KR102677031B1 - 시즌성 제품의 판매 수요를 예측하는 장치 및 방법 - Google Patents

시즌성 제품의 판매 수요를 예측하는 장치 및 방법 Download PDF

Info

Publication number
KR102677031B1
KR102677031B1 KR1020230116211A KR20230116211A KR102677031B1 KR 102677031 B1 KR102677031 B1 KR 102677031B1 KR 1020230116211 A KR1020230116211 A KR 1020230116211A KR 20230116211 A KR20230116211 A KR 20230116211A KR 102677031 B1 KR102677031 B1 KR 102677031B1
Authority
KR
South Korea
Prior art keywords
data
sales
target product
product
seasonal
Prior art date
Application number
KR1020230116211A
Other languages
English (en)
Inventor
유치호
Original Assignee
주식회사 부스터스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 부스터스 filed Critical 주식회사 부스터스
Priority to KR1020230116211A priority Critical patent/KR102677031B1/ko
Application granted granted Critical
Publication of KR102677031B1 publication Critical patent/KR102677031B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예에 따른, 서버에 의해 수행되는, 시즌성 판매제품의 수요를 예측하는 방법에 있어서, (a) 대상 상품의 판매량에 영향을 주는 판매요인 데이터를 수신하는 단계; (b) 판매요인 데이터에 포함된 시즌 구분용 데이터의 크기가 소정의 기간동안 임계치보다 높다면, 대상 상품을 시즌성 상품으로 분류하는 단계; (c) 대상 상품의 판매요인 데이터를 시계열적인 데이터로 분류한 이후 기계학습을 수행하여 판매량 예측 모델을 생성하는 단계; 및 (d) 판매량 예측 모델에 특정 대상 상품에 대한 입력 정보를 입력하여 특정 대상 상품의 예상 판매량을 산출하는 단계를 포함하고 판매요인 데이터는 대상 상품의 과거의 소정의 기간동안 판매실적 데이터, 검색량 데이터, 날씨 데이터, 대상 상품에 대한 온라인 광고 데이터 및 대상 상품을 구매한 이력이 있는 고객 데이터 중 적어도 하나를 포함하고, 입력 정보는 특정 대상 상품에 대해 임의로 생성된 판매요인 데이터이다.

Description

시즌성 제품의 판매 수요를 예측하는 장치 및 방법 {APPARATUS AND METHOD FOR PREDICTING SALES DEMAND OF SEASONAL PRODUCT}
본 발명은 온라인 전자상거래를 영위하는 사업자들이 시즌마다 판매되는 상품의 판매량을 예측하여 결품을 최소화 및 재고관리최적화를 도모하기 위한 시스템에 관한 것이다.
온라인 상에서 이루어지는 상품의 거래는, 상품을 판매하기 위해서는 사전에 여러 상품을 창고에 비축한 이후 상품의 주문이 수신되면 상품을 출고시키는 형식으로 이루어 진다.
이때, 온라인 상거래에서 중요한 요소는 '재고'를 적정치만큼 구비하는 것이 핵심이다. 상품의 재고를 적정치만큼 구비하는 가장 대표적인 방법으로 특정 기간만큼의 과거 출고 데이터를 참고하여, 미래에도 해당 데이터의 평균치가량이 출고될 것으로 예측하는 것이다.
그러나, 과거의 수요가 미래에도 동일한 추세로 지속될 것이라는 가정에 기인하여 상품을 구비하더라도, 실제 출고되는 데이터(즉, 판매량)와 상이한 결과가 종종 발생하게 된다.
종래에는 미래의 수요를 예측하기 위해, 상품에 대한 키워드 검색량 등을 이용하여 특정 알고리즘으로 상품의 판매 수량을 예측하였으나, 수집되는 데이터가 특정 제품보다 상위 개념인 브랜드와 관련된 개념이 많아, 실제로 판매될 수 있는 수요를 예측함에 있어 불확실한 경우가 많이 발생한다.
또한, 미래의 상품 판매 수요를 예측하기 위해 이용되는 데이터가 실제 판매를 진행 중인 판매사와 직접적으로 관련되어 있지 않고, 해당 산업군에 속한 모든 관계사들에 의해 발생한 간접 데이터이기에, 수요의 예측을 필요로하는 판매사의 현황과 일치하지 않는 문제가 발생하게 된다.
특허문헌 1 : 대한민국 등록특허공보 제10-2050855호
본 발명은 상기한 문제점을 해결하기 위해, 특정 기간 동안 판매되는 상품의 판매량을 예측하는 것을 목적으로 한다.
또한, 각종 검색데이터, SNS데이터, 마케팅데이터, 날씨데이터 등의 데이터에 기반하여 상품 수요를 예측할 수 있도록 하는 것을 목적으로 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기와 같은 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른, 서버에 의해 수행되는, 시즌성 판매제품의 수요를 예측하는 방법에 있어서, (a) 대상 상품의 판매량에 영향을 주는 판매요인 데이터를 수신하는 단계; (b) 판매요인 데이터에 포함된 시즌 구분용 데이터의 크기가 소정의 기간동안 임계치보다 높다면, 대상 상품을 시즌성 상품으로 분류하는 단계; (c) 대상 상품의 판매요인 데이터를 시계열적인 데이터로 분류한 이후 기계학습을 수행하여 판매량 예측 모델을 생성하는 단계; 및 (d) 판매량 예측 모델에 특정 대상 상품에 대한 입력 정보를 입력하여 특정 대상 상품의 예상 판매량을 산출하는 단계를 포함하고 판매요인 데이터는 대상 상품의 과거의 소정의 기간동안 판매실적 데이터, 검색량 데이터, 날씨 데이터, 대상 상품에 대한 온라인 광고 데이터 및 대상 상품을 구매한 이력이 있는 고객 데이터 중 적어도 하나를 포함하고, 입력 정보는 특정 대상 상품에 대해 임의로 생성된 판매요인 데이터일 수 있다.
또한, 시즌성 판매제품의 수요를 예측하는 장치에 있어서, 시즌성 판매제품의 수요를 예측하는 프로그램이 저장된 메모리 및 메모리에 저장된 프로그램을 실행하여 시즌성 판매제품의 수요를 예측하는 프로세서를 포함하되, 프로세서는 대상 상품의 판매량에 영향을 주는 판매요인 데이터를 수신하고, 판매요인 데이터에 포함된 시즌 구분용 데이터의 크기가 소정의 기간동안 임계치보다 높다면, 대상 상품을 시즌성 상품으로 분류하고, 대상 상품의 판매요인 데이터를 시계열적인 데이터로 분류한 이후 기계학습을 수행하여 판매량 예측 모델을 생성하고, 판매량 예측 모델에 특정 대상 상품에 대한 입력 정보를 입력하여 특정 대상 상품의 예상 판매량을 산출하는 단계를 포함하고, 판매요인 데이터는 대상 상품의 과거의 소정의 기간동안 판매실적 데이터, 검색량 데이터, 날씨 데이터, 대상 상품에 대한 온라인 광고 데이터 및 대상 상품을 구매한 이력이 있는 고객 데이터 중 적어도 하나를 포함하고, 입력 정보는 특정 대상 상품에 대해 임의로 생성된 판매요인 데이터인 장치일 수 있다.
일반적인 검색데이터 기반의 수요예측은 실제 판매데이터와 클 수 밖에 없다. 검색량이 높아지는 시점은 곧 수요가 높아지는 시점이고 해당 시점에 마케팅예산이 늘어나고 판매량이 늘어나기 때문이다. 따라서, 단순 검색량에 치우치지 않고 수요가 어느 정도 될지 또는 언제 수요가 늘어날 수 있을지 등을 다양한 데이터에 기반하여 수요를 예측할 수 있도록 하는 것이 본 발명의 일 실시예가 목적으로 하는 바이다. 이를 통해, 판매량에 맞는 재고를 구비할 수 있게 하고, 계절별 판매량이 달라지는 상품에 대해서도 판매량을 미리 파악할 수 있게 되어, 판매되지 못한 악성 재고를 최소화할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 시즌성 판매제품의 수요를 예측하기 위한 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른, 서버의 구성을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른, 시즌성 판매제품의 수요를 예측하는 인공지능 모델을 생성하는 과정을 나타낸 동작흐름도이다.
도 4는 본 발명의 일 실시예에 따른, 시즌성 판매제품의 수요를 예측하는 과정을 나타낸 동작흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
명세서 전체에서, '서버(100)'는 시즌성 판매제품의 수요를 예측하기 위한 장치를 의미할 수 있다.
도 1은 본 발명의 일 실시예에 따른, 시즌성 판매제품의 수요를 예측하기 위한 시스템의 구성을 나타낸 도면이다.
도 1을 참고하면, 시스템은 서버(100), 복수의 외부서버(200) 및 사용자 단말(300)로 구성될 수 있다. 또한, 도면 상에 도시되지 않았으나 각각의 장치는 통신망을 통해 상호연결될 수 있다.
본 발명의 일 실시예에 따라, 서버(100)는 복수의 외부서버(200)부터 수신된 대상 상품의 판매요인 데이터로부터 대상 상품이 상시 판매되는 상품인지 또는 시즌성 판매 제품인지를 구분하게 된다.
또한, 서버(100)는 대상 상품의 판매요인 데이터를 학습데이터로 이용하여 판매량 예측 모델을 생성하고, 이를 바탕으로 특정 상품의 판매량을 산출하는 것을 특징으로 한다.
이때, 대상 상품은 판매량을 예측하고자 하는 상품에 해당될 수 있고, 판매요인 데이터는 대상 상품이 판매량과 연관된 다양한 데이터에 해당될 수 있다. 예를 들어, 판매요인 데이터는 대상 상품의 과거의 소정의 기간동안 판매실적 데이터, 검색량 데이터, 날씨 데이터, 대상 상품에 대한 온라인 광고 데이터 및 대상 상품을 구매한 이력이 있는 고객 데이터 중 적어도 하나가 포함될 수 있다.
이때, 외부 서버(200)는 판매요인 데이터의 생성과 관련된 데이터를 수신하기 위한 곳으로, 소셜 네트워크 서비스 서버, 쇼핑몰(온라인 판매) 서버, 검색포탈 서버 및 기상청 서버 등이 포함될 수 있다. 서버(100)는 외부 서버(200)로부터 수신된 데이터를 바탕으로 판매요인 데이터를 생성하게 된다.
또한, 본 발명의 일 실시예에 따른, 사용자 단말(300)은 서버(100)가 생성한 판매량 예측 모델을 통해, 특정 대상 상품의 입력 정보를 생성하여 서버(100)로 제공하고, 서버(100)로부터 특정 대상 상품의 판매량을 수신하는 것을 특징으로 한다. 또한, 사용자 단말(300)은 유무선 통신 환경에서 단말 어플리케이션을 이용할 수 있는 통신 단말기를 의미한다. 여기서 사용자 단말(300)은 사용자의 휴대용 단말기일 수 있다. 도 1에서는 사용자 단말(300)이 휴대용 단말기의 일종인 스마트폰(smart phone)으로 도시되었지만, 본 발명의 사상은 이에 제한되지 아니하며, 상술한 바와 같이 단말 애플리케이션을 탑재할 수 있는 단말에 대해서 제한 없이 차용될 수 있다. 이를 더욱 상세히 설명하면, 사용자 단말(200)은 핸드헬드 컴퓨팅 디바이스(예를 들면, PDA, 이메일 클라이언트 등), 핸드폰의 임의의 형태, 또는 다른 종류의 컴퓨팅 또는 커뮤니케이션 플랫폼의 임의의 형태를 포함할 수 있으나, 본 발명이 이에 한정되는 것은 아니다.
한편, 통신망은 서버(100), 외부 서버(200) 및 사용자 단말(300)을 연결하는 역할을 수행한다. 즉, 통신망은 서버(100)가 외부 서버(200)로 또는 사용자 단말(200)이 서버(100)에 접속한 후 데이터를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 2는 본 발명의 일 실시예에 따른, 서버의 구성을 나타낸 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 메모리(110), 프로세서(120), 통신 모듈(130) 및 데이터베이스(140)를 포함한다. 또한, 데이터베이스(140)는 복수의 하위 모듈이 더 포함될 수 있다.
상세히 설명하자면, 메모리(110)는 시즌성 판매제품의 수요를 예측하기 위한 프로그램이 기록된다. 또한, 프로세서(120)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 메모리(110)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(120)는 일종의 중앙처리장치로서 시즌성 판매제품의 수요를 예측하는 전체 과정을 제어한다. 프로세서(120)가 수행하는 각 단계에 대해서는 도 3 및 도 4를 참조하여 후술하기로 한다.
여기서, 프로세서(1320)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
통신 모듈(130)은 통신망과 연동하여 서버(100), 외부 서버(200) 및 사용자 단말(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공한다. 나아가, 통신 모듈은 외부 서버(200) 및 사용자 단말(300)로부터 데이터 요청을 수신하고, 이에 대한 응답으로서 데이터를 송신하는 역할을 수행할 수 있다.
여기서, 통신 모듈은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
데이터베이스(140)는 시즌성 상품의 추천을 위한 각종 정보를 저장하고 있으며, 복수의 하위 데이터베이스가 구비되어 있다. 예를 들어, 하위 데이터베이스로 상품 데이터베이스(141), 판매실적 데이터베이스(142), 온라인상품 데이터베이스(143), 날씨 데이터베이스(144) 및 고객 정보 데이터베이스(145)가 포함될 수 있다.
먼저, 상품 데이터베이스(141)는 대상 상품에 대한 정보가 저장될 수 있다. 또한 선택적 실시예로, 판매량 예측 모델을 구동하기 위한 데이터가 함께 저장될 수 있다.
판매실적 데이터베이스(142)는 대상 상품을 포함하여 각종 상품의 과거의 판매량이 저장될 수 있다. 또한 선택적 실시예로, 상품을 판매하는 판매처에 대한 정보가 저장될 수 있다. 예를 들어, 온라인 판매 사이트에 대한 URL이나 오프라인 판매처의 정보 등이 해당될 수 있다.
온라인상품 데이터베이스(143)는 대상 상품에 대한 정보를 게시하는 소셜 네트워크 서비스, 온라인 판매 사이트, 검색포털 사이트 등의 정보를 포함하고 있다. 또한, 온라인상품 데이터베이스(143)에는 대상 상품에 대한 키워드를 바탕으로 상기 사이트에서 판매요인 데이터를 크롤링하거나, 정보를 수신하게 된다.
날씨 데이터베이스(144)는 기상청 서버를 통해 수신한 날짜별 온도나 강우량이 저장될 수 있다. 선택적 실시예로 시간에 따른 온도나 강우량의 변화나 날씨 그 자체의 변화가 추가로 저장될 수 있다.
고객 정보 데이터베이스(145)는 대상 상품을 구매한 사용자(사용자 단말(300))의 정보에 해당될 수 있다. 예를 들어, 사용자가 과거에 구매한 상품에 대한 이력이나, 성향(이는 성격을 포함하여, 외부활동이나 내부활동 중 선호하는 활동이 어느 방향인지 등이 포함된다.) 등이 저장될 수 있다.
비록 도 2에는 도시하지 아니하였으나, 대상 상품의 정보 및 판매량을 예측하기 위한 데이터 등에 대한 데이터 중 일부는 데이터베이스(180)와 물리적 또는 개념적으로 분리된 데이터베이스(미도시)에 저장될 수 있다.
도 3은 본 발명의 일 실시예에 따른, 시즌성 판매제품의 수요를 예측하는 인공지능 모델을 생성하는 과정을 나타낸 동작흐름도이다.
도 3을 참고하면, 서버(100)는 대상 상품의 판매량에 영향을 주는 판매요인 데이터를 수신하게 된다(S110).
이때, 판매요인 데이터로 대상 상품의 과거의 소정의 기간동안 판매실적 데이터, 검색량 데이터, 날씨 데이터, 대상 상품에 대한 온라인 광고 데이터 및 대상 상품을 구매한 이력이 있는 고객 데이터 중 적어도 하나를 포함될 수 있다. 또한, 추가 실시예로 사용자 단말(300)의 사용자(즉, 고객)의 성격이나 나이 및 직업분포, 대상 상품과의 경쟁사(또는 경쟁 상품이나 브랜드)의 개수 등이 더 포함될 수 있다.
한편, 단계(S110)에서 서버(100)는 기설정된 소셜 네트워크 서비스 서버에 게시된 콘텐츠, 온라인 검색포털 사이트 또는 온라인 판매 사이트 중 어느 하나로부터 대상 상품과 연관된 텍스트에 기초하여 크롤링을 수행하여 판매요인 데이터를 수집할 수도 있다. 다른 선택적 실시예로 서버(100)는 기설정된 외부 서버(200)와 제휴를 통해 정기적으로 정보를 제공받도록 시스템을 구축할 수도 있다.
다음으로 서버(100)는 판매요인 데이터에 포함된 시즌 구분용 데이터의 크기가 소정의 기간동안 임계치보다 높다면, 대상 상품을 시즌성 상품으로 분류하게 된다(S120).
이때, 단계(S110)에서 판매요인 데이터로서 어떤 데이터를 수신하느냐에 따라, 단계(S120)에서 수행되는 대상 상품의 시즌성 상품의 분류방식이 달라지게 된다.
먼저, 제1실시예로 판매요인 데이터가 판매실적 데이터 혹은 검색량 데이터 중 어느 하나에 대응되면, 단계(S110)에서 서버(100)는 대상 상품을 판매하는 온라인 판매 사이트 또는 검색포탈 사이트로부터 시간 대비 대상 상품의 판매량 또는 대상 상품에 대응되는 상품키워드의 검색량 중 어느 하나를 상기 판매요인 데이터로 수신하게 된다.
다음으로 단계(S120)에서 서버(100)는 과거 소정의 기간 이내에 대상 상품의 판매량 또는 검색량 중 어느 하나가 임계치 이상으로 산출되는 경우 대상 상품을 상기 시즌성 상품으로 분류하게 된다.
여기서, 상품키워드는 온라인 판매 사이트에서 상품을 판매하기 위해 판매자가 생성한 상품의 카테고리에 대응되는 복수의 키워드 중 카테고리의 키워드별 검색량을 기설정된 검색포탈 사이트로부터 수집하고, 판매실적 데이터와 가장 높은 상관 관계를 갖는 키워드를 상품키워드로 선정하게 된다. 예를 들어, 대상 상품이 물놀이 용품인 '튜브'인 경우 온라인 판매 사이트에서 해당 튜브를 판매하기 위해 나눠진 카테고리인 '물놀이 용품', '튜브' 등을 식별하고, '튜브'에 대응되는 카테고리의 키워드인 '튜브', '도넛형 튜브', '원형 튜브' 등을 식별하게 된다. 이후 '튜브', '도넛형 튜브', '원형 튜브' 중 '도넛형 튜브'가 가장 높은 판매실적을 갖는다면, '도넛형 튜브'를 상품키워드로 설정하게 된다.
제2실시예로 판매요인 데이터에 판매실적 데이터와 날씨 데이터가 포함되면, 단계(S110)에서 서버(100)는 기상청 서버로부터 날짜별 기온 및 강수량 중 적어도 하나를 수신하고, 판매실적 데이터와 날씨 데이터를 시계열적으로 매칭하여 판매요인 데이터를 생성하게 된다.
다음으로, 단계(S120)에서 서버(100)는 소정의 과거 기간 내에 기온 및 강수량 중 적어도 하나가 임계치의 범위를 벗어난 기간의 상품 판매량이 다른 기간의 판매량보다 높으면, 대상 상품을 상기 시즌성 상품으로 분류 하게 된다. 예를 들어, 기온이 30℃ 이상에서 높은 판매량을 가진 상품을 시즌성 상품으로 지정할 수 있다. 일반적으로 한국에서 30℃ 이상의 기온은 여름으로 한정됨으로, 이 시기에만 높은 판매량을 가지는 대상 상품이 시즌성 상품에 해당되는 것이다.
제3실시예로 판매요인 데이터에 온라인 광고 데이터가 포함되면, 단계(S110)에서 서버(100)는 온라인 광고가 노출된 사용자 단말(300)의 개수 및 온라인 광고가 홍보중인 상품의 종류를 판매요인 데이터로 수신하게 된다. 이때, 각각의 데이터는 온라인 검색포털 서버나 소셜 네트워크 서비스 서버(혹은 사이트)로부터 수신하게 된다.
다음으로 단계(S120)에서 서버(100)는 상품의 종류가 대상 상품에 대응되는 온라인 광고 데이터 중 과거 소정의 기간 이내에 상기 온라인 광고 데이터가 노출된 사용자 단말의 개수가 임계치 이상으로 산출되는 경우 대상 상품을 상기 시즌성 상품으로 분류하게 된다. 예를 들어, 대상 상품이 '선풍기'인 경우 보통 여름에 사용자 단말(300)로 '선풍기 광고'가 노출되기에 서버(100)가 이를 인지하여 대상 상품이 시즌성 상품인지 여부를 판단하거나, 다른 예시로 사용자 단말(300)이 사전에 겨울에 착용할 장갑을 검색하는 경우 구글과 같은 검색포털 서버에서는 사용자 단말(300)이 장갑을 검색여부를 인지하여, 사용자 단말(300)로 장갑에 대한 온라인 광고 팝업을 지속적으로 제공하기에, 서버(100)는 이러한 광고 팝업을 인식함으로써 대상 상품이 시즌성 상품인지 여부를 판단하게 된다.
제4실시예로 판매요인 데이터에 상기 고객 데이터가 포함되면, 단계(S110)에서 서버(100)는 대상 상품의 온라인 판매 사이트로부터 수신된 사용자 단말의 상품 구매 이력을 바탕으로 구매 성향이 포함된 고객 데이터를 생성하며, 대상 상품과 구매 성향을 매칭하여 판매요인 데이터를 수신하게 된다.
다음으로 단계(S120)에서 서버(100)는 고객 데이터에서 사용자의 외부 활동량 또는 소정의 과거 기간 내에 유행한 상품을 구매 횟수가 기설정된 임계치 이상인 사용자 단말(300)을 분류하게 된다. 이는, 내부에서 활동하는 사람보다 외부에서 활동하는 사람이 야외에서 이용하는 물건을 더 많이 구매하게 되고, 야외 활동에는 계절의 영향을 많이 받기 때문이다. 예를 들어, 야외 활동이 더 많은 사람이 실내에서 주로 활동하는 사람보다 두꺼운 겨울용 점퍼를 더 많이 구매하기 때문이다. 또한, 서버(100)는 복수의 사용자 단말(300)이 소정의 과거 기간 이내에 상품을 구매한 이력을 바탕으로 대상 상품을 시즌성 상품으로 분류하게 된다.
그 밖에도 추가 실시예로 판매요인 데이터로 사용자의 MBTI정보를 추가로 이용할 수 있다. 이를 바탕으로 서버(100)는 각각의 성향별로 그루핑을 수행하여 각 그룹별로 특정 시간 내에 공통적으로 구매량이 높은 상품을 시즌성 상품으로 분류하게 된다.
다른 추가 실시예로, 서버(100)는 특정 그룹이나 나이대에 소속된 사용자 단말(300)에 대한 정보를 판매요인 데이터로 이용할 수 있다. 이는 서버(100)가 특정 그룹이나 나이대에 소속된 사용자가 가장 많이 구매하거나, 검색한 상품을 바탕으로 시즌성 제품인지 여부를 판단할 수도 있다. 예를 들어, 서버(100)가 유행에 민감한 학생층이나 20대가 갑작스럽게 많이 구매하게 되는 상품에 대한 정보를 검색하여 시즌성 상품으로 구분할 수 있다.
다른 추가 실시예로, 서버(100)는 복수의 사용자 단말(300)로부터 건강상태 또는 생체리듬 중 어느 하나를 수신하여 판매요인 데이터로 이용할 수 있다. 서버(100)는 건강상태 또는 생체리듬을 바탕으로 사용자의 신체 상태가 기설정된 특정상태인 상황에서 사용자 단말(300)이 구매한 대상 상품에 대한 정보를 시즌성 상품으로 구분할 수 있다.
다른 추가 실시예로, 서버(100)는 복수의 사용자 단말(300)로부터 다른 사용자 단말(300)과 서로 주고 받은 선물 데이터(예를 들면, 기프티콘 등)를 판매요인 데이터로 이용할 수도 있다.
마지막으로 서버(100)는 대상 상품의 판매요인 데이터를 시계열적인 데이터로 분류한 이후 기계학습을 수행하여 판매량 예측 모델을 생성하게 된다(S130).
이때, 판매량 예측 모델은 회귀로직이나, 전이학습을 수행하는 모델이 적용될 수 있다.
여기서 단계(S130) 이전에 서버(100)는 대상 상품의 판매실적 데이터를 제외한 판매요인 데이터를 구성하는 상품의 과거의 소정의 기간동안 검색량 데이터, 날씨 데이터, 온라인 광고 데이터 및 고객 데이터 중 적어도 하나를 바탕으로 적어도 하나 이상의 가중치를 생성하게 된다. 이후 단계(S130)에서 서버(100)는 가중치를 각각 판매실적 데이터에 적용하여 상기 판매량 예측 모델의 학습데이터를 생성하게 된다.
먼저, 학습데이터를 생성하는 과정으로 서버(100)는 동일한 대상 상품에 대해서 판매실적 데이터의 종류에 따른 시계열적 데이터를 분류하고, 분류된 데이터 중에서 서로 다른 주기(이는 계절, 년도 등의 비교적 큰 단위)의 동일한 판매요인 데이터에 대한 평균값을 각각 생성하여 학습데이터에 대한 전처리를 수행한다. 예를 들어, 서버(100)는 2022년도 8월 중 기온이 30℃를 넘은 날의 대상 상품의 판매량과 2023년도 8월 중 기온이 30℃를 넘는 날의 대상 상품의 판매량의 평균값을 산출하여 날씨 데이터의 기온을 기준으로 산출된 학습데이터로 이용하게 된다.
한편, 판매량 예측 모델이 이용되어 예상 판매량이 산출된 경우 서버(100)는 예상 판매량과 실제 판매량을 비교하여 보정값을 생성하여 판매량 예측 모델에 대한 보정이 수행될 수 있다. 또한, 서버(100)는 예상 판매량을 판매량 예측 모델에 학습데이터로서 재학습을 수행할 수도 있다.
추가 실시예로서, 아래와 같은 실시예가 추가될 수 있다.
서버(100)는 판매요인 데이터로서, 1) 상품 키워드 데이터(이는, 특정 상품에 대한 키워드가 노출된 SNS데이터의 수량 및 해당 키워드가 언급된 횟수, 검색엔진에서 특정 대상 상품에 대한 키워드가 검색된 횟수 등을 포함), 2) 일반 키워드 데이터(이는, 주요 검색포털 사이트의 뉴스 홈에서 상위 랭킹에 노출된 뉴스 기사들로부터 추출된 키워드 중 상위 5개 이내의 높은 빈도로 검출된 키워드 등을 포함), 3) 날씨 데이터(이는, 앞서 언급한 기온 및 강수량을 포함하여, 각종 날씨 상태에 대한 데이터 등을 포함), 4) 거시경제 데이터(이는, 소비자동향지수(CSI), 소비자심리지수(CCSI), 경제심리지수(ESI), 기준금리, 실업률 등의 거시적인 경제 데이터 등을 포함)을 소정의 기간 별로 수집하게 된다. 이때, 상품 키워드데이터는 대상 상품의 카테고리를 규정하고, 각 카테고리별 데이터를 수집하게 된다. 예를 들면, '생활가전', '의류', '컴퓨터', '캠핑' 등과 같은 카테고리들을 사전에 규정해두고, '캠핑 카테고리' 내에는 '텐트', '휴대용 의자', '랜턴' 등과 같은 제품들을 구성한 후 해당 제품들에 대한 상품 키워드 데이터를 수집화하여 데이터베이스(140)를 구축하게 된다.
학습데이터를 이와 같이 구성하는 이유는, SNS 등을 통해 노출되는 데이터들이 소비자들의 실제 수요를 확인할 수 있는 출처에 해당되고, 일반 키워드데이터를 수집하는 이유는 소비자들이 현재 어떤 이슈에 민감해하는지에 따라 동일한 상품이라도 판매량의 변화에 영향을 줄 수 있기 때문이다. 또한, 거시경제 데이터를 수집하는 이유는 소비자들의 가처분소득상태에 따라 소비자들의 구매력이나 구매관심대상이 달라지기 때문이다.
우선 상품 키워드데이터와 일반 키워드데이터는 전처리가 수행되고, 각 데이터들은 임베딩 모델 또는 자연어처리모델을 통해 벡터화될 수 있다.
상기의 데이터들은 인공지능 모델(즉, 판매량 예측 모델)에 입력되어 학습될 수 있다. 판매량 예측 모델은 멀티모달 형태로 복수의 레이어로 구성되도록 구현될 수 있다. 첫 번째 레이어에는 상품 카테고리별 멀티모달이 구성될 수 있다. 즉, 첫 번째 레이어는 예컨대, 생활가전 모듈, 의류 모듈, 컴퓨터 모듈 등으로 구성될 수 있고, 각 모듈에는 거시경제데이터, 일반 키워드데이터가 공통의 입력값으로서 입력되되, 각 모듈 별로 상품 키워드 데이터는 다르게 입력될 수 있다. 즉, 생활가전 모듈에는 생활가전제품에 대한 키워드데이터를 입력하게 된다. 이때, 각각의 모듈은 CNN모델로 구성되어, 학습이 수행될 수 있다.
또한, 두 번째 레이어는 첫 번째 모듈과 대응되는 개수의 모듈들로 구성될 수 있고, 각 모듈의 첫 번째 레이어에서 출력된 값을 입력하여 각 대상 상품 별 판매량 데이터를 출력할 수 있도록 학습될 수 있다. 이때, 이용될 수 있는 기계학습 모델로는 LSTM이 포함될 수 있다. 예를 들어, 두 번째 레이어 역시 첫 번째 레이어와 동일한 개수의 멀티모달로 구성되며, 생활가전 모듈, 의류 모듈, 컴퓨터 모듈 등이 구성될 수 있다. 만약, 생활가전 모듈에서는 첫 번째 레이어에서 출력된 값이 입력되어, 생활가전 제품의 판매량을 출력하도록 학습하게 된다.
그리고, 판매량 예측 모델에는 소정의 각 기간별로 학습데이터를 입력 및 학습을 수행할 수 있다. 예를 들어, 2023년 1월 동안의 각 상품별 상품 키워드데이터, 일반 키워드 데이터, 거시경제데이터를 수집하고, 1월의 해당 제품의 판매량을 학습하게 된다. 이어서, 2023년 2월 동안의 데이터들을 수집하고, 2월의 해당 상품의 판매량을 학습시킬 수 있다. 이러한, 방식으로 학습을 수행하는 이유는 시계열적인 판매량 데이터를 확보하기 위함이다.
만약, 판매량 예측 모델의 학습이 완료된 후 날씨 데이터와 각 대상 상품에 대한 판매량데이터들을 모두 취합하여 비지도학습모델에 입력함으로써, 날씨 데이터 및 판매량 데이터 간의 상관관계를 학습시킬 수 있다.
또한, 학습이 완료된 이후 판매량 예측 모델에 현재 해당 상품에 대한 키워드 데이터, 일반 키워드데이터, 날씨 데이터, 거시경제 데이터를 입력할 경우 그 다음달이나 두 달 후의 상품에 대한 수요를 시계열적인 추이의 형태로 예상해볼 수 있게 된다. 즉, 상기의 언급된 과정을 통해 대상 상품에 대한 정확한 제품 수요를 예측할 수 있게 된다.
도 4는 본 발명의 일 실시예에 따른, 시즌성 판매제품의 수요를 예측하는 과정을 나타낸 동작흐름도이다.
도 4를 참고하면, 서버(100)는 사용자 단말(300)로부터 특정 대상 상품에 대한 입력 정보를 수신한다(S141).
이때, 입력 정보란 특정 대상 상품이 판매될 상태에 대한 조건으로, 임의로 생성된 고객 데이터, 날씨 데이터 등이 포함될 수 있다.
다음으로 서버(100)는 판매량 예측 모델에 특정 대상 상품에 대한 입력 정보를 입력하여 상기 특정 대상 상품의 예상 판매량을 산출하고(S142), 산출된 예산 판매량을 사용자 단말(300)로 제공한다(S143).
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 서버
200: 사용자 단말

Claims (11)

  1. 서버에 의해 수행되는, 시즌성 판매제품의 수요를 예측하는 방법에 있어서,
    (a) 대상 상품의 판매량에 영향을 주는 판매요인 데이터를 수신하는 단계;
    (b) 상기 판매요인 데이터에 포함된 시즌 구분용 데이터의 크기가 소정의 기간동안 임계치보다 높다면, 상기 대상 상품을 시즌성 상품으로 분류하는 단계;
    (c) 상기 대상 상품의 판매요인 데이터를 시계열적인 데이터로 분류한 이후 기계학습을 수행하여 판매량 예측 모델을 생성하는 단계; 및
    (d) 상기 판매량 예측 모델에 특정 대상 상품에 대한 입력 정보를 입력하여 상기 특정 대상 상품의 예상 판매량을 산출하는 단계를 포함하고
    상기 판매요인 데이터는 상기 대상 상품의 과거의 소정의 기간동안 판매실적 데이터, 검색량 데이터, 날씨 데이터, 상기 대상 상품에 대한 온라인 광고 데이터 및 상기 대상 상품을 구매한 이력이 있는 고객 데이터 중 적어도 하나를 포함하고,
    상기 입력 정보는 상기 특정 대상 상품에 대해 임의로 생성된 판매요인 데이터이고,
    상기 판매요인 데이터가 상기 판매실적 데이터 혹은 검색량 데이터 중 어느 하나에 대응되면, 상기 (a) 단계는 상기 대상 상품을 판매하는 온라인 판매 사이트 또는 검색포탈 사이트로부터 시간 대비 상기 대상 상품의 판매량 또는 상기 대상 상품에 대응되는 상품키워드의 검색량 중 어느 하나를 상기 판매요인 데이터로 수신하고, 상기 (b) 단계는 과거 소정의 기간 이내에 상기 대상 상품의 상기 판매량 또는 검색량 중 어느 하나가 상기 임계치 이상으로 산출되는 경우 상기 대상 상품을 상기 시즌성 상품으로 분류하되, 상기 상품키워드는 상기 온라인 판매 사이트에서 상품을 판매하기 위해 판매자가 생성한 상기 상품의 카테고리에 대응되는 복수의 키워드 중 상기 카테고리의 키워드별 검색량을 상기 검색포탈 사이트로부터 수집하고, 상기 판매실적 데이터와 가장 높은 상관 관계를 갖는 상기 키워드를 상기 상품키워드로 선정하고,
    상기 판매요인 데이터에 상기 날씨 데이터가 더 포함되면, 상기 (a) 단계는 기상청 서버로부터 날짜별 기온 및 강수량 중 적어도 하나를 수신하여, 상기 판매실적 데이터와 시계열적으로 매칭하여 상기 판매요인 데이터를 생성하고, 상기 (b) 단계는 소정의 과거 기간 내에 상기 기온 및 강수량 중 적어도 하나가 상기 임계치의 범위를 벗어난 기간의 상기 대상 상품의 판매량이 다른 기간의 판매량보다 높으면, 상기 대상 상품을 상기 시즌성 상품으로 분류하고,
    상기 판매요인 데이터에 상기 고객 데이터가 포함되면, 상기 (a) 단계는 상기 대상 상품의 온라인 판매 사이트로부터 수신된 사용자 단말의 상품 구매 이력, 나이 및 직업분포를 바탕으로 구매 성향이 포함된 상기 고객 데이터를 생성하되, 상기 대상 상품과 상기 구매 성향을 매칭하거나, 상기 나이 및 직업을 통해 상기 사용자 단말의 그룹을 형성하여 상기 판매요인 데이터로 수신하고, 상기 (b) 단계는 상기 고객 데이터에서 사용자의 외부 활동량 또는 소정의 과거 기간 내에 유행한 상품을 구매 횟수가 기설정된 임계치 이상인 사용자 단말을 분류하고, 복수의 상기 사용자 단말이 소정의 과거 기간 이내에 상기 상품을 구매한 이력을 바탕으로 상기 대상 상품을 상기 시즌성 상품으로 분류하거나, 특정 그룹에서 가장 많이 구매하거나 검색한 상기 상품을 상기 시즌성 상품으로 분류하고,
    판매요인 데이터가 소정의 기간 내에 수집된 상품 키워드 데이터, 일반 키워드 데이터, 거시경제 키워드 데이터 및 날씨 데이터로 구성되면,
    상기 상품 키워드 데이터를 바탕으로 대상 상품의 카테고리를 규정하여 각각의 상기 대상 상품의 카테고리에 대응되는 상품의 데이터를 수집 및 상기 대상 상품에 영향을 주는 일반 키워드 데이터 및 거시경제 키워드 데이터를 수집 후 전처리하여 임베딩 모델 또는 자연어처리 모델을 바탕으로 벡터화를 수행하여, 상기 판매량 예측 모델에 입력하되,
    상기 판매량 예측 모델은 복수의 레이어로 구성된 멀티모달 모델로 구성되며,
    첫 번째 레이어에는 복수의 상기 대상 상품의 종류에 각각 대응되는 카테고리별 모듈을 갖는 상기 멀티모달로 구성되어, 각 카테고리 모듈에 대응되는 상기 상품 키워드 데이터, 일반 키워드 데이터 및 거시경제 키워드 데이터를 입력받고,
    두 번째 레이어에는 상기 첫 번째 레이어의 상기 카테고리 모듈에 대응되는 개수의 모듈로 구성되어, 각 모듈의 첫 번째 레이어에서 출력된 값이 각각 입력되어, 각각의 상기 대상 상품별 판매량 데이터를 출력하도록 학습되고,
    상기 첫 번째 레이어의 모듈은 CNN모듈로 구성되며, 상기 두 번째 레이어의 모듈은 LSTM모듈로 구성되고,
    상기 판매량 예측 모델은 소정의 각 기간별로 학습데이터를 입력 및 학습하여 시계열적인 판매량 데이터를 확보하고, 상기 판매량 예측 모델의 학습이 완료되면 상기 날씨 데이터와 상기 대상 상품에 대한 판매량데이터들을 모두 취합하여 비지도학습모델에 입력하여, 상기 날씨 데이터와 판매량 데이터 간의 상관관계를 학습하는 것인, 시즌성 판매제품의 수요를 예측하는 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제 1 항에 있어서,
    상기 판매요인 데이터에 상기 온라인 광고 데이터가 포함되면,
    상기 (a) 단계는
    상기 온라인 광고가 노출된 사용자 단말의 개수 및 상기 온라인 광고가 홍보중인 상품의 종류를 상기 판매요인 데이터로 수신하고,
    상기 (b) 단계는
    상기 상품의 종류가 상기 대상 상품에 대응되는 상기 온라인 광고 데이터 중 과거 소정의 기간 이내에 상기 온라인 광고 데이터가 노출된 사용자 단말의 개수가 상기 임계치 이상으로 산출되는 경우 상기 대상 상품을 상기 시즌성 상품으로 분류하는 것인, 시즌성 판매제품의 수요를 예측하는 방법.
  6. 삭제
  7. 삭제
  8. 제 1 항에 있어서,
    상기 (a) 단계는
    기설정된 소셜 네트워크 서비스 서버에 게시된 콘텐츠, 검색포털 사이트 또는 온라인 판매 사이트 중 어느 하나로부터 상기 대상 상품과 연관된 텍스트에 기초하여 크롤링을 수행하여 상기 판매요인 데이터를 수집하는 것인, 시즌성 판매제품의 수요를 예측하는 방법.
  9. 제 1 항에 있어서,
    상기 (c) 단계 이전에
    상기 대상 상품의 판매실적 데이터를 제외한 상기 판매요인 데이터를 구성하는 상품의 과거의 소정의 기간동안 검색량 데이터, 날씨 데이터, 상기 온라인 광고 데이터 및 상기 고객 데이터 중 적어도 하나를 바탕으로 적어도 하나 이상의 가중치를 생성하고,
    상기 가중치를 각각 상기 판매실적 데이터에 적용하여 상기 판매량 예측 모델의 학습데이터를 생성하는 것인, 시즌성 판매제품의 수요를 예측하는 방법.
  10. 삭제
  11. 시즌성 판매제품의 수요를 예측하는 장치에 있어서,
    상기 시즌성 판매제품의 수요를 예측하는 프로그램이 저장된 메모리 및
    상기 메모리에 저장된 프로그램을 실행하여 상기 시즌성 판매제품의 수요를 예측하는 프로세서를 포함하되,
    상기 프로세서는 대상 상품의 판매량에 영향을 주는 판매요인 데이터를 수신하고, 상기 판매요인 데이터에 포함된 시즌 구분용 데이터의 크기가 소정의 기간동안 임계치보다 높다면, 상기 대상 상품을 시즌성 상품으로 분류하고, 상기 대상 상품의 판매요인 데이터를 시계열적인 데이터로 분류한 이후 기계학습을 수행하여 판매량 예측 모델을 생성하고, 상기 판매량 예측 모델에 특정 대상 상품에 대한 입력 정보를 입력하여 상기 특정 대상 상품의 예상 판매량을 산출하는 단계를 포함하고, 상기 판매요인 데이터는 상기 대상 상품의 과거의 소정의 기간동안 판매실적 데이터, 검색량 데이터, 날씨 데이터, 상기 대상 상품에 대한 온라인 광고 데이터 및 상기 대상 상품을 구매한 이력이 있는 고객 데이터 중 적어도 하나를 포함하고, 상기 입력 정보는 상기 특정 대상 상품에 대해 임의로 생성된 판매요인 데이터이고,
    상기 판매요인 데이터가 상기 판매실적 데이터 혹은 검색량 데이터 중 어느 하나에 대응되면, 상기 판매요인 데이터를 수신하는 과정은 상기 대상 상품을 판매하는 온라인 판매 사이트 또는 검색포탈 사이트로부터 시간 대비 상기 대상 상품의 판매량 또는 상기 대상 상품에 대응되는 상품키워드의 검색량 중 어느 하나를 상기 판매요인 데이터로 수신하고, 상기 시즌성 상품을 분류하는 과정은 과거 소정의 기간 이내에 상기 대상 상품의 상기 판매량 또는 검색량 중 어느 하나가 상기 임계치 이상으로 산출되는 경우 상기 대상 상품을 상기 시즌성 상품으로 분류하되, 상기 상품키워드는 상기 온라인 판매 사이트에서 상품을 판매하기 위해 판매자가 생성한 상기 상품의 카테고리에 대응되는 복수의 키워드 중 상기 카테고리의 키워드별 검색량을 상기 검색포탈 사이트로부터 수집하고, 상기 판매실적 데이터와 가장 높은 상관 관계를 갖는 상기 키워드를 상기 상품키워드로 선정하고,
    상기 판매요인 데이터에 상기 날씨 데이터가 더 포함되면, 상기 판매요인 데이터를 수신하는 과정은 기상청 서버로부터 날짜별 기온 및 강수량 중 적어도 하나를 수신하여, 상기 판매실적 데이터와 시계열적으로 매칭하여 상기 판매요인 데이터를 생성하고, 상기 시즌성 상품을 분류하는 과정은 소정의 과거 기간 내에 상기 기온 및 강수량 중 적어도 하나가 상기 임계치의 범위를 벗어난 기간의 상기 대상 상품의 판매량이 다른 기간의 판매량보다 높으면, 상기 대상 상품을 상기 시즌성 상품으로 분류하고,
    상기 판매요인 데이터에 상기 고객 데이터가 포함되면, 상기 판매요인 데이터를 수신하는 과정은 상기 대상 상품의 온라인 판매 사이트로부터 수신된 사용자 단말의 상품 구매 이력, 나이 및 직업분포를 바탕으로 구매 성향이 포함된 상기 고객 데이터를 생성하되, 상기 대상 상품과 상기 구매 성향을 매칭하거나, 상기 나이 및 직업을 통해 상기 사용자 단말의 그룹을 형성하여 상기 판매요인 데이터로 수신하고, 상기 시즌성 상품을 분류하는 과정은 상기 고객 데이터에서 사용자의 외부 활동량 또는 소정의 과거 기간 내에 유행한 상품을 구매 횟수가 기설정된 임계치 이상인 사용자 단말을 분류하고, 복수의 상기 사용자 단말이 소정의 과거 기간 이내에 상기 상품을 구매한 이력을 바탕으로 상기 대상 상품을 상기 시즌성 상품으로 분류하거나, 특정 그룹에서 가장 많이 구매하거나 검색한 상기 상품을 상기 시즌성 상품으로 분류하고,
    판매요인 데이터가 소정의 기간 내에 수집된 상품 키워드 데이터, 일반 키워드 데이터, 거시경제 키워드 데이터 및 날씨 데이터로 구성되면,
    상기 상품 키워드 데이터를 바탕으로 대상 상품의 카테고리를 규정하여 각각의 상기 대상 상품의 카테고리에 대응되는 상품의 데이터를 수집 및 상기 대상 상품에 영향을 주는 일반 키워드 데이터 및 거시경제 키워드 데이터를 수집 후 전처리하여 임베딩 모델 또는 자연어처리 모델을 바탕으로 벡터화를 수행하여, 상기 판매량 예측 모델에 입력하되,
    상기 판매량 예측 모델은 복수의 레이어로 구성된 멀티모달 모델로 구성되며,
    첫 번째 레이어에는 복수의 상기 대상 상품의 종류에 각각 대응되는 카테고리별 모듈을 갖는 상기 멀티모달로 구성되어, 각 카테고리 모듈에 대응되는 상기 상품 키워드 데이터, 일반 키워드 데이터 및 거시경제 키워드 데이터를 입력받고,
    두 번째 레이어에는 상기 첫 번째 레이어의 상기 카테고리 모듈에 대응되는 개수의 모듈로 구성되어, 각 모듈의 첫 번째 레이어에서 출력된 값이 각각 입력되어, 각각의 상기 대상 상품별 판매량 데이터를 출력하도록 학습되고,
    상기 첫 번째 레이어의 모듈은 CNN모듈로 구성되며, 상기 두 번째 레이어의 모듈은 LSTM모듈로 구성되고,
    상기 판매량 예측 모델은 소정의 각 기간별로 학습데이터를 입력 및 학습하여 시계열적인 판매량 데이터를 확보하고, 상기 판매량 예측 모델의 학습이 완료되면 상기 날씨 데이터와 상기 대상 상품에 대한 판매량데이터들을 모두 취합하여 비지도학습모델에 입력하여, 상기 날씨 데이터와 판매량 데이터 간의 상관관계를 학습하는 것인, 시즌성 판매제품의 수요를 예측하는 장치.
KR1020230116211A 2023-09-01 2023-09-01 시즌성 제품의 판매 수요를 예측하는 장치 및 방법 KR102677031B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230116211A KR102677031B1 (ko) 2023-09-01 2023-09-01 시즌성 제품의 판매 수요를 예측하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230116211A KR102677031B1 (ko) 2023-09-01 2023-09-01 시즌성 제품의 판매 수요를 예측하는 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102677031B1 true KR102677031B1 (ko) 2024-06-21

Family

ID=91700390

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230116211A KR102677031B1 (ko) 2023-09-01 2023-09-01 시즌성 제품의 판매 수요를 예측하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102677031B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007233944A (ja) * 2006-03-03 2007-09-13 Vinculum Japan Corp 商品販売予測システム
KR102050855B1 (ko) 2019-03-25 2020-01-08 강태기 수요 예측 장치 및 방법
KR20200107087A (ko) * 2019-03-06 2020-09-16 베스핀글로벌 주식회사 판매량 예측 장치 및 방법
KR20200108521A (ko) * 2019-03-04 2020-09-21 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR20220104978A (ko) * 2021-01-19 2022-07-26 충북대학교 산학협력단 슬라이딩 시뮬레이션 기반의 수요 예측 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007233944A (ja) * 2006-03-03 2007-09-13 Vinculum Japan Corp 商品販売予測システム
KR20200108521A (ko) * 2019-03-04 2020-09-21 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR20200107087A (ko) * 2019-03-06 2020-09-16 베스핀글로벌 주식회사 판매량 예측 장치 및 방법
KR102050855B1 (ko) 2019-03-25 2020-01-08 강태기 수요 예측 장치 및 방법
KR20220104978A (ko) * 2021-01-19 2022-07-26 충북대학교 산학협력단 슬라이딩 시뮬레이션 기반의 수요 예측 방법 및 장치

Similar Documents

Publication Publication Date Title
US11107118B2 (en) Management of the display of online ad content consistent with one or more performance objectives for a webpage and/or website
US9727616B2 (en) Systems and methods for predicting sales of item listings
US9223900B2 (en) Machine optimization devices, methods, and systems
KR100961783B1 (ko) 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체
CN106022800A (zh) 一种用户特征数据的处理方法和装置
KR102006900B1 (ko) 온라인 쇼핑을 위한 정보 제공방법 및 이를 위한 통합 서버
US10467686B2 (en) Integrated auctioning environment platform
CN105469263A (zh) 一种商品推荐方法及装置
CN109903111A (zh) 用于个性化推荐的排序方法，排序模型训练方法和排序系统
WO2014193700A1 (en) Social media pricing engine
CN103678518A (zh) 一种推荐列表调整方法和装置
CN112559896B (zh) 信息推荐方法、装置、设备及计算机可读存储介质
KR102084719B1 (ko) 판매 예측 정보 제공 시스템
KR102068820B1 (ko) 온라인 마켓 상에서 상품의 등록 및 통합 관리를 수행하는 컴퓨터 프로그램 및 이의 동작 방법
Rakhra et al. [Retracted] Implementing Machine Learning for Supply‐Demand Shifts and Price Impacts in Farmer Market for Tool and Equipment Sharing
Cocchi et al. Machine learning methods for short‐term bid forecasting in the renewable energy market: A case study in Italy
TWM624658U (zh) 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置
US11494721B1 (en) Artificial intelligence system for electronically monitoring and analyzing data transmitted through multiple electronic channels to suggest actions for increasing the effectiveness of data transmitted through the channels
US10049375B1 (en) Automated graph-based identification of early adopter users
KR102585895B1 (ko) 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템
KR102677031B1 (ko) 시즌성 제품의 판매 수요를 예측하는 장치 및 방법
US20200311762A1 (en) System and method for analyzing the effectiveness and influence of digital online content
Pinto et al. Hybrid recommendation system based on collaborative filtering and fuzzy numbers
Kumar et al. Enhancing Smallholder Farmer Livelihoods through AI-Based E-Commerce Marketing for Agricultural Products
Pandey et al. Recommending e-commerce products on cold start and long tail using transaction data