KR20230069903A - E-bidding consulting system based on competitor prediction - Google Patents

E-bidding consulting system based on competitor prediction Download PDF

Info

Publication number
KR20230069903A
KR20230069903A KR1020230061252A KR20230061252A KR20230069903A KR 20230069903 A KR20230069903 A KR 20230069903A KR 1020230061252 A KR1020230061252 A KR 1020230061252A KR 20230061252 A KR20230061252 A KR 20230061252A KR 20230069903 A KR20230069903 A KR 20230069903A
Authority
KR
South Korea
Prior art keywords
bid
prediction
bidding
current
expected
Prior art date
Application number
KR1020230061252A
Other languages
Korean (ko)
Inventor
김재열
Original Assignee
김재열
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 김재열 filed Critical 김재열
Publication of KR20230069903A publication Critical patent/KR20230069903A/en

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

According to an embodiment of the present invention, a competitor prediction-based electronic bidding consulting system comprises: a prediction analysis unit that predicts a plurality of expectation assessment rates for a current bid announcement and outputs prediction results thereof; a successful bid probability calculation unit that accumulates an actual prediction probability from a past bid announcement according to a previously provided prediction result (past prediction result) to calculate a cumulative successful bid probability for each of bidders who wish to receive the prediction result (current prediction result); and a prediction result providing unit that provides the current prediction result to each of the bidders based on the calculated cumulative successful bid probability.

Description

경쟁자 예측 기반 전자 입찰 컨설팅 시스템{E-BIDDING CONSULTING SYSTEM BASED ON COMPETITOR PREDICTION}E-BIDDING CONSULTING SYSTEM BASED ON COMPETITOR PREDICTION}

본 발명은 전자 입찰 컨설팅 서비스에 관한 것으로, 더 상세사하게는 현재 입찰공고에 대한 복수개의 예상 낙찰 사정률을 예측하고, 그 예측 결과를 입찰자(고객)들에게 최대한 공정하게 분배할 수 있는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템에 관한 것이다.The present invention relates to an electronic bidding consulting service, and more particularly, predicts a plurality of expected bid success rates for a current bid announcement and predicts competitors capable of distributing the predicted results as fairly as possible to bidders (customers). It is about based e-bidding consulting system.

일반적으로, 정부, 지방자치단체 및 다양한 공공 기관들에서 발주하는 사업에 대한 사업 수행자를 선정하는 과정은 전자입찰에 의해서 이루어지고 있다. 이러한, 전자 입찰은 직접 입찰 장소에 방문하여 입찰 서류를 제출할 필요없이 인터넷을 통해 물품 조달 또는 시설 공사 입찰에 참여할 수 있는 입찰 방식을 말하며, 전자 입찰 제도는 2000년 11월 조달청이 처음 도입한 이후 각급 정부기관, 지방자치단체, 정부투자기관 등은 2002년 9월부터 나라장터에 입찰 공고를 공시하도록 의무화되었다. 아울러, 공공 기관의 입찰 집행관은 입찰 관리 시스템을 통하여 입찰 공고를 작성하고, 업체의 입찰서를 전자적으로 접수하여 자동 개찰을 수행한 후 낙찰자 선정을 할 수 있다.In general, a process of selecting a project performer for a project ordered by the government, local governments, and various public institutions is performed by electronic bidding. This e-bidding refers to a bidding method that allows you to participate in bidding for procurement of goods or facility construction through the Internet without having to visit the bidding site and submit bidding documents. Since September 2002, government agencies, local governments, and government-invested institutions have been obliged to disclose bidding notices on national marketplaces. In addition, a bidding executive of a public institution may create a bidding notice through a bidding management system, electronically receive bids from companies, automatically open bids, and then select a successful bidder.

종래의 전자 입찰 처리 과정을 설명하면 다음과 같다. 먼저, 사업을 수행하고자 하는 공공 기관은 전자입찰 공고문을 공시한다. 공고문에는 공고명, 공고번호, 지역, 면허, 기초 금액, 추정 가격, 사정률, 예정가격 사정범위, 투찰 마감 일시, 개찰 일시 등이 포함된다. 여기서, 상기 기초 금액은 발주처에서 조사한 당해 공사의 공사 금액으로 관급 자재 비용을 제외하고, 부가가치세가 합산된 금액으로, 예정 가격을 위한 15개 복수 예비 가격 산정 시 기준이 되는 가격을 말한다.A conventional e-bidding processing process is described as follows. First, a public institution that wants to conduct a project announces an electronic bidding notice. The announcement includes the name of the announcement, announcement number, region, license, basic amount, estimated price, assessment rate, estimated price assessment range, bidding closing date and opening date and time. Here, the basic price is the construction price of the project investigated by the ordering party, excluding the cost of government-supplied materials and adding value-added tax, and refers to the price that becomes the standard when calculating 15 multiple preliminary prices for the scheduled price.

또한, 추정 가격은 예정 가격이 결정되기 전에 예산에 계산된 금액 등을 기준하여 부가가치세 및 조달 수수료를 제외한 금액으로 적격 심사 기준을 결정할 때 사용되며, 사정률은 발주처 적격 심사 기준에서 통과 점수가 나오기 위한 최저 입찰 가격 비율, 부실 공사를 방지하기 위해 만들어졌고 입찰 공고문에 명시되어 있다. 상기 사정률은 -3~+3 범위 내에서 소수점 네자릿수까지의 값으로 다양하게 설정된다.In addition, the estimated price is an amount excluding value-added tax and procurement fees based on the amount calculated in the budget before the scheduled price is determined, and is used when determining the qualification criteria. The lowest bid price ratio, created to prevent poor construction and specified in the tender notice. The ejaculation rate is variously set to a value up to four decimal places within the range of -3 to +3.

또한, 상기 예정가격 사정범위는 기초 금액을 기준으로 복수 예비 가격을 산정하고 예정 가격을 정하기 위한 범위를 말한다. 또한, 상기 복수 예비 가격은 예정 가격 결정을 위해 기초 금액을 기준으로 발주처 제무관이 작성한 서로 다른 15개의 가격, 사전에 정해진 원가 계산 및 예정 가격 작성 요령에 의해 예정가격 사정범위에서 구간별로 나뉘고 그 구간에서는 랜덤으로 15개가 산출된다. 상기 복수 예비 가격을 공개하는 발주처와 비공개하는 발주처로 나뉘는데 대부분 비공개를 원칙으로 한다.In addition, the predetermined price assessment range refers to a range for calculating a plurality of preliminary prices based on the basic amount and determining the predetermined price. In addition, the plurality of preliminary prices are divided into 15 different prices prepared by the ordering company on the basis of the basic amount for determining the scheduled price, and are divided into sections within the scheduled price assessment range according to the pre-determined cost calculation and preparation method of the scheduled price, and the section In , 15 are randomly calculated. It is divided into an ordering party that discloses the plurality of preliminary prices and an ordering party that does not disclose the plurality of preliminary prices, and most of them are not disclosed in principle.

이러한 입찰공고문에 공시된 사업에 입찰하고자 하는 입찰자들은 입찰 가격을 산정하여 입찰에 참여하게 되고, 입찰에 참여한 입찰자들은 투찰시 복수 예비 가격 2개를 랜덤으로 선택하게 된다. 그러면, 입찰 관리 시스템은 입찰자들이 선택한 복수 예비 가격들 중 가장 많이 선택된, 즉, 추첨수가 가장 많은 4개의 복수 예비 가격들을 산술 평균하여 예정 가격을 선정한다.Bidders who wish to bid on the project announced in the tender notice calculate the bid price and participate in the bidding, and the bidders participating in the bidding randomly select two preliminary prices at the time of bidding. Then, the bid management system selects a predetermined price by arithmetic averaging of four preliminary prices selected the most among the plurality of preliminary prices selected by the bidders, ie, the most number of lottery numbers.

한편, 종래에는 경쟁사의 사정률을 파악하기 위해, 과거의 입찰공고들 중에서 현재 입찰공고의 조건, 예컨대, 공종, 발주처, 지역, 면허, 예정가격 사정범위 등이 동일한 입찰공고들을 일일이 확인하여 경쟁사의 입찰 여부와 사정률을 파악하여야 하기 때문에, 상당한 시간과 노력이 불가피하게 소요되는 문제점이 있다.On the other hand, conventionally, in order to grasp the competitor's evaluation rate, among past bid notices, bid notices with the same conditions as the current bid notice, for example, type of construction, ordering party, region, license, estimated price assessment range, etc. Since it is necessary to determine whether or not to bid and the assessment rate, there is a problem inevitably requiring considerable time and effort.

특히, 경쟁사들의 사정률은 지역, 면허, 발주처 등에 따라 다르게 형성되기 때문에, 경쟁사의 투찰 성향을 정확하게 파악하기가 매우 곤란한 문제점이 있다. 아울러, 경쟁사의 사정률을 분석하는 전자 입찰 분석가의 주관성에 따라 경쟁사의 사정률의 예측 정확성을 저하시키는 문제점이 있다.In particular, since the assessment rates of competitors are formed differently according to regions, licenses, ordering places, etc., it is very difficult to accurately grasp the bidding propensity of competitors. In addition, there is a problem in that the predictive accuracy of the competitor's assessment rate is lowered according to the subjectivity of the electronic bidding analyst who analyzes the competitor's assessment rate.

관련 선행기술로는 대한민국 공개특허공보 제10-2007-0057584호(발명의 명칭: 전자입찰지점계산 시스템 및 그 방법, 공개일자: 2007.06.07.)가 있다.As related prior art, there is Republic of Korea Patent Publication No. 10-2007-0057584 (Title of Invention: Electronic Bidding Point Calculation System and Method, Publication Date: 2007.06.07.).

본 발명의 목적, 즉 해결하고자 하는 과제는 전자 입찰 시스템에 공시된 현재 입찰공고에 대해 낙찰 사정률을 예측하고, 그 예측 결과를 입찰자(고객)들에게 최대한 공정하게 분배할 수 있는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템을 제공하는 것이다.The object of the present invention, that is, the problem to be solved, is to predict the successful bid decision rate for the current bid announcement announced in the electronic bidding system, and distribute the predicted result to bidders (customers) as fairly as possible. To provide a bidding consulting system.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the above-mentioned problem (s), and another problem (s) not mentioned will be clearly understood by those skilled in the art from the following description.

상기 목적은, 본 발명의 일 실시예에 따라, 현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 예측하고 그 예측 결과(현재 예측 결과)를 출력하는 예측 분석부, 및 상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 상기 현재 예측 결과를 상기 입찰자들 각각에 제공하는 예측 결과 제공부를 포함하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템에 의해 달성된다.The above object is, according to an embodiment of the present invention, a prediction analysis unit that predicts N (natural number) predicted bid success rates for the current bid announcement and outputs the prediction result (current prediction result), and the current prediction result. For each of the bidders who want to be provided, the current prediction result is provided to each of the bidders according to a predetermined provision priority based on actual bidding results in past bidding announcements according to previously provided past prediction results. It is achieved by a competitor prediction-based e-bidding consulting system comprising a prediction result providing unit.

바람직하게, 상기 경쟁자 예측 기반 전자 입찰 컨설팅 시스템은 상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출하는 낙찰 확률 산출부를 더 포함하고, 상기 예측 결과 제공부는 상기 산출된 누적 낙찰 확률에 기초하여 상기 제공 우선순위를 결정하고, 상기 제공 우선순위에 따라 상기 현재 예측 결과를 상기 입찰자들 각각에 제공할 수 있다.Preferably, the competitor prediction-based e-bidding consulting system accumulates actual prediction probabilities in past bidding announcements according to previously provided past prediction results for each of the bidders who want to be provided with the current prediction results, thereby accumulating the cumulative successful bid probability. and a successful bid probability calculation unit that calculates a successful bid probability, wherein the prediction result providing unit determines the provision priority based on the calculated cumulative successful bid probability, and provides the current predicted result to each of the bidders according to the provision priority. can do.

바람직하게, 상기 낙찰 확률 산출부는 상기 입찰자들 각각의 과거 예측 결과를 확률분포 함수에 적용하여 상기 실제 예측 확률을 상기 입찰자들 각각에 대해 산출할 수 있다.Preferably, the successful bid probability calculation unit calculates the actual predicted probability for each of the bidders by applying a probability distribution function to a past prediction result of each of the bidders.

바람직하게, 상기 실제 예측 확률은 상기 입찰자들 각각의 과거 예측 결과를 확률분포 함수의 X축 값으로 분포시켰을 때, 상기 입찰자들의 과거 예측 결과 각각에 대하여 해당 과거 예측 결과와 가장 인접하면서 더 작은 값을 갖는 다른 과거 예측 결과 사이의 범위를 적분하여 산출된 면적 값에 대응할 수 있다.Preferably, the actual predicted probability is a value that is closest to and smaller than the previous predicted result of each of the bidders when the past predicted result of each of the bidders is distributed as an X-axis value of the probability distribution function. It may correspond to an area value calculated by integrating a range between different past prediction results.

바람직하게, 상기 예측 결과 제공부는 상기 현재 예측 결과를 상기 입찰자들에게 최대한 공정하게 분배할 수 있도록, 상기 상기 산출된 누적 낙찰 확률이 낮은 순으로 상기 현재 예측 결과의 제공 우선순위를 결정하고, 상기 제공 우선순위에 따라 상기 입찰자들 각각에 상기 현재 예측 결과에 해당하는 상기 N(자연수)개의 예상 낙찰 사정률 중 어느 하나를 제공할 수 있다.Preferably, the prediction result providing unit determines the priority of providing the current prediction results in order of the calculated cumulative successful bid probability so as to distribute the current prediction results as fairly as possible to the bidders, and provides the current prediction results. Any one of the N (natural number) predicted bid success rates corresponding to the current prediction result may be provided to each of the bidders according to the priority order.

바람직하게, 상기 경쟁자 예측 기반 전자 입찰 컨설팅 시스템은 상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들에 대해 딥러닝 모델을 적용하여 상기 현재 입찰공고에 대한 상기 경쟁사들 각각의 예상 사정률을 추출하는 딥러닝 연산부를 더 포함하고, 상기 예측 분석부는 상기 경쟁사들 각각의 예상 사정률에 기초하여 상기 현재 입찰공고에 대한 상기 N(자연수)개의 예상 낙찰 사정률을 예측할 수 있다.Preferably, the competitor prediction-based e-bidding consulting system applies a deep learning model to competitors expected to participate in the current bidding announcement and extracts an expected success rate of each of the competitors with respect to the current bidding announcement. The processor may further include a calculation unit, and the prediction analysis unit may predict N (natural number) expected bid success rates for the current bid announcement based on the expected success rates of each of the competitors.

바람직하게, 상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 상기 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 선정되고, 상기 경쟁자 예측 기반 전자 입찰 컨설팅 시스템은 상기 과거 입찰공고들에 대한 정보와 상기 과거 입찰공고들에 대한 상기 경쟁사들의 실제 사정률 정보에 기초하여 상기 딥러닝 모델을 생성하는 모델 생성부를 더 포함할 수 있다.Preferably, competitors expected to participate in the current bid announcement are selected based on information on past bid announcements similar to the current bid announcement, and the competitor prediction-based e-bidding consulting system provides information on the past bid announcements. and a model generator for generating the deep learning model based on information on the competitors' actual assessment rates for the past bid announcements.

바람직하게, 상기 예측 분석부는 상기 경쟁사들 각각의 예상 사정률을 확률분포 함수에 적용하여 상기 예상 낙찰 사정률을 예측할 수 있다.Preferably, the prediction analysis unit may predict the expected success rate by applying the expected success rate of each of the competitors to a probability distribution function.

바람직하게, 상기 예측 분석부는 상기 경쟁사들 각각의 예상 사정률을 상기 확률분포 함수의 X축 값으로 분포시키고, 상기 경쟁사들의 예상 사정률 각각에 대하여 상기 현재 입찰공고의 예상 낙찰 사정률이 될 확률을 계산하여 그 확률이 높은 상위 N(자연수)개를 상기 예상 낙찰 사정률로서 추정할 수 있다.Preferably, the prediction analyzer distributes the expected success rate of each of the competitors as an X-axis value of the probability distribution function, and calculates a probability of being the expected success rate of the current bid announcement for each expected success rate of the competitors. By calculating, the top N (natural numbers) with high probability can be estimated as the expected successful bid evacuation rate.

바람직하게, 상기 현재 입찰공고의 예상 낙찰 사정률이 될 확률은, 상기 경쟁사들이 상기 현재 입찰공고에 제출할 것으로 예상되는 사정률의 분포까지 고려한 확률로서, 상기 확률분포 함수에서 상기 경쟁사들의 예상 사정률 각각에 대하여 해당 예상 사정률과 가장 인접하면서 더 작은 값을 갖는 다른 예상 사정률 사이의 범위를 적분하여 산출된 면적 값에 대응할 수 있다.Preferably, the probability of being the expected success rate of the current bid announcement is a probability considering the distribution of the expected success rate that the competitors will submit to the current bid announcement, and each of the expected success rates of the competitors in the probability distribution function For , it may correspond to the area value calculated by integrating the range between the expected ejaculation rate and other expected ejaculation rates that are closest and have smaller values.

본 발명은, 과거 입찰공고들에서 입찰자들 각각의 실제 예측 확률을 누적하여 산출한 누적 낙찰 확률을 기초로 하여 현재 입찰공고의 복수개의 예상 낙찰 사정률을 구분하여 제공함으로써, 현재 입찰공고에 대한 복수개의 예상 낙찰 사정률을 입찰자들에게 최대한 공정하게 분배할 수 있다.The present invention divides and provides a plurality of predicted successful bid success rates of the current bid announcement based on the cumulative successful bid probability calculated by accumulating the actual predicted probabilities of each bidder in past bid announcements, thereby providing multiple It is possible to distribute the expected success rate of bids to bidders as fairly as possible.

또한, 본 발명은, 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들 각각에 대해 현재 입찰공고의 예상 사정률을 추출하고, 추출한 경쟁사들 각각의 예상 사정률에 기초하여 현재 입찰공고의 예상 낙찰 사정률을 예측함으로써, 전자 입찰 시스템에 있어서 낙찰 사정률(또는 낙찰가)에 대한 예측의 정확성과 신뢰성을 향상시킬 수 있다.In addition, the present invention extracts the expected assessment rate of the current bid announcement for each of the competitors who are expected to participate in the current bid announcement based on information on past bid announcements similar to the current bid announcement, and calculates each of the extracted competitors. By predicting the expected success rate of the current bid announcement based on the expected assessment rate, it is possible to improve the accuracy and reliability of prediction of the successful bid assessment rate (or successful bid price) in the electronic bidding system.

도 1은 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 네트워크 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 있어서 예상 낙찰 사정률을 예측하기 위하여 정규분포 함수에서 x축의 값(경쟁사들의 예상 사정률) 각각에 대하여 면적 값을 산출하는 일례를 도시한 도면이다.
도 4 및 도 5는 현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 입찰자들 각각에게 분배하여 제공하는 일례를 도시한 도면이다.1 is a diagram showing a network configuration of a competitor prediction based electronic bidding consulting system according to an embodiment of the present invention.
Figure 2 is a block diagram shown to explain the detailed configuration of the competitor prediction based e-bidding consulting system according to an embodiment of the present invention.
3 is a diagram showing an example of calculating an area value for each value of the x-axis (expected success rate of competitors) in a normal distribution function in order to predict an expected success rate in an embodiment of the present invention.
4 and 5 are diagrams illustrating an example of distributing and providing N (natural number) expected bid success rates for the current bid announcement to each of the bidders.

본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.Advantages and/or features of the present invention, and methods of achieving them, will become apparent with reference to the following detailed description of the embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and will be implemented in various forms different from each other, only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention pertains. It is provided to completely inform the person who has the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numbers designate like elements throughout the specification.

또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.In addition, preferred embodiments of the present invention to be carried out below are provided in each system functional configuration in order to efficiently explain the technical components constituting the present invention, or system functions commonly provided in the technical field to which the present invention belongs. The configuration is omitted as much as possible, and the functional configuration that should be additionally provided for the present invention will be mainly described. If one of ordinary skill in the art to which the present invention pertains, one will be able to easily understand the functions of conventionally used components among the omitted functional configurations not shown below, and also the omitted configurations as described above. The relationship between elements and components added for the present invention will also be clearly understood.

이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 네트워크 구성을 도시한 도면이고, 도 2는 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템의 상세 구성을 설명하기 위해 도시한 블록도이다.1 is a diagram showing the network configuration of an e-bidding consulting system based on competitor prediction according to an embodiment of the present invention, and FIG. 2 describes a detailed configuration of the competitor prediction-based e-bidding consulting system according to an embodiment of the present invention. It is a block diagram shown to do this.

도 1을 참조하면, 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 인터넷 통신망 및 모바일 통신망을 포함하는 통신망을 통해, 스마트폰 및 퍼스널 컴퓨터 등을 포함하는 입찰자(고객) 단말기(130)가 접속 가능한 서버의 형태로 구현될 수 있다.Referring to Figure 1, the competitor prediction based electronic bidding consulting system 120 according to an embodiment of the present invention is a bidder (customer) including a smartphone and a personal computer through a communication network including an Internet communication network and a mobile communication network. The terminal 130 may be implemented in the form of a server that can be accessed.

본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 전자 입찰 시스템(110)에 공시된 현재 입찰공고를 대상으로, 과거 유사한 입찰공고에 참여한 경쟁사들의 실제 사정률 정보(또는 실제 입찰가 정보)를 기반으로 현재 입찰공고에 대한 예상 낙찰 사정률(또는 예상 낙찰가)을 예측하고 그 예측 결과를 입찰자 단말기(130)에 제공할 수 있다. 참고로, 전자 입찰 시스템(110)은 대표적으로 대한민국 조달청에서 운영하는 나라장터의 전자 입찰 시스템 등을 포함한다.The competitor prediction-based e-bidding consulting system 120 according to an embodiment of the present invention targets the current bidding announcement announced in the e-bidding system 110, the actual assessment rate information (or actual A predicted success rate (or expected successful bid price) for the current bid announcement may be predicted based on the bid price information) and the prediction result may be provided to the bidder terminal 130 . For reference, the e-bidding system 110 typically includes an e-bidding system of the National Marketplace operated by the Public Procurement Service of the Republic of Korea.

이때, 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 상기 예측 결과(현재 예측 결과)를 제공받고자 하는 입찰자(고객)들 각각에 대하여, 이전에 제공받은 예측 결과(과거 예측 결과)에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 현재 예측 결과를 입찰자들 각각에 제공할 수 있다. At this time, the competitor prediction-based e-bidding consulting system 120 according to an embodiment of the present invention provides previously provided prediction results (past prediction results) for each of the bidders (customers) who want to be provided with the prediction results (current prediction results). The current prediction result may be provided to each of the bidders according to a predetermined priority of provision based on actual bidding results in past bid announcements according to the prediction result).

구체적으로, 본 발명의 일 실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 이전에 제공받은 예측 결과(과거 예측 결과)에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출하고, 이렇게 산출된 누적 낙찰 확률에 기초하여 현재 예측 결과를 입찰자들 각각의 입찰자 단말기(130)에 제공할 수 있다.Specifically, the competitor prediction-based e-bidding consulting system 120 according to an embodiment of the present invention accumulates actual prediction probabilities in past bidding announcements according to previously provided prediction results (past prediction results) to accumulate successful bid probability. , and based on the calculated cumulative successful bid probability, a current prediction result may be provided to the bidder terminal 130 of each of the bidders.

한편, 본 명세서에서 '예상 낙찰 사정률'은 '예상 낙찰가'를 포함하는 의미로 사용된다. 그리고 전자 입찰 시스템에 있어서 '낙찰 사정률'은 통상적으로 소수점 넷째자리까지 표시되는 숫자로, 금액으로 표시되는 '낙찰가'와 일대일로 대응 매칭되는 개념이다. 즉, '낙찰 사정률' 정해지면 그에 매칭되는 '낙찰가'도 정해지게 된다. 같은 맥락에서 경쟁사들의 '실제 사정률' 및 '예상 사정률'은 각각 '실제 입찰가' 및 '예상 입찰가'를 포함하는 의미이다. 이하에서는 '낙찰가'나 '입찰가'를 포함하는 의미로 '사정률' 표현만을 사용하여 본 발명의 실시예들을 상세히 설명하기로 한다.Meanwhile, in the present specification, 'expected successful bid assessment rate' is used as a meaning including 'expected successful bid price'. And, in the electronic bidding system, the 'success rate' is usually a number displayed to the fourth decimal place, and is a concept that is matched one-to-one with the 'successful bid price' displayed as an amount. That is, when the 'successful bid assessment rate' is determined, the 'successful bid price' matching it is also determined. In the same context, competitors' 'actual adjustment rates' and 'expected adjustment rates' mean to include 'actual bid prices' and 'estimated bid prices', respectively. Hereinafter, embodiments of the present invention will be described in detail using only the expression 'determination rate' which includes 'successful bid price' or 'bid price'.

도 2를 참조하면, 본 발명의 일실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120)은 모델 생성부(210), 딥러닝 연산부(220), 예측 분석부(230), 낙찰 확률 산출부(240), 예측 결과 제공부(250), 및 제어부(260)를 포함할 수 있다.Referring to FIG. 2, the e-bidding consulting system 120 based on prediction of competitors according to an embodiment of the present invention includes a model generator 210, a deep learning operation unit 220, a prediction analysis unit 230, and a successful bid probability calculation unit. 240, a prediction result providing unit 250, and a control unit 260 may be included.

모델 생성부(210)는 전자 입찰 시스템(110)에 공시된 현재 입찰공고와 유사한 혹은 관련있는 과거 입찰공고들에 대한 정보와 그 과거 입찰공고들에 참여한 경쟁사들의 실제 사정률 정보에 기초하여 딥러닝 모델(Deep Learning Model)을 생성할 수 있다.The model generation unit 210 performs deep learning based on information on past bid announcements similar to or related to the current bid announcement announced in the electronic bidding system 110 and information on actual assessment rates of competitors who have participated in the past bid announcements. You can create a model (Deep Learning Model).

구체적으로, 모델 생성부(210)는 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 현재 입찰공고에 참여할 것으로 예상되거나 기대되는 경쟁사들을 선정한 후, 과거 입찰공고들에 대한 정보와 그 과거 입찰공고들에 대한 경쟁사들의 실제 사정률 정보에 기초하여 딥러닝 모델을 생성할 수 있다. Specifically, the model generating unit 210 selects competitors expected or expected to participate in the current bidding announcement based on information on past bidding announcements similar to the current bidding announcement, and then displays information on past bidding announcements and the past. A deep learning model may be generated based on information on the actual assessment rates of competitors for bid announcements.

이와 다르게, 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 선정되되, 모델 생성부(210)가 아닌 다른 구성이나 프로세스를 통해 선정될 수도 있다.Alternatively, competitors expected to participate in the current bid announcement are selected based on information on past bid announcements similar to the current bid announcement, but may be selected through a configuration or process other than the model generating unit 210.

여기서, '딥러닝 모델'은 복수개의 알고리즘과 복수개의 데이터 세트를 미리 정해진 규칙에 따라 조합하여 변경하면서, 과거 입찰공고들에 대한 정보에 기초하여 과거 입찰공고들에 대한 경쟁사들의 예상 사정률을 예측한 후, 이를 과거 입찰공고들에 대한 경쟁사들의 실제 사정률과 대비하는 피드백 과정을 무수히 많이 실행함으로써, 가장 성능이 좋은, 즉 가장 잘 맞추는 알고리즘의 조합과 데이터 세트의 조합을 선택할 수 있다.Here, the 'deep learning model' predicts competitors' expected requisition rates for past bid announcements based on information on past bid announcements while combining and changing a plurality of algorithms and a plurality of data sets according to predetermined rules. After that, it is possible to select a combination of algorithms and data sets with the best performance, that is, the best fit, by performing countless feedback processes comparing the actual assessment rates of competitors with respect to past bid announcements.

딥러닝 연산부(220)는 위와 같이 모델 생성부(210)에 의해 생성된 딥러닝 모델을 이용하여 현재 입찰공고에 대한 경쟁사들 각각의 예상 사정률을 추출할 수 있다. 즉, 딥러닝 연산부(220)는 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들에 대해 딥러닝 모델을 적용하여 현재 입찰공고에 대한 경쟁사들 각각의 예상 사정률을 추출할 수 있다.The deep learning operation unit 220 may extract an expected assessment rate of each of the competitors for the current bid announcement using the deep learning model generated by the model generation unit 210 as described above. That is, the deep learning operation unit 220 may apply a deep learning model to competitors expected to participate in the current bid announcement to extract an expected assessment rate of each of the competitors for the current bid announcement.

여기서, 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 현재 입찰공고와 유사한 과거 입찰공고들을 검색하고, 그 검색된 과거 입찰공고들에 대한 정보에 기초하여 선정될 수 있다. 그리고 현재 입찰공고와 유사한 과거 입찰공고들이란 예컨대 현재 입찰공고의 공종, 발주처, 지역, 면허, 예정가격 사정범위에 부합하는 과거의 입찰공고들로 제공될 수 있다.Here, competitors expected to participate in the current bid announcement may search for past bid announcements similar to the current bid announcement, and may be selected based on information on the searched past bid announcements. In addition, past bid notices similar to the current bid notice may be provided, for example, as past bid notices corresponding to the type of construction, ordering party, region, license, and estimated price assessment range of the current bid notice.

도 3은 본 발명의 일 실시예에 있어서 예상 낙찰 사정률을 예측하기 위하여 정규분포 함수에서 X축의 값(경쟁사들의 예상 사정률) 각각에 대하여 확률(면적 값)을 산출하는 일례를 도시한 도면이다.3 is a diagram showing an example of calculating a probability (area value) for each value of the X-axis (expected success rate of competitors) in a normal distribution function in order to predict an expected success rate in an embodiment of the present invention. .

도 2 및 도 3을 참조하면, 예측 분석부(230)는 위와 같이 딥러닝 연산부(220)에 의해 추출된 경쟁사들 각각의 예상 사정률에 기초하여 현재 입찰공고에 대한 예상 낙찰 사정률을 예측하고, 그 예측 결과를 출력할 수 있다. Referring to FIGS. 2 and 3 , the prediction analysis unit 230 predicts the expected success rate of the current bid announcement based on the expected assessment rate of each of the competitors extracted by the deep learning operation unit 220 as above, and , the prediction result can be output.

바람직하게, 예측 분석부(230)는 경쟁사들 각각의 예상 사정률을 미리 생성된 확률분포 함수에 적용하여 예상 낙찰 사정률을 예측할 수 있다. 본 실시예에서는 예상 낙찰 사정률을 예측하는데 있어서 확률분포 함수로서 정규분포 함수가 사용되지만, 본 발명은 이에 한정되지 아니하고 다른 종류의 확률분포 함수가 사용될 수도 있다.Preferably, the prediction analyzer 230 may predict the expected bid ejaculation rate by applying the predicted ejaculation rate of each competitor to a pre-generated probability distribution function. In the present embodiment, a normal distribution function is used as a probability distribution function in predicting the expected success rate, but the present invention is not limited thereto and other types of probability distribution functions may be used.

구체적으로, 예측 분석부(230) 도 3에 도시된 바와 같이 경쟁사들 각각의 예상 사정률을 정규분포 함수의 X축 값으로 분포시키고, 경쟁사들의 예상 사정률 각각에 대하여 현재 입찰공고의 예상 낙찰 사정률이 될 확률(예상 낙찰 확률)을 계산하여 그 확률이 높은 상위 N(자연수)개를 예상 낙찰 사정률로서 추정할 수 있다. 그리고, 예측 분석부(230)는 예상 낙찰 사정률에 관한 예측 결과를 출력하여 고객 단말기(130)에 제공할 수 있다. Specifically, as shown in FIG. 3, the prediction analysis unit 230 distributes the expected assessment rate of each competitor as an X-axis value of a normal distribution function, and the expected success rate of the current bid announcement for each expected assessment rate of the competitor. It is possible to estimate the top N (natural numbers) with high probability as the expected bid success rate by calculating the probability (expected successful bid probability) to be the successful bid rate. In addition, the prediction analysis unit 230 may output a prediction result regarding the expected success rate and provide it to the customer terminal 130 .

설명의 편의를 위해 도 3에서는 6개의 경쟁사들 각각의 예상 사정률(x1, x2, x3, x4, x5, x6)을 정규분포 함수의 X축 값으로 표시되어 있는데, 실제는 훨씬 더 많은 경쟁사들의 예상 사정률이 정규분포 함수의 X축에서 조밀한 간격으로 표시되는 것이 일반적이다.For convenience of explanation, in FIG. 3, the expected ejaculation rates (x1, x2, x3, x4, x5, x6) of each of the six competitors are shown as the X-axis values of the normal distribution function, but in reality, the number of competitors with much more It is common for expected ejaculation rates to be plotted as closely spaced intervals on the X-axis of a normal distribution function.

여기서, 현재 입찰공고의 예상 낙찰 사정률이 될 확률(예상 낙찰 확률)은 정규분포 함수에서 경쟁사들의 예상 사정률 각각에 대하여 해당 예상 사정률과 가장 인접하면서 더 작은 값을 갖는 다른 예상 사정률 사이의 범위를 적분하여 산출된 면적 값에 대응할 수 있다.Here, the probability of being the expected bid success rate (expected successful bid probability) of the current bid announcement is the difference between the predicted assessment rate and the other predicted assessment rates that are closest to each other and have a smaller value for each expected assessment rate of competitors in a normal distribution function. It may correspond to the area value calculated by integrating the range.

예를 들면, 도 3에서 6개의 예상 사정률(x1, x2, x3, x4, x5, x6) 중에서 3개의 3개의 예상 사정률(x2, x4, x6)에 대한 면적 값(s1, s2, s3)의 크기가 s2 > s1 > s3 인 경우, 예측 분석부(230)는 s2에 해당하는 예상 사정률이 현재 입찰공고의 예상 낙찰 사정률이 될 확률이 가장 높을 것으로 예측할 수 있다.For example, in FIG. 3, area values (s1, s2, s3) for three expected ejaculation rates (x2, x4, x6) among six expected ejaculation rates (x1, x2, x3, x4, x5, x6) ) is s2 > s1 > s3, the prediction analysis unit 230 may predict that the expected bid assessment rate corresponding to s2 has the highest probability of being the expected successful bid assessment rate of the current bid announcement.

결론적으로, 예측 분석부(230)는 경쟁사들의 예상 사정률 각각에 대하여 정규분포 함수에서의 면적을 산출하고, 그 면적 값이 높은 상위 N개를 예상 낙찰 사정률로서 추정하여 그 결과를 고객 단말기(130)에 제공할 수 있다.In conclusion, the prediction analysis unit 230 calculates the area of the normal distribution function for each expected success rate of competitors, estimates the top N items with high area values as expected success rate, and calculates the result as a customer terminal ( 130) can be provided.

이와 같이 본 발명에서 예측 분석부(230)에 의해 계산되는 현재 입찰공고의 예상 낙찰 사정률이 될 확률이란, 단순히 전자 입찰 시스템(110)에서 예상되는 낙찰 사정률(또는 낙찰가)의 확률만을 의미하는 것이 아니라, 이와 함께 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들이 제출할 사정률(예상 사정률)의 분포까지 고려한 확률을 의미한다. 일반적으로 전자 입찰 시스템(110)에서 발표되는 낙찰 사정률(또는 낙찰가)는 정규분포 함수에서 중앙 구간에 위치하는 경우가 많지만, 이러한 중앙 구간에는 경쟁사들이 제출한 사정률들이 아주 조밀하게 집중적으로 분포되므로, 실질적으로 경쟁사들과의 관계에서 낙찰을 받을 확률은 떨어진다고 볼 수 있다. As such, the probability of being the expected successful bid assessment rate of the current bid announcement calculated by the prediction analysis unit 230 in the present invention simply means only the probability of the successful bid assessment rate (or successful bid price) expected in the electronic bidding system 110 Rather, it means the probability considering the distribution of assessment rates (expected assessment rates) to be submitted by competitors who are expected to participate in the current bidding announcement. In general, the successful bid assessment rate (or successful bid price) announced by the e-bidding system 110 is often located in the central section of a normal distribution function, but in this central section, the rates submitted by competitors are very densely and intensively distributed. , it can be seen that the probability of winning a bid actually decreases in relation to competitors.

다시 말해서, 본 발명의 예측 분석부(230)는 전자 입찰 시스템(110)에서 예상되는 낙찰 사정률(또는 낙찰가)의 확률 뿐만 아니라 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들이 제출할 사정률(예상 사정률)의 분포까지 고려한 확률을 계산하여 현재 입찰공고에 대한 예상 낙찰 사정률(또는 예상 낙찰가)를 예측함으로써, 본 발명의 전자 입찰 컨설팅 시스템(120)을 사용하는 고객(사용자)가 참여한 현재 입찰공고에서 실제 낙찰받을 수 있는 확률을 더욱 높일 수 있는 것이다.In other words, the predictive analysis unit 230 of the present invention includes not only the probability of successful bid assessment rate (or successful bid price) expected in the electronic bidding system 110 but also the assessment rate (expected assessment rate) to be submitted by competitors expected to participate in the current bidding announcement. ) By calculating the probability considering the distribution of the current bid announcement and predicting the expected success rate (or expected successful bid price) for the current bid announcement, This will increase your chances of actually winning the bid.

한편, 예측 분석부(230)에서 적용하는 정규분포 함수는 확률분포 함수로서 현재 입찰공고의 전자 입찰 시스템에서 적용하는 낙찰 사정률(또는 낙찰가) 산정 규칙에 따라 반복적으로 수없이 시뮬레이션하여 생성될 수 있다. 이와 다르게, 예측 분석부(230)에서 적용하는 정규분포 함수는 현재 입찰공고와 유사한 과거 입찰공고들의 실제 낙찰 사정률 정보에 기초하여 생성될 수도 있다.On the other hand, the normal distribution function applied by the prediction analysis unit 230 is a probability distribution function and can be generated by repeatedly simulating a number of times according to the successful bid assessment rate (or successful bid price) calculation rule applied in the electronic bidding system of the current bid announcement. . Alternatively, the normal distribution function applied by the prediction analysis unit 230 may be generated based on actual successful bid decision ratio information of past bid notices similar to the current bid notice.

낙찰 확률 산출부(240)는 현재 입찰공고에 대한 예측 결과(현재 예측 결과: N(자연수)개의 예상 낙찰 사정률)를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과(과거 입찰공고들에서의 예상 낙찰 사정률)에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출할 수 있다.The successful bid probability calculation unit 240 determines the previous predicted results (past bids) for each of the bidders who want to be provided with the predicted results for the current bid announcement (current predicted results: N (natural number) predicted successful bid assessment rates). The cumulative successful bid probability may be calculated by accumulating actual prediction probabilities in past bidding announcements according to expected success rate in public announcements.

바람직하게, 낙찰 확률 산출부(240)는 입찰자들 각각의 과거 예측 결과를 정규분포 함수에 적용하여 상기 실제 예측 확률을 입찰자들 각각에 대해 산출할 수 있다. 이때, 낙찰 확률 산출부(240)에서 적용하는 확률분포 함수로서 정규분포 함수는 입찰자들이 참여했던 과거 입찰공고들에서 입찰자들 각각의 실제 낙찰 사정률 정보에 기초하여 생성될 수 있다.Preferably, the successful bid probability calculation unit 240 may calculate the actual predicted probability for each bidder by applying a normal distribution function to a past prediction result of each bidder. In this case, a normal distribution function as a probability distribution function applied by the successful bid probability calculation unit 240 may be generated based on information on the actual successful bid decision rate of each bidder in past bid announcements in which bidders participated.

여기서, 상기 실제 예측 확률은 입찰자들 각각의 과거 예측 결과를 정규분포 함수의 X축 값으로 분포시켰을 때, 입찰자들의 과거 예측 결과 각각에 대하여 해당 과거 예측 결과와 가장 인접하면서 더 작은 값을 갖는 다른 과거 예측 결과 사이의 범위를 적분하여 산출된 면적 값에 대응한다.Here, the actual prediction probability is obtained by distributing the past prediction results of each of the bidders by the X-axis value of the normal distribution function. It corresponds to the area value calculated by integrating the range between the predicted results.

참고로, 낙찰 확률 산출부(240)에서 '실제 예측 확률을 산출하는 방식이나 원리는 적용하는 정규분포 함수와 그 X축 값이 다를 뿐, 앞서 설명한 예측 분석부(230)에서 '현재 입찰공고의 예상 낙찰 사정률이 될 확률'을 산출하는 방식이나 원리와 동일하므로, 그 구체적인 설명은 예측 분석부(230)에 관한 설명을 준용하기로 한다. For reference, the method or principle of calculating the actual predicted probability in the successful bid probability calculation unit 240 is only different from the applied normal distribution function and its X-axis value, and in the prediction analysis unit 230 described above, 'the current bid announcement' Since it is the same as the method or principle for calculating the 'probability to be the expected successful bid decision rate', the description of the prediction analysis unit 230 will be applied mutatis mutandis to the detailed description.

이와 다르게, 낙찰 확률 산출부(240)는 입찰자들이 참여했던 과거 입찰공고들의 과거 예측 결과를 기반으로 전자 입찰 시스템(110)과 연계하여 과거 입찰공고들에서 입찰자들 각각의 낙찰 여부에 관한 정보를 획득하고, 상기 획득한 정보를 토대로 하여 과거 입찰공고들에서 입찰자들 각각의 낙찰 빈도를 계산할 수 있다. 이때, 낙찰 확률 산출부(240)는 상기 낙찰 빈도를 누적 계산함으로써 과거 입찰공고들에 대한 입찰자들 각각의 누적 낙찰 확률을 산출할 수 있다. 즉, 낙찰 확률 산출부(240)는 과거 입찰공고들에서 낙찰에 성공한 경우에 대해서만 낙찰 횟수로 카운트하고, 그 카운트 횟수를 누적 계산함으로써 상기 누적 낙찰 확률을 산출할 수도 있다.Unlike this, the successful bid probability calculation unit 240 obtains information on whether each bidder has won a successful bid in past bid announcements in association with the electronic bidding system 110 based on past prediction results of past bid announcements in which bidders have participated. And, based on the obtained information, it is possible to calculate the successful bid frequency of each of the bidders in past bid announcements. At this time, the successful bid probability calculation unit 240 may calculate the accumulated successful bid probability of each of the bidders for past bid announcements by cumulatively calculating the successful bid frequency. That is, the successful bid probability calculation unit 240 may calculate the cumulative successful bid probability by counting only successful bids in past bid announcements as the number of successful bids and cumulatively calculating the counted number.

도 4 및 도 5는 현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 입찰자들 각각에게 분배하여 제공하는 일례를 도시한 도면이다.4 and 5 are diagrams illustrating an example of distributing and providing N (natural number) expected bid success rates for the current bid announcement to each of the bidders.

예측 결과 제공부(250)는 현재 입찰공고에 대한 예측 결과(현재 예측 결과: N(자연수)개의 예상 낙찰 사정률)를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과(과거 입찰공고들에서의 예상 낙찰 사정률)에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 현재 예측 결과를 입찰자들 각각에 제공할 수 있다.The prediction result providing unit 250 provides past prediction results (past bids) for each of the bidders who want to be provided with prediction results (current prediction results: N (natural number) expected successful bid assessment rates) for the current bid announcement. The current predicted result may be provided to each of the bidders according to a predetermined priority of provision based on actual bidding results in past bid announcements according to the expected success rate in the announcements.

바람직하게, 예측 결과 제공부(250)는 낙찰 확률 산출부(240)에 의해 산출된 누적 낙찰 확률에 기초하여 현재 예측 결과를 입찰자들 각각에 제공할 수 있다.Preferably, the prediction result provider 250 may provide a current prediction result to each of the bidders based on the cumulative successful bid probability calculated by the successful bid probability calculation unit 240 .

구체적으로, 예측 결과 제공부(250)는 상기 산출된 누적 낙찰 확률이 낮은 순으로 상기 현재 예측 결과의 제공 우선순위를 결정하고, 상기 제공 우선순위에 따라 상기 입찰자들 각각에 상기 현재 예측 결과에 해당하는 N개의 예상 사정률 중 어느 하나를 예상 낙찰 확률이 높은 순으로 제공할 수 있다.Specifically, the prediction result providing unit 250 determines the priority of providing the current prediction result in the order of the calculated cumulative successful bid probability, and corresponds to the current prediction result to each of the bidders according to the priority order of provision. Any one of the N predicted ejaculation rates may be provided in order of the expected successful bid probability.

이때, 예측 결과 제공부(250)는 현재 예측 결과에 해당하는 N(자연수)개의 예상 낙찰 사정률을 상기 제공 우선순위에 따라 입찰자들 각각에 하나씩 구분하여 제공할 수 있다. 이와 다르게, 예측 결과 제공부(250)는 현재 예측 결과에 해당하는 N(자연수)개의 예상 낙찰 사정률을 상기 제공 우선순위에 따라 입찰자들에게 하나 또는 그 이상씩 차등 분배하여 제공할 수도 있다.At this time, the prediction result providing unit 250 may classify and provide N (natural number) predicted bid success rates corresponding to the current prediction result to each of the bidders according to the priority order. Alternatively, the prediction result providing unit 250 may differentially distribute and provide N (natural number) predicted bid success rates corresponding to the current prediction result to one or more bidders according to the priority order.

예를 들어, 도 4의 i)에 도시된 바와 같이 현재 예측 결과에 해당하는 예상 낙찰 사정률 X1, X2, X3, X4, X5 각각의 예상 낙찰 확률(정규분포 함수에서 면적 크기에 대응)이 차례대로 1, 2, 3, 4, 5 순위(X1 > X2 > X3 > X4 > X5)이고, 도 4의 ii)에 도시된 바와 같이 입찰자 A, B, C, D, E 각각의 과거 누적 낙찰 확률의 크기가 차례대로 3, 1, 2, 4, 5 순위(B > C > A > D > E)인 것으로 가정하여 설명한다.For example, as shown in i) of FIG. 4, the expected successful bid probabilities (corresponding to the area size in the normal distribution function) of each of the expected successful bid shooting rates X1, X2, X3, X4, and X5 corresponding to the current prediction result are sequentially 1, 2, 3, 4, and 5 ranks (X1 > X2 > X3 > X4 > X5), and as shown in ii) of FIG. 4, the past cumulative successful bid probability of bidders A, B, C, D, and E, respectively It will be described assuming that the size of is sequentially ranked 3, 1, 2, 4, 5 (B > C > A > D > E).

이러한 경우, 예측 결과 제공부(250)는 도 5에 도시된 바와 같이 예상 낙찰 사정률 X1을 입찰자 B에게 제공하고, 예상 낙찰 사정률 X2를 입찰자 C에게 제공할 수 있다. 또한, 예측 결과 제공부(250)는 예상 낙찰 사정률 X3를 입찰자 A에게 제공하고, 예상 낙찰 사정률 X4를 입찰자 C에게 제공하며, 예상 낙찰 사정률 X5를 입찰자 E에게 제공할 수 있다.In this case, the prediction result providing unit 250 may provide the expected success rate X1 to the bidder B and the expected success rate X2 to the bidder C, as shown in FIG. 5 . Also, the prediction result providing unit 250 may provide the expected successful bid adjustment rate X3 to the bidder A, the expected successful bid adjustment rate X4 to the bidder C, and the expected successful bid adjustment X5 to the bidder E.

제어부(260)는 도 2에 도시된 바와 같이 본 발명의 일실시예에 따른 경쟁자 예측 기반 전자 입찰 컨설팅 시스템(120), 즉 앞서 설명한 모델 생성부(210), 딥러닝 연산부(220), 예측 분석부(230), 낙찰 확률 산출부(240), 예측 결과 제공부(250) 등의 동작을 전반적으로 제어할 수 있다.As shown in FIG. 2, the control unit 260 includes the competitor prediction-based e-bidding consulting system 120 according to an embodiment of the present invention, that is, the model generation unit 210 described above, the deep learning operation unit 220, and the prediction analysis. Operations of the unit 230, the successful bid probability calculation unit 240, and the prediction result providing unit 250 may be generally controlled.

이상에서 설명된 본 발명의 구성 요소들은 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 구성 요소들은 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서, 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 요소는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 요소는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 요소는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 요소가 복수 개의 처리 요소 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 요소는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서와 같은 다른 처리 구성도 가능하다.Components of the present invention described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, components described in the embodiments may include a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), a programmable logic unit (PLU), a microprocessor, or instructions. can be implemented using one or more general purpose or special purpose computers, like any other device capable of executing and responding to The processing element may execute an operating system (OS) and one or more software applications running on the operating system. A processing element may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing element is used, but those skilled in the art may include a plurality of processing elements and/or a plurality of types of processing elements. it can be seen that there is For example, a processing element may include multiple processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램, 코드, 명령, 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 요소를 구성하거나 독립적으로 또는 결합적으로 처리 요소를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 요소에 의하여 해석되거나 처리 요소에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성 요소, 물리적 장치, 가상 장치, 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파에 영구적으로, 또는 일시적으로 구체화될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure processing elements to operate as desired, or may independently or in combination direct processing elements. Software and/or data may be stored in any type of machine, component, physical device, virtual device, computer storage medium or device, or signal wave transmitted, for interpretation by a processing element or to provide instructions or data to a processing element. It can be embodied permanently or temporarily. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

본 발명은 전술한 실시예들에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 청구범위에 속한다 하여야 할 것이다.The present invention is not limited to the above-described embodiments, and it is obvious to those skilled in the art that various modifications and variations can be made without departing from the spirit and scope of the present invention. Therefore, it should be said that such modifications or variations fall within the scope of the claims of the present invention.

110: 전자 입찰 시스템
120: 전자 입찰 컨설팅 시스템
130: 입찰자 단말기
210: 모델 생성부
220: 딥러닝 연산부
230: 예측 분석부
240: 낙찰 확률 산출부
250: 예측 결과 제공부
260: 제어부110: electronic bidding system
120: e-bidding consulting system
130: bidder terminal
210: model generating unit
220: deep learning calculation unit
230: predictive analysis unit
240: successful bid probability calculator
250: prediction result providing unit
260: control unit

Claims (5)

현재 입찰공고에 대한 N(자연수)개의 예상 낙찰 사정률을 예측하고 그 예측 결과(현재 예측 결과)를 출력하는 예측 분석부; 및
상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 입찰 결과에 기초하여 미리 정해진 제공 우선순위에 따라 상기 현재 예측 결과를 상기 입찰자들 각각에 제공하는 예측 결과 제공부;
를 포함하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
a predictive analysis unit that predicts N (natural number) predicted bid success rates for the current bid announcement and outputs the predicted result (current predicted result); and
For each of the bidders who want to be provided with the current prediction result, the current prediction result is provided to the bidders according to a predetermined provision priority based on actual bidding results in past bidding announcements according to previously provided past prediction results. a prediction result providing unit providing each of them;
E-bidding consulting system based on competitor prediction comprising a.
 제1항에 있어서,
상기 현재 예측 결과를 제공받고자 하는 입찰자들 각각에 대하여, 이전에 제공받은 과거 예측 결과에 따른 과거 입찰공고들에서의 실제 예측 확률을 누적하여 누적 낙찰 확률을 산출하는 낙찰 확률 산출부;
를 더 포함하고,
상기 예측 결과 제공부는,
상기 산출된 누적 낙찰 확률에 기초하여 상기 제공 우선순위를 결정하고, 상기 제공 우선순위에 따라 상기 현재 예측 결과를 상기 입찰자들 각각에 제공하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
According to claim 1,
a successful bid probability calculation unit for calculating a cumulative successful bid probability by accumulating actual prediction probabilities in past bid announcements according to previously provided past prediction results for each of the bidders who wish to receive the current prediction results;
Including more,
The prediction result providing unit,
The e-bidding consulting system based on competitor prediction, characterized in that the provision priority is determined based on the calculated cumulative successful bid probability, and the current prediction result is provided to each of the bidders according to the provision priority.
 제1항 또는 제2항에 있어서,
상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들에 대해 딥러닝 모델을 적용하여 상기 현재 입찰공고에 대한 상기 경쟁사들 각각의 예상 사정률을 추출하는 딥러닝 연산부;
를 더 포함하고,
상기 예측 분석부는,
상기 경쟁사들 각각의 예상 사정률에 기초하여 상기 현재 입찰공고에 대한 상기 N(자연수)개의 예상 낙찰 사정률을 예측하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
According to claim 1 or 2,
a deep learning operation unit extracting an expected adjudication rate of each of the competitors with respect to the current bidding announcement by applying a deep learning model to the competitors expected to participate in the current bidding announcement;
Including more,
The predictive analysis unit,
The competitor prediction based electronic bidding consulting system, characterized in that for predicting the N (natural number) expected bid success rate for the current bid announcement based on the expected success rate of each of the competitors.
 제3항에 있어서,
상기 현재 입찰공고에 참여할 것으로 예상되는 경쟁사들은 상기 현재 입찰공고와 유사한 과거 입찰공고들에 대한 정보에 기초하여 선정되고,
상기 과거 입찰공고들에 대한 정보와 상기 과거 입찰공고들에 대한 상기 경쟁사들의 실제 사정률 정보에 기초하여 상기 딥러닝 모델을 생성하는 모델 생성부;
를 더 포함하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.
According to claim 3,
Competitors expected to participate in the current bidding announcement are selected based on information on past bidding announcements similar to the current bidding announcement,
a model generator configured to generate the deep learning model based on the information on the past bid announcements and the information on actual assessment rates of the competitors for the past bid announcements;
E-bidding consulting system based on competitor prediction further comprising a.
 제3항에 있어서,
상기 예측 분석부는,
상기 경쟁사들 각각의 예상 사정률을 확률분포 함수에 적용하여 상기 예상 낙찰 사정률을 예측하는 것을 특징으로 하는 경쟁자 예측 기반 전자 입찰 컨설팅 시스템.According to claim 3,
The predictive analysis unit,
Competitor prediction-based electronic bidding consulting system, characterized in that for predicting the expected success rate by applying the expected assessment rate of each of the competitors to a probability distribution function.
KR1020230061252A 2020-08-04 2023-05-11 E-bidding consulting system based on competitor prediction KR20230069903A (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR20200097247 2020-08-04
KR1020200097247 2020-08-04
KR1020210102396A KR102533525B1 (en) 2020-08-04 2021-08-04 E-bidding consulting system based on competitor prediction

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210102396A Division KR102533525B1 (en) 2020-08-04 2021-08-04 E-bidding consulting system based on competitor prediction

Publications (1)

Publication Number Publication Date
KR20230069903A true KR20230069903A (en) 2023-05-19

Family

ID=80266370

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210102396A KR102533525B1 (en) 2020-08-04 2021-08-04 E-bidding consulting system based on competitor prediction
KR1020230061252A KR20230069903A (en) 2020-08-04 2023-05-11 E-bidding consulting system based on competitor prediction

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020210102396A KR102533525B1 (en) 2020-08-04 2021-08-04 E-bidding consulting system based on competitor prediction

Country Status (1)

Country Link
KR (2) KR102533525B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230120762A (en) 2022-02-10 2023-08-17 주식회사 엘지에너지솔루션 A direct liquid cooling battery cell, manufacturing method thereof, and a direct liquid cooling battery module
KR102431323B1 (en) * 2022-03-21 2022-08-11 한라토건 주식회사 Online platform and system providing forecast information on construction bidding probability

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101300517B1 (en) * 2010-10-19 2013-10-02 주식회사 지투비홀딩스 Optimum Tender Price prediction method and system
KR101436086B1 (en) * 2012-11-15 2014-08-29 원용춘 server and its method for providing bidding-price prediction information
US10628858B2 (en) * 2013-02-11 2020-04-21 Facebook, Inc. Initiating real-time bidding based on expected revenue from bids
KR102041841B1 (en) * 2019-04-23 2019-11-06 (주) 에스와이소프트 Electronic bidding analysis system and method based on estimated competition rate

Also Published As

Publication number Publication date
KR102533525B1 (en) 2023-05-17
KR20220017379A (en) 2022-02-11

Similar Documents

Publication Publication Date Title
KR102211278B1 (en) Online platform for probability based technology valuation using collective intelligence and realtime artificial intelligence
KR20230069903A (en) E-bidding consulting system based on competitor prediction
JP5492767B2 (en) Fast option pricing method and system
US11776050B2 (en) Online data market for automated plant growth input curve scripts
US7606763B2 (en) Systems and methods for improving auction liquidity
US11983771B2 (en) Decision tree data structure based processing system
TWI391870B (en) Purchasing operation system, purchasing operation processing method and purchasing operation processing program
KR102273256B1 (en) Blockchain system for proof of future value based crypto currency issue and circulation and reward on basis of level of contribution to the future value realization
Ballesteros-Pérez et al. Quick abnormal-bid-detection method for construction contract auctions
Gao et al. Supply chain equilibrium on a game theory-incentivized blockchain network
Zhang et al. A framework for trust modeling in multiagent electronic marketplaces with buying advisors to consider varying seller behavior and the limiting of seller bids
Sadaoui et al. A dynamic stage-based fraud monitoring framework of multiple live auctions
KR101448290B1 (en) Bid consulting system for using distribution chart of expert's successful bid prediction and method thereof
Aljabhan Economic strategic plans with supply chain risk management (SCRM) for organizational growth and development
KR20190109300A (en) Method and system for technology valuation using block chain and smart contract
JP2002510411A (en) Pseudo Monte Carlo integration method
Rodewald Aligning information security investments with a firm's risk tolerance
KR102451291B1 (en) E-bidding consulting system based on competitor prediction
CN114912904B (en) Project delivery state determining method, system, electronic equipment and storage medium
CN111178947A (en) Advertisement space recommendation method and device, computer-readable storage medium and electronic equipment
KR101448289B1 (en) Bid consulting system for using expert's prediction result of successful bid and method thereof
Xu et al. Did alibaba fake the tmall “double eleven” data? evidence from benford’s law
Dütting et al. Machine learning for optimal economic design
KR102644940B1 (en) Credit rating system based on e-bidding information
CN114493810B (en) Internet of things data processing method, device and medium

Legal Events

Date Code Title Description
A107 Divisional application of patent