KR20220168955A - 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법 - Google Patents

인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법 Download PDF

Info

Publication number
KR20220168955A
KR20220168955A KR1020220002632A KR20220002632A KR20220168955A KR 20220168955 A KR20220168955 A KR 20220168955A KR 1020220002632 A KR1020220002632 A KR 1020220002632A KR 20220002632 A KR20220002632 A KR 20220002632A KR 20220168955 A KR20220168955 A KR 20220168955A
Authority
KR
South Korea
Prior art keywords
interest
information
geographic
area
target
Prior art date
Application number
KR1020220002632A
Other languages
English (en)
Inventor
구름
이광한
Original Assignee
주식회사 빅밸류
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 빅밸류 filed Critical 주식회사 빅밸류
Publication of KR20220168955A publication Critical patent/KR20220168955A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/387—Payment using discounts or coupons
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • 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
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)

Abstract

실시예들은 사용자 입력에 의해 신규 매장이 담당할 지리적 관심 영역을 지정하는 단계; 검색 쿼리를 수신하여 지정된 지리적 관심 영역 내 위치하는 복수의 엔티티 중 적어도 일부에 액세스하는 단계; 액세스된 적어도 일부 엔티티 각각에 대해서, 미리 학습된 예측 모델을 사용하여 상기 지리적 관심 영역에 대한 엔티티의 지리적 위치에서의 예상 매출액을 산출하는 단계; 및 상기 지리적 관심 영역에 대한 각 엔티티의 지리적 위치에서의 예상 매출액에 기초하여 신규 프랜차이즈 매장의 개설을 추천하기 위한 하나 이상의 후보 엔티티를 결정하고, 결정된 후보 엔티티의 지리적 위치 정보를 포함한 컨설팅 정보를 생성하여 제공하는 단계를 포함하는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법 및 이를 수행하는 인공지능 기반 프렌차이즈 컨설팅 시스템에 관련된다.

Description

인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법 {FRANCHISE CONSULTING SYSTEM BASED ON ARTIFICIAL INTELLIGENCE AND METHOD FOR CONSULTING ON OPEING NEW STORE OF TARGET FRANCHISE}
본 출원의 실시예들은 프랜차이즈 기업의 비즈니스에 대해 컨설팅하는 것에 관한 것으로서, 보다 상세하게는 대상 권역에 대한 다양한 측면의 정보 사이의 맥락을 인공지능에 기반해 정확하게 분석하여 지리적 관심 영역에서의 예상 매출액을 산출하고, 분석된 결과 및 예상 매출액을 사용해 신규매장을 개설할 가치가 있는 추천 위치를 제공하는, 프랜차이즈 기업의 비즈니스에 대해 컨설팅하는 시스템 및 방법에 관련된다.
프랜차이즈(Franchise)는 프랜차이즈 본사(franchisor)가 자신의 상품/서비스를 보다 효과적으로 판매하기 위하여 가맹업주(franchisee)에게 일정한 지원·교육을 수행하고 그 대가로 가맹금을 받는 거래관계를 의미하는 것으로서, 다른 말로 가맹사업거래라고 지칭된다. 이러한 계약 관계로 인해, 프랜차이즈 매장을 관리하는 프랜차이즈 본사는 높은 이익을 발생하는 매장을 확보하고자 노력한다.
매장에서 높은 이익을 발생하기 위한 여러 요인 중 중요한 하나의 요인은 현재 설립된 프랜차이즈 매장이 위치하거나 곧 설립될 신규 프랜차이즈 매장이 위치할 주변 지역이다. 주변 지리적 관심 영역에 해당 프랜차이즈 상품을 결제할 가능성이 높은 소비자 또는 후보 소비자가 많으면 이 프랜차이즈 매장은 높은 이익을 기대할 수 있기 때문이다.
현재 프랜차이즈 분야에서 프랜차이즈 매장의 지리적 위치를 분석하는데 다양한 측면의 정보가 활용된다. 예를 들어, 신규 매장을 설립하고자 할 경우, 매장 설립 예정 지역의 시장 상황, 인구 구성, 주변 업종, 경쟁 상황 등의 정보를 획득, 분석하고 이러한 분석에 기반하여 대상 입지를 선택하게 된다.
즉, 프랜차이즈 기업을 컨설팅하는데 있어서 프랜차이즈 매장이 위치하거나 위치할 지리적 관심 영역을 정확하게 분석하는 것이 중요하다. 그러나, 이러한 정보들을 활용하여 프랜차이즈 기업을 컨설팅하는, 종래의 컨설팅 사업은 다양한 측면의 정보를 제대로 활용해 지리적 관심 영역을 정확하게 분석하는데 한계가 있다.
구체적으로, 창업전문가들을 통해 컨설팅 서비스를 제공하는 종래의 컨설팅 사업 실시들은 1) 전적으로 창업전문가들의 경험에 의존함으로써 의뢰한 프랜차이즈 업체가 일정한 품질의 컨설팅 서비스를 기대하기 어려운 점, 2) 일부 창업전문가들이 해당 지역의 부동산 업자와 이해관계를 공유한다는 이유로, 분석결과가 아닌 본인의 이해관계에 기반하여 속임수 결과를 제공하는 문제가 있다.
최근 컴퓨터를 활용하여 프랜차이즈 매장이 위치하거나 위치할 지리적 관심 영역을 보다 정확하게 분석하려는 시도가 있다. 그러나, 지리적 관심 영역에 대한 다양한 정보에 대해서 각각의 정보를 단순히 통계적으로 정리하는 수준으로 분석하는, 저차원의 분석을 통해 컨설팅 서비스를 제공하는 수준에 불과하다.
의뢰한 프랜차이즈 업체에게 다양한 측면의 정보 사이의 맥락을 정확하게 분석하여 지리적 관심 영역에서의 예상 매출액을 산출하는 것과 같이 고차원의 컨설팅 서비스를 제공하는 것은 찾아보기 어렵다.
특허공개공보 제10-2010-0123398호 (2010.11.24.)
본 출원의 실시예들에 따르면, 대상 권역에 대한 부동산 측면의 정보, 인구 측면의 정보, 소비 패턴 측면의 정보 사이의 맥락을 인공지능에 기반해 정확하게 분석하여 지리적 관심 영역에서의 예상 매출액을 산출하고, 분석된 결과 및 예상 매출액을 사용해 대상 프랜차이즈 기업의 비즈니스를 컨설팅하는 시스템을 제공하고자 한다.
이 외에, 희망 위치를포함한 지리적 관심 영역에서의 예상 매출액을 사용해 신규매장을 개설할 가치가 있는 추천 위치를 제공하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법 및 이를 수행하기 위한 명령어를 포함한 프로그램을 기록하는 컴퓨터 판독가능 기록매체를 제공하고자 한다.
본 출원의 일 측면에 따른 적어도 하나의 프로세서에 의해 수행된 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법은 사용자 입력에 의해 신규 매장이 담당할 지리적 관심 영역을 지정하는 단계; 검색 쿼리를 수신하여 지정된 지리적 관심 영역 내 위치하는 복수의 엔티티 중 적어도 일부에 액세스하는 단계 - 상기 검색 쿼리는 엔티티의 지리적 위치, 명칭, 액세스 주소 중 하나 이상을 포함함; 액세스된 적어도 일부 엔티티 각각에 대해서, 미리 학습된 예측 모델을 사용하여 상기 지리적 관심 영역에 대한 엔티티의 지리적 위치에서의 예상 매출액을 산출하는 단계; 상기 지리적 관심 영역에 대한 각 엔티티의 지리적 위치에서의 예상 매출액에 기초하여 신규 프랜차이즈 매장의 개설을 추천하기 위한 하나 이상의 후보 엔티티를 결정하고, 결정된 후보 엔티티의 지리적 위치 정보를 포함한 컨설팅 정보를 생성하여 제공하는 단계를 포함할 수도 있다. 상기 예측 모델은 대상 프랜차이즈의 기존 매장에서 고객이 지불하여 생성된 매출 정보에 기초하여 학습된 것이다.
일 실시예에서, 상기 지리적 관심 영역을 지정하는 단계는, 제1 인터페이스 화면 상에 적어도 하나의 서브 지역을 선택하는 사용자 입력을 수신하고 선택된 서브 지역을 지리적 관심 영역으로 지정하는 것일 수도 있다.
일 실시예에서, 상기 제1 인터페이스 화면은 표시된 지역을 이루는 서브 영역의 경계를 표시한 지도 영역을 포함할 수도 있다. 적어도 일부분의 서브 지역을 선택하는 사용자 입력이 수신되면, 선택된 일부 또는 전부의 서브 지역을 지리적 관심 영역으로 지정하는 것일 수도 있다.
일 실시예에서, 상기 지리적 관심 영역의 서브 지역은 일 지점이 선택된 서브 지역이거나, 사용자 입력에 따라 형성된 면적에 적어도 부분적으로 포함된 서브 지역이거나, 또는 사용자 입력에 따른 기하학적 형상이 가로지르는 서브 지역인 것일 수도 있다.
일 실시예에서, 상기 지리적 관심 영역은 상기 제1 인터페이스 화면 상에 경계를 지정하는 사용자 입력에 의해 직접 지정되는 것일 수도 있다.
일 실시예에서, 상기 제1 인터페이스 화면은 상기 지리적 관심 영역에 대한 요약 정보 및 상기 지리적 관심 영역의 서브 지역에 대한 요약 정보 중 하나 이상을 더 포함할 수도 있다. 상기 지리적 관심 영역이 복수의 지역을 포함할 경우, 상기 지리적 관심 영역에 대한 요약 정보는 각 지역에 대한 요약 정보에 기초하여 생성된 것일 수도 있다.
일 실시예에서, 상기 예측 모델은 지리적 관심 지역 내 고객주소에 대한 대상 지리적 위치에서의 예상 매출액을 산출하도록 구성된 것으로서, 상기 선택된 엔티티의 지리적 위치가 상기 예측 모델의 상기 대상 프랜차이즈 매장의 지리적 위치로 적용될 수도 있다. 상기 지리적 관심 영역에 대한 엔티티의 지리적 위치에서의 예상 매출액을 산출하는 단계는, 상기 지리적 관심 영역 내 고객주소들에 대해서, 액세스된 각 엔티티에서의 지리적 위치에서의 예상 매출액을 각각 산출하는 단계; 및 각 엔티티에서의 지리적 위치에서의 고객주소별 예상 매출액에 기초하여 지리적 관심 영역에 대한 각 엔티티에서의 예상 매출액을 산출하는 단계를 포함한다.
일 실시예에서, 상기 결정된 후보 엔티티의 지리적 위치 정보를 포함한 컨설팅 정보는 컨설팅 화면을 통해 제공될 수도 있다. 상기 컨설팅 화면은 각 후보 엔티티의 지리적 위치에서의 고객주소별 예상 매출액 전체 중 상대적으로 큰 예상 매출액을 갖는 하나 이상의 고객주소로 이루어진 고객 목록을 포함한다.
일 실시예에서, 상기 방법은: 지리적 관심 영역 내 적어도 일부 고객주소에 연관된 예상 매출액을 제1 분석 화면을 통해 제공하는 단계를 더 포함할 수도 있다. 연관된 예상 매출액은 고객주소별 예상 매출액, 주택 유형별 예상 매출액, 및 비-주택 유형별 예상 매출액 중 하나 이상을 포함한다.
일 실시예에서, 상기 제1 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제1 마커를 사용해 부동산별 예상 매출액을 해당 부동산의 평면 형상에 표시하도록 구성될 수도 있다. 상기 제1 마커는 고객주소별 예상 매출액을 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합인 것일 수도 있다.
일 실시예에서, 복수의 제1 마커 색상은 복수의 예상 매출 구간에 대응하는 것일 수도 있다.
일 실시예에서, 상기 방법은: 지리적 관심 영역 내 주택 유형, 비-주택 유형 또는 기간시설 유형을 제2 분석 화면을 통해 제공하는 단계를 더 포함할 수도 있다. 상기 제2 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제2 마커를 사용해 부동산 유형을 해당 부동산의 평면 형상에 표시하도록 구성된다. 상기 제2 마커는 부동산 유형을 나타내도록 미리 설정된 것이다.
일 실시예에서, 상기 방법은: 지리적 관심 영역 내 토지 용도 또는 건물 용도를 제3 분석 화면을 통해 제공하는 단계를 더 포함할 수도 있다. 상기 제3 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제3 마커를 사용해 부동산별 용도를 해당 부동산의 평면 형상에 표시하도록 구성된다. 상기 제3 마커는 고객주소별 부동산 용도를 나타내도록 미리 설정된 것일 수도 있다.
일 실시예에서, 상기 방법은: 지리적 관심 영역의 거주인구의 수 또는 거류인구의 수를 제4 분석 화면 또는 제5 분석 화면을 통해 제공하는 단계를 더 포함할 수도 있다. 상기 제4 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제4 마커를 사용해 부동산별 거주인구의 수를 해당 부동산의 평면 형상에 나타내도록 구성된다. 상기 제5 분석 화면은 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제5 마커를 사용해 부동산별 거류인구의 수를 해당 부동산의 평면 형상에 나타내도록 구성된다.
일 실시예에서, 상기 제4 마커 또는 제5 마커는 색상으로서, 복수의 마커 색상은 복수의 거주인구 구간 또는 복수의 거류인구 구간에 대응하는 것이다.
일 실시예에서, 상기 방법은: 지리적 관심 영역 내 경쟁자 정보를 제6 분석 화면을 통해 제공하는 단계를 더 포함할 수도 있다. 상기 제6 분석 화면은, 지리적 관심 영역 내에 위치한 경쟁자 매장의 지리적 위치를 지도 상에 표시하도록 구성된다.
일 실시예에서, 상기 방법은: 지리적 관심 영역 내 구매가능 지수 정보를 제7 분석 화면을 통해 제공하는 단계를 더 포함할 수도 있다. 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제7 마커를 사용해 각각 액세스된 엔티티의 지리적 위치에서의 구매가능지수를 해당 부동산의 평면 형상에 나타내도록 구성된다. 상기 제7 마커는 고객주소별 구매가능지수를 나타내도록 미리 설정된 것이다.
일 실시예에서, 상기 제7 분석 화면에서 엔티티의 지리적 위치에서의 구매가능지수는 각 구매가능지수의 값에 따른 고객주소의 수를 통계화한 그래프를 포함할 수도 있다.
일 실시예에서, 상기 예측 모델은 제1 모델; 제2 모델 및 제3 모델을 포함할 수도 있다. 상기 제1 모델은 상기 지리적 관심 영역 내 일부 또는 전부의 고객주소에 대해서, 각각의 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하도록 구성된다. 상기 제2 모델은 상기 지리적 관심 영역 내 각각의 고객주소에 대한 대상 지리적 위치의 경쟁 지수 및 상기 상기 지리적 관심 영역에 대한 배후지 정보에 기초하여 대상 지리적 위치에서의 특정 고객주소에 대한 구매가능지수를 산출하도록 구성된다. 상기 제3 모델은 특정 고객주소에 대한 대상 지리적 위치의 구매가능지수가 입력되면, 상기 특정 고객주소에 대해 대상 지리적 위치의 예상 매출액을 산출하도록 구성된다. 상기 엔티티의 지리적 위치에서의 구매가능지수는 제2 모델에 의해 고객주소별로 산출된 대상 지리적 위치에서의 구매가능지수일 수도 있다.
본 출원의 다른 일 측면에 따른 컴퓨터 판독가능 기록매체는 상술한 실시예들에 따른 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법을 수행하기 위한 프로그램을 기록할 수도 있다.
본 출원의 실시예들에 따른 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법은 대상 지역에 매장을 개설할 경우 예상되는 매출액을 지리적 위치에 기반하여 정확하게 산출함으로써, 신규 매장 개설 위험을 정량적으로 서술하여 대상 프랜차이즈 고객의 비즈니스 전략에 도움을 줄 수도 있다.
본 발명 또는 종래 기술의 실시예의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 위한 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 본 출원의 일 측면에 따른, 컨설팅 시스템의 시스템 아키텍처의 개략도이다.
도 2는, 본 출원의 일 실시예예 따른, 예상 매출액을 산출하는 예측 모델의 네트워크의 개략도이다.
도 3은, 본 출원의 일 실시예예 따른, 예측 모델을 학습하는 과정의 개략도이다.
도 4는, 본 출원의 다른 일 측면에 따른, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법의 흐름도이다.
도 5a 및 도 5b는, 본 출원의 일 실시예에 따른, 지리적 관심 영역을 지정하기 위해 서브 영역을 선택하는 제1 인터페이스 화면을 도시한 도면이다.
도 6은, 도 5a 및 도 5b의 서브 영역의 선택에 의해 지정된 지리적 관심 영역을 도시한 도면이다.
도 7a 및 도 7b는, 본 출원의 일 실시예에 따른, 지리적 관심 영역 내 엔티티에 액세스하는 제2 인터페이스 화면을 도시한다.
도 8은, 본 출원의 일 실시예에 따른, 후보 엔티티의 지리적 위치를 제공하는 컨설팅 화면을 도시한다.
도 9a 및 도 9b는, 본 출원의 일 실시예에 따른, 엔티티의 지리적 위치에서의 예상 매출액 산출 결과를 제공하는 제1 보고 화면을 도시한다.
도 10은, 본 출원의 일 실시예에 따른, 주택 정보를 제공하는 제2 분석 화면을 도시한다.
도 11은, 본 출원의 일 실시예에 따른, 건물 정보를 제공하는 제3 분석 화면을 도시한다.
도 12는, 본 출원의 일 실시예에 따른, 거주인구 정보를 제공하는 제4 분석 화면을 도시한다.
도 13은, 본 출원의 일 실시예에 따른, 거류인구 정보를 제공하는 제5 분석 화면을 도시한다.
도 14는, 본 출원의 일 실시예에 따른, 경쟁자 정보를 제공하는 제6 분석 화면을 도시한다.
도 15a 및 도 15b는, 본 출원의 일 실시예에 따른, 구매가능 지수 정보를 제공하는 제7 분석 화면을 도시한다.
이하에서, 도면을 참조하여 본 출원의 실시예들에 대하여 상세히 살펴본다.
그러나, 이는 본 개시(disclosure)를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 명세서에서, “가진다,” “가질 수 있다,”“포함한다,” 또는 “포함할 수 있다” 등의 표현은 해당 특징(예: 수치, 기능, 동작, 단계, 부품, 요소 및/또는 성분 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재나 부가를 제외시키는 것이 아니다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
다양한 실시예에서 사용된 “제 1”, “제 2”, “첫째” 또는 “둘째” 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 해당 구성요소들을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다. 예를 들면, 제1 구성요소와 제2 구성요소는, 순서 또는 중요도와 무관하게, 서로 다른 구성요소를 나타낼 수 있다.
본 명세서에서 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 구성(또는 설정)된”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 구성(또는 설정)된 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.
도 1은, 본 출원의 일 측면에 따른, 컨설팅 시스템의 시스템 아키텍처의 개략도이다.
도 1을 참조하면, 인공지능 기반 프렌차이즈 컨설팅 시스템(1, 이하 “컨설팅 시스템”)은 대상 프랜차이즈 관리 시스템(100); 및 매장 단말(300)을 포함한다.
대상 프랜차이즈 관리 시스템(100)은 복수의 매장 단말(300)과 통신하도록 구성된다. 상기 대상 프랜차이즈 관리 시스템(100)은 매장을 관리하고 대상 프랜차이즈 브랜드를 운영하는 프랜차이즈 본사에 의해 운영될 수도 있다.
실시예들에 따른 컨설팅 시스템(1)은 전적으로 하드웨어이거나, 전적으로 소프트웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 시스템은 데이터 처리 능력이 구비된 하드웨어 및 이를 구동시키기 위한 운용 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 가능한 컴퓨팅 장치일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
컨설팅 시스템(1)은 보다 효율적인 컨설팅을 위해, 지리적 위치를 통해 기업과 인구 간의 비즈니스 관계를 분석한다. 기업의 활동은 동일 공간(예컨대, 매장)에서 가상의 기업과 실제 사람이 상호작용하는 것을 통해 구현된다.
기업의 활동은 매장의 실적으로 취급될 수도 있다. 광고 등의 외부 활동은 궁극적으로 기업의 실적을 향상시키기 위한 것이다. 매장의 실적은 매장이 위치한 주변 지역의 성격, 매장이 위치한 부동산(즉, 토지/건물)의 성격, 매장의 주변 지역의 거주 인구, 유동 인구의 성격에 의존한다.
컨설팅 시스템(1)은 지역의 부동산 정보 등을 고려하여 대상 프랜차이즈에 대한 컨설팅 정보를 산출한다.
부동산 정보는 대상 프랜차이즈 매장이 개설 가능한 부동산 또는 그 주변의 부동산을 서술하는 정보이다. 상기 부동산 정보는 개별 부동산 단위별로 획득될 수도 있다.
부동산의 위치는 행정 위치, 지리 위치로 표현될 수도 있다. 행정 위치는 주소로 표현될 수도 있다. 지리 위치는 위도/경도로 표현될 수도 있다.
특정 실시예들에서, 상기 컨설팅 시스템(1)은 토지 정보, 건물 정보, 주택 정보, 비-주택 정보, 기간시설 정보 중 하나 이상을 포함한 부동산 정보를 획득할 수도 있다.
토지 정보는 대상기업 또는 경쟁기업의 매장이 위치 가능한 공간 또는 그 주변 공간을 토지 측면에서 서술하는 정보로서, 상기 컨설팅 시스템(1)은 토지 단위별로 각각의 토지 정보를 획득할 수도 있다.
일 실시예에서, 토지 정보는 지적도, 토지용도, 공시지가, 지형, 지세, 고도, 경사, 위치, 면적 등을 포함한다.
상기 토지이용은 지적법에서 정의한 용도 중 어느 하나로 표현될 수도 있다. 예를 들어, 특정 토지의 용도는 논(전), 밭(답), 과수원(과), 목장용지(목), 임야(임), 광천지(광), 염전(염), 대지(대), 공장용지(공), 주유소(주), 잡종지(잡), 도로, 녹지, 공원 등과 같은 28가지의 지목 중 어느 하나로 표현될 수도 있다.
건물 정보는 대상기업 또는 경쟁기업의 매장이 위치 가능한 구조물, 또는 그 주변 구조물을 서술하는, 건물 측면의 부동산 정보이다.
상기 컨설팅 시스템(1)은 건물 단위별로 각각의 건물 정보를 획득할 수도 있다.
상기 건물 정보는 위치, 건축년도, 건물용도, 구조, 면적, 소유주, 실거래가 등을 포함한다.
건물의 위치는 구조물의 위치를 포함한다. 상기 구조물의 위치는, 건물 주소와 같은 일반적인 부동산의 위치이다.
또한, 상기 건물의 위치는 구조물 내에서의 위치를 포함한다. 매장은 구조물의 일부 또는 전부의 공간을 차지할 수도 있다. 상기 매장은 구조물에서 토지의 표면 상에 위치하거나, 또는 지하에 위치할 수도 있다.
건물용도는 건축법에서 정의한 용도 중 어느 하나로 표현될 수도 있다. 예를 들어, 특정 건물의 용도는 업무시설, 제1종근린생활, 제2종근린생활, 판매시설, 교육연구시설 등과 같은 8군의 시설 중 어느 하나로 표현될 수도 있다.
주택 정보는 건물에 대해서 사람이 주거 가능한 주택인지 서술하는 정보이다. 상기 컨설팅 시스템(1)은 주택 단위별로 각각의 주택 정보를 획득할 수도 있다. 상기 주택 단위는 건물의 일부일 수도 있다. 예를 들어, 상기 주택 단위는 하나 이상의 세대, 호, 가구를 포함할 수도 있다.
주택 정보는 거주자 정보, 주택 위치, 주택 유형, 시세, 면적, 인허가 일자, 철거 일자, 주택을 포함한 건물 정보 또는 토지 정보 중 일부 또는 전부 등을 포함한다.
거주자 정보는 해당 주택에 거주하는 개인의 성명, 성별, 나이, 주민번호, 개인의 소득, 가족 관계, 거주자들 사이의 관계 등을 포함할 수도 있다. 단일 주택에 다수의 거주자가 거주할 경우, 주택 정보는 다수 거주자 각각의 거주자 정보; 및 해당 주택의 전체 거주자 수를 포함할 수도 있다.
주택 위치는 주택을 포함한 건물 또는 토지의 위치를 포함한다. 또한, 주택 위치는 건물 또는 토지 내 상대적 위치를 포함할 수도 있다.
주택 유형은 단독주택 또는 공동 주택을 포함한다. 또한, 공동 주택은 세부 유형을 가질 수도 있다. 예를 들어, 공동 주택의 세부 유형은 연립다세대, 아파트, 도시형생활주택, 오피스텔을 포함할 수도 있다. 주택 정보는 공동주택에서 어떤 공동 주택인지 서술할 수도 있다.
비-주택 정보는 건물에 대해서 일반적으로 사람이 주거하지 않는 구조물로 취급되는, 비-주택인지 서술하는 정보이다. 비-주택은 임시로 머무는 거류자(들)와 관련된다.
비-주택 정보는 거류자 정보, 비-주택 위치, 비-주택 유형, 시세, 면적, 인허가 일자, 철거 일자, 비-주택을 포함한 건물 정보 또는 토지 정보 중 일부 또는 전부 등을 포함한다.
거류자는 자신의 거주지 보다 거류지에서 더 많은 자신의 삶의 일부(예컨대, 업무)를 소모할 수도 있다. 거류자는 예를 들어, 초/중/고/대학생, 직장인, 입원 환자, 경로당 노인 등을 포함할 수도 있다.
상기 거류자 정보는 해당 비-주택에 거류하는 개인의 성명, 성별, 나이, 주민번호, 거류 사유 등을 포함할 수도 있다.
또한, 상기 거류자 정보는 직장인의 경우, 근무하는 직장에 관한 직장 정보를 더 포함할 수도 있다. 직장 정보는 대상 직장 업종, 대상 직장의 근속년수, 평균급여, 업종 등을 포함할 수도 있다. 상기 직장 업종은 사업장 분류일 수도 있다.
비-주택 유형은 업무시설, 공장, 창고, 지식산업센터, 소방서, 경찰서, 관공서, 학교, 교육연구시설, 병원, 의원, 상가, 대형마트, 쇼핑몰 등을 포함할 수도 있다.
상기 컨설팅 시스템(1)은 비-주택 단위별로 각각의 비-주택 정보를 획득할 수도 있다. 비-주택 단위는 비-주택 유형의 공간일 수도 있다. 특정 구조물 또는 내부 공간이 외부와 구별되어 비-주택으로 활용되는 공간 범위가 정의되어야 해당 구조물 또는 내부 공간이 미리 정의된 비-주택 유형 중 어느 하나에 속하는지 결정되기 때문이다.
주택, 비-주택 정보는 특정 건물 유형을 포함하므로, 건물 정보는 주택 정보 또는 비-주택 정보와 적어도 부분적으로 동일한 정보를 공유할 수도 있다. 예를 들어, 특정 건물이 주거업무시설군에 속하면서 주택일 경우, 건물 정보와 주택 정보는 동일한 부분 정보를 공유할 수도 있다.
기반시설 정보는 지리적 관심 영역의 지역 사회 기능을 유지하는데 필요한 시설물을 서술하는 정보이다. 기반시설 정보는 기반시설 위치, 기반시설 유형, 면적, 인허가 일자, 철거 일자, 기반시설에 속하는 부속 건물 또는 위치한 토지 정보 중 일부 또는 전부 등을 포함한다.
기반시설의 유형은 국토의 계획 및 이용에 관한 법률에서 정의한 시설로 표현될 수도 있다. 예를 들어, 기반시설의 유형은 도로, 철로, 다리, 지하철, 버스정류장과 같은, 7개 군, 46종으로 정의될 수도 있다.
상기 컨설팅 시스템(1)은 시설 단위별로 각각의 비-주택 정보를 획득할 수도 있다. 시설 단위는 시설 유형의 공간일 수도 있다. 특정 구조물 또는 내부 공간이 외부와 구별되어 시설로 활용되는 공간 범위가 정의되어야 해당 구조물 또는 내부 공간이 미리 정의된 기반시설 유형 중 어느 하나에 속하는지 결정되기 때문이다.
또한, 기반시설 정보는 매장이 위치 가능한 공간과 주변 기반시설과의 상대적인 공간 관계를 더 포함할 수도 있다. 기반시설 정보는 매장이 위치하는 건물이 역세권에 속하는지 여부, 주변 기반시설까지의 거리와 같은 공간 관계를 더 포함할 수도 있다.
기반시설 정보는 건물 정보, 주택 정보, 비-주택 정보 중 하나 이상의 정보와 적어도 부분적으로 동일한 정보를 공유할 수도 있다. 예를 들어, 특정 건물(예컨대, 학교, 공공청사 등)이 기반시설로서 비-주택으로 취급될 경우, 해당 건물의 건물 정보, 기반시설 정보, 비-주택 정보는 동일한 부분 정보를 공유할 수도 있다.
컨설팅 시스템(1)은 토지대장, 건축물대장과 같은 원시 부동산 정보를 수신하고, 미리 지정된 템플릿에 적용하여 상기 부동산 정보를 생성할 수도 있다. 상기 템플릿은 원시 정보 내 항목, 값과 상기 부동산 정보의 형식의 속성, 값을 서로 매핑한 정보 구조물일 수도 있다.
기업 정보는 대상 프랜차이즈 정보를 포함한다. 또한, 상기 기업 정보는 경쟁자 정보를 포함한다.
경쟁자는 대상 프랜차이즈와 동종 업계의 경쟁자로서, 대상 프랜차이즈의 기존 매장과 동일한 지역 또는 대상 프랜차이즈의 신규 매장이 입점할 신규 지역 내에 동종 매장을 갖는 동종 업계의 다른 프랜차이즈 기업 또는 개인 매장, 소규모 매장일 수도 있다.
또한, 상기 경쟁자는 해당 지리적 관심 영역에는 매장이 없지만, 주변 지역에 이미 매장이 있거나 상기 지리적 관심 영역에 매장을 신설할 가능성이 있는 동종 프랜차이즈 브랜드를 더 포함할 수도 있다.
경쟁자 정보는 이러한 경쟁자에 관한 정보를 포함한다.
상기 대상 프랜차이즈 정보, 경쟁자 정보는 해당 기업의 내부 정보 및/또는 공개 정보를 포함한다. 예를 들어, 상기 기업 정보에서 대상 프랜차이즈 정보는 내부 정보 및 공개 정보를 포함하고, 경쟁자 정보는 공개 정보를 포함할 수도 있다.
기업 내부 정보는 매장 정보, 매출 정보 및/또는 운영 정보를 포함한다.
상기 매장 정보는 현재 매장이 설립되어 대상 프랜차이즈 브랜드로 운영되는 매장에 관한 정보로서 해당 기업의 매장의 유형(예컨대, 본사 직영점 또는 가맹점), 매장의 지리적 위치, 매장 명칭(또는 식별자), 매장 면적, 개업 일자, 및/또는 폐업 일자 등을 포함할 수도 있다.
프랜차이즈 매장은 토지, 건물에 설립된다. 매장 정보는 토지 정보, 건물 정보와 적어도 부분적으로 동일한 정보를 공유할 수도 있다.
운영 정보는 GIS(Geographic Information System) 권역 등을 포함할 수도 있다.
매출 정보는 매장별 매출 정보, 권역별 매출 정보 및/또는 프랜차이즈 브랜드 전체(또는 기업)의 매출 정보 등을 포함할 수도 있다.
상기 매장별 매출 정보는 해당 매장의 단말(300)에 기록된 매출 정보일 수도 있다. 상기 매장 단말(300)은 매장에서 발생한 매출 정보를 기록하고, 대상 프랜차이즈 관리 시스템(100)과 통신하여 매장의 매출 정보를 전송하도록 구성된다. 상기 매장 단말(300)은 컴퓨터, 스마트 폰, 카드 결제기, POS 단말 등을 포함할 수도 있다.
상기 매출 정보는 결제 경로, 결제 시간, 결제 수단, 결제 유형, 구매자의 성명, 주소, 카드 번호, 계좌 등을 포함할 수도 있다.
결제 경로는 주문 경로로서, 오프라인 경로 및 비-오프라인 경로를 포함한다. 오프라인 경로는 매장에서 주문하는 것을 포함한다. 비-오프라인 경로는 전화로 주문하는 것, 또는 인터넷으로 주문하는 것을 포함한다.
결제 수단은 상품 금액을 지불하는기 위해 구매자가 사용한 수단으로서, 현금, 신용카드, 직불카드, 온라인 이체, 상품권, 기타 전자화폐(예컨대, 지역 화폐) 등을 포함할 수도 있다.
결제 유형은 일시불, 할부 등을 포함할 수도 있다.
이러한 기업 내부 정보는 컨설팅을 의뢰한 대상 프랜차이즈 브랜드로부터 획득된다.
기업의 공개 정보는 정보통신 기술을 통해 외부에 공개된 기업 관련 정보로서, 업종 정보, 브랜드 정보 중 하나 이상을 포함한다.
업종 정보는 해당 기업이 속하는 기업 분류이다. 유가증권거래소의 업종 정보, 상공인 상가업소 분류에 따른 업종 정보일 수도 있다.
브랜드 정보는 해당 기업이 갖고 있는 상품, 서비스를 서술하는 정보이다. 상기 브랜드 정보는 해당 기업의 매장 정보를 포함할 수도 있다. 기업 공개 정보의 매장 정보와 기업 내부 정보의 매장 정보는 부분적으로 일치할 수도 있다. 예를 들어, 기업 공개 정보의 매장 정보는 경쟁사의 매장 명칭, 지리적 위치, 면적, 개점일 등을 포함할 수도 있다.
이러한 외부 정보는 해당 기업으로부터 획득하거나, 또는 웹 상에서 크롤링 등을 통해 획득할 수도 있다. 예를 들어, 대상/경쟁 프랜차이즈의 업종 정보는 유가증권거래소의 기업 공개 정보, 상공인 상가업소 정보, 또는 관공서의 인허가 정보로부터 검색하여 획득될 수도 있다.
인구 정보는 매장이 위치 가능한 지역(예컨대, 국가 또는 행정구획)에 생존하는 사람을 서술하는 정보이다. 상기 사람은 기존 고객이거나 또는 고객으로 전환될 수도 있는 잠재 고객이다. 인구 정보는 성명, 나이, 성별, 거주지(주소), 직장, 소득, 지출, 소비, 자산, 부채, 등을 포함할 수도 있다. 본 명세서에서는 설명의 명료성을 위해, 고객과 잠재 고객을 모두 용어 “고객”으로 지칭할 수도 있다. 그러나, 본 출원의 실시예들이 기존의 고객에 제한되지 않는다는 것이 통상의 기술자들에게 명백할 것이다.
상기 인구 정보는 해당 지역에 거주하는 거주자로 이루어진 거주인구 정보에 국한되지 않는다. 상기 인구 정보는 거류인구 정보 및/또는 유동인구 정보를 더 포함할 수도 있다.
이러한 인구 정보는 주민등록정보, 국민연금 정보로부터 획득될 수도 있다.
일 실시예에서, 상기 컨설팅 시스템(1)은 부동산 정보, 기업 정보 또는 인구 정보에 포함된 지리적 위치 정보를 정제하는 엔진(10)을 더 포함할 수도 있다.
상기 엔진(10)은 원시 위치 정보를 미리 지정된 형식으로 변환한다. 특정 실시예들에서, 상기 엔진(10)은 원시 위치 정보를 미리 지정된 룰(Rules)에 따라 코드화할 수도 있다.
상기 컨설팅 시스템(1)은 부동산 정보, 기업 정보 및 인구 정보 간의 맥락을 분석하여 대상 지리적 위치에서의 예상 매출액을 산출할 수도 있다.
상기 대상 지리적 위치는 기존 대상 프랜차이즈 매장 또는 신규 설립할 매장의 지리적 위치를 포함한다.
상기 컨설팅 시스템(1)은 기업 정보, 부동산 정보 및 인구 정보 간의 맥락을 고려하기 위해 부동산 정보, 기업 정보, 인구 정보 중 2이상의 조합을 서로 매칭하여 서로 다른 측면의 정보 간의 맥락을 서술한 맥락 정보를 하나 이상 생성할 수도 있다. 특정 실시예들에서, 상기 맥락 정보는 고객주소별 매출 정보, 매장에 대한 고객의 관심 정보 및 지역 내 고객에 대한 배후지 정보를 포함할 수도 있다.
상기 컨설팅 시스템(1)은 매장에 대한 고객의 관심 정보, 지역 내 고객에 대한 배후지 정보를 통해 다양한 측면의 정보 간의 맥락을 분석하여 대상 지리적 위치에서의 예상 매출액을 산출하는 예측 모델을 학습할 수도 있다.
예측 모델
도 2는, 본 출원의 일 실시예예 따른, 예상 매출액을 산출하는 예측 모델의 네트워크의 개략도이고, 도 3은, 본 출원의 일 실시예예 따른, 예측 모델을 학습하는 과정의 개략도이다.
도 2를 참조하면, 상기 예측 모델은 복수의 데이터 세트로 이루어진 트래이닝 데이터 세트를 지리적 관심 지역 내 대상 지리적 위치에서의 예상 매출액을 산출하도록 학습된다.
도 3을 참조하면, 대상 프랜차이즈 관리 시스템(100)은 예측 모델의 입력 데이터 세트로서 적용될 트래이닝 데이터 세트를 생성한다. 트래이닝 데이터 세트 내 복수의 데이터 세트 각각은 동일 지역(예컨대, 지리적 관심 지역)에 위치한 대상 프랜차이즈 매장 및 경쟁자 매장 중 적어도 일부에 각각 대응한다.
상기 복수의 데이터 세트 중 적어도 하나의 데이터 세트(예컨대, 어느 하나의 데이터 세트)는 대상 프랜차이즈 매장에 대한 데이터의 집합이다. 나머지 데이터 세트는 경쟁자 매장에 대한 데이터의 집합이다.
상기 경쟁자 매장은 경쟁 프랜차이즈 브랜드 및/또는 기타 매장을 포함할 수도 있다. 기타 매장은 대상 프랜차이즈 매장과 동일한 지역에 설립된 동종 업계의 매장으로서, 지정된 경쟁 프랜차이즈 매장 이외의 나머지 중 일부 또는 전부를 포함할 수도 있다.
예를 들어, 1개의 대상기업과 4개의 경쟁기업 간의 경쟁 지수를 산출하도록 제1 모델을 학습할 경우, 5개의 데이터 세트를 포함한 트래이닝 데이터 세트가 사용될 수도 있다.
트래이닝 데이터 세트 내 각 데이터 세트는 특정 매장에 대한 복수의 트래이닝 샘플로 이루어진다. 트래이닝 샘플은 상기 특정 매장에 대한 기업 정보의 일부 또는 전부, 특정 지역 내 고객에 대한 부동산 정보의 일부 또는 전부, 상기 특정 지역 내 고객에 대한 인구 정보의 일부 또는 전부에 기초한다.
트래이닝 샘플은 상기 특정 매장에서 결제한 구매자의 주소, 구매자의 주소의 부동산 정보, 지리적 위치(예컨대, 매장)의 부동산 정보, 지리적 위치(예컨대, 매장)의 매장 정보에 기초할 수도 있다.
특정 트래이닝 샘플은 특정 고객주소에 대한 정보의 집합이다. 각각의 복수의 트래이닝 샘플은 고객주소별로 서브 세트화될 수도 있다.
특정 실시예들에서, 각 트래이닝 샘플은 해당 매장에 대한 맥락 정보를 포함할 수도 있다. 예를 들어, 각 트래이닝 샘플은 해당 매장에 대한 고객주소별 매출 정보, 해당 매장이 위치한 지역 내 고객주소별 배후지 정보, 및/또는 해당 매장에 대한 고객의 관심 정보를 각각 포함할 수도 있다. 이러한 맥락 정보를 포함한 트래이닝 샘플은 상기 대상 프랜차이즈 관리 시스템(100)에 의해 생성된다.
상기 대상 프랜차이즈 관리 시스템(100)은 대상 프랜차이즈의 매출 정보 및 지리적 관심 영역 내 부동산 정보에 기초하여 고객주소별 매출 정보를 생성할 수도 있다.
상기 대상 프랜차이즈 관리 시스템(100)은 지리적 관심 영역에서 대상 프랜차이즈 매장에서 결제한 구매자의 주소, 부동산 정보 중 부동산 주소를 통해 구매자의 부동산과 대상 프랜차이즈 매장의 매출을 매칭시킨다. 상기 대상 프랜차이즈 관리 시스템(100)은 구매자의 주소를 통해 구매자에 대한 부동산 정보 중 일부 또는 전부, 그리고 매출 정보 중 일부 또는 전부를 결합하여 고객주소별 매출 정보를 생성할 수도 있다.
개인(또는 구매자)은 주소로 식별할 수도 있다. 하나의 구매자가 하나 이상의 자신의 주소에서 매출을 발생시키는 것은 구매자와 하나 이상의 자신의 주소를 일치화할 수도 있다. 예를 들어, 구매자가 자신의 주택 주소에서 배달을 할 경우, 구매자와 주택 주소는 일치화될 수도 있다.
또한, 동일한 주소를 공유하는 다수의 구매자는 소비패턴, 생활 방식과 같은 결제 성향, 소득 수준 중 적어도 일부분이 유사하므로, 유사한 경향을 공유하는 다수의 구매자들을 하나의 주소로 식별하는 것이 무방하다.
일부 실시예들에서, 엔진(10)에 의해 위치 정보가 코드화된 경우, 대상 프랜차이즈 관리 시스템(100)은 위치 코드를 통해 고객과 대상 프랜차이즈 매장의 매출을 매칭할 수도 있다. 고객주소별 매출 정보를 변환된 위치 코드를 포함한다.
이러한 결합을 통해 매장 또는 고객에 대응한 건물의 접면 도로 크기, 건물의 용도, 규모와 매출 간의 맥락이 분석 가능하다. 컨설팅 시스템(1)은 고객과 대상 프랜차이즈 매장 매출 사이의 맥락을 상기 고객주소별 매출 정보를 통해 분석 가능하다.
상기 대상 프랜차이즈 관리 시스템(100)은 대상 프랜차이즈의 기업 정보, 및 부동산 정보에 기초하여 지리적 관심 영역 내 대상 프랜차이즈 매장별 위치, 크기 및/또는 운영 기간 정보를 생성할 수도 있다.
또한, 상기 대상 프랜차이즈 관리 시스템(100)은 경쟁 매장의 기업 정보, 및 부동산 정보에 기초하여 지리적 관심 영역 내 경쟁 매장별 위치, 크기 및/또는 운영 기간 정보를 생성할 수도 있다.
또한, 상기 대상 프랜차이즈 관리 시스템(100)은 기업 정보 및 부동산 정보에 기초하여 매장에 대한 고객의 관심 정보를 생성한다. 상기 매장에 대한 고객의 관심 정보는 매장의 지리적 위치와 고객주소 사이의 거리, 매장의 크기, 매장의 운영 기간 중 하나 이상을 포함할 수도 있다. 특정 실시예들에서, 상기 대상 프랜차이즈 관리 시스템(100)은 상기 매장에 대한 고객의 관심 정보를 관심 벡터로 표현할 수도 있다. 이에 대해서는 아래의 도 2를 참조해 보다 상세히 서술한다.
상기 대상 프랜차이즈 관리 시스템(100)은 부동산 정보 및 인구 정보에 기초하여 지리적 관심 영역 내 일부 또는 전부의 고객주소에 대해서, 고객주소별 배후지(hinterland) 정보를 생성한다. 특정 지역에 대한 배후지 정보는 프랜차이즈 매장이 설립되었거나 설립될 특정 위치를 기준으로 특정 지역에서 거주하거나 이동하는 사람들이 해당 프랜차이즈 매장에서 결제할 가능성을 분석하는데 사용된다.
상기 고객주소별 배후지 정보는 특정 지역과 같은 지리적 영역 내 고객주소별 거주인구 정보 및/또는 거류인구 정보를 포함한다.
거주인구 정보는 특정 지역 내에서 거주하는 개인을 포함한, 거주인을 서술하는 정보이다. 거주인구는 상기 특정 지역 내 적어도 하나의 부동산에 일정 기간 동안 머무는 개인을 포함한다. 예를 들어, 거주인구는 전입신고를 한 임차인, 실거주자 등을 포함할 수도 있다. 대상 프랜차이즈 매장에서 결제한 개인이 거주자인 경우, 거주인구 정보는 거주인에 해당한 고객주소에 대한 배후지 정보이다.
거주인구 정보는 거주자 정보, 거주자 각각의 소득 정보를 포함할 수도 있다. 이러한 거주인구 정보는 주민등록인구 정보에 기초하여 획득될 수도 있다.
일 실시예에서, 상기 거주인구 정보는 특정 지역 내 주택 각각에 대해서, 단일 주택 또는 다수의 주택별 인구수를 포함할 수도 있다. 컨설팅 시스템(1)의 처리 자원에 따라서, 상기 거주인구 정보는 법정 동별 세대당 인구수이거나, 법정 동별 세대 그룹 당 인구수를 포함할 수도 있다. 법정 동별 세대 그룹 당 인구수는 같은 법정 동별 내 위치하는 다수의 세대(예컨대, 수 세대, 수십 세대 또는 수백 세대)로 이루어진 세대 그룹에 거주하는 인구수의 총합이다. 일부 실시예들에서, 세대 그룹은 우편번호를 기준으로 그룹화될 수도 있다.
대상 프랜차이즈 관리 시스템(100)은 주택 정보에 포함된 거주자 정보를 통해 부동산 정보 및 인구 정보를 결합하여 특정 지역 내 거주인구 정보를 생성한다.
거류인구 정보는 특정 지역 내 적어도 하나의 부동산에 임시적으로 머무는 개인을 포함한, 거류자를 서술하는 정보이다. 여기서 개인이 임시적으로 머무는 것은 일정 기간이 경과하면 특정 부동산으로 복귀하기 이전까지 상기 특정 지역 내 부동산에 임시적으로 머무는 것을 의미한다. 대상 프랜차이즈 매장에서 결제한 개인이 거류자일 경우, 거류인구 정보는 거류인에 해당한 고객주소에 대한 배후지 정보이다.
특정 실시예들에서, 상기 거류인구 정보는 직장 정보를 포함할 수도 있다.
대상 프랜차이즈 관리 시스템(100)은 비-주택 정보에 포함된 거류자 정보를 통해 부동산 정보 및 인구 정보를 결합하여 특정 지역 내 거주인구 정보를 생성한다.
이러한 결합을 통해 특정 지역의 환경(상권발달, 주택가 등)의 정보 간의 맥락이 분석 가능하다. 컨설팅 시스템(1)은 지역 내 부동산과 지역 내 인구 사이의 맥락을 고객주소별 배후지 정보를 통해 분석한다.
이러한 입력 데이터 세트는 대상 위치에서의 매출액 예측 값을 산출하는 성능을 학습하기 위해 상기 예측 모델에 입력된다.
특정 실시예들에서, 상기 예측 모델은 제1 모델; 제2 모델 및 제3 모델을 포함할 수도 있다.
상기 제1 모델은 지리적 관심 영역 내 일부 또는 전부의 고객주소에 대해서, 각각의 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하도록 구성된다. 상기 고객주소는 거주지 및/또는 거류지 주소일 수도 있다.
고객주소에 대한 대상 지리적 위치의 경쟁 지수는 동일한 주소에 대응한 고객에 대해서 대상 지리적 위치와 다른 경쟁 매장 사이의 경쟁 정도를 나타내는 값이다.
매장 간의 경쟁은 동일한 니즈를 갖는 특정 구매자와 어느 매장이 밀접하게 비즈니스 관계를 갖는 것으로 표현된다. 예를 들어, 피자를 사고 싶은 특정 구매자가 여러 매장과 접촉할 가능성이 있으면, 해당 특정 구매자에 대해서는 여러 매장이 경쟁 관계를 가지는 것으로 취급될 수도 있다.
전술한 바와 같이 매장에 대해 관심을 갖는 개인이 거주지 또는 거류지의 주소에 대응하므로, 매장 간의 경쟁 관계는 대상 프렌차이즈 매장 또는 경쟁 매장과 개인의 주소와의 관계로 표현될 수도 있다. 이와 같이 서로 다른 매장에서 동일한 개인을 바라보는 시선은 경쟁으로 취급된다.
상기 제1 모델은 각각의 고객주소를 통해, 고객과 대상 지리적 위치 간의 관계 및 동일한 고객과 경쟁 매장 간의 관계에 기초하여 각각의 고객에 대한 경쟁 지수를 산출한다.
상기 제1 모델은 다수의 노드를 포함한 뉴럴 네트워크 구조를 가질 수도 있다. 상기 제1 모델은 다수의 노드가 연결된 완전 연결층을 포함할 수도 있다.
일 실시예에서, 상기 제1 모델은 제1층; 및 제2 층을 포함할 수도 있다.
상기 제1 층은 지리적 관심 지역 내 적어도 일부의 고객주소, 대상 지리적 위치(예컨대, 대상 프랜차이즈 매장의 위치), 상기 대상 지리적 위치의 매장 정보, 경쟁자 매장의 지리적 위치 및/또는 경쟁자 매장의 매장 정보 중 하나 이상이 입력되면, 각각의 고객주소와 대상 지리적 위치 간의 관계를 나타낸 관계 벡터 및 각각의 고객주소와 경쟁자 매장의 지리적 위치 간의 관계를 나타낸 관계 벡터를 산출하도록 구성된다.
매장 정보는 매장 크기 및/또는 매장 운영 기간을 포함한다.
상기 관계 벡터는 지리적 위치(예컨대, 대상 프랜차이즈 매장)과 구매자 간의 거리(D), 해당 매장의 크기(S) 및/또는 해당 매장의 운영 기간(T)의 값을 벡터 성분으로 포함할 수도 있다.
성분 D는 매장의 지리적 위치와 개인 간의 거리로서, 매장 주소와 고객주소 간의 거리로 산출될 수도 있다. 성분 D는 지리적 위치 간의 절대적 거리 또는 개인 또는 이동 수단을 통해 이동할 수 있는 경로 상의 거리의 값으로 표현될 수도 있다.
성분 S는 매장이 차지하는 공간의 크기로서, 매칭된 위치를 갖는 부동산의 크기일 수도 있다.
성분 T는 매장의 오픈 시간으로부터 현재시간 까지의 기간, 영업 종료까지의 시간 또는 대상 프랜차이즈의 탈퇴 시간까지의 기간의 값으로 표현될 수도 있다.
특정 실시예들에서, 상기 맥락 정보 내 매장에 대한 고객주소의 관심 정보는 상기 관계 벡터일 수도 있다. 제1층에 의해 대상 지리적 위치에 대한 고객의 관심 정보 및 경쟁 매장에 대한 고객의 관심 정보를 벡터화 것이 생성된다.
관계 백터에 의해, 매출을 발생 시킬 수 있는 구매자의 해당 매장에 대한 관심이 정량화되고, 결국 수치화된 해당 매장과 개인 간의 관계를 기계학습 모델에 적용할 수 있다.
상기 제1 층의 관계 벡터는 제2 층으로 전달된다.
상기 제2 층은 매장과 개인 간의 관계에 기초하여 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하도록 구성된다. 상기 제1 층에서 대상 지리적 위치와 고객주소 사이의 관계, 경쟁 매장과 고객주소 사이의 관계가 각각의 관계 벡터로 산출되어 제2 층에 입력되면, 고객주소에 대한 대상 지리적 위치의 경쟁 지수가 산출된다.
일 실시예에서, 상기 제2 층은 완전 연결층을 포함할 수도 있다. 상기 제1 모델은 다수의 입력 벡터를 완전 연결층 내 노드에 의해 각각 처리하여 단일 출력 값을 산출하고, 이 단일 출력 값에 기초하여 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출한다.
상기 제1 모델은 이 단일 출력 값 자체를 고객주소에 대한 대상 지리적 위치의 경쟁 지수로 출력하거나, 다른 스케일 범위 내 값으로 변환한 것을 고객주소에 대한 대상 지리적 위치의 경쟁 지수로 출력할 수도 있다
제2 모델은 특정 지역 내 고객주소에 대한 대상 지리적 위치의 경쟁 지수 및 상기 특정 지역에 대한 배후지 정보에 기초하여 고객주소에 대한 구매가능 지수를 산출하도록 구성된다.
전술한 바와 같이 배후지 정보는 상기 특정 지역 내 고객주소 각각에 대한 거주인구 정보 및 거류인구 정보를 포함하며, 이러한 배후지 정보는 소득 수준과 관련된 하나 이상의 수치를 포함할 수도 있다.
제2 모델은 동일한 고객주소에 대한 배후지 정보의 일부 또는 전부 및 대상 지리적 위치의 경쟁 지수를 결합하여 상기 대상 지리적 위치에서의 구매가능지수를 산출한다. 예를 들어, 상기 제2 모델은 고객주소에 대한 대상 지리적 위치의 경쟁 지수와 동일한 고객주소에 대한 배후지 정보 내 수치를 곱셈, 가중치 곱셈, 합산, 또는 가중치 합산 처리하여 고객주소에 대한 구매가능지수를 산출할 수도 있다.
제2 모델에서 산출된 구매가능지수는 제3 모델에 입력된다.
제3 모델은 특정 고객주소에 대한 대상 지리적 위치의 지리적 위치에서의 구매가능지수가 입력되면, 상기 특정 고객주소에 대한 대상 지리적 위치의 지리적 위치에서의 예상 매출액을 산출하도록 구성된다.
특정 실시예들에서, 제3 모델은 ANN 구조일 수도 있다. 예를 들어, 입력층; 히든층; 및 출력층으로 이루어진 DNN일 수도 있다.
이러한 제3 모델이 예상 매출액을 출력하는 성능을 학습하기 위해, 각 트래이닝 샘플은 고객주소에 대한 대상 프랜차이즈의 샘플 매장의 매출액을 각각 더 포함할 수도 있다.
상기 대상 프랜차이즈의 샘플 매장은 대상 지리적 위치에 개설된 것일 수도 있다. 고객주소가 샘플 매장에서 결제한 내역이 있는 구매자 주소일 경우, 고객주소에 대한 샘플 매장의 매출액은 예측 값을 산출하는데 사용되는 실제 값(true value)일 수도 있다.
상기 대상 프랜차이즈의 샘플 매장의 매출액은 일간 매출액, 월간 매출액, 평균 월 매출액, 또는 평균 일 매출액일 수도 있다. 이 매장 매출액의 시점은 예상 모댈의 예측 매출액의 성격에 따라 정의된다.
일부 실시예들에서, 제3 모델을 학습하기 위해, 입력 데이터 세트 중 결제 내역이 있는 구매자 주소에 대한 트래이닝 샘플을 선별할 수도 있다. 제3 모델의 파라미터의 값은 선별된 트래이닝 데이터 세트를 통해 학습된다.
이러한 학습 과정을 통해 학습이 완료된 예측 모델에 컨설팅 분석을 희망한 지리적 관심 지역 내 고객주소, 지리적 관심 지역 내 대상 지리적 위치, 지리적 관심 지역 내 경쟁 매장의 지리적 위치가 입력되면, 제1 모델에 의해 지리적 관심 영역 내 각각의 고객주소와 대상 지리적 위치(예컨대, 샘플 매장) 간의 관계 값을 산출하고, 각 고객주소와 대상 지리적 위치 간의 관계 값에 기초하여 동일한 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하며; 제2 모델에 의해, 지리적 관심 영역의 고객주소별 배후지 정보 및 고객주소에 대한 대상 지리적 위치의 경쟁 지수에 기초하여 고객주소별 대상 지리적 위치의 구매가능지수를 산출하고; 제3 모델에 의해, 지리적 관심 영역의 고객주소별 대상 지리적 위치의 예상 매출액을 산출한다.
상기 대상 프랜차이즈 관리 시스템(100)은 상기 시스템(1)으로부터 네트워크 구조가 모델링된 초기 예측 모델을 제공 받아 학습한 예측 모델을 사용하여 대상 지리적 위치에서의 예상 매출액을 산출할 수도 있다.
대상 프랜차이즈 관리 시스템(100)은 지리적 관심 지역 내 고객주소별로 각각 산출된 대상 지리적 위치에서의 예상 매출액을 합산하여 지리적 관심 지역에 대한 대상 지리적 위치에서의 예상 매출액 전체를 산출할 수 있다.
상기 예상 매출액은 기준 시점(예컨대, 현재 시점, 평가 시점, 또는 오픈 시점) 또는 상기 기준 시점으로부터 시간이 경과된 미래 시점일 수도 있다.
일 실시예에서, 상기 컨설팅 시스템(1)은 기준 시점의 예상 매출액을 산출하는 제1 예측 모델; 및/또는 미래 시점의 예상 매출액을 산출하는 제2 예측 모델을 포함할 수도 있다. 제1 예측 모델의 트래이닝 샘플에 사용된 매출 시간과 예상 매출액의 시점 사이의 시간 간격(예컨대, 오픈 당일)이 제2 예측 모델의 트래이닝 샘플에 사용된 매출 시간과 예상 매출액의 시점 사이의 시간 간격(예컨대, 1달) 보다 짧을 수도 있다.
컨설팅 시스템(1)은 (예컨대, 대상 프랜차이즈 관리 시스템(100)에 의해) 은 이러한 예상 매출액 및 분석 과정에서 획득된 정보에 기초하여, 컨설팅 서비스를 제공한다. 이러한 컨설팅 서비스는 특유의 화면(예컨대, 컨설팅 화면 또는 분석, 보고 화면)을 통해 제공될 수도 있다.
또한, 상기 컨설팅 시스템(1)은 지리적 관심 영역에 대한 분석 결과 및/또는 지리적 관심 영역에서의 예상 매출액을 포함한 컨설팅 서비스, 또는 이를 위해 사용되었던 기초 데이터를 제공할 수도 있다.
신규 매장 개설 추천
본 출원의 다른 일 측면에 따르면, 상기 컨설팅 시스템(1)은 예측 모델을 사용하여, 신규 매장을 개설하기 적합한 지리적 위치를 추천할 수도 있다.
도 4는, 본 출원의 다른 일 측면에 따른, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법의 흐름도이다.
도 4를 참조하면, 상기 방법은: 신규 매장이 담당할 지리적 관심 영역을 지정하는 단계(S100)를 포함한다. 상기 지리적 관심 영역은 프랜차이즈 매장의 영업 권역으로서, 사용자 입력에 의해 지정될 수도 있다.
도 5a 및 도 5b는, 본 출원의 일 실시예에 따른, 지리적 관심 영역을 지정하기 위해 서브 영역을 선택하는 제1 인터페이스 화면을 도시한 도면이고, 도 6은, 도 5a 및 도 5b의 서브 영역의 선택에 의해 지정된 지리적 관심 영역을 도시한 도면이다.
도 5a 및 도 5b를 참조하면, 상기 지리적 관심 영역을 지정하는 단계(S100)는: 지역(들)을 표시한 제1 인터페이스 화면을 통해 지정될 수도 있다.
일 실시예에서, 상기 제1 인터페이스 화면에 포함된 지역(들)은 미리 다수의 서브 지역으로 구획될 수도 있다. 상기 제1 인터페이스 화면은 구획된 서브 지역을 하나 이상 선택 가능하도록 구성된다. 상기 서브 지역은 선택 단위 영역으로 기능한다. 적어도 일부분의 서브 지역을 선택하는 사용자 입력이 수신되면, 상기 지리적 관심 영역의 경계는 선택된 서브 지역의 경계 집합으로 지정된다.
상기 서브 지역은 (예컨대, 시, 군, 구, 동, 면, 읍 등과 같은) 행정 단위 지역 또는 그 보다 더 작은 지리적 영역이다. 특정 동(예컨대, 인천광역시 서구 연희동)을 포함한 지리적 관심 영역을 지정하기 위해, 도 5a에 도시된 것처럼 복수의 서브 지역이 선택될 수도 있다.
지리적 관심 영역은 다수의 지역을 포함할 수도 있다. 도 5a 및 도 5b에 도시된 것처럼, 복수의 지역(예컨대, 인천광역시 서구 연희동 및 검암경서동)을 이루는 다수의 서브 지역이 선택될 수도 있다. 그러면, 도 6에 도시된 것처럼 복수의 지역을 포함한 지리적 관심 영역이 지정된다(S100).
일 실시예에서, 상기 제1 인터페이스 화면은 서브 지역의 경계를 표시한 지도 영역을 포함할 수도 있다. 제1 인터페이스 화면은 지도 상의 서브 지역을 선택하는 사용자 입력을 수신할 수도 있다. 상기 대상 프랜차이즈 관리 시스템(100)은 상기 제1 인터페이스 화면 상의 지도에서 구획된 서브 지역을 선택하는 사용자 입력에 반응하여, 사용자 입력의 일부 또는 전부의 서브 지역을 지리적 관심 영역으로 지정할 수도 있다.
상기 지리적 관심 영역의 서브 지역은 일 지점이 선택된 서브 지역이거나, 사용자 입력에 따라 형성된 면적에 적어도 부분적으로 포함된 서브 지역이거나, 및/또는 사용자 입력에 따른 기하학적 형상이 가로지르는 서브 지역일 수도 있다.
이러한 사용자 입력은 클릭, 드래그 등에 의해 구현된다. 예를 들어, 일 지점을 선택하는 사용자 입력은 클릭으로 구현될 수도 있다.
상기 기하학적 형상의 사용자 입력은 드래그로 구현될 수도 있다. 드래그의 경우, 드래그 방향, 궤적 및/또는 드래그 영역에 기초하여 서브 지역이 선택된다.
드래그 입력의 궤적이 기하학적 형상을 그리는 경우, 상기 기하학적 형상에 적어도 부분적으로 중첩한 서브 지역들이 지리적 관심 영역으로 선택된다. 상기 기하학적 형상은, 예를 들어 원, 타원, 사각형, 삼각형 등을 포함할 수도 있다.
다른 일 실시예에서, 상기 지리적 관심 영역은 경계를 지정하는 사용자 입력에 의해 직접 지정될 수도 있다. 이 경우, 상기 제1 인터페이스 화면의 지도엔 서브 지역의 경계가 표시되지 않을 수도 있다.
상기 경계를 지정하는 사용자 입력은 지도 상에 기하학적 형상을 입력하는 것; 및/또는 서브 지역에 대한 쿼리를 입력하는 것을 포함할 수도 있다.
예를 들어, 특정 행정 단위 지역(예컨대, 노원구)이 표시되는 제1 인터페이스 화면에 있어서, 표시 영역에서 원, 사각형, 삼각형 등 기타 기하학적 형상을 지도의 서브 영역으로 입력할 경우, 기하학적 형상에 따른 서브 영역을 경계로 갖는 지리적 관심 영역을 생성할 수도 있다.
제1 인터페이스 화면에서 사용자 입력에 따른 선이 면을 형성하지 않는 경우에도, 사용자 입력에 따른 선의 끝점, 선의 방향에 기초하여 대응한 면을 자동으로 완성하여 지리적 관심 영역을 지정할 수도 있다.
또는, 사용자는 도 5a 및 도 5b의 행정 지역 명칭을 쿼리로 입력하여 지리적 관심 영역을 곧바로 지정할 수도 있다.
일 실시예에서, 상기 제1 인터페이스 화면은 지리적 관심 영역을 이루는 서브 지역의 요약 정보 및/또는 지정된 지리적 관심 영역에 대한 요약 정보를 표시하는 영역을 포함할 수도 있다.
상기 요약 정보는, 지리적 위치, 면적, 총인구의 수, 거주 인구의 수, 및/또는 직장 인구의 수를 포함할 수도 있으나, 이에 제한되진 않는다. 상기 지리적 관심 영역이 복수의 서브 지역으로 이루어진 경우, 상기 지리적 관심 영역에 대한 요약 정보는 이들 복수의 서브 지역의 요약 정보에 기초하여 생성될 수도 있다.
다시 도 4를 참조하면, 상기 방법은: 지정된 지리적 관심 영역 내에 위치하는 복수의 엔티티 중 적어도 일부에 액세스하는 단계(S200)를 포함한다.
상기 엔티티는 신규 매장을 개설할 수 있는 공간 항목이다. 특정 실시예들에서, 상기 공간 항목은 인터넷 네트워크 상에 업로드된 부동산 매물일 수도 있다.
도 7a 및 도 7b는, 본 출원의 일 실시예에 따른, 지리적 관심 영역 내 엔티티에 액세스하는 제2 인터페이스 화면을 도시한다.
도 7a 및 도 7b를 참조하면, 상기 컨설팅 시스템(1)은 지정된 지리적 관심 영역 내에 위치하는 복수의 엔티티 중 일부 또는 전부의 엔티티에 액세스하기 위해, 액세스를 희망하는 엔티티에 대한 검색 쿼리를 수신할 수도 있다. 상기 컨설팅 시스템(1)은 검색 쿼리를 수신하면, 검색 쿼리에 매칭한 엔티티에 액세스하여, 해당 엔티티를 서술한 정보를 사용자에게 제공할 수도 있다(S200).
이러한 검색 단계(S200)를 위해, 상기 컨설팅 시스템(1)은 검색 모듈(미도시)을 포함할 수도 있다. 상기 검색 모듈은 검색 쿼리(search query)에 응답하여 속성들의 데이터베이스를 검색하기 위한 사용자 인터페이스 및 처리 로직을 제공한다. 검색 모듈의 사용자 인터페이스는 유형, 위치, 가격 등의 원하는 상품이나 서비스의 여러 가지 속성들을 특정하는 검색 쿼리를 수신하도록 구성된다. 상기 검색 모듈은, 상기 검색 쿼리의 속성과 매칭하는 속성을 갖는, 데이터베이스 내 항목을 검색하여 사용자가 편리한 방법으로 상기 항목에 액세스하게 한다.
이러한 사용자 인터페이스는 도 7의 제2 엔터페이스 화면으로 구현될 수도 있다.
구현에 따라, 검색 쿼리를 수신하기 위한 사용자 인터페이스는 검색 쿼리로서 입력되는 단일 텍스트 문자열만큼 허용하여 간략히 할 수도 있고, 검색 쿼리에 입력되는 여러 종류의 미리 지정된 및/또는 동적 입력 옵션을 허용할 수도 있다. 상기 사용자 인터페이스는 상기 검색 쿼리에 포함되는 위치를 특정하는 것을 제공한다.
상기 엔티티는 신규 매장을 개설 가능한 공간일 수도 있다. 상기 엔티티는 웹 상에서 부동산 매물 항목으로 구현될 수도 있다.
상기 검색 쿼리는 해당 엔티티의 지리적 위치, 명칭, 엔티티의 액세스 주소(예컨대, URL), 기타 키워드 중 하나 등을 포함할 수도 있다.
검색 쿼리에 포함된 부동산 매물의 지리적 위치는 국가, 주(또는 지방, 지역, 영역, 영토 부서, 구(borough), 군 구역 또는 현 등 이에 상응하는 지역), 도시, 인접 지역의 사양 또는 지리적 좌표(예를 들어, 경도, 위도 등), 주소 및 우편 번호와 같은 표현을 포함할 수 있다.
예를 들어, 도 6의 지리적 관심 영역 내에 위치한 제1 부동산 매물의 지리적 위치 및 제2 부동산의 지리적 위치를 포함한 검색 쿼리가 입력되면, 상기 컨설팅 시스템(1)은 제1 부동산 매물의 엔티티(도 7a의 ID1)에 액세스하여 상기 제1 부동산 매물을 서술하는 정보를 획득하고, 제2 부동산 매물의 엔티티(도 7b의 ID2)에 액세스하여 상기 제2 부동산 매물을 서술하는 정보를 획득한다. 상기 컨설팅 시스템(1)은 상기 제1 부동산 매물 및 제2 부동산 매물을 서술하는 정보를 표시한 제2 인터페이스 화면을 생성할 수도 있다.
일 실시예에서, 상기 제2 인터페이스 화면은 액세스된 엔티티의 요약 정보를 포함하도록 더 구성될 수도 있다. 엔티티의 요약 정보는 도 7a 및 도 7b에 도시된 것처럼, 식별자, 지리적 위치(예컨대, 주소), 면적, 임차료, 보증금, 관리비 등의 속성을 포함할 수도 있다.
추가적으로, 상기 제2 인터페이스 화면은 검색 쿼리의 수신을 유도하도록 구성될 수도 있다.
일 실시예에서, 상기 제2 인터페이스 화면은 단계(S100)에서 지정된 지리적 관심 영역 내에 위치한, 액세스(또는 선택) 가능한 엔티티들을 나열할 수도 있다. 상기 제2 인터페이스 화면은 선택 가능한 복수의 엔티티들을 지도 상에 표시하거나 액세스 가능한 엔티티들로 이루어진 목록을 표시할 수도 있다. 부동산 매물 목록에서 특정 부동산 매물 항목이 선택되면, 상기 컨설팅 시스템(1)은 선택된 항목의 엔티티에 액세스할 수도 있다.
이 경우, 검색 쿼리는 나열된 엔티티들 중 일부 또는 전부를 선택하는 사용자 입력에 응답하여 입력될 수도 있다. 예를 들어, 도 6의 부동산 매물에서 제1 부동산 매물 내지 제n 부동산 매물이 나열되고 제1 부동산 매물의 제1 지리적 위치 및 제2 부동산 매물의 제2 지리적 위치가 선택된 경우, 선택된 제1 지리적 위치 및 제2 지리적 위치를 포함한 검색 쿼리가 입력된다. 그러면, 대상 프랜차이즈 관리 시스템(100)은 상기 제1 부동산 매물의 엔티티(ID1) 및 제2 부동산 매물의 엔티티(ID2)에 액세스할 수도 있다(S200).
다시 도 4를 참조하면, 상기 방법은: 미리 학습된 예측 모델을 사용하여, 단계(S200)에서 액세스된 엔티티의 지리적 위치에서의 예상 매출액을 산출하는 단계(S300)를 포함한다.
단계(S200)에서 다수의 엔티티에 액세스되었을 경우, 엔티티 각각에 대해서, 지리적 관심 영역에 대한 엔티티의 지리적 위치에서의 예상 매출액이 각각 산출된다(S300).
상기 예측 모델은 대상 프랜차이즈의 기존 매장에서 고객이 지불하여 생성된 매출 정보에 기초하여 학습된 기계학습 모델이다. 특정 실시예들에서, 상기 예측 모델은 고객주소에 대한 대상 프랜차이즈 매장의 예상 매출액을 산출하도록 구성된 도 2의 모델일 수도 있다.
도 2의 예측 모델은 트래이닝 지리적 관심 지역 내에서의 고객주소별 매출 정보와 고객주소에서의 경쟁 매장과의 경쟁 정도, 고객주소별 배후지 정보 간의 맥락 관계를 학습한 것이다.
상기 트래이닝에 활용된 지역이 단계(S100)에서 지정된 지리적 관심 영역을 포함할 경우, 도 2의 예측 모델에 액세스된 엔티티의 지리적 위치를 입력하면, 입력된 엔티티의 지리적 위치는 (실제로는 아직 개설하지 않았지만) 대상 프랜차이즈 매장의 지리적 위치로 취급된다.
상기 대상 프랜차이즈 관리 시스템(100)이 이러한 도 2의 예측 모델을 사용하면, 특정 지리적 관심 영역 내에 임의의 지리적 지점에서의 특정 지리적 관심 영역 내 고객주소별 예상 매출액을 산출함으로써, 액세스된 엔티티들의 지리적 위치에서의 예상 매출액을 산출할 수도 있다(S300).
상기 예상 매출액을 산출하는 단계(S300)는: 단계(S100)에서 지정된 지리적 관심 영역 내 고객주소들에 대해서, 단계(S200)에서 액세스된 각 엔티티에서의 지리적 위치에서의 예상 매출액을 각각 산출하는 단계; 및 각 엔티티에서의 지리적 위치에서의 고객주소별 예상 매출액에 기초하여 지리적 관심 영역에 대한 각 엔티티에서의 예상 매출액을 산출하는 단계를 포함할 수도 있다.
위의 도 2를 참조하여 서술한, 대상 프랜차이즈 매장의 지리적 위치를 상기 예측 모델에 입력하면 해당 대상 프랜차이즈 매장의 지리적 위치에서의 예상 매출액을 산출하는 실시예들과 달리, 도 4의 실시예들에서는 선택된 엔티티의 지리적 위치가 상기 대상 프랜차이즈 매장의 지리적 위치를 대신해 상기 예측 모델에 입력된다. 그러면, 선택된 엔티티의 지리적 위치가 대상 지리적 위치로 취급되어 상기 엔티티의 지리적 위치에서의 고객주소별 예상 매출액이 상기 예측 모델에 의해 산출된다.
구체적으로, 액세스된 엔티티의 지리적 위치가 전술한 대상 지리적 위치로서 도 2의 예측 모델에 입력되면, 제1 모델은 엔티티의 지리적 위치에서의 경쟁 지수를 지리적 관심 영역 내 고객주소별로 각각 산출한다. 제2 모델은 각 엔티티의 지리적 위치에 대한 배후지 정보; 및 각 엔티티의 지리적 위치와 주변 경쟁자 간의 경쟁 지수를 결합하여, 해당 엔티티의 지리적 위치에서의 구매가능지수를 지리적 관심 영역 내 고객주소별로 각각 산출한다. 제3 모델은 엔티티의 지리적 위치에서의 고객주소별 구매가능지수에 기초하여 엔티티의 지리적 위치에서의 예상 매출액을 고객주소별로 산출할 수도 있다.
이와 같이 단계(S100)에서 지정된 지리적 관심 영역 내에 위치한 고객주소들에 대한 선택된 엔티티의 지리적 위치에서의 예상 매출액이 산출되고, 선택된 엔티티의 지리적 위치에서의 각 고객주소별 예상 매출액에 기초하여 단계(S100)에서 지정된 지리적 관심 영역에서 선택된 엔티티의 지리적 위치에 개설할 신규 프랜차이즈 매장의 예상 매출액을 산출할 수도 있다. 예를 들어, 동일한 엔티티의 지리적 위치에서의 고객주소별 예상 매출액을 합산하여 지리적 관심 영역 전체에 대한 해당 엔티티의 지리적 위치에서의 예상 매출액을 산출할 수도 있다(S300).
일 실시예에서, 상기 예상 매출액을 산출하는 단계(S300)는: 각 고객주소의 부동산 유형에 기초하여, 상기 지리적 관심 영역 내에서 액세스된 엔티티의 지리적 위치에서의 예상 매출액을 고객주소의 부동산 유형에 따라서 산출하는 단계를 더 포함할 수도 있다.
대상 프랜차이즈 관리 시스템(100)은 미리 저장된 고객주소의 부동산 정보에 기초하여 해당 고객주소의 부동산이 거주지(예컨대, 주택)에 속하는지 비-거주지(예컨대, 상업시설)에 속하는지 확인 가능하다. 상기 대상 프랜차이즈 관리 시스템(100)은 엔티티(예컨대, ID1 또는 ID2)의 지리적 위치에서의 예상 매출액이 산출된 각각의 고객주소에 대해서, 주택 유형에 속하는 고객주소별 예상 매출액을 합산하여 지리적 관심 영역 내 주택 유형의 고객주소에 대한 엔티티의 지리적 위치에서의 예상 매출액(a1 또는 b1원)을 산출하거나 또는 비-주택 유형에 속하는 고객주소별 예상 매출액을 합산하여 지리적 관심 영역 내 비-주택 유형의 고객주소에 대한 엔티티의 지리적 위치에서의 예상 매출액(a2 또는 b2원)을 산출할 수도 있다. 이들 예상 매출액(a1과 a2의 조합, 또는 b1원과 b2원의 조합)의 총 합은 오픈 시 예상 월 매출액(A 또는 B원)으로 계산된다.
또한, 대상 프랜차이즈 관리 시스템(100)은 미리 저장된 고객주소의 부동산 정보에 기초하여 거주지 유형에 속하는 고객주소의 부동산이 속하는 하위 거주지 유형(예컨대, 아파트, 도시형생활주택, 오피스텔 등)을 확인할 수도 있다. 그러면, 상기 대상 프랜차이즈 관리 시스템(100)은 엔티티의 지리적 위치에서의 예상 매출액이 산출된 각각의 고객주소에 대해서, 주택 유형 중 하위 유형(예컨대, 아파트)에 속하는 고객주소별 예상 매출액을 합산하여 상기 하위 유형에 대한 엔티티의 지리적 위치에서의 예상 매출액(a1,Apt 또는 b1,Apt원)을 산출하거나, 또는 주택 유형 중 다른 하위 유형(예컨대, 비-아파트)에 속하는 고객주소별 예상 매출액을 합산하여 상기 다른 하위 유형에 대한 엔티티의 지리적 위치에서의 예상 매출액(a1,Non-Apt 또는b1,Non-Apt원)을 산출할 수도 있다. 이들 예상 매출액(a1,Apt 과 a1,Non-Apt 의 조합, 또는 b1, Apt원과 b1,Non-Apt원의 조합)의 총 합은 지리적 관심 영역 내 주택 유형의 고객주소에 대한 엔티티의 지리적 위치에서의 예상 매출액(b1원)으로 산출된다.
상기 방법은: 상기 지리적 관심 영역에 대한 각 엔티티의 지리적 위치에서의 예상 매출액에 기초하여 신규 프랜차이즈 매장의 개설을 추천하기 위한 하나 이상의 후보 엔티티를 결정하고, 결정된 후보 엔티티의 지리적 위치 정보를 포함한 컨설팅 정보를 생성하여 제공하는 단계(S400)를 포함한다
상기 대상 프랜차이즈 관리 시스템(100)은 자신의 지리적 위치에서의 예상 매출액이 산출된, 각 엔티티에 대해서, 예상 매출액이 상대적으로 높을 것으로 산출된 엔티티를 후보 엔티티로 결정할 수도 있다.
일 예시에서, 상기 대상 프랜차이즈 관리 시스템(100)은 가장 큰 예상 매출액을 갖는 엔티티를 단일 후보 엔티티로 결정할 수도 있다.
다른 일 예시에서, 상기 대상 프랜차이즈 관리 시스템(100)은 엔티티들을 예상 매출액의 분포에 따라 적어도 2개의 군집으로 군집화하고 대표 예상 매출액이 가장 큰 군집 내 엔티티(들)을 하나 이상의 후보 엔티티로 결정할 수도 있다. 군집화는 예상 매출액의 분포 경향에 의존한다. 상기 대표 예상 매출액은 평균, 중간 등의 다양한 대표 값일 수도 있다.
또 다른 일 예시에서, 상기 대상 프랜차이즈 관리 시스템(100)은 소정의 임계 매출액 이상의 예상 매출액을 갖는 엔티티(들)을 하나 이상의 후보 엔티티로 결정할 수도 있다. 상기 소정의 임계 매출액의 값은 신규 프랜차이즈 매장을 개설 시 사용자가 원하는 매출액으로서, 사용자 입력에 의해 설정될 수도 있다.
상기 대상 프랜차이즈 관리 시스템(100)은 단계(S300)의 연산 결과(즉, 지리적 관심 영역에 대한 각 엔티티의 지리적 위치에서의 예상 매출액), 단계(S400)의 연산 결과(즉, 후보 엔티티), 각 단계(S300, S400)의 연산 과정에서 산출된 값들(예컨대, 고객주소별 예상 매출액) 중 일부 또는 전부를 포함한 컨설팅 정보를 생성할 수도 있다.
컨설팅 정보는 컨설팅 화면을 통해 사용자에게 제공될 수도 있다.
도 8은, 본 출원의 일 실시예에 따른, 후보 엔티티의 지리적 위치를 제공하는 컨설팅 화면을 도시한다.
도 8을 참조하면, 상기 컨설팅 화면은 결정된 후보 엔티티의 지리적 위치, 및 지리적 관심 영역에 대한 각 후보 엔티티의 지리적 위치에서의 예상 매출액을 포함한다.
도 8에 도시된 것처럼, 상기 후보 엔티티의 지리적 위치는 주소로 화면 상에 표현되거나, 및/또는 화면 상에 포함된 지도 영역 상의 일 지점으로 표현될 수도 있다.
또한, 상기 컨설팅 화면은 각 후보 엔티티의 지리적 위치에서의 고객주소별 예상 매출액을 일부 또는 전부 포함할 수도 있다.
일 실시예에서, 상기 컨설팅 화면은 상대적으로 큰 예상 매출액을 갖는 하나 이상의 고객주소를 포함한 고객 목록을 포함할 수도 있다. 상기 고객 목록은 고객주소의 지리적 위치 및 예상 매출액을 포함한다.
또한, 상기 고객 목록은 각 고객주소의 거주 인구의 수를 더 포함할 수도 있다.
상기 컨설팅 화면의 고객 목록은 미리 설정된 수(예컨대, 도 8의 5개)의 상위 예상 매출액을 갖는 고객주소로 이루어질 수도 있다.
대안적인 실시예들에서, 상기 방법은: 지리적 관심 영역 내 적어도 일부 고객주소에 연관된 예상 매출액 정보를 제공하는 단계(S500); 상기 지리적 관심 영역 내 주택 정보, 비-주택 정보, 기간시설 정보, 토지 정보 및/또는 건물 정보를 제공하는 단계(S600); 상기 지리적 관심 영역의 거주인구 정보 및/또는 거류인구 정보를 제공하는 단계(S700); 상기 지리적 관심 영역 내 경쟁자 정보를 제공하는 단계(S800); 및/또는 상기 지리적 관심 영역 내 구매가능 지수 정보를 제공하는 단계(S900)를 더 포함할 수도 있다.
일 실시예에서, 연관된 예상 매출액은 제1 분석 화면을 통해 제공될 수도 있다(S500). 상기 연관된 예상 매출액은 고객주소별 예상 매출액, 주택 유형별 예상 매출액, 및/또는 비-주택 유형별 예상 매출액을 포함할 수도 있다.
상기 제1 분석 화면은 지리적 관심 영역을 매출액 측면에서 분석한 결과를 도시한다.
도 9a 및 도 9b는, 본 출원의 일 실시예에 따른, 지리적 관심 영역 상의 예상 매출액을 제공하는 제1 분석 화면을 도시한다.
도 9a 및 도 9b를 참조하면, 상기 제1 분석 화면은 지리적 관심 영역 내에 위치한 부동산들 중 일부 또는 전부의 외선을 도시한 평면 형상을 포함한 지도 영역을 포함한다. 건물의 경우, 건물 외벽선이 부동산 평면 형상으로 구현된다. 토지의 경우, 토지 경계선이 부동산 평면 형상으로 구현된다.
상기 제1 분석 화면의 지도 영역은 단계(S100)의 지도 영역과 적어도 부분적으로 일치할 수도 있다.
일 실시예에서, 상기 제1 분석 화면의 지도 영역은 지리적 관심 영역 내의 고객주소에 위치한 부동산의 평면 형상을 포함할 수도 있다. 상기 고객주소의 부동산들은 지리적 관심 영역 내에 위치한 부동산들 중 일부 또는 전부일 수도 있다.
상기 제1 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제1 마커를 사용해 부동산별 예상 매출액을 해당 부동산의 평면 형상에 표시하도록 구성될 수도 있다.
상기 단계(S300)에서 각 엔티티의 지리적 위치에서의 오픈 시점에서의 예상 매출액 또는 오픈 시점으로부터 일정 기간이 경과된 미래 시점에서의 예상 매출액을 산출할 수도 있다.
싱기 제1 마커는 이러한 고객주소별 예상 매출액을 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합일 수도 있다.
일 실시예에서, 복수의 제1 마커 색상은 복수의 예상 매출 구간에 대응할 수도 있다. 복수의 예상 매출 구간은 예상 매출액을 일정 구간별로 분류한 것이다. 고객주소별 예상 매출액은 대응하는 색상이 부여된 제1 마커 색상에 의해 화면 상에 간접적으로 나타난다.
예를 들어, 도 9a 및 도 9b에 도시된 것처럼, 상기 컨설팅 시스템(1)에서 5개의 제1 마커 색상이 예상 매출 구간을 가리키도록 미리 설정된다. 각 제1 마커 색상은 제1 구간(0원 이상 20,000원 미만), 제2 구간(20,000원 이상 40,000원 미만), 제3 구간(40,000원 이상 60,000원 미만), 제4 구간(60,000원 이상 120,0000원 미만), 제5 구간(120,000원 이상)을 각각 가리킨다.
제1 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소들에 대해서, 상기 5개의 제1 마커 색상 중 각자의 예상 매출액이 속하는 예상 매출 구간에 대응한 어느 하나의 제1 마커 색상을 사용하여 고객주소별 예상 매출액을 해당 고객주소의 부동산 평면 형상에 간접적으로 나타낸다.
일 실시예에서, 상기 지리적 관심 영역 내 주택 정보, 비-주택 정보 및/또는 기간시설 정보는 제2 분석 화면을 통해 제공될 수도 있다(S600). 상기 제2 분석 화면은 지리적 관심 영역을 부동산 측면에서 분석한 결과를 표시한다.
도 10은, 본 출원의 일 실시예에 따른, 주택 정보를 제공하는 제2 분석 화면을 도시한다.
도 10의 제2 분석 화면은 도 9의 제1 분석 화면과 유사하므로, 차이점을 위주로 서술한다.
전술한 바와 같이, 상기 주택 정보는 주택 유형을 포함할 수도 있다. 상기 비-주택 정보는 비-주택 유형을 포함할 수도 있다. 상기 기간시설 정보는 기간시설 유형을 포함할 수도 있다.
도 10을 참조하면, 상기 제2 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제2 마커를 사용해 부동산 유형을 해당 부동산의 평면 형상에 표시하도록 구성될 수도 있다.
상기 제2 마커는 이러한 고객주소별 부동산 유형을 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합일 수도 있다. 복수의 제2 마커 색상은 시스템에 미리 정의된 부동산 유형에 대응할 수도 있다.
도 10에 도시된 것처럼, 상기 제2 분석 화면은 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제2 마커 색상을 사용해 해당 부동산의 주택 유형을 해당 부동산의 평면 형상에 표시한다.
일 실시예에서, 상기 제2 분석 화면은 부동산 유형별 통계 목록을 더 포함할 수도 있다. 상기 부동산 유형별 통계 목록은 주택 유형 명칭, 각 주택 유형의 수, 및/또는 총 합을 포함할 수도 있다.
비-주택 정보, 기간시설 정보를 포함한 제2 분석 화면은 도 10의 주택 분석 화면과 유사하므로, 자세한 설명은 생략한다.
일 실시예에서, 상기 지리적 관심 영역 내 토지 정보 및/또는 건물 정보는 제3 분석 화면을 통해 제공될 수도 있다(S600). 상기 제3 분석 화면은 지리적 관심 영역을 부동산 측면에서 분석한 결과를 표시한다.
도 11은, 본 출원의 일 실시예에 따른, 건물 정보를 제공하는 제3 분석 화면을 도시한다. 도 11의 제3 분석 화면은 도 10의 제2 분석 화면과 유사하므로, 차이점을 위주로 서술한다.
전술한 바와 같이, 상기 토지 정보는 토지용도를 포함할 수도 있다. 상기 건물 정보는 건물용도를 포함할 수도 있다. 토지용도 또는 건물용도가 제3 분석 화면을 통해 제공될 수도 있다.
도 11을 참조하면, 상기 제3 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제3 마커를 사용해 부동산별 용도를 해당 부동산의 평면 형상에 표시하도록 구성될 수도 있다.
상기 제3 마커는 이러한 고객주소별 부동산 용도를 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합일 수도 있다. 복수의 제3 마커 색상은 시스템에 미리 정의된 부동산 용도에 대응할 수도 있다.
도 11에 도시된 것처럼, 상기 제3 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제3 마커 색상을 사용해 해당 부동산의 건물 용도를 해당 부동산의 평면 형상에 표시한다.
일 실시예에서, 상기 제3 분석 화면은 부동산 용도별 통계 목록을 더 포함할 수도 있다. 상기 부동산 용도별 통계 목록은 건물용도 명칭, 각 용도별 건물 수, 및/또는 총 합을 포함할 수도 있다.
토지 정보를 포함한 제3 분석 화면은 도 11의 건물 분석 화면과 유사하므로, 자세한 설명은 생략한다.
일 실시예에서, 상기 지리적 관심 영역의 거주인구 정보는 제4 분석 화면을 통해 제공될 수도 있다(S700). 상기 제4 분석 화면은 지리적 관심 영역을 배후지 측면에서 분석한 결과를 표시한다.
도 12는, 본 출원의 일 실시예에 따른, 거주인구 정보를 제공하는 제4 분석 화면을 도시한다.
도 12의 제4 분석 화면은 도 9의 제1 분석 화면과 유사하므로, 차이점을 위주로 서술한다.
전술한 바와 같이, 상기 거주인구 정보는 부동산별 거주자 정보, 부동산별 거주인구의 수, 지역 내 거주인구의 수를 포함한다. 지리적 관심 영역의 거주인구 관련 정보가 제4 분석 화면을 통해 제공될 수도 있다.
도 12를 참조하면, 상기 제4 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제4 마커를 사용해 부동산별 거주인구의 수를 해당 부동산의 평면 형상에 나타내도록 구성될 수도 있다.
상기 제4 마커는 이러한 고객주소별 거주인구의 수를 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합일 수도 있다.
일 실시예에서, 복수의 마커 색상은 복수의 거주인구 구간에 대응할 수도 있다. 복수의 거주인구 구간은 거주인구의 수를 일정 범위별로 분류한 것이다. 고객주소별 거주인구의 수는 대응하는 색상이 부여된 제4 마커 색상에 의해 화면 상에 간접적으로 표시된다.
예를 들어, 도 12에 도시된 것처럼, 상기 컨설팅 시스템(1)에서 5개의 마커 색상이 거주인구 구간을 가리키도록 미리 설정된다. 각 마커 색상은 제1 구간(1명 이상 10명 미만), 제2 구간(10명 이상 500명 미만), 제3 구간(500명 이상 1000명 미만), 제4 구간(1000명 이상 1200명 미만), 제4 구간(1200명 이상 2500명 미만)을 각각 가리킨다.
제4 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들 중 거주인구를 갖는 부동산들에 대해서, 상기 5개의 마커 색상 중 각자의 거주인구 수가 속하는 거주인구 구간에 대응한 어느 하나의 마커 색상을 사용하여 고객주소별 거주인구의 수를 해당 고객주소의 부동산 평면 형상에 간접적으로 나타낸다.
또한, 상기 제4 분석 화면은 지리적 관심 영역의 지리적 위치를 더 포함할 수도 있다. 상기 지리적 위치는, 예를 들어 행정 동으로 표현될 수도 있으나, 이에 제한되지 않는다.
일 실시예에서, 상기 제4 분석 화면은 거주인구의 통계 목록을 더 포함할 수도 있다. 거주인구의 통계 목록은 세대별 및/또는 성별로 산출될 수도 있다.
일 실시예에서, 상기 지리적 관심 영역의 거류인구 정보는 제5 분석 화면을 통해 제공될 수도 있다(S700). 상기 제5 분석 화면은 지리적 관심 영역을 배후지 측면에서 분석한 결과를 표시한다.
도 13은, 본 출원의 일 실시예에 따른, 거류인구 정보를 제공하는 제5 분석 화면을 도시한다.
도 13의 제5 분석 화면은 도 12의 제4 분석 화면과 유사하므로, 차이점을 위주로 서술한다.
전술한 바와 같이, 상기 거류인구 정보는 부동산별 거류자 정보, 부동산별 거류인구의 수, 지역 내 거류인구의 수를 포함한다. 지리적 관심 영역의 거류인구 관련 정보가 제5 분석 화면을 통해 제공될 수도 있다.
도 13을 참조하면, 상기 제5 분석 화면은 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제5 마커를 사용해 부동산별 거류인구의 수를 해당 부동산의 평면 형상에 나타내도록 구성될 수도 있다.
상기 제5 마커는 이러한 고객주소별 거류인구의 수를 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합일 수도 있다.
일 실시예에서, 복수의 마커 색상은 복수의 거류인구 구간에 대응할 수도 있다. 각 거류인구 구간은 거류인구의 수를 일정 범위별로 분류한 것이다. 고객주소별 거류인구의 수는 대응하는 색상이 부여된 제5 마커 색상에 의해 화면 상에 간접적으로 표시된다.
제5 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들 중 거류인구를 갖는 부동산들에 대해서, 상기 5개의 마커 색상 중 각자의 거류인구 수가 속하는 거류인구 구간에 대응한 어느 하나의 마커 색상을 사용하여 고객주소별 거류인구의 수를 해당 고객주소의 부동산 평면 형상에 간접적으로 나타낸다.
일 실시예에서, 상기 제5 분석 화면은 거류인구의 통계 목록을 더 포함할 수도 있다. 상기 거류인구는 직장인구일 수도 있다.
상기 거류인구의 통계 목록은 업종별(예컨대, 사업장 분류)로 산출될 수도 있다. 상기 거류인구의 통계 목록은 업종별 사업장 수 또는 직장인수를 포함할 수도 있다.
일 실시예에서, 상기 지리적 관심 영역 내 경쟁자 정보는 제6 분석 화면을 통해 제공될 수도 있다(S800). 상기 제6 분석 화면은 지리적 관심 영역을 경쟁 측면에서 분석한 결과를 표시한다.
도 14는, 본 출원의 일 실시예에 따른, 경쟁자 정보를 제공하는 제6 분석 화면을 도시한다.
도 14의 제6 분석 화면은 도 10의 제1 분석 화면과 유사하므로, 차이점을 위주로 서술한다.
전술한 바와 같이, 상기 경쟁자 정보는 기업 외부 정보의 매장 정보를 포함할 수도 있다. 경쟁사의 매장 명칭, 지리적 위치, 면적, 개점일 등의 경쟁자 정보 중 적어도 일부가 제6 분석 화면을 통해 제공될 수도 있다.
도 14를 참조하면, 상기 제6 분석 화면은, 지리적 관심 영역 내에 위치한 경쟁자 매장의 지리적 위치를 표시하도록 구성될 수도 있다. 각 경쟁자 매장의 지리적 위치는 지도 영역 상에서 미리 설정된 제6 마커로 표시될 수도 있다.
상기 제6 마커는 경쟁자를 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합일 수도 있다. 복수의 제6 마커는 시스템에 미리 정의된 경쟁자에 대응할 수도 있다.
상기 제6 분석 화면은 경쟁 매장의 지리적 위치에 기초하여, 경쟁 매장을 다른 부동산과 구별되게 가리키는 마커 형상을 지도 영역 상에 표시한다.
또한, 상기 제6 분석 화면은 경쟁 매장 간에 구별되게 미리 지정된 마커 색상을 상기 마커 형상에 표시하도록 구성될 수도 있다.
일 실시예에서, 상기 제6 분석 화면은 경쟁 매장 목록을 더 포함할 수도 있다. 상기 경쟁 매장 목록은 매장 명칭, 지리적 위치, 면적, 개점일 등의 경쟁자 정보 중 적어도 일부를 포함할 수도 있다.
일 실시예에서, 상기 지리적 관심 영역 내 구매가능 지수 정보는 제7 분석 화면을 통해 제공될 수도 있다(S900). 상기 제7 분석 화면은 지리적 관심 영역을 구매 가능성 측면에서 분석한 결과를 표시한다.
도 15a 및 도 15b는, 본 출원의 일 실시예에 따른, 구매가능지수 정보를 제공하는 제7 분석 화면을 도시한다.
도 15a 및 도 15b의 제7 분석 화면은 도 14의 제6 분석 화면과 유사하므로, 차이점을 위주로 서술한다.
전술한 바와 같이 구매가능지수는 도 2의 예측 모델에서 제2 모델을 통해 획득될 수도 있다. 단계(S200)에서 액세스된 엔티티의 지리적 위치가 상기 예측 모델로 입력되면, 제2 모델은 각 엔티티의 지리적 위치에 대한 배후지 정보; 및 각 엔티티의 지리적 위치와 주변 경쟁자 간의 경쟁 지수를 결합하여, 해당 엔티티의 지리적 위치에서의 구매가능지수를 지리적 관심 영역 내 고객주소별로 각각 산출한다. 이러한 엔티티의 지리적 위치에서의 고객주소별 구매가능지수는 제7 분석 화면을 통해 제공될 수도 있다.
도 15a 및 도 15b를 참조하면, 제7 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제7 마커를 사용해 단계(S200)에서 각각 액세스된 엔티티의 지리적 위치에서의 구매가능지수를 해당 부동산의 평면 형상에 나타내도록 구성될 수도 있다.
상기 제7 마커는 이러한 고객주소별 구매가능지수를 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합일 수도 있다.
일 실시예에서, 복수의 마커 색상은 구매가능지수의 값에 대응할 수도 있다. 상기 컨설팅 시스템(1)은 다수의 색상으로 이루어진 색상 집합을 저장하며, 엔티티의 지리적 위치에서의 부동산별 구매가능지수가 대응하는 색상이 부여된 마커 색상에 의해 화면 상에 간접적으로 나타나진다.
색상 집합은 복수의 색상을 포함한다. 일 예에서, 색상 집합은, 도 15a, 15b에 도시된 바와 같이, RGB 색상 모델(즉, RGB 색상 계열) 중 적어도 일부 색상을 포함할 수 있다. 그러나, 이에 제한되지 않으며 (예컨대, HSV, YCbCr, CMY 등과 같은) 다양한 색상 모델의 적어도 일부 색상을 포함할 수 있다. 다른 일예에서, 색상 집합은 흰색 및 검은색 등으로 구성된 그레이 색상 모델의 색상 모두를 포함할 수도 있다.
일부 실시예에서, 색상 집합의 색상은 연속된 색으로 표현될 수 있다. 여기서, 연속은 색상 모델을 분류하는 기준으로 표현된다. 예를 들어, 상기 색상 집합이 그레이 색상 모델의 적어도 일부 색상을 포함한 경우, 색상의 연속 여부는 밝기로 표현된다.
이러한 색상 집합 내의 색상은 구매가능지수의 값에 대응하도록 수치화된다. 색상 집합의 색상을 (예컨대, 밝기(intensity), 색조(Hue), 채도(Saturation), 색차 정보(Cr, Cb) 등의) 분류 기준에 따라 색상을 배열하고, 배열된 색상을 수치 범위의 비율에 기초하여 수치화할 수 있다. 예를 들어, 색상 집합이 그레이 색상 모델의 색상을 포함하는 경우, 밝기가 100%에 해당하는 색(즉, 흰색)은 최대 값, 밝기가 0%에 해당하는 색(즉, 검은색)은 최소 값, 밝기가 50%에 해당하는 색은 최대 값과 최소 값의 중간 값으로 수치화될 수 있다. 그러면, 색상 집합의 각 색상은 구매가능지수의 최대 값 내지 최소 값 중 어느 하나의 값에 대응하도록 수치화된다.
그러나, 이에 제한되지 않으며, 색상 집합에 포함된 색상이 연속적인지, 불연속적인지, 색상의 개수 등에 기초하여 다양하게 설정될 수 있다. 예를 들어, 색상 집합이 연속적인 경우 하나의 값으로 유사한 여러 색을 나타낼 수 있는 일대다의 방식으로 수치화가 수행될 수 있고, 또는 색상 집합이 불연속적인 경우 하나의 색상에 여러 값이 설정되는 다대일 방식으로 수치화가 수행될 수도 있다.
이와 같이 지리적 관심 영역 내 고객주소별 구매가능지수는 엔티티의 지리적 위치에 의존하므로, 엔티티의 지리적 위치에 따라서 동일한 지리적 관심 영역내 동일한 고객주소에 대한 구매가능지수의 마커가 서로 상이하게 표시될 수도 있다.
예를 들어, 도 15a의 제1 엔티티(ID1)에 대해서, 지리적 관심 영역의 상단 중앙 지역의 고객주소들의 제7 마커는 구매가능지수가 100% 또는 이에 근접한 것을 가리킨다. 그러나, 도 15b의 제2 엔티티(ID2)에 대해서, 동일한 상단 중앙 지역의 고객주소들의 제7 마커는 구매가능지수가 50% 또는 이에 근접한 것을 가리킨다.
일 실시예에서, 상기 제7 분석 화면은 엔티티의 지리적 위치에서의 구매가능지수는 각 구매가능지수의 값에 따른 고객주소의 수를 통계화한 그래프를 포함할 수도 있다.
일 실시예에서, 상기 그래프는 해당 엔티티의 지리적 위치에서의 경쟁 지수를 표시하도록 더 구성될 수도 있다.
전술한 바와 같이, 경쟁 지수는 도 2의 예측 모델에서 제1 모델을 통해 획득될 수도 있다. 단계(S100)에서 액세스된 엔티티의 지리적 위치가 상기 예측 모델로 입력되면, 제1 모델은 엔티티의 지리적 위치에서의 경쟁 지수를 지리적 관심 영역 내 고객주소별로 각각 산출한다.
상기 컨설팅 시스템(1)은 이러한 엔티티의 지리적 위치에서의 고객주소별 경쟁 지수에 기초하여 상기 지리적 관심 영역에 대한 각 엔티티의 지리적 위치에서의 경쟁 지수를 산출할 수도 있다. 상기 지리적 관심 영역에 대한 경쟁 지수는 상기 지리적 관심 영역 내 고객주소별 경쟁 지수의 대표 값일 수도 있다. 상기 대표 값은 예를 들어 평균, 중간, 가중치 평균, 최빈 값 등일 수도 있다.
산출된 경쟁 지수는 대응한 구매가능지수의 값에 따라 상기 제6 보고 화면의 그래프 상에 표시될 수도 있다.
상기 컨설팅 시스템(1)이 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 통상의 기술자에게 명백할 것이다. 예를 들어, 데이터 입력 장치, 디스플레이 및/또는 인쇄와 같은 출력 장치, 네트워크, 네트워크 인터페이스 및 프로토콜 등을 더 포함할 수 있다.
이상에서 설명한 실시예들에 따른 컨설팅 시스템(1) 및 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다.
상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 테블릿pc, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.
상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

Claims (20)

  1. 프로세서에 의해 수행된 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법에 있어서,
    사용자 입력에 의해 신규 매장이 담당할 지리적 관심 영역을 지정하는 단계;
    검색 쿼리를 수신하여 지정된 지리적 관심 영역 내 위치하는 복수의 엔티티 중 적어도 일부에 액세스하는 단계 - 상기 검색 쿼리는 엔티티의 지리적 위치, 명칭, 액세스 주소 중 하나 이상을 포함함;
    액세스된 적어도 일부 엔티티 각각에 대해서, 미리 학습된 예측 모델을 사용하여 상기 지리적 관심 영역에 대한 엔티티의 지리적 위치에서의 예상 매출액을 산출하는 단계;
    상기 지리적 관심 영역에 대한 각 엔티티의 지리적 위치에서의 예상 매출액에 기초하여 신규 프랜차이즈 매장의 개설을 추천하기 위한 하나 이상의 후보 엔티티를 결정하고, 결정된 후보 엔티티의 지리적 위치 정보를 포함한 컨설팅 정보를 생성하여 제공하는 단계를 포함하되,
    상기 예측 모델은 대상 프랜차이즈의 기존 매장에서 고객이 지불하여 생성된 매출 정보에 기초하여 학습된 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  2. 청구항 제1항에 있어서, 상기 지리적 관심 영역을 지정하는 단계는,
    제1 인터페이스 화면 상에 적어도 하나의 서브 지역을 선택하는 사용자 입력을 수신하고 선택된 서브 지역을 지리적 관심 영역으로 지정하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  3. 청구항 제2항에 있어서,
    상기 제1 인터페이스 화면은 표시된 지역을 이루는 서브 영역의 경계를 표시한 지도 영역을 포함하고,
    적어도 일부분의 서브 지역을 선택하는 사용자 입력이 수신되면, 선택된 일부 또는 전부의 서브 지역을 지리적 관심 영역으로 지정하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  4. 청구항 제3항에 있어서, 상기 지리적 관심 영역의 서브 지역은 일 지점이 선택된 서브 지역이거나, 사용자 입력에 따라 형성된 면적에 적어도 부분적으로 포함된 서브 지역이거나, 또는 사용자 입력에 따른 기하학적 형상이 가로지르는 서브 지역인 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  5. 청구항 제2항에 있어서,
    상기 지리적 관심 영역은 상기 제1 인터페이스 화면 상에 경계를 지정하는 사용자 입력에 의해 직접 지정되는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  6. 청구항 제2항에 있어서,
    상기 제1 인터페이스 화면은 상기 지리적 관심 영역에 대한 요약 정보 및 상기 지리적 관심 영역의 서브 지역에 대한 요약 정보 중 하나 이상을 더 포함하고,
    상기 지리적 관심 영역이 복수의 지역을 포함할 경우, 상기 지리적 관심 영역에 대한 요약 정보는 각 지역에 대한 요약 정보에 기초하여 생성된 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  7. 청구항 제1항에 있어서,
    상기 예측 모델은 지리적 관심 지역 내 고객주소에 대한 대상 지리적 위치에서의 예상 매출액을 산출하도록 구성된 것으로서, 상기 선택된 엔티티의 지리적 위치가 상기 예측 모델의 상기 대상 프랜차이즈 매장의 지리적 위치로 적용되고,
    상기 지리적 관심 영역에 대한 엔티티의 지리적 위치에서의 예상 매출액을 산출하는 단계는,
    상기 지리적 관심 영역 내 고객주소들에 대해서, 액세스된 각 엔티티에서의 지리적 위치에서의 예상 매출액을 각각 산출하는 단계; 및
    각 엔티티에서의 지리적 위치에서의 고객주소별 예상 매출액에 기초하여 지리적 관심 영역에 대한 각 엔티티에서의 예상 매출액을 산출하는 단계를 포함하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  8. 청구항 제1항에 있어서, 상기 결정된 후보 엔티티의 지리적 위치 정보를 포함한 컨설팅 정보는 컨설팅 화면을 통해 제공되며,
    상기 컨설팅 화면은 각 후보 엔티티의 지리적 위치에서의 고객주소별 예상 매출액 전체 중 상대적으로 큰 예상 매출액을 갖는 하나 이상의 고객주소로 이루어진 고객 목록을 포함하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  9. 청구항 제7항에 있어서, 상기 방법은:
    지리적 관심 영역 내 적어도 일부 고객주소에 연관된 예상 매출액을 제1 분석 화면을 통해 제공하는 단계를 더 포함하고,
    연관된 예상 매출액은 고객주소별 예상 매출액, 주택 유형별 예상 매출액, 및 비-주택 유형별 예상 매출액 중 하나 이상을 포함하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  10. 청구항 제9항에 있어서,
    상기 제1 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제1 마커를 사용해 부동산별 예상 매출액을 해당 부동산의 평면 형상에 표시하도록 구성되고,
    상기 제1 마커는 고객주소별 예상 매출액을 나타내도록 미리 설정된 것으로서, 색상, 텍스트, 숫자 또는 이들 중 2이상의 조합인 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  11. 청구항 제10항에 있어서,
    복수의 제1 마커 색상은 복수의 예상 매출 구간에 대응하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  12. 청구항 제1항에 있어서, 상기 방법은:
    지리적 관심 영역 내 주택 유형, 비-주택 유형 또는 기간시설 유형을 제2 분석 화면을 통해 제공하는 단계를 더 포함하고,
    상기 제2 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제2 마커를 사용해 부동산 유형을 해당 부동산의 평면 형상에 표시하도록 구성되며,
    상기 제2 마커는 부동산 유형을 나타내도록 미리 설정된 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  13. 청구항 제1항에 있어서, 상기 방법은:
    지리적 관심 영역 내 토지 용도 또는 건물 용도를 제3 분석 화면을 통해 제공하는 단계를 더 포함하고,
    상기 제3 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제3 마커를 사용해 부동산별 용도를 해당 부동산의 평면 형상에 표시하도록 구성되며,
    상기 제3 마커는 고객주소별 부동산 용도를 나타내도록 미리 설정된 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  14. 청구항 제1항에 있어서, 상기 방법은:
    지리적 관심 영역의 거주인구의 수 또는 거류인구의 수를 제4 분석 화면 또는 제5 분석 화면을 통해 제공하는 단계를 더 포함하고,
    상기 제4 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제4 마커를 사용해 부동산별 거주인구의 수를 해당 부동산의 평면 형상에 나타내도록 구성되고,
    상기 제5 분석 화면은 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제5 마커를 사용해 부동산별 거류인구의 수를 해당 부동산의 평면 형상에 나타내도록 구성되는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  15. 청구항 제14항에 있어서,
    상기 제4 마커 또는 제5 마커는 색상으로서,
    복수의 마커 색상은 복수의 거주인구 구간 또는 복수의 거류인구 구간에 대응하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  16. 청구항 제1항에 있어서, 상기 방법은:
    지리적 관심 영역 내 경쟁자 정보를 제6 분석 화면을 통해 제공하는 단계를 더 포함하고,
    상기 제6 분석 화면은, 지리적 관심 영역 내에 위치한 경쟁자 매장의 지리적 위치를 지도 상에 표시하도록 구성되는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  17. 청구항 제1항에 있어서, 상기 방법은:
    지리적 관심 영역 내 구매가능 지수 정보를 제7 분석 화면을 통해 제공하는 단계를 더 포함하고,
    상기 제7 분석 화면은, 상기 지리적 관심 영역 내의 위치한 고객주소의 부동산들에 대해서, 미리 설정된 제7 마커를 사용해 각각 액세스된 엔티티의 지리적 위치에서의 구매가능지수를 해당 부동산의 평면 형상에 나타내도록 구성되며,
    상기 제7 마커는 고객주소별 구매가능지수를 나타내도록 미리 설정된 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  18. 청구항 제17항에 있어서, 상기 제7 분석 화면에서 엔티티의 지리적 위치에서의 구매가능지수는 각 구매가능지수의 값에 따른 고객주소의 수를 통계화한 그래프를 포함하는 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  19. 청구항 제17항에 있어서,
    상기 예측 모델은 제1 모델; 제2 모델 및 제3 모델을 포함하고,
    상기 제1 모델은 상기 지리적 관심 영역 내 일부 또는 전부의 고객주소에 대해서, 각각의 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하도록 구성되고,
    상기 제2 모델은 상기 지리적 관심 영역 내 각각의 고객주소에 대한 대상 지리적 위치의 경쟁 지수 및 상기 상기 지리적 관심 영역에 대한 배후지 정보에 기초하여 대상 지리적 위치에서의 특정 고객주소에 대한 구매가능지수를 산출하도록 구성되며,
    상기 제3 모델은 특정 고객주소에 대한 대상 지리적 위치의 구매가능지수가 입력되면, 상기 특정 고객주소에 대해 대상 지리적 위치의 예상 매출액을 산출하도록 구성되며,
    상기 엔티티의 지리적 위치에서의 구매가능지수는 제2 모델에 의해 고객주소별로 산출된 대상 지리적 위치에서의 구매가능지수인 것을 특징으로 하는, 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법.
  20. 청구항 제1항 내지 청구항 제19항 중 어느 하나의 항에 따른 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 기록매체.
KR1020220002632A 2021-06-16 2022-01-07 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법 KR20220168955A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR1020210078226 2021-06-16
KR1020210078225 2021-06-16
KR20210078225 2021-06-16
KR20210078226 2021-06-16

Publications (1)

Publication Number Publication Date
KR20220168955A true KR20220168955A (ko) 2022-12-26

Family

ID=84547465

Family Applications (4)

Application Number Title Priority Date Filing Date
KR1020220002632A KR20220168955A (ko) 2021-06-16 2022-01-07 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법
KR1020220002631A KR102647986B1 (ko) 2021-06-16 2022-01-07 인공지능 기반 프랜차이즈 컨설팅 시스템 및 방법
KR1020220038714A KR20220168961A (ko) 2021-06-16 2022-03-29 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 카드사 회원의 회원 분류 정보 생성 방법
KR1020220038715A KR20220168962A (ko) 2021-06-16 2022-03-29 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 지역에서의 이벤트 제공을 컨설팅하는 방법

Family Applications After (3)

Application Number Title Priority Date Filing Date
KR1020220002631A KR102647986B1 (ko) 2021-06-16 2022-01-07 인공지능 기반 프랜차이즈 컨설팅 시스템 및 방법
KR1020220038714A KR20220168961A (ko) 2021-06-16 2022-03-29 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 카드사 회원의 회원 분류 정보 생성 방법
KR1020220038715A KR20220168962A (ko) 2021-06-16 2022-03-29 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 지역에서의 이벤트 제공을 컨설팅하는 방법

Country Status (1)

Country Link
KR (4) KR20220168955A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102567499B1 (ko) * 2022-12-30 2023-09-06 주식회사 알파랩 예비 창업자에게 프랜차이즈 브랜드를 추천하는 서비스 제공 장치, 방법 및 프로그램
KR102605216B1 (ko) * 2023-08-30 2023-11-23 주식회사 넥스트페이먼츠 지역 상권 및 상점 데이터를 활용하여 프랜차이즈 업종을 추천하는 방법 및 시스템
KR102630611B1 (ko) * 2023-03-15 2024-01-29 주식회사 한국프로퍼티 지도 기반 상권분석을 이용한 가상 프랜차이즈 창업 시뮬레이션 서비스 제공 시스템
KR102639741B1 (ko) * 2023-05-08 2024-02-23 주식회사 서영에프앤비 가맹점 매출매입 현황 실시간 출력 시스템
KR102646888B1 (ko) * 2023-10-12 2024-03-12 (주)오아시스비즈니스 딥러닝 기반의 예측 모델을 이용하여 매장에 대한 수익을 예측하고 예측된 정보를 활용하는 전자 장치 및 이의 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102639736B1 (ko) * 2023-05-08 2024-02-23 주식회사 서영에프앤비 프랜차이즈 가맹사업을 위한 상권 분석 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100123398A (ko) 2009-05-15 2010-11-24 (주)지디에스케이 상권 내에서의 업종별 매출 추정 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100986624B1 (ko) * 2009-04-28 2010-10-08 (주)오픈메이트 셀 통계 기법을 이용한 매출 예측 및 예측 상권 생성 방법과 그 시스템
KR20100123408A (ko) * 2009-05-15 2010-11-24 (주)지디에스케이 Ｇｉｓ 기반의 가맹점 마케팅 지원 시스템 및 방법
KR102607782B1 (ko) * 2016-05-24 2023-11-29 (주)후앤파트너스 예상매출을 근거로 가맹비를 산출하고 실제 매출로 가맹비를 조정하는 프랜차이즈 가맹 시스템
KR20200055835A (ko) * 2018-11-12 2020-05-22 주식회사 어반포레스트 빅데이터에 기반한 소비패턴 분석을 통한 소비자-판매자 중심의 맞춤 서비스 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100123398A (ko) 2009-05-15 2010-11-24 (주)지디에스케이 상권 내에서의 업종별 매출 추정 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102567499B1 (ko) * 2022-12-30 2023-09-06 주식회사 알파랩 예비 창업자에게 프랜차이즈 브랜드를 추천하는 서비스 제공 장치, 방법 및 프로그램
KR102630611B1 (ko) * 2023-03-15 2024-01-29 주식회사 한국프로퍼티 지도 기반 상권분석을 이용한 가상 프랜차이즈 창업 시뮬레이션 서비스 제공 시스템
KR102639741B1 (ko) * 2023-05-08 2024-02-23 주식회사 서영에프앤비 가맹점 매출매입 현황 실시간 출력 시스템
KR102605216B1 (ko) * 2023-08-30 2023-11-23 주식회사 넥스트페이먼츠 지역 상권 및 상점 데이터를 활용하여 프랜차이즈 업종을 추천하는 방법 및 시스템
KR102646888B1 (ko) * 2023-10-12 2024-03-12 (주)오아시스비즈니스 딥러닝 기반의 예측 모델을 이용하여 매장에 대한 수익을 예측하고 예측된 정보를 활용하는 전자 장치 및 이의 방법

Also Published As

Publication number Publication date
KR20220168954A (ko) 2022-12-26
KR20220168961A (ko) 2022-12-26
KR102647986B1 (ko) 2024-03-19
KR20220168962A (ko) 2022-12-26

Similar Documents

Publication Publication Date Title
KR20220168955A (ko) 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법
Long et al. Does block size matter? The impact of urban design on economic vitality for Chinese cities
Yang et al. Location advantages of lodging properties: A comparison between hotels and Airbnb units in an urban environment
Demetriou A spatially based artificial neural network mass valuation model for land consolidation
US20210342962A1 (en) System and method for standardizing and tracking land use utility
Huff Defining and estimating a trading area
Currans Issues in trip generation methods for transportation impact estimation of land use development: A review and discussion of the state-of-the-art approaches
JP2003022314A (ja) 不動産価格関数推定方法、不動産価格関数推定装置、及び不動産価格関数推定プログラム
Han et al. Search well and be wise: A machine learning approach to search for a profitable location
Bahrami et al. Using gravity model to make store closing decisions: A data driven approach
JP2004355616A (ja) 情報提供システム並びに情報処理システム
Thériault et al. Modeling urban dynamics: Mobility, accessibility and real estate value
Kurowska et al. The use of gravity model in spatial planning
Jones et al. Economic viability
Chen et al. Geographic big data’s applications in retailing business market
Law A multi-scale exploration of the relationship between spatial network configuration and housing prices using the hedonic price approach. A Greater London case study
Abramovich Using GIS to assist location and site selection decisions
Robinson et al. A multi-scale suitability analysis of home-improvement retail-store site selection for Ontario, Canada
O’Kelly Applied retail location models using spatial interaction tools
Li et al. Urban Land Use Analysis
KR20220120829A (ko) 상권분석을 이용한 입지 추천 서비스 제공 시스템
Tokosh et al. Did the Macy’s in my mall close? Revisiting the closures of Macy’s, Sears, and JCPenney stores
Luceri et al. Store flyers: managing spatial distribution under budget constraints
Vithanage et al. Choice modeling of grocery shopping behavior: A Sri Lankan case study
Murad Using customers data for defining retail market size: a GIS approach

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal