CN103827906B - 用于选择、过滤或呈现可用的销售渠道的方法和系统 - Google Patents

Abstract

这里公开的实施例提供用于针对用户特性和卖主特性过滤、选择和/或呈现卖主账户的系统和方法，使得系统和方法可同样地被顾客和卖主使用，以更好地匹配顾客需求与成功销售具有更高的出现概率的资源受限卖主。实施例可包括向通过特定卖主具有吸引特定顾客的特性并因此导致大的销售概率的概率分类的用户过滤、选择和/或呈现卖主，并且抑制不太可能被顾客选择的卖主的呈现，原因是他们的特性不与顾客的需求一致并因此不太可能导致销售。

Description

用于选择、过滤或呈现可用的销售渠道的方法和系统

(相关申请的交叉引用)

本申请根据35 U.S.C.§119要求发明名称为“METHOD AND SYSTEM FORSELECTION，FILTERING OR PRESENTATION OF AVAILABLE SALES OUTLETS”的临时申请No.61/504017作为优先权，在这里通过引用并入其全部内容。

(版权通告)

本专利文件的公开的一部分包含进行版权的主张的材料。版权所有人不反对任何人传真再现出现于专利和商标事务所专利文件或记录中的专利文件或专利公开，但完全保留所有其它版权。

技术领域

本公开一般涉及向顾客呈现销售渠道。特别地，本公开涉及在考虑用户特性以及这样的销售渠道的特性的同时选择、过滤和/或呈现这些销售渠道。

背景技术

可存在许多类型的销售渠道。销售渠道的一个例子可以是出售特定产品或服务的零售商。另一例子可以是向商行或个人提供货物或服务的卖主或供应商。作为具体的例子，在供给链中，制造商可制造产品，把它们出售给卖主，并且，卖主又可将产品出售给顾客。在本文中，术语“卖主”指的是向顾客出售产品的实体。

当今，顾客能够通过浏览与不同的卖主相关的各种网站定位卖主。现有的搜索引擎允许顾客在线搜索希望的产品。这些搜索引擎然后常常以“热链接”的形式向用户返回卖主的列表。

但是，搜索结果可能对希望的产品和/或顾客具有不同程度的相关性。因此，总是存在创新和改善的空间。

发明内容

顾客正变得更加理智。在很容易实现搜索的在线购买的环境中尤其如此。因此，顾客在执行购买之前在线搜索产品或销售渠道(也称为卖主、售主、商人等)。伴随着在顾客进行购买之前在线搜索产品或卖主的流行性不断增加，越来越需要开发用于基于用户的偏好呈现候选卖主的系统和方法。但是，当用户搜索他/她可进行产品的购买(可以是现场购买或在线购买)的卖主时，候选卖主可具有可导致用户优选一些卖主而不是其它卖主的特性。事实上，某些特性可导致一些卖主的销售的可能性较小、可忽略或者不存在。类似地，顾客的不同特征还可导致顾客从特定的卖主购买的概率的差异。

但是，在当前的在线商业领域中，缺少用于过滤、选择或呈现(统称为过滤)卖主的有效系统和方法。常见的方法包含列出所有可能的卖主(有时具有通过价格、相关性或其它特征分类的能力)或者允许用户通过价格、距离或其它的产品属性过滤结果。

另外，卖主还存在类似的优先化困难，原因是他们接收大量的引导，这些引导常常淹没可用于寻求潜在顾客(这里与术语顾客互换使用)的资源。为了有效地从不大可能购买的顾客中识别更可能购买他们表达兴趣的项目的顾客，还需要顾客的分级过程。

因此，希望用于针对用户特性和卖主特性过滤、选择和/或呈现卖主账户的系统和方法，使得系统和方法可同样地被顾客和卖主使用，以更好地匹配顾客需求与成功销售具有更高的出现概率的资源受限卖主。还希望用于过滤、选择和呈现卖主的系统和方法通过根据来自两边的特征匹配高度感兴趣的顾客与正确和最佳的卖主处理双边决定过程。

用于过滤、选择和/或呈现卖主的系统和方法的实施例可以实现以下过程：(a)呈现通过特定卖主具有吸引特定顾客的特性并因此导致较高的销售概率的概率分类的候选卖主的分级列表，这在一个实施例中可使期望的中间人收益最大化；(b)抑制不太可能被顾客选择的卖主的呈现，原因是他们的特性不与顾客的需求一致并因此不太可能导致销售。用于选择潜在的顾客的同样的逻辑也适用于卖主。因此，这寻求识别在线用户和卖主的理想配对。

这种系统和方法的实施例还沿两个方向工作，以基于具有较高的销售给顾客的卖主过滤并选择对于卖主高度感兴趣的顾客。过滤和分类可基于搜索产品t的观察数据S(S中的成员可基于地理接近度或其它的共享特性)，该观察数据基于共享与同一组中的搜索特性类似的搜索特性的个人的集体行为。类似地，算法不需要卖主的预定的顾客选择规则，它通过向卖主呈现最有价值的顾客并且同时保存卖主的资源和最大卖主期望收益使用统计模型化方法。

这里公开的实施例可具有考虑更丰富的一组卖主和用户属性并调节基于经验的信息以计算达成销售的概率并识别在购买决定处理中最着重考虑的那些特征的优点。特别地，某些实施例可提供以下的优点：

1)通过使用历史数据在经验上确定销售的概率；和

2)通过包含例如诸如驾车时间、商人密度、可用的库存、附带福利、顾客忠诚度的附加因素，不限于与距离、价格和历史销售活动有关的特征。

一些实施例还可基于期望的收益评分或过滤一组卖主。例如，实施例可对于地理区域内的各卖主基于销售的概率和由此对于又一实体产生的期望收益评分一组卖主。

因此，当结合以下的描述和附图进行考虑时，可以更好地体会和理解本公开的这些和其它方面。但应理解，以下的描述，虽然示出本公开的各种实施例及其大量的特定的细节，但是是作为解释而不是限制给出的。在不背离本发明的精神下，可在本公开的范围内提出许多替代、修改、添加和/或重新配置，并且，本公开包含所有这些替代、修改、添加和/或重新配置。

附图说明

本说明书的附图和形成部分被包括以示出本公开的某些方面。应当注意，在附图中示出的特征未必按比例绘制。通过结合附图参照以下的描述，可以获取本公开的完整的理解及其优点，在这些附图中，类似的附图标记表示类似的特征，并且，

图1示出用于呈现销售渠道的系统的一个示例性实施例的简化图示；

图2示出可实现这里公开的实施例的一个示例性网络结构的简化图示；

图3示出用于呈现销售渠道的流程图的图示；

图4、图5、图6a和图6b示出用于呈现销售渠道的屏幕截图的表现；

图7示出用于向顾客呈现销售渠道的方法的一个示例性实施例的图示；

图8示出产生邮编-商人对的驾车距离/时间的方法的一个示例性实施例的图示；

图9示出在客户机装置上显示的屏幕截图的图示。

具体实施方式

参照在附图中示出并且在以下的描述中详述的非限制性实施例，更完全地解释本发明及其各种特征和有利的细节。公知的开始材料、处理技术、部件和设备的描述被省略，以不在细节上不必要地混淆本发明。但应理解，详细的描述和特定的例子，虽然示出本发明的优选实施例，仅是作为解释而决不是限制给出的。从本公开，本领域技术人员可很容易理解根本发明的发明概念的精神和/或范围内的各种替代、修改、添加和/或重新配置。可通过可驻留于计算机可读介质(例如，硬盘驱动、快擦写驱动或其它的存储器)或硬件电路等上的适当的计算机可执行指令或任意的组合，实现这里讨论的实施例。

假定向对产品购买感兴趣的在线用户呈现卖主，这里公开的系统和方法的实施例可确定销售的概率。该概率可用于对于用户选择、过滤或呈现(这里统称为过滤)卖主。

例如，在一个实施例中，从用户的观中看，销售概率P_s具有两个成分：

1)反映单个卖主及其产品提供的各种特征的成分，该产品提供包含价格、可用的库存、由卖主提供的附带福利、历史销售表现等。

2)反映相同的特征但相对于也将被共同显示的其它卖主表达的成分。

过滤卖主的列表的该过程可被扩展以使卖主附加受益。互补的动作会是，卖主向产生在线兴趣的用户的列表施加过滤器并关注具有较高的购买产品的概率的那些用户(潜在顾客)。例如，当可用于寻求的感兴趣的用户的卖主的资源(例如，销售人员、电子邮件应答器等)的可用性不足以对在在线产品中出现的卖主搜索的所有用户提供平衡的关注时，可以使用该过滤器。

从卖主的观点看，购买概率P_b也可具有两个成分：

1)反映单个顾客的各种人口统计特征的成分，这些人口统计特征包含收入、家庭规模、净值、他们到卖主的距离、历史购买频率、历史购买偏好等。

2)描述特定顾客和特定卖主的交互作用的特征，这些交互作用包含卖主向该顾客的历史销售(忠诚度代表)、向顾客的本地区域/邻居的其它人的历史销售、卖主关于该顾客的位置。在需要购买人现场参观的耐用大件货物的情况下，到卖主的距离是顾客的附加交互作用因素。

双边决定处理可组合成单一度量即达成销售的概率：

P_c＝f(P_s，P_b)

该概率可同样地被顾客和卖主使用，以更好地匹配顾客需求与成功概率具有较高的出现概率的资源受限卖主。系统和方法可由此通过简化顾客搜索时间、通过向卖主的目标顾客呈现“正确”产品和服务增加卖主的收益并向更可能产生销售的顾客分配销售资源，向用户和卖主提供益处。

具体而言，根据某些实施例，达成销售的概率可作为出售给顾客的概率和从卖主购买的概率分解成两个部分。从顾客的观点看，假定在一组其它的卖主中呈现他们，基于以下形式的逻辑回归式计算卖主i出售产品t的概率S：

这里，

θ_i，t，s＝β_o+β₁ X_i，t，1+β₂ X_i，t，2+...+β_mX_i，t，m+β_q X_{i，t，S，q}+β_q+1 X_{i，t，S，q+1}+...+β_rX_{i，t，S，r}+ε_i，t，S，

每个X_i，t，k(k＝1，...，m)反映卖主i关于产品t的特征，

每个X_{i，t，S，q}(q＝m+1，...，r)反映卖主i和组S中的与卖主i一起呈现的其它卖主关于产品t的特征。

从卖主i的观点，顾客c从卖主购买产品t的概率可由以下形式的逻辑回归式计算：

这里，

δ_c，t，i＝α_o+α₁ Y_c，t，1+α₂ Y_c，t，2+...+α_nY_c，t，n’+α_q Y_c，i，q’+α_q+1 Y_c，i，q+1+...+α_rY_c，i，r‘+ε_c，t，U，

每个Y_c，t，k(k’＝1，...，n’)反映对产品t感兴趣的顾客c的特征，

每个Y_c，i，q(q’＝n+1，...，r’)反映顾客c从卖主i购买的历史行为的特征。

不是单独地考虑各成分并且由于双边决定处理意味着购买者与销售者之间的交互作用，因此，在一些实施例中，可基于以下的逻辑函数考虑顾客与卖主的匹配计算单个值：

逻辑回归是用于通过向逻辑函数拟合数据预测事件的出现概率的统计方法。它是用于将二项式结果(销售对非销售)模型化的基于经验的统计方法。

反映1)各单个卖主特征、2)与其它卖主相关的各单个卖主特征、3)单个顾客特征和4)顾客的历史偏好的独立变量可基于它们与达成销售的关系的经验知识作为潜在的因素被提出。

在一些实施例中，可对具有大的方差或斜分布的变量使用数据变换。可基于诸如使用历史数据的局部平均的适当的估计输入错失值。在一些实施例中，可以使用可用于统计分析软件(例如，SAS Pro Logistic)中的正向、反向和分步模型选择过程，以选择独立的变量。为了减少某些变量的方差并增加系数估计的稳健性，也可限定改变比例或附加的导出变量。给定历史显示的卖主，可以选择最终的模型系数，使得得到的销售估计概率与实际的观察的销售动作一致。

在一个实施例中，可以执行交叉核实，以测试模型估计的一致性。最终的数据集被随机分成用于重新拟合模型的两个组。其目的是测试模型估计是否在不同的采样组中稳健。由于市场环境、顾客行为、商人特征随时间的变化，最终的模型也可能经受其它类型的交叉核实。例如，如果在较长的时间间隔上收集最终模型数据源，那么最终的数据集可通过时间分成两半。最终的模型将然后重新拟合到“之前”和“之后”采样，以测试系数随时间的一致性。

很显然，对于这种模型和算法，存在各种用途。例如，在一个实施例中，可在可用于响应用户提交的产品搜索选择、过滤或呈现卖主的Vendor Score Algorithm(VSA)或计算(也称为“Dealer Scoring Algorithm”(DSA)，术语卖主和商人在这里被互换使用)中使用这种模型和算法。例如，在用户规定他/她的地理位置(例如，ZIP代码或地址)和希望的产品之后，VSA可识别在用户的局部区域中出售该特定产品的所有卖主。VSA可然后对合格的卖主评分并然后向用户呈现具有最高的销售概率的那些。VSA算法可加入例如价格-距离折衷、卖主满意度、历史表现、库存特征和网络特征，以得到达成来自某个地理区域的顾客的销售的概率。这种VSA可用于各种顾客环境中、各种通道中或者通过各种类型的产品或服务。

虽然系统和方法的实施例适用于搜索或购买几乎任何在线或离线实现购买和搜索的产品或服务，但是，在在线搜索或购买新车的情况下，实施例可能是特别有用的。具体而言，在某些实施例中，这种VSA可用于过滤卖主的在线搜索。具体而言，在某些实施例中，这种VSA可用于在线汽车搜索的环境，以基于达成销售的概率过滤对于新车或卖主的在线搜索。

例如，TrueCar(www.truecar.com)是提供竞争性、公开的报价的自动化网站。在这里公开的系统和方法的实施例可在商人选择处理中被这种网站使用，以响应用户提交的公开的价格搜索呈现最可能在TrueCar网络中产生销售的商人(例如，3个选择的商人)。在某些实施例中，只向商人发送来自具有较高的购买概率的顾客的引导。在本实施例中，DSA可加入各种商人特征，诸如商人价格、驾车距离、从商人到顾客ZIP代码的驾车时间、商人附带福利、历史表现、商人位置、卫冕冠军和库存。可进一步从商人特征导出一些改变比例的变量，以反映与其它候选商人相比的那些特性。诸如搜索车辆品牌、顾客局部商人网络密度和诸如搜索ZIP代码中的销售号的ZIP代码水平顾客历史购买行为指示的顾客属性被包含，以模型化唯一顾客与其它用户相比从商人购买的购买概率。可进一步通过来自DSA模型的销售概率、本地需求和商人的库存数据的组合信息计算各商人的期望收入。

这里，给出这里给出的系统和方法的实施例的使用环境会有帮助。回顾在2009年9月9日提交的发明名称为“SYSTEM AND METHOD FOR SALES GENERATION IN CONJUNCTIONWITH A VEHICLE DATA SYSTEM”的美国专利申请No.12/556137所示的方法和系统对于理解这些实施例是有帮助的，在这里通过引用并入其全部内容。通过使用TrueCar网站，各用户键入他/她的ZIP代码和他们对定价感兴趣的车辆的希望的制造/模型/选项。在一个实施例中，DSA可被用于呈现3个TrueCar认证商人，并且对于一些程序将只表示非认证的商人。如下所述，在图4、图5、图6a和图6b中表示用户可观察的屏幕的例子。

现在转到图1，该图示出包含在线方案提供商的实体计算环境或网络130的示例性系统100的简化图示。如图1所示，用户110可与网站140交互作用(通过与一个或更多个服务器托管网站140通信连接的客户机装置)，以进行他们的产品搜索，并且可能通过网站140购买新的或使用过的车辆。在一个实施例中，当用户引导在用户的计算机上运行的浏览器应用以通过网络连接(例如，通过网络120)向网站140发送请求时，用户的汽车购买处理可开始。可通过在实体计算环境130内与网站140耦合的控制逻辑180处理用户的请求。

用户的计算机或客户机装置的例子可包含中央处理单元(“CPU”)、只读存储器(“ROM”)、随机存取存储器(“RAM”)、硬驱动(“HD”)或存储器和输入/输出装置(“I/O”)。I/O可包含键盘、监视器、打印机和/或电子指示装置。I/O的例子可包含鼠标、跟踪球或尖笔等。并且，适当的客户机装置的例子可包含台式计算机、膝上型计算机、个人数字助理、蜂窝电话或几乎任何能够在网络上通信的装置。

实体计算环境130可以是具有诸如CPU、ROM、RAM、HD和I/O的硬件部件的服务器。可通过可驻留于ROM、RAM、HD、数据库150、模型190或它们的组合内的适当的软件代码实现这里描述的方法的多个部分。在一些实施例中，实现这里公开的实施例的计算机指令可存储于数字存取存储装置阵列、磁带、软盘、光学存储装置或其它适当的计算机可读存储介质或存储装置上。因此，实现这里公开的实施例的计算机程序产品可包含存储可由CPU翻译以执行这里公开的方法的实施例的计算机指令的一个或更多个计算机可读存储介质。

在示出的实施例中，计算机指令可以是经过编译的C⁺⁺、Java或其它的语言代码的线。可以使用其它的结构。例如，可通过实体计算环境130中的多个计算机分布和执行控制逻辑180的功能。因此，存储实现这里公开的实施例的计算机指令的计算机可读存储介质中的每一个可驻留于实体计算环境130中的一个或更多个计算机上或者通过这些计算机被访问。包含网站140、数据库150、控制逻辑180和模型190的各种软件部件和子部件可驻留于单个服务器计算机或者单独的服务器计算机的任意组合上。在一些实施例中，软件部件中的一些或全部可驻留于同一服务器计算机上。

在一些实施例中，控制逻辑180可能能够部分地基于卖主125i向顾客出售产品的概率和顾客从特定卖主125i购买产品的概率确定达成销售的概率。在一些实施例中，关于控制逻辑180已知的商人和卖主125i的信息可存储于可通过图1所示的控制逻辑180访问的数据库150上。

控制逻辑180可被配置为通过使用模型190向顾客过滤、选择和呈现具有较高的达成销售的概率的卖主125i的列表。模型190可部分地基于卖主125i向顾客出售产品的概率和顾客从卖主125i购买产品的概率，这些概率可利用来自多个系统部件的信息，包含来自可用商人的列表的数据和来自数据库150和商人的他们的表现历史的数据、存储于数据库150中的与用户相关的信息和/或存储于数据库150中的与卖主125a～n相关的信息。

图2示出可用于实现这里公开的系统和方法的实施例的布局200的一个实施例。特别地，布局200包括一组实体，这些实体包含通过网络270与计算装置210(例如，计算机系统、个人数字助理、专用终端、移动电话、智能电话等)耦合的实体计算环境220(这里也称为TrueCar系统)和库存公司240、原始设备制造商(OEM)250、销售数据公司260、金融机构282、外部信息源284、机动车辆部门(DMW)280和在本实施例中为卖主230的一个或更多个相关的销售位置点上的一个或更多个计算装置。

网络270可包含例如无线或有线通信网络，诸如因特网或广域网络(WAN)、公共切换电话网络(PTSN)或任何其它类型的电子或非电子通信链接，诸如邮件或捷运快递服务等。

实体计算环境220可包含具有执行体现于一个或更多个计算机可读介质上的指令的中央处理单元的一个或更多个计算机系统，这里，指令被配置为执行与本发明的实施例相关的功能中的至少一些。这些应用可包括包含被配置为实现界面模块292、数据收集模块294和处理模块296的一个或更多个应用(体现于计算机可读介质上的指令)的车辆数据应用290。并且，实体计算环境220可包含可操作为存储诸如商人信息、商人库存和商人公开定价的获得数据224、诸如商人的质量分数的在操作中确定的数据226、可包含一组商人成本模型或价格比模型的模型228或与实施例相关或者在这些实施例的实现中确定的任何其它类型的数据的数据库222。

具体而言，在一个实施例中，存储于数据库222中的数据可包含具有诸如商人的名字和位置、由商人出售的制造等的相应商人信息的一组商人。数据库222中的数据还可包含与一组商人中的每一个相关的库存列表，包含商人中的每一个当前备有现货的车辆配置。

实体计算环境220可提供各种功能，包括利用一个或更多个界面292，例如，这些界面292被配置为完成以下的过程：接收和响应来自计算装置210上的用户的询问或搜索；与库存公司240、制造商250、销售数据公司260、金融机构270、DMW 280或商人280连接以获得数据；或者向库存公司240、制造商250、销售数据公司260、金融机构282、DMV 280、外部数据源284或卖主230中的任一个提供由实体计算环境220获得或确定的数据。可以理解，在给定的环境中利用的特定界面292可依赖于由实体计算环境220实现的功能、用于与任何特定的实体通信的网络270的类型、获得或呈现的数据的类型、从实体获得数据的时间间隔、在各种实体中利用的系统的类型等。因此，这些界面可包含例如网页、网络服务、可通过操作员键入或另外访问数据的数据条目或者数据库应用或者希望用于特定的环境中的几乎任何其它类型的界面。

一般地，通过这些界面292，实体计算环境220可从包含库存公司240、制造商250、销售数据公司260、金融机构282、DMW 280、外部数据源284或卖主230中的一个或更多个的各种来源获得数据，并且将这种数据存储于数据库222中。然后可通过实体计算环境220分组、分析或另外处理该数据，以确定也存储于数据库222中的希望的数据226或模型228。

计算装置210上的用户可通过提供的界面292访问实体计算环境220并规定某些参数，诸如希望的车辆配置。实体计算环境220可通过使用处理模块296选择或产生数据。可从选择的数据集确定卖主230的列表，该数据是从处理确定的，并被呈现给用户的计算装置210上的用户。具体而言，在一个实施例中，界面292可通过高度直观和可用的方式在视觉上向用户呈现该数据。

特别地，在一个实施例中，视觉界面可呈现设定为价格曲线、条线图、直方图等的选择数据的至少一部分，该至少一部分反映相对于基准定价数据点(例如，发票价格、MSRP、商人成本、市场平均、因特网平均等)的可计量价格或价格范围(例如，“平均”、“好”、“非常好”、“标价过高”等)的选择的数据的至少一部分。视觉界面还可包含具有最高的达成销售的概率的卖主230的列表，该概率部分地基于来自顾客的观点的销售概率和来自卖主的观点的购买概率。

转到布局200中的各种其它的实体，卖主230可以是由OEM 250中的一个或更多个制造的车辆的销售渠道。为了跟踪或者另外管理销售、财务、部门、服务、库存和室后管理需求，卖主230可使用商人管理系统(DMS)232。由于许多DMS 232是基于Active Server Pages(ASP)的，因此，可通过使得能够从DMS系统232检索数据的“密钥”(例如，DMS系统232内的具有设定的许可的ID和密码)直接从DMS 232获得交易数据234。许多卖主230还可具有可在网络270上访问的一个或更多个网点。

另外，卖主的当前库存可从DMS 232获得并且与数据库222中的商人信息相关。卖主230还可向实体计算环境220的操作员提供一个或更多个公开价格(在网络170上，以一些其它的电子格式或者以一些非电子的格式)。这些公开价格中的每一个可与车辆配置相关，使得车辆配置和相关的公开价格的列表可与数据库222中的卖主230i相关。

库存公司240可以是一个或更多个库存轮询公司、库存管理公司或可获得并存储来自卖主130中的一个或更多个的库存数据的清单集合商(例如，从DMS 232获得这种数据)。库存轮询公司一般由卖主委托以从DMS 232拉出数据并且将数据格式化以供在网点上并且被其它的系统使用。库存管理公司代表卖主手动上载库存信息(照片、描述、规格)。清单集合商通过“抓取”或“获取”显示库存内容的网站并从清单网站(例如，Autotrader、FordVehicles.com)接收直接馈送得到他们的数据。

DMV 280可一并包含用户向其提供与车辆相关的数据的任何类型的政府实体。例如，当用户购买车辆时，必须由国家(例如，DMV，国务卿)出于税收和加标题的目的对其登记。出于税收目的，该数据一般包含车辆属性(例如，年型、品牌、型号、里程等)和出于税收目的的销售交易价格。

金融机构282可以是向参与车辆购买的参与者提供任何类型的金融服务的诸如银行、储蓄贷款、信用合作社等的任何实体。例如，当购买者购买车辆时，他们可利用来自金融机构的贷款，这里，贷款过程通常需要两个步骤：申请贷款和签订贷款合同。为了使得金融机构适当地评价和理解贷款的风险预测，这两个步骤可利用车辆和消费者信息。一般地，贷款申请和贷款协定包含提出的和实际的车辆销售价格。

销售存储公司260可包含收集任何类型的车辆销售数据的任何实体。例如，联合销售数据公司从特定卖主230的DMS 232系统集合新的和使用的销售交易数据。这些公司可与卖主130具有正式协定，该正式协定使得他们能够为了出于其它数据公司、商人和OEM的数据内部分析或外部购买的目的联合收集的数据从商人230检索数据。

制造商250是实际上构建由卖主230出售的产品的那些实体。为了引导诸如车辆的其产品的定价，制造商250可针对车辆和这些车辆的选项提供发票价格和制造商建议零售价格(MSRP)-被用作商人的成本和价格的一般指导方针。这些固定价格由制造商设定，并且可随地理区域稍微改变。

外部信息源284可包含任意数量的在线或其它方式的其它各种来源，这些来源可提供其它类型的希望的数据，例如，关于车辆、定价、人口统计学、经济条件、市场、场所、消费者等的数据。

这里应当注意，在本发明的实施例中，不是所有在布局200中示出的各种实体都是必需的或者甚至希望的，并且，关于在布局100中示出的实体描述的某种功能可组合到单个实体中或者一起被消除。另外，在一些实施例中，可以利用布局200没有示出的其它数据源。因此，布局200仅是示例性的，并且决不被视为对本发明的实施例提出任何限制。

在深入探究各种实施例的细节之前，再一次通过使用车辆的示例性商品关于上述的布局的实施例给出一般的概要可能是有帮助的。然后，在某些间隔上，实体计算环境220可通过从库存公司240、制造商250、销售数据公司260、金融机构282、DMW 280、外部数据源284或卖主230中的一个或更多个收集数据获得。该数据可包含用于各种车辆配置的销售或其它历史交易数据、库存数据、登记数据、财务数据、车辆数据、来自商人的公开价格等(将在后面更详细地讨论获得的各种类型的数据)。该数据可被处理以产生与特定的车辆配置对应的数据集。

然后，在一些点上，计算装置210上的用户可通过使用诸如由实体计算环境220提供的一组网页的一个或更多个界面292访问实体计算环境220。通过使用该界面292，用户可通过限定某组车辆属性(品牌、型号、修理、传动系、选项等)的值或诸如地理位置的其它相关信息规定车辆配置。然后可通过界面292向用户呈现与规定的车辆配置相关的信息。该信息可包含与规定的车辆和公开定价信息对应的定价数据和/或具有最高的达成概率的卖主230i的列表。

特别地，可确定并且以视觉的方式在计算装置210上向用户呈现具有最高的达成出售概率的卖主230i的列表。在其它的示例性实施例中，可向用户呈现具有对与实体计算环境220相关的母组织产生最高的收益的可能的卖主230i的列表。母组织的收益可部分基于达成销售的概率连同收益因子。

现在转到图3，示出用于确定呈现给用户的卖主的方法的一个实施例。在步骤310中，假定在一组卖主中呈现特定卖主，可确定该卖主向有兴趣购买产品的用户出售产品的概率(P_s)。在一个实施例中，例如，特定卖主向用户出售产品的概率(P_s)可包含两个成分。第一成分可反映特定卖主的各种特征，第二成分可反映与第一成分相同但相对于一组卖主内的其它卖主表达的特征。

在步骤320中，给定用户的历史偏好，可以确定用户从卖主购买产品的概率(P_b)。在一个实施例中，例如，用户从卖主购买产品的概率(P_b)可包含两个成分。第一成分可反映单个顾客的各种人口统计特征，而第二成分可反映单个顾客与特定卖主的交互作用。

在步骤330中，可确定组内的各卖主的达成销售的概率(P_c)，这里，(P_c)是(P_s)和(P_b)的函数。如上面讨论的那样，该双边决定处理可表达为：

P_c＝f(P_s，P_b)

在步骤340中，基于与各卖主相关的(P_c)选择来自一组卖主的一个或更多个卖主。达成销售的概率(P_c)可被顾客和卖主使用，以更好地匹配顾客的需要与成功销售具有较高的出现概率的卖主。在其它的示例性实施例中，可基于各卖主的期望收益因子选择来自一组卖主的一个或更多个卖主。

在步骤350中，可通过与用户相关的用户装置上的用户界面向有兴趣购买产品的用户呈现一个或更多个选择的卖主。通过向用户呈现一个或更多个选择的卖主，可以只向用户呈现原组的子集。因此，通过仅显示具有最高的完成可能性的卖主，用户和卖主的益处可简化顾客的搜索时间，同时增加卖主的收益。

图4示出由TrueCare系统提供的界面400的一个实施例，该界面400用于结合特定车辆配置的定价数据的呈现向用户呈现该车辆配置的公开定价信息420。在界面400内，用户可能能够键入与车辆的特定品牌和/或型号有关的信息。在界面400内，用户还可键入诸如与用户相关的邮编代码的地理信息。作为响应，TrueCare系统可产生价格报告410并通过界面400向用户呈现它。

价格报告410可包含示出定价的归一化分布(例如，交易价格的归一化分布)的高斯曲线430。在曲线的X轴上，可连同确定的商人成本、发票或标价显示支付的平均价格，以表示这些价格与交易价格的关联和关系。还在显示曲线下视觉显示确定的“好”、“非常好”、“标价过高”等价格范围，以使得用户能够识别这些范围。

另外，定价信息420可作为视觉指示显示于x轴上，使得用户可看到该定价信息420关于地理区域内的其它的呈现价格或价格范围落在哪里。

图5示出用于呈现与定价信息相关的商人信息的界面500的实施例。界面500可代表点击“定位商人”之后的车辆510的特定品牌和型号的上面的三个商人520、550、540(接近ZIP代码02748的2010 Ford Explorer RWD 4DR XLT)。对于各地址，界面500可包含商人信息、定价数据、车辆配置数据和用于针对车辆510的特定品牌和型号从商人获得提供的公开价格的指令。

部分地基于车辆510的品牌和型号，界面500可向有兴趣购买车辆510的用户呈现一个或更多个卖主510、520、530。可部分地基于与一组卖主内的各卖主相关的达成销售的概率，确定和/或选择一个或更多个卖主510、520、530。

界面500还可包含用户可键入诸如用户的名字、地址和联系信息的个人信息的表格550。可以利用用户的个人信息，以更精确或更有效地确定卖主达成销售的概率。

参照图6A和图6B，在键入个人信息时，连同价格担保和任何商人附带福利(注意，在图6B中，Colonial Ford具有两个列出的附带福利：免费本地运输和快运检出)一起通过界面600向潜在的顾客显示或呈现额定(至少部分地使用DSA的实施例)商人610、620、630的身份。

在在2009年12月30日提交的发明名称为“SYSTEM，METHOD AND COMPUTER PROGRAMPRODUCT FOR PREDICTING VALUE OF LEAD”的专利申请No.12/655462中示出DSA的一些实施例，在这里通过引用并入其全部内容。这里，关于可如何实现用于这种情况的DSA的一个这种实施例描述更多的细节是有帮助的。

a.数据描述

1)DSA数据

基于例如从2010年9月到2011年4月收集的数据，存在总共82994个非错配的销售和18296个错配的销售。错配的销售是来自确实提交引导但是通过选择或者由于DSA没有选择呈现销售商人没有向该商人提交引导的顾客的销售。在一个实施例中，通过比较在前三位列出的商人识别代码与出售者的商人识别代码，识别错配。如果出售商人不在前三位，那么出现错配。

由于通过使用45天移动窗口计算历史商人达成率和其它的商人表现变量。在最终的模型采样中只包含在2010年10月15日之后发生的销售。在最终的模型中使用634185个观察和81016个销售。由于缺少错失销售商人的价格偏移信息，因此我们只包含价格偏移在最终模型中可用的81016个销售中的4263个错配(5.3％)。非错配被定义为三个推荐的商人中的一个基于DSA发生的那些销售情况。错配情况被定义为没有被前三位的DSA推荐的其它商人出现的情况或显示销售商人但不产生引导的那些情况。

分组可以是响应单个用户询问的卖主列表。分组的例子是可用于出售在相异用户询问中请求的车辆的DSA候选商人的列表。在一个实施例中，分组中的三个商人被选择为向用户显示。在一个实施例中，具有小于15天的引导的分组也可被排除，原因是引导花费时间以转换成销售，并且，那些引导可被排除以防止低估商人的达成率。

2)驾车距离数据

从mapquest.com获得搜索ZIP到商人位置的驾车距离和驾车时间。在错失值的情况下，基于类似的附近的ZIP代码的平均驾车距离和大的圆距离比，输入驾车距离和驾车时间。

3)商人库存数据

可从由商人提供的数据馈送获得商人的新车库存信息。

b.特征

在一个实施例中，可在该算法中的达成概率计算中考虑至少四种类型的特征。

1)描述单个卖主的特征(X_i，t)

各卖主具有可导致用户优选一个而不是其它的某些特殊的特性。这些特定的因素包含卖主的价格、可用的库存、服务器和附带福利和历史表现等。

价格总是在竞争性市场中扮演重要的角色。与车辆的发票价格不同的价格偏移被视为DSA模型中的重要因素。为了减少不同车辆的大的价格差异，使用作为发票价格的百分比的价格偏移作为模型中的主要价格变量。对于不提供公开价格或者具有垄断价格的那些商人，程序最大值被用于他们的价格偏移。程序最大值可以是由特定程序设定的价格偏移的上限。一旦商人的公开价格比程序最大值大，就可向用户显示程序最大值而不是商人的价格。并且，一些商人不为某些削减提供价格偏移；这些情况被视为垄断价格。当商人具有垄断价格时，对于显示使用程序最大值。

在一个实施例中，DSA模型加入商人的总体新车库存作为模型中的因素，原因是顾客已指示车辆不可用是错失销售或无法达成销售的大的原因。顾客可能怀疑，当他们到达商号时，是否他们不能得到他们在价格证书上看到的那些汽车。因此，引入新车库存值作为测量总代理商规模的变量。假定大的代理商将具有比小的代理商高的具有搜索车辆的概率是合理的。迄今为止，不提供库存信息的商人被赋予各分组的候选商人列表中的库存的平均值。

除了车辆自身以外，汽车购买人还在做决定时考虑保证书、维护性和其它服务。使用DSA的实施例的网站可显示商人的特殊服务连同他们在搜索结果中的公开价格和位置。因此，商人是否提供特殊的服务也被视为会影响达成销售的概率的潜在因素。“附带福利”伪变量如果商人提供诸如有限的保证书、退款保证、免费调度维护、质量检查、运输、免费汽车洗清的服务中的任一种则被定义为“1”，否则被定义为“0”。

销售的概率还与商人的历史表现高度相关。具有优异的销售人员和良好的声誉的商人应具有比其它人高的达成率。这些因素是通过他们的历史达成率得到的度量。在一个实施例中，DSA模型基于他们在前面的45天的表现计算各商人的达成率。可选择45天作为移动窗口是由于它是提供商人的历史表现但也可迅速地反映由于诸如气体价格变化或者新模型释放的因素导致的整个车辆市场的变化的中间长度时间。对于商人达成率的计算的细节，参见下式1。由于一些商人仅从位置为60英里或更近的区域取得引导。达成率仅基于60英里驾车距离内的销售和引导。当达成率由于在过去的45天内没有销售或者引导错失时，使用指定市场区域(DMA)平均值或者任何其它地理边界平均达成率。

商人达成率＝(过去45天的销售计数)/(最近15天的销售计数+最近30天的引导计数) 式(1)

为了更好地预测代理商的库存状态并且使商人的最近的表现具有更大的权重，可以作为另一类型的表现测量变量向模型添加另一个变量“卫冕冠军”。与以前的销售相比，卫冕冠军对最近的销售分配更高的权重。例如，如果与30天前相比他们在昨天进行了成功的销售，那么商人将得到更多的信用。假定与对于某个时间周期没有进行销售的商人相比商人最近对品牌进行了销售的商人将具有更高的在其库存中具有类似的汽车的机会。

车辆品牌是会影响达成销售的概率的另一商人特征。不同的品牌会具有不同的概率函数。例如，在DSA算法的一个实施例中，Mercedes-Benz商人表现与其它的品牌不同的模式，并且，与出售其它品牌的网络商人相比，Mercedes-Benz商人的达成率相对较高。

2)与其它卖主相比的单个卖主的特征(X_i，t，S)

单个卖主的属性的绝对值不会影响其优点或竞争性。通过与其它卖主的比较，确认这些特征。因此，在我们的算法中，相对于其它竞争者的卖主特征是预测销售概率的重要因素。

在DSA算法的一个实施例中，诸如驾车时间、价格偏移、历史达成率、库存和卫冕冠军的单个商人特征中的大多数均在各分组中的所有候选商人之中被重调。通过使用下式重调单个商人的历史商人达成率、新车库存：

通过使用不同的等式重调驾车时间、卫冕冠军、价格：

所有重调的变量的范围可为0～1。当重调变量时，可以使用不同的等式，原因可能希望它对于所有的商人特征对于最佳的商人得到值1。例如，具有最高的历史达成率的商人可得到重调的达成率1，具有最低的达成率的商人可得到值0。类似地，具有最短的驾车时间的商人可得到值1，具有最长的驾车时间的商人可得到值0。

伪变量指示最佳价格，也包含最近商人以相对其它人比较商人的价格和距离。对于最大值和最小值不明显不同的情况，可以构建用于测量价格和驾车时间的绝对差的附加变量，以调整它们对销售的影响。

网络商人密度是与商人i(某种类型的卖主)自身和接近商人的另一商人j有关的另一因素。各商人在高商人密度区域中需要与其它人竞争，并且在低商人密度区域中将具有主导性。在一个实施例中，仅对于相同的品牌水平考虑该品牌和商人密度交互作用。但是，具有类似的品牌的商人(例如，Nissan和Honda)也可能是竞争者。

3)描述单个顾客的特征(X_c，t)

单个顾客的人口统计特征可导致对产品具有不同的兴趣并且从不同的卖主购买相同的产品。这些因素可包含收入、家庭规模、净值、性别、历史购买行为等。可从诸如美国人口普查数据或不同行业的在线用户数据库的公共数据源获得这些用户数据。

在DSA算法的一个实施例中，在对于的分组预测购买概率(P_b)时，包括搜索的车辆品牌和顾客本地商人密度。顾客的车辆品牌选择是顾客收入、家庭规模的潜在指示。购买奢侈汽车的人很可能对价格不敏感而对驾车时间更敏感。在这种情况下，当顾客来自高收入ZIP代码时，DSA算法可使距离具有更大的权重，以增加达成的概率(P_c)。还可假定价格在对位于具有高商人密度的大城市的顾客的销售中更重要，而距离对位于在200英里只有2个代理商可用的乡村区域的人更重要。使用某个驾车时间半径内的可用商人的计数作为顾客本地商人密度变量。在使用统计软件(例如，SAS Proc逻辑)的模型选择处理中包括用于各品牌的伪变量，35个品牌中的三个(Mercedes-Benz、Mazda、Volkswagen)导致其伪变量的明显的p值，这表示这三个品牌与其它的品牌相比具有不同的销售概率。并且，品牌和商人密度交互作用项也被测试，并且，Mercedes-Benz与商人密度之间的交互作用保持显著。因此，在DSA的模型的实施例中也可包括这些因素。虽然由于各分组对于不同的候选商人具有相同的品牌和密度信息因而品牌和网络特征不会影响各分组内的商人等级，但这些因素将影响期望的收益(例如，对于商人，或者对于诸如TrueCar的引导由商人支付的实体获得)，原因这三个品牌与其它的品牌相比具有不同的销售概率函数的。

除了人口统计特征以外，顾客的历史购买偏好也会影响一个人的购买行为。这些类型的因素是交易频率和交易量、其交易所处的购买水平类别(低、中、高)、先前的购买历史等。顾客在希望购买可用于不同环境中的4门汽车之前可能购买2门Mini Cooper。因此，品牌的先前购买选择、车辆体型也是下一次购买的指示。

4)描述特定顾客与特定卖主的交互作用的特征(Y_c，i)

关于汽车购买，距离是影响购买人决定的顾客与商人之间的最重要的交互作用项。对于与车辆类似的大件产品也是如此。在一个实施例中，可以考虑商人的大圆距离。但是，某些区域具有岛和湖(诸如纽约的Great Lakes或Long Beach)，此时，与大圆距离相比，驾车距离会是距离的更好的指示。由于不同位置的相同的驾车距离会涉及不同的驾车时间，因此在DSA模型的实施例中也可使用驾车时间。例如，乡村地区的60英里会涉及1小时驾车，但在大城市会是2小时或更长。因此，驾车时间会是可与不同位置的人相当的变量。

为了对某些特殊的情况捕获销售与距离关系，发展五个驾车距离导出的伪变量，这些伪变量指示商人是否位于某个距离范围内。最近的商人和最远的商人的驾车时间可能不相差太多。在这些情况下，这些变量将调整最短驾车时间上的权重，使得我们不过高估计最短驾车时间对销售的影响。

另外，当顾客位于两个州的交界处时，商人位置对于销售也是十分重要的。由于车辆规章和登记的规则不同，因此，人们可能趋于前往位于其所属州的同一州的商人。“同一州”伪变量因此包含于我们的模型中，以指示顾客和商人是否位于同一州。

在某些情况下，某些商人与他们在所有ZIP代码的平均表现相比在某个ZIP代码区域中具有突出的表现。这可能是由于某个ZIP代码中的一些顾客人口特性。例如，第一语言不是英语的移民的密度较高的ZIP代码可能前往销售人员可讲他们的第一语言或者商人网站具有他们的第一语言的代理商。因此，在DSA模型的实施例中还包括可变测量商人在特定ZIP代码中的表现。它被定义为过去45天中的特定顾客搜索ZIP中的销售数量。

另外，如果他们以前从某个商人购买汽车，那么该顾客还可能前往同一商人。在提供服务而不是实际产品的一些其它的行业，顾客忠诚度影响会更明显。它可以是预测特定的顾客从某个卖主购买的概率的最重要的因素之一。

在操作上，DSA的实施例可通过将独立变量的值代入模型中、计算一组s中的各候选商人的概率使用估计模型，并且向顾客c呈现具有最高的达成概率的商人。

以下是可在DSA模型中使用的变量的非排他性的列表：

·接近度

·商人达成率

·价格

·选择

·商人附带福利/益处

·顾客住宅属性

·附加的顾客属性

○资信评分

○车库数据(车辆的同一商标的当前所有人等)

·附加的商人属性

○简档完整性

○商人等级

○顾客满意度等级

○商人支付历史

·交易属性

○交易类型(例如，租赁、现金、赊货)

·经营(即，是否包含经营车辆)

作为例子，DSA可考虑向位于同一地区的ZIP代码z(z＝1、...、Z_L)中的用户出售同一装璜(t＝1、...、T)的所有商人(i＝1、...K)(如果从顾客的搜索ZIP代码中心到商人位置的驾车时间距离≤3小时，则Z^∈L)。模型使用基于库存、DSA历史数据、驾车距离和商人附带福利的组合数据的逻辑回归。

这里，θ_i，t，S＝β_o

{各单个商人i的特征}

+β₁x商人在各分组内的价格

+β₂x商人在各分组内的库存

+β₃x商人的附带福利

+β₄x商人的历史达成率

+β₅x商人的卫冕冠军

+β₆x由商人i出售的装璜t的品牌是Mercedes-Benz

+β₇x商人i支付给母公司的可能性

+β₈x商人i是否完成简档

+β₉x商人i的等级

+β₁₀x商人i的顾客统计

{相对于其它候选商人i，S的特征}

+β₁₁x Mercedes-Benz品牌和密度交互作用

+β₁₂x Mazda品牌和密度交互作用

+β₁₃x Volkswagen品牌和密度交互作用

+β₁₄x商人是否具有最短驾驶时间

+β₁₅x商人是否在各分组内具有最低价格

+β₁₆x商人的价格与最大价格偏移之间的差异，单位是发票的百分比

+β₁₇x商人的驾驶时间与最短驾驶时间商人之间的差异

δ_c，t，l＝α_o

{各单个顾客c的特征}

+α₁x顾客c的家庭收入

+α₂x顾客c的家庭规模

+α₃x顾客c的住宅大小

+α₄x 30分钟驾驶内的商人的计数

+α₅x 1小时驾驶内的商人的计数

+α₆x 2小时驾驶内的商人的计数

+α₇x顾客c是否以前购买该型号或该品牌

+α₈x顾客c的资信评分

+α₉x顾客c的车库数据(顾客c是否是车辆的同一商标的当前所有人等)

+α₁₀x交易类型(租赁、现金、赊货等)

+α₁₁x是与潜在购买相关的交易

{描述顾客c与商人i的交互作用的特征}

+α₁₂x从顾客c到商人i的驾驶时间

+α₁₃x顾客c以前是否从商人i购买

+α₁₄x商人i在顾客c的ZIP代码中的销售数量

+α₁₅x商人i是否处于在顾客c的10英里内

+α₁₆x商人i是否处于在顾客c的10～30英里内

+α₁₇x商人i是否处于在顾客c的30～60英里内

+α₁₈x商人i是否处于在顾客c的60～100英里内

+α₁₉x商人i是否处于在顾客c的100～250英里内

+α₂₀x商人i是否与顾客c处于同一州

+ε_c，t，j

虽然以上因素中的每一个对于确定达成销售的概率(P_c)是十分关键的，但实施例不需要在DSA中给出每个因素。例如，在实施例中，DSA可包含单个商人的以下特征：商人在各分组内的价格(β₁)、商人在各分组内的库存(β₂)、商人的历史达成率(β₄)和作为描述顾客c与商人i的交互作用的特征的从顾客c到商人i的驾车时间(α₁₂)。

虽然如果从DSA排除顾客特征和顾客历史偏好变量则商人等级可能改变，但仍可决定在DSA模型的实施例中包含它们，原因是总达成概率对于不同的品牌可能是不同的。该概率可被应用于计算各商人的期望收益，并且，该数量将受品牌的选择和顾客本地商人密度影响。

现在通过这些示例性参数描述用于确定P_c并选择用于呈现给感兴趣的顾客c的一组商人i的非限制性例子：搜索zip＝“01748”Hopkinton，MA，Make＝“Toyota”，Trim_id＝“252006”，Trim＝“2012Toyota RAV4FWD 4dr I4 sport”。

表1

如表1所示，权重或系数可与在DSA模型中利用的特征相关。例如，如果商人i更接近消费者c(例如，驾车距离或DD较小)，那么商人i将具有比远离消费者c的另一商人高的系数。并且，具有“_i”的特征可以是双模属性，这里，属性被任意地添加到DSA或者不添加。重调的特征可以是上述的重调变量。Std代表系数的标准偏差，Pr＞ChiSq可代表属性是否重要，并且，odds比代表属性的相对重要性。网络属性可代表地理区域内的其它联网商人的竞争或数量。通过使用以上的用于属性的系数，DSA模型可确定P_s、P_b。

以下的表2通过例子表示最接近消费者c并且出售消费者c有兴趣购买的特定车辆装璜的一组商人i(dealership_id)的属性。在本非限制性的例子中，“gcd”、“drive_time”和“drive_distance”可以是与从商人i到消费者c的距离变量相关的原始数据/属性。例如，“gcd”可代表从商人i到消费者c的距离的空中距离(“乌鸦飞过”)、“drive_time”可代表从商人i到消费者c的以秒为单位的驾车时间距离，“drive_distance”可代表从商人i到消费者c的驾车距离。“DD10”、“r_DT”、“Dt_diff”可代表组S内的各商人i的变量的计算属性。例如，“DD10”可代表商人处于消费者c的10英里内时的双模变量，“r_DT”可代表相对于组中的其它商人的重调驾车时间、“Dt_diff”可代表组S内的商人i与消费者c的最大驾车时间距离之间的重调值。

表2

以下的表3代表最接近消费者c的商人i的属性。“Price_offset”代表商人i出售车辆的价格与“发票”价格之间的差异。并且，“Min_price_i”和“pct_offset_diff”代表组内的各商人的变量的计算属性。具体而言，“Min_price_i”是反映组S内哪个商人i具有最低价格的属性，“pct_offset_diff”代表商人i出售车辆的价格与组S内的商人i出售价格的最高价格之间的价格百分比差值。

表3

以下的表4代表与表3中的特定商人相关的属性。注意，在这种情况下，商人“9054”示为组中的“卫冕冠军”。商人“7708”示为具有1.00的达成率，并且不与消费者c处于同一州。

表4

以下的表5代表基于P_c的DSA评级的例子，该P_c可表达为：

这里，

Z＝-6.8384+DD10＊2.934+DD30＊2.3662+DD60＊1.5721+DD100＊0.9368+DD150＊0.3467+min_DT_I＊1.0288+min_price_I＊0.3095+0.1758＊r_inventory+0.0654＊perks+3.6415＊r_DT+0.5079＊r_defending_champ+2.2467＊r_price-0.1204＊dealer_cnt_120-1.5562＊DT_Price+0.2872＊r_zip_sale+0.3175＊same_state+0.1961＊r_CR-0.1303＊DT_diff+7.819＊pct_offset_diff-0.1316＊dealer_cnt_30+1.7942＊make_id27-0.0964＊dealer_cnt_60-0.0332＊make_id26_d-0.7554＊make_id27_d-0.0147＊make_id40_d

表5

在本非限制性的例子中，来自表4的商人“3730”、“9054”和“9756”基于其DSA等级被选择为呈现给消费者c。表5示出可在与潜在顾客相关的客户机装置的显示器上呈现或显示选择的商人的例子。本领域技术人员可以理解，虽然经销处“8086”具有产品的最低价格，但是，由于诸如到顾客的距离的其它属性，因此没有在最高等级经销处中包括它。

在一些实施例中，可以考虑母组织作为商人i与消费者c的交易的结果可接收的潜在收益。例如，假定与商人“9756”相关的期望收益明显比与商人“6895”相关的期望收益少，则尽管商人“9756”具有比商人“6895”高的DSA评级，也可选择向消费者c呈现商人“6895”。

在一些实施例中，可通过使用下式计算单个商人的期望收益ER：

ER＝P_c·R_g·θ_n

这里，ER代表来自引导的期望收益，P_c代表达成销售的概率，R_g代表从销售产生的总收益，θ_n代表净收益调整。在一个实施例中，可从线性回归模型产生总收益R_g。在各种实施例中，可根据母公司的商业模型、乘法模型或任何其它类型的模型确定总收益R_g。

作为非限制性例子，总收益R_g可表达如下：

R_g＝Xβ

这里，从最小平方回归确定β系数，并且，X矩阵包含被选择为隔离估计收益的差值的变量。

特别地，收益方程可表达如下：

R_g＝β_o

+β_1ix被购买的车辆的品牌的指示，

这里，i代表车辆品牌

+β₂x(如果交易类型＝Lease)

+β₃x(如果交易类型＝Finance)

+β₄x(如果存在经营)

+β₅x(新车的指示)

+β_6kx(亲和伙伴的指示)

这里，k代表亲和伙伴

在一个实施例中，由此计算的所有总收益乘以它们的净支付比，以解释每个代理商的支付可能性的差异。为了实现这一点，可应用单独的乘法因子θ_n，这里，θ_n要被估计为净支付比。注意，θ_n可基于线性回归中的一系列的变量被计算，或者可以是更简单的因子，诸如给定商人的支付历史的滚动12月窗口。例如，对于商人Z，在过去12个月记账到商人Z的总账单(通过实现这里公开的本发明的诸如TrueCar系统的中间实体)会是$10000，但其总支付(由于回扣和/或支付失败等)可能仅为$7800。因此，对于本例子中的商人Z，其净支付比会是θ_n＝0.78。

这些成分可然后组成整体(例如，通过DSA模块)，以通过基于顾客的(引导)特定车辆请求向该特定的消费者显示某个商人获得中间该可预期的期望收益ER(ER＝P_c·R_g·θ_n)。

因此，不仅消费者可通过减少搜索时间和金钱从这里公开的DSA受益，而且中间人也可受益。并且，卖主也可从这里公开的DSA受益。例如，商人可为了增加达成率调整其特定的特性，通过减少存储成本更好地管理其库存，并且/或者通过避免产品短缺的潜在损失增加储备。

在DSA的一些实施例中，可通过使用下式计算各商人在本地区域L(处于60mi的驾车距离半径内)中的所有的期望的收益：

这里，d_t，z是对于ZIP代码z中的装璜t的要求，n_i，t是商人i的装璜t的库存，π_i，t是每个达成销售的收益(可在所有的装璜/商人对上恒定或不同)，σ_t，s反映装璜上的可替代性。例如，如果用户变为车辆装璜A的主顾，那么存在他/她可实际购买车辆装璜B的可能性。当向购买人呈现可与他/她在线搜索不同的现场库存时，出现可替代性。

在变量选择处理中包含可影响车辆的销售的独立变量。购买偏移被转换成发票价格上的百分比，以使价格在不同的汽车品牌中以相同的比例偏移。商人有关特征在一个分组被重调以反映其与其它商人相关的影响。也可包括某些非重调变量，以在最佳价格和最差价格不相关太多或者最近或最远商人均位于相同的距离范围内时避免过度估计最好价格或者最近商人对于销售的影响。给定历史显示的商人，可通过最大化逻辑回归中的一致性的百分比选择最终的模型，使得得到的销售估计概率可与实际观察的销售行为最一致。

可向DSA模型施加各种类型的交叉核实。例如，最终的数据集可被随机分成用于A-B测试的两个组，并且也可根据两个时间窗口被分成两个部分。

也可通过根据从商人购买车辆的概率将顾客评级，将这里公开的DSA的实施例应用于商人侧。在某些实施例中，所有的商人特征可被固定，并且，销售的概率可基于顾客的特征，诸如其家庭收入、性别、汽车品牌选择、到商人的距离、顾客忠诚度和顾客本地商人密度等。诸如平均收入、平均家庭规模和来自同一ZIP代码的人口的历史商人偏好的人口统计信息会是各唯一分组的良好的估计输入。可通过使用以下的函数计算对于一组感兴趣的顾客U中的某个顾客c的装璜t的销售的概率：

潜在变量的例子如下：

δ_c，t＝α_o

{各单个顾客c的特征}

α₁x顾客c的家庭收入

α₂x顾客c的家庭规模

α₃x顾客c的住宅大小

α₄x顾客的本地商人密度

α₅x顾客是否经营旧车

α₆x顾客c的支付类型(例如，现金或金融)

{描述顾客c与商人的交互作用的特征}

α₇x从顾客c到商人的距离

α₈x如果顾客c以前从商人购买

α₉x商人在顾客c的ZIP代码中的销售数量

α₁₀x如果顾客c与商人处于同一州

+ε_c，t，i

一旦通过从商人购买的概率将顾客评级，销售人员就可更好地通过首先到达具有更高的购买机会的顾客分配其影响和时间。更多的广告和营销努力应瞄准这些具有较高的购买概率的人群和区域。

图7示出使用DSA模型的方法的示例性实施例。地图数据700可以是在诸如与商人相关的信息710和与潜在顾客相关的信息720的从多个来源产生的商人信息710与顾客信息720之间映射的数据。

商人信息710可包含由商人提供的信息725、商人的观察表现730和关于其它商人的商人信息735。商人提供的信息725可以是包含的诸如由一组商人中的各商人出售的产品的位置、附带福利、库存和定价的信息。该信息可由各单个商人中的每一个提供并且/或者从其传送。但是，如果商人不在网络中或者不另外提供商人信息725，那么可通过网络搜索、从制造商数据或者任何其它来源收集或获得商人信息725。

商人的观察表现730可与诸如商人的达成率的单个商人的表现相关。首先，商人的观察表现730可被设为搜索数据组或模块，诸如以上讨论的DSA模型。当通过反馈回路780收集和传送更多的数据时，该信息可被用于更新和/或修改商人的观察表现730。具体而言，研究数据集可以是最初基于经验数据的一组系数和变量，并且，基于与潜在的顾客和商人的进一步的交互作用，可以调整、更新和/或修改这些系数和变量。因此，当诸如商人信息710和/或顾客信息720的更多的数据被积累时，可以确定更新的DSA模型，这可调整商人的观察表现730。

商人信息710还可包含相对于其它商人(竞争者)的商人信息735。该信息可部分基于与存储于数据库和在线第三方地图服务中的商人相关的商人提供信息725。该数据可以是地理区域内的一个商人针对地理区域内的其它商人的归一化数据。例如，如果第一商人具有特定产品的价格，那么可通过比较第一商人的特定产品的价格与地理区域内的其它商人的特定产品的价格，确定增量关系。类似地，相对于其它商人的商人信息725可包含到地理区域内的各商人的归一化驾车时间。地理区域可以是从潜在顾客的半径距离、与从潜在顾客的驾车时间相关的地理区域和/或包含阈值数量的潜在商人的地理区域。例如，地理区域可在从潜在顾客的驾车时间距离内包含阈值数量的商人。这种阈值数量的示例性范围可以为6～10。在实施例中，相对于其它商人的商人信息可被动态、每日、每周和/或每月更新。

顾客信息720可以是与潜在顾客相关的信息。例如，顾客信息720可包含属于顾客商人关系740、从潜在顾客到特定商人的这种驾车时间或与潜在顾客的位置相关的地理区域内的替代性商人的数量的信息。

顾客信息720还包含顾客提供信息745，诸如潜在顾客的位置、潜在顾客的收入和潜在顾客的可包含品牌/型号/装璜的车辆偏好。在实施例中，可通过直接在网站上的网络表格中键入数据由潜在顾客获得顾客信息720。在另一实施例中，可通过诸如或的伙伴组织获得顾客信息720，该伙伴组织可能具有诸如来自潜在顾客的年龄、收入和位置的以前获得和映射的顾客信息720。在另一实施例中，可通过第三方获得顾客信息720。在本实施例中，诸如人口统计信息、联系信息等的从顾客获得的任何信息可被传送到第三方。第三方然后可针对其数据库映射或比较传送的顾客信息720并传送任何附加的顾客信息720。

研究数据集750可包含基于与商人信息710和顾客信息720相关的统计方法的研究数据集。然后可基于统计方法设定回归系数以确定研究数据集750和逻辑回归方法。并且，回归系数750可以在某个时刻上被设定，但是，当商人信息710和顾客信息720被更新、修改或改变时，研究数据集750和回归系数760可相应地被修改。

前端765代表与特定的潜在顾客相关的DSA模型的前端使用。通过使用确定的回归系数750，DSA模型可确定组内的各商人的顾客/商人组合的分数770。然后，在前端765上，可向顾客775呈现最高评分商人775。并且，可然后在反馈回路780上传送与回归系数760相关的信息以更新和/或修改商人的观察表现730。

图8示出用于确定网络内的商人的驾车时间距离的示例性实施例。商人可向网络供应商人的地址800。通过使用在线地理编码API服务810，可确定商人的地理编码地址820。包含商人的纬度的商人的地理编码地址820可然后存储于数据库830中。并且，数据库830可包含网络地理编码地址内的各商人。数据库可包含与包围商人的zip代码相关的zip代码质心840。通过使用在线方向API服务850和zip代码中心质心840，可确定从来自存储于数据库830中的商人的地理编码地址的zip代码质心840的驾车方向。并且，从商人的地理编码地址到唯一zip代码质心的数个驾车方向可基于与商人的地理位置相关的经验迹象。例如，在一个实施例中，可对于6～10个zip代码质心确定从商人的驾车方向860。通过使用驾车方向860，可确定zip代码质心/商人对870之间的驾车距离。在其它的实施例中，可每当向网络添加新商人时重复该过程。

图9示出顾客可如何通过客户机装置上的用户界面与这里公开的实现DSA的实施例交互作用的另一例子。网页900可包含与可由用户键入或完成的顾客信息、到潜在顾客的最近商人TrueCar认证商人和地理区域中的车辆的特定装璜的目标价格相关的表格910。

虽然关于特定的实施例描述了本发明，但这些实施例仅是解释性的，不限制本发明。本发明的示出的实施例的这里的描述，包括摘要和发明内容中的描述，不是详尽的或者要将本发明限于这里公开确切的形式(并且，特别地，在摘要或发明内容中包含任何特定的实施例、特征或功能不是要将本发明的范围限于这种实施例、特征或功能)。而是，为了使得本领域技术人员能够理解本发明，描述要说明示出的实施例、特征和功能，而不将本发明限于任何特别描述的实施例、特征或功能，包含在摘要或发明内容中描述的任何这种实施例、特征或功能。虽然仅出于解释的目的描述了本发明的特定实施例和例子，但本领域技术人员可以认识到，在本发明的精神和范围内，各种等同的修改是可能的。如指示的那样，这些修改可鉴于本发明的示出的实施例的以上的描述对本发明提出，并且要包含于本发明的精神和范围内。因此，虽然这里参照特定的实施例描述了本发明，但在以上的公开中意图修改、各种变化和替代的自由范围，并且，应当理解，在一些情况下，在不背离阐述的本发明的范围和精神的情况下，可以在不相应地使用其它的特征的情况使用本发明的实施例的一些特征。因此，可以提出许多修改以使特定的情况或材料适于本发明的基本的范围和精神。

在整个本说明书中提到“一个实施例”、“实施例”或“特定实施例”或类似的术语意味着关于实施例描述的特定的特征、结构或特性包含于至少一个实施例中，并且可能未必存在于所有实施例中。因此，在本说明书各位置中出现短语“在一个实施例中”、“在实施例中”或“在特定的实施例中”或类似的术语未必指的是同一实施例。并且，任何特定实施例的特定特征、结构或特性可通过任何适当的方式与一个或更多个其它的实施例组合。应当理解，鉴于这里的教导，这里描述和示出的实施例的其它变更和修改是可能的，并被视为本发明的精神和范围的一部分。

在这里的描述中，提供大量的特定的细节，诸如部件和/或方法的例子，以使得能够彻底地理解本发明的实施例。但是，本领域技术人员可以认识到，实施例可能能够在没有这些特定细节中的一个或更多个的情况下或者通过其它的装置、系统、组件、方法、部件、材料和/或部分等被实施。在其它的情况下，为了避免混淆本发明的实施例的多个方面，没有具体表示或描述公知的结构、部件、系统、材料或动作。虽然通过使用特定的实施例示出本发明，但这不是将本发明限于任何特定的实施例，并且，本领域技术人员可以理解，附加的实施例是很容易理解的，并且是本发明的一部分。

可在与网络(例如，因特网)通信耦合的计算机、另一计算机或独立的计算机中实现这里讨论的实施例。本领域技术人员知道，适当的计算机可包含中央处理单元(“CPU”)、至少一个只读存储器(“ROM”)、至少一个随机存取存储器(“RAM”)、至少一个硬驱动(“ROM”)和一个或更多个输入/输出(“I/O”)装置。I/O装置可包含键盘、监视器、打印机、电子指示装置(例如，鼠标、跟踪球、尖笔、触摸板等)等。

ROM、RAM和HD是用于存储可通过CPU执行或者能够被编译或者解释以被CPU执行的计算机可执行指令的计算机存储器。适当的计算机可执行指令可驻留于计算机可读介质(例如，ROM、RAM和/或HD)、硬件电路等或者其任意组合上。在本公开内，术语“计算机可读介质”不限于ROM、RAM和HD，并且可包含可由处理器读取的任意类型的数据存储介质。例如，计算机可读介质可指的是数据盒、数据备份磁带、软盘、快擦写存储器驱动、光学数据存储驱动、CD-ROM、ROM、RAM或HD等。可在可驻留于计算机可读介质(例如，盘、CD-ROM、存储器等)上的适当的计算机可执行指令中实现这里描述的处理。作为替代方案，计算机可执行指令可作为软件代码成分存储于直接存取存储装置阵列、磁带、软盘、光学存储装置或其它的适当计算机可读介质或存储装置上。

可以使用任何适当的编程语言以实现在这里描述的本发明的实施例的例程、方法或程序，包含C、C++、Java、JavaScript、HTML或任何其它编程或脚本代码等。可使用其它的软件/硬件/网络结构。例如，可在一个计算机上实现或者可网络中或者跨着网络在两个或更多个计算机之间共享/分布公开的实施例的功能。可通过使用任何电气、光学、无线电频率信号或符合已知网络协议的其它适当的通信方法和工具，实现实现实施例的计算机之间的通信。

可使用不同的编程技术，诸如面向过程或者面向对象。可在单个计算机处理装置或多个计算机处理装置、单个计算机处理器或多个计算机处理器上执行任何特定的例程。数据可存储于单个存储介质中或者通过多个存储介质分布，并且可驻留于单个数据库或多个数据库(或通过其它数据存储技术)。虽然可通过特定的次序呈现步骤、动作或计算，但该次序在不同的实施例中可改变。在一些实施例中，就在本说明书依次表示的多个步骤来说，可同时执行替代性实施例中的这些步骤的一些组合。这里描述的动作的次序可被中止、暂停或者另外由诸如操作系统、内核等的另一处理控制。例程可在操作系统环境中或者作为独立的例程动作。可在硬件、软件、固件或其任意的组合中执行这里描述的功能、例程、方法、步骤和动作。

可通过软件或硬件或两者的组合的控制逻辑的形式实现这里描述的实施例。控制逻辑可作为适于引导信息处理装置执行在各种实施例公开的一组步骤的多个指令存储于诸如计算机可读介质的信息存储介质中。基于这里提供的公开和技术，本领域技术人员可以理解实现本发明的其它方式和/或方法。

通过软件编程或代码实现在这里描述的步骤、动作、方法、例程或其多个部分也在本发明的精神和范围内，这里，这种软件编程或代码可存储于计算机可读介质中，并且可由处理器操作以允许计算机执行在这里描述的步骤、动作、方法、例程或其多个部分中的任一个。也可通过使用一个或更多个通用数字计算机中的软件编程或代码、通过使用应用特定集成电路、可编程逻辑器件、场可编程门阵列、光学、化学、生物、量子或纳米工程系统、部件和机构，实现本发明。一般地，可通过本领域已知的任何手段实现本发明的功能。例如，可以使用分布式或联网式系统、部件和电路。在另一例子中，数据的通信或传送(或另外从一个位置移动到另一位置)可以是有线的、无线的或者通过任何其它的手段。

“计算机可读介质”可以是可包含、存储、传送、传播或传输供指令执行系统、装置、系统或器件使用或者与其结合的程序。作为例子而不是限制，计算机可读介质可以是电气、磁、光学、电磁、红外或半导体系统、装置、系统、器件、传播介质或计算机存储。这种计算机可读介质一般应是机器可读的，并且包含可以是人可读的软件编程或代码(例如，源代码)或机器可读的软件编程或代码(例如，目标代码)。非暂时计算机可读介质的例子可包含随机存取存储器、只读存储器、硬驱动、数据盒、磁带、软盘、快擦写存储器驱动、光学数据存储装置、光盘只读存储器和其它适当的计算机存储器和数据存储装置。在解释性的实施例中，软件部件中的一些或全部可驻留于单个服务器计算机或单独的服务器计算机的任意组合上。本领域技术人员可以理解，实现这里公开的实施例的计算机程序产品可包含存储可通过计算环境中的一个或更多个处理器翻译的计算机指令的一个或更多个非暂时性计算机可读介质。

还应理解，也可通过更单独或集成的方式或者甚至在某些情况去除它或者使其不可动作，实现在附图/图中示出的要素中的一个或更多个，这在特定的应用中是有用的。另外，除非另外特别指示，否则，附图/图中的任何信号箭头仅应被示为示例性的，不是限制性的。

如这里使用的那样，术语“包含”、“包括、“含有”、“具有”或者其任何其它的变更要包括非排他性的包含。例如，包含一系列的要素的处理、产品、物品或装置未必仅由这些要素限定，而可包含没有明确列出或者这种处理、过程、物品或装置不固有的其它要素。

并且，除非另外指示，否则，这里使用的术语“或”一般要意味着“和/或”。例如，以下方面中的任一个满足条件A或B：A成立(或存在)且B不成立(或不存在)、A不成立(或不存在)且B成立(或存在)；和A和B均成立(或存在)。如这里使用的那样，包含以下的权利要求，除非在权利要求内另外清楚地指示，否则，以“一种”或“一个”开头的术语(以及，当在前的基础是“一种”或“一个”时，为“该”)包含这种术语的单数和多数(即，“一种”或“一个”清楚地指示仅仅单数或仅仅多数)。并且，如在这里的说明书和以下的整个权利要求中使用的那样，除非上下文另外清楚地指示，否则，“之中”的意思包含“之中”或“之上”。本公开的范围应由以下的权利要求和它们的合法的等同确定。

Claims (40)

1.一种系统，包括：

数据库，存储卖主信息；和

至少一个服务器计算机，托管网站，并且具有至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质存储可通过所述至少一个服务器计算机翻译以执行以下处理的指令：

对于一组卖主中的各卖主进行的双边决定处理，该双边决定处理包括：

假定各卖主在所述一组卖主中经由网站被呈现给用户，使用存储在数据库中的卖主信息来确定各卖主向网站的有兴趣购买产品的用户出售产品的概率P_s；

给定用户的历史偏好，确定用户从各卖主购买产品的概率P_b；和

确定用户与各卖主关于产品达成销售的概率P_c，这里，P_c是P_s和P_b的函数；

基于与其关联的P_c从所述一组卖主选择一个或更多个卖主；和

通过与用户关联的用户装置上的网站的用户界面向有兴趣购买产品的用户呈现所述一个或更多个卖主，该用户装置通过网络与所述至少一个服务器计算机通信连接。

2.根据权利要求1的系统，其中，P_s包含表达与各卖主关联的特征的第一成分和表达关于所述一组卖主中的其它卖主的特征的第二成分。

3.根据权利要求2的系统，其中，这些特征包含各卖主的历史销售业绩水平。

4.根据权利要求1的系统，其中，P_b包含表达与用户关联的特征的第一成分和表达用户与各卖主之间的交互作用的第二成分。

5.根据权利要求4的系统，其中，第一成分包含用户的社会经济状态。

6.根据权利要求4的系统，其中，第二成分与用户和卖主之间的驾车时间相关联。

7.根据权利要求1的系统，其中，所述组中的各卖主到用户处于某个距离内，该距离小于阈值或者处于地理边界内。

8.根据权利要求1的系统，其中，从所述组中选择一个或更多个卖主至少部分地基于各卖主在特定区域中的期望收益。

9.一种方法，包括：

提供数据库和处在计算环境中的至少一个非暂时性计算机可读介质，数据库存储卖主信息，其中计算环境具有至少一个服务器计算机，这至少一个服务器计算机托管网站并且具有至少一个非暂时性计算机可读介质，所述至少一个非暂时性计算机可读介质存储可通过所述至少一个服务器计算机翻译的指令；

由所述至少一个服务器计算机对于一组卖主中的各卖主执行双边决定处理，该双边决定处理包括：

假定各卖主在所述一组卖主中经由网站被呈现给用户，使用存储在数据库中的卖主信息来确定各卖主向网站的有兴趣购买产品的用户出售产品的概率P_s；

给定用户的历史偏好，确定用户从各卖主购买产品的概率P_b；和

确定用户与各卖主关于产品达成销售的概率P_c，这里，P_c是P_s和P_b的函数；

基于与其关联的P_c从所述一组卖主选择一个或更多个卖主，其中，所述选择由所述至少一个服务器计算机执行；和

通过与用户关联的用户装置上的网站的用户界面向有兴趣购买产品的用户呈现所述一个或更多个卖主，该用户装置通过网络与所述至少一个服务器计算机通信连接。

10.根据权利要求9的方法，其中，P_s包含表达与各卖主关联的特征的第一成分和表达关于所述一组卖主中的其它卖主的特征的第二成分。

11.根据权利要求10的方法，其中，所述特征包含各卖主的历史销售业绩水平。

12.根据权利要求9的方法，其中，P_b包含表达与用户关联的特征的第一成分和表达用户与各卖主之间的交互作用的第二成分。

13.根据权利要求12的方法，其中，第一成分包含用户的社会经济状态。

14.根据权利要求12的方法，其中，第二成分与用户和卖主之间的驾车时间相关联。

15.根据权利要求9的方法，其中，组中的各卖主到用户处于某个距离内，该距离小于阈值或者处于地理边界内。

16.根据权利要求9的方法，其中，从组中选择一个或更多个卖主至少部分地基于各卖主在特定区域中的期望收益。

17.一种装置，包括：

用于对于一组卖主中的各卖主执行双边决定处理的装置，该双边决定处理包括：

假定各卖主在所述一组卖主中经由网站被呈现给用户，使用存储在数据库中的卖主信息来确定各卖主向网站的有兴趣购买产品的用户出售产品的概率P_s；

给定用户的历史偏好，确定用户从各卖主购买产品的概率P_b；和

确定用户与各卖主关于产品达成销售的概率P_c，这里，P_c是P_s和P_b的函数；

用于基于与其关联的P_c从所述一组卖主选择一个或更多个卖主的装置；和

用于通过与用户关联的用户装置上的网站的用户界面向有兴趣购买产品的用户呈现所述一个或更多个卖主的装置，该用户装置通过网络与网站通信连接。

18.根据权利要求17的装置，其中，从所述组中选择所述一个或更多个卖主至少部分地基于各卖主在特定区域中的期望收益。

19.根据权利要求17的装置，其中，P_s包含表达与各卖主关联的特征的第一成分和表达关于所述一组卖主中的其它卖主的特征的第二成分。

20.根据权利要求17的装置，其中，P_b包含表达与用户关联的特征的第一成分和表达用户与各卖主之间的交互作用的第二成分。

21.一种系统，包含：

至少一个处理器；

非暂时性计算机存储器，和

能够通过所述至少一个处理器翻译的存储的指令，所述存储的指令在通过所述至少一个处理器翻译时执行以下的处理：

对于一组卖主中的各卖主进行的双边决定处理，该双边决定处理包括：

假定各卖主在所述一组卖主中经由网站被呈现给用户，使用存储在数据库中的卖主信息来确定各卖主向网站的有兴趣购买产品的用户出售产品的第一概率(P_s)；

给定用户的历史偏好，确定用户从各卖主购买产品的第二概率(P_b)；

确定用户与各卖主关于产品达成销售的第三概率(P_c)，这里，第三概率是第一概率和第二概率的函数；和

使用第三概率来确定期望收益；

至少部分地基于所述期望收益来过滤所述一组卖主，以生成经过滤的卖主列表，所述经过滤的卖主列表包含所述一组卖主的子集；以及

经由与用户关联的用户设备上的网站的用户界面将所述经过滤的卖主列表呈现给有兴趣购买产品的用户。

22.根据权利要求21的系统，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与所述经过滤的卖主列表中的各卖主相关联的第三概率而被排序。

23.根据权利要求21的系统，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与所述经过滤的卖主列表中的各卖主相关联的预期的卖主收益而被排序。

24.根据权利要求21的系统，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与不在所述经过滤的卖主列表中的实体相关联的预期的实体收益而被排序。

25.根据权利要求21的系统，其中，至少部分地基于与产品关联的可替代性来确定期望收益。

26.根据权利要求21的系统，其中，至少部分地基于相对于地理区域内其他卖主的各卖主的特征来确定第一概率。

27.根据权利要求21的系统，其中，至少部分地基于各卖主与地理区域内其他用户之间的历史销售来确定第二概率。

28.一种方法，包含：

在具有至少一个处理器、非暂时性计算机存储器和能够通过所述至少一个处理器翻译的存储的指令的计算机处：

对于一组卖主中的各卖主执行双边决定处理，该双边决定处理包括：

假定各卖主在所述一组卖主中经由网站被呈现给用户，使用存储在数据库中的卖主信息来确定各卖主向网站的有兴趣购买产品的用户出售产品的第一概率(P_s)；

给定用户的历史偏好，确定用户从各卖主购买产品的第二概率(P_b)；

确定用户与各卖主关于产品达成销售的第三概率(P_c)，这里，第三概率是第一概率和第二概率的函数；和

使用第三概率来确定期望收益；

所述计算机至少部分地基于所述期望收益来过滤所述一组卖主，以生成经过滤的卖主列表，所述经过滤的卖主列表包含所述一组卖主的子集；以及

所述计算机经由与用户关联的用户设备上的网站的用户界面将所述经过滤的卖主列表呈现给有兴趣购买产品的用户。

29.根据权利要求28的方法，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与所述经过滤的卖主列表中的各卖主相关联的第三概率而被排序。

30.根据权利要求28的方法，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与所述经过滤的卖主列表中的各卖主相关联的预期的卖主收益而被排序。

31.根据权利要求28的方法，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与不在所述经过滤的卖主列表中的实体相关联的预期的实体收益而被排序。

32.根据权利要求28的方法，其中，至少部分地基于与产品关联的可替代性来确定期望收益。

33.根据权利要求28的方法，其中，至少部分地基于相对于地理区域内其他卖主的各卖主的特征来确定第一概率；并且其中，至少部分地基于各卖主与地理区域内其他用户之间的历史销售来确定第二概率。

34.一种装置，包括：

用于对于一组卖主中的各卖主执行双边决定处理的装置，该双边决定处理包括：

假定各卖主在所述一组卖主中经由网站被呈现给用户，使用存储在数据库中的卖主信息来确定各卖主向网站的有兴趣购买产品的用户出售产品的第一概率(P_s)；

给定用户的历史偏好，确定用户从各卖主购买产品的第二概率(P_b)；

确定用户与各卖主关于产品达成销售的第三概率(P_c)，这里，第三概率是第一概率和第二概率的函数；和

使用第三概率来确定期望收益；

用于至少部分地基于所述期望收益来过滤所述一组卖主以生成经过滤的卖主列表的装置，所述经过滤的卖主列表包含所述一组卖主的子集；以及

用于经由与用户关联的用户设备上的网站的用户界面将所述经过滤的卖主列表呈现给有兴趣购买产品的用户的装置。

35.根据权利要求34的装置，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与所述经过滤的卖主列表中的各卖主相关联的第三概率而被排序。

36.根据权利要求34的装置，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与所述经过滤的卖主列表中的各卖主相关联的预期的卖主收益而被排序。

37.根据权利要求34的装置，其中，被呈现给用户的所述经过滤的卖主列表至少部分地基于与不在所述经过滤的卖主列表中的实体相关联的预期的实体收益而被排序。

38.根据权利要求34的装置，其中，至少部分地基于与产品关联的可替代性来确定期望收益。

39.根据权利要求34的装置，其中，至少部分地基于相对于地理区域内其他卖主的各卖主的特征来确定第一概率。

40.根据权利要求34的装置，其中，至少部分地基于各卖主与地理区域内其他用户之间的历史销售来确定第二概率。