CN107424029A - 产品推荐方法和产品推荐系统 - Google Patents
产品推荐方法和产品推荐系统 Download PDFInfo
- Publication number
- CN107424029A CN107424029A CN201611139344.6A CN201611139344A CN107424029A CN 107424029 A CN107424029 A CN 107424029A CN 201611139344 A CN201611139344 A CN 201611139344A CN 107424029 A CN107424029 A CN 107424029A
- Authority
- CN
- China
- Prior art keywords
- consumer
- product
- products
- recommend
- recommended
- 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
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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了产品推荐方法和产品推荐系统。所述产品推荐方法包括:从多个消费者当中提取对于特定产品而言受推荐影响的程度满足预定条件的消费者;以及向所提取的消费者推荐该特定产品。
Description
相关申请的交叉引用
本申请以2016年5月23日提交的日本专利申请第2016-102415号为基础,并且要求该专利申请的优先权。
技术领域
本发明涉及一种产品推荐方法和一种产品推荐系统。
背景技术
例如,JP-A-2010-61601公开了这样的一种推荐装置:其通过根据用户操作的细节调整构成用户的喜好的各个属性、元件等的权重,指定要向用户推荐的项目。
发明内容
存在基于消费者的偏好分布和购买历史来向消费者推荐产品的情况。在如上所述那样向消费者推荐产品的情况下,可能存在当推荐产品时对产品的购买意图变强的消费者,同时可能存在即使当推荐产品时对产品的购买意图也没有变得更强的无反应的消费者。期望向由于推荐而使得产品购买意图变得更强的消费者进行推荐。
本发明的至少实施例的目标在于,与在没有将受产品推荐影响的程度纳入考虑时推荐产品的情况相比,提高了使得消费者购买产品的产品推荐效果。
[1]根据本发明的一方面,提供了一种产品推荐方法,包括步骤:从多个消费者当中提取对于特定产品而言受推荐影响的程度满足预定条件的消费者;以及向所提取的消费者推荐该特定产品。
[2]根据[1]所述的产品推荐方法,还可以包括:基于向其推荐了特定产品的消费者对特定产品进行的购买的数量与未向其推荐特定产品的消费者对特定产品进行的购买的数量之间的差,计算受影响的程度。
[3]在根据[1]或[2]所述的产品推荐方法中,该推荐步骤可以包括:在特定产品与其他产品之间的相关性满足预定条件的情况下,将该其他产品连同特定产品一起推荐给所提取的消费者。
[4]在根据[1]或[2]所述的产品推荐方法中,该提取步骤可以包括针对每种产品提取消费者,并且该推荐步骤包括在针对多种产品提取共同消费者的情况下向所提取的共同消费者推荐该多种产品。
[5]在根据[4]所述的产品推荐方法中,该推荐步骤可以包括:在针对相关性满足预定条件的多种产品提取共同消费者的情况下,向所提取的共同消费者推荐该多种产品中的一部分。
[6]根据本发明的另一方面,提供了一种产品推荐方法,使得计算机执行包括以下步骤的处理:从多种产品当中提取这样的产品:对于该产品而言,推荐对特定消费者的影响程度满足预定条件;以及向特定消费者推荐所提取的产品。
[7]根据本发明的另一方面,提供了一种产品推荐系统,包括:提取单元,其从多个消费者当中提取对于特定产品而言受推荐影响的程度满足预定条件的消费者;以及推荐单元,其向所提取的消费者推荐特定产品。
[8]在根据[7]所述的产品推荐系统中,推荐单元可以通过在记录材料上形成特定产品的图像作为输出来推荐特定产品。
根据[1]所述的产品推荐方法,与在没有将受产品推荐影响的程度纳入考虑的情况下推荐产品的情况相比,可提高使得消费者购买该产品的产品推荐效果。
根据[2]所述的产品推荐方法,可容易地计算受产品推荐影响的程度。
根据[3]所述的产品推荐方法,可共同地推荐往往一起购买的多种产品。
根据[4]所述的产品推荐方法,与在没有将受产品推荐影响的程度纳入考虑的情况下推荐产品的情况相比,可推荐对共同消费者的推荐效果高的多种产品。
根据[5]所述的产品推荐方法,在往往分别购买多种产品的情况下,可推荐多种产品中的部分。
根据[6]所述的产品推荐方法,与在没有将向消费者推荐产品的影响程度纳入考虑的情况下推荐消费者的情况相比,可提高使得消费者购买产品的向消费者推荐的效果。
根据[7]所述的产品推荐系统,与在没有将受产品推荐影响的程度纳入考虑的情况下推荐产品的情况相比,可提高使得消费者购买产品的产品推荐效果。
根据[8]所述的产品推荐系统,可向消费者分发其上形成有要推荐的产品的图像的记录材料。
附图说明
将基于以下附图详细地描述本发明的示例性实施例,其中:
图1是示出根据示例性实施例的产品推荐装置的硬件配置的示例的图;
图2是示出根据示例性实施例的产品推荐装置的功能配置的示例的框图;
图3A和图3B是示出对于推荐消费者和非推荐消费者在推荐时段内对目标产品的购买数量与偏好度之间的相关性的示例的曲线图;
图4是示出购买数量的改善度的示例的曲线图;
图5是示出偏好度与购买数量的改善度之间的关系的示例的曲线图;
图6是示出产品推荐装置选择向其推荐目标产品的消费者的处理的过程示例的流程图;
图7是示出选择向其推荐目标产品的消费者的过程的另一示例1的曲线图;
图8是示出选择向其推荐目标产品的消费者的过程的另一示例2的曲线图;
图9A和图9B是示出选择多个目标产品的共同消费者的情况的示例的曲线图;
图10是示出购买率之间具有负相关性的两个目标产品的示例的曲线图;
图11是示出购买率之间具有负相关性的两个目标产品的详细示例的曲线图;
图12是示出购买率之间具有正相关性的两个目标产品的示例的曲线图;
图13是示出购买率之间具有正相关性的两个目标产品的详细示例的曲线图;以及
图14是示出可以应用示例性实施例的图像形成设备的硬件配置的示例的图。
具体实施方式
下文中,将参照附图详细描述本发明的示例性实施例。
<产品推荐装置的硬件配置的示例>
首先,将描述根据示例性实施例的产品推荐装置100的硬件配置。图1是示出根据示例性实施例的产品推荐装置100的硬件配置的示例的图。
根据示例性实施例的产品推荐装置100是产品推荐系统的示例,并且是例如在零售业等中用于向消费者推荐产品的计算机设备。如图所示,产品推荐装置100包括作为运算单元的中央处理单元(CPU)101、作为存储单元的主存储器102、和磁盘装置103。
这里,CPU 101执行诸如操作系统(OS)和应用程序的各种程序,并且实现产品推荐装置100的各种功能。另外,主存储器102是存储各种程序和执行程序所使用的数据等的存储区。另外,磁盘装置103是存储用于各种程序的输入数据、来自各种程序的输出数据等的存储区。
此外,产品推荐装置100包括:与外部进行通信的通信接口(通信I/F)104;包括视频存储器、显示器等的显示机构105;以及诸如键盘、鼠标等的输入装置106。
<产品推荐装置的功能配置>
随后,将描述根据示例性实施例的产品推荐装置100的功能配置。
在示例性实施例中,首先,例如,在超市的店面售卖产品的零售商、在互联网上进行邮购销售的零售商等通过实际上在店面发放广告或者经由互联网分发广告来向消费者推荐产品。这里,可以使用现有方法来进行产品的推荐。例如,基于产品的销售历史、在互联网上访问Web(万维网)网站的历史等来进行对排名靠前的畅销产品的推荐,或者通过协作过滤来推荐产品。通过以下方式执行协作过滤:记录消费者的偏好作为过去的行为,并且基于采取与该消费者类似的行为的其他消费者的偏好信息来估计消费者的偏好。
在使用现有方法预先进行推荐之后,产品推荐装置100从预先推荐的产品当中选择将再次向消费者推荐的目标产品(下文中,被称为目标产品)。此外,产品推荐装置100基于使用现有方法预先进行的推荐的结果来选择应该向其推荐所选择的目标产品的消费者。
图2是示出根据示例性实施例的产品推荐装置100的功能配置的示例的框图。产品推荐装置100包括存储产品的销售历史的销售历史存储单元111、存储与产品有关的各条信息的产品信息存储单元112以及存储与消费者有关的各条信息的消费者信息存储单元113。
另外,产品推荐装置100包括:目标产品选择单元114,其从使用现有方法预先推荐的产品当中选择目标产品;购买数量计数单元115,其对目标产品的购买数量进行计数;以及相关性计算单元116,其计算目标产品的购买数量与稍后将描述的偏好度之间的相关性。此外,产品推荐装置100包括选择向其推荐目标产品的消费者的消费者选择单元117以及向所选择的消费者输出目标产品的信息的产品信息输出单元118。
销售历史存储单元111存储产品的销售历史。销售历史指示与过去售卖的多种产品中的每一种有关的销售记录,并且例如包括诸如消费者购买的产品数量和购买了产品的消费者的数量的各条信息。更具体地,例如,可以例示与各种产品(比如,在超市的店面或互联网的Web网站售卖的食物和日用品)有关的销售记录。同时,虽然可以针对一个商店提供销售历史,但是销售历史可以指示在多个商店或多个不同公司执行的销售记录。
产品信息存储单元112存储与产品有关的各条信息。更具体地,产品信息存储单元112存储例如关于过去售卖的产品、未来计划售卖的产品的各条信息,诸如每种产品的产品名称、产品说明、产品价格和产品图像。另外,产品信息存储单元112可以存储诸如对产品进行分类的分类点和产品的类型的各条信息。
消费者信息存储单元113存储与消费者有关的各条信息。更具体地,消费者信息存储单元113存储例如在店面或经由Web网站购买产品的消费者以及注册为Web网站的会员的消费者的各条信息。可以将例如消费者进行的交易的交易历史、消费者的属性(诸如年龄和性别)以及消费者到目前为止所进行的调查问卷的信息例示为要存储的消费者的各条信息。另外,与消费者有关的各条信息用于计算稍后将描述的偏好度。
目标产品选择单元114从使用现有方法预先推荐的产品当中选择目标产品。这里,在用户通过使用例如输入装置106执行操作输入来指定产品的情况下,目标产品选择单元114选择用户所指定的产品作为目标产品。另外,目标产品选择单元114可以基于例如存储在销售历史存储单元111和产品信息存储单元112中的各条信息来指定使用现有方法预先推荐的产品,并且可以从被指定为目标产品的产品当中选择满足预定偏好的产品。可以将总购买数量等于或大于阈值的产品以及购买人数等于或大于阈值的产品例示为满足预定偏好的产品。
购买数量计数单元115基于存储在销售历史存储单元111和消费者信息存储单元113中的各条信息来提取对其使用现有方法预先进行目标产品推荐的消费者(下文中,称为推荐消费者)以及没有对其预先进行目标产品推荐的消费者(下文中,称为非推荐消费者)。此外,购买数量计数单元115针对每个消费者而对推荐消费者在使用现有方法预先推荐目标产品的时段(下文中,称为推荐时段)内购买目标产品的购买数量以及非推荐消费者在推荐时段内购买目标产品的购买数量进行计数。
更具体地,购买数量计数单元115基于存储在销售历史存储单元111和消费者信息存储单元113中的各条信息来以预定人数(例如,500人)提取推荐消费者和非推荐消费者。在这种情况下,购买数量计数单元115针对各个消费者而对所提取的推荐消费者(即,500人)在推荐时段内购买目标产品的购买数量以及所提取的非推荐消费者(即,500人)在推荐时段内购买目标产品的购买数量进行计数。
这里,购买数量计数单元115可以随机地提取推荐消费者和非推荐消费者或者可以从满足预定条件的消费者当中提取推荐消费者和非推荐消费者。可以将例如过去购买的目标产品的数量等于或大于阈值的消费者、在过去一个月内购买了目标产品的消费者等例示为满足预定条件的消费者。
相关性计算单元116针对就购买数量计数单元115所提取的推荐消费者和非推荐消费者而言的每个消费者来计算指示对目标产品的偏好程度的偏好度。此外,相关性计算单元116计算推荐消费者在推荐时段内对目标产品的购买数量与偏好度之间的相关性。另外,相关性计算单元116计算非推荐消费者在推荐时段内对目标产品的购买数量与偏好度之间的相关性。
图3A和图3B是示出推荐消费者和非推荐消费者在推荐时段内对目标产品的购买数量与偏好度之间的相关性的示例的曲线图。在图3A和图3B所示的曲线图中,纵轴表示每个消费者在推荐时段内购买的目标产品的购买数量。另外,横轴表示对于目标产品的偏好度。此外,图3A所示的曲线图是通过针对各自的消费者绘制推荐消费者和非推荐消费者的数据的曲线而获取的。即,根据偏好度来绘制推荐消费者和非推荐消费者的曲线。另外,图3B所示的曲线图是基于图3A所示的数据通过例如最小二乘法等而生成的回归曲线。
例如,图3B所示的推荐消费者A对目标产品的偏好度为A1,并且在推荐时段内对目标产品的购买数量为A2。另外,例如,图3B所示的非推荐消费者B对目标产品的偏好度为B1,并且在推荐时段内对目标产品的购买数量为B2。此外,例如,在偏好度为C1的情况下,推荐消费者对目标产品进行的购买数量为C2,并且非推荐消费者对目标产品进行的购买数量为C3。
以该方式,相关性计算单元116计算推荐消费者和非推荐消费者在推荐时段内对目标产品的购买数量与偏好度之间的相关性。
同时,基于存储在销售历史存储单元111、产品信息存储单元112和消费者信息存储单元113中的各条信息来计算偏好度。更具体地,例如,基于存储在销售历史存储单元111中的销售历史信息,通过随着消费者进行的购买数量多而增大消费者的偏好度以及通过随着消费者进行的购买频率高而增大消费者的偏好度,来计算对某一产品的偏好度。同时,可以使用对产品的购买数量作为偏好度。
另外,例如,基于存储在销售历史存储单元111中的销售历史的信息,可以使用上述的协作过滤技术来计算偏好度。在这种情况下,例如,首先,通过协作过滤来计算每个消费者的相似度。此外,例如,在一个消费者类似于其他消费者的情况下,通过推测出对于所述一个消费者来说偏好度高的产品对于其他消费者来说具有高偏好度来计算偏好度。
此外,例如,基于消费者的属性和产品的相似度来计算偏好度。例如,在基于消费者的属性来计算偏好度的情况下,根据存储在消费者信息存储单元113中的各条信息(比如,消费者的年龄、性别和地址)来对各个消费者进行分组。此外,例如,计算对于一组中的多个消费者而言偏好度高的产品的偏好度,同时推测同一组中的其他消费者对该产品的偏好度高。另外,例如,在基于产品的相似程度来计算偏好度的情况下,基于存储在产品信息存储单元112中的产品的信息来计算每种产品的相似度。此外,例如,在一种产品类似于其他产品的情况下,通过推测出对一种产品具有高偏好度的消费者对其他产品具有高偏好度来计算偏好度。
作为执行单元的示例的消费者选择单元117基于相关性计算单元116计算出的相关性,选择向其推荐目标产品的消费者。稍后将详细地描述选择消费者的过程。
作为推荐单元的示例的产品信息输出单元118在以消费者选择单元117选择的消费者为目标的同时输出目标产品的各条信息。这里,产品信息输出单元118从产品信息存储单元112获取目标产品的各条信息。此外,在产品信息输出单元118通过例如图中未示出的网络将所获取的目标产品的各条信息传送至消费者选择单元117所选择的消费者持有的终端装置的情况下,进行目标产品的推荐。
同时,按照使得软件资源和硬件资源一起工作的方式实现构成图2所示的产品推荐装置100的各功能单元中的每一个。具体地,在CPU 101从例如磁盘装置103读取实现目标产品选择单元114、购买数量计数单元115、相关性计算单元116、消费者选择单元117、产品信息输出单元118等的程序并且在主存储器102中执行程序的情况下,实现了功能单元。另外,销售历史存储单元111、产品信息存储单元112和消费者信息存储单元113由例如磁盘装置103实现。
<消费者选择过程的说明>
随后,将详细描述消费者选择单元117选择向其推荐目标产品的消费者的过程。
首先,消费者选择单元117基于相关性计算单元116计算出的相关性,计算在推荐时段内推荐消费者进行的购买数量与非推荐消费者进行的购买数量之差。此外,购买数量之差是针对具有相同偏好度的推荐消费者和非推荐消费者的、通过从在推荐时段内推荐消费者进行的购买数量减去非推荐消费者进行的购买数量而获取的值。可以将该值理解为通过推荐目标产品而获取的购买数量的增加量(改善度),下文中,存在被称为“购买数量的改善度”的情况。在示例性实施例中,使用购买数量的改善度作为由于推荐而导致的影响程度的示例。
另外,随着购买数量的改善度大,由目标产品的推荐导致的购买数量的增大量大。因此,通过推荐目标产品,其偏好度在购买数量的改善度的最大值附近的消费者的购买意图增加,并且期望消费者购买更多数量的目标产品。这里,在示例性实施例中,消费者选择单元117选择该消费者作为应该向其推荐目标产品的消费者。
更具体地,例如,消费者选择单元117针对其各条信息存储在消费者信息存储单元113中的消费者来计算各个消费者的偏好度。此外,消费者选择单元117从已计算出其偏好度的消费者当中选择其偏好度在购买数量的改善度的最大值附近的消费者作为应该向其推荐目标产品的消费者。这里,可以将在购买数量的改善度的最大值附近的偏好度例示为例如这样的偏好度,其处于从购买数量的改善度变为最大值的偏好度开始的预定范围内。
这里,虽然消费者选择单元117从其各条信息存储在消费者信息存储单元113中的消费者当中选择应该向其推荐目标产品的消费者,但是本发明可以不限于该配置。例如,消费者选择单元117可以限制推荐消费者和非推荐消费者,并且可以从消费者当中选择应该向其推荐目标产品的消费者。
同时,在示例性实施例中,使用其偏好度在购买数量的改善度的最大值附近的消费者作为其受影响程度满足预定条件的消费者的示例。
图4是示出购买数量的改善度的示例的曲线图。在图4所示的曲线图中,纵轴表示在推荐时段内每个消费者购买的目标产品的购买数量。另外,横轴表示对目标产品的偏好度。此外,图4示出了表现推荐消费者进行的购买数量与偏好度之间的相关性的回归曲线以及非推荐消费者进行的购买数量与偏好度之间的相关性的回归曲线。例如,与区域T1和区域T2中的购买数量的改善度相比,区域T3中的购买数量的改善度较大。
另外,图5是示出偏好度与购买数量的改善度之间的关系的示例的曲线图。在图5所示的曲线图中,纵轴表示对目标产品的购买数量的改善度,横轴表示对目标产品的偏好度。另外,例如,图5所示的曲线图是通过从图4所示的推荐消费者的回归曲线的值中减去非推荐消费者的回归曲线的值而生成的。在图5所示的示例中,区域T4是在购买数量的改善度的最大值附近的区域。因此,消费者选择单元117指定区域T4的偏好度。此外,消费者选择单元117针对其各条信息存储在消费者信息存储单元113的每个消费者计算偏好度,并且选择其偏好度在区域T4中的消费者。
同时,购买数量的改善度可以是与由目标产品的推荐导致的购买数量的增加量有关的指数,并且不限于在推荐时段内推荐消费者进行的购买数量与非推荐消费者进行的购买数量差。例如,假设在推荐时段之前的固定时段内推荐消费者进行的购买数量与在推荐时段期间的固定时段内推荐消费者进行的购买数量之差是推荐消费者的改善度。另外,假设在推荐时段之前的固定时段内非推荐消费者进行的购买数量与在推荐时段期间的固定时段内非推荐消费者进行的购买数量之差是非推荐消费者的改善度。此外,可以将通过从推荐消费者的改善度减去非推荐消费者的改善度而获取的值用作购买数量的改善度。
<选择向其推荐目标产品的消费者的处理的过程>
随后,将描述根据示例性实施例的产品推荐装置1000选择向其推荐目标产品的消费者的处理的过程。图6是示出产品推荐装置100选择向其推荐目标产品的消费者的处理的过程的示例的流程图。这里,将以使用现有方法预先进行产品推荐的这种方式进行描述。
首先,目标产品选择单元114从使用现有方法预先进行推荐的产品中选择目标产品(步骤101)。随后,购买数量计数单元115基于存储在销售历史存储单元111和消费者信息存储单元113中的各条信息,以预定人数提取推荐消费者和非推荐消费者(步骤102)。随后,购买数量计数单元115针对每个消费者而对以所提取的推荐消费者和非推荐消费者在推荐时段内购买目标产品的这种方式获取的购买数量进行计数(步骤103)。
随后,相关性计算单元116针对就推荐消费者和非推荐消费者而言的每个消费者来计算对目标产品的偏好度(步骤104)。随后,相关性计算单元116计算推荐消费者和非推荐消费者在推荐时段内对目标商品的购买数量与偏好度之间的相关性(步骤105)。在步骤105中,例如,如图3B所示,相关性计算单元116计算表现推荐消费者进行的购买数量与偏好度之间的相关性的回归曲线以及表现非推荐消费者进行的购买数量与偏好度之间的相关性的回归曲线。随后,消费者选择单元117基于相关性计算单元116计算出的相关性来计算购买数量的改善度(步骤106)。随后,消费者选择单元117指定在购买数量的改善度的最大值附近的偏好度(步骤107)。
随后,消费者选择单元117从其各条信息存储在消费者信息存储单元113中的消费者当中选择具有所指定的偏好度的消费者(步骤108)。在步骤108中,消费者选择单元117针对其各条信息存储在消费者信息存储单元113中的各个消费者而计算对目标产品的偏好度。此外,从已计算出其偏好度的消费者当中选择具有所指定的偏好度的消费者。随后,产品信息输出单元118通过以消费者选择单元117选择的消费者为目标来输出目标产品的信息(步骤109)。此后,处理的流程结束。同时,在存在使用现有方法预先进行推荐的其他产品的情况下,目标产品选择单元114可以连续地选择目标产品,并且可以重复执行步骤101至109中的处理。
另外,在上述示例中,在步骤104和步骤108中计算偏好度。然而,本发明不限于该配置。可以定期地(例如,每月)计算对每种产品的偏好度。在步骤104和步骤108中预先计算偏好度的情况下,可以使用预先计算的偏好度来执行处理。
<选择消费者的过程的其他示例1的描述>
随后,将描述选择向其推荐目标产品的消费者的过程的其他示例。在上述示例中,消费者选择单元117通过指定在购买数量的改善度的最大值附近的偏好度来选择消费者。这里,在存在两个或更多个超过预定阈值的购买数量改善度的情况下,消费者选择单元117可以选择具有较高偏好度的消费者以便选择具有喜爱目标产品的可能性的消费者。
图7是示出选择向其推荐目标产品的消费者的过程的其他示例1的曲线图。在图7所示的曲线图中,纵轴表示对目标产品的购买数量的改善度,而横轴表示对目标产品的偏好度。此外,区域T5和区域T6是购买数量的改善度超过预定阈值的区域。这里,消费者选择单元117从区域T5和区域T6中选择其偏好度更高的区域T6。此外,消费者选择单元117选择具有区域T6的偏好度的消费者作为向其推荐目标产品的消费者。
同时,在该示例中,选择具有较高偏好度的消费者以便选择最有可能喜爱目标产品的消费者。然而,本发明不限于此。消费者选择单元117可以选择具有较低偏好度(在图7所示的示例中,区域T5的偏好度)的消费者,以便通过激起例如具有较低偏好度的消费者的需求来开拓新的购买者。
<选择消费者的过程的其他示例2的描述>
消费者选择单元117可以将消费者划分成多个组,可以针对每组计算偏好度与购买数量的改善度之间的关系,并且可以通过在多个组指定在购买数量的改善度的最大值附近的偏好度来选择消费者。
图8是示出选择向其推荐目标产品的消费者的过程的其他示例2的曲线图。在图8所示的曲线图中,纵轴表示对目标产品的购买数量的改善度,而横轴表示对目标产品的偏好度。此外,消费者被划分成三组,即,组A、组B和组C,针对每组示出了偏好度和购买数量的改善度之间的关系。这里,在每组中,购买数量的改善度在偏好度接近D1的情况下变为最大。然而,组A的购买数量的改善度高于其他组的购买数量的改善度。这里,消费者选择单元117从多个组当中选择购买数量的改善度最高的区域T7。此外,消费者选择单元117选择属于组A且其偏好度处于区域T7中的消费者作为向其推荐目标产品的消费者。
这里,基于例如每个消费者的属性、购买历史或推荐历史等来设置多个组。另外,针对所设置的每个组以预定人数提取推荐消费者和非推荐消费者。此外,如图8所示,针对每组计算偏好度与购买数量的改善度之间的关系。
同时,在该示例中,从多个组当中选择其偏好度在购买数量改善度最高的区域中的消费者。然而,本发明不限于该配置。消费者选择单元117可以通过在例如多个组中的每个组中指定在最大值附近的偏好度或者指定购买数量改善度超过预定阈值的偏好度来针对每组选择消费者。如上所述,在针对每组选择消费者的情况下,根据消费者的属性、购买历史和推荐历史来选择应该向其推荐目标产品的消费者。
<选择目标产品的过程的其他示例1的描述>
随后,将描述选择目标产品的过程的其他示例1。
在针对多种目标产品中的每一种选择消费者的情况下,可想到针对两种或更多种目标产品选择共同消费者的情况。在该情况下,可以向所选择的消费者推荐多种目标产品。
图9A和图9B是示出选择多种目标产品的共同消费者的情况的示例的曲线图。在图中所示的示例中,多种目标产品被描述为产品A和产品B。图9A是示出对产品A的偏好度与购买数量的改善度之间的关系的曲线图。图9B是示出对产品B的偏好度与购买数量的改善度之间的关系的曲线图。
在图9A所示的示例中,选择消费者a作为具有在购买数量的改善度的最大值附近的偏好度的消费者。换言之,选择消费者a作为向其推荐产品A的消费者。另外,在图9B所示的示例中,选择消费者a作为具有在购买数量的改善度的最大值附近的偏好度的消费者。换言之,选择消费者a作为向其推荐产品B的消费者。以该方式,向消费者a推荐产品A和产品B这两者。同时,在图9A和图9B所示的示例中,示出了多种目标产品为两种的情况。然而,多种目标产品可以是三种或更多种。
<选择目标产品的过程的其他示例2的描述>
类似于选择目标产品的过程的其他示例1,可想到如下情况:即使向共同消费者推荐多种目标产品,推荐效果也不是期望的。例如,在产品A和产品B相似并且存在一起购买产品A和产品B的少量消费者的情况下,可想到,即使向共同消费者推荐产品A和产品B这两者,推荐效果也不是期望的。
更具体地,在产品B的购买率随着产品A的购买率上升而降低并且因而产品A的购买率和产品B的购买率具有负相关性(即,相关系数为负值)的情况下,可想到,即使向共同消费者推荐产品A和产品B这两者,消费者一起购买产品A和产品B的可能性也低,因而,推荐效果不是期望的。如上所述,在即使推荐多个目标产品而推荐效果也不是期望的情况下,产品信息输出单元118可以根据预定基准来选择各目标产品中的任一种,并且向消费者推荐该目标产品。
同时,可以例示的是,两种产品的购买率具有负相关性的情况是例如两个购买率的相关系数小于预定值的情况。
另外,产品的购买率是例如购买产品的消费者在访问超市或Web网站的所有消费者当中所占的百分比。假设例如每营业日或每营业时间基于存储在销售历史存储单元111中的信息计算购买率的值。
图10是示出在其购买率之间具有负相关性的两个目标产品的示例的曲线图。在图10所示的曲线图中,纵轴表示产品A的购买率,而横轴表示产品B的购买率。在该图所示的示例中,在假设在超市售卖目标产品的情况下进行描述。在该情况下,产品A的购买率是购买产品A的消费者在光顾超市的所有消费者当中所占的百分比。另外,产品B的购买率是购买产品B的消费者在光顾超市的所有消费者当中所占的百分比。此外,图10示出了产品B的购买率随着产品A的购买率上升而降低,因而,产品A的购买率和产品B的购买率具有负相关性。
在这种情况下,产品信息输出单元118根据预定基准来推荐产品A和产品B中的任一种目标产品。可以例示预定基准,包括例如选择毛利和利润率高的产品、选择库存量大的产品以及选择推荐成本低的产品。
图11是示出其购买率之间具有负相关性的两个目标产品的详细示例的曲线图。在图11所示的曲线图中,纵轴表示生菜A的购买率,横轴表示生菜B的购买率。如图所示,两种目标产品的购买率表现出负相关性。即,购买生菜B的消费者的数量越大,购买生菜A的消费者的数量就越小,并且购买生菜A的消费者的数量越大,购买生菜B的消费者的数量越小。在该情况下,根据预定基准来推荐生菜A和生菜B中的任一种。
同时,如上所述,例如每营业日或每营业时间计算每种产品的购买率的值。此外,基于计算出的购买率的值来确定多种目标产品的购买率是否指示负相关性。这里,对于每种产品,可以预先设置购买率指示负相关性的其他产品的信息。在这种情况下,在为共同消费者选择多种目标产品的情况下,产品信息输出单元118可以使用预先设置的信息来确定多种目标产品是否指示负相关性。
另外,这里,对多种目标产品为两种的情况进行描述。例如,在向共同消费者推荐产品A、产品B和产品C的情况下,基于产品A与产品B之间的相关性、产品B与产品C之间的相关性和产品A与产品C之间的相关性来推荐所有三种产品、三种产品中的两种产品或者三种产品中的任一种。
<选择目标产品的过程的其他示例3的描述>
另外,如果在推荐目标产品的情况下存在往往与该目标产品一起购买的其他产品,则产品信息输出单元118可以将其他产品连同该目标产品一起推荐。更具体地,在其他产品的购买率随着一种产品的购买率上升而上升并因而一种产品的购买率和其他产品的购买率具有正相关性(即,相关系数为正)的情况下,产品信息输出单元118可以将其他产品连同该一种产品一起推荐。
同时,可以例示的是,两种产品的购买率具有正相关性的情况是例如两种产品的购买率的相关系数大于预定值的情况。
图12是示出购买率之间具有正相关性的两种目标产品的示例的曲线图。在图12所示的曲线图中,纵轴表示产品A的购买率,横轴表示产品C的购买率。这里,图12示出了产品C的购买率随着产品A的购买率上升而上升,因而,产品A的购买率和产品C的购买率具有正相关性。即,购买产品A的消费者数量越大,购买产品C的消费者数量就越大,并且购买产品C的消费者数量越大,购买产品A的消费者数量就越大。在该情况下,购买产品A的消费者往往一起购买产品C,并且期望通过一起推荐产品A和产品C而使对这两种产品的购买数量都增加的推荐效果。这里,在产品信息输出单元118向消费者推荐产品A的情况下,产品信息输出单元118将产品C连同产品A一起推荐。
图13是示出购买率之间具有正相关性的两种目标产品的详细示例的曲线图。在图13所示的曲线图中,纵轴表示烤鸡A的购买率,横轴表示烤鸡B的购买率。如图所示,两个目标产品的购买率指示正相关性。即,购买烤鸡A的消费者数量越大,购买烤鸡B的消费者数量就越大,并且购买烤鸡B的消费者数量越大,购买烤鸡A的消费者数量就越大。在该情况下,推荐烤鸡A和烤鸡B这两者。
同时,类似于选择目标产品的过程的其他示例2,可以针对每一产品预先设置购买率指示正相关性的其他产品的信息。在该情况下,在产品信息输出单元118推荐一种产品时,产品信息输出单元118可以使用预先设置的信息来指定相对于一种产品的购买率指示正相关性的其他产品,并且可以共同地推荐一种产品和其他产品。
另外,这里,对连同一种产品一起推荐的其他产品为一种的情况进行描述。然而,在存在两种或更多种相对于一种产品的购买率指示正相关性的其他产品的情况下,产品信息输出单元118可以将两种或更多种其他产品连同一种产品一起推荐。
此外,选择目标产品的过程的其他示例2和其他示例3不限于使用图6所示的处理选择目标产品的情况。可以独立地执行其他示例2或其他示例3中的选择目标产品的过程的处理。即,在向消费者推荐产品的情况下,产品信息输出单元118可以如在选择目标产品的过程的示例2中一样不推荐一起具有负相关性的多种产品,或者可以如在选择目标产品的过程的示例3中一样推荐一起具有正相关性的多种产品。
<产品推荐装置的硬件配置的另一示例>
同时,可以在具有打印功能的图像形成设备中实现根据示例性实施例的产品推荐装置100的处理。这里,在假设产品推荐装置100的处理由图像形成设备实现的情况下描述硬件配置。
图14是示出可以应用示例性实施例的图像形成设备的硬件配置的示例的图。
如图所示,产品推荐装置100包括中央处理单元(CPU)121、随机存取存储器(RAM)122、只读存储器(ROM)123、硬盘驱动器(HDD)124、操作面板125、图像读取单元126、图像形成单元127和通信接口(下文中,写为“通信I/F”)128。
CPU 121通过向RAM 122描绘并执行存储在ROM 123等中的各种程序来实现构成图2所示的产品推荐装置100的功能单元中的每一个。
RAM 122是用作CPU 121的工作存储器的存储器。
ROM 123是存储CPU 121执行的各种程序等的存储器。
HDD 124是例如存储由图像读取单元126读取的图像数据和用于在图像形成单元127中形成图像的图像数据等的磁盘装置。
操作面板125是例如显示各条信息并从用户接收操作输入的触摸面板。
图像读取单元126读取记录在诸如纸张的记录材料上的图像。这里,图像读取单元126是例如扫描器,并且可以使用电荷耦合器件(CCD)方法或接触图像传感器(CIS)方法,该CCD方法通过透镜来减少从光源向原稿照射的光的反射光并使用CCD来接收反射光,该CIS方法接收从LED光源向原稿照射的光的反射光。
图像形成单元127是在诸如纸张的记录材料上形成图像的打印机构。这里,图像形成单元127可以是例如打印机,并且可以使用用于通过将附于感光体的调色剂转印到记录材料来形成图像的电子照相处理或者通过在记录材料上排出墨来形成图像的喷墨方法。
通信I/F 128起到通信接口的作用,该通信接口通过图中未示出的网络将各种数据发送至其他装置以及从其他装置接收各种数据。
如上所述,在通过图像形成设备实现产品推荐装置100的处理的情况下,产品信息输出单元118可以在纸张上形成与目标产品相关的各条信息,并且可以输出信息。在这种情况下,产品信息输出单元118由图像形成单元127实现。
此外,作为与目标产品相关的各条信息,例如,包括产品名称、产品说明、产品价格和产品图像等的各条信息形成在纸张上并输出。在将其上形成有与目标产品相关的各条信息的纸张作为广告直接分发给例如消费者、作为报纸的插入广告分发或者直接在店面处展示的情况下,向消费者推荐产品。
这里,在如在选择目标产品的过程的示例1和示例3中一样向共同消费者推荐多种产品的情况下,可以针对每种产品改变图像的颜色或者可以针对每种产品改变纸张内的空间比率。例如,产品信息输出单元118可以通过对多种产品当中毛利和利润率最大的产品的各条信息着色、并且使得其他产品的各条信息以黑色和白色着色来输出各条信息。
另外,产品推荐装置100的功能可以通过将该功能划分成多个装置来实现。例如,销售历史存储单元111、产品信息存储单元112、消费者信息存储单元113、目标产品选择单元114、购买数量计数单元115、相关性计算单元116和消费者选择单元117的功能可以由图1所示的计算机设备实现,并且产品信息输出单元118的功能可以由图14所示的图像形成设备实现。在该情况下,可以将计算机设备和图像形成设备理解为产品推荐系统的示例。
另外,在该示例性实施例中,购买数量计数单元115在不将各个消费者的偏好度纳入考虑的情况下提取推荐消费者和非推荐消费者。然而,本发明不限于该配置。例如,在预先计算各个消费者的偏好度之后,可以根据偏好度的值来提取推荐消费者和非推荐消费者。更具体地,例如,购买数量计数单元115可以基于预先计算出的偏好度提取推荐消费者和非推荐消费者,以使得存在包括偏好度低的消费者和偏好度高的消费者在内的消费者。
此外,在示例性实施例中,在使用现有方法向消费者预先推荐目标产品之后,提取推荐消费者和非推荐消费者。然而,本发明不限于该配置。例如,提前提取推荐消费者和非推荐消费者的候选人,并且可以不对所提取的非推荐消费者的候选人预先进行推荐,而可以使用现有方法对所提取的推荐消费者的候选人预先进行推荐。
另外,在该示例性实施例中,产品信息输出单元118将目标产品的各条信息输出至所选的消费者。然而,例如,在存在与该目标产品相似的其他产品的情况下,可以将其他产品的各条信息输出至所选的消费者。
此外,在上述示例中,根据示例性实施例的产品推荐装置100确定目标产品并选择向其推荐目标产品的消费者。然而,产品推荐装置100可以确定作为产品推荐的目标的消费者(下文中,称为目标消费者),并且可以选择应该向该目标消费者推荐的产品。
在这种情况下,目标消费者由例如用户的操作输入来确定。另外,使用现有方法预先推荐多种产品,并且消费者选择单元117针对预先推荐的每种产品计算如图5所示的偏好度与购买数量的改善度之间的关系。此外,消费者选择单元117从多种产品当中提取目标消费者的偏好度在购买数量的最大改善度附近的产品。这里,可以将所提取的产品理解为这样的产品的示例:在向目标消费者推荐该产品的情况下由于推荐引起的影响程度满足预定条件。此外,产品信息输出单元118向目标消费者推荐所提取的产品。
同时,可以由通信单元提供实现本发明的示例性实施例的程序,并且可以在将程序存储在诸如CD-ROM的记录介质中之后提供程序。
为了说明和描述的目的而提供了本发明的示例性实施例的以上描述。其不旨在对本发明进行详尽说明或将本发明限于所公开的确切形式。显而易见,许多修改和变型对于本领域技术人员是明显的。选择并描述实施例是为了最好地说明本发明的原理及其实际应用,从而使得本领域技术人员能够根据各种实施例以及适合于所预期的特定用途的各种修改来理解本发明。本发明的范围由所附权利要求及其等同方案来限定。
Claims (8)
1.一种产品推荐方法,包括步骤:
从多个消费者当中提取对于特定产品而言受推荐影响的程度满足预定条件的消费者;以及
向所提取的消费者推荐所述特定产品。
2.根据权利要求1所述的产品推荐方法,还包括:
基于向其推荐了所述特定产品的消费者对所述特定产品进行的购买的数量与未向其推荐所述特定产品的消费者对所述特定产品进行的购买的数量之间的差,计算所述受影响的程度。
3.根据权利要求1或2所述的产品推荐方法,
其中,所述推荐步骤包括:在所述特定产品与其他产品之间的相关性满足预定条件的情况下,将所述其他产品连同所述特定产品一起推荐给所提取的消费者。
4.根据权利要求1或2所述的产品推荐方法,
其中,所述提取步骤包括针对每种产品提取消费者,并且
所述推荐步骤包括:在针对多种产品提取共同消费者的情况下,向所提取的共同消费者推荐所述多种产品。
5.根据权利要求4所述的产品推荐方法,
其中,所述推荐步骤包括:在针对相关性满足预定条件的多种产品提取共同消费者的情况下,向所提取的共同消费者推荐所述多种产品中的一部分。
6.一种产品推荐方法,使得计算机执行包括以下步骤的处理:
从多种产品当中提取这样的产品:对于该产品而言,推荐对特定消费者的影响程度满足预定条件;以及
向所述特定消费者推荐所提取的产品。
7.一种产品推荐系统,包括:
提取单元,其从多个消费者当中提取对于特定产品而言受推荐影响的程度满足预定条件的消费者;以及
推荐单元,其向所提取的消费者推荐所述特定产品。
8.根据权利要求7所述的产品推荐系统,
其中,所述推荐单元通过在记录材料上形成所述特定产品的图像作为输出来推荐所述特定产品。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-102415 | 2016-05-23 | ||
JP2016102415A JP6728972B2 (ja) | 2016-05-23 | 2016-05-23 | プログラム、商品推薦システム及び商品推薦方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107424029A true CN107424029A (zh) | 2017-12-01 |
Family
ID=57530565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611139344.6A Pending CN107424029A (zh) | 2016-05-23 | 2016-12-12 | 产品推荐方法和产品推荐系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20170337586A1 (zh) |
EP (1) | EP3249598A1 (zh) |
JP (1) | JP6728972B2 (zh) |
CN (1) | CN107424029A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112437943A (zh) * | 2018-07-18 | 2021-03-02 | 斯道埃弗斯公司 | 计算电子处理平台上的物品瞄准 |
CN112446730A (zh) * | 2019-08-28 | 2021-03-05 | 富士施乐株式会社 | 信息处理装置及记录媒体 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11257123B1 (en) * | 2017-08-31 | 2022-02-22 | Square, Inc. | Pre-authorization techniques for transactions |
US20220156763A1 (en) * | 2019-01-30 | 2022-05-19 | Walmart Apollo, Llc | Allocating search engine marketing budget based on marginal return on advertisement spend |
US10990992B1 (en) | 2019-11-13 | 2021-04-27 | Capital One Services, Llc | Systems and methods for assisting users in assessing costs of transactions |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020128910A1 (en) * | 2001-01-10 | 2002-09-12 | Takuya Sakuma | Business supporting system and business supporting method |
CN101059854A (zh) * | 2006-04-19 | 2007-10-24 | 腾讯科技(深圳)有限公司 | 在线广告动态投放系统及方法 |
US8762201B1 (en) * | 2006-05-15 | 2014-06-24 | Amdocs Software Systems Limited | Advertisement system, method and computer program product |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001175761A (ja) * | 1999-12-21 | 2001-06-29 | Mediaseek Inc | 顧客のプロファイル、購買履歴、および情報への関心度に応じた情報・広告、サービス提供方法、および顧客データの管理方法 |
JP2003167990A (ja) * | 2001-11-30 | 2003-06-13 | Fujitsu Ltd | 商品情報収集システム及び方法 |
JP2005128853A (ja) * | 2003-10-24 | 2005-05-19 | Tokyu Station Retail Service:Kk | 販促キャンペーン効果測定システム及び販促キャンペーン効果測定方法及びレジスター |
JP5205895B2 (ja) * | 2007-09-25 | 2013-06-05 | 富士通株式会社 | 情報推奨装置 |
JP5403895B2 (ja) * | 2007-10-31 | 2014-01-29 | 株式会社東芝 | 情報提供サーバおよび情報提供方法 |
JP4650541B2 (ja) | 2008-09-08 | 2011-03-16 | ソニー株式会社 | 推薦装置および方法、プログラム、並びに記録媒体 |
US8572655B2 (en) * | 2009-09-09 | 2013-10-29 | Verizon Patent And Licensing Inc. | Video on demand (VOD) recommendations based on user viewing history |
JP2012008765A (ja) * | 2010-06-24 | 2012-01-12 | Sony Corp | 広告効果測定装置、広告効果測定方法、プログラムおよび電子広告装置 |
CN102402757A (zh) * | 2010-09-15 | 2012-04-04 | 阿里巴巴集团控股有限公司 | 信息提供方法及装置、综合关联度确定方法及装置 |
US20160275590A1 (en) * | 2015-03-18 | 2016-09-22 | Ebay, Inc | Alternate product recommendations |
-
2016
- 2016-05-23 JP JP2016102415A patent/JP6728972B2/ja active Active
- 2016-10-28 US US15/338,047 patent/US20170337586A1/en not_active Abandoned
- 2016-12-08 EP EP16202892.2A patent/EP3249598A1/en not_active Withdrawn
- 2016-12-12 CN CN201611139344.6A patent/CN107424029A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020128910A1 (en) * | 2001-01-10 | 2002-09-12 | Takuya Sakuma | Business supporting system and business supporting method |
CN101059854A (zh) * | 2006-04-19 | 2007-10-24 | 腾讯科技(深圳)有限公司 | 在线广告动态投放系统及方法 |
US8762201B1 (en) * | 2006-05-15 | 2014-06-24 | Amdocs Software Systems Limited | Advertisement system, method and computer program product |
Non-Patent Citations (1)
Title |
---|
司亚清等: "基于Logistic模型的电信业务潜在用户预测研究", 《软件》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112437943A (zh) * | 2018-07-18 | 2021-03-02 | 斯道埃弗斯公司 | 计算电子处理平台上的物品瞄准 |
CN112446730A (zh) * | 2019-08-28 | 2021-03-05 | 富士施乐株式会社 | 信息处理装置及记录媒体 |
Also Published As
Publication number | Publication date |
---|---|
EP3249598A1 (en) | 2017-11-29 |
US20170337586A1 (en) | 2017-11-23 |
JP2017211699A (ja) | 2017-11-30 |
JP6728972B2 (ja) | 2020-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feldman et al. | Customer choice models vs. machine learning: Finding optimal product displays on Alibaba | |
CN107424029A (zh) | 产品推荐方法和产品推荐系统 | |
Rundle‐Thiele et al. | A brand for all seasons? A discussion of brand loyalty approaches and their applicability for different markets | |
US10755335B2 (en) | Recording medium, product recommendation system, and product recommendation method | |
Brengman et al. | Segmenting Internet shoppers based on their Web-usage-related lifestyle: a cross-cultural validation | |
Baker | Market definition: An analytical overview | |
Werden | Assigning market shares | |
Li et al. | The impact of product photo on online consumer purchase intention: an image-processing enabled empirical study | |
KR102097045B1 (ko) | 사용자의 특성을 반영하여 상품을 추천하는 방법 및 장치 | |
Saura et al. | Retail innovativeness: Importance of ICT and impact on consumer behaviour | |
Paruchuri | Market segmentation, targeting, and positioning using machine learning | |
Suyanto et al. | Marketing mix on purchase intention and its impact on the decision to purchase Somethinc products | |
Kim | Investigating the effect of customer-generated content on performance in online platform-based experience goods market | |
Motwani | Prediction of Buying Intention for Online Shopping: An Empirical Study. | |
Hung et al. | Is information quality on a shopping website a deciding factor for South African consumers? | |
Bodoh-Creed et al. | Using machine learning to predict price dispersion | |
Amiri | A study of marketing strategy adopted by edible oil wholesalers in Pune city | |
Duch-Brown | Platforms to business relations in online platform ecosystems | |
JP2021043899A (ja) | 価値観クラスター生成装置、コンピュータプログラム、価値観クラスター付与方法、データベース統合方法及び広告提供方法 | |
Sajedikhah et al. | Historical effect of verified purchases and ordinary users’ testimonials on the sales rank of experience and search goods | |
Kristiyono et al. | THE ROLE OF SOCIAL MEDIA MARKETING (SMM) IN BuILDING FROzEN FOOD BRAND LOYALTY | |
Washisht et al. | A comparative study of customer satisfaction of myntra and ajio | |
Liu et al. | Seller Experience and Transaction Prices on a Blockchain-Enabled Marketplace | |
Qiu et al. | The implications of group-buying as a channel option under capacity constraint | |
US11948181B2 (en) | Systems and methods for using SKU vector information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Tokyo, Japan Applicant after: Fuji film business innovation Co.,Ltd. Address before: Tokyo, Japan Applicant before: Fuji Xerox Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |