KR102621790B1 - 가맹점의 식자재 발주수량에 기초한 품질관리 방법 - Google Patents

가맹점의 식자재 발주수량에 기초한 품질관리 방법 Download PDF

Info

Publication number
KR102621790B1
KR102621790B1 KR1020210100359A KR20210100359A KR102621790B1 KR 102621790 B1 KR102621790 B1 KR 102621790B1 KR 1020210100359 A KR1020210100359 A KR 1020210100359A KR 20210100359 A KR20210100359 A KR 20210100359A KR 102621790 B1 KR102621790 B1 KR 102621790B1
Authority
KR
South Korea
Prior art keywords
product
weight
standard
food
franchise
Prior art date
Application number
KR1020210100359A
Other languages
English (en)
Other versions
KR20230018605A (ko
Inventor
조순희
강호상
Original Assignee
주식회사 리드플래닛
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 리드플래닛 filed Critical 주식회사 리드플래닛
Priority to KR1020210100359A priority Critical patent/KR102621790B1/ko
Publication of KR20230018605A publication Critical patent/KR20230018605A/ko
Application granted granted Critical
Publication of KR102621790B1 publication Critical patent/KR102621790B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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

Landscapes

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

Abstract

본 발명은 가맹점의 식자재 발주수량 또는 사용중량에 기초한 품질관리 방법에 관한 내용을 제안한다. 본 발명의 일 실시 예에 따르면, 요식업 가맹 사업 관리방법에 있어서, 식자재 중에서 기준상품을 지정하는 단계; 상기 기준상품과 관련된 관계상품군 및 연관상품 비율을 설정하는 단계; 수발주DB로부터 가맹점의 연관상품 발주수량을 불러오는 단계; 및 상기 연관상품 발주수량으로부터 상기 연관상품 비율에 기반하여 상기 기준상품의 예상 사용중량을 추정하는 단계;를 포함하는, 가맹점의 식자재 발주수량에 기초한 품질관리 방법을 제공한다.

Description

가맹점의 식자재 발주수량에 기초한 품질관리 방법{method for managing quality control based to order quantity about Franchise business}
본 발명은 가맹점의 식자재 발주수량 또는 사용중량에 기초한 품질관리 방법 및 이를 위한 AI 학습 모델에 관한 것이다.
프랜차이즈 사업은 가맹사업단과 가맹점이 가맹사업단이 가지고 있는 비즈니스 모델 및 사업 노하우에 대한 사용에 관한 가맹계약을 체결하고, 가맹사업단은 가맹점에 대한 경영 및 기타 지원을, 가맹점은 영업점 매출의 일부를 가맹사업단에 제공하는 것을 내용으로 한다.
가맹사업단은 가맹점을 지원하기 위해 슈퍼바이저에게 일정 역할을 수행토록 하며, 슈퍼바이저는 CRS/QCS 수준 유지, LSM, 가맹점주의 관리, 매장의 애로사항 해결, 마케팅 도구의 지원, 매장 매출현황 분석과 대책 수립, 매장 직원 교육 등의 업무를 수행한다. 가맹사업단은 가맹점 및 슈퍼바이저들을 관리, 감독하기 위한 품질관리 매뉴얼과 이를 지원하는 플랫폼, 지원도구를 필요로 한다.
한편, 가맹점 중 매뉴얼을 정확히 숙지하지 못하였거나, 또는 매뉴얼이 있더라도 영업 노하우나 경험이 부족하여 식자재를 제대로 관리하지 못하는 경우도 상당수 있을 수 있다. 특히, 가맹점이 가맹사업의 계약 범위를 벗어나 자신만의 노하우로 식자재를 다르게 관리하거나, 가맹사업단의 조리 매뉴얼을 어기는 경우도 빈번하게 발생하고 있는 실정이다.
종래에는 가맹점의 POS 등을 통한 매출정보 등을 가맹사업단 본점이 모니터링하고, 이를 슈퍼바이저가 개별적으로 해당 가맹점과의 직접적인 교류를 통해 여러 문제들을 해결해왔다면, 최근에는 이를 시스템을 통해 해결하고, 품질관리를 규격화하기 위한 자동화 기술 개발이 요청되고 있다.
선행기술문헌: 국내공개특허공보 제10-2021-0025414호(2019.08.27)
본 발명은 가맹점의 식자재 발주수량 또는 사용중량에 기초한 품질관리 방법 및 이를 위한 AI 학습 모델을 제공하는 것을 개시한다.
본 개시의 제1 측면은, 요식업 가맹 사업 관리방법에 있어서, 식자재 중에서 기준상품을 지정하는 단계; 상기 기준상품을 포함하는 관계상품군을 설정하고, 상기 관계상품군에 포함되고 상기 기준상품과 연관된 연관상품들의 연관상품 비율을 설정하는 단계; 수발주DB로부터 가맹점의 연관상품 발주수량을 불러오는 단계; 및 상기 연관상품 발주수량 및 상기 연관상품 비율에 기반하여 상기 기준상품의 예상 사용중량을 추정하는 단계;를 포함하는 가맹점 식자재 발주수량에 기초한 품질관리 방법을 제공한다.
본 개시의 제2 측면은, 가맹점의 식자재 발주수량에 기초한 품질관리방법을 위한 AI 모델 학습 방법에 있어서, 가맹사업단의 표준식자재 사용가이드에 기초하여 메뉴별 필요한 복수의 연관상품들을 제1 관계상품군으로 설정하는 단계; 기준상품, 제1 관계상품군, 및 제1 관계상품군에 속한 연관상품들에 관한 데이터테이블을 생성하는 전처리 단계; 가맹사업단의 예상 매출 시나리오를 기반으로 메뉴별 판매량을 변화시켜 데이터 테이블내 연관상품들의 예상 사용중량을 추정하는 다수의 시뮬레이션을 수행하는 단계; 다수의 시뮬레이션 결과를 평균하여 연관상품 비율을 산출하는 단계; 및 산출한 연관상품 비율을 상관관계로 하는 기준상품 예상 사용중량 추정모델을 학습하는 단계;를 포함하는 AI 모델 학습방법을 제공한다.
본 개시의 제3 측면은, 요식업 가맹사업 관리 방법에 있어서, 가맹사업단의 취급 메뉴 및 메뉴별 표준식자재 사용중량에 관한 정보를 포함하는 표준식자재 사용가이드를 등록하는 단계, 가맹사업단의 취급 메뉴와 POS에 등록된 메뉴를 매핑하는 단계; 전산으로 연결된 POS로부터 소정의 기간내 가맹점의 메뉴별 판매 수량을 포함하는 매출정보를 불러오는 단계; 메뉴별 판매 수량과 표준식자재 사용중량을 비교하여 가맹점의 소정의 기간내 식자재 예상 사용중량을 추정하는 단계;를 포함하는, 가맹점의 식자재 사용중량에 기초한 품질관리 방법을 제공한다.
본 개시의 제4측면은, 가맹점의 식자재 사용중량에 기초한 품질관리를 위한 AI 모델 학습 방법에 있어서, 가맹사업단의 표준식자재 사용가이드를 입력하는 단계; 표준식자재 사용가이드에 기초하여 가맹점별 취급 메뉴 및 메뉴별 표준식자재 사용중량에 관한 데이터테이블을 생성하는 전처리 단계; 식자재 특성에 따른 메뉴 완성 수율에 관한 상관관계가 학습된 AI 모델을 이용하여, 가맹점의 소정의 기간내 POS 매출정보를 입력으로 하여 메뉴별 식자재 예상 사용중량을 추정하는 단계; 소정의 기간을 변경시키며, 기간을 달리하여 다수의 시뮬레이션을 수행하는 단계; 및 시뮬레이션 결과를 평균하여 식자재 발주중량 대비 메뉴 완성 시 식자재 사용중량 비율인 수율을 추론하는 단계;를 포함하는 방법을 제공한다.
본 개시의 제 5 측면은, 전술한 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 또는 서버를 제공할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
가맹사업단은 본 발명의 일 실시 예에 따른 가맹점의 식자재 발주수량에 기초한 품질관리 방법을 통해 가맹점의 식자재 발주수량의 적정성을 판단할 수 있으며, 다수의 가맹점을 관리하는 가맹사업단으로서는 이러한 툴을 사용해 다수의 가맹점을 쉽게 관리할 수 있다.
본 발명에서 식자재 발주수량 적정성 판단은 전산상 등록된 가맹사업단의 식자재 발주수량 데이터를 활용하기 때문에, 사람이 관리할 때 보다 오차나 오 주문을 필터링하기 쉬우며 AI 모델을 통해 품질관리를 용이하게 수행할 수 있다.
본 발명의 실시 예에 따르면, 슈퍼바이저가 고도의 영업점 관리 노하우를 가지고 있지 않아도 시스템을 통한 관리가 가능하므로, 슈퍼바이저에 대한 관리, 감독 교육 부담을 줄일 수 있으며, 슈퍼바이저가 비대면 방식으로 가맹점을 관리, 감독할 수 있는 툴을 제공한다.
본 발명의 다른 실시 예에 따른 식자재 사용중량에 기초한 품질관리방법에 따르면 가맹점이 가맹사업단의 표준식자재 사용가이드를 준수하여 영업을 하는지 쉽게 모니터링할 수 있다.
본 발명은 가맹사업단이 가지고 있는 여러 개의 표준식자재 사용가이드를정규화하고, 이를 AI 모델을 통해 비교사 학습(Unsupervised)함으로써, 가맹사업단의 표준식자재 사용가이드가 현업에서 어떻게 적용되고 활용되는지 파악할 수 있게 하며, 가맹사업단은 이로부터 가맹점 관리를 효율적으로 수행하기 위한 인사이트(insight)를 가질 수 있다.
본 발명의 실시 예들에 따른 가맹점의 식자재 발주수량 또는 사용중량에 기초한 품질관리 방법 은 가맹점이 표준식자재 사용가이드를 준수토록 가이드할 수 있으며 가맹사업단의 영업방법에 관한 품질을 관리하게 하고, 이는 궁극적으로 가맹사업단의 영업에 대한 일반 수요자의 신뢰를 향상시킬 수 있다.
도 1은 AI 모델을 이용한 가맹점의 식자재 발주수량에 기초한 품질관리 방법 및 AI 모델 학습방법을 설명하는 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 가맹점의 식자재 발주수량에 기초한 품질관리 방법에 관한 흐름도이다.
도 3은 본 발명의 일 실시 예에 따른 가맹점의 식자재 발주수량에 기초한 품질관리를 위한 AI 모델 학습방법에 관한 흐름도이다.
도 4는 본 발명의 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리 방법 및 AI 모델 학습 방법을 설명하는 예시도이다
도 5는 본 발명의 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리 방법에 관한 흐름도이다.
도 6은 본 발명의 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리를 위한 AI 모델 학습방법에 관한 흐름도이다.
도 7은 본 발명의 가맹점의 식자재 발주수량에 기초한 품질관리 방법을 구현한 일 예이다.
도 8은 본 발명의 일 실시 예에 따라 기준상품에 대한 관계상품군을 추가, 삭제 등 변경하는 일 예이다.
도 9는 본 발명의 일 실시 예에 따라 가맹사업단의 취급 메뉴와 POS 메뉴를 매핑하는 일 예이다.
도 10a는 본 발명의 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리 방법을 가맹점 단위로 구현한 일 예이다.
도 10b는 본 발명의 또 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리 방법을 상품 단위로 구현한 일 예이다.
도 11는 본 발명의 또 다른 실시 예에 따른 서버(1000)의 구성도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시의 일부 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다."매커니즘", "요소", "수단" 및 "구성"등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 거성들로써 한정되는 것은 아니다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
여기서, 본 발명에서 가맹사업단이란 자신의 상호, 상표, 영업방법 등에 대한 라이센싱을 제공하는 것을 주목적으로 하는 프랜차이즈 사업을 설계하고 운영하는 프랜차이즈 가맹본사를 지칭할 수 있다. 가맹점은 가맹사업단의 상호, 상표, 영업방법 등을 사용, 수익할 권리를 가지고 점포를 운영하여 이로 인해 발생한 일부 수익을 위 가맹사업단에 제공하는 가맹계약을 체결한 사업자를 지칭한다.
보통, 가맹사업단은 자신의 영업 방법에 관한 노하우를 가지고 있는 곳이 많으며, 가맹점을 관리하기 위해 프랜차이즈 기업용 ERP 시스템을 사용하기도 한다. 프랜차이즈 기업용 ERP 시스템은 프랜차이즈 가맹본사의 영업활동을 지원하는 솔루션으로서 일 예에 따르면 ERP 시스템은 가맹사업의 전개와 가맹점 관리를 위한 가맹 희망자 영업관리, 가맹점 영업지역 관리, 가맹점 매출 및 손익관리, 슈퍼바이저 방문 계획/실적 관리, 가맹본부 매뉴얼 관리, 상품 관리, 가맹점 수발수 관리, 상품 재고 관리, 협업체계 관리 등을 제공할 수 있다.
본 발명의 실시 예에 따르면 가맹점의 식자재 발주수량에 기초한 품질관리 방법, 가맹점의 식자재 사용중량에 기초한 품질관리 방법이 품질관리 측면에서 제공될 수 있다. 이를 위해, 본 발명은 품질관리 시스템을 구체화, 체계화, 규격화하기 위해 AI 모델을 학습하고 이를 이용하는 방법을 제공하고 있다.
여기서, AI(Artificial Inteligence) 모델은 사고나 학습 등 인간이 가진 지적 능력을 컴퓨터를 통해 구현하는 기술로, 이 중 컴퓨터가 스스로 학습하여 인공지능의 성능을 향상시키는 기술을 머신러닝(Machine Learning)이라 한다. 본 발명은 머신러닝과 관련된 기술 또는 인공신경망을 이용하는 딥러닝(CNN, RNN, RBM)등의 기술이 활용될 수 있다.
본 발명에서 표준식자재 사용가이드에는 복수개의 메뉴와, 관련된 수많은 식자재가 있을 수 있다. 만일, 하나의 메뉴만을 분석한다면 메뉴별 관련된 식자재 및 사용중량을 일대일 매칭하면 되겠지만, 일반적으로 한 업종의 요식업에도 수 개 내지는 수십 개의 메뉴가 있을 수 있다. 또한, 각 메뉴에 들어가는 식자재는 다른 메뉴에도 사용될 수 있어, 복수개의 메뉴를 고려했을 때, 메뉴만 가지고 사용될 식자재의 수량이나 중량을 예측하는 것은 쉽지 않을 수 있다. 이에 대해, 표준식자재 사용가이드가 항상 명확한 해답을 가지고 있지 않으므로, 본 발명의 AI 모델은 수많은 메뉴, 그리고 수많은 식자재에 대한 비교사 학습 방법으로, 유사한 의미를 가지는 데이터를 클러스팅하고 연관관계에 대한 패턴을 추론하고, 이에 대한 피드백을 통해 오차를 줄이는 방향으로 AI 모델을 설계할 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일 실시 예에 따른 AI 모델(100)을 이용한 가맹점의 식자재 발주수량에 기초한 품질관리 방법 및 AI 모델 학습방법을 설명하는 예시도이다. 도 1을 참고하면, 본 발명은 AI 모델(100)을 학습하는 방법과, AI 모델(100)을 이용하여 추정을 수행하는 방법 두가지 측면에서 이를 기술할 수 있다. 본 발명의 일 실시 예에 따른 가맹점 식자재 발주수량에 기초한 품질관리 장치(10)는 아래와 같은 방법으로 가맹점의 식자재 발주수량을 관리할 수 있다.
단계 110에서, 장치(10)는 가맹사업단의 표준식자재 사용가이드에 기초하여 메뉴별 필요한 복수의 연관상품들을 제1 관계상품군으로 설정할 수 있다.
단계 120에서, 장치(10)는 사용자 인터페이스를 통해 사용자로부터 관계상품군 지정에 대한 입력을 받고, 이를 기초로 사용자에 의해 추가, 삭제 또는 변경된 제2 관계상품군을 설정할 수 있다.
단계 130에서, 장치(10)는 AI 모델(100)을 통해 정보를 가공하고, 입력하기 위한 전처리 단계로써, 기준상품, 관계상품군, 연관 식자재들에 관한 데이터테이블을 생성하는 전처리를 수행할 수 있다.
단계 140에서, 장치(140)는 가맹사업단의 예상 매출 시나리오를 기반으로 메뉴별 판매량을 변화시켜 데이터 테이블내 연관상품들의 예상 사용중량을 추정하는 다수의 시뮬레이션을 수행할 수 있다.
예를 들어, 하나의 메뉴에 대해서는 그 메뉴의 완성에 필요한 다수의 식자재가 연관성을 가지고 있을 수 있다. 표준식자재 사용가이드에 따르면 장치(10)는 하나의 메뉴 완성에 필요한 여러 식자재들을 연관상품으로 클러스팅하여 관계상품군을 설정할 수 있다. 그러나 메뉴가 여러 개가 될 경우 특정 메뉴에 특히 많이 사용되는 식자재가 있을 수 있으며, 가맹사업단이 취급하는 전체 식자재를 놓고 보면 메뉴 판매량에 따라 필요한 식자재들의 사용수량이 달라질 수 있어, 하나의 식자재를 놓고 관계상품군 내 연관상품들 사이에 상관관계를 추론하기에 논리적인 접근이 불가할 수 있다.
이에, 가맹사업단이 취급하는 관계상품군내 연관상품 사이에 상관관계를 설정하기 위해, 장치(10)는 메뉴 판매량을 변화시키며 다수의 시뮬레이션을 수행함으로써 메뉴의 변화량에 따른 의존도를 줄이고, 통계적 접근에 따라 다수의 연관상품 사이의 연관관계에 대한 패턴을 추론할 수 있다.
단계 150에서, 장치(10)는 다수의 시뮬레이션 결과를 평균하여 연관상품 비율을 산출할 수 있다.
단계 160에서, 장치(10)는 산출한 연관상품 비율을, 기준상품에 대한 예상 사용수량을 추정하기 위한 AI 모델(100)에 상관관계를 설정함으로써, AI 모델(100)을 학습할 수 있다.
일단 AI 모델(100)이 위와 같은 프로세스를 통해 관계상품군 및 그 연관상품 비율을 학습하면, 사용자는 연관상품 발주중량으로부터 기준상품에 대한 예상 사용중량을 쉽게 추정할 수 있다.
그 다음, 장치(10)가 AI 모델(100)을 이용하여 기준상품 예상 사용중량을 추정하는 과정을 설명하면, 먼저 장치(10)는 식자재 중 기준상품을 지정할 수 있다. 여기서, 기준상품은 식자재 중 임의로 선택된 상품으로, 본 발명의 일 실시 예에 따르면 소정의 기간 동안 위 기준상품에 대한 예상 사용중량이 추정될 수 있다.
단계 170에서, 장치(10)는 입력데이터로 가맹점의 연관상품 발주수량을 AI 모델(100)에 입력할 수 있다. 여기서, 연관상품 비율은 AI 를 통해 학습된 비율일 수 있다.
단계 180에서, 장치(10)는 AI 모델(100)을 이용하여, 출력 데이터로 가맹점의 기준상품 예상 사용중량을 추정할 수 있다.
단계 170 내지 단계 180에 따르면, 장치(10)는 AI 모델(100)을 이용하여 가맹점의 연관상품 발주수량으로부터 가맹점의 기준상품에 대한 예상 사용수량을 추정할 수 있으며. 단계 190에서, 장치(10)는 입출력 데이터를AI 모델(100)에 피드백함으로써 위 연관상품 비율을 재산출하고 그 상관관계를 갱신할 수 있다.
또한, 장치(10)는 출력된 결과를 이용하여, 가맹사업단을 위한 서비스모델을 만들 수 있다. 단계 101에서, 장치(10) 기준상품 발주수량 및 기준상품 예상 사용중량을 비교하여 오차범위를 산출할 수 있다. 또한, 단계 102에서, 장치(10)는 오차범위를 임계값으로 하여 가맹점의 식자재 발주수량이 적정한지 판단할 수 있다.
여기서, 발주수량은 상품 취급 단위에 따라 가맹사업단에서 제공하는 상품단위로 기재되는 수량이나, 장치(10)를 통해 위 연관상품 연관비율을 산출하거나, 기준상품 예상 사용중량을 추정할때는, 수량/중량(g) 단위로 변환된 스케일변환이 수행될 수 있다.
한편, 여기서 기준상품 발주수량 또는 기준상품 예상 사용수량은 가맹사업단위 취급하는 상품 품목에 대한 수량 단위일 수 있고 또는 식자재별 중량 단위가 될 수도 있다. 본 발명에서는 필요한 때에 적절히 단위 변환을 수행하는 것을 가정하여 이를 구분하지 않고 기재토록 한다.
도 2는 본 발명의 일 실시 예에 따른 가맹점의 식자재 발주수량에 기초한 품질관리 방법에 관한 흐름도이다. 여기서 각 단계는 가맹점 식자재 발주수량에 기초한 품질관리 장치(10)에 의해 수행될 수 있으며, 장치(10)는 하드웨어 또는 프로세서를 가지는 서버일 수 있다.
단계 200에서, 장치(10)는 식자재 중에서 기준상품을 지정할 수 있다. 가맹사업단은 가맹점의 식자재 발주수량을 관리하기 위해, 가맹점이 가맹계약에 의해 필수적으로 가맹사업단의 식자재를 사용해야 하는 필수식자재와 임의식자재를 구분할 수 있다. 또한, 장치(10)는 사용자가 기준상품을 지정할 수 있도록 UI를 제공할 수 있고, 사용자가 기준상품을 지정하면 이를 기초로 기준상품의 예상 사용수량을 추정을 수행 할 수 있다.
한편, 장치(10)는 사용자가 기준상품을 임의로 지정하지 않으면, 등록된 식자재 각각을 기준상품으로 지정하고, 지정된 기준상품별로 관계상품군을 설정할 수 있다.
단계 210에서, 장치(10)는 기준상품을 포함하는 관계상품군을 설정하고, 관계상품군에 포함되고 기준상품과 연관된 연관상품들의 연관상품 비율을 설정할 수 있다. 예를 들어, 장치(10)는 기준상품과 관련된 연관상품을 클러스터링하여 관계상품군을 설정할 수 있고, 소정의 기간 동안 기준상품과 연관상품 사용중량을 비교하여 연관상품 비율을 설정할 수 있다.
여기서, 장치(10)는 관계상품군을 추가 또는 삭제할 수 있는 UI를 사용자에게 제공할 수 있다. 만일 사용자가 기준상품과 관련된 관계상품군을 지정하지 않는 경우 장치(10)는 각 식자재별로 가맹사업단의 업종 및 취급 메뉴를 기초로 관계상품군을 설정할 수 있다. 여기서, 관계상품군은 기준상품 및 기준상품과 관련성을 가지는 연관상품이 속한 일종의 클래스(Class)일 수 있다. 관계상품군은 기준상품과의 관련성을 어떻게 설정하느냐에 따라 여러 측면에서 설정될 수 있다.
일 예로, 장치(10)는 표준식재료 사용가이드에서 기재하고 있는 각 메뉴별로 하나의 관계상품군을 설정할 수 있다. 예를 들어, 가맹사업단이 요식업으로 돈까스 전문점을 운영한다고 할 때, 그 취급 메뉴는 등심 돈까스, 소고기 돈까스, 양고기 돈까스 등이 될 수 있다. 이때, 각 메뉴별로 관계상품군을 설정한다면, 장치(10)는 등심 돈까스에 필요한 돼지고기, 빵가루, 계란, 밀가루 중력분, 허브솔트, 식용유, 밥, 양배추, 돈까스 소스 등을 하나의 관계상품군으로 설정할 수 있다.
다른 예로, 장치(10)는 식자재별로 관계상품군을 설정할 수 있다. 이때, 장치(10)는 해당 식자재의 특성에 따라 해당 식자재가 주재료인지 또는 부재료인지에 따라 우선순위를 부여하여 관계상품군을 설정할 수 있다.
또 다른 예로, 장치(10)는 해당 식자재가 가맹사업단이 가맹점에 필수적으로 납품하는 필수식자재인지 또는 임의식자재인지에 따라 우선순위를 부여하여 관계상품군을 설정할 수 있다.
한편, 관계상품군이 사용자에 따라 또는 여러 기준의 조합에 따라 임의적으로 선택되는 경우, 관계상품군 내 연관상품 사이의 상관관계나 연관비율이 논리적으로 설명되지 않을 수 있다. 이 경우, 장치(10)는 AI 모델(100)을 통해, 해당 관계상품군 내 연관상품에 사이의 연관비율을 추론하여 설정할 수 있다. 여기서, 연관상품 비율은 관계상품군내 기준상품 사용중량 대비 연관상품 사용중량으로, AI 모델(100)을 이용하여 추론된 비율일 수 있다.
예를 들어, 장치(10)는 예상 매출 시나리오에 기반하여 수행한 다수의 시뮬레이션 결과로부터 연관상품 비율 초기값을 산출하고, 연관상품 비율 초기값을 AI 모델(100)에 상관관계로 설정하며, 상관관계가 설정된 AI 모델(100)을 이용하여 연관상품 발주수량으로부터 기준상품 예상 사용중량을 추정할 수 있다. 또한, 장치(10)는 기준상품 발주수량과 추정한 기준상품 예상 사용중량을 비교하여 비교값을 AI 모델(100)에 피드백할 수 있다. 또한, 장치(10)는 피드백 결과를 이용하여 연관상품 비율을 다시 산출하고, 상기 산출된 값을 상기 AI 모델(100)의 상관관계로 갱신할 수 있다. 연관비율의 학습 및 추론에 관하여는 도 3을 통하여 자세히 후술한다.
단계 220에서, 장치(10)는 수발주DB로부터 가맹점의 연관상품 발주수량을 불러올 수 있다. 예를 들어, 장치(10)는 수발주DB를 통해 기준상품에 대한 발주수량을 직접 불러올 수도 있으나, 기준상품 발주수량이 적정한지에 관하여 판단한기 위해서는 이것과는 별개의 프로세스가 필요할 수 있다.
이에, 장치(10)는 기준상품 발주수량의 적정성을 판단하기 위해, 장치(10)는 기준상품 대신 그 기준상품이 속한 관계상품군의 연관상품에 관한 발주수량을 수발주DB로부터 불러올 수 있다.
일 예로, 장치(10)가 빵가루를 기준 상품으로 지정하고, 빵가루에 대한 관계상품군으로 돼지고기, 소고기, 양고기가 설정되어 있을 때, 장치(10)는 연관상품 발주수량으로 돼지고기, 소고기, 양고기에 대한 정보를 불러올 수 있다.
한편, 장치(10)는 가맹점이 발주하는 식자재에 대한 발주 요청 및 입출고 현황을 전산상으로 기록하고, 이에 대한 데이터베이스로 수발주DB를 구축할 수 있다. 이렇게 전산상에 기록된 기준상품 발주수량을 이용하는 경우, 매출 누락이나 오류, 또는 오주문에 대한 필터링이 쉬워지며, AI 모델(100)을 통해 품질관리를 수행하는 기간이 길어질수록 발주수량 적정성 판단에 대한 오차 또한 줄어들 수 있다.
단계 230에서, 장치(10)는 연관상품 발주수량 및 연관상품 비율에 기반하여 기준상품의 예상 사용중량을 추정할 수 있다. 예를 들어, 장치(10)는 연관상품 발주수량을 상품 취급단위에 기초하여 중량 단위로 변환하고, 연관상품 발주중량과 연관상품 비율을 곱하여 기준상품에 대한 연관상품 예상 사용중량을 산출할 수 있다. 장치(10)는 관계상품군 내 복수의 연관상품 예상 사용중량을 합산하고, 합산된 값에 고유변환계수를 곱하여 기준상품의 예상 사용중량을 추정할 수 있다. 한편, 장치(10)는 연관상품 비율이 학습된 AI 모델(100)을 이용하여 위의 계산에 필요한 연관상품 비율 및 고유변환계수를 구할 수 있다.
또한, 장치(10)는 기준상품 발주수량을 상품 취급단위에 기초하여 중량 단위로 변환하고, 기준상품 발주중량과 추정된 기준상품 예상 사용중량을 비교하여, 비교 결과 오차범위를 기준으로 기준상품의 발주수량 적정성을 판단할 수 있다.
또한, 장치(10)는 기준상품 발주수량을 상품 취급단위에 기초하여 중량 단위로 변환하고, 산출한 기준상품 발주중량과 관계상품군내 연관상품으로부터 추정된 기준상품 예상 사용중량을 비교하여, 비교 결과 오차범위를 기준으로 기준상품의 발주수량 적정성을 판단할 수 있다.
또한, 장치(10)는 가맹사업단의 취급 상품 각각을 기준상품으로 지정하고, 기준상품의 발주중량 적정성을 판단하여, 오차범위의 임계값에 기초하여 가맹점에서 과하거나 부족하게 발주된 기준상품을 필터링하며, 필터링된 결과에 대한 알림을 제공하고, 과하거나 부족하게 발주된가맹점의 기준상품을 자동 추천할 수 있다.
예를 들어, 장치(10)는 임계치 이상의 오차범위를 가지는 경우 가맹점의 기준상품 발주수량이 잘못 계산되었거나, 가맹점이 기준상품을 잘못 발주했음을 추정할 수 있다. 이러한 상황의 판단을 위해, 장치(10)는 디스플레이를 통해 가맹점이 발주수량에 대한 판별 결과로 "기준상품과소", "정상사용", "기준상품과다" 등을 표시할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 가맹점의 식자재 발주수량에 기초한 품질관리를 위한 AI 모델(100) 학습방법에 관한 흐름도이다.
단계 300에서, 장치(10)는 가맹사업단의 표준식자재 사용가이드에 기초하여 메뉴별 필요한 복수의 연관상품들을 제1 관계상품군으로 설정할 수 있다.
일 예로, 장치(10)는 기준상품이 지정되면, 기준상품을 표준식자재 사용가이드에 기초한 메뉴별로 관련있는 연관상품을 선별하고, 연관상품을 클러스팅함으로써 관계상품군을 설정할 수 있다.
이때, 표준식자재 사용가이드에는 하나의 메뉴를 완성하기 위해 필요한 여러 개의 식자재 및 식자재 중량이 기재되어 있을 수 있다. 여기서, 관계상품군은 기준상품 및 기준상품과 관련성을 가지는 연관상품이 속한 일종의 클래스(Class)일 수 있다. 관계상품군은 기준상품과의 관련성을 어떻게 설정하느냐에 따라 여러 측면에서 설정될 수 있다.
일 예로, 장치(10)는 식자재별로 관계상품군을 설정할 수 있다. 이때, 장치(10)는 해당 식자재의 특성에 따라 해당 식자재가 주재료인지 또는 부재료인지에 따라 우선순위를 부여하여 관계상품군을 설정할 수 있다.
다른 예로, 장치(10)는 해당 식자재가 가맹사업단이 가맹점에 필수적으로 납품하는 필수식자재인지 또는 임의식자재인지에 따라 우선순위를 부여하여 관계상품군을 설정할 수 있다.
또한, 장치(10)는 사용자에게 관계상품군을 추가, 삭제 또는 변경할 수 있는 사용자 인터페이스를 제공하고, 사용자로부터 입력받은 식자재 추가, 삭제, 또는 변경 내용을 포함하여 제2 관계상품군을 설정할 수 있다. 관계상품군이 사용자에 따라 또는 여러 기준의 조합에 따라 임의적으로 선택될 수 있다.
단계 310에서, 장치(10)는 기준상품, 제1 관계상품군, 및 상기 제1 관계상품군에 속한 연관상품들에 관한 데이터테이블을 생성하는 전처리를 수행할 수 있다. 예를 들어, 본 발명에서 AI 모델(100)을 통해 연관상품 비율을 추론하는 경우 관련 데이터를 정규화하는 것이 필요하다.
일 예로, 장치(10)는 표준식자재 사용가이드에 따라 각 메뉴별로, 해당 메뉴를 완성하기 위한 식자재와, 각 식자재의 중량을 기재한 데이터테이블을 만들 수 있다. 이때, 각 식자재에는 관계상품군이 클래스로 설정될 수 있다. 장치(10)는 다수의 메뉴에 대해 데이터테이블을 만들어지면, 이를 기준상품별로 재정렬함으로써 데이터테이블을 정규화할 수 있다. 이때 하나의 기준상품에는 복수개의 관계상품군이 매핑될 수 있고, 관계상품군별 필요한 중량비율도 제각각일 수 있다.
예를 들어, 가맹사업단이 돈까스 전문점에 관한 가맹 사업을 하는 경우, 표준식자재 사용가이드에 등심 돈까스, 소고기 돈까스, 양고기 돈까스 등을 메뉴로 가지고 있을 수 있다. 이때, 메뉴 1(등심 돈까스)에는 돼지고기 200g, 빵가루 100g, 메뉴 2(소고기 돈까스)에는 소고기 200g, 빵가루 100g, 양고기 돈까스에는 양고기 200g, 빵가루 100g이 들어간다고 가정하면, 빵가루에 대한 관계상품군으로 빵가루, 돼지고기, 소고기, 양고기가 설정될 수 있으며, 빵가루를 기준으로 데이터테이블 작성시 빵가루는 돼지고기* 2(중량비율)* 메뉴1 판매량 + 소고기* 2(중량비율) * 메뉴2 판매량, 양고기* 2(중량비율) * 메뉴3 판매량 등으로 매핑될 수 있는 데이터테이블을 생성할 수 있다.
단계 320에서, 장치(10)는 가맹사업단의 예상 매출 시나리오를 기반으로 메뉴별 판매량을 변화시켜 상기 데이터테이블내 연관상품들의 예상 사용중량을 추정하는 다수의 시뮬레이션을 수행할 수 있다.
예상 매출 시나리오에 대한 일 예를 전술한 돈까스 전문점에 관한 예로 설명하면, 어느 한 가맹점에서 한 달간 메뉴 1을 약 100개, 메뉴 2를 약 50개, 메뉴 3을 약 80개 판매하였다고 가정해보면, 관계상품군 내에서 각 식재료는 빵가루는 약 23000g, 돼지고기는 2000g, 소고기는 10000g, 양고기는 16000g 이 필요한 것으로 산출될 수 있다. 이때 빵가루를 기준으로 한 각 연관상품 비율은 돼지고기 0.87, 0.43. 0.69가 될 수 있다. 여기서, 가맹사업단 별로 타깃이 되는 주력 메뉴가 있을 수 있어 예상 매출 시나리오를 기반으로 메뉴 판매량을 변화시켜 다수의 시뮬레이션을 수행하면 위 연관상품 비율이 통계적으로 산출될 수 있다.
단계 330에서, 장치(10)는 다수의 시뮬레이션 결과를 평균하여 연관상품 비율을 산출할 수 있다. 이에 따르면, 장치(10)는 AI 모델(100)을 통해 가맹점의 예상 매출 시나리오에 따라 각 관계상품군 내 연관상품 사이의 연관비율 초기값을 추론할 수 있다.
단계 340에서, 장치(10)는 산출한 연관상품 비율을 상관관계로 하는 기준상품 예상 사용수량 추정모델을 학습할 수 있다. 본 발명에서는 AI 모델(100)에 몇몇 예상 매출 시나리오를 시뮬레이션 함으로써, 관계상품군내 연관상품 비율을 추론하여 이를 초기값으로 AI 모델(100)의 상관관계를 설정하고, 추후 가맹점별로 AI 모델(100)을 이용했을 때 입력 데이터와 출력데이터를 피드백하여 AI 모델(100)을 재학습시키는 방법을 제안한다. 이 경우, 실제 가맹점의 연관 식자재 발주수량, 기준상품의 예상 사용수량에 대한 정보를 피드백하므로 현실에서의 식자재 사용수량 현황을 반영할 수 있다.
도 4는 본 발명의 다른 실시 예에 따른 AI 모델(400)을 이용한 가맹점의 식자재 사용중량에 기초한 품질관리 방법 및 AI 모델(400) 학습 방법을 설명하는 예시도이다. 여기서, 가맹점 식자재 사용중량에 기초한 품질관리 장치(20)를 통해 각 단계가 수행될 수 있고, 장치(20)는 하드웨어 또는 서버를 통해 구현될 수 있다.
도 4를 참고하면, 장치(20)는 AI 모델(400)학습을 통해 식자재 발주중량 대비 메뉴 완성시 식자재 사용중량 비율인 "수율"을 추론할 수 있고, 장치(20)는 AI 모델(400)을 이용하여 가맹점이 POS 매출정보로부터 수율이 적용된 가맹점의 식자재 예상 사용중량을 추정할 수 있다.
단계 410에서, 장치(20)는 가맹사업단의 표준식자재 사용가이드를 등록할 수 있다. 가맹사업단은 자신의 영업방법에 관한 품질관리를 위해, 가맹사업단의 취급 메뉴 및 메뉴별 표준식자재 사용중량에 관한 정보를 포함하는 표준식자재 사용가이드를 등록할 수 있다.
단계 420에서, 장치(20)는 가맹점별 취급 메뉴 및 메뉴별 표준식자재 사용중량에 관한 데이터테이블을 생성하는 전처리를 수행할 수 있다. 일반적으로, 표준식자재 사용가이드는 조리 레시피를 기초로 메뉴 완성을 위해 필요한 식자재 및 그 중량을 기재하고 있다. 다만, 현실에서는 가맹점의 식자재 관리 상황에 따라, 또는 식자재 특성에 따라 중간에 폐기되거나, 위 표준식재료 사용가이드에 비해 과하거나 적게 사용되는 식재료들이 있을 수 있다. 가맹점의 식자재 사용중량 계산시 이러한 오차를 보정하기 위해 AI 모델(400)을 통한 수율 추정이 필요할 수 있다.
여기서, AI 모델(400)이 입력을 위해, 장치(20)는 위 표준식자재 사용가이드를 정규화하여 데이터테이블을 생성할 수 있다. 이때, 데이터테이블에는 메뉴, 메뉴별 필요한 식자재, 식자재 중량 등이 기재될 수 있다.
또한, 데이터테이블에는 표준식자재 사용가이드에 기재된 취급 메뉴와, POS에 등록된 메뉴명이 다를 경우, 이를 데이터테이블에 매핑하여 기재할 수 있다.
단계 430에서, 장치(20)는 POS의 매출정보에 포함된 메뉴판매 수량과 표준식자재 사용가이드를 대응시켜 식자재 예상 사용중량을 추정할 수 있다. 예를 들어, POS에 등록된 매출 정보에 기초하면 해당 가맹점에서 소정의 기간 동안 판매한 메뉴의 수량 정보를 알 수 있다. 그러나, 메뉴 판매 수량 정보와 표준식자재 사용 가이드에 따른 식자재 사용중량을 대응시킨다고 하여도, 중간에 폐기되는 식자재를 고려하면 실제 가맹점에서는 이보다 더 많은 식자재를 발주해야 할 수 있다. 이에, 본 발명에서는 식자재별 발주중량 대비 메뉴로 완성되는 식자재 사용중량을 수율로 정의하고, 이를 구하기 위해 아래와 같은 프로세스를 수행할 수 있다.
장치(20)는 수발주DB로부터 소정의 기간 동안 가맹점이 발주한 발주중량과 위 식자재 예상 사용중량을 비율인 수율을 산출할 수 있다.
그 다음, 장치(20)는 위 소정의 기간을 변경시키며, 기간을 달리하여 다수의 시뮬레이션을 수행할 수 있고, 시뮬레이션 결과를 평균하여 식자재별 예상 수율을 산출할 수 있다. 여기서, 수율은 가맹사업단 별로, 통계 데이터 활용 범위에 따라 달리 산출될 수 있다. 장치(20)는 시뮬레이션 결과를 이용하여 식자재 발주중량 대비 메뉴 완성시 식자재 사용중량 비율인 "수율"을 추론할 수 있고, 이를 AI 모델(400)에 식자재별 수율을 설정할 수 있다.
다른 측면에서, 장치(20)는 AI 모델(400)을 이용하여 가맹점의 POS 매출정보로부터 가맹점의 식자재 예상 사용중량을 추정할 수 있다.
예를 들어, 단계 440에서, 장치(20)는 입력 데이터로 가맹점의 POS 매출정보를 입력할 수 있다. 예를 들어, 장치(20)는 전산으로 연결된 POS로부터 소정의 기간내 메뉴별 판매 수량을 포함하는 매출정보를 불러올 수 있다.
장치(20)는 메뉴별 판매수량과 표준식자재 사용중량을 비교하여 가맹점의 소정의 기간내 식자재 예상 사용중량을 추정할 수 있다. 일 예로, 장치(20)는 가맹점의 매출정보에 포함된 메뉴별 판매 수량에 표준식자재 사용중량을 곱하여 메뉴별 식자재 예상 사용중량을 산출하고, 식자재별로 소정의 기간 동안 총 예상 사용중량을 합산하여, 가맹점의 소정의 기간내 식자재 예상 사용중량을 추정할 수 있다.
이때, 장치(20)가 추정한 식자재 예상 사용중량은 어디까지나, 표준식자재 사용가이드에 기초한 이론적인 값으로써, 이를 실제 가맹점의 식자재 발주중량과 비교하면 위 식자재 사용수량 추정값은 오차를 포함할 수 있다. 이를 보정하기 위해, 장치는 전술한 바와 같이 AI 모델(400) 학습을 통해 식자재별 수율을 사전에 설정할 수 있다.
단계 450에서, 장치(20)는 AI 모델(400)을 통해 식자재별 적절한 수율을 추론하고, 수율 적용된 가맹점의 식자재 예상 사용중량을 출력할 수 있다.
단계 460에서, 장치는 출력 데이터로 가맹점의 식자재 예상 사용중량을 수율 적용된 값과, 수율 미적용 값으로 구분하여 AI 모델(400)에 입력하고, AI 모델(400)은 이를 소정의 기간내 가맹점의 식자재 발주중량과 비교하여 수율 추론을 갱신할 수 있다.
단계 470에서, 장치(20)는 서비스 모델로, 기준상품 발주수량 및 수율적용된 기준상품 예상 사용중량을 비교하여 오차범위를 산출하고, 오차범위에 근거하여 가맹점이 표준식자재 사용가이드를 준수 여부를 판단할 수 있다. 일 예로, 식자재에 수율을 적용한 후에도 오차범위가 임계치 이상으로 나오는 경우, 장치(20)는 가맹점이 식자재 사용에 있어 표준식자재 사용가이드를 준수하지 않았다고 판단할 수 있다.
도 5는 본 발명의 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리 방법에 관한 흐름도이다.
단계 500에서, 장치(20)는 가맹사업단의 취급 메뉴 및 메뉴별 표준식자재 사용중량에 관한 정보를 포함하는 표준식자재 사용가이드를 등록할 수 있다. 표준식자재 사용가이드에는 브랜드, 메뉴명, 적용일, 판매가, 조리 레시피 및 필요한 식자재 및 사용중량이 기재될 수 있다. 또한, 가맹사업단은 이 중 가맹사업단이 취급하는 식자재 품목에 대해 관리할 수 있다.
단계 510에서, 장치(20)는 가맹사업단의 취급 메뉴와 POS에 등록된 메뉴를 매핑할 수 있다. 예를 들어, 현실적으로 표준식자재 사용가이드와 POS에 등록된 메뉴가 일치하지 않는 경우도 종종 있을 수 있다. 표준식자재 사용가이드에 따르면 같은 메뉴라 하여도 맛의 정도(순한맛/중간맛/매운맛)나, 일부 옵션의 변경 등에 따라 하나의 메뉴가 POS에는 여러 종류로 구분하여 등록될 수 있다. POS로부터 불러오는 메뉴와 표준식자재 사용가이드 상의 메뉴간 불일치를 막기 위해, 장치(20)는 사전에 가맹사업단의 취급 메뉴와 POS에 등록된 메뉴를 매핑할 수 있다.
단계 520에서, 장치(20)는 전산으로 연결된 POS로부터 소정의 기간내 가맹점의 메뉴별 판매 수량을 포함하는 매출정보를 불러올 수 있다. 일반적으로 POS에는 가맹점의 매출정보가 모두 기록되어 있다. 이에, POS로부터 매출정보를 불러오는 경우 가맹사업단은 슈퍼바이저가 일일이 가맹점을 찾아다니지 않아도 해당 가맹점의 매출 규모와 주력 메뉴, 메뉴 판매수량까지 파악할 수 있다.
이에, 본 발명에서는 전산상 등록된 POS의 매출정보를 활용함으로써 해당 가맹점에 대한 식자재 사용중량을 관리할 수 있는 방법을 제공한다.
단계 530에서, 장치(20)는 메뉴별 판매 수량과 상기 표준식자재 사용중량을 비교하여 가맹점의 소정의 기간내 식자재 예상 사용중량을 추정할 수 있다. 예를 들어, 장치(20)는 가맹점의 매출정보에 포함된 메뉴별 판매 수량에 표준식자재 사용중량을 곱하여 메뉴별 식자재 예상 사용중량을 산출하고, 식자재별로 소정의 기간 동안 총 예상 사용중량을 합산할 수 있다.
또한, 장치(20)는 식자재별 수율을 적용하여 식자재 예상 사용중량의 오차를 보정할 수 있다. 여기서, 수율은 식자재 발주중량 대비 메뉴로 완성되는 식자재 사용중량비율로 정의될 수 있다. 일 예에 따르면 수율은 ERP 프로그램을 통해 사전에 산출된 비율이거나, 다른 예에 따르면 수율은 AI를 통해 추론되는 비율일 수 있다.
일 예로, 장치(20)는 식자재 특성에 따른 메뉴 완성 수율에 관한 상관관계가 학습된 AI 모델(400)에, 가맹점의 소정의 기간내 POS 매출정보를 입력으로 하여 메뉴별 식자재 예상 사용중량을 추정할 수 있다. 또한, 장치(20)는 소정의 기간을 변경시키며, 기간을 달리하여 다수의 시뮬레이션을 수행하고, 시뮬레이션 결과를 평균하여 식자재 발주중량 대비 메뉴 완성 시 식자재 사용중량 비율인 수율을 추론할 수 있다.
또한, 장치(20)는 추정 결과를 기초로, 상기 가맹점의 표준식자재 사용가이드 준수 여부를 판단할 수 있다. 본 발명에 따르면, 어느 식자재에 대해 전산상으로 기록되는 가맹점의 발주수량 및 매출정보 AI 모델(400)을 통해 산출한 식자재의 예상 사용수량 중 하나 이상의 값이 임계치 이상으로 다른 경우가 있을 수 있고, 가맹사업단에서는 이러한 사항들에 대하여 품질 관리를 할 필요가 있다.
본 발명의 실시 예들에 따르면, 본 발명은 가맹사업단이 가맹점의 식자재 예상 사용중량을 관리하는 측면과, 가맹사업단이 취급 상품을 관리하는 측면에서 각각 활용될 수 있다.
일 예로, 장치(10)는 가맹점의 식자재 예상 사용중량에 대해 가맹점을 기준으로 필터링한 결과값을 디스플레이를 통해 출력할 수 있다. 예를 들어, 장치(20)는 가맹점명, 상품명, 발주량, 수율적용/미적용 했을 때 수량/중량 및 오차범위를 출력함으로써, 가맹점이 어느 식자재에 대해 발주량과 비교하여 식자재 예상 사용중량이 너무 크게 차이가 나는 경우(오차범위가 큰) 이에 대한 알림을 관리자에게 제공할 수 있다.
다른 예로, 장치(10)는 어느 취급 상품을 기준으로 필터링한 결과값을 디스플레이를 통해 출력할 수 있다. 예를 들어, 장치(20)는 특정 상품에 대해 어느 가맹점이 발주를 했는지와, 그 가맹점의 발주량 및 식자재 예상 사용중량을 디스플레이함으로써, 가맹사업단이 특정 상품의 재고 관리와 그 상품이 어떻게 사용되고 있는지 현황을 보여줄 수 있다. 가맹사업단은 이로부터 특정 상품에 대한 관리를 수월하게 할 수 있으며, 가맹점의 취급 상품 발주를 예측하여 관리할 수 있다.
한편, 장치(20)는 위와 같은 프로세스에 의해 가맹점이 특정한 식자재에 대한 발주량과 예상 사용중량이 현저하게 차이가 나는 경우를 필터링할 수 있다. 장치(20)는 소정의 기간에 대해 이를 자동으로 필터링하여 가맹사업단에 별도로 알림을 할 수 있으며, 이에 대해 가맹사업단은 그 원인을 파악하고 가맹점에 대한 품질관리 교육이나 관리 등을 통해 품질관리를 수행할 수 있다.
도 6은 본 발명의 다른 실시 예에 따른 식자재 사용중량 관리를 위한 AI 모델(400) 학습방법에 관한 흐름도이다.
단계 600에서, 장치(20)는 가맹사업단의 표준식자재 사용가이드를 입력할 수 있다. 여기서, 표준식자재 사용가이드에는 브랜드, 메뉴명, 적용일, 판매가, 조리 레시피 및 필요한 식자재 및 사용중량이 기재될 수 있다. 또한, 가맹사업단은 이 중 가맹사업단이 취급하는 식자재 품목에 대해 관리할 수 있다.
단계 610에서, 장치(20)는 표준식자재 사용가이드에 기초하여 가맹점별 취급 메뉴 및 메뉴별 표준식자재 사용중량에 관한 데이터테이블을 생성하는 전처리를 수행할 수 있다.
AI 모델(400)을 이용하여 가맹점의 식자재 사용중량 관리를 수행하기 위해서는, AI 모델(400)에 적합한 형태로 입력 데이터를 가공하는 전처리 단계가 필요하다. 이를 위해, 장치(20)는 표준식자재 사용가이드에 따라 메뉴명, 메뉴에 필요한 식자재 및 그 중량에 관한 데이터테이블로 만들고, 이를 식자재별로 정렬할 수 있다. 또한, 장치(20)는 식자재의 특성을 더 고려하기 위해, 데이터테이블에 식자재의 사용 기한, 폐기 비율, 중량 변경 사용 범위, 발주 주기, 위 식자재가 가맹사업단이 제공하는 필수 식자재인지, 임의 식자재인지 여부 등을 더 매핑할 수 있다.
단계 620에서, 장치(20)는 식자재 특성에 따른 메뉴 완성 수율에 관한 상관관계가 학습된 AI 모델(400)을 이용하여, 가맹점의 소정의 기간내 POS 매출정보를 입력으로 하여 메뉴별 식자재 예상 사용중량을 추정할 수 있다.
여기서, 가맹사업단의 영업 모델에 따라 주력 메뉴 및 필요한 식자재가 상이할 수 있으므로, 장치(20)는 특정 가맹사업단을 하나의 단위로 하여 그 동안 가맹사업 관리를 통해 축적한 데이터를 누적적으로 분석할 수 있다.
일 예로, 장치(20)는 전산으로 연결된 가맹점의 POS로부터 매월 가맹점의 매출 정보를 수신할 수 있다. 장치(20)는 가맹점의 매출 정보를 기초로 한달 내 판매된 메뉴의 수량과, 표준식자재 사용가이드에 따르면 상기 메뉴 판매 수량에 대해 어느 정도의 식자재 중량이 필요한지 계산하고, 이를 합산하여 식자재별로 발주중량, 예상 사용중량을 추정할 수 있다.
만일 이때, 가맹사업단이 10개의 가맹점으로부터 위 매출 정보를 받는 경우, 장치(10)는 10개 가맹점에 대한 월별 식자재 발주중량 및 식자재 예상 사용중량을 추정하여, 이를 평균한 값을 사용할 수 있다.
또한, 장치(20)는 데이터테이블 중 식자재 사용 기한, 폐기 비율 등에 가중치를 부여하여, 식자재 예상 사용중량 추정 시 이를 가감할 수 있다.
단계 630에서, 장치(20)는 상기 소정의 기간을 변경시키며, 기간을 달리하여 다수의 시뮬레이션을 수행할 수 있다. 장치(20)를 통해 추론되는 수율이 통계값으로서 신뢰를 얻기 위해서는 다수의 시뮬레이션이 필요하다. 이를 위해, 장치(20)는 위 소정의 기간을 다르게 하여 다수의 시뮬레이션을 수행할 수 있다. 일 에로, 장치는 소정의 기간을 2주, 1달, 1분기, 반기 등으로 다르게 설정 후, 위의 시뮬레이션을 수행할 수 있다.
단계 640에서, 장치(20)는 시뮬레이션 결과를 평균하여 식자재 발주중량 대비 메뉴 완성 시 식자재 사용중량 비율인 수율을 추론할 수 있다. 장치(20)는 다수의 시뮬레이션을 수행하였다면, 이에 대한 평균값으로 식자재별 수율을 설정할 수 있다. 다만, 이때에도 장치(20)는 월별/계절별 특성을 고려하여 위 추론한 수율을 가감할 수 있도록 기간별 가중치를 설정할 수도 있다.
또한 장치(20)는 수율 적용을 통해 오차가 보정된 가맹점의 식자재 예상 사용중량을 상기 AI 모델(400)에 피드백으로 입력할 수 있다. 이때, 장치(20)는 가맹점의 POS 매출정보와 식자재 예상 사용중량 추정값을 비교하여 식자재별 수율을 다시 추론하고, 추론된 수율을 식자재별 수율로 AI 모델(400)에 갱신할 수 있다.
도 7은 본 발명의 가맹점의 식자재 발주수량에 기초한 품질관리 방법을 구현한 일 예이다. 도 7을 참고하면, 일 예에 따른 가맹점 발주수량 관리방법은, 몇가지 조건들을 설정하는 필터링 항목과, 위 항목에 의해 검색을 하는 검색 화면, 검색 결과를 나타내는 화면 등으로 구분될 수 있다.
사용자(슈퍼바이저 또는 ERP 시스템 관리자)는 가맹점의 식자재 발주수량에 기초한 품질관리를 위해, 기준상품을 지정할 수 있다. 예를 들어, 빵가루를 기준 상품으로 지정하는 경우, 가맹점 식자재 발주수량에 기초한 품질관리 장치(10)는 검색 결과로서 기준상품 빵가루에 대해 다음과 같은 화면을 출력할 수 있다.
도 7을 참고하면, 가맹점 식자재 발주수량에 기초한 품질관리 장치(10)는 브랜드명, 가맹점명, 기준상품 발주수량, 규격/단위, 관계상품군 상품명, 규격/단위, 기준상품 발주중량(g), 기중상품 발주중량 (수율미적용/수율적용), 예상 사용중량(수율미적용/수율적용), 오차범위, 판단결과 등을 표시할 수 있다. 일 예로, 맥스바이저 브랜드의 가맹점인 강남도곡5호점에서 2018-01-01부터 2019-01-01까지의 기간 동안 빵가루 10kg을 40개 주문했다. 기준상품 발주수량은 규격/단위를 고려하여 기준상품 발주중량(g)으로 단위 변환될 수 있으며, 이때 수율미적용 값과, 수율적용된값을 구분하여 표시할 수 있다. 여기서, 수율은 가맹점의 식자재 사용중량 관리장치를 위한 AI 학습모델에서 추론한 값일 수 있다.
여기서, 기준상품 빵가루에 대한 관계상품군은 돼지고기, 소고기, 양고기로 설정되었는데, 이는 도 8과 같이 사용자가 임의로 관계상품군을 추가, 삭제, 변경 등을 할 수 있다.
여기서, 관계상품군, 연관상품 비율 등은 사전에 AI 학습모델을 통해서 추론되어, 학습되어 있는 값일 수 있다.
이에 따르면, 사용자는 기준상품 및 매출일자를 지정하는 것만으로도, 기준상품에 대한 예상 사용중량을 추정할 수 있다. 이때 결과값을 보다 편하게 비교하기 위해, 기준상품 발주중량 대비 기준상품 예상 사용중량을 비교한 오차범위를 같이 출력할 수 있으며, 오차범위의 임계범위에 근거하여, 강남도곡 5호점이 "기준상품과소"하게 사용했음을 표시할 수 있다.
도 7을 참고하면, 강남도곡5호점, 선릉1호점이 기준상품 발주중량에 대비하여 "기준상품과소"하게 사용한 것으로 판단된다. 이는, 강남도곡5호점, 대치1호점, 선릉1호점이 발주수량보다 더 많은 기준상품을 사용한 것이 예상된다는 의미로, 강남도곡5호점, 대치1호점, 선릉1호점이 빵가루를 가맹사업단으로부터 주문하지 않고, 외부의 다른 업체를 통해서 공급했을 가능성이 있을 수 있다.
한편, 김포시청역점, 목동점에 대해서는 빵가루를 발주수량과 대비하여 사용중량이 더 적게 사용된 것으로 예상된다. 즉, 김포시청역점, 목동점의 경우 메뉴를 만들 때 가맹사업단의 표준식자재 사용가이드에 비해 메뉴당 더 적은 빵가루를 사용했을 것으로 예상될 수 있다. 빵가루를 표준식자재 사용가이드보다 적게 사용하는 것 또한 메뉴에 대한 품질관리 측면에서 문제가 될 수 있기 때문에, 본 발명의 실시 예에 따른 가맹점 발주수량 관리방법에 따르면, "기준상품과다" 사용도 필터링할 수 있다.
도 8은 본 발명의 일 실시 예에 따라 기준상품에 대한 관계상품군을 추가, 삭제 등 변경하는 일 예이다. 본 발명의 가맹점 발주수량 관리방법에 따르면, 사용자가 기준상품에 대한 관계상품군을 임의로 지정할 수 있다. 기준상품에 관련된 연관상품 및 관계상품군은 초기에 셋팅되어 있을 수 있다.
다만, 사용자는 특정 기준상품을 기준으로 관련있는 연관상품과의 관계를 보기 위해, 사용자가 기준상품에 대한 연관상품을 직접 추가, 삭제하는 등의 변경을 할 수 있으며, 이를 처음 셋팅값으로 초기화할 수도 있다.
한편, 사용자가 관계상품군을 임의로 지정하는 경우 가맹점의 식자재 발주수량에 기초한 품질관리를 위한 AI 모델(100)은, 설정된 관계상품군 내 연관상품 비율을 다시 산출해야 할 수 있다.
도 9는 본 발명의 일 실시 예에 따라 가맹사업단의 취급 메뉴와 POS 메뉴를 매핑하는 일 예이다. 본 발명의 일 실시 예에 따르면, 가맹점 식자재 사용중량 품질관리 장치(20)는 가맹사업단의 취급 메뉴와, POS 메뉴를 매핑할 수 있다.
일 예로, 본 발명의 일 실시 예에 따르면, 가맹사업단은 표준식자재 사용가이드를 별도의 화면을 통해 전산상으로 입력할 수 있다. 도 9는 입력된 표준식자재 사용가이드의 매뉴얼 메뉴명과, 매핑된 POS 메뉴명을 검색, 출력하기 위한 화면이다. 도 9 좌측 도면을 참조하면 매뉴얼 메뉴명과 매핑된 POS 메뉴명 개수 및, 총 매핑 메뉴 수가 표시될 수 있다.
사용자는 도 9의 우측 도면과 같이, POS 메뉴명과 매핑 메뉴명을 입력하기 위한 별도의 페이지를 이용할 수 있다. 이러한 인터페이스를 통해, 사용자는 표준식자재 사용가이드(매뉴얼) 상 취급 메뉴와, POS의 메뉴가 일치하는지 확인하고, 이를 동기화할 수 있다.
도 10a는 본 발명의 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리 방법에 관한 일 예로, 가맹점 항목으로 필터링한 결과에 관한 예시이다.
본 발명의 가맹점 식자재 사용중량에 기초한 품질관리 장치(20)는 브랜드를 맥스바이저, 검색기간을 2021년 1월부터 2021년 6월까지로 지정하고, 검색항목을 가맹점 "속초 동명점"을 기준으로 검색을 할 수 있다.
이에 따르면, 소정의 기간 2021년1월~2021년6월까지 속초 동명점은 도 10a와 같은 상품을 가맹사업단에 주문했을 수 있다. 이에 대한 상품명, 발주수량, 단위, 규격은 도 10a 에서 기재하는 바와 같다. 장치(10)는 가맹사업단의 수발주DB로부터 위 내용을 불러올 수 있다.
여기서, 장치(20)는 속도 동명점에서 주문 발주한 상품의 단위와 규격을 통일하기 위해, 각 상품별 발주중량(g)으로 단위 환산을 할 수 있다. 또한, 장치(20)는 각 식자재 상품의 발주중량(g)과 대비할 수 있는 식자재 예상 사용중량(g)을 추정할 수 있다. 여기서, 가맹점 식자재 사용중량에 기초한 품질관리 장치(20)에 의해 예상 사용중량(g)이 추정될 수 있고, 수율은 본 발명의 AI 모델(400)을 통해 추론된 값으로, 검색결과 화면에서는 이를 구분하여 표시할 수 있다.
도 10a를 참고하면, 장치(20)가 예상 사용중량에 대한 수율을 적용했을 때 수율미적용 했을때보다 대부분 오차범위가 줄어들었다. 수율 적용으로 인해 대략 15~25% 전후의 오차가 보정된 상품은 가지, 꿔바로우 탕수육 소스, 수미감자, 양파 등이다. 이러한 상품들은 일반적인 사용기한을 가지고 있는 것으로 일정 부분이 폐기되는 것으로 예상할 수 있다. 수율 적용으로 인한 오차가 약 5% 미만으로 보정되는 상품은 귀리 우유, 압착 오트밀, 순 카레분, 찰토마토, 코코넛슈가 비정제설탕, 타피오카 전분가루, 해표꽃소금 등은 비교적 발주된 상품 그대로 메뉴로 완성되는 것으로, 상품 폐기 등의 이슈가 상대적으로 적은 상품들일 수 있다.
여기서, 발주수량 대비 예상 사용중량 사이의 오차범위가 약 1094.4%(수율적용했을 때)로 산출되는 상품인 손질 양배추는, 가맹점이 가맹사업단으로부터 해당 상품을 주문하지 않고, 외부의 업체를 통해서 식자재를 조달했을 것으로 보인다. 손질양배추는 가맹사업단에서 공급받아야 할 필수 식자재가 아닌 임의 식자재인 것으로 추정되지만, 만일 가맹점 메뉴 품질 균일화를 위해 가맹사업단의 필수 식자재를 사용해야 하는 품목에 대해 이러한 내용이 필터링 되었다면, 관리자는 이를 이 툴에 의해 쉽게 검색, 필터링하고, 이에 상응하는 가맹점 품질 관리 조치를 수행할 수 있을 것이다.
도 10b는 본 발명의 또 다른 실시 예에 따른 가맹점의 식자재 사용중량에 기초한 품질관리 방법을 상품 단위로 구현한 일 예이다. 본 발명의 일 실시 예에 따른 가맹점 식자재 사용중량에 기초한 품질관리 장치(20)는 상품 단위로 검색을 수행할 수 있다. 도 10b를 참조하면 2021년 1월부터 2021년 6월까지의 기간동안 가지 2kg/box를 주문한 가맹점은 속초 동명점과 양양점이 검색될 수 있다. 만일, 주문후 이를 취소하거나, 기타 여하의 사정에 의해 상품이 출고되지 못한 경우, 검색은 되지만 도 10b와 같이 발주수량/중량이 기록되지 않을 수 있다.
속초 동명점의 경우 "가지" 상품을 주문했지만 발주중량 228,000g 중 예상 사용중량은 수율을 적용했을 때 예상 사용중량은 약 118,681g으로, 절반에 가까운 "가지"를 사용하지 못한 것으로 보여진다. 이 경우, 가맹사업단은 표준식자재 사용가이드를 다시 점검하거나, "가지"가 많이 사용되지 못하는 환경을 분석하고, "가지"상품의 재고 관리에 이러한 특수성을 반영하여 관리할 수 있을 것이다.
도 11는 본 발명의 또 다른 실시 예에 따른 서버(1000)의 구성도이다. 본 발명에서 가맹점의 식자재 발주수량에 기초한 품질관리 방법, 사용중량에 기초한 품질관리 방법 및 이를 위한 AI 학습 모델의 각 단계는, 각각 프로세서(1110), 통신부(1120), 메모리(1130)을 통해 구현될 수 있다.
도 11을 참고하면, 본 발명의 서버는, 적어도 하나의 프로그램이 저장된 메모리(1030), 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서(1010)를 포함할 수 있다.
통신부(1020)는 외부 서버 또는 외부 장치와 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신부(1020)는, 근거리 통신부(미도시), 이동 통신부(미도시) 및 방송 수신부(미도시) 중 적어도 하나를 포함할 수 있다.
본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
일 실시 예에 따르면, 본 개시의 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 운전 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 일시 저장되거나, 임시적으로 생성될 수 있다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
10: 가맹점 식자재 발주수량에 기초한 품질관리 장치
100: 가맹점 식자재 발주수량에 기초한 품질관리 장치를 위한 AI 모델
20: 가맹점 식자재 사용중량에 기초한 품질관리 장치
400: 가맹점 식자재 사용중량에 기초한 품질관리 장치를 위한 AI 모델
1000: 서버
1110: 프로세서,
1120: 통신부
1130: 메모리

Claims (16)

  1. 서버의 프로세서에 의해 수행되는 가맹점의 식자재 발주수량에 기초한 품질관리방법에 있어서,
    식자재 중에서 기준상품을 지정하는 단계;
    상기 기준상품을 포함하는 관계상품군을 설정하고, 상기 관계상품군에 포함되고 상기 기준상품과 연관된 연관상품들의 연관상품 비율을 설정하는 단계;
    수발주DB로부터 가맹점의 연관상품 발주수량을 불러오는 단계; 및
    상기 연관상품 발주수량 및 상기 연관상품 비율에 기반하여 상기 기준상품의 예상 사용중량을 추정하는 단계;를 포함하고,
    상기 연관상품 비율을 설정하는 단계는,
    표준식자재 사용가이드 및 예상 매출 시나리오에 기반하여 수행한 다수의 시뮬레이션 결과로부터 상기 연관상품 비율을 설정하는 단계;
    를 포함하는, 방법.
  2. 제 1항에 있어서,
    상기 연관상품 비율을 설정하는 단계는,
    소정의 기간 동안 기준상품 사용중량과 연관상품 사용중량을 비교하여 연관상품 비율을 설정하는 단계; 를 포함하는, 방법.
  3. 제1항에 있어서,
    상기 연관상품 비율은 관계상품군내 기준상품 사용중량 대비 연관상품 사용중량으로, AI 모델을 이용하여 추론된 비율이고,
    상기 연관상품 비율을 설정하는 단계는,
    예상 매출 시나리오에 기반하여 수행한 다수의 시뮬레이션 결과로부터 연관상품 비율 초기값을 산출하는 단계;
    상기 연관상품 비율 초기값을 AI 모델에 상관관계로 설정하는 단계;
    상기 상관관계가 설정된 AI 모델을 이용하여 연관상품 발주수량으로부터 기준상품 예상 사용중량을 추정하는 단계;
    기준상품 발주수량과 상기 추정한 기준상품 예상 사용중량을 비교하여 비교값을 AI 모델에 피드백하는 단계;
    상기 피드백 결과를 이용하여 상기 연관상품 비율을 다시 산출하고, 상기 산출된 값을 상기 AI 모델의 상관관계로 갱신하는 단계;를 포함하는, 방법.
  4. 제3항에 있어서,
    상기 기준상품의 예상 사용중량을 추정하는 단계는,
    상기 연관상품 발주수량을 상품 취급단위에 기초하여 중량 단위로 변환하는 단계;
    연관상품 발주중량과 상기 연관상품 비율을 곱하여 기준상품에 대한 연관상품 예상 사용중량을 산출하는 단계; 및
    관계상품군 내 복수의 연관상품 예상 사용중량을 합산하고, 상기 합산된 예상 사용중량에 기초하여 상기 기준상품의 예상 사용중량을 추정하는 단계;
    를 포함하는 방법.
  5. 제4항에 있어서,
    기준상품 발주수량을 상품 취급단위에 기초하여 중량 단위로 변환하는 단계;
    기준상품 발주중량과 상기 추정된 기준상품 예상 사용중량을 비교하는 단계;
    상기 비교 결과 오차범위를 기준으로 상기 기준상품 발주수량 적정성을 판단하는 단계;를 포함하는, 방법.
  6. 제1항에 있어서,
    상기 식자재 중에서 기준상품을 지정하는 단계는 가맹사업단의 취급 상품 각각을 기준상품으로 지정하는 단계이고, 오차범위의 임계값에 기초하여 소정의 기간 동안 상기 가맹점에서 과하거나 부족하게 발주된 기준상품을 필터링하는 단계; 및
    상기 필터링된 결과에 대한 알림을 제공하고, 상기 과하거나 부족하게 발주된 가맹점의 기준상품을 자동 추천하는 단계;를 포함하는 방법.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
KR1020210100359A 2021-07-30 2021-07-30 가맹점의 식자재 발주수량에 기초한 품질관리 방법 KR102621790B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210100359A KR102621790B1 (ko) 2021-07-30 2021-07-30 가맹점의 식자재 발주수량에 기초한 품질관리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210100359A KR102621790B1 (ko) 2021-07-30 2021-07-30 가맹점의 식자재 발주수량에 기초한 품질관리 방법

Publications (2)

Publication Number Publication Date
KR20230018605A KR20230018605A (ko) 2023-02-07
KR102621790B1 true KR102621790B1 (ko) 2024-01-09

Family

ID=85221172

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210100359A KR102621790B1 (ko) 2021-07-30 2021-07-30 가맹점의 식자재 발주수량에 기초한 품질관리 방법

Country Status (1)

Country Link
KR (1) KR102621790B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102620955B1 (ko) * 2023-04-12 2024-01-04 김연조 Ｅｒｐ 기반 폐유수거 서비스 제공 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102082259B1 (ko) 2019-08-27 2020-02-27 주식회사 에스엠제이컴퍼니 가맹점 식자재 배송 관리 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130123285A (ko) * 2012-05-02 2013-11-12 윤택중 식자재 관리 방법 및 시스템
KR101870329B1 (ko) * 2016-11-28 2018-06-22 주식회사 리테일영 매출데이터 기반의 식자재 관리방법 및 시스템
KR102254570B1 (ko) * 2019-03-20 2021-05-21 주식회사 스마트캐스트 식자재 공동주문 처리 장치
KR20200119380A (ko) * 2019-03-25 2020-10-20 주식회사 대세에프엔비 빅데이타를 이용한 식자재 재고 관리 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102082259B1 (ko) 2019-08-27 2020-02-27 주식회사 에스엠제이컴퍼니 가맹점 식자재 배송 관리 시스템

Also Published As

Publication number Publication date
KR20230018605A (ko) 2023-02-07

Similar Documents

Publication Publication Date Title
US11055731B2 (en) Parallel processing historical data
US8744890B1 (en) System and method for managing system-level workflow strategy and individual workflow activity
CN107766404B (zh) 用于改进建议系统的系统和方法
US9454732B1 (en) Adaptive machine learning platform
CN104395899B (zh) 基于云的主数据管理系统及其方法
US9064274B2 (en) Systems and methods of processing personality information
US20160110681A1 (en) Big data sourcing simulator
KR102621790B1 (ko) 가맹점의 식자재 발주수량에 기초한 품질관리 방법
US11403574B1 (en) Method and system for optimizing an item assortment
Bürkland et al. Developing an ERP technology: Handling incompleteness of the system
Desmet et al. Safety stock optimisation in two-echelon assembly systems: normal approximation models
Maheut et al. A decision support system for modelling and implementing the supply network configuration and operations scheduling problem in the machine tool industry
US11461697B2 (en) Contextual modeling using application metadata
Wehner et al. The Sustainability Data Science Life Cycle for automating multi-purpose LCA workflows for the analysis of large product portfolios
WO2017060996A1 (ja) 投資運用提案システム
Martin et al. Dell’s channel transformation: Leveraging operations research to unleash potential across the value chain
Kogan et al. Multi-period aggregate production planning in a news-vendor framework
US20210073719A1 (en) Visual interactive application for safety stock modeling
US11093359B2 (en) System and method for automated desktop analytics triggers
Mohamed et al. Mitigating the bullwhip effect and enhancing supply chain performance through demand information sharing: An ARENA simulation study
JP2015138444A (ja) 人事コンサルティングシミュレーションシステム及びその制御方法、プログラム並びに記録媒体
US20230245148A1 (en) Methods and apparatuses for determining product assortment
Torino et al. Continuous improvement project for sales management: development of an adaptive configurator
Vally How Much Will They Buy? Optimal Forecast Selection for Predicting a Bakery’s Demand
Tim et al. Evaluating buffers under uncertainty in the high volume supply chain of Prodrive Technologies

Legal Events

Date Code Title Description
N231 Notification of change of applicant
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant