기업 매출/매입 내역을 활용한

온라인 제조 B2B 플랫폼 기획

2024 가을학기 인공지능과 추천시스템

DF MBA 정상원 20249377

목차

1. 한국평가데이터 보유 기업정보 소개
2. 디지털 전환을 통한 온라인 제조 B2B 플랫폼 구축 배경
3. 기존 온라인 제조 B2B 플랫폼 특성
4. 인공지능과 추천시스템을 활용한 온라인 B2B 제조 플랫폼
5. 추천시스템 상세
6. 추천시스템 성능 평가
7. 질의사항 답변

​

​

​

​

CONTENTS

1300만개

기업 개요 및 재무정보 보유

기업 개요정보

기업 재무정보

기업 신용평가등급

산업 및 업종현황

조기경보

매입처

매입처 사업자번호

매입액

매출처

매출처 사업자번호

매출액

품목정보

1. 보유 기업정보 소개_한국평가데이터

80만개

기업 분기별

부가세 DB 보유

국내기업 정보 DB

50만개

제조기업 정보

10만개

제조기업 부가세DB

1. 보유 기업정보 소개_한국평가데이터

국내기업 부가세정보 DB

1300만개

기업 개요 및 재무정보 보유

기업 개요정보

기업 재무정보

기업 신용평가등급

산업 및 업종현황

조기경보

매입처

매입처 사업자번호

매입액

매출처

매출처 사업자번호

매출액

품목정보

80만개

기업 분기별

부가세 DB 보유

50.4만여개

제조기업 정보

10만여개

제조기업 부가세DB

사업추진 배경

오프라인 B2B거래 한계점

1

• 디지털 전환이 가속화 됨에 따라기존 오프라인 중심의 B2B거래

(영업/구매)의 효율성과 접근성이 한계를 보이고 있음

​

- 기존 오프라인에서 벌어지면 B2B거래가 플랫폼 중심의 거래로 전환

기업 및 기업 거래데이터 중요성↑

2

• B2B 플랫폼 운영을 위한 기업정보 및 기업거래 데이터의 중요도 ↑
• 기업개요, 재무, 업종, 품목, 거래 데이터를 가공해 플랫폼을 통해

복잡한 품목을 단순화하고 수많은 기업간 거래 알선 가능

B2C 전자상거래 플랫폼 성공 사례

3

• 쿠팡, 마켓컬리 등 모바일 전자상거래 플랫폼은 데이터 중심의

디지털 전환으로 소비자 경험을 혁신하며 성장 했으며 B2B

거래에서도 AI를 활용한 추천시스템으로 유사한 성장이 가능

효율적인 거래구조와 비용절감

4

• B2B거래는 대면 및 전화기반으로 이루어 지는 경우가 많아 비효율적
• B2B 거래 플랫폼은 자동화된 견적 시스템과 익명거래 지원을

통해 시간 및 비용 절감이 가능

B2C 전자상거래 성공 케이스

수요자 맞춤형 추천 시스템

1

데이터기반 물류 최적화

2

데이터 기반 의사결정

3

A/B 테스트와 실험

4

2. 디지털 전환을 통한 온라인 제조 B2B 플랫폼 구축 배경

B2B 거래의 디지털화 필요성

정보 비대칭성과 신뢰 부족

기존 국내 B2B 플랫폼이 활성화 되지 못한 원인

1

거래문화의 디지털화 부족

데이터 부족 및 품질 문제

추천시스템과 맞춤형 서비스 부족

- B2B 거래는 구매자와 판매자 간 거래 안정성과 신뢰가 핵심

- 국내 B2B 시장에서는 대면 거래와 관계중심의 거래가 주요 방식

- 기존플랫폼은 구매자와 판매자의 신뢰를 형성할 수 있는 데이터

(신용등급, 거래이력, 품목정보)를 충분히 확보 X

• 기존 플랫폼은 AI 기반의 추천 시스템이나 맞춤형 서비스를 제공 X
• 기업마다 거래패턴, 품목요구, 거래상대방에 대한 신뢰요건이 다르지만, 이를 반영하지 못한 일률적인 UI/UX가 사용자 경험 제한

AI의 등장과 데이터 확보로 인한 B2B거래의 디지털화 가능성↑

2

인공지능

기업DB

플랫폼 중심 환경변화

AI 및 데이터

시대 도래

데이터 중심

의사결정

환경구축

복잡한 B2B

거래의 단순화

데이터중심

사업구조

급격한 성장

데이터 중심 외부환경 변화

B2C플랫폼

B2B플랫폼

“기존에 활성화 되지 못한 B2B 거래 플랫폼이,

외부환경변화로 인해 방대한 기업데이터 보유 기업에

사업기회 제공“

2. 디지털 전환을 통한 온라인 제조 B2B 플랫폼 구축 배경

3. 기존 온라인 제조 B2B 플랫폼 특성

기존 B2B 플랫폼 사례 및 단점

• 카테고리 별 기업의 품목 및 품목에 대한 설명만 나열
• AI을 통한 추천시스템 부재 및 기업 품목정보 외 데이터 부족

• 사용자데이터 불충분으로 적합제품 검색에 오랜시간 소요
• 거래처에 대한 기업정보 부족으로 인해 신뢰성↓

4. 인공지능과 추천시스템을 활용한 온라인 B2B 제조 플랫폼

온라인 B2B 제조 플랫폼 기본개념

약 50.4만개

기업개요, 재무 및 신용DB

약 10만개

기업 분기별

부가세DB

인공지능 및

추천시스템

고도화

온라인

B2B 제조

플랫폼

• 1300만개 기업개요, 재무, 업종, 신용정보 및 80만개 분기별 부가세(매입내역/매출내역) 데이터 기반 매칭 서비스

- 보유 데이터 활용, 매입품목과 매출 품목의 일치율, 거래패턴 업종별 적합성을 분석해 최적의 거래 파트너 매칭

​

• AI 및 추천시스템을 활용한 거래처 추천, 공급망 위험분석 및 기업 거래 성향을 반영한 최적의 매칭 서비스 제공

- 기업의 거래패턴, 제조품목 특성, 지역, 업종 등 방대한 데이터를 분석해 가장 적합한 거래처 추천

- 거래 상대방의 신용점수 및 거래이력을 기반으로 공급망 및 거래 리스크 예측

부가세 정보 및 제품 정보 수집

1

• 가입 시, 기업 부가세 내역 제출을 통한 매입처 및 매출처 DB 확보
• 각 영업 및 구매 담당자 별 판매/구매 제품에 대한 상세 정보 입력

공급망 리스크 관리

2

대체 매출/매입처 추천시스템

3

맞춤형 사용자 인터페이스(대시보드)

4

온라인 B2B 제조 플랫폼 구조

• 신용(모형)등급, ESG 등급을 제공해 현 거래처 안정성 확인 서비스 제공
• 추천 거래처에 대한 신용등급 제공을 통한 사전 리스크 관리 강화

판매제품

DB축적

• 협업필터링, 콘텐츠기반 필터링 기법을 통한 대체 매출/매입처 추천
• 하이브리드 모델 및 고도화된 추천시스템(클러스터링 및 행렬분해) 적용

• 기업별로 기존 및 추천 거래처에 맞는 맞춤형 대시보드형 인터페이스 구축
• 영업 담당자(매출정보) 및 구매담당자(매입정보)에 맞는 인터페이스 제공

4. 인공지능과 추천시스템을 활용한 온라인 B2B 제조 플랫폼

기존 거래처 신용등급 제공을 통한 거래처 리스크관리와 익명견적 요청 기능을 통한 거래 알선

추천 시스템을 통한 잠재 거래처 추천 및 매칭

기업별 상세품목정보 DB화

로그인 후 사용자의 판매/구매 품목에 맞게 유저인터페이스 및 대시보드 구축

사업자등록번호로 가입하고 구매 및 영업 담당자 별로 최대 100개까지

계정 생성가능

온라인 B2B 제조 플랫폼 사용자 Work Flow

4. 인공지능과 추천시스템을 활용한 온라인 B2B 제조 플랫폼

가입(부가세

정보제출) 및

사용자관리

맞춤형

UI

담당자 별

품목 상세정보

입력

추천시스템을

통한 거래처 매칭

기업 개요/신용정보

제공 및 익명

거래 알선

• 사업자등록번호(마스터 ID)로 가입 후 개별 담당자의 개별 아이디 및 비밀번호 생성

- 아이디는 담당자별로 기업당 최대 100개 까지 생성가능하며 각 담당자별 판매/구매 제품 상세정보 입력 필수

- 해당 기업에 대한 매출처/매입처와 제품정보 등록을 통해 적합한 거래처 추천 가능

• 추천 거래처와 익명으로 견적 요청이 가능하고 견적확인 후 기업정보 및 신용정보를 통해 거래 여부 결정

실시간으로 데이터를 처리하고 사용자에게 즉각적이고 만족도 높은 추천 제공

추천시스템

성능평가(성공지표) 및

사용자피드백

반영

인공지능 및 머신러닝

활용, 지도학습과 비지도학습 기법으로

추천 모델 최적화

결측값 처리 및

DB 일관성 확보

온라인 B2B 제조 플랫폼 추천 시스템 개요

4. 인공지능과 추천시스템을 활용한 온라인 B2B 제조 플랫폼

부가세 내역/기업정보 정리 및 표준화

모델 학습 및

최적화

평가 및 피드백

실시간

추천시스템구현

추천알고리즘

개발

데이터 전처리

및 통합

특징 추출

거래처 거래패턴

분석 및

업종/품목정보를

통한 특징추출

협업필터링 및 콘텐츠기반 필터링 적용

하이브리드 모델 및

클러스터링 모델 적용

​

5. 추천시스템 상세

협업 필터링

콘텐츠 기반 필터링

1. 기본원리

• 사용자의 과거 정보를 기반으로 유사한 행동 패턴을 보이는 기업

을 찾고, 해당 기업이 거래한 다른 거래처 추천

2. 필요 데이터 및 예시

3. 장점 및 단점

• 기업 간의 매입처, 매출처, 거래금액 데이터 바탕 유사도 계산
• 경쟁 기업이 거래하는 판매처 정보를 바탕으로 잠재 매출처 추천

• 장점

- 새로운 거래처 추천가능성 높음

• 단점

- 데이터 부족 시 추천 정확도가 낮아지는 콜드스타트 문제 발생

1. 기본원리

• 거래처의 속성과 기업의 거래 선호도를 기반으로 추천
• 기업의 과거 거래처와 유사한 속성 (품목, 업종 등)의 거래처 추천

2. 필요 데이터 및 예시

3. 장점 및 단점

• 기업이 과거 거래한 기업의 업종, 품목, 지역, 신용등급 데이터
• A 기업 = {산업군: 전자부품 80%, 지역: 서울 70%, 신용등급 ≥3}

• 장점

- 개별기업 맞춤형 추천 가능

• 단점

- 새로운 특성의 거래처는 추천이 어려움

5. 추천시스템 상세

하이브리드 방식(협업 + 콘텐츠기반 필터링)

기타 추천시스템 기법 적용

1. 기본원리

• 협업필터링의 콜드스타트 문제를 콘텐츠기반 필터링이 보완하고

콘텐츠기반 필터링의 새로운 특성의 거래처 추천이 어려운 문제의

경우는 협업필터링을 통해 해결

2. 적용원리

3. 기대효과

• 1단계: 협업 필터링으로 유사 기업의 거래처 추천
• 2단계: 콘텐츠 기반 필터링으로 기업 선호를 반영한 거래처 추천
• 3단계: 두 결과를 결합해 최적의 추천 리스트 제공

1. 클러스터링

• 클러스터링 알고리즘을 사용해 매출액, 업종, 제품군 등을

기준으로 기업을 그룹화 하고 그룹 내에서 다른 기업을 추천

2. 행렬분해

3. 특성기반 가중치

• 기업 간의 거래 관계와 특성 데이터를 행렬로 표현한 후, 행렬을

분해하여 숨겨진 패턴을 추출

• A 회사와 B, C, D 회사의 거래정보를 행렬로 표현 및 이 행렬을

분해해 A 회사가 아직 거래하지 않은 E와 F를 추천

• 기업의 특성에 따라 가중치를 다르게 부여해 추천의 정확도↑
• 매출액이 높은 기업에 가중치를 부여 또는 업종의 일치도

기준으로 추천의 가중치를 다르게 설정 가능

• 협업 필터링과 콘텐츠 기반 필터링을 결합하면 기업의 거래 데이터

를 다각도로 분석해 정확한 매입처/매출처 추천 가능

최종 점수=α⋅협업 점수+(1−α)⋅콘텐츠 점수

*α:협업필터링 가중치

6. 추천시스템 성능 평가

추천시스템 성공 지표(Key Success Metrics)

서비스 무료제공 및 가입

기업데이터 확보

기업 품목데이터 상세 수집방안

B2B 플랫폼 수익모델 및 수수료 방안

7. 질의사항 답변

“기존 B2B 플랫폼에서 기업별 품목(제품)데이터 부족으로 인한 추천시스템 적용이 어려웠던 문제에 대한 대안“

“B2B 플랫폼으로 자리잡으려면 공급자들의 관계가 중요한데

수수료 문제에 대한 해결책”

• 담당자가 해당 플랫폼 가입 시, 구매/판매 제품에 대한 최대한의 데이터 확보 및 DB화
• 기업 홈페이지 내 판매 제품에 대한 정보를 크롤링 및 스크래핑으로 최대한 수집

B2B 광고

수익창출

유료 서비스 제공

거래기업신용등급 및 보고서 유상제공

중개 수수료 창출

거래를 위한

신용보증보험 중개

및 기업보험 중개

거래 수수료 부과

거래에 대한

수수료 부과

• 플랫폼 내 공급기업들과의 수수료는 업종별 및 품목별 거래량에 따라 비례하여 책정

- 플랫폼 내 거래량이 많은 품목 및 업종의 경우 높은 거래성사 수수료를 부과

- 업종별/품목별 시장수요(거래량)에 따라 수수료 자동설정으로 이견 최소화

​

• 거래 전 수수료에 대한 정책을 미리 안내하고 수수료 부과에 대해 동의 한 공급기업만

플랫폼 내 거래 참여가능

감사합니다.

2024 가을학기 인공지능과 추천시스템

DF MBA 정상원 20249377