BR112019022335A2

BR112019022335A2 - método e sistema para utilizar uma estimativa de desempenho financeiro referente a um vendedor em mercado on-line

Info

Publication number: BR112019022335A2
Application number: BR112019022335-5A
Authority: BR
Inventors: Daniel Knijnik; Anibal Knijnik
Original assignee: Visinger LLC
Priority date: 2017-04-24
Filing date: 2018-04-24
Publication date: 2020-08-11
Also published as: EP3616076A1; US20180308159A1; WO2018200459A1; EP3616076A4

Abstract

MÉTODO E SISTEMA PARA UTILIZAR UMA ESTIMATIVA DE DESEMPENHO FINANCEIRO REFERENTE A UM VENDEDOR EM MERCADO ONLINE Um método, e sistema associado, para utilização de uma estimativa de desempenho financeiro referente a um vendedor em mercado online, incluindo, sob o controle de um ou mais processadores configurados com instruções executáveis, coleta de dados históricos referentes às atividades do vendedor em mercado online; execução de um componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma saída de componente de aprendizagem por máquina, em que a saída de componente de aprendizagem por máquina é gerada pelo menos em parte com base nos dados históricos; geração, com base pelo menos em parte na saída de componente de aprendizagem por máquina do componente de aprendizagem por máquina, de uma pontuação de estimativa de desempenho financeiro; e elaboração de uma recomendação para prover financiamento ao vendedor em mercado online, com base pelo menos em parte na pontuação de estimativa de desempenho financeiro.

Description

MÉTODO E SISTEMA PARA UTILIZAR UMA ESTIMATIVA DE DESEMPENHO FINANCEIRO REFERENTE A UM VENDEDOR EM MERCADO ON- LINE REFERÊNCIA CRUZADA AOS PEDIDOS RELACIONADOS

[001] O presente pedido reivindica prioridade ao Pedido de Patente Norte-Americana Provisória No 62/489.282, depositado em 24 de abril de 2017, cujas revelações e ensinamentos são aqui incorporados por referência.

CAMPO TÉCNICO

[002] A presente invenção se refere a sistemas e métodos para avaliar vendedores em um ambiente comercial online para auxiliar os vendedores, credores, investidores e/ou outros prestadores de serviços financeiros na elaboração de estimativas financeiras e de confiabilidade com base nas vendas.

HISTÓRICO DA INVENÇÃO

[003] O mercado varejista está mudando rapidamente, movimentando desde empresas de venda de tijolo e cimento, que tipicamente crescem lentamente, e compõem capacidades financeiras de vendedores focados no mercado ágil desde sempre até hoje em dia, por exemplo, empresas varejistas que contam com mercados como AMAZON, ETSY, EBAY, MERCADO LIVRE, e JET, que estão começando a dominar e mudar o negócio varejista. Estes vendedores focados em mercado são geralmente empresas enxutas com meios para rápido crescimento. Uma vez que os mercados são os detentores dos clientes, essa nova variedade de vendedor não precisa gerar tráfego online de cliente, tradicionalmente um dos desafios mais significativos para vendas em comércio eletrônico, e pode vender quase tudo por meio de novos canais, como o mercado online. Como resultado, esses vendedores apresentam rápidas taxas de crescimento e possuem potencial de ampliação inimaginável. Com fácil acesso a milhões de clientes, a principal restrição desses vendedores se torna sua capacidade de financiar seu crescimento. Credores tradicionais não são capazes de auxiliar adequadamente esses vendedores, uma vez que ainda contam com análise de crédito padrão que não captura adequadamente a dinâmica desse novo mercado e não tem ferramentas adequadas para avaliar o crédito nesse novo ambiente. A combinação de ferramentas limitadas e uma ausência de especialização tem um amplo impacto nas ofertas de crédito e aumenta o custo de financiamento disponível aos vendedores.

[004] As empresas de comércio eletrônico de hoje em dia enfrentam um enorme desafio na gestão do fluxo de capital, uma vez que seus ciclos financeiros se tornam muito maiores do que no passado. Com a maioria de seus produtos sendo produzida sob encomenda e vindo do exterior, particularmente China e outros países Asiáticos, leva no mínimo 175 dias do momento de um pagamento inicial ao momento no qual o faturamento é transferido pelo mercado à conta bancária da empresa, conforme ilustrado na Tabela 1. Tabela 1 Descrição Extensão (Dias) Encomenda (pagamento inicial de 20-30%) Dia 1 Produtos são recebidos do exterior Dia 45 (pagamento de balanço de 70-80%) Empresa de Logística envia e libera produtos Dia 55-85 aos/nos EUA Envio e Registro ao/no Mercado Dia 70-105 Dia 100-150 Valores líquidos a receber dos Mercados são Dia 120-165 creditados à conta do Vendedor

[005] A localização de aquisição varia significativamente com base na natureza do produto oferecido,

embora a China e países do sudeste da Ásia representem a maioria dos fornecedores estrangeiros. O ciclo de envio também é significativamente impactado pela localização à qual os produtos são enviados, por exemplo, Costa Leste vs. Costa Oeste dos Estados Unidos. Os produtos a receber dos vendedores online levam comumente somente 15 dias e são creditados de maneira líquida, após armazenamento, envio, manipulação, publicidade, e as taxas por indicação são pagas ao mercado.

[006] Credores são incapazes de encontrar uma maneira de securitizar esses recebíveis, e as taxas mencionadas acima são difíceis de estimar e não entendidas de maneira adequada por meio de métricas de crédito tradicionais. Credores são utilizados para emprestar dinheiro a varejistas com base em métricas de crédito tradicionais representadas por recebíveis brutos, predominantemente, os referentes a cartões de crédito. As taxas adicionais e limitações para securitizar esses tipos de recebíveis tornam essas empresas difíceis de avaliar e quase não financiáveis sob as atuais práticas de mercados financeiros.

[007] Outro aspecto do mercado varejista que precisa de consideração é o reconhecimento da marca. Empresas varejistas tradicionais têm marcas capazes de valorização direta. Mais de 50% das vendas do mercado se originam de produtos de marca privada e muito pouco desses vendedores podem criar uma marca valiosa.

[008] Tendo em vista as questões associadas a esses vendedores, há uma necessidade por um mecanismo que auxilie, com um nível desejado de avaliação de risco e confiança, credores e varejistas nos negócios de financiamento tendo as operações de mercado mencionadas acima.

SUMÁRIO DA INVENÇÃO

[009] Em geral, em um aspecto, a invenção caracteriza um método para utilizar uma estimativa de desempenho financeiro referente a um vendedor em mercado online, incluindo, sob o controle de um ou mais processadores configurados com instruções executáveis, coleta de dados históricos referentes às atividades do vendedor em mercado online, em que os dados históricos compreendem um ou mais de um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos; execução de um componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma saída de componente de aprendizagem por máquina, em que a saída de componente de aprendizagem por máquina é gerada, pelo menos em parte, com base nos dados históricos; geração, com base, pelo menos em parte, na saída de componente de aprendizagem por máquina do componente de aprendizagem por máquina, uma pontuação de estimativa de desempenho financeiro; e elaboração de uma recomendação para prover financiamento ao vendedor em mercado online, com base pelo menos em parte na pontuação de estimativa de desempenho financeiro.

[010] As implementações da invenção podem incluir um ou mais dos seguintes aspectos. A recomendação para prover financiamento pode incluir um valor de financiamento e uma taxa de interesse de financiamento, e/ou pode ter base em parâmetros previamente definidos por um usuário. Os dados históricos podem incluir um ou mais de um número total de estudos de satisfação de cliente ao longo dos 30 dias anteriores, um número total de estudos de satisfação de cliente pelos 90 dias anteriores, um número total de estudos de satisfação de cliente pelos 365 dias anteriores, e um número total de estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado online. Os dados históricos podem incluir uma ou mais dentre uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente ao longo dos 30 dias anteriores, uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente pelos 90 dias anteriores, uma classificação atribuída ao vendedor em mercado online com base estudos de satisfação de cliente pelos 365 dias anteriores, e uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado online. Os dados históricos ainda podem incluir um ou mais de um número total de estudos de satisfação de cliente positiva ao longo de um ou mais períodos de tempo definidos, uma duração total da presença do vendedor em mercado online no mercado online, e uma taxa de alteração na qualidade de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos. Os dados históricos podem incluir um ou mais de um número total de produtos vendidos ao longo de um ou mais períodos de tempo definidos e preços dos produtos vendidos.

[011] A plataforma de aprendizado por máquina adaptativo pode utilizar um algoritmo de floresta aleatória. A pontuação de estimativa de desempenho financeiro pode incluir um ou mais fatores ponderados referentes aos dados históricos. O método pode ainda incluir a geração, com base pelo menos em parte na pontuação de estimativa de desempenho financeiro e uma ou mais dentre uma pontuação de confiabilidade e uma pontuação de crédito em agência de crédito, uma pontuação de estimativa de desempenho financeiro híbrida, em que a pontuação de confiabilidade é um valor preditivo referente ao vendedor em mercado online que é um vendedor fraudulento. O método pode ainda incluir a recepção de novos dados referentes às atividades do vendedor em mercado online ocorrendo subsequente às atividades representadas pelos dados históricos, em que os novos dados compreendem um ou mais de um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos; execução de um segundo componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma segunda saída de componente de aprendizagem por máquina, em que a segunda saída de componente de aprendizagem por máquina é gerada, pelo menos em parte, com base nos dados históricos e nos novos dados; e geração, com base pelo menos em parte na segunda saída de componente de aprendizagem por máquina do segundo componente de aprendizagem por máquina, de uma pontuação de estimativa atualizada de desempenho financeiro. O método pode ainda incluir a produção e transmissão de maneira automática de uma proposta de empréstimo ao vendedor em mercado online, com base pelo menos em parte na pontuação de estimativa de desempenho financeiro.

[012] Em geral, em outro aspecto, a invenção caracteriza um sistema configurado para utilizar uma estimativa de desempenho financeiro referente a um vendedor em mercado online, incluindo um ou mais processadores, uma ou mais mídias legíveis por computador, e um ou mais módulos mantidos na uma ou mais mídias legíveis por computador que, quando executadas pelo um ou mais processadores, fazem com que o um ou mais processadores realizem operações incluindo: coleta de dados históricos referentes às atividades do vendedor em mercado online, em que os dados históricos compreendem um ou mais de um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos; execução de um componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma saída de componente de aprendizagem por máquina, em que a saída de componente de aprendizagem por máquina é gerada, pelo menos em parte, com base nos dados históricos; geração, com base, pelo menos em parte, na saída de componente de aprendizagem por máquina do componente de aprendizagem por máquina, de uma pontuação de estimativa de desempenho financeiro; e elaboração de uma recomendação para prover financiamento ao vendedor em mercado online, com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro.

[013] Implementações da invenção podem incluir um ou mais dos seguintes aspectos. A recomendação para prover financiamento pode incluir um valor de financiamento e uma taxa de interesse de financiamento, e/ou pode ter base em parâmetros previamente definidos por um usuário. Os dados históricos podem incluir um ou mais de um número total de estudos de satisfação de cliente ao longo dos 30 dias anteriores, um número total de estudos de satisfação de cliente pelos 90 dias anteriores, um número total de estudos de satisfação de cliente pelos 365 dias anteriores, e um número total de estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado online. Os dados históricos podem incluir uma ou mais dentre uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente ao longo dos 30 dias anteriores, uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente pelos 90 dias anteriores, uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente pelos 365 dias anteriores, e uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado online. Os dados históricos podem ainda incluir um ou mais de um número total de estudos de satisfação de cliente positiva ao longo de um ou mais períodos de tempo definidos, uma duração total da presença do vendedor em mercado online no mercado online, e uma taxa de alteração na qualidade de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos. Os dados históricos podem incluir um ou mais de um número total de produtos vendidos ao longo de um ou mais períodos de tempo definidos e preços dos produtos vendidos.

[014] A plataforma de aprendizado por máquina adaptativo pode ser configurada para utilizar um algoritmo de floresta aleatória. A pontuação de estimativa de desempenho financeiro pode incluir um ou mais fatores ponderados referentes aos dados históricos. O sistema pode ainda incluir uma operação adicional incluindo a geração, com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro e uma ou mais dentre uma pontuação de confiabilidade e uma pontuação de crédito em agência de crédito, uma pontuação de estimativa de desempenho financeiro híbrida, em que a pontuação de confiabilidade é um valor preditivo referente ao vendedor em mercado online sendo um vendedor fraudulento. O sistema pode ainda incluir operações adicionais incluindo recepção de novos dados referentes às atividades do vendedor em mercado online ocorrendo subsequente às atividades representadas pelos dados históricos, em que os novos dados compreendem um ou mais dentre um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado online com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos; execução de um segundo componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma segunda saída de componente de aprendizagem por máquina, em que a segunda saída de componente de aprendizagem por máquina é gerada pelo menos em parte com base nos dados históricos e nos novos dados; e geração, com base, pelo menos em parte, na segunda saída de componente de aprendizagem por máquina do segundo componente de aprendizagem por máquina, de uma pontuação de estimativa atualizada de desempenho financeiro. O sistema pode ainda incluir uma operação adicional incluindo produção e transmissão de maneira automática de uma proposta de empréstimo ao vendedor em mercado online, com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro.

BREVE DESCRIÇÃO DOS DESENHOS

[015] A Figura 1 apresenta uma distribuição da variação no número de análises de satisfação, mencionada como inclinação, que auxilia no entendimento de como os vendedores do mercado se comportam ao longo do tempo.

[016] A Figura 2 apresenta um gráfico preditivo de vendas, em que o modelo estima se um vendedor do mercado aumentará ou diminuirá suas vendas ao longo dos próximos seis meses.

[017] A Figura 3 apresenta um exemplo de uma previsão das vendas de um mês subsequente (linha azul), em que o modelo estima os intervalos de confiança da previsão (bordas sombreadas).

[018] A Figura 4 apresenta uma saída, referente a um vendedor do mercado, que é provida por um sistema da presente invenção.

[019] A Figura 5 apresenta uma ilustração gráfica da inclinação, que é o coeficiente angular do estimador linear para o número de análises de satisfação como uma função do tempo (por exemplo, em meses).

[020] A Figura 6 apresenta um gráfico de distribuição referente à probabilidade de um vendedor de mercado aumentar seu número de análises de satisfação nos próximos seis meses conforme comparado ao número de vendedores no mercado com essa probabilidade em um determinado conjunto de dados abrangente. Os números no eixo x representam a probabilidade multiplicada por 1000. Por exemplo, um vendedor com uma pontuação (ou índice) de desempenho calculada de 890 significa que tem uma probabilidade de 89% de aumentar seu número de análises de satisfação nos próximos seis meses. O eixo x representa o número de vendedores da amostra utilizada com a mesma probabilidade.

[021] A Figura 7 apresenta a influência de variáveis que podem ser utilizadas em um modelo de previsão para um determinado vendedor de mercado. Valores de influência negativos para uma variável significa um efeito adverso sobre o cálculo da Pontuação de Desempenho. Um valor negativo maior significa uma Pontuação de Desempenho menor.

[022] A Figura 8 apresenta a importância relativa de variáveis utilizadas no cálculo de Pontuação de Desempenho de uma realização da presente invenção.

[023] A Figura 9 apresenta o crescimento (positivo ou negativo) para vendedores de mercado nos últimos seis meses traçados em relação à Pontuação de Desempenho.

[024] A Figura 10 apresenta um exemplo de dados estatísticos R2 mensais da Pontuação de Desempenho de dezembro de 2015 a maio de 2017. Também apresenta o número de vendedores de mercado e os dados estatísticos R2 em sua Pontuação de Desempenho separada por categoria: Vendedores Superiores, Vendedores Bons, Vendedores Estáveis, e Vendedores Abaixo. R2 provê uma medida de como resultados bem observados são replicados pelo modelo, com base na proporção da variação total de resultados explicados pelo modelo. Como pode ser visto, todo R2 ≥ 0,80, o que atesta o bom ajuste do modelo aos dados reais, assim, um ajuste perfeito terá R2 = 1.

[025] A Figura 11 apresenta a curva de ROC (Característica Operacional de Recepção), em que a AUC (Área sob a Curva) é 0,874. Descobriu-se que o erro médio entre os valores reais e os valores previstos é de 10,8%.

[026] A Figura 12 apresenta a importância relativa de variáveis utilizadas no cálculo de Previsão de Feedback de uma realização da presente invenção.

[027] A Figura 13 apresenta o desempenho de modelo de uma previsão de feedback de 180 dias à contagem de feedback de 180 dias real. A linha azul é uma previsão perfeita (R2 = 1,00). O gráfico apresenta um acordo entre os valores previstos de acordo com o modelo proposto e o comportamento real dos vendedores com um R2 = 0,8154.

[028] A Figura 14 apresenta uma visão geral de um processo pelo qual um modelo de aprendizado por máquina pode ser criado para prever a confiabilidade de um vendedor de mercado. A confiabilidade é definida por ser a tendência de que um vendedor não é uma fraude e existirá por pelo menos os seis meses seguintes.

[029] A Figura 15 apresenta uma amostra de dados típicos coletados de informações públicas sobre vendedores, como o número de feedbacks, qualidade dos feedbacks, produtos oferecidos, e preços, que podem ser utilizados para determinar a confiabilidade de um vendedor de mercado.

[030] A Figura 16 apresenta a distribuição de uma Pontuação de confiabilidade, de acordo com uma realização da presente invenção.

[031] A Figura 17 apresenta a importância relativa de variáveis utilizadas no cálculo da Pontuação de confiabilidade de uma realização da presente invenção.

DESCRIÇÃO DETALHADA DA INVENÇÃO

[032] Mercados tipicamente proveem informações públicas sobre vendedores online. Por exemplo, UBER provê essas informações sobre seus motoristas, a AMAZON sobre s, e AIRBNB sobre seus hospedadores. Como resultado, clientes podem decidir qual provedor de serviço utilizarão ou de qual vendedor comprarão, com base nessas informações claras e objetivas. A Tabela 2 provê um exemplo das informações públicas disponíveis para um vendedor no mercado AMAZON. Quase todos os mercados proveem essas informações de maneira livre ao público. Essas informações públicas podem incluir o número de análises de satisfação do vendedor (incluindo seu nível de qualidade, ou seja, uma classificação alfanumérica) recebida nos últimos 30 dias, 90 dias, 12 meses (ou 365 dias), e o tempo de existência no mercado. Essas informações são disponíveis sobre todos os vendedores no mercado AMAZON. Tabela 2 30 dias 90 dias 12 meses Tempo de existência Positivo 99% 100% 100% 99% Neutro 0% 0% 0% 0% Negativo 1% 0% 0% 1% Contagem 12.263 39.894 159.500 630.793

[033] Utilizando as informações descritas anteriormente, podem ser calculadas proporções para determinar tendências sobre o número de vendas, quantidade de vendas, e problemas de reputação, que auxiliam na avaliação da saúde de uma empresa e a probabilidade de a empresa ser confiável, ou seja, não apresenta uma anormalidade. A proporção do número de análises de satisfação e o volume de vendas foi descoberta por ser grosseiramente estável, de acordo com a categoria do produto e considerando que produtos de qualidade maior geram menos análises de satisfação do que produtos de qualidade inferior, e, assim, provê um excelente incentivo para as vendas em si.

[034] Um algoritmo de aprendizado profundo da presente invenção utiliza informações históricas sobre vendedores não confiáveis conhecidos, como o número de análises de satisfação do último ano, qualidade (ou classificação) das análises de satisfação, número de produtos vendidos, e preços dos produtos vendidos, para identificar possíveis comportamentos que auxiliem na verificação em relação a discrepâncias nas informações disponíveis. É possível, com base em uma análise adequada dos dados coletados, com grandes ferramentas de dados utilizando aprendizado por máquina e análise de referência, para prever a probabilidade da consistência e integridade de um vendedor.

[035] O modelo também pode operar como uma ferramenta de medição financeira isoladamente ou como um auxílio na avaliação de risco mediante a combinação com métricas de crédito tradicionais originadas por agências de crédito, provendo uma análise mais robusta. Essa combinação pode liberar níveis alternativos para probabilidades de padrão. Por exemplo, um mutuário pode solicitar um empréstimo a prazo com uma instituição financeira tradicional. Se o credor contar somente com a pontuação de crédito pessoal do proprietário, a oferta será extremamente limitada. Ao incorporar as informações mencionadas acima, o credor tem um melhor entendimento do desempenho financeiro futuro e integridade do mutuário, por exemplo, do vendedor, o que permite uma melhor avaliação dos riscos relacionados aos negócios do vendedor. Agentes financeiros e bancos de investimentos também pode utilizar esse modelo para identificar tendências de varejo, descobrir empresas de origem para fusão e atividades de aquisição, ou prever resultados de vendas para dar suporte a decisões de investimento e valorização. Da mesma forma, a presente invenção pode prover uma recomendação para prover financiamento ao vendedor em mercado online. Essa recomendação pode incluir um valor e/ou uma taxa de interesse referente ao financiamento.

Adicionalmente, a recomendação pode ser fundamentada em parâmetros previamente definidos por um usuário.

[036] A presente invenção conta com big data e software de aprendizagem por máquina para construir seu índice e pode ter base em uma ou mais das seguintes variáveis: (i) LTNR: Número e qualidade em tempo de existência de análises de satisfação de um vendedor; (ii) 30DNR: número e qualidade de análises de satisfação dos últimos 30 dias; (iii) 90DNR: número e qualidade de análises de satisfação dos últimos 90 dias; e (iv) 365DNR: número e qualidade de análises de satisfação dos últimos 365 dias.

[037] Os tempos acima (30 dias, 90 dias, 365 dias, e tempo de existência) são tempos típicos, mas a presente invenção pode ser utilizada com qualquer determinado conjunto de tempos e/ou marcos diferentes, por exemplo, 45 dias, 120 dias, 730 dias, últimos cinco anos etc. Em uma realização da presente invenção, os intervalos de tempo e/ou marcos são 30 dias, 90 dias, 365 dias, e tempo de existência.

[038] Com as variáveis mencionadas acima, a presente invenção pode calcular as seguintes proporções, dentre outras, onde X pode assumir os valores “C” para “Contagem”, “R” para “Análises de satisfação”, “P” para “Análises de satisfação Positivas”, “N” para “Análises de satisfação Neutras” e “B” para “Análises de satisfação Ruins”: (i) 30LTX: Proporção Entre 30DNR/LTNR; (ii) 3090DNRX: Proporção Entre 30DNR/90DNR; (iii) 30365DNRX: Proporção Entre 30DNR/365DNR; (iv) 90365DNRX: Proporção entre 90DNR/365DNR; (v) 90LTNRX: Proporção entre 90DNR/LTNR; e (vi) 365LNRX: Proporção entre 365DNR/LTNR.

[039] A presente invenção também pode incluir a medição, recuperação, cálculo e/ou armazenamento das seguintes variáveis adicionais: (i) feedback_30_count_n; (ii) feedback_30_count_n0; (iii) feedback_30_count_sum_6; (iv)

feedback_365_90; (v) ratio_lifetime_365; (vi) ratio_lifetime_90; e (vii) inclinação (que é equivalente à contagem de inclinação), em que feedback_30_count_n é o número de análises de satisfação em um mês, n meses atrás, feedback_30_count_n0 é o número de meses com mais de 0 análises de satisfação dos últimos 6 meses, feedback_count_sum_6 é o número geral de análises de satisfação nos últimos 6 meses; feedback_365_90 é a proporção do número de feedbacks nos últimos 365 dias e o número de feedbacks dos últimos 90 dias, ratio_lifetime_365 é a proporção de todos os feedbacks no tempo de existência do vendedor e o número de feedbacks nos últimos 365 dias, ratio_lifetime_90 é a proporção de todos os feedbacks no tempo de existência do vendedor e o número de feedbacks nos últimos 90 dias, e inclinação é a tendência (ou seja, coeficiente angular do estimador de tendência linear) referente ao número de análises de satisfação pelos últimos 365 dias, retratada como a linha pontilhada na Figura 5. A Figura 1 também retrata inclinação como uma distribuição da variação no número de análises de satisfação. Embora a presente realização utilize períodos de tempo de 30 dias, 90 dias, 365 dias, e tempo de existência do vendedor, essa realização é um exemplo não limitante, e a presente invenção pode utilizar qualquer outro conjunto de períodos de tempo variados em relação às variáveis medidas, recuperadas, calculadas e/ou armazenadas.

[040] A presente invenção também pode incluir medição, recuperação, cálculo e/ou armazenamento das seguintes variáveis adicionais: um número total de estudos de satisfação de cliente positiva ao longo de um ou mais períodos de tempo definidos, uma duração total da presença do vendedor em mercado online no mercado online, uma taxa de alteração na qualidade (ou classificação) dos estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos, um número total de produtos vendidos ao longo de um ou mais períodos de tempo definidos, e preços dos produtos vendidos.

[041] As variáveis mencionadas acima podem ser ponderadas com fatores de ponderação variantes na produção de um índice ou pontuação da presente invenção. As Figuras 7, 8, 12, e 17 retratam a influência e importância de determinadas variáveis que podem ser utilizadas nas diferentes realizações da presente invenção. Para manter as proporções e valores variáveis atualizados e, portanto, mais confiáveis, é recomendado ter acesso a um sistema de coleta de dados de mercado tendo capacidades de atualização contínua ou quase contínua.

[042] Com essas informações de big data e as proporções calculadas, a presente invenção pode observar padrões em todo o banco de dados logo antes de cada previsão, e construir um modelo de aprendizado por máquina com base em florestas aleatórias para prever pontuações de desempenho e confiabilidade. A presente invenção pode ser utilizada por meio de um ou mais processadores com instruções executáveis para implementar os métodos aqui descritos. Em uma realização da presente invenção, as estimativas são feitas para 90, 180, e 360 dias. Conforme o sistema coleta e analisa os dados de maneira contínua, essas proporções se tornam mais fluidas, e dificuldades ou tendências financeiras podem ser mais facilmente detectadas. A Figura 13 apresenta o desempenho de modelo de uma previsão de feedback de 180 dias para a contagem de feedback em 180 dias real. Tendências

[043] A identificação correta de tendências de vendas é crucial para a produção de pontuações de confiabilidade precisas. As tendências de vendas principais utilizadas pela presente invenção são descritas abaixo.

[044] As tendências de vendas com base no número de análises de satisfação: Com as proporções descritas acima, a presente invenção pode ensinar a prever, utilizando técnicas de aprendizagem por máquina, quantas análises de satisfação adicionais um vendedor tem de ter por uma determinada cronologia futura, por exemplo, poucos próximos dias ou meses. Essa previsão é um bom indicador de quanto uma empresa tem de vender no futuro, o que também é um bom estímulo para sua capacidade para resgate de linha de crédito. Um preço médio das vendas pode ser facilmente obtido pelo preço de venda médio e mediano de seus produtos. Consequentemente, proporções entre vendas e número de análises de satisfação também são facilmente estabelecidas. Em uma realização da presente invenção, descobriu-se que essa proporção é de aproximadamente 0,67%, de modo que para cada 150 vendas, espera-se que seja feita uma análise de satisfação, mas essa proporção pode variar.

[045] Tendências de vendas com base na qualidade de análises de satisfação: estabeleceu-se que há uma alta correlação entre quanto uma empresa tem que vender (conforme oposto a quanto está atualmente vendendo) e a qualidade ou tendências de suas análises de satisfação. Empresas com uma taxa de análise de satisfação de alta qualidade, ou seja, inclinação positiva de boas análises de satisfação, tendem a vender no futuro próximo pelo menos o mesmo volume que estão vendendo agora. As empresas com uma inclinação negativa de boas análises de satisfação tendem a vender menos no futuro próximo. Inclinações em curvas de vendas podem ser previstas com base nas inclinações nos níveis de qualidade de análise de satisfação, particularmente, quando com base em alterações ao longo do tempo. Essa previsão se torna mais robusta quando combinadas com uma análise de inclinação da qualidade e quantidade de comentários em mídia social sobre o vendedor. A consideração dessa análise também pode ser incorporada ao cálculo de pontuação de confiabilidade da presente invenção para torná-lo mais abrangente.

[046] As tendências de vendas com base em referencial: No monitoramento de um grupo de vendedores em um mercado específico, a presente invenção pode prever o número e qualidade de análises de satisfação para esse grupo ou um grupo de amostra deste, com isso, criando um referencial de movimentação e, portanto, melhorando a capacidade de detectar e destacar quaisquer amplas variações em comportamento. Essa análise permite sinalizar vendedores em ambos os lados do espectro - os com melhores desempenhos e as empresas com mais alto risco. Informações Adicionais

[047] Ao estabelecer um referencial para vendedores em cada mercado analisado e com o conhecimento do compartilhamento de vendas de cada vendedor, um índice pode ser criado que apresenta quanto cada mercado está vendendo. Esse índice prevê vendas desses mercados e analisa sua taxa de crescimento esperado em comparação a outros mercados, com a capacidade de contar com sazonalidade. Esse índice pode ser útil para investidores e para vendedores nesse mercado. Para o investidor, o índice pode ser utilizado para prever o desempenho e preços de material da empresa vendedora. Ao vendedor, o índice pode ser utilizado para auxiliar na decisão sobre quais mercados utilizar, uma vez que esses dados podem ser utilizados para sustentar suas decisões para canalizar vendas a um ou mais mercados adequados. Investidores em vendedores ou, até, fabricantes podem utilizar essas informações para auxiliar na avaliação das valorizações do vendedor por uma previsão mais precisa de vendas e resultados. Tabela 3

Petição 870190136037, de 18/12/2019, pág. 22/53 Empresa 1 Empresa 2 Empresa 3

Positivo Neutro Ruim Contagem Positivo Neutro Ruim Contagem Positivo Neutro Ruim

98,50% 0,50% 1,00% 192.593 98.50% 0,50% 1,00% 1.857 92,00% 3,00% 5,00%

99,00% 0,00% 1.00% 4.060 82,00% 6,00% 12,00% 286 95,00% 2,00% 3,00%

98,00% 1,00% 1,00% 24.153 98,50% 1,00% 0,50% 1.060 93,00% 2,00% 5,00%

98,00% 1,00% 1,00% 101.292 98,00% 1,00% 1,00% 1.855 92,00% 3,00% 5,00% 19/29

100,51% 0,00% 100,00% 2,11% 83,25% 1.200,00% 1.200,00% 15,40% 103,26% 66,67% 60,00%

101,02% 0,00% 100,00% 16,81% 83,25% 600,00% 2.400,00% 26,98% 102,15% 100,00% 60,00%

101,02% 0,00% 100,00% 4,01% 83,67% 600,00% 1.200,00% 15,42% 103,26% 66,67% 60,00%

100,00% 100,00% 100,00% 23,84% 100,51% 100,00% 50,00% 57,14% 101,09% 66,67% 100,00%

99,49% 200,00% 100,00% 12,54% 100,00% 200,00% 50,00% 57,08% 101,09% 66,67% 100,00%

99,49% 200,00% 100,00% 52,61% 99,49% 200,00% 100,00% 99,89% 100,00% 100,00% 100,00%

Contagem

630.793

159.500

12.263

39.894 30,74% 25,01% 25,29% 1,94% 7,69% 6,32% 30365DNR 90365DNR Empresa 3090DNR 365LTNR 365DNR 90LTNR 30DNR 90DNR

LTNR 30LT Tabela 3 Empresa 1 Empresa 2 Empresa 3 Empre Conta Posit Neut Conta Posit Conta Posit Neut sa gem ivo ro Ruim gem ivo Neutro Ruim gem ivo ro Ruim

630.7 98,50 0,50 1,00 192.5 98,50 92,00 3,00 5,00 LTRN 93 % % % 93 % 0,50% 1,00% 1.857 % % %

12.26 99,00 0,00 1,00 82,00 95,00 2,00 3,00 30DNR 3 % % % 4.060 % 6,00% 12,00% 286 % % %

39.89 98,00 1,00 1,00 24.15 98,50 93,00 2,00 3,00 90DNR 4 % % % 3 % 1,00% 0,50% 1.060 % % % 365DN 159.5 98,00 1,00 1,00 101.2 98,00 92,00 3,00 5,00 R 00 % % % 92 % 1,00% 1,00% 1.855 % % % 100,5 0,00 100, 83,25 1.200, 1.200, 15,40 103,2 66,6 60,0 30LT 1,94% 1% % 00% 2,11% % 00% 00% % 6% 7% 0% 309DN 30,74 101,0 0,00 100, 16,81 83,25 600,00 2.400, 26,98 102,1 100, 60,0 R % 2% % 00% % % % 00% % 5% 00% 0% 30365 101,0 0,00 100, 83,67 600,00 1.200, 15,42 103,2 66,6 60,0 DNR 7,69% 2% % 00% 4,01% % % 00% % 6% 7% 0% 90365 25,01 100,0 100, 100, 23,84 100,5 100,00 57,14 101,0 66,6 100, DNR % 0% 00% 00% % 1% % 50,00% % 9% 7% 00% 90LTN 99,49 200, 100, 12,54 100,0 200,00 57,08 101,0 66,6 100, R 6,32% % 00% 00% % 0% % 50,00% % 9% 7% 00% 365LT 25,29 99,49 200, 100, 52,61 99,49 200,00 100,00 93,89 100,0 100, 100, NR % % 00% 00% % % % % % 0% 00% 00% Tabela 4 Interferência de Vendas Anteriores Vendas Empresa 1 Empresa 2 Empresa 3 Preço Médio de 25,00 31,00 22,00 Vendas ($) Proporção entre 2,50% 2,50% 2,50% Análise de satisfação/Vendas Últimos 30 Dias 12.263.000 5.034.400 251.680 de Vendas Últimos 12 meses 159.500.000 125.602.080 1.632.400 de Vendas Vendas no Tempo 630.793.000 238.753.320 1.634.160 de existência

[048] No exemplo estabelecido nas Tabelas 3 e 4, Empresa 3 é uma empresa muito mais nova (90LTNRC = 57,08% e 365LNRC = 99,89%), Empresa 2 recebeu um amplo número de análises de satisfação ruins nos últimos 30 dias (30LTB =

1.200,0%) e provavelmente tem aproximadamente 2 anos de vida (365LNRC = 52,61%). Este último cálculo serve como um estímulo, e quanto mais dados são coletados, a presente invenção se torna mais precisa na determinação da duração total da presença de uma empresa no mercado. Adicionalmente, a Empresa 2 teve uma redução significativa ainda que previsível, tendo em vista a contagem de análises de satisfação ruins, nas vendas nos últimos 30 dias (3090DNRC = 16,81%). Essas figuras e cálculos sinalizam um risco maior tanto em reputação quanto em vendas futuras. A Empresa 1 é mais estável e mais ampla e desfrutou de níveis contínuos de boa satisfação de cliente.

[049] A Tabela 5 abaixo provê previsões de vendas calculadas referentes às informações descritas acima. Tabela 5 Previsão de Vendas Período Empresa 1 Empresa 2 Empresa 3 Próximos 30 12.418.007 3.873.412 3.873.412 dias Próximos 90 38.495.822 6.972.142 10.458.212 dias Próximos 180 78.916.434 10.806.819 21.648.500 dias

[050] Um aspecto inovador da presente invenção é o uso do número e qualidade das análises de satisfação anteriores do vendedor para prever o volume de vendas futuro do vendedor. Descobriu-se que a variação no número de análises de satisfação anteriores e a inclinação dessa variação são aspectos importantes para prever volume de vendas futuro.

[051] Em um exemplo, SVnm é definido como a quantidade de vendas de um vendedor de mercado no período de mês n antes de uma determinada data (GD), NRVnm é definido como o aumento no número de análises de satisfação de um vendedor de mercado no período de mês n antes de uma determinada data (GD), DPRnm é definido como a proporção entre SVnm e NRVnm, que é a receita das vendas por análise de satisfação no período de mês n antes de uma determinada data (GD), e PRVnm é definido como o aumento previsto no número de análises de satisfação de um vendedor de mercado em n meses após a determinada data (GD). O volume de vendas acumulado previsto no período de mês n (PASVnm) após a GD pode ser calculado como PASVnm = PRVnm x DPRnm.

[052] Essa lógica e método de cálculo se refere a dados coletados em qualquer período antes da GD assim como para previsões para qualquer período após a GD. Em uma realização da presente invenção, o número e qualidade das análises de satisfação nos últimos seis meses são um bom parâmetro para prever o volume de vendas para os próximos seis meses. Por exemplo, nesta realização, para prever, em julho de um determinado ano o volume de vendas em dezembro daquele ano, os dados acumulados do número de análises de satisfação e volume de vendas que ocorreram entre dezembro do ano anterior e junho daquele ano é utilizado. A Figura 2 ilustra um gráfico preditivo de vendas para prever se um vendedor aumentará ou diminuirá suas vendas ao longo dos próximos seis meses. A Figura 3 provê um exemplo que prevê as vendas do mês seguinte, incluindo intervalos de confiança estimados. A Figura 6 ilustra um gráfico de distribuição referente à probabilidade de um vendedor de mercado, aumentando seu número de análises de satisfação nos seis meses seguintes em comparação a diversos vendedores de mercado.

[053] Ao selecionar cada mês futuro como o mês a ser estimado, o sistema aprende a fazer previsões mais precisas e resolver correções necessárias, se houver, para continuar melhorando o cálculo de índices de desempenho e índices de confiabilidade. Utilizando a soma de análises de satisfação em um período de seis meses, permite-se alguma consideração de efeitos sazonalidade, se houver. Também é possível utilizar a soma de análises de satisfação por diferentes períodos de tempo.

[054] Com base nessa análise, a presente invenção pode prover um Índice de Pontuação de Crédito por Desempenho Financeiro Futuro (FFPCSI) para cada empresa assim como os valores máximos esperados que a empresa poderia reembolsar por mês ou outro período estabelecido. A combinação desses valores com o ciclo financeiro da empresa aumentará a segurança de operações de crédito tanto para o vendedor que pede dinheiro emprestado quando o credor que provê o crédito. Outras considerações importantes incluem o mecanismo pelo qual a empresa relevante está atendendo suas encomendas, como por meio do mercado em si (o que é mais confiável), por meio de seus próprios centros de atendimento, por meio de centros de atendimento de terceiros ou uma combinação destes. Limites de Crédito

[055] Conforme oposta às pontuações de crédito tradicionais disponíveis no mercado, a presente invenção pode sugerir automaticamente uma quantidade de dinheiro que um credor pode emprestar a uma empresa relevante, de acordo com algum conjunto de condições limite ou limites estabelecidos. Essa sugestão pode ter base em: (1) volume de vendas previsto para a empresa, obtido conforme descrito acima; (2) parâmetros inseridos pelo credor como um limite de vínculo superior para o empréstimo de uma quantidade com base em volumes de vendas previstos, histórico financeiro da empresa, e similares. Em realizações da presente invenção, algumas das condições limite são: (i) 5% do volume de vendas anual previsto; (ii) 17,5% do volume de vendas previsto para os próximos 90 dias; (iii) 18,5% do volume de vendas previsto para os próximos 180 dias etc. Em outras realizações da presente invenção, o limite é ajustado como um fator de redução com base no histórico financeiro entre quem solicita o empréstimo e o credor, por exemplo, 35% da quantidade de empréstimo máxima histórica. Uma vez que esses fatores são inseridos para uma determinada empresa, a presente invenção pode apresentar, com base na análise apresentada acima, a quantidade de pedido de empréstimo máxima sugerida para aquela empresa, reduzindo significativamente o esforço envidado na determinação da quantidade a ser emprestada e, com isso, aumentando a eficiência e segurança das operações do credor.

[056] A Figura 4 provê uma saída típica de um sistema da presente invenção. A saída apresenta uma pontuação de desempenho de 916 e pontuação de confiabilidade de 1000. Utilizando ponderações de 0,4 e 0,6, respectivamente, a pontuação geral é 966. O modelo estima $978k em vendas para os seguintes 180 dias. Com base nos parâmetros de crédito inseridos pelo credor, será ofertada a quem pede empréstimo uma linha de crédito na quantidade de $183.000 com uma taxa de interesse de 18%.

[057] De modo geral, as taxas de interesse são variáveis com as pontuações e podem ser inseridas ao sistema no início do uso do sistema pelo vendedor. As taxas de interesse podem variar a critério do vendedor, afetando somente análises futuras. Com base nas informações inseridas, o sistema pode sugerir automaticamente a taxa de interesse. Tipicamente, uma pontuação maior resultará em uma taxa de interesse sugerida menor. Valorização da Marca

[058] Nos mercados tradicionais, a valorização da marca é uma métrica subjetiva que tenta avaliar a marca de uma empresa em termos de sua reputação, sua diferenciação, e sua capacidade de gerar resultados no futuro. A presente invenção cria um mecanismo confiável para a quantificação de valor de marca de empresas de pequeno e médio porte. Comumente, esse valor é somente considerado em relação a uma empresa de grande porte, mas até marcas de empresas menores têm um valor, que não é facilmente avaliado de ferramentas disponíveis no mercado. O investidor geral pode utilizar a presente invenção para avaliar adequadamente vendedores em comércio eletrônico no mercado AMAZON assim como em outros mercados. Os dados básicos requeridos por essa invenção são encontrados em registros públicos, ou seja, dados que são livremente disponíveis a qualquer um no mercado. Vendedores em qualquer mercado que proveem os dados descritos acima podem ser analisados com os métodos da presente invenção aqui descrita. A presente invenção também pode fazer uso de dados de registros ou fontes não públicas, por exemplo, dados obtidos por meio de acesso permitido a um mercado e seus dados históricos. A presente invenção também pode fazer uso de dados de registros ou fontes públicos e não públicos.

[059] Os métodos da presente invenção permitem o uso do número de análises de satisfação e tendência na qualidade percebida das marcas para prever desempenho de vendas futuro, margens futuras, e fluxo de caixa projetado. Com base nas previsões calculadas de vendas futuras, feitas ao utilizar a metodologia descrita acima, e ao adotar múltiplos de arrecadação padrão em segmentos varejistas, uma valorização numérica objetiva pode ser feita como um resultado direto dos dados analíticos aumentados utilizados na presente invenção,

melhorando a maneira na qual as marcas são valorizadas.

[060] O múltiplo de valor do empreendimento para receita (EV/R) é uma medida do valor de uma empresa, calculado ao considerar o valor do empreendimento de uma empresa e dividindo ele pela receita da empresa. Para calcular o valor do empreendimento de uma empresa, a seguinte fórmula pode ser utilizada: Valor do empreendimento = capitalização de mercado da empresa + dívida total - dinheiro.

[061] O que segue é um exemplo utilizando os aspectos de uma realização da presente invenção, em que, a título de simplicidade, os números foram arredondados. Um comprador oferece $18 milhões para adquirir uma empresa. A empresa tem $2 milhões em passíveis exigíveis em curto prazo, $3 milhões em passíveis exigíveis em longo prazo, e $12,5 milhões em bens, em que 10% desses bens são relatados como dinheiro. Utilizando o método de estimativa descrito acima, a presente invenção projeta $8,5 milhões em receita para o ano seguinte. Utilizando esse cenário, o valor do empreendimento da empresa é calculado como segue: Valor do empreendimento = $18.000.000 + ($2.000.000 + $3.000.000) - ($12.500.000 x 0,1) = $21.750.000. Para calcular EV/R, considere simplesmente o valor do empreendimento e divida pela receita projetada para o ano: EV/R = $21.750.000 / $8.500.000 = 2,55. Conclusão

[062] O FFPCSI descrito na presente para vendedores de mercado pode considerar o número total de análises de satisfação, níveis de satisfação de cliente e tendência de prever vendas, problemas financeiros, e movimento significativo nas vendas e resultados de um vendedor. Por meio da utilização de big data e tecnologia de aprendizado por máquina disponíveis, a capacidade de rastrear e processar dados em tempo real é intensificada e pode ser utilizada para criar ou atualizar o FFPCSI.

[063] Esse índice engloba a probabilidade de movimento súbito e a capacidade máxima de pagamento de uma empresa relevante, auxiliando os credores no entendimento de seus clientes e para encontrar essas classes de vendedores que se ajustam melhor aos negócios dos credores. O FFPCSI também pode iluminar essas indústrias que estão em rápido crescimento econômico em comparação a outras, uma vez que os vendedores tendem a limitar seus produtos a determinadas categorias específicas. Produtos e categorias também podem ter seus próprios índices. O índice em si pode ser utilizado em sua forma geral, ou seja, na escala de 1 a 1.000, ou em combinação com pontuações de crédito providas por agências de crédito tradicionais, por exemplo, EQUIFAX, EXPERIAN, e similares. Em particular, uma pontuação de estimativa de desempenho financeiro, uma pontuação de confiabilidade, e uma pontuação de crédito em agência de crédito pode, cada uma, ser utilizada juntamente para produzir uma pontuação de estimativa de desempenho financeiro híbrida. O índice pode também sugerir quantidades máximas previstas e taxas de interesse por empréstimo. Da mesma forma, a presente invenção pode incluir a produção e transmissão automáticas de uma proposta de empréstimo de credor para vendedor com base nesse índice.

[064] As variáveis utilizadas na presente invenção podem ser combinadas a diferentes ponderações, de modo que credores sejam capazes de criar suas próprias análises personalizadas. Entretanto, a presente invenção é focada na medição do tamanho de um vendedor, suas vendas anteriores e futuras, e suas tendências de reputação, e ao detectar rapidamente oscilações ou movimentos nessas métricas, de modo que credores saibam o que esperar da empresa que pede empréstimo e seu comportamento futuro. O entendimento das categorias e produtos nos quais os vendedores operam também provê informações importantes referentes a vendedores, suas categorias/indústrias, e seus principais produtos. Mercados também podem ser medidos, comparados e analisados utilizando esses princípios gerais.

[065] Além de credores, a presente invenção também pode auxiliar investidores, bancos de investimento, e buscadores de fusão e aquisição estratégicas na tomada de decisões de investimento melhores e tecnicamente mais seguras, com base em previsões de vendas mais precisas e na identificação precoce de tendências e alvos.

[066] O sistema da presente invenção pode ser utilizado juntamente ao sistema de Pontuação de confiabilidade para aumentar a eficácia de detecção de anormalidade por meio da descoberta de movimentos incomuns ou desvios nas informações fornecidas pelo mercado sobre um vendedor de mercado. A Figura 14 ilustra uma visão geral de um processo pelo qual um modelo de aprendizado por máquina pode ser criado para prever a confiabilidade de um vendedor de mercado. A Figura 15 provê uma amostra de dados típicos coletados de informações públicas sobre vendedores, como o número de feedbacks, qualidade dos feedbacks, produtos oferecidos e preços, que podem ser utilizados para determinar a confiabilidade de um vendedor de mercado. A Figura 16 provê uma distribuição de uma Pontuação de confiabilidade, de acordo com uma realização da presente invenção.

[067] Também é possível combinar a Pontuação de Desempenho e a Pontuação de confiabilidade para produzir uma única pontuação ponderada que incorpore ambos os conceitos - desempenho e confiabilidade. O credor pode informar o sistema sobre a ponderação adequada. Em uma realização da presente invenção, a Pontuação de Desempenho tem um fator de ponderação de 0,4 e a Pontuação de confiabilidade tem um fator de ponderação de 0,6.

[068] As realizações e exemplos acima são ilustrativos, e muitas variações podem ser introduzidas a elas sem desviar do espírito e escopo da revelação ou do escopo da invenção.

Por exemplo, elementos e/ou aspectos de diferentes realizações ilustrativas e exemplares aqui podem ser combinados entre si e/ou substituídos entre si dentro do escopo dessa revelação.

Para um melhor entendimento da invenção, suas vantagens operacionais e os objetivos específicos alcançados por seus usos, deve haver referência aos desenhos e assunto descritivo, em que uma realização preferida da invenção é ilustrada.

Claims

REIVINDICAÇÕES

1. MÉTODO PARA UTILIZAÇÃO DE UMA ESTIMATIVA DE DESEMPENHO FINANCEIRO REFERENTE A UM VENDEDOR EM MERCADO ON- LINE, caracterizado por compreender: sob o controle de um ou mais processadores configurados com instruções executáveis, coleta de dados históricos referentes às atividades do vendedor em mercado on-line, em que os dados históricos compreendem um ou mais de um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos; execução de um componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma saída de componente de aprendizagem por máquina, em que a saída de componente de aprendizagem por máquina é gerada, pelo menos em parte, com base nos dados históricos; geração com base, pelo menos em parte, na saída de componente de aprendizagem por máquina do componente de aprendizagem por máquina, de uma pontuação de estimativa de desempenho financeiro; e elaboração de uma recomendação para prover financiamento ao vendedor em mercado on-line, com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro.

2. MÉTODO, de acordo com a reivindicação 1, caracterizado pela recomendação para prover financiamento incluir um valor de financiamento e uma taxa de interesse de financiamento.

3. MÉTODO, de acordo com a reivindicação 1, caracterizado pela recomendação para prover financiamento ter base em parâmetros previamente definidos por um usuário.

4. MÉTODO, de acordo com a reivindicação 1, em que os dados históricos são caracterizados por compreenderem um ou mais de um número total de estudos de satisfação de cliente ao longo dos 30 dias anteriores, um número total de estudos de satisfação de cliente pelos 90 dias anteriores, um número total de estudos de satisfação de cliente pelos 365 dias anteriores, e um número total de estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado on-line.

5. MÉTODO, de acordo com a reivindicação 1, em que os dados históricos são caracterizados por compreenderem um ou mais dentre uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente ao longo dos 30 dias anteriores, uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos 90 dias anteriores, uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos 365 dias anteriores, e uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado on-line.

6. MÉTODO, de acordo com a reivindicação 5, em que os dados históricos são caracterizados por ainda compreenderem um ou mais de um número total de estudos de satisfação de cliente positiva ao longo de um ou mais períodos de tempo definidos, uma duração total da presença do vendedor em mercado on-line no mercado on-line, e uma taxa de alteração na qualidade de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos.

7. MÉTODO, de acordo com a reivindicação 1, em que os dados históricos são caracterizados por compreenderem um ou mais de um número total de produtos vendidos ao longo de um ou mais períodos de tempo definidos e preços dos produtos vendidos.

8. MÉTODO, de acordo com a reivindicação 1, caracterizado pela plataforma de aprendizado por máquina adaptativo utilizar um algoritmo de floresta aleatória.

9. MÉTODO, de acordo com a reivindicação 1, caracterizado pela pontuação de estimativa de desempenho financeiro incluir um ou mais fatores ponderados referentes aos dados históricos.

10. MÉTODO, de acordo com a reivindicação 1, caracterizado por ainda compreender a geração, com base pelo menos em parte na pontuação de estimativa de desempenho financeiro e um ou mais dentre uma pontuação de confiabilidade e um pontuação de crédito em agência de crédito, uma pontuação de estimativa de desempenho financeiro híbrida, em que a pontuação de confiabilidade é um valor preditivo referente ao vendedor em mercado on-line que é um vendedor fraudulento.

11. MÉTODO, de acordo com a reivindicação 1, caracterizado por ainda compreender: recepção de novos dados referentes às atividades do vendedor em mercado on-line ocorrendo subsequente às atividades representadas pelos dados históricos, em que os novos dados compreendem um ou mais dentre um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos; execução de um segundo componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma segunda saída de componente de aprendizagem por máquina, em que a segunda saída de componente de aprendizagem por máquina é gerada, pelo menos em parte, com base nos dados históricos e nos novos dados; e geração com base, pelo menos em parte, na segunda saída de componente de aprendizagem por máquina do segundo componente de aprendizagem por máquina, uma pontuação de estimativa de desempenho financeiro atualizada.

12. MÉTODO, de acordo com a reivindicação 1, caracterizado por ainda compreender produção e transmissão, de maneira automática, de uma proposta de empréstimo ao vendedor em mercado on-line com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro.

13. SISTEMA CONFIGURADO PARA UTILIZAR UMA

ESTIMATIVA DE DESEMPENHO FINANCEIRO REFERENTE A UM VENDEDOR EM MERCADO ON-LINE, caracterizado por compreender: um ou mais processadores; uma ou mais mídias legíveis por computador; e um ou mais módulos mantidos na uma ou mais mídias legíveis por computador que, quando executados pelos um ou mais processadores, fazem com que o um ou mais processadores realizem operações incluindo: coleta de dados históricos referentes às atividades do vendedor em mercado on-line, em que os dados históricos compreendem um ou mais de um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos; execução de um componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma saída de componente de aprendizagem por máquina, em que a saída de componente de aprendizagem por máquina é gerada, pelo menos em parte, com base nos dados históricos; geração com base, pelo menos em parte, na saída de componente de aprendizagem por máquina do componente de aprendizagem por máquina, de uma pontuação de estimativa de desempenho financeiro; e elaboração de uma recomendação para prover financiamento ao vendedor em mercado on-line, com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro.

14. SISTEMA, de acordo com a reivindicação 13, caracterizado pela recomendação para prover financiamento incluir um valor de financiamento e uma taxa de interesse de financiamento.

15. SISTEMA, de acordo com a reivindicação 13, caracterizado pela recomendação para prover financiamento ter base em parâmetros previamente definidos por um usuário.

16. SISTEMA, de acordo com a reivindicação 13, em que os dados históricos são caracterizados por compreenderem um ou mais de um número total de estudos de satisfação de cliente ao longo dos 30 dias anteriores, um número total de estudos de satisfação de cliente pelos 90 dias anteriores, um número total de estudos de satisfação de cliente pelos 365 dias anteriores, e um número total de estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado on-line.

17. SISTEMA, de acordo com a reivindicação 13, em que os dados históricos são caracterizados por compreenderem uma ou mais dentre uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente ao longo dos 30 dias anteriores, uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos 90 dias anteriores, uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos 365 dias anteriores, e uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente ao longo de toda vida útil do vendedor em mercado on-line.

18. SISTEMA, de acordo com a reivindicação 17, em que os dados históricos são caracterizados por ainda compreenderem um ou mais de um número total de estudos de satisfação de cliente positiva ao longo de um ou mais períodos de tempo definidos, uma duração total da presença do vendedor em mercado on-line no mercado on-line, e uma taxa de alteração na qualidade de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos.

19. SISTEMA, de acordo com a reivindicação 13, em que os dados históricos são caracterizados por compreenderem um ou mais de um número total de produtos vendidos ao longo de um ou mais períodos de tempo definidos e preços dos produtos vendidos.

20. SISTEMA, de acordo com a reivindicação 13, caracterizado pela plataforma de aprendizado por máquina adaptativo ser configurada para utilizar um algoritmo de floresta aleatória.

21. SISTEMA, de acordo com a reivindicação 13, caracterizado pela pontuação de estimativa de desempenho financeiro incluir um ou mais fatores ponderados referentes aos dados históricos.

22. SISTEMA, de acordo com a reivindicação 13, caracterizado por ainda compreender uma operação adicional incluindo a geração, com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro e uma ou mais dentre uma pontuação de confiabilidade e uma pontuação de crédito em agência de crédito, uma pontuação de estimativa de desempenho financeiro híbrida, em que a pontuação de confiabilidade é um valor preditivo referente ao vendedor em mercado on-line sendo um vendedor fraudulento.

23. SISTEMA, de acordo com a reivindicação 13, caracterizado por ainda compreender operações adicionais incluindo: recepção de novos dados referentes às atividades do vendedor em mercado on-line ocorrendo subsequentes às atividades representadas pelos dados históricos, em que os novos dados compreendem um ou mais de um número total de estudos de satisfação de cliente ao longo de um ou mais períodos de tempo definidos e uma classificação atribuída ao vendedor em mercado on-line com base nos estudos de satisfação de cliente pelos um ou mais períodos de tempo definidos;

execução de um segundo componente de aprendizagem por máquina de uma plataforma de aprendizado por máquina adaptativo para gerar uma segunda saída de componente de aprendizagem por máquina, em que a segunda saída de componente de aprendizagem por máquina é gerada, pelo menos em parte, com base nos dados históricos e nos novos dados; e geração, com base, pelo menos em parte, na segunda saída de componente de aprendizagem por máquina do segundo componente de aprendizagem por máquina, de uma pontuação de estimativa de desempenho financeiro atualizada.

24. SISTEMA, de acordo com a reivindicação 13, caracterizado por ainda compreender uma operação adicional incluindo a produção e transmissão, de maneira automática, de uma proposta de empréstimo ao vendedor em mercado on-line, com base, pelo menos em parte, na pontuação de estimativa de desempenho financeiro.