KR20200140764A - 매출 채권과 입출금 정보간 자동화된 매칭 서비스를 제공하기 위한 데이터베이스 생성 방법 및 그 장치 - Google Patents

Abstract

본 발명의 실시 예에 따른 데이터베이스 생성 장치는, 거래 정보 데이터베이스의 거래 정보를 관리하는 거래 관리 서비스 제공부; 상기 거래 정보 데이터베이스로부터 일정 기간 동안 누적된 거래 학습 정보 수집하며, 수집된 거래 학습 정보에 대한 학습 기반 매칭 분석 처리에 따라, 초기 패턴 데이터베이스를 구축하는 패턴 분석 처리부를 포함하며, 상기 거래 관리 서비스 제공부는, 상기 초기 패턴 데이터베이스를 이용하여, 매출 채권과 입출금 정보간 자동화된 매칭 분석을 처리한다.

Description

매출 채권과 입출금 정보간 자동화된 매칭 서비스를 제공하기 위한 데이터베이스 생성 방법 및 그 장치{Apparatus and method for building a pattern database for accounting}

본 발명은 회계처리용 패턴 DB 구축 장치 및 방법에 관한 것으로, 보다 상세하게는 각 거래처의 전자세금계산서의 매출정보 및 각 거래처의 은행 입출금 정보간의 매칭결과를 근거로 하는 패턴 데이터베이스를 구축하는 장치 및 방법에 관한 것이다.

최근, 경제 발전의 속도가 가속화되면서 기업간의 주문 및 거래 횟수 역시 괄목할 만한 증가 속도를 나타내고 있으며, 이러한 기업간 거래의 증가 추세에 발맞추어 기업간에 발생하는 대금 결제 관계에 관련된 문제도 한층 복잡하고 다양한 양상을 띠고 있다.

기업간 거래 관계가 형성될 때, 통상적으로 물품, 용역 등을 판매하는 판매업체는 구매업체를 대상으로 하는 일련의 대금 청구 프로세스를 통해 매출 채권을 발생시키며, 구매 업체로부터의 입금 확인 프로세스를 진행한다. 대금 청구가 발생하면 미수금 상태의 매출 채권이 형성되고, 이에 대한 구매 업체의 대금 결제 수단으로서의 현금(Cash), 외상거래, 어음, B2B 대출(예를 들어 외상매출 채권 담보 대출, 기업 구매 자금 대출 등), 신용카드 등의 이용에 따라 계좌 입금이 처리되며, 이러한 입금 내역 확인 및 매칭을 통해 대금 결제가 완료되며 이에 대한 세금계산 처리가 진행되게 된다.

통상적으로 기업에서는 이러한 매입, 매출 및 급여 등과 같은 각종 데이터를 주로 물리적 또는 전자적 장부 등에 기재하여 관리하고 있으며, 입금 내역에 대한 확인을 바탕으로 하는 판매실적, 영업이익, 급여총액, 순이익 산출 및 세금계산과 같은 회계정보의 산출은 이러한 장부 관리를 통해 이루어진다.

이러한 장부 관리에 있어서, 단순 회계정보의 산출은 ERP 관리 시스템 등의 전산처리에 의해 자동화가 가능한 측면이 존재하나, 매출 채권에 대응한 입금 내역확인의 경우, 기업마다 입금 수단이나 입금 방식 또는 입금 주기가 모두 상이하고, 입금자명 또한 수시로 변경되는 경우가 잦기 때문에 자동화가 매우 어려우며, 이에 무조건적으로 수작업이 요구되며, 이에 따른 인적 자원이 소요되는 문제점이 존재하고 있다.

또한, 입금 내역과 매출 채권간 매칭 관리를 수작업으로 처리하는데 있어서도 어려움이 존재하는 바, 입금 내역을 포함하는 거래 정보는 은행마다 서로 다른 은행 필드명을 갖질 수 있으며, 회사형태의 다양한 표기로 인한 회사명의 비정형성이 존재하고, 외국계기업의 한글표기법이 각각 상이한 경우가 존재하며, 입력 텍스트 포맷의 경우 수신은행의 전산정책에 따른 캐릭터 세트와 인코딩 타입이 상이할 수 있고, 예외적인 송금 기업의 공식 통장이 아닌 입금이 존재하며, 복수의 매출 채권이 병합된 입금이 이루어지거나, 선납의 케이스가 존재하거나, 대표자가 상이한 여러 사업장의 거래 대금에 대해 실소유자가 일괄 입금하는 경우까지도 존재하고 있는 실정이다.

이와 같이, 거래 정보 관리에 있어서, 특히 매출 채권 관리를 위한 입금 확인 및 매칭 프로세스는 그 비정형성으로 인해, 복잡하면서도 판단이 어려운 문제점이 발생하는 바, 자동화가 어려울 뿐만 아니라 실제 수작업으로 처리하는 데에도 많은 시간이 소요되는 문제점이 있다.

본 발명은 상기한 종래의 문제점을 해결하기 위해 제안된 것으로, 입금 내역을 포함하는 거래 정보 데이터에 대한 케이스 기반 패턴 매칭 프로세스를 기반으로 하는 학습 처리를 수행하여, 기존의 비정형적 입금 내역과 매출 채권 간 관계 매칭에 대한 자동화된 분류 판단을 가능하게 하고, 그 처리 시간을 효과적으로 단축시킬 수 있는 패턴 데이터베이스를 구축할 수 있는 매출 채권과 입출금 정보간 자동화된 매칭 서비스를 제공하기 위한 데이터베이스 생성 방법 및 그 장치를 제공하는데 목적이 있다.

상기와 같은 목적을 달성하기 위한 본 발명의 실시 예에 따른 장치는, 데이터베이스 생성 장치에 있어서, 거래 정보 데이터베이스의 거래 정보를 관리하는 거래 관리 서비스 제공부; 상기 거래 정보 데이터베이스로부터 일정 기간 동안 누적된 거래 학습 정보 수집하며, 수집된 거래 학습 정보에 대한 학습 기반 매칭 분석 처리에 따라, 초기 패턴 데이터베이스를 구축하는 패턴 분석 처리부를 포함하며, 상기 거래 관리 서비스 제공부는, 상기 초기 패턴 데이터베이스를 이용하여, 매출 채권과 입출금 정보간 자동화된 매칭 분석을 처리한다.

또한, 상기와 같은 목적을 달성하기 위한 본 발명의 실시 예에 따른 방법은, 데이터베이스 생성 방법에 있어서, 거래 정보 데이터베이스의 거래 정보를 관리하는 단계; 상기 거래 정보 데이터베이스로부터 일정 기간 동안 누적된 거래 학습 정보 수집하며, 수집된 거래 학습 정보에 대한 학습 기반 매칭 분석 처리에 따라, 초기 패턴 데이터베이스를 구축하는 단계; 및 상기 초기 패턴 데이터베이스를 이용하여, 매출 채권과 입출금 정보간 자동화된 매칭 분석을 처리하는 단계를 포함한다.

이러한 구성의 본 발명에 따르면, 입금 내역 데이터에 대응한 케이스 기반 패턴 매칭 프로세스를 이용하여 학습 처리하여, 입금 내역에 대한 분류 및 판단이 용이한 학습 패턴 데이터베이스를 구축할 수 있다.

그리고, 본 발명의 실시 예에 따르면, 초기 학습 패턴 데이터 베이스 구축시 기 저장된 일정 기간의 거래 정보로부터 획득되는 입금 내역 데이터와 매출 채권 정보 및 거래처 로직 학습 정보를 이용하여, 패턴 매핑 테이블을 생성하게 함으로써, 개별적인 사용자 수기 입력 절차 없이도 자동화된 분류 체계를 데이터베이스화 할 수 있으므로, 처리 효율성과 시스템 호환성을 높일 수 있다.

또한, 본 발명의 실시 예에 따르면, 패턴 데이터베이스에 대해 일정 기간에 대응하는 미수금 내역 정보를 기반으로 하는 검증 처리를 제공함으로써, 별도의 사용자의 검증 수작업 없이도 자동화된 검증 프로세스를 제공하며, 이에 따라 생성된 학습 패턴 데이터베이스의 매핑 테이블에 대한 정확도 향상을 가져올 수 있다.

따라서 최종적으로는 별도의 사용자 입력 없이도, 기존의 비정형적 입금 내역과 매출 채권 간 관계 매칭에 대한 자동화된 분류 판단을 가능하게 하고, 수작업적 처리 시간은 효과적으로 단축시킬 수 있는 데이터베이스 생성 방법 및 그 장치를 제공할 수 있다.

도 1은 본 발명의 실시예에 따른 전체 시스템을 개략적으로 도시한 개념도이다.
도 2는 본 발명의 실시 예에 따른 전체 시스템 동작을 설명하기 위한 흐름도이다.
도 3은 본 발명의 실시 예에 따른 매칭 분석 처리부를 보다 구체적으로 도시한 블록도이다.
도 4는 매트릭스 생성부에 의해 생성되는 매트릭스의 일 예를 보여주는 도면이다.
도 5는 스코어 산입부에 의해 스코어가 산입된 매트릭스의 일 예를 보여주는 도면이다.
도 6 및 도 7은 사용자 인터페이스부를 통해 출력되는 화면의 일 예들이다.
도 8은 본 발명의 실시예에 따른 패턴 데이터베이스 구축 방법을 설명하기 위한 플로우차트이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.

그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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 본 발명이 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 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

도 1은 본 발명의 실시예에 따른 전체 시스템을 개략적으로 도시한 개념도이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 전체 시스템은 거래 관리 시스템을 구성할 수 있으며, 매출 채권과 입출금 정보간 자동화된 매칭 서비스를 제공하기 위한 사용자 인터페이스부(10), 거래 관리 서비스 제공부(20), 학습 기반 매칭 분석 처리부(30), 패턴 데이터베이스(39), 거래 정보 데이터베이스(29) 및 통신부(50)를 포함할 수 있다.

여기서, 각 시스템을 구성하는 구성 요소들은 각각 모듈화된 프로세서로서 구현되고 전기적으로 연결되어 하나의 거래 관리 장치를 구성하거나, 필요에 따라 부분 결합적으로 모듈화된 프로세서로 구성되고, 나머지 구성 요소가 내부 네트워크를 통해 연결되는 시스템으로 구현될 수도 있다.

이를 위해, 통신부(50)는 상기 내부 네트워크 또는 금융 서비스 네트워크와의 접속 및 데이터 송수신을 처리할 수 있으며, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network;WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크로 구현되거나, 이동 통신망(mobile radio communication network), 위성 통신망, 블루투스(Bluetooth), Wibro(Wireless Broadband Internet), HSDPA(High Speed Downlink Packet Access), LTE(Long Term Evolution) 등과 같은 무선 네트워크로도 구현될 수 있다.

예를 들어, 본 발명의 실시 예에 따른 시스템은 사용자 인터페이스부(10)를 통해 거래 관리 서비스 제공부(20)에서 처리되는 거래 정보를 출력하고, 출력된 거래 정보에 대응하는 사용자 입력을 수신하여 거래 정보 데이터베이스(29)를 업데이트하는 거래 관리 장치로 구현될 수 있다.

또한, 본 발명의 실시 예에 따른 시스템은 거래 관리 서비스 제공부(20), 학습 기반 매칭 분석 처리부(30), 패턴 데이터베이스(39) 및 거래 정보 데이터베이스(29)가 하나의 거래 관리 장치를 구성하고, 사용자 인터페이스부(10)는 거래 관리 장치에 접속된 별도의 사용자 단말에 대응하여, 사용자 입출력 정보의 처리를 제공할도 수 있다.

이와 같은, 본 발명의 실시 예에 따른 시스템은 거래 관리 프로세스 및 관련 서비스를 제공할 수 있다. 거래 관리 서비스는 기본적으로 거래 정보 데이터베이스(29)에 대응하는 정보 저장 및 업데이트 처리를 포함할 수 있다. 거래 정보는 예를 들어, 거래 내역 정보를 포함할 수 있으며, 거래 내역 정보에는 거래처 정보, 매출 채권 정보, 입금 내역 정보 등의 거래 관리를 위한 다양한 정보가 포함될 수 있다.

특히, 본 발명의 실시 예에 따른 거래 관리 장치는, 거래 관리 서비스 제공에 있어서, 거래 내역 정보를 실시간으로 수집 및 관리할 수 있으며, 이를 활용하여 매출 채권 정보를 생성하고, 이에 대응하는 입출금 내역 정보가 수집되면 자동화된 매칭 처리를 통한 결과 확인 인터페이스를 사용자 인터페이스부(10)를 통해 제공함으로써, 매출 채권과 입출금 정보간 자동화된 매칭 서비스를 제공할 수 있다.

이에 따라, 사용자는 사용자 인터페이스부(10)를 통해 출력된 매출 채권과 입출금 정보간 자동화된 매칭 정보를 확인할 수 있으며, 이에 대응하는 사용자 확인 정보를 입력하여 거래 정보 데이터베이스(29)의 업데이트가 처리되도록 할 수 있다.

이와 같은 매칭 서비스 제공을 위해, 본 발명의 실시 예에 따른 거래 관리 장치는, 학습 기반 매칭 분석 처리부(30)를 통해 거래 정보 데이터베이스(29)에 대응하는 학습 기반의 패턴 분석 처리를 수행할 수 있다.

본 발명의 실시 예에 따르면, 학습 기반 매칭 분석 처리부(30)는 매칭 서비스를 처리하기 위한 거래 정보 데이터베이스(29)의 초기 분석 처리를 수행할 수 있으며, 초기 분석 처리에 따른 초기 패턴 데이터베이스 구축을 수행하여, 패턴 데이터베이스(39)에 패턴 매핑 테이블을 생성 및 저장할 수 있다.

여기서, 학습 기반 매칭 분석 처리부(30)는 학습 기반 처리를 위한 거래 정보 데이터베이스(29)의 거래 학습 정보를 수집할 수 있다. 여기서, 거래 학습 정보는 일정 기간 동안 누적된 거래 정보 데이터베이스(29)의 거래 내역 정보로부터 추출되는 학습 정보를 포함할 수 있으며, 학습 기반 처리를 위한 구조화된 학습 정보를 포함할 수 있다.

그리고, 학습 기반 매칭 분석 처리부(30)는 다양한 학습 알고리즘을 통해 상기 구조화된 학습 정보에 대응하는 매칭 분석을 처리할 수 있으며, 매칭 분석에 따라 형성되는 매핑 테이블 정보를 패턴 데이터베이스(39)에 저장함으로써, 초기 패턴 데이터베이스를 구축할 수 있다.

특히, 본 발명의 실시 예에서, 학습 기반 매칭 분석 처리부(30)의 학습 프로세스는 자동화된 인공 지능(Artificial Intelligence) 학습 프로세스와, 케이스(사례) 기반 추론 학습(case based reasoning, CBR) 처리에 따른 거래 정보 데이터베이스(29)의 분석 처리를 수행하는 것이 예시될 수 있다.

이 경우, 학습 기반 매칭 분석 처리부(30)는 거래 내역 정보를 구조화하여, 기 매칭된 매출 채권과 입출금 내역 정보간 매칭 케이스를 획득할 수 있으며, 각 케이스간 데이터 패턴 분석에 따른 유사성 함수 처리를 통해, 유사 케이스들간 그룹핑 처리를 수행할 수 있다. 그리고, 학습 기반 매칭 분석 처리부(30)는 그룹핑 처리에 대응하는 각 케이스별 패턴 매핑 테이블을 패턴 데이터베이스(39)에 구축함으로써, 초기 패턴 데이터베이스를 구축할 수 있다.

이에 따라, 패턴 데이터베이스(39)는 입출금 데이터 패턴에 대응하는 매출 채권간 매핑 룰 정보를 포함할 수 있으며, 케이스 기반으로 그룹핑된 매핑 테이블 정보를 포함할 수 있다.

예를 들어, 거래 정보 데이터베이스(29)로부터 획득되는 학습 케이스 정보는 기업 정보에 따라 사전 분류된 거래처 정보와, 상기 거래처 정보에 대응하여 매핑된 입출금 내역의 적요 패턴 정보, 입금일 정보, 입금 주기 정보, 입금일간 편차 정보, 거래 통장 정보, 거래 수단 정보(현금, 어음, 채권담보대출 등), 거래 코드 정보 등이 포함될 수 있다. 그리고, 학습 기반 매칭 분석 처리부(30)는 학습 케이스 정보의 누적 및 유사도 분석 처리에 따라, 그룹핑 처리를 수행하여 패턴 데이터베이스(39)를 통해 학습된 데이터 패턴 정보를 포함하는 초기 패턴 데이터베이스(39)를 구축할 수 있다.

또한, 본 발명의 실시 예에 따르면, 초기 패턴 데이터베이스(39)는 별도 입력된 미수 채권 정보(또는 미수금 정보)를 기반으로, 초기 패턴 데이터베이스에 대응하는 검증 처리를 수행하여, 그 정확도를 향상시킬 수 있다.

이를 위해, 학습 기반 매칭 분석 처리부(30)는, 초기 패턴 데이터베이스(39)를 기반으로, 거래 정보 데이터베이스(29)에 대한 일정 기간 동안 계산서와 입금내역을 자동화 매칭 처리한 결과와, 실제 미수내역이 정확히 일치하는지 여부를 확인함으로써 패턴 데이터베이스의 검증을 수행할 수 있다.

예를 들어, 학습 기반 매칭 분석 처리부(30)는, 현재 시점에 대한 거래 정보 데이터베이스(29)로부터 획득되는 매출 채권 대비 세금계산서 발행 정보에 따른 실제 미수금 정보를 획득할 수 있으며, 실제 미수금 정보와 거래 정보 데이터베이스(29)의 패턴 매칭 분석에 따라 결정된 미수금 정보를 비교함으로써, 매칭 정확도를 검증할 수 있다.

학습 기반 매칭 분석 처리부(30)는, 이와 같은 검증 처리를 통해, 패턴 데이터베이스(39)에 대한 매칭 정확도를 예측할 수 있으며, 사용자는 보다 정확한 데이터베이스 구축을 위한 거래 정보 데이터베이스(29)의 분석을 수행하게 할 수 있으며, 별도의 사용자 설정 입력을 사용자 인터페이스부(10)를 통해 입력할 수도 있다.

예를 들어, 초기 패턴 데이터베이스(39)에 대응한 사용자 입력에 따른 튜닝 설정 정보가 사용자 인터페이스부(10)를 통해 입력될 수 있으며, 입력된 튜닝 설정 정보에 따른 패턴 데이터베이스(39) 갱신 처리가 수행될 수 있다. 튜닝 설정 정보는, 패턴 매핑 테이블의 조정 정보, 유사도 함수 파라미터 변경 정보 또는 케이스 정보 조정 정보 등이 예시될 수 있다.

한편, 거래 관리 서비스 제공부(20)는, 거래 정보 데이터베이스(29)의 미수 채권 매핑, 저장 및 관리 서비스를 제공할 수 있다.

특히, 거래 관리 서비스 제공부(20)는, 통신부(50)를 통해 금융 서비스 네트워크로부터 수신되는 각 거래처간 입출금 내역에 대응하는 미수 채권 매칭 서비스를 제공할 수 있으며, 이를 위해, 학습 기반 매칭 분석 처리부(30)를 이용한 패턴 데이터베이스(39) 기반의 거래 정보 매핑 처리 및 출력 서비스를 사용자 인터페이스부(10)를 통해 제공할 수 있다.

이를 위해, 거래 관리 서비스 제공부(20)는, 통신부(50) 또는 사용자 인터페이스부(10)를 통해 신규 입출금 내역 정보가 수신되면, 거래 정보 데이터베이스(29)에 저장하며, 학습 기반 매칭 분석 처리부(30)를 통해 패턴 데이터베이스(39)에 기초한 미수 채권 매칭 처리를 수행하게 하고, 그 매칭 결과 정보를 수신하여 사용자 인터페이스부(10)를 통해 출력할 수 있다.

그리고, 거래 관리 서비스 제공부(20)는, 사용자 인터페이스부(10)를 통해 매칭 결과 정보에 대응하는 사용자 확인 입력을 수신하여 거래 정보 데이터베이스(29)의 업데이트를 수행할 수 있다. 예를 들어, 사용자는 매칭 완료 버튼을 입력하거나, 필요에 따라 일부 유사도가 일정 값 이하인 매칭 결과에 대응하는 사용자 확인 요청에 대응하는 확인 입력을 사용자 인터페이스부(10)를 통해 입력할 수 있다.

한편, 거래 관리 서비스 제공부(20)는 매칭 완료된 입출금 내역 정보를 기반으로 거래 정보 데이터베이스(29)를 업데이트할 수 있으며, 학습 기반 매칭 분석 처리부(30)를 통해 업데이트된 거래 정보 데이터베이스(29)의 학습 처리를 재수행하게 함으로써, 패턴 데이터베이스(39)가 업데이트되도록 처리할 수 있다.

이에 따라, 학습 기반 매칭 분석 처리부(30)는, 반복적인 거래 관리 서비스 처리 및 사용자 확인 입력 정보를 이용하여, 패턴 데이터베이스(39)의 정확도 향상을 위한 추가적인 학습 처리를 수행할 수 있다. 따라서, 사용자의 거래 관리 서비스의 이용 기록이 누적됨에 따라, 그 매칭 분석의 정확도는 지속적으로 향상될 수 있다.

또한, 본 발명의 실시 예에 따른 학습 기반 매칭 분석 처리부(30)는, 신규 입력된 매칭 케이스에 대응하는 데이터 패턴 분석에 따른 변화 정보를 판단할수 있으며, 변화 정보가 일정 값 이상인 경우에는 이상 패턴 정보를 거래 관리 서비스 제공부(20)로 제공할 수 있다. 거래 관리 서비스 제공부(20)는 이상 패턴 정보 알림를 사용자 인터페이스부(10)를 통해 출력하여, 패턴 분석의 이상 알림을 처리할 수 있다.

예를 들어, 학습 기반 매칭 분석 처리부(30)는, 거래처별 데이터 패턴에 대응하는 입금 주기 지연 패턴, 입금일자 변경, 입금자명 변경, 입금은행 변경, 입금액 분할 지급 발생, 입금 누락 또는 기타 모니터링 정보를 실시간 분석하고, 이에 대응하는 알림 정보를 사용자 인터페이스부(10)를 통해 출력함으로써 입출금 및 매출 채권 관리에 보다 실시간적인 편의성을 제공할 수도 있다.

도 2는 본 발명의 실시 예에 따른 전체 시스템 동작을 설명하기 위한 흐름도이다.

도 2를 참조하면, 본 발명의 실시 예에 따른 전체 시스템 동작은, 거래 관리 장치의 동작으로서 설명될 수 있으며, 먼저 거래 관리 장치는 거래 정보 데이터베이스(29)로부터, 일정 기간 동안 누적된 거래 학습 정보를 수집한다(S101).

그리고, 거래 관리 장치는, 학습 기반 매칭 분석 처리부(30)를 통해, 누적된 거래 학습 정보에 대한 케이스 추론 학습(CBR) 기반의 유사성 패턴 분석을 수행한다(S103).

이후, 거래 관리 장치는 패턴 데이터베이스(39)를 통해 패턴 분석 결과에 따른 초기 패턴 데이터베이스를 구축하며(S105), 미수 채권 정보에 기초하여 초기 패턴 데이터베이스의 검증 및 조정을 수행한다(107).

여기서, 검증 및 조정 프로세스는 거래 정보 데이터베이스(29)의 일정 기간 세금계산서와 입금내역의 자동화된 매칭에 대응하는, 상기 일정 기간 동안 실제 미수금 내역간 비교 및 정확도 산출 프로세스를 포함할 수 있다.

그리고, 거래 관리 장치는 사용자 인터페이스부(10)를 통해 입력된 사용자 입력에 따른 튜닝 설정정보를 적용하여, 패턴 데이터베이스(39)를 구축한다(S109).

예를 들어, 튜닝 설정정보는 업종별, 거래유형별, 예외케이스 등 매칭율 튜닝을 위한 패턴 데이터베이스(39) 설정 및 필터링 정보를 포함할 수 있다.

그리고, 패턴 데이터베이스(39)가 구축되면, 거래 관리 장치는, 거래 관리 서비스 제공부(20)를 통해 거래 정보 데이터베이스의 신규 입출금 내역에 대한 미수 채권 매칭 서비스를 제공한다(S111).

여기서, 거래 관리 서비스 제공부(20)는, 유사도가 일정 값 이하인 매칭 결과에 대응하는 사용자 확인 요청을 선택적으로 제공하고(S113), 이에 대응하는 사용자 확인 정보를 수신할 수 있다.

예를 들어, 유사도 정보는 강한 매칭, 약한 매칭, 비매칭 등으로 분류될 수 있으며 약한 매칭의 경우 사용자 확인 정보가 요청될 수 있다. 사용자는 매칭된 입출금 내역과 매출 채권 정보에 대응하는 확인 정보를 사용자 인터페이스부(10)를 통해 입력할 수 있다. 사용자 확인 정보는 예를 들어, 매칭됨, 비매칭 또는 알 수 없음 중 어느 하나일 수 있다.

그리고, 거래 관리 장치는, 매칭 완료 입력에 따라 거래 정보 데이터베이스(29)의 업데이트를 처리할 수 있으며(S115), 학습 기반 매칭 분석 처리부(30)를 통해, 거래 정보 데이터베이스(29) 업데이트에 따른 신규 매칭 거래 정보와, 상기 사용자 확인 정보에 기초한 학습 처리를 추가적으로 수행하게 할 수 있다(S117).

이에 따라, 학습 결과에 따른 패턴 데이터베이스(39) 업데이트가 처리될 수 있으며(S119), 이러한 매칭 처리의 반복 수행을 통해 패턴 데이터베이스(39)의 추가적인 정확도 향상이 이루어질 수 있다.

이하에서는 본 발명의 실시 예에 따른 매칭 분석 처리부의 초기 패턴 DB 구축 프로세스를 보다 구체적으로 설명한다.

도 3은 본 발명의 실시 예에 따른 매칭 분석 처리부를 보다 구체적으로 도시한 블록도이다.

도 3을 참조하면, 매칭 분석 처리부(30)는 전술한 바와 같이, 일정 기간 동안의 거래 정보 데이터베이스(29)에 대한 학습 기반의 분석 처리에 따라 초기 학습 기반 패턴 데이터베이스(DB)(39)를 생성할 수 있다.

매칭 분석 처리부(30)는 초기 패턴 DB(39)를 구축하기 위해, 거래 정보 데이터베이스(29)로부터 각 거래처의 전자세금계산서 조회시점을 기준으로 과거 1년치의 매출 정보(미수 정보를 포함) 및 각 거래처의 은행 조회시점을 기준으로 과거 1년치의 입출금 정보를 스크래핑하여 수집하여 분석하며, 이에 따른 초기 패턴 DB(39)를 구축할 수 있다.

보다 구체적으로, 매칭 분석 처리부(30)는 거래 정보 데이터베이스(29)의 기존 거래 정보로부터, 각 거래처의 전자세금계산서의 매출 정보(미수 정보 포함) 및 각 거래처의 은행 입출금정보를 수집하고, 입금확정된 매출정보를 사업자번호 기준으로 분류하고, 입금확정된 은행 입출금정보를 은행 입출금 그룹키 기준으로 분류한 후에, 은행 입출금 그룹키를 기준으로 평가 및 검증을 수행하여 소정의 초기 패턴 데이터베이스를 구축할 수 있다.

이를 위해, 매칭 분석 처리부(30)는 도 3에서 도시된 바와 같이, 수집부(31), 추출부(32), 분류부(33), 매트릭스 생성부(34), 스코어 산입부(35), 검증부(36), 및 패턴 DB 생성부(37)를 포함할 수 있다.

수집부(31)는 각 거래처의 전자세금계산서 조회시점을 기준으로 일정 기간, 예를 들어 과거 1년치의 과거 매출 정보(미수 정보를 포함)를 스크래핑하여 수집하는 매출정보 수집부(31a), 및 각 거래처의 은행 조회시점을 기준으로 과거 1년치의 과거 입출금 정보를 스크래핑하여 수집하는 입출금정보 수집부(31b)를 포함한다.

수집부(31)는 전자세금계산서를 관리하는 기관(도시 생략) 및 은행 입출금 정보를 관리하는 기관(도시 생략)으로부터 각 거래처의 전자세금계산서 이전 조회시점 이후의 매출 정보, 각 거래처의 은행 이전 조회시점 이후의 입출금 정보를 스크래핑할 수 있다.

여기서, 매출 정보는 전자세금계산서상의 사업자 정보 및 품목정보(예컨대, 매출액, 세금관련정보(예컨대, 부가세), 세부 품목 정보를 포함할 수 있다. 사업자 정보로는 사업자 번호, 사업자명, 대표자명이 있을 수 있다. 품목정보로는 매출액, 세금관련정보(예컨대, 부가세), 세부 품목 정보(예컨대, 개별품목명, 개별품목단가, 개별품목수량) 등이 있을 수 있다.

입출금 정보는 거래일시, 입금은행, 입금계좌번호, 적요(예컨대, 인터넷출금이체), 의뢰인/수취인(예컨대, 거래처명(즉, 사업자명)), 출금액, 입금액, 잔액, 출금계좌메모, 및 처리점(예컨대, 개포남 등과 같은 해당 지점명) 등을 포함할 수 있다.

한편, 상술한 설명에서는 과거 1년치의 매출 정보 및 입출금 정보를 각각 스크래핑하는 것으로 하였으나, 그 기간은 필요에 따라 얼마든지 가감가능하다.

또한, 추출부(32)는 수집된 정보로부터 패턴 DB 구축을 위한 케이스 정보를 추출한다.

추출부(32)는 매출정보 수집부(31a)에서 수집한 전자세금계산서 매출 정보중에서 미수 정보를 기준으로 입금확정된 전자세금계산서 매출 정보를 추출하는 입금확정 매출정보 추출부(32a), 및 입출금정보 수집부(31b)에서 수집한 은행 입출금 정보중에서 미수 시점을 기준으로 입금확정된 은행 입출금 정보를 추출하는 입금확정 입출금정보 추출부(32b)를 포함한다.

여기서, 추출부(32)는 미수처리된 정보는 제외하고 입금확정 매출정보 및 입금확정 입출금정보만을 추출할 수 있으며, 이는 입금확정된 매출 정보와 입금확정된 입출금 정보를 이용하게 함으로써 패턴 DB를 보다 정확하게 구축하게 할 수 있다. 입금확정된 매출 정보와 입금확정된 입출금 정보는 미수처리된 정보에 비해 보다 정확한 매칭이 가능할 수 있기 때문이다.

분류부(33)는 추출된 케이스 정보에 대한 그룹핑 및 분류 처리를 수행한다.

분류부(33)는 입금확정 매출정보 추출부(32a)에서 추출된 입금확정된 전자세금계산서 매출 정보를 해당 전자세금계산서의 사업자번호를 기준으로 분류하는 입금확정 매출정보 분류부(33a), 및 입금확정 입출금정보 추출부(32b)에서 추출된 입금확정된 은행 입출금 정보를 은행 입출금 그룹키 기준으로 분류하는 입금확정 입출금정보 분류부(33b)를 포함한다.

여기서, 은행 입출금 그룹키는 관리 편의를 위한 것으로서 입출금 내역 그룹핑의 대표성을 갖는 그룹키라고 할 수 있는데, 예를 들어 입금은행, 입금계좌번호, 적요, 의뢰인/수취인, 출금계좌메모, 처리점 등의 정보를 이용하여 해시함수(예컨대, MD5)화한 값일 수 있다.

예를 들어, 입금확정 매출정보 추출부(32a)에서 추출된 입금확정된 전자세금계산서 매출 정보가 총 100개라고 하면 이들을 사업자번호를 기준으로 분류하였을 경우 4개의 그룹으로 분류될 수 있다. 이 경우, 제 1 그룹은 고유의 사업자번호를 가지고 30개의 정보가 포함될 수 있고, 제 2 그룹은 고유의 사업자번호를 가지고 30개의 정보가 포함될 수 있고, 제 3 그룹은 고유의 사업자번호를 가지고 30개의 정보가 포함될 수 있고, 제 4 그룹은 고유의 사업자번호를 가지고 10개의 정보가 포함될 수 있다. 여기서, 상술한 4개의 그룹 및 각 그룹별로 포함된 정보의 수는 하나의 예시일 뿐, 이에 국한되는 것은 아니다.

입금확정 입출금정보 추출부(32b)에서 추출된 입금확정된 은행 입출금 정보가 총 10개라고 하면 이들을 은행 입출금 그룹키 기준으로 분류하였을 경우 5개의 그룹으로 분류될 수 있다. 이 경우, 제 1 그룹은 고유의 은행 입출금 그룹키를 가지고 30개의 정보가 포함될 수 있고, 제 2 그룹은 고유의 은행 입출금 그룹키를 가지고 20개의 정보가 포함될 수 있고, 제 3 그룹은 고유의 은행 입출금 그룹키를 가지고 20개의 정보가 포함될 수 있고, 제 4 그룹은 고유의 은행 입출금 그룹키를 가지고 20개의 정보가 포함될 수 있고, 제 5 그룹은 고유의 은행 입출금 그룹키를 가지고 10개의 정보가 포함될 수 있다. 여기서, 상술한 5개의 그룹 및 각 그룹별로 포함된 정보의 수는 하나의 예시일 뿐, 이에 국한되는 것은 아니다.

매트릭스 생성부(34)는 분류부(33)에서 분류된 사업자번호 기준의 입금확정 매출정보 및 은행 입출금 그룹키 기준의 입금확정 입출금정보를 근거로 하는 학습 패턴 매트릭스를 생성한다. 여기서, 매트릭스는 룩업테이블(lookup table) 형태로 구성될 수 있다.

예를 들어, 매트릭스 생성부(34)는 도 4에서와 같이 행렬로 구성된 매트릭스를 생성할 수 있다. 도 4의 매트릭스는 각각의 사업자번호에 상응하는 사업자명(예컨대, 사업자A, 사업자B, 사업자C, 사업자D)을 행(가로)으로 나열하고, 각각의 은행 입출금 그룹키에 상응하는 입출금 은행명(입출금A, 입출금B, 입출금C, 입출금D, 입출금E)을 열(세로)로 나열할 수 있다.

도 4에서, 각각의 사업자명은 고유의 사업자번호를 가지고, 각각의 사업자명에는 하나 이상의 입금확정된 전자세금계산서 매출정보가 포함되어 있을 수 있다.

도 4에서, 각각의 입출금 은행명은 고유의 은행 입출금 그룹키를 가지고, 각각의 입출금 은행명에는 하나 이상의 입금확정된 은행 입출금정보가 포함되어 있을 수 있다.

즉, 도 4의 매트릭스는 사업자번호를 기준으로 분류된 각각의 입금확정 매출정보에 대하여 입금확정 입출금정보가 손쉽게 매칭되도록 구성될 수 있다.

도 4에서, 각각의 사업자명과 각각의 입출금 은행명은 팩터(factor)로 정의될 수 있다.

스코어 산입부(35)는 매트릭스 생성부(34)에서 생성된 매트릭스내의 팩터(factor)간 연관성을 분석하여 그에 상응하는 스코어를 매트릭스에 입력한다.

다시 말해서, 스코어 산입부(35)는 매트릭스내의 팩터간의 연관성을 분석함에 있어서 입금확정 매출정보와 입금확정 입출금정보간의 연관성을 분석하되, 입금확정 매출정보와 입금확정 입출금정보간의 텍스트 유사도, 금액 및 일자 유사도, 금액 유사도를 분석할 수 있다.

텍스트 유사도 분석의 경우, 입금확정 매출정보의 텍스트와 입금확정 입출금정보의 텍스트가 서로 매칭되는지를 분석한다. 여기서, 입금확정 매출정보의 텍스트는 전자세금계산서의 매출 정보중에서 사업자명(거래처명)이 될 수 있고, 입금확정 입출금정보의 텍스트는 은행의 입출금 정보중에서 적요란의 텍스트(즉, 입금자명)가 될 수 있다.

금액 및 일자 유사도 분석의 경우, 입금확정 매출정보의 금액과 일자가 입금확정 입출금정보의 금액과 일자와 일치하는지를 판단한다.

금액 유사도 분석의 경우, 입금확정 매출정보와 입금확정 입출금정보간의 단건 또는 다건의 금액 합산 일치 여부를 판단하고, 일자와는 무관하게 단순히 금액 일치 여부만을 판단한다.

스코어 산입부(35)는 스코어를 입력함에 있어서, 예를 들어 텍스트와 금액 및 일자가 모두 서로 일치하는 경우에는 스코어 "80"을 입력할 수 있고, 금액 및 일자가 서로 일치하는 경우에는 스코어 "60"을 입력할 수 있고, 금액만 서로 일치하는 경우에는 "30"을 입력할 수 있다. 이와 같이 텍스트와 금액 및 일자 중에서 한가지가 일치하거나 두가지가 일치하거나 세가지가 모두 일치하거나 하는 것에 따라 스코어가 차등되게 입력될 것이다. 즉, 스코어 산입부(35)는 텍스트 유사도, 금액 및 일자 유사도, 및 금액 유사도 분석에 따라 텍스트와 금액 및 일자가 모두 유사(또는 동일)한 것으로 분석되었으면 가장 높은 값(예컨대, 80)의 스코어를 입력하고, 금액 및 일자 유사도 분석에 따라 금액 및 일자가 유사(또는 동일)한 것으로 분석되었으면 중간값(예컨대, 60)의 스코어를 입력하고, 금액 유사도 분석에 따라 금액만 유사(또는 동일)한 것으로 분석되었으면 가장 낮은 값(예컨대, 30)의 스코어를 입력할 수 있다.

다시 말해서, 스코어 산입부(35)는 텍스트 유사도, 금액 및 일자 유사도, 및 금액 유사도 분석 중에서 한가지가 유사(또는 동일)하거나 두가지가 유사(또는 동일)하거나 세가지가 모두 유사(또는 동일)하느냐에 따라 입금확정된 매출 정보와 입금확정된 입출금 정보의 교차 지점에 차등적인 스코어를 입력할 수 있다.

그에 따라, 스코어 산입부(35)는 도 5에 예시한 바와 같이 매트릭스내의 팩터(factor)간 연관성을 분석하여 그에 상응하는 스코어를 입력할 수 있다. 매칭 신뢰도(즉, 연관성)가 높을수록 스코어는 높게 입력될 것이다.

이와 같이 스코어 산입부(35)에 의해 도 5에서와 같이 스코어가 산입된 매트릭스가 생성되면 입금확정 매출정보와 입금확정 입출금정보중에서 어느 입금확정 매출정보와 입금확정 입출금정보가 서로 매칭되는지를 대충 파악할 수 있다.

검증부(36)는 스코어 값이 제로(zero) 보다 큰 값으로 제한하여 매트릭스를 최적화하고, 최적화된 매트릭스에 대해 은행 입출금을 기준으로 하는 매칭 검증 및 전자세금계산서를 기준으로 하는 매칭 검증을 순차적으로 실시한다.

그리고, 검증부(36)는 은행 입출금을 기준으로 검증함에 있어서, 먼저 은행 입출금에 대해 단건 사업자가 존재하는지를 체크한다. 도 5의 경우, 입출금C와 입출금D 및 입출금E에 대하여 각각 단건 사업자가 존재한다. 즉, 입출금C는 사업자C가 존재하고, 입출금D는 사업자C가 존재하고, 입출금E는 사업자D가 존재한다. 이러한 경우, 검증부(36)는 입출금C와 사업자C는 명백하게 서로 매칭되는 것으로 간주하여 이들(즉, 입출금C에 상응하는 은행 입출금 그룹키의 정보와 사업자C에 상응하는 사업자번호의 정보)에 대해 패턴 DB에 등록될 매칭 등급을 "시스템추천"으로 임시 설정하고, 입출금D와 사업자C는 명백하게 서로 매칭되는 것으로 간주하여 이들(즉, 입출금D에 상응하는 은행 입출금 그룹키의 정보와 사업자C에 상응하는 사업자번호의 정보)에 대해 패턴 DB에 등록될 매칭 등급을 "시스템추천"으로 임시 설정하고, 입출금E와 사업자D는 명백하게 서로 매칭되는 것으로 간주하여 이들(즉, 입출금E에 상응하는 은행 입출금 그룹키의 정보와 사업자D에 상응하는 사업자번호의 정보)에 대해 패턴 DB에 등록될 매칭 등급을 "시스템추천"으로 임시 설정한다.

상술한 단건 사업자의 존재 체크 이후에는 은행 입출금을 기준으로 다건 사업자가 존재하는지를 체크한다. 도 5의 경우, 입출금A에 대해서는 사업자A와 사업자B가 존재하는 것으로 체크하고, 입출금B에 대해서도 사업자A와 사업자B가 존재하는 것으로 체크한다. 이러한 경우, 검증부(36)는 입출금A의 정보는 사업자A의 정보 또는 사업자B의 정보에 매칭되는 것으로 간주하여 이들에 대해 패턴 DB에 등록될 매칭 등급을 "추천"으로 설정하고, 입출금B의 정보는 사업자A의 정보 또는 사업자B의 정보에 매칭되는 것으로 간주하여 이들에 대해 패턴 DB에 등록될 매칭 등급을 "추천"으로 설정한다.

또한, 검증부(36)는 전자세금계산서를 기준으로 검증함에 있어서 앞서 매칭 등급을 "시스템추천"으로 임시 설정한 정보들에 대해서만 검증하는데, 먼저 단건 은행 입출금에 대응되는 사업자번호가 존재하는지를 체크한다. 도 5의 경우, 사업자D만이 단건의 입출금E에 대응된다. 실질적으로, 사업자D는 하나 이상의 전자세금계산서 매출 정보를 그룹핑함에 따른 대표값이라고 할 수 있다. 입출금E는 하나 이상의 은행 입출금 정보를 그룹핑함에 따른 대표값이라고 할 수 있다. 그에 따라, 해당 사업자D의 세부내역(즉, 사업자D가 포함하고 있는 하나 이상의 매출 정보)과 입출금E의 세부내역(즉, 입출금E가 포함하고 있는 하나 이상의 입출금 정보)을 개별적으로 매칭시켜 서로 전부 매칭이 되면 이들(즉, 사업자D와 입출금E)의 매칭 등급을 "시스템추천"으로 확정한다. 일부라도 매칭이 되지 않은 매칭 실패이면 "추천"으로 등급을 확정한다. 여기서, 해당 사업자D의 각각의 매출 정보와 입출금E의 각각의 입출금 정보를 개별적으로 매칭시킴에 있어서, 전자세금계산서와 은행 입출금을 역순으로 매칭을 수행하게 된다. 이러한 매칭 수행에 의해, 전자세금계산서의 잔여분이 발생하게 되면 검증 실패가 되고, 이 경우에는 매칭 실패로 인해 "추천"으로 등급 확정이 된다. 은행 입출금 잔여분은 수집시점 이전의 매출로 가정한다.

상술한 단건 은행 입출금의 존재 체크 이후에는 전자세금계산서를 기준으로 다건 은행 입출금에 대응되는 사업자번호가 존재하는지를 체크한다. 도 5의 경우, 사업자C가 입출금C 및 입출금D에 대응된다. 그에 따라, 해당 사업자C의 세부내역(즉, 사업자C가 포함하고 있는 하나 이상의 매출 정보)과 입출금C의 세부내역(즉, 입출금C가 포함하고 있는 하나 이상의 입출금 정보)을 개별적으로 매칭시켜 보고, 사업자C의 세부내역과 입출금D의 세부내역을 개별적으로 매칭시켜 보고, 입출금C 및 입출금D를 병합한 세부내역과 사업자C의 세부내역을 개별적으로 매칭시켜 봄으로써, 사업자C가 입출금C, 입출금D, 및 입출금C+입출금D 중에서 어느 것에 매칭되는지를 확인한다. 만약, 사업자C의 세부내역이 입출금C의 세부내역에 대해서만 완전히 매칭될 경우에는 사업자C와 입출금C의 매칭 등급을 "시스템추천"으로 확정한다. 만약, 사업자C의 세부내역이 입출금D의 세부내역에 대해서만 완전히 매칭될 경우에는 사업자C와 입출금D의 매칭 등급을 "시스템추천"으로 확정한다. 만약, 사업자C의 세부내역이 입출금C 및 입출금D의 세부내역과 완전히 매칭될 경우에는 사업자C와 입출금C+입출금D의 매칭 등급을 "시스템추천"으로 확정한다. 만약, 사업자C가 입출금C, 입출금D, 및 입출금C+입출금D 중에서 어느 것과도 완전하게 매칭되지 않으면 매칭 실패이므로 "추천"(이 경우는 사업자C는 입출금C, 입출금D, 입출금C+입출금D 중에서 어느 하나와 매칭될 수 있음을 의미)으로 등급을 확정한다.

이에 따라, 검증부(36)는 스코어가 산입된 매트릭스를 기반으로 입금확정된 매출 정보와 입금확정된 입출금 정보간의 매칭 검증을 실시하고 매칭 등급을 결정할 수 있다.

한편, 상술한 매칭 등급중에서 '시스템추천' 등급은 제1 등급이라고도 할 수 있으며, 상술한 매칭 등급중에서 '추천' 등급은 제 2 등급이라고도 할 수 있다.

패턴 DB 생성부(37)는 검증부(36)에서의 검증 결과를 근거로 초기 패턴 DB를 생성한다. 이때, 패턴 DB 생성부(37)는 (은행 입출금 그룹키, 사업자번호)를 기본 쌍으로 하는 패턴 정보를 포함하는 패턴 DB를 생성한다. 보다 구체적으로, 패턴 DB는 (은행 입출금 그룹키, 사업자번호), 및 그에 대한 매칭 등급(사전등급), 사전등록사유를 포함하는 패턴 정보를 포함할 수 있다. 즉, 패턴 DB내의 각각의 패턴 정보는 {(은행 입출금 그룹키, 사업자번호), 매칭 등급(사전등급), 사전등록사유}로 구성될 수 있다. 여기서, 사업자번호는 전자세금계산서의 사업자번호로서 사업자명 또는 대표자명으로 대체될 수 있다. 사전등급은 사용자확정, 시스템추천, 추천이 있을 수 있다. 사전등록사유는 등록사유라고 표기할 수도 있고 텍스트와 금액 및 일자의 조합일 수 있다.

이와 같이 패턴 DB 생성부(37)가 패턴 DB를 생성함에 따라, 매칭 분석 처리부(30)는 사용자 단말(10)에게 도 6 또는 도 7에서와 같이 패턴 DB를 근간으로 하는 매칭 결과를 생성할 수 있으며, 생성된 매칭 결과는 거래 관리 서비스 제공부(20)로 전달되어, 사용자 인터페이스부(10)를 통해 출력될 수 있다.

예를 들어, 도 6과 같은 추천 매칭 탭을 포함하는 매칭 내역 화면이 사용자 인터페이스부(10)를 통해 제공될 수 있으며, 사용자 인터페이스부(10)는 패턴 DB(39)내의 패턴 정보의 사전등급이 시스템추천인 경우의 거래 내역들의 매칭 결과를 추천 매칭 탭을 통해 출력할 수 있다. 추천 매칭 탭 화면 좌측의 은행거래내역과 우측의 전자세금계산서 매출내역은 강한 매칭에 대응하는 매칭 결과정보를 나타낼 수 있다. 즉, 추천 매칭 탭의 경우, 매칭 신뢰도(예컨대, 스코어)가 임계치(예컨대, 50) 이상인 경우의 거래 내역들만을 출력할 수 있다. 도 6은 텍스트와 금액 및 일자에서 좌측의 은행거래내역과 우측의 전자세금계산서 매출내역이 서로 강하게 일치된 경우만 나타내고 있다. 따라서, 사용자는 도 6의 매칭내역 화면에서 좌측의 은행거래내역과 우측의 전자세금계산서 매출내역을 서로 확인한 후에, 각각의 거래 내역에 대해 매칭 취소 또는 매칭 확정을 키입력할 수 있다. 도 6의 경우에는 텍스트와 금액 및 일자에서 좌측의 은행거래내역과 우측의 전자세금계산서 매출내역이 서로 강하게 일치되었으므로, 사용자는 쉽게 확인하며, 모든 거래 내역에 대해 매칭 확정을 키입력할 수 있다.

한편, 도 7의 매칭 내역의 수기 매칭 탭 화면은 패턴 DB(39)내의 패턴 정보의 사전등급이 추천인 경우의 거래 내역들의 매칭 결과를 보여준다. 수기 매칭 탭 화면 좌측의 은행거래내역과 우측의 전자세금계산서 매출내역이 약하게 매칭된 경우일 수 있다. 즉, 수기 매칭 탭에서는 매칭 신뢰도(예컨대, 스코어)가 임계치(예컨대, 50) 이하인 경우의 거래 내역들만을 나타낼 수 있다. 도 8에서 사용자가 좌측의 은행 입금내역조회에서 조회기간(40)을 키입력한 후에 조회(41)를 선택하게 되면 해당 조회기간동안의 은행거래내역(42)이 디스플레이된다. 이어, 사용자가 예를 들어 특정 적요(43)을 선택하게 하면 이에 대응하는 우측의 계산서내역 조회 결과 화면(44)이 디스플레이될 수 있다. 즉, 도 7과 같이, 수기 매칭 탭에서는 텍스트와 금액 및 일자에서 좌측의 은행거래내역과 우측의 전자세금계산서 매출내역이 서로 약하게 일치되는 케이스를 출력할 수 있다. 도 7의 경우에는 은행 입금내역 조회에 따른 어느 한 거래 내역(43)에 약하게 매칭될 수 있는 계산서의 매출내역이 3개임을 나타내고 있다. 따라서, 사용자는 도 7의 화면에서 좌측의 은행 입금내역 조회의 결과와 우측의 계산서 내역 조회의 결과를 꼼꼼히 확인한 후에 각각의 거래 내역에 대해 매칭 취소 또는 매칭 확정을 키입력할 수 있다.

도 8은 본 발명의 실시예에 따른 데이터베이스 구축 방법을 설명하기 위한 플로우차트이다.

매칭 분석 처리부(30)는 패턴 DB를 구축하기 위해, 제일 먼저 각 거래처의 전자세금계산서 조회시점을 기준으로 과거 1년치의 매출 정보(미수 정보를 포함) 및 각 거래처의 은행 조회시점을 기준으로 과거 1년치의 입출금 정보를 스크래핑하여 수집한다(S10, S20). 상기에서는 과거 1년치의 매출 정보 및 입출금 정보를 각각 스크래핑하는 것으로 하였으나, 그 기간은 필요에 따라 얼마든지 가감가능하다.

그리고 나서, 매칭 분석 처리부(30)는 수집한 전자세금계산서 매출 정보중에서 미수 정보를 기준으로 입금확정된 전자세금계산서 매출 정보를 추출하고, 수집한 은행 입출금 정보중에서 미수 시점을 기준으로 입금확정된 은행 입출금 정보를 추출한다(S30, S40).

이어, 매칭 분석 처리부(30)는 추출된 입금확정된 전자세금계산서 매출 정보를 해당 전자세금계산서의 사업자번호를 기준으로 분류하고, 추출된 입금확정된 은행 입출금 정보를 은행 입출금 그룹키 기준으로 분류한다(S50, S60).

이후, 매칭 분석 처리부(30)는 분류된 사업자번호 기준의 입금확정 매출정보 및 은행 입출금 그룹키 기준의 입금확정 입출금정보를 근거로 하는 매트릭스를 생성한다. 여기서, 매트릭스는 도 4에서와 같은 룩업테이블(lookup table) 형태로 구성될 수 있다.

그리고 나서, 매칭 분석 처리부(30)는 생성된 매트릭스내의 팩터(factor)간 연관성을 분석하여 그에 상응하는 스코어를 입력한다(S70).

이어, 매칭 분석 처리부(30)는 스코어 값이 제로(zero) 보다 큰 값으로 제한하여 매트릭스를 최적화하고, 최적화된 매트릭스에 대해 은행 입출금을 기준으로 하는 매칭 검증 및 전자세금계산서를 기준으로 하는 매칭 검증을 실시한다(S80).

이와 같이 검증이 완료된 이후에는, 마지막으로 매칭 분석 처리부(30)는 검증 결과를 근거로 패턴 DB를 생성한다(S90). 이때, 매칭 분석 처리부(30)는 (은행 입출금 그룹키, 사업자번호)를 기본 쌍으로 하여 패턴 DB를 생성할 수 있다. 보다 구체적으로, 패턴 DB는 (은행 입출금 그룹키, 사업자번호), 및 그에 대한 매칭 등급(사전등급), 사전등록사유를 포함할 수 있다. 즉, 패턴 DB는 {(은행 입출금 그룹키, 사업자번호), 매칭 등급(사전등급), 사전등록사유}로 구성될 수 있다. 여기서, 사업자번호는 전자세금계산서의 사업자번호로서 사업자명 또는 대표자명으로 대체될 수 있다. 사전등급은 사용자확정, 시스템추천, 추천이 있을 수 있다. 사전등록사유는 텍스트와 금액 및 일자의 조합이다.

이와 같이 패턴 DB를 생성하게 되면, 필요에 따라 매칭 분석 처리부(30)는 거래 관리 서비스 제공부(20)로 매칭 결과를 전달하여, 도 6 또는 도 7에서와 같이 패턴 DB를 근간으로 하는 기존 매칭 결과를 출력하게 할 수 있다. 사용자는 초기 패턴 DB에 대한 기존 거래 정보 데이터베이스(29)의 매칭 결과를 참조하여, 정확도를 확인하고, 패턴 데이터베이스에 대한 업종별, 거래유형별, 예외케이스 등 매칭율 튜닝을 위한 설정 및 필터링 적용을 수행하는 튜닝 설정 정보 조정을 입력할 수 도 있다.

또한, 상술한 본 발명의 실시 예에 따른 방법은, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 방법을 구현하기 위한 기능적인(function) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.

이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (6)

1. 데이터베이스 생성 장치에 있어서,
   거래 정보 데이터베이스의 거래 정보를 관리하는 거래 관리 서비스 제공부;
   상기 거래 정보 데이터베이스로부터 일정 기간 동안 누적된 거래 학습 정보 수집하며, 수집된 거래 학습 정보에 대한 학습 기반 매칭 분석 처리에 따라, 초기 패턴 데이터베이스를 구축하는 패턴 분석 처리부를 포함하며,
   상기 거래 관리 서비스 제공부는, 상기 초기 패턴 데이터베이스를 이용하여, 매출 채권과 입출금 정보간 자동화된 매칭 분석을 처리하고,
   상기 매칭 분석 처리부는
   상기 거래 정보 데이터베이스의 케이스 기반 추론 학습 처리에 기초하여, 상기 일정 기간 동안의 거래 학습 정보에 대응하는 입출금 정보와 매출 정보간 매칭 처리를 수행하며,
   상기 일정 기간 동안에 대응하여 별도 입력된 실제 미수내역 정보와, 상기 초기 패턴 데이터베이스에 대응하는 자동화된 매칭 분석 처리 결과의 미수 채권 매핑 내역을 비교하여, 상기 초기 패턴 데이터베이스에 대응하는 매칭 분석 정확도 검증 결과를 출력하고,
   상기 검증 결과 출력에 대응하는 사용자 입력에 따른 튜닝 설정 정보에 따라, 상기 초기 패턴 데이터베이스의 케이스 기반 추론 학습에 대응하여 설정된 패턴 매핑 테이블의 조정 정보, 유사도 함수 파라미터 변경 정보 또는 케이스 정보 조정 정보 중 적어도 하나를 갱신하고,
   상기 매칭 분석 처리부는,
   상기 거래 정보 데이터베이스로부터, 거래처의 전자세금계산서 조회시점을 기준으로 과거 일정 기간의 전자세금계산서 매출 정보 및 거래처의 은행 조회시점을 기준으로 과거 일정 기간의 은행 입출금 정보를 수집하는 수집부; 및
   상기 수집부에서 수집된 매출 정보 및 상기 은행 입출금 정보로부터 상기 초기 패턴 데이터베이스의 케이스 기반 추론 학습을 위한 학습 데이터를 추출하는 위한 추출부;를 더 포함하고,
   상기 매출 정보는 전자세금계산서상의 사업자 정보 및 품목정보를 포함하며,
   상기 추출부는
   상기 수집부에서 수집한 전자세금계산서 매출 정보에서 미수 정보를 기준으로 입금확정된 전자세금계산서 매출 정보를 추출하는 입금확정 매출정보 추출부;
   상기 수집부에서 수집한 은행 입출금 정보에서 미수 시점을 기준으로 입금확정된 은행 입출금 정보를 추출하는 입금확정 입출금정보 추출부;
   상기 입금확정 매출정보 추출부에서 추출된 입금확정된 전자세금계산서 매출 정보를 각 전자세금계산서의 사업자 정보를 기준으로 분류하는 입금확정 매출정보 분류부; 및
   입금확정 입출금정보 추출부에서 추출된 입금확정된 은행 입출금 정보를 은행 입출금 그룹키 기준으로 분류하는 입금확정 입출금정보 분류부를 포함하고,
   상기 매칭 분석 처리부는,
   상기 분류부에서 분류된 상기 사업자 정보 기준의 입금확정 매출정보 및 상기 은행 입출금 그룹키 기준의 입금확정 매출정보를 매핑하여 생성되는 매트릭스를 이용하여, 상기 케이스 기반 추론 학습을 위한 상기 초기 패턴 데이터베이스를 생성하는 패턴 DB 생성부를 더 포함하는
   데이터베이스 생성 장치.
2. 제1항에 있어서,
   상기 매칭 분석 처리부는,
   상기 입금확정된 매출 정보와 상기 입금확정된 입출금 정보간의 연관성을 분석하여 그에 상응하는 스코어를 상기 매트릭스에 입력하는 스코어 산입부를 더 포함하고,
   상기 스코어 산입부는 텍스트 유사도, 금액 유사도 및 일자 유사도 분석에 기초하여, 상기 텍스트, 금액 및 일자 중 한 가지가 유사 또는 동일하거나 두 가지가 유사 또는 동일하거나 세 가지가 모두 유사 또는 동일한지 여부에 따라 차등적으로 결정된 스코어를 산출하여 상기 매트릭스 내 상기 입금확정된 매출 정보와 상기 입금확정된 입출금 정보의 교차 지점별로 입력하는
   데이터베이스 생성 장치.
3. 제2항에 있어서,
   상기 매칭 분석 처리부는,
   상기 스코어가 산입된 매트릭스를 기반으로 상기 입금확정된 매출 정보와 상기 입금확정된 입출금 정보간의 매칭 검증을 실시하는 검증부를 더 포함하고,
   상기 패턴 DB 생성부는, 상기 검증부에서의 검증 결과를 근거로 상기 초기 패턴 데이터베이스를 생성하는
   데이터베이스 생성 장치.
4. 데이터베이스 생성 장치의 데이터베이스 생성 방법에 있어서,
   거래 관리 서비스 제공부가, 거래 정보 데이터베이스의 거래 정보를 관리하는 단계;
   매칭 분석 처리부가, 상기 거래 정보 데이터베이스로부터 일정 기간 동안 누적된 거래 학습 정보 수집하며, 수집된 거래 학습 정보에 대한 학습 기반 매칭 분석 처리에 따라, 초기 패턴 데이터베이스를 구축하는 단계; 및
   상기 거래 관리 서비스 제공부가, 상기 초기 패턴 데이터베이스를 이용하여, 매출 채권과 입출금 정보간 자동화된 매칭 분석을 처리하는 단계를 포함하고,
   상기 초기 패턴 데이터베이스를 구축하는 단계는,
   상기 매칭 분석 처리부가, 상기 거래 관리 서비스 제공부가, 상기 거래 정보 데이터베이스의 케이스 기반 추론 학습 처리에 기초하여, 상기 일정 기간 동안의 거래 학습 정보에 대응하는 입출금 정보와 매출 정보간 매칭 처리를 수행하는 단계;
   상기 매칭 분석 처리부가, 상기 일정 기간 동안에 대응하여 별도 입력된 실제 미수내역 정보와, 상기 초기 패턴 데이터베이스에 대응하는 자동화된 매칭 분석 처리 결과의 미수 채권 매핑 내역을 비교하여, 상기 초기 패턴 데이터베이스에 대응하는 매칭 분석 정확도 검증 결과를 출력하는 단계; 및
   상기 매칭 분석 처리부가, 상기 검증 결과 출력에 대응하는 사용자 입력에 따른 튜닝 설정 정보에 따라, 상기 초기 패턴 데이터베이스의 케이스 기반 추론 학습에 대응하여 설정된 패턴 매핑 테이블의 조정 정보, 유사도 함수 파라미터 변경 정보 또는 케이스 정보 조정 정보 중 적어도 하나를 갱신하는 단계를 포함하고,
   상기 매칭 분석 처리부는,
   상기 거래 정보 데이터베이스로부터, 거래처의 전자세금계산서 조회시점을 기준으로 과거 일정 기간의 전자세금계산서 매출 정보 및 거래처의 은행 조회시점을 기준으로 과거 일정 기간의 은행 입출금 정보를 수집하는 수집부; 및
   상기 수집부에서 수집된 매출 정보 및 상기 은행 입출금 정보로부터 상기 초기 패턴 데이터베이스의 케이스 기반 추론 학습을 위한 학습 데이터를 추출하는 위한 추출부;를 더 포함하고,
   상기 매출 정보는 전자세금계산서상의 사업자 정보 및 품목정보를 포함하며,
   상기 추출부는
   상기 수집부에서 수집한 전자세금계산서 매출 정보에서 미수 정보를 기준으로 입금확정된 전자세금계산서 매출 정보를 추출하는 입금확정 매출정보 추출부;
   상기 수집부에서 수집한 은행 입출금 정보에서 미수 시점을 기준으로 입금확정된 은행 입출금 정보를 추출하는 입금확정 입출금정보 추출부;
   상기 입금확정 매출정보 추출부에서 추출된 입금확정된 전자세금계산서 매출 정보를 각 전자세금계산서의 사업자 정보를 기준으로 분류하는 입금확정 매출정보 분류부; 및
   입금확정 입출금정보 추출부에서 추출된 입금확정된 은행 입출금 정보를 은행 입출금 그룹키 기준으로 분류하는 입금확정 입출금정보 분류부를 포함하고,
   상기 매칭 분석 처리부는,
   상기 분류부에서 분류된 상기 사업자 정보 기준의 입금확정 매출정보 및 상기 은행 입출금 그룹키 기준의 입금확정 매출정보를 매핑하여 생성되는 매트릭스를 이용하여, 상기 케이스 기반 추론 학습을 위한 상기 초기 패턴 데이터베이스를 생성하는 패턴 DB 생성부를 더 포함하는 것인
   데이터베이스 생성 방법.
5. 제4항에 있어서,
   상기 구축하는 단계는,
   상기 매칭 분석 처리부가, 상기 입금확정된 매출 정보와 상기 입금확정된 입출금 정보간의 연관성을 분석하여 그에 상응하는 스코어를 상기 매트릭스에 입력하는 단계를 더 포함하고,
   상기 입력하는 단계는, 텍스트 유사도, 금액 유사도 및 일자 유사도 분석에 기초하여, 상기 텍스트, 금액 및 일자 중 한 가지가 유사 또는 동일하거나 두 가지가 유사 또는 동일하거나 세 가지가 모두 유사 또는 동일한지 여부에 따라 차등적으로 결정된 스코어를, 상기 매트릭스 내 상기 입금확정된 매출 정보와 상기 입금확정된 입출금 정보의 교차 지점별로 입력하는 단계를 포함하는
   데이터베이스 생성 방법.
6. 제5항에 있어서,
   상기 구축하는 단계는,
   상기 매칭 분석 처리부의 검증부가, 상기 스코어가 산입된 매트릭스를 기반으로 상기 입금확정된 매출 정보와 상기 입금확정된 입출금 정보간의 매칭 검증을 실시하는 단계; 및
   상기 검증부에서의 검증 결과를 근거로 상기 초기 패턴 데이터베이스를 업데이트하는 단계를 더 포함하는
   데이터베이스 생성 방법.

Images