| 1 |
1
다수의 POS가 설치되는 매장에서, 각각의 POS 마다 고객이 계산할 때 매출 TR 정보가 발생되고, POS 개시 시점과 POS 종료 시점 사이에서 발생되는 매출 TR 정보를 이용하여 고객 방문 예측 모델을 학습하는 방법으로서, 상기 매출 TR 정보는 점포명, 매출 일자, 발생 시점, POS 식별자, 거래번호, 하나 이상의 거래 상품 및 고객 정보를 포함하고, 상기 POS 개시 시점과 상기 POS 종료 시점 사이를 시간에 따라 n등분하여 제1 내지 제n 구간이 설정되고,(a) 고객 세그먼트부(110)는 각각의 POS에서, 다수의 매출 TR 정보를 수집하고, 수집된 상기 다수의 매출 TR 정보의 발생시점에 따라 각각 제1 내지 제n 구간(n은 2이상의 자연수) 중 어느 하나의 구간에 위치하는 것으로 확인하는 단계;(b) 상기 고객 세그먼트부(110)에 상기 거래 상품마다 상품 유형을 미리 분류한 상품 기준 정보가 입력되고, 상기 고객 세그먼트부(110)는 상기 (a)단계에서 수집된 다수의 매출 TR 정보와 상기 상품 기준 정보를 이용하여 고객 세그먼트 정보를 생성하는 단계; 및(c) 학습 모듈(200)이 상기 고객 세그먼트 정보를 이용하여 고객 방문 예측 모델을 학습하고, 상기 고객 방문 예측 모델은 제1 내지 제n 구간의 각 구간에서 방문할 고객 유형 및 판매될 상품 유형을 예측하는 단계; 를 포함하고,상기 (b)단계는,(b1) 상기 고객 세그먼트부(110)는 상기 다수의 매출 TR 정보 각각이 포함하는 하나 이상의 거래 상품을 각각 상기 상품 기준 정보에 따라 미리 결정된 다수의 상품 유형 중 어느 하나의 상품 유형으로 분류하는 단계; (b2) 상기 다수의 매출 TR 정보 중 어느 하나가 포함하는 고객정보는 다수의 고객 유형 중 어느 하나로 미리 분류되어 있으며, 이를 이용하여 상기 고객 세그먼트부(110)는 어느 하나의 고객 유형으로 분류하거나, 또는 상기 (b1)단계에서 상기 매출 TR 정보에 포함된 상기 하나 이상의 거래 상품을 각각 분류한 다수의 상품 유형 중 가장 많은 상품 유형을 이용하여 고객 유형을 분류하는 단계; 및 (b3) 상기 고객 세그먼트부(110)는 상기 다수의 매출 TR 정보에서 각각 분류된 고객 유형 중 동일한 고객 유형을 확인하고, 상기 동일한 고객 유형의 매출 TR 정보가 포함하는 상품 유형을 각각 분류하여 고객 세그먼트 정보를 생성하는 단계; 를 포함하는,방법
|
| 2 |
2
제1항에 있어서,상기 (c)단계는,(c1) 상기 학습 모듈(200)은 상기 다수의 매출 TR 정보가 각각 위치되는 제1 내지 제n 구간 중 어느 하나의 구간과 상기 분류된 고객 유형으로 상기 고객 방문 예측 모델을 학습하는 단계; 및(c2) 상기 고객 방문 예측 모델은 제1 내지 제n 구간 중 어느 하나의 구간에서 매장에 방문하는 고객 유형을 예측하고 상기 고객 세그먼트 정보에서 상기 고객 유형의 매출 TR 정보가 포함하는 상품 유형을 확인하는 단계; 를 포함하는,방법
|
| 3 |
3
제2항에 있어서,(d) 계산시간 연산부(120)에 상기 다수의 매출 TR 정보가 입력되는 단계; 및(e) 상기 계산시간 연산부(120)는 상기 다수의 매출 TR 정보 중 가장 인접한 두 개의 매출 TR 정보 간의 발생시점의 차이를 연산하고, 상기 연산된 발생시점의 차이는 상기 가장 인접한 두 개의 매출 TR 정보 중 나중에 발생된 매출 TR 정보의 계산시간으로 확인되고, 상기 인접한 매출 TR 정보 마다 이를 반복하여, 연산된 다수의 계산시간을 평균하여 평균 계산시간을 연산하는 단계; 를 포함하는,방법
|
| 4 |
4
제3항에 있어서,상기 (e)단계는,(e1) 상기 계산시간 연산부(120)는 상기 입력된 상기 다수의 매출 TR 정보의 발생시점을 이용하여 각각 제1 내지 제n 구간 중 어느 하나의 구간을 확인하는 단계; 및(e2) 상기 계산시간 연산부(120)는 제1 내지 제n 구간 중 각각의 구간에서 발생된 다수의 매출 TR 정보 중 가장 인접한 두 개의 매출 TR 정보 간의 발생시점의 차이를 연산하고, 상기 연산된 차이는 상기 가장 인접한 두 개의 매출 TR 정보 중 나중에 발생된 매출 TR 정보의 계산시간으로 확인하고, 상기 인접한 매출 TR 정보 마다 발생시점의 차이를 반복하여 연산하여, 연산된 다수의 계산시간을 평균하여 제1 내지 제n 구간 중 각각의 구간에서 평균 계산시간을 연산하는 단계; 를 포함하는,방법
|
| 5 |
5
제3항에 있어서,상기 (e)단계는,(e3) 상기 계산시간 연산부(120)는 각 POS 마다 상기 POS 개시 시점 및 상기 POS 종료 시점 사이에 발생된 매출 TR 정보 발생시점의 차이를 연산하는 단계; 및(e4) 상기 계산시간 연산부(120)는 연산된 상기 매출 TR 정보 발생시점의 차이 중에서, 상기 매출 TR 정보 발생시점의 차이가 기설정된 값 이상이 되는 계산시간을 제외하고 평균 계산시간을 연산하는 단계; 를 포함하는,방법
|
| 6 |
6
제4항에 있어서,상기 (e)단계 이후,(f) 상기 학습 모듈(200)이 제1 내지 제n 구간에서 각각 연산된 상기 다수의 매출 TR 정보의 상기 계산시간을 이용하여, 상기 고객 방문 예측 모델을 더 학습하는 단계;를 더 포함하는,방법
|
| 7 |
7
제4항에 있어서,상기 (f) 단계는,(f1) 상기 학습 모듈(200)은 상기 계산시간 연산부(120)가 연산한 제1 내지 제n 구간에서 각각 연산된 상기 다수의 매출 TR 정보의 상기 계산시간을 전송받는 단계;(f2) 상기 학습 모듈(200)은 상기 다수의 매출 TR 정보의 상기 계산시간과 그 때의 매출 TR 정보가 포함하는 거래 상품의 개수와 상기 고객 세그먼트부(110)로부터 분류된 상품 유형을 확인하는 단계; 및(f3) 상기 학습 모듈(200)은 상기 다수의 매출 TR 정보에 따른 상기 계산시간, 거래 상품의 개수와 상품 유형으로 상기 고객 방문 예측 모델을 더 학습하는 단계; 를 더 포함하는,방법
|
| 8 |
8
제2항에 있어서,상기 (c)단계는, (c3) 상기 고객 세그먼트부(100)에 상기 다수의 매출 TR 정보의 발생시점에서의 기상 정보와 트렌드 정보를 포함하는 외부정보가 더 입력되는 단계; 및 (c4) 상기 학습 모듈(200)은 상기 외부정보를 이용하여 상기 고객 방문 예측 모델을 더 학습하는 단계; 를 더 포함하는,방법
|
| 9 |
9
제4항에 따른 방법을 이용하여, 계산원 인력을 스케줄링하는 방법으로서, (g) POS 개수 연산부(130)는 상기 계산시간에서 제1 내지 제n 구간의 각 구간마다 계산시간의 총합을 확인하고, 상기 계산시간의 총합을 기설정된 계산원 인력으로 나누어, 제1 내지 제n 구간의 각 구간마다 사용되는 POS의 개수를 판단하는 단계; 및(h) 스케줄링 모듈(300)에 제1 내지 제n 구간의 각 구간마다 사용되는 POS의 개수와 상기 계산원 인력을 이용하여 제1 내지 제n 구간의 각 구간마다 계산원 인력을 스케줄링하는 단계; 를 포함하는,방법
|
| 10 |
10
제9항에 있어서,상기 계산원 인력 정보는 계산원 식별자, 계산원 직급 및 상기 계산원 직급에 따라 미리 결정된 가중치를 포함하고,상기 (h)단계에서,(h1) 상기 스케줄링 모듈(300)은 제1 내지 제n 구간의 각 구간에서 투입되는 계산원을 확인하는 단계; (h2) 상기 스케줄링 모듈(300)은 상기 계산원 인력 정보에서 상기 (h1)단계에서 확인된 계산원의 가중치를 확인하고, 제1 내지 제n 구간마다 투입되는 계산원의 가중치를 평균한 평균 가중치를 연산하는 단계; 및(h2) 상기 스케줄링 모듈(300)에 제1 내지 제n 구간의 각 구간마다 사용되는 POS의 개수에 상기 평균 가중치를 곱하여 스케줄링될 POS의 개수를 판단하고, 상기 POS의 개수와 제1 내지 제n 구간의 각 구간의 계산원 인력을 기설정된 방법에 따라 스케줄링하는 단계;를 포함하는,방법
|
