KR102598867B1

KR102598867B1 - 인공지능을 활용하여 재고 비용을 예측함으로써 판매 가격을 결정하는 방법 및 이를 수행하는 가격 결정 시스템

Info

Publication number: KR102598867B1
Application number: KR1020230035943A
Authority: KR
Inventors: 이샹수
Original assignee: 주식회사 동아인터내셔널
Priority date: 2023-03-20
Filing date: 2023-03-20
Publication date: 2023-11-06

Abstract

인공지능을 활용하여 재고 비용을 예측함으로써 판매 가격을 결정하는 방법 및 이를 수행하는 가격 결정 시스템이 개시된다. 본 개시의 기술적 사상에 따른 프로세서에 의해 수행되는 가격 결정 방법은, 상기 프로세서에 의해, 재고 상수에 대해 학습된 인공지능 모듈을 활용하여 대상 제품에 대한 재고 상수를 획득하는 단계, 상기 프로세서에 의해, 상기 대상 제품에 대한 정보를 기초로 유사 제품 DB를 이용하여 상기 대상 제품에 대한 판매 기간 예측 값을 계산하는 단계, 상기 프로세서에 의해, 상기 판매 기간 예측 값을 기초로 상기 대상 제품이 판매되기 위해 필요한 기간 동안의 환율 예측 값을 계산하는 단계, 상기 프로세서에 의해, 상기 재고 상수, 상기 판매 기간 예측 값 및 상기 환율 예측 값을 곱함으로써 재고 비용을 계산하는 단계 및 상기 프로세서에 의해, 상기 재고 비용을 기초로 상기 대상 제품에 대한 판매 가격을 결정하는 단계를 포함할 수 있다.

Description

인공지능을 활용하여 재고 비용을 예측함으로써 판매 가격을 결정하는 방법 및 이를 수행하는 가격 결정 시스템{A METHOD FOR DETERMINING A SELLING PRICE BY PREDICTING STORAGE FEE USING ARTIFICIAL INTELLIGENCE AND A SELLING PRICE DETERMINATION SYSTEM FOR PERFORMING THE SAME}

본 발명은 제품 특성을 고려하여 재고 비용을 결정함으로써 판매 가격을 결정하는 방법 및 이를 수행하는 가격 결정 시스템에 관한 것이다.

인터넷 관련 기술의 급격한 발전과 함께 다수의 온라인 서비스들이 인터넷을 통해 수행되고 잇다. 예를 들어, 고객은 그들의 단말(예를 들어, 스마트폰)을 이용하여 온라인 마켓이 제공하는 판매 서비스에 액세스할 수 있다. 일반적으로 온라인 마켓은 그들의 비즈니스 모델을 인터넷을 통해 공표하고, 고객 단말로부터 전달받은 데이터를 처리하기 위해 서버를 이용한다.

한편, 이러한 온라인 마켓의 발전과 함께 해외 제품에 대한 국내 판매가 많이 이루어지고 있다. 해외 제품을 국내에서 판매할 때 가장 고려해야할 부분은 재고를 유지하기 위한 재고 비용이다. 예를 들어, 냉동 식품과 같은 경우 냉동고에 재고를 보관해야 하는 바 재고 비용이 높아 그 비용을 판매 가격에 반영해야 한다. 하지만, 판매 기간을 예측하기 어려워서 판매 기간동안 제품 보관에 필요한 재고 비용도 예측하기 어려웠으며, 이에 따라서 불합리하게 손해를 보는 판매자가 발생하였다.
(특허문헌 1) KR 10-2413273 A1 "인공지능 기반 유통기한과 공급량으로 적정 경매가를 예측하는 신선식품 유통 플랫폼의 운영 방법"(2022.06.22)

본 발명의 목적은, 인공지능을 활용하여 제품 특성을 고려한 판매기간을 예측하고, 이를 활용하여 재고 비용을 예측함으로써 실질적으로 재고 유지에 필요한 비용을 가격에 반영할 수 있는 가격 결정 방법 및 이를 수행하는 가격 결정 시스템을 제공하는 것이다.

본 개시의 기술적 사상에 따른 프로세서에 의해 수행되는 가격 결정 방법은, 상기 프로세서에 의해, 재고 상수에 대해 학습된 인공지능 모듈을 활용하여 대상 제품에 대한 재고 상수를 획득하는 단계, 상기 프로세서에 의해, 상기 대상 제품에 대한 정보를 기초로 유사 제품 DB를 이용하여 상기 대상 제품에 대한 판매 기간 예측 값을 계산하는 단계, 상기 프로세서에 의해, 상기 판매 기간 예측 값을 기초로 상기 대상 제품이 판매되기 위해 필요한 기간 동안의 환율 예측 값을 계산하는 단계, 상기 프로세서에 의해, 상기 재고 상수, 상기 판매 기간 예측 값 및 상기 환율 예측 값을 곱함으로써 재고 비용을 계산하는 단계 및 상기 프로세서에 의해, 상기 재고 비용을 기초로 상기 대상 제품에 대한 판매 가격을 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 판매 기간 예측 값을 계산하는 단계는, 상기 유사 제품 DB 중 상기 대상 제품과 물품 코드가 동일한 적어도 하나의 제1 유사 제품을 결정하는 단계, 상기 적어도 하나의 제1 유사 제품 중 상기 대상 제품과 판매처가 동일한 적어도 하나의 제2 유사 제품을 결정하는 단계, 상기 적어도 하나의 제2 유사 제품 중 상기 구매 가격과 유사한 가격대를 갖는 적어도 하나의 제3 유사 제품을 결정하는 단계, 상기 유사 제품 DB 중 상기 적어도 하나의 제3 유사 제품의 판매 기간을 획득하는 단계 및 상기 판매 기간의 평균을 상기 판매 기간 예측 값으로 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 대상 제품에 대한 재고 상수를 획득하는 단계는, 상기 인공지능 모듈에 의해 제품 크기를 기초로 한 제1 서브 재고 상수를 학습시키는 단계, 상기 대상 제품에 대한 제품 크기를 기초로 상기 제1 서브 재고 상수를 결정하는 단계, 상기 인공지능 모듈에 의해 냉동 제품에 대한 제2 서브 재고 상수를 학습시키는 단계, 상기 대상 제품이 냉동 제품인지 여부를 기초로 상기 제2 서브 재고 상수를 결정하는 단계 및 상기 제1 서브 재고 상수 및 상기 제2 서브 재고 상수를 더함으로써 상기 재고 상수를 획득하는 단계를 포함할 수 있다.

일 실시예에서, 상기 제1 서브 재고 상수를 결정하는 단계는, 상기 대상 제품에 대한 제품 크기를 획득하는 단계, 상기 제품 크기가 제1 크기보다 작은 경우, 상기 제1 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제1 값을 결정하는 단계, 상기 제품 크기가 상기 제1 크기보다 크거나 같고, 상기 제1 크기보다 큰 제2 크기보다 작은 경우, 상기 제1 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제2 값을 결정하는 단계, 상기 제품 크기가 상기 제2 크기보다 크거나 같은 경우, 상기 제1 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제3 값을 결정하는 단계를 포함하고, 상기 제1 값은 상기 제2 값보다 작고, 상기 제2 값은 상기 제3 값보다 작도록 결정하는 것을 특징으로 할 수 있다.

일 실시예에서, 상기 제2 서브 재고 상수를 결정하는 단계는, 상기 대상 제품이 냉동 제품인지 여부를 결정하는 단계, 상기 대상 제품이 냉동 제품인 경우, 상기 제2 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제4 값을 결정하는 단계, 상기 대상 제품이 냉동 제품이 아닌 경우, 상기 제2 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제5 값을 결정하는 단계, 상기 제4 값은 상기 제5 값보다 크도록 결정하는 것을 특징으로 할 수 있다.

일 실시예에서, 상기 환율 예측 값을 계산하는 단계는, 상기 대상 제품을 보관하기 시작하는 제1 시점에서 상기 제1 국과 제2 국 간의 제1 환율 값을 획득하는 단계, 상기 제1 시점에서 상기 판매 기간 예측 값을 뺀 시점을 제2 시점으로 결정하는 단계, 상기 제2 시점의 상기 대상 제품을 보관하는 제1 국과 상기 대상 제품을 판매하는 제2 국의 환율을 검색함으로써 상기 제2 환율 값을 획득하는 단계, 상기 제1 시점에서의 제1 환율 기울기 값을 계산하는 단계, 상기 제1 시점과 상기 제2 시점 사이의 제2 환율 기울기 값을 계산하는 단계, 상기 제1 환율 기울기 값과 상기 제2 환율 기울기 값에 대한 가중 평균을 통해 환율 기울기 예측 값을 계산하는 단계, 상기 환율 기울기 예측 값과 상기 판매 기간 예측 값을 곱함으로써 예상 환율 증가 값을 계산하는 단계 및 상기 예상 환율 증가 값을 상기 제1 환율 값에 더함으로써 상기 환율 예측 값을 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 환율 예측 값을 계산하는 단계는, 상기 제1 환율 값을 , 상기 제2 환율 값을 , 상기 판매 기간 예측 값을 , 예측 상수를 라고 할 때, 상기 환율 예측 값 을 아래 식이 만족하도록 결정하는 것을 특징으로 할 수 있다.

일 실시예에서, 상기 예측 상수는, 상기 제1 국이 미국인 경우, 0.2 보다 크거나 같고 0.3 보다 작은 정수로 결정되고, 상기 제1 국이 중국인 경우, 0.3 보다 크거나 같고 0.4 보다 작은 정수로 결정되고, 상기 제1 국이 베트남인 경우, 0.6 보다 크거나 같고 0.8 보다 작은 정수로 결정되는 것을 특징으로 할 수 있다.

일 실시예에서, 상기 예측 상수는, 상기 판매 기간 예측 값이 7일 미만인 경우, 0.7 보다 큰 정수로 결정되고, 상기 판매 기간 예측 값이 7일 이상, 30일 미만인 경우, 0.4보다 크고 0.7보다 작거나 같은 정수로 결정되고, 상기 판매 기간 예측 값이 30일 이상인 경우, 0.4보다 작거나 같은 정수로 결정되는 것을 특징으로 할 수 있다.

일 실시예에서, 상기 예측 상수는, 상기 대상 제품의 구매 가격이 10달러 미만인 경우, 0.8 보다 큰 정수로 결정되고, 상기 대상 제품의 구매 가격이 10달러 이상, 100달러 미만인 경우, 0.2보다 크고 0.8보다 작거나 같은 정수로 결정되고, 상기 대상 제품의 구매 가격이 100달러 이상인 경우, 0.2보다 작거나 같은 정수로 결정되는 것을 특징으로 할 수 있다.

본 발명의 기술적 사상에 따르면, 판매 기간을 예측하고, 예측된 판매 기간을 기초로 미래 환율을 예측함으로써 재고가 유지될 기간동안 국내가 아닌 외국에서 보관에 필요한 재고 비용을 미리 예측할 수 있고, 이에 따라서 판매할 때 예상되는 이익과 손해를 미리 확인할 수 있으며, 결과적으로 거래에 대한 이익을 극대화할 수 있다.

도 1은 본 개시의 예시적 실시예에 따른 가격 결정 시스템을 나타내는 블록도이다.
도 2는 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 3은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 4는 본 개시의 예시적 실시예에 따른 유사 제품 DB를 나타내는 표이다.
도 5는 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 6은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 7은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 8은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 9a 및 도 9b는 본 개시의 예시적 실시예에 따른 환율 추이를 나타내는 그래프이다.
도 10은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 11은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 12는 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.
도 13은 본 개시의 예시적 실시예에 따른 가격 결정 시스템을 포함하는 컴퓨팅 시스템을 나타내는 블록도이다.
도 14은 본 개시의 예시적 실시예에 따른 온라인 마켓의 판매 상품의 종류 및 판매 가격을 결정하는 방법(S1)의 흐름을 보여주는 플로우 차트이다.
도 15는 본 개시의 예시적 실시예에 따른 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10a)의 흐름을 보여주는 플로우 차트이다.
도 16은 본 개시의 예시적 실시예에 따른 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10b)의 흐름을 보여주는 플로우 차트이다.
도 17은 본 개시의 예시적 실시예에 따른 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10c)의 흐름을 보여주는 플로우 차트이다.
도 18은 본 개시의 예시적 실시예에 따른 타 온라인 마켓의 판매 정보 및 고객의 희망 구매 가격에 기초하여 추천된 판매 상품의 판매 가격을 결정하는 단계(S20a)의 흐름을 보여주는 플로우 차트이다.
도 19은 본 개시의 예시적 실시예에 따른 타 온라인 마켓의 판매 정보 및 고객의 희망 구매 가격에 기초하여 추천된 판매 상품의 판매 가격을 결정하는 단계(S20b)의 흐름을 보여주는 플로우 차트이다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

본 개시에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

어느 하나의 실시예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성 요소는, 다른 실시예에서 동일한 명칭을 사용하여 설명될 수 있다. 반대되는 기재가 없는 이상, 어느 하나의 실시예에 기재된 설명은 다른 실시예에도 적용될 수 있으며, 중복되는 범위 또는 당해 기술 분야에 속한 통상의 기술자가 자명하게 이해할 수 있는 범위 내에서 구체적인 설명은 생략될 수 있다.

이하, 본 발명의 바람직한 실시예 및 첨부한 도면을 참조하여 본 발명에 대해 상세히 설명한다.

도 1은 본 개시의 예시적 실시예에 따른 가격 결정 시스템을 나타내는 블록도이다.

도 1을 참조하면, 가격 결정 시스템(100)은 대상 제품 정보(Info_MP)를 미래 환율을 예측하여 미래에 판매될 수 있는 판매 가격(SP)을 계산할 수 있다. 이를 위해, 가격 결정 시스템(100)은 서버 또는 단말로 구성될 수 있으며, 서버로 구성되는 경우, 가격 결정 시스템(100)은 서버 또는 이를 운용하는 컴퓨팅 장치를 총칭할 수 있고, 단말로 구성되는 경우 가격 결정 시스템(100)은 랩탑(Laptop), PC(Personal Computer), 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, 스마트 패드(Smartpad), 타블렛 PC(Tablet PC), 셀룰러 폰(Cellular Phone), 스마트 폰(Smart phone) 중 어느 하나로 구성될 수 있다.

본 명세서에서, 가격 결정 시스템(100) 또는 가격 결정 시스템(100)에 포함되는 구성이 수행하는 동작은 실제로 가격 결정 시스템(100)의 저장 장치에 내장된 응용 프로그램을 이용하여 가격 결정 시스템(100)의 프로세서가 수행하는 동작일 수 있다. 상기 저장 장치는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등을 포함할 수 있다. 또한, 상기 프로세서는 CPU(Central Processing Unit), GPU(Graphic Processing Unit), NPU(Neural Processing Unit), 램(RAM), 롬(ROM), 시스템 버스 및 애플리케이션 프로세서 중 적어도 하나를 포함할 수 있다.

또한, 본 명세서에서 가격 결정 시스템(100)이 수행하는 내용은 뉴럴 네트워크를 이용하는 적어도 하나의 인공지능 모듈에 의해 수행될 수 있고, 뉴럴 네트워크는 노드들과 에지들을 이용하여 수학적 모델로 표현될 수 있다. 뉴럴 네트워크는 딥 뉴럴 네트워크(Deep Neural Network, DNN) 또는 n-계층 뉴럴 네트워크(n-layers neural networks)의 아키텍처일 수 있다. DNN 또는 n-계층 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(Convolutional Neural Networks, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Networks, RNN), Deep Belief Networks, Restricted Boltzman Machines 등에 해당될 수 있다. 예를 들어, 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN)로 구현될 수 있으나, 이에 제한되지 않는다.

가격 결정 시스템(100)은 판매 기간 예측부(110), 예측 상수 결정부(120), 환율 예측부(130), 재고 비용 결정부(140) 및 판매 가격 결정부(150)를 포함할 수 있다. 판매 기간 예측부(110)는 대상 제품 정보(Info_MP)를 기초로 대상 제품이 구매부터 판매까지 걸리는 예상 기간인 판매기간 예측값(EST)을 계산할 수 있다. 일 실시예에서, 가격 결정 시스템(100)은 유사 제품 DB(DB_SP)를 이용하여 유사 제품에 대한 판매기간들(ST(i))을 획득하고, 획득한 판매기간들을 이용하여 판매기간 예측값(EST)을 계산할 수 있다.(n은 유사제품의 개수)

예측 상수 결정부(120)는 대상 제품 정보(Info_MP)를 기초로 예측 상수(A)를 결정할 수 있다. 본 명세서에서 예측 상수(A)는 환율 예측 값(Er_t2)을 계산하는데 활용되는 상수로서, 대상 제품의 특성에 따라서 서로 다르게 결정될 수 있다.

환율 예측부(130)는 현재 시점에 해당하는 제1 시점(t1)의 제1 환율 값(Er_t1)을 획득할 수 있다. 일 예시에서, 환율 예측부(130)는 현재 시점을 기준으로 환율 공시 시스템에 접속함으로써 현재 환율 값을 제1 환율 값(Er_t1)으로서 획득할 수 있다. 일 실시예에서, 대상 제품 정보(Info_MP)_는 구매처와 판매처에 대한 정보를 포함할 수 있고, 환율 예측부(130)는 대상 제품 정보(Info_MP)에 포함되는 구매처와 판매처의 국가 정보를 이용하여 제1 환율 값(Er_t1)을 획득할 수 있다.

환율 예측부(130)는 판매기간 예측값(EST)과 제1 시점(t1)을 이용하여 과거에 해당하는 제2 시점(t0)을 계산할 수 있다. 일 예시에서, 환율 예측부(130)는 제1 시점(t1)으로부터 판매기간 예측값(EST)을 뺀(또는 제1 시점(t1)으로부터 판매기간 예측값(EST)만큼 과거로 회귀한) 시점을 제2 시점(t0)으로서 결정할 수 있다(예를 들면, 아래 수학식 2).

환율 예측부(130)는 제2 시점(t0)에 대한 환율 요청(Req_Er)을 통해 제2 시점(t0)의 제2 환율 값(Er_t0)을 획득할 수 있다. 일 예시에서, 환율 예측부(130)는 환율 공시 시스템에 접속함으로써 제2 환율 값(Er_t0)을 획득할 수 있다.

환율 예측부(130)는 제1 환율 값(Er_t1), 제2 환율 값(Er_t0), 판매기간 예측값(EST), 예측 상수(A)를 이용하여 환율 예측 값(Er_t2)을 계산할 수 있다. 일 실시예에서, 환율 예측부(130)는 아래 수학식 3을 이용하여 환율 예측 값(Er_t2)을 계산할 수 있다. 본 개시의 일 실시예에 다르면, 환율 예측 값(Er_t2)은 제1 시점(t1)으로부터 판매기간 예측값(EST) 만큼 시간이 흐른 제3 시점(t2)의 환율에 대응할 수 있다.

재고 비용 결정부(140)는 대상 제품 정보(Info_MP)와 판매기간 예측값(EST)을 수신하고, 이를 이용하여 대상 제품이 판매될 때까지 재고로서 보관하기 위해 예상되는 재고 비용(IP)을 결정할 수 있다. 일 예시에서, 재고 비용 결정부(140)는 대상 제품 정보(Info_MP)를 이용하여 재고 상수 DB(DB_IC)로부터 대상 제품에 대응하는 재고 상수(IC)를 획득하고, 아래 수학식 4와 같이 재고 상수(IC))에 판매기간 예측값(EST)을 곱함으로써 재고 비용(IP)을 결정할 수 있다.

판매가격 결정부(150)는 대상 제품 정보(Info_MP)로서 구매 가격(BP)을 수신하고, 환율 예측 값(Er_t2)에 구매 가격(BP)을 곱하고, 재고 비용(IP)을 더한 값을 판매 가격(SP)으로 결정할 수 있다(수학식 5).

본 개시의 일 실시예에 따르면, 가격 결정 시스템(100)은 유사 제품의 판매 기간을 기초로 대상 제품에 대한 판매 기간 예측 값(EST)을 계산하고, 이를 이용하여 획득해야 할 환율 시점을 계산함으로써 정확한 시점의 환율을 계산할 수 있다.

본 개시의 일 실시예에 따르면, 가격 결정 시스템(100)은 대상 제품(Info_MP)의 정보를 이용하여 예측 상수(A)를 결정함으로써 서로 다른 대상 제품의 특성을 환율 예측에 적용하여 제품의 특성을 반영한 환율 예측을 수행할 수 있다.

본 개시의 일 실시예에 따르면, 가격 결정 시스템(100)은 현재 환율 기울기(dEr_t1/dt) 뿐만 아니라, 판매 기간 예측 값(EST)을 기초로 과거의 제2 환율 값(Er_t0)과 제1 환율 값(Er_t1) 사이의 평균 기울기((Er_t1-Er_t0)/(t1-t0))를 함께 반영하기 위해서 두 요소 사이의 가중 합을 수행함으로써 순간 기울기와 평균적인 기울기를 함께 고려한 정확한 환율을 예측할 수 있다.

본 개시의 일 실시예에 따르면, 가격 결정 시스템(100)은 제품 특성을 반영한 재고 상수(IC)를 이용하여 재고 값을 계산함으로써 판매시 까지 소요될 수 있는 재고 비용을 정확하게 예측할 수 있다.

도 2는 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다.

도 2를 참조하면, 가격 결정 시스템(100)은 대상 제품에 대한 제1 국의 제1 시점(t1)의 구매 가격(BP)을 수신할 수 있다(S110). 가격 결정 시스템(100)은 제1 시점(t1)에서 구매국인 제1 국과 판매국인 제2 국 간의 제1 환율 값(Er_t1)을 획득할 수 있다(S120).

가격 결정 시스템(100)은 유사 제품 DB(DB_SP)를 이용하여 대상 제품에 대한 판매기간 예측값(EST)을 계산할 수 있다(S130). 가격 결정 시스템(100)은 판매기간 예측값(EST)을 기초로 제2 시점(t0)의 제2 환율 값(Er_t0)을 획득할 수 있다(S140). 일 예시에서, 제2 시점(t0)은 제1 시점(t1)과 판매기간 예측값(EST) 만큼 차이나는 과거 시점일 수 있다.

가격 결정 시스템(100)은 제1 환율 값(Er_t1)과 제2 환율 값(Er_t0)을 기초로 제3 시점(t2)의 환율 예측 값(Er_t2)을 계산할 수 있다(S150). 일 실시예에서, 가격 결정 시스템(100)은 제품 특성이 반영된 예측 상수를 반영한 미리 결정된 공식을 활용하여 환율 예측 값(Er_t2)을 계산할 수 있다(S150).

가격 결정 시스템(100)은 대상 제품의 정보를 기초로 재고 비용을 결정할 수 있다(S160). 일 예시에서, 가격 결정 시스템(100)은 대상 제품의 크기, 성질을 기초로 재고 상수를 결정하고, 재고 상수와 판매기간 예측 값(EST)을 곱함으로써 재고 비용을 결정할 수 있다.

가격 결정 시스템(100)은 환율 예측 값(Er_t2)과 재고 비용(IP)을 기초로 판매 가격(SP)을 결정할 수 있다(S170).

도 3은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이고, 도 4는 본 개시의 예시적 실시예에 따른 유사 제품 DB를 나타내는 표이다. 상세하게는, 도 3은 도 2의 판매기간 예측값(EST)의 계산 단계(S130)를 나타낸다.

도 3을 참고하면, 가격 결정 시스템(100)은 유사 제품 DB(DB_SP) 중 대상 제품의 물품 코드가 동일한 적어도 하나의 제1 유사 제품을 결정할 수 있다(S131). 일 예시에서, 물품 코드는 제품의 종류에 대응되도록 결정될 수 있고, 물품 코드가 동일하면 제품의 종류가 유사하거나 동일할 수 있다. 가격 결정 시스템(100)은 제1 유사 제품 중 대상 제품과 판매처가 동일한 적어도 하나의 제2 유사 제품을 결정할 수 있다(S132). 또 다른 실시예에서, 가격 결정 시스템은 제1 유사 제품 중 생산처가 동일한 적어도 하나의 제2 유사 제품을 결정할 수 있다.

가격 결정 시스템(100)은 제2 유사 제품 중 구매 가격과 유사한 가격 대를 갖는 적어도 하나의 제3 유사 제품을 결정할 수 있다(S133). 일 실시예에서, 가격 결정 시스템(100)은 구매 가격과 미리 결정된 오프셋 이내에 있는 제2 유사 제품을 제3 유사 제품으로 결정할 수 있다.

가격 결정 시스템(100)은 적어도 하나의 제3 유사 제품의 판매 기간을 획득할 수 있다(S134). 가격 결정 시스템(100)은 판매 기간의 평균을 판매 기간 예측 값(EST)으로 결정할 수 있다(S135).

도 4를 참조하면, 대상 제품이 제품 코드로서 PC2, 판매처가 B 회사, 가격이 30달러라고 가정하면, 가격 결정 시스템(100)은 유사 제품 DB(DB_SP) 중 물품 코드가 PC2로서 동일한 3번 내지 6번 제품을 제1 유사 제품으로 결정할 수 있다. 가격 결정 시스템(100)은 제1 유사 제품 중 판매처가 B 회사로서 동일한 4번 내지 6번 제품을 제2 유사 제품으로 결정할 수 있다. 가격 결정 시스템(100)은 제2 유사 제품 중 가격이 30달러와 유사한(예를 들어 오프셋 값으로 10달러 이내인) 4번 및 5번 제품을 제3 유사 제품으로 결정할 수 있다.

가격 결정 시스템(100)은 4번 제품의 판매 기간이 16일과, 5번 제품의 판매 기간이 14일의 평균인 15일을 판매기간 예측값(EST)으로 결정할 수 있다.

본 개시의 일 실시예에 따르면, 여러가지 기준(예를 들면, 제품 코드, 판매처, 가격)을 기준으로 대상 제품과 유사한 유사 제품을 필터링하고, 유사 제품에 대한 판매 기간의 평균을 판매기간 예측값(EST)으로 결정함으로써 대상 제품의 구매로부터 판매까지의 예상되는 판매기간을 정확하게 예측할 수 있다.

도 5는 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다. 상세하게는, 도 5는 도 2의 재고 비용(IP) 결정 단계(S160)를 나타낸다.

도 5를 참고하면, 가격 결정 시스템(100)은 제품 특성을 기초로 재고 상수(IC)를 결정할 수 있다(S161). 가격 결정 시스템(100)은 재고 상수에 판매기간 예측값(EST) 및 환율 예측 값을 곱함으로써 재고 비용(IP)을 결정할 수 있다(S162). 일 실시예에서, 환율 예측 값은 대상 제품이 판매되는 동안 대상 제품이 보관되는 국가의 평균 환율을 나타낼 수 있다. 재고는 국내가 아닌 해외에서 보관할 수 있고, 가격 결정 시스템(100)은 후술할 바와 같이 환율 기울기 예측 값과 판매 기간 예측 값을 이용하여 계산한 환율 예측 값을 기초로 재고 비용를 결정할 수 있다.

본 개시의 일 실시예에 따르면, 환율 예측 값과 제품 특성을 기초로 재고 상수를 결정하고, 이를 제품 가격에 반영함으로써 국내 뿐만 아니라 해외에서 판매기간동안 재고로서 소진되는 비용 역시 판매 가격에 반영할 수 있고, 결과적으로 정확한 판매가격이 결정될 수 있다.

도 6은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다. 상세하게는, 도 6은 도 5의 재고 상수(IC) 결정 단계(S161)를 나타낸다.

도 6을 참조하면, 가격 결정 시스템(100)은 대상 제품 정보(Info_MP)를 수신하고(S161_1), 대상 제품 정보(Info_MP)로부터 제품 크기(wt)를 획득할 수 있다(S161_2). 가격 결정 시스템(100)은 제품 크기(wt)가 제1 크기(w1)보다 작은 경우, 제1 서브 재고 상수(IC1)로서 제1 값(k1)을 결정할 수 있고, 제품 크기(wt)가 제1 크기(w1)보다 크거나 같고 제2 크기(w2)보다 작은 경우, 제1 서브 재고 상수(IC1)로서 제2 값(k2)을 결정할 수 있고, 제품 크기(wt)가 제2 크기(w2)보다 크거나 같은 경우, 제1 서브 재고 상수(IC1)로서 제3 값(k3)을 결정할 수 있다. 일 실시예에서, 제1 값(k1)<제2 값(k2)<제3 값(k3) 순으로 큰 값을 가질 수 있으며, 상기 제1 값, 제2 값, 제3 값은 인공지능 모듈에 의해 결정될 수 있다.

가격 결정 시스템(100)은 대상 제품 정보(Info_MP)로부터 냉동 제품 여부를 획득할 수 있다(S161_4). 가격 결정 시스템(100)은 제품이 냉동 제품인 경우, 제2 서브 재고 상수(IC2)로서 제4 값(l1)을 결정할 수 있고, 제품이 냉동 제품이 아닌 경우, 제2 서브 재고 상수(IC2)로서 제5 값(l2)을 결정할 수 있다. 일 실시예에서, 제4 값(l1)>제 5값(l2) 순으로 큰 값을 가질 수 있다.

가격 결정 시스템(100)은 제1 서브 재고 상수(IC1)와 제2 서브 재고 상수(IC2)를 더함으로써 재고 상수(IC)를 결정할 수 있다(S161_6).

일 실시예에서, 재고 상수는 환율/제품 특성 별로 미리 학습된 뉴럴 네트워크를 활용하는 인공지능 모듈에 의해 결정될 수 있다. 뉴럴 네트워크는 노드들과 에지들을 이용하여 수학적 모델로 표현될 수 있다. 뉴럴 네트워크는 딥 뉴럴 네트워크(Deep Neural Network, DNN) 또는 n-계층 뉴럴 네트워크(n-layers neural networks)의 아키텍처일 수 있다. DNN 또는 n-계층 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(Convolutional Neural Networks, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Networks, RNN), Deep Belief Networks, Restricted Boltzman Machines 등에 해당될 수 있다.

본 개시의 일 실시예에 따르면, 제품 크기나 냉동 제품 여부와 같은 제품 특성을 고려하여 재고 상수를 결정하고, 이를 기초로 재고 비용을 계산함으로써 재고 유지에 필요한 정확한 재고 비용이 계산될 수 있고, 정확한 판매 비용이 계산될 수 있다.

도 7은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다. 상세하게는, 도 7은 도 2의 제2 환율 값(Er_t0)의 획득 단계(S140)를 나타낸다.

도 7을 참조하면, 가격 결정 시스템(100)은 제1 시점(t1)에서 판매기간 예측 값(EST)을 뺀 시점을 제2 시점(t0)으로 결정할 수 있다(S141). 가격 결정 시스템(100)은 제2 시점(t0)의 제1 국(구매국)과 제2 국(판매국)의 환율을 제2 환율 값으로서 획득할 수 있다(S142).

도 8은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이고, 도 9a 및 도 9b는 본 개시의 예시적 실시예에 따른 환율 추이를 나타내는 그래프이다. 상세하게는, 도 8은 도 2의 환율 예측 값(Er_t2)의 계산 단계(S150)를 나타내고, 도 9a 및 도 9b의 가로축은 시간 흐름이고, 세로축은 환율을 나타낸다.

도 8을 참조하면, 가격 결정 시스템(100)은 제1 시점(t1)의 제1 환율 기울기 값(S1)을 계산할 수 있다(S151). 일 예시에서, 가격 결정 시스템(100)은 환율 그래프(Er)에 대한 제1 시점(t1)에서의 미분 값(순간 기울기)을 제1 환율 기울기 값(S1 = dEr_t1/dt)으로 결정할 수 있다.

가격 결정 시스템(100)은 제1 시점(t1)과 제2 시점(t0) 사이의 제2 환율 기울기 값(S2)를 계산할 수 있다(S152). 일 예시에서, 가격 결정 시스템(100)은 환율 그래프(Er)의 제1 시점(t1)과 제2 시점(t0) 사이의 평균 기울기를 제2 환율 기울기 값(S2 = (Er_t1-Er_t0)/(t1-t0))으로 결정할 수 있다.

가격 결정 시스템(100)은 제1 환율 기울기 값(S1)과 제2 환율 기울기 값(S2)에 대한 가중 평균을 통해 환율 기울기 예측 값(S)을 계산할 수 있다(S153). 일 실시예에서, 가격 결정 시스템(100)은 제품 특성을 반영하여 예측 상수(A)를 결정하고, 예측 상수(A)를 기초로 수학식 6에 따라서 환율 기울기 예측 값(S)을 계산할 수 있다.

가격 결정 시스템(100)은 환율 기울기 예측 값(S)과 판매기간 예측 값(EST)을 곱함으로써 예상 환율 증가 값을 계산하고(S154), 예상 환율 증가 값을 제1 환율 값(Er_t1)에 더함으로써 환율 예측 값(Er_t2)을 결정할 수 있다(S155).

도 9a를 참고하면, 가격 결정 시스템(100)은 제1 시점(t1)으로부터 판매기간 예측값(EST) 만큼 이전의 제2 시점(t0)을 결정하고, 제1 시점(t1)의 순간 기울기로서 제1 환율 기울기 값(S1)을 계산하고, 제2 시점(t0)과 제1 시점(t1) 사이의 평균 기울기로서 제2 환율 기울기 값(S2)을 계산할 수 있다. 도 7a의 경우, 제품의 특성(예를 들면, 국가, 가격, 판매기간) 상 평균 기울기(S2)의 영향력이 더 높게 형성되는 제품에 대한 환율로서 예측 상수(A)가 상대적으로 적게 결정될 수 있다. 이에 따라서, 환율 기울기 예측 값(S)은 제1 환율 기울기(S1)보단 제2 환율 기울기(S2)와 유사하게 결정될 수 있다.

도 9b의 경우, 제품의 특성(예를 들면, 국가, 가격, 판매기간) 상 순간 기울기(S1)의 영향력이 더 높게 형성되는 제품에 대한 환율로서 예측 상수(A)가 상대적으로 크게 결정될 수 있다. 이에 따라서, 환율 기울기 예측 값(S)은 제2 환율 기울기(S2)보단 제1 환율 기울기(S1)와 유사하게 결정될 수 있다.

본 개시의 일 실시예에 따르면, 가격 결정 시스템(100)은 제1 시점(t1)의 순간 기울기(S1) 뿐만 아니라 제2 시점(t0)과 제1 시점(t1)과의 평균 기울기를 모두 고려하여 환율 기울기 예측 값(S)을 결정함으로써 제1 시점(t1) 당시의 환율 흐름 뿐만 아니라 제1 시점(t1)에서 제2 시점(t0) 사이의 환율 흐름을 반영할 수 있고, 결과적으로 정확한 환율을 예측할 수 있다.

또한, 본 개시의 일 실시예에 다르면, 가격 결정 시스템(100)은 판매기간 예측 값(EST)을 기초로 평균 기울기(S2)를 계산하는 제2 시점(t0)을 결정할 수 있고, 이에 따라서 판매가 예상되는 시점의 환율 값에 대해서 이전 같은 기간 동안의 환율 흐름을 정확하게 반영할 수 있다.

또한, 본 개시의 일 실시예에 따르면, 제품의 특성에 따라서 예측 상수(A)를 조절함으로써 평균 기울기(S2)와 순간 기울기(S1)의 반영 비율을 조절할 수 있고, 결과적으로 제품 특성 상 순간적인 환율 흐름과 평균적인 환율 흐름의 반영 정도를 적응적으로 제어할 수 있다.

도 10은 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다. 상세하게는 도 10은 도 8의 환율 기울기 예측 값 계산 단계(S153) 중 예측 상수(A)를 판매기간 예측 값(EST)에 기초하여 결정하는 방법을 나타낸다.

도 10을 참조하면, 가격 결정 시스템(100)은 판매기간 예측값(EST)을 결정하고(S153_1), 판매기간 예측 값(EST)을 기초로 예측 상수(A)를 결정할 수 있다(S153_2). 가격 결정 시스템(100)은 판매기간 예측값(EST)이 7일 미만인 경우, 예측 상수(A)를 0.7 보다 큰 정수 결정하고, 판매기간 예측값(EST)이 7일 이상 30일 미만인 경우, 예측 상수(A)를 0.4 보다 크고 0.7 보다 작거나 같은 정수로 결정하고, 판매기간 예측값(EST)이 30일 이상인 경우, 예측 상수(A)를 0.4보다 작은 정수로 결정할 수 있다.

판매기간이 길어질수록 순간 기울기 보다는 평균 기울기가 더 큰 영향을 미칠 수 있고, 수백 차례의 시뮬레이션 결과, 7일을 기준으로 예측 상수(A)가 0.7일 때 가장 정확한 환율로 계산되었고, 30일을 기준으로 예측 상수(A)가 0.4일 때 가장 정확한 환율로 계산되었다.

본 개시의 일 실시예에 다르면, 판매기간 별로 서로 다른 예측 상수를 결정함으로써 제품 특성을 고려한 정확한 환율이 계산될 수 있다.

도 11는 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다. 상세하게는 도 11은 도 8의 환율 기울기 예측 값 계산 단계(S153) 중 예측 상수를 구매국의 GDP에 기초하여 결정하는 방법을 나타낸다.

도 11을 참조하면, 가격 결정 시스템(100)은 구매국인 제1 국의 GDP를 획득하고 (S153_1a), 제1 국의 GDP가 높을수록 예측 상수(A)를 작게 결정할 수 있다(S153_2a).

GDP가 큰 강대국일수록 환율의 큰 변화가 없어 순간 기울기 보다는 평균 기울기가 더 큰 영향을 미칠 수 있고, 수백 차례의 시뮬레이션 결과, 미국이 구매국인 경우 예측 상수(A)가 0.2보다 크거나 같고 0.3보다 작은 정수일 때(바람직하게는 0.25) 가장 정확한 환율로 계산되었고, 중국이 구매국인 경우 예측 상수(A)가 0.3보다 크거나 같고 0.4보다 작은 정수일 때(바람직하게는 0.32) 가장 정확한 환율로 계산되었고, 베트남이 구매국인 경우 예측 상수(A)가 0.6보다 크거나 같고 0.8보다 작은 정수일 때(바람직하게는 0.72) 가장 정확한 환율로 계산되었다.

본 개시의 일 실시예에 다르면, 제품을 구매하는 구매국 별로 서로 다른 예측 상수를 결정함으로써 구매국의 특성을 고려한 정확한 환율이 계산될 수 있다.

도 12는 본 개시의 예시적 실시예에 따른 가격 결정 방법을 나타내는 순서도이다. 상세하게는 도 12는 도 8의 환율 기울기 예측 값 계산 단계(S153) 중 예측 상수를 대상 제품의 구매 가격(BP)에 기초하여 결정하는 방법을 나타낸다.

도 12를 참조하면, 가격 결정 시스템(100)은 대상 제품의 구매 가격(BP)을 획득하고(S153_1b), 구매 가격(BP) 을 기초로 예측 상수(A)를 결정할 수 있다(S153_2b). 가격 결정 시스템(100)은 구매 가격(BP)이 10달러 미만인 경우, 예측 상수(A)를 0.8 보다 큰 정수 결정하고, 구매 가격(BP)이 10달러 이상 100달러 미만인 경우, 예측 상수(A)를 0.2 보다 크고 0.8 보다 작거나 같은 정수로 결정하고, 구매 가격(BP)이 100달러 이상인 경우, 예측 상수(A)를 0.2보다 작은 정수로 결정할 수 있다.

구매 가격(BP)이 높을수록 판매가 어려워짐에 따라서 순간 기울기 보다는 평균 기울기가 더 큰 영향을 미칠 수 있고, 수백 차례의 시뮬레이션 결과, 10달러를 기준으로 예측 상수(A)가 0.8일 때 가장 정확한 환율로 계산되었고, 100달러를 기준으로 예측 상수(A)가 0.2일 때 가장 정확한 환율로 계산되었다.

본 개시의 일 실시예에 다르면, 구매 가격(BP) 별로 서로 다른 예측 상수를 결정함으로써 제품 특성 별 정확한 환율이 계산될 수 있다.

도 13은 본 개시의 예시적 실시예에 따른 가격 결정 시스템을 포함하는 컴퓨팅 시스템을 나타내는 블록도이다.

도 13을 참조하면, 컴퓨팅 시스템(1000)은 프로세서(1100), 메모리 장치(1200), 스토리지 장치(1300), 파워 서플라이(1400) 및 입출력 장치(1500)를 포함할 수 있다. 한편, 도 13에는 도시되지 않았지만, 컴퓨팅 시스템(1000)은 비디오 카드, 사운드 카드, 메모리 카드, USB 장치 등과 통신하거나, 또는 다른 전자 기기들과 통신할 수 있는 포트(port)들을 더 포함할 수 있다.

이와 같이, 컴퓨팅 시스템(1000)에 포함된 프로세서(1100), 메모리 장치(1200), 스토리지 장치(1300), 파워 서플라이(1400) 및 입출력 장치(1500)는, 본 발명의 기술적 사상에 의한 실시예들에 따른 가격 결정 방법을 수행하는 관리 서버를 구성할 수 있다. 구체적으로, 프로세서(1100)는 메모리 장치(1200), 스토리지 장치(1300), 파워 서플라이(1400) 및 입출력 장치(1500)를 제어함으로써 도 1 내지 도 12에서 상술한 가격 결정 방법을 수행할 수 있다.

프로세서(1100)는 특정 계산들 또는 태스크(task)들을 수행할 수 있다. 실시예에 따라, 프로세서(1100)는 마이크로프로세서(micro-processor), 중앙 처리 장치(Central Processing Unit; CPU)일 수 있다. 프로세서(1100)는 어드레스 버스(address bus), 제어 버스(control bus) 및 데이터 버스(data bus) 등과 같은 버스(1600)를 통하여 메모리 장치(1200), 스토리지 장치(1300) 및 입출력 장치(1500)와 통신을 수행할 수 있다. 실시예에 따라, 프로세서(1100)는 주변 구성요소 상호연결(Peripheral Component Interconnect; PCI) 버스와 같은 확장 버스에도 연결될 수 있다.

메모리 장치(1200)는 컴퓨팅 시스템(1000)의 동작에 필요한 데이터를 저장할 수 있다. 예를 들어, 메모리 장치(1200)는 디램(DRAM), 모바일 디램, 에스램(SRAM), 피램(PRAM), 에프램(FRAM), 알램(RRAM) 및/또는 엠램(MRAM)으로 구현될 수 있다. 스토리지 장치(1300)는 솔리드 스테이트 드라이브(solid state drive), 하드 디스크 드라이브(hard disk drive), 씨디롬(CD-ROM) 등을 포함할 수 있다. 메모리 장치(1200) 및 스토리지 장치(1300)는 도 1 내지 도 12에서 상술한 가격 결정 방법에 관한 프로그램을 저장할 수 있다.

입출력 장치(1500)는 키보드, 키패드, 마우스 등과 같은 입력 수단 및 프린터, 디스플레이 등과 같은 출력 수단을 포함할 수 있다. 전원 장치(1400)는 컴퓨팅 시스템(1000)의 동작에 필요한 동작 전압을 공급할 수 있다.

도 14은 본 개시의 예시적 실시예에 따른 온라인 마켓의 판매 상품의 종류 및 판매 가격을 결정하는 방법(S1)의 흐름을 보여주는 플로우 차트이다.

도 14을 참조하면, 본 개시의 예시적 실시예에 따른 온라인 마켓의 판매 상품의 종류 및 판매 가격을 결정하는 방법(S1)은 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10), 타 온라인 마켓의 판매 정보 및 고객의 희망 구매 가격에 기초하여 추천된 판매 상품의 가격을 결정하는 단계(S20), 및 외환 가격에 기초하여 판매 상품의 판매 가격을 제어하는 단계(S30)를 포함할 수 있다. 일 예시에서, 도 1 내지 도 13의 가격 결정 방법은 S20 단계의 세부 단계일 수 있다.

이하에서는, 본 개시의 온라인 마켓의 판매 상품의 종류 및 판매 가격을 결정하는 방법(S1)의 단계들에 대하여 보다 구체적으로 설명한다.

도 15는 본 개시의 예시적 실시예에 따른 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10a)의 흐름을 보여주는 플로우 차트이다.

도 15를 참조하면, 본 개시의 예시적 실시예에 따른 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10a)는 고객 단말로부터 고객 나이, 성별, 직업 중 적어도 어느 하나를 포함하는 고객 정보를 획득하는 단계(S110), 획득된 고객 정보에 기초하여 기 설정된 복수의 고객 목록들 중 어느 하나의 목록으로 고객을 분류하는 단계(S120), 고객 단말로부터 고객이 접속한 웹 사이트 및 소셜 네트워크 서비스(SNS)의 복수의 검색 키워드들을 고객 단말로부터 획득하는 단계(S130), 복수의 검색 키워드들 중 검색 기록이 많은 순서로 정렬하여 타겟 키워드를 획득하는 단게(S140), 타겟 키워드의 동의어 및 유사어를 추출하여 타겟 키워드 그룹을 획득하는 단계(S150), 기 설정된 타겟 고객 목록 별 복수의 추천 판매 상품들 중 타겟 키워드 그룹 내의 동의어 및 유사어와 중복되는 명칭의 판매 상품을 추출하는 단계(S160), 및 추출된 판매 상품을 제1 추천 판매 상품으로 결정하는 단계(S170)를 포함할 수 있다.

S110 단계에서, 판매 상품 추천 서버(도 19, 2000)는 고객 단말(도 19, 1000)로부터 고객 나이, 성별, 및 직업 등의 고객 정보를 획득할 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 스크래핑 기술을 통해 고객 단말(1000)로부터 고객 정보를 획득할 수 있다. 상기 스크래핑 기술은 고객의 인증 정보를 이용하여 고객의 개인 정보를 자동으로 추출하는 기술로 정의될 수 있다. 다만 이에 한정되지 않고, 판매 상품 추천 서버(2000)는 API를 이용하여 고객 단말(1000)로부터 고객 정보를 호출할 수 있다.

예를 들어, S110 단계는, 판매 상품 추천 서버(2000)가 고객 본인에 대한 인증을 고객 단말(1000)에 요청하는 단계, 고객 본인 인증이 수행된 경우 판매 상품 추천 서버(2000)가 고객 단말(1000)이 제공하는 텍스트 및 사진을 이용하여 고객 정보와 관련된 데이터를 수집하는 단계를 포함할 수 있다.

또한, S110 단계에서, 판매 상품 추천 서버(2000)는 고객 단말(1000)로부터 수집된 개인 정보와 관련된 데이터를 메모리(도 19, 2200)에 저장하고, 필요에 따라 상기 데이터를 추출하여 사용할 수 있다. 이에 따라, 온라인 마켓의 판매 상품을 추천하는 방법에 있어서, 판매 상품 추천 서버(2000)는 한 번의 스크래핑을 통해 획득된 고객 정보를 계속하여 이용할 수 있다.

S120 단계에서, 판매 상품 추천 서버(2000)는 고객 단말(1000)로부터 획득된 고객 정보에 기초하여 기 설정된 복수의 고객 목록들 중 어느 하나의 목록으로 고객을 분류할 수 있다.

예시적인 실시예에서, S120 단계에서, 판매 상품 추천 서버(2000)는 메모리(2200)에 미리 저장된 복수의 고객 목록들을 이용할 수 있다. 복수의 고객 목록들은 나이, 성별, 및 직업에 의해 분류된 고객 목록일 수 있다.

예시적인 실시예에서, 제1 복수의 고객 목록들은 나이(예를 들어, 10대, 20대, 30대 등), 성별(예를 들어, 남, 여), 및 직업(예를 들어, 사무직, 전문직, 의사, 사업가 등) 중 어느 하나에 의해 분류된 고객 목록일 수 있다.

예를 들어, 제1 복수의 고객 목록들은 10대, 20대, 30대 등 나이로 설정된 고객 목록일 수 있다. 또한, 제1 복수의 고객 목록들은 남, 여로 설정된 고객 목록일 수 있다. 또한, 제1 복수의 고객 목록들은 사무직, 전문직, 의사, 사업가로 설정된 고객 목록일 수 있다.

예시적인 실시예에서, 제2 복수의 고객 목록들은 나이, 성별, 및 직업 중 2개의 조합에 의해 분류될 수 있다. 즉, 제2 복수의 고객 목록들은 고객의 나이 및 성별에 의해 분류되거나, 고객의 성별 및 직업에 의해 분류되거나, 고객의 나이 및 직업에 의해 분류된 고객 목록일 수 있다.

예를 들어, 제2 복수의 고객 목록은 10대 남, 10대 여, 20대 남, 20대 여 등으로 분류된 고객 목록일 수 있다. 또한, 제2 복수의 고객 목록은 여학생, 남학생, 여자 사업가, 남자 전문직 등으로 분류된 고객 목록일 수 있다. 또한, 제2 복수의 고객 목록은 20대 학생, 30대 사무직, 50대 사업가 등으로 분류된 고객 목록일 수 있다.

예시적인 실시예에서, 제3 복수의 고객 목록들은 나이, 성별 및 직업 모두의 조합에 의해 분류된 고객 목록일 수 있다.

S120 단계에서, 판매 상품 추천 서버(2000)는 S110 단계에서 획득된 고객 정보에 기초하여 제1 내지 제3 복수의 고객 목록들 중 어느 하나의 고객 목록으로 고객을 분류할 수 있다.

예를 들어, S110 단계에서, 판매 상품 추천 서버(2000)가 나이, 성별, 및 직업 중 1개의 고객 정보를 획득한 경우, 상기 판매 상품 추천 서버(2000)는 제1 복수의 고객 목록들 중 어느 하나로 고객을 분류시킬 수 있다. 또한, 판매 상품 추천 서버(2000)가 나이, 성별, 및 직업 중 2개의 고객 정보를 획득한 경우, 상기 판매 상품 추천 서버(2000)는 제2 복수의 고객 목록들 중 어느 하나로 고객을 분류시킬 수 있다. 또한, 판매 상품 추천 서버(2000)가 나이, 성별, 및 직업 중 3개의 고객 정보를 획득한 경우, 상기 판매 상품 추천 서버(2000)는 제3 복수의 고객 목록들 중 어느 하나로 고객을 분류시킬 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 고객 단말(1000)로부터 획득된 고객 정보에 기초하여, 인공지능(AI)을 활용하여 복수의 고객 목록들 중 어느 하나로 고객을 자동으로 분류할 수 있다. 예를 들어, 판매 상품 추천 서버(2000)는 인공지능을 활용하여 고객 단말(1000)로부터 나이, 성별, 및 직업 중 적어도 어느 하나의 고객 정보를 획득하고, 획득된 고객 정보에 기초하여 기 설정된 복수의 고객 목록들 중 어느 하나로 고객을 분류할 수 있다.

S130 단계에서, 판매 상품 추천 서버(2000)는 고객 단말(1000)로부터 고객이 접속한 웹사이트 및 소셜 네트워크 서비스(SNS)의 복수의 검색 키워드들을 고객 단말(1000)로부터 획득할 수 있다.

예시적인 실시예에서, S130 단계에서, 판매 상품 추천 서버(2000)는 고객 단말(1000)이 접속한 웹사이트, 포털사이트, 소셜 네트워크 서비스 등에 검색한 키워드를 스크래핑하여 수집하여, 메모리(2200)에 저장시킬 수 있다. 다만 이에 한정되지 않고, S130 단계에서, 판매 상품 추천 서버(2000)는 API(Application programming interface)를 이용하여 고객 단말(1000)이 접속한 웹사이트, 포털사이트, 소셜 네트워크 서비스 등에 검색한 키워드를 호출하고, 메모리(2000)에 저장시킬 수 있다.

예를 들어, 고객이 포털 사이트 및 소셜 네트워크에 신발, 가방, 목 아픔, 어지러움, 빈혈 등을 검색한 경우, S130 단계에서, 판매 상품 추천 서버(2000)는 스크래핑 기술 또는 API를 이용하여 고객 단말(1000)로부터 신발, 가방, 목 아픔, 어지러움, 빈혈 등의 키워드들을 호출하여 메모리(2000)에 저장시킬 수 있다.

S140 단계에서, 판매 상품 추천 서버(2000)는 복수의 검색 키워드들을 검색 빈도 및 검색 시간 중 적어도 어느 하나에 기초하여 정렬하여 타겟 키워드를 획득할 수 있다.

예시적인 실시예에서, S140 단계에서, 판매 상품 추천 서버(2000)는 S130 단계에서 획득된 키워드들을 검색 빈도가 많은 순으로 정렬할 수 있다. 예를 들어, 고객 단말(1000)에서 고객이 포털 사이트 및 소셜 네트워크에 검색한 키워드인 '신발, 가방, 목아픔, 어지러움, 빈혈'의 검색 횟수가 각각 '5회, 3회, 12회, 1회, 2회'인 경우, 판매 상품 추천 서버(2000)는 '목아픔, 신발, 가방, 빈혈, 어지러움' 순으로 키워드를 정렬할 수 있다.

이 때, 판매 상품 추천 서버(2000)는 검색 횟수가 가장 많은 키워드를 타겟 키워드로 결정할 수 있다. 예를 들어, 판매 상품 추천 서버(2000)는 검색 횟수가 가장 많은 '목 아픔'의 키워드를 타겟 키워드로 결정할 수 있다.

다만 이에 한정되지 않고, 판매 상품 추천 서버(2000)는 검색 횟수가 레퍼런스 횟수를 초과한 키워드를 타겟 키워드로 결정할 수도 있다. 예를 들어, 레퍼런스 횟수가 4회인 경우, 판매 상품 추천 서버(2000)는 '신발, 목아픔'의 키워드를 타겟 키워드로 결정할 수도 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 인공지능을 활용하여 획득된 검색 키워드들을 검색 빈도 및 검색 시간 중 적어도 어느 하나에 기초하여 순차적으로 정렬하고, 정렬된 순서에 기초하여 타겟 키워드를 자동으로 결정할 수 있다.

또한, S140 단계에서, 판매 상품 추천 서버(2000)는 S130 단계에서 획득된 키워드들을 검색 시간이 많은 순으로 정렬할 수 있다. 예를 들어, 고객 단말(1000)에서 고객이 포털 사이트 및 소셜 네트워크에 검색한 키워드인 '신발, 가방, 목아픔, 어지러움, 빈혈'의 검색 시간이 '1분, 5분, 2분, 10분, 7분'인 경우, 판매 상품 추천 서버(2000)는 '어지러움, 빈혈, 가방, 목아픔, 신발' 순으로 키워드를 정렬할 수 있다.

이 때, 판매 상품 추천 서버(2000)는 검색 시간이 가장 많은 키워드를 타겟 키워드로 결정할 수 있다. 예를 들어, 판매 상품 추천 서버(2000)는 검색 시간이 가장 많은 '어지러움'의 키워드를 타겟 키워드로 결정할 수 있다.

S150 단계에서, 판매 상품 추천 서버(2000)는 S140 단계에서 획득된 타겟 키워드의 동의어, 유사어, 및 관련어를 추출하여, 타겟 키워드 그룹을 획득할 수 있다.

예시적인 실시에에서, 판매 상품 추천 서버(2000)는 인터넷 어휘 사전에 접속하여 S140 단계에서 획득된 타겟 키워드의 동의어, 유사어, 및 관련어를 추출하여 타겟 키워드 그룹을 획득할 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 API를 이용하여 포털사이트가 제공하는 동의어 사전, 유사어 사전, 관련어 사전에 접속하여 타겟 키워드의 동의어, 유사어, 및 관련어를 추출할 수 있다.

이에 한정되지 않고, 판매 상품 추천 서버(2000)는 직접 타겟 키워드를 상기 동의어 사전, 유사어 사전, 관련어 사전에 입력하고, 검색된 동의어, 유사어, 관련어를 추출할 수도 있다. 추출된 타겟 키워드의 동의어, 유사어, 및 관련어의 집합은 타겟 키워드 그룹으로 정의될 수 있다.

예를 들어, S140 단계에서 판매 상품 추천 서버(2000)가'목 아픔'을 타겟 키워드로 획득한 경우, S150 단계에서 판매 상품 추천 서버(2000)는 API를 이용하여 포털사이트가 제공하는 동의어 사전, 유사어 사전, 관련어 사전에 접속하여, '목 아픔, 인후통, 콧물, 기침, 코로나, 감기, 인후통약, 코로나 약, 모과차, 비타민 등'의 동의어, 유사어, 및 관련어를 획득할 수 있다. 또한, 판매 상품 추천 서버(2000)는 동의어, 유사어, 및 관련어의 조합을 타겟 키워드 그룹으로 설정할 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 인공지능을 활용하여 타겟 키워드의 동의어, 유사어, 및 관련어를 자동으로 추출하여, 타겟 키워드 그룹을 획득할 수 있다.

S160 단계에서, 판매 상품 추천 서버(2000)는 타겟 고객 목록 별로 기 설정된 복수의 판매 상품들 중 타겟 키워드 그룹 내의 동의어, 유사어, 및 관련어와 중복되는 명칭의 판매 상품을 추출할 수 있다.

판매 상품 추천 서버(2000)는 타겟 고객 목록 별로 복수의 판매 상품들과 관련된 데이터를 메모리(2200)에 미리 보유하고 있을 수 있다. 전술한 바와 같이, 판매 상품 추천 서버(2000)는 나이, 성별, 및 직업 등의 고객 정보에 기초하여 복수의 고객 목록들을 분류할 수 있고, 각 고객 목록 별로 판매가 많을 것으로 예상되는 판매 상품의 데이터를 미리 가지고 있을 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 고객의 나이, 성별, 및 직업에 기초하여 고객 목록을 제1 내지 제3 복수의 고객 목록으로 나누고, 상기 제1 내지 제3 복수의 고객 목록 별로 판매가 많을 것으로 예상되는 판매 상품의 데이터를 미리 가지고 있을 수 있다.

예를 들어, 판매 상품 추천 서버(2000)는 고객의 나이 및 성별 정보에 기초하여 상기 고객을 '30대 남자'로 분류할 수 있다. 또한, 판매 상품 추천 서버(2000)는 '30대 남자'에서 판매가 많을 것으로 예상되는 판매 상품의 리스트들을 미리 가지고 있을 수 있다.

S160 단계에서, 판매 상품 추천 서버(2000)는 고객 목록 별 기 설정된 복수의 판매 상품들 중 타겟 키워드 그룹 내의 동의어, 유사어, 및 관련어와 중복되는 명칭의 판매 상품을 추출할 수 있다.

예시적인 실시예에서, S150 단계에서 판매 상품 추천 서버(2000)가 '목 아픔, 인후통, 콧물, 기침, 코로나, 감기, 인후통약, 코로나 약, 모과차, 비타민 등'으로 구성된 타겟 키워드 그룹을 획득한 경우, S160 단계에서 판매 상품 추천 서버(2000)는 고객 목록 별 기 설정된 복수의 판매 상품들 중 '목 아픔, 인후통, 콧물, 기침, 코로나, 감기, 인후통약, 코로나 약, 모과차, 비타민 등'과 중복되는 명칭의 판매 상품을 추출할 수 있다.

예를 들어, 판매 상품 추천 서버(2000)가 '30대 남자'의 고객 목록에서 '비타민, 철분, 아령, 모과차, 유자차, 인후통약 등'의 판매 상품 리스트를 가지고 있는 경우, S160 단계에서 판매 상품 추천 서버(2000)는 타겟 키워드 그룹 내의 단어와 중복되는 명칭인'비타민, 모과차, 인후통약'을 추출할 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 인공지능을 활용하여 복수의 판매 상품들 중 타겟 키워드 그룹 내의 동의어, 유사어, 및 관련어와 중복되는 명칭의 판매 상품을 자동으로 추출할 수 있다.

S170 단계에서, 판매 상품 추천 서버(2000)는 S160 단계에서 추출된 판매 상품을 제1 추천 판매 상품으로 결정할 수 있다. 예를 들어, 판매 상품 추천 서버(2000)는 S160 단계에서 추출된 '비타민, 모과차, 인후통약'을 온라인 마켓의 판매 상품으로 결정하고, 판매 상품의 판매를 위한 서비스를 고객 단말(1000)에 제공할 수 있다.

본 개시의 S10a 방법이 고객 단말(1000)로부터 고객 정보를 획득하고, 획득된 고객 정보에 기초하여 고객을 어느 하나의 고객 목록으로 분류하고, 고객 단말(1000)로부터 검색 키워드를 획득하고, 고객 단말(1000)의 검색 빈도 및 검색 시간에 기초하여 검색 키워드 중 타겟 키워드를 획득하고, 타겟 키워드의 동의어, 유사어, 및 관련어를 포함하는 타겟 키워드 그룹을 획득하고, 고객 목록 별 기 설정된 복수의 판매 상품들 중 타겟 키워드 그룹 내의 단어들과 중복되는 명칭의 판매 상품을 추출하고, 추출된 판매 상품을 추천 판매 상품으로 결정할 수 있어서, 본 개시의 S10a 방법은 고객의 개인 정보 및 고객의 검색 정보에 기초하여 고객에 필요한 종류의 상품을 온라인 마켓에서 판매할 수 있다. 이에 따라, 본 개시의 방법을 이용하는 온라인 마켓의 시장 경쟁력이 개선될 수 있다.

도 16은 본 개시의 예시적 실시예에 따른 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10b)의 흐름을 보여주는 플로우 차트이다.

S10b 단계는, 도 15를 참조하여 설명한 S10a 단계 이후에 수행될 수 있다. 구체적으로, S210 내지 S230 단계는 S170 단계 이후에 수행될 수 있다.

도 16을 참조하면, 본 개시의 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(10b)는 복수의 타 온라인 마켓들이 판매하는 복수의 판매 아이템들 중 제1 기준 판매량을 넘은 복수의 제1 참고 판매 아이템들의 리스트를 획득하는 단계(S210), 제1 참고 판매 아이템들에 대한 복수의 타 온라인 마켓의 판매량의 총합이 제2 기준 판매량을 초과하는 경우 제1 참고 판매 상품을 제2 참고 판매 상품으로 결정하는 단계(S220), 및 제1 추천 판매 상품 중 제2 참고 판매 아이템의 명칭과 중복되는 상품을 제2 추천 판매 상품으로 결정하는 단계(S230)를 포함할 수 있다.

S210 단계에서, 판매 상품 추천 서버(2000)는 타 온라인 마켓 서버(도 19, 3000)로부터 제1 기준 판매량을 넘은 복수의 제1 참고 판매 아이템들의 리스트를 획득할 수 있다. 상기 제1 기준 판매량은 판매 상품 추천 서버(2000)의 관리자에 의해 임의로 정해지는 값일 수 있다.

다만 이에 한정되지 않고, 판매 상품 추천 서버(2000)는 API를 이용하여 타 온라인 마켓의 판매 상품 및 상기 판매 상품의 판매량과 관련된 정보를 호출하고, 상기 판매 상품 중 제1 기준 판매량을 넘은 상품을 제1 참고 판매 아이템으로 결정할 수 있다.

예를 들어, 제1 기준 판매량이 1000개로 결정된 경우, S210 단계에서 판매 상품 추천 서버(2000)는 타 온라인 마켓에서 판매되는 상품들 중 판매량이 1000개를 초과하는 제1 참고 판매 상품들의 리스트를 획득할 수 있다.

S220 단계에서, 판매 상품 추천 서버(2000)는 제1 참고 판매 상품에 대한 복수의 타 온라인 마켓의 판매량이 총합에 기초하여 제2 참고 판매 상품을 결정할 수 있다. 예시적인 실시예에서, 판매 상품 추천 서버(2000)는 제1 참고 판매 상품에 대한 복수의 타 온라인 마켓의 판매량의 총합이 제2 기준 판매량을 초과하는 경우, 제1 참고 판매 상품을 제2 참고 판매 상품으로 결정할 수 있다. 상기 제2 기준 판매량은 판매 상품 추천 서버(2000)의 관리자에 의해 임의로 정해지는 값일 수 있다.

예시적인 실시예에서, S220 단계는, 판매 상품 추천 서버(2000)가 제1 참고 판매 상품에 대한 타 온라인 마켓 각각의 판매량을 산출하는 단계, 제1 참고 판매 상품에 대한 타 온라인 마켓의 판매량을 합산하는 단계, 합산된 판매량이 제2 기준 판매량을 초과하는지 판단하는 단계, 및 초과하는 경우 제1 참고 판매 상품을 제2 참고 판매 상품으로 결정하는 단계를 포함할 수 있다.

예를 들어, 제2 기준 판매량이 100000개로 결정된 경우, S220 단계에서 판매 상품 추천 서버(2000)는 제1 참고 판매 상품들에 대한 복수의 타 온라인 마켓의 판매량 총합을 계산하고, 상기 판매량의 총합이 100000개를 초과한 경우 상기 제1 참고 판매 상품을 제2 참고 판매 상품으로 결정할 수 있다.

S230 단계에서, 판매 상품 추천 서버(2000)는 S170 단계에서 결정된 제1 추천 판매 상품 중 제2 참고 판매 상품의 명칭과 중복되는 상품을 추출하고, 추출된 상품을 제2 추천 판매 상품으로 결정할 수 있다.

본 개시의 온라인 마켓의 판매 상품을 추천하는 방법이 전술한 S10a와 더불어 S10b를 더 포함할 수 있어서, 본 개시의 온라인 마켓의 판매 상품을 추천하는 방법은 고객의 개인 정보, 고객의 검색 정보, 및 타 온라인 마켓의 판매 정보를 함께 고려할 수 있다. 이에 따라, 본 개시의 방법을 이용하는 온라인 마켓은 판매력이 우수한 상품을 고객에게 추천할 수 있어서, 고객 유인력이 개선? 수 있다.

도 17은 본 개시의 예시적 실시예에 따른 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10c)의 흐름을 보여주는 플로우 차트이다.

S10c 단계는, 도 16을 참조하여 설명한 S10b 단계 이후에 수행될 수 있다. 구체적으로, S310 및 S320 단계는 S220 단계 이후에 수행될 수 있다.

도 17을 참조하면, 본 개시의 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 단계(S10c)는 제2 추천 판매 상품의 기한 내 배송 가능성, 배송 거리, 고객 단말에서의 검색 빈도, 타 온라인 마켓 내 검색 빈도에 기초하여 제2 추천 판매 상품의 판매 적합 점수를 산출하는 단계(S310), 및 제2 추천 판매 상품의 판매 적합 점수에 기초하여 제3 추천 판매 상품을 결정하는 단계를 포함할 수 있다.

S310 단계에서, 판매 상품 추천 서버(2000)는 판매 상품 별 배송 가능성, 배송 거리, 고객 단말에서의 검색 빈도, 및 타 온라인 마켓 내 검색 빈도에 대한 데이터를 메모리(2200)에 미리 가지고 있을 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 제2 추천 판매 상품의 판매 적합 점수를 아래의 수학식 1에 의해 산출할 수 있다.

상기 수학식 7에서, Ga는 제2 추천 판매 상품의 판매 적합 점수(Ga)일 수 있다. 또한, Ca는 고객 단말의 위치에 기초하여 상이하게 결정되는 배송 가중치(Ca)이고, Pa는 제2 추천 판매 상품의 기한 내 배송 가능성(Pa)이고, Da는 제2 추천 판매 상품의 현재 위치 및 고객 단말 사이의 배송 거리(Da)이고, Ta는 상품의 종류에 기초하여 상이하게 설정되는 검색 가중치(Ta)이고, Ea는 고객 단말에서 제2 추천 판매 상품의 검색 빈도(Ea)이고, Fa는 타 온라인 마켓에서의 제2 추천 판매 상품의 검색 빈도(Fa)이고, Xa는 고객의 나이 및 성별에 기초하여 상이하게 설정되는 나이/성별 가중치(Xa)일 수 있다.

구체적으로, 제2 추천 판매 상품에 대한 판매 적합 점수(Ga)는 제2 추천 판매 상품의 신속한 배송의 측면을 고려하여 산정될 수 있다. 상기 판매 적합 점수(Ga)는 제2 추천 판매 상품의 현재 위치 및 고객 단말 사이의 배송 거리, 및 기한 내 배송 가능성을 고려할 수 있다.

예를 들어, 기한 내 배송 가능성이 높은 제2 추천 판매 상품에 대한 판매 적합 점수(Ga)는 상대적으로 큰 값을 가질 수 있으며, 배송 거리가 긴 제2 추천 판매 상품에 대한 판매 적합 점수(Ga)는 상대적으로 낮은 값을 가질 수 있다.

또한, 제2 추천 판매 상품에 대한 판매 적합 점수(Ga)는 고객 단말 및 타 온라인 마켓에서 검색되는 제2 추천 판매 상품의 검색 빈도를 고려하여 산정될 수 있다. 제2 추천 판매 상품에 대한 고객 단말의 검색 빈도(Ea) 및 타 온라인 마켓에서의 검색 빈도(Fa)가 높은 경우, 판매 적합 점수(Ga)는 상대적으로 큰 값을 가질 수 있다.

또한, 제2 추천 판매 상품에 대한 판매 적합 점수(Ga)는 고객의 나이 및 성별에 기초하여 상이하게 설정되는 나이/성별 가중치(Xa)를 더 고려할 수 있다. 상기 나이/성별 가중치(Xa)는 전술한 S120 단계에서 고객이 분류된 고객 목록 및 제2 추천 판매 상품의 상관 관계에 기초하여 사전에 정해지는 값일 수 있다.

또한, 제2 추천 판매 상품에 대한 판매 적합 점수(Ga)는 제2 추천 판매 상품의 배송, 검색 빈도, 및 나이/성별에 대한 점수의 합을 조절하기 위해, 고객 단말의 위치에 기초하여 상이하게 결정되는 배송 가중치(Ca), 상품의 종류에 기초하여 상이하게 설정되는 검색 가중치(Ta), 및 고객의 나이 및 성별에 기초하여 상이하게 설정되는 나이/성별 가중치(Xa)를 고려할 수 있다.

본 개시의 판매 상품 추천 서버(2000)는 제2 추천 판매 상품의 배송 정보, 제2 추천 판매 상품의 검색 정보, 및 고객의 개인 정보를 고려하여 판매 적합 점수(Ga)를 산출할 수 있다. 이에 따라, 상기 판매 적합 점수(Ga)는 고객의 유인력, 신속한 배송, 및 시장 경쟁력이 반영되어 결정될 수 있다.

S320 단계에서, 판매 상품 추천 서버(2000)는 제2 추천 판매 상품의 판매 적합 점수(Ga)에 기초하여 제3 추천 판매 상품을 결정할 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 복수의 제2 추천 판매 상품들 중에서 판매 적합 점수(Ga)가 가장 큰 값의 판매 상품을 제3 추천 판매 상품으로 결정할 수 있다.

다만 이에 한정되지 않고, 판매 상품 추천 서버(2000)는 복수의 제2 추천 판매 상품들 중에서 판매 적합 점수(Ga)가 기준 판매 적합 점수를 초과하는 판매 상품을 제3 추천 판매 상품으로 결정할 수도 있다.

본 개시의 온라인 마켓의 판매 상품을 추천하는 방법이 전술한 S10a, S10b와 더불어 S10c를 더 포함할 수 있어서, 본 개시의 온라인 마켓의 판매 상품을 추천하는 방법은 상품의 배송 정보, 검색 정보, 및 나이/성별 정보에 기초하여 온라인 마켓의 판매 상품을 추천할 수 있다. 이에 따라, 본 개시의 방법을 이용하는 온라인 마켓은 고객이 원하는 상품을 고객 단말에 추천할 수 있고, 추가적으로 상기 상품의 배송이 원활히 진행될 수 있는 지의 여부를 추가적으로 고려할 수 있다. 이에 따라, 본 개시의 방법을 이용하는 온라인 마켓의 고객 유인력, 배송 신속성, 시장 경쟁력이 개선될 수 있다.

도 18은 본 개시의 예시적 실시예에 따른 타 온라인 마켓의 판매 정보 및 고객의 희망 구매 가격에 기초하여 추천된 판매 상품의 판매 가격을 결정하는 단계(S20a)의 흐름을 보여주는 플로우 차트이다.

S20a는 S10c의 단계 이후에 수행될 수 있다. 구체적으로, S20a는 S10c의 S320 단계 이후에 수행될 수 있다.

본 개시의 타 온라인 마켓의 판매 정보 및 고객의 희망 구매 가격에 기초하여 추천된 판매 상품의 판매 가격을 결정하는 단계(S20a)는 복수의 타 온라인 마켓들에서 제3 추천 판매 상품의 판매량 및 판매 가격을 획득하는 단계(S410), 복수의 타 온라인 마켓들의 판매량 및 판매 가격에 기초하여 제3 추천 판매 상품의 가중 평균(weighted average) 판매가를 결정하는 단계(S420), 고객 단말로부터 제3 추천 판매 상품의 희망 구매 가격을 획득하는 단계(S430), 제3 추천 판매 상품의 원자재 함량, 원자재 가격 변동율, 재고 물량, 배송비, 및 외화 변동율에 기초하여 제3 추천 판매 상품의 가격 조절 값을 결정하는 단계(S440), 및 고객 희망 구매 가격 및 가격 조절 값의 합을 제3 추천 판매 상품의 상품 제안 판매 가격으로 결정하는 단계(S450)를 포함할 수 있다.

S410 단계에서, 판매 상품 추천 서버(2000)는 타 온라인 마켓 서버(3000)로부터 제3 추천 판매 상품의 판매량 및 판매 가격을 획득할 수 있다. 예시적인 실시예에서, 판매 상품 추천 서버(2000)는 인공지능을 활용하여 타 온라인 마켓 서버(3000)로부터 제3 추천 판매 상품의 판매량 및 판매 가격을 자동으로 획득할 수 있다.

다만 이에 한정되지 않고, 판매 상품 추천 서버(2000)는 API를 이용하여 타 온라인 마켓에서 제3 추천 판매 상품의 판매량 및 판매 가격과 관련된 정보를 호출하여, 메모리(2200)에 저장할 수 있다.

S420 단계에서, 판매 상품 추천 서버(2000)는 복수의 타 온라인 마켓들의 제3 추천 판매 상품의 판매량 및 판매 가격에 기초하여 제3 추천 판매 상품의 가중 평균 판매가를 결정할 수 있다. 상기 가중 평균 판매가는 타 온라인 마켓의 판매량이 고려되어 결정된 제3 추천 판매 상품의 평균 판매 가격일 수 있다.

구체적으로, 제3 추천 판매 상품의 가중 평균 판매가는 아래의 수학식 8에 의해 산출될 수 있다.

상기 수학식 8에서, Aa는 제3 추천 판매 상품에 대한 n개의 타 온라인 마켓들의 가중 평균 판매가이고, Mai는 타 온라인 마켓의 제3 추천 판매 상품에 대한 판매 가중치이고, Pai는 타 온라인 마켓의 제3 추천 판매 상품의 판매 가격이고, Zai는 타 온라인 마켓에서의 제3 추천 판매 상품의 판매량을 의미할 수 있다.

수학식 8에 기초하여, 제3 추천 판매 상품을 판매하는 복수의 타 온라인 마켓들의 판매량을 고려한 제3 추천 판매 상품의 가중 평균 판매가가 결정될 수 있다.

S430 단계에서, 판매 상품 추천 서버(2000)는 고객 단말(1000)로부터 제3 추천 판매 상품의 희망 구매 가격을 획득할 수 있다. 제3 추천 판매 상품의 상기 희망 구매 가격은 고객 단말(1000)에 의해 입력되어 판매 상품 추천 서버(2000)로 전달되는 값일 수 있으며, 고객에 의해 결정되는 값일 수 있다.

S440 단계에서, 판매 상품 추천 서버(2000)는 제3 추천 판매 상품의 원자재 함량, 원자재 가격 변동율, 재고 물량, 배송비, 및 외화 변동률에 기초하여 제3 추천 판매 상품의 가격 조절 값을 결정할 수 있다. 예시적인 실시예에서, 판매 상품 추천 서버(2000)는 복수의 제3 추천 판매 상품들에 대한 가격 조절 값을 자동으로 획득할 수 있다.

구체적으로, 제3 추천 판매 상품의 가격 조절 값은 아래의 수학식 9에 의해 산출될 수 있다.

상기 수학식 9에서, Ba는 제3 추천 판매 상품의 가격 조절 값이고, La는 원자재 종류에 기초하여 상이하게 설정되는 원자재 가격 변동 가중치이고, Qa는 원자재 가격 변동률이고, Ha는 제3 추천 판매 상품에 함유된 원자재 함량이고, Ia는 제3 추천 판매 상품의 종류에 기초하여 상이하게 설정되는 배송 가중치이고, Ka는 제3 추천 판매 상품의 배송비이고, Ja는 제3 추천 판매 상품의 재고 물량이고, Oa는 외화의 종류에 기초하여 상이하게 설정되는 외화 가격 변동 가중치이고, Ra는 외화 변동률을 의미한다.

구체적으로, 제3 추천 판매 상품의 가격 조절 값(Ba)은 제3 추천 판매 상품에 함유된 원자재의 함량 및 원자재 가격 변동을 고려하여 산정될 수 있다. 예를 들어, 원자재의 함량이 많고 현재 상기 원자재의 가격이 상승하고 있는 경우, 가격 조절 값(Ba)은 상승할 수 있다.

또한, 제3 추천 판매 상품의 가격 조절 값(Ba)은 제3 추천 판매 상품의 재고 물량 및 배송비를 고려하여 선정될 수 있다. 예를 들어, 제3 추천 판매 상품의 재고 물량이 많고 배송비가 작은 경우 가격 조절 값(Ba)은 상승할 수 있고, 재고 물량이 적고 배송비가 큰 경우 가격 조절 값(Ba)은 하락할 수 있다.

또한, 제3 추천 판매 상품의 가격 조절 값(Ba)은 외화 가격 변동을 함께 고려하여 산정될 수 있다. 예를 들어, 제3 추천 판매 상품이 수입이 필요한 제품이고, 현재 외화 가격이 상승하고 있는 경우, 가격 조절 값(Ba)은 상승할 수 있다.

제3 추천 판매 상품의 가격 조절 값(Ba)은 원자재 가격 변수, 외화 가격 변수, 배송 변수를 모두 고려한 값을 조절하기 위해, 원자재 종류에 기초하여 상이하게 설정되는 원자재 가격 변동 가중치(La), 제3 추천 판매 상품의 종류에 기초하여 상이하게 설정되는 배송 가중치(Ia), 및 외화의 종류에 기초하여 상이하게 설정되는 외화 가격 변동 가중치(Oa)를 고려할 수 있다.

본 개시의 제3 추천 판매 상품의 가격 조절 값(Ba)은 원자재 가격 변수, 외화 가격 변수, 배송 변수를 모두 고려하여 산출될 수 있다. 이에 따라, 본 개시의 판매 상품 추천 서버(2000)는 고객의 희망 구매 가격에 가격 조절 값(Ba)을 반영하여 고객의 유인력, 신속한 배송, 및 시장 경쟁력을 모두 개선시킬 수 있는 상품의 판매 가격을 고객 단말(1000)에 제안할 수 있다.

S450 단계에서, 판매 상품 추천 서버(2000)는 고객 희망 구매 가격(Ya) 및 가격 조절 값(Ba)의 합을 제3 추천 판매 상품의 상품 제안 판매 가격으로 결정할 수 있다.

구체적으로, 제3 추천 판매 상품의 상품 제안 판매 가격은 아래의 수학식 10에 의해 결정될 수 있다.

상기 수학식 10에서, CPa는 제3 추천 판매 상품의 상품 제안 판매 가격(CPa)이고, Ya는 제3 추천 판매 상품의 고객 희망 구매 가격(Ya)이고, Ba는 제3 추천 판매 상품의 가격 조절 값(Ba)일 수 있다.

본 개시의 S20a 방법은 제3 추천 판매 상품에 대한 고객 희망 구매 가격(Ya)을 획득하고, 원자재, 배송, 및 외화를 고려한 가격 조절 값(Ba)을 계산하고, 고객 희망 구매 가격(Ya) 및 가격 조절 값(Ba)이 반영된 상품 제안 판매 가격(CPa)을 결정할 수 있다.

즉, 판매 상품 추천 서버(2000)는 제3 추천 판매 상품의 판매 가격에 고객이 원하는 가격을 반영함과 동시에 환율, 원자재 값 등의 글로벌 경제적 상황을 반영시킬 수 있다. 이에 따라, 판매 상품 추천 서버(2000)는 고객 유인력, 시장 경쟁력을 확보할 수 있다.

도 19은 본 개시의 예시적 실시예에 따른 타 온라인 마켓의 판매 정보 및 고객의 희망 구매 가격에 기초하여 추천된 판매 상품의 판매 가격을 결정하는 단계(S20b)의 흐름을 보여주는 플로우 차트이다.

S20b는 전술한 S20a 이후에 수행될 수 있다. 구체적으로, S20b는 S20a의 S450 단계 이후에 수행될 수 있다.

본 개시의 S20b는 제3 추천 판매 상품의 상품 제안 판매 가격(Cpa)이 S420 단계에서 획득된 제3 추천 판매 상품의 가중 평균 판매가(Aa)보다 작은지 판단하는 단계(S510), 상품 제안 판매 가격(CPa)이 가중 평균 판매가(Aa)보다 작은 경우 제3 추천 판매 상품의 가격을 상기 상품 제안 판매 가격(CPa)으로 결정하는 단계(S520), 상품 제안 판매 가격(CPa)이 가중 평균 판매가(Aa)보다 큰 경우 제3 추천 판매 상품의 판매를 중단하는 단계(S530)를 포함할 수 있다.

예시적인 실시예에서, 판매 상품 추천 서버(2000)는 인공지능을 활용하여 복수의 제3 추천 판매 상품들의 상품 제안 판매 가격(Cpa)이 S420 단계에서 획득된 제3 추천 판매 상품의 가중 평균 판매가(Aa)보다 작은지 자동으로 판단할 수 있다.

일반적으로, 판매 상품 추천 서버(2000)가 제3 추천 판매 상품에 대한 타 온라인 마켓의 가중 평균 판매가(Aa)보다 높은 가격을 고객 단말(1000)에 제시한 경우, 가격 경쟁력이 낮아 고객 유인력은 낮아질 수 있다.

이에 따라, 본 개시의 판매 상품 추천 서버(2000)는 고객이 제안한 고객 희망 구매 가격(Ya)에 상기 상품 추천 서버(2000)가 자체적으로 계산한 가격 조절 값(Ba)을 합산하여 상품 제안 판매 가격(CPa)을 결정할 수 있다. 또한, 판매 상품 추천 서버(2000)는 상품 제안 판매 가격(CPa)이 가중 평균 판매가(Aa)보다 작은 경우에만 제3 추천 판매 상품의 판매 가격을 상기 상품 제안 판매 가격(Cpa)으로 결정할 수 있다. 이에 따라, 제3 추천 판매 상품에 대한 가격 경쟁력이 개선되어 고객 유인력이 향상될 수 있다.

이상에서와 같이 도면과 명세서에서 예시적인 실시예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시예들을 설명되었으나, 이는 단지 본 개시의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 청구범위에 기재된 본 개시의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 개시의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims

프로세서에 의해 수행되는 가격 결정 방법에 있어서,
상기 프로세서에 의해, 재고 상수에 대해 학습된 인공지능 모듈을 활용하여 대상 제품에 대한 재고 상수를 획득하는 단계;
상기 프로세서에 의해, 상기 대상 제품에 대한 정보를 기초로 유사 제품 DB를 이용하여 상기 대상 제품에 대한 판매 기간 예측 값을 계산하는 단계;
상기 프로세서에 의해, 상기 판매 기간 예측 값을 기초로 상기 대상 제품이 판매되기 위해 필요한 기간 동안의 환율 예측 값을 계산하는 단계;
상기 프로세서에 의해, 상기 재고 상수, 상기 판매 기간 예측 값 및 상기 환율 예측 값을 곱함으로써 재고 비용을 계산하는 단계;및
상기 프로세서에 의해, 상기 재고 비용을 기초로 상기 대상 제품에 대한 판매 가격을 결정하는 단계;를 포함하고,
상기 환율 예측 값을 계산하는 단계는,
상기 대상 제품을 보관하기 시작하는 제1 시점에서 제1 국과 제2 국 간의 제1 환율 값을 획득하는 단계;
상기 제1 시점에서 상기 판매 기간 예측 값을 뺀 시점을 제2 시점으로 결정하는 단계;
상기 제2 시점의 상기 대상 제품을 보관하는 제1 국과 상기 대상 제품을 판매하는 제2 국의 환율을 검색함으로써 제2 환율 값을 획득하는 단계;
상기 제1 시점에서의 제1 환율 기울기 값을 계산하는 단계;
상기 제1 시점과 상기 제2 시점 사이의 제2 환율 기울기 값을 계산하는 단계;
상기 제1 환율 기울기 값과 상기 제2 환율 기울기 값에 대한 가중 평균을 통해 환율 기울기 예측 값을 계산하는 단계;
상기 환율 기울기 예측 값과 상기 판매 기간 예측 값을 곱함으로써 예상 환율 증가 값을 계산하는 단계;및
상기 예상 환율 증가 값을 상기 제1 환율 값에 더함으로써 상기 환율 예측 값을 결정하는 단계;를 포함하고,
상기 환율 예측 값을 계산하는 단계는,
상기 제1 환율 값을 , 상기 제2 환율 값을 , 상기 판매 기간 예측 값을 , 예측 상수를 라고 할 때, 상기 환율 예측 값 을 아래 식이 만족하도록 결정하는 것을 특징으로 하는 가격 결정 방법.
제1 항에 있어서,
상기 판매 기간 예측 값을 계산하는 단계는,
상기 유사 제품 DB 중 상기 대상 제품과 물품 코드가 동일한 적어도 하나의 제1 유사 제품을 결정하는 단계;
상기 적어도 하나의 제1 유사 제품 중 상기 대상 제품과 판매처가 동일한 적어도 하나의 제2 유사 제품을 결정하는 단계;
상기 적어도 하나의 제2 유사 제품 중 상기 판매 가격과 유사한 가격대를 갖는 적어도 하나의 제3 유사 제품을 결정하는 단계;
상기 유사 제품 DB 중 상기 적어도 하나의 제3 유사 제품의 판매 기간을 획득하는 단계;및
상기 판매 기간의 평균을 상기 판매 기간 예측 값으로 결정하는 단계;를 포함하는 가격 결정 방법.
제1 항에 있어서,
상기 대상 제품에 대한 재고 상수를 획득하는 단계는,
상기 인공지능 모듈에 의해 제품 크기를 기초로 한 제1 서브 재고 상수를 학습시키는 단계;
상기 대상 제품에 대한 제품 크기를 기초로 상기 제1 서브 재고 상수를 결정하는 단계;
상기 인공지능 모듈에 의해 냉동 제품에 대한 제2 서브 재고 상수를 학습시키는 단계;
상기 대상 제품이 냉동 제품인지 여부를 기초로 상기 제2 서브 재고 상수를 결정하는 단계;및
상기 제1 서브 재고 상수 및 상기 제2 서브 재고 상수를 더함으로써 상기 재고 상수를 획득하는 단계;를 포함하는 가격 결정 방법.
제3 항에 있어서,
상기 제1 서브 재고 상수를 결정하는 단계는,
상기 대상 제품에 대한 제품 크기를 획득하는 단계;
상기 제품 크기가 제1 크기보다 작은 경우, 상기 제1 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제1 값을 결정하는 단계;
상기 제품 크기가 상기 제1 크기보다 크거나 같고, 상기 제1 크기보다 큰 제2 크기보다 작은 경우, 상기 제1 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제2 값을 결정하는 단계;
상기 제품 크기가 상기 제2 크기보다 크거나 같은 경우, 상기 제1 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제3 값을 결정하는 단계;를 포함하고,
상기 제1 값은 상기 제2 값보다 작고, 상기 제2 값은 상기 제3 값보다 작도록 결정하는 것을 특징으로 하는 가격 결정 방법.
제4 항에 있어서,
상기 제2 서브 재고 상수를 결정하는 단계는,
상기 대상 제품이 냉동 제품인지 여부를 결정하는 단계;
상기 대상 제품이 냉동 제품인 경우, 상기 제2 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제4 값을 결정하는 단계;
상기 대상 제품이 냉동 제품이 아닌 경우, 상기 제2 서브 재고 상수로서 상기 인공지능 모듈에 의해 도출된 제5 값을 결정하는 단계;
상기 제4 값은 상기 제5 값보다 크도록 결정하는 것을 특징으로 하는 가격 결정 방법.
삭제
삭제
제1 항에 있어서,
상기 예측 상수는,
상기 제1 국이 미국인 경우, 0.2 보다 크거나 같고 0.3 보다 작은 정수로 결정되고,
상기 제1 국이 중국인 경우, 0.3 보다 크거나 같고 0.4 보다 작은 정수로 결정되고,
상기 제1 국이 베트남인 경우, 0.6 보다 크거나 같고 0.8 보다 작은 정수로 결정되는 것을 특징으로 하는 가격 결정 방법.
제1 항에 있어서,
상기 예측 상수는,
상기 판매 기간 예측 값이 7일 미만인 경우, 0.7 보다 큰 정수로 결정되고,
상기 판매 기간 예측 값이 7일 이상, 30일 미만인 경우, 0.4보다 크고 0.7보다 작거나 같은 정수로 결정되고,
상기 판매 기간 예측 값이 30일 이상인 경우, 0.4보다 작거나 같은 정수로 결정되는 것을 특징으로 하는 가격 결정 방법.
제1 항에 있어서,
상기 예측 상수는,
상기 대상 제품의 구매 가격이 10달러 미만인 경우, 0.8 보다 큰 정수로 결정되고,
상기 대상 제품의 구매 가격이 10달러 이상, 100달러 미만인 경우, 0.2보다 크고 0.8보다 작거나 같은 정수로 결정되고,
상기 대상 제품의 구매 가격이 100달러 이상인 경우, 0.2보다 작거나 같은 정수로 결정되는 것을 특징으로 하는 가격 결정 방법.