KR20220168961A - 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 카드사 회원의 회원 분류 정보 생성 방법 - Google Patents
인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 카드사 회원의 회원 분류 정보 생성 방법 Download PDFInfo
- Publication number
- KR20220168961A KR20220168961A KR1020220038714A KR20220038714A KR20220168961A KR 20220168961 A KR20220168961 A KR 20220168961A KR 1020220038714 A KR1020220038714 A KR 1020220038714A KR 20220038714 A KR20220038714 A KR 20220038714A KR 20220168961 A KR20220168961 A KR 20220168961A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- transaction
- payment
- store
- event
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title description 2
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000007726 management method Methods 0.000 description 113
- 238000012549 training Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000002860 competitive effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009933 burial Methods 0.000 description 2
- 238000013503 de-identification Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 235000013550 pizza Nutrition 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/34—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using cards, e.g. integrated circuit [IC] cards or magnetic cards
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
실시예들은 상기 회원 정보 및 결제 내역 정보에 기초하여 회원, 결제한 업종, 결제 금액으로 이루어진 거래 통계 데이터를 형성하며, 상기 거래 통계 데이터에 기초하여 회원이 업종의 매장에서 결제하는 내역을 수치적으로 서술한 거래 성향 정보를 산출하고, 상기 회원 정보 중 적어도 일부 정보 및 거래 성향 정보에 기초하여 회원 분류 정보를 생성하는 회원 분류 정보 생성 방법 및 이를 수행하는 컨설팅 시스템에 관련된다.
Description
본 출원의 실시예들은 프랜차이즈 기업의 비즈니스에 대해 컨설팅하는 것에 관한 것으로서, 보다 상세하게는 협업 카드사의 결제 정보를 사용하여 회원 분류 정보를 생성하는 컨설팅 시스템 및 이에 의해 수행되는 회원 분류 정보 생성에 관련된다.
프랜차이즈(Franchise)는 프랜차이즈 본사(franchisor)가 자신의 상품/서비스를 보다 효과적으로 판매하기 위하여 가맹업주(franchisee)에게 일정한 지원·교육을 수행하고 그 대가로 가맹금을 받는 거래관계를 의미하는 것으로서, 다른 말로 가맹사업거래라고 지칭된다. 이러한 계약 관계로 인해, 프랜차이즈 매장을 관리하는 프랜차이즈 본사는 높은 이익을 발생하는 매장을 확보하고자 노력한다.
매장에서 높은 이익을 발생하기 위한 여러 요인 중 중요한 하나의 요인은 현재 설립된 프랜차이즈 매장이 위치하거나 곧 설립될 신규 프랜차이즈 매장이 위치할 주변 지역이다. 주변 지리적 관심 영역에 해당 프랜차이즈 상품을 결제할 가능성이 높은 소비자 또는 후보 소비자가 많으면 이 프랜차이즈 매장은 높은 이익을 기대할 수 있기 때문이다.
현재 프랜차이즈 분야에서 프랜차이즈 매장의 지리적 위치를 분석하는데 다양한 측면의 정보가 활용된다. 예를 들어, 신규 매장을 설립하고자 할 경우, 매장 설립 예정 지역의 시장 상황, 인구 구성, 주변 업종, 경쟁 상황 등의 정보를 획득, 분석하고 이러한 분석에 기반하여 대상 입지를 선택하게 된다.
즉, 프랜차이즈 기업을 컨설팅하는데 있어서 프랜차이즈 매장이 위치하거나 위치할 지리적 관심 영역을 정확하게 분석하는 것이 중요하다. 그러나, 이러한 정보들을 활용하여 프랜차이즈 기업을 컨설팅하는, 종래의 컨설팅 사업은 다양한 측면의 정보를 제대로 활용해 지리적 관심 영역을 정확하게 분석하는데 한계가 있다.
구체적으로, 창업전문가들을 통해 컨설팅 서비스를 제공하는 종래의 컨설팅 사업 실시들은 1) 전적으로 창업전문가들의 경험에 의존함으로써 의뢰한 프랜차이즈 업체가 일정한 품질의 컨설팅 서비스를 기대하기 어려운 점, 2) 일부 창업전문가들이 해당 지역의 부동산 업자와 이해관계를 공유한다는 이유로, 분석결과가 아닌 본인의 이해관계에 기반하여 속임수 결과를 제공하는 문제가 있다.
최근 컴퓨터를 활용하여 프랜차이즈 매장이 위치하거나 위치할 지리적 관심 영역을 보다 정확하게 분석하려는 시도가 있다. 그러나, 지리적 관심 영역에 대한 다양한 정보에 대해서 각각의 정보를 단순히 통계적으로 정리하는 수준으로 분석하는, 저차원의 분석을 통해 컨설팅 서비스를 제공하는 수준에 불과하다.
의뢰한 프랜차이즈 업체에게 다양한 측면의 정보 사이의 맥락을 정확하게 분석하여 지리적 관심 영역에서의 예상 매출액을 산출하는 것과 같이 고차원의 컨설팅 서비스를 제공하는 것은 찾아보기 어렵다.
본 출원의 실시예들에 따르면, 협업 카드사의 결제 정보를 사용하여 회원 분류 정보를 생성하는 회원 분류 정보 생성 방법 및 이를 수행하기 위한 명령어를 포함한 프로그램을 기록하는 컴퓨터 판독가능 기록매체를 제공하고자 한다.
이 외에도, 협업 카드사의 결제 정보를 사용하여 회원 분류 정보를 생성하고, 상기 회원 분류 정보를 사용하여 프랜차이즈 기업의 대상 매장에서의 이벤트를 제공하는 니즈를 컨설팅하는 컨설팅 시스템을 제공하고자 한다.
본 발명의 실시예들에서는, 일 측면에서, 카드사의 회원 정보 및 회원의 결제 내역 정보를 획득하는 카드사 관리 시스템에 의해 수행되는, 카드사 회원의 회원 분류 정보 생성 방법에 있어서, 상기 회원 정보 및 결제 내역 정보에 기초하여 회원, 결제한 업종, 결제 금액으로 이루어진 거래 통계 데이터를 형성하는 단계; 상기 거래 통계 데이터에 기초하여 회원이 업종의 매장에서 결제하는 내역을 수치적으로 서술한 거래 성향 정보를 산출하는 단계; 및 상기 회원 정보 중 적어도 일부 정보 및 거래 성향 정보에 기초하여 회원 분류 정보를 생성하는 단계를 포함하는 회원 분류 정보 생성 방법을 제공한다.
또한, 본 발명의 실시예들에서는, 다른 일 측면에서, 카드사 회원의 단말기와 통신하는 카드사 관리 시스템에 있어서, 카드사의 회원 정보 및 회원의 결제 내역 정보를 획득하고, 상기 회원 정보 및 결제 내역 정보에 기초하여 회원, 결제한 업종, 결제 금액으로 이루어진 거래 통계 데이터를 형성하며, 상기 거래 통계 데이터에 기초하여 회원이 업종의 매장에서 결제하는 내역을 수치적으로 서술한 거래 성향 정보를 산출하고, 상기 회원 정보 중 적어도 일부 정보 및 거래 성향 정보에 기초하여 회원 분류 정보를 생성하도록 구성된 카드사 관리 시스템을 제공한다.
본 출원의 실시예들에 따른 회원 분류 정보 생성 방법은 협업 카드사의 결제 내역 정보 및 회원 정보에 기초하여 회원 분류 정보를 생성한다. 상기 회원 분류 정보는 이벤트 권한이 제공될 경우 프랜차이즈의 대상 매장에서 결제할 가능성이 있는 관심 고객에게 맞춤형으로 이벤트 알림을 제공하는데 효과적으로 사용될 수도 있다. 그 결과, 프랜차이즈의 매출 신장을 위한 이벤트 비즈니스 전략에 도움을 줄 수도 있다.
또한, 상기 회원 분류 정보 생성 방법은, 대한민국 신용정보법 개정에 따라서 마이데이터 동의를 얻은 카드사 회원에 대해서는 타 카드사의 카드 거래 내역도 업종별로 확보하여 고객 분류 정보를 생성하는데 사용할 수도 있다.
본 발명 또는 종래 기술의 실시예의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 위한 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 본 출원의 일 측면에 따른, 컨설팅 시스템의 시스템 아키텍처의 개략도이다.
도 2는, 본 출원의 실시예들에 따른, 회원 분류 정보 생성 방법의 흐름도이다.
도 3은, 본 출원의 일 실시예에 따른, 회원 분류 정보 생성 방법의 개략도이다.
도 4는, 본 출원의 일부 실시예들에 따른, 회원 분류 정보를 비식별 처리하는 과정의 개략도이다.
도 5는, 본 출원의 일 실시예예 따른, 예상 매출액을 산출하는 예측 모델의 네트워크의 개략도이다.
도 6은, 본 출원의 일 실시예예 따른, 예측 모델을 학습하는 과정의 개략도이다.
도 7은, 본 출원의 일 실시예에 따른, 매출 현황 화면을 도시한다.
도 8은, 본 출원의 일 측면에 따른, 이벤트 컨설팅 방법의 흐름도이다.
도 9는, 본 출원의 일 실시예에 따른, 이벤트 정보 수신을 위한 인터페이스 화면을 도시한다.
도 10은, 본 출원의 일 실시예에 따른, 이벤트 알림 정보를 전송하는 과정의 개략도이다.
도 11은, 본 출원의 일 실시예에 따른, 이벤트 참여에 따른 이벤트 권한이 제공되는 과정의 개략도이다.
도 12는, 본 출원의 일 실시예에 따른, 이벤트 실적 정보의 개략도이다.
도 1은, 본 출원의 일 측면에 따른, 컨설팅 시스템의 시스템 아키텍처의 개략도이다.
도 2는, 본 출원의 실시예들에 따른, 회원 분류 정보 생성 방법의 흐름도이다.
도 3은, 본 출원의 일 실시예에 따른, 회원 분류 정보 생성 방법의 개략도이다.
도 4는, 본 출원의 일부 실시예들에 따른, 회원 분류 정보를 비식별 처리하는 과정의 개략도이다.
도 5는, 본 출원의 일 실시예예 따른, 예상 매출액을 산출하는 예측 모델의 네트워크의 개략도이다.
도 6은, 본 출원의 일 실시예예 따른, 예측 모델을 학습하는 과정의 개략도이다.
도 7은, 본 출원의 일 실시예에 따른, 매출 현황 화면을 도시한다.
도 8은, 본 출원의 일 측면에 따른, 이벤트 컨설팅 방법의 흐름도이다.
도 9는, 본 출원의 일 실시예에 따른, 이벤트 정보 수신을 위한 인터페이스 화면을 도시한다.
도 10은, 본 출원의 일 실시예에 따른, 이벤트 알림 정보를 전송하는 과정의 개략도이다.
도 11은, 본 출원의 일 실시예에 따른, 이벤트 참여에 따른 이벤트 권한이 제공되는 과정의 개략도이다.
도 12는, 본 출원의 일 실시예에 따른, 이벤트 실적 정보의 개략도이다.
이하에서, 도면을 참조하여 본 출원의 실시예들에 대하여 상세히 살펴본다.
그러나, 이는 본 개시(disclosure)를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 명세서에서, “가진다,” “가질 수 있다,”“포함한다,” 또는 “포함할 수 있다” 등의 표현은 해당 특징(예: 수치, 기능, 동작, 단계, 부품, 요소 및/또는 성분 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재나 부가를 제외시키는 것이 아니다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
다양한 실시예에서 사용된 “제 1”, “제 2”, “첫째” 또는 “둘째” 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 해당 구성요소들을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다. 예를 들면, 제1 구성요소와 제2 구성요소는, 순서 또는 중요도와 무관하게, 서로 다른 구성요소를 나타낼 수 있다.
본 명세서에서 사용된 표현 “~하도록 구성된(또는 설정된)(configured to)”은 상황에 따라, 예를 들면, “~에 적합한(suitable for),” “~하는 능력을 가지는(having the capacity to),” “~하도록 설계된(designed to),” “~하도록 변경된(adapted to),” “~하도록 만들어진(made to),”또는 “~를 할 수 있는(capable of)”과 바꾸어 사용될 수 있다. 용어 “~하도록 구성(또는 설정)된”은 하드웨어적으로 “특별히 설계된(specifically designed to)”것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, “~하도록 구성된 장치”라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 “~할 수 있는” 것을 의미할 수 있다. 예를 들면, 문구 “A, B, 및 C를 수행하도록 구성(또는 설정)된 프로세서”는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
도 1은, 본 출원의 일 측면에 따른, 컨설팅 시스템의 시스템 아키텍처의 개략도이다.
도 1을 참조하면, 인공지능 기반 프렌차이즈 컨설팅 시스템(1, 이하 “컨설팅 시스템”)은 프랜차이즈 관리 시스템(100); 공간 정보 관리 시스템(200); 및 카드사 관리 시스템(300)을 포함할 수도 있다. 일부 실시예들에서, 상기 프랜차이즈 관리 시스템(100) 및 공간 정보 관리 시스템(200)은 단일 시스템으로 구현될 수도 있다.
실시예들에 따른 컨설팅 시스템(1)은 전적으로 하드웨어이거나, 전적으로 소프트웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 시스템은 데이터 처리 능력이 구비된 하드웨어 및 이를 구동시키기 위한 운용 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 가능한 컴퓨팅 장치일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
프랜차이즈 관리 시스템(100)은 공간 정보 관리 시스템(200)과 협업하는 대상 프랜차이즈의 내부 정보를 수집하는 시스템이다. 프랜차이즈 관리 시스템(100)은 복수의 매장 단말기(101)과 통신하도록 구성된다. 일부 실시예들에서, 상기 프랜차이즈 관리 시스템(100)은 매장을 관리하고 프랜차이즈 기업을 운영하는 프랜차이즈 본사에 의해 운영될 수도 있다.
상기 프랜차이즈 관리 시스템(100)은 매장 단말기(101)로부터 해당 매장의 매출 정보를 획득한다.
상기 매장 단말기(101)는 매장에서 발생한 매출 정보를 기록하고, 프랜차이즈 관리 시스템(100)과 통신하여 매장의 매출 정보를 전송하도록 구성된다. 상기 매장 단말기(101)은 컴퓨터, 스마트 폰, 카드 결제기, POS 단말 등을 포함할 수도 있다.
상기 프랜차이즈 관리 시스템(100)은 POS 단말기(101)에서 획득한 원시 매장 정보를 수신하고, 이를 저장할 수도 있다. 일부 실시예들에서, 도 1에 도시된 것처럼, 상기 원시 매장 정보는 매장 DB(110)에 저장될 수도 있다.
상기 프랜차이즈 관리 시스템(100)은 원시 매장 정보로부터 매출 정보를 형성할 수도 있다. 일부 실시예들에서, 상기 프랜차이즈 관리 시스템(100)은 매출 정보의 데이터 템플릿 구조가 설정된 추출 API(120)를 포함할 수도 있다. 추출 API(120)는 상기 매출 정보의 데이터 템플릿 구조를 사용하여 원시 매장 정보로부터 매출 정보를 형성할 수도 있다.
매출 정보는 매장별 매출 정보, 권역별 매출 정보 및/또는 프랜차이즈 기업 전체(또는 기업)의 매출 정보 등을 포함할 수도 있다.
상기 매장별 매출 정보는 해당 매장의 단말기(101)에 기록된 매출 정보일 수도 있다.
상기 매출 정보는 결제 금액, 결제 항목, 결제 경로, 결제 시간, 결제 수단, 결제 유형, 결제 금액, 구매자의 성명, 주소, 카드 번호, 계좌 등을 포함할 수도 있다.
결제 경로는 주문 경로로서, 오프라인 경로 및 비-오프라인 경로를 포함한다. 오프라인 경로는 매장에서 주문하는 것을 포함한다. 비-오프라인 경로는 전화로 주문하는 것, 또는 인터넷으로 주문하는 것을 포함한다.
결제 수단은 상품 금액을 지불하기 위해 구매자가 사용한 수단으로서, 현금, 신용카드, 직불카드, 온라인 이체, 상품권, 기타 전자화폐(예컨대, 지역 화폐) 등을 포함할 수도 있다.
결제 유형은 일시불, 할부 등을 포함할 수도 있다.
공간 정보 관리 시스템(200)은 공간과 관련된 다양한 정보를 획득하고, 보다 효율적인 컨설팅을 위해, 공간에서 기업과 사람 간의 비즈니스 관계를 지리적 위치를 통해 분석한 하나 이상의 맥락 정보를 생성한다.
기업의 활동은 매장 주변의 실제 사람과 가상의 기업이 실제 공간에서 상호작용하는 것을 통해 구현된다. 기업의 활동은 매장의 실적으로 취급될 수도 있다. 광고 등의 외부 활동은 궁극적으로 기업의 실적을 향상시키기 위한 것이다. 특정 공간에 위치한 매장의 실적은 특정 공간에서의 기업의 활동에 대응한다. 상기 매장의 실적은 매장이 위치한 주변 지역의 성격, 매장이 위치한 부동산(즉, 토지/건물)의 성격, 매장의 주변 지역의 거주 인구, 유동 인구의 성격에 의존한다.
공간 정보 관리 시스템(200)은 공간을 이루는 부동산, 기업, 사람에 관한 정보를 저장하고 다양한 분석 정보를 생성한다. 특정 실시예들에서, 상기 공간 정보 관리 시스템(200)은 부동산 정보, 기업 정보, 인구 정보를 저장할 수도 있다. 일부 실시예들에서, 도 1에 도시된 것처럼, 부동산 정보, 기업 정보, 인구 정보는 공간 DB(210)에 저장될 수도 있다.
부동산 정보는 프랜차이즈 매장이 개설 가능한 부동산 또는 그 주변의 부동산을 서술하는 정보이다. 상기 부동산 정보는 개별 부동산 단위별로 획득될 수도 있다.
부동산의 위치는 행정 위치, 지리 위치로 표현될 수도 있다. 행정 위치는 주소로 표현될 수도 있다. 지리 위치는 위도/경도로 표현될 수도 있다.
특정 실시예들에서, 상기 공간 정보 관리 시스템(200)은 토지 정보, 건물 정보, 주택 정보, 비-주택 정보, 기간시설 정보 중 하나 이상을 포함한 부동산 정보를 획득할 수도 있다.
토지 정보는 대상기업 또는 경쟁기업의 매장이 위치 가능한 공간 또는 그 주변 공간을 토지 측면에서 서술하는 정보로서, 상기 공간 정보 관리 시스템(200)은 토지 단위별로 각각의 토지 정보를 획득할 수도 있다.
일 실시예에서, 토지 정보는 지적도, 토지용도, 공시지가, 지형, 지세, 고도, 경사, 위치, 면적 등을 포함한다.
상기 토지이용은 지적법에서 정의한 용도 중 어느 하나로 표현될 수도 있다. 예를 들어, 특정 토지의 용도는 논(전), 밭(답), 과수원(과), 목장용지(목), 임야(임), 광천지(광), 염전(염), 대지(대), 공장용지(공), 주유소(주), 잡종지(잡), 도로, 녹지, 공원 등과 같은 28가지의 지목 중 어느 하나로 표현될 수도 있다.
건물 정보는 대상기업 또는 경쟁기업의 매장이 위치 가능한 구조물, 또는 그 주변 구조물을 서술하는, 건물 측면의 부동산 정보이다.
상기 공간 정보 관리 시스템(200)은 건물 단위별로 각각의 건물 정보를 획득할 수도 있다.
상기 건물 정보는 위치, 건축년도, 건물용도, 구조, 면적, 소유주, 실거래가 등을 포함한다.
건물의 위치는 구조물의 위치를 포함한다. 상기 구조물의 위치는, 건물 주소와 같은 일반적인 부동산의 위치이다.
또한, 상기 건물의 위치는 구조물 내에서의 위치를 포함한다. 매장은 구조물의 일부 또는 전부의 공간을 차지할 수도 있다. 상기 매장은 구조물에서 토지의 표면 상에 위치하거나, 또는 지하에 위치할 수도 있다.
건물용도는 건축법에서 정의한 용도 중 어느 하나로 표현될 수도 있다. 예를 들어, 특정 건물의 용도는 업무시설, 제1종근린생활, 제2종근린생활, 판매시설, 교육연구시설 등과 같은 8군의 시설 중 어느 하나로 표현될 수도 있다.
주택 정보는 건물에 대해서 사람이 주거 가능한 주택인지 서술하는 정보이다. 상기 공간 정보 관리 시스템(200)은 주택 단위별로 각각의 주택 정보를 획득할 수도 있다. 상기 주택 단위는 건물의 일부일 수도 있다. 예를 들어, 상기 주택 단위는 하나 이상의 세대, 호, 가구를 포함할 수도 있다.
주택 정보는 거주자 정보, 주택 위치, 주택 유형, 시세, 면적, 인허가 일자, 철거 일자, 주택을 포함한 건물 정보 또는 토지 정보 중 일부 또는 전부 등을 포함한다.
거주자 정보는 해당 주택에 거주하는 개인의 성명, 성별, 나이, 주민번호, 개인의 소득, 가족 관계, 거주자들 사이의 관계 등을 포함할 수도 있다. 단일 주택에 다수의 거주자가 거주할 경우, 주택 정보는 다수 거주자 각각의 거주자 정보; 및 해당 주택의 전체 거주자 수를 포함할 수도 있다.
주택 위치는 주택을 포함한 건물 또는 토지의 위치를 포함한다. 또한, 주택 위치는 건물 또는 토지 내 상대적 위치를 포함할 수도 있다.
주택 유형은 단독주택 또는 공동 주택을 포함한다. 또한, 공동 주택은 세부 유형을 가질 수도 있다. 예를 들어, 공동 주택의 세부 유형은 연립다세대, 아파트, 도시형생활주택, 오피스텔을 포함할 수도 있다. 주택 정보는 공동주택에서 어떤 공동 주택인지 서술할 수도 있다.
비-주택 정보는 건물에 대해서 일반적으로 사람이 주거하지 않는 구조물로 취급되는, 비-주택인지 서술하는 정보이다. 비-주택은 임시로 머무는 거류자(들)와 관련된다.
비-주택 정보는 거류자 정보, 비-주택 위치, 비-주택 유형, 시세, 면적, 인허가 일자, 철거 일자, 비-주택을 포함한 건물 정보 또는 토지 정보 중 일부 또는 전부 등을 포함한다.
거류자는 자신의 거주지 보다 거류지에서 더 많은 자신의 삶의 일부(예컨대, 업무)를 소모할 수도 있다. 거류자는 예를 들어, 초/중/고/대학생, 직장인, 입원 환자, 경로당 노인 등을 포함할 수도 있다.
상기 거류자 정보는 해당 비-주택에 거류하는 개인의 성명, 성별, 나이, 주민번호, 거류 사유 등을 포함할 수도 있다.
또한, 상기 거류자 정보는 직장인의 경우, 근무하는 직장에 관한 직장 정보를 더 포함할 수도 있다. 직장 정보는 대상 직장 업종, 대상 직장의 근속년수, 평균급여, 업종 등을 포함할 수도 있다. 상기 직장 업종은 사업장 분류일 수도 있다.
비-주택 유형은 업무시설, 공장, 창고, 지식산업센터, 소방서, 경찰서, 관공서, 학교, 교육연구시설, 병원, 의원, 상가, 대형마트, 쇼핑몰 등을 포함할 수도 있다.
상기 공간 정보 관리 시스템(200)은 비-주택 단위별로 각각의 비-주택 정보를 획득할 수도 있다. 비-주택 단위는 비-주택 유형의 공간일 수도 있다. 특정 구조물 또는 내부 공간이 외부와 구별되어 비-주택으로 활용되는 공간 범위가 정의되어야 해당 구조물 또는 내부 공간이 미리 정의된 비-주택 유형 중 어느 하나에 속하는지 결정되기 때문이다.
주택, 비-주택 정보는 특정 건물 유형을 포함하므로, 건물 정보는 주택 정보 또는 비-주택 정보와 적어도 부분적으로 동일한 정보를 공유할 수도 있다. 예를 들어, 특정 건물이 주거업무시설군에 속하면서 주택일 경우, 건물 정보와 주택 정보는 동일한 부분 정보를 공유할 수도 있다.
기반시설 정보는 지리적 관심 영역의 지역 사회 기능을 유지하는데 필요한 시설물을 서술하는 정보이다. 기반시설 정보는 기반시설 위치, 기반시설 유형, 면적, 인허가 일자, 철거 일자, 기반시설에 속하는 부속 건물 또는 위치한 토지 정보 중 일부 또는 전부 등을 포함한다.
기반시설의 유형은 국토의 계획 및 이용에 관한 법률에서 정의한 시설로 표현될 수도 있다. 예를 들어, 기반시설의 유형은 도로, 철로, 다리, 지하철, 버스정류장과 같은, 7개 군, 46종으로 정의될 수도 있다.
상기 공간 정보 관리 시스템(200)은 시설 단위별로 각각의 비-주택 정보를 획득할 수도 있다. 시설 단위는 시설 유형의 공간일 수도 있다. 특정 구조물 또는 내부 공간이 외부와 구별되어 시설로 활용되는 공간 범위가 정의되어야 해당 구조물 또는 내부 공간이 미리 정의된 기반시설 유형 중 어느 하나에 속하는지 결정되기 때문이다.
또한, 기반시설 정보는 매장이 위치 가능한 공간과 주변 기반시설과의 상대적인 공간 관계를 더 포함할 수도 있다. 기반시설 정보는 매장이 위치하는 건물이 역세권에 속하는지 여부, 주변 기반시설까지의 거리와 같은 공간 관계를 더 포함할 수도 있다.
기반시설 정보는 건물 정보, 주택 정보, 비-주택 정보 중 하나 이상의 정보와 적어도 부분적으로 동일한 정보를 공유할 수도 있다. 예를 들어, 특정 건물(예컨대, 학교, 공공청사 등)이 기반시설로서 비-주택으로 취급될 경우, 해당 건물의 건물 정보, 기반시설 정보, 비-주택 정보는 동일한 부분 정보를 공유할 수도 있다.
공간 정보 관리 시스템(200)은 토지대장, 건축물대장과 같은 원시 부동산 정보를 수신하고, 미리 지정된 템플릿에 적용하여 상기 부동산 정보를 생성할 수도 있다. 상기 템플릿은 원시 정보 내 항목, 값과 상기 부동산 정보의 형식의 속성, 값을 서로 매핑한 정보 구조물일 수도 있다.
기업 정보는 프랜차이즈 정보를 포함한다. 또한, 상기 기업 정보는 경쟁자 정보를 포함한다.
경쟁자는 프랜차이즈와 동종 업계의 경쟁자로서, 프랜차이즈의 기존 매장과 동일한 지역 또는 프랜차이즈의 신규 매장이 입점할 신규 지역 내에 동종 매장을 갖는 동종 업계의 다른 프랜차이즈 기업 또는 개인 매장, 소규모 매장일 수도 있다.
또한, 상기 경쟁자는 해당 지리적 관심 영역에는 매장이 없지만, 주변 지역에 이미 매장이 있거나 상기 지리적 관심 영역에 매장을 신설할 가능성이 있는 동종 프랜차이즈 기업을 더 포함할 수도 있다.
경쟁자 정보는 이러한 경쟁자에 관한 정보를 포함한다.
상기 프랜차이즈 정보, 경쟁자 정보는 해당 기업의 내부 정보 및/또는 공개 정보를 포함한다. 예를 들어, 상기 기업 정보에서 프랜차이즈 정보는 내부 정보 및 공개 정보를 포함하고, 경쟁자 정보는 공개 정보를 포함할 수도 있다.
기업 내부 정보는 매장 정보, 매출 정보 및/또는 운영 정보를 포함한다.
상기 매장 정보는 현재 매장이 설립되어 프랜차이즈 기업으로 운영되는 매장에 관한 정보로서 해당 기업의 매장의 유형(예컨대, 본사 직영점 또는 가맹점), 매장의 지리적 위치, 매장 명칭(또는 식별자), 매장 면적, 개업 일자, 및/또는 폐업 일자 등을 포함할 수도 있다.
프랜차이즈 매장은 토지, 건물에 설립된다. 매장 정보는 토지 정보, 건물 정보와 적어도 부분적으로 동일한 정보를 공유할 수도 있다.
운영 정보는 GIS(Geographic Information System) 권역 등을 포함할 수도 있다.
이러한 기업 내부 정보는 컨설팅을 의뢰한 프랜차이즈 기업으로부터 획득된다.
일부 실시예들에서, 상기 공간 정보 관리 시스템(200)은 상기 프랜차이즈 관리 시스템(100)으로부터 기업 내부 정보에 해당하는 매출 정보를 수신할 수도 있다. 상기 매출 정보는 회원 분류 정보를 수신하기 이전에 미리 수신될 수도 있다.
기업의 공개 정보는 정보통신 기술을 통해 외부에 공개된 기업 관련 정보로서, 업종 정보, 브랜드 정보 중 하나 이상을 포함한다.
업종 정보는 해당 기업이 속하는 기업 분류이다. 유가증권거래소의 업종 정보, 상공인 상가업소 분류에 따른 업종 정보일 수도 있다.
브랜드 정보는 해당 기업이 갖고 있는 상품, 서비스를 서술하는 정보이다. 상기 브랜드 정보는 해당 기업의 매장 정보를 포함할 수도 있다. 기업 공개 정보의 매장 정보와 기업 내부 정보의 매장 정보는 부분적으로 일치할 수도 있다. 예를 들어, 기업 공개 정보의 매장 정보는 경쟁사의 매장 명칭, 지리적 위치, 면적, 개점일 등을 포함할 수도 있다.
이러한 외부 정보는 해당 기업으로부터 획득하거나, 또는 웹 상에서 크롤링 등을 통해 획득할 수도 있다. 예를 들어, 대상/경쟁 프랜차이즈의 업종 정보는 유가증권거래소의 기업 공개 정보, 상공인 상가업소 정보, 또는 관공서의 인허가 정보로부터 검색하여 획득될 수도 있다.
인구 정보는 매장이 위치 가능한 지역(예컨대, 국가 또는 행정구획)에 생존하는 사람을 서술하는 정보이다. 상기 사람은 기존 고객이거나 또는 고객으로 전환될 수도 있는 거래 고객이다. 인구 정보는 성명, 나이, 성별, 거주지(주소), 직장, 소득, 지출, 소비, 자산, 부채, 등을 포함할 수도 있다. 본 명세서에서는 설명의 명료성을 위해, 고객과 거래 고객을 모두 용어 “고객”으로 지칭할 수도 있다. 그러나, 본 출원의 실시예들이 기존의 고객에 제한되지 않는다는 것이 통상의 기술자들에게 명백할 것이다.
상기 인구 정보는 해당 지역에 거주하는 거주자로 이루어진 거주인구 정보에 국한되지 않는다. 상기 인구 정보는 거류인구 정보 및/또는 유동인구 정보를 더 포함할 수도 있다.
이러한 인구 정보는 주민등록정보, 국민연금 정보로부터 획득될 수도 있다.
일 실시예에서, 상기 공간 정보 관리 시스템(200)은 부동산 정보, 기업 정보 또는 인구 정보에 포함된 지리적 위치 정보를 정제하는 엔진(210)을 더 포함할 수도 있다.
상기 엔진(210)은 원시 위치 정보를 미리 지정된 형식으로 변환한다. 특정 실시예들에서, 상기 엔진(210)은 원시 위치 정보를 미리 지정된 룰(Rules)에 따라 코드화할 수도 있다.
카드사 관리 시스템(300)은 회원 정보 및 결제 내역 정보를 획득할 수도 있다.
상기 카드사 관리 시스템(300)은 카드 결제기(301)를 포함할 수도 있다. 상기 카드 결제기(301)는 매장에서 발생한 결제 내역 정보를 카드사 관리 시스템(300)으로 전송하도록 구성된다. 일부 실시예들에서, 상기 카드 결제기(301)는 매장 단말기(101)와 전기적으로 연결될 수도 있다.
카드사의 회원은 카드 결제기(301)가 설치되어 카드 결제에 대한 승인을 요구하는 가맹점 회원, 카드사에서 발급한 카드를 사용하고 결제 금액을 지불하는 회원으로 분류된다. 상기 컨설팅 시스템(1)은 프랜차이즈 매장에서 결제하는 회원 관련 정보를 획득하여 분석한다. 이하, 설명의 명료성을 위해, 컨설팅 시스템(1)의 회원은 상기 고객 회원을 지칭한다.
회원 정보는 카드사에 가입한 회원의 개인 정보를 포함한다. 상기 회원 정보는 카드사의 회원 식별 정보, 회원 개인정보를 포함한다.
일 실시예에서, 상기 카드사 관리 시스템(300)은 다음의 형태를 갖는 회원 정보를 생성할 수도 있다.
상기 결제 내역 정보는 상기 단말기(101)의 매출 정보와 일부 정보를 공유할 수도 있다. 예를 들어, 상기 결제 내역 정보와 매출 정보는 고객의 개인정보, 결제 금액(즉, 매출액), 결제 시간 등의 정보를 공유할 수도 있다.
일 실시예에서, 상기 카드사 관리 시스템(300)은 다음의 형태를 갖는 결제 내역 정보를 획득할 수도 있다.
일부 실시예들에서, 업종이 카테고리별로 계층적으로 분류될 경우, 상기 표 2의 업종은 취하위 계층의 업종을 나타낸다.
상기 결제 내역 정보는 적어도 일부의 회원 정보(예컨대, 회원의 식별 정보)를 공유한다. 공유된 정보(예컨대, 회원의 식별 정보)를 통해 결제 내역 정보는 회원 정보와 연관된다.
단일 회원에 대해서 다수의 결제 내역 정보가 연관될 수도 있다. 연관된 다수의 결제 내역 정보는 카드 결제 시간 등과 같은 적어도 일부 정보가 서로 상이할 수도 있다.
상기 컨설팅 시스템(1)은 (예컨대, 카드사 관리 시스템(300)에 의해) 상기 회원 정보, 결제 내역 정보에 기초하여 회원 분류 정보를 생성할 수도 있다. 상기 컨설팅 시스템(1)의 회원 분류 정보 생성 및 활용에 대해서는 아래의 도 2 내지 도 4 등을 참조해 보다 상세히 서술한다.
또한, 상기 컨설팅 시스템(1)은, 대한민국 신용정보법 개정에 따라서 마이데이터 동의를 얻은 카드사 회원에 대해서는 타 카드사의 카드 거래 내역도 업종별로 확보하여 고객 분류 정보를 생성하는데 사용할 수도 있다. 예를 들어, 상기 컨설팅 시스템(1)은 카드사 관리 시스템(300)으로부터 타 카드사의 거래 내역을 기재한, 마이데이터 거래 내역을 획득할 수도 있다. 상기 마이데이터 거래 내역은 다음의 데이터 구조를 포함할 수도 있다.
일부 실시예들에서, 상기 업종 정보는 가맹점 정보에 기초하여 추정될 수도 있다. 예를 들어, 가맹점 명칭에 기초하여 업종이 추정될 수도 있다.
또한, 상기 컨설팅 시스템(1)은 (예컨대, 상기 공간 정보 관리 시스템(200)에 의해) 부동산 정보, 기업 정보, 인구 정보, 및 아래의 회원 분류 정보에 기초하여 다양한 맥락 정보를 생성할 수도 있다. 상기 맥락 정보는 지리적 관심 영역에서의 매출액 예상 또는 이벤트 컨설팅에 활용된다. 상기 컨설팅 시스템(1)의 맥락 정보 생성 및 활용에 대해서는 아래의 도 5 내지 도 11 등을 참조해 보다 상세히 서술한다.
카드사 고객 분류
상기 카드사 관리 시스템(300)은 상기 결제 내역 정보 및 회원 정보에 기초하여 회원 분류 정보를 생성할 수도 있다.
상기 회원 분류 정보는 회원 식별 정보, 회원 개인정보 및 거래 성향 정보를 포함한다.
상기 거래 성향 정보는 회원의 결제 성향을 분류한 정보이다. 특정 실시예들에서, 상기 거래 성향 정보는 회원의 거래 요인 값을 포함한다. 상기 거래 요인은 결제 측면에서 결제가 이루어진 매장의 업종과 회원의 관련성을 나타낸 요인이다. 상기 거래 요인은 회원이 결제를 하는데 영향을 미치는 요소들로서, 상기 부동산 정보, 기업 정보, 인구 정보에 기초한다.
일 실시예에서, 상기 거래 요인은 회원의 성별, 나이, 지리적 위치(예컨대, 주소), 회원의 소득 수준 등을 포함한다. 예를 들어, 카드사 관리 시스템(300)은 아래의 도 3에 도시된 것처럼 10개의 거래 요인을 사용할 수도 있다.
거래 요인 값은 회원 각각이 결제한 매장의 업종 및 카드 결제 금액에 기초하여 산출된다.
도 2는, 본 출원의 실시예들에 따른, 회원 분류 정보 생성 방법의 흐름도이고, 도 3은, 본 출원의 일 실시예에 따른, 회원 분류 정보 생성 방법의 개략도이다. 상기 회원 분류 정보 생성 방법은 카드사 관리 시스템(300)에 의해 수행될 수도 있다.
도 2 및 3을 참조하면, 상기 카드사의 회원 분류 정보 생성 방법은: 카드사의 회원 정보, 회원의 결제 내역 정보에 기초하여 회원, 결제한 업종, 결제 금액으로 이루어진 거래 통계 데이터를 형성하는 단계(S310); 상기 거래 통계 데이터에 기초하여 회원이 업종의 매장에서 결제하는 내역을 수치적으로 서술한 거래 성향 정보를 산출하는 단계(S330); 및 상기 거래 성향 정보에 기초하여 회원 분류 정보를 생성하는 단계(S350)를 포함한다.
상기 카드사 관리 시스템(300)은 회원이 결제한 내역에 기초하여 거래 통계 데이터를 형성할 수도 있다(S310). 일부 실시예들에서, 상기 거래 통계 데이터는 2차원 행렬 구조로 구현될 수도 있다. 상기 2차원 행렬은 카드사 회원 목록 및 업종 목록으로 이루어진다. 상기 업종은 표 2의 업종을 나타낸다.
각 행렬 성분은 해당 회원이 해당 업종에서 결제한 카드 결제 금액을 나타낸다. 일부 실시예들에서, 상기 행렬 성분의 카드 결제 금액은 일정 기간 동안 회원이 결제한 카드 금액의 대표 값일 수도 있다.
상기 일정 기간은 회원의 성향을 분류할 정도의 충분한 량의 정보를 획득 가능한 기간이다. 예를 들어, 상기 일정 기간은 1년일 수도 있으나, 이에 제한되진 않는다.
일부 실시예들에서, 상기 카드 사용액의 대표 값은 상기 일정 기간 보다 짧은 단위 시간별 카드 사용액의 대표 값일 수도 있다. 상기 일 예시에서, 일정 기간이 1년일 경우, 상기 단위 시간은 일/주/월일 수도 있다.
상기 대표 값은 평균일 수도 있으나, 이에 제한되진 않는다.
특정 실시예들에서, 상기 거래 성향 정보를 생성하는 단계(S330)는 상기 거래 통계 데이터에 기초하여 회원 고유 행렬 및 업종 고유 행렬을 산출하고, 산출된 회원 고유 행렬에 기초하여 상기 거래 성향 정보를 생성하는 것일 수도 있다.
상기 거래 성향 정보는 거래 요인 정보를 포함할 수도 있다. 상기 카드사 관리 시스템(300)은 형성된 거래 통계 데이터에 기초하여 각각의 회원에 대해서 적어도 하나의 거래 요인 값을 산출할 수도 있다. 상기 특정 실시예들에서, 상기 카드사 관리 시스템(300)은 다수 거래 요인 값을 산출할 수도 있다. 개별 회원별로 거래 요인 값의 서브 세트가 형성될 수도 있다.
일 실시예에서, 상기 카드사 관리 시스템(300)은 행렬 구조의 거래 통계 데이터를 행렬 분해(Matrix Factorization) 처리하여 회원을 행(row)으로 갖고 거래 요인을 열(column)로 갖는 회원 고유 행렬 및 업종을 행으로 갖고 거래 요인을 열로 갖는 업종 고유 행렬을 산출할 수도 있다 (S330).
상기 카드사 관리 시스템(300)은 회원 고유 행렬로부터 회원별 거래 요인 값을 추출하여, 회원별 거래 요인 값을 포함한 회원 분류 정보를 생성할 수도 있다(S330, S350). 상기 일 예시에서, 회원 분류 정보는 10개의 거래 요인 값으로 이루어진 거래 요인 데이터 서브세트를 포함한다.
또한, 상기 카드사 관리 시스템(300)은 회원의 페르소나 정보를 더 생성할 수도 있다(S330). 그러면, 상기 카드사 관리 시스템(300)은 상기 페르소나 정보를 더 포함한 회원 분류 정보를 생성할 수도 있다(S350).
페르소나는 회원의 소비 유형 또는 패턴을 마케팅이나 영업 활동에 사용하기 위해 구분한 것이다. 상기 카드사 관리 시스템(300)은 다수의 카드사 회원 각각에 대해서 거래 요인 값의 분포에 기초하여 적어도 하나의 페르소나를 정의하고, 정의된 페르소나에 기초하여 각 회원별 페르소나 값을 결정할 수도 있다. 상기 페르소나 값은 문자 및/또는 숫자를 나타낸 값으로 이루어질 수도 있다.
일 실시예에서, 상기 카드사 관리 시스템(300)은 회원별 거래 요인 값들을 군집화 처리하여 적어도 하나의 군집을 정의할 수도 있다. 정의된 군집이 페르소나를 나타낸다. 특정 군집 범위에 자신의 거래 요인 값이 포함되는 회원에게 해당 군집의 페르소나가 할당된다.
상기 카드사 관리 시스템(300)은 K-평균 군집화 방식을 통해 군집을 정의할 수도 있으나, 이에 제한되지 않는다.
또한, 일부 실시예들에서, 상기 회원 분류 정보 생성 방법은, 단계(S330) 이후, 거래 통계 데이터를 이루는 복수의 업종을 재-구성하는 단계(S340)를 더 포함할 수도 있다.
일 실시예에서, 상기 카드사 관리 시스템(300)은 고유 업종 행렬에서 각 업종별 거래 요인 값의 분포에 기초하여 둘 이상의 업종을 단일 업종으로 통합함으로써, 단계(S310)의 복수의 업종을 재-구성할 수도 있다(S340). 단계(S310)의 업종은 미리 설정된 복수의 초기 업종일 수도 있다.
상기 카드사 관리 시스템(300)은 각 업종별 거래 요인 값에 기초하여 각 업종별 거래 요인 값들은 벡터 형태로 구현될 수도 있다. 업종별 거래 요인 벡터 간의 거리는 업종 간의 거리를 나타낸다. 상기 카드사 관리 시스템(300)은 업종별 거래 요인 벡터 간의 거리가 인접한 업종들을 단일 업종으로 통합할 수도 있다.
단일 업종으로 통합되어 업종의 수가 축소된 경우, 상기 카드사 관리 시스템(300)은 축소된 업종을 기초로 거래 통계 데이터를 재-형성하고, 재-형성된 거래 통계 데이터에 기초하여 각각의 회원에 대해서 적어도 하나의 거래 요인의 값을 재-산출할 수도 있다.
일 실시예에서, 상기 카드사 관리 시스템(300)은 미리 설정된 업종 거리 값에 기초하여 업종을 재-구성하는 동작을 반복할 수도 있다. 업종별 거래 요인 벡터 간의 거리가 상기 미리 설정된 업종 거리 값을 초과할 경우, 이들 업종은 단일 업종으로 취급할 수 없는 이질적인 업종 관계를 가진다.
상기 카드사 관리 시스템(300)은 이러한 회원 분류 정보를 외부로 공급한다. 특정 실시예들에서, 상기 회원 분류 정보는 프랜차이즈 관리 시스템(100)의 원시 부동산 정보, 기업 정보 및 인구 정보 중 적어도 일부와 결합하여 맥락 정보를 생성하도록, 공급될 수도 있다.
또한, 상기 카드사 관리 시스템(300)은 상기 회원 분류 정보를 외부로 공급하기 이전에, 상기 회원 분류 정보 중 적어도 일부 정보를 비식별 처리할 수도 있다(S350). 그러면, 비식별 처리된 회원 분류 정보가 외부로 공급된다.
상기 카드사 관리 시스템(300)은 회원의 성별, 연령, 지리적 위치 등과 같은 회원의 개인정보를 미리 설정된 비식별 기준에 따라 비식별 처리할 수도 있다. 일부 실시예들에서, 상기 회원의 연령 또는 생년, 생월, 생일은 나이대(generation) 단위, 성년/미성년과 같은 그룹 연령으로 비식별 처리된다. 일부 실시예들에서, 상기 회원의 주소는 국가기초구역번호, 우편번호, 기타 행정구역과 같은 그룹 주소로 비식별 처리된다. 비식별 처리된 회원 분류 정보는 역식별화가 불가능하다.
도 4는, 본 출원의 일부 실시예들에 따른, 회원 분류 정보를 비식별 처리하는 과정의 개략도이다.
도 4를 참조하면, 상기 카드사 관리 시스템(300)은 제1 유형의 비식별 회원 분류 정보 또는 제2 유형의 비식별 회원 분류 정보를 생성할 수도 있다.
상기 제1 유형 또는 제2 유형의 비식별 회원 분류 정보는 비식별 처리된 연령, 지리적 위치, 페르소나 정보를 포함한다.
일 실시예에서, 상기 제1 유형의 비식별 회원 분류 정보는 도 3을 통해 산출된 회원의 실제(true) 거래 요인 값이 아닌, 결정된 페르소나에 대응한 거래 요인 값을 해당 회원 고객의 거래 요인 값으로서 포함한다. 상기 페르소나에 대응한 거래 요인 값은 해당 페르소나에 속하는 회원 고객의 실제 거래 요인 값의 대표 값을 나타낸다.
다른 일 실시예에서, 상기 제2 유형의 비식별 회원 분류 정보는 도 3을 통해 실제로 산출된 해당 고객 회원의 거래 요인 값을 포함할 수도 있다.
상기 컨설팅 시스템(1)은 상기 회원 분류 정보를 사용하여 프랜차이즈 기업의 이벤트 대상 고객을 보다 정확하게 선정한다.
예상 매출액 산출
상기 컨설팅 시스템(1)은 회원 분류 정보, 부동산 정보, 기업 정보 및 인구 정보 간의 맥락을 분석하여 대상 지리적 위치에서의 예상 매출액을 산출할 수도 있다.
상기 대상 지리적 위치는 기존 프랜차이즈 매장 또는 신규 설립할 매장의 지리적 위치를 포함한다.
상기 컨설팅 시스템(1)은 회원 분류 정보, 기업 정보, 부동산 정보 및 인구 정보 간의 맥락을 고려하기 위해, 회원 분류 정보, 부동산 정보, 기업 정보, 인구 정보 중 2이상의 조합을 서로 매칭하여 서로 다른 측면의 정보 간의 맥락을 서술한 맥락 정보를 하나 이상 생성할 수도 있다. 특정 실시예들에서, 상기 맥락 정보는 고객주소별 매출 정보(또는 고객주소별 결제 정보), 매장에 대한 고객의 관심 정보 및 지역 내 고객에 대한 배후지 정보를 포함할 수도 있다.
상기 컨설팅 시스템(1)은 매장에 대한 고객의 관심 정보, 지역 내 고객에 대한 배후지 정보를 통해 다양한 측면의 정보 간의 맥락을 분석하여 대상 지리적 위치에서의 예상 매출액을 산출하는 예측 모델을 학습할 수도 있다.
도 5는, 본 출원의 일 실시예예 따른, 예상 매출액을 산출하는 예측 모델의 네트워크의 개략도이고, 도 6은, 본 출원의 일 실시예예 따른, 예측 모델을 학습하는 과정의 개략도이다.
도 5를 참조하면, 상기 예측 모델은 복수의 데이터 세트로 이루어진 트래이닝 데이터 세트를 지리적 관심 지역 내 대상 지리적 위치에서의 예상 매출액을 산출하도록 학습된다.
도 6을 참조하면, 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 예측 모델의 입력 데이터 세트로서 적용될 트래이닝 데이터 세트를 생성한다. 트래이닝 데이터 세트 내 복수의 데이터 세트 각각은 동일 지역(예컨대, 지리적 관심 지역)에 위치한 프랜차이즈 매장 및 경쟁자 매장 중 적어도 일부에 각각 대응한다.
상기 복수의 데이터 세트 중 적어도 하나의 데이터 세트(예컨대, 어느 하나의 데이터 세트)는 프랜차이즈 매장에 대한 데이터의 집합이다. 나머지 데이터 세트는 경쟁자 매장에 대한 데이터의 집합이다.
상기 경쟁자 매장은 경쟁 프랜차이즈 기업 및/또는 기타 매장을 포함할 수도 있다. 기타 매장은 프랜차이즈 매장과 동일한 지역에 설립된 동종 업계의 매장으로서, 지정된 경쟁 프랜차이즈 매장 이외의 나머지 중 일부 또는 전부를 포함할 수도 있다.
예를 들어, 1개의 대상기업과 4개의 경쟁기업 간의 경쟁 지수를 산출하도록 제1 모델을 학습할 경우, 5개의 데이터 세트를 포함한 트래이닝 데이터 세트가 사용될 수도 있다.
트래이닝 데이터 세트 내 각 데이터 세트는 특정 매장에 대한 복수의 트래이닝 샘플로 이루어진다. 트래이닝 샘플은 상기 특정 매장에 대한 기업 정보의 일부 또는 전부, 특정 지역 내 고객에 대한 부동산 정보의 일부 또는 전부, 상기 특정 지역 내 고객에 대한 인구 정보의 일부 또는 전부에 기초한다.
트래이닝 샘플은 상기 특정 매장에서 결제한 구매자의 주소, 구매자의 주소의 부동산 정보, 지리적 위치(예컨대, 매장)의 부동산 정보, 지리적 위치(예컨대, 매장)의 매장 정보에 기초할 수도 있다.
특정 트래이닝 샘플은 특정 고객주소에 대한 정보의 집합이다. 각각의 복수의 트래이닝 샘플은 고객주소별로 서브 세트화될 수도 있다.
특정 실시예들에서, 각 트래이닝 샘플은 해당 매장에 대한 맥락 정보를 포함할 수도 있다. 예를 들어, 각 트래이닝 샘플은 해당 매장에 대한 고객주소별 매출 정보, 해당 매장이 위치한 지역 내 고객주소별 배후지 정보, 및/또는 해당 매장에 대한 고객의 관심 정보를 각각 포함할 수도 있다. 이러한 맥락 정보를 포함한 트래이닝 샘플은 상기 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)에 의해 생성된다.
프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 프랜차이즈의 매출 정보 및 지리적 관심 영역 내 부동산 정보에 기초하여 고객주소별 매출 정보를 생성할 수도 있다.
프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 지리적 관심 영역에서 프랜차이즈 매장에서 결제한 구매자의 주소, 부동산 정보 중 부동산 주소를 통해 구매자의 부동산과 프랜차이즈 매장의 매출을 매칭시킨다. 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 구매자의 주소를 통해 구매자에 대한 부동산 정보 중 일부 또는 전부, 그리고 매출 정보 중 일부 또는 전부를 결합하여 고객주소별 매출 정보를 생성할 수도 있다.
개인(또는 구매자)은 주소로 식별할 수도 있다. 하나의 구매자가 하나 이상의 자신의 주소에서 매출을 발생시키는 것은 구매자와 하나 이상의 자신의 주소를 일치화할 수도 있다. 예를 들어, 구매자가 자신의 주택 주소에서 배달을 할 경우, 구매자와 주택 주소는 일치화될 수도 있다.
또한, 동일한 주소를 공유하는 다수의 구매자는 소비패턴, 생활 방식과 같은 결제 성향, 소득 수준 중 적어도 일부분이 유사하므로, 유사한 경향을 공유하는 다수의 구매자들을 하나의 주소로 식별하는 것이 무방하다.
일부 실시예들에서, 엔진(10)에 의해 위치 정보가 코드화된 경우, 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 위치 코드를 통해 고객과 프랜차이즈 매장의 매출을 매칭할 수도 있다. 고객주소별 매출 정보를 변환된 위치 코드를 포함한다.
이러한 결합을 통해 매장 또는 고객에 대응한 건물의 접면 도로 크기, 건물의 용도, 규모와 매출 간의 맥락이 분석 가능하다. 컨설팅 시스템(1)은 고객과 프랜차이즈 매장 매출 사이의 맥락을 상기 고객주소별 매출 정보를 통해 분석 가능하다.
프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 프랜차이즈의 기업 정보, 및 부동산 정보에 기초하여 지리적 관심 영역 내 프랜차이즈 매장별 위치, 크기 및/또는 운영 기간 정보를 생성할 수도 있다.
또한, 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 경쟁 매장의 기업 정보, 및 부동산 정보에 기초하여 지리적 관심 영역 내 경쟁 매장별 위치, 크기 및/또는 운영 기간 정보를 생성할 수도 있다.
또한, 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 기업 정보 및/또는 부동산 정보에 기초하여 매장에 대한 고객의 관심 정보를 생성한다. 상기 고객의 관심 정보는 지리적 위치와 고객주소 사이의 거리, 매장의 크기, 매장의 운영 기간 중 하나 이상을 포함할 수도 있다.
특정 실시예들에서, 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 상기 매장에 대한 고객의 관심 정보를 관심 벡터로 표현할 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다.
프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 부동산 정보 및 인구 정보에 기초하여 지리적 관심 영역 내 일부 또는 전부의 고객주소에 대해서, 고객주소별 배후지(hinterland) 정보를 생성한다. 특정 지역에 대한 배후지 정보는 프랜차이즈 매장이 설립되었거나 설립될 특정 위치를 기준으로 특정 지역에서 거주하거나 이동하는 사람들이 해당 프랜차이즈 매장에서 결제할 가능성을 분석하는데 사용된다.
상기 고객주소별 배후지 정보는 특정 지역과 같은 지리적 영역 내 고객주소별 거주인구 정보 및/또는 거류인구 정보를 포함한다.
거주인구 정보는 특정 지역 내에서 거주하는 개인을 포함한, 거주인을 서술하는 정보이다. 거주인구는 상기 특정 지역 내 적어도 하나의 부동산에 일정 기간 동안 머무는 개인을 포함한다. 예를 들어, 거주인구는 전입신고를 한 임차인, 실거주자 등을 포함할 수도 있다. 프랜차이즈 매장에서 결제한 개인이 거주자인 경우, 거주인구 정보는 거주인에 해당한 고객주소에 대한 배후지 정보이다.
거주인구 정보는 거주자 정보, 거주자 각각의 소득 정보를 포함할 수도 있다. 이러한 거주인구 정보는 주민등록인구 정보에 기초하여 획득될 수도 있다.
일 실시예에서, 상기 거주인구 정보는 특정 지역 내 주택 각각에 대해서, 단일 주택 또는 다수의 주택별 인구수를 포함할 수도 있다. 컨설팅 시스템(1)의 처리 자원에 따라서, 상기 거주인구 정보는 법정 동별 세대당 인구수이거나, 법정 동별 세대 그룹 당 인구수를 포함할 수도 있다. 법정 동별 세대 그룹 당 인구수는 같은 법정 동별 내 위치하는 다수의 세대(예컨대, 수 세대, 수십 세대 또는 수백 세대)로 이루어진 세대 그룹에 거주하는 인구수의 총합이다. 일부 실시예들에서, 세대 그룹은 우편번호를 기준으로 그룹화될 수도 있다.
프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 주택 정보에 포함된 거주자 정보를 통해 부동산 정보 및 인구 정보를 결합하여 특정 지역 내 거주인구 정보를 생성한다.
거류인구 정보는 특정 지역 내 적어도 하나의 부동산에 임시적으로 머무는 개인을 포함한, 거류자를 서술하는 정보이다. 여기서 개인이 임시적으로 머무는 것은 일정 기간이 경과하면 특정 부동산으로 복귀하기 이전까지 상기 특정 지역 내 부동산에 임시적으로 머무는 것을 의미한다. 프랜차이즈 매장에서 결제한 개인이 거류자일 경우, 거류인구 정보는 거류인에 해당한 고객주소에 대한 배후지 정보이다.
또한, 상기 거류인구 정보는 직장 정보를 포함할 수도 있다.
프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)은 비-주택 정보에 포함된 거류자 정보를 통해 부동산 정보 및 인구 정보를 결합하여 특정 지역 내 거주인구 정보를 생성한다.
특정 실시예들에서, 상기 거주인구 정보는 회원 분류 정보에 기초하여 업데이트될 수도 있다. 이 경우, 배후지 정보는 업데이트된 거주인구 정보를 포함한다.
전술한 바와 같이, 공간 정보 관리 시스템(200)은 회원 분류 정보 내 회원의 개인정보에 기초하여 고객주소와 고객 분류 정보를 연관시킬 수도 있다. 그러면, 고객주소별 분류 정보가 획득된다.
상기 거주인구 정보 단독은 고객주소를 인구학적 측면에서 서술한 것이다. 상기 고객주소별 분류 정보를 상기 거주인구 정보에 반영하면, 고객주소를 인구학적 측면 및 소비학적 측면에서 서술할 수 있어, 고객주소의 분석 범위가 확장된다.
예를 들어, 고객주소별로 업데이트된 거주인구 정보는 해당 고객주소의 거래 요인 값, 페르소나 정보를 포함한, 거래 성향 정보를 포함할 수도 있다.
상기 일부 실시예들에서, 회원 분류 정보가 비식별 처리된 경우, 다수의 고객주소의 거주인구 정보는 동일한 거래 요인 값, 페르소나 값을 가질 수도 있다. 예를 들어, 회원 분류 정보의 지리적 위치가 우편번호로 비식별 처리된 경우, 동일한 우편번호를 갖는 다수 고객의 거래 요인 값, 페르소나 정보는 동일할 수도 있기 때문이다.
이러한 결합을 통해 특정 지역의 환경(상권발달, 주택가 등)의 정보 간의 맥락이 분석 가능하다. 컨설팅 시스템(1)은 지역 내 부동산과 지역 내 인구 사이의 맥락을 고객주소별 배후지 정보를 통해 분석한다.
이러한 입력 데이터 세트는 대상 위치에서의 매출액 예측 값을 산출하는 성능을 학습하기 위해 상기 예측 모델에 입력된다.
특정 실시예들에서, 상기 예측 모델은 제1 모델; 제2 모델 및 제3 모델을 포함할 수도 있다.
상기 제1 모델은 지리적 관심 영역 내 일부 또는 전부의 고객주소에 대해서, 각각의 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하도록 구성된다. 상기 고객주소는 거주지 및/또는 거류지 주소일 수도 있다.
고객주소에 대한 대상 지리적 위치의 경쟁 지수는 동일한 주소에 대응한 고객에 대해서 대상 지리적 위치와 다른 경쟁 매장 사이의 경쟁 정도를 나타내는 값이다.
매장 간의 경쟁은 동일한 니즈를 갖는 특정 구매자와 어느 매장이 밀접하게 비즈니스 관계를 갖는 것으로 표현된다. 예를 들어, 피자를 사고 싶은 특정 구매자가 여러 매장과 접촉할 가능성이 있으면, 해당 특정 구매자에 대해서는 여러 매장이 경쟁 관계를 가지는 것으로 취급될 수도 있다.
전술한 바와 같이 매장에 대해 관심을 갖는 개인이 거주지 또는 거류지의 주소에 대응하므로, 매장 간의 경쟁 관계는 대상 프렌차이즈 매장 또는 경쟁 매장과 개인의 주소와의 관계로 표현될 수도 있다. 이와 같이 서로 다른 매장에서 동일한 개인을 바라보는 시선은 경쟁으로 취급된다.
상기 제1 모델은 각각의 고객주소를 통해, 고객과 대상 지리적 위치 간의 관계 및 동일한 고객과 경쟁 매장 간의 관계에 기초하여 각각의 고객에 대한 경쟁 지수를 산출한다.
상기 제1 모델은 다수의 노드를 포함한 뉴럴 네트워크 구조를 가질 수도 있다. 상기 제1 모델은 다수의 노드가 연결된 완전 연결층을 포함할 수도 있다.
일 실시예에서, 상기 제1 모델은 제1층; 및 제2 층을 포함할 수도 있다.
상기 제1 층은 지리적 관심 지역 내 적어도 일부의 고객주소, 대상 지리적 위치(예컨대, 프랜차이즈 매장의 위치), 상기 대상 지리적 위치의 매장 정보, 경쟁자 매장의 지리적 위치 및/또는 경쟁자 매장의 매장 정보 중 하나 이상이 입력되면, 각각의 고객주소와 대상 지리적 위치 간의 관계를 나타낸 관계 벡터 및 각각의 고객주소와 경쟁자 매장의 지리적 위치 간의 관계를 나타낸 관계 벡터를 산출하도록 구성된다.
매장 정보는 매장 크기 및/또는 매장 운영 기간을 포함한다.
상기 관계 벡터는 지리적 위치(예컨대, 프랜차이즈 매장)과 구매자 간의 거리(D), 해당 매장의 크기(S) 및/또는 해당 매장의 운영 기간(T)의 값을 벡터 성분으로 포함할 수도 있다.
성분 D는 매장의 지리적 위치와 개인 간의 거리로서, 매장 주소와 고객주소 간의 거리로 산출될 수도 있다. 성분 D는 지리적 위치 간의 절대적 거리 또는 개인 또는 이동 수단을 통해 이동할 수 있는 경로 상의 거리의 값으로 표현될 수도 있다.
성분 S는 매장이 차지하는 공간의 크기로서, 매칭된 위치를 갖는 부동산의 크기일 수도 있다.
성분 T는 매장의 오픈 시간으로부터 현재시간 까지의 기간, 영업 종료까지의 시간 또는 프랜차이즈의 탈퇴 시간까지의 기간의 값으로 표현될 수도 있다.
특정 실시예들에서, 상기 맥락 정보 내 매장에 대한 고객주소의 관심 정보는 상기 관계 벡터일 수도 있다. 제1 층에 의해, 대상 지리적 위치에 대한 고객의 관심 정보 및 경쟁 매장에 대한 고객의 관심 정보를 벡터화 것이 관계 벡터로 생성된다.
관계 백터에 의해, 매출을 발생 시킬 수 있는 구매자의 해당 매장에 대한 관심이 정량화되고, 결국 수치화된 해당 매장과 개인 간의 관계를 기계학습 모델에 적용할 수 있다.
상기 제1 층의 관계 벡터는 제2 층으로 전달된다.
상기 제2 층은 매장과 개인 간의 관계에 기초하여 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하도록 구성된다. 상기 제1 층에서 대상 지리적 위치와 고객주소 사이의 관계, 경쟁 매장과 고객주소 사이의 관계가 각각의 관계 벡터로 산출되어 제2 층에 입력되면, 고객주소에 대한 대상 지리적 위치의 경쟁 지수가 산출된다.
일 실시예에서, 상기 제2 층은 완전 연결층을 포함할 수도 있다. 상기 제1 모델은 다수의 입력 벡터를 완전 연결층 내 노드에 의해 각각 처리하여 단일 출력 값을 산출하고, 이 단일 출력 값에 기초하여 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출한다.
상기 제1 모델은 이 단일 출력 값 자체를 고객주소에 대한 대상 지리적 위치의 경쟁 지수로 출력하거나, 다른 스케일 범위 내 값으로 변환한 것을 고객주소에 대한 대상 지리적 위치의 경쟁 지수로 출력할 수도 있다
제2 모델은 특정 지역 내 고객주소에 대한 대상 지리적 위치의 경쟁 지수 및 상기 특정 지역에 대한 배후지 정보에 기초하여 고객주소에 대한 구매가능 지수를 산출하도록 구성된다.
전술한 바와 같이 배후지 정보는 상기 특정 지역 내 고객주소 각각에 대한 거주인구 정보 및 거류인구 정보를 포함하며, 이러한 배후지 정보는 소득 수준과 관련된 하나 이상의 수치를 포함할 수도 있다.
제2 모델은 동일한 고객주소에 대한 배후지 정보의 일부 또는 전부 및 대상 지리적 위치의 경쟁 지수를 결합하여 상기 대상 지리적 위치에서의 구매가능지수를 산출한다. 예를 들어, 상기 제2 모델은 고객주소에 대한 대상 지리적 위치의 경쟁 지수와 동일한 고객주소에 대한 배후지 정보 내 수치를 곱셈, 가중치 곱셈, 합산, 또는 가중치 합산 처리하여 고객주소에 대한 구매가능지수를 산출할 수도 있다.
제2 모델에서 산출된 구매가능지수는 제3 모델에 입력된다.
제3 모델은 특정 고객주소에 대한 대상 지리적 위치의 지리적 위치에서의 구매가능지수가 입력되면, 상기 특정 고객주소에 대한 대상 지리적 위치의 지리적 위치에서의 예상 매출액을 산출하도록 구성된다.
특정 실시예들에서, 제3 모델은 ANN 구조일 수도 있다. 예를 들어, 입력층; 히든층; 및 출력층으로 이루어진 DNN일 수도 있다.
이러한 제3 모델이 예상 매출액을 출력하는 성능을 학습하기 위해, 각 트래이닝 샘플은 고객주소에 대한 프랜차이즈의 샘플 매장의 매출액을 각각 더 포함할 수도 있다.
상기 프랜차이즈의 샘플 매장은 대상 지리적 위치에 개설된 것일 수도 있다. 고객주소가 샘플 매장에서 결제한 내역이 있는 구매자 주소일 경우, 고객주소에 대한 샘플 매장의 매출액은 예측 값을 산출하는데 사용되는 실제 값(true value)일 수도 있다.
상기 프랜차이즈의 샘플 매장의 매출액은 일간 매출액, 월간 매출액, 평균 월 매출액, 또는 평균 일 매출액일 수도 있다. 이 매장 매출액의 시점은 예상 모댈의 예측 매출액의 성격에 따라 정의된다.
일부 실시예들에서, 제3 모델을 학습하기 위해, 입력 데이터 세트 중 결제 내역이 있는 구매자 주소에 대한 트래이닝 샘플을 선별할 수도 있다. 제3 모델의 파라미터의 값은 선별된 트래이닝 데이터 세트를 통해 학습된다.
이러한 학습 과정을 통해 학습이 완료된 예측 모델에 컨설팅 분석을 희망한 지리적 관심 지역 내 고객주소, 지리적 관심 지역 내 대상 지리적 위치, 지리적 관심 지역 내 경쟁 매장의 지리적 위치가 입력되면, 제1 모델에 의해 지리적 관심 영역 내 각각의 고객주소와 대상 지리적 위치(예컨대, 샘플 매장) 간의 관계 값을 산출하고, 각 고객주소와 대상 지리적 위치 간의 관계 값에 기초하여 동일한 고객주소에 대한 대상 지리적 위치의 경쟁 지수를 산출하며; 제2 모델에 의해, 지리적 관심 영역의 고객주소별 배후지 정보 및 고객주소에 대한 대상 지리적 위치의 경쟁 지수에 기초하여 고객주소별 대상 지리적 위치의 구매가능지수를 산출하고; 제3 모델에 의해, 지리적 관심 영역의 고객주소별 대상 지리적 위치의 예상 매출액을 산출한다.
일부 실시예들에서, 프랜차이즈 관리 시스템(100)은 공간 정보 관리 시스템(200)으로부터 네트워크 구조가 모델링된 초기 예측 모델을 제공 받아 학습한 예측 모델을 사용하여 대상 지리적 위치에서의 예상 매출액을 산출할 수도 있다.
프랜차이즈 관리 시스템(100)은 지리적 관심 지역 내 고객주소별로 각각 산출된 대상 지리적 위치에서의 예상 매출액을 합산하여 지리적 관심 지역에 대한 대상 지리적 위치에서의 예상 매출액 전체를 산출할 수 있다.
지리적 관심 지역 내 고객주소에 대한 프랜차이즈 매장의 예상 매출액을 산출하도록 구성된 도 3의 예측 모델을 사용하는 경우를 가정해보자. 이 경우, 도 3의 예측 모델은 트래이닝 지리적 관심 영역 내에서의 고객주소별 매출 정보와 고객주소에서의 경쟁 매장과의 경쟁 정도, 고객주소별 배후지 정보 간의 맥락 관계를 학습한 것이다.
상기 예상 매출액은 기준 시점(예컨대, 현재 시점, 평가 시점, 또는 오픈 시점) 또는 상기 기준 시점으로부터 시간이 경과된 미래 시점일 수도 있다.
일 실시예에서, 상기 컨설팅 시스템(1)은 기준 시점의 예상 매출액을 산출하는 제1 예측 모델; 및/또는 미래 시점의 예상 매출액을 산출하는 제2 예측 모델을 포함할 수도 있다. 제1 예측 모델의 트래이닝 샘플에 사용된 매출 시간과 예상 매출액의 시점 사이의 시간 간격(예컨대, 오픈 당일)이 제2 예측 모델의 트래이닝 샘플에 사용된 매출 시간과 예상 매출액의 시점 사이의 시간 간격(예컨대, 1달) 보다 짧을 수도 있다.
컨설팅 시스템(1)은 (예컨대, 프랜차이즈 관리 시스템(100)에 의해) 은 고객 분류 분석, 지리적 관심 영역에 대한 맥락 분석, 매출액 예상 과정에서 획득된 정보에 기초하여, 컨설팅 서비스를 제공한다. 이러한 컨설팅 서비스는 특유의 화면(예컨대, 컨설팅 화면 또는 분석, 보고 화면)을 통해 제공될 수도 있다.
도 7은, 본 출원의 일 실시예에 따른, 매출 현황 화면을 도시한다.
도 7을 참조하면, 프랜차이즈의 대상 매장 주변의 지리적 영역에서 실제 매출 값과 예상 매출 값에 기초한 매출 현황을 제공할 수도 있다. 상기 매출 현황은 도 7의 매출 현황 화면을 통해 지도 상에 표시될 수도 있다.
일부 실시예들에서, 상기 지역별 예상 매출액, 실제 매출액 간의 차액(또는 차액 비율)은 회원 분류 정보를 비식별 처리하는데 사용된 지역 단위에 대응할 수도 있다. 도 4의 상기 일 예시와 같이, 우편번호 지역 단위별로 비식별 처리된 경우, 예상 매출 값과 실제 매출 값에 기초한 매출 현황이 우편번호 지역 단위별로 표시될 수도 있다(S710).
상기 매출 현황 화면은 대상 매장의 예상 매출액과 실제 매출액 간의 차액 및/또는 차액 비율을 표시하도록 구성될 수도 있다. 또한, 상기 매출 현황 화면은 이벤트 대상 고객으로부터 예상되는 예측 매출액 대비 실제 매출액이 동일하거나 더 많은 제1 서브지역 또는 예측 매출액 대비 실제 매출액이 적은 제2 서브지역을 표기(mark-up)하도록 더 구성될 수도 있다. 그러면, 상기 매출 현황 화면은 매출 우수 지역을 이루는 지역의 지리적 위치 정보, 매출 부진 지역을 이루는 지역의 지리적 위치 정보를 표시할 수도 있다.
이벤트 컨설팅
또한, 상기 컨설팅 시스템(1)은 프랜차이즈 기업에 대해서, 고객의 구매를 유도하는 이벤트를 제공 시에 그 효과를 미리 정량적으로 분석하는, 이벤트 컨설팅을 제공할 수도 있다.
도 8은, 본 출원의 일 측면에 따른, 이벤트 컨설팅 방법의 흐름도이다. 상기 이벤트 컨설팅 방법은 상기 컨설팅 시스템(1)의 적어도 일부 구성요소들에 의해 수행될 수도 있다.
도 8을 참조하면, 상기 이벤트 컨설팅 방법은: (예컨대, 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)에 의해) 이벤트 대상 지역을 지정하는 단계(S710)를 포함한다. 상기 이벤트 대상 지역은 이벤트 권한이 사용되는 프랜차이즈의 대상 매장 주변을 포함하는 지리적 영역일 수도 있다.
일부 실시예들에서, 상기 이벤트 대상 지역은 상기 대상 매장의 영업 권역의 적어도 일부일 수도 있다. 상기 프랜차이즈 관리 시스템(100)에 상기 프랜차이즈의 특정 매장의 지리적 위치를 지정하는 명령이 입력되면, 입력된 상기 특정 매장의 영업 권역의 일부 또는 전부가 이벤트 대상 지역으로 지정될 수도 있다(S710).
이러한 대상 매장의 위치를 지정하는 명령은 지리적 명칭일 수도 있다. 상기 프랜차이즈 관리 시스템(100)에 지리적 명칭을 키워드로 입력하고, 상기 지리적 명칭에 연관된 프랜차이즈 매장을 선택함으로써, 대상 매장의 지리적 위치가 지정될 수도 있다.
일부 실시예들에서, 상기 이벤트 대상 지역은 예상 매출액과 실제 매출액에 기초하여 지정될 수도 있다. 일 예에서, 상기 이벤트 대상 지역은 도 7의 상기 제2 서브지역 중 일부 또는 전부일 수도 있다. 상기 이벤트 대상 지역은 제2 서브지역 중 예상 매출액과 실제 매출액 간의 차액이 가장 큰 일부지역일 수도 있다.
다른 실시예들에서, 상기 이벤트 대상 지역은 지도 상에 사용자 입력에 의해 직접 지정될 수도 있다.
지정된 이벤트 대상 지역에 거주하는 카드사 고객에게 상기 카드사 고객의 단말기(400)에 설치된 카드사 애플리케이션을 통해 이벤트 알림이 제공되어 상기 카드사 고객 중 일부 또는 전부에게 이벤트 권한을 제공할 수도 있다. 상기 단말기(400)는 컴퓨터, 노트북, 스마트 폰 등의 클라이언트 단말기일 수도 있다. 상기 단말기(400)는 카드사 애플리케이션이 설치되어 카드사 관리 시스템(300)과 데이터를 송/수신할 수도 있다.
이벤트 권한이 제공된 고객은 상기 카드사 애플리케이션을 통해 상기 이벤트 대상 지역 상의 적어도 하나의 대상 매장에서 이벤트 권한을 사용하여 이벤트 효과를 누릴 수도 있다.
선택된 프랜차이즈 매장의 영업 권역의 일부 또는 전부에 대해서 이벤트가 제공된다.
상기 이벤트 컨설팅 방법은: (예컨대, 카드사 관리 시스템(300)에 의해) 상기 이벤트 대상 지역에 위치한 카드사 회원의 회원 분류 정보에 기초하여 관심 고객 정보를 생성하는 단계(S730)를 포함한다. 일부 실시예들에서, 상기 관심 고객 정보는 카드사 회원 분류 정보 중 상황 분류 정보에 기초하여 생성될 수도 있다.
상기 이벤트 대상 지역에 위치하는 사람은 상기 카드사 관리 시스템(300)에 가입한 카드사 회원과 가입하지 않은 외부 회원으로 분류된다. 외부 회원은 협업 카드사의 애플리케이션을 통해서는 이벤트를 제공할 수 없는, 기타 카드사의 카드만을 사용하는 고객을 나타낸다. 상기 컨설팅 시스템(1)은 카드사 회원에게 카드사 어플리케이션을 통해 이벤트 권한을 제공 가능하다.
이벤트 알림은 상기 프랜차이즈 매장은 상기 카드사의 카드를 사용해 결제할 가능성이 있는 관심 고객의 단말기(400)에 제공된다. 일부 실시예들에서, 관심 고객은 결제 가능성이 상대적으로 높은 핵심 고객과 결제 가능성이 있는 일반 고객을 포함할 수도 있다.
상기 컨설팅 시스템(1)은 상기 부동산 정보, 인구 정보, 회원 정보에 기초하여 카드사 회원과 외부 회원을 분류할 수도 있다. 또한, 상기 컨설팅 시스템(1)은 상기 부동산 정보, 회원 분류 정보에 기초하여 상기 이벤트 대상 지역에 위치한 관심 고객 정보를 생성할 수도 있다.
일 실시예에서, 이벤트 대상 지역에 위치한 고객 중에서 상기 대상 매장에 대한 관심 고객 정보를 생성하는 단계(S730)는, 상기 대상 매장에 속하는 업종의 페르소나 및/또는 거래 요인 값을 검색하는 단계(S731); 상기 이벤트 대상 지역에 위치한 회원 중에서 검색된 상기 대상 매장이 속하는 업종의 페르소나 및/또는 거래 요인 값에 대응하는 회원 분류 정보 내 페르소나 및/또는 거래 요인 값을 갖는 회원을 검색하는 단계(S733); 검색된 회원을 관심 고객으로 선별하는 단계(S735);를 포함할 수도 있다. 또한, 상기 단계(S730)는 선별된 관심 고객을 서술하는 관심 고객 정보를 상기 프랜차이즈 관리 시스템(100) 또는 공간 정보 관리 시스템(200)으로 제공하는 단계(S737)를 더 포함할 수도 있다.
상기 대상 매장의 페르소나 및/또는 거래 요인 값은 상기 이벤트 대상 지역에 위치한 사람 중 상기 대상 매장이 속하는 업종에 대해서 결제한 내역을 갖는 업종 고객의 페르소나 및/또는 거래 요인 값의 대표 값일 수도 있다. 상기 대표 값은 평균, 최빈 값과 같은 통계적 측면에서 그룹을 대표하는 다양한 값일 수도 있다.
예를 들어, 상기 대상 매장의 거래 요인 값은 기존 업종 고객의 거래 요인 값들의 평균 값일 수도 있다. 또는, 상기 대상 매장의 페르소나는 최빈 페르소나일 수도 있다.
상기 대상 매장의 거래 요인 값 또는 페르소나와 동일 또는 유사한 값을 갖는 카드사 회원이 관심 고객으로 선별된다(S735).
일 실시예에서, 대상 매장의 거래 요인 값과 고객의 거래 요인 값 간의 차이가 미리 설정된 이벤트 임계 값 보다 작을 경우, 이 고객을 관심 고객으로 선별할 수도 있다(S735). 상기 이벤트 임계 값은 거래 요인 값의 분포에 기초한다.
일 실시예에서, 대상 매장의 페르소나와 동일한 페르소나를 갖는 고객이 관심 고객으로 선별될 수도 있다(S735).
상기 관심 고객 정보는 상기 핵심 고객의 수 또는 상기 일반 고객의 수, 비-관심 고객의 수 및/또는 외부 회원의 수를 표시하는 화면을 통해 제공될 수도 있다. 상기 화면에 대해서는 아래의 도 8을 참조해 보다 상세히 서술한다.
또한, 상기 이벤트 컨설팅 방법은: (예컨대, 프랜차이즈 관리 시스템(100)에서) 이벤트 정보를 획득하는 단계(S750)를 포함한다. 상기 컨설팅 시스템(1)은 이벤트 정보 중 적어도 일부를 수신하기 위한 인터페이스 화면을 제공할 수도 있다.
도 9는, 본 출원의 일 실시예에 따른, 이벤트 정보 수신을 위한 인터페이스 화면을 도시한다.
도 9를 참조하면, 상기 이벤트 정보는 신청자 정보, 이벤트 대상 정보, 이벤트 유형 정보, 이벤트 내용 정보를 포함한다. 또한, 일부 실시예들에서, 상기 이벤트 정보는 이벤트 조건 정보를 더 포함할 수도 있다.
신청자 정보는 이벤트 진행을 요청하고 이벤트 권한을 사용 가능한 대상 매장에 관한 정보를 포함할 수도 있다. 상기 신청자 정보는 가맹점 식별 정보, 가맹점 명칭, 지리적 위치(예컨대, 주소), 전화번호, 인터넷 주소 등을 포함할 수도 있다.
특정 실시예들에서, 상기 인터페이스 화면은 관심 고객 현황 서브영역을 포함할 수도 있다. 상기 관심 고객 현황 서브영역은 대상 지역 내 관심 고객 현황을 표시할 수도 있다. 상기 관심 고객 현황 서브영역은 이벤트 대상을 지정하는 입력을 유도하도록 구성될 수도 있다. 사용자 입력에 의해 이벤트 대상 정보가 획득된다.
도 9에 도시된 것처럼, 상기 인터페이스 화면은 핵심 고객의 수, 일반 고객의 수, 비-관심 고객의 수 및 외부 회원의 수 중 적어도 일부를 표시하고, 적어도 하나의 고객 그룹을 지정하는 입력을 수신하도록 구성된다. 지정된 고객 그룹이 이벤트 대상으로 결정된다.
이벤트 유형은 할인 유형, 서비스 유형 및/또는 결제 유형을 포함한다. 예를 들어, 도 9에 도시된 것처럼 할인 유형은 비율(%), 절대 금액(원)을 포함한다. 결제 유형은 무이자 할부를 포함할 수도 있다.
상기 이벤트 계획 정보는 이벤트 내용 정보를 포함한다. 또한, 일부 실시예들에서, 상기 이벤트 계획 정보는 이벤트 신청 일자, 이벤트 기간 및/또는 이벤트 명칭을 더 포함할 수도 있다.
상기 이벤트 내용 정보는 프로모션, 서비스(또는 미끼상품), 결제 이벤트를 제공하는 것과 관련된 구체적인 내용을 서술한다. 할인 이벤트의 경우 이벤트 내용 정보는 가격 할인과 관련된 내용을 포함한다. 서비스 이벤트의 경우 무료로 제공되는 서비스와 관련된 내용을 포함한다.
도 9에 도시된 것처럼 비율(%) 유형이 입력된 경우, 내용 값은 할인 비율을 나타낸다. 절대 금액(원) 유형이 입력된 경우, 내용 값은 할인 금액을 나타낸다. 무이자 할부 유형이 입력된 경우, 이벤트 계획 정보는 무이자 기간을 나타낸다.
이벤트 조건은 이벤트 적용 개시 조건, 상한 조건, 하한 조건 및/또는 적용 한도 조건을 포함한다. 도 9에 도시된 것처럼, 상기 이벤트 적용 개시 조건은 결제 금액으로 입력될 수도 있다. 상기 상한 조건은 할인 가능한 최대 금액 범위를 나타낸다. 상기 적용 한도 조건은 동일한 고객에게 이벤트가 적용되는 회수를 나타낸다.
또한, 상기 이벤트 컨설팅 방법은: 이벤트 정보에 기초한 이벤트 진행 요청을 상기 카드사 관리 시스템(300)으로 전송하는 단계(S770); 및 상기 카드사 회원 중에서 이벤트 대상 고객의 회원의 단말기(400)에게 이벤트 알림 정보를 전송하는 단계(S790)를 포함할 수도 있다. 상기 이벤트 대상 고객은 상기 이벤트 대상 지역에 위치하고 관심 고객으로 선별된 카드사 회원이다.
일부 실시예들에서, 상기 단계(S770)는, 도 1에 도시된 것처럼, 상기 프랜차이즈 관리 시스템(100)으로부터 상기 공간 정보 관리 시스템(200)을 통해 상기 카드사 관리 시스템(300)으로 전송될 수도 있다.
일 실시예에서, 상기 이벤트 진행 요청을 전송하는 단계(S770)는, (예컨대, 공간 정보 관리 시스템(200)에 의해) 상기 이벤트 정보에서 이벤트 대상 정보에 기초하여 이벤트 대상 고객 데이터 세트를 형성하는 단계; 상기 이벤트 정보에서 상기 신청자 정보, 이벤트 계획 정보 및 이벤트 조건 정보 중 일부 또는 전부에 기초한 이벤트 요청 데이터를 형성하는 단계; 상기 이벤트 요청 데이터 및 상기 이벤트 대상 고객 데이터 세트를 상기 카드사 관리 시스템(300)으로 전송하는 단계를 포함할 수도 있다.
상기 이벤트 대상 고객 데이터 세트는 단계(S750)에서 선택된 이벤트 대상 고객 그룹에 속하는 회원 각각의 회원 분류 정보 중 적어도 일부를 포함할 수도 있다. 예를 들어, 상기 이벤트 대상 고객 데이터 세트에서 개별 이벤트 대상 고객 데이터는 다음 표의 데이터 구조와 같이, 회원 분류 정보를 포함하도록 형성될 수도 있다.
상기 이벤트 요청 데이터는 이벤트 승인을 수행하기 위한 정보를 포함한다. 예를 들어, 상기 이벤트 요청 데이터는 다음의 데이터 구조로 형성될 수도 있다.
도 10은, 본 출원의 일 실시예에 따른, 이벤트 알림 정보를 전송하는 과정의 개략도이다.
도 10을 참조하면, 상기 카드사 회원 중에서 이벤트 대상 고객의 회원의 단말기(400)에게 이벤트 알림 정보를 전송하는 단계(S790)는, 상기 이벤트 대상 고객 데이터 세트와 미리 생성된 회원 분류 정보에 기초하여 이벤트 대상 고객의 회원 식별 정보를 검색하는 단계, 검색된 회원 식별 정보에 기초하여 상기 이벤트 대상 고객의 단말기(400)에 설치된 카드사 어플리케이션을 통해 이벤트 알림 정보를 제공하는 단계를 포함할 수도 있다.
일부 실시예들에서, 상기 회원 식별 정보를 검색하기 이전에, 이벤트 식별 정보를 생성하는 단계를 더 포함할 수도 있다. 상기 이벤트 식별 정보는 카드사 관리 시스템(300)에서 이벤트 진행을 승인하는 경우 생성될 수도 있다.
도 3, 도 4 및 표 4에 기재된 것처럼, 동일한 고객에 대해서 상기 이벤트 대상 고객 데이터와 회원 분류 정보는 상황 분류 정보(예컨대, 페르소나, 거래 요인 정보)를 공유한다. 그러면, 도 10에 도시된 것처럼, 상기 카드사 관리 시스템(300)은 상황 분류 정보(예컨대, 페르소나, 거래 요인 값)에 기초하여 이벤트 대상 고객 데이터에 매칭하는 회원을 검색할 수도 있다.
카드사 관리 시스템(300)은 상기 회원 식별 정보를 갖는 이벤트 대상 고객의 단말기(400)에 설치된 카드사 어플리케이션에 상기 이벤트 알림 정보를 표시할 수도 있다. 상기 카드사 어플리케이션은 상기 이벤트 알림 정보를 제공하여 이벤트 대상 고객의 이벤트 참여 명령을 유도할 수도 있다.
또한, 상기 컨설팅 시스템(1)은 프랜차이즈 기업이 이벤트 대상 고객에게 이벤트 권한을 제공한 이후에 이벤트 진행 결과를 분석하는 컨설팅 서비스를 제공할 수도 있다. 상기 이벤트 컨설팅 방법은 이벤트 진행 결과를 분석하는 컨설팅 서비스를 제공하는 과정을 더 포함할 수도 있다.
특정 실시예들에서, 상기 이벤트 컨설팅 방법은, 상기 이벤트 알림 정보를 수신한 이벤트 대상 고객 중 이벤트에 참여한 이벤트 대상 고객에게 이벤트 권한을 부여하는 단계(S810); 및 이벤트 기간 동안 이벤트 권한을 사용하여 결제된, 이벤트 결제 실적에 기초하여 기초하여 이벤트 실적 정보를 생성하는 단계(S830);를 포함할 수도 있다.
도 11은, 본 출원의 일 실시예에 따른, 이벤트 참여에 따른 이벤트 권한이 제공되는 과정의 개략도이다.
도 11을 참조하면, 상기 이벤트 대상 고객의 단말기(400)는 하나 이상의 이벤트에 대한 이벤트 알림 정보를 수신할 수도 있다. 상기 이벤트 대상 고객의 단말기(400)는 수신한 이벤트 알림 정보를 표시하여 이벤트 대상 고객의 참여 수락 명령을 유도한다. 참여 수락한 고객에 대해서 이벤트 권한이 부여된다(S810).
참여 수락한 이벤트 대상 고객은 이벤트 권한을 사용하여 상기 대상 매장에서 결제 시 이벤트 효과를 적용받을 수도 있다. 상기 이벤트가 청구할인(%)인 상기 일 예시에서, 고객은 이벤트 권한을 사용하여 이벤트 비율(%)만큼 결제 금액을 할인받을 수도 있다.
도 12는, 본 출원의 일 실시예에 따른, 이벤트 실적 정보의 개략도이다.
도 12를 참조하면, 이벤트 기간 동안 각 이벤트 대상 고객이 대상 매장에서 결제한 실적을 나타낸, 각 이벤트 대상 고객의 이벤트 결제 실적에 기초하여 상기 이벤트 실적 정보가 생성될 수도 있다(S830).
일 실시예에서, 상기 정보 관리 시스템(200)이 카드사 관리 시스템(300)으로부터 이벤트 기간 동안 각 이벤트 대상 고객이 대상 매장에서 결제한 실적을 나타낸, 각 이벤트 대상 고객의 결제 실적을 수신하는 단계, 및 각 이벤트 대상 고객의 결제 실적에 기초하여 이벤트 실적 정보를 생성하는 단계를 포함할 수도 있다.
또한, 일부 실시예들에서, 상기 이벤트 컨설팅 방법은, 이벤트 기간 도과 이전 이벤트 대상 지역 상에서 프랜차이즈 기업의 대상 매장의 예상 매출액과 실제 매출액, 이벤트 기간 도과 이후 이벤트 대상 지역 상에서 프랜차이즈 기업의 대상 매장의 예상 매출액과 실제 매출액, 및/또는 상기 이벤트 실적 정보에 기초하여 이벤트 평가 정보를 생성하는 단계(S850)를 더 포함할 수도 있다.
일 실시예에서, 상기 이벤트 평가 정보는 이벤트 진행 이후에 대상 매장의 예상 매출액과 실제 매출액 간의 차액, 이벤트 진행 이후에 대상 매장의 예상 매출액과 실제 매출액 간의 차액 비율, 상기 이벤트 진행 이전에 대상 매장의 실제 매출액과 이벤트 진행 이후의 실제 매출액 간의 차액 또는 상기 이벤트 진행 이전에 대상 매장의 실제 매출액과 이벤트 진행 이후의 실제 매출액 간의 차액 비율을 포함할 수도 있다.
이벤트 진행 이후에 대상 매장의 예상 매출액과 실제 매출액 간의 차액 (또는 차액 비율)이 이벤트 진행 이전에 대상 매장의 예상 매출액과 실제 매출액 간의 차액 (또는 차액 비율) 보다 증가할 경우 이벤트 결과가 효과적인 것을 나타낸 평가 정보를 생성할 수도 있다.
상기 컨설팅 시스템(1)이 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 통상의 기술자에게 명백할 것이다. 예를 들어, 데이터 입력 장치, 디스플레이 및/또는 인쇄와 같은 출력 장치, 네트워크, 네트워크 인터페이스 및 프로토콜 등을 더 포함할 수 있다.
이상에서 설명한 실시예들에 따른 컨설팅 시스템(1) 및 이에 의해 수행되는 이벤트 컨설팅 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다.
상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 테블릿pc, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.
상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
Claims (11)
- 카드사의 회원 정보 및 회원의 결제 내역 정보를 획득하는 카드사 관리 시스템에 의해 수행되는, 카드사 회원의 회원 분류 정보 생성 방법에 있어서,
상기 회원 정보 및 결제 내역 정보에 기초하여 회원, 결제한 업종, 결제 금액으로 이루어진 거래 통계 데이터를 형성하는 단계;
상기 거래 통계 데이터에 기초하여 회원이 업종의 매장에서 결제하는 내역을 수치적으로 서술한 거래 성향 정보를 산출하는 단계; 및
상기 회원 정보 중 적어도 일부 정보 및 거래 성향 정보에 기초하여 회원 분류 정보를 생성하는 단계를 포함하는 회원 분류 정보 생성 방법.
- 제1항에 있어서,
상기 결제 내역 정보는 결제가 이루어진 매장의 업종 정보를 포함하고,
상기 거래 통계 데이터는 카드사 회원 목록 및 업종 목록으로 이루어진 2차원 행렬 구조로 구현되며,
상기 행렬의 성분은 해당 회원이 해당 업종에서 결제한 카드 금액을 나타내는 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제1항에 있어서,
상기 거래 통계 데이터에 기초하여 회원이 업종의 매장에서 결제하는 내역을 수치적으로 서술한 거래 성향 정보를 산출하는 단계는,
상기 거래 통계 데이터를 행렬 분해(Matrix Factorization) 처리하여 회원을 행(row)으로 갖고 거래 요인을 열(column)로 갖는 회원 고유 행렬 및 업종을 행으로 갖고 거래 요인을 열로 갖는 업종 고유 행렬을 산출하는 단계; 및
상기 회원 고유 행렬에서 각 회원별 거래 요인 값을 포함한 거래 성향 정보를 생성하는 단계를 포함하고,
상기 거래 요인은 회원이 결제를 하는데 영향을 미치는 것으로 설정된 요인인 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제3항에 있어서,
상기 거래 성향 정보를 산출하는 단계는,
다수의 카드사 회원 각각에 대해서 거래 요인 값의 분포에 기초하여 적어도 하나의 페르소나를 정의하는 단계; 및
정의된 페르소나에 기초하여 각 회원별 페르소나 값을 결정하는 단계;를 더 포함하고,
상기 거래 성향 정보는 각 회원별 페르소나 값을 더 포함하는 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제3항에 있어서,
상기 거래 통계 데이터를 이루는 복수의 업종을 재-구성하는 단계를 더 포함하고,
상기 재-구성하는 단계는, 고유 업종 행렬에서 각 업종별 거래 요인 값의 분포에 기초하여 둘 이상의 업종을 단일 업종으로 통합하는 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제4항에 있어서,
상기 회원 분류 정보를 생성하는 단계는,
상기 회원 정보 중 적어도 일부 정보와 상기 개인 성향 정보를 비식별처리한 제1 유형의 비식별 회원 분류 정보 또는 상기 회원 정보 중 적어도 일부 정보만을 비식별처리한 제2 유형의 비식별 회원 분류 정보를 생성하는 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제6항에 있어서,
제2 유형의 비식별 회원 분류 정보에서 거래 요인 값은 결정된 페르소나에 대응한 거래 요인 값을 해당 회원 고객의 거래 요인 값으로서 포함하는 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제4항에 있어서,
상기 회원 정보에서 비식별처리되는 적어도 일부 정보는 연령 또는 생년, 생월, 생일 정보, 지리적 위치 정보를 포함하고,
상기 연령 또는 생년, 생월, 생일 정보는 나이대로 비식별처리되고,
상기 지리적 위치 정보는 우편번호 단위로 비식별처리되는 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제1항에 있어서,
상기 회원 정보는 회원 식별정보, 성명, 연령 또는 생년월일, 지리적 위치, 직장주소, 소득 정보 중 적어도 일부를 포함하고,
상기 결제 내역 정보는 거래 식별정보, 회원 식별정보, 결제시점, 결제가 이루어진 가맹점, 상기 가맹점이 속한 업종, 결제 금액 중 적어도 일부를 포함하는 것을 특징으로 하는 회원 분류 정보 생성 방법.
- 제1항 내지 청구항 제9항 중 어느 하나의 항에 따른 회원 분류 정보 생성 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 기록매체.
- 카드사 회원의 단말기와 통신하는 카드사 관리 시스템에 있어서,
카드사의 회원 정보 및 회원의 결제 내역 정보를 획득하고,
상기 회원 정보 및 결제 내역 정보에 기초하여 회원, 결제한 업종, 결제 금액으로 이루어진 거래 통계 데이터를 형성하며,
상기 거래 통계 데이터에 기초하여 회원이 업종의 매장에서 결제하는 내역을 수치적으로 서술한 거래 성향 정보를 산출하고,
상기 회원 정보 중 적어도 일부 정보 및 거래 성향 정보에 기초하여 회원 분류 정보를 생성하도록 구성된 것을 특징으로 하는 카드사 관리 시스템.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20210078226 | 2021-06-16 | ||
KR1020210078225 | 2021-06-16 | ||
KR20210078225 | 2021-06-16 | ||
KR1020210078226 | 2021-06-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220168961A true KR20220168961A (ko) | 2022-12-26 |
Family
ID=84547465
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220002631A KR102647986B1 (ko) | 2021-06-16 | 2022-01-07 | 인공지능 기반 프랜차이즈 컨설팅 시스템 및 방법 |
KR1020220038715A KR20220168962A (ko) | 2021-06-16 | 2022-03-29 | 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 지역에서의 이벤트 제공을 컨설팅하는 방법 |
KR1020220038714A KR20220168961A (ko) | 2021-06-16 | 2022-03-29 | 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 카드사 회원의 회원 분류 정보 생성 방법 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220002631A KR102647986B1 (ko) | 2021-06-16 | 2022-01-07 | 인공지능 기반 프랜차이즈 컨설팅 시스템 및 방법 |
KR1020220038715A KR20220168962A (ko) | 2021-06-16 | 2022-03-29 | 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 지역에서의 이벤트 제공을 컨설팅하는 방법 |
Country Status (1)
Country | Link |
---|---|
KR (3) | KR102647986B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102639736B1 (ko) * | 2023-05-08 | 2024-02-23 | 주식회사 서영에프앤비 | 프랜차이즈 가맹사업을 위한 상권 분석 시스템 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100123398A (ko) | 2009-05-15 | 2010-11-24 | (주)지디에스케이 | 상권 내에서의 업종별 매출 추정 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100986624B1 (ko) * | 2009-04-28 | 2010-10-08 | (주)오픈메이트 | 셀 통계 기법을 이용한 매출 예측 및 예측 상권 생성 방법과 그 시스템 |
KR20100123408A (ko) * | 2009-05-15 | 2010-11-24 | (주)지디에스케이 | Gis 기반의 가맹점 마케팅 지원 시스템 및 방법 |
KR102607782B1 (ko) * | 2016-05-24 | 2023-11-29 | (주)후앤파트너스 | 예상매출을 근거로 가맹비를 산출하고 실제 매출로 가맹비를 조정하는 프랜차이즈 가맹 시스템 |
KR20200055835A (ko) * | 2018-11-12 | 2020-05-22 | 주식회사 어반포레스트 | 빅데이터에 기반한 소비패턴 분석을 통한 소비자-판매자 중심의 맞춤 서비스 방법 |
-
2022
- 2022-01-07 KR KR1020220002631A patent/KR102647986B1/ko active IP Right Grant
- 2022-03-29 KR KR1020220038715A patent/KR20220168962A/ko not_active Application Discontinuation
- 2022-03-29 KR KR1020220038714A patent/KR20220168961A/ko not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100123398A (ko) | 2009-05-15 | 2010-11-24 | (주)지디에스케이 | 상권 내에서의 업종별 매출 추정 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20220168954A (ko) | 2022-12-26 |
KR20220168955A (ko) | 2022-12-26 |
KR102647986B1 (ko) | 2024-03-19 |
KR20220168962A (ko) | 2022-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Urban function recognition by integrating social media and street-level imagery | |
Demetriou | A spatially based artificial neural network mass valuation model for land consolidation | |
Arzaghi et al. | Networking off madison avenue | |
Psyllidis et al. | Points of Interest (POI): A commentary on the state of the art, challenges, and prospects for the future | |
Cheshire et al. | Capitalising the value of free schools: The impact of supply characteristics and uncertainty | |
Huff | Defining and estimating a trading area | |
JP5414562B2 (ja) | 情報処理装置及び情報処理システム | |
Kaur et al. | Influence of technological advances and change in marketing strategies using analytics in retail industry | |
Yoshimura et al. | Urban association rules: Uncovering linked trips for shopping behavior | |
Credit et al. | Place-making and performance: The impact of walkable built environments on business performance in Phoenix and Boston | |
Han et al. | Search well and be wise: A machine learning approach to search for a profitable location | |
JP2004355616A (ja) | 情報提供システム並びに情報処理システム | |
Dadashpour Moghaddam et al. | A GIS-based assessment of urban tourism potential with a branding approach utilizing hybrid modeling | |
Yi Man Li et al. | Predicting Carpark Prices Indices in Hong Kong Using AutoML. | |
KR20220168961A (ko) | 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 카드사 회원의 회원 분류 정보 생성 방법 | |
Zhou et al. | The allocation optimization of promotion budget and traffic volume for an online flash-sales platform | |
Rojlertjanya | Customer segmentation based on the RFM analysis model using k-means clustering technique: a case of IT solution and service provider in Thailand | |
Cook | Heterogeneous Preferences for Neighborhood Amenities: Evidence from GPS data | |
Ansari et al. | Using decision trees to analyse the customers' shopping location preferences | |
KR102698431B1 (ko) | 인공지능 기반 프랜차이즈 컨설팅 시스템 및 이에 의해 수행되는 대상 프랜차이즈의 신규 매장 개설에 대해 컨설팅하는 방법 | |
Robinson et al. | A multi-scale suitability analysis of home-improvement retail-store site selection for Ontario, Canada | |
Surnin et al. | Adaptive analysis of merchant big data | |
O’Kelly | Applied retail location models using spatial interaction tools | |
Tokosh et al. | Did the Macy’s in my mall close? Revisiting the closures of Macy’s, Sears, and JCPenney stores | |
Hatami et al. | Non-business services performance forecasting for small urban areas using a spatiotemporal deep learning model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |