KR102624176B1 - 피트니스 센터에 대한 매출 관리 전략 제공 서버 및 방법 - Google Patents
피트니스 센터에 대한 매출 관리 전략 제공 서버 및 방법 Download PDFInfo
- Publication number
- KR102624176B1 KR102624176B1 KR1020230041642A KR20230041642A KR102624176B1 KR 102624176 B1 KR102624176 B1 KR 102624176B1 KR 1020230041642 A KR1020230041642 A KR 1020230041642A KR 20230041642 A KR20230041642 A KR 20230041642A KR 102624176 B1 KR102624176 B1 KR 102624176B1
- Authority
- KR
- South Korea
- Prior art keywords
- fitness
- sales
- information
- management information
- members
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 40
- 230000015654 memory Effects 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 9
- 210000000577 adipose tissue Anatomy 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000037323 metabolic rate Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 35
- 239000000047 product Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000000556 factor analysis Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010051602 Laziness Diseases 0.000 description 1
- 230000003712 anti-aging effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229940116540 protein supplement Drugs 0.000 description 1
- 235000005974 protein supplement Nutrition 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- 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
- 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
- G06Q10/0637—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
-
- 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
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
일 구현예에 따른 피트니스 센터에 대한 매출 관리 전략 제공 서버는 적어도 하나의 명령어를 저장하는 메모리; 및 프로세서를 포함한다. 상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 복수의 피트니스 센터 각각에 등록된 회원들에 대한 제1 고객 관리(customer relationship management) 정보 및 제2 고객 관리 정보가 획득되되, 상기 제1 고객 관리 정보는 상기 회원들의 신상 정보, 상기 회원들이 각 피트니스 센터에 출입할 때마다 생성되는 출입 정보, 상기 회원들이 각 피트니스 센터에서 운동함에 따라 생성되는 운동 이력(history) 정보 및 상기 회원들의 운동 목적 정보 중 적어도 하나를 포함하고, 상기 제2 고객 관리 정보는 상기 회원들이 결제한 유료 피트니스 서비스 및 유료 피트니스용 상품 내역 정보 중 적어도 하나를 포함하며, 피트니스 센터에서의 매출 발생 요인을 분석하는 모델이 상기 획득된 제1 고객 관리 정보 및 상기 제2 고객 관리 정보를 이용해서 학습되고, 상기 학습이 완료된 모델에 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보가 제공되고, 상기 학습이 완료된 모델이 상기 제1 고객 관리 정보의 제공에 대응해서 출력하는 정보가, 상기 소정의 피트니스 센터에서의 매출 관리용 전략으로서 제공된다.
Description
본 발명은 피트니스 센터에 대한 매출 관리 전략 제공 서버 및 방법에 관한 것이다.
현대인의 최대 관심사 중 하나가 건강일 것이다. 건강을 위한 여러가지 방법 중 하나는 운동이다. 이러한 운동을 위한 시설이 일상생활에 자리하고 보급되고 있는 지금, 운동을 위한 다양한 시설들이 존재한다.
그런데, 운동을 꾸준히 하는 것은 쉽지 않다. 야근이나 약속 등으로 인해, 단순한 게으름이나 귀찮음 등으로 인해, 꽤 많은 사람들이 운동을 시작하지만 중도에 그만두곤 한다.
피트니스 센터를 운영하는 입장에서는 운동을 하는 사람 또는 회원들이 꾸준하게 운동을 할 수 있는 여건을 만들어야만 자신들의 매출이 증대될 수 있다는 점에서, 피트니스 센터의 운영자들은 회원들의 어떤 니즈(needs)를 만족시켜야 하는지 항상 고민하고 있다.
예컨대, 유산소 운동용 기구와 웨이트 트레이닝용 기구의 설치 비율, 골프나 GX 등의 도입 여부, PT 제공 등에 대해 피트니스 센터 운영자들은 고민을 하곤 한다.
여기서, 각 피트니스 센터는 서로 여건이 다를 수 밖에 없다. 우선 입지가 상이하다. 그리고 그 입지에 따라 각 피트니스 센터의 회원들 역시 나이, 성별 방문시간이나 운동 목적 등이 상이할 수 있다. 이에, 이러한 여건에 따라 각 피트니스 센터의 매출을 극대화하기 위한 광고 전략의 수립 내지 실행이 필요한 실정이다.
일 실시예에 따라 해결하고자 하는 과제는, 각 피트니스 센터의 여건에 따라 매출을 관리하거나 증대시킬 수 있는 전략을 제공하는 것을 포함한다.
다만, 일 실시예에 따른 해결하고자 하는 과제가 이에 한정되는 것은 아니다.
제 1 구현예에 따른 피트니스 센터에 대한 매출 관리 전략 제공 서버는 적어도 하나의 명령어를 저장하는 메모리; 및 프로세서를 포함한다. 상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 복수의 피트니스 센터 각각에 등록된 회원들에 대한 제1 고객 관리(customer relationship management) 정보 및 제2 고객 관리 정보가 획득되되, 상기 제1 고객 관리 정보는 상기 회원들의 신상 정보, 상기 회원들이 각 피트니스 센터에 출입할 때마다 생성되는 출입 정보, 상기 회원들이 각 피트니스 센터에서 운동함에 따라 생성되는 운동 이력(history) 정보 및 상기 회원들의 운동 목적 정보 중 적어도 하나를 포함하고, 상기 제2 고객 관리 정보는 상기 회원들이 결제한 유료 피트니스 서비스 및 유료 피트니스용 상품 내역 정보 중 적어도 하나를 포함하며, 피트니스 센터에서의 매출 발생 요인을 분석하는 모델이 상기 획득된 제1 고객 관리 정보 및 상기 제2 고객 관리 정보를 이용해서 학습되고, 상기 학습이 완료된 모델에 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보가 제공되고, 상기 학습이 완료된 모델이 상기 제1 고객 관리 정보의 제공에 대응해서 출력하는 정보가, 상기 소정의 피트니스 센터에서의 매출 관리용 전략으로서 제공된다.
또한, 상기 신상 정보에는 체성분 측정 장치에서 측정된 상기 회원들의 체지방율 변화 정도, 근골격량 변화 정도 및 기초대사량 변화 정도 중 적어도 하나가 포함될 수 있다.
또한, 상기 출입 정보에는 피트니스 센터로의 평균 입장 시간, 평균 퇴장 시간 및 피트니스 센터에 머무르는 평균 운동 시간 중 적어도 하나가 포함되고, 상기 운동 이력 정보에는 운동에 이용되는 운동 기구 정보, 복수의 운동 기구가 이용되는 순서 및 각 운동 기구의 평균 이용 시간 중 적어도 하나가 포함될 수 있다.
또한, 상기 소정의 피트니스 센터에 등록된 회원이 성별, 나이, 운동 목적 및 신규 회원인지 재등록 회원인지 여부에 따라 복수 개의 카테고리로 분류되고, 상기 복수 개의 카테고리 별로 회원들의 제1 고객 관리 정보가 획득되고, 상기 학습이 완료된 모델은 상기 복수 개의 카테고리 별로 획득된 제1 고객 관리 정보에 대응해서, 상기 복수 개의 카테고리 별로 제2 고객 관리 정보를 출력하며, 상기 복수 개의 카테고리 각각에 대한 매출 관리용 전략은 상기 복수 개의 카테고리 별로 출력되는 제2 고객 관리 정보를 포함할 수 있다.
또한, 상기 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보는 시기 별로 구분되고, 상기 학습이 완료된 모델은 상기 시기 별로 구분된 제1 고객 관리 정보에 대응해서, 상기 시기 별로 제2 고객 관리 정보를 출력하며, 상기 소정의 피트니스 센터에서의 시기 별 매출 관리용 전략은 상기 시기 별로 출력되는 제2 고객 관리 정보를 포함할 수 있다.
또한, 상기 시기 별로 출력되는 제2 고객 관리 정보 중 공통되는 것은 상기 소정의 피트니스 센터에서의 상시 매출 관리 전략에 포함될 수 있다.
또한, 상기 학습이 완료된 모델에는, 소정 지역 내에 위치한 피트니스 센터에 등록된 회원들로부터 획득된 제1 고객 관리 정보가 제공되고, 상기 학습이 완료된 모델은 상기 제1 고객 관리 정보의 제공에 대응해서 제2 고객 관리 정보를 출력하며, 상기 소정 지역 내에서의 매출 관리용 전략은 상기 출력된 제2 고객 관리 정보 중 공통된 것들을 포함할 수 있다.
또한, 상기 메모리에는 설명 가능한 인공지능 모델이 저장되되, 상기 설명 가능한 인공지능 모델은 상기 학습이 완료된 모델에 제공되는 제1 고객 관리 정보 및 상기 학습이 완료된 모델에서 출력되는 정보를 이용해서, 상기 제1 고객 관리 정보에 포함되는 각 항목이 상기 유료 피트니스 서비스 또는 상기 유료 피트니스용 상품의 구매에 기여하는 정도를 도출할 수 있다.
또한, 상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행되면, 상기 매출 관리용 전략 중 상기 소정의 피트니스에서 제공되지 않는 유료 피트니스 서비스 및 유료 피트니스용 상품 중 적어도 하나에 정보가 선별되고, 상기 선별된 정보가 상기 소정의 피트니스 센터에서의 매출 취약 요인으로서 제공될 수 있다.
제 2 구현예에 따른 피트니스 센터에 대한 매출 관리 전략 제공 서버가 수행하는 피트니스 센터에 대한 매출 관리 전략 방법으로서, 상기 방법은 복수의 피트니스 센터 각각에 등록된 회원들에 대한 제1 고객 관리(customer relationship management) 정보 및 제2 고객 관리 정보를 획득하는 단계; 상기 제1 고객 관리 정보는 상기 회원들의 신상 정보, 상기 회원들이 각 피트니스 센터에 출입할 때마다 생성되는 출입 정보, 상기 회원들이 각 피트니스 센터에서 운동함에 따라 생성되는 운동 이력(history) 정보 및 상기 회원들의 운동 목적 정보 중 적어도 하나를 포함하고, 상기 제2 고객 관리 정보는 상기 회원들이 결제한 유료 피트니스 서비스 및 유료 피트니스용 상품 내역 정보 중 적어도 하나를 포함하며, 피트니스 센터에서의 매출 발생 요인을 분석하는 모델을 상기 획득된 제1 고객 관리 정보 및 상기 제2 고객 관리 정보를 이용해서 학습시키는 단계; 상기 학습이 완료된 모델에 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보를 제공하는 단계; 및 상기 학습이 완료된 모델이 상기 제1 고객 관리 정보의 제공에 대응해서 출력하는 정보를, 상기 소정의 피트니스 센터에서의 매출 관리용 전략으로서 제공하는 단계를 포함한다.
일 실시예에 따르면, 피트니스 센터에 등록되어 있는 회원의 성향에 따라, 각 피트니스 센터 별로 매출 관리 전략이 제공될 수 있다. 또한, 이렇게 제공된 매출 관리 전략에 기초해서 각 피트니스 센터의 매출 상승 또는 하락 요인이 분석될 수 있다. 더 나아가서는, 피트니스 센터 별로 어떤 유형의 회원이 유료 피트니스 서비스나 상품을 결제하는지 여부가 분석 및 제공될 수 있다.
도 1에는 일 실시예에 따라 학습된 매출 발생 요인 분석 모델에 여러 피트니스 센터 대한 CRM 정보가 제공되면, 그로부터 매출 관리 전략이 도출되고 더 나아가서는 매출 상승 또는 하락 요인이 분석된 결과가 예시적으로 도시되어 있다.
도 2에는 일 실시예에 따른 서버가 피트니스 센터 별 매출 발생 요인을 석하기 위해 네트워크 상에서 연결되는 다양한 종류의 단말 내지 서버 등이 예시적으로 도시되어 있다.
도 3에는 일 실시예에 따른 서버에 대한 블록도가 개념적으로 도시되어 있다.
도 4 내지 7에는 일 실시예에 따른 서버에서 이용되는 피트니스 센터의 회원에 대한 다양한 형태의 정보가 예시적으로 도시되어 있다.
도 8는 딥러닝에 대한 아키텍쳐가 개념적으로 도시되어 있다.
도 9와 10에는 BERT의 사전 학습에 대한 개념이 예시적으로 도시되어 있다.
도 11에는 일 실시예에 따른 매출 발생 요인 분석 모델에 대한 학습 과정이 개념적으로 도시되어 있다.
도 12에는 일 실시예에 따른 매출 발생 요인 분석 모델에 설명 가능한 인공지능 모델(Explainable AI)이 연결되어 있는 것이 개념적으로 도시되어 있다.
도 13에는 게임 이론에 대한 개념이 예시적으로 도시되어 있다.
도 14에는 일 실시예에 따라 피트니스 센터의 매출 발생 분석 요인을 분석하는 방법에 대한 순서도가 예시적으로 도시되어 있다.
도 2에는 일 실시예에 따른 서버가 피트니스 센터 별 매출 발생 요인을 석하기 위해 네트워크 상에서 연결되는 다양한 종류의 단말 내지 서버 등이 예시적으로 도시되어 있다.
도 3에는 일 실시예에 따른 서버에 대한 블록도가 개념적으로 도시되어 있다.
도 4 내지 7에는 일 실시예에 따른 서버에서 이용되는 피트니스 센터의 회원에 대한 다양한 형태의 정보가 예시적으로 도시되어 있다.
도 8는 딥러닝에 대한 아키텍쳐가 개념적으로 도시되어 있다.
도 9와 10에는 BERT의 사전 학습에 대한 개념이 예시적으로 도시되어 있다.
도 11에는 일 실시예에 따른 매출 발생 요인 분석 모델에 대한 학습 과정이 개념적으로 도시되어 있다.
도 12에는 일 실시예에 따른 매출 발생 요인 분석 모델에 설명 가능한 인공지능 모델(Explainable AI)이 연결되어 있는 것이 개념적으로 도시되어 있다.
도 13에는 게임 이론에 대한 개념이 예시적으로 도시되어 있다.
도 14에는 일 실시예에 따라 피트니스 센터의 매출 발생 분석 요인을 분석하는 방법에 대한 순서도가 예시적으로 도시되어 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1에는 일 실시예에 따라 학습된 매출 발생 요인 분석 모델에 여러 피트니스 센터 대한 CRM 정보가 제공되면, 그로부터 매출 관리 전략이 도출되고 더 나아가서는 매출 상승 또는 하락 요인이 분석된 결과가 예시적으로 도시되어 있다.
먼저, 도 1에는 CRM(customer relationship management) 정보가 도시되어 있다. 이러한 CRM 정보는 고객 관리 정보라고 지칭될 수 있다.
일 실시예에서 제공되는 CRM 정보는 다양할 수 있다. 예컨대, 이러한 CRM 정보에는 회원의 신상 정보, 출입 정보, 운동 이력 정보 및 운동 목적 정보 중 적어도 하나가 포함되며, 이하에서는 전술한 CRM 정보를 제1 CRM 정보라고 지칭하기로 하자.
제1 CRM 정보 중 신상 정보에는 회원의 주소, 성별, 나이, 키, 체중 또는 체지방률 등이 포함될 수 있다.
또한, 이러한 신상 정보에는 체성분 측정 장치에서 측정된 상기 회원들의 체지방율 변화 정도, 근골격량 변화 정도 및 기초대사량 변화 정도 중 적어도 하나가 포함될 수 있다. 이를 위해, 체성분 측정 장치에서 측정된 전술한 정보들은 이러한 체성분 측정 장치로부터 후술할 서버(100)에게 전달될 수 있으며, 다만 이에 한정되는 것은 아니다.
또한, 신상 정보에는 회원이 신규 회원인지, 재등록회원인지 또는 과거에 환불한 이력이 있는지 등에 대한 정보가 포함될 수 있다.
출입 정보에는 피트니스 센터로의 평균 입장 시간, 평균 퇴장 시간 및 피트니스 센터에 머무르는 평균 운동 시간 중 적어도 하나가 포함될 수 있다. 이를 위해, 피트니스 센터에는 각 회원의 입장 시간이나 퇴장 시간 또는 머무르는 시간을 측정하기 위한 센서가 구비되어 있거나, 또는 피트니스 센터의 관리자에 의해 이러한 시간 등이 체크 내지 기록될 수 있다.
운동 이력 정보에는 운동에 이용되는 운동 기구 정보, 복수의 운동 기구가 이용되는 순서 및 각 운동 기구의 평균 이용 시간 중 적어도 하나가 포함될 수 있다. 이를 위해, 각 운동 기구에는 누가 운동을 이용했는지를 센싱하기 위한 센서가 구비될 수 있고 또한 각 회원에게는 회원 자신임을 나타내는 센서 등을 구비한 밴드가 지급되어서, 어떤 운동이 얼마 동안 어떤 기구를 어느 순서로 이용했는지에 대한 정보가 기록되어서 후술할 서버(100) 등에게 전달될 수 있다. 또는, PT, GX, 요가나 골프 등을 등록한 적이 있는지, 등록하였다가 취소하거나 환불한 이력이 있는지 또는 PT 등을 등록하였다가 지각이나 수업 취소를 한 내역이 있는지 등이 이러한 운동 이력 정보에 포함될 수 있다.
운동 목적 정보에는 예컨대 체중 조절, 체성분 조절 또는 노화 방지 등이 있을 수 있으며, 다만 이에 한정되는 것은 아니다. 여기서 이러한 운동 목적 정보는 회원이 피트니스 센터의 운영자나 트레이너와 상담하면서 발언하거나 기재한 것일 수 있다.
한편, CRM 정보에는 피트니스 센터의 회원들이 결제한 내역 정보가 포함될 수 있다. 예컨대, 유료 피트니스 서비스에 대한 결제 내역 정보 또는 유료 피트니스용 상품에 대한 결제 내역 정보가 이러한 CRM 정보에 포함될 수 있는데, 이하에서는 이러한 종류의 CRM 정보를 제2 CRM 정보라고 지칭하기로 하자.
여기서 유료 피트니스 서비스에는 PT(personal training), 골프, GX, 요가 또는 에어로빅 등이 포함될 수 있고, 다만 이에 한정되는 것은 아니다. 그리고 유료 피트니스용 상품에는 단백질 보충제, 비타민 워터, 운동 기구 또는 탄력 밴드 등이 포함될 수 있으며, 다만 이에 한정되는 것은 아니다.
전술한 제1 CRM 정보는 도 1에 도시되어 있는 매출 발생 요인 분석 모델에 제공된다. 이러한 모델은 인공지능 방식으로 학습된 것일 수 있는데, 이에 대해서는 후술하기로 한다. 이러한 모델로부터 전술한 제2 CRM 정보가 출력된다. 이러한 제2 CRM 정보는 해당 피트니스 센터의 매출 관리 전략에 해당된다.
구체적으로, 피트니스 센터의 회원의 연령대, 성별, 평균 운동 시간, 평균 입장 또는 퇴장 시간이나 위치(입지) 등이 제1 CRM 정보로서 전술한 모델에 제공된다. 예컨대, 20대 여성 중 오전에 입장하는 회원에 대한 제1 CRM 정보가 전술한 모델에 제공될 수 있다. 그러면, 해당 모델로부터 이러한 여성 회원을 위한 매출 관리 전략이 출력될 수 있다. 또는 30대 남성 중 체지방율을 관리하고자 하는 회원에 대한 제1 CRM 정보가 전술한 모델에 제공될 수 있다. 그러면, 해당 모델로부터 이러한 남성 회원을 위한 매출 관리 전략이 출력될 수 있다.
이렇게 출력되는 각각의 매출 관리 전략은 해당 피트니스 센터의 매출 발생 요인 분석도 활용될 수 있다. 예컨대 피트니스 센터 A의 회원 각각에 대한 특정 시점, 예컨대 2023년 01월의 제1 CRM 정보가 모델에 제공될 수 있고, 그로부터 출력이 얻어질 수 있다. 이렇게 얻어진 매출 관리 전략은 실제 2023년 01월에 피트니스 센터에서 회원들에게 제공된 유료 피트니스 서비스나 상품과 비교된다. 만약, 매출 관리 전략에 PT가 포함되어 있는데 실제로 해당 피트니스 센터에서는 PT가 활발하게 등록되었었다면, 그리고 해당 월에 매출이 상승했었다면, 2023년 01월의 매출 상승 요인은 PT 등록 상승이다. 이와 달리, 2023년 02월에 매출 관리 전략에 PT가 포함되어 있는데 실제로 해당 피트니스 센터에서는 PT에 대한 취소가 빈번했었다면 그리고 해당 월에 매출이 하락했었다면, 2023년 02월의 매출 하락 요인은 PT 취소이다.
아울러, 설명 가능한 인공지능 모델을 이용해서, 어떤 조건의 회원들이 유료 피트니스 서비스나 상품을 결제하는지 여부가 분석될 수 있다. 이에 대해서는 후술하기로 한다.
즉, 일 실시예에 따르면, 피트니스 센터에 등록되어 있는 회원의 성향에 따라, 각 피트니스 센터 별로 매출 관리 전략이 제공될 수 있다. 또한, 이렇게 제공된 매출 관리 전략에 기초해서 각 피트니스 센터의 매출 상승 또는 하락 요인이 분석될 수 있다. 더 나아가서는, 피트니스 센터 별로 어떤 유형의 회원이 유료 피트니스 서비스나 상품을 결제하는지 여부가 분석 및 제공될 수 있으며, 이로부터 매출 관리 전략이 수립 내지 갱신될 수도 있다.
도 2에는 일 실시예에 따른 매출 관리 전략 제공 서버가 매출 관리 전략을 추론하기 위해 네트워크 상에서 연결되는 다양한 종류의 단말 내지 서버 등이 예시적으로 도시되어 있다.
도 2를 참조하면, 일 실시예에 따른 매출 관리 전략 제공 서버(100)는 사용자 단말(200) 및 외부 서버(300) 중 적어도 하나와 네트워크(400) 통해 연결될 수 있다. 여기서, 도 2는 예시적인 것에 불과한 바, 본 발명의 사상이 도 2에 도시된 것으로 한정 해석되는 것은 아니다.
여기서 네트워크(400)는 무선 또는 유선 네트워크망을 의미한다. 이 중, 무선 네트워크 망의 경우, 예컨대 LTE(long-term evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication) 및 GNSS(global navigation satellite system) 등에서 적어도 하나를 포함할 수 있다. 또한, 유선 네트워크 망의 경우, 예컨대 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), LAN(Local Area Network), WAN(Wide Area Network), 인터넷 및 전화망(telephone network) 등에서 적어도 하나를 포함할 수 있다.
다음으로, 사용자 단말(200)은 피트니스 센터의 운영자가 사용하는 단말이다. 이러한 사용자 단말(200)은 도 2에 도시된 바와 같이 스마트폰, 태블릿 PC, 데스크탑 PC 또는 서버 등을 포함할 수 있다. 운영자는 이러한 사용자 단말(200)을 통해, 자신의 피트니스 센터의 회원에 대한 CRM 정보를 서버(100)에 업로드할 수 있고, 매출 관리 전략을 제공받을 수 있다.
다음으로, 외부 서버(300)는 다양한 정보를 제공하도록 구현된 서버를 지칭한다. 이러한 서버(300)에서는 날씨 정보, 피트니스 센터 주변의 유동 인구 정보, 피트니스 센터 주변의 지역 정보 또는 기타 다양한 정보 등이 제공될 수 있다.
다음으로, 일 실시예에 따른 매출 관리 전략 제공 서버(100)에 대해 살펴보자. 이러한 매출 관리 전략 제공 서버(100)는 각 피트니스 센터로부터 CRM 정보를 제공받아서 매출 관리 전략을 제공하도록 구현된다. 이하 이러한 서버(100)에 대해 보다 자세하게 살펴보기로 한다.
도 3은 일 실시예에 따른 매출 관리 전략 제공 서버(100)에 대한 예시적인 구성도이다. 도 3을 참조하면, 매출 관리 전략 제공 서버(100)는 통신부(110), 메모리(120) 및 프로세서(130)를 포함한다. 다만, 도 3에 도시된 구성도는 예시적인 것에 불과한 바, 본 발명의 사상이 도 3에 도시된 구성도에 의해 한정 해석되는 것은 아니다. 예컨대, 매출 관리 전략 제공 서버(100)는 도 3에 도시되지 않은 구성을 적어도 하나 포함하거나 도 3에 도시된 구성 중 적어도 하나를 포함하지 않을 수 있다.
통신부(110)는 유선 또는 무선 통신 모듈에 의해 구현 가능하다. 매출 관리 전략 제공 서버(100)는 이러한 통신부(110)를 통해 외부의 단말, 예컨대 도 2에 도시된 다양한 종류의 단말이나 서버(200,300) 등과 통신을 수행할 수 있으며, 그 결과 각 피트니스 센터의 회원들에 대한 CRM 정보를 획득할 수 있다.
메모리(120)는 정보를 저장하는 매체에 의해 구현 가능하다. 이러한 매체에는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체일 수 있으며, 다만 이에 한정되는 것은 아니다.
이러한 메모리(120)에는 다양한 종류의 정보가 저장될 수 있다. 예컨대 메모리(120)에는 통신부(110)를 통해 매출 관리 전략 제공 서버(100)가 외부의 단말(200, 300) 등에서 획득한 정보가 저장될 수 있다. 또한, 이러한 메모리(120)에는 매출 발생 요인 분석 모델의 학습에 이용될 학습용 데이터가 저장되어 있을 수도 있다. 이러한 학습용 데이터에는, 각 피트니스 센터의 회원에 대한 전술한 제1 CRM 정보와 제2 CRM 정보 각각이 복수 개 포함되어 있다. 도 4 내지 7에는 이러한 CRM 정보에 대한 예시가 도시되어 있다. 도 4 내지 7 각각을 참조하면, 특정 피트니스 센터의 회원은 전술한 신상 정보, 출입 정보, 운동 이력 정보, 운동 목적 정보, 유료 피트니스 서비스 또는 상품 결제 정보 등에 의해 선별될 수 있고, 그렇게 선별된 회원에 대한 매출 내지 수입이 소정의 기간 별로, 예컨대 일별, 주간 별, 월별 또는 년도 별로 제공 내지 도시될 수 있다.
또한, 메모리(120)에는 다양한 종류의 모듈 내지 모델이 구현되어 있을 수 있다. 이러한 모듈이나 모델은 후술할 프로세서(130)에 의해 실행되면, 목적하는 기능이 수행되게 된다. 각각의 모듈 내지 모델에 대해서는 후술하기로 한다.
다음으로, 프로세서(130)에 대해 살펴보자. 우선, 일 실시예에 따른 프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 일 실시예에서, 프로세서(130)는 적어도 하나의 코어로 구성될 수 있으며, 매출 관리 전략 제공 서버(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.
이러한 프로세서(130)는 머신러닝이나 딥러닝 방식으로 설계된 신경망 내지 모델을 학습시킬 수 있다. 이를 위해, 프로세서(130)는 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(130)는 인공 신경망 방식으로 구현된 모델을 이용해서, 소정의 목적 하에 추론(inference)을 수행할 수도 있다.
이하, 인공 신경망에 대해 살펴보기로 한다. 본 명세서에서의 모델은 네트워크 함수, 인공신경망 및/또는 뉴럴 네트워크에 기반하여 동작하는 임의의 형태의 컴퓨터 프로그램을 의미할 수 있다. 본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수개의 히든 레이어를 포함하는 신경망을 의미할 수 있으며, 도 8에 이에 대한 개념이 예시적으로 도시되어 있는 것과 같이, 중간에 있는 히든 계층이 딥 뉴럴 네트워크에서는 1개 이상, 바람직하게는 2개 이상으로 구성된다.
이러한 딥 뉴럴 네트워크는 합성곱 신경망(CNN: convolutional neural network), 비젼 트랜스포머(vision transformer), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), LSTM(Long Short Term Memory) 네트워크, GPT(Generative Pre-trained Transformer), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network), 트랜스포머(transformer) 등을 포함할 수 있다.
또는, 실시예에 따라 딥 뉴럴 네트워크는 전이학습(transfer learning) 방식으로 학습된 모델일 수 있다. 여기서, 전이학습은 대용량의 라벨링되어 있지 않은 학습용 데이터를 준지도학습 또는 자가학습 방식으로 사전 학습(pre-training)하여 제1 태스크를 갖는 사전 학습된(pre-trained) 모델(또는 베이스부)을 얻고, 사전 학습된 모델을 제2 태스크에 적합하도록 fine-tuning하기 위해, 라벨링된 학습용 데이터를 지도학습 방식으로 학습시켜서 타겟으로 하는 모델을 구현하는 학습 방식을 나타낸다. 이러한 전이학습 방식으로 학습된 모델 중 하나로서, BERT(Bidirectional Encoder Representations from Transformers) 등이 있는데, 다만 이에 한정되는 것은 아니다.
뉴럴 네트워크는 지도학습(supervised learning), 비지도학습(unsupervised learning), 준지도학습(semi supervised learning), 자가학습(self-supervised learning) 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 데이터(labelled data)를 사용하며, 비지도학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않은 데이터(unlabeled data)를 사용할 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 또한, 과적합(overfitting)을 막기 위해서 학습 데이터의 증가, 레귤러화(regularization), 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer) 등의 방법이 적용될 수 있다.
한편, 일 실시예에서 개시되는 모델은 트랜스포머의 적어도 일부분을 차용할 수 있다. 트랜스포머는 임베딩된 데이터들을 인코딩하는 인코더 및 인코딩된 데이터들을 디코딩하는 디코더로 구성될 수 있다. 트랜스포머는 일련의 데이터들을 수신하여, 인코딩 및 디코딩 단계를 거처 상이한 타입의 일련의 데이터들을 출력하는 구조를 지닐 수 있다. 일 실시예에서, 일련의 데이터들은 트랜스포머가 연산가능한 형태로 가공될 수 있다. 일련의 데이터들을 트랜스포머가 연산가능한 형태로 가공하는 과정은 임베딩 과정을 포함할 수 있다. 데이터 토큰, 임베딩 벡터, 임베딩 토큰 등과 같은 표현들은, 트랜스포머가 처리할 수 있는 형태로 임베딩된 데이터들을 지칭하는 것일 수 있다.
트랜스포머가 일련의 데이터들을 인코딩 및 디코딩하기 위하여, 트랜스포머 내의 인코더 및 디코더들을 어텐션(attention) 알고리즘을 활용하여 처리할 수 있다. 어텐션 알고리즘이란 주어진 쿼리(Query)에 대해, 하나 이상의 키(Key)에 대한 유사도를 구하고, 이렇게 주어진 유사도를, 각각의 키(Key)와 대응하는 값(Value)에 반영한 후, 유사도가 반영된 값(Value)들을 가중합하여 어텐션 값을 계산하는 알고리즘을 의미할 수 있다.
쿼리, 키 및 값을 어떻게 설정하느냐에 따라, 다양한 종류의 어텐션 알고리즘이 분류될 수 있다. 예를 들어, 쿼리, 키 및 값을 모두 동일하게 설정하여 어텐션을 구하는 경우, 이는 셀프-어텐션 알고리즘을 의미할 수 있다. 입력된 일련의 데이터들을 병렬로 처리하기 위해, 임베딩 벡터를 차원을 축소하여, 각 분할된 임베딩 벡터에 대해 개별적인 어텐션 헤드를 구하여 어텐션을 구하는 경우, 이는 멀티-헤드(multi-head) 어텐션 알고리즘을 의미할 수 있다.
일 실시예에서, 트랜스포머는 복수개의 멀티-헤드 셀프 어텐션 알고리즘 또는 멀티-헤드 인코더-디코더 알고리즘을 수행하는 모듈들로 구성될 수 있다. 일 실시예에서, 트랜스포머는 임베딩, 정규화, 소프트맥스(softmax) 등 어텐션 알고리즘이 아닌 부가적인 구성요소들 또한 포함할 수 있다. 어텐션 알고리즘을 이용하여 트랜스포머를 구성하는 방법은 Vaswani et al., Attention Is All You Need, 2017 NIPS에 개시된 방법을 포함할 수 있으며, 이는 본 명세서에 참조로 통합된다.
트랜스포머는 임베딩된 자연어, 분할된 이미지 데이터, 오디오 파형 등 다양한 데이터 도메인에 적용하여, 일련의 입력 데이터를 일련의 출력 데이터로 변환할 수 있다. 다양한 데이터 도메인을 가진 데이터들을 트랜스포머에 입력가능한 일련의 데이터들로 변환하기 위해, 트랜스포머는 데이터들을 임베딩할 수 있다. 트랜스포머는 일련의 입력 데이터 사이의 상대적 위치관계 또는 위상관계를 표현하는 추가적인 데이터를 처리할 수 있다. 또는 일련의 입력 데이터에 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 벡터들이 추가적으로 반영되어 일련의 입력 데이터가 임베딩될 수 있다. 일 예에서, 일련의 입력 데이터 사이의 상대적 위치관계는, 자연어 문장 내에서의 어순, 각각의 분할된 이미지의 상대적 위치 관계, 분할된 오디오 파형의 시간 순서 등을 포함할 수 있으나, 이에 제한되지 않는다. 일련의 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 정보를 추가하는 과정은 위치 인코딩(positional encoding)으로 지칭될 수 있다.
이하, 프로세서(130)에 의해 메모리(120)에 저장된 적어도 하나의 명령어가 실행됨으로써, 서버(100)가 수행할 수 있는 다양한 동작 내지 기능 등에 대해 살펴보기로 하자.
우선, 프로세서(130)는 통신부(110)를 제어할 수 있다. 이를 통해 서버(100)는 통신부(110)를 통해 도 2에 도시되어 있는 다양한 단말이나 서버(200,300)와 통신을 수행해서 정보를 획득할 수 있다.
또한 프로세서(130)는 메모리(120)에 저장되어 있는 전술한 데이터나 명령어를 읽어들일 수 있고, 메모리(120)에 새로운 데이터나 명령어를 기록할 수 있다. 또한, 프로세서(130)는 이미 기록되어 있는 데이터나 명령어를 수정하거나 삭제할 수 있다. 이하, 이에 대해 보다 구체적으로 살펴보기로 한다.
프로세서(130)에 의해 메모리(120)에 저장되어 있는 적어도 하나의 명령어가 실행됨으로써, 매출 관리 전략 제공 서버(100)에서는 도 1에 도시되어 있는 매출 발생 요인 분석 모델 또는 설명 가능한 인공지능 모델 등이 실행될 수 있으며, 다만 실행 가능한 모델들이 이에만 한정 해석되는 것은 아니다.
이 중, 매출 발생 요인 분석 모델에 대해 살펴보자. 이러한 모델에서는 각 피트니스 센터의 회원 중 소정 조건으로 선별된 회원을 타겟으로 하는 매출 관리 전략이 출력된다.
이를 위해 모델에는 제1 CRM 정보가 제공된다. 제공될 때에는 이러한 CRM 정보를 모델이 인식할 수 있도록 하기 위한 임베딩 과정이 수행된 뒤에 임베딩된 결과가 제공될 수 있다. 이러한 임베딩 과정은 다양한 방식으로 수행될 수 있으며, 예컨대 원-핫 코드 인코딩(one-hot code encoding 방식으로 수행될 수 있으나, 다만 이에만 한정되는 것은 아니다.
한편, 모델에는 제1 CRM 정보 뿐 아니라 다양한 정보가 제공될 수도 있다. 예컨대 날씨 정보, 특정 시기(년이나 월, 주 등) 정보, 특정 지역 정보 또는 이러한 특정 지역 내의 유동 인구 정보 등이 제공될 수 있다.
이하, 이러한 모델의 학습 과정에 대해 살펴보기로 한다.
도 9와 10에는 일 실시예에 따른 매출 발생 요인 분석 모델에 대한 학습 과정이 개념적으로 도시되어 있다. 우선, 이러한 모델은 앞서 설명된 전이 학습 방식으로 학습될 수 있다. 이 때 전이 학습에서는 사전 학습이 수행되고 이후 미세 조정이 수행된다.
이 중, 사전 학습의 경우, MLM(Masked Language Model) 그리고 NSP(Next Sentence Prediction) 방식이 수행된다. MLM에서는 복수의 피트니스 센터의 각 회원들에 대한 막대한 양의 CRM 정보가 이용된다. 구체적으로는, 이러한 막대한 양의 CRM 정보 중 일부를 마스킹처리한 뒤 이를 맞추는 방식으로 MLM이 수행될 수 있으며, 도 9에는 이에 대한 개념이 예시적으로 도시되어 있다. 이 때, 일 실시예에서는 MLM에 이용되는 CRM 정보는 그 종류가 제한되지 않으며, 예컨대 피트니스 센터의 회원이 운동 시에 이용하는 복수의 운동 기구의 순서가 MLM에 이용될 수 있다. 보다 구체적으로, 이러한 운동 기구의 순서에는 회원 개인의 패턴이 반영될 수 있다. 통상적으로 각 회원은 자신이 선호하는 운동 시퀀스를 갖고 있기 때문이다. 런닝 머신을 먼저 한 뒤 덤벨, 바벨 이후 가슴 운동을 하는 회원이 있는 반면, 가슴 운동을 하고나서 런닝 머신 뒤에 자전거를 타는 회원도 있다. 상황에 따를 수는 있지만, 평균적으로 통계를 내어 보면, 각 개인 별로 자주하는 운동 기구 이용 순서가 존재한다는 것이다.
이에, 일 실시예에서는 이러한 운동 순서에 따라 복수의 운동 기구가 이용될 때 이러한 운동 기구 중 어느 하나를 마스킹한 뒤 이를 맞추는 MLM이 수행될 수 있다.
한편, MLM 뿐 아니라 전술한 NSP가 수행될 수 있다. 앞서 살펴본 바와 같이 운동 기구의 이용 순서에는 평균적으로 패턴이 존재하는바, 어느 하나의 운동 기구가 이용되었으면 그 다음에 이용되는 운동 기구 역시 정해져있을 수 있다. 물론, 상황에 따라 사람이 몰려서 이용이 불가능하여 그 순서가 바뀔수는 있겠지만, 평균적으로 통계를 내어보면 그 순서는 존재할 수 있다. 따라서, 일 실시예에서는 NSP에 따라 특정 운동 기구가 이용되었을 때 그 다음에 이용될 운동 기구를 맞추는 과정이 수행될 수 있다.
한편, 이를 위해서는 각 회원들이 어떤 순서로 평소에 운동을 하는지 여부가 측정 내지 수집될 수 있어야 한다. 이에, 이를 위해 각 회원에는 웨어러블 디바이스 등이 구비될 수 있고, 아울러 각 운동 기구에도 역시 웨어러블 디바이스를 인식할 수 있는 센서가 구비될 수 있다. 이에 따라 어떠한 운동 기구가 어떤 회원에 의해 어떤 순서로 이용되는지 여부가 정보로서 획득되어서 저장될 수 있다. 물론, 전술한 정보의 수집 내지 측정 방법이 이에만 한정 해석되는 것은 아니다.
다음으로, 도 11에는 미세 조정 방식이 도시되어 있다. 전술한 사전 학습이 완료되면, 그러한 사전 학습이 완료된 모델에 미세 조정이 수행된다. 도 11을 참조하면, 모델(121)의 미세 조정을 위해, 학습용 입력 데이터와 학습용 정답 데이터를 포함하는 학습용 데이터 복수 개가 이용될 수 있다. 이 중 학습용 입력 데이터에는 전술한 제1 CRM 정보가 포함되며, 실시예에 따라 전술한 날씨 정보, 특정 시기 정보, 특정 지역 정보 또는 이러한 특정 지역 내의 유동 인구 정보 등이 포함될 수도 있다. 아울러, 학습용 정답 데이터에는 전술한 제2 CRM 정보가 포함된다. 예컨대, 도 11에 도시된 바와 같이, 각 회원에 대한 유료 피트니스 서비스 또는 유료 피트니스용 상품 결제 내역 정보가 포함될 수 있다.
이러한 모델은 지도 학습 방식으로 학습된다. 그리고 앞서 설명된 인공신경망에 대한 이론 들이 이러한 모델의 학습 내지 이용에 적용될 수 있다.
다음으로, 설명 가능한 인공지능 모델(Explainable AI)(122)에 대해 살펴보자. XAI 모델(122)은 머신러닝 또는 딥러닝 모델의 입력과 출력을 모니터링하면서, 입력의 변화가 출력의 변화에 어느 정도로 영향을 미치는지를 조사함으로써, 출력에 영향을 미치는 입력이 어떠한 것인지를 파악하도록 설계된 모델이며, 이는 도 12에 그 개념이 도시되어 있다. 예컨대, XAI 모델(122)에서는, 10종류의 입력 데이터 중 9종류가 동일하고 1종류가 상이한 2개의 입력이 있을 때, 이러한 입력 각각에 대한 출력에 변화가 없다면, 이렇게 상이한 1종류의 입력은 출력에 끼치는 영향이 상대적으로 작은 것으로 파악한다. 반면, 10종류의 입력 데이터 중 9종류가 동일하고 1종류가 상이한 2개의 입력이 있을 때, 이러한 입력 각각에 대한 출력에 변화가 크다면, 이렇게 상이한 1종류의 입력은 출력에 끼치는 영향이 상대적으로 큰 것으로 파악한다. 이는 이미 알려진 게임 이론(game theory)에 기반한 것이며, 대표적으로 샤프(SHAP)가 알려져 있다. 이에, 일 실시예에서 XAI 모델(123)은 예컨대 샤프 방식으로 구현된 것일 수 있다.
도 13을 참조해서 예를 들어 살펴보자. 숲이 있는 것이 동일하고 넓이랑 층수 역시 동일한 반면, 반려동물을 키울 수 있는지 여부만 상이한 2개의 부동산의 가격이 10,000유로만큼 차이가 난다고 해보자. 그렇다면, 해당 부동산에서 10,000유로 만큼의 가격 차이를 내는 것은 반려동물을 키울 수 있는지 여부이다.
이를 이용하면, 유료 피트니스 서비스나 상품을 결제하는 회원이 어떤 유형의 회원인지가 제1 CRM을 기준으로 도출될 수 있다. 예컨대, 20대 남성 중 오전에 입장하면서 몸무게는 80kg인 사람은 매년 1월에 골프를 결제하지만 매년 3월에는 PT를 결제하고, 20대 여성 중 오후에 입장하면서 몸무게가 45kg인 사람은 매년 3월 요가를 결제하고 5월에는 요가 결제를 취소를 한다는 것을 알 수 있다. 그렇다면, 해당 피트니스 센터에서는 매년 12월 20대 남성 중 오전에 입장하면서 몸무게가 80k인 사람에게 골프에 대한 할인 프로모션을 제안할 수 있고 또한 2월에는 PT에 대한 할인 프로모션을 제안할 수 있다. 아울러, 해당 피트니스 센터에서는 매년 2월 요가에 대한 할인 프로모션을 제안할 수 있고, 매년 4월에는 요가 회원들에게 상담 서비스를 제공해서 취소를 하지 않도록 할 수도 있다.
이제, 매출 관리 전략 제공 서버(100)에 대해 살펴보기로 하자. (이하, '서버(100)'라고 지칭하자)
서버(100)에서는, 프로세서(130)에 의해 메모리(120)에 저장되어 있는 적어도 하나의 명령어가 실행됨으로써, 전술한 모델에 소정의 피트니스 센터의 회원에 관한 제1 CRM 정보가 제공되어서 전술한 제2 CRM 정보가 출력된다. 이러한 제2 CRM 정보는 해당 피트니스 센터의 매출 관리용 전략에 해당된다.
이 때, 회원들은 여러 개의 카테고리 중 어느 하나의 카테고리로 분류될 수 있다. 예컨대, 회원이 성별, 나이, 운동 목적 및 신규 회원인지 재등록 회원인지 여부에 따라 복수 개의 카테고리로 분류될 수 있다. 그러면, 상기 복수 개의 카테고리 별로 회원들의 제1 고객 관리 정보가 획득되고, 상기 학습이 완료된 모델은 상기 복수 개의 카테고리 별로 획득된 제1 고객 관리 정보에 대응해서, 상기 복수 개의 카테고리 별로 제2 고객 관리 정보를 출력할 수 있다. 이 때, 상기 복수 개의 카테고리 각각에 대한 매출 관리용 전략은 상기 복수 개의 카테고리 별로 출력되는 제2 고객 관리 정보를 포함할 수 있다.
아울러, 전술한 제1 CRM 정보는 시기 별로 구분될 수 있다. 예컨대 도 4 내지 7에 도시되어 있는 바와 같이, 월별로 또는 주별로 구분될 수 있다. 그러면, 상기 학습이 완료된 모델은 상기 시기 별로 구분된 제1 고객 관리 정보에 대응해서, 상기 시기 별로 제2 고객 관리 정보를 출력할 수 있다. 이 경우, 상기 소정의 피트니스 센터에서의 시기 별 매출 관리용 전략은, 상기 시기 별로 출력되는 제2 고객 관리 정보를 포함할 수 있다.
이 때, 모든 시기에 공통적으로 포함되는 매출 관리 전략이 있을 수 있다. 그러면, 이러한 매출 관리 전략은 상시 매출 관리 전략에 포함될 수 있다.
한편, 상기 학습이 완료된 모델에는, 소정 지역 내에 위치한 피트니스 센터에 등록된 회원들로부터 획득된 제1 고객 관리 정보가 제공될 수 있다. 이 경우 상기 학습이 완료된 모델은 상기 제1 고객 관리 정보의 제공에 대응해서 제2 고객 관리 정보를 출력하며, 이 때의 상기 소정 지역 내에서의 매출 관리용 전략은 상기 출력된 제2 고객 관리 정보 중 공통된 것들을 포함할 수 있다.
한편, 일 실시예에서는 피트니스 센터 별로 제1 CRM 정보가 비교될 수 있다. 예컨대, 각 피트니스 센터 별로 회원의 나이 분포, 성별 분포, 선호 운동 분포 또는 해당 피트니스 센터가 위치한 지역 정보 등이 조사되어서 서로 비교될 수 있다.
비교 결과, 제1 CRM 정보가 일정 수준 이내로 이내로 유사한(나이 분포가 20대가 가장 많다거나, 성별이 남자가 상대적으로 많다거나, 선후 운동이 유산소 운동이라거나, 행정구역 상 같은 지역에 있거나 등등) 피트니스 센터가 선별될 수 있다. 이 때, 이렇게 선별된 피트니스 센터의 매출 및 매출 발생 요인이 비교될 수 있다. 그 결과, 피트니스 센터 A와 피트니스 센터 B가 동일한 행정구역에 위치하고 상권도 유사하고, 회원의 나이나 성별, 선호 운동 등이 거의 비슷한데, 매출이 상이한 경우가 있을 수 있다. 이 경우, 매출이 이렇게 상이한 원인이 매출 발생 요인에 의해 규명될 수 있다. 이렇게 규명된 매출 발생 요인에 의해, 향후 각 피트니스 센터에 대한 맞춤형 매출 관리 전략이 수립될 수 있으며, 이를 위해 일 실시예에 따른 서버(100)의 프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행할 수 있다.
이와 달리, 비교 결과, 제1 CRM 정보가 서로 상이한 피트니스 센터가 선별될 수 있다. 그리고 이렇게 선별된 피트니스 센터의 매출이 비교될 수 있다. 만약 매출이 서로 상이하다면, 이렇게 매출이 상이한 요인이 전술한 매출 발생 요인에 의해 규명될 수 있다. 반대로, 매출에 차이가 적다면, 이들 피트니스 센터 간에 제1 CRM 정보가 상이한 것은 매출에 영향을 비교적 적게 미친다는 점을 알 수 있다. 이를 위해, 일 실시예에 따른 서버(100)의 프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행할 수 있다.
이상에서 살펴본 바와 같이, 일 실시예에 따르면, 피트니스 센터에 등록되어 있는 회원의 성향에 따라, 각 피트니스 센터 별로 매출 관리 전략이 제공될 수 있다. 또한, 이렇게 제공된 매출 관리 전략에 기초해서 각 피트니스 센터의 매출 상승 또는 하락 요인이 분석될 수 있다. 더 나아가서는, 피트니스 센터 별로 어떤 유형의 회원이 유료 피트니스 서비스나 상품을 결제하는지 여부가 분석 및 제공될 수 있다.
한편, 이렇게 출력되는 각각의 매출 관리 전략은 해당 피트니스 센터의 매출 발생 요인 분석도 활용될 수 있다. 예컨대 피트니스 센터 A의 회원 각각에 대한 특정 시점, 예컨대 2023년 01월의 제1 CRM 정보가 모델에 제공될 수 있고, 그로부터 출력이 얻어질 수 있다. 이렇게 얻어진 매출 관리 전략은 실제 2023년 01월에 피트니스 센터에서 회원들에게 제공된 유료 피트니스 서비스나 상품과 비교된다. 만약, 매출 관리 전략에 PT가 포함되어 있는데 실제로 해당 피트니스 센터에서는 PT가 활발하게 등록되었었다면, 그리고 해당 월에 매출이 상승했었다면, 2023년 01월의 매출 상승 요인은 PT 등록 상승이다. 이와 달리, 2023년 02월에 매출 관리 전략에 PT가 포함되어 있는데 실제로 해당 피트니스 센터에서는 PT에 대한 취소가 빈번했었다면 그리고 해당 월에 매출이 하락했었다면, 2023년 02월의 매출 하락 요인은 PT 취소이다.
지금까지는 일 실시예에 따른 매출 관리 전략 제공 서버(100)에 대해 살펴보았다. 이하에서는, 이러한 매출 관리 전략 제공 서버(100)에 의해 수행되는 매출 관리 전략 제공 방법에 대해 살펴보기로 한다.
먼저, 도 14에는 일 실시예에 따른 매출 관리 전략 제공 방법에 대한 순서도가 예시적으로 도시되어 있다. 여기서, 이러한 순서도는 예시적인 것에 불과한 바, 본 발명의 사상이 이에 한정되는 것은 아니다. 예컨대 실시예에 따라 도 14에 도시된 것과는 상이한 순서로 각 단계가 수행될 수 있으며, 또는 도 14에 도시되지 않은 적어도 하나의 단계가 추가적으로 수행되거나 또는 도 14에 도시된 단계 중 적어도 하나가 수행되지 않을 수도 있다.
도 14를 참조하면, 복수의 피트니스 센터 각각에 등록된 회원들에 대한 제1 고객 관리(customer relationship management) 정보 및 제2 고객 관리 정보를 획득하는 단계(S100)가 수행된다. 이 때, 상기 제1 고객 관리 정보는 상기 회원들의 신상 정보, 상기 회원들이 각 피트니스 센터에 출입할 때마다 생성되는 출입 정보, 상기 회원들이 각 피트니스 센터에서 운동함에 따라 생성되는 운동 이력(history) 정보 및 상기 회원들의 운동 목적 정보 중 적어도 하나를 포함하고, 상기 제2 고객 관리 정보는 상기 회원들이 결제한 유료 피트니스 서비스 및 유료 피트니스용 상품 내역 정보 중 적어도 하나를 포함한다.
또한, 피트니스 센터에서의 매출 발생 요인을 분석하는 모델을 상기 획득된 제1 고객 관리 정보 및 상기 제2 고객 관리 정보를 이용해서 학습시키는 단계(S110)가 수행된다.
또한, 상기 학습이 완료된 모델에 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보를 제공하는 단계(S120)가 수행된다.
또한, 상기 학습이 완료된 모델이 상기 제1 고객 관리 정보의 제공에 대응해서 출력하는 정보를, 상기 소정의 피트니스 센터에서의 매출 관리용 전략으로서 제공하는 단계(S130)가 수행된다.
한편, 이러한 방법은 전술한 서버(100)에 의해 수행되는 것인 바, 중복되는 설명은 생략하기로 한다.
한편, 전술한 다양한 실시예들에 따른 방법은 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현 가능하고, 또한 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체의 형태로 구현될 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 매출 관리 전략 제공 서버
200 : 사용자 단말
200 : 사용자 단말
Claims (10)
- 적어도 하나의 명령어를 저장하는 메모리; 및
프로세서를 포함하며,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써,
복수의 피트니스 센터 각각에 등록된 회원들에 대한 제1 고객 관리(customer relationship management) 정보 및 제2 고객 관리 정보를 획득하고, 학습이 완료된 모델을 이용하여 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보를 기초로 상기 소정의 피트니스 센터에서의 매출 발생 요인을 분석한 매출 관리용 전략을 제공하고,
상기 제1 고객 관리 정보는, 상기 회원들의 신상 정보, 상기 회원들이 각 피트니스 센터에 출입할 때마다 생성되는 출입 정보, 상기 회원들이 각 피트니스 센터에서 운동함에 따라 생성되는 운동 이력(history) 정보 및 상기 회원들의 운동 목적 정보 중 적어도 하나를 포함하고,
상기 제2 고객 관리 정보는, 상기 회원들이 결제한 유료 피트니스 서비스 및 유료 피트니스용 상품 내역 정보 중 적어도 하나를 포함하며,
상기 학습이 완료된 모델은, 학습용 입력 데이터에 상기 획득된 제1 고객 관리 정보를 포함시키고 학습용 정답 데이터에는 상기 획득된 제2 고객 관리 정보를 포함시켜 학습된 것이고,
상기 학습이 완료된 모델은, 상기 매출 관리용 전략을 기초로 매출 상승 요인 또는 매출 하락 요인이 분석된 분석 결과를 출력하는 것이고,
상기 프로세서는,
상기 복수의 피트니스 센터 중 상기 소정의 피트니스 센터와 기 설정된 유사도를 갖는 피트니스 센터를 상기 제1 고객 관리 정보를 이용하여 선별하고, 상기 소정의 피트니스 센터와 상기 선별된 피트니스 센터 간 매출 및 매출 발생 요인을 비교하고, 상기 비교 결과에 따라 상기 매출이 상이한 원인을 상기 매출 발생 요인에 기초하여 규명하고, 상기 규명된 매출 발생 요인을 기초로 상기 매출 관리용 전략을 제공하는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 1 항에 있어서,
상기 신상 정보에는,
체성분 측정 장치에서 측정된 상기 회원들의 체지방율 변화 정도, 근골격량 변화 정도 및 기초대사량 변화 정도 중 적어도 하나가 포함되는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 1 항에 있어서,
상기 출입 정보에는,
피트니스 센터로의 평균 입장 시간, 평균 퇴장 시간 및 피트니스 센터에 머무르는 평균 운동 시간 중 적어도 하나가 포함되고,
상기 운동 이력 정보에는,
운동에 이용되는 운동 기구 정보, 복수의 운동 기구가 이용되는 순서 및 각 운동 기구의 평균 이용 시간 중 적어도 하나가 포함되는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 1 항에 있어서,
상기 소정의 피트니스 센터에 등록된 회원이 성별, 나이, 운동 목적 및 신규 회원인지 재등록 회원인지 여부에 따라 복수 개의 카테고리로 분류되고,
상기 복수 개의 카테고리 별로 회원들의 제1 고객 관리 정보가 획득되고,
상기 학습이 완료된 모델은 상기 복수 개의 카테고리 별로 획득된 제1 고객 관리 정보에 대응해서, 상기 복수 개의 카테고리 별로 제2 고객 관리 정보를 출력하며,
상기 복수 개의 카테고리 각각에 대한 매출 관리용 전략은,
상기 복수 개의 카테고리 별로 출력되는 제2 고객 관리 정보를 포함하는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 1 항에 있어서,
상기 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보는 시기 별로 구분되고,
상기 학습이 완료된 모델은 상기 시기 별로 구분된 제1 고객 관리 정보에 대응해서, 상기 시기 별로 제2 고객 관리 정보를 출력하며,
상기 소정의 피트니스 센터에서의 시기 별 매출 관리용 전략은,
상기 시기 별로 출력되는 제2 고객 관리 정보를 포함하는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 5 항에 있어서,
상기 시기 별로 출력되는 제2 고객 관리 정보 중 공통되는 것은,
상기 소정의 피트니스 센터에서의 상시 매출 관리 전략에 포함되는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 1 항에 있어서,
상기 학습이 완료된 모델에는, 소정 지역 내에 위치한 피트니스 센터에 등록된 회원들로부터 획득된 제1 고객 관리 정보가 제공되고,
상기 학습이 완료된 모델은 상기 제1 고객 관리 정보의 제공에 대응해서 제2 고객 관리 정보를 출력하며,
상기 소정 지역 내에서의 매출 관리용 전략은,
상기 출력된 제2 고객 관리 정보 중 공통된 것들을 포함하는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 1 항에 있어서,
상기 메모리에는 설명 가능한 인공지능 모델이 저장되되,
상기 설명 가능한 인공지능 모델은,
상기 학습이 완료된 모델에 제공되는 제1 고객 관리 정보 및 상기 학습이 완료된 모델에서 출력되는 정보를 이용해서, 상기 제1 고객 관리 정보에 포함되는 각 항목이 상기 유료 피트니스 서비스 또는 상기 유료 피트니스용 상품의 구매에 기여하는 정도를 도출하는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 제 1 항에 있어서,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행되면,
상기 매출 관리용 전략 중 상기 소정의 피트니스에서 제공되지 않는 유료 피트니스 서비스 및 유료 피트니스용 상품 중 적어도 하나에 정보가 선별되고,
상기 선별된 정보가 상기 소정의 피트니스 센터에서의 매출 취약 요인으로서 제공되는
피트니스 센터에 대한 매출 관리 전략 제공 서버. - 피트니스 센터에 대한 매출 관리 전략 제공 서버가 수행하는 피트니스 센터에 대한 매출 관리 전략 방법으로서,
복수의 피트니스 센터 각각에 등록된 회원들에 대한 제1 고객 관리(customer relationship management) 정보 및 제2 고객 관리 정보를 획득하는 단계; 및
학습이 완료된 모델을 이용하여 소정의 피트니스 센터에 등록된 회원들에 대한 제1 고객 관리 정보를 기초로 상기 소정의 피트니스 센터에서의 매출 발생 요인을 분석한 매출 관리용 전략을 제공하는 단계를 포함하고,
상기 제1 고객 관리 정보는, 상기 회원들의 신상 정보, 상기 회원들이 각 피트니스 센터에 출입할 때마다 생성되는 출입 정보, 상기 회원들이 각 피트니스 센터에서 운동함에 따라 생성되는 운동 이력(history) 정보 및 상기 회원들의 운동 목적 정보 중 적어도 하나를 포함하고,
상기 제2 고객 관리 정보는, 상기 회원들이 결제한 유료 피트니스 서비스 및 유료 피트니스용 상품 내역 정보 중 적어도 하나를 포함하며,
상기 학습이 완료된 모델은, 학습용 입력 데이터에 상기 획득된 제1 고객 관리 정보를 포함시키고 학습용 정답 데이터에는 상기 획득된 제2 고객 관리 정보를 포함시켜 학습된 것이고,
상기 학습이 완료된 모델은, 상기 매출 관리용 전략을 기초로 매출 상승 요인 또는 매출 하락 요인이 분석된 분석 결과를 출력하는 것이고,
상기 매출 관리용 전략을 제공하는 단계는,
상기 복수의 피트니스 센터 중 상기 소정의 피트니스 센터와 기 설정된 유사도를 갖는 피트니스 센터를 상기 제1 고객 관리 정보를 이용하여 선별하고, 상기 소정의 피트니스 센터와 상기 선별된 피트니스 센터 간 매출 및 매출 발생 요인을 비교하고, 상기 비교 결과에 따라 상기 매출이 상이한 원인을 상기 매출 발생 요인에 기초하여 규명하고, 상기 규명된 매출 발생 요인을 기초로 상기 매출 관리용 전략을 제공하는
피트니스 센터에 대한 매출 관리 전략 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230041642A KR102624176B1 (ko) | 2023-03-30 | 2023-03-30 | 피트니스 센터에 대한 매출 관리 전략 제공 서버 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230041642A KR102624176B1 (ko) | 2023-03-30 | 2023-03-30 | 피트니스 센터에 대한 매출 관리 전략 제공 서버 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102624176B1 true KR102624176B1 (ko) | 2024-01-11 |
Family
ID=89533538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230041642A KR102624176B1 (ko) | 2023-03-30 | 2023-03-30 | 피트니스 센터에 대한 매출 관리 전략 제공 서버 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102624176B1 (ko) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190014633A (ko) * | 2017-08-03 | 2019-02-13 | 김진길 | Ems 트레이닝 장치 및 시스템 |
| KR101947006B1 (ko) * | 2018-04-04 | 2019-02-14 | 주식회사 프라비라운지 | 체육시설 수익률 분석 시스템 및 이를 이용한 체육시설 사업지 선정 방법 |
| KR20190138329A (ko) * | 2018-06-05 | 2019-12-13 | 김정락 | 커뮤니티 센터를 위한 오픈 준비 서비스를 제공하는 방법 및 장치 그리고 이러한 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
| KR20200023222A (ko) * | 2018-08-24 | 2020-03-04 | 이윤섭 | 휘트니스 회원 관리 및 경영 마케팅을 위한 통합 운영 시스템 및 어플리케이션 |
| KR102192542B1 (ko) * | 2019-06-27 | 2020-12-17 | 이백희 | 피트니스 센터의 운영자 및 이용자를 위한 통합 관리 시스템 |
| KR20210087165A (ko) | 2020-01-02 | 2021-07-12 | 주식회사 에이팀바디싸이언스 | 피트니스프로그램을 이용하는 모바일 피트니스 관리 시스템 및 방법 |
| KR102296037B1 (ko) * | 2020-03-17 | 2021-09-01 | 주식회사 건강나눔 | 스포츠시설 회원 및 에너지 통합 관리시스템 |
| KR20210132330A (ko) * | 2020-04-27 | 2021-11-04 | 서지훈 | 피트니스프로그램 제공을 위한 관리 시스템 |
| KR20220012673A (ko) * | 2020-07-23 | 2022-02-04 | 삼성카드 주식회사 | 프로모션 대상 선별 방법 및 그 장치 |
| KR102356824B1 (ko) * | 2021-03-18 | 2022-02-08 | 주식회사 서플라이스 | 피트니스 센터 회원 정보를 관리하는 전자 장치 및 피트니스 센터 회원 정보 관리 방법 |
| KR20220062935A (ko) * | 2020-11-09 | 2022-05-17 | 소재완 | Ai를 기반으로 하는 헬스케어 식품 온라인 마케팅 분석 시스템 |
| KR20220074133A (ko) * | 2020-11-27 | 2022-06-03 | (주)인프라큐브 | 시설 관리 서비스 제공 방법 및 장치 |
-
2023
- 2023-03-30 KR KR1020230041642A patent/KR102624176B1/ko active IP Right Grant
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190014633A (ko) * | 2017-08-03 | 2019-02-13 | 김진길 | Ems 트레이닝 장치 및 시스템 |
| KR101947006B1 (ko) * | 2018-04-04 | 2019-02-14 | 주식회사 프라비라운지 | 체육시설 수익률 분석 시스템 및 이를 이용한 체육시설 사업지 선정 방법 |
| KR20190138329A (ko) * | 2018-06-05 | 2019-12-13 | 김정락 | 커뮤니티 센터를 위한 오픈 준비 서비스를 제공하는 방법 및 장치 그리고 이러한 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
| KR20200023222A (ko) * | 2018-08-24 | 2020-03-04 | 이윤섭 | 휘트니스 회원 관리 및 경영 마케팅을 위한 통합 운영 시스템 및 어플리케이션 |
| KR102192542B1 (ko) * | 2019-06-27 | 2020-12-17 | 이백희 | 피트니스 센터의 운영자 및 이용자를 위한 통합 관리 시스템 |
| KR20210087165A (ko) | 2020-01-02 | 2021-07-12 | 주식회사 에이팀바디싸이언스 | 피트니스프로그램을 이용하는 모바일 피트니스 관리 시스템 및 방법 |
| KR102296037B1 (ko) * | 2020-03-17 | 2021-09-01 | 주식회사 건강나눔 | 스포츠시설 회원 및 에너지 통합 관리시스템 |
| KR20210132330A (ko) * | 2020-04-27 | 2021-11-04 | 서지훈 | 피트니스프로그램 제공을 위한 관리 시스템 |
| KR20220012673A (ko) * | 2020-07-23 | 2022-02-04 | 삼성카드 주식회사 | 프로모션 대상 선별 방법 및 그 장치 |
| KR20220062935A (ko) * | 2020-11-09 | 2022-05-17 | 소재완 | Ai를 기반으로 하는 헬스케어 식품 온라인 마케팅 분석 시스템 |
| KR20220074133A (ko) * | 2020-11-27 | 2022-06-03 | (주)인프라큐브 | 시설 관리 서비스 제공 방법 및 장치 |
| KR102356824B1 (ko) * | 2021-03-18 | 2022-02-08 | 주식회사 서플라이스 | 피트니스 센터 회원 정보를 관리하는 전자 장치 및 피트니스 센터 회원 정보 관리 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200327449A1 (en) | User retention platform | |
| US20180330281A1 (en) | Method and system for developing predictions from disparate data sources using intelligent processing | |
| Cigno | The economics of child labor | |
| Widiputra et al. | Multivariate CNN‐LSTM Model for Multiple Parallel Financial Time‐Series Prediction | |
| CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
| CN110427560A (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
| CN108665311A (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
| CN106897911A (zh) | 一种基于用户和物品的自适应个性化推荐方法 | |
| CN107730386A (zh) | 投资组合产品的生成方法、装置、存储介质和计算机设备 | |
| US20220012763A1 (en) | Personality trait-based customer behavior prediction | |
| Xu et al. | Entrepreneurial learning and disincentives in crowdfunding markets | |
| CN108446944A (zh) | 一种常驻城市的确定方法、装置及电子设备 | |
| JP7003880B2 (ja) | 予測装置、方法およびプログラム | |
| CN108647827B (zh) | 商户排队时长的预测方法、装置、电子设备及存储介质 | |
| CN102165442A (zh) | 对用于市场份额预测的选择预测系统进行定标 | |
| CN113781139A (zh) | 物品推荐方法、物品推荐装置、设备和介质 | |
| CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
| KR102624176B1 (ko) | 피트니스 센터에 대한 매출 관리 전략 제공 서버 및 방법 | |
| KR102604403B1 (ko) | 피트니스 센터 광고 전략 제공 서버 및 방법 | |
| US10997500B1 (en) | Neural network with re-ranking using engagement metrics | |
| KR102485355B1 (ko) | 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| Huang et al. | A novel stock trading utilizing long short term memory prediction and evolutionary operating-weights strategy | |
| CN115525831A (zh) | 推荐模型训练方法、推荐方法、装置及计算机可读存储介质 | |
| Bernat et al. | Modelling customer lifetime value in a continuous, non-contractual time setting | |
| CN108520380A (zh) | 一种基于改进的bp神经网络的库存预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |