KR102433934B1 - Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method - Google Patents

Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method Download PDF

Info

Publication number
KR102433934B1
KR102433934B1 KR1020220004691A KR20220004691A KR102433934B1 KR 102433934 B1 KR102433934 B1 KR 102433934B1 KR 1020220004691 A KR1020220004691 A KR 1020220004691A KR 20220004691 A KR20220004691 A KR 20220004691A KR 102433934 B1 KR102433934 B1 KR 102433934B1
Authority
KR
South Korea
Prior art keywords
credit evaluation
data
basic data
scorecard
candidate
Prior art date
Application number
KR1020220004691A
Other languages
Korean (ko)
Inventor
강정석
Original Assignee
주식회사 에이젠글로벌
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 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Priority to KR1020220004691A priority Critical patent/KR102433934B1/en
Priority to KR1020220096823A priority patent/KR20230109070A/en
Application granted granted Critical
Publication of KR102433934B1 publication Critical patent/KR102433934B1/en
Priority to PCT/KR2022/020815 priority patent/WO2023136492A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G06Q40/025—
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

The present invention relates to a method for determining a credit evaluation score card based on e-commerce data and an apparatus for performing the method. The method for determining a credit evaluation score card based on e-commerce data may include the steps of: determining, by a primary candidate scorecard determining unit, a plurality of primary candidate scorecards including a plurality of different credit evaluation base data by combining a plurality of credit evaluation base data; generating, by a first candidate artificial intelligence engine generation unit, a first candidate artificial intelligence engine learned based on a plurality of first candidate scorecards; determining, by a second candidate artificial intelligence engine generation unit, an artificial intelligence engine whose reliability is greater than or equal to a critical reliability level among the primary candidate artificial intelligence engines as a second candidate artificial intelligence engine; generating, by a second candidate scorecard generation unit, second candidate scorecards by performing weight adjustment, scale adjustment, or generation time adjustment on a plurality of credit evaluation basic data included in the first candidate scorecard corresponding to the second candidate artificial intelligence engine; and determining, by a scorecard determining unit, a final scorecard to be used among the second candidate scorecards. The present invention provides customized financial services to sellers by performing a more accurate seller credit evaluation.

Description

이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치{Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method}Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method

본 발명은 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 이커머스 데이터 기반으로 판매자의 신용 평가를 위한 신용 평가 스코어 카드를 결정하는 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.The present invention relates to a method for determining a credit rating score card based on e-commerce data and an apparatus for performing such method. More particularly, it relates to a method of determining a credit rating score card for credit rating of a seller based on e-commerce data, and an apparatus for performing the method.

4차 산업혁명에 의해 촉발된 지능 정보 사회로 진입하면서 데이터의 무한한 활용 가능성이 데이터 산업의 변화를 초래하고 있다. 데이터 시대가 도래함에 따라 향후 데이터 산업의 수준이 국가 사이에 경쟁력의 차이를 결정하게 될 것이다. As we enter the intelligent information society triggered by the 4th industrial revolution, the infinite possibility of using data is causing changes in the data industry. With the advent of the data era, the level of the future data industry will determine the difference in competitiveness between countries.

특히 금융 시장에서의 빅데이터 인프라 구축은 매우 시급할 뿐만 아니라, 머지 않아 국가의 데이터 산업의 향방을 좌우할만큼 중요한 자산이 되었다. 금융 빅데이터 인프라는 빅데이터 개방 시스템, 데이터 거래소, 데이터 전문기관 등으로 구성된다. In particular, the construction of big data infrastructure in the financial market is not only urgent, but also has become an important asset enough to influence the direction of the country's data industry in the near future. The financial big data infrastructure consists of big data open systems, data exchanges, and data specialized institutions.

이러한 빅데이터 기반의 사용자 금융 데이터를 기반으로 한 새로운 금융 상품에 대한 연구가 필요하다. 사용자 금융 상품에 대한 인공 지능 기반의 학습을 통해 다양한 리스크 분석이 가능하고, 리스크 분석을 기반으로 현재까지 없었던 새로운 금융 서비스를 사용자들에게 제공할 수 있다. It is necessary to study new financial products based on such big data-based user financial data. Various risk analysis is possible through artificial intelligence-based learning of user financial products, and new financial services that have not been available before can be provided to users based on risk analysis.

따라서, 사용자의 금융 데이터를 활용하고 사용자의 금융 데이터를 기반으로 다양한 금융 서비스를 제공하기 위한 구체적인 방법에 대한 연구가 필요하다.Therefore, it is necessary to study a specific method for utilizing the user's financial data and providing various financial services based on the user's financial data.

본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.An object of the present invention is to solve all of the above problems.

또한, 본 발명은, 이커머스 데이터 기반 신용 평가 스코어 카드 결정을 통해 보다 정확한 판매자의 신용 평가를 수행하여 판매자에게 맞춤형 금융 서비스를 제공하는 것을 목적으로 한다.Another object of the present invention is to provide a customized financial service to a seller by performing a more accurate credit evaluation of a seller through a credit rating score card determination based on e-commerce data.

또한, 본 발명은, 판매자 특성 정보를 고려한 단계적인 스코어카드 결정 단계 및 스코어카드에 포함되는 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 판매자에게 맞는 맞춤형 금융 서비스를 제공하는 것을 목적으로 한다.In addition, the present invention provides a customized financial service suitable for a seller by performing a step-by-step scorecard determination step in consideration of seller characteristic information and weight adjustment, scale adjustment, or generation time adjustment for a plurality of credit evaluation basic data included in the scorecard. intended to provide

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.A representative configuration of the present invention for achieving the above object is as follows.

본 발명의 일 실시예에 따르면, 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법은 1차 후보 스코어카드 결정부가 복수의 신용 평가 기초 데이터를 조합하여 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드를 결정하는 단계, 1차 후보 인공 지능 엔진 생성부가 상기 복수의 1차 후보 스코어카드를 기반으로 학습된 1차 후보 인공 지능 엔진을 생성하는 단계, 2차 후보 인공 지능 엔진 생성부가 상기 1차 후보 인공 지능 엔진 중 신뢰도가 임계 신뢰도 이상인 인공 지능 엔진을 2차 후보 인공 지능 엔진으로 결정하는 단계, 2차 후보 스코어카드 생성부가 상기 2차 후보 인공 지능 엔진에 대응되는 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 2차 후보 스코어카드를 생성하는 단계와 스코어카드 결정부가 상기 2차 후보 스코어카드 중 최종적으로 사용될 스코어카드를 결정하는 단계를 포함할 수 있다.According to an embodiment of the present invention, in a method for determining a credit rating scorecard based on e-commerce data, a first candidate scorecard determining unit combines a plurality of credit evaluation basic data to obtain a plurality of 1 determining a primary candidate scorecard; generating, by a primary candidate AI engine generating unit, a learned primary candidate AI engine based on the plurality of primary candidate scorecards; determining, by a secondary candidate AI engine, an AI engine having a reliability equal to or greater than a threshold reliability among primary candidate AI engines as a secondary candidate AI engine, wherein the secondary candidate scorecard generator corresponds to the secondary candidate AI engine generating a secondary candidate scorecard by performing weight adjustment, scale adjustment, or generation time adjustment on the plurality of credit evaluation basic data included in ; may include the step of determining

한편, 상기 가중치 조정은 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터 각각의 중요도를 고려하여 금융 서비스 결과에 상대적으로 더 큰 영향을 끼치는 신용 평가 기초 데이터일수록 상대적으로 더 큰 가중치를 설정하여 상기 2차 후보 스코어카드를 결정하고, 상기 스케일 조정은 상기 복수의 신용 평가 기초 데이터를 분류하기 위한 범위 스케일의 조정을 기반으로 상기 2차 후보 스코어카드를 결정할 수 있다.Meanwhile, in the weight adjustment, considering the importance of each of the plurality of credit evaluation basic data included in the first candidate scorecard, the more the credit evaluation basic data that has a relatively greater influence on the financial service result, the greater the weight. to determine the secondary candidate scorecard, and the scaling may determine the secondary candidate scorecard based on adjustment of a range scale for classifying the plurality of credit evaluation basic data.

또한, 상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터의 생성 시점을 고려하여 상기 2차 후보 스코어카드를 결정하고, 상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터를 관찰 기간, 스코어링 시점, 동작 기간으로 분류하고, 상기 관찰 기간과 상기 동작 기간을 서로 다르게 설정하여 상기 스코어링 시점을 복수개 설정할 수 있다.In addition, the generation time adjustment determines the second candidate scorecard in consideration of the generation time of the plurality of credit evaluation basic data, and the generation time adjustment determines the plurality of credit evaluation basic data observation period, scoring time, and operation A plurality of scoring points may be set by classifying into periods and setting the observation period and the operation period differently from each other.

본 발명의 다른 실시예에 따르면, 이커머스 데이터 기반 신용 평가 스코어 카드 결정하는 신용 평가 장치는 복수의 신용 평가 기초 데이터를 조합하여 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드를 결정하도록 구현되는 1차 후보 스코어카드 결정부, 상기 복수의 1차 후보 스코어카드를 기반으로 학습된 1차 후보 인공 지능 엔진을 생성하도록 구현되는 1차 후보 인공 지능 엔진 생성부, 상기 1차 후보 인공 지능 엔진 중 신뢰도가 임계 신뢰도 이상인 인공 지능 엔진을 2차 후보 인공 지능 엔진으로 결정하도록 구현되는 2차 후보 인공 지능 엔진 생성부, 상기 2차 후보 인공 지능 엔진에 대응되는 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 2차 후보 스코어카드를 생성하도록 구현되는 2차 후보 스코어카드 생성부와 상기 2차 후보 스코어카드 중 최종적으로 사용될 스코어카드를 결정하도록 구현되는 스코어카드 결정부를 포함할 수 있다.According to another embodiment of the present invention, a credit rating apparatus for determining a credit rating scorecard based on e-commerce data combines a plurality of credit rating basic data to a plurality of primary candidate scorecards including a plurality of different credit rating basic data. A primary candidate scorecard determiner configured to determine a primary candidate scorecard determiner, a primary candidate AI engine generator configured to generate a learned primary candidate AI engine based on the plurality of primary candidate scorecards, the primary candidate A secondary candidate artificial intelligence engine generator configured to determine an artificial intelligence engine having a reliability equal to or greater than a threshold reliability among artificial intelligence engines as a secondary candidate artificial intelligence engine, in the primary candidate scorecard corresponding to the secondary candidate AI engine a secondary candidate scorecard generator configured to generate a secondary candidate scorecard by performing weight adjustment, scale adjustment, or generation time adjustment on the plurality of included credit evaluation basic data; and finally among the secondary candidate scorecards. and a scorecard determiner implemented to determine the scorecard to be used.

한편, 상기 가중치 조정은 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터 각각의 중요도를 고려하여 금융 서비스 결과에 상대적으로 더 큰 영향을 끼치는 신용 평가 기초 데이터일수록 상대적으로 더 큰 가중치를 설정하여 상기 2차 후보 스코어카드를 결정하고, 상기 스케일 조정은 상기 복수의 신용 평가 기초 데이터를 분류하기 위한 범위 스케일의 조정을 기반으로 상기 2차 후보 스코어카드를 결정할 수 있다.Meanwhile, in the weight adjustment, considering the importance of each of the plurality of credit evaluation basic data included in the first candidate scorecard, the more the credit evaluation basic data that has a relatively greater influence on the financial service result, the greater the weight. to determine the secondary candidate scorecard, and the scaling may determine the secondary candidate scorecard based on adjustment of a range scale for classifying the plurality of credit evaluation basic data.

또한, 상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터의 생성 시점을 고려하여 상기 2차 후보 스코어카드를 결정하고, 상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터를 관찰 기간, 스코어링 시점, 동작 기간으로 분류하고, 상기 관찰 기간과 상기 동작 기간을 서로 다르게 설정하여 상기 스코어링 시점을 복수개 설정할 수 있다.In addition, the generation time adjustment determines the second candidate scorecard in consideration of the generation time of the plurality of credit evaluation basic data, and the generation time adjustment determines the plurality of credit evaluation basic data observation period, scoring time, and operation A plurality of scoring points may be set by classifying into periods and setting the observation period and the operation period differently from each other.

본 발명에 의하면, 이커머스 데이터 기반 신용 평가 스코어 카드 결정을 통해 보다 정확한 판매자의 신용 평가를 수행하여 판매자에게 맞춤형 금융 서비스가 제공될 수 있다.According to the present invention, a customized financial service can be provided to the seller by performing a more accurate credit evaluation of the seller through the determination of a credit rating scorecard based on e-commerce data.

또한, 본 발명에 의하면, 판매자 특성 정보를 고려한 단계적인 스코어카드 결정 단계 및 스코어카드에 포함되는 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 판매자에게 맞는 맞춤형 금융 서비스가 제공될 수 있다.In addition, according to the present invention, a customized financial service suitable for a seller is performed by performing a step-by-step scorecard determination step in consideration of seller characteristic information and weight adjustment, scale adjustment, or creation time adjustment for a plurality of credit evaluation basic data included in the scorecard. may be provided.

도 1은 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 판매 관리 플랫폼과 판매 관리 플랫폼을 통해 신용 평가 기초 데이터를 수집하는 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 신용 기초 데이터 전처리부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 제1 전처리(판매자)를 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 제1 전처리를 수행하는 방법을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 13은 본 발명의 실시예에 따른 스코어카드 결정을 수행하는 신용 평가 장치를 나타낸 개념도이다.1 is a conceptual diagram illustrating a credit evaluation apparatus according to an embodiment of the present invention.
2 is a conceptual diagram illustrating a sales management platform and a method of collecting basic credit evaluation data through the sales management platform according to an embodiment of the present invention.
3 is a conceptual diagram illustrating an operation of a credit basic data preprocessor according to an embodiment of the present invention.
4 is a conceptual diagram illustrating a first pre-processing according to an embodiment of the present invention.
5 is a conceptual diagram illustrating a first pre-processing (seller) according to an embodiment of the present invention.
6 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
7 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
8 is a conceptual diagram illustrating a method of performing a first pre-processing according to an embodiment of the present invention.
9 is a conceptual diagram illustrating an operation of a credit evaluation unit according to an embodiment of the present invention.
10 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.
11 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.
12 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.
13 is a conceptual diagram illustrating a credit rating apparatus for determining a scorecard according to an embodiment of the present invention.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0012] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0014] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0016] Reference is made to the accompanying drawings, which show by way of illustration specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented with changes from one embodiment to another without departing from the spirit and scope of the present invention. In addition, it should be understood that the location or arrangement of individual components within each embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the detailed description given below is not to be taken in a limiting sense, and the scope of the present invention should be taken as encompassing the scope of the claims and all equivalents thereto. In the drawings, like reference numerals refer to the same or similar elements throughout the various aspects.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, various preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings in order to enable those of ordinary skill in the art to easily practice the present invention.

도 1은 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.1 is a conceptual diagram illustrating a credit evaluation apparatus according to an embodiment of the present invention.

도 1에서는 이커머스 판매 및 유통 관리 시스템 플랫폼을 통해 수집된 데이터를 기반으로 판매자에 대한 신용 평가를 수행하는 신용 평가 장치가 개시된다.In FIG. 1, a credit evaluation device for performing a credit evaluation on a seller based on data collected through an e-commerce sales and distribution management system platform is disclosed.

도 1을 참조하면, 신용 평가 장치는 신용 평가 기초 데이터 수집부(110), 신용 평가 기초 데이터 전처리부(120), 신용 평가 기초 데이터 학습부(130), 신용 평가부(140), 금융 서비스부(150) 및 프로세서(160)를 포함할 수 있다.Referring to FIG. 1 , the credit evaluation apparatus includes a credit evaluation basic data collection unit 110 , a credit evaluation basic data preprocessing unit 120 , a credit evaluation basic data learning unit 130 , a credit evaluation unit 140 , and a financial service unit. 150 and a processor 160 .

신용 평가 기초 데이터 수집부(110)는 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하기 위해 구현될 수 있다. 판매자는 이커머스를 통해 상품을 판매하고 유통하기 위한 다양한 플랫폼을 통해 상품을 판매할 수 있다. 판매자의 상품 판매, 상품 유통, 상품 결제와 관련된 다양한 데이터를 관리하기 위한 이커머스 판매 및 유통 관리 시스템 플랫폼은 판매 관리 플랫폼(100)이라는 용어로 표현될 수 있다. 신용 평가 기초 데이터 수집부(110)는 다양한 판매 관리 플랫폼을 통해 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하도록 구현될 수 있다. 구체적인 판매 관리 플랫폼(100)은 후술된다. 본 발명에서 사용되는 상품이라는 용어는 판매자에 의해 제공되는 서비스도 하나의 상품으로서 포함하는 의미로 사용될 수 있다.The credit evaluation basic data collection unit 110 may be implemented to collect basic credit evaluation data for credit evaluation of the seller. Sellers can sell products through various platforms for selling and distributing products through e-commerce. The e-commerce sales and distribution management system platform for managing various data related to the seller's product sales, product distribution, and product payment may be expressed in terms of the sales management platform 100 . The credit evaluation basic data collection unit 110 may be implemented to collect basic credit evaluation data for credit evaluation of the seller through various sales management platforms. A specific sales management platform 100 will be described later. The term "product" used in the present invention may be used to include a service provided by a seller as a single product.

신용 평가 기초 데이터 전처리부(120)는 수집된 신용 평가 기초 데이터를 전처리하기 위해 구현될 수 있다. 신용 평가 기초 데이터는 전처리되어 신용 평가를 위한 인공 지능 엔진의 학습을 위해 활용될 수도 있고, 판매자의 신용 평가를 위해 활용될 수도 있다.The credit evaluation basic data preprocessor 120 may be implemented to pre-process the collected basic credit evaluation data. Credit evaluation basic data may be pre-processed and used for learning of an artificial intelligence engine for credit evaluation, or may be used for credit evaluation of sellers.

신용 평가를 위한 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터는 제1 전처리를 통해 신용 평가 기초 데이터 학습부(130)로 전송될 수 있다. 판매자의 신용 평가를 위한 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터는 제2 전처리를 통해 신용 평가부(140)로 전송될 수 있다.Credit evaluation basic data for learning of the artificial intelligence engine for credit evaluation may be transmitted to the credit evaluation basic data learning unit 130 through a first pre-processing. Credit evaluation basic data for learning of the artificial intelligence engine for credit evaluation of the seller may be transmitted to the credit evaluation unit 140 through the second pre-processing.

신용 평가 기초 데이터 학습부(130)는 판매자의 신용 평가를 위한 인공 지능 학습을 위해 구현될 수 있다. 신용 평가 기초 데이터 학습부(130)는 판매자의 신용 평가를 위한 복수의 인공 지능 엔진을 포함하고, 복수의 인공 지능 엔진 각각은 판매자의 신용 평가를 위한 하위 신용 평가 요소를 결정하기 위해 구현될 수 있다.The credit evaluation basic data learning unit 130 may be implemented for learning artificial intelligence for credit evaluation of the seller. The credit evaluation basic data learning unit 130 includes a plurality of artificial intelligence engines for credit evaluation of the seller, and each of the plurality of artificial intelligence engines may be implemented to determine a lower credit rating factor for the credit evaluation of the seller. .

신용 평가부(140)는 판매자의 신용을 평가하여 판매자의 신용 평가 데이터를 결정하기 위해 구현될 수 있다. 신용 평가부(140)는 신용 평가 기초 데이터 학습부의 복수의 인공 지능 엔진 각각에 의해 결정된 복수의 하위 신용 평가 요소를 기반으로 판매자의 신용 평가 데이터를 결정할 수 있다. 또한 신용 평가부(140)는 인공 지능 엔진이 아닌 별도의 알고리즘을 기반으로 판매자의 신용 평가 데이터를 결정할 수 있다. The credit evaluation unit 140 may be implemented to evaluate the seller's credit to determine the seller's credit evaluation data. The credit evaluation unit 140 may determine the credit evaluation data of the seller based on a plurality of sub-credit evaluation factors determined by each of the plurality of artificial intelligence engines of the credit evaluation basic data learning unit. In addition, the credit evaluation unit 140 may determine the credit evaluation data of the seller based on a separate algorithm rather than the artificial intelligence engine.

금융 서비스부(150)는 판매자의 신용 평가 데이터를 기반으로 판매자에게 금융 서비스를 제공하기 위해 구현될 수 있다. The financial service unit 150 may be implemented to provide a financial service to a seller based on credit evaluation data of the seller.

프로세서(160)는 신용 평가 기초 데이터 수집부(110), 신용 평가 기초 데이터 전처리부(120), 신용 평가 기초 데이터 학습부(130), 신용 평가부(140), 금융 서비스부(150)의 동작을 제어하기 위해 구현될 수 있다.The processor 160 operates the credit evaluation basic data collection unit 110 , the credit evaluation basic data preprocessor 120 , the credit evaluation basic data learning unit 130 , the credit evaluation unit 140 , and the financial service unit 150 . can be implemented to control

도 2는 본 발명의 실시예에 따른 판매 관리 플랫폼과 판매 관리 플랫폼을 통해 신용 평가 기초 데이터를 수집하는 방법을 나타낸 개념도이다.2 is a conceptual diagram illustrating a sales management platform and a method of collecting basic credit evaluation data through the sales management platform according to an embodiment of the present invention.

도 2에서는 판매 관리 플랫폼과 판매 관리 플랫폼에서 수집되는 신용 평가 기초 데이터가 개시된다.2 discloses a sales management platform and credit evaluation basic data collected from the sales management platform.

도 2를 참조하면, 판매 관리 플랫폼은 OMS(order management system)(210), ERP(enterprise resource planning)(220), WMS(warehouse management system)(230), ECS(E-commerce solution)(240) 등을 포함할 수 있다. OMS(210), ERP(220), WMS(230), ECS(240)는 하나의 예시로서 판매자의 상품 판매와 관련된 다른 다양한 주체가 판매 관리 플랫폼일 수 있다. 2, the sales management platform is an order management system (OMS) 210, enterprise resource planning (ERP) 220, warehouse management system (WMS) 230, E-commerce solution (ECS) 240 and the like. The OMS 210 , the ERP 220 , the WMS 230 , and the ECS 240 are examples, and various other entities related to the seller's product sales may be a sales management platform.

OMS(210)는 판매자의 상품 주문 관리를 위한 플랫폼이다.The OMS 210 is a platform for managing a product order of a seller.

OMS(210)는 다수의 판매 채널을 통해 상품을 판매하는 판매자가 일련의 판매 과정 업무를 통합적으로 처리할 수 있는 전산 시스템이다. 판매자는 OMS(210)를 통해 복수의 판매 채널 상에서 주문된 상품 현황을 확인하고 결제 확인, 배송, 주문 취소, 반품 등을 총괄 처리할 수 있다.The OMS 210 is a computerized system that can integrally process a series of sales process tasks by a seller who sells products through a plurality of sales channels. The seller may check the status of products ordered on a plurality of sales channels through the OMS 210 and collectively handle payment confirmation, delivery, order cancellation, return, and the like.

구체적으로 OMS(210) 상에서는 상품 일괄 등록 수정, 주문 수집, 송장 등록 및 송신, 재고 관리 등과 같은 기능이 제공될 수 있다. 또한, OMS(210)는 복수의 판매 채널 상에서의 결제 정보, 매출 정보, 매출에 대한 정산 정보, 반품 정보, 반품으로 인한 환불 정보, 재고 정보 등을 관리하기 위한 기능을 제공할 수 있다. Specifically, functions such as product batch registration correction, order collection, invoice registration and transmission, and inventory management may be provided on the OMS 210 . In addition, the OMS 210 may provide a function for managing payment information, sales information, sales settlement information, return information, refund information due to return, inventory information, and the like on a plurality of sales channels.

ERP(220)는 전사적 자원 관리로서 판매자의 상품 생산(구매), 물류, 재무, 회계, 영업, 구매, 재고 등과 같은 정보를 관리하기 위한 판매 관리 플랫폼일 수 있다.The ERP 220 may be a sales management platform for managing information such as product production (purchase), logistics, finance, accounting, sales, purchase, and inventory of a seller as enterprise resource planning.

WMS(230)는 창고 관리 시스템으로서 창고 또는 배송 센터 관리를 지원하고 최적화하기 위한 판매 관리 플랫폼이다. WMS(230)는 판매자의 상품의 입고, 적치, 재고, 피킹, 출고 등 물류 프로세서를 전체적으로 통합하여 관리할 수 있다. WMS 230 is a warehouse management system, a sales management platform for supporting and optimizing warehouse or delivery center management. The WMS 230 may integrate and manage the logistics processes such as warehousing, piling, inventory, picking, and shipment of the seller's goods as a whole.

ECS(240)는 판매자의 판매를 위한 온라인 몰에 대한 생성 및 관리를 위한 판매 관리 플랫폼일 수 있다. ECS(240)는 온라인 쇼핑몰을 생성하고 온라인 쇼핑몰 상에서 발생되는 데이터를 관리하고, 상품의 판매를 위한 마켓팅을 수행하기 위해 구현될 수 있다. The ECS 240 may be a sales management platform for creating and managing an online mall for sales of sellers. The ECS 240 may be implemented to create an online shopping mall, manage data generated on the online shopping mall, and perform marketing for selling products.

신용 평가 기초 데이터 수집부는 OMS(210), ERP(220), WMS(230), ECS(240)와 같은 판매 관리 플랫폼과 연계되어 신용 평가 기초 데이터를 수집할 수 있다. The credit evaluation basic data collection unit may collect basic credit evaluation data in connection with a sales management platform such as the OMS 210 , the ERP 220 , the WMS 230 , and the ECS 240 .

예를 들어, 신용 평가 기초 데이터 수집부는 OMS(210)에서 발생된 상품 등록 정보, 재고 정보, 주문 정보, 반품 정보, 결제 정보, 매출 정보, 정산 정보, 환불 정보 등을 판매자의 신용 평가 기초 데이터로서 수집할 수 있다.For example, the credit evaluation basic data collection unit uses product registration information, inventory information, order information, return information, payment information, sales information, settlement information, refund information, etc. generated in the OMS 210 as the seller's credit evaluation basic data. can be collected

신용 평가 기초 데이터 수집부는 WMS(230)에서 발생된 상품 입고 정보, 상품 재고 정보, 상품 출고 정보, 상품 배송 정보 등을 판매자의 신용 평가 기초 데이터로서 수집할 수 있다.The credit evaluation basic data collection unit may collect product wearing information, product inventory information, product shipment information, product delivery information, and the like generated by the WMS 230 as basic credit evaluation data of the seller.

신용 평가 기초 데이터 수집부는 ECS(240)에서 발생된 상품 마켓팅 정보 등을 판매자의 신용 평가 기초 데이터로서 수집할 수도 있다.The credit evaluation basic data collection unit may collect product marketing information and the like generated by the ECS 240 as the credit evaluation basic data of the seller.

도 3은 본 발명의 실시예에 따른 신용 기초 데이터 전처리부의 동작을 나타낸 개념도이다.3 is a conceptual diagram illustrating an operation of a credit basic data preprocessor according to an embodiment of the present invention.

도 3에서는 신용 기초 데이터 전처리부에서 신용 평가 기초 데이터를 전처리하는 방법이 개시된다.3 discloses a method of pre-processing credit evaluation basic data in the credit basic data pre-processing unit.

도 3을 참조하면, 신용 평가 기초 데이터(300)는 제1 전처리(310)를 통해 제1 전처리 신용 평가 기초 데이터(320)로서 신용 평가 기초 데이터 학습부(360)로 전송될 수 있다. 또한, 신용 평가 기초 데이터(300)는 제2 전처리(350)를 통해 제2 전처리 신용 평가 기초 데이터(355)로서 신용 평가부(370)로 전송될 수 있다.Referring to FIG. 3 , the credit evaluation basic data 300 may be transmitted to the credit evaluation basic data learning unit 360 as the first pre-processing credit evaluation basic data 320 through the first pre-processing 310 . Also, the credit evaluation basic data 300 may be transmitted to the credit evaluation unit 370 as the second pre-processing credit evaluation basic data 355 through the second pre-processing 350 .

제1 전처리(310)는 인공 지능 엔진에서 학습을 위한 전처리일 수 있다.The first preprocessing 310 may be a preprocessing for learning in the artificial intelligence engine.

제1 전처리(310)는 신용 평가 기초 데이터(300)를 생성한 판매 관리 플랫폼의 특성을 고려하여 수행될 수 있다. 본 발명에서 금융 서비스는 판매자 특성, 서플라이 체인 특성을 고려하여 제공되기 때문에 판매자 특성, 서플라이 체인 특성을 고려한 인공 지능 엔진의 학습을 위해 제1 전처리(310)가 수행될 수 있다.The first pre-processing 310 may be performed in consideration of the characteristics of the sales management platform that generated the credit evaluation basic data 300 . In the present invention, since the financial service is provided in consideration of the seller characteristics and the supply chain characteristics, the first preprocessing 310 may be performed for learning of the artificial intelligence engine in consideration of the seller characteristics and the supply chain characteristics.

제1 전처리(310) 중 서플라이 체인 특성을 고려한 전처리는 신용 평가 기초 데이터(300)에 대응되는 서플라이 체인 단계를 고려하여 수행될 수 있다. 제1 전처리(310) 중 서플라이 체인 특성을 고려한 전처리는 제1 전처리(서플라이 체인)(313)이라는 용어로 표현될 수 있다.The preprocessing in consideration of the supply chain characteristics among the first preprocessing 310 may be performed in consideration of the supply chain stage corresponding to the credit evaluation basic data 300 . Among the first preprocessing 310 , the preprocessing in consideration of the supply chain characteristics may be expressed in terms of the first preprocessing (supply chain) 313 .

예를 들어, 서플라이 체인이 생산(또는 구매) 단계, 유통 단계, 판매 단계로 구분되는 경우, 신용 평가 기초 데이터(300)는 1차적으로 데이터가 획득된 단계를 기초로 신용 평가 기초 데이터(생산 단계), 신용 평가 기초 데이터(유통 단계), 신용 평가 기초 데이터(판매 단계)로 구분되어 제1 전처리 신용 평가 기초 데이터(320)로서 생성될 수 있다.For example, when the supply chain is divided into a production (or purchase) stage, a distribution stage, and a sales stage, the credit evaluation basic data 300 is the primary credit evaluation basic data (production stage) based on the stage at which the data is acquired. ), credit evaluation basic data (distribution stage), and credit evaluation basic data (sales stage) may be generated as the first pre-processing credit evaluation basic data 320 .

또한, 제1 전처리(310) 중 판매자 특성을 고려한 전처리는 판매자 특성을 기초로 한 판매자 데이터 분류 및 판매자 데이터 증강(augmentation)을 통해 수행될 수 있다. 제1 전처리 중 판매자 특성을 고려한 전처리는 제1 전처리(판매자)(316)라는 용어로 표현될 수 있다.In addition, the preprocessing in consideration of the seller characteristics among the first preprocessing 310 may be performed through seller data classification and seller data augmentation based on the seller characteristics. Among the first pre-processing, the pre-processing in consideration of the seller characteristics may be expressed in terms of the first pre-processing (seller) 316 .

제2 전처리(350)는 신용 평가부에 포함되는 인공 지능 엔진을 기반으로 판매자의 신용 평가를 위해 수행될 수 있다. 제2 전처리 신용 평가 기초 데이터(355)는 인공 지능 엔진으로 입력되어 하위 신용 평가 요소를 결정하기 위해 사용될 수 있다. 따라서, 제2 전처리(350)는 인공 지능 엔진의 입력 데이터 포맷을 고려하여 수행될 수 있다. 인공 지능 엔진 별로 서로 다른 신용 평가 기초 데이터에 대한 예측이 수행되고, 인공 지능 엔진 별로 서로 다른 데이터 포맷을 가질 수 있다. 판매자의 신용 평가를 위해 사용될 수 있는 적어도 하나의 인공 지능 엔진을 고려하여 제2 전처리(350)가 수행될 수 있다.The second preprocessing 350 may be performed for credit evaluation of the seller based on the artificial intelligence engine included in the credit evaluation unit. The second pre-processed credit rating basic data 355 may be input into an artificial intelligence engine and used to determine lower credit rating factors. Accordingly, the second preprocessing 350 may be performed in consideration of the input data format of the artificial intelligence engine. Prediction of different credit evaluation basic data is performed for each AI engine, and each AI engine may have a different data format. The second preprocessing 350 may be performed in consideration of at least one artificial intelligence engine that may be used for credit evaluation of the seller.

도 4는 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.4 is a conceptual diagram illustrating a first pre-processing according to an embodiment of the present invention.

도 4에서는 신용 평가 기초 데이터에 적용되는 제1 전처리(판매자) 및 제1 전처리(서플라이 체인)이 개시된다.In FIG. 4 , a first preprocessing (seller) and a first preprocessing (supply chain) applied to credit evaluation basic data are disclosed.

도 4를 참조하면, 제1 전처리(판매자)(400)를 통해 판매자 별로 분류된 신용 평가 기초 데이터는 제1 전처리(서플라이 체인)(450)을 통해 서플라이 체인 단계 별로 전처리되어 제1 전처리 신용 기초 데이터(490)로서 생성될 수 있다.Referring to FIG. 4 , the credit evaluation basic data classified for each seller through the first pre-processing (seller) 400 is pre-processed for each supply chain step through the first pre-processing (supply chain) 450, and the first pre-processing credit basic data (490).

제1 전처리(서플라이 체인)(450)은 데이터 전송 주체인 판매 관리 플랫폼 및 판매 관리 플랫폼에서 전송되는 데이터 포맷을 고려하여 제1 전처리 신용 기초 데이터(490)를 생성할 수 있다.The first pre-processing (supply chain) 450 may generate the first pre-processing credit basic data 490 in consideration of the data format transmitted from the sales management platform and the sales management platform, which are the data transmission subjects.

판매 관리 플랫폼에 의해 관리되는 서플라이 체인 단계 및 판매 관리 플랫폼에서 발생되는 신용 평가 기초 데이터에 포함되는 정보를 고려한 제1 전처리(서플라이 체인)(450)을 통해 신용 평가 기초 데이터는 신용 평가 기초 데이터(생산)(460), 신용 평가 기초 데이터(유통)(470), 신용 평가 기초 데이터(판매)(480)로 구분되어 제1 전처리 신용 평가 기초 데이터로서 생성될 수 있다.Credit evaluation basic data through the first pre-processing (supply chain) 450 that considers information included in the supply chain stage managed by the sales management platform and the credit evaluation basic data generated by the sales management platform, the credit evaluation basic data (production ) 460, credit evaluation basic data (distribution) 470, and credit evaluation basic data (sales) 480 may be generated as the first pre-processing credit evaluation basic data.

또한, 제1 전처리(서플라이 체인)(450)은 판매 관리 플랫폼을 통해 전송되는 신용 평가 기초 데이터에 대한 중복 데이터 처리를 수행하여 제1 전처리 신용 평가 기초 데이터(490)를 생성할 수 있다. 복수의 판매 관리 플랫폼에서 동일한 상품에 대한 신용 평가 기초 데이터가 중복하여 발생되는 경우, 중복 데이터 처리가 수행될 수 있다. 예를 들어, 판매자가 판매를 위해 특정 상품을 구매하는 경우, OMS 상에서 상품 등록이 되고, WMS 상에서는 상품 적치가 이루어질 수 있다. 즉, 판매자가 특정 물품을 구매하는 행위는 1회로 이루어지나 이러한 구매 행위로 인한 상품 등록 및 상품 적치에 대한 데이터는 판매 관리 플랫폼 별로 생성되고, 이로 인해 신용 평가 기초 데이터의 중복이 발생될 수 있다.In addition, the first pre-processing (supply chain) 450 may generate the first pre-processing credit evaluation basic data 490 by performing redundant data processing on the basic credit evaluation data transmitted through the sales management platform. When credit evaluation basic data for the same product is duplicated in a plurality of sales management platforms, duplicate data processing may be performed. For example, when a seller purchases a specific product for sale, the product may be registered on the OMS, and the product may be stored on the WMS. That is, the seller purchases a specific product once, but the data on product registration and product stocking due to such purchase is generated for each sales management platform, which may lead to duplication of credit evaluation basic data.

제1 전처리(서플라이 체인)(450)은 신용 평가 기초 데이터의 데이터 발생 시간, 신용 평가 기초 데이터에 포함된 정보, 추후 전송되는 신용 평가 기초 데이터 정보를 고려하여 전송된 신용 평가 기초 데이터의 중복성을 판단하여 제1 전처리 신용 평가 기초 데이터(490)를 생성할 수 있다. 신용 평가 기초 데이터의 중복이 발생하는 경우, 제1 전처리(서플라이 체인)(450)을 통해 하나의 판매 관리 플랫폼의 데이터만이 사용되거나, 중복된 신용 평가 기초 데이터를 필터링하여 제외하고, 중복된 신용 평가 기초 데이터에 포함되는 정보를 포함하는 다른 신용 평가 기초 데이터만이 사용되도록 할 수 있다.The first pre-processing (supply chain) 450 determines the redundancy of the transmitted credit evaluation basic data in consideration of the data generation time of the credit evaluation basic data, information included in the credit evaluation basic data, and the credit evaluation basic data information transmitted later to generate the first pre-processing credit evaluation basic data 490 . When duplication of credit evaluation basic data occurs, only data of one sales management platform is used through the first preprocessing (supply chain) 450, or duplicated credit evaluation basic data is filtered out and duplicated credit Only other credit evaluation basic data including information included in the evaluation basic data may be used.

또한, 제1 전처리(서플라이 체인)(450)은 시간을 고려한 신용 평가 기초 데이터에 대한 전처리일 수 있다.Also, the first pre-processing (supply chain) 450 may be a pre-processing of the credit evaluation basic data considering time.

판매자의 신용 등급 및 판매자의 신용 평가 기초 데이터는 시간에 따라 변화될 수 있다. 따라서, 학습을 위한 신용 평가 기초 데이터에 대한 시간 스케일 설정이 인공 지능 엔진의 성능에 영향을 크게 끼칠 수 있다. 따라서, 본 발명에서는 획득된 신용 평가 기초 데이터에 대한 시간 스케일을 설정한 후, 시간 스케일을 고려한 신용 평가 기초 데이터를 전처리하여 제1 전처리 신용 기초 데이터(490)를 생성할 수 있다. 전처리를 위한 시간 스케일은 신용 평가 기초 데이터 별로 설정될 수 있다. The credit rating of the seller and the basic data of the credit rating of the seller may change over time. Therefore, the time scale setting for the credit evaluation basic data for learning can greatly affect the performance of the artificial intelligence engine. Accordingly, in the present invention, after setting a time scale for the obtained basic credit evaluation data, the first pre-processing credit basic data 490 may be generated by preprocessing the basic credit evaluation data in consideration of the time scale. A time scale for preprocessing may be set for each credit evaluation basic data.

도 5는 본 발명의 실시예에 따른 제1 전처리(판매자)를 나타낸 개념도이다.5 is a conceptual diagram illustrating a first pre-processing (seller) according to an embodiment of the present invention.

도 5에서는 제1 전처리(판매자)를 통한 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터의 증강 처리 방법이 개시된다. 특히, 데이터 증강 방법 중 신용 평가 기초 데이터가 하위 신용 평가 기초 데이터로 분할되어 학습 데이터로서 사용되는 방법이 개시된다.In FIG. 5, a method for augmenting credit evaluation basic data for learning of an artificial intelligence engine through a first preprocessing (seller) is disclosed. In particular, among the data augmentation methods, a method in which credit evaluation basic data is divided into lower credit evaluation basic data and used as learning data is disclosed.

도 5를 참조하면, 특정 신용 평가 기초 데이터(500)를 증강 처리하여 보다 정확한 인공 지능 엔진 학습을 수행하는 방법이 개시된다. 예를 들어, 신용 평가 기초 데이터(500)는 계절성, 거래 규모, 배송 주기, 매출 추이, 반품률, 판매 상품, 재고 자산 규모, 운영 정보 등일 수 있다. 신용 평가 기초 데이터(500) 중 특정 신용 평가 기초 데이터는 증강되어 복수의 하위 신용 평가 기초 데이터(540)로서 생성될 수 있다.Referring to FIG. 5 , a method of performing more accurate artificial intelligence engine learning by augmenting specific credit evaluation basic data 500 is disclosed. For example, the credit evaluation basic data 500 may be seasonality, transaction size, delivery cycle, sales trend, return rate, products sold, inventory asset size, operation information, and the like. Specific credit rating basic data among the credit rating basic data 500 may be augmented and generated as a plurality of lower rating basic data 540 .

반품율 데이터가 증가되는 경우, 반품 규모, 폐기율, 반품율 평균, 반품률 변동 안정성, 반품률 MAX 초과 횟수 등과 같은 데이터가 하위 신용 평가 기초 데이터(540)로서 생성될 수 있다.When the return rate data is increased, data such as the return size, the discard rate, the return rate average, the return rate fluctuation stability, the number of times the return rate MAX is exceeded, etc. may be generated as the lower credit rating basic data 540 .

본 발명의 실시예에서는 신용 평가를 보다 정확하게 하기 위해 데이터 증강이 필요한 경우, 제1 전처리를 통해 신용 평가 기초 데이터(500)를 하위 신용 평가 기초 데이터(540)로 증강하여 학습을 수행할 수 있다. 이러한 제1 전처리(판매자)의 데이터 증강은 하위 데이터 증강(520)이라는 용어로 표현될 수 있다.In an embodiment of the present invention, when data augmentation is required to perform a more accurate credit evaluation, learning may be performed by augmenting the basic credit evaluation data 500 into the lower credit evaluation basic data 540 through a first pre-processing. The data augmentation of the first preprocessing (seller) may be expressed in terms of the lower data augmentation 520 .

도 6은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.6 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.

도 6에서는 제1 전처리(판매자) 상에서 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터의 증강 처리 방법이 개시된다. 특히, 데이터 증강 방법 중 신용 평가 기초 데이터를 시간 스케일로 분석하여 데이터를 증강하는 방법, 통계적인 방법을 통해 데이터를 증강하는 방법이 개시된다.6 discloses a method for augmenting credit evaluation basic data for learning of an artificial intelligence engine in a first pre-processing (seller). In particular, a method of augmenting data by analyzing credit evaluation basic data on a time scale among data augmentation methods, and a method of augmenting data through a statistical method are disclosed.

도 6의 (a)는 데이터 증강 방법 중 신용 평가 기초 데이터(600)를 시간 스케일로 분석하여 데이터를 증강하는 방법이다. 데이터 증강 방법 중 신용 평가 기초 데이터를 시간 스케일로 분석하여 데이터를 증강하는 방법은 시간 스케일 데이터 증강(610)이라는 용어로 표현될 수 있다.6 (a) is a method of augmenting data by analyzing the credit evaluation basic data 600 on a time scale among data augmentation methods. Among the data augmentation methods, a method of augmenting data by analyzing credit evaluation basic data on a time scale may be expressed in terms of time scale data augmentation 610 .

예를 들어, 신용 평가 기초 데이터(600)가 반품율인 경우, 월 반품률 5% 이상을 기준으로 36개월 간 월 반품율 5% 이상 판매자 수에 대한 데이터가 증강되어 생성될 수 있다. 또 다른 예로, 월 반품율 평균율 기준으로 36개월 간 평균 반품율 판매자 수에 대한 데이터가 증강되어 생성될 수 있다.For example, when the credit evaluation basic data 600 is a return rate, data on the number of sellers with a monthly return rate of 5% or more for 36 months based on a monthly return rate of 5% or more may be augmented and generated. As another example, based on the average monthly return rate, data on the number of sellers with the average return rate for 36 months may be augmented and generated.

도 6의 (b)는 데이터 증강 방법 중 신용 평가 기초 데이터(650)를 통계적으로 분석하여 데이터를 증강하는 방법이다. 데이터 증강 방법 중 신용 평가 기초 데이터(650)를 통계적으로 분석하여 데이터를 증강하는 방법은 통계적 데이터 증강(660)이라는 용어로 표현될 수 있다. 예를 들어, 신용 평가 기초 데이터(650)가 반품율인 경우, 고객별 반품율의 평균, 표준 편차, 최고, 특정 구간 이상 등 통계적 방법을 통해 다각도로 증가하여 데이터 증강이 수행될 수 있다.6 (b) is a method of augmenting data by statistically analyzing the credit evaluation basic data 650 among the data augmentation methods. Among the data augmentation methods, a method of augmenting data by statistically analyzing the credit evaluation basic data 650 may be expressed in terms of statistical data augmentation 660 . For example, when the credit evaluation basic data 650 is a return rate, data augmentation may be performed by increasing the return rate in multiple ways through statistical methods such as the average, standard deviation, maximum, and a specific section or more of the return rate for each customer.

도 7은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.7 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.

도 7에서는 제1 전처리(판매자) 상에서 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터의 증강 처리 방법이 개시된다. 특히 데이터 증강 방법 중 신용 평가 기초 데이터를 2차원으로 분석하여 데이터를 증강하는 방법이 개시된다. 7 discloses a method for augmenting credit evaluation basic data for learning of an artificial intelligence engine in a first pre-processing (seller). In particular, among the data augmentation methods, a method of augmenting data by analyzing basic data of credit evaluation in two dimensions is disclosed.

도 7을 참조하면, 데이터 증강 방법 중 신용 평가 기초 데이터(700)를 2차원 데이터로서 증강하는 방법이 개시된다 데이터 증강 방법 중 신용 평가 기초 데이터(700)를 복수의 차원으로 분할하여 데이터를 증강하는 방법은 다차원 데이터 증강(710)이라는 용어로 표현될 수 있다.Referring to FIG. 7 , a method of augmenting the basic credit evaluation data 700 as two-dimensional data among the data augmentation methods is disclosed. Among the data augmentation methods, the basic credit evaluation data 700 is divided into a plurality of dimensions to augment the data. The method may be expressed in terms of multidimensional data augmentation 710 .

예를 들어, 신용 평가 기초 데이터(700)가 반품율인 경우, 전체 반품율이 2차원의 데이터로 분할되어 증가될 수 있다. 1차원은 36개월 간 평균 반품율이고, 2차원은 36개월 간 반품율이 5%를 넘은 개월 수일 수 있다. 이러한 2차원 분석을 통해 보다 정확한 판매자의 신용 평가 기초 데이터(700)에 대한 평가가 가능할 수 있다.For example, when the credit evaluation basic data 700 is a return rate, the total return rate may be increased by dividing it into two-dimensional data. The first dimension may be the average return rate over 36 months, and the second dimension may be the number of months in which the return rate exceeds 5% in 36 months. Through this two-dimensional analysis, it may be possible to more accurately evaluate the credit evaluation basic data 700 of the seller.

도 8은 본 발명의 실시예에 따른 제1 전처리를 수행하는 방법을 나타낸 개념도이다.8 is a conceptual diagram illustrating a method of performing a first preprocessing according to an embodiment of the present invention.

도 8에서는 신용 평가 기초 데이터 학습부의 학습을 위한 제1 전처리(판매자)를 선택적으로 수행하는 방법이 개시된다.In FIG. 8, a method of selectively performing a first pre-processing (seller) for learning of a credit evaluation basic data learning unit is disclosed.

도 8을 참조하면, 제1 전처리(판매자)는 하위 데이터 증강(810), 시간 스케일 데이터 증강(820), 통계적 데이터 증강(830), 다차원 데이터 증강(840)을 사용할 수 있다.Referring to FIG. 8 , the first pre-processing (seller) may use sub data augmentation 810 , time scale data augmentation 820 , statistical data augmentation 830 , and multidimensional data augmentation 840 .

신용 평가 기초 데이터 학습부에 포함되는 복수의 인공 지능 엔진에 대한 학습을 위해 제1 전처리(판매자)가 선택적으로 수행될 수 있다.A first pre-processing (seller) may be selectively performed for learning of a plurality of artificial intelligence engines included in the credit evaluation basic data learning unit.

예를 들어, 하위 데이터 증강(810)은 인공 지능 엔진 중 특성 신용 평가 데이터에 대한 구체적인 분석을 통해 특화된 결과를 생성하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다. 예를 들어, 반품율에 보다 가중치를 가지고 신용 평가 데이터를 생성하는 인공 지능 엔진의 학습을 위해서 반품율에 대한 하위 데이터 증강이 수행될 수 있다.For example, the lower data augmentation 810 may be used for learning of an artificial intelligence engine for generating a specialized result through specific analysis of characteristic credit evaluation data among artificial intelligence engines. For example, sub data augmentation on the return rate may be performed for learning of an artificial intelligence engine that generates credit evaluation data with more weight on the return rate.

시간 스케일 데이터 증강(820)은 시간에 따른 신용 평가 데이터의 변화를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다. The time scale data augmentation 820 may be used for learning of an artificial intelligence engine for predicting changes in credit rating data over time.

통계적 데이터 증강(830)은 특정 기준을 별도로 미리 설정하고, 설정 기준에 따른 신용 평가 데이터를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다.Statistical data augmentation 830 may be used for learning of an artificial intelligence engine for separately presetting specific criteria and predicting credit rating data according to the set criteria.

다차원 데이터 증강(840)은 2개의 차원에 대한 설정 기준을 기반으로 신용 평가 데이터를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다.The multidimensional data augmentation 840 may be used for learning of an artificial intelligence engine for predicting credit rating data based on set criteria for two dimensions.

본 발명의 실시예에서는 예측되는 신용 평가 데이터의 성질에 따라 제1 전처리(판매자)가 다양하게 수행되고 다양한 인공 지능 모델이 생성될 수 있다. In an embodiment of the present invention, the first preprocessing (seller) may be variously performed and various artificial intelligence models may be generated according to the properties of the predicted credit evaluation data.

도 9는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.9 is a conceptual diagram illustrating an operation of a credit evaluation unit according to an embodiment of the present invention.

도 9에서는 신용 평가부에서 인공 지능 엔진을 기반으로 판매자의 신용 평가 데이터를 생성하는 방법이 개시된다.In FIG. 9 , a method of generating credit evaluation data of a seller based on an artificial intelligence engine in a credit evaluation unit is disclosed.

도 9를 참조하면, 신용 평가부는 적어도 하나의 인공 지능 엔진을 기반으로 한 판매자의 신용 평가를 통해 신용 평가 데이터를 생성할 수 있다.Referring to FIG. 9 , the credit evaluation unit may generate credit evaluation data through credit evaluation of a seller based on at least one artificial intelligence engine.

신용 평가부는 하나의 인공 지능 엔진을 기반으로 판매자의 신용 평가 데이터를 생성할 수도 있으나, 신용 평가부는 판매자 특성 정보(900)를 기반으로 적응적으로 판매자에게 적용 가능한 인공 지능 엔진을 결정하고, 결정된 인공 지능 엔진을 기반으로 신용 평가 데이터(950)를 생성할 수 있다.The credit evaluation unit may generate credit evaluation data of the seller based on one artificial intelligence engine, but the credit evaluation unit determines an artificial intelligence engine adaptively applicable to the seller based on the seller characteristic information 900 , and the determined artificial intelligence engine Credit rating data 950 may be generated based on the intelligence engine.

예를 들어, 판매자의 판매 상품, 판매자의 상품 판매 플랫폼, 판매자의 매출, 판매자의 순이익 등과 같은 판매자 정보를 기반으로 판매자 특성 정보(900)에 가장 적합한 신용 평가를 위한 타겟 인공 지능 엔진(920)이 결정될 수 있다.For example, the target artificial intelligence engine 920 for credit evaluation most suitable for the seller characteristic information 900 based on seller information such as the seller's products sold, the seller's product sales platform, the seller's sales, the seller's net profit, etc. can be decided.

신용 평가부는 복수의 인공 지능 엔진 각각에 피드백 정보를 기반으로 판매자 특성 정보에 따른 인공 지능 엔진의 신뢰도를 결정할 수 있다. 또한, 신용 평가부는 복수의 인공 지능 엔진 각각에 대해 판매자 특성 정보별 신뢰도 등급을 결정할 수 있다. 구체적으로 판매자 특성 정보는 하위 판매자 특성 정보 각각을 기반으로 벡터화되고 공간 상에 표현될 수 있고, 공간 간의 거리 정보를 통해 판매자 특성 정보를 기반으로 판매자 그룹이 형성될 수 있고, 판매자 그룹별 신용 평가 데이터와 금융 서비스 결과 데이터를 비교하여 인공 지능 엔진의 판매자 그룹별 신뢰도가 결정될 수 있다. 신뢰도 등급은 인공 지능 엔진별 판매자 그룹에 대한 신뢰도의 통계적 특성을 고려하여 결정될 수 있다.The credit evaluation unit may determine the reliability of the artificial intelligence engine according to the seller characteristic information based on the feedback information to each of the plurality of artificial intelligence engines. In addition, the credit evaluation unit may determine a reliability level for each seller characteristic information for each of the plurality of artificial intelligence engines. Specifically, the seller characteristic information may be vectorized and expressed in space based on each of the sub-seller characteristic information, a seller group may be formed based on the seller characteristic information through distance information between spaces, and credit evaluation data for each seller group The reliability of each seller group of the artificial intelligence engine can be determined by comparing the financial service result data with the financial service. The reliability level may be determined in consideration of the statistical characteristics of the reliability of the seller group for each artificial intelligence engine.

신용 평가부는 판매자 특성 정보를 기초로 상대적으로 높은 신뢰도 등급을 가지는 인공 지능 엔진을 타겟 인공 지능 엔진(920)으로 결정하여 판매자에 대한 신용 평가 데이터(950)를 생성할 수 있다.The credit evaluation unit may generate credit evaluation data 950 for the seller by determining an artificial intelligence engine having a relatively high reliability level as the target artificial intelligence engine 920 based on the seller characteristic information.

도 10은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.10 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.

도 10에서는 판매자의 신용 평가 데이터를 결정하기 위한 스코어카드를 결정하는 방법이 개시된다.10 discloses a method of determining a scorecard for determining credit rating data of a merchant.

도 10을 참조하면, 스코어카드(1000)는 판매자의 신용 평가 데이터를 결정하기 위한 복수의 신용 평가 기초 데이터를 포함하는 카드일 수 있다. 스코어카드(1000)에 포함되는 복수의 신용 평가 기초 데이터는 전처리된 후 인공 지능 엔진(1020)으로 입력되어 신용 평가 데이터를 결정할 수 있다.Referring to FIG. 10 , the scorecard 1000 may be a card including a plurality of credit rating basic data for determining credit rating data of a seller. A plurality of credit evaluation basic data included in the scorecard 1000 may be pre-processed and then input to the artificial intelligence engine 1020 to determine credit evaluation data.

예를 들어, 스코어카드(1000)에 포함되는 복수의 신용 평가 기초 데이터는 거주지 자가 여부, 거주지에서 거주한 기간, 직업, 직업 유지 기간, 은행 기록, 카드 사용 기록, 기존의 대출 기록 등과 같은 정보일 수 있다.For example, the plurality of credit evaluation basic data included in the scorecard 1000 is information such as whether a person is a resident, a period of residence in the residence, a job, a period of maintaining a job, a bank record, a card use record, an existing loan record, and the like. can

스코어카드(1000)는 복수의 신용 평가 기초 데이터의 조합을 포함하며, 복수의 신용 평가 기초 데이터의 조합에 따라 다양한 타입으로 생성될 수 있다. 스코어카드(1000)에 포함되는 복수의 신용 평가 기초 데이터의 조합은 전처리되어 판매자의 신용 평가 데이터를 결정하기 위한 인공 지능 엔진(1020)으로 입력될 수 있다.The scorecard 1000 includes a combination of a plurality of credit evaluation basic data, and may be generated in various types according to a combination of a plurality of credit evaluation basic data. A combination of a plurality of credit rating basic data included in the scorecard 1000 may be pre-processed and input to the artificial intelligence engine 1020 for determining the seller's credit rating data.

본 발명의 실시예에서는 다양한 복수의 신용 평가 기초 데이터의 조합으로 구성된 복수의 스코어카드(1000)가 존재할 수 있을 뿐만 아니라 또한, 동일한 신용 평가 기초 데이터를 포함하는 스코어카드(1000)더라도 포함되는 학습 및 신용 평가 데이터 생성을 위해 복수의 신용 평가 기초 데이터 각각에 적용되는 가중치, 복수의 신용 평가 기초 데이터 각각에 적용되는 스케일 등에 따라 다른 스코어카드(1000)로서 정의되어 인공 지능 엔진(1020)으로 입력될 수 있다.In the embodiment of the present invention, there may be a plurality of scorecards 1000 composed of a combination of a plurality of various credit evaluation basic data, and also the scorecard 1000 including the same basic credit evaluation data is included in learning and It is defined as a different scorecard 1000 according to a weight applied to each of the plurality of credit evaluation basic data, a scale applied to each of the plurality of basic credit evaluation data, etc. to generate the credit evaluation data and input to the artificial intelligence engine 1020 have.

즉, 본 발명에서는 복수의 스코어카드(1000)가 서로 다른 인공 지능 엔진(1020)으로 입력되어 학습되고, 그에 따른 서로 다른 신용 평가 데이터(1040)를 생성하도록 구현될 수 있다. 복수의 스코어카드(1000) 중 특정 스코어카드(1000)가 선택적으로 사용될 수 있다. 본 발명에서는 가장 정확도가 높은 스코어카드(1000)를 결정하기 위해서는 다양한 스코어카드 결정 방법이 사용될 수 있다.That is, in the present invention, a plurality of scorecards 1000 may be input to different artificial intelligence engines 1020 and learned, and may be implemented to generate different credit evaluation data 1040 accordingly. A specific scorecard 1000 among the plurality of scorecards 1000 may be selectively used. In the present invention, in order to determine the scorecard 1000 with the highest accuracy, various scorecard determination methods may be used.

도 11은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.11 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.

도 11을 참조하면, 정확도 높은 신용 평가 데이터를 생성하는 스코어카드를 결정하기 위해 복수의 신용 평가 기초 데이터는 다양하게 조합되고, 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드(1100)가 결정될 수 있다.Referring to FIG. 11 , in order to determine a scorecard that generates high-accuracy credit rating data, a plurality of credit rating basic data is variously combined, and a plurality of primary candidate scorecards including a plurality of different credit rating basic data. (1100) can be determined.

복수의 1차 후보 스코어카드(1100)의 결정 이후, 복수의 1차 후보 스코어카드(1100)에 대응되는 신용 평가 기초 데이터가 복수의 인공 지능 엔진 각각으로 입력되고, 복수의 인공 지능 엔진 각각의 학습이 수행될 수 있다. After the determination of the plurality of primary candidate scorecards 1100, the credit evaluation basic data corresponding to the plurality of primary candidate scorecards 1100 is input to each of the plurality of artificial intelligence engines, and each of the plurality of artificial intelligence engines is trained. This can be done.

복수의 1차 후보 스코어카드(1100)에 대응되는 신용 평가 기초 데이터를 기반으로 학습되는 복수의 인공 지능 엔진은 1차 후보 인공 지능 엔진(1120)이라는 용어로 표현될 수 있다.A plurality of artificial intelligence engines learned based on the credit evaluation basic data corresponding to the plurality of primary candidate scorecards 1100 may be expressed in terms of the primary candidate artificial intelligence engine 1120 .

1차 후보 인공 지능 엔진(1120) 중 신뢰도가 임계 신뢰도 이상인 경우, 해당 인공 자능 엔진은 2차 후보 인공 지능 엔진(1160)으로 결정될 수 있다. When the reliability among the primary candidate AI engines 1120 is equal to or greater than the threshold reliability, the corresponding AI engine may be determined as the secondary candidate AI engine 1160 .

임계 신뢰도 이상을 가지는 2차 후보 인공 지능 엔진(1160)에 대응되는 1차 후보 스코어카드(1100)에 포함되는 복수의 신용 평가 기초 데이터는 가중치 조정, 스케일 조정 또는 생성 시점 조정이 수행되어 2차 후보 스코어카드(1140)에 포함될 수 있다.A plurality of credit evaluation basic data included in the primary candidate scorecard 1100 corresponding to the secondary candidate artificial intelligence engine 1160 having a threshold reliability or higher is weighted, scaled, or generated time adjustment is performed to obtain secondary candidates Scorecard 1140 may be included.

2차 후보 스코어카드(1140)에 대응되는 신용 평가 기초 데이터는 2차 후보 인공 지능 엔진(1160)으로 입력되고, 2차 후보 인공 지능 엔진(1160)은 학습될 수 있다. The credit evaluation basic data corresponding to the secondary candidate scorecard 1140 is input to the secondary candidate artificial intelligence engine 1160 , and the secondary candidate artificial intelligence engine 1160 may be trained.

2차 후보 인공 지능 엔진(1160) 중 신뢰도가 임계 신뢰도 이상인 적어도 하나의 인공 지능 엔진 또는 가장 높은 신뢰도를 가지는 인공 지능 엔진이 최종적으로 신용 평가부에서 사용될 인공 지능 엔진으로 결정될 수 있다. 또한, 최종적으로 결정된 인공 지능 엔진에 사용되는 2차 후보 스코어카드(1140)가 최종적으로 사용될 스코어카드로서 결정될 수 있다.Among the secondary candidate artificial intelligence engines 1160 , at least one artificial intelligence engine having a reliability equal to or greater than a threshold reliability or an artificial intelligence engine having the highest reliability may be finally determined as an artificial intelligence engine to be used in the credit evaluation unit. In addition, the secondary candidate scorecard 1140 used in the finally determined artificial intelligence engine may be determined as the final scorecard to be used.

위의 스코어 카드 및 인공 지능 엔진 결정 동작은 판매자 특성 정보를 고려하여 판매자 그룹별로 수행되고, 판매자 그룹 별로 인공 지능 엔진이 결정되고, 판매자 그룹별로 사용될 스코어카드가 결정될 수 있다. 즉, 판매자그룹별로, 1차 후보 스코어카드(1000), 1차 후보 인공 지능 엔진(1120), 2차 후보 스코어카드(1140) 및 2차 후보 인공 지능 엔진(1160)이 결정될 수 있다.The above scorecard and artificial intelligence engine determination operation may be performed for each seller group in consideration of seller characteristic information, an artificial intelligence engine may be determined for each seller group, and a scorecard to be used for each seller group may be determined. That is, the primary candidate scorecard 1000 , the primary candidate AI engine 1120 , the secondary candidate scorecard 1140 , and the secondary candidate AI engine 1160 may be determined for each seller group.

도 12는 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다. 12 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.

도 12에서는 가중치 조정, 스케일 조정 또는 생성 시점 조정이 수행되어 2차 후보 스코어카드를 결정하는 방법이 개시된다.12 discloses a method of determining a secondary candidate scorecard by performing weight adjustment, scaling, or generation time adjustment.

도 12를 참조하면, 가중치 조정(1200)은 스코어카드에 포함되는 신용 평가 기초 데이터 각각의 중요도를 고려하여 설정될 수 있다. 실제 금융 서비스 결과에 더 큰 영향을 끼치는 신용 평가 기초 데이터일수록 더 큰 가중치를 설정하여 인공 지능 엔진에 대한 학습을 수행할 수 있다.Referring to FIG. 12 , the weight adjustment 1200 may be set in consideration of the importance of each of the credit evaluation basic data included in the scorecard. Learning about the artificial intelligence engine can be performed by setting a larger weight for credit evaluation basic data that has a greater impact on actual financial service results.

스케일 조정(1210)은 신용 평가 기초 데이터를 분류하기 위한 범위 스케일의 조정일 수 있다. 예를 들어, 직장 근속 년수의 경우, n개의 카테고리로 분류할 수 있고, 신용 평가 기초 데이터에 대해 어떠한 스케일로 분류하여 학습을 수행하는지가 인공 지능 엔진의 신용 평가 데이터가 실제 금융 서비스 결과를 반영할 수 있는지에 영향을 끼칠 수 있다. 따라서, 2차 후보 스코어카드(1240)에 포함되는 복수의 신용 평가 기초 데이터 각각에 대한 스케일 조정(1210)을 통해 최적의 인공 지능 엔진 학습이 수행될 수 있다.The scaling 1210 may be an adjustment of a range scale for classifying the credit rating basic data. For example, in the case of the number of years of work, it can be classified into n categories, and the credit evaluation data of the artificial intelligence engine can reflect the actual financial service results depending on what scale and classification of the basic data for credit evaluation is performed. may affect whether Accordingly, optimal AI engine learning may be performed through scaling 1210 for each of the plurality of credit evaluation basic data included in the secondary candidate scorecard 1240 .

생성 시점 조정(1220)(또는 스코어링 시점 조정)은 신용 평가 기초 데이터의 생성 시점(또는 스코어링 시점)을 고려하여 인공 지능 엔진의 학습을 수행할 수 있다. 인공 지능 엔진으로 스코어카드에 포함되는 복수의 신용 평가 기초 데이터가 그룹핑되어 입력될 수 있다. 따라서, 신용 평가 기초 데이터의 생성 시점의 설정을 통해 어떠한 학습 데이터가 생성되는지가 결정될 수 있다. 따라서, 이러한 신용 평가 기초 데이터의 생성 시점 조정(1220)을 통해 보다 정확한 인공 지능 엔진의 학습이 수행될 수 있다. The generation time adjustment 1220 (or scoring time adjustment) may perform learning of the artificial intelligence engine in consideration of the generation time (or scoring time) of the credit evaluation basic data. A plurality of credit evaluation basic data included in the scorecard may be grouped and input to the artificial intelligence engine. Accordingly, it may be determined which learning data is generated through the setting of the generation time of the credit evaluation basic data. Accordingly, more accurate artificial intelligence engine learning may be performed through the adjustment 1220 of the generation time of the credit evaluation basic data.

또한, 생성 시점 조정(1220)은 생성 시점을 복수개로 설정하여 생성 시점에 따라 발생되는 스코어 오차를 줄일 수 있다. 신용 평가 기초 데이터는 관찰 기간(1250)과 스코어링 시점(1260), 동작 기간(1270)을 별도로 분류하고, 관찰 기간(1250)과 동작 기간(1270)을 서로 다르게 설정하여 스코어링 시점(1260)을 복수개 설정할 수 있다. 복수개의 스코어링 시점(1260)의 설정을 통해 계절적인 변화와 같은 판매자의 상품에 따라 발생될 수 있는 생성 시점에 따른 스코어 오차를 줄이고 이러한 시간에 따른 스코어 변화를 반영할 수 있다.In addition, the generation time adjustment 1220 may reduce a score error generated according to the generation time by setting a plurality of generation time points. The credit evaluation basic data classifies the observation period 1250, the scoring time point 1260, and the operation period 1270 separately, and sets the observation period 1250 and the operation period 1270 differently to set a plurality of scoring points 1260. can be set. By setting a plurality of scoring time points 1260 , score errors according to generation time points that may be generated depending on the seller's product such as seasonal changes can be reduced, and the score change over time can be reflected.

도 13은 본 발명의 실시예에 따른 스코어카드 결정을 수행하는 신용 평가 장치를 나타낸 개념도이다.13 is a conceptual diagram illustrating a credit rating apparatus for determining a scorecard according to an embodiment of the present invention.

도 13을 참조하면, 신용 평가 장치는 스코어카드 결정부를 포함할 수 있다. Referring to FIG. 13 , the credit rating apparatus may include a scorecard determining unit.

스코어카드 결정부는 스코어카드를 결정하기 위해 구현될 수 있다. 스코어 카드 결정부는 1차 후보 스코어카드 결정부(1310), 1차 후보 인공 지능 엔진 생성부(1320), 2차 후보 스코어카드 결정부(1330), 2차 후보 인공 지능 엔진 생성부(1340) 및 스코어카드 결정부(1350)를 포함할 수 있다.A scorecard determining unit may be implemented to determine a scorecard. The scorecard determiner includes a first candidate scorecard determiner 1310 , a first candidate artificial intelligence engine generator 1320 , a second candidate scorecard determiner 1330 , a second candidate artificial intelligence engine generator 1340 , and A scorecard determination unit 1350 may be included.

1차 후보 스코어카드 결정부(1310)는 정확도 높은 신용 평가 데이터를 결정하기 위한 스코어카드를 결정하기 위해 복수의 신용 평가 기초 데이터를 다양하게 조합하여 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드를 결정할 수 있다.The primary candidate scorecard determination unit 1310 variously combines a plurality of credit evaluation basic data to determine a scorecard for determining high-accuracy credit evaluation data, and includes a plurality of different credit evaluation basic data. A primary candidate scorecard may be determined.

1차 후보 인공 지능 엔진 생성부(1320)는 1차 후보 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 복수의 1차 후보 스코어카드의 결정 이후, 복수의 1차 후보 스코어카드에 대응되는 신용 평가 기초 데이터가 복수의 인공 지능 엔진 각각으로 입력되고, 복수의 인공 지능 엔진 각각의 학습이 수행되고, 1차 후보 인공 지능 엔진이 결정될 수 있다.The first candidate artificial intelligence engine generator 1320 may be implemented to generate the first candidate artificial intelligence engine. After determining the plurality of primary candidate scorecards, credit evaluation basic data corresponding to the plurality of primary candidate scorecards is input to each of the plurality of artificial intelligence engines, each of the plurality of artificial intelligence engines is trained, and the first A candidate artificial intelligence engine may be determined.

2차 후보 인공 지능 엔진 생성부(1340)는 1차 후보 인공 지능 엔진 중 신뢰도가 임계 신뢰도 이상인 경우, 해당 인공 지능 엔진은 2차 후보 인공 지능 엔진으로 결정될 수 있다.The secondary candidate AI engine generating unit 1340 may determine the secondary candidate AI engine as the secondary candidate AI engine when the reliability of the primary candidate AI engines is equal to or greater than the threshold reliability.

2차 후보 스코어카드 생성부(1330)는 2차 후보 인공 지능 엔진에 대응되는 1차 후보 스코어카드에 포함되는 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 2차 후보 스코어카드를 결정할 수 있다.The secondary candidate scorecard generation unit 1330 performs weight adjustment, scale adjustment, or generation time adjustment on a plurality of credit evaluation basic data included in the primary candidate scorecard corresponding to the secondary candidate artificial intelligence engine to obtain the secondary candidate scorecard. Candidate scorecards can be determined.

스코어카드 결정부(1350)는 2차 후보 스코어카드 중 최종적으로 사용될 스코어카드를 결정하기 위해 구현될 수 있다.The scorecard determining unit 1350 may be implemented to determine a scorecard to be finally used among secondary candidate scorecards.

이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.The embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and used by those skilled in the art of computer software. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks. medium), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. A hardware device may be converted into one or more software modules to perform processing in accordance with the present invention, and vice versa.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.In the above, the present invention has been described with reference to specific matters such as specific components and limited embodiments and drawings, but these are provided to help a more general understanding of the present invention, and the present invention is not limited to the above embodiments, Those of ordinary skill in the art to which the invention pertains can make various modifications and changes from these descriptions.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the above-described embodiments, and the scope of the spirit of the present invention is not limited to the scope of the scope of the present invention. will be said to belong to

Claims (6)

이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법은,
신용 평가 장치의 1차 후보 스코어카드 결정부가 복수의 신용 평가 기초 데이터를 조합하여 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드를 결정하는 단계;
상기 신용 평가 장치의 1차 후보 인공 지능 엔진 생성부가 상기 복수의 1차 후보 스코어카드를 기반으로 학습된 1차 후보 인공 지능 엔진을 생성하는 단계;
상기 신용 평가 장치의 2차 후보 인공 지능 엔진 생성부가 상기 1차 후보 인공 지능 엔진 중 신뢰도가 임계 신뢰도 이상인 인공 지능 엔진을 2차 후보 인공 지능 엔진으로 결정하는 단계;
상기 신용 평가 장치의 2차 후보 스코어카드 생성부가 상기 2차 후보 인공 지능 엔진에 대응되는 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 2차 후보 스코어카드를 생성하는 단계; 및
상기 신용 평가 장치의 스코어카드 결정부가 상기 2차 후보 스코어카드 중 최종적으로 사용될 스코어카드를 결정하는 단계를 포함하고,
상기 가중치 조정은 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터 각각이 금융 서비스 결과에 영향을 기반으로 상기 복수의 신용 평가 기초 데이터 각각의 가중치를 설정하여 상기 2차 후보 스코어카드를 결정하고,
상기 스케일 조정은 상기 복수의 신용 평가 기초 데이터를 분류하기 위한 범위 스케일의 조정을 기반으로 상기 2차 후보 스코어카드를 결정하고,
상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터의 생성 시점을 고려하여 상기 2차 후보 스코어카드를 결정하고,
상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터를 관찰 기간, 스코어링 시점, 동작 기간으로 분류하고, 상기 관찰 기간과 상기 동작 기간을 서로 다르게 설정하여 상기 스코어링 시점을 복수개 설정하는 것을 특징으로 하는 방법.How to determine a credit rating scorecard based on e-commerce data,
determining, by a primary candidate scorecard determining unit of the credit rating apparatus, a plurality of primary candidate scorecards including a plurality of different credit evaluation basic data by combining a plurality of credit evaluation basic data;
generating, by the primary candidate artificial intelligence engine generator of the credit evaluation device, a learned primary candidate artificial intelligence engine based on the plurality of primary candidate scorecards;
determining, by the secondary candidate artificial intelligence engine generator of the credit evaluation device, an artificial intelligence engine having a reliability equal to or greater than a threshold reliability among the primary candidate artificial intelligence engines as a secondary candidate artificial intelligence engine;
The secondary candidate scorecard generation unit of the credit rating device performs weight adjustment, scale adjustment, or generation time adjustment for the plurality of credit evaluation basic data included in the primary candidate scorecard corresponding to the secondary candidate artificial intelligence engine. performing a second candidate scorecard; and
determining, by a scorecard determining unit of the credit rating device, a scorecard to be finally used among the secondary candidate scorecards;
The weight adjustment is performed by setting a weight for each of the plurality of credit evaluation basic data based on the influence of each of the plurality of credit evaluation basic data included in the primary candidate scorecard on a financial service result to obtain the secondary candidate scorecard. decide,
wherein the scaling determines the secondary candidate scorecard based on the adjustment of a range scale for classifying the plurality of credit rating basic data;
The generation time adjustment determines the secondary candidate scorecard in consideration of the generation time of the plurality of credit evaluation basic data,
The generation time adjustment includes classifying the plurality of credit evaluation basic data into an observation period, a scoring time, and an operation period, and setting the observation period and the operation period differently to set a plurality of the scoring time points. 제1항에 있어서,
상기 1차 후보 인공 지능 엔진 및 상기 2차 후보 인공 지능 엔진은 상기 신용 평가 기초 데이터에 대한 제1 전처리를 기반으로 학습되고,
상기 제1 전처리는 제1 전처리(서플라이 체인) 및 제1 전처리(판매자)를 포함하고,
상기 제1 전처리(서플라이 체인)는 서플라이 체인 단계별로 상기 신용 평가 기초 데이터를 전처리한 신용 평가 기초 데이터(생산 단계), 신용 평가 기초 데이터(유통 단계), 신용 평가 기초 데이터(판매 단계)를 상기 제1 전처리 신용 평가 기초 데이터로서 생성하고,
상기 제1 전처리(판매자)는 판매자 특성을 고려한 전처리는 상기 신용 평가 기초 데이터를 판매자 특성을 기초로 한 판매자 데이터 분류 및 판매자 데이터 증강(augmentation)을 통해 처리하여 상기 제1 전처리 신용 평가 기초 데이터를 생성하고,
상기 제1 전처리 신용 평가 기초 데이터는 상기 제1 전처리(판매자) 이후에 상기 제1 전처리(서플라이 체인)을 수행하여 판매자 그룹별로 생성되고,
상기 판매자 데이터 증강은 하위 데이터 증강, 시간 스케일 데이터 증강, 통계적 데이터 증강, 다차원 데이터 증강을 포함하는 것을 특징을 하는 방법.According to claim 1,
The first candidate artificial intelligence engine and the second candidate artificial intelligence engine are learned based on a first pre-processing of the credit evaluation basic data,
The first pretreatment includes a first pretreatment (supply chain) and a first pretreatment (seller),
The first pre-processing (supply chain) generates the credit evaluation basic data (production stage), credit evaluation basic data (distribution stage), and credit evaluation basic data (sales stage) obtained by pre-processing the credit evaluation basic data for each supply chain step. 1 Created as pre-processing credit evaluation basic data,
The first pre-processing (seller) generates the first pre-processing credit evaluation basic data by processing the credit evaluation basic data in consideration of the seller characteristics through seller data classification and seller data augmentation based on the seller characteristics do,
The first pre-processing credit evaluation basic data is generated for each seller group by performing the first pre-processing (supply chain) after the first pre-processing (seller),
The method of claim 1, wherein the merchant data augmentation includes sub-data augmentation, time scale data augmentation, statistical data augmentation, and multi-dimensional data augmentation. 제2항에 있어서,
상기 하위 데이터 증강은 상기 신용 평가 기초 데이터를 하위 신용 평가 기초 데이터로 분할하여 증강하는 것이고,
상기 시간 스케일 데이터 증강은 상기 신용 평가 기초 데이터를 시간 스케일로 분석하여 데이터를 증강하는 것이고,
상기 통계적 데이터 증강은 상기 신용 평가 기초 데이터를 통계적으로 분석하여 데이터를 증강하는 것이고,
상기 다차원 데이터 증강은 상기 신용 평가 기초 데이터를 복수의 차원으로 분할하여 데이터를 증강하는 것을 특징으로 하는 방법.3. The method of claim 2,
The lower data augmentation is to divide and augment the basic credit rating data into lower rating basic data,
The time scale data augmentation is to augment the data by analyzing the credit evaluation basic data on a time scale,
The statistical data augmentation is to augment the data by statistically analyzing the credit evaluation basic data,
The multi-dimensional data augmentation method, characterized in that the data augmentation by dividing the credit evaluation basic data into a plurality of dimensions. 이커머스 데이터 기반 신용 평가 스코어 카드 결정하는 신용 평가 장치는,
복수의 신용 평가 기초 데이터를 조합하여 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드를 결정하도록 구현되는 1차 후보 스코어카드 결정부;
상기 복수의 1차 후보 스코어카드를 기반으로 학습된 1차 후보 인공 지능 엔진을 생성하도록 구현되는 1차 후보 인공 지능 엔진 생성부;
상기 1차 후보 인공 지능 엔진 중 신뢰도가 임계 신뢰도 이상인 인공 지능 엔진을 2차 후보 인공 지능 엔진으로 결정하도록 구현되는 2차 후보 인공 지능 엔진 생성부;
상기 2차 후보 인공 지능 엔진에 대응되는 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 2차 후보 스코어카드를 생성하도록 구현되는 2차 후보 스코어카드 생성부; 및
상기 2차 후보 스코어카드 중 최종적으로 사용될 스코어카드를 결정하도록 구현되는 스코어카드 결정부를 포함하되,
상기 가중치 조정은 상기 1차 후보 스코어카드에 포함되는 상기 복수의 신용 평가 기초 데이터 각각이 금융 서비스 결과에 영향을 기반으로 상기 복수의 신용 평가 기초 데이터 각각의 가중치를 설정하여 상기 2차 후보 스코어카드를 결정하고,
상기 스케일 조정은 상기 복수의 신용 평가 기초 데이터를 분류하기 위한 범위 스케일의 조정을 기반으로 상기 2차 후보 스코어카드를 결정하고,
상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터의 생성 시점을 고려하여 상기 2차 후보 스코어카드를 결정하고,
상기 생성 시점 조정은 상기 복수의 신용 평가 기초 데이터를 관찰 기간, 스코어링 시점, 동작 기간으로 분류하고, 상기 관찰 기간과 상기 동작 기간을 서로 다르게 설정하여 상기 스코어링 시점을 복수개 설정하는 것을 특징으로 하는 신용 평가 장치.A credit rating device that determines a credit rating scorecard based on e-commerce data,
a primary candidate scorecard determining unit configured to combine a plurality of credit evaluation basic data to determine a plurality of primary candidate scorecards including a plurality of different credit evaluation basic data;
a primary candidate artificial intelligence engine generator configured to generate a learned primary candidate artificial intelligence engine based on the plurality of primary candidate scorecards;
a second candidate artificial intelligence engine generator configured to determine an artificial intelligence engine having a reliability equal to or greater than a threshold reliability among the first candidate artificial intelligence engines as a second candidate artificial intelligence engine;
Implemented to generate a secondary candidate scorecard by performing weight adjustment, scale adjustment, or generation time adjustment on the plurality of credit evaluation basic data included in the primary candidate scorecard corresponding to the secondary candidate artificial intelligence engine a secondary candidate scorecard generator; and
a scorecard determining unit operable to determine a scorecard to be finally used among the secondary candidate scorecards;
The weight adjustment is performed by setting a weight for each of the plurality of credit evaluation basic data based on the influence of each of the plurality of credit evaluation basic data included in the primary candidate scorecard on a financial service result to obtain the secondary candidate scorecard. decide,
wherein the scaling determines the secondary candidate scorecard based on the adjustment of a range scale for classifying the plurality of credit rating basic data;
The generation time adjustment determines the secondary candidate scorecard in consideration of the generation time of the plurality of credit evaluation basic data,
The generation time adjustment classifies the plurality of credit evaluation basic data into an observation period, a scoring time, and an operation period, and sets the observation period and the operation period differently to set a plurality of the scoring points. Device. 제4항에 있어서,
상기 1차 후보 인공 지능 엔진 및 상기 2차 후보 인공 지능 엔진은 상기 신용 평가 기초 데이터에 대한 제1 전처리를 기반으로 학습되고,
상기 제1 전처리는 제1 전처리(서플라이 체인) 및 제1 전처리(판매자)를 포함하고,
상기 제1 전처리(서플라이 체인)는 서플라이 체인 단계별로 상기 신용 평가 기초 데이터를 전처리한 신용 평가 기초 데이터(생산 단계), 신용 평가 기초 데이터(유통 단계), 신용 평가 기초 데이터(판매 단계)를 상기 제1 전처리 신용 평가 기초 데이터로서 생성하고,
상기 제1 전처리(판매자)는 판매자 특성을 고려한 전처리는 상기 신용 평가 기초 데이터를 판매자 특성을 기초로 한 판매자 데이터 분류 및 판매자 데이터 증강(augmentation)을 통해 처리하여 상기 제1 전처리 신용 평가 기초 데이터를 생성하고,
상기 제1 전처리 신용 평가 기초 데이터는 상기 제1 전처리(판매자) 이후에 상기 제1 전처리(서플라이 체인)을 수행하여 판매자 그룹별로 생성되고,
상기 판매자 데이터 증강은 하위 데이터 증강, 시간 스케일 데이터 증강, 통계적 데이터 증강, 다차원 데이터 증강을 포함하는 것을 특징을 하는 신용 평가 장치.5. The method of claim 4,
The first candidate artificial intelligence engine and the second candidate artificial intelligence engine are learned based on a first pre-processing of the credit evaluation basic data,
The first pretreatment includes a first pretreatment (supply chain) and a first pretreatment (seller),
The first pre-processing (supply chain) generates the credit evaluation basic data (production stage), credit evaluation basic data (distribution stage), and credit evaluation basic data (sales stage) obtained by pre-processing the credit evaluation basic data for each supply chain step. 1 Created as pre-processing credit evaluation basic data,
The first pre-processing (seller) generates the first pre-processing credit evaluation basic data by processing the credit evaluation basic data in consideration of the seller characteristics through seller data classification and seller data augmentation based on the seller characteristics do,
The first pre-processing credit evaluation basic data is generated for each seller group by performing the first pre-processing (supply chain) after the first pre-processing (seller),
The merchant data augmentation is a credit rating device, characterized in that it comprises sub data augmentation, time scale data augmentation, statistical data augmentation, and multidimensional data augmentation. 제5항에 있어서,
상기 하위 데이터 증강은 상기 신용 평가 기초 데이터를 하위 신용 평가 기초 데이터로 분할하여 증강하는 것이고,
상기 시간 스케일 데이터 증강은 상기 신용 평가 기초 데이터를 시간 스케일로 분석하여 데이터를 증강하는 것이고,
상기 통계적 데이터 증강은 상기 신용 평가 기초 데이터를 통계적으로 분석하여 데이터를 증강하는 것이고,
상기 다차원 데이터 증강은 상기 신용 평가 기초 데이터를 복수의 차원으로 분할하여 데이터를 증강하는 것을 특징으로 하는 신용 평가 장치.6. The method of claim 5,
The lower data augmentation is to divide and augment the basic credit rating data into lower rating basic data,
The time scale data augmentation is to augment the data by analyzing the credit evaluation basic data on a time scale,
The statistical data augmentation is to augment the data by statistically analyzing the credit evaluation basic data,
The multi-dimensional data augmentation is a credit evaluation device, characterized in that the data is augmented by dividing the basic credit evaluation data into a plurality of dimensions.
KR1020220004691A 2022-01-12 2022-01-12 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method KR102433934B1 (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020220004691A KR102433934B1 (en) 2022-01-12 2022-01-12 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method
KR1020220096823A KR20230109070A (en) 2022-01-12 2022-08-03 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method
PCT/KR2022/020815 WO2023136492A1 (en) 2022-01-12 2022-12-20 Method for determining e-commerce data-based credit assessment scorecard and device performing same method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220004691A KR102433934B1 (en) 2022-01-12 2022-01-12 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220096823A Division KR20230109070A (en) 2022-01-12 2022-08-03 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method

Publications (1)

Publication Number Publication Date
KR102433934B1 true KR102433934B1 (en) 2022-08-19

Family

ID=83113523

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220004691A KR102433934B1 (en) 2022-01-12 2022-01-12 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method
KR1020220096823A KR20230109070A (en) 2022-01-12 2022-08-03 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220096823A KR20230109070A (en) 2022-01-12 2022-08-03 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method

Country Status (2)

Country Link
KR (2) KR102433934B1 (en)
WO (1) WO2023136492A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023136492A1 (en) * 2022-01-12 2023-07-20 주식회사 에이젠글로벌 Method for determining e-commerce data-based credit assessment scorecard and device performing same method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210076641A (en) * 2019-12-16 2021-06-24 박병훈 Method for providing artificial intelligence service
KR20210127512A (en) * 2020-04-14 2021-10-22 (주)푸드노트서비스 System for small business credit loan based on artificial intelligence, and method thereof

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102005733B1 (en) * 2018-07-31 2019-07-31 (주)굿레이트 Block chain-based person-to-person financial service offering system using credit rating assessment result drawn on online big data analysis
KR102089666B1 (en) * 2019-03-14 2020-03-16 (주)디에스솔루션즈 Method for automatically aggregating and evaluating seller credit rate using big data and ai auto classification server
KR102246782B1 (en) * 2019-03-19 2021-04-29 주식회사 포스코아이씨티 System for Debt Repayment Capability Evaluation Of Corporation Including Evaluation Model Based On AI Using Commerce Data
KR102433934B1 (en) * 2022-01-12 2022-08-19 주식회사 에이젠글로벌 Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210076641A (en) * 2019-12-16 2021-06-24 박병훈 Method for providing artificial intelligence service
KR20210127512A (en) * 2020-04-14 2021-10-22 (주)푸드노트서비스 System for small business credit loan based on artificial intelligence, and method thereof

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023136492A1 (en) * 2022-01-12 2023-07-20 주식회사 에이젠글로벌 Method for determining e-commerce data-based credit assessment scorecard and device performing same method

Also Published As

Publication number Publication date
WO2023136492A1 (en) 2023-07-20
KR20230109070A (en) 2023-07-19

Similar Documents

Publication Publication Date Title
KR102461415B1 (en) Method for credit evaluation based on external data and apparatus for performing the method
US7693733B2 (en) Method of and system for analyzing, modeling and valuing elements of a business enterprise
US6321205B1 (en) Method of and system for modeling and analyzing business improvement programs
US8185486B2 (en) Segmented predictive model system
US8332291B2 (en) System and method for monitoring managing and valuing credit accounts
US20050251468A1 (en) Process management system
US20120316904A1 (en) Detailed method of and system for modeling and analyzing business improvement programs
US20050119922A1 (en) Method of and system for analyzing, modeling and valuing elements of a business enterprise
US20010034628A1 (en) Detailed method of and system for modeling and analyzing business improvement programs
US20080004922A1 (en) Detailed method of and system for modeling and analyzing business improvement programs
US20040215495A1 (en) Method of and system for defining and measuring the elements of value and real options of a commercial enterprise
KR102246782B1 (en) System for Debt Repayment Capability Evaluation Of Corporation Including Evaluation Model Based On AI Using Commerce Data
KR20230063296A (en) Method for financing service based on seller data and apparatus for performing the method
Daniel et al. Corporate rating forecasting using Artificial Intelligence statistical techniques
KR102433934B1 (en) Method for determination of credit evaluation score card based on e-commerce data and apparatus for performing the method
KR102464993B1 (en) Method for credit evaluation based on order data generated between online seller and customer on OMS(order management system)
KR102464994B1 (en) Method for credit evaluation based on data generated on logistics movement process of WMS and apparatus for performing the method
KR102464995B1 (en) Method for credit evaluation based on end-to-end data generated on process of purchase, sales, inventory, logistics, distribution and calculation on ECS(e-commerce solution) and apparatus for performing the method
KR102433933B1 (en) Method for credit evaluation based on data collected via e-commerce sales and distribution management system platform
KR102249028B1 (en) System for Debt Repayment Capability Evaluation Of Corporation
KR20240002900A (en) Method for valuation of financial data on data economy and apparatus for performing the method
Elrefai et al. Using artificial intelligence in enhancing banking services
CN110968622B (en) Accounting report customization method, platform and terminal
Husejinovic et al. Application of Business Intelligence in Decision Making for Credit Card Approval
Hassan et al. Financial Services Credit Scoring System Using Data Mining

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant