KR102642567B1 - 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치 Download PDF

Info

Publication number
KR102642567B1
KR102642567B1 KR1020230146033A KR20230146033A KR102642567B1 KR 102642567 B1 KR102642567 B1 KR 102642567B1 KR 1020230146033 A KR1020230146033 A KR 1020230146033A KR 20230146033 A KR20230146033 A KR 20230146033A KR 102642567 B1 KR102642567 B1 KR 102642567B1
Authority
KR
South Korea
Prior art keywords
product
sold
information
pricing
price
Prior art date
Application number
KR1020230146033A
Other languages
English (en)
Inventor
김계숙
Original Assignee
김계숙
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 김계숙 filed Critical 김계숙
Priority to KR1020230146033A priority Critical patent/KR102642567B1/ko
Application granted granted Critical
Publication of KR102642567B1 publication Critical patent/KR102642567B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06Q50/01—Social networking

Landscapes

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

Abstract

실시예들은 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치를 제공한다. 일 실시예에 따른 상기 방법은, 상기 사용자 단말로부터 프라이싱(pricing) 요청 메시지를 수신하고, 상기 프라이싱 요청 메시지는 판매 예정 제품에 대한 정보 및 진출 예정 국가에 대한 정보를 포함하고, 상기 판매 예정 제품에 대한 정보는 판매 예정 제품의 국제 분류 코드 및 판매 예정 제품과 관련된 비용에 대한 정보를 포함하고, 상기 진출 예정 국가에 대한 정보는 진출 예정 국가에 대한 국가 코드와 상기 국가 코드와 관련된 지역 코드 및 진출 예정 날짜를 포함하고, 상기 판매 예정 제품의 국제 분류 코드, 상기 국가 코드 및 상기 지역 코드를 기반으로 상기 진출 예정 국가 내 지역에서 판매되는 복수의 제품 중에서 상기 판매 예정 제품과 가장 높은 유사도를 가진 제품을 타겟 제품으로 결정하고, 상기 타겟 제품과 관련된 복수의 웹 페이지에 대한 제1 웹 크롤링을 통해 프라이싱과 관련된 온라인 데이터를 수집하고, 상기 타겟 제품에 대한 오프라인 데이터를 요청하는 데이터 요청 메시지를 복수의 데이터 수집 단말에게 전송하고, 상기 복수의 데이터 수집 단말 각각으로부터 프라이싱과 관련된 오프라인 데이터를 수신하고, 복수의 SNS와 관련된 웹 페이지에서 상기 타겟 제품에 대한 제2 웹 크롤링을 통해 상기 타겟 제품과 관련된 복수의 키워드를 수집하고, 상기 판매 예정 제품과 관련된 비용에 대한 정보, 상기 프라이싱과 관련된 온라인 데이터, 상기 프라이싱과 관련된 오프라인 데이터 및 상기 타겟 제품과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용하는 가격 전략 결정 모델을 통해 상기 사용자 단말에 대한 가격 전략에 대한 정보를 결정하고, 상기 사용자 단말에게 상기 가격 전략에 대한 정보를 전송하는 단계를 포함할 수 있다. 예를 들어, 가격 전략에 대한 정보는 권장 가격 범위, 추천 가격 및 가격 테스트 기간을 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치{METHOD AND DEVICE FOR PERFORMING PRICING USING NEURAL NETWORKS}
본 개시의 실시예들은 프라이싱을 수행하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치에 대한 것이다.
한편, 프라이싱(pricing)은 비즈니스 전략에서 중요한 요소로 작용한다. 프라이싱은 상품이나 서비스에 대한 가격을 결정하고 이를 고객에게 제시하는 전략적인 프로세스를 의미한다. 프라이싱은 기업이 제품의 가치, 경쟁 환경, 수요 및 공급 조건 등을 고려하여 적절한 가격을 설정하는 것을 포함한다. 이러한 프라이싱 전략은 기업의 수익 최적화, 시장 점유율 유지, 경쟁력 강화 등과 직접적으로 연결되어 있으며, 제품이나 서비스의 가격을 적절히 설정하는 것은 기업의 성공과 이익을 크게 좌우하는 중요한 전략적 결정 사항이다.
또한, 제품이나 서비스의 가격은 소비자들에게 제공되는 가치를 나타내며, 고객들의 구매 결정에 큰 영향을 미치고, 경쟁사와의 가격 경쟁에서도 중요한 역할을 한다. 따라서, 올바른 프라이싱 전략을 통해 기업이 수익을 극대화하면서도 고객들이 만족하는 가격을 유지하기 위해 필요하다.
다만, 프라이싱을 위해 일회성 데이터를 확보하여도, 통계적 분석이나 유의미한 실행 방안을 스타트업이나 중소 벤처 기업들이 도출하기는 어려울 수 있다. 또한, 시장 가격조사를 직접 수행할 경우, 시장 가격조사의 수행에 대해 협조적이지 않아 어려움을 겪을 수 있으며, 외부 기관에 조사를 의뢰하는 경우, 의뢰비에 대한 부담이 발생할 수 있다. 특히, 해외시장 진출 시에는 해외 시장에 대한 다양한 조사를 통해 프라이싱을 수행하여야 하나, 스타트업이나 중소 벤처 기업들은 어디서 무엇을 해야 할지 못해 난감한 경우가 많다.
이에, 사용자 단말의 진출 예정 국가 및 지역을 고려하여 판매 예정 제품과 관련된 비용에 대한 정보, 프라이싱과 관련된 온라인 데이터, 프라이싱과 관련된 오프라인 데이터를 기반으로 뉴럴 네트워크를 이용하는 가격 전략 결정 모델을 통해 가격 전략에 대한 정보를 결정하여, 사용자 단말에게 가격 전략에 대한 정보를 제공하는 방법 및 장치가 필요하다.
KR 10-2564359 B1 KR 10-2021-0001243 A KR 10-2008-0032683 A KR 10-2023-0065410 A
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 가격 전략에 대한 정보를 사용자 단말에게 제공하는 방법은, 상기 사용자 단말로부터 프라이싱(pricing) 요청 메시지를 수신하고, 상기 프라이싱 요청 메시지는 판매 예정 제품에 대한 정보 및 진출 예정 국가에 대한 정보를 포함하고, 상기 판매 예정 제품에 대한 정보는 판매 예정 제품의 국제 분류 코드 및 판매 예정 제품과 관련된 비용에 대한 정보를 포함하고, 상기 진출 예정 국가에 대한 정보는 진출 예정 국가에 대한 국가 코드와 상기 국가 코드와 관련된 지역 코드 및 진출 예정 날짜를 포함하고, 상기 판매 예정 제품의 국제 분류 코드, 상기 국가 코드 및 상기 지역 코드를 기반으로 상기 진출 예정 국가 내 지역에서 판매되는 복수의 제품 중에서 상기 판매 예정 제품과 가장 높은 유사도를 가진 제품을 타겟 제품으로 결정하고, 상기 타겟 제품과 관련된 복수의 웹 페이지에 대한 제1 웹 크롤링을 통해 프라이싱과 관련된 온라인 데이터를 수집하고, 상기 타겟 제품에 대한 오프라인 데이터를 요청하는 데이터 요청 메시지를 복수의 데이터 수집 단말에게 전송하고, 상기 복수의 데이터 수집 단말 각각으로부터 프라이싱과 관련된 오프라인 데이터를 수신하고, 복수의 SNS와 관련된 웹 페이지에서 상기 타겟 제품에 대한 제2 웹 크롤링을 통해 상기 타겟 제품과 관련된 복수의 키워드를 수집하고, 상기 판매 예정 제품과 관련된 비용에 대한 정보, 상기 프라이싱과 관련된 온라인 데이터, 상기 프라이싱과 관련된 오프라인 데이터 및 상기 타겟 제품과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용하는 가격 전략 결정 모델을 통해 상기 사용자 단말에 대한 가격 전략에 대한 정보를 결정하고, 상기 사용자 단말에게 상기 가격 전략에 대한 정보를 전송하는 단계를 포함할 수 있다. 예를 들어, 가격 전략에 대한 정보는 권장 가격 범위, 추천 가격 및 가격 테스트 기간을 포함할 수 있다.
실시예들에 따르면, 서버는 프라이싱과 관련된 온라인 데이터와 타겟 제품과 관련된 복수의 키워드를 기반으로 뉴럴 네트워크를 이용하는 수명주기 결정 모델을 통해 타겟 제품의 수명주기에 대한 값을 결정함으로써, 사용자 단말에게 보다 적합한 가격 전략에 대한 정보를 결정하기 위해 필요한 정보를 확보할 수 있다.
실시예들에 따르면, 서버는 판매 예정 제품과 관련된 비용에 대한 정보, 프라이싱과 관련된 온라인 데이터, 프라이싱과 관련된 오프라인 데이터 및 타겟 제품과 관련된 복수의 키워드를 기반으로 뉴럴 네트워크를 이용하는 가격 전략 결정 모델을 통해 사용자 단말에 대한 가격 전략에 대한 정보를 결정함으로써, 판매 예정 제품과 관련된 비용과 진출 예정 국가의 경제 상황 및 경쟁사의 상태 뿐만 아니라 판매 예정 제품의 제품 수명주기 및 진출 예정 국가의 타겟 소비자들의 심리적 가격 범위까지 고려하여 가격 전략에 대한 정보를 제공할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 가격 전략에 대한 정보를 사용자 단말에게 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 가격 전략 결정 모델에 대한 예를 나타낸 도면이다.
도 5는 일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 가격 전략에 대한 정보를 사용자 단말에게 제공하는 방법에 대한 흐름도를 나타낸다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시 형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 모션 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, 적외선(infrared) 센서, 생체 센서, 음향 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 에지 또는 링크는 뉴럴 네트워크가 원하는 기능의 수행, 사용자 또는 알고리즘에 의해 가변적으로 적용될 수 있는 가중치를 갖는다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 가격 전략에 대한 정보를 사용자 단말에게 제공하는 방법을 나타낸다. 도 3의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버는 사용자 단말로부터 프라이싱(pricing) 요청 메시지를 수신할 수 있다.
서버는 판매 예정 제품과 관련된 정보를 기반으로 해당 제품에 대한 프라이싱을 수행하는 서버일 수 있다. 프라이싱은 특정 제품에 대한 가격 전략을 제공하는 것을 포함할 수 있다. 예를 들어, 서버는 사용자 단말로부터 판매 예정 제품에 대한 정보와 진출 예정 국가에 대한 정보를 수신하여, 판매 예정 제품의 가격 전략에 대한 정보를 결정하여 사용자 단말에게 전송할 수 있다. 즉, 서버는 해외의 국가에 특정 제품을 판매하고자 하는 사용자에게 해당 제품에 대한 프라이싱 서비스를 제공할 수 있다. 여기서, 판매 예정 제품은 사용자 단말이 진출 예정인 국가 및 지역에서 판매할 예정인 제품을 지칭할 수 있다. 예를 들어, 서버는 도 1의 서버(108)를 포함할 수 있다.
사용자 단말은 서버가 제공하는 프라이싱 서비스를 이용하는 단말일 수 있다. 사용자 단말은 판매 예정 제품에 대한 정보와 진출 예정 국가에 대한 정보를 서버에게 제공함으로써, 해당 판매 예정 제품의 가격 전략에 대한 정보를 서버로부터 수신할 수 있다. 예를 들어, 사용자 단말은 도 1의 전자 장치(101)를 포함할 수 있다.
여기서, 프라이싱 요청 메시지는 사용자 단말이 판매할 예정인 국가 및 지역에서 판매할 예정인 제품에 대해 프라이싱을 서버에게 요청하는 메시지일 수 있다. 예를 들어, 프라이싱 요청 메시지는 판매 예정 제품에 대한 정보 및 진출 예정 국가에 대한 정보를 포함할 수 있다. 예를 들어, 사용자 단말이 사용자 단말에 설치된 사용자 인터페이스를 통해 판매 예정 제품에 대한 정보 및 진출 예정 국가에 대한 정보를 입력한 것에 기반하여, 서버에게 판매 예정 제품에 대한 정보 및 진출 예정 국가에 대한 정보를 포함하는 프라이싱 요청 메시지가 전송될 수 있다.
판매 예정 제품에 대한 정보는 판매 예정 제품의 국제 분류 코드 및 판매 예정 제품과 관련된 비용에 대한 정보를 포함할 수 있다.
국제 분류 코드는 HS(harmonized System code) 코드를 포함할 수 있다. HS 코드는 HS 협약(The International Convention on the Harmonized Commodity Description and Coding System)에 따라 상품별로 부여되는 품목분류번호이다. HS 코드는 10자리의 숫자로, 맨 앞의 여섯 자리는 국제 공통으로 사용하는 코드이고, 나머지 네 자리는 세부 분류를 위한 코드일 수 있다. 이때, 서버는 HS 코드 중에서 맨 앞의 여섯 자리가 동일하면 유사한 종류의 물품으로 결정할 수 있다.
판매 예정 제품과 관련된 비용에 대한 정보는 판매 예정 제품의 가격을 책정하기 위해 필요한 다양한 비용에 대한 정보를 포함할 수 있다. 예를 들어, 판매 예정 제품과 관련된 비용에 대한 정보는 판매 예정 제품의 판매 가능량, 판매 가능량에 따른 재료 비용, 판매 가능량에 따른 생산 비용, 판매 가능량에 따른 마케팅 비용, 판매 가능량에 따른 운송 비용, 판매 가능량에 따른 고정 비용, 판매 가능량에 따른 가변 비용 및 판매 예정 제품에 대한 개발 비용을 포함할 수 있다. 판매 가능량은 진출 예정 국가에서 사전 설정된 판매 기간동안 판매할 수 있는 수량일 수 있다. 여기서, 사전 설정된 판매 기간은 6개월 또는 1년일 수 있다.
부가적으로, 예를 들어, 판매 예정 제품과 관련된 비용에 대한 정보에 판매 예정 제품에 대한 개발 비용이 포함된 경우, 서버는 사용자 단말에게 개발 내용에 대한 정보를 요청하여 사용자 단말로부터 수신할 수 있다. 개발 내용에 대한 정보는 판매 예정 제품과 기존 제품과의 차별점에 대한 정보를 포함할 수 있다.
진출 예정 국가에 대한 정보는 진출 예정 국가에 대한 국가 코드와 상기 국가 코드와 관련된 지역 코드 및 진출 예정 날짜를 포함할 수 있다. 국가 코드는 국가를 분류하는 코드이며, 예를 들어, 복수의 국가별로 국가 코드가 서버에 사전 저장될 수 있다. 지역 코드는 국가 내 지역을 분류하는 코드이며, 예를 들어, 복수의 지역 각각에 대한 지역 코드가 국가 코드별로 서버에 사전 저장될 수 있다. 이때, 지역은 해당 국가의 최상위의 행정구역에 해당할 수 있다. 예를 들어, 진출 예정 국가가 미국이고, 지역이 미국의 워싱턴 주인 경우, 진출 예정 국가에 대한 정보는 미국에 매칭되는 국가 코드 및 워싱턴 주에 매칭되는 지역 코드를 포함할 수 있다. 진출 예정 날짜는 사용자 단말이 해당 국가 및 지역에 판매 예정 제품에 대한 판매를 시작하는 날짜일 수 있다. 진출 예정 날짜는 연월일을 포함할 수 있다. 예를 들어, 진출 예정 국가에 대한 정보는 진출 예정 국가가 국내인 경우를 포함할 수도 있다.
단계 S320에서, 서버는 판매 예정 제품의 국제 분류 코드, 국가 코드 및 지역 코드를 기반으로 진출 예정 국가 내 지역에서 판매되는 복수의 제품 중에서 판매 예정 제품과 가장 높은 유사도를 가진 제품을 타겟 제품으로 결정할 수 있다.
예를 들어, 서버는 국가 코드와 지역 코드별로 현재 판매되고 있는 복수의 제품 각각에 대한 HS 코드를 사전 설정할 수 있다. 예를 들어, 복수의 제품은 해당 국가 및 지역에서 판매되는 제품을 포함할 수 있다. 즉, 서버는 사전에 해당 국가 및 지역에서 판매가 금지된 제품을 제외하고, 판매되는 복수의 제품에 대한 HS 코드를 설정할 수 있다.
예를 들어, 서버는 국가 코드 및 지역 코드에 매칭되는 복수의 제품을 결정하고, 복수의 제품에 대한 HS 코드 중에서 판매 예정 제품의 HS 코드와 가장 높은 유사도를 갖는 HS 코드를 결정할 수 있다. 여기서, 유사도는 HS 코드 사이의 차이에 대한 절대 값이 작을수록 높은 유사도로 결정될 수 있다. 즉, 유사도는 HS 코드 사이의 차이에 대한 절대 값에 반비례할 수 있다.
또한, 서버는 판매 예정 제품의 HS 코드 및 복수의 제품 중 어느 하나의 제품의 HS 코드 사이의 차이에 대한 절대 값이 0인 경우, 해당 제품을 판매 예정 제품과 동일한 제품으로 결정할 수 있고, 해당 제품을 타겟 제품으로 결정할 수 있다.
예를 들어, 판매 예정 제품의 HS 코드 및 복수의 제품 중 어느 하나의 제품의 HS 코드 사이의 차이에 대한 절대 값이 가장 작은 값이 두 개 이상인 경우, 서버는 가장 작은 값을 갖는 두 개 이상의 제품을 타겟 제품으로 결정할 수 있다.
단계 S330에서, 서버는 타겟 제품과 관련된 복수의 웹 페이지에 대한 제1 웹 크롤링을 통해 프라이싱과 관련된 온라인 데이터를 수집할 수 있다.
예를 들어, 타겟 제품과 관련된 복수의 웹 페이지는 타겟 제품을 판매하는 복수의 경쟁사와 관련된 웹 페이지, 타겟 제품에 대한 정보가 게재된 복수의 웹 페이지, 진출 예정 국가에 대한 정보가 게재된 복수의 웹 페이지를 포함할 수 있다. 예를 들어, 서버는 국가 코드 및 지역 코드에 매칭되는 복수의 제품 각각에 대한 복수의 경쟁사와 관련된 웹 페이지가 사전 저장될 수 있다. 예를 들어, 서버는 국가 코드별로 해당 국가에 대한 정보가 게재된 복수의 웹 페이지가 사전 저장될 수 있다.
프라이싱과 관련된 온라인 데이터는 타겟 제품과 관련된 경쟁사 데이터 및 사전 설정된 기간에 대한 경제 데이터를 포함할 수 있다.
타겟 제품과 관련된 경쟁사 데이터는 타겟 제품에 대한 월별 판매량, 타겟 제품에 대한 월별 재고량 및 타겟 제품에 대한 월별 판매 가격을 경쟁사별로 포함할 수 있다. 예를 들어, 서버는 제1 웹 크롤링을 통해 타겟 제품을 판매하는 경쟁사의 복수의 웹 페이지 및 타겟 제품에 대한 정보가 게재된 복수의 웹 페이지에서 타겟 제품의 명칭이 포함된 텍스트 위치로부터 사전 설정된 제1 텍스트 범위 이내에 위치한 매출과 관련된 복수의 키워드를 탐색할 수 있고, 탐색된 매출과 관련된 복수의 키워드로부터 사전 설정된 제2 텍스트 범위 이내의 숫자 데이터를 수집할 수 있다. 예를 들어, 매출과 관련된 복수의 키워드는 매출량, 판매량, 재고량, 매출액, 가격, 판매 수익, 판매 기간, 순이익 등과 같이 매출량을 파악할 수 있는 단어들을 포함할 수 있다.
사전 설정된 기간에 대한 경제 데이터는 사전 설정된 기간에 대한 연도별 GDP(gross domestic product), 사전 설정된 기간에 대한 월별 환율, 사전 설정된 기간에 대한 월별 소비자 물가지수 및 사전 설정된 기간에 대한 월별 생산자 물가지수를 포함할 수 있다. 사전 설정된 기간은 현재 시점으로부터 3년 이전의 시점 사이의 기간일 수 있다. 예를 들어, 서버는 제1 웹 크롤링을 통해 진출 예정 국가에 대한 정보가 사전 설정된 기간동안 게재된 복수의 웹 페이지에서 국가의 명칭이 포함된 텍스트 위치로부터 사전 설정된 제1 텍스트 범위 이내에 위치한 경제와 관련된 복수의 키워드를 탐색할 수 있고, 탐색된 경제와 관련된 복수의 키워드로부터 사전 설정된 제2 텍스트 범위 이내의 숫자 데이터를 수집할 수 있다. 예를 들어, 경제와 관련된 복수의 키워드는 환율, GDP, 소비자 물가지수 및 생산자 물가지수 등과 같이 국가의 경제 상황을 파악할 수 있는 단어들을 포함할 수 있다.
단계 S340에서, 서버는 타겟 제품에 대한 오프라인 데이터를 요청하는 데이터 요청 메시지를 복수의 데이터 수집 단말에게 전송할 수 있다.
데이터 요청 메시지는 타겟 제품에 대한 현지인들의 인식을 파악하기 위한 데이터를 요청하는 메시지일 수 있다. 예를 들어, 데이터 요청 메시지는 타겟 제품에 대한 명칭 및 타겟 제품의 경쟁사에 대한 정보를 포함할 수 있다. 복수의 데이터 수집 단말은 서버와 사전 연결된 단말일 수 있다. 예를 들어, 복수의 데이터 수집 단말은 진출 예정 국가의 진출 예정 지역에서 거주하는 자들이 사용하는 단말일 수 있다. 예를 들어, 복수의 데이터 수집 단말은 국가 및 지역별로 서버에 사전 등록될 수 있다.
단계 S350에서, 서버는 복수의 데이터 수집 단말 각각으로부터 프라이싱과 관련된 오프라인 데이터를 수신할 수 있다.
서버는 복수의 데이터 수집 단말 각각에 설치된 사용자 인터페이스를 통해 프라이싱과 관련된 오프라인 데이터를 수신할 수 있다.
프라이싱과 관련된 오프라인 데이터는 타겟 제품에 대한 경쟁사별 가격 적합도 및 타겟 제품에 대한 경쟁사별 품질 점수를 포함할 수 있다. 경쟁사별 가격 적합도는 경쟁사가 판매하는 타겟 제품의 판매 가격이 적합한 지 여부를 나타내는 값일 수 있다. 예를 들어, 경쟁사별 가격 적합도는 0점에서 10점 사이의 값을 포함할 수 있고, 가격이 적합할수록 큰 값으로 결정될 수 있다. 경쟁사별 품질 점수는 경쟁사가 판매하는 타겟 제품의 품질을 나타내는 점수일 수 있다. 예를 들어, 경쟁사별 품질 점수는 0점에서 10점 사이의 값을 포함할 수 있고, 품질이 좋을수록 큰 값으로 결정될 수 있다.
단계 S360에서, 서버는 복수의 SNS(social network service)와 관련된 웹 페이지에서 타겟 제품에 대한 제2 웹 크롤링을 통해 타겟 제품과 관련된 복수의 키워드를 수집할 수 있다.
예를 들어, 서버는 제2 웹 크롤링을 통해 복수의 SNS와 관련된 웹 페이지에서 타겟 제품의 명칭이 포함된 텍스트 위치로부터 사전 설정된 제3 텍스트 범위 이내에 위치한 복수의 키워드를 탐색할 수 있고, 탐색된 복수의 키워드 중에서 사전 설정된 복수의 단어 중 어느 하나의 단어에 대응하는 키워드를 타겟 제품과 관련된 복수의 키워드로 수집할 수 있다.
예를 들어, 서버는 타겟 제품과 관련된 복수의 키워드를 사전 설정된 좌표에 매칭시킴으로써, 타겟 제품에 대한 구매 관여도를 나타내는 점수를 결정할 수 있다. 예를 들어, 구매 관여도는 이성의 관여도와 감성의 관여도를 포함할 수 있다. 예를 들어, 타겟 제품과 관련된 복수의 키워드는 이성의 관여도와 감성의 관여도가 x축과 y축으로 설정된 좌표에 매칭될 수 있다. 예를 들어, 복수의 단어들이 이성의 관여도 및 감성의 관여도에 따라 분류되어, xy좌표에 사전 설정될 수 있다. 이성의 관여도는 품질, 가성비, 기능, 사용성, 안전성 및 대체성 등과 같이 이성적으로 구매하는 것을 나타내는 단어일수록 높게 결정될 수 있다. 감성의 관여도는 가치관, 만족감, 상징적 욕구, 쾌락적 욕구, 사회적 욕구 및 관심 등과 같이 감정적으로 구매하는 것을 나타내는 단어일수록 높게 결정될 수 있다. 예를 들어, 이성의 관여도는 0에서 10 사이의 값을 포함할 수 있고, 5가 중간 값일 수 있다. 예를 들어, 감성의 관여도는 0에서 10 사이의 값을 포함할 수 있고, 5가 중간 값일 수 있다. 예를 들어, 이성의 관여도가 높을수록 x 값이 크게 설정되고, 감성의 관여도가 높을수록 y 값이 크게 설정될 수 있다. 서버는 타겟 제품과 관련된 복수의 키워드 각각에 매칭되는 단어들에 대해 이성의 관여도와 감성의 관여도가 x축과 y축으로 설정된 좌표 상의 xy 좌표를 결정할 수 있다.
예를 들어, 서버는 타겟 제품과 관련된 복수의 키워드 각각에 대해 사전 설정된 좌표에 매칭된 xy 좌표의 값을 평균한 xy 좌표 값을 타겟 제품에 대한 구매 관여도를 나타내는 점수로 결정할 수 있다. 이때, x 값은 이성의 관여도를 나타내는 점수이고, y 값은 감성의 관여도를 나타내는 점수일 수 있다. 예를 들어, 이성의 관여도가 5를 초과하는 제품은 기능성과 안전성이 중시되는 제품 유형을 나타낼 수 있다. 감성의 관여도가 5를 초과하는 제품은 상징성, 가치관 및 만족감이 중시되는 제품 유형을 나타낼 수 있다. 이성의 관여도가 5 이하인 제품은 효율적 가격을 가지고 반복적으로 구매하는 제품 유형을 나타낼 수 있다. 감성의 관여도가 5 이하인 제품은 쾌락적 욕구 또는 개인 및 집단의 욕구와 취향을 중시하는 제품을 나타낼 수 있다.
프라이싱과 관련된 온라인 데이터에 대한 데이터 전처리를 통해 타겟 제품에 대한 매출량 벡터가 생성될 수 있다. 매출량 벡터는 타겟 제품의 평균 판매 기간에 대한 월별 총 매출량 및 타겟 제품의 평균 판매 기간에 대한 월별 총 수익을 포함할 수 있다. 예를 들어, 타겟 제품의 평균 판매 기간은 경쟁사별 타겟 제품의 판매 기간을 평균한 값일 수 있다.
매출량 벡터 및 타겟 제품에 대한 구매 관여도를 나타내는 점수를 포함하는 유형 벡터가 제2 뉴럴 네트워크를 이용하는 수명주기 결정 모델에 입력되는 것에 기반하여 타겟 제품의 수명주기에 대한 값이 결정될 수 있다. 타겟 제품의 수명주기에 대한 값은 제품의 수명주기를 나타내는 값일 수 있다. 제품의 수명주기는 특정 제품이 시장에 출시되어 판매가 중단될 때까지의 과정을 나타내며, 도입기, 성장기, 성숙기 및 쇠퇴기를 포함할 수 있다. 예를 들어, 타겟 제품의 수명주기에 대한 값은 0보다 크고 10보다 작은 값을 포함할 수 있다. 이때, 0 값에 가까울수록 도입기를 나타내고, 10 값에 가까울수록 쇠퇴기를 나타낼 수 있다.
수명주기 결정 모델은 복수의 매출량 벡터, 복수의 유형 벡터 및 복수의 정답 수명주기에 대한 값을 기반으로 학습될 수 있다.
단계 S370에서, 서버는 판매 예정 제품과 관련된 비용에 대한 정보, 프라이싱과 관련된 온라인 데이터, 프라이싱과 관련된 오프라인 데이터 및 타겟 제품과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용하는 가격 전략 결정 모델을 통해 사용자 단말에 대한 가격 전략에 대한 정보를 결정할 수 있다.
판매 예정 제품과 관련된 비용에 대한 정보에 대한 데이터 전처리를 통해 비용 벡터가 생성될 수 있다. 예를 들어, 비용 벡터는 판매 가능량, 판매 가능량에 따른 재료 비용, 판매 가능량에 따른 생산 비용, 판매 가능량에 따른 마케팅 비용, 판매 가능량에 따른 운송 비용, 판매 가능량에 따른 고정 비용, 판매 가능량에 따른 가변 비용 및 개발 비용과 관련된 값을 포함할 수 있다.
예를 들어, 개발 비용이 존재하는 경우, 개발 비용과 관련된 값은 판매 예정 제품과 기존 제품과의 차별점에 대한 정보에 따른 품질 가중치를 개발 비용에 곱한 값으로 결정될 수 있다. 예를 들어, 기존 제품과의 차별점에 대한 정보는 품질에 대한 차별 점수를 포함할 수 있다. 차별 점수는 0점에서 100점 사이의 값을 가질 수 있다. 품질 가중치는 1에서 2사이의 값을 가질 수 있다. 차별 점수가 큰 점수일수록 품질 가중치가 큰 값으로 설정될 수 있다. 즉, 품질 가중치는 차별 점수에 비례할 수 있다. 개발 비용이 존재하지 않는 경우, 개발 비용과 관련된 값은 0 값으로 설정될 수 있다.
프라이싱과 관련된 온라인 데이터 및 프라이싱과 관련된 오프라인 데이터에 대한 데이터 전처리를 통해 경쟁사 세트 벡터 및 국가 벡터가 생성될 수 있다. 예를 들어, 경쟁사 세트 벡터는 타겟 제품에 대한 월별 판매량, 타겟 제품에 대한 월별 재고량, 타겟 제품에 대한 월별 판매 가격, 타겟 제품에 대한 가격 적합도 및 타겟 제품에 대한 품질 점수를 경쟁사별로 포함할 수 있다.
국가 벡터는, 사전 설정된 기간에 대한 연도별 GDP(gross domestic product), 사전 설정된 기간에 대한 월별 환율, 사전 설정된 기간에 대한 월별 소비자 물가지수 및 사전 설정된 기간에 대한 월별 생산자 물가지수를 포함할 수 있다. 월별 환율은 국내 통화와 해당 국가의 통화와의 교환 비율일 수 있다. GDP는 해당 국가의 총생산일 수 있다. 예를 들어, 진출 예정 국가가 대한민국인 경우, 월별 환율은 대한민국의 통화와 미국의 통화와의 교환 비율일 수 있다.
타겟 제품에 대한 구매 관여도를 나타내는 점수를 기반으로 가격에 대한 심리적 가중치가 결정될 수 있다. 예를 들어, 가격에 대한 심리적 가중치는 소비자가 제품의 구매에 영향을 미치는 가격의 한계를 나타내는 가중치일 수 있다. 예를 들어, 구매 관여도를 나타내는 점수마다 가격에 대한 심리적 가중치가 서버에 사전 저장될 수 있다. 이때, 가격에 대한 심리적 가중치는 구매 관여도를 나타내는 점수마다 상이할 수 있다. 예를 들어, 구매 관여도를 나타내는 점수 각각에 매칭되는 가격에 대한 심리적 가중치는 복수의 데이터 수집 단말로부터 수집된 데이터를 기반으로 결정될 수 있다. 가격에 대한 심리적 가중치는 1에서 2사이의 값을 가질 수 있다. 가격에 대한 심리적 가중치가 1.2인 경우, 가격에 1,2배를 적용한 가격까지 구매에 영향을 미치는 것으로 결정될 수 있다.
타겟 제품의 수명주기에 대한 값과 가격에 대한 심리적 가중치를 포함하는 제품 특성 벡터가 생성될 수 있다.
비용 벡터, 경쟁사 세트 벡터, 국가 벡터 및 제품 특성 벡터가 가격 전략 결정 모델에 입력되는 것에 기반하여 가격 전략에 대한 정보가 출력될 수 있다.
가격 전략 결정 모델은 복수의 비용 벡터, 복수의 경쟁사 세트 벡터, 복수의 국가 벡터, 복수의 제품 특성 벡터 및 복수의 정답 가격 전략에 대한 정보를 기반으로 학습될 수 있다.
가격 전략에 대한 정보는 권장 가격 범위, 추천 가격 및 가격 테스트 기간을 포함할 수 있다.
권장 가격 범위는 사용자 단말에게 판매 예정 제품의 가격으로 권장하는 가격의 범위일 수 있다. 예를 들어, 권장 가격 범위는 최소 권장 가격과 최대 권장 가격을 포함할 수 있다. 추천 가격은 권장 가격 범위 내에서 추천하는 가격일 수 있다. 가격 테스트 기간은 진출 예정 날짜 이후 추천 가격으로 시험 판매를 권장하는 기간일 수 있다. 가격 테스트 기간은 6개월 이하의 기간일 수 있다.
단계 S380에서, 서버는 사용자 단말에게 가격 전략에 대한 정보를 전송할 수 있다.
일 실시예에 따르면, 가격 테스트 기간이 경과된 후 사용자 단말로부터 온라인 매출 데이터가 서버에게 수신될 수 있다. 온라인 매출 데이터는 가격 테스트 기간동안 온라인으로 판매된 판매 예정 제품의 일별 판매량(이하, 일별 온라인 판매량) 및 판매 예정 제품의 일별 재고량을 포함할 수 있다. 판매 예정 제품의 가격 테스트 기간이 경과된 후 적어도 하나의 포스(POS)(point of sale) 단말로부터 오프라인 매출 데이터가 서버에게 수신될 수 있다. 오프라인 매출 데이터는 가격 테스트 기간동안 매장에서 판매된 판매 예정 제품의 일별 판매량(이하, 일별 오프라인 판매량) 및 판매 예정 제품의 일별 재고량을 포함할 수 있다. 포스 단말은 사용자 단말이 해당 국가의 지역 매장에 구비된 포스 단말일 수 있다. 예를 들어, 포스 단말은 제품을 판매하는 장소에서 결제 및 거래 정보를 처리하는 전자 장치일 수 있다. 포스 단말은 프로세서, 메모리, 통신부, 디스플레이부 및 바코드 스캔부를 포함할 수 있다.
예를 들어, 사용자 단말은 서버에게 적어도 하나의 포스 단말에 대한 식별 정보를 서버에게 전송할 수 있다. 예를 들어, 적어도 하나의 포스 단말에 대한 식별 정보는 포스 단말의 일련번호와 MAC(media access control) 주소를 포함할 수 있다. 서버는 적어도 하나의 포스 단말에 대한 식별 정보를 기반으로 적어도 하나의 포스 단말을 사전 등록할 수 있다.
판매 예정 제품과 관련된 복수의 웹 페이지에서 가격 테스트 기간동안 제3 웹 크롤링을 통해 고객 만족도와 관련된 복수의 키워드가 수집될 수 있다.
예를 들어, 서버는 제3 웹 크롤링을 통해 복수의 SNS와 관련된 웹 페이지에서 판매 예정 제품의 명칭이 포함된 텍스트 위치로부터 사전 설정된 제4 텍스트 범위 이내에 위치한 평가와 관련된 키워드를 탐색할 수 있고, 탐색된 평가와 관련된 키워드를 고객 만족도와 관련된 키워드로 수집할 수 있다. 예를 들어, 평가와 관련된 키워드는 긍정적인 평가를 나타내는 키워드들, 중립적인 평가를 나타내는 키워드들 및 부정적인 평가를 나타내는 키워드들을 포함할 수 있다.
고객 만족도와 관련된 복수의 키워드를 기반으로 판매 예정 제품에 대한 고객 만족도가 결정될 수 있다. 예를 들어, 서버는 고객 만족도와 관련된 복수의 키워드 각각에 대한 평가 점수를 결정하고, 평가 점수에 대한 평균 값으로 고객 만족도를 결정할 수 있다. 예를 들어, 긍정적인 평가를 나타내는 키워드들, 중립적인 평가를 나타내는 키워드들 및 부정적인 평가를 나타내는 키워드들 각각에 매칭되는 평가 점수가 서버에 사전 저장될 수 있다. 예를 들어, 고객 만족도는 0점에서 10점 사이의 값일 수 있다.
복수의 SNS와 관련된 웹 페이지에서 가격 테스트 기간동안 판매 예정 제품에 대한 제4 웹 크롤링이 수행됨으로써, 판매 예정 제품과 관련된 복수의 키워드가 수집될 수 있다.
예를 들어, 서버는 복수의 SNS와 관련된 웹 페이지에서 가격 테스트 기간동안 제4 웹 크롤링을 통해 판매 예정 제품의 명칭이 포함된 텍스트 위치로부터 사전 설정된 제5 텍스트 범위 이내에 위치한 복수의 키워드를 탐색할 수 있고, 탐색된 복수의 키워드 중에서 사전 설정된 복수의 단어에 대응하는 키워드를 판매 예정 제품과 관련된 복수의 키워드로 수집할 수 있다. 여기서, 사전 설정된 제5 텍스트 범위는 상술한 사전 설정된 제3 텍스트 범위와 동일할 수 있다.
예를 들어, 서버는 판매 예정 제품과 관련된 복수의 키워드를 사전 설정된 좌표에 매칭시킴으로써, 판매 예정 제품에 대한 구매 관여도를 나타내는 점수를 결정할 수 있다. 예를 들어, 구매 관여도는 이성의 관여도와 감성의 관여도를 포함할 수 있다. 예를 들어, 판매 예정 제품과 관련된 복수의 키워드는 이성의 관여도와 감성의 관여도가 x축과 y축으로 설정된 좌표에 매칭될 수 있다.
예를 들어, 서버는 판매 예정 제품과 관련된 복수의 키워드 각각에 대해 사전 설정된 좌표에 매칭된 xy 좌표의 값을 평균한 xy 좌표 값을 판매 예정 제품에 대한 구매 관여도를 나타내는 점수로 결정할 수 있다.
판매 예정 제품에 대한 고객 만족도, 판매 예정 제품에 대한 구매 관여도를 나타내는 점수, 온라인 매출 데이터 및 오프라인 매출 데이터를 기반으로 제3 뉴럴 네트워크를 이용하는 KPI(key performance indicator) 도출 모델을 통해 사용자 단말에 대한 KPI 정보가 결정될 수 있다. 서버로부터 사용자 단말에게 KPI 정보가 전송될 수 있다. KPI 정보는 목표 기간, 목표 매출 성장률, 목표 고객 만족도 및 목표 재고 회전율을 포함할 수 있다. 목표 기간은 KPI를 달성하기 위한 기간을 나타낼 수 있다. 목표 매출 성장률은 목표 기간까지 달성할 매출 성장률일 수 있다. 목표 고객 만족도는 목표 기간까지 달성할 고객 만족도일 수 있다. 목표 재고 회전율은 목표 기간까지 달성한 재고 회전율일 수 있다.
판매 예정 제품에 대한 고객 만족도 및 판매 예정 제품에 대한 구매 관여도를 나타내는 점수를 포함하는 고객 반응 벡터가 생성될 수 있다.
온라인 매출 데이터 및 오프라인 매출 데이터에 대한 데이터 전처리를 통해 판매 예정 제품에 대한 테스트 벡터가 생성될 수 있다.
테스트 벡터는 가격 테스트 기간에 대한 일별 온라인 판매량, 가격 테스트 기간에 대한 일별 오프라인 판매량 및 가격 테스트 기간에 대한 일별 재고량을 포함할 수 있다. 가격 테스트 기간에 대한 일별 재고량은 가격 테스트 기간에 대한 온라인 판매에 따른 일별 재고량과 오프라인 판매에 따른 일별 재고량을 합산한 값일 수 있다.
고객 반응 벡터 및 테스트 벡터가 KPI 도출 모델에 입력되는 것에 기반하여 사용자 단말에 대한 KPI 정보가 출력될 수 있다.
KPI 도출 모델은 복수의 고객 반응 벡터, 복수의 테스트 벡터 및 복수의 정답 KPI 정보를 기반으로 학습될 수 있다.
도 4는 일 실시예에 따른 가격 전략 결정 모델에 대한 예를 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 가격 전략 결정 모델에 사용되는 제1 뉴럴 네트워크는 GRU(gated recurrent unit) 기반 뉴럴 네트워크를 이용한 모델일 수 있다. GRU는 RNN(recurrent neural network)를 변형시킨 모델일 수 있고, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이러한 문제를 해결하기 위해 개발된 뉴럴 네트워크 모델이 LSTM(long short term memory networks)이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하다. 이를 통해, RNN의 기울기의 소실 문제나 기울기가 매우 큰 값을 가지게 되는 문제를 보완할 수 있다. 이러한 LSTM의 구조를 간결하게 변형함으로써, 처리 속도를 개선한 모델이 GRU이다.
GRU 기반 뉴럴 네트워크는 입력 레이어(410), 하나 이상의 히든 레이어(420) 및 출력 레이어(430)을 포함할 수 있다.
복수의 비용 벡터, 복수의 경쟁사 세트 벡터, 복수의 국가 벡터, 복수의 제품 특성 벡터 및 복수의 정답 가격 전략에 대한 정보로 구성된 각각의 학습 데이터는 제1 뉴럴 네트워크의 제1 입력 레이어(410)에 입력되어 하나 이상의 제1 히든 레이어(420) 및 제1 출력 레이어(430)를 통과하여 제1 출력 벡터로 출력되고, 제1 출력 벡터는 제1 출력 레이어(430)에 연결된 제1 손실함수 레이어에 입력되고, 제1 손실함수 레이어는 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 제1 뉴럴 네트워크의 파라미터가 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
학습 데이터로 사용되는 복수의 정답 가격 전략에 대한 정보는 정답 권장 가격 범위, 정답 추천 가격 및 정답 가격 테스트 기간을 포함할 수 있다.
예를 들어, 정답 권장 가격 범위는 복수의 외부 단말로부터 획득된 가격 범위를 평균한 값으로 결정될 수 있다. 예를 들어, 정답 가격 테스트 기간은 복수의 외부 단말로부터 획득된 가격 테스트 기간을 평균한 값으로 결정될 수 있다. 복수의 외부 단말은 프라이싱을 전문적으로 수행하는 단말일 수 있다. 예를 들어, 서버는 프라이싱과 관련된 온라인 데이터 및 프라이싱과 관련된 오프라인 데이터를 제품 특성 벡터별로 복수의 외부 단말에게 전송할 수 있다. 서버는 복수의 외부 단말로부터 제품 특성 벡터별로 가격 범위와 가격 테스트 기간을 수신할 수 있다. 서버는 수신된 복수의 가격 범위를 평균한 값과 수신된 복수의 가격 테스트 기간을 평균한 값을 정답 권장 가격 범위 및 정답 가격 테스트 기간으로 결정할 수 있다. 서버는 결정된 정답 권장 가격 범위 및 결정된 정답 가격 테스트 기간을 제품 특성 벡터별로 사전 설정할 수 있다.
예를 들어, 정답 추천 가격은 정답 권장 가격 범위, 정답 가격 테스트 기간, 국가 벡터에 따른 가중치 및 제품 특성 벡터에 따른 가중치를 기반으로 결정될 수 있다. 부가적으로, 예를 들어, 정답 추천 가격은 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Ps는 상기 정답 추천 가격이고, 상기 은 상기 가격에 대한 심리적 가중치이고, 상기 Ero는 해당 국가의 현재 환율이고, 상기 TP는 테스트 기간이고, 상기 tref는 상기 사전 설정된 기간이고, 상기 Ed는 상기 사전 설정된 기간에 대한 해당 국가의 평균 환율이고, 상기 Er은 상기 사전 설정된 시간에 대한 해당 국가의 환율 증가분이고, 상기 KG는 해당 국가의 GDP에 따른 가중치이고, 상기 KC는 해당 국가의 소비자 물가지수 및 생산자 물가지수에 따른 가중치이고, 상기 KP는 상기 타겟 제품의 수명주기에 대한 값이고, 상기 Pmin은 상기 정답 권장 가격 범위의 최소 권장 가격이고, 상기 Pmax는 상기 정답 권장 가격 범위의 최대 권장 가격일 수 있다.
예를 들어, 해당 국가의 GDP에 따른 가중치는 0보다 크고 2보다 작은 값을 포함할 수 있다. 해당 국가의 GDP에 따른 가중치는 해당 국가의 연도별 GDP를 평균한 값에서 국내 연도별 GDP를 평균한 값을 나눈 값에 보정 상수를 곱한 값일 수 있다. 예를 들어, 해당 국가의 소비자 물가지수 및 생산자 물가지수에 따른 가중치는 0보다 크고 1.5보다 작은 값을 포함할 수 있다. 예를 들어, 대한민국이 진출 예정 국가인 경우, 해당 국가의 GDP에 따른 가중치는 1 값을 가질 수 있다. 예를 들어, 해당 국가의 소비자 물가지수 및 생산자 물가지수에 따른 가중치는 사전 설정된 기간 내 소비자 물가지수의 변동율과 사전 설정된 기간 내 소비자 물가지수의 변동율을 합산한 값을 2로 나눈 값에 보정 상수를 곱한 값일 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 비용 벡터, 하나의 경쟁사 세트 벡터, 하나의 국가 벡터 및 하나의 제품 특성 벡터는 하나의 정답 가격 전략에 대한 정보와 하나의 학습 데이터 세트로 구성될 수 있다. 예를 들어, 복수의 학습 데이터 세트가 서버에 사전 저장될 수 있다.
이를 통해, 가격 전략 결정 모델은 판매 예정 제품과 관련된 비용과 진출 예정 국가의 경제 상황 및 경쟁사의 상태 뿐만 아니라 판매 예정 제품의 제품 수명주기 및 진출 예정 국가의 타겟 소비자들의 심리적 가격 범위까지 고려하여 가격 전략에 대한 정보를 출력하도록 학습될 수 있다. 따라서, 서버는 진출 예정 국가 및 지역의 상황에 맞추어 제품에 대한 프라이싱을 수행할 수 있다.
구체적으로, 하나 이상의 히든 레이어(420)는 하나 이상의 GRU 블록을 포함하고, 하나의 GRU 블록은 리셋 게이트(reset gate)와 업데이트 게이트(update gate)를 포함할 수 있다. 여기서, 리셋 게이트와 업데이트 게이트는 시그모이드 레이어를 포함할 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 예를 들어, 리셋 게이트 및 업데이트 게이트를 통해 히든 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
리셋 게이트는 과거의 정보를 리셋시키며, 이전 히든 레이어를 거쳐 도출된 가중치 r(t)는 수학식 2에 의해 결정될 수 있다.
예를 들어, 복수의 비용 벡터, 복수의 경쟁사 세트 벡터, 복수의 국가 벡터 및 복수의 제품 특성 벡터가 입력 레이어(410)에 입력되고, 리셋 게이트는 복수의 비용 벡터, 복수의 경쟁사 세트 벡터, 복수의 국가 벡터 및 복수의 제품 특성 벡터를 기반으로 생성된 현재 시점의 입력 값(xt)이 입력되면 현재 시점의 가중치 Wr와 내적하고, 복수의 비용 벡터, 복수의 경쟁사 세트 벡터, 복수의 국가 벡터 및 복수의 제품 특성 벡터를 기반으로 생성된, 이전 시점의 히든 스테이트(h(t-1))를 이전 시점의 가중치 Ur와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력되어 결과가 0과 1 사이의 값으로 출력될 수 있다. 이러한 0과 1 사이의 값을 통해 이전 시점의 히든 스테이트 값을 얼마나 활용할 것인지 결정될 수 있다.
업데이트 게이트는 과거와 현재의 정보에 대한 최신화 비율을 결정하며, z(t)는 현재 시점의 정보의 양으로, 수학식 3에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wz와 내적하고, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uz와 내적하고, 마지막으로 두 값을 합하여 시그모이드 함수에 입력됨으로써 결과가 0과 1 사이의 값으로 출력될 수 있다. 그리고 1-z(t)를 직전 시점의 히든 레이어의 정보(h(t-1))에 곱할 수 있다.
이를 통해, z(t)는 현재 정보를 얼마나 사용할 지와 1-z(t)를 과거 정보에 대해 얼마나 사용할지를 반영할 수 있다.
리셋 게이트의 결과를 곱하여 현재 시점 t의 정보 후보군이 수학식 4에 의해 결정될 수 있다.
예를 들어, 상기 현재 시점의 입력 값(xt)가 입력되면 현재 시점의 가중치 Wh와 내적한 값과, 상기 이전 시점의 히든 스테이트(h(t-1))는 이전 시점의 가중치 Uh와 내적하고, r(t)를 곱한 값을 합하여 tanh 함수에 입력될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
업데이트 게이트와 후보군의 결과를 결합함으로써, 현재 시점의 히든 레이어의 가중치를 수학식 5에 의해 결정할 수 있다.
예를 들어, 업데이트 게이트의 출력 값 z(t)와 현재 시점의 히든 스테이트(h(t))를 곱한 값과 업데이트 게이트에서 버려지는 값 1-z(t)와 이전 시점의 히든 스테이트(h(t-1))을 곱한 값의 합으로 현재 시점의 히든 레이어의 가중치가 결정될 수 있다.
예를 들어, GRU 기반 뉴럴 네트워크에 대한 가중치 초기화가 수행될 수 있다. 가중치 초기화는 각각의 레이어에 대해, 해당 레이어로 입력되는 입력 값의 개수와 해당 레이어에서 출력되는 출력 값의 개수를 합한 값을 나눈 가중치를 기반으로 수행될 수 있다. 이를 통해, 가중치의 시작 시점이 적절한 범위 내의 값으로 설정될 수 있다.
상술한 과정을 통해, 학습된 GRU 기반 뉴럴 네트워크의 파라미터가 가격 전략 결정 모델에 사용될 수 있다.
일 실시예에 따르면, 수명주기 결정 모델에 사용되는 제2 뉴럴 네트워크는 CNN 모델일 수 있다. 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다.
예를 들어, 복수의 매출량 벡터, 복수의 유형 벡터 및 복수의 정답 수명주기에 대한 값을 기반으로 구성된 학습 데이터는 제2 입력 레이어에 입력되어 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 제2 출력 벡터는 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 제2 손실함수 레이어는 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 수명주기 결정 모델에 사용되는 제2 뉴럴 네트워크의 파라미터가 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
하나 이상의 제2 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다. 예를 들어, 컨벌루션 레이어에서 복수의 매출량 벡터 및 복수의 유형 벡터가 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 상기 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 수명주기에 대한 값과 관련된 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 제2 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 매출량 벡터 및 하나의 유형 벡터는 정답 수명주기에 대한 값과 하나의 학습 데이터 세트로 구성될 수 있다. 예를 들어, 복수의 학습 데이터 세트가 서버에 사전 저장될 수 있다. 예를 들어, 서버는, 사전에 제품 수명주기에 대한 값이 판단된 복수의 샘플 제품에 대해서, 복수의 샘플 제품 각각에 대해 HS 코드별로 해당 샘플 제품의 매출량 데이터 및 수익 데이터를 수집하고, 해당 샘플 제품에 대한 구매 관여도를 나타내는 점수를 결정할 수 있다. 서버는 하나의 샘플 제품에 대한 매출량 데이터, 수익 데이터, 구매 관여도를 나타내는 점수 및 제품 수명주기에 대한 값을 하나의 학습 데이터 세트로 구성할 수 있다.
예를 들어, 학습 데이터로 사용되는 정답 수명주기에 대한 값은 0보다 크고 10보다 작은 값을 포함할 수 있다. 이때, 0 값에 가까울수록 도입기를 나타내고, 10 값에 가까울수록 쇠퇴기를 나타낼 수 있다.
이를 통해, 서버는 제품의 매출량과 수익 뿐만 아니라 구매 관여도를 나타내는 점수에 따른 제품의 유형을 고려하여 제품 수명주기를 결정하도록 수명주기 결정 모델을 학습시킬 수 있다.
일 실시예에 따르면, KPI 도출 모델에 사용되는 제3 뉴럴 네트워크는 다변량 LSTM 모델일 수 있다. 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다.
예를 들어, 복수의 고객 반응 벡터, 복수의 테스트 벡터 및 복수의 정답 KPI 정보를 기반으로 구성된 학습 데이터는 제3 입력 레이어에 입력되어 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 제3 출력 벡터는 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 제3 손실함수 레이어는 제3 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, KPI 도출 모델에 사용되는 제3 뉴럴 네트워크의 파라미터가 제3 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 고객 반응 벡터 및 하나의 테스트 벡터는 정답 KPI 정보와 하나의 학습 데이터 세트로 구성될 수 있다. 예를 들어, 복수의 학습 데이터 세트가 서버에 사전 저장될 수 있다.
예를 들어, 정답 KPI 정보는 정답 목표 기간, 정답 목표 매출 성장률, 정답 목표 고객 만족도 및 정답 목표 재고 회전율을 포함할 수 있다.
예를 들어, 정답 KPI 정보는 복수의 외부 단말로부터 획득된 목표 기간, 목표 매출 성장률, 목표 고객 만족도 및 목표 재고 회전율을 기반으로 결정될 수 있다. 예를 들어, 정답 KPI 정보에 포함되는 정답 목표 기간, 정답 목표 매출 성장률, 정답 목표 고객 만족도 및 정답 목표 재고 회전율은 복수의 외부 단말로부터 획득된 목표 기간, 목표 매출 성장률, 목표 고객 만족도 및 목표 재고 회전율을 평균한 값으로 결정될 수 있다. 복수의 외부 단말은 KPI를 전문적으로 도출하는 단말일 수 있다. 예를 들어, 서버는 판매 예정 제품에 대한 고객 만족도 및 판매 예정 제품에 대한 구매 관여도를 나타내는 점수, 온라인 매출 데이터 및 오프라인 매출 데이터를 복수의 외부 단말에게 전송할 수 있다. 서버는 복수의 외부 단말로부터 고객 반응 벡터별로 목표 기간, 목표 매출 성장률, 목표 고객 만족도 및 목표 재고 회전율을 수신할 수 있다. 서버는 수신된 목표 기간, 목표 매출 성장률, 목표 고객 만족도 및 목표 재고 회전율을 평균한 값을 정답 KPI 정보로 결정할 수 있다.
예를 들어, 상기 하나 이상의 제3 히든 레이어는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.
예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.
예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트를 통해 셀 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 하나의 학습 데이터 세트로 복수의 고객 반응 벡터, 복수의 테스트 벡터 및 복수의 정답 KPI 정보가 상기 제3 입력 레이어에 입력되고, 상기 삭제 게이트는 복수의 고객 반응 벡터, 복수의 테스트 벡터 및 복수의 정답 KPI 정보가 입력된 것을 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다.
예를 들어, 상기 입력 게이트는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트(424)에 저장시킬 수 있다. tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 셀 스테이트에 대해 상기 ft를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다.
예를 들어, 출력 게이트는 시그모이드 레이어에서 고객 반응 벡터 및 테스트 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트(423)는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다.
예를 들어, 제3 뉴럴 네트워크 모델은 상기 삭제 게이트(와 상기 입력 게이트가 합쳐진 LSTM 모델일 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.
따라서, 서버는 다변량 LSTM 모델을 통해 학습된 제3 뉴럴 네트워크의 파라미터를 사용할 수 있고, 서버는 제3 뉴럴 네트워크를 이용하여 판매 예정 제품에 대한 고객 만족도, 판매 예정 제품에 대한 구매 관여도를 나타내는 점수, 온라인 매출 데이터 및 오프라인 매출 데이터를 기반으로 KPI 정보를 결정할 수 있다.
도 5는 일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 가격 전략에 대한 정보를 사용자 단말에게 제공하는 방법에 대한 흐름도를 나타낸다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 사용자 단말로부터 프라이싱 요청 메시지를 수신할 수 있다.
프라이싱 요청 메시지는 판매 예정 제품에 대한 정보 및 진출 예정 국가에 대한 정보를 포함할 수 있다. 판매 예정 제품에 대한 정보는 판매 예정 제품의 국제 분류 코드 및 판매 예정 제품과 관련된 비용에 대한 정보를 포함할 수 있다. 진출 예정 국가에 대한 정보는 진출 예정 국가에 대한 국가 코드와 상기 국가 코드와 관련된 지역 코드 및 진출 예정 날짜를 포함할 수 있다.
단계 S502에서, 서버는 판매 예정 제품의 국제 분류 코드, 국가 코드 및 지역 코드를 기반으로 진출 예정 국가 내 지역에서 판매되는 복수의 제품 중에서 판매 예정 제품과 가장 높은 유사도를 가진 제품을 제1 타겟 제품으로 결정할 수 있다.
단계 S503에서, 서버는 타겟 제품과 관련된 복수의 웹 페이지에 대한 제1 웹 크롤링을 통해 프라이싱과 관련된 온라인 데이터를 수집할 수 있다.
단계 S504에서, 서버는 프라이싱과 관련된 온라인 데이터의 용량이 사전 설정된 용량 이상인지 여부를 결정할 수 있다.
사전 설정된 용량은 가격 전략 결정 모델이 사용자 단말에 대한 가격 전략에 대한 정보를 결정하기 위해 필요한 프라이싱과 관련된 온라인 데이터의 최소 용량일 수 있다. 부가적으로, 예를 들어, 사전 설정된 용량은 하기 수학식 3에 의해 결정될 수 있다.
예를 들어, 사전 설정된 용량은 하기 수학식 6에 의해 결정될 수 있다.
상기 수학식 6에서, 상기 Bth는 상기 사전 설정된 용량이고, 상기 Nlearn은 상기 제1 뉴럴 네트워크의 학습에 사용된 학습 데이터 세트의 개수이고, 상기 NGRU는 상기 제1 뉴럴 네트워크에 포함된 GRU 블록의 개수이고, 상기 Nneed는 상기 제1 뉴럴 네트워크의 학습을 위해 요구되는 최소 학습 데이터 세트의 개수이고, 상기 Ndef는 상기 제1 뉴럴 네트워크의 학습을 위해 요구되는 최소 GRU 블록의 개수이고, 상기 Bref는 기준 용량일 수 있다.
예를 들어, 기준 용량은 상기 서버에 사전 저장된 값일 수 있다.
이를 통해, 프라이싱과 관련된 온라인 데이터의 용량이 사전 설정된 용량보다 작은 경우에는 웹 크롤링을 추가로 수행하여 데이터를 확보할 수 있다. 또한, 사전 설정된 용량을 고정된 값으로 사용하지 않고, 제1 뉴럴 네트워크의 학습에 사용된 데이터와 제1 뉴럴 네트워크를 구성하는 GRU 블록의 개수에 따라 사전 설정된 용량을 조정함으로써, 제1 뉴럴 네트워크가 추가적인 학습 또는 업데이트를 통해 변경되는 경우 유연하게 사전 설정된 용량을 변경할 수 있다.
단계 S505에서, 프라이싱과 관련된 온라인 데이터가 사전 설정된 용량 미만인 경우, 서버는 진출 예정 국가 내 지역에서 판매되는 복수의 제품 중에서 판매 예정 제품과 제1 타겟 제품 다음으로 유사도가 높은 제품을 제2 타겟 제품으로 추가할 수 있다.
단계 S506에서, 프라이싱과 관련된 온라인 데이터가 사전 설정된 용량 이상인 경우, 서버는 복수의 데이터 수집 단말 각각으로부터 프라이싱과 관련된 오프라인 데이터를 수신할 수 있다.
예를 들어, 서버는 복수의 데이터 수집 단말에게 타겟 제품에 대한 오프라인 데이터를 요청하는 데이터 요청 메시지를 전송할 수 있다. 이때, 타겟 제품이 추가된 경우, 타겟 제품은 제1 타겟 제품 및 제2 타겟 제품을 포함할 수 있다. 즉, 추가된 타겟 제품까지 오프라인 데이터를 요청할 수 있다.
단계 S507에서, 프라이싱과 관련된 온라인 데이터가 사전 설정된 용량 이상인 경우, 서버는 복수의 SNS와 관련된 웹 페이지에서 타겟 제품에 대한 제2 웹 크롤링을 통해 타겟 제품과 관련된 복수의 키워드를 수집할 수 있다.
이때, 타겟 제품이 추가된 경우, 타겟 제품은 제1 타겟 제품 및 제2 타겟 제품을 포함할 수 있다. 즉, 추가된 타겟 제품에 대해서도 복수의 키워드를 수집할 수 있다.
단계 S508에서, 서버는 매출량 벡터 및 구매 관여도를 나타내는 점수를 포함하는 유형 벡터를 기반으로 수명주기 결정 모델을 통해 타겟 제품의 수명주기에 대한 값을 결정할 수 있다.
예를 들어, 수명주기 결정 모델은 상술한 제2 뉴럴 네트워크를 사용할 수 있다.
이때, 타겟 제품이 추가된 경우, 타겟 제품은 제1 타겟 제품과 제2 타겟 제품을 포함할 수 있다. 예를 들어, 매출량 벡터는 제1 타겟 제품의 평균 판매 기간과 제2 타겟 제품의 평균 판매 기간이 중복되는 판매 기간에 해당하는 월별 총 매출량 및 월별 총 수익을 포함할 수 있다. 이때, 월별 총 매출량은 제1 타겟 제품과 제2 타겟 제품의 총 매출량을 평균한 값일 수 있다. 월별 총 수익은 제1 타겟 제품과 제2 타겟 제품의 총 수익을 평균한 값일 수 있다. 예를 들어, 타겟 제품에 대한 구매 관여도를 나타내는 점수는 제1 타겟 제품과 관련된 복수의 키워드와 제2 타겟 제품과 관련된 복수의 키워드가 사전 설정된 좌표에 매칭되어 결정될 수 있다.
단계 S509에서, 서버는 판매 예정 제품과 관련된 비용에 대한 정보, 프라이싱과 관련된 온라인 데이터, 프라이싱과 관련된 오프라인 데이터 및 타겟 제품과 관련된 복수의 키워드를 기반으로 가격 전략 결정 모델을 통해 사용자 단말에 대한 가격 전략에 대한 정보를 결정할 수 있다.
예를 들어, 가격 전략 결정 모델은 상술한 제1 뉴럴 네트워크를 사용할 수 있다.
예를 들어, 타겟 제품이 추가된 경우, 타겟 제품은 타겟 제품에 대한 월별 판매량, 타겟 제품에 대한 월별 재고량, 타겟 제품에 대한 월별 판매 가격, 타겟 제품에 대한 가격 적합도 및 타겟 제품에 대한 품질 점수를 제1 타겟 제품과 제2 타겟 제품 각각의 경쟁사별로 포함할 수 있다.
단계 S510에서, 서버는 가격 테스트 기간이 경과했는지 여부를 결정할 수 있다.
예를 들어, 서버는 사용자 단말로부터 수신한 진출 예정 날짜로부터 가격 테스트 기간이 경과했는지 여부를 결정할 수 있다.
단계 S511에서, 가격 테스트 기간이 경과되기 이전인 경우, 서버는 판매 예정 제품과 관련된 복수의 키워드 및 고객 만족도와 관련된 복수의 키워드를 수집할 수 있다.
예를 들어, 서버는 판매 예정 제품과 관련된 복수의 웹 페이지에서 가격 테스트 기간동안 제3 웹 크롤링을 통해 고객 만족도와 관련된 복수의 키워드를 수집할 수 있다.
예를 들어, 서버는 복수의 SNS와 관련된 웹 페이지에서 가격 테스트 기간동안 상기 판매 예정 제품에 대한 제4 웹 크롤링이 수행됨으로써, 판매 예정 제품과 관련된 복수의 키워드를 수집할 수 있다.
단계 S512에서, 가격 테스트 기간이 경과된 경우, 서버는 사용자 단말로부터 온라인 매출 데이터를 수신하고, 적어도 하나의 포스 단말로부터 오프라인 매출 데이터를 수신할 수 있다.
단계 S513에서, 서버는 판매 예정 제품에 대한 고객 만족도, 판매 예정 제품에 대한 구매 관여도를 나타내는 점수, 온라인 매출 데이터 및 오프라인 매출 데이터를 기반으로 제3 뉴럴 네트워크를 이용하는 KPI 도출 모델을 통해 사용자 단말에 대한 KPI 정보가 결정할 수 있고, KPI 정보를 사용자 단말에게 전송할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 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(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 가격 전략에 대한 정보를 사용자 단말에게 제공하는 방법에 있어서,
    상기 사용자 단말로부터 프라이싱(pricing) 요청 메시지를 수신하는 단계;
    상기 프라이싱 요청 메시지는 판매 예정 제품에 대한 정보 및 진출 예정 국가에 대한 정보를 포함하고,
    상기 판매 예정 제품에 대한 정보는 판매 예정 제품의 국제 분류 코드 및 판매 예정 제품과 관련된 비용에 대한 정보를 포함하고,
    상기 진출 예정 국가에 대한 정보는 진출 예정 국가에 대한 국가 코드와 상기 국가 코드와 관련된 지역 코드 및 진출 예정 날짜를 포함하고,
    상기 판매 예정 제품의 국제 분류 코드, 상기 국가 코드 및 상기 지역 코드를 기반으로 상기 진출 예정 국가 내 지역에서 판매되는 복수의 제품 중에서 상기 판매 예정 제품과 가장 높은 유사도를 가진 제품을 타겟 제품으로 결정하는 단계;
    상기 타겟 제품과 관련된 복수의 웹 페이지에 대한 제1 웹 크롤링을 통해 프라이싱과 관련된 온라인 데이터를 수집하는 단계;
    상기 타겟 제품에 대한 오프라인 데이터를 요청하는 데이터 요청 메시지를 복수의 데이터 수집 단말에게 전송하는 단계;
    상기 복수의 데이터 수집 단말 각각으로부터 프라이싱과 관련된 오프라인 데이터를 수신하는 단계;
    복수의 SNS와 관련된 웹 페이지에서 상기 타겟 제품에 대한 제2 웹 크롤링을 통해 상기 타겟 제품과 관련된 복수의 키워드를 수집하는 단계;
    상기 판매 예정 제품과 관련된 비용에 대한 정보, 상기 프라이싱과 관련된 온라인 데이터, 상기 프라이싱과 관련된 오프라인 데이터 및 상기 타겟 제품과 관련된 복수의 키워드를 기반으로 제1 뉴럴 네트워크를 이용하는 가격 전략 결정 모델을 통해 상기 사용자 단말에 대한 가격 전략에 대한 정보를 결정하는 단계; 및
    상기 사용자 단말에게 상기 가격 전략에 대한 정보를 전송하는 단계를 포함하되,
    상기 가격 전략에 대한 정보는 권장 가격 범위, 추천 가격 및 가격 테스트 기간을 포함하고,
    상기 프라이싱과 관련된 온라인 데이터는 상기 타겟 제품과 관련된 경쟁사 데이터 및 사전 설정된 기간에 대한 경제 데이터를 포함하고,
    상기 타겟 제품과 관련된 복수의 키워드가 사전 설정된 좌표에 매칭됨으로써, 상기 타겟 제품에 대한 구매 관여도를 나타내는 점수가 결정되고,
    상기 프라이싱과 관련된 온라인 데이터에 대한 데이터 전처리를 통해 상기 타겟 제품에 대한 매출량 벡터가 생성되고,
    상기 매출량 벡터는 상기 타겟 제품의 평균 판매 기간에 대한 월별 총 매출량 및 상기 타겟 제품의 평균 판매 기간에 대한 월별 총 수익을 포함하고,
    상기 매출량 벡터 및 상기 구매 관여도를 나타내는 점수를 포함하는 유형 벡터가 제2 뉴럴 네트워크를 이용하는 수명주기 결정 모델에 입력되는 것에 기반하여 상기 타겟 제품의 수명주기에 대한 값이 결정되고,
    상기 수명주기 결정 모델은 복수의 매출량 벡터, 복수의 유형 벡터 및 복수의 정답 수명주기에 대한 값을 기반으로 학습되고,
    상기 프라이싱과 관련된 오프라인 데이터는 상기 타겟 제품에 대한 경쟁사별 가격 적합도 및 상기 타겟 제품에 대한 경쟁사별 품질 점수를 포함하고,
    상기 판매 예정 제품과 관련된 비용에 대한 정보에 대한 데이터 전처리를 통해 비용 벡터가 생성되고,
    상기 비용 벡터는 판매 가능량, 상기 판매 가능량에 따른 재료 비용, 상기 판매 가능량에 따른 생산 비용, 상기 판매 가능량에 따른 마케팅 비용, 상기 판매 가능량에 따른 운송 비용, 상기 판매 가능량에 따른 고정 비용, 상기 판매 가능량에 따른 가변 비용 및 개발 비용과 관련된 값을 포함하고,
    상기 프라이싱과 관련된 온라인 데이터 및 상기 프라이싱과 관련된 오프라인 데이터에 대한 데이터 전처리를 통해 경쟁사 세트 벡터 및 국가 벡터가 생성되고,
    상기 경쟁사 세트 벡터는 상기 타겟 제품에 대한 월별 판매량, 상기 타겟 제품에 대한 월별 재고량, 상기 타겟 제품에 대한 월별 판매 가격, 상기 타겟 제품에 대한 가격 적합도 및 상기 타겟 제품에 대한 품질 점수를 경쟁사별로 포함하고,
    상기 국가 벡터는, 상기 사전 설정된 기간에 대한, 연도별 GDP(gross domestic product), 월별 환율, 월별 소비자 물가지수 및 월별 생산자 물가지수를 포함하고,
    상기 구매 관여도를 나타내는 점수를 기반으로 가격에 대한 심리적 가중치가 결정되고,
    상기 타겟 제품의 수명주기에 대한 값과 상기 가격에 대한 심리적 가중치를 포함하는 제품 특성 벡터가 생성되고,
    상기 비용 벡터, 상기 경쟁사 세트 벡터, 상기 국가 벡터 및 상기 제품 특성 벡터가 상기 가격 전략 결정 모델에 입력되는 것에 기반하여 상기 가격 전략에 대한 정보가 출력되고,
    상기 가격 전략 결정 모델은 복수의 비용 벡터, 복수의 경쟁사 세트 벡터, 복수의 국가 벡터, 복수의 제품 특성 벡터 및 복수의 정답 가격 전략에 대한 정보를 기반으로 학습되고,
    상기 사전 설정된 좌표는 이성의 관여도와 감성의 관여도가 x축과 y축으로 설정된 xy 좌표이고,
    상기 xy 좌표 상에 복수의 단어들이 이성의 관여도 및 감성의 관여도에 따라 분류되고,
    상기 타겟 제품과 관련된 복수의 키워드 각각에 대해 상기 사전 설정된 좌표에 매칭되는 xy 좌표의 값을 평균한 xy 좌표 값을 기반으로, 상기 타겟 제품에 대한 구매 관여도를 나타내는 점수가 결정되는,
    방법.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    상기 가격 테스트 기간이 경과된 후 상기 사용자 단말로부터 온라인 매출 데이터가 상기 서버에게 수신되고,
    상기 가격 테스트 기간이 경과된 후 적어도 하나의 포스 단말로부터 오프라인 매출 데이터가 상기 서버에게 수신되고,
    상기 판매 예정 제품과 관련된 복수의 웹 페이지에서 상기 가격 테스트 기간동안 제3 웹 크롤링을 통해 고객 만족도와 관련된 복수의 키워드가 수집되고,
    상기 복수의 SNS와 관련된 웹 페이지에서 상기 가격 테스트 기간동안 상기 판매 예정 제품에 대한 제4 웹 크롤링이 수행됨으로써, 상기 판매 예정 제품과 관련된 복수의 키워드가 수집되고,
    상기 고객 만족도와 관련된 복수의 키워드를 기반으로 상기 판매 예정 제품에 대한 고객 만족도가 결정되고,
    상기 판매 예정 제품과 관련된 복수의 키워드가 상기 사전 설정된 좌표에 매칭됨으로써, 상기 판매 예정 제품에 대한 구매 관여도를 나타내는 점수가 결정되고,
    상기 판매 예정 제품에 대한 고객 만족도, 상기 판매 예정 제품에 대한 구매 관여도를 나타내는 점수, 상기 온라인 매출 데이터 및 상기 오프라인 매출 데이터를 기반으로 제3 뉴럴 네트워크를 이용하는 KPI(key performance indicator) 도출 모델을 통해 상기 사용자 단말에 대한 KPI 정보가 결정되고,
    상기 서버로부터 상기 사용자 단말에게 상기 KPI 정보가 전송되고,
    상기 KPI 정보는 목표 기간, 목표 매출 성장률, 목표 고객 만족도 및 목표 재고 회전율을 포함하는,
    방법.
  5. 제 4항에 있어서,
    상기 판매 예정 제품에 대한 고객 만족도 및 상기 판매 예정 제품에 대한 구매 관여도를 나타내는 점수를 포함하는 고객 반응 벡터가 생성되고,
    상기 온라인 매출 데이터 및 상기 오프라인 매출 데이터에 대한 데이터 전처리를 통해 상기 판매 예정 제품에 대한 테스트 벡터가 생성되고,
    상기 테스트 벡터는 상기 가격 테스트 기간에 대한 일별 온라인 판매량, 상기 가격 테스트 기간에 대한 일별 오프라인 판매량 및 상기 가격 테스트 기간에 대한 일별 재고량을 포함하고,
    상기 고객 반응 벡터 및 상기 테스트 벡터가 상기 KPI 도출 모델에 입력되는 것에 기반하여 상기 사용자 단말에 대한 KPI 정보가 출력되고,
    상기 KPI 도출 모델은 복수의 고객 반응 벡터, 복수의 테스트 벡터 및 복수의 정답 KPI 정보를 기반으로 학습되는,
    방법.
KR1020230146033A 2023-10-27 2023-10-27 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치 KR102642567B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230146033A KR102642567B1 (ko) 2023-10-27 2023-10-27 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230146033A KR102642567B1 (ko) 2023-10-27 2023-10-27 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102642567B1 true KR102642567B1 (ko) 2024-02-28

Family

ID=90124963

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230146033A KR102642567B1 (ko) 2023-10-27 2023-10-27 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102642567B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080032683A (ko) 2006-10-09 2008-04-16 주식회사 씨엠에스 시제품 판매 테스트 방법 및 시스템
KR20210001243A (ko) 2019-06-27 2021-01-06 권영식 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템
KR20230065410A (ko) 2021-11-04 2023-05-12 (주)삼강금속 Kpi 지수 및 psi 실적 예측모델 시스템
KR102564359B1 (ko) 2023-02-09 2023-08-07 주식회사 동아인터내셔널 온라인 마켓에서 판매 상품의 판매 가격을 결정하는 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080032683A (ko) 2006-10-09 2008-04-16 주식회사 씨엠에스 시제품 판매 테스트 방법 및 시스템
KR20210001243A (ko) 2019-06-27 2021-01-06 권영식 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템
KR20230065410A (ko) 2021-11-04 2023-05-12 (주)삼강금속 Kpi 지수 및 psi 실적 예측모델 시스템
KR102564359B1 (ko) 2023-02-09 2023-08-07 주식회사 동아인터내셔널 온라인 마켓에서 판매 상품의 판매 가격을 결정하는 방법

Similar Documents

Publication Publication Date Title
KR102553152B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
KR102625772B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102465655B1 (ko) 뉴럴 네트워크를 이용하여 제1 단말과 관련된 광고 기업 리스트를 제공하는 방법 및 장치
KR102594697B1 (ko) 뉴럴 네트워크를 이용하여 가상 자산 시장의 상태에 따라 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법 및 장치
KR20230110221A (ko) 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치
KR102529607B1 (ko) 인공지능 기반의 사업체 거래 플랫폼 시스템
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102561611B1 (ko) 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치
KR102644779B1 (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법
KR102622114B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치
KR102584487B1 (ko) 뉴럴 네트워크를 이용하여 특정 데이터에 대한 복수의 리밸런싱을 수행하는 방법 및 장치
KR102605447B1 (ko) 뉴럴 네트워크를 이용하여 해외 인플루언서 단말에게링크샵을 제공하는 방법 및 장치
KR102594696B1 (ko) 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱 기준 값에 따라 리밸런싱을 수행하는 방법 및 장치
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102591113B1 (ko) 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102481347B1 (ko) 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치
KR102493412B1 (ko) 의류 및 사이즈 추천 방법 및 그 방법을 수행하기 위한 서버
KR102668843B1 (ko) 인공지능을 이용한 스마트 주문 시스템
KR102563097B1 (ko) 뉴럴 네트워크를 이용하는 뷰티 서비스를 위한 온라인 결제 시스템
KR102465106B1 (ko) 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치
KR102504950B1 (ko) 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치
KR20240031980A (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant