KR102536063B1 - 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법, 장치 및 시스템 - Google Patents

Abstract

장치에 의해 수행되는, 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법에 있어서, 제1 기업의 담당자 단말로부터 인보이스 정보가 획득되면, 상기 인보이스 정보를 기반으로 발송자 및 인수자를 확인하는 단계; 상기 인보이스 정보를 통해 발송자가 상기 제1 기업으로 확인되면, 상기 인보이스 정보를 통해 확인된 거래 내역을 상기 제1 기업의 매출 내역으로 분류하고, 상기 인보이스 정보를 통해 인수자가 상기 제1 기업으로 확인되면, 상기 인보이스 정보를 통해 확인된 거래 내역을 상기 제1 기업의 매입 내역으로 분류하는 단계; 상기 제1 기업의 매출 내역에 기초하여, 상기 제1 기업에서 제품을 판매하는 판매 패턴을 분석하고, 상기 제1 기업의 판매 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 기업의 매출 업데이트 주기인 제1 주기를 설정하는 단계; 상기 제1 기업의 매입 내역에 기초하여, 상기 제1 기업에서 제품을 구매하는 구매 패턴을 분석하고, 상기 제1 기업의 구매 패턴에 대한 분석 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 기업의 매입 업데이트 주기인 제2 주기를 설정하는 단계; 상기 제1 주기 및 상기 제2 주기의 평균치를 이용하여, 상기 제1 기업의 정산 주기를 설정하는 단계; 상기 제1 기업의 정산 주기를 통해 제1 기간이 설정되면, 상기 제1 기간 동안 판매된 제품들의 판매 현황을 기반으로 제1 매출 금액을 산출하고, 상기 제1 기간 동안 구매된 제품들의 구매 현황을 기반으로 제1 매입 금액을 산출하는 단계; 상기 제1 매출 금액에서 상기 제1 매입 금액을 차감하여 상기 제1 정산 금액을 산출하는 단계; 및 상기 제1 매출 금액, 상기 제1 매입 금액 및 상기 제1 정산 금액을 포함하는 상기 제1 기업의 정산 정보를 상기 담당자 단말로 전송하는 단계를 포함하는, 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법이 제공된다.

Description

인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING SALES AND PURCHASES SETTLEMENT SOLUTION FOR BUSINESS BASED ON ARTIFICIAL INTELLIGENCE}

아래 실시예들은 인공지능을 기반으로 기업용 매출 및 매입 정산 솔루션을 제공하기 위한 기술에 관한 것이다.

기업에서는 매출 및 매입 현황을 파악하여 자금의 흐름을 분석하기 위해, 정산 작업을 수행하고 있다.

이러한 정산 작업 시 매출 자료 및 매입 자료를 일일이 입력해야 하는 번거로움이 있으며, 수동 입력 시 발생하는 오입력으로 정산이 맞지 않게 되는 문제가 있다.

따라서, 매출 및 매입을 통해 기업의 정산을 수행하는데 있어, 편리하면서 정확하게 정산을 수행하고자 하는 요구가 증대되어 있어, 이와 관련된 정산 솔루션의 제공이 요구된다.

한국등록특허 제10-2181317호 한국등록특허 제10-2166931호 한국등록특허 제10-2362347호 한국등록특허 제10-2079085호

일실시예에 따르면, 인공지능을 기반으로 기업용 매출 및 매입 정산 솔루션을 제공하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 장치에 의해 수행되는, 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법에 있어서, 제1 기업의 담당자 단말로부터 인보이스 정보가 획득되면, 상기 인보이스 정보를 기반으로 발송자 및 인수자를 확인하는 단계; 상기 인보이스 정보를 통해 발송자가 상기 제1 기업으로 확인되면, 상기 인보이스 정보를 통해 확인된 거래 내역을 상기 제1 기업의 매출 내역으로 분류하고, 상기 인보이스 정보를 통해 인수자가 상기 제1 기업으로 확인되면, 상기 인보이스 정보를 통해 확인된 거래 내역을 상기 제1 기업의 매입 내역으로 분류하는 단계; 상기 제1 기업의 매출 내역에 기초하여, 상기 제1 기업에서 제품을 판매하는 판매 패턴을 분석하고, 상기 제1 기업의 판매 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 기업의 매출 업데이트 주기인 제1 주기를 설정하는 단계; 상기 제1 기업의 매입 내역에 기초하여, 상기 제1 기업에서 제품을 구매하는 구매 패턴을 분석하고, 상기 제1 기업의 구매 패턴에 대한 분석 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 기업의 매입 업데이트 주기인 제2 주기를 설정하는 단계; 상기 제1 주기 및 상기 제2 주기의 평균치를 이용하여, 상기 제1 기업의 정산 주기를 설정하는 단계; 상기 제1 기업의 정산 주기를 통해 제1 기간이 설정되면, 상기 제1 기간 동안 판매된 제품들의 판매 현황을 기반으로 제1 매출 금액을 산출하고, 상기 제1 기간 동안 구매된 제품들의 구매 현황을 기반으로 제1 매입 금액을 산출하는 단계; 상기 제1 매출 금액에서 상기 제1 매입 금액을 차감하여 상기 제1 정산 금액을 산출하는 단계; 및 상기 제1 매출 금액, 상기 제1 매입 금액 및 상기 제1 정산 금액을 포함하는 상기 제1 기업의 정산 정보를 상기 담당자 단말로 전송하는 단계를 포함하는, 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법이 제공된다.

상기 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법은, 상기 제1 기업의 정산 정보를 상기 담당자 단말로 전송하는 단계 이후, 상기 제1 기업의 정산 주기를 통해 상기 제1 기간이 설정되면, 상기 제1 기간 동안 판매된 제1 제품의 판매 현황을 기반으로 제1 매출 지표를 산출하는 단계; 상기 제1 기업의 정산 주기를 통해 상기 제1 기간 이후의 기간으로 제2 기간이 설정되면, 상기 제2 기간 동안 판매된 상기 제1 제품의 판매 현황을 기반으로 제2 매출 지표를 산출하는 단계; 상기 제1 매출 지표 및 상기 제2 매출 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 제품에 대한 매출 변동 추세를 나타내는 제1 매출 변동 추세를 분석하는 단계; 상기 제1 기업의 정산 주기를 통해 상기 제2 기간 이후의 기간으로 제3 기간이 설정되면, 상기 제1 매출 변동 추세를 기반으로 상기 제3 기간 동안 판매될 것으로 예측되는 상기 제1 제품의 예상 매출 범위를 설정하는 단계; 상기 제3 기간 동안 판매된 상기 제1 제품의 판매 현황을 기반으로 제3 매출 지표를 산출하는 단계; 및 상기 제3 매출 지표가 상기 제1 제품의 예상 매출 범위를 벗어나는 것으로 확인되면, 상기 제1 제품에 대한 매출 확인이 필요한 것을 알려주는 알림 메시지를 상기 담당자 단말로 전송하는 단계를 더 포함할 수 있다.

상기 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법은, 상기 제1 기업의 정산 정보를 상기 담당자 단말로 전송하는 단계 이후, 상기 제1 기업의 정산 주기를 통해 상기 제1 기간이 설정되면, 상기 제1 기간 동안 구매된 제2 제품의 구매 현황을 기반으로 제1 매입 지표를 산출하는 단계; 상기 제1 기업의 정산 주기를 통해 상기 제2 기간이 설정되면, 상기 제2 기간 동안 구매된 상기 제2 제품의 구매 현황을 기반으로 제2 매입 지표를 산출하는 단계; 상기 제1 매입 지표 및 상기 제2 매입 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제2 제품에 대한 매입 변동 추세를 나타내는 제1 매입 변동 추세를 분석하는 단계; 상기 제1 기업의 정산 주기를 통해 상기 제3 기간이 설정되면, 상기 제1 매입 변동 추세를 기반으로, 상기 제3 기간 동안 구매될 것으로 예측되는 상기 제2 제품의 예상 매입 범위를 설정하는 단계; 상기 제3 기간 동안 구매된 상기 제2 제품의 구매 현황을 기반으로 제3 매입 지표를 산출하는 단계; 및 상기 제3 매입 지표가 상기 제2 제품의 예상 매입 범위를 벗어나는 것으로 확인되면, 상기 제2 제품에 대한 매입 확인이 필요한 것을 알려주는 알림 메시지를 상기 담당자 단말로 전송하는 단계를 더 포함할 수 있다.

상기 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법은, 상기 제3 매출 지표를 산출하는 단계 이후, 상기 제2 매출 지표 및 상기 제3 매출 지표를 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제1 제품에 대한 매출 변동 추세를 나타내는 제2 매출 변동 추세를 분석하는 단계; 상기 제1 매출 변동 추세 및 상기 제2 매출 변동 추세를 기반으로, 상기 제1 제품의 예상 매출 변동 추세를 분석하는 단계; 상기 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 증가로 확인되면, 상기 제1 제품의 판매 전략이 최적화되어 있는 것으로 판단하는 단계; 상기 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 유지로 확인되면, 상기 제1 제품의 광고 집행을 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계; 및 상기 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 감소로 확인되면, 상기 제1 제품의 가격 인하를 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계를 더 포함할 수 있다.

상기 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법은, 상기 제3 매입 지표를 산출하는 단계 이후, 상기 제2 매입 지표 및 상기 제3 매입 지표를 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제2 제품에 대한 매입 변동 추세를 나타내는 제2 매입 변동 추세를 분석하는 단계; 상기 제1 매입 변동 추세 및 상기 제2 매입 변동 추세를 기반으로, 상기 제2 제품의 예상 매입 변동 추세를 분석하는 단계; 상기 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 증가로 확인되면, 상기 제2 제품의 최소 사용 공정을 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계; 상기 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 유지로 확인되면, 상기 제2 제품을 이용한 공정이 최적화되어 있는 것으로 판단하는 단계; 및 상기 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 감소로 확인되면, 상기 제2 제품의 최대 효율 공정을 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 인공지능을 기반으로 기업용 매출 및 매입 정산 솔루션을 제공함으로써, 기업 정산에 대한 사용자 편의성을 증대시킬 수 있고, 정산 결과에 대한 정확성을 확보할 수 있는 효과가 있다.

또한, 일실시예에 따르면, 정산 솔루션의 제공으로, 정산 마감의 리드타임을 단축시키고, 세금계산서 및 송장에 대한 페이퍼 리스가 가능하고, 공급업체 대금 지급 지연 방지 및 공급업체 현금 흐름을 개선시키고, 기업의 사회적 책임(CSR)을 준수하는데 도움을 줄 수 있는 효과가 있다.

또한, 일실시예에 따르면, 정산 솔루션을 통해, 정산 작업에 대한 효율을 증대시킬 수 있고, 작업 효율 증대를 통해 에너지 효율도 증대시킬 수 있고, 에너지 효율 증대를 통해 에너지 절감이 가능하기 때문에, 에너지와 자원을 효율적으로 사용할 수 있도록 하는 녹색 기술을 구현하는데 용이한 효과가 있다.

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

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 기업의 정산 주기를 설정하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 기업의 정산 정보를 제공하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 매출 추세를 기준으로 이탈 케이스에 대해 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 매입 추세를 기준으로 이탈 케이스에 대해 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 매출 변동 추세의 예측을 통해 경영 전략을 제시하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 매입 변동 추세의 예측을 통해 경영 전략을 제시하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 매출 금액 변동 추세 및 매입 금액 변동 추세를 분석하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 정산 금액의 예측을 통해 경영 전략을 제시하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 기업용 전자 장비의 유지 보수를 위한 이벤트 발생을 예측하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 이벤트 발생 확률에 따라 전자 장비의 상태를 분류하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 이벤트 발생 주기에 따라 발생률을 조정하는 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 14는 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.
도 15는 일실시예에 따른 제3 인공 신경망의 학습을 설명하기 위한 도면이다.
도 16은 일실시예에 따른 제4 인공 신경망의 학습을 설명하기 위한 도면이다.
도 17은 일실시예에 따른 장치의 구성의 예시도이다.

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

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

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

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

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

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

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

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

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 담당자 단말(100) 및 장치(200)를 포함할 수 있다.

먼저, 담당자 단말(100)과 장치(200)는 통신망을 통해 연결될 수 있으며, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성되어, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

담당자 단말(100)은 제1 기업의 담당자가 사용하는 단말로, 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

담당자 단말(100)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 담당자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.

담당자 단말(100)은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 담당자 단말(100)은 웹 페이지 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.

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

장치(200)는 담당자 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 담당자 단말(100)의 동작을 제어하고, 담당자 단말(100)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

장치(200)는 기업용 매출 및 매입 정산 솔루션을 제공하는 서버로 구현되어, 정산 솔루션의 제공을 위한 플랫폼을 제공할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 담당자 단말(100) 만을 도시하였으나, 단말의 수는 실시예에 따라 얼마든지 달라질 수 있다. 예를 들어, 제1 기업의 담당자가 사용하는 담당자 단말(100) 이외에, 제2 기업의 담당자가 사용하는 담당자 단말 등이 추가될 수도 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

일실시예에 따르면, 장치(200)에서 제공하는 정산 솔루션은 매입 확정, 세금계산서 수취 및 승인, 대금 지불 등과 같은 기능을 제공할 수 있다.

매입 확정과 관련하여, ERP 시스템 혹은 레거시 시스템으로부터 입고 내역을 다양한 방법으로 획득하여, 입고 건수, 수량, 단가 및 금액을 공급업체와 시스템을 통해 확인 및 확정하는 기능을 제공할 수 있다. 이때, 입고내역(입고일, 입고 수량, 단가, 금액 등)을 연계하여 공급업체에 제공할 수 있고, 공급업체 별로 대금 지급 최종 금액을 확정할 수 있고, 공급업체 별로 대금 지급 리스트를 확정할 수 있고, 외상 매입금 혹은 미지급금 임시 전표를 생성할 수 있다.

세금계산서 수취 및 승인 관련하여, 공급업체와 대금 지급 금액을 확인 및 확정 후 공급업체에게 세금계산서 발행(정발행 혹은 역발행) 요청을 하고, 발행된 세금계산서를 수취하는 기능을 제공할 수 있다. 이때, 세금계산서는 외부 서버(국세청, SAP, 더존 등)로부터 자동으로 수신되고, 외자 상업송장은 이메일 혹은 별도 수신하여 데이터화 할 수 있다. 외자 상업송장(인보이스)의 경우에 OCR 기술을 활용하여 자동으로 데이터를 추출할 수 있으며, 이를 통해 사용자 편의성을 높여줄 수 있다. 세금계산서를 포함한 증빙은 전자 문서로 전표와 매핑되어 별도로 출력할 필요 없이 Paperless 환경을 구현할 수 있다.

대금 지불 관련하여, 확정된 대금 지급 금액을 공급업체에게 계좌이체 혹은 펌뱅킹을 통해 지급할 수 있다. 펌뱅킹은 주로 ERP 시스템과 연계하여 지급 결재 후 펌뱅킹으로 연동될 수 있다.

일실시예에 따르면, 장치(200)는 주문 정보, 세금계산서 발행 정보 및 인보이스 정보를 데이터베이스에 저장하여 관리할 수 있다. 여기서, 주문 정보는 제품을 주문할 때 필요한 정보로, 제품명, 주문량, 주문 단가 등에 대한 정보를 포함할 수 있다. 세금계산서 발행 정보는 세금계산서를 발행하는데 필요한 정보로, 공급자, 공급받는 자, 상호, 성명, 사업장주소, 업태, 종목, 거래일자, 공급가액, 세액, 거래품목 등에 대한 정보를 포함할 수 있다. 인보이스 정보는 판매자가 매매계약 조건을 올바르게 이행했다는 의미로 구매자에게 보내는 거래내역서인 송장에 대한 정보로, 일련번호, 송장번호, 발송자, 인수자, 확인자, 제품명, 규격, 수량, 단위, 단가, 거래 금액, 합계 내역 등에 대한 정보를 포함할 수 있다.

장치(200)는 인보이스 정보를 기반으로 텍스트를 분석하여, 인보이스 정보를 통해 확인된 거래 내역이 매출인지 또는 매입인지 분류할 수 있다. 이와 관련된 자세한 설명은 도 2를 참조하여 후술하기로 한다.

장치(200)는 매출과 매입이 분류되면, 매출 추세 또는 매입 추세를 기준으로 이탈하는 케이스에 대해 알림 서비스를 제공할 수 있다. 이와 관련된 자세한 설명은 도 4 내지 도 5를 참조하여 후술하기로 한다.

장치(200)는 매출 추세 및 매입 추세를 기반으로, 향후 매출 추세 및 향후 매입 추세를 추론하여 예측할 수 있으며, 예측 결과를 기반으로 경영 전략을 제시할 수 있다. 이와 관련된 자세한 설명은 도 6 내지 도 7을 참조하여 후술하기로 한다.

일실시예에 따르면, 장치(200)는 인공지능을 기반으로 기업의 매출 업데이트 주기와 기업의 매입 업데이트 주기를 설정할 수 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 기업의 정산 주기를 설정하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 제1 기업의 담당자 단말(100)로부터 인보이스 정보를 획득할 수 있다. 여기서, 인보이스 정보는 제1 기업이 다른 업체와 거래를 수행하여 생성된 정보로, 일련번호, 송장번호, 발송자, 인수자, 확인자, 제품명, 규격, 수량, 단위, 단가, 거래금액, 합계내역 등에 대한 정보를 포함할 수 있다. 이때, 제1 기업이 제품을 판매한 판매자인 경우, 인보이스 정보에서 발송자는 제1 기업으로 기재되어 있고, 제1 기업이 제품을 구매한 구매자인 경우, 인보이스 정보에서 인수자는 제1 기업으로 기재되어 있다.

장치(200)는 담당자 단말(100)로부터 인보이스 정보가 획득되면, 인보이스 정보를 기반으로 발송자 및 인수자를 확인할 수 있다.

인보이스 정보를 기반으로 발송자 및 인수자를 확인한 결과, 발송자가 제1 기업으로 확인되면 S202 단계가 수행될 수 있고, 인수자가 제1 기업으로 확인되면 S203 단계가 수행될 수 있다.

S202 단계에서, 장치(200)는 인보이스 정보를 통해 발송자를 제1 기업으로 확인할 수 있다.

S203 단계에서, 장치(200)는 인보이스 정보를 통해 인수자를 제1 기업으로 확인할 수 있다.

S204 단계에서, 장치(200)는 인보이스 정보를 통해 발송자가 제1 기업으로 확인되면, 인보이스 정보를 통해 확인된 거래 내역을 제1 기업의 매출 내역으로 분류할 수 있다.

S205 단계에서, 장치(200)는 인보이스 정보를 통해 인수자가 제1 기업으로 확인되면, 인보이스 정보를 통해 확인된 거래 내역을 제1 기업의 매입 내역으로 분류할 수 있다.

장치(200)는 미리 정해진 기간 동안 인보이스 정보를 계속해서 획득하여, 제1 기업의 매출 내역과 제1 기업의 매입 내역을 분류하는 과정을 반복하여 수행할 수 있다. 즉, S201 단계 내지 S205 단계가 반복하여 수행되어, 제1 기업의 매출 내역과 제1 기업의 매입 내역에 다수의 거래 내역이 각각 추가될 수 있다.

S206 단계에서, 장치(200)는 제1 기업의 매출 내역에 기초하여, 제1 기업에서 제품을 판매하는 판매 패턴을 분석할 수 있다. 여기서, 매출 내역은 제1 기업에서 제품을 판매하면 제품 판매로 발생한 매출 내역이 누적된 정보로, 어느 시점에 어느 제품을 얼마나 많이 판매하였는지 나타내는 리스트로 구성될 수 있고, 제품명, 매출일, 매출량, 매출 금액 등의 정보를 포함할 수 있다.

장치(200)의 데이터베이스에는 기업 별로 구분되어 있는 매출 내역이 저장되어 있으며, 장치(200)는 데이터베이스에 저장된 정보를 조회하여 제1 기업의 매출 내역을 획득할 수 있다.

예를 들어, 제1 기업의 매출 내역을 통해 제1 기업에서 제품을 판매한 내역을 확인한 결과, 1월 1일에 20개, 1월 11일에 15개, 1월 21일에 25개 제품을 판매한 것이 확인되면, 장치(200)는 10일 간격으로 평균 20개씩 제1 기업에서 제품을 판매하는 것으로 파악하여, 제1 기업의 판매 패턴을 10일마다 20개의 제품에 대한 판매가 이루어지는 것으로 분석할 수 있다. 여기서, 제1 기업의 판매 패턴은 제1 기업에서 제품을 얼마나 자주 어느 정도의 양으로 판매하였는지 나타내는 판매 패턴을 의미할 수 있다.

S207 단계에서, 장치(200)는 제1 기업의 매입 내역에 기초하여, 제1 기업에서 제품을 구매하는 구매 패턴을 분석할 수 있다. 여기서, 매입 내역은 제1 기업에서 제품을 구매하면 제품 구매로 발생한 매입 내역이 누적된 정보로, 어느 시점에 어느 제품을 얼마나 많이 구매하였는지 나타내는 리스트로 구성될 수 있고, 제품명, 매입일, 매입량, 매입 금액 등의 정보를 포함할 수 있다.

장치(200)의 데이터베이스에는 기업 별로 구분되어 있는 매입 내역이 저장되어 있으며, 장치(200)는 데이터베이스에 저장된 정보를 조회하여 제1 기업의 매입 내역을 획득할 수 있다.

예를 들어, 제1 기업의 매입 내역을 통해 제1 기업에서 제품을 구매한 내역을 확인한 결과, 1월 1일에 20개, 1월 11일에 15개, 1월 21일에 25개 제품을 구매한 것이 확인되면, 장치(200)는 10일 간격으로 평균 20개씩 제1 기업에서 제품을 구매하는 것으로 파악하여, 제1 기업의 구매 패턴을 10일마다 20개의 제품에 대한 구매가 이루어지는 것으로 분석할 수 있다. 여기서, 제1 기업의 구매 패턴은 제1 기업에서 제품을 얼마나 자주 어느 정도의 양으로 구매하였는지 나타내는 구매 패턴을 의미할 수 있다.

S208 단계에서, 장치(200)는 제1 기업의 판매 패턴에 대한 분석 결과를 미리 학습된 제1 인공 신경망에 적용할 수 있다.

일실시예에 따르면, 제1 인공 신경망은 기업의 판매 패턴에 대한 분석 결과를 입력 받은 후, 기업의 판매 패턴에 적합한 기업의 매출 업데이트 주기를 출력하는 알고리즘일 수 있다. 예를 들어, 제1 기업의 판매 패턴이 10일 간격으로 판매가 이루어지는 패턴으로 분석된 경우, 제1 인공 신경망은 10일 간격으로 판매가 이루어지는 것으로 분석된 제1 기업의 판매 패턴에 대한 분석 결과를 입력으로 받아, 10일 간격으로 이루어지는 판매 패턴에 적합한 기업의 매출 업데이트 주기를 10일로 출력할 수 있다.

S209 단계에서, 장치(200)는 제1 기업의 구매 패턴에 대한 분석 결과를 미리 학습된 제2 인공 신경망에 적용할 수 있다.

일실시예에 따르면, 제2 인공 신경망은 기업의 구매 패턴에 대한 분석 결과를 입력 받은 후, 기업의 구매 패턴에 적합한 기업의 매입 업데이트 주기를 출력하는 알고리즘일 수 있다. 예를 들어, 제1 기업의 구매 패턴이 10일 간격으로 구매가 이루어지는 패턴으로 분석된 경우, 제2 인공 신경망은 10일 간격으로 구매가 이루어지는 것으로 분석된 제1 기업의 구매 패턴에 대한 분석 결과를 입력으로 받아, 10일 간격으로 이루어지는 구매 패턴에 적합한 기업의 매입 업데이트 주기를 10일로 출력할 수 있다

S210 단계에서, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제1 기업의 매출 업데이트 주기인 제1 주기를 설정할 수 있다. 즉, 제1 인공 신경망은 제1 기업에서 제품을 판매하는 판매 패턴을 분석한 결과, 제1 기업의 판매 패턴에 적합한 제1 기업의 매출 업데이트 주기가 제1 주기로 분석되면, 제1 주기를 지시하는 출력값을 출력할 수 있으며, 장치(200)는 제1 인공 신경망의 출력을 기초로 제1 주기가 확인되면, 제1 기업의 매출 업데이트 주기를 제1 주기로 설정할 수 있다.

이를 위해, 제1 인공 신경망은 기업의 판매 패턴에 대한 분석 결과를 통해 기업의 판매 패턴에 적합한 기업의 매출 업데이트 주기를 선정하여 추출하도록 학습될 수 있다. 이러한 제1 인공 신경망은 도 13을 참조하여 후술되는 방법을 통해 학습될 수 있다.

S211 단계에서, 장치(200)는 제2 인공 신경망의 출력을 기초로, 제1 기업의 매입 업데이트 주기인 제2 주기를 설정할 수 있다. 즉, 제2 인공 신경망은 제1 기업에서 제품을 구매하는 구매 패턴을 분석한 결과, 제1 기업의 구매 패턴에 적합한 제1 기업의 매입 업데이트 주기가 제2 주기로 분석되면, 제2 주기를 지시하는 출력값을 출력할 수 있으며, 장치(200)는 제2 인공 신경망의 출력을 기초로 제2 주기가 확인되면, 제1 기업의 매입 업데이트 주기를 제2 주기로 설정할 수 있다.

이를 위해, 제2 인공 신경망은 기업의 구매 패턴에 대한 분석 결과를 통해 기업의 구매 패턴에 적합한 기업의 매입 업데이트 주기를 선정하여 추출하도록 학습될 수 있다. 이러한 제2 인공 신경망은 도 14를 참조하여 후술되는 방법을 통해 학습될 수 있다.

S212 단계에서, 장치(200)는 제1 주기 및 제2 주기가 각각 설정되면, 제1 주기 및 제2 주기의 평균치를 이용하여, 제1 기업의 정산 주기를 설정할 수 있다.

예를 들어, 제1 주기가 10일 간격으로 설정되어 있고 제2 주기가 20일로 간격으로 설정되어 있는 경우, 장치(200)는 제1 주기 및 제2 주기의 평균치인 15일을 산출한 후, 제1 기업의 정산 주기를 15일 간격으로 설정할 수 있다.

도 3은 일실시예에 따른 기업의 정산 정보를 제공하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 3에 도시된 각 단계는 도 2에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제1 기간을 설정할 수 있다. 예를 들어, 장치(200)는 제1 기업의 정산 주기가 1달 간격으로 설정되어 있는 경우, 제1 기간을 1월로 설정할 수 있다.

S302 단계에서, 장치(200)는 제1 기간 동안 판매된 제품들의 판매 현황을 기반으로 제1 매출 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매출 내역에 기초하여, 제1 기간 동안 판매된 제품들의 매출 금액을 확인한 후, 확인된 매출 금액을 취합하여 제1 매출 금액을 산출할 수 있다.

S303 단계에서, 장치(200)는 제1 기간 동안 구매된 제품들의 구매 현황을 기반으로 제1 매입 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매입 내역에 기초하여, 제1 기간 동안 구매된 제품들의 매입 금액을 확인한 후, 확인된 매입 금액을 취합하여 제1 매입 금액을 산출할 수 있다.

S304 단계에서, 장치(200)는 제1 매출 금액에서 제1 매입 금액을 차감하여 제1 정산 금액을 산출할 수 있다. 여기서, 제1 정산 금액은 제1 기간 동안 제1 기업의 매출 및 매입을 정산하여 산출된 금액이다.

S305 단계에서, 장치(200)는 제1 매출 금액, 제1 매입 금액 및 제1 정산 금액을 포함하는 제1 기업의 정산 정보를 담당자 단말(100)로 제공할 수 있다. 여기서, 제1 기업의 정산 정보는 제1 기간 동안 제1 기업의 매출 현황, 매입 현황 및 정산 현황을 나타내는 정보로, 도표나 그래프를 이용하여 시각화된 정보로 제공될 수 있다.

도 4는 일실시예에 따른 매출 추세를 기준으로 이탈 케이스에 대해 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 4에 도시된 각 단계는 도 3에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제1 기간이 설정되면, 제1 기간 동안 판매된 제1 제품의 판매 현황을 기반으로 제1 매출 지표를 산출할 수 있다.

구체적으로, 장치(200)는 제1 기간의 종료일이 지난 이후, 제1 기업의 매출 내역에 기초하여, 제1 기간 동안 제1 제품이 얼마나 많이 판매되었는지 판매 현황을 확인할 수 있으며, 확인된 판매 현황을 기반으로 제1 매출 지표를 산출할 수 있다. 이때, 장치(200)는 제1 기간 동안 판매된 제1 제품의 판매량을 통해 제1 매출 지표를 산출할 수 있고, 제1 기간 동안 판매된 제1 제품의 판매 금액을 통해 제1 매출 지표를 산출할 수도 있다.

S402 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제2 기간이 설정되면, 제2 기간 동안 판매된 제1 제품의 판매 현황을 기반으로 제2 매출 지표를 산출할 수 있다. 여기서, 제2 기간은 제1 기간 이후의 기간으로 설정될 수 있으며, 예를 들어, 장치(200)는 제1 기업의 정산 주기가 1달 간격으로 설정되어 있는 경우, 제1 기간을 1월로 설정하고, 제2 기간을 2월로 설정할 수 있다.

구체적으로, 장치(200)는 제2 기간의 종료일이 지난 이후, 제1 기업의 매출 내역에 기초하여, 제2 기간 동안 제1 제품이 얼마나 많이 판매되었는지 판매 현황을 확인할 수 있으며, 확인된 판매 현황을 기반으로 제2 매출 지표를 산출할 수 있다. 이때, 장치(200)는 제2 기간 동안 판매된 제1 제품의 판매량을 통해 제2 매출 지표를 산출할 수 있고, 제2 기간 동안 판매된 제1 제품의 판매 금액을 통해 제2 매출 지표를 산출할 수도 있다.

S403 단계에서, 장치(200)는 제1 매출 지표 및 제2 매출 지표가 각각 산출되면, 제1 매출 지표 및 제2 매출 지표를 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지 제1 제품에 대한 매출 변동 추세를 나타내는 제1 매출 변동 추세를 분석할 수 있다.

예를 들어, 장치(200)는 제1 매출 지표가 100이고 제2 매출 지표가 110인 경우, 제1 제품에 대한 매출 변동 추세를 10% 증가로 분석할 수 있다.

S404 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제3 기간이 설정되면, 제1 매출 변동 추세를 기반으로 제3 기간 동안 판매될 것으로 예측되는 제1 제품의 예상 매출 범위를 설정할 수 있다. 여기서, 제3 기간은 제2 기간 이후의 기간으로 설정될 수 있으며, 예를 들어, 장치(200)는 제1 기업의 정산 주기가 1달 간격으로 설정되어 있는 경우, 제1 기간을 1월로 설정하고, 제2 기간을 2월로 설정하고, 제3 기간을 3월로 설정할 수 있다.

예를 들어, 장치(200)는 제1 매출 지표가 100이고 제2 매출 지표가 110이고, 제1 제품에 대한 매출 변동 추세가 10% 증가인 것으로 분석된 경우, 제3 기간의 매출 지표를 120으로 예측할 수 있으며, 예측된 120을 기준으로 하여 제1 제품의 예상 매출 범위를 115부터 125까지로 설정할 수 있다.

S405 단계에서, 장치(200)는 제3 기간 동안 판매된 제1 제품의 판매 현황을 기반으로 제3 매출 지표를 산출할 수 있다.

구체적으로, 장치(200)는 제3 기간의 종료일이 지난 이후, 제1 기업의 매출 내역에 기초하여, 제3 기간 동안 제1 제품이 얼마나 많이 판매되었는지 판매 현황을 확인할 수 있으며, 확인된 판매 현황을 기반으로 제3 매출 지표를 산출할 수 있다. 이때, 장치(200)는 제3 기간 동안 판매된 제1 제품의 판매량을 통해 제3 매출 지표를 산출할 수 있고, 제3 기간 동안 판매된 제1 제품의 판매 금액을 통해 제3 매출 지표를 산출할 수도 있다.

S406 단계에서, 장치(200)는 제3 매출 지표가 제1 제품의 예상 매출 범위 내에 포함되는지 여부를 확인할 수 있다.

S406 단계에서 제3 매출 지표가 제1 제품의 예상 매출 범위 내에 포함되지 않고 제1 제품의 예상 매출 범위를 벗어나는 것으로 확인되면, S407 단계에서, 장치(200)는 제1 제품에 대한 매출 확인이 필요한 것을 알려주는 알림 메시지를 담당자 단말(100)로 전송할 수 있다.

예를 들어, 장치(200)는 제1 제품의 예상 매출 범위가 115부터 125까지로 설정된 경우, 제3 매출 지표가 110으로 산출되면, 제1 제품의 매출이 예상 보다 너무 낮아 매출 확인이 필요한 것을 알려주는 알림 메시지를 담당자 단말(100)로 전송할 수 있고, 제3 매출 지표가 130으로 산출되면, 제1 제품의 매출이 예상 보다 너무 높아 매출 확인이 필요한 것을 알려주는 알림 메시지를 담당자 단말(100)로 전송할 수 있다.

도 5는 일실시예에 따른 매입 추세를 기준으로 이탈 케이스에 대해 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 5에 도시된 각 단계는 도 3에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제1 기간이 설정되면, 제1 기간 동안 구매된 제2 제품의 구매 현황을 기반으로 제1 매입 지표를 산출할 수 있다.

구체적으로, 장치(200)는 제1 기간의 종료일이 지난 이후, 제1 기업의 매입 내역에 기초하여, 제1 기간 동안 제2 제품이 얼마나 많이 구매되었는지 구매 현황을 확인할 수 있으며, 확인된 구매 현황을 기반으로 제1 매입 지표를 산출할 수 있다. 이때, 장치(200)는 제1 기간 동안 구매된 제2 제품의 구매량을 통해 제1 매입 지표를 산출할 수 있고, 제1 기간 동안 구매된 제2 제품의 구매 금액을 통해 제1 매입 지표를 산출할 수도 있다.

S502 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제2 기간이 설정되면, 제2 기간 동안 구매된 제2 제품의 구매 현황을 기반으로 제2 매입 지표를 산출할 수 있다.

구체적으로, 장치(200)는 제2 기간의 종료일이 지난 이후, 제1 기업의 매입 내역에 기초하여, 제2 기간 동안 제2 제품이 얼마나 많이 구매되었는지 구매 현황을 확인할 수 있으며, 확인된 구매 현황을 기반으로 제2 매입 지표를 산출할 수 있다. 이때, 장치(200)는 제2 기간 동안 구매된 제2 제품의 구매량을 통해 제2 매입 지표를 산출할 수 있고, 제2 기간 동안 구매된 제2 제품의 구매 금액을 통해 제2 매입 지표를 산출할 수도 있다.

S503 단계에서, 장치(200)는 제1 매입 지표 및 제2 매입 지표가 각각 산출되면, 제1 매입 지표 및 제2 매입 지표를 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지 제2 제품에 대한 매입 변동 추세를 나타내는 제1 매입 변동 추세를 분석할 수 있다.

예를 들어, 장치(200)는 제1 매입 지표가 100이고 제2 매입 지표가 110인 경우, 제2 제품에 대한 매입 변동 추세를 10% 증가로 분석할 수 있다.

S504 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제3 기간이 설정되면, 제1 매입 변동 추세를 기반으로 제3 기간 동안 구매될 것으로 예측되는 제2 제품의 예상 매입 범위를 설정할 수 있다.

예를 들어, 장치(200)는 제1 매입 지표가 100이고 제2 매입 지표가 110이고, 제2 제품에 대한 매입 변동 추세가 10% 증가인 것으로 분석된 경우, 제3 기간의 매입 지표를 120으로 예측할 수 있으며, 예측된 120을 기준으로 하여 제2 제품의 예상 매입 범위를 115부터 125까지로 설정할 수 있다.

S505 단계에서, 장치(200)는 제3 기간 동안 구매된 제2 제품의 구매 현황을 기반으로 제3 매입 지표를 산출할 수 있다.

구체적으로, 장치(200)는 제3 기간의 종료일이 지난 이후, 제1 기업의 매입 내역에 기초하여, 제3 기간 동안 제2 제품이 얼마나 많이 구매되었는지 구매 현황을 확인할 수 있으며, 확인된 구매 현황을 기반으로 제3 매입 지표를 산출할 수 있다. 이때, 장치(200)는 제3 기간 동안 구매된 제2 제품의 구매량을 통해 제3 매입 지표를 산출할 수 있고, 제3 기간 동안 구매된 제2 제품의 구매 금액을 통해 제3 매입 지표를 산출할 수도 있다.

S506 단계에서, 장치(200)는 제3 매입 지표가 제2 제품의 예상 매입 범위 내에 포함되는지 여부를 확인할 수 있다.

S506 단계에서 제3 매입 지표가 제2 제품의 예상 매입 범위 내에 포함되지 않고 제2 제품의 예상 매입 범위를 벗어나는 것으로 확인되면, S507 단계에서, 장치(200)는 제2 제품에 대한 매입 확인이 필요한 것을 알려주는 알림 메시지를 담당자 단말(100)로 전송할 수 있다.

예를 들어, 장치(200)는 제2 제품의 예상 매입 범위가 115부터 125까지로 설정된 경우, 제3 매입 지표가 110으로 산출되면, 제2 제품의 매입이 예상 보다 너무 낮아 매입 확인이 필요한 것을 알려주는 알림 메시지를 담당자 단말(100)로 전송할 수 있고, 제3 매입 지표가 130으로 산출되면, 제2 제품의 매입이 예상 보다 너무 높아 매입 확인이 필요한 것을 알려주는 알림 메시지를 담당자 단말(100)로 전송할 수 있다.

도 6은 일실시예에 따른 매출 변동 추세의 예측을 통해 경영 전략을 제시하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 6에 도시된 각 단계는 도 4에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제1 매출 지표 및 제2 매출 지표가 각각 산출되면, 제1 매출 지표 및 제2 매출 지표를 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지 제1 제품에 대한 매출 변동 추세를 나타내는 제1 매출 변동 추세를 분석할 수 있다.

S602 단계에서, 장치(200)는 제2 매출 지표 및 제3 매출 지표가 각각 산출되면, 제2 매출 지표 및 제3 매출 지표를 비교하여, 제2 기간의 시작일부터 제3 기간의 종료일까지 제1 제품에 대한 매출 변동 추세를 나타내는 제2 매출 변동 추세를 분석할 수 있다.

S603 단계에서, 장치(200)는 제1 매출 변동 추세 및 제2 매출 변동 추세를 기반으로, 제1 제품의 예상 매출 변동 추세를 분석할 수 있다. 이때, 장치(200)는 제1 매출 변동 추세를 통해 제1 증감율을 확인하고, 제2 매출 변동 추세를 통해 제2 증감율을 확인한 후, 제1 증감율 및 제2 증감율의 평균치를 제1 제품의 예상 매출 변동 추세로 분석할 수 있다.

예를 들어, 장치(200)는 제1 매출 변동 추세가 10% 증가인 것으로 분석되고 제2 매출 변도 추세가 20% 증가인 것으로 분석된 경우, 10%와 20%의 평균치인 15%를 산출하고, 제1 제품의 예상 매출 변동 추세를 15% 판매 증가로 분석할 수 있다.

또한, 장치(200)는 제1 매출 변동 추세가 10% 증가인 것으로 분석되고 제2 매출 변동 추세가 10% 감소인 것으로 분석된 경우, 10%와 -10%의 평균치인 0%를 산출하고, 제1 제품의 예상 매출 변동 추세를 판매 유지로 분석할 수 있다.

또한, 장치(200)는 제1 매출 변동 추세가 10% 증가인 것으로 분석되고 제2 매출 변동 추세가 20% 감소인 것으로 분석된 경우, 10%와 -20%의 평균치인 -5%를 산출하고, 제1 제품의 예상 매출 변동 추세를 5% 판매 감소로 분석할 수 있다.

즉, 장치(200)는 제1 매출 변동 추세 및 제2 매출 변동 추세를 기반으로, 제1 제품의 예상 매출 변동 추세를 판매 증가, 판매 유지 및 판매 감소 중 어느 하나로 분석할 수 있으며, 제1 제품의 예상 매출 변동 추세가 판매 증가로 분석되면 S604 단계가 수행될 수 있고, 제1 제품의 예상 매출 변동 추세가 판매 유지로 분석되면 S605 단계가 수행될 수 있고, 제1 제품의 예상 매출 변동 추세가 판매 감소로 분석되면 S606 단계가 수행될 수 있다.

S604 단계에서, 장치(200)는 제1 제품의 예상 매출 변동 추세에 대한 분석 결과를 판매 증가로 확인할 수 있다.

S605 단계에서, 장치(200)는 제1 제품의 예상 매출 변동 추세에 대한 분석 결과를 판매 유지로 확인할 수 있다.

S606 단계에서, 장치(200)는 제1 제품의 예상 매출 변동 추세에 대한 분석 결과를 판매 감소로 확인할 수 있다.

S607 단계에서, 장치(200)는 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 증가로 확인되면, 제1 제품의 판매 전략이 최적화되어 있는 것으로 판단하여, 경영 전략을 별도로 제시하지 않을 수 있다.

S608 단계에서, 장치(200)는 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 유지로 확인되면, 제1 제품의 광고 집행을 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

S609 단계에서, 장치(200)는 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 감소로 확인되면, 제1 제품의 가격 인하를 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

도 7은 일실시예에 따른 매입 변동 추세의 예측을 통해 경영 전략을 제시하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 7에 도시된 각 단계는 도 4에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 매입 지표 및 제2 매입 지표가 각각 산출되면, 제1 매입 지표 및 제2 매입 지표를 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지 제2 제품에 대한 매입 변동 추세를 나타내는 제1 매입 변동 추세를 분석할 수 있다.

S702 단계에서, 장치(200)는 제2 매입 지표 및 제3 매입 지표가 각각 산출되면, 제2 매입 지표 및 제3 매입 지표를 비교하여, 제2 기간의 시작일부터 제3 기간의 종료일까지 제2 제품에 대한 매입 변동 추세를 나타내는 제2 매입 변동 추세를 분석할 수 있다.

S703 단계에서, 장치(200)는 제1 매입 변동 추세 및 제2 매입 변동 추세를 기반으로, 제2 제품의 예상 매입 변동 추세를 분석할 수 있다. 이때, 장치(200)는 제1 매입 변동 추세를 통해 제3 증감율을 확인하고, 제2 매입 변동 추세를 통해 제4 증감율을 확인한 후, 제3 증감율 및 제4 증감율의 평균치를 제2 제품의 예상 매입 변동 추세로 분석할 수 있다.

예를 들어, 장치(200)는 제1 매입 변동 추세가 10% 증가인 것으로 분석되고 제2 매입 변도 추세가 20% 증가인 것으로 분석된 경우, 10%와 20%의 평균치인 15%를 산출하고, 제2 제품의 예상 매입 변동 추세를 15% 구매 증가로 분석할 수 있다.

또한, 장치(200)는 제1 매입 변동 추세가 10% 증가인 것으로 분석되고 제2 매입 변동 추세가 10% 감소인 것으로 분석된 경우, 10%와 -10%의 평균치인 0%를 산출하고, 제2 제품의 예상 매입 변동 추세를 구매 유지로 분석할 수 있다.

또한, 장치(200)는 제1 매입 변동 추세가 10% 증가인 것으로 분석되고 제2 매입 변동 추세가 20% 감소인 것으로 분석된 경우, 10%와 -20%의 평균치인 -5%를 산출하고, 제2 제품의 예상 매입 변동 추세를 5% 구매 감소로 분석할 수 있다.

즉, 장치(200)는 제1 매입 변동 추세 및 제2 매입 변동 추세를 기반으로, 제2 제품의 예상 매입 변동 추세를 구매 증가, 구매 유지 및 구매 감소 중 어느 하나로 분석할 수 있으며, 제2 제품의 예상 매입 변동 추세가 구매 증가로 분석되면 S704 단계가 수행될 수 있고, 제2 제품의 예상 매입 변동 추세가 구매 유지로 분석되면 S705 단계가 수행될 수 있고, 제2 제품의 예상 매입 변동 추세가 구매 감소로 분석되면 S706 단계가 수행될 수 있다.

S704 단계에서, 장치(200)는 제2 제품의 예상 매입 변동 추세에 대한 분석 결과를 구매 증가로 확인할 수 있다.

S705 단계에서, 장치(200)는 제2 제품의 예상 매입 변동 추세에 대한 분석 결과를 구매 유지로 확인할 수 있다.

S706 단계에서, 장치(200)는 제2 제품의 예상 매입 변동 추세에 대한 분석 결과를 구매 감소로 확인할 수 있다.

S707 단계에서, 장치(200)는 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 증가로 확인되면, 제2 제품의 최소 사용 공정을 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

S708 단계에서, 장치(200)는 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 유지로 확인되면, 제2 제품을 이용한 공정이 최적화되어 있는 것으로 판단하여, 경영 전략을 별도로 제시하지 않을 수 있다.

S709 단계에서, 장치(200)는 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 감소로 확인되면, 제2 제품의 최대 효율 공정을 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

도 8은 일실시예에 따른 매출 금액 변동 추세 및 매입 금액 변동 추세를 분석하는 과정을 설명하기 위한 순서도이다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제1 기간이 설정되면, 제1 기간 동안 판매된 제품들의 판매 현황을 기반으로 제1 매출 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매출 내역에 기초하여, 제1 기간 동안 판매된 제품들의 매출 금액을 확인한 후, 확인된 매출 금액을 취합하여 제1 매출 금액을 산출할 수 있다.

S802 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제1 기간이 설정되면, 제1 기간 동안 구매된 제품들의 구매 현황을 기반으로 제1 매입 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매입 내역에 기초하여, 제1 기간 동안 구매된 제품들의 매입 금액을 확인한 후, 확인된 매입 금액을 취합하여 제1 매입 금액을 산출할 수 있다.

S803 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제2 기간이 설정되면, 제2 기간 동안 판매된 제품들의 판매 현황을 기반으로 제2 매출 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매출 내역에 기초하여, 제2 기간 동안 판매된 제품들의 매출 금액을 확인한 후, 확인된 매출 금액을 취합하여 제2 매출 금액을 산출할 수 있다.

S804 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제2 기간이 설정되면, 제2 기간 동안 구매된 제품들의 구매 현황을 기반으로 제2 매입 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매입 내역에 기초하여, 제2 기간 동안 구매된 제품들의 매입 금액을 확인한 후, 확인된 매입 금액을 취합하여 제2 매입 금액을 산출할 수 있다.

S805 단계에서, 장치(200)는 제1 매출 금액 및 제2 매출 금액이 각각 산출되면, 제1 매출 금액 및 제2 매출 금액을 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지 제1 기업의 매출 금액에 대한 변동 추세를 나타내는 제1 매출 금액 변동 추세를 분석할 수 있다.

S806 단계에서, 장치(200)는 제1 매입 금액 및 제2 매입 금액이 각각 산출되면, 제1 매입 금액 및 제2 매입 금액을 비교하여, 제1 기간의 시작일부터 제2 기간의 종료일까지 제1 기업의 매입 금액에 대한 변동 추세를 나타내는 제1 매입 금액 변동 추세를 분석할 수 있다.

S807 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제3 기간이 설정되면, 제3 기간 동안 판매된 제품들의 판매 현황을 기반으로 제3 매출 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매출 내역에 기초하여, 제3 기간 동안 판매된 제품들의 매출 금액을 확인한 후, 확인된 매출 금액을 취합하여 제3 매출 금액을 산출할 수 있다.

S808 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제3 기간이 설정되면, 제3 기간 동안 구매된 제품들의 구매 현황을 기반으로 제3 매입 금액을 산출할 수 있다. 이때, 장치(200)는 제1 기업의 매입 내역에 기초하여, 제3 기간 동안 구매된 제품들의 매입 금액을 확인한 후, 확인된 매입 금액을 취합하여 제3 매입 금액을 산출할 수 있다.

S809 단계에서, 장치(200)는 제2 매출 금액 및 제3 매출 금액이 각각 산출되면, 제2 매출 금액 및 제3 매출 금액을 비교하여, 제2 기간의 시작일부터 제3 기간의 종료일까지 제1 기업의 매출 금액에 대한 변동 추세를 나타내는 제2 매출 금액 변동 추세를 분석할 수 있다.

S810 단계에서, 장치(200)는 제2 매입 금액 및 제3 매입 금액이 각각 산출되면, 제2 매입 금액 및 제3 매입 금액을 비교하여, 제2 기간의 시작일부터 제3 기간의 종료일까지 제1 기업의 매입 금액에 대한 변동 추세를 나타내는 제2 매입 금액 변동 추세를 분석할 수 있다.

도 9는 일실시예에 따른 정산 금액의 예측을 통해 경영 전략을 제시하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 9에 도시된 각 단계는 도 8에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제4 기간이 설정되면, 제1 매출 금액 변동 추세 및 제2 매출 금액 변동 추세를 기반으로, 제4 기간 동안 판매될 것으로 예측되는 제1 기업의 예상 매출 금액을 산출할 수 있다. 여기서, 제4 기간은 제3 기간 이후의 기간으로 설정될 수 있으며, 예를 들어, 장치(200)는 제1 기업의 정산 주기가 1달 간격으로 설정되어 있는 경우, 제1 기간을 1월로 설정하고, 제2 기간을 2월로 설정하고, 제3 기간을 3월로 설정하고, 제4 기간을 4월로 설정할 수 있다.

구체적으로, 장치(200)는 제1 매출 금액 변동 추세를 기반으로 제1 기간부터 제2 기간까지 매출 금액의 증감율인 제1 매출 금액 증감율을 확인하고, 제2 매출 금액 변동 추세를 기반으로 제2 기간부터 제3 기간까지 매출 금액의 증감율인 제2 매출 금액 증감율을 확인하고, 제1 매출 금액 증감율 및 제2 매출 금액 증감율의 평균치를 제1 기업의 예상 매출 변동 추세로 분석하고, 제3 매출 금액과 제1 기업의 예상 매출 변동 추세를 이용하여 제4 기간 동안 판매될 것으로 예측되는 제1 기업의 예상 매출 금액을 산출할 수 있다,

예를 들어, 장치(200)는 제1 매출 금액이 100만원, 제2 매출 금액이 110만원, 제3 매출 금액이 132만원으로 산출된 경우, 100만원과 110만원을 비교하여 제1 매출 금액 변동 추세를 10% 증가로 분석하고, 110만원과 132만원을 비교하여 제2 매출 금액 변동 추세를 20% 증가로 분석하고, 10%와 20%의 평균치인 15%를 산출하여 제1 기업의 예상 매출 변동 추세를 15% 증가로 분석하고, 132만원에 15% 증가를 적용하여 제1 기업의 예상 매출 금액을 151.8만원으로 산출할 수 있다.

S902 단계에서, 장치(200)는 제1 기업의 정산 주기를 통해 제4 기간이 설정되면, 제1 매입 금액 변동 추세 및 제2 매입 금액 변동 추세를 기반으로, 제4 기간 동안 구매될 것으로 예측되는 제1 기업의 예상 매입 금액을 산출할 수 있다.

구체적으로, 장치(200)는 제1 매입 금액 변동 추세를 기반으로 제1 기간부터 제2 기간까지 매입 금액의 증감율인 제1 매입 금액 증감율을 확인하고, 제2 매입 금액 변동 추세를 기반으로 제2 기간부터 제3 기간까지 매입 금액의 증감율인 제2 매입 금액 증감율을 확인하고, 제1 매입 금액 증감율 및 제2 매입 금액 증감율의 평균치를 제1 기업의 예상 매입 변동 추세로 분석하고, 제3 매입 금액과 제1 기업의 예상 매입 변동 추세를 이용하여 제4 기간 동안 구매될 것으로 예측되는 제1 기업의 예상 매입 금액을 산출할 수 있다,

예를 들어, 장치(200)는 제1 매입 금액이 100만원, 제2 매입 금액이 110만원, 제3 매입 금액이 88만원으로 산출된 경우, 100만원과 110만원을 비교하여 제1 매입 금액 변동 추세를 10% 증가로 분석하고, 110만원과 88만원을 비교하여 제2 매입 금액 변동 추세를 20% 감소로 분석하고, 10%와 -20%의 평균치인 -5%를 산출하여 제1 기업의 예상 매입 변동 추세를 5% 감소로 분석하고, 88만원에 5% 감소를 적용하여 제1 기업의 예상 매입 금액을 83.6만원으로 산출할 수 있다.

S903 단계에서, 장치(200)는 제1 기업의 예상 매출 금액에서 제1 기업의 예상 매출 금액을 차감하여 제1 기업의 예상 정산 금액을 산출할 수 있다.

S904 단계에서, 장치(200)는 제1 기업의 예상 정산 금액이 기준 금액 범위 내에 포함되는지 여부를 확인할 수 있다. 여기서, 기준 금액 범위는 실시예에 따라 상이하게 설정될 수 있다.

S904 단계에서 제1 기업의 예상 정산 금액이 기준 금액 범위 내에 포함되어 있는 것으로 확인되면, S906 단계에서, 장치(200)는 제1 기업의 사업 유지를 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

예를 들어, 기준 금액 범위가 -10만원부터 10만원까지로 설정되어 있는 경우, 장치(200)는 제1 기업의 예상 정산 금액이 5만원으로 확인되면, 제1 기업의 사업 유지를 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

S904 단계에서 제1 기업의 예상 정산 금액이 기준 금액 범위를 벗어나는 것으로 확인되면, S905 단계에서, 장치(200)는 제1 기업의 예상 정산 금액이 기준 금액 범위의 최소값 보다 작은지 여부를 확인할 수 있다.

S905 단계에서 제1 기업의 예상 정산 금액이 기준 금액 범위의 최소값 보다 작은 것으로 확인되면, S907 단계에서, 장치(200)는 제1 기업의 사업 축소를 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

예를 들어, 기준 금액 범위가 -10만원부터 10만원까지로 설정되어 있는 경우, 장치(200)는 제1 기업의 예상 정산 금액이 -15만원으로 확인되면, 제1 기업의 사업 축소를 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

S905 단계에서 제1 기업의 예상 정산 금액이 기준 금액 범위의 최소값 보다 큰 것으로 확인되면, 제1 기업의 예상 정산 금액이 기준 금액 범위를 벗어나 있으므로, 제1 기업의 예상 정산 금액이 기준 금액 범위의 최대값 보다 큰 것으로 확인될 수 있으며, 제1 기업의 예상 정산 금액이 기준 금액 범위의 최대값 보다 큰 것으로 확인되면, S908 단계에서, 장치(200)는 제1 기업의 사업 확장을 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

예를 들어, 기준 금액 범위가 -10만원부터 10만원까지로 설정되어 있는 경우, 장치(200)는 제1 기업의 예상 정산 금액이 15만원으로 확인되면, 제1 기업의 사업 확장을 추천하는 경영 전략을 담당자 단말(100)로 제공할 수 있다.

일실시예에 따르면, 장치(200)는 기업용 매출 및 매입 정산 솔루션을 제공하면서, 기업용 전자 장비의 유지 보수를 위한 이벤트 발생 예측 및 모니터링 서비스를 정산 솔루션의 부가 서비스로 추가적으로 제공할 수 있다.

즉, 장치(200)는 기업에서 특정 전자 장비를 사용하고 있는 경우, 기업에서 사용하고 있는 전자 장비의 유지 보수를 위해, 해당 전자 장비에서 가장 많이 발생할 것을 예상되는 이벤트의 종류를 예측할 수 있다. 여기서, 이벤트의 종류는 고장, 과부하, 전산 장애, 멈춤 현상 등으로 구분될 수 있다.

이하에서는 기업용 전자 장비의 유지 보수를 위한 이벤트 발생 예측 및 모니터링 서비스를 제공하는 과정에 대해 자세히 설명하기로 한다.

도 10은 일실시예에 따른 기업용 전자 장비의 유지 보수를 위한 이벤트 발생을 예측하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(200)는 제1 기업에 제1 전자 장비가 설치되어 있는 경우, 제1 기업 정보와 제1 전자 장비 정보를 각각 획득할 수 있다. 이를 위해, 장치(200)는 데이터베이스에 기업 별로 구분된 복수의 기업 정보를 저장하여 관리할 수 있고, 전자 장비 별로 구분된 복수의 전자 장비 정보를 저장하여 관리할 수 있으며, 데이터베이스로부터 제1 기업 정보와 제1 전자 장비 정보를 각각 획득할 수 있다.

일실시예에 따르면, 제1 기업 정보는 제1 기업에 대한 정보로, 제1 기업의 업종, 규모 등에 대한 정보를 포함할 수 있고, 제1 전자 장비 정보는 제1 전자 장비에 대한 정보로, 제1 전자 장비의 유형, 동작 스케줄 등에 대한 정보를 포함할 수 있다. 이때, 제1 기업의 업종은 통신업, 제조업 등으로 구분될 수 있고, 제1 기업의 규모는 중소기업, 중견기업, 대기업 등으로 구분될 수 있고, 제1 전자 장비의 유형은 PC, 서버, 라우터 등으로 구분될 수 있고, 제1 전자 장비의 동작 스케줄은 부하 스케줄, CPU 이용 스케줄, 메모리 사용 스케줄 등으로 구분될 수 있다.

장치(200)는 제1 전자 장비와 통신으로 연결되면, 제1 전자 장비의 IP 주소를 통해 제1 전자 장비가 제1 기업에 설치되어 있는 것을 확인할 수 있다.

또한, 장치(200)는 제1 기업에 제1 전자 장비가 설치될 때, 설치 기사의 요청에 의해 설치 정보가 등록되면, 설치 정보를 통해 제1 전자 장비가 제1 기업에 설치되어 있는 것을 확인할 수 있다. 이때, 설치 정보는 제1 기업에 제1 전자 장비가 설치된 것을 나타내는 정보로, 설치 기사의 단말을 통해 등록될 수 있다.

S1002 단계에서, 장치(200)는 제1 기업 정보 및 제1 전자 장비 정보를 매칭하여 제1 매칭 결과를 생성할 수 있다.

S1003 단계에서, 장치(200)는 제1 기업 정보 및 제1 전자 장비 정보를 매칭한 제1 매칭 결과를 미리 학습된 제3 인공 신경망에 적용할 수 있다. 여기서, 제3 인공 신경망은 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 입력으로 받아, 특정 기업에 설치된 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 출력하는 알고리즘일 수 있다.

즉, 제3 인공 신경망은 매칭 결과를 기반으로, 기업의 업종 및 규모와 전자 장비의 유형 및 동작 스케줄을 고려하여, 특정 기업에 설치되어 있는 특정 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 선정할 수 있다. 여기서, 이벤트의 종류는 고장, 과부하, 전산 장애, 멈춤 현상 등으로 구분될 수 있고, 이 중 어느 하나가 전자 장비에서 가장 많이 발생할 것으로 예측될 수 있다.

예를 들어, 제3 인공 신경망은 제1 기업에 제1 전자 장비가 설치되어 있는 경우, 제1 기업의 업종 및 규모와 제1 전자 장비의 유형 및 동작 스케줄을 고려하여, 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 제1 이벤트로 선정할 수 있고, 제1 이벤트를 지시하는 출력값을 출력할 수 있다.

S1004 단계에서, 장치(200)는 제3 인공 신경망의 출력을 기초로, 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 제1 이벤트로 예측할 수 있다.

예를 들어, 장치(200)는 제3 인공 신경망의 출력을 확인한 결과, 제3 인공 신경망의 출력값이 1인 경우, 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 제1 이벤트로 예측할 수 있고, 제3 인공 신경망의 출력값이 2인 경우, 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 제2 이벤트로 예측할 수 있다.

일실시예에 따르면, 제3 인공 신경망은 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 통해, 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 선정하여 추출하도록 학습될 수 있다. 이를 통해, 제3 인공 신경망은 어느 기업에 어느 전자 장비가 설치되는지를 고려하여, 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류가 무엇인지 분석하여 출력할 수 있다. 제3 인공 신경망은 도 15를 참조하여 후술되는 방법을 통해 학습될 수 있다.

장치(200)는 제1 기업에 제1 전자 장비가 설치되어 있고, 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류가 제1 이벤트로 예측되면, 제1 전자 장비의 상태를 확인하기 위해, 미리 정해진 기간 마다 제1 전자 장비의 성능을 평가한 평가 정보를 획득할 수 있다. 여기서, 평가 정보는 전자 장비의 현재 성능을 평가한 정보로, 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도, 연산 속도 등을 종합적으로 평가한 결과를 포함할 수 있으며, 전자 장비의 작업 처리 능력에 대한 수치도 포함할 수 있다. 이를 위해, 제1 전자 장비는 자체적으로 미리 정해진 기간 마다 자신의 성능을 평가하여 평가 정보를 생성할 수 있으며, 장치(200)는 제1 전자 장비에서 평가 정보가 생성되면, 제1 전자 장비로부터 평가 정보를 획득할 수 있다.

S1005 단계에서, 장치(200)는 제1 시점에 제1 전자 장비의 성능을 평가한 평가 정보를 제1 평가 정보로 획득할 수 있다. 즉, 제1 전자 장비는 제1 시점에 자신의 성능을 평가한 제1 평가 정보를 생성할 수 있으며, 장치(200)는 제1 전자 장비에서 제1 평가 정보가 생성되면, 제1 전자 장비로부터 제1 평가 정보를 획득할 수 있다.

S1006 단계에서, 장치(200)는 제1 평가 정보를 기반으로, 제1 시점에 대한 제1 전자 장비의 성능을 나타내는 제1 성능 지표를 산출할 수 있다. 여기서, 제1 성능 지표는 제1 시점에 제1 전자 장비의 성능이 어느 정도인지를 나타내는 수치이다.

구체적으로, 장치(200)는 제1 평가 정보를 통해, 제1 시점에 제1 전자 장비의 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도를 확인하고, 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도에 대한 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제1 성능 지표를 산출할 수 있다.

S1007 단계에서, 장치(200)는 제2 시점에 제1 전자 장비의 성능을 평가한 평가 정보를 제2 평가 정보로 획득할 수 있다. 여기서, 제2 시점은 제1 시점 이후의 시점이다. 즉, 제1 전자 장비는 미리 정해진 기간 마다 자신의 성능을 평가하여 평가 정보를 생성하고 있으므로, 제1 시점에 자신의 성능을 평가한 제1 평가 정보를 생성한 후, 제1 시점으로부터 미리 정해진 기간이 지나면, 제2 시점에 자신의 성능을 평가한 제2 평가 정보를 생성할 수 있으며, 장치(200)는 제1 전자 장비에서 제2 평가 정보가 생성되면, 제1 전자 장비로부터 제2 평가 정보를 획득할 수 있다.

S1008 단계에서, 장치(200)는 제2 평가 정보를 기반으로, 제2 시점에 대한 제1 전자 장비의 성능을 나타내는 제2 성능 지표를 산출할 수 있다. 여기서, 제2 성능 지표는 제2 시점에 제1 전자 장비의 성능이 어느 정도인지를 나타내는 수치이다.

구체적으로, 장치(200)는 제2 평가 정보를 통해, 제2 시점에 제1 전자 장비의 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도를 확인하고, 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도에 대한 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제2 성능 지표를 산출할 수 있다.

S1009 단계에서, 장치(200)는 제1 성능 지표 및 제2 성능 지표를 비교하여, 제1 시점부터 제2 시점까지 제1 전자 장비에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석할 수 있다.

구체적으로, 장치(200)는 제1 성능 지표 및 제2 성능 지표를 비교하여, 제1 전자 장비의 성능이 증가 또는 감소되었는지 여부를 확인할 수 있으며, 이를 통해, 제1 전자 장비의 성능이 제1 시점부터 제2 시점까지 얼마나 변동되었는지 추세를 나타내는 제1 성능 변동 추세를 분석할 수 있다.

예를 들어, 제1 성능 지표는 90으로 산출되어 있고, 제2 성능 지표는 85로 산출되어 있는 경우, 장치(200)는 제1 성능 지표 및 제2 성능 지표를 비교한 결과, 90에서 85로 성능 지표가 변경되었으므로, 제1 시점부터 제2 시점까지 제1 전자 장비의 성능이 5만큼 감소된 것으로, 제1 성능 변동 추세를 분석할 수 있다.

S1010 단계에서, 장치(200)는 제1 성능 변동 추세에 대한 분석 결과를 미리 학습된 제4 인공 신경망에 적용할 수 있다. 여기서, 제4 인공 신경망은 성능 변동 추세에 대한 분석 결과를 입력 받은 후, 전자 장비에서 이벤트가 발생할 수 있는 확률을 출력하는 알고리즘일 수 있다.

즉, 제4 인공 신경망은 성능 변동 추세에 대한 분석 결과를 기반으로, 전자 장비의 성능이 얼마나 변동되었는지 추세를 고려하여, 전자 장비에서 특정 이벤트가 발생할 수 있는 확률을 산정할 수 있다.

예를 들어, 제4 인공 신경망은 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류가 제1 이벤트로 선정되면, 제1 성능 변동 추세에 대한 분석 결과가 5만큼 감소한 경우, -5를 입력으로 받아, 제1 전자 장비에서 제1 이벤트가 발생할 수 있는 확률을 제1 발생률로 산정할 수 있고, 제1 발생률을 지시하는 출력값을 출력할 수 있다.

S1011 단계에서, 장치(200)는 제4 인공 신경망의 출력을 기초로, 제1 전자 장비에서 제1 이벤트가 발생할 수 있는 확률을 제1 발생률로 예측할 수 있다.

일실시예에 따르면, 제4 인공 신경망은 성능 변동 추세에 대한 분석 결과를 통해, 전자 장비에 이벤트가 발생할 확률이 얼마나 되는지 분석하도록 학습될 수 있다. 이를 통해, 제4 인공 신경망은 전자 장비의 성능이 얼마나 변경되는지를 고려하여, 전자 장비에 이벤트가 발생할 확률이 얼마나 되는지 분석하여 출력할 수 있다. 제4 인공 신경망은 도 16을 참조하여 후술되는 방법을 통해 학습될 수 있다.

도 11은 일실시예에 따른 이벤트 발생 확률에 따라 전자 장비의 상태를 분류하는 과정을 설명하기 위한 순서도이다.

도 11을 참조하면, 먼저, S1101 단계에서, 장치(200)는 제1 전자 장비에서 제1 이벤트가 발생할 수 있는 확률이 제1 발생률로 예측되면, 제1 발생률이 제1 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 제1 기준값은 실시예에 따라 상이하게 설정될 수 있다.

S1101 단계에서 제1 발생률이 제1 기준값 보다 작은 것으로 확인되면, S1102 단계에서, 장치(200)는 제1 전자 장비를 이상 징후가 없는 장비로 분류할 수 있다.

S1101 단계에서 제1 발생률이 제1 기준값 보다 큰 것으로 확인되면, S1103 단계에서, 장치(200)는 제1 발생률이 제2 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 제2 기준값은 제1 기준값 보다 큰 값으로 설정될 수 있다.

S1103 단계에서 제1 발생률이 제2 기준값 보다 작은 것으로 확인되면, S1104 단계에서, 장치(200)는 제1 전자 장비를 재부팅이 필요한 장비로 분류할 수 있다.

S1103 단계에서 제1 발생률이 제2 기준값 보다 큰 것으로 확인되면, S1105 단계에서, 장치(200)는 제1 발생률이 제3 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 제3 기준값은 제2 기준값 보다 큰 값으로 설정될 수 있다.

S1105 단계에서 제1 발생률이 제3 기준값 보다 작은 것으로 확인되면, S1106 단계에서, 장치(200)는 제1 전자 장비를 원격 점검이 필요한 장비로 분류할 수 있다.

S1105 단계에서 제1 발생률이 제3 기준값 보다 큰 것으로 확인되면, S1107 단계에서, 장치(200)는 제1 발생률이 제4 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 제4 기준값은 제3 기준값 보다 큰 값으로 설정될 수 있다.

S1107 단계에서 제1 발생률이 제4 기준값 보다 작은 것으로 확인되면, S1108 단계에서, 장치(200)는 제1 전자 장비를 방문 점검이 필요한 장비로 분류할 수 있다.

S1107 단계에서 제1 발생률이 제4 기준값 보다 큰 것으로 확인되면, S1109 단계에서, 장치(200)는 제1 전자 장비를 교체가 필요한 장비로 분류할 수 있다.

S1102 단계, S1104 단계, S1106 단계, S1108 단계 및 S1109 단계 중 어느 하나를 통해, 제1 전자 장비의 상태가 분류되면, S1110 단계에서, 장치(200)는 제1 전자 장비의 상태에 대한 분류 결과를 담당자 단말(100)로 전송할 수 있다.

도 12는 일실시예에 따른 이벤트 발생 주기에 따라 발생률을 조정하는 과정을 설명하기 위한 순서도이다.

도 12를 참조하면, 먼저, S1201 단계에서, 장치(200)는 제1 기업에 제1 전자 장비가 설치되어 있는 경우, 제1 전자 장비의 이벤트 발생 히스토리를 기반으로, 제1 전자 장비에서 제1 이벤트가 발생한 일자를 확인하여, 제1 이벤트의 발생 주기를 분석할 수 있다. 이를 위해, 장치(200)는 데이터베이스에 기업에 설치된 전자 장비 별로 구분된 이벤트 발생 히스토리를 저장하여 관리할 수 있으며, 데이터베이스로부터 제1 전자 장비의 이벤트 발생 히스토리를 획득할 수 있다. 이벤트 발생 히스토리는 전자 장비에서 발생한 이벤트 내역이 누적된 정보, 이벤트의 종류, 이벤트 발생일, 이벤트 대응 조치, 이벤트 해결일 등을 포함하는 정보가 리스트로 구성될 수 있다.

예를 들어, 제1 전자 장비의 이벤트 발생 히스토리를 기반으로, 1월 1일, 1월 11일에 제1 이벤트가 발생한 것으로 확인되면, 장치(200)는 제1 이벤트의 발생 주기를 10일 간격으로 분석할 수 있다. 이때, 장치(200)는 미리 설정된 기간(예를 들면, 최근 6개월) 동안 제1 이벤트가 여러 번 발생한 것으로 확인되면, 제1 이벤트가 평균적으로 얼마나 자주 발생하였는지 확인하여, 제1 이벤트의 발생 주기를 분석할 수 있다.

S1202 단계에서, 장치(200)는 제1 이벤트의 발생 주기에 기초하여, 제1 전자 장비에서 제1 이벤트가 발생할 것으로 예상되는 이벤트 발생 예상일을 예측할 수 있다.

예를 들어, 장치(200)는 제1 이벤트의 발생 주기가 10일 간격으로 확인되고, 제1 전자 장비에서 가장 최근에 제1 이벤트가 발생한 일자가 1월 5일로 확인되면, 제1 전자 장비에서 제1 이벤트가 발생할 것으로 예상되는 이벤트 발생 예상일을 1월 15일로 예측할 수 있다.

S1203 단계에서, 장치(200)는 이벤트 발생 예상일까지 남아있는 일자를 제1 일자로 확인할 수 있다.

예를 들어, 장치(200)는 이벤트 발생 예상일이 1월 15일로 예측되고, 현재 일자가 1월 13일로 확인되면, 제1 일자를 2일로 확인할 수 있다.

S1204 단계에서, 장치(200)는 제1 일자가 제1 기준 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 제1 기준 범위는 실시예에 따라 상이하게 설정될 수 있다.

S1204 단계에서 제1 일자가 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, S1205 단계에서, 장치(200)는 제1 발생률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.

예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있는 경우, 장치(200)는 제1 일자가 7일로 확인되면, 제1 발생률에 대한 조정이 필요하지 않은 것으로 판단할 수 있다.

S1204 단계에서 제1 일자가 제1 기준 범위를 벗어나는 것으로 확인되면, S1206 단계에서, 장치(200)는 제1 일자가 제1 기준 범위의 최소값 보다 작은지 여부를 확인할 수 있다.

S1206 단계에서 제1 일자가 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, S1207 단계에서, 장치(200)는 제1 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정할 수 있다. 이때, 제1 설정값은 1부터 2까지 범위 내에서 설정될 수 있다.

예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있고, 제1 설정값이 1.5로 설정되어 있고, 제1 발생률이 20%로 예측된 경우, 장치(200)는 제1 일자가 3일로 확인되면, 제1 설정값과 제1 발생률을 곱한 값인 30%를 산출한 후, 제1 발생률을 20%에서 30%로 조정할 수 있다.

즉, 장치(200)는 제1 일자가 제1 기준 범위를 벗어나 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, 1부터 2까지 범위 내에서 설정된 제1 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정함으로써, 이벤트 발생 예상일까지 남아있는 기간이 일정 기간 이하로 매우 짧은 경우, 제1 설정값을 이용하여 제1 발생률을 더 높은 값으로 조정할 수 있다.

S1206 단계에서 제1 일자가 제1 기준 범위의 최소값 보다 큰 것으로 확인되면, 제1 일자가 제1 기준 범위를 벗어나 있으므로, 제1 일자가 제1 기준 범위의 최대값 보다 큰 것으로 확인될 수 있으며, 제1 일자가 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, S1208 단계에서, 장치(200)는 제2 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정할 수 있다. 이때, 제2 설정값은 0부터 1까지 범위 내에서 설정될 수 있다.

예를 들어, 제1 기준 범위가 5일부터 10일까지로 설정되어 있고, 제2 설정값이 0.5로 설정되어 있고, 제1 발생률이 20%로 예측된 경우, 장치(200)는 제1 일자가 12일로 확인되면, 제2 설정값과 제1 발생률을 곱한 값인 10%를 산출한 후, 제1 발생률을 20%에서 10%로 조정할 수 있다.

즉, 장치(200)는 제1 일자가 제1 기준 범위를 벗어나 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, 0부터 1까지 범위 내에서 설정된 제2 설정값과 제1 발생률을 곱한 값으로 제1 발생률을 조정함으로써, 이벤트 발생 예상일까지 남아있는 기간이 일정 기간 이상으로 매우 긴 경우, 제2 설정값을 이용하여 제1 발생률을 더 낮은 값으로 조정할 수 있다.

도 13은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제1 인공 신경망은 기업의 판매 패턴에 대한 분석 결과를 입력 받은 후, 기업의 판매 패턴에 적합한 기업의 매출 업데이트 주기를 출력하는 알고리즘일 수 있다.

제1 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 제1 인공 신경망을 이용하여 기업의 판매 패턴에 적합한 기업의 매출 업데이트 주기를 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1301 단계에서, 학습 장치는 기업의 판매 패턴에 대한 분석 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 기업의 판매 패턴에 대한 분석 결과를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 기업의 판매 패턴에 대한 분석 결과를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1302 단계에서, 학습 장치는 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 기업의 판매 패턴이 일정 이상 간격으로 판매가 이루어지면, 매출 업데이트 주기를 길게 선정할수록 보상값이 높아질 수 있고, 제2 보상은 기업의 판매 패턴이 일정 미만 간격으로 판매가 이루어지면, 매출 업데이트 주기를 짧게 선정할수록 보상값이 높아질 수 있다.

S1303 단계에서, 학습 장치는 제1 인공 신경망으로부터 출력을 획득할 수 있다. 제1 인공 신경망의 출력은 기업의 판매 패턴에 적합한 매출 업데이트 주기에 대한 정보를 포함할 수 있다. 이때, 제1 인공 신경망은 기업의 판매 패턴에 대한 분석을 통해, 기업의 판매 패턴에 적합한 매출 업데이트 주기를 선정하여, 선정된 매출 업데이트 주기에 대한 정보를 출력할 수 있다.

S1304 단계에서, 학습 장치는 제1 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 기업의 판매 패턴이 일정 이상 간격으로 판매가 이루어진 경우, 매출 업데이트 주기를 길게 선정할수록 제1 보상을 많이 수여하고, 기업의 판매 패턴이 일정 미만 간격으로 판매가 이루어진 경우, 매출 업데이트 주기를 짧게 선정할수록 제2 보상을 많이 수여할 수 있다.

S1305 단계에서, 학습 장치는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제1 인공 신경망이 기업의 판매 패턴을 통해, 매출 업데이트 주기를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공 신경망을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 기업의 판매 패턴에 대한 분석 결과를 통해, 제1 기업의 매출 업데이트 주기가 제1 주기로 설정되면, 제1 주기의 분석 결과에 대해 문제가 없는지 여부를 확인할 수 있고, 제1 주기의 분석 결과에 대해 문제가 없는 경우, 기업의 매출 업데이트 주기의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공 신경망에 적용하여, 제1 기업의 판매 패턴과 유사한 판매 패턴을 입력으로 하는 경우, 제1 주기와 유사한 주기를 선정하도록, 제1 인공 신경망을 학습시키는 과정을 통해, 제1 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상기와 같은 제1 인공 신경망의 학습 과정을 반복함으로써, 제1 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 기업의 판매 패턴에 대한 분석 결과를 통해, 기업의 판매 패턴에 적합한 매출 업데이트 주기를 출력하는 제1 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 기업의 판매 패턴에 대한 분석 결과를 통해 매출 업데이트 주기를 추출할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.

도 14는 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제2 인공 신경망은 기업의 구매 패턴에 대한 분석 결과를 입력 받은 후, 기업의 구매 패턴에 적합한 기업의 매입 업데이트 주기를 출력하는 알고리즘일 수 있다.

제2 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 제2 인공 신경망을 이용하여 기업의 구매 패턴에 적합한 기업의 매입 업데이트 주기를 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1401 단계에서, 학습 장치는 기업의 구매 패턴에 대한 분석 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 기업의 구매 패턴에 대한 분석 결과를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 기업의 구매 패턴에 대한 분석 결과를 제2 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1402 단계에서, 학습 장치는 제2 인공 신경망에 입력을 적용할 수 있다. 제2 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제2 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제2 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제3 보상은 기업의 구매 패턴이 일정 이상 간격으로 구매가 이루어지면, 매입 업데이트 주기를 길게 선정할수록 보상값이 높아질 수 있고, 제4 보상은 기업의 구매 패턴이 일정 미만 간격으로 구매가 이루어지면, 매입 업데이트 주기를 짧게 선정할수록 보상값이 높아질 수 있다.

S1403 단계에서, 학습 장치는 제2 인공 신경망으로부터 출력을 획득할 수 있다. 제2 인공 신경망의 출력은 기업의 구매 패턴에 적합한 매입 업데이트 주기에 대한 정보를 포함할 수 있다. 이때, 제2 인공 신경망은 기업의 구매 패턴에 대한 분석을 통해, 기업의 구매 패턴에 적합한 매입 업데이트 주기를 선정하여, 선정된 매입 업데이트 주기에 대한 정보를 출력할 수 있다.

S1404 단계에서, 학습 장치는 제2 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제3 보상, 제4 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 기업의 구매 패턴이 일정 이상 간격으로 구매가 이루어진 경우, 매입 업데이트 주기를 길게 선정할수록 제3 보상을 많이 수여하고, 기업의 구매 패턴이 일정 미만 간격으로 구매가 이루어진 경우, 매입 업데이트 주기를 짧게 선정할수록 제4 보상을 많이 수여할 수 있다.

S1405 단계에서, 학습 장치는 평가를 기초로 제2 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제2 인공 신경망이 기업의 구매 패턴을 통해, 매입 업데이트 주기를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공 신경망을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 기업의 구매 패턴에 대한 분석 결과를 통해, 제1 기업의 매입 업데이트 주기가 제2 주기로 설정되면, 제2 주기의 분석 결과에 대해 문제가 없는지 여부를 확인할 수 있고, 제2 주기의 분석 결과에 대해 문제가 없는 경우, 기업의 매입 업데이트 주기의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제2 학습 데이터를 생성하고, 제2 학습 데이터를 제2 인공 신경망에 적용하여, 제1 기업의 구매 패턴과 유사한 구매 패턴을 입력으로 하는 경우, 제2 주기와 유사한 주기를 선정하도록, 제2 인공 신경망을 학습시키는 과정을 통해, 제2 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상기와 같은 제2 인공 신경망의 학습 과정을 반복함으로써, 제2 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 기업의 구매 패턴에 대한 분석 결과를 통해, 기업의 구매 패턴에 적합한 매입 업데이트 주기를 출력하는 제2 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 기업의 구매 패턴에 대한 분석 결과를 통해 매입 업데이트 주기를 추출할 때, 제3 보상, 제4 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공 신경망을 학습시킬 수 있다.

도 15는 일실시예에 따른 제3 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제3 인공 신경망은 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 입력으로 받아, 특정 기업에 설치된 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 출력하는 알고리즘일 수 있다.

제3 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 제3 인공 신경망을 이용하여 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제3 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1501 단계에서, 학습 장치는 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제3 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1502 단계에서, 학습 장치는 제3 인공 신경망에 입력을 적용할 수 있다. 제3 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 제3 인공 신경망일 수 있다. 제3 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제3 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제5 보상은 기업의 업종 및 규모를 고려하여, 해당 기업에서 많이 발생할 것으로 예상되는 이벤트의 종류를 예측하면 보상값이 높아질 수 있고, 제6 보상은 전자 장비의 유형 및 전자 장비에서 많이 발생할 것으로 예상되는 이벤트를 예측하면 보상값이 높아질 수 있다.

S1503 단계에서, 학습 장치는 제3 인공 신경망으로부터 출력을 획득할 수 있다. 제3 인공 신경망의 출력은 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류에 대한 정보를 포함할 수 있다. 즉, 제3 인공 신경망의 출력은 기업 정보 및 전자 장비 정보의 매칭 결과를 통해 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 예측한 결과일 수 있다.

제3 인공 신경망은 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 통해 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 선정하여 출력할 수 있다. 이때, 제3 인공 신경망은 기업의 업종 및 규모와 전자 장비의 유형 및 동작 스케줄을 고려하여, 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 예측하여 출력할 수 있다.

S1504 단계에서, 학습 장치는 제3 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제5 보상, 제6 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 특정 기업에서 많이 발생할 것으로 예상되는 이벤트의 종류를 정확하게 예측하면 제5 보상을 많이 수여하고, 특정 전자 장비에서 많이 발생할 것으로 예상되는 이벤트를 예측하면 제6 보상을 많이 수여할 수 있다.

S1505 단계에서, 학습 장치는 평가를 기초로 제3 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제3 인공 신경망이 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 통해, 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제3 인공 신경망을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 기업에 설치된 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류가 선정되면, 선정된 결과에 대해 문제가 없는 경우, 이벤트 종류의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제3 학습 데이터를 생성하고, 제3 학습 데이터를 제3 인공 신경망에 적용하여, 제1 기업과 업종 및 규모가 동일하고 제1 전자 장비와 유형 및 동작 스케쥴이 유사한 경우, 동일한 이벤트의 종류를 선정하도록, 제3 인공 신경망을 학습시키는 과정을 통해, 제3 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상술한 제3 인공 신경망의 학습 과정을 반복함으로써, 제3 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 기업 정보 및 전자 장비 정보를 매칭한 매칭 결과를 통해, 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 선정하여 출력하는 제3 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 매칭 결과를 통해, 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 예측할 때, 제5 보상, 제6 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제3 인공 신경망을 학습시킬 수 있다.

도 16은 일실시예에 따른 제4 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제4 인공 신경망은 성능 변동 추세에 대한 분석 결과를 입력 받은 후, 전자 장비에서 이벤트가 발생할 수 있는 확률을 출력하는 알고리즘일 수 있다.

제4 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 제4 인공 신경망을 이용하여 전자 장비에서 이벤트가 발생할 수 있는 확률을 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제4 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1601 단계에서, 학습 장치는 전자 장비의 성능 변동 추세에 대한 분석 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 전자 장비의 성능 변동 추세에 대한 분석 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 성능 변동 추세에 대한 분석 결과를 제4 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1602 단계에서, 학습 장치는 제4 인공 신경망에 입력을 적용할 수 있다. 제4 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제4 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제4 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다.

예를 들어, 제7 보상은 전자 장비의 성능이 증가할수록 전자 장비에서 이벤트가 발생할 수 있는 확률이 낮은 것으로 분석하면 보상값이 높아질 수 있으며, 제8 보상은 전자 장비의 성능이 감소할수록 전자 장비에서 이벤트가 발생할 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있다.

S1603 단계에서, 학습 장치는 제4 인공 신경망으로부터 출력을 획득할 수 있다. 제4 인공 신경망의 출력은, 전자 장비에서 이벤트가 발생할 수 있는 확률에 대한 정보일 수 있다. 이때, 제4 인공 신경망은 전자 장비의 성능 변동 추세에 대한 분석 결과를 통해 전자 장비에서 이벤트가 발생할 수 있는 확률을 분석하여, 전자 장비의 이벤트 발생 확률에 대한 정보를 출력할 수 있다.

S1604 단계에서, 학습 장치는 제4 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제7 보상, 제8 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 전자 장비의 성능이 증가할수록 전자 장비에서 이벤트가 발생할 수 있는 확률이 낮은 것으로 분석하면 제7 보상을 많이 수여하고, 전자 장비의 성능이 감소할수록 전자 장비에서 이벤트가 발생할 수 있는 확률이 높은 것으로 분석하면 제8 보상을 많이 수여할 수 있다.

S1605 단계에서, 학습 장치는 평가를 기초로 제4 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제4 인공 신경망이, 전자 장비에서 이벤트가 발생할 수 있는 확률을 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제4 인공 신경망을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 전자 장비에서 이벤트가 발생할 수 있는 확률에 대해 문제가 없는 경우, 이벤트 발생 확률의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제4 학습 데이터를 생성하고, 제4 학습 데이터를 제4 인공 신경망에 적용하여, 제1 전자 장비와 유사한 성능 변동 추세를 나타내는 전자 장비들이 제1 전자 장비와 유사한 이벤트 발생 확률을 가지도록, 제4 인공 신경망을 학습시키는 과정을 통해, 제4 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상술한 제4 인공 신경망의 학습 과정을 반복함으로써, 제4 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 전자 장비에 대한 성능 변동 추세를 고려하여, 전자 장비에서 이벤트가 발생할 수 있는 확률을 출력하는 제4 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 전자 장비의 성능 변동 추세에 대한 분석 결과를 통해, 전자 장비에서 이벤트가 발생할 수 있는 확률을 분석할 때, 제7 보상, 제8 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제4 인공 신경망을 학습시킬 수 있다.

도 17은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 16을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 16을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 16을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

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

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

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

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

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

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

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

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

Claims (3)

1. 장치에 의해 수행되는, 인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법에 있어서,
   제1 기업의 담당자 단말로부터 인보이스 정보가 획득되면, 상기 인보이스 정보를 기반으로 발송자 및 인수자를 확인하는 단계;
   상기 인보이스 정보를 통해 발송자가 상기 제1 기업으로 확인되면, 상기 인보이스 정보를 통해 확인된 거래 내역을 상기 제1 기업의 매출 내역으로 분류하고, 상기 인보이스 정보를 통해 인수자가 상기 제1 기업으로 확인되면, 상기 인보이스 정보를 통해 확인된 거래 내역을 상기 제1 기업의 매입 내역으로 분류하는 단계;
   상기 제1 기업의 매출 내역에 기초하여, 상기 제1 기업에서 제품을 판매하는 판매 패턴을 분석하고, 상기 제1 기업의 판매 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 기업의 매출 업데이트 주기인 제1 주기를 설정하는 단계;
   상기 제1 기업의 매입 내역에 기초하여, 상기 제1 기업에서 제품을 구매하는 구매 패턴을 분석하고, 상기 제1 기업의 구매 패턴에 대한 분석 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 기업의 매입 업데이트 주기인 제2 주기를 설정하는 단계;
   상기 제1 주기 및 상기 제2 주기의 평균치를 이용하여, 상기 제1 기업의 정산 주기를 설정하는 단계;
   상기 제1 기업의 정산 주기를 통해 제1 기간이 설정되면, 상기 제1 기간 동안 판매된 제품들의 판매 현황을 기반으로 제1 매출 금액을 산출하고, 상기 제1 기간 동안 구매된 제품들의 구매 현황을 기반으로 제1 매입 금액을 산출하는 단계;
   상기 제1 매출 금액에서 상기 제1 매입 금액을 차감하여 제1 정산 금액을 산출하는 단계; 및
   상기 제1 매출 금액, 상기 제1 매입 금액 및 상기 제1 정산 금액을 포함하는 상기 제1 기업의 정산 정보를 상기 담당자 단말로 전송하는 단계를 포함하고,
   상기 제1 기업의 정산 정보를 상기 담당자 단말로 전송하는 단계 이후,
   상기 제1 기업의 정산 주기를 통해 상기 제1 기간이 설정되면, 상기 제1 기간 동안 판매된 제1 제품의 판매 현황을 기반으로 제1 매출 지표를 산출하는 단계;
   상기 제1 기업의 정산 주기를 통해 상기 제1 기간 이후의 기간으로 제2 기간이 설정되면, 상기 제2 기간 동안 판매된 상기 제1 제품의 판매 현황을 기반으로 제2 매출 지표를 산출하는 단계;
   상기 제1 매출 지표 및 상기 제2 매출 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 제품에 대한 매출 변동 추세를 나타내는 제1 매출 변동 추세를 분석하는 단계;
   상기 제1 기업의 정산 주기를 통해 상기 제2 기간 이후의 기간으로 제3 기간이 설정되면, 상기 제1 매출 변동 추세를 기반으로 상기 제3 기간 동안 판매될 것으로 예측되는 상기 제1 제품의 예상 매출 범위를 설정하는 단계;
   상기 제3 기간 동안 판매된 상기 제1 제품의 판매 현황을 기반으로 제3 매출 지표를 산출하는 단계; 및
   상기 제3 매출 지표가 상기 제1 제품의 예상 매출 범위를 벗어나는 것으로 확인되면, 상기 제1 제품에 대한 매출 확인이 필요한 것을 알려주는 알림 메시지를 상기 담당자 단말로 전송하는 단계를 더 포함하고,
   상기 제1 기업의 정산 정보를 상기 담당자 단말로 전송하는 단계 이후,
   상기 제1 기업의 정산 주기를 통해 상기 제1 기간이 설정되면, 상기 제1 기간 동안 구매된 제2 제품의 구매 현황을 기반으로 제1 매입 지표를 산출하는 단계;
   상기 제1 기업의 정산 주기를 통해 상기 제2 기간이 설정되면, 상기 제2 기간 동안 구매된 상기 제2 제품의 구매 현황을 기반으로 제2 매입 지표를 산출하는 단계;
   상기 제1 매입 지표 및 상기 제2 매입 지표를 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제2 제품에 대한 매입 변동 추세를 나타내는 제1 매입 변동 추세를 분석하는 단계;
   상기 제1 기업의 정산 주기를 통해 상기 제3 기간이 설정되면, 상기 제1 매입 변동 추세를 기반으로, 상기 제3 기간 동안 구매될 것으로 예측되는 상기 제2 제품의 예상 매입 범위를 설정하는 단계;
   상기 제3 기간 동안 구매된 상기 제2 제품의 구매 현황을 기반으로 제3 매입 지표를 산출하는 단계; 및
   상기 제3 매입 지표가 상기 제2 제품의 예상 매입 범위를 벗어나는 것으로 확인되면, 상기 제2 제품에 대한 매입 확인이 필요한 것을 알려주는 알림 메시지를 상기 담당자 단말로 전송하는 단계를 더 포함하고,
   상기 제3 매출 지표를 산출하는 단계 이후,
   상기 제2 매출 지표 및 상기 제3 매출 지표를 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제1 제품에 대한 매출 변동 추세를 나타내는 제2 매출 변동 추세를 분석하는 단계;
   상기 제1 매출 변동 추세 및 상기 제2 매출 변동 추세를 기반으로, 상기 제1 제품의 예상 매출 변동 추세를 분석하는 단계;
   상기 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 증가로 확인되면, 상기 제1 제품의 판매 전략이 최적화되어 있는 것으로 판단하는 단계;
   상기 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 유지로 확인되면, 상기 제1 제품의 광고 집행을 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계; 및
   상기 제1 제품의 예상 매출 변동 추세에 대한 분석 결과가 판매 감소로 확인되면, 상기 제1 제품의 가격 인하를 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계를 더 포함하고,
   상기 제3 매입 지표를 산출하는 단계 이후,
   상기 제2 매입 지표 및 상기 제3 매입 지표를 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제2 제품에 대한 매입 변동 추세를 나타내는 제2 매입 변동 추세를 분석하는 단계;
   상기 제1 매입 변동 추세 및 상기 제2 매입 변동 추세를 기반으로, 상기 제2 제품의 예상 매입 변동 추세를 분석하는 단계;
   상기 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 증가로 확인되면, 상기 제2 제품의 최소 사용 공정을 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계;
   상기 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 유지로 확인되면, 상기 제2 제품을 이용한 공정이 최적화되어 있는 것으로 판단하는 단계; 및
   상기 제2 제품의 예상 매입 변동 추세에 대한 분석 결과가 구매 감소로 확인되면, 상기 제2 제품의 최대 효율 공정을 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계를 더 포함하고,
   상기 제1 기업의 정산 주기를 통해 상기 제2 기간이 설정되면, 상기 제2 기간 동안 판매된 제품들의 판매 현황을 기반으로 제2 매출 금액을 산출하고, 상기 제2 기간 동안 구매된 제품들의 구매 현황을 기반으로 제2 매입 금액을 산출하는 단계;
   상기 제1 매출 금액 및 상기 제2 매출 금액을 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 기업의 매출 금액에 대한 변동 추세를 나타내는 제1 매출 금액 변동 추세를 분석하고, 상기 제1 매입 금액 및 상기 제2 매입 금액을 비교하여, 상기 제1 기간의 시작일부터 상기 제2 기간의 종료일까지 상기 제1 기업의 매입 금액에 대한 변동 추세를 나타내는 제1 매입 금액 변동 추세를 분석하는 단계;
   상기 제1 기업의 정산 주기를 통해 상기 제3 기간이 설정되면, 상기 제3 기간 동안 판매된 제품들의 판매 현황을 기반으로 제3 매출 금액을 산출하고, 상기 제3 기간 동안 구매된 제품들의 구매 현황을 기반으로 제3 매입 금액을 산출하는 단계;
   상기 제2 매출 금액 및 상기 제3 매출 금액을 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제1 기업의 매출 금액에 대한 변동 추세를 나타내는 제2 매출 금액 변동 추세를 분석하고, 상기 제2 매입 금액 및 상기 제3 매입 금액을 비교하여, 상기 제2 기간의 시작일부터 상기 제3 기간의 종료일까지 상기 제1 기업의 매입 금액에 대한 변동 추세를 나타내는 제2 매입 금액 변동 추세를 분석하는 단계;
   상기 제1 기업의 정산 주기를 통해 상기 제3 기간 이후의 기간으로 제4 기간이 설정되면, 상기 제1 매출 금액 변동 추세 및 상기 제2 매출 금액 변동 추세를 기반으로, 상기 제4 기간 동안 판매될 것으로 예측되는 상기 제1 기업의 예상 매출 금액을 산출하고, 상기 제1 매입 금액 변동 추세 및 상기 제2 매입 금액 변동 추세를 기반으로, 상기 제4 기간 동안 구매될 것으로 예측되는 상기 제1 기업의 예상 매입 금액을 산출하는 단계;
   상기 제1 기업의 예상 매출 금액에서 상기 제1 기업의 예상 매입 금액을 차감하여 상기 제1 기업의 예상 정산 금액을 산출하는 단계;
   상기 제1 기업의 예상 정산 금액이 미리 설정된 기준 금액 범위 내에 포함되어 있는 것으로 확인되면, 상기 제1 기업의 사업 유지를 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계;
   상기 제1 기업의 예상 정산 금액이 상기 기준 금액 범위를 벗어나 상기 기준 금액 범위의 최소값 보다 작은 것으로 확인되면, 상기 제1 기업의 사업 축소를 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계; 및
   상기 제1 기업의 예상 정산 금액이 상기 기준 금액 범위를 벗어나 상기 기준 금액 범위의 최대값 보다 큰 것으로 확인되면, 상기 제1 기업의 사업 확장을 추천하는 경영 전략을 상기 담당자 단말로 제공하는 단계를 더 포함하고,
   상기 제1 기업에 제1 전자 장비가 설치되어 있는 경우, 상기 제1 기업의 업종 및 규모를 포함하는 제1 기업 정보와 상기 제1 전자 장비의 유형 및 동작 스케줄을 포함하는 제1 전자 장비 정보를 각각 획득하는 단계;
   상기 제1 기업 정보 및 상기 제1 전자 장비 정보를 매칭하여 제1 매칭 결과를 생성하는 단계;
   상기 제1 매칭 결과를 제3 인공 신경망에 적용하여, 상기 제3 인공 신경망의 출력을 기초로, 상기 제1 전자 장비에서 가장 많이 발생할 것으로 예상되는 이벤트의 종류를 제1 이벤트로 예측하는 단계;
   상기 제1 전자 장비의 상태를 확인하기 위해, 미리 정해진 기간 마다 상기 제1 전자 장비의 성능을 평가한 평가 정보를 획득하는 단계;
   제1 시점에 상기 제1 전자 장비의 성능을 평가한 제1 평가 정보가 획득되면, 상기 제1 평가 정보를 기반으로, 상기 제1 시점에 대한 상기 제1 전자 장비의 성능을 나타내는 제1 성능 지표를 산출하는 단계;
   상기 제1 시점 이후의 제2 시점에 상기 제1 전자 장비의 성능을 평가한 제2 평가 정보가 획득되면, 상기 제2 평가 정보를 기반으로, 상기 제2 시점에 대한 상기 제1 전자 장비의 성능을 나타내는 제2 성능 지표를 산출하는 단계;
   상기 제1 성능 지표 및 상기 제2 성능 지표를 비교하여, 상기 제1 시점부터 상기 제2 시점까지 상기 제1 전자 장비에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석하는 단계;
   상기 제1 성능 변동 추세에 대한 분석 결과를 제4 인공 신경망에 적용하여, 상기 제4 인공 신경망의 출력을 기초로, 상기 제1 전자 장비에서 상기 제1 이벤트가 발생할 수 있는 확률을 제1 발생률로 예측하는 단계;
   상기 제1 전자 장비의 이벤트 발생 히스토리를 기반으로, 상기 제1 전자 장비에서 상기 제1 이벤트가 발생한 일자를 확인하여, 상기 제1 이벤트의 발생 주기를 분석하는 단계;
   상기 제1 이벤트의 발생 주기에 기초하여, 상기 제1 전자 장비에서 상기 제1 이벤트가 발생할 것으로 예상되는 이벤트 발생 예상일을 예측하는 단계;
   상기 이벤트 발생 예상일까지 남아있는 일자가 제1 일자로 확인된 경우, 상기 제1 일자가 미리 설정된 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 제1 발생률에 대한 조정이 필요하지 않은 것으로 판단하는 단계;
   상기 제1 일자가 상기 제1 기준 범위를 벗어나 상기 제1 기준 범위의 최소값 보다 작은 것으로 확인되면, 1부터 2까지 범위 내에서 설정된 제1 설정값과 상기 제1 발생률을 곱한 값으로 상기 제1 발생률을 조정하는 단계;
   상기 제1 일자가 상기 제1 기준 범위를 벗어나 상기 제1 기준 범위의 최대값 보다 큰 것으로 확인되면, 0부터 1까지 범위 내에서 설정된 제2 설정값과 상기 제1 발생률을 곱한 값으로 상기 제1 발생률을 조정하는 단계;
   상기 제1 발생률이 미리 설정된 제1 기준값 보다 작은 것으로 확인되면, 상기 제1 전자 장비를 이상 징후가 없는 장비로 분류하는 단계;
   상기 제1 발생률이 상기 제1 기준값 보다 크지만 미리 설정된 제2 기준값 보다 작은 것으로 확인되면, 상기 제1 전자 장비를 재부팅이 필요한 장비로 분류하는 단계;
   상기 제1 발생률이 상기 제2 기준값 보다 크지만 미리 설정된 제3 기준값 보다 작은 것으로 확인되면, 상기 제1 전자 장비를 원격 점검이 필요한 장비로 분류하는 단계;
   상기 제1 발생률이 상기 제3 기준값 보다 크지만 미리 설정된 제4 기준값 보다 작은 것으로 확인되면, 상기 제1 전자 장비를 방문 점검이 필요한 장비로 분류하는 단계; 및
   상기 제1 발생률이 상기 제4 기준값 보다 큰 것으로 확인되면, 상기 제1 전자 장비를 교체가 필요한 장비로 분류하는 단계를 더 포함하는,
   인공지능 기반 기업용 매출 및 매입 정산 솔루션 제공 방법.
2. 삭제
3. 삭제

Images