KR102338059B1 - 빅데이터에 기반한 부동산 추천 방법 및 시스템 - Google Patents

빅데이터에 기반한 부동산 추천 방법 및 시스템 Download PDF

Info

Publication number
KR102338059B1
KR102338059B1 KR1020210012056A KR20210012056A KR102338059B1 KR 102338059 B1 KR102338059 B1 KR 102338059B1 KR 1020210012056 A KR1020210012056 A KR 1020210012056A KR 20210012056 A KR20210012056 A KR 20210012056A KR 102338059 B1 KR102338059 B1 KR 102338059B1
Authority
KR
South Korea
Prior art keywords
real estate
company
information
cluster
candidate group
Prior art date
Application number
KR1020210012056A
Other languages
English (en)
Inventor
김건우
안지하
안도윤
이효성
Original Assignee
주식회사 스페이스블록
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 스페이스블록 filed Critical 주식회사 스페이스블록
Priority to KR1020210012056A priority Critical patent/KR102338059B1/ko
Priority to KR1020210116053A priority patent/KR20220109294A/ko
Application granted granted Critical
Publication of KR102338059B1 publication Critical patent/KR102338059B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

서버에 의해 수행되는 방법은, 법인 구분, 국세청 업종 분류 코드, 직원수, 평균 급여액을 기준으로 K-평균 클러스터링을 이용하여 복수의 기업들을 N개(N은 양의 정수)의 기업 군집들로 군집화하는 단계, 대지 위치, 대지 면적, 건축 면적, 건폐율, 연면적, 용적률, 건축물 구조명, 지역 구분명, 위반 건축물 여부, 용도, 세대수를 기준으로 K-평균 클러스터링을 이용하여 복수의 부동산들을 M개(M은 양의 정수)의 부동산 군집들로 군집화하는 단계, 상기 N개의 기업 군집들 중에서 부동산 정보를 추천받고자 하는 부동산 후보군 요청 기업이 속하는 하나의 기업 군집을 결정하는 단계, 상기 결정된 하나의 기업 군집에 대한 정보와 상기 부동산 후보군 요청 기업의 상태 정보들을 부동산 후보군 생성 모델에 입력함으로써 상기 M개의 부동산 군집들 중 하나의 부동산 군집에 대한 정보를 획득하는 단계, 및 상기 하나의 부동산 군집에 있는 부동산들을 추천 부동산으로서 상기 부동산 후보군 요청 기업에게 제공하는 단계를 포함하고, 상기 상태 정보들은 법인 구분, 국세청 업종 분류 코드, 현재 기업 위치, 직원수, 남/녀 직원 비율, 최근 단기 순이익, 시가 총액 정보를 포함하고, 상기 부동산 후보군 생성 모델은, 기업들 각각의 기업 군집에 대한 정보와 상기 상태 정보들을 입력으로 적용하고 상기 기업들 각각이 최종적으로 선택한 부동산의 부동산 군집에 대한 정보를 출력으로 적용하는 기계 학습 기법에 기반하여 생성될수 있다.

Description

빅데이터에 기반한 부동산 추천 방법 및 시스템{REAL ESTATE RECOMMENDATION METHOD AND SYSTEM BASED ON BIG DATA}
본 발명은 기업의 특성과 니즈를 고려하여, 기업이 입주하기 적합한 부동산 후보들을 빅데이터에 기반하여 기업에게 자동으로 추천하기 위한 방법 및 시스템에 관한 것이다.
좋은 입지의 사무실을 고르는 것은 기업의 생산성과 비용의 측면에서 매우 중요하다. 그러나 오피스 빌딩의 사무실을 구하는 기업들은 여러 대형 중개업체들이 각각 보유한 제한적인 후보군을 바탕으로 임대차 의사결정을 진행하고 있다. 이러한 전통적인 방식의 의사결정 구조는 기업의 생산성과 비용절감에 비효율적이며, 중개업체의 정보력에 의존하게 될 수밖에 없다. 이는 여러 중개업체가 관리하는 사무실 건물이 분산되어 있기 때문이다. 또한 중개업체들은 보유한 사무실 매물에 기업을 입주시킴으로써 중개 수수료로 수익을 창출할 뿐, 기업의 생산성과 비용은 중개업체의 이익과는 관련이 없기 때문에 가장 효율적인 사무실을 찾아주는 것에 한계가 있다.
기업의 입지분석 서비스 제공 방법과 관련된 종래기술 "업종 맞춤형 입지분석 서비스 제공 방법 및 기록매체(등록번호 10-1692712)"은 카페와 같은 소상공인을 대상으로 상가의 입지 정보를 추천해주는 기술을 개시한다. 그러나, 오피스 빌딩들과 입주 기업들의 빅데이터에 기반하여 오피스 빌딩의 후보군을 자동으로 추천해주는 방법과 시스템은 전무하다.
한국 특허 등록번호 10-1692712-0000
부동산과 기업의 빅데이터에 기반하여 기업의 니즈를 충족시키는 부동산(빌딩, 사무실 등) 후보군을 자동으로 추천하는 방법 및 시스템이 제공될 수 있다.
본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
서버에 의해 수행되는 방법은, 법인 구분, 국세청 업종 분류 코드, 직원수, 평균 급여액을 기준으로 K-평균 클러스터링을 이용하여 복수의 기업들을 N개(N은 양의 정수)의 기업 군집들로 군집화하는 단계, 대지 위치, 대지 면적, 건축 면적, 건폐율, 연면적, 용적률, 건축물 구조명, 지역 구분명, 위반 건축물 여부, 용도, 세대수를 기준으로 K-평균 클러스터링을 이용하여 복수의 부동산들을 M개(M은 양의 정수)의 부동산 군집들로 군집화하는 단계, 상기 N개의 기업 군집들 중에서 부동산 정보를 추천받고자 하는 부동산 후보군 요청 기업이 속하는 하나의 기업 군집을 결정하는 단계, 상기 결정된 하나의 기업 군집에 대한 정보와 상기 부동산 후보군 요청 기업의 상태 정보들을 부동산 후보군 생성 모델에 입력함으로써 상기 M개의 부동산 군집들 중 하나의 부동산 군집에 대한 정보를 획득하는 단계, 및 상기 하나의 부동산 군집에 포함되는 부동산들을 추천 부동산으로서 상기 부동산 후보군 요청 기업에게 제공하는 단계를 포함하고, 상기 상태 정보들은 법인 구분, 국세청 업종 분류 코드, 현재 기업 위치, 직원수, 남/녀 직원 비율, 최근 단기 순이익, 시가 총액 정보를 포함하고, 상기 부동산 후보군 생성 모델은, 기업들 각각의 기업 군집에 대한 정보와 상기 상태 정보들을 입력으로 적용하고 상기 기업들 각각이 최종적으로 선택한 부동산의 부동산 군집에 대한 정보를 출력으로 적용하는 기계 학습 기법에 기반하여 생성될 수 있다.
서버에 의해 수행되는 방법은, 법인 구분, 국세청 업종 분류 코드, 직원수, 평균 급여액을 기준으로 K-평균 클러스터링을 이용하여 복수의 기업들을 N개(N은 양의 정수)의 기업 군집들로 군집화하는 단계, 대지 위치, 대지 면적, 건축 면적, 건폐율, 연면적, 용적률, 건축물 구조명, 지역 구분명, 위반 건축물 여부, 용도, 세대수를 기준으로 K-평균 클러스터링을 이용하여 복수의 부동산들을 M개(M은 양의 정수)의 부동산 군집들로 군집화하는 단계, 상기 M개의 부동산 군집들 중에서 입주할 기업 정보를 추천받고자 하는 기업 후보군 요청 부동산이 속하는 하나의 부동산 군집을 결정하는 단계, 상기 결정된 하나의 부동산 군집에 대한 정보와 상기 기업 후보군 요청 부동산의 상태 정보들을 기업 후보군 생성 모델에 입력함으로써 상기 N개의 기업 군집들 중 하나의 기업 군집에 대한 정보를 획득하는 단계, 및 상기 하나의 기업 군집에 포함되는 기업들을 추천 기업으로서 상기 기업 후보군 요청 부동산의 소유자에게 제공하는 단계를 포함하고, 상기 상태 정보들은 대지 위치, 대지 면적, 연면적, 용적률, 용도, 세대수, 건축물 구조명, 지역 구분명, 주차장 정보, 및 엘리베이터 정보를 포함하고, 상기 기업 후보군 생성 모델은, 부동산들 각각의 부동산 군집에 대한 정보와 상기 상태 정보들을 입력으로 적용하고 상기 부동산들 각각이 최종적으로 선택한 기업의 기업 군집에 대한 정보를 출력으로 적용하는 기계 학습 기법에 기반하여 생성될 수 있다.
수많은 부동산 데이터들로부터 기업이 원하는 최적의 부동산을 자동으로 탐색하므로 기업이 우수한 입지를 선정할 수 있고, 기업의 생산성과 비용 절감에 큰 도움이 될 수 있다. 또한, 부동산 임대인은 가장 적합하고 계약의 안정성이 보장되는 탄탄한 입주 기업을 자동으로 탐색할 수 있어 마케팅 비용과 공실률이 감소할 수 있다.
도1은 일 실시 예에 따라, 빅데이터에 기반하여 부동산 추천 정보를 제공하기 위한 시스템을 나타낸다.
도2는 일 실시 예에 따라, 시스템이 특정 기업에 대해 부동산 추천 정보를 제공하는 방법의 흐름도를 나타낸다.
도3은 일 실시 예에 따라, 기업들의 군집화 결과를 나타낸다.
도4는 일 실시 예에 따라, 부동산들의 군집화 결과를 나타낸다.
도5는 일 실시 예에 따라, 부동산 후보군 생성 모델을 나타낸다.
도6은 일 실시 예에 따라, 시스템이 특정 부동산 소유자에 대해 입주 기업의 추천 정보를 제공하는 방법의 흐름도를 나타낸다.
도7은 일 실시 예에 따라, 기업 후보군 생성 모델을 나타낸다.
아래에서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자들(이하, 통상의 기술자들)이 본 발명을 용이하게 실시할 수 있도록, 첨부되는 도면들을 참조하여 몇몇 실시 예가 명확하고 상세하게 설명될 것이다.
도1은 일 실시 예에 따라, 빅데이터에 기반하여 부동산 추천 정보를 제공하기 위한 시스템을 나타낸다.
도1을 참조하면, 시스템(1000)은 사용자 단말기들(110, 120), 서버(200), 및 데이터베이스(DB)를 포함할 수 있다.
시스템(1000)은 부동산의 소유자 또는 기업들의 사용자 단말기들(110, 120)을 포함할 수 있다. '부동산'은 사무실이나 빌딩 등을 의미하고 부동산의 소유자는 자신의 부동산에 입주할 기업을 찾고 있다. '기업'은 업종, 규모 등의 특성과 니즈에 맞는 부동산에 입주하기를 원한다. 사용자 단말기는 스마트폰, PC, 태블릿 PC 와 같은 전자 장치를 포함할 수 있다.
서버(200)는 중앙 서버, 멀티미디어 컴퓨터, 랩탑 컴퓨터, 데스크탑 컴퓨터, 그리드 컴퓨팅 리소스, 가상화 된 컴퓨터 리소스, 클라우드 컴퓨팅 리소스, 피어-투-피어 분산 컴퓨팅 장치 또는 이들의 조합일 수 있다. 컴퓨팅 장치는, 적어도 하나의 프로세서와 적어도 하나의 메모리를 포함할 수 있다.
기업은 사용자 단말기(110)를 통해 서버(200)와 접속하고 사용자 단말기(110)에 기업의 정보를 입력하거나 기업의 니즈를 입력함으로써 서버(200)로부터 부동산 추천 정보를 제공받을 수 있다. 부동산 추천 정보는 하나 이상의 부동산 매물들에 대한 정보로서 기업에게 추천하는 부동산 후보군을 의미할 수 있다. 기업은 제공받은 부동산 후보군 중에서 하나의 부동산을 입주할 부동산으로서 선택할 수 있을 뿐만 아니라 제공된 부동산 후보군에 없는 부동산을 입주할 부동산으로 선택할 수 있다. 기업의 부동산 선택 결과는 서버(200)로 다시 전송될 수 있다.
부동산 소유자는 사용자 단말기(120)를 통해 서버(200)와 접속하고 사용자 단말기(120)에 자신이 소유한 부동산의 정보를 입력하거나 입주를 원하는 기업의 특성을 입력함으로써 서버(200)로부터 기업 추천 정보를 제공받을 수 있다. 기업 추천 정보는 하나 이상의 기업들에 대한 정보로서 부동산 소유자에게 추천하는 입주 기업 후보군을 의미할 수 있다. 부동산 소유자는 제공받은 입주 기업 후보군 중에서 하나의 기업을 입주 기업으로서 선택할 수 있을 뿐만 아니라 제공된 입주 기업 후보군에 없는 기업을 입주 기업으로 선택할 수 있다. 부동산 소유자의 기업 선택 결과는 서버(200)로 다시 전송될 수 있다.
데이터베이스(DB)는 부동산들의 정보와 기업들의 정보를 관리할 수 있다. 데이터베이스(DB)는 서버(200)의 내부 또는 외부에 위치할 수 있으며 서버(200)에 포함되거나 서버(200)와 연결될 수 있다.
서버(200)는 기업 정보나 부동산 정보를 전산망을 통해 자동으로 가져올 수 있다. 예를 들어, 서버(200)는 금융감독원의 전자공시시스템(DART) API를 통해 기업의 공시 정보를 파싱해올 수 있다. 서버(200)는 정부에서 운영하는 서버에 접속하여 부동산 등기 정보나 건축물 대장 정보를 파싱해올 수 있다. 이러한 실시 예에서, 기업 또는 부동산 소유자는 기업이나 부동산의 상세 정보들을 사용자 단말기를 통해 직접 입력할 필요없이 기업의 이름이나 부동산 주소와 같이 기업이나 부동산을 특정할 수 있는 정보만을 입력하면 서버(200)에 기업과 부동산의 다양한 정보들이 로딩되어 저장될 수 있다.
도2는 일 실시 예에 따라, 시스템이 특정 기업에 대해 부동산 추천 정보를 제공하는 방법의 흐름도를 나타낸다.
도2를 참조하면, 단계 S1100에서 서버(200)는 빅데이터 내의 복수의 기업들을 소정의 기준들에 기반하여 군집화할 수 있다. 일 실시 예에 따라, 서버(200)는 법인 구분, 국세청 업종 분류 코드, 직원수, 평균 급여액을 기준으로 K-평균 클러스터링(K-means clustering) 기법을 사용하여 복수의 기업들을 N개(N은 양의 정수)의 기업 군집들로 군집화할 수 있다. 법인 구분은 유가 증권(Y), 코스닥(K), 코넥스(N), 및 기타(E)를 포함할 수 있다. 국세청 업종 분류 코드는 국세청에서 분류한 업종 코드를 의미할 수 있다(예를 들어, 축산 관련 서비스업의 업종 코드는 014300, 자동차 제조업은 341004).
도3은 일 실시 예에 따라, 기업들이 군집화된 결과를 나타낸다. 기업 AA, AB, AC, AD의 기업 군집 번호는 각각 4, 1, 3, 1이다. 기업 AB, AD, AF, AH, AJ, AO, AR 은 동일한 기업 군집(군집 번호 1)에 속해있다. 도3은 군집화 결과의 일부일 뿐이며 서버(200)는 수많은 기업들(예를 들어, 10000개 이상)을 소정의 기준들에 기반하여 군집화할 수 있으며 새로운 기업을 추가하여 기존의 군집화 결과를 업데이트할 수도 있다.
다시 도2를 참조하면, 단계 S1200에서, 서버(200)는 빅데이터 내의 복수의 부동산들을 소정의 기준들에 기반하여 군집화할 수 있다. 일 실시 예에 따라, 서버(200)는 대지 위치(예를 들어, 주소), 대지 면적, 건축 면적, 건폐율, 연면적, 용적률, 건축물 구조명, 지역 구분명, 위반 건축물 여부, 용도, 세대수를 기준으로 K-평균 클러스터링(K-means clustering) 기법을 사용하여 복수의 부동산들을 M개(M은 양의 정수)의 부동산 군집들로 군집화할 수 있다.
대지 위치, 대지 면적, 건축 면적, 건폐율 연면적, 용적률은 부동산 등기부 등본이나 건축물 대장에 기재된 정보를 의미할 수 있다. 건축물 구조명의 예는 아래 표 1에 기재된다.
건축물 구조명
제1종근린생활시설
제2종근린생활시설
문화및집회시설
종교시설
판매시설
운수시설
의료시설
교육연구시설
노유자시설
수련시설
운동시설
업무시설
숙박시설
위락시설
공장
창고시설
위험물저장및처리시설
자동차관련시설
동물및식물관련시설
분뇨및쓰레기처리시설
교정및군사시설
방송통신시설
발전시설
묘지관련시설
관광휴게시설
가설건축물
장례식장
근린생활시설
문화및집회시설
판매및영업시설
교육연구및복지시설
공공용시설
지역 구분명의 예는 아래 표 2에 기재된다.
지역 구분명
제1종전용주거지역
제2종전용주거지역
전용주거지역 미분류
제1종일반주거지역
제2종일반주거지역
제3종일반주거지역
일반주거지역 미분류
준주거지역
주거지역 기타
중심상업지역
일반상업지역
근린상업지역
유통상업지역
상업지역 기타
전용공업지역
일반공업지역
준공업지역
공업지역 기타
보전녹지지역
생산녹지지역
자연녹지지역
녹지지역 기타
도시지역 미지정지역
도시지역 기타
도시지역 미분류
도시지역(국토이용관리법)
보전관리지역
생산관리지역
계획관리지역
관리지역 기타
관리지역 미분류
준도시지역(국토이용관리법)
준농림지역(국토이용관리법)
농림지역
농림지역 기타
농림지역 미분류
용도의 예는 백화점, 사무실, 근린 생활 시설, 운동 시설, 업무 시설, 주차장, 판매 시설 등을 포함할 수 있다.
도4는 일 실시 예에 따라, 부동산들이 군집화된 결과를 나타낸다. 도4를 참조하면, 부동산 일련번호 1, 2, 3, 4의 부동산 군집 번호는 각각 9, 8, 9, 7이다. 부동산 일련 번호 1, 3, 8, 10, 11, 12, 13, 17은 동일한 부동산 군집(군집 번호 9)에 속해있다. 도4는 군집화 결과의 일부일 뿐이며 서버(200)는 수많은 부동산들(예를 들어, 10000개 이상)을 소정의 기준들에 기반하여 군집화할 수 있으며 새로운 부동산을 추가하여 기존 군집화 결과를 업데이트할 수 있다.
다시 도2를 참조하면, 단계 S1300에서, 서버(200)는 부동산 추천 정보를 받아보고자 하는 현재 기업(이하, 부동산 후보군 요청 기업)의 기업 군집 정보를 획득할 수 있다. 서버(200)는 부동산 후보군 요청 기업의 법인 구분, 국세청 업종 분류 코드, 직원수, 평균 급여액에 기반하여 현재 서버(200)에 저장되어 있는 군집화 결과들을 구성하는 N개의 기업 군집들 중 부동산 후보군 요청 기업이 속하는 하나의 기업 군집을 결정할 수 있다.
예를 들어, 부동산 후보군 요청 기업의 법인 구분이 기타(E)이고, 업종 분류 코드가 258220이고, 직원수가 3300명이고, 평균 급여액이 3500만원이라면, 부동산 후보군 요청 기업의 군집 번호는 '1'로 결정될 수 있다. 부동산 후보군 요청 기업의 법인 구분이 기타(E)이고, 업종 분류 코드가 017390이고, 직원수가 7명이고, 평균 급여액이 12,000만원이라면, 부동산 후보군 요청 기업의 군집 번호는 '6'으로 결정될 수 있다. 즉, 서버(200)는 K-평균 클러스터링 기법을 통해 데이터베이스(DB)의 수많은 기업들을 N개(N은 양의 정수)의 기업 군집들로 그룹화하고 부동산 후보군 요청 기업이 상기 N개의 기업 군집들 중 어느 기업 군집에 속하는지를 판단할 수 있다. 예를 들어, 부동산 후보군 요청 기업의 법인 구분, 국세청 업종 분류 코드, 직원수, 평균 급여액에 기반하여 N개의 기업 군집들 각각에 대한 평균 값들 중 부동산 후보군 요청 기업과의 거리가 가장 가까운 평균 값을 가지는 특정 기업 군집이 선택될 수 있다.
단계 S1400에서, 서버(200)는 단계 S1300에서 획득된 부동산 후보군 요청 기업의 기업 군집 정보와 부동산 후보군 요청 기업의 다양한 상태 정보들을 부동산 후보군 생성 모델에 입력함으로써 특정 부동산 군집 정보를 획득할 수 있다.
도5는 일 실시 예에 따라, 부동산 후보군 생성 모델의 입력과 출력을 나타낸다.
도5를 참조하면, 부동산 후보군 생성 모델(5000)의 입력 데이터는 특정 기업의 군집 정보와 기업의 다양한 상태 정보들을 포함할 수 있다. 특정 기업은 부동산들을 추천받고자 하는 부동산 후보군 요청 기업일 수 있다. 부동산 후보군 생성 모델(5000)에 입력되는 부동산 후보군 요청 기업의 기업 군집 정보는 도2의 단계 S1300에서 상술한 바와 같이 결정될 수 있다.
기업의 다양한 상태 정보들은 법인 구분, 국세청 업종 분류 코드, 현재 기업 위치, 직원수, 남/녀 직원 비율, 최근 단기 순이익, 시가 총액 정보를 포함할 수 있다. 법인 구분은 유가 증권(Y), 코스닥(K), 코넥스(N), 및 기타(E)를 포함할 수 있다. 국세청 업종 분류 코드는 국세청에서 분류한 업종 코드를 의미할 수 있다. 최근 단기 순이익은 소정의 시간 구간 동안의 순이익을 의미할 수 있다.
부동산 후보군 생성 모델(5000)은 입력된 기업의 상태 정보들과 기업 군집 정보에 대해 연산을 수행하여 부동산 군집 정보(예를 들어, 부동산의 군집 번호)를 출력할 수 있다. 일 실시 예에 따라, 출력되는 부동산 군집 정보는 도2의 단계 S1200에서 획득된 군집화 결과를 구성하는 M개의 군집들 중 하나의 군집 번호일 수 있다.
부동산 후보군 생성 모델(5000)은 상술한 기업의 상태 정보들과 기업 군집 정보를 입력으로 적용하고 부동산 군집 정보를 출력으로 적용하여 기계 학습 기법에 기반하여 생성될 수 있다. 기계 학습 기법은 SVM(Support Vector Machine), 랜덤 포레스트(Random forest), 서포트 벡터 머신(Support Vector Machine: SVM), 나이브 베이즈(Naive Bayes), 적응적 부스팅(Adaptive Boosting: AdaBoost), 랜덤 포레스트(Random Forest), 그래디언트 부스팅(Gradient Boosting), K-평균 클러스터링(K-means clustering), 인공 신경망(Artificial Neural Network) 등을 포함할 수 있다.
부동산 후보군 생성 모델(5000)은 인공 신경망을 탑재할 수 있으며 인공 신경망에 대한 학습은 기계 학습에 기초하여 수행될 수 있다. 일 실시 예에 따라, 부동산 후보군 생성 모델(5000)은 입력 레이어(input layer), 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함하는 뉴럴 네트워크(neural network) 형태의 인공 신경망을 사용하여 출력 결과를 생성할 수 있다. 인공 신경망의 성능을 나타내는 로스(loss)는 출력된 부동산 군집 정보가 부동산 후보군 요청 기업이 실제로 선택한 부동산이 속하는 부동산 군집 정보와 동일할수록 작게 결정될 수 있다. 일 실시 예에 따라, 로스가 감소되도록 시냅스 가중치를 업데이트하는 역 전파(Back Propagation) 알고리즘을 사용하여 인공 신경망에 대한 학습이 수행될 수 있다.
다시 도2를 참조하면, 단계 S1500에서, 획득된 특정 부동산 군집에 포함되는 부동산들이 추천 부동산으로서 기업에게 제공될 수 있다. 도4를 참조하면, 단계 S1400에서 부동산 후보군 생성 모델(5000)이 군집 번호를 '3'으로 출력하면, 일련번호 6,7의 부동산이 부동산 후보군 요청 기업에게 추천될 수 있다. 특정 부동산 군집에 포함되는 부동산들은 현재 군집화 결과에 기 포함된 부동산 뿐만 아니라 소정의 기준에 기반하여 단계 S1400에서 획득된 특정 부동산 군집에 포함될 수 있는 어떠한 부동산도 포함될 수 있다.
도6은 일 실시 예에 따라, 시스템이 특정 부동산에 대해 기업 추천 정보를 제공하는 방법의 흐름도를 나타내고, 도7은 일 실시 예에 따라, 기업 후보군 생성 모델의 입력 데이터와 출력 데이터를 나타낸다. 도2 및 5가 기업이 입주하기 적합한 부동산들에 대한 추천 정보를 제공받는 실시 예이면, 도6 및7은 부동산 소유자가 자신이 소유하고 있는 부동산에 입주할 적합한 기업들에 대한 추천 정보를 제공받는 실시 예이다.
도6을 참조하면, 단계 S2100와 단계 S2200은 도2의 단계 S1100과 단계 S1200과 각각 동일하므로 상세한 설명은 생략한다.
단계 S2300에서, 서버(200)는 입주할 기업에 대한 추천 정보가 필요한 현재 부동산(이하, 기업 후보군 요청 부동산)의 부동산 군집 정보를 획득할 수 있다. 서버(200)는 기업 후보군 요청 부동산의 대지 위치, 대지 면적, 건축 면적, 건폐율, 연면적, 용적률, 건축물 구조명, 지역 구분명, 위반 건축물 여부, 용도, 세대수에 기반하여 현재 저장되어 있는 군집화 결과들의 부동산 군집들 중 기업 후보군 요청 부동산이 어느 부동산 군집에 속하는지 판단할 수 있다. 예를 들어, 기업 후보군 요청 부동산의 대지 위치, 대지 면적, 건축 면적, 건폐율, 연면적, 용적률, 건축물 구조명, 지역 구분명, 위반 건축물 여부, 용도, 세대수에 기반하여 M개(M은 양의 정수)의 부동산 군집들 각각에 대한 평균 값들 중 기업 후보군 요청 부동산과의 거리가 가장 가까운 평균 값을 가지는 특정 부동산 군집이 선택될 수 있다.
단계 S2400에서, 서버(200)는 단계 S2300에서 획득된 기업 후보군 요청 부동산의 부동산 군집 정보와 기업 후보군 요청 부동산의 다양한 상태 정보들을 기업 후보군 생성 모델에 입력함으로써 특정 기업 군집 정보를 획득할 수 있다. 기업 후보군 요청 부동산의 다양한 상태 정보들은 대지 위치(예를 들어, 부동산의 주소), 대지 면적, 연면적, 용적률, 용도, 세대수, 건축물 구조명, 지역 구분명, 주차장 정보(예를 들어, 주차장 유무, 주차장 형태, 주차대수 등), 엘리베이터 정보(예를 들어, 엘리베이터 유무) 등을 포함할 수 있다. 도7을 참조하면, 기업 후보군 생성 모델(7000)의 입력 데이터는 특정 부동산의 부동산 군집 정보와 특정 부동산의 다양한 상태 정보들을 포함할 수 있다. 특정 부동산은 기업 후보군 요청 부동산일 수 있다. 기업 후보군 생성 모델(7000)에 입력되는 기업 후보군 요청 부동산의 군집 정보는 도6의 단계 S2300에서 상술한 바와 같이 결정될 수 있다.
기업 후보군 생성 모델(7000)은 입력된 부동산의 상태 정보들과 부동산 군집 정보에 대해 연산을 수행하여 특정 기업 군집 정보를 출력할 수 있다. 일 실시 예에 따라, 출력되는 기업 군집 정보는 도6의 단계 S2100에서 획득된 군집화 결과를 구성하는 N개의 기업 군집들 중 하나의 기업 군집 번호일 수 있다.
기업 후보군 생성 모델(7000)은 상술한 부동산의 상태 정보들과 부동산 군집 정보를 입력으로 적용하고 기업 군집 정보를 출력으로 적용하여 기계 학습 기법에 기반하여 생성될 수 있다. 기업 후보군 생성 모델(7000)은 인공 신경망을 탑재할 수 있으며 인공 신경망에 대한 학습은 기계 학습에 기초하여 수행될 수 있다. 일 실시 예에 따라, 기업 후보군 생성 모델(7000)은 입력 레이어(input layer), 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함하는 뉴럴 네트워크(neural network) 형태의 인공 신경망을 사용하여 출력 결과를 생성할 수 있다. 인공 신경망의 성능을 나타내는 로스(loss)는 출력된 기업 군집 정보가 기업 후보군 요청 부동산의 소유자가 실제로 계약을 체결한 기업이 속하는 군집 정보와 동일할수록 작게 결정될 수 있다. 일 실시 예에 따라, 로스가 감소되도록 시냅스 가중치를 업데이트하는 역 전파(Back Propagation) 알고리즘을 사용하여 인공 신경망에 대한 학습이 수행될 수 있다.
다시 도6을 참조하면, 단계 S2500에서, 서버(200)는 단계 S2400에서 획득된 특정 기업 군집 번호에 포함되는 기업들을 추천 기업으로서 기업 후보군 요청 부동산의 소유자에게 제공할 수 있다. 도3을 참조하면, 기업 후보군 생성 모델(7000)이 기업 군집 번호를 '3'으로 출력하면, 기업 AC, AG, AK 가 기업 후보군 요청 부동산에게 추천될 수 있다. 특정 기업 군집에 포함되는 기업들은 현재 군집화 결과에 기 포함된 기업 뿐만 아니라 소정의 기준에 기반하여 단계 S2400에서 획득된 특정 기업 군집에 포함될 수 있는 어떠한 기업도 포함될 수 있다. 기업 후보군 요청 부동산은 제공받은 후보군의 기업들을 대상으로 부동산 홍보 자료를 전송하거나 광고함으로써 마케팅 비용을 절감할 수 있으며 신속하게 입주 기업을 모집할 수 있으므로 공실율이 감소할 수 있다.
설명들은 본 발명을 구현하기 위한 예시적인 구성들 및 동작들을 제공하도록 의도된다. 본 발명의 기술 사상은 위에서 설명된 실시 예들뿐만 아니라, 위 실시 예들을 단순하게 변경하거나 수정하여 얻어질 수 있는 구현들도 포함할 것이다. 또한, 본 발명의 기술 사상은 위에서 설명된 실시 예들을 앞으로 용이하게 변경하거나 수정하여 달성될 수 있는 구현들도 포함할 것이다.

Claims (2)

  1. 부동산 추천 정보를 제공하기 위한 적어도 하나의 프로세서에 의해 수행되는 방법에 있어서,
    법인 구분, 국세청 업종 분류 코드, 직원수, 평균 급여액을 기준으로 K-평균 클러스터링을 이용하여 복수의 기업들을 N개(N은 양의 정수)의 기업 군집들로 군집화하는 제1단계;
    대지 위치, 대지 면적, 건축 면적, 건폐율, 연면적, 용적률, 건축물 구조명, 지역 구분명, 위반 건축물 여부, 용도, 세대수를 기준으로 K-평균 클러스터링을 이용하여 복수의 부동산들을 M개(M은 양의 정수)의 부동산 군집들로 군집화하는 제2단계;
    상기 제1단계의 군집화 결과인 상기 N개의 기업 군집들 중에서 부동산 정보를 추천받고자 하는 부동산 후보군 요청 기업이 속하는 하나의 기업 군집을 결정하는 제3단계;
    상기 제3단계에서 결정된 하나의 기업 군집에 대한 정보와 상기 부동산 후보군 요청 기업의 상태 정보들을 기계 학습 기법에 기반하여 생성된 부동산 후보군 생성 모델에 입력함으로써 상기 제2단계의 군집화 결과인 상기 M개의 부동산 군집들 중 하나의 부동산 군집에 대한 정보를 획득하는 제4단계; 및
    상기 부동산 후보군 요청 기업에게 상기 제4단계에서 획득된 상기 하나의 부동산 군집에 포함되는 부동산들을 추천 부동산으로서 제공하는 제5단계를 포함하고,
    상기 부동산 후보군 생성 모델에 입력되는 상태 정보들은 법인 구분, 국세청 업종 분류 코드, 현재 기업 위치, 직원수, 남/녀 직원 비율, 최근 단기 순이익, 시가 총액 정보를 포함하고,
    상기 부동산 후보군 생성 모델은, 기업들 각각의 기업 군집에 대한 정보와 상기 상태 정보들을 입력으로 적용하고 상기 기업들 각각이 최종적으로 선택한 부동산의 부동산 군집에 대한 정보를 출력으로 적용하는 기계 학습 기법에 기반하여 생성되는 부동산 추천 정보를 제공하기 위한 방법.
  2. 삭제
KR1020210012056A 2021-01-28 2021-01-28 빅데이터에 기반한 부동산 추천 방법 및 시스템 KR102338059B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210012056A KR102338059B1 (ko) 2021-01-28 2021-01-28 빅데이터에 기반한 부동산 추천 방법 및 시스템
KR1020210116053A KR20220109294A (ko) 2021-01-28 2021-09-01 부동산 소유자에게 빅데이터에 기반하여 입주 기업 추천 정보를 제공하기 위한 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210012056A KR102338059B1 (ko) 2021-01-28 2021-01-28 빅데이터에 기반한 부동산 추천 방법 및 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210116053A Division KR20220109294A (ko) 2021-01-28 2021-09-01 부동산 소유자에게 빅데이터에 기반하여 입주 기업 추천 정보를 제공하기 위한 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102338059B1 true KR102338059B1 (ko) 2021-12-10

Family

ID=78865599

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210012056A KR102338059B1 (ko) 2021-01-28 2021-01-28 빅데이터에 기반한 부동산 추천 방법 및 시스템
KR1020210116053A KR20220109294A (ko) 2021-01-28 2021-09-01 부동산 소유자에게 빅데이터에 기반하여 입주 기업 추천 정보를 제공하기 위한 방법 및 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210116053A KR20220109294A (ko) 2021-01-28 2021-09-01 부동산 소유자에게 빅데이터에 기반하여 입주 기업 추천 정보를 제공하기 위한 방법 및 시스템

Country Status (1)

Country Link
KR (2) KR102338059B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101692712B1 (ko) 2014-10-29 2017-01-04 조두영 업종 맞춤형 입지분석 서비스 제공 방법 및 기록매체
KR101806830B1 (ko) * 2016-08-09 2017-12-08 박준서 상업용 부동산 매칭 방법, 장치 및 컴퓨터 판독 가능한 기록 매체
KR102160612B1 (ko) * 2020-03-30 2020-09-28 이승우 폐쇄형 플랫폼 기반 조건 매칭형 부동산 중개 서비스 제공 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101692712B1 (ko) 2014-10-29 2017-01-04 조두영 업종 맞춤형 입지분석 서비스 제공 방법 및 기록매체
KR101806830B1 (ko) * 2016-08-09 2017-12-08 박준서 상업용 부동산 매칭 방법, 장치 및 컴퓨터 판독 가능한 기록 매체
KR102160612B1 (ko) * 2020-03-30 2020-09-28 이승우 폐쇄형 플랫폼 기반 조건 매칭형 부동산 중개 서비스 제공 시스템

Also Published As

Publication number Publication date
KR20220109294A (ko) 2022-08-04

Similar Documents

Publication Publication Date Title
Shaw Independent creative subcultures and why they matter
Liang et al. Cultural and creative industries and urban (re) development in China
Booyens Creative industries, inequality and social development: Developments, impacts and challenges in Cape Town
Hall Creative cities and economic development
Cheshire A new phase of urban development in Western Europe? The evidence for the 1980s
Zukin Seeing like a city: how tech became urban
Gutiérrez et al. Understanding the spatiality of short-term rentals in Spain: Airbnb and the intensification of the commodification of housing
Talen et al. Does the classic American main street still exist? An exploratory look
Segal The Economics of Neighborhood: Studies in Urban Economics
Machado et al. Urban amenities and the development of creative clusters: the case of Brazil
Baerwald The site selection process of suburban residential builders
Chen et al. Examining spatial pattern and location choice of affordable housing in Beijing, China: Developing a workable assessment framework
Moeller Culturally clustered or in the cloud? How amenities drive firm location decision in Berlin
Méndez-Ortega et al. Do software and video game firms share location patterns across cities? Evidence from Barcelona, Lyon and Hamburg
Maddah et al. Detection of geographical clustering: cultural and creative industries in Barcelona
Reuschke et al. Locating creativity in the city using Twitter data
Frenkel et al. The joint choice of tenure, dwelling type, size and location: the effect of home-oriented versus culture-oriented lifestyle
Couch et al. Metropolitan planning and the phenomenon of reurbanisation: The example of Liverpool
Collins et al. Cost-competitive places: shifting fortunes and the closure of Dell’s manufacturing facility in Ireland
Rytkönen et al. Facing business challenges with the Stockholm Archipelago as a context: A comparative study of entrepreneurial responses and local development on three islands
KR102338059B1 (ko) 빅데이터에 기반한 부동산 추천 방법 및 시스템
Gotham et al. Urbanization
Sonn et al. Reformulating the developmental state theory to explain Chinese spatial planning
Jovanović et al. Functional Metamorphosis of New Belgrade
Champion Hobson's choice? Constraints on accessing spaces of creative production in a transforming industrial conurbation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant