WO2024253232A1 - 판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체 - Google Patents

판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체 Download PDF

Info

Publication number
WO2024253232A1
WO2024253232A1 PCT/KR2023/008006 KR2023008006W WO2024253232A1 WO 2024253232 A1 WO2024253232 A1 WO 2024253232A1 KR 2023008006 W KR2023008006 W KR 2023008006W WO 2024253232 A1 WO2024253232 A1 WO 2024253232A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
information
day
date
sales
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/008006
Other languages
English (en)
French (fr)
Inventor
구오루이루이
동후오밍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Coupang Corp
Original Assignee
Coupang Corp
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 Coupang Corp filed Critical Coupang Corp
Publication of WO2024253232A1 publication Critical patent/WO2024253232A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/235—Update request formulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Electronic shopping [e-shopping] using intermediate agents

Definitions

  • the present disclosure relates to a technology for predicting the sales volume of a product on a sales platform.
  • a technical problem to be solved through one embodiment of the present disclosure is to relatively accurately predict how much a product will be sold on a sales platform.
  • Another technical problem to be solved by one embodiment of the present disclosure is to reduce the deviation of the sales volume prediction value of a product according to the prediction execution date in a sales platform.
  • Another technical problem to be solved through one embodiment of the present disclosure is to reflect trends according to attributes of a prediction target date in predicting sales volume of a product on a sales platform.
  • a method for predicting sales volume in a sales platform may include: a step of determining an adjustment coefficient based on information about a day included in a first date section in the past and information about a day included in a second date section; and a step of determining a predicted total sales volume of the one or more items in the second date section based on total sales volume information of the one or more items in the first date section and the adjustment coefficient.
  • the method may further include a step of determining a daily sales prediction value of the one or more items for a day included in the second date interval, based on a total sales prediction value of the one or more items for the second date interval and information about a day included in the second date interval.
  • the first date interval and the second date interval may be periods of equal length.
  • information about a day included in the first date section may include day of the week information about the day included in the first date section
  • information about a day included in the second date section may include day of the week information about the day included in the second date section.
  • information about a day included in the first date interval may include information about which day of a month the day included in the first date interval is
  • information about a day included in the second date interval may include information about which day of a month the day included in the second date interval is.
  • information about a day included in the first date section may include month information about the day included in the first date section
  • information about a day included in the second date section may include month information about the day included in the second date section.
  • information about a day included in the first date interval may include information about a day that is a specific attribute surrounding the day included in the first date interval
  • information about a day included in the second date interval may include information about a day that is a specific attribute surrounding the day included in the second date interval.
  • the step of determining the adjustment coefficient may include the step of determining a fifth value based on, for each of the days included in the first date section and the second date section, a first value corresponding to day of the week information, a second value corresponding to information regarding which day it is in a month, a third value corresponding to month information, and a fourth value corresponding to information regarding a day as a specific attribute of the surrounding area; and the step of determining the adjustment coefficient based on a ratio of a sum of the fifth values corresponding to each of the days included in the first date section and a sum of the fifth values corresponding to each of the days included in the second date section.
  • the step of determining the fifth value may include the step of determining the fifth value by adding the first value, the second value, the third value, and the fourth value.
  • the step of determining the adjustment coefficient may further include the step of determining the first value, the second value, the third value, and the fourth value based on daily sales information of all items of the sales platform.
  • the step of determining the first value, the second value, the third value, and the fourth value may include the step of determining the first value based on linear regression analysis of daily sales information of all items of the sales platform having day of the week information as a variable.
  • the step of determining the first value, the second value, the third value, and the fourth value may include the step of determining the second value based on linear regression analysis of daily sales information of all items of the sales platform having information regarding which day of a month it is as a variable.
  • the step of determining the first value, the second value, the third value, and the fourth value may include the step of determining the third value based on linear regression analysis of daily sales information of all items of the sales platform having monthly information as a variable.
  • the step of determining the first value, the second value, the third value, and the fourth value may include the step of determining the fourth value based on linear regression analysis of daily sales information of all items of the sales platform having information about a specific attribute of the surrounding day as a variable.
  • the method may further include: a step of checking whether the first value, the second value, the third value, and the fourth value are values determined based on the latest daily sales information of all items of the sales platform; and a step of updating the first value, the second value, the third value, and the fourth value based on the latest daily sales information of all items of the sales platform in response to the first value, the second value, the third value, and the fourth value not being values determined based on the latest daily sales information of all items of the sales platform.
  • the step of determining the daily sales prediction value for a day included in the second date section may include the step of determining a fifth value based on, for each day included in the second date section, a first value corresponding to day information, a second value corresponding to information regarding which day it is in a month, a third value corresponding to month information, and a fourth value corresponding to information regarding a day as a specific attribute of the surroundings; the step of determining a ratio of the fifth value for a specific day included in the second date section to a sum of the fifth values for each of the days included in the second date section; and the step of determining the daily sales prediction value for the specific day included in the second date section based on the ratio of the fifth value for the specific day included in the second date section and the total sales prediction value.
  • An electronic device for predicting sales volume in a sales platform comprising: one or more processors; and one or more memories storing instructions executed by the one or more processors, wherein when the instructions are executed by the one or more processors, the one or more processors can be configured to execute a method according to the present disclosure.
  • a non-transitory computer-readable recording medium is a non-transitory computer-readable recording medium having recorded thereon instructions that, when executed by one or more processors, cause the one or more processors to perform operations, wherein the instructions can be configured to cause the one or more processors to perform a method according to the present disclosure.
  • a trend according to the attribute of the target date of the prediction can be reflected.
  • FIG. 1 illustrates an environment in which an electronic device according to one embodiment of the present disclosure can be applied.
  • FIG. 2 is a block diagram of an electronic device according to one embodiment of the present disclosure.
  • FIG. 3 is a diagram showing obtaining an adjustment coefficient according to a method according to one embodiment of the present disclosure.
  • FIG. 4a and FIG. 4b are graphs showing sales volume prediction values by a conventional method and sales volume prediction results by a method according to one embodiment of the present disclosure.
  • FIG. 5a and FIG. 5b are tables showing sales volume prediction values by a conventional method and sales volume prediction results by a method according to one embodiment of the present disclosure.
  • FIG. 6 is a flowchart illustrating a method according to one embodiment of the present disclosure.
  • A, B, and C can mean each of the listed items or all possible combinations of the listed items.
  • “at least one of A or B” can refer to (1) at least one A, (2) at least one B, (3) at least one A and at least one B.
  • the expression "based on” as used in this disclosure is used to describe one or more factors affecting a decision, act of judgment, or action described in a phrase or sentence containing the expression, and the expression does not exclude additional factors affecting the decision, act of judgment, or action.
  • a component e.g., a first component
  • another component e.g., a second component
  • the expression that a component is “connected” or “connected” to another component may mean that the component is directly connected or connected to the other component, but also connected or connected via a new other component (e.g., a third component).
  • a processor configured to perform a specific operation can mean a general purpose processor that can perform the specific operation by executing software, or a special purpose computer that is structured through programming to perform the specific operation.
  • FIG. 1 illustrates an environment to which an electronic device according to an embodiment of the present disclosure can be applied.
  • FIG. 1 illustrates an environment to which an electronic device according to an embodiment of the present disclosure can be applied.
  • An electronic device (110) and a database (120) are connected through a network and can communicate with each other.
  • the communication between the electronic device (110) and the database (120) may mean that the electronic device (110) communicates with a database management system (DBMS) that manages the database (120). That is, the electronic device (110) can access the database (120) through a network.
  • DBMS database management system
  • the electronic device (110) may be a device for predicting the sales volume of a product on a sales platform.
  • the sales platform may include, for example, a sales platform of an e-commerce service that sells one or more products online.
  • the electronic device (110) may be, for example, any server device including a server device that manages the sales platform or any electronic device including an electronic device that manages inventory on the sales platform.
  • the electronic device (110) may be implemented as a terminal that can transmit and receive various information to and from a database (120) through a network.
  • the electronic device (110) may be one of a computer, a laptop, a portable communication terminal (such as a smartphone), a portable multimedia device, a wearable device, or an HMD.
  • the type of the electronic device (110) is not limited thereto, and the electronic device (110) may include an input/output interface that can receive information from a user or output information to a user, and may be any device that can communicate with the database (120) or other devices through a network.
  • the electronic device (110) can utilize information stored in the database (120) to predict how much a product will sell.
  • the electronic device (110) can provide various types of information related to sales volume prediction to the user, and can receive input related to sales volume prediction from the user. Specifically, the electronic device (110) can obtain a command related to sales volume prediction from the user through an input/output interface, perform sales volume prediction in response to the obtained command, and output the result of the sales volume prediction to the user, or store it in the electronic device (110), transmit it to another device, etc.
  • the input obtained from the user can include various forms of input, such as a click using a mouse, a touch using a touch pad or a touch screen, voice recognition, other electronic input, or voice input using a microphone, etc.
  • the output of the electronic device (110) can include various forms of output, such as a visual form through a display, a projector, a hologram, etc., or an auditory form through a speaker, etc.
  • the database (120) can store information that serves as the basis for predicting the sales volume of a product on the sales platform.
  • the database (120) can store sales logs for each product handled on the sales platform.
  • the sales logs for each product in the database (120) can be updated in real time or updated repeatedly periodically or aperiodically.
  • the electronic device (110) can obtain information on the daily sales volume of any product through the database (120). For example, information on the daily sales volume of a specific product, all products handled on the sales platform, or products satisfying specific conditions among all products handled on the sales platform can be obtained. Furthermore, information on the sales volume of any product by time zone, day, week, month, quarter, year, or certain period can also be obtained.
  • the network may play a role of connecting the electronic device (110) and the database (120) or other external devices.
  • the network may provide a connection path so that the electronic device (110) can be connected to the database (120) and transmit and receive packet data with the database (120).
  • the network may be implemented as any type of wired or wireless network, such as, for example, a local area network (LAN), a wide area network (WAN), a mobile radio communication network, or Wibro (Wireless Broadband Internet).
  • Another embodiment of the present disclosure may be an environment in which an electronic device may be applied, and in a form not shown, in which the electronic device (110) may include a database.
  • the electronic device (110) may include a database.
  • information stored in the database may be obtained without going through the network shown in FIG. 1.
  • the electronic device (110) may also include a database management system (DBMS) that manages the database.
  • DBMS database management system
  • FIG. 2 is a block diagram of an electronic device (200) according to one embodiment of the present disclosure.
  • the electronic device (200) can process information regarding sales volume prediction of a product.
  • the electronic device (200) can include one or more processors (210), one or more memories (220), and a communication interface (230) as components.
  • at least one of the components of the electronic device (200) can be omitted, or another component can be added to the electronic device (200).
  • additionally or alternatively, some of the components can be implemented in an integrated manner, or can be implemented as a single or multiple entities.
  • one or more processors (210) can be expressed as a processor (210).
  • processor (210) can mean a set of one or more processors, unless explicitly stated otherwise in the context.
  • one or more memories (220) can be expressed as a memory (220).
  • the expression memory (220) may mean a set of one or more memories, unless the context clearly indicates otherwise.
  • at least some of the components inside/outside the electronic device (200) may be connected to each other via a bus, a General Purpose Input/Output (GPIO), a Serial Peripheral Interface (SPI), or a Mobile Industry Processor Interface (MIPI), and may exchange information (data, signals, etc.).
  • GPIO General Purpose Input/Output
  • SPI Serial Peripheral Interface
  • MIPI Mobile Industry Processor Interface
  • the processor (210) may control at least one component of the electronic device (200) connected to the processor (210) by driving software (e.g., commands, programs, etc.). In addition, the processor (210) may perform various operations, such as calculations, processing, data generation, and processing, related to the present disclosure. In addition, the processor (210) may load data, etc. from the memory (220) or store data in the memory (220). Furthermore, the processor (210) may transmit and receive various information with the database (120) through the communication interface (230). In one embodiment, the processor (210) may control the communication interface (230) to request various information regarding sales volume prediction from the database (120) and receive various information regarding sales volume prediction from the database (120).
  • the processor (210) may control the communication interface (230) to request various information regarding sales volume prediction from the database (120) and receive various information regarding sales volume prediction from the database (120).
  • the processor (210) can determine an adjustment coefficient based on information about a day included in a first date interval in the past and information about a day included in a second date interval for which sales volume is to be predicted.
  • the first date interval and the second date interval can be periods of equal length.
  • the first date interval can be seven date intervals from seven days prior to the date on which the sales forecast is run to one day prior.
  • the second date interval can be seven date intervals from the date on which the sales forecast is run to six days after the date on which the sales forecast is run.
  • the first date interval can be thirty-five date intervals from thirty-five days prior to the date on which the sales forecast is run to one day prior.
  • the second date interval can be thirty-five date intervals from the date on which the sales forecast is run to 34 days after the date on which the sales forecast is run.
  • information about a day included in the first or second date interval may include at least one of information about the day of the week, information about which day it is in a month, information about the month, and information about a day that is a specific attribute of the surroundings.
  • the day of the week information may be information indicating which day of the week it is.
  • the day of the week information may be information indicating which day of the week it is.
  • the product sales volume may be high on a specific day of the week and low on a specific day of the week.
  • the processor (210) performs a sales volume prediction using an adjustment coefficient determined based on the day of the week information, the product purchase trend of users depending on the day of the week can be reflected in the sales volume prediction.
  • information about which day of the month it is may be information indicating B if the corresponding day is B of month A.
  • the total sales volume of items at the beginning and end of the month may be different.
  • the processor (210) performs a sales volume prediction using an adjustment coefficient determined based on the information about which day of the month it is, the product purchase trend of users depending on the day of the month can be reflected in the sales volume prediction.
  • the month information may be information indicating A when the corresponding day is B of month A.
  • the total sales volume of items at the beginning and end of the year may be different.
  • the processor (210) performs a sales volume prediction using an adjustment coefficient determined based on the month information, the product purchase trend of users depending on which month of the year it is can be reflected in the sales volume prediction.
  • information about a specific attribute day around the day may include information indicating whether a specific attribute day exists in the surrounding dates of the day and/or information indicating a date relationship of the day based on the specific attribute day if it exists.
  • a specific attribute day may include a specific public holiday.
  • a specific attribute day may include a day that is regularly designated as a public holiday every year, such as New Year's Day, Chuseok, Buddha's Birthday, and Christmas.
  • a public holiday such as Sunday, which is not a regularly designated public holiday every year, such as New Year's Day, Chuseok, Buddha's Birthday, and Christmas, may not be included in a specific attribute day.
  • a specific attribute day may include a commemorative day that is not publicly designated as a public holiday, such as Valentine's Day or White Day, but may be associated with the sales volume of items.
  • information about a specific attribute day around the day may include information indicating whether the day is included in a period from N days before a specific attribute day to M days after a specific attribute day.
  • N and M can be natural numbers greater than 1 and less than or equal to 7.
  • information about a specific attribute day in the vicinity can include information indicating how much before the day is from a specific attribute day, whether it is the day of the specific attribute day, or how much after the day of the specific attribute day.
  • the processor (210) performs sales volume prediction using an adjustment coefficient determined based on information about a specific attribute day in the vicinity, the product purchase trend of users according to the specific attribute day can be reflected in the sales volume prediction.
  • the step of determining the adjustment coefficient by the processor (210) is specifically described in FIG. 3 described below.
  • the processor (210) may determine a total sales prediction value of one or more items in a second date section based on the total sales information of one or more items in a first date section and an adjustment coefficient.
  • the total sales information of one or more items in the first date section may mean the total amount sold of one or more items during the first date section.
  • the total sales prediction value of one or more items in the second date section may be a value predicting the total amount to be sold of one or more items during the second date section.
  • the processor (210) may determine a total sales prediction value of one specific item in the second date section based on the total sales information of one specific item in the first date section and an adjustment coefficient.
  • the processor (210) may determine a value obtained by multiplying the total sales amount of one or more items in the first date interval by an adjustment coefficient as the total sales amount prediction value of one or more items in the second date interval.
  • the processor (210) may obtain a value determined through another prediction model for sales amount prediction based on the total sales amount of one or more items in the first date interval, and determine the total sales amount prediction value of one or more items in the second date interval based on the value determined through the prediction model and the adjustment coefficient.
  • the other prediction model for sales amount prediction may be any conventionally known prediction model that predicts the sales amount for another period to be a prediction target based on the sales amount for a specific period in the past that is conventionally used.
  • the processor (210) may determine a daily sales prediction value of one or more items for a day included in the second date interval based on a total sales prediction value of one or more items in the second date interval and information about a day included in the second date interval.
  • the daily sales prediction value of one or more items for a day included in the second date interval may be a value that predicts the sales of one or more items for a day included in the second date interval.
  • the processor (210) may determine a daily sales prediction value of one item for a day included in the second date interval based on a total sales prediction value of one item in the second date interval and information about a day included in the second date interval.
  • the processor (210) may determine the fifth value based on, for each of the days included in the second date interval, a first value corresponding to the day of the week information, a second value corresponding to the information regarding the number of the month, a third value corresponding to the month information, and a fourth value corresponding to the information regarding the day as a specific attribute of the surroundings. That is, the fifth value corresponding to each of the days included in the second date interval may be individually determined.
  • the processor (210) determining the first to fifth values for each of the days included in the second date interval will be specifically described in FIG. 3 below.
  • the processor (210) may determine a ratio of the fifth value of a specific day included in the second date interval to the sum of the fifth values of each of the days included in the second date interval. That is, the processor (210) may calculate (the fifth value of the specific day included in the second date interval)/(the sum of the fifth values of each of the days included in the second date interval). Next, the processor (210) may determine the daily sales prediction value for a specific day included in the second date interval based on the total sales prediction value of one or more items in the second date interval and the ratio of the fifth value of a specific day included in the second date interval to the sum of each of the fifth values of the days included in the second date interval.
  • the processor (210) may determine the daily sales prediction value for a specific day as (total sales prediction value of one or more items in the second date interval)*(ratio of the fifth value of a specific day included in the second date interval to the sum of each of the fifth values of the days included in the second date interval).
  • the memory (220) can store various information (data).
  • the information stored in the memory (220) is information acquired, processed, or used by at least one component of the electronic device (200), and may include software (e.g., commands, programs, etc.).
  • the memory (220) may include volatile and/or nonvolatile memory.
  • the command or program is software stored in the memory (220), and may include an operating system for controlling resources of the electronic device (200), an application, and/or middleware for providing various functions to the application so that the application can utilize the resources of the electronic device (200).
  • the memory (220) may store commands that cause the processor (210) to perform operations when executed by the processor (210).
  • the memory (220) may store at least a portion of information received from a database through the communication interface (230) and/or information transmitted to the database through the communication interface (230). Specifically, the memory (220) can store information regarding product sales prediction and commands executed by the processor (210).
  • the communication interface (communication interface, 230) can perform wireless or wired communication between the electronic device (200) and a database or other external electronic device.
  • the communication interface (230) can perform wireless communication according to a method such as eMBB (enhanced Mobile Broadband), URLLC (Ultra Reliable Low-Latency Communications), MMTC (Massive Machine Type Communications), LTE (Long-Term Evolution), LTE-A (LTE Advance), NR (New Radio), UMTS (Universal Mobile Telecommunications System), GSM (Global System for Mobile communications), CDMA (Code Division Multiple Access), WCDMA (Wideband CDMA), WiBro (Wireless Broadband), WiFi (Wireless Fidelity), Bluetooth (Bluetooth), NFC (Near Field Communication), GPS (Global Positioning System), or GNSS (Global Navigation Satellite System).
  • eMBB enhanced Mobile Broadband
  • URLLC Ultra Reliable Low-Latency Communications
  • MMTC Massive Machine Type Communications
  • LTE Long-Term Evolution
  • LTE-A LTE Advance
  • the communication interface (230) may perform wired communication according to a method such as Universal Serial Bus (USB), High Definition Multimedia Interface (HDMI), Recommended Standard-232 (RS-232), or Plain Old Telephone Service (POTS).
  • USB Universal Serial Bus
  • HDMI High Definition Multimedia Interface
  • RS-232 Recommended Standard-232
  • POTS Plain Old Telephone Service
  • the electronic device (200) may be implemented by being integrated with another device.
  • the communication interface (230) may function as a connection circuit or interface that connects the electronic device (200) and the other device.
  • FIG. 3 is a diagram illustrating obtaining an adjustment coefficient (303) according to a method according to one embodiment of the present disclosure.
  • the electronic device may determine a fifth value (a5, b5, c5, ..., n5) based on, for each day included in a first date section (301) and a second date section (302), a first value (a1, b1, c1, ..., n1) corresponding to day of the week information, a second value (a2, b2, c2, ..., n2) corresponding to information about which day of the month it is, a third value (a3, b3, c3, ..., n3) corresponding to month information, and a fourth value (a4, b4, c4, ..., n4) corresponding to information about a day which is a specific attribute of the surroundings.
  • the electronic device may determine the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4) based on the daily sales information of all items of the sales platform.
  • the electronic device may determine the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4) based on the daily sales information of all items handled by the sales platform rather than a specific item, in order to identify a sales trend of all items by date in the sales platform.
  • the electronic device may determine the first to fourth values based on the daily sales information of a specific item or a specific item group.
  • the electronic device may determine the first values (a1, b1, c1, ..., n1) based on linear regression analysis on daily sales information of all items of a sales platform having day of the week information as a variable. For example, the electronic device may set Monday to Sunday as independent variables of 1 to 7, respectively. Subsequently, the electronic device may determine a corresponding daily sales prediction value of each day of the week derived by linear regression analysis based on the daily sales information of all items of the sales platform. Subsequently, the electronic device may set a first value corresponding to each day of the week as a value proportional to the corresponding daily sales prediction value of each day of the week.
  • the electronic device may determine the first values (a1, b1, c1, ..., n1) corresponding to each day of the week of days included in the first date section (301) and the second date section (302) according to information of the first values corresponding to each set day of the week.
  • the electronic device may determine the second values (a2, b2, c2, ..., n2) based on a linear regression analysis of daily sales information of all items of the sales platform having information about which day of the month it is as a variable. For example, the electronic device may set days 1 to 31 as independent variables of 1 to 31, respectively. Subsequently, the electronic device may determine a daily sales prediction value corresponding to each day of the month derived by the linear regression analysis based on the daily sales information of all items of the sales platform. Subsequently, the electronic device may set a second value corresponding to each day of the month as a value proportional to the daily sales prediction value corresponding to each day of the month.
  • the electronic device may determine the second values (a2, b2, c2, ..., n2) corresponding to each day of the month included in the first date section (301) and the second date section (302) according to the information of the second values corresponding to each set day of the month.
  • the electronic device may determine the third values (a3, b3, c3, ..., n3) based on a linear regression analysis of daily sales information of all items of a sales platform having month information as a variable. For example, the electronic device may set January to December as independent variables of 1 to 12, respectively. Subsequently, the electronic device may determine a daily sales prediction value corresponding to each month derived by the linear regression analysis according to the daily sales information of all items of the sales platform. Subsequently, the electronic device may set a third value corresponding to each month as a value proportional to the daily sales prediction value corresponding to each month.
  • the electronic device may determine the third values (a3, b3, c3, ..., n3) corresponding to each month of days included in the first date section (301) and the second date section (302), based on information of the third values corresponding to the set months.
  • the electronic device may determine the fourth value (a4, b4, c4, ..., n4) based on a linear regression analysis of daily sales information of all items of the sales platform having information about a specific attribute day as a variable. For example, the electronic device may set a day N days before a specific attribute day to a day M days after a specific attribute day as independent variables of 1 to N+M+1, respectively. Subsequently, the electronic device may determine a daily sales prediction value corresponding to a date relationship based on each specific attribute day derived by the linear regression analysis based on the daily sales information of all items of the sales platform.
  • the electronic device may set the fourth value corresponding to the date relationship based on each specific attribute day as a value proportional to the daily sales prediction value corresponding to the date relationship based on each specific attribute day.
  • the electronic device can determine the fourth values (a4, b4, c4, ..., n4) corresponding to the date relationship based on the specific attribute day of each day included in the first date section (301) and the second date section (302) based on the information of the fourth value corresponding to the date relationship based on the specific attribute day that is set. For example, if there is no specific attribute day around any day included in the first date section (301) and the second date section (302), the electronic device can set the fourth value corresponding to the arbitrary day to 0.
  • the electronic device may set a scale of the first value to the fourth value (i.e., a proportional constant between the daily sales prediction value and each of the first to fourth values) in the process of determining each value as a value proportional to the daily sales prediction value for the first to fourth values.
  • a scale of the first value to the fourth value i.e., a proportional constant between the daily sales prediction value and each of the first to fourth values
  • the electronic device may set the proportional constant between the daily sales prediction value and each of the first to fourth values to be the same in the process of determining the first to fourth values described above.
  • the electronic device may adjust the scale of the fourth value to be appropriately smaller than the other first to third values. That is, the electronic device may set the proportional constant between the daily sales prediction value and the fourth value to be smaller than the proportional constant between the daily sales prediction value and each of the first to third values.
  • the electronic device may set a first value corresponding to each day of the week as a value proportional to an average daily sales of all items of the sales platform for each day of the week, based on daily sales information of all items of the sales platform, in a method that does not use linear regression analysis.
  • the electronic device may set a second value corresponding to each day of the month as a value proportional to an average daily sales of all items of the sales platform for each day of the month, based on daily sales information of all items of the sales platform, in a method that does not use linear regression analysis.
  • the electronic device may set a third value corresponding to each month as a value proportional to an average daily sales of all items of the sales platform for each month, based on daily sales information of all items of the sales platform, in a method that does not use linear regression analysis.
  • the electronic device may set a fourth value corresponding to a date relationship based on each specific attribute, the date relationship being a day, as a value proportional to an average daily sales amount of all items in the sales platform for each specific attribute, based on daily sales amount information of all items in the sales platform, in a method that does not use linear regression analysis.
  • the electronic device may determine the fifth value (a5, b5, c5, ..., n5) based on the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4).
  • the electronic device may determine the fifth value (a5, b5, c5, ..., n5) by adding the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4). That is, as a representative example, the electronic device may determine the value obtained by adding a1, a2, a3, and a4 as a5.
  • the electronic device may determine the first values (a1, b1, c1, ..., n1) to the fourth values (a4, b4, c4, ..., n4) based on a multiple linear regression analysis of daily sales information of all items of the sales platform having as variables the day of the week information, the day of the month information, the month information, and the day as a specific attribute of the surroundings.
  • the electronic device may set independent variables according to each of the day of the week information, the day of the month information, the month information, and the day as a specific attribute of the surroundings in the same manner as described above.
  • the electronic device may determine a daily sales prediction value corresponding to each combination of the day of the week information, the day of the month information, the month information, and the day as a specific attribute of the surroundings derived by the multiple linear regression analysis of the daily sales information of all items of the sales platform.
  • the electronic device can set a fifth value corresponding to each combination of the day of the week information, the information about the number of days in a month, the information about the month, and the information about the day as a specific attribute of the surroundings, as a value proportional to the daily sales forecast value.
  • the electronic device can determine the fifth values (a5, b5, c5, ..., n5) corresponding to each combination of the day of the week information, the information about the number of days in a month, the information about the month, and the information about the day as a specific attribute of the surroundings, according to the information of the fifth value corresponding to the combination of the set day of the week information, the information about the number of days in a month, the information about the month, and the information about the day as a specific attribute of the surroundings.
  • the electronic device may determine an adjustment factor (303) based on a ratio of a sum (X) of fifth values (a5, b5, c5, ..., g5) corresponding to each of the days included in the first date section (301) and a sum (Y) of fifth values (h5, i5, j5, ..., n5) corresponding to each of the days included in the second date section (302). For example, the electronic device may determine X/Y as the adjustment factor (303). As another example, the electronic device may determine a value obtained by multiplying X/Y by another adjustment value as the adjustment factor (303).
  • the electronic device may determine the adjustment coefficient in a different way. After determining the value of X/Y in the same way as the above-described method, the electronic device may determine a ratio of [the total sales of all items of the sales platform of the first date range (301) * X/Y] and [the total sales of all items of the sales platform of the second date range (302) predicted by the conventional prediction model]. In one embodiment, the electronic device may determine the determined ratio as the adjustment coefficient. In this case, the electronic device may multiply the total sales prediction value of the second date range (302) for a specific item determined by the conventional prediction model by the adjustment coefficient to determine the adjusted total sales prediction value of the second date range (302). That is, in this case, the adjustment coefficient may be used as a coefficient for modifying a prediction result value according to the conventional prediction model.
  • the electronic device may verify, prior to the step of determining the total sales prediction value of one or more items of the second date range (302), whether the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4) are determined based on the latest daily sales information of all items of the sales platform.
  • the electronic device may verify whether the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4) are determined according to the daily sales information of all items of the sales platform based on the latest information stored in a database.
  • the electronic device may update the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4) based on the latest daily sales information of the entire items of the sales platform, in response to the fact that the first value (a1, b1, c1, ..., n1), the second value (a2, b2, c2, ..., n2), the third value (a3, b3, c3, ..., n3), and the fourth value (a4, b4, c4, ..., n4) are not values determined based on the latest daily sales information of the entire items of the sales platform.
  • the electronic device can derive more accurate prediction results by updating the first values (a1, b1, c1, ..., n1), the second values (a2, b2, c2, ..., n2), the third values (a3, b3, c3, ..., n3) and the fourth values (a4, b4, c4, ..., n4) according to the above-described method based on the latest information stored in the database.
  • FIGS. 4A and 4B are graphs showing a sales volume prediction value by a conventional method and a sales volume prediction result by a method according to an embodiment of the present disclosure, respectively.
  • Dotted lines (401 and 403) are lines showing sales volume prediction values
  • solid lines (402 and 404) are lines showing actual sales volumes.
  • dotted lines (401 and 403) may show daily sales volume prediction values from July 31, 2022 to September 3, 2022, as predicted on July 31, 2022
  • solid lines (402 and 404) may show actual daily sales volumes from July 31, 2022 to September 3, 2022.
  • the daily sales forecast from July 31, 2022 to September 3, 2022 is a sales forecast for 35 days, so it can be forecasted based on the daily sales information of the previous 35 days, that is, based on the daily sales information from June 26, 2022 to July 30, 2022.
  • the sales volume prediction value by the conventional method has a large deviation from the actual value, so that the dotted line (401) and the solid line (402) are far apart, while the sales volume prediction value by the method according to one embodiment has a small deviation from the actual value, so that the dotted line (403) and the solid line (404) are relatively close.
  • the phenomenon of sales increasing on a specific date for example, the phenomenon of sales increasing on August 1, 2022
  • the daily sales volume prediction value can be more accurately obtained by the method according to one embodiment.
  • FIG. 5a and FIG. 5b are tables showing sales volume prediction values by a conventional method and sales volume prediction results by a method according to an embodiment of the present disclosure, respectively.
  • predictions can be executed on multiple dates, such as April 26, 2022 and May 1, 2022.
  • dates i.e., the start date of the period for which sales volume is to be predicted
  • errors may occur accordingly.
  • the tables in FIGS. 5a and 5b show different results regarding the predicted sales for each of the two prediction execution dates for the prediction target dates of May 1, May 29, June 26, and July 31, 2022, respectively. That is, for one prediction target date, the error, predicted sales value, and actual sales volume are different depending on each prediction execution date. In addition, for each prediction target date, the difference in the error between the two prediction execution dates is expressed as the error gap.
  • the error gaps for each prediction target date were 5.84%, 6.16%, 2.18%, and 3.41% in the case of the conventional method, and 3.20%, 3.46%, -0.37%, and 0.84% in the case of the method according to one embodiment. That is, the average of the error gaps in the case of the conventional method is 4.40%, and the average of the error gaps in the case of the method according to one embodiment is 1.78%, and it can be confirmed that the error gap is improved by the method according to one embodiment. In this way, according to the present disclosure, it is possible to reduce the deviation of the sales volume prediction value of a product according to the prediction execution date in a sales platform.
  • FIG. 6 is a flowchart illustrating a method (600) according to one embodiment of the present disclosure.
  • the method (600) may include a step (S610) of determining an adjustment coefficient based on information about a day included in a first date section in the past and information about a day included in a second date section, and a step (S620) of determining a predicted total sales amount of one or more items in the second date section based on total sales amount information of one or more items in the first date section and the adjustment coefficient.
  • steps S610 and S620 and the steps described below may be performed by the processor (210) of the electronic device (200).
  • the method (600) may further include a step of determining a daily sales prediction value of one or more items for a day included in the second date interval based on the total sales prediction value of one or more items in the second date interval and information about a day included in the second date interval.
  • the step of determining the daily sales prediction value for the day included in the second date interval may include a step of determining a fifth value based on, for each of the days included in the second date interval, a first value corresponding to day information, a second value corresponding to information about which day it is in a month, a third value corresponding to month information, and a fourth value corresponding to information about a day as a specific attribute of the surrounding area, a step of determining a ratio of the fifth value for a specific day included in the second date interval to a sum of the fifth values of each of the days included in the second date interval, and a step of determining a daily sales prediction value for a specific day included in the second date interval based on the ratio of the fifth value for the specific day included in the second date interval and the total sales prediction value.
  • step S610 may include a step of determining a fifth value based on a first value corresponding to day of the week information, a second value corresponding to information about which day of the month it is, a third value corresponding to month information, and a fourth value corresponding to information about a day as a specific attribute of the surroundings, for each of the days included in the first date interval and the second date interval, and a step of determining an adjustment coefficient based on a ratio of a sum of the fifth values corresponding to each of the days included in the first date interval and a sum of the fifth values corresponding to each of the days included in the second date interval.
  • the step of determining the fifth value may include a step of determining the fifth value by summing the first value, the second value, the third value, and the fourth value.
  • step S610 may further include a step of determining a first value, a second value, a third value, and a fourth value based on daily sales information of all items of the sales platform.
  • the step of determining the first value, the second value, the third value, and the fourth value may include at least one of a step of determining a first value based on linear regression analysis of daily sales information of all items of the sales platform having day of the week information as a variable, a step of determining a second value based on linear regression analysis of daily sales information of all items of the sales platform having information about which day of the month it is as a variable, a step of determining a third value based on linear regression analysis of daily sales information of all items of the sales platform having information about the month as a variable, and a step of determining a fourth value based on linear regression analysis of daily sales information of all items of the sales platform having information about a day as a variable, which is a specific attribute of the surrounding area.
  • the method (600) may further include, prior to step S620, a step of checking whether the first value, the second value, the third value, and the fourth value are values determined based on the latest daily sales information of all items of the sales platform, and, in response to the first value, the second value, the third value, and the fourth value not being values determined based on the latest daily sales information of all items of the sales platform, a step of updating the first value, the second value, the third value, and the fourth value based on the latest daily sales information of all items of the sales platform.
  • each step of the method or algorithm is described in a sequential order, but each step may be performed in an order that can be arbitrarily combined, in addition to being performed sequentially.
  • the description of the flowchart or flowchart of the present disclosure does not exclude changes or modifications to the method or algorithm, and does not imply that any step is essential or desirable.
  • at least some of the steps may be performed in parallel, iteratively, or heuristically.
  • at least some of the steps may be omitted, or other steps may be added.
  • the software may be software for implementing various embodiments described in the present disclosure.
  • the software may be inferred from various embodiments described in the present disclosure by programmers in the technical field to which the present disclosure belongs.
  • the software may be a program including machine-readable commands (e.g., instructions, codes, or code segments).
  • the device may be a device capable of operating according to commands called from a storage medium, for example, a computer.
  • the device may be a computing device according to various embodiments described in the present disclosure.
  • the processor of the device may execute the called commands to cause components of the device to perform functions corresponding to the commands.
  • the storage medium may mean all kinds of recording media that can be read by the device and on which data is stored.
  • the storage medium may include, for example, a ROM, a RAM, a CD-ROM, a magnetic tape, a floppy disk, an optical data storage device, etc.
  • the storage medium may be implemented in a distributed form, such as in a computer system connected to a network. In this case, the software may be distributed and stored and executed in the computer system, etc.
  • the storage medium may be a non-transitory storage medium.
  • a non-transitory storage medium means a medium that exists regardless of whether data is stored semi-permanently or temporarily (Tangible Medium), and does not include a signal that is transmitted transitively (Signal).

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체에 관한 것이다. 본 개시의 일 실시예에 따른 방법은, 과거의 제1 날짜 구간에 포함되는 날에 대한 정보 및 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 조정 계수를 결정하는 단계, 및 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 정보 및 조정 계수에 기초하여, 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값을 결정하는 단계를 포함할 수 있다.

Description

판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체
본 개시는 판매 플랫폼에서 상품의 판매량을 예측하는 기술에 관한 것이다.
최근 통신 기술의 발달로 인하여, 온라인 상에서 상품을 거래하는 전자 상거래 서비스가 대중적으로 이용되고 있다. 또한, 전자 상거래 서비스와 관련된 운송, 물류 산업과 재고 관리에도 정보통신 기술을 도입하여 업무의 효율화를 시도하고 있다. 이에 따라, 다양한 방법으로 판매 플랫폼에서의 상품의 판매량 예측이 시도되고 있다.
그러나, 예측을 수행하는 날에 따라 판매량 예측값의 편차가 있는 문제점이 존재했다. 예를 들어, 예측을 수행하는 날에 따라서 예측에 기초가 되는 판매 이력 데이터가 변화함에 따라 판매량 예측값도 달라지는 문제점이 있었다. 따라서, 이러한 문제점을 해결할 수 있는 기술이 요구되고 있다.
본 개시의 일 실시예를 통해 해결하고자 하는 기술적 과제는, 판매 플랫폼에서 상품이 얼마나 판매될지를 비교적 정확하게 예측하는 것이다.
본 개시의 일 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 판매 플랫폼에서 예측 실행 날짜에 따른 상품의 판매량 예측값의 편차를 저감하는 것이다.
본 개시의 일 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 판매 플랫폼에서 상품의 판매량 예측에 있어서, 예측 대상 날짜의 속성에 따른 추세를 반영하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술 분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 실시예에 따른 판매 플랫폼에서 판매량을 예측하는, 전자 장치에 의해 수행되는 방법에 있어서, 과거의 제1 날짜 구간에 포함되는 날에 대한 정보 및 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 조정 계수를 결정하는 단계; 및 상기 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 정보 및 상기 조정 계수에 기초하여, 상기 제2 날짜 구간의 상기 하나 이상의 아이템의 총 판매량 예측값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제2 날짜 구간의 상기 하나 이상의 아이템의 총 판매량 예측값 및 상기 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 상기 제2 날짜 구간에 포함되는 날의 상기 하나 이상의 아이템의 일별 판매량 예측값을 결정하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 제1 날짜 구간 및 상기 제2 날짜 구간은, 동일한 길이의 기간일 수 있다.
일 실시예에서, 상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날의 요일 정보를 포함하고, 상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날의 요일 정보를 포함할 수 있다.
일 실시예에서, 상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날이 한 달 중 몇 번째 날인지에 대한 정보를 포함하고, 상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날이 한 달 중 몇 번째 날인지에 대한 정보를 포함할 수 있다.
일 실시예에서, 상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날의 월 정보를 포함하고, 상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날의 월 정보를 포함할 수 있다.
일 실시예에서, 상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날의 주변의 특정 속성인 날에 관한 정보를 포함하고, 상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날의 주변의 특정 속성인 날에 관한 정보를 포함할 수 있다.
일 실시예에서, 상기 조정 계수를 결정하는 단계는, 상기 제1 날짜 구간 및 상기 제2 날짜 구간에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값, 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값, 월 정보에 대응하는 제3 값 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값에 기초하여, 제5 값을 결정하는 단계; 및 상기 제1 날짜 구간에 포함되는 날의 각각에 대응하는 상기 제5 값의 합과 상기 제2 날짜 구간에 포함되는 날의 각각에 대응하는 상기 제5 값의 합의 비율에 기초하여, 상기 조정 계수를 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제5 값을 결정하는 단계는, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 합산하여, 상기 제5 값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 조정 계수를 결정하는 단계는, 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는, 요일 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제1 값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는, 한 달 중 몇 번째 날인지에 대한 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제2 값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는, 월 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제3 값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는, 주변의 특정 속성인 날에 관한 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제4 값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제2 날짜 구간의 상기 하나 이상의 아이템의 총 판매량 예측값을 결정하는 단계 전에: 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값이 상기 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여 결정된 값인지 확인하는 단계; 및 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값이 상기 판매 플랫폼의 전체 아이템의 최신의 일별 판매량에 기초하여 결정된 값이 아닌 것에 응답하여, 상기 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 업데이트하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 제2 날짜 구간에 포함되는 날의 일별 판매량 예측값을 결정하는 단계는, 상기 제2 날짜 구간에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값, 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값, 월 정보에 대응하는 제3 값 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값에 기초하여, 제5 값을 결정하는 단계; 상기 제2 날짜 구간에 포함되는 날의 각각의 상기 제5 값의 총합에 대비한 상기 제2 날짜 구간에 포함되는 특정 날의 상기 제5 값의 비율을 결정하는 단계; 및 상기 총 판매량 예측값 및 상기 제2 날짜 구간에 포함되는 상기 특정 날의 상기 제5 값의 비율에 기초하여, 상기 제2 날짜 구간에 포함되는 상기 특정 날의 상기 일별 판매량 예측값을 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 판매 플랫폼에서 판매량을 예측하는 전자 장치에 있어서, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의해 실행되는 명령어들이 저장된 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서에 의해 상기 명령어들이 실행될 시, 상기 하나 이상의 프로세서는, 본 개시에 따른 방법을 실행하도록 구성될 수 있다.
본 개시의 일 실시예에 따른 비일시적 컴퓨터 판독 가능 기록매체는 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 동작을 수행하도록 하는 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록매체로서, 상기 명령들은, 하나 이상의 프로세서로 하여금 본 개시에 따른 방법을 실행하도록 구성될 수 있다.
본 개시에 따르면, 판매 플랫폼에서 상품이 얼마나 판매될지를 비교적 정확하게 예측할 수 있다.
본 개시에 따르면, 판매 플랫폼에서 예측 실행 날짜에 따른 상품의 판매량 예측값의 편차를 저감할 수 있다.
본 개시에 따르면, 판매 플랫폼에서 상품의 판매량 예측에 있어서, 예측 대상 날짜의 속성에 따른 추세를 반영할 수 있다.
본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 명세서의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 전자 장치가 적용될 수 있는 환경을 도시한다.
도 2는 본 개시의 일 실시예에 따른 전자 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 방법에 따라 조정 계수를 구하는 것을 나타내는 도면이다.
도 4a 및 도 4b는 종래의 방법에 의한 판매량 예측값과 본 개시의 일 실시예에 따른 방법에 의한 판매량 예측 결과를 나타내는 그래프이다.
도 5a 및 도 5b는 종래의 방법에 의한 판매량 예측값과 본 개시의 일 실시예에 따른 방법에 의한 판매량 예측 결과를 나타내는 표이다.
도 6은 본 개시의 일 실시예에 따른 방법을 나타낸 동작흐름도이다.
본 개시에 기재된 다양한 실시예들은, 본 개시의 기술적 사상을 명확히 설명하기 위한 목적으로 예시된 것이며, 이를 특정한 실시 형태로 한정하려는 것이 아니다. 본 개시의 기술적 사상은, 본 개시에 기재된 각 실시예의 다양한 변경(modifications), 균등물(equivalents), 대체물(alternatives) 및 각 실시예의 전부 또는 일부로부터 선택적으로 조합된 실시예를 포함한다. 또한 본 개시의 기술적 사상의 권리 범위는 이하에 제시되는 다양한 실시예들이나 이에 대한 구체적 설명으로 한정되지 않는다.
기술적이거나 과학적인 용어를 포함해서, 본 개시에서 사용되는 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 가질 수 있다.
본 개시에서 사용되는 "포함한다", "포함할 수 있다", "구비한다", "구비할 수 있다", "가진다", "가질 수 있다" 등과 같은 표현들은, 대상이 되는 특징(예를 들어, 기능, 동작 또는 구성요소 등)이 존재함을 의미하며, 다른 추가적인 특징의 존재를 배제하지 않는다. 즉, 이와 같은 표현들은 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.
본 개시에서 사용되는 단수형의 표현은, 문맥상 다르게 뜻하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구항에 기재된 단수형의 표현에도 마찬가지로 적용된다.
본 문서에서 사용되는 "제1", "제2", 또는 "첫째", "둘째" 등의 표현은, 문맥상 다르게 뜻하지 않는 한, 복수의 동종 대상들을 지칭함에 있어 한 대상을 다른 대상과 구분하기 위해 사용되며, 해당 대상들간의 순서 또는 중요도를 한정하는 것은 아니다.
본 문서에서 사용되는 "A, B, 및 C", "A, B, 또는 C", "A, B, 및/또는 C" 또는 "A, B, 및 C 중 적어도 하나", "A, B, 또는 C 중 적어도 하나", "A, B, 및/또는 C 중 적어도 하나" 등의 표현은, 각각의 나열된 항목 또는 나열된 항목들의 가능한 모든 조합들을 의미할 수 있다. 예를 들어, "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A, (2) 적어도 하나의 B, (3) 적어도 하나의 A 및 적어도 하나의 B를 모두 지칭할 수 있다.
본 개시에서 사용되는 "~에 기초하여"라는 표현은, 이 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는 데에 사용되고, 이 표현은 그 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.
본 개시에서 사용되는, 어떤 구성요소(예를 들어, 제1 구성요소)가 다른 구성요소(예를 들어, 제2 구성요소)에 "연결되어" 있다거나 "접속되어" 있다는 표현은, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결 또는 접속되는 것뿐 아니라, 새로운 다른 구성요소(예를 들어, 제3 구성요소)를 매개로 하여 연결 또는 접속되는 것을 의미할 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(configured to)"은 문맥에 따라, "~하도록 설정된", "~하는 능력을 가지는", "~하도록 변경된", "~하도록 만들어진", "~를 할 수 있는" 등의 의미를 가질 수 있다. 이 표현은, "하드웨어적으로 특별히 설계된"의 의미로 제한되지 않으며, 예를 들어 특정 동작을 수행하도록 구성된 프로세서란, 소프트웨어를 실행함으로써 그 특정 동작을 수행할 수 있는 범용 프로세서(generic purpose processor)를 의미하거나, 그 특정 동작을 수행하도록 프로그래밍을 통해 구조화된 특수 목적 컴퓨터(special purpose computer)를 의미할 수 있다.
이하, 첨부된 도면들을 참조하여, 본 개시에 기재된 다양한 실시예들을 설명한다. 첨부된 도면 및 도면에 대한 설명에서, 동일하거나 실질적으로 동등한(substantially equivalent) 구성요소에는 동일한 참조부호가 부여될 수 있다. 또한, 이하 다양한 실시예들의 설명에서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있으나, 이는 그 구성요소가 그 실시예에 포함되지 않는 것을 의미하지는 않는다.
도 1은 본 개시의 일 실시예에 따른 전자 장치가 적용될 수 있는 환경을 도시한다. 도 1은 본 개시의 일 실시예에 따른 전자 장치가 적용될 수 있는 환경을 도시한다. 전자 장치(110)와 데이터베이스(120)는 네트워크를 통해 연결되어, 서로 통신할 수 있다. 여기서, 전자 장치(110)와 데이터베이스(120)가 통신한다는 것은 전자 장치(110)가 데이터베이스(120)를 관리하는 데이터베이스 관리시스템(DBMS, Database Management System)과 통신하는 것을 의미할 수 있다. 즉, 전자 장치(110)는 네트워크를 통해 데이터베이스(120)에 접근할 수 있다.
전자 장치(110)는 판매 플랫폼에서 상품의 판매량을 예측하기 위한 장치일 수 있다. 판매 플랫폼은 예를 들어 온라인 상에서 하나 이상의 상품을 판매하는 전자 상거래 서비스의 판매 플랫폼을 포함할 수 있다. 전자 장치(110)는 예를 들어 판매 플랫폼을 관리하는 서버 장치를 포함하는 임의의 서버 장치 또는 판매 플랫폼에서 재고를 관리하는 전자 장치를 포함하는 임의의 전자 장치일 수 있다. 다른 예로, 전자 장치(110)는 네트워크를 통해 다양한 정보를 데이터베이스(120)와 송수신할 수 있는 단말로 구현될 수 있다. 예를 들어, 전자 장치(110)는 컴퓨터, 랩탑(laptop), 휴대용 통신 단말(스마트폰 등), 휴대용 멀티미디어 장치, 웨어러블 장치 또는 HMD 중 하나일 수 있다. 단, 전자 장치(110)의 종류는 이에 한정되지 않으며, 전자 장치(110)는 사용자로부터 정보를 입력받거나, 사용자에게 정보를 출력할 수 있는 입출력 인터페이스를 포함하고, 네트워크를 통해 데이터베이스(120) 또는 다른 기타 장치와 통신을 수행할 수 있는 임의의 장치일 수 있다. 전자 장치(110)는 상품이 얼마나 판매될지를 예측하기 위해 데이터베이스(120)에 저장된 정보를 활용할 수 있다.
전자 장치(110)는 판매량 예측에 관한 각종 정보를 사용자에게 제공할 수 있고, 사용자로부터 판매량 예측에 관한 입력을 수신할 수 있다. 구체적으로, 전자 장치(110)는 입출력 인터페이스를 통해 사용자로부터 판매량 예측에 관한 명령을 획득하고, 획득된 명령에 대응하여 판매량 예측을 수행하고, 판매량 예측의 결과를 사용자에게 출력하거나 전자 장치(110) 내에 저장, 다른 장치로의 전달 등을 수행할 수 있다. 사용자로부터 획득되는 입력은 마우스를 이용한 클릭, 터치 패드나 터치 스크린을 이용한 터치, 음성 인식, 기타 전자적 입력 또는 마이크 등을 통한 음성 입력 등 다양한 형태의 입력을 포함할 수 있다. 전자 장치(110)의 출력은 디스플레이, 프로젝터, 홀로그램 등을 통한 시각적 형태 또는 스피커 등을 통한 청각적 형태 등 다양한 형태의 출력을 포함할 수 있다.
데이터베이스(120)는 판매 플랫폼에서의 상품의 판매량 예측에 기초가 되는 정보를 저장할 수 있다. 예를 들어, 데이터베이스(120)는 판매 플랫폼에서 취급되는 상품별 판매 로그를 저장할 수 있다. 또한, 예를 들어, 데이터베이스(120)에 상품별 판매 로그가 실시간으로 업데이트 되거나, 주기적 또는 비주기적으로 반복되어 업데이트 될 수 있다. 전자 장치(110)는 데이터베이스(120)를 통해, 임의의 상품의 일자별 판매량에 관한 정보를 획득할 수 있다. 예를 들어, 특정 상품, 판매 플랫폼에서 취급하는 전체 상품 또는 판매 플랫폼에서 취급하는 전체 상품 중 특정 조건을 만족하는 상품 등의 일자별 판매량에 관한 정보를 획득할 수 있다. 나아가 임의의 상품에 대한 시간대별, 일별, 주별, 월별, 분기별, 연별, 일정 기간별 판매량에 관한 정보를 획득할 수도 있다.
네트워크는 전자 장치(110)와 데이터베이스(120) 또는 기타 외부 장치를 연결하는 역할을 수행할 수 있다. 예를 들어, 네트워크는 전자 장치(110)가 데이터베이스(120)와 연결되어 데이터베이스(120)와 패킷 데이터를 송수신할 수 있도록 접속 경로를 제공할 수 있다. 네트워크는 예를 들어, 근거리 통신망(Local Area Network, LAN), 광역 통신망(Wide Area Network, WAN), 이동 통신망(Mobile Radio Communication Network), Wibro(Wireless Broadband Internet) 등과 같은 모든 종류의 유선 또는 무선 네트워크로 구현될 수 있다.
본 개시의 다른 일 실시예에 따른 전자 장치가 적용될 수 있는 환경이자 도시되지 않은 형태로서, 전자 장치(110)가 데이터베이스를 포함할 수 있다. 이 경우, 도 1에 도시된 네트워크를 통하지 않고서 데이터베이스에 저장된 정보를 획득할 수 있다. 이 경우, 전자 장치(110)는 데이터베이스를 관리하는 데이터베이스 관리시스템(DBMS)도 포함할 수 있다.
도 2는 본 개시의 일 실시예에 따른 전자 장치(200)의 블록도이다. 전자 장치(200)는 상품의 판매량 예측에 관한 정보를 처리할 수 있다. 일 실시예에서, 전자 장치(200)는 하나 이상의 프로세서(210), 하나 이상의 메모리(220) 및 통신 인터페이스(230)를 구성요소로서 포함할 수 있다. 일 실시예에서, 전자 장치(200)의 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 전자 장치(200)에 추가될 수 있다. 일 실시예에서, 추가적으로 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 본 개시에서, 하나 이상의 프로세서(210)는 프로세서(210)라고 표현될 수 있다. 프로세서(210)라는 표현은, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 프로세서의 집합을 의미할 수 있다. 본 개시에서, 하나 이상의 메모리(220)는 메모리(220)라고 표현될 수 있다. 메모리(220)라는 표현은, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 메모리의 집합을 의미할 수 있다. 일 실시예에서, 전자 장치(200) 내/외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(General Purpose Input/Output), SPI(Serial Peripheral Interface) 또는 MIPI(Mobile Industry Processor Interface) 등을 통해 서로 연결되어, 정보(데이터, 신호 등)를 주고 받을 수 있다.
프로세서(210)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(210)에 연결된 전자 장치(200)의 적어도 한 구성요소를 제어할 수 있다. 또한 프로세서(210)는 본 개시와 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한 프로세서(210)는 데이터 등을 메모리(220)로부터 로드하거나, 메모리(220)에 저장할 수 있다. 나아가 프로세서(210)는 통신 인터페이스(230)를 통해, 데이터베이스(120)와 다양한 정보를 송수신할 수 있다. 일 실시예에서, 프로세서(210)는 통신 인터페이스(230)를 제어하여, 데이터베이스(120)에 판매량 예측에 관한 각종 정보를 요청하고, 데이터베이스(120)로부터 판매량 예측에 관한 각종 정보를 수신할 수 있다.
프로세서(210)는 과거의 제1 날짜 구간에 포함되는 날에 대한 정보 및 판매량을 예측하고자 하는 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 조정 계수를 결정할 수 있다.
일 실시예에서, 제1 날짜 구간 및 제2 날짜 구간은, 동일한 길이의 기간일 수 있다. 예를 들어, 제1 날짜 구간은 판매량 예측을 실행하는 날로부터 7일 전의 날짜부터 1일 전까지의 7개의 날짜 구간일 수 있다. 이 경우, 제2 날짜 구간은 판매량 예측을 실행하는 날부터 판매량 예측을 실행하는 날로부터 6일 뒤의 날짜까지의 7개의 날짜 구간일 수 있다. 다른 예를 들어, 제1 날짜 구간은 판매량 예측을 실행하는 날로부터 35일 전의 날짜부터 1일 전까지의 35개의 날짜 구간일 수 있다. 이 경우, 제2 날짜 구간은 판매량 예측을 실행하는 날부터 판매량 예측을 실행하는 날로부터 34일 뒤의 날짜까지의 35개의 날짜 구간일 수 있다.
일 실시예에서, 제1 또는 제2 날짜 구간에 포함되는 날에 대한 정보란, 요일 정보, 한 달 중 몇 번째 날인지에 대한 정보, 월 정보 및 주변의 특정 속성인 날에 관한 정보 중 적어도 하나를 포함할 수 있다.
여기서, 요일 정보란 해당 날이 어떤 요일인지를 지시하는 정보일 수 있다. 예를 들어, 요일에 따라서 판매 플랫폼을 이용하는 사용자들의 상품 구매 추세가 존재할 수 있다. 즉, 특정 요일에는 상품의 판매량이 많고 특정 요일에는 상품의 판매량이 적을 수 있다. 이 때, 프로세서(210)가 요일 정보에 기초하여 결정된 조정 계수를 이용하여, 판매량 예측을 수행한다면, 요일에 따른 사용자들의 상품 구매 추세를 판매량 예측에 반영할 수 있다.
또한, 한 달 중 몇 번째 날인지에 대한 정보란 해당 날이 A월 B일인 경우, B를 지시하는 정보일 수 있다. 예를 들어, 한 달 중의 일자에 따라서 판매 플랫폼을 이용하는 사용자들의 상품 구매 추세가 존재할 수 있다. 예들 들어, 월초와 월말의 전체 아이템의 판매량이 다를 수 있다. 이 때, 프로세서(210)가 한 달 중 몇 번째 날인지에 대한 정보에 기초하여 결정된 조정 계수를 이용하여, 판매량 예측을 수행한다면, 한 달 중의 일자에 따른 사용자들의 상품 구매 추세를 판매량 예측에 반영할 수 있다.
또한, 월 정보란 해당 날이 A월 B일인 경우, A를 지시하는 정보일 수 있다. 예를 들어, 일 년 중의 어떤 월인지에 따라서 판매 플랫폼을 이용하는 사용자들의 상품 구매 추세가 존재할 수 있다. 예를 들어, 연초와 연말의 전체 아이템의 판매량이 다를 수 있다. 이 때, 프로세서(210)가 월 정보에 기초하여 결정된 조정 계수를 이용하여, 판매량 예측을 수행한다면, 일 년 중의 어떤 월인지에 따른 사용자들의 상품 구매 추세를 판매량 예측에 반영할 수 있다.
또한, 주변의 특정 속성인 날에 관한 정보란 해당 날의 주변 날짜에 특정 속성인 날이 존재하는지를 지시하는 정보 및/또는 존재한다면 특정 속성인 날을 기준으로 해당 날의 날짜 관계를 지시하는 정보를 포함하는 정보일 수 있다. 예를 들어, 특정 속성인 날은 특정 공휴일(holiday)을 포함할 수 있다. 예를 들어, 특정 속성인 날은 설날, 추석, 석가탄신일, 크리스마스 등 해마다 일정하게 공적으로 쉬기로 정해진 날을 포함할 수 있다. 다시 말해, 이 경우, 설날, 추석, 석가탄신일, 크리스마스 등 해마다 일정하게 공적으로 쉬기로 정해진 날이 아닌 일요일로서의 공휴일은 특정 속성인 날에 포함되지 않을 수 있다. 다른 예를 들어, 특정 속성인 날은 발렌타인데이, 화이트데이 등과 같이 공적으로 쉬기로 정해진 날은 아니지만 아이템의 판매량과 연관될 수 있는 기념일을 포함할 수도 있다. 예를 들어, 주변의 특정 속성인 날에 관한 정보는 해당 날이 특정 속성인 날로부터 N일 전에서 특정 속성인 날로부터 M일 후까지의 기간에 포함되는지 여부를 지시하는 정보를 포함할 수 있다. 여기서, N과 M은 1보다 크고 7 이하의 자연수일 수 있다. 예를 들어, 주변의 특정 속성인 날에 관한 정보는 해당 날이 특정 속성인 날로부터 얼마나 전인지, 특정 속성인 날 당일인지, 또는 특정 속성인 날로부터 얼마나 후인지를 지시하는 정보를 포함할 수 있다. 어떤 날의 주변에 특정 속성인 날이 있는지 그리고 어떤 날과 특정 속성인 날의 날짜 관계에 따른 판매 플랫폼을 이용하는 사용자들의 상품 구매 추세가 존재할 수 있다. 예를 들어, 특정 속성인 날과 무관한 날보다 특정 속성인 날의 주변의 날짜에 전체 내지 임의의 아이템의 판매량이 더 높을 수 있다. 이 때, 프로세서(210)가 주변의 특정 속성인 날에 관한 정보에 기초하여 결정된 조정 계수를 이용하여, 판매량 예측을 수행한다면, 특정 속성인 날에 따른 사용자들의 상품 구매 추세를 판매량 예측에 반영할 수 있다.
프로세서(210)가 조정 계수를 결정하는 단계에 대해서는 후술되는 도 3에서 구체적으로 설명한다.
프로세서(210)는 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 정보 및 조정 계수에 기초하여, 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값을 결정할 수 있다. 여기서, 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 정보란, 제1 날짜 구간 동안 하나 이상의 아이템이 판매된 총량을 의미할 수 있다. 또한, 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값이란, 제2 날짜 구간 동안 하나 이상의 아이템이 판매될 총량을 예측한 값일 수 있다. 예를 들어, 프로세서(210)는 제1 날짜 구간의 하나의 특정 아이템의 총 판매량 정보 및 조정 계수에 기초하여, 제2 날짜 구간의 하나의 특정 아이템의 총 판매량 예측값을 결정할 수 있다.
구체적으로, 예를 들어, 프로세서(210)는 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 값에 조정 계수를 곱한 값을 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값으로 결정할 수 있다. 또는, 프로세서(210)는 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 값에 기초하여 판매량 예측에 관한 다른 예측 모델을 통해 결정된 값을 구하고, 예측 모델을 통해 결정된 값과 조정 계수에 기초하여 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값으로 결정할 수 있다. 예를 들어, 이 때, 판매량 예측에 관한 다른 예측 모델은 종래에 사용되는 과거의 특정 기간 동안의 판매량에 기초하여 예측 대상이 되는 다른 기간 동안의 판매량을 예측하는 종래에 알려진 임의의 예측 모델일 수 있다.
일 실시예에서, 프로세서(210)는 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값 및 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 제2 날짜 구간에 포함되는 날의 하나 이상의 아이템의 일별 판매량 예측값을 결정할 수 있다. 여기서, 제2 날짜 구간에 포함되는 날의 하나 이상의 아이템의 일별 판매량 예측값이란, 제2 날짜 구간에 포함되는 날에 포함되는 하나의 날에 대하여 하나 이상의 아이템의 판매량을 예측한 값일 수 있다. 예를 들어, 프로세서(210)는 제2 날짜 구간의 하나의 아이템의 총 판매량 예측값 및 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 제2 날짜 구간에 포함되는 날의 하나의 아이템의 일별 판매량 예측값을 결정할 수 있다.
구체적으로, 일 실시예에서, 프로세서(210)는 제2 날짜 구간에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값, 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값, 월 정보에 대응하는 제3 값 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값에 기초하여, 제5 값을 결정할 수 있다. 즉, 제2 날짜 구간에 포함되는 날의 각각에 대응하는 제5 값이 개별적으로 정해질 수 있다. 프로세서(210)가 제2 날짜 구간에 포함되는 날의 각각에 대하여 제1 값 내지 제5 값을 결정하는 것은 후술되는 도 3에서 구체적으로 설명한다. 이어서, 프로세서(210)는 제2 날짜 구간에 포함되는 날의 각각의 제5 값의 총합에 대비한 제2 날짜 구간에 포함되는 특정 날의 제5 값의 비율을 결정할 수 있다. 즉, 프로세서(210)는 (제2 날짜 구간에 포함되는 특정 날의 제5 값)/(제2 날짜 구간에 포함되는 날의 각각의 제5 값의 총합)을 계산할 수 있다. 이어서, 프로세서(210)는 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값 및 제2 날짜 구간에 포함되는 날의 각각의 제5 값의 총합에 대비한 제2 날짜 구간에 포함되는 특정 날의 제5 값의 비율에 기초하여, 제2 날짜 구간에 포함되는 특정 날의 일별 판매량 예측값을 결정할 수 있다. 예를 들어, 프로세서(210)는 (제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값)*(제2 날짜 구간에 포함되는 날의 각각의 제5 값의 총합에 대비한 제2 날짜 구간에 포함되는 특정 날의 제5 값의 비율)으로서 특정 날의 일별 판매량 예측값을 결정할 수 있다.
메모리(220)는 다양한 정보(데이터)를 저장할 수 있다. 메모리(220)에 저장되는 정보는, 전자 장치(200)의 적어도 한 구성요소에 의해 획득되거나, 처리되거나, 사용되는 정보로서, 소프트웨어(예: 명령어, 프로그램 등)를 포함할 수 있다. 메모리(220)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 개시에서, 명령 내지 프로그램은 메모리(220)에 저장되는 소프트웨어로서, 전자 장치(200)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 전자 장치(200)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들웨어 등을 포함할 수 있다. 일 실시예에서, 메모리(220)는 프로세서(210)에 의한 실행 시 프로세서(210)가 연산을 수행하도록 하는 명령어들을 저장할 수 있다. 메모리(220)는 통신 인터페이스(230)를 통하여 데이터베이스로부터 수신된 정보 및/또는 통신 인터페이스(230)를 통하여 데이터베이스에 송신된 정보의 적어도 일부를 저장할 수 있다. 구체적으로, 메모리(220)는 상품의 판매량 예측에 관한 정보 및 프로세서(210)에 의해 실행되는 명령어들을 저장할 수 있다.
통신 인터페이스(communication interface, 230)는 전자 장치(200)와 데이터베이스 또는 다른 외부 전자 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(230)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(Long-Term Evolution), LTE-A(LTE Advance), NR(New Radio), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), WiBro(Wireless Broadband), WiFi(Wireless Fidelity), 블루투스(Bluetooth), NFC(Near Field Communication), GPS(Global Positioning System) 또는 GNSS(Global Navigation Satellite System) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(230)는 USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), RS-232(Recommended Standard-232) 또는 POTS(Plain Old Telephone Service) 등의 방식에 따른 유선 통신을 수행할 수 있다. 일 실시예에서, 전자 장치(200)는 다른 장치와 통합되어 구현될 수도 있다. 이 경우, 통신 인터페이스(230)는 전자 장치(200)와 해당 다른 장치를 연결하는 접속 회로 내지 인터페이스로서 기능할 수 있다.
이하, 도 3 내지 도 5b에서 전자 장치에 의해 수행되는 것으로 설명되는 동작은, 도 2에서 설명된 전자 장치(200)의 프로세서(210)에 의해 수행되는 것으로 이해될 수 있다.
도 3은 본 개시의 일 실시예에 따른 방법에 따라 조정 계수(303)를 구하는 것을 나타내는 도면이다. 일 실시예에서, 전자 장치는 제1 날짜 구간(301) 및 제2 날짜 구간(302)에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값(a1, b1, c1, …, n1), 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값(a2, b2, c2, …, n2), 월 정보에 대응하는 제3 값(a3, b3, c3, …, n3) 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값(a4, b4, c4, …, n4)에 기초하여, 제5 값(a5, b5, c5, …, n5)을 결정할 수 있다.
일 실시예에서, 전자 장치는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)을 결정할 수 있다. 즉, 전자 장치는 판매 플랫폼에서 날짜에 따른 전체 아이템의 판매량의 추세를 파악하기 위하여, 특정 아이템이 아닌 판매 플랫폼에서 취급하는 전체 아이템의 일별 판매량 정보에 기초하여, 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)을 결정할 수 있다. 대안적으로, 전자 장치는 특정 아이템 또는 특정 아이템 그룹의 일별 판매량 정보에 기초하여, 제1값 내지 제4값을 결정할 수도 있다.
일 실시예에서, 전자 장치는 요일 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제1 값(a1, b1, c1, …, n1)을 결정할 수 있다. 예를 들어, 전자 장치는 월요일에서 일요일까지를 각각 1 내지 7의 독립변수로 설정할 수 있다. 이어서, 전자 장치는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 따른 선형 회귀 분석에 의해 도출된 각각의 요일의 대응하는 일별 판매량 예측값을 결정할 수 있다. 이어서, 전자 장치는 각각의 요일의 대응하는 일별 판매량 예측값에 비례하는 값으로서, 각각의 요일에 대응하는 제1 값을 설정할 수 있다. 이어서, 전자 장치는 설정된 각각의 요일에 대응하는 제1 값의 정보에 따라서, 제1 날짜 구간(301) 및 제2 날짜 구간(302)에 포함되는 날의 각각의 요일에 대응하는 제1 값(a1, b1, c1, …, n1)을 결정할 수 있다.
일 실시예에서, 전자 장치는 한 달 중 몇 번째 날인지에 대한 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제2 값(a2, b2, c2, …, n2)을 결정할 수 있다. 예를 들어, 전자 장치는 1일에서 31일까지를 각각 1 내지 31의 독립변수로 설정할 수 있다. 이어서, 전자 장치는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 따른 선형 회귀 분석에 의해 도출된 각각의 한 달 중 일자에 대응하는 일별 판매량 예측값을 결정할 수 있다. 이어서, 전자 장치는 각각의 한 달 중 일자에 대응하는 일별 판매량 예측값에 비례하는 값으로서, 각각의 한 달 중 일자에 대응하는 제2 값을 설정할 수 있다. 이어서, 전자 장치는 설정된 각각의 한 달 중 일자에 대응하는 제2 값의 정보에 따라서, 제1 날짜 구간(301) 및 제2 날짜 구간(302)에 포함되는 날의 각각의 한 달 중 일자에 대응하는 제2 값(a2, b2, c2, …, n2)을 결정할 수 있다.
일 실시예에서, 전자 장치는 월 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제3 값(a3, b3, c3, …, n3)을 결정할 수 있다. 예를 들어, 전자 장치는 1월에서 12월까지를 각각 1 내지 12의 독립변수로 설정할 수 있다. 이어서, 전자 장치는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 따른 선형 회귀 분석에 의해 도출된 각각의 월에 대응하는 일별 판매량 예측값을 결정할 수 있다. 이어서, 전자 장치는 각각의 월에 대응하는 일별 판매량 예측값에 비례하는 값으로서, 각각의 월에 대응하는 제3 값을 설정할 수 있다. 이어서, 전자 장치는 설정된 월에 대응하는 제3 값의 정보에 따라서, 제1 날짜 구간(301) 및 제2 날짜 구간(302)에 포함되는 날의 각각의 월에 대응하는 제3 값(a3, b3, c3, …, n3)을 결정할 수 있다.
일 실시예에서, 전자 장치는 주변의 특정 속성인 날에 관한 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제4 값(a4, b4, c4, …, n4)을 결정할 수 있다. 예를 들어, 전자 장치는 특정 속성인 날을 기준으로 N일 전의 날에서 특정 속성인 날을 기준으로 M일 후의 날까지를 각각 1 내지 N+M+1의 독립변수로 설정할 수 있다. 이어서, 전자 장치는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 따른 선형 회귀 분석에 의해 도출된 각각의 특정 속성인 날을 기준으로 한 날짜 관계에 대응하는 일별 판매량 예측값을 결정할 수 있다. 이어서, 전자 장치는 각각의 특정 속성인 날을 기준으로 한 날짜 관계에 대응하는 일별 판매량 예측값에 비례하는 값으로서, 각각의 특정 속성인 날을 기준으로 한 날짜 관계에 대응하는 제4 값을 설정할 수 있다. 이어서, 전자 장치는 설정된 특정 속성인 날을 기준으로 한 날짜 관계에 대응하는 제4 값의 정보에 따라서, 제1 날짜 구간(301) 및 제2 날짜 구간(302)에 포함되는 날의 각각의 특정 속성인 날을 기준으로 한 날짜 관계에 대응하는 제4 값(a4, b4, c4, …, n4)을 결정할 수 있다. 예를 들어, 전자 장치는 제1 날짜 구간(301) 및 제2 날짜 구간(302)에 포함되는 임의의 날의 주변에 특정 속성인 날이 없는 경우, 해당 임의의 날에 대응하는 제4 값을 0으로 설정할 수 있다.
일 실시예에서, 전자 장치는 제1 값 내지 제4 값에 대하여 일별 판매량 예측값에 비례하는 값으로서 각각의 값을 결정하는 과정에서, 제1 값 내지 제4 값의 스케일(즉, 일별 판매량 예측값과 제1 내지 제4 값 각각 간의 비례 상수)을 설정할 수 있다. 예를 들어, 전자 장치는 상술한 제1 값 내지 제4 값을 결정하는 과정에서 일별 판매량 예측값과 제1 내지 제4 값 각각 간의 비례 상수를 동일하게 설정할 수 있다. 또는, 예를 들어, 임의의 날의 주변에 특정 속성인 날이 존재하지 않는 경우, 해당 임의의 날에 대응하는 제4 값이 0으로 결정될 수 있는 것을 고려하면, 특정 날의 주변에 특정 속성인 날이 존재하는 경우와 존재하지 않는 경우 간에 제5 값의 차이가 과도하게 커질 수 있으므로, 전자 장치는 제4 값의 스케일을 다른 제1 값 내지 제3 값에 비해 적절히 작게 조정할 수 있다. 즉, 전자 장치는 일별 판매량 예측값과 제4 값 간의 비례 상수를 일별 판매량 예측값과 제1 내지 제3 값 각각 간의 비례 상수보다 작게 설정할 수 있다.
다른 일 실시예에서, 전자 장치는 선형 회귀 분석을 사용하지 않는 방법으로서, 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 각각의 요일에 대한 판매 플랫폼의 전체 아이템의 평균 일별 판매량에 비례하는 값으로서, 각각의 요일에 대응하는 제1 값을 설정할 수 있다. 다른 일 실시예에서, 전자 장치는 선형 회귀 분석을 사용하지 않는 방법으로서, 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 각각의 한 달 중 일자에 대한 판매 플랫폼의 전체 아이템의 평균 일별 판매량에 비례하는 값으로서, 각각의 한 달 중 일자에 대응하는 제2 값을 설정할 수 있다. 다른 일 실시예에서, 전자 장치는 선형 회귀 분석을 사용하지 않는 방법으로서, 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 각각의 월에 대한 판매 플랫폼의 전체 아이템의 평균 일별 판매량에 비례하는 값으로서, 각각의 월에 대응하는 제3 값을 설정할 수 있다. 다른 일 실시예에서, 전자 장치는 선형 회귀 분석을 사용하지 않는 방법으로서, 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 각각의 특정 속성인 날을 기준으로 한 날짜 관계에 대한 판매 플랫폼의 전체 아이템의 평균 일별 판매량에 비례하는 값으로서, 각각의 특정 속성인 날을 기준으로 한 날짜 관계에 대응하는 제4 값을 설정할 수 있다.
일 실시예에서, 전자 장치는 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)에 기초하여, 제5 값(a5, b5, c5, …, n5)을 결정할 수 있다. 예를 들어, 전자 장치는 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)을 합산하여, 제5 값(a5, b5, c5, …, n5)을 결정할 수 있다. 즉, 대표적인 예로서 전자 장치는 a1, a2, a3 및 a4를 합한 값을 a5로 결정할 수 있다.
또 다른 일 실시예에서, 전자 장치는 요일 정보, 한 달 중 몇 번째 날인지에 대한 정보, 월 정보 및 주변의 특정 속성인 날에 관한 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 다중 선형 회귀 분석에 기초하여, 제1 값(a1, b1, c1, …, n1) 내지 제4 값(a4, b4, c4, …, n4)을 결정할 수 있다. 예를 들어, 전자 장치는 상술한 방법과 동일하게 요일 정보, 한 달 중 몇 번째 날인지에 대한 정보, 월 정보 및 주변의 특정 속성인 날에 관한 정보의 각각에 따른 독립변수를 설정할 수 있다. 이어서, 전자 장치는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 따른 다중 선형 회귀 분석에 의해 도출된 요일 정보, 한 달 중 몇 번째 날인지에 대한 정보, 월 정보 및 주변의 특정 속성인 날에 관한 정보의 조합 각각에 대응하는 일별 판매량 예측값을 결정할 수 있다. 이어서, 전자 장치는 일별 판매량 예측값에 비례하는 값으로서, 요일 정보, 한 달 중 몇 번째 날인지에 대한 정보, 월 정보 및 주변의 특정 속성인 날에 관한 정보의 조합 각각에 대응하는 제5 값을 설정할 수 있다. 이어서, 전자 장치는 설정된 요일 정보, 한 달 중 몇 번째 날인지에 대한 정보, 월 정보 및 주변의 특정 속성인 날에 관한 정보의 조합에 대응하는 제5 값의 정보에 따라서, 제1 날짜 구간(301) 및 제2 날짜 구간(302)에 포함되는 날의 요일 정보, 한 달 중 몇 번째 날인지에 대한 정보, 월 정보 및 주변의 특정 속성인 날에 관한 정보의 조합 각각에 대응하는 제5 값(a5, b5, c5, …, n5)을 결정할 수 있다.
이어서, 전자 장치는 제1 날짜 구간(301)에 포함되는 날의 각각에 대응하는 제5 값(a5, b5, c5, …, g5)의 합(X)과 제2 날짜 구간(302)에 포함되는 날의 각각에 대응하는 제5 값(h5, i5, j5, …, n5)의 합(Y)의 비율에 기초하여, 조정 계수(303)를 결정할 수 있다. 예를 들어, 전자 장치는 X/Y를 조정 계수(303)로 결정할 수 있다. 다른 예로, 전자 장치는 X/Y에 다른 조정 값을 곱한 값을 조정 계수(303)로 결정할 수 있다.
또 다른 일 실시예에서, 전자 장치는 조정 계수를 다른 방법으로 결정할 수 있다. 전자 장치는 상술한 방법과 동일하게 X/Y의 값을 결정한 후, [제1 날짜 구간(301)의 판매 플랫폼의 전체 아이템의 총 판매량*X/Y]과 [종래의 예측 모델에 의해 예측된 제2 날짜 구간(302)의 판매 플랫폼의 전체 아이템의 총 판매량]의 비율을 결정할 수 있다. 일 실시예에서, 전자 장치는 결정된 비율을 조정 계수로 결정할 수 있다. 이 경우, 전자 장치는 종래의 예측 모델에 의해 결정된 특정 아이템에 대한 제2 날짜 구간(302)의 총 판매량 예측값에 조정 계수를 곱하여, 조정된 제2 날짜 구간(302)의 총 판매량 예측값을 결정할 수 있다. 즉, 이 경우, 조정 계수는 종래의 예측 모델에 따른 예측 결과값을 수정하는 계수로서 이용될 수 있다.
일 실시예에서, 전자 장치는 제2 날짜 구간(302)의 하나 이상의 아이템의 총 판매량 예측값을 결정하는 단계 전에 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)이 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여 결정된 값인지 확인할 수 있다. 즉, 전자 장치는 데이터베이스에 저장된 최신의 정보에 기초한 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 따라 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)이 결정되었는지 확인할 수 있다.
또한, 전자 장치는 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)이 판매 플랫폼의 전체 아이템의 최신의 일별 판매량에 기초하여 결정된 값이 아닌 것에 응답하여, 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여, 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)을 업데이트할 수 있다. 즉, 전자 장치는 데이터베이스에 저장된 최신의 정보에 기초하여 상술한 방법에 따라 제1 값(a1, b1, c1, …, n1), 제2 값(a2, b2, c2, …, n2), 제3 값(a3, b3, c3, …, n3) 및 제4 값(a4, b4, c4, …, n4)을 업데이트함으로써, 더욱 정확한 예측 결과를 도출할 수 있다.
도 4a 및 도 4b는 각각 종래의 방법에 의한 판매량 예측값과 본 개시의 일 실시예에 따른 방법에 의한 판매량 예측 결과를 나타내는 그래프이다. 점선(401 및 403)은 판매량 예측값을 나타낸 선이고, 실선(402 및 404)은 실제 판매량을 나타낸 선이다. 구체적으로, 점선(401 및 403)은 2022년 7월 31일에 예측된 2022년 7월 31일부터 2022년 9월 3일까지의 일별 판매량 예측값을 나타낸 것이고, 실선(402 및 404)은 2022년 7월 31일부터 2022년 9월 3일까지의 실제의 일별 판매량을 나타낸 것일 수 있다. 이 경우, 예를 들어, 2022년 7월 31일부터 2022년 9월 3일까지의 일별 판매량 예측값은 35일의 판매량 예측값이므로, 이전 35일의 일별 판매량 정보에 기초하여, 즉, 2022년 6월 26일부터 2022년 7월 30일까지의 일별 판매량 정보에 기초하여, 예측될 수 있다.
도 4a와 도 4b를 비교하면, 종래의 방법에 의한 판매량 예측값은 실제값과의 편차가 커서 점선(401)과 실선(402)이 멀리 떨어져 있고, 일 실시예에 따른 방법에 의한 판매량 예측값은 실제값과의 편차가 작아서 점선(403)과 실선(404)이 상대적으로 가까운 것을 확인할 수 있다. 또한, 특정 날짜에서의 판매량이 증가하는 현상(예를 들어, 2022년 8월 1일 판매량이 증가하는 현상)도 비교적 정확하게 예측함을 확인할 수 있다. 즉, 일 실시예에 따른 방법에 의해서 일별 판매량 예측값을 더욱 정확하게 구할 수 있다.
도 5a 및 도 5b는 각각 종래의 방법에 의한 판매량 예측값과 본 개시의 일 실시예에 따른 방법에 의한 판매량 예측 결과를 나타내는 표이다.
예를 들어, 2022년 5월 1일이라는 판매량 예측의 대상이 되는 날짜(즉, 판매량을 예측하고자 하는 기간의 기산일)에 대하여, 2022년 4월 26일과 2022년 5월 1일 등의 여러 날짜에 예측이 실행될 수 있다. 이 때, 각각의 실행 날짜에 따라서, 활용하는 데이터의 날짜가 상이할 수 있으므로, 이에 따른 오차가 발생할 수 있다. 도 5a 및 5b의 표는 2022년 5월 1일, 5월 29일, 6월 26일, 7월 31일의 예측 대상 날짜에 대하여, 각각 두 개씩의 예측 실행 날짜에 예측된 판매량에 관한 서로 다른 결과를 나타낸다. 즉, 하나의 예측 대상 날짜에 대해서 각각의 예측 실행 날짜에 따라서, 오차, 판매량 예측값 및 실제 판매량이 다르게 나타난다. 또한, 각각의 예측 대상 날짜에 대하여, 두 개의 예측 실행 날짜 간의 오차의 차이를 오차 갭으로 나타내었다.
도 5a 및 5b의 표를 참조하면, 각각의 예측 대상 날짜에 대한 오차 갭은 종래의 방법에 의한 경우, 5.84%, 6.16%, 2.18% 및 3.41%로 나타났고, 일 실시예에 따른 방법에 의한 경우, 3.20%, 3.46%, -0.37% 및 0.84%로 나타났다. 즉, 종래의 방법에 의한 경우의 오차 갭의 평균은 4.40%이고, 일 실시예에 따른 방법에 의한 경우, 오차 갭의 평균은 1.78%로서, 일 실시예에 따른 방법에 의해 오차 갭이 개선된 것을 확인할 수 있다. 이처럼, 본 개시에 따를 경우 판매 플랫폼에서 예측 실행 날짜에 따른 상품의 판매량 예측값의 편차를 저감할 수 있다.
도 6은 본 개시의 일 실시예에 따른 방법(600)을 나타낸 동작흐름도이다. 도 6을 참조하면, 방법(600)은 과거의 제1 날짜 구간에 포함되는 날에 대한 정보 및 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 조정 계수를 결정하는 단계(S610) 및 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 정보 및 조정 계수에 기초하여, 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값을 결정하는 단계(S620)를 포함할 수 있다. 여기서, 단계 S610 및 S620과 이하 설명되는 단계들은 전자 장치(200)의 프로세서(210)에 의해 수행될 수 있다.
일 실시예에서, 방법(600)은 제2 날짜 구간의 하나 이상의 아이템의 총 판매량 예측값 및 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 제2 날짜 구간에 포함되는 날의 하나 이상의 아이템의 일별 판매량 예측값을 결정하는 단계를 더 포함할 수 있다. 여기서, 제2 날짜 구간에 포함되는 날의 일별 판매량 예측값을 결정하는 단계는 제2 날짜 구간에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값, 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값, 월 정보에 대응하는 제3 값 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값에 기초하여, 제5 값을 결정하는 단계, 제2 날짜 구간에 포함되는 날의 각각의 제5 값의 총합에 대비한 제2 날짜 구간에 포함되는 특정 날의 제5 값의 비율을 결정하는 단계 및 총 판매량 예측값 및 제2 날짜 구간에 포함되는 특정 날의 제5 값의 비율에 기초하여, 제2 날짜 구간에 포함되는 특정 날의 일별 판매량 예측값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 단계 S610은 제1 날짜 구간 및 제2 날짜 구간에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값, 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값, 월 정보에 대응하는 제3 값 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값에 기초하여, 제5 값을 결정하는 단계 및 제1 날짜 구간에 포함되는 날의 각각에 대응하는 제5 값의 합과 제2 날짜 구간에 포함되는 날의 각각에 대응하는 제5 값의 합의 비율에 기초하여, 조정 계수를 결정하는 단계를 포함할 수 있다. 여기서, 제5 값을 결정하는 단계는 제1 값, 제2 값, 제3 값 및 제4 값을 합산하여, 제5 값을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 단계 S610은 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 제1 값, 제2 값, 제3 값 및 제4 값을 결정하는 단계를 더 포함할 수 있다. 여기서, 제1 값, 제2 값, 제3 값 및 제4 값을 결정하는 단계는 요일 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제1 값을 결정하는 단계, 한 달 중 몇 번째 날인지에 대한 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제2 값을 결정하는 단계, 월 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제3 값을 결정하는 단계 및 주변의 특정 속성인 날에 관한 정보를 변수로 가지는 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 제4 값을 결정하는 단계 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 방법(600)은 단계 S620의 전에, 제1 값, 제2 값, 제3 값 및 제4 값이 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여 결정된 값인지 확인하는 단계 및 제1 값, 제2 값, 제3 값 및 제4 값이 판매 플랫폼의 전체 아이템의 최신의 일별 판매량에 기초하여 결정된 값이 아닌 것에 응답하여, 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여, 제1 값, 제2 값, 제3 값 및 제4 값을 업데이트하는 단계를 더 포함할 수 있다.
본 개시에 따른 흐름도에서, 방법 또는 알고리즘의 각 단계들은 순차적인 순서로 설명되었지만, 각 단계들은 순차적으로 수행되는 것 외에, 임의로 조합될 수 있는 순서에 따라 수행될 수도 있다. 본 개시의 순서도 또는 흐름도에 관한 설명은, 방법 또는 알고리즘에 변화 또는 수정을 가하는 것을 제외하지 않으며, 임의의 단계가 필수적이거나 바람직하다는 것을 의미하지 않는다. 일 실시예에서, 적어도 일부의 단계가 병렬적, 반복적 또는 휴리스틱하게 수행될 수 있다. 다른 일 실시예에서, 적어도 일부의 단계가 생략되거나, 다른 단계가 추가될 수 있다.
본 개시에 따른 다양한 실시예들은 기기(Machine)가 읽을 수 있는 저장매체(Machine-Readable Storage Medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 개시에 기재된 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 개시가 속하는 기술분야의 프로그래머들에 의해 본 개시에 기재된 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령(예를 들어, 인스트럭션, 코드 또는 코드 세그먼트)을 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예에서, 기기는 본 개시에 기재된 다양한 실시예들에 따른 컴퓨팅 장치일 수 있다. 일 실시예에서, 기기의 프로세서는 호출된 명령을 실행하여, 기기의 구성요소들이 이 명령에 대응하는 기능을 수행하게 할 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(Recording Medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 일 실시예에서, 저장매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수 있다. 이때, 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 다른 일 실시예에서, 저장 매체는 비일시적(non-transitory) 저장매체일 수 있다. 비일시적 저장매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(Tangible Medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(Signal)를 포함하지 않는다.
이상 다양한 실시예들에 의해 본 개시에 따른 기술적 사상이 설명되었지만, 본 개시에 따른 기술적 사상은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 범위에서 이루어질 수 있는 다양한 치환, 변형 및 변경을 포함한다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 포함될 수 있는 것으로 이해되어야 한다.

Claims (18)

  1. 판매 플랫폼에서 판매량을 예측하는, 전자 장치에 의해 수행되는 방법에 있어서,
    과거의 제1 날짜 구간에 포함되는 날에 대한 정보 및 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 조정 계수를 결정하는 단계; 및
    상기 제1 날짜 구간의 하나 이상의 아이템의 총 판매량 정보 및 상기 조정 계수에 기초하여, 상기 제2 날짜 구간의 상기 하나 이상의 아이템의 총 판매량 예측값을 결정하는 단계를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 제2 날짜 구간의 상기 하나 이상의 아이템의 총 판매량 예측값 및 상기 제2 날짜 구간에 포함되는 날에 대한 정보에 기초하여, 상기 제2 날짜 구간에 포함되는 날의 상기 하나 이상의 아이템의 일별 판매량 예측값을 결정하는 단계를 더 포함하는, 방법.
  3. 제1항에 있어서,
    상기 제1 날짜 구간 및 상기 제2 날짜 구간은, 동일한 길이의 기간인, 방법.
  4. 제1항에 있어서,
    상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날의 요일 정보를 포함하고,
    상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날의 요일 정보를 포함하는, 방법.
  5. 제1항에 있어서,
    상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날이 한 달 중 몇 번째 날인지에 대한 정보를 포함하고,
    상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날이 한 달 중 몇 번째 날인지에 대한 정보를 포함하는, 방법.
  6. 제1항에 있어서,
    상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날의 월 정보를 포함하고,
    상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날의 월 정보를 포함하는, 방법.
  7. 제1항에 있어서,
    상기 제1 날짜 구간에 포함되는 날에 대한 정보는, 상기 제1 날짜 구간에 포함되는 날의 주변의 특정 속성인 날에 관한 정보를 포함하고,
    상기 제2 날짜 구간에 포함되는 날에 대한 정보는, 상기 제2 날짜 구간에 포함되는 날의 주변의 특정 속성인 날에 관한 정보를 포함하는, 방법.
  8. 제1항에 있어서,
    상기 조정 계수를 결정하는 단계는,
    상기 제1 날짜 구간 및 상기 제2 날짜 구간에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값, 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값, 월 정보에 대응하는 제3 값 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값에 기초하여, 제5 값을 결정하는 단계; 및
    상기 제1 날짜 구간에 포함되는 날의 각각에 대응하는 상기 제5 값의 합과 상기 제2 날짜 구간에 포함되는 날의 각각에 대응하는 상기 제5 값의 합의 비율에 기초하여, 상기 조정 계수를 결정하는 단계를 포함하는, 방법.
  9. 제8항에 있어서,
    상기 제5 값을 결정하는 단계는,
    상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 합산하여, 상기 제5 값을 결정하는 단계를 포함하는, 방법.
  10. 제8항에 있어서,
    상기 조정 계수를 결정하는 단계는,
    상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 기초하여, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계를 더 포함하는, 방법.
  11. 제10항에 있어서,
    상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는,
    요일 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제1 값을 결정하는 단계를 포함하는, 방법.
  12. 제10항에 있어서,
    상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는,
    한 달 중 몇 번째 날인지에 대한 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제2 값을 결정하는 단계를 포함하는, 방법.
  13. 제10항에 있어서,
    상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는,
    월 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제3 값을 결정하는 단계를 포함하는, 방법.
  14. 제10항에 있어서,
    상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 결정하는 단계는,
    주변의 특정 속성인 날에 관한 정보를 변수로 가지는 상기 판매 플랫폼의 전체 아이템의 일별 판매량 정보에 대한 선형 회귀 분석에 기초하여, 상기 제4 값을 결정하는 단계를 포함하는, 방법.
  15. 제10항에 있어서,
    상기 제2 날짜 구간의 상기 하나 이상의 아이템의 총 판매량 예측값을 결정하는 단계 전에:
    상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값이 상기 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여 결정된 값인지 확인하는 단계; 및
    상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값이 상기 판매 플랫폼의 전체 아이템의 최신의 일별 판매량에 기초하여 결정된 값이 아닌 것에 응답하여, 상기 판매 플랫폼의 전체 아이템의 최신의 일별 판매량 정보에 기초하여, 상기 제1 값, 상기 제2 값, 상기 제3 값 및 상기 제4 값을 업데이트하는 단계를 더 포함하는, 방법.
  16. 제2항에 있어서,
    상기 제2 날짜 구간에 포함되는 날의 일별 판매량 예측값을 결정하는 단계는,
    상기 제2 날짜 구간에 포함되는 날의 각각에 대하여, 요일 정보에 대응하는 제1 값, 한 달 중 몇 번째 날인지에 대한 정보에 대응하는 제2 값, 월 정보에 대응하는 제3 값 및 주변의 특정 속성인 날에 관한 정보에 대응하는 제4 값에 기초하여, 제5 값을 결정하는 단계;
    상기 제2 날짜 구간에 포함되는 날의 각각의 상기 제5 값의 총합에 대비한 상기 제2 날짜 구간에 포함되는 특정 날의 상기 제5 값의 비율을 결정하는 단계; 및
    상기 총 판매량 예측값 및 상기 제2 날짜 구간에 포함되는 상기 특정 날의 상기 제5 값의 비율에 기초하여, 상기 제2 날짜 구간에 포함되는 상기 특정 날의 상기 일별 판매량 예측값을 결정하는 단계를 포함하는, 방법.
  17. 판매 플랫폼에서 판매량을 예측하는 전자 장치에 있어서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 의해 실행되는 명령어들이 저장된 하나 이상의 메모리를 포함하고,
    상기 하나 이상의 프로세서에 의해 상기 명령어들이 실행될 시, 상기 하나 이상의 프로세서는, 제1항 내지 제16항 중 어느 한 항에 따른 방법을 실행하도록 구성되는, 전자 장치.
  18. 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 동작을 수행하도록 하는 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록매체에 있어서,
    상기 명령들은, 상기 하나 이상의 프로세서로 하여금, 제1항 내지 제16항 중 어느 한 항에 따른 방법을 실행하도록 구성되는, 비일시적 컴퓨터 판독 가능 기록매체.
PCT/KR2023/008006 2023-06-08 2023-06-12 판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체 Ceased WO2024253232A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230073506A KR102769457B1 (ko) 2023-06-08 2023-06-08 판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체
KR10-2023-0073506 2023-06-08

Publications (1)

Publication Number Publication Date
WO2024253232A1 true WO2024253232A1 (ko) 2024-12-12

Family

ID=93795621

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/008006 Ceased WO2024253232A1 (ko) 2023-06-08 2023-06-12 판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체

Country Status (3)

Country Link
KR (2) KR102769457B1 (ko)
TW (1) TWI907806B (ko)
WO (1) WO2024253232A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010146413A (ja) * 2008-12-19 2010-07-01 Hitachi East Japan Solutions Ltd 需要予測装置
KR102264013B1 (ko) * 2019-04-09 2021-06-11 카페24 주식회사 상품 판매량 예측 방법, 장치 및 시스템
JP6992526B2 (ja) * 2018-01-12 2022-01-13 富士通株式会社 需要予測プログラム、需要予測方法および需要予測装置
JP2022154885A (ja) * 2021-03-30 2022-10-13 株式会社オージス総研 学習方法、学習モデル、予測方法、予測装置、及びコンピュータプログラム
KR20220162342A (ko) * 2021-06-01 2022-12-08 주식회사 에이아이닷엠 과거 일별 판매량 추정 및 미래 판매량 예측 모델 생성 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971348B (zh) * 2016-01-14 2021-04-30 阿里巴巴集团控股有限公司 一种基于时间序列的数据预测方法和装置
CA2954839A1 (en) * 2016-01-22 2017-07-22 Wal-Mart Stores, Inc. Systems and methods of enabling forecasting
CN116151861B (zh) * 2023-04-21 2023-07-18 杭州比智科技有限公司 基于间断时间序列样本构建的销量预测模型的构建方法
CN116188061B (zh) * 2023-04-27 2023-10-17 北京永辉科技有限公司 商品销量预测方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010146413A (ja) * 2008-12-19 2010-07-01 Hitachi East Japan Solutions Ltd 需要予測装置
JP6992526B2 (ja) * 2018-01-12 2022-01-13 富士通株式会社 需要予測プログラム、需要予測方法および需要予測装置
KR102264013B1 (ko) * 2019-04-09 2021-06-11 카페24 주식회사 상품 판매량 예측 방법, 장치 및 시스템
JP2022154885A (ja) * 2021-03-30 2022-10-13 株式会社オージス総研 学習方法、学習モデル、予測方法、予測装置、及びコンピュータプログラム
KR20220162342A (ko) * 2021-06-01 2022-12-08 주식회사 에이아이닷엠 과거 일별 판매량 추정 및 미래 판매량 예측 모델 생성 방법

Also Published As

Publication number Publication date
KR20250025395A (ko) 2025-02-21
KR20240174278A (ko) 2024-12-17
KR102932838B1 (ko) 2026-03-03
TWI907806B (zh) 2025-12-11
KR102769457B1 (ko) 2025-02-17
TW202449665A (zh) 2024-12-16

Similar Documents

Publication Publication Date Title
CN111506904B (zh) 漏洞在线修复的方法和装置
CN118820114B (zh) 一种接口测试方法、装置、设备和存储介质
KR102769457B1 (ko) 판매 플랫폼에서 상품의 판매량을 예측하는 방법, 장치 및 기록매체
WO2024143668A1 (ko) 아이템의 판매량에 관한 예측을 제공하는 전자 장치 및 그 방법
WO2024048825A1 (ko) 서비스에 관한 멤버십 가입의 금전적 혜택 정보를 제공하는 방법 및 전자 장치
CN117271368A (zh) 页面的可行性测试方法、装置、计算机设备及存储介质
WO2023204338A1 (ko) 주문 정보를 처리하는 방법 및 전자 장치
CN118587021B (zh) 数据条目分类更新方法、装置、介质及电子设备
KR20260029817A (ko) 판매 플랫폼에서의 판매량을 예측하는 방법, 전자 장치 및 기록 매체
KR102617002B1 (ko) 애플리케이션의 성능을 측정하는 장치 및 방법
KR20260049964A (ko) 상품 주문량을 예측하는 방법, 전자 장치 및 기록 매체
CN111767351A (zh) 确定搬运机器人停车点的方法和装置
WO2025070872A1 (ko) 전자 상거래 서비스에 관한 데이터를 처리하는 방법, 장치 및 기록 매체
CN111338824A (zh) 灰度发布方法、装置、电子设备及存储介质
TW202609653A (zh) 預測銷售平台中之銷售量之方法、電子裝置及記錄媒體
WO2026005120A1 (ko) 전자 상거래 서비스에 관한 데이터를 처리하는 방법, 장치 및 기록 매체
WO2024253233A1 (ko) 상품에 대한 거래량을 예측하는 방법, 장치 및 기록 매체
WO2024147398A1 (ko) 포장 정보를 제공하는 전자 장치 및 그 방법
WO2025116130A1 (ko) 사용자 위치를 보정하는 방법, 장치 및 기록 매체
WO2025143367A1 (ko) 경로 정보를 관리하는 방법, 장치 및 기록매체
KR20260035464A (ko) 상품 주문량을 예측하는 장치, 방법 및 기록 매체
WO2024232461A1 (ko) 매장 위치 보정을 위한 전자 장치 및 그의 동작 방법
WO2025206458A1 (ko) 제품의 구매 옵션 변경을 위한 장치, 방법 및 기록 매체
WO2026100846A1 (ko) 아이템의 재고를 관리하는 장치, 방법 및 기록 매체
WO2025127768A1 (ko) 구매 옵션의 절약 금액을 제공하기 위한 방법, 장치 및 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: 23940818

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE