WO2024257939A1 - 오차 원인을 분석하는 방법, 장치 및 기록매체 - Google Patents

오차 원인을 분석하는 방법, 장치 및 기록매체 Download PDF

Info

Publication number
WO2024257939A1
WO2024257939A1 PCT/KR2023/008653 KR2023008653W WO2024257939A1 WO 2024257939 A1 WO2024257939 A1 WO 2024257939A1 KR 2023008653 W KR2023008653 W KR 2023008653W WO 2024257939 A1 WO2024257939 A1 WO 2024257939A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction model
information
error
item
items
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/KR2023/008653
Other languages
English (en)
French (fr)
Inventor
우징위안
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 WO2024257939A1 publication Critical patent/WO2024257939A1/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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

Definitions

  • the present disclosure relates to a technique for analyzing the cause of errors in predicting sales opportunities of items in an e-commerce service.
  • Loss of sales opportunities can be, for example, a situation where an item is out of stock due to a lack of inventory. Even if a user has a desire to purchase an item, sales cannot be generated for the item when the item is out of stock, resulting in a loss of potential sales opportunities. Therefore, if the expected sales volume of an item is accurately estimated, stock shortage situations can be avoided and the loss of sales opportunities can be reduced. On the other hand, if the expected sales volume is overestimated, the possibility of inventory occurrence increases, which may incur inventory storage costs and result in sales losses.
  • a technical problem to be solved through one embodiment of the present disclosure is to more accurately determine the cause of an error in predicting a sales opportunity of an item in an e-commerce service.
  • Another technical problem to be solved through one embodiment of the present disclosure is to more accurately determine a target prediction model requiring analysis of the cause of error among various prediction models used to predict sales opportunities in e-commerce services.
  • Another technical problem to be solved by one embodiment of the present disclosure is to more accurately identify the risk of stock shortage in e-commerce services.
  • a method performed by an electronic device may include the steps of: determining an analysis target prediction model for analyzing an error cause between the expected sales amount and the actual sales amount among a plurality of prediction models that calculate expected sales amounts for a plurality of items; identifying an error cause analysis model corresponding to the analysis target prediction model, wherein the error cause analysis model includes one or more decision rules identified based on the corresponding analysis target prediction model; and calculating error cause information corresponding to the analysis target prediction model based on the error cause analysis model corresponding to the analysis target prediction model.
  • the step of determining the target prediction model for analysis may include the step of calculating total error information regarding the predicted sales of the plurality of items based on the total predicted sales corresponding to the plurality of items and the total actual sales corresponding to the plurality of items calculated based on the plurality of predicted models; and the step of determining the target prediction model for analysis among the plurality of predicted models based on the total error information.
  • the total error information may be identified based on a Weighted Mean Absolute Percentage Error (WMAPE) value between the total expected sales and the total actual sales corresponding to the plurality of items.
  • WMAPE Weighted Mean Absolute Percentage Error
  • the step of determining the target prediction model for analysis may include the steps of: calculating error contribution information corresponding to each of the plurality of items; identifying at least some items among the plurality of items for which an error cause is to be analyzed based on the error contribution information; and determining a prediction model corresponding to the at least some of the identified items as the target prediction model for analysis.
  • the step of calculating error contribution information corresponding to each of the plurality of items may include the step of calculating first total error information corresponding to all of the plurality of items; the step of calculating second total error information corresponding to one or more items excluding a target item to be calculated as an error contribution among the plurality of items; and the step of calculating error contribution information corresponding to the target item based on the first total error information and the second total error information.
  • the prediction model corresponding to at least some of the identified items may be determined based on at least some of the item information, timing information, sales-related information, out-of-stock information, and promotion information corresponding to at least some of the identified items.
  • the step of determining the target prediction model for analysis may include the step of identifying an item at risk of stock shortage among the plurality of items; and the step of determining a prediction model corresponding to the item at risk of stock shortage as the target prediction model for analysis.
  • the step of identifying the item at risk of stock shortage may include the step of calculating individual item error information corresponding to each of the plurality of items designated for a plurality of periods; calculating the number of occurrences of underprediction errors among the plurality of periods based on the individual item error information; and identifying the item at risk of stock shortage based on the number of occurrences of underprediction errors and the total period corresponding to the entirety of the plurality of periods.
  • the step of identifying the item at risk of stock shortage may include the step of calculating individual item error information corresponding to each of the plurality of items designated for a plurality of periods; calculating the number of occurrences of underprediction errors exceeding a predetermined threshold error among the individual item error information corresponding to the plurality of periods; and identifying the item at risk of stock shortage based on the number of occurrences of underprediction errors exceeding the threshold underprediction error.
  • the step of identifying the item at risk of stock shortage may include the step of calculating a stock shortage risk ranking of each of the plurality of items based on the number of occurrences of underprediction errors corresponding to each of the plurality of items; and the step of identifying the item at risk of stock shortage based on the stock shortage risk ranking.
  • the error cause analysis model includes a decision tree model including one or more rule nodes corresponding to each of the one or more decision rules
  • the step of calculating the error cause information may include the steps of: determining, based on the one or more decision rules, a rule node corresponding to the expected sales amount calculated based on the target prediction model among the one or more rule nodes; identifying a result node corresponding to the target prediction model based on the determined rule node and the calculated expected sales amount; and calculating the error cause information corresponding to the result node.
  • a level is assigned to each of the one or more rule nodes
  • the decision tree model may include a rule node corresponding to a higher level, and one or more rule nodes or one or more result nodes branched from the rule node corresponding to the higher level, wherein the one or more branched rule nodes or one or more result nodes correspond to lower levels adjacent to the higher level.
  • one or more decision rules corresponding to the target prediction model for analysis may be determined based on pattern information identified based on at least some of the expected sales amount calculated based on the target prediction model for a predetermined past period, the actual sales amount corresponding to the predetermined past period, and error cause information calculated for the predetermined past period.
  • An electronic device comprises one or more processors, one or more memories storing instructions executed by the one or more processors, and 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 having recorded thereon instructions that, when executed by one or more processors, cause the one or more processors to perform operations, the instructions may be configured to cause the one or more processors to perform a method according to the present disclosure.
  • the cause of error in predicting sales opportunities for items in an e-commerce service can be more accurately determined.
  • a target prediction model requiring analysis of the cause of error can be more accurately determined.
  • the risk of stock shortages can be identified more accurately in e-commerce services.
  • 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 flowchart illustrating a method for calculating error cause information according to one embodiment of the present disclosure.
  • FIG. 4 is a flowchart illustrating a method for determining a prediction model to be analyzed according to one embodiment of the present disclosure.
  • FIG. 5 is a diagram illustrating one or more prediction model consideration factors for determining a prediction model according to one embodiment of the present disclosure.
  • FIGS. 6A and 6B are diagrams for more specifically explaining the method of calculating error information, error contribution, and prediction bias, as described with reference to FIGS. 3 and 4.
  • FIG. 7 is a flowchart illustrating a method for calculating error cause information according to one embodiment of the present disclosure.
  • Figure 8 is a diagram for more specifically explaining the decision tree model described with reference to Figure 7.
  • 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 sales opportunities of items in an e-commerce service and analyzing causes of errors in the prediction.
  • the e-commerce service may include, for example, a sales platform that sells one or more items online.
  • the electronic device (110) may be, for example, any server device including a server device that manages an e-commerce service or any electronic device including an electronic device that manages inventory in an e-commerce service.
  • the electronic device (110) may be implemented as a terminal capable of transmitting and receiving 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 be any device that includes an input/output interface capable of receiving information from a user or outputting information to a user, and 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 a sales opportunity of an item and analyze a cause of an error in the prediction.
  • the sales opportunity that is the target of the prediction can include information about a possibility of potential sales occurrence for the item, and can include, for example, at least some of the expected sales amount of the item, the expected loss sales amount of the item, and the expected loss sales amount of the item.
  • the error in the prediction can include at least some of the error that the predicted sales opportunity has with respect to actual sales, for example, the error of the expected sales amount with respect to the actual sales amount of the item, the error of the expected loss sales amount with respect to the actual loss sales amount of the item, and the error of the actual loss sales amount with respect to the actual expected loss sales of the item.
  • the electronic device (110) can provide various information regarding the prediction of sales opportunities and the analysis of error causes to the user, and can receive input regarding the prediction of sales opportunities and the analysis of error causes from the user. Specifically, the electronic device (110) can obtain a command regarding the prediction of sales opportunities from the user through the input/output interface, perform a prediction of sales opportunities in response to the obtained command, and output the result of the sales opportunity calculation to the user or store it in the electronic device (110), transmit it to another device, etc.
  • the electronic device (110) can obtain a command regarding the analysis of errors in the prediction of sales opportunities from the user through the input/output interface, perform an analysis regarding the cause of errors in the prediction of sales opportunities in response to the obtained command, and output the result of the error analysis 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.
  • the output of the electronic device (110) may include various forms of output, such as visual output through a display, projector, hologram, etc., or auditory output through a speaker, etc.
  • the database (120) can store information that serves as the basis for estimating sales opportunities and analyzing errors in items in an e-commerce service.
  • the database (120) can store sales logs for each item handled in an e-commerce service.
  • the sales logs for each item in the database (120) can be updated in real time or updated repeatedly periodically or non-periodically.
  • the electronic device (110) can obtain information on daily sales volume of any item through the database (120). For example, information on sales volume by period (e.g., date) of a specific item, all items handled in an e-commerce service, or items satisfying a specific condition among all items handled in an e-commerce service can be obtained. Furthermore, information on sales volume by time zone, day, week, month, quarter, year, or certain period for any item 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 opportunity estimation of an item and error cause analysis.
  • 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 related to sales opportunity estimation and error cause analysis from the database (120), and may receive various information related to sales opportunity estimation and error cause analysis from the database (120).
  • the processor (210) may control the communication interface (230) to request various information related to sales opportunity estimation and error cause analysis from the database (120), and may receive various information related to sales opportunity estimation and error cause analysis from the database (120).
  • 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 commands or programs are 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 sales opportunity prediction and error cause analysis of an item 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 flowchart illustrating a method for calculating error cause information according to one embodiment of the present disclosure.
  • the electronic device (110) can determine a prediction model to be analyzed as an analysis target for error cause among a plurality of prediction models.
  • the predictive model may include one or more models that provide predictions regarding the sales opportunity of an item.
  • the electronic device (110) may determine at least some of the plurality of predictive models to predict the sales opportunity.
  • the electronic device (110) may predict the sales opportunity of the item based on the determined predictive models.
  • a sales opportunity may include an expected sales volume of an item.
  • the electronic device (110) may calculate an expected sales volume of an item based on the predictive model and characteristic information.
  • a predictive model may refer to multiple predictive models created, updated or learned to reflect expected sales patterns, sales trends or user purchasing patterns for a specific item.
  • the predictive model may include one or more models classified through methods such as learning, regression analysis, categorical analysis, or identified based on heuristic methods.
  • the prediction model may include a prediction model (e.g., a promotion model) regarding a sales pattern for an item to be promoted.
  • a prediction model for an item to be promoted the electronic device (110) may determine that a condition for selecting a prediction model for an item to be promoted is satisfied if a promotion for a specific item is scheduled within a certain period (e.g., 35 days) from the prediction time. Accordingly, the electronic device (110) may predict that the sales pattern of the specific item will have a sales pattern corresponding to the promotion model, and may predict the sales amount of the item based on the sales pattern, that is, based on the promotion model.
  • the electronic device (110) may receive various pieces of information from the database (120) to confirm whether the conditions for selecting the prediction model are satisfied.
  • the prediction model may be determined based on prediction model consideration factors.
  • the electronic device (110) may determine the prediction model to be used for sales prediction based on one or more prediction model consideration factors.
  • the prediction model consideration factors may include at least some of item information, timing information, sales-related information, out-of-stock information, and promotion information.
  • the prediction model to be analyzed may be a prediction model that is the target of error cause analysis.
  • the electronic device (110) can determine a prediction model to be analyzed based on error information among a plurality of prediction models.
  • a method for determining a prediction model to be analyzed based on error information is specifically described in FIG. 4.
  • the electronic device (110) may determine the target prediction model for analysis based on the error contribution of each item.
  • the error contribution may be the degree of contribution of the error of the estimated sales amount calculated for each item among the errors that the estimated sales amount calculated for multiple items has with respect to the actual sales amount.
  • a method for determining the target prediction model for analysis based on the error contribution is specifically described in FIG. 4.
  • the electronic device (110) may determine the analysis target prediction model based on the item at risk of stock shortage.
  • the item at risk of stock shortage may refer to an item at risk of stock shortage.
  • the underprediction error may be an error due to underprediction and may refer to an error that occurs when the expected sales amount is smaller than the actual sales amount.
  • the error corresponding to the underprediction may be calculated based on the weighted absolute average error between the actual sales amount and the expected sales amount calculated when the underprediction occurs.
  • the electronic device (110) can identify an error cause analysis model.
  • the error cause analysis model can include a plurality of analysis models for analyzing the error cause of a sales opportunity.
  • the error cause analysis model may include one or more decision rules.
  • the decision rules may be conditions or rules for dividing, classifying, or categorizing prediction data to derive error causes.
  • the decision rules may correspond to categories of error causes, and the prediction data may include at least some of the predicted sales data and the past sales data that are the basis for calculating the predicted sales data, and the parameters and characteristic information of the prediction model.
  • the decision rules are specifically described with reference to FIG. 8.
  • the error cause analysis model can be determined corresponding to the prediction model being analyzed. Different error cause analysis models can be determined for each prediction model being analyzed. One or more decision rules included in the error cause analysis model can be determined corresponding to the prediction model being analyzed.
  • the electronic device (110) may calculate error cause information based on the error cause analysis model.
  • the electronic device (110) may calculate error cause information based on prediction data calculated based on the error cause analysis model and the analysis target prediction model.
  • the error cause information may include information on one or more factors causing the error. For example, if the error cause is an input omission for sales information, the error cause information may be calculated as “sales information input omission.” In this case, the sales information may be input data that serves as a basis for prediction among prediction data, and the error cause information corresponding to the sales information input omission may mean that an error in prediction occurred due to an omission of input data.
  • the error cause information is specifically described in FIG. 8.
  • FIG. 4 is a flowchart illustrating a method for determining a prediction model to be analyzed according to one embodiment of the present disclosure.
  • the description will be continued by assuming that the operation of the method for determining the analysis target prediction model according to one embodiment of the present disclosure is performed by the electronic device (110) illustrated in FIG. 1 with reference to FIG. 4.
  • the subject of the operation included in the method may be omitted, but unless otherwise indicated in the context, it may be interpreted that the operation is performed by the electronic device (110).
  • the electronic device (110) can calculate total error information.
  • the total error information can be calculated based on the total expected sales amount and the total actual sales amount.
  • the electronic device (110) can calculate a total expected sales amount corresponding to a plurality of items based on a plurality of prediction models.
  • the plurality of items may be items that are the target of the sales amount prediction.
  • the electronic device (110) can determine a plurality of items that are the target of the sales amount prediction.
  • the total expected sales may be the sum of the individual expected sales calculated for each of the plurality of items.
  • the individual expected sales may be the expected sales calculated for each individual item.
  • the electronic device (110) may determine a prediction model for calculating the expected sales for each of the plurality of items. A method for determining the prediction model is specifically described in FIG. 5. The electronic device (110) may calculate the individual expected sales for each item based on the prediction model corresponding to each item.
  • the electronic device (110) can calculate the expected sales corresponding to multiple periods. For example, the electronic device (110) can calculate the expected sales corresponding to multiple periods for each item. The expected sales can be calculated for each period included in the multiple periods. The electronic device (110) can calculate the expected sales corresponding to a unit period. The unit period can be, for example, one day. In this case, the multiple periods can be multiple days. The electronic device (110) can calculate the individual expected sales of each item corresponding to the multiple days, for each day.
  • the electronic device (110) can calculate a total expected sales amount corresponding to a plurality of items.
  • the electronic device (110) can calculate an individual expected sales amount corresponding to each of the plurality of items, and calculate a total expected sales amount based on the individual expected sales amounts.
  • the electronic device (110) can calculate a total actual sales amount corresponding to a plurality of items based on a plurality of predictive models.
  • the total actual sales may be the sum of the individual actual sales calculated for each of the multiple items.
  • the individual actual sales may be the actual sales calculated for each individual item.
  • the electronic device (110) can calculate a total actual sales amount corresponding to a plurality of items.
  • the electronic device (110) can calculate an individual actual sales amount corresponding to each of the plurality of items, and calculate a total actual sales amount based on the individual actual sales amounts.
  • the electronic device (110) can calculate total error information based on the total expected sales and the total actual sales.
  • the total error information can be calculated based on a Weighted Mean Absolute Percentage Error (WMAPE) value between the actual sales and the expected sales corresponding to the item group.
  • WMAPE Weighted Mean Absolute Percentage Error
  • the weighted absolute average error can be calculated based on a weighted average of the absolute value of the relative error that the individual expected sales of each item has with respect to the individual actual sales, with the ratio of the individual actual sales of each item to the total actual sales corresponding to all of the multiple items as a weight for each item.
  • the weighted absolute average error is specifically described with reference to FIGS. 6A and 6B .
  • the electronic device (110) may calculate error contribution information corresponding to each of the plurality of items.
  • the electronic device (110) may calculate the error contribution of the first item based on the first total error information corresponding to the entire plurality of items and the second total error information corresponding to the entire remaining items except the first item in the item group.
  • the error contribution may mean the ratio of the contribution of the error of the predicted value of a specific item (e.g., the first item) included in the plurality of items to the actual value to the total error of the entire plurality of items.
  • the error contribution of the first item may be calculated based on the difference between the first total error information and the second total error information corresponding to the entire remaining items except the first item in the item group.
  • the error contribution may have a negative value, and it may be understood that the prediction for the specific item (e.g., the first item) is more accurate when the error contribution of the specific item (e.g., the first item) has a smaller value.
  • the error contribution information may be calculated for each item and each period, respectively. For each period, the contribution of error in the expected sales of individual items to the expected sales of all items can be calculated.
  • the electronic device (110) can identify an error cause target item.
  • the electronic device (110) can identify an error cause target item based on error contribution information.
  • the electronic device (110) can identify an item having a large error contribution among all items.
  • the electronic device (110) can calculate an error contribution corresponding to each individual item included in the all items.
  • the electronic device (110) can identify an error cause target item based on the ranking of the error contribution. For example, the electronic device (110) can determine an item having an error contribution corresponding to a top percentage (e.g., top 10%) among a plurality of items as an error cause target item.
  • the electronic device (110) can determine an item having an error contribution equal to or greater than a threshold value as an error cause target item.
  • the electronic device (110) can identify an error-causing target item based on prediction bias information.
  • the electronic device (110) can calculate prediction bias information corresponding to an individual item or a plurality of items as a whole.
  • the prediction bias information can include information about a tendency of an error that a predicted result value exhibits with respect to an actual value.
  • the prediction bias information can be calculated based on an error between the expected sales amount information and the actual sales amount information of an item.
  • the individual prediction bias information corresponding to each item may be calculated based on a weighted absolute average error of the difference between the individual error information corresponding to overprediction and the individual error information corresponding to underprediction among the error information of the item calculated corresponding to each of a plurality of periods.
  • the prediction bias information may correspond to each item or each group of items. Even when predicting sales opportunities for the same item, the corresponding prediction models may be different for each period depending on the scenario selection conditions. For example, even for the same item, the satisfaction of the scenario selection conditions may be different for each period, and the corresponding prediction models may be different.
  • the prediction bias information may be at least one of data reflecting the bias of the prediction value corresponding to each item and the bias of the prediction value corresponding to each prediction model.
  • the electronic device (110) can calculate total prediction bias information corresponding to a group of items.
  • the total prediction bias information can be calculated based on a weighted absolute mean error of the difference between error information corresponding to overprediction and error information corresponding to underprediction among error information corresponding to each item, calculated for all of the multiple items.
  • the electronic device (110) can identify an item whose individual prediction bias value is greater than a specified threshold bias value as an error source target item based on an individual prediction bias corresponding to each of a plurality of items.
  • the electronic device (110) may identify a group of items whose total prediction bias value is greater than or equal to a specified threshold bias value as a group of items causing errors based on the total prediction bias corresponding to each of a plurality of item groups.
  • the electronic device (110) can identify an item at risk of stock shortage.
  • An item at risk of stock shortage may refer to an item at risk of stock shortage.
  • An underprediction error may be an error due to an underprediction, and may refer to an error that occurs when the expected sales amount is smaller than the actual sales amount.
  • An error corresponding to an underprediction may be calculated based on a weighted absolute average error between the actual sales amount and the expected sales amount calculated when an underprediction occurs.
  • the electronic device (110) may classify an error corresponding to an overprediction and an error corresponding to an underprediction among error information calculated for each of a plurality of items included in an item group.
  • An error corresponding to an overprediction may refer to an error that occurs when the expected sales amount is larger than the actual sales amount.
  • the error corresponding to overprediction can be calculated based on the weighted absolute mean error between actual sales and forecasted sales when overprediction occurs.
  • the electronic device (110) can calculate individual item error information for multiple periods.
  • the individual item error information is error information about the expected sales amount calculated for each individual item with respect to the actual sales amount of the individual item, and can include an underprediction error or an overprediction error.
  • the electronic device (110) can calculate the number of occurrences of underprediction errors among the entire multiple periods. For example, if the multiple periods are one week (7 days), one period is set to one day (1 day), and individual item error information is calculated for each day, if the underprediction error occurs for 3 days among these, the number of occurrences of underprediction errors can be '3 times'.
  • the electronic device (110) can identify an item at risk of running out of stock based on the number of occurrences of underprediction errors and the entirety of multiple periods. For example, if the ratio of the number of occurrences of underprediction errors for a specific individual item is greater than or equal to a threshold ratio for a total period corresponding to the entirety of multiple periods, the electronic device (110) can identify the specific individual item as an item at risk of running out of stock. In one embodiment, the electronic device (110) can calculate the number of occurrences of underprediction errors for each item and identify an item at risk of running out of stock based on the ranking of the number of occurrences of underprediction errors for each item.
  • the electronic device (110) may calculate an underprediction error among individual item error information calculated for a plurality of periods, and calculate the number of times an underprediction error exceeding a threshold error occurs among individual item errors corresponding to a plurality of periods.
  • the threshold error may be calculated as a predetermined value or a certain ratio based on the error information.
  • the electronic device (110) may identify an item at risk of stock shortage based on the ranking of the number of times an underprediction error exceeding a threshold error occurs.
  • the electronic device (110) can determine a prediction model to be analyzed based on at least some of the total error information, the target items causing the error, and the items at risk of lacking inventory.
  • the electronic device (110) may set a plurality of item groups corresponding to each of a plurality of prediction models.
  • the item groups corresponding to the prediction models may include a plurality of items for which a prediction of expected sales volume is performed based on the same prediction model.
  • the electronic device (110) may calculate a plurality of total error information corresponding to each of the plurality of item groups, and determine an item group having a higher error based on a comparison between the total error information.
  • the item group having a higher error may be determined based on the ranking of the total error information.
  • the electronic device (110) may determine a prediction model corresponding to the item group having a higher error as a prediction model to be analyzed.
  • the electronic device (110) may calculate total error information corresponding to each prediction model based on different prediction models for a plurality of items.
  • the electronic device (110) may determine a prediction model having a higher error as the analysis target prediction model based on a comparison between the total error information corresponding to each prediction model.
  • the electronic device (110) may determine a prediction model corresponding to an error cause target item as the analysis target prediction model.
  • the electronic device (110) may determine a prediction model corresponding to an error cause target item based on the prediction model consideration factors.
  • the electronic device (110) may determine a prediction model corresponding to an item at risk of running out of stock as the analysis target prediction model.
  • the electronic device (110) may determine a prediction model corresponding to an item at risk of running out of stock based on the prediction model consideration factors.
  • FIG. 5 is a diagram illustrating one or more prediction model consideration factors for determining a prediction model according to one embodiment of the present disclosure.
  • the prediction model consideration factors may include at least some of item information, time information, sales-related information, out-of-stock information, and promotion information.
  • the prediction model consideration factors may include one or more factors that may affect the sales pattern of the item.
  • the item information may include various information about the item.
  • the item information may include at least some of the category of the item and the properties of the item.
  • the category of the item may be classified into one or more categories (e.g., a first category, a second category, a third category, a fourth category, and a fifth category).
  • the attributes of an item may include at least some of the following characteristics: order status, stocking period, selling period, seasonality, and holiday characteristics.
  • the order status may include various information regarding the order of an item.
  • the order of an item may be understood as a procedure for purchasing an item to be sold from a supplier and storing it in order to sell the item to a customer in an e-commerce service.
  • the order status may include at least some of the following: whether the item has been ordered, the ordering period, the ordering quantity, whether the order of the item has been completed, whether the order has been canceled, and whether the item has been stored after the order has been completed.
  • the stocking period may include information about the period of time during which an item to be sold was stocked in a storage, warehouse, fulfillment center, etc.
  • the stocking period may correspond to the period from the first stocking to the last stocking for the same item.
  • the sale period may correspond to the period from when a particular item was first sold to when it was last sold.
  • seasonality may correspond to a characteristic that the sales volume of an item is affected by the season.
  • the seasonality of an item may be determined based on a correlation between the item and the temperature calculated based on historical data on the previous sales volume and temperature data for each period.
  • Seasonality may include, for example, at least some of information about whether the sales volume of an item is affected by the season (whether seasonality exists) and information about the season that affects the sales volume of the item. For example, if an item has a characteristic that shows high sales volume during the 'summer' period and low sales volume during other seasons, the seasonality of the item may be 'summer'.
  • the season in the seasonality may not necessarily refer to the four meteorological seasons such as spring, summer, fall, and winter, and the seasonality may mean a characteristic that fluctuates according to a certain period that has a periodicity such as the rainy season, the beginning of the year, and the end of the year.
  • a holiday characteristic may mean a characteristic that affects the sales of an item on a holiday.
  • the holiday characteristic may include at least some of information about whether the holiday characteristic exists and about a specific holiday that affects the sales of the item. For example, if an item's sales spike only during the 'Chuseok' period, the holiday characteristic of the item may be 'Chuseok'.
  • the timing information may include actual sales data that can be used to predict sales opportunities, or information indicating attributes of a time corresponding to a period for which sales opportunities are to be predicted.
  • the timing information may include at least some of week of the year, week of the month, season, day of the week, day of the month, holiday information, seasonal information, and promotional schedule information.
  • the timing information may correspond to a specific date, a specific period, and multiple pieces of timing information may correspond to a specific date or period.
  • Week in year can mean which week a particular time period falls in within the same year.
  • Week in month can mean which week a particular time period falls in within the same month.
  • the sales-related information may include at least some of sales volume information, price information, sales summary information, and restock notification information.
  • the sales summary information may include key information about sales made for a particular item or for a particular period of time. For example, it may include at least some information about average sales, top selling items, top selling items, and inventory levels.
  • the restock notification information may include information about whether a restock exists for a particular item.
  • the out-of-stock information may include an out-of-stock period.
  • the out-of-stock period may refer to the period of time during which a specific item is out of stock.
  • the out-of-stock period may refer to the ratio of the period during which the item remains in an out-of-stock state within a certain period of time that serves as a reference. For example, when one day is used as a period of time, if the item remains in an out-of-stock state for 6 hours, the out-of-stock period may be expressed as ratio information, such as 0.25 or 25%, for a ratio of 6 hours to a day (24 hours).
  • the promotion information may include at least some of the promotion type and promotion details.
  • the promotion type may include various types, such as a promotion that discounts the price of an item by a certain amount, a promotion that discounts the price of an item by a certain discount rate, a promotion through coupon issuance, a promotion using rewards, a seasonal promotion, a regular promotion, and a promotion for excellent customers.
  • the promotion details may include various information about the promotion, such as the period of the promotion, the discount rate of the promotion, the category of items corresponding to the promotion, and the category of customers targeted by the promotion.
  • the electronic device (110) can determine whether a prediction model selection condition is satisfied based on one or more prediction model consideration factors.
  • the prediction model can be determined based on one or more prediction model consideration factors corresponding to the item being predicted and the period being predicted.
  • the electronic device (110) may determine at least some of a plurality of predictive models for calculating a sales opportunity as predictive models based on predictive model consideration factors identified corresponding to items and periods for which a sales opportunity is to be calculated.
  • the plurality of prediction models may include a first prediction model, a second prediction model, a third prediction model, a fourth prediction model, a fifth prediction model, a sixth prediction model, a seventh prediction model, and a base prediction model, but the prediction models according to the present disclosure are not limited thereto.
  • the first prediction model may include a prediction model corresponding to a new item.
  • a new item may mean a newly released item or an item that was not sold in the past but has started selling again. Items corresponding to new items may have similar sales patterns, and such patterns may be reflected in the prediction model corresponding to the new item.
  • the electronic device (110) may check at least some information among the prediction model consideration factors in order to determine whether the first prediction model condition corresponding to the first prediction model is satisfied. Whether the first prediction model condition is satisfied may be determined based on the creation date of the item information.
  • the electronic device (110) may determine that the first prediction model condition is satisfied. In order to determine whether the first prediction model condition is satisfied, the electronic device (110) may receive period information and item information among the prediction model consideration factors from the database.
  • a specified period e.g., 30 days
  • the electronic device (110) may further check sales-related information to determine whether the first prediction model condition is satisfied.
  • the first prediction model condition may be determined based on at least some of whether the initial sales occurred within the specified period from the creation date of the item information and whether restocking notification information exists within the specified period in addition to whether the prediction target time (e.g., the present time or the prediction target date) is within a specified period from the creation date of the item information. For example, if item information is created as a new item but a specified period has passed therefrom, it may not be appropriate to predict the sales opportunity of the item using the sales pattern of the new item. Similarly, if no sales occurred until the specified period has passed, it may not be appropriate to predict the sales of the item using the sales pattern corresponding to the new item.
  • the second prediction model may include a prediction model corresponding to an aging item.
  • An aging item may include an item that is sensitive to trends or the latest technology, an item that has a fast release cycle for new products, or an item that tends to have a decrease in sales as the inventory period gets longer.
  • Items corresponding to aging items may have similar sales patterns, and such patterns may be reflected in the prediction model corresponding to the aging item.
  • the electronic device (110) may check at least some information among the prediction model consideration factors in order to determine whether the second prediction model condition corresponding to the second prediction model is satisfied.
  • Whether the second prediction model condition is satisfied may be determined based on at least some of the order status, sales volume information, and stocking period. For example, whether the second prediction model condition is satisfied may be determined based on whether the sales volume has decreased by a threshold value or more after a certain period based on past sales volume information. As another example, the electronic device (110) can check the order status and determine whether the second prediction model condition is satisfied based on whether an order exists after a certain period of time. As another example, the electronic device (110) can determine that the second prediction model condition is satisfied if the sales volume decreases by a threshold value or more after a certain period of time and an order does not exist after a certain period of time. In order to determine whether the second prediction model condition is satisfied, the electronic device (110) can receive order information and sales volume information from the database among the prediction model consideration factors.
  • the third prediction model may include a prediction model corresponding to a slow-moving item.
  • a slow-moving item may mean an item with a low turnover rate, i.e., an item whose sales speed is slow or whose demand is low, so that the product tends to remain in stock. Items corresponding to a low-moving item may have similar sales patterns, and such patterns may be reflected in the prediction model corresponding to the low-moving item.
  • the electronic device (110) may check at least some information among the prediction model consideration factors in order to determine whether a third prediction model condition corresponding to the third prediction model is satisfied. Whether the third prediction model condition is satisfied may be determined based on price information, sales volume information, and/or item properties (e.g., stocking period).
  • the third prediction model condition may include whether the price of the item is above a specified threshold price. If the price of the item is high, demand may be low, and the turnover rate may be low.
  • the third prediction model condition may include whether the sales volume of the item is below a threshold sales volume during a specified past period. For example, based on the period to be predicted, if sales less than the critical sales amount occurred during a specified period in the past (e.g., 3 weeks) or the number of days (days) on which sales occurred is less than the critical number of days, the electronic device (110) may determine that the third prediction model condition is satisfied. As another example, whether the third prediction model condition is satisfied may be determined based on the period of time during which the item was received.
  • Whether the third prediction model condition is satisfied may be determined based on whether the initial receipt time of the item is after a specified period (e.g., 60 days) from the predicted date.
  • the electronic device (110) may receive period information and item information, among the prediction model consideration factors, from the database.
  • the fourth prediction model may include a prediction model corresponding to a promotional item.
  • a promotional item may mean an item for which a promotion is scheduled. Items corresponding to a promotional item may have similar sales patterns, and a prediction model corresponding to a promotional item may be generated, updated, or improved by reflecting such patterns.
  • the electronic device (110) may check at least some information among the prediction model consideration factors in order to determine whether the fourth prediction model condition corresponding to the fourth prediction model is satisfied. Whether the fourth prediction model condition is satisfied may be determined based on whether a promotion is scheduled within a specified period after the prediction date from the prediction date.
  • the fourth prediction model condition may be determined to be satisfied.
  • the electronic device (110) may determine whether the fourth prediction model condition is satisfied based on at least some of the item properties, promotion schedule information, and promotion information among the prediction model consideration factors.
  • the electronic device (110) may receive item attributes, promotion schedule information, and promotion information among the prediction model consideration factors from the database (120) to determine whether the fourth prediction model condition is satisfied.
  • the fifth prediction model may include a prediction model corresponding to an item having a holiday characteristic.
  • An item having a holiday characteristic may mean an item whose sales volume fluctuates greatly based on whether it is a specific holiday. For example, in the case of an item that has high sales volume only during the Chuseok period and low sales volume during other periods, the fifth prediction model corresponding to the item having a holiday characteristic may be applied. Items corresponding to items having a holiday characteristic may have similar sales patterns, and such patterns may be reflected in the fifth prediction model corresponding to the item having a holiday characteristic.
  • the electronic device (110) may check at least some information among the prediction model consideration factors in order to determine whether the fifth prediction model condition corresponding to the fifth prediction model is satisfied.
  • Whether the fifth prediction model condition is satisfied may be determined based on whether the item has a holiday characteristic and whether a holiday is scheduled within a specified period from the prediction date to the prediction date. For example, based on the time period and the attributes of the item to be predicted for the sales opportunity, if the item has a holiday characteristic and holiday information exists within a specified period (e.g., 35 days) after the time period to be predicted, the fifth prediction model condition may be determined to be satisfied. In one embodiment, the electronic device (110) may determine whether the fifth prediction model condition is satisfied based on whether the holiday information and the holiday corresponding to the holiday characteristic are corresponding types of holidays.
  • the holiday characteristic and the holiday information may each include information about the type of the corresponding holiday (e.g., Lunar New Year, Chuseok, Christmas).
  • the electronic device (110) may determine whether the fifth prediction model condition is satisfied based on at least some of the holiday characteristic and the holiday information among the prediction model consideration factors. In order to determine whether the fifth prediction model condition is satisfied, the electronic device (110) may receive the holiday characteristic and the holiday information among the prediction model consideration factors from the database.
  • the sixth prediction model may include a prediction model corresponding to a seasonal item.
  • a seasonal item may mean an item whose sales volume fluctuates greatly based on whether it is a specific season.
  • the sixth prediction model corresponding to the seasonal item may be applied. Items corresponding to seasonal items may have similar sales patterns, and such patterns may be reflected in the sixth prediction model corresponding to the seasonal item.
  • the electronic device (110) may check at least some information among the prediction model consideration factors in order to determine whether the sixth prediction model condition corresponding to the sixth prediction model is satisfied.
  • Whether the sixth prediction model condition is satisfied may be determined based on whether the item has seasonality and whether a specific season is scheduled within a specified period from the prediction date to the prediction date. For example, based on the time period and the attributes of the item to be predicted for the sales opportunity, if the item has seasonality and seasonal information exists within a specified period (e.g., 35 days) after the time period to be predicted, the sixth prediction model condition may be determined to be satisfied. In one embodiment, the electronic device (110) may determine whether the sixth prediction model condition is satisfied based on whether the season information and the season corresponding to the seasonality are corresponding types of seasons.
  • seasonality and season information may include information about the types of corresponding seasons (e.g., spring, summer, fall, winter, rainy season, dry season, rainy season, specific season, white night, polar night, weather).
  • the electronic device (110) may determine whether the sixth prediction model condition is satisfied based on at least some of the seasonality and season information among the prediction model consideration factors.
  • the electronic device (110) may receive seasonality and season information among the prediction model consideration factors from a database.
  • the seventh prediction model may include a prediction model corresponding to an item having a holiday characteristic and a seasonal characteristic at the same time. Items corresponding to items having both a holiday characteristic and a seasonal characteristic may have similar sales patterns, and such patterns may be reflected in the seventh prediction model corresponding to an item having both a holiday characteristic and a seasonal characteristic.
  • the electronic device (110) may determine that the seventh prediction model condition is satisfied when a specific season and a specific holiday exist simultaneously within a specified period (e.g., 35 days) from a period being a prediction target, and the property of the item includes both seasonality and a holiday characteristic.
  • the electronic device (110) may check at least some information among the prediction model consideration factors in order to determine whether the seventh prediction model condition corresponding to the fifth prediction model is satisfied.
  • Whether the seventh prediction model condition is satisfied may be determined based on whether the item has a holiday characteristic, whether the item has a seasonal characteristic, and whether a specific holiday and a specific season are scheduled simultaneously within a specified period from a prediction date to a prediction date. For example, based on the time period and the attributes of the item to be predicted for a sales opportunity, if the item has seasonality and holiday characteristics, and seasonal information and holiday information exist within a specified period (e.g., 35 days) after the time period to be predicted, the seventh prediction model condition may be determined to be satisfied.
  • the electronic device (110) may determine whether the seventh prediction model condition is satisfied based on at least some of the seasonality, seasonal information, holiday characteristics, and holiday information among the prediction model consideration factors. In order to determine whether the seventh prediction model condition is satisfied, the electronic device (110) may receive the seasonality, seasonal information, holiday characteristics, and holiday information among the prediction model consideration factors from the database.
  • the basic prediction model may mean a model selected for predicting sales volume in cases where it does not correspond to the first to seventh prediction models, i.e., in response to an item that includes a general sales pattern.
  • the first prediction model may include a weighted Moving Average model algorithm.
  • the electronic device (110) may select the first prediction model and determine one or more characteristic pieces of information to be applied to the first prediction model.
  • the one or more characteristic pieces of information corresponding to the first prediction model may include at least a portion of the prediction model consideration factors.
  • the one or more characteristic pieces of information to be applied to the first prediction model may include at least a portion of item information, time information, sales information, and out-of-stock information, for example.
  • the electronic device (110) may generate, update, or learn the first prediction model by updating one or more parameters to be applied to the algorithm of the first prediction model based on existing prediction data and past sales information regarding one or more items corresponding to the same prediction model (the first prediction model).
  • the electronic device (110) may calculate the expected sales of the item based on the first prediction model and the one or more characteristic pieces of information.
  • the second prediction model may include a Moving Average model algorithm.
  • the electronic device (110) may determine one or more characteristic pieces of information to be applied to the second prediction model.
  • the one or more characteristic pieces of information corresponding to the second prediction model may include at least a portion of the prediction model consideration factors.
  • the one or more characteristic pieces of information to be applied to the second prediction model may include at least a portion of, for example, order status, item information, timing information, sales information, and out-of-stock information.
  • the electronic device (110) may generate, update, or learn the second prediction model by updating one or more parameters to be applied to the algorithm of the second prediction model based on existing prediction data and past sales information regarding one or more items corresponding to the same prediction model (the second prediction model).
  • the electronic device (110) may calculate the expected sales amount of the item based on the second prediction model and the one or more characteristic pieces of information.
  • the third prediction model may include a Moving Average model algorithm.
  • the electronic device (110) may determine one or more characteristic pieces of information to be applied to the third prediction model, if the electronic device (110) corresponds to the third prediction model.
  • the one or more characteristic pieces of information corresponding to the third prediction model may include at least a portion of the prediction model consideration factors.
  • the one or more characteristic pieces of information to be applied to the third prediction model may include, for example, at least a portion of a stocking period, item information, time information, sales amount information, and out-of-stock information.
  • the electronic device (110) may generate, update, or learn the third prediction model by updating one or more parameters to be applied to the algorithm of the third prediction model based on existing prediction data and past sales amount information regarding one or more items corresponding to the same prediction model (the third prediction model).
  • the electronic device (110) may calculate the expected sales amount of the item based on the third prediction model and the one or more characteristic pieces of information.
  • the fourth prediction model may include at least some of a Light Gradient-Boosting Machine (Light GBM) algorithm and an Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) algorithm.
  • the electronic device (110) may determine one or more characteristic pieces of information to be applied to the fourth prediction model.
  • the one or more characteristic pieces of information corresponding to the fourth prediction model may include at least some of the prediction model consideration factors.
  • the one or more characteristic pieces of information to be applied to the fourth prediction model may include at least some of, for example, item characteristics, timing information, sales information, out-of-stock information, and promotion information.
  • the electronic device (110) may generate, update, or learn the fourth prediction model by updating one or more parameters to be applied to the algorithm of the fourth prediction model based on existing prediction data and past sales information regarding one or more items corresponding to the same prediction model (the fourth prediction model).
  • the electronic device (110) can calculate the expected sales amount of the item based on the fourth prediction model and one or more characteristic pieces of information.
  • the fifth prediction model may include a Holt-Winters algorithm.
  • the electronic device (110) may determine one or more characteristic information to be applied to the fifth prediction model, if the fifth prediction model corresponds to the fifth prediction model.
  • the one or more characteristic information corresponding to the fifth prediction model may include at least a portion of the prediction model consideration factors.
  • the one or more characteristic information to be applied to the fifth prediction model may include at least a portion of, for example, item attributes, timing information, timing information, sales amount information, and out-of-stock information.
  • the electronic device (110) may generate, update, or learn the fifth prediction model by updating one or more parameters to be applied to the algorithm of the fifth prediction model based on existing prediction data and past sales amount information regarding one or more items corresponding to the same prediction model (the fifth prediction model).
  • the electronic device (110) may calculate the expected sales amount of the item based on the fifth prediction model and the one or more characteristic information.
  • the sixth prediction model may include at least some of the Light GBM (Light Gradient-Boosting Machine) algorithm and the Holt-Winters algorithm.
  • the electronic device (110) may determine one or more characteristic information to be applied to the sixth prediction model, if the sixth prediction model corresponds to the sixth prediction model.
  • the one or more characteristic information corresponding to the sixth prediction model may include at least some of the prediction model consideration factors.
  • the one or more characteristic information to be applied to the sixth prediction model may include at least some of, for example, item attributes, time information, sales information, out-of-stock information, sales summary information, seasonal information, and price information.
  • the electronic device (110) may generate, update, or learn the sixth prediction model by updating one or more parameters to be applied to the algorithm of the sixth prediction model based on existing prediction data and past sales information about one or more items corresponding to the same prediction model (the sixth prediction model).
  • the electronic device (110) may calculate the expected sales amount of the item based on the sixth prediction model and the one or more characteristic information.
  • the seventh prediction model may include at least a portion of the Holt-Winters algorithm.
  • the electronic device (110) may determine one or more characteristic information to be applied to the seventh prediction model, if the seventh prediction model corresponds to the seventh prediction model.
  • the one or more characteristic information corresponding to the seventh prediction model may include at least a portion of the prediction model consideration factors.
  • the one or more characteristic information to be applied to the seventh prediction model may include at least a portion of, for example, item attributes, time information, sales information, out-of-stock information, sales summary information, holiday information, season information, and price information.
  • the electronic device (110) may generate, update, or learn the seventh prediction model by updating one or more parameters to be applied to the algorithm of the seventh prediction model based on existing prediction data and past sales information about one or more items corresponding to the same prediction model (the seventh prediction model).
  • the electronic device (110) may calculate the expected sales amount of the item based on the seventh prediction model and the one or more characteristic information.
  • the basic prediction model may include a Light GBM (Light Gradient-Boosting Machine) algorithm.
  • the electronic device (110) may determine one or more characteristic information to be applied to the basic prediction model when it corresponds to a general sales prediction model.
  • the one or more characteristic information corresponding to the basic prediction model may include at least a portion of the prediction model consideration factors.
  • the one or more characteristic information to be applied to the basic prediction model may include, for example, at least a portion of item attributes, timing information, sales-related information, and out-of-stock information.
  • the characteristic information corresponding to the basic prediction model may include at least a portion of order status, stocking period, and sales period among item attributes.
  • the characteristic information corresponding to the basic prediction model may include at least a portion of week within a year, week within a month, day of the week, and day within a month among period information.
  • the electronic device (110) may generate, update, or learn the basic prediction model by updating one or more parameters to be applied to the algorithm of the basic prediction model based on existing prediction data and past sales information about one or more items corresponding to the same prediction model (basic sales prediction model).
  • the electronic device (110) can calculate the expected sales amount of an item based on a basic prediction model and one or more characteristic pieces of information.
  • the electronic device (110) can identify an error-causing target item and determine a prediction model that serves as a basis for calculating sales corresponding to the identified error-causing target item based on prediction model selection conditions. The electronic device (110) can then determine the determined prediction model as the analysis target prediction model.
  • the electronic device (110) can identify items at risk of running out of stock and determine a prediction model that serves as a basis for estimating sales volume corresponding to the identified items at risk of running out of stock based on prediction model selection conditions. The electronic device (110) can then determine the determined prediction model as a prediction model to be analyzed.
  • FIGS. 6A and 6B are diagrams for more specifically explaining the method of calculating error information, error contribution, and prediction bias described with reference to FIGS. 3 and 4.
  • FIG. 6a a method for calculating error information, error contribution, and prediction bias information is specifically described based on an example table (601) regarding sales opportunities, which shows expected sales and actual sales corresponding to a plurality of dates (20230101 and 20230102) which are examples for a plurality of periods, and an item group including a first item, a second item, and a third item which are examples for a plurality of items.
  • sales opportunities which shows expected sales and actual sales corresponding to a plurality of dates (20230101 and 20230102) which are examples for a plurality of periods
  • an item group including a first item, a second item, and a third item which are examples for a plurality of items.
  • a method for calculating sales opportunities and corrected sales opportunities based on an error calculation example table (602) showing error information and prediction bias information calculated based on the sales opportunity example table (601) of Fig. 6a is specifically described.
  • the expected sales volume of the sales opportunity example table (601) can be calculated for each item and for each period (by date).
  • error information can be calculated based on mathematical expression 1 (610), an error corresponding to overprediction can be calculated based on mathematical expression 2 (620), and an error corresponding to underprediction can be calculated based on mathematical expression 3 (630).
  • prediction bias information can be calculated based on mathematical expression 4 (640).
  • "i" may be an index corresponding to each item
  • "n" may be a final value of the item index.
  • the values "1", “2", and “3” may be assigned to the index values ("i") of the first item, the second item, and the third item, respectively, and the value "3" may be assigned to "n” corresponding to the final value of the item index.
  • “A i " may be an actual sales amount corresponding to the item index "i”
  • "F i " may be an expected sales amount corresponding to the item index "i”.
  • the calculation example table (602) may include results calculated for all items included in the item group among the results calculated based on the numerical values included in the sales opportunity example table (601) of FIG. 6A and mathematical expressions 1 (610), 2 (620), 3 (630), and 4 (640).
  • the total error information (77%) of the entire item group corresponding to the date "20230101" may be calculated by substituting the expected sales amount and the actual sales amount corresponding to "20230101" of each of the first item, the second item, and the third item into mathematical expression 1 (610).
  • the error contribution (-3%) of the first item corresponding to the date "20230101" can be calculated as the difference between the total error of all items excluding the first item corresponding to "20230101" (67%) and the total error of all items excluding the first item (80%).
  • the prediction bias information (-11%) corresponding to the first item in the period "20230101” to “20230102” can be calculated by applying different indices for each date to the first item in mathematical expression 4 (640) explained with reference to FIG. 6a, and inputting the expected sales amount and the actual sales amount. That is, “1” can be inputted to the index “i” for the expected sales amount and the actual sales amount of the first item in "20230101", and “2” can be inputted to the index "i” for the expected sales amount and the actual sales amount of the first item in "20230102".
  • FIG. 7 is a flowchart illustrating a method for calculating error cause information according to one embodiment of the present disclosure.
  • the electronic device (110) can determine a rule node corresponding to the expected sales amount based on the decision rule.
  • the rule node may be a node related to one or more decision rules included in the error cause analysis model.
  • the predicted sales volume may include predicted data that is to be divided, classified or categorized by decision rules.
  • the predicted data may include at least some of the predicted sales volume data and the past sales volume data that is the basis for calculating the predicted sales volume data, and the parameters and characteristic information of the prediction model.
  • the error source analysis model may include a decision tree model including one or more rule nodes.
  • One or more rule nodes may correspond to decision rules.
  • a decision rule may be a condition or rule for segmenting, classifying, or categorizing prediction data to derive error causes.
  • One or more decision rules may be determined in response to a prediction model that is the subject of analysis.
  • the decision rules corresponding to each prediction model may include hypothesis-based rules learned based on patterns of past predicted sales, past actual sales, and errors therebetween of each prediction model.
  • the electronic device (110) may determine decision rules corresponding to the prediction models based on rule-based learning.
  • One or more decision rules may be determined based on pattern information identified based on at least some of the predicted sales produced based on the target prediction model for a predetermined past period, the actual sales corresponding to the predetermined past period, and error cause information produced for the predetermined past period.
  • a decision tree model may include a rule node corresponding to a higher level and one or more rule nodes or one or more result nodes branched from the rule node at the higher level.
  • One or more rule nodes or one or more result nodes branched from the rule node at the higher level may correspond to lower levels adjacent to the higher level.
  • one or more rule nodes corresponding to a third level may branch from a rule node at the second level.
  • the electronic device (110) can identify a result node based on the determined rule node and the expected sales amount.
  • the result node can correspond to error cause information.
  • the result node can include an adjacent lower level node corresponding to some rule nodes among one or more rule nodes.
  • the result node can mean a node corresponding to the final level, that is, a node branching from an upper level adjacent to the final level.
  • the electronic device (110) can identify a result node from the rule node corresponding to the expected sales amount, again based on the expected sales amount.
  • the electronic device (110) can calculate error cause information based on the determined result node.
  • the error cause information can have a corresponding relationship with each result node.
  • the electronic device (110) can output error cause information corresponding to the identified result node.
  • Figure 8 is a diagram for more specifically explaining the decision tree model described with reference to Figure 7.
  • FIG. 8 may be a diagram illustrating an example (800) of a decision tree model included in an error cause analysis model.
  • the decision tree model may correspond to the target prediction model (801) to be analyzed, which is the subject of error analysis.
  • the decision tree model may include one or more rule nodes and result nodes corresponding to the target prediction model (801).
  • a promotion model may be selected as the target prediction model (801) to be analyzed, and the decision tree model may include one or more rule nodes and result nodes corresponding to the promotion model.
  • a decision tree model may include one or more levels, and may include one or more rule nodes or result nodes for each level.
  • level 1 (810) may include a plurality of rule nodes corresponding to the target prediction model (801), namely, an input-related rule node (811) and a model-related rule node (812).
  • the input-related rule node (811) may correspond to a decision rule regarding whether an error cause determined based on prediction data occurred in relation to the input of data.
  • the model-related rule node (812) may correspond to a decision rule regarding whether an error cause determined based on prediction data occurred in relation to any one of the application of the prediction model, the processing of the model, and the post-processing of the prediction model.
  • the electronic device (110) may determine whether the input data is classified into any one of the input-related rule node (811) and the model-related rule node (812) based on at least some of the predicted sales data included in the prediction data, the past sales data that is the basis for calculating the predicted sales data, and the parameters and characteristic information of the prediction model.
  • Predictive data may include forecast data regarding expected sales volumes calculated on a daily basis and on an item-by-item basis.
  • an operation-related rule node and an ETL rule node (821) branched from an input-related rule node (811) may be included.
  • the operation-related rule node may correspond to a decision rule regarding whether an error cause has occurred in an input related to the operation of a prediction model among error causes related to the input of prediction data.
  • the ETL (Extract, Transform, Load) rule node (821) may correspond to a decision rule regarding whether an error cause has occurred based on any one of extraction, transformation, and loading of prediction data.
  • the electronic device (110) may identify any one of the operation-related rule node and the ETL rule node (821) to be classified from the input-related rule node (811) based on the prediction data.
  • the electronic device (110) can identify one rule node among the model applicability rule node, the model processing rule node, and the post-processing rule node to which the prediction data will be classified at level 2 (820).
  • the model applicability rule node can be identified when there is an error in characteristic information applicable to the prediction model (e.g., an item to be applied)
  • the model processing rule node can be identified when an error occurs in the processing of the input data in the algorithm of the prediction model
  • the post-processing rule node can be identified when an error occurs in the post-processing of the prediction value of the prediction model, such as the correction of the prediction value or the selection of an appropriate prediction model.
  • the decision tree model may include an input missing rule node (831), an input delayed rule node (832), and an input error rule node (833) branching from an ETL rule node (821), corresponding to level 3 (830).
  • the decision tree model can branch from rule nodes regarding input omission, input delay, and input error at level 4 (840) into multiple rule nodes each corresponding to whether the input corresponds to any one of sales information, out-of-stock information, price information, promotion information, sales information, and item information among the characteristic information input into the prediction model.
  • the electronic device (110) identifies an input omission rule node (831) based on prediction data at level 3 (830), it can identify a sales information rule node (841) among these based on whether any data among sales information, out-of-stock information, price information, promotion information, sales information, and item information is missing in the prediction data.
  • a node of level 5 (850) branching from a decision rule node of level 4 (840) may be a result node, and the result node may correspond to error cause information.
  • a sales information rule node (841) of level 4 may be branched from an input omission rule node (831) of level 3 (830), and a result node of level 5 (850) corresponding thereto may be a sales information input omission (851) node.
  • the electronic device (110) may produce error cause information corresponding to the result node.
  • 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 instructions (e.g., instructions, codes, or code segments).
  • the device may be a device capable of operating according to instructions 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 instructions to cause components of the device to perform functions corresponding to the instructions.
  • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

본 개시는 오차 원인 정보를 산출하는 방법, 장치 및 기록매체에 관한 것이다. 본 개시의 일 실시예에 따른 방법은, 복수의 아이템에 대한 예상 판매량을 산출하는 복수의 예측 모델 가운데 예상 판매량과 실제 판매량 간의 오차 원인을 분석할 분석 대상 예측 모델을 결정하는 단계, 상기 분석 대상 예측 모델에 대응하는 오차 원인 분석 모델을 식별하는 단계 - 상기 오차 원인 분석 모델은 대응하는 분석 대상 예측 모델에 기반하여 식별되는 하나 이상의 결정 규칙을 포함함 - 및 상기 분석 대상 예측 모델에 대응하는 오차 원인 분석 모델에 기반하여 상기 분석 대상 예측 모델에 대응하는 오차 원인 정보를 산출하는 단계를 포함할 수 있다.

Description

오차 원인을 분석하는 방법, 장치 및 기록매체
본 개시는 전자상거래 서비스에서 아이템의 매출 기회의 예측에 대한 오차 원인을 분석하는 기술에 관한 것이다.
최근 통신 기술의 발달로 인하여, 온라인 상에서 상품(아이템)을 거래하는 전자 상거래 서비스가 대중적으로 이용되고 있다. 또한, 전자 상거래 서비스와 관련된 운송, 물류 산업과 재고 관리에도 정보통신 기술을 도입하여 업무의 효율화를 시도하고 있다.
한편, 전자상거래 서비스를 효과적으로 운영하기 위하여 매출에 관한 정보를 정확하게 산정하는 것이 필요하다. 이를 위하여 매출 기회에 대한 산정이 필요할 수 있다. 예를 들어, 매출 기회에 대한 정확한 예측은, 매출 기회에 대한 상실을 감소시킬 수 있다. 매출 기회에 대한 상실은, 예를 들어, 아이템의 재고 부족으로 인한 품절 상황을 상정할 수 있다. 아이템에 대한 사용자의 구매 의향이 있더라도, 아이템의 품절 상태에서는 해당 아이템에 의한 매출을 발생시킬 수 없으므로, 잠재적인 매출 기회에 대한 손실이 발생한다. 따라서 아이템의 예상 판매량을 정확하게 산정하는 경우, 재고 부족 상황을 회피할 수 있으며, 매출 기회의 손실을 줄일 수 있다. 반면, 예상 판매량을 과다하게 예측할 경우, 재고가 발생할 가능성이 증가하여 재고 보관에 따른 비용이 발생할 수 있고, 매출 손실이 발생할 수 있다.
그러나, 매출 기회에 대한 예측의 오차는 다양한 원인에 의하여 발생할 수 있고, 이러한 오차 원인을 적절하게 판단하지 못하는 경우 매출 기회에 대한 예측 방법을 개선하는 데에 어려움을 야기할 수 있다. 따라서 이러한 문제에 대한 해결이 요구되고 있다.
본 개시의 일 실시예를 통해 해결하고자 하는 기술적 과제는, 전자상거래 서비스에서 아이템의 매출 기회 예측에 따른 오차의 원인을 보다 정확하게 판별하는 것이다.
본 개시의 일 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 전자상거래 서비스에서 매출 기회 예측에 이용되는 다양한 예측 모델 가운데 오차 원인의 분석이 필요한 대상 예측 모델을 보다 정확하게 판별하는 것이다.
본 개시의 일 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 전자상거래 서비스에서 재고 부족 위험을 보다 정확하게 식별하는 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 전자 장치에 의해 수행되는 방법에 있어서, 복수의 아이템에 대한 예상 판매량을 산출하는 복수의 예측 모델 가운데 예상 판매량과 실제 판매량 간의 오차 원인을 분석할 분석 대상 예측 모델을 결정하는 단계; 상기 분석 대상 예측 모델에 대응하는 오차 원인 분석 모델을 식별하는 단계 - 상기 오차 원인 분석 모델은 대응하는 분석 대상 예측 모델에 기반하여 식별되는 하나 이상의 결정 규칙을 포함함 -; 및 상기 분석 대상 예측 모델에 대응하는 오차 원인 분석 모델에 기반하여 상기 분석 대상 예측 모델에 대응하는 오차 원인 정보를 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 분석 대상 예측 모델을 결정하는 단계는, 상기 복수의 예측 모델에 기반하여 산출된 상기 복수의 아이템에 대응하는 총 예상 판매량 및 상기 복수의 아이템에 대응하는 총 실제 판매량에 기반하여, 상기 복수의 아이템의 예상 판매량에 관한 총 오차 정보를 산정하는 단계; 및 상기 총 오차 정보에 기반하여 상기 복수의 예측 모델 가운데 상기 분석 대상 예측 모델을 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 총 오차 정보는 상기 복수의 아이템에 대응하는 총 예상 판매량 및 총 실제 판매량 간의 가중 절대 평균 오차(Weighted Mean Absolute Percentage Error; WMAPE) 값에 기반하여 확인될 수 있다.
일 실시예에서, 상기 분석 대상 예측 모델을 결정하는 단계는, 상기 복수의 아이템 각각에 대응하는 오차 기여도 정보를 산정하는 단계; 상기 오차 기여도 정보에 기반하여 상기 복수의 아이템 가운데 오차 원인을 분석할 적어도 일부 아이템을 식별하는 단계; 및 상기 식별된 적어도 일부 아이템에 대응하는 예측 모델을 상기 분석 대상 예측 모델로 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 복수의 아이템 각각에 대응하는 오차 기여도 정보를 산정하는 단계는, 상기 복수의 아이템 전체에 대응하는 제1 총 오차 정보를 산정하는 단계; 상기 복수의 아이템 가운데 오차 기여도 산정의 대상이 되는 대상 아이템을 제외한 하나 이상의 아이템에 대응하는 제2 총 오차 정보를 산정하는 단계; 및 상기 제1 총 오차 정보 및 상기 제2 총 오차 정보에 기반하여 상기 대상 아이템에 대응하는 오차 기여도 정보를 산정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 식별된 적어도 일부 아이템에 대응하는 예측 모델은, 상기 식별된 적어도 일부 아이템에 대응하는 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부에 기반하여 결정될 수 있다.
일 실시예에서, 상기 분석 대상 예측 모델을 결정하는 단계는, 상기 복수의 아이템 가운데 재고 부족 위험 아이템을 식별하는 단계; 및 상기 재고 부족 위험 아이템에 대응하는 예측 모델을 상기 분석 대상 예측 모델로 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 재고 부족 위험 아이템을 식별하는 단계는, 복수의 기간 별로 지정된 상기 복수의 아이템 각각에 대응하는 개별 아이템 오차 정보를 산정하는 단계; 상기 개별 아이템 오차 정보에 기반하여 상기 복수의 기간 가운데 과소 예측 오차의 발생 횟수를 산정하는 단계; 및 상기 과소 예측 오차의 발생 횟수 및 상기 복수의 기간 전체에 대응하는 총 기간에 기반하여 재고 부족 위험 아이템을 식별하는 단계를 포함할 수 있다.
일 실시예에서, 상기 재고 부족 위험 아이템을 식별하는 단계는, 복수의 기간 별로 지정된 상기 복수의 아이템 각각에 대응하는 개별 아이템 오차 정보를 산정하는 단계; 상기 복수의 기간에 대응하는 개별 아이템 오차 정보 가운데 소정의 임계 오차를 초과하는 과소 예측 오차의 발생 횟수를 산정하는 단계; 및 상기 임계 과소 오차를 초과하는 과소 예측 오차의 발생 횟수에 기반하여 재고 부족 아이템을 식별하는 단계를 포함할 수 있다.
일 실시예에서, 상기 재고 부족 위험 아이템을 식별하는 단계는, 상기 복수의 아이템 각각에 대응하는 과소 예측 오차의 발생 횟수에 기반하여, 상기 복수의 아이템 각각의 재고 부족 위험 순위를 산정하는 단계; 및 상기 재고 부족 위험 순위에 기반하여 재고 부족 위험 아이템을 식별하는 단계를 포함할 수 있다.
일 실시예에서, 상기 오차 원인 분석 모델은, 상기 하나 이상의 결정 규칙 각각에 대응하는 하나 이상의 규칙 노드를 포함하는 결정 트리(decision tree) 모델을 포함하고, 상기 오차 원인 정보를 산출하는 단계는, 상기 하나 이상의 결정 규칙에 기반하여, 상기 하나 이상의 규칙 노드 가운데 상기 분석 대상 예측 모델에 기반하여 산출된 예상 판매량에 대응하는 규칙 노드를 결정하는 단계; 상기 결정된 규칙 노드 및 상기 산출된 예상 판매량에 기반하여 상기 분석 대상 예측 모델에 대응하는 결과 노드를 식별하는 단계; 및 상기 결과 노드에 대응하는 오차 원인 정보를 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 하나 이상의 규칙 노드 각각에 대해 레벨이 할당되며, 상기 결정 트리 모델은 상위 레벨에 대응하는 규칙 노드 및 상기 상위 레벨에 대응하는 규칙 노드로부터 분기된 하나 이상의 규칙 노드 또는 하나 이상의 결과 노드를 - 상기 분기된 하나 이상의 규칙 노드 또는 하나 이상의 결과 노드는 상기 상위 레벨과 인접한 하위 레벨에 대응함 - 포함할 수 있다.
일 실시예에서, 상기 분석 대상 예측 모델에 대응하는 하나 이상의 결정 규칙은, 소정의 과거 기간 동안 상기 분석 대상 예측 모델에 기반하여 산출된 예상 판매량, 상기 소정의 과거 기간에 대응하는 실제 판매량 및 상기 소정의 과거 기간에 산출된 오차 원인 정보 가운데 적어도 일부에 기반하여 식별된 패턴 정보에 기반하여 결정될 수 있다.
본 개시의 일 실시예에 따른 전자 장치에 있어서, 하나 이상의 프로세서, 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 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 동작을 수행하도록 하는 명령어들을 기록한 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 상기 명령어들은, 상기 하나 이상의 프로세서로 하여금, 본 개시에 따른 방법을 실행하도록 구성될 수 있다.
본 개시에 따르면, 전자상거래 서비스에서 아이템의 매출 기회 예측에 따른 오차의 원인을 보다 정확하게 판별할 수 있다.
본 개시에 따르면, 전자상거래 서비스에서 매출 기회 예측에 이용되는 다양한 예측 모델 가운데 오차 원인의 분석이 필요한 대상 예측 모델을 보다 정확하게 판별할 수 있다.
본 개시에 따르면, 전자상거래 서비스에서 재고 부족 위험을 보다 정확하게 식별할 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 오차 원인 정보를 산출하는 방법을 나타낸 동작흐름도이다.
도 4는 본 개시의 일 실시예에 따른 분석 대상 예측 모델을 결정하는 방법을 나타낸 동작흐름도이다.
도 5는 본 개시의 일 실시예에 따른 예측 모델을 결정하기 위한 하나 이상의 예측 모델 고려 요소를 설명하기 위한 도면이다.
도 6a 및 도 6b는 도 3 및 도 4을 참조하여 설명된, 오차 정보, 오차 기여도 및 예측 편향을 산정하는 방법을 보다 구체적으로 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른 오차 원인 정보를 산출하는 방법을 나타낸 동작흐름도이다.
도 8은 도 7을 참조하여 설명된 결정 트리 모델을 보다 구체적으로 설명하기 위한 도면이다.
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 전자상거래 서비스에서 아이템의 매출 기회를 예측하고, 예측에 대한 오차 원인을 분석하기 위한 장치일 수 있다. 전자상거래 서비스는 예를 들어 온라인 상에서 하나 이상의 아이템을 판매하는 판매 플랫폼을 포함할 수 있다. 전자 장치(110)는 예를 들어 전자상거래 서비스를 관리하는 서버 장치를 포함하는 임의의 서버 장치 또는 전자상거래 서비스에서 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 아이템의 매출 기회를 예측하고, 예측에 대한 오차 원인을 분석하기 위해 데이터베이스(120)에 저장된 정보를 활용할 수 있다. 일 실시예에서, 예측의 대상이 되는 매출 기회는, 아이템에 대한 잠재적인 매출 발생의 가능성에 관한 정보를 포함할 수 있으며, 예컨대, 아이템의 예상 판매량, 아이템의 예상 손실 판매량 및 아이템의 예상 손실 매출 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 예측에 대한 오차는, 예측된 매출 기회가 실제 매출에 관하여 갖는 오차, 에컨대, 아이템의 실제 판매량에 대한 예상 판매량의 오차, 아이템의 실제 손실 판매량에 대한 예상 손실 판매량의 오차, 아이템의 실제 예상 손실 매출에 대한 실제 손실 매출의 오차 가운데 적어도 일부를 포함할 수 있다.
전자 장치(110)는 매출 기회의 예측 및 오차 원인의 분석에 관한 각종 정보를 사용자에게 제공할 수 있고, 사용자로부터 매출 기회의 예측 및 오차 원인 분석에 관한 입력을 수신할 수 있다. 구체적으로, 전자 장치(110)는 입출력 인터페이스를 통해 사용자로부터 매출 기회의 예측에 관한 명령을 획득하고, 획득된 명령에 대응하여 매출 기회에 대한 예측을 수행하고, 매출 기회 산정의 결과를 사용자에게 출력하거나 전자 장치(110) 내에 저장, 다른 장치로의 전달 등을 수행할 수 있다. 구체적으로, 전자 장치(110)는 입출력 인터페이스를 통해 사용자로부터 매출 기회 예측의 오차 분석에 관한 명령을 획득하고, 획득된 명령에 대응하여 매출 기회 예측의 오차 원인에 관한 분석을 수행하고, 오차 분석의 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 전자상거래 서비스에서의 아이템의 매출 기회 산정 및 오차 분석의 기초가 되는 정보를 저장할 수 있다. 예를 들어, 데이터베이스(120)는 전자상거래 서비스에서 취급되는 아이템 별 판매 로그를 저장할 수 있다. 또한, 예를 들어, 데이터베이스(120)에 아이템 별 판매 로그가 실시간으로 업데이트 되거나, 주기적 또는 비주기적으로 반복되어 업데이트 될 수 있다. 전자 장치(110)는 데이터베이스(120)를 통해, 임의의 아이템의 일자별 판매량에 관한 정보를 획득할 수 있다. 예를 들어, 특정 아이템, 전자상거래 서비스에서 취급하는 전체 아이템 또는 전자상거래 서비스에서 취급하는 전체 아이템 중 특정 조건을 만족하는 아이템 등의 기간(예: 일자) 별 판매량에 관한 정보를 획득할 수 있다. 나아가 임의의 아이템에 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 아이템의 매출 기회 산정 및 오차 원인 분석에 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: 명령어, 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 매출 기회 산정 및 오차 원인 분석에 관한 각종 정보를 요청하고, 데이터베이스(120)로부터 매출 기회 산정 및 오차 원인 분석에 관한 각종 정보를 수신할 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, 명령어 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 아이템의 매출 기회 예측 및 오차 원인 분석에 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 8에서 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 오차 원인 정보를 산출하는 방법을 나타낸 동작흐름도이다.
이하에서는, 도 3을 참조하여 본 개시의 일 실시예에 따른 오차 원인 정보를 산출하는 방법의 동작이 도 1에 도시된 전자 장치(110)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 또한, 설명의 편의상, 방법에 포함되는 동작의 주체가 생략될 수 있으나, 문맥상 다르게 뜻하지 않는 한, 전자 장치(110)에 의해 동작이 수행되는 것으로 해석될 수 있다.
동작 S301에서, 전자 장치(110)는 복수의 예측 모델 가운데 오차 원인을 분석할 분석 대상 예측 모델을 결정할 수 있다.
일 실시예에서, 예측 모델은, 아이템의 매출 기회에 관한 예측을 제공하는 하나 이상의 모델을 포함할 수 있다. 전자 장치(110)는 매출 기회를 예측하기 위하여 복수의 예측 모델 가운데 적어도 일부를 결정할 수 있다. 전자 장치(110)는 결정된 예측 모델에 기반하여 아이템의 매출 기회를 예측할 수 있다.
매출 기회는, 아이템의 예상 판매량을 포함할 수 있다. 전자 장치(110)는 예측 모델 및 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
예측 모델은, 특정 아이템에 대하여 예상되는 판매 양태 내지는 판매 패턴, 판매 추세 또는 사용자의 구매 패턴을 반영하여 생성, 업데이트 또는 학습된 복수의 예측 모델을 의미할 수 있다.
일 실시예에서, 예측 모델은, 학습, 회귀 분석, 범주 분석 등의 방법을 통해 분류되거나, 휴리스틱한 방법에 기반하여 식별된 하나 이상의 모델을 포함할 수 있다.
예를 들어, 예측 모델은 프로모션 대상이 되는 아이템에 대한 판매 패턴에 관한 예측 모델(예: 프로모션 모델)을 포함할 수 있다. 프로모션 대상 아이템에 대한 예측 모델에 대한 예시에서, 전자 장치(110)는 예측 시점으로부터 향후 일정한 기간(예: 35일) 이내에 특정 아이템에 대한 프로모션이 예정되어 있는 경우, 프로모션 대상 아이템에 대한 예측 모델을 선택하기 위한 조건을 만족하는 것으로 결정할 수 있다. 따라서 전자 장치(110)는 해당 특정 아이템의 판매 패턴이 프로모션 모델에 해당하는 판매 패턴을 가질 것으로 예측할 할 수 있으며, 해당 판매 패턴에 기반하여, 즉, 프로모션 모델에 기반하여 아이템의 판매량을 예측할 수 있다. 전자 장치(110)는 데이터베이스(120)로부터 예측 모델 선택 조건의 만족 여부를 확인하기 위한 각종 정보를 수신할 수 있다.
일 실시예에서, 예측 모델은, 예측 모델 고려 요소에 기반하여 결정될 수 있다. 전자 장치(110)는 하나 이상의 예측 모델 고려 요소에 기반하여 판매량 예측에 이용될 예측 모델을 결정할 수 있다. 예측 모델 고려 요소는 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부를 포함할 수 있다.
분석 대상 예측 모델은, 오차 원인을 분석할 대상이 되는 예측 모델일 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 예측 모델 가운데, 오차 정보에 기반하여 분석 대상 예측 모델을 결정할 수 있다. 오차 정보에 기반하여 분석 대상 예측 모델을 결정하는 방법에 대하여는 도 4에서 구체적으로 설명한다.
일 실시예에서, 전자 장치(110)는 각 아이템의 오차 기여도에 기반하여 분석 대상 예측 모델을 결정할 수 있다. 오차 기여도는, 복수의 아이템에 대하여 산정된 예상 판매량이 실제 판매량에 대하여 갖는 오차 가운데, 각 아이템에 대하여 산정된 예상 판매량의 오차가 갖는 기여 정도일 수 있다. 오차 기여도에 기반하여 분석 대상 예측 모델을 결정하는 방법에 대하여는 도 4에서 구체적으로 설명한다.
일 실시예에서, 전자 장치(110)는 재고 부족 위험 아이템에 기반하여 분석 대상 예측 모델을 결정할 수 있다. 재고 부족 위험 아이템은, 아이템의 재고가 부족할 위험이 존재하는 아이템을 의미할 수 있다. 예컨대, 지속적으로 과소 예측 오차가 발생하는 아이템의 경우, 실제 발생할 수요에 비하여 재고가 부족할 가능성이 존재한다. 과소 예측 오차는, 과소 예측에 따른 오차일 수 있고, 예상 판매량이 실제 판매량보다 작은 경우에 발생하는 오차를 의미할 수 있다. 과소 예측에 대응하는 오차는, 과소 예측이 발생한 경우에 산정되는 실제 판매량 및 예상 판매량 간의 가중 절대 평균 오차에 기반하여 산정될 수 있다. 전자 장치(110)는 아이템 그룹에 포함된 복수의 아이템 각각에 대응하여 산정된 오차 정보 가운데, 과대 예측에 대응하는 오차 및 과소 예측에 대응하는 오차를 분류할 수 있다. 과대 예측에 대응하는 오차는 예상 판매량이 실제 판매량보다 큰 경우에 발생하는 오차를 의미할 수 있다. 과대 예측에 대응하는 오차는, 과대 예측이 발생한 경우에 산정되는 실제 판매량 및 예상 판매량 간의 가중 절대 평균 오차에 기반하여 산정될 수 있다. 재고 부족 위험 아이템에 기반하여 분석 대상 예측 모델을 결정하는 방법에 대하여는 도 4에서 구체적으로 설명한다.
동작 S302에서, 전자 장치(110)는 오차 원인 분석 모델을 식별할 수 있다. 오차 원인 분석 모델은, 매출 기회의 오차 원인을 분석하기 위한 복수의 분석 모델을 포함할 수 있다.
일 실시예에서, 오차 원인 분석 모델은, 하나 이상의 결정 규칙(decision rule)을 포함할 수 있다. 결정 규칙은, 오차 원인을 산출하기 위하여 예측 데이터를 분할, 분류 또는 범주화 하기 위한 조건 또는 규칙일 수 있다. 결정 규칙은, 오차 원인의 범주에 대응할 수 있고, 예측 데이터는 예상 판매량 데이터 및 예상 판매량 데이터 산정의 기반이 되는 과거 판매량 데이터, 예측 모델의 파라미터 및 특성 정보 가운데 적어도 일부를 포함할 수 있다. 결정 규칙에 관하여는 도 8을 참조하여 구체적으로 설명한다.
일 실시예에서, 오차 원인 분석 모델은, 분석 대상이 되는 예측 모델에 대응하여 결정될 수 있다. 분석 대상 예측 모델 별로 서로 다른 오차 원인 분석 모델이 결정될 수 있다. 오차 원인 분석 모델이 포함하는 하나 이상의 결정 규칙은 분석 대상 예측 모델에 대응하여 결정될 수 있다.
동작 S303에서, 전자 장치(110)는 오차 원인 분석 모델에 기반하여 오차 원인 정보를 산출할 수 있다. 전자 장치(110)는 오차 원인 분석 모델 및 분석 대상 예측 모델에 기반하여 산출된 예측 데이터에 기반하여 오차 원인 정보를 산출할 수 있다. 오차 원인 정보는, 오차의 원인이 되는 하나 이상의 요소에 관한 정보를 포함할 수 있다. 예컨대 오차 원인이 매출 정보에 대한 입력 누락인 경우, 오차 원인 정보는 "매출 정보 입력 누락"으로 산출될 수 있다. 이때 매출 정보는 예측 데이터 가운데 예측의 기반이 되는 입력 데이터일 수 있고, 매출 정보 입력 누락에 해당하는 오차 원인 정보는, 오차 원인 정보는 입력 데이터의 누락으로 인하여 예측의 오차가 발생하였다는 것을 의미할 수 있다. 오차 원인 정보에 관하여는 도 8에서 구체적으로 설명한다.
도 4는 본 개시의 일 실시예에 따른 분석 대상 예측 모델을 결정하는 방법을 나타낸 동작흐름도이다.
이하에서는, 도 4를 참조하여 본 개시의 일 실시예에 따른 분석 대상 예측 모델을 결정하는 방법의 동작이 도 1에 도시된 전자 장치(110)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 또한, 설명의 편의상, 방법에 포함되는 동작의 주체가 생략될 수 있으나, 문맥상 다르게 뜻하지 않는 한, 전자 장치(110)에 의해 동작이 수행되는 것으로 해석될 수 있다.
동작 S401에서, 전자 장치(110)는 총 오차 정보를 산정할 수 있다. 총 오차 정보는, 총 예상 판매량 및 총 실제 판매량에 기반하여 산정될 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 예측 모델에 기반하여 산출된, 복수의 아이템에 대응하는 총 예상 판매량을 산정할 수 있다. 복수의 아이템이란, 판매량 예측의 대상이 되는 아이템들일 수 있다. 일 실시예에서, 전자 장치(110)는 판매량 예측의 대상이 되는 복수의 아이템을 결정할 수 있다.
총 예상 판매량은, 복수의 아이템 각각에 대응하여 산정된 개별 예상 판매량의 총 합일 수 있다. 개별 예상 판매량은 각 개별 아이템에 대응하여 산정된 예상 판매량일 수 있다. 일 실시예에서, 전자 장치(110)는 복수의 아이템 각각에 대응하여, 예상 판매량을 산정하기 위한 예측 모델을 결정할 수 있다. 예측 모델의 결정에 관한 방법은 도 5에서 구체적으로 설명한다. 전자 장치(110)는 각 아이템에 대응하는 예측 모델에 기반하여, 각 아이템에 대응하는 개별 예상 판매량을 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 기간에 대응하여 예상 판매량을 산정할 수 있다. 예를 들어, 전자 장치(110)는 각 아이템에 대응하여, 복수의 기간에 상응하는 예상 판매량을 산정할 수 있다. 예상 판매량은, 복수의 기간에 포함되는 각 기간 별로 산정될 수 있다. 전자 장치(110)는 단위 기간에 대응하는 예상 판매량을 산정할 수 있다. 단위 기간은, 예컨대 1일이 될 수 있다. 이 경우 복수의 기간은 복수의 일자가 될 수 있다. 전자 장치(110)는 복수의 일자에 상응하는, 각 아이템의 개별 예상 판매량을, 각 일자 별로 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 아이템에 대응하는 총 예상 판매량을 산정할 수 있다. 전자 장치(110)는 복수의 아이템 각각에 대응하는 개별 예상 판매량을 산정하고, 개별 예상 판매량에 기반하여 총 예상 판매량을 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 예측 모델에 기반하여 산출된, 복수의 아이템에 대응하는 총 실제 판매량을 산정할 수 있다.
총 실제 판매량은, 복수의 아이템 각각에 대응하여 산정된 개별 실제 판매량의 총 합일 수 있다. 개별 실제 판매량은 각 개별 아이템에 대응하여 산정된 실제 판매량일 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 기간에 대응하여 실제 판매량을 산정할 수 있다. 예를 들어, 전자 장치(110)는 각 아이템에 대응하여, 복수의 기간에 상응하는 실제 판매량을 산정할 수 있다. 실제 판매량은 복수의 기간에 포함되는 각 기간 별로 산정될 수 있다. 전자 장치(110)는 단위 기간에 대응하는 실제 판매량을 산정할 수 있다. 단위 기간은, 예컨대 1일이 될 수 있다. 이 경우 복수의 기간은 복수의 일자가 될 수 있다. 전자 장치(110)는 복수의 일자에 상응하는, 각 아이템의 개별 실제 판매량을, 각 일자 별로 산정할 수 있다. 전자 장치(110)는 개별 실제 판매량을 산정할 복수의 기간을, 산정된 개별 예상 판매량을 산정한 기간에 대응하여 결정할 수 있다. 예컨대, 전자 장치(110)는 예상 판매량에 관한 예측이 수행된 기간과 동일한 기간에 대하여, 실제 판매량을 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 아이템에 대응하는 총 실제 판매량을 산정할 수 있다. 전자 장치(110)는 복수의 아이템 각각에 대응하는 개별 실제 판매량을 산정하고, 개별 실제 판매량에 기반하여 총 실제 판매량을 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 총 예상 판매량 및 총 실제 판매량에 기반하여 총 오차 정보를 산정할 수 있다. 일 실시예에서, 총 오차 정보는 상기 아이템 그룹에 대응하는 실제 판매량 및 예상 판매량 간의 가중 절대 평균 오차(Weighted Mean Absolute Percentage Error; WMAPE) 값에 기반하여 산정될 수 있다. 가중 절대 평균 오차는 복수의 아이템 전체에 대응하는 총 실제 판매량에 대한 각 아이템의 개별 실제 판매량의 비율을 각 아이템에 대한 가중치로 하여, 각 아이템의 개별 예상 판매량이 개별 실제 판매량에 대하여 갖는 상대 오차의 절댓값에 대한 가중 평균에 기반하여 산정될 수 있다. 가중 절대 평균 오차에 관하여는 도 6a 및 도 6b에서 구체적으로 설명한다.
동작 S402에서, 전자 장치(110)는 복수의 아이템 각각에 대응하는 오차 기여도 정보를 산정할 수 있다. 일 실시예에서, 전자 장치(110)는 복수의 아이템 전체에 대응하는 제1 총 오차 정보 및 아이템 그룹에서 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 제2 총 오차 정보에 기반하여 제1 아이템의 오차 기여도를 산정할 수 있다. 오차 기여도는, 복수의 아이템에 포함된 특정 아이템(예: 제1 아이템)의 예측 값이 실제 값에 대하여 갖는 오차가, 복수의 아이템 전체의 총 오차에 대하여 기여한 비율을 의미할 수 있다. 제1 아이템의 오차 기여도는 제1 총 오차 정보와 아이템 그룹에서 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 제2 총 오차 정보의 차에 기반하여 산정될 수 있다. 오차 기여도는, 음의 값을 가질 수 있으며, 특정 아이템(예: 제1 아이템)의 오차 기여도가 더 작은 값을 가질수록 해당 특정 아이템(예: 제1 아이템)에 대한 예측이 정확하게 이루어진 것으로 이해될 수 있다. 일 실시예에서, 오차 기여도 정보는, 아이템 별로, 기간 별로 각각 산정될 수 있다. 각 기간에 대응하여 개별 아이템에 관한 예상 판매량이, 전체 아이템에 관한 예상 판매량에 대하여 갖는, 오차의 기여도가 산정될 수 있다.
동작 S403에서, 전자 장치(110)는 오차 원인 대상 아이템을 식별할 수 있다. 전자 장치(110)는 오차 기여도 정보에 기반하여 오차 원인 대상 아이템을 식별할 수 있다.
일 실시예에서, 전자 장치(110)는 전체 아이템 가운데 오차 기여도가 큰 아이템을 식별할 수 있다. 전자 장치(110)는 전체 아이템에 포함된 각각의 개별 아이템에 대응하여 오차 기여도를 산정할 수 있다. 전자 장치(110)는 오차 기여도의 순위에 기반하여 오차 원인 대상 아이템을 식별할 수 있다. 예컨대 전자 장치(110)는 복수의 아이템 전체에서, 상위 비율(예: 상위 10%)에 해당하는 오차 기여도를 갖는 아이템을 오차 원인 대상 아이템으로 결정할 수 있다. 일 실시예에서, 전자 장치(110)는 오차 기여도가 임계값 이상인 아이템을 오차 원인 대상 아이템으로 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 예측 편향 정보에 기반하여 오차 원인 대상 아이템을 식별할 수 있다. 전자 장치(110)는 개별 아이템 또는 복수의 아이템 전체에 대응하는 예측 편향 정보를 산정할 수 있다. 예측 편향 정보란, 예측 결과 값이 실제 값에 대하여 보이는 오차의 경향성에 관한 정보를 포함할 수 있다. 예를 들어, 예측 편향 정보는, 아이템의 예상 판매량 정보 및 실제 판매량 정보 간의 오차에 기반하여 산출될 수 있다.
일 실시예에서, 각 아이템에 대응하는 개별 예측 편향 정보는, 복수의 기간 각각에 대응하여 산정된 아이템의 오차 정보 가운데, 과대 예측에 대응하는 개별 오차 정보 및 과소 예측에 대응하는 개별 오차 정보의 차에 관한 가중 절대 평균 오차에 기반하여 산정될 수 있다.
일 실시예에서, 예측 편향 정보는 각 아이템 또는 각 아이템 그룹에 대응할 수 있다. 동일한 아이템의 매출 기회를 예측하는 경우에도, 시나리오 선택 조건에 따라서 기간 별로 대응하는 예측 모델이 서로 상이할 수 있다. 예컨대 동일한 아이템의 경우라도, 시기 별로 시나리오 선택 조건의 만족 여부가 상이할 수 있고, 대응되는 예측 모델이 상이하게 될 수 있다. 예측 편향 정보는 각 아이템에 대응하는 예측 값의 편향성 및 각 예측 모델에 대응하는 예측 값의 편향성을 반영한 데이터 가운데 적어도 하나일 수 있다.
일 실시예에서, 전자 장치(110)는 아이템 그룹에 대응하는 총 예측 편향 정보를 산정할 수 있다. 총 예측 편향 정보는, 복수의 아이템 전체에 대응하여 산정된, 각 아이템에 대응한 오차 정보 가운데, 과대 예측에 대응하는 오차 정보 및 과소 예측에 대응하는 오차 정보의 차에 관한 가중 절대 평균 오차에 기반하여 산정될 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 아이템 각각에 대응하는 개별 예측 편향에 기반하여 개별 예측 편향 값이 지정된 임계 편향 값 이상인 아이템을 오차 원인 대상 아이템으로 식별할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 아이템 그룹 각각에 대응하는 총 예측 편향에 기반하여 총 예측 편향 값이 지정된 임계 편향 값 이상인 아이템 그룹을 오차 원인 대상 아이템 그룹으로 식별할 수 있다.
동작 S404에서, 전자 장치(110)는 재고 부족 위험 아이템을 식별할 수 있다. 재고 부족 위험 아이템은, 아이템의 재고가 부족할 위험이 존재하는 아이템을 의미할 수 있다. 예컨대, 지속적으로 과소 예측 오차가 발생하는 아이템의 경우, 실제 발생할 수요에 비하여 재고가 부족할 가능성이 존재한다. 과소 예측 오차는, 과소 예측에 따른 오차일 수 있고, 예상 판매량이 실제 판매량보다 작은 경우에 발생하는 오차를 의미할 수 있다. 과소 예측에 대응하는 오차는, 과소 예측이 발생한 경우에 산정되는 실제 판매량 및 예상 판매량 간의 가중 절대 평균 오차에 기반하여 산정될 수 있다. 전자 장치(110)는 아이템 그룹에 포함된 복수의 아이템 각각에 대응하여 산정된 오차 정보 가운데, 과대 예측에 대응하는 오차 및 과소 예측에 대응하는 오차를 분류할 수 있다. 과대 예측에 대응하는 오차는 예상 판매량이 실제 판매량보다 큰 경우에 발생하는 오차를 의미할 수 있다. 과대 예측에 대응하는 오차는, 과대 예측이 발생한 경우에 산정되는 실제 판매량 및 예상 판매량 간의 가중 절대 평균 오차에 기반하여 산정될 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 기간 별로 개별 아이템 오차 정보를 산정할 수 있다. 개별 아이템 오차 정보는, 개별 아이템에 대응하여 산출된 예상 판매량이 개별 아이템의 실제 판매량에 대하여 갖는 오차 정보로서, 과소 예측 오차 또는 과대 예측 오차를 포함할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 기간 전체 가운데, 과소 예측 오차의 발생 횟수를 산정할 수 있다. 예를 들어, 복수의 기간이 일주일(7일)이며, 하나의 기간을 하루(1일)로 설정하고, 각 일자 별로 개별 아이템 오차 정보를 산정할 경우, 이 가운데 과소 예측 오차가 3일 간 발생한 경우, 과소 예측 오차의 발생 횟수는 '3회'가 될 수 있다.
일 실시예에 따르면, 전자 장치(110)는 과소 예측 오차의 발생 횟수 및 복수의 기간 전체에 기반하여 재고 부족 위험 아이템을 식별할 수 있다. 예컨대 복수의 기간 전체에 대응하는 총 기간에 대하여, 특정한 개별 아이템의 과소 예측 오차가 발생한 횟수의 비율이 임계 비율 이상인 경우, 전자 장치(110)는 특정한 개별 아이템을 재고 부족 위험 아이템으로 식별할 수 있다. 일 실시예에서, 전자 장치(110)는 각 아이템 별로 과소 예측 오차가 발생한 횟수를 산정하고, 각 아이템 별 과소 예측 오차 발생 횟수의 순위에 기반하여 재고 부족 위험 아이템을 식별할 수 있다.
일 실시예에 따르면, 전자 장치(110)는 복수의 기간 별로 산정된 개별 아이템 오차 정보 가운데, 과소 예측 오차를 산정하고, 복수의 기간에 대응하는 개별 아이템 오차 가운데 임계 오차를 초과하는 과소 예측 오차가 발생한 횟수를 산정할 수 있다. 임계 오차는, 미리 지정된 값 또는 오차 정보에 기반한 일정 비율로써 산정될 수 있다. 전자 장치(110)는 임계 오차를 초과하는 과소 예측 오차의 발생 횟수의 순위에 기반하여 재고 부족 위험 아이템을 식별할 수 있다.
동작 S405에서, 전자 장치(110)는 총 오차 정보, 오차 원인 대상 아이템 및 재고 부족 위험 아이템 가운데 적어도 일부에 기반하여 분석 대상 예측 모델을 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 예측 모델 각각에 대응하는 복수의 아이템 그룹을 설정할 수 있다. 예측 모델에 대응하는 아이템 그룹은 동일한 예측 모델에 기반하여 예상 판매량의 예측이 수행된 복수의 아이템을 포함할 수 있다. 전자 장치(110)는 복수의 아이템 그룹 각각에 대응하는 복수의 총 오차 정보를 산출하고, 총 오차 정보 간의 비교에 기반하여 상위 오차를 갖는 아이템 그룹을 결정할 수 있다. 상위 오차를 갖는 아이템 그룹은, 총 오차 정보의 순위에 기반하여 결정될 수 있다. 전자 장치(110)는 상위 오차를 갖는 아이템 그룹과 대응하는 예측 모델을 분석 대상 예측 모델로 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 아이템에 대하여, 서로 다른 예측 모델에 기반하여, 각 예측 모델에 대응하는 총 오차 정보를 산출할 수 있다. 전자 장치(110)는 각 예측 모델에 대응하는 총 오차 정보 간의 비교에 기반하여 상위 오차를 갖는 예측 모델을 분석 대상 예측 모델로 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 오차 원인 대상 아이템에 대응하는 예측 모델을 분석 대상 예측 모델로 결정할 수 있다. 전자 장치(110)는 예측 모델 고려 요소에 기반하여, 오차 원인 대상 아이템에 대응하는 예측 모델을 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 재고 부족 위험 아이템에 대응하는 예측 모델을 분석 대상 예측 모델로 결정할 수 있다. 전자 장치(110)는 예측 모델 고려 요소에 기반하여, 재고 부족 위험 아이템에 대응하는 예측 모델을 결정할 수 있다.
도 5는 본 개시의 일 실시예에 따른 예측 모델을 결정하기 위한 하나 이상의 예측 모델 고려 요소를 설명하기 위한 도면이다.
도 5의 예측 모델 고려 요소에 관한 표(400)를 참조하면, 예측 모델 고려 요소는 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부를 포함할 수 있다. 예측 모델 고려 요소는, 아이템의 판매 패턴에 영향을 줄 수 있는 하나 이상의 요소를 포함할 수 있다.
일 실시예에서, 아이템 정보는, 아이템에 관한 다양한 정보를 포함할 수 있다. 아이템 정보는 아이템의 카테고리 및 아이템의 속성 가운데 적어도 일부를 포함할 수 있다. 아이템의 카테고리는 하나 이상의 카테고리(예: 제1 카테고리, 제2 카테고리, 제3 카테고리, 제4 카테고리 및 제5 카테고리)로 분류될 수 있다.
일 실시예에서, 아이템의 속성은 발주 상태, 입고 기간, 판매 기간, 계절성, 휴일 특성 가운데 적어도 일부를 포함할 수 있다.
일 실시예에서, 발주 상태는, 아이템의 발주에 관한 다양한 정보를 포함할 수 있다. 아이템의 발주는 전자상거래 서비스에서 아이템을 고객에게 판매하기 위하여, 판매할 아이템을 공급처로부터 구매하여, 입고하기 위한 절차로 이해될 수 있다. 발주 상태는, 아이템의 발주 여부, 발주 시기, 발주 수량, 아이템 발주의 완료 여부, 발주 취소 여부 및 발주 완료 후 입고 여부 가운데 적어도 일부를 포함할 수 있다.
일 실시예에서, 입고 기간은 판매할 아이템을 저장소, 창고, 풀필먼트 센터(fulfillment center) 등에 입고한 기간에 관한 정보를 포함할 수 있다. 예를 들어, 입고 기간은, 동일한 아이템에 대하여 최초로 입고가 발생한 시기로부터 마지막으로 입고가 발생한 시기까지의 기간에 대응할 수 있다.
일 실시예에서, 판매 기간은 특정 아이템이 최초로 판매가 된 시기로부터 최후에 판매가 된 시기까지의 기간에 대응할 수 있다.
일 실시예에서, 계절성은, 아이템의 판매량이 계절에 영향을 받는 특성에 대응할 수 있다. 아이템의 계절성은, 기존 판매량에 대한 히스토리 데이터 및 시기 별 온도 데이터에 기반하여 산출된 아이템 및 온도 간의 상관관계에 기반하여 결정될 수 있다. 계절성은, 예를 들어, 아이템의 판매량이 계절에 영향을 받는지 여부(계절성이 존재하는지 여부) 및 아이템의 판매량에 영향을 주는 계절에 관한 정보 가운데 적어도 일부를 포함할 수 있다. 예를 들어, 아이템이 '여름'기간에 높은 판매량을 보이며, 이외의 계절에는 저조한 판매량을 보이는 특성을 가지는 경우, 해당 아이템의 계절성은 '여름'이 될 수 있다. 이때 계절성에서의 계절은, 반드시 봄, 여름, 가을, 겨울과 같이 기상학적 4계절을 가리키지 않을 수 있으며, 계절성은 장마철, 연초, 연말 등 주기성을 가지는 일정한 기간에 따라 변동하는 특성을 의미할 수 있다.
일 실시예에서, 휴일 특성은, 아이템의 판매량이 휴일인지 여부에 영향을 받는 특성을 의미할 수 있다. 휴일 특성은, 휴일 특성이 존재하는지 여부 및 아이템의 판매량에 영향을 주는 특정 휴일에 관한 정보 가운데 적어도 일부를 포함할 수 있다. 예를 들어, 아이템이 '추석'기간에만 판매량이 급등하는 경우, 해당 아이템의 휴일 특성은 '추석'이 될 수 있다.
일 실시예에서, 시기 정보는 매출 기회 예측에 이용될 수 있는 실제 판매량 데이터 또는 매출 기회를 예측하고자 하는 기간에 대응하는 시기의 속성을 나타내는 정보를 포함할 수 있다. 시기 정보는 연도 내 주차, 월 내 주차, 절기, 요일, 월 내 일자, 휴일 정보, 계절 정보 및 프로모션 일정 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 시기 정보는 특정 일자, 특정 기간에 대응될 수 있으며, 특정한 일자 또는 기간에 대응하여 복수의 시기 정보가 대응될 수 있다.
연도 내 주차는 특정 시기가 동일 연도(year) 내에서 몇 번째 주(week)에 해당하는지를 의미할 수 있다. 월 내 주차는 특정 시기가 동일한 월(month) 내에서 몇 번째 주(week)에 해당하는지를 의미할 수 있다.
일 실시예에서, 판매 관련 정보는 판매량 정보, 가격 정보, 판매 요약 정보 및 재입고 알림 정보 가운데 적어도 일부를 포함할 수 있다. 판매 요약 정보는 특정 아이템 또는 특정 기간에 대응하여 이루어진 판매에 관한 주요 정보를 포함할 수 있다. 예를 들어, 평균 매출, 상위 매출 상품, 상위 판매량 상품, 재고 수준에 관한 정보 가운데 적어도 일부를 포함할 수 있다. 재입고 알림 정보는 특정 아이템에 대응하는 재입고가 존재하는지 여부에 관한 정보를 포함할 수 있다.
일 실시예에서, 품절 정보는 품절 기간을 포함할 수 있다. 품절 기간은 특정 아이템의 재고가 없는 관계로, 품절 상태에 머무른 기간을 의미할 수 있다. 품절 기간은, 기준이 되는 일정 기간 내에서 품절 상태로 머무른 기간의 비율을 의미할 수 있다. 예를 들어, 하루를 기간의 기준으로 할 때, 품절 상태로 6시간 동안 머무른 경우 품절 기간은 6시간의 하루(24시간)에 대한 비율, 즉, 0.25 또는 25%와 같이 비율 정보로 표현될 수도 있다.
일 실시예에서, 프로모션 정보는 프로모션 유형 및 프로모션 상세 정보 가운데 적어도 일부를 포함할 수 있다. 프로모션 유형은, 일정 가격만큼 아이템 가격을 할인하는 프로모션, 일정 할인율만큼 아이템 가격을 할인하는 프로모션, 쿠폰 발급을 통한 프로모션, 보상을 이용한 프로모션, 계절 프로모션, 정기 프로모션, 우수 고객에 대한 프로모션과 같이 다양한 유형을 포함할 수 있다. 프로모션 상세 정보는 프로모션의 기간, 프로모션의 할인율, 프로모션에 대응하는 아이템의 범주, 프로모션의 대상이 되는 고객의 범주와 같이 프로모션에 관한 다양한 정보를 포함할 수 있다.
일 실시예에서, 전자 장치(110)는, 하나 이상의 예측 모델 고려 요소에 기반하여, 예측 모델 선택 조건의 만족 여부를 결정할 수 있다. 예측 모델은, 예측 대상이 되는 아이템 및 예측 대상이 되는 기간에 대응하는, 하나 이상의 예측 모델 고려 요소에 기반하여 결정될 수 있다.
일 실시예에서, 전자 장치(110)는 매출 기회를 산정할 대상이 되는 아이템 및 기간에 대응하여 확인되는 예측 모델 고려 요소에 기반하여 매출 기회를 산정하기 위한 복수의 예측 모델 가운데 적어도 일부를 예측 모델로 결정할 수 있다.
일 실시예에서, 복수의 예측 모델은 제1 예측 모델, 제2 예측 모델, 제3 예측 모델, 제4 예측 모델, 제5 예측 모델, 제6 예측 모델, 제7 예측 모델 및 기본 예측 모델을 포함할 수 있으나, 본 개시에 따른 예측 모델은 이에 한정되지 않는다.
일 실시예에서, 제1 예측 모델은, 신규 아이템에 대응하는 예측 모델을 포함할 수 있다. 신규 아이템이란 새로이 출시된 아이템 또는 과거에 판매하지 않았으나 새로이 판매를 시작한 아이템을 의미할 수 있다. 신규 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴은 신규 아이템에 대응하는 예측 모델에 반영될 수 있다. 전자 장치(110)는 제1 예측 모델에 대응하는, 제1 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제1 예측 모델 조건의 만족 여부는 아이템 정보의 생성일을 기반으로 결정될 수 있다. 예를 들어, 매출 기회를 예측할 대상이 되는 시기 및 아이템을 기준으로, 예측 대상이 되는 시기가, 해당 아이템의 아이템 정보의 생성일로부터 지정된 기간(예: 30일) 이내인 경우, 전자 장치(110)는 제1 예측 모델 조건을 만족하는 것으로 결정할 수 있다. 전자 장치(110)는 제1 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 시기 정보 및 아이템 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 전자 장치(110)는 제1 예측 모델 조건의 만족 여부를 결정하기 위하여, 판매 관련 정보를 더 확인할 수 있다. 제1 예측 모델 조건은, 예측 대상이 되는 시기(예: 현 시점 또는 예측 대상 일자)가 아이템 정보의 생성일로부터 지정된 기간 이내인지 여부에 부가하여, 아이템 정보의 생성일로부터 지정된 기간 이내에 최초 판매량이 발생하였는지 여부 및 지정된 기간 이내에 재입고 알림 정보가 존재하는지 여부 가운데 적어도 일부에 기반하여 제1 예측 모델 조건의 만족 여부를 확인할 수 있다. 예컨대, 신규 아이템으로서 아이템 정보가 생성되었으나, 그로부터 지정된 기간을 도과할 경우에는 신규 아이템의 매출 패턴으로써 해당 아이템의 매출 기회를 예측하는 것은 적절하지 않을 수 있다. 마찬가지로, 지정된 기간을 도과할 때까지 판매량이 발생하지 않았다면, 신규 아이템에 대응하는 매출 패턴으로써 해당 아이템의 판매량을 예측하는 것은 적절하지 않을 수 있다.
일 실시예에서, 제2 예측 모델은, 노후화(aging) 아이템에 대응하는 예측 모델을 포함할 수 있다. 노후화(aging) 아이템이란 유행에 민감하거나, 최신 기술에 민감한 아이템을 포함할 수 있으며, 신제품의 출시 주기가 빠른 아이템 또는 재고 기간이 오래될수록 판매량이 감소하는 경향을 보이는 아이템을 포함할 수 있다. 예컨대 스마트폰의 경우 새로운 제품의 출시 주기가 빠르고 최신 기술에 민감하므로 재고 기간이 오래될수록 판매량이 급격히 감소할 여지가 있다. 노후화 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴은 노후화 아이템에 대응하는 예측 모델에 반영될 수 있다. 전자 장치(110)는 제2 예측 모델에 대응하는, 제2 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제2 예측 모델 조건의 만족 여부는 발주 상태, 판매량 정보 및 입고 기간 가운데 적어도 일부에 기반하여 결정될 수 있다. 예를 들어, 제2 예측 모델 조건의 만족 여부는 과거의 판매량 정보에 기반하여 일정 시기 이후 판매량이 임계 값 이상 감소하였는지 여부에 기반하여 결정될 수 있다. 또 다른 예를 들어, 전자 장치(110)는, 발주 상태를 확인하고, 일정 시기 이후 발주가 존재하는지 여부에 기반하여 제2 예측 모델 조건의 만족 여부를 결정할 수 있다. 또 다른 예시로서, 전자 장치(110)는 판매량이 일정 시기 이후 임계값 이상 감소하고, 일정 시기 이후 발주가 부존재하는 경우, 제2 예측 모델 조건을 만족하는 것으로 결정할 수 있다. 전자 장치(110)는 제2 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 발주 정보 및 판매량 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제3 예측 모델은, 저회전율(slow-moving) 아이템에 대응하는 예측 모델을 포함할 수 있다. 저회전율 아이템이란 회전율이 낮은 아이템, 즉, 아이템의 판매 속도가 느리거나, 수요가 낮기 때문에 상품이 재고로 남는 경향이 큰 아이템을 의미할 수 있다. 저회전율 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴은 저회전율 아이템에 대응하는 예측 모델에 반영될 수 있다. 전자 장치(110)는 제3 예측 모델에 대응하는, 제3 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제3 예측 모델 조건의 만족 여부는 가격 정보, 판매량 정보 및/또는 아이템 속성(예: 입고 기간)을 기반으로 결정될 수 있다. 예를 들어, 제3 예측 모델 조건은 아이템의 가격이 지정된 임계 가격 이상인지 여부를 포함할 수 있다. 아이템의 가격이 높은 경우, 수요가 낮을 수 있으며, 회전율이 낮아질 수 있다. 또 다른 예를 들어, 제3 예측 모델 조건은 아이템의 판매량이 지정된 과거 기간 동안 임계 판매량 미만인지 여부를 포함할 수 있다. 예컨대 예측 대상이 되는 기간을 기준으로, 과거의 지정된 기간(예: 3주) 동안 임계 판매량 미만의 판매량이 발생하였거나, 판매가 발생한 날짜의 수(일수)가 임계 일수 미만인 경우, 전자 장치(110)는 제3 예측 모델 조건을 만족하는 것으로 결정할 수 있다. 또 다른 예를 들어, 제3 예측 모델 조건은, 아이템의 입고 기간에 기반하여 그 만족 여부가 결정될 수 있다. 제3 예측 모델 조건의 만족 여부는 아이템의 최초 입고 시기가 예측일로부터 지정된 기간(예: 60일) 이후인지 여부에 기반하여 결정될 수 있다. 전자 장치(110)는 제3 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 시기 정보 및 아이템 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제4 예측 모델은, 프로모션 아이템에 대응하는 예측 모델을 포함할 수 있다. 프로모션 아이템이란 프로모션이 예정되어 있는 아이템을 의미할 수 있다. 프로모션 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴을 반영하여, 프로모션 아이템에 대응하는 예측 모델이 생성, 업데이트 또는 개선될 수 있다. 전자 장치(110)는 제4 예측 모델에 대응하는, 제4 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제4 예측 모델 조건의 만족 여부는 예측일로부터 예측일 이후의 지정된 기간 이내에 프로모션이 예정되어 있는지 여부에 기반하여 결정될 수 있다. 예를 들어, 매출 기회를 예측할 대상이 되는 시기 및 아이템을 기준으로, 예측 대상이 되는 시기 이후 지정된 기간(예: 35일) 이내에 프로모션 일정 정보가 존재하는 경우이며, 예측 대상이 되는 시기가 프로모션 기간 중인 경우에 제4 예측 모델 조건을 만족하는 것으로 결정될 수 있다. 전자 장치(110)는 예측 모델 고려 요소 가운데 아이템 속성, 프로모션 일정 정보, 프로모션 정보 가운데 적어도 일부를 기반으로 제4 예측 모델 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제4 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 아이템 속성, 프로모션 일정 정보 및 프로모션 정보를 데이터베이스(120)로부터 수신할 수 있다.
일 실시예에서, 제5 예측 모델은, 휴일 특성을 가지는 아이템에 대응하는 예측 모델을 포함할 수 있다. 휴일 특성을 가지는 아이템이란 특정 휴일인지 여부에 기반하여 판매량 변동이 큰 아이템을 의미할 수 있다. 예컨대 추석 기간에만 높은 판매량을 가지며, 이외의 기간에는 판매량이 높지 않은 아이템의 경우 휴일 특성을 가지는 아이템에 대응하는 제5 예측 모델을 적용할 수 있다. 휴일 특성을 가지는 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴은 휴일 특성을 가지는 아이템에 대응하는 제5 예측 모델에 반영될 수 있다. 전자 장치(110)는 제5 예측 모델에 대응하는, 제5 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제5 예측 모델 조건의 만족 여부는 아이템이 휴일 특성을 갖는지 여부 및 예측일로부터 예측일 이후의 지정된 기간 이내에 휴일이 예정되어 있는지 여부에 기반하여 결정될 수 있다. 예를 들어, 매출 기회를 예측할 대상이 되는 시기 및 아이템의 속성을 기준으로, 아이템이 휴일 특성을 가지며, 예측 대상이 되는 시기 이후 지정된 기간(예: 35일) 이내에 휴일 정보가 존재하는 경우에 제5 예측 모델 조건을 만족하는 것으로 결정될 수 있다. 일 실시예에서, 전자 장치(110)는 휴일 정보 및 휴일 특성에 대응하는 휴일이 서로 상응하는 종류의 휴일인지 여부를 기반으로 제5 예측 모델 조건의 만족 여부를 결정할 수 있다. 예컨대 예측 모델 고려 요소 가운데 휴일 특성 및 휴일 정보는 각각 대응하는 휴일의 유형(예: 설날, 추석, 크리스마스)에 관한 정보를 포함할 수 있다. 전자 장치(110)는 예측 모델 고려 요소 가운데 휴일 특성 및 휴일 정보 가운데 적어도 일부를 기반으로 제5 예측 모델 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제5 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 휴일 특성 및 휴일 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제6 예측 모델은, 계절성을 가지는 아이템에 대응하는 예측 모델을 포함할 수 있다. 계절성을 가지는 아이템이란 특정 계절인지 여부에 기반하여 판매량 변동이 큰 아이템을 의미할 수 있다. 예컨대 여름 기간에만 높은 판매량을 가지며, 이외의 기간에는 판매량이 높지 않은 아이템의 경우 계절성을 가지는 아이템에 대응하는 제6 예측 모델을 적용할 수 있다. 계절성을 가지는 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴은 계절성을 가지는 아이템에 대응하는 제6 예측 모델에 반영될 수 있다. 전자 장치(110)는 제6 예측 모델에 대응하는, 제6 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제6 예측 모델 조건의 만족 여부는 아이템이 계절성을 갖는지 여부 및 예측일로부터 예측일 이후의 지정된 기간 이내에 특정 계절이 예정되어 있는지 여부에 기반하여 결정될 수 있다. 예를 들어, 매출 기회를 예측할 대상이 되는 시기 및 아이템의 속성을 기준으로, 아이템이 계절성을 가지며, 예측 대상이 되는 시기 이후 지정된 기간(예: 35일) 이내에 계절 정보가 존재하는 경우에 제6 예측 모델 조건을 만족하는 것으로 결정될 수 있다. 일 실시예에서, 전자 장치(110)는 계절 정보 및 계절성에 대응하는 계절이 서로 상응하는 종류의 계절인지 여부를 기반으로 제6 예측 모델 조건의 만족 여부를 결정할 수 있다. 예컨대 예측 모델 고려 요소 가운데 계절성 및 계절 정보는 각각 대응하는 계절의 유형(예: 봄, 여름, 가을, 겨울, 장마, 건기, 우기, 특정 절기, 백야, 극야, 날씨)에 관한 정보를 포함할 수 있다. 전자 장치(110)는 예측 모델 고려 요소 가운데 계절성 및 계절 정보 가운데 적어도 일부를 기반으로 제6 예측 모델 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제6 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 계절성 및 계절 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제7 예측 모델은, 휴일 특성을 가지며, 동시에 계절성을 가지는 아이템에 대응하는 예측 모델을 포함할 수 있다. 휴일 특성 및 계절성을 동시에 가지는 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴은 휴일 특성 및 계절성을 동시에 가지는 아이템에 대응하는 제7 예측 모델에 반영될 수 있다. 전자 장치(110)는 예측 대상이 되는 기간으로부터 지정된 기간(예: 35일) 이내에 특정 계절 및 특정 휴일이 동시에 존재하며, 아이템의 속성이 계절성 및 휴일 특성을 모두 포함하는 경우, 제7 예측 모델 조건을 만족하는 것으로 결정할 수 있다. 전자 장치(110)는 제5 예측 모델에 대응하는, 제7 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제7 예측 모델 조건의 만족 여부는 아이템이 휴일 특성을 갖는지 여부, 아이템이 계절성을 갖는지 여부 및 예측일로부터 예측일 이후의 지정된 기간 이내에 특정 휴일 및 특정 계절이 동시에 예정되어 있는지 여부에 기반하여 결정될 수 있다. 예를 들어, 매출 기회를 예측할 대상이 되는 시기 및 아이템의 속성을 기준으로, 아이템이 계절성 및 휴일 특성을 가지며, 예측 대상이 되는 시기 이후 지정된 기간(예: 35일) 이내에 계절 정보 및 휴일 정보가 존재하는 경우에 제7 예측 모델 조건을 만족하는 것으로 결정될 수 있다. 전자 장치(110)는 예측 모델 고려 요소 가운데 계절성, 계절 정보, 휴일 특성 및 휴일 정보 가운데 적어도 일부를 기반으로 제7 예측 모델 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제7 예측 모델 조건의 만족 여부를 결정하기 위하여, 예측 모델 고려 요소 가운데 계절성, 계절 정보, 휴일 특성 및 휴일 정보를 데이터베이스로부터 수신할 수 있다.
기본 예측 모델은, 제1 예측 모델 내지 제7 예측 모델에 해당하지 않는 경우, 즉, 일반적인 매출 패턴을 포함하는 아이템에 대응하여, 판매량 예측을 위하여 선택되는 모델을 의미할 수 있다.
일 실시예에서, 제1 예측 모델은, 가중 이동 평균 모형(weighted Moving Average model) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제1 예측 모델을 선택한, 제1 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제1 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 제1 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 아이템 정보, 시기 정보, 판매량 정보 및 품절 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 제1 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(제1 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 제1 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 제1 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 제2 예측 모델은, 이동 평균 모형(Moving Average model) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제2 예측 모델을 선택한 경우, 제2 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제2 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 제2 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 발주 상태, 아이템 정보, 시기 정보, 판매량 정보 및 품절 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 제2 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(제2 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 제2 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 제2 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 제3 예측 모델은, 이동 평균 모형(Moving Average model) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제3 예측 모델에 해당하는 경우, 제3 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제3 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 제3 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 입고 기간, 아이템 정보, 시기 정보, 판매량 정보 및 품절 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 제3 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(제3 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 제3 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 제3 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 제4 예측 모델은, Light GBM (Light Gradient-Boosting Machine) 알고리즘 및 외생 변수를 포함한 자기 회귀 누적 이동 평균 모델 가중 이동 평균 모형(Autoregressive Integrated Moving Average with Exogenous Variables, ARIMAX) 알고리즘 가운데 적어도 일부를 포함할 수 있다. 전자 장치(110)는 제4 예측 모델에 해당하는 경우, 제4 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제4 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 제4 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 아이템 특성, 시기 정보, 판매량 정보, 품절 정보, 프로모션 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 제4 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(제4 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 제4 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 제4 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 제5 예측 모델은, 홀트 - 윈터스(Holt - Winters) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제5 예측 모델에 해당하는 경우, 제5 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제5 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 제5 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 아이템 속성, 시기 정보, 시기 정보, 판매량 정보 및 품절 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 제5 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(제5 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 제5 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 제5 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 제6 예측 모델은, Light GBM (Light Gradient-Boosting Machine) 알고리즘 및 홀트 - 윈터스(Holt - Winters) 알고리즘 가운데 적어도 일부를 포함할 수 있다. 전자 장치(110)는 제6 예측 모델에 해당하는 경우, 제6 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제6 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 제6 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 아이템 속성, 시기 정보, 판매량 정보, 품절 정보, 판매 요약 정보, 계절 정보 및 가격 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 제6 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(제6 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 제6 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 제6 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 제7 예측 모델은, 홀트 - 윈터스(Holt - Winters) 알고리즘 가운데 적어도 일부를 포함할 수 있다. 전자 장치(110)는 제7 예측 모델에 해당하는 경우, 제7 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제7 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 제7 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 아이템 속성, 시기 정보, 판매량 정보, 품절 정보, 판매 요약 정보, 휴일 정보, 계절 정보 및 가격 정보 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 제7 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(제7 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 제7 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 제7 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 기본 예측 모델은, Light GBM (Light Gradient-Boosting Machine) 알고리즘을 포함할 수 있다. 전자 장치(110)는 일반 매출 예측 모델에 해당하는 경우, 기본 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 기본 예측 모델에 대응하는 하나 이상의 특성 정보는 예측 모델 고려 요소의 적어도 일부를 포함할 수 있다. 기본 예측 모델에 적용될 하나 이상의 특성 정보는, 예를 들면, 아이템 속성, 시기 정보, 판매 관련 정보 및 품절 정보 가운데 적어도 일부를 포함할 수 있다. 구체적으로, 기본 예측 모델에 대응하는 특성 정보는, 아이템 속성 가운데 발주 상태, 입고 기간, 판매 기간 가운데 적어도 일부를 포함할 수 있다. 기본 예측 모델에 대응하는 특성 정보는, 기간 정보 가운데 연도 내 주차, 월 내 주차, 요일, 월 내 일자 가운데 적어도 일부를 포함할 수 있다. 일 실시예에서, 전자 장치(110)는 기본 예측 모델의 알고리즘에 적용될 하나 이상의 파라미터를, 동일한 예측 모델(기본 매출 예측 모델)에 대응하는 하나 이상의 아이템에 관한 기존 예측 데이터 및 과거 판매량 정보에 기반하여 업데이트 함으로써 기본 예측 모델을 생성, 업데이트 또는 학습할 수 있다. 전자 장치(110)는 기본 예측 모델 및 하나 이상의 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에 따르면, 전자 장치(110)는 오차 원인 대상 아이템을 식별하고, 식별된 오차 원인 대상 아이템에 대응하는 판매량 산정의 기반이 되는 예측 모델을, 예측 모델 선택 조건에 기반하여 결정할 수 있다. 전자 장치(110)는 이때 결정된 예측 모델을 분석 대상 예측 모델로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(110)는 재고 부족 위험 아이템을 식별하고, 식별된 재고 부족 위험 아이템에 대응하는 판매량 산정의 기반이 되는 예측 모델을, 예측 모델 선택 조건에 기반하여 결정할 수 있다. 전자 장치(110)는 이때 결정된 예측 모델을 분석 대상 예측 모델로 결정할 수 있다.
도 6a 및 도 6b는 도 3 및 도 4을 참조하여 설명된, 오차 정보, 오차 기여도 및 예측 편향을 산정하는 방법을 보다 구체적으로 설명하기 위한 도면이다.
도 6a에서, 복수의 아이템에 대한 예시인 제1 아이템, 제2 아이템 및 제3 아이템을 포함하는 아이템 그룹 및 복수의 기간에 대한 예시인 복수의 일자(20230101 및 20230102)에 대응하는 예상 판매량 및 실제 판매량을 나타낸, 매출 기회에 관한 예시표(601)를 기반으로 오차 정보, 오차 기여도 및 예측 편향 정보를 산정하는 방법을 구체적으로 설명한다.
도 6b에서는, 도 6a의 매출 기회 예시표(601)를 기반으로 산출된 오차 정보 및 예측 편향 정보를 나타낸, 오차 산정에 관한 산정 예시표(602)를 기반으로 매출 기회 및 보정된 매출 기회를 산정하는 방법을 구체적으로 설명한다.
도 6a를 참조하면, 매출 기회 예시표(601)의 예상 판매량은 각 아이템 별, 각 기간 별(일자 별)로 산정될 수 있다.
도 6a를 참조하면, 수학식 1(610)에 기반하여 오차 정보가 산정될 수 있고, 수학식 2(620)에 기반하여 과대 예측에 대응하는 오차가 산정될 수 있으며, 수학식 3(630)에 기반하여 과소 예측에 대응하는 오차가 산정될 수 있다. 또한, 수학식 4(640)에 기반하여 예측 편향 정보가 산정될 수 있다. 이때 "i"는 각 아이템에 대응하는 인덱스일 수 있고, "n"은 아이템 인덱스의 최종값일 수 있다. 예컨대 도 6a의 예시에서, 제1 아이템, 제2 아이템 및 제3 아이템 각각의 인덱스 값("i")에 "1", "2", "3"의 값이 대입될 수 있고, 아이템 인덱스의 최종값에 대응하는 "n"에 "3"의 값이 대입될 수 있다. 이때 "Ai"는 아이템 인덱스 "i"에 대응하는 실제 판매량일 수 있고, "Fi"는 아이템 인덱스 "i"에 대응하는 예상 판매량일 수 있다.
도 6b를 참조하면, 산정 예시표(602)는, 도 6a의 매출 기회 예시표(601)에 포함된 수치 및 수학식 1(610), 수학식 2(620), 수학식 3(630) 및 수학식 4(640)에 기반하여 산출된 결과 가운데 아이템 그룹에 포함된 전체 아이템에 관하여 산출된 결과를 포함할 수 있다. 일자 "20230101"에 대응하는 아이템 그룹 전체의 총 오차 정보(77%)는, 제1 아이템, 제2 아이템 및 제3 아이템 각각의, "20230101"에 대응하는 예상 판매량 및 실제 판매량을 수학식 1(610)에 대입함으로써 산출될 수 있다. 마찬가지의 방법을 통하여, 수학식 1(610), 수학식 2(620) 및 수학식 3(630) 및 수학식 4(640)에 기반하여 일자 "20230102"에 대응하는 총 오차 정보(45%), 일자 "20230101"에 대응하는 총 과대 예측 오차(73%), 일자 "20230101"에 대응하는 총 과소 예측 오차(5%), 일자 "20230101"에 대응하는 총 예측 편향 정보(68%)가 산출될 수 있고, 일자 "20230101"에 대응하는, 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 총 오차 정보(80%)가 산출될 수 있다. 이때 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 총 오차 정보는, 수학식 3(630)의 아이템 인덱스 "i"에, 제1 아이템에 대응하는 "1"을 제외한 "2" 및 "3"만이 대입될 수 있다.
도 6b를 참조하면, 일자 "20230101"에 대응하는, 제1 아이템의 오차 기여도(-3%)는, "20230101"에 대응하는, 제1 아이템을 제외한 나머지 아이템 전체의 총 오차(67%) 및 제1 아이템을 제외한 나머지 아이템 전체의 총 오차(80%) 간의 차로써 산출될 수 있다.
도 6b를 참조하면, 기간 "20230101" 내지 "20230102"에서 제1 아이템에 대응하는 예측 편향 정보(-11%)는, 도 6a를 참조하여 설명된 수학식 4(640)에서, 제1 아이템에 대하여 일자 별로 서로 다른 인덱스를 적용하여 예상 판매량 및 실제 판매량이 대입되어 산출될 수 있다. 즉, "20230101"의, 제1 아이템의 예상 판매량 및 실제 판매량에 대한 인덱스 "i"에 "1"이 대입되고, "20230102"의, 제1 아이템의 예상 판매량 및 실제 판매량에 대한 인덱스 "i"에 "2"가 대입될 수 있다.
도 7은 본 개시의 일 실시예에 따른 오차 원인 정보를 산출하는 방법을 나타낸 동작흐름도이다.
동작 S701에서, 전자 장치(110)는 결정 규칙에 기반하여 예상 판매량에 대응하는 규칙 노드를 결정할 수 있다. 규칙 노드는, 오차 원인 분석 모델이 포함하는 하나 이상의 결정 규칙에 관한 노드일 수 있다.
예상 판매량은, 결정 규칙에 의하여 분할, 분류 또는 범주화될 예측 데이터를 포함할 수 있다. 예측 데이터는 예상 판매량 데이터 및 예상 판매량 데이터 산정의 기반이 되는 과거 판매량 데이터, 예측 모델의 파라미터 및 특성 정보 가운데 적어도 일부를 포함할 수 있다.
일 실시예에서, 오차 원인 분석 모델은 하나 이상의 규칙 노드를 포함하는 결정 트리(decision tree) 모델을 포함할 수 있다.
하나 이상의 규칙 노드는, 결정 규칙에 대응될 수 있다. 결정 규칙은, 오차 원인을 산출하기 위하여 예측 데이터를 분할, 분류 또는 범주화 하기 위한 조건 또는 규칙일 수 있다. 하나 이상의 결정 규칙은, 분석의 대상이 되는 예측 모델에 대응하여 결정될 수 있다.
일 실시예에서, 각 예측 모델에 대응하는 결정 규칙들은 각 예측 모델의 과거 예상 판매량, 과거 실제 판매량 및 이들 간의 오차가 갖는 패턴에 기반하여 학습된 가설 기반 규칙을 포함할 수 있다. 예를 들어, 전자 장치(110)는 규칙 기반 학습에 기초하여, 예측 모델에 대응하는 결정 규칙을 결정할 수 있다. 하나 이상의 결정 규칙은 소정의 과거 기간 동안 분석 대상 예측 모델에 기반하여 산출된 예상 판매량, 소정의 과거 기간에 대응하는 실제 판매량 및 상기 소정의 과거 기간에 산출된 오차 원인 정보 가운데 적어도 일부에 기반하여 식별된 패턴 정보에 기반하여 결정될 수 있다.
일 실시예에서, 결정 트리 모델은 상위 레벨에 대응하는 규칙 노드 및 그로부터 분기된 하나 이상의 규칙 노드 또는 하나 이상의 결과 노드를 포함할 수 있다. 상위 레벨의 규칙 노드로부터 분기된 하나 이상의 규칙 노드 또는 하나 이상의 결과 노드에는 상위 레벨과 인접한 하위 레벨이 대응될 수 있다. 예컨대, 제2 레벨의 규칙 노드로부터 제3 레벨에 대응하는 하나 이상의 규칙 노드가 분기될 수 있다.
동작 S702에서, 전자 장치(110)는 결정된 규칙 노드 및 예상 판매량에 기반하여 결과 노드를 식별할 수 있다. 결과 노드는 오차 원인 정보와 대응할 수 있다. 결과 노드는 하나 이상의 규칙 노드 가운데 일부 규칙 노드에 대응하는, 인접한 하위 레벨의 노드를 포함할 수 있다. 예컨대 결과 노드는 최종 레벨에 대응하는 노드, 즉, 최종 레벨과 인접한 상위 레벨로부터 분기하는 노드를 의미할 수 있다. 전자 장치(110)는 예상 판매량에 대응하는 규칙 노드에서, 다시 예상 판매량에 기반하여 결과 노드를 식별할 수 있다.
동작 S703에서, 전자 장치(110)는 결정된 결과 노드에 기반하여 오차 원인 정보를 산출할 수 있다. 일 실시예에서, 오차 원인 정보는 각 결과 노드와 대응 관계를 가질 수 있다. 전자 장치(110)는 식별된 결과 노드에 대응하는 오차 원인 정보를 출력할 수 있다.
도 8은 도 7을 참조하여 설명된 결정 트리 모델을 보다 구체적으로 설명하기 위한 도면이다.
도 8을 참조하면, 도 8은, 오차 원인 분석 모델이 포함하는 결정 트리 모델의 일 예(800)를 도시한 도면일 수 있다.
결정 트리 모델은 오차 분석의 대상이 되는, 분석 대상 예측 모델(801)과 대응될 수 있다. 결정 트리 모델은 분석 대상 예측 모델(801)에 대응하여 하나 이상의 규칙 노드 및 결과 노드를 포함할 수 있다. 예를 들어, 일 예(800)에서는, 프로모션 모델이 분석 대상 예측 모델(801)로 선택된 경우일 수 있고, 결정 트리 모델은 프로모션 모델에 대응하는 하나 이상의 규칙 노드 및 결과 노드를 포함할 수 있다.
결정 트리 모델은 하나 이상의 레벨을 포함하며, 각 레벨 별로 하나 이상의 규칙 노드 또는 결과 노드를 포함할 수 있다. 예를 들어, 레벨 1(810)에서, 분석 대상 예측 모델(801)에 대응하는 복수의 규칙 노드인 입력 관련 규칙 노드(811) 및 모델 관련 규칙 노드(812)를 포함할 수 있다. 입력 관련 규칙 노드(811)는 예측 데이터에 기반하여 결정되는 오차 원인이 데이터의 입력과 관련하여 발생하였는지 여부에 관한 결정 규칙에 대응될 수 있다. 모델 관련 규칙 노드(812)는, 예측 데이터에 기반하여 결정되는 오차 원인이 예측 모델의 적용, 모델의 처리 및 예측 모델의 후처리 가운데 어느 하나에 관련되어 발생하였는지 여부에 관한 결정 규칙에 대응될 수 있다. 전자 장치(110)는 예측 데이터에 포함된, 예상 판매량 데이터 및 예상 판매량 데이터 산정의 기반이 되는 과거 판매량 데이터, 예측 모델의 파라미터 및 특성 정보 가운데 적어도 일부에 기반하여, 입력 데이터가 입력 관련 규칙 노드(811) 및 모델 관련 규칙 노드(812) 가운데 어느 하나로 분류되는지 여부를 확인할 수 있다. 예측 데이터는 일자 별, 아이템 별 산정된 예상 판매량에 관한 예측 데이터를 포함할 수 있다.
일 실시예에서, 레벨 2(820)에 대응하여, 입력 관련 규칙 노드(811)로부터 분기한 운영 관련 규칙 노드 및 ETL 규칙 노드(821)를 포함할 수 있다. 운영 관련 규칙 노드는, 예측 데이터의 입력과 관련된 오차 원인 가운데, 예측 모델의 운영(operation)에 관련된 입력에서 오차 원인이 발생하였는지 여부에 관한 결정 규칙에 대응될 수 있다. ETL(Extract, Transform, Load) 규칙 노드(821)는 예측 데이터의 추출, 변환, 적재(Load)가운데 어느 하나에 기반하여 오차 원인이 발생하였는지 여부에 관한 결정 규칙에 대응될 수 있다. 전자 장치(110)는 예측 데이터에 기반하여, 입력 관련 규칙 노드(811)로부터 분류될, 운영 관련 규칙 노드 및 ETL 규칙 노드(821) 가운데 어느 하나를 식별할 수 있다.
마찬가지로, 레벨 1(810)에서, 입력된 예측 데이터가 모델 관련 규칙 노드(812)로 분류된 경우, 전자 장치(110)는 레벨 2(820)에서, 모델 적용 가능성 규칙 노드, 모델 처리 규칙 노드 및 후처리 규칙 노드 가운데 예측 데이터가 분류될 하나의 규칙 노드를 식별할 수 있다. 모델 적용 가능성 규칙 노드는, 예측 모델에 적용될 수 있는 특성 정보(예: 적용될 아이템)에 오류가 있는 경우에 식별될 수 있고, 모델 처리 규칙 노드는 예측 모델의 알고리즘에서, 입력된 데이터의 처리에 관한 오류가 발생한 경우에 식별될 수 있으며, 후처리 규칙 노드의 경우 예측 모델의 예측 값에 대한 후처리, 예컨대 예측 값의 보정 또는 적절한 예측 모델의 선택에서 오류가 발생한 경우에 식별될 수 있다.
일 실시예에서, 결정 트리 모델은, 레벨 3(830)에 대응하여, ETL 규칙 노드(821)로부터 분기한 입력 누락 규칙 노드(831), 입력 지연 규칙 노드(832) 및 입력 오류 규칙 노드(833)를 포함할 수 있다.
또한 결정 트리 모델은 레벨 4(840)에서, 입력 누락, 입력 지연 및 입력 오류에 관한 규칙 노드로부터, 해당 입력이 예측 모델에 입력된 특성 정보 가운데 매출 정보, 품절 정보, 가격 정보, 프로모션 정보, 판매 정보 및 아이템 정보 가운데 어느 하나에 해당하는지 여부에 각각 대응하는 복수의 규칙 노드로 분기할 수 있다. 예를 들어, 전자 장치(110)는 레벨 3(830)에서 예측 데이터에 기반하여 입력 누락 규칙 노드(831)를 식별한 경우, 예측 데이터에서 매출 정보, 품절 정보, 가격 정보, 프로모션 정보, 판매 정보 및 아이템 정보 가운데 어떤 데이터가 누락되었는지 여부에 기반하여 이 가운데 매출 정보 규칙 노드(841)를 식별할 수 있다.
레벨 4(840)의 결정 규칙 노드에서 분기하는, 레벨 5(850)의 노드는, 결과 노드일 수 있고, 결과 노드는 오차 원인 정보에 대응될 수 있다. 예컨대 레벨 4의 매출 정보 규칙 노드(841)는, 레벨 3(830)의 입력 누락 규칙 노드(831)로부터 분기한 것으로서, 이에 대응하는 레벨 5(850)의 결과 노드는 매출 정보 입력 누락(851) 노드가 될 수 있다. 전자 장치(110)는 결과 노드가 식별되는 경우, 결과 노드에 대응하는 오차 원인 정보를 산출할 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 명령어(예를 들어, 인스트럭션, 코드 또는 코드 세그먼트)를 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령어에 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 명령어를 실행하여, 기기의 구성요소들이 이 명령어에 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 (15)

  1. 전자 장치에 의해 수행되는 방법에 있어서,
    복수의 아이템에 대한 예상 판매량을 산출하는 복수의 예측 모델 가운데 예상 판매량과 실제 판매량 간의 오차 원인을 분석할 분석 대상 예측 모델을 결정하는 단계;
    상기 분석 대상 예측 모델에 대응하는 오차 원인 분석 모델을 식별하는 단계 - 상기 오차 원인 분석 모델은 대응하는 분석 대상 예측 모델에 기반하여 식별되는 하나 이상의 결정 규칙을 포함함 -; 및
    상기 분석 대상 예측 모델에 대응하는 오차 원인 분석 모델에 기반하여 상기 분석 대상 예측 모델에 대응하는 오차 원인 정보를 산출하는 단계를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 분석 대상 예측 모델을 결정하는 단계는,
    상기 복수의 예측 모델에 기반하여 산출된 상기 복수의 아이템에 대응하는 총 예상 판매량 및 상기 복수의 아이템에 대응하는 총 실제 판매량에 기반하여, 상기 복수의 아이템의 예상 판매량에 관한 총 오차 정보를 산정하는 단계; 및
    상기 총 오차 정보에 기반하여 상기 복수의 예측 모델 가운데 상기 분석 대상 예측 모델을 결정하는 단계를 포함하는, 방법.
  3. 제2항에 있어서,
    상기 총 오차 정보는 상기 복수의 아이템에 대응하는 총 예상 판매량 및 총 실제 판매량 간의 가중 절대 평균 오차(Weighted Mean Absolute Percentage Error; WMAPE) 값에 기반하여 확인되는, 방법.
  4. 제1항에 있어서,
    상기 분석 대상 예측 모델을 결정하는 단계는,
    상기 복수의 아이템 각각에 대응하는 오차 기여도 정보를 산정하는 단계;
    상기 오차 기여도 정보에 기반하여 상기 복수의 아이템 가운데 오차 원인을 분석할 적어도 일부 아이템을 식별하는 단계; 및
    상기 식별된 적어도 일부 아이템에 대응하는 예측 모델을 상기 분석 대상 예측 모델로 결정하는 단계를 포함하는, 방법.
  5. 제4항에 있어서,
    상기 복수의 아이템 각각에 대응하는 오차 기여도 정보를 산정하는 단계는,
    상기 복수의 아이템 전체에 대응하는 제1 총 오차 정보를 산정하는 단계;
    상기 복수의 아이템 가운데 오차 기여도 산정의 대상이 되는 대상 아이템을 제외한 하나 이상의 아이템에 대응하는 제2 총 오차 정보를 산정하는 단계; 및
    상기 제1 총 오차 정보 및 상기 제2 총 오차 정보에 기반하여 상기 대상 아이템에 대응하는 오차 기여도 정보를 산정하는 단계를 포함하는, 방법.
  6. 제4항에 있어서,
    상기 식별된 적어도 일부 아이템에 대응하는 예측 모델은, 상기 식별된 적어도 일부 아이템에 대응하는 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부에 기반하여 결정되는, 방법.
  7. 제1항에 있어서,
    상기 분석 대상 예측 모델을 결정하는 단계는,
    상기 복수의 아이템 가운데 재고 부족 위험 아이템을 식별하는 단계; 및
    상기 재고 부족 위험 아이템에 대응하는 예측 모델을 상기 분석 대상 예측 모델로 결정하는 단계를 포함하는, 방법.
  8. 제7항에 있어서,
    상기 재고 부족 위험 아이템을 식별하는 단계는,
    복수의 기간 별로 지정된 상기 복수의 아이템 각각에 대응하는 개별 아이템 오차 정보를 산정하는 단계;
    상기 개별 아이템 오차 정보에 기반하여 상기 복수의 기간 가운데 과소 예측 오차의 발생 횟수를 산정하는 단계; 및
    상기 과소 예측 오차의 발생 횟수 및 상기 복수의 기간 전체에 대응하는 총 기간에 기반하여 재고 부족 위험 아이템을 식별하는 단계를 포함하는, 방법.
  9. 제7항에 있어서,
    상기 재고 부족 위험 아이템을 식별하는 단계는,
    복수의 기간 별로 지정된 상기 복수의 아이템 각각에 대응하는 개별 아이템 오차 정보를 산정하는 단계;
    상기 복수의 기간에 대응하는 개별 아이템 오차 정보 가운데 소정의 임계 오차를 초과하는 과소 예측 오차의 발생 횟수를 산정하는 단계; 및
    상기 임계 오차를 초과하는 과소 예측 오차의 발생 횟수에 기반하여 재고 부족 아이템을 식별하는 단계를 포함하는, 방법.
  10. 제7항에 있어서,
    상기 재고 부족 위험 아이템을 식별하는 단계는,
    상기 복수의 아이템 각각에 대응하는 과소 예측 오차의 발생 횟수에 기반하여, 상기 복수의 아이템 각각의 재고 부족 위험 순위를 산정하는 단계; 및
    상기 재고 부족 위험 순위에 기반하여 재고 부족 위험 아이템을 식별하는 단계를 포함하는, 방법.
  11. 제1항에 있어서,
    상기 오차 원인 분석 모델은,
    상기 하나 이상의 결정 규칙 각각에 대응하는 하나 이상의 규칙 노드를 포함하는 결정 트리(decision tree) 모델을 포함하고,
    상기 오차 원인 정보를 산출하는 단계는,
    상기 하나 이상의 결정 규칙에 기반하여, 상기 하나 이상의 규칙 노드 가운데 상기 분석 대상 예측 모델에 기반하여 산출된 예상 판매량에 대응하는 규칙 노드를 결정하는 단계;
    상기 결정된 규칙 노드 및 상기 산출된 예상 판매량에 기반하여 상기 분석 대상 예측 모델에 대응하는 결과 노드를 식별하는 단계; 및
    상기 결과 노드에 대응하는 오차 원인 정보를 산출하는 단계를 포함하는, 방법.
  12. 제11항에 있어서,
    상기 하나 이상의 규칙 노드 각각에 대해 레벨이 할당되며,
    상기 결정 트리 모델은 상위 레벨에 대응하는 규칙 노드 및 상기 상위 레벨에 대응하는 규칙 노드로부터 분기된 하나 이상의 규칙 노드 또는 하나 이상의 결과 노드를 포함하는 - 상기 분기된 하나 이상의 규칙 노드 또는 하나 이상의 결과 노드는 상기 상위 레벨과 인접한 하위 레벨에 대응함 -, 방법.
  13. 제1항에 있어서,
    상기 분석 대상 예측 모델에 대응하는 하나 이상의 결정 규칙은,
    소정의 과거 기간 동안 상기 분석 대상 예측 모델에 기반하여 산출된 예상 판매량, 상기 소정의 과거 기간에 대응하는 실제 판매량 및 상기 소정의 과거 기간에 산출된 오차 원인 정보 가운데 적어도 일부에 기반하여 식별된 패턴 정보에 기반하여 결정되는, 방법.
  14. 전자 장치에 있어서,
    하나 이상의 프로세서,
    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 제13항 중 어느 한 항에 따른 방법을 실행하도록 구성되는, 전자 장치.
  15. 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 동작을 수행하도록 하는 명령어들을 기록한 비일시적 컴퓨터 판독 가능 기록매체에 있어서,
    상기 명령어들은, 상기 하나 이상의 프로세서로 하여금, 제1항 내지 제13항 중 어느 한 항에 따른 방법을 실행하도록 구성되는, 비일시적 컴퓨터 판독 가능 기록매체.
PCT/KR2023/008653 2023-06-14 2023-06-22 오차 원인을 분석하는 방법, 장치 및 기록매체 Ceased WO2024257939A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230076213A KR102807358B1 (ko) 2023-06-14 2023-06-14 오차 원인을 분석하는 방법, 장치 및 기록매체
KR10-2023-0076213 2023-06-14

Publications (1)

Publication Number Publication Date
WO2024257939A1 true WO2024257939A1 (ko) 2024-12-19

Family

ID=93852307

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/008653 Ceased WO2024257939A1 (ko) 2023-06-14 2023-06-22 오차 원인을 분석하는 방법, 장치 및 기록매체

Country Status (3)

Country Link
KR (2) KR102807358B1 (ko)
TW (2) TWI867606B (ko)
WO (1) WO2024257939A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019125048A (ja) * 2018-01-12 2019-07-25 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
KR102125210B1 (ko) * 2018-12-28 2020-06-22 주식회사 팀삼층 상품 주문량 예측 방법 및 이를 수행하기 위한 장치
KR102360948B1 (ko) * 2021-04-23 2022-02-09 쿠팡 주식회사 아이템 폐기와 관련된 정보 제공 방법 및 그 장치
JP7147561B2 (ja) * 2016-09-05 2022-10-05 日本電気株式会社 発注数決定システム、発注数決定方法および発注数決定プログラム
KR20220162342A (ko) * 2021-06-01 2022-12-08 주식회사 에이아이닷엠 과거 일별 판매량 추정 및 미래 판매량 예측 모델 생성 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9805330B2 (en) 2008-11-19 2017-10-31 Jda Software Group, Inc. System and method for root cause analysis and early warning of inventory problems
US20130173332A1 (en) * 2011-12-29 2013-07-04 Tom Thuy Ho Architecture for root cause analysis, prediction, and modeling and methods therefor
CN106204086A (zh) 2015-05-06 2016-12-07 阿里巴巴集团控股有限公司 商品销量的预警方法和装置
KR102455860B1 (ko) 2019-10-16 2022-10-19 주식회사 리코어 인공지능 모델 기반 물류창고의 예측 출고량 결정 방법 및 장치
CN114841590B (zh) 2022-05-17 2026-04-07 阿里巴巴（中国）有限公司 供应链异常处理方法、装置、设备、存储介质及程序产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7147561B2 (ja) * 2016-09-05 2022-10-05 日本電気株式会社 発注数決定システム、発注数決定方法および発注数決定プログラム
JP2019125048A (ja) * 2018-01-12 2019-07-25 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
KR102125210B1 (ko) * 2018-12-28 2020-06-22 주식회사 팀삼층 상품 주문량 예측 방법 및 이를 수행하기 위한 장치
KR102360948B1 (ko) * 2021-04-23 2022-02-09 쿠팡 주식회사 아이템 폐기와 관련된 정보 제공 방법 및 그 장치
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
TW202501369A (zh) 2025-01-01
TW202514477A (zh) 2025-04-01
TWI867606B (zh) 2024-12-21
KR102807358B1 (ko) 2025-05-15
KR20240175928A (ko) 2024-12-23
TWI914038B (zh) 2026-02-01
KR20250075545A (ko) 2025-05-28

Similar Documents

Publication Publication Date Title
WO2018074851A1 (ko) 배달주문 분배시스템 및 방법
WO2022163956A1 (ko) 인공지능 기반 매장 수요 예측 방법 및 시스템
WO2022225088A1 (ko) 아이템 폐기와 관련된 정보 제공 방법 및 그 장치
WO2023286989A1 (ko) 자산배분 포트폴리오 운용 장치 및 방법
WO2025127322A1 (ko) 인플루언서의 판매 상품 추천 및 판매량 예측 방법 및 장치
WO2018008835A1 (ko) 증권 포트폴리오를 위한 리스크 관리 방법 및 이를 위한 리스크 관리 장치.
WO2023008908A1 (en) Method of providing product discount coupons based on store demand forecasting and system therefor
WO2024257940A1 (ko) 아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체
WO2022080701A1 (ko) 노출지수를 이용한 검색어 추천 방법 및 이를 위한 장치
KR102807358B1 (ko) 오차 원인을 분석하는 방법, 장치 및 기록매체
WO2024190965A1 (ko) 풀필먼트 센터에서 물품의 재고를 관리하는 방법 및 그 장치
WO2024248178A1 (ko) 탄소배출량 분석 및 이에 기반한 탄소배출량 저감 방안 제시 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
WO2023153679A1 (ko) Oms 상에서 온라인 판매자 및 소비자 간 발생하는 주문 데이터 기반의 신용 평가 방법 및 이러한 방법을 수행하는 장치
WO2023287073A1 (ko) 매장 운영 예측 시스템 및 그 방법
WO2025029069A1 (ko) 예약 확률 기반의 판매가 조정 장치 및 그 제어 방법
WO2024010403A1 (ko) 자동화된 도급 플랫폼 서비스를 제공하는 시스템
WO2025029068A1 (ko) 투숙 당일의 판매가 조정 장치 및 그 제어 방법
WO2025178365A1 (ko) 과거 투숙일 데이터 기반의 수요 예측 장치 및 그 제어 방법
WO2022154201A1 (ko) 매장에 대한 고객의 충성도 분석 방법 및 시스템
WO2025143832A1 (ko) 인공지능 기반의 공장 디자인 툴 제공 서버 및 제공 방법
WO2025178366A1 (ko) 과거 투숙일 데이터 기반의 초기 판매가 조정 장치 및 그 제어 방법
WO2025159243A1 (ko) 재고 관리 방법, 장치, 및 기록 매체
WO2026054210A1 (ko) 픽업 시간을 제공하는 방법, 장치 및 명령을 기록한 기록 매체
WO2014157762A1 (ko) 모바일 어플리케이션 디자인 및 시뮬레이션 기능을 제공하는 스마트 디자인 시스템, 이를 포함하는 비즈니스 모델 및 스마트 디자인 시스템의 동작방법
WO2015102429A1 (ko) 전자상거래 서비스 시스템, 그의 사용자 로그 기반 상품 추천 방법 및 연관 상품 판매를 위한 방법

Legal Events

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

Ref document number: 23941722

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE