KR102461415B1 - 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 - Google Patents

외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102461415B1
KR102461415B1 KR1020220018719A KR20220018719A KR102461415B1 KR 102461415 B1 KR102461415 B1 KR 102461415B1 KR 1020220018719 A KR1020220018719 A KR 1020220018719A KR 20220018719 A KR20220018719 A KR 20220018719A KR 102461415 B1 KR102461415 B1 KR 102461415B1
Authority
KR
South Korea
Prior art keywords
data
credit evaluation
credit
seller
processing
Prior art date
Application number
KR1020220018719A
Other languages
English (en)
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 KR1020220018719A priority Critical patent/KR102461415B1/ko
Priority to KR1020220131507A priority patent/KR20230122525A/ko
Application granted granted Critical
Publication of KR102461415B1 publication Critical patent/KR102461415B1/ko
Priority to PCT/KR2023/001339 priority patent/WO2023153692A1/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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G06Q40/025—
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 외부 데이터를 고려한 신용 평가 방법은 신용 평가 기초 데이터 수집부가 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하는 단계, 신용 평가 기초 데이터 전처리부가 수집된 상기 신용 평가 기초 데이터를 전처리하는 단계, 신용 평가 기초 데이터 학습부가 전처리된 신용 평가 기초 데이터를 기반으로 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하는 단계와 신용 평가부가 인공 지능 엔진을 기반으로 판매자의 신용 평가 데이터를 결정하는 단계를 포함할 수 있다.

Description

외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치{Method for credit evaluation based on external data and apparatus for performing the method}
본 발명은 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 판매 관리 플랫폼에서 생성되는 데이터를 제외한 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
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.
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.
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.
따라서, 사용자의 금융 데이터를 활용하고 사용자의 금융 데이터를 기반으로 다양한 금융 서비스를 제공하기 위한 구체적인 방법에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 상품 계절성, 상품 시장, 상품 구매층, 상품 인기도, 외부 경제 변수와 같은 외부 데이터를 고려한 신용 평가를 통해 보다 정확한 판매자의 신용 평가 데이터를 결정하는 것을 목적으로 한다.
또한, 본 발명은, 복수의 외부 데이터 각각은 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클을 결정하고, 디폴트 데이터 사이클을 합쳐서 실제 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성을 위한 데이터 사이클을 결정하여 최대의 신뢰도를 가지는 신용 평가 데이터를 출력하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 외부 데이터를 고려한 신용 평가 방법은 신용 평가 기초 데이터 수집부가 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하는 단계, 신용 평가 기초 데이터 전처리부가 수집된 상기 신용 평가 기초 데이터를 전처리하는 단계, 신용 평가 기초 데이터 학습부가 전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하는 단계와 신용 평가부가 상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하는 단계를 포함할 수 있되, 상기 신용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고, 상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함할 수 있다.
한편, 상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고, 복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고, 복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 복수의 후보 외부 데이터 조합 각각에 대응되어 결정될 수 있다.
또한, 상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정될 수 있다.
본 발명의 다른 실시예에 따르면, 외부 데이터를 고려한 신용 평가를 위한 신용 평가 장치는 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하도록 구현되는 신용 평가 기초 데이터 수집부, 수집된 상기 신용 평가 기초 데이터를 전처리하도록 구현되는 신용 평가 기초 데이터 전처리부, 전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하도록 구현되는 신용 평가 기초 데이터 학습부와 상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하도록 구현되는 신용 평가부를 포함할 수 있되, 상기 신용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고, 상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함할 수 있다.
한편, 상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고, 복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고, 복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 복수의 후보 외부 데이터 조합 각각에 대응되어 결정될 수 있다.
또한, 상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정될 수 있다.
본 발명에 의하면, 상품 계절성, 상품 시장, 상품 구매층, 상품 인기도, 외부 경제 변수와 같은 외부 데이터를 고려한 신용 평가를 통해 보다 정확한 판매자의 신용 평가 데이터가 결정될 수 있다.
또한, 본 발명에 의하면, 복수의 외부 데이터 각각은 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클을 결정하고, 디폴트 데이터 사이클을 합쳐서 실제 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성을 위한 데이터 사이클을 결정하여 최대의 신뢰도를 가지는 신용 평가 데이터가 출력될 수 있다.
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.
도 14는 본 발명의 실시예에 따른 OMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 15는 본 발명의 실시예에 따른 신용 평가 기초 데이터의 스케일 설정 방법을 나타낸 개념도이다.
도 16은 본 발명의 실시예에 따른 OMS에서 발생되는 상품 판매 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 17은 본 발명의 실시예에 따른 WMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 18은 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 19는 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 20은 본 발명의 실시예에 따른 WMS에서 발생되는 상품 판매 사이클 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 21은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 22는 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 23은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 24는 본 발명의 실시예에 따른 외부 데이터를 고려한 신용 평가 방법을 나타낸 개념도이다.
도 25는 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
도 26은 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
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.
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.
도 1은 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.
도 1에서는 이커머스 판매 및 유통 관리 시스템 플랫폼을 통해 수집된 데이터를 기반으로 판매자에 대한 신용 평가를 수행하는 신용 평가 장치가 개시된다.
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.
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.
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.
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.
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.
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.
금융 서비스부(150)는 판매자의 신용 평가 데이터를 기반으로 판매자에게 금융 서비스를 제공하기 위해 구현될 수 있다.
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.
도 2는 본 발명의 실시예에 따른 판매 관리 플랫폼과 판매 관리 플랫폼을 통해 신용 평가 기초 데이터를 수집하는 방법을 나타낸 개념도이다.
도 2에서는 판매 관리 플랫폼과 판매 관리 플랫폼에서 수집되는 신용 평가 기초 데이터가 개시된다.
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.
OMS(210)는 판매자의 상품 주문 관리를 위한 플랫폼이다.
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.
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.
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.
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, 패킹, 출고 등 물류 프로세서를 전체적으로 통합하여 관리할 수 있다.
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.
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.
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.
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.
신용 평가 기초 데이터 수집부는 ECS(240)에서 발생된 상품 마켓팅 정보 등을 판매자의 신용 평가 기초 데이터로서 수집할 수도 있다.
도 3은 본 발명의 실시예에 따른 신용 기초 데이터 전처리부의 동작을 나타낸 개념도이다.
도 3에서는 신용 기초 데이터 전처리부에서 신용 평가 기초 데이터를 전처리하는 방법이 개시된다.
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.
제1 전처리(310)는 인공 지능 엔진에서 학습을 위한 전처리일 수 있다.
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.
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.
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.
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.
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.
도 4는 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 4에서는 신용 평가 기초 데이터에 적용되는 제1 전처리(판매자) 및 제1 전처리(서플라이 체인)이 개시된다.
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 평가 기초 데이터(490)로서 생성될 수 있다.
제1 전처리(서플라이 체인)(450)은 데이터 전송 주체인 판매 관리 플랫폼 및 판매 관리 플랫폼에서 전송되는 데이터 포맷을 고려하여 제1 전처리 신용 평가 기초 데이터(490)를 생성할 수 있다.
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.
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.
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.
또한, 제1 전처리(서플라이 체인)(450)은 시간을 고려한 신용 평가 기초 데이터에 대한 전처리일 수 있다.
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.
도 5는 본 발명의 실시예에 따른 제1 전처리(판매자)를 나타낸 개념도이다.
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.
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.
반품률 데이터가 증가되는 경우, 반품 규모, 폐기율, 반품률 평균, 반품률 변동 안정성, 반품률 MAX 초과 횟수 등과 같은 데이터가 하위 신용 평가 기초 데이터(540)로서 생성될 수 있다.
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.
도 6은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
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.
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.
예를 들어, 신용 평가 기초 데이터(600)가 반품률인 경우, 월 반품률 5% 이상을 기준으로 36개월 간 월 반품률 5% 이상 판매자 수에 대한 데이터가 증강되어 생성될 수 있다. 또 다른 예로, 월 반품률 평균을 기준으로 36개월 간 평균 반품률 판매자 수에 대한 데이터가 증강되어 생성될 수 있다.
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 반품률인 경우, 고객별 반품률의 평균, 표준 편차, 최고, 특정 구간 이상 등 통계적 방법을 통해 다각도로 증가하여 데이터 증강이 수행될 수 있다.
도 7은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
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.
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.
예를 들어, 신용 평가 기초 데이터(700)가 반품률인 경우, 전체 반품률이 2차원의 데이터로 분할되어 증가될 수 있다. 1차원은 36개월 간 평균 반품률이고, 2차원은 36개월 간 반품률이 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.
도 8은 본 발명의 실시예에 따른 제1 전처리를 수행하는 방법을 나타낸 개념도이다.
도 8에서는 신용 평가 기초 데이터 학습부의 학습을 위한 제1 전처리(판매자)를 선택적으로 수행하는 방법이 개시된다.
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.
신용 평가 기초 데이터 학습부에 포함되는 복수의 인공 지능 엔진에 대한 학습을 위해 제1 전처리(판매자)가 선택적으로 수행될 수 있다.
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, 반품률에 보다 가중치를 가지고 신용 평가 데이터를 생성하는 인공 지능 엔진의 학습을 위해서 반품률에 대한 하위 데이터 증강이 수행될 수 있다.
시간 스케일 데이터 증강(820)은 시간에 따른 신용 평가 데이터의 변화를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다.
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.
다차원 데이터 증강(840)은 2개의 차원에 대한 설정 기준을 기반으로 신용 평가 데이터를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다.
본 발명의 실시예에서는 예측되는 신용 평가 데이터의 성질에 따라 제1 전처리(판매자)가 다양하게 수행되고 다양한 인공 지능 모델이 생성될 수 있다.
도 9는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 9에서는 신용 평가부에서 인공 지능 엔진을 기반으로 판매자의 신용 평가 데이터를 생성하는 방법이 개시된다.
도 9를 참조하면, 신용 평가부는 적어도 하나의 인공 지능 엔진을 기반으로 한 판매자의 신용 평가를 통해 신용 평가 데이터를 생성할 수 있다.
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.
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.
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.
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.
도 10은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 10에서는 판매자의 신용 평가 데이터를 결정하기 위한 스코어카드를 결정하는 방법이 개시된다.
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.
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.
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.
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.
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.
도 11은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
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.
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.
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.
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.
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.
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.
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.
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.
도 12는 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 12에서는 가중치 조정, 스케일 조정 또는 생성 시점 조정이 수행되어 2차 후보 스코어카드를 결정하는 방법이 개시된다.
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.
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.
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.
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.
도 13은 본 발명의 실시예에 따른 스코어카드 결정을 수행하는 신용 평가 장치를 나타낸 개념도이다.
도 13을 참조하면, 신용 평가 장치는 스코어카드 결정부를 포함할 수 있다.
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.
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.
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.
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.
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.
스코어카드 결정부(1350)는 2차 후보 스코어카드 중 최종적으로 사용될 스코어카드를 결정하기 위해 구현될 수 있다.
도 14는 본 발명의 실시예에 따른 OMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 14에서는 OMS 상에서 발생되는 신용 평가 기초 데이터를 처리하여 판매자의 신용 평가를 수행하는 방법이 개시된다.
도 14를 참조하면, OMS 상에서 발생하는 신용 평가 기초 데이터는 상품 등록 관리 데이터(1410), 상품 주문 관리 데이터(1420), 상품 재고 관리 데이터(1430)를 포함할 수 있다.
상품 등록 관리 데이터(1410)는 상품이 등록된 온라인 쇼핑몰 데이터, 온라인 쇼핑몰에 등록된 상품 등록 데이터, 상품 판매 데이터(판매 수량, 판매가, 원가 등), 상품 품절 데이터 등과 같은 온라인 쇼핑몰에 판매를 위해 등록되는 상품에 관련된 데이터를 포함할 수 있다.
상품 주문 관리 데이터(1420)는 기간별 상품 주문량 데이터, 상품 배송 데이터, 상품 환불 데이터 등과 같은 상품 등록 이후 상품의 주문 및 유통과 관련된 데이터를 포함할 수 있다.
상품 재고 관리 데이터(1430)는 상품 재고 데이터, 상품 품절 데이터, 상품 안전 재고 데이터 등과 같은 상품의 재고와 관련된 데이터를 포함할 수 있다.
상품 등록 관리 데이터(1410), 상품 주문 관리 데이터(1420), 상품 재고 관리 데이터(1430) 각각은 전술한 바와 같이 신용 평가 기초 데이터(생산)(1415), 신용 평가 기초 데이터(유통)(1425), 신용 평가 기초 데이터(판매)(1435)로 전처리되어 제1 전처리 신용 평가 데이터로서 생성될 수 있다.
OMS에서 생성된 신용 평가 기초 데이터는 인공 지능 엔진의 학습을 위해 활용될 수 있다. 신용 평가 기초 데이터는 가중치 조정, 스케일 조정 또는 생성 시점 조정 등을 통해 가공되어 인공 지능 엔진 학습을 위해 활용될 수 있다.
본 발명에서는 신용 평가 기초 데이터에 대한 시간 스케일을 설정하는 방법이 개시된다. 상품 등록 관리 데이터(1410), 상품 주문 관리 데이터(1420), 상품 재고 관리 데이터(1430) 각각에 서로 다른 시간 스케일이 적용될 수 있다.
상품 등록 관리 데이터(1410)를 기반으로 신용 평가 기초 데이터를 생성하기 위한 시간 스케일은 상품 등록 시간 스케일이라는 용어로 표현될 수 있다. 상품 주문 관리 데이터(1420)를 기반을 기반으로 신용 평가 기초 데이터를 생성하기 위한 시간 스케일은 상품 주문 시간 스케일이라는 용어로 표현될 수 있다. 상품 재고 관리 데이터(1430)를 기반으로 신용 평가 기초 데이터를 생성하기 위한 시간 스케일은 상품 재고 시간 스케일이라는 용어로 표현될 수 있다. 상품 등록 시간 스케일, 상품 주문 시간 스케일 및 상품 재고 시간 스케일 각각의 설정 방법은 후술된다.
도 15는 본 발명의 실시예에 따른 신용 평가 기초 데이터의 스케일 설정 방법을 나타낸 개념도이다.
도 15에서는 상품 등록 시간 스케일, 상품 주문 시간 스케일 및 상품 재고 시간 스케일의 설정 방법이 개시된다.
도 15를 참조하면, 상품 등록 시간 스케일(1515), 상품 주문 시간 스케일(1525) 및 상품 재고 시간 스케일(1535) 각각은 판매자의 신용 평가 데이터의 생성을 위한 상품 등록 관리 데이터(1510), 상품 주문 관리 데이터(1520), 상품 재고 관리 데이터(1530) 각각의 수집 기간일 수 있다.
이하, 설명의 편의상 상품 등록 관리 데이터(1510), 상품 주문 관리 데이터(1520), 상품 재고 관리 데이터(1530)는 OMS 데이터라는 용어로 표현되고, 상품 등록 시간 스케일(1515), 상품 주문 시간 스케일(1525) 및 상품 재고 시간 스케일(1535)은 OMS 데이터 시간 스케일이라는 용어로 표현될 수 있다. OMS 데이터 시간 스케일은 판매자의 신용 평가 데이터의 변화를 위해 수집되는 OMS 데이터의 시간 단위일 수 있다.
판매자가 상품을 등록하고, 상품을 판매하고, 상품을 배송하는 것이 하나의 사이클을 이루고, 상품의 등록, 판매, 배송의 상품 유통 사이클을 기반으로 OMS 데이터 시간 스케일이 결정될 수 있다.
상품별 및 상품별 개수를 고려하여 복수의 판단 단위가 설정되고, 복수의 판단 단위의 등록, 판매, 배송을 위한 복수의 유통 사이클 데이터가 수집될 수 있다. 예를 들어, 판매자가 상품1 내지 상품3을 판매하고, 상품1의 판단 단위는 10개, 상품2의 판단 단위는 20개, 상품3의 판단 단위는 30개인 경우, 상품별로 설정된 판단 단위의 등록, 판매, 배송되는 유통 사이클 데이터가 수집될 수 있다. 초기 상품의 판단 단위는 판매자 특성, 신용 평가 데이터 피드백, 상품 특성을 고려하여 적응적으로 조정될 수 있다, 이후 상품의 판단 단위는 상품별 유통 사이클 데이터가 누적되는 양을 고려하여 상품별로 동일/유사 범위의 유통 사이클 데이터 개수가 수집되도록 적응적으로 조정될 수 있다.
상품1에 대한 제1 유통 사이클 데이터, 상품2에 대한 유통 사이클 데이터, 상품3에 대한 제3 유통 사이클 데이터를 기반으로 제1 OMS 데이터 시간 스케일(1550)이 결정될 수 있다.
제1 OMS 데이터 시간 스케일(1550)은 제1 유통 사이클 데이터, 제2 유통 사이클 데이터, 제3 유통 사이클 데이터의 배수가 되도록 설정될 수 있다.
이후, 신용 평가 결과에 대한 피드백에 따라 제1 OMS 데이터 시간 스케일(1550)은 제2 OMS 데이터 스케일(1560)로 변화될 수 있다. 판매자의 신용 평가 결과에 대한 피드백을 고려 시 판매자의 신용 평가 데이터가 높은 신뢰도를 가질 수 있도록 제1 OMS 데이터 시간 스케일(1550)이 조정되어 제2 OMS 데이터 시간 스케일(1560)이 결정될 수 있다. 즉, 판매자의 신용 평가 데이터에 대한 피드백을 고려하여 제1 OMS 데이터 시간 스케일(1550)이 제2 0MS 데이터 시간 스케일(1560)로 업데이트될 수 있다.
제1 OMS 데이터 시간 스케일(1550)은 상품의 변화, 상품의 유통 사이클의 변화에 따라 조정될 수 있고, 제2 OMS 데이터 시간 스케일(1560)은 제1 OMS 데이터 시간 스케일(1550)의 변화 및 판매자의 신용 평가 데이터에 따라 조정될 수 있다.
도 16은 본 발명의 실시예에 따른 OMS에서 발생되는 상품 판매 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 16에서는 판매자에 대한 신용 평가 데이터를 생성하기 위해 상품 판매 데이터를 처리하는 방법이 개시된다.
도 16을 참조하면, 다른 데이터도 고려할 수 있으나, 판매자의 신용 평가 데이터와 가장 높은 상관도를 가지는 데이터일 수 있는 상품 판매 데이터(1600)를 학습을 위해 전처리하는 방법이 개시된다.
상품 판매 데이터(1600)는 예측 상품 판매 수익 데이터(1620)로 전환될 수 있다. 상품의 판매가와 원가에 대한 정보 또는 판매 마진율 등을 고려하여 상품 판매 데이터는 기간별 예측 상품 판매 수익 데이터(1620)로 전환될 수 있다.
예측 상품 판매 수익 데이터(1620)는 일/주/월과 같은 정해진 판매 기간, 판매자 금융 서비스 기간 등을 고려하여 기간별 데이터로 전환될 수 있다. 기간별 예측 상품 판매 수익 데이터(1620)를 기반으로 예측 상품 판매 수익 데이터(1620)의 제1 데이터 신뢰도(1640)가 결정될 수 있다. 제1 데이터 신뢰도(1640)는 패턴의 반복 가능성에 대한 신뢰도로서 유사한 예측 상품 판매 수익 데이터(1620)가 이후에도 발생할 확률이 높을수록 높은 값을 가질 수 있다.
예를 들어, 예측 상품 판매 수익 데이터(1620)는 시간을 고려하여 예측 가능성을 높이기 위한 서로 다른 길이의 n개의 시간 구간을 기준으로 분리될 수 있고, 제1 데이터 신뢰도(1640)가 가장 높은 n개의 시간 구간의 조합은 하나의 예측 사이클로 정의될 수 있다. 이후, 예측 사이클에 대응되는 서로 다른 n개의 시간 구간을 고려하여 다음 n개의 시간 구간에 대한 예측 상품 판매 수익 데이터(1620)가 예측될 수 있다.
계절성이 없고 일정한 매출을 가지는 판매자에 대한 n개의 시간 구간은 거의 일정하게 분할될 수 있다. 상품의 계절성이 높거나 상품 매출의 변화가 상대적으로 큰 판매자의 경우, 계절성 및 상품 매출 변화를 고려하여 n개의 시간 구간은 서로 다른 길이로 분할될 수 있다.
이러한 방식으로 예측 상품 판매 수익 데이터(1620)의 미래 예측을 위한 하나의 예측 사이클은 n개의 시간 구간으로 분할되고 n개의 시간 구간을 고려한 학습 및 예측이 수행됨으로써 보다 정확한 판매자의 신용 평가 데이터에 대한 예측이 가능할 수 있다. 또한, 본 발명에서는 예측 상품 판매 수익 데이터(1620)의 제2 데이터 신뢰도(1660)는 실제 수익과 비교하여 결정될 수 있다. 제2 데이터 신뢰도(1660)에 따라 예측 상품 판매 수익 데이터(1620)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
상품 판매 데이터(1600)를 기반으로 한 예측 상품 판매 수익 데이터(1620)는 전술한 유통 사이클을 고려하여 결정된다. 즉, 상품 판매 데이터(1600)의 생성 이후, 유통 사이클을 고려한 기간이 지나면, 예측 상품 판매 수익 데이터(1620)와 유사한 범위의 상품 판매 수익 데이터가 생성되어야 한다.
만약, 예측 상품 판매 수익 데이터(1620)와 상품 판매 수익 데이터(1600)의 오차가 상대적으로 클수록 제2 데이터 신뢰도(1660)가 상대적으로 낮다고 결정될 수 있다. 반대로, 예측 상품 판매 수익 데이터(1620)와 상품 판매 수익 데이터(1600)의 오차가 상대적으로 작을수록 제2 데이터 신뢰도(1660)가 상대적으로 높다고 결정될 수 있다. 이러한 제2 데이터 신뢰도(1660)를 고려하여 예측 상품 판매 수익 데이터(1620)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
도 17은 본 발명의 실시예에 따른 WMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 17에서는 WMS 상에서 발생되는 신용 평가 기초 데이터를 처리하여 판매자의 신용 평가를 수행하는 방법이 개시된다.
도 17을 참조하면, 전술한 바와 같이 WMS는 창고 관리 시스템으로서 창고 또는 배송 센터 관리를 지원하고 최적화하기 위한 판매 관리 플랫폼이다. WMS는 판매자의 상품의 입고, 적치, 재고, 패킹, 출고 등 물류 프로세서를 전체적으로 통합하여 관리할 수 있다.
WMS 상에서 발생하는 신용 평가 기초 데이터는 상품 입고 관리 데이터(1710), 상품 출고 관리 데이터(1720), 상품 재고 관리 데이터(1730)를 포함할 수 있다.
상품 입고 관리 데이터(1710)는 상품이 물류 창고에 입고 시 생성되는 데이터이다. 판매자는 판매를 위한 상품을 물류 창고에 입고할 수 있고, 입고 시 상품 입고 관리 데이터가 생성될 수 있다.
상품 출고 관리 데이터(1720)는 입고된 상품이 판매로 인해 구매자에게 출고 시 발생되는 데이터이다.
상품 재고 관리 데이터(1730)는 입고 상품 및 출고 상품을 고려하여 현재 물류 창고에 남아있는 상품에 대한 데이터이다.
상품 입고 관리 데이터(1710), 상품 출고 관리 데이터(1720), 상품 재고 관리 데이터(1730) 각각은 전술한 바와 같이 신용 평가 기초 데이터(유통)(1740), 신용 평가 기초 데이터(판매)(1750)로 전처리되어 제1 전처리 신용 평가 데이터로서 생성될 수 있다.
WMS에서 생성된 신용 평가 기초 데이터는 인공 지능 엔진의 학습을 위해 활용될 수 있다. 이하, 상품 입고 관리 데이터(1710), 상품 출고 관리 데이터(1720), 상품 재고 관리 데이터(1730) 각각을 처리하여 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 18은 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 18에서는 상품 입고 관리 데이터, 상품 출고 관리 데이터, 상품 재고 관리 데이터 각각을 처리하여 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 18을 참조하면, 상품 입고 관리 데이터(1810), 상품 출고 관리 데이터(1820)를 기반으로 상품 판매 사이클 데이터(1815) 및 상품 판매율 데이터(1825)가 결정될 수 있다. 또한, 상품 재고 관리 데이터(1830)를 기반으로 상품 재고율 데이터(1840), 상품 가치 데이터(1850)가 결정될 수 있다.
상품 판매 사이클 데이터(1815) 및 상품 판매율 데이터(1825), 상품 재고율 데이터(1840) 및 상품 가치 데이터(1850) 각각은 판매자의 신용 평가 기초 데이터로서 활용될 수 있다.
상품 판매 사이클 데이터(1815)는 상품 판매 사이클에 대한 것으로 상품이 물류 창고에 입고된 이후 출고된 시점까지에 대한 사이클일 수 있다. 판매자에 의해 판매되는 복수의 상품 각각에 대한 판매 사이클은 서로 다를 수 있고, 복수의 상품 각각에 대한 판매 사이클이 결정될 수 있다.
상품 판매율 데이터(1825)는 상품의 입고량과 상품의 출고량과 관련된 데이터로서 상품이 입고 대비 얼마만큼의 판매율을 가지는지에 대한 데이터일 수 있다. 이러한 상품 판매율 데이터(1825)도 복수의 상품 각각에 대하여 결정될 수 있다.
상품 가치 데이터(1850)는 판매자 상품의 특징에 대한 데이터로서 상품 가격대, 상품 판매 대상, 상품 환금성, 상품 재고 특성 등과 같은 상품의 판매 시 가지는 특성에 대한 데이터를 포함할 수 있다. 상품 가치 데이터(1850)는 외부 서버와 연관된 상품 특성 데이터베이스를 통해 생성된 상품 판매 대상, 상품 환금성, 상품 재고 특성과 같은 데이터를 기반으로 생성될 수 있다.
상품별로 타겟팅되는 소비자층에 대한 데이터, 상품의 현금화 가능 여부 및 상품의 현금화 시 현금화율에 대한 데이터, 상품 재고 보관 시 발생하는 비용 및 재고 보관 가능 기간에 대한 데이터, 시간별 상품 판매량(일, 월, 년), 상품 반품률 등과 같은 상품에 관련된 일반적인 데이터가 데이터베이스 상에 저장되어 있을 수 있고, 이러한 데이터베이스와 연동하여 상품 가치 데이터(1850)가 생성될 수 있다.
도 19는 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 19에서는 상품 판매 사이클 데이터, 상품 판매율 데이터를 고려한 신용 평가 데이터 생성 방법이 개시된다.
도 19를 참조하면, 상품 판매 사이클 데이터(1910), 상품 판매율 데이터(1920)는 신용 평가 기초 데이터(유통)(1950)을 생성할 수 있다.
서플라이체인을 기준으로 상품 판매 사이클 데이터(1910), 상품 판매율 데이터(1920)는 신용 평가 기초 데이터(유통)(1950)을 생성할 수 있다.
본 발명에서는 신용 평가 기초 데이터(생산)(1960), 신용 평가 기초 데이터(유통)(1950), 신용 평가 기초 데이터(판매)(1970) 각각에 대한 서로 다른 가중치를 설정하여 판매자에 대한 신용 평가 데이터가 생성되고, 판매자에 대한 LTV(loan to value ratio)가 결정될 수 있다.
기존의 신용 평가와 다르게 현재 물류 창고에 존재하는 상품 및 물류 창고에 존재하는 상품의 판매 사이클과 상품의 가치를 추가적으로 고려하여 사용자에게 대출 가능한 금액 및 금리가 결정될 수 있다.
보다 구체적으로 상품 판매 사이클 데이터(1910)를 기반으로 대출 시점 이후에 대출 만기일까지 판매되는 상품에 대한 정보가 예측되고, 대출 만기일까지 대출 가능한 금액 및 금리가 결정될 수 있다. 상품 가치 데이터는 상품의 현금화 가능성을 고려하여 대출 만기일까지 대출 가능한 금액 및 금리를 결정될 수 있다.
도 20은 본 발명의 실시예에 따른 WMS에서 발생되는 상품 판매 사이클 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 20에서는 판매자에 대한 신용 평가 데이터를 생성하기 위해 상품 판매 사이클 데이터를 처리하는 방법이 개시된다.
도 20을 참조하면, 상품 판매 사이클 데이터(2010)는 예측 상품 판매 사이클 데이터(2020)로 전환될 수 있다. 상품의 판매가와 원가에 대한 정보 또는 판매 마진율 등을 고려하여 예측 상품 판매 사이클 데이터(2020)는 기간별 예측 상품 판매 수익 데이터(2030)로 전환될 수 있다.
예측 상품 판매 수익 데이터(2030)는 일/주/월과 같은 정해진 판매 기간, 판매자 금융 서비스 기간 등을 고려하여 기간별 데이터로 전환될 수 있다. 예측 상품 판매 수익 데이터(2030)의 기간별 데이터를 기반으로 예측 상품 판매 수익 데이터(2030)의 제1 데이터 신뢰도(2050)가 결정될 수 있다. 제1 데이터 신뢰도(2050)는 패턴의 반복 가능성에 대한 신뢰도로서 유사한 예측 상품 판매 수익 데이터가 이후에도 발생할 확률이 높을수록 높은 값을 가질 수 있다.
예를 들어, 예측 상품 판매 수익 데이터는 시간을 고려하여 예측 가능성을 높이기 위한 서로 다른 길이의 n개의 시간 구간으로 분리될 수 있고, 제1 데이터 신뢰도(2050)가 가장 높은 n개의 시간 구간의 조합이 하나의 예측 사이클로 정의될 수 있다. 이후, 예측 사이클에 대응되는 서로 다른 n개의 시간 구간을 고려하여 다음 n개의 시간 구간에 대한 예측 상품 판매 수익 데이터(2030)가 예측될 수 있다.
계절성이 없고 일정한 매출을 가지는 판매자에 대한 n개의 시간 구간은 거의 일정하게 분할될 수 있다. 상품의 계절성이 높거나 상품 매출의 변화가 상대적으로 큰 판매자의 경우, 계절성 및 상품 매출 변화를 고려하여 n개의 시간 구간은 서로 다른 길이로 분할될 수 있다.
이러한 방식으로 예측 상품 판매 수익 데이터(2030)의 미래 예측을 위한 하나의 예측 사이클이 n개의 시간 구간으로 분할되고, n개의 시간 구간을 고려한 학습 및 예측이 수행됨으로써 보다 정확한 판매자의 신용 평가 데이터 예측이 가능할 수 있다.
또한, 본 발명에서는 예측 상품 판매 수익 데이터(2030)의 제2 데이터 신뢰도(2060)는 실제 수익과 비교하여 결정될 수 있다. 제2 데이터 신뢰도(2060)에 따라 예측 상품 판매 수익 데이터(2030)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
상품 판매 사이클 데이터(2010)를 기반으로 한 예측 상품 판매 수익 데이터(2030)는 전술한 유통 사이클을 고려하여 결정된다. 즉, 상품 판매 사이클 데이터(2030)의 생성 이후, 유통 사이클을 고려한 기간이 지나면, 예측 상품 판매 수익 데이터(2030)와 유사한 범위의 상품 판매 수익 데이터가 생성되어야 한다.
만약, 예측 상품 판매 수익 데이터(2030)와 상품 판매 수익 데이터의 오차가 상대적으로 클수록 제2 데이터 신뢰도(2060)가 상대적으로 낮다고 결정될 수 있다. 반대로, 예측 상품 판매 수익 데이터(2030)와 상품 판매 수익 데이터의 오차가 상대적으로 작을수록 제2 데이터 신뢰도(2060)가 상대적으로 높다고 결정될 수 있다. 이러한 제2 데이터 신뢰도(2060)를 고려하여 예측 상품 판매 수익 데이터(2030)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
데이터의 소스를 구분하기 위해 상품 판매 사이클 데이터(2010)를 기반으로 한 예측 상품 판매 수익 데이터는 예측 상품 판매 수익 데이터(상품 판매 사이클 데이터)(2070)이라는 용어로 정의되고, 상품 판매 데이터를 기반으로 한 예측 상품 판매 수익 데이터는 예측 상품 판매 수익 데이터(상품 판매 데이터)(2080)이라는 용어로 정의될 수 있다.
예측 상품 판매 수익 데이터(상품 판매 사이클 데이터)(2070) 및 예측 상품 판매 수익 데이터(상품 판매 데이터)(2080) 각각은 전술한 제2 데이터 신뢰도(2060) 각각을 고려하여 예측 상품 판매 수익 데이터가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
도 21은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 21에서는 이커머스 솔루션의 구매, 판매,　재고,　물류,　유통,　정산 과정에서 발생하는　엔드 투 엔드 데이터 기반으로 한 판매자 신용 평가 방법이 개시된다.
도 21을 참조하면, 이커머스 솔루션은 판매자의 판매 프로세스에서 발생하는 데이터들을 기반으로 신용 평가 기초 데이터를 생성할 수 있다.
이커머스 솔루션 상에서는 전체 프로세스 상에서 발생되는 데이터를 3개의 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)로 분류하여 처리할 수 있다.
신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)의 생성 시 개별 상품에 대한 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)가 생성된다. 따라서, 상품별 데이터 식별을 통해 중복된 데이터를 제거하기 위한 데이터 필터링이 수행될 수 있다.
또한, 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)는 하나의 세트로 구성되어 학습을 위해 활용될 수 있다.
특정 상품은 (x, y, z)={신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)}의 데이터 포맷을 생성할 수 있다.
제1 타입 데이터(2110)는 판매자에 의해 생산(또는 구매)만 되고, 유통 및 판매되기 전의 상품에 대한 데이터로서 신용 평가 기초 데이터(생산)만을 가지는 이루어진 데이터일 수 있다. 제1 타입 데이터(2110)는 {신용 평가 기초 데이터(생산), 0, 0}으로 구성될 수 있다.
제2 타입 데이터(2120)는 판매자에 의해 생산 및 유통되었으나 판매되기 전의 상품에 대한 데이터로서 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통)만을 가지는 이루어진 데이터일 수 있다. 제2 타입 데이터(2120)는 {신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 0}으로 구성될 수 있다.
제3 타입 데이터(2130)는 판매자에 의해 생산, 유통 및 판매가 된 상품에 대한 데이터로서 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통) 및 신용 평가 기초 데이터(판매)로 이루어진 데이터일 수 있다. 제3 타입 데이터(2130)는 {신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)}으로 구성될 수 있다.
본 발명에서는 제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)를 기반으로 한 신용 평가 기초 데이터가 생성되고, 판매자에게 가능한 금융 서비스를 결정하기 위한 신용 평가 데이터가 생성될 수 있다.
제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)로 갈수록 판매자의 매출(또는 순이익)에 더 큰 영향을 끼칠 수 있는 데이터이다. 따라서, 제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)로 갈수록 보다 높은 가중치를 가지고 판매자의 신용 평가 데이터를 결정하기 위해 활용될 수 있다.
본 발명에서는 판매자에게 제공되는 금융 서비스 기간을 고려한 시간축 상의 제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)를 조합한 신용 평가 데이터를 기반으로 판매자에게 제공 가능한 금융 서비스(대출 금액 및 대출 금리)가 결정될 수 있다.
도 22는 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 22에서는 금융 서비스 기간을 고려한 시간축 상의 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터를 조합한 신용 평가 데이터를 기반으로 판매자에게 제공 가능한 금융 서비스(대출 금액 및 대출 금리)를 결정하는 방법이 개시된다.
도 22를 참조하면, 대출 시기 대출 기한에 따라 현재 시점의 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터가 결정될 수 있다.
판매자의 대출 시작 시점을 기준으로 현재 시점의 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터는 현재 데이터로서 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220) 및 제3 타입 데이터(현재)(2230)라는 용어로 표현될 수 있다.
대출 종료 시점을 기준으로 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220)는 다른 타입 데이터(제2 타입 데이터 또는 제3 타입 데이터)로 변화될 수 있다. 또한, 대출 종료 시점을 기준으로 새로운 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터가 생성될 수도 있다.
대출 종료 시점을 기준으로 누적되어 예측된 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터는 예측 데이터로서 제1 타입 데이터(예측)(2260), 제2 타입 데이터(예측)(2270) 및 제3 타입 데이터(예측)(2280)이라는 용어로 표현될 수 있다. 예측 데이터는 현재 데이터에 대한 상품 판매 사이클 데이터, 유통 사이클 데이터를 기반으로 한 예측을 통해 생성될 수 있다.
본 발명에서는 대출 시작 시점을 기준으로 한 현재 데이터인 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220) 및 제3 타입 데이터(현재)(2230)와 대출 종료 시점을 기준으로 누적 예측된 예측 데이터인 제1 타입 데이터(예측)(2260), 제2 타입 데이터(예측)(2270) 및 제3 타입 데이터(예측)(2280)가 판매자의 신용 평가 데이터로서 활용되어 판매자에게 금융 서비스가 제공될 수 있다.
현재 데이터인 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220) 및 제3 타입 데이터(현재)(2230)와 예측 데이터인 제1 타입 데이터(예측)(2260), 제2 타입 데이터(예측)(2270) 및 제3 타입 데이터(예측)(2280)은 중복성을 없애기 위해 필터링이 수행되고, 데이터별 신뢰도를 고려한 그룹핑이 수행되어 신용 평가 데이터로서 활용될 수 있다.
도 23은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 23에서는 신용 평가 데이터의 생성을 위한 필터링 및 그룹핑 방법이 개시된다.
도 23을 참조하면, 제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재)와 제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측)에 대한 필터링이 수행되고, 중복 데이터가 제거될 수 있다.
본 발명의 실시예에 따른 필터링은 현재 데이터에서 예측 데이터로 변화된 데이터를 제거하는 과정일 수 있다.
제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재) 중 상품 판매 사이클 데이터, 유통 사이클 데이터를 고려한 예측을 통해 제2 타입 데이터(예측) 및 제3 타입 데이터(예측)으로 변화되는 데이터를 중복 데이터로서 필터링하여 현재 데이터에서 제거할 수 있다.
필터링된 제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재)와 제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측)은 대출 시작 시점과 대출 종료 시점을 기준으로 3개의 데이터 그룹으로 분할될 수 있다.
제1 데이터 그룹(2310)은 필터링되고 남은 현재 데이터를 포함할 수 있다. 즉, 예측 데이터로 변화되지 않아서 필터링되고 남아 있는 제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재)가 제1 데이터 그룹(2310)에 포함될 수 있다.
제2 데이터 그룹(2320)은 현재 데이터에서 예측 데이터로 변화한 예측 데이터(제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측))를 포함할 수 있다. 즉, 제2 데이터 그룹(2320)은 현재 데이터가 변화되어 예측된 예측 데이터를 포함할 수 있다.
제3 데이터 그룹(2330)은 현재 데이터에 기초하지 않고, 예측 데이터로 바로 생성된 예측 데이터(제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측))를 포함할 수 있다. 즉, 제3 데이터 그룹은 현재 데이터 없이 생성된 예측 데이터를 포함할 수 있다.
본 발명에서는 제1 데이터 그룹(2310), 제2 데이터 그룹(2320) 및 제3 데이터 그룹(2330) 순서로 순차적으로 낮은 가중치를 부여하여 판매자에 대한 신용 평가 데이터가 결정될 수 있다. 즉, 현재 데이터에 기초한 데이터일수록 상대적으로 높은 가중치를 설정하여 판매자에 대한 신용 평가 데이터가 결정될 수 있다.
도 24는 본 발명의 실시예에 따른 외부 데이터를 고려한 신용 평가 방법을 나타낸 개념도이다.
도 24에서는 판매 관리 플랫폼이 아닌 다른 외부에서 수집된 신용 평가 기초 데이터를 기반으로 한 신용 평가 방법이 개시된다.
도 24를 참조하면, 판매 관리 플랫폼인 OMS, ERP, WMS, ECS를 제외한 외부 서버에서 수집된 외부 데이터(2460)가 신용 평가 기초 데이터(2480)로서 활용될 수 있다.
외부 데이터(2460)는 판매자의 신용 평가와 관련된 데이터로서 상품 계절성, 상품 시장, 상품 구매층, 상품 인기도, 외부 경제 변수 등과 같은 판매자에게 금융 서비스를 제공하기 위한 기초가 되는 다양한 데이터를 포함할 수 있다.
본 발명에서는 외부 데이터(2460) 중 신용 평가 기초 데이터(2480)로서 의미를 가지는 데이터가 결정되고, 이를 기초로 판매자에 대한 신용 평가 데이터(2480)가 생성될 수 있다. 후보 외부 데이터(2400) 중 신용 평가 데이터(2480)에 영향을 끼치는 데이터가 외부 데이터(2460)로 결정될 수 있다. 본 발명에서는 후보 외부 데이터(2400) 중 신용 평가 기초 데이터(2480)로서 사용할 외부 데이터를 결정하기 위해 별도의 인공 지능 모델 그룹(외부데이터)(2440)가 생성되고, 후보 외부 데이터(2400)가 신용 평가 데이터에 끼치는 영향이 결정될 수 있다.
구체적으로 외부 변수를 고려하지 않고, 신용 평가 데이터를 결정하기 위한 기본 인공 지능 엔진 그룹(2450)이 존재할 수 있다. 기본 인공 지능 엔진 그룹(2450)은 판매 관리 플랫폼에서 생성된 신용 평가 기초 데이터만을 사용하여 학습되는 적어도 하나의 인공 지능 엔진을 포함할 수 있다. 기본 인공 지능 엔진 그룹(2450)은 판매 관리 플랫폼에서 생성된 신용 평가 기초 데이터만을 기반으로 신용 평가 데이터를 생성할 수 있다.
복수의 후보 외부 데이터 조합(2420)이 결정되고, 복수의 후보 외부 데이터 조합(2420) 각각에 대응되는 복수의 인공 지능 엔진 그룹(외부 데이터)(2440) 각각이 결정될 수 있다. 기본 인공 지능 엔진 그룹(2450)에 의해 생성된 신용 평가 데이터와 복수의 인공 지능 엔진 그룹(외부 데이터)(2440)에 의해 생성된 신용 평가 데이터를 기반으로 복수의 후보 외부 데이터 조합(2420) 중 사용 가능한 후보 외부 데이터 조합(2420)을 외부 데이터(2460)로서 결정할 수 있다.
예를 들어, 후보 외부 데이터 조합1(상품 계절성), 후보 외부 데이터 조합2(상품 인기도), 후보 외부 데이터 조합3(상품 계절성 및 상품 인기도) 각각이 인공 지능 엔진 그룹1(외부 데이터), 인공 지능 엔진 그룹2(외부 데이터), 인공 지능 엔진 그룹3(외부 데이터) 각각으로 입력될 수 있다.
인공 지능 엔진 그룹1(외부 데이터), 인공 지능 엔진 그룹2(외부 데이터), 인공 지능 엔진 그룹3(외부 데이터) 각각이 기본 인공 지능 엔진 그룹(2450)보다 높은 신뢰도를 가지는 신용 평가 데이터를 생성할 수 있다. 이러한 경우, 상품 계절성, 상품 인기도, (상품 계절성, 상품 인기도)는 외부 데이터로서 판매자의 신용 평가를 위해 활용될 수 있다.
도 25는 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
도 25에서는 외부 데이터 별로 신용 평가 데이터의 학습을 위한 데이터의 집합을 형성하는 데이터 사이클을 결정하는 방법이 개시된다.
도 25를 참조하면, 인공 지능 엔진 학습 및 신용 평가 데이터의 결정을 위한 외부 데이터를 그룹핑하는 데이터 사이클 결정 방법이 개시된다.
복수의 외부 데이터 각각은 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클(2500)이 결정될 수 있다. 디폴트 데이터 사이클(2500)은 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성에 최소한으로 필요한 단위일 수 있다.
본 발명에서는 디폴트 데이터 사이클(2500)을 합쳐서 실제 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성을 위한 데이터 사이클(2560)이 결정될 수 있다. 디폴트 데이터 사이클(2500)을 합치는 시작 시점 및 합쳐지는 디폴트 데이터 사이클(2500)의 개수는 인공 지능 엔진 그룹(2540)에 입력시에 최고의 신뢰도를 가지는 값으로 결정될 수 있다. 예를 들어, 디폴트 데이터 사이클(2500)이 2개월인 경우, 1년이라는 기준 기간 내에 6개의 디폴트 데이터 사이클(2500)이 위치할 수 있다.
서로 다른 시작 지점은 A, B, C, D, E, F, G, H로 8개일 수 있고, 서로 다른 시작 지점을 기준으로 n개의 디폴트 데이터 사이클(2500)이 조합되어 후보 데이터 그룹을 형성할 수 있다. 형성된 후보 데이터 그룹(2520)은 인공 지능 엔진 그룹(2540)으로 입력되고, 가장 높은 신뢰도를 가지는 신용 평가 데이터를 생성하는 후보 데이터 그룹(2520)에 대응되는 시작 지점 및 디폴트 데이터 사이클(2500)의 개수를 기반으로 최종적으로 데이터 사이클(2560)이 결정될 수 있다.
이후에 계속적인 외부 데이터에 대한 수집에 따라 데이터 사이클(2560)은 최대의 신뢰도를 가지는 신용 평가 데이터를 출력하도록 적응적으로 조정될 수 있다.
도 26은 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
도 26에서는 판매 관리 플랫폼인 OMS, ERP, WMS, ECS에서 수집된 신용 평가 기초 데이터를 기준으로 외부 데이터의 신뢰도를 판단하는 방법이 개시된다.
도 26을 참조하면, 판매 관리 플랫폼인 OMS, ERP, WMS, ECS에서 수집된 신용 평가 기초 데이터(2600)를 기반으로 가상 외부 데이터(2610)를 생성하고, 실제 외부 데이터와의 비교를 통해 외부 데이터(2620)의 신뢰도가 결정될 수 있다.
예를 들어, 복수의 판매자에 대한 상품 판매 사이클 데이터(2620), 유통 사이클 데이터(2630)를 기반으로 상품 계절성, 상품 인기도에 대한 가상 외부 데이터로서 상품 계절성(가상), 상품 인기도(가상)이 생성될 수 있다.
상품 계절성(가상), 상품 인기도(가상)은 외부 데이터(2620)로 획득된 상품 계절성, 상품 인기도와 비교되고, 상품 계절성(가상), 상품 인기도(가상)과 상품 계절성, 상품 인기도가 유사도가 상대적으로 높을수록 외부 데이터(2620)인 상품 계절성, 상품 인기도의 데이터 신뢰도가 상대적으로 높게 설정될 수 있다.
외부 데이터(2620)의 신뢰도에 따른 데이터 가중치가 부여되고, 인공 지능 엔진 그룹의 학습 시 높은 데이터 신뢰도를 가지는 외부 데이터(2620)에 대한 선택적인 학습이 수행되고, 높은 데이터를 신뢰도를 가지는 외부 데이터만을 입력하여 신용 평가 데이터가 결정될 수 있다.
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.
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.
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.

Claims (6)

  1. 외부 데이터를 고려한 신용 평가 방법은,
    신용 평가 기초 데이터 수집부가 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하는 단계;
    신용 평가 기초 데이터 전처리부가 수집된 상기 신용 평가 기초 데이터를 전처리하는 단계;
    신용 평가 기초 데이터 학습부가 전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하는 단계; 및
    신용 평가부가 상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하는 단계를 포함하되,
    상기 신용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고,
    상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함하고,
    상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고,
    복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고,
    복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 상기 복수의 후보 외부 데이터 조합 각각에 대응되어 결정되고,
    상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정되고,
    상기 외부 데이터는 데이터 사이클을 기반으로 그룹핑되어 상기 인공 지능 엔진의 학습 및 상기 신용 평가 데이터의 결정에 사용되고,
    상기 외부 데이터의 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클이 결정되고,
    상기 디폴트 데이터 사이클은 상기 인공 지능 엔진의 학습 및 상기 신용 평가 데이터의 생성에 최소한으로 필요한 단위이고,
    데이터 사이클이 상기 디폴트 데이터 사이클을 합쳐서 상기 인공 지능 엔진의 학습 및 상기 신용 평가 데이터의 생성을 위해 결정되고,
    상기 데이터 사이클을 결정하는 상기 디폴트 데이터 사이클을 합치는 시작 시점 및 합쳐지는 상기 디폴트 데이터 사이클의 개수는 인공 지능 엔진에 입력시에 최고의 신뢰도를 가지는 값으로 결정되고,
    상기 데이터 사이클은 상기 최고의 신뢰도를 가지도록 상기 외부 데이터의 수집에 따라 적응적으로 변화되는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 신용 평가 기초 데이터 전처리부는 제1 전처리 및 제2 전처리를 수행하고,
    상기 제1 전처리는 상기 신용 평가 기초 데이터를 전처리한 제1 전처리 신용 평가 기초 데이터를 상기 신용 평가 기초 데이터 학습부로 전송하기 위해 수행되고,
    상기 제2 전처리는 상기 신용 평가 기초 데이터를 전처리한 제2 전처리 신용 평가 기초 데이터를 상기 신용 평가부로 전송하기 위해 수행되고,
    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.
  3. 제2 항에 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.
  4. 외부 데이터를 고려한 신용 평가를 위한 신용 평가 장치는,
    판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하도록 구현되는 신용 평가 기초 데이터 수집부;
    수집된 상기 신용 평가 기초 데이터를 전처리하도록 구현되는 신용 평가 기초 데이터 전처리부;
    전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하도록 구현되는 신용 평가 기초 데이터 학습부; 및
    상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하도록 구현되는 신용 평가부를 포함하되,
    상기 신용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고,
    상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함하고,
    상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고,
    복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고,
    복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 상기 복수의 후보 외부 데이터 조합 각각에 대응되어 결정되고,
    상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정되고,
    상기 외부 데이터는 데이터 사이클을 기반으로 그룹핑되어 상기 인공 지능 엔진의 학습 및 상기 신용 평가 데이터의 결정에 사용되고,
    상기 외부 데이터의 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클이 결정되고,
    상기 디폴트 데이터 사이클은 상기 인공 지능 엔진의 학습 및 상기 신용 평가 데이터의 생성에 최소한으로 필요한 단위이고,
    데이터 사이클이 상기 디폴트 데이터 사이클을 합쳐서 상기 인공 지능 엔진의 학습 및 상기 신용 평가 데이터의 생성을 위해 결정되고,
    상기 데이터 사이클을 결정하는 상기 디폴트 데이터 사이클을 합치는 시작 시점 및 합쳐지는 상기 디폴트 데이터 사이클의 개수는 인공 지능 엔진에 입력시에 최고의 신뢰도를 가지는 값으로 결정되고,
    상기 데이터 사이클은 상기 최고의 신뢰도를 가지도록 상기 외부 데이터의 수집에 따라 적응적으로 변화되는 것을 특징으로 하는 신용 평가 장치.
  5. 제4항에 있어서,
    상기 신용 평가 기초 데이터 전처리부는 제1 전처리 및 제2 전처리를 수행하고,
    상기 제1 전처리는 상기 신용 평가 기초 데이터를 전처리한 제1 전처리 신용 평가 기초 데이터를 상기 신용 평가 기초 데이터 학습부로 전송하기 위해 수행되고,
    상기 제2 전처리는 상기 신용 평가 기초 데이터를 전처리한 제2 전처리 신용 평가 기초 데이터를 상기 신용 평가부로 전송하기 위해 수행되고,
    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.
  6. 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.
KR1020220018719A 2022-02-14 2022-02-14 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 KR102461415B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020220018719A KR102461415B1 (ko) 2022-02-14 2022-02-14 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR1020220131507A KR20230122525A (ko) 2022-02-14 2022-10-13 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
PCT/KR2023/001339 WO2023153692A1 (ko) 2022-02-14 2023-01-30 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220018719A KR102461415B1 (ko) 2022-02-14 2022-02-14 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220131507A Division KR20230122525A (ko) 2022-02-14 2022-10-13 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Publications (1)

Publication Number Publication Date
KR102461415B1 true KR102461415B1 (ko) 2022-11-01

Family

ID=84042380

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220018719A KR102461415B1 (ko) 2022-02-14 2022-02-14 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR1020220131507A KR20230122525A (ko) 2022-02-14 2022-10-13 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220131507A KR20230122525A (ko) 2022-02-14 2022-10-13 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Country Status (2)

Country Link
KR (2) KR102461415B1 (ko)
WO (1) WO2023153692A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102566466B1 (ko) * 2022-12-08 2023-08-11 크레파스솔루션(주) 개인의 신용도 평가를 위한 대체 신용 평가 시스템
WO2023153692A1 (ko) * 2022-02-14 2023-08-17 주식회사 에이젠글로벌 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117709906B (zh) * 2024-02-04 2024-05-14 杭银消费金融股份有限公司 一种外部数据源查询决策方法与装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
KR20210058229A (ko) * 2019-11-13 2021-05-24 주식회사 콜로세움코퍼레이션 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버
JP6963062B1 (ja) * 2020-06-22 2021-11-05 株式会社Yamato 情報処理装置及び情報処理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101410209B1 (ko) * 2011-12-19 2014-06-23 주식회사 한국무역정보통신 화주중심의 물류거점 최적화시스템
KR101864006B1 (ko) * 2015-10-02 2018-07-16 주식회사 우리은행 대출 서비스 제공 방법 및 이를 실행하는 서버
KR102461415B1 (ko) * 2022-02-14 2022-11-01 주식회사 에이젠글로벌 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
KR20210058229A (ko) * 2019-11-13 2021-05-24 주식회사 콜로세움코퍼레이션 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버
JP6963062B1 (ja) * 2020-06-22 2021-11-05 株式会社Yamato 情報処理装置及び情報処理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023153692A1 (ko) * 2022-02-14 2023-08-17 주식회사 에이젠글로벌 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR102566466B1 (ko) * 2022-12-08 2023-08-11 크레파스솔루션(주) 개인의 신용도 평가를 위한 대체 신용 평가 시스템

Also Published As

Publication number Publication date
WO2023153692A1 (ko) 2023-08-17
KR20230122525A (ko) 2023-08-22

Similar Documents

Publication Publication Date Title
KR102461415B1 (ko) 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
US8175908B1 (en) Systems and methods for constructing and utilizing a merchant database derived from customer purchase transactions data
US8332291B2 (en) System and method for monitoring managing and valuing credit accounts
US20210264448A1 (en) Privacy preserving ai derived simulated world
KR102414818B1 (ko) 판매자 데이터를 기반으로 한 금융 서비스 제공 방법 및 이러한 방법을 수행하는 장치
CN104866484A (zh) 一种数据处理方法和装置
KR102464995B1 (ko) 이커머스 솔루션의 구매, 판매,　재고,　물류,　유통,　정산 과정에서 발생하는　엔드 투 엔드 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR102464993B1 (ko) Oms 상에서 온라인 판매자 및 소비자 간 발생하는 주문 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR102464994B1 (ko) Wms의 이커머스 물류 이동 프로세스에서 발생하는 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR102433934B1 (ko) 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치
KR102433933B1 (ko) 이커머스 판매 및 유통 관리 시스템 플랫폼 취합 데이터를 기반으로 한 신용 평가 방법 및 이러한 방법을 수행하는 장치
US11182761B2 (en) Information technology equipment replacement calculation systems and methods
CN113283582A (zh) 纺织行业金融损失预测方法、装置、存储介质及处理器
CN115841345B (zh) 跨境大数据智能化分析方法、系统以及存储介质
Tarokh et al. A new model to speculate CLV based on Markov chain model
KR20240002900A (ko) 데이터 이코노미에서 금융 데이터 가치 측정 방법 및 이러한 방법을 수행하는 장치
CN110968622B (zh) 一种会计报告定制方法、平台和终端
Tsao et al. Designing a supply chain network under a dynamic discounting-based credit payment program
Olson et al. Data mining process
KR102484472B1 (ko) 서플라이 체인 데이터 기반으로 한 금융 리스크 결정 방법 및 처리 방법 및 이러한 방법을 수행하는 장치
CN111667307A (zh) 一种理财产品销量的预测方法及装置
KR102484473B1 (ko) 서플라이 체인 데이터 기반으로 한 금융 서비스 제공 방법 및 이러한 방법을 수행하는 장치
Khodabandehlou et al. Improving customer loyalty evaluation methods in the grocery retail industry: a data mining approach
KR102453977B1 (ko) 서플라이 체인 데이터 수집 및 처리 방법 및 이러한 방법을 수행하는 장치
Gheitasi et al. A multi-objective mathematical model of financial flows in Omni-Channel distribution systems

Legal Events

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