TWI698825B - 藉由預測顧客到訪率提供行銷服務之方法及系統 - Google Patents
藉由預測顧客到訪率提供行銷服務之方法及系統 Download PDFInfo
- Publication number
- TWI698825B TWI698825B TW108102922A TW108102922A TWI698825B TW I698825 B TWI698825 B TW I698825B TW 108102922 A TW108102922 A TW 108102922A TW 108102922 A TW108102922 A TW 108102922A TW I698825 B TWI698825 B TW I698825B
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- store
- customer
- wireless network
- frequent
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種藉由預測顧客到訪率提供行銷服務之方法與系統,包含顧客經營平台、商店系統及客戶端連網裝置,該顧客經營平台通訊連接實體店家的至少一商店系統及該至少一商店系統所提供之無線網路熱點,用以預測常客當日到訪該實體店家之來店機率,並取得該商店系統之行銷模組所提供之動態行銷資訊,以推播至該實體店家的常客之客戶端連網裝置,該商店系統係根據該顧客經營平台所提供之常客來店機率及商品庫存資訊產生該動態行銷資訊,該客戶端連網裝置透過網際網路、該無線網路熱點或該商店系統之登入介面以獲取多重優惠訊息。
Description
本發明係關於一種提供行銷服務之方法及系統,特別為一種協助店家管理與預測客戶來店率並推播動態行銷資訊以提供行銷服務之方法與系統。
近年來,世界各國政府為提升其國家競爭力積極打造智慧城市,其中建設綿密且便利之連網環境更是建構智慧城市之根基。根據2017年世界經濟論壇(WEF)所公布的全球資訊技術最新報告顯示,我國之資訊基礎網路以及行動寬頻網路覆蓋率兩項評比,在全球138個列入評比的國家中均排名第一,顯示我國政府多年來大力投入寬頻基礎網路建設且獲得國際肯定。隨著智慧型裝置與連網技術蓬勃發展,許多民生消費場域,如餐飲飯館、車站、觀光景點、便利商店等多提供免費或優惠上網服務以吸引民眾前往消費,並希望藉此延長民眾於店內之停留時間進而增加消費。此外,上述場域之業者也積極透過成熟之連網通訊技術提供多種不同之行銷方式。
為了提供顧客更優質之消費體驗,已有許多針對個別顧客提出之客製化促銷優惠方法,藉此強化商家與顧客之關聯性。中華民國新型專利公告號第M443899號係利用消費者觀看POS廣告機及電子看板時,採用智慧辨識技術辨別消費者之人臉、性別和年齡等資訊,並結合其歷史購買紀錄,進而推薦合適商品給正在觀看POS廣告機及電子看板之消費者。然而,此種方式之缺點在於當有多位消費者同時觀看一POS廣告機或一電子看板時,由於每位消費者之需求不同,將使該POS廣告機或該電子看板難以一一針對正在觀看電子看板之所有消費者提供合適之商品。
另一種實體店面之商品推播方法如中華民國發明專利公告號第I587231號,係根據使用者停留於店內位置判斷該使用者有興趣之商品,再搭配該使用者之歷史消費紀錄,進而提供一適合該使用者之動態商品促銷方案。然而,此發明並未考慮到外在環境變化(如節慶、氣象、交通等)是影響顧客消費意願之重要因素。
此外,在銷售商品之過程中,何時該降價出售以減少營業損失係業者須考慮之重要議題。尤其具時效性之商品(如餐飲業或旅館業)其商品價值會隨時間流逝而逐漸降低,中華民國發明專利公告號第I601082號為了改善傳統懸崖式(一次性)降價方式對業者造成嚴重財產損失之問題,而提出可供業者自行設定優惠時段之起訖時間,再以階段式降價之方式降低業者損失。儘管該發明係以參考商品受注目程度作為降價幅度判斷,然而同樣未考量到外在環境變化(如節慶、氣象、交通等)更是影響顧客消費意願之重要指標。
中華民國發明專利公告號第I570644號係事先根據某一地理位置、某一天氣狀況或某一民俗節慶等資訊提供一促銷方案供消費者進行線上預約服務。然而,該發明僅能針對少數特殊或事先設定之條件提供促銷方案,卻未能同時針對大多數非特殊時段提供相對應之促銷方法,因此無法有效提升顧客對商家之忠誠度。
另一種提供顧客優質消費體驗之方式則是由商家建立會員制度,例如發送給每位顧客一張會員卡或者由顧客自行於智慧型裝置安裝相對應之應用服務,商家可藉此記錄每位顧客之消費喜好之外,更可提供專屬於每位顧客之優惠服務。然而,商家發送實體會員卡需面臨到每個服務據點均需架設會員卡讀取裝置之外,且須處理會員遺失、損毀或遭盜用會員卡等問題,上述會員卡維護成本將造成商家一大負擔。此外,隨著連網方式越趨便利,商家與民眾受駭客攻擊及個資遭竊取之風險更是大為提高。其中已有許多商家受到駭客攻擊,導致數萬筆會員個資外洩,嚴重影響顧客對商家之忠誠度與信賴感,造成該些商家之聲譽與營收一蹶不振。
由此可見,上述習用方式仍有諸多缺失,實非一良善之設計,而亟待加以改良。
本案發明人鑑於上述習用方式所衍生的各項缺點,乃亟思加以改良創新,並經多年苦心孤詣潛心研究後,終於成功研發完成本件顧客經營方法與系統。
為解決前揭之問題,本發明提供一種藉由預測顧客到訪率提供行銷服務之方法,包括:取得多個客戶端裝置訪問實體店家所提供的無
線網路熱點之訪問資訊以及其所對應之公開資訊,以作為該多個客戶端裝置的完整登入資訊;儲存該完整登入資訊於內部資料庫;分析該完整登入資訊以取得該多個客戶端裝置中常客的名單;通過機器學習演算法預測該常客於當日到訪該實體店家的來店機率;根據該常客的該來店機率以及商品狀態,通過行銷模組產生該實體店家的行銷資訊;以及透過顧客經營平台發送該實體店家的該行銷資訊至該常客的客戶端裝置。
在前述之方法中,該訪問資訊包括客戶資訊、該客戶端裝置的登入資訊、網路連線資訊、或登入時間。
在前述之方法中,該公開資訊包括氣象資訊、日曆表資訊、該實體店家的地理資訊、該實體店家的營業時間資訊、該無線網路熱點的建置資訊、該無線網路熱點的狀態資訊、或該無線網路熱點的連線統計資訊。
在前述之方法中,該分析該完整登入資訊以取得常客的名單之步驟,係包括從該內部資料庫中的預定時間區間內排序該多個客戶端裝置訪問該實體店家的該無線網路熱點之天數,並以預設比例擷取天數較多的該客戶端裝置作為該常客的名單。
在前述之方法中,該分析該完整登入資訊以取得常客的名單之步驟,係包括缺失值處理、資料轉換、及資料特徵標準化。
在前述之方法中,該缺失值處理之步驟包括比對該客戶端裝置訪問該無線網路熱點的時間與該實體店家的營業時間以刪除該實體店家的營業時間以外的該訪問資訊,且對於該完整登入資訊中有缺失的資料欄位以該資料欄位的平均值取代。
在前述之方法中,該資料轉換之步驟包括將該完整登入資訊
數值化及向量化。
在前述之方法中,該資料特徵標準化之步驟包括將經過數值化及向量化的該完整登入資訊轉換為相同尺度規模。
在前述之方法中,該通過機器學習演算法預測該常客於當日到訪該實體店家的來店機率之步驟,係包括使用支持向量機的監督式機器學習演算法,其中,該監督式機器學習演算法係以該常客的名單及其完整登入資訊作為訓練資料集合,以預測該常客的來店機率。
在前述之方法中,該產生該實體店家的行銷資訊之步驟,係包括基於該來店機率較高或較低的該常客,配合該商品狀態中庫存較多或較暢銷商品,以產生該行銷資訊。
本發明另提供一種藉由預測顧客到訪率提供行銷服務之系統,包括:商店系統,係用以配置於實體店家且具有無線網路熱點,以供多個客戶端裝置訪問;顧客經營平台,係用以通訊連接於該商店系統的該無線網路熱點以取得該多個客戶端裝置訪問該商店系統所提供的該無線網路熱點之訪問資訊以及其所對應之公開資訊,以作為該多個客戶端裝置的完整登入資訊;內部資料庫,係用以儲存該完整登入資訊;分析模組,係用以分析該完整登入資訊以取得該多個客戶端裝置中常客的名單,且通過機器學習演算法預測該常客於當日到訪該實體店家的來店機率;以及行銷模組,係根據該常客的該來店機率以及商品狀態,用以產生該商店系統的行銷資訊,以透過該顧客經營平台的推播模組發送該實體店家的該行銷資訊至該常客的客戶端裝置。
在前述之系統中,該訪問資訊包括客戶資訊、該客戶端裝置
的登入資訊、網路連線資訊、或登入時間。
在前述之系統中,該公開資訊包括氣象資訊、日曆表資訊、該實體店家的地理資訊、該實體店家的營業時間資訊、該無線網路熱點的建置資訊、該無線網路熱點的狀態資訊、或該無線網路熱點的連線統計資訊。
在前述之系統中,該分析模組係從該內部資料庫中的預定時間區間內排序該多個客戶端裝置訪問該商店系統的該無線網路熱點之天數,並以預設比例擷取天數較多的該客戶端裝置作為該常客的名單。
在前述之系統中,該分析模組係通過缺失值處理、資料轉換、及資料特徵標準化,以取得該常客的名單。
在前述之系統中,該缺失值處理係比對該客戶端裝置訪問該無線網路熱點的時間與該實體店家的營業時間,以刪除該實體店家的營業時間以外的該訪問資訊,且對於該完整登入資訊中有缺失的資料欄位以該資料欄位的平均值取代。
在前述之系統中,該資料轉換係數值化及向量化該完整登入資訊。
在前述之系統中,該資料特徵標準係將經過數值化及向量化的該完整登入資訊轉換為相同尺度規模。
在前述之系統中,該機器學習演算法係為支持向量機的監督式機器學習演算法,其中,該監督式機器學習演算法係以該常客的名單及其完整登入資訊作為訓練資料集合,以預測該常客的來店機率。
在前述之系統中,該行銷模組係基於該來店機率較高或較低的該常客,配合該商品狀態中庫存較多或較暢銷商品,以產生該行銷資訊。
本發明藉由利用公開資料庫資訊及機器學習演算法協助實體店家透過店內無線網路熱點掌握顧客行為輪廓,進而提供動態客製化行銷資訊以吸引顧客來店消費增進營收。另一方面,來店消費之顧客也可不定時享受多種優惠折扣,增加來店消費意願。
2‧‧‧顧客經營平台
21‧‧‧登入模組
22‧‧‧內部資料庫
23‧‧‧分析模組
24‧‧‧推播模組
3‧‧‧商店系統
31‧‧‧登入介面
32‧‧‧行銷模組
4‧‧‧客戶端連網裝置
41‧‧‧訊息接收發送模組
42‧‧‧使用者介面
5‧‧‧公開資料庫
S101~S104‧‧‧步驟
請參閱有關本發明之詳細說明及其附圖,將可進一步瞭解本發明之技術內容及其目的功效;有關附圖為:第1圖為本發明之方法流程圖。
第2圖為本發明之系統功能方塊示意圖。
第3圖為客戶端連網裝置與連線次數的橫條圖。
第4圖為常客來店率與來店總人數的分佈關係圖。
為利 貴審查委員了解本發明之技術特徵、內容與優點及其所能達到之功效,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下,其中所使用之圖示僅為示意及輔助說明之用,未必為本發明實施後之真實比例與精準配置,故不應就所附之圖示比例與配置關係解讀、侷限本發明於實際實施上之權利範圍,合先敘明。
如第1圖所述,係本發明之藉由預測顧客到訪率提供行銷服務之方法流程圖,其至少包括:
步驟S101:顧客經營平台透過至少一實體店家提供之商店系統,以取得至少一客戶端連網裝置連結該商店系統的無線網路熱點的登入介面之訪問資訊,並根據該訪問資訊從公開資料庫取得對應之相關公開
資訊,以作為完整登入資訊儲存於內部資料庫。
步驟S102:該顧客經營平台分析該完整登入資訊以取得該至少一實體店家之常客的名單,並通過機器學習演算法預測該常客當日到訪該至少一實體店家的來店機率。
步驟S103:根據該常客的當日來店機率及商品庫存資訊,通過該商店系統的行銷模組產生動態行銷資訊後,並回傳至該顧客經營平台。
步驟S104:通過該顧客經營平台推播該至少一實體店家的該動態行銷資訊,傳送至該常客的名單中經預測當日具有高來店機率但尚未來店之該常客的客戶端連網裝置。
配合第2圖所示,係本發明之藉由預測顧客到訪率提供行銷服務之系統,其包括顧客經營平台2、商店系統3及客戶端連網裝置4。
該顧客經營平台2包括包含登入模組21、內部資料庫22、分析模組23及推播模組24。該商店系統3包括登入介面31及行銷模組32。該客戶端連網裝置4包括訊息接收發送模組41及使用者介面42。
其中,該顧客經營平台2與該商店系統3可為具連網功能之伺服器電腦,且相互通訊連接,該客戶端連網裝置4為可透過無線網路通訊連接之連網裝置,如智慧型手機、筆記型電腦或平板電腦裝置等。上述係為本發明之示例,並未限制該顧客經營平台2、該商店系統3及該客戶端連網裝置4之軟體或硬體規格。
該顧客經營平台2通訊連接至少一實體店家的該商店系統3及該至少一實體店家所提供之至少一無線網路熱點,且通訊連接外部之
公開資料庫5,該客戶端連網裝置4經由該訊息接收發送模組41及該使用者介面42,透過無線網路存取該商店系統3所提供之該至少一無線網路熱點並訪問該登入介面31。
該顧客經營平台2之該登入模組21透過該商店系統3提供該登入介面31以取得該客戶端連網裝置4的訪問資訊,並根據該訪問資訊從該公開資料庫5取得對應該訪問資訊之公開資訊,以作為該客戶端連網裝置4之完整登入資訊並儲存於該內部資料庫22,該顧客經營平台2之該分析模組23基於該內部資料庫22完整登入資訊之歷史檔案,以分析得出經常訪問該至少一實體店家的常客之名單,該分析模組23通過機器學習演算法預測該常客當日到訪該至少一實體店家之來店機率並傳送至該商店系統3的該行銷模組32,該行銷模組32根據該常客的來店機率以及該至少一實體店家庫存的商品狀態配合行銷策略,以產生動態行銷資訊並透過該顧客經營平台2的該推播模組24以傳送該動態行銷資訊至該客戶端連網裝置4。該客戶端連網裝置4可透過該訊息接收發送模組41接收該動態行銷資訊,或由該商店系統3的該登入介面31獲取該動態行銷資訊。
此外,於步驟S101中,該顧客經營平台2之該登入模組21透過該商店系統3的該無線網路熱點及該登入介面31所取得該客戶端連網裝置4的訪問資訊包含登入者資訊及登入時間,該登入模組21根據該訪問資訊由該公開資料庫5取得對應之公開資訊,其包含該登入時間對應之氣象資訊(如溫度及降雨機率等)、日曆表資訊(如周間、周末及國定假日等)、商家資訊(如營業時間及營業地址之經緯度等),整合為完整登入資訊以儲存於該顧客經營平台2之該內部資料庫22中。
該內部資料庫22儲存包括客戶資料表、店家資料表、及無線網路熱點資料表,該客戶資料表的資料欄位包含客戶端連網裝置4之客戶資訊(如登入帳號)、客戶端連網裝置4之訪問資訊(如登入日期及時間)、客戶端連網裝置4的登入時間所對應公開資訊、及該客戶端連網裝置4之網路連線資訊(如連線分鐘數等),該店家資料表的資料欄位包含店家地理資訊、店家營業時間資訊、以及無線網路熱點資訊,該無線網路熱點資料表的資料欄位包含無線網路熱點建置資訊(如建置位置)、該無線網路熱點狀態資訊(如啟用或停用)、及該無線網路熱點連線統計資訊(如總連線分鐘數等)。
於步驟S102中,該顧客經營系統2的該分析模組23對於儲存至內部資料庫22之原始資料進行資料前置處理,包括缺失值處理、資料轉換、及資料特徵標準化(Standardization)。
在缺失值處理的步驟中,該分析模組23比對該客戶端連網裝置4之登入時間與實體店家之營業時間,以刪除實體店家營業時間以外之訪問資訊,且將該完整登入資料中有缺失值之資料欄位填入該資料欄位之平均值。
在資料轉換的步驟中,將該內部資料庫22中的類別型參數轉換成相對應之數值型參數,其中,有序類別資料及二維無序類別資料係直接使用數值替換且於該內部資料庫22中填入相對應的數值型代碼。
基於該客戶端連網裝置4的登入時間所取得對應氣象資訊中的溫度,依據中央氣象局所提供之台灣各地區月平均溫度統計資訊為基準,分為低於月平均溫度及高於月平均溫度之數值型代碼;該登入時間所
取得對應氣象資訊之降雨機率欄位,依據中央氣象局所提供台灣各地區的降雨機率,以降雨機率50%為基準區分為低降雨機率及高降雨機率之對應數值型代碼。
對於多維無序類別資料,該分析模組23係透過One-Hot編碼(One-Hot Encoding),利用N位狀態暫存器對N種狀態進行編碼,使每一種狀態均對應至唯一識別碼。例如,將該客戶端連網裝置4的平均連線分鐘數區分成0~30分鐘、30~60分鐘、及60分鐘以上之類別,經One-Hot編碼後,使0~30分鐘對應至[0,0,1]、30~60分鐘對應至[0,1,0]、且60分鐘以上對應至[1,0,0]。
在資料特徵標準化的步驟中,透過標準化流程,將各個不同尺度規模(scale)之特徵轉換成相同尺度規模,避免某單一特徵影響整體模型。
於步驟S102中完成資料庫資料前置處理作業後,對於內部資料庫22的預設歷史時期區間(例如三個月或六個月等)內屬於相同實體店家的所有該客戶端連網裝置4之訪問資訊中,以一日為單位,分別計算該客戶端連網裝置4登入該無線網路熱點之天數,並將該客戶端連網裝置4登入天數由多至少進行排序,由該排序選取預設比例的該客戶端連網裝置的名單作為經常訪問該實體店家之常客的名單。
分析模組23透過支持向量機(Support Vector Machine)的監督式機器學習演算法,對於相同實體店家的該常客的訪問資訊(包含登入日期)、該訪問資訊對應的公開資訊(包含氣象資訊之溫度及降雨機率以及日曆表資訊之星期)、及該實體店家提供的網路連線統計資訊(包含平均連線
分鐘數)等綜合資訊作為其特徵值,據以判斷該常客當日是否來店,並計算該常客當日造訪該實體店家的來店機率。進一步,為了提升該機器學習演算法計算該常客當日造訪該實體店家的來店機率之準確性,該機器學習演算法係將內部資料庫22所儲存的特定歷史時期區間的該常客相關訪問資訊作為訓練資料,藉此訓練得到預測模型,並由該預測模型預測名單中每位常客當日造訪該實體店家的來店機率。
於步驟S103中,該商店系統3之行銷模組32根據該顧客經營平台2的分析模組23所提供之常客當日的來店機率及實體店家的即時商品庫存資訊產生動態行銷資訊,並回傳至該顧客經營平台2之推播模組24。該行銷模組32可於不同營業時間向顧客經營平台2之分析模組23查詢當日的客戶消費預測,並根據該即時商品庫存資訊,動態產生相應之行銷內容。例如,商店系統3可在營業時間前向該分析模組23查詢今日的客戶消費預測,並根據庫存量較多之商品,產生行銷內容。又,例如,若商店系統3已得知今日的客戶消費預測不佳,可根據庫存資訊找出暢銷商品提供促銷優惠,藉此吸引常客上門。上述為本發明之示例,並未限制實體店家如何運用消費預測與其所產生之行銷方式。另外,本發明係透過顧客經營平台2之推播模組24傳送動態行銷資訊至客戶端連網裝置4,以降低商店系統3管理客戶資料之負擔,並可避免受到駭客攻擊而發生客戶個資外洩等嚴重影響商家聲譽及營收之風險。
於步驟S104中,藉由該推播模組24將該動態行銷資訊推播至該常客名單中經預測於當日應來店但尚未來店的該常客的之客戶端連網裝置。
在本發明的具體實施例中,顧客經營平台2通訊連接包含連鎖業A、連鎖業B、連鎖業C及連鎖業D的實體店家所提供之無線網路熱點以及該商店系統3之登入介面31,本實施例中,各連鎖業的門市僅提供一無線網路熱點,該顧客經營平台2之登入模組21透過該商店系統3所提供之該無線網路熱點及登入介面31取得客戶端連網裝置4之訪問資訊如下列的表1所示。
由表一可知,由於連鎖業之產品定位不同且消費者對於該連鎖業門市之消費行為不同,使得顧客經營平台2的登入模組21所取得之客戶端連網裝置4之訪問資訊的資料筆數也明顯不同,該登入模組21根據訪問資訊自公開資料庫5中取得對應公開資訊,並將訪問資訊及其對應的公開資訊作為完整登入資訊儲存於顧客經營平台2之內部資料庫22,其中,每一筆完整登入資訊包含連網裝置之訪問資訊(包含登入日期)、該訪問資訊之對應公開資訊(包含氣象資訊之溫度及降雨機率以及日曆表資訊之星期)以及該客戶端連網裝置登入該無線網路熱點之網路連線統計資訊(包含平均連線分鐘數)。
顧客經營平台2藉由分析模組23對於內部資料庫22中的類別型參數轉換為相應之數值型參數,其中,該分析模組23對於內部資料庫22中各門市(實體店家)提供之無線網路熱點,以一日為單位分別計算客戶端連網裝置登入無線網路熱點之天數並進行排序後取得如第3圖所示的統計資訊,其中,第3圖的之縱軸係去識別化後之客戶端連網裝置識別碼,橫軸係該客戶端連網裝置登入無線網路熱點之連線次數,第3圖的橫條圖係以顏色區分客戶端連網裝置登入不同實體店家所提供之無線網路熱點,若橫條圖中相同顏色比率偏高,其係表示消費者經常選擇於相同實體店家進行消費並使用該實體店家提供之無線網路熱點上網。據此,顧客經營平
台2之分析模組23係由該排序名單取出預設比例之該客戶端連網裝置名單作為該實體店家之常客名單。在本實施例中,分析模組23係對於內部資料庫22中各實體店家於該年度1月至4月期間內,登入該實體店家的無線網路熱點之客戶端連網裝置名單中次數最多的前50名作為常客之名單,以進而分析該前50名常客來店人數與該實體店家當日來店總人數之關聯性,如第4圖所示,第4圖之縱軸係實體店家之前50名常客來店人數,橫軸係當日來店登入該實體店家無線網路熱點之總人數,根據皮爾森積差相關係數(Pearson Product Moment Correlation Coefficient)原理,其計算公式如下:
以同一實體店家之每日一定比例之常客來店總人數(為上述公式中之x變數)與該實體店家當日來店總客戶數(為上述公式中之y變數)為變數及其各自平均值之離差為基礎,計算兩變數之離差相乘,進而取得兩變數之相關程度(如上述相關係數公式之r變數)。若兩變數之相關係數大於0,表示兩變數為正相關;相關係數小於0時,表示兩變數為負相關;相關係數之絕對值趨近1時,表示兩變數為完全線性相關,即為函數關係;相關係數等於0時,表示兩變數無線性關係;而相關係數之絕對值介於0與1之間時,表示兩變數存在一定程度的線性相關,其中當相關係數之絕對值趨近1時,表示兩變數之線性關係越密切,係為正相關;而相關係數之絕對值趨近0時,則表示兩變數之線性關係越弱,係為負相關。基於上述分析,第4圖顯示該實體店家之前50名常客來店人數與其當日來店登入該實體店家無線網路熱點之總人數呈現正相關,亦即,當該實體店家某日之常客來店率高,則該實體店家當日之來店總人數亦會增加。
在上述實施例中,顧客經營平台2之分析模組23取得該些實體店家之常客名單,藉由支持向量機的監督式機器學習演算法對於內部資料庫22中相同實體店家於該年度1月至3月之客戶端連網裝置4之訪問資訊作為訓練資料,以訓練得到預測模型,並根據該預測模型預測內部資料庫22中同一實體店家於該年度4月之常客名單中每位常客當日是否來店消費的來店機率。如下列的表2所示。
訓練集與測試集的資料均區分為兩類:預測常客不來而實際沒來及實際有來、以及預測常客會來而實際沒來及實際有來,並計算得出常客當日造訪該實體店家之來店機率,以作為該實體店家當日之客戶消費預測。下列之表3係顧客經營平台2的分析模組23預測該實體店家於該年度4月之每日常客來店機率比對該實體店家實際常客來店機率,以計算出預測準確率。
上述之表3顯示出顧客經營平台2之分析模組23利用支持向量機監督式機器學習演算法預測常客到訪實體店家之來店機率之正確率達60%以上。
在上述實施例中,顧客經營平台2之分析模組23取得常客當日到訪該實體店家之來店機率,並傳送至該商店系統3之行銷模組32以根據常客當日的來店機率及商品庫存產生動態行銷資訊,透過顧客經營平台2之推播模組24推播至該常客的名單中經分析模組23預測當日會來店但尚未來店之常客的客戶端連網裝置。
本發明所提供之藉由預測顧客到訪率提供行銷服務之方法及系統,與其他習用技術相互比較時,更具備下列優點:
1.有效提升實體店家無線網路熱點之運用價值,藉由該無線網路熱點協助實體店家掌握顧客行為輪廓,進而提供動態客製化行銷資訊以吸引顧客增加消費意願進而增進營收。
2.由該顧客經營平台更協助實體店家推播行銷資訊至客戶端連網裝置,有效降低店家受網路駭客攻擊而發生客戶個資外洩等嚴重影響商家聲
3.消費者經常在店家內可享有多重優惠折扣,達到店家與顧客雙贏局面。
上列詳細說明乃針對本發明之一可行實施例進行具體說明,惟該實施例並非用以限制本發明之專利範圍,凡未脫離本發明技藝精神所為之等效實施或變更,均應包含於本發明之專利範圍中。
綜上所述,本發明不僅於技術思想上確屬創新,並具備習用之傳統方法所不及之上述多項功效,已充分符合新穎性及進步性之法定發明專利要件,爰依法提出申請,懇請 貴局核准本件發明專利申請案,以勵發明,至感德便。
2‧‧‧顧客經營平台
21‧‧‧登入模組
22‧‧‧內部資料庫
23‧‧‧分析模組
24‧‧‧推播模組
3‧‧‧商店系統
31‧‧‧登入介面
32‧‧‧行銷模組
4‧‧‧客戶端連網裝置
41‧‧‧訊息接收發送模組
42‧‧‧使用者介面
5‧‧‧公開資料庫
Claims (12)
- 一種藉由預測顧客到訪率提供行銷服務之方法,包括:取得多個客戶端裝置訪問實體店家所提供的無線網路熱點之訪問資訊以及其所對應之公開資訊,以作為該多個客戶端裝置的完整登入資訊;儲存該完整登入資訊於內部資料庫;分析該完整登入資訊以取得該多個客戶端裝置中常客的名單,其中,該分析該完整登入資訊以取得常客的名單之步驟包括缺失值處理、資料轉換及資料特徵標準化;通過機器學習演算法預測該常客於當日到訪該實體店家的來店機率;根據該常客的該來店機率以及商品狀態,通過行銷模組產生該實體店家的行銷資訊;以及透過顧客經營平台發送該實體店家的該行銷資訊至該常客的客戶端裝置;其中,該缺失值處理之步驟包括比對該客戶端裝置訪問該無線網路熱點的時間與該實體店家的營業時間以刪除該實體店家的營業時間以外的該訪問資訊,且對於該完整登入資訊中有缺失的資料欄位以該資料欄位的平均值取代,而該資料轉換之步驟包括將該完整登入資訊數值化及向量化,而該資料特徵標準化之步驟包括將經過數值化及向量化的該完整登入資訊轉換為相同尺度規模。
- 如申請專利範圍第1項所述之方法,其中,該訪問資訊包括客戶資訊、該客戶端裝置的登入資訊、網路連線資訊或登入時間。
- 如申請專利範圍第1項所述之方法,其中,該分析該完整登入資訊以取得常客的名單之步驟,係包括從該內部資料庫中的預定時間區間內排序該多個客戶端裝置訪問該實體店家的該無線網路熱點之天數,並以預設比例擷取天數較多的該客戶端裝置作為該常客的名單。
- 如申請專利範圍第1項所述之方法,其中,該公開資訊包括氣象資訊、日曆表資訊、該實體店家的地理資訊、該實體店家的營業時間資訊、該無線網路熱點的建置資訊、該無線網路熱點的狀態資訊或該無線網路熱點的連線統計資訊。
- 如申請專利範圍第1項所述之方法,其中,產生該實體店家的行銷資訊之步驟,係包括基於該來店機率較高或較低的該常客,配合該商品狀態中庫存較多或較暢銷商品,以產生該行銷資訊。
- 如申請專利範圍第1項所述之方法,其中,該通過機器學習演算法預測該常客於當日到訪該實體店家的來店機率之步驟,係包括使用支持向量機的監督式機器學習演算法,其中,該監督式機器學習演算法係以該常客的名單及其完整登入資訊作為訓練資料集合,以預測該常客的來店機率。
- 一種藉由預測顧客到訪率提供行銷服務之系統,包括;商店系統,係用以配置於實體店家且具有無線網路熱點,以供多個客戶端裝置訪問;顧客經營平台,係用以通訊連接於該商店系統的該無線網路熱點以取得該多個客戶端裝置訪問該商店系統所提供的該無線網路熱點之訪問資訊以及其所對應之公開資訊,以作為該多個客戶端裝置的完整登入資訊; 內部資料庫,係用以儲存該完整登入資訊;分析模組,係用以分析該完整登入資訊以取得該多個客戶端裝置中常客的名單,且通過機器學習演算法預測該常客於當日到訪該實體店家的來店機率,其中,該分析模組係通過缺失值處理、資料轉換及資料特徵標準化以取得該常客的名單;以及行銷模組,係根據該常客的該來店機率以及商品狀態,用以產生該商店系統的行銷資訊,以透過該顧客經營平台的推播模組發送該實體店家的該行銷資訊至該常客的客戶端裝置;其中,該缺失值處理係比對該客戶端裝置訪問該無線網路熱點的時間與該實體店家的營業時間,以刪除該實體店家的營業時間以外的該訪問資訊,且對於該完整登入資訊中有缺失的資料欄位以該資料欄位的平均值取代,該資料轉換係數值化及向量化該完整登入資訊,而該資料特徵標準係將經過數值化及向量化的該完整登入資訊轉換為相同尺度規模。
- 如申請專利範圍第7項所述之系統,其中,該訪問資訊包括客戶資訊、該客戶端裝置的登入資訊、網路連線資訊或登入時間。
- 如申請專利範圍第7項所述之系統,其中,該分析模組係從該內部資料庫中的預定時間區間內排序該多個客戶端裝置訪問該商店系統的該無線網路熱點之天數,並以預設比例擷取天數較多的該客戶端裝置作為該常客的名單。
- 如申請專利範圍第7項所述之系統,其中,該公開資訊包括氣象資訊、日曆表資訊、該實體店家的地理資訊、該實體店家的營業時間 資訊、該無線網路熱點的建置資訊、該無線網路熱點的狀態資訊或該無線網路熱點的連線統計資訊。
- 如申請專利範圍第7項所述之系統,其中,該行銷模組係基於該來店機率較高或較低的該常客,配合該商品狀態中庫存較多或較暢銷商品,以產生該行銷資訊。
- 如申請專利範圍第7項所述之系統,其中,該機器學習演算法係為支持向量機的監督式機器學習演算法,其中,該監督式機器學習演算法係以該常客的名單及其完整登入資訊作為訓練資料集合,以預測該常客的來店機率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108102922A TWI698825B (zh) | 2019-01-25 | 2019-01-25 | 藉由預測顧客到訪率提供行銷服務之方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108102922A TWI698825B (zh) | 2019-01-25 | 2019-01-25 | 藉由預測顧客到訪率提供行銷服務之方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI698825B true TWI698825B (zh) | 2020-07-11 |
TW202029097A TW202029097A (zh) | 2020-08-01 |
Family
ID=72601802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108102922A TWI698825B (zh) | 2019-01-25 | 2019-01-25 | 藉由預測顧客到訪率提供行銷服務之方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI698825B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391853A (zh) * | 2014-09-25 | 2015-03-04 | 深圳大学 | Poi推荐方法、poi信息处理方法及服务器 |
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
US20160247175A1 (en) * | 2013-01-04 | 2016-08-25 | PlaceIQ, Inc. | Analyzing consumer behavior based on location visitation |
CN106055607A (zh) * | 2016-05-25 | 2016-10-26 | 百度在线网络技术(北京)有限公司 | 用户到访预测模型建立、用户到访预测方法和装置 |
TWM549498U (zh) * | 2017-06-21 | 2017-09-21 | 宏康智慧股份有限公司 | 消費者活動數據系統 |
-
2019
- 2019-01-25 TW TW108102922A patent/TWI698825B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
US20160247175A1 (en) * | 2013-01-04 | 2016-08-25 | PlaceIQ, Inc. | Analyzing consumer behavior based on location visitation |
CN104391853A (zh) * | 2014-09-25 | 2015-03-04 | 深圳大学 | Poi推荐方法、poi信息处理方法及服务器 |
CN106055607A (zh) * | 2016-05-25 | 2016-10-26 | 百度在线网络技术(北京)有限公司 | 用户到访预测模型建立、用户到访预测方法和装置 |
TWM549498U (zh) * | 2017-06-21 | 2017-09-21 | 宏康智慧股份有限公司 | 消費者活動數據系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202029097A (zh) | 2020-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10841743B2 (en) | Branching mobile-device to system-namespace identifier mappings | |
CN104463630B (zh) | 一种基于网购保险产品特性的产品推荐方法及系统 | |
US8768867B1 (en) | Crowd Prediction and attendance forecasting | |
KR100961783B1 (ko) | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 | |
D’Silva et al. | Predicting the temporal activity patterns of new venues | |
US20190259110A1 (en) | Traveler tracking system | |
CN108122162A (zh) | 基于智能化制造管理服务平台系统及其供需信息处理方法 | |
CN113781139A (zh) | 物品推荐方法、物品推荐装置、设备和介质 | |
Ge et al. | Accurate delivery of online advertising and the evaluation of advertising effect based on big data technology | |
TWM624658U (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 | |
JP6704424B2 (ja) | クーポン・広告情報の表示を最適化する自動販売機、システムおよび方法 | |
TWM622424U (zh) | 消費購物意向與推薦分析系統 | |
TWI698825B (zh) | 藉由預測顧客到訪率提供行銷服務之方法及系統 | |
KR20120076530A (ko) | 위치기반 판촉 서비스 시스템 및 그 방법 | |
KR20120135790A (ko) | 메타 정보 서버의 운영 방법 | |
Rawat et al. | AI based Impact of COVID 19 on food industry and technological approach to mitigate | |
KR20200097544A (ko) | 리셀러들을 위한 콘텐츠 큐레이션 마케팅 플랫폼 시스템 | |
KR20230070886A (ko) | 빅데이터 및 인공지능 기반 오프라인 광고 서비스 제공 시스템 | |
KR102598665B1 (ko) | 인공지능 기반의 식자재 도매 직거래 시스템 및 방법 | |
KR102515539B1 (ko) | 여행지 공유 기반 연계할인 시스템 및 방법 | |
US11775995B2 (en) | System, method, and computer program product for providing real-time offers based on geolocation and merchant category | |
US11934973B2 (en) | Methods and systems for determining alternative plans | |
US20210304279A1 (en) | Information processing method, electronic device and computer-readable storage medium | |
Sui et al. | Sales associations between brand stores based on spatial interaction effects | |
CN117911115A (zh) | 一种基于精准营销的商品信息推送方法 |