KR20210153973A - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20210153973A
KR20210153973A KR1020200070999A KR20200070999A KR20210153973A KR 20210153973 A KR20210153973 A KR 20210153973A KR 1020200070999 A KR1020200070999 A KR 1020200070999A KR 20200070999 A KR20200070999 A KR 20200070999A KR 20210153973 A KR20210153973 A KR 20210153973A
Authority
KR
South Korea
Prior art keywords
information
demand
target item
item
prediction target
Prior art date
Application number
KR1020200070999A
Other languages
English (en)
Inventor
임재문
정현식
오원근
이수호
허예지
강서영
고승한
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200070999A priority Critical patent/KR20210153973A/ko
Priority to US17/332,447 priority patent/US20210390566A1/en
Priority to PCT/KR2021/006638 priority patent/WO2021251662A1/en
Publication of KR20210153973A publication Critical patent/KR20210153973A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

전자 장치 및 전자 장치의 제어 방법이 개시된다. 본 제어 방법은 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 제1 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 획득하는 단계; 상기 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별하고, 상기 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득하는 단계; 상기 제1 수요 정보 및 상기 유사 아이템 정보를 이용하여, 상기 예측 대상 아이템에 대한 상기 제1 시점 이후의 수요 예측 정보를 획득하는 단계; 및 상기 제1 시점 이후의 수요 예측 정보와 상기 재고 정보를 비교하여, 이상 상황 발생 여부를 식별하는 단계;를 포함한다.

Description

전자 장치 및 이의 제어 방법{ELECTRONIC DEVICE AND CONTROL METHOD THEREOF}
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 구체적으로, 예측 대상 아이템에 대한 실시간 수요 예측을 통해, 예측 대상 아이템의 재고 이상을 실시 간으로 감지할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.
완제품 제조 업체 및 부품 생산 업체간의 상거래 과정을 살펴보면, 완제품 제조 업체에서 자신들이 필요로 하는 아이템에 대한 물량을 파악한 후, 해당 제품을 제조하는 부품 생산 업체에 해당 물량을 주문하는 것이 일반적이다.
한편, 완제품 제조 업체는 부품 생산 업체와의 자재 공급 계약 기간 내에는 필요한 자재 수급이 가능하나, 계약 기간 종료(Last-Time Buy, LTB) 시 자재 제조 업체의 생산 시설 변경으로 인해 동일한 아이템의 상시적 추가 수급이 어려워지는 문제가 발생한다.
이에, 종래에는 완제품 제조 업체가 완제품 제조 업체 및 부품 생산 업체가 보유하고 있는 다양한 예측 대상 아이템과 관련된 데이터를 활용하여 LTB 시점 이후의 예측 대상 아이템에 대한 서비스 수요 총량을 예측하고, LTB 시점에서 예측된 정보에 따라 부품 생산 업체로부터 예측 대상 아이템을 수급 하였다.
이에, 예측 대상 아이템에 대한 LTB 시점 이후의 실제 서비스 수요 총량이 예측된 서비스 수요 총량과 다른 경우, 예측 대상 아이템과 관련된 부가적 비용이 소요되는 문제점이 발생되었다.
또한, 종래에는 예측 대상 아이템과 관련된 데이터만을 활용하여 LTB 시점 이후의 예측 대상 아이템에 대한 서비스 수요 총량을 예측하여 그 정확도가 떨어지는 문제점 또한 발생되었다.
본 개시는 상술한 문제점을 해결하기 위해 안출된 것으로, 본 개시의 목적은 예측 대상 아이템과 서비스 수요 특성이 유사한 유사 아이템을 활용하여 예측 대상 아이템에 대한 수요를 예측하고, 예측 대상 아이템의 LTB 시점 이후에도 예측 대상 아이템의 수요를 예측 하여, 예측 대상 아이템에 대한 재고 이상을 실시 간으로 감지할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법은, 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 제1 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 획득하는 단계; 상기 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별하고, 상기 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득하는 단계; 상기 제1 수요 정보 및 상기 유사 아이템 정보를 이용하여, 상기 예측 대상 아이템에 대한 상기 제1 시점 이후의 수요 예측 정보를 획득하는 단계; 및 상기 제1 시점 이후의 수요 예측 정보와 상기 재고 정보를 비교하여, 이상 상황 발생 여부를 식별하는 단계;를 포함한다.
한편, 상기 목적을 달성하기 위한 본 개시의 일 실시 예에 따른, 전자 장치는 적어도 하나의 인스트럭션을 포함하는 메모리 및 상기 메모리와 연결되며 상기 전자 장치를 제어하는 프로세서를 포함하고, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써, 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 제1 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 획득하고, 상기 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별하고, 상기 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득하고, 상기 제1 수요 정보 및 상기 유사 아이템 정보를 이용하여, 상기 예측 대상 아이템에 대한 상기 제1 시점 이후의 수요 예측 정보를 획득하고, 상기 제1 시점 이후의 수요 예측 정보와 상기 재고 정보를 비교하여, 이상 상황 발생 여부를 식별한다.
이상과 같은 다양한 실시 예에 따르면, 전자 장치는 예측 대상 아이템과 서비스 수요 특성이 유사한 유사 아이템을 활용하여 예측 대상 아이템에 대한 수요 예측의 정확도를 향상시킬 수 있다.
또한, 전자 장치는 예측 대상 아이템에 대한 LTB 시점 이후에도 예측 대상 아이템의 수요를 예측하여, 예측 대상 아이템에 대한 재고가 실시간으로 관리될 수 있다.
도 1은 본 개시의 일 실시 예에 따른, 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 개시의 일 실시 예에 따른, 예측 대상 아이템의 제품 생산 추이 및 제품 서비스 발생 추이를 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시 예에 따른, 예측 대상 아이템에 대한 유사 아이템을 획득하기 위한 K-means 클러스터링 모델을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른, 예측 대상 아이템에 대한 향후 수요를 예측 하기 위한 수요 예측 모델을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른, 수요 예측부와 이상 감지부를 통해 예측 대상 아이템의 실시간 수요를 예측하는 방법을 설명하기 위한 도면이다.
도 6는 본 개시의 일 실시 예에 따른, 수요 예측부를 통해 예측 대상 아이템의 LTB 시점 이후의 예측 수요 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 에에 따른, 이상 감지부를 통해 예측 대상 아이템에 대한 재고 이상 상황을 실시간으로 감지하는 방법을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 9는 본 개시의 일 실시 예에 따른, 서버, 제조사 서버 및 DB 서버 간의 상호 동작을 설명하기 위한 시퀀스도 이다.
이하에서는, 첨부된 도면을 통해 본 개시를 상세히 설명한다.
이하의 설명에서 전자 장치는 다양한 형태로 구현 가능하다. 전자 장치는 대표적으로 서버의 형태로 구현될 수 있으나, 이에 한정되는 것이 아니다. 전자 장치는 TV와 같은 디스플레이 장치, 휴대폰 등 모바일 통신 장치로 구현 가능하며 메모리, 프로세서 및 통신 인터페이스를 포함한 장치이면 이에 한정되지 않고 다양한 형태로 구현 가능하다.
도 1은 본 개시의 일 실시 예에 따른, 전자장치의 구성을 설명하기 위한 블록도이다. 이하의 실시 예에서는 전자장치가 서버의 형태로 구현된 예를 중심으로 설명하기로 한다.
도 1을 참조하면, 본 개시에 따른, 전자 장치는 수요 예측 서버(100)의 형태로 구현될 수 있으며, 메모리(110), 통신 인터페이스(120) 및 프로세서(130)를 포함할 수 있다. 본 개시에 따른 수요 예측 서버(100)(이하, 전자 장치라고 한다) 예측 대상 아이템에 대한 향후 서비스 수요 총량을 예측하기 위한 서버이다.
메모리(110)에는 전자 장치(100)에 관한 적어도 하나의 명령이 저장될 수 있다. 그리고, 메모리(110)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(110)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(110)는 플래시 메모리 (Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.
구체적으로, 메모리(110)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(130)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(110)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
한편, 본 개시에서 메모리(110)라는 용어는 메모리(110), 프로세서(130) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.
특히, 일 실시 예로, 메모리(110)는 예측 대상 아이템의 수요 예측에 필요한 정보를 저장할 수 있다. 예측 대상 아이템은 완제품에 필요한 자재일 수 있다. 예로, 완제품이 TV인 경우, TV에 대한 예측 대상 아이템은 디스플레이 패널일 수 있다.
일 실시 예로, 전자 장치(100)는 DB 서버로부터 복수의 아이템들의 수요 예측에 필요한 정보를 수신하여, 해당 정보를 메모리(110)에 저장할 수 있다. DB 서버는 완제품 제조 업체, 부품 생산 업체로부터 복수의 아이템들의 서비스 수요 예측에 필요한 정보를 수신하여 저장 및 관리하는 서버이다.
수요 예측에 필요한 정보는 복수의 아이템들에 대한 마스터 정보, 재고 정보, 생산 실적 정보, 서비스 실적 정보 등을 포함할 수 있으며, 기타 예측 대상 아이템의 수요 예측에 필요한 다양한 정보를 포함할 수 있다.
일 실시 예로, 메모리(110)는 예측 대상 아이템에 대한 식별 정보를 저장할 수 있다. 일 실시 예로, 전자 장치(100)는 제조사 서버로부터 예측 대상 아이템에 대한 식별 정보를 수신하여, 메모리(110)에 저장할 수 있다. 제조사 서버는 완제품 제조 업체에 대한 서버로 제조사 서버는 본 개시에 따른 전자 장치(100)로부터 예측 대상 아이템에 대한 수요 예측 정보를 바탕으로, 예측 대상 아이템에 대한 추가 생산 요청을 부품 생산 업체에 요청할 수 있다.
예측 대상 아이템에 대한 식별 정보는 예측 대상 아이템을 식별하기 위한 정보로 일 실시 예로, 예측 대상 아이템에 대한 자재 코드를 포함할 수 있다.
통신 인터페이스(120)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신 인터페이스(120)는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩을 포함할 수 있다. 프로세서(130)는 통신 인터페이스(120)를 이용하여 각종 외부 장치 또는 서버와 통신을 수행할 수 있다. 특히, 와이파이 칩, 블루투스 칩은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evoloution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC (Near Field Communication) 방식으로 동작하는 칩을 의미한다. 구체적으로, 통신 인터페이스(220)는 외부 전자 장치와 통신을 수행할 수 있으며, 외부 전자 장치는 일 실시 예로, 제조사 서버 및 DB 서버를 포함할 수 있다. 일 실시예로, 통신 인터페이스(220)는 제조사 서버로부터 예측 대상 아이템에 대한 식별 정보를 수신할 수 있다. 또한, 통신 인터페이스(120)는 DB 서버로부터 복수의 아이템들의 수요 예측에 필요한 정보 및 예측 대상 아이템의 재고 정보를 수신할 수 있다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서(130)와 메모리(110)를 통해 동작된다.
프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP 등과 같은 범용 프로세서, GPU. VPU 등과 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서는, 메모리에 저장된 기정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
프로세서(130)는 전자 장치(100)의 전반적인 동작을 제어한다. 이를 위해, 프로세서(130)는 중앙처리장치(central processing unit(CPU)), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다. 프로세서(140)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(140)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에서 프로세서(140)라는 용어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Main Processing Unit)등을 포함하는 의미로 사용될 수 있다.
프로세서(130)는 운영 체제 또는 응용 프로그램을 구동하여 프로세서(140)에 연결된 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 또한, 프로세서(140)는 다른 구성요소들 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 다양한 데이터를 비휘발성 메모리에 저장할 수 있다.
본 개시에 따른, 프로세서(130)는 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 예측 대상 아이템에 대한 수요 예측 정보를 획득할 수 있다. LTB(Last-time Buy) 시점 이후의 수요 예측 정보란, LTB(Last-time Buy) 시점 이후에 요구되는 해당 예측 대상 아이템에 대한 서비스 수요 총량에 대한 정보이다.
도 2는 본 개시의 일 실시 예에 따른, 예측 대상 아이템의 제품 생산 추이 및 제품 서비스 발생 추이를 설명하기 위한 도면이다. 즉, 도 2를 참조하면, 완제품 제조 업체는 양산 시점에서부터 LTB(Last-Time Buy) 시점까지의 부품 생산 업체와의 자재 공급 계약 기간 내에는 필요한 아이템에 대한 충분한 수급이 가능하나, 해당 아이템에 대한 계약 기간 종료(Last-Time Buy, LTB) 시 부품 생산 업체의 생산 시설 변경으로 인해 해당 아이템에 대한 상시적 추가 수급이 어려질 수 있다. 이에, 완제품 제조 업체는 LTB 시점 이후의 예측 대상 아이템에 대한 서비스 수요 총량을 예측하고, LTB 시점에서 예측된 정보에 따라 부품 생산 업체로부터 예측 대상 아이템을 수급할 수 있다.
즉, 본 개시에 따른 전자 장치(100)가 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 수요 예측 정보를 완제품 제조 업체 서버인 제조사 서버로 전송하면, 제조사 서버는 수신한 수요 예측 정보를 바탕으로, 예측 대상 아이템에 대한 추가 생산 요청을 부품 생산 업체에 요청할 수 있다. 일 실시 예로, 프로세서(130)는 수요 예측부를 통해 LTB(Last-time Buy) 시점 이후의 예측 대상 아이템에 대한 수요 예측 정보를 획득할 수 있으며, 이에 대한 자세한 내용은 도 5 및 도 6을 통해 설명하도록 한다.
특히, 본 개시에 따른, 프로세서(130)는 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후에도 실시간으로, 예측 대상 아이템에 대한 수요 예측 정보를 획득하여, 예측 대상 아이템에 대한 이상 상황 발생 여부를 식별할 수 있다.
구체적으로, 프로세서(130)는 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 제1 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 획득할 수 있다.
일 실시 예로, 프로세서(130)는 제조사 서버로부터 예측 대상 아이템에 대한 식별 정보를 수신하고, DB 서버로부터 복수의 아이템들의 수요 예측에 필요한 정보 및 제1 시점에서의 예측 대상 아이템의 재고 정보를 수신하도록 통신 인터페이스(120)를 제어할 수 있다. 일 실시 예로, 프로세서(130)는 예측 대상 아이템에 대한 식별 정보를 바탕으로, DB 서버로부터 예측 대상 아이템의 수요 예측에 필요한 정보를 요청하여, 예측 대상 아이템의 수요 예측에 필요한 정보를 수신하도록 통신 인터페이스(120)를 제어할 수 있다. 다만, 이에 한정되지 않고, 프로세서(130)는 DB 서버로부터 예측 대상 아이템을 포함하는 복수의 아이템의 수요 예측에 필요한 정보를 수신하도록 통신 인터페이스(120)를 제어하고, 예측 대상 아이템에 대한 식별 정보를 이용하여, 복수의 정보에서 예측 대상 아이템의 수요 예측에 필요한 정보를 식별할 수 있다.
예측 대상 아이템에 대한 식별 정보는 예측 대상 아이템을 식별하기 위한 정보로 일 실시 예로, 예측 대상 아이템에 대한 자재 코드를 포함할 수 있다.
수요 예측에 필요한 정보는 아이템에 대한 마스터 정보, 재고 정보, 생산 실적 정보, 서비스 실적 정보 등을 포함할 수 있으며, 기타 아이템의 수요 예측에 필요한 다양한 정보를 포함할 수 있다.
DB 서버는 완제품 제조 업체, 부품 생산 업체로부터 복수의 아이템들의 서비스 수요 예측에 필요한 정보를 수신하여 저장 및 관리하는 서버이다. 일 실시 예로, DB 서버는 완제품 제조 업체로부터 예측 대상 아이템에 대한 재고 정보, 서비스 실적 정보, 마스터 정보를 수신하여 저장할 수 있다. 또한, DB 서버는 부품 생산 업체로부터 예측 대상 아이템에 대한 재고 정보 및 생산 실적 정보를 수신하여 저장할 수 있다.
그리고, 프로세서(130)는 복수의 아이템들의 서비스 수요 예측에 필요한 정보 중 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여, 예측 대상 아이템의 LTB 시점 이후의 제1 시점에서의 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보를 획득할 수 있다. 수요 정보는 아이템의 서비스 수요와 관련성이 높은 정보들로, 예측 대상 아이템의 제1 수요 정보는 LTB 시점 이전까지의 예측 대상 아이템에 생산 기간, 예측 대상 아이템에 대한 생산 총량, 서비스 기간, 서비스 총량, 월별 생산 실적, 서비스 실적 권역 및 불량 발생률 등을 포함할 수 있으며, 기타, 예측 대상 아이템의 수요 정보와 관련성이 높은 정보들을 더 포함할 수 있다.
그리고, 프로세서(130)는 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별할 수 있다. 구체적으로, 프로세서(130)는 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여, 복수의 아이템 중 예측 대상 아이템과 서비스 수요 특성이 유사할 것으로 추정되는 적어도 하나의 유사 아이템을 식별할 수 있다. 일 실시 예로, 프로세서(130)는 K-means 클러스터링 모델을 통해 적어도 하나의 유사 아이템을 식별할 수 있다.
도 3은 본 개시의 일 실시 예에 따른, 예측 대상 아이템에 대한 유사 아이템을 획득하기 위한 K-means 클러스터링 모델을 설명하기 위한 도면이다. K-means 클러스터링 모델은 도 3과 같이 서로 유사한 데이터들을 같은 군집으로 분류하고 유사하지 않은 데이터들은 다른 군집으로 분류하는 모델로, 유사 아이템 식별, 유사 검색 결과 식별, 시장 분석 등에 이용될 수 있다. 일 실시 예로, K-means 클러스터링 모델은 복수의 군집을 통해 데이터를 분류하며, 복수의 군집에 각각의 중심 값을 선정하고, 각각의 중심 값에 대한 데이터와 해당 군집에 속한 데이터의 상관 관계를 중심 값과 해당 데이터의 거리를 통해 나타낼 수 있다.
즉, 도 3을 참조하면, 프로세서(130)는 K-means 클러스터링 모델을 통해 복수의 아이템들을 3개의 군집(10, 20, 30)으로 분류하였다. 일 실시 예로, 예측 대상 아이템은 제3 군집(30)에 속할 수 있으며, 제3 군집(30)의 중심 값일 수 있다. 그리고, 프로세서(130)는 제3 군집(30)의 중심 값과 기 설정 거리 이하인 영역(30-1)내에 속하는 아이템들을 유사 아이템으로 식별할 수 있다. 여기서 기 설정 거리는 기 설정 영역(30-1) 내에 속하는 아이템들의 개수에 따라 변경될 수 있다. 일 실시 예로, 제1 시점에서의 예측 대상 아이템에 대한 유사 아이템은 예측 대상 아이템의 LTB 시점에서의 예측 대상 아이템에 대한 수요 예측에 필요한 정보를 통해 식별될 수 있으나 이에 한정되지 않는다. 즉, 제1 시점에서의 예측 대상 아이템에 대한 유사 아이템은 예측 대상 아이템의 제1 시점에서의 예측 대상 아이템에 대한 수요 예측에 필요한 정보를 통해 식별될 수 있다. 상술한 실시 예에서는 K-means 클러스터링 모델을 통해 예측 대상 아이템에 대한 유사 아이템이 식별되는 것으로 설명하였으나, 이에 한정되지 않는다. 즉, 프로세서(130)는 기계 학습 또는 딥러닝 기반의 다양한 군집화 기술 및 유사도 측정 모델을 통해 예측 대상 아이템에 대한 유사 아이템이 식별될 수 있다.
그리고, 적어도 하나의 유사 아이템이 식별되면, 프로세서(130)는 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득할 수 있다. 구체적으로 유사 아이템 정보에는 유사 아이템의 서비스 수요와 관련성이 높은 제2 수요 정보 및 유사 아이템에 대한 실제 수요 정보를 포함할 수 있다. 제2 수요 정보는 유사 아이템의 서비스 수요와 관련성이 높은 정보들로, LTB 시점 이전까지의 예측 대상 아이템에 생산 기간, 유사 아이템에 대한 생산 총량, 서비스 기간, 서비스 총량, 월별 생산 실적, 서비스 실적 권역 및 불량 발생률 등을 포함할 수 있으며, 기타, 유사 아이템의 수요 정보와 관련성이 높은 정보들을 더 포함할 수 있다. 그리고, 유사 아이템에 대한 실제 수요 정보는 유사 아이템에 대한 실제 서비스 수요 총량에 대한 정보이다. 일 실시 예로, 유사 아이템에 대한 실제 수요 정보에는 유사 아이템의 LTB 시점 이후의 실제 서비스 총량에 대한 정보를 포함할 수 있다.
그리고, 유사 아이템 정보가 획득되면, 프로세서(130)는 제1 수요 정보 및 유사 아이템 정보를 이용하여, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보를 획득할 수 있다. 제1 시점 이후의 수요 예측 정보란, 제1 시점 이후에 요구되는 해당 예측 대상 아이템에 대한 서비스 수요 총량에 대한 정보이다.
구체적으로, 프로세서(130)는 유사 아이템 정보를 이용하여 수요 예측 모델을 생성하고, 생성된 수요 예측 모델에 제1 수요 정보를 입력하여, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보를 획득할 수 있다.
도 4는 본 개시의 일 실시 예에 따른, 예측 대상 아이템에 대한 향후 수요를 예측 하기 위한 수요 예측 모델을 설명하기 위한 도면이다. 일 실시 예로, 수요 예측 모델은 결정 트리 모델로 구현될 수 있다. 결정 트리 모델은 결정 트리 기반 회귀분석기술을 이용하여 생성되는 모델로, 의사 결정의 알고리즘과 그 결과들을 도 4와 같이 트리 구조로 도식화한 의사 결정 지원 모델이다. 구체적으로, 결정 트리 모델은 제1 상위 노드(410)에 대한 YES 또는 NO에 대한 결과로 제2 상위 노드(420-1, 420-2)가 식별될 수 있다. 즉, 제1 상위 노드(410)에서는 제1 상위 노드(410)에 대응되는 일정 조건 값을 만족하면(YES) 제2-1 상위 노드(420-1)로, 제1 상위 노드(410)에 대응되는 일정 조건 값을 만족하지 않으면(NO) 제2-2 상위 노드(420-2)로 이동될 수 있다. 또한, 제2 상위 노드(420-1, 420-2) 각각에 대응되는 일정 조건 값에 대한 결과로 제3 상위 노드(430-1 내지 430-4)가 식별될 수 있으며, 제3 상위 노드(430-1 내지 430-4) 각각에 대응되는 일정 조건 값에 대한 결과로 최종 결과 값인 하위 노드(440-1 내지 440-8)가 식별될 수 있다. 도 4에서는 상위 노드가 3개의 층으로 구현되는 것으로 도시되어 있지만 이에 한정되지 않으며, 결정 트리 모델에 따라 상위 노드 층의 개수가 변경될 수 있다.
일 실시 예로, 본 개시에 따른 프로세서(130)는 유사 아이템의 서비스 수요와 관련성이 높은 제2 수요 정보를 입력 변수로 설정하여, 예측 대상 아이템에 대한 수요 예측 정보가 종속 변수로 출력되도록 결정 트리 모델을 학습시킬 수 있다. 일 실시 예로, 예측 대상 아이템에 대한 유사 아이템이 제1 유사 아이템, 제2 유사 아이템 및 제3 유사 아이템인 경우, 제2 수요 정보에는 예측 대상 아이템에 대한 제1 유사 아이템에 대한 제2 수요 정보, 제2 유사 아이템에 대한 제2 수요 정보 및 제3 유사 아이템에 대한 제2 수요 정보를 포함할 수 있다. 그리고, 제1 유사 아이템에 대한 제2 수요 정보, 제2 유사 아이템에 대한 제2 수요 정보 및 제3 유사 아이템에 대한 제2 수요 정보들이 제1 상위 노드 내지 제3 상위 노드에 대한 변수로 설정되고, 예측 대상 아이템에 대한 수요 예측 정보를 종속 변수로 출력 되도록 결정 트리 모델이 학습될 수 있다. 그리고, 프로세서(130)는 학습된 결정 트리 모델에 예측 대상 아이템에 대한 제1 수요 정보를 입력하여, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보를 획득할 수 있다.
상술한 실시 예에서는 결정 트리 모델을 통해 예측 대상 아이템에 대한 유사 아이템이 식별되는 것으로 설명하였으나, 이에 한정되지 않는다. 즉, 프로세서(130)는 기계 학습 또는 딥러닝 기반의 다양한 예측 모델을 통해 예측 대상 아이템에 대한 유사 아이템이 식별될 수 있다. 일 실시 예로, 수요 예측 모델은 인공 신경망 모델, 로지스틱 회귀분석(logistic regression) 모델, 서포트 벡터 머신(support vector machine) 모델, 랜덤 포레스트(random forest) 및 그래디언트 부스팅(gradient boosting) 모델 등으로 구현될 수 있다.
예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 획득되면, 프로세서(130)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보 및 예측 대상 아이템에 대한 재고 정보를 비교하여, 이상 상황 발생 여부를 식별할 수 있다.
일 실시 예로, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보 및 예측 대상 아이템에 대한 재고 정보가 기 설정 값(예로, 30%) 이상 상이한 경우, 프로세서(130)는 제1 시점에서 이상 상황이 발생한 것으로 식별할 수 있다. 이상 상황은 과다 예측 상황 및 과소 예측 상황으로 구분될 수 있다. 구체적으로, 프로세서(130)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 예측 대상 아이템에 대한 재고 정보 보다 기 설정 값 이상 큰 경우 과다 예측 상황으로 식별할 수 있다. 또한, 프로세서(130)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 예측 대상 아이템에 대한 재고 정보 보다 기 설정 값 이상 작은 경우 과소 예측 상황으로 식별할 수 있다.
그리고, 제1 시점에서 이상 상황이 발생된 것으로 식별되면, 프로세서(130)는 이상 상황에 대한 대응 정보를 식별할 수 있다. 과다 예측 상황에 대한 대응 정보에는 저 비용으로 예측 대상 아이템을 소진할 수 있는 대응 정보를 포함할 수 있다. 예로, 과다 예측 상황에 대한 대응 정보에는 예측 대상 아이템 재생 중지 요청, 호환 아이템 리스트 전달 및 검토 요청, 예측 대상 아이템 매각 가능 업체 리스트 전달 및 검토 요청 등을 포함할 수 있다.
과소 예측 상황에 대한 대응 정보에는 저 비용으로 예측 대상 아이템을 확보할 수 있는 대응 정보를 포함할 수 있다. 예로, 과소 예측 상황에 대한 대응 정보에는 예측 대상 아이템 재생률 개선 요청, 호환 아이템 자재 리스트 전달 및 검토 요청, 부품 생산 업체와 재생산 단가 협의 요청 등을 포함할 수 있다.
즉, 프로세서(130)는 제1 시점에서 이상 상황이 발생된 것으로 식별되면 이상 상황에 대한 복수의 대응 정보 중 해당 상황에 적절한 대응 정보를 식별하고, 식별된 대응 정보를 제조사 서버로 전송하도록 통신 인터페이스(120)를 제어할 수 있다.
그리고, 제1 시점에서 이상 상황이 발생되지 않은 것으로 식별되면, 프로세서(130)는 제1 시점 이후 예측 대상 아이템에 대한 이상 상황 발생 여부를 실시간으로 식별할 수 있다.
구체적으로, 제1 시점에서 이상 상황이 발생되지 않은 것으로 식별되면, 프로세서(130)는 제1 시점 이후의 제2 시점에서 예측 대상 아이템의 서비스 수요와 관련성이 높은 제3 수요 정보 및 예측 대상 아이템의 재고 정보를 획득하고, 제3 수요 정보 및 예측 대상 아이템에 대한 유사 아이템 정보를 이용하여, 예측 대상 아이템에 대한 제2 시점 이후의 수요 예측 정보를 획득할 수 있다. 그리고, 프로세서(130)는 제2 시점 이후의 수요 예측 정보와 제2 시점에서의 상기 예측 대상 아이템에 대한 재고 정보를 비교하여, 이상 상황 발생 여부를 식별할 수 있다.
도 5는 본 개시의 일 실시 예에 따른, 수요 예측부(50)와 이상 감지부(60)를 통해 예측 대상 아이템의 실시간 수요를 예측하는 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 전자 장치(100)는 제조사 서버(200)로부터 예측 대상 아이템에 대한 식별 정보를 수신할 수 있다. 일 실시 예로, 제조사 서버(200)는 완제품 제조 업체의 서버일 수 있다. 예측 대상 아이템에 대한 식별 정보는 예측 대상 아이템을 식별하기 위한 정보로 일 실시 예로, 예측 대상 아이템에 대한 자재 코드를 포함할 수 있다.
그리고, 전자 장치(100)는 DB 서버(300)로부터 복수의 아이템들의 수요 예측에 필요한 정보를 수신할 수 있다. 일 실시 예로, DB 서버(300)는 완제품 제조 업체, 부품 생산 업체로부터 예측 대상 아이템을 포함하는 복수의 아이템들의 서비스 수요 예측에 필요한 정보를 수신하여 저장 및 관리하는 서버일 수 있다. 아이템의 수요 예측에 필요한 정보는 아이템에 대한 마스터 정보, 재고 정보, 생산 실적 정보, 서비스 실적 정보 등을 포함할 수 있으며, 기타 아이템의 수요 예측에 필요한 다양한 정보를 포함할 수 있다.
한편, 전자 장치(100)는 제조사 서버(200)로부터 예측 대상 아이템에 대한 식별 정보를 수신하고, DB 서버(300)로부터 복수의 대상 아이템들의 서비스 수요 예측에 필요한 정보를 수신하는 것으로 설명하였지만, 이에 한정되지 않는다. 즉, 전자 장치(100)는 제조사 서버(200)로부터 예측 대상 아이템의 수요 예측에 필요한 정보(예측 대상 아이템의 마스터 정보, 재고 정보, 생산 실적 정보, 서비스 실적 정보 등)을 수신하고, DB 서버(300)로부터 예측 대상 아이템과 상이한 복수의 아이템의 수요 예측에 필요한 정보(예측 대상 아이템과 상이한 복수의 아이템들에 대한 마스터 정보, 재고 정보, 생산 실적 정보, 서비스 실적 정보 등)를 수신할 수 있다.
예측 대상 아이템에 대한 식별 정보 및 수요 예측에 필요한 정보가 수신되면, 전자 장치(100)는 수요 예측부(50)를 통해 LBT 시점 이후의 예측 대상 아이템에 대한 수요 예측 정보 및 LBT 시점 이후의 실시간 수요 예측 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 LBT 이후의 예측 대상 아이템에 대한 수요 예측 정보를 제조사 서버(200)로 전송할 수 있다. 본 개시에 따른 수요 예측부(50)에 대해서는 도 6을 통해 후술하도록 한다.
또한, 전자 장치(100)는 이상 감지부(60)를 통해 예측 대상 아이템을 포함하는 제조사 서버가 필요로 하는 대상 아이템 전부에 대한 이상 상황 발생 여부를 식별할 수 있다. 그리고, 이상 상황이 발생된 경우, 전자 장치(100)는 이상 상황에 대응되는 대응 정보를 제조사 서버(200)로 전송할 수 있다. 본 개시에 따른 이상 감지부(60)에 대해서는 도 7을 통해 후술하도록 한다.
도 6는 본 개시의 일 실시 예에 따른, 수요 예측부를 통해 예측 대상 아이템의 LTB 시점 이후의 예측 수요 정보를 획득하는 방법을 설명하기 위한 도면이다.
본 개시에 따른, 수요 예측부(50)는 예측 대상 아이템의 LBT 시점에서 LTB 시점 이후의 예측 대상 아이템에 대한 서비스 수요를 예측하기 위한 구성이다. 도 6을 참조하면, 수요 예측부(50)는 예측 대상 아이템 수요 정보 획득부(50-1), 유사 아이템 정보 획득부(50-2) 및 서비스 수요 예측부(50-3)를 포함할 수 있다.
예측 대상 아이템 수요 정보 획득부(50-1)는 예측 대상 아이템의 서비스 수요와 관련성이 높은 수요 정보를 획득하기 위한 구성이다. 수요 정보는 예측 대상 아이템의 서비스 수요와 관련성이 높은 정보들로, LTB 시점 이전까지의 예측 대상 아이템에 생산 기간, 예측 대상 아이템에 대한 생산 총량, 서비스 기간, 서비스 총량, 월별 생산 실적, 서비스 실적 권역 및 불량 발생률 등을 포함할 수 있으며, 기타, 예측 대상 아이템의 수요 정보와 관련성이 높은 정보들을 더 포함할 수 있다.
구체적으로, 예측 대상 아이템 수요 정보 획득부(50-1)는 예측 대상 아이템에 대한 식별 정보를 이용하여, DB 서버로부터 수신한 복수의 아이템들의 수요 예측에 필요한 정보 중 예측 대상 아이템의 수요 예측에 필요한 정보를 식별할 수 있다. 그리고, 예측 대상 아이템 수요 정보 획득부(50-1)는 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여, 예측 대상 아이템의 서비스 수요와 관련성이 높은 수요 정보를 획득할 수 있다.
유사 아이템 정보 획득부(50-2)는 예측 대상 아이템과 서비스 수요 특성이 유사한 아이템을 식별하고, 유사 아이템에 대한 유사 아이템 정보를 획득하기 위한 구성이다.
구체적으로, 유사 아이템 정보 획득부(50-2)는 DB 서버로부터 수신한 복수의 아이템들의 수요 예측에 필요한 정보 및 예측 대상 아이템에 대한 식별 정보를 이용하여, 예측 대상 아이템과 서비스 수요 특성이 유사할 것으로 추정되는 적어도 하나의 유사 아이템을 식별할 수 있다. 일 실시 예로, 유사 아이템 정보 획득부(50-2)는 기계 학습 또는 딥러닝 기반의 다양한 군집화 기술 및 유사도 측정 모델을 통해 예측 대상 아이템에 대한 유사 아이템을 식별할 수 있으며, 예로, K-means 클러스터링 모델을 통해 유사 아이템이 식별될 수 있다.
적어도 하나의 유사 아이템이 식별되면, 유사 아이템 정보 획득부(50-2)는 DB 서버로부터 수신한 복수의 아이템들의 수요 예측에 필요한 정보를 이용하여 식별된 적어도 하나의 유사 아이템에 대한 유사 아이템 정보를 획득할 수 있다. 유사 아이템 정보란, 유사 아이템의 서비스 수요와 관련된 정보로, 유사 아이템의 서비스 수요와 관련성이 높은 수요 정보 및 유사 아이템에 대한 실제 수요 정보를 포함할 수 있다.
유사 아이템의 서비스 수요와 관련성이 높은 수요 정보는 LTB 시점 이전까지의 유사 아이템에 생산 기간, 유사 아이템에 대한 생산 총량, 서비스 기간, 서비스 총량, 월별 생산 실적, 서비스 실적 권역 및 불량 발생률 등을 포함할 수 있으며, 기타, 유사 아이템의 수요 정보와 관련성이 높은 정보들을 더 포함할 수 있다. 그리고, 유사 아이템에 대한 실제 수요 정보는 유사 아이템의 LTB 시점 이후의 실제 서비스 수요 총량에 대한 정보이다.
서비스 수요 예측부(50-3)는 예측 대상 아이템에 대한 LTB 시점 이후의 예측 대상 아이템의 수요 예측 정보를 획득하기 위한 구성이다. LTB 시점 이후의 수요 예측 정보란, LTB 시점 이후에 요구되는 해당 예측 대상 아이템에 대한 서비스 수요 총량에 대한 정보이다.
구체적으로, 서비스 수요 예측부(50-3)는 예측 대상 아이템에 대한 수요 정보 및 적어도 하나의 유사 아이템에 대한 유사 아이템 정보를 이용하여, 예측 대상 아이템에 대한 수요 예측 정보를 획득할 수 있다.
예로, 서비스 수요 예측부(50-3)는 수요 예측 모델을 통해 수요 예측 정보를 획득할 수 있다. 수요 예측 모델은 결정 트리 모델로 구현될 수 있으나, 이에 한정되지 않고, 수요 예측 모델은 인공 신경망 모델, 로지스틱 회귀분석(logistic regression) 모델, 서포트 벡터 머신(support vector machine) 모델, 랜덤 포레스트(random forest) 및 그래디언트 부스팅(gradient boosting) 모델 등으로 구현될 수 있다.
수요 예측 모델이 결정 트리 모델로 구현되는 경우, 해당 수요 예측 모델은 유사 아이템의 서비스 수요와 관련성이 높은 수요 정보를 입력 변수로, 유사 아이템 실제 서비스 수요 정보를 종속 변수로 설정되어 생성될 수 있다.
그리고, 서비스 수요 예측부(50-3)를 통해, 예측 대상 아이템에 대한 LTB 시점 이후의 예측 대상 아이템의 수요 예측 정보가 획득되면, 전자 장치(100)는 수요 예측 정보를 제조사 서버(200)로 전송할 수 있다. 그리고, 제조사 서버(200)는 전자 장치(100)로부터 수신한 수요 예측 정보를 바탕으로, 예측된 예측 대상 아이템의 서비스 수요 총량만큼의 추가 생산을 부품 생산 업체에 요청할 수 있다.
도 7은 본 개시의 일 실시 에에 따른, 이상 감지부를 통해 예측 대상 아이템에 대한 재고 이상 상황을 실시간으로 감지하는 방법을 설명하기 위한 도면이다.
전자 장치(100)는 도 7의 이상 감지부(60)를 통해 예측 대상 아이템에 대한 재고 이상 상황을 실시간으로 감지하고, 이상 상황이 발생된 경우, 이상 상황에 대응되는 대응 정보를 제조사 서버(200)로 전송할 수 있다.
구체적으로, 이상 감지부(60)는 수요 예측부(60-1) 및 실시간 분석부(60-2)를 포함할 할 수 있다.
수요 예측부(60-1)는 예측 대상 아이템에 대한 향후 서비스 수요를 예측하기 위한 구성으로, 도 6의 수요 예측부(50)와 동일한 구성이다. 다만, 도 6의 수요 예측부(50)는 예측 대상 아이템의 LTB 시점에서의 향후 예측 대상 아이템에 대한 서비스 수요를 예측하기 위한 구성이나, 도 7의 수요 예측부(60-1)는 LTB 시점 이후의 예측 대상 아이템에 대한 실시간 서비스 수요를 예측하기 위한 구성이다.
또한, 도 7의 수요 예측부(60-1)는 도 6의 수요 예측부(50)에서 수요 예측 정보를 획득한 예측 대상 아이템뿐만 아니라, 예측 대상 아이템의 완제품에 필요한 아이템 모두에 대한 향수 서비스 수요를 예측할 수 있다.
일 실시 예로, 수요 예측부(60-1)는 예측 대상 아이템의 LTB 시점 이후의 제1 시점에서 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보를 획득할 수 있다. 일 실시 예로, 수요 예측부(60-1)는 제조사 서버(200)로부터 예측 대상 아이템에 대한 식별 정보를 수신하고, DB 서버(300)로부터 복수의 아이템들의 수요 예측에 필요한 정보를 수신할 수 있다.
그리고, 수요 예측부(60-1)는 복수의 아이템들의 서비스 수요 예측에 필요한 정보 중 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여, 예측 대상 아이템의 LTB 시점 이후의 제1 시점에서의 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보를 획득할 수 있다.
그리고, 수요 예측부(60-1)는 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별할 수 있다. 구체적으로, 수요 예측부(60-1)는 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여, 복수의 아이템 중 예측 대상 아이템과 서비스 수요 특성이 유사할 것으로 추정되는 적어도 하나의 유사 아이템을 식별할 수 있다.
적어도 하나의 유사 아이템이 식별되면, 수요 예측부(60-1)는 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득할 수 있다. 구체적으로 유사 아이템 정보에는 유사 아이템의 서비스 수요와 관련성이 높은 제2 수요 정보 및 유사 아이템에 대한 실제 수요 정보를 포함할 수 있다.
유사 아이템 정보가 획득되면, 수요 예측부(60-1)는 제1 수요 정보 및 유사 아이템 정보를 이용하여, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보를 획득할 수 있다.
수요 예측부(60-1)를 통해 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 획득되면, 실시간 분석부(60-2)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보 및 예측 대상 아이템에 대한 재고 정보를 비교하여, 이상 상황 발생 여부를 식별할 수 있다. 구체적으로, 실시간 분석부(60-2)는 DB 서버(300)로부터 예측 대상 아이템에 대한 재고 정보를 수신할 수 있다. 예측 대상 아이템에 대한 재고 정보는 현 시점에서 사용 할 수 있는 예측 대상 아이템에 대한 재고 정보일 수 있다.
그리고, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보 및 예측 대상 아이템에 대한 재고 정보가 기 설정 값(예로, 30%) 이상 상이한 경우, 실시간 분석부(60-2)는 제1 시점에서 이상 상황이 발생한 것으로 식별할 수 있다. 이상 상황은 과다 예측 상황 및 과소 예측 상황으로 구분될 수 있다. 구체적으로, 실시간 분석부(60-2)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 예측 대상 아이템에 대한 재고 정보 보다 기 설정 값 이상 큰 경우 과다 예측 상황으로 식별할 수 있다. 또한, 실시간 분석부(60-2)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 예측 대상 아이템에 대한 재고 정보 보다 기 설정 값 이상 작은 경우 과소 예측 상황으로 식별할 수 있다.
그리고, 제1 시점에서 이상 상황이 발생된 것으로 식별되면, 실시간 분석부(60-2)는 이상 상황에 대한 대응 정보를 식별할 수 있다. 과다 예측 상황에 대한 대응 정보에는 저 비용으로 예측 대상 아이템을 소진할 수 있는 대응 정보를 포함할 수 있다. 예로, 과다 예측 상황에 대한 대응 정보에는 예측 대상 아이템 재생 중지 요청, 호환 아이템 리스트 전달 및 검토 요청, 예측 대상 아이템 매각 가능 업체 리스트 전달 및 검토 요청 등을 포함할 수 있다.
과소 예측 상황에 대한 대응 정보에는 저 비용으로 예측 대상 아이템을 확보할 수 있는 대응 정보를 포함할 수 있다. 예로, 과소 예측 상황에 대한 대응 정보에는 예측 대상 아이템 재생률 개선 요청, 호환 아이템 자재 리스트 전달 및 검토 요청, 부품 생산 업체와 재생산 단가 협의 요청 등을 포함할 수 있다.
즉, 실시간 분석부(60-2)는 제1 시점에서 이상 상황이 발생된 것으로 식별되면 이상 상황에 대한 복수의 대응 정보 중 해당 상황에 적절한 대응 정보를 식별하고, 식별된 대응 정보를 제조사 서버(200)로 전송할 수 있다.
도 8은 본 개시의 일 실시 예에 따른, 서버의 제어 방법을 설명하기 위한 흐름도이다.
도 8을 참조하면, 전자 장치(100)는 예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 제1 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보를 획득할 수 있다(S810). 제1 수요 정보는 예측 대상 아이템의 서비스 수요와 관련성이 높은 정보들로, LTB 시점 이전까지의 예측 대상 아이템에 생산 기간, 예측 대상 아이템에 대한 생산 총량, 서비스 기간, 서비스 총량, 월별 생산 실적, 서비스 실적 권역 및 불량 발생률 등을 포함할 수 있으며, 기타, 예측 대상 아이템의 수요 정보와 관련성이 높은 정보들을 더 포함할 수 있다.
일 실시 예로, 일 실시 예로, 전자 장치(100)는 제2 서버로부터 예측 대상 아이템에 대한 식별 정보를 수신하고, DB 서버로부터 예측 대상 아이템의 수요 예측에 필요한 정보를 수신하고, 예측 대상 아이템의 수요 예측에 필요한 정보 및 예측 대상 아이템에 대한 식별 정보를 이용하여, 제1 수요 정보를 획득할 수 있다.
그리고, 전자 장치(100)는 제1 시점에서 예측 대상 아이템에 대한 재고 정보를 획득할 수 있다(S820). 예로, 전자 장치(100)는 제1 시점에서 현재 남아 있는 예측 대상 아이템의 재고 총량에 대한 정보를 제조사 서버(200) 또는 DB 서버(300)로부터 수신할 수 있다.
그리고, 전자 장치(100)는 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별할 수 있다(S830). 구체적으로, 전자 장치(100)는 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여, 복수의 아이템 중 예측 대상 아이템과 서비스 수요 특성이 유사할 것으로 추정되는 적어도 하나의 유사 아이템을 식별할 수 있다. 일 실시 예로, 프로세서(130)는 K-means 클러스터링 모델을 통해 적어도 하나의 유사 아이템을 식별할 수 있다.
유사 아이템이 식별되면, 전자 장치(100)는 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득할 수 있다(S840). 유사 아이템 정보에는 유사 아이템의 서비스 수요와 관련성이 높은 제2 수요 정보 및 유사 아이템에 대한 실제 수요 정보를 포함할 수 있다.
유사 정보가 획득되면, 전자 장치(100)는 제1 수요 정보 및 유사 아이템 정보를 이용하여, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보를 획득할 수 있다(S850). 제1 시점 이후의 수요 예측 정보란 제1 시점 이후에 요구되는 해당 예측 대상 아이템에 대한 서비스 수요 총량에 대한 정보이다. 구체적으로, 전자 장치(100)는 유사 아이템 정보를 이용하여 수요 예측 모델을 생성하고, 생성된 수요 예측 모델에 제1 수요 정보를 입력하여, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보를 획득할 수 있다.
제1 시점 이후의 수요 예측 정보가 획득되면, 전자 장치(100)는 제1 시점 이후의 수요 예측 정보와 제1 시점에서 예측 대상 아이템의 재고 정보를 비교하여, 이상 상황 발생 여부를 식별할 수 있다(S860). 일 실시 예로, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보 및 예측 대상 아이템에 대한 재고 정보가 기 설정 값 이상 상이한 경우, 전자 장치(100)는 제1 시점에서 이상 상황이 발생한 것으로 식별할 수 있다. 이상 상황은 과다 예측 상황 및 과소 예측 상황으로 구분될 수 있다. 구체적으로, 전자 장치(100)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 예측 대상 아이템에 대한 재고 정보 보다 기 설정 값 이상 큰 경우 과다 예측 상황으로 식별할 수 있다. 또한, 전자 장치(100)는 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보가 예측 대상 아이템에 대한 재고 정보 보다 기 설정 값 이상 작은 경우 과소 예측 상황으로 식별할 수 있다.
도 9는 본 개시의 일 실시 예에 따른, 전자 장치(100), 제조사 서버(200) 및 DB 서버(300) 간의 상호 동작을 설명하기 위한 시퀀스도 이다.
본 개시에 따른 일 실시 예로, 전자 장치(100)는 예측 대상 아이템의 LTB 시점 이후의 수요 예측 정보를 획득하기 위해, 제조사 서버(200)는 예측 대상 아이템에 대한 식별 정보를 전자 장치(100)로 전송하고(S905), DB 서버(300)는 예측 대상 아이템의 수요 예측에 필요한 정보를 전자 장치(100)로 전송할 수 있다(S910).
전자 장치(100)가 예측 대상 아이템에 대한 식별 정보 및 예측 대상 아이템의 수요 예측에 필요한 정보를 수신하면, 전자 장치(100)는 예측 대상 아이템에 대한 식별 정보 및 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여 LTB 시점에서의 예측 대상 아이템에 대한 수요 정보를 식별할 수 있다(S915). LTB 시점에서의 예측 대상 아이템의 수요 정보는 LTB 시점 이전까지의 예측 대상 아이템에 생산 기간, 예측 대상 아이템에 대한 생산 총량, 서비스 기간, 서비스 총량, 월별 생산 실적, 서비스 실적 권역 및 불량 발생률 등을 포함할 수 있으며, 기타, 예측 대상 아이템의 수요 정보와 관련성이 높은 정보들을 더 포함할 수 있다.
그리고, 전자 장치(100)는 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별할 수 있다(S920). 구체적으로, 전자 장치(100)는 예측 대상 아이템의 수요 예측에 필요한 정보를 이용하여, 복수의 아이템 중 예측 대상 아이템과 서비스 수요 특성이 유사할 것으로 추정되는 적어도 하나의 유사 아이템을 식별할 수 있다. 일 실시 예로, 전자 장치(100)는 K-means 클러스터링 모델을 통해 적어도 하나의 유사 아이템을 식별할 수 있다.
적어도 하나의 유사 아이템이 식별되면, 전자 장치(100)는 유사 아이템에 대한 유사 아이템 정보를 획득할 수 있다(S925). 유사 아이템 정보에는 유사 아이템의 서비스 수요와 관련성이 높은 수요 정보 및 유사 아이템에 대한 실제 수요 정보를 포함할 수 있다.
그리고, 전자 장치(100)는 예측 대상 아이템에 대한 수요 정보 및 유사 아이템 정보를 이용하여 LTB 시점 이후의 수요 예측 정보를 획득할 수 있다(S930). LTB 시점 이후의 수요 예측 정보란, LTB 시점 이후에 요구되는 해당 예측 대상 아이템에 대한 서비스 수요 총량에 대한 정보이다. 구체적으로, 전자 장치(100)는 유사 아이템 정보를 이용하여 수요 예측 모델을 생성하고, 생성된 수요 예측 모델에 제1 수요 정보를 입력하여, 예측 대상 아이템에 대한 LTB 시점 이후의 수요 예측 정보를 획득할 수 있다. 수요 예측 모델은 일 실시 예로, 유사 아이템의 서비스 수요와 관련성이 높은 수요 정보를 입력 변수로 하고, 유사 아이템에 대한 실제 수요 정보를 종속 변수로 설정하여 생성된 모델일 수 있다.
예측 대상 아이템에 대한 LTB 시점 이후의 수요 예측 정보가 획득되면, 는 제조사 서버(200)로 수요 예측 정보를 전송할 수 있다(S935). 그리고, 제조사 서버(200)는 전자 장치(100)로부터 수신한 수요 예측 정보를 바탕으로, 예측된 예측 대상 아이템의 서비스 수요 총량만큼의 추가 생산을 부품 생산 업체에 요청할 수 있다.
그리고, 전자 장치(100)는 LTB 시점 이후 실시간으로, 예측 대상 아이템의 재고 상황을 파악하여 예측 대상 아이템에 대한 재고 이상 상황을 식별할 수 있다.
구체적으로, DB 서버(300)는 예측 대상 아이템에 대한 재고 정보를 전자 장치(100)로 전송할 수 있다(S940). 일 실시 예로, DB 서버(300)는 기 설정된 시간 간격(예로, 1주일)으로, 예측 대상 아이템에 대한 현재의 재고 정보를 전자 장치(100)로 전송할 수 있다.
전자 장치(100)는 예측 대상 아이템에 대한 재고 정보가 수신되면, 제1 시점에서의 예측 대상 아이템에 대한 수요 정보를 식별할 수 있다(S945). 제1 시점에서의 예측 대상 아이템의 수요 정보는 LTB 시점 이전까지의 예측 대상 아이템에 생산 기간, 제1 시점 이전까지의 예측 대상 아이템에 대한 생산 총량, 서비스 기간, 서비스 총량, 월별 생산 실적, 서비스 실적 권역 및 불량 발생률 등을 포함할 수 있으며, 기타, 제1 시점에서 예측 대상 아이템의 수요 정보와 관련성이 높은 정보들을 더 포함할 수 있다.
그리고, 전자 장치(100)는 제1 시점에서의 예측 대상 아이템에 대한 수요 정보 및 유사 아이템 정보를 이용하여 제1 시점 이후의 수요 예측 정보를 획득할 수 있다(S950). 여기서 유사 아이템 정보는 S925 단계에서 획득한 정보일 수 있으나, 이에 한정되지 않고, 제1 시점에서 새롭게 생성된 유사 아이템에 대한 유사 아이템 정보일 수 있다.
그리고, 전자 장치(100)는 제1 시점 이후의 수요 예측 정보와 재고 정보를 비교하여 이상 상황 발생 여부를 식별할 수 있다(S955). 일 실시 예로, 예측 대상 아이템에 대한 제1 시점 이후의 수요 예측 정보 및 예측 대상 아이템에 대한 재고 정보가 기 설정 값 이상 상이한 경우, 전자 장치(100)는 제1 시점에서 이상 상황이 발생한 것으로 식별할 수 있다.
이상 상황이 발생된 것으로 식별되면, 전자 장치(100)는 이상 상황에 대한 복수의 대응 정보 중 해당 상황에 적절한 대응 정보를 식별할 수 있다. 과다 예측 상황에 대한 대응 정보에는 저 비용으로 예측 대상 아이템을 소진할 수 있는 대응 정보를 포함할 수 있다. 예로, 과다 예측 상황에 대한 대응 정보에는 예측 대상 아이템 재생 중지 요청, 호환 아이템 리스트 전달 및 검토 요청, 예측 대상 아이템 매각 가능 업체 리스트 전달 및 검토 요청 등을 포함할 수 있다.
과소 예측 상황에 대한 대응 정보에는 저 비용으로 예측 대상 아이템을 확보할 수 있는 대응 정보를 포함할 수 있다. 예로, 과소 예측 상황에 대한 대응 정보에는 예측 대상 아이템 재생률 개선 요청, 호환 아이템 자재 리스트 전달 및 검토 요청, 부품 생산 업체와 재생산 단가 협의 요청 등을 포함할 수 있다.
그리고, 전자 장치(100)는 이상 상황에 대응되는 대응 정보를 제조사 서버(200)로 전송할 수 있다(S960).
본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하였다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.
덧붙여, 상술한 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.
대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법은 비일시적 판독 가능 매체(non-transitory readable medium) 에 저장될 수 있다. 이러한 비일시적 판독 가능 매체는 다양한 장치에 탑재되어 사용될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 전자장치(서버) 110: 메모리
120: 통신 인터페이스 130: 프로세서

Claims (20)

  1. 전자장치의 제어 방법에 있어서,
    예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 제1 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 획득하는 단계;
    상기 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별하고, 상기 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득하는 단계;
    상기 제1 수요 정보 및 상기 유사 아이템 정보를 이용하여, 상기 예측 대상 아이템에 대한 상기 제1 시점 이후의 수요 예측 정보를 획득하는 단계; 및
    상기 제1 시점 이후의 수요 예측 정보와 상기 재고 정보를 비교하여, 이상 상황 발생 여부를 식별하는 단계;를 포함하는 제어 방법.
  2. 제1항에 있어서,
    상기 수요 예측 정보를 획득하는 단계는,
    상기 유사 아이템 정보를 이용하여, 수요 예측 모델을 생성하는 단계; 및
    상기 생성된 수요 예측 모델에 상기 제1 수요 정보를 입력하여, 상기 수요 예측 정보를 획득하는 단계;를 포함하는 것을 특징으로 하는 제어 방법.
  3. 제2항에 있어서,
    상기 유사 아이템 정보는,
    상기 적어도 하나의 유사 아이템의 제1 시점에서의 상기 적어도 하나의 유사 아이템의 서비스 수요와 관련성이 높은 제2 수요 정보 및 상기 적어도 하나의 유사 아이템에 대한 제1 시점 이후의 수요 정보를 포함하는 제어 방법.
  4. 제3항에 있어서,
    상기 수요 예측 모델은 결정 트리 모델로 구현되며,
    상기 제2 수요 정보를 입력 변수로 하며, 상기 예측 대상 아이템에 대한 수요 예측 정보를 종속 변수로 출력되도록 상기 결정 트리 모델이 학습되는 것을 특징으로 하는 제어 방법.
  5. 제1항에 있어서,
    상기 적어도 하나의 유사 아이템은 K-means 클러스터링 모델을 통해 식별되며,
    상기 적어도 하나의 유사 아이템은 상기 K-means 클러스터링 모델에서 상기 예측 대상 아이템과 같은 군집에 속하는 것을 특징으로 하는 제어 방법.
  6. 제6항에 있어서,
    상기 이상 상황 발생 여부를 식별하는 단계는,
    상기 제1 시점 이후의 수요 예측 정보 및 상기 재고 정보가 기 설정 값 이상 상이한 경우, 이상 상황이 발생한 것으로 식별하는 단계;를 더 포함하는 것을 특징으로 하는 제어 방법.
  7. 제1항에 있어서,
    상기 제1 시점에서 이상 상황이 발생된 것으로 식별되면,
    상기 이상 상황에 대한 대응 정보를 식별하는 단계; 및
    상기 식별된 대응 정보를 외부 전자 장치로 전송하는 단계;를 더 포함하는 것을 특징으로 하는 제어 방법.
  8. 제1항에 있어서,
    상기 제1 시점에서 이상 상황이 발생되지 않은 것으로 식별되면,
    상기 제1 시점 이후의 제2 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제3 수요 정보 및 상기 예측 대상 아이템의 재고 정보를 획득하는 단계;
    상기 제3 수요 정보 및 상기 유사 아이템 정보를 이용하여, 상기 예측 대상 아이템에 대한 상기 제2 시점 이후의 수요 예측 정보를 획득하는 단계; 및
    상기 제2 시점 이후의 수요 예측 정보와 상기 제2 시점에서의 상기 예측 대상 아이템에 대한 재고 정보를 비교하여, 이상 상황 발생 여부를 식별하는 단계;를 더 포함하는 제어 방법.
  9. 제2항에 있어서,
    상기 수요 예측 모델은, 인공 신경망 모델, 로지스틱 회귀분석(logistic regression) 모델, 서포트 벡터 머신(support vector machine) 모델, 랜덤 포레스트(random forest) 및 그래디언트 부스팅(gradient boosting) 모델 중 하나로 구현되는 것을 특징으로 하는 제어 방법.
  10. 제1 항에 있어서,
    상기 재고 정보를 획득하는 단계는,
    외부 전자 장치로부터 예측 대상 아이템에 대한 식별 정보 및 예측 대상 아이템의 수요 예측에 필요한 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 수신하는 단계; 및
    상기 예측 대상 아이템에 대한 식별 정보 및 예측 대상 아이템의 수요 예측에 필요한 정보를 바탕으로, 상기 제1 수요 정보를 식별하는 단계;를 포함하는 것을 특징으로 하는 제어 방법.
  11. 전자 장치에 있어서,
    적어도 하나의 인스트럭션을 포함하는 메모리 및
    상기 메모리와 연결되며 상기 전자 장치를 제어하는 프로세서를 포함하고,
    상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    예측 대상 아이템의 LTB(Last-time Buy) 시점 이후의 제1 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제1 수요 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 획득하고,
    상기 예측 대상 아이템과 서비스 수요 특성이 유사한 적어도 하나의 유사 아이템을 식별하고, 상기 식별된 적어도 하나의 유사 아이템의 서비스 수요와 관련된 유사 아이템 정보를 획득하고,
    상기 제1 수요 정보 및 상기 유사 아이템 정보를 이용하여, 상기 예측 대상 아이템에 대한 상기 제1 시점 이후의 수요 예측 정보를 획득하고,
    상기 제1 시점 이후의 수요 예측 정보와 상기 재고 정보를 비교하여, 이상 상황 발생 여부를 식별하는 전자 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 유사 아이템 정보를 이용하여, 수요 예측 모델을 생성하고,
    상기 생성된 수요 예측 모델에 상기 제1 수요 정보를 입력하여, 상기 수요 예측 정보를 획득하는 것을 특징으로 하는 전자 장치.
  13. 제12항에 있어서,
    상기 유사 아이템 정보는,
    상기 적어도 하나의 유사 아이템의 제1 시점에서의 상기 적어도 하나의 유사 아이템의 서비스 수요와 관련성이 높은 제2 수요 정보 및 상기 적어도 하나의 유사 아이템에 대한 제1 시점 이후의 수요 정보를 포함하는 전자 장치.
  14. 제13항에 있어서,
    상기 수요 예측 모델은 결정 트리 모델로 구현되며,
    상기 제2 수요 정보를 입력 변수로 하며, 상기 예측 대상 아이템에 대한 수요 예측 정보를 종속 변수로 출력되도록 상기 결정 트리 모델이 학습되는 것을 특징으로 하는 전자 장치.
  15. 제11항에 있어서,
    상기 적어도 하나의 유사 아이템은 K-means 클러스터링 모델을 통해 식별되며,
    상기 적어도 하나의 유사 아이템은 상기 K-means 클러스터링 모델에서 상기 예측 대상 아이템과 같은 군집에 속하는 것을 특징으로 하는 전자 장치.
  16. 제16항에 있어서,
    상기 프로세서는,
    상기 제1 시점 이후의 수요 예측 정보 및 상기 재고 정보가 기 설정 값 이상 상이한 경우, 이상 상황이 발생한 것으로 식별하는 전자 장치.
  17. 제11항에 있어서,
    상기 프로세서는,
    상기 제1 시점에서 이상 상황이 발생된 것으로 식별되면,
    상기 이상 상황에 대한 대응 정보를 식별하고,
    상기 식별된 대응 정보를 외부 전자 장치로 전송하는 전자 장치.
  18. 제11항에 있어서,
    상기 프로세서는,
    상기 제1 시점에서 이상 상황이 발생되지 않은 것으로 식별되면,
    상기 제1 시점 이후의 제2 시점에서 상기 예측 대상 아이템의 서비스 수요와 관련성이 높은 제3 수요 정보 및 상기 예측 대상 아이템의 재고 정보를 획득하고,
    상기 제3 수요 정보 및 상기 유사 아이템 정보를 이용하여, 상기 예측 대상 아이템에 대한 상기 제2 시점 이후의 수요 예측 정보를 획득하고,
    상기 제2 시점 이후의 수요 예측 정보와 상기 제2 시점에서의 상기 예측 대상 아이템에 대한 재고 정보를 비교하여, 이상 상황 발생 여부를 식별하는 전자 장치.
  19. 제12항에 있어서,
    상기 수요 예측 모델은, 인공 신경망 모델, 로지스틱 회귀분석(logistic regression) 모델, 서포트 벡터 머신(support vector machine) 모델, 랜덤 포레스트(random forest) 및 그래디언트 부스팅(gradient boosting) 모델 중 하나로 구현되는 것을 특징으로 하는 전자 장치.
  20. 제11 항에 있어서,
    회로를 포함하는 통신 인터페이스를 더 포함하고,
    상기 프로세서는,
    외부 전자 장치로부터 예측 대상 아이템에 대한 식별 정보 및 예측 대상 아이템의 수요 예측에 필요한 정보 및 상기 예측 대상 아이템에 대한 재고 정보를 수신하도록 상기 통신 인터페이스를 제어하고,
    상기 예측 대상 아이템에 대한 식별 정보 및 예측 대상 아이템의 수요 예측에 필요한 정보를 바탕으로, 상기 제1 수요 정보를 식별하는 전자 장치.
KR1020200070999A 2020-06-11 2020-06-11 전자 장치 및 이의 제어 방법 KR20210153973A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200070999A KR20210153973A (ko) 2020-06-11 2020-06-11 전자 장치 및 이의 제어 방법
US17/332,447 US20210390566A1 (en) 2020-06-11 2021-05-27 Electronic device and control method thereof
PCT/KR2021/006638 WO2021251662A1 (en) 2020-06-11 2021-05-28 Electronic device and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200070999A KR20210153973A (ko) 2020-06-11 2020-06-11 전자 장치 및 이의 제어 방법

Publications (1)

Publication Number Publication Date
KR20210153973A true KR20210153973A (ko) 2021-12-20

Family

ID=78825684

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200070999A KR20210153973A (ko) 2020-06-11 2020-06-11 전자 장치 및 이의 제어 방법

Country Status (3)

Country Link
US (1) US20210390566A1 (ko)
KR (1) KR20210153973A (ko)
WO (1) WO2021251662A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220270152A1 (en) * 2021-02-19 2022-08-25 Adobe Inc. Item contrasting system for making enhanced comparisons

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7251614B1 (en) * 2002-05-02 2007-07-31 I2 Technologies Us, Inc. Forecasting a last time buy quantity for a service part using a low-pass filter approach
US20060200376A1 (en) * 2005-03-07 2006-09-07 United Technologies Corporation Method of and apparatus for generating a demand forecast
US9747560B2 (en) * 2005-07-13 2017-08-29 Sap Se Method and system for combination of independent demand data streams
US8229791B2 (en) * 2005-11-29 2012-07-24 The Boeing Company Methods, systems, and computer integrated program products for supply chain management
WO2014075108A2 (en) * 2012-11-09 2014-05-15 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
US20160133066A1 (en) * 2014-11-09 2016-05-12 Scope Technologies Holdings Limited System and method for scheduling vehicle maintenance and service
US10936947B1 (en) * 2017-01-26 2021-03-02 Amazon Technologies, Inc. Recurrent neural network-based artificial intelligence system for time series predictions
US20180341898A1 (en) * 2017-05-24 2018-11-29 Sears Brands, L.L.C. Demand forecast
US11922440B2 (en) * 2017-10-31 2024-03-05 Oracle International Corporation Demand forecasting using weighted mixed machine learning models

Also Published As

Publication number Publication date
US20210390566A1 (en) 2021-12-16
WO2021251662A1 (en) 2021-12-16

Similar Documents

Publication Publication Date Title
CN111652380B (zh) 针对机器学习算法进行算法参数调优的方法及系统
KR102271740B1 (ko) 이상 탐지 방법 및 이를 위한 장치
CN104769600B (zh) 检测用户所发起的实况流中可能受版权保护的内容
US9378266B2 (en) System and method for supporting cluster analysis and apparatus supporting the same
US10410137B2 (en) Method and system for analyzing accesses to a data storage type and recommending a change of storage type
US11327869B2 (en) Distributed architecture for determining performance parameters
KR102237399B1 (ko) 인공지능 기반의 쇼핑몰 상품구매 예측 플랫폼 제공 장치 및 방법
CN104598981A (zh) 生成装置、生成方法和程序
US11809968B2 (en) Control of hyperparameter tuning based on machine learning
US20200151574A1 (en) Computer-readable recording medium having stored therein learning program, learning method, and learning apparatus
US20240129567A1 (en) Hub device, multi-device system including the hub device and plurality of devices, and operating method of the hub device and multi-device system
CN104156051A (zh) 基于数据管理功率的设备和方法
KR20210153973A (ko) 전자 장치 및 이의 제어 방법
JP7367196B2 (ja) レジーム・シフトの識別及び分析のための方法及びシステム
JP2023541264A (ja) 自動化された機械学習方法及びその装置
US20210182927A1 (en) Machine-learning for combinatorial decisioning
CN115470190A (zh) 一种多存储池数据分类存储方法、系统与电子设备
US20210168195A1 (en) Server and method for controlling server
CN116069340A (zh) 自动驾驶模型部署方法、装置、设备及存储介质
KR20230026137A (ko) 분산 학습용 서버 및 분산 학습 방법
KR102135719B1 (ko) 부품 관리 장치 및 이의 동작 방법
US20240086762A1 (en) Drift-tolerant machine learning models
KR20230116531A (ko) 전자 장치 및 그 제어 방법
US11288097B2 (en) Automated hardware resource optimization
US20240127110A1 (en) Self-supervised learning on information not provided