KR102555376B1 - 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법 및 서버 - Google Patents

Abstract

본 발명은, 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법에 관한 것이다. 상기 방법은, 상품 구매 서버의 프로세서에 의해 수행되는 상품 구매 방법으로서, 고객으로부터 상품의 구매 옵션을 획득하는 단계, 상기 구매 옵션을 획득한 시점부터 상품의 이용 개시 시점 이전까지의 기간 동안 상품의 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 판매 가격을 일자 및 시간 별로 예측하는 단계, 예측 결과를 기초로 상기 고객으로부터 구매 선호 일자 및 역경매 개시 일자를 획득하는 단계 및 상기 구매 선호 일자에 상품의 구매 정보를 생성하거나, 상기 역경매 개시 일자에 상품에 대한 역경매를 진행하는 단계를 포함하도록 구성된다.

Description

시계열 기반의 상품 가격 예측을 통한 상품 구매 방법 및 서버{METHOD AND SERVER FOR PURCHASING PRODUCTS THROUGH TIME-SERIES PRODUCT PRICE PREDICTION}

본 발명은 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법 및 서버에 관한 것이다.

일반적으로 다양한 판매처, 다양한 구매 옵션을 가지고 있어 가격 변동이 큰 상품군의 경우, 고객은 구매하려는 상품이 적정 가격인지 또는 현재의 구매 시점이 적절한지 판단하기 어렵다.

그에 따라, 상품을 판매하는 판매처들의 정보를 수집하고, 판매 가격을 한 곳에 모아 비교하여 그 결과를 고객에게 제공해주는 가격 비교 서비스들이 각광받고 있다. 이러한 가격 비교 서비스는 한 번의 구매 옵션 입력을 통해 상품의 최저가를 찾아 줌으로써, 고객의 구매 편의를 높이고 있다.

그러나 현재의 가격 비교 서비스는 가격을 검색하는 현재 시점을 기준으로 판매 중인 상품의 최저가 정보를 제공해주는 것이기 때문에, 상품을 이용하기 전에 여유 일자를 가지고 미리 상품을 구매한 고객들은 거래 가격을 손해 보게 될 가능성이 있다. 예를 들어, 상품을 제공하는 제조사나 서비스를 판매하는 각종 판매처에서 갑작스럽게 할인 이벤트를 진행하거나, 주변 상황으로 인해 상품의 가격이 떨어질 경우, 상품을 미리 구매한 고객들은 손해를 볼 수밖에 없다.

발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.

따라서, 고객들의 상품 구매에 따른 손해를 최소화하고 서비스 이용의 만족도를 높이려면 상품의 미래 가격 정보를 예측할 수 있는 기술이 요구된다.

이에 본 발명의 발명자들은 상품에 대한 과거 가격 정보를 수집하고, 각종 가격 변동 요인을 이용하여 지정된 기한 안에서, 고객이 제시한 상품의 구매 옵션에 부합하는 상품의 판매 가격 정보를 예측할 수 있는 방법 및 이를 수행하는 서버를 개발하고자 하였다.

그 결과, 본 발명의 발명자들은 고객이 원하는 상품 구매 가격을 입력 받고, 구매 가격에 맞게 상품을 판매할 것으로 예상되는 일자, 그리고 예상의 정확도를 제공하여, 고객에게 최적의 가격으로 상품을 구매할 수 있는 방법 및 서버를 개발하기에 이르렀다.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시 예에 따른 상품 구매 방법을 제공한다. 상기 방법은, 시계열 기반의 상품 구매 서버의 프로세서에 의해 수행되는 상품 구매 방법으로서, 고객으로부터 상품의 구매 옵션을 획득하는 단계, 상기 구매 옵션을 입력으로 하여, 상기 구매 옵션을 획득한 시점부터 상품의 이용 개시 시점 이전까지의 기간 동안 상품의 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 판매 가격을 일자 및 시간 별로 예측하는 단계, 상기 일자 및 시간 별 판매 가격에 대한 예측 결과를 기초로 상기 고객으로부터 구매 선호 일자 및 역경매 개시 일자를 획득하는 단계 및 상기 구매 선호 일자에 상품의 구매 정보를 생성하거나, 상기 역경매 개시 일자에 상품에 대한 역경매를 진행하는 단계를 포함하도록 구성된다.

본 발명의 특징에 따르면, 상기 예측하는 단계는, 상기 구매 옵션을 입력으로 상품의 재고 수량 및 예측 정확도를 예측하도록 학습된 판매 동향 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 재고 수량 및 예측 정확도를 일자 및 시간 별로 예측하는 단계일 수 있다.

본 발명의 다른 특징에 따르면, 상기 예측하는 단계는, 상기 일자 별로 예측되는 상품의 판매 가격이 현재 시점에 검색된 판매 가격보다 높거나 동일한 경우, 상기 고객의 상품 구매 의사를 확인하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 일자를 획득하는 단계는, 상기 고객으로부터 상품의 희망 구매 가격 범위 및 상기 구매 옵션 조정 범위를 획득하는 단계와 상기 구매 선호 일자까지 상품의 구매를 일시 유보하고, 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 모니터링하는 단계는, 상기 구매 옵션 조정 범위를 만족하는 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링하는 단계일 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 모니터링하는 단계는, 상기 희망 구매 가격 범위를 벗어나는 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 구매 의사를 확인하는 단계는, 상기 고객으로부터 상품에 대한 구매 의사를 확인하는 경우, 상품의 구매 정보를 생성하는 단계와 상기 상품의 이용 개시 시점 이전까지 상품의 판매 가격을 주기적으로 모니터링하고, 상기 현재 시점에 검색된 판매 가격 보다 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성하는 단계를 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 구매 선호 일자는 상기 역경매 개시 일자보다 앞선 일자이며, 상기 역경매를 진행하는 단계는, 상기 구매 선호 일자에 상품의 구매 정보를 생성하지 않은 경우, 상기 구매 옵션에 따라 역경매를 즉시 진행하는 단계일 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 역경매를 진행하는 단계는, 역경매를 통해 낙찰된 판매 가격이 상기 구매 선호 일자에 예측된 상품의 판매 가격 보다 높은 경우, 두 가격의 차액을 계산하고, 상기 고객에게 계산된 차액만큼을 전자 화폐로 보상하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 구매 옵션은, 상품의 식별 정보, 상품의 이용 개시 일자, 이용 종료 일자, 이용 시간, 상품의 결제 방식 및 상품의 유형 별 부가 서비스 선택 사항을 포함할 수 있다.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시 예에 따른, 상품 구매 서버를 제공한다. 상기 서버는, 통신부, 저장부 및 상기 통신부, 상기 저장부와 동작 가능하게 연결된 프로세서를 포함하되, 상기 프로세서는, 고객으로부터 상품의 구매 옵션을 획득하고, 상기 구매 옵션을 획득한 시점부터 상품의 이용 개시 시점 이전까지의 기간 동안 상품의 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 판매 가격을 일자 및 시간 별로 예측하며, 예측 결과를 기초로 상기 고객으로부터 구매 선호 일자 및 역경매 개시 일자를 획득하고, 상기 구매 선호 일자에 상품의 구매 정보를 생성하거나, 상기 역경매 개시 일자에 상품에 대한 역경매를 진행하도록 구성된다.

본 발명의 특징에 따르면, 상기 프로세서는, 상기 구매 옵션을 입력으로 상품의 재고 수량 및 예측 정확도를 예측하도록 학습된 판매 동향 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 재고 수량 및 예측 정확도를 일자 및 시간 별로 예측하도록 구성될 수 있다.

본 발명의 다른 특징에 따르면, 상기 프로세서는, 상기 일자 별로 예측되는 상품의 판매 가격이 현재 시점에 검색된 판매 가격보다 높거나 동일한 경우, 상기 고객의 상품 구매 의사를 확인하도록 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 프로세서는, 상기 고객으로부터 상품의 희망 구매 가격 범위 및 상기 구매 옵션 조정 범위를 획득하고, 상기 구매 선호 일자까지 상품의 구매를 일시 유보하고, 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링 하도록 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 프로세서는, 상기 구매 옵션 조정 범위를 만족하는 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링하도록 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 프로세서는, 상기 희망 구매 가격 범위를 벗어나는 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성하도록 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 프로세서는, 상기 고객으로부터 상품에 대한 구매 의사를 확인하는 경우, 상품의 구매 정보를 생성하고, 상기 상품의 이용 개시 시점 이전까지 상품의 판매 가격을 주기적으로 모니터링하여, 상기 현재 시점에 검색된 판매 가격 보다 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성하도록 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 구매 선호 일자는 상기 역경매 개시 일자보다 앞선 일자이며, 상기 프로세서는, 상기 구매 선호 일자에 상품의 구매 정보를 생성하지 않은 경우, 상기 구매 옵션에 따라 역경매를 즉시 진행하도록 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 프로세서는, 역경매를 통해 낙찰된 판매 가격이 상기 구매 선호 일자에 예측된 상품의 판매 가격 보다 높은 경우, 두 가격의 차액을 계산하고, 상기 고객에게 계산된 차액만큼을 전자 화폐로 보상하도록 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 상기 구매 옵션은, 상품의 식별 정보, 상품의 이용 개시 일자, 이용 종료 일자, 이용 시간, 상품의 결제 방식 및 상품의 유형 별 부가 서비스 선택 사항을 포함할 수 있다.

기타 실시 예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명은 상품의 이용 일자 이전에 상품의 과거 가격 정보와 각종 가격 변동 요인을 기초로 일자 별 상품의 가격을 예측함으로써, 고객은 합리적인 가격에 상품을 구매할 수 있다.

또한, 본 발명은 고객이 가격 변동이 큰 상품에 대하여 여러 판매처를 찾아 다니며 가격을 비교 검색하거나, 할인 이벤트 진행 여부를 검색하지 않고도 편리하게 상품을 구매할 수 있다.

또한, 본 발명은 상품의 가격을 예측하고 고객에게 예측된 결과와 예측의 정확도를 제공해줌으로써, 고객이 원하는 시점에 상품을 적정 구매 가격에 구매할 수 있다.

또한, 본 발명은 상품의 가격이 지정된 기한까지 떨어지지 않을 경우, 역경매를 진행할 수 있어 최종적으로 고객이 원하는 날짜 이전에 거래가 성사될 수 있으며, 그에 따른 고객 만족도가 향상될 수 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.

도 1은 본 발명의 일 실시 예에 따른 상품 구매 방법의 개요를 설명하기 위한 개략도이다.
도 2는 본 발명의 일 실시 예에 따른 상품 구매 시스템의 개략도이다.
도 3은 본 발명의 일 실시 예에 따른 상품 구매 서버의 구성을 나타낸 블록도이다.
도 4a 내지 도 4d는 본 발명의 일 실시 예에 따른 상품 가격 예측을 통한 상품 구매 과정을 설명하기 위한 개략도이다.
도 5는 본 발명의 일 실시 예에 따른 상품 구매 방법의 개략적인 순서도이다.
도 6은 본 발명의 일 실시 예에 따른 가격 예측 모델을 이용한 상품 가격 예측 결과를 설명하기 위한 개략도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.

본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.

본 발명의 여러 실시 예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시 예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.

본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.

도 1은 본 발명의 일 실시 예에 따른 상품 구매 방법의 개요를 설명하기 위한 개략도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 상품 구매 방법은 상품 구매 서버(100)가 고객의 판매 가격 검색 요청에 따라 가격 변동이 큰 상품군들에 대하여 상품의 판매 가격을 예측하고, 예측 결과를 제공해 줄 수 있다. 여기서, 가격 변동이 큰 상품군들이란 시즌, 지역, 사용기한 등의 각종 가격 변동 요인에 따라 정가 대비 가격의 변화량이 큰 상품군들을 의미하며, 그 중에서도 상품의 이용 개시 일자가 고정되어 있는 상품군을 의미할 수 있다. 대표적인 예로서, 렌터카, 항공권, 숙박권 등이 가격 변동이 큰 상품군에 포함될 수 있다. 다만, 본 발명의 일 실시 예에 따른 상품 구매 방법은 상술한 상품군에 제한되지 않으며, 다양한 물품, 서비스가 본 발명에 적용될 수 있다.

고객은 구매하고자 하는 상품의 종류에 따라, 다양한 구매 옵션 정보를 입력하고, 그에 따라 판매 가격 검색을 요청할 수 있는데, 예를 들어, 렌터카를 이용하고자 하는 고객은 차종(2020 아반떼 하이브리드), 예약 시작/종료일(이용 일자, 이용 종료 일자) 및 기타 옵션(후방카메라 설치) 등의 구매 옵션 정보를 입력할 수 있다.

이와 같이, 본 발명의 일 실시 예에 따른 상품 구매 방법은 상품의 구매 옵션 정보를 기초로 상품의 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여 고객에게 최적 가격의 상품을 제공할 수 있으며, 지정된 기한 내에 고객이 원하는 판매 가격과 부합하는 판매처가 존재하지 않을 경우, 판매자들을 통해 역경매를 진행하고, 낙찰가를 제공할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 상품 구매 시스템의 개략도이다.

도 2를 참조하면, 상품 구매 시스템(1000)은 고객 디바이스(10), 판매자 디바이스(20) 및 상품 구매 서버(100)를 포함할 수 있다.

고객 디바이스(10)는 상품을 구매하고자 하는 고객이 소지한 디바이스로서, PC, 태블릿 PC, 스마트 폰 등 통신 가능한 각종 전자 장치를 포함할 수 있다. 고객 디바이스(10)는 상품 구매 서버(100)가 제공한 어플리케이션을 이용하여 상품 구매 서버(100)로 구매하고자 하는 상품의 판매 가격 검색 요청을 할 수 있으며, 상품 구매 서버(100)로부터 상품의 판매 가격 예측 결과 또는 상품의 역경매 결과를 수신할 수 있다.

판매자 디바이스(20)는 상품을 판매하고자 하는 판매자가 소지한 디바이스로서, PC, 태블릿 PC, 스마트 폰 등 통신 가능한 각종 전자 장치를 포함할 수 있다. 판매자 디바이스(20)는 상품 구매 서버(100)가 제공한 어플리케이션을 이용하여 상품 구매 서버(100)로 고객이 제시한 상품 구매 옵션에 부합하는 상품의 판매 가격을 제시함으로써, 역경매에 참여할 수 있다.

상품 구매 서버(100)는 이를 동작시키는 프로세서에 의해 고객에게 상품의 구매 정보를 예측하여 제공할 수 있으며, PC, 태블릿 PC, 데이터 서버 등 각종 전자 장치를 포함할 수 있다. 상품 구매 서버(100)는 상품의 판매 가격을 예측하고, 예측 결과에 따른 상품 거래가 성사되기 위한 어플리케이션을 제공할 수 있다. 여기서, 어플리케이션은 웹 또는 모바일 어플리케이션으로 구현되며, 고객 디바이스(10) 및 판매자 디바이스(20)에 설치되어 실행되거나, URL, 이미지 코드 등을 통해 별도의 설치 없이도 실행될 수 있다.

상품 구매 서버(100)는 상품의 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여, 일자 및 시간 별로 상품의 판매 가격을 예측할 수 있다. 구체적으로, 상품 구매 서버(100)는 가격 예측 모델을 통해 구매 옵션이라는 하나의 입력 데이터를 기초로 상품의 판매 가격이라는 하나의 출력 데이터를 획득할 수 있다. 여기서, 입력 데이터로 정의되는 구매 옵션은 상품을 구매함에 있어 필수적인 사항에 대한 정보가 포함될 수 있다. 예를 들어, 항공권의 경우, 출발 장소, 도착 장소, 출발 일자, 도착 일자, 인원 수, 좌석 종류, 직항, 경유 횟수 등이 구매 옵션에 포함될 수 있으며, 요금확정여부, 좌석 상태 등의 부가적인 사항이 구매 옵션에 포함될 수 있다.

아울러, 출력 데이터로 정의되는 상품의 판매 가격은 일자 및 시간 별로 예측되는 상품의 판매 가격을 의미할 수 있다. 실시 예에 따라, 상품의 판매 가격은 상품의 구매 옵션을 획득한 현재 시점부터 고객의 상품 이용 개시 시점까지의 기간 동안에 예측되는 판매 가격으로, 일자를 기본 기준으로 하되, 예측되는 결과에 따라 시간 단위로 구분될 수 있다.

실시 예에 따라, 가격 예측 모델은 공지된 다양한 기계 학습 모델을 통해 구현될 수 있다. 아울러, 상품 구매 서버(100)는 k-접합 교차 검증 기법(k-fold cross validation)을 통해 서로 다른 기계 학습 기반의 가격 예측 모델 중 에서 성능이 우수한 모델을 선정하는 방식으로 가격 예측 모델을 구현할 수도 있다. 또한, 가격 예측 모델은 기계학습 알고리즘, 신경망 알고리즘(DNN, CNN, DCNN, RNN, RBM, DBN, SSD)), 딥러닝 알고리즘 중 적어도 하나의 인공지능 알고리즘을 이용하여 학습될 수 있다.

이와 같이, 가격 예측 모델을 통해 일자 및 시간 별로 상품의 판매 가격이 예측됨에 따라, 본 발명의 일 실시 예에 따른 상품 구매 서버(100)는 사용자에게 현 시점에서의 상품 구매를 유보시키고, 현재보다 저렴한 가격으로 상품을 구매할 수 있도록 정보를 제공할 수 있다.

한편, 상품 구매 서버(100)가 판매 가격을 예측하는 서비스를 제공하는 상품군의 경우, 고객이 상품의 이용 개시 일자 이전에, 짧게는 몇 날, 길게는 몇 달의 여유를 가지고 미리 구매하는 상품군으로서, 그 기간 동안의 예측 결과/검색 결과 고객이 원하는 가격대의 상품이 존재하지 않는 상황이 발생할 수 있다. 그에 따라, 상품 구매 서버(100)는 판매자들을 통해 상품의 역경매를 진행할 수 있으며, 고객은 고객 디바이스(10)를 통해 가장 만족스러운 상품 구매 조건을 제시한 판매자와 거래할 수 있다.

실시 예에 따라, 상품 구매 서버(100)는 고객 디바이스(10)를 통해 상품의 이용 개시 일자 뿐만 아니라, 상품의 구매 선호 일자 및 역경매 개시 일자를 획득하고, 해당 일자에 맞게 상품의 거래를 진행할 수 있다. 여기서, 구매 선호 일자는 상품 구매 서버(100)가 예측한 일자 별 가격 정보 중에서 고객이 원하는 가격대에 맞게 상품을 판매하는 일자를 의미하며, 역경매 개시 일자는 고객의 요청에 따라 상품의 경매를 진행하고자 하는 일자를 의미한다.

즉, 본 발명의 상품 구매 서버(100)는 고객에게 어떠한 방식을 이용해서라도 최적의 구매 조건에 맞게 상품을 구매할 수 있도록 상품 구매 서비스를 제공할 수 있으며, 상품 구매 서버(100)는 이러한 서비스 제공을 통해 고객과 판매자 간의 거래 성사율을 높일 수 있다.

지금까지 본 발명의 일 실시 예에 따른 상품 구매 시스템(1000)에 대하여 설명하였다. 본 발명에 따르면, 상품 구매 서버(100)는 상품 가격의 예측을 통해 고객에게 원하는 가격대에 상품을 구매할 수 있도록 상품 구매의 만족도를 높여줄 수 있으며, 역경매 진행을 통해 판매자에게는 상품을 구매할 의향이 있는 고객들을 접할 기회를 제공해 줄 수 있다.

이하에서는, 상품의 판매 가격을 예측하고, 역경매를 진행하는 상품 구매 서버(100)에 대하여 구체적으로 설명하도록 한다.

도 3은 본 발명의 일 실시 예에 따른 상품 구매 서버의 구성을 나타낸 블록도이다.

도 3을 참조하면, 상품 구매 서버(100)는 통신부(110), 저장부(120) 및 프로세서(130)를 포함할 수 있다.

통신부(110)는 유/무선 네트워크를 통해 고객 디바이스(10) 및 판매자 디바이스(20)와 데이터를 주고 받을 수 있다. 예를 들어, 통신부(110)는 고객 디바이스(10)로부터 상품의 구매 옵션을 수신하고, 고객 디바이스(10)로 일자 및 시간 별 상품의 가격 예측 결과를 송신할 수 있으며, 고객 디바이스(10)로 역경매 진행에 따른 각 판매자들의 판매 가격 제시 정보 및 상품 정보를 송신하고, 고객 디바이스(10)로부터 고객의 판매자 선택 정보를 수신할 수 있다. 다른 예를 들어, 통신부(110)는 판매자 디바이스(20)로 고객 별 상품의 구매 옵션 및 희망 구매 가격 범위를 송신하고, 판매자 디바이스(20)로부터 판매 가격 제시 정보 및 상품 정보를 수신할 수 있다.

또한, 통신부(110)는 오픈 마켓 서버(미도시)와 상품의 판매 정보와 관련된 데이터를 주고 받을 수 있다. 예를 들어, 통신부(110)는 오픈 마켓 서버로부터 새로운 상품 정보, 기존 상품의 생산 정보, 제휴사 정보를 수신할 수 있다.

저장부(120)는 상품 별로 최저 가격을 예측하고, 고객과 판매자가 간의 거래가 성사되게 하기 위한 각종 데이터를 저장할 수 있다. 구체적으로, 저장부(120)는 가격 예측 모델에 활용될 데이터를 저장할 수 있는데, 예를 들어, 저장부(120)는 상품의 구매 옵션에 따른 과거 가격 정보, 가격 변동 요인(요일, 휴일여부, 시즌, 지역, 차종, 사용일 및 구매일 차이, 업체, 사용 기간 등), 상품의 이전 수요량 정보 등의 데이터를 저장할 수 있다. 여기서, 업체 데이터는 업체 별로 주기적으로 진행하는 이벤트 정보, 업체 제휴사 정보, 업체의 창립일자 등이 포함될 수 있으며, 이러한 데이터는 업체 별 할인 이벤트 진행 여부를 예측하는 과정에서 활용될 수 있다.

한편, 후술하게 될 프로세서(130)는 상품의 판매 가격 검색 결과에 따라, 저장부(120)에 저장되어 있지 않은 새로운 업체가 존재하는 경우, 상품의 판매 정보와 함께 업체 정보를 저장부(120)에 저장할 수 있다.

또한, 저장부(120)는 고객 별로 고객의 식별 정보, 상품의 구매 옵션, 구매 선호 일자 및 역경매 개시 일자 정보를 저장할 수 있으며, 이는 상품의 판매 가격을 주기적으로 검색하는 과정에서 활용될 수 있다. 예를 들어, 상품의 구매 옵션은 상품의 식별 정보, 상품의 이용 개시 일자, 이용 종료 일자, 이용 시간, 상품의 결제 방식 및 상품의 유형 별 부가 서비스 선택 사항 등을 포함할 수 있다.

아울러, 후술하게 될 프로세서(130)는 저장부(120)에 저장된 정보를 기초로 상품의 판매 가격을 예측할 수 있는데, 예측 결과는 일자 및 시간을 기준으로 제공되는 것으로 기본으로 하되, 고객의 거주 지역이나, 고객의 요청에 따라 조정 가능한 사용 기간을 기준으로 제공될 수 있다. 예를 들어, 예측 결과는 “1월 1일 100,000원, 1월 2일 110,000원, 1월 3일 105,000원, 1월 3일 오후 10시~ 자정 90,000원”과 같이 일자 및 시간을 기준으로 제공되는 것 외에, “1월 1일 서울 ㅇㅇ점 100,000원, 1월 1일 구리/남양주 ㅁㅁ점 95,000원”, “1월 1일~1월 8일 500,000원, 1월 2일~1월9일 400,000원”과 같이 지역 또는 요청 사항을 기준으로 예측될 수 있다.

다양한 실시 예에서, 저장부(120)는 각종 데이터, 명령 및 정보를 저장할 수 있는 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 예를 들어, 저장부(120)는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리(SD, XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 네트워크 저장 스토리지, 클라우드, 블록체인 데이터베이스 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

또한, 저장부(120)는 상품 구매 서버(100)의 동작을 위한 명령어들이 기록되어 있을 수 있다. 다양한 실시 예에서, 저장부(120)는 상품의 판매 가격을 예측하고, 역경매를 진행하기 위한 어플리케이션(미도시)이 기록되어 있을 수 있다.

프로세서(130)는 통신부(110) 및 저장부(120)와 동작 가능하게 연결되어, 상품 구매 서버(100)의 전반적인 동작을 제어할 수 있으며, 저장부(120)에 저장된 어플리케이션 또는 프로그램을 구동하여, 고객과 판매자 간의 거래가 성사될 수 있도록 다양한 명령들을 수행할 수 있다.

프로세서(130)는 CPU(Central Processing Unit)나 AP(Application Processor)와 같은 연산 장치에 해당할 수 있다. 또한, 프로세서(130)는 다양한 연산 장치가 통합된 SoC(System on Chip)와 같은 통합 칩(Integrated Chip (IC))의 형태로 구현될 수 있다.

실시 예에 따라, 프로세서(130)는 고객으로부터 상품의 구매 옵션을 획득하고, 정해진 기간 동안 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여, 구매 옵션을 만족하는 상품의 판매 가격을 일자 및 시간 별로 예측할 수 있다. 여기서, 정해진 기간이란 구매 옵션을 획득한 시점부터 상품의 이용 개시 시점 이전까지의 기간을 의미하며, 프로세서(130)는 구매 옵션이라는 하나의 입력 데이터를 기초로 상품의 판매 가격이라는 하나의 출력 데이터를 획득할 수 있다. 여기서, 입력 데이터로 정의되는 구매 옵션은 상품의 식별 정보, 상품의 이용 개시 일자, 이용 종료 일자, 이용 시간, 상품의 결제 방식 및 상품의 유형 별 부가 서비스 선택 사항 등 상품을 구매함에 있어 필수적인 사항에 대한 정보가 포함될 수 있다. 예를 들어, 항공권의 경우, 출발 장소, 도착 장소, 출발 일자, 도착 일자, 인원 수, 좌석 종류, 직항, 경유 횟수 등이 구매 옵션에 포함될 수 있으며, 요금확정여부, 좌석 상태 등의 부가적인 사항이 구매 옵션에 포함될 수 있다.

아울러, 출력 데이터로 정의되는 상품의 판매 가격은 일자 및 시간 별로 예측되는 상품의 판매 가격을 의미할 수 있다. 실시 예에 따라, 상품의 판매 가격은 상품의 구매 옵션을 획득한 현재 시점부터 고객의 상품 이용 개시 시점까지의 기간 동안에 예측되는 판매 가격으로, 일자를 기본 기준으로 하되, 예측되는 결과에 따라 시간 단위로 구분될 수 있다.

실시 예에 따라, 가격 예측 모델은 공지된 다양한 기계 학습 모델을 통해 구현될 수 있다. 아울러, 프로세서(130)는 k-접합 교차 검증 기법(k-fold cross validation)을 통해 서로 다른 기계 학습 기반의 가격 예측 모델 중 에서 성능이 우수한 모델을 선정하는 방식으로 가격 예측 모델을 구현할 수도 있다. 또한, 가격 예측 모델은 기계학습 알고리즘, 신경망 알고리즘(DNN, CNN, DCNN, RNN, RBM, DBN, SSD)), 딥러닝 알고리즘 중 적어도 하나의 인공지능 알고리즘을 이용하여 학습될 수 있다.

도 4a 내지 도 4d는 본 발명의 일 실시 예에 따른 일 실시 예에 따른 상품 가격 예측을 통한 상품 구매 과정을 설명하기 위한 개략도이다.

도 4a를 참조하면, 상품 구매 서버(100)는 프로세서(130)가 수행하는 기능에 따라, API 서버(100a)와 분석 서버(100b)로 구분될 수 있으며, 점선에 도시된 기능들은 프로세서(130)에 의해 수행되는 것으로 이해될 수 있다.

상품 구매 서버(100)가 자동차 렌트 서비스를 제공할 경우, 고객은 고객 디바이스(10)를 통해 상품의 구매 옵션(A. 아반떼, 2019년식, 후방 카메라, 자동차 보험료 10,000원 B. 아반떼 블루투스, 후방 카메라, 자동차 보험료 11,000원)과 함께 예약 시작일 및 예약 종료일을 입력하게 되며, 고객 디바이스(100)로 상품 구매 서비스 인터페이스를 제공하는 API 서버(100a)는 이를 획득한 후, 분석 서버(100b)로 전달할 수 있다. 분석 서버(100b), 즉 프로세서(130)는 고객 디바이스(10)로부터 상품의 구매 옵션, 예약 시작일/종료일을 최초 입력 받은 경우에는 우선적으로, 상품의 가격을 검색할 수 있으며, 프로세서(130)는 이용 가능한 차량을 조회한 후, 통신부(110)를 통해 이를 고객 디바이스(10)로 송신할 수 있다.

도 4b를 참조하면, 고객이 현 시점의 판매 가격에 따라 상품을 구매하지 않을 경우, 고객 디바이스(10)는 상품 구매 서비스를 제공하는 API 서버(100a)로 특정 상품에 대한 가격 예측 요청을 할 수 있다. 여기서, 가격 예측 요청은 상품의 구매 옵션을 포함할 수 있으며, 추가로 상품의 희망 구매 가격 범위 및 구매 옵션 조정 범위를 포함할 수 있다.

예를 들어, 렌터가의 경우 구매 옵션으로 예약 시작일, 예약 종료일, 차종, 보험료, 렌탈료를 포함하고, 더 나아가 예약 시작일 및 예약 종료일 조정 범위, 렌탈료 구매 가능 범위 등이 포함될 수 있다.

다시 도 3을 참조하면, 프로세서(130)는 고객 별로 상품의 구매 옵션(사용자 조건)을 저장부(120)에 저장할 수 있으며, 가격 예측 모델을 통해 상품의 판매 가격을 일자 및 시간 별로 예측한 뒤, 예측된 결과를 통신부(110)를 통해 고객 디바이스(10)로 송신할 수 있다. 구체적으로, 프로세서(130)는 판매 동향 예측 모델을 이용하여 일자 별 판매 가격뿐만 아니라, 상품의 재고 수량과 예측 정확도를 예측할 수 있다. 여기서, 판매 동향 예측 모델은 구매 옵션을 입력 데이터로 하고, 상품의 재고 수량 및 예측 정확도를 출력 데이터로 하는 모델이며, 가격 예측 모델과 동일하게 공지된 다양한 기계 학습 모델을 통해 구현될 수 있다. 즉, 프로세서(130)는 특정 일자에 상품의 판매 가격이 저렴하다 하더라도, 판매 동향 예측 모델을 통해 고객이 재고 수량과 예측 정확도를 고려한 선택을 할 수 있도록 부가 정보를 제공해줄 수 있다.

한편, 프로세서(130)는 일자 별로 예측되는 상품의 판매 가격이 현재 시점에 검색된 판매 가격보다 높거나 동일한 경우, 통신부(110)를 통해 고객의 상품 구매 의사를 확인할 수 있다. 이는, 가격 예측 모델에서 학습되지 않은 변수 데이터가 존재할 경우를 대비한 것으로서, 프로세서(130)는 고객 디바이스(10)를 통해 고객이 현 시점의 판매 가격에 따라 상품을 구매할 것인지 확인할 수 있다.

예측 결과를 확인한 고객이 현 시점의 판매 가격에 따라 상품을 구매하지 않을 경우, 프로세서(130)는 통신부(110)를 통해 고객 디바이스(10)로부터 고객의 구매 선호 일자 및 역경매 개시 일자를 획득할 수 있다.

예를 들어, 프로세서(130)에 의해 상품의 판매 가격을 예측한 기간이 현 시점(1일)부터 이용 개시 시점(10일) 이전까지라면, 고객은 2일~9일 중 상품 구매 선호 일자와 역경매 개시 일자를 선택할 수 있다. 다만, 여기서 구매 선호 일자와 역경매 개시 일자를 일 단위로 설명하였으나, 구체적인 이용 개시 시각에 따라 시/분 단위의 선택이 가능할 수 있다.

즉, 프로세서(130)는 고객이 이용 개시 시점 이전에 상품 구매를 완료할 수 있도록, 예측된 결과를 토대로 고객 디바이스(10)로부터 구매 일자를 지정 받을 수 있으며, 구매 선호 일자 이전까지 상품의 구매를 일시 유보하고, 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링할 수 있다.

도 4c를 참조하면, 프로세서(130)는 저장부(120)에 저장된 고객(사용자) 별 상품의 구매 옵션, 희망 구매 가격 범위 및 구매 옵션 조정 범위를 토대로 상품의 가격을 검색할 수 있으며, 검색을 위한 데이터에는 판매자 디바이스(20)의 판매 정보(예. 차량 대여 정보)를 수집하는 ERP(Enterprise Resource Planning) 서버(200)가 활용될 수 있다.

다시 도 3을 참조하면, 프로세서(130)는 고객의 희망 구매 가격 범위를 벗어나는 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성할 수 있다. 상품의 구매 알림은 통신부(110)를 통해 고객 디바이스(10)로 송신될 수 있으며, 고객 디바이스(10)는 상품의 판매 가격을 지속적으로 모니터링하는 상품 구매 서버(100)를 통해 보다 저렴한 가격에 상품을 구매할 수 있다.

뿐만 아니라, 프로세서(130)는 고객을 통해 지정된 구매 선호 일자에 통신부(110)를 통해 고객 디바이스(10)로부터 상품에 대한 구매 의사를 확인하고, 상품의 구매 정보를 생성할 수 있으며, 그에 따라 고객 디바이스(10)는 생성된 구매 정보를 토대로 상품을 구매할 수 있다. 다만, 프로세서(130)는 구매 시점 이후에도, 상품의 이용 개시 시점 이전까지 상품의 가격을 주기적으로 모니터링하고, 현재 시점에 검색된 판매 가격보다 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 새롭게 생성할 수 있다. 여기서, 현재 시점에 검색된 판매 가격은 고객이 지급한 상품의 판매 대금을 의미하며, 이를 통해 고객 디바이스(10)는 고객이 만족하는 적정 가격에 상품을 구매할 수 있다.

프로세서(130)는 구매 취소에 따라 피해를 입을 수 있는 판매자에게는 해당 판매자 디바이스(20)로 서비스에서 이용 가능한 가상 화폐를 제공하거나, 검색/예측 결과를 제공하는 과정에서 동일 조건의 다른 판매자가 존재할 경우, 해당 판매자의 판매 정보를 최상단에 노출시켜주는 등의 보상 서비스를 제공할 수 있다. 또한, 프로세서(130)는 고객이 구매한 가격보다 낮은 판매 가격의 상품이 존재하여, 통신부(110)를 통해 해당 정보를 고객 디바이스(10)로 제공하는 과정에서, 고객 디바이스(10)로부터 이전 거래를 취소하지 않는다는 의사를 전달 받은 경우, 해당 고객 디바이스(10)로 상품 구매 서비스에서 이용 가능한 가상 화폐를 제공해 줄 수 있다.

한편, 프로세서(130)는 역경매 방식으로 고객에게 상품 판매 가격을 제시해 줄 수 있다. 역경매는 다양한 사유에 따라 진행될 수 있는데, 예를 들어 상품을 급하게 구매해야 하는 고객의 요청에 따라 역경매가 진행되거나, 본인이 지정한 구매 선호 일자에 상품을 구매하지 못했을 경우에 역경매가 진행될 수 있다. 여기서 두 번째 예시는 앞서 프로세서(130)가 통신부(110)를 통해 획득한 역경매 개시 일자와 연관된 내용으로서, 고객이 예측 결과에 따라 상품이 원하는 가격에 판매되길 기다렸지만 고객이 희망하는 판매 가격에 부합하는 판매처가 검색되지 않았을 경우에는, 프로세서(130)에 의해 역경매가 진행될 수 있다. 역경매가 진행되는 상황을 대비하기 위해, 프로세서(130)는 고객이 구매 선호 일자를 역경매 개시 일자보다 앞선 일자에 선택하도록 고객 디바이스(10)로 일자 선택 정보를 제공할 수 있다. 즉, 상품의 판매 가격을 예측한 기간이 현 시점(1일)부터 이용 개시 시점(10일) 이전까지이고, 고객이 구매 선호 일자를 5일로 선택했을 경우, 고객은 6일~9일 사이에서 역경매 개시 일자를 선택할 수 있다.

그에 따라, 프로세서(130)는 구매 선호 일자에 상품의 구매 정보를 생성하지 않은 경우(지정된 구매 선호 일자에 상품을 구매하지 못했을 경우), 구매 옵션에 따라 역경매를 즉시 진행할 수 있다.

도 4d를 참조하면, 상품 구매 서비스 인터페이스를 제공하는 API 서버(100a)는 고객 디바이스(10)로부터 예약 시작일, 예약 종료일, 차종, 보험, 렌탈료 등을 수신하고, 이를 판매자 디바이스(20)로 전달할 수 있다. 아울러, API 서버(100a)는 이에 대한 응답으로 판매자 디바이스(20)로부터 상품의 구매 옵션에 따른 판매 가격을 제시 받고, 고객 디바이스(10)로 전달할 수 있다. 고객은 판매자들이 제시한 판매 가격을 확인하고, 그 중 어느 하나의 판매처를 선택할 수 있으며, 프로세서(130)는 고객 디바이스(10)를 통해 고객이 선택한 판매처의 판매 정보를 확인하고, 낙찰가와 함께 구매 정보를 생성할 수 있다.

한편, 여기서 프로세서(130)는 역경매를 통해 낙찰된 판매 가격이 구매 선호 일자에서 예측된 상품의 판매 가격보다 높은 경우, 두 가격의 차액을 계산하고, 고객에게 계산된 차액만큼을 전자 화폐로 보상할 수 있다. 이를 통해, 고객의 상품 서비스에 대한 불만족을 최소화할 수 있다.

지금까지 본 발명의 일 실시 예에 따른 상품 구매 서버(100)에 대하여 설명하였다. 본 발명에 따르면, 상품 구매 서버(100)가 상품의 가격을 예측하고 예측된 결과와 예측의 정확도를 제공해줌으로써, 고객 디바이스(10)는 고객은 원하는 시점에 상품을 적정 구매 가격에 구매할 수 있다. 또한, 상품 구매 서버(100)는 상품의 가격이 지정된 기한까지 떨어지지 않을 경우 역경매를 진행하여, 최종적으로 고객이 원하는 날짜 이전에 거래가 성사될 수 있도록 하며, 그에 따라 고객 만족도를 향상시킬 수 있다.

이하에서는 상품 구매 서버(100)를 이용한 상품 구매 방법에 대하여 설명하도록 한다.

도 5는 본 발명의 일 실시 예에 따른 상품 구매 방법의 개략적인 순서도이다.

도 5를 참조하면, 상품 구매 서버(100)는 고객 디바이스(10)로부터 구매 옵션을 획득한다(S110). 구체적으로, 구매 옵션은 상품의 식별 정보, 상품의 이용 개시 일자, 이용 종료 일자, 이용 시간, 상품의 결제 방식 및 상품의 유형 별 부가 서비스 선택 사항 등 상품을 구매함에 있어 필수적인 사항에 대한 정보를 포함할 수 있다.

S110 단계 이후, 상품 구매 서버(100)는 가격 예측 모델을 이용하여, 구매 옵션을 만족하는 상품의 판매 가격을 일자 및 시간 별로 예측한다(S120). 가격 예측 모델은 정해진 기간 동안 판매 가격을 예측하도록 학습된 모델로서, 구매 옵션이라는 하나의 입력 데이터를 기초로 상품의 판매 가격이라는 하나의 출력 데이터를 획득할 수 있다. 이때, 정해진 기간이란 구매 옵션을 획득한 시점부터 상품의 이용 개시 시점 이전까지의 기간을 의미할 수 있다.

실시 예에 따라, 가격 예측 모델은 공지된 다양한 기계 학습 모델을 통해 구현될 수 있다. 아울러, 상품 구매 서버(100)는 k-접합 교차 검증 기법(k-fold cross validation)을 통해 서로 다른 기계 학습 기반의 가격 예측 모델 중 에서 성능이 우수한 모델을 선정하는 방식으로 가격 예측 모델을 구현할 수도 있다. 또한, 가격 예측 모델은 기계학습 알고리즘, 신경망 알고리즘(DNN, CNN, DCNN, RNN, RBM, DBN, SSD)), 딥러닝 알고리즘 중 적어도 하나의 인공지능 알고리즘을 이용하여 학습될 수 있다.

예를 들어, 상품 구매 서버(100)는 항공권의 가격을 예측하기 위해 출발 장소, 도착 장소, 출발 일자, 도착 일자, 인원 수, 좌석 종류, 직항, 경유 횟수 등을 가격 예측 모델의 입력 데이터로 활용하고, 일자 및 시간 별로 예측되는 상품의 판매 가격 등의 출력 데이터를 얻을 수 있다. 실시 예에 따라, 상품의 판매 가격은 상품의 구매 옵션을 획득한 현재 시점부터 고객의 상품 이용 개시 시점까지의 기간 동안에 예측되는 판매 가격으로, 일자를 기본 기준으로 하되, 보다 세부적으로는 시간 단위로 구분될 수 있다.

또한, 상품 구매 서버(100)는 판매 동향 예측 모델을 이용하여 일자 별 판매 가격뿐만 아니라, 상품의 재고 수량과 예측 정확도를 예측할 수 있다. 여기서, 판매 동향 예측 모델은 구매 옵션을 입력 데이터로 하고, 상품의 재고 수량 및 예측 정확도를 출력 데이터로 하는 모델이며, 가격 예측 모델과 동일하게 공지된 다양한 기계 학습 모델을 통해 구현될 수 있다. 즉, 상품 구매 서버(100)는 특정 일자에 상품의 판매 가격이 저렴하다 하더라도, 판매 동향 예측 모델을 통해 고객이 재고 수량과 예측 정확도를 고려한 선택을 할 수 있도록 부가 정보를 제공해줄 수 있다.

S120 단계를 통해, 상품 구매 서버(100)는 일자 및 시간 별로 판매 가격 예측 결과를 제공하는 바, 고객은 이를 확인하고 현 시점에서 상품의 구매 여부를 결정할 수 있다.

실시 예에 따라, 상품 구매 서버(100)는 고객 디바이스(10)로부터 상품의 구매 의사를 수신하고(S130-1), 그에 따라 상품의 구매 정보를 생성하여 고객 디바이스(10)로 송신할 수 있다(S140-1).

다른 실시 예에 따라, 상품 구매 서버(100)는 고객 디바이스(10)로부터 구매 선호 일자 및 역경매 선호 일자를 수신할 수 있다(S130-10). 예를 들어, 상품 구매 서버(100)가 상품의 판매 가격을 예측한 기간이 현 시점(1일)부터 이용 개시 시점(10일) 이전까지라면, 고객은 2일~9일 중 상품 구매 선호 일자와 역경매 개시 일자를 선택할 수 있다. 다만, 이때 구매 선호 일자와 역경매 개시 일자를 일 단위로 설명하였으나, 구체적인 이용 개시 시각에 따라 시/분 단위의 선택이 가능할 수 있다.

즉, 상품 구매 서버(100)는 고객이 이용 개시 시점 이전에 상품 구매를 완료할 수 있도록 예측된 결과를 토대로 고객 디바이스(10)로부터 구매 일자를 지정 받을 수 있으며, 구매 선호 일자 이전까지 상품의 구매를 일시 유보하고, 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링할 수 있다. 이때, 상품 구매 서버(100)는 고객 디바이스(10)로부터 추가로 상품의 희망 구매 가격 범위 및 구매 옵션 조정 범위를 추가로 수신하고, 기준 범위에 따라 상품을 모니터링할 수 있다.

한편, 상품 구매 서버(100)는 고객의 희망 구매 가격 범위를 벗어나는 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성할 수 있다. 상품의 구매 알림은 고객 디바이스(10)로 송신될 수 있으며, 고객 디바이스(10)는 상품의 판매 가격을 지속적으로 모니터링 하는 상품 구매 서버(100)를 통해 보다 저렴한 가격에 상품을 구매할 수 있다.

뿐만 아니라, 상품 구매 서버(100)는 고객을 통해 지정된 구매 선호 일자에 고객 디바이스(10)로부터 상품에 대한 구매 의사를 확인하고, 상품의 구매 정보를 생성할 수 있으며(S140-10), 그에 따라 고객 디바이스(10)는 생성된 상품의 구매 정보를 토대로 상품을 구매할 수 있다. 다만, 상품 구매 서버(100)는 구매 시점 이후에도, 상품의 이용 개시 시점 이전까지 상품의 가격을 주기적으로 모니터링하고, 현재 시점에 검색된 판매 가격보다 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 새롭게 생성할 수 있다. 여기서, 현재 시점에 검색된 판매 가격은 고객이 지급한 상품의 판매 대금을 의미하며, 이를 통해 고객 디바이스(10)는 고객이 만족하는 적정 가격에 상품을 구매할 수 있다.

상품 구매 서버(100)는 구매 취소에 따라 피해를 입을 수 있는 판매자에게는 해당 판매자 디바이스(20)로 서비스에서 이용 가능한 가상 화폐를 제공하거나, 검색/예측 결과를 제공하는 과정에서 동일 조건의 다른 판매자가 존재할 경우, 해당 판매자의 판매 정보를 최상단에 노출시켜주는 등의 보상 서비스를 제공할 수 있다. 또한, 상품 구매 서버(100)는 고객이 구매한 가격보다 낮은 판매 가격의 상품이 존재하여, 해당 정보를 고객 디바이스(10)로 제공하는 과정에서, 고객 디바이스(10)로부터 이전 거래를 취소하지 않는다는 의사를 전달 받은 경우, 해당 고객 디바이스(10)로 상품 구매 서비스에서 이용 가능한 가상 화폐를 제공해 줄 수 있다.

또한, 상품 구매 서버(100)는 판매자들을 통해 역경매를 진행하고(S140-10), 고객 디바이스(10)로 역경매를 통한 판매자들의 상품 판매 가격을 제공해 줄 수 있다. 역경매는 다양한 사유에 따라 진행될 수 있는데, 예를 들어 상품을 급하게 구매해야 하는 고객의 요청에 따라 역경매가 진행되거나, 본인이 지정한 구매 선호 일자에 상품을 구매하지 못했을 경우에 역경매가 진행될 수 있다. 즉, 고객이 상품 구매 서버(100)의 예측 결과에 따라 상품이 원하는 가격에 판매되길 기다렸지만 고객이 희망하는 판매 가격에 부합하는 판매처가 검색되지 않았을 경우에, 상품 구매 서버(100)에 의해 역경매가 진행될 수 있다.

도 6은 본 발명의 일 실시 예에 따른 가격 예측 모델을 이용한 상품 가격 예측 결과를 설명하기 위한 개략도이다.

도 6을 참조하면, 상품 구매 서버(100)는 앞서 예시로 든 상황을 대비하기 위해, 상품의 구매 옵션을 획득한 날짜(2일)부터 상품의 이용 개시 시점(20일) 사이에서 고객이 구매 선호 일자를 역경매 개시 일자보다 앞선 일자에 선택하도록 고객 디바이스(10)로 일자 선택 정보를 제공할 수 있다.

즉, 고객이 상품 구매 선호 일자를 11일로 선택했을 경우, 역경매 개시 일자는 12일~19일 사이에서 선택될 수 있으며, 상품 구매 서버(100)는 고객의 역경매 개시 일자 선택에 따라 16일에 판매자들을 통해 역경매를 진행할 수 있다.

한편, 상품 구매 서버(100)는 역경매를 통해 낙찰된 판매 가격이 구매 선호 일자에서 예측된 상품의 판매 가격보다 높은 경우, 두 가격의 차액을 계산하고, 고객에게 계산된 차액만큼을 전자 화폐로 보상할 수 있다. 이러한 보상을 통해, 상품 구매 서버(100)가 제공하는 상품 구매 서비스에 대한 고객의 불만족을 최소화할 수 있다.

지금까지 본 발명의 일 실시 예에 따른 상품 구매 방법에 대하여 설명하였다. 본 발명에 따르면, 고객은 가격 변동이 큰 상품에 대하여 여러 판매처를 찾아 다니며 가격을 비교 검색하거나, 할인 이벤트 진행 여부를 검색하지 않고도 편리하게 상품을 구매할 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 일 실시 예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시 예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

1000: 상품 구매 시스템
10: 고객 디바이스
20: 판매자 디바이스
100: 상품 구매 서버
110: 통신부
120: 저장부
130: 프로세서
200: ERP 서버

Claims (20)

1. 상품 구매 서버의 프로세서에 의해 수행되는 상품 구매 방법으로서, 고객 디바이스로부터 고객 별 구매 마감 시점이 미리 정해진 상품의 식별 정보, 상품의 이용 개시 일자, 이용 종료 일자, 이용 시간, 상품의 결제 방식 및 상품의 유형 별 복수의 부가 서비스 선택 사항을 포함하는 상품의 구매 옵션을 수신하는 단계;
   상기 구매 옵션을 입력으로 하여, 상기 구매 옵션을 획득한 시점부터 상품의 이용 개시 시점 이전까지의 기간 동안 상품의 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 판매 가격을 일자 및 시간 별로 예측하는 단계;
   상기 구매 옵션을 입력으로 하여, 상품의 재고 수량 및 예측 정확도를 예측하도록 학습된 판매 동향 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 재고 수량 및 예측 정확도를 일자 및 시간 별로 예측하는 단계;
   상기 일자 및 시간 단위의 판매 가격, 재고 수량 및 예측 정확도를 포함하는 예측 결과에서 재고 수량 또는 예측 정확도가 기 설정된 값 이상으로 높은 판매처에 대한 복수의 판매 가격이 현재 시점의 판매 가격 이상이거나 동일한 경우, 상기 고객 디바이스를 통해 상품의 즉시 구매, 구매 유보 및 역경매 중 어느 한 유형의 구매 의사를 결정하는 단계;
   상기 고객 디바이스로부터 고객의 구매 의사를 확인한 경우, 상품의 구매 정보를 생성하고, 상기 고객 디바이스로부터 고객의 구매 의사를 확인하지 못한 경우, 상기 고객 디바이스로부터 상기 이용 개시 일자 이전의 구매 선호 일자 및 역경매 개시 일자를 수신하는 단계;
   상기 구매 선호 일자 이전까지 상품의 판매 가격 및 재고 수량을 모니터링하는 단계;
   모니터링 결과, 상기 현재 시점의 판매 가격 보다 낮고, 재고 수량이 기 설정된 값 이상인 상품이 검색되는 경우, 구매 옵션 조정 항목을 포함하는 상품의 구매 알림을 생성하는 단계;
   상기 구매 선호 일자에 상기 고객 디바이스로부터 상품의 구매 정보 생성 요청을 수신하는지 여부를 결정하는 단계;
   상기 구매 선호 일자에 상품의 구매 정보를 생성하지 않은 경우, 상품의 유형 별 복수의 부가 서비스 선택 사항 중 적어도 하나가 제외 가능한 상기 구매 옵션을 기초로 하는 역경매 진행 요청을 복수의 판매자 디바이스로 송신하는 단계;
   상기 복수의 판매자 디바이스로부터 상기 상품의 유형 별 복수의 부가 서비스 선택 사항 중 적어도 하나를 포함하는 구매 옵션에 대한 판매 가격을 수신하고, 수신된 복수의 판매 가격을 상기 고객 디바이스로 전달하는 단계; 및
   상기 고객 디바이스를 통해 상기 복수의 판매 가격 중 어느 하나의 판매 가격을 기초로 상품을 낙찰하는 단계; 를 포함하는 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법.
2. 삭제
3. 삭제
4. 제1항에 있어서,
   상기 일자를 수신하는 단계는,
   상기 고객 디바이스로부터 상품의 희망 구매 가격 범위 및 상기 구매 옵션의 조정 범위를 수신하는 단계, 와
   상기 구매 선호 일자까지 상품의 구매를 일시 유보하고, 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링하는 단계, 를 더 포함하는 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법.
5. 제4항에 있어서,
   상기 모니터링하는 단계는,
   상기 구매 옵션 조정 범위를 만족하는 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링하는 단계인, 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법.
6. 제4항에 있어서,
   상기 모니터링하는 단계는,
   상기 희망 구매 가격 범위를 벗어나는 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성하는 단계, 를 더 포함하는 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법.
7. 삭제
8. 삭제
9. 제1항에 있어서,
   상기 상품을 낙찰하는 단계는,
   역경매를 통해 낙찰된 판매 가격이 상기 구매 선호 일자에 예측된 상품의 판매 가격 보다 높은 경우, 두 가격의 차액을 계산하고, 상기 고객에게 계산된 차액만큼을 전자 화폐로 보상하는 단계, 를 더 포함하는 시계열 기반의 상품 가격 예측을 통한 상품 구매 방법.
10. 삭제
11. 통신부;
    저장부; 및
    상기 통신부, 상기 저장부와 동작 가능하게 연결된 프로세서; 를 포함하되,
    상기 프로세서는,
    상기 통신부를 통해, 고객 디바이스로부터 고객 별 구매 마감 시점이 미리 정해진 상품의 식별 정보, 상품의 이용 개시 일자, 이용 종료 일자, 이용 시간, 상품의 결제 방식 및 상품의 유형 별 복수의 부가 서비스 선택 사항을 포함하는 상품의 구매 옵션을 수신하고,
    상기 구매 옵션을 획득한 시점부터 상품의 이용 개시 시점 이전까지의 기간동안 상품의 판매 가격을 예측하도록 학습된 가격 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 판매 가격을 일자 및 시간 별로 예측하며,
    상기 구매 옵션을 입력으로 하여, 상품의 재고 수량 및 예측 정확도를 예측하도록 학습된 판매 동향 예측 모델을 이용하여, 상기 구매 옵션을 만족하는 상품의 재고 수량 및 예측 정확도를 일자 및 시간 별로 예측하고,
    상기 일자 및 시간 단위의 판매 가격, 재고 수량 및 예측 정확도를 포함하는 예측 결과에서 재고 수량 또는 예측 정확도가 기 설정된 값 이상으로 높은 판매처에 대한 복수의 판매 가격이 현재 시점의 판매 가격 이상이거나 동일한 경우, 상기 고객 디바이스를 통해 상품의 즉시 구매, 구매 유보 및 역경매 중 어느 한 유형의 구매 의사를 결정하며,
    상기 통신부를 통해, 상기 고객 디바이스로부터 고객의 구매 의사를 확인한 경우, 상품의 구매 정보를 생성하고, 상기 고객 디바이스로부터 고객의 구매 의사를 확인하지 못한 경우, 상기 고객 디바이스로부터 상기 이용 개시 일자 이전의 구매 선호 일자 및 역경매 개시 일자를 수신하고,
    상기 구매 선호 일자 이전까지 상품의 판매 가격 및 재고 수량을 모니터링하며,
    모니터링 결과, 상기 현재 시점의 판매 가격 보다 낮고, 재고 수량이 기 설정된 값 이상인 상품이 검색되는 경우, 구매 옵션 조정 항목을 포함하는 상품의 구매 알림을 생성하고,
    상기 구매 선호 일자에 상기 고객 디바이스로부터 상품의 구매 정보 생성 요청을 수신하는지 여부를 결정하며,
    상기 구매 선호 일자에 상품의 구매 정보를 생성하지 않은 경우, 상기 통신부를 통해 상품의 유형 별 복수의 부가 서비스 선택 사항 중 적어도 하나가 제외 가능한 상기 구매 옵션을 기초로 하는 역경매 진행 요청을 복수의 판매자 디바이스로 송신하고,
    상기 복수의 판매자 디바이스로부터 상기 상품의 유형 별 복수의 부가 서비스 선택 사항 중 적어도 하나를 포함하는 구매 옵션에 대한 판매 가격을 수신하고, 수신된 복수의 판매 가격을 상기 고객 디바이스로 전달하며,
    상기 고객 디바이스를 통해 상기 복수의 판매 가격 중 어느 하나의 판매 가격을 기초로 상품을 낙찰하도록 구성되는, 상품 구매 서버.
12. 삭제
13. 삭제
14. 제11항에 있어서,
    상기 프로세서는,
    상기 통신부를 통해 상기 고객 디바이스로부터 상품의 희망 구매 가격 범위 및 상기 구매 옵션의 조정 범위를 수신하고,
    상기 구매 선호 일자까지 상품의 구매를 일시 유보하고, 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링 하도록 구성되는, 상품 구매 서버.
15. 제14항에 있어서,
    상기 프로세서는,
    상기 구매 옵션 조정 범위를 만족하는 상품의 판매 가격 및 재고 수량을 주기적으로 모니터링하도록 구성되는, 상품 구매 서버.
16. 제14항에 있어서,
    상기 프로세서는,
    상기 희망 구매 가격 범위를 벗어나는 낮은 판매 가격의 상품이 검색되는 경우, 상품의 구매 알림을 생성하도록 구성되는, 상품 구매 서버.
17. 삭제
18. 삭제
19. 제11항에 있어서,
    상기 프로세서는,
    역경매를 통해 낙찰된 판매 가격이 상기 구매 선호 일자에 예측된 상품의 판매 가격 보다 높은 경우, 두 가격 간의 차액을 계산하고, 상기 고객에게 계산된 차액만큼을 전자 화폐로 보상하도록 더 구성되는, 상품 구매 서버.
20. 삭제

Images