WO2023153692A1 - 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 - Google Patents

외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
WO2023153692A1
WO2023153692A1 PCT/KR2023/001339 KR2023001339W WO2023153692A1 WO 2023153692 A1 WO2023153692 A1 WO 2023153692A1 KR 2023001339 W KR2023001339 W KR 2023001339W WO 2023153692 A1 WO2023153692 A1 WO 2023153692A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
credit evaluation
product
seller
credit
Prior art date
Application number
PCT/KR2023/001339
Other languages
English (en)
French (fr)
Inventor
강정석
Original Assignee
주식회사 에이젠글로벌
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Publication of WO2023153692A1 publication Critical patent/WO2023153692A1/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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Definitions

  • the present invention relates to a credit evaluation method taking into account external data and an apparatus for performing the method. More specifically, it relates to a credit evaluation method considering external data other than data generated by a sales management platform and a device for performing the method.
  • the financial big data infrastructure consists of big data open systems, data exchanges, and data specialized institutions.
  • the object of the present invention is to solve all of the above problems.
  • an object of the present invention is to determine more accurate credit evaluation data of a seller through credit evaluation in consideration of external data such as product seasonality, product market, product purchasing class, product popularity, and external economic variables.
  • each of a plurality of external data determines a default data cycle in consideration of the amount of data that can be collected and the cycle that can be collected, and the data for learning the actual artificial intelligence engine and generating credit evaluation data by combining the default data cycles
  • the purpose of determining the cycle is to output credit evaluation data having maximum reliability.
  • a credit evaluation method in consideration of external data includes the steps of collecting basic credit evaluation data for credit evaluation of a seller by a credit evaluation basic data collection unit, the credit evaluation basic data collected by the credit evaluation basic data preprocessing unit. preprocessing data, generating an artificial intelligence engine for the credit evaluation of the seller based on the preprocessed credit evaluation basic data by a credit evaluation basic data learning unit, and generating an artificial intelligence engine for the credit evaluation of the seller by a credit evaluation unit based on the artificial intelligence engine Determining credit rating data of the credit rating base data is external data collected from an external server, the external data is product seasonality, product market, product purchasing class or product popularity, external economic variables can include
  • the external data is determined by considering the degree of relevance with the credit evaluation data among candidate external data, a plurality of candidate external data combinations are determined by combining the candidate external data, and a plurality of artificial intelligence engine groups (external data) Each may be determined to correspond to each of a plurality of candidate external data combinations.
  • the external data can be used among the plurality of candidate external data combinations based on the credit evaluation data generated by the basic artificial intelligence engine group and the credit evaluation data generated by the plurality of artificial intelligence engine groups (external data). It can be determined as a candidate external data combination.
  • a credit evaluation apparatus for credit evaluation in consideration of external data includes a credit evaluation basic data collection unit implemented to collect credit evaluation basic data for credit evaluation of a seller, the collected credit evaluation basic data A credit evaluation basic data pre-processing unit implemented to pre-process the credit evaluation basic data, a credit evaluation basic data learning unit implemented to generate an artificial intelligence engine for the credit evaluation of the seller based on the pre-processed credit evaluation basic data, and the artificial intelligence engine and a credit evaluation unit implemented to determine credit evaluation data of the seller based on the credit evaluation data, wherein the credit evaluation basic data is external data collected from an external server, and the external data is product seasonality, product market, product purchase layer, or Product popularity and external economic variables may be included.
  • the external data is determined by considering the degree of relevance with the credit evaluation data among candidate external data, a plurality of candidate external data combinations are determined by combining the candidate external data, and a plurality of artificial intelligence engine groups (external data) Each may be determined to correspond to each of a plurality of candidate external data combinations.
  • the external data can be used among the plurality of candidate external data combinations based on the credit evaluation data generated by the basic artificial intelligence engine group and the credit evaluation data generated by the plurality of artificial intelligence engine groups (external data). It can be determined as a candidate external data combination.
  • more accurate credit evaluation data of a seller can be determined through credit evaluation considering external data such as product seasonality, product market, product purchasing class, product popularity, and external economic variables.
  • each of the plurality of external data determines a default data cycle in consideration of the data collectable amount and the data collectable cycle, and combines the default data cycles to learn the actual artificial intelligence engine and generate credit evaluation data. By determining the data cycle, credit evaluation data having maximum reliability can be output.
  • FIG. 1 is a conceptual diagram illustrating a credit evaluation apparatus according to an embodiment of the present invention.
  • FIG. 2 is a conceptual diagram illustrating a sales management platform and a method of collecting basic credit evaluation data through the sales management platform according to an embodiment of the present invention.
  • FIG. 3 is a conceptual diagram illustrating the operation of a credit basic data pre-processing unit according to an embodiment of the present invention.
  • FIG. 4 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
  • FIG. 5 is a conceptual diagram illustrating a first preprocessing (a seller) according to an embodiment of the present invention.
  • FIG. 6 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
  • FIG. 7 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
  • FIG. 8 is a conceptual diagram illustrating a method of performing a first preprocessing according to an embodiment of the present invention.
  • FIG. 9 is a conceptual diagram illustrating the operation of a credit evaluation unit according to an embodiment of the present invention.
  • FIG. 10 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.
  • FIG. 11 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.
  • FIG. 12 is a conceptual diagram illustrating a method for determining a scorecard according to an embodiment of the present invention.
  • FIG. 13 is a conceptual diagram illustrating a credit evaluation device that performs scorecard determination according to an embodiment of the present invention.
  • FIG. 14 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the OMS according to an embodiment of the present invention.
  • 15 is a conceptual diagram illustrating a method of setting a scale of basic credit evaluation data according to an embodiment of the present invention.
  • 16 is a conceptual diagram illustrating a seller credit evaluation method based on product sales data generated by OMS according to an embodiment of the present invention.
  • 17 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated by WMS according to an embodiment of the present invention.
  • FIG. 19 illustrates a method of generating WMS-based credit evaluation basic data according to an embodiment of the present invention.
  • 20 is a conceptual diagram illustrating a seller credit evaluation method based on product sales cycle data generated in the WMS according to an embodiment of the present invention.
  • 21 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the ECS according to an embodiment of the present invention.
  • FIG. 22 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the ECS according to an embodiment of the present invention.
  • FIG. 23 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the ECS according to an embodiment of the present invention.
  • 24 is a conceptual diagram illustrating a credit evaluation method considering external data according to an embodiment of the present invention.
  • 26 discloses a method of generating a data collection cycle of external data according to an embodiment of the present invention.
  • FIG. 1 is a conceptual diagram illustrating a credit evaluation apparatus according to an embodiment of the present invention.
  • FIG. 1 a credit evaluation device for performing a credit evaluation on a seller based on data collected through an e-commerce sales and distribution management system platform is disclosed.
  • the credit evaluation apparatus includes a credit evaluation basic data collection unit 110, a credit evaluation basic data pre-processing unit 120, a credit evaluation basic data learning unit 130, a credit evaluation unit 140, and a financial service unit. 150 and a processor 160.
  • the credit evaluation basic data collection unit 110 may be implemented to collect credit evaluation basic data for a seller's credit evaluation. Sellers can sell products through various platforms for selling and distributing products through e-commerce. An e-commerce sales and distribution management system platform for managing various data related to seller's product sales, product distribution, and product payment may be expressed as a sales management platform 100 .
  • the credit evaluation basic data collection unit 110 may be implemented to collect credit evaluation basic data for seller's credit evaluation through various sales management platforms. A specific sales management platform 100 will be described later.
  • the term product used in the present invention may be used as a meaning including a service provided by a seller as one product.
  • the credit evaluation basic data preprocessing unit 120 may be implemented to preprocess the collected credit evaluation basic data.
  • the basic credit evaluation data may be preprocessed and used for learning of an artificial intelligence engine for credit evaluation, or may be used for credit evaluation of a seller.
  • the credit evaluation basic data for learning of the artificial intelligence engine for credit evaluation may be transmitted to the credit evaluation basic data learning unit 130 through the first pre-processing.
  • Credit evaluation basic data for learning of the artificial intelligence engine for credit evaluation of the seller may be transmitted to the credit evaluation unit 140 through the second pre-processing.
  • the credit evaluation basic data learning unit 130 may be implemented for artificial intelligence learning for seller's credit evaluation.
  • the credit evaluation basic data learning unit 130 includes a plurality of artificial intelligence engines for credit evaluation of the seller, and each of the plurality of artificial intelligence engines may be implemented to determine a lower credit evaluation factor for the seller's credit evaluation. .
  • the credit evaluation unit 140 may be implemented to evaluate the seller's credit and determine the seller's credit evaluation data.
  • the credit evaluation unit 140 may determine the seller's credit evaluation data based on a plurality of sub-level credit evaluation factors determined by each of a plurality of artificial intelligence engines of the credit evaluation basic data learning unit.
  • the credit evaluation unit 140 may determine the seller's credit evaluation data based on a separate algorithm rather than an artificial intelligence engine.
  • the financial service unit 150 may be implemented to provide financial services to the seller based on the seller's credit evaluation data.
  • the processor 160 operates the credit evaluation basic data collection unit 110, the credit evaluation basic data pre-processing unit 120, the credit evaluation basic data learning unit 130, the credit evaluation unit 140, and the financial service unit 150. can be implemented to control
  • FIG. 2 is a conceptual diagram illustrating a sales management platform and a method of collecting basic credit evaluation data through the sales management platform according to an embodiment of the present invention.
  • the sales management platform includes an order management system (OMS) 210, an enterprise resource planning (ERP) 220, a warehouse management system (WMS) 230, and an E-commerce solution (ECS) 240. etc. may be included.
  • OMS 210
  • ERP enterprise resource planning
  • WMS warehouse management system
  • ECS E-commerce solution
  • OMS 210
  • ERP enterprise resource planning
  • WMS warehouse management system
  • ECS E-commerce solution
  • OMS (210) is a platform for product order management of the seller.
  • the OMS 210 is a computer system through which a seller who sells a product through a plurality of sales channels can integrally process a series of sales processes.
  • the seller may check the status of products ordered through the plurality of sales channels through the OMS 210 and may collectively process payment confirmation, delivery, order cancellation, return, and the like.
  • the OMS 210 functions such as batch product registration modification, order collection, invoice registration and transmission, inventory management, and the like may be provided.
  • the OMS 210 may provide functions for managing payment information, sales information, settlement information for sales, return information, refund information due to return, and inventory information on a plurality of sales channels.
  • the ERP 220 may be a sales management platform for managing information such as product production (purchase), logistics, finance, accounting, sales, purchase, and inventory of a seller as enterprise resource management.
  • WMS 230 is a warehouse management system and a sales management platform for supporting and optimizing warehouse or distribution center management.
  • the WMS 230 may integrate and manage logistics processes such as warehousing, stacking, stocking, packing, and shipping of goods of the seller as a whole.
  • the ECS 240 may be a sales management platform for creating and managing an online mall for sale by a seller.
  • the ECS 240 may be implemented to create an online shopping mall, manage data generated on the online shopping mall, and perform marketing for product sales.
  • Credit evaluation basic data collection unit OMS (210), ERP (220), WMS (230), ECS (240), such as sales management platform in association with the credit evaluation basic data may be collected.
  • the credit evaluation basic data collection unit converts product registration information, inventory information, order information, return information, payment information, sales information, settlement information, refund information, etc. generated in the OMS 210 into the seller's credit evaluation basic data. can be collected
  • the credit evaluation basic data collection unit may collect product storage information, product stock information, product release information, and product delivery information generated by the WMS 230 as the seller's credit evaluation basic data.
  • the credit evaluation basic data collection unit may collect the product marketing information generated by the ECS 240 as the seller's credit evaluation basic data.
  • FIG. 3 is a conceptual diagram illustrating the operation of a credit basic data pre-processing unit according to an embodiment of the present invention.
  • the credit evaluation basic data 300 may be transmitted to the credit evaluation basic data learning unit 360 as the first preprocessing credit evaluation basic data 320 through the first preprocessing 310 .
  • the credit evaluation basic data 300 may be transmitted to the credit evaluation unit 370 as the second preprocessing credit evaluation basic data 355 through the second preprocessing 350 .
  • the first pre-processing 310 may be pre-processing for learning in an artificial intelligence engine.
  • the first pre-processing 310 may be performed in consideration of characteristics of the sales management platform that generated the credit evaluation basic data 300 .
  • the first pre-processing 310 since the financial service is provided considering seller characteristics and supply chain characteristics, the first pre-processing 310 may be performed to learn the artificial intelligence engine considering the seller characteristics and supply chain characteristics.
  • preprocessing considering supply chain characteristics may be performed in consideration of a supply chain step corresponding to the credit evaluation basic data 300 .
  • preprocessing considering supply chain characteristics may be expressed as a first preprocessing (supply chain) 313 .
  • the credit evaluation basic data 300 is primarily credit evaluation basic data (production phase) based on the stage at which the data was acquired. ), credit evaluation basic data (distribution phase), and credit evaluation basic data (sale phase), and may be generated as first pre-processed credit evaluation basic data 320 .
  • the preprocessing considering seller characteristics may be performed through seller data classification and seller data augmentation based on seller characteristics.
  • the pre-processing considering seller characteristics may be expressed as a first pre-processing (seller) 316 .
  • the second pre-processing 350 may be performed for credit evaluation of the seller based on an artificial intelligence engine included in the credit evaluation unit.
  • the second pre-processed credit evaluation base data 355 may be input to an artificial intelligence engine and used to determine lower credit evaluation factors. Accordingly, the second pre-processing 350 may be performed in consideration of the input data format of the artificial intelligence engine. Prediction on different credit rating base data is performed for each artificial intelligence engine, and each artificial intelligence engine may have a different data format.
  • a second pre-processing 350 may be performed in consideration of at least one artificial intelligence engine that may be used for credit evaluation of the seller.
  • FIG. 4 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
  • FIG. 4 a first pre-processing (seller) and a first pre-processing (supply chain) applied to credit evaluation basic data are disclosed.
  • credit evaluation basic data classified for each seller through the first preprocessing (seller) 400 is preprocessed for each supply chain step through the first preprocessing (supply chain) 450, and the first preprocessing credit evaluation basis data 490 .
  • the first pre-processing (supply chain) 450 may generate the first pre-processing credit evaluation basic data 490 in consideration of the sales management platform, which is the subject of data transmission, and the data format transmitted from the sales management platform.
  • the credit rating basic data is converted into credit rating basic data (produced). ) 460, credit evaluation basic data (distribution) 470, and credit evaluation basic data (sales) 480, and may be generated as first pre-processed credit evaluation basic data.
  • first pre-processing (supply chain) 450 may generate first pre-processing credit evaluation basic data 490 by performing redundant data processing on the credit evaluation basic data transmitted through the sales management platform.
  • duplicate data processing may be performed. For example, when a seller purchases a specific product for sale, the product may be registered on the OMS and the product may be placed on the WMS. That is, an act of purchasing a specific product by a seller is performed only once, but data on product registration and product placement resulting from such a purchase action are generated for each sales management platform, which may result in duplication of basic credit evaluation data.
  • the first pre-processing (supply chain) 450 determines the redundancy of the transmitted credit rating basic data in consideration of the data generation time of the credit rating basic data, the information included in the credit rating basic data, and the later transmitted credit evaluation basic data information. Thus, first pre-processing credit evaluation basic data 490 may be generated. When duplication of credit evaluation basic data occurs, only data of one sales management platform is used through the first preprocessing (supply chain) 450, or duplicated credit evaluation basic data is filtered out and duplicate credit Only other credit evaluation basic data including information included in the evaluation basic data may be used.
  • the first pre-processing (supply chain) 450 may be pre-processing of credit evaluation basic data considering time.
  • the seller's credit rating and the data underlying the seller's credit rating may change over time. Therefore, setting a time scale for credit evaluation basic data for learning may greatly affect the performance of the artificial intelligence engine. Accordingly, in the present invention, after setting a time scale for the obtained basic credit evaluation data, the first preprocessed basic credit data 490 may be generated by pre-processing the basic credit evaluation data considering the time scale. A time scale for preprocessing may be set for each credit evaluation basic data.
  • FIG. 5 is a conceptual diagram illustrating a first preprocessing (a seller) according to an embodiment of the present invention.
  • FIG. 5 a method for augmenting processing of credit evaluation base data for learning of an artificial intelligence engine through a first preprocessing (seller) is disclosed.
  • a method in which basic credit evaluation data is divided into sub-level credit evaluation basic data and used as learning data among data augmentation methods is disclosed.
  • the credit evaluation basic data 500 may include seasonality, transaction size, delivery cycle, sales trend, return rate, sales product, inventory size, operational information, and the like.
  • specific credit evaluation basic data may be augmented and generated as a plurality of lower credit evaluation basic data 540 .
  • data such as the size of the return, the discard rate, the average return rate, the stability of change in the return rate, and the number of times the return rate exceeds MAX may be generated as the lower credit evaluation basic data 540 .
  • learning when data augmentation is required to make credit evaluation more accurate, learning may be performed by augmenting the credit evaluation basic data 500 with lower credit evaluation basic data 540 through a first preprocessing.
  • Data augmentation of the first pre-processing may be expressed in terms of a lower data augmentation 520 .
  • FIG. 6 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
  • FIG. 6 a method of augmenting processing of credit evaluation basic data for learning of an artificial intelligence engine on a first preprocessing (seller) is disclosed.
  • a method of augmenting data by analyzing data based on credit evaluation on a time scale and a method of augmenting data through a statistical method are disclosed.
  • FIG. 6(a) is a method of augmenting data by analyzing the credit evaluation base data 600 on a time scale among data augmentation methods.
  • a method of augmenting data by analyzing credit evaluation base data on a time scale may be expressed as a time scale data augmentation 610 .
  • data on the number of sellers with a monthly return rate of 5% or more for 36 months may be augmented and generated based on the monthly return rate of 5% or more.
  • data on the number of sellers with an average return rate for 36 months based on the average monthly return rate may be augmented and generated.
  • FIG. 6 is a method of augmenting data by statistically analyzing the credit evaluation base data 650 among data augmentation methods.
  • a method of statistically analyzing the credit evaluation base data 650 to augment data may be expressed as a statistical data augmentation 660 .
  • data augmentation may be performed by increasing the return rate in various ways through a statistical method such as average, standard deviation, maximum, or more than a specific range of return rates for each customer.
  • FIG. 7 is a conceptual diagram illustrating a first preprocessing according to an embodiment of the present invention.
  • FIG. 7 a method of augmenting processing of credit evaluation basic data for learning of an artificial intelligence engine on a first preprocessing (seller) is disclosed.
  • a method of augmenting data by two-dimensionally analyzing credit evaluation basic data among data augmentation methods is disclosed.
  • a method of augmenting credit evaluation basic data 700 as two-dimensional data among data augmentation methods is disclosed.
  • credit evaluation basic data 700 is divided into a plurality of dimensions to augment data.
  • the method may be expressed in terms of multidimensional data augmentation 710 .
  • the entire return rate may be divided into two-dimensional data and increased.
  • the first dimension may be the average return rate for 36 months
  • the second dimension may be the number of months in which the return rate exceeds 5% for 36 months.
  • FIG. 8 is a conceptual diagram illustrating a method of performing a first preprocessing according to an embodiment of the present invention.
  • the first preprocessing may use lower data augmentation 810, time scale data augmentation 820, statistical data augmentation 830, and multidimensional data augmentation 840.
  • a first pre-processing may be selectively performed to learn the plurality of artificial intelligence engines included in the credit evaluation basic data learning unit.
  • the sub-data augmentation 810 may be used for training of an artificial intelligence engine to generate a specialized result through specific analysis of characteristic credit evaluation data among artificial intelligence engines.
  • sub-data augmentation on the return rate may be performed for learning of an artificial intelligence engine that generates credit evaluation data with more weight on the return rate.
  • Time scale data augmentation 820 can be used to train an artificial intelligence engine to predict changes in credit rating data over time.
  • Statistical data augmentation 830 may be used for training of an artificial intelligence engine for predicting credit evaluation data according to separately preset specific criteria.
  • Multi-dimensional data augmentation 840 can be used to train an artificial intelligence engine to predict credit rating data based on set criteria for two dimensions.
  • various first preprocessing may be performed according to the properties of predicted credit evaluation data, and various artificial intelligence models may be generated.
  • FIG. 9 is a conceptual diagram illustrating the operation of a credit evaluation unit according to an embodiment of the present invention.
  • the credit evaluation unit may generate credit evaluation data through a seller's credit evaluation based on at least one artificial intelligence engine.
  • the credit evaluation unit may generate the seller's credit evaluation data based on one artificial intelligence engine, but the credit evaluation unit adaptively determines the artificial intelligence engine applicable to the seller based on the seller characteristic information 900, and the determined artificial intelligence engine.
  • Credit evaluation data 950 may be generated based on an intelligence engine.
  • the target artificial intelligence engine 920 for credit evaluation most suitable for the seller characteristic information 900 based on seller information such as seller's sales product, seller's product sales platform, seller's sales, seller's net profit, etc. can be determined
  • the credit evaluation unit may determine the reliability of the artificial intelligence engine according to the seller characteristic information based on the feedback information of each of the plurality of artificial intelligence engines.
  • the credit evaluation unit may determine a reliability level for each seller characteristic information for each of the plurality of artificial intelligence engines.
  • seller characteristic information may be vectorized and expressed on a space based on each sub-seller characteristic information
  • seller groups may be formed based on seller characteristic information through distance information between spaces
  • the reliability of each seller group of the artificial intelligence engine may be determined by comparing the result data of the financial service and the financial service result data.
  • the reliability level may be determined in consideration of statistical characteristics of reliability for seller groups for each artificial intelligence engine.
  • the credit evaluation unit may determine an artificial intelligence engine having a relatively high reliability level as the target artificial intelligence engine 920 based on the seller characteristic information and generate credit evaluation data 950 for the seller.
  • FIG. 10 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.
  • the scorecard 1000 may be a card including a plurality of basic credit evaluation data for determining credit evaluation data of a seller.
  • a plurality of credit evaluation base data included in the scorecard 1000 may be preprocessed and then input to the artificial intelligence engine 1020 to determine credit evaluation data.
  • the plurality of credit evaluation basic data included in the scorecard 1000 is information such as residence status, residence period, occupation, job retention period, bank records, card use records, existing loan records, and the like.
  • the scorecard 1000 includes a combination of a plurality of basic credit evaluation data, and can be generated in various types according to the combination of a plurality of basic credit evaluation data.
  • a combination of a plurality of credit rating base data included in the scorecard 1000 may be pre-processed and input to the artificial intelligence engine 1020 for determining the seller's credit rating data.
  • the scorecard 1000 not only can there be a plurality of scorecards 1000 composed of combinations of a plurality of various credit evaluation base data, but also the scorecard 1000 including the same credit evaluation base data includes learning and In order to generate credit evaluation data, it may be defined as a different scorecard 1000 according to a weight applied to each of a plurality of credit evaluation basic data, a scale applied to each of a plurality of credit evaluation basic data, and the like, and input to the artificial intelligence engine 1020. there is.
  • a plurality of scorecards 1000 may be input to and learned from different artificial intelligence engines 1020, and thus different credit evaluation data 1040 may be generated.
  • a specific scorecard 1000 may be selectively used.
  • various scorecard determination methods may be used to determine the scorecard 1000 with the highest accuracy.
  • FIG. 11 is a conceptual diagram illustrating a scorecard determination method according to an embodiment of the present invention.
  • a plurality of primary candidate scorecards including a plurality of different credit evaluation basic data are variously combined with a plurality of credit evaluation basic data to determine a scorecard that generates highly accurate credit evaluation data. (1100) can be determined.
  • credit evaluation base data corresponding to the plurality of primary candidate scorecards 1100 is input to each of a plurality of artificial intelligence engines, and each of the plurality of artificial intelligence engines learns. This can be done
  • a plurality of artificial intelligence engines that are trained based on credit evaluation basic data corresponding to the plurality of primary candidate scorecards 1100 may be expressed as a term of primary candidate artificial intelligence engines 1120 .
  • the corresponding artificial intelligence engine may be determined as the secondary candidate artificial intelligence engine 1160 .
  • a plurality of credit evaluation basic data included in the primary candidate scorecard 1100 corresponding to the secondary candidate artificial intelligence engine 1160 having a threshold reliability or higher is weighted, scaled, or generated by adjusting the secondary candidate scorecard 1100.
  • Scorecard 1140 may include.
  • Credit evaluation base data corresponding to the secondary candidate scorecard 1140 is input to the secondary candidate artificial intelligence engine 1160, and the secondary candidate artificial intelligence engine 1160 may be trained.
  • At least one artificial intelligence engine whose reliability is equal to or higher than a critical reliability level or an artificial intelligence engine having the highest reliability may be finally determined as an artificial intelligence engine to be used in the credit evaluation unit.
  • the secondary candidate scorecard 1140 used in the finally determined artificial intelligence engine may be determined as the final scorecard to be used.
  • the above scorecard and artificial intelligence engine determining operation may be performed for each seller group in consideration of seller characteristic information, an artificial intelligence engine may be determined for each seller group, and a scorecard to be used for each seller group may be determined. That is, for each seller group, the first candidate scorecard 1000, the first candidate artificial intelligence engine 1120, the second candidate scorecard 1140, and the second candidate artificial intelligence engine 1160 may be determined.
  • FIG. 12 is a conceptual diagram illustrating a method for determining a scorecard according to an embodiment of the present invention.
  • the weight adjustment 1200 may be set in consideration of the importance of each of the basic credit evaluation data included in the scorecard. For credit evaluation basic data that has a greater impact on actual financial service results, a larger weight can be set to perform learning on the artificial intelligence engine.
  • Scale adjustment 1210 may be an adjustment of a range scale for classifying the credit rating base data. For example, in the case of the number of years of service at work, it can be classified into n categories, and the scale on which the basic credit evaluation data is classified and learned determines whether the credit evaluation data of the artificial intelligence engine will reflect the actual financial service results. can affect what you can do. Accordingly, optimal artificial intelligence engine learning may be performed through scaling 1210 for each of a plurality of credit evaluation base data included in the secondary candidate scorecard 1240 .
  • the creation time point adjustment 1220 may perform learning of the artificial intelligence engine in consideration of the generation time point (or scoring time point) of the credit evaluation base data.
  • a plurality of credit evaluation basic data included in the scorecard may be grouped and input to the artificial intelligence engine. Accordingly, it is possible to determine which learning data is generated by setting a generation time point of the credit evaluation basic data. Therefore, more accurate learning of the artificial intelligence engine can be performed through the adjustment of the generation time point 1220 of the credit evaluation basic data.
  • the creation time point adjustment 1220 may reduce a score error generated according to the generation time point by setting a plurality of creation time points.
  • the observation period 1250, the scoring time 1260, and the operation period 1270 are separately classified, and the observation period 1250 and the operation period 1270 are set differently to set a plurality of scoring times 1260. can be set By setting a plurality of scoring time points 1260, it is possible to reduce a score error according to the time of creation, which may occur according to a seller's product, such as a seasonal change, and to reflect the score change according to time.
  • FIG. 13 is a conceptual diagram illustrating a credit evaluation device that performs scorecard determination according to an embodiment of the present invention.
  • the credit evaluation device may include a scorecard determining unit.
  • a scorecard determination unit may be implemented to determine a scorecard.
  • the scorecard determining unit includes a first candidate scorecard determining unit 1310, a first candidate artificial intelligence engine generating unit 1320, a second candidate scorecard determining unit 1330, a second candidate artificial intelligence engine generating unit 1340, and A scorecard determining unit 1350 may be included.
  • the primary candidate scorecard determining unit 1310 variously combines a plurality of credit evaluation basic data to determine a scorecard for determining highly accurate credit evaluation data, and includes a plurality of different credit evaluation basic data.
  • a primary candidate scorecard can be determined.
  • the first candidate artificial intelligence engine generation unit 1320 may be implemented to generate the first candidate artificial intelligence engine. After determining the plurality of primary candidate scorecards, the credit evaluation basic data corresponding to the plurality of primary candidate scorecards is input to each of the plurality of artificial intelligence engines, learning of each of the plurality of artificial intelligence engines is performed, and the primary A candidate artificial intelligence engine may be determined.
  • the secondary candidate artificial intelligence engine generating unit 1340 may determine the corresponding artificial intelligence engine as a secondary candidate artificial intelligence engine when reliability among the primary candidate artificial intelligence engines is greater than or equal to a critical reliability level.
  • the secondary candidate scorecard generating unit 1330 performs weight adjustment, scale adjustment, or creation time adjustment on a plurality of credit evaluation base data included in the primary candidate scorecard corresponding to the secondary candidate artificial intelligence engine to generate secondary candidate scorecards.
  • a candidate scorecard can be determined.
  • the scorecard determination unit 1350 may be implemented to determine a final scorecard to be used among secondary candidate scorecards.
  • FIG. 14 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the OMS according to an embodiment of the present invention.
  • credit evaluation basic data generated on the OMS may include product registration management data 1410 , product order management data 1420 , and product inventory management data 1430 .
  • the product registration management data 1410 is registered for sale in an online shopping mall, such as online shopping mall data in which a product is registered, product registration data registered in the online shopping mall, product sales data (sale quantity, selling price, cost, etc.), and product out-of-stock data. It may contain data related to the product being sold.
  • the product order management data 1420 may include data related to product ordering and distribution after product registration, such as product order quantity data for each period, product delivery data, and product refund data.
  • the product inventory management data 1430 may include data related to product inventory, such as product inventory data, product out-of-stock data, and product safety inventory data.
  • the product registration management data 1410, product order management data 1420, and product inventory management data 1430 are credit rating basic data (production) 1415 and credit rating basic data (distribution) 1425 , credit evaluation basic data (sales) 1435 may be pre-processed and generated as first pre-processed credit evaluation data.
  • Credit evaluation basic data generated by OMS can be used for learning of artificial intelligence engine.
  • Credit rating basic data can be processed through weight adjustment, scale adjustment, or generation timing adjustment, etc., and used for artificial intelligence engine learning.
  • a method for setting a time scale for credit rating base data is disclosed. Different time scales may be applied to each of the product registration management data 1410 , the product order management data 1420 , and the product inventory management data 1430 .
  • a time scale for generating credit evaluation basic data based on the product registration management data 1410 may be expressed in terms of a product registration time scale.
  • a time scale for generating credit evaluation basic data based on the product order management data 1420 may be expressed as a product order time scale.
  • a time scale for generating credit evaluation basic data based on the product inventory management data 1430 may be expressed as a product inventory time scale. Methods for setting each of the product registration time scale, product order time scale, and product inventory time scale will be described later.
  • 15 is a conceptual diagram illustrating a method of setting a scale of basic credit evaluation data according to an embodiment of the present invention.
  • product registration time scale 1515, product order time scale 1525, and product inventory time scale 1535 are product registration management data 1510 for generating seller's credit evaluation data, product ordering, respectively.
  • the management data 1520 and the product inventory management data 1530 may be collection periods, respectively.
  • product registration management data 1510, product order management data 1520, and product inventory management data 1530 are expressed in terms of OMS data
  • product registration time scale 1515, product order time scale ( 1525) and product inventory time scale 1535 may be expressed in terms of OMS data time scale.
  • the OMS data time scale may be a time unit of OMS data collected for changes in the seller's credit evaluation data.
  • a seller registers a product, sells the product, and delivers the product constitutes one cycle, and the OMS data time scale may be determined based on the product distribution cycle of product registration, sale, and delivery.
  • a plurality of determination units may be set in consideration of each product and the number of each product, and a plurality of distribution cycle data for registration, sale, and delivery of the plurality of determination units may be collected. For example, if a seller sells product 1 to product 3, and the number of judgment units for product 1 is 10, the number of judgment units for product 2 is 20, and the number of judgment units for product 3 is 30, the judgment units set for each product are registered. , sales, and delivery cycle data can be collected.
  • the initial product judgment unit can be adaptively adjusted in consideration of seller characteristics, credit rating data feedback, and product characteristics. Afterwards, the product judgment unit takes into account the accumulated amount of distribution cycle data for each product and has the same/similar range for each product. The number of distribution cycle data can be adaptively adjusted to be collected.
  • the first OMS data time scale 1550 may be determined based on the first distribution cycle data for product 1, the distribution cycle data for product 2, and the third distribution cycle data for product 3.
  • the first OMS data time scale 1550 can be set to be a multiple of the first distribution cycle data, the second distribution cycle data, and the third distribution cycle data.
  • the first OMS data time scale 1550 may change to the second OMS data scale 1560 according to the feedback on the credit evaluation result.
  • the first OMS data time scale 1550 may be adjusted so that the seller's credit evaluation data may have high reliability, and the second OMS data time scale 1560 may be determined. That is, the first OMS data time scale 1550 may be updated to the second OMS data time scale 1560 in consideration of the seller's feedback on the credit evaluation data.
  • the first OMS data time scale 1550 can be adjusted according to changes in products and distribution cycles of products
  • the second OMS data time scale 1560 corresponds to changes in the first OMS data time scale 1550 and sellers' It can be adjusted according to credit rating data.
  • 16 is a conceptual diagram illustrating a seller credit evaluation method based on product sales data generated by OMS according to an embodiment of the present invention.
  • 16 discloses a method of processing product sales data to generate credit evaluation data for a seller.
  • a method of pre-processing product sales data 1600 which may be data having the highest correlation with credit rating data of a seller, for learning is disclosed.
  • Product sales data 1600 may be converted into predicted product sales revenue data 1620 .
  • Product sales data may be converted into predicted product sales revenue data 1620 for each period in consideration of product sales price and cost information or sales margin rate.
  • the predicted product sales revenue data 1620 may be converted into data for each period in consideration of a predetermined sales period such as day/week/month, seller financial service period, and the like.
  • a first data reliability 1640 of the predicted product sales revenue data 1620 may be determined based on the predicted product sales revenue data 1620 for each period.
  • the first data reliability 1640 is the reliability of the repeatability of the pattern, and may have a higher value as the probability that similar prediction product sales revenue data 1620 will occur in the future is high.
  • the prediction product sales revenue data 1620 may be separated based on n time intervals of different lengths to increase predictability in consideration of time, and the first data reliability 1640 may be the highest n number of times.
  • a combination of time intervals may be defined as one prediction cycle. Thereafter, prediction product sales revenue data 1620 for the next n time intervals may be predicted by considering n different time intervals corresponding to the prediction cycle.
  • n time intervals for sellers with no seasonality and constant sales can be divided almost uniformly.
  • n time intervals may be divided into different lengths in consideration of seasonality and product sales change.
  • the second data reliability 1660 of the predicted product sales revenue data 1620 may be determined by comparing with actual revenue. Depending on the second data reliability 1660 , a weight applied to the predicted product sales revenue data 1620 in determining the seller's credit evaluation data may be determined.
  • Predicted product sales revenue data 1620 based on the product sales data 1600 is determined in consideration of the aforementioned distribution cycle. That is, after the product sales data 1600 is generated, when a period considering the distribution cycle passes, product sales revenue data having a range similar to that of the predicted product sales revenue data 1620 should be generated.
  • the second data reliability 1660 is relatively low. Conversely, it may be determined that the second data reliability 1660 is relatively high as the error between the predicted product sales revenue data 1620 and the product sales revenue data 1600 is relatively small. In consideration of the reliability of the second data 1660, a weight applied to the prediction product sales revenue data 1620 in determining the seller's credit evaluation data may be determined.
  • 17 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated by WMS according to an embodiment of the present invention.
  • 17 discloses a method of performing credit evaluation of a seller by processing credit evaluation basic data generated on the WMS.
  • WMS is a warehouse management system and is a sales management platform for supporting and optimizing warehouse or delivery center management.
  • WMS can integrate and manage logistics processes such as warehousing, stacking, inventory, packing, and shipping of the seller's products.
  • Credit evaluation basic data generated on the WMS may include product storage management data 1710 , product release management data 1720 , and product inventory management data 1730 .
  • Product warehousing management data 1710 is data generated when a product is warehousing in a distribution warehouse.
  • the seller may store the product for sale in the warehouse, and product warehousing management data may be generated upon warehousing.
  • the product release management data 1720 is data generated when a stored product is shipped to a buyer due to sale.
  • the product inventory management data 1730 is data on products currently remaining in the distribution warehouse in consideration of incoming and outgoing products.
  • each of the product warehousing management data 1710, product release management data 1720, and product inventory management data 1730 includes credit rating basic data (distribution) 1740 and credit rating basic data (sales) 1750 It may be pre-processed and generated as first pre-processed credit evaluation data.
  • Credit evaluation basic data generated by WMS can be used for learning of artificial intelligence engine.
  • a method of generating credit evaluation basic data by processing each of product warehousing management data 1710 , product warehousing management data 1720 , and product inventory management data 1730 is disclosed.
  • product sales cycle data 1815 and product sales rate data 1825 may be determined based on product storage management data 1810 and product release management data 1820 .
  • product stock rate data 1840 and product value data 1850 may be determined based on the product inventory management data 1830 .
  • Each of the product sales cycle data 1815, product sales rate data 1825, product inventory rate data 1840, and product value data 1850 may be used as basic credit evaluation data of the seller.
  • the product sales cycle data 1815 relates to a product sales cycle, and may be a cycle from the time the product is stored in the warehouse to the time it is shipped. Sales cycles for each of a plurality of products sold by a seller may be different from each other, and a sales cycle for each of a plurality of products may be determined.
  • the product sales rate data 1825 is data related to the amount of products stored and the amount of products shipped out, and may be data indicating how much a product has sold compared to the amount of products shipped. Such product sales rate data 1825 may also be determined for each of a plurality of products.
  • the product value data 1850 is data on the characteristics of a seller's product, and may include data on characteristics of the product, such as product price range, product sales target, product liquidity, product stock characteristics, and the like.
  • the product value data 1850 may be generated based on data such as a product sales target, product liquidity, and product inventory characteristics generated through a product property database associated with an external server.
  • Data on consumer groups targeted by product, data on whether products can be converted into cash and the cash rate when products are converted into cash, data on costs incurred when storing products and how long they can be kept in stock, product sales volume per hour (day, month, year) ), product return rate, etc. may be stored in a database, and product value data 1850 may be created in conjunction with the database.
  • FIG. 19 illustrates a method of generating WMS-based credit evaluation basic data according to an embodiment of the present invention.
  • 19 discloses a method of generating credit evaluation data considering product sales cycle data and product sales rate data.
  • product sales cycle data 1910 and product sales rate data 1920 may generate credit evaluation basic data (distribution) 1950 .
  • product sales cycle data 1910 and product sales rate data 1920 may generate credit evaluation basic data (distribution) 1950 .
  • the loanable amount and interest rate to the user may be determined by additionally considering the product currently in the warehouse, the sales cycle of the product, and the value of the product.
  • the product value data may determine a loanable amount and an interest rate until the loan maturity date in consideration of the possibility of liquidating the product.
  • 20 is a conceptual diagram illustrating a seller credit evaluation method based on product sales cycle data generated in the WMS according to an embodiment of the present invention.
  • product sales cycle data 2010 may be converted into predicted product sales cycle data 2020 .
  • Predicted product sales cycle data 2020 may be converted into predicted product sales revenue data 2030 for each period in consideration of product sales price and cost information or sales margin rate.
  • the predicted product sales revenue data 2030 may be converted into data for each period in consideration of a predetermined sales period such as day/week/month, seller financial service period, and the like.
  • a first data reliability 2050 of the predicted product sales revenue data 2030 may be determined based on periodic data of the predicted product sales revenue data 2030 .
  • the first data reliability 2050 is a reliability for repeatability of a pattern, and may have a higher value as the probability that similar predictive product sales revenue data will occur in the future is high.
  • prediction product sales revenue data may be divided into n time intervals of different lengths to increase predictability in consideration of time, and a combination of n time intervals having the highest first data reliability 2050 is It can be defined as one prediction cycle. Thereafter, prediction product sales revenue data 2030 for the next n time intervals may be predicted by considering n different time intervals corresponding to the prediction cycle.
  • n time intervals for sellers with no seasonality and constant sales can be divided almost uniformly.
  • n time intervals may be divided into different lengths in consideration of seasonality and product sales change.
  • one prediction cycle for future prediction of the predicted product sales revenue data 2030 is divided into n time intervals, and learning and prediction considering the n time intervals are performed, thereby more accurate prediction of seller's credit rating data. It could be possible.
  • the second data reliability 2060 of the predicted product sales revenue data 2030 may be determined by comparing with actual revenue.
  • a weight applied to the predicted product sales revenue data 2030 in determining the seller's credit evaluation data may be determined.
  • the predicted product sales revenue data 2030 based on the product sales cycle data 2010 is determined in consideration of the aforementioned distribution cycle. That is, after the product sales cycle data 2030 is generated, when a period considering the distribution cycle passes, product sales revenue data having a range similar to the predicted product sales revenue data 2030 should be generated.
  • the second data reliability 2060 is relatively low. Conversely, it may be determined that the second data reliability 2060 is relatively high as the error between the predicted product sales revenue data 2030 and the product sales revenue data is relatively small. In consideration of the reliability of the second data 2060, a weight applied to the predicted product sales revenue data 2030 in determining the seller's credit evaluation data may be determined.
  • predicted product sales revenue data based on product sales cycle data (2010) is defined by the term predicted product sales revenue data (product sales cycle data) (2070), and based on product sales data
  • predicted product sales revenue data may be defined as the term predicted product sales revenue data (product sales data) 2080 .
  • Each of the predicted product sales revenue data (product sales cycle data) 2070 and the predicted product sales revenue data (product sales data) 2080 takes into account the aforementioned second data reliability 2060, respectively. In determining the credit evaluation data of the weight can be determined.
  • 21 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the ECS according to an embodiment of the present invention.
  • a seller credit evaluation method based on end-to-end data generated in the process of purchasing, selling, inventory, logistics, distribution, and settlement of an e-commerce solution is disclosed.
  • the e-commerce solution may generate credit evaluation basic data based on data generated in a seller's sales process.
  • data generated in the entire process can be classified into three basic credit rating data (production), credit rating basic data (distribution), and credit rating basic data (sales) and processed.
  • credit evaluation basic data production
  • credit evaluation basic data distributed
  • credit evaluation basic data sales
  • the first type data 2110 may be data about a product that is only produced (or purchased) by a seller, before being distributed and sold, and has only basic credit evaluation data (production).
  • the first type of data 2110 may include ⁇ credit evaluation basic data (production), 0, 0 ⁇ .
  • the second type data 2120 is data about a product that has been produced and distributed by a seller but before being sold, and may be data consisting of only basic credit evaluation data (production) and basic credit evaluation data (distribution).
  • the second type data 2120 may include ⁇ credit evaluation basic data (production), credit evaluation basic data (distribution), 0 ⁇ .
  • the third type data 2130 is data about products produced, distributed, and sold by the seller, and may be data composed of basic credit evaluation data (production), basic credit evaluation data (distribution), and basic credit evaluation data (sale). there is.
  • the third type data 2130 may include ⁇ credit evaluation basic data (production), credit evaluation basic data (distribution), credit evaluation basic data (sales) ⁇ .
  • credit evaluation basic data is generated based on the first type data 2110, the second type data 2120, and the third type data 2130, and credit evaluation data for determining financial services available to the seller. can be created.
  • the first type data 2110, the second type data 2120, and the third type data 2130 are data that can have a greater influence on sales (or net profit) of the seller. Accordingly, the first type data 2110, the second type data 2120, and the third type data 2130 may be used to determine the seller's credit evaluation data with higher weights.
  • a financial service (loan amount and loan interest rate) may be determined.
  • FIG. 22 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the ECS according to an embodiment of the present invention.
  • FIG. 22 a method of determining financial services (loan amount and loan interest rate) that can be provided to a seller based on credit evaluation data combining first type data, second type data, and third type data on the time axis considering the financial service period this is initiated
  • first type data, second type data, and third type data may be determined according to the loan period and loan period.
  • the first type data, the second type data, and the third type data at the current time based on the seller's loan start time are the first type data (current) 2210 and the second type data (current) 2220 and third type data (current) 2230.
  • the first type data (current) 2210 and the second type data (current) 2220 may be changed to other type data (second type data or third type data).
  • new first type data, second type data, and third type data may be created based on the loan end time point.
  • the first type data, the second type data, and the third type data, accumulated and predicted based on the loan end point, are first type data (prediction) 2260, second type data (prediction) 2270, and second type data (prediction) 2270 as prediction data. It can be expressed in terms of the third type data (prediction) 2280. Prediction data may be generated through prediction based on product sales cycle data and distribution cycle data for current data.
  • the first type data (current) 2210, the second type data (current) 2220, and the third type data (current) 2230 which are current data based on the loan start time, and the loan end time
  • the first type data (prediction) 2260, the second type data (prediction) 2270, and the third type data (prediction) 2280 which are cumulatively predicted prediction data based on the standard, are utilized as the seller's credit evaluation data, and the seller Financial services may be provided to
  • First type data (current) 2210 as current data
  • second type data (current) 2220 and third type data (current) 2230 and first type data (prediction) 2260 as predicted data
  • the second type data (prediction) 2270 and the third type data (prediction) 2280 may be used as credit evaluation data after filtering is performed to eliminate redundancy and grouping is performed considering the reliability of each data.
  • FIG. 23 is a conceptual diagram illustrating a seller credit evaluation method based on credit evaluation basic data generated in the ECS according to an embodiment of the present invention.
  • first type data (current), second type data (current), third type data (current), first type data (prediction), second type data (prediction), and third type data Filtering on (prediction) may be performed, and redundant data may be removed.
  • Filtering may be a process of removing data changed from current data to predicted data.
  • Second type data (prediction) and third type data ( Prediction) can be filtered as redundant data and removed from the current data.
  • the filtered first type data (current), second type data (current), and third type data (current) and the first type data (prediction), second type data (prediction), and third type data (prediction) are Based on the loan start time and loan end time, it can be divided into three data groups.
  • the first data group 2310 may include current data remaining after being filtered. That is, the first type data (current), the second type data (current), and the third type data (current) remaining after being filtered because they are not changed into prediction data may be included in the first data group 2310 .
  • the second data group 2320 may include predicted data (first type data (prediction), second type data (prediction), and third type data (prediction)) changed from current data to predicted data. That is, the second data group 2320 may include predicted data obtained by changing current data.
  • the third data group 2330 includes prediction data (first-type data (prediction), second-type data (prediction), and third-type data (prediction)) that is not based on current data and is directly generated as predicted data. can do. That is, the third data group may include prediction data generated without current data.
  • credit evaluation data for the seller may be determined by sequentially assigning low weights to the first data group 2310, the second data group 2320, and the third data group 2330 in that order. That is, the credit evaluation data for the seller may be determined by setting a relatively high weight for data based on current data.
  • 24 is a conceptual diagram illustrating a credit evaluation method considering external data according to an embodiment of the present invention.
  • FIG. 24 a credit evaluation method based on credit evaluation basic data collected outside the sales management platform is disclosed.
  • external data 2460 collected from external servers excluding sales management platforms such as OMS, ERP, WMS, and ECS may be utilized as credit evaluation basic data 2480 .
  • the external data 2460 is data related to the seller's credit evaluation and may include various data that are the basis for providing financial services to the seller, such as product seasonality, product market, product purchasing class, product popularity, and external economic variables. .
  • data having meaning as credit evaluation basic data 2480 may be determined, and based on this, credit evaluation data 2480 for the seller may be generated.
  • data affecting the credit evaluation data 2480 may be determined as the external data 2460 .
  • a separate artificial intelligence model group (external data) 2440 is created to determine external data to be used as credit evaluation basic data 2480 among candidate external data 2400, and the candidate external data 2400 is credit The impact on evaluation data can be determined.
  • the basic artificial intelligence engine group 2450 may include at least one artificial intelligence engine that is trained using only credit evaluation basic data generated by the sales management platform.
  • the basic artificial intelligence engine group 2450 may generate credit evaluation data based only on credit evaluation basic data generated by the sales management platform.
  • a plurality of candidate external data combinations 2420 may be determined, and each of a plurality of artificial intelligence engine groups (external data) 2440 corresponding to each of the plurality of candidate external data combinations 2420 may be determined.
  • Use of a plurality of candidate external data combinations 2420 based on the credit evaluation data generated by the base artificial intelligence engine group 2450 and the credit evaluation data generated by the plurality of artificial intelligence engine groups (external data) 2440 Possible candidate external data combinations 2420 may be determined as external data 2460 .
  • Candidate External Data Set 1 Product Seasonality
  • Candidate External Data Set 2 Product Popularity
  • Candidate External Data Set 3 Product Seasonality and Product Popularity
  • Artificial Intelligence Engine Group 1 External Data
  • Artificial Intelligence It can be input to engine group 2 (external data)
  • artificial intelligence engine group 3 external data
  • Artificial intelligence engine group 1 (external data), artificial intelligence engine group 2 (external data), and artificial intelligence engine group 3 (external data) can each generate credit evaluation data with higher reliability than the default artificial intelligence engine group (2450).
  • product seasonality, product popularity, and (product seasonality, product popularity) can be used as external data for credit evaluation of the seller.
  • 25 discloses a method of determining a data cycle for forming a data set for learning credit evaluation data for each external data.
  • a data cycle determination method for grouping external data for artificial intelligence engine training and credit evaluation data determination is disclosed.
  • the default data cycle 2500 may be determined in consideration of the data collectable amount and the data collectable cycle.
  • the default data cycle 2500 may be a minimum required unit for learning of the artificial intelligence engine and generation of credit evaluation data.
  • a data cycle 2560 for training of an actual artificial intelligence engine and generation of credit evaluation data may be determined by combining the default data cycle 2500.
  • the starting point of merging the default data cycles 2500 and the number of default data cycles 2500 to be merged may be determined as values having the highest reliability when input to the artificial intelligence engine group 2540 . For example, when the default data cycle 2500 is 2 months, 6 default data cycles 2500 may be located within a reference period of 1 year.
  • Eight different starting points may be A, B, C, D, E, F, G, and H, and n default data cycles 2500 are combined based on the different starting points to form a candidate data group.
  • the formed candidate data group 2520 is input to the artificial intelligence engine group 2540, and the starting point corresponding to the candidate data group 2520 generating credit evaluation data having the highest reliability and the number of default data cycles 2500 Based on , the data cycle 2560 may be finally determined.
  • the data cycle 2560 may be adaptively adjusted to output credit evaluation data with maximum reliability.
  • 26 discloses a method of generating a data collection cycle of external data according to an embodiment of the present invention.
  • 26 discloses a method for determining reliability of external data based on credit evaluation basic data collected from sales management platforms such as OMS, ERP, WMS, and ECS.
  • virtual external data 2610 is generated based on credit evaluation basic data 2600 collected from sales management platforms OMS, ERP, WMS, and ECS, and external data is compared with actual external data. The reliability of 2620 can be determined.
  • product seasonality (virtual) and product popularity (virtual) are generated as virtual external data for product seasonality and product popularity based on product sales cycle data 2620 and distribution cycle data 2630 for a plurality of sellers. It can be.
  • Product seasonality (fictitious) and product popularity (fictitious) are compared with product seasonality and product popularity acquired as external data (2620), and product seasonality (fictitious), product popularity (fictitious) and product seasonality and product popularity are relatively similar.
  • data reliability of product seasonality and product popularity, which are external data 2620, can be set relatively high.
  • Data weights are assigned according to the reliability of the external data 2620, and selective learning is performed on the external data 2620 having high data reliability during learning by the artificial intelligence engine group, and only external data having high reliability is selected. Credit evaluation data can be determined by inputting.
  • Embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium.
  • the computer readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in the art of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks. medium), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter or the like as well as machine language codes generated by a compiler.
  • a hardware device may be modified with one or more software modules to perform processing according to the present invention and vice vers

Landscapes

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

Abstract

본 발명은 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 외부 데이터를 고려한 신용 평가 방법은 신용 평가 기초 데이터 수집부가 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하는 단계, 신용 평가 기초 데이터 전처리부가 수집된 상기 신용 평가 기초 데이터를 전처리하는 단계, 신용 평가 기초 데이터 학습부가 전처리된 신용 평가 기초 데이터를 기반으로 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하는 단계와 신용 평가부가 인공 지능 엔진을 기반으로 판매자의 신용 평가 데이터를 결정하는 단계를 포함할 수 있다.

Description

외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
본 발명은 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 판매 관리 플랫폼에서 생성되는 데이터를 제외한 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
4차 산업혁명에 의해 촉발된 지능 정보 사회로 진입하면서 데이터의 무한한 활용 가능성이 데이터 산업의 변화를 초래하고 있다. 데이터 시대가 도래함에 따라 향후 데이터 산업의 수준이 국가 사이에 경쟁력의 차이를 결정하게 될 것이다.
특히 금융 시장에서의 빅데이터 인프라 구축은 매우 시급할 뿐만 아니라, 머지 않아 국가의 데이터 산업의 향방을 좌우할만큼 중요한 자산이 되었다. 금융 빅데이터 인프라는 빅데이터 개방 시스템, 데이터 거래소, 데이터 전문기관 등으로 구성된다.
이러한 빅데이터 기반의 사용자 금융 데이터를 기반으로 한 새로운 금융 상품에 대한 연구가 필요하다. 사용자 금융 상품에 대한 인공 지능 기반의 학습을 통해 다양한 리스크 분석이 가능하고, 리스크 분석을 기반으로 현재까지 없었던 새로운 금융 서비스를 사용자들에게 제공할 수 있다.
따라서, 사용자의 금융 데이터를 활용하고 사용자의 금융 데이터를 기반으로 다양한 금융 서비스를 제공하기 위한 구체적인 방법에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 상품 계절성, 상품 시장, 상품 구매층, 상품 인기도, 외부 경제 변수와 같은 외부 데이터를 고려한 신용 평가를 통해 보다 정확한 판매자의 신용 평가 데이터를 결정하는 것을 목적으로 한다.
또한, 본 발명은, 복수의 외부 데이터 각각은 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클을 결정하고, 디폴트 데이터 사이클을 합쳐서 실제 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성을 위한 데이터 사이클을 결정하여 최대의 신뢰도를 가지는 신용 평가 데이터를 출력하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 외부 데이터를 고려한 신용 평가 방법은 신용 평가 기초 데이터 수집부가 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하는 단계, 신용 평가 기초 데이터 전처리부가 수집된 상기 신용 평가 기초 데이터를 전처리하는 단계, 신용 평가 기초 데이터 학습부가 전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하는 단계와 신용 평가부가 상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하는 단계를 포함할 수 있되, 상기 신용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고, 상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함할 수 있다.
한편, 상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고, 복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고, 복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 복수의 후보 외부 데이터 조합 각각에 대응되어 결정될 수 있다.
또한, 상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정될 수 있다.
본 발명의 다른 실시예에 따르면, 외부 데이터를 고려한 신용 평가를 위한 신용 평가 장치는 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하도록 구현되는 신용 평가 기초 데이터 수집부, 수집된 상기 신용 평가 기초 데이터를 전처리하도록 구현되는 신용 평가 기초 데이터 전처리부, 전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하도록 구현되는 신용 평가 기초 데이터 학습부와 상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하도록 구현되는 신용 평가부를 포함할 수 있되, 상기 신용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고, 상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함할 수 있다.
한편, 상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고, 복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고, 복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 복수의 후보 외부 데이터 조합 각각에 대응되어 결정될 수 있다.
또한, 상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정될 수 있다.
본 발명에 의하면, 상품 계절성, 상품 시장, 상품 구매층, 상품 인기도, 외부 경제 변수와 같은 외부 데이터를 고려한 신용 평가를 통해 보다 정확한 판매자의 신용 평가 데이터가 결정될 수 있다.
또한, 본 발명에 의하면, 복수의 외부 데이터 각각은 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클을 결정하고, 디폴트 데이터 사이클을 합쳐서 실제 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성을 위한 데이터 사이클을 결정하여 최대의 신뢰도를 가지는 신용 평가 데이터가 출력될 수 있다.
도 1은 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 판매 관리 플랫폼과 판매 관리 플랫폼을 통해 신용 평가 기초 데이터를 수집하는 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 신용 기초 데이터 전처리부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 제1 전처리(판매자)를 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 제1 전처리를 수행하는 방법을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 13은 본 발명의 실시예에 따른 스코어카드 결정을 수행하는 신용 평가 장치를 나타낸 개념도이다.
도 14는 본 발명의 실시예에 따른 OMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 15는 본 발명의 실시예에 따른 신용 평가 기초 데이터의 스케일 설정 방법을 나타낸 개념도이다.
도 16은 본 발명의 실시예에 따른 OMS에서 발생되는 상품 판매 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 17은 본 발명의 실시예에 따른 WMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 18은 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 19는 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 20은 본 발명의 실시예에 따른 WMS에서 발생되는 상품 판매 사이클 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 21은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 22는 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 23은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 24는 본 발명의 실시예에 따른 외부 데이터를 고려한 신용 평가 방법을 나타낸 개념도이다.
도 25는 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
도 26은 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 신용 평가 장치를 나타낸 개념도이다.
도 1에서는 이커머스 판매 및 유통 관리 시스템 플랫폼을 통해 수집된 데이터를 기반으로 판매자에 대한 신용 평가를 수행하는 신용 평가 장치가 개시된다.
도 1을 참조하면, 신용 평가 장치는 신용 평가 기초 데이터 수집부(110), 신용 평가 기초 데이터 전처리부(120), 신용 평가 기초 데이터 학습부(130), 신용 평가부(140), 금융 서비스부(150) 및 프로세서(160)를 포함할 수 있다.
신용 평가 기초 데이터 수집부(110)는 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하기 위해 구현될 수 있다. 판매자는 이커머스를 통해 상품을 판매하고 유통하기 위한 다양한 플랫폼을 통해 상품을 판매할 수 있다. 판매자의 상품 판매, 상품 유통, 상품 결제와 관련된 다양한 데이터를 관리하기 위한 이커머스 판매 및 유통 관리 시스템 플랫폼은 판매 관리 플랫폼(100)이라는 용어로 표현될 수 있다. 신용 평가 기초 데이터 수집부(110)는 다양한 판매 관리 플랫폼을 통해 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하도록 구현될 수 있다. 구체적인 판매 관리 플랫폼(100)은 후술된다. 본 발명에서 사용되는 상품이라는 용어는 판매자에 의해 제공되는 서비스도 하나의 상품으로서 포함하는 의미로 사용될 수 있다.
신용 평가 기초 데이터 전처리부(120)는 수집된 신용 평가 기초 데이터를 전처리하기 위해 구현될 수 있다. 신용 평가 기초 데이터는 전처리되어 신용 평가를 위한 인공 지능 엔진의 학습을 위해 활용될 수도 있고, 판매자의 신용 평가를 위해 활용될 수도 있다.
신용 평가를 위한 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터는 제1 전처리를 통해 신용 평가 기초 데이터 학습부(130)로 전송될 수 있다. 판매자의 신용 평가를 위한 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터는 제2 전처리를 통해 신용 평가부(140)로 전송될 수 있다.
신용 평가 기초 데이터 학습부(130)는 판매자의 신용 평가를 위한 인공 지능 학습을 위해 구현될 수 있다. 신용 평가 기초 데이터 학습부(130)는 판매자의 신용 평가를 위한 복수의 인공 지능 엔진을 포함하고, 복수의 인공 지능 엔진 각각은 판매자의 신용 평가를 위한 하위 신용 평가 요소를 결정하기 위해 구현될 수 있다.
신용 평가부(140)는 판매자의 신용을 평가하여 판매자의 신용 평가 데이터를 결정하기 위해 구현될 수 있다. 신용 평가부(140)는 신용 평가 기초 데이터 학습부의 복수의 인공 지능 엔진 각각에 의해 결정된 복수의 하위 신용 평가 요소를 기반으로 판매자의 신용 평가 데이터를 결정할 수 있다. 또한 신용 평가부(140)는 인공 지능 엔진이 아닌 별도의 알고리즘을 기반으로 판매자의 신용 평가 데이터를 결정할 수 있다.
금융 서비스부(150)는 판매자의 신용 평가 데이터를 기반으로 판매자에게 금융 서비스를 제공하기 위해 구현될 수 있다.
프로세서(160)는 신용 평가 기초 데이터 수집부(110), 신용 평가 기초 데이터 전처리부(120), 신용 평가 기초 데이터 학습부(130), 신용 평가부(140), 금융 서비스부(150)의 동작을 제어하기 위해 구현될 수 있다.
도 2는 본 발명의 실시예에 따른 판매 관리 플랫폼과 판매 관리 플랫폼을 통해 신용 평가 기초 데이터를 수집하는 방법을 나타낸 개념도이다.
도 2에서는 판매 관리 플랫폼과 판매 관리 플랫폼에서 수집되는 신용 평가 기초 데이터가 개시된다.
도 2를 참조하면, 판매 관리 플랫폼은 OMS(order management system)(210), ERP(enterprise resource planning)(220), WMS(warehouse management system)(230), ECS(E-commerce solution)(240) 등을 포함할 수 있다. OMS(210), ERP(220), WMS(230), ECS(240)는 하나의 예시로서 판매자의 상품 판매와 관련된 다른 다양한 주체가 판매 관리 플랫폼일 수 있다.
OMS(210)는 판매자의 상품 주문 관리를 위한 플랫폼이다.
OMS(210)는 다수의 판매 채널을 통해 상품을 판매하는 판매자가 일련의 판매 과정 업무를 통합적으로 처리할 수 있는 전산 시스템이다. 판매자는 OMS(210)를 통해 복수의 판매 채널 상에서 주문된 상품 현황을 확인하고 결제 확인, 배송, 주문 취소, 반품 등을 총괄 처리할 수 있다.
구체적으로 OMS(210) 상에서는 상품 일괄 등록 수정, 주문 수집, 송장 등록 및 송신, 재고 관리 등과 같은 기능이 제공될 수 있다. 또한, OMS(210)는 복수의 판매 채널 상에서의 결제 정보, 매출 정보, 매출에 대한 정산 정보, 반품 정보, 반품으로 인한 환불 정보, 재고 정보 등을 관리하기 위한 기능을 제공할 수 있다.
ERP(220)는 전사적 자원 관리로서 판매자의 상품 생산(구매), 물류, 재무, 회계, 영업, 구매, 재고 등과 같은 정보를 관리하기 위한 판매 관리 플랫폼일 수 있다.
WMS(230)는 창고 관리 시스템으로서 창고 또는 배송 센터 관리를 지원하고 최적화하기 위한 판매 관리 플랫폼이다. WMS(230)는 판매자의 상품의 입고, 적치, 재고, 패킹, 출고 등 물류 프로세서를 전체적으로 통합하여 관리할 수 있다.
ECS(240)는 판매자의 판매를 위한 온라인 몰에 대한 생성 및 관리를 위한 판매 관리 플랫폼일 수 있다. ECS(240)는 온라인 쇼핑몰을 생성하고 온라인 쇼핑몰 상에서 발생되는 데이터를 관리하고, 상품의 판매를 위한 마켓팅을 수행하기 위해 구현될 수 있다.
신용 평가 기초 데이터 수집부는 OMS(210), ERP(220), WMS(230), ECS(240)와 같은 판매 관리 플랫폼과 연계되어 신용 평가 기초 데이터를 수집할 수 있다.
예를 들어, 신용 평가 기초 데이터 수집부는 OMS(210)에서 발생된 상품 등록 정보, 재고 정보, 주문 정보, 반품 정보, 결제 정보, 매출 정보, 정산 정보, 환불 정보 등을 판매자의 신용 평가 기초 데이터로서 수집할 수 있다.
신용 평가 기초 데이터 수집부는 WMS(230)에서 발생된 상품 입고 정보, 상품 재고 정보, 상품 출고 정보, 상품 배송 정보 등을 판매자의 신용 평가 기초 데이터로서 수집할 수 있다.
신용 평가 기초 데이터 수집부는 ECS(240)에서 발생된 상품 마켓팅 정보 등을 판매자의 신용 평가 기초 데이터로서 수집할 수도 있다.
도 3은 본 발명의 실시예에 따른 신용 기초 데이터 전처리부의 동작을 나타낸 개념도이다.
도 3에서는 신용 기초 데이터 전처리부에서 신용 평가 기초 데이터를 전처리하는 방법이 개시된다.
도 3을 참조하면, 신용 평가 기초 데이터(300)는 제1 전처리(310)를 통해 제1 전처리 신용 평가 기초 데이터(320)로서 신용 평가 기초 데이터 학습부(360)로 전송될 수 있다. 또한, 신용 평가 기초 데이터(300)는 제2 전처리(350)를 통해 제2 전처리 신용 평가 기초 데이터(355)로서 신용 평가부(370)로 전송될 수 있다.
제1 전처리(310)는 인공 지능 엔진에서 학습을 위한 전처리일 수 있다.
제1 전처리(310)는 신용 평가 기초 데이터(300)를 생성한 판매 관리 플랫폼의 특성을 고려하여 수행될 수 있다. 본 발명에서 금융 서비스는 판매자 특성, 서플라이 체인 특성을 고려하여 제공되기 때문에 판매자 특성, 서플라이 체인 특성을 고려한 인공 지능 엔진의 학습을 위해 제1 전처리(310)가 수행될 수 있다.
제1 전처리(310) 중 서플라이 체인 특성을 고려한 전처리는 신용 평가 기초 데이터(300)에 대응되는 서플라이 체인 단계를 고려하여 수행될 수 있다. 제1 전처리(310) 중 서플라이 체인 특성을 고려한 전처리는 제1 전처리(서플라이 체인)(313)이라는 용어로 표현될 수 있다.
예를 들어, 서플라이 체인이 생산(또는 구매) 단계, 유통 단계, 판매 단계로 구분되는 경우, 신용 평가 기초 데이터(300)는 1차적으로 데이터가 획득된 단계를 기초로 신용 평가 기초 데이터(생산 단계), 신용 평가 기초 데이터(유통 단계), 신용 평가 기초 데이터(판매 단계)로 구분되어 제1 전처리 신용 평가 기초 데이터(320)로서 생성될 수 있다.
또한, 제1 전처리(310) 중 판매자 특성을 고려한 전처리는 판매자 특성을 기초로 한 판매자 데이터 분류 및 판매자 데이터 증강(augmentation)을 통해 수행될 수 있다. 제1 전처리 중 판매자 특성을 고려한 전처리는 제1 전처리(판매자)(316)라는 용어로 표현될 수 있다.
제2 전처리(350)는 신용 평가부에 포함되는 인공 지능 엔진을 기반으로 판매자의 신용 평가를 위해 수행될 수 있다. 제2 전처리 신용 평가 기초 데이터(355)는 인공 지능 엔진으로 입력되어 하위 신용 평가 요소를 결정하기 위해 사용될 수 있다. 따라서, 제2 전처리(350)는 인공 지능 엔진의 입력 데이터 포맷을 고려하여 수행될 수 있다. 인공 지능 엔진 별로 서로 다른 신용 평가 기초 데이터에 대한 예측이 수행되고, 인공 지능 엔진 별로 서로 다른 데이터 포맷을 가질 수 있다. 판매자의 신용 평가를 위해 사용될 수 있는 적어도 하나의 인공 지능 엔진을 고려하여 제2 전처리(350)가 수행될 수 있다.
도 4는 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 4에서는 신용 평가 기초 데이터에 적용되는 제1 전처리(판매자) 및 제1 전처리(서플라이 체인)이 개시된다.
도 4를 참조하면, 제1 전처리(판매자)(400)를 통해 판매자 별로 분류된 신용 평가 기초 데이터는 제1 전처리(서플라이 체인)(450)을 통해 서플라이 체인 단계 별로 전처리되어 제1 전처리 신용 평가 기초 데이터(490)로서 생성될 수 있다.
제1 전처리(서플라이 체인)(450)은 데이터 전송 주체인 판매 관리 플랫폼 및 판매 관리 플랫폼에서 전송되는 데이터 포맷을 고려하여 제1 전처리 신용 평가 기초 데이터(490)를 생성할 수 있다.
판매 관리 플랫폼에 의해 관리되는 서플라이 체인 단계 및 판매 관리 플랫폼에서 발생되는 신용 평가 기초 데이터에 포함되는 정보를 고려한 제1 전처리(서플라이 체인)(450)을 통해 신용 평가 기초 데이터는 신용 평가 기초 데이터(생산)(460), 신용 평가 기초 데이터(유통)(470), 신용 평가 기초 데이터(판매)(480)로 구분되어 제1 전처리 신용 평가 기초 데이터로서 생성될 수 있다.
또한, 제1 전처리(서플라이 체인)(450)은 판매 관리 플랫폼을 통해 전송되는 신용 평가 기초 데이터에 대한 중복 데이터 처리를 수행하여 제1 전처리 신용 평가 기초 데이터(490)를 생성할 수 있다. 복수의 판매 관리 플랫폼에서 동일한 상품에 대한 신용 평가 기초 데이터가 중복하여 발생되는 경우, 중복 데이터 처리가 수행될 수 있다. 예를 들어, 판매자가 판매를 위해 특정 상품을 구매하는 경우, OMS 상에서 상품 등록이 되고, WMS 상에서는 상품 적치가 이루어질 수 있다. 즉, 판매자가 특정 물품을 구매하는 행위는 1회로 이루어지나 이러한 구매 행위로 인한 상품 등록 및 상품 적치에 대한 데이터는 판매 관리 플랫폼 별로 생성되고, 이로 인해 신용 평가 기초 데이터의 중복이 발생될 수 있다.
제1 전처리(서플라이 체인)(450)은 신용 평가 기초 데이터의 데이터 발생 시간, 신용 평가 기초 데이터에 포함된 정보, 추후 전송되는 신용 평가 기초 데이터 정보를 고려하여 전송된 신용 평가 기초 데이터의 중복성을 판단하여 제1 전처리 신용 평가 기초 데이터(490)를 생성할 수 있다. 신용 평가 기초 데이터의 중복이 발생하는 경우, 제1 전처리(서플라이 체인)(450)을 통해 하나의 판매 관리 플랫폼의 데이터만이 사용되거나, 중복된 신용 평가 기초 데이터를 필터링하여 제외하고, 중복된 신용 평가 기초 데이터에 포함되는 정보를 포함하는 다른 신용 평가 기초 데이터만이 사용되도록 할 수 있다.
또한, 제1 전처리(서플라이 체인)(450)은 시간을 고려한 신용 평가 기초 데이터에 대한 전처리일 수 있다.
판매자의 신용 등급 및 판매자의 신용 평가 기초 데이터는 시간에 따라 변화될 수 있다. 따라서, 학습을 위한 신용 평가 기초 데이터에 대한 시간 스케일 설정이 인공 지능 엔진의 성능에 영향을 크게 끼칠 수 있다. 따라서, 본 발명에서는 획득된 신용 평가 기초 데이터에 대한 시간 스케일을 설정한 후, 시간 스케일을 고려한 신용 평가 기초 데이터를 전처리하여 제1 전처리 신용 기초 데이터(490)를 생성할 수 있다. 전처리를 위한 시간 스케일은 신용 평가 기초 데이터 별로 설정될 수 있다.
도 5는 본 발명의 실시예에 따른 제1 전처리(판매자)를 나타낸 개념도이다.
도 5에서는 제1 전처리(판매자)를 통한 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터의 증강 처리 방법이 개시된다. 특히, 데이터 증강 방법 중 신용 평가 기초 데이터가 하위 신용 평가 기초 데이터로 분할되어 학습 데이터로서 사용되는 방법이 개시된다.
도 5를 참조하면, 특정 신용 평가 기초 데이터(500)를 증강 처리하여 보다 정확한 인공 지능 엔진 학습을 수행하는 방법이 개시된다. 예를 들어, 신용 평가 기초 데이터(500)는 계절성, 거래 규모, 배송 주기, 매출 추이, 반품률, 판매 상품, 재고 자산 규모, 운영 정보 등일 수 있다. 신용 평가 기초 데이터(500) 중 특정 신용 평가 기초 데이터는 증강되어 복수의 하위 신용 평가 기초 데이터(540)로서 생성될 수 있다.
반품률 데이터가 증가되는 경우, 반품 규모, 폐기율, 반품률 평균, 반품률 변동 안정성, 반품률 MAX 초과 횟수 등과 같은 데이터가 하위 신용 평가 기초 데이터(540)로서 생성될 수 있다.
본 발명의 실시예에서는 신용 평가를 보다 정확하게 하기 위해 데이터 증강이 필요한 경우, 제1 전처리를 통해 신용 평가 기초 데이터(500)를 하위 신용 평가 기초 데이터(540)로 증강하여 학습을 수행할 수 있다. 이러한 제1 전처리(판매자)의 데이터 증강은 하위 데이터 증강(520)이라는 용어로 표현될 수 있다.
도 6은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 6에서는 제1 전처리(판매자) 상에서 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터의 증강 처리 방법이 개시된다. 특히, 데이터 증강 방법 중 신용 평가 기초 데이터를 시간 스케일로 분석하여 데이터를 증강하는 방법, 통계적인 방법을 통해 데이터를 증강하는 방법이 개시된다.
도 6의 (a)는 데이터 증강 방법 중 신용 평가 기초 데이터(600)를 시간 스케일로 분석하여 데이터를 증강하는 방법이다. 데이터 증강 방법 중 신용 평가 기초 데이터를 시간 스케일로 분석하여 데이터를 증강하는 방법은 시간 스케일 데이터 증강(610)이라는 용어로 표현될 수 있다.
예를 들어, 신용 평가 기초 데이터(600)가 반품률인 경우, 월 반품률 5% 이상을 기준으로 36개월 간 월 반품률 5% 이상 판매자 수에 대한 데이터가 증강되어 생성될 수 있다. 또 다른 예로, 월 반품률 평균을 기준으로 36개월 간 평균 반품률 판매자 수에 대한 데이터가 증강되어 생성될 수 있다.
도 6의 (b)는 데이터 증강 방법 중 신용 평가 기초 데이터(650)를 통계적으로 분석하여 데이터를 증강하는 방법이다. 데이터 증강 방법 중 신용 평가 기초 데이터(650)를 통계적으로 분석하여 데이터를 증강하는 방법은 통계적 데이터 증강(660)이라는 용어로 표현될 수 있다. 예를 들어, 신용 평가 기초 데이터(650)가 반품률인 경우, 고객별 반품률의 평균, 표준 편차, 최고, 특정 구간 이상 등 통계적 방법을 통해 다각도로 증가하여 데이터 증강이 수행될 수 있다.
도 7은 본 발명의 실시예에 따른 제1 전처리를 나타낸 개념도이다.
도 7에서는 제1 전처리(판매자) 상에서 인공 지능 엔진의 학습을 위한 신용 평가 기초 데이터의 증강 처리 방법이 개시된다. 특히 데이터 증강 방법 중 신용 평가 기초 데이터를 2차원으로 분석하여 데이터를 증강하는 방법이 개시된다.
도 7을 참조하면, 데이터 증강 방법 중 신용 평가 기초 데이터(700)를 2차원 데이터로서 증강하는 방법이 개시된다 데이터 증강 방법 중 신용 평가 기초 데이터(700)를 복수의 차원으로 분할하여 데이터를 증강하는 방법은 다차원 데이터 증강(710)이라는 용어로 표현될 수 있다.
예를 들어, 신용 평가 기초 데이터(700)가 반품률인 경우, 전체 반품률이 2차원의 데이터로 분할되어 증가될 수 있다. 1차원은 36개월 간 평균 반품률이고, 2차원은 36개월 간 반품률이 5%를 넘은 개월 수일 수 있다. 이러한 2차원 분석을 통해 보다 정확한 판매자의 신용 평가 기초 데이터(700)에 대한 평가가 가능할 수 있다.
도 8은 본 발명의 실시예에 따른 제1 전처리를 수행하는 방법을 나타낸 개념도이다.
도 8에서는 신용 평가 기초 데이터 학습부의 학습을 위한 제1 전처리(판매자)를 선택적으로 수행하는 방법이 개시된다.
도 8을 참조하면, 제1 전처리(판매자)는 하위 데이터 증강(810), 시간 스케일 데이터 증강(820), 통계적 데이터 증강(830), 다차원 데이터 증강(840)을 사용할 수 있다.
신용 평가 기초 데이터 학습부에 포함되는 복수의 인공 지능 엔진에 대한 학습을 위해 제1 전처리(판매자)가 선택적으로 수행될 수 있다.
예를 들어, 하위 데이터 증강(810)은 인공 지능 엔진 중 특성 신용 평가 데이터에 대한 구체적인 분석을 통해 특화된 결과를 생성하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다. 예를 들어, 반품률에 보다 가중치를 가지고 신용 평가 데이터를 생성하는 인공 지능 엔진의 학습을 위해서 반품률에 대한 하위 데이터 증강이 수행될 수 있다.
시간 스케일 데이터 증강(820)은 시간에 따른 신용 평가 데이터의 변화를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다.
통계적 데이터 증강(830)은 특정 기준을 별도로 미리 설정하고, 설정 기준에 따른 신용 평가 데이터를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다.
다차원 데이터 증강(840)은 2개의 차원에 대한 설정 기준을 기반으로 신용 평가 데이터를 예측하기 위한 인공 지능 엔진의 학습을 위해 사용될 수 있다.
본 발명의 실시예에서는 예측되는 신용 평가 데이터의 성질에 따라 제1 전처리(판매자)가 다양하게 수행되고 다양한 인공 지능 모델이 생성될 수 있다.
도 9는 본 발명의 실시예에 따른 신용 평가부의 동작을 나타낸 개념도이다.
도 9에서는 신용 평가부에서 인공 지능 엔진을 기반으로 판매자의 신용 평가 데이터를 생성하는 방법이 개시된다.
도 9를 참조하면, 신용 평가부는 적어도 하나의 인공 지능 엔진을 기반으로 한 판매자의 신용 평가를 통해 신용 평가 데이터를 생성할 수 있다.
신용 평가부는 하나의 인공 지능 엔진을 기반으로 판매자의 신용 평가 데이터를 생성할 수도 있으나, 신용 평가부는 판매자 특성 정보(900)를 기반으로 적응적으로 판매자에게 적용 가능한 인공 지능 엔진을 결정하고, 결정된 인공 지능 엔진을 기반으로 신용 평가 데이터(950)를 생성할 수 있다.
예를 들어, 판매자의 판매 상품, 판매자의 상품 판매 플랫폼, 판매자의 매출, 판매자의 순이익 등과 같은 판매자 정보를 기반으로 판매자 특성 정보(900)에 가장 적합한 신용 평가를 위한 타겟 인공 지능 엔진(920)이 결정될 수 있다.
신용 평가부는 복수의 인공 지능 엔진 각각에 피드백 정보를 기반으로 판매자 특성 정보에 따른 인공 지능 엔진의 신뢰도를 결정할 수 있다. 또한, 신용 평가부는 복수의 인공 지능 엔진 각각에 대해 판매자 특성 정보별 신뢰도 등급을 결정할 수 있다. 구체적으로 판매자 특성 정보는 하위 판매자 특성 정보 각각을 기반으로 벡터화되고 공간 상에 표현될 수 있고, 공간 간의 거리 정보를 통해 판매자 특성 정보를 기반으로 판매자 그룹이 형성될 수 있고, 판매자 그룹별 신용 평가 데이터와 금융 서비스 결과 데이터를 비교하여 인공 지능 엔진의 판매자 그룹별 신뢰도가 결정될 수 있다. 신뢰도 등급은 인공 지능 엔진별 판매자 그룹에 대한 신뢰도의 통계적 특성을 고려하여 결정될 수 있다.
신용 평가부는 판매자 특성 정보를 기초로 상대적으로 높은 신뢰도 등급을 가지는 인공 지능 엔진을 타겟 인공 지능 엔진(920)으로 결정하여 판매자에 대한 신용 평가 데이터(950)를 생성할 수 있다.
도 10은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 10에서는 판매자의 신용 평가 데이터를 결정하기 위한 스코어카드를 결정하는 방법이 개시된다.
도 10을 참조하면, 스코어카드(1000)는 판매자의 신용 평가 데이터를 결정하기 위한 복수의 신용 평가 기초 데이터를 포함하는 카드일 수 있다. 스코어카드(1000)에 포함되는 복수의 신용 평가 기초 데이터는 전처리된 후 인공 지능 엔진(1020)으로 입력되어 신용 평가 데이터를 결정할 수 있다.
예를 들어, 스코어카드(1000)에 포함되는 복수의 신용 평가 기초 데이터는 거주지 자가 여부, 거주지에서 거주한 기간, 직업, 직업 유지 기간, 은행 기록, 카드 사용 기록, 기존의 대출 기록 등과 같은 정보일 수 있다.
스코어카드(1000)는 복수의 신용 평가 기초 데이터의 조합을 포함하며, 복수의 신용 평가 기초 데이터의 조합에 따라 다양한 타입으로 생성될 수 있다. 스코어카드(1000)에 포함되는 복수의 신용 평가 기초 데이터의 조합은 전처리되어 판매자의 신용 평가 데이터를 결정하기 위한 인공 지능 엔진(1020)으로 입력될 수 있다.
본 발명의 실시예에서는 다양한 복수의 신용 평가 기초 데이터의 조합으로 구성된 복수의 스코어카드(1000)가 존재할 수 있을 뿐만 아니라 또한, 동일한 신용 평가 기초 데이터를 포함하는 스코어카드(1000)더라도 포함되는 학습 및 신용 평가 데이터 생성을 위해 복수의 신용 평가 기초 데이터 각각에 적용되는 가중치, 복수의 신용 평가 기초 데이터 각각에 적용되는 스케일 등에 따라 다른 스코어카드(1000)로서 정의되어 인공 지능 엔진(1020)으로 입력될 수 있다.
즉, 본 발명에서는 복수의 스코어카드(1000)가 서로 다른 인공 지능 엔진(1020)으로 입력되어 학습되고, 그에 따른 서로 다른 신용 평가 데이터(1040)를 생성하도록 구현될 수 있다. 복수의 스코어카드(1000) 중 특정 스코어카드(1000)가 선택적으로 사용될 수 있다. 본 발명에서는 가장 정확도가 높은 스코어카드(1000)를 결정하기 위해서는 다양한 스코어카드 결정 방법이 사용될 수 있다.
도 11은 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 11을 참조하면, 정확도 높은 신용 평가 데이터를 생성하는 스코어카드를 결정하기 위해 복수의 신용 평가 기초 데이터는 다양하게 조합되고, 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드(1100)가 결정될 수 있다.
복수의 1차 후보 스코어카드(1100)의 결정 이후, 복수의 1차 후보 스코어카드(1100)에 대응되는 신용 평가 기초 데이터가 복수의 인공 지능 엔진 각각으로 입력되고, 복수의 인공 지능 엔진 각각의 학습이 수행될 수 있다.
복수의 1차 후보 스코어카드(1100)에 대응되는 신용 평가 기초 데이터를 기반으로 학습되는 복수의 인공 지능 엔진은 1차 후보 인공 지능 엔진(1120)이라는 용어로 표현될 수 있다.
1차 후보 인공 지능 엔진(1120) 중 신뢰도가 임계 신뢰도 이상인 경우, 해당 인공 자능 엔진은 2차 후보 인공 지능 엔진(1160)으로 결정될 수 있다.
임계 신뢰도 이상을 가지는 2차 후보 인공 지능 엔진(1160)에 대응되는 1차 후보 스코어카드(1100)에 포함되는 복수의 신용 평가 기초 데이터는 가중치 조정, 스케일 조정 또는 생성 시점 조정이 수행되어 2차 후보 스코어카드(1140)에 포함될 수 있다.
2차 후보 스코어카드(1140)에 대응되는 신용 평가 기초 데이터는 2차 후보 인공 지능 엔진(1160)으로 입력되고, 2차 후보 인공 지능 엔진(1160)은 학습될 수 있다.
2차 후보 인공 지능 엔진(1160) 중 신뢰도가 임계 신뢰도 이상인 적어도 하나의 인공 지능 엔진 또는 가장 높은 신뢰도를 가지는 인공 지능 엔진이 최종적으로 신용 평가부에서 사용될 인공 지능 엔진으로 결정될 수 있다. 또한, 최종적으로 결정된 인공 지능 엔진에 사용되는 2차 후보 스코어카드(1140)가 최종적으로 사용될 스코어카드로서 결정될 수 있다.
위의 스코어 카드 및 인공 지능 엔진 결정 동작은 판매자 특성 정보를 고려하여 판매자 그룹별로 수행되고, 판매자 그룹 별로 인공 지능 엔진이 결정되고, 판매자 그룹별로 사용될 스코어카드가 결정될 수 있다. 즉, 판매자그룹별로, 1차 후보 스코어카드(1000), 1차 후보 인공 지능 엔진(1120), 2차 후보 스코어카드(1140) 및 2차 후보 인공 지능 엔진(1160)이 결정될 수 있다.
도 12는 본 발명의 실시예에 따른 스코어카드 결정 방법을 나타낸 개념도이다.
도 12에서는 가중치 조정, 스케일 조정 또는 생성 시점 조정이 수행되어 2차 후보 스코어카드를 결정하는 방법이 개시된다.
도 12를 참조하면, 가중치 조정(1200)은 스코어카드에 포함되는 신용 평가 기초 데이터 각각의 중요도를 고려하여 설정될 수 있다. 실제 금융 서비스 결과에 더 큰 영향을 끼치는 신용 평가 기초 데이터일수록 더 큰 가중치를 설정하여 인공 지능 엔진에 대한 학습을 수행할 수 있다.
스케일 조정(1210)은 신용 평가 기초 데이터를 분류하기 위한 범위 스케일의 조정일 수 있다. 예를 들어, 직장 근속 년수의 경우, n개의 카테고리로 분류할 수 있고, 신용 평가 기초 데이터에 대해 어떠한 스케일로 분류하여 학습을 수행하는지가 인공 지능 엔진의 신용 평가 데이터가 실제 금융 서비스 결과를 반영할 수 있는지에 영향을 끼칠 수 있다. 따라서, 2차 후보 스코어카드(1240)에 포함되는 복수의 신용 평가 기초 데이터 각각에 대한 스케일 조정(1210)을 통해 최적의 인공 지능 엔진 학습이 수행될 수 있다.
생성 시점 조정(1220)(또는 스코어링 시점 조정)은 신용 평가 기초 데이터의 생성 시점(또는 스코어링 시점)을 고려하여 인공 지능 엔진의 학습을 수행할 수 있다. 인공 지능 엔진으로 스코어카드에 포함되는 복수의 신용 평가 기초 데이터가 그룹핑되어 입력될 수 있다. 따라서, 신용 평가 기초 데이터의 생성 시점의 설정을 통해 어떠한 학습 데이터가 생성되는지가 결정될 수 있다. 따라서, 이러한 신용 평가 기초 데이터의 생성 시점 조정(1220)을 통해 보다 정확한 인공 지능 엔진의 학습이 수행될 수 있다.
또한, 생성 시점 조정(1220)은 생성 시점을 복수개로 설정하여 생성 시점에 따라 발생되는 스코어 오차를 줄일 수 있다. 신용 평가 기초 데이터는 관찰 기간(1250)과 스코어링 시점(1260), 동작 기간(1270)을 별도로 분류하고, 관찰 기간(1250)과 동작 기간(1270)을 서로 다르게 설정하여 스코어링 시점(1260)을 복수개 설정할 수 있다. 복수개의 스코어링 시점(1260)의 설정을 통해 계절적인 변화와 같은 판매자의 상품에 따라 발생될 수 있는 생성 시점에 따른 스코어 오차를 줄이고 이러한 시간에 따른 스코어 변화를 반영할 수 있다.
도 13은 본 발명의 실시예에 따른 스코어카드 결정을 수행하는 신용 평가 장치를 나타낸 개념도이다.
도 13을 참조하면, 신용 평가 장치는 스코어카드 결정부를 포함할 수 있다.
스코어카드 결정부는 스코어카드를 결정하기 위해 구현될 수 있다. 스코어 카드 결정부는 1차 후보 스코어카드 결정부(1310), 1차 후보 인공 지능 엔진 생성부(1320), 2차 후보 스코어카드 결정부(1330), 2차 후보 인공 지능 엔진 생성부(1340) 및 스코어카드 결정부(1350)를 포함할 수 있다.
1차 후보 스코어카드 결정부(1310)는 정확도 높은 신용 평가 데이터를 결정하기 위한 스코어카드를 결정하기 위해 복수의 신용 평가 기초 데이터를 다양하게 조합하여 서로 다른 복수의 신용 평가 기초 데이터를 포함하는 복수의 1차 후보 스코어카드를 결정할 수 있다.
1차 후보 인공 지능 엔진 생성부(1320)는 1차 후보 인공 지능 엔진을 생성하기 위해 구현될 수 있다. 복수의 1차 후보 스코어카드의 결정 이후, 복수의 1차 후보 스코어카드에 대응되는 신용 평가 기초 데이터가 복수의 인공 지능 엔진 각각으로 입력되고, 복수의 인공 지능 엔진 각각의 학습이 수행되고, 1차 후보 인공 지능 엔진이 결정될 수 있다.
2차 후보 인공 지능 엔진 생성부(1340)는 1차 후보 인공 지능 엔진 중 신뢰도가 임계 신뢰도 이상인 경우, 해당 인공 지능 엔진은 2차 후보 인공 지능 엔진으로 결정될 수 있다.
2차 후보 스코어카드 생성부(1330)는 2차 후보 인공 지능 엔진에 대응되는 1차 후보 스코어카드에 포함되는 복수의 신용 평가 기초 데이터에 대한 가중치 조정, 스케일 조정 또는 생성 시점 조정을 수행하여 2차 후보 스코어카드를 결정할 수 있다.
스코어카드 결정부(1350)는 2차 후보 스코어카드 중 최종적으로 사용될 스코어카드를 결정하기 위해 구현될 수 있다.
도 14는 본 발명의 실시예에 따른 OMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 14에서는 OMS 상에서 발생되는 신용 평가 기초 데이터를 처리하여 판매자의 신용 평가를 수행하는 방법이 개시된다.
도 14를 참조하면, OMS 상에서 발생하는 신용 평가 기초 데이터는 상품 등록 관리 데이터(1410), 상품 주문 관리 데이터(1420), 상품 재고 관리 데이터(1430)를 포함할 수 있다.
상품 등록 관리 데이터(1410)는 상품이 등록된 온라인 쇼핑몰 데이터, 온라인 쇼핑몰에 등록된 상품 등록 데이터, 상품 판매 데이터(판매 수량, 판매가, 원가 등), 상품 품절 데이터 등과 같은 온라인 쇼핑몰에 판매를 위해 등록되는 상품에 관련된 데이터를 포함할 수 있다.
상품 주문 관리 데이터(1420)는 기간별 상품 주문량 데이터, 상품 배송 데이터, 상품 환불 데이터 등과 같은 상품 등록 이후 상품의 주문 및 유통과 관련된 데이터를 포함할 수 있다.
상품 재고 관리 데이터(1430)는 상품 재고 데이터, 상품 품절 데이터, 상품 안전 재고 데이터 등과 같은 상품의 재고와 관련된 데이터를 포함할 수 있다.
상품 등록 관리 데이터(1410), 상품 주문 관리 데이터(1420), 상품 재고 관리 데이터(1430) 각각은 전술한 바와 같이 신용 평가 기초 데이터(생산)(1415), 신용 평가 기초 데이터(유통)(1425), 신용 평가 기초 데이터(판매)(1435)로 전처리되어 제1 전처리 신용 평가 데이터로서 생성될 수 있다.
OMS에서 생성된 신용 평가 기초 데이터는 인공 지능 엔진의 학습을 위해 활용될 수 있다. 신용 평가 기초 데이터는 가중치 조정, 스케일 조정 또는 생성 시점 조정 등을 통해 가공되어 인공 지능 엔진 학습을 위해 활용될 수 있다.
본 발명에서는 신용 평가 기초 데이터에 대한 시간 스케일을 설정하는 방법이 개시된다. 상품 등록 관리 데이터(1410), 상품 주문 관리 데이터(1420), 상품 재고 관리 데이터(1430) 각각에 서로 다른 시간 스케일이 적용될 수 있다.
상품 등록 관리 데이터(1410)를 기반으로 신용 평가 기초 데이터를 생성하기 위한 시간 스케일은 상품 등록 시간 스케일이라는 용어로 표현될 수 있다. 상품 주문 관리 데이터(1420)를 기반을 기반으로 신용 평가 기초 데이터를 생성하기 위한 시간 스케일은 상품 주문 시간 스케일이라는 용어로 표현될 수 있다. 상품 재고 관리 데이터(1430)를 기반으로 신용 평가 기초 데이터를 생성하기 위한 시간 스케일은 상품 재고 시간 스케일이라는 용어로 표현될 수 있다. 상품 등록 시간 스케일, 상품 주문 시간 스케일 및 상품 재고 시간 스케일 각각의 설정 방법은 후술된다.
도 15는 본 발명의 실시예에 따른 신용 평가 기초 데이터의 스케일 설정 방법을 나타낸 개념도이다.
도 15에서는 상품 등록 시간 스케일, 상품 주문 시간 스케일 및 상품 재고 시간 스케일의 설정 방법이 개시된다.
도 15를 참조하면, 상품 등록 시간 스케일(1515), 상품 주문 시간 스케일(1525) 및 상품 재고 시간 스케일(1535) 각각은 판매자의 신용 평가 데이터의 생성을 위한 상품 등록 관리 데이터(1510), 상품 주문 관리 데이터(1520), 상품 재고 관리 데이터(1530) 각각의 수집 기간일 수 있다.
이하, 설명의 편의상 상품 등록 관리 데이터(1510), 상품 주문 관리 데이터(1520), 상품 재고 관리 데이터(1530)는 OMS 데이터라는 용어로 표현되고, 상품 등록 시간 스케일(1515), 상품 주문 시간 스케일(1525) 및 상품 재고 시간 스케일(1535)은 OMS 데이터 시간 스케일이라는 용어로 표현될 수 있다. OMS 데이터 시간 스케일은 판매자의 신용 평가 데이터의 변화를 위해 수집되는 OMS 데이터의 시간 단위일 수 있다.
판매자가 상품을 등록하고, 상품을 판매하고, 상품을 배송하는 것이 하나의 사이클을 이루고, 상품의 등록, 판매, 배송의 상품 유통 사이클을 기반으로 OMS 데이터 시간 스케일이 결정될 수 있다.
상품별 및 상품별 개수를 고려하여 복수의 판단 단위가 설정되고, 복수의 판단 단위의 등록, 판매, 배송을 위한 복수의 유통 사이클 데이터가 수집될 수 있다. 예를 들어, 판매자가 상품1 내지 상품3을 판매하고, 상품1의 판단 단위는 10개, 상품2의 판단 단위는 20개, 상품3의 판단 단위는 30개인 경우, 상품별로 설정된 판단 단위의 등록, 판매, 배송되는 유통 사이클 데이터가 수집될 수 있다. 초기 상품의 판단 단위는 판매자 특성, 신용 평가 데이터 피드백, 상품 특성을 고려하여 적응적으로 조정될 수 있다, 이후 상품의 판단 단위는 상품별 유통 사이클 데이터가 누적되는 양을 고려하여 상품별로 동일/유사 범위의 유통 사이클 데이터 개수가 수집되도록 적응적으로 조정될 수 있다.
상품1에 대한 제1 유통 사이클 데이터, 상품2에 대한 유통 사이클 데이터, 상품3에 대한 제3 유통 사이클 데이터를 기반으로 제1 OMS 데이터 시간 스케일(1550)이 결정될 수 있다.
제1 OMS 데이터 시간 스케일(1550)은 제1 유통 사이클 데이터, 제2 유통 사이클 데이터, 제3 유통 사이클 데이터의 배수가 되도록 설정될 수 있다.
이후, 신용 평가 결과에 대한 피드백에 따라 제1 OMS 데이터 시간 스케일(1550)은 제2 OMS 데이터 스케일(1560)로 변화될 수 있다. 판매자의 신용 평가 결과에 대한 피드백을 고려 시 판매자의 신용 평가 데이터가 높은 신뢰도를 가질 수 있도록 제1 OMS 데이터 시간 스케일(1550)이 조정되어 제2 OMS 데이터 시간 스케일(1560)이 결정될 수 있다. 즉, 판매자의 신용 평가 데이터에 대한 피드백을 고려하여 제1 OMS 데이터 시간 스케일(1550)이 제2 0MS 데이터 시간 스케일(1560)로 업데이트될 수 있다.
제1 OMS 데이터 시간 스케일(1550)은 상품의 변화, 상품의 유통 사이클의 변화에 따라 조정될 수 있고, 제2 OMS 데이터 시간 스케일(1560)은 제1 OMS 데이터 시간 스케일(1550)의 변화 및 판매자의 신용 평가 데이터에 따라 조정될 수 있다.
도 16은 본 발명의 실시예에 따른 OMS에서 발생되는 상품 판매 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 16에서는 판매자에 대한 신용 평가 데이터를 생성하기 위해 상품 판매 데이터를 처리하는 방법이 개시된다.
도 16을 참조하면, 다른 데이터도 고려할 수 있으나, 판매자의 신용 평가 데이터와 가장 높은 상관도를 가지는 데이터일 수 있는 상품 판매 데이터(1600)를 학습을 위해 전처리하는 방법이 개시된다.
상품 판매 데이터(1600)는 예측 상품 판매 수익 데이터(1620)로 전환될 수 있다. 상품의 판매가와 원가에 대한 정보 또는 판매 마진율 등을 고려하여 상품 판매 데이터는 기간별 예측 상품 판매 수익 데이터(1620)로 전환될 수 있다.
예측 상품 판매 수익 데이터(1620)는 일/주/월과 같은 정해진 판매 기간, 판매자 금융 서비스 기간 등을 고려하여 기간별 데이터로 전환될 수 있다. 기간별 예측 상품 판매 수익 데이터(1620)를 기반으로 예측 상품 판매 수익 데이터(1620)의 제1 데이터 신뢰도(1640)가 결정될 수 있다. 제1 데이터 신뢰도(1640)는 패턴의 반복 가능성에 대한 신뢰도로서 유사한 예측 상품 판매 수익 데이터(1620)가 이후에도 발생할 확률이 높을수록 높은 값을 가질 수 있다.
예를 들어, 예측 상품 판매 수익 데이터(1620)는 시간을 고려하여 예측 가능성을 높이기 위한 서로 다른 길이의 n개의 시간 구간을 기준으로 분리될 수 있고, 제1 데이터 신뢰도(1640)가 가장 높은 n개의 시간 구간의 조합은 하나의 예측 사이클로 정의될 수 있다. 이후, 예측 사이클에 대응되는 서로 다른 n개의 시간 구간을 고려하여 다음 n개의 시간 구간에 대한 예측 상품 판매 수익 데이터(1620)가 예측될 수 있다.
계절성이 없고 일정한 매출을 가지는 판매자에 대한 n개의 시간 구간은 거의 일정하게 분할될 수 있다. 상품의 계절성이 높거나 상품 매출의 변화가 상대적으로 큰 판매자의 경우, 계절성 및 상품 매출 변화를 고려하여 n개의 시간 구간은 서로 다른 길이로 분할될 수 있다.
이러한 방식으로 예측 상품 판매 수익 데이터(1620)의 미래 예측을 위한 하나의 예측 사이클은 n개의 시간 구간으로 분할되고 n개의 시간 구간을 고려한 학습 및 예측이 수행됨으로써 보다 정확한 판매자의 신용 평가 데이터에 대한 예측이 가능할 수 있다. 또한, 본 발명에서는 예측 상품 판매 수익 데이터(1620)의 제2 데이터 신뢰도(1660)는 실제 수익과 비교하여 결정될 수 있다. 제2 데이터 신뢰도(1660)에 따라 예측 상품 판매 수익 데이터(1620)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
상품 판매 데이터(1600)를 기반으로 한 예측 상품 판매 수익 데이터(1620)는 전술한 유통 사이클을 고려하여 결정된다. 즉, 상품 판매 데이터(1600)의 생성 이후, 유통 사이클을 고려한 기간이 지나면, 예측 상품 판매 수익 데이터(1620)와 유사한 범위의 상품 판매 수익 데이터가 생성되어야 한다.
만약, 예측 상품 판매 수익 데이터(1620)와 상품 판매 수익 데이터(1600)의 오차가 상대적으로 클수록 제2 데이터 신뢰도(1660)가 상대적으로 낮다고 결정될 수 있다. 반대로, 예측 상품 판매 수익 데이터(1620)와 상품 판매 수익 데이터(1600)의 오차가 상대적으로 작을수록 제2 데이터 신뢰도(1660)가 상대적으로 높다고 결정될 수 있다. 이러한 제2 데이터 신뢰도(1660)를 고려하여 예측 상품 판매 수익 데이터(1620)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
도 17은 본 발명의 실시예에 따른 WMS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 17에서는 WMS 상에서 발생되는 신용 평가 기초 데이터를 처리하여 판매자의 신용 평가를 수행하는 방법이 개시된다.
도 17을 참조하면, 전술한 바와 같이 WMS는 창고 관리 시스템으로서 창고 또는 배송 센터 관리를 지원하고 최적화하기 위한 판매 관리 플랫폼이다. WMS는 판매자의 상품의 입고, 적치, 재고, 패킹, 출고 등 물류 프로세서를 전체적으로 통합하여 관리할 수 있다.
WMS 상에서 발생하는 신용 평가 기초 데이터는 상품 입고 관리 데이터(1710), 상품 출고 관리 데이터(1720), 상품 재고 관리 데이터(1730)를 포함할 수 있다.
상품 입고 관리 데이터(1710)는 상품이 물류 창고에 입고 시 생성되는 데이터이다. 판매자는 판매를 위한 상품을 물류 창고에 입고할 수 있고, 입고 시 상품 입고 관리 데이터가 생성될 수 있다.
상품 출고 관리 데이터(1720)는 입고된 상품이 판매로 인해 구매자에게 출고 시 발생되는 데이터이다.
상품 재고 관리 데이터(1730)는 입고 상품 및 출고 상품을 고려하여 현재 물류 창고에 남아있는 상품에 대한 데이터이다.
상품 입고 관리 데이터(1710), 상품 출고 관리 데이터(1720), 상품 재고 관리 데이터(1730) 각각은 전술한 바와 같이 신용 평가 기초 데이터(유통)(1740), 신용 평가 기초 데이터(판매)(1750)로 전처리되어 제1 전처리 신용 평가 데이터로서 생성될 수 있다.
WMS에서 생성된 신용 평가 기초 데이터는 인공 지능 엔진의 학습을 위해 활용될 수 있다. 이하, 상품 입고 관리 데이터(1710), 상품 출고 관리 데이터(1720), 상품 재고 관리 데이터(1730) 각각을 처리하여 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 18은 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 18에서는 상품 입고 관리 데이터, 상품 출고 관리 데이터, 상품 재고 관리 데이터 각각을 처리하여 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 18을 참조하면, 상품 입고 관리 데이터(1810), 상품 출고 관리 데이터(1820)를 기반으로 상품 판매 사이클 데이터(1815) 및 상품 판매율 데이터(1825)가 결정될 수 있다. 또한, 상품 재고 관리 데이터(1830)를 기반으로 상품 재고율 데이터(1840), 상품 가치 데이터(1850)가 결정될 수 있다.
상품 판매 사이클 데이터(1815) 및 상품 판매율 데이터(1825), 상품 재고율 데이터(1840) 및 상품 가치 데이터(1850) 각각은 판매자의 신용 평가 기초 데이터로서 활용될 수 있다.
상품 판매 사이클 데이터(1815)는 상품 판매 사이클에 대한 것으로 상품이 물류 창고에 입고된 이후 출고된 시점까지에 대한 사이클일 수 있다. 판매자에 의해 판매되는 복수의 상품 각각에 대한 판매 사이클은 서로 다를 수 있고, 복수의 상품 각각에 대한 판매 사이클이 결정될 수 있다.
상품 판매율 데이터(1825)는 상품의 입고량과 상품의 출고량과 관련된 데이터로서 상품이 입고 대비 얼마만큼의 판매율을 가지는지에 대한 데이터일 수 있다. 이러한 상품 판매율 데이터(1825)도 복수의 상품 각각에 대하여 결정될 수 있다.
상품 가치 데이터(1850)는 판매자 상품의 특징에 대한 데이터로서 상품 가격대, 상품 판매 대상, 상품 환금성, 상품 재고 특성 등과 같은 상품의 판매 시 가지는 특성에 대한 데이터를 포함할 수 있다. 상품 가치 데이터(1850)는 외부 서버와 연관된 상품 특성 데이터베이스를 통해 생성된 상품 판매 대상, 상품 환금성, 상품 재고 특성과 같은 데이터를 기반으로 생성될 수 있다.
상품별로 타겟팅되는 소비자층에 대한 데이터, 상품의 현금화 가능 여부 및 상품의 현금화 시 현금화율에 대한 데이터, 상품 재고 보관 시 발생하는 비용 및 재고 보관 가능 기간에 대한 데이터, 시간별 상품 판매량(일, 월, 년), 상품 반품률 등과 같은 상품에 관련된 일반적인 데이터가 데이터베이스 상에 저장되어 있을 수 있고, 이러한 데이터베이스와 연동하여 상품 가치 데이터(1850)가 생성될 수 있다.
도 19는 본 발명의 실시예에 따른 WMS 기반의 신용 평가 기초 데이터를 생성하는 방법이 개시된다.
도 19에서는 상품 판매 사이클 데이터, 상품 판매율 데이터를 고려한 신용 평가 데이터 생성 방법이 개시된다.
도 19를 참조하면, 상품 판매 사이클 데이터(1910), 상품 판매율 데이터(1920)는 신용 평가 기초 데이터(유통)(1950)을 생성할 수 있다.
서플라이체인을 기준으로 상품 판매 사이클 데이터(1910), 상품 판매율 데이터(1920)는 신용 평가 기초 데이터(유통)(1950)을 생성할 수 있다.
본 발명에서는 신용 평가 기초 데이터(생산)(1960), 신용 평가 기초 데이터(유통)(1950), 신용 평가 기초 데이터(판매)(1970) 각각에 대한 서로 다른 가중치를 설정하여 판매자에 대한 신용 평가 데이터가 생성되고, 판매자에 대한 LTV(loan to value ratio)가 결정될 수 있다.
기존의 신용 평가와 다르게 현재 물류 창고에 존재하는 상품 및 물류 창고에 존재하는 상품의 판매 사이클과 상품의 가치를 추가적으로 고려하여 사용자에게 대출 가능한 금액 및 금리가 결정될 수 있다.
보다 구체적으로 상품 판매 사이클 데이터(1910)를 기반으로 대출 시점 이후에 대출 만기일까지 판매되는 상품에 대한 정보가 예측되고, 대출 만기일까지 대출 가능한 금액 및 금리가 결정될 수 있다. 상품 가치 데이터는 상품의 현금화 가능성을 고려하여 대출 만기일까지 대출 가능한 금액 및 금리를 결정될 수 있다.
도 20은 본 발명의 실시예에 따른 WMS에서 발생되는 상품 판매 사이클 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 20에서는 판매자에 대한 신용 평가 데이터를 생성하기 위해 상품 판매 사이클 데이터를 처리하는 방법이 개시된다.
도 20을 참조하면, 상품 판매 사이클 데이터(2010)는 예측 상품 판매 사이클 데이터(2020)로 전환될 수 있다. 상품의 판매가와 원가에 대한 정보 또는 판매 마진율 등을 고려하여 예측 상품 판매 사이클 데이터(2020)는 기간별 예측 상품 판매 수익 데이터(2030)로 전환될 수 있다.
예측 상품 판매 수익 데이터(2030)는 일/주/월과 같은 정해진 판매 기간, 판매자 금융 서비스 기간 등을 고려하여 기간별 데이터로 전환될 수 있다. 예측 상품 판매 수익 데이터(2030)의 기간별 데이터를 기반으로 예측 상품 판매 수익 데이터(2030)의 제1 데이터 신뢰도(2050)가 결정될 수 있다. 제1 데이터 신뢰도(2050)는 패턴의 반복 가능성에 대한 신뢰도로서 유사한 예측 상품 판매 수익 데이터가 이후에도 발생할 확률이 높을수록 높은 값을 가질 수 있다.
예를 들어, 예측 상품 판매 수익 데이터는 시간을 고려하여 예측 가능성을 높이기 위한 서로 다른 길이의 n개의 시간 구간으로 분리될 수 있고, 제1 데이터 신뢰도(2050)가 가장 높은 n개의 시간 구간의 조합이 하나의 예측 사이클로 정의될 수 있다. 이후, 예측 사이클에 대응되는 서로 다른 n개의 시간 구간을 고려하여 다음 n개의 시간 구간에 대한 예측 상품 판매 수익 데이터(2030)가 예측될 수 있다.
계절성이 없고 일정한 매출을 가지는 판매자에 대한 n개의 시간 구간은 거의 일정하게 분할될 수 있다. 상품의 계절성이 높거나 상품 매출의 변화가 상대적으로 큰 판매자의 경우, 계절성 및 상품 매출 변화를 고려하여 n개의 시간 구간은 서로 다른 길이로 분할될 수 있다.
이러한 방식으로 예측 상품 판매 수익 데이터(2030)의 미래 예측을 위한 하나의 예측 사이클이 n개의 시간 구간으로 분할되고, n개의 시간 구간을 고려한 학습 및 예측이 수행됨으로써 보다 정확한 판매자의 신용 평가 데이터 예측이 가능할 수 있다.
또한, 본 발명에서는 예측 상품 판매 수익 데이터(2030)의 제2 데이터 신뢰도(2060)는 실제 수익과 비교하여 결정될 수 있다. 제2 데이터 신뢰도(2060)에 따라 예측 상품 판매 수익 데이터(2030)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
상품 판매 사이클 데이터(2010)를 기반으로 한 예측 상품 판매 수익 데이터(2030)는 전술한 유통 사이클을 고려하여 결정된다. 즉, 상품 판매 사이클 데이터(2030)의 생성 이후, 유통 사이클을 고려한 기간이 지나면, 예측 상품 판매 수익 데이터(2030)와 유사한 범위의 상품 판매 수익 데이터가 생성되어야 한다.
만약, 예측 상품 판매 수익 데이터(2030)와 상품 판매 수익 데이터의 오차가 상대적으로 클수록 제2 데이터 신뢰도(2060)가 상대적으로 낮다고 결정될 수 있다. 반대로, 예측 상품 판매 수익 데이터(2030)와 상품 판매 수익 데이터의 오차가 상대적으로 작을수록 제2 데이터 신뢰도(2060)가 상대적으로 높다고 결정될 수 있다. 이러한 제2 데이터 신뢰도(2060)를 고려하여 예측 상품 판매 수익 데이터(2030)가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
데이터의 소스를 구분하기 위해 상품 판매 사이클 데이터(2010)를 기반으로 한 예측 상품 판매 수익 데이터는 예측 상품 판매 수익 데이터(상품 판매 사이클 데이터)(2070)이라는 용어로 정의되고, 상품 판매 데이터를 기반으로 한 예측 상품 판매 수익 데이터는 예측 상품 판매 수익 데이터(상품 판매 데이터)(2080)이라는 용어로 정의될 수 있다.
예측 상품 판매 수익 데이터(상품 판매 사이클 데이터)(2070) 및 예측 상품 판매 수익 데이터(상품 판매 데이터)(2080) 각각은 전술한 제2 데이터 신뢰도(2060) 각각을 고려하여 예측 상품 판매 수익 데이터가 판매자의 신용 평가 데이터를 결정함에 있어서 끼치는 가중치가 결정될 수 있다.
도 21은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 21에서는 이커머스 솔루션의 구매, 판매,　재고,　물류,　유통,　정산 과정에서 발생하는　엔드 투 엔드 데이터 기반으로 한 판매자 신용 평가 방법이 개시된다.
도 21을 참조하면, 이커머스 솔루션은 판매자의 판매 프로세스에서 발생하는 데이터들을 기반으로 신용 평가 기초 데이터를 생성할 수 있다.
이커머스 솔루션 상에서는 전체 프로세스 상에서 발생되는 데이터를 3개의 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)로 분류하여 처리할 수 있다.
신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)의 생성 시 개별 상품에 대한 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)가 생성된다. 따라서, 상품별 데이터 식별을 통해 중복된 데이터를 제거하기 위한 데이터 필터링이 수행될 수 있다.
또한, 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)는 하나의 세트로 구성되어 학습을 위해 활용될 수 있다.
특정 상품은 (x, y, z)={신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)}의 데이터 포맷을 생성할 수 있다.
제1 타입 데이터(2110)는 판매자에 의해 생산(또는 구매)만 되고, 유통 및 판매되기 전의 상품에 대한 데이터로서 신용 평가 기초 데이터(생산)만을 가지는 이루어진 데이터일 수 있다. 제1 타입 데이터(2110)는 {신용 평가 기초 데이터(생산), 0, 0}으로 구성될 수 있다.
제2 타입 데이터(2120)는 판매자에 의해 생산 및 유통되었으나 판매되기 전의 상품에 대한 데이터로서 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통)만을 가지는 이루어진 데이터일 수 있다. 제2 타입 데이터(2120)는 {신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 0}으로 구성될 수 있다.
제3 타입 데이터(2130)는 판매자에 의해 생산, 유통 및 판매가 된 상품에 대한 데이터로서 신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통) 및 신용 평가 기초 데이터(판매)로 이루어진 데이터일 수 있다. 제3 타입 데이터(2130)는 {신용 평가 기초 데이터(생산), 신용 평가 기초 데이터(유통), 신용 평가 기초 데이터(판매)}으로 구성될 수 있다.
본 발명에서는 제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)를 기반으로 한 신용 평가 기초 데이터가 생성되고, 판매자에게 가능한 금융 서비스를 결정하기 위한 신용 평가 데이터가 생성될 수 있다.
제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)로 갈수록 판매자의 매출(또는 순이익)에 더 큰 영향을 끼칠 수 있는 데이터이다. 따라서, 제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)로 갈수록 보다 높은 가중치를 가지고 판매자의 신용 평가 데이터를 결정하기 위해 활용될 수 있다.
본 발명에서는 판매자에게 제공되는 금융 서비스 기간을 고려한 시간축 상의 제1 타입 데이터(2110), 제2 타입 데이터(2120) 및 제3 타입 데이터(2130)를 조합한 신용 평가 데이터를 기반으로 판매자에게 제공 가능한 금융 서비스(대출 금액 및 대출 금리)가 결정될 수 있다.
도 22는 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 22에서는 금융 서비스 기간을 고려한 시간축 상의 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터를 조합한 신용 평가 데이터를 기반으로 판매자에게 제공 가능한 금융 서비스(대출 금액 및 대출 금리)를 결정하는 방법이 개시된다.
도 22를 참조하면, 대출 시기 대출 기한에 따라 현재 시점의 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터가 결정될 수 있다.
판매자의 대출 시작 시점을 기준으로 현재 시점의 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터는 현재 데이터로서 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220) 및 제3 타입 데이터(현재)(2230)라는 용어로 표현될 수 있다.
대출 종료 시점을 기준으로 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220)는 다른 타입 데이터(제2 타입 데이터 또는 제3 타입 데이터)로 변화될 수 있다. 또한, 대출 종료 시점을 기준으로 새로운 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터가 생성될 수도 있다.
대출 종료 시점을 기준으로 누적되어 예측된 제1 타입 데이터, 제2 타입 데이터 및 제3 타입 데이터는 예측 데이터로서 제1 타입 데이터(예측)(2260), 제2 타입 데이터(예측)(2270) 및 제3 타입 데이터(예측)(2280)이라는 용어로 표현될 수 있다. 예측 데이터는 현재 데이터에 대한 상품 판매 사이클 데이터, 유통 사이클 데이터를 기반으로 한 예측을 통해 생성될 수 있다.
본 발명에서는 대출 시작 시점을 기준으로 한 현재 데이터인 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220) 및 제3 타입 데이터(현재)(2230)와 대출 종료 시점을 기준으로 누적 예측된 예측 데이터인 제1 타입 데이터(예측)(2260), 제2 타입 데이터(예측)(2270) 및 제3 타입 데이터(예측)(2280)가 판매자의 신용 평가 데이터로서 활용되어 판매자에게 금융 서비스가 제공될 수 있다.
현재 데이터인 제1 타입 데이터(현재)(2210), 제2 타입 데이터(현재)(2220) 및 제3 타입 데이터(현재)(2230)와 예측 데이터인 제1 타입 데이터(예측)(2260), 제2 타입 데이터(예측)(2270) 및 제3 타입 데이터(예측)(2280)은 중복성을 없애기 위해 필터링이 수행되고, 데이터별 신뢰도를 고려한 그룹핑이 수행되어 신용 평가 데이터로서 활용될 수 있다.
도 23은 본 발명의 실시예에 따른 ECS에서 발생되는 신용 평가 기초 데이터를 기반으로 한 판매자 신용 평가 방법을 나타낸 개념도이다.
도 23에서는 신용 평가 데이터의 생성을 위한 필터링 및 그룹핑 방법이 개시된다.
도 23을 참조하면, 제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재)와 제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측)에 대한 필터링이 수행되고, 중복 데이터가 제거될 수 있다.
본 발명의 실시예에 따른 필터링은 현재 데이터에서 예측 데이터로 변화된 데이터를 제거하는 과정일 수 있다.
제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재) 중 상품 판매 사이클 데이터, 유통 사이클 데이터를 고려한 예측을 통해 제2 타입 데이터(예측) 및 제3 타입 데이터(예측)으로 변화되는 데이터를 중복 데이터로서 필터링하여 현재 데이터에서 제거할 수 있다.
필터링된 제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재)와 제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측)은 대출 시작 시점과 대출 종료 시점을 기준으로 3개의 데이터 그룹으로 분할될 수 있다.
제1 데이터 그룹(2310)은 필터링되고 남은 현재 데이터를 포함할 수 있다. 즉, 예측 데이터로 변화되지 않아서 필터링되고 남아 있는 제1 타입 데이터(현재), 제2 타입 데이터(현재) 및 제3 타입 데이터(현재)가 제1 데이터 그룹(2310)에 포함될 수 있다.
제2 데이터 그룹(2320)은 현재 데이터에서 예측 데이터로 변화한 예측 데이터(제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측))를 포함할 수 있다. 즉, 제2 데이터 그룹(2320)은 현재 데이터가 변화되어 예측된 예측 데이터를 포함할 수 있다.
제3 데이터 그룹(2330)은 현재 데이터에 기초하지 않고, 예측 데이터로 바로 생성된 예측 데이터(제1 타입 데이터(예측), 제2 타입 데이터(예측) 및 제3 타입 데이터(예측))를 포함할 수 있다. 즉, 제3 데이터 그룹은 현재 데이터 없이 생성된 예측 데이터를 포함할 수 있다.
본 발명에서는 제1 데이터 그룹(2310), 제2 데이터 그룹(2320) 및 제3 데이터 그룹(2330) 순서로 순차적으로 낮은 가중치를 부여하여 판매자에 대한 신용 평가 데이터가 결정될 수 있다. 즉, 현재 데이터에 기초한 데이터일수록 상대적으로 높은 가중치를 설정하여 판매자에 대한 신용 평가 데이터가 결정될 수 있다.
도 24는 본 발명의 실시예에 따른 외부 데이터를 고려한 신용 평가 방법을 나타낸 개념도이다.
도 24에서는 판매 관리 플랫폼이 아닌 다른 외부에서 수집된 신용 평가 기초 데이터를 기반으로 한 신용 평가 방법이 개시된다.
도 24를 참조하면, 판매 관리 플랫폼인 OMS, ERP, WMS, ECS를 제외한 외부 서버에서 수집된 외부 데이터(2460)가 신용 평가 기초 데이터(2480)로서 활용될 수 있다.
외부 데이터(2460)는 판매자의 신용 평가와 관련된 데이터로서 상품 계절성, 상품 시장, 상품 구매층, 상품 인기도, 외부 경제 변수 등과 같은 판매자에게 금융 서비스를 제공하기 위한 기초가 되는 다양한 데이터를 포함할 수 있다.
본 발명에서는 외부 데이터(2460) 중 신용 평가 기초 데이터(2480)로서 의미를 가지는 데이터가 결정되고, 이를 기초로 판매자에 대한 신용 평가 데이터(2480)가 생성될 수 있다. 후보 외부 데이터(2400) 중 신용 평가 데이터(2480)에 영향을 끼치는 데이터가 외부 데이터(2460)로 결정될 수 있다. 본 발명에서는 후보 외부 데이터(2400) 중 신용 평가 기초 데이터(2480)로서 사용할 외부 데이터를 결정하기 위해 별도의 인공 지능 모델 그룹(외부데이터)(2440)가 생성되고, 후보 외부 데이터(2400)가 신용 평가 데이터에 끼치는 영향이 결정될 수 있다.
구체적으로 외부 변수를 고려하지 않고, 신용 평가 데이터를 결정하기 위한 기본 인공 지능 엔진 그룹(2450)이 존재할 수 있다. 기본 인공 지능 엔진 그룹(2450)은 판매 관리 플랫폼에서 생성된 신용 평가 기초 데이터만을 사용하여 학습되는 적어도 하나의 인공 지능 엔진을 포함할 수 있다. 기본 인공 지능 엔진 그룹(2450)은 판매 관리 플랫폼에서 생성된 신용 평가 기초 데이터만을 기반으로 신용 평가 데이터를 생성할 수 있다.
복수의 후보 외부 데이터 조합(2420)이 결정되고, 복수의 후보 외부 데이터 조합(2420) 각각에 대응되는 복수의 인공 지능 엔진 그룹(외부 데이터)(2440) 각각이 결정될 수 있다. 기본 인공 지능 엔진 그룹(2450)에 의해 생성된 신용 평가 데이터와 복수의 인공 지능 엔진 그룹(외부 데이터)(2440)에 의해 생성된 신용 평가 데이터를 기반으로 복수의 후보 외부 데이터 조합(2420) 중 사용 가능한 후보 외부 데이터 조합(2420)을 외부 데이터(2460)로서 결정할 수 있다.
예를 들어, 후보 외부 데이터 조합1(상품 계절성), 후보 외부 데이터 조합2(상품 인기도), 후보 외부 데이터 조합3(상품 계절성 및 상품 인기도) 각각이 인공 지능 엔진 그룹1(외부 데이터), 인공 지능 엔진 그룹2(외부 데이터), 인공 지능 엔진 그룹3(외부 데이터) 각각으로 입력될 수 있다.
인공 지능 엔진 그룹1(외부 데이터), 인공 지능 엔진 그룹2(외부 데이터), 인공 지능 엔진 그룹3(외부 데이터) 각각이 기본 인공 지능 엔진 그룹(2450)보다 높은 신뢰도를 가지는 신용 평가 데이터를 생성할 수 있다. 이러한 경우, 상품 계절성, 상품 인기도, (상품 계절성, 상품 인기도)는 외부 데이터로서 판매자의 신용 평가를 위해 활용될 수 있다.
도 25는 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
도 25에서는 외부 데이터 별로 신용 평가 데이터의 학습을 위한 데이터의 집합을 형성하는 데이터 사이클을 결정하는 방법이 개시된다.
도 25를 참조하면, 인공 지능 엔진 학습 및 신용 평가 데이터의 결정을 위한 외부 데이터를 그룹핑하는 데이터 사이클 결정 방법이 개시된다.
복수의 외부 데이터 각각은 데이터 수집 가능량 및 데이터 수집 가능 사이클을 고려하여 디폴트 데이터 사이클(2500)이 결정될 수 있다. 디폴트 데이터 사이클(2500)은 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성에 최소한으로 필요한 단위일 수 있다.
본 발명에서는 디폴트 데이터 사이클(2500)을 합쳐서 실제 인공 지능 엔진의 학습 및 신용 평가 데이터의 생성을 위한 데이터 사이클(2560)이 결정될 수 있다. 디폴트 데이터 사이클(2500)을 합치는 시작 시점 및 합쳐지는 디폴트 데이터 사이클(2500)의 개수는 인공 지능 엔진 그룹(2540)에 입력시에 최고의 신뢰도를 가지는 값으로 결정될 수 있다. 예를 들어, 디폴트 데이터 사이클(2500)이 2개월인 경우, 1년이라는 기준 기간 내에 6개의 디폴트 데이터 사이클(2500)이 위치할 수 있다.
서로 다른 시작 지점은 A, B, C, D, E, F, G, H로 8개일 수 있고, 서로 다른 시작 지점을 기준으로 n개의 디폴트 데이터 사이클(2500)이 조합되어 후보 데이터 그룹을 형성할 수 있다. 형성된 후보 데이터 그룹(2520)은 인공 지능 엔진 그룹(2540)으로 입력되고, 가장 높은 신뢰도를 가지는 신용 평가 데이터를 생성하는 후보 데이터 그룹(2520)에 대응되는 시작 지점 및 디폴트 데이터 사이클(2500)의 개수를 기반으로 최종적으로 데이터 사이클(2560)이 결정될 수 있다.
이후에 계속적인 외부 데이터에 대한 수집에 따라 데이터 사이클(2560)은 최대의 신뢰도를 가지는 신용 평가 데이터를 출력하도록 적응적으로 조정될 수 있다.
도 26은 본 발명의 실시예에 따른 외부 데이터의 데이터 수집 사이클을 생성하는 방법이 개시된다.
도 26에서는 판매 관리 플랫폼인 OMS, ERP, WMS, ECS에서 수집된 신용 평가 기초 데이터를 기준으로 외부 데이터의 신뢰도를 판단하는 방법이 개시된다.
도 26을 참조하면, 판매 관리 플랫폼인 OMS, ERP, WMS, ECS에서 수집된 신용 평가 기초 데이터(2600)를 기반으로 가상 외부 데이터(2610)를 생성하고, 실제 외부 데이터와의 비교를 통해 외부 데이터(2620)의 신뢰도가 결정될 수 있다.
예를 들어, 복수의 판매자에 대한 상품 판매 사이클 데이터(2620), 유통 사이클 데이터(2630)를 기반으로 상품 계절성, 상품 인기도에 대한 가상 외부 데이터로서 상품 계절성(가상), 상품 인기도(가상)이 생성될 수 있다.
상품 계절성(가상), 상품 인기도(가상)은 외부 데이터(2620)로 획득된 상품 계절성, 상품 인기도와 비교되고, 상품 계절성(가상), 상품 인기도(가상)과 상품 계절성, 상품 인기도가 유사도가 상대적으로 높을수록 외부 데이터(2620)인 상품 계절성, 상품 인기도의 데이터 신뢰도가 상대적으로 높게 설정될 수 있다.
외부 데이터(2620)의 신뢰도에 따른 데이터 가중치가 부여되고, 인공 지능 엔진 그룹의 학습 시 높은 데이터 신뢰도를 가지는 외부 데이터(2620)에 대한 선택적인 학습이 수행되고, 높은 데이터를 신뢰도를 가지는 외부 데이터만을 입력하여 신용 평가 데이터가 결정될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 외부 데이터를 고려한 신용 평가 방법은,
    신용 평가 기초 데이터 수집부가 판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하는 단계;
    신용 평가 기초 데이터 전처리부가 수집된 상기 신용 평가 기초 데이터를 전처리하는 단계;
    신용 평가 기초 데이터 학습부가 전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하는 단계; 및
    신용 평가부가 상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하는 단계를 포함하되,
    상기 신용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고,
    상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고,
    복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고,
    복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 복수의 후보 외부 데이터 조합 각각에 대응되어 결정되는 것을 특징으로 하는 방법.
  3. 제2 항에 있어서,
    상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정되는 것을 특징으로 하는 방법.
  4. 외부 데이터를 고려한 신용 평가를 위한 신용 평가 장치는,
    판매자의 신용 평가를 위한 신용 평가 기초 데이터를 수집하도록 구현되는 신용 평가 기초 데이터 수집부;
    수집된 상기 신용 평가 기초 데이터를 전처리하도록 구현되는 신용 평가 기초 데이터 전처리부;
    전처리된 상기 신용 평가 기초 데이터를 기반으로 상기 판매자의 상기 신용 평가를 위한 인공 지능 엔진을 생성하도록 구현되는 신용 평가 기초 데이터 학습부; 및
    상기 인공 지능 엔진을 기반으로 상기 판매자의 신용 평가 데이터를 결정하도록 구현되는 신용 평가부를 포함하되,
    상기 시용 평가 기초 데이터는 외부 서버에서 수집된 외부 데이터이고,
    상기 외부 데이터는 상품 계절성, 상품 시장, 상품 구매층 또는 상품 인기도, 외부 경제 변수를 포함하는 것을 특징으로 하는 신용 평가 장치.
  5. 제4항에 있어서,
    상기 외부 데이터는 후보 외부 데이터 중 상기 신용 평가 데이터와 관련도를 고려하여 결정되고,
    복수의 후보 외부 데이터 조합은 상기 후보 외부 데이터를 조합하여 결정되고,
    복수의 인공 지능 엔진 그룹(외부 데이터) 각각이 복수의 후보 외부 데이터 조합 각각에 대응되어 결정되는 것을 특징으로 하는 신용 평가 장치.
  6. 제5항에 있어서,
    상기 외부 데이터는 기본 인공 지능 엔진 그룹에 의해 생성된 신용 평가 데이터와 상기 복수의 인공 지능 엔진 그룹(외부 데이터)에 의해 생성된 신용 평가 데이터를 기반으로 상기 복수의 후보 외부 데이터 조합 중 사용 가능한 후보 외부 데이터 조합으로 결정되는 것을 특징으로 하는 신용 평가 장치.
PCT/KR2023/001339 2022-02-14 2023-01-30 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 WO2023153692A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220018719A KR102461415B1 (ko) 2022-02-14 2022-02-14 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR10-2022-0018719 2022-02-14

Publications (1)

Publication Number Publication Date
WO2023153692A1 true WO2023153692A1 (ko) 2023-08-17

Family

ID=84042380

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/001339 WO2023153692A1 (ko) 2022-02-14 2023-01-30 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Country Status (2)

Country Link
KR (2) KR102461415B1 (ko)
WO (1) WO2023153692A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102461415B1 (ko) * 2022-02-14 2022-11-01 주식회사 에이젠글로벌 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
KR102566466B1 (ko) * 2022-12-08 2023-08-11 크레파스솔루션(주) 개인의 신용도 평가를 위한 대체 신용 평가 시스템
CN117709906B (zh) * 2024-02-04 2024-05-14 杭银消费金融股份有限公司 一种外部数据源查询决策方法与装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101410209B1 (ko) * 2011-12-19 2014-06-23 주식회사 한국무역정보통신 화주중심의 물류거점 최적화시스템
KR20170040727A (ko) * 2015-10-02 2017-04-13 주식회사 우리은행 대출 서비스 제공 방법 및 이를 실행하는 서버
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
KR20210058229A (ko) * 2019-11-13 2021-05-24 주식회사 콜로세움코퍼레이션 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버
JP6963062B1 (ja) * 2020-06-22 2021-11-05 株式会社Yamato 情報処理装置及び情報処理方法
KR102461415B1 (ko) * 2022-02-14 2022-11-01 주식회사 에이젠글로벌 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101410209B1 (ko) * 2011-12-19 2014-06-23 주식회사 한국무역정보통신 화주중심의 물류거점 최적화시스템
KR20170040727A (ko) * 2015-10-02 2017-04-13 주식회사 우리은행 대출 서비스 제공 방법 및 이를 실행하는 서버
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
KR20210058229A (ko) * 2019-11-13 2021-05-24 주식회사 콜로세움코퍼레이션 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버
JP6963062B1 (ja) * 2020-06-22 2021-11-05 株式会社Yamato 情報処理装置及び情報処理方法
KR102461415B1 (ko) * 2022-02-14 2022-11-01 주식회사 에이젠글로벌 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치

Also Published As

Publication number Publication date
KR102461415B1 (ko) 2022-11-01
KR20230122525A (ko) 2023-08-22

Similar Documents

Publication Publication Date Title
WO2023153692A1 (ko) 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치
WO2017222128A1 (ko) 카드 발급사를 대신하여 카드 서비스를 제공하는 방법 및 서버
WO2018056689A1 (ko) 오픈 마켓에서의 전자상거래에 있어서 결제 후 랜덤 추가 할인을 제공하는 방법, 장치 및 시스템
WO2020032482A1 (ko) 공카드를 이용한 금융거래제공방법 및 시스템
WO2023153681A1 (ko) 이커머스 솔루션의 구매, 판매, 재고, 물류, 유통, 정산 과정에서 발생하는 엔드 투 엔드 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
WO2021015464A1 (ko) 블록체인을 기반으로 한 투자 방법 및 이러한 방법을 사용하는 장치
WO2015141931A1 (ko) 광고 제공 장치 및 방법
WO2020242083A1 (ko) 인공지능을 이용한 블록체인 기반 회계 관리시스템
WO2017116215A1 (ko) 평가지표 자율제안에 의한 연구개발과제 선정 시스템 및 방법
WO2023153680A1 (ko) Wms의 이커머스 물류 이동 프로세스에서 발생하는 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
WO2021006505A1 (ko) 전문가 경력 관리 방법, 장치 및 프로그램
WO2020040323A1 (ko) 블록체인 상에서 스테이블 코인 서비스를 제공하는 방법 및 장치
WO2023153679A1 (ko) Oms 상에서 온라인 판매자 및 소비자 간 발생하는 주문 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
WO2020040322A1 (ko) 블록체인 상에서 토큰 가격 안정화 방법 및 장치
WO2019112092A1 (ko) 거래 원장에 기반한 계정간 사회적 관계 도출 장치 및 방법과 그를 이용한 소셜 미디어 서비스 제공 장치 및 방법
WO2017023143A1 (ko) 상권 정보 제공 시스템, 상권 정보 제공 서버, 상권 정보 제공방법 및 서비스 어플리케이션 서버와 서비스 어플리케이션 서버의 동작방법
WO2020222558A2 (ko) 정산 서버 및 그 방법
WO2023136492A1 (ko) 이커머스 데이터 기반 신용 평가 스코어 카드 결정 방법 및 이러한 방법을 수행하는 장치
WO2019142990A1 (ko) 고객 데이터베이스 연동을 통한 비즈니스 타겟 매칭 플랫폼 제공 시스템
WO2018043858A1 (ko) 대여 아이템의 판매가격 산출 장치 및 이를 이용한 방법
WO2010117143A2 (ko) 블로그 스크랩 세일즈 모듈을 통한 상품, 컨텐츠 판매 장치 및 방법
WO2023163405A1 (ko) 신용평가 모델 업데이트 또는 교체 방법 및 장치
WO2023080530A1 (ko) 서플라이 체인 데이터 기반으로 한 금융 서비스 제공 방법 및 이러한 방법을 수행하는 장치
WO2023038324A1 (ko) 대체 불가능한 토큰 분산 소유 방법
WO2021167416A1 (ko) 정기결제를 기반으로 하는 서비스를 관리하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체

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: 23753043

Country of ref document: EP

Kind code of ref document: A1