KR102639741B1 - 가맹점 매출매입 현황 실시간 출력 시스템 - Google Patents

가맹점 매출매입 현황 실시간 출력 시스템 Download PDF

Info

Publication number
KR102639741B1
KR102639741B1 KR1020230059075A KR20230059075A KR102639741B1 KR 102639741 B1 KR102639741 B1 KR 102639741B1 KR 1020230059075 A KR1020230059075 A KR 1020230059075A KR 20230059075 A KR20230059075 A KR 20230059075A KR 102639741 B1 KR102639741 B1 KR 102639741B1
Authority
KR
South Korea
Prior art keywords
data
franchise
sales
artificial neural
output
Prior art date
Application number
KR1020230059075A
Other languages
English (en)
Inventor
윤재경
Original Assignee
주식회사 서영에프앤비
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 서영에프앤비 filed Critical 주식회사 서영에프앤비
Priority to KR1020230059075A priority Critical patent/KR102639741B1/ko
Application granted granted Critical
Publication of KR102639741B1 publication Critical patent/KR102639741B1/ko

Links

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
    • G06Q10/0637—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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

프랜차이즈 관리를 위한 플랫폼을 제공하며, 복수의 프랜차이즈 가맹점들의 매출 데이터를 분석하여 보완 정보를 산출하는 관리 서버;를 포함하는, 가맹점 매출매입 현황 실시간 출력 시스템을 개시한다.

Description

가맹점 매출매입 현황 실시간 출력 시스템{SYSTEM FOR CHECKING SALES SLIP OF FRANCHISE TERMINAL}
본 발명은 프랜차이즈 가맹사업을 위한 가맹점 매출매입 현황 실시간 출력 시스템에 관한 것이다.
일반적으로, 상품의 판매 또는 서비스를 제공하는 업체는 고객을 유치하기 위하여 여러 가지 영업 방식을 이용하는데, 이러한 영업 방식 중 하나로 프랜차이즈(Franchise) 영업 방식이 널리 사용되고 있다.
이러한, 프랜차이즈 영업에서는 프랜차이즈 본사에서 프랜차이즈 상표를 홍보, 마케팅하고, 가맹점은 프랜차이즈 본사의 상표를 사용하며 프랜차이즈 본사에서 개발하고 광고하는 상품이나 서비스를 프랜차이즈에서 제공하는 영업 방식으로 운영하게 된다.
이에 따라, 마케팅 능력 및 사업체 운영 경험이 부족한 가맹점주라 하더라도 프랜차이즈 본사로부터 이미 검증된 상품이나 서비스를 프랜차이즈 본사에서 제안하는 방식으로 운영하는 것을 통해 보다 안정적으로 사업체를 운영할 수 있어 프랜차이즈 영업은 현재 가장 활발한 영업 방식 중 하나로 자리 매김하고 있다.
그러나, 위와 같은 프랜차이즈 영업의 장점에도 불구하고, 최근 들어 너무 많은 프랜차이즈 업체가 범람하고 있으며, 프랜차이즈 본사에서 가맹점에게 제대로된 운영 노하우를 제공하지 않는 경우가 많아 프랜차이즈 가맹점의 사업 실패율이 매우 높아지고 있다.
따라서, 프랜차이즈 영업에 있어서, 가맹점에 대해 보다 적극적으로 사업 운영에 필요한 관리를 해주거나 정보를 제공하는 것을 통해 가맹점의 사업 실패율을 낮춤으로써 궁극적으로 프랜차이즈 본사의 영업 이익도 증가시킬 수 있는 프랜차이즈 영업 방식의 개발이 필요한 실정이다.
프랜차이즈 가맹점 관리에 관한 종래의 기술로, 등록특허 제10-1632341호(2016년06월15일)(이하 종래기술) 등이 있는데, 프랜차이즈 본사는 많은 지역에 분산된 가맹점들과 오프라인 상에서 상거래가 이루어지므로 효율적으로 가맹점별로 일별/월별/분기별 판매 매출/매입 현황 관리, 결제 대금 관리, 직원 관리, 가맹점 시설 관리 등의 가맹점 관리가 어려웠던 문제점이 있었다.
본 발명의 일측면은 지역별 상권을 분석하여 최적의 프랜차이즈 가맹점 입지를 추천하는 상권 분석 시스템을 개시한다.
본 발명의 다른 측면은 프랜차이즈 가맹점별로 매출 데이터를 수집 및 분석하여 보완점을 제안하는 시스템을 개시한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 시스템은 프랜차이즈 관리를 위한 플랫폼을 제공하며, 복수의 프랜차이즈 가맹점들의 매출 데이터를 분석하여 보완 정보를 산출하는 관리 서버;를 포함한다.
한편, 복수의 프랜차이즈 가맹점에 설치된 POS 단말기로부터 매출액, 매출원가, 매출 총이익 및 판매 관리비를 포함하는 매출 데이터를 수집하는 매출 데이터 수집부; 및 상기 매출 데이터를 기반으로 인공지능 모델을 이용하여 입지, 마케팅 전략, 물류 시스템, 교육 시스템 및 연구개발 전략을 포함하는 각 항목에 대한 평가 점수 및 평가 점수에 따른 보완 방법을 포함하는 상기 보완 정보를 출력하는 매출 데이터 분석부;를 포함하고,
상기 매출 데이터 분석부는, 상기 매출 데이터 수집부에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 상기 보완 정보의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력하고, 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 보완 정보로 추출하여 사용자 단말로 전송할 수 있다.
한편, 상기 관리 서버는, 가맹 사업의 개선 점수를 산출하여 제공하는 가맹 사업 분석부;를 더 포함하고,
상기 가맹 사업 분석부는, 가맹 사업의 홈페이지로부터 대표자 인사말 페이지, 회사 연혁 페이지, 기업 이념 페이지 및 개설 안내 페이지를 가맹 사업 분석 데이터로 추출하고, 아래 수학식 1을 이용하여 가맹 사업의 홈페이지의 변화에 따른 가맹 사업의 개선 점수를 산출할 수 있다.
[수학식 1]
(수학식 1에서 St는 개선 점수, vi는 가맹 사업 분석 데이터에 포함되는 각 항목에서 변화가 나타난 기간, n은 가맹 사업 분석 데이터에서 변화가 나타난 항목의 개수를 의미한다.)
상술한 본 발명의 일 측면에 따르면, 지역별 상권을 분석하여 최적의 프랜차이즈 가맹 입지를 추천하고, 프랜차이즈 가맹점 별 매출 데이터를 모니터링하고, 매출 데이터에 따른 보완점을 제시하는 서비스를 제공함으로써 가맹 사업 운영에 도움을 줄 수 있다.
도 1은 본 발명의 일 실시예에 따른 가맹점 매출매입 현황 실시간 출력 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 관리 서버의 개념도이다.
도 3은 본 발명의 다른 실시예에 따른 관리 서버의 제어 블록도이다.
도 4는 본 발명의 또 다른 실시예에 따른 관리 서버의 제어 블록도이다.
도 5는 본 발명의 또 다른 실시예에 따른 관리 서버의 제어 블록도이다.
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 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 일 실시예에 따른 가맹점 매출매입 현황 실시간 출력 시스템의 개념도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 가맹점 매출매입 현황 실시간 출력 시스템(1)은 관리 서버(100), 사용자 단말(200) 및 네트워크(300)를 포함할 수 있다.
관리 서버(100)는 프랜차이즈 관리를 위한 플랫폼을 제공하며, 예를 들면, 지역별 상권을 분석하여 최적의 프랜차이즈 가맹 입지를 추천하고, 프랜차이즈 가맹점 별 매출 데이터를 모니터링하고, 매출 데이터에 따른 보완점을 제시하는 서비스를 제공할 수 있다.
관리 서버(100)는 본 발명에 따른 서비스를 제공하기 위한 자체 서버이거나 클라우드 서버일 수도 있고 분산된 노드들의 p2p(peer-to-peer) 집합일 수 있다.
관리 서버(100)는 일반적인 컴퓨터가 갖는 연산, 저장, 참조, 입출력, 제어 기능 중 어느 하나 이상을 수행할 수 있고, 입력 데이터를 바탕으로 후술할 인공 신경망을 포함할 수 있다.
관리 서버(100)는 프로세서 및 메모리를 포함할 수 있다. 프로세서는 본 발명에 따른 의류 추천 서비스를 수행할 수 있고, 이를 수행할 수 있는 장치들을 포함할 수 있다. 프로세서는 프로그램을 실행하거나 관리 서버(100)를 제어할 수도 있다. 프로세서에 의해 실행되는 프로그램 코드는 메모리에 저장될 수 있다. 메모리는 본 발명에 따른 프랜차이즈 관리 서비스를 수행하기 위한 관련 정보들을 저장하거나 방법을 구현하기 위한 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리거나 비휘발성 메모리일 수 있다.
관리 서버(100)는 네트워크(300)를 이용하여 외부 장치에 데이터를 발신하거나 외부 장치로부터 데이터를 수신할 수 있다.
관리 서버(100)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다.
인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
관리 서버(100)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 최적의 프랜차이즈 가맹 위치를 예측하거나, 매출 데이터에 따른 보완 정보를 제공할 수 있고, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
사용자 단말(200)은 데스크탑 컴퓨터, 랩탑, 태블릿, 스마트폰 등 네트워크를 통해 데이터를 주고받을 수 있는 단말이면 모두 포함될 수 있다.
사용자 단말(200)은 본 발명에 따른 서비스를 수행하기 위하여 컴퓨터가 가지는 연산 기능, 저장 기능, 참조 기능, 입출력 기능, 제어 기능 중 어느 하나 이상을 포함할 수 있다.
사용자 단말(200)은 본 발명에 따른 서비스를 제공받기 위하여 웹사이트에 접속하거나 애플리케이션을 설치할 수 있다. 사용자 단말(200)은 웹사이트 또는 애플리케이션을 통하여 데이터를 주고받을 수 있다.
네트워크(300)는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다.
네트워크(300)가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크(300)는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다.
네트워크(300)는 관리 서버(100) 및 사용자 단말(200) 간의 신호 및 데이터를 상호 전달하는 역할을 할 수 있다.
도 2는 본 발명의 일 실시예에 따른 관리 서버의 개념도이다.
도 2를 참조하면, 관리 서버(100)는 상권 데이터 수집부(110), 상권 데이터 분석부(120) 및 가맹 입지 추천부(130)를 포함할 수 있다.
상권 데이터 수집부(110)는 사용자 단말(200)로부터 적어도 하나 이상의 분석 지역을 선택받을 수 있으며, 외부 서버로부터 분석 지역에 대한 상권 데이터를 획득할 수 있다.
예를 들면, 상권 데이터는 분석지역에 위치한 매장명, 업종, 매출, 시간대 별 유동인구, 거주인구, 임대료 등을 포함할 수 있다. 상권 데이터 수집부(110)는 분석지역에 위치한 매장의 POS 단말기로부터 매장명, 업종, 매출 등의 데이터를 획득할 수 있으며, 통신사업자 서버로부터 기주국을 기반으로 한 유동인구 데이터를 획득할 수 있으며, 한국부동산원 서버로부터 임대료 데이터를 획득할 수 있으며, 통계청 서버로부터 거주인구 데이터를 획득할 수 있다.
상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 수집한 상권 데이터를 분석하여 해당 분석지역이 프랜차이즈 가맹 입지로 적절한지 여부를 판단할 수 있다.
예를 들면, 상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 획득하는 데이터를 기반으로 인공지능 모델을 이용하여 분석지역의 프랜차이즈 가맹 입지 적절 또는 부적절의 가맹 입지 분석 결과 데이터를 추출할 수 있다.
상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 적절 또는 부적절의 가맹 입지 분석 결과 데이터의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
상권 데이터 분석부(120)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 가맹 입지 분석 결과 데이터로 추출할 수 있다.
본 실시예에서 상권 데이터 분석부(120)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 분석지역에 대한 상권 데이터로부터 분석지역이 프랜차이즈 가맹 입지로 적절한지 여부를 나타내는 가맹 입지 분석 결과 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023050609874-pat00002
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 매장명, 업종, 매출, 시간대 별 유동인구, 거주인구, 임대료 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 적절 또는 부적절을 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
가맹 입지 추천부(130)는 사용자 단말(200)을 통해 입력 받은 적어도 하나 이상의 분석지역 중 상권 데이터 분석부(120)에서의 출력 데이터가 적절로 출력되는 분석지역을 가맹 입지로 추천할 수 있다.
가맹 입지 추천부(130)는 아래 수학식 1을 이용하여 가맹 입지로 추천된 분석지역에 대한 적합도를 획득할 수 있다.
예를 들면, 가맹 입지 추천부(130)는 분석지역에 대한 상권 데이터의 각 항목을 대 분류와 대 분류에 대한 세부 분류로 나눌 수 있으며, 각 항목에 대한 기준 값을 미리 저장할 수 있다. 또한, 가맹 입지 추천부(130)는 분석지역에 대한 상권 데이터의 각 항목의 우선순위를 저장할 수 있다.
[수학식 1]
수학식 1에서 sa는 a 분석지역에 대한 가맹 입지 적합도, tna,m은 a 분석지역에 대한 상권 데이터에 포함되는 항목 중 기준 값에 미달하는 m번째 항목의 n번째 세부항목과 가맹 입지로 추천되는 적어도 하나 이상의 분석지역에 대한 상권 데이터에 포함되는 해당 항목의 평균 값의 차이가 소정 범위 이내로 매칭되는 빈도 수, qja는 a분석지역에 대한 상권 데이터에 포함되는 항목 중 기준 값에 미달하는 m번째 항목의 우선순위가 사용자가 지정한 우선순위보다 낮게 매칭되는 빈도 수, i는 세부항목의 개수, l은 전체 항목의 개수로 정의될 수 있다.
수학식 1에 따르면, 가맹 입지 추천부(130)는 적어도 하나 이상의 가맹 입지로 추천된 분석지역에 대한 적합도를 획득하고, 적합도 순으로 가맹 입지로 추천된 분석지역을 디스플레이하여 사용자의 선택을 도울 수 있다.
도 3은 본 발명의 다른 실시예에 따른 관리 서버의 개념도이다.
도 3을 참조하면, 관리 서버(101)는 매출 데이터 수집부(140) 및 매출 데이터 분석부(150)를 포함할 수 있다.
매출 데이터 수집부(140)는 복수의 프랜차이즈 가맹점들의 매출 데이터를 수집할 수 있다.
예를 들면, 매출 데이터 수집부(140)는 복수의 프랜차이즈 가맹점에 설치된 POS 단말기로부터 매출 데이터를 수집할 수 있다. 매출 데이터는 매출액, 매출원가, 매출 총이익, 판매 관리비 등을 포함할 수 있다.
매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 수집하는 매출 데이터를 분석하여 해당 프랜차이즈 사업의 보완 정보를 출력할 수 있다.
예를 들면, 매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 수집하는 매출 데이터를 기반으로 인공지능 모델을 이용하여 보완 정보를 출력할 수 있다. 여기에서, 보완 정보는 입지, 마케팅 전략, 물류 시스템, 교육 시스템, 연구개발 전략 등의 각 항목에 대한 평가 점수와 평가 점수에 따른 보완 방법을 포함할 수 있다.
매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 보완 정보의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
매출 데이터 분석부(150)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 보완 정보로 추출하여 사용자 단말(200)로 전송할 수 있다.
본 실시예에서 매출 데이터 분석부(150)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 매출 데이터로부터 보완 정보를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023050609874-pat00004
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 매출액, 매출원가, 매출 총이익, 판매 관리비 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 보완 정보를 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
매출 데이터 분석부(150)는 아래 수학식 2를 이용하여 보완 정보의 추천 점수를 산출할 수 있다. 매출 데이터 분석부(150)는 보완 정보에 포함되는 입지, 마케팅 전략, 물류 시스템, 교육 시스템, 연구개발 전략 등의 각 항목을 그 중요도에 따라 제1 중요 보완 항목 및 제2 중요 보완 항목 중 어느 하나로 나눌 수 있다.
[수학식 2]
수학식 2에서 |Ns|는 보완 정보에 포함되는 제1 중요 항목에서 보완 방법을 나타내는 단어 수, us(n)은 보완 정보에 포함되는 제1 중요 항목에서 미리 지정된 핵심 단어의 출현 빈도, SP는 보완 정보에 포함되는 각 항목의 총 개수, ul(n)은 보완 정보에 포함되는 제2 중요 항목에서 미리 지정된 핵심 단어의 출현 빈도, |Nl|은 보완 정보에 포함되는 제2 중요 항목에서 보완 방법을 나타내는 단어 수, α는 가중치로 정의될 수 있다.
수학식 2에 따르면, 보완 정보에서 미리 지정된 보완 항목의 중요도에 따라 보완 정보의 추천 점수를 산출함으로써 보완 정보의 신속한 적용이 필요함을 알릴 수 있다.
도 4는 본 발명의 다른 실시예에 따른 관리 서버의 개념도이다.
도 4를 참조하면, 관리 서버(102)는 상권 데이터 수집부(110), 상권 데이터 분석부(120), 가맹 입지 추천부(130), 매출 데이터 수집부(140) 및 매출 데이터 분석부(150)를 포함할 수 있다.
상권 데이터 수집부(110)는 사용자 단말(200)로부터 적어도 하나 이상의 분석 지역을 선택받을 수 있으며, 외부 서버로부터 분석 지역에 대한 상권 데이터를 획득할 수 있다.
예를 들면, 상권 데이터는 분석지역에 위치한 매장명, 업종, 매출, 시간대 별 유동인구, 거주인구, 임대료 등을 포함할 수 있다. 상권 데이터 수집부(110)는 분석지역에 위치한 매장의 POS 단말기로부터 매장명, 업종, 매출 등의 데이터를 획득할 수 있으며, 통신사업자 서버로부터 기주국을 기반으로 한 유동인구 데이터를 획득할 수 있으며, 한국부동산원 서버로부터 임대료 데이터를 획득할 수 있으며, 통계청 서버로부터 거주인구 데이터를 획득할 수 있다.
상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 수집한 상권 데이터를 분석하여 해당 분석지역이 프랜차이즈 가맹 입지로 적절한지 여부를 판단할 수 있다.
예를 들면, 상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 획득하는 데이터를 기반으로 인공지능 모델을 이용하여 분석지역의 프랜차이즈 가맹 입지 적절 또는 부적절의 가맹 입지 분석 결과 데이터를 추출할 수 있다.
상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 적절 또는 부적절의 가맹 입지 분석 결과 데이터의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
상권 데이터 분석부(120)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 가맹 입지 분석 결과 데이터로 추출할 수 있다.
본 실시예에서 상권 데이터 분석부(120)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 분석지역에 대한 상권 데이터로부터 분석지역이 프랜차이즈 가맹 입지로 적절한지 여부를 나타내는 가맹 입지 분석 결과 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023050609874-pat00006
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 매장명, 업종, 매출, 시간대 별 유동인구, 거주인구, 임대료 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 적절 또는 부적절을 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
가맹 입지 추천부(130)는 사용자 단말(200)을 통해 입력 받은 적어도 하나 이상의 분석지역 중 상권 데이터 분석부(120)에서의 출력 데이터가 적절로 출력되는 분석지역을 가맹 입지로 추천할 수 있다.
매출 데이터 수집부(140)는 복수의 프랜차이즈 가맹점들의 매출 데이터를 수집할 수 있다.
예를 들면, 매출 데이터 수집부(140)는 복수의 프랜차이즈 가맹점에 설치된 POS 단말기로부터 매출 데이터를 수집할 수 있다. 매출 데이터는 매출액, 매출원가, 매출 총이익, 판매 관리비 등을 포함할 수 있다.
매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 수집하는 매출 데이터를 분석하여 해당 프랜차이즈 사업의 보완 정보를 출력할 수 있다.
예를 들면, 매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 수집하는 매출 데이터를 기반으로 인공지능 모델을 이용하여 보완 정보를 출력할 수 있다. 여기에서, 보완 정보는 입지, 마케팅 전략, 물류 시스템, 교육 시스템, 연구개발 전략 등의 각 항목에 대한 평가 점수와 평가 점수에 따른 보완 방법을 포함할 수 있다.
매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 보완 정보의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
매출 데이터 분석부(150)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 보완 정보로 추출하여 사용자 단말(200)로 전송할 수 있다.
본 실시예에서 매출 데이터 분석부(150)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 매출 데이터로부터 보완 정보를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023050609874-pat00007
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 매출액, 매출원가, 매출 총이익, 판매 관리비 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 보완 정보를 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
이와 같은 본 발명의 실시예에 따른 시스템(1)은 프랜차이즈 관리를 위한 플랫폼을 제공하며, 예를 들면, 지역별 상권을 분석하여 최적의 프랜차이즈 가맹 입지를 추천하고, 프랜차이즈 가맹점 별 매출 데이터를 모니터링하고, 매출 데이터에 따른 보완점을 제시하는 서비스를 제공함으로써 프랜차이즈 운영의 효율성을 높일 수 있다.
도 5는 본 발명의 또 다른 실시예에 따른 관리 서버의 개념도이다.
도 5를 참조하면, 본 실시예에 따른 관리 서버(103)는 상권 데이터 수집부(110), 상권 데이터 분석부(120), 가맹 입지 추천부(130), 매출 데이터 수집부(140), 매출 데이터 분석부(150) 및 가맹 사업 분석부(160)를 포함할 수 있다.
상권 데이터 수집부(110)는 사용자 단말(200)로부터 적어도 하나 이상의 분석 지역을 선택받을 수 있으며, 외부 서버로부터 분석 지역에 대한 상권 데이터를 획득할 수 있다.
예를 들면, 상권 데이터는 분석지역에 위치한 매장명, 업종, 매출, 시간대 별 유동인구, 거주인구, 임대료 등을 포함할 수 있다. 상권 데이터 수집부(110)는 분석지역에 위치한 매장의 POS 단말기로부터 매장명, 업종, 매출 등의 데이터를 획득할 수 있으며, 통신사업자 서버로부터 기주국을 기반으로 한 유동인구 데이터를 획득할 수 있으며, 한국부동산원 서버로부터 임대료 데이터를 획득할 수 있으며, 통계청 서버로부터 거주인구 데이터를 획득할 수 있다.
상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 수집한 상권 데이터를 분석하여 해당 분석지역이 프랜차이즈 가맹 입지로 적절한지 여부를 판단할 수 있다.
예를 들면, 상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 획득하는 데이터를 기반으로 인공지능 모델을 이용하여 분석지역의 프랜차이즈 가맹 입지 적절 또는 부적절의 가맹 입지 분석 결과 데이터를 추출할 수 있다.
상권 데이터 분석부(120)는 상권 데이터 수집부(110)에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 적절 또는 부적절의 가맹 입지 분석 결과 데이터의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
상권 데이터 분석부(120)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 가맹 입지 분석 결과 데이터로 추출할 수 있다.
본 실시예에서 상권 데이터 분석부(120)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 분석지역에 대한 상권 데이터로부터 분석지역이 프랜차이즈 가맹 입지로 적절한지 여부를 나타내는 가맹 입지 분석 결과 데이터를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023050609874-pat00008
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 매장명, 업종, 매출, 시간대 별 유동인구, 거주인구, 임대료 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 적절 또는 부적절을 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
가맹 입지 추천부(130)는 사용자 단말(200)을 통해 입력 받은 적어도 하나 이상의 분석지역 중 상권 데이터 분석부(120)에서의 출력 데이터가 적절로 출력되는 분석지역을 가맹 입지로 추천할 수 있다.
매출 데이터 수집부(140)는 복수의 프랜차이즈 가맹점들의 매출 데이터를 수집할 수 있다.
예를 들면, 매출 데이터 수집부(140)는 복수의 프랜차이즈 가맹점에 설치된 POS 단말기로부터 매출 데이터를 수집할 수 있다. 매출 데이터는 매출액, 매출원가, 매출 총이익, 판매 관리비 등을 포함할 수 있다.
매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 수집하는 매출 데이터를 분석하여 해당 프랜차이즈 사업의 보완 정보를 출력할 수 있다.
예를 들면, 매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 수집하는 매출 데이터를 기반으로 인공지능 모델을 이용하여 보완 정보를 출력할 수 있다. 여기에서, 보완 정보는 입지, 마케팅 전략, 물류 시스템, 교육 시스템, 연구개발 전략 등의 각 항목에 대한 평가 점수와 평가 점수에 따른 보완 방법을 포함할 수 있다.
매출 데이터 분석부(150)는 매출 데이터 수집부(140)에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 보완 정보의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
매출 데이터 분석부(150)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 보완 정보로 추출하여 사용자 단말(200)로 전송할 수 있다.
본 실시예에서 매출 데이터 분석부(150)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 매출 데이터로부터 보완 정보를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Na
Figure 112023050609874-pat00009
ve Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 매출액, 매출원가, 매출 총이익, 판매 관리비 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 보완 정보를 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
가맹 사업 분석부(160)는 가맹 사업의 현재 상태와 보완 정보를 적용하였을 때의 상태를 비교하여 개선 점수를 산출하여 제공할 수 있다.
예를 들면, 가맹 사업 분석부(160)는 가맹 사업의 홈페이지로부터 가맹 사업 분석 데이터를 추출할 수 있다. 가맹 사업 분석 데이터는 홈페이지에 포함되는 대표자 인사말 페이지, 회사 연혁 페이지, 기업 이념 페이지, 개설 안내 페이지 등을 포함할 수 있다. 가맹 사업 분석부(160)는 가맹 사업의 홈페이지의 변화로부터 개선 점수를 산출할 수 있는데, 이는 홈페이지로부터 프랜차이즈 사업의 자신감, 기업 목표, 창업비용, 슬로건, 연구개발 전략 등을 확인할 수 있고, 이는 좋은 프랜차이즈 본부 구별의 지표가 될 수 있기 때문이다.
[수학식 3]
수학식 3에서 St는 개선 점수, vi는 가맹 사업 분석 데이터에 포함되는 각 항목에서 변화가 나타난 기간, n은 가맹 사업 분석 데이터에서 변화가 나타난 항목의 개수를 의미한다.
이와 같이 가맹 사업 분석부(160)는 수학식 3을 통해 가맹 사업의 보완 여부에 대하여 수치화된 값으로 나타낼 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
1: 가맹점 매출매입 현황 실시간 출력 시스템
100: 관리 서버
200: 사용자 단말
300: 네트워크

Claims (3)

  1. 프랜차이즈 관리를 위한 플랫폼을 제공하며, 복수의 프랜차이즈 가맹점들의 매출 데이터를 분석하여 보완 정보를 산출하는 관리 서버;를 포함하고,
    복수의 프랜차이즈 가맹점에 설치된 POS 단말기로부터 매출액, 매출원가, 매출 총이익 및 판매 관리비를 포함하는 매출 데이터를 수집하는 매출 데이터 수집부; 및
    상기 매출 데이터를 기반으로 인공지능 모델을 이용하여 입지, 마케팅 전략, 물류 시스템, 교육 시스템 및 연구개발 전략을 포함하는 각 항목에 대한 평가 점수 및 평가 점수에 따른 보완 방법을 포함하는 상기 보완 정보를 출력하는 매출 데이터 분석부;를 포함하고,
    상기 매출 데이터 분석부는,
    상기 매출 데이터 수집부에서 획득하는 데이터를 입력 데이터로 생성하고, 입력 데이터에 대하여 상기 보완 정보의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력하고, 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 보완 정보로 추출하여 사용자 단말로 전송하고,
    상기 관리 서버는,
    가맹 사업의 개선 점수를 산출하여 제공하는 가맹 사업 분석부;를 더 포함하고,
    상기 가맹 사업 분석부는,
    가맹 사업의 홈페이지로부터 대표자 인사말 페이지, 회사 연혁 페이지, 기업 이념 페이지 및 개설 안내 페이지를 가맹 사업 분석 데이터로 추출하고, 아래 수학식 1을 이용하여 가맹 사업의 홈페이지의 변화에 따른 가맹 사업의 개선 점수를 산출하고,
    [수학식 1]

    (수학식 1에서 St는 개선 점수, vi는 가맹 사업 분석 데이터에 포함되는 각 항목에서 변화가 나타난 기간, n은 가맹 사업 분석 데이터에서 변화가 나타난 항목의 개수를 의미한다.)
    상기 매출 데이터 분석부는,
    보완 정보에 포함되는 입지, 마케팅 전략, 물류 시스템, 교육 시스템 및 연구개발 전략의 각 항목을 제1 중요 보완 항목 및 제2 중요 보완 항목 중 어느 하나로 나누어 미리 지정하고, 아래 수학식 2를 이용하여 보완 정보의 추천 점수를 산출하는, 가맹점 매출매입 현황 실시간 출력 시스템.
    [수학식 2]

    (수학식 2에서 |Ns|는 보완 정보에 포함되는 제1 중요 항목에서 보완 방법을 나타내는 단어 수, us(n)은 보완 정보에 포함되는 제1 중요 항목에서 미리 지정된 핵심 단어의 출현 빈도, SP는 보완 정보에 포함되는 각 항목의 총 개수, ul(n)은 보완 정보에 포함되는 제2 중요 항목에서 미리 지정된 핵심 단어의 출현 빈도, |Nl|은 보완 정보에 포함되는 제2 중요 항목에서 보완 방법을 나타내는 단어 수, α는 가중치를 의미한다.)
  2. 삭제
  3. 삭제
KR1020230059075A 2023-05-08 2023-05-08 가맹점 매출매입 현황 실시간 출력 시스템 KR102639741B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230059075A KR102639741B1 (ko) 2023-05-08 2023-05-08 가맹점 매출매입 현황 실시간 출력 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230059075A KR102639741B1 (ko) 2023-05-08 2023-05-08 가맹점 매출매입 현황 실시간 출력 시스템

Publications (1)

Publication Number Publication Date
KR102639741B1 true KR102639741B1 (ko) 2024-02-23

Family

ID=90041705

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230059075A KR102639741B1 (ko) 2023-05-08 2023-05-08 가맹점 매출매입 현황 실시간 출력 시스템

Country Status (1)

Country Link
KR (1) KR102639741B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102161828B1 (ko) * 2020-01-13 2020-10-06 주식회사 하마에프씨 가맹점 관리를 위한 제어 방법 및 장치
KR20220168955A (ko) * 2021-06-16 2022-12-26 주식회사 빅밸류 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102161828B1 (ko) * 2020-01-13 2020-10-06 주식회사 하마에프씨 가맹점 관리를 위한 제어 방법 및 장치
KR20220168955A (ko) * 2021-06-16 2022-12-26 주식회사 빅밸류 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법

Similar Documents

Publication Publication Date Title
Yeh et al. A machine learning approach to predict the success of crowdfunding fintech project
JP7445240B2 (ja) サービス提供システム及びユーザ側設備
Sharaf et al. StockPred: a framework for stock Price prediction
Shetu et al. Predicting satisfaction of online banking system in Bangladesh by machine learning
Kompella et al. Stock market prediction using machine learning methods
CN115409577A (zh) 基于用户行为及环境信息的智能货柜复购预测方法及系统
CN114862506B (zh) 一种基于深度强化学习的金融产品推荐方法
CN113672797A (zh) 一种内容推荐方法及装置
Ramesh et al. Hybrid artificial neural networks using customer churn prediction
CN115619571A (zh) 一种理财规划方法、系统及装置
Sasani et al. TM-vector: A Novel Forecasting Approach for Market stock movement with a Rich Representation of Twitter and Market data
KR102592129B1 (ko) 인공지능에 기반한 사용자 맞춤형 의류 추천시스템
KR102639741B1 (ko) 가맹점 매출매입 현황 실시간 출력 시스템
KR102639736B1 (ko) 프랜차이즈 가맹사업을 위한 상권 분석 시스템
KR102400497B1 (ko) 운동 생활정보에 기초한 인공지능 기반의 대안적 신용평가정보 제공 방법
Nagaraju et al. Methodologies used for customer churn detection in customer relationship management
US20210004716A1 (en) Real-time global ai platform
Kotsiantis et al. Efficiency of machine learning techniques in bankruptcy prediction
Pinheiro et al. Introduction to Statistical and Machine Learning Methods for Data Science
US11341539B2 (en) Offer selection using sequential selection operations
KR102659929B1 (ko) 온라인 판매 시스템
KR102606328B1 (ko) 빅데이터에 기반한 골재 매입 매도 시점 추천 시스템
KR102643108B1 (ko) 인공지능 기반 소비자 검색 키워드 매칭형 제품 노출 시스템
KR102652619B1 (ko) 인공지능을 이용한 개인 맞춤형 광고 노출 시스템
KR102684939B1 (ko) 광고 제공 시스템

Legal Events

Date Code Title Description
GRNT Written decision to grant