연결될 수도 있다.
네트워크는 영역 또는 규모에 따라 개인 통신망(PAN; Personal Area Network), 근거리 통신망(LAN; Local Area Network), 광역 통신망(WAN; Wide Area Network) 등일 수 있으며, 네트워크의 개방성에 따라 인트라넷(Intranet), 엑스트라넷(Extranet), 또는 인터넷(Internet) 등일 수 있다.
무선 통신은 LTE(long-term evolution), LTE-A(LTE Advance), 5G(5th Generation) 이동통신, CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), GSM(Global System for Mobile Communications), DMA(Time Division Multiple Access), WiFi(Wi-Fi), WiFi Direct, Bluetooth, NFC(near field communication), Zigbee 등의 통신 방식 중 적어도 하나를 포함할 수 있다.
유선 통신은 이더넷(Ethernet), 광 네트워크(optical network), USB(Universal Serial Bus), 선더볼트(ThunderBolt) 등의 통신 방식 중 적어도 하나를 포함할 수 있다.
여기서, 통신부(130)는 상술한 유무선 통신 방식에 따른 네트워크 인터페이스(Network Interface) 또는 네트워크 칩을 포함할 수 있다. 한편, 통신 방식은 상술한 예에 한정되지 아니하고, 기술의 발전에 따라 새롭게 등장하는 통신 방식을 포함할 수 있다.
전자 장치(100)가 서버인 경우, 전자 장치(100)는 통신부(130)를 통해 다양한 사용자 단말과 통신을 수행할 수 있으며, 적어도 하나의 웹 페이지 또는 애플리케이션을 통해 각 사용자 단말과 연동되어 본 개시의 다양한 실시 예에 따른 동작들을 수행할 수 있다.
전자 장치(100)가 스마트폰 등 사용자 단말(ex. 판매자 단말)인 경우, 전자 장치(100)는 통신부(130)를 통해 연결된 적어도 하나의 서버가 제공하는 애플리케이션/웹 페이지를 통해 본 개시의 다양한 실시 예에 따른 동작들을 수행할 수 있다.
전자 장치(100)는 통신부(130)를 통해 레슨의 판매 등을 중개하는 플랫폼과 관련된 하나 이상의 외부 서버와 통신을 수행할 수 있다. 이 경우, 전자 장치(100)는 외부 서버로부터 레슨 각각에 대한 복수의 파라미터의 값을 수신할 수 있다.
사용자 입력부(140)는 사용자 명령 또는 사용자 정보 등을 입력 받기 위한 구성이다.
전자 장치(100)가 스마트폰, 노트북 PC 등 사용자 단말로 구현된 경우, 사용자 입력부(140)는 터치 센서, 버튼, 카메라, 마이크, 키보드 등으로 구현될 수 있다.
전자 장치(100)가 데스크탑 PC인 경우, 사용자 입력부(140)는 키보드 또는 마우스 등 다양한 입력 인터페이스와 연결된 단자로 구현될 수 있다.
출력부(150)는 다양한 정보를 출력하여 사용자에게 제공하기 위한 구성이다.
전자 장치(100)가 스마트폰 등의 사용자 단말로 구현된 경우, 출력부(150)는 디스플레이, 스피커, 이어폰/헤드셋 단자 등을 포함할 수 있다.
예를 들어, 전자 장치(100)는 다양한 파라미터의 값과 관련된 통계 정보(ex. 파라미터 별 최소값, 최대값, 평균값, 변화 이력 등)를 디스플레이를 통해 시각적으로 제공할 수 있다.
또한, 전자 장치(100)는 예정된 레슨과 관련하여 적어도 하나의 파라미터의 값을 예측하고, 예측된 파라미터의 값을 디스플레이를 통해 시각적으로 제공할 수 있다.
또한, 전자 장치(100)는, 예정된 레슨과 관련하여 특정 파라미터의 목표 값이 설정되면, 목표 값의 달성에 필요한 적어도 하나의 다른 파라미터의 값을 추천하는 추천 정보를 디스플레이를 통해 시각적으로 제공할 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 서로 저촉되거나 모순되지 않는 한 두 개 이상의 실시 예가 서로 결합되어 구현될 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다.
일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상술한 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 전자 장치(100)에서의 처리동작을 수행하기 위한 컴퓨터 명령어(computer instructions) 또는 컴퓨터 프로그램은 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어 또는 컴퓨터 프로그램은 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 전자 장치(100)에서의 처리 동작을 상술한 특정 기기가 수행하도록 한다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 전자 장치 110: 메모리
120: 프로세서

Claims (11)

  1. 전자 장치의 제어 방법에 있어서,
    적어도 하나의 판매자를 통해 제공된 레슨 각각에 대하여, 상기 레슨에 포함되는 레저 활동 및 상기 레슨의 거래 중 적어도 하나와 관련된 복수의 파라미터의 값을 획득하는 단계;
    상기 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로, 상기 복수의 파라미터 간의 연관도를 식별하는 단계;
    예정된 적어도 하나의 레슨에 대하여, 상기 복수의 파라미터 중 적어도 하나의 제1 파라미터의 값을 획득하는 단계; 및
    상기 복수의 파라미터 중 제2 파라미터와 상기 제1 파라미터 간의 연관도를 기반으로, 상기 예정된 적어도 하나의 레슨에 대한 상기 제2 파라미터의 값을 예측하는 단계;를 포함하고,
    상기 제공된 레슨 각각에 대하여 복수의 파라미터의 값을 획득하는 단계는,
    레저 활동에 대한 레슨의 판매를 중개하는 제1 플랫폼을 제공하는 제1 서버로부터, 상기 제1 플랫폼을 통해 중개된 레슨에 대한 상기 복수의 파라미터의 값을 수신하고,
    레저 활동에 대한 레슨의 판매를 중개하는 제2 플랫폼을 제공하는 제2 서버로부터, 상기 제2 플랫폼을 통해 중개된 레슨에 대한 상기 복수의 파라미터의 값을 수신하고,
    상기 전자 장치의 제어 방법은,
    사용자 입력에 따라 상기 제2 파라미터에 대한 목표 값을 설정하는 단계;
    상기 제1 파라미터와 상기 제2 파라미터 간의 연관도를 기반으로, 상기 설정된 상기 제2 파라미터의 목표 값에 매칭되는 상기 제1 파라미터의 값을 식별하는 단계; 및
    상기 식별된 제1 파라미터의 값을 추천하는 단계;를 포함하고,
    상기 전자 장치의 제어 방법은,
    상기 사용자 입력에 따라 상기 제2 파라미터에 대한 목표 값이 설정되면, 상기 제2 파라미터가 입력 데이터로 정의되고 상기 제1 파라미터가 출력 데이터로 정의되는 적어도 하나의 인공지능 모델을 생성하는 단계;
    상기 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로, 상기 생성된 인공지능 모델을 훈련시키는 단계; 및
    상기 훈련된 인공지능 모델에 상기 제2 파라미터에 대하여 설정된 목표 값을 입력하여, 상기 제2 파라미터의 목표 값에 매칭되는 상기 제1 파라미터의 값을 식별하는 단계;를 포함하고,
    상기 복수의 파라미터 간의 연관도를 식별하는 단계는,
    상기 복수의 파라미터 중 하나의 파라미터에 대한 적어도 하나의 연관 파라미터를 식별하는 단계; 및
    상기 파라미터에 대한 연관 파라미터가 복수 개 식별된 경우, 상기 복수의 연관 파라미터 각각의 값을 조합하여 상기 파라미터의 값을 산출하기 위하여 상기 복수의 연관 파라미터 각각에 대해 적용되는 연관도 상수를 획득하는 단계;를 포함하고,
    상기 전자 장치의 제어 방법은,
    상기 파라미터에 대한 연관도가 임계치 이상인 상기 연관 파라미터의 수에 따라, 상기 파라미터의 중요도를 설정하는 단계;
    상기 파라미터의 중요도에 따라, 상기 복수의 연관 파라미터 각각에 대해 적용되는 연관도 상수의 업데이트 주기를 식별하는 단계; 및
    상기 업데이트 주기마다, 제공된 레슨 각각에 대하여 상기 파라미터의 값 및 상기 연관 파라미터 각각의 값을 획득하고, 상기 획득된 파라미터의 값 및 상기 획득된 연관 파라미터 각각의 값을 기반으로 상기 연관도 상수를 업데이트하는 단계;를 포함하는, 전자 장치의 제어 방법.
  2. ◈청구항 2은(는) 설정등록료 납부시 포기되었습니다.◈
    제1항에 있어서,
    상기 예정된 적어도 하나의 레슨에 대하여 상기 제1 파라미터의 값을 획득하는 단계는,
    사용자 입력에 따라, 상기 예정된 레슨에 대한 적어도 하나의 제3 파라미터의 값을 설정하고,
    상기 제3 파라미터와 상기 제1 파라미터 간의 연관도를 기반으로, 상기 설정된 제3 파라미터의 값에 매칭되는 상기 제1 파라미터의 값을 식별하는, 전자 장치의 제어 방법.
  3. 제1항에 있어서,
    상기 예정된 적어도 하나의 레슨에 대하여 상기 제1 파라미터의 값을 획득하는 단계는,
    상기 제공된 레슨 각각에 대하여 획득된 복수의 파라미터의 값을 기반으로 상기 제1 파라미터의 값의 변경 이력을 식별하고,
    상기 식별된 변경 이력에 따라, 상기 예정된 적어도 하나의 레슨에 대하여 상기 제1 파라미터의 값을 예측하는, 전자 장치의 제어 방법.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 복수의 파라미터 간의 연관도를 식별하는 단계는,
    레슨의 대상이 되는 레저 활동의 유형 별로, 상기 복수의 파라미터 간의 연관도를 독립적으로 식별하는, 전자 장치의 제어 방법.
  8. 삭제
  9. 삭제
  10. 제1항에 있어서,
    상기 복수의 파라미터는,
    레슨의 구매자 별 단가, 레슨의 매출, 레슨의 판매에 활용된 플랫폼 수, 레슨이 제공되는 지역, 레슨이 제공되는 요일, 레슨이 제공되는 시간대, 및 레슨의 참여 인원수를 포함하는, 전자 장치의 제어 방법.
  11. 전자 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행함으로써 제1항의 제어 방법을 수행하는 프로세서;를 포함하는, 전자 장치.
KR1020210129234A 2021-09-29 2021-09-29 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법 KR102425606B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210129234A KR102425606B1 (ko) 2021-09-29 2021-09-29 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법
PCT/KR2021/014008 WO2023054783A1 (ko) 2021-09-29 2021-10-12 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법
KR1020220090143A KR102654183B1 (ko) 2021-09-29 2022-07-21 복수의 플랫폼을 통해 수집된 데이터를 바탕으로 레저 활동 레슨에 대한 예측을 수행하는 전자 장치의 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210129234A KR102425606B1 (ko) 2021-09-29 2021-09-29 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220090143A Division KR102654183B1 (ko) 2021-09-29 2022-07-21 복수의 플랫폼을 통해 수집된 데이터를 바탕으로 레저 활동 레슨에 대한 예측을 수행하는 전자 장치의 제어 방법

Publications (1)

Publication Number Publication Date
KR102425606B1 true KR102425606B1 (ko) 2022-07-27

Family

ID=82701265

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210129234A KR102425606B1 (ko) 2021-09-29 2021-09-29 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법
KR1020220090143A KR102654183B1 (ko) 2021-09-29 2022-07-21 복수의 플랫폼을 통해 수집된 데이터를 바탕으로 레저 활동 레슨에 대한 예측을 수행하는 전자 장치의 제어 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220090143A KR102654183B1 (ko) 2021-09-29 2022-07-21 복수의 플랫폼을 통해 수집된 데이터를 바탕으로 레저 활동 레슨에 대한 예측을 수행하는 전자 장치의 제어 방법

Country Status (1)

Country Link
KR (2) KR102425606B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
KR20210000209A (ko) * 2019-06-24 2021-01-04 주식회사 데카몬 수업 중개 방법 및 이를 위한 중개플랫폼서버
KR20210105210A (ko) * 2020-02-18 2021-08-26 (주)에프엠커뮤니케이션즈 사용자의 예술적 취향을 기반으로 전시회를 제공하는 전자 장치 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
KR20210000209A (ko) * 2019-06-24 2021-01-04 주식회사 데카몬 수업 중개 방법 및 이를 위한 중개플랫폼서버
KR20210105210A (ko) * 2020-02-18 2021-08-26 (주)에프엠커뮤니케이션즈 사용자의 예술적 취향을 기반으로 전시회를 제공하는 전자 장치 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
등록 특허 공보 제10-19907990000호(상권업종별 매출액 및 생존율 예측 방법 및 컴퓨터 판독 가능 기록매체)

Also Published As

Publication number Publication date
KR102654183B1 (ko) 2024-04-03
KR20230046198A (ko) 2023-04-05

Similar Documents

Publication Publication Date Title
TWI743428B (zh) 目標用戶群體的確定方法和裝置
US20180130130A1 (en) Autonomous peer-to-peer energy networks operating on a blockchain
CN107851219A (zh) 用于计算健康网络系统中的市场动态的多商品系统和方法
US20130046760A1 (en) Customer relevance scores and methods of use
JP6955888B2 (ja) 予測装置、予測方法、及び予測プログラム
EP2756465A1 (en) Generating, displaying, and tracking of wellness tasks
JP2021500659A (ja) 自動化されたアトリビューションモデリングおよび測定
US20240273591A1 (en) Free Time Monetization Exchange
Chen et al. A generalized network flow model for the multi-mode resource-constrained project scheduling problem with discounted cash flows
KR102387651B1 (ko) 기계학습 모델에 기초한 화장품 추천 방법
JP2015095120A (ja) 購買予測装置、方法、及びプログラム
US11854023B2 (en) System and method for sales volume decomposition
Stevens et al. Integrated campaign planning in a programmatic world
KR102425606B1 (ko) 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법
US20210182700A1 (en) Content item selection for goal achievement
CN110796520A (zh) 商品推荐的方法、装置、计算设备以及介质
CN111340540A (zh) 广告推荐模型的监控方法、推荐方法及装置
KR102419274B1 (ko) 이벤트의 영향 정도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법
US20220374950A1 (en) Consideration calculation device, control method, and non-transitory storage medium
JP6756872B1 (ja) 提案装置、提案方法および提案プログラム
KR102270381B1 (ko) 소비자 데이터 기반의 쇼핑 인터페이스 제공 방법 및 그 장치
US20160260045A1 (en) Executive coaching system
KR102609682B1 (ko) 트렌드 예측 기반 제품계획 생성 방법 및 그 장치
JP7260939B1 (ja) プログラム、情報処理装置、及び方法
KR102674678B1 (ko) 온라인 광고 매체로부터 제공된 광고 데이터를 바탕으로 보고서를 생성하고, 광고 효과에 대한 예측 데이터를 산출하는 전자 장치의 동작 방법 및 컴퓨터 판독 가능 매체

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant