KR102447055B1 - 제품 수요 예측 방법 및 장치 - Google Patents

제품 수요 예측 방법 및 장치 Download PDF

Info

Publication number
KR102447055B1
KR102447055B1 KR1020210188287A KR20210188287A KR102447055B1 KR 102447055 B1 KR102447055 B1 KR 102447055B1 KR 1020210188287 A KR1020210188287 A KR 1020210188287A KR 20210188287 A KR20210188287 A KR 20210188287A KR 102447055 B1 KR102447055 B1 KR 102447055B1
Authority
KR
South Korea
Prior art keywords
product
information
demand
unit
value
Prior art date
Application number
KR1020210188287A
Other languages
English (en)
Inventor
이진호
한홍택
Original Assignee
주식회사 슈퍼메이커즈
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 슈퍼메이커즈 filed Critical 주식회사 슈퍼메이커즈
Application granted granted Critical
Publication of KR102447055B1 publication Critical patent/KR102447055B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Physical Or Chemical Processes And Apparatus (AREA)

Abstract

제품 수요 예측 방법 및 장치를 개시한다.
본 실시예는 매장별로 매장별 수요 예측 함수를 적용하여 특정 날짜에 대한 제품의 수요를 예측하거나 고객, 고객별 구매 예측 함수, 신규 구매 상수, 재고 예측 수량을 기반으로 특정 날짜에 대한 제품의 매장별 수요를 예측하도록 하는 제품 수요 예측 방법 및 장치를 제공한다.

Description

제품 수요 예측 방법 및 장치{Method and Apparatus for Predicting Demand of product}
본 발명의 일 실시예는 제품 수요 예측 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
프랜차이즈 업이란 본사가 가맹점에게 일정 기간동안 특정 지역 내에서 프랜차이즈 본사의 상표, 상호, 제품, 또는 사업 운영 방식 등을 사용하여 상품이나 서비스를 제공할 수 있는 권한을 허가하고, 가맹점은 상품이나 서비스를 제공할 수 있는 권한을 얻은 대가로 초기 가입비 또는 매출액의 일정 비율에 해당하는 로열티를 지급하는 사업 방식을 의미한다.
다시 말해, 본사는 복수의 가맹점들을 관리하는 구조일 수 있으며, 복수의 가맹점들의 수익을 극대화하기 위해서는 가맹점들 각각에 최적화된 제품들을 제공하여야 하며, 가맹점들 각각은 제품들의 재고를 유지하는 것이 바람직하다. 다만, 가맹점들 각각이 제품들을 과도하게 보유하는 경우, 과도하게 비축된 제품들은 관리 자원의 낭비를 초래할 수 있다.
4차 산업혁명 시대에 발맞추어 기업들은 과거 어느 때보다 다양하고 많은 양의 데이터를 확보하고 이용할 수 있는 비즈니스 환경에 놓여있다. 다양한 비즈니스 환경에서 제각각 실시간으로 헤아릴 수 없을 정도의 데이터 축적이 이루어지고 있으며, 이를 빅데이터(Big Data)라고 부른다. 최근 데이터 추출 기술과 분석 프로그램의 발전에 따라 빅데이터를 전략적 의사 결정에 활용하려는 기업이 점차 증가하고 있다. 빅데이터 분석은 재고 관리, 수요 예측, 생산, 가격 결정, 시장 흐름 파악, 소비자 인식 및 트렌드 분석 등에 있어서 기존의 전형적인 데이터 수집 방식으로는 얻을 수 없던 새로운 정보를 창출할 수 있다.
따라서, 제품의 유통 및 판매에 있어서 획득되는 데이터를 기반으로 제품의 수요를 예측하여 제품의 재고를 감소시키기 위한 기술을 필요로 한다.
전술한, 제품 수요 예측하는 기술은 한국등록특허공보 제10-2294125호에 개시되어 있다.
본 실시예는 매장별로 매장별 수요 예측 함수를 적용하여 특정 날짜에 대한 제품의 수요를 예측하거나 고객, 고객별 구매 예측 함수, 신규 구매 상수, 재고 예측 수량을 기반으로 특정 날짜에 대한 제품의 매장별 수요를 예측하도록 하는 제품 수요 예측 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 매장별로 판매되는 특정 제품 정보(A), 고객 정보(C), 날씨 및 계정 정보를 수집하는 제품 정보 수집부; 상기 특정 제품 정보(A), 상기 고객 정보(C), 상기 날씨 및 계정 정보와 기 학습된 제품 수요 예측 모델을 기반으로 제품 수요 예측 결과를 생성하는 제품 수요 예측부; 매장별로 상기 제품 수요 예측 결과와 판매 현황을 기반으로 상기 제품 수요 예측 결과에 대응하는 피드백 정보를 생성하는 피드백부; 상기 피드백 정보를 입력값으로 학습을 수행한 학습 결과를 상기 제품 수요 예측 모델에 반영하는 학습부;를 포함하는 것을 특징으로 하는 제품수요 예측장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 매장별로 매장별 수요 예측 함수를 적용하여 특정 날짜에 대한 제품의 수요를 예측하거나 고객, 고객별 구매 예측 함수, 신규 구매 상수, 재고 예측 수량을 기반으로 특정 날짜에 대한 제품의 매장별 수요를 예측할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 제품 수요 예측 시스템을 나타낸 도면이다.
도 2는 본 실시예에 따른 제품수요 예측장치를 개략적으로 나타낸 블럭 구성도이다.
도 3은 본 실시예에 따른 판매 제품 형태를 나타낸 도면이다.
도 4a,4b 본 실시예에 따른 특정 날짜에 대한 제품 수요 예측값과 특정 날짜에 대한 제품의 매장에서의 수요 예측값을 나타낸 도면이다.
도 5는 본 실시예에 따른 제품 수요 예측 서비스 동작을 설명하기 위한 도면이다.
도 6은 본 실시예에 따른 가맹점에게 제공할 제품 리스트를 생성을 설명하기 위한 도면이다.
도 7은 본 실시예에 따른 가맹점에 제공할 제품별 수요값을 예측을 설명하기 위한 도면이다.
도 8은 본 실시예에 따른 배송전 제품 결함 확인을 설명하기 위한 도면이다.
도 9는 본 실시예에 따른 제품 수익 공유와 제조수량 예측을 설명하기 위한 도면이다.
도 10은 본 실시예에 따른 다른 형태의 제품 수요 예측을 설명하기 위한 도면이다.
도 11은 본 실시예에 따른 수요예측의 기능을 설명하기 위한 도면이다.
도 12는 본 실시예에 따른 거래처신뢰도 기반의 수요 예측을 설명하기 위한 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 제품 수요 예측 시스템을 나타낸 도면이다.
본 실시예에 따른 제품 수요 예측 시스템은 제품수요 예측장치(110), 네트워크(120), 가맹점 단말기(130)를 포함한다. 제품 수요 예측 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
제품수요 예측장치(110)는 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함한다. 제품수요 예측장치(110)는 웹서버 또는 네트워크 서버의 형태로 구현될 수 있다. 제품수요 예측장치(110)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 경유하여 불특정 다수 클라이언트 또는 다른 서버와 통신한다. 제품수요 예측장치(110)는 클라이언트 또는 다른 웹서버의 작업수행 요청에 대응하는 작업 결과를 도출하여 제공하는 컴퓨터 시스템, 컴퓨터 소프트웨어(웹서버 프로그램)를 의미한다.
제품수요 예측장치(110)는 전술한 웹서버 프로그램 이외에, 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program) 또는 장치 내부에 구축되어 있는 각종 데이터베이스를 포함한다.
제품수요 예측장치(110)는 네트워크(120)를 경유하여 가맹점 단말기(130)와 통신한다.
본 실시예에 따른 제품수요 예측장치(110)는 반찬(Side Dish)을 배달 형태로 판매하는 프랜차이즈(Franchise)의 전체 제품의 수요를 예측하는 장치를 의미한다. 제품수요 예측장치(110)는 계절, 날짜, 기존 제품의 재고, 출고 상태를 기반으로 제품 수요 예측한 공급량을 결정한다.
제품수요 예측장치(110)는 제품 A 속성으로 반복 판매 계수, 평균 소비 완료 시간, 유통기한을 추출한다. 제품수요 예측장치(110)는 고객 C 속성으로 ‘제품 A’에 대한 구매 주기, 반복 구매 계수를 추출한다. 제품수요 예측장치(110)는 날씨 및 계절 속성으로 ‘고객 C’의 구매 계수, ‘제품 A’에 대한 판매 탄성 계수를 추출한다. 제품수요 예측장치(110)는 NPC(New Purchase Constant)로 일자별로 제품 A가 신규 고객에게 팔릴 수량을 나타내는 값으로 이전 판매 데이터들의 평균값을 사용한다.
네트워크(120)는 인터넷망, 인트라넷망, 이동통신망, 위성 통신망 등 다양한 유무선 통신 기술을 이용하여 인터넷 프로토콜로 데이터를 송수신할 수 있는 망을 의미한다.
네트워크(120)는 제품수요 예측장치(110)와 가맹점 단말기(130)를 연결하는 망(Network)으로서 인터넷(Internet)을 포함하는 개방형 네트워크 또는 LAN(Local Area Network), WAN(Wide Area Network)을 포함하는 폐쇄형 네트워크, 이동통신망일 수 있다.
개방형 네트워크는 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 포함한다.
가맹점 단말기(130)는 POS(Point of Sales) 단말기인 것이 바람직하나 반드시 이에 한정되는 것은 아니다. 가맹점 단말기(130)는 금전등록기와 컴퓨터 단말기의 기능을 결합한 시스템으로 매상금액을 정산 및 재고를 파악할 수 있는 판매시점 관리 시스템을 의미한다. 가맹점 단말기(130)는 POS 터미널과 스토어 컨트롤러, 호스트 컴퓨터를 포함한다. 가맹점 단말기(130)는 상품코드(bar code) 자동판독장치인 바코드리더를 구비한다. 가맹점 단말기(130)는 고유마크(bar code)를 부착한 상품포장지가 구비된 판독기(scanner)를 통과하면 해당 상품의 각종 정보가 자동적으로 메인 컴퓨터로 입력받는다. 가맹점 단말기(130)는 제품의 단위품목별로 파악할 수 있다.
도 2는 본 실시예에 따른 제품수요 예측장치를 개략적으로 나타낸 블럭 구성도이다.
본 실시예에 따른 제품수요 예측장치(110)는 제품 정보 수집부(210), 제품 수요 예측부(220), 피드백부(230), 학습부(240), 제품 결함 확인부(250), 위험도 산출부(260)를 포함한다. 제품수요 예측장치(110)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
제품수요 예측장치(110)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 2에 도시된 제품수요 예측장치(110)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
제품 정보 수집부(210)는 제품 생산 정보, 제품 유통 정보, 제품 판매 정보, 제품 재고 정보를 포함하는 제품 정보를 수집한다. 제품 정보 수집부(210)는 매장별로 판매되는 특정 제품 정보(A), 고객 정보(C), 날씨 및 계정 정보를 수집한다.
제품 수요 예측부(220)는 제품 정보(제품 생산 정보, 제품 유통 정보, 제품 판매 정보, 제품 재고 정보)를 기반으로 제품 수요를 예측한다.
제품 수요 예측부(220)는 기초 판매 예측(개인별, 제품별, 일자별) 값을 기반으로 개인, 매장, 전사 단위 수요와 일, 주, 월 단위 수요를 예측한다. 제품 수요 예측부(220)는 개인별 구매 데이터를 바탕으로 제품, 개인, 일자의 최소 단위로 구매 예측과 결과 검증을 반복 수행한다. 제품 수요 예측부(220)는 학습부(240)를 이용하여 머신 러닝(Machine Learning)과 딥러닝(Deep Learning)으로 제품 수요의 예측 정확도를 높일 수 있다.
제품 수요 예측부(220)는 [수학식 1]을 이용하여 수요를 예측한다.
Figure 112021150672895-pat00001
여기서, k는 매장, DFS는 매장별 수요 예측 함수(Demand Forecast by Store Function)를 의미한다.
제품 수요 예측부(220)는 [수학식 2]를 이용하여 수요를 예측한다.
Figure 112021150672895-pat00002
여기서, c는 고객, PPC는 고객별 구매 예측 함수(Purchase Prediction by Customer Function)로 0 또는 1을 변환한다. NPC는 신규 구매 상수(New Purchase Constant)로 일별, 제품별로 사전 정의된 수이며 0과 같거나 큰 정수를 가진다. SQ는 특정 날짜(D)에 제품(A)의 재고 예측 수량을 의미한다. PPC는 특정일 D에 제품 A에 대한 고객 C의 구매 여부를 예측 및 결정하는 의사결정함수이며 다음 요건들을 반영하여 값을 변환한다.
본 실시예에 따른 제품 수요 예측부(220)는 특정 제품 정보(A), 고객 정보(C), 날씨 및 계정 정보와 기 학습된 제품 수요 예측 모델을 기반으로 제품 수요 예측 결과를 생성한다.
제품 수요 예측부(220)는 특정 제품 정보(A)에 포함된 제품 생산 정보, 제품 유통 정보, 제품 판매 정보, 제품 재고 정보를 추출한다. 제품 수요 예측부(220)는 제품 생산 정보, 제품 유통 정보, 제품 판매 정보, 제품 재고 정보, 제품 수요 예측 모델을 기반으로 제품 수요 예측 결과를 생성한다.
제품 수요 예측부(220)는 특정 제품 정보(A), 고객 정보(C), 날씨 및 계정 정보를 기반으로 기초 판매 예측값을 산출한다. 제품 수요 예측부(220)는 기초 판매 예측값을 기반으로 개인 단위 수요 예측값, 매장 단위 수요 예측값, 전사 단위 수요 예측값을 산출한다.
제품 수요 예측부(220)는 기초 판매 예측값을 기반으로 일간 단위 수요 예측값, 주간 단위 수요 예측값, 월간 단위 수요 예측값을 산출한다.
제품 수요 예측부(220)는 특정 제품 정보(A), 고객 정보(C), 날씨 및 계정 정보를 기반으로 제품별 최소 단위 구매 예측값, 개인별 최소 단위 구매 예측값, 일자별 최소 단위 구매 예측값을 산출한다. 제품 수요 예측부(220)는 제품별 최소 단위 구매 예측값, 개인별 최소 단위 구매 예측값, 일자별 최소 단위 구매 예측값에 대한 결과 검증을 수행한다.
제품 수요 예측부(220)는 특정 제품(A)에 대한 속성으로 반복 판매 계수, 평균 소비 완료 시간, 유통기한을 추출한다. 제품 수요 예측부(220)는 고객 정보(c)에 대한 속성으로 특정 제품(A)에 대한 구매 주기, 반복 구매 계수를 추출한다. 제품 수요 예측부(220)는 날씨, 계절 정보에 대한 속성으로 특정 고객 정보(C)의 구매 계수, 특정 제품 정보(A)에 대한 판매 탄성 계수를 추출한다. 제품 수요 예측부(220)는 반복 판매 계수, 평균 소비 완료 시간, 유통기한, 구매 주기, 반복 구매 계수, 특정 고객 정보(C)의 구매 계수, 특정 제품 정보(A)에 대한 판매 탄성 계수를 기반으로 제품 수요 예측 결과를 생성한다.
제품 수요 예측부(220)는 매장별 수요 예측 함수(DFS: Demand Forecast by Store Function)와 매장(k) 정보를 기반으로 특정 날짜(D)에 대한 특정 제품(A)의 수요 예측값을 산출한다.
제품 수요 예측부(220)는 고객별 구매 예측 함수(PPC: Purchase Prediction by Customer Function)와 고객 정보(c), 신규 구매 상수(NPC: New Purchase Constant), 특정 날짜(D)에 제품(A)의 재고 예측 수량(SQ)을 기반으로 특정 날짜(D)에 대한 특정 제품(A)의 특정 매장(k)에서 수요 예측값을 산출한다.
제품 수요 예측부(220)는 신규 구매 상수(NPC)로 일자별로 특정 제품 정보(A)가 신규 고객에게 팔릴 수량을 나타내는 값으로 이전 판매 데이터들의 평균값을 적용한다.
제품 수요 예측부(220)는 가맹점의 가맹점 정보를 기초로 가맹점 단말기(130)로 전송할 제품 리스트를 생성한다. 제품 수요 예측부(220)는 제품 리스트를 기반으로 제품별 수요 예측값을 생성한다. 제품 수요 예측부(220)는 제품들 각각의 수요 정보, 재고의 추세 정보, 가맹점 환경 정보를 기반으로 제품별 적합도를 산출한다. 제품 수요 예측부(220)는 제품별 적합도 중 기 설정된 값 이상의 적합도를 갖는 제품들의 정보를 기초로 가맹점에 추가로 판매할 신규 제품을 결정하여 제품 리스트에 반영한다.
제품 수요 예측부(220)는 복수의 가맹점 정보(소비자 정보, 제품 정보, 제품 수요 정보, 재고 정보)를 취합한다. 제품 수요 예측부(220)는 취합된 가맹점 정보를 기초로 제품들 서로 간의 연관 관계를 분석한다. 제품 수요 예측부(220)는 신규 제품을 기 설정된 값 이상의 적합도를 갖는 제품들과 양의 상관관계를 갖도록 설정한다. 제품 수요 예측부(220)는 기 설정된 값 미만의 적합도를 갖는 제품들을 대체할 수 있는 제품(기 설정된 값 미만의 적합도를 갖는 제품과 음의 상관관계를 갖는 제품)을 결정한다.
제품 수요 예측부(220)는 제품별 수요값을 예측하기 위해, 제품 수요 예측 모델을 적용하여, i 시점의 가맹점에서의 제품의 수요값을 산출한다. 제품 수요 예측부(220)는 제품 수요 예측 모델을 이용하여 산출된 수요값들과 i 시점의 제품의 수요 측정치와의 오차값을 산출한다. 제품 수요 예측부(220)는 오차값을 기초로 오차값이 임계치 이상으로 높은 제품을 제품 리스트에서 제외시킨다.
제품 수요 예측부(220)는 i+1 시점에서의 제품의 수요 예측값을 생성한다. 제품 수요 예측부(220)는 i 시점에서의 제품의 수요값, i 시점에서의 제품의 재고값, 표본 획득 기간, i 시점에 따른 가중치, 제품에 대한 가맹점의 환경 정보를 기반으로 제품의 적합도를 산출한다. 제품 수요 예측부(220)는 제품 수요 예측 모델에 포함된 i 시점에서의 제품의 수요값, i번째 수요 예측 기법을 적용하여 예측된 시점에서의 제품의 수요값, i+1 시점에서의 제품의 수요값을 기반으로 제품의 적합도를 산출한다.
제품 수요 예측부(220)는 위험도 산출부(260)로부터 수신된 위험도를 확인하여 임계치 이상의 위험도를 갖는 제품에 대해 제품 수요를 낮게 반영한 제품 수요 예측 결과를 생성한다.
피드백부(230)는 수요 예측 결과에 대한 피드백 정보를 제품 수요 예측부(220) 및 머신 러닝 학습부(240)로 제공한다.
피드백부(230)는 매장별로 제품 수요 예측 결과와 판매 현황을 기반으로 제품 수요 예측 결과에 대응하는 피드백 정보를 생성한다. 피드백부(230)는 매장별로 제품 수요 예측 결과와 판매 현황의 일치율이 기 설정된 임계범위를 이하인 경우, 제품 수요 예측 결과의 정확도를 높게 설정한 피드백 정보를 생성한다. 피드백부(230)는 매장별로 제품 수요 예측 결과와 판매 현황의 일치율이 기 설정된 임계범위를 초과하는 경우, 제품 수요 예측 결과의 정확도를 낮게 설정한 피드백 정보를 생성한다.
학습부(240)는 제품 정보 및 제품 수요 예측값, 제품 수요 예측 피드백값을 기반으로 제품 수요 예측을 돕기 위한 인공지능학습 모델을 학습시킨다. 학습부(240)는 피드백 정보를 입력값으로 학습을 수행한 학습 결과를 제품 수요 예측 모델에 반영한다.
제품 결함 확인부(250)는 특정 제품 정보(A)에 포함된 원본 제품 영상을 바운더리 처리한 후 바운더리 내에 서로 상이한 마스킹 영역을 각각 마스킹하여 복수의 마스킹 제품 영상들을 생성한다. 제품 결함 확인부(250)는 마스킹 제품 영상에 포함된 마스킹 영역을 추론한 복수의 출력 제품 영상을 생성한다.
제품 결함 확인부(250)는 출력 제품 영상을 결합하여 한 개의 추론 제품 영상을 생성한다. 제품 결함 확인부(250)는 추론 제품 영상과 원본 제품 영상 간의 차이를 기초로 원본 제품 영상에 결함이 존재하는지 여부를 확인한다.
제품 결함 확인부(250)는 원본 제품 영상의 전체 영역을 균등 분할하는 형태로 마스크 영역을 설정하여, 마스크 영역이 통합하면 원본 제품 영상의 전체 영역을 서로 오버랩 되지않은 상태로 커버되도록 한다.
제품 결함 확인부(250)는 원본 제품 영상의 전체 영역을 비균등 분할하는 형태로 마스크 영역을 설정하여, 원본 제품 영상이 서로 오버랩되도록 한다.
위험도 산출부(260)는 원본 제품 영상에 결함의 존재 여부를 확인하고, 원본 제품 영상에 존재하는 결함 개수에 따라 높은 수치를 갖는 위험도를 산출한다.
도 3은 본 실시예에 따른 판매 제품 형태를 나타낸 도면이다.
제품수요 예측장치(110)는 주문받은 반찬을 배달 형태로 판매하기 위해 ‘슈퍼세이브존’, ‘일반 반찬’, ‘아이 반찬’으로 그룹핑하여 판매한다.
제품수요 예측장치(110)는 ‘슈퍼세이브존’으로, 조림, 절임, 각종 나물, 마른반찬 등을 포함하는 밑반찬을 그룹핑하여 판매한다. 제품수요 예측장치(110)는 ‘슈퍼세이브존’으로 상차림의 기본이 되는 밑반찬들을 기 설정된 가격 이하로 할인하여 판매한다. 제품수요 예측장치(110)는 ‘슈퍼세이브존’으로 70여 가지의 반찬을 판매한다.
제품수요 예측장치(110)는 ‘일반 반찬’으로 일반적인 제육볶음, 된장찌개, 갈비찜, 양념목살, 생선구이 등을 판매한다. 제품수요 예측장치(110)는 ‘아이 반찬’으로 아이에 적합한 식재료, 영양성분, 맛, 식감을 갖는 메뉴를 판매한다.
도 4a,4b 본 실시예에 따른 특정 날짜에 대한 제품 수요 예측값과 특정 날짜에 대한 제품의 매장에서의 수요 예측값을 나타낸 도면이다.
도 4a에 도시된 바와 같이, 제품수요 예측장치(110)는 매장(k) 정보, 매장별 수요 예측 함수(DFS: Demand Forecast by Store Function)를 기반으로 특정 날짜(D)에 대한 제품(A)의 수요를 예측한다.
도 4b에 도시된 바와 같이, 제품수요 예측장치(110)는 고객(c) 정보, 고객별 구매 예측 함수(PPC: Purchase Prediction by Customer Function), 신규 구매 상수(NPC: New Purchase Constant), 재고 예측 수량(SQ)을 기반으로 특정 날짜(D)에 대한 제품(A)의 매장(K)에서 수요 예측(DFS: Demand Forecast by Store Function)을 수행한다.
도 5는 본 실시예에 따른 제품 수요 예측 서비스 동작을 설명하기 위한 도면이다.
제품수요 예측장치(110)는 가맹점 단말기(130)로부터 가맹점의 가맹점 정보를 수신한다. 여기서, 가맹점 정보는 소비자 정보, 제품 정보, 제품 수요 정보, 재고 정보 중 적어도 하나의 정보들을 포함한다.
제품수요 예측장치(110)는 가맹점의 가맹점 정보를 기초로 가맹점 단말기(130)로 제공할 제품 리스트를 생성한다. 제품수요 예측장치(110)는 제품별 수요값을 예측한다. 제품수요 예측장치(110)는 가맹점 단말기(130)로 제공할 제품 리스트 및 제품별 수요값에 대한 피드백 정보를 가맹점 단말기(130)로부터 수신한다. 제품수요 예측장치(110)는 피드백 정보를 반영하여 가맹점 단말기(130)로 전송할 제품 리스트 및 제품별 수요값을 업데이트한다.
제품수요 예측장치(110)는 제품 리스트를 생성할 때, 제품별 적합도를 산출한다. 제품수요 예측장치(110)는 기 설정된 값 이상의 적합도를 갖는 제품들의 정보를 산출한다. 제품수요 예측장치(110)는 기 설정된 값 이상의 적합도를 갖는 제품들의 정보를 기초로 가맹점에 추가로 판매할 신규 제품을 결정한다.
제품수요 예측장치(110)는 가맹점 단말기(130)에서 관리하는 제품들 각각의 적합도를 산출한다. 제품수요 예측장치(110)는 가맹점 단말기(130)에서 관리하는 제품들 각각의 수요 정보, 재고 정보, 가맹점의 환경 정보를 반영하여 가맹점 단말기(130)에서 관리하는 제품들 각각의 적합도를 산출한다.
제품수요 예측장치(110)는 가맹점에서 관리하는 제품들 각각의 수요 정보 및 재고 정보의 추세 정보를 기초로 적합도를 산출한다.
제품수요 예측장치(110)는 제품 리스트를 생성할 때, 복수의 가맹점 단말기(130)로부터 수신한 복수의 가맹점 정보를 취합한다. 제품수요 예측장치(110)는 취합된 가맹점 정보를 가맹점 단말기(130)에서 관리하는 제품들에 따라 분류한다. 제품수요 예측장치(110)는 취합된 가맹점 정보를 기초로 가맹점 단말기(130)에서 관리하는 제품들 서로 간의 연관 관계를 분석한다. 신규 제품은 기 설정된 값 이상의 적합도를 갖는 제품들과 양의 상관관계를 갖는다.
제품수요 예측장치(110)는 제품 리스트를 생성할 때, 가맹점 단말기(130)에서 관리하는 제품들 중 기 설정된 값 미만의 적합도를 갖는 제품들을 선택한다. 제품수요 예측장치(110)는 기 설정된 값 미만의 적합도를 갖는 제품들을 대체할 수 있는 제품(기 설정된 값 미만의 적합도를 갖는 제품과 음의 상관관계를 갖는 제품)을 결정한다.
제품수요 예측장치(110)는 제품별 수요값을 예측하기 위해, 기 설정된 복수의 기법들을 포함하는 예측 모델을 적용하여, i 시점의 가맹점에서의 제품의 수요값을 산출한다. 제품수요 예측장치(110)는 예측 모델의 복수의 기법들을 적용하여 산출된 수요값들과 i 시점의 제품의 수요 측정치와의 오차를 산출한다. 제품수요 예측장치(110)는 산출된 오차 값을 기초로 복수의 기법들 중 하나의 기법을 결정한다. 제품수요 예측장치(110)는 결정한 하나의 기법을 적용하여, i+1 시점에서의 제품의 수요값을 예측한다. 제품수요 예측장치(110)는 i+1 시점에서의 제품의 수요값을 산출한다.
제품수요 예측장치(110)는 i 시점에서의 제품의 수요값, i 시점에서의 제품의 재고값, 표본 획득 기간, i 시점에 따른 가중치, 제품에 대한 가맹점의 환경 정보를 기반으로 제품의 적합도를 산출한다.
제품수요 예측장치(110)는 수요 예측 모델에 포함된 수요 예측 기법들의 개수, 복수의 수요 예측 기법들 중 결정된 하나의 기법, i 시점에서의 제품의 수요값, i번째 수요 예측 기법을 적용하여 예측된 시점에서의 제품의 수요값, i+1 시점에서의 제품의 수요값을 기반으로 제품의 적합도를 산출한다.
도 5에 도시된 바와 같이, 제품수요 예측장치(110)는 네트워크(120)를 경유하여 연결된 가맹점 단말기(130) 또는 외부의 온라인 판매 서버부터 제품들에 대한 정보를 획득한다. 제품수요 예측장치(110)는 가맹점 단말기(130)로부터 수신된 가맹점 정보를 기초로 사전에 확보한 제품들에 대한 정보를 추출한다. 제품수요 예측장치(110)는 가맹점 단말기(130)별로 최적화된 제품 수요 예측 서비스를 제공한다.
제품수요 예측장치(110)는 가맹점 단말기(130)로부터 가맹점 정보를 수신한다. 가맹점 단말기(130)는 네트워크(120)를 경유하여 가맹점 정보를 제품수요 예측장치(110)로 전송한다. 가맹점 단말기(130)는 소비자 정보, 제품 정보, 수요 정보, 재고 정보를 포함하는 가맹점 정보를 제품수요 예측장치(110)로 전송한다.
제품수요 예측장치(110)는 가맹점 단말기(130)로 제공할 제품 리스트를 생성한다.
도 6은 본 실시예에 따른 가맹점에게 제공할 제품 리스트를 생성을 설명하기 위한 도면이다.
도 6에 도시된 바와 같이, 제품수요 예측장치(110)는 복수의 가맹점 단말기(130)로부터 수신한 가맹점 정보를 기초로 가맹점들 각각에 최적화된 제품 리스트를 생성한다.
제품수요 예측장치(110)는 가맹점 단말기(130)에서 관리하는 제품들 각각의 적합도를 산출한다. 제품수요 예측장치(110)는 가맹점 단말기(130)에서 관리하는 제품들 각각의 수요 정보, 재고 정보, 가맹점의 환경 정보를 반영한다. 제품수요 예측장치(110)는 가맹점 단말기(130)에서 관리하는 제품들 각각의 적합도를 산출한다.
제품수요 예측장치(110)는 가맹점에서 관리하는 제품들 각각의 적합도를 산출한다. 제품수요 예측장치(110)는 i 시점에서의 특정 제품의 수요값, i 시점에서의 특정 제품의 재고 값, 표본을 획득한 기간, i 시점에 따른 가중치 값, 특정 제품에 대한 가맹점의 환경정보를 기반으로 특정 제품의 적합도를 산출한다. 여기서, i 시점에 따른 가중치 값은 최근 시점에 가까울수록 큰 값일 수 있으며, 기 설정된 값의 가중치일 수 있다.
제품수요 예측장치(110)는 가맹점 단말기(130)에서 관리하는 제품들 중 기 설정된 값 이상의 적합도를 갖는 제품들의 정보를 산출한다. 제품수요 예측장치(110)는 가맹점 단말기(130)에서 관리하는 제품들 각각의 적합도를 기초로 제품의 적합도가 기 설정된 값 이상인 경우, 기 설정된 값 이상의 적합도를 갖는 제품을 가맹점 단말기(130)에 대응하는 가맹점에서 판매할 제품으로 선정한다.
제품수요 예측장치(110)는 기 설정된 값 이상의 적합도를 갖는 제품들의 정보를 기초로 가맹점에 추가로 판매할 신규 제품을 결정한다. 제품수요 예측장치(110)는 제품들 간의 연관 관계를 기초로 가맹점에 추가로 판매할 신규 제품을 결정한다.
제품수요 예측장치(110)는 제품의 적합도가 기 설정된 값 미만인 경우, 기 설정된 값 이하의 적합도를 갖는 제품을 가맹점에서 제외할 제품으로 선정한다.
제품수요 예측장치(110)는 기 설정된 값 미만의 적합도를 갖는 제품들의 정보를 기초로 기 설정된 값 미만의 적합도를 갖는 제품들을 대체할 수 있는 제품을 결정한다. 제품수요 예측장치(110)는 제품들 간의 연관 관계를 기초로 기존의 제품을 대체할 수 있는 제품을 결정한다.
도 7은 본 실시예에 따른 가맹점에 제공할 제품별 수요값을 예측을 설명하기 위한 도면이다.
도 7에 도시된 바와 같이, 제품수요 예측장치(110)는 복수의 가맹점 단말기(130)들로부터 수신한 가맹점들 각각의 가맹점 정보를 기초로 가맹점들 각각에 최적화된 제품들의 수요값을 예측한다.
제품수요 예측장치(110)는 복수의 기법들을 적용하여, i 시점에서의 제품의 수요값을 산출한다. 제품수요 예측장치(110)는 기 설정된 복수의 기법들을 포함하는 예측 모델을 적용하여, i 시점의 가맹점에서의 제품의 수요 예측값을 산출한다. 제품수요 예측장치(110)는 이동 평균 방식, 지수 평활 방식을 이, 자기 상관 모형, 시계열 분석 기법, 인공 신경망 중 어느 하나의 예측 모델을 한다.
제품수요 예측장치(110)는 예측 모델(이동 평균 방식, 지수 평활 방식을 이, 자기 상관 모형, 시계열 분석 기법, 인공 신경망)을 이용하여 산출된 값들의 오차를 산출한다. 제품수요 예측장치(110)는 예측 모델의 복수의 기법들을 적용하여 산출한 i 시점의 가맹점에서의 제품의 수요 예측값들과 실제 i 시점의 가맹점에서의 제품의 수요값의 오차를 산출한다.
제품수요 예측장치(110)는 수요값의 오차를 기초로 예측 모델에서 사용할 하나의 기법을 결정한다. 제품수요 예측장치(110)는 예측 모델의 복수의 기법들을 적용하여 산출한 i 시점의 가맹점에서의 제품의 수요 예측값들 중 i 시점의 가맹점에서의 제품의 수요값과의 오차가 가장 낮은 수요 예측값을 산출한 기법을 예측 모델에서 사용할 하나의 기법으로 결정한다.
제품수요 예측장치(110)는 수요 예측 기법을 적용하여 예측된 i 시점에서의 제품의 수요값 중 실제 제품의 수요값과의 차이가 가장 적은 예측 기법을 이용하여, i+1 시점에서의 제품의 수요값을 예측한다.
제품수요 예측장치(110)는 예측 모델에 포함된 복수의 기법 중 하나의 기법을 이용하여, i+1 시점에서의 제품의 수요값을 예측한다. 제품수요 예측장치(110)는 수요값의 오차를 기초로 예측 모델의 인공 신경망의 가중치 벡터를 업데이트한다. 제품수요 예측장치(110)는 수요값의 오차를 역전파하여, 인공 신경망의 가중치 벡터를 업데이트한다.
제품수요 예측장치(110)는 제품 리스트, 제품별 수요값에 대한 피드백을 가맹점 단말기(130)로부터 획득한다. 제품 리스트 및 제품별 수요값에 대한 피드백 정보는 제품 리스트 및 제품별 수요값을 기초로 제공받은 제품들을 획득한 시점으로부터 일정한 시간이 경과한 후의 가맹점의 제품들 각각의 수요 정보, 재고 정보 등의 가맹점 정보를 포함한다.
제품수요 예측장치(110)는 피드백 정보를 기초로 제품 리스트 및 제품별 수요값을 업데이트한다. 제품수요 예측장치(110)는 가맹점 단말기(130)로부터 제품 리스트 및 제품별 수요값에 대한 피드백 정보를 수신한다. 제품수요 예측장치(110)는 수신한 피드백 정보를 기초로 가맹점 정보(소비자 정보, 제품 정보, 제품별 수요 정보, 재고 정보)를 업데이트한다. 제품수요 예측장치(110)는 업데이트한 가맹점의 가맹점 정보를 기초로 가맹점에게 제공할 제품 리스트 및 제품별 수요값을 업데이트한다.
제품수요 예측장치(110)는 가맹점 단말기(130)로부터 수신한 피드백 정보를 기초로 가맹점에 제공할 제품 리스트 및 수요값을 업데이트한다.
제품수요 예측장치(110)는 가맹점 단말기(130)로부터 수신한 피드백 정보를 기초로 가맹점에 제공할 제품 리스트를 업데이트한다. 제품수요 예측장치(110)는 가맹점 단말기(130)들로부터 획득한 제품들 각각의 기존의 정보 및 피드백을 기초로 가맹점에서의 제품들 각각의 수요 추세를 업데이트한다. 제품수요 예측장치(110)는 도출한 수요의 추세선의 방향을 기초로 가맹점 단말기(130)에서 관리하는 제품들 각각의 업데이트한다.
제품수요 예측장치(110)는 기존에 예측한 제품의 수요값의 오차를 산출한다. 제품수요 예측장치(110)는 i+1 시점에서의 데이터를 기초로 기존에 예측한 제품의 수요값의 오차를 산출한다.
제품수요 예측장치(110)는 수요값의 오차를 기초로 예측 모델에서 사용할 하나의 기법을 업데이트한다. 제품수요 예측장치(110)는 기존에 예측한 제품의 수요값과 피드백 정보에 포함된 실제 제품의 수요값의 오차가 기 설정된 범위를 초과한 경우, 복수의 예측 모델의 분석 기법 중 제품의 수요값을 예측하기 위한 분석 기법으로 변경한다.
제품수요 예측장치(110)는 수요값의 오차를 기초로 예측 모델의 인공 신경망의 가중치 벡터를 업데이트한다. 제품수요 예측장치(110)는 수요값의 오차를 역전파하여, 인공 신경망의 가중치 벡터를 업데이트한다.
제품수요 예측장치(110)는 원본 제품 영상의 복수 개의 영역(서로 동일 또는 비동일)들을 각각 마스킹하여 복수 개의 마스킹 영상들을 생성한다. 제품수요 예측장치(110)는 추론부를 이용하여 각각의 마스킹 제품 영상으로부터 추론되는 복수 개의 출력 제품 영상들을 출력한다. 제품수요 예측장치(110)는 각각의 출력 제품 영상으로부터 각각의 출력 제품 영상을 생성하기 위해 마스킹된 영역들을 추출한다. 제품수요 예측장치(110)는 복수 개의 추출된 영역들을 서로 결합하여 한 개의 추론 제품 영상을 생성한다. 제품수요 예측장치(110)는 추론 제품 영상과 원본 제품 영상 간의 차이를 기초로 원본 제품 영상에 결함이 존재하는지의 여부를 판단한다.
제품수요 예측장치(110)는 컨볼루션 레이어, 디컨볼루션 레이어를 포함하는 추론부를 이용한다.
제품수요 예측장치(110)는 추론부를 이용하여 학습용 원본 제품 영상의 임의의 영역을 임의의 마스크를 이용하여 소정의 값으로 매핑하여 학습용 마스킹 제품 영상을 생성한다. 제품수요 예측장치(110)는 학습용 마스킹 제품 영상을 추론부로 입력하여 추론부으로부터 재구성된 추론 제품 영상을 출력한다. 제품수요 예측장치(110)는 추론 제품 영상과 학습용 원본 제품 영상과의 차이를 감소시키도록 추론부를 학습시킨다.
제품수요 예측장치(110)는 추론부를 이용하여 마스킹 제품 영상, 학습용 마스킹 제품 영상으로부터 특징을 추출한다.
제품수요 예측장치(110)는 서로 동일한 크기를 갖는 복수 개의 영역을 결합하면 원본 제품 영상을 복원할 수 있다. 제품수요 예측장치(110)는 서로 동일한 크기를 갖는 복수 개의 영역이 원본 제품 영상 내에서 서로 오버랩되지 않도록 한다. 제품수요 예측장치(110)는 원본 제품 영상의 서로 동일한 크기를 갖는 복수 개의 영역들을 각각 마스킹하기 위해 한 개의 마스크만이 이용한다.
제품수요 예측장치(110)는 형상 또는 크기가 비동일한 적어도 두 개의 마스크를 이용하여 원본 제품 영상의 복수 개의 영역들을 각각 마스킹한다.
도 8a,b은 본 실시예에 따른 배송전 제품 결함 확인을 설명하기 위한 도면이다.
제품수요 예측장치(110)는 복수 개(예컨대, 총 4개)의 원본 영상 샘플들을 이용하여 학습을 진행한다.
제품수요 예측장치(110)는 제품의 원본 영상을 특정 마스크를 이용하여 해당 부분만 예컨대 특정값으로 매핑하여 마스킹 제품 영상을 생성한다. 원본 제품 영상 중 특정 마스크에 의해 특정값으로 마스킹되는 부분에는 결함이 포함되거나 미포함될 수 있다.
제품수요 예측장치(110)는 원본 제품 영상을 바운더리 처리한 후 바운더리 내에서 임의의 형상으로 임의의 위치로 특정 마스크 처리한다. 제품수요 예측장치(110)는 컨볼루션 레이어를 이용하여 마스킹 제품 영상의 특징(Feature)을 추출한다. 제품수요 예측장치(110)는 디컨볼루션 레이어를 이용하여 마스킹 제품 영상으로부터 추출된 특징을 다시 원본 크기로 재구성하여 출력 제품 영상으로 출력한다.
제품수요 예측장치(110)는 출력 제품 영상과 원본 제품 영상과의 차이가 최소가 되도록 학습할 수 있다. 제품수요 예측장치(110)는 특정 마스크의 내부를 예측하는 인공지능 모델을 학습시킬 수 있다.
제품수요 예측장치(110)는 특정 마스크의 위치와 크기를 랜덤하게 결정한다. 제품수요 예측장치(110)는 특정 마스크의 형태를 사각형, 원, 자유도형 등으로 설정한다.
제품수요 예측장치(110)는 서로 다른 학습용 원본 제품 영상을 학습할 때마다, 학습용 원본 제품 영상에 대하여 서로 다른 마스크를 적용할 수 있다. 다시 말해, 제품수요 예측장치(110)는 각각 서로 다른 원본 영상들에게 마스크의 형상 및 위치를 랜덤하게 결정한다.
제품수요 예측장치(110)는 원본 제품 영상을 복수 개의 마스크들을 이용하여 해당 부분만 기 결정된 값으로 매핑하여 복수 개의 서로 다른 마스킹 제품 영상을 생성한다.
제품수요 예측장치(110)는 위치만 서로 다를 뿐, 그 형상과 크기는 서로 동일한 복수 개의 마스크를 적용한다. 제품수요 예측장치(110)는 원본 제품 영상을 복수 개의 부분 영역으로 분할하고, 복수 개의 부분 영역 각각이 형상과 크기는 서로 동일한 마스크를 적용하여 마스킹한다.
도 8a에 도시된 바와 같이, 제품수요 예측장치(110)는 전체 영역을 균등 분할하는 형태로 마스크를 적용하여 복수 개의 마스크들이 차지하는 영역들을 통합하면 원본 제품 영상 전체 영역을 커버하도록 설정할 수 있다. 제품수요 예측장치(110)는 복수 개의 마스크들이 차지하는 영역들은 원본 제품 영상 내에서 서로 오버랩되지 않도록 설정할 수 있다.
도 8b에 도시된 바와 같이, 제품수요 예측장치(110)는 전체 영역을 비균등 분할하는 형태로 마스크를 적용하여 복수 개의 마스크들이 차지하는 영역들을 통합하면 원본 제품 영상 전체 영역을 커버와 무관하게 설정할 수 있다. 제품수요 예측장치(110)는 복수 개의 마스크들이 차지하는 영역들은 원본 제품 영상 내에서 서로 오버랩되도록 설정할 수 있다.
제품수요 예측장치(110)는 복수 개의 서로 다른 마스킹 제품 영상들을 각각 학습이 완료된 추론부에 입력하여 재구성된 복수 개의 출력 제품 영상을 출력한다.
제품수요 예측장치(110)는 출력된 복수 개의 출력 제품 영상들 각각에 대하여, 마스킹된 영역들을 추론 제품 영상으로서 추출한다. 제품수요 예측장치(110)는 추출된 복수 개의 추론 제품 영상들을 서로 결합하여 한 개의 추론 제품 영상을 생성한다.
제품수요 예측장치(110)는 추론 제품 영상과 원본 제품 영상 간의 차이를 나타내는 차분 영상을 생성한다. 제품수요 예측장치(110)는 차분 영상을 기초로 원본 제품 영상에 결함이 존재하는지 여부를 소정의 규칙에 따라 결정한다.
제품수요 예측장치(110)는 마스크의 크기를 고려하여 원본 제품 영상을 분할한다. 예컨대, 제품수요 예측장치(110)는 원본 제품 영상을 4개의 영역으로 분할한다. 제품수요 예측장치(110)는 순서대로 4개의 영역 중 제1 영역을 마스킹한 영역을 학습된 인공지능 모델인 추론부에 입력하여 제1 영역을 추론한다. 제품수요 예측장치(110)는 4개의 영역 중 나머지 영역도 동일한 형태로 추론한 후 추론된 영상 4개를 이어 붙여서 하나의 추론 제품 영상을 생성할 수 있다. 제품수요 예측장치(110)는 추론 제품 영상과 원본 제품 영상과의 차이 영상을 생성한다. 제품수요 예측장치(110)는 차이가 큰 부분이 결함인 것으로 판단한다.
도 9는 본 실시예에 따른 제품 수익 공유와 제조수량 예측을 설명하기 위한 도면이다.
제품수요 예측장치(110)는 제품의 판매 수익에 대한 분배비율을 저장한다. 제품수요 예측장치(110)는 기 저장된 제품을 검색한다. 제품수요 예측장치(110)는 기 저장된 제품을 구매하도록 한다. 제품수요 예측장치(110)는 제품의 구매시 발생된 구매 정보를 저장하며, 제품의 구매시 발생된 정보를 검색하도록 하며, 기 저장된 구매 정보를 획득하여 제조 수량을 예측한다.
제품수요 예측장치(110)는 제품을 구매한 사용자에 대한 정보 및 구매자를 상대로 분배할 수익의 정보를 저장한다. 제품수요 예측장치(110)는 제조할 제품의 안정적인 수량을 예측한다.
제품수요 예측장치(110)는 판매할 제품을 사용자들이 구매할 경우에 판매한 제품의 판매 수익에 대한 구매자들에게 분배할 분배비율을 저장한다. 제품수요 예측장치(110)는 외부로부터 기 저장된 다양한 제조할 제품들에 대한 정보에 대한 검색이 있는 경우, 웹사이트를 기반으로 기 저장된 제품들에 대한 정보들을 제공한다.
제품수요 예측장치(110)는 기 저장된 제품을 사용자에게 제공한 후 단말기로부터 추천 제품명을 입력받는다. 제품수요 예측장치(110)는 복수의 추천 제품명 중 어느 하나의 추천 제품명으로 해당 제품명을 교체할 수 있다. 제품수요 예측장치(110)는 기 저장된 제품을 선택하게 되면 제품구매부에서 구매 절차를 진행한다.
제품수요 예측장치(110)는 제품의 구매시 발생된 정보를 검색하기 위한 프로그램을 제공한다. 제품수요 예측장치(110)는 구매 정보들을 검색하여 제품별 판매량을 확인한 후 판매량을 기반으로 제조 수량을 예측한다.
제품수요 예측장치(110)는 판매되고 있거나 향후 판매될 제품에 대한 제조 수량을 실시간으로 예측한다. 제품수요 예측장치(110)는 재고 수량을 정확하게 예측하여 불필요한 재고를 사전에 방지한다.
도 10은 본 실시예에 따른 다른 형태의 제품 수요 예측을 설명하기 위한 도면이다.
제품수요 예측장치(110)는 소비자 정보를 기반으로 배달지 위치 정보, 배달 경로, 배달지 거리, 누적 제품 판매량을 추출한다. 제품수요 예측장치(110)는 매장 정보를 기반으로 매장 위치, 제품 가격, 제품 판매 실적을 추출한다.
제품수요 예측장치(110)는 판매 제품별 평가 정보를 획득하고, 평가 정보가 기 설정된 임계치 이하인 정보에 대해서 높은값을 갖도록 하는 위험도 정보를 생성한다. 제품수요 예측장치(110)는 배달지 위치 정보, 배달 경로, 배달지 거리, 누적 제품 판매량, 매장 위치, 제품 가격, 제품 판매 실적, 위험도 정보를 기반으로 제품 수요를 예측한다.
제품수요 예측장치(110)는 판매 제품별 매장 위치부터 배달지 위치까지의 누적 배달거리와 누적 배달 시간을 기반으로 제품 수요를 예측한다. 예컨대, 제품수요 예측장치(110)는 판매 제품별 누적 배달거리와 누적 배달 시간이 기 설정된 임계치 이상인 경우만을 추출하고, 제품수요 예측장치(110)는 기 설정된 임계치의 누적 배달 거리와 누적 배달 시간을 갖는 제품의 제품 수요량을 높게 책정한다.
도 11은 본 실시예에 따른 수요예측의 기능을 설명하기 위한 도면이다.
제품수요 예측장치(110)는 수요변동, 기상여건, 계절별 요인 등에 의하여 통상적인 변동사항을 반영하여 매장을 합리적으로 연계 운영함으로써 안정된 제품 공급량을 확보하기 위해 알고리즘을 활용한 제품 수요예측의 지능형 모델을 구축한다.
제품수요 예측장치(110)는 지능형 모델을 토대로 모델기반 예측제어 기법을 이용하여 예측대상의 제품 수요를 산출한다. 제품수요 예측장치(110)는 수집된 운영 데이터, 기상 DB의 데이터를 토대로 역전파 학습 알고리즘을 이용하여 수요예측 모델을 구축한다. 제품수요 예측장치(110)는 지능형 모델로부터 모델기반 예측제어 알고리즘을 이용하여 현재의 수요 및 기상 상태에서의 예측 수요량을 결정한다.
제품수요 예측장치(110)는 안정된 운영을 위해 지능형 모델링과 비선형 모델 예측제어 기법을 활용하여 최적의 예측 수요량을 결정한다. 제품수요 예측장치(110)는 지능형 모델링 기법을 이용한 최적의 수요예측 모델의 구축과 지능형 공정 모델을 토대로 비선형 모델 예측제어 기법을 활용하여 최적의 예측수요를 결정한다.
제품수요 예측장치(110)는 제품 수요예측 구역별 일별(단기 예측) 수요량 예측을 수행한다. 제품수요 예측장치(110)는 구매 패턴 해석에 의한 시간별 수요예측량 산출한다. 제품수요 예측장치(110)는 월 단위로 장기 예측을 수행한다. 제품수요 예측장치(110)는 수요예측을 위한 외부 자료(날씨, 기후 등)를 입력받는다.
도 12는 본 실시예에 따른 거래처신뢰도 기반의 수요 예측을 설명하기 위한 도면이다.
제품수요 예측장치(110)는 거래처와의 발주정보, 상품별 발주 최대값, 상품별 발주 최소값 정보, 입고정보, 입고 지연정보, 등의 거래 자료 및 거래 특이사항 정보를 저장한다.
제품수요 예측장치(110)는 입고 처리 시, 입고예정일보다 입고지연 또는 단축, 발주 예정량보다 입고누락 및 과다 등의 특이사항이 발생하였을 때, 입고예정일 오차, 발주량 오차, 발주 오차 원인 등의 정보를 계산 및 선택하여 거래처 특이사항을 저장한다.
제품수요 예측장치(110)는 입고 처리 시, 해당 거래처 특이사항 정보에 기초하여, 거래처 신뢰도를 분석한다. 제품수요 예측장치(110)는 상품의 안정 재고량 또는 상품의 판매전략을 모니터링하여, 이전 판매전략 실적정보를 기초로 안전재고량, 적정재고량을 분석한다. 제품수요 예측장치(110)는 상품이 안전재고량 이하로 떨어질 때, 적정재고량을 충족하기 위한 재고량 또는 담당자가 설정한 발주량을 상황에 따른 최적의 조건 를 분석한다.
제품수요 예측장치(110)는 고객 주문별, 출고되어 배송완료까지의 배송 시간정보를 배달 건수별로 관리하여 지역별 배달평균 소요시간정보를 관리한다. 제품수요 예측장치(110)는 고객이 재고가 부족한 상품을 주문할 때, 해당 상품의 입고예정일과 고객지역정보를 바탕으로 배달 배송일을 분석하여 실제 고객이 상품을 받아볼 수 있는 고객 배송일을 계산한다.
제품수요 예측장치(110)는 입고 처리 시, 발주예정일, 발주량과 비교하여 입고 오차일과 발주 오차량을 계산하고, 발주 특이사항을 선택하여 거래처 특이사항 을 저장한다.
제품수요 예측장치(110)는 제품 입고 시, 특이사항이 존재할 때 특이사항별 가중치와 입고 예정(일,량 등) 오차를 고려하여 해당 입고의 거래처 신뢰도값을 분석한다. 제품수요 예측장치(110)는 거래처 신뢰도값과의 평균을 계산하여, 거래처 특이사항으로 저장한다.
제품수요 예측장치(110)는 상품이 안전재고량 이하거나, 상품의 판매전략이 등록될 때 적정재고량 분석을 실시한다. 제품수요 예측장치(110)는 프로모션 유형과 일정대비 주문량, 판매가격 등을 해당 상품의 이전 판매전략 정보를 분석하여, 일별 안전재고량, 적정재고량 등을 계산한다. 제품수요 예측장치(110)는 모든 상품의 안전재고량을 항시 모니터링하여 안전재고량 이하로 떨어질 때, 해당 상품 수급에 대한 최적 수급경로 분석한다.
제품수요 예측장치(110)는 요청받은 해당 상품의 필요 발주량과 설정된 분석유형을 기준으로 현재 해당 상품 수급을 할 수 있는 거래처의 신뢰도값을 내림차순으로 정렬한다. 제품수요 예측장치(110)는 현재 발주량이 분석유형에 맞는 최적의 상황과 필요 발주량을 만족할 때까지 정렬된 거래처 정보들을 순회하여 거래처별 발주 정보를 생성한다.
제품수요 예측장치(110)는 발주분석의 주요 기준이 되는 최단기간, 최저가, 최단기간, 최저가 분석유형 중 하나를 설정한다. 제품수요 예측장치(110)는 고객 주문 별, 배송완료를 시간을 모니터링하여, 배송 실 소요시간 정보를 배달사별, 지역, 동으로 나뉘어 관리되는 기존의 평균 배송 실 소요시간정보를 재계산한다.
제품수요 예측장치(110)는 재고가 부족한 상품 또는 품절상품을 예약 주문한 고객일 경우, 예약 주문기간동안 유효한 발주정보의 입고예정일, 입고예정량을 기반으로 예약대기 순번별로 정해지는 입고예정 정보를 출력한다.
제품수요 예측장치(110)는 주문일자와 고객이 입력한 주소를 바탕으로, 지역, 동의 평균적으로 소요되는 배달 소요 시간정보를 출력한다. 제품수요 예측장치(110)는 해당 주문의 입고예정일, 배달 실소요 시간정보 등을 합산하여, 예약주문 배송시간정보를 제공한다.
제품수요 예측장치(110)는 고객 주문별, 창고에서 출고되어 고객에게 배송완료 되기까지의 배송 시간정보를 배달사별로 관리하여 지역별 배달평균 소요시간정보를 관리한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 제품수요 예측장치
120: 네트워크
130: 가맹점 단말기
210: 제품 정보 수집부
220: 제품 수요 예측부
230: 피드백
240: 학습부
250: 제품 결함 확인부
260: 위험도 산출부

Claims (5)

  1. 매장별로 판매되는 특정 제품 정보(A), 고객 정보(C), 날씨 및 계정 정보를 수집하는 제품 정보 수집부;
    상기 특정 제품 정보(A), 상기 고객 정보(C), 상기 날씨 및 계정 정보와 기 학습된 제품 수요 예측 모델을 기반으로 제품 수요 예측 결과를 생성하는 제품 수요 예측부;
    매장별로 상기 제품 수요 예측 결과와 판매 현황을 기반으로 상기 제품 수요 예측 결과에 대응하는 피드백 정보를 생성하는 피드백부;
    상기 피드백 정보를 입력값으로 학습을 수행한 학습 결과를 상기 제품 수요 예측 모델에 반영하는 학습부;
    상기 특정 제품 정보(A)에 포함된 원본 제품 영상을 바운더리 처리한 후 바운더리 내에 서로 상이한 마스킹 영역을 각각 마스킹하여 복수의 마스킹 제품 영상들을 생성하고, 상기 마스킹 제품 영상에 포함된 마스킹 영역을 추론한 복수의 출력 제품 영상을 생성하고, 상기 출력 제품 영상을 결합하여 한 개의 추론 제품 영상을 생성하고, 상기 추론 제품 영상과 상기 원본 제품 영상 간의 차이를 기초로 상기 원본 제품 영상에 결함이 존재하는지 여부를 확인하는 제품 결함 확인부;
    상기 원본 제품 영상에 결함의 존재 여부를 확인하고, 상기 원본 제품 영상에 존재하는 결함 개수에 따라 높은 수치를 갖는 위험도를 산출하는 위험도 산출부;
    를 포함하되, 상기 제품 수요 예측부는 상기 특정 제품 정보(A)에 대한 속성으로 반복 판매 계수, 평균 소비 완료 시간, 유통기한을 추출하고, 상기 고객 정보(c)에 대한 속성으로 상기 특정 제품 정보(A)에 대한 구매 주기, 반복 구매 계수를 추출하고, 상기 날씨, 계절 정보에 대한 속성으로 상기 고객 정보(C)의 구매 계수, 상기 특정 제품 정보(A)에 대한 판매 탄성 계수를 추출하고, 상기 반복 판매 계수, 상기 평균 소비 완료 시간, 상기 유통기한, 구매 주기, 상기 반복 구매 계수, 상기 고객 정보(C)의 구매 계수, 상기 특정 제품 정보(A)에 대한 판매 탄성 계수를 기반으로 상기 제품 수요 예측 결과를 생성하며, 고객별 구매 예측 함수(PPC: Purchase Prediction by Customer Function)와 고객 정보(c), 신규 구매 상수(NPC: New Purchase Constant), 특정 날짜(D)에 제품(A)의 재고 예측 수량(SQ)을 기반으로 특정 날짜(D)에 대한 특정 제품 정보(A)의 특정 매장(k)에서 수요 예측값을 산출하며, 상기 신규 구매 상수(NPC)로 일자별로 상기 특정 제품 정보(A)가 신규 고객에게 팔릴 수량을 나타내는 값으로 이전 판매 데이터들의 평균값을 적용하며, 가맹점의 가맹점 정보를 기초로 가맹점 단말기로 전송할 제품 리스트를 생성하고, 상기 제품 리스트를 기반으로 제품별 수요 예측값을 생성하고, 제품들 각각의 수요 정보, 재고의 추세 정보, 가맹점 환경 정보를 기반으로 제품별 적합도를 산출하고, 상기 제품별 적합도 중 기 설정된 값 이상의 적합도를 갖는 제품들의 정보를 기초로 가맹점에 추가로 판매할 신규 제품을 결정하여 상기 제품 리스트에 반영하며, 상기 위험도를 확인하여 임계치 이상의 상기 위험도를 갖는 제품에 대해 제품 수요를 기준치 보다 낮게 반영한 상기 제품 수요 예측 결과를 생성하는 것을 특징으로 하는 제품수요 예측장치.
  2. 제1항에 있어서,
    상기 제품 수요 예측부는,
    상기 특정 제품 정보(A)에 포함된 제품 생산 정보, 제품 유통 정보, 제품 판매 정보, 제품 재고 정보를 추출하고, 상기 제품 생산 정보, 상기 제품 유통 정보, 상기 제품 판매 정보, 상기 제품 재고 정보, 상기 제품 수요 예측 모델을 기반으로 상기 제품 수요 예측 결과를 생성하는 것을 특징으로 하는 제품수요 예측장치.
  3. 제2항에 있어서,
    상기 제품 수요 예측부는,
    상기 특정 제품 정보(A), 상기 고객 정보(C), 상기 날씨 및 계정 정보를 기반으로 기초 판매 예측값을 산출하고, 상기 기초 판매 예측값을 기반으로 개인 단위 수요 예측값, 매장 단위 수요 예측값, 전사 단위 수요 예측값을 산출하는 것을 특징으로 하는 제품수요 예측장치.
  4. 제3항에 있어서,
    상기 제품 수요 예측부는,
    상기 기초 판매 예측값을 기반으로 일간 단위 수요 예측값, 주간 단위 수요 예측값, 월간 단위 수요 예측값을 산출하는 것을 특징으로 하는 제품수요 예측장치.
  5. 제2항에 있어서,
    상기 제품 수요 예측부는,
    상기 특정 제품 정보(A), 상기 고객 정보(C), 상기 날씨 및 계정 정보를 기반으로 제품별 최소 단위 구매 예측값, 개인별 최소 단위 구매 예측값, 일자별 최소 단위 구매 예측값을 산출하고,
    상기 제품별 최소 단위 구매 예측값, 상기 개인별 최소 단위 구매 예측값, 상기 일자별 최소 단위 구매 예측값에 대한 결과 검증을 수행하는 것을 특징으로 하는 제품수요 예측장치.
KR1020210188287A 2021-09-24 2021-12-27 제품 수요 예측 방법 및 장치 KR102447055B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210126326 2021-09-24
KR1020210126326 2021-09-24

Publications (1)

Publication Number Publication Date
KR102447055B1 true KR102447055B1 (ko) 2022-09-26

Family

ID=83452490

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210188287A KR102447055B1 (ko) 2021-09-24 2021-12-27 제품 수요 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102447055B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102614789B1 (ko) * 2023-06-26 2023-12-15 신동석 자판기 판매 데이터 분석을 통한 자판기 운영 보조 방법, 장치 및 시스템
KR102640715B1 (ko) * 2023-12-14 2024-02-23 김수환 기업 맞춤형 특화 ai 모델을 통한 기업 맞춤형 마케팅 전략 예측 및 재고 관리 erp 및 crm 솔루션 제공 방법, 장치 및 시스템
KR102653142B1 (ko) 2023-11-27 2024-04-01 주식회사 워커스하이 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030046168A (ko) * 2001-12-05 2003-06-12 김학수 공급사슬관리 시스템 및 운용방법
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
KR102294125B1 (ko) * 2020-10-27 2021-08-26 (주)한알 인공지능을 적용한 제품 수요 예측 방법 및 시스템
JP2021128724A (ja) * 2020-02-17 2021-09-02 パナソニックＩｐマネジメント株式会社 店舗支援方法、プログラム及び店舗支援システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030046168A (ko) * 2001-12-05 2003-06-12 김학수 공급사슬관리 시스템 및 운용방법
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
JP2021128724A (ja) * 2020-02-17 2021-09-02 パナソニックＩｐマネジメント株式会社 店舗支援方法、プログラム及び店舗支援システム
KR102294125B1 (ko) * 2020-10-27 2021-08-26 (주)한알 인공지능을 적용한 제품 수요 예측 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102614789B1 (ko) * 2023-06-26 2023-12-15 신동석 자판기 판매 데이터 분석을 통한 자판기 운영 보조 방법, 장치 및 시스템
KR102653142B1 (ko) 2023-11-27 2024-04-01 주식회사 워커스하이 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템
KR102640715B1 (ko) * 2023-12-14 2024-02-23 김수환 기업 맞춤형 특화 ai 모델을 통한 기업 맞춤형 마케팅 전략 예측 및 재고 관리 erp 및 crm 솔루션 제공 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
KR102447055B1 (ko) 제품 수요 예측 방법 및 장치
JP4897713B2 (ja) 販売情報分析装置
CA3235875A1 (en) Method and system for generation of at least one output analytic for a promotion
Srivastav et al. Multi-objective optimization of hybrid backorder inventory model
JP7107222B2 (ja) 商品需要予測システム、商品需要予測方法および商品需要予測プログラム
CN109767032A (zh) 一种基于数据分析的企业财务运营数字化管理优化系统
JP2018139036A (ja) 分析装置
JP5039579B2 (ja) 販売情報分析装置
Dadouchi et al. Lowering penalties related to stock-outs by shifting demand in product recommendation systems
Sakib Restaurant sales prediction using machine learning
KR20230122525A (ko) 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
Tadayonrad et al. A new key performance indicator model for demand forecasting in inventory management considering supply chain reliability and seasonality
Wang et al. A novel consumer purchase behavior recognition method using ensemble learning algorithm
KR102594089B1 (ko) Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템
CN113554455A (zh) 基于人工智能的店铺商品分析方法、装置及存储介质
CN113592539A (zh) 基于人工智能的店铺订单趋势预测方法、装置及存储介质
Hung et al. Capacity rationing decision procedures with order profit as a continuous random variable
JP2001134643A (ja) 需要予測装置及び需要予測方法
CN110088795B (zh) 节能推动实绩评价装置
CN114282951B (zh) 一种网络零售预测方法、设备及介质
KR20230122524A (ko) 이커머스 솔루션의 구매, 판매,　재고,　물류,　유통,　정산 과정에서 발생하는　엔드 투 엔드 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
CN114757630A (zh) 仓储管理模型确定方法、装置及计算机设备
KR102139620B1 (ko) Qr 코드를 이용한 물류 관리 방법 및 장치
CN111047354A (zh) 一种分时定价的实现方法、装置、电子设备和存储介质
Khodabandehlou et al. Improving customer loyalty evaluation methods in the grocery retail industry: a data mining approach

Legal Events

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