CN104517157A - 使用社交媒体在可承诺量系统中预测分析的方法和系统 - Google Patents
使用社交媒体在可承诺量系统中预测分析的方法和系统 Download PDFInfo
- Publication number
- CN104517157A CN104517157A CN201410515651.4A CN201410515651A CN104517157A CN 104517157 A CN104517157 A CN 104517157A CN 201410515651 A CN201410515651 A CN 201410515651A CN 104517157 A CN104517157 A CN 104517157A
- Authority
- CN
- China
- Prior art keywords
- product
- service
- enterprise
- businessman
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000036651 mood Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 5
- 230000001737 promoting effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 3
- 230000006855 networking Effects 0.000 abstract description 6
- 239000002131 composite material Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002853 ongoing effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了使用社交媒体在可承诺量系统中预测分析的方法和系统。其中,包括商家或企业的可承诺量系统的计算设备从至少一个社交网络网站收集信息内容。计算设备可以分析所收集的信息内容,以提取识别产品或服务的数据项目。基于分析结果,可以通过计算装置生成产品或服务的预测需求的综合得分。得分可被用在ATP系统中,用于生成由商家或企业在购买或分配产品或服务中所使用的需求预测。
Description
相关申请的交叉引用
本申请参考并且要求于2013年9月27日提交的题为“Method andSystem for Using Social Media for Predictive Analytics in Available toPromise(ATP)Systems”的美国临时专利申请第61/883,238号的优先权和权益,将其全部主题的所有内容通过引用并入本文。
技术领域
本公开内容的某些实施方式涉及库存可用性系统(inventoryavailability systems)。更具体地,本公开内容的某些实施方式涉及用于在承诺(ATP)系统中预测分析的利用社交媒体的方法和系统。
背景技术
在诸如可承诺量(available-to-promise,ATP)系统等库存可用性系统中进行预测分析的现有方法和系统可能是效率低下的。
通过参考附图比较该系统与本申请的其余部分中所阐述的本公开内容的某些方面,关于常规和传统方法的限制和缺点,对本领域技术人员来说将是明显的。
发明内容
提供一种系统和/或方法,用于利用社交媒体在可承诺量(ATP)系统中进行预测分析,大致如附图中的一个所示出和/或结合附图中的一个所描述的,如权利要求中所完整记载的。
通过下列描述和附图,将能更充分地理解本公开内容的这些优点和其他优点、各个方面与新的特征及其所示出实施方式的细节。
附图说明
图1是示出了根据本公开内容的实施方式的用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的示例性计算机网络环境的框图。
图2是示出了根据本公开内容的示例性实施方式的用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的示例性步骤的流程图。
图3是示出了根据本公开内容的与用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的系统各种功能元件往来的信息流的示例性数据流程图。
图4示出了根据本公开内容的操作用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的系统的示例性方法。
具体实施方式
本公开内容涉及库存可用性系统。更具体地,本公开内容的某些实施方式涉及一种用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的方法和系统。从各个信息源收集的信息内容(包括来自社交网络的信息内容)可以指示消费者情绪,并且可用于预测消费者对各种产品或者服务项目的需求,从而能够使商家或者企业更为准确地预测对产品或者服务项目的需求。对产品或者服务需求的预测可用于指导产品制造和购买活动以及产品或者服务项目在各个商家场所的分配与用于向消费者的出售的发行渠道。
如本申请中使用的,术语“电路”或者“线路”指物理电子组件(即硬件)以及可配置硬件、由硬件执行的任何软件和/固件(“代码”),和/或与硬件相关联的其他方面。如本文所使用的,“和/或”指由“和/或”连接的列表中的项目的任意一个或多个。例如,“x和/或y”指三元素集合{(x),(y),(x,y)}中的任一元素。又例如,“x、y、和/或z”是指七个元素集合{(x),(y),(z),(x,y),(x,z),(y,z),(x,y,z)}中的任一元素。如本文中使用的,术语“示例性”指用作非限制性实施例、实例或者例证。如本文中使用的,术语“例如(e.g.)”和“例如(for example)”阐述了一种或者多种非限制性实施例、实例、或者例证的列表。如本申请中使用的,设备/模块/线路等“可操作为”执行功能,无论何时设备/模块/线路等包括执行该功能的必需的硬件和/或代码(如果需要),而不管功能的性能通过一些用户可配置设置是否处于禁用或启用。
本文所使用的术语“可承诺量系统”是指用于提供关于现有库存的信息或者对消费者订单的许诺可用的资源时间的计算机系统。
本文所使用的术语“商家”和“赞助商家/批发商家”是指运营传统的“砖瓦加水泥”的商业场所或者本文所描述的电子商务或者社交电子商务平台的任何一种或两种,或者与另一企业公司签署以其自身名义运营该平台的协议的商业公司的所有人和/或经营者。
本文所使用的术语“忠诚计划”是指奖励的结构化营销努力,并且由此鼓励对经营或者赞助忠诚计划的企业或者公司潜在有利的忠诚购买行为。本文所使用的术语“成员”可指为了获得由忠诚计划所提供的利益而提供个人信息给忠诚计划的经营者或赞助者的消费者。
本文所使用的术语“客户”、“消费者”、“端用户(end-user)”、以及“用户”可互换地指商家或者企业的产品和/或服务的潜在或现有购买者。
本文所使用的术语“社交网络”是指家庭、朋友、同事、以及其他个人联系的网络,或者是指使用网站或者其他技术彼此进行通信、共享信息、资源等个人的在线社区。本文所使用的术语“社交图谱”指群体中的个体之间的个人关系或者连接的表示。
根据上下文,本文所使用的术语“渠道(channel)”指各种通信手段,例如,(例如,基于互联网的)在线通信、移动通信(例如,诸如蜂窝或者Wi-Fi等无线通信)、电话通信、以及店内交流。根据上下文,术语“渠道”还指由向客户、消费者、端用户或用户传送商品、服务和/或信息的实体所使用的管道或者路径,例如,零售、网上、电话订购、或者邮购。
本文所使用的“电子商务”指如通过互联网的电子交易的商业或者商务。
在本申请中,术语“社交电子商务”可用于指消费者与其他消费者通过社交方式交互作为电子商务活动的一部分的的电子商务。商家或者企业可通过使消费者参与各种活动而加入社交电子商务,活动作为示例包括但不限于:电子邮件消息、文本消息、游戏、以及发布或者监控社交网络平台(例如,)和/或商家支持的社交网络上交换的活动和信息。
术语“喜欢”、“希望”、“具有”或者“拥有”、以及“推荐”可用于指网页上所表示的与产品有关的并且可被客户选择的表示其与产品的关系或者对产品的感觉的具体社交信号。
在本申请中,术语“关注”可用于指用户请求保持随时了解具体人、地方或者事物的信息。
在本申请中,术语“分享”可用于指用户请求将有关用户所浏览的信息传送给用户的家庭、朋友、或者社交网络的成员。
本公开的某些实施方式可在一种用于使用社交媒体在可承诺量(ATP)系统中预测分析的方法和系统中找到。提供一种用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的方法的方面,基本上如图1至图2中的至少一个所示出或者参照图1至图2中的一个所描述。本公开内容的另一个实施方式提供一种非暂存性计算机可读介质或者机器可读存储器,具有计算机程序存储其上,该计算机程序具有由机器执行的至少一个代码段,从而使机器执行参考图1至图2中的至少一个所描述的用于使用社交媒体对可承诺量(ATP)系统进行预测分析的步骤。提供一种用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的系统的方面,基本上如图1至图2中的至少一个所示出或者参照图1至图2中的一个所描述。
在本公开内容的各种实施方式中,包括业务的可承诺量(ATP)系统的计算设备可操作为针对与业务的项目相关的信息执行搜索一个或者多个社交媒体站点。计算设备可操作为对一个或者多个社交媒体站点进行搜索的搜索结构进行分析。基于分析结果,可通过计算设备生成对该项目的预测需求的综合得分。然后,计算设备可操作为基于所生成的综合得分和与该项目相关的一个或多个已知的需求因素来执行在ATP系统中的预测分析,以用于产生对该项目的需求预测。
图1是示出了根据本公开的示例性实施方式的用于使用社交媒体在可承诺量(ATP)系统中进行预测分析的示例性计算机网络环境100的框图。参考图1,示出了计算机网络环境100。在计算机网络环境100中,示出了移动通信设备的示例性形式的处理设备20”,示出了计算机系统的示例性形式的处理设备20’,并且示出了示例性示意形式的处理设备20。
例如,各个处理设备20、20’、20”均设置有可执行的指令,以提供一种使用户访问(除了别的之外)支持一个或者多个主体机构网站70的主系统服务器68的手段(means)。因此,主系统服务器68可与商家或者企业关联并且主体机构网站70可以是商家或者企业的公共网站(例如,在线零售环境或者在线零售商店)。此外,主系统服务器可支持能够使商家或者企业的忠诚计划的成员交互的社交网络。在某些情况下,用户可以是商家或者企业的员工,例如,网络管理员、销售助理、客服代理、或者将产品和/或有关销售的援助提供给商家或者企业的客户的其他个体。在这方面,可执行指令还可提供一种用于使用户(即,在本实施例中,员工)连接至例如产品数据库、结构内联网、供应商数据库、网站开发环境等的手段。在一些其他情况下,用户可以是商家或者企业的客户或者消费者。在这方面,可执行指令还可提供一种用于使用户(即,在本实施例中,客户)连接至例如主社交网络站点、用户个人资料、存储库存、销售助理、客服代理等的手段。
通常,计算机可执行指令驻留在程序模块中,该程序模块可包括执行具体任务或者实现具体的抽象数据类型的例程、程序、对象、组件、数据结构等,因此,图1中所示出的处理设备20、20’、20”可以实施在具有执行指令的能力的任何设备中,例如,个人计算机、大型计算机、个人数字助理(“PDA”)、移动电话、平板电脑、电子阅读器、智能手机等。而且,尽管在单个处理设备20、20’、20”的上下文中描述并且示出了任务,然而,下文中所描述的各项任务可以实现成具有经由局域网或者广域网连接的多个处理设备的分布式环境中,从而,可执行指令可与一个或多个处理设备相关联和/或由一个或多个处理设备执行。
为了根据可执行指令执行各项任务,示例性处理设备20包括经由总线26连接的处理单元(处理器)22和系统存储器24。没有限制情况下,总线26可以是使用各种总线架构中任一种的存储器总线、外围总线、和/或局部总线。出于任何具体目的之需要,系统存储器24可包括只读存储器(ROM)28和/或随机存取存储器(RAM)30。例如,还可通过硬盘驱动器接口32,磁盘驱动器接口34,和/或光盘驱动器接口36使额外的存储器设备可接入处理设备20。应当理解的是,连接至系统总线26的这些设备各自允许从硬盘38读取并且写入硬盘38、从可移动磁盘40读取或者写入可移动磁盘40、以及用于从可移动光盘42读取或者写入可移动光盘42,诸如,CD/DVD ROM或者其他光学介质。驱动器接口及其关联的计算机可读介质允许计算机可读指令、数据结构、程序模块以及用于处理设备20的其他数据的非易失性存储。出于此目的,可以使用能够存储数据和/或指令的其他类型的非暂存性计算机可读介质。这种介质设备的实例包括,但不限于:磁带盒、闪存卡、数字视盘、伯努利盒式磁带(Bernoulli cartridges)、随机存取存储器、纳米驱动器、记忆棒、以及其他读/写和/或只读存储器。
一个或者多个存储器/介质设备中可以存储许多程序模块。例如,包含有助于在处理设备20内的元件之间传输信息(诸如,启动过程中)的基本例程的基本输入/输出系统(BIOS)44可被存储在ROM 28中。同样,RAM30、硬驱动器38、和/或外围存储器设备可用于存储包括操作系统46、一个或者多个应用程序48(诸如,网络浏览器)、其他程序模块50、和/或程序数据52的计算机可执行指令。此外,可以根据需要,例如经由网络连接将计算机可执行指令下载至处理设备20、20’、20”中的一个或者多个中。
为了允许用户将命令和信息输入到处理设备20中,提供了诸如键盘54和/或定点设备(例如,鼠标)56等输入设备。尽管未示出,但其他输入设备可包括,例如但不限于:麦克风、操纵杆、游戏板、扫描仪、摄像头、触摸盘、触摸屏等。通常,这些和其他输入设备通过外围接口58连接至处理单元(处理器),该外围接口依次耦接至总线26。使用接口,例如,并行端口、游戏端口、接口、或者通用串行总线(USB)接口,可将输入设备连接至处理器22。为了观看来自处理设备20的信息,显示器设备60还可经由诸如视频适配器62等接口连接至总线26。例如,显示设备60可以是耦接式监视器、集成式显示模块、或者其他合适类型的显示设备。例如,显示设备60可包括诸如触摸屏或者触感屏等存在敏感屏幕。除显示设备60之外,处理设备20还可包括其他外围输出设备(未示出),例如,扬声器、摄像头、打印机、或者其他合适的设备。
注意,处理设备20还可利用到一个或者多个远程处理设备的逻辑连接,诸如,到具有关联数据存储库68A的主系统服务器68。在这方面,尽管以计算机的示例性方式示出了主系统服务器68,然而,如同处理设备20,主系统服务器68可以是具有处理功能的任何类型的设备。再次,主系统服务器68不需要被实施为单个的设备,而是可以这样一种方式被实施,即,由主系统服务器68所执行的各项任务分布在定位在不同地理位置并且通过通信网络连接的多个处理设备/数据库中。此外,主系统服务器68可具有经由网络12到其他第三方系统(例如,第三方系统69)的逻辑连接,例如,经由互联网、局域网(LAN)、城域网(MAN)、广域网(WAN)、蜂窝网络、云网络、企业网络、虚拟专用网络、有线和/或无线网络、或者其他合适的网络,并且经由该连接,主系统服务器68与这种其他第三方系统相关的数据存储库(例如,数据存储库69A)相关联。这种第三方系统可包括,但不限于银行、信贷、或其他金融机构的系统,产品和/或服务的第三方供应商的系统、运输/快递公司系统、产品制造商系统、媒体内容提供商的系统、文件存储系统等。
为了执行所需要的任务,主系统服务器68可包括以上关于处理设备20所描述的多个或者所有的元件。例如,主系统服务器68可操作为实施商家或者企业的在线零售渠道。在这方面,商家或者企业的一个或者多个在线商店可允许客户使用商家或者企业的一个或者多个网站70购买商家或者企业所出售的物品和/或服务。因此,主系统服务器68通常包括除了其他之外的可执行指令,用于根据本公开的各种示例性实施方式执行各种任务。
在本公开内容的示例性实施方式中,主系统服务器68可包括库存可用性系统,例如,可承诺量(ATP)系统。ATP系统71可基于资源可用性提供对客户订单查询的响应。例如,可以从处理设备20经由网络12在网站68上提交客户订单查询。ATP系统71可支持订单承诺和履行,旨在管理需求并且使其匹配于企业的生产计划。
例如,在本公开的示例性实施方式中,主系统服务器68可操作为经由网络12与一个或者多个社交媒体站点(也被称之为“社交媒体网站”或者“社交网络网站”)80通信。各种社交媒体可包括,例如但不限于,合作项目、博客/微博、内容社区、社交网络、虚拟游戏世界、以及虚拟社交世界等。
经由诸如网络路由器(未示出)等负责网络路由的其他处理设备可执行处理设备20与主系统服务器68之间的通信。可以经由网络接口组件73与网络路由器进行通信。因此,在网络环境内,例如,互联网、万维网、LAN、云、或者其他类型的有线或者无线网络内,描述的有关处理设备20或者其部分的程序模块可存储在主系统服务器68的非暂存性计算机可读存储器、存储设备中。
在操作时,在本公开的一种示例性实施方式中,诸如主系统服务器68等包括商家或者企业的ATP系统71的计算设备可操作为针对与由商家或者企业当前或者预期提供的物品相关联的信息在一个或者多个社交媒体站点80上执行搜索。例如,社交媒体站点80可以是例如但不限于博客、聊天室、折扣交易、产品优惠券、产品评论、交互式反馈、评价、视频等站点。例如,与物品相关的信息可包括对物品的评论、关于物品的聊天、物品分享等。商家或者企业的物品可包括,例如但不限于由商家或者企业所提供的产品、产品的部件、或者服务。计算设备(例如,主系统服务器68)可操作为对一个或者多个社交媒体站点80的搜索的搜索结果进行分析。基于分析结果,可以通过计算设备生成预测的物品的需求的综合得分。在这一点,综合得分可对应于与该物品相关联的外部需求因素。然后,计算设备可操作为基于与该物品相关联的生成的综合得分和一种或者多种已知的需求因素对ATP系统71执行预测分析,以用于产生对该物品的需求预测。因此,例如,一种或者多种已知的需求因素(即,商家或者企业内部已知的)可包括历史需求数据、制造产量、和/或其他相似定量或者随机的需求信息。
图2是示出了根据本公开的示例性实施方式的用于使用社交媒体对可承诺量(ATP)系统进行预测分析的方法的示例性步骤的流程图。图2的例图参考图1的示例性计算机网络环境100。现参考图2中的方法,示例性步骤开始于步骤201。在步骤202中,包括商家或者企业的ATP系统71的计算设备(例如,主系统服务器68)可操作为针对与商家或者企业的物品相关联的信息在一个或者多个社交媒体站点80上执行搜索。在步骤203中,计算设备可操作为对在一个或者多个社交媒体站点80上进行搜索的搜索结果进行分析。在步骤204中,基于分析结果,可以通过计算设备产生对预测的物品需求的综合得分。在步骤205,计算设备可操作为基于与物品相关联的生成的综合得分和一种或者多种已知的需求因素在ATP系统71执行用于产生对物品的需求预测的预测分析。示例性步骤可进行到结束步骤206。
在本公开的另一示例性实施方式中,计算机系统(例如,主系统服务器68)可从一种或者多种信息源收集各种形式的信息内容,信息源包括,例如但不限于,各种商家网站和用于交换或者提供有关产品促销和交易的网站、博客、以及通信网络,该通信网络例如但不限于,由诸如 和(仅部分举例)等社交网络网站支持的网络。例如,合适的计算机系统可包括具有多个处理器的一个计算机、或者各自具有一个或者多个处理器的多个计算机,并且计算机可以放置在一起或者计算机按地理位置分布并且通信地耦接。
例如,这种社交网络网站可以是通过商家或者企业经营的作为经由社交电子商务网站所提供的功能的部分。各种形式的信息内容可包括,例如但不限于,有关商家或者企业的各种产品项目或者服务的信息。例如,信息内容可包括评价和评论、讨论、帖子、有关各种产品或者服务的视频内容、有关产品或者服务的报价或者交易的信息、以及消费者使用的表示诸如对各种产品项或者服务的“喜欢”、“想要”、“具有”、“拥有”、“赞”、“+1”等消费者情绪的各种社交指示符的信息。所收集的信息内容可包括有关报价、交易以及产品或者服务促销的信息。这种信息内容可包括产品或者服务价格、以及各个商家或者企业所出售的当前可购产品数量。
计算机系统还可收集有关各种产品或者服务的特定商家或者企业的信息,包括采用ATP系统71的商家或者企业的信息,例如但不限于,当前和历史产品库存或者服务可用性信息、当前和历史产品或者服务需求信息、产品或者服务销售以及退款信息、促销和报价信息、以及商家或者企业列出的当前突出的产品订单。此外,系统可收集产品制造商信息,例如但不限于,产品制造商生产量信息、以及表示从订货到交货的制造商生产时间的信息(例如,产品订单交付周期)。例如,利用软件程序或者“机器人”执行对信息内容的收集,或者可以从信息源的计算机系统直接接收信息内容,该软件程序或“机器人”系统地检查各种网站并且对被发现与网站发起人或者经营者合作或者未合作的信息内容进行捕捉。
在本公开的一些实施方式中,计算机系统可对所收集的信息内容的各个部分执行分析,包括从一个或者多个社交网络所收集的信息内容,并且可将该信息内容的各个部分分类。使用例如但不限于自然语言处理可以执行对所收集的信息内容的各个部分的分类,并且例如,分类可用于识别信息内容的各个分析部分的主题和消费者情绪的当前指示。具体地,该分析可以识别有关信息内容的具体产品或者产品库存以及信息内容的性质,例如但不限于,所收集信息内容的具体部分表示例如对识别产品的正面(或者负面)评论或者反映的消费者情绪,讨论所识别产品的交易或者报价、表示激动、紧急、或者购买意图的表达,或者涉及识别产品的的交流或者信息的一些其他形式。
这类信息可以例如,被提取并且包含在包括商家或企业的有关产品信息的数据项目和从上述收集的信息内容的分类和分析衍生的数据项目的存储库中。这类存储库在本文中可以指为“数据集合”并且也可以包括涉及产品的各种其他数据项目,例如并且不限于,诸如识别制造商或品牌、型号、款式、颜色、光洁度、尺寸、设计者的产品细节;产品特征;产品标价;产品价值;产品可用性;产品可靠性;涉及产品的当前或未来优惠,包括优惠卷、折扣、和/或回扣;以及针对具体使用或在具体地理区域内的产品的适用性。
在本公开的一些实施方式中,计算机系统可以包括使用所收集和分类的信息内容产生,例如并且不限制于,总计(aggregate)或综合得分、和/或表示具体产品或服务的预测需求的一个或多个权重因子的功能。本公开的计算机系统可以执行软件代码,该软件代码分析诸如上述实施例存储库的数据存储库的数据集合,以识别与具体产品项目或服务的销售正相关的数据项目的具体集合或组合。本公开的实施方式可以例如,使用许多不同分析技术的一种、或多于一种的组合,以识别数据项目的集合或组合。这类分析技术包括,例如但不限于,线性回归分析、均值聚类、贝叶斯决策模型、和/或马尔可夫决策链、或任何其他适宜的分析技术。根据本公开的实施方式可以使用基于机器学习(ML)的方法,该方法采用任何或所有这类分析技术以达到表示未来需求的总计或综合得分,该总计和综合得分然后可以被映射为例如,代表购买或制造具体产品的数量范围和/或分配到各种商家场所的具体产品的数量范围和/或分配到向消费者出售的产品发行渠道的产品的数量范围。如上所述,总计或综合得分可以是诸如以上识别的示例分析技术的各种不同分析技术的加权和,并且分派的贡献于使用的各个分析技术的总计或综合得分的权重集合可以基于包括,例如但不限于,感兴趣的具体产品或服务的许多因素。在本公开的实施方式中,然后,总计或综合得分、分派到使用的各个分析技术的权重集合、发现与销售正相关的数据项目的集合、和/或待要制造的具体产品数量的范围和/或分配到各种商家场所和/或产品发行渠道的具体产品或服务的数量范围可以被提供至适宜的ATP系统平台。
除了以上之外,本公开的实施方式的计算机系统可以包括以下功能,通过例如,追踪针对具体产品或服务的销售和/或订单追踪针对具体产品或服务的消费者需求,并且还通过例如,追踪具体产品的新进货物或当前库存或适用于提供服务的资源也追踪具体产品或服务的可用性。在本公开的实施方式中,可以实时地执行针对具体产品或服务需求的这类追踪、和/或具体产品或服务可用性的追踪。然后,具体产品或服务或针对各种产品或服务的需求和可用性的这类追踪结果可以反馈到以上论述的基于ML的方法,以便随着时间的推移,导致针对给定产品或服务产生更好分配预测的分析技术可能会更侧重于上述累积或综合得分的计算。因此,以上述方式,本公开的实施方式可以使用各种信息源的信息内容中发现的关于各种产品或服务的消费者情绪的指示,作为表示对这些产品或服务的预测的消费者需求的信息生成中的因素。这类预测支持商家或企业的可承诺量系统,以引导影响产品和服务资源可用性活动的决策,以更准确地满足消费者需求,并且从而改善提供产品或服务的商家或企业的收益。
图3是示出了根据本公开内容的在用于利用社交媒体在可承诺量(ATP)系统中预测分析的系统的各种功能性元件之间来往的信息流的数据流程图。如图3和以上论述所示,本公开的实施方式可以从各种在线信息源310收集信息内容,该在线信息源310可以包括,例如但不限于,包括社交网络网站的各种网站。如上所述,这类信息内容可以包括由那些网站用户进行的各种类型的通信,并且这类类型的通信可以涉及各种产品或服务,并且可以包含在那些通信中代表消费者对各种产品和服务情绪的信息。这类收集的信息内容可以存储在用于随后处理的数据存储库中,诸如在图1的数据存储库68A中,或可以处理为作为收集的信息内容。在本公开的实施方式中,然后,内容分类器320可以将所收集的信息内容的各部分分类,并且可以存储从诸如以上论述的那些所收集的信息内容提取的各种数据项目。内容分类器320可以包括运行在诸如,例如图1的主系统服务器68的计算机系统上的软件,并且从所收集的信息内容提取的数据项目可以存储在诸如图1的示例数据存储库68A的数据存储库中。在本公开的一些实施方式中,内容分类器320在所收集的信息内容上执行自然语言处理,以提取各种数据项目。
本公开内容的实施方式也可以包括产生得分信息的功能,诸如在图3中示出的示例综合得分生成器330功能。这类功能可以分析从所收集的信息内容提取的各种数据项目,并且也可以来自经营或赞助图3的系统的商家或企业的关于产品或服务可用性和产品库存的历史数据,诸如图3的历史产品/服务可用性信息360和历史产品库存信息370,以产生总计或综合得分和一个或多个需求因素或权重因素。在本公开的一些实施方式中,如上所述,这类综合得分生成器330的功能可以使用基于机器学习的方法实现探索法,该机器学习类方法可以使用一个或多个分析技术识别表现与从所收集的信息内容识别的产品或服务的每一个的销售正相关的数据项目集合。然后,通过综合得分生成器330产生的综合得分和需求因素信息可以映射为代表所需要的各个产品或服务资源的量或数量和针对商家或企业的各个场所或渠道分配的量或数量的预测的数值范围,该范围然后被提供至诸如图3的ATP系统350的可承诺量系统。
本公开的实施方式也可以包括追踪产品/服务可用性和商家或企业的产品库存的功能,诸如图3的后预测分析器340。这类功能可以通过诸如图1的主系统服务器68的计算机系统执行。这类追踪使用来自处理设备的交易数据实时执行,诸如,例如但不限制于,商家或企业的终端销售点和电子商务网站平台。表示实际追踪的产品/服务可用性和商家或企业的产品库存的信息可以反馈到综合得分生成器330,以便在调整分析和下一步使用的探索法(heuristic)中使用。
图4示出了根据本公开的操作一种利用社交媒体在可承诺量(ATP)系统中预测分析的系统的示例性方法。图4的方法可以,例如,通过图1的计算机网络环境100的各种元件执行。应注意,在不偏离本公开范围的前提下,可以修改在图4步骤中示出的动作的顺序,并且虽然示出为一系列动作,但是一些指定的动作可以实现为独立的和正在进行的产生信息的活动可被通过图4方法的其他步骤使用。
例如,图4中所示出的方法在开始框401中开始,当用于执行图4方法的软件代码开始在诸如图1的主系统服务器68的计算机系统上执行时,该方法进行。然后,在框403,图4的方法可以引导计算机系统从包括社交网络网站的各种在线资源收集针对各种产品/服务项目、交易和优惠(offer,报价)的信息内容(例如,讨论、评论、评价、社交指示符(例如,“喜欢”、“具有”、“想要”))。然后,在框405,执行该方法的计算机系统可以基于动态格式的信息分析所收集的信息内容以结构化输入,并且提取数据项目用于随后处理。然后,在框407,该方法可以使用基于机器学习的探索法根据结构化输入(structured input)的数据项目生成针对各种产品项目的每一个的预测需求的综合得分和一个或多个需求因素。
然后,在框409,该方法可以基于关联于各种产品项目每个的所产生的综合得分和一个或多个已知的需求因素,引导计算机系统执行预测分析,以产生用于管理各种产品项目的制造或购买或服务资源的获取和在可承诺量系统中各种产品项目库存的分配的指导信息。在框411,图4的方法示出了该方法包括针对商家或企业的各种产品或服务项目的需求(例如,订单、销售)的追踪。虽然示出为图4方法的一系列动作的一部分,但是该步骤可以执行为计算机系统的正在进行的活动,并且这类追踪的需求信息可以在实时基础上获得。此外,在框413,图4的方法示出了该方法包括针对商家或企业的各种产品或服务项目的可用性(例如,库存)的追踪。虽然这个动作也示出为图4方法一系列动作的一部分,但是该步骤也可以执行为计算机系统的正在进行的活动(ingoing activity),并且这类追踪的库存信息可以在实时基础上获得。最终,在框415,该方法可以引导计算机系统将针对各种产品或服务项目的追踪的需求和可用性信息合并到使用在框409的使用的基于机器学习的探索法。
本公开内容的方面可以在使用社交媒体在商家或企业的可承诺量(ATP)系统中预测分析的方法中了解。这类方法可以包括从多个在线资源收集信息内容,在此,多个在线资源包括社交网络的至少一个网站;并且分析所收集的信息内容,以识别并且提取与通过商家或企业所提供的产品或服务相关的数据项目。该方法也可以包括使用所提取的数据项目产生表示产品或服务的预测需求的得分;并且通过追踪商家或企业的订单和库存产生表示产品或服务的实际消费者需求和产品或服务的可用性的信息该方法可以进一步包括将表示产品或服务的消费者需求和产品或服务的可用性的信息合并为使用在得分产生的探索法;并且映射得分到由商家或企业使用的产品数量值,以购买和分配对消费者出售的产品或服务。
在本公开的实施方式中,信息内容可以包括识别产品或服务的消费者评论或评价,并且信息内容可以包括识别产品或服务的促销优惠。提取的数据项目可以包括识别产品或服务的消费者情绪的表示,并且可以使用基于机器学的类系统执行得分的产生。商家或企业为购买和分配对消费者出售的产品或服务所使用的产品数量值可以包括由商家或企业用于向消费者出售将购买和分配的产品或服务的数量的预测范围,并且社交网络可以包括使用网站或其他技术彼此分享信息和/或资源的个人网上社区。
在具有多个代码段的非暂存性计算机可读介质中可以看出本公开另外的方面,在此,每个代码段包括通过至少一个处理器实行的多个指令。指令可以引起至少一个处理器执行用于使用社交媒体在商家或企业的可承诺量(ATP)系统中的预测分析的方法。
可以在用于使用社交媒体在商家或企业的可承诺量(ATP)系统中的预测分析的系统中看到本公开另外的方面。这类系统可以包括用于通信耦接至至少一个用户终端装置的至少一个处理器,在此,至少一个处理器可操作为上述方法的动作。
因此,本公开可以硬件、软件、或硬件和软件的组合实现。本公开可以在至少一个计算机系统中以集中方式或以分布方式实现,在此,不同元件遍布若干相互连接的计算机系统。适合于实施本文中描述的方法的任何种计算机系统或其他设备是合适的。硬件和软件的典型组合可以是具有计算机程序的通用计算机系统,当计算机程序被下载和执行时,计算机程序控制计算机系统使得其实施本文中描述的方法。
本公开也可以嵌入计算机程序产品中,该计算机程序产品包括能够进行本文中描述方法的所有特征,并且当在计算机系统中下载时,能够实施这些方法。在本上下文中的计算机程序意指在任何语言中的任何表达式、代码或符号、旨在引起具有信息处理能力的系统直接或经过以下一种或两者之后执行特定功能的指令的集合:a)转化为另一种语言、代码或符号;b)以不同材料形式再现。
虽然已经参考某些实施方式描述了本公开,但是本领域技术人员应理解,在不偏离本公开内容的范围的情况下,可以做出各种改变并且可以用等价物取代。此外,在没有偏离本公开的范围的情况下,可以做出许多修改以适配于本公开的教导的特定的情形或材料。因此,意图是本公开不限于公开的具体实施方式,而是本公开内容将包括在所附权利要求范围内的所有的实施方式。
Claims (21)
1.一种用于使用社交媒体在商家或企业的可承诺量(ATP)系统中预测分析的方法,所述方法包括:
从多个在线资源收集信息内容,所述多个在线资源包括社交网络的至少一个网站;
分析所收集的信息内容,以识别并且提取与由所述商家或企业提供的产品或服务相关的数据项目;
使用所提取的数据项目生成表示所述产品或服务的预测需求的得分;
通过追踪所述商家或企业的订单和库存产生表示所述产品或服务的实际消费者需求和所述产品或服务的可用性的信息;
将所述表示所述产品或服务的消费者需求和所述产品或服务的可用性的信息合并到在所述得分的生成中使用的探索法;并且
将所述得分映射至所述商家或企业为购买和分配用于向消费者出售的所述产品或服务所使用的产品数量值。
2.根据权利要求1所述的方法,其中,所述信息内容包括识别所述产品或服务的消费者评论或评价。
3.根据权利要求1所述的方法,其中,所述信息内容包括识别所述产品或服务的促销优惠。
4.根据权利要求1所述的方法,其中,所述提取的数据项目包括识别所述产品或服务的消费者情绪的表示。
5.根据权利要求1所述的方法,其中,使用基于机器学习的系统执行所述得分的产生。
6.根据权利要求1所述的方法,其中,所述商家或企业为购买和分配用于向消费者出售的所述产品或服务所使用的产品数量值是由所述商家或企业将要购买和分配的用于向消费者出售的所述产品或服务的数量的预测范围。
7.根据权利要求1所述的方法,其中,所述社交网络包括使用所述网站或其他技术彼此分享信息和/或资源的个人的在线社区。
8.一种非暂存性计算机可读介质,具有多个代码段,各代码段包括被至少一个处理器执行的多个指令,以引起所述至少一个处理器执行用于使用社交媒体在商家或企业的可承诺量(ATP)系统中预测分析的方法,所述方法的步骤包括:
从多个在线资源收集信息内容,所述多个在线资源包括社交网络的至少一个网站;
分析所收集的信息内容,以识别并且提取与由所述商家或企业提供的产品或服务相关的数据项目;
使用所提取的数据项目生成表示所述产品或服务的预测需求的得分;
通过追踪所述商家或企业的订单和库存产生表示所述产品或服务的实际消费者需求和所述产品或服务的可用性的信息;
将所述表示所述产品或服务的消费者需求和所述产品或服务的可用性的信息合并到在所述得分的生成中使用的探索法;并且
将所述得分映射至所述商家或企业为购买和分配用于向消费者出售的所述产品或服务所使用的产品数量值。
9.根据权利要求8所述的非暂存性计算机可读介质,其中,所述信息内容包括识别所述产品或服务的消费者评论或评价。
10.根据权利要求8所述的非暂存性计算机可读介质,其中,所述信息内容包括识别所述产品或服务的促销优惠。
11.根据权利要求8所述的非暂存性计算机可读介质,其中,所述提取的数据项目包括识别所述产品或服务的消费者情绪的表示。
12.根据权利要求8所述的非暂存性计算机可读介质,其中,使用基于机器学习的系统执行所述得分的产生。
13.根据权利要求8所述的非暂存性计算机可读介质,其中,所述商家或企业为购买和分配用于向消费者出售的所述产品或服务所使用的产品数量值是由所述商家或企业将要购买和分配的用于向消费者出售的所述产品或服务的数量的预测范围。
14.根据权利要求8所述的非暂存性计算机可读介质,其中,所述社交网络包括使用所述网站或其他技术彼此分享信息和/或资源的个人的在线社区。
15.一种用于使用社交媒体在商家或企业的可承诺量(ATP)系统中预测分析的系统,所述系统包括:
至少一个处理器,用于通信耦接至至少一个用户终端设备,所述至少一个处理器至少可操作为:
从多个在线资源收集信息内容,所述多个在线资源包括社交网络的至少一个网站;
分析所收集的信息内容,以识别并且提取与由所述商家或企业提供的产品或服务相关的数据项目;
使用所提取的数据项目生成表示所述产品或服务的预测需求的得分;
通过追踪所述商家或企业的订单和库存产生表示所述产品或服务的实际消费者需求和所述产品或服务的可用性的信息;
将所述表示所述产品或服务的消费者需求和所述产品或服务的可用性的信息合并到在所述得分的生成中使用的探索法;并且
将所述得分映射至所述商家或企业为购买和分配用于向消费者出售的所述产品或服务所使用的产品数量值。
16.根据权利要求15所述的系统,其中,所述信息内容包括识别所述产品或服务的消费者评论或评价。
17.根据权利要求15所述的系统,其中,所述信息内容包括识别所述产品或服务的促销优惠。
18.根据权利要求15所述的系统,其中,所述提取的数据项目包括识别所述产品或服务的消费者情绪的表示。
19.根据权利要求15所述的系统,其中,使用基于机器学习的系统执行所述得分的产生。
20.根据权利要求15所述的系统,其中,所述商家或企业为购买和分配用于向消费者出售的所述产品或服务所使用的所述产品数量值是由所述商家或企业将要购买和分配的用于向消费者出售的所述产品或服务的数量的预测范围。
21.根据权利要求15所述的系统,其中,所述社交网络包括使用所述网站或其他技术彼此分享信息和/或资源的个人的在线社区。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361883238P | 2013-09-27 | 2013-09-27 | |
US61/883,238 | 2013-09-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104517157A true CN104517157A (zh) | 2015-04-15 |
Family
ID=52741031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410515651.4A Pending CN104517157A (zh) | 2013-09-27 | 2014-09-29 | 使用社交媒体在可承诺量系统中预测分析的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20150095111A1 (zh) |
CN (1) | CN104517157A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475381A (zh) * | 2015-11-19 | 2018-08-31 | 真实眼私人有限公司 | 用于媒体内容的表现的直接预测的方法和设备 |
CN108701322A (zh) * | 2016-02-12 | 2018-10-23 | 开利公司 | 审查冷链配送系统的方法 |
CN110322263A (zh) * | 2018-03-30 | 2019-10-11 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9842365B2 (en) * | 2015-09-15 | 2017-12-12 | Google Inc. | Guided purchasing via smartphone |
US11030674B2 (en) * | 2017-04-14 | 2021-06-08 | International Business Machines Corporation | Cognitive order processing by predicting resalable returns |
US11922440B2 (en) * | 2017-10-31 | 2024-03-05 | Oracle International Corporation | Demand forecasting using weighted mixed machine learning models |
US11126986B2 (en) * | 2019-09-23 | 2021-09-21 | Gregory Tichy | Computerized point of sale integration platform |
US11538047B2 (en) * | 2019-12-19 | 2022-12-27 | Accenture Global Solutions Limited | Utilizing a machine learning model to determine attribution for communication channels |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1502085A (zh) * | 2001-02-06 | 2004-06-02 | 企业创新潜力的分析 | |
CN1513151A (zh) * | 2001-05-31 | 2004-07-14 | ��ʽ�����ͨTec | 以3指标轴表示的客户价值为基准的销售预测方法 |
US20090138365A1 (en) * | 1997-03-21 | 2009-05-28 | Mueller Raymond J | Method and apparatus for selecting a supplemental product to offer for sale during a transaction |
US20100169343A1 (en) * | 2008-12-30 | 2010-07-01 | Expanse Networks, Inc. | Pangenetic Web User Behavior Prediction System |
CN102156932A (zh) * | 2010-02-11 | 2011-08-17 | 阿里巴巴集团控股有限公司 | 一种客户再次购买意向预测方法及装置 |
CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
CN102792327A (zh) * | 2010-02-04 | 2012-11-21 | 宝洁公司 | 用于进行消费者调查的方法 |
CN103164806A (zh) * | 2011-12-12 | 2013-06-19 | 国际商业机器公司 | 用于从社会内容获得市场情报的方法和设备 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5734890A (en) * | 1994-09-12 | 1998-03-31 | Gartner Group | System and method for analyzing procurement decisions and customer satisfaction |
US6012051A (en) * | 1997-02-06 | 2000-01-04 | America Online, Inc. | Consumer profiling system with analytic decision processor |
US6266649B1 (en) * | 1998-09-18 | 2001-07-24 | Amazon.Com, Inc. | Collaborative recommendations using item-to-item similarity mappings |
US7451107B1 (en) * | 2000-01-28 | 2008-11-11 | Supply Chain Connect, Llc | Business-to-business electronic commerce clearinghouse |
US6708156B1 (en) * | 2000-04-17 | 2004-03-16 | Michael Von Gonten, Inc. | System and method for projecting market penetration |
US7080026B2 (en) * | 2000-10-27 | 2006-07-18 | Manugistics, Inc. | Supply chain demand forecasting and planning |
US7035811B2 (en) * | 2001-01-23 | 2006-04-25 | Intimate Brands, Inc. | System and method for composite customer segmentation |
US20020133415A1 (en) * | 2001-03-16 | 2002-09-19 | Adolph Zarovinsky | System and method for processing product orders |
US7003503B2 (en) * | 2001-06-07 | 2006-02-21 | Idealswork Inc. | Ranking items |
US7814085B1 (en) * | 2004-02-26 | 2010-10-12 | Google Inc. | System and method for determining a composite score for categorized search results |
US7367011B2 (en) * | 2004-04-13 | 2008-04-29 | International Business Machines Corporation | Method, system and program product for developing a data model in a data mining system |
US7478085B2 (en) * | 2005-04-01 | 2009-01-13 | Microsoft Corporation | Ability for developers to easily find or extend well known locations on a system |
JP4673727B2 (ja) * | 2005-11-21 | 2011-04-20 | 株式会社リコー | 需要予測方法及び需要予測プログラム |
WO2008019007A2 (en) * | 2006-08-04 | 2008-02-14 | Thefind, Inc. | Method for relevancy ranking of products in online shopping |
US20090043671A1 (en) * | 2006-09-14 | 2009-02-12 | Henrik Johansson | System and method for network-based purchasing |
US8131581B1 (en) * | 2007-09-26 | 2012-03-06 | Amazon Technologies, Inc. | Forecasting demand for products |
US8086481B2 (en) * | 2007-11-30 | 2011-12-27 | Caterpillar Inc. | Method for performing a market analysis |
US8234004B2 (en) * | 2008-02-27 | 2012-07-31 | Optricity Corporation | Systems and methods for efficiently determining item slot assignments |
US20120296845A1 (en) * | 2009-12-01 | 2012-11-22 | Andrews Sarah L | Methods and systems for generating composite index using social media sourced data and sentiment analysis |
US9280596B2 (en) * | 2010-07-01 | 2016-03-08 | Salesforce.Com, Inc. | Method and system for scoring articles in an on-demand services environment |
US20120084118A1 (en) * | 2010-09-30 | 2012-04-05 | International Business Machines Corporation | Sales predication for a new store based on on-site market survey data and high resolution geographical information |
US8543446B2 (en) * | 2011-02-28 | 2013-09-24 | The Nielsen Company (Us), Llc. | Methods and apparatus to predict new product performance metrics |
US20120290374A1 (en) * | 2011-05-13 | 2012-11-15 | Dell Products L.P. | Social Marketplace Process and Architecture |
US9031888B2 (en) * | 2011-08-10 | 2015-05-12 | International Business Machines Corporation | Predicting influence in social networks |
US20130339199A1 (en) * | 2012-06-13 | 2013-12-19 | Ebay Inc. | Inventory exchange for managing inventory across multiple sales channels |
US20140143058A1 (en) * | 2012-11-19 | 2014-05-22 | Sam Lessin | Sponsoring venues for targeting a social networking system |
US9122989B1 (en) * | 2013-01-28 | 2015-09-01 | Insidesales.com | Analyzing website content or attributes and predicting popularity |
US20140379310A1 (en) * | 2013-06-25 | 2014-12-25 | Citigroup Technology, Inc. | Methods and Systems for Evaluating Predictive Models |
US9639848B1 (en) * | 2013-09-16 | 2017-05-02 | Amazon Technologies, Inc. | Diffusion prediction based on indicator scoring |
US9799035B2 (en) * | 2013-09-26 | 2017-10-24 | International Business Machines Corporation | Customer feedback analyzer |
-
2014
- 2014-09-25 US US14/496,794 patent/US20150095111A1/en not_active Abandoned
- 2014-09-29 CN CN201410515651.4A patent/CN104517157A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090138365A1 (en) * | 1997-03-21 | 2009-05-28 | Mueller Raymond J | Method and apparatus for selecting a supplemental product to offer for sale during a transaction |
CN1502085A (zh) * | 2001-02-06 | 2004-06-02 | 企业创新潜力的分析 | |
CN1513151A (zh) * | 2001-05-31 | 2004-07-14 | ��ʽ�����ͨTec | 以3指标轴表示的客户价值为基准的销售预测方法 |
US20100169343A1 (en) * | 2008-12-30 | 2010-07-01 | Expanse Networks, Inc. | Pangenetic Web User Behavior Prediction System |
CN102792327A (zh) * | 2010-02-04 | 2012-11-21 | 宝洁公司 | 用于进行消费者调查的方法 |
CN102156932A (zh) * | 2010-02-11 | 2011-08-17 | 阿里巴巴集团控股有限公司 | 一种客户再次购买意向预测方法及装置 |
CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
CN103164806A (zh) * | 2011-12-12 | 2013-06-19 | 国际商业机器公司 | 用于从社会内容获得市场情报的方法和设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475381A (zh) * | 2015-11-19 | 2018-08-31 | 真实眼私人有限公司 | 用于媒体内容的表现的直接预测的方法和设备 |
US11481791B2 (en) | 2015-11-19 | 2022-10-25 | Realeyes Oü | Method and apparatus for immediate prediction of performance of media content |
CN108701322A (zh) * | 2016-02-12 | 2018-10-23 | 开利公司 | 审查冷链配送系统的方法 |
CN110322263A (zh) * | 2018-03-30 | 2019-10-11 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN110322263B (zh) * | 2018-03-30 | 2023-11-03 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US20150095111A1 (en) | 2015-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boone et al. | Forecasting sales in the supply chain: Consumer analytics in the big data era | |
Kliestik et al. | Data-driven machine learning and neural network algorithms in the retailing environment: Consumer engagement, experience, and purchase behaviors | |
Bell et al. | Offline showrooms in omnichannel retail: Demand and operational benefits | |
US20220309539A1 (en) | System and method providing personalized recommendations | |
Danaher et al. | A comparison of online and offline consumer brand loyalty | |
Luo | Quantifying the long-term impact of negative word of mouth on cash flows and stock prices | |
CN104517157A (zh) | 使用社交媒体在可承诺量系统中预测分析的方法和系统 | |
Fosso Wamba et al. | Guest editorial: information technology-enabled supply chain management | |
US20120036079A1 (en) | Building social networks based on commerce | |
Ratchford | Some directions for research in interactive marketing | |
Zvarikova et al. | Retail data measurement tools, cognitive artificial intelligence algorithms, and metaverse live shopping analytics in immersive hyper-connected virtual spaces | |
Wang et al. | Database submission—market dynamics and user-generated content about tablet computers | |
Lekhwar et al. | Big data analytics in retail | |
Oblander et al. | The past, present, and future of customer management | |
Fedorko et al. | Artificial intelligence in e-commerce: A literature review | |
Ilieva et al. | Big data based system model of electronic commerce | |
CN109155041A (zh) | 提供与社交图相关联的基于旅行或促销的推荐 | |
Bürklin et al. | The historical development of social commerce | |
Lee et al. | Defining online to offline (O2O): a systematic approach to defining an emerging business model | |
Gochhait et al. | Role of artificial intelligence (AI) in understanding the behavior pattern: a study on e-commerce | |
Huang et al. | Cloud infrastructure enhancing product competitive advantage of tourism SMEs on online consumption values of tourists | |
Metsai et al. | Customer journey: applications of AI and machine learning in E-commerce | |
Davidavičienė et al. | Quality of elogistics in e-commerce: consumer perception | |
Netter | User Satisfaction and Dissatisfaction in the App Sharing Economy: An Investigation Into Two-sided Mobile Fashion Reselling and Swapping Markets | |
Lv | Intelligent e-commerce Framework for Consumer Behavior Analysis Using Big Data Analytics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190627 Address after: Illinois Applicant after: Asa Conversion Brand Co., Ltd. Address before: Illinois Applicant before: SEARS BRANDS, LLC |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150415 |
|
RJ01 | Rejection of invention patent application after publication |