KR20220066652A - 딥러닝 기반의 동적 가격 산정 방법 및 동적 가격 산정 시스템 - Google Patents

Abstract

본 발명은 딥러닝 기반의 동적 가격 산정 방법 및 동적 가격 산정 시스템에 관한 것으로, 구체적으로는 임의 상품에 대한 가격정보, 그리고 임의 상품에 대한 비즈니스정보를 기반으로 학습된 인공지능 알고리즘을 활용하여 상기 임의 상품의 가격값 별 판매상황을 예측해 보고, 예측된 판매상황을 참고하여 사용자로 하여금 해당 상품에 대한 적정한 가격값을 선택할 수 있도록 한 방법 및 시스템에 관한 것이다.

Description

딥러닝 기반의 동적 가격 산정 방법 및 동적 가격 산정 시스템{DYNAMIC PRICE DECISION METHOD AND DYNAMIC PRICE DECISION SYSTEM BASED ON DEEP LEARNING}

본 발명은 딥러닝 기반의 동적 가격 산정 방법 및 동적 가격 산정 시스템에 관한 것으로, 구체적으로는 임의 상품에 대한 가격정보, 그리고 임의 상품에 대한 비즈니스정보를 기반으로 학습된 인공지능 알고리즘을 활용하여 상기 임의 상품의 가격값 별 판매상황을 예측해 보고, 예측된 판매상황을 참고하여 사용자로 하여금 해당 상품에 대한 적정한 가격값을 선택할 수 있도록 한 방법 및 시스템에 관한 것이다.

가격(價格)이란 어떤 상품 또는 서비스가 가지는 가치를 돈으로 환산한 것으로, 어떤 상품이나 서비스를 시장에 내놓기 전 적정한 가격을 결정하는 과정은 매우 다양한 환경을 고려하여야 하는 복잡한 과정이라 할 것이며, 동시에 이 과정은 향후 시장에서의 성패를 결정지을 수도 있는 것이어서 정확한 예측 수단이 요구되는 것이기도 하다.

어떤 상품이나 서비스의 가격을 결정할 때에는 특히 고려해야 할 요소들 중에는 해당 상품 또는 서비스를 취급하는 비즈니스 환경에 기반한 특성정보, 그리고 현재 시장에서 형성되었거나 형성되고 있는 가격정보가 포함될 수 있는데, 적어도 위의 비즈니스 특성정보 및 가격정보 만이라도 시장 환경에 따라 유연하게 가격 결정 과정에 반영할 수 있다면 해당 상품 또는 서비스의 매출 증가, 이익 증가가 가능하리라 할 정도로 위 요소들은 중요하다 할 것이다.

한편, 가격 결정 과정은 언급한 것처럼 방대한 양의 정보, 복잡한 과정을 필요로 하기 때문에 종래 방식을 따라서는 빠르게 변화하는 시장 상황에 대응할 수 없는 어려움이 있었으며, 이러한 어려움에 기인하여 많은 상품 또는 서비스들이 부족한 정보 및 분석에 기반한 가격 결정 과정을 거쳐 최종 가격이 결정되는 상황이 초래되고 있다. 또한, 잘못 결정된 가격은 해당 상품 또는 서비스의 시장 내에서의 외면으로 이어져 그 상품 또는 서비스가 사회경제적으로 유의한 가치를 가지고 있음에도 불구하고 그 가치를 충분히 인정 받지 못한 채 사라지는 등 사회 전반적으로도 자원을 소모하는 것에 지나지 않는 상황이 발생하고 있다.

본 발명은 이와 같은 문제점들에 착안하여 제안된 것으로, 어떤 상품이나 서비스의 가격을 산정할 때에 딥러닝 기반의 동적 연산이 가능한 알고리즘을 활용하게 함으로써 신속하고 객관적이며 사용자 편의를 크게 높인 가격 결정이 가능하게 한 것이다.

한국공개특허공보 10-2020-0080156 (2020.07.06.공개)

본 발명은 상품에 대한 가격 결정 과정을 간소화 할 수 있는 효과가 있으며, 또한 외부의 가격 변화나 비즈니스 특성의 변화에 대해서도 유연한 대응이 가능하게 하는 것을 목적으로 한다.

또한 본 발명은 임의 상품에 대한 가격을 결정하는 과정에 있어서 예측의 정확도를 높이는 것을 가능하게 하며, 이에 따라 가격 결정 시 불확실성을 줄일 수 있게 하는 것을 목적으로 한다.

또한 본 발명은 사용자에게 상품 가격의 적정한 범위를 시각적 효과를 수반한 지표들과 함께 제공함으로써 사용자가 보다 쉽게 가격 결정을 할 수 있도록 하는 것을 목적으로 한다.

또한 본 발명은 매출 또는 순이익을 증가시킬 수 있는 적정가를 찾기 위해 인공지능 알고리즘을 통한 적정 가격 범위를 제시함으로써 원가, 목표, 수요, 경쟁 중심의 가격 책정 기법들을 모두 반영할 수 있는 시스템을 제공하는 것을 목적으로 한다.

또한 본 발명은 가격 결정 방식의 표준화가 이루어질 수 있게 하는 것을 목적으로 한다.

한편, 본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

위와 같은 문제점을 해결하기 위하여, 본 발명에 따른 동적 가격 산정 방법은 중앙처리유닛 및 메모리를 포함하는 장치에 의해 실행되되, 상기 동적 가격 산정 방법은 임의 상품에 대한 가격정보 - 상기 가격정보는, 상기 임의 상품에 대한 복수 개의 서로 상이한 가격값들을 포함함 - 를 수신하는 단계; 기 학습된 가격 산정 모델에 의해 상기 가격정보 내 복수 개의 가격값들에 대응되는 판매량 예측값들을 연산하는 단계; 상기 판매량 예측값들의 연산 결과를 기초로, 기 설정된 조건을 충족하는 가격범위를 결정하는 단계;를 포함할 수 있다.

또한, 상기 동적 가격 산정 방법은 상기 판매량 예측값들의 연산 결과를 기초로 가격값 대비 판매량 예측값을 표시한 그래프를 출력하는 단계를 더 포함할 수 있다.

또한, 상기 동적 가격 산정 방법에 있어서 상기 임의 상품의 적정값을 결정하는 단계는, 최고매출이 예상되는 가격값이 상품원가보다 크면 상기 최고매출이 예상되는 가격값을 적정값으로 결정하거나, 최고순이익이 예상되는 가격값이 상품원가 및 최고매출이 예상되는 가격값보다 크면 상기 최고순이익이 예상되는 가격값을 적정값으로 결정하거나, 최고매출효율이 예상되는 가격값이 상품원가, 최고매출이 예상되는 가격값, 및 최고순이익이 예상되는 가격값보다 크면 상기 최고매출효율이 예상되는 가격값을 적정값으로 결정하거나, 또는 가격결정권자에 의해 결정된 가격값이 상품원가, 최고매출이 예상되는 가격값, 최고순이익이 예상되는 가격값, 및 최고매출효율이 예상되는 가격값보다 크면 상기 가격결정권자에 의해 결정된 가격값을 적정값으로 결정하는 것을 특징으로 할 수 있다.

또한, 상기 동적 가격 산정 방법은, 상기 가격 산정 모델을 학습시키기 위한 데이터들을 전처리 하는 단계; 및 상기 가격 산정 모델을 학습시키는 단계;를 더 포함할 수 있다.

이 때, 상기 데이터들을 전처리 하는 단계는, 임의 상품에 대한 최저가 데이터를 수집하는 단계; 상기 임의 상품에 대한 비즈니스 데이터를 수집하는 단계; 상기 비즈니스 데이터의 특성을 추출하는 단계; 및 상기 추출한 비즈니스 데이터를 정규화 하는 단계; 를 포함할 수 있다.

또한, 상기 임의 상품에 대한 최저가 데이터를 수집하는 단계는, 상기 임의 상품에 대한 기준상품정보를 생성하는 단계; 웹(WEB)으로부터 수집된 상품명을 상기 기준상품정보와 비교하여 일치도를 연산하는 단계; 일치도가 기 설정값 이상일 경우, 상기 수집된 상품명에 대응되는 상품정보 - 상기 상품정보는 최저가를 포함함 - 들을 데이터베이스에 저장하는 단계;를 포함하는 것을 특징으로 할 수 있다.

또한, 상기 동적 가격 산정 방법에 있어서, 상기 비즈니스 데이터는, 정적 특성 정보, 제1 시변 특성 정보, 및 제2 시변 특성 정보를 포함하되, 상기 정적 특성 정보는 시간에 따라 변동이 없는 정보, 상기 제1 시변 특성 정보는 현재를 기준으로 과거 시점에 대한 정보, 상기 제2 시변 특성 정보는 현재를 기준으로 미래 시점에 대한 정보인 것을 특징으로 할 수 있다.

한편, 본 발명의 또 다른 실시예에 따른 동적 가격 산정 시스템은 사용자로부터 임의 상품에 대한 가격정보 - 상기 가격정보는, 상기 임의 상품에 대한 복수 개의 서로 상이한 가격값들을 포함함 - 를 수신하는 수신부; 기 학습된 가격 산정 모델을 이용하여 상기 가격정보 내 복수 개의 가격값들에 대응되는 판매량 예측값들을 연산하는 연산부; 상기 판매량 예측값들의 연산 결과를 기초로, 기 설정된 조건을 충족하는 가격범위를 결정하는 가격범위 결정부; 및 상기 수신부, 연산부, 및 결정부를 제어하기 위한 제어부;를 포함할 수 있다.

또한, 상기 동적 가격 산정 시스템은 상기 판매량 예측값들의 연산 결과를 기초로 가격값 대비 판매량 예측값을 표시한 그래프를 출력하는 시각화부;를 더 포함할 수 있다.

또한, 상기 동적 가격 산정 시스템은 기 정의된 조건에 따라, 상기 임의 상품의 상품원가보다 큰 값의 가격값들 중 적정값을 결정하는 적정가 결정부;를 더 포함할 수 있다.

본 발명에 따르면 외부의 가격 변화나 비즈니스 특성 변화에 유연하게 대응하여 가격 결정을 할 수 있는 효과가 있다.

또한 본 발명에 따르면 가격 결정 과정이 크게 간소해 짐으로써 가격 결정에 소모되는 여러 리소스들을 절감할 수 있는 효과가 있다.

또한 본 발명에 따르면 가격 결정 과정에서 예측의 정확도를 높여 보다 정교한 예측이 가능하게 함으로써 가격 결정 과정에서의 불확실성을 감소시킬 수 있는 효과가 있다.

또한 본 발명에 따르면 시각화 효과를 함께 제공함으로써 사용자로 하여금 직관적으로 시장 상황을 이해할 수 있게 하며, 전반적으로 사용자 편의성을 높일 수 있는 효과가 있다.

한편, 본 발명에 의한 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명에 따른 동적 가격 산정 방법의 개념도이다.
도 2는 본 발명에 따른 동적 가격 산정 시스템의 개념적 구조를 도시한 것이다.
도 3은 동적 가격 산정 방법의 구체적인 단계들을 도시한 것이다.
도 4는 상품의 명칭을 인식하는 실시예를 도시한 것이다.
도 5는 기준상품정보와 수집상품정보를 비교하는 과정을 도시한 것이다.
도 6은 인공지능 알고리즘의 개념적 설명을 위한 도면이다.
도 7은 복수 개의 가격값에 대응되는 판매량 예측값들이 나열된 표를 도시한 것이다.
도 8은 복수 개의 가격값에 대응되는 판매량 예측값들이 표시된 그래프를 도시한 것이다.
도 9는 적정가격을 산정하는 방법론 몇 가지를 예로 도시한 것이다.
도 10은 본 발명에 따른 동적 가격 산정 시스템의 일 실시예를 도시한 것이다.

본 발명의 목적과 기술적 구성 및 그에 따른 작용 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 이하의 상세한 설명에 의해 보다 명확하게 이해될 것이다. 첨부된 도면을 참조하여 본 발명에 따른 실시예를 상세하게 설명한다.

본 명세서에서 개시되는 실시 예들은 본 발명의 범위를 한정하는 것으로 해석되거나 이용되지 않아야 할 것이다. 이 분야의 통상의 기술자에게 본 명세서의 실시예를 포함한 설명은 다양한 응용을 갖는다는 것이 당연하다. 따라서, 본 발명의 상세한 설명에 기재된 임의의 실시 예들은 본 발명을 보다 잘 설명하기 위한 예시적인 것이며 본 발명의 범위가 실시 예들로 한정되는 것을 의도하지 않는다.

도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한, 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.

또한, 어떤 구성요소들을 포함한다는 표현은 "개방형"의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.

나아가 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급될 때에는, 그 다른 구성요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 한다.

이하에서는 도면들을 참조하여 본 발명의 각 실시 예들에 대해 살펴보기로 한다.

먼저 도 1은 본 발명에 따른 딥 러닝(Deep Learning) 기반의 동적 가격 산정 방법 및 시스템의 개념을 설명하기 위한 것으로, 동적 가격 산정 방법 및 시스템은 도 1에서도 보이는 바와 같이 임의 상품에 대한 가격 정보, 그리고 상기 상품이 속하는 비즈니스 특성정보가 수집되어 인공지능 알고리즘으로 입력되었을 때, 인공지능 알고리즘이 해당 상품에 대한 적정한 가격 범위를 제시해 주는 것을 기본 원리로 함을 알 수 있다.

즉, 본 발명은 어떤 상품이나 서비스와 관련된 정보들을 수집 및 전처리 한 뒤 인공지능 알고리즘으로 하여금 학습을 수행하게 하며, 기 학습된 인공지능 알고리즘에 임의 상품의 가격값들을(또는 필요한 경우 비즈니스 특성정보를 추가적으로 입력함) 입력함으로써 상기 상품이 각각의 가격값들로 실제 시장에 팔렸을 때 그 판매량, 수익량 등을 예측하게 하고, 이렇게 예측된 결과로부터 상기 상품의 적정한 가격대가 어느 범위인지를 사용자가 결정할 수 있게끔 환경을 제공하는 것을 주된 특징으로 한다.

참고로 본 발명에서 언급되는 인공지능 알고리즘이란 인간의 학습능력, 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술을 의미하며, 상기 인공지능 알고리즘은 바람직하게는 TFT(Temporary Fusion Transformer) 모델일 수 있다. TFT모델은 다중-시야 예측(Multi-horizon forecasting)과 시간역학에 대한 해석 가능한 통찰력을 결합한 알고리즘 아키텍처로, 입력의 다양성에 따른 정적 공변량, 또는 알 수 없는 시변 입력에 대한 기능 표현을 효율적으로 구축하여 광범위한 문제에 대해 높은 정확도의 예측 결과를 낼 수 있다. TFT모델의 구성요소 중에는 게이팅 메커니즘(Gating mechanisms; 아키텍처의 사용되지 않는 구성을 건너 뛰어 광범위한 데이터 세트 및 시나리오를 수용할 수 있는 적응형 뎁스와 네트워크의 복잡성을 제공하는 구성), 변수 선택 네트워크(Variable selection networks; 입력변수를 선택하는 구성), 정적 변량 인코더(Static covariate encoders; 콘텍스트 벡터 인코딩을 통해 정적 기능을 네트워크에 통합), 템포럴 프로세싱(Temporal processing; 관측된 것과 이미 알고 있는 시변 입력을 처리함으로써 시간 관계를 학습), 간격 별 예측(Prediction intervals via quantile forecasts; 각 예측 영역에서 예상되는 목표 값의 범위를 결정하기 위한 정량적 예측을 수행) 등의 구성들이 포함될 수 있다. 다만, 본 발명은 TFT모델의 세부구성들에 초점이 맞추어져 있는 것이 아니므로 여기서는 자세한 설명들을 생략하기로 한다.

도 2는 본 발명에 따른 동적 가격 산정 시스템에 대한 이해를 돕기 위해 개념적으로 대표적인 특징들을 나누어 본 것이다. 도 2를 참고할 때, 본 발명에 따른 동적 가격 산정 시스템은 크게 데이터 전처리를 하는 과정(C1), 인공지능 알고리즘을 이용하는 과정(C2), 인공지능 알고리즘을 이용하여 실제 수요를 예측하는 과정(C3), 그리고 예측된 결과를 기초로 시각화를 하는 과정(C4) 등이 주요한 특징들로 꼽힐 수 있다.

데이터 전처리 과정은 인공지능 알고리즘이 학습 가능한 포맷의 학습용 데이터를 가공하는 과정이며, 이 과정들에는 데이터를 수집하는 단계, 데이터를 정제하고 특징들을 선택하는 단계, 그리고 특징을 추출하고 데이터를 정규화 하는 단계가 포함될 수 있다. 데이터 전처리 과정에서 수집되는 데이터의 종류에는 다양한 것들이 존재할 수 있겠으나, 대표적으로는 상품에 대한 가격정보, 상품 명칭, 상품 브랜드 등과 같이 예측하고자 하는 대상 상품에 대한 정보들이 포함될 수 있으며, 나아가 상기 상품이 포함되는 비즈니스 영역에서의 특성 정보들(예. 온라인 몰에서의 행사 마감일에 매출액이 증가하는 특성, 특정 브랜드에 대한 프로모션(SNS, 그 외 미디어를 통한 광고 포함)에 따라 해당 브랜드 전체의 매출액이 증가하는 특성, 상품 중 결품이 발생하였을 때 판매가 중단될 수 있는 특성 등)이 더 포함될 수 있다. 그 밖에 수집된 데이터를 정제하고 그 중 인공지능 알고리즘의 학습에 필요한 특징들만을 선택하는 과정, 데이터의 처리가 상기 인공지능 알고리즘에 의해 이루어질 수 있도록 이를 정규화 하는 과정 등이 데이터 전처리 과정에 포함될 수 있다.

한편, 전처리 과정을 거친 데이터 세트는 인공지능 알고리즘을 학습시키고 궁극적으로는 인공지능 알고리즘을 이용하여 수요를 예측하는 데에 활용될 수 있다. 인공지능 알고리즘을 이용하는 과정은 엄밀히 따질 때에 학습의 과정과 연산의 과정을 포함할 수 있다. 학습의 과정은 복수 개의 전처리 된 데이터 세트를 인공지능 알고리즘에 입력하고, 그 입력에 따른 올바른 결과를 사용자가 직접 제시하거나 또는 인공지능 알고리즘에 의해 연산된 결과를 사용자가 보정함으로써 이루어질 수 있다. 연산의 과정은 후술하게 될 수요 예측 과정(C3)과 중복되므로 이 단락에서는 설명을 생략하기로 한다. 참고로, 앞서 언급한 것과 같이 본 발명에 따른 동적 가격 산정 시스템에서는 인공지능 알고리즘으로써 TFT모델을 활용할 수 있는데, 이 때 인공지능 알고리즘에는 Variable selection networks, Static covariate encoders, Temporal processing 과 같은 구성들이 포함될 수 있다.

수요를 예측하는 과정이란 기 학습된 인공지능 알고리즘을 이용하여 실제 시장에서의 상품 판매와 관련된 상황들을 수치적으로 예측하는 과정이다. 이 때 예측이 가능한 항목들로는 상품별 판매량, 가격 별 매출, 가격 별 순익, 가격 별 매출 효율 등이 포함될 수 있다. 이러한 수요 예측은 인공지능 알고리즘이 특정 상품에 대한 가격정보를 입력으로 수신한 것을 전제로 하며, 필요에 따라 비즈니스정보가 더 수신된 상태에서 이루어질 수 있다.

마지막으로 시각화 과정은 인공지능 알고리즘에 의해 예측된 상품 판매 관련 상황들을 시각화 하여 출력하는 과정으로 이해될 수 있다. 바람직하게, 위 시각화란 앞서 예측된 다양한 종류의 수치들이 그래프의 형태, 그리고 그래프 상에 표시된 지표들의 형태로 나타내는 것을 의미할 수 있다. 후술하겠지만, 본 동적 가격 산정 시스템에 의해 제공되는 그래프 상에는 최대 매출 효율, 최고 매출, 최고 순이익, 총 매출, 순이익, 원가 중 적어도 하나의 지표들이 표시될 수 있으며, 사용자는 이러한 그래프 및 지표들을 참고하여 대상 상품에 대한 적정 가격을 선택할 수 있게 된다.

참고로 인공지능 알고리즘의 학습은 바람직하게는 3년간의 판매이력을 기준으로 생성된 학습 데이터를 토대로 이루어질 수 있으며, TFT모델은 상품별 60일 이력으로 14일 간의 판매량을 예측하는 모델로 학습될 수 있다. 학습의 최적화를 위해서는 과표본을 제거하는 과정들(판매가 활성화 되지 않은 기간을 배제시켜 학습량을 줄이고 예측값을 보수적으로 산출하는 경향을 제거하게 하는 과정, 누적 판매량이 1000개 이상인 상품에 대해서만 학습하게 하는 과정, 판매가 없는 기간이 14일 이상인 경우 해당 기간을 학습에서 제외하는 과정 등), 표본 정규화 과정들(판매가 급격히 늘어난 상품의 학습 데이터에 가중치 부여, 판매량이 큰 상품이 전체 상품 중 차지하는 비중이 낮더라도 학습 데이터에 가중치 부여, 60일 평균 판매량을 기준으로 상/중/하 3개 구간으로 나누어 동일 비율 표본을 추출하는 과정, 60일 판매량의 분산을 기준으로 변동량이 적은 것/큰 것의 2개 구간으로 나누어 동일 비율 표본을 추출하는 과정 등)이 수행될 수 있다.

도 3은 앞서 개념적으로 설명한 내용을 더 체계적으로 정리한 것으로, 본 발명에 따른 동적 가격 산정 방법의 각 단계들을 순서에 따라 나열한 것이다. 참고로 본 발명에 따른 동적 가격 산정 방법은 중앙처리유닛 및 메모리를 구비한 연산 장치, 즉 컴퓨터에 의해 실행될 수 있다. 중앙처리유닛은 컨트롤러(controller), 마이크로 컨트롤러(microcontroller), 마이크로 프로세서(microprocessor), 마이크로 컴퓨터(microcomputer) 등으로도 불릴 수 있다. 또한 중앙처리유닛은 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어, 또는 이들의 결합에 의해 구현될 수 있는데, 하드웨어를 이용하여 구현하는 경우에는 ASIC(application specific integrated circuit) 또는 DSP(digital signal processor), DSPD(digital signal processing device), PLD(programmable logic device), FPGA(field programmable gate array) 등으로, 펌웨어나 소프트웨어를 이용하여 구현하는 경우에는 위와 같은 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등을 포함하도록 펌웨어나 소프트웨어가 구성될 수 있다. 또한, 메모리는 ROM(Read Only Memory), RAM(Random Access Memory), EPROM(Erasable Programmable Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래쉬(flash) 메모리, SRAM(Static RAM), HDD(Hard Disk Drive), SSD(Solid State Drive) 등으로 구현될 수 있다.

이하에서는 도 3을 참고하여 동적 가격 산정 방법의 세부 단계들에 대해 살펴보기로 한다.

동적 가격 산정 방법은 가장 먼저 인공지능 알고리즘의 학습을 위해 필요한 데이터를 전처리 하는 단계 및 인공지능 알고리즘을 학습시키는 단계(S101)로부터 시작될 수 있다. 또한 이 때, 데이터를 전처리 하는 단계는 다시 상품명 인식을 진행하는 과정, 해당 상품에 대한 최저가 데이터 및 비즈니스 데이터를 수집하는 과정, 최저가 데이터 및 비즈니스 데이터로부터 특성을 추출하여 전처리 및 정규화 하는 과정을 포함할 수 있다.

먼저, 상품명 인식을 진행하는 과정은 도 4 및 도 5를 참고하여 설명하기로 한다. 인공지능 알고리즘의 학습을 위해서는 기본적으로 임의 상품에 대한 관련 정보들이 필요하며, 이러한 정보들은 다양한 채널을 통하여 수집하여야 하는데, 본 발명에서는 상품 관련 정보의 수집이 웹(web)에서 이루어지는 것을 전제로 설명하기로 한다. 한편, 웹(web) 상에서의 상품 관련 정보 수집을 위해서는 정보를 구하고자 하는 대상 상품을 지정하고, 그 대상 상품과 관련된 정보만을 추려서 수집할 필요가 있는데, 이의 첫 시작이 상품명 인식이라 할 수 있다. 즉, 온라인 쇼핑몰 등에서는 동일한 상품에 대해 여러 표현을 삽입해 가며 상품명을 다양하게 표시하고 있고, 이러한 온라인 쇼핑몰 환경은 대상 상품에 대한 정확한 정보 수집을 어렵게 하는 문제가 있는데, 본 발명에서는 동일한 상품을 판매하는지 여부를 식별해 내기 위해 각 상품명에서 브랜드명, 상품명, 용량, 색상 등의 상품 특성들을 인공지능 알고리즘을 통해 자동으로 추출하게 하고, 이들 상품 특성들을 기준이 되는 정보와 비교해 봄으로써 정보 수집의 대상이 되는 상품인지를 파악하게 하였다.

도 4에는 "에스쁘아 리얼 아이 팔레트"라는 상품이 정보 수집의 대상이 되는 상품으로 설정된 상황을 가정한 것으로, 도 4에는 "에스쁘아 리얼 아이 팔레트"라는 명칭으로 검색을 실행하였을 때 얼마나 많은 동일 또는 유사 상품들이 검색되는지를 나타낸 것이다. 도 4에서도 볼 수 있듯 동일한 상품임에도 불구하고 많은 온라인 쇼핑몰에서는 상품명을 다양하게 표시함으로써 마케팅 효과를 높이려는 시도를 하고 있으며, 시장 내에서의 이러한 관행은 상품 정보를 수집하는 데에 걸림돌이 되고 있는 실정이다.

도 5는 상품명 인식이 어떻게 진행되는지를 도시한 것으로, 상품명 인식은 크롤링 된 수집정보로부터 상품명, 용량, 개수, 세트 여부 등의 특성들을 개체명 인식(Named-entity recognition) 알고리즘을 이용하여 추출하고, 추출된 특성들이 '기준상품정보'의 특성들과 얼마나 유사한지 여부를 판단하는 과정을 거쳐 진행될 수 있다. 도 5를 참고할 때, "액티브 버드 네스트 더블 앰플"이라는 상품명의 상품이 대상 상품으로 정해져 있고, 이 대상 상품에 대한 기준상품정보 중에는 개수(2개), 세트여부(O)가 포함되어 있다고 가정해 볼 수 있는데, 이 때 예를 들어 수집정보 중 상품명(액티브 버드 네스트 더블 앰플), 개수(2개), 세트여부(X)인 수집정보가 크롤링 되었다면 상기 기준상품정보와 상기 수집정보의 특성들은 3개 중 2개가 동일한 것이므로 상기 기준상품정보와 수집정보는 서로 동일한 상품에 대한 것으로 판별될 수 있다.

기준상품정보와 수집정보 간 비교 방식은 더 다양하게 설계될 수도 있다. 예를 들어 [상품명, 옵션, 용량, 단위개수, 판매개수, 세트상품]으로 구성된 기준상품정보가 [고려은단 비타민C, NEW, 1000mg, 120정, 1+1, 증정기획]이라 가정할 때, 1순위로 "상품명 + 옵션"을 코사인유사도(cosine similarity)로 비교한 후 이를 [-100, 100]점 범위의 스코어로 연산하는 과정, 2순위로 "세트상품" 여부가 다를 경우 20점을 차감하는 과정, 3순위로 "용량"이 다른 경우 60점을 차감하는 과정, 4순위로 "단위개수" 및 "판매개수"를 함께 고려하여 개수가 다를 경우 60점을 차감하는 과정, 두 상품의 "옵션" 중 1순위에서 사용되지 않은 옵션 1개당 20점씩 차감하는 과정을 거쳐 스코어가 10점 이상일 경우 수집정보에 대응되는 상품이 대상 상품과 동일한 것으로 판별되도록 설계될 수 있다.

한편, 상품명 인식에 의해 수집된 정보가 대상 상품과 동일한 상품에 대한 것으로 판별된 경우, 해당 상품에 대해서는 가격 데이터, 더 정확하게는 최저가 데이터가 수집될 수 있다. 위 상품명 인식 및 최저가 데이터 수집 과정은 여러 차례 반복적으로 실행될 수 있으며, 이를 통해 대상 상품에 대한 충분한 양의 최저가 데이터 수집이 이루어질 수 있다.

또한, 상품명 인식에는 텍스트 형태의 데이터뿐만 아니라 이미지 형태의 데이터도 비교 가능할 수 있다. 예를 들어, 기준상품정보 중에는 상기 대상 상품에 관련된 이미지가 적어도 하나 이상 포함될 수 있으며, 상품명 인식 시에 온라인 쇼핑몰로부터 수집된 이미지가 상기 기준상품정보의 이미지와 비교됨으로써 동일 상품인지 여부를 판별하는 데에 활용될 수 있다. 온라인 쇼핑몰 중에는 상품 제조업체가 제공한 마케팅용 이미지를 사용하는 경우가 많은데, 이러한 이미지들 비교를 통해서도 동일 상품인지 여부를 쉽게 판별할 수 있으므로 상품명 인식 시에는 이미지 형태의 데이터도 활용 가능할 수 있다.

한편, 데이터 전처리 단계 중에는 최저가 데이터 및 비즈니스 데이터로부터 특성을 추출하는 과정이 포함될 수 있는데, 추출된 특성에는 시간에 영향을 받지 않는 정적 특성, 현재를 기준으로 과거 시점과 관련되는 제1 시변 특성, 그리고 현재를 기준으로 미래 시점과 관련되는 제2 시변 특성이 포함될 수 있다. 정적 특성(또는 정적 특성 정보라 한다)에는 예를 들어 상품 카테고리, 브랜드명 등과 같이 시간이 지나도 변하지 않는 정보들이 포함될 수 있으며, 제1 시변 특성(또는 제1 시변 특성 정보라 한다)에는 예를 들어 과거 시점에서의 판매량, 외부시세, 재고여부 등 과거 시점에 대한 정보들이 포함될 수 있고, 제2 시변 특성(또는 제2 시변 특정 정보라 한다)에는 예를 들어 공휴일 여부, 프로모션 예정일 등 미래 시점에 대한 정보들이 포함될 수 있다.

참고로 도 6에는 앞서 추출된 정적 특성 정보, 제1 시변 특성 정보, 제2 시변 특성 정보가 인공지능 알고리즘에 입력되면, 그 결과로 미래의 임의 시점들에서의 예측이 가능한 인공지능 알고리즘의 개념을 도시한 것이다. 다시 말해, 본 발명에 따른 인공지능 알고리즘은 정적 특성 정보, 과거에 대한 제1 시변 특성 정보, 미래에 대한 제2 시변 특성 정보를 수집하고, 이를 통해 인공지능 알고리즘을 학습시키거나 또는 실제 예측 연산을 실행시킬 수 있으며, 그 결과로는 현재 대비 미래의 임의 시점들에서의 예측값이 도출될 수 있다.

다른 한편, 데이터 전처리 단계 중에는 데이터를 정규화 하는 과정도 포함될 수 있는데, 이 때 수치 데이터들에 대해서는 표준화(standardization) 기법이, 범주형 데이터들에 대해서는 특정 차원의 크기로 임베딩하는 차원 축소 임베딩 기법이 사용될 수 있으며, 학습 편향을 줄이기 위해 로그 스케일의 정규화 기법이 사용될 수 있다.

참고로, 발명의 이해를 돕기 위하여 데이터 전처리 단계 중 최저가 데이터 및 비즈니스 데이터로부터 특성을 추출하는 과정, 전처리 및 정규화 과정에 대해 부연하면 아래와 같다.

특성을 추출하는 과정은 다양한 방식으로 이루어질 수 있는데, 예를 들어 복수의 비즈니스 담당자들을 대상으로 인터뷰 한 결과를 취합 및 분석한 것으로부터 특성의 우선순위를 도출해 내거나 도출된 우선순위로부터 상위 몇 개의 특성만을 선별하는 식으로 특성을 추출할 수 있거나, 또는 전통방식의 시계열 예측 모델(예. ARIMA 모델)에 따라 예측한 결과 예측성공률이 높은 특성들을 추출할 수 있거나, 또는 상관분석/교차분석 등을 통하여 특성을 추출할 수 있는 등 다양한 방식의 특성 추출 과정이 구현될 수 있다.

다음으로, 전처리 및 정규화 과정은, 크게 전처리 과정과 정규화 과정으로 나뉘어 구현될 수 있다. 이 중 전처리 과정의 예로는 임의 상품의 최저가 데이터와 같은 외부데이터가 결측(缺測)되었을 시 전날의 최저가 값으로 최저가 데이터를 보정하는 것을 들 수 있으며, 또한 상품판매이력정보와 같은 내부데이터의 경우에는 행사가, 정상가, 주문수량이 전 기간에 걸쳐 존재하지 않아 데이터 자체가 존재하지 않는 경우 해당 상품은 학습 데이터에서 제외하는 것, 임의 상품에 대한 가격이 결측(缺測)되었을 시 그 결측값을 보정하는 것 등이 포함될 수 있다. 또한, 정규화 과정의 예로는, 수치 데이터에 대해서는 표준화 (Standardization) 기법을 적용하여 수치 데이터를 정규화 하는 것, 범주형 데이터에 대해서는 특정 차원의 크기로 임베딩하는 차원 축소 임베딩 기법(원-핫 인코딩(One-Hot Encoding), DNN 등)을 적용하여 데이터를 정규화 하는 것, 나아가 로그 스케일의 정규화 기법을 사용하여 학습 편향을 감소시키는 것 등을 들 수 있다.

다시 도 3을 참고할 때, S101단계 이후에는 임의 상품에 대한 가격정보를 수신하는 단계(S103)가 수행될 수 있다. 본 단계는, 인공지능 알고리즘의 학습이 이루어진 상태에서 사용자가 임의 상품에 대한 적정가를 찾기 위해 본격적으로 정보를 입력하는 과정으로도 이해될 수 있다. 본 단계는 사용자가 마우스, 키보드, 터치 입력, 그 밖의 가능한 입력수단을 이용하여 사용자가 알고 싶은 대상 상품에 대한 가격정보를 입력하는 방식으로 진행될 수 있다. 또한, 본 단계에서 사용자가 입력하게 되는 가격정보는, 구체적으로는 복수 개의 가격값들을 포함할 수 있다. 쉬운 예로, A화장품의 적정가를 알고 싶은 사용자는 A화장품에 대한 복수 개의 가격값들을 6400원부터 9700원까지 100원 간격으로 하여 입력할 수 있다. 이 때 사용자에게는 가격정보 입력을 위한 인터페이스가 제공될 수 있으며, 사용자는 가격의 시작값과 끝값, 그리고 각 값들 사이의 간격을 입력하거나, 또는 복수 개의 가격값들을 직접 입력하거나, 또는 가격값들이 저장된 파일을 드래그 입력함으로써 가격정보 입력을 할 수 있다. 참고로 도 7에는 상품의 가격값들 및 이에 대응되는 판매량 예측값들이 나열된 표가 도시되어 있는데, 위 S103단계에서의 가격정보 입력이란 표의 좌측 열에 나열된 가격들을 입력하는 과정으로 이해될 수 있다.

한편, S103단계 이후에는 판매량 예측값들을 연산하는 단계(S105)가 수행될 수 있다. 본 단계는 인공지능 알고리즘이 앞서 입력된 복수의 가격값들 각각에 대응되는 판매량 예측값들을 산출해 내는 단계로, 그 예측값들은 상기 인공지능 알고리즘이 사전에 학습한 것을 기반으로 산출된다. 한편, 예측 기간과 관련하여, 상기 사용자에게는 인터페이스가 제공되어 사용자가 직접 예측 기간의 범위, 예측 기간의 간격 등을 선택하게 할 수 있다. 도 7을 참고할 때, 도 7에는 특정 상품에 대한 판매량 예측값들이 산출 및 나열된 모습이 도시되어 있는데, 여기서는 예측 기간의 범위가 7일, 그리고 예측 기간의 간격이 1일인 경우를 가정하여 도시한 것이다. 이처럼 본 단계에서는 사용자가 입력한 가격정보(복수의 가격값들)에 대하여 예측 기간 내에서 각 가격값 별로 판매량을 예측하는 과정이 진행될 수 있다.

다음으로, S105단계 이후에는 앞서 연산된 결과를 시각화 하는 단계(S107), 연산 결과를 기초로 사용자가 선택 가능한 가격범위를 결정하는 단계(S109), 그리고 기 정의된 조건에 따라 상기 가격범위 내에서 적정값을 결정하는 단계(S111)가 더 수행될 수 있다. 참고로, 시각화 단계는 여기서는 가격범위 결정 단계(S109)나 적정값 결정 단계(S111) 이전에 수행되는 것으로 설명하고 있으나, 상기 시각화 단계(S107)는 S109, S111단계들과 순서를 바꾸어 수행될 수도 있는 단계임을 이해한다.

S107단계와 관련하여, 본 단계에서는 앞서 인공지능 알고리즘에 의해 연산된 결과를 사용자가 쉽게 이해할 수 있도록 시각화 하는 과정이 수행되며, 구체적으로는 도 8에서와 같이 그래프가 생성되는 과정이 수행될 수 있다. 도 8을 참고할 때, 그래프의 가로축에는 복수 개의 가격값들이, 세로축에는 판매량 예측값들을 표시하기 위한 지표들의 단위들이 표시될 수 있으며, 이 그래프에는 총매출, 순이익, 최고매출, 최고순이익, 재고원가, 또는 매출효율 등 해당 상품이 어느 특정 가격값으로 판매되었을 때 예상되는 지표들이 표시될 수 있다.

한편, 본 발명에 따른 동적 가격 산정 방법은 판매량 예측값들의 연산 결과를 기초로 사용자가 선택 가능한 가격범위를 결정하는 단계(S109), 더 구체적으로는 사용자가 선택할 수 있도록 기 설정된 조건을 충족하는 가격범위를 결정하는 단계를 더 포함할 수 있다. 이 단계는 쉽게 말해, 순이익 또는 매출이 최대가 되는 적정가가 산정될 것으로 예상되는 범위를 결정하는 것으로, 이 가격범위 안에서는 높은 수익 또는 매출이 발생될 것으로 기대된다고 이해할 수도 있다. 도 8의 그래프 상에서는 예측된 판매량이 재고원가 이상이고 최고순이익 이하인 범위의 가격범위가 위 사용자 선택 가능한 가격범위로 표시된 것이 나타나 있다.

이러한 가격범위는 본 동적 가격 산정 방법을 설계한 설계자가 어떤 알고리즘을 고안하였는지에 따라 달라질 수 있으며, 상기 설계자가 기 설정해 둔 조건에 따라 자동적으로 가격범위가 결정되도록 구현될 수 있다.

한편, 사용자가 선택 가능한 가격범위가 결정된 이후에는 원가를 침해하지 않는 선에서 임의의 케이스 별 조건에 따라 적정가를 결정하는 단계(S111)가 더 수행될 수 있다. 임의 상품의 적정값을 결정하는 단계에서는, 예를 들어 총 4가지의 케이스에 대해 조건들을 정의해 두고, 이 중 어느 조건을 충족하는지에 따라 적정값이 결정될 수 있으며, 만일 어느 조건이 중복되어 충족되는 경우에는 더 우선 순위의 케이스 조건을 따라 적정값이 결정되도록 할 수 있다.

도 9에는 케이스 별로 적정값을 결정하는 조건들이 도시되어 있다. 이를 참고하여 각 케이스에 대해 살펴보면, 먼저 케이스1은 공급가를 침해하지 않으면서 매출을 최대로 하는 가격을 적정값으로 결정하는 것을 특징으로 하며, 이 때의 조건은 최고매출이 예상되는 가격값이 상품원가보다 큰 경우이다.

케이스2는 공급가를 침해하지 않으면서 순이익을 최대로 하는 가격을 적정값으로 결정하는 것을 특징으로 하며, 이 때의 조건은 최고순이익이 예상되는 가격값이 상품원가 및 최고매출이 예상되는 가격값보다 큰 경우이다.

케이스3은 공급가를 침해하지 않으면서 매출효율을 최대화 하는 가격을 적정값으로 결정하는 것을 특징으로 하며, 이 때의 조건은 최고매출효율이 예상되는 가격값이 상품원가, 최고매출이 예상되는 가격값, 및 최고순이익이 예상되는 가격값보다 큰 경우이다.

마지막으로 케이스4(미도시)는 공급가를 침해하지 않으면서 가격 결정권자가 정한 가격을 적정값으로 결정하는 것을 특징으로 하며, 이 때의 조건은 가격결정권자에 의해 결정된 가격값이 상품원가, 최고매출이 예상되는 가격값, 최고순이익이 예상되는 가격값, 및 최고매출효율이 예상되는 가격값보다 큰 경우이다.

참고로, 도 9의 케이스 별 적정값 산정 조건들은 바람직한 실시예를 도시한 것이며, 반드시 적정값이 위 설정 조건에 따라서만 결정되어야 하는 것은 아니다. 다만, 본 발명에 따른 동적 가격 산정 방법에서는 선제적으로 사용자가 선택 가능한 가격범위를 결정한 뒤, 사후적으로 상기 가격범위 중 가장 적절할 것으로 예상되는 적정값을 더 연산한다는 점을 이해하기로 한다.

이상 도면들을 참고하여 동적 가격 산정 방법에 대해 설명하였다.

도 10은 본 발명에 따른 동적 가격 산정 시스템을 개념적으로 도시한 것으로, 이에 따르면 동적 가격 산정 시스템은 수신부(110), 연산부(120), 시각화부(130), 가격범위 결정부(140), 적정가 결정부(150), 학습부(160) 및 제어부(170)를 포함할 수 있다.

수신부(110)는 사용자로부터 임의 상품에 대한 가격정보를 수신하는 구성으로, 이 때의 가격정보란 전술한 것과 같이 임의 상품에 대한 복수 개의 서로 상이한 가격값들을 포함할 수 있다.

연산부(120)는 기 학습된 인공지능 알고리즘, 즉 가격 산정 모델을 이용하여 상기 가격값들에 대응되는 판매량 예측값들을 연산하는 구성이며, 이 연산 과정에 대해서는 이미 앞서에서 자세히 설명하였으므로 여기서는 자세한 설명을 생략하기로 한다.

시각화부(130)는 상기 판매량 예측값들의 연산 결과를 기초로 가격값 대비 판매량 예측값을 표시한 그래프를 생성하며, 나아가 위 그래프 상에 다양한 종류의 지표들을 더 표시하는 구성이다.

가격범위 결정부(140), 적정가 결정부(150)는 각각 사용자가 선택 가능한 가격범위를 결정하는 구성, 그리고 이 가격범위로부터 기 정의된 조건에 따라 적정값을 결정하는 구성이다. 이 구성들에 대해서도 앞서 도 8 및 도 9에 대한 설명에서 자세히 논하였으므로 여기서는 설명을 생략하기로 한다.

한편, 학습부(160)는 상기 인공지능 알고리즘, 즉 가격 산정 모델의 학습을 담당하는 구성으로, 여기서는 데이터를 전처리, 정규화 하는 기능을 수행함은 물론, 전처리 된 학습용 데이터를 입력으로 하여 실제 인공지능 알고리즘을 학습시키는 구성으로 이해될 수 있다.

마지막으로 제어부(170)는 위 설명한 각 구성들을 총괄적으로 제어하기 위한 구성이며, 바람직하게는 중앙처리유닛 등과 같이 연산이 가능한 장치로 구현될 수 있다.

또한, 도 10에 도시한 동적 가격 산정 시스템은 반드시 어느 하나의 컴퓨팅 장치 하나로 보아야만 하는 것은 아니며, 네트워크로 상호 연결된 여러 개의 컴퓨팅 장치 집합으로도 볼 수 있다. 즉, 언급된 각 구성들은 각각이 하나의 컴퓨팅 장치에 의해 구현될 수도 있음을 이해한다.

이상 딥러닝 기반의 동적 가격 산정 방법 및 이를 위한 시스템에 대해 살펴보았다. 한편, 본 발명은 상술한 특정의 실시예 및 응용예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 구별되어 이해되어서는 안 될 것이다.

110 수신부
120 연산부
130 시각화부
140 가격범위 결정부
150 적정가 결정부
160 학습부
170 제어부

Claims (10)

1. 중앙처리유닛 및 메모리를 포함하는 장치에 의해 실행되는 동적 가격 산정 방법에 있어서,
   임의 상품에 대한 가격정보 - 상기 가격정보는, 상기 임의 상품에 대한 복수 개의 서로 상이한 가격값들을 포함함 - 를 수신하는 단계;
   기 학습된 가격 산정 모델에 의해 상기 가격정보 내 복수 개의 가격값들에 대응되는 판매량 예측값들을 연산하는 단계;
   상기 판매량 예측값들의 연산 결과를 기초로, 기 설정된 조건을 충족하는 가격범위를 결정하는 단계;
   를 포함하는,
   동적 가격 산정 방법.
   
2. 제1항에 있어서,
   상기 판매량 예측값들의 연산 결과를 기초로 가격값 대비 판매량 예측값을 표시한 그래프를 출력하는 단계를 더 포함하는,
   동적 가격 산정 방법.
   
   
   
3. 제1항에 있어서,
   상기 임의 상품의 적정값을 결정하는 단계는,
   최고매출이 예상되는 가격값이 상품원가보다 크면 상기 최고매출이 예상되는 가격값을 적정값으로 결정하거나,
   최고순이익이 예상되는 가격값이 상품원가 및 최고매출이 예상되는 가격값보다 크면 상기 최고순이익이 예상되는 가격값을 적정값으로 결정하거나,
   최고매출효율이 예상되는 가격값이 상품원가, 최고매출이 예상되는 가격값, 및 최고순이익이 예상되는 가격값보다 크면 상기 최고매출효율이 예상되는 가격값을 적정값으로 결정하거나, 또는
   가격결정권자에 의해 결정된 가격값이 상품원가, 최고매출이 예상되는 가격값, 최고순이익이 예상되는 가격값, 및 최고매출효율이 예상되는 가격값보다 크면 상기 가격결정권자에 의해 결정된 가격값을 적정값으로 결정하는 것을 특징으로 하는,
   동적 가격 산정 방법.
   
4. 제1항에 있어서,
   상기 가격 산정 모델을 학습시키기 위한 데이터들을 전처리 하는 단계; 및
   상기 가격 산정 모델을 학습시키는 단계;
   를 더 포함하는,
   동적 가격 산정 방법.
   
5. 제4항에 있어서,
   상기 데이터들을 전처리 하는 단계는,
   임의 상품에 대한 최저가 데이터를 수집하는 단계;
   상기 임의 상품에 대한 비즈니스 데이터를 수집하는 단계;
   상기 비즈니스 데이터의 특성을 추출하는 단계; 및
   상기 추출한 비즈니스 데이터를 정규화 하는 단계;
   를 포함하는 것을 특징으로 하는,
   동적 가격 산정 방법.
   
6. 제5항에 있어서,
   상기 임의 상품에 대한 최저가 데이터를 수집하는 단계는,
   상기 임의 상품에 대한 기준상품정보를 생성하는 단계;
   웹(WEB)으로부터 수집된 상품명을 상기 기준상품정보와 비교하여 일치도를 연산하는 단계;
   일치도가 기 설정값 이상일 경우, 상기 수집된 상품명에 대응되는 상품정보 - 상기 상품정보는 최저가를 포함함 - 들을 데이터베이스에 저장하는 단계;
   를 포함하는 것을 특징으로 하는,
   동적 가격 산정 방법.
   
7. 제5항에 있어서,
   상기 비즈니스 데이터는,
   정적 특성 정보, 제1 시변 특성 정보, 및 제2 시변 특성 정보를 포함하되,
   상기 정적 특성 정보는 시간에 따라 변동이 없는 정보, 상기 제1 시변 특성 정보는 현재를 기준으로 과거 시점에 대한 정보, 상기 제2 시변 특성 정보는 현재를 기준으로 미래 시점에 대한 정보인 것을 특징으로 하는,
   동적 가격 산정 방법.
   
8. 동적 가격 산정 시스템에 있어서,
   사용자로부터 임의 상품에 대한 가격정보 - 상기 가격정보는, 상기 임의 상품에 대한 복수 개의 서로 상이한 가격값들을 포함함 - 를 수신하는 수신부;
   기 학습된 가격 산정 모델을 이용하여 상기 가격정보 내 복수 개의 가격값들에 대응되는 판매량 예측값들을 연산하는 연산부;
   상기 판매량 예측값들의 연산 결과를 기초로, 기 설정된 조건을 충족하는 가격범위를 결정하는 가격범위 결정부; 및
   상기 수신부, 연산부, 및 결정부를 제어하기 위한 제어부;
   를 포함하는,
   동적 가격 산정 시스템.
   
9. 제8항에 있어서,
   상기 판매량 예측값들의 연산 결과를 기초로 가격값 대비 판매량 예측값을 표시한 그래프를 출력하는 시각화부;
   를 더 포함하는,
   동적 가격 산정 시스템.
   
10. 제8항에 있어서,
    기 정의된 조건에 따라, 상기 임의 상품의 상품원가보다 큰 값의 가격값들 중 적정값을 결정하는 적정가 결정부;
    를 더 포함하는,
    동적 가격 산정 시스템.
    

Images