WO2023287074A1 - 메뉴 조합 추천 방법 - Google Patents

메뉴 조합 추천 방법 Download PDF

Info

Publication number
WO2023287074A1
WO2023287074A1 PCT/KR2022/009430 KR2022009430W WO2023287074A1 WO 2023287074 A1 WO2023287074 A1 WO 2023287074A1 KR 2022009430 W KR2022009430 W KR 2022009430W WO 2023287074 A1 WO2023287074 A1 WO 2023287074A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
menu
menus
information
individual
Prior art date
Application number
PCT/KR2022/009430
Other languages
English (en)
French (fr)
Inventor
강찬
이민우
서정환
정민재
이경준
Original Assignee
주식회사 식파마
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 식파마 filed Critical 주식회사 식파마
Publication of WO2023287074A1 publication Critical patent/WO2023287074A1/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Definitions

  • the present invention relates to a menu combination recommendation method. More specifically, the present invention discloses a method for recommending a menu combination capable of generating a synergistic effect in increasing sales by analyzing the degree of association between menus.
  • Promotion for promoting purchase of consumers may be performed in various ways.
  • a set menu is released by combining a plurality of menus to promote purchase by consumers.
  • by organizing menus commonly consumed by consumers into set menus and providing promotions for them, consumers who initially wanted to purchase a single menu are induced to purchase set menus.
  • composition of such a set menu is solely determined by the business operator or the head office's empirical rule, and a thorough analysis of the composition of the set menu has not been made.
  • purchase pattern of consumers may change according to external environments such as temperature, weather, season, commercial district, and population information, the configuration of the existing set menu is uniform and cannot be reflected.
  • An object of the present invention is to increase the sales of business operators by providing a menu combination method that promotes a consumer's willingness to purchase through a combination of menus that consumers actually prefer to purchase together.
  • an object of the present invention is to increase the sales of businesses by providing a method of promoting consumers' willingness to purchase through a combination of menus reflecting consumers' purchasing patterns that change according to external environments such as weather, season, and population.
  • an object of the present invention is to increase the sales of business operators by providing a method for promoting the purchase desire of consumers through a combination of appropriate menus according to the number of consumers.
  • an object of the present invention is to classify data in advance through a data pre-processing process and perform relevance analysis using the classified data, thereby dramatically reducing the amount of computation for relevance analysis.
  • a menu combination recommendation method includes collecting first data including transaction information, pre-processing the first data, and classifying the first data; Calculating a degree of association between included menus, and recommending a menu combination based on the calculated degree of association.
  • the classifying of the first data may include extracting the number of menus included in the first data, and filtering the first data based on the extracted number of menus. there is.
  • the calculating of the degree of association may include calculating a degree of support between a plurality of menus included in the first data, and additionally filtering the first data according to the calculated degree of support. .
  • Classifying the first data may include classifying the first data based on at least one of date information, day information, and time information included in the first data.
  • the method may further include collecting second data from the outside, and classifying the first data may include temperature information, weather information, season information, precipitation information, location information, and population information included in the second data. and classifying the first data based on at least one of commercial rights information.
  • Classifying the first data may include classifying a menu included in the first data into one of an individual menu, a shared menu, and a side menu based on a predetermined keyword.
  • Classifying the first data may include classifying the first data into shared menu data and individual menu data based on whether the first data includes the shared menu.
  • the method may further include estimating the number of people using the individual menu data based on the number of individual menus included in the individual menu data, and classifying set data for each estimated number of people.
  • calculating the degree of association may include calculating the degree of association between the individual menu and the side menu.
  • the calculating of the degree of association may include calculating the degree of association between the sharing menu and the side menu.
  • calculating the degree of association may include calculating a degree of association between a plurality of individual menus.
  • the menu combination recommendation method of the present invention combines menus that consumers actually prefer to purchase together to promote consumers' willingness to purchase and thereby increase sales of businesses.
  • the menu combination recommendation method of the present invention combines menus by reflecting consumer purchasing patterns that change according to external environments such as weather, season, population, etc., thereby promoting consumers' willingness to purchase and eventually increasing sales of businesses. there is.
  • the menu combination recommendation method according to the present invention provides a combination of menus suitable for the number of consumers, thereby promoting the purchase desire of consumers and thereby increasing the sales of businesses.
  • the menu combination recommendation method of the present invention classifies data in advance through a data preprocessing process and performs relevance analysis using the classified data, thereby dramatically reducing the amount of calculation for relevance analysis, thereby reducing the budget for calculation. can reduce
  • FIG. 1 is a diagram for describing modules for implementing a menu combination recommendation method according to some embodiments of the present invention.
  • FIG. 2 is a diagram for explaining a menu combination recommendation method according to some embodiments of the present invention.
  • FIG 3 is an exemplary diagram for explaining first data according to some embodiments of the present invention.
  • FIG. 4 is a diagram for explaining a pre-processing process of a data pre-processing unit according to some embodiments of the present invention.
  • FIG. 5 is a diagram for explaining a data filtering process of a data pre-processing unit according to some embodiments of the present invention.
  • FIG. 6 is a diagram for explaining a method of classifying data according to a specific condition by a data pre-processing unit according to some embodiments of the present invention.
  • FIG. 7 is an exemplary diagram for explaining standardized first data according to some embodiments of the present invention.
  • FIG. 8 is a diagram for explaining an additional filtering process for reducing the amount of calculations according to some embodiments of the present invention.
  • 9 to 11 are diagrams for explaining a menu combination recommendation process according to some embodiments of the present invention.
  • first, second, A, and B used in this specification and claims may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention.
  • the term 'and/or' includes a combination of a plurality of related recited items or any one of a plurality of related recited items.
  • each configuration, process, process or method included in each embodiment of the present invention may be shared within a range that does not contradict each other technically.
  • FIGS. 1 to 11 a menu combination recommendation method according to some embodiments of the present invention will be described with reference to FIGS. 1 to 11 .
  • FIG. 1 is a diagram for describing modules for implementing a menu combination recommendation method according to some embodiments of the present invention.
  • a menu combination recommendation module 100 may include a data collection unit 110 , a data pre-processing unit 120 and a data analysis unit 130 .
  • the term 'menu' may refer to a 'food menu', but embodiments are not limited thereto.
  • the menu combination recommendation module 100 may be implemented in one or more devices.
  • the menu combination recommendation module 100, the data collection unit 110, the data pre-processing unit 120, and the data analysis unit 130 may be implemented together in one computing device.
  • some of the data collection unit 110, data pre-processing unit 120, and data analysis unit 130 are implemented in the first computing device, and others are implemented in the first computing device. It may be implemented in a second computing device different from the device.
  • the menu combination recommendation module 100 may be performed on a specific computing device on-device, on a server, or on a cloud system.
  • the menu combination recommendation module 100 may be implemented as hardware and/or software that performs a menu combination recommendation method. In other words, the menu combination recommendation module 100 may be implemented as a hardware module and/or a software module.
  • the data collection unit 110 may collect data for recommending a menu combination. According to some embodiments, the data collection unit 110 may collect first data including consumer transaction information and second data including external environment information.
  • the first data may be POS data extracted from a POS terminal.
  • the first data may include a plurality of transaction information.
  • Each transaction information may include information about the configuration of a menu actually ordered by the consumer.
  • the transaction information may include sales date information, sales day information, sales time information, menu information, and/or sales quantity information.
  • the second data may include temperature information, weather information, season information, precipitation information, location information, population information, and/or trade area information.
  • the information included in the first data and the second data is not limited to the above example, and the first data and the second data may include various types of information in addition to the above information.
  • the data pre-processing unit 120 may pre-process and classify collected data for correlation analysis. According to some embodiments, the data pre-processing unit 120 may filter the collected data. For example, if the number of menus included in the first transaction information exceeds a predetermined number, the data pre-processing unit 120 may filter and exclude the items from the relevance analysis.
  • the data preprocessor 120 may classify data based on specific analysis conditions. For example, the data pre-processing unit 120 may classify the first data based on date, day, time, temperature, weather, season, precipitation, location, population, and/or trade area information.
  • the data pre-processing unit 120 may standardize the collected data according to a predetermined format.
  • the data pre-processing unit 120 may standardize the POS data collected from the POS terminal by appropriately processing rows/columns in a predetermined format for correlation analysis.
  • the data pre-processing unit 120 may classify at least some of individual menus, shared menus, and side menus from the collected first data (transaction information) according to predetermined keywords.
  • the individual menu means a menu used by an individual alone
  • the shared menu means a menu used by a plurality of people together
  • the side menu means a menu additionally used by consumers.
  • the individual menus may mean rice soup, pork cutlet, ramen, etc., which are usually food menus consumed by one person.
  • the shared menu may refer to hotpot, soup, steamed food, etc., which are food menus consumed by a plurality of people.
  • the side menu may refer to dumplings, french fries, and the like additionally ordered when ordering food.
  • the data pre-processing unit 120 may classify the transaction information into sharing menu data including the sharing menu and individual menu data not including the sharing menu, depending on whether the sharing menu is included.
  • the data pre-processing unit 120 may estimate the number of people using the individual menu data according to the number of individual menus included in the individual menu data, and classify into set data for each estimated number of people. For example, if the individual menu data includes one individual menu, the data pre-processing unit 120 classifies the individual menu data as single-person set data, and if the individual menu data includes two individual menus, The individual menu data may be classified as set data for two persons.
  • the data analyzer 130 may analyze the degree of association between menus based on the data classified by the data preprocessor 120 . According to some embodiments, the data analyzer 130 may calculate support, confidence, and lift between menus and analyze the degree of association between menus using the calculations.
  • the support degree means the probability that menus are simultaneously included in the entire data. Support can be used to reduce the amount of computation by finding appropriate rules or filtering out unnecessary data. In other words, menus with relatively high support (menus with a high probability of occurring simultaneously) are used for correlation analysis because they are meaningful data, and menus with relatively low support (menus with a small probability of occurring simultaneously) are not meaningful data, so they are correlated with each other. can also be excluded from the analysis.
  • the data analysis unit 130 may calculate the support of menu X and menu Y using Equation 1 below.
  • the support of menu X and menu Y represents the frequency at which menu X and menu Y occur simultaneously.
  • Reliability means the probability that a posterior variable occurs when a prior variable occurs.
  • reliability is the conditional probability of the prior variable and the posterior variable.
  • the reliability of menu X and menu Y is the probability of purchasing menu Y under the condition that menu X is purchased, that is, the conditional probability.
  • the data analyzer 130 may calculate the reliability of menu X and menu Y using Equation 2 below.
  • the level of improvement is an index for determining whether the inclusion of menus is due to chance.
  • the data analyzer 130 may calculate the degree of improvement of menu X and menu Y using Equation 3 below.
  • the degree of improvement is 1. In addition, if the degree of improvement of menu X and menu Y is greater than 1, it means that there is a meaningful result in the correlation analysis, and if the degree of improvement of menu X and menu Y is less than 1, it means that there is no correlation with each other.
  • the data analysis unit 130 analyzes the degree of association between the menus using support, confidence, and lift between the menus, and based on this, a menu combination having a high degree of relevance is selected. can recommend
  • menu combination recommendation method according to some embodiments of the present invention will be described in detail using flowcharts and exemplary drawings.
  • the menu combination recommendation method according to some embodiments of the present invention may be performed by omitting some steps of the flowcharts shown in this specification or by adding specific steps not shown in this specification.
  • the menu combination recommendation method according to some embodiments of the present invention does not necessarily need to be performed in the order of the flowcharts shown in this specification, and may be performed by changing the order of specific steps or simultaneously.
  • Those skilled in the art will be able to implement the embodiments of the present invention through various modifications without departing from the scope of the present invention.
  • FIG. 2 is a diagram for explaining a menu combination recommendation method according to some embodiments of the present invention.
  • the data collection unit 110 may collect data (S100).
  • the data collection unit 110 may collect first data including purchase history information of the consumer.
  • the first data may include POS data
  • the POS data may include a plurality of transaction information.
  • Each transaction information may include sales date information, sales time information, menu information, and/or sales quantity information.
  • FIG 3 is an exemplary diagram for explaining first data according to some embodiments of the present invention.
  • first data may include a plurality of transaction information, and each transaction information may include sales date information, sales time information, menu information, sales quantity information, and the like.
  • first transaction information PI_1 may include information about payment for one menu A, one menu B, and one menu C at 10:48:53 on 2021-07-01.
  • second transaction information PI_2
  • PI_3 may include information for which a total of 11,000 won was paid for one menu A and two menu D at 11:02:43 on July 1, 2021.
  • the first data (POS data) includes a plurality of transaction information, and each transaction information may include sales date information, sales time information, menu information, and sales quantity information.
  • each transaction information may include sales date information, sales time information, menu information, and sales quantity information.
  • this description is merely exemplary, and the format of the first data (POS data) is not limited to the format of FIG. 3 .
  • the arrangement of corresponding information may vary depending on the type of POS terminal, and various information such as payment card number information may be included in the first data (POS data) in addition to the items shown.
  • the data collection unit 110 may collect second data including external environment information.
  • the second data may include temperature information, weather information, season information, precipitation information, location information, population information, and/or trade area information.
  • the collected second data may be referred to in classification of data for correlation analysis.
  • the data pre-processing unit 120 may classify the collected data by performing pre-processing (S110). For a description of the preprocessing process, further reference is made to FIG. 4 .
  • FIG. 4 is a diagram for explaining a pre-processing process of a data pre-processing unit according to some embodiments of the present invention.
  • the data pre-processing unit 120 may filter the collected data (S111).
  • the data pre-processing unit 120 may filter data through various criteria. For example, the data pre-processing unit 120 may determine whether or not there is an error in the collected data and filter data including the error. For another example, the data pre-processing unit 120 may filter out data that is inappropriate for performing correlation analysis in the collected data. Further explanation will be made with reference to FIG. 5 .
  • FIG. 5 is a diagram for explaining a data filtering process of a data pre-processing unit according to some embodiments of the present invention.
  • the data pre-processing unit 120 may extract the number of menus included in each transaction information from the collected data (S111_1). Subsequently, the data pre-processing unit 120 may determine whether the number of extracted menus is less than the first number (S111_2). When the number of extracted menus is less than the first number, the data pre-processing unit 120 may use the corresponding transaction information for correlation analysis (S111_3). On the other hand, when the number of extracted menus is equal to or greater than the first number, the data pre-processing unit 120 may not use the corresponding transaction information for correlation analysis.
  • the data pre-processing unit 120 may filter the corresponding transaction information (S111_4).
  • the first transaction information (PI_1) has a total of three menus
  • the second transaction information (PI_2) has a total of two menus
  • the third transaction information (PI_3) has a menu
  • the total number is 3.
  • the data pre-processing unit 120 may filter the first transaction information PI_1 and the third transaction information PI_3 and use only the second transaction information PI_2 for correlation analysis.
  • determining the first number as 3 is just an example for convenience of explanation, and the first number may be appropriately determined according to circumstances.
  • the data pre-processing unit 120 may exclude data that deviate from a normal transaction pattern from relevance analysis based on whether the number of menus included in the transaction information exceeds the first number. .
  • the data pre-processing unit 120 may classify data based on analysis conditions (S112). Further reference is made to FIG. 6 .
  • FIG. 6 is a diagram for explaining a method of classifying data according to a specific condition by a data pre-processing unit according to some embodiments of the present invention.
  • the data pre-processing unit 120 may classify the first data (POS data) according to a specific condition. For example, the data pre-processing unit 120 may classify data by date, data by day, and/or data by time using date information, day information, and/or time information included in the first data (POS data). there is. For example, the data pre-processing unit 120 may separately classify only data sold in July using date information included in the first data (POS data).
  • the data pre-processing unit 120 may further use the second data (external data) to classify the first data (POS data).
  • the data pre-processing unit 120 uses temperature information, weather information, season information, precipitation information, location information, population information, and/or trade area information included in the second data (external data) to obtain first data.
  • POS data can be classified into data by temperature, data by weather, data by season, data by precipitation, data by location, data by population, and/or data by commercial district.
  • the data pre-processing unit 120 may classify data included in the first data (POS data) on a day when the precipitation lasted 30 mm or more with reference to the second data (external data).
  • analysis conditions are exemplary, and the embodiments are not limited thereto.
  • a person skilled in the art may analyze various purchase patterns of consumers by classifying data according to appropriately selected analysis conditions.
  • the data pre-processing unit 120 may standardize the first data according to a predetermined format (S113). According to some embodiments, the data pre-processing unit 120 may standardize the first data to facilitate correlation analysis. Further reference is made to FIG. 7 .
  • FIG. 7 is an exemplary diagram for explaining standardized first data according to some embodiments of the present invention.
  • the data pre-processing unit 120 appropriately transforms the first data (POS data) to generate standardized first data (standardized POS data) that is easy to analyze the degree of association.
  • the data pre-processing unit 120 standardizes the sales date information, sales time information, sales quantity information, and menu information included in the first data (POS data) in the same row (first data ( standardized POS data) can be created.
  • sales quantity information and menu information may be generated as binary code variables.
  • the data pre-processing unit 120 may classify the menus included in the first data into individual menus, shared menus, and side menus based on predetermined keywords (S114).
  • individual menus refer to menus used exclusively by individuals
  • shared menus refer to menus used by a plurality of people together
  • side menus refer to menus additionally used by consumers.
  • the data pre-processing unit 120 classifies a menu including the keyword 'gukbap' as an individual menu, classifies a menu including the keyword 'steamed' as a shared menu, and classifies a menu including the keyword 'dumplings' as an individual menu. It can be classified as a side menu. This is simply an example, and keywords may be appropriately adjusted according to the user's situation and sales items.
  • the data pre-processing unit 120 may classify the first data into shared menu data and individual menu data based on whether a shared menu is included in the transaction information included in the first data (S115). For example, when a sharing menu is included in the first transaction information, the data pre-processing unit 120 may classify the first transaction information as sharing menu data. Also, when the shared menu is not included in the second transaction information, the data pre-processing unit 120 may classify the second transaction information as individual menu data.
  • the shared menu data may be used to analyze the degree of association with a shared menu combination, and the individual menu data may be used to analyze the degree of association with an individual menu combination.
  • the shared menu combination refers to a combination of a shared menu and a side menu and/or a combination of a shared menu and individual menus. Also, the individual menu combination means a combination of an individual menu and a side menu and/or a combination of an individual menu and an individual menu.
  • the data pre-processing unit 120 may estimate the number of people using the individual menu data based on the number of individual menus included in the individual menu data, and classify the set data for each estimated number of people (S116). For example, when one individual menu is included in the first individual menu data, the data pre-processing unit 120 presumes that the first individual menu data is used by one person and classifies it as set data for one person. . In this case, the first individual menu data may include information about individual menus and information about side menus. When two or more individual menus are included in the second individual menu data, the data pre-processing unit 120 may classify the second individual menu data as set data for multiple users.
  • the multi-person set data may include information on the first individual menu and information on the second individual menu, and may optionally include information on the side menu.
  • the data analyzer 130 may calculate a degree of association for each menu using the preprocessed data (S120).
  • the data analysis unit 130 uses the preprocessed data to determine the relationship between individual menus and individual menus, the relationship between individual menus and side menus, the relationship between shared menus and individual menus, and sharing The degree of association between the menu and the side menu can be calculated.
  • the data analyzer 130 may calculate the degree of association for each menu by calculating the degree of support, reliability, and improvement described above. In this case, the data analyzer 130 may first calculate the support between menus and additionally filter the data based on the calculation in order to reduce the amount of calculation of the degree of relevance. Further reference is made to FIG. 8 .
  • FIG. 8 is a diagram for explaining an additional filtering process for reducing the amount of calculations according to some embodiments of the present invention.
  • the data analysis unit 130 may first calculate the degree of support between menus (S121). According to some embodiments, the data analyzer 130 may calculate a first support between individual menus and individual menus. Also, the data analyzer 130 may calculate a second support between the individual menu and the side menu. Also, the data analyzer 130 may calculate a third support between the shared menu and the individual menu. Also, the data analyzer 130 may calculate a fourth support between the share menu and the side menu.
  • the data analysis unit 130 may additionally filter the data based on the first to fourth support degrees (S122). For example, the data analyzer 130 may exclude the first to fourth support values from the data if they are less than or equal to the first value.
  • the fact that the first to fourth support degrees are relatively low means that the probability that the two menus occur simultaneously is low. Therefore, this can be regarded as a low correlation between the two menus, and it may not be necessary to calculate reliability and improvement. Accordingly, the data analyzer 130 may additionally filter the data based on the degree of support, thereby omitting the calculation of the degree of reliability and degree of improvement.
  • the data analysis unit 130 may calculate the degree of association between the menus through the degree of reliability and improvement only when the first to fourth degrees of support exceed the first value (S123).
  • the data analysis unit 130 may recommend a menu combination having a relatively high relevance (S130).
  • the data analyzer 130 may recommend a menu combination having a greater degree of reliability and improvement than average values. It will be described in detail with further reference to FIGS. 9 to 11 .
  • 9 to 11 are diagrams for explaining a menu combination recommendation process according to some embodiments of the present invention.
  • the data analyzer 130 may analyze a first degree of association between a shared menu and an individual menu in shared menu data (S124). For example, the data analysis unit 130 sets the shared menu as a pre-variable and the individual menu as a post-variable to calculate the reliability and improvement between the shared menu and the individual menu, and based on this, the first degree of association. can decide However, if an individual menu is not included in the shared menu data, the corresponding process may be omitted.
  • the data analysis unit 130 may analyze a second degree of association between the sharing menu and the side menu in the sharing menu data (S125). For example, the data analysis unit 130 sets the share menu as a pre-variable and the side menu as a post-variable to calculate the reliability and improvement between the share menu and the side menu, and based on this, the second degree of association. can decide However, if the side menu is not included in the shared menu data, the corresponding process may be omitted.
  • the data analysis unit 130 may determine a menu combination having a relatively high degree of relevance as a sharing menu combination and recommend it (S131).
  • the recommended combination of shared menus may include any one of a combination of a shared menu and an individual menu, a combination of a shared menu and a side menu, and a combination of a shared menu, an individual menu and a side menu.
  • the data analyzer 130 may analyze a third degree of association between individual menus and side menus in set data for one person (S126). For example, the data analysis unit 130 sets individual menus as pre-variables and side menus as post-variables to calculate reliability and improvement between individual menus and side menus, and based on this, a third degree of association. can decide
  • the data analysis unit 130 may determine a menu combination having a relatively high degree of relevance as a one-person menu combination and recommend it (S132).
  • the recommended menu combination for one person may include a combination of individual menus and side menus.
  • the data analyzer 130 may analyze a fourth degree of association between the first individual menu and the second individual menu in set data for multi-person use (S127). For example, the data analysis unit 130 sets the first individual menu as a pre-variable and the second individual menu as a post-variable to calculate reliability and improvement between the first individual menu and the second individual menu, , it is possible to determine the fourth degree of association based on this.
  • the data analyzer 130 may analyze a fifth degree of association between the first and second individual menus and the side menu in the multi-person set data (S128). However, if the side menu is not included in the set data for multiplayer, the corresponding process may be omitted.
  • the data analysis unit 130 may determine a menu combination having a relatively high degree of relevance as a multi-menu combination and recommend it (S133).
  • the recommended combination of dinning menus may include any one of a combination of a first individual menu and a second individual menu, a combination of a first individual menu, a second individual menu, and a side menu.
  • the menu combination recommendation method combines menus that consumers actually prefer to purchase together, thereby promoting consumers' willingness to purchase and thereby increasing business operators' sales.
  • the menu combination recommendation method combines menus by reflecting consumers' purchase patterns that change according to external environments such as weather, season, population, etc., thereby promoting consumers' willingness to purchase, and eventually can increase sales.
  • the menu combination recommendation method provides a combination of appropriate menus according to the number of consumers, thereby promoting consumers' willingness to purchase and thereby increasing business operators' sales.
  • the menu combination recommendation method classifies data in advance through a data pre-processing process and performs relevance analysis using the classified data, thereby dramatically reducing the amount of computation for relevance analysis, You can reduce the budget for operations.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 메뉴 조합 추천 방법에 관한 것이다. 상기 메뉴 조합 추천 방법은 거래 정보가 포함된 제1 데이터를 수집하는 단계, 상기 제1 데이터를 전처리하여, 상기 제1 데이터를 분류하는 단계, 상기 분류된 제1 데이터에 포함된 메뉴들 사이의 연관도를 계산하는 단계, 및 상기 계산된 연관도에 기초하여, 메뉴 조합을 추천하는 단계를 포함한다.

Description

메뉴 조합 추천 방법
본 발명은 메뉴 조합 추천 방법에 관한 것이다. 더욱 구체적으로 본 발명은 메뉴들 간의 연관도를 분석하여, 매출 증가에 시너지 효과를 일으킬 수 있는 메뉴 조합을 추천하기 위한 방법에 대해 개시한다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
소비자의 구매 촉진을 위한 프로모션은 다양하게 수행될 수 있다. 일부 산업에서는 복수개의 메뉴를 조합하여, 세트 메뉴를 출시하여 소비자의 구매 촉진을 야기하고 있다. 특히, 요식업계에는 소비자가 흔히 소비하는 메뉴들을 세트 메뉴로 구성하고 이에 대한 프로모션을 제공함으로써, 애초에 단일 메뉴를 구매하고자 했던 소비자도 세트 메뉴를 구매하도록 유도하고 있다.
그러나, 이러한 세트 메뉴의 구성은 오로지 사업자 또는 본사의 경험칙으로 결정되며, 세트 메뉴의 구성에 대한 철저한 분석이 이루어지지 않고 있다. 또한, 기온, 날씨, 계절, 상권, 인구 정보 등 외부 환경에 따라 소비자는 구매 패턴이 변경될 수 있음에도 불구하고, 기존의 세트 메뉴의 구성은 획일화되어 있어 이를 반영할 수 없다는 문제점이 있다.
본 발명의 목적은, 소비자가 실제로 함께 구매하는 것을 선호하는 메뉴의 조합을 통해, 소비자의 구매 의욕을 촉진시키는 메뉴 조합 방법을 제공하여 사업자의 매출을 증가시키는 것이다.
또한, 본 발명의 목적은, 날씨, 계절, 인구 등 외부 환경에 따라 변화되는 소비자의 구매 패턴을 반영한 메뉴 조합을 통해, 소비자의 구매 의욕을 촉진시키는 방법을 제공하여 사업자의 매출을 증가시키는 것이다.
또한, 본 발명의 목적은, 소비자의 인원 수에 따라 적절한 메뉴의 조합을 통해, 소비자의 구매 의욕을 촉진시키는 방법을 제공하여 사업자의 매출을 증가시키는 것이다.
또한, 본 발명의 목적은, 데이터 전처리 과정을 통해 미리 데이터를 분류하고, 분류된 데이터를 이용하여 연관도 분석을 수행함으로써, 연관도 분석을 위한 연산량을 획기적으로 감소시키는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법은 거래 정보가 포함된 제1 데이터를 수집하는 단계, 상기 제1 데이터를 전처리하여, 상기 제1 데이터를 분류하는 단계, 상기 분류된 제1 데이터에 포함된 메뉴들 사이의 연관도를 계산하는 단계, 및 상기 계산된 연관도에 기초하여, 메뉴 조합을 추천하는 단계를 포함한다.
또한, 상기 제1 데이터를 분류하는 단계는, 상기 제1 데이터에 포함된 메뉴의 개수를 추출하는 단계, 및 상기 추출된 메뉴의 개수에 기초하여, 상기 제1 데이터를 필터링하는 단계를 포함할 수 있다.
또한, 상기 연관도를 계산하는 단계는, 상기 제1 데이터에 포함된 복수의 메뉴 사이의 지지도를 계산하는 단계, 및 상기 계산된 지지도에 따라 상기 제1 데이터를 추가 필터링하는 단계를 포함할 수 있다.
또한, 상기 제1 데이터를 분류하는 단계는, 상기 제1 데이터에 포함된 날짜 정보, 요일 정보 및 시간 정보 중 적어도 하나에 기초하여, 상기 제1 데이터를 분류하는 단계를 포함할 수 있다.
또한, 외부로부터 제2 데이터를 수집하는 단계를 더 포함하고, 상기 제1 데이터를 분류하는 단계는, 상기 제2 데이터에 포함된 기온 정보, 날씨 정보, 계절 정보, 강수량 정보, 위치 정보, 인구 정보 및 상권 정보 중 적어도 하나에 기초하여, 상기 제1 데이터를 분류하는 단계를 포함할 수 있다.
또한, 상기 제1 데이터를 분류하는 단계는, 미리 정한 키워드를 기초로, 상기 제1 데이터에 포함된 메뉴를 개별 메뉴, 공유 메뉴 및 사이드 메뉴 중 하나로 분류하는 단계를 포함할 수 있다.
또한, 상기 제1 데이터를 분류하는 단계는, 상기 제1 데이터에 상기 공유 메뉴의 포함 여부를 기초로, 상기 제1 데이터를 공유 메뉴 데이터와 개별 메뉴 데이터로 분류하는 단계를 포함할 수 있다.
또한, 상기 개별 메뉴 데이터에 포함된 개별 메뉴의 개수에 기초하여, 상기 개별 메뉴 데이터를 이용한 인원수를 추정하고, 추정된 인원수 별 세트 데이터를 분류하는 단계를 더 포함할 수 있다.
또한, 상기 연관도를 계산하는 단계는, 상기 개별 메뉴와 상기 사이드 메뉴의 연관도를 계산하는 단계를 포함할 수 있다.
또한, 상기 연관도를 계산하는 단계는, 상기 공유 메뉴와 상기 사이드 메뉴의 연관도를 계산하는 단계를 포함할 수 있다.
또한, 상기 연관도를 계산하는 단계는, 복수의 개별 메뉴 사이의 연관도를 계산하는 단계를 포함할 수 있다.
본 발명의 메뉴 조합 추천 방법은, 소비자가 실제로 함께 구매하는 것을 선호하는 메뉴를 조합하여, 소비자의 구매 의욕을 촉진하고 이에 따라 사업자의 매출을 증가시킬 수 있다.
본 발명의 메뉴 조합 추천 방법은, 날씨, 계절, 인구 등 외부 환경에 따라 변화하는 소비자의 구매 패턴을 반영하여 메뉴를 조합하고, 이에 따라 소비자의 구매 의욕을 촉진하고 결국 사업자의 매출을 증가시킬 수 있다.
본 발명의 메뉴 조합 추천 방법은, 소비자의 인원수에 따라 적절한 메뉴의 조합을 제공함으로써, 소비자의 구매 의욕을 촉진하고, 이에 따라 사업자의 매출을 증가시킬 수 있다.
본 발명의 메뉴 조합 추천 방법은, 데이터 전처리 과정을 통해 미리 데이터를 분류하고, 분류된 데이터를 이용하여 연관도 분석을 수행함으로써, 연관도 분석을 위한 연산량을 획기적으로 감소시킴으로써, 연산에 대한 버짓을 감소시킬 수 있다.
상술한 내용과 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법을 실시하기 위한 모듈을 설명하기 위한 도면이다.
도 2는 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 몇몇 실시예에 따른 제1 데이터를 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 몇몇 실시예에 따른 데이터 전처리부의 전처리과정을 설명하기 위한 도면이다.
도 5는 본 발명의 몇몇 실시예에 따른 데이터 전처리부의 데이터 필터링과정을 설명하기 위한 도면이다.
도 6은 본 발명의 몇몇 실시예에 따른 데이터 전처리부가 특정 조건에 따라 데이터를 분류하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 몇몇 실시예에 따른 표준화된 제1 데이터를 설명하기 위한 예시적인 도면이다.
도 8은 본 발명의 몇몇 실시예에 따른 연산량 감소를 위한 추가 필터링 과정을 설명하기 위한 도면이다.
도 9 내지 도 11은 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 과정을 설명하기 위한 도면이다.
본 명세서 및 특허청구범위에서 사용된 용어나 단어는 일반적이거나 사전적인 의미로 한정하여 해석되어서는 아니된다. 발명자가 그 자신의 발명을 최선의 방법으로 설명하기 위해 용어나 단어의 개념을 정의할 수 있다는 원칙에 따라, 본 발명의 기술적 사상과 부합하는 의미와 개념으로 해석되어야 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명이 실현되는 하나의 실시예에 불과하고, 본 발명의 기술적 사상을 전부 대변하는 것이 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 및 응용 가능한 예들이 있을 수 있음을 이해하여야 한다.
본 명세서 및 특허청구범위에서 사용된 제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. '및/또는' 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서 및 특허청구범위에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호 간 모순되지 않는 범위 내에서 공유될 수 있다.
이하에서, 도 1 내지 도 11을 참조하여 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법에 대해 살펴보도록 한다.
도 1은 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법을 실시하기 위한 모듈을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 모듈(100)은 데이터 수집부(110), 데이터 전처리부(120) 및 데이터 분석부(130)를 포함할 수 있다. 용어'메뉴'는 '음식 메뉴'를 지칭할 수 있으나, 실시예들이 이에 제한되는 것은 아니다.
메뉴 조합 추천 모듈(100)은 하나 이상의 장치에서 구현될 수 있다. 예를 들어, 메뉴 조합 추천 모듈(100)은 데이터 수집부(110), 데이터 전처리부(120) 및 데이터 분석부(130)는 하나의 컴퓨팅 장치에서 함께 구현될 수 있다. 다른 예를 들어, 메뉴 조합 추천 모듈(100)은 데이터 수집부(110), 데이터 전처리부(120) 및 데이터 분석부(130) 중 일부는 제1 컴퓨팅 장치에 구현되고, 다른 일부는 제1 컴퓨팅 장치와 다른 제2 컴퓨팅 장치에서 구현될 수 있다. 몇몇 실시예에 따르면, 메뉴 조합 추천 모듈(100)은 온-디바이스로 특정 컴퓨팅 장치에서 수행되거나, 서버에서 수행되거나, 클라우드 시스템 상에서 수행될 수 있다. 또한, 메뉴 조합 추천 모듈(100)은 메뉴 조합 추천 방법을 수행하는 하드웨어 및/또는 소프트웨어로 구현될 수 있다. 다시 말해서, 메뉴 조합 추천 모듈(100)은 하드웨어 모듈 및/또는 소프트웨어 모듈로 구현될 수 있다.
데이터 수집부(110)는 메뉴 조합 추천을 위한 데이터를 수집할 수 있다. 몇몇 실시예에 따르면, 데이터 수집부(110)는 소비자의 거래 정보가 포함된 제1 데이터와, 외부 환경 정보가 포함된 제2 데이터를 수집할 수 있다.
예를 들어, 제1 데이터는 POS 단말기에서 추출된 POS 데이터일 수 있다. 몇몇 실시예에 따르면 제1 데이터는 복수의 거래 정보를 포함할 수 있다. 각각의 거래 정보는 소비자가 실제로 주문한 메뉴의 구성에 관한 정보를 포함할 수 있다. 다시 말해서, 거래 정보는 판매일자 정보, 판매요일 정보, 판매시간 정보, 메뉴 정보 및/또는 판매수량 정보를 포함할 수 있다.
또한, 예를 들어, 제2 데이터는 기온 정보, 날씨 정보, 계절 정보, 강수량 정보, 위치 정보, 인구 정보 및/또는 상권 정보를 포함할 수 있다. 다만, 제1 데이터 및 제2 데이터가 포함하는 정보는 상술한 예시에 제한되지 않으며, 제1 데이터 및 제2 데이터는 상술한 정보 외에도 다양한 정보를 포함할 수 있다.
데이터 전처리부(120)는 연관도 분석을 위해 수집된 데이터를 전처리하여 분류할 수 있다. 몇몇 실시예에 따르면, 데이터 전처리부(120)는 수집된 데이터를 필터링할 수 있다. 예를 들어, 데이터 전처리부(120)는 제1 거래 정보에 포함된 메뉴의 개수가 미리 정한 개수를 초과하는 경우, 이를 필터링하여 연관도 분석에서 제외시킬 수 있다.
몇몇 실시예에 따르면, 데이터 전처리부(120)는 특정 분석 조건을 기초로, 데이터를 분류할 수 있다. 예를 들어, 데이터 전처리부(120)는 날짜, 요일, 시간, 기온, 날씨, 계절, 강수량, 위치, 인구 및/또는 상권 정보에 기초하여 제1 데이터를 분류할 수 있다.
몇몇 실시예에 따르면, 데이터 전처리부(120)는 미리 정한 양식에 따라 수집된 데이터를 표준화할 수 있다. 예를 들어, 데이터 전처리부(120)는 POS 단말기로부터 수집한 POS 데이터를 연관도 분석을 위해 미리 정한 양식으로 행/열을 적절히 가공하여 표준화할 수 있다.
몇몇 실시예에 따르면, 데이터 전처리부(120)는 미리 정한 키워드에 따라, 수집한 제1 데이터(거래 정보)에서 개별 메뉴, 공유 메뉴 및 사이드 메뉴 중 적어도 일부를 분류할 수 있다. 이때, 개별 메뉴는 개인이 단독으로 이용하는 메뉴를 의미하고, 공유 메뉴는 복수의 인원이 함께 이용하는 메뉴를 의미하고, 사이드 메뉴는 소비자가 부가적으로 이용하는 메뉴를 의미한다. 예를 들어, 개별 메뉴는 통상적으로 1인이 섭취하는 음식 메뉴인 국밥, 돈까스, 라면 등을 의미할 수 있다. 또한, 예를 들어, 공유 메뉴는 복수의 인원이 섭취하는 음식 메뉴인 전골, 탕, 찜 등을 의미할 수 있다. 또한, 예를 들어, 사이드 메뉴는 음식을 주문할 때 부가적으로 주문하는 만두, 감자튀김 등을 의미할 수 있다.
몇몇 실시예에 따르면, 데이터 전처리부(120)는 공유 메뉴의 포함 여부에 따라, 거래 정보를 공유 메뉴가 포함된 공유 메뉴 데이터와, 공유 메뉴가 불포함된 개별 메뉴 데이터로 분류할 수 있다. 또한, 데이터 전처리부(120)는 개별 메뉴 데이터에 포함된 개별 메뉴의 개수에 따라 상기 개별 메뉴 데이터를 이용한 인원 수를 추정하고, 추정된 인원수 별 세트 데이터로 분류할 수 있다. 예를 들어, 데이터 전처리부(120)는 개별 메뉴 데이터에 개별 메뉴가 1개 포함된 경우, 해당 개별 메뉴 데이터를 1인용 세트 데이터로 분류하고, 개별 메뉴 데이터에 개별 메뉴가 2개 포함된 경우, 해당 개별 메뉴 데이터를 2인용 세트 데이터로 분류할 수 있다.
데이터 분석부(130)는 데이터 전처리부(120)에서 분류된 데이터를 기초로, 메뉴들 사이의 연관도를 분석할 수 있다. 몇몇 실시예에 따르면, 데이터 분석부(130)는 메뉴들 사이의 지지도(support), 신뢰도(confidence) 및 향상도(lift)를 계산하고 이를 이용하여 메뉴들 사이의 연관도를 분석할 수 있다.
지지도는 전체 데이터에서 메뉴들이 동시에 포함되어 있을 확률을 의미한다. 지지도는 적절한 규칙을 찾거나, 불필요한 데이터를 필터링하여 연산량을 감소시키기 위해 이용될 수 있다. 다시 말해서, 지지도가 상대적으로 높은 메뉴(동시에 발생할 확률이 큰 메뉴)들은 유의미한 데이터이므로 연관도 분석에 이용되고, 지지도가 상대적으로 낮은 메뉴(동시에 발생할 확률이 작은 메뉴)들은 유의미한 데이터가 아니므로 이를 연관도 분석에 제외시킬 수 있다.
몇몇 실시예에 따르면, 데이터 분석부(130)는 아래 수학식 1을 이용하여 메뉴 X와 메뉴 Y의 지지도를 계산할 수 있다.
[수학식 1]
Figure PCTKR2022009430-appb-I000001
(
Figure PCTKR2022009430-appb-I000002
: 메뉴 X와 메뉴 Y의 지지도,
Figure PCTKR2022009430-appb-I000003
: 데이터에 메뉴 X와 메뉴 Y가 모두 포함되어 있는 개수,
Figure PCTKR2022009430-appb-I000004
: 전체 데이터의 개수)
다시 말해서, 메뉴 X와 메뉴 Y의 지지도는 메뉴 X와 메뉴 Y가 동시에 발생하는 빈도를 나타낸다.
신뢰도는 사전 변수가 발생하였을 때, 사후 변수가 발생할 확률을 의미한다. 다시 말해서, 신뢰도는 사전 변수와 사후 변수의 조건부 확률이다. 예를 들어, 사전 변수를 메뉴 X, 사후 변수를 메뉴 Y로 결정한 경우, 메뉴 X와 메뉴 Y의 신뢰도는 메뉴 X를 구매하였다는 조건 하에서, 메뉴 Y를 구매할 확률, 즉 조건부 확률
Figure PCTKR2022009430-appb-I000005
이 된다. 비록 본 명세서에서는 사전 변수와 사후 변수를 각각 하나의 변수만 포함하는 것으로 설명하였으나, 실시예들이 이에 제한되는 것은 아니다. 사전 변수와 사후 변수는 각각 하나 이상의 변수를 포함할 수 있다.
몇몇 실시예에 따르면, 데이터 분석부(130)는 아래 수학식 2를 이용하여 메뉴 X와 메뉴 Y의 신뢰도를 계산할 수 있다.
[수학식 2]
Figure PCTKR2022009430-appb-I000006
(
Figure PCTKR2022009430-appb-I000007
: 메뉴 X와 메뉴 Y의 신뢰도,
Figure PCTKR2022009430-appb-I000008
: 데이터에 메뉴 X와 메뉴 Y가 모두 포함되어 있는 개수,
Figure PCTKR2022009430-appb-I000009
: 데이터에 메뉴 X가 포함되어 있는 개수)
향상도는 메뉴들이 포함되어 있는 것이 우연에 의한 것인지를 판별하는 지표가 된다. 몇몇 실시예에 따르면, 데이터 분석부(130)는 아래 수학식 3을 이용하여 메뉴 X와 메뉴 Y의 향상도를 계산할 수 있다.
[수학식 3]
Figure PCTKR2022009430-appb-I000010
(
Figure PCTKR2022009430-appb-I000011
: 메뉴 X와 메뉴 Y의 향상도,
Figure PCTKR2022009430-appb-I000012
: 데이터에 메뉴 X와 메뉴 Y가 모두 포함되어 있는 개수,
Figure PCTKR2022009430-appb-I000013
: 데이터에 메뉴 X가 포함되어 있는 개수,
Figure PCTKR2022009430-appb-I000014
: 데이터에 메뉴 Y가 포함되어 있는 개수,
Figure PCTKR2022009430-appb-I000015
: 전체 데이터의 개수)
만약 메뉴 X와 메뉴 Y가 확률적 독립인 경우, 향상도는 1이 된다. 또한, 메뉴 X와 메뉴 Y의 향상도가 1 보다 크면 연관도 분석에 유의미한 결과가 있다는 것이며, 메뉴 X와 메뉴 Y의 향상도가 1 보다 작으면 서로 연관이 없음을 의미한다.
데이터 분석부(130)는 메뉴들 사이의 지지도(support), 신뢰도(confidence) 및 향상도(lift)를 이용하여, 메뉴들 사이의 연관도를 분석하고, 이에 기초하여 연관도가 높은 메뉴 조합을 추천할 수 있다.
이하에서는, 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법에 대해 순서도와 예시적인 도면을 이용하여 구체적으로 살펴본다. 다만, 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법은 본 명세서에 도시된 순서도들의 일부 단계를 생략하여 수행될 수도 있고, 본 명세서에 도시되지 않은 특정 단계를 추가하여 수행될 수 있음은 물론이다. 또한, 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법은 반드시 본 명세서에 도시된 순서도들의 순서로 수행될 필요는 없으며, 특정 단계의 순서를 바꾸어 수행되거나 동시에 수행될 수도 있다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 다양한 변형을 통해 본 발명의 실시예들을 구현할 수 있을 것이다.
도 2는 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법을 설명하기 위한 도면이다.
도 1 및 도 2를 참조하면, 데이터 수집부(110)는 데이터를 수집할 수 있다(S100). 몇몇 실시예에 따르면, 데이터 수집부(110)는 소비자의 구매 이력 정보를 포함하는 제1 데이터를 수집할 수 있다. 예를 들어, 제1 데이터는 POS 데이터를 포함할 수 있고, POS 데이터는 복수의 거래 정보를 포함할 수 있다. 각 거래 정보는 판매일자 정보, 판매시간 정보, 메뉴 정보 및/또는 판매수량 정보를 포함할 수 있다.
도 3은 본 발명의 몇몇 실시예에 따른 제1 데이터를 설명하기 위한 예시적인 도면이다.
도 3을 참조하면, 제1 데이터(POS data)는 복수의 거래 정보를 포함할 수 있고, 각 거래 정보는 판매일자 정보, 판매시간 정보, 메뉴 정보, 판매수량 정보 등을 포함할 수 있다. 예를 들어, 제1 거래 정보(PI_1)는 2021-07-01의 10:48:53에 메뉴 A 1개, 메뉴 B 1개, 메뉴 C 1개 결제된 정보를 포함할 수 있다. 또한, 제2 거래 정보(PI_2)는 2021-07-01의 10:52:02에 메뉴 B 2개 총 14,000원이 결제된 정보를 포함할 수 있다. 또한, 제3 거래 정보(PI_3)는 2021-07-01의 11:02:43에 메뉴 A 1개, 메뉴 D 2개 총 11,000원이 결제된 정보를 포함할 수 있다. 이와 같이, 제1 데이터(POS data)는 복수의 거래 정보를 포함하고, 각 거래 정보는 판매일자 정보, 판매시간 정보, 메뉴 정보 및 판매수량 정보를 포함할 수 있다. 그러나, 이러한 설명은 단순히 예시적인 것이고, 제1 데이터(POS data)의 형식이 도 3의 형식에 한정되는 것은 아니다. POS 단말기의 종류에 따라 해당 정보들의 배열은 달라질 수 있으며, 도시된 항목 외에 결제카드번호 정보 등 다양한 정보들이 제1 데이터(POS data)에 포함될 수 있다.
다시 도 1 및 도 2를 참조하면, 데이터 수집부(110)는 외부 환경 정보를 포함하는 제2 데이터를 수집할 수 있다. 예를 들어, 제2 데이터는 기온 정보, 날씨 정보, 계절 정보, 강수량 정보, 위치 정보, 인구 정보 및/또는 상권 정보를 포함할 수 있다. 수집된 제2 데이터는 연관도 분석을 위한 데이터의 분류에서 참고될 수 있다.
데이터 전처리부(120)는 전처리를 수행하여 수집된 데이터를 분류할 수 있다(S110). 전처리 과정에 대한 설명을 위해, 도 4를 더 참조한다.
도 4는 본 발명의 몇몇 실시예에 따른 데이터 전처리부의 전처리과정을 설명하기 위한 도면이다.
도 1 및 도 4를 참조하면, 데이터 전처리부(120)는 수집된 데이터를 필터링할 수 있다(S111). 데이터 전처리부(120)는 다양한 기준을 통해 데이터를 필터링할 수 있다. 예를 들어, 데이터 전처리부(120)는 수집된 데이터에 오류가 존재하는지 여부를 판별하고, 오류를 포함하는 데이터를 필터링할 수 있다. 다른 예를 들어, 데이터 전처리부(120)는 수집된 데이터에서 연관도 분석을 수행하기에 부적절한 데이터를 필터링할 수 있다. 도 5를 더 참조하여 설명한다.
도 5는 본 발명의 몇몇 실시예에 따른 데이터 전처리부의 데이터 필터링 과정을 설명하기 위한 도면이다.
도 1 및 도 5를 참조하면, 데이터 전처리부(120)는 수집된 데이터에서, 각 거래 정보에 포함된 메뉴 개수를 추출할 수 있다(S111_1). 이어서, 데이터 전처리부(120)는 추출된 메뉴 개수가 제1 개수 미만인지 여부를 판별할 수 있다(S111_2). 추출된 메뉴 개수가 제1 개수 미만인 경우, 데이터 전처리부(120)는 해당 거래 정보를 연관도 분석에 이용할 수 있다(S111_3). 반면, 추출된 메뉴 개수가 제1 개수 이상인 경우, 데이터 전처리부(120)는 해당 거래 정보를 연관도 분석에 이용하지 않을 수 있다. 즉, 추출된 메뉴 개수가 제1 개수 이상인 경우, 데이터 전처리부(120)는 해당 거래 정보를 필터링할 수 있다(S111_4). 예를 들어, 도 3의 POS 데이터에서, 제1 거래 정보(PI_1)는 메뉴 개수가 총 3개이고, 제2 거래 정보(PI_2)는 메뉴 개수가 총 2개이고, 제3 거래 정보(PI_3)는 메뉴 개수가 총 3개이다. 만약 제1 개수가 3이라면, 데이터 전처리부(120)는 제1 거래 정보(PI_1)와 제3 거래 정보(PI_3)를 필터링하고, 제2 거래 정보(PI_2)만 연관도 분석에 이용할 수 있다. 다만, 제1 개수를 3으로 결정한 것은 설명의 편의를 위한 예시일 뿐이며, 제1 개수는 상황에 따라 적절히 결정될 수 있다.
몇몇 실시예에 따르면, 제1 데이터는 실제 소비자가 구매한 이력을 포함하기 때문에, 통상적인 거래 패턴을 벗어나는 구매 이력 역시 포함될 수 있다. 예를 들어, 비주기적으로 발생되는 단체 거래의 경우, 통상적인 거래 패턴을 벗어나는 것으로 볼 수 있으며 이러한 거래 정보는 필터링될 필요가 있다. 따라서, 몇몇 실시예에 따른 데이터 전처리부(120)는 거래 정보에 포함된 메뉴의 개수가 제1 개수를 초과하는지 여부를 기초로, 통상적인 거래 패턴을 벗어나는 데이터를 연관도 분석에서 제외시킬 수 있다.
다시 도 1 및 도 4를 참조하면, 데이터 전처리부(120)는 분석 조건을 기초로 데이터를 분류할 수 있다(S112). 도 6을 더 참조한다.
도 6은 본 발명의 몇몇 실시예에 따른 데이터 전처리부가 특정 조건에 따라 데이터를 분류하는 방법을 설명하기 위한 도면이다.
도 6을 참조하면, 데이터 전처리부(120)는 제1 데이터(POS data)를 특정 조건에 따라 분류할 수 있다. 예를 들어, 데이터 전처리부(120)는 제1 데이터(POS data)에 포함된 날짜 정보, 요일 정보 및/또는 시간 정보를 이용하여, 날짜별 데이터, 요일별 데이터 및/또는 시간별 데이터로 분류할 수 있다. 예를 들어, 데이터 전처리부(120)는 제1 데이터(POS data)에 포함된 날짜 정보를 이용하여, 7월에 판매된 데이터만 따로 분류할 수 있다.
데이터 전처리부(120)는 제2 데이터(external data)를 추가적으로 이용하여, 제1 데이터(POS data)를 분류할 수 있다. 예를 들어, 데이터 전처리부(120)는 제2 데이터(external data)에 포함된 기온 정보, 날씨 정보, 계절 정보, 강수량 정보, 위치 정보, 인구 정보 및/또는 상권 정보를 이용하여, 제1 데이터(POS data)를 기온별 데이터, 날씨별 데이터, 계절별 데이터, 강수량별 데이터, 위치별 데이터, 인구별 데이터 및/또는 상권별 데이터로 분류할 수 있다. 예를 들어, 데이터 전처리부(120)는 제2 데이터(external data)를 참고하여, 제1 데이터(POS data)에서 강수량이 30mm 이상 지속된 날에 포함된 데이터를 분류할 수 있다.
상술한 분석 조건은 예시적인 것이며, 실시예들이 이에 제한되지는 않는다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는, 적절히 선택된 분석 조건에 따라 데이터를 분류하여 소비자의 다양한 구매 패턴을 분석할 수 있다.
다시 도 1 및 도 4를 참조하면, 데이터 전처리부(120)는 미리 정한 양식에 따라 제1 데이터를 표준화할 수 있다(S113). 몇몇 실시예에 따르면 데이터 전처리부(120)는 연관도 분석에 용이하도록 제1 데이터를 표준화할 수 있다. 도 7을 더 참조한다.
도 7은 본 발명의 몇몇 실시예에 따른 표준화된 제1 데이터를 설명하기 위한 예시적인 도면이다.
도 1, 도 3 및 도 7을 참조하면, 데이터 전처리부(120)는 제1 데이터(POS data)를 적절히 변환하여, 연관도 분석에 용이한 표준화된 제1 데이터(standardized POS data)를 생성할 수 있다. 예를 들어, 데이터 전처리부(120)는 제1 데이터(POS data)에 포함된 판매일자 정보, 판매시간 정보, 판매수량 정보 및 메뉴 정보를 동일한 로우(row)에 포함되도록 표준화된 제1 데이터(standardized POS data)를 생성할 수 있다. 이때, 표준화된 제1 데이터(standardized POS data)는 판매수량 정보 및 메뉴 정보가 바이너리 코드 변수로 생성될 수 있다. 예를 들어, 제1 거래 정보(PI_1)에서 메뉴 A(1)의 값이 1이고, 메뉴 A(2)의 값이 0인 것은 메뉴 A가 1개 판매되었다는 것을 의미하며, 제2 거래 정보(PI_2)에서 메뉴 B(1)의 값이 1이고, 메뉴 B(2)의 값이 1인 것은 메뉴 B가 2개 판매되었다는 것을 의미한다. 다만, 이러한 표현은 단순히 예시적인 것일 뿐 실시예들이 이에 제한되는 것은 아니다.
다시 도 1 및 도 4를 참조하면, 데이터 전처리부(120)는 미리 정한 키워드를 기초로, 제1 데이터에 포함된 메뉴를 개별 메뉴, 공유 메뉴 및 사이드 메뉴로 분류할 수 있다(S114). 전술한 바와 같이, 개별 메뉴는 개인이 단독으로 이용하는 메뉴를 의미하고, 공유 메뉴는 복수의 인원이 함께 이용하는 메뉴를 의미하고, 사이드 메뉴는 소비자가 부가적으로 이용하는 메뉴를 의미한다.
예를 들어, 데이터 전처리부(120)는 '국밥'이라는 키워드를 포함한 메뉴를 개별 메뉴로 분류하고, '찜'이라는 키워드를 포함한 메뉴를 공유 메뉴로 분류하고, '만두'라는 키워드를 포함한 메뉴를 사이드 메뉴로 분류할 수 있다. 이는 단순히 예시적으로 설명한 것이며, 키워드는 사용자의 상황 및 판매품목에 따라 적절히 조절될 수 있다.
데이터 전처리부(120)는 제1 데이터에 포함된 거래 정보에, 공유 메뉴가 포함되어 있는지 여부를 기초로 제1 데이터를 공유 메뉴 데이터와 개별 메뉴 데이터로 분류할 수 있다(S115). 예를 들어, 데이터 전처리부(120)는 제1 거래 정보에 공유 메뉴가 포함되어 있는 경우, 제1 거래 정보를 공유 메뉴 데이터로 분류할 수 있다. 또한, 데이터 전처리부(120)는 제2 거래 정보에 공유 메뉴가 포함되어 있지 않은 경우, 제2 거래 정보를 개별 메뉴 데이터로 분류할 수 있다. 공유 메뉴 데이터는 공유 메뉴 조합에 대한 연관도를 분석하는데 이용되고, 개별 메뉴 데이터는 개별 메뉴 조합에 대한 연관도를 분석하는데 이용될 수 있다. 공유 메뉴 조합은 공유 메뉴와 사이드 메뉴의 조합, 및/또는 공유 메뉴와 개별 메뉴의 조합을 의미한다. 또한, 개별 메뉴 조합은 개별 메뉴와 사이드 메뉴의 조합, 및/또는 개별 메뉴와 개별 메뉴의 조합을 의미한다.
이어서, 데이터 전처리부(120)는 개별 메뉴 데이터에 포함된 개별 메뉴 개수를 기초로, 개별 메뉴 데이터를 이용한 인원수를 추정하고, 추정된 인원수 별 세트 데이터를 분류할 수 있다(S116). 예를 들어, 데이터 전처리부(120)는 제1 개별 메뉴 데이터에 개별 메뉴가 1개 포함된 경우, 제1 개별 메뉴 데이터는 1인이 이용한 것으로 추정하고, 이를 1인용 세트 데이터로 분류할 수 있다. 이때, 제1 개별 메뉴 데이터는 개별 메뉴에 대한 정보와 사이드 메뉴에 대한 정보를 포함할 수 있다. 데이터 전처리부(120)는 제2 개별 메뉴 데이터에 개별 메뉴가 2개 이상 포함된 경우, 제2 개별 메뉴 데이터를 다인용 세트 데이터로 분류할 수 있다. 다인용 세트 데이터는 제1 개별 메뉴에 대한 정보와 제2 개별 메뉴에 대한 정보를 포함할 수 있고, 선택적으로 사이드 메뉴에 대한 정보를 포함할 수 있다.
다시 도 1 및 도 2를 참조하면, 데이터 분석부(130)는 전처리된 데이터를 이용하여 메뉴별 연관도를 계산할 수 있다(S120). 몇몇 실시예에 따르면, 데이터 분석부(130)는 전처리된 데이터를 이용하여 개별 메뉴와 개별 메뉴 사이의 연관도, 개별 메뉴와 사이드 메뉴 사이의 연관도, 공유 메뉴와 개별 메뉴 사이의 연관도, 공유 메뉴와 사이드 메뉴 사이의 연관도를 계산할 수 있다. 몇몇 실시예에 따르면, 데이터 분석부(130)는 전술한 지지도, 신뢰도 및 향상도를 계산하여 메뉴별 연관도를 계산할 수 있다. 이때, 데이터 분석부(130)는 연관도 계산의 연산량을 감소시키기 위해, 메뉴 사이의 지지도를 우선 계산하고 이를 기초로 데이터를 추가 필터링할 수 있다. 도 8을 더 참조한다.
도 8은 본 발명의 몇몇 실시예에 따른 연산량 감소를 위한 추가 필터링 과정을 설명하기 위한 도면이다.
도 1 및 도 8을 참조하면, 데이터 분석부(130)는 메뉴들 사이의 지지도를 우선적으로 계산할 수 있다(S121). 몇몇 실시예에 따르면, 데이터 분석부(130)는 개별 메뉴와 개별 메뉴 사이의 제1 지지도를 계산할 수 있다. 또한, 데이터 분석부(130)는 개별 메뉴와 사이드 메뉴 사이의 제2 지지도를 계산할 수 있다. 또한, 데이터 분석부(130)는 공유 메뉴와 개별 메뉴 사이의 제3 지지도를 계산할 수 있다. 또한, 데이터 분석부(130)는 공유 메뉴와 사이드 메뉴 사이의 제4 지지도를 계산할 수 있다.
데이터 분석부(130)는 제1 내지 제4 지지도에 기초하여 데이터를 추가 필터링할 수 있다(S122). 예를 들어, 데이터 분석부(130)는 제1 내지 제4 지지도가 제1 수치 이하인 경우 이를 데이터에서 제외시킬 수 있다. 제1 내지 제4 지지도가 상대적으로 낮은 것은 두 메뉴가 동시에 발생될 확률이 낮은 것을 의미한다. 따라서, 이는 두 메뉴의 연관도가 낮은 것으로 볼 수 있고, 굳이 신뢰도와 향상도가 계산될 필요가 없을 수 있다. 따라서, 데이터 분석부(130)는 지지도를 기초로 데이터를 추가 필터링하여, 신뢰도와 향상도의 연산을 생략할 수 있다.
데이터 분석부(130)는 제1 내지 제4 지지도가 제1 수치를 초과하는 경우에만 신뢰도와 향상도를 통해 메뉴들 사이의 연관도를 계산할 수 있다(S123).
다시 도 1 및 도 2를 참조하면, 데이터 분석부(130)는 연관도가 상대적으로 높은 메뉴 조합을 추천할 수 있다(S130). 예를 들어, 데이터 분석부(130)는 계산된 신뢰도 및 향상도가 평균치보다 큰 메뉴 조합을 추천할 수 있다. 도 9 내지 도 11을 더 참조하여 구체적으로 설명한다.
도 9 내지 도 11은 본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 과정을 설명하기 위한 도면이다.
도 1 및 도 9를 참조하면, 데이터 분석부(130)는 공유 메뉴 데이터에서 공유 메뉴와 개별 메뉴의 제1 연관도를 분석할 수 있다(S124). 예를 들어, 데이터 분석부(130)는 공유 메뉴를 사전 변수로 설정하고, 개별 메뉴를 사후 변수로 설정하여 공유 메뉴와 개별 메뉴 사이의 신뢰도 및 향상도를 계산하고, 이를 기초로 제1 연관도를 결정할 수 있다. 다만, 공유 메뉴 데이터에 개별 메뉴가 포함되지 않은 경우 해당 과정은 생략될 수 있다.
데이터 분석부(130)는 공유 메뉴 데이터에서 공유 메뉴와 사이드 메뉴의 제2 연관도를 분석할 수 있다(S125). 예를 들어, 데이터 분석부(130)는 공유 메뉴를 사전 변수로 설정하고, 사이드 메뉴를 사후 변수로 설정하여 공유 메뉴와 사이드 메뉴 사이의 신뢰도 및 향상도를 계산하고, 이를 기초로 제2 연관도를 결정할 수 있다. 다만, 공유 메뉴 데이터에 사이드 메뉴가 포함되지 않은 경우 해당 과정은 생략될 수 있다.
데이터 분석부(130)는 연관도가 상대적으로 높은 메뉴 조합을 공유 메뉴 조합으로 결정하고, 이를 추천할 수 있다(S131). 다시 말해서, 추천된 공유 메뉴 조합은 공유 메뉴와 개별 메뉴의 조합, 공유 메뉴와 사이드 메뉴의 조합 및 공유 메뉴, 개별 메뉴 및 사이드 메뉴의 조합 중 어느 하나를 포함할 수 있다.
도 1 및 도 10을 참조하면, 데이터 분석부(130)는 1인용 세트 데이터에서 개별 메뉴와 사이드 메뉴의 제3 연관도를 분석할 수 있다(S126). 예를 들어, 데이터 분석부(130)는 개별 메뉴를 사전 변수로 설정하고, 사이드 메뉴를 사후 변수로 설정하여 개별 메뉴와 사이드 메뉴 사이의 신뢰도 및 향상도를 계산하고, 이를 기초로 제3 연관도를 결정할 수 있다.
데이터 분석부(130)는 연관도가 상대적으로 높은 메뉴 조합을 1인 메뉴 조합으로 결정하고, 이를 추천할 수 있다(S132). 다시 말해서, 추천된 1인 메뉴 조합은 개별 메뉴와 사이드 메뉴의 조합을 포함할 수 있다.
도 1 및 도 11을 참조하면, 데이터 분석부(130)는 다인용 세트 데이터에서 제1 개별 메뉴와 제2 개별 메뉴의 제4 연관도를 분석할 수 있다(S127). 예를 들어, 데이터 분석부(130)는 제1 개별 메뉴를 사전 변수로 설정하고, 제2 개별 메뉴를 사후 변수로 설정하여 제1 개별 메뉴와 제2 개별 메뉴 사이의 신뢰도 및 향상도를 계산하고, 이를 기초로 제4 연관도를 결정할 수 있다.
데이터 분석부(130)는 다인용 세트 데이터에서 제1 및 제2 개별 메뉴와, 사이드 메뉴의 제5 연관도를 분석할 수 있다(S128). 다만, 다인용 세트 데이터에 사이드 메뉴가 포함되지 않은 경우 해당 과정은 생략될 수 있다.
데이터 분석부(130)는 연관도가 상대적으로 높은 메뉴 조합을 다인 메뉴 조합으로 결정하고, 이를 추천할 수 있다(S133). 다시 말해서, 추천된 다인 메뉴 조합은 제1 개별 메뉴 및 제2 개별 메뉴의 조합과, 제1 개별 메뉴, 제2 개별 메뉴 및 사이드 메뉴의 조합 중 어느 하나를 포함할 수 있다.
본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법은, 소비자가 실제로 함께 구매하는 것을 선호하는 메뉴를 조합하여, 소비자의 구매 의욕을 촉진하고 이에 따라 사업자의 매출을 증가시킬 수 있다.
본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법은, 날씨, 계절, 인구 등 외부 환경에 따라 변화하는 소비자의 구매 패턴을 반영하여 메뉴를 조합하고, 이에 따라 소비자의 구매 의욕을 촉진하고 결국 사업자의 매출을 증가시킬 수 있다.
본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법은, 소비자의 인원수에 따라 적절한 메뉴의 조합을 제공함으로써, 소비자의 구매 의욕을 촉진하고, 이에 따라 사업자의 매출을 증가시킬 수 있다.
본 발명의 몇몇 실시예에 따른 메뉴 조합 추천 방법은, 데이터 전처리 과정을 통해 미리 데이터를 분류하고, 분류된 데이터를 이용하여 연관도 분석을 수행함으로써, 연관도 분석을 위한 연산량을 획기적으로 감소시킴으로써, 연산에 대한 버짓을 감소시킬 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (11)

  1. 거래 정보가 포함된 제1 데이터를 수집하는 단계;
    상기 제1 데이터를 전처리하여, 상기 제1 데이터를 분류하는 단계;
    상기 분류된 제1 데이터에 포함된 메뉴들 사이의 연관도를 계산하는 단계; 및
    상기 계산된 연관도에 기초하여, 메뉴 조합을 추천하는 단계를 포함하는
    메뉴 조합 추천 방법.
  2. 제1 항에 있어서,
    상기 제1 데이터를 분류하는 단계는,
    상기 제1 데이터에 포함된 메뉴의 개수를 추출하는 단계; 및
    상기 추출된 메뉴의 개수에 기초하여, 상기 제1 데이터를 필터링하는 단계를 포함하는 메뉴 조합 추천 방법.
  3. 제1 항에 있어서,
    상기 연관도를 계산하는 단계는,
    상기 제1 데이터에 포함된 복수의 메뉴 사이의 지지도를 계산하는 단계; 및
    상기 계산된 지지도에 따라 상기 제1 데이터를 추가 필터링하는 단계를 포함하는 메뉴 조합 추천 방법.
  4. 제1 항에 있어서,
    상기 제1 데이터를 분류하는 단계는,
    상기 제1 데이터에 포함된 날짜 정보, 요일 정보 및 시간 정보 중 적어도 하나에 기초하여, 상기 제1 데이터를 분류하는 단계를 포함하는 메뉴 조합 추천 방법.
  5. 제1 항에 있어서,
    외부로부터 제2 데이터를 수집하는 단계를 더 포함하고,
    상기 제1 데이터를 분류하는 단계는,
    상기 제2 데이터에 포함된 기온 정보, 날씨 정보, 계절 정보, 강수량 정보, 위치 정보, 인구 정보 및 상권 정보 중 적어도 하나에 기초하여, 상기 제1 데이터를 분류하는 단계를 포함하는 메뉴 조합 추천 방법.
  6. 제1 항에 있어서,
    상기 제1 데이터를 분류하는 단계는,
    미리 정한 키워드를 기초로, 상기 제1 데이터에 포함된 메뉴를 개별 메뉴, 공유 메뉴 및 사이드 메뉴 중 하나로 분류하는 단계를 포함하는 메뉴 조합 추천 방법.
  7. 제6 항에 있어서,
    상기 제1 데이터를 분류하는 단계는,
    상기 제1 데이터에 상기 공유 메뉴의 포함 여부를 기초로, 상기 제1 데이터를 공유 메뉴 데이터와 개별 메뉴 데이터로 분류하는 단계를 포함하는 메뉴 조합 추천 방법.
  8. 제7 항에 있어서,
    상기 제1 데이터를 분류하는 단계는,
    상기 개별 메뉴 데이터에 포함된 개별 메뉴의 개수에 기초하여, 상기 개별 메뉴 데이터를 이용한 인원수를 추정하고, 추정된 인원수 별 세트 데이터를 분류하는 단계를 더 포함하는 메뉴 조합 추천 방법.
  9. 제7 항에 있어서,
    상기 연관도를 계산하는 단계는,
    상기 개별 메뉴와 상기 사이드 메뉴의 연관도를 계산하는 단계를 포함하는 메뉴 조합 추천 방법.
  10. 제7 항에 있어서,
    상기 연관도를 계산하는 단계는,
    상기 공유 메뉴와 상기 사이드 메뉴의 연관도를 계산하는 단계를 포함하는 메뉴 조합 추천 방법.
  11. 제7 항에 있어서,
    상기 연관도를 계산하는 단계는,
    복수의 개별 메뉴 사이의 연관도를 계산하는 단계를 포함하는 메뉴 조합 추천 방법.
PCT/KR2022/009430 2021-07-12 2022-06-30 메뉴 조합 추천 방법 WO2023287074A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210091266A KR20230010565A (ko) 2021-07-12 2021-07-12 메뉴 조합 추천 방법
KR10-2021-0091266 2021-07-12

Publications (1)

Publication Number Publication Date
WO2023287074A1 true WO2023287074A1 (ko) 2023-01-19

Family

ID=84920490

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/009430 WO2023287074A1 (ko) 2021-07-12 2022-06-30 메뉴 조합 추천 방법

Country Status (2)

Country Link
KR (1) KR20230010565A (ko)
WO (1) WO2023287074A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120254242A1 (en) * 2011-03-31 2012-10-04 Infosys Technologies Limited Methods and systems for mining association rules
KR20150102503A (ko) * 2014-02-28 2015-09-07 주식회사 에스비아이에스 매출 증진을 위한 날씨별 추천메뉴 제공시스템
JP2018116492A (ja) * 2017-01-18 2018-07-26 株式会社リクルートホールディングス 情報管理装置及びプログラム
JP2019159449A (ja) * 2018-03-08 2019-09-19 株式会社ぐるなび 情報処理装置、情報処理方法及びプログラム
KR20190131352A (ko) * 2018-05-16 2019-11-26 주식회사 패스트링크 혼잡도 파악 기능을 구비한 매장 관리 시스템 및 방법
KR102125526B1 (ko) * 2019-07-16 2020-06-22 (주)부엉이에프엔비 가맹점 운영 지원 서버 및 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120254242A1 (en) * 2011-03-31 2012-10-04 Infosys Technologies Limited Methods and systems for mining association rules
KR20150102503A (ko) * 2014-02-28 2015-09-07 주식회사 에스비아이에스 매출 증진을 위한 날씨별 추천메뉴 제공시스템
JP2018116492A (ja) * 2017-01-18 2018-07-26 株式会社リクルートホールディングス 情報管理装置及びプログラム
JP2019159449A (ja) * 2018-03-08 2019-09-19 株式会社ぐるなび 情報処理装置、情報処理方法及びプログラム
KR20190131352A (ko) * 2018-05-16 2019-11-26 주식회사 패스트링크 혼잡도 파악 기능을 구비한 매장 관리 시스템 및 방법
KR102125526B1 (ko) * 2019-07-16 2020-06-22 (주)부엉이에프엔비 가맹점 운영 지원 서버 및 시스템

Also Published As

Publication number Publication date
KR20230010565A (ko) 2023-01-19

Similar Documents

Publication Publication Date Title
WO2022145614A1 (ko) 축사 영상을 이용한 가축 체중 추정 시스템 및 방법
WO2016171341A1 (ko) 클라우드 기반 병리 분석 시스템 및 방법
WO2020078053A1 (zh) 医疗数据异常检测方法、装置、设备及存储介质
WO2018205373A1 (zh) 人伤理赔定损费用测算方法、装置、服务器和介质
WO2020119403A1 (zh) 住院数据异常检测方法、装置、设备及可读存储介质
WO2017164478A1 (ko) 미세 얼굴 다이나믹의 딥 러닝 분석을 통한 미세 표정 인식 방법 및 장치
WO2021071123A2 (ko) 영상 기반 선반 상품 재고 모니터링 시스템 및 방법
CN110175549A (zh) 人脸图像处理方法、装置、设备及存储介质
WO2019132084A1 (ko) 온라인 쇼핑몰 통합 관리 시스템에서의 온라인 판매채널을 추천하는 방법 및 그 서버
WO2020078058A1 (zh) 医疗数据异常识别方法、装置、终端及存储介质
WO2016099019A1 (ko) 특허문서 분류 시스템 및 방법
WO2014137118A1 (ko) 역경매를 이용한 가맹점 추천 방법과 장치
CN112559776A (zh) 一种敏感信息的定位方法及系统
WO2021056731A1 (zh) 基于日志数据分析的行为检测方法、装置、设备及介质
WO2022131490A1 (ko) 딥러닝 기반 이미지 복구 기술을 이용한 패션 이미지 검색 방법 및 장치
WO2023113157A1 (ko) 범죄 은어 변이 추적 방법, 이를 수행하는 장치 및 컴퓨터 프로그램
WO2020085745A1 (ko) 의료 데이터 관리 시스템 및 그 방법
WO2018131955A1 (ko) 디지털 컨텐츠를 분석하는 방법
WO2020138607A1 (ko) 챗봇을 이용한 질의 응답 방법 및 장치
WO2023287074A1 (ko) 메뉴 조합 추천 방법
WO2019088661A1 (ko) 인공지능 기술을 이용해 광고 및 상품 구매에 관한 서비스를 제공하는 장치, 시스템, 및 방법
WO2020242089A2 (ko) 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치
JPWO2019220520A1 (ja) 分析プログラム、分析方法および分析装置
WO2021054530A1 (ko) 마케터의 마케팅 캠페인에 대한 성과 측정 시스템 및 방법
WO2023195579A1 (ko) 투자자의 투자 포트폴리오에 기초하여 추천 투자 종목을 제공하는 서버 및 방법

Legal Events

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

Ref document number: 22842336

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22842336

Country of ref document: EP

Kind code of ref document: A1