WO2013191457A1 - 거래처 모니터링 시스템 - Google Patents

거래처 모니터링 시스템 Download PDF

Info

Publication number
WO2013191457A1
WO2013191457A1 PCT/KR2013/005389 KR2013005389W WO2013191457A1 WO 2013191457 A1 WO2013191457 A1 WO 2013191457A1 KR 2013005389 W KR2013005389 W KR 2013005389W WO 2013191457 A1 WO2013191457 A1 WO 2013191457A1
Authority
WO
WIPO (PCT)
Prior art keywords
sales
account
trading
transaction
customer
Prior art date
Application number
PCT/KR2013/005389
Other languages
English (en)
French (fr)
Inventor
남승주
하동진
조성준
김동일
김현중
정원열
Original Assignee
(주) 더존비즈온
서울대학교산학협력단
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 (주) 더존비즈온, 서울대학교산학협력단 filed Critical (주) 더존비즈온
Publication of WO2013191457A1 publication Critical patent/WO2013191457A1/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the present invention relates to a customer monitoring system, and more particularly, to monitor a customer by analyzing sales data or transaction frequency of the customer, thereby making it easier to manage the customer and monitoring and enabling management evaluation and diagnosis. It's about the system.
  • Korean Patent Publication No. 10-2005-0078135 discloses a system and method for calculating economic indicators by analyzing sales trends of merchants.
  • the present invention discloses a method of determining sales trends for a corresponding affiliated store (contributor) and calculating economic indicators by determining sales increase / decrease at regular intervals.
  • this conventional technology has a limitation in that it merely grasps the increase and decrease of sales based on a certain period. Even if the actual sales decrease, other factors, such as the economy, are not good enough to reduce sales throughout the industry, and some customers do not always generate sales for a certain period of time. Therefore, the conventional technology analyzes sales trends based only on simple sales increase and decrease. Therefore, it is difficult to intelligently provide meaningful alarms on sales increase and decrease for the relevant customers by comprehensively understanding the actual trading environment and trading patterns. .
  • the present invention has been made in view of the above-mentioned limitations, and intelligently analyzes a transaction for a client, predicts a transaction, and takes into account a variety of trading variables such as a trading pattern, a trading cycle, and a trading frequency with the client.
  • the objective is to provide an intelligent monitoring system that can evaluate the system.
  • a customer account monitoring system a customer transaction data database for storing the transaction data with the customer; A transaction analysis unit for analyzing a trading partner based on the trading data for each trading partner stored in the trading partner database; A transaction prediction unit for predicting whether or not to leave the account, whether or not to trade later, and the amount of future trading based on the trading frequency for each client; And it provides a customer monitoring system including a customer evaluation unit for evaluating the trading pattern of the customers.
  • the transaction analysis unit may include an intelligent sales drop account analysis unit that determines a customer that a decline in sales based on at least one of the sales trend or the trading frequency of the customer.
  • the determining of the customer where a decrease in sales occurs based on the sales trend may include comparing a moving average value of the sales revenue of the customer with a comparison target sales.
  • the determining of the account for which the decrease in sales occurs based on the sales trend may include comparing the sales of the most recently generated client with the comparison target sales except for the period in which the sales of the client do not occur.
  • the determining of the trading partner having the decrease in sales based on the trading frequency may be to calculate the trading frequency and trading period with the trading partner and compare the trading periods of the comparison target period.
  • the transaction analysis unit may be configured to include a sales share drop account analysis unit for determining the account of the sales share is reduced on the basis of the sales share of the sales of the comparison target customers in the sales of all the accounts.
  • the transaction analysis unit may be configured to include a sales deviation analysis unit for analyzing the deviation of the sales by calculating the average value and the standard deviation of sales for a certain period of the customer.
  • the transaction analysis unit may include a long-term downward trend account analysis unit for analyzing the trend of sales decline for a predetermined period or more.
  • the customer may further include a simple sales drop account analysis unit for determining a customer with a large decrease in sales by a predetermined interval unit for each customer.
  • the transaction prediction unit may include a customer departure determination unit for determining whether or not to leave the customer by calculating the transaction frequency and the minimum transaction frequency for the comparison target period for each customer and compare them.
  • the transaction prediction unit may include a future transaction prediction unit for predicting the possibility of future trading based on the trading frequency for each customer.
  • the transaction prediction unit may be configured to include a future transaction amount prediction unit for analyzing the sales trend of a certain period and predict a future transaction amount based on this.
  • the account evaluator may be configured to include a trading cycle-based account grouping unit for performing a trading group based on the trading cycle based on the trading cycle for each customer.
  • the account evaluator may include a customer scoring and clustering unit that scores and clusters the accounts based on the purchase frequency, the sales amount, and the recent transaction table for each customer.
  • an intelligent monitoring system capable of intelligently analyzing a transaction, predicting a transaction, and evaluating a transaction in consideration of various transaction variables such as a trading pattern, a trading cycle, and a trading frequency with a trading partner. Can be.
  • FIG. 1 is a view showing the configuration of an embodiment of a customer monitoring system according to the present invention.
  • FIG. 2 is a diagram illustrating a detailed configuration of the transaction analyzer 20.
  • 3 is a view showing the result by the simple sales drop account analysis unit 21.
  • FIG. 4 is a view for explaining a process of determining a decrease in sales in consideration of the sales trend of the customer.
  • 5 is a view for explaining a process of determining a decrease in sales in consideration of the trading frequency of the account.
  • FIG. 6 is a diagram illustrating a result of performing an account analysis by the intelligent sales downturn account analysis unit 22.
  • FIG. 7 is a view for explaining the operation of the sales share drop account analysis unit 23.
  • FIG. 8 is a diagram visualizing a sales histogram of the customer E6.
  • FIG. 9 is a diagram showing a table in which the downtrend accounts analyzed by the long-term downtrend account analysis unit 25 are arranged in order, and the slope of the account H1.
  • 10 is a diagram illustrating an internal configuration of the transaction predicting unit 30.
  • 11 is a diagram illustrating a result of calculating a transaction frequency for the account I1.
  • FIG. 12 shows, by the total amount of transactions, the customers who are determined to be potential customers in the account deviation determining unit 31.
  • FIG. 13 is a diagram for explaining a transaction predicting unit 32 later.
  • FIG. 14 is a diagram showing the internal configuration of the customer evaluation unit 40.
  • FIG. 15 shows the trading cycle and the trading frequency for the account I1 on a monthly basis.
  • FIG. 16 is a diagram illustrating a clustering result according to a trading cycle by the trading cycle based customer clustering unit 41.
  • FIG. 17 illustrates a trading pattern of the account A.
  • FIG. 18 is a table showing a result of combining the trading patterns of respective customers as shown in FIG. 17 into all customers.
  • FIG. 19 graphically illustrates FIG. 16.
  • FIG. 20 illustrates a histogram of a Recency Histogram and a Recency Score in a specific month ( May) of a specific account AA.
  • FIG. 21 shows a histogram of a frequency histogram and a frequency score in a specific month ( May) of a specific account AA.
  • FIG. 22 shows a histogram of a monetary histogram and a monetary score in a specific month (may) of a specific account AA.
  • Figure 23 shows the sorted by calculating the RFM Score for each customer.
  • FIG. 25 shows an example of a table that collectively shows the results calculated by each component of the account monitoring system according to the present invention.
  • FIG. 1 is a view showing the configuration of an embodiment of a customer monitoring system according to the present invention.
  • the customer monitoring system 100 includes a customer transaction data database 10, a transaction analysis unit 20, a transaction prediction unit 30, and a customer evaluation unit 40. .
  • the account transaction data database 10 is a database that stores transaction data with a customer.
  • the data stored therein may include sales amount and sales date for each customer, and may include identification information for each customer such as a customer name, a business registration number, an address, a representative name, and the like. In addition, if necessary, it may further include other necessary information related to the customer.
  • the transaction analysis unit 20 performs a function of analyzing a trading partner based on the trading data for each trading partner stored in the trading partner transaction data database 10.
  • Transaction analysis unit 20 in the present invention is not only to analyze the increase or decrease of sales with the customer, it is characterized in that the intelligent monitoring of the change situation of the sales.
  • FIG. 2 is a diagram illustrating a detailed configuration of the transaction analyzer 20.
  • the transaction analysis unit 20 includes a simple sales drop account analysis unit 21, an intelligent sales drop account analysis unit 22, a sales share drop account analysis unit 230, and a sales deviation analysis unit 24. And a long term downward trend account analysis unit 25.
  • the simple sales drop account analysis unit 21 performs a function of determining a customer having a large decrease in sales by arranging the accounts in the order of the largest decrease in sales compared to the previous month, for example. You can also use this method of quarterly, semi-annual, or yearly comparisons rather than monthly basis.
  • 3 is a view showing the result of the simple sales drop account analysis unit 21. Referring to FIG. 3, it can be seen that the sales decrease compared to the previous month is sorted by each customer. In the present invention, the simple sales drop account analysis unit 21 does not have a great meaning and may be used as reference with other data.
  • the intelligent sales drop account analysis unit 22 performs a function of determining a customer that has a drop in sales in consideration of the sales trend and the trading frequency of the customer.
  • the intelligent sales fall account analysis unit 22 compares the sales trend of the account with the three-month moving average line sales, and determines whether the sales fall.
  • 4 is a view for explaining a process of determining a decline in sales in consideration of the sales trend of the customer. Referring to FIG. 4, it can be seen from the figure on the left that the sales decreased as of April, but considering the three-month moving average line sales. Referring to the drawing on the right, it can be seen that a higher amount of sales occurred compared to the 3-month moving average line. In such a case, it is not determined by the customer that caused the decline in sales.
  • the intelligent sales downturn account analysis unit 22 also considers a sales trend in which the sales of the customer do not occur for a certain period of time. For example, if the sales do not occur at all for two months, the simple reduction in sales is determined to be "0" as the sales downturn account. It doesn't work. Therefore, in such a case, it is determined whether the sales fall by comparing the most recent sales amount. For example, if sales of KRW 1 million were generated in February and sales of KRW 0 were generated in March and April, sales in February were not compared to sales in April and sales in March when evaluated in April. By comparing with the "100 million won" to determine that the sales fall occurred.
  • the intelligent sales fall account analysis unit 22 determines the sales fall in consideration of the trading frequency of the account. For example, the accounts that generate sales in the period of February to March are evaluated for significant sales decline when comparing the sales with the previous month. Can not be seen. Therefore, in this case, the sales frequency and the trading cycle of the client are calculated, and the decrease in sales is determined by comparing with the trading cycle of the previous month, that is, the comparison period.
  • the trading frequency can be calculated as the number of trading months / trading period (month), and the trading period can be determined by, for example, a falling function of (1 / trading frequency), that is, floor (1 / trading frequency).
  • FIG. 5 is a diagram for explaining a process of determining a decrease in sales in consideration of a trading frequency of a customer.
  • a buying frequency transaction frequency
  • a buying cycle transaction cycle
  • FIG. 6 is a diagram illustrating a result of performing an analysis of an account by the intelligent sales drop account analysis unit 22 based on the sales trend and the trading frequency of the account as described above.
  • rows B4 and B7 are shown.
  • B12, B13, and B18 which cannot be determined by simply comparing the decrease in sales compared to the previous month, are the sales decrease customers identified by the intelligent sales decline account analysis unit 22.
  • the account analysis unit 23 performs a function of determining a customer whose sales weight is reduced based on the sales weight of the sales of the comparison target customers in the sales of all the clients.
  • FIG. 7 is a diagram for explaining the operation of the decrease in the sales portion of the account analysis unit 23.
  • the sales portion of the total customer sales (customer sales) changed to -15.49% and the customer C2. Shows that the sales portion has changed to + 4.21%.
  • the change in sales slightly decreased, but the proportion of sales decreased more, so it could be identified as a customer with a lower sales weight.
  • sales decreased relatively, but the total sales (customer sales) decreased significantly. It can be seen that the specific gravity increased. As such, C2 cannot be seen as a customer with a lower sales portion.
  • the sales deviation analysis unit 24 performs a function of analyzing the deviation of sales by calculating an average value and a standard deviation of sales for a predetermined time period of the sales account. This is to derive the statistical position of the current month's sales based on the sales of the customer, for example, the last 12 months, and performs a function of histogram displaying the deviation of the current month's sales, that is, the comparison target sales, using the average value and the standard deviation. If you analyze statistics with customers who have only generated sales once or twice, the meaning may be distorted. Therefore, it is recommended to perform analysis only for customers who have made more than 1/3 of transactions in the total number of analysis months.
  • the deviation of the sales for the current month can be calculated as (current sales-x_mean) / x_std.
  • FIG. 8 visualizes the sales histogram of the customer E6.
  • the long-term downtrend account analysis unit 25 performs a function of analyzing a downtrend of sales for a predetermined period or more, which is a relatively long term (for example, 12 months) view unlike the above-described configurations. Is a tool for judging sales decline. This is to identify customers whose sales increase / decrease in the short term but show a steady decline in the long term.
  • the long-term downward trend account analysis unit 25 may use a first-order linear regression analysis method.
  • FIG. 9 is a diagram showing a table in which the downtrend accounts analyzed by the long-term downtrend account analysis unit 25 are arranged in order, and the slope of the account H1. Referring to FIG. 9, the inclination a is determined for each customer and the change in the inclination of the customer H1 can be grasped.
  • the transaction predicting unit 30 performs a function of predicting whether the customer deviates from the customer based on the transaction frequency, whether the future transaction is performed, and the future transaction amount.
  • 10 is a diagram illustrating an internal configuration of the transaction predicting unit 30.
  • the transaction predicting unit 30 may include a customer departure determining unit 31, a later transaction predicting unit 32, and a future transaction amount predicting unit 33.
  • the account deviation determining unit 31 calculates the trading frequency of the trading partner and determines whether the current trading frequency breaks past the minimum minimum trading frequency, thereby determining the possibility of leaving the trading partner.
  • the transaction frequency can be calculated by the number of transactions (months in which sales occurred) / period (months). Thus, for example, by calculating the monthly transaction frequency on a monthly basis, by storing the minimum transaction frequency up to now and comparing it, it is possible to determine that the transaction is likely to deviate if the transaction frequency of the month is less than the minimum transaction frequency for two consecutive months.
  • FIG. 11 is a diagram showing the results of calculating the trading frequency for the account I1
  • FIG. 12 shows the customers determined as the customers who may be separated from the account deviation determining unit 31 by the total transaction amount.
  • the right figure of FIG. 12 is a figure which shows the sales amount trend of the account J1 which is one of the customers which may leave.
  • the future transaction prediction unit 32 performs a function of predicting the possibility of trading in a later period, such as the next month in consideration of the transaction frequency.
  • FIG. 13 is a diagram for explaining a transaction prediction unit 32 in the future. Referring to FIG. 13, the account I1 is unlikely to occur in May 2011 when viewed in terms of transaction frequency (purchase frequency), but may occur in June. The likelihood is high. Therefore, it is possible to predict the possibility of trading by informing them in advance.
  • the transaction frequency (purchase frequency) may be calculated by the number of months / total transaction months in which a transaction occurs, and the transaction period (purchase cycle) may use a rounded value of 1 / transaction frequency.
  • the transaction predicting unit 30 may include a later transaction amount predicting unit 33 for analyzing a sales trend of a predetermined period and predicting future transaction amounts based on the sales trend.
  • the future transaction amount prediction unit 33 performs a function of predicting how much the future transaction amount will be.
  • the account evaluation unit 40 is for performing a function for evaluating the trading patterns of the trading partners, and is a means for evaluating trading patterns such as trading cycles, trading performances, trading volumes, etc. for each trading partner so that the trading partners can be more easily understood.
  • FIG. 14 is a diagram showing the internal configuration of the customer evaluation unit 40.
  • the account evaluator 40 includes a trading cycle-based account clustering unit 41 and an account scoring and clustering unit 42.
  • the trading cycle based trading group clustering unit 41 performs a function of clustering the trading partners based on the trading cycle to more clearly understand and understand the trading partners under the premise that the trading cycles are different for each trading partner. To this end, the preferred trading cycle based trading partner clustering unit 41 calculates the trading cycle for each trading partner. As described above, the transaction frequency can be calculated by the number of months issued / month of the transaction and the transaction period can be calculated by the rounded value of 1 / transaction frequency. FIG. 15 shows the trading cycle and the trading frequency for the account I1 on a monthly basis.
  • the trading cycle based trading group clustering unit 41 may express the number of trading partners having the same trading cycle by clustering each trading partner and clustering them.
  • FIG. 16 is a diagram illustrating a clustering result according to a trading cycle by the trading cycle based customer clustering unit 41. Referring to FIG. 16, it can be seen that the largest number of customers are trading every month (about 25%), and accounting for about 32% of the accounts that are traded once every two to three months, accounting for an important proportion that cannot be ignored.
  • the trading cycle-based account clustering unit 41 may cluster each account for each cycle, and then analyze a pattern of when each customer participated in the transaction at what time and did not participate in the transaction.
  • FIG. 17 illustrates a trading pattern of account A
  • FIG. 18 is a table showing a result of combining the trading patterns of each account as shown in FIG. 17 into all customers.
  • 19 is a graphical representation of FIG. 18. If you refer to them, it can be seen that there are no special patterns for trading customers each month, and that specific patterns occur as the trading cycle gets longer.
  • the accounting scoring and clustering unit 42 performs a function of scoring and clustering the accounts based on the purchase frequency, the sales amount, and the latest transaction time for each customer.
  • the recent transaction time indicates how recently purchase (Recency)
  • the frequency of purchase indicates how often (Frequency) purchased
  • the sales amount is a value indicating how much (Monetary) the customer purchased. If these three characteristics are scored in one score, the trading performance of the client can be compared with each other using the above score.
  • clustering is performed based on this, the customers can be segmented and various approaches and managements are possible according to the clusters of the customers.
  • a customer who traded in the current month sets the Recency variable to 1, and then increases the Recency variable in the order of 2,3.
  • FIG. 20 illustrates a histogram of a Recency Histogram and a Recency Score in a specific month ( May) of a specific account AA calculated through the above process.
  • the purchase frequency variable is calculated as follows.
  • the frequency score of the account i can be calculated as follows.
  • FIG. 21 shows a histogram of a frequency histogram and a frequency score in a specific month ( May) of a specific account AA calculated through the above process.
  • Total transaction amount for account i minus mean (total transaction amount for all accounts)) / std (total transaction amount for all accounts)
  • FIG. 22 shows a histogram of a monetary histogram and a monetary score in a specific month ( May) of a specific account AA calculated through the above process.
  • Figure 23 shows the sorted by calculating the RFM Score for each customer. Meanwhile, in the case of FIG. 23, there is an advantage in that the change in the RFM Score for each customer can be easily identified, but there is a limitation in that it is sensitive to noise and the influence may vary depending on the standard deviation of each of the Recency, Frequency, and Monetary scores. Therefore, if the noise is removed and the scaling is performed on a monthly basis to compensate for this, it may be relatively insensitive to the noise.
  • the clustering function in the account scoring and clustering unit 42 may be performed by the following method.
  • each area is divided and divided into, for example, R (Recency), F (Frequency), and Monetary (M), all of the top 20%, the bottom 20%, and the remaining three, a total of 27 clusters can be obtained.
  • This number of divisions can be set as needed. For example, if you want to focus on the top, you can have five clusters for each variable.
  • each R, F, M variable as described above is sorted by each variable, for example, when divided into five clusters, 5 points are awarded to the top 20% and 4 points to the next 20%. 1 point is given to the lowest 20%. Do this for each of the R, F, and M variables.
  • each score for each of the R, F, and M variables for all customers is calculated by the equation described above, and the calculated scores are summed to obtain the final RFM Score.
  • weights may be assigned to R, F, and M variables, respectively.
  • FIG. 24 shows the result of calculating the RFM Score in the case of dividing each of the R, F, and M variables by three. In this case, all customers receive 9 points of the highest grade and 3 points of the lowest grade. Referring to FIG. 24, it can be seen that a customer having an RFM Score of 9 occupies an inverse 60% of the total transaction amount, and it can be easily understood that a customer having an RFM Score of 7 to 9 occupies about 95% of the total transaction amount. .
  • the use of such RFM-based scoring and clustering has the advantage that it becomes more intuitive and convenient to identify the customer and the characteristics of the customer.
  • FIG. 25 shows an example of a table showing comprehensively the results calculated by the respective components of the account monitoring system as described above.
  • the respective results were obtained by the operations of the transaction analysis unit 20, the transaction prediction unit 30, and the transaction evaluation unit 40 as described above by the account monitoring system. It can be used to analyze accounts, predict transactions and evaluate accounts.
  • the customer monitoring system 100 is connected to a client terminal through a network so as to select at least one or more of functions such as desired transaction analysis, transaction prediction, and account evaluation by a request from the client terminal. Of course, you can do this and provide the result to the client terminal.
  • the account transaction data database in FIG. 1 may be obtained, for example, by data on a tax invoice, in particular an electronic tax invoice.
  • various data used in the electronic tax invoice may be preprocessed to collect necessary data and stored for each customer.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 거래처 모니터링 시스템에 관한 것으로서, 거래처 모니터링 시스템에 있어서, 거래처와의 거래 자료를 저장하는 거래처 거래 자료 데이터베이스; 거래처 거래 자료 데이터베이스에 저장된 거래처별 거래 자료에 기초하여 거래처를 분석하는 거래 분석부; 거래처별로 거래 빈도에 기초하여 거래처 이탈 여부와 추후 거래 여부와 추후 거래 금액을 예측하는 거래 예측부; 및 거래처들의 거래 패턴을 평가하는 거래처 평가부를 포함하는 거래처 모니터링 시스템을 제공한다. 본 발명에 의하면, 거래처와의 거래 패턴, 거래 주기, 거래 빈도 등의 다양한 거래상의 변수를 고려하여 지능적으로 거래처에 대한 거래를 분석하고, 거래를 예측하며 거래처를 평가할 수 있는 지능적 모니터링 시스템을 제공할 수 있다.

Description

거래처 모니터링 시스템
본 발명은 거래처 모니터링 시스템에 관한 것으로서, 보다 상세하게는 거래처의 매출 자료나 거래 빈도를 분석하여 거래처를 모니터링할 수 있도록 함으로써 거래처에 대한 관리를 보다 용이하게 하고 경영 평가 및 진단을 가능하게 하는 거래처 모니터링 시스템에 관한 것이다.
기업 경영에 있어서 경쟁이 격화됨에 따라 기업 경영을 위해 거래하는 거래처를 관리할 필요성 또한 증가하고 있다. 기업 입장에서는 거래처를 관리하는 것은 신규의 거래처를 개발해서 매출액을 창출하는 것을 포함하지만 기존의 거래처와의 매출액 감소를 방지하는 것도 매우 중요하다. 거래처와의 매출액 감소를 방지하기 위해서는 일반적인 영업 활동이 필요하겠지만 이와는 별도로 매출액과 관련된 각종 지표나 변수를 이용하여 해당 거래처의 이상 징후를 사전에 판별할 수 있다면 해당 거래처에 대한 관리를 강화하고 영업상 문제가 없는지 등을 사전에 파악할 수 있으므로 매우 바람직한 방법일 것이다.
이와 관련하여 선행 기술로서 대한민국 공개특허공보 제10-2005-0078135호(2005.08.04. 공개)는 가맹점의 매출 동향 분석을 통한 경제 지표 산출 시스템 및 방법을 개시하고 있는데, 여기에서는 신용카드 가맹점(거래처)의 매출 증감을 일정 주기별로 판단하여 해당 가맹점(거래처)에 대한 매출 동향을 파악하고 경제 지표를 산출하는 방법이 개시되어 있다. 그러나 이러한 종래 기술은 단순히 일정 기간에 기초한 매출액 증감만을 파악하는데 그치고 있다는 한계점이 있다. 실제 매출액이 감소하는 경우라도 다른 요인 예컨대 경기 전체가 좋지 않아서 산업 전반에 걸쳐서 매출액이 감소하는 경우도 있고 거래처에 따라 특정 기간에는 항상 매출이 발생하지 않는 경우도 있기 때문이다. 따라서, 종래 기술은 단순한 매출 증감만에 기초하여 매출 동향을 분석하므로 실제 거래처의 거래 환경, 거래 패턴을 종합적으로 파악하여 지능적으로 해당 거래처에 대한 매출액 증감에 대한 의미있는 경보를 제공해 주기에는 한계가 있다.
본 발명은 상기한 바와 같은 한계점을 감안하여 안출된 것으로서, 거래처와의 거래 패턴, 거래 주기, 거래 빈도 등의 다양한 거래상의 변수를 고려하여 지능적으로 거래처에 대한 거래를 분석하고, 거래를 예측하며 거래처를 평가할 수 있는 지능적 모니터링 시스템을 제공하는 것을 목적으로 한다.
상기한 바와 같은 과제를 해결하기 위하여 본 발명은, 거래처 모니터링 시스템에 있어서, 거래처와의 거래 자료를 저장하는 거래처 거래 자료 데이터베이스; 거래처 거래 자료 데이터베이스에 저장된 거래처별 거래 자료에 기초하여 거래처를 분석하는 거래 분석부; 거래처별로 거래 빈도에 기초하여 거래처 이탈 여부와 추후 거래 여부와 추후 거래 금액을 예측하는 거래 예측부; 및 거래처들의 거래 패턴을 평가하는 거래처 평가부를 포함하는 거래처 모니터링 시스템을 제공한다.
여기에서, 상기 거래 분석부는, 거래처의 매출 추세 또는 거래 빈도 중 적어도 어느 하나에 기초하여 매출 하락이 발생한 거래처를 판별하는 지능적 매출 하락 거래처 분석부를 포함할 수 있다.
또한, 상기 매출 추세에 기초하여 매출 하락이 발생한 거래처를 판별하는 것은, 거래처의 매출액의 일정 기간의 이동 평균값과 비교 대상 매출액을 비교하는 것일 수 있다.
또한, 상기 매출 추세에 기초하여 매출 하락이 발생한 거래처를 판별하는 것은, 거래처의 매출이 발생하지 않은 기간을 제외하고 가장 최근에 발생한 거래처의 매출액을 비교 대상 매출액과 비교하는 것일 수 있다.
또한, 상기 거래 빈도에 기초하여 매출 하락이 발생한 거래처를 판별하는 것은, 거래처와의 거래 빈도와 거래 주기를 계산하고 비교 대상 기간의 거래 주기를 비교하는 것일 수 있다.
또한, 상기 거래 분석부는, 전체 거래처의 매출액에서 비교 대상 거래처의 매출액이 차지하는 매출 비중에 기초하여 매출 비중이 하락한 거래처를 판별하는 매출 비중 하락 거래처 분석부를 포함하도록 구성할 수도 있다.
또한, 상기 거래 분석부는, 거래처의 일정 기간에 대한 매출액의 평균값과 표준 편차를 계산하여 매출액의 편차를 분석하는 매출액 편차 분석부를 포함하도록 구성할 수 있다.
또한, 상기 거래 분석부는, 미리 설정된 일정 기간 이상의 기간에 대해 매출 하락 추세를 분석하는 장기 하락 추세 거래처 분석부를 포함할 수 있다.
또한, 거래처별로 일정 구간 단위로 매출액 감소액이 큰 거래처를 판별하는 단순 매출 하락 거래처 분석부를 더 포함하도록 할 수도 있다.
또한, 상기 거래 예측부는, 거래처별로 비교 대상 기간에 대한 거래 빈도와 과거의 최소 거래 빈도를 계산하여 이들을 비교함으로써 거래처 이탈 여부를 판정하는 거래처 이탈 판정부를 포함할 수 있다.
또한, 상기 거래 예측부는, 거래처별로 거래 빈도에 기초하여 향후 거래 가능성을 예측하는 추후 거래 예측부를 포함할 수 있다.
또한, 상기 거래 예측부는, 일정 기간의 매출액 추세를 분석하고 이에 기초하여 향후의 거래 금액을 예측하는 추후 거래 금액 예측부를 포함하도록 구성할 수도 있다.
또한, 상기 거래처 평가부는, 거래처별로 거래 주기에 기초하여 거래 주기에 기반한 거래처 군집화를 수행하는 거래주기 기반 거래처 군집화부를 포함하도록 구성할 수도 있다.
또한, 상기 거래처 평가부는, 거래처별로 구매 빈도, 매출액 및 최근 거래 식기에 기초하여 거래처를 점수화하고 군집화하는 거래처 스코어링 및 군집화부를 포함하도록 할 수도 있다.
본 발명에 의하면, 거래처와의 거래 패턴, 거래 주기, 거래 빈도 등의 다양한 거래상의 변수를 고려하여 지능적으로 거래처에 대한 거래를 분석하고, 거래를 예측하며 거래처를 평가할 수 있는 지능적 모니터링 시스템을 제공할 수 있다.
즉, 본 발명에 의하면, 단순한 매출 증감에 따른 매출 동향을 분석하는 것에 그치지 않고, 거래 주기, 거래 빈도 등의 거래상의 변수를 종합적으로 고려하여 거래를 분석함으로써 거래처가 이탈할 가능성을 감지하고, 또한 거래처의 추후 매출 추세나 매출 금액을 예상할 수 있는 효과가 있다.
또한, 본 발명에 의하면 거래처의 거래 패턴을 점수화함으로써 거래처의 거래상의 특성을 용이하게 파악할 수 있도록 함으로써 거래처에 대한 이해도를 높여서 거래 및 영업상에서의 중요한 지표로서 활용할 수 있도록 하는 효과가 있다.
도 1은 본 발명에 의한 거래처 모니터링 시스템의 일실시예의 구성을 나타낸 도면이다.
도 2는 거래 분석부(20)의 상세 구성을 나타낸 도면이다.
도 3은 단순 매출 하락 거래처 분석부(21)에 의한 결과를 나타낸 도면이다.
도 4는 거래처의 매출 추세를 고려하여 매출 하락을 판단하는 과정을 설명하기 위한 도면이다.
도 5는 거래처의 거래 빈도를 고려하여 매출 하락을 판단하는 과정을 설명하기 위한 도면이다.
도 6은 지능적 매출 하락 거래처 분석부(22)에서 거래처 분석을 수행한 결과를 나타낸 도면이다.
도 7은 매출 비중 하락 거래처 분석부(23)의 동작을 설명하기 위한 도면이다.
도 8은 거래처 E6의 매출 히스토그램을 시각화하여 나타낸 도면이다.
도 9는 장기 하락 추세 거래처 분석부(25)에서 분석된 하락 추세 거래처들을 순위대로 정렬한 표와 거래처 H1의 기울기를 나타낸 도면이다.
도 10은 거래 예측부(30)의 내부 구성을 나타낸 도면이다.
도 11은 거래처 I1에 대한 거래 빈도를 계산한 결과를 나타낸 도면이다.
도 12는 거래처 이탈 판정부(31)에서 이탈할 가능성이 있는 거래처로 판정된 거래처를 거래 총액별로 정렬하여 나타낸 것이다.
도 13은 추후 거래 예측부(32)를 설명하기 위한 도면이다.
도 14는 거래처 평가부(40)의 내부 구성을 나타낸 도면이다.
도 15는 거래처 I1에 대한 거래 주기 및 거래 빈도를 월별로 나타낸 것이다.
도 16은 거래 주기 기반 거래처 군집화부(41)에 의해 거래 주기에 따라 군집화된 결과를 나타낸 도면이다.
도 17은 거래처 A의 거래 패턴을 나타낸 것이다.
도 18은 도 17과 같은 각각의 거래처들의 거래 패턴을 전체 거래처로 합친 결과를 나타낸 테이블이다.
도 19은 도 16을 시각화하여 그래프로 나타낸 것이다.
도 20은 특정 거래처(AA)의 특정 월(5월)에서의 Recency 히스토그램과 Recency Score의 히스토그램을 나타낸 것이다.
도 21은 특정 거래처(AA)의 특정 월(5월)에서의 Frequency 히스토그램과 Frrequency Score의 히스토그램을 나타낸 것이다.
도 22는 특정 거래처(AA)의 특정 월(5월)에서의 Monetary 히스토그램과 Monetary Score의 히스토그램을 나타낸 것이다.
도 23은 거래처별로 RFM Score를 계산하여 정렬하여 나타낸 것이다.
도 24는 각각의 R,F,M 변수를 3개씩 분할한 경우의 RFM Score를 계산한 결과를 나타낸 것이다.
도 25는 본 발명에 의한 거래처 모니터링 시스템의 각 구성 요소들에 의하여 계산된 결과를 종합적으로 나타낸 표의 예시를 나타낸 것이다.
이하, 첨부 도면을 참조하여 본 발명에 의한 실시예를 상세하게 설명하기로 한다.
도 1은 본 발명에 의한 거래처 모니터링 시스템의 일실시예의 구성을 나타낸 도면이다.
도 1을 참조하면, 본 실시예에 의한 거래처 모니터링 시스템(100)은, 거래처 거래 자료 데이터베이스(10), 거래 분석부(20), 거래 예측부(30) 및 거래처 평가부(40)를 포함한다.
거래처 거래 자료 데이터베이스(10)는 거래처와의 거래 자료를 저장하는 데이터베이스이다. 여기에 저장되는 데이터로는 거래처별 매출금액와 매출일자를 포함하며 거래처 명칭, 사업자등록번호, 주소, 대표자 이름 등과 같은 거래처별 식별 정보를 포함할 수 있다. 이외에도 필요에 따라 거래처와 관련된 기타 필요한 정보를 더 포함할 수 있음은 물론이다.
거래 분석부(20)는 거래처 거래 자료 데이터베이스(10)에 저장된 거래처별 거래 자료에 기초하여 거래처를 분석하는 기능을 수행한다. 본 발명에서의 거래 분석부(20)는 단순히 거래처와의 매출의 증감을 분석하는 것에 그치지 않고 매출의 변동 상황을 지능적으로 모니터링하는 것을 주요 특징으로 한다.
도 2는 거래 분석부(20)의 상세 구성을 나타낸 도면이다.
도 2를 참조하면, 거래 분석부(20)는, 단순 매출 하락 거래처 분석부(21), 지능적 매출 하락 거래처 분석부(22), 매출 비중 하락 거래처 분석부(230, 매출액 편차 분석부(24) 및 장기 하락 추세 거래처 분석부(25)를 포함한다.
단순 매출 하락 거래처 분석부(21)는 예컨대 월 기준으로 전월 대비 매출 감소액이 큰 순서대로 거래처를 정렬하여 매출액 감소가 큰 거래처를 판단하는 기능을 수행한다. 여기에서 월 기준이 아니라 분기나 반기 또는 연 단위로 비교하는 방법을 사용할 수도 있다. 도 3은 단순 매출 하락 거래처 분석부(21)에 의한 결과를 나타낸 도면으로서 도 3을 참조하면 전월 대비 매출액 감소가 큰 거래처별로 정렬되어 나타나 있음을 알 수 있다. 본 발명에서 단순 매출 하락 거래처 분석부(21)는 큰 의미를 가지지는 않으며 다른 자료들과 함께 참고적으로 사용될 수 있다.
지능적 매출 하락 거래처 분석부(22)는, 거래처의 매출 추세 및 거래 빈도를 고려하여 매출 하락이 발생한 거래처를 판별하는 기능을 수행한다.
우선, 지능적 매출 하락 거래처 분석부(22)는 거래처의 매출 추세를 예컨대 3개월 이동 평균선 매출액과 비교함으로써 매출이 하락했는지를 판단한다. 도 4는 거래처의 매출 추세를 고려하여 매출 하락을 판단하는 과정을 설명하기 위한 도면으로서, 도 4를 참조하면 좌측의 도면에서는 4월 기준으로 매출액이 감소했음을 알 수 있으나 3개월 이동 평균선 매출액을 고려한 우측의 도면을 참조하면 3개월 이동 평균선 대비 더 높은 금액의 매출이 일어났음을 알 수 있다. 이러한 경우는 매출 하락이 발생한 거래처로 판별하지 않는다.
또한, 지능적 매출 하락 거래처 분석부(22)는 거래처의 매출이 일정기간 발생하지 않는 매출 추세도 고려하는데 예컨대 2개월간 매출액이 전혀 발생하지 않은 경우 단순 매출 감소액은 "0"원이므로 매출 하락 거래처로 판단되지 않는다. 따라서, 이러한 경우에는 가장 최근에 발생한 매출 금액을 비교하여 매출 하락 여부를 판단하게 된다. 예컨대, 2월에 100만원의 매출이 발생하고 3월, 4월에 모두 0원의 매출이 발생한 경우에는 4월에 평가할 때 4월의 매출액과 3월의 매출액을 비교하는 것이 아니라 2월의 매출액과를 비교하여 "-100만원"의 매출하락이 발생하였음을 판별하게 된다.
또한, 지능적 매출 하락 거래처 분석부(22)는 거래처의 거래 빈도를 고려하여 매출 하락을 판단하는데 예컨대 2~3월 주기로 매출이 발생하는 거래처는 직전월과의 매출 비교를 하는 경우 의미있는 매출 하락 평가로 볼 수 없다. 따라서 이러한 경우에는 거래처의 거래 빈도 및 거래 주기를 계산하고 이전월 즉, 비교 대상 기간의 거래 주기와 비교하여 매출 하락을 판단하게 된다. 거래 빈도는 거래 월수/거래 기간(월)으로 계산될 수 있는데 거래 주기는 예컨대 (1/거래 빈도)의 내림 함수 즉, floor(1/거래 빈도)에 의해 결정할 수 있다.
도 5는 거래처의 거래 빈도를 고려하여 매출 하락을 판단하는 과정을 설명하기 위한 도면으로서 도 5를 참조하면 각각의 월에 대해 구매 빈도(거래 빈도)와 구매 주기(거래 주기)가 계산되고 구매 주기를 비교함으로써 매출 하락을 판단하였음을 알 수 있다.
도 6은 상기한 바와 같은 거래처의 매출 추세 및 거래 빈도에 기초하여 지능적 매출 하락 거래처 분석부(22)에서 거래처 분석을 수행한 결과를 나타낸 도면으로서, 도 6을 참조하면 로우(row) B4, B7, B12, B13, B18에 해당하는 부분은 단순히 전월 대비 매출액 감소를 비교하는 방법으로는 판별이 불가능했던 것으로서 지능적 매출 하락 거래처 분석부(22)에서 판별되는 매출 하락 거래처이다.
다시 도 2를 참조하여 매출 비중 하락 거래처 분석부(23)를 설명한다.
매출 비중 하락 거래처 분석부(23)는 전체 거래처의 매출액에서 비교 대상 거래처의 매출액이 차지하는 매출 비중에 기초하여 매출 비중이 하락한 거래처를 판별하는 기능을 수행한다.
도 7은 매출 비중 하락 거래처 분석부(23)의 동작을 설명하기 위한 도면으로서, 도 7에 나타낸 바와 같이 거래처 C1은 전체 거래처 매출액(고객사 매출액)에서 차지하는 매출 비중이 -15.49%로 변화되었고 거래처 C2는 매출 비중이 +4.21%로 변화되었음을 알 수 있다. C1의 경우 매출 변화액은 소폭 감소했으나 매출 비중이 보다 크게 감소했으므로 매출 비중이 하락한 거래처로 판별할 수 있고 C2의 경우 매출액이 비교적 크게 감소했으나 전체 거래처(고객사 매출액)이 더 큰 폭으로 감소하여서 매출 비중은 오히려 증가하였음을 알 수 있다. 따라서 C2의 경우는 매출 비중이 하락한 거래처로 볼 수 없다.
다시 도 2를 참조하면, 매출액 편차 분석부(24)는 매출 거래처의 일정 기간에 대한 매출액의 평균값과 표준 편차를 계산하여 매출액의 편차를 분석하는 기능을 수행한다. 이는 거래처의 예컨대 최근 12개월의 매출액에 기초하여 당월 매출의 통계적 위치를 도출하기 위한 것으로서 평균값과 표준편차를 이용하여 당월 매출 즉, 비교 대상 매출의 편차를 히스토그램화하여 표시해 주는 기능을 수행한다. 매출이 한두번 밖에 발생하지 않은 거래처로 통계 분석을 할 경우 의미가 왜곡될 수 있으므로 전체 분석 개월 수에서 예컨대 1/3 이상 거래가 일어난 거래처만을 대상으로 분석을 수행하는 것이 바람직하다.
일정 기간의 매출액의 평균값을 x_mean이라고 하고 표준 편차를 x_std라고 하면, 당월 매출액의 편차는 (당월 매출액 - x_mean)/x_std로 계산할 수 있다.
이러한 계산을 수행한 후 당월 매출액 편차에 따라 정렬하면 도 8과 같은 결과를 나타내는 표와 히스토그램을 얻을 수 있다. 도 8의 히스토그램은 거래처 E6의 매출 히스토그램을 시각화하여 나타낸 것이다.
다시 도 2를 참조하면, 장기 하락 추세 거래처 분석부(25)는 미리 설정된 일정 기간 이상의 기간에 대해 매출 하락 추세를 분석하는 기능을 수행하는데 이는 앞서 설명한 구성들과는 달리 비교적 장기(예컨대 12개월)의 관점에서 매출 하락세를 판단하기 위한 수단이다. 이는 단기적으로는 매출의 증가/감소가 반복되지만 장기적인 관점에서 꾸준한 하락세를 보이는 거래처를 판별하기 위함이다.
장기 하락 추세 거래처 분석부(25)는 이를 위하여 1차 선형 회귀 분석 방법을 이용할 수 있다. 즉, y=ax+b의 1차 선형 회귀 분석을 이용하여 x에 시간의 흐름을 넣고 y에 매출액을 넣어서 1차 선형 회귀 분석 모델을 학습하면 기울기(a)가 음수인 거래처는 장기적으로 매출이 감소 추세인 것으로 볼 수 있고 기울기를 오름차순으로 정렬하면 하락 추세 거래처를 순서대로 도출할 수 있게 된다.
도 9는 장기 하락 추세 거래처 분석부(25)에서 분석된 하락 추세 거래처들을 순위대로 정렬한 표와 거래처 H1의 기울기를 나타낸 도면이다. 도 9를 참조하면 거래처별로 기울기(a)가 판별되고 거래처 H1의 기울기의 변화를 파악할 수 있게 된다.
이제 다시 도 1을 참조하여 거래 예측부(30)에 대하여 설명한다.
거래 예측부(30)는 거래 빈도에 기초하여 거래처 이탈 여부와 추후 거래 여부와 추후 거래 금액을 예측하는 기능을 수행한다.
도 10은 거래 예측부(30)의 내부 구성을 나타낸 도면이다.
도 10을 참조하면, 거래 예측부(30)는 거래처 이탈 판정부(31)와 추후 거래 예측부(32)와 추후 거래 금액 예측부(33)를 포함한다.
거래처 이탈 판정부(31)는 거래처의 거래 빈도를 계산하고 현재의 거래 빈도가 과거의 최소 거래 빈도를 하향 돌파하는가를 판단하여 거래처가 이탈될 가능성을 판정하는 기능을 수행한다. 거래 빈도는 거래 월수(매출이 발생한 월수)/거래한 기간(월)에 의하여 계산할 수 있다. 이에 의하여 예컨대 매월 기준으로 매월 거래 빈도를 계산하면서 현재까지의 최소 거래 빈도를 저장해 두었다가 이를 비교함으로써 해당월 거래 빈도가 2개월 연속 최소 거래 빈도보다 작은 경우 이탈할 가능성이 있는 거래처로 판정할 수 있다.
도 11은 거래처 I1에 대한 거래 빈도를 계산한 결과를 나타낸 도면이고, 도 12는 거래처 이탈 판정부(31)에서 이탈할 가능성이 있는 거래처로 판정된 거래처를 거래 총액별로 정렬하여 나타낸 것이다. 도 12의 우측 도면은 이탈할 가능성이 있는 거래처 중 하나인 거래처 J1의 매출 금액 추이를 나타낸 도면이다.
한편, 추후 거래 예측부(32)는 거래 빈도를 고려하여 추후 기간 예컨대 차월의 거래 가능성을 예측하는 기능을 수행한다. 도 13은 추후 거래 예측부(32)를 설명하기 위한 도면으로서, 도 13을 참조하면 거래처 I1은 거래 빈도(구매 빈도)로 보았을 때 2011년 5월에 거래가 발생할 가능성은 낮지만 6월에 거래가 발생할 가능성은 높다고 판단할 수 있다. 따라서 이를 미리 알려줌으로써 거래가능성을 예측할 수 있도록 한다.
도 13에서 거래 빈도(구매 빈도)는 앞서 설명한 바와 같이 거래가 발생한 월수/총 거래 월수에 의해 계산할 수 있고 거래 주기(구매 주기)는 1/거래 빈도의 반올림값을 사용할 수 있다.
다시 도 10을 참조하면, 거래 예측부(30)는 일정 기간의 매출액 추세를 분석하고 이에 기초하여 향후의 거래 금액을 예측하는 추후 거래 금액 예측부(33)를 포함할 수 있다. 추후 거래 금액 예측부(33)는 향후의 거래 금액이 얼마인지를 미리 예측하는 기능을 수행하는 것으로서 이를 위해서는 일정 기간 예컨대 직전 11개월의 매출액 추세를 앞서 설명한 바와 같은 1차 선형 회귀 분석(y=ax+b)으로 모델링하고 이에 기초하여 향후의 매출액을 예측할 수 있다. 즉, 상수 a와 기울기 b를 이용하여 차월을 입력하면 다음달의 거래 금액을 예측할 수 있다.
예컨대, 1차 회귀 분석 모델이 y=5+15x라고 하고 위 식을 계산하기 위해 12개월치의 데이터를 사용했다면 다음달 즉 13개월째의 거래 금액 예측값은 x에 13을 넣음으로써 y=5+15*13=200으로 구할 수 있게 된다.
다시 도 1을 참조하여 거래처 평가부(40)에 대하여 설명한다.
거래처 평가부(40)는 거래처들의 거래 패턴을 평가하기 위한 기능을 수행하기 위한 것으로서 거래처마다 거래 주기, 거래 실적, 거래량 등의 거래 패턴을 평가하여 거래처를 보다 쉽게 이해할 수 있도록 하기 위한 수단이다.
도 14는 거래처 평가부(40)의 내부 구성을 나타낸 도면이다.
도 14를 참조하면 거래처 평가부(40)는 거래주기 기반 거래처 군집화부(41)와 거래처 스코어링 및 군집화부(42)를 포함한다.
거래주기 기반 거래처 군집화부(41)는 거래처마다 거래 주기가 서로 상이하다는 전제하에 거래처를 보다 명확하게 파악하고 이해할 수 있도록 거래 주기에 기반하여 거래처를 군집화하는 기능을 수행한다. 이를 위하여 우선 거래 주기 기반 거래처 군집화부(41)는 거래처별로 거래 주기를 계산한다. 거래 빈도는 앞서 설명한 바와 같이 거래가 발행한 월수/거래한 기간(월)로 계산할 수 있고 거래 주기는 1/거래 빈도의 반올림값에 의해 계산할 수 있다. 도 15는 거래처 I1에 대한 거래 주기 및 거래 빈도를 월별로 나타낸 것이다.
다음으로 거래 주기 기반 거래처 군집화부(41)는 거래처별 거래 주기에 의해 같은 거래 주기를 갖는 거래처들의 수를 카운트하여 이를 군집화함으로써 도시적으로 표현해 줄 수 있다.
도 16은 거래 주기 기반 거래처 군집화부(41)에 의해 거래 주기에 따라 군집화된 결과를 나타낸 도면이다. 도 16을 참조하면, 가장 많은 거래처가 매월 거래를 하고 있으며(약 25%), 2~3개월마다 한번씩 거래하는 거래처를 합치면 약 32%로서 무시할 수 없는 중요한 비중을 차지하고 있음을 알 수 있다.
한편 거래 주기 기반 거래처 군집화부(41)는 각 거래처를 주기 별로 군집화한 후 각 거래처가 과거 어떤 시기에 거래에 참여했고 어떤 시기에 거래에 참여하지 않았는지의 패턴을 분석할 수 있다.
도 17은 거래처 A의 거래 패턴을 나타낸 것이고 도 18은 도 17과 같은 각각의 거래처들의 거래 패턴을 전체 거래처로 합친 결과를 나타낸 테이블이다. 또한 도 19는 도 18을 시각화하여 그래프로 나타낸 것이다. 이들을 참조하면 매월 거래하는 거래처들은 특별한 패턴이 없음을 알 수 있으며 거래 주기가 길어질 수록 특정한 패턴이 발생한다는 것을 알 수 있다.
다시 도 14를 참조하여 거래처 스코어링 및 군집화부(42)에 대하여 설명한다.
거래처 스코어링 및 군집화부(42)는 거래처별로 구매 빈도, 매출액 및 최근 거래 시기에 기초하여 거래처를 점수화하고 군집화하는 기능을 수행한다. 여기에서, 최근 거래 시기는 얼마나 최근에(Recency) 구매했는지를 나타낸 것이고 구매 빈도는 얼마나 자주(Frequency) 구매했는지를 나타낸 것이고 매출액은 거래처가 얼마나 많이(Monetary) 구매했는지를 나타내는 값이다. 이러한 3가지 특징을 하나의 스코어로 점수화하면 거래처의 거래 실적을 위 스코어를 이용하여 서로 비교할 수 있게 된다. 또한 이에 기초하여 군집화를 수행하게 되면 거래처를 세분화하고 거래처의 군집에 따라 다양한 접근 및 관리가 가능하다.
우선 얼마나 최근에(Recency) 변수는 다음과 같이 계산한다.
예컨대 당월에 거래한 거래처는 Recency 변수를 1로 하고 전월에 거래한 거래처부터 Recency 변수를 2,3..의 순으로 증가시킨다.
그리고 거래처 i의 Recency 스코어는 다음과 같이 계산한다.
Recency Score
= [(거래처 i의 Recency - mean(Recency))/std(Recency)]-1
이는 현 시점에서의 전체 Recency의 평균(mean)과 표준편차(std)에 기반한 Z 스코어의 역수를 의미한다.
도 20은 이와 같은 과정을 통해 계산된 특정 거래처(AA)의 특정 월(5월)에서의 Recency 히스토그램과 Recency Score의 히스토그램을 나타낸 것이다.
한편, 구매 빈도(Frequency) 변수는 다음과 같이 계산한다..
우선 거래처 i의 거래 주기를 앞서 설명한 바와 같이 계산한다.
다음으로 거래처 i의 Frequency Score는 다음과 같이 계산할 수 있다.
Frequency Score
= [(거래처 i의 거래 주기 - mean(거래 주기))/std(거래 주기)]-1
이는 현 시점에서의 전체 거래처의 거래 주기의 평균(mean)과 표준편차(std)에 기반한 Z 스코어의 역수를 의미한다.
도 21은 이와 같은 과정을 통해 계산된 특정 거래처(AA)의 특정 월(5월)에서의 Frequency 히스토그램과 Frrequency Score의 히스토그램을 나타낸 것이다.
다음으로 매출액(Monetary) 변수는 다음과 같이 계산한다.
거래처 i의 Monetary Score =
(거래처 i의 총 거래 금액 - mean(거래처 전체의 총 거래 금액))/std(거래처 전체의 총 거래 금액)
이는 현 시점에서의 전체 거래처 총 거래 금액의 평균(mean)과 표준 편차(std)에 기반한 Z 스코어를 의미한다.
도 22는 이와 같은 과정을 통해 계산된 특정 거래처(AA)의 특정 월(5월)에서의 Monetary 히스토그램과 Monetary Score의 히스토그램을 나타낸 것이다.
이와 같은 과정을 통해 각각의 스코어가 계산되면 이들을 모두 더하여 거래처의 스코어를 계산한다. 즉, 다음과 같은 식에 의하여 계산할 수 있다.
RFM Score = Recency Score + Frequency Score + Monetary Score
도 23은 거래처별로 RFM Score를 계산하여 정렬하여 나타낸 것이다. 한편, 도 23과 같은 경우에는 각 거래처별로 RFM Score의 변화를 쉽게 파악할 수 있다는 장점은 있지만 노이즈에 민감하고 Recency, Frequency, Monetary score 각각의 표준 편차에 따라 영향력이 달라질 수 있다는 한계가 있다. 따라서 이러한 점을 보완하기 위하여 노이즈를 제거하고 매월 단위로 스케일링을 수행하면 노이즈에 비교적 둔감한 값을 얻을 수도 있다.
한편, 거래처 스코어링 및 군집화부(42)에서의 군집화 기능은 다음과 같은 방법으로 수행될 수 있다.
즉, 각 영역을 분할하여 예컨대 R(Recency), F(Frequency), Monetary(M) 영역에서 모두 상위 20%, 하위 20%, 나머지의 3개씩으로 분할한다면 총 27개의 군집을 얻을 수 있다. 이 분할 갯수는 필요에 따라 설정할 수 있다. 예컨대 상위권에 집중하고 싶다면 각 변수당 5개의 군집으로 해도 무방하다.
다음으로 앞서 설명한 바와 같은 각각의 R,F,M 변수에 각 변수별로 정렬을 하여 예컨대 5개의 군집으로 분할된 경우 상위 20%에게 5점, 그 다음 20%에게 4점 등의 방식으로 점수를 부여하고 최하위 20%에 1점을 부여한다. 이러한 과정을 각각의 R, F, M 변수에 대해 모두 시행한다.
이 과정이 완료되면 모든 거래처에 대해 각각의 R, F, M 변수에 대한 각각의 스코어가 앞서 설명한 바와 같은 식에 의해 계산이 되고 계산된 스코어를 합산하면 최종 RFM Score를 얻을 수 있게 된다.
이 과정에서 필요한 경우 R,F,M 변수에 대해 각각 가중치를 부여할 수도 있다.
이와 같은 모든 거래처에 대해 RFM Score가 계산되면 이를 군집화할 수 있는데 군집화는 다음과 같은 의미를 갖는다.
예컨대 R,F,M = {1,1,1}의 군집은 우수한 거래처이고 R,F,M ={3,3,3}의 군집은 최하위 거래처이다. 자주 구매하지만 금액이 적은 거래처는 R,F,M ={1,1,3}으로 거래처를 파악하고 평가할 수 있게 된다.
도 24는 각각의 R,F,M 변수를 3개씩 분할한 경우의 RFM Score를 계산한 결과를 나타낸 것으로서 이 경우 모든 거래처는 최상위 등급이 9점, 최하위 등급이 3점을 받게 된다. 도 24를 참조하면 RFM Score가 9인 거래처가 전체 거래 금액의 역 60%를 차지하고 있음을 알 수 있고 RFM Score가 7~9인 거래처가 전체 거래 금액의 약 95%를 차지함을 쉽게 파악할 수 있게 된다. 이러한 RFM 기반 스코어링 및 군집화를 활용하면 거래처를 보다 직관적으로 편리하게 파악하고 거래처의 특성을 이해할 수 있게 된다는 장점이 있다.
도 25는 이상에서 설명한 바와 같은 거래처 모니터링 시스템의 각 구성 요소들에 의하여 계산된 결과를 종합적으로 나타낸 표의 예시를 나타낸 것이다. 도 24를 참조하면 거래처 모니터링 시스템에 의하여 앞서 설명한 바와 같은 거래 분석부(20), 거래 예측부(30), 거래 평가부(40)에서의 동작에 의해 각각의 결과들을 얻었으며 이러한 결과를 이용하여 거래처를 분석하고 거래를 예측하고 거래처를 평가하는데 활용할 수 있게 된다.
도 1에서는 나타내지 않았으나 거래처 모니터링 시스템(100)은 네트워크를 통해 클라이언트 단말기와 연결되어 클라이언트 단말기로부터의 요청에 의해 원하는 거래 분석, 거래 예측, 거래처 평가 등의 기능 중 적어도 어느 하나 이상을 선택하도록 하고 해당 기능을 수행하고 그 결과를 클라이언트 단말기로 제공해 줄수도 있음은 물론이다.
또한, 도 1에서 거래처 거래 자료 데이터베이스는 예컨대 세금계산서 특히 전자 세금계산서상의 자료에 의해 획득될 수 있다. 이러한 경우 전자세금계산서 상에서 사용되는 다양한 데이터를 전처리하여 필요한 데이터들을 취합하여 거래처별로 해당 데이터를 저장해 둘 수 있다.
이상에서 본 발명의 바람직한 실시예를 설명하였으나 본 발명이 상기 실시예에 한정되는 것이 아니며, 상기 실시예와 함께 첨부한 특허청구범위 및 도면을 참조하여 본 발명의 범위 내에서 여러 가지 형태의 변형/수정 실시가 가능함은 물론이다.

Claims (14)

  1. 거래처 모니터링 시스템에 있어서,
    거래처와의 거래 자료를 저장하는 거래처 거래 자료 데이터베이스;
    거래처 거래 자료 데이터베이스에 저장된 거래처별 거래 자료에 기초하여 거래처를 분석하는 거래 분석부;
    거래처별로 거래 빈도에 기초하여 거래처 이탈 여부와 추후 거래 여부와 추후 거래 금액을 예측하는 거래 예측부; 및
    거래처들의 거래 패턴을 평가하는 거래처 평가부
    를 포함하는 거래처 모니터링 시스템.
  2. 제1항에 있어서,
    상기 거래 분석부는,
    거래처의 매출 추세 또는 거래 빈도 중 적어도 어느 하나에 기초하여 매출 하락이 발생한 거래처를 판별하는 지능적 매출 하락 거래처 분석부
    를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  3. 제2항에 있어서,
    상기 매출 추세에 기초하여 매출 하락이 발생한 거래처를 판별하는 것은, 거래처의 매출액의 일정 기간의 이동 평균값과 비교 대상 매출액을 비교하는 것을 특징으로 하는 거래처 모니터링 시스템.
  4. 제2항에 있어서,
    상기 매출 추세에 기초하여 매출 하락이 발생한 거래처를 판별하는 것은, 거래처의 매출이 발생하지 않은 기간을 제외하고 가장 최근에 발생한 거래처의 매출액을 비교 대상 매출액과 비교하는 것을 특징으로 하는 거래처 모니터링 시스템.
  5. 제2항에 있어서,
    상기 거래 빈도에 기초하여 매출 하락이 발생한 거래처를 판별하는 것은, 거래처와의 거래 빈도와 거래 주기를 계산하고 비교 대상 기간의 거래 주기를 비교하는 것을 특징으로 하는 거래처 모니터링 시스템.
  6. 제1항에 있어서,
    상기 거래 분석부는, 전체 거래처의 매출액에서 비교 대상 거래처의 매출액이 차지하는 매출 비중에 기초하여 매출 비중이 하락한 거래처를 판별하는 매출 비중 하락 거래처 분석부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  7. 제1항에 있어서,
    상기 거래 분석부는, 거래처의 일정 기간에 대한 매출액의 평균값과 표준 편차를 계산하여 매출액의 편차를 분석하는 매출액 편차 분석부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  8. 제1항에 있어서,
    상기 거래 분석부는, 미리 설정된 일정 기간 이상의 기간에 대해 매출 하락 추세를 분석하는 장기 하락 추세 거래처 분석부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  9. 제2항 내지 제8항 중 어느 한 항에 있어서,
    거래처별로 일정 구간 단위로 매출액 감소액이 큰 거래처를 판별하는 단순 매출 하락 거래처 분석부를 더 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  10. 제1항에 있어서,
    상기 거래 예측부는,
    거래처별로 비교 대상 기간에 대한 거래 빈도와 과거의 최소 거래 빈도를 계산하여 이들을 비교함으로써 거래처 이탈 여부를 판정하는 거래처 이탈 판정부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  11. 제1항에 있어서,
    상기 거래 예측부는, 거래처별로 거래 빈도에 기초하여 향후 거래 가능성을 예측하는 추후 거래 예측부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  12. 제1항에 있어서,
    상기 거래 예측부는, 일정 기간의 매출액 추세를 분석하고 이에 기초하여 향후의 거래 금액을 예측하는 추후 거래 금액 예측부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  13. 제1항에 있어서,
    상기 거래처 평가부는, 거래처별로 거래 주기에 기초하여 거래 주기에 기반한 거래처 군집화를 수행하는 거래주기 기반 거래처 군집화부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
  14. 제1항에 있어서,
    상기 거래처 평가부는, 거래처별로 구매 빈도, 매출액 및 최근 거래 식기에 기초하여 거래처를 점수화하고 군집화하는 거래처 스코어링 및 군집화부를 포함하는 것을 특징으로 하는 거래처 모니터링 시스템.
PCT/KR2013/005389 2012-06-19 2013-06-19 거래처 모니터링 시스템 WO2013191457A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020120065508A KR101438050B1 (ko) 2012-06-19 2012-06-19 거래처 모니터링 시스템
KR10-2012-0065508 2012-06-19

Publications (1)

Publication Number Publication Date
WO2013191457A1 true WO2013191457A1 (ko) 2013-12-27

Family

ID=49768998

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2013/005389 WO2013191457A1 (ko) 2012-06-19 2013-06-19 거래처 모니터링 시스템

Country Status (2)

Country Link
KR (1) KR101438050B1 (ko)
WO (1) WO2013191457A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102059263B1 (ko) * 2018-02-28 2019-12-24 세종대학교산학협력단 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템
CN110910161A (zh) * 2019-10-10 2020-03-24 重庆智酒网络科技有限公司 一种用于酒水饮料的智能销售管理系统
KR102389544B1 (ko) * 2020-03-03 2022-04-21 주식회사 엘지유플러스 사용자들의 서비스 이용 행태를 분석하는 서버 및 이의 동작 방법
KR102268739B1 (ko) * 2021-03-08 2021-06-24 홍민혜 사용자의 구매 내역에 기반한 상품 추천 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040023759A (ko) * 2002-09-10 2004-03-18 한국신용평가정보주식회사 컴퓨터 네트워크를 이용한 거래처 통합 관리 방법 및 시스템
KR20050078135A (ko) * 2004-01-30 2005-08-04 나이스정보통신주식회사 가맹점의 매출동향분석을 통한 경제지표산출시스템 및 방법
KR100751965B1 (ko) * 2003-05-22 2007-08-24 퍼싱 인베스트먼츠 엘엘씨 탈퇴 고객들을 예측하기 위한 방법 및 시스템
KR20110120036A (ko) * 2010-04-28 2011-11-03 이정락 카드 가맹점의 미래 매출을 예상한 여신 한도 산정 및 실제 매출을 활용한 여신 회수 관리 시스템
KR20110131903A (ko) * 2010-06-01 2011-12-07 에스케이플래닛 주식회사 가맹점 매출 관리 시스템 및 방법, 그 매출 관리 서버

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040023759A (ko) * 2002-09-10 2004-03-18 한국신용평가정보주식회사 컴퓨터 네트워크를 이용한 거래처 통합 관리 방법 및 시스템
KR100751965B1 (ko) * 2003-05-22 2007-08-24 퍼싱 인베스트먼츠 엘엘씨 탈퇴 고객들을 예측하기 위한 방법 및 시스템
KR20050078135A (ko) * 2004-01-30 2005-08-04 나이스정보통신주식회사 가맹점의 매출동향분석을 통한 경제지표산출시스템 및 방법
KR20110120036A (ko) * 2010-04-28 2011-11-03 이정락 카드 가맹점의 미래 매출을 예상한 여신 한도 산정 및 실제 매출을 활용한 여신 회수 관리 시스템
KR20110131903A (ko) * 2010-06-01 2011-12-07 에스케이플래닛 주식회사 가맹점 매출 관리 시스템 및 방법, 그 매출 관리 서버

Also Published As

Publication number Publication date
KR20130142353A (ko) 2013-12-30
KR101438050B1 (ko) 2014-09-15

Similar Documents

Publication Publication Date Title
WO2019103183A1 (ko) Esg 기반의 기업 평가 수행 장치 및 이의 작동 방법
WO2020141882A1 (ko) 설명 가능한 인공지능 모델링 및 시뮬레이션 시스템 및 방법
CN110824270A (zh) 结合台区线损和异常事件的窃电用户辨识方法及装置
WO2013191457A1 (ko) 거래처 모니터링 시스템
CN105931068A (zh) 一种持卡人消费画像的生成方法及装置
WO2020122487A1 (ko) 기업 부도 예측 시스템 및 이의 동작 방법
CN107451266A (zh) 用于处理数据方法及其设备
JP2008217480A (ja) 要件確認支援プログラム、要件確認支援方法、及び要件確認支援装置
CN114519524A (zh) 基于知识图谱的企业风险预警方法、装置及存储介质
CN116028887B (zh) 一种连续性工业生产数据的分析方法
CN111062564A (zh) 一种电力客户诉求敏感值计算方法
CN116307928A (zh) 一种目标督查督办管理系统
CN115879642A (zh) 一种基于施工拆分预测的宽带装机进度实时感知方法
CN113421168B (zh) 一种机械基础零部件智能加工系统
WO2021141219A1 (ko) 주가 예측 장치 및 방법
Kazmierczak et al. Observer reliability of industrial activity analysis based on video recordings
CN116485578B (zh) 一种钢材冶炼车间的集成管理方法及系统
CN111832931A (zh) 一种基于大数据的智慧工厂人员流动检测方法
CN112232662A (zh) 服务监控系统及方法
CN116628381A (zh) 一种基于ai预测的网页数据设计模块故障无损恢复方法
CN115129957A (zh) 一种配网全息数据可视化展示系统及方法
CN116205528A (zh) 基于施工场地电力数据的违规施工辨识方法和系统
WO2022092689A1 (ko) 고객 응대 통합 관리 방법 및 이를 실행하는 서버
CN112434955B (zh) 一种基于多数据融合的配网线路运行风险感知方法
WO2017094970A1 (ko) 콜 센터 상담품질관리를 위한 콜 분류 시스템 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13806840

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13806840

Country of ref document: EP

Kind code of ref document: A1