경쟁자를 압살하는 '킬러 입찰가'
디마툴즈 나라장터 AI입찰,
월평균 킬러 입찰가 예측율 최대 39%
디마툴즈 나라장터 AI입찰, 실시간 주요 성능 지표
1,010,103건
누적 검증 데이터 건수
256888건
킬러 입찰가 예측 건수
25.4%
킬러 입찰가 예측 비율
36.0%
용역 킬러 입찰가 예측 비율
14.2%
공사 킬러 입찰가 예측 비율
33.5%
물품 킬러 입찰가 예측 비율
킬러 입찰가 AI 예상 낙찰액 (2025년)
7조 1,510억원
킬러 입찰가
킬러 입찰가는 머신러닝 모델이 실제 낙찰가보다 더 정확한 입찰가를 예측한 경우입니다.
2025년 월별 킬러 입찰가 성과
| 월 | 킬러 입찰가 | 전체 분석 | 성공률 | 예상 낙찰액 |
|---|---|---|---|---|
| 2025-01 | 1,223건 | 4,183건 | 29.24% | 2,286억원 |
| 2025-02 | 3,792건 | 12,594건 | 30.11% | 7,850억원 |
| 2025-03 | 6,182건 | 18,021건 | 34.30% | 1조 3,750억원 |
| 2025-04 | 4,416건 | 12,820건 | 34.45% | 1조 2,235억원 |
| 2025-05 | 2,457건 | 6,828건 | 35.98% | 8,551억원 |
| 2025-06 | 2,846건 | 7,302건 | 38.98% | 1조 3,381억원 |
| 2025-07 | 1,847건 | 5,519건 | 33.47% | 8,607억원 |
| 2025-08 | 1,202건 | 3,783건 | 31.77% | 4,850억원 |
| 합계 | 28,069건 | 85,164건 | 32.96% | 7조 9,186억원 |
* 예상 낙찰액: 킬러 입찰가 기준은 예상 낙찰액
디마툴즈 나라장터 AI입찰 자동화 시스템의 핵심 기술적 우위
1. 거대 다중지표 학습
수천 개의 의사결정 트리가 협력하여 예측합니다. 단일 룰이나 공식이 아닌 복합적 패턴 인식으로 기존 시뮬레이션 방식의 한계를 극복합니다. 각 트리가 서로 다른 특징을 학습하여 예측 정확도를 향상시킵니다.
2. 킬러 입찰가를 위한 머신러닝
머신러닝 학습 시 단순한 평균 오차 최소화가 아닌, 하한선 미만, 1위 낙찰가 초과에 대한 패널티를 적용합니다. 일반적인 방법론으로 입찰하는 가격보다 더 낮은 가격을 학습해, 1위 확률을 극대화합니다.
3. 사업구분별 전용 모델
공사, 용역, 물품 각각의 고유한 특성을 반영한 분리된 예측 모델을 운용합니다. 범용 분석과 달리 각 분야의 특수성을 깊이 학습하여 15-20% 높은 정확도를 달성합니다.
4. Feature Engineering 자동화
입찰공고일, 마감일, 기관 특성, 계약 방식 등을 AI가 자동으로 조합하여 최적의 예측 변수를 생성합니다. 사람이 놓칠 수 있는 미묘한 상관관계까지 발견하여 활용합니다.
5. 금액 구간별 맞춤형 모델
금액 구간별로 다른 전략을 자동 적용합니다. 금액 구간별 낙찰 특성의 차이, 기관 유형별 패턴을 구분하여 구간별 맞춤 예측을 수행합니다.
6. 실시간 적응 학습
시장 환경 변화, 정책 변동, 경기 상황 등 외부 요인을 자동으로 감지하여 모델 파라미터를 동적 조정합니다. 정적인 룰테이블과 달리 변화하는 환경에 적응합니다.
나라장터 기존 입찰 분석 방법론의 구조적 한계
현실: 대부분의 입찰업체가 직면한 문제
대부분의 입찰 분석 업체들은 패턴 통계나 룩업테이블 방식을 사용합니다.
과거 사정률의 평균이나 빈도 구간을 보여주고, 예비가격을 조합해서 "가능성이 높은 범위"를 추천하는 수준이죠.
엑셀 시트에서도 돌아가는 수준의 분석방법론이 대부분입니다.
고정된 값과 일관된 계산은 가능하지만 유연성이 떨어질 수밖에 없는 구조입니다.
게다가, 수동 분석으로는 공고가 올라온 직후에 실시간으로 예측을 수행하기는 불가능합니다.
그러나 머신러닝은 엑셀 시트로는 절대 대응할 수 없는 복잡한 패턴까지 반영합니다.
기존 입찰 업체들과 같은 방식으로 낙찰가를 예측하면, 2등 낙찰가만 만들어내게 됩니다.
디마툴즈는 머신러닝을 통해 1위 낙찰가가 아니라, 1위 낙찰가를 이기는 "킬러 입찰가"를 예측합니다.
나라장터 전통적 분석 vs AI 머신러닝 자동화 비교
| 분석 영역 | 기존 방법론 | 디마툴즈 AI입찰 (머신러닝) |
|---|---|---|
| 예비가격 추정 |
• 기관별 고정 범위표 활용 (±2%, ±3%) • 15개 구간별 랜덤 시뮬레이션 • 과거 패턴 기반 수작업 조정
한계: 실제 복수예가는 개찰 시까지 알 수 없음
|
• 추정가격 기준 다차원 통합 스케일링 • 기관별, 금액별, 사업구분별 패턴 머신러닝 • 예비가격 불확실성을 데이터 증강으로 모델화
개선점: 예비가격 랜덤성을 확률분포로 학습하여 불확실성까지 예측에 반영
|
| 하한율 적용 |
• 조달청 고시 하한율표 직접 적용 • 87.995%, 80.495% 등 정적 수치 • 다양한 부가정보를 무시한 일률적 적용
한계: 실제 기관별 낙찰 패턴 차이 반영 불가
|
• 실제 낙찰 데이터 기반 실질 하한율 동적 계산 • 기관 타입별(조달청, 교육청, 지자체) 차별화 • 금액 구간별 최적화된 하한율 적용
개선점: 공사 36.7%, 용역 51.5%, 물품 39.0%의 실제 검증된 정확도
|
| 사정율 분석 |
• 과거 투찰 기업별 사정율 통계 • 업종별, 지역별 평균값 계산 • 수작업 패턴 분석 및 추세 예측
한계: 시장 변화, 경쟁 환경 변화 반영 어려움
|
• 수십 가지의 다차원 데이터를 통한 패턴 학습 • 시간적 변화, 계절성, 시장 환경 자동 반영 • Custom Loss Function으로 하한선 위반 패널티 강화
개선점: 수백 개 변수를 동시에 고려한 복합적 예측
|
| 투찰 전략 |
• "추첨구간 내 최대 다수 입찰" 단순 전략 • 5-6구간 집중 투찰 관행 • 순공사금액 × 98% 하한선만 확인
한계: 모든 업체가 동일 구간에 몰려 경쟁 심화
|
• Valid Win 구간 최적화 (하한선~실제낙찰가) • 사업구분별 전용 모델 (공사/용역/물품) • 안전마진 + 마진최적화 이중 가드시스템
개선점: Too Low 28.2%, Too High 28.1%로 균형 잡힌 예측
|
| 데이터 처리 |
• 엑셀 기반 수작업 계산 • 개별 공고별 수동 분석 • 제한적 과거 데이터 활용 (최근 1년)
한계: 처리 속도 느리고 휴먼에러 발생
|
• 자동 데이터 전처리 및 Feature Engineering • 실시간 배치 처리로 다량 공고 동시 분석 • 실시간 전체 데이터셋 활용
개선점: 수초 내 예측 완료, 일관된 품질 보장
|