KR102653142B1 - 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법에 있어서, 제1 판매기의 판매 내역을 기반으로, 상기 제1 판매기에서 판매된 제1 상품의 기간별 판매량을 확인하는 단계; 상기 제1 상품의 기간별 판매량을 기반으로, 제1 기간 동안 상기 제1 판매기에서 판매될 것으로 예상되는 상기 제1 상품의 판매량을 제1 판매량으로 예측하는 단계; 상기 제1 판매기의 설치 지점이 제1 지역 내에 포함되어 있는 것으로 확인되면, 상기 제1 지역의 기상 정보를 기반으로, 상기 제1 지역의 기간별 기상 상태와 상기 제1 기간의 기상 예측 상태를 확인하는 단계; 상기 제1 상품의 기간별 판매량, 상기 제1 지역의 기간별 기상 상태 및 상기 제1 기간의 기상 예측 상태를 매칭하여, 매칭 결과를 생성하는 단계; 상기 매칭 결과를 인공지능 모델에 적용하여, 상기 인공지능 모델의 출력을 기초로, 상기 제1 기간에 판매될 것으로 예상되는 상기 제1 상품의 판매량을 제2 판매량으로 설정하는 단계; 상기 제1 판매량 및 상기 제2 판매량의 평균값으로, 제1 수요량을 산출하는 단계; 및 상기 제1 기간 동안 상기 제1 판매기에서 판매하기 위해 확보가 필요할 것으로 예상되는 상기 제1 상품의 수요량을 상기 제1 수요량으로 예측하는 단계를 포함하는, 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법이 제공된다.

Description

멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING DEMAND FORECASTING AND SUBSCRIPTION SOLUTION BASED ON ARTIFICIAL INTELLIGENCE MODEL USING MULTI DOMAIN VARIABLE}

아래 실시예들은 멀티 도메인 변수를 활용하여 인공지능 모델을 기반으로 수요 예측 및 구독 솔루션을 제공하기 위한 기술에 관한 것이다.

자동판매기 기술이 발달함에 따라, 각 판매기에서 판매되는 상품의 종류가 늘어나고 있다.

판매기에서 판매되는 상품을 관리하기 위해, 각 상품에 대한 수요 예측을 진행하고 있으나, 현재 제한적인 정보를 기반으로, 수요 예측을 진행하고 있어, 각 상품의 수요를 정확하게 예측하는데 한계가 있다.

즉, 기존의 단순 정보 및 인력에 의존한 정보 획득으로 인해, 정확한 수요 예측에 실패하면서, 상품 폐기량이 증가하고 있는 문제가 있다.

따라서, 다양한 변수를 고려하여 상품의 수요를 예측함으로써, 수요 예측에 대한 정확도를 증대시킬 수 있는 기술의 개발이 요구된다.

한국등록특허 제10-2594165호 한국등록특허 제10-2518379호 한국등록특허 제10-2453582호 한국등록특허 제10-2447055호

일실시예에 따르면, 멀티 도메인 변수를 활용하여 인공지능 모델을 기반으로 수요 예측 및 구독 솔루션을 제공하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 장치에 의해 수행되는, 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법에 있어서, 제1 판매기의 판매 내역을 기반으로, 상기 제1 판매기에서 판매된 제1 상품의 기간별 판매량을 확인하는 단계; 상기 제1 상품의 기간별 판매량을 기반으로, 제1 기간 동안 상기 제1 판매기에서 판매될 것으로 예상되는 상기 제1 상품의 판매량을 제1 판매량으로 예측하는 단계; 상기 제1 판매기의 설치 지점이 제1 지역 내에 포함되어 있는 것으로 확인되면, 상기 제1 지역의 기상 정보를 기반으로, 상기 제1 지역의 기간별 기상 상태와 상기 제1 기간의 기상 예측 상태를 확인하는 단계; 상기 제1 상품의 기간별 판매량, 상기 제1 지역의 기간별 기상 상태 및 상기 제1 기간의 기상 예측 상태를 매칭하여, 매칭 결과를 생성하는 단계; 상기 매칭 결과를 인공지능 모델에 적용하여, 상기 인공지능 모델의 출력을 기초로, 상기 제1 기간에 판매될 것으로 예상되는 상기 제1 상품의 판매량을 제2 판매량으로 설정하는 단계; 상기 제1 판매량 및 상기 제2 판매량의 평균값으로, 제1 수요량을 산출하는 단계; 및 상기 제1 기간 동안 상기 제1 판매기에서 판매하기 위해 확보가 필요할 것으로 예상되는 상기 제1 상품의 수요량을 상기 제1 수요량으로 예측하는 단계를 포함하는, 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법이 제공된다.

상기 제1 수요량을 산출하는 단계는, 상기 제1 판매기의 판매 내역을 기반으로, 상기 제1 판매기에서 판매된 상기 제1 상품의 일자별 판매량을 확인하는 단계; 상기 제1 상품의 일자별 판매량에 대한 평균값으로, 제1 수량을 산출하는 단계; 상기 제1 상품의 일자별 판매량을 기반으로, 휴일의 일자별 판매량을 확인하고, 상기 휴일의 일자별 판매량에 대한 평균값으로, 제2 수량을 산출하는 단계; 상기 제1 수량 및 상기 제2 수량 간의 차이를 제3 수량으로 산출하는 단계; 상기 제3 수량이 미리 설정된 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 휴일일 때 상기 제1 상품의 판매량이 유지된 것으로 분석하고, 제1 가중치를 1로 설정하는 단계; 상기 제3 수량이 상기 제1 기준 범위 내에 포함되어 있지 않으면서 상기 제2 수량이 상기 제1 수량 보다 많은 것으로 확인되면, 상기 휴일일 때 상기 제1 상품의 판매량이 증가된 것으로 분석하고, 상기 제3 수량이 클수록 제1 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계; 상기 제3 수량이 상기 제1 기준 범위 내에 포함되어 있지 않으면서 상기 제1 수량이 상기 제2 수량 보다 많은 것으로 확인되면, 상기 휴일일 때 상기 제1 상품의 판매량이 감소된 것으로 분석하고, 상기 제3 수량이 클수록 상기 제1 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계; 상기 제1 상품의 일자별 판매량을 기반으로, 제1 시기의 일자별 판매량을 확인하고, 상기 제1 시기의 일자별 판매량에 대한 평균값으로, 제4 수량을 산출하는 단계; 상기 제1 수량 및 상기 제4 수량 간의 차이를 제5 수량으로 산출하는 단계; 상기 제5 수량이 미리 설정된 제2 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 제1 시기일 때 상기 제1 상품의 판매량이 유지된 것으로 분석하고, 제2 가중치를 1로 설정하는 단계; 상기 제5 수량이 상기 제2 기준 범위 내에 포함되어 있지 않으면서 상기 제4 수량이 상기 제1 수량 보다 많은 것으로 확인되면, 상기 제1 시기일 때 상기 제1 상품의 판매량이 증가된 것으로 분석하고, 상기 제5 수량이 클수록 제2 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계; 상기 제5 수량이 상기 제2 기준 범위 내에 포함되어 있지 않으면서 상기 제1 수량이 상기 제4 수량 보다 많은 것으로 확인되면, 상기 제1 시기일 때 상기 제1 상품의 판매량이 감소된 것으로 분석하고, 상기 제5 수량이 클수록 상기 제2 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계; 상기 제1 기간 내에서 상기 휴일을 제1-1 기간으로 설정하고, 상기 제1 기간 내에서 상기 제1 시기를 제1-2 기간으로 설정하는 단계; 상기 제1 기간의 일수를 제1 일수로 설정하고, 상기 제1-1 기간의 일수를 제2 일수로 설정하고, 상기 제1-2 기간의 일수를 제3 일수로 설정하는 단계; 상기 제2 일수를 상기 제1 일수로 나눈 값으로 제1 비율을 산출하고, 상기 제3 일수를 상기 제1 일수로 나눈 값으로 제2 비율을 산출하는 단계; 상기 제1 가중치가 1인 것으로 확인되면, 제3 비율을 100%로 설정하고, 상기 제1 가중치가 1 보다 큰 것으로 확인되면, 상기 제1 비율 및 100%를 합산한 값으로 상기 제3 비율을 산출하고, 상기 제1 가중치가 1 보다 작은 것으로 확인되면, 100%에서 상기 제1 비율을 차감한 값으로 상기 제3 비율을 산출하는 단계; 상기 제2 가중치가 1인 것으로 확인되면, 제4 비율을 100%로 설정하고, 상기 제2 가중치가 1 보다 큰 것으로 확인되면, 상기 제2 비율 및 100%를 합산한 값으로 상기 제4 비율을 산출하고, 상기 제2 가중치가 1 보다 작은 것으로 확인되면, 100%에서 상기 제2 비율을 차감한 값으로 상기 제4 비율을 산출하는 단계; 상기 제1 가중치 및 상기 제3 비율을 곱한 값으로 제3 가중치를 설정하고, 상기 제2 가중치 및 상기 제4 비율을 곱한 값으로 제4 가중치를 설정하는 단계; 및 상기 제1 수요량, 상기 제3 가중치 및 상기 제4 가중치를 곱한 값으로 상기 제1 수요량을 조정하는 단계를 포함할 수 있다.

상기 제1 수요량을 산출하는 단계는, 크롤링을 통해 SNS에 업로드된 게시물 중에서 상기 제1 상품의 게시물로 구분된 제1 게시물을 업로드된 기간 별로 수집하여 획득하는 단계; 상기 제1 기간 이전인 제2 기간 동안 업로드된 상기 제1 게시물을 제1 게시물 그룹으로 분류하고, 상기 제2 기간 이전인 제3 기간 동안 업로드된 상기 제1 게시물을 제2 게시물 그룹으로 분류하는 단계; 상기 제1 게시물 그룹으로 분류된 게시물의 수를 제1 수치로 설정하고, 상기 제2 게시물 그룹으로 분류된 게시물의 수를 제2 수치로 설정하는 단계; 상기 제1 수치 및 상기 제2 수치 간의 차이를 제3 수치로 산출하는 단계; 상기 제3 수치가 미리 설정된 제3 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 업로드 수가 유지된 것으로 분석하고, 제5 가중치를 1로 설정하는 단계; 상기 제3 수치가 상기 제3 기준 범위 내에 포함되어 있지 않으면서 상기 제1 수치가 상기 제2 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 업로드 수가 증가된 것으로 분석하고, 상기 제3 수치가 클수록 제5 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계; 상기 제3 수치가 상기 제3 기준 범위 내에 포함되어 있지 않으면서 상기 제2 수치가 상기 제1 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 업로드 수가 감소된 것으로 분석하고, 상기 제3 수치가 클수록 제5 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계; 상기 제1 게시물 그룹으로 분류된 게시물의 조회 수에 대한 평균치를 제4 수치로 설정하고, 상기 제2 게시물 그룹으로 분류된 게시물의 조회 수에 대한 평균치를 제5 수치로 설정하는 단계; 상기 제4 수치 및 상기 제5 수치 간의 차이를 제6 수치로 산출하는 단계; 상기 제6 수치가 미리 설정된 제4 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 조회 수가 유지된 것으로 분석하고, 제6 가중치를 1로 설정하는 단계; 상기 제6 수치가 상기 제4 기준 범위 내에 포함되어 있지 않으면서 상기 제4 수치가 상기 제5 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 조회 수가 증가된 것으로 분석하고, 상기 제6 수치가 클수록 제6 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계; 상기 제6 수치가 상기 제4 기준 범위 내에 포함되어 있지 않으면서 상기 제5 수치가 상기 제4 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 조회 수가 감소된 것으로 분석하고, 상기 제6 수치가 클수록 제6 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계; 및 상기 제1 수요량, 상기 제5 가중치 및 상기 제6 가중치를 곱한 값으로, 상기 제1 수요량을 조정하는 단계를 포함할 수 있다.

일실시예에 따르면, 다양한 변수를 고려하여 상품의 수요를 예측함으로써, 수요 예측에 대한 정확도를 증대시킬 수 있으며, 정확한 수요 예측을 기반으로 운영 효율화와 상품에 대한 고객 만족도를 극대화시킬 수 있는 효과가 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 기간별 판매량 및 날씨를 고려하여 상품의 수요를 예측하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 휴일 판매량을 고려하여 제1 가중치를 설정하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 특정 시기 판매량을 고려하여 제2 가중치를 설정하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제1 가중치 및 제2 가중치를 이용하여 제1 수요량을 조정하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 상품 게시물의 업로드 수를 고려하여 제5 가중치를 설정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 상품 게시물의 조회 수를 고려하여 제6 가중치를 설정하는 과정을 설명하기 위한 순서도이다.
도 8 내지 도 9는 일실시예에 따른 수요량, 구독량 및 재고량을 고려하여 입고 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 판매기의 상품별 재고 현황을 나타내는 페이지를 제공하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 사용자 선호도 및 상품 분류 결과를 기반으로 추천 상품을 표시하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 판매기(100), 복수의 관리자 단말(200), 복수의 사용자 단말(300) 및 장치(400)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

먼저, 복수의 판매기(100)는 판매를 위한 상품이 진열되거나 정기구독을 통해 배송된 상품이 입고될 수 있으며, 각 구역 별로 배치될 수 있다. 예를 들어, 제1 구역에는 제1 판매기(110)가 배치되어 있고, 제2 구역에는 제2 판매기(120)가 배치될 수 있다.

복수의 판매기(100) 각각은 상품이 진열되는 칸과 구독 상품이 입고되는 칸으로 구분될 수 있으며, RFID 리더, 바코드/QR 스캐너, 신용카드 리더기, 스크린 등의 구성을 포함하는 기기로 구현될 수 있다. 예를 들면, 복수의 판매기(100) 각각은 키오스크, 자동판매기, 미니바 등으로 구현될 수 있다.

구체적으로, 복수의 판매기(100) 각각은 제1 칸과 제2 칸으로 구분되어 공간이 분리될 수 있으며, 제1 칸에는 판매를 위한 상품이 진열되고, 제2 칸에는 정기구독을 통해 배송된 상품이 입고될 수 있다.

복수의 판매기(100) 각각은 여러 개의 선반을 구비하여 각 선반에 상품이 배치될 수 있다. 예를 들어, 제1 판매기(110)에는 제1 칸을 개폐하는 제1 도어와 제2 칸을 개폐하는 제2 도어가 설치되어 있으며, 제1 도어 및 제2 도어는 투명 또는 반투명창을 통해 구현되어 외부에서 미니바에 배치된 상품을 육안으로 확인할 수 있는 구조로 이루어질 수 있다.

제1 도어 및 제2 도어는 제1 판매기(110)의 전면에 구비되어 회동식 내지 미닫이식으로 제1 칸 및 제2 칸의 공간을 개폐하는 기능을 수행한다. 제1 도어 및 제2 도어는 평상시에 잠금 상태로 유지하고 있다가 사용자가 식별되면 잠금이 해제되어 개방될 수 있다.

복수의 판매기(100) 각각에는 RFID, 바코드 등의 식별 정보를 인식하기 위한 리더기가 장착될 수 있다. 복수의 판매기(100) 각각은 리더기에 인식된 식별 정보를 통해 사용자가 식별되기 전까지는 제1 도어 및 제2 도어의 잠금 상태를 유지하여 사용자가 무단으로 상품을 가져가는 것을 방지할 수 있다.

복수의 판매기(100) 각각에는 터치스크린으로 이루어진 디스플레이 화면, 안내 메시지를 출력하는 스피커가 장착될 수 있다. 디스플레이 화면, 스피커를 통해 사용자에게 판매기 내에 진열된 상품과 정기구독의 이용 방법을 안내할 수 있다.

복수의 판매기(100)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 판매기(100)는 장치(400)와 유무선을 통해 통신하도록 구성될 수 있다.

복수의 관리자 단말(200)은 판매기를 관리하는 관리자들이 사용하는 단말로, 제1 판매기(110)를 관리하는 제1 관리자가 사용하는 제1 관리자 단말(210), 제2 판매기(120)를 관리하는 제2 관리자가 사용하는 제2 관리자 단말(220) 등을 포함할 수 있다.

복수의 관리자 단말(200) 각각은 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능, 통신 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 관리자 단말(200)은 장치(400)와 무선으로 통신하도록 구성될 수 있다.

복수의 사용자 단말(300)은 판매기를 사용하는 사용자들이 사용하는 단말로, 제1 사용자가 사용하는 제1 사용자 단말(310), 제2 사용자가 사용하는 제2 사용자 단말(320) 등을 포함할 수 있다.

복수의 사용자 단말(300) 각각은 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능, 통신 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 사용자 단말(300)은 장치(400)와 무선으로 통신하도록 구성될 수 있다.

복수의 관리자 단말(200)과 복수의 사용자 단말(300)은 장치(400)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(400)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다.

즉, 복수의 관리자 단말(200)과 복수의 사용자 단말(300)은 웹 페이지 또는 애플리케이션을 통해 장치(400)와 연동될 수 있고, 장치(400)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(400)에 접속할 수 있다.

이하에서는 설명의 편의상, 제1 판매기(110), 제1 관리자 단말(210) 및 제1 사용자 단말(310)의 동작을 위주로 설명하지만, 제2 판매기(120) 등의 다른 판매기에서 제1 판매기(110)의 동작을 대신 수행하고, 제2 관리자 단말(220) 등의 다른 관리자 단말에서 제1 관리자 단말(210)의 동작을 대신 수행하고, 제2 사용자 단말(320) 등의 다른 사용자 단말에서 제1 사용자 단말(310)의 동작을 대신 수행할 수 있다.

장치(400)는 장치(400)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(400)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(400)는 추론 기능을 수행하는 적어도 하나 이상의 인공지능 모델을 구비할 수 있다.

장치(400)는 복수의 판매기(100)와 유무선으로 통신하도록 구성될 수 있으며, 복수의 판매기(100) 각각의 동작을 전체적으로 제어하 수 있다.

장치(400)는 복수의 관리자 단말(200)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 관리자 단말(200) 각각의 동작을 제어하고, 복수의 관리자 단말(200) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

장치(400)는 복수의 사용자 단말(300)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 사용자 단말(300) 각각의 동작을 제어하고, 복수의 사용자 단말(300) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 판매기(100) 중에서 제1 판매기(110) 및 제2 판매기(120) 만을 도시하고, 복수의 관리자 단말(200) 중에서 제1 관리자 단말(210) 및 제2 관리자 단말(220) 만을 도시하고, 복수의 사용자 단말(300) 중에서 제1 사용자 단말(310) 및 제2 사용자 단말(320) 만을 도시하였으나, 자판기의 수, 관리자 단말의 수, 사용자 단말의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(400)의 처리 용량이 허용하는 한, 자판기의 수, 관리자 단말의 수, 사용자 단말의 수는 특별한 제한이 없다.

일실시예에 따르면, 장치(400)는 멀티 도메인 변수를 활용하여 인공지능 모델을 기반으로 수요를 예측하고 구독 솔루션을 제공할 수 있다. 여기서, 멀티 도메인 변수는 내부 데이터 및 외부 데이터를 포함할 수 있으며, 내부 데이터는 시스템 자체적으로 획득 가능한 사용자 정보, 판매 정보 등을 포함할 수 있고, 외부 데이터는 외부에서 획득 가능한 기상 정보, 휴일 정보, SNS 트렌드 정보 등을 포함할 수 있다.

즉, 장치(400)는 내부 데이터 및 외부 데이터를 활용하여 수요 예측 솔루션을 제공할 수 있고, 수요 예측 결과를 이용하여 구독 솔루션을 제공할 수 있다. 여기서, 수요 예측 솔루션은 상품의 수요를 예측하여 판매기 관리 시 도움이 되는 정보를 관리자에게 제공하는 서비스를 의미할 수 있고, 구독 솔루션은 수요 예측 결과를 이용하여 판매기를 사용 시 도움이 되는 정보를 사용자에게 제공하는 서비스를 의미할 수 있다.

일실시예에 따르면, 장치(400)는 상품의 수요 예측 시, 판매량, 날씨, 휴일, 특정 시기, SNS 트렌드 등의 다양한 변수를 고려하여, 특정 상품의 수요를 예측할 수 있다. 이와 관련된 자세한 설명은 도 2 내지 도 7을 참조하여 후술하기로 한다.

장치(400)는 상품의 수요를 예측하는데 있어서, 인공지능을 활용하여 특정 기간에 판매될 것으로 예상되는 상품의 판매량을 예측할 수 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 기간별 판매량 및 날씨를 고려하여 상품의 수요를 예측하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저, S201 단계에서, 장치(400)는 제1 판매기(110)의 판매 내역을 기반으로, 제1 판매기(110)에서 판매된 제1 상품의 기간별 판매량을 확인할 수 있다. 여기서, 판매 내역은 판매기에서 판매된 상품 정보가 누적된 정보로, 어느 시점에 어느 상품이 얼마나 많이 판매되었는지 나타내는 리스트로 구성될 수 있고, 상품명, 판매일, 판매량 등의 정보를 포함할 수 있다. 이를 위해, 장치(400)의 데이터베이스에는 판매기 별로 구분되어 있는 판매 내역이 저장되어 있으며, 장치(400)는 데이터베이스에 저장된 정보를 조회하여, 제1 판매기(110)의 판매 내역을 획득할 수 있다.

S202 단계에서, 장치(400)는 제1 상품의 기간별 판매량을 기반으로, 제1 기간 동안 제1 판매기(110)에서 판매될 것으로 예상되는 제1 상품의 판매량을 제1 판매량으로 예측할 수 있다. 여기서, 제1 기간은 현재 시점부터 일정 기간인 지난 미래 시점까지의 기간을 의미할 수 있으며, 실시예에 따라 상이하게 설정될 수 있다. 예를 들면, 제1 기간은 일, 주, 월, 분기 등의 다양한 기준으로 설정될 수 있다.

예를 들어, 제1 기간이 2023년 3월로 설정되어 있는 경우, 장치(400)는 제1 상품의 기간별 판매량을 기반으로, 제1 상품의 2023년 1월 판매량이 30개로 확인되고 제1 상품의 2023년 2월 판매량이 34개로 확인되면, 제1 상품의 2023년 1월 판매량과 제1 상품의 2023년 2월 판매량을 비교하여, 제1 상품의 판매량이 5개씩 증가하는 것으로 제1 상품의 판매량 변동 추이를 분석할 수 있으며, 제1 상품의 판매량 변동 추이를 분석한 결과를 이용하여, 제1 상품의 2023년 3월 판매량을 40개로 예측하는 과정을 통해, 제1 기간 동안 제1 판매기(110)에서 판매될 것으로 예상되는 제1 상품의 판매량을 40개로 예측할 수 있다.

S203 단계에서, 장치(400)는 제1 판매기(110)의 설치 지점이 제1 지역 내에 포함되어 있는 것으로 확인할 수 있다. 이때, 장치(400)는 제1 판매기(110)의 설치 정보를 기반으로, 제1 판매기(110)의 설치 지점이 제1 지점인 것을 확인하고, 제1 지점이 제1 지역 내에 포함되어 있는 것을 확인할 수 있다. 이를 위해, 장치(400)의 데이터베이스에는 판매기 별로 구분되어 있는 설치 정보가 저장되어 있으며, 설치 정보는 판매기의 설치 시점, 설치 주소지 위치 등의 정보를 포함할 수 있다.

S204 단계에서, 장치(400)는 제1 판매기(110)의 설치 지점이 제1 지역 내에 포함되어 있는 것으로 확인되면, 제1 지역의 기상 정보를 기반으로, 제1 지역의 기간별 기상 상태와 제1 기간의 기상 예측 상태를 확인할 수 있다. 여기서, 제1 지역의 기상 정보는 기상 정보를 관리하는 외부 서버로부터 획득될 수 있다. 이때, 제1 지역의 기간별 기상 상태는 제1 지역의 과거 기상 상태를 기간 별로 나타내며, 날씨, 강수량, 풍속, 온도, 습도 등의 기상 상태로 나타낼 수 있고, 제1 기간의 기상 예측 상태는 제1 지역의 제1 기간 동안 미래 기상 상태를 나타내며, 날씨, 강수량, 풍속, 온도, 습도 등의 기상 상태로 나타낼 수 있다.

즉, 장치(400)는 제1 판매기(110)의 설치 지점이 제1 지역 내에 포함되어 있는 것으로 확인되면, 기상 정보를 관리하는 외부 서버로 제1 지역의 기상 정보에 대한 제공 요청을 전송할 수 있고, 외부 서버로부터 제1 지역의 기상 정보를 획득할 수 있으며, 획득된 제1 지역의 기상 정보를 기반으로, 제1 지역의 과거 기상 상태를 기간 별로 나타내는 제1 지역의 기간별 기상 상태를 확인하고, 제1 지역의 미래 기상 상태를 나타내는 제1 기간의 기상 예측 상태를 확인할 수 있다.

일실시예에 따르면, 제1 지역의 기상 정보는 제1 지역의 기상 상태가 기간 별로 어느 상태였는지 나타내는 과거의 기상 상태를 기록한 정보와 제1 지역의 기상 상태가 기간 별로 향후 어느 상태일지 나타내는 미래의 기상 상태를 예측한 정보를 포함할 수 있으며, 일, 주, 월, 분기 등 다양한 기간을 기준으로 제1 지역의 기상 상태가 과거에 어느 상태였는지를 나타내는 정보와 제1 지역의 기상 상태가 미래에 어느 상태일지를 예측하는 정보를 포함할 수 있다. 이때, 제1 지역의 기상 정보는 미리 정해진 기간 동안의 기상 정보를 포함할 수 있으며, 예를 들면, 최근 5년 이내의 기상 상태를 기록한 정보와 향후 1년 이내의 기상 상태를 예측한 정보를 포함할 수 있다.

S205 단계에서, 장치(400)는 제1 상품의 기간별 판매량, 제1 지역의 기간별 기상 상태 및 제1 기간의 기상 예측 상태를 매칭하여, 매칭 결과를 생성할 수 있다.

S206 단계에서, 장치(400)는 매칭 결과를 미리 학습된 인공지능 모델에 적용할 수 있다. 여기서, 인공지능 모델은 특정 상품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 입력 받은 후, 특정 기간에 판매될 것으로 예상되는 상품의 판매량을 예측하여 출력하는 알고리즘일 수 있다.

즉, 인공지능 모델은 상품의 기간별 판매량, 상품이 판매되는 지역이 기간별 기상 상태, 특정 기간의 기상 예측 상태 등을 고려하여, 특정 기간에 판매될 것으로 예상되는 상품의 판매량을 예측하여 산정할 수 있다.

구체적으로, 인공지능 모델은 제1 상품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여, 제1 지역의 기상 상태에 따라 제1 상품의 판매량이 얼마나 많은 영향을 받고 있는지 분석하고, 분석 결과를 기반으로, 제1 기간의 기상 예측 상태에 따라 제1 기간에 판매될 것으로 예상되는 제1 상품의 판매량을 예측하여 산정할 수 있다.

예를 들어, 제1 기간이 2023년 3월로 설정되어 있는 경우, 인공지능 모델은 제1 상품의 2023년 2월 판매량, 제1 지역의 2023년 2월 기상 상태 및 2023년 3월 기상 예측 상태를 고려하여, 2023년 3월에 판매될 것으로 예상되는 제1 상품의 판매량을 예측하여 산정할 수 있다.

S207 단계에서, 장치(400)는 인공지능 모델의 출력을 기초로, 제1 기간에 판매될 것으로 예상되는 제1 상품의 판매량을 제2 판매량으로 설정할 수 있다.

일실시예에 따르면, 인공지능 모델은 특정 상품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 상품의 판매량이 얼마나 되는지 분석하도록 학습될 수 있다. 이를 통해, 인공지능 모델은 상품의 기간별 판매량, 판매기가 설치된 지역의 기간별 기상 상태, 특정 기간의 기상 예측 상태 등을 고려하여, 특정 기간에 판매기에서 판매될 것으로 예상되는 상품의 판매량이 얼마나 되는지를 분석하여 출력할 수 있다. 이를 위해, 인공지능 모델은 특정 기간에 판매기에서 판매될 것으로 예상되는 상품의 판매량을 분석하도록 미리 학습된 상태일 수 있다.

인공지능 모델의 학습이 이루어지는 학습 장치는 학습된 인공지능 모델을 이용하여 특정 기간에 판매기에서 판매될 것으로 예상되는 상품의 판매량을 예측하는 장치(400)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 인공지능 모델이 학습되는 과정을 설명한다.

먼저, 학습 장치는 특정 상품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 특정 상품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 인공지능 모델의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

다음으로, 학습 장치는 인공지능 모델에 입력을 적용할 수 있다. 인공지능 모델은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공지능 모델은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 인공지능 모델은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다.

예를 들어, 제1 보상은 제1 상품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제1 상태일 때 제1 상품의 판매량이 증가한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제1 상태일 확률이 높은 것으로 예측될수록 제1 상품의 판매량이 증가한 것으로 분석하면 보상값이 높아질 수 있으며, 제2 보상은 제1 상품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제2 상태일 때 제1 상품의 판매량이 감소한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제2 상태일 확률이 높은 것으로 예측될수록 제1 상품의 판매량이 감소한 것으로 분석하면 보상값이 높아질 수 있다. 여기서, 제1 상태 및 제2 상태는 날씨, 강수량, 풍속, 온도, 습도 등의 기상 조건을 통해 설정될 수 있다.

다음으로, 학습 장치는 인공지능 모델로부터 출력을 획득할 수 있다. 인공지능 모델의 출력은, 특정 기간에 판매기에서 판매될 것으로 예상되는 상품의 판매량에 대한 정보일 수 있다. 이때, 인공지능 모델은 특정 상품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 상품의 판매량을 분석하여, 특정 기간에 판매기에서 판매될 것으로 예상되는 상품의 판매량에 대한 정보를 출력할 수 있다.

다음으로, 학습 장치는 인공지능 모델의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상 내지 제2 보상 등으로 나뉠 수 있다.

예를 들어, 학습 장치는 제1 상품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제1 상태일 때 제1 상품의 판매량이 증가한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제1 상태일 확률이 높을수록 제1 상품의 판매량이 증가한 것으로 분석하면 제1 보상을 많이 수여하고, 제1 상품의 기간별 판매량과 제1 지역의 기간별 기상 상태를 비교하여 제1 지역의 기상 상태가 제2 상태일 때 제1 상품의 판매량이 감소한 것으로 분석된 경우, 제1 지역에서 제1 기간의 기상 상태가 제2 상태일 확률이 높을수록 제1 상품의 판매량이 감소한 것으로 분석하면 제2 보상을 많이 수여할 수 있다.

다음으로, 학습 장치는 평가를 기초로 인공지능 모델을 갱신할 수 있다.

구체적으로, 학습 장치는 인공지능 모델이, 특정 기간에 판매될 것으로 예상되는 상품의 판매량을 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공지능 모델을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 기간에 판매될 것으로 예상되는 제1 상품의 판매량을 제2 판매량으로 분석한 결과에 대해 문제가 없는 경우, 제2 판매량의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 인공지능 모델에 적용하여, 제1 기간의 기상 예측 상태와 유사한 기상 예측 상태를 가지는 다른 기간에 판매될 것으로 예상되는 제1 상품의 판매량을 분석할 때 제2 판매량과 유사한 값을 가지도록, 인공지능 모델을 학습시키는 과정을 통해, 인공지능 모델을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상술한 인공지능 모델의 학습 과정을 반복함으로써, 인공지능 모델을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 특정 상품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 상품의 판매량을 출력하는 인공지능 모델을 학습시킬 수 있다.

즉, 학습 장치는 특정 상품의 기간별 판매량, 특정 지역의 기간별 기상 상태 및 특정 기간의 기상 예측 상태를 매칭한 매칭 결과를 통해, 특정 기간에 판매될 것으로 예상되는 상품의 판매량을 분석할 때, 제1 보상 내지 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 인공지능 모델을 학습시킬 수 있다.

S208 단계에서, 장치(400)는 제1 판매량 및 제2 판매량의 평균값으로, 제1 수요량을 산출할 수 있다. 여기서, 제1 판매량은 S202 단계를 통해 확인될 수 있고, 제2 판매량은 S207 단계를 통해 확인될 수 있다.

S209 단계에서, 장치(400)는 제1 기간 동안 제1 판매기(110)에서 판매하기 위해 확보가 필요할 것으로 예상되는 제1 상품의 수요량을 제1 수요량으로 예측할 수 있다.

상술한 바와 같이, 장치(400)는 제1 판매기(110)에서 판매되는 상품 중에서 어느 하나인 제1 상품의 수요량을 예측할 수 있으며, 제1 판매기(110)에서 복수의 상품이 판매되고 있는 경우, 도 2에 도시된 각 단계를 반복 수행하여, 제1 판매기(110)에서 판매되는 상품 별로 상품의 수요량을 각각 예측할 수 있다.

도 3은 일실시예에 따른 휴일 판매량을 고려하여 제1 가중치를 설정하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(400)는 제1 판매기(110)의 판매 내역을 기반으로, 제1 판매기(110)에서 판매된 제1 상품의 일자별 판매량을 확인할 수 있다.

S302 단계에서, 장치(400)는 제1 상품의 일자별 판매량에 대한 평균값으로, 제1 수량을 산출할 수 있다. 여기서, 제1 수량은 제1 판매기(110)에서 제1 상품이 하루 동안 평균적으로 얼마나 많이 팔리고 있는지를 나타낼 수 있다.

S303 단계에서, 장치(400)는 제1 상품의 일자별 판매량을 기반으로, 휴일의 일자별 판매량을 확인할 수 있다. 이때, 휴일은 주말, 공휴일, 국경일, 명절 등을 포함할 수 있다.

S304 단계에서, 장치(400)는 휴일의 일자별 판매량에 대한 평균값으로, 제2 수량을 산출할 수 있다. 여기서, 제2 수량은 제1 판매기(110)에서 제1 상품이 휴일에 하루 동안 평균적으로 얼마나 많이 팔리고 있는지를 나타낼 수 있다.

S305 단계에서, 장치(400)는 제1 수량 및 제2 수량 간의 차이를 제3 수량으로 산출할 수 있다.

구체적으로, 장치(400)는 제1 수량이 제2 수량 보다 큰 것으로 확인되면, 제1 수량에서 제2 수량을 차감한 값으로 제3 수량을 산출할 수 있고, 제2 수량이 제1 수량 보다 큰 것으로 확인되면, 제2 수량에서 제1 수량을 차감한 값으로 제3 수량을 산출할 수 있다.

S306 단계에서, 장치(400)는 제3 수량이 제1 기준 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 제1 기준 범위는 실시예에 따라 상이하게 설정될 수 있으며, 예를 들면, 0부터 2까지 범위로 설정될 수 있다.

S306 단계에서 제3 수량이 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, S307 단계에서, 장치(400)는 휴일일 때 제1 상품의 판매량이 유지된 것으로 분석할 수 있다.

S308 단계에서, 장치(400)는 제1 가중치를 1로 설정할 수 있다.

예를 들어, 장치(400)는 제1 수량이 10개이고, 제2 수량이 11개이고, 제1 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제3 수량을 1개로 산출하고, 제3 수량이 제1 기준 범위 내에 포함되어 있는 것으로 확인되어, 제1 가중치를 1로 설정할 수 있다.

즉, 장치(400)는 제3 수량이 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, 휴일일 때 제1 상품의 판매량이 유지된 것으로 분석하고, 제1 가중치를 1로 설정함으로써, 휴일일 때 제1 상품의 판매량이 유지되고 있는 경우, 제1 가중치를 기본값인 1로 설정할 수 있다.

S306 단계에서 제3 수량이 제1 기준 범위 내에 포함되어 있지 않은 것으로 확인되면, S309 단계에서, 장치(400)는 제2 수량이 제1 수량 보다 많은지 여부를 확인할 수 있다.

S309 단계에서 제2 수량이 제1 수량 보다 많은 것으로 확인되면, S310 단계에서, 장치(400)는 휴일일 때 제1 상품의 판매량이 증가된 것으로 분석할 수 있다.

S311 단계에서, 장치(400)는 제3 수량이 클수록 제1 가중치를 더 높은 값으로 설정할 수 있다. 이때, 제1 가중치는 1부터 2까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제1 수량이 10개이고, 제2 수량이 13개이고, 제1 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제3 수량을 3개로 산출하고, 제3 수량이 제1 기준 범위 내에 포함되어 있지 않으면서 제2 수량이 제1 수량 보다 많은 것으로 확인되어, 제1 가중치를 1.1로 설정할 수 있으며, 제1 수량이 10개이고, 제2 수량이 14개이고, 제1 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제3 수량을 4개로 산출하고, 제3 수량이 제1 기준 범위 내에 포함되어 있지 않으면서 제2 수량이 제1 수량 보다 많은 것으로 확인되어, 제1 가중치를 1.2로 설정할 수 있다.

즉, 장치(400)는 제3 수량이 제1 기준 범위 내에 포함되어 있지 않으면서 제2 수량이 제1 수량 보다 많은 것으로 확인되면, 휴일일 때 제1 상품의 판매량이 증가된 것으로 분석하고, 제3 수량이 클수록 제1 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정함으로써, 휴일일 때 제1 상품의 판매량이 증가되고 있는 경우, 증가폭이 클수록 제1 가중치를 더 높은 값으로 설정할 수 있다.

S309 단계에서 제2 수량이 제1 수량 보다 많지 않은 것으로 확인되면, 제1 수량이 제2 수량 보다 많은 것으로 확인될 수 있으며, 제1 수량이 제2 수량 보다 많은 것으로 확인되면, S312 단계에서, 장치(400)는 휴일일 때 제1 상품의 판매량이 감소된 것으로 분석할 수 있다.

S313 단계에서, 장치(400)는 제3 수량이 클수록 제1 가중치를 더 낮은 값으로 설정할 수 있다. 이때, 제1 가중치는 0부터 1까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제1 수량이 10개이고, 제2 수량이 7개이고, 제1 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제3 수량을 3개로 산출하고, 제3 수량이 제1 기준 범위 내에 포함되어 있지 않으면서 제1 수량이 제2 수량 보다 많은 것으로 확인되어, 제1 가중치를 0.9로 설정할 수 있으며, 제1 수량이 10개이고, 제2 수량이 6개이고, 제1 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제3 수량을 4개로 산출하고, 제3 수량이 제1 기준 범위 내에 포함되어 있지 않으면서 제1 수량이 제2 수량 보다 많은 것으로 확인되어, 제1 가중치를 0.8로 설정할 수 있다.

즉, 장치(400)는 제3 수량이 제1 기준 범위 내에 포함되어 있지 않으면서 제1 수량이 제2 수량 보다 많은 것으로 확인되면, 휴일일 때 제1 상품의 판매량이 감소된 것으로 분석하고, 제3 수량이 클수록 제1 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정함으로써, 휴일일 때 제1 상품의 판매량이 감소되고 있는 경우, 감소폭이 클수록 제1 가중치를 더 낮은 값으로 설정할 수 있다.

도 4는 일실시예에 따른 특정 시기 판매량을 고려하여 제2 가중치를 설정하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(400)는 제1 판매기(110)의 판매 내역을 기반으로, 제1 판매기(110)에서 판매된 제1 상품의 일자별 판매량을 확인할 수 있다.

S402 단계에서, 장치(400)는 제1 상품의 일자별 판매량에 대한 평균값으로, 제1 수량을 산출할 수 있다.

S403 단계에서, 장치(400)는 제1 상품의 일자별 판매량을 기반으로, 제1 시기의 일자별 판매량을 확인할 수 있다. 이때, 제1 시기는 특정 시기를 의미할 수 있으며, 예를 들면, 말일, 금요일, 이벤트, 휴가 시즌 등으로 다양하게 설정될 수 있다.

S404 단계에서, 장치(400)는 제1 시기의 일자별 판매량에 대한 평균값으로, 제4 수량을 산출할 수 있다. 여기서, 제4 수량은 제1 판매기(110)에서 제1 상품이 제1 시기에 하루 동안 평균적으로 얼마나 많이 팔리고 있는지를 나타낼 수 있다.

S405 단계에서, 장치(400)는 제1 수량 및 제4 수량 간의 차이를 제5 수량으로 산출할 수 있다.

구체적으로, 장치(400)는 제1 수량이 제4 수량 보다 큰 것으로 확인되면, 제1 수량에서 제4 수량을 차감한 값으로 제5 수량을 산출할 수 있고, 제4 수량이 제1 수량 보다 큰 것으로 확인되면, 제4 수량에서 제1 수량을 차감한 값으로 제5 수량을 산출할 수 있다.

S406 단계에서, 장치(400)는 제5 수량이 제2 기준 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 제2 기준 범위는 실시예에 따라 상이하게 설정될 수 있으며, 예를 들면, 0부터 2까지 범위로 설정될 수 있다.

S406 단계에서 제5 수량이 제2 기준 범위 내에 포함되어 있는 것으로 확인되면, S407 단계에서, 장치(400)는 제1 시기일 때 제1 상품의 판매량이 유지된 것으로 분석할 수 있다.

S408 단계에서, 장치(400)는 제2 가중치를 1로 설정할 수 있다.

예를 들어, 장치(400)는 제1 수량이 10개이고, 제4 수량이 11개이고, 제2 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제5 수량을 1개로 산출하고, 제5 수량이 제2 기준 범위 내에 포함되어 있는 것으로 확인되어, 제2 가중치를 1로 설정할 수 있다.

즉, 장치(400)는 제5 수량이 제2 기준 범위 내에 포함되어 있는 것으로 확인되면, 제1 시기일 때 제1 상품의 판매량이 유지된 것으로 분석하고, 제2 가중치를 1로 설정함으로써, 제1 시기일 때 제1 상품의 판매량이 유지되고 있는 경우, 제2 가중치를 기본값인 1로 설정할 수 있다.

S406 단계에서 제5 수량이 제2 기준 범위 내에 포함되어 있지 않은 것으로 확인되면, S409 단계에서, 장치(400)는 제4 수량이 제1 수량 보다 많은지 여부를 확인할 수 있다.

S409 단계에서 제4 수량이 제1 수량 보다 많은 것으로 확인되면, S410 단계에서, 장치(400)는 제1 시기일 때 제1 상품의 판매량이 증가된 것으로 분석할 수 있다.

S411 단계에서, 장치(400)는 제5 수량이 클수록 제2 가중치를 더 높은 값으로 설정할 수 있다. 이때, 제2 가중치는 1부터 2까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제1 수량이 10개이고, 제4 수량이 13개이고, 제2 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제5 수량을 3개로 산출하고, 제5 수량이 제2 기준 범위 내에 포함되어 있지 않으면서 제4 수량이 제1 수량 보다 많은 것으로 확인되어, 제2 가중치를 1.1로 설정할 수 있으며, 제1 수량이 10개이고, 제4 수량이 14개이고, 제2 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제5 수량을 4개로 산출하고, 제5 수량이 제1 기준 범위 내에 포함되어 있지 않으면서 제4 수량이 제1 수량 보다 많은 것으로 확인되어, 제2 가중치를 1.2로 설정할 수 있다.

즉, 장치(400)는 제5 수량이 제2 기준 범위 내에 포함되어 있지 않으면서 제4 수량이 제1 수량 보다 많은 것으로 확인되면, 제1 시기일 때 제1 상품의 판매량이 증가된 것으로 분석하고, 제5 수량이 클수록 제2 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정함으로써, 제1 시기일 때 제1 상품의 판매량이 증가되고 있는 경우, 증가폭이 클수록 제2 가중치를 더 높은 값으로 설정할 수 있다.

S409 단계에서 제4 수량이 제1 수량 보다 많지 않은 것으로 확인되면, 제1 수량이 제4 수량 보다 많은 것으로 확인될 수 있으며, 제1 수량이 제4 수량 보다 많은 것으로 확인되면, S412 단계에서, 장치(400)는 제1 시기일 때 제1 상품의 판매량이 감소된 것으로 분석할 수 있다.

S413 단계에서, 장치(400)는 제5 수량이 클수록 제2 가중치를 더 낮은 값으로 설정할 수 있다. 이때, 제2 가중치는 0부터 1까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제1 수량이 10개이고, 제4 수량이 7개이고, 제2 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제5 수량을 3개로 산출하고, 제5 수량이 제2 기준 범위 내에 포함되어 있지 않으면서 제1 수량이 제4 수량 보다 많은 것으로 확인되어, 제2 가중치를 0.9로 설정할 수 있으며, 제1 수량이 10개이고, 제4 수량이 6개이고, 제2 기준 범위가 0부터 2까지 범위로 설정되어 있는 경우, 제5 수량을 4개로 산출하고, 제5 수량이 제2 기준 범위 내에 포함되어 있지 않으면서 제1 수량이 제4 수량 보다 많은 것으로 확인되어, 제2 가중치를 0.8로 설정할 수 있다.

즉, 장치(400)는 제5 수량이 제2 기준 범위 내에 포함되어 있지 않으면서 제1 수량이 제4 수량 보다 많은 것으로 확인되면, 제1 시기일 때 제1 상품의 판매량이 감소된 것으로 분석하고, 제5 수량이 클수록 제2 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정함으로써, 제1 시기일 때 제1 상품의 판매량이 감소되고 있는 경우, 감소폭이 클수록 제2 가중치를 더 낮은 값으로 설정할 수 있다.

도 5는 일실시예에 따른 제1 가중치 및 제2 가중치를 이용하여 제1 수요량을 조정하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 5에 도시된 각 단계는 도 3에 도시된 각 단계와 도 4에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(400)는 제1 기간 내에서 휴일을 제1-1 기간으로 설정하고, 제1 기간 내에서 제1 시기를 제1-2 기간으로 설정될 수 있다.

예를 들어, 장치(400)는 제1 기간이 2023년 1월1일부터 1월10일까지로 설정되어 있는 경우, 제1 기간 내에서 주말인 1월1일, 1월7일, 1월8일을 휴일로 확인하여, 확인된 일자를 제1-1 기간으로 설정할 수 있고, 제1 기간 내에서 금요일인 1월6일을 제1 시기로 확인하여, 확인된 일자를 제1-2 기간으로 설정할 수 있다.

S502 단계에서, 장치(400)는 제1 기간의 일수를 제1 일수로 설정하고, 제1-1 기간의 일수를 제2 일수로 설정하고, 제1-2 기간의 일수를 제3 일수로 설정할 수 있다.

예를 들어, 장치(400)는 제1 기간이 2023년 1월1일부터 1월10일까지로 확인되면, 제1 기간의 일수가 10일로 확인되어 제1 일수를 10일로 설정할 수 있고, 제1-1 기간이 1월1일, 1월7일, 1월8일로 확인되면, 제1-1 기간의 일수가 3일로 확인되어 제1-1 기간의 일수를 3일로 설정할 수 있고, 제1-2 기간이 1월6일로 확인되면, 제1-2 기간의 일수가 1일로 확인되어 제1-2 기간의 일수를 1일로 설정할 수 있다.

S503 단계에서, 장치(400)는 제2 일수를 제1 일수로 나눈 값으로 제1 비율을 산출하고, 제3 일수를 제1 일수로 나눈 값으로 제2 비율을 산출할 수 있다.

예를 들어, 장치(400)는 제1 일수가 10일로 확인되고, 제2 일수가 3일로 확인되고, 제3 일수가 1일로 확인되면, “/ 10”을 통해 제1 비율을 30%로 산출할 수 있고, “/ 10”을 통해 제2 비율을 10%로 산출할 수 있다.

S504 단계에서, 장치(400)는 제1 가중치가 1인 것으로 확인되면, 제3 비율을 100%로 설정하고, 제1 가중치가 1 보다 큰 것으로 확인되면, 제1 비율 및 100%를 합산한 값으로 제3 비율을 산출하고, 제1 가중치가 1 보다 작은 것으로 확인되면, 100%에서 제1 비율을 차감한 값으로 제3 비율을 산출할 수 있다.

예를 들어, 장치(400)는 제1 비율이 30% 산출된 경우, 제1 가중치가 1로 확인되면, 제3 비율을 100%로 설정할 수 있고, 제1 가중치가 1.1로 확인되면, (30 + 100)을 통해 제3 비율을 130%로 산출할 수 있고, 제1 가중치가 0.9로 확인되면, (100 - 30)을 통해 제3 비율을 70%로 산출할 수 있다.

S505 단계에서, 장치(400)는 제2 가중치가 1인 것으로 확인되면, 제4 비율을 100%로 설정하고, 제2 가중치가 1 보다 큰 것으로 확인되면, 제2 비율 및 100%를 합산한 값으로 제4 비율을 산출하고, 제2 가중치가 1 보다 작은 것으로 확인되면, 100%에서 제2 비율을 차감한 값으로 제4 비율을 산출할 수 있다.

예를 들어, 장치(400)는 제2 비율이 10% 산출된 경우, 제2 가중치가 1로 확인되면, 제4 비율을 100%로 설정하고, 제2 가중치가 1.1로 확인되면, (10 + 100)을 통해 제4 비율을 110%로 산출할 수 있고, 제2 가중치가 0.9로 확인되면, (100 - 10)을 통해 제4 비율을 90%로 산출할 수 있다.

S506 단계에서, 장치(400)는 제1 가중치 및 제3 비율을 곱한 값으로 제3 가중치를 산출하고, 제2 가중치 및 제4 비율을 곱한 값으로 제4 가중치를 산출할 수 있다.

예를 들어, 장치(400)는 제1 가중치가 1로 확인되고, 제3 비율이 100%로 확인되면, (1 X 1)을 통해 제3 가중치를 1로 설정할 수 있고, 제1 가중치가 1.1로 확인되고 제3 비율이 130%로 확인되면, (1.1 X 1.3)을 통해 제3 가중치를 1.43으로 설정할 수 있고, 제1 가중치가 0.9로 확인되고 제3 비율이 70%로 확인되면, (0.9 X 0.7)을 통해 제3 가중치를 0.63으로 설정할 수 있다.

즉, 장치(400)는 제1 기간 내에서 휴일이 차지하는 부분이 길수록, 수요 예측에 더 많은 영향을 주기 위해, 제1 가중치와 제3 비율을 이용하여, 제3 가중치를 산출할 수 있다.

또한, 장치(400)는 제2 가중치가 1로 확인되고, 제4 비율이 100%로 확인되면, (1 X 1)을 통해 제4 가중치를 1로 설정할 수 있고, 제2 가중치가 1.1로 확인되고 제4 비율이 110%로 확인되면, (1.1 X 1.1)을 통해 제4 가중치를 1.21로 설정할 수 있고, 제2 가중치가 0.9로 확인되고 제4 비율이 90%로 확인되면, (0.9 X 0.9)를 통해 제4 가중치를 0.81으로 설정할 수 있다.

즉, 장치(400)는 제1 기간 내에서 제1 시기가 차지하는 부분이 길수록, 수요 예측에 더 많은 영향을 주기 위해, 제2 가중치와 제4 비율을 이용하여, 제4 가중치를 산출할 수 있다.

S507 단계에서, 장치(400)는 제1 수요량, 제3 가중치 및 제4 가중치를 곱한 값으로, 제1 수요량을 조정할 수 있다.

즉, 장치(400)는 도 3에 도시된 각 단계를 통해 제1 가중치가 설정되고, 도 4에 도시된 각 단계를 통해 제2 가중치가 설정된 경우, 제1 가중치와 휴일의 일수를 기반으로, 제3 가중치를 산출하고, 제2 가중치와 제1 시기의 일수를 기반으로, 제4 가중치를 산출할 수 있으며, 제1 수요량, 제3 가중치 및 제4 가중치를 곱한 값으로 제1 수요량을 조정함으로써, 휴일과 제1 시기를 더 고려하여 상품의 수요를 예측할 수 있다.

도 6은 일실시예에 따른 상품 게시물의 업로드 수를 고려하여 제5 가중치를 설정하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(400)는 크롤링을 통해 SNS에 업로드된 게시물 중에서 제1 상품의 게시물로 구분된 제1 게시물을 업로드된 기간 별로 수집하여 획득할 수 있다. 여기서, 크롤링(crawling)은 온라인 상에 공개된 정보를 수집하여 검색 대상의 색인으로 포함시키는 기술로, 장치(400)는 크롤링을 통해 SNS에 업로드된 게시물을 수집하고, 수집된 게시물 중에서 제1 상품의 게시물을 제1 게시물로 구분하고, 제1 게시물을 업로드된 기간 별로 구분하여 획득할 수 있다.

장치(400)는 SNS에 업로드된 게시물 중에서 제1 상품의 게시물을 구분할 때, 텍스트, 이미지 등의 분석을 통해 제1 상품의 게시물로 구분할 수 있다.

예를 들어, 장치(400)는 제1 사용자의 SNS에 업로드된 게시물에 등록되어 있는 해시태그를 확인한 결과, 해시태그에 제1 상품의 제품명이 포함되어 있는 것으로 확인되면, 제1 사용자의 SNS에 업로드된 게시물을 제1 상품의 게시물로 구분할 수 있다.

또한, 장치(400)는 제1 사용자의 SNS에 업로드된 게시물에 포함되어 있는 이미지를 확인한 결과, 이미지 내에 제1 상품이 있는 것으로 인식되면, 제1 사용자의 SNS에 업로드된 게시물을 제1 상품의 게시물로 구분할 수 있다.

S602 단계에서, 장치(400)는 제1 게시물이 업로드된 기간 별로 수집하여 획득되면, 제2 기간 동안 업로드된 제1 게시물을 제1 게시물 그룹으로 분류하고, 제3 기간 동안 업로드된 제1 게시물을 제2 게시물 그룹으로 분류할 수 있다. 여기서, 제2 기간은 제1 기간 이전의 기간을 의미할 수 있고, 제3 기간은 제2 기간 이전의 기간을 의미할 수 있다. 예를 들면, 제1 기간이 2023년 3월로 설정되어 있는 경우, 제2 기간은 2023년 2월로 설정될 수 있고, 제3 기간은 2023년 1월로 설정될 수 있다.

S603 단계에서, 장치(400)는 제1 게시물 그룹으로 분류된 게시물의 수를 제1 수치로 설정하고, 제2 게시물 그룹으로 분류된 게시물의 수를 제2 수치로 설정할 수 있다.

S604 단계에서, 장치(400)는 제1 수치 및 제2 수치 간의 차이를 제3 수치로 산출할 수 있다.

구체적으로, 장치(400)는 제1 수치가 제2 수치 보다 큰 것으로 확인되면, 제1 수치에서 제2 수치를 차감한 값으로 제3 수치를 산출할 수 있고, 제2 수치가 제1 수치 보다 큰 것으로 확인되면, 제2 수치에서 제1 수치를 차감한 값으로 제3 수치를 산출할 수 있다.

S605 단계에서, 장치(400)는 제3 수치가 제3 기준 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 제3 기준 범위는 실시예에 따라 상이하게 설정될 수 있으며, 예를 들면, 0부터 10까지 범위로 설정될 수 있다.

S605 단계에서 제3 수치가 제3 기준 범위 내에 포함되어 있는 것으로 확인되면, S606 단계에서, 장치(400)는 제3 기간부터 제2 기간까지 제1 게시물의 업로드 수가 유지된 것으로 분석할 수 있다.

S607 단계에서, 장치(400)는 제5 가중치를 1로 설정할 수 있다.

예를 들어, 장치(400)는 제1 수치가 100개이고, 제2 수치가 105개이고, 제3 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제3 수치를 5개로 산출하고, 제3 수치가 제3 기준 범위 내에 포함되어 있는 것으로 확인되어, 제5 가중치를 1로 설정할 수 있다.

즉, 장치(400)는 제3 수치가 제3 기준 범위 내에 포함되어 있는 것으로 확인되면, 제3 기간부터 제2 기간까지 제1 게시물의 업로드 수가 유지된 것으로 분석하고, 제5 가중치를 1로 설정함으로써, 최근 기간 동안 제1 게시물의 업로드 수가 유지되고 있는 경우, 제5 가중치를 기본값인 1로 설정할 수 있다.

S605 단계에서 제3 수치가 제3 기준 범위 내에 포함되어 있지 않은 것으로 확인되면, S608 단계에서, 장치(400)는 제1 수치가 제2 수치 보다 큰지 여부를 확인할 수 있다.

S608 단계에서 제1 수치가 제2 수치 보다 큰 것으로 확인되면, S609 단계에서, 장치(400)는 제3 기간부터 제2 기간까지 제1 게시물의 업로드 수가 증가된 것으로 분석할 수 있다.

S610 단계에서, 장치(400)는 제3 수치가 클수록 제5 가중치를 더 높은 값으로 설정할 수 있다. 이때, 제5 가중치는 1부터 2까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제1 수치가 120개이고, 제2 수치가 100개이고, 제3 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제3 수치를 20개로 산출하고, 제3 수치가 제3 기준 범위 내에 포함되어 있지 않으면서 제1 수치가 제2 수치 보다 큰 것으로 확인되어, 제5 가중치를 1.1로 설정할 수 있으며, 제1 수치가 130개이고, 제2 수치가 100개이고, 제3 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제3 수치를 30개로 산출하고, 제3 수치가 제3 기준 범위 내에 포함되어 있지 않으면서 제1 수치가 제2 수치 보다 큰 것으로 확인되어, 제5 가중치를 1.2로 설정할 수 있다.

즉, 장치(400)는 제3 수치가 제3 기준 범위 내에 포함되어 있지 않으면서 제1 수치가 제2 수치 보다 큰 것으로 확인되면, 제3 기간부터 제2 기간까지 제1 게시물의 업로드 수가 증가된 것으로 분석하고, 제3 수치가 클수록 제5 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정으로써, 최근 기간 동안 제1 게시물의 업로드 수가 증가되고 있는 경우, 증가폭이 클수록 제5 가중치를 더 높은 값으로 설정할 수 있다.

S608 단계에서 제1 수치가 제2 수치 보다 크지 않은 것으로 확인되면, 제2 수치가 제1 수치 보다 큰 것으로 확인될 수 있으며, 제2 수치가 제1 수치 보다 큰 것으로 확인되면, S611 단계에서, 장치(400)는 제3 기간부터 제2 기간까지 제1 게시물의 업로드 수가 감소된 것으로 분석할 수 있다.

S612 단계에서, 장치(400)는 제3 수치가 클수록 제5 가중치를 더 낮은 값으로 설정할 수 있다. 이때, 제5 가중치는 0부터 1까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제1 수치가 80개이고, 제2 수치가 100개이고, 제3 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제3 수치를 20개로 산출하고, 제3 수치가 제3 기준 범위 내에 포함되어 있지 않으면서 제2 수치가 제1 수치 보다 큰 것으로 확인되어, 제5 가중치를 0.9로 설정할 수 있으며, 제1 수치가 70개이고, 제2 수치가 100개이고, 제3 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제3 수치를 30개로 산출하고, 제3 수치가 제3 기준 범위 내에 포함되어 있지 않으면서 제2 수치가 제1 수치 보다 큰 것으로 확인되어, 제5 가중치를 0.8로 설정할 수 있다.

즉, 장치(400)는 제3 수치가 제3 기준 범위 내에 포함되어 있지 않으면서 제2 수치가 제1 수치 보다 큰 것으로 확인되면, 제3 기간부터 제2 기간까지 제1 게시물의 업로드 수가 감소된 것으로 분석하고, 제3 수치가 클수록 제5 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정으로써, 최근 기간 동안 제1 게시물의 업로드 수가 감소되고 있는 경우, 감소폭이 클수록 제5 가중치를 더 낮은 값으로 설정할 수 있다.

도 7은 일실시예에 따른 상품 게시물의 조회 수를 고려하여 제6 가중치를 설정하는 과정을 설명하기 위한 순서도이다.

도 7을 참조하면, 먼저, S701 단계에서, 장치(400)는 크롤링을 통해 SNS에 업로드된 게시물 중에서 제1 상품의 게시물로 구분된 제1 게시물을 업로드된 기간 별로 수집하여 획득할 수 있다.

S702 단계에서, 장치(400)는 제1 게시물이 업로드된 기간 별로 수집하여 획득되면, 제2 기간 동안 업로드된 제1 게시물을 제1 게시물 그룹으로 분류하고, 제3 기간 동안 업로드된 제1 게시물을 제2 게시물 그룹으로 분류할 수 있다.

S703 단계에서, 장치(400)는 제1 게시물 그룹으로 분류된 게시물의 조회 수에 대한 평균치를 제4 수치로 설정하고, 제2 게시물 그룹으로 분류된 게시물의 수회 수에 대한 평균치를 제5 수치로 설정할 수 있다.

즉, 장치(400)는 제1 게시물 그룹으로 분류된 게시물 각각의 조회 수를 확인한 후, 각 게시물 별로 확인된 조회 수의 평균치를 제4 수치로 설정할 수 있고, 제2 게시물 그룹으로 분류된 게시물 각각의 조회 수를 확인한 후, 각 게시물 별로 확인된 조회 수의 평균치를 제5 수치로 설정할 수 있다.

S704 단계에서, 장치(400)는 제4 수치 및 제5 수치 간의 차이를 제6 수치로 산출할 수 있다.

구체적으로, 장치(400)는 제4 수치가 제5 수치 보다 큰 것으로 확인되면, 제4 수치에서 제5 수치를 차감한 값으로 제6 수치를 산출할 수 있고, 제5 수치가 제4 수치 보다 큰 것으로 확인되면, 제5 수치에서 제4 수치를 차감한 값으로 제6 수치를 산출할 수 있다.

S705 단계에서, 장치(400)는 제6 수치가 제4 기준 범위 내에 포함되어 있는지 여부를 확인할 수 있다. 여기서, 제4 기준 범위는 실시예에 따라 상이하게 설정될 수 있으며, 예를 들면, 0부터 10까지 범위로 설정될 수 있다.

S705 단계에서 제6 수치가 제4 기준 범위 내에 포함되어 있는 것으로 확인되면, S706 단계에서, 장치(400)는 제3 기간부터 제2 기간까지 제1 게시물의 조회 수가 유지된 것으로 분석할 수 있다.

S707 단계에서, 장치(400)는 제6 가중치를 1로 설정할 수 있다.

예를 들어, 장치(400)는 제4 수치가 100회이고, 제5 수치가 105회이고, 제4 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제6 수치를 5회로 산출하고, 제6 수치가 제4 기준 범위 내에 포함되어 있는 것으로 확인되어, 제6 가중치를 1로 설정할 수 있다.

즉, 장치(400)는 제6 수치가 제4 기준 범위 내에 포함되어 있는 것으로 확인되면, 제3 기간부터 제2 기간까지 제1 게시물의 조회 수가 유지된 것으로 분석하고, 제6 가중치를 1로 설정함으로써, 최근 기간 동안 제1 게시물의 조회 수가 유지되고 있는 경우, 제6 가중치를 기본값인 1로 설정할 수 있다.

S705 단계에서 제6 수치가 제4 기준 범위 내에 포함되어 있지 않은 것으로 확인되면, S708 단계에서, 장치(400)는 제4 수치가 제5 수치 보다 큰지 여부를 확인할 수 있다.

S708 단계에서 제4 수치가 제5 수치 보다 큰 것으로 확인되면, S709 단계에서, 장치(400)는 제3 기간부터 제2 기간까지 제1 게시물의 조회 수가 증가된 것으로 분석할 수 있다.

S710 단계에서, 장치(400)는 제6 수치가 클수록 제6 가중치를 더 높은 값으로 설정할 수 있다. 이때, 제6 가중치는 1부터 2까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제4 수치가 120회이고, 제5 수치가 100회이고, 제4 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제6 수치를 20회로 산출하고, 제6 수치가 제4 기준 범위 내에 포함되어 있지 않으면서 제4 수치가 제5 수치 보다 큰 것으로 확인되어, 제6 가중치를 1.1로 설정할 수 있으며, 제4 수치가 130회이고, 제5 수치가 100회이고, 제4 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제6 수치를 30회로 산출하고, 제6 수치가 제4 기준 범위 내에 포함되어 있지 않으면서 제4 수치가 제5 수치 보다 큰 것으로 확인되어, 제6 가중치를 1.2로 설정할 수 있다.

즉, 장치(400)는 제6 수치가 제4 기준 범위 내에 포함되어 있지 않으면서 제4 수치가 제5 수치 보다 큰 것으로 확인되면, 제3 기간부터 제2 기간까지 제1 게시물의 조회 수가 증가된 것으로 분석하고, 제6 수치가 클수록 제6 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정으로써, 최근 기간 동안 제1 게시물의 조회 수가 증가되고 있는 경우, 증가폭이 클수록 제6 가중치를 더 높은 값으로 설정할 수 있다.

S708 단계에서 제4 수치가 제5 수치 보다 크지 않은 것으로 확인되면, 제5 수치가 제4 수치 보다 큰 것으로 확인될 수 있으며, 제5 수치가 제4 수치 보다 큰 것으로 확인되면, S711 단계에서, 장치(400)는 제3 기간부터 제2 기간까지 제1 게시물의 조회 수가 감소된 것으로 분석할 수 있다.

S712 단계에서, 장치(400)는 제6 수치가 클수록 제6 가중치를 더 낮은 값으로 설정할 수 있다. 이때, 제6 가중치는 0부터 1까지 범위 내에서 설정될 수 있다.

예를 들어, 장치(400)는 제4 수치가 80회이고, 제5 수치가 100회이고, 제4 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제6 수치를 20회로 산출하고, 제6 수치가 제4 기준 범위 내에 포함되어 있지 않으면서 제5 수치가 제4 수치 보다 큰 것으로 확인되어, 제6 가중치를 0.9로 설정할 수 있으며, 제4 수치가 70회이고, 제5 수치가 100회이고, 제4 기준 범위가 0부터 10까지 범위로 설정되어 있는 경우, 제6 수치를 30회로 산출하고, 제6 수치가 제4 기준 범위 내에 포함되어 있지 않으면서 제5 수치가 제4 수치 보다 큰 것으로 확인되어, 제6 가중치를 0.8로 설정할 수 있다.

즉, 장치(400)는 제6 수치가 제4 기준 범위 내에 포함되어 있지 않으면서 제5 수치가 제4 수치 보다 큰 것으로 확인되면, 제3 기간부터 제2 기간까지 제1 게시물의 조회 수가 감소된 것으로 분석하고, 제6 수치가 클수록 제6 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정으로써, 최근 기간 동안 제1 게시물의 조회 수가 감소되고 있는 경우, 감소폭이 클수록 제6 가중치를 더 낮은 값으로 설정할 수 있다.

장치(400)는 제5 가중치 및 제6 가중치가 각각 설정되면, 제1 수요량, 제5 가중치 및 제6 가중치를 곱한 값으로, 제1 수요량을 조정할 수 있다.

즉, 장치(400)는 도 6에 도시된 각 단계를 통해 제5 가중치가 설정되고, 도 7에 도시된 각 단계를 통해 제6 가중치가 설정된 경우, 제1 수요량, 제5 가중치 및 제6 가중치를 곱한 값으로 제1 수요량을 조정함으로써, SNS 트렌드를 더 고려하여 상품의 수요를 예측할 수 있다.

도 8 내지 도 9는 일실시예에 따른 수요량, 구독량 및 재고량을 고려하여 입고 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 8 내지 도 9에 도시된 각 단계는 S209 단계 이후에 수행될 수 있다.

도 8 내지 도 9를 참조하면, 먼저, S801 단계에서, 장치(400)는 상품 구독 서비스를 통해 제1 판매기(110)에서 제1 상품을 정기적으로 수령하는 사용자를 제1 사용자 그룹으로 분류할 수 있다. 이를 위해, 장치(400)의 데이터베이스에는 사용자 별로 구분되어 있는 사용자 정보가 저장되어 있으며, 장치(400)는 데이터베이스에 저장된 사용자 정보를 기초로, 제1 판매기(110)에서 제1 상품을 정기적으로 수령하는 사용자를 제1 사용자 그룹으로 분류할 수 있다. 여기서, 사용자 정보는 식별자, 연락처, 상품 구독 서비스 이용 내역, 상품 구매 내역 등에 대한 정보를 포함할 수 있다.

S802 단계에서, 장치(400)는 제1 사용자 그룹으로 분류된 사용자가 제1 기간 동안 제1 판매기(110)에서 수령할 것으로 예상되는 제1 상품의 구독량을 확인할 수 있다.

예를 들어, 장치(400)는 제1 기간이 2023년 1월로 설정되어 있고, 제1 사용자 및 제2 사용자가 제1 사용자 그룹으로 분류되어 있는 경우, 제1 사용자 정보를 기초로, 제1 사용자가 1주일에 1개의 제1 상품을 제1 판매기(110)에서 수령하는 구독 서비스를 이용하고 있는 것으로 확인되면, 제1 기간 동안 제1 사용자의 구독량을 4개로 설정할 수 있고, 제2 사용자 정보를 기초로, 제2 사용자가 1주일에 2개의 제1 상품을 제1 판매기(110)에서 수령하는 구독 서비스를 이용하고 있는 것으로 확인되면, 제1 기간 동안 제2 사용자의 구독량을 8개로 설정할 수 있으며, 제1 사용자의 구독량과 제2 사용자의 구독량을 합산한 12개를 제1 상품의 구독량으로 확인할 수 있다.

S803 단계에서, 장치(400)는 제1 판매기(110)에 보관되어 있는 제1 상품의 재고량을 확인할 수 있다.

예를 들어, 장치(400)는 제1 판매기(110)의 상품별 입고 내역 및 판매 내역을 기반으로, 현재 제1 판매기(110)에 보관되어 있는 제1 상품의 재고량을 확인할 수 있다. 여기서, 상품의 입고 내역 및 판매 내역은 장치(400)의 데이터베이스에 저장되어 관리될 수 있으며, 상품이 입고되거나 판매될 때마다 갱신될 수 있다.

또한, 제1 판매기(110)는 제1 판매기(110)에 보관되어 있는 제1 상품의 수량을 체크하여 제1 상품의 재고량에 대한 정보를 생성하고, 제1 상품의 재고량에 대한 정보를 장치(400)로 전송하면, 장치(400)는 제1 상품의 재고량에 대한 정보를 기반으로, 제1 판매기(110)에 보관되어 있는 제1 상품의 재고량을 확인할 수 있다.

S804 단계에서, 장치(400)는 제1 수요량 및 제1 상품의 구독량을 합산한 값이 제1 상품의 재고량 보다 많은지 여부를 확인할 수 있다.

S804 단계에서 제1 수요량 및 제1 상품의 구독량을 합산한 값이 제1 상품의 재고량 보다 많지 않은 것으로 확인되면, 장치(400)는 제1 상품에 대한 입고가 필요하지 않은 것으로 판단할 수 있으며, 일정 기간이 지난 이후, S801 단계로 되돌아가, 제1 사용자 그룹으로 분류하는 과정부터 다시 수행될 수 있다.

S804 단계에서 제1 수요량 및 제1 상품의 구독량을 합산한 값이 제1 상품의 재고량 보다 많지 않은 것으로 확인되면, S805 단계에서, 장치(400)는 제1 수요량 및 제1 상품의 구독량을 합산한 값에서 제1 상품의 재고량을 차감한 값으로, 제1 상품의 공급량을 산출할 수 있다.

S806 단계에서, 장치(400)는 제1 상품의 공급량이 기준량 보다 많은지 여부를 확인할 수 있다. 여기서, 기준량은 실시예에 따라 상이하게 설정될 수 있다.

S806 단계에서 제1 상품의 공급량이 기준량 보다 많은 것으로 확인되면, S807 단계에서, 장치(400)는 제1 상품의 공급량에 대한 입고 필요 알림 메시지를 제1 관리자 단말(210)로 전송할 수 있다.

S806 단계에서 제1 상품의 공급량이 기준량 보다 많지 않은 것으로 확인되면, 장치(400)는 제1 상품의 공급량 만으로 상품 입고 처리를 위한 최소 조건을 충족하지 않는 것으로 판단할 수 있으며, S901 단계에서, 장치(400)는 제1 기간 동안 제1 판매기(110)에서 판매하기 위해 확보가 필요할 것으로 예상되는 제2 상품의 수요량을 제2 수요량으로 예측할 수 있다. 이때, 장치(400)는 도 2에 도시된 각 단계를 참조하여, 제1 기간 동안 제1 판매기(110)에서 판매하기 위해 확보가 필요할 것으로 예상되는 제2 상품의 수요량을 제2 수요량으로 예측할 수 있다.

S902 단계에서, 장치(400)는 상품 구독 서비스를 통해 제1 판매기(110)에서 제2 상품을 정기적으로 수령하는 사용자를 제2 사용자 그룹으로 분류할 수 있다.

S903 단계에서, 장치(400)는 제2 사용자 그룹으로 분류된 사용자가 제1 기간 동안 제1 판매기(110)에서 수령할 것으로 예상되는 제2 상품의 구독량을 확인할 수 있다.

S904 단계에서, 장치(400)는 장치(400)는 제1 판매기(110)에 보관되어 있는 제2 상품의 재고량을 확인할 수 있다.

S905 단계에서, 장치(400)는 제2 수요량 및 제2 상품의 구독량을 합산한 값이 제2 상품의 재고량 보다 많은지 여부를 확인할 수 있다.

S905 단계에서 제2 수요량 및 제2 상품의 구독량을 합산한 값이 제2 상품의 재고량 보다 많지 않은 것으로 확인되면, 장치(400)는 제2 상품에 대한 입고가 필요하지 않은 것으로 판단할 수 있으며, 일정 기간이 지난 이후, S801 단계로 되돌아가, 제1 사용자 그룹으로 분류하는 과정부터 다시 수행될 수 있다.

S905 단계에서 제2 수요량 및 제2 상품의 구독량을 합산한 값이 제2 상품의 재고량 보다 많은 것으로 확인되면, S906 단계에서, 장치(400)는 제2 수요량 및 제2 상품의 구독량을 합산한 값에서 제2 상품의 재고량을 차감한 값으로, 제2 상품의 공급량을 산출할 수 있다.

S907 단계에서, 장치(400)는 제1 상품의 공급량 및 제2 상품의 공급량을 합산한 값이 기준량 보다 많은지 여부를 확인할 수 있다.

S907 단계에서 제1 상품의 공급량 및 제2 상품의 공급량을 합산한 값이 기준량 보다 많지 않은 것으로 확인되면, 장치(400)는 제1 상품의 공급량과 제2 상품의 공급량 만으로 상품 입고 처리를 위한 최소 조건을 충족하지 않는 것으로 판단할 수 있으며, 일정 기간이 지난 이후, S801 단계로 되돌아가, 제1 사용자 그룹으로 분류하는 과정부터 다시 수행될 수 있다.

S907 단계에서 제1 상품의 공급량 및 제2 상품의 공급량을 합산한 값이 기준량 보다 많은 것으로 확인되면, S908 단계에서, 장치(400)는 제1 상품의 공급량과 제2 상품의 공급량에 대한 입고 필요 알림 메시지를 제1 관리자 단말(210)로 전송할 수 있다.

도 10은 일실시예에 따른 판매기의 상품별 재고 현황을 나타내는 페이지를 제공하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(400)는 제1 판매기(110)에서 판매되는 상품 별로 공급량이 산출된 것을 확인할 수 있다.

즉, 장치(400)는 제1 수요량 및 제1 상품의 구독량을 합산한 값에서 제1 상품의 재고량을 차감한 값으로, 제1 상품의 공급량을 산출하는 방식으로, 제1 판매기(110)에서 판매되는 상품 별로 공급량을 각각 산출할 수 있다.

S1002 단계에서, 장치(400)는 상품 별로 산출된 공급량을 기준으로, 공급량이 제1 기준치 보다 적은 것으로 확인된 상품을 재고 여유 상품으로 분류하고, 공급량이 제1 기준치 보다 적지 않지만 제2 기준치 보다 적은 것으로 확인된 상품을 재고 평균 상품으로 분류하고, 공급량이 제2 기준치 보다 적지 않은 것으로 확인된 상품을 재고 부족 상품으로 분류할 수 있다. 여기서, 제1 기준치 및 제2 기준치는 실시예에 따라 상이하게 설정될 수 있으며, 제1 기준치는 제2 기준치 보다 낮은 값으로 설정될 수 있다.

예를 들어, 제1 기준치가 10개로 설정되어 있고, 제2 기준치가 20개로 설정되어 있는 경우, 장치(400)는 상품 별로 산출된 공급량을 확인한 결과, 제1 상품의 공급량이 5개로 확인되고, 제2 상품의 공급량이 15개로 확인되고, 제3 상품의 공급량이 25개로 확인되면, 제1 상품을 재고 여유 상품으로 분류하고, 제2 상품을 재고 평균 상품으로 분류하고, 제3 상품을 재고 부족 상품으로 분류할 수 있다.

S1003 단계에서, 장치(400)는 제1 사용자 단말(310)로부터 제1 판매기(110)의 상품별 재고 현황을 확인하기 위한 페이지 제공 요청을 수신할 수 있다.

S1004 단계에서, 장치(400)는 제1 페이지를 제1 사용자 단말(310)로 전송하여, 제1 페이지가 제1 사용자 단말(310)의 화면에 표시되도록 제어할 수 있다. 여기서, 제1 페이지는 제1 판매기(110)의 상품별 재고 현황을 나타내는 페이지로, 제1 페이지에는 제1 판매기(110)에서 판매되는 상품이 구역 별로 표시될 수 있다. 이때, 제1 판매기(110)에 상품이 진열되어 있는 위치를 기준으로, 제1 페이지 상에서 상품들이 진열 위치에 따라 각각 표시될 수 있다.

S1005 단계에서, 장치(400)는 제1 페이지가 제1 사용자 단말(310)의 화면에 표시되도록 제어할 때, 제1 페이지 상에서 재고 여유 상품으로 분류된 상품이 제1 색상으로 표시되도록 제어하고, 제1 페이지 상에서 재고 평균 상품으로 분류된 상품이 제2 색상으로 표시되도록 제어하고, 제1 페이지 상에서 재고 부족 상품으로 분류된 상품이 제3 색상으로 표시되도록 제어할 수 있다.

예를 들어, 장치(400)는 제1 페이지가 제1 사용자 단말(310)의 화면에 표시되도록 제어할 때, 제1 상품이 재고 여유 상품으로 분류되어 있는 경우, 제1 페이지 상에서 제1 상품이 제1 색상으로 표시되도록 제어하고, 제1 상품이 재고 평균 상품으로 분류되어 있는 경우, 제1 페이지 상에서 제1 상품이 제2 색상으로 표시되도록 제어하고, 제1 상품이 재고 부족 상품으로 분류되어 있는 경우, 제1 페이지 상에서 제1 상품이 제3 색상으로 표시되도록 제어할 수 있다.

도 11은 일실시예에 따른 사용자 선호도 및 상품 분류 결과를 기반으로 추천 상품을 표시하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 11에 도시된 각 단계는 S1005 단계 이후에 수행될 수 있다.

도 11을 참조하면, 먼저, S1101 단계에서, 장치(400)는 제1 사용자의 상품 구매 내역을 기반으로, 상품별 제1 사용자의 선호도를 분석할 수 있다. 이때, 장치(400)는 제1 사용자 정보를 기초로, 제1 사용자의 상품 구매 내역을 획득한 후, 제1 사용자의 상품 구매 내역을 기반으로, 제1 사용자가 어느 상품을 얼마나 많이 자주 구매하였는지 확인하여, 제1 사용자의 선호도를 분석할 수 있다.

즉, 장치(400)는 제1 사용자가 특정 상품을 많이 구매할수록 해당 상품에 대한 제1 사용자의 선호도를 높은 점수로 부여할 수 있고, 특정 상품을 자주 구매할수록 해당 상품에 대한 제1 사용자의 선호도를 높은 점수로 부여할 수 있다.

예를 들어, 장치(400)는 제1 사용자의 상품 구매 내역을 기반으로, 제1 상품의 총 구매량이 10개로 확인되고 제1 상품의 총 구매 횟수가 5회로 확인되면, 제1 상품에 대한 제1 사용자의 선호도를 50점으로 분석할 수 있다.

S1102 단계에서, 장치(400)는 제1 사용자의 선호도를 분석한 결과, 제1 상품의 선호도가 가장 높은 것으로 확인할 수 있다.

즉, 장치(400)는 상품 별로 분석된 제1 사용자의 선호도를 비교한 결과, 제1 상품의 선호도가 가장 높은 것으로 확인할 수 있다.

S1103 단계에서, 장치(400)는 제1 페이지 상에서 표시되고 있는 제1 상품의 색상을 확인할 수 있다. 이때, 제1 상품의 색상은 제1 색상, 제2 색상 및 제3 색상 중 어느 하나의 색상으로 확인될 수 있다.

S1104 단계에서, 장치(400)는 제1 페이지 상에서 제1 상품이 제1 색상으로 표시되고 있는지 여부를 확인할 수 있다.

S1104 단계에서 제1 페이지 상에서 제1 상품이 제1 색상으로 표시되고 있는 것으로 확인되면, S1105 단계에서, 장치(400)는 제1 페이지가 제1 사용자 단말(310)의 화면에 표시되도록 제어할 때, 제1 페이지 상에서 제1 상품이 추천 상품으로 강조되어 표시되도록 제어할 수 있다. 이때, 제1 페이지 상에서 제1 상품이 표시되는 구역이 특수 효과를 통해 강조되어 표시될 수 있다.

S1104 단계에서 제1 페이지 상에서 제1 상품이 제1 색상으로 표시되고 있지 않은 것으로 확인되면, S1106 단계에서, 장치(400)는 제1 사용자의 선호도를 분석한 결과, 제1 상품 다음으로 제2 상품의 선호도가 가장 높은 것으로 확인할 수 있다.

즉, 장치(400)는 상품 별로 분석된 제1 사용자의 선호도를 비교한 결과, 제1 상품의 선호도 다음으로 제2 상품의 선호도가 가장 높은 것으로 확인할 수 있다.

S1107 단계에서, 장치(400)는 제1 페이지 상에서 표시되고 있는 제2 상품의 색상을 확인할 수 있다. 이때, 제2 상품의 색상은 제1 색상, 제2 색상 및 제3 색상 중 어느 하나의 색상으로 확인될 수 있다.

S1108 단계에서, 장치(400)는 제1 페이지 상에서 제2 상품이 제1 색상으로 표시되고 있는지 여부를 확인할 수 있다.

S1108 단계에서 제1 페이지 상에서 제2 상품이 제1 색상으로 표시되고 있는 것으로 확인되면, S1109 단계에서, 장치(400)는 제1 페이지가 제1 사용자 단말(310)의 화면에 표시되도록 제어할 때, 제1 페이지 상에서 제2 상품이 추천 상품으로 강조되어 표시되도록 제어할 수 있다. 이때, 제1 페이지 상에서 제2 상품이 표시되는 구역이 특수 효과를 통해 강조되어 표시될 수 있다.

도 12는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(400)는 프로세서(410) 및 메모리(420)를 포함한다. 프로세서(410)는 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(400)를 이용하는 자 또는 단체는 도 1 내지 도 11을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(420)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(420)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(410)는 프로그램을 실행하고, 장치(400)를 제어할 수 있다. 프로세서(410)에 의하여 실행되는 프로그램의 코드는 메모리(420)에 저장될 수 있다. 장치(400)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(400)는 인공지능 모델을 학습시키거나, 학습된 인공지능 모델을 이용하는데 사용될 수 있다. 메모리(420)는 학습 중인 또는 학습된 인공지능 모델을 포함할 수 있다. 프로세서(410)는 메모리(420)에 저장된 인공지능 모델의 알고리즘을 학습시키거나 실행시킬 수 있다. 인공지능 모델을 학습시키는 학습 장치와 학습된 인공지능 모델을 이용하는 장치(400)는 동일할 수도 있고 개별적일 수도 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.

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.

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.

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 청구범위의 범위에 속한다.

Claims (3)

1. 장치에 의해 수행되는, 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법에 있어서,
   제1 판매기의 판매 내역을 기반으로, 상기 제1 판매기에서 판매된 제1 상품의 기간별 판매량을 확인하는 단계;
   상기 제1 상품의 기간별 판매량을 기반으로, 제1 기간 동안 상기 제1 판매기에서 판매될 것으로 예상되는 상기 제1 상품의 판매량을 제1 판매량으로 예측하는 단계;
   상기 제1 판매기의 설치 지점이 제1 지역 내에 포함되어 있는 것으로 확인되면, 상기 제1 지역의 기상 정보를 기반으로, 상기 제1 지역의 기간별 기상 상태와 상기 제1 기간의 기상 예측 상태를 확인하는 단계;
   상기 제1 상품의 기간별 판매량, 상기 제1 지역의 기간별 기상 상태 및 상기 제1 기간의 기상 예측 상태를 매칭하여, 매칭 결과를 생성하는 단계;
   상기 매칭 결과를 인공지능 모델에 적용하여, 상기 인공지능 모델이 상기 제1 상품의 기간별 판매량과 상기 제1 지역의 기간별 기상 상태를 비교하여, 상기 제1 지역의 기상 상태에 따라 상기 제1 상품의 판매량이 얼마나 많은 영향을 받고 있는지 분석하고, 분석 결과를 기반으로, 상기 제1 기간의 기상 예측 상태에 따라 상기 제1 기간에 판매될 것으로 예상되는 상기 제1 상품의 판매량을 예측하여 출력한 경우, 상기 인공지능 모델의 출력을 기초로, 상기 제1 기간에 판매될 것으로 예상되는 상기 제1 상품의 판매량을 제2 판매량으로 설정하는 단계;
   상기 제1 판매량 및 상기 제2 판매량의 평균값으로, 제1 수요량을 산출하는 단계; 및
   상기 산출된 제1 수요량으로, 상기 제1 기간 동안 상기 제1 판매기에서 판매하기 위해 확보가 필요할 것으로 예상되는 상기 제1 상품의 수요량을 예측하는 단계를 포함하고,
   상기 제1 수요량을 산출하는 단계는,
   상기 제1 판매기의 판매 내역을 기반으로, 상기 제1 판매기에서 판매된 상기 제1 상품의 일자별 판매량을 확인하는 단계;
   상기 제1 상품의 일자별 판매량에 대한 평균값으로, 제1 수량을 산출하는 단계;
   상기 제1 상품의 일자별 판매량을 기반으로, 휴일의 일자별 판매량을 확인하고, 상기 휴일의 일자별 판매량에 대한 평균값으로, 제2 수량을 산출하는 단계;
   상기 제1 수량 및 상기 제2 수량 간의 차이를 제3 수량으로 산출하는 단계;
   상기 제3 수량이 미리 설정된 제1 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 휴일일 때 상기 제1 상품의 판매량이 유지된 것으로 분석하고, 제1 가중치를 1로 설정하는 단계;
   상기 제3 수량이 상기 제1 기준 범위 내에 포함되어 있지 않으면서 상기 제2 수량이 상기 제1 수량 보다 많은 것으로 확인되면, 상기 휴일일 때 상기 제1 상품의 판매량이 증가된 것으로 분석하고, 상기 제3 수량이 클수록 제1 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계;
   상기 제3 수량이 상기 제1 기준 범위 내에 포함되어 있지 않으면서 상기 제1 수량이 상기 제2 수량 보다 많은 것으로 확인되면, 상기 휴일일 때 상기 제1 상품의 판매량이 감소된 것으로 분석하고, 상기 제3 수량이 클수록 상기 제1 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계;
   상기 제1 상품의 일자별 판매량을 기반으로, 제1 시기의 일자별 판매량을 확인하고, 상기 제1 시기의 일자별 판매량에 대한 평균값으로, 제4 수량을 산출하는 단계;
   상기 제1 수량 및 상기 제4 수량 간의 차이를 제5 수량으로 산출하는 단계;
   상기 제5 수량이 미리 설정된 제2 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 제1 시기일 때 상기 제1 상품의 판매량이 유지된 것으로 분석하고, 제2 가중치를 1로 설정하는 단계;
   상기 제5 수량이 상기 제2 기준 범위 내에 포함되어 있지 않으면서 상기 제4 수량이 상기 제1 수량 보다 많은 것으로 확인되면, 상기 제1 시기일 때 상기 제1 상품의 판매량이 증가된 것으로 분석하고, 상기 제5 수량이 클수록 제2 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계;
   상기 제5 수량이 상기 제2 기준 범위 내에 포함되어 있지 않으면서 상기 제1 수량이 상기 제4 수량 보다 많은 것으로 확인되면, 상기 제1 시기일 때 상기 제1 상품의 판매량이 감소된 것으로 분석하고, 상기 제5 수량이 클수록 상기 제2 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계;
   상기 제1 기간 내에서 상기 휴일을 제1-1 기간으로 설정하고, 상기 제1 기간 내에서 상기 제1 시기를 제1-2 기간으로 설정하는 단계;
   상기 제1 기간의 일수를 제1 일수로 설정하고, 상기 제1-1 기간의 일수를 제2 일수로 설정하고, 상기 제1-2 기간의 일수를 제3 일수로 설정하는 단계;
   상기 제2 일수를 상기 제1 일수로 나눈 값으로 제1 비율을 산출하고, 상기 제3 일수를 상기 제1 일수로 나눈 값으로 제2 비율을 산출하는 단계;
   상기 제1 가중치가 1인 것으로 확인되면, 제3 비율을 100%로 설정하고, 상기 제1 가중치가 1 보다 큰 것으로 확인되면, 상기 제1 비율 및 100%를 합산한 값으로 상기 제3 비율을 산출하고, 상기 제1 가중치가 1 보다 작은 것으로 확인되면, 100%에서 상기 제1 비율을 차감한 값으로 상기 제3 비율을 산출하는 단계;
   상기 제2 가중치가 1인 것으로 확인되면, 제4 비율을 100%로 설정하고, 상기 제2 가중치가 1 보다 큰 것으로 확인되면, 상기 제2 비율 및 100%를 합산한 값으로 상기 제4 비율을 산출하고, 상기 제2 가중치가 1 보다 작은 것으로 확인되면, 100%에서 상기 제2 비율을 차감한 값으로 상기 제4 비율을 산출하는 단계;
   상기 제1 가중치 및 상기 제3 비율을 곱한 값으로 제3 가중치를 설정하고, 상기 제2 가중치 및 상기 제4 비율을 곱한 값으로 제4 가중치를 설정하는 단계; 및
   상기 제1 수요량, 상기 제3 가중치 및 상기 제4 가중치를 곱한 값으로 상기 제1 수요량을 조정하는 단계를 포함하는,
   멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법.
2. 삭제
3. 제1항에 있어서,
   상기 제1 수요량을 산출하는 단계는,
   크롤링을 통해 SNS에 업로드된 게시물 중에서 상기 제1 상품의 게시물로 구분된 제1 게시물을 업로드된 기간 별로 수집하여 획득하는 단계;
   상기 제1 기간 이전인 제2 기간 동안 업로드된 상기 제1 게시물을 제1 게시물 그룹으로 분류하고, 상기 제2 기간 이전인 제3 기간 동안 업로드된 상기 제1 게시물을 제2 게시물 그룹으로 분류하는 단계;
   상기 제1 게시물 그룹으로 분류된 게시물의 수를 제1 수치로 설정하고, 상기 제2 게시물 그룹으로 분류된 게시물의 수를 제2 수치로 설정하는 단계;
   상기 제1 수치 및 상기 제2 수치 간의 차이를 제3 수치로 산출하는 단계;
   상기 제3 수치가 미리 설정된 제3 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 업로드 수가 유지된 것으로 분석하고, 제5 가중치를 1로 설정하는 단계;
   상기 제3 수치가 상기 제3 기준 범위 내에 포함되어 있지 않으면서 상기 제1 수치가 상기 제2 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 업로드 수가 증가된 것으로 분석하고, 상기 제3 수치가 클수록 제5 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계;
   상기 제3 수치가 상기 제3 기준 범위 내에 포함되어 있지 않으면서 상기 제2 수치가 상기 제1 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 업로드 수가 감소된 것으로 분석하고, 상기 제3 수치가 클수록 제5 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계;
   상기 제1 게시물 그룹으로 분류된 게시물의 조회 수에 대한 평균치를 제4 수치로 설정하고, 상기 제2 게시물 그룹으로 분류된 게시물의 조회 수에 대한 평균치를 제5 수치로 설정하는 단계;
   상기 제4 수치 및 상기 제5 수치 간의 차이를 제6 수치로 산출하는 단계;
   상기 제6 수치가 미리 설정된 제4 기준 범위 내에 포함되어 있는 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 조회 수가 유지된 것으로 분석하고, 제6 가중치를 1로 설정하는 단계;
   상기 제6 수치가 상기 제4 기준 범위 내에 포함되어 있지 않으면서 상기 제4 수치가 상기 제5 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 조회 수가 증가된 것으로 분석하고, 상기 제6 수치가 클수록 제6 가중치를 1부터 2까지 범위 내에서 더 높은 값으로 설정하는 단계;
   상기 제6 수치가 상기 제4 기준 범위 내에 포함되어 있지 않으면서 상기 제5 수치가 상기 제4 수치 보다 큰 것으로 확인되면, 상기 제3 기간부터 상기 제2 기간까지 상기 제1 게시물의 조회 수가 감소된 것으로 분석하고, 상기 제6 수치가 클수록 제6 가중치를 0부터 1까지 범위 내에서 더 낮은 값으로 설정하는 단계; 및
   상기 제1 수요량, 상기 제5 가중치 및 상기 제6 가중치를 곱한 값으로, 상기 제1 수요량을 조정하는 단계를 포함하는,
   멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법.