earticle

영어

This study proposes a methodology for integrating and analyzing seafood distribution data to enhance transparency and efficiency in the supply chain. In the seafood distribution process, structural differences and attribute mismatches between structured data (e.g., HS-CODE, import dates, trade volumes) and unstructured data (e.g., product descriptions, quality attributes) present significant challenges in data management and analysis. By employing an ontology-based approach, this study establishes relationships between structured and unstructured data, enabling integrated analysis. Structured data were collected from public databases, such as those of the Korea Customs Service, while unstructured data were gathered and refined using natural language processing (NLP) techniques. The findings demonstrate that the ontology-based approach effectively resolves attribute mapping issues between structured and unstructured data while minimizing errors in the data integration process. By leveraging HS-CODE to classify seafood items and incorporating additional details from unstructured data-such as processing status, product forms, and distribution routes-the proposed methodology improves data consistency and reliability. This approach supports data-driven decision-making and facilitates the digital transformation of seafood distribution processes. Specifically, this research focuses on overcoming structural discrepancies during data integration and enhancing the efficiency of the seafood distribution system by linking structured and unstructured data. The proposed approach provides a robust foundation for comprehensive data analysis in seafood distribution and is expected to contribute to the innovative development of distribution systems by integrating with machine learning and AI-based predictive modeling in the future.

한국어

본 연구는 수산물 유통 데이터의 통합과 분석을 통해 유통 체계의 투명성과 효율성을 강화하는 방법론을 제안한다. 수산물 유통 과정에서 정형 데이터(예: HS-CODE, 수입일자, 수출입량)와 비정형 데이터(예: 제품 설명, 품질 속성) 간의 데이터 속성 불일치와 구조적 차이는 데이터 관리와 분석에서 주요한 장애 요소 로 작용한다. 본 연구는 온톨로지 방식을 활용하여 정형 데이터와 비정형 데이터 간의 관계를 정의하고, 이를 통합적으로 분석할 수 있는 체계를 구축하였다. 정형 데이터는 관세청과 같은 공공 데이터베이스에서 수집되었으며, 비정형 데이터는 자연어 처리(NLP) 기술을 적용해 수집 및 정제되었다. 연구결과, 온톨로지 방식은 정형 데이터와 비정형 데이터 간의 속성 매핑 문제를 효과적으로 해결하며, 데이터 통합 과정에서 발생할 수 있는 오류를 최소화하였다. 또한, HS-CODE를 기반으 로 수산물 품목을 세분화하고, 비정형 데이터를 통해 가공 상태, 제품 형태, 유통 경로 등 세부 정보를 추가함으로써 데이터의 일관성과 신뢰성을 높였다. 이로써 데이터 기반 의사결정을 지원하고, 수산물 유통 과정의 디지털화를 촉진하는 데 기여하였다. 특히, 본 연구는 데이터 통합 과정에서 발생할 수 있는 구조적 차이를 극복하고, 정형 데이터와 비정형 데이터의 상호 연계를 통해 수산물 유통 체계의 효율성을 향상시키는 데 중점을 두었다. 이 접근법은 수산물 유통 과정에서 발생 하는 다양한 데이터를 통합적으로 분석할 수 있는 기반을 제공하며, 향후 머신러닝 및 AI 기반 예측 모델링과의 결합을 통해 유통 체계의 혁신적 발전에 기여할 것 으로 기대된다.