KR102594089B1 - Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 - Google Patents
Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 Download PDFInfo
- Publication number
- KR102594089B1 KR102594089B1 KR1020200164752A KR20200164752A KR102594089B1 KR 102594089 B1 KR102594089 B1 KR 102594089B1 KR 1020200164752 A KR1020200164752 A KR 1020200164752A KR 20200164752 A KR20200164752 A KR 20200164752A KR 102594089 B1 KR102594089 B1 KR 102594089B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- food ingredients
- artificial intelligence
- pos
- automatic ordering
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 235000012041 food component Nutrition 0.000 claims abstract description 98
- 239000005417 food ingredient Substances 0.000 claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 235000013305 food Nutrition 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012731 temporal analysis Methods 0.000 claims description 13
- 238000000700 time series analysis Methods 0.000 claims description 13
- 235000013361 beverage Nutrition 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 21
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 18
- 238000005311 autocorrelation function Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 230000001932 seasonal effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 235000015277 pork Nutrition 0.000 description 6
- 239000000843 powder Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 235000009508 confectionery Nutrition 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 235000012149 noodles Nutrition 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000234282 Allium Species 0.000 description 3
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 3
- 208000025721 COVID-19 Diseases 0.000 description 3
- 241000282412 Homo Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013068 supply chain management Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 240000004160 Capsicum annuum Species 0.000 description 2
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 2
- 235000007862 Capsicum baccatum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000001728 capsicum frutescens Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 235000013555 soy sauce Nutrition 0.000 description 2
- 235000019698 starch Nutrition 0.000 description 2
- 239000008107 starch Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 240000002234 Allium sativum Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000219130 Cucurbita pepo subsp. pepo Species 0.000 description 1
- 235000003954 Cucurbita pepo var melopepo Nutrition 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 241000237502 Ostreidae Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002844 continuous effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 239000008162 cooking oil Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 235000008960 ketchup Nutrition 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 235000020636 oyster Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000008159 sesame oil Substances 0.000 description 1
- 235000011803 sesame oil Nutrition 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 235000021419 vinegar Nutrition 0.000 description 1
- 239000000052 vinegar Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/10—Office automation; Time 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
- G06Q20/00—Payment architectures, schemes or protocols
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
- G06Q20/145—Payments according to the detected use or quantity
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/20—Point-of-sale [POS] network systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템이 제공되며, POS 데이터를 자동으로 업로드하고, 자동 발주된 식자재 금액을 결제하는 적어도 하나의 가맹점 단말 및 적어도 하나의 가맹점 단말로부터 POS 데이터를 수집하는 수집부, POS 데이터에 포함된 POS 판매 상품정보 및 POS 매출정보를 추출하여 식자재의 종류 및 수량을 식별하는 식별부, POS 매출정보, 날씨정보 및 요일정보를 수집하여 기 구축된 소비 예측 알고리즘으로 소비될 식자재의 종류 및 수량을 예측하는 예측부, 기 설정된 기간 동안 누적된 적어도 하나의 가맹점 단말에서 식자재를 주문한 구매 데이터를 이용하여 구매패턴을 딥러닝으로 학습한 후 예측부에서 예측한 식자재의 종류 및 수량과, 학습된 구매패턴에 기반하여 자동 발주를 수행하는 발주부를 포함하는 자동 발주 서비스 제공 서버를 포함한다.
Description
본 발명은 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템에 관한 것으로, 각 식당의 발주 데이터 및 패턴을 학습하여 식자재의 종류 및 수량을 예측함으로써 인간 대신 인공지능이 자동으로 발주를 넣어주는 플랫폼을 제공한다.
자영업계의 경쟁이 가중되면서 소상공인들은 공급체인 관리의 중요성을 인식하게 되었다. 식자재의 공급체인 관리는, 식당의 다양한 기능 전략과 연계시키고 더 나아가 외부의 원재료 공급자, 유통업자, 고객과 연결되어 소상공인의 경쟁력을 향상시킨다. 공급체인 관리와 기능전략과의 연계는 매우 복잡한 과업이 될 수 있다. 전략적인 관점에서 식당의 구조와 경영 전략은 일관성을 가져야만 시장에서 성공할 수 있다. 경영 전략은 경쟁 전략인 원가우위 전략, 차별화 전략, 집중화 전략이 있으며, 경쟁우위를 달성할 수 있는 전략은 원가우위 전략과 차별화 전략이다. 원가우위 전략은 푸드생산의 규모 경제, 경험 곡선 효과, 조리 생산 시설의 활용도, 주방 조직의 효율성에 바탕을 둔다. 반면에, 차별화 전략은 서비스 및 메뉴의 배타성을 획득하여야 가능하다. 두 전략은 푸드생산 전략과 상호작용하고 있으며, 공급체인과도 연계되어 있다.
이때, 식자재를 자동으로 발주할 수 있는 플랫폼이 연구 및 개발되었는데, 이와 관련하여, 선행기술인 한국공개특허 제2019-0033888호(2019년04월01일 공개) 및 한국등록특허 제10-1999997호(2019년07월15일 공고)에는, 각 학교의 주문 내역을 입력받고, 입력된 주문 내역상의 각각의 식자재에 대한 재고와 주문량을 비교하여 각각의 식자재에 대한 발주 여부를 결정하며, 발주를 수행하는 것으로 결정되면, 급식관리 시스템이 각 식자재별로 미리 등록된 공급처 정보를 이용하여 발주를 수행하고, 각 학교의 주문 내역에 따라 미리 등록된 각각의 배송기사에게 배송 내역을 지정하는 구성과, 기 설정된 시간 주기마다 고객사 서버에 자동으로 접속하여 주문 리스트를 다운로드받아 주문된 물품에 대한 라벨지를 자동으로 인쇄하도록 함으로써 식자재 중간 공급 업체의 물류센터에서 노동력을 보다 효율적으로 운영하고, 발주된 제품 중 라벨링 작업 시 휴먼 에러가 상대적으로 많이 발생하는 제품에 대해서는 해당 제품의 라벨지에 작업자가 인식할 수 있는 경고 표식이 인쇄되도록 함으로써 라벨링 작업 시 휴먼 에러를 최소화시키는 구성이 각각 개시되어 있다.
다만, 상술한 구성 중 전자의 경우 자동이라는 용어를 사용했지만 재고와 주문량 사이의 차이만을 계산하는 것일 뿐 자동으로 주문량을 예측하여 발주를 넣는 구성이 아니고, 후자의 경우도 인간이 라벨지 스티커를 붙이는 일을 기계가 대신하는 것 이상의 의미가 없다. 식재료의 조달과 메뉴 생산, 서비스, 이익 및 고객 만족이 연결되어 있지만, 식자재 조달을 위한 정보 수집, 공급업체 선정, 평가, 협상, 계약, 구매 및 관계 유지의 모든 활동을 개인인 자영업자 및 소상공인이 하기란 인적 및 물적 자원이 부족하며 규모의 경제를 이루지 못한 경우가 많다. 식자재 조달은 가치체인(Value Chain)으로 연결되어 우수한 공급자-운영자-지식을 갖춘 종사원-만족한 고객의 연결의 고리로 이어지고, 특히 우수한 공급자의 역할이 중요한데, 식자재 조달을 받기 위해 매번 가맹점주가 식당 운영을 끝난 후 식자재를 하나하나 알아보고 주문하는 것 조차 쉽지 않은 경우가 대부분이다. 이에, 각 가맹점의 판매 메뉴를 누적하여 판매될 메뉴를 예측하고, 예측한 메뉴에 필요한 식자재의 종류 및 수량을 산출하여 자동으로 주문을 넣을 수 있는 플랫폼의 연구 및 개발이 요구된다.
본 발명의 일 실시예는, 적어도 하나의 가맹점 단말로부터 POS 데이터를 수집함으로써 기 설정된 기간 동안 판매된 상품정보와 매출정보를 추출함으로써 이에 필요한 식자재의 종류 및 수량을 식별하고, 날씨나 요일과 같이 소비에 영향을 주는 변수를 입력하여 소비될 식자재의 종류 및 수량을 예측하며, 더 나아가 각 가맹점에서 주문한 식자재의 구매 데이터에 기반하여 구매패턴을 학습한 후, 가맹점의 구매 데이터 및 예측된 소비 데이터에 기반하여 적어도 하나의 식자재의 종류 및 수량을 추출하고 이를 자동 발주처리할 수 있는, B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, POS 데이터를 자동으로 업로드하고, 자동 발주된 식자재의 종류와 수량이 부족한지 또는 남는지에 대하여 리뷰를 제공하고, 자동 발주된 식자재 금액을 결제하는 적어도 하나의 가맹점 단말; 및 상기 적어도 하나의 가맹점 단말로부터 상기 POS 데이터를 수집하는 수집부, 상기 POS 데이터에 포함된 POS 판매 상품정보 및 POS 매출정보를 추출하여 식자재의 종류 및 수량을 식별하는 식별부, 상기 POS 매출정보, 날씨정보 및 요일정보를 수집하여 기 구축된 소비 예측 알고리즘으로 소비될 식자재의 종류 및 수량을 예측하는 예측부, 기 설정된 기간 동안 누적된 상기 적어도 하나의 가맹점 단말에서 식자재를 주문한 구매 데이터를 이용하여 구매패턴을 딥러닝으로 학습한 후 상기 예측부에서 예측한 식자재의 종류 및 수량과, 학습된 구매패턴에 기반하여 자동 발주를 수행하는 발주부를 포함하고, 날씨나 요일과 같이 소비에 영향을 주는 적어도 하나의 변인들을 수집하고, 각 가맹점의 식자재를 주문한 구매 데이터를 수집한 후, 각 변인에 대하여 구매 데이터가 달라지는 것에 대한 인과관계를 적어도 하나의 인공지능 알고리즘을 학습 및 테스트하여 파악한 후, 가장 예측 정확도가 높은 인공지능 알고리즘을 선정하여 적용함으로써 각 가맹점의 발주 데이터를 예측하고, 예측된 발주 데이터로 자동 발주하는 자동 발주 서비스 제공 서버를 포함하고, 상기 식별부는 프라이밋 블록체인에 각 메뉴별 식자재의 종류와 양을 수집하여 저장하고, 각 발주를 위해 적어도 하나의 식자재의 종류와 수량을 계산할 때에만 사용한 후, 서버 단에서도 삭제될 수 있도록 구성되고, 상기 예측부는 시계열 분석기법인 ARIMA-Intervention(개입모형)을 이용하여 식음료 매출액에 영향을 미칠 것으로 판단되는 주요 시계열 영향변수들을 구분하고, 그에 따른 변화폭을 추정하고, 향후 발생 가능할 것으로 예측되는 식음료 월별 또는 일별 매출액을 추정하는 것을 특징으로 한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 적어도 하나의 가맹점 단말로부터 POS 데이터를 수집함으로써 기 설정된 기간 동안 판매된 상품정보와 매출정보를 추출함으로써 이에 필요한 식자재의 종류 및 수량을 식별하고, 날씨나 요일과 같이 소비에 영향을 주는 변수를 입력하여 소비될 식자재의 종류 및 수량을 예측하며, 더 나아가 각 가맹점에서 주문한 식자재의 구매 데이터에 기반하여 구매패턴을 학습한 후, 가맹점의 구매 데이터 및 예측된 소비 데이터에 기반하여 적어도 하나의 식자재의 종류 및 수량을 추출하고 이를 자동 발주처리할 수 있으므로, 인간이 해야 할 발주처리를 인공지능 알고리즘이 대신하게 함으로써 시간 및 인력이 낭비되지 않도록 한다.
도 1은 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 자동 발주 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
도 2는 도 1의 시스템에 포함된 자동 발주 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템(1)은, 적어도 하나의 가맹점 단말(100), 자동 발주 서비스 제공 서버(300) 및 적어도 하나의 정보 제공 서버(400)를 포함할 수 있다. 다만, 이러한 도 1의 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 가맹점 단말(100)은 네트워크(200)를 통하여 자동 발주 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 자동 발주 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 가맹점 단말(100), 적어도 하나의 정보 제공 서버(400)와 연결될 수 있다. 또한, 적어도 하나의 정보 제공 서버(400)는, 네트워크(200)를 통하여 자동 발주 서비스 제공 서버(300)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 가맹점 단말(100)은, B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 POS(Point of Sale) 데이터를 자동으로 자동 발주 서비스 제공 서버(300)로 업로드하는 단말일 수 있다. 이때 가맹점 단말(100)은 실시간 또는 주기적으로 POS 데이터를 자동 발주 서비스 제공 서버(300)로 업로드할 때 백그라운드 모드(Background Mode)로 업로드함으로써 실제적으로 데이터가 업로드되는 것이 포어그라운드(Foreground)에 표시되지 않도록 하는 단말일 수 있다. 그리고, 가맹점 단말(100)은 자동 발주가 된 경우 즉시결제를 할 수 있도록 결제수단을 자동 발주 서비스 제공 서버(300)로 미리 등록하는 단말일 수 있다. 또한, 가맹점 단말(100)은, 자동 발주된 식자재의 종류와 수량이 부족한지 또는 남는지에 대하여 리뷰를 자동 발주 서비스 제공 서버(300)로 업로드하거나, 그 날의 매출에 대한 데이터, 즉 POS 데이터를 지속적으로 업로드함으로써 자동 발주 서비스 제공 서버(300)에서 발주된 식자재의 종류와 수량과, 소비된 식자재의 종류의 수량을 비교분석하여 오차를 줄이도록 하는 단말일 수 있다. 물론, 지속적으로 POS 데이터를 업로드하는 것도 인간의 개입이 있는 것이 아니라 가맹점 단말(100)에서 백그라운드 모드로 지속적으로 자동 발주 서비스 제공 서버(300)로 업로드하는 것임을 분명히 한다. 다만, 사람이 수동으로 입력하거나 업로드하는 것을 배제하는 것은 아니다.
여기서, 적어도 하나의 가맹점 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 가맹점 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 가맹점 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
자동 발주 서비스 제공 서버(300)는, B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 자동 발주 서비스 제공 서버(300)는, 적어도 하나의 가맹점 단말(400)로부터 POS 데이터를 수집한 후, 각 가맹점의 POS 판매 상품정보 및 POS 매출정보를 추출하여 식자재의 종류 및 수량을 식별하는 서버일 수 있다. 또한, 자동 발주 서비스 제공 서버(300)는 날씨나 요일과 같이 소비에 영향을 주는 적어도 하나의 변인들을 수집하고, 각 가맹점의 식자재를 주문한 구매 데이터를 수집한 후, 각 변인에 대하여 구매 데이터가 달라지는 것에 대한 인과관계를 적어도 하나의 인공지능 알고리즘을 학습 및 테스트하여 파악한 후, 가장 예측 정확도가 높은 인공지능 알고리즘을 선정하여 적용함으로써 각 가맹점의 발주 데이터를 예측하고, 예측된 발주 데이터로 자동 발주를 시키는 서버일 수 있다. 초기에 데이터셋이 충분하지 않은 경우에는 오차나 오류가 클 수 있으므로, 자동 발주 서비스 제공 서버(300)는 예측된 발주 데이터와 실제 사용한 식자재의 종류와 수량을 POS 데이터의 매출정보로부터 추출하여 비교분석한 후, 인공지능 알고리즘을 재학습시키는 서버일 수 있다.
여기서, 자동 발주 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 정보 제공 서버(400)는, B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하거나 이용하지 않고 날씨정보, 뉴스 등 소비에 영향을 줄 수 있는 적어도 하나의 종류의 정보를 제공하는 서버일 수 있다. 여기서, 적어도 하나의 정보 제공 서버(400)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 자동 발주 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 2를 참조하면, 자동 발주 서비스 제공 서버(300)는, 수집부(310), 식별부(320), 예측부(330), 발주부(340), 오류교정부(350), 모델링부(360), 빅데이터화부(370), 정확도 측정부(380)를 포함할 수 있다.
본 발명의 일 실시예에 따른 자동 발주 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 가맹점 단말(100)로 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 가맹점 단말(100)은, B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 가맹점 단말(100)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.
도 2를 참조하면, 수집부(310)는, 적어도 하나의 가맹점 단말(400)로부터 POS 데이터를 수집할 수 있다. 적어도 하나의 가맹점 단말(400)은, POS 데이터를 자동으로 업로드할 수 있다.
식별부(320)는, POS 데이터에 포함된 POS 판매 상품정보 및 POS 매출정보를 추출하여 식자재의 종류 및 수량을 식별할 수 있다. 이때, POS 데이터는, 각 날짜 및 시간에 대응하여 고객들의 결제 데이터가 포함되게 된다. 예를 들어, 짬뽕을 전문으로 하고 탕수육도 파는 식당이 있고, 메뉴는 짬뽕과 탕수육(소, 중, 대)가 있다. 짬뽕 1 그릇에 들어가는 식자재가 돼지고기 1컵(150g), 대파 2/3컵(50g), 양파 1/2컵(40g), 양배추 1/2컵(40g), 당근 1/3컵(20g), 애호박 1/2컵(60g), 밀가루 1컵(150g), 고운고춧가루 1큰술(5g), 굵은고춧가루 1큰술(5g), 소고기다시다 1/2큰술(5g), 꽃소금 1/5큰술(2g), 진간장 1큰술(10g), 식용유 2큰술(15g), 후춧가루 적당량이 필요하고, 탕수육 소(小) 한 그릇에 돼지고기 안심 600g, 양파 1/2개, 오이 1/2개, 다진마늘 1T, 고운소금 1/2T, 참기름 1T, 후추가루 1/6T, 녹말가루 1컵(150g), 설탕 6T, 케찹 2T, 식초 6T, 굴소스 2T, 간장 2T, 녹말가루 2T가 필요하다고 가정하자. 이때, 2020년 11월 30일 월요일에 짬뽕 100그릇과 탕수육 소자 50 그릇이 팔렸다고 가정하면, 하루에 사용한 각 식자재의 종류 및 수량이 합산되어 나올 수 있다.
또, 각 날짜와 시간대별로 POS 데이터, 즉 결제한 데이터가 생성되게 되므로 요일별로 어느 메뉴가 많이 나가는지, 어느 요일 어느 시간에 손님이 많은지, 코로나로 인해 증가된 배달양은 얼마인지, 배달을 위해 주문해야 할 일회용 용기는 몇 개인지 등에 대한 데이터가 쌓이게 된다. 초기에는 충분한 데이터셋이 없겠지만, 지속적으로 POS 데이터를 수집하고 뉴스나 날씨 등의 영향을 고려하는 경우 예측 정확도가 점점 증가할 수 있다.
한편, 각 가맹점에서 1 개의 메뉴를 만드는데 들어가는 레시피, 즉 재료양을 공개하기를 꺼려할 수도 있다. 식당을 차릴 때 레시피를 배우기 위하여 수 년을 견습생으로 일하거나 적어도 천 만원 대의 가격을 치르고 요리법을 배워오기 때문이다. 이에 따라, 프라이빗 블록체인에 각 메뉴별 식자재의 종류와 양을 수집하여 저장하고, 각 발주를 위해 적어도 하나의 식자재의 종류와 수량을 계산할 때에만 쓴 뒤 다시 이를 서버 단(End)에서도 삭제될 수 있도록 보안을 철저히 하도록 구성할 수 있다.
프라이빗 블록체인은, 하이퍼레저 패브릭(Hyperledger Fabric)을 기반으로 할 수도 있다. 하이퍼레저 패브릭(Hyperledger Fabric)은 모듈형 아키텍처로서, 블록체인 솔루션과 응용 프로그램을 개발하기 위한 플랫폼이다. 리눅스 재단이 주도하여 설립한 하이퍼레저(Hyperledger)의 프로젝트 중 하나로서, 다양한 기술 운영위원회와 여러 조직의 유지 관리자에 의해 관리된다. 하이퍼레저 패브릭은 합의 및 회원 서비스와 같은 구성 요소를 플러그 앤 플레이(Plug & Play) 방식으로 지원하며, 허가받은 사용자만 참여할 수 있는 허가형 블록체인(Permissioned Blockchain)으로서, 프라이빗 블록체인의 일종이다.
이때, 하이퍼레저 패브릭의 스마트 계약(Smart Contracts)은 체인코드로 작성되며 해당 응용 프로그램이 원장과 상호 작용해야 할 때 블록체인 외부의 응용 프로그램에 의해 호출된다. 대부분의 경우 체인코드는 원장의 데이터베이스 구성 요소, 트랜잭션 로그가 아닌 월드 스테이트에서만 상호 작용한다. 체인코드는 여러 프로그래밍 언어로 구현된다. 현재 지원되는 체인코드 언어는 자바(Java)이며 향후 더 다양한 언어가 지원될 수도 있다.
예측부(330)는, POS 매출정보, 날씨정보 및 요일정보를 수집하여 기 구축된 소비 예측 알고리즘으로 소비될 식자재의 종류 및 수량을 예측할 수 있다. 예를 들어, 냉면전문집에서 냉면과 찐만두를 판매한다고 가정하고, 날씨 외에 상권 변화 등 다른 사회 경제적 요인에 의해 일 판매량이 거의 영향을 받지 않는다고 가정한다. 이때, 메뉴와 상관관계 분석 및 예측모형의 독립변수로 기상자료를 사용한다고 가정하면, 정보 제공 서버(400)는, 기상청 종관기상관측서버일 수 있다. 이때, 판매량과 상관성이 낮을 것으로 추측되는 요소는 제외하고, 개발된 예측모형을 실제 운영할 때 사용자가 확보하기 어려운 요소는 제외하고, 기상 요소 간 중복성이 있는 요소는 대표적인 요소만 선택하여 예측을 한다고 가정한다.
기상요소 평균기온, 강수 지속시간, 일강수량, 평균 풍속, 평균 상대습도, 평균 해면기압, 일사량, 일 최심적설량, 평균 전운량, 안개 지속시간 등일 수 있다. 냉면의 일 판매량은 전반적으로 여름철에 많고 겨울철에 적은 계절 변동 경향이 뚜렷하게 나타나는데 이런 경향은 주간변동과 월평균 변동 분포에서도 볼 수 있는 경우, 냉면 판매량이 온도 변동과 상관관계가 클 것으로 추측할 수 있다. 그러나 같은 시기에도 일 변동이 커 온도 외에도 다른 기상 요소 또는 기타 변수의 영향도 받을 것이라고 추측되는 경우 기상요소 외에 다른 기타 변수도 고려할 수 있다.
냉면의 일 판매량 예측 모형을 주중과 주말로 군집 분류할 수 있다. 냉면의 판매량과 다른 품목의 판매량 총 매출액 및 기상요소와의 상관계수를 분석한 후 상관계수 값이 큰 변수를 중심으로 다증회귀모형을 개발할 수 있고, 월요일 내지 토요일의 전체 기간을 하나로 개발한 모형의 결정계수와, 주중과 주말로 나눈 모형의 결정계수를 파악한 후, 더 우수한 쪽을 모형으로 설정할 수 있다. 주중과 주말 예측모형의 독립변수 중 기상요소는 기온, 일사량, 구름량일 수 있고, 요일 변수가 포함될 수 있다. 주말 모형은 이전 주말의 판매량이 독립변수에 포함되었으나 주중 모형에는 하루 전 판매량 변수의 결정계수 증가가 작고 예측모형을 운영할 때 대응시간이 짧아 활용 가능성이 낮아 제외할 수 있다. 이때, 다른 품목에 대한 예측모형도 개발할 수 있으며 각 품목별로 다른 결정계수와 독립 변수를 보일 수 있다.
또는, 시계열에 따라 변화하는 데이터를 분석하는 것이기 때문에, 이를 고려하여 ARIMA 시계열 연구모형을 이용할 수도 있다. 예를 들어, 지난 5 년간 A 가맹점에서 발생한 품목별 식음료 매출액인 POS 데이터를 기반으로 금일, 금주, 또는 이번 달의 식음료 매출액을 추정(Forecasting)할 수 있다. 이를 위해 시계열 분석기법들 중 하나인 ARIMA-Intervention(개입모형)을 이용하여 식음료 매출액에 영향을 미칠 것으로 판단되는 주요 시계열 영향변수들을 구분하고 그에 따른 변화폭을 추정할 수 있고, 그 결과를 토대로 향후 발생 가능할 것으로 예측되는 식음료 월별 또는 일별 매출액을 추정할 수 있다.
ARIMA-개입모형을 위한 시계열 분석에는 과거 시기별 각 가맹점의 판매에 영향을 미쳤던 것으로 판단되는 주요 사건을 개입변수로 적용하여 그 영향을 전체 수요에 반영할 수 있다. ARIMA-개입모형은 시점별로 다양한 관측치를 이용할 수 있다. 아울러 특정 이벤트와 같은 외부로부터의 충격, 수요의 구조적 측정이 가능한 다변량 시계열 예측모형으로 평가받는다. 이런 이유로 시계열 분석법의 단점으로 지적되었던 수요의 구조적 측정 및 영향력 측정이 어렵다고 하는 문제점을 해결할 수 있다. ARIMA-개입모형은 각 개입사건(이벤트) 별 영향력 계수를 제시함으로써 시계열 모형이 가지고 있는 단점을 극복한 모형으로 평가받으며 그 예측력의 가치가 높다고 할 수 있다.
데이터 예측에 있어 주로 사용되는 통계적 기법들 중 하나로 회귀분석이 있다. 하지만 회귀분석을 활용하여 각 식당의 미래 수요를 설명하거나 예측함에 있어 소득변수(실질소득 또는 명목소득 또는 가처분소득 또는 GDP 등), 환율(KRW/USD 또는 KRW/YEN 또는 KRW/CNY 등) 아니면 국제유가 등의 독립변수들로 시장 수요 변동을 만족스럽게 설명하지 못하는 것으로 인식되고 있다. 예를 들어, 코로나(COVID-19) 등으로 인해 각 식당의 수요가 악영향을 받을 경우 아니면 중국이 한국의 THAAD(고고도 미사일) 배치로 인해 강제적으로 한국 방문을 금지하는 한한령을 발령한다면 이러한 자연재해 또는 인위적 국가적 정책사항은 인과적 함수식으로 설정하기도 힘들고 또한 자료로 설명하기가 힘들어 회귀분석이 만족할 만한 예측 데이터를 제공할 수 없기 때문이다.
ARIMA 시계열 연구모형은, 시차단위별로 구분되어 있는 시계열 데이터를 분석하여 그 관계를 모형으로 구성하고 이를 통해서 미래에 발생가능 한 수요 또는 자료를 예측하는 함수식으로는 크게 시계열모형(고전적 모형)과 확률적 시계열 모형 두 가지로 구분할 수 있다. 고전적 방법인 시계열 분석방법으로 이동평균법, 지수평활법 및 분해법 등이 있다. 현대적 모형이라 할 수 있는 확률적 시계열 모형은 시계열 데이터(원자료)에 확률적(Stochastic) 방법론를 도입하여 모형화한 연구로서 ARIMA 분석법으로도 알려져 있다. ARIMA 분석모형은 A.R.(Auto Regression-자동회귀)와 M.A.(Moving Average -이동평균)가 결합하여 구성된 분석모형을 의미한다.
자동회귀 모형은 시차단위별 데이터 x(t)에 대해 매 순간마다 데이터 간 상관관계가 있다고 가정하는 연구모형이다. 다만 데이터 간 상관관계 속에는 백색잡음(White Noise)이 존재하게 된다. 백색잡음 속에는 시간적인 상관관계가 존재하지 않는다. 현재 시점의 관측 데이터는 그들의 과거에 관측된 데이터값들의 함수 형태로 나타낼 수 있다는 가정 하에서 자기회귀 분석모형은 Yule-Walker 방정식을 통해서 추정되었다.
이동평균 분석모형은 현 시점의 관측값은 백색잡음들의 선형적 결합의 형태로 나타낼 수 있다고 가정한다. 자기회귀와 이동평균모형을 결합하여 자동회귀-이동평균(Auto Regressive-Moving Average) 분석 모형도 이용될 수 있다. 이러한 모형들을 이용해서 가장 안정적인 예측법으로 확률적 시계열 분석모형이 정립되었다. 이러한 방법론을 정립한 것은 Box-Jenkins의 ARIMA 시계열 분석모형이다. ARIMA 시계열 분석은 다양한 학계 및 산업계에서 적용되고 있으며 미래수요를 예측하는 분야에서는 대표적인 시계열분석법으로 자리매김하였다.
시계열 분석을 위해 3 단계 연구모형이 존재하는데, 첫 번째 단계는 시계열 데이터로부터 연구자가 잠정적인 모형을 식별(Identification)하는 단계이다. 두 번째 단계는 기식별된 시계열 분석모형의 계수들를 추정하고 검증(Estimation and Testing) 한다. 모수 추정 및 검증 단계에서 모형 및 계수들의 적합도에 대한 통계 프로그램의 반복 연산 및 검증을 거치게 된다. 왜냐하면 반복적 연산과 검증을 통해서 연구자의 개입을 미연에 방지하고 분석결과의 신뢰성을 향상시킬 수 있기 때문이다. 마지막으로 선택된 모형의 적합성을 진단(Diagnostic Checking)하며 만족스러운 모형이 선택될 때까지 진단과정을 반복한다. 본 발명의 일 실시예에서도이러한 3단계 모형을 바탕으로 설정할 수 있다.
<ARIMA 시계열-개입모형>
식당 수요 관련 시계열 데이터는 앞서 언급한 바와 같이 자연재해(지진, 쓰나미, 태풍, 코로나(COVID-19), 전쟁 발발, 한한령 등 정치적 또는 경제적인 외부적 이벤트에 의해 큰 영향을 받는다. 이와 같은 외부 이벤트를 ARIMA 연구모형에서는 개입변수(Intervention Variable)이라고 부른다. 개입변수는 시계열 데이터의 정상적 흐름 및 확률적 구조에 급격한 변화를 주기 때문에 연구모형을 설계하는 데 난제 역할을 한다. 그러므로 이러한 외부적 충격요인을 연구모형에 변수로 포함시킬 수 있는 ARIMA 개입 모형을 활용하면 보다 미래 수요에 대한 예측력을 매우 향상시킬 수 있다. ARIMA 개입(Intervention) 모델은 외부적 충격을 변수로 포함하므로 ARIMA 확장 모형이라 한다.
원 자료(Raw Data)인 시계열 데이터 Yt가 있고, 외부적 개입이 M 번 발생했다고 한다면 ARIMA 개입모형은 이하 수학식 1과 같다.
이때 C=상수항, αi=Xi,t의 계수, Nt=오차항이며 오차항은 ARIMA(p,d,q)(P,D,Q)12로 다음과 같이 표현할 수 있다.
D는 계절적 차분횟수, d는 비계절적 차분횟수, φp(B)는 비계절적 AR모형, Φp(Bs)는 계절적 AR모형, θq(B)는 비계절적 MA모형, ΘQ(Bs)는 계절적 MA모형, εt는 오차항(White Noise) 또는 이하 수학식 4와 같다.
수학식 4를 수학식 1에 대입하면, 이하 수학식 5와 같이 정의할 수 있다.
일반적으로 개입변수는 종속변수에 일시적으로만 영향을 미치는 이벤트인 ㅍ펄스(Pulse) 개입과 이와 다르게 지속적으로 영향을 주는 이벤트인 스텝(Step) 개입 2 가지로 구분 가능하다. 만약 펄스 개입이 t=i 시점 동안 발생했다고 가정한다면 펄스 변수 Xi,t는 다음과 같이 정의된다.
이때 Xi,t는 이분법적 변수이며, i 시점에서만 Xi,t가 개입되는 것을 의미하고 있으며 i시점 이전 Xi,t =0, i 시점에서는 Xi,t =1, i 시점 이후에 다시 Xi,t =0 으로 된다. 만약 스텝 개입이 t=i 시점 동안 발생했다고 가정하면 스탭 변수 Xi,t는 다음과 같이 정의된다.
스탭 변수 함수 Xi,t는 어떤 i 시점에서 발생한 외부 이벤트 개입이 그 이후에도 지속적으로 발생하는 것을 의미한다. 이 역시 이분법적 변수이며, i 시점 및 그 이후 에 Xi,t가 개입되는 것을 의미한다. 따라서 i시점 이전 Xi,t =0, i시점에서는 Xi,t=1, i 시점 이후는 다시 Xi,t =0 이 된다.
ARIMA-개입모형의 분석절차는 상술한 모형의 식별, 추정 및 검증 그리고 모형의 진단을 거쳐 최종적으로 선택된 모형을 이용해서 미래를 예측한다. 식별(Identification) 단계에서 데이터의 순차도표, 자기상관함수(ACF), 편자기상관함수(PACF) 등을 통하여 데이터의 정상성 여부를 판단할 수 있다. 이를 위해 데이터 의 차분이나, 로그 변환 여부를 판단 후 차분(d), AR(p), MA(q) 차수들을 결정할 수 있다.
이 단계에서 여러 개의 잠정적 연구모형들을 선택할 수 있으며 추정 및 검증 그리고 최종적으로 모형진단을 통해 가장 적절한 시계열 분석모형을 선택할 수 있다. 모형의 추정 단계에서 식별된 모형의 모수 및 계수들을 결정할 수 있다. 식별된 모형에 대한 p 개의 자기회귀(AR)모수 φ1, φ2,...,φp와 q 개의 이동평균(MA)모수 θ1, θ2,...,θq의 값을 결정하고 모수의 t값을 통해 유의성 여부를 판별하는 단계이다.
마지막 단계인 모형 진단에서는 적합도가 통과된 모형의 ACF의 자기상관계수 값과 PACF의 자기상관계수 값이 충분히 0에 수렴하는지 검증한다. ACF와 PACF 모두 5% 유의 수준이 존재하는 경우, 시차의 자기상관중에 1 개 정도는 이 기준치를 초과할 수도 있다. 3 단계 분석 절차가 완료된 후 예측을 실시할 수 있다.
<자료 수집>
예를 들어, 시계열 데이터를 사당동에 위치한 짬뽕전문점 A 가맹점의 2015년 1월부터 2018년 1월까지 월별 POS 데이터를 수집한다고 가정하자. 이때, 식사 메뉴 외에도 음료 등이 존재할 수 있으나 식자재는 청과 위주로 가정하면 음료는 제외할 수도 있다. ARIMA 분석에 앞서 먼저 식사 월별 매출액 데이터가 정상성이 있는지 여부를 식별할 수 있다. 미래의 매출액을 예측하기 위해서는 계절성(Seasonality)과 같은 비정상성을 발견하여 제거하고 안정적이면서 고정적인 추세를 찾아내는 것이 필요하다. 예를 들어, 원자료(Raw Data)가 A 가맹점의 식사 월별 매출액의 시계열 순차도표가 존재하고, 주기적으로 하계 극성수기인 7월과 8월 그리고 동계 극성수기인 12월과 1월에 반복되는 매출액 급감하는 현상도 존재한다면, 이런 추세를 확인한 후 계절차분과 비계절 차분을 1 회씩 실시할 수 있다. 이때, 원자료인 시계열 데이터가 더 이상 증가하는 모습을 보이지 않고 정상성을 나타내고 있음을 확인할 수 있다. 데이터 차분을 수행한 후 ARIMA p, d, q 차 수를 결정하기 위해서 자기상관함수 및 편자기상관함수를 분석을 할 수 있다. MA(이동평균) 차수 q는 자기상관(Auto Correlation) 함수를 통해서 판별할 수 있으며 MA(이동 평균) 차수 q는 자기상관(Auto Correlation) 함수를 통해 서 판별할 수 있으며 AR(자동회귀) 차수 p는 편자기상관(Partial Auto Correlation) 함수를 통해서 판별가능하다.
자기상관함수 및 편자기상관함수의 그래프의 단기시차를 살펴본 후, 스파이크가 신뢰구간 밖으로 돌출되어 있는 모습을 확인할 수 없고, 자기상관함수와 편자기상관함수 그래프의 신뢰구간 밖으로 돌출되고 있지 않다면, MA(0) 및 AR(0)이라고 차수를 결정하여 최종모형으로 비계절차분과 계절차분이 각각 1로 차수가 결정된 ARIMA(0,1,0)(0,1,0) 모형을 설정할 수 있다. 아울러 개입변수를 ARIMA 모형에 포함할 수 있는데, 개입변수는 코로나(COVID-19)의 단계별 거리두기로 인하여 테이블 수가 줄어들고 증가하는 현상, 또 9 시 이후에는 포장만 가능하다거나 하는 정책을 이용할 수 있다.
또한 추정된 ARIMA 개입모형의 예측치는 실측치와 예측오차 검토과정을 통해서 그 정확도를 측정할 수 있다. 예를 들어, MAPE 적합도 계수를 활용할 수 있는데, MAPE는 절대평균백분율오차(Mean Absolute Percentage Error)를 의미한다. MAPE 적합도 계수는 구간별로 적합도를 해석할 수 있다. 실측치와 예측치 간 예측오차를 비교한 MAPE 값이 5% 이내라면 나타나 우수한 예측력을 보이고 있는 것으로 판단할 수 있다. 또한 자기상관함수 및 편자기상관 함수의 잔차들이 95% 신뢰구간 내에 모두 있다면 백색잡음(White nosie) 조건을 만족하는 것으로 분석할 수 있다.
발주부(340)는, 기 설정된 기간 동안 누적된 적어도 하나의 가맹점 단말(400)에서 식자재를 주문한 구매 데이터를 이용하여 구매패턴을 딥러닝으로 학습한 후 예측부에서 예측한 식자재의 종류 및 수량과, 학습된 구매패턴에 기반하여 자동 발주를 수행할 수 있다. 이때, 적어도 하나의 가맹점 단말(400)은, 자동 발주된 식자재 금액을 결제할 수 있다. POS 데이터만을 이용하는 경우 발주할 물품을 추정만 하는 것이기 때문에 정확하지 않을 수도 있기 때문이다. POS 데이터->식자재의 종류 및 수량 추정-> 구매 데이터로 학습-> 추정치와 학습결과를 비교하여 재학습의 과정으로 진행할 수 있다.
오류교정부(350)는, 적어도 하나의 가맹점 단말(400)로부터 자동 발주된 식자재의 종류와 수량과, 실제 사용된 식자재의 종류와 수량 간의 차이에 대한 피드백 데이터를 수집하고, 오차 발생 부분에 대하여 기 구축된 소비 예측 알고리즘을 재학습시킬 수 있다.
모델링부(360)는, POS 데이터, 날씨정보, 요일정보 및 구매 데이터로 데이터베이스를 구축한 후, 데이터베이스의 분류(DB Classification), 오피니언 마이닝(Opinion Mining) 및 데이터 처리(Data Processing)를 수행하여 데이터셋(DataSet)을 생성하고, 데이터셋으로 학습 세그먼트(Learning) 및 판단 세그먼트(Judgement Segment)를 통하여 인공지능 알고리즘의 모델링을 수행한 후, 소비 예측 알고리즘을 구축할 수 있다. 이때, 학습 세그먼트는, 특징 추출기(Feature Extraction) 및 모델 학습(Model Learning)을 포함하고, 판단 세그먼트는, 센싱 엘리먼트(Sensing Element) 및 모델 판단(Model Judgement)을 포함할 수 있다.
이때, 전처리된 데이터를 오피니언 마이닝(Opinion Mining)을 적용하여 감성 점수를 계산할 수 있고, 이때 형태소 분석기(Lexical Analyzer)와 머신러닝을 통해 비속어, 은어, 줄임말을 분석하여 사전을 구축하는 감성 사전 구축기(Sentiment Dictionary Builder)를 사용할 수 있다. 이를 기반으로 감성분석(Sentiment Analysis)을 진행하게 되는데, 이 과정에서 감성을 세부적으로 분석하기 위한 세부 분석 알고리즘을 추가할 수도 있다.
온라인 리뷰는 텍스트, 이미지, 비디오 등과 같은 멀티미디어 형태로 생성되는데, 텍스트 내의 중요한 단어를 선택하기 위해 머신러닝을 이용한 속성선택(Feature Selection)을 이용할 수도 있다. FS는 불필요한 단어를 걸러내고 중요한 단어를 선택에 분류성능을 높일 수 있다. 또는, 감성분석을 위한 효과적인 오피니언 마이닝 모델을 위하여, 학습 분류기와 속성선택 방법인 FS의 조합을 이용할 수도 있다. 여기서, FS는, CFS(Correlation based Feature Selection), IG(Information gain) 등일 수 있고, 분류에 사용한 분류기는 로지스틱 회귀(Logistic Regression), 의사결정 트리(Decision Tree), 신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 나이브 베이지안 네트워크(Naive Bayesian Network), 랜덤 포레스트(Random Forest), 배깅(Bagging), ㅅ스스태킹(Stacking), 랜덤 부분공간(Random Subspace) 중 어느 하나 또는 적어도 하나의 조합일 수 있다.
FS는, 수십만 개의 속성을 포함하는 데이터 세트의 출현으로 나타난 것으로, 데이터 생성 및 관리의 프로세스를 모델링하고 변수를 확보할 수 있는데, 머신러닝 알고리즘의 관점에서 속성 선택은 차원수를 줄이면서 알고리즘의 성능을 유지하거나 성능을 향상시키는 방법이다. 속성 선택을 위해서는, 데이터의 일반적인 속성에 의존하고 유도 알고리즘이 독립적인 전처리 단계로 학습하는 필터(Filter) 학습, 알고리즘을 블랙박스로 간주하여 사용하며, 예측 성능을 사용하여 변수 하위 집합의 상대적 유용성을 평가하고, 속성 선택 알고리즘을 호출하여 각 피쳐(특징)의 서브 세트를 평가하는 서브 루틴으로서 학습 방법을 사용하는 래퍼(Wrapper) 학습, 교육과정에서 FS를 수행하며 대게 지정된 학습 시스템에 적용되어 최적의 하위 집합이 분류 기준 구성에 포함되어 표시되고, 속성의 부분집합과 가설의 결합된 공간에서 검색하고 종속성을 찾을 수 있는 임베딩(Embedding)을 포함할 수 있다.
로지스틱 회귀는, 선형 또는 비선형 형태의 분류를 목적으로 사용되는 회귀 분석 방법이다. 이 방법은 각 클래스에 속한 트레이닝 인스턴스의 출력을 1로 설정하고 비소속 인스턴스의 출력을 0으로 설정하여 클래스에 대해 회귀를 수행한다. 이러한 결과로 선형 방정식이 도출되는데, 그 다음에 미지의 클래스 검증을 할 때, 각 선형 방정식의 결과를 계산하고 가장 큰 값을 선택하는 방법으로 분류하는 분류기이다. 나이브 베이지안은, 클래스 정보가 포함되어 있는 트레이닝 인스턴스를 학습시켜 테스트 인스턴스의 클래스를 정확하게 예측하는 것이 목표이다. 이때, 나이브 베이지안은, 두 가지 중요한 단순화 가정에 의존하기 때문에 베이지안 네트워크가 나이브의 형태로 특화할 수 있다. 특히, 예측 속성은 주어진 클래스 별로 조건적으로 독립적이라고 가정하고, 파악된 속성 또는 잠재된 속성은 예측 프로세스에 영향을 미친다.
신경망은, 인간 뇌의 뉴런을 모방한 알고리즘으로, 다층 신경망(Multilayer Perceptron)으로 입력층(Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer)로 구성되는데, 입력층에서는 각 변수에 대응하는 노드(Node)들로 구성되어 있다. 다음 은닉층은 입력층으로부터 전달되는 변수 값들을 비선형함수로 처리하여 출력층에 전달한다. 출력층은 목표변수에 대응하는 노드를 갖게 된다. 렌덤 포레스트는, 회귀 및 기타 작업을 수행하기 위한 앙상블 학습 방법으로, 훈련 기간 동안 다수의 의사결정 나무가 구성되며, 분류 모드 또는 개별 트리의 평균 예측인 클래스 출력에 의해 작동될 수 있다.
랜덤 포레스트는, 텍스트 분류의 많은 중첩 값으로 인해 다양한 앙상블 분류기와 비교할 때, 정서 분류에 더 적합한 분류기이므로, 감정 분류에 적합하다. 무작위 공간에서 교육 데이터 세트는 배깅(Bagging)과 같은 알고리즘을 사용하여 수정될 수 있는데, 이때 수정은 인스턴스 공간이 아닌 속성 공간에서 진행될 수 있다. 랜덤 포레스트는, 기본 분류기를 구성하고 집계하기 위해 임의의 부분 공간을 사용할 수 있으며, 데이터 집합에 다수의 중복 또는 관련이 없는 속성이 있는 경우 원래의 기능 공간과 비교하여 임의의 부분 공간에서 보다 효과적인 기본 분류기를 선택할 수 있다. 이 기본 분류기의 결합된 결정은 전체 속성 세트의 학습 데이터 세트에서 작성된 단일 분류기 보다 성능이 좋을 수 있다.
의사결정 트리는, 분류 또는 회귀작업에 적용할 수 있는 비모수적 방법이다. 종속 변수를 예측하기 위해 입력 공간이 지역 영역으로 분리되는 감독학습을 위한 계층적 데이터 구조인데, 유한한 비공유 노드 집합과 모서리 집합으로 구성된 그래프일 수 있다. 서포트 벡터 머신은, 분류 작업을 해결하기 위한 최적의 분리 초평면 상태를 제공한다. 수리적 분석은 높은 차원의 분리된 초평면에서 선형문제로 입력 공간과 관련된 비선형 문제를 나타낼 수 있고다.
배깅은, Bootstrap aggregating의 약자로 균일한 확률 분포에 따라 반복적으로 샘플링을 한 후, 의사 결정트리 모형을 조합하여 투표(Voting)에 따라서 분류 예측을 한다. 배깅은 주로 회귀분석에서 사용되며 안정성과 정확도를 향상시키고 분산을 줄일 수 있다. 스태킹은, 동일한 타입의 모델을 조합하는 배깅과는 달리, 다양한 학습 알고리즘을 학습하여 다른 여러 알고리즘의 예측을 결합하는 작업이다. 특히, 메타 학습기를 이용해서 어떤 분류기를 신뢰할 수 있는지를 성능을 추정 후 최고의 성능을 내는 분류기를 찾아내서 조합할 수 있다.
빅데이터화부(370)는, POS 데이터, 날씨정보, 요일정보 및 구매 데이터를 포함한 로우 데이터(Raw Data)를 병렬 및 분산하여 저장하고, 저장된 로우 데이터 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터 및 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시하며, 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시하고, 분석된 데이터를 시각화하여 출력할 수 있다.
정확도 측정부(380)는, 적어도 하나의 가맹점 단말(400)로부터 자동 발주된 식자재의 종류와 수량과, 실제 사용된 식자재의 종류와 수량 간의 차이를 측정할 수 있다. 이때, 실제 사용된 식자재의 종류와 수량은 적어도 하나의 가맹점 단말(400)로부터 수집되는 POS 데이터에 기반하여 체크될 수 있다.
이하, 상술한 도 2의 자동 발주 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.
도 3a를 참조하면, 본 발명의 일 실시예에 따른 플랫폼은 외식업 식자재 구매 부담 완화를 위한 도매시장 직거래 인공지능 플랫폼이며, 복수의 시스템 중 본 발명의 일 실시예는 3 번째 시스템, 즉 인공지능 알고리즘 기반 식자재 자동 발주 시스템이다. 식자재 소비 패턴과 학습 데이터를 개발하고, 날씨나 요일 정보의 외부 API 정보를 연동하며, 과거 데이터화된 정보를 기반으로 인공지능 알고리즘을 모델링할 수 있다. 도 3b 및 도 3c는 본 발명의 시스템 구조도인데, 도 3c의 데이터는 인공지능 알고리즘의 결과를 도출하기 위한 정보로 내부정보 및 외부정보의 수집을 바탕으로 이루어져 있고, DB/DataSet은 수집된 정보를 전처리 후 마이닝을 통하여 시각화별 데이터를 분류하는 것이고, 모델링은, 특징 추출, 가중치 및 고정변수값을 각 알고리즘에 맞춰 모델링을 통해 결과를 도출하기 위한 것이며, 시각화는, 모델링의 결과값을 모바일 또는 웹 페이지 등을 통하여 관리자나 사용자(가맹점)가 볼 수 있도록 하는 시각화 자료이다.
도 3d를 참조하면, 본 발명의 서비스를 도시하는데, 식당의 POS 정보 연동을 통하여 상품 판매 내역과 매출 정보를 바탕으로 식자재를 식별하고, 외부 정보를 기반으로 소비 예측 알고리즘을 개발할 수 있다. 또, 본 발명의 서버 단(End)에 자체적으로 누적된 과거 주문 내역, 고유 알고리즘을 결합하여 딥러닝을 수행함으로써, 3 가지 분류의 기술을 합하여 최종적으로 인공지능 알고리즘 기반 식자재 자동 발주 시스템을 구현할 수 있다. 이때, 딥러닝을 위하여 POS 정보 기반 식자재를 식별하고, 외부 정보 및 POS 정보 기반으로 소비 예측 알고리즘을 모델링하며, 고유 변수값, 과거 주문 내역 기반 내부 알고리즘 개발 등을 통하여 고객(가맹점)용 모바일 애플리케이션과 본 플랫폼 내 서버와 데이터베이스를 구축할 수 있다.
도 4a를 참조하면, 본 발명의 일 실시예에 따르면 모바일 애플리케이션을 통하여 도매시장 직거래가 가능한데, 오프라인 구매만 가능했던 도매시장 식자재를 모바일 애플리케이션을 통하여 합리적인 구매가 가능하도록 하고, 판매가격 대비 당일 경매 시세 공개를 통하여 투명한 거래 환경을 제공할 수 있다. 또한, 인공지능 알고리즘을 통하여 도매시장 및 식장의 효율을 극대화할 수 있는데, 인공지능 알고리즘을 기반으로 가격 및 수요 예측을 할 수 있으므로, 도매시장의 가격을 안정화시킬 수 있고, 자동 발주, 견적 비교를 통하여 식당점주들은 식당운영에만 집중할 수 있도록 도와줄 수 있고, 도매시장은 마진율 보장과 영업, 고객 응대에 대한 리소스를 줄여준다.
도 4b를 참조하면, 본 발명의 일 실시예에 따른 서비스는, 오프라인 유통과 채소가게를 운영하면서 터득한 노하우를 가지고, 상품별 시세변동, 급등락 상품 원인 정보, 식당별 주요 구매상품 정보, 업종별 주요 판매 상품 정보, 지역별 주요 판매 상품 정보, 상품별 판매량 정보, 도매시장 중매인별 매출 현황 정보, 식당별 주문 패턴 및 금액 정보, 시간대별 물류 경로 실제 효율 정보 등을 이용하여 빅데이터를 확보 및 구축해왔으므로, 이를 모델링, 즉 인공지능 알고리즘을 만들기 위한 모델링을 수행하면 정확한 예측도를 가진 알고리즘을 생성할 수 있다.
도 4c를 참조하면, 시세 변동과 날씨 데이터, 카테고리별 상품 추천 데이터, 업체별 주문 패턴 데이터, 농산물 과거 데이터와 환경 변수 관계 분석 알고리즘, 농산물 작황 및 성장 특성 관계 분석 알고리즘, 고객별 사용 상품 및 구매 변수에 따른 주문 예측 알고리즘, 다른 유통채널 판매가격 수집 및 가격 관계 분석 알고리즘, 매출 정보와 환경변수 관계 예측 알고리즘이 도출될 수 있고, 고객 업종 분류에 따른 가격정보를 제시하거나, 고객별 상품 추천, 공급자 재고부담을 위한 수요예측, 주문패턴 분석 및 매출 추정 및 수요예측이 가능해진다.
도 4d를 참조하면, 현재 본 발명의 일 실시예에 따른 플랫폼은 공영 도매시장을 통하여 직접 물건을 가져오기 때문에 중간 유통단계를 거치지 않을 수 있고, 각종 신선식품이나 공산품을 공급받을 수 있는 인프라를 구축했기 때문에 즉시 공급 및 직접 공급이 가능해진다. 또, 도 4e와 같이 4 개의 공영 도매시장을 물류 거점으로 전국에 물류 인프라 효율성을 확보했다.
이와 같은 도 2 내지 도 4의 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 도 1의 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.
도 5를 참조하면, 자동 발주 서비스 제공 서버는, 적어도 하나의 가맹점 단말로부터 POS 데이터를 수집한다(S5100).
그리고, 자동 발주 서비스 제공 서버는, POS 데이터에 포함된 POS 판매 상품정보 및 POS 매출정보를 추출하여 식자재의 종류 및 수량을 식별하고(S5200), POS 매출정보, 날씨정보 및 요일정보를 수집하여 기 구축된 소비 예측 알고리즘으로 소비될 식자재의 종류 및 수량을 예측한다(S5300).
또, 자동 발주 서비스 제공 서버는, 기 설정된 기간 동안 누적된 적어도 하나의 가맹점 단말에서 식자재를 주문한 구매 데이터를 이용하여 구매패턴을 딥러닝으로 학습한 후 예측부에서 예측한 식자재의 종류 및 수량과, 학습된 구매패턴에 기반하여 자동 발주를 수행한다(S5400).
상술한 단계들(S5100~S5400)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5400)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.
이와 같은 도 5의 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5를 통해 설명된 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (7)
- POS 데이터를 자동으로 업로드하고, 자동 발주된 식자재의 종류와 수량이 부족한지 또는 남는지에 대하여 리뷰를 제공하고, 자동 발주된 식자재 금액을 결제하는 적어도 하나의 가맹점 단말; 및
상기 적어도 하나의 가맹점 단말로부터 상기 POS 데이터를 수집하는 수집부, 상기 POS 데이터에 포함된 POS 판매 상품정보 및 POS 매출정보를 추출하여 식자재의 종류 및 수량을 식별하는 식별부, 상기 POS 매출정보, 날씨정보 및 요일정보를 수집하여 기 구축된 소비 예측 알고리즘으로 소비될 식자재의 종류 및 수량을 예측하는 예측부, 기 설정된 기간 동안 누적된 상기 적어도 하나의 가맹점 단말에서 식자재를 주문한 구매 데이터를 이용하여 구매패턴을 딥러닝으로 학습한 후 상기 예측부에서 예측한 식자재의 종류 및 수량과, 학습된 구매패턴에 기반하여 자동 발주를 수행하는 발주부를 포함하고,
날씨나 요일과 같이 소비에 영향을 주는 적어도 하나의 변인들을 수집하고, 각 가맹점의 식자재를 주문한 구매 데이터를 수집한 후, 각 변인에 대하여 구매 데이터가 달라지는 것에 대한 인과관계를 적어도 하나의 인공지능 알고리즘을 학습 및 테스트하여 파악한 후, 가장 예측 정확도가 높은 인공지능 알고리즘을 선정하여 적용함으로써 각 가맹점의 발주 데이터를 예측하고, 예측된 발주 데이터로 자동 발주하는 자동 발주 서비스 제공 서버를 포함하고,
상기 식별부는
프라이밋 블록체인에 각 메뉴별 식자재의 종류와 양을 수집하여 저장하고, 각 발주를 위해 적어도 하나의 식자재의 종류와 수량을 계산할 때에만 사용한 후, 서버 단에서도 삭제될 수 있도록 구성되고,
상기 예측부는
시계열 분석기법인 ARIMA-Intervention(개입모형)을 이용하여 식음료 매출액에 영향을 미칠 것으로 판단되는 주요 시계열 영향변수들을 구분하고, 그에 따른 변화폭을 추정하고, 향후 발생 가능할 것으로 예측되는 식음료 월별 또는 일별 매출액을 추정하는, B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템.
- 제 1 항에 있어서,
상기 자동 발주 서비스 제공 서버는,
상기 적어도 하나의 가맹점 단말로부터 자동 발주된 식자재의 종류와 수량과, 실제 사용된 식자재의 종류와 수량 간의 차이에 대한 피드백 데이터를 수집하고, 오차 발생 부분에 대하여 상기 기 구축된 소비 예측 알고리즘을 재학습시키는 오류교정부;
를 더 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템.
- 제 1 항에 있어서,
상기 자동 발주 서비스 제공 서버는,
상기 POS 데이터, 날씨정보, 요일정보 및 구매 데이터로 데이터베이스를 구축한 후, 상기 데이터베이스의 분류(DB Classification), 오피니언 마이닝(Opinion Mining) 및 데이터 처리(Data Processing)를 수행하여 데이터셋(DataSet)을 생성하고, 상기 데이터셋으로 학습 세그먼트(Learning) 및 판단 세그먼트(Judgement Segment)를 통하여 인공지능 알고리즘의 모델링을 수행한 후, 상기 소비 예측 알고리즘을 구축하는 모델링부;
를 더 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템.
- 제 3 항에 있어서,
상기 학습 세그먼트는, 특징 추출기(Feature Extraction) 및 모델 학습(Model Learning)을 포함하고,
상기 판단 세그먼트는, 센싱 엘리먼트(Sensing Element) 및 모델 판단(Model Judgement)을 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템.
- 제 1 항에 있어서,
상기 자동 발주 서비스 제공 서버는,
상기 POS 데이터, 날씨정보, 요일정보 및 구매 데이터를 포함한 로우 데이터(Raw Data)를 병렬 및 분산하여 저장하고, 상기 저장된 로우 데이터 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터 및 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시하며, 상기 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시하고, 상기 분석된 데이터를 시각화하여 출력하는 빅데이터화부;
를 더 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템.
- 제 1 항에 있어서,
상기 자동 발주 서비스 제공 서버는,
상기 적어도 하나의 가맹점 단말로부터 자동 발주된 식자재의 종류와 수량과, 실제 사용된 식자재의 종류와 수량 간의 차이를 측정하는 정확도 측정부;
를 더 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템.
- 제 6 항에 있어서,
상기 실제 사용된 식자재의 종류와 수량은 상기 적어도 하나의 가맹점 단말로부터 수집되는 POS 데이터에 기반하여 체크되는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164752A KR102594089B1 (ko) | 2020-11-30 | 2020-11-30 | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164752A KR102594089B1 (ko) | 2020-11-30 | 2020-11-30 | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220076013A KR20220076013A (ko) | 2022-06-08 |
| KR102594089B1 true KR102594089B1 (ko) | 2023-10-26 |
Family
ID=81980750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200164752A KR102594089B1 (ko) | 2020-11-30 | 2020-11-30 | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102594089B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102481347B1 (ko) * | 2022-08-16 | 2022-12-27 | 최재석 | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 |
| KR102647892B1 (ko) * | 2022-09-14 | 2024-03-15 | 주식회사트렉시 | 인공지능 기반의 제품 발주 예측 방법 및 서버 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101870329B1 (ko) * | 2016-11-28 | 2018-06-22 | 주식회사 리테일영 | 매출데이터 기반의 식자재 관리방법 및 시스템 |
| JP2019175250A (ja) * | 2018-03-29 | 2019-10-10 | 東京瓦斯株式会社 | 注文管理のシステム、プログラム、装置および方法 |
-
2020
- 2020-11-30 KR KR1020200164752A patent/KR102594089B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101870329B1 (ko) * | 2016-11-28 | 2018-06-22 | 주식회사 리테일영 | 매출데이터 기반의 식자재 관리방법 및 시스템 |
| JP2019175250A (ja) * | 2018-03-29 | 2019-10-10 | 東京瓦斯株式会社 | 注文管理のシステム、プログラム、装置および方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220076013A (ko) | 2022-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ni et al. | A systematic review of the research trends of machine learning in supply chain management | |
| US20170220943A1 (en) | Systems and methods for automated data analysis and customer relationship management | |
| Aboah et al. | Operationalising resilience in tropical agricultural value chains | |
| KR102547491B1 (ko) | Ｂ２ｂ 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템 | |
| Moreno-Miranda et al. | Integrating coordination mechanisms in the sustainability assessment of agri-food chains: From a structured literature review to a comprehensive framework | |
| JP2015041121A (ja) | 販売予測システム及び販売予測方法 | |
| CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用系统 | |
| KR102594089B1 (ko) | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 | |
| Lao et al. | Achieving quality assurance functionality in the food industry using a hybrid case-based reasoning and fuzzy logic approach | |
| KR20200039852A (ko) | 기업 경영 현황 분석 예측 모델링을 위한 기계학습 알고리즘 제공 방법 | |
| US20210125207A1 (en) | Multi-layered market forecast framework for hotel revenue management by continuously learning market dynamics | |
| Zhang et al. | Holistic cognitive conflict chain management framework in supply chain management | |
| Canetta et al. | Modelling hybrid demand (e-commerce “+” traditional) evolution: A scenario planning approach | |
| Sakib | Restaurant sales prediction using machine learning | |
| Shamshoddin et al. | Predicting consumer preferences in electronic market based on IoT and Social Networks using deep learning based collaborative filtering techniques | |
| Alawadh et al. | A survey on methods and applications of intelligent market basket analysis based on association rule. | |
| Xu et al. | Edible oil wholesale price forecasts via the neural network | |
| Härting et al. | Cost-benefit considerations for data analytics-an SME-oriented framework enhanced by a management perspective and the process of idea generation | |
| Deepa et al. | Advanced machine learning for enterprise IoT modeling | |
| Silva et al. | An early warning method for agricultural products price spike based on artificial neural networks prediction | |
| Gómez-Talal et al. | Avoiding food waste from restaurant tickets: a big data management tool | |
| KR102413273B1 (ko) | 인공지능 기반 유통기한과 공급량으로 적정 경매가를 예측하는 신선식품 유통 플랫폼의 운영방법 | |
| Zakrytnoy | Comparative study of classic and fuzzy time series models for direct materials demand forecasting | |
| AlShamsi | Understanding Customer Behaviour in Restaurants based on Data Mining Prediction Technique | |
| KR102413275B1 (ko) | 인공지능 기반 경쟁업체의 판매가로 적정 판매가를 예측하는 신선식품 유통 플랫폼의 운영방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |