KR102588541B1 - 오토매장 세팅 및 직원 관리 시스템 - Google Patents
오토매장 세팅 및 직원 관리 시스템 Download PDFInfo
- Publication number
- KR102588541B1 KR102588541B1 KR1020230078101A KR20230078101A KR102588541B1 KR 102588541 B1 KR102588541 B1 KR 102588541B1 KR 1020230078101 A KR1020230078101 A KR 1020230078101A KR 20230078101 A KR20230078101 A KR 20230078101A KR 102588541 B1 KR102588541 B1 KR 102588541B1
- Authority
- KR
- South Korea
- Prior art keywords
- store
- information
- mode
- constant
- auto
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 238000012544 monitoring process Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 34
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012045 salad Nutrition 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/10—Office automation; Time management
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
이동 단말; 및 상기 이동 단말로부터 매장에서 발생하는 순이익금 정보를 입력 받고, 상기 순이익금 정보를 분석하여 매장 운영 모드의 전환 여부를 결정하는 제어 서버;를 포함하는, 오토매장 세팅 및 직원 관리 시스템을 개시한다.
Description
본 발명은 오토매장 세팅 및 직원 관리 시스템에 관한 것이다.
일반적으로 종래의 매장관리 시스템은 무선랜을 이용한 고객 관리 및 마일리지 제공 시스템, RFID 기술 기반의 지능형 스마트 쇼핑 시스템, 타겟 광고 서비스 제공 시스템, 역방향 주문결재 시스템 등이 있다. 구체적으로는 상품소개를 위한 상품리스트 및 메뉴 등의 구성, 가격안내를 위한 가격표시, 주문 또는 배달을 위한 배달프로그램, 주문에 대한 제작 또는 제조 지시 및 관련 시스템, 대금 및 요금의 결제를 위한 결제시스템, 매장 이용과 관련된 안내 및 편의를 위해 제공되는 프로그램, 매장 및 이용자를 대상으로 하는 기업의 홍보 또는 매장의 자체 홍보 및 마케팅을 위한 광고 및 마케팅 방법 및 그와 관련된 시스템 등 매장에서 필요한 제반 관리 시스템 및 프로그램이 있다.
최근 유통산업은 무인화 트렌드가 확산되고 있다. 카페, 레스토랑, 의류매장, 헬스, 샐러드전문점, 코스메틱 스토어 등 다양한 무인매장들이 등장하고 있고, 이와 함께 유통산업은 IT 기술과 융합하여 서비스 혁신을 이루 고 있다. 국내외 무인 매장들의 공통점은 딥러닝 기반 인공지능, 정맥인증 결제 서비스, QR 코드, 빅데이터 기 술 등 매장 내 최첨단 기술을 기반으로 고객에게 편리한 경험뿐만 아니라 독특하고 개인에게 최적화된 경험을 제공하며, AR, VR 등 다양한 기술이 도입됨으로써 이전과 다른 새로운 고객경험이 창출되고 있다. 코로나 및 매장의 무인화 트렌드로 인하여 언택트 문화가 빠르게 확산되고 있으며, 소비생활에서 직원과의 대면 없이, 키오스크, 챗봇, 모바일 등으로 사람과 접촉하지 않거나 접촉을 최소화해 서비스를 제공받는 방식에 대한 니즈가 증가하고 있다. 이에, 창업주에게는 대체인력 또는 대체인력 없이 무인으로 운영될 수 있도록 하는 플랫폼의 연구 및 개발이 요구되는 실정이다.
본 발명의 일측면은 매장의 순이익이 일정 금액 이상으로 되었을 때에 창업자를 관리자로 등록하여 오토매장으로 전환 세팅하는 시스템을 개시한다.
본 발명의 다른 측면은 오토매장의 매니저를 비롯한 직원들의 관리가 체계적으로 이루어지도록 관리하는 직원 관리 시스템을 개시한다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 시스템은 이동 단말; 및 상기 이동 단말로부터 매장에서 발생하는 순이익금 정보를 입력 받고, 상기 순이익금 정보를 분석하여 매장 운영 모드의 전환 여부를 결정하는 제어 서버;를 포함한다.
한편, 상기 제어 서버는, 상기 이동 단말을 통해 창업자로부터 순이익금 정보를 소정 주기로 입력 받고, 상기 매장에서 발생하는 순이익금이 기준 이익금을 초과하는지 여부를 모니터링하는 이익금 모니터링부; 상기 이익금 모니터링부에서의 모니터링 결과에 따라 창업자가 매장 운영시간의 적어도 일부 동안 상주하여 운영하는 모드인 오프라인 매장 모 드에서 창업자가 매장에서 상주하지 않는 운영 모드인 오토 매장 모드로 전환하는 오토매장 전환 세팅부; 상기 오토매장 전환 세팅부에 의해 오프라인 매장 모드에서 오토 매장 모드로 전환된 경우, 상기 이동 단말을 통해 월 매출 정보를 입력 받고, 상기 월 매출 정보를 모니터링하여 오토 매장 모드의 운영 점수를 평가하는 매장 운영 전환부; 및 매장 내 복수의 직원들 각각의 업무 분장 정보를 생성하는 직원 관리부;를 포함하고,
상기 직원 관리부는, 상기 이동 단말을 통해 이름, 성별, 나이, 경력, 자기소개서 및 업무 시간을 포함하는 매장 직원 정보 및 업종, 규모, 직원 포지션, 직원 업무 및 운영 시간을 포함하는 매장 운영 정보를 입력 받고, 매장 직원 정보 및 매장 운영 정보를 입력 데이터로 생성하고, 입력 데이터에 대하여 업무 분장 정보의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력하여 출력 데이터를 획득하고, 출력 데이터를 각 직원의 업무 분장 정보로 설정할 수 있다.
또한, 상기 오토매장 전환 세팅부는, 상기 이동 단말을 통해 매장 유형, 매장 규모, 매장 운영 기간, 매장 위치, 초기 투자금 및 평균 운영 비용을 포함하는 매장 정보를 입력 받고, 매장 정보를 아래 수학식 1에 적용하여 모니터링 점검 횟수를 설정하고, 소정의 모니터링 기간 동안 수학식 1에 따라 산출되는 모니터링 점검 횟수 이상 순이익금 정보가 기준 이익금을 초과하는 것으로 확인되는 경우, 매장 운영 모드를 전환할 수 있다.
[수학식 1]
(수학식 1에서 R은, a는 데이터베이스에 저장된 복수의 매장 정보 중 창업자가 입력한 매장 유형과 동일한 매장 정보가 차지하는 백분율, A는 창업자가 입력한 매장 규모로, 그 규모에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 매장 규모가 클수록 큰 상수로 설정됨), P는 창업자가 입력한 매장 운영 기간으로, 그 기간에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 매장 운영 기간이 길수록 큰 상수로 설정됨), D는 창업자가 입력한 매장 위치와 소정 거리 이내에 위치하는 다른 매장의 개수, B는 창업자가 입력한 평균 운영 비용으로, 그 비용에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 비용이 높을수록 큰 상수로 설정됨), Ba는 창업자가 입력한 초기 투자금으로 그 비용에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 비용이 높을수록 큰 상수로 설정됨)로 정의됨.)
상술한 본 발명의 일 측면에 따르면, 이익금 모니터링에 따라 창업자가 상주하는 오프라인 매장을 오토매장으로 전환 세팅할 수 있도록 하며, 직원 급여 산출, 업무 분장 등의 직원 관리 서비스를 제공하여 매장 관리를 용이하게 하고, 매장 운영의 효율을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 관리 서버의 개념도이다.
도 3은 본 발명의 다른 실시예에 따른 관리 서버의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 관리 서버의 개념도이다.
도 3은 본 발명의 다른 실시예에 따른 관리 서버의 개념도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.
도 1은 본 발명의 일 실시예에 따른 오토매장 세팅 및 직원 관리 시스템의 개념도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 오토매장 세팅 및 직원 관리 시스템(1)은 제어 서버(100) 및 이동 단말(200)을 포함할 수 있다.
제어 서버(100)는 본 발명에 따른 오토매장 세팅 및 직원 관리 서비스를 제공할 수 있다.
제어 서버(100)는 본 발명에 따른 서비스를 제공하기 위한 자체 서버이거나 클라우드 서버일 수도 있고 분산된 노드들의 p2p(peer-to-peer) 집합일 수 있다.
제어 서버(100)는 일반적인 컴퓨터가 갖는 연산, 저장, 참조, 입출력, 제어 기능 중 어느 하나 이상을 수행할 수 있고, 입력 데이터를 바탕으로 후술할 인공 신경망을 포함할 수 있다.
제어 서버(100)는 프로세서 및 메모리를 포함할 수 있다. 프로세서는 본 발명에 따른 오토매장 세팅 및 직원 관리 서비스를 수행할 수 있고, 이를 수행할 수 있는 장치들을 포함할 수 있다. 프로세서는 프로그램을 실행하거나 제어 서버(100)를 제어할 수도 있다. 프로세서에 의해 실행되는 프로그램 코드는 메모리에 저장될 수 있다. 메모리는 본 발명에 따른 오토매장 세팅 및 직원 관리 서비스를 수행하기 위한 관련 정보들을 저장하거나 방법을 구현하기 위한 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리거나 비휘발성 메모리일 수 있다.
제어 서버(100)는 네트워크를 이용하여 외부 장치에 데이터를 발신하거나 외부 장치로부터 데이터를 수신할 수 있다.
제어 서버(100)는 인공 신경망을 학습시킬 수 있고, 학습이 완료된 인공 신경망을 이용할 수도 있다. 프로세서는 메모리에 저장된 인공 신경망을 학습시키거나 실행할 수 있고, 메모리는 학습 완료된 인공 신경망을 저장할 수 있다. 인공 신경망을 학습시키는 전자 장치와 이용하는 전자 장치는 동일할 수 있지만 별개일 수도 있다.
인공지능은 인간의 뇌의 기능을 일부 구현한 컴퓨터 시스템으로, 스스로 학습하고 추측하고 판단할 수 있다. 학습을 진행할수록 답을 추출할 확률이 높아질 수 있다. 인공지능은 학습과 그것을 이용한 요소 기술들로 구성될 수 있다. 인공지능의 학습은 입력 데이터를 바탕으로 특징을 분류와 학습을 하는 알고리즘 기술이고, 요소 기술들은 학습 알고리즘을 이용하여 인간의 뇌의 기능을 일부 구현하는 기술일 수 있다.
인공지능은 확률적으로 여러 답이 나올 수 있는 문제에 접근하기 쉬운 기술로써 어떠한 입력 데이터에 따르는 최적의 주기와 방법, 계획 등을 논리적이고 확률적으로 추론할 수 있다. 인공지능의 추론 기술은 입력 데이터를 판단하고 최적화 예측, 지식과 확률 기반 추론, 선호 기반 계획 등을 포함할 수 있다.
인공신경망은 기계학습 분야의 학습 알고리즘 중 하나로 뇌의 뉴런과 시냅스의 연결을 프로그램으로 구현한 것이다. 인공신경망은 프로그램으로 신경망의 구조를 만든 다음 학습시켜 원하는 기능을 가지게 할 수 있다. 오차가 존재할 수 있지만 거대한 데이터를 바탕으로 학습하여 입력 데이터를 가지고 적절한 출력 데이터를 출력할 수 있다. 통계적으로 좋은 결과를 얻었던 출력 데이터를 획득할 수 있고 인간의 추론과 유사하다는 장점이 있다.
제어 서버(100)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 이익금 기준 금액을 산출할 수 있으며, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 또한, 제어 서버(100)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 매니저의 급여를 산출할 수 있으며, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 또한, 제어 서버(100)는 빅데이터를 기반으로 구축된 인공지능 알고리즘을 이용하여 직원 별 업무 분담 정보를 산출할 수 있으며, 이를 위해 미리 학습된 다수의 인공 신경망을 포함할 수 있다.
네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다.
네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다.
이동 단말(200)은 데스크탑 컴퓨터, 랩탑, 태블릿, 스마트폰 등 네트워크를 통해 데이터를 주고받을 수 있는 단말이면 모두 포함될 수 있다.
이동 단말(200)은 본 발명에 따른 서비스를 수행하기 위하여 컴퓨터가 가지는 연산 기능, 저장 기능, 참조 기능, 입출력 기능, 제어 기능 중 어느 하나 이상을 포함할 수 있다.
이동 단말(200)은 본 발명에 따른 서비스를 제공받기 위하여 웹사이트에 접속하거나 애플리케이션을 설치할 수 있다. 이동 단말(200)은 웹사이트 또는 애플리케이션을 통하여 데이터를 주고받을 수 있다.
네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷(Internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다.
네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동 통신망의 일 실시 예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다. 이 경우 도면에 도시되진 않았지만, 네트워크(300)는 RNC(Radio Network Controller)을 포함할 수 있다. 한편, WCDMA망을 일 예로 들었지만, 3G LTE망, 4G망 그 밖의 5G 등 차세대 통신망, 그 밖의 IP를 기반으로 한 IP망일 수 있다.
이와 같은 본 발명의 일 실시예에 따른 오토매장 세팅 및 직원 관리 시스템(1)은 이익금 모니터링에 따라 창업자가 상주하는 오프라인 매장을 오토매장으로 전환 세팅할 수 있도록 하며, 직원 급여 산출, 업무 분장 등의 직원 관리 서비스를 제공하여 매장 관리를 용이하게 하고, 매장 운영의 효율을 높일 수 있다.
도 2는 본 발명의 일 실시예에 따른 제어 서버의 개념도이다.
도 2를 참조하면, 제어 서버(100)는 이익금 모니터링부(110), 오토매장 전환 세팅부(120) 및 매장 운영 전환부(130)를 포함할 수 있다.
이익금 모니터링부(110)는 매장에서 발생하는 순이익금을 모니터링할 수 있다. 예를 들면, 이익금 모니터링부(110)는 이동 단말(200)을 통해 창업자로부터 순이익금 정보를 소정 주기로 입력 받을 수 있다.
이익금 모니터링부(110)는 매장에서 발생하는 순이익금이 기준 이익금을 초과하는지 여부를 모니터링할 수 있다. 본 실시예에서 매장에서 발생하는 순이익금이 기준 이익금을 초과하는 경우, 오프라인 매장 모드에서 오토 매장 모드로 전환할 수 있다. 오프라인 매장 모드는 창업자가 매장 운영시간의 적어도 일부 동안 상주하여 운영하는 모드이고, 오토 매장 모드는 창업자가 매장에 상주하지 않고 직원들이 운영하는 모드이다.
이익금 모니터링부(110)는 오프라인 매장 모드로 설정된 경우, 매장에서 발생하는 순이익금을 모니터링하여 기준 이익금을 초과하는지 여부를 확인할 수 있다.
이익금 모니터링부(110)는 인공지능 신경망을 이용하여 기준 이익금을 설정할 수 있다.
예를 들면, 이익금 모니터링부(110)는 매장 유형, 매장 규모, 매장 운영 기간, 매장 위치, 초기 투자금 및 평균 운영 비용을 포함하는 복수의 매장 정보를 입력 데이터로 생성하고, 입력 데이터에 대하여 순이익금의 결과 데이터의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력할 수 있다.
이익금 모니터링부(110)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 기준 이익금으로 설정할 수 있다.
본 실시예에서 이익금 모니터링부(110)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 이동 단말(200)을 통해 창업자가 입력하는 매장 정보에 대하여 기준 이익금을 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Nave Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 제어 수치 데이터로, 온도, 압력 및 pH 농도 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 제어 신호를 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
오토매장 전환 세팅부(120)는 이익금 모니터링부(110)에서의 이익금 모니터링 결과에 따라 매장 운영 모드를 오프라인 매장 모드에서 오토 매장 모드로 전환 세팅할 수 있다.
오토매장 전환 세팅부(120)는 소정의 모니터링 기간 동인 이익금이 기준 이익금을 초과하는 것으로 확인되는 경우, 오프라인 매장 모드에서 오토 매장 모드로 전환할 수 있다. 이와 같은 경우, 오토매장 전환 세팅부(120)는 창업자 정보를 관리자 정보로 전환시켜 등록할 수 있다.
한편, 오토매장 전환 세팅부(120)는 이동 단말(200)을 통해 창업자로부터 매장 유형, 매장 규모, 매장 운영 기간, 매장 위치, 초기 투자금 및 평균 운영 비용을 포함하는 매장 정보를 입력 받을 수 있으며, 매장 정보를 아래 수학식 1에 적용하여 모니터링 점검 횟수를 설정할 수 있다.
[수학식 1]
수학식 1에서 R은 모니터링 점검 횟수, a는 데이터베이스에 저장된 복수의 매장 정보 중 창업자가 입력한 매장 유형과 동일한 매장 정보가 차지하는 백분율, A는 창업자가 입력한 매장 규모로, 그 규모에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 매장 규모가 클수록 큰 상수로 설정됨), P는 창업자가 입력한 매장 운영 기간으로, 그 기간에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 매장 운영 기간이 길수록 큰 상수로 설정됨), D는 창업자가 입력한 매장 위치와 소정 거리 이내에 위치하는 다른 매장의 개수, B는 창업자가 입력한 평균 운영 비용으로, 그 비용에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 비용이 높을수록 큰 상수로 설정됨), Ba는 창업자가 입력한 초기 투자금으로 그 비용에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 비용이 높을수록 큰 상수로 설정됨)로 정의될 수 있다.
예를 들면, a가 0.5이고, A가 10, P가 3, D가 6, B가 9, Ba가 6인 경우, R은 4.88로 산출될 수 있으며, 이를 반올림하여 5로 산출될 수 있다. 이와 같은 경우, 오토매장 전환 세팅부(120)는 소정의 모니터링 기간 동안 5회 이상 이익금이 기준 이익금을 초과하는 것으로 확인되는 경우, 매장 운영 모드를 전환할 수 있다.
수학식 1에 따르면 매장 규모 대비 매장 운영 기간이 짧거나 매장 위치와 소정 거리 이내에 다른 매장이 위치하는 개수에 따라 모니터링 점검 횟수를 짧게 하고, 초기 투자금과 평균 운영 비용의 차이가 클수록 모니터링 점검 횟수를 길게 함으로서 운영 모드 전환의 정확도와 효율성을 높여 매출 증대 효과를 극대화할 수 있다.
매장 운영 전환부(130)는 오프라인 매장 모드에서 오토 매장 모드로 전환된 경우, 이동 단말(200)을 통해 관리자로부터 월 매출 정보를 입력 받을 수 있다.
매장 운영 전환부(130)는 월 매출 정보를 모니터링하여 오토 매장 모드의 운영 점수를 평*하고, 오토 매장 모드의 운영 점수가 기준 점수 이하인 경우, 오프라인 매장 모드로 전환할 수 있다.
예를 들면, 매장매영 전환부(130)는 아래 수학식 2를 이용하여 오토 매장 모드의 운영 점수를 산출할 수 있다.
[수학식 2]
수학식 2에서 S는 오토 매장 모드의 운영 점수, n은 오토 매장 모드의 운영 달, M(k)는 오토 매장 모드의 k번째 운영 달에 월 매출의 증감률, sp는 기준 이익금, sl은 이전 달에 비해 월 매출이 증가한 횟수, ss는 전체 기간 n 중에서 미리 설정된 성수기 기간에 속하는 달을 의미한다.
여기서, n=3, M(1)=0, M(2)=10, M(3)=-20, sl=1, ss=3, sq=100인 경우, S는 -5.3으로 산출될 수 있다.
이와 같은 수학식 2에 따르면 오토 매장 모드로의 운영 기간 동안의 월 매출 이력 및 기준 이익금, 특수 상황 등을 반영하여 운영 점수를 산출함으로써 오토 매장 모 드의 운영 성과 파악의 정확도를 높일 수 있다.
매장 운영 전환부(130)는 오토 매장 모드의 운영 점수가 기준점수 이하인 경우, 오프라인 매장 모드로 전환할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 제어 서버의 개념도이다.
도 3을 참조하면, 본 실시예에 따른 제어 서버(101)는 도 2에 도시된 이익금 모니터링부(110), 오토매장 전환 세팅부(120) 및 매장 운영 전환부(130)에 더하여 직원 관리부(140)를 더 포함할 수 있다.
직원 관리부(140)는 매장 내 복수의 직원들 각각의 업무 분장 정보를 생성할 수 있다.
직원 관리부(140)는 이동 단말(200)을 통해 관리자로부터 매장 직원 정보 및 매장 운영 정보를 입력 받을 수 있다. 매장 직원 정보는 이름, 성별, 나이, 경력, 자기소개서, 업무 시간을 포함할 수 있다. 매장 운영 정보는 업종, 규모, 직원 포지션, 직원 업무, 운영 시간 등을 포함할 수 있다.
직원 관리부(140)는 인공지능 신경망을 이용하여 매장 내 복수의 직원들 각각의 업무 분장 정보를 생성할 수 있다.
예를 들면, 직원 관리부(140)는 매장 직원 정보 및 매장 운영 정보를 입력 데이터로 생성하고, 입력 데이터에 대하여 업무 분장 정보의 출력을 위해 학습된 인공 싱경망에 입력 데이터를 입력할 수 있다.
직원 관리부(140)는 인공 신경망으로부터 출력 데이터를 획득하고, 출력 데이터를 각 직원의 업무 분장 정보로 설정할 수 있다.
본 실시예에서 직원 관리부(140)는 기계 학습 알고리즘의 수행을 위하여 미리 학습된 다수의 인공 신경망을 포함할 수 있다. 기계 학습으로 입력 데이터를 바탕으로 출력 데이터를 출력하고 이것의 결과를 이용해 스스로 학습할 수도 있고 이로 인해 스스로 데이터 처리 능력이 향상될 수 있다. 인공 신경망은 입력 데이터를 바탕으로 특징을 추출하고 규칙성을 추측하여 결과데이터를 출력할 수 있고 이러한 과정이 쌓일수록 결과 데이터의 신뢰도가 높아지게 된다.
본 실시예에서 인공 신경망은 이동 단말(200)을 통해 창업자가 입력하는 매장 운영 정보 및 매장 직원 정보에 대하여 업무 분장 정보를 출력하는 알고리즘일 수 있다. 인공 신경망은 빅데이터를 그대로 입력 데이터로 하거나 불필요한 데이터를 정리하는 처리 과정을 거친 후 입력 데이터로 하여 최상의 출력 데이터를 추론할 수 있다.
인공지능 기계 학습 모델은 학습 종류에 따라 Super Viser Learning(지도학습), UnSuper Viser Learning(비지도 학습), Semisupervised learning(반지도 학습), Reinforcement Learning(강화 학습) 등이 있다. 그리고 기계 학습 알고리즘으로 Decision Tree(의사 결정 트리), K-Nearest Neightbor, Artificial Neural Network(인공 신경망), Support Vector Machine, Ensemble Learning, Gradient Descent(기울기 하강법), Nave Bayes Classifier, Hidden Markov Model, K-Means Clustering 등이 사용될 수 있다.
인공 신경망은 수많은 인공 뉴런들을 몇 개의 층으로 쌓고 연결할 수 있다. 인공 신경망의 입력 데이터에는 제어 수치 데이터로, 온도, 압력 및 pH 농도 중 적어도 하나 이상을 포함할 수 있다. 인공 신경망은 입력 데이터에 포함될 수 있는 여러 입력 값들에 대해 미리 학습된 상태일 수 있다. 인공 신경망은 사용자가 입력하는 데이터에 따른 제어 신호를 추론하여 출력 데이터를 출력할 수 있다.
인공 신경망은 학습방식 중 하나인 reinforcement learning(강화 학습)에 따라 학습되는 인공 신경망일 수 있다. 강화 학습은 보수와 제한을 설정하여 점차 올바른 결과를 획득할 확률을 올려가는 방식이다.
인공 신경망은 Convelutional Neural Network(CNN, 합성곱 신경망)이나 Recurrent Neural Network(RNN, 순환 신경망)에 기반하여 모델링될 수도 있다.
직원 관리부(140)는 업무 분장 정보에 따라 직원 급여 정보를 산출할 수 있다.
직원 관리부(140)는 미리 저장된 업무 분장 정보에 따른 급여 테이블에 따라 직원 별 급여 정보를 산출할 수 있다.
직원 관리부(140)는 직원 중 따라 매니저로 추출된 직원의 경우, 급여 정보를 가산할 수 있다.
직원 관리부(140)는 이동 단말(200)을 통해 매니저 평가 정보를 입력 받을 수 있다. 매니저 평가 정보는 매니저 업무 일자, 매니저 자가 평가 문답표, 이벤트 발생 횟수 등을 포함할 수 있다.
[수학식 3]
수학식 3에서 Pa는 가산된 매니저 급여, n은 매니저 업무 일자, E(n)은 이벤트 발생 여부에 따라 1 또는 0, pt는 급여 테이블에 따른 급여, bi는 매니저 자가 평가 문답표에서 공백인 경우 1, wi는 매니저 자가 평가 문답표에서 특정 키워드가 포함된 경우 1로 설정될 수 있다.
예를 들면, n=30, , pt=50000, 로 산출되는 경우, 66,666으로 산출될 수 있다.
이와 같이, 직원 관리부(140)는 매니저의 경우, 업무 일자 동안의 이벤트 발생 여부와 자가 평가 문답표에 따라 월급을 산출하는데, 높은 월급 가산을 위해 자가 문답표의 공백 부분의 달성을 독려함으로써 직원 업무 능력 향상과 나아가 매출 증진의 효과를 달성할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
1: 오토매장 세팅 및 직원 관리 시스템
100: 제어 서버
200: 이동 단말
100: 제어 서버
200: 이동 단말
Claims (3)
- 이동 단말; 및
상기 이동 단말로부터 매장에서 발생하는 순이익금 정보를 입력 받고, 상기 순이익금 정보를 분석하여 매장 운영 모드의 전환 여부를 결정하는 제어 서버;를 포함하고,
상기 제어 서버는,
상기 이동 단말을 통해 창업자로부터 순이익금 정보를 소정 주기로 입력 받고, 상기 매장에서 발생하는 순이익금이 기준 이익금을 초과하는지 여부를 모니터링하는 이익금 모니터링부;
상기 이익금 모니터링부에서의 모니터링 결과에 따라 창업자가 매장 운영시간의 적어도 일부 동안 상주하여 운영하는 모드인 오프라인 매장 모 드에서 창업자가 매장에서 상주하지 않는 운영 모드인 오토 매장 모드로 전환하는 오토매장 전환 세팅부;
상기 오토매장 전환 세팅부에 의해 오프라인 매장 모드에서 오토 매장 모드로 전환된 경우, 상기 이동 단말을 통해 월 매출 정보를 입력 받고, 상기 월 매출 정보를 모니터링하여 오토 매장 모드의 운영 점수를 평가하는 매장 운영 전환부; 및
매장 내 복수의 직원들 각각의 업무 분장 정보를 생성하는 직원 관리부;를 포함하고,
상기 직원 관리부는,
상기 이동 단말을 통해 이름, 성별, 나이, 경력, 자기소개서 및 업무 시간을 포함하는 매장 직원 정보 및 업종, 규모, 직원 포지션, 직원 업무 및 운영 시간을 포함하는 매장 운영 정보를 입력 받고, 매장 직원 정보 및 매장 운영 정보를 입력 데이터로 생성하고, 입력 데이터에 대하여 업무 분장 정보의 출력을 위해 학습된 인공 신경망에 입력 데이터를 입력하여 출력 데이터를 획득하고, 출력 데이터를 각 직원의 업무 분장 정보로 설정하고,
상기 오토매장 전환 세팅부는,
상기 이동 단말을 통해 매장 유형, 매장 규모, 매장 운영 기간, 매장 위치, 초기 투자금 및 평균 운영 비용을 포함하는 매장 정보를 입력 받고, 매장 정보를 아래 수학식 1에 적용하여 모니터링 점검 횟수를 설정하고, 소정의 모니터링 기간 동안 수학식 1에 따라 산출되는 모니터링 점검 횟수 이상 순이익금 정보가 기준 이익금을 초과하는 것으로 확인되는 경우, 매장 운영 모드를 전환하고,
[수학식 1]
(수학식 1에서 R은, a는 데이터베이스에 저장된 복수의 매장 정보 중 창업자가 입력한 매장 유형과 동일한 매장 정보가 차지하는 백분율, A는 창업자가 입력한 매장 규모로, 그 규모에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 매장 규모가 클수록 큰 상수로 설정됨), P는 창업자가 입력한 매장 운영 기간으로, 그 기간에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 매장 운영 기간이 길수록 큰 상수로 설정됨), D는 창업자가 입력한 매장 위치와 소정 거리 이내에 위치하는 다른 매장의 개수, B는 창업자가 입력한 평균 운영 비용으로, 그 비용에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 비용이 높을수록 큰 상수로 설정됨), Ba는 창업자가 입력한 초기 투자금으로 그 비용에 따라 설정되는 상수(예를 들면, 1부터 10까지의 상수에서 비용이 높을수록 큰 상수로 설정됨)로 정의됨.)
상기 매장 운영 전환부는,
오토 매장 모드의 운영 달, 월 매출의 증감률, 기준 이익금, 이전 달에 비해 월 매출이 증가한 횟수 및 미리 설정된 성수기 기간에 속하는 달을 아래 수학식 2에 적용하여 오토 매장 모드의 운영 점수를 산출하고, 상기 오토 매장 모드의 운영 점수가 기준점수 이하인 경우, 오프라인 매장 모드로 전환하는, 오토매장 세팅 및 직원 관리 시스템.
[수학식 2]
(수학식 2에서 S는 오토 매장 모드의 운영 점수, n은 오토 매장 모드의 운영 달, M(k)는 오토 매장 모드의 k번째 운영 달에 월 매출의 증감률, sp는 기준 이익금, sl은 이전 달에 비해 월 매출이 증가한 횟수, ss는 전체 기간 n 중에서 미리 설정된 성수기 기간에 속하는 달을 의미함.)
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230078101A KR102588541B1 (ko) | 2023-06-19 | 2023-06-19 | 오토매장 세팅 및 직원 관리 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230078101A KR102588541B1 (ko) | 2023-06-19 | 2023-06-19 | 오토매장 세팅 및 직원 관리 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102588541B1 true KR102588541B1 (ko) | 2023-10-12 |
Family
ID=88291512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230078101A KR102588541B1 (ko) | 2023-06-19 | 2023-06-19 | 오토매장 세팅 및 직원 관리 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102588541B1 (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019185221A (ja) * | 2018-04-04 | 2019-10-24 | パナソニックIpマネジメント株式会社 | 店舗管理方法及び店舗管理システム |
KR102118888B1 (ko) * | 2019-11-19 | 2020-06-04 | 강미혜 | 인공지능 기반으로 업종과 매출분석을 통해 노무관리 서비스를 제공하는 시스템 |
-
2023
- 2023-06-19 KR KR1020230078101A patent/KR102588541B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019185221A (ja) * | 2018-04-04 | 2019-10-24 | パナソニックIpマネジメント株式会社 | 店舗管理方法及び店舗管理システム |
KR102118888B1 (ko) * | 2019-11-19 | 2020-06-04 | 강미혜 | 인공지능 기반으로 업종과 매출분석을 통해 노무관리 서비스를 제공하는 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vajirakachorn et al. | Application of business intelligence in the tourism industry: A case study of a local food festival in Thailand | |
West et al. | A comparative analysis of neural networks and statistical methods for predicting consumer choice | |
Tang | An approach to budget allocation for an aerospace company—Fuzzy analytic hierarchy process and artificial neural network | |
Oztekin | Creating a marketing strategy in healthcare industry: a holistic data analytic approach | |
KR20190114581A (ko) | 근태정보를 이용한 인사관리 및 정보제공 시스템 | |
Ghiasi et al. | A new spinning reserve requirement prediction with hybrid model | |
KR102531403B1 (ko) | Ai 매칭모듈을 이용한 경영지원 종합정보 제공시스템의 제어방법 | |
Phillips-Wren | Intelligent systems to support human decision making | |
Ramesh et al. | Hybrid artificial neural networks using customer churn prediction | |
Kumar et al. | Emerging concept of tech-business-analytics an intersection of IoT & data analytics and its applications on predictive business decisions | |
KR102592129B1 (ko) | 인공지능에 기반한 사용자 맞춤형 의류 추천시스템 | |
Ahsain et al. | Data mining and machine learning techniques applied to digital marketing domain needs | |
Ayyadevara et al. | Basics of machine learning | |
KR102588541B1 (ko) | 오토매장 세팅 및 직원 관리 시스템 | |
CN107909453A (zh) | 一种预支充值智能分析***及方法 | |
US20240037585A1 (en) | Using machine learning model to automatically predict updated assessment score | |
US20240037406A1 (en) | Testing predicted data utilizing trained machine learning model | |
US11978003B2 (en) | Use multiple artificial intelligence (AI) engines to determine a next best action for professional development of employees | |
Kuo et al. | Integration of artificial immune system and K-means algorithm for customer clustering | |
Thazhackal et al. | A hybrid deep learning model to predict business closure from reviews and user attributes using sentiment aligned topic model | |
Heuvel | Data-driven logistics: improving the decision-making process in operational planning by integrating a supervised learning model | |
KR102659929B1 (ko) | 온라인 판매 시스템 | |
KR102643108B1 (ko) | 인공지능 기반 소비자 검색 키워드 매칭형 제품 노출 시스템 | |
US20230342597A1 (en) | Using machine learning to extract subsets of interaction data for triggering development actions | |
Yan et al. | A short-term forecasting model with inhibiting normal distribution noise of sale series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |