CN101950395A - 市场营销模型确定系统 - Google Patents

Abstract

本申请涉及市场营销模型确定系统。具体地，涉及一种系统，包括变量确定模块，其确定可操作以用于最终模型的变量，并且还确定对至少一个变量的修改。假设确定模块确定可操作以用于最终模型的假设。假设包括针对变量的变换，其描述变量如何影响市场营销目标，或者变量如何影响可操作以用于最终模型的另一变量。假设模块还确定对假设的修改。模型生成器使用变量以及假设来生成候选模型，并且使用经修改的假设、新变量或者对变量的修改来生成新候选模型。候选模型或新候选模型可操作以基于变量在候选模型和新候选模型中的统计测量和相关度指示的至少一个，而被选作最终模型。

Description

市场营销模型确定系统

优先权

本专利申请要求2009年7月9日提交的名称为“AdaptiveAnalytics Marketing Tool”的美国临时申请序列号61/224,258的优先权，并且要求2009年8月31日提交的名称为“Adaptive Analytics withMOLAP System”的美国临时申请序列号61/238,335的优先权，在此通过引用并入二者的全部内容。

技术领域

本发明涉及市场营销模型确定系统。

背景技术

很多公司为了改善销售，每年在广告和其他市场营销活动上花费数以百万计的美元。然而，确定其市场营销活动如何影响其销售是很困难的。这主要归因于可能实际影响销售的多种因素，其可能与公司执行的市场营销活动有关，也可能与公司所执行的市场营销活动无关。例如，经济趋势和竞争者定价以及相关市场营销渠道中的广告都可能影响销售。结果，公司很难将其市场营销努力和资源集中在最有可能改善销售的活动上。

确定市场营销活动如何影响销售的一种方法是使用建模。建模可以用来预测或者预计行为或结果。模型可以通过回归分析或者分析历史数据的其他方法来生成。例如，公司可以使用历史销售数据来生成模型，以预计销售在未来将如何受到影响，并且这些公司可以基于预计来做出调整以便改善销售。然而，如上所述，基于可能影响销售的所有因素，有很多变量可以被包括在模型中。此外，某些变量可能比基于不充分数据、不准确性以及其他因素的其他变量更为准确。很难选择要在模型中使用的、将会得到最准确预测结果的变量。由此，目前用于预测的很多模型可能是不准确的。此外，根据不准确的模型对市场营销投资做出调整可能会导致利润损失和资源浪费。

发明内容

一种系统，配置用于确定可操作以用于针对市场营销目标来预测信息的最终模型。该系统包括变量确定模块，其确定可操作以用于最终模型的至少一个变量，以及确定对至少一个变量的修改。假设确定模块确定可操作以用于最终模型的假设。假设包括针对至少一个变量的变换，其描述至少一个变量如何影响市场营销目标，或者至少一个变量如何影响可操作以用于最终模型的另一变量。假设模块确定对假设的修改。模型生成器使用至少一个变量以及假设来生成候选模型，并且使用经修改的假设、新变量以及对至少一个变量的修改中的至少一个来生成新候选模型。可由计算机执行的模型评估模块确定至少一个变量在候选模型和新候选模型每一个中的统计测量和相关度指示。候选模型和新候选模型之一可操作以基于至少一个变量在候选模型和新候选模型每一个中的统计测量和相关度指示的至少一个，而被选作最终模型。

一种确定可操作以用于针对市场营销目标来预测信息的最终模型的方法，包括：确定可操作以用于最终模型的至少一个变量。该方法还包括：确定可操作以用于最终模型的假设，其中假设包括针对至少一个变量的变换，该变换描述至少一个变量如何影响市场营销目标，或者至少一个变量如何影响可操作以用于最终模型的另一变量。该方法还包括：确定对至少一个变量和假设中至少一个的修改。该方法还包括：使用至少一个变量以及假设来生成候选模型。该方法还包括：使用修改来生成新模型，并且通过计算机来确定至少一个变量在候选模型和新候选模型每一个中的统计测量和相关度指示。候选模型和新候选模型之一可操作以基于至少一个变量在候选模型和新候选模型每一个中的统计测量和相关度指示的至少一个，而被选作最终模型。该方法可以在存储于计算机可读存储设备中并可由计算机执行的计算机程序中具体化。

附图说明

将参考附图在下文描述中对本发明的实施方式进行描述。

图1示出了按照一个实施方式的系统；

图2示出了按照一个实施方式的建模引擎102的框图；

图3示出了按照一个实施方式的、图1中所示系统的技术实现；

图4示出了按照一个实施方式的、用于数据抽象层的数据模型的数据结构；

图5示出了按照一个实施方式的、用于确定最终模型的方法的流程图；

图6示出了按照一个实施方式的、可以用来输入和修改变量和假设的截屏的示例；

图7示出了按照一个实施方式的、可以用来显示测试结果的截屏的示例；以及

图8示出了按照一个实施方式的、可以用作图1中所示系统的一个或多个组件的平台的计算机系统。

具体实施方式

出于简化和示范目的，实施方式的原理将主要通过参考其示例来描述。在下文描述中，记载了多个特定细节以便提供对实施方式的透彻理解。然而，对于本领域技术人员易见的是，可以不限于这些特定细节来实践实施方式。在某些情况下，没有详细描述公知的方法和结构，以避免不必要地混淆实施方式。

一种系统，配置用于分析与销售有关的数据以及确定模型，该模型标识数据中的变量与市场营销目标(诸如，改善销售、改善品牌资产等)之间的关系。变量可以具有按照层级进行组织的属性(也称为维度)。层级可以包括针对每个维度的子属性或者级别。例如，每个市场营销渠道变量的一个维度可以是地理位置，并且该层级中的子属性或者级别可以是国家、地区、城市和邮政编码。可以对沿不同维度和级别的变量进行评估和选择，以便在模型中使用。模型继而可以用于预测以及市场营销规划的开发。系统可以提供易于使用的基于web的GUI。

该系统的某些特征包括计量经济学建模、基于事实的规划以及因果预测。该系统还可以提供数据诊断和可视化、混合模型构建以及假定(what-if)情境能力。该系统可以包括基于web的、企业准备就绪的、可扩展的计算机平台，其具有主控(“按需”)或者现场部署选项二者。可以使用其他小规模计算机平台。在计算机平台上运行的软件提供了系统的功能。

图1示出了按照一个实施方式的系统100。系统100包括数据存储系统101、建模引擎102、预测引擎103、优化引擎104以及用户接口105。数据存储系统101存储与市场营销目标有关的任何数据。市场营销目标的一个示例是改善销售。存储的数据可以包括历史销售数据、与市场营销活动有关的数据的变量、经济趋势以及其他类型的数据。变量可以包括影响销售的不同度量。例如，变量可以包括在诸如电视、广播、印刷和在线等不同市场营销渠道中的活动的成本(例如，花费的数额)。其他变量可以包括影响销售的宏观经济因素，诸如失业率、国内生产总值等。数据存储系统101还可以存储用户通过用户接口105输入的数据，并且可以存储由系统100生成的模型和其他信息。

如上所述，数据存储系统101中与销售有关的数据可以通过按照层级组织的属性(也称为维度)进行表征。层级可以包括针对每个维度的子属性或者级别。例如，每个市场营销渠道变量的一个维度可以是地理位置，并且该层级中的子属性或者级别可以是国家、地区、城市以及邮政编码。

建模引擎102使用来自数据存储系统101的数据(其可由用户或者其他数据源提供)，以生成变量与市场营销目标(诸如，销售表现)之间的关系。这些关系形成了模型110。在一个示例中，变量与销售之间的关系可以表示为曲线或者函数。例如，可以生成曲线，其中该曲线上的每个点表示针对该变量而投资或者花费的数额而生成的预计销售量(递增或累加)。

建模引擎102使用各种变换和其他机制来开发模型。变换描述变量如何影响市场营销目标。变换还可以描述变量如何影响另一变量。变换可以由函数来表示，该函数使用一个或多个输入参数来调节函数变量。变换的示例包括广告stock(效果)、广告滞后以及广告饱和度。广告stock是一种用于广告的衰减率机制，其指示广告随时间的衰减效力。广告滞后是一种广告的时变影响。如果在一周中做广告，广告的影响将在销售中展现出来，但未必是在该周之内。相反，该影响可能在接下来的八周中，并且广告滞后可以指示广告的该延迟效力。广告饱和度使用收益递减函数，其是一种指数函数，指示随着市场营销已经使市场饱和，广告的影响将可能降低。例如，对于花费在市场营销活动上的一百万美元，先投入的50万比后投入的50万更有可能影响销售。广告饱和度还可以称为广告能力。广告能力可以表示花费的每单位数额的收益递减量。变换的另一示例包括协同效应。协同效应是至少两种类型的市场营销活动的动作何时积极地影响相同产品的销售。协同效应是同时市场营销活动的组合或者互补效应。例如，如果为两个不同市场营销活动而花费的数额针对每个活动而增加2％，则协同效应导致产品的销售改善10％而不是4％。

建模引擎102尝试变换的不同排列，以便将映射的所有变量作为输入来确定最佳拟合数学关系。可以使用线性回归和/或混合建模方法。最佳拟合关系定义了模型，并且指示变量与市场营销目标之间的关系。

建模引擎102可以使用变量、假设和数据(诸如，历史销售数据)来生成模型110。通过用户界面105，可以选择不同的变量。而且，可以选择变量的维度和级别。还可以接收假设。假设可以包括变换和变换的参数。假设可以包括对变量或者变量集的估计。估计可以是针对一个或多个变换的估计。例如，估计可以是变量的滞后、能力或者广告stock的量。估计可以是关于交互变换的假设，诸如两个变量之间的协同或者抵消的量。

假设可以包括一个或多个规则(也称为约束)。规则可以用来确定变量与销售的相关度。规则可以用来确定在模型测试期间某变量是否退出或者保持。规则可以基于商业目标，诸如对于电视市场营销来说每个总收视率点数的平均回报是多少。规则可以是条件。条件的一个示例是：较高的价格改善销售。建模引擎102测试该条件，继而如果该条件未被满足，可以使作为变量的价格退出，或者指示该条件未被满足。在另一示例中，假设可能包括两个互斥的假设。例如，一个假设包括较高的价格改善销售的规则。另一假设包括较低的价格改善销售的规则。一个假设必须退出。而且，如果基于建模引擎102所执行的统计分析发现两个假设都不成立，则两个假设可以都退出。

假设还可以包括描述市场营销目标的筛选标准。例如，资产是一个筛选标准，并且模型引擎102针对假设而运行，以确定这些假设是否与品牌资产相关。筛选标准的另一示例是销售，以查看假设与销售如何相关。

建模引擎102允许用户改变用来生成模型的变量和假设。这些变化可以通过用户接口105输入。对于每组变化，建模引擎102生成候选模型。对于不同的变化，建模引擎102可以生成多个候选模型106。例如通过统计测量和其他因素对候选模型106进行评估，以确定其预测的准确性和生存能力。一个或多个候选模型106可以被选作最终模型(被示为模型110)，以用于分析、规划和预测。

预测引擎103使用模型110来执行“假定(what-if)”分析，以估计变量对销售的影响。例如，当前市场营销规划可以存储在数据存储系统101中，并且包括针对不同的市场营销渠道而花费的数额。通过用户接口105，用户可以改变模型中变量的值，诸如针对不同的市场营销渠道而花费的数额，并且预测引擎103通过模型110来运行这些变化，并且输出例如在给定针对每个渠道中的市场营销而花费的数额的情况下生成的估计销售额。通过针对不同的变化运行预测引擎103，用户可以确定在每个市场营销渠道中投入的最佳数额，从而使销售最大化。

优化引擎104可以用于市场营销规划的开发。优化引擎104可以评估预测引擎103的输出，以确定如何最佳地优化变量(诸如针对不同市场营销渠道而花费的数额)，以便使销售最大化并且创建新的市场营销规划。优化引擎104可以使用模型110来确定为了使销售最大化而应当针对各市场营销渠道花费的最大数额和最小数额。

图2示出了建模引擎102较为详细的框图。建模引擎102包括变量确定模块201、假设确定模块202、模型生成器203以及模型评估模块204。模型和建模引擎的其他组件可以包括软件、硬件或者软件和硬件的结合。

变量确定模块201确定将被用于生成模型的变量，而假设确定模块202确定将被用于生成模型的假设。在一个实施方式中，变量和假设可以由用户通过用户接口105输入，并由模块201和202接收。而且，对变量和假设的修改可以由用户通过用户接口105输入，并且由模块201和202接收，以便生成不同的候选模型。

模型生成器203使用由模块201和202确定的变量和假设来生成模型。建模引擎102通过多个独立的回归分析来运行假设和变量，以确定变量与销售之间的关系。这些关系形成了由建模引擎102生成的候选模型。

确定变量与销售之间的关系以及确定描述该关系的响应曲线在2006年7月7日提交的Andris Umblijs等人的、名称为“ModelingMarketing Data”的共同未决美国专利申请序列号11/483,401中详述，在此通过引用并入其全部内容。

例如，给定选定的变量集合，使用统计回归(例如，线性回归)方法来确定模型系数。这些系数是将变量的数据(例如，市场营销渠道的成本数据)最佳地映射至相应历史性能数据的模型变量的系数。使用回归技术来执行对候选模型的变量的系数的估计，以产生多变量函数(例如，曲线)，其将给定输入数据的计算输出最佳地拟合至其相应的输出。在某些实施方式中，回归技术对候选模型的至少某些变量执行非线性回归，以便将与这些变量(例如，显示收益减少行为的市场变量)相关联的任何非线性行为考虑在内。

模型评估模块204确定每个候选模型中变量的统计测量以及相关度指示。基于每个变量的统计测量和相关度指示，可以选择或者不选择候选模型作为最终模型。统计测量指示变量对于市场营销目标的统计重要性。相关度指示指示变量对于市场营销目标的影响的级别。

例如，模型评估模块204使用某函数来评估每个变量，以确定指示变量在统计上是否重要的统计测量。在一个示例中，变量对于模型性能的贡献应超过预定的阈值。变量的贡献(其是统计测量的一个示例)使用经变换的历史数据和产生的系数来确定，以便确定对因变量的相对影响的估计。由此，在某些情况下，该相对影响可以通过启发式加权过程来运行，以确定最终贡献用于比较。该模型特性反映出了这样的事实，即，模型不应具有对于模型性能的贡献很小的变量。在某些实施方式中，预定义的统计重要性阈值可以是10％。在某些实施方式中，阈值可以是5％。可以按照模型的期望复杂性水平来使用较低或者较高的统计重要性阈值。

而且，模型评估模块204确定针对变量的假设规则是否得到满足。例如，规则可以是条件。条件的一个示例是较高的价格改善销售。建模引擎102测试该条件，如果条件未被满足，则可以使作为变量的价格退出，或者指示该条件未被满足。在另一示例中，假设可以包括两个互斥的假设。例如，一个假设包括较高的价格改善销售的规则。另一假设包括较低的价格改善销售的规则。一个假设必须退出。而且，如果基于建模引擎102执行的统计分析发现两个假设都不成立，两个假设都可以退出。

模型评估模块204确定每个变量的相关度指示。相关度指示指示变量对于市场营销目标的影响水平。在一个示例中，模型评估模块204指示变量是否被保持或者退出。保持变量的指示意味着变量与市场营销目标相关。相关度指示可以基于统计测量、变量是否满足假设规则和/或其他因素。

图3示出了按照一个实施方式的系统100的技术实现。系统100包括应用服务器301，其主控建模引擎102、预测引擎103和优化引擎104。数据存储系统101可由服务器和存储系统(诸如，存储区域网络或者其他传统系统，示为310)来主控。数据存储系统101的架构层级在310中示出。在一个实施方式中，数据存储系统101使用多维数据模型，其将在下文详述。数据存储系统101包括数据抽象层311，其是数据存储系统101中所存储数据的数据结构。数据抽象层311在图3中较为详细地示出，并且包括元数据层和数据层。

数据存储系统101还包括数据访问层312，其支持对存储在数据存储系统101中的多维数据的访问。在一个示例中，数据访问层312可以包括用于分析的XML(XMLA)，其是一种用于访问系统的工业标准。

多维查询层313支持多维分析查询。多维查询层313配置用于跨维度中层级的不同级别进行聚合，以便对多维分析查询做出响应。每个已存储测量的元数据指示用于执行多维查询以用以预测和/或数据分析的聚合规则。

数据映射层314按照图4中所示的数据模型将数据存储在数据存储系统101中。例如，数据映射层314可以跨多个维度而将适当的元数据与每个变量进行关联。

系统100可以包括主控用户接口105的web服务器302。用户接口105可以提供富用户接口，其允许用户输入假设以便使用建模引擎102进行测试，并且允许用户运行报告以及生成用于预测和规划的图形分析。技术架构可以是高度可扩展的，以允许处理大量用户的大量数据。

图4示出了用于图3中所示的数据抽象层311的数据模型的数据结构400。如图4所示，数据结构400包括元数据层401和数据层402。元数据层401存储通过使用图1中所示的建模引擎102来确定模型110这一过程而生成的关系数据。关系数据可以包括模型中的变量与模型的输出(可以是估计的销售额)之间关系的数学表示。关系数据可以包括由图2中所示的模型生成器203确定的系数。元数据层401还包括描述用来创建模型的假设和变量的信息，诸如变换、规则、变量维度和层以及其他关联信息。元数据层401通过存储针对数据的聚合规则还支持多维查询。聚合规则描述如何从层级维度的较低级别聚合为较高级别，以及针对每个级别应用什么变换。例如，元数据层401可以指示：如果请求与销售有关的州级别的信息，则使用具有预定参数的滞后变换，针对电视市场营销渠道变量将城市级别聚合为州。这些聚合规则可以应用于由预测引擎103执行的“假定”情境处理。数据层402标识存储在数据存储系统101中与模型有关的实际数据，诸如跨不同维度以及在层级的不同级别处的每个市场营销活动的成本。在一个实施方式中，这可以包括处于每个维度的最低级别的数据，并且继而聚合规则可以确定如何聚合为维度中的较高级别。

一个技术效果是：通过将数据结构400用于每个模型，可以使预测引擎103所执行的查询处理以及“假定”情境处理快得多，并且多维查询也快得多。

在其他实施方式中，替代使用数据结构400，可以使用传统的在线分析处理(OLAP)或者关系在线分析处理(ROLAP)系统。

图5示出了按照一个实施方式的、用于确定最终模型的方法500的流程图。最终模型可以用来预测销售以及执行假定分析。通过示例而非限制的方式，将关于图1到图3中示出和描述的系统100来描述方法500。

在步骤501，历史数据被存储在数据存储系统101中。该步骤可以连续地执行，或者在从源接收数据时周期性地执行。数据可以包括实际销售和成本数据，以及可以被测量或以其他方式确定的其他数据。

在步骤502，确定变量或者变量集。例如，可以通过用户接口105来选择变量。对变量的选择可以包括选择一个或多个变量的维度和/或级别。例如，可以基于存储的销售数据来选择产品和产品类型。而且，选择地理位置作为维度，并且选择行政区作为地理位置维度的层级中的一个级别。选择具有其维度和级别的这些变量，以用于模型中的测试。

在步骤503，确定一个或多个假设。可以通过用户接口105来接收假设。假设可以包括对变量或变量集的估计。估计可以是针对一个或多个变换的估计。例如，估计可以是变量的滞后量、能力或者广告stock。估计可以是关于交互变换的假设，诸如两个变量之间协同或抵消的量。

假设可以包括一个或多个规则(也称为约束)。规则可以用来确定变量与销售的相关度。规则可以用来确定在模型测试期间某变量是否退出或者保持。规则可以基于商业目标，诸如对于电视市场营销来说每个总收视率点数的平均回报是多少。规则可以是条件。条件的一个示例是：较高的价格改善销售。建模引擎102测试该条件，继而如果该条件未被满足，则可以使作为变量的价格退出，或者指示该条件未被满足。在另一示例中，假设可以包括两个互斥的假设。例如，一个假设包括较高的价格改善销售的规则。另一假设包括较低的价格改善销售的规则。一个假设必须退出。而且，如果基于建模引擎102所执行的统计分析发现两个假设都不成立，则两个假设可以都退出。

假设还可以包括描述市场营销目标的筛选标准。例如，资产是一个筛选标准，并且模型引擎102针对假设而运行，以确定这些假设是否与品牌资产相关。筛选标准的另一示例是销售，以查看假设与销售如何相关。

在步骤504，由建模引擎102对接收的变量和假设进行测试。建模引擎102通过多个独立的回归分析来运行假设，以确定变量与销售之间的关系。这些关系形成了由建模引擎102生成的候选模型。通过回归分析，建模引擎102还确定描述候选模型中假设的准确性的统计测量。

建模引擎102可以针对历史销售数据的不同数据集来测试模型。数据集可以随时段、维度级别等而变化。针对每个数据集的测试生成被评估的多个候选模型。

在步骤505，建模引擎102指示测试结果。例如，建模引擎102确定针对模型中每个变量的统计测量，并且确定针对每个变量的相关度指示。相关度指示可以指示是否保持每个变量，也即，每个假设中的每个变量是否被认为要保留。针对候选模型来指示测试结果。

在步骤506，利用对一个或多个假设或者变量的修改来重复步骤504和505。修改可以针对变量，诸如改变变换参数，或者添加或删除变换，或者改变维度或级别，或者添加新的变量。修改可以针对假设，诸如修改筛选标准、聚合规则或者假设规则。建模引擎102针对新的候选模型来确定测试结果。

在步骤507，做出是否通过修改假设来生成更多候选模型的决策。用户可以基于测试结果来确定是否继续生成更多候选模型。决策可以基于统计评估(也即，来自步骤505的测试结果)，其指示相关的每个变量将如何影响销售或其他目标。例如，如果用户确定40％的变量被退出，则用户可以继续生成附加候选模型，直到至少80％的变量被保持。

在步骤508，选择候选模型作为将要用于预测的最终模型。预测可以包括对各种情景进行仿真，以估计其将如何影响销售。例如，最终模型可以用来确定针对特定渠道而增加的市场营销花费是否将改善销售。预测引擎103使用最终模型来执行预测。

可以对候选模型进行测试，以确定最佳表现的候选模型，继而可以选择该最佳表现的候选模型作为最终模型。例如，针对给定输入集，系统100生成针对预定历史时间段的实际销售的曲线。使用相同的输入集和候选模型，生成用于估计销售的曲线。对曲线进行比较。可以选择在曲线之间具有最小误差的候选模型最为最终模型。

在步骤509，将用于最终模型的假设存储在数据结构400的元数据层中。例如，图4中所示的数据结构400包括元数据层401和数据层402。元数据层401存储针对最终模型的假设、变量、维度和级别、聚合规则以及关系数据。数据层402标识存储在数据存储系统101中与模型有关的实际数据，诸如跨不同维度以及在层级的不同级别处的每个市场营销活动的成本。在一个实施方式中，这可以包括处于每个维度的最低级别的数据，并且继而聚合规则可以确定如何聚合为维度中的较高级别。

图6示出了可由图1的用户接口105生成的截屏。该截屏示出了可以如何向图1的系统100提供变量和假设，并且示出了可以如何修改变量和假设以生成多个候选模型(诸如图1中所示的候选模型106)的示例。图6还示出了针对每个变量生成的相关度指示的示例，诸如基于对候选模型中变量的评估是否认为要“保留”该变量。601示出了可由用户输入以描述所生成模型的概述信息。602示出了选择可以针对不同变量而选择的维度和级别的示例。在602中的筛选下，选择与品牌资产相关联的变量。然而，通过“改变变量”和“新变量”按钮，可以修改变量，并且可以添加新的变量。606示出了所选的变量以及所选的维度和级别。

603示出了针对不同的变换以及针对变换而选择的变换参数值的示例。通过“变换”项下的按钮，可以修改变换。而且，606示出了使用滑块来修改变换的变换参数。

604示出了由所测试的模型生成的两个曲线。一个曲线是估计的销售额，另一曲线与变换相关联。607示出了针对特定地区(也即，地理位置维度的级别)中变量的相关度指示。注意，607示出了是否保留变量，其指示变量是否被保持在模型中。模型可以包括多个变量，并且不是所有变量都可以保留。

图7示出了用于测试候选模型的测试结果的截屏。701示出：候选模型的测试指示预计结果与实际结果之间的误差为2.5％。702通过图示显示出了该误差。703示出了在候选模型中被测试的不同变量的示例，其被示为度量。而且，示出了变换和所选择的筛选。而且，示出了针对每个变量生成的假设规则或约束以及建模系数。而且，示出了变量是否被认为要“保留”，也即，相关度指示。在18个变量中，16个变量被认为是相关的，并且被示为保留。

图8示出了可以与在此描述的实施方式结合使用的计算机系统800。计算机系统800表示包括可以位于服务器或者其他计算机系统中的组件的通用平台。计算机系统800可以用作用于执行一个或多个在此描述的方法、功能和其他步骤的平台。这些步骤可以具体化为存储在一个或多个计算机可读存储设备上的软件。此外，图1中所示的系统100的组件可以是软件、硬件或者硬件和软件的结合。

计算机系统800包括处理器802，其可以实现或者执行软件指令，这些软件指令执行某些或全部在此描述的方法、功能和其他步骤。来自处理器802的命令和数据通过通信总线804进行传送。计算机800还包括：主存储器806，诸如随机访问存储器(RAM)，用于处理器802的软件和数据可以在运行时期间驻留在此；以及次级数据存储808，其可以是非易失性的，并且存储软件和数据。存储器和数据存储是计算机可读介质的示例。

计算机系统800可以包括一个或多个I/O设备810，诸如键盘、鼠标、显示器等。计算机系统800可以包括用于连接至网络的网络接口812。对于本领域的技术人员易见的是，可以在计算机系统800中添加或替换其他已知的电子组件。

在此描述的一个或多个步骤以及系统的一个或多个组件可以实现为计算机代码，其存储在诸如存储器和/或次级存储的计算机可读介质上，并且在计算系统上执行，例如由处理器、专用集成电路(ASIC)或者其他控制器来执行。代码可以作为软件程序而存在，其包括源代码、目标代码、可执行代码或者其他格式的程序指令。计算机可读介质的示例包括传统的计算系统RAM(随机访问存储器)、ROM(只读存储器)、EPROM(可擦除可编程ROM)、EEPROM(电可擦除可编程ROM)、硬盘驱动以及闪存。

尽管已经参考示例描述了实施方式，但是本领域技术人员能够在不脱离要求保护的实施方式的范围的情况下，对所描述的实施方式进行各种修改。例如，在此描述的系统和方法主要是针对用于销售数据的建模变量来描述的。然而，建模不限于与销售有关的信息，而是适用于针对其他类型数据以及其他市场营销目标的建模。

Claims (20)

1.一种配置用于确定可操作以用于针对市场营销目标来预测信息的最终模型的系统，所述系统包括：

变量确定模块，其确定可操作以用于所述最终模型的至少一个变量，以及确定对所述至少一个变量的修改；

假设确定模块，其确定可操作以用于所述最终模型的假设，其中所述假设包括针对所述至少一个变量的变换，所述变换描述所述至少一个变量如何影响所述市场营销目标，或者所述至少一个变量如何影响可操作以用于所述最终模型的另一变量，并且所述假设模块确定对所述假设的修改；

模型生成器，其使用所述至少一个变量以及所述假设来生成候选模型，并且使用经修改的假设、新变量以及对所述至少一个变量的修改中的至少一个，来生成新候选模型；以及

模型评估模块，其可由计算机执行，并且确定所述至少一个变量在所述候选模型和所述新候选模型每一个中的统计测量和相关度指示，其中所述候选模型和所述新候选模型之一可操作以基于所述至少一个变量在所述候选模型和所述新候选模型每一个中的所述统计测量和所述相关度指示的至少一个，而被选作所述最终模型。

2.如权利要求1所述的系统，进一步包括：

预测引擎，其使用所述最终模型、针对所述至少一个变量的建议值以及历史数据，来生成针对所述市场营销目标的预计。

3.如权利要求2所述的系统，其中所述至少一个变量包括多维变量，并且每个维度包括多个级别，并且所述变量确定模块标识所述至少一个变量的所述维度以及所述多个级别的级别。

4.如权利要求3所述的系统，进一步包括：

多维数据存储系统，其存储由所述模型生成器生成的模型的信息，所述模型包括所述候选模型、所述新候选模型以及所述最终模型，其中所述多维存储系统使用元数据层和数据层来存储所述信息，

所述元数据层存储所述至少一个变量与所述市场营销目标之间的关系、所述至少一个变量的指示、所述至少一个变量的所述维度和所述级别以及针对所述候选模型、所述新候选模型和所述最终模型中每一个的所述假设，以及

所述数据层包括所述至少一个变量在所述候选模型、所述新候选模型和所述最终模型每一个中的数据。

5.如权利要求4所述的系统，其中所述元数据层存储针对所述至少一个变量的聚合规则，并且所述存储系统配置用于使用存储在所述元数据层中的所述聚合规则来执行多维查询。

6.如权利要求1所述的系统，其中所述假设包括指定条件的假设规则，并且所述模型评估模块基于所述条件是否得以满足来确定所述至少一个变量的所述相关度指示。

7.如权利要求1所述的系统，其中基于所述条件是否得以满足的所述至少一个变量的所述相关度指示包括是否将所述至少一个变量保持在所述候选模型中的指示。

8.如权利要求1所述的系统，其中针对所述至少一个变量的所述变换包括描述所述变换的影响量的输入参数。

9.如权利要求1所述的系统，进一步包括：

用户接口，其接收所述至少一个变量、所述假设、对所述至少一个变量的所述修改以及对所述假设的所述修改。

10.如权利要求1所述的系统，其中所述市场营销目标是增加产品或者服务的销售。

11.一种确定可操作以用于针对市场营销目标来预测信息的最终模型的方法，所述方法包括：

确定可操作以用于所述最终模型的至少一个变量；

确定可操作以用于所述最终模型的假设，其中所述假设包括针对所述至少一个变量的变换，所述变换描述所述至少一个变量如何影响所述市场营销目标，或者所述至少一个变量如何影响可操作以用于所述最终模型的另一变量；

确定对所述至少一个变量和所述假设中至少一个的修改；

使用所述至少一个变量以及所述假设来生成候选模型；

使用所述修改来生成新候选模型；以及

通过计算机来确定所述至少一个变量在所述候选模型和所述新候选模型每一个中的统计测量和相关度指示，其中所述候选模型和所述新候选模型之一可操作以基于所述至少一个变量在所述候选模型和所述新候选模型每一个中的所述统计测量和所述相关度指示的至少一个，而被选作所述最终模型。

12.如权利要求11所述的方法，进一步包括：

使用所述最终模型、针对所述至少一个变量的建议值以及历史数据，来生成针对所述市场营销目标的预计。

13.如权利要求12所述的方法，其中所述变量包括多维变量，并且每个维度包括多个级别，并且确定所述至少一个变量的统计测量和相关度指示包括：

使用所述至少一个变量的所述维度以及所述多个级别的级别，来确定所述至少一个变量的所述统计测量和所述相关度指示。

14.如权利要求13所述的方法，进一步包括：

对于所述候选模型、所述新候选模型以及所述最终模型中的每一个的至少一个变量，在数据模型的元数据层中存储所述至少一个变量与所述市场营销目标之间的关系、所述至少一个变量的指示、所述至少一个变量的所述维度和所述级别以及针对所述候选模型、所述新候选模型和所述最终模型中每一个的所述假设；以及

在所述模型中的数据层中，存储所述至少一个变量在所述候选模型、所述新候选模型和所述最终模型每一个中的数据。

15.如权利要求14所述的方法，进一步包括：

将针对所述至少一个变量的聚合规则存储在所述元数据层中，以及

使用存储在所述元数据层中的所述聚合规则来执行多维查询。

16.如权利要求11所述的方法，其中所述假设包括指定条件的假设规则，并且确定所述至少一个变量的相关度指示包括：

基于所述条件是否得以满足来确定所述至少一个变量的所述相关度指示。

17.如权利要求11所述的方法，其中针对所述至少一个变量的所述变换包括描述所述变换的影响量的输入参数。

18.一种计算机可读存储设备，存储有计算机程序，当所述计算机程序由计算机执行时，其执行一种方法，包括：

确定可操作以用于所述最终模型的至少一个变量；

确定可操作以用于所述最终模型的假设，其中所述假设包括针对所述至少一个变量的变换，所述变换描述所述至少一个变量如何影响所述市场营销目标，或者所述至少一个变量如何影响可操作以用于所述最终模型的另一变量；

确定对所述至少一个变量和所述假设中至少一个的修改；

使用所述至少一个变量以及所述假设来生成候选模型；

使用所述修改来生成新候选模型；以及

确定所述至少一个变量在所述候选模型和所述新候选模型每一个中的统计测量和相关度指示，其中所述候选模型和所述新候选模型之一可操作以基于所述至少一个变量在所述候选模型和所述新候选模型每一个中的所述统计测量和所述相关度指示的至少一个，而被选作所述最终模型。

19.如权利要求18所述的计算机可读存储设备，其中所述方法进一步包括：

使用所述最终模型、针对所述至少一个变量的建议值以及历史数据，来生成针对所述市场营销目标的预计。

20.如权利要求19所述的计算机可读存储设备，其中所述变量包括多维变量，并且每个维度包括多个级别，并且确定所述至少一个变量的统计测量和相关度指示包括：

使用所述至少一个变量的所述维度以及所述多个级别的级别，来确定所述至少一个变量的所述统计测量和所述相关度指示。

Images