KR102633435B1 - Ai 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템 - Google Patents
Ai 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR102633435B1 KR102633435B1 KR1020230139236A KR20230139236A KR102633435B1 KR 102633435 B1 KR102633435 B1 KR 102633435B1 KR 1020230139236 A KR1020230139236 A KR 1020230139236A KR 20230139236 A KR20230139236 A KR 20230139236A KR 102633435 B1 KR102633435 B1 KR 102633435B1
- Authority
- KR
- South Korea
- Prior art keywords
- customers
- specified level
- processor
- kiosk
- zone
- Prior art date
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title abstract description 39
- 238000007667 floating Methods 0.000 claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 abstract description 18
- 230000003542 behavioural effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 22
- 238000010801 machine learning Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000008685 targeting Effects 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 241000287828 Gallus gallus Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 235000013550 pizza Nutrition 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 235000013361 beverage Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001755 vocal effect Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/20—Point-of-sale [POS] network systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/40—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for devices for accepting orders, advertisements, or the like
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 문서는 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용 방법을 추천하는 방법 및 시스템에 관한 것이다. 방문객의 카운팅, 대기열 관리, 인구통계학적 분석 및 구역 분석을 통합적으로 수행하여, 최적의 상점 레이아웃, 이벤트 공간, 프로모션 지역 등을 추천한다. 이러한 분석을 통해 상점 운영자나 이벤트 주최측은 방문객의 행동 패턴과 선호도에 따라 최적화된 공간 배치와 활용 전략을 제안받을 수 있다. 이 솔루션은 특히 프랜차이즈나 대형 상점에서의 매장 내 레이아웃 최적화, 이벤트 공간 설정, 새로운 지점의 위치 선정 등에 큰 도움을 제공한다.
Description
본 문서는 오프라인 상점 데이터 및 AI 딥러닝 알고리즘을 이용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템에 관한 것이다. 구체적으로는 딥러닝 기반 AI 예측 알고리즘을 사용하여 방문고객의 특성, 매출 정보, 상품정보, 주문정보 등을 분석하고, 이를 통해 프랜차이즈의 운영에 도움이 될 만한 효율적인 공간 활용을 추천하는 방법 및 시스템에 관한 것이다.
프랜차이즈 주체(Franchisor)가 프랜차이즈 대상(Franchisee)에게 자신의 브랜드 이름, 로고, 사업 운영 방식(지적 재산의 종합적인 활용), 서비스 마크, 엠블럼 등의 비즈니스 구조 및 관련 지식재산권의 사용과 기본 원료, 유통 경로, 인력 관리 및 영업 활동에 대한 전문 지식을 제공하는 사업 모델을 프랜차이즈 체인 사업(가맹점 사업)이라 부른다. 이런 형태의 사업 모델에서는 프랜차이즈가 다양한 영업 지원과 계약 조건에 따른 경영 개입을 하며, 이러한 지원을 위해 경제적 보상을 분배하는 거래 관계를 맺는다. 프랜차이즈 체인 사업은 커피숍, 식당, 음식 서비스 등 다양한 식음료 판매·유통점부터 오프라인 및 온라인 소매점, 서비스 중심 유통사들, 시설 기반 서비스(게임룸, 놀이 공간, 노래방 , 박물관 , 도서관 , 공유 작업 공간 , 피트니스 클럽 , 스포츠 시설 및 교육 서비스 포함 학원 등)까지 넓은 범위를 포함한다.
최근에는 영상 카메라의 영상 신호 분석이나 무선 신호 분석을 통해 사용자의 신원이나 인원을 파악하는 기술이 발전하고 있어, 치안과 보안 등 다양한 분야에서 이를 활용하고 있다. 또한, 대규모 데이터 분석 및 예측 기술 등 빅 데이터 기술의 진보로 인해 제조업, 서비스업, 유통업, 공공 부문 등 모든 산업분야에서 활용되고 있다.
매장이나 상점 같은 실내 공간에서는 다양한 유동인구가 발생한다. 그러나 이러한 유동인구의 수와 이동 경로는 실내 구조와 각종 물품의 배치 상태에 따라 달라질 수 있으며, 실내 환경 상태 역시 유동인구의 수와 이동 경로에 큰 영향을 미친다. 따라서 실내 환경과 구조 및 물품 배치를 관리하고 조정하기 위해서는 해당 요소들이 어떻게 유동인구의 수와 이동 경로에 영향을 주는지 파악할 필요가 있다. 그리고 이렇게 파악된 변화 패턴을 알고리즘으로 정립하여 실내 구조 및 물품 배치 변화가 어떻게 유동인구의 수와 이동 경로를 바꿀지 예측할 필요가 있다.
대한민국 등록특허공보 제10-1551374호를 포함한 기존 선행 문헌들은, 실내 환경 상태를 기반으로 유동인구 수와 유동 방향 등을 분석하기 위한 기술을 개시하지 못하는 한계가 있다.
종래에는 실내 환경 상태만을 실시간으로 감지해서 통지하는 단순 공조시설과 채광시설과 습도 조절 시 설과 인체감지 시설 등만이 독립하게 구축되었을 뿐, 실내 환경 상태를 기반으로 유동인구 수와 유동 방향 등을 분석하기 위한 기술은 전혀 개시되지 않은 한계가 있다. 그러므로 실내 구조와 물품의 배치 상태 등에 따른 유동인구 수와 유동 방향 등의 변화를 감지하고, 이에 기반하여 효율적인 공간 추천을 제공하는 방법이 필요할 수 있다.
본 문서에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템은 문객의 카운팅, 대기열 관리, 인구통계학적 분석 및 구역 분석을 통합적으로 수행하여, 최적의 상점 레이아웃, 이벤트 공간 및 프로모션 지역을 추천하려는 목적을 갖는다.
AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 시스템은 프로세서 및 메모리를 포함할 수 있다. 프로세서는 센서, 키오스크, POS(point of sales)기기 또는 테이블 테블릿(table tablet) 중 적어도 하나를 포함하는 전자 장치로부터 수집된 방문 고객의 데이터를 수신하고, 인공지능 학습모델 상으로 입력하며, 테이블 테블릿으로부터 매장 내 특정 테이블에 앉은 고객의 수에 대한 데이터를 수신하고, 센서를 이용하여 매장 내 특정 테이블이 고객에 의해 점유되는 시간 및 점유되지 않은 채 비어있는 시간에 대한 정보를 수신하고, 인공지능 학습모델 상으로 입력하며, 인공지능 학습모델을 이용하여 지정된 공간 내에서 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 제 1 구역과 유동 인구에 의해 점유되는 시간이 지정된 수준 미만인 제 2 구역을 구분하고, 제 1 구역 및 제 2 구역에 대한 공간 활용을 추천하는 가이드를 사용자 단말 상으로 제공하며, 인공지능 학습모델을 이용하여 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준을 초과하는 제 1 테이블을 결정하고, 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준을 초과하는 상기 제 1 테이블은 배치된 위치가 고객의 만족도가 높거나 편리한 자리인 것으로 결정하고, 제 1 테이블 상에는 적어도 4명 이상의 고객들이 앉을 수 있도록 안내하라는 가이드를 제공하고, 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준 미만인 제 2 테이블을 결정하며, 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준 미만인 상기 제 2 테이블은 배치된 위치가 고객의 만족도가 낮거나 편리하지 않은 자리인 것으로 결정하고 제 2 테이블 상에는 1명 또는 2명이 방문한 고객들이 앉을 수 있도록 작은 크기의 테이블을 배치하고, 다른 테이블들이 모두 고객들에 의해 점유된 상태일 때 상기 제 2 테이블에 고객이 앉을 수 있도록 안내하라는 가이드를 제공할 수 있다.
본 문서에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템은 문객의 카운팅, 대기열 관리, 인구통계학적 분석 및 구역 분석을 통합적으로 수행하여, 최적의 상점 레이아웃, 이벤트 공간 및 프로모션 지역을 추천할 수 있다.
본 문서에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템은 특히 프랜차이즈나 대형 상점에서의 매장 내 레이아웃 최적화, 이벤트 공간 설정, 새로운 지점의 위치 선정 등에 큰 도움을 제공할 수 있다.
도 1은 일 실시예에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 시스템의 구성을 블록도로 나타낸 것이다.
도 2a 및 도 2b는 일 실시예에 따른 전자 장치의 모습을 도시한 것이다.
도 3은 일 실시예에 따른 시스템의 카메라 센서 상에서 고객의 얼굴을 인식하는 실시예를 도시한 것이다.
도 4는 일 실시예에 따른 시스템의 카메라 센서 상에서 고객의 얼굴을 인식하고 고객 정보를 표시하는 과정을 도시한 것이다.
도 5a 및 도 5b는 일 실시예에 따른 복수의 전자 장치들을 이용하여 특정 구역(zone) 내에서 복수의 고객들의 움직임을 감지하는 상황을 나타낸 것이다.
도 6은 일실시예에 따른 인공지능 기반 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 시스템을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법의 순서도를 나타낸 것이다.
도 2a 및 도 2b는 일 실시예에 따른 전자 장치의 모습을 도시한 것이다.
도 3은 일 실시예에 따른 시스템의 카메라 센서 상에서 고객의 얼굴을 인식하는 실시예를 도시한 것이다.
도 4는 일 실시예에 따른 시스템의 카메라 센서 상에서 고객의 얼굴을 인식하고 고객 정보를 표시하는 과정을 도시한 것이다.
도 5a 및 도 5b는 일 실시예에 따른 복수의 전자 장치들을 이용하여 특정 구역(zone) 내에서 복수의 고객들의 움직임을 감지하는 상황을 나타낸 것이다.
도 6은 일실시예에 따른 인공지능 기반 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 시스템을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법의 순서도를 나타낸 것이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일 실시예에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 시스템의 구성을 블록도로 나타낸 것이다.
일 실시예에 따르면, 시스템(100)은 프로세서(110)와 메모리(120)를 포함할한다. 특정 구현 예에 따른 시스템(100)은 서버 또는 단말기일 수 있다. 메모리(120)는 앞서 언급한 방법과 관련된 정보를 보관하거나 해당 방법이 구현된 프로그램을 보관할 수 있다. 메모리(120)는 휘발성 또는 비휘발성 메모리일 수 있다.
앞서 서술한 구현 예들은 하드웨어 요소, 소프트웨어 요소, 또는 하드웨어와 소프트웨어의 조합으로 실현될 수 있다. 예시로, 이러한 구현 예들에서 설명된 장치, 방법 및 컴포넌트들은 일반적인 컴퓨터나 특수 목적 컴퓨터를 활용하여 실현될 수 있으며, 이러한 컴퓨터에 사용되는 요소로 프로세서, 컨트롤러, 산술논리연산장치(ALU), 디지털 신호처리기(DSP), 마이크로컴퓨터, 필드 프로그래머블 게이트 배열(FPGA), 프로그래무블 로직 유닛(PLU), 마이크로 프로세서 등과 같은 명령(instruction)을 실행하고 반응하는 다른 어떤 종류의 기기도 가능하다.
프로세서(110)가 운영체제(OS)와 그 위에서 실행되는 하나 이상의 소프트웨어 응용 프로그램을 실행할 수 있으며 추가적으로 소프트웨어의 실행에 반응하여 데이터 접근, 저장, 수정 및 생성도 가능하다. 이해하기 쉽게 말해서 처리장치가 달리 명시되지 않은 경우에도 복수의 처리 요소 또는 다양한 유형의 처리 요소를 포함할 수 있다는 것을 해당 분야 전문가들은 알 수 있다. 예를 들어, 프로세서(110)는 여러 개의 프로세서나 한 개의 프로세서와 한 개의 컨트롤러를 포함할 수 있으며, 병렬 프로세서 등 다른 처리 구성도 포함할 수 있다.
소프트웨어는 컴퓨터 프로그램, 코딩, 명령어 등을 포함하거나 이들의 결합을 통해 프로세서(110)를 원하는 방식으로 작동시키거나 개별적 또는 집합적으로 처리 장치에 지시할 수 있다. 소프트웨어와/또는 데이터는 처리 장치에 의해 해석되거나 해당 장치에 명령이나 데이터를 제공하기 위해 다양한 유형의 기계, 구성 요소, 실제 장비, 가상 기기, 컴퓨터 저장 매체 또는 장치 혹은 전송 신호파에 일시적이거나 영구적으로 표현될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템에서 분산되어 저장되거나 실행될 수 있다. 소프트웨어와 데이터는 하나 이상의 컴퓨터 판독 가능한 저장 매체에 보관될 수 있다.
앞서 설명된 구현 예들은 제한된 도면으로 설명되었지만, 해당 분야 전문가라면 앞서 언급된 내용을 바탕으로 다양한 기술 수정 및 변형을 적용할 수 있음을 알고 있을 것이다. 예를 들면, 서술된 기술들이 다른 순서로 실행되거나 묘사된 시스템, 구조, 장비, 회로 등의 요소가 다른 형태로 결합하거나 조립되더라도 적절한 결과를 달성하는 것이 가능하다. 더불어 그러한 요소들은 다른 구성요소 혹은 동등한 항목으로 대체 또는 치환될 수도 있다.
일 실시예에 따르면, 프로세서(110)가 전자 장치 상에서 구현할 수 있는 연산 및 데이터 처리 기능에는 한정됨이 없을 것이나, 이하에서는 프랜차이즈의 마케팅을 기획하는 기능에 대해 설명될 것이다.
일 실시예에 따르면, 프로세서(110)는 센서, 키오스크, POS(point of sales)기기 또는 테이블 테블릿(table tablet) 중 적어도 하나를 포함하는 전자 장치로부터 수집된 방문 고객의 데이터를 수신하고, 인공지능 학습모델 상으로 입력할 수 있다. 프로세서(110)는 인공지능 학습모델을 이용하여 지정된 공간 내에서 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 제 1 구역과 유동 인구에 의해 점유되는 시간이 지정된 수준 미만인 제 2 구역을 구분하고, 제 1 구역 및 제 2 구역에 대한 공간 활용을 추천하는 가이드를 사용자 단말 상으로 제공할 수 있다.
일 실시예에 따르면, 프로세서(110)는 센서를 이용하여 상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선을 확인하고, 키오스크가 아닌 점원에게 주문하기 위해 대기하는 고객들의 이동 동선을 확인하며, 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선과 점원에게 주문하기 위해 대기하는 고객들의 이동 동선이 겹쳐지는 면적이 지정된 수준을 초과하는 경우 상기 키오스크의 위치를 상기 점원으로부터 더 먼 지역으로 이동시킬 것을 추천할 수 있다.
일 실시예에 따르면, 프로세서(110)는 주문이 가장 많이 들어오는 시간대에 대한 정보와 주문량에 대한 정보에 기반하여 창업 시 필요한 인원에 대한 가이드를 제공하고, 제 1 영역(zone) 내에서 가장 많이 팔리는 제품의 종류 및 업종에 대한 정보에 기반하여 창업 시 추천 업종 및 추천 제품에 대한 가이드를 제공할 수 있다. 제 1 영역은 하나의 전자 장치(예: 키오스크)를 기준으로 지정된 거리 이내의 영역을 포함할 수 있다.
일 실시예에 따르면, 프로세서(110)는 지정된 시간(예: 10분) 동안 다른 전자 장치(예: 키오스크) 주변을 지나는 사람들의 수가 지정된 수준(예: 100명)을 초과하는 경우 다른 전자 장치로부터 반경 5km 이내의 영역(zone)을 제 2 영역으로 결정할 수 있다. 반경 5km는 일 예시일 뿐 제 2 영역의 범주는 설정에 따라 달라질 수 있다.
프로세서(110)는 제 2 영역 내에 위치한 다른 전자 장치들을 이용하여 상기 제 2 영역(zone) 내에서 주문을 하는 사람들의 성별 및 나이에 대한 정보, 상기 제 2 영역(zone) 내에서 가장 많이 팔리는 제품의 종류 및 업종에 대한 정보, 주문이 가장 많이 들어오는 시간대에 대한 정보 및 주문량에 대한 정보를 획득할 수 있다.
프로세서(110)는 창업 시 목표로 하는 고객들의 성별 및 나이에 대한 정보에 기반하여 제 1 영역 및 제 2 영역의 정보를 선별할 수 있다. 프로세서(110)는 제 1 영역 내에서 가장 많이 팔리는 제품 및 업종과 제 2 영역 내에서 가장 많이 팔리는 제품 및 업종을 비교하고, 비교 결과에 기반하여 창업 시 추천 업종 및 추천 제품에 대한 가이드를 제공할 수 있다.
일 실시예에 따르면, 프로세서(110)는 제 2 영역 내에서 가장 많이 팔리는 업종에 대해 제 1 영역 내에서는 제 2 영역 내에서 가장 많이 팔리는 업종에 대응하는 전자 장치가 존재하지 않음에 기반하여 해당하는 업종을 선택하여 창업할 것을 추천할 수 있다.
일 실시예에 따르면, 프로세서(110)는 제 2 영역 내에서 가장 많이 팔리는 업종에 대해 제 1 영역 내에서는 제 2 영역 내에서 가장 많이 팔리는 업종에 대응하는 전자 장치의 수가 지정된 개수(예: 3개) 미만임에 기반하여 해당하는 업종을 선택하여 창업할 것을 추천할 수 있다. 지정된 개수(예: 3개)는 일 예시일 뿐 창업할 것을 추천하기 위한 전자 장치의 개수는 설정에 따라 달라질 수 있다.
프로세서(110)는 제 2 영역 내에서 가장 많이 팔리는 업종에 대해 상기 제 1 영역 내에서는 제 2 영역 내에서 가장 많이 팔리는 업종에 대응하는 전자 장치의 수가 지정된 개수(예: 10개)를 초과함에 기반하여 해당하는 업종으로 창업할 것을 추천하지 않을 수 있다.
도 2a 및 도 2b는 일 실시예에 따른 전자 장치의 모습을 도시한 것이다.
시스템(예: 도 1의 시스템)은 전자 장치를 포함할 수 있다. 시스템(100)은 전자 장치로부터 수집된 방문 고객의 데이터를 수신할 수 있다.
전자 장치는 예를 들어, 센서, 키오스크, POS(point of sales) 기기 또는 테이블 테블릿(table tablet) 중 적어도 하나를 포함할 수 있다.
전자 장치는 디스플레이(210) 상의 입력에 기반하여 고객이 선택한 메뉴의 종류 및 수량을 결정하고 서버 상으로 정보를 전송할 수 있다. 서버 관리자는 수신된 정보를 이용하여 고객의 주문 내역을 확인하고 주문 내역에 맞게 서비스를 제공할 수 있다.
전자 장치는 카메라(220)를 이용하여 고객의 모습을 촬영하고 고객의 개인 정보(예: 성별, 나이대, 신장)를 결정할 수 있다. 전자 장치는 카메라(220)를 계속 작동시켜 고객들의 움직임을 감지할 수도 있고, 또는 디스플레이(210) 상에 고객 입력이 감지됨에 기반하여 그 때부터 카메라(220)를 작동시킬 수도 있다.
일 실시예에 따르면, 프로세서(예: 도 1의 프로세서(110))는 디스플레이(210) 상에 고객 입력이 감지됨에 기반하여 카메라(220)를 이용하여 고객의 모습을 촬영하고, 촬영된 고객의 모습을 분석하여 고객의 얼굴, 키, 어깨 골격, 머리카락의 길이에 대한 정보를 획득하고, 고객의 얼굴, 키, 어깨 골격, 머리카락의 길이에 대한 정보에 기반하여 고객의 성별 및 나이대를 결정하고, 고객와 성별 및 나이대가 같은 다른 고객들의 제품 구매량 및 사용 후기 점수에 기반하여 고객에게 적합한 제품의 목록을 결정하고 디스플레이(210) 상에 표시할 수 있다.
시스템(100)은 카메라(220)외에 거리 측정 센서를 더 포함할 수 있다. 시스템(100)은 거리 측정 센서를 이용하여 전자 장치로부터 지정된 수준 이내로 접근한 고객에 대해 카메라(220)를 이용하여 촬영 또는 인식을 시작할 수 있다. 또는 시스템(100)은 디스플레이(210) 상에 입력이 감지됨에 기반하여 카메라(220)를 이용하여 촬영 또는 인식을 시작할 수 있다.
도 2b에서, 전자 장치는 예를 들어 POS(point of sales) 기기를 포함할 수 있다. 전자 장치는 카메라(250)를 포함할 수 있다. 전자 장치는 고객에게 디스플레이(240)를 표시하고, 245 방향으로 고객을 촬영할 수 있다. 전자 장치는 디스플레이(240) 상의 입력에 기반하여 고객의 주문 정보를 획득할 수 있다. 전자 장치는 카메라(250)로 촬영된 고객의 모습으로부터 고객의 성별 및 나이대를 포함하는 고객 정보를 획득할 수 있다.
도 3은 일 실시예에 따른 시스템의 카메라 상에서 고객의 얼굴을 인식하는 실시예를 도시한 것이다.
도 3에서 전자 장치는 디스플레이(310) 및 카메라(320)를 포함할 수 있다. 전자 장치는 카메라(320)를 이용하여 고객의 얼굴 및 신체 부분을 인식할 수 있다.
도 3의 그림 330은 고객의 얼굴을 인식하고 인식된 정보에 기반하여 고객의 개인 정보(예: 성별, 나이대, 신장)를 추론하는 상황을 도시한 것이다.
일 실시예에 따르면, 프로세서(예: 도 1의 프로세서(110))는 고객의 얼굴, 키, 어깨 골격, 머리카락의 길이에 대한 정보에 기반하여 고객의 나이대를 결정하고, 결정된 고객의 나이대와 동일한 나이대를 가진 다른 고객들의 제품 구매 기록을 수신할 수 있다.
프로세서(110)는 외부 서버로부터 동일한 나이대를 가진 다른 고객들의 제품 구매 기록을 수신할 수 있다. 외부 서버는 시스템(100)과 동일한 종류의 상품을 판매하는 다른 업체들의 키오스크 및 POS 기기에 대한 정보를 포함할 수 있다. 예를 들어, 시스템(100)이 음식료 업에 대한 카페에서 사용되는 경우 외부 서버는 다른 카페들에서 사용되는 복수의 키오스크들 및 POS 기기들로부터 고객 주문에 대한 정보를 획득할 수 있다.
예를 들어, 프로세서(110)는 카메라(320)를 이용하여 고객이 30대 남성인 것으로 인식한 경우, 외부 서버로부터 30대 남성에 대응하는 카페 주문 기록들을 수신할 수 있다. 시스템(100)은 수신된 정보에 기반하여 30대 남성에게 추천할 수 있는 제품들의 리스트를 결정하고, 디스플레이(310) 상에 표시할 수 있다.
카페, 30대, 남성은 일 예시일 뿐 업종과 고객의 성별 및 나이대는 설정에 따라 달라질 수 있다. 외부 서버는 같은 프랜차이즈 업체의 키오스크들 및 POS 기기들인 경우, 같은 업종에 대한 정보를 제공하는 것으로 결정할 수 있다.
프로세서(110)는 현재를 기준으로 지정된 기간(예: 3개월)동안 다른 고객들의 누적 구매량이 많은 순서대로 추천 제품으로 표시하고, 과거 특정 기간의 누적 구매량과 비교하여 현재를 기준으로 지정된 기간 동안의 누적 구매량이 제 1 수준(예: 50%)을 초과하여 증가한 제품은 인기 급상승 제품으로 표시할 수 있다.
현재를 기준으로 지정된 기간 동안 다른 고객들의 누적 구매량은 예를 들어, 현 시점을 기준으로 과거 3개월 동안의 누적 구매량을 의미할 수도 있고, 현 시점을 기준으로 과거 1개월 동안의 누적 구매량을 의미할 수도 있다. 과거 특정 기간의 누적 구매량은 예를 들어, 3개월 전 시점을 기준으로 6개월 전까지의 누적 구매량을 의미할 수도 있고, 3개월 전 시점을 기준으로 4개월 전까지의 누적 구매량을 의미할 수도 있다. 기준이 되는 현재 판매량 및 비교 대상이 되는 이전 판매량은 기간 설정에 따라 달라질 수 있다. 지정된 기간(예: 3개월) 및 지정된 수준(예: 50%)은 일 예시일 뿐 설정에 따라 달라질 수 있다.
도 4는 일 실시예에 따른 시스템의 카메라 상에서 고객의 얼굴을 인식하고 고객 정보를 표시하는 과정을 도시한 것이다.
도 4에서, 시스템(예: 도 1의 시스템(100))은 카메라(예: 도 2의 카메라(220))를 이용하여 고객의 얼굴 및 신체 부위(예: 상체, 어깨)를 인식할 수 있다. 또는 시스템(100)은 적어도 하나의 센서로부터 수신한 정보에 기반하여 지정된 구역(zone)내에 위치한 사람의 수 및 유동 인구에 대한 정보를 결정할 수 있다.
도 4에서 시스템(100)은 카메라(220)를 이용하여 고객의 얼굴(410) 및 신체 부위를 인식할 수 있다. 카메라는 예를 들어, 비전 카메라 또는 열적외선 카메라를 포함할 수 있다. 시스템(100)은 주문을 입력하고 있는 고객 외에 뒤에서 지나가는 다른 고객들도 감지할 수 있다. 시스템(100)은 고객과의 거리에 기반하여 현재 시스템(100) 상으로 주문을 입력하고 있는 고객인지 아니면 지나가는 사람인지 구별할 수 있다. 또는 시스템(100)은 신체 크기에 기반하여 현재 시스템(100) 상으로 주문을 입력하고 있는 고객인지 아니면 지나가는 사람인지 구별할 수 있다.
고객이 키오스크 상에서 주문을 하는 경우 고객 입력을 위해 지정된 거리 이내로 접근할 수 있다. 고객이 키오스크를 기준으로 지정된 거리 이내로 접근하는 경우 고객의 신체 크기는 적어도 어느 수준 이상으로 측정될 수 있다. 반면, 멀리서 지나가는 사람의 경우 키오스크 상의 카메라에서 사람의 신체 크기를 측정할 수 있으나 거리가 멀어서 상대적으로 작게 측정될 수 있다. 프로세서(110)는 신체 크기가 특정 수준보다 작게 측정되는 경우 고객과의 거리를 측정하지 않고서도 지나가는 사람인 것으로 결정할 수 있다.
도 4의 그림 420은 시스템(100) 상에서 카메라(220)를 이용하여 고객의 개인 정보를 추론하고 표시하는 상황을 나타낸 것이다. 예를 들어, 시스템(100)은 고객의 성별이 여성(female)이며, 나이는 27세인 것으로 결정하고 디스플레이(예: 도 3의 디스플레이(310)) 상에 표시할 수 있다.
도 5a 및 도 5b는 일 실시예에 따른 복수의 센서들을 이용하여 특정 구역(zone) 내에서 복수의 고객들의 움직임을 감지하는 상황을 나타낸 것이다.
시스템(예: 도 1의 시스템(100))은 통신 회로를 이용하여 복수의 센서들에서 측정된 정보를 수신할 수 있다.
일 실시예에 따르면, 시스템(100)상의 프로세서(예: 도 1의 프로세서(110))는 복수의 전자 장치들(500) 상에 포함된 카메라를 이용하여 고객의 모습을 촬영하고, 촬영된 고객의 모습을 분석하여 고객의 얼굴, 키, 어깨 골격, 머리카락의 길이에 대한 정보를 획득하고, 고객의 얼굴, 키, 어깨 골격, 머리카락의 길이에 대한 정보에 기반하여 고객의 성별 및 나이대를 결정하고, 결정된 고객의 성별 및 나이대에 대한 정보와 고객의 주문 내역에 대한 정보를 서버 상으로 실시간으로 업데이트할 수 있다.
일 실시예에 따르면, 복수의 센서들은 업소 내의 천장이나 또는 일부분에 부착되어 특정 영역(zone)(510)에 위치한 사람의 수 또는 지나다니는 유동 인구의 수를 결정하는데 사용될 수 있다.
일 실시예에 따르면, 프로세서(110)는 업소 내에 설치된 복수의 센서들을 이용하여 특정 영역(zone)(510)에 위치한 사람의 수 또는 지나다니는 유동 인구의 수를 결정할 수 있다. 업소 내에 설치된 카메라는 키오스크나 POS 기기에 설치된 카메라와는 별도로 벽에 설치될 수 있으며, 센서(예: 도 1의 센서(120))와 함께 유동 인구의 수를 결정하는데 사용될 수 있다.
일 실시예에 따르면, 천장 또는 벽에 설치된 복수의 센서들은 상대적으로 높은 장소에서 전체적인 유동 인구를 감지하고, 사람들의 이동 동선, 체류 위치 및 체류 시간에 대한 데이터를 획득할 수 있다.
일 실시예에 따르면, 프로세서(110)는 업종 정보 및 프랜차이즈 정보가 일치하는 다른 키오스크들로부터 제품 판매와 관련된 고객 데이터를 수신하고, 수신된 고객 데이터에 기반하여 고객의 성별 및 나이대 별로 가장 많이 판매되는 제품을 결정할 수 있다. 프로세서(110)는 어느 하나의 키오스크에서 가장 많이 판매된 제품에 대해서 지정된 점수(예: 3점)를 부여하고 어느 하나의 키오스크에서 2번째로 많이 판매된 제품에 대해서는 상대적으로 낮은 점수(예: 1점)을 부여하며, 키오스크 별로 가장 많이 판매된 제품 및 2번째로 많이 판매된 제품에 대해 점수를 부여하고, 종합 점수를 계산할 수 있다. 지정된 점수(예: 3점)는 일 예시일 뿐 설정에 따라 달라질 수 있다. 다만, 가장 많이 판매된 제품에 대해서는 2번째로 많이 판매된 제품보다 상대적으로 높은 점수가 부여될 수 있다.
일 실시예에 따르면, 프로세서(110)는 종합 점수가 가장 높은 제품에 대해서는 지역 내 베스트 추천 제품인 것으로 결정하고, 해당하는 지역 내에 위치하는 키오스크들의 데이터베이스 상에 기록된 모든 고객 단말 상으로 지역 내 베스트 추천 제품의 광고 및 할인 쿠폰을 송신할 수 있다. 여기서 지역은 시스템(100)이 위치한 지점을 기준으로 지정된 거리(예: 반경 5km) 내의 지점들을 의미할 수 있다. 지정된 거리(예: 반경 5km)는 일 예시일뿐 설정에 따라 달라질 수 있다.
일 실시예에 따르면, 프로세서(110)는 시스템(100)이 위치한 지점을 기준으로 지정된 거리(예: 반경 5km) 내 키오스크들은 같은 지역 내의 키오스크들인 것으로 분류할 수 있다.
도 5b에서, 프로세서(110)는 지정된 영역 내에서 복수의 센서들에 감지된 사람들의 수 및 사람들의 움직임을 감지할 수 있다.
일 실시예에 따르면, 프로세서(110)는 전자 장치로부터 지정된 거리 이내에서 물체가 감지되거나 및/또는 디스플레이 상에 입력이 감지됨에 기반하여 카메라를 이용하여 고객의 모습을 촬영하고, 촬영된 고객의 모습을 분석하여 성별 및 나이대를 포함하는 고객 정보를 획득하여 서버로 전송하고, 전자 장치에 대한 입력에 기반하여 주문된 메뉴, 주문량 및 매출을 포함하는 주문 정보를 획득하여 서버로 전송하고, 복수의 센서들을 이용하여 전자 장치의 위치로부터 지정된 영역 내의 유동인구의 수를 포함하는 유동인구 정보를 획득하고 서버로 전송할 수 있다.
일 실시예에 따르면, 프로세서(110)는 고객 입력에 기반하여 제 1 지역을 선택하고, 서버를 이용하여 제 1 지역 내에 위치한 복수의 전자 장치들로부터 각각 고객 정보 및 주문 정보를 수신하고, 제 1 지역 내에 위치한 센서(120)로부터 유동인구 정보를 수신할 수 있다.
일 실시예에 따르면, 프로세서(110)는 제 1 지역에 대해 수신된 주문 정보 및 유동인구 정보에 기반하여 유동인구가 지정된 수를 초과하고 및 특정 메뉴에 대한 주문량도 지정된 수준을 초과하는 제 2 지역을 추천할 수 있다.
일 실시예에 따르면, 제 1 지역은 상대적으로 더 큰 지역 단위를 의미하고, 제 2 지역은 제 1 지역 내에 포함되면서 제 1 지역보다는 상대적으로 작은 지역 단위를 의미할 수 있다. 예를 들어, 제 1 지역은 서울특별시, 경기도, 인천광역시와 같은 도나 광역시 단위의 지역을 의미할 수 있다. 제 2 지역은 강남구, 종로구, 서초구 같은 구 단위의 상대적으로 작은 지역을 의미할 수 있다. 제 1 지역 및 제 2 지역은 설정에 따라 달라질 수 있다.
일 실시예에 따르면, 프로세서(110)는 제 2 지역 내에서 유동인구는 지정된 값 미만이면서 매출은 지정된 값을 초과하는 복수의 전자 장치들을 선택하고, 선택된 복수의 전자 장치들이 설치된 업소들의 업종을 확인할 수 있다. 프로세서(110)는 확인된 업종들 내에서 중복되는 업종들을 확인하고 중복되는 수가 많은 순서대로 리스트를 작성하며, 리스트 상에서 지정된 수(예: 3개)의 상위 업종들을 인기 배달업종으로 추천할 수 있다.
특정 지역의 유동인구가 지정된 수준(예: 시간 당 1만명) 미만이면서 매출은 지정된 값(예: 월 100억)을 초과하는 경우 오프라인 상의 인구가 적지만 배달 주문이 활발한 지역으로 판단할 수 있다. 그래서 프로세서(110)는 유동인구는 지정된 값 미만이면서 매출은 지정된 값을 초과하는 복수의 전자 장치들을 기준으로 업종을 확인하고, 인기 배달업종으로 추천할 수 있다. 여기서 예시로 든 숫자들은 설정에 따라 달라질 수 있다.
일 실시예에 따르면, 프로세서(110)는 서버로부터 제 2 지역 내에서 인기 배달업종으로 추천된 상위 업종들에 대한 사업장의 수에 대한 정보를 수신하고, 사업장의 수가 가장 적은 순서대로 창업하기 좋은 업종으로 추천할 수 있다.
일 실시예에 따르면, 프로세서(110)는 사업장의 수가 적은 경우 경쟁자가 적은 것으로 판단하여 창업하기 좋은 것으로 결정할 수 있다.
일 실시예에 따르면, 프로세서(110)는 리스트 상에서 인기 배달업종으로 추천된 업종들(예: 치킨, 피자)에 대해 매출이 가장 많이 발생하는 고객의 성별 및 나이대를 결정하고, 결정된 성별 및 나이대의 고객층의 주문량이 많은 순서대로 업종 리스트를 제공하고, 제공된 업종 리스트 중 지정된 개수의 상위 업종들을 창업하기 좋은 업종으로 추천할 수 있다. 업종들에 대한 매출 정보 및 결정된 성별 및 나이대의 고객층의 주문량에 대한 정보는 서버로부터 수신될 수 있다.
예를 들어, 인기 배달업종으로 추천된 업종들(예: 치킨, 피자)에서 매출이 가장 많이 발생하는 고객의 성별 및 나이대는 20대 남성일 수 있다. 이 경우 20대 남성의 주문량이 가장 많은 순서대로 업종 리스트를 제공하고, 제공된 업종 리스트 중 지정된 개수(예: 상위 3개)의 상위 업종들을 창업하기 좋은 업종으로 추천할 수 있다. 추천된 업종들(예: 치킨, 피자) 및 20대 남성은 일 예시일 뿐 설정에 따라 달라질 수 있다.
일 실시예에 따르면, 프로세서(110)는 서버로부터 제 2 지역 내에서 창업하기 좋은 업종으로 추천된 상위 업종들에 대한 사업장의 수에 대한 정보를 수신하고, 사업장의 수가 가장 적은 순서대로 창업하기 좋은 업종으로 추천할 수 있다. 프로세서(110)는 사업장의 수가 가장 적은 순서대로 경쟁이 적은 것으로 판단하고 창업하기 좋은 업종으로 추천할 수 있다.
도 6은 일실시예에 따른 인공지능 기반 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 시스템을 설명하기 위한 도면이다.
도 6에 도시한 바와 같이, 인공지능 기반 프랜차이즈의 마케팅 전략을 기획하는 시스템(600)은, 다수의 사용자 단말 (610-1,??), 서버(620) 및 데이터베이스(630)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(630)는 서버(620)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(630)가 서버(620)내에 구비될 수도 있다. 예를 들어, 서버(620)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(610-1,??서버(620) 및 데이터베이스(630)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다.
네트워크(N)는, 다수의 사용자 단말(610-1,??, 서버(620), 데이터베이스(630) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크 (N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.
데이터베이스(630)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(630)에 저장되는 데이터는, 다수의 사용자 단말(610-1,??서버(620)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(630)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술을 의미할 수 있다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경 망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행),조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조 의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
일 실시예에 따른 인공지능 모델은 입력 계층(input layer), 은닉 계층(hidden layer) 및 출력 계층(output layer)을 포함할 수 있다.
입력 계층(input layer)은 인공지능 모델에 입력되는 입력 값과 관련된 계층이다.
은닉 계층(hidden layer)에서는 입력 값에 대하여 MAC 연산(multiply-accumulate)과 활성화 연산을 수행하여 피쳐 맵을 출력할 수 있다.
MAC 연산은 입력 값과 대응되는 가중치를 각각 곱하고, 곱한 값들을 합하는 연산일 수 있다.
활성화 연산은 MAC 연산의 결과를 활성화 함수에 입력하여 결과 값을 출력하는 연산일 수 있다. 활성화 함수는, 다양한 유형일 수 있다. 예를 들어, 활성화 함수는, 시그모이드 함수, 탄젠트 함수, 렐루 함수, 리키 렐루 함수, 맥스아웃 함수 및/또는 엘루 함수을 포함할 수 있으나 그 종류에 제한이 없다.
은닉 계층은 적어도 하나의 계층(layer)로 구성될 수 있다. 예를 들어, 은닉 계층이 제 1 은닉 계층 및 제 2 은닉 계층으로 구성된 경우, 제 1 은닉 계층은 입력 계의 입력 값에 기반하여 MAC 연산 및 활성화 연산을 수행하여 피쳐 맵을 출력하고, 제 1 은닉 계층에서의 결과 값인 피쳐 맵이 제 2 은닉 계층에서의 입력 값이 될 수 있다. 제 2 은닉 계층은 제 1 은닉 계층의 결과 값인 피쳐 맵에 기반하여 MAC 연산 및 활성화 연산을 수행할 수 있다.
출력 계층(output layer)은, 은닉 계층에서 수행한 연산의 결과 값과 관련된 계층일 수 있다.
도 7은 일 실시예에 따른 AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법의 순서도를 나타낸 것이다.
도 7의 순서도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행 될 필요는 없다.
또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러 한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스 가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
동작 710에서, 프로세서(예: 도 1의 프로세서(110))는 센서, 키오스크, POS(point of sales)기기 또는 테이블 테블릿(table tablet) 중 적어도 하나를 포함하는 전자 장치로부터 수집된 방문 고객의 데이터를 수신하고, 인공지능 학습모델 상으로 입력할 수 있다.
일 실시예에 따르면, 프로세서(110)는 센서로부터 고객들의 이동 동선 및 유동 인구가 많은 시간대에 대한 데이터를 수신하거나, 키오스크 또는 POS(point of sales)기기로부터 방문 고객의 성별, 나이 및 주문 정보에 대한 데이터를 수신하거나 또는 테이블 테블릿으로부터 매장에 방문한 인원 및 매장 내 특정 테이블에 앉은 고객의 수에 대한 데이터를 수신하며, 수신된 데이터를 상기 인공지능 학습모델 상에 입력으로 제공할 수 있다.
동작 720에서, 프로세서(110)는 인공지능 학습모델을 이용하여 지정된 공간 내에서 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 제 1 구역과 유동 인구에 의해 점유되는 시간이 지정된 수준 미만인 제 2 구역을 구분할 수 있다.
동작 730에서, 프로세서(110)는 제 1 구역 및 제 2 구역에 대한 공간 활용을 추천하는 가이드를 사용자 단말 상으로 제공할 수 있다.
일 실시예에 따르면, 프로세서(110)는 센서를 이용하여 상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선을 확인하고, 키오스크가 아닌 점원에게 주문하기 위해 대기하는 고객들의 이동 동선을 확인하며, 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선과 점원에게 주문하기 위해 대기하는 고객들의 이동 동선이 겹쳐지는 면적이 지정된 수준을 초과하는 경우 상기 키오스크의 위치를 상기 점원으로부터 더 먼 지역으로 이동시킬 것을 추천할 수 있다.
일 실시예에 따르면, 프로세서(110)는 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선과 점원에게 주문하기 위해 대기하는 고객들의 이동 동선이 겹쳐지는 면적이 지정된 수준 미만인 경우 상기 키오스크의 위치를 유지할 것을 추천할 수 있다.
일 실시예에 따르면, 프로세서(110)는 키오스크의 위치를 상기 점원으로부터 더 먼 지역으로 이동시킨 후에도 상기 센서를 이용하여 상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선을 확인하고, 키오스크가 아닌 점원에게 주문하기 위해 대기하는 고객들의 이동 동선을 확인하며, 상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선과 점원에게 주문하기 위해 대기하는 고객들의 이동 동선이 겹쳐지는 면적이 지정된 수준을 초과하는 경우 주문을 받기 위한 키오스크의 수를 증가시킬 것을 추천할 수 있다.
일 실시예에 따르면, 프로세서(110)는 테이블 테블릿으로부터 매장 내 특정 테이블에 앉은 고객의 수에 대한 데이터를 수신하고, 센서를 이용하여 매장 내 특정 테이블이 고객에 의해 점유되는 시간 및 점유되지 않은 채 비어있는 시간에 대한 정보를 수신할 수 있다. 프로세서(110)는 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준을 초과하는 제 1 테이블을 결정하고, 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준을 초과하는 상기 제 1 테이블은 배치된 위치가 고객의 만족도가 높거나 편리한 자리인 것으로 결정하고, 제 1 테이블 상에는 적어도 4명 이상의 고객들이 앉을 수 있도록 안내하라는 가이드를 제공할 수 있다.
즉, 프로세서(110)는 고객이 자주 앉는 테이블과 그렇지 않은 테이블을 구분하여, 자주 앉는 테이블은 뷰(view)가 좋거나 구석이라서 번잡하지 않아 만족도가 높은 것으로 결정하고, 최대한 단체 손님이 앉을 수 있도록 안내할 수 있다.
일 실시예에 따르면, 프로세서(110)는 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준 미만인 제 2 테이블을 결정하며, 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준 미만인 상기 제 2 테이블은 배치된 위치가 고객의 만족도가 낮거나 편리하지 않은 자리인 것으로 결정할 수 있다. 프로세서(110)는 제 2 테이블 상에는 1명 또는 2명이 방문한 고객들이 앉을 수 있도록 작은 크기의 테이블을 배치하고, 다른 테이블들이 모두 고객들에 의해 점유된 상태일 때 상기 제 2 테이블에 고객이 앉을 수 있도록 안내하라는 가이드를 제공할 수 있다.
프로세서(110)는 반대로 사람들이 잘 앉지 않는 테이블을 번잡하거나 뷰가 좋지 않아 만족도가 낮은 것으로 판단하고, 제일 나중에 채우도록 하며, 단체 고객보다는 개인 또는 2인 손님이 앉을 수 있도록 안내하라고 가이드를 제공할 수 있다.
일 실시예에 따르면, 프로세서(110)는 지정된 공간 내에서 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 상기 제 1 구역에 대해 마진이 가장 많이 남는 상품을 배치하거나, 다른 매장에서도 판매량이 지정된 수준을 초과하는 인기 상품을 배치하도록 가이드를 제공하고, 유동 인구에 의해 점유되는 시간이 지정된 수준 미만인 상기 제 2 구역에 대해 창고로 사용하거나 인기 상품을 배치하지 않도록 가이드를 제공할 수 있다.
일 실시예에 따르면, 프로세서(110)는 POS(point of sales)기기로부터 상기 제 1 구역에 배치된 상품의 판매량에 대한 데이터를 수신할 수 있다. 프로세서(110)는 제 1 구역에 배치된 상품의 판매량이 지정된 수준 미만인 경우 상기 제 1 구역에 배치되는 상품을 교체할 것을 추천하는 가이드를 제공하고, 제 1 구역에 배치된 상품의 판매량이 지정된 수준을 초과하는 경우 상기 제 1 구역에 배치되는 상품을 유지할 것을 추천하는 가이드를 제공할 수 있다.
일 실시예에 따르면, 프로세서(110)는 상기 센서로부터 고객들의 이동 동선 및 유동 인구가 많은 시간대에 대한 데이터를 수신하고, 매장 내에서 유동 인구가 지정된 수준을 초과하는 시간대 및 유동 인구가 지정된 수준 미만인 시간대를 결정하고, 매장 내에서 유동 인구가 지정된 수준을 초과하는 시간대에는 점원의 수를 늘리거나 키오스크의 수를 늘리도록 가이드를 제공하고, 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 제 1 구역 상에는 다른 고객 간 접촉이나 충돌이 일어나지 않도록 안내판을 설치하도록 가이드를 제공할 수 있다.
일 실시예에 따르면, 인공지능 학습모델은 테이블 테블릿으로부터 특정 테이블에 앉은 고객의 수에 대한 데이터를 입력 받아 매장에 방문하는 고객 중 혼자서 방문하는 경우, 2인이 함께 방문하는 경우, 3인이 함께 방문하는 경우, 4인이 함께 방문하는 경우 및 5인 이상이 함께 방문하는 경우에 대한 비율을 출력할 수 있다. 프로세서(110)는 인공지능 학습모델로부터 출력된 비율에 기반하여 상품에 대한 마케팅 전략을 제공할 수 있다.
일 실시예에 따르면, 프로세서(110)는 1달 단위, 1주일 단위, 하루 단위 및 1시간 단위로 혼자서 방문하는 경우, 2인이 함께 방문하는 경우, 3인이 함께 방문하는 경우, 4인이 함께 방문하는 경우 및 5인 이상이 함께 방문하는 경우에 대한 비율을 그래프로 표시할 수 있다.
프로세서(110)는 혼자서 방문하는 고객의 비율 및 2인이 함께 방문하는 고객들의 비율의 합이 나머지 유형보다 상대적으로 높은 시간대에는 단체 테이블을 분리하여 2인용 테이블을 상대적으로 많이 배치할 것을 권장하는 가이드를 표시할 수 있다.
프로세서(110)는 3인이 함께 방문하는 고객들의 비율 및 4인이 함께 방문하는 고객들의 비율의 합이 나머지 유형보다 상대적으로 높은 시간대에는 단체 테이블을 분리하지 않고 배치할 것을 권장하는 가이드를 표시할 수 있다.
프로세서(110)는 5인 이상이 함께 방문하는 고객들의 비율이 나머지 유형보다 상대적으로 높은 시간대에는 2인용 테이블을 합쳐 단체 테이블로 만들어서 배치할 것을 권장하는 가이드를 표시할 수 있다.
일 실시예에 따르면, 프로세서(110)는 방문 고객 중 10대 및 20대 여성이 상대적으로 가장 많은 시간대에는 상기 키오스크 및 테이블 테블릿 기기 상에 10대 및 20대 여성을 타겟으로하는 광고를 표시하도록 가이드를 표시할 수 있다.
프로세서(110)는 방문 고객 중 10대 및 20대 남성이 상대적으로 가장 많은 시간대에는 상기 키오스크 및 테이블 테블릿 기기 상에 10대 및 20대 남성을 타겟으로하는 광고를 표시하도록 가이드를 표시 할 수 있다.
프로세서(110)는 방문 고객 중 30대 및 40대 여성이 상대적으로 가장 많은 시간대에는 상기 키오스크 및 테이블 테블릿 기기 상에 30대 및 40대 여성을 타겟으로하는 광고를 표시하도록 가이드를 표시하고 방문 고객 중 30대 및 40대 남성이 상대적으로 가장 많은 시간대에는 상기 키오스크 및 테이블 테블릿 기기 상에 30대 및 40대 남성을 타겟으로하는 광고를 표시하도록 가이드를 표시 할 수 있다.
프로세서(110)는 방문 고객 중 50대 및 60대 여성이 상대적으로 가장 많은 시간대에는 상기 키오스크 및 테이블 테블릿 기기 상에 50대 및 60대 여성을 타겟으로하는 광고를 표시하도록 가이드를 표시하고, 방문 고객 중 50대 및 60대 남성이 상대적으로 가장 많은 시간대에는 상기 키오스크 및 테이블 테블릿 기기 상에 50대 및 60대 남성을 타겟으로하는 광고를 표시하도록 가이드를 표시 할 수 있다.
일 실시예에 따르면, 프로세서(110)는 방문 고객 중 여성의 비율이 남성의 비율과 비교하여 지정된 수준(예: 여성의 비율이 남성 비율보다 2배 많음)을 초과하는 것으로 출력된 시간대에는 상기 키오스크의 높이를 상대적으로 낮출 것을 권장하는 가이드를 표시하고, 방문 고객 중 남성의 비율이 여성의 비율과 비교하여 지정된 수준을 초과하는 것으로 출력된 시간대에는 상기 키오스크의 높이를 상대적으로 높일 것을 권장하는 가이드를 표시할 수 있다.
일 실시예에 따르면, 프로세서(110)는 인공지능 학습모델을 이용하여 지정된 공간 내에서 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 제 1 구역과 유동 인구에 의해 점유되는 시간이 지정된 수준 미만인 제 2 구역을 구분하고, 상기 키오스크 또는 POS(point of sales)기기로부터 방문 고객의 성별, 나이 및 주문 정보에 대한 데이터를 입력받아 시간대별로 상대적으로 가장 많은 성별 및 나이대를 출력할 수 있다.
프로세서(110)는 시간대에 기반하여 고객 중 가장 많은 성별 및 나이대를 결정하고, 제 1 구역에 가장 많은 성별 및 나이대를 타겟으로 하는 광고가 표시될 수 있도록 가이드를 제공할 수 있다.
프로세서(110)는 광고 단가 별로 복수의 광고들의 순위를 결정하고, 광고 단가가 가장 높은 광고가 제 1 구역에 배치되도록 가이드를 제공하고, 광고 단가가 가장 낮은 광고가 제 2 구역에 배치되도록 가이드를 제공할 수 있다.
Claims (10)
- AI 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 시스템에 있어서,
프로세서;및
메모리를 포함하고,
상기 프로세서는
센서, 키오스크, POS(point of sales)기기 또는 테이블 테블릿(table tablet) 중 적어도 하나를 포함하는 전자 장치로부터 수집된 방문 고객의 데이터를 수신하고, 인공지능 학습모델 상으로 입력하며,
상기 테이블 테블릿으로부터 매장 내 특정 테이블에 앉은 고객의 수에 대한 데이터를 수신하고,
상기 센서를 이용하여 매장 내 특정 테이블이 고객에 의해 점유되는 시간 및 점유되지 않은 채 비어있는 시간에 대한 정보를 수신하고, 인공지능 학습모델 상으로 입력하며,
상기 인공지능 학습모델을 이용하여 지정된 공간 내에서 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 제 1 구역과 유동 인구에 의해 점유되는 시간이 지정된 수준 미만인 제 2 구역을 구분하고,
상기 제 1 구역 및 상기 제 2 구역에 대한 공간 활용을 추천하는 가이드를 사용자 단말 상으로 제공하며,
상기 인공지능 학습모델을 이용하여 영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준을 초과하는 제 1 테이블을 결정하고,
영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준을 초과하는 상기 제 1 테이블은 배치된 위치가 고객의 만족도가 높거나 편리한 자리인 것으로 결정하고,
상기 제 1 테이블 상에는 적어도 4명 이상의 고객들이 앉을 수 있도록 안내하라는 가이드를 제공하고,
영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준 미만인 제 2 테이블을 결정하며,
영업 시간 중 고객에 의해 점유되는 시간의 비율이 지정된 수준 미만인 상기 제 2 테이블은 배치된 위치가 고객의 만족도가 낮거나 편리하지 않은 자리인 것으로 결정하고
상기 제 2 테이블 상에는 1명 또는 2명이 방문한 고객들이 앉을 수 있도록 작은 크기의 테이블을 배치하고,
다른 테이블들이 모두 고객들에 의해 점유된 상태일 때 상기 제 2 테이블에 고객이 앉을 수 있도록 안내하라는 가이드를 제공하는 시스템.
- 제 1항에 있어서,
상기 프로세서는
상기 센서로부터 고객들의 이동 동선 및 유동 인구가 많은 시간대에 대한 데이터를 수신하거나,
상기 키오스크 또는 POS(point of sales)기기로부터 방문 고객의 성별, 나이 및 주문 정보에 대한 데이터를 수신하거나 또는
상기 테이블 테블릿으로부터 매장에 방문한 인원 및 매장 내 특정 테이블에 앉은 고객의 수에 대한 데이터를 수신하며,
수신된 데이터를 상기 인공지능 학습모델 상에 입력으로 제공하는 시스템.
- 제 1항에 있어서,
상기 프로세서는
상기 센서를 이용하여 상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선을 확인하고,
상기 키오스크가 아닌 점원에게 주문하기 위해 대기하는 고객들의 이동 동선을 확인하며,
상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선과 점원에게 주문하기 위해 대기하는 고객들의 이동 동선이 겹쳐지는 면적이 지정된 수준을 초과하는 경우 상기 키오스크의 위치를 상기 점원으로부터 더 먼 지역으로 이동시킬 것을 추천하는 시스템.
- 제 3항에 있어서,
상기 프로세서는
상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선과 점원에게 주문하기 위해 대기하는 고객들의 이동 동선이 겹쳐지는 면적이 지정된 수준 미만인 경우 상기 키오스크의 위치를 유지할 것을 추천하는 시스템.
- 제 3항에 있어서,
상기 프로세서는
상기 키오스크의 위치를 상기 점원으로부터 더 먼 지역으로 이동시킨 후에도 상기 센서를 이용하여 상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선을 확인하고,
상기 키오스크가 아닌 점원에게 주문하기 위해 대기하는 고객들의 이동 동선을 확인하며,
상기 키오스크를 통한 주문을 위해 대기하는 고객들의 이동 동선과 점원에게 주문하기 위해 대기하는 고객들의 이동 동선이 겹쳐지는 면적이 지정된 수준을 초과하는 경우 주문을 받기 위한 키오스크의 수를 증가시킬 것을 추천하는 시스템.
- 삭제
- 삭제
- 제 1항에 있어서,
상기 프로세서는
지정된 공간 내에서 유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 상기 제 1 구역에 대해 마진이 가장 많이 남는 상품을 배치하거나, 다른 매장에서도 판매량이 지정된 수준을 초과하는 인기 상품을 배치하도록 가이드를 제공하고,
유동 인구에 의해 점유되는 시간이 지정된 수준 미만인 상기 제 2 구역에 대해 창고로 사용하거나 인기 상품을 배치하지 않도록 가이드를 제공하는 시스템.
- 제 8항에 있어서,
상기 프로세서는
상기 POS(point of sales)기기로부터 상기 제 1 구역에 배치된 상품의 판매량에 대한 데이터를 수신하고,
상기 제 1 구역에 배치된 상품의 판매량이 지정된 수준 미만인 경우 상기 제 1 구역에 배치되는 상품을 교체할 것을 추천하는 가이드를 제공하고,
상기 제 1 구역에 배치된 상품의 판매량이 지정된 수준을 초과하는 경우 상기 제 1 구역에 배치되는 상품을 유지할 것을 추천하는 가이드를 제공하는 시스템.
- 제 1항에 있어서,
상기 프로세서는
상기 센서로부터 고객들의 이동 동선 및 유동 인구가 많은 시간대에 대한 데이터를 수신하고,
매장 내에서 유동 인구가 지정된 수준을 초과하는 시간대 및 유동 인구가 지정된 수준 미만인 시간대를 결정하고,
매장 내에서 유동 인구가 지정된 수준을 초과하는 시간대에는 점원의 수를 늘리거나 키오스크의 수를 늘리도록 가이드를 제공하고,
유동 인구에 의해 점유되는 시간이 지정된 수준을 초과하는 상기 제 1 구역 상에는 다른 고객 간 접촉이나 충돌이 일어나지 않도록 안내판을 설치하도록 가이드를 제공하는 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230139236A KR102633435B1 (ko) | 2023-10-18 | 2023-10-18 | Ai 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230139236A KR102633435B1 (ko) | 2023-10-18 | 2023-10-18 | Ai 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102633435B1 true KR102633435B1 (ko) | 2024-02-06 |
Family
ID=89858258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230139236A KR102633435B1 (ko) | 2023-10-18 | 2023-10-18 | Ai 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102633435B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102661996B1 (ko) * | 2024-02-08 | 2024-04-30 | 안병호 | 복권판매점 관리서버의 동작방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030089683A (ko) * | 2003-11-06 | 2003-11-22 | 주식회사 사일릭스 | 무선인식시스템을 이용한 유통업무관리시스템 |
| KR101551374B1 (ko) | 2014-03-19 | 2015-09-09 | 홍익대학교 산학협력단 | Pir센서 및 ｉｐ네트워크 카메라 기반 융합 보안 시스템 및 방법 |
| KR20200130562A (ko) * | 2019-05-09 | 2020-11-19 | 동국대학교 산학협력단 | 상품류와 상품 배치 구역 간의 관계를 고려하여 상품 배치 방식을 결정하는 전자 장치 및 그 동작 방법 |
| KR20210144419A (ko) * | 2020-05-22 | 2021-11-30 | 주식회사 코리아세븐 | 무인 점포 시스템 및 이의 광고 표시 방법 |
| KR102587724B1 (ko) * | 2023-01-27 | 2023-10-11 | 주식회사 오하이오컴퍼니 | 무인 상업공간에 부합하는 인테리어 제공 시스템 |
-
2023
- 2023-10-18 KR KR1020230139236A patent/KR102633435B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030089683A (ko) * | 2003-11-06 | 2003-11-22 | 주식회사 사일릭스 | 무선인식시스템을 이용한 유통업무관리시스템 |
| KR101551374B1 (ko) | 2014-03-19 | 2015-09-09 | 홍익대학교 산학협력단 | Pir센서 및 ｉｐ네트워크 카메라 기반 융합 보안 시스템 및 방법 |
| KR20200130562A (ko) * | 2019-05-09 | 2020-11-19 | 동국대학교 산학협력단 | 상품류와 상품 배치 구역 간의 관계를 고려하여 상품 배치 방식을 결정하는 전자 장치 및 그 동작 방법 |
| KR20210144419A (ko) * | 2020-05-22 | 2021-11-30 | 주식회사 코리아세븐 | 무인 점포 시스템 및 이의 광고 표시 방법 |
| KR102587724B1 (ko) * | 2023-01-27 | 2023-10-11 | 주식회사 오하이오컴퍼니 | 무인 상업공간에 부합하는 인테리어 제공 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102661996B1 (ko) * | 2024-02-08 | 2024-04-30 | 안병호 | 복권판매점 관리서버의 동작방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Applications of artificial intelligence in the apparel industry: a review | |
| Pereira et al. | Customer models for artificial intelligence-based decision support in fashion online retail supply chains | |
| KR102468827B1 (ko) | 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템 | |
| KR102122608B1 (ko) | 블록체인 간편결제 플랫폼 기반 ｏ２ｏ 소비패턴 맞춤형 상점 노출 서비스 제공 방법 | |
| KR102633435B1 (ko) | Ai 딥러닝 알고리즘을 활용하여 유동 인구 분석을 수행하고 효율적인 공간 활용을 추천하는 방법 및 시스템 | |
| KR102533442B1 (ko) | 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 | |
| KR102551997B1 (ko) | 콘텐츠 시청 성향 분석 기반 광고 콘텐츠 기획 자동화 및 커머스 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| Elsayed Fayed | Artificial Intelligence for marketing plan: the case for e-marketing companies | |
| KR102554580B1 (ko) | 인공지능 모델 기반 식자재 및 부자재의 유통 주문 히스토리의 패턴 분석을 통한 물류 창고의 안전 재고량의 추정 및 주문 알람 서비스 제공 방법, 장치 및 시스템 | |
| KR102546871B1 (ko) | 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템 | |
| KR102533729B1 (ko) | 의약품 주문 및 고객 정보 기반 의약품 수요 예측 및 재고 관리 방법, 장치 및 시스템 | |
| D′ Aniello et al. | A new DSS based on situation awareness for smart commerce environments | |
| Zheng et al. | Customers' behavior prediction using artificial neural network | |
| US11587028B2 (en) | Computer system for optimizing garment inventory of retailer based on shapes of users | |
| KR102506472B1 (ko) | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102508232B1 (ko) | 인공지능 기반 마트 운영을 위한 재고의 유통관리 방법, 장치 및 시스템 | |
| Gerritsen et al. | Social media coming to the mall: A cross-channel response | |
| KR102552856B1 (ko) | 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템 | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102530527B1 (ko) | 건강 정보 기반 식당 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102485355B1 (ko) | 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102447426B1 (ko) | 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템 | |
| KR102633434B1 (ko) | 오프라인 상점 데이터 및 ai 딥러닝 알고리즘을 이용하여 프랜차이즈의 마케팅을 기획하는 방법 및 시스템 | |
| KR102474974B1 (ko) | 인공지능 기반 브랜드 분석 방법, 장치 및 시스템 | |
| WO2021192190A1 (ja) | 人流予測システム、人流予測方法およびプログラム記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |