WO2024257940A1 - 아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체 - Google Patents

아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체 Download PDF

Info

Publication number
WO2024257940A1
WO2024257940A1 PCT/KR2023/008654 KR2023008654W WO2024257940A1 WO 2024257940 A1 WO2024257940 A1 WO 2024257940A1 KR 2023008654 W KR2023008654 W KR 2023008654W WO 2024257940 A1 WO2024257940 A1 WO 2024257940A1
Authority
WO
WIPO (PCT)
Prior art keywords
sales
item
information
scenario
electronic device
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/KR2023/008654
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 WO2024257940A1 publication Critical patent/WO2024257940A1/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
    • 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 predicting or calculating sales opportunities of items in an e-commerce service.
  • GMV gross merchandise value
  • Lost GMV lost sales
  • Loss of sales opportunities can be assumed, for example, in a stock-out situation due to a lack of inventory for an item. Even if a user has a purchase intention for an item, sales cannot be generated for the item if the item is out of stock, resulting in a loss of potential sales opportunities. In this case, the lost sales opportunities can be calculated based on information on sales expected if the item is not out of stock.
  • a technical problem to be solved by one embodiment of the present disclosure is to accurately predict sales opportunities for items in an e-commerce service.
  • Another technical problem to be solved through one embodiment of the present disclosure is sales opportunity calculation considering sales patterns by item and period in an e-commerce service.
  • Another technical challenge to be solved by one embodiment of the present disclosure is to reflect item-specific bias in predicting sales opportunities in e-commerce services.
  • a method for estimating a sales opportunity of an item performed by an electronic device may include: a step of determining at least one sales scenario corresponding to the item based on a scenario selection condition among one or more sales scenarios regarding sales of the item; a step of determining at least one prediction model corresponding to the at least one sales scenario among one or more prediction models regarding prediction of sales opportunities; a step of determining one or more characteristic information to be applied to the at least one prediction model based on the item and the at least one prediction model; and a step of estimating an expected sales amount of the item based on the at least one prediction model and the one or more characteristic information.
  • the method may further include calculating an expected lost sales amount of the item based on the calculated expected sales amount and the out-of-stock information corresponding to the item.
  • the out of stock information may include information regarding the length of time that the item remains in an out of stock state.
  • the method may further include calculating an expected loss sales amount corresponding to the item based on the expected loss sales amount and the price information of the item.
  • the method may include: calculating an expected sales amount corresponding to an item group based on expected sales amounts corresponding to each of a plurality of items included in the item group; calculating an actual sales amount corresponding to the item group based on actual sales amounts corresponding to each of the plurality of items; and calculating total error information corresponding to the item group based on the expected sales amount corresponding to the item group and the actual sales amount corresponding to the item group.
  • the total error information may 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 method may further include: calculating total error information corresponding to all items remaining except for the first item among the plurality of items in the item group; and calculating an error contribution of the first item based on the total error information corresponding to all of the remaining items and the total error information corresponding to the item group.
  • the step of determining the sales scenario may include the step of determining whether one or more scenario selection conditions corresponding to each of the one or more sales scenarios are satisfied based on at least some of the item information, the timing information, the sales-related information, the out-of-stock information, and the promotion information; and the step of determining at least one sales scenario corresponding to the item based on whether the one or more scenario selection conditions are satisfied.
  • a priority for each scenario is assigned, and whether a scenario selection condition corresponding to each of the sales scenarios is satisfied can be sequentially determined based on the priority for each scenario.
  • the method may further include calculating prediction bias information corresponding to the item; and calculating a corrected predicted sales amount corresponding to the item based on the predicted sales amount and the predicted bias information.
  • the prediction bias information may be calculated based on the error between the predicted sales amount and the actual sales amount corresponding to the item.
  • the prediction bias information may be identified based on a sum of errors corresponding to overprediction and a sum of errors corresponding to underprediction among one or more error information corresponding to one or more dates.
  • the step of calculating the expected sales amount may include the step of calculating the expected sales amount by date
  • the step of checking the predicted bias information may further include the step of calculating the actual sales amount corresponding to the item by date corresponding to the expected sales amount; and the step of calculating the predicted bias information corresponding to the item by date based on the actual sales amount and the predicted sales amount corresponding to the item.
  • An electronic device comprises: one or more processors; one or more memories storing instructions to be executed by the one or more processors; and when the instructions are executed by the one or more processors, the one or more processors may 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.
  • item-specific bias can be reflected in the prediction of sales opportunities 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 expected sales of an item according to one embodiment of the present disclosure.
  • FIG. 4 is a diagram illustrating one or more scenario consideration factors for determining scenario selection conditions according to one embodiment of the present disclosure.
  • FIG. 5 is a flowchart illustrating a method for determining a sales scenario according to one embodiment of the present disclosure.
  • FIG. 6 is a flowchart illustrating a method for calculating a corrected expected sales amount according to one embodiment of the present disclosure.
  • FIGS. 7A and 7B are diagrams for more specifically explaining the method for calculating sales opportunities and adjusted sales opportunities described with reference to FIGS. 3 and 6.
  • 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.
  • 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 that can transmit and receive various information to and from a database (120) through a network.
  • the electronic device (110) may be one of a computer, a laptop, a portable communication terminal (such as a smartphone), a portable multimedia device, a wearable device, or an HMD.
  • the type of the electronic device (110) is not limited thereto, and the electronic device (110) may be any device that includes an input/output interface that can receive information from a user or output information to a user, and can communicate with the database (120) or other devices through a network.
  • the electronic device (110) may utilize information stored in the database (120) to predict a sales opportunity for an item.
  • the sales opportunity being predicted may include information regarding the likelihood of potential sales occurring for the item, such as at least some of the expected sales of the item, the expected lost sales of the item, and the expected lost sales of the item.
  • the electronic device (110) can provide various types of information regarding the prediction of sales opportunities to the user, and can receive input regarding the prediction of sales opportunities from the user. Specifically, the electronic device (110) can obtain a command regarding the prediction of sales opportunities from the user through an 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 input obtained from the user can include various forms of input, such as a click using a mouse, a touch using a touch pad or a touch screen, voice recognition, other electronic input, or voice input using a microphone, etc.
  • the output of the electronic device (110) can include various forms of output, such as a visual form through a display, a projector, a hologram, etc., or an auditory form through a speaker, etc.
  • the database (120) can store information that serves as the basis for calculating sales opportunities for items in an e-commerce service.
  • the database (120) can store sales logs for each item handled in the 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 the e-commerce service, or items satisfying a specific condition among all items handled in the 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) may process information regarding sales opportunity estimation of an item.
  • the electronic device (200) may 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) may be omitted, or another component may be added to the electronic device (200).
  • some of the components may be implemented in an integrated manner, or may be implemented as a single or multiple entities.
  • one or more processors (210) may be expressed as a processor (210).
  • processor (210) may mean a set of one or more processors, unless explicitly stated otherwise in the context.
  • one or more memories (220) may be expressed as a memory (220).
  • the expression memory (220) may mean a set of one or more memories, unless the context clearly indicates otherwise.
  • at least some of the components inside/outside the electronic device (200) may be connected to each other via a bus, a General Purpose Input/Output (GPIO), a Serial Peripheral Interface (SPI), or a Mobile Industry Processor Interface (MIPI), and may exchange information (data, signals, etc.).
  • GPIO General Purpose Input/Output
  • SPI Serial Peripheral Interface
  • MIPI Mobile Industry Processor Interface
  • the processor (210) may control at least one component of the electronic device (200) connected to the processor (210) by driving software (e.g., commands, programs, etc.). In addition, the processor (210) may perform various operations, such as calculations, processing, data generation, and processing, related to the present disclosure. In addition, the processor (210) may load data, etc. from the memory (220) or store data in the memory (220). Furthermore, the processor (210) may transmit and receive various information with the database (120) through the communication interface (230). In one embodiment, the processor (210) may control the communication interface (230) to request various information regarding sales opportunity estimation from the database (120) and receive various information regarding sales opportunity estimation from the database (120).
  • the processor (210) may control the communication interface (230) to request various information regarding sales opportunity estimation from the database (120) and receive various information regarding sales opportunity estimation 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 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 expected sales of an item according to one embodiment of the present disclosure.
  • the description will be continued assuming that the operation of the method for calculating the expected sales amount of an item according to one embodiment of the present disclosure is performed by the electronic device (110) illustrated in FIG. 1.
  • 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 determine a sales scenario corresponding to the item.
  • a sales scenario may refer to a classification of expected sales patterns, sales trends, or user purchasing patterns for a particular item.
  • the sales scenarios may include one or more scenarios classified through methods such as learning, regression analysis, categorical analysis, or identified based on heuristic methods.
  • a sales scenario may include a scenario regarding a sales pattern for an item being promoted.
  • the electronic device (110) may determine that a scenario selection condition corresponding to a sales scenario of an item being 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 sales scenario of the item being promoted, and may predict the sales amount of the item based on the sales pattern.
  • the electronic device (110) may receive various information from the database (120) to confirm whether the scenario selection condition is satisfied.
  • Various sales scenarios and scenario selection conditions will be described later with reference to FIGS. 5 and 6.
  • the sales scenario may be determined based on a scenario selection condition.
  • the electronic device (110) may determine whether the scenario selection condition is satisfied based on one or more scenario consideration factors.
  • the scenario consideration factors may include at least some of item information, time information, sales-related information, out-of-stock information, and promotion information.
  • the scenario selection conditions may include one or more conditions corresponding to each of one or more sales scenarios.
  • a priority for each scenario may be assigned.
  • the electronic device (110) may sequentially determine whether the scenario selection conditions corresponding to each of one or more sales scenarios are satisfied based on the priority for each scenario.
  • the electronic device (110) can determine a prediction model corresponding to the sales scenario.
  • the electronic device (110) may determine one or more predictive models corresponding to a selected sales scenario from among one or more predictive models relating to prediction of sales opportunities.
  • the predictive models may include one or more models that provide predictions regarding sales opportunities for an item.
  • one or more predictive models may correspond to each sales scenario.
  • the electronic device (110) may store information about the correspondence between each sales scenario and one or more predictive models corresponding to the sales scenario. The electronic device (110) may check the predictive model corresponding to the sales scenario determined in operation S301.
  • the electronic device (110) can determine characteristic information to be applied to the prediction model.
  • the electronic device (110) may determine one or more characteristic pieces of information to be applied to the prediction model based on the item and the determined prediction model.
  • the one or more characteristic pieces of information may include information to be input into the prediction model to predict a sales opportunity.
  • the characteristic pieces of information may be determined in response to the determined prediction model.
  • the characteristic information may include at least some information corresponding to the prediction model among item information, time information, sales-related information, out-of-stock information, and promotion information. In one embodiment, the characteristic information may include at least some of the scenario consideration factors for determining the scenario selection conditions.
  • the electronic device (110) may store information regarding the correspondence between the sales scenario and the characteristic information.
  • the electronic device (110) can calculate the expected sales amount of the item based on the prediction model and characteristic information.
  • the characteristic information may be used for learning a prediction model and/or predicting sales opportunities using the prediction model.
  • the electronic device (110) may input the values of one or more characteristic pieces of information corresponding to the determined prediction model as input data, and predict sales opportunities based on a prediction method or algorithm corresponding to each prediction model.
  • the electronic device (110) can learn one or more parameters included in the prediction model based on a learning algorithm.
  • the electronic device (110) can learn one or more parameter values included in the prediction model based on characteristic information.
  • the values of one or more characteristic information may include past sales data, or may include some data extracted from past sales data based on specified conditions, or processed data.
  • the specified conditions may include conditions regarding at least some of item information, time information, sales-related information, out-of-stock information, and promotion information.
  • the prediction of a sales opportunity may include at least some of: estimating a projected sales volume, estimating a projected loss sales volume, and estimating a projected loss sales volume.
  • the estimation of a projected sales volume corresponding to an item may be understood as a prediction of a sales opportunity that may occur in the future in an e-commerce service.
  • the expected lost sales for an item may be calculated based on the expected sales and out-of-stock information.
  • the expected expected sales for an item may be understood as a sales opportunity lost during the time when the item is out of stock.
  • the electronic device (110) may calculate the expected lost sales based on the expected sales and out-of-stock information.
  • the out-of-stock information may include, for example, information about the ratio of the period during which the out-of-stock status of the predicted target item persists with respect to the period that is the target of the sales prediction.
  • the out-of-stock information may be calculated based on the time during which the out-of-stock status persists and the total period that is the target of the sales prediction. For example, if the sales prediction is made daily, the out-of-stock information may be calculated as the ratio of the duration of the out-of-stock status that occurred on that day to the total time (e.g., 24 hours) of the predicted date.
  • the expected loss sales calculation of an item may be performed based on the expected loss sales volume and the price information of the item.
  • the expected loss sales of an item may be calculated by multiplying the expected loss sales volume and the price information of the item.
  • the predictive model can include one or more predictive methods or predictive algorithms.
  • the one or more predictive methods or predictive algorithms can include any method or algorithm known in the art.
  • the predictive model can include an algorithm comprising at least some or a combination of the following: a Light Gradient-Boosting Machine (Light GBM), a Moving Average model, a weighted Moving Average model, a Holt-Winters model, and an Auto-Regressive Integrated Moving Average with Exogenous Variables (ARIMAX).
  • Light GBM Light Gradient-Boosting Machine
  • ARIMAX Auto-Regressive Integrated Moving Average with Exogenous Variables
  • the electronic device (110) can estimate sales opportunities based on the prediction model and characteristic information. For example, the electronic device (110) can input actual values corresponding to characteristic information into the prediction model as data, and predict sales opportunities based on a prediction algorithm.
  • FIG. 4 is a diagram illustrating one or more scenario consideration factors for determining scenario selection conditions according to one embodiment of the present disclosure.
  • the scenario consideration factors may include at least some of item information, timing information, sales-related information, out-of-stock information, and promotion information.
  • the scenario 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) may determine whether a scenario selection condition is satisfied based on one or more scenario consideration factors.
  • FIG. 5 is a flowchart illustrating a method for determining a sales scenario according to one embodiment of the present disclosure.
  • the electronic device (110) can determine whether one or more scenario selection conditions corresponding to each of one or more sales scenarios are satisfied.
  • the electronic device (110) may determine whether a first scenario condition, a second scenario condition, or a third scenario condition is satisfied in response to a first scenario, a second scenario, or a third scenario among the sales scenarios.
  • the electronic device (110) can determine whether a first scenario condition, a second scenario condition, or a third scenario condition is satisfied based on scenario consideration factors.
  • the first scenario may include a scenario 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 classified as a scenario corresponding to a new item.
  • the electronic device (110) may check at least some information among the scenario consideration factors in order to determine whether the first scenario condition corresponding to the first scenario is satisfied. Whether the first scenario condition is satisfied may be determined based on the creation date of the item information.
  • the electronic device (110) may determine that the first scenario condition is satisfied.
  • the electronic device (110) may receive period information and item information among the scenario consideration factors from the database in order to determine whether the first scenario condition is satisfied.
  • the electronic device (110) may further check sales-related information to determine whether the first scenario condition is satisfied.
  • the first scenario condition may be determined based on at least some of whether the initial sales occurred within the specified period from the generation date of the item information and whether restocking notification information exists within the specified period in addition to whether the time to be predicted (e.g., the present time or the predicted date) is within a specified period from the generation date of the item information. For example, if the item information is generated as a new item but a specified period has passed therefrom, it may not be appropriate to predict the sales opportunity of the item as the sales pattern of the new item. Similarly, if the sales volume has not occurred until the specified period has passed, it may not be appropriate to predict the sales volume of the item as the sales pattern corresponding to the new item.
  • the second scenario may include a scenario 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 classified as a scenario corresponding to aging items.
  • the electronic device (110) may check at least some information among the scenario consideration factors in order to determine whether the second scenario condition corresponding to the second scenario is satisfied.
  • Whether the second scenario condition is satisfied may be determined based on at least some of the order status, sales volume information, and the stocking period. For example, whether the second scenario condition is satisfied may be determined based on whether the sales volume has decreased by a threshold value or more after a certain period of time based on past sales volume information. As another example, the electronic device (110) can check the order status and determine whether the second scenario 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 scenario condition is satisfied if the sales amount 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 scenario condition is satisfied, the electronic device (110) can receive order information and sales amount information from the database among the scenario consideration factors.
  • the third scenario may include a scenario 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 slow-moving item may have similar sales patterns, and such patterns may be classified into a scenario corresponding to a slow-moving item.
  • the electronic device (110) may check at least some information among the scenario consideration factors to determine whether a third scenario condition corresponding to the third scenario is satisfied. Whether the third scenario condition is satisfied may be determined based on price information, sales volume information, and/or item properties (e.g., stocking period).
  • the third scenario 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 scenario 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 predicted target period, if a sales amount 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 scenario condition is satisfied. As another example, whether the third scenario condition is satisfied may be determined based on the period of receipt of the item.
  • Whether the third scenario 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 scenario consideration factors, from the database.
  • the electronic device (110) may determine whether a scenario selection condition is satisfied based on a priority for each scenario. For example, in order to predict the sales amount of an item, the electronic device (110) may first determine whether a first scenario condition is satisfied, and if the first scenario condition is satisfied, proceed to operation S502 to select a first prediction model. If the first scenario condition is not satisfied, the electronic device (110) may determine whether a second scenario condition corresponding to the next priority of the first scenario is satisfied. Thereafter, if the second scenario condition is satisfied, the electronic device (110) may proceed to operation S502 to select a second prediction model. If the second scenario condition is not satisfied, the electronic device (110) may determine whether a third scenario condition corresponding to the next priority of the second scenario is satisfied.
  • the electronic device (110) may proceed to operation S502 to select a third prediction model.
  • the electronic device (110) may proceed to operation S503 if the third scenario condition is not satisfied.
  • the electronic device (110) may proceed to operation S503 if none of the first scenario condition, the second scenario condition, and the third scenario condition are satisfied.
  • the electronic device (110) can select the first prediction model, the second prediction model, or the third prediction model based on whether the first scenario condition, the second scenario condition, or the third scenario condition is satisfied.
  • the first prediction model corresponding to the first scenario may include a weighted Moving Average model algorithm.
  • the electronic device (110) may determine one or more characteristic pieces of information to be applied to the first prediction model when the first scenario is applicable.
  • the one or more characteristic pieces of information corresponding to the first prediction model may include at least a portion of scenario 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 scenario (the first scenario).
  • the electronic device (110) may calculate the expected sales amount of the item based on the first prediction model and the one or more characteristic pieces of information.
  • the second prediction model corresponding to the second scenario 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 when the second scenario is applicable.
  • the one or more characteristic pieces of information corresponding to the second prediction model may include at least a portion of scenario 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 amount 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 amount information regarding one or more items corresponding to the same scenario (the second scenario).
  • 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 corresponding to the third scenario 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 when the third scenario is applicable.
  • the one or more characteristic pieces of information corresponding to the third prediction model may include at least a portion of scenario 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 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 information regarding one or more items corresponding to the same scenario (the third scenario).
  • 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 electronic device (110) can determine whether the fourth scenario is satisfied.
  • the electronic device (110) may determine whether a fourth scenario condition is satisfied in response to a fourth scenario among the sales scenarios.
  • the electronic device (110) can determine whether a fourth scenario condition is satisfied based on the scenario consideration factors.
  • the fourth scenario may include a scenario 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 such patterns may be classified as scenarios corresponding to a promotional item.
  • the electronic device (110) may check at least some information among the scenario consideration factors in order to determine whether the fourth scenario condition corresponding to the fourth scenario is satisfied. Whether the fourth scenario condition is satisfied may be determined based on whether a promotion is scheduled within a specified period after the predicted date from the predicted date.
  • the fourth scenario condition may be determined to be satisfied.
  • the electronic device (110) may determine whether the fourth scenario condition is satisfied based on at least some of the item properties, promotion schedule information, and promotion information among the scenario consideration factors.
  • the electronic device (110) may receive item properties, promotion schedule information, and promotion information among the scenario consideration factors from the database (120) to determine whether the fourth scenario condition is satisfied. If the electronic device (110) satisfies the fourth scenario condition, it may proceed to operation S504, and if the fourth scenario condition is not satisfied, it may proceed to operation S508.
  • the electronic device (110) can determine whether the fifth scenario condition, the second scenario condition, or the seventh scenario condition is satisfied in response to the fifth scenario, the sixth scenario, or the seventh scenario among the sales scenarios.
  • the electronic device (110) may determine whether the fifth scenario condition, the sixth scenario condition, or the seventh scenario condition is satisfied based on the scenario consideration factors.
  • the fifth scenario may include a scenario corresponding to an item having a holiday characteristic.
  • the sixth scenario may include a scenario corresponding to an item having seasonality.
  • the seventh scenario may include a scenario corresponding to an item having a holiday characteristic and also having seasonality.
  • the fourth scenario i.e., the scenario corresponding to a promotional item
  • the fifth scenario, the sixth scenario, and the seventh scenario may all include a feature in which the sales pattern changes depending on the time period.
  • the electronic device (110) may check whether the fifth scenario condition, the sixth scenario condition, or the seventh scenario condition is satisfied if the fourth scenario condition is satisfied.
  • the fifth scenario may include a scenario 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 not high sales volume during other periods, the fifth scenario corresponding to an 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 classified into the fifth scenario corresponding to an item having a holiday characteristic.
  • the electronic device (110) may check at least some information among the scenario consideration factors in order to determine whether the fifth scenario condition corresponding to the fifth scenario is satisfied.
  • Whether the fifth scenario 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 (e.g., 35 days) after the predicted date. For example, based on the period of time to be predicted for a sales opportunity and the attributes of the item, if the item has a holiday characteristic and holiday information exists within a specified period (e.g., 35 days) after the predicted date, the fifth scenario condition may be determined to be satisfied.
  • the electronic device (110) may determine whether the fifth scenario condition is satisfied based on whether the holidays corresponding to the holiday information and the holiday characteristics are corresponding types of holidays.
  • the holiday characteristics 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 scenario condition is satisfied based on at least some of the holiday characteristics and the holiday information among the scenario consideration factors. In order to determine whether the fifth scenario condition is satisfied, the electronic device (110) may receive the holiday characteristics and the holiday information among the scenario consideration factors from a database.
  • the sixth scenario may include a scenario corresponding to an item having seasonality.
  • a seasonal item may mean an item whose sales volume fluctuates greatly based on whether it is a specific season.
  • the sixth scenario corresponding to the item having seasonality may be applied. Items corresponding to items having seasonality may have similar sales patterns, and such patterns may be classified into the sixth scenario corresponding to the item having seasonality.
  • the electronic device (110) may check at least some information among the scenario consideration factors in order to determine whether the sixth scenario condition corresponding to the sixth scenario is satisfied.
  • Whether the sixth scenario condition is satisfied may be determined based on whether the item has seasonality and whether a specific season is scheduled within a specified period (e.g., 35 days) after the predicted date. For example, based on the period of time for which a sales opportunity is to be predicted and the attributes of the item, if the item has seasonality and season information exists within a specified period (e.g., 35 days) after the predicted date, the sixth scenario condition may be determined to be satisfied.
  • the electronic device (110) may determine whether the sixth scenario condition is satisfied based on whether the season corresponding to the seasonal information and the seasonality are corresponding types of seasons.
  • the seasonality and season information may each include information about the type of the corresponding season (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 scenario condition is satisfied based on at least some of the seasonality and season information among the scenario consideration factors. In order to determine whether the sixth scenario condition is satisfied, the electronic device (110) may receive the seasonality and season information among the scenario consideration factors from a database.
  • the seventh scenario may include a scenario 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 classified into the seventh scenario corresponding to an item having both a holiday characteristic and a seasonal characteristic.
  • the electronic device (110) may determine that the seventh scenario condition is satisfied when a specific season and a specific holiday exist simultaneously within a specified period (e.g., 35 days) from a period to be predicted, and the property of the item includes both a seasonal characteristic and a holiday characteristic.
  • the electronic device (110) may check at least some information among the scenario consideration factors in order to determine whether the seventh scenario condition corresponding to the fifth scenario is satisfied.
  • Whether the seventh scenario 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, it may be determined that the seventh scenario condition is satisfied.
  • the electronic device (110) may determine whether the seventh scenario condition is satisfied based on at least some of the seasonality, seasonal information, holiday characteristics, and holiday information among the scenario consideration factors. In order to determine whether the seventh scenario condition is satisfied, the electronic device (110) may receive the seasonality, seasonal information, holiday characteristics, and holiday information among the scenario consideration factors from the database.
  • the scenario priorities may not be applied among the fifth scenario condition, the sixth scenario condition, and the seventh scenario condition.
  • the electronic device (110) may determine whether the fifth scenario condition, the sixth scenario condition, and the seventh scenario condition are satisfied simultaneously, or may determine whether these conditions are satisfied in any order and indiscriminately.
  • the electronic device (110) may proceed to operation S507.
  • operation S505 the electronic device (110) can compare the prediction results. Operation S505 can be performed when the fourth scenario condition is satisfied and any one of the fifth scenario condition, the sixth scenario condition, and the seventh scenario condition is satisfied.
  • the electronic device (110) may calculate a prediction result (hereinafter, referred to as a first prediction result) corresponding to a specified period (e.g., 35 days) based on a fourth prediction model corresponding to the fourth scenario.
  • the electronic device (110) may calculate a prediction result (hereinafter, referred to as a second prediction result) corresponding to the same specified period (e.g., 35 days) as the fourth prediction model based on a prediction model corresponding to a scenario satisfying a scenario determination condition among the fifth, sixth, and seventh scenarios, that is, the fifth prediction model, the sixth prediction model, or the seventh prediction model.
  • the electronic device (110) may compare the first prediction result and the second prediction result during the specified period (e.g., 35 days).
  • the comparison of the prediction results may include, for example, a comparison between average values of the prediction results during the specified period, or a comparison between corresponding partial periods during the specified period. For example, if the specified period is 35 days and the first prediction result and the second prediction result include prediction results for each day, the prediction results of the first prediction result and the second prediction result can be compared for each day.
  • the electronic device (110) may select the fourth prediction model or the mixed model based on the comparison of the prediction results of operation S505.
  • the electronic device (110) may select the fourth prediction model if the first prediction result calculated based on the fourth prediction model is greater than the first prediction result for the entire specified period.
  • the electronic device (110) may select the mixed model in which at least some of the fifth prediction model, the sixth prediction model, and the seventh prediction model are mixed with the fourth prediction model if the second prediction result calculated based on the fifth, sixth, or seventh prediction model is greater than the first prediction result for the entire specified period, or if there is a period in which the second prediction result is greater than the first prediction result for at least some of the specified period.
  • the mixed model may include at least some of the fourth prediction model, the sixth prediction model, and the seventh prediction model.
  • a mixed model may mean a model that performs prediction based on characteristic information in which at least some of the parameters of each prediction model are combined, or the entire characteristic information of the models to be mixed is combined.
  • the electronic device (110) may select an algorithm to be applied, update or learn parameters, and determine characteristic information to be used for prediction, for each type of mixed model.
  • the electronic device (110) may select a fourth prediction model.
  • the fourth prediction model corresponding to the fourth scenario 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 information to be applied to the fourth prediction model.
  • the one or more characteristic information corresponding to the fourth prediction model may include at least some of the scenario consideration factors.
  • the one or more characteristic 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 scenario (the fourth scenario).
  • 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 electronic device (110) may determine whether the fifth scenario condition, the second scenario condition, or the seventh scenario condition is satisfied, corresponding to the fifth scenario, the sixth scenario, or the seventh scenario among the sales scenarios. Operation S508 may include at least a part of operation S504.
  • the electronic device (110) may proceed to operation S510.
  • the electronic device (110) may select the fifth prediction model, the sixth prediction model, or the seventh prediction model based on whether the fifth scenario condition, the sixth scenario condition, or the seventh scenario condition is satisfied.
  • the fifth prediction model corresponding to the fifth scenario may include a Holt-Winters algorithm.
  • the electronic device (110) may determine one or more characteristic pieces of information to be applied to the fifth prediction model when the fifth scenario is applicable.
  • the one or more characteristic pieces of information corresponding to the fifth prediction model may include at least a portion of scenario consideration factors.
  • the one or more characteristic pieces of 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 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 information regarding one or more items corresponding to the same scenario (the fifth scenario).
  • 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 pieces of information.
  • the sixth prediction model corresponding to the sixth scenario 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 when the sixth scenario is applicable.
  • the one or more characteristic information corresponding to the sixth prediction model may include at least some of the scenario 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 scenario (the sixth scenario).
  • 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 corresponding to the seventh scenario 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 when the seventh scenario is applicable.
  • the one or more characteristic information corresponding to the seventh prediction model may include at least a portion of the scenario 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, seasonal 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 scenario (the seventh scenario).
  • 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 electronic device (110) may determine that the period and item to be predicted correspond to a general sales scenario among the sales scenarios.
  • the general sales scenario may mean a sales scenario that does not correspond to the first to seventh scenarios.
  • the electronic device (110) may select a default prediction model corresponding to a typical sales scenario.
  • 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 the electronic device (110) corresponds to a general sales scenario.
  • the one or more characteristic information corresponding to the basic prediction model may include at least a portion of the scenario consideration elements.
  • the one or more characteristic information to be applied to the basic prediction model may include at least a portion of, for example, 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 scenario (general sales scenario).
  • 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.
  • FIG. 6 is a flowchart illustrating a method for calculating a corrected expected sales amount according to one embodiment of the present disclosure.
  • the description will be continued by assuming that the operation of the method for calculating the corrected expected sales amount according to one embodiment of the present disclosure is performed by the electronic device (110) illustrated in FIG. 1 with reference to FIG. 6.
  • 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 prediction bias information corresponding to the item.
  • the prediction bias information can include information about the tendency of the error that the prediction result value corresponding to the item exhibits with respect to the actual value.
  • the prediction bias information can be calculated based on the error between the expected sales amount information and the actual sales amount information of the item.
  • the electronic device (110) can calculate an expected sales amount corresponding to each of a plurality of items included in an item group.
  • An item group may mean a group including a plurality of items, and including a plurality of items classified based on various criteria including categories of the items.
  • the electronic device (110) can calculate an expected sales amount corresponding to each of the plurality of items.
  • the electronic device (110) can determine a sales scenario corresponding to each of the plurality of items, and calculate an expected sales amount of each of the plurality of items based on each prediction model corresponding to the determined sales scenario.
  • the electronic device (110) can calculate an actual sales amount corresponding to the item group based on the expected sales amount of each of the plurality of items belonging to the item group.
  • the electronic device (110) can calculate the actual sales amount corresponding to each of the plurality of items included in the item group.
  • the electronic device (110) can receive data about the actual sales amount of each of the plurality of items during a corresponding period and the estimated sales amount calculated corresponding to each of the plurality of items from the database (120), and calculate the actual sales amount corresponding to the item group.
  • the electronic device (110) may calculate error information corresponding to the item group based on the expected sales amount and the actual sales amount corresponding to the item group.
  • the error information corresponding to the item group may be expressed as aggregated error information.
  • the electronic device (110) may calculate evaluation information about a prediction model based on total error information corresponding to an item group.
  • the evaluation information about the prediction model may include an indicator about the performance of the prediction model. For example, if an item group includes multiple items for which predictions are performed based on the same prediction model, the electronic device (110) may determine that a model having a lower value of total error information corresponding to the item group has higher performance.
  • the electronic device (110) may perform predictions based on different prediction models corresponding to the same item group, and select a prediction model that is more suitable for the item group based on the total error information. For example, in order to improve the performance of the prediction model, the electronic device (110) may compare total error information calculated based on a modified prediction model that has different parameters or different characteristic information with total error information of an existing prediction model, and update the parameters of the prediction model.
  • the total error information may be calculated based on a Weighted Mean Absolute Percentage Error (WMAPE) value between the actual sales and the predicted sales corresponding to the item group.
  • WMAPE Weighted Mean Absolute Percentage Error
  • the weighted absolute average error may be calculated based on a weighted average of the absolute value of the relative error that the predicted sales of each item has with respect to the actual sales, with the ratio of the actual sales of each item to the sum of the actual sales as a weight for each item, based on the actual sales corresponding to the item group.
  • the weighted absolute average error is specifically described with reference to FIGS. 7A and 7B .
  • the electronic device (110) may calculate total error information corresponding to all items except a specific item (e.g., a first item) among a plurality of items included in an item group.
  • the electronic device (110) may calculate total error information corresponding to all items except the first item based on a weighted absolute average error between the actual sales amount and the expected sales amount corresponding to the remaining items except the first item in the item group.
  • the electronic device (110) may calculate the error contribution of the first item based on the total error information corresponding to the item group and the total error information corresponding to all the remaining items in the item group except the first item.
  • the error contribution may mean a ratio that the error of the predicted value of a specific item (e.g., the first item) with respect to the actual value contributes to the total error of the entire item group.
  • the error contribution of the first item may be calculated based on the difference between the total error information corresponding to the item group and the total error information corresponding to all the remaining items in the item group except the first item.
  • the error contribution may have a negative value, and it may be understood that the smaller the error contribution of a specific item (e.g., the first item) has, the more accurately the prediction is made for the specific item (e.g., the first item).
  • the electronic device (110) may classify an error corresponding to an overprediction and an error corresponding to an underprediction among error information.
  • An overprediction may refer to an error that occurs when an expected sales amount is greater than an actual sales amount.
  • the error corresponding to an overprediction may be calculated based on a weighted absolute average error between the actual sales amount and the expected sales amount calculated when an overprediction occurs.
  • An underprediction may refer to an error that occurs when an expected sales amount is smaller than an actual sales amount.
  • the 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.
  • 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 average error of the difference between error information corresponding to overprediction and error information corresponding to underprediction among error information corresponding to each item calculated corresponding to the group of items.
  • the electronic device (110) may calculate the expected sales of an item for each period corresponding to multiple periods.
  • the period at this time may mean a period of time for which the expected sales are to be calculated, which is a prediction target. For example, if the prediction target period is one day, the multiple periods may mean multiple dates.
  • the electronic device (110) may calculate the expected sales for each date corresponding to multiple dates.
  • the expected sales may be calculated for each date based on different prediction models. For example, in the case of a prediction for a specific date among multiple dates, the fourth scenario may be applied based on promotion information, but in the case of a prediction for other dates, a general sales scenario may be applied since the promotion is not applied. In this case, different sales scenarios are determined for the same item, and the expected sales may be calculated for each date based on different prediction models.
  • the electronic device (110) may calculate error information corresponding to each of the plurality of periods based on the estimated sales amount calculated corresponding to each of the plurality of periods and the actual sales amount calculated corresponding to each of the plurality of periods.
  • the electronic device (110) can classify error information of a specific item (e.g., a first item) calculated for each of a plurality of periods for the item into an error corresponding to an overprediction and an error corresponding to an underprediction.
  • a specific item e.g., a first item
  • the prediction bias information corresponding to an item may 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 of the item calculated corresponding to each of a plurality of periods.
  • the prediction bias information may correspond to each item. 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 the corrected expected sales amount.
  • the electronic device (110) can correct the predicted result of the sales opportunity based on the predicted bias information.
  • the predicted sales amount can be corrected to reflect the predicted bias information.
  • the electronic device (110) can calculate the corrected predicted loss sales amount based on the corrected predicted sales amount.
  • the electronic device (110) can calculate the corrected predicted loss sales amount based on the corrected predicted loss sales amount.
  • the adjusted forecast sales amount can be calculated by adding a correction value according to forecast bias information to the forecast sales amount.
  • the forecast bias information can include information about a bias ratio, and the correction value can be calculated as the product of the bias ratio and the forecast sales amount.
  • FIGS. 7A and 7B are diagrams for more specifically explaining the method for calculating sales opportunities and adjusted sales opportunities described with reference to FIGS. 3 and 6.
  • FIG. 7a a method for calculating a sales opportunity and an adjusted sales opportunity is specifically described based on an example table (701) 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.
  • an example table (701) 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
  • an item group including a first item, a second item, and a third item which are examples for a plurality of items.
  • Fig. 7b a method for calculating sales opportunities and corrected sales opportunities based on an error calculation example table (702) showing error information and prediction bias information calculated based on the sales opportunity example table (701) of Fig. 7a is specifically described.
  • the expected sales volume of the sales opportunity example table (701) can be calculated for each item and each period (by date).
  • the expected loss sales volume can be calculated based on the expected sales volume and out-of-stock information.
  • the expected sales volume can be substituted into mathematical expression 1 (710).
  • the "Lost Unit” of mathematical expression 1 (710) may be the expected loss sales volume
  • the "Forecast” may be the expected sales volume.
  • the "OOS rate” of mathematical expression 1 (710) may include information about the ratio of the period during which the out-of-stock status of the predicted target item continues with respect to the period (e.g., one day) that is the target of the sales volume prediction.
  • the forecast target period is a specific date (“20230103”) and the out-of-stock time is “12 hours,” so the corresponding “OOS rate” may be the ratio of 12 hours to 24 hours (a day), i.e., “0.5.”
  • the expected lost sales volume can be substituted into Equation 2 (720).
  • “Lost GMV” can be the expected lost sales volume
  • “Price” can mean the price of the item.
  • error information can be calculated based on mathematical expression 3 (730), an error corresponding to overprediction can be calculated based on mathematical expression 4 (740), and an error corresponding to underprediction can be calculated based on mathematical expression 5 (750).
  • prediction bias information can be calculated based on mathematical expression 6 (760).
  • "i" may be an index corresponding to each item, and "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 the actual sales amount corresponding to the item index "i”
  • "F i " may be the expected sales amount ("Forecast” of Mathematical Formula 1 (710)) corresponding to the item index "i”.
  • the calculation example table (702) 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 (701) of FIG. 7a and mathematical expressions 1 (710), 2 (720), 3 (730), 4 (740), 5 (750), and 6 (760).
  • 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 3 (730).
  • 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" (77%) 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 6 (760) explained with reference to FIG. 7a, 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".
  • the predicted bias information (-11%) calculated for the first item is applied to the expected loss sales amount (15) of the first item, so that the corrected expected loss sales amount of the first item can be calculated as "13.39” which is the result of "15+ ⁇ (-11%)*15 ⁇ ".
  • " ⁇ (-11%)*15 ⁇ ” may mean the correction value explained with reference to FIG. 6.
  • the corrected expected loss sales amount of the first item can be multiplied by the price information to calculate the corrected expected loss sales amount (66.96).
  • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 매출 기회를 산정하는 방법, 전자 장치 및 기록매체에 관한 것이다. 본 개시의 일 실시예에 따른 방법은, 아이템의 매출에 관한 하나 이상의 매출 시나리오 가운데, 시나리오 선택 조건에 기반하여 상기 아이템에 대응하는 적어도 하나의 매출 시나리오를 결정하는 단계, 매출 기회의 예측에 관한 하나 이상의 예측 모델 가운데, 상기 적어도 하나의 매출 시나리오에 대응하는 적어도 하나의 예측 모델을 결정하는 단계, 상기 아이템 및 상기 적어도 하나의 예측 모델에 기반하여 상기 적어도 하나의 예측 모델에 적용할 하나 이상의 특성 정보를 결정하는 단계 및 상기 적어도 하나의 예측 모델 및 상기 하나 이상의 특성 정보에 기반하여 상기 아이템의 예상 판매량을 산정하는 단계를 포함할 수 있다.

Description

아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체
본 개시는 전자상거래 서비스에서 아이템의 매출 기회를 예측 또는 산정하는 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. 특히 총 매출액(Gross Merchandise Value; GMV)에 관한 정보는 전자상거래 서비스를 제공하는 사업자에게 중요한 지표 가운데 하나이다. 마찬가지로, 매출 기회를 상실함으로써 발생한, 손실 매출(Lost GMV)에 관한 정보 역시 전자상거래 서비스에 관한 의사결정의 주요 지표로써 이용될 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. 이때 손실된 매출 기회는 품절 상태가 아닐 경우에 예상되는 매출에 관한 정보를 기초로 산정될 수 있다.
그러나, 예측을 수행할 대상이 되는 기간 별, 아이템 별 판매 패턴이 반영되지 않을 경우 실제 판매 양태와 예측치가 달라지게 되어 오차가 발생할 수 있다. 따라서 이러한 문제에 대한 해결이 요구되고 있다.
본 개시의 일 실시예를 통해 해결하고자 하는 기술적 과제는, 전자상거래 서비스에서 아이템의 매출 기회를 정확하게 예측하는 것이다.
본 개시의 일 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 전자상거래 서비스에서 아이템 별, 기간 별 판매 패턴을 고려한 매출 기회 산정에 관한 것이다.
본 개시의 일 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 전자상거래 서비스에서 매출 기회의 예측에 대하여 아이템 별 편향성을 반영하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술 분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 실시예에 따른 전자 장치에 의해 수행되는 아이템의 매출 기회 산정 방법에 있어서, 아이템의 매출에 관한 하나 이상의 매출 시나리오 가운데, 시나리오 선택 조건에 기반하여 상기 아이템에 대응하는 적어도 하나의 매출 시나리오를 결정하는 단계; 매출 기회의 예측에 관한 하나 이상의 예측 모델 가운데, 상기 적어도 하나의 매출 시나리오에 대응하는 적어도 하나의 예측 모델을 결정하는 단계; 상기 아이템 및 상기 적어도 하나의 예측 모델에 기반하여 상기 적어도 하나의 예측 모델에 적용할 하나 이상의 특성 정보를 결정하는 단계; 상기 적어도 하나의 예측 모델 및 상기 하나 이상의 특성 정보에 기반하여 상기 아이템의 예상 판매량을 산정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 산정된 예상 판매량 및 상기 아이템에 대응하는 품절 정보에 기반하여 상기 아이템의 예상 손실 판매량을 산정하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 품절 정보는, 상기 아이템의 상태가 품절인 상태로 지속된 시간에 관한 정보를 포함할 수 있다.
일 실시예에서, 상기 예상 손실 판매량 및 상기 아이템의 가격 정보에 기반하여 상기 아이템에 대응하는 예상 손실 매출을 산정하는 단계를 더 포함할 수 있다.
일 실시예에서, 아이템 그룹에 포함된 복수의 아이템 각각에 대응하는 예상 판매량에 기반하여 상기 아이템 그룹에 대응하는 예상 판매량을 산정하는 단계; 상기 복수의 아이템 각각에 대응하는 실제 판매량에 기반하여 상기 아이템 그룹에 대응하는 실제 판매량을 산정하는 단계; 및 상기 아이템 그룹에 대응하는 예상 판매량 및 상기 아이템 그룹에 대응하는 실제 판매량에 기반하여 상기 아이템 그룹에 대응하는 총 오차 정보를 산정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 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.
일 실시예에서, 상기 아이템 그룹에서, 상기 복수의 아이템 가운데 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 총 오차 정보를 산정하는 단계; 상기 나머지 아이템 전체에 대응하는 총 오차 정보 및 상기 아이템 그룹에 대응하는 총 오차 정보에 기반하여, 상기 제1 아이템의 오차 기여도를 산정하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 매출 시나리오를 결정하는 단계는, 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부에 기반하여 상기 하나 이상의 매출 시나리오 각각에 대응하는 하나 이상의 시나리오 선택 조건의 만족 여부를 결정하는 단계; 및 상기 하나 이상의 시나리오 선택 조건의 만족 여부에 기반하여 상기 아이템에 대응하는 적어도 하나의 매출 시나리오를 결정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 하나 이상의 매출 시나리오 각각에 대하여, 시나리오 별 우선순위가 할당되며, 상기 매출 시나리오 각각에 대응하는 시나리오 선택 조건의 만족 여부는 상기 시나리오 별 우선순위에 기반하여 순차적으로 결정될 수 있다.
일 실시예에서, 상기 아이템에 대응하는 예측 편향 정보를 산정하는 단계; 및 상기 예상 판매량 및 상기 예측 편향 정보에 기반하여, 상기 아이템에 대응하는 보정된 예상 판매량을 산정하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 예측 편향 정보는, 상기 아이템에 대응하는 예상 판매량 및 실제 판매량 간의 오차에 기반하여 산정될 수 있다.
일 실시예에서, 상기 예측 편향 정보는, 하나 이상의 일자에 대응하는 하나 이상의 오차 정보 가운데 과대 예측에 대응하는 오차의 총합 및 과소 예측에 대응하는 오차의 총합에 기반하여 확인될 수 있다.
일 실시예에서, 상기 예상 판매량을 산정하는 단계는, 상기 예상 판매량을 일자 별로 산출하는 단계를 포함하고, 상기 예측 편향 정보를 확인하는 단계는, 상기 예상 판매량에 대응하는 일자 별로 상기 아이템에 대응하는 실제 판매량을 산정하는 단계; 및 상기 아이템에 대응하는 실제 판매량 및 예상 판매량에 기반하여 일자 별로 상기 아이템에 대응하는 예측 편향 정보를 산정하는 단계를 더 포함할 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 기회를 비교적 정확하게 예측할 수 있다.
본 개시에 따르면, 전자상거래 서비스에서 아이템 별, 기간 별 판매 패턴을 고려한 매출 기회 산정을 수행할 수 있다.
본 개시에 따르면, 전자상거래 서비스에서의 매출 기회의 예측에 대하여 아이템 별 편향성을 반영할 수 있다.
본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 명세서의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 전자 장치가 적용될 수 있는 환경을 도시한다.
도 2는 본 개시의 일 실시예에 따른 전자 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 아이템의 예상 판매량을 산정하는 방법을 나타낸 동작흐름도이다.
도 4는 본 개시의 일 실시예에 따른 시나리오 선택 조건을 판단하기 위한 하나 이상의 시나리오 고려 요소를 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시예에 따른 매출 시나리오를 결정하는 방법을 나타낸 동작흐름도이다.
도 6은 본 개시의 일 실시예에 따른 보정된 예상 판매량을 산정하는 방법을 나타낸 동작흐름도이다.
도 7a 및 도 7b는 도 3 및 도 6을 참조하여 설명된, 매출 기회 및 보정된 매출 기회를 산정하는 방법을 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 예측하기 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 예측하기 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.
전자 장치(110)는 매출 기회의 예측에 관한 각종 정보를 사용자에게 제공할 수 있고, 사용자로부터 매출 기회의 예측에 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. 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 산정에 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 산정에 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 산정에 관한 각종 정보를 요청하고, 데이터베이스(120)로부터 매출 기회 산정에 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 예측에 관한 정보 및 프로세서(210)에 의해 실행되는 명령어들을 저장할 수 있다.
통신 인터페이스(communication interface, 230)는 전자 장치(200)와 데이터베이스 또는 다른 외부 전자 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(230)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(Long-Term Evolution), LTE-A(LTE Advance), NR(New Radio), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), WiBro(Wireless Broadband), WiFi(Wireless Fidelity), 블루투스(Bluetooth), NFC(Near Field Communication), GPS(Global Positioning System) 또는 GNSS(Global Navigation Satellite System) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 통신 인터페이스(230)는 USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), RS-232(Recommended Standard-232) 또는 POTS(Plain Old Telephone Service) 등의 방식에 따른 유선 통신을 수행할 수 있다. 일 실시예에서, 전자 장치(200)는 다른 장치와 통합되어 구현될 수도 있다. 이 경우, 통신 인터페이스(230)는 전자 장치(200)와 해당 다른 장치를 연결하는 접속 회로 내지 인터페이스로서 기능할 수 있다.
이하, 도 3 내지 도 7b에서 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 아이템의 예상 판매량을 산정하는 방법을 나타낸 동작흐름도이다.
이하에서는, 도 3을 참조하여 본 개시의 일 실시예에 따른 아이템의 예상 판매량을 산정하는 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 아이템에 대응하는 매출 시나리오를 결정할 수 있다.
매출 시나리오는, 특정 아이템에 대하여 예상되는 판매 양태 내지는 판매 패턴, 판매 추세 또는 사용자의 구매 패턴의 분류를 의미할 수 있다.
일 실시예에서, 매출 시나리오는, 학습, 회귀 분석, 범주 분석 등의 방법을 통해 분류되거나, 휴리스틱한 방법에 기반하여 식별된 하나 이상의 시나리오를 포함할 수 있다.
예를 들어, 매출 시나리오는 프로모션 대상이 되는 아이템에 대한 판매 패턴에 관한 시나리오를 포함할 수 있다. 프로모션 대상 아이템에 대한 매출 시나리오에 대한 예시에서, 전자 장치(110)는 예측 시점으로부터 향후 일정한 기간(예: 35일) 이내에 특정 아이템에 대한 프로모션이 예정되어 있는 경우, 프로모션 대상 아이템의 매출 시나리오에 해당하는 시나리오 선택 조건을 만족하는 것으로 결정할 수 있다. 따라서 전자 장치(110)는 해당 특정 아이템의 판매 패턴이 프로모션 대상 아이템의 매출 시나리오에 해당하는 판매 패턴을 가질 것으로 예측할 할 수 있으며, 해당 판매 패턴에 기반하여 아이템의 판매량을 예측할 수 있다. 전자 장치(110)는 데이터베이스(120)로부터 시나리오 선택 조건의 만족 여부를 확인하기 위한 각종 정보를 수신할 수 있다. 다양한 매출 시나리오 및 시나리오 선택 조건에 관하여는 도 5 및 도 6에서 후술한다.
일 실시예에서, 매출 시나리오는, 시나리오 선택 조건에 기반하여 결정될 수 있다. 전자 장치(110)는 하나 이상의 시나리오 고려 요소에 기반하여 시나리오 선택 조건의 만족 여부를 결정할 수 있다. 시나리오 고려 요소는 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부를 포함할 수 있다.
일 실시예에서, 시나리오 선택 조건은 하나 이상의 매출 시나리오 각각에 대응하는 하나 이상의 조건을 포함할 수 있다. 각각의 매출 시나리오에 대응하여, 시나리오 별 우선순위가 할당될 수 있다. 전자 장치(110)는 시나리오 별 우선순위에 기반하여 하나 이상의 매출 시나리오 각각에 대응하는 시나리오 선택 조건의 만족 여부를 순차적으로 결정할 수 있다.
동작 S302에서, 전자 장치(110)는 매출 시나리오에 대응하는 예측 모델을 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 매출 기회의 예측에 관한 하나 이상의 예측 모델 가운데, 선택된 매출 시나리오에 대응하는 하나 이상의 예측 모델을 결정할 수 있다. 예측 모델은, 아이템의 매출 기회에 관한 예측을 제공하는 하나 이상의 모델을 포함할 수 있다.
일 실시예에서, 하나 이상의 예측 모델은 각 매출 시나리오에 대응할 수 있다. 일 실시예에서, 전자 장치(110)는 각각의 매출 시나리오 및 매출 시나리오에 대응하는 하나 이상의 예측 모델 간의 대응 관계에 관한 정보를 저장할 수 있다. 전자 장치(110)는 동작 S301에서 결정된 매출 시나리오에 대응하는 예측 모델을 확인할 수 있다.
동작 S303에서, 전자 장치(110)는 예측 모델에 적용할 특성 정보를 결정할 수 있다.
일 실시예에서, 전자 장치(110)는, 아이템 및 결정된 예측 모델에 기반하여 예측 모델에 적용할 하나 이상의 특성 정보를 결정할 수 있다. 하나 이상의 특성 정보는, 매출 기회를 예측하기 위하여 예측 모델에 입력될 정보를 포함할 수 있다. 특성 정보는 결정된 예측 모델에 대응하여 결정될 수 있다.
일 실시예에서, 특성 정보는 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 예측 모델에 대응하는 적어도 일부 정보를 포함할 수 있다. 일 실시예에서, 특성 정보는 시나리오 선택 조건을 판단하기 위한 시나리오 고려 요소 가운데 적어도 일부를 포함할 수 있다. 전자 장치(110)는 매출 시나리오 및 특성 정보 간의 대응 관계에 관한 정보를 저장할 수 있다.
동작 S304에서, 전자 장치(110)는 예측 모델 및 특성 정보에 기반하여 아이템의 예상 판매량을 산정할 수 있다.
일 실시예에서, 특성 정보는 예측 모델의 학습 및/또는 예측 모델을 이용한 매출 기회 예측에 이용될 수 있다. 예컨대 전자 장치(110)는 결정된 예측 모델에 대응하는 하나 이상의 특성 정보들의 값을 입력 데이터로 하고, 각 예측 모델에 대응하는 예측 방법 또는 알고리즘에 기반하여 매출 기회를 예측할 수 있다.
일 실시예에서, 전자 장치(110)는 예측 모델이 포함하는 하나 이상의 파라미터를 학습 알고리즘에 기반하여 학습할 수 있다. 전자 장치(110)는 특성 정보에 기반하여 예측 모델이 포함하는 하나 이상의 파라미터 값을 학습할 수 있다. 이때 하나 이상의 특성 정보들의 값은 과거의 판매량 데이터를 포함하거나, 과거의 판매량 데이터를 지정된 조건에 기반하여 추출한 일부 데이터 또는 가공한 데이터를 포함할 수 있다. 예컨대 지정된 조건은, 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부에 관한 조건을 포함할 수 있다.
일 실시예에서, 매출 기회의 예측은, 예상 판매량 산정, 예상 손실 판매량 산정 및 예상 손실 매출 산정 가운데 적어도 일부를 포함할 수 있다. 예컨대, 아이템에 대응한 예상 판매량의 산정은, 전자상거래 서비스에서 향후 발생 가능한 매출 기회에 관한 예측으로 이해될 수 있다.
일 실시예에서, 아이템에의 예상 손실 판매량 산정은, 예상 판매량 및 품절 정보에 기반하여 수행될 수 있다. 예측된 아이템 예상 판매량은, 품절된 시간 동안에는 손실되는 매출 기회로 이해될 수 있다. 따라서 전자 장치(110)는 예상 판매량 및 품절 정보에 기반하여 예상되는 손실 판매량을 산정할 수 있다. 품절 정보는 예를 들어, 판매량 예측의 대상이 되는 기간에 대한, 예측 대상 아이템의 품절 상태가 지속된 기간의 비율에 관한 정보를 포함할 수 있다. 품절 정보는 품절 상태가 지속된 시간 및 판매량 예측의 대상이 되는 총 기간에 기반하여 산출될 수 있다. 예컨대, 품절 정보는, 판매량 예측이 일별로 이루어지는 경우, 해당 일에 발생한 품절 상태 지속 시간이 해당 예측 대상 일자의 전체 시간(예: 24시간)에 대하여 갖는 비율로써 산출될 수 있다.
일 실시예에서, 아이템의 예상 손실 매출 산정은, 예상 손실 판매량 및 아이템의 가격 정보에 기반하여 수행될 수 있다. 예컨대 아이템의 예상 손실 매출은 예상 손실 판매량과 아이템의 가격 정보의 곱으로써 산출될 수 있다.
일 실시예에서, 예측 모델은 하나 이상의 예측 방법 또는 예측 알고리즘을 포함할 수 있다. 하나 이상의 예측 방법 또는 예측 알고리즘은, 종래에 알려진 임의의 방법 또는 알고리즘을 포함할 수 있다. 예컨대 예측 모델은, Light GBM(Light Gradient-Boosting Machine), 이동 평균 모형(Moving Average model), 가중 이동 평균 모형(weighted Moving Average model), 홀트 - 윈터스 모형(Holt - Winters model) 및 외부 변수를 포함하는 자기 회귀 누적 이동 평균 모형(Auto-Regressive Integrated Moving Average with Exogenous Variables; ARIMAX) 가운데 적어도 일부 또는 이들의 조합으로 이루어진 알고리즘을 포함할 수 있다.
전자 장치(110)는 예측 모델 및 특성 정보에 기반하여 매출 기회를 산정할 수 있다. 예컨대 전자 장치(110)는 예측 모델에 특성 정보에 대응하는 실제 값들을 입력 데이터로 하고, 예측 알고리즘에 기반하여 매출 기회를 예측할 수 있다.
이하 도 4 및 도 5를 참조하여, 도 3을 참조하여 설명된 매출 시나리오를 결정하는 동작(S301) 및 매출 시나리오에 대응하는 예측 모델을 결정하는 동작(S302)을 보다 구체적으로 설명한다.
도 4는 본 개시의 일 실시예에 따른 시나리오 선택 조건을 판단하기 위한 하나 이상의 시나리오 고려 요소를 설명하기 위한 도면이다.
도 4의 시나리오 고려 요소에 관한 표(400)를 참조하면, 시나리오 고려 요소는 아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부를 포함할 수 있다. 시나리오 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 시나리오 고려 요소에 기반하여, 시나리오 선택 조건의 만족 여부를 결정할 수 있다.
도 5는 본 개시의 일 실시예에 따른 매출 시나리오를 결정하는 방법을 나타낸 동작흐름도이다.
이하에서는, 도 5를 참조하여 본 개시의 일 실시예에 따른 매출 시나리오를 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 S501에서, 전자 장치(110)는 하나 이상의 매출 시나리오 각각에 대응하는 하나 이상의 시나리오 선택 조건의 만족 여부를 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 매출 시나리오 가운데 제1 시나리오, 제2 시나리오 또는 제3 시나리오에 대응하여, 제1 시나리오 조건, 제2시나리오 조건 또는 제3 시나리오 조건의 만족 여부를 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 시나리오 고려 요소에 기반하여 제1 시나리오 조건, 제2 시나리오 조건 또는 제3 시나리오 조건의 만족 여부를 결정할 수 있다.
일 실시예에서, 제1 시나리오는, 신규 아이템에 대응하는 시나리오를 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 시나리오로 분류될 수 있다. 전자 장치(110)는 제1 시나리오에 대응하는, 제1 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제1 시나리오 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 시나리오 조건을 만족하는 것으로 결정할 수 있다. 전자 장치(110)는 제1 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 시기 정보 및 아이템 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 전자 장치(110)는 제1 시나리오 조건의 만족 여부를 결정하기 위하여, 판매 관련 정보를 더 확인할 수 있다. 제1 시나리오 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 시나리오 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 시나리오는, 노후화(aging) 아이템에 대응하는 시나리오를 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 시나리오로써 분류할 수 있다. 전자 장치(110)는 제2 시나리오에 대응하는, 제2 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제2 시나리오 조건의 만족 여부는 발주 상태, 판매량 정보 및 입고 기간 가운데 적어도 일부에 기반하여 결정될 수 있다. 예를 들어, 제2 시나리오 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 시나리오 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 시나리오 조건을 만족하는 것으로 결정할 수 있다. 전자 장치(110)는 제2 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 발주 정보 및 판매량 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제3 시나리오는, 저회전율(slow-moving) 아이템에 대응하는 시나리오를 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 시나리오로 분류될 수 있다. 전자 장치(110)는 제3 시나리오에 대응하는, 제3 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제3 시나리오 조건의 만족 여부는 가격 정보, 판매량 정보 및/또는 아이템 속성(예: 입고 기간)을 기반으로 결정될 수 있다. 예를 들어, 제3 시나리오 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 시나리오 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 시나리오 조건을 만족하는 것으로 결정할 수 있다. 또 다른 예를 들어, 제3 시나리오 조건은, 아이템의 입고 기간에 기반하여 그 만족 여부가 결정될 수 있다. 제3 시나리오 조건의 만족 여부는 아이템의 최초 입고 시기가 예측일로부터 지정된 기간(예: 60일) 이후인지 여부에 기반하여 결정될 수 있다. 전자 장치(110)는 제3 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 시기 정보 및 아이템 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 전자 장치(110)는 시나리오 별 우선순위에 기반하여 시나리오 선택 조건의 만족 여부를 결정할 수 있다. 예를 들어, 전자 장치(110)는 아이템의 판매량을 예측하기 위하여, 먼저 제1 시나리오 조건의 만족 여부를 결정하고, 제1 시나리오 조건을 만족하는 경우 동작 S502로 진행하여 제1 예측 모델을 선택할 수 있다. 전자 장치(110)는 제1 시나리오 조건을 만족하지 않는 경우 제1 시나리오의 다음 우선순위에 해당하는 제2시나리오 조건의 만족 여부를 결정할 수 있다. 이후 전자 장치(110)는 제2 시나리오 조건을 만족하는 경우 동작 S502로 진행하여 제2 예측 모델을 선택할 수 있다. 전자 장치(110)는 제2 시나리오 조건을 만족하지 않는 경우 제2 시나리오의 다음 우선순위에 해당하는 제3시나리오 조건의 만족 여부를 결정할 수 있다. 이후 전자 장치(110)는 제3 시나리오 조건을 만족하는 경우 동작 S502로 진행하여 제3 예측 모델을 선택할 수 있다. 전자 장치(110)는 제3 시나리오 조건을 만족하지 않는 경우 동작 S503으로 진행할 수 있다. 전자 장치(110)는 제1 시나리오 조건, 제2 시나리오 조건 및 제3 시나리오 조건이 모두 만족되지 않는 경우, 동작 S503으로 진행할 수 있다.
동작 S502에서, 전자 장치(110)는 제1 시나리오 조건, 제2 시나리오 조건 또는 제3 시나리오 조건의 만족 여부에 기반하여, 제1 예측 모델, 제2 예측 모델 또는 제3 예측 모델을 선택할 수 있다.
일 실시예에서, 제1 시나리오에 대응하는 제1 예측 모델은, 가중 이동 평균 모형(weighted Moving Average model) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제1 시나리오에 해당하는 경우, 제1 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제1 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(제1 시나리오)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 시나리오에 대응하는 제2 예측 모델은, 이동 평균 모형(Moving Average model) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제2 시나리오에 해당하는 경우, 제2 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제2 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(제2 시나리오)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 시나리오에 대응하는 제3 예측 모델은, 이동 평균 모형(Moving Average model) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제3 시나리오에 해당하는 경우, 제3 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제3 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(제3 시나리오)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.
동작 S503에서, 전자 장치(110)는 제4 시나리오의 만족 여부를 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 매출 시나리오 가운데 제4 시나리오에 대응하여, 제4 시나리오 조건의 만족 여부를 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 시나리오 고려 요소에 기반하여 제4 시나리오 조건의 만족 여부를 결정할 수 있다.
일 실시예에서, 제4 시나리오는, 프로모션 아이템에 대응하는 시나리오를 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 패턴은 프로모션 아이템에 대응하는 시나리오로 분류될 수 있다. 전자 장치(110)는 제4 시나리오에 대응하는, 제4 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제4 시나리오 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 시나리오 조건을 만족하는 것으로 결정될 수 있다. 전자 장치(110)는 시나리오 고려 요소 가운데 아이템 속성, 프로모션 일정 정보, 프로모션 정보 가운데 적어도 일부를 기반으로 제4 시나리오 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제4 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 아이템 속성, 프로모션 일정 정보 및 프로모션 정보를 데이터베이스(120)로부터 수신할 수 있다. 전자 장치(110)는 제4 시나리오 조건을 만족하는 경우, 동작 S504로 진행할 수 있고, 제4 시나리오 조건을 만족하지 않는 경우, 동작 S508로 진행할 수 있다.
동작 S504에서, 전자 장치(110)는 매출 시나리오 가운데 제5 시나리오, 제6 시나리오 또는 제7 시나리오에 대응하여, 제5 시나리오 조건, 제2시나리오 조건 또는 제7 시나리오 조건의 만족 여부를 결정할 수 있다.
일 실시예에서, 전자 장치(110)는 시나리오 고려 요소에 기반하여 제5 시나리오 조건, 제6 시나리오 조건 또는 제7 시나리오 조건의 만족 여부를 결정할 수 있다. 제5 시나리오는, 휴일 특성을 가지는 아이템에 대응하는 시나리오를 포함할 수 있다. 제6 시나리오는, 계절성을 가지는 아이템에 대응하는 시나리오를 포함할 수 있다. 제7 시나리오는, 휴일 특성을 가지며, 동시에 계절성을 가지는 아이템에 대응하는 시나리오를 포함할 수 있다. 이때 제4 시나리오, 즉, 프로모션 아이템에 대응하는 시나리오, 제5 시나리오, 제6 시나리오 및 제7 시나리오의 경우, 모두 시기에 따라 판매 패턴이 달라지는 특징을 포함할 수 있다. 또한, 프로모션의 경우 특정 시기, 예컨대 휴일, 계절 등에 따라 프로모션이 동반될 가능성이 높으며, 프로모션과 함께 휴일 특성, 계절성 등이 반영된 판매 패턴에 기반하여 매출 기회를 예측하는 것이 보다 정확한 예측 가능성을 높일 수 있다. 따라서 동작 S504에서, 전자 장치(110)는 제4 시나리오 조건을 만족할 경우에 제5 시나리오 조건, 제6 시나리오 조건 또는 제7 시나리오 조건의 만족 여부를 확인할 수 있다.
일 실시예에서, 제5 시나리오는, 휴일 특성을 가지는 아이템에 대응하는 시나리오를 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 시나리오를 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 시나리오로 분류될 수 있다. 전자 장치(110)는 제5 시나리오에 대응하는, 제5 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제5 시나리오 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 시나리오 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 시나리오 조건의 만족 여부를 결정할 수 있다. 예컨대 시나리오 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 시나리오 고려 요소 가운데 휴일 특성 및 휴일 정보 가운데 적어도 일부를 기반으로 제5 시나리오 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제5 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 휴일 특성 및 휴일 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제6 시나리오는, 계절성을 가지는 아이템에 대응하는 시나리오를 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 시나리오를 적용할 수 있다. 계절성을 가지는 아이템에 해당하는 아이템들의 경우 서로 유사한 매출 패턴을 가질 수 있으며, 이러한 패턴은 계절성을 가지는 아이템에 대응하는 제6 시나리오로 분류될 수 있다. 전자 장치(110)는 제6 시나리오에 대응하는, 제6 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제6 시나리오 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 시나리오 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 시나리오 조건의 만족 여부를 결정할 수 있다. 예컨대 시나리오 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 시나리오 고려 요소 가운데 계절성 및 계절 정보 가운데 적어도 일부를 기반으로 제6 시나리오 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제6 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 계절성 및 계절 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제7 시나리오는, 휴일 특성을 가지며, 동시에 계절성을 가지는 아이템에 대응하는 시나리오를 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 시나리오로 분류될 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 시나리오 조건을 만족하는 것으로 결정할 수 있다. 전자 장치(110)는 제5 시나리오에 대응하는, 제7 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 적어도 일부 정보를 확인할 수 있다. 제7 시나리오 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 시나리오 조건을 만족하는 것으로 결정될 수 있다. 전자 장치(110)는 시나리오 고려 요소 가운데 계절성, 계절 정보, 휴일 특성 및 휴일 정보 가운데 적어도 일부를 기반으로 제7 시나리오 조건의 만족 여부를 결정할 수 있다. 전자 장치(110)는 제7 시나리오 조건의 만족 여부를 결정하기 위하여, 시나리오 고려 요소 가운데 계절성, 계절 정보, 휴일 특성 및 휴일 정보를 데이터베이스로부터 수신할 수 있다.
일 실시예에서, 제5 시나리오 조건, 제6 시나리오 조건 및 제7 시나리오 조건 간에는 시나리오 우선순위가 적용되지 않을 수 있다. 동작 S504에서, 전자 장치(110)는 제5 시나리오 조건, 제6 시나리오 조건 및 제7 시나리오 조건의 만족 여부를 동시에 결정하거나, 또는, 이들 조건의 만족 여부를 순서와 무차별하게 결정할 수 있다.
동작 S504에서, 전자 장치(110)는 제5 시나리오 조건, 제6 시나리오 조건 또는 제7 시나리오 조건을 만족하는 경우, 동작 S505로 진행할 수 있다.
동작 S504에서, 전자 장치(110)는 제5 시나리오 조건, 제6 시나리오 조건 또는 제7 시나리오 조건을 만족하지 않는 경우, 동작 S507로 진행할 수 있다.
동작 S505에서, 전자 장치(110)는 예측 결과를 비교할 수 있다. 동작 S505는, 제4 시나리오 조건을 만족하며, 제5 시나리오 조건, 제6 시나리오 조건 및 제7 시나리오 조건 가운데 어느 하나를 만족하는 경우에 수행될 수 있다.
일 실시예에서, 전자 장치(110)는 제4 시나리오에 대응하는 제4 예측 모델에 기반하여 지정된 기간(예: 35일)에 대응하는 예측 결과(이하, 제1 예측 결과)를 산출할 수 있다. 또한, 전자 장치(110)는 제5 시나리오, 제6 시나리오 및 제7 시나리오 가운데 시나리오 결정 조건을 만족하는 시나리오에 대응하는 예측 모델, 즉, 제5 예측 모델, 제6 예측 모델 또는 제7 예측 모델에 기반하여, 제4 예측 모델과 동일한 지정된 기간(예: 35일)에 대응하는 예측 결과(이하, 제2 예측 결과)를 산출할 수 있다. 전자 장치(110)는, 지정된 기간(예: 35일) 동안의 제1 예측 결과 및 제2 예측 결과를 비교할 수 있다. 예측 결과에 대한 비교는, 예컨대, 지정된 기간 동안의 예측 결과의 평균값 간의 비교이거나, 지정된 기간 동안의 각 대응하는 일부 기간끼리의 비교를 포함할 수 있다. 예컨대 지정된 기간이 35일이며, 제1예측 결과 및 제2 예측 결과가 일자 별 예측 결과를 포함하는 경우, 제1 예측 결과 및 제2 예측 결과 각각의 예측 결과를 일자 별로 비교할 수 있다.
동작 S506에서, 전자 장치(110)는 동작 S505의 예측 결과 비교에 기반하여 제4 예측 모델 또는 혼합 모델을 선택할 수 있다. 전자 장치(110)는 지정된 기간 전체에 대응하여 제4 예측 모델에 기반하여 산출된 제1 예측 결과가 더 큰 경우, 제4 예측 모델을 선택할 수 있다. 또는, 전자 장치(110)는 지정된 기간 전체에 대응하여 제5 예측 모델, 제6 예측 모델 또는 제7 예측 모델에 기반하여 산출된 제2 예측 결과의 값이 더 큰 경우나, 제2 예측 결과의 값이 지정된 기간 가운데 적어도 일부 기간에 대응하는 기간 동안 제1 예측 결과보다 큰 결과가 산출된 기간이 존재하는 경우, 제4 예측 모델에, 제5 예측 모델, 제6 예측 모델 및 제7 예측 모델 가운데 적어도 일부가 혼합된 혼합 모델을 선택할 수 있다. 혼합 모델은 제4 예측 모델 및 제5 예측 모델이 혼합된 모델, 제4 예측 모델 및 제6 예측 모델이 혼합된 모델 및 제4 예측 모델 및 제7 예측 모델이 혼합된 모델 가운데 적어도 일부를 포함할 수 있다. 혼합 모델은, 각 예측 모델의 파라미터 가운데 적어도 일부가 조합되거나, 혼합 대상이 되는 모델들의 전체 특성 정보가 조합된 특성 정보에 기반하여 예측을 수행하는 모델을 의미할 수 있다. 전자 장치(110)는 각 혼합 모델의 유형 별로, 적용될 알고리즘을 선택하거나, 파라미터를 업데이트 또는 학습할 수 있고, 예측에 이용될 특성 정보를 결정할 수 있다.
동작 S507에서, 전자 장치(110)는 제4 예측 모델을 선택할 수 있다.
일 실시예에서, 제4 시나리오에 대응하는 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 시나리오에 해당하는 경우, 제4 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제4 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(제4 시나리오)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.
동작 S508에서, 전자 장치(110)는 매출 시나리오 가운데 제5 시나리오, 제6 시나리오 또는 제7 시나리오에 대응하여, 제5 시나리오 조건, 제2시나리오 조건 또는 제7 시나리오 조건의 만족 여부를 결정할 수 있다. 동작 S508은, 동작 S504의 적어도 일부를 포함할 수 있다.
동작 S508에서, 전자 장치(110)는 제5 시나리오 조건, 제6 시나리오 조건 또는 제7 시나리오 조건을 만족하는 경우, 동작 S509로 진행할 수 있다.
동작 S508에서, 전자 장치(110)는 제5 시나리오 조건, 제6 시나리오 조건 또는 제7 시나리오 조건을 만족하지 않는 경우, 동작 S510으로 진행할 수 있다.
동작 S509에서, 전자 장치(110)는 제5 시나리오 조건, 제6 시나리오 조건 또는 제7 시나리오 조건의 만족 여부에 기반하여, 제5 예측 모델, 제6 예측 모델 또는 제7 예측 모델을 선택할 수 있다.
일 실시예에서, 제5 시나리오에 대응하는 제5 예측 모델은, 홀트 - 윈터스(Holt - Winters) 알고리즘을 포함할 수 있다. 전자 장치(110)는 제5 시나리오에 해당하는 경우, 제5 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제5 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(제5 시나리오)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 시나리오에 대응하는 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 시나리오에 해당하는 경우, 제6 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제6 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(제6 시나리오)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 시나리오에 대응하는 제7 예측 모델은, 홀트 - 윈터스(Holt - Winters) 알고리즘 가운데 적어도 일부를 포함할 수 있다. 전자 장치(110)는 제7 시나리오에 해당하는 경우, 제7 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 제7 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(제7 시나리오)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.
동작 S510에서, 전자 장치(110)는 예측 대상이 되는 기간 및 아이템이, 매출 시나리오 가운데 일반 매출 시나리오에 해당하는 것으로 결정할 수 있다. 일반 매출 시나리오는, 제1 시나리오 내지 제7 시나리오에 해당하지 않는 매출 시나리오를 의미할 수 있다.
동작 S511에서, 전자 장치(110)는 일반 매출 시나리오에 대응하여 기본 예측 모델을 선택할 수 있다.
일 실시예에서, 기본 예측 모델은, Light GBM (Light Gradient-Boosting Machine) 알고리즘을 포함할 수 있다. 전자 장치(110)는 일반 매출 시나리오에 해당하는 경우, 기본 예측 모델에 적용될 하나 이상의 특성 정보를 결정할 수 있다. 기본 예측 모델에 대응하는 하나 이상의 특성 정보는 시나리오 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 시나리오(일반 매출 시나리오)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.
도 6은 본 개시의 일 실시예에 따른 보정된 예상 판매량을 산정하는 방법을 나타낸 동작흐름도이다.
이하에서는, 도 6을 참조하여 본 개시의 일 실시예에 따른 보정된 예상 판매량을 산정하는 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 S601에서, 전자 장치(110)는 아이템에 대응하는 예측 편향 정보를 산정할 수 있다. 예측 편향 정보란, 아이템에 대응하는 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, 전자 장치(110)는 아이템 그룹에 포함된 복수의 아이템 각각에 대응하는 예상 판매량을 산정할 수 있다. 아이템 그룹은, 복수의 아이템을 포함하며, 아이템의 카테고리를 포함한 다양한 기준에 기반하여 분류된, 복수의 아이템을 포함하는 그룹을 의미할 수 있다. 전자 장치(110)는 복수의 아이템 각각에 대응하는 예상 판매량을 산정할 수 있다. 전자 장치(110)는 복수의 아이템 각각에 대응하여, 매출 시나리오를 결정하고, 결정된 매출 시나리오에 대응하는 각각의 예측 모델에 기반하여 복수의 아이템 각각의 예상 판매량을 산정할 수 있다. 전자 장치(110)는 아이템 그룹에 속한 복수의 아이템 각각의 예상 판매량에 기반하여 아이템 그룹에 대응하는 실제 판매량을 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 아이템 그룹에 포함된 복수의 아이템 각각에 대응하는 실제 판매량을 산정할 수 있다. 전자 장치(110)는 복수의 아이템 각각에 대응하여 산정된 예상 판매량과 서로 상응하는 기간에 실제로 복수의 아이템 각각의 판매량에 관한 데이터를 데이터베이스(120)로부터 수신하고, 아이템 그룹에 대응하는 실제 판매량을 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 아이템 그룹에 대응하는 예상 판매량 및 실제 판매량에 기반하여, 아이템 그룹에 대응하는 오차 정보를 산정할 수 있다. 아이템 그룹에 대응하는 오차 정보는 총 오차 정보(aggregated error)로 표현될 수 있다.
일 실시예에서, 전자 장치(110)는 아이템 그룹에 대응하는 총 오차 정보에 기반하여 예측 모델에 관한 평가 정보를 산정할 수 있다. 예측 모델에 관한 평가 정보는, 예측 모델의 성능에 관한 지표를 포함할 수 있다. 예를 들어, 아이템 그룹이 동일한 예측 모델에 기반하여 예측이 수행된 복수의 아이템을 포함하는 경우, 전자 장치(110)는 아이템 그룹에 대응하는 총 오차 정보가 낮은 값을 가질수록 높은 성능을 가지는 모델로 판단할 수 있다. 전자 장치(110)는 동일한 아이템 그룹에 대응하여 서로 다른 예측 모델에 기반하여 예측을 수행하고, 총 오차 정보에 기반하여 해당 아이템 그룹에 더 적합한 예측 모델을 선별할 수 있다. 예를 들어, 전자 장치(110)는 예측 모델의 성능을 개선하기 위하여, 파라미터를 다르게 하거나, 특성 정보를 달리 하는 등의 변형된 예측 모델에 기반하여 산출된 총 오차 정보 및 기존 예측 모델의 총 오차 정보를 비교하여, 예측 모델의 파라미터를 업데이트 할 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 아이템 그룹에 대응하는 실제 판매량을 기준으로, 실제 판매량의 총합에 대한 각 아이템의 실제 판매량의 비율을 각 아이템에 대한 가중치로 하여, 각 아이템의 예상 판매량이 실제 판매량에 대하여 갖는 상대 오차의 절댓값에 대한 가중 평균에 기반하여 산정될 수 있다. 가중 절대 평균 오차에 관하여는 도 7a 및 도 7b에서 구체적으로 설명한다.
일 실시예에서, 전자 장치(110)는 아이템 그룹에 포함된 복수의 아이템 가운데 특정 아이템(예: 제1 아이템)을 제외한 나머지 아이템 전체에 대응하는 총 오차 정보를 산정할 수 있다. 전자 장치(110)는 아이템 그룹에서, 제1 아이템을 제외한 나머지 아이템에 대응하는, 실제 판매량 및 예상 판매량 간의 가중 절대 평균 오차에 기반하여 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 총 오차 정보를 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 아이템 그룹에 대응하는 총 오차 정보 및 아이템 그룹에서 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 총 오차 정보에 기반하여 제1 아이템의 오차 기여도를 산정할 수 있다. 오차 기여도는, 특정 아이템(예: 제1 아이템)의 예측 값이 실제 값에 대하여 갖는 오차가, 아이템 그룹 전체의 총 오차에 대하여 기여한 비율을 의미할 수 있다. 제1 아이템의 오차 기여도는 아이템 그룹에 대응하는 총 오차 정보와 아이템 그룹에서 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 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, 전자 장치(110)는 오차 정보 가운데 과대 예측에 대응하는 오차 및 과소 예측에 대응하는 오차를 분류할 수 있다. 과대 예측이란, 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. 과소 예측이란, 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.
일 실시예에서, 전자 장치(110)는 아이템 그룹에 대응하는 총 예측 편향 정보를 산정할 수 있다. 총 예측 편향 정보는, 아이템 그룹에 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 기간에 대응하여, 각 기간 별로 아이템의 예상 판매량을 산정할 수 있다. 이때의 기간은 예상 판매량을 산정할, 예측 대상인 기간을 의미할 수 있다. 예컨대 예측 대상 기간이 하루인 경우, 복수의 기간은 복수의 일자를 의미할 수 있다. 이 경우 전자 장치(110)는 복수의 일자에 대응하여, 각 일자 별로 예상 판매량을 산정할 수 있다. 이때 하나의 아이템에 대응하여 복수의 일자 별로 예상 판매량을 산정하는 경우에, 각 일자 별로 서로 다른 예측 모델에 기반하여 예상 판매량이 산정될 수 있다. 예컨대, 복수의 일자 가운데 특정 일자에 대한 예측의 경우는 프로모션 정보에 기반하여 제4 시나리오가 적용될 수 있으나, 이외의 일자에 대한 예측의 경우 프로모션이 적용되지 않는 관계로 일반 매출 시나리오가 적용될 수 있다. 이 경우에 동일한 아이템에 대응하여 서로 다른 매출 시나리오가 결정되며, 일자 별로 서로 다른 예측 모델에 기반하여 예상 판매량이 산정될 수 있다.
일 실시예에서, 전자 장치(110)는 복수의 기간 각각에 대응하여 산정된 예상 판매량 및 복수의 기간 각각에 대응하여 산정된 실제 판매량에 기반하여, 복수의 기간 각각에 대응하는 오차 정보를 산정할 수 있다.
일 실시예에서, 전자 장치(110)는 아이템에 대하여 복수의 기간 각각에 대응하여 산정된, 특정 아이템(예: 제1 아이템)의 오차 정보 가운데 과대 예측에 대응하는 오차 및 과소 예측에 대응하는 오차를 분류할 수 있다.
일 실시예에서, 아이템에 대응하는 예측 편향 정보는, 복수의 기간 각각에 대응하여 산정된 아이템의 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, 예측 편향 정보는 각 아이템에 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.
동작 S601에서, 전자 장치(110)는 보정된 예상 판매량을 산정할 수 있다.
일 실시예에서, 전자 장치(110)는, 예측 편향 정보에 기반하여 매출 기회의 예측 결과를 보정할 수 있다. 예상 판매량은 예측 편향 정보를 반영하여 보정될 수 있다. 전자 장치(110)는 보정된 예상 판매량을 기반으로 보정된 예상 손실 판매량을 산정할 수 있다. 전자 장치(110)는 보정된 예상 손실 판매량을 기반으로 보정된 예상 손실 매출을 산정할 수 있다.
일 실시예에서, 보정된 예상 판매량은, 예상 판매량에, 예측 편향 정보에 따른 보정치를 가산하여 산정될 수 있다. 예측 편향 정보는 편향 비율에 관한 정보를 포함할 수 있고, 보정치는, 편향 비율과 예상 판매량의 곱으로 산정될 수 있다.
도 7a 및 도 7b는 도 3 및 도 6을 참조하여 설명된, 매출 기회 및 보정된 매출 기회를 산정하는 방법을 보다 구체적으로 설명하기 위한 도면이다.
도 7a에서, 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(701)를 기반으로 매출 기회 및 보정된 매출 기회를 산정하는 방법을 구체적으로 설명한다.
도 7b에서는, 도 7a의 매출 기회 예시표(701)를 기반으로 산출된 오차 정보 및 예측 편향 정보를 나타낸, 오차 산정에 관한 산정 예시표(702)를 기반으로 매출 기회 및 보정된 매출 기회를 산정하는 방법을 구체적으로 설명한다.
도 7a를 참조하면, 매출 기회 예시표(701)의 예상 판매량은 각 아이템 별, 각 기간 별(일자 별)로 산정될 수 있다. 이때 예상 판매량 및 품절 정보에 기반하여 예상 손실 판매량이 산정될 수 있다. 예상 판매량은, 수학식 1(710)에 대입될 수 있다. 수학식 1(710)의 "Lost Unit"은, 예상 손실 판매량이며, "Forecast"는 예상 판매량일 수 있다. 수학식 1(710)의 "OOS rate"는, 판매량 예측의 대상이 되는 기간(예: 하루)에 대한, 예측 대상 아이템의 품절 상태가 지속된 기간의 비율에 관한 정보를 포함할 수 있다. 예를 들어, 매출 기회 예시표(701)를 참조하면, 예측 대상이 되는 기간은 특정 일자("20230103")이며, 품절 시간은 "12시간"이므로, 이에 대응하는 "OOS rate"는 12시간이 24시간(하루)에 대하여 갖는 비율, 즉, "0.5"에 해당할 수 있다.
도 7a를 참조하면, 예상 손실 판매량은 수학식 2(720)에 대입될 수 있다. 수학식 2(720)에서, "Lost GMV"는 예상 손실 판매량일 수 있고, "Price"는 아이템의 가격을 의미할 수 있다.
도 7a를 참조하면, 수학식 3(730)에 기반하여 오차 정보가 산정될 수 있고, 수학식 4(740)에 기반하여 과대 예측에 대응하는 오차가 산정될 수 있으며, 수학식 5(750)에 기반하여 과소 예측에 대응하는 오차가 산정될 수 있다. 또한, 수학식 6(760)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 7a의 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 판매량(수학식 1(710)의 "Forecast")일 수 있다.
도 7b를 참조하면, 산정 예시표(702)는, 도 7a의 매출 기회 예시표(701)에 포함된 수치 및 수학식 1(710), 수학식 2(720), 수학식 3(730), 수학식 4(740), 수학식 5(750) 및 수학식 6(760)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 3(730)에 대입함으로써 산출될 수 있다. 마찬가지의 방법을 통하여, 수학식 3(730), 수학식 4(740) 및 수학식 5(750)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(730)의 아이템 인덱스 "i"에, 제1 아이템에 대응하는 "1"을 제외한 "2" 및 "3"만이 대입될 수 있다.
도 7b를 참조하면, 일자 "20230101"에 대응하는, 제1 아이템의 오차 기여도(-3%)는, "20230101"에 대응하는, 제1 아이템을 제외한 나머지 아이템 전체의 총 오차(77%) 및 제1 아이템을 제외한 나머지 아이템 전체의 총 오차(80%) 간의 차로써 산출될 수 있다.
도 7b를 참조하면, 기간 "20230101" 내지 "20230102"에서 제1 아이템에 대응하는 예측 편향 정보(-11%)는, 도 7a를 참조하여 설명된 수학식 6(760)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 7b를 참조하면, 제1 아이템에 대하여 산출된 예측 편향 정보(-11%)가 제1 아이템의 예상 손실 판매량(15)에 적용되어, 제1 아이템의 보정된 예상 손실 판매량은 "15+{(-11%)*15}"의 결과인 "13.39"로 산출될 수 있다. 이때 "{(-11%)*15}"는 도 6을 참조하여 설명된 보정치를 의미할 수 있다. 이어서 제1 아이템의 보정된 예상 손실 판매량에 가격 정보를 곱하여 보정된 예상 손실 매출(66.96)이 산정될 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)을 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 아이템의 매출 기회 산정 방법에 있어서,
    아이템의 매출에 관한 하나 이상의 매출 시나리오 가운데, 시나리오 선택 조건에 기반하여 상기 아이템에 대응하는 적어도 하나의 매출 시나리오를 결정하는 단계;
    매출 기회의 예측에 관한 하나 이상의 예측 모델 가운데, 상기 적어도 하나의 매출 시나리오에 대응하는 적어도 하나의 예측 모델을 결정하는 단계;
    상기 아이템 및 상기 적어도 하나의 예측 모델에 기반하여 상기 적어도 하나의 예측 모델에 적용할 하나 이상의 특성 정보를 결정하는 단계; 및
    상기 적어도 하나의 예측 모델 및 상기 하나 이상의 특성 정보에 기반하여 상기 아이템의 예상 판매량을 산정하는 단계를 포함하는, 매출 기회 산정 방법.
  2. 제1항에 있어서,
    상기 산정된 예상 판매량 및 상기 아이템에 대응하는 품절 정보에 기반하여 상기 아이템의 예상 손실 판매량을 산정하는 단계를 더 포함하는, 매출 기회 산정 방법.
  3. 제2항에 있어서,
    상기 품절 정보는, 상기 아이템의 상태가 품절인 상태로 지속된 시간에 관한 정보를 포함하는, 매출 기회 산정 방법.
  4. 제2항에 있어서,
    상기 예상 손실 판매량 및 상기 아이템의 가격 정보에 기반하여 상기 아이템에 대응하는 예상 손실 매출을 산정하는 단계를 더 포함하는, 매출 기회 산정 방법.
  5. 제1항에 있어서,
    아이템 그룹에 포함된 복수의 아이템 각각에 대응하는 예상 판매량에 기반하여 상기 아이템 그룹에 대응하는 예상 판매량을 산정하는 단계;
    상기 복수의 아이템 각각에 대응하는 실제 판매량에 기반하여 상기 아이템 그룹에 대응하는 실제 판매량을 산정하는 단계; 및
    상기 아이템 그룹에 대응하는 예상 판매량 및 상기 아이템 그룹에 대응하는 실제 판매량에 기반하여 상기 아이템 그룹에 대응하는 총 오차 정보를 산정하는 단계를 포함하는, 매출 기회 산정 방법.
  6. 제5항에 있어서,
    상기 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 산정되는, 매출 기회 산정 방법.
  7. 제5항에 있어서,
    상기 아이템 그룹에서, 상기 복수의 아이템 가운데 제1 아이템을 제외한 나머지 아이템 전체에 대응하는 총 오차 정보를 산정하는 단계;
    상기 나머지 아이템 전체에 대응하는 총 오차 정보 및 상기 아이템 그룹에 대응하는 총 오차 정보에 기반하여, 상기 제1 아이템의 오차 기여도를 산정하는 단계를 더 포함하는, 매출 기회 산정 방법.
  8. 제1항에 있어서,
    상기 매출 시나리오를 결정하는 단계는,
    아이템 정보, 시기 정보, 판매 관련 정보, 품절 정보 및 프로모션 정보 가운데 적어도 일부에 기반하여 상기 하나 이상의 매출 시나리오 각각에 대응하는 하나 이상의 시나리오 선택 조건의 만족 여부를 결정하는 단계; 및
    상기 하나 이상의 시나리오 선택 조건의 만족 여부에 기반하여 상기 아이템에 대응하는 적어도 하나의 매출 시나리오를 결정하는 단계를 포함하는, 매출 기회 산정 방법.
  9. 제8항에 있어서,
    상기 하나 이상의 매출 시나리오 각각에 대하여, 시나리오 별 우선순위가 할당되며,
    상기 매출 시나리오 각각에 대응하는 시나리오 선택 조건의 만족 여부는 상기 시나리오 별 우선순위에 기반하여 순차적으로 결정되는, 매출 기회 산정 방법.
  10. 제1항에 있어서,
    상기 아이템에 대응하는 예측 편향 정보를 산정하는 단계; 및
    상기 예상 판매량 및 상기 예측 편향 정보에 기반하여, 상기 아이템에 대응하는 보정된 예상 판매량을 산정하는 단계를 더 포함하는, 매출 기회 산정 방법.
  11. 제10항에 있어서,
    상기 예측 편향 정보는, 상기 아이템에 대응하는 예상 판매량 및 실제 판매량 간의 오차에 기반하여 산정되는, 매출 기회 산정 방법.
  12. 제10항에 있어서,
    상기 예측 편향 정보는,
    하나 이상의 일자에 대응하는 하나 이상의 오차 정보 가운데 과대 예측에 대응하는 오차의 총합 및 과소 예측에 대응하는 오차의 총합에 기반하여 확인되는, 매출 기회 산정 방법.
  13. 제10항에 있어서,
    상기 예상 판매량을 산정하는 단계는,
    상기 예상 판매량을 일자 별로 산출하는 단계를 포함하고,
    상기 예측 편향 정보를 확인하는 단계는,
    상기 예상 판매량에 대응하는 일자 별로 상기 아이템에 대응하는 실제 판매량을 산정하는 단계; 및
    상기 아이템에 대응하는 실제 판매량 및 예상 판매량에 기반하여 일자 별로 상기 아이템에 대응하는 예측 편향 정보를 산정하는 단계를 더 포함하는, 매출 기회 산정 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/KR2023/008654 2023-06-14 2023-06-22 아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체 Ceased WO2024257940A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2023-0076212 2023-06-14
KR1020230076212A KR102807356B1 (ko) 2023-06-14 2023-06-14 아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체

Publications (1)

Publication Number Publication Date
WO2024257940A1 true WO2024257940A1 (ko) 2024-12-19

Family

ID=93852316

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/008654 Ceased WO2024257940A1 (ko) 2023-06-14 2023-06-22 아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체

Country Status (3)

Country Link
KR (2) KR102807356B1 (ko)
TW (2) TWI890082B (ko)
WO (1) WO2024257940A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001282906A (ja) * 2000-04-03 2001-10-12 Nippon Syst Design Kk 販売数の予測値と発注量演算処理システム
JP2010146413A (ja) * 2008-12-19 2010-07-01 Hitachi East Japan Solutions Ltd 需要予測装置
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
KR20220121074A (ko) * 2021-02-24 2022-08-31 주식회사 그로비 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160110733A1 (en) * 2014-10-17 2016-04-21 Tata Consultancy Services Limited Inventory management system
TW202113698A (zh) * 2019-09-25 2021-04-01 治略資訊整合股份有限公司 銷售預測系統與方法
CN115660708A (zh) * 2022-09-01 2023-01-31 阿里巴巴（中国）有限公司 商品数据的处理方法、装置、电子设备及存储介质
CN115879996A (zh) * 2022-11-30 2023-03-31 北京中鲜网络科技有限公司 基于历史销售数据以及数据变量的订货量自动预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001282906A (ja) * 2000-04-03 2001-10-12 Nippon Syst Design Kk 販売数の予測値と発注量演算処理システム
JP2010146413A (ja) * 2008-12-19 2010-07-01 Hitachi East Japan Solutions Ltd 需要予測装置
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
KR20220121074A (ko) * 2021-02-24 2022-08-31 주식회사 그로비 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법

Also Published As

Publication number Publication date
TW202501326A (zh) 2025-01-01
TW202538591A (zh) 2025-10-01
TWI914261B (zh) 2026-02-01
KR102807356B1 (ko) 2025-05-15
KR20250071907A (ko) 2025-05-22
TWI890082B (zh) 2025-07-11
KR20240175927A (ko) 2024-12-23

Similar Documents

Publication Publication Date Title
WO2018074851A1 (ko) 배달주문 분배시스템 및 방법
WO2016204307A1 (ko) 배송 정보를 처리하고 출근을 확인하는 방법과 서버
WO2015129988A1 (ko) 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치
WO2022225088A1 (ko) 아이템 폐기와 관련된 정보 제공 방법 및 그 장치
WO2023286989A1 (ko) 자산배분 포트폴리오 운용 장치 및 방법
WO2023132544A1 (ko) 투자방식을 고려한 자산배분 포트폴리오 제공 장치, 방법 및 컴퓨터 프로그램
WO2025206647A1 (ko) 무인 매장의 자재 사용량과 수요 예측을 기반으로 발주량을 산출하는 서버 및 그 제어 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
WO2024257939A1 (ko) 오차 원인을 분석하는 방법, 장치 및 기록매체
KR102807356B1 (ko) 아이템의 매출 기회를 산정하는 방법, 장치 및 기록매체
WO2024190965A1 (ko) 풀필먼트 센터에서 물품의 재고를 관리하는 방법 및 그 장치
WO2021157005A1 (ja) 管理支援装置、管理支援方法及び管理支援プログラム
WO2025178365A1 (ko) 과거 투숙일 데이터 기반의 수요 예측 장치 및 그 제어 방법
WO2024248178A1 (ko) 탄소배출량 분석 및 이에 기반한 탄소배출량 저감 방안 제시 방법, 컴퓨팅 장치 및 컴퓨터 프로그램
WO2020062645A1 (zh) 基于数据分析的定价方法、设备、存储介质及装置
WO2025029068A1 (ko) 투숙 당일의 판매가 조정 장치 및 그 제어 방법
WO2025029069A1 (ko) 예약 확률 기반의 판매가 조정 장치 및 그 제어 방법
WO2025178366A1 (ko) 과거 투숙일 데이터 기반의 초기 판매가 조정 장치 및 그 제어 방법
WO2023106496A1 (ko) 비상장 주식의 거래를 지원하기 위한 ui 제공 방법 및 이를 이용한 비상장 주식거래 서버
WO2026054210A1 (ko) 픽업 시간을 제공하는 방법, 장치 및 명령을 기록한 기록 매체
WO2025159243A1 (ko) 재고 관리 방법, 장치, 및 기록 매체
WO2025143832A1 (ko) 인공지능 기반의 공장 디자인 툴 제공 서버 및 제공 방법
WO2025183504A1 (ko) 사업 정보 공유 방법 및 이를 수행하는 서버

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: 23941723

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE