래딩랩스 래랩은 선하증권·수출 데이터로 미국 바이어를 발굴하는 앱이라, 제품에 맞는 해외 바이어를 매칭하는 이 도구는 래랩의 실제 무역 데이터가 있어야 매칭을 검증한다.
'중소기업의 해외 바이어 발굴 앱 래랩'. 바이어 매칭이 제품의 핵심.
'선하증권·수출 데이터로 미국 바이어 정보 제공'. 데이터 매칭이 직격.
'딥러닝' 역량. 제품-바이어 임베딩 매칭이 토대.
수출·선하증권 데이터를 받아 제품에 맞는 유망 해외 바이어를 근거와 함께 매칭하고 우선순위를 매기는 1주 포트폴리오.
래딩랩스 PE. 바이어를 수기로 찾던 수출 기업을, 데이터 기반 바이어 매칭 도구로 돕고 싶은 사람.
수출 데이터에 제품·거래 이력을 붙이면, 도구가 (a) 맞는 바이어를 근거와 함께 매칭하고 (b) 우선순위를 매길 수 있다.
수출 데이터를 받아 맞는 해외 바이어를 근거와 함께 매칭하고 우선순위를 매기는 동작하는 도구.
매칭 바이어의 실제 거래 성사로 적합도를 재고, 오탐을 보여주는 대시보드.
제품별 유망 바이어 리스트를 자동 발굴 리포트로 만드는 단계.
수출 데이터를 넣으면 유망 바이어와 매칭 근거가 나오는 걸 시연한다
매칭 근거로 인용한 거래 이력이 실제 데이터에 존재하는 비율 100%
측정: 근거 일치 규칙, 표본: 매칭 200건
일부러 만든 결측·경계·미등록 품목 30종을 넣어도 매칭이 멈추지 않고 처리되는 걸 시연한다
위 수치는 더미데이터 자가채점이며, 실제 바이어 매칭 적합도는 래딩랩스 실데이터 + 실 검수자가 있어야 측정 가능. 이 포트폴리오는 그 검증을 바로 돌릴 수 있는 상태까지 만든다.
이건 고객·실데이터 없이 혼자 만든 포트폴리오라 모든 수치는 합성 데이터 자가채점이다. 면접에서 '데모 동작 + 실검증 준비 상태'로 솔직히 설명하는 게 오히려 신뢰를 준다
정답을 내가 만들었으니 잘 맞는 게 당연. 그래서 결측·경계·미등록·표기 흔들림 케이스를 더미에 일부러 섞어 쉬운 문제만 푸는 게 아님을 보여준다
상관≠인과: 과거 거래가 곧 미래 성사는 아니므로 매칭은 '유망 후보 + 근거'로 제시한다
실제 도입 시 달라지는 것: 실 선하증권·바이어 데이터가 더미와 다르므로 매칭 모델을 실데이터로 맞춰야 한다(도입 단계 과제)
① 인라인 샘플 · ② seed.json 다운로드 · ③ 증강 프롬프트. 세 층 모두 동일한 schema 에서 파생.
수출·바이어 데이터를 묶어 매칭 입력으로 쓴다
| rec_id | buyer_raw | buyer_id | hs_code | volume | country | last_deal |
|---|---|---|---|---|---|---|
| EX900 | OO Corp(구) | — | 8471.30 | — | US | — |
| EX901 | 바이어0 | by0 | 0000.00 | 0 | US | 2020-01 |
| EX902 | 대형바이어 | by2 | 8471.30 | 9,999,999 | US | 2026-05 |
| EX903 | 미등록바이어 | — | 9999.99 | 500 | XX | — |
| EX000 | 바이어0 | by0 | 8471.00 | 1,000 | US | 2026-03 |
z.object({ rec_id: z.string(), buyer_raw: z.string(), buyer_id: z.string().nullable(), hs_code: z.string(), volume: z.number().nullable(), country: z.string(), last_deal: z.string().nullable() }). 쉬운 데이터만 만들지 말 것. 다음 하드 케이스를 의도적으로 섞어라: volume/last_deal null(미기재), volume 0·극단, hs_code 비정상(0000), buyer_id null 미등록, country 비정상(XX), buyer_raw 표기 흔들림. 형식 깨뜨리기 시도 3건도 별도로.z.object({ rec_id: z.string(), buyer_raw: z.string(), buyer_id: z.string().nullable(), hs_code: z.string(), volume: z.number().nullable(), country: z.string(), last_deal: z.string().nullable() })| 딥러닝 | 제품-바이어 임베딩 매칭 모델 |
| Python | 수출 데이터 ingest + 매칭 + eval |
| TypeScript | 매칭 렌더 + Zod 검증 |
| React | 바이어 매칭 대시보드 |
| Node.js | 매칭 API |
| PostgreSQL | 수출·바이어 단일 진실원 |
✓ pass → 그대로 멈춰도 완성품. 더 키우려면 2주차(매칭 검증)로.
✓ pass → 여기서 멈춰도 완결. 더 키우려면 3주차(자동 발굴 리포트)로.
바이어 매칭 + 우선순위
z.object({ product: z.string(), buyers: z.array(z.object({ buyer_id: z.string(), score: z.number(), reason: z.string() })), priority_note: z.string() })[
{
"product": "노트북",
"buyers": [
{
"buyer_id": "by0",
"score": 0.82,
"reason": "동일 HS코드 거래 이력"
}
],
"priority_note": "최근 거래 활발 우선"
},
{
"product": "미상",
"buyers": [],
"priority_note": "품목 결측. 확인 필요"
}
]buyers 의 reason 근거 존재·score 정합성은 자동 검증, 매칭 적합도는 영업/judge 검증.