CN109255644A - 用于提供优化分发和物流的营销管理数据的方法及设备 - Google Patents
用于提供优化分发和物流的营销管理数据的方法及设备 Download PDFInfo
- Publication number
- CN109255644A CN109255644A CN201810763763.XA CN201810763763A CN109255644A CN 109255644 A CN109255644 A CN 109255644A CN 201810763763 A CN201810763763 A CN 201810763763A CN 109255644 A CN109255644 A CN 109255644A
- Authority
- CN
- China
- Prior art keywords
- purchase
- data
- user
- website
- article
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q30/0254—Targeted advertisements based on statistics
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文公开了一种用于提供优化分发和物流的营销管理数据的方法及设备。该方法和设备实时检测访问线上网站的多个用户的相应购买意愿;基于多个用户的相应多条用户信息和购买意愿来生成将物品和区域考虑在内的需求预测数据;以及基于需求预测数据来生成并提供用于优化由线上网站提供的多个物品的分发和物流的营销管理数据。此外,可以提供帮助物品销售商管理库存或管理产品的供应和需求的信息。
Description
相关申请的交叉引用
本申请要求于2017年7月14日提交的韩国专利申请第10-2017-0089479号的权益,其全部内容通过引用并入本申请。
技术领域
本发明总体上涉及用于实时分析在因特网电子商务中发生的用户的行为并提供经分析的行为数据作为营销数据的技术,更具体地,涉及如下技术:可以分析连续行为流(例如,浏览页面或点击按钮)以及与连续行为流相关的物品或类别的特征,然后可以提供可用于优化分发和物流的管理的数据。
背景技术
通常,用于因特网电子商务的分析方案用于分析客户关于特定产品或特定统一资源定位符(URL)的行为,并以简档的形式提供分析结果。这样的分析旨在以用于搜索产品、布置的产品中的被点击产品以及被点击产品的页面上的动作(例如,添加到愿望列表、阅读评论、检查问答(Q&A)部分、添加到购物车等)的关键字的形式布置客户关于特定产品或类别的行为,并且总结这些动作并根据高分的产品或类别创建数据。此外,还可以基于各个客户的过去购买历史来组合并提供计算的数据。
[现有技术文献]
[专利文献]
(专利文献1)韩国专利申请公开第10-2017-0043259号,公开日期:2017年4月21日(标题为“Automated Real-Time Marketing System Based on Series of Actions onWebpage of Site Visitor”)。
发明内容
因此,已经考虑到现有技术中出现的上述问题而做出了本发明,并且本发明的目的是在用户经由因特网电子商务进行购买活动之前检测用户要购买的物品或用户的购买意愿(例如购买概率)。
本发明的另一目的是针对相应物品类型或区域来预测对于经由因特网电子商务提供的物品的需求。
本发明的另一目的是通过预测对于相应物品的需求来优化分发和物流的过程。
本发明的又一目的是支持因特网电子商务,使得因特网电子商务销售商可以理想地管理库存或管理产品的供应和需求。
根据本发明的一个方面,为了实现上述目的,提供了一种用于提供营销管理数据的方法,包括:实时检测访问线上网站的多个用户的相应购买意愿;基于多个用户的相应多条用户信息和购买意愿来生成将物品和区域考虑在内的需求预测数据;以及基于需求预测数据来生成并提供用于优化由线上网站提供的多个物品的分发和物流的营销管理数据。
购买意愿可以包括多个用户的购买意愿简档和相应购买概率,购买意愿简档对应于多个用户期望购买的相应物品的特征。
检测购买意愿可以包括:收集线上网站上的多个用户的相应多条行为数据;通过将基于行为排列创建的购买概率模型与行为数据进行比较来计算多个用户的相应购买概率;以及基于物品数据库和行为数据来生成多个用户的相应购买意愿简档,在该物品数据库中存储有对应于多个物品的多条物品信息。
检测购买意愿还可以包括:生成行为排列以对应于基于行为数据提取的连续动作;以及通过将取决于连续动作的购买结果与行为排列匹配来创建购买概率模型。
生成需求预测数据可以被配置成:基于用户信息来获取关于多个用户的相应目的地的信息,并且使用购买意愿简档、购买概率和目的地信息来生成相应物品的多条需求预测数据和相应区域的多条需求预测数据中的至少一个。
检测购买意愿还可以包括基于与购买意愿简档匹配的购买概率来计算相应物品的购买概率和相应物品类别的购买概率中的至少一个。
生成行为排列可以被配置成通过以时间顺序布置对应于连续动作的统一资源定位符(URL)来生成行为排列。
营销管理数据可以包括与多个物品中的每个物品对应的相应区域的多条购买概率数据,该购买概率数据是基于相应物品的多条需求预测数据和相应区域的多条需求预测数据生成的。
根据本发明的另一方面,为了实现上述目的,提供了一种服务器,包括:存储器,用于存储针对访问线上网站的多个用户实时检测的相应购买意愿;以及处理器,用于基于多个用户的相应多条用户信息和相应购买意愿来生成将物品和区域考虑在内的需求预测数据,以及用于基于需求预测数据来生成并提供用于优化由线上网站提供的多个物品的分发和物流的营销管理数据。
购买意愿可以包括多个用户的购买意愿简档和相应购买概率,购买意愿简档对应于多个用户期望购买的相应物品的特征。
处理器可以被配置成:收集线上网站上的多个用户的相应多条行为数据,通过将基于行为排列创建的购买概率模型与行为数据进行比较来计算多个用户的相应购买概率,并且基于物品数据库和行为数据来生成多个用户的相应购买意愿简档,在该物品数据库中存储有对应于多个物品的多条物品信息。
处理器可以被配置成:生成行为排列以对应于基于行为数据提取的连续动作,并且通过将取决于连续动作的购买结果与行为排列匹配来创建购买概率模型。
处理器可以被配置成:基于用户信息来获取关于多个用户的相应目的地的信息,并且使用购买意愿简档、购买概率和目的地信息来生成相应物品的多条需求预测数据和相应区域的多条需求预测数据中的至少一个。
处理器可以被配置成:基于与购买意愿简档匹配的购买概率来计算相应物品的购买概率和相应物品类别的购买概率中的至少一个。
处理器可以被配置成:通过以时间顺序布置对应于连续动作的统一资源定位符(URL)来生成行为排列。
营销管理数据可以包括与多个物品中的每个物品对应的相应区域的多条购买概率数据,该购买概率数据是基于相应物品的多条需求预测数据和相应区域的多条需求预测数据生成的。
附图说明
从下面结合附图进行的详细描述中将更清楚地理解本发明的上述和其他目的、特征和优点,在附图中:
图1是示出根据本发明的实施方式的用于提供优化分发和物流的营销管理数据的系统的图;
图2是示出根据本发明的实施方式的用于提供营销管理数据的方法的操作流程图;
图3是示出根据本发明的营销管理数据提供方法中用于创建购买概率模型的过程的示例的操作流程图;
图4是示出根据本发明的用于提供营销管理数据的过程的示例的图;
图5是示出根据本发明收集的行为数据的示例的图;
图6是示出根据本发明的实施方式的用于提供营销管理数据的服务器的框图;
图7是示出根据本发明的用于提供营销管理数据的过程的另一示例的图;以及
图8是示出根据本发明的实施方式的营销管理数据提供方法中用于学习购买概率模型的过程的示例的图。
具体实施方式
本说明书中使用的技术术语仅用于描述特定实施方式,并且应注意,这些术语不旨在限制本发明。此外,除非在本说明书中另外特别定义,否则本说明书中使用的技术术语应被解释为具有本发明所属领域的普通技术人员通常理解的含义,并且不应被解释为具有过于全面的含义或过于狭隘的含义。此外,如果本说明书中使用的技术术语是不能精确地表示本发明的精神的错误技术术语,则它们应该被本领域普通技术人员可以正确理解的技术术语代替。此外,本发明中使用的常用术语应根据词典的定义或根据其上下文来解释,并且不应被解释为具有过于狭隘的含义。
此外,除非上下文另有明确说明,否则本说明书中使用的单数的表达包括复数的表达。在本申请中,诸如“包含”和“包括”之类的术语不应被解释为基本上包括说明书中描述的所有若干元件或若干步骤,而是应被解释为不包括元件或步骤中的一些或包括附加元件或步骤。
此外,在本说明书中使用的包括序数如“第一”和“第二”的术语可以用于描述各种元件,但这些元件不应被限于这些术语。这些术语仅用于将一个元件与另一个元件区分开。例如,在不背离本发明的范围的情况下,第一元件可以被称为第二元件,并且类似地,第二元件可以被称为第一元件。
在下文中,参考附图详细描述根据本发明的优选实施方式。不管附图标记如何,相同或相似的元件被分配相同的附图标记,并且省略其冗余描述。
在以下对本发明的描述中,将省略被认为使本发明的要点模糊的已知功能和配置的详细描述。本发明的附图旨在便于理解本发明,而不应被解释为限于附图。
图1是示出根据本发明的实施方式的用于提供优化分发和物流的营销管理数据的系统的图。
参照图1,根据本发明的实施方式的用于提供优化分发和物流的营销管理数据的系统包括服务器110、线上网站120、用户130-1至130-N以及网络140。
根据本发明的服务器110可以是提供如下营销管理数据的装置:该营销管理数据用于基于当用户130-1至130-N基于网络140使用线上网站120上的电子商务时进行的线上行为来管理分发和物流。
服务器110不仅可以分析用户130-1至130-N关于由线上网站120提供的特定物品或类别的行为,还可以分析用户的连续动作。也就是说,服务器110可以分析并学习从用户130-1到130-N中的每个用户访问电子商务网站的时间起导致购买物品的动作的排列(permutation)(即,行为排列),并且可以根据该行为排列来产生概率值。
与此一起,在本发明中,可以通过常规技术提取的用户130-1至130-N的动作的含义可以被用作与用户130-1至130-N感兴趣的物品或感兴趣的类别相关的数据。换句话说,可以分析用户130-1至130-N用于浏览(navigate)线上网站120的连续动作,并且可以掌握施加于购买的连续动作的影响程度,并且因此可以对关于连续动作中揭示的共同物品或类别的信息建档。
这里,与仅简单地使用物品的细节的常规技术不同,本发明可以基于表示物品的品牌、物品的类别等来提取关键字,并且可以使用关于所提取的关键字等的信息来分析产品之间的关联,从而改善实时特性。
尽管在图1中服务器110和线上网站120被示为分离的部件,但服务器110和用于操作线上网站120的单独的操作服务器可以是同一服务器。也就是说,用于提供营销管理数据的服务器110可以包括在用于提供电子商务服务的线上网站120的操作服务器中。可替选地,用于提供电子商务服务的线上网站120的操作服务器可以包括在用于提供营销管理数据的服务器110中。
服务器110可以实时检测访问线上网站120的多个用户130-1至130-N的相应购买意愿。
这里,购买意愿可以包括多个用户130-1至130-N的购买意愿简档和相应购买概率,购买意愿简档对应于多个用户130-1至130-N期望购买的相应物品的特征。
对于多个用户130-1至130-N中的每个用户,可以收集线上网站120上的行为数据。
可以将基于多个行为排列创建的购买概率模型与行为数据进行比较,从而可以计算多个用户130-1至130-N的相应购买概率。
可以基于对应于存储在物品数据库(DB)中的多个物品的多条物品信息和行为数据来生成多个用户130-1至130-N的相应购买意愿简档。
这里,可以生成行为排列以对应于基于行为数据提取的连续动作。
可以通过以时间顺序布置对应于连续动作的统一资源定位符(URL)来生成行为排列。
可以通过将对应于连续动作的购买结果与行为排列进行匹配来创建购买概率模型。
可以基于与购买意愿简档匹配的购买概率来计算相应物品的购买概率和相应物品类别的购买概率中的至少一个。
服务器110基于多个用户130-1至130-N中的每个用户的用户信息和购买意愿来生成将物品和区域考虑在内的需求预测数据。
这里,可以从用户信息获取关于多个用户130-1至130-N的相应目的地的信息,并且可以使用购买意愿简档、购买概率和目的地信息来生成相应物品的多条需求预测数据和相应区域的多条需求预测数据中的至少一个。
此外,服务器110可以基于需求预测数据来生成并提供用于优化由线上网站提供的多个物品的分发和物流的营销管理数据。
这里,营销管理数据可以包括对应于多个物品中的每个物品的相应区域的多条购买概率数据,其中,可以基于相应物品的多条需求预测数据和相应区域的多条需求预测数据来生成购买概率数据。
线上网站120可以是由多个用户130-1至130-N访问并且多个用户130-1至130-N在其上使用电子商务服务的因特网网站。在这种情况下,用于操作线上网站120的操作服务器可以包括在服务器110中,或者可以独立于服务器110而存在。
用户130-1至130-N可以是访问线上网站120并在使用电子商务服务的同时参与各种类型的行为的人。例如,用户130-1至130-N可以访问线上网站120,并且可以参与各种类型的线上行为,例如搜索物品、查看物品的细节、将物品添加到购物车或尝试付款。
这里,用户130-1至130-N可以通过诸如移动终端或计算机的用户终端访问线上网站120,并且可以使用电子商务服务。
例如,用户终端中的每个用户终端可以是可以通过与通信网络连接来在其上运行根据本发明的应用的装置,并且可以是包括所有类型的信息通信装置、多媒体终端、内部协议(IP)终端等的各种类型的终端中的任何一种,而不限于移动通信终端。此外,用户终端可以是具有各种移动通信规格的移动终端,如移动电话、便携式多媒体播放器(PMP)、移动因特网装置(MID)、智能电话、平板PC、膝上型电脑、上网本、个人数字助理(PDA)、信息通信装置等。
此外,用户终端可以接收各种信息,例如数字、字母等,并且可以经由输入单元将用于设置各种功能并且控制用户终端的功能而输入的信号传送至控制单元。此外,用户终端的输入单元可以被配置成包括键盘和触摸板中的至少一个,其响应于用户的触摸或操纵而生成输入信号。这里,用户终端的输入单元及其显示单元可以形成单个触摸面板(或触摸屏),从而执行输入功能和显示功能二者。此外,用户终端的输入单元可以使用可以在将来开发的所有类型的输入手段以及当前存在的输入装置,例如键盘、小键盘、鼠标、操纵杆等。
用户终端的显示单元可以显示关于在执行用户终端的功能时生成的一系列操作状态和操作结果的信息。此外,用户终端的显示单元可以显示用户终端的菜单和用户输入的用户数据。这里,用户终端的显示单元可以用液晶显示器(LCD)、薄膜晶体管LCD(TFT-LCD)、发光二极管(LED)、有机LED(OLED)、有源矩阵OLED(AMOLED)、视网膜显示器、柔性显示器、3维显示器等来配置。这里,当用户终端的显示单元以触摸屏的形式配置时,用户终端的显示单元可以执行用户终端的输入单元的一些或全部功能。具体地,根据本发明的用户终端的显示单元可以在屏幕上显示被设置用于提供营销管理数据和关于应用的执行的信息的界面。
用户终端的存储单元可以包括主存储装置和辅助存储装置作为用于存储数据的装置,并且可以存储对于用户终端的操作所必需的应用。用户终端的存储单元可以包括程序区域和数据区域。这里,当用户终端响应于来自用户的请求而激活每个功能时,用户终端通过在控制单元的控制下运行对应应用来提供功能。具体地,根据本发明的用户终端的存储单元可以存储用于引导(boot)用户终端的操作系统(OS)、用于发送和接收用于提供营销管理数据而输入的信息的应用等。此外,用户终端的存储单元可以存储关于用户终端的信息和用于存储多条内容的内容DB。这里,内容DB可以包括用于执行内容的执行数据和关于内容的属性信息,并且可以响应于内容的执行来存储内容使用信息。此外,关于用户终端的信息可以包括用户终端的规格。
用户终端的通信单元可以用于通过网络140向线上网站120发送数据和从线上网站120接收数据。这里,用户终端的通信单元可以包括用于发送信号的频率的上转换和放大的RF传输介质以及用于接收信号的低噪声放大及其频率的下转换的RF接收介质。用户终端的这种通信单元可以包括无线通信模块。此外,无线通信模块是用于基于无线通信方法发送或接收数据的部件,并且当用户终端使用无线通信时可以使用无线网络通信模块、无线LAN通信模块以及无线PAN通信模块中的任何一个来向线上网站120发送数据和从线上网站120接收数据。也就是说,用户终端可以使用无线通信模块访问网络140,并且可以通过网络140向线上网站120发送数据和从线上网站120接收数据。
用户终端的控制单元可以是用于运行操作系统(OS)和相应部件的处理装置。例如,控制单元可以控制访问线上网站120的整个过程。当通过因特网或应用访问线上网站120时,控制单元可以响应于用户请求来控制运行应用的整个过程,并且可以执行控制以便在执行应用的同时向线上网站120发送使用电子商务服务的请求。这里,控制单元可以执行控制,使得用户认证所需的关于用户终端的信息与请求一起被发送。
提供在服务器110、线上网站120和用户130-1到130-N之间传输数据的路径的网络140可以在概念上理解为包括当前正在使用的网络和未来尚待开发的网络。例如,网络可以是用于在有限区域中的各种数据装置之间提供通信的有线和无线局域网、用于在移动装置之间或在移动装置与其外部之间提供通信的移动通信网络、用于使用卫星在地球站之间提供通信的卫星网络以及有线和无线通信网络中的任意一种,或者可以是从其中选择的两种或更多种的组合。同时,网络的传输协议标准不限于现有的传输协议标准,而可以包括将来待开发的所有传输协议标准。
图2是示出根据本发明的实施方式的用于提供营销管理数据的方法的操作流程图。
参照图2,根据本发明的实施方式的营销管理数据提供方法在步骤S210处实时检测访问线上网站的多个用户的相应购买意愿。
本发明旨在在访问线上网站的多个用户实际购买相应物品之前检测要被购买的物品或物品的类型以及对应物品将被购买的概率。对于该功能,需要在用户购买对应物品之前检测用户的购买意愿。
这里,购买意愿可以包括多个用户的购买意愿简档和相应购买概率,购买意愿简档与多个用户期望购买的相应物品的特征对应。
根据本发明的购买意愿简档可以包含根据本发明的品牌特征、关键字特征和价格范围特征的分析结果,然后可以使用该购买意愿简档来分析物品之间的关联。
此外,当每个用户采取连续有意义的动作时,可以将根据本发明的购买概率计算为高值。
可以在对应用户通过线上网站搜索物品的每个时刻检测到这样的购买意愿。因此,可以在用户实际进行每次购买活动之前预先分析并提供以这种方式检测到的购买意愿。
这里,为了检测购买意愿,可以针对每个用户收集线上网站上的多个用户的行为数据。
行为数据可以与访问线上网站的多个用户所采取的线上动作有关。
例如,线上行为可以包括诸如以下动作的显式动作:点击物品、阅读物品评论、添加到购物车或从购物车删除、尝试进行支付、输入关键字、点击广告、以及点击“喜欢”按钮或共享特定页面的社交活动。此外,线上行为还可以包括被认为有可能形成用于推断感兴趣物品的基础的所有隐式动作,例如包括鼠标滚轮控制或向外滑动(swipe-out)动作的用户体验(UX)相关动作、或长时间段停留在特定页面上或重新访问相同物品页面或类似类别页面的动作。然而,线上行为不限于这些示例。
这里,可以在用户访问线上网站并采取动作时立即实时收集行为数据。此外,可以以流的形式收集行为数据,并且可以对行为数据进行预处理过程,以使行为数据能够被处理为具有检测用户的购买意愿所需的格式的数据。
也就是说,可以根据行为数据实时收集访问线上网站的每个用户所采取的所有动作。
如上所述,根据本发明的实施方式的营销管理数据提供方法可以使用用户的实时线上行为(动作)。也就是说,与其中确定用户期望购买的物品或者使用用户的过去购买记录或简档信息来预测物品的购买概率的常规方案不同,本发明可以基于行为模式(例如,指示在用户当前访问的电子商务网站内用户当前正在访问哪个页面的行为模式)来推断在不久的将来很可能被用户购买的物品或类别。通过该方案,与使用常规方案相比,可以更准确地检测当前访问线上网站的用户的购买意愿。
实时收集的行为数据可以包括采取每个线上动作的时间、用于标识用户或用户终端的ID、用户访问的URL、物品相关信息等。物品相关信息可以包括用于标识对应物品的物品编号或类别信息。物品相关信息还可以包括元信息(例如,物品价格或选项以及用户输入的用于搜索物品的关键字),通过元信息可以确定线上行为的重要程度。
这里,收集行为数据的路径不限于特定路径。例如,可以通过诸如移动网站、移动应用和PC网站之类的各种路径中的任何路径实时收集与用户的线上行为对应的行为数据。
此外,可以以这样的方式接收根据本发明的行为数据,使得根据本发明的实施方式的服务器统一并接收所有行为数据,或者使得一些终端聚合由此生成的行为数据并将聚合的行为数据以简化的形式传输到服务器。这里,用于收集行为数据的方法不特别限于任何特定方法。
这里,可以将基于行为排列创建的购买概率模型与行为数据进行比较,从而可以计算多个用户的相应购买概率。
购买概率模型可以是对应线上网站的购买概率模型。也就是说,可以从自线上网站收集的行为排列中提取模式,并且可以分析在所提取的模式中发生购买或发生未购买的频率,因此可以基于频率的分析结果来创建购买概率模型。
因此,将根据用户收集的行为数据与包括在购买概率模型中的购买模式或未购买模式进行比较,从而可以将用户是否将购买对应物品计算为概率。
这里,可以生成行为排列以对应于基于行为数据提取的连续动作。
可以通过取决于各种标准以时间顺序布置针对相应用户收集的多条行为数据来生成行为排列。
例如,可以假设取决于物品作为标准来布置从用户A收集的多条行为数据。在这种情况下,可以通过以时间顺序仅布置在用户A采取连续动作时收集的多条行为数据中的与特定物品B相关的多条行为数据来生成行为排列。
此外,当在上述示例中取决于类别作为标准来布置多条行为数据时,还可以通过以时间顺序仅布置在用户A采取连续动作时收集的多条行为数据中的与特定类别C相关的多条行为数据来生成行为排列。
这里,可以通过以时间顺序布置对应于连续动作的统一资源定位符(URL)来生成行为排列。
例如,可以假设用户访问具有对应于“http://xxx.com”的地址(URL)的电子商务网站并采取线上动作。在这种情况下,当用户顺序地从主页面浏览到物品详细页面、购物车页面和支付页面时,可以生成对应于(http://xxx.com/main)-(http://xxx.com/item/detail)-(http://xxx.com/basket)-(http://xxx.com/pay)的行为排列。
这里,对应于连续动作的相应URL可以被转换为单独的标识符并由单独的标识符表示,以简化行为排列的指示和处理。
在上面的示例中,“http://xxx.com/main”可以转换为URL_1,“http://xxx.com/item/detail”可以转换为URL_2,“http://xxx.com/basket”可以转换为URL_3,“http://xxx.com/pay”可以转换为URL_4,因此可以指示所产生的URL。
这里,可以针对基于用户访问线上网站的时间点的每个会话来生成行为排列。
在一个示例中,从用户登录到线上网站的时间点到用户从线上网站退出的时间点的时段可以被确定为单个会话。可以收集在对应会话中采取的线上动作的行为数据,因此可以生成行为排列。
在另一示例中,从用户访问线上网站的时间点到用户离开线上网站的时间点的时段可以被确定为单个会话,因此可以基于会话来生成行为排列。
单个会话的开始和结束可以不限于特定时间点,而是可以设置为各种时间点。
这里,可以通过将对应于连续动作的购买结果与行为排列匹配来创建购买概率模型。
例如,可以通过基于当使用对应线上网站的多个用户进行购买时频繁发生的连续动作的行为排列或者基于当多个用户没有进行购买时频繁发生的连续动作的行为排列提取购买模式和未购买模式来创建购买概率模型。在这种情况下,从购买概率模型的创建中排除其中每个模式中连续动作的出现总数未达到预定数量的行为排列,并且因此可以改进创建购买概率模型的计算速度。
这里,可以基于存储在物品DB中的对应于多个物品的多条物品信息和行为数据来生成多个用户的相应购买意愿简档。
这里,物品DB可以存储关于在每个用户访问的线上网站上注册的多个物品的物品信息。例如,可以根据物品信息来存储与相应物品有关的详细信息,例如物品名称、物品类别和物品价格。
因此,可以从物品DB获取关于基于行为数据确定用户具有购买意愿的物品的信息,然后可以根据该物品信息生成购买意愿简档。
这里,购买意愿简档可以包含但不限于诸如对应物品的搜索术语、关键字、品牌和价格范围的信息。
此外,在基于行为数据考虑每个用户访问的URL的情况下,购买意愿简档可以包括要应用于购买意愿的确定的权重。例如,当用户访问的页面的URL是其中要购买对应物品的页面的URL时,与用户访问的页面的URL是线上网站的主页面的URL的情况相比,可以将权重应用于购买页面。也就是说,当用户浏览到用于支付特定物品的支付页面时,可以确定用户肯定具有购买该特定物品的意愿,并且可以将权重应用于支付页面。
此外,可以基于与购买意愿简档匹配的购买概率来计算相应物品的购买概率和相应物品类别的购买概率中的至少一个。
此外,根据本发明的实施方式的营销管理数据提供方法可以基于包含在购买意愿中的相应用户的购买概率、相应物品的购买概率以及相应物品类别的购买概率来提供特定物品或特定类别的相应购买概率的用户分布。
接下来,在步骤S220处,根据本发明的实施方式的营销管理数据提供方法基于多个用户的多条用户信息和购买意愿来生成将物品和区域考虑在内的需求预测数据。
这里,可以从用户信息获取关于多个用户130-1至130-N的相应目的地的信息,并且可以使用购买意愿简档、购买概率和目的地信息来生成相应物品的多条需求预测数据和相应区域的多条需求预测数据中的至少一个。
例如,相应物品的多条需求预测数据可以是指示针对多个物品中的每个物品多少用户具有购买意愿的数据,并且相应区域的多条需求预测数据可以是指示在多个区域的每个区域中多少用户具有购买意愿的数据。
可以从存储线上网站上的用户信息的单独DB获取用户信息。
此后,在步骤S230处,根据本发明的实施方式的营销管理数据提供方法基于需求预测数据来生成并提供用于优化由线上网站提供的多个物品的分发和物流的营销管理数据。
这里,营销管理数据可以包括与多个物品中的每个物品对应的相应区域的多条购买概率数据,其中可以基于相应物品的多条需求预测数据和相应区域的多条需求预测数据来生成购买概率数据。由于与多个物品中的每个物品对应的相应区域的多条购买概率数据可以包括目的地信息,因此当根据区域划分购买概率时,可以预测相应区域中对于对应物品的需求。
因此,可以基于线上网站向各个物品销售商提供营销管理数据,从而使得销售商能够有效地执行具有高购买概率的物品的库存管理。此外,可以根据相应区域的购买概率或相应区域的需求来优化物品的分发和物流,使得物品的分发和物流不中断。
此外,尽管未在图2中详细示出,但根据本发明的实施方式的营销管理数据提供方法可以通过诸如典型网络的通信网络发送和接收提供营销管理数据所需的信息。特别地,可以从用于操作线上网站的单独服务器接收关于每个用户的线上行为的数据。
另外,尽管未在图2中详细示出,但根据本发明的实施方式的营销管理数据提供方法可以将在上述营销管理数据提供过程期间生成的各种类型的信息存储在单独的存储模块中。
通过该营销管理数据提供方法,可以在用户经由因特网电子商务进行购买活动之前检测用户要购买的物品或用户的购买意愿(例如,购买概率)。
此外,可以针对相应物品类型或区域预测对经由因特网电子商务提供的物品的需求。
此外,可以通过预测对相应物品的需求来优化用于分发和物流的过程。
此外,可以支持因特网电子商务,使得因特网电子商务销售商可以理想地管理库存或管理产品的供应和需求。
图3是示出根据本发明的营销管理数据提供方法中用于创建购买概率模型的过程的示例的操作流程图。
参照图3,在步骤S310处,在营销管理数据提供方法中用于创建购买概率模型的过程收集线上网站上的多个用户中的每个用户的行为数据。
行为数据可以与访问线上网站的多个用户所采取的线上动作有关。
例如,线上行为可以包括诸如以下动作的显式动作:点击物品、阅读物品评论、添加到购物车或从购物车删除、尝试进行支付、输入关键字、点击广告、以及点击“喜欢”按钮或共享特定页面的社交活动。此外,线上行为还可以包括被认为有可能形成用于推断感兴趣物品的基础的所有隐式动作,例如包括鼠标滚轮控制或向外滑动动作的用户体验(UX)相关动作、或长时间段停留在特定页面上或重新访问相同的物品页面或类似的类别页面的动作。然而,线上行为不限于这些示例。
这里,可以在用户访问线上网站并采取动作时立即实时收集行为数据。此外,可以以流的形式收集行为数据,并且可以对行为数据进行预处理过程,以使行为数据能够被处理为具有检测用户的购买意愿所需的格式的数据。
这里,实时收集的行为数据可以包括采取每个线上动作的时间、用于标识用户或用户终端的ID、用户访问的URL、物品相关信息等。
接下来,在步骤S320处,通过基于行为数据提取连续动作来生成行为排列。
这里,可以通过取决于各种标准以时间顺序布置针对相应用户收集的多条行为数据来生成行为排列。
例如,可以假设取决于物品作为标准来布置从用户A收集的多条行为数据。在这种情况下,可以通过以时间顺序仅布置在用户A采取连续动作时收集的多条行为数据中的与特定物品B相关的多条行为数据来生成行为排列。
此外,当在上述示例中取决于类别作为标准来布置多条行为数据时,还可以通过以时间顺序仅布置在用户A采取连续动作时收集的多条行为数据中的与特定类别C相关的多条行为数据来生成行为排列。
这里,可以通过以时间顺序布置对应于连续动作的统一资源定位符(URL)来生成行为排列。
这里,对应于连续动作的相应URL可以被转换为单独的标识符并由单独的标识符表示,以便简化行为排列的指示和处理。
可以针对基于用户访问线上网站的时间点的每个会话生成每个行为排列。
在一个示例中,从用户登录到线上网站的时间点到用户从线上网站退出的时间点的时段可以被确定为单个会话。可以收集在对应会话中采取的线上动作的行为数据,因此可以生成行为排列。
在另一示例中,从用户访问线上网站的时间点到用户离开线上网站的时间点的时段可以被确定为单个会话,因此可以基于会话生成行为排列。
此后,在步骤S330处,将取决于连续动作的购买结果与行为排列匹配。
例如,可以通过基于当使用对应线上网站的多个用户进行购买时频繁发生的连续动作的行为排列或者基于当多个用户没有进行购买时频繁发生的连续动作的行为排列来提取购买模式和未购买模式来创建购买概率模型。在这种情况下,从购买概率模型的创建中排除其中每个模式中连续动作的出现总数未达到预定数量的行为排列,并且因此可以改进创建购买概率模型的计算速度。
图4是示出根据本发明的用于提供营销管理数据的过程的示例的图。
参照图4,根据本发明的用于提供营销管理数据的过程可以收集与访问线上网站的多个用户的线上行为对应的行为数据,并且可以对行为数据执行预处理,以使用行为数据来检测购买意愿。
这里,可以在每个用户访问线上网站并且采取每个动作时立即实时收集行为数据。此外,可以以流的形式收集行为数据,然后可以对其进行预处理。
已经完成预处理的行为数据可以用于在步骤S404处创建购买概率模型,在步骤S406处生成购买意愿简档,并且在步骤S408处计算购买概率。
这里,可以通过基于包括在行为数据中的连续动作提取行为排列并且通过将提取的行为排列与取决于连续动作的购买结果匹配来创建购买概率模型。
可以将以这种方式创建的购买概率模型与收集的行为数据进行比较,从而可以计算购买概率。
此外,可以使用从与线上网站相关联的物品DB 400获取的关于多个物品的物品信息和行为数据二者来生成购买意愿简档。
接下来,在步骤S410处,可以通过将购买意愿简档与购买概率组合来检测用户的购买意愿。
也就是说,用户的购买意愿可以包括购买意愿简档和购买概率。
此后,在步骤S412和S414处,可以使用包括在购买意愿中的购买意愿简档和购买概率来生成相应物品的多条需求预测数据和相应区域的多条需求预测数据。
例如,相应物品的多条需求预测数据可以是指示对于多个物品中的每个物品多少用户具有购买意愿的数据,并且相应区域的多条需求预测数据可以是指示在多个区域的每个区域中多少用户具有购买意愿的数据。
接下来,可以基于相应物品的多条需求预测数据和相应区域的多条需求预测数据来生成营销管理数据,其包括与多个物品中的每个物品对应的相应区域的多条购买概率数据。
图5是示出根据本发明收集的行为数据的示例的图。
参照图5,根据本发明收集的行为数据500可以包括与行为时间戳字段501、用户ID字段502、终端(装置)ID字段503、URL字段504、物品编号字段505和类别字段506、507和508有关的信息。
行为时间戳字段501可以指示生成对应的行为数据的时间。
用户ID字段502可以指示用于标识线上网站上的对应用户的标识符。例如,当用户订阅线上网站时,用户ID可以是在订阅时注册的ID,而当用户没有订阅线上网站时,用户ID可以是基于用户的访问信息生成的标识符。
终端(装置)ID字段503可以指示用于标识用户访问线上网站所使用的装置的标识符。
URL字段504可以指示用户访问的线上网站的页面地址。
例如,图5中所示的“http://xxx.co.kr/Product/Detail”可以是包括每个物品的细节的页面,“http://xxx.co.kr/Basket”可以是购物车页面,并且“http://xxx.co.kr/Pay”可以是支付页面。
这里,物品编号字段505可以指示用于标识用户访问的当前页面上的物品的标识号或标识符。
类别字段506、507和508可以指示与对应于物品编号字段505的物品相关的多条类别信息。
这里,如图5中所示,行为数据可以被划分为类别级别,然后对于相应级别可以包括多条类别信息。
例如,图5中所示的第一类别字段506可以指示物品的领域(例如“相机”),并且可以指示在概念上比指示物品的详细类别(例如“相机类型”)的第二类别字段507更具包容性的类别。第二类别字段507可以指示在概念上比指示物品的详细信息(例如“相机品牌”)的第三类别字段508更具包容性的类别。
这里,可以收集根据本发明的实施方式的行为数据,以便除了上述示例之外还包括各种类型的信息,并且要包括在行为数据中的信息的类型不被特别限制。
图6是示出根据本发明的实施方式的用于提供营销管理数据的服务器的框图。
参照图6,根据本发明的实施方式的用于提供营销管理数据的服务器包括通信单元610、存储器620、处理器630和存储单元640。
通信单元610用于通过通信网络(例如典型网络)发送和接收提供营销管理数据所需的信息。具体地,根据本发明的通信单元610可以从用于操作线上网站的单独服务器接收关于每个用户的线上行为的数据。
存储器620存储针对访问线上网站的多个用户实时检测的相应购买意愿。
本发明旨在在访问线上网站的多个用户实际购买相应物品之前检测要购买的物品或物品的类型以及相应物品将被购买的概率。对于该功能,需要在用户购买对应物品之前检测用户的购买意愿。
这里,购买意愿可以包括多个用户的购买意愿简档和相应购买概率,购买意愿简档与多个用户期望购买的相应物品的特征对应。
根据本发明的购买意愿简档可以包含根据本发明的品牌特征、关键字特征和价格范围特征的分析结果,然后可以用于分析物品之间的关联。
此外,当每个用户采取连续有意义的动作时,可以将根据本发明的购买概率计算为高值。
可以在对应用户通过线上网站搜索物品的每个时刻检测到这样的购买意愿。因此,可以在用户实际进行每次购买活动之前预先分析并提供以这种方式检测到的购买意愿。
这里,为了检测购买意愿,处理器630可以针对每个用户收集线上网站上的多个用户的行为数据。
行为数据可以与访问线上网站的多个用户所采取的线上动作有关。
例如,线上行为可以包括诸如以下动作的显式动作:点击物品、阅读物品评论、添加到购物车或从购物车删除、尝试进行支付、输入关键字、点击广告、以及点击“喜欢”按钮或共享特定页面的社交活动。此外,线上行为还可以包括被认为有可能形成用于推断感兴趣物品的基础的所有隐式动作,例如包括鼠标滚轮控制或向外滑动动作的用户体验(UX)相关动作、或长时间段停留在特定页面上或重新访问相同的物品页面或类似的类别页面的动作。然而,线上行为不限于这些示例。
这里,可以在用户访问线上网站并采取动作时立即实时收集行为数据。此外,可以以流的形式收集行为数据,并且可以对行为数据进行预处理过程,以使行为数据能够被处理为具有检测用户的购买意愿所需的格式的数据。
也就是说,可以根据行为数据实时收集访问线上网站的每个用户所采取的所有动作。
如上所述,根据本发明的实施方式的服务器可以使用用户的实时线上行为(动作)。也就是说,与其中确定用户期望购买的物品或者使用用户的过去购买记录或简档信息来预测物品的购买概率的常规方案不同,本发明可以基于行为模式(例如,指示用户当前访问的电子商务网站内用户当前正在访问哪个页面的行为模式)推断在不久的将来很可能被用户购买的物品或类别。与使用常规方案相比,通过该方案可以更准确地检测当前访问线上网站的用户的购买意愿。
实时收集的行为数据可以包括采取每个线上动作的时间、用于标识用户或用户终端的ID、用户访问的URL、物品相关信息等。物品相关信息可以包括用于标识对应物品的物品编号或类别信息。物品相关信息还可以包括元信息(例如,物品价格或选项以及用户输入的用于搜索物品的关键字),通过其可以确定线上行为的重要程度。
这里,收集行为数据的路径不限于特定路径。例如,可以通过诸如移动网站、移动应用和PC网站之类的各种路径中的任何路径实时收集与用户的线上行为对应的行为数据。
另外,可以以这样的方式接收根据本发明的行为数据,使得根据本发明的实施方式的服务器统一并接收所有行为数据,或者一些终端聚合由此生成的行为数据并将聚合的行为数据以简化的形式传输到服务器。这里,用于收集行为数据的方法不特别限于任何特定方法。
这里,可以将基于行为排列创建的购买概率模型与行为数据进行比较,从而可以计算多个用户的相应购买概率。
购买概率模型可以是对应线上网站的购买概率模型。也就是说,可以从自线上网站收集的行为排列中提取模式,并且可以分析在所提取的模式中发生购买或发生未购买的频率,因此可以基于频率的分析结果来创建购买概率模型。
因此,将根据用户收集的行为数据与包括在购买概率模型中的购买模式或未购买模式进行比较,从而可以将用户是否将购买对应物品计算为概率。
这里,可以生成行为排列以对应于基于行为数据提取的连续动作。
可以通过取决于各种标准以时间顺序布置针对相应用户收集的多条行为数据来生成行为排列。
例如,可以假设取决于物品作为标准来布置从用户A收集的多条行为数据。在这种情况下,可以通过以时间顺序仅布置在用户A采取连续动作时收集的多条行为数据中的与特定物品B相关的多条行为数据来生成行为排列。
此外,当在上述示例中取决于类别作为标准来布置多条行为数据时,还可以通过以时间顺序仅布置在用户A采取连续动作时收集的多条行为数据中的与特定类别C相关的多条行为数据来生成行为排列。
这里,可以通过以时间顺序布置对应于连续动作的统一资源定位符(URL)来生成行为排列。
例如,可以假设用户访问具有对应于“http://xxx.com”的地址(URL)的电子商务网站并采取线上动作。在这种情况下,当用户顺序地从主页面浏览到物品详细页面、购物车页面和支付页面时,可以生成对应于(http://xxx.com/main)-(http://xxx.com/item/detail)-(http://xxx.com/basket)-(http://xxx.com/pay)的行为排列。
这里,对应于连续动作的相应URL可以被转换为单独的标识符并由单独的标识符表示,以便简化行为排列的指示和处理。
在上面的示例中,“http://xxx.com/main”可以转换为URL_1,“http://xxx.com/item/detail”可以转换为URL_2,“http://xxx.com/basket”可以转换为URL_3,并且“http://xxx.com/pay”可以转换为URL_4,因此可以指示所产生的URL。
这里,可以针对基于用户访问线上网站的时间点的每个会话生成行为排列。
在一个示例中,从用户登录到线上网站的时间点到用户从线上网站退出的时间点的时段可以被确定为单个会话。可以收集在对应会话中采取的线上动作的行为数据,因此可以生成行为排列。
在另一示例中,从用户访问线上网站的时间点到用户离开线上网站的时间点的时段可以被确定为单个会话,因此可以基于会话生成行为排列。
单个会话的开始和结束可以不限于特定时间点,而是可以设置为各种时间点。
这里,可以通过将对应于连续动作的购买结果与行为排列匹配来创建购买概率模型。
例如,可以通过基于在使用对应线上网站的多个用户进行购买时频繁发生的连续动作的行为排列,或者基于在多个用户没有进行购买时频繁发生的连续动作的行为排列提取购买模式和未购买模式来创建购买概率模型。在这种情况下,从购买概率模型的创建中排除其中每个模式中连续动作的出现总数未达到预定数量的行为排列,并且因此可以改进创建购买概率模型的计算速度。
这里,可以基于与物品DB中存储的对应于多个物品的多条物品信息和行为数据来生成多个用户相应购买意愿简档。
物品DB可以存储关于在每个用户访问的线上网站上注册的多个物品的物品信息。例如,可以根据物品信息来存储与相应物品有关的详细信息(例如,物品名称、物品类别和物品价格)。
因此,可以从物品DB获取关于基于行为数据确定用户具有购买意愿的物品的信息,然后可以根据物品信息生成购买意愿简档。
这里,购买意愿简档可以包含但不限于诸如对应物品的搜索术语、关键字、品牌和价格范围的信息。
此外,在基于行为数据考虑每个用户访问的URL的情况下,购买意愿简档可以包含要应用于购买意愿的确定的权重。例如,当用户访问的页面的URL是在其中要购买对应物品的页面的URL时,与用户访问的页面的URL是线上网站的主页面的URL的情况相比,可以将权重应用于购买页面。也就是说,当用户浏览到用于支付特定物品的支付页面时,可以确定用户肯定具有购买特定物品的意愿,并且可以将权重应用于支付页面。
此外,可以基于与购买意愿简档匹配的购买概率来计算相应物品的购买概率和相应物品类别的购买概率中的至少一个。
此外,根据本发明的实施方式的服务器可以基于购买意愿中包含的相应用户的购买概率、相应物品的购买概率和相应物品类别的购买概率来提供特定物品或特定类别的相应购买概率的用户分布。
处理器630基于多个用户的多条用户信息和购买意愿生成将物品和区域考虑在内的需求预测数据。
这里,可以从用户信息获取关于多个用户的相应目的地的信息,并且可以使用购买意愿简档、购买概率和目的地信息生成相应物品的多条需求预测数据和相应区域的多条需求预测数据中的至少一个。
例如,相应物品的多条需求预测数据可以是指示对于多个物品中的每个物品多少用户具有购买意愿的数据,并且相应区域的多条需求预测数据可以是指示在多个区域中的每个区域中多少用户具有购买意愿的数据。
可以从存储线上网站上的用户信息的单独DB获取用户信息。
此外,处理器630基于需求预测数据生成并提供用于优化由线上网站提供的多个物品的分发和物流的营销管理数据。
这里,营销管理数据可以包括与多个物品中的每个物品对应的相应区域的多条购买概率数据,其中可以基于相应物品的多条需求预测数据和相应区域的多条需求预测数据生成购买概率数据。由于对应于多个物品中的每个物品的相应区域的多条购买概率数据可以包括目的地信息,因此当根据区域划分购买概率时,可以预测相应区域中对于对应物品的需求。
因此,可以基于线上网站向各个物品销售商提供营销管理数据,从而使得销售商能够有效地执行具有高购买概率的物品的库存管理。此外,可以根据相应区域的购买概率或相应区域的需求来优化物品的分发和物流,使得物品的分发和物流不中断。
如上所述,存储单元640可以支持根据本发明的实施方式的提供营销管理数据的功能。这里,存储单元640可以用作单独的大容量存储器,并且可以包括用于执行操作的控制功能。
同时,服务器可以将信息存储在其中安装的存储器中。在一个实施方式中,存储器是计算机可读记录介质。在一个实施方式中,存储器可以是易失性存储单元,并且在另一实施方式中,存储器可以是非易失性存储单元。在一个实施方式中,存储装置是计算机可读记录介质。在不同的实施方式中,存储装置可以包括例如硬盘装置、光盘装置或任何其他类型的大容量存储装置。
通过利用这样的服务器,可以在用户经由因特网电子商务进行购买活动之前检测每个用户要购买的物品或用户的购买意愿(例如购买概率)。
此外,可以针对相应物品类型或区域预测对于经由因特网电子商务提供的物品的需求。
此外,可以通过预测对于物品的需求来优化分发和物流的过程。
此外,可以支持因特网电子商务,使得因特网电子商务销售商可以理想地管理库存或管理产品的供应和需求。
图7是示出根据本发明的用于提供营销管理数据的过程的另一示例的图。
参照图7,在根据本发明的用于提供营销管理数据的过程中,当在步骤S702处用户730访问线上网站720并参与线上行为时,在步骤S704处服务器710可以根据用户的线上行为收集行为数据。
此后,在步骤S706处服务器710可以对收集的行为数据执行预处理,在步骤S708处从线上网站720接收关于多个物品的物品信息,并且在步骤S710处检测用户730的购买意愿。
例如,线上行为可以包括诸如以下动作的显式动作:点击物品、阅读物品评论、添加到购物车或从购物车删除、尝试进行支付、输入关键字、点击广告、以及点击“喜欢”按钮或共享特定页面的社交活动。此外,线上行为还可以包括被认为有可能形成用于推断感兴趣物品的基础的所有隐式动作,例如包括鼠标滚轮控制或向外滑动动作的用户体验(UX)相关动作、或长时间段停留在特定页面上或重新访问相同的物品页面或类似的类别页面的动作。
这里,用户的购买意愿可以包括多个用户的购买意愿简档和相应购买概率,购买意愿简档对应于多个用户期望购买的相应物品的特征。
可以在对应用户在线上网站上搜索物品的每个时刻检测到这样的购买意愿。
此后,在步骤S712处可以向服务器710提供来自线上网站720的用户信息,并且在步骤S714处服务器710可以基于用户信息和购买意愿生成需求预测数据。
这里,可以从用户信息获取关于多个用户的相应目的地的信息,并且可以使用购买意愿简档、购买概率和目的地信息生成相应物品的多条需求预测数据和相应区域的多条需求预测数据中的至少一个。
此后,服务器710可以基于需求预测数据生成用于优化由线上网站720提供的多个物品的分发和物流的营销管理数据,并且可以在步骤S716处将营销管理数据提供至线上网站720。
这里,营销管理数据可以包括与多个物品中的每个物品对应的相应区域的多条购买概率数据,其中可以基于相应物品的多条需求预测数据和相应区域的多条需求预测数据来生成购买概率数据。
接下来,在步骤S718处,在线上网站720中,可以基于营销管理数据来优化线上网站720上注册的多个物品的分发和物流的管理,因此用于电子商务的系统可以被有效操作。
这里,由于与多个物品中的每个物品对应的相应区域的多条购买概率数据可以包含目的地信息,因此当根据区域划分购买概率时,可以预测相应区域中对于对应物品的需求。
图8是示出根据本发明的实施方式的用于学习营销管理数据提供方法中的购买概率模型的过程的示例的图。
参照图8,在步骤S810处在根据本发明的实施方式的营销管理数据提供方法中学习购买概率模型的过程可以存储基于行为排列创建的购买概率模型。
这里,购买概率模型可以存储在包括在服务器中的存储器或单独的数据库(DB)中。
此后,在步骤S820处,可以基于用户的线上行为来确定是否已经收集了新行为数据。
如果在步骤S820处确定已经收集了新行为数据,则在步骤S830处可以基于新行为数据的行为排列来学习和更新购买概率模型。
也就是说,从新行为数据的行为排列中提取的模式和与该模式对应的购买结果可以反映在购买概率模型中,因此可以更新购买概率模型。
此后,该过程返回到确定是否已经收集了新行为数据的步骤S820,然后继续学习和更新购买概率模型。
这里,可以通过访问线上网站的所有用户采取的线上动作来收集新行为数据。
如果在步骤S820处确定尚未收集到新行为数据,则可以重复执行步骤S820,直到收集到新行为数据为止。
也就是说,可以连续更新购买概率模型直到线上网站的使用中断为止,以更新或管理服务器。
可以以这种方式连续地执行购买概率模型的学习和更新,因此可以改进通过线上网站提供的营销管理数据的可靠性和准确性。
本文所述的主题的功能操作和实现可以被实现为数字电子电路,或者可以以包括本文公开的结构及其结构等同物的计算机软件、固件或硬件或者其一个或更多个组合来实现。本文所述的主题的实现可以以一个或更多个计算机程序产品(换言之,编码在有形程序存储介质上以控制处理系统的操作或要由处理系统执行的计算机程序指令的一个或更多个模块)来实现。
计算机可读介质可以是机器可读存储装置、机器可读存储基板、存储器装置、影响机器可读无线电波类型信号的材料合成物、或其一个或更多个组合。
如本文所使用的,术语“系统”或“装置”包括用于处理数据的所有种类的设备、装置和机器,其包括例如可编程处理器和计算机或者多个处理器和计算机。除了硬件之外,处理系统还可以包括例如对处理器固件进行配置的代码、以及响应于来自协议栈、数据库管理系统、操作系统或其一个或更多个组合的请求而对计算机程序的执行环境进行配置的代码。
计算机程序(还被称为程序、软件、软件应用、脚本或代码)可以以包括编译或解释语言或者先验(priori)或过程语言的任何形式的编程语言来编写,并且可以以包括独立的程序或模块、部件、子例程或适合在计算机环境中使用的其他单元的任何形式来部署。计算机程序不必对应于文件系统中的文件。程序可以存储在向所请求的程序提供的单个文件中、多个交互式文件(例如,存储有一个或更多个模块、子程序或代码的一部分的文件)中、或包含其他程序或数据的文件的一部分(例如,在标记语言文档中存储的一个或更多个脚本)中。计算机程序可以位于单个网站上或分布在多个网站之间,使得计算机程序被部署为在通过通信网络互连的多个计算机上或在单个计算机上运行。
适于存储计算机程序指令和数据的计算机可读介质可以包括例如半导体存储器装置(例如EPROM、EEPROM和闪存装置)、所有类型的非易失性存储器(包括磁盘(例如内部硬盘或外部盘)、磁光盘、CD-ROM和DVD-ROM)、介质和存储器装置。处理器和存储器可以由专用逻辑电路补充或可以与其集成。
本文所述的主题的实现可以在算术系统上实现,所述算术系统包括例如后端部件如数据服务器、中间件部件如应用服务器、前端部件如客户端计算机(该客户端计算机具有用户通过其可以与本文所述的主题的实现进行交互的网络浏览器或图形用户界面)或者后端部件、中间件部件和前端部件的一个或更多个组合。系统的部件可以使用数字数据通信的任何形式或介质例如通信网络进行互连。
尽管本发明包含许多具体的实现细节,但这些细节不应当被解释为对本发明的范围或能够要求保护的范围的限制,而是应理解为可以特定于本发明的特定实施方式的特征的描述。类似地,本文在各个实施方式的上下文中所描述的具体特征可以通过在单个实施方式中组合来实现。可替选地,在单个实施方式的上下文中所描述的各种特征也可以在多个实施方式中单独实现或者以任何合适的子组合的方式实现。此外,尽管特征可以被描述为以特定组合进行操作并且初始要求如此,但是在一些情况下可以将来自所要求保护的组合的一个或更多个特征从组合中排除,并且可以将所要求保护的组合改变为子组合或其变型。
另外,尽管本说明书在附图中以特定顺序示出了操作,但是不应当理解为,这样的操作必须以附图所示的特定次序或顺序次序执行以获得期望的结果或者应当执行所有所示的操作。在某些情况下,多任务和并行处理可以是有利的。此外,上述实施方式的各种系统部件的分离不应被理解为在所有实施方式中都需要这样的分离,并且应当理解,上述程序部件和系统通常可以集成到单个软件产品中或封装到多个软件产品中。
根据本发明,可以实时检测访问线上网站的多个用户中的每个用户的购买意愿,可以基于多个用户中的每个用户的用户信息和购买意愿生成将物品和区域考虑在内的需求预测数据,并且可以基于需求预测数据生成并提供用于优化由线上网站提供的多个物品的分发和物流的营销管理数据。另外,根据本发明,可以优化基于因特网电子商务的分发和物流过程,从而使得每个销售商能够更理想地操作线上网站。
根据本发明,可以在用户经由因特网电子商务进行购买活动之前检测用户要购买的物品或用户的购买意愿(例如购买概率)。
此外,本发明可以针对相应物品类型或区域预测对经由因特网电子商务提供的物品的需求。
此外,本发明可以通过预测对物品的需求来优化分发和物流的过程。
此外,本发明可以支持因特网电子商务,使得因特网电子商务销售商可以理想地管理库存或管理产品的供应和需求。
此外,本发明可以提供相应物品的多条需求预测信息,然后可以在各种领域中使用,例如更积极的营销、个性化和有针对性的广告以及物品推荐。
因此,本说明书不旨在将本发明限制于本文所公开的特定术语。尽管已经参照上述示例详细描述了本发明,但是本领域技术人员可以在不脱离本发明的范围的情况下设想这些示例的替换、修改和变型。本发明的范围由所附权利要求限定而不是由说明书限定,并且应当理解,从所附权利要求及其等同物的含义和范围导出的所有替换和修改都包括在本发明的范围内。
Claims (10)
1.一种用于提供营销管理数据的方法,包括:
实时检测访问线上网站的多个用户的相应购买意愿;
基于所述多个用户的相应多条用户信息和所述购买意愿来生成将物品和区域考虑在内的需求预测数据;以及
基于所述需求预测数据来生成并提供用于优化由所述线上网站提供的多个物品的分发和物流的营销管理数据。
2.根据权利要求1所述的方法,其中,所述购买意愿包括所述多个用户的购买意愿简档和相应购买概率,所述购买意愿简档对应于所述多个用户期望购买的相应物品的特征。
3.根据权利要求2所述的方法,其中,检测所述购买意愿包括:
收集所述线上网站上的所述多个用户的相应多条行为数据;
通过将基于行为排列创建的购买概率模型与所述行为数据进行比较来计算所述多个用户的相应购买概率;以及
基于物品数据库和所述行为数据来生成所述多个用户的相应购买意愿简档,在所述物品数据库中存储有对应于所述多个物品的多条物品信息。
4.根据权利要求3所述的方法,其中,检测所述购买意愿还包括:
生成所述行为排列以对应于基于所述行为数据提取的连续动作;以及
通过将取决于所述连续动作的购买结果与所述行为排列匹配来创建所述购买概率模型。
5.根据权利要求2所述的方法,其中,生成所述需求预测数据被配置成:基于所述用户信息来获取关于所述多个用户的相应目的地的信息,并且使用所述购买意愿简档、所述购买概率和所述目的地信息来生成相应物品的多条需求预测数据和相应区域的多条需求预测数据中的至少一个。
6.根据权利要求3所述的方法,其中,检测所述购买意愿还包括基于与所述购买意愿简档匹配的购买概率来计算相应物品的购买概率和相应物品类别的购买概率中的至少一个。
7.根据权利要求4所述的方法,其中,生成所述行为排列被配置成通过以时间顺序布置与所述连续动作对应的统一资源定位符URL来生成所述行为排列。
8.根据权利要求5所述的方法,其中,所述营销管理数据包括与所述多个物品中的每个物品对应的相应区域的多条购买概率数据,所述购买概率数据是基于相应物品的所述多条需求预测数据和相应区域的所述多条需求预测数据生成的。
9.一种服务器,包括:
存储器,用于存储针对访问线上网站的多个用户实时检测的相应购买意愿;以及
处理器,用于基于所述多个用户的相应多条用户信息和相应购买意愿来生成将物品和区域考虑在内的需求预测数据,以及用于基于所述需求预测数据来生成并提供用于优化由所述线上网站提供的多个物品的分发和物流的营销管理数据。
10.根据权利要求9所述的服务器,其中,所述购买意愿包括所述多个用户的购买意愿简档和相应购买概率,所述购买意愿简档对应于所述多个用户期望购买的相应物品的特征。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2017-0089479 | 2017-07-14 | ||
KR1020170089479A KR102396803B1 (ko) | 2017-07-14 | 2017-07-14 | 유통과 물류의 최적화를 위한 마케팅 관리 데이터 제공 방법 및 이를 위한 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109255644A true CN109255644A (zh) | 2019-01-22 |
Family
ID=65000109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810763763.XA Pending CN109255644A (zh) | 2017-07-14 | 2018-07-12 | 用于提供优化分发和物流的营销管理数据的方法及设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20190019203A1 (zh) |
KR (1) | KR102396803B1 (zh) |
CN (1) | CN109255644A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113632127A (zh) * | 2019-03-25 | 2021-11-09 | 日本电气株式会社 | 商品需求预测装置、商品需求预测系统、商品需求预测方法和记录介质 |
TWI759823B (zh) * | 2019-09-23 | 2022-04-01 | 南韓商韓領有限公司 | 使用入站裝載模式於出站預測之電腦實施系統以及電腦實施方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11257108B2 (en) * | 2019-01-18 | 2022-02-22 | Samuel Salloum | Systems and methods for dynamic product offerings |
KR102050855B1 (ko) * | 2019-03-25 | 2020-01-08 | 강태기 | 수요 예측 장치 및 방법 |
US11423373B1 (en) * | 2019-09-17 | 2022-08-23 | Block, Inc. | Intelligent subscription identification using transaction data |
US20210090106A1 (en) * | 2019-09-23 | 2021-03-25 | Coupang, Corp. | Systems and methods for outbound forecasting |
JP2021103444A (ja) * | 2019-12-25 | 2021-07-15 | 株式会社野村総合研究所 | 需要予測システム |
KR102214611B1 (ko) * | 2020-06-09 | 2021-02-10 | 임도영 | 빅데이터를 활용한 마케팅 정보 제공 시스템 및 그 방법 |
KR102290798B1 (ko) * | 2021-03-03 | 2021-08-20 | 신창호 | 양자이론에 기반하여 상품을 관리하는 상품 관리서버 및 그 상품 관리방법 |
US20230128417A1 (en) * | 2021-10-26 | 2023-04-27 | Coupang, Corp. | Systems and methods for regional demand estimation |
KR102448463B1 (ko) * | 2021-10-26 | 2022-09-30 | 쿠팡 주식회사 | 배송 관련 정보를 처리하는 전자 장치 및 그 방법 |
US20230169564A1 (en) * | 2021-11-29 | 2023-06-01 | Taudata Co., Ltd. | Artificial intelligence-based shopping mall purchase prediction device |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001063495A2 (en) * | 2000-02-24 | 2001-08-30 | Craig Kowalchuk | Targeted profitability system |
US8095589B2 (en) * | 2002-03-07 | 2012-01-10 | Compete, Inc. | Clickstream analysis methods and systems |
US20100114654A1 (en) * | 2008-10-31 | 2010-05-06 | Hewlett-Packard Development Company, L.P. | Learning user purchase intent from user-centric data |
US8413052B2 (en) * | 2010-02-17 | 2013-04-02 | Yahoo! Inc. | Bidded marketplace for applications |
US20140195345A1 (en) * | 2013-01-09 | 2014-07-10 | Philip Scott Lyren | Customizing advertisements to users |
US20160148233A1 (en) | 2014-11-21 | 2016-05-26 | Staples, Inc. | Dynamic Discount Optimization Model |
JP2016207020A (ja) * | 2015-04-24 | 2016-12-08 | ソフトバンク・テクノロジー株式会社 | 行動データの情報エントロピーに基づくマーケティング方法及びシステム |
KR101931551B1 (ko) | 2015-10-13 | 2018-12-21 | (주)비즈스프링 | 사이트 방문자의 웹페이지 내 일련의 행동에 따른 자동화된 실시간 마케팅 시스템 |
-
2017
- 2017-07-14 KR KR1020170089479A patent/KR102396803B1/ko active IP Right Grant
-
2018
- 2018-07-12 CN CN201810763763.XA patent/CN109255644A/zh active Pending
- 2018-07-12 US US16/033,755 patent/US20190019203A1/en not_active Abandoned
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113632127A (zh) * | 2019-03-25 | 2021-11-09 | 日本电气株式会社 | 商品需求预测装置、商品需求预测系统、商品需求预测方法和记录介质 |
TWI759823B (zh) * | 2019-09-23 | 2022-04-01 | 南韓商韓領有限公司 | 使用入站裝載模式於出站預測之電腦實施系統以及電腦實施方法 |
Also Published As
Publication number | Publication date |
---|---|
KR102396803B1 (ko) | 2022-05-13 |
KR20190007875A (ko) | 2019-01-23 |
US20190019203A1 (en) | 2019-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255644A (zh) | 用于提供优化分发和物流的营销管理数据的方法及设备 | |
US11301761B2 (en) | Behavioral prediction for targeted end users | |
KR102408476B1 (ko) | 사용자 행동 순서에 기반한 구매 확률 예측 방법 및 이를 위한 장치 | |
CN109509054B (zh) | 海量数据下商品推荐方法、电子装置及存储介质 | |
KR102472572B1 (ko) | 사용자 의도 프로파일링 방법 및 이를 위한 장치 | |
CN105493057B (zh) | 利用精确性控制的内容选择 | |
WO2021025926A1 (en) | Digital content prioritization to accelerate hyper-targeting | |
US11263662B2 (en) | Systems and methods for automatic hashtag embedding into user generated content using machine learning | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
US10290040B1 (en) | Discovering cross-category latent features | |
CN107003877A (zh) | 应用的上下文深层链接 | |
CN105283841B (zh) | 应用定制的对象再利用和再循环 | |
JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN107402944A (zh) | 用于内容项转化的归因模型 | |
Chagas et al. | A literature review of the current applications of machine learning and their practical implications | |
CN113781149A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN116541602A (zh) | 推荐内容的推送方法和系统、电子设备及存储介质 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN116628349B (zh) | 信息推荐方法、装置、设备、存储介质及程序产品 | |
KR20160108731A (ko) | 온라인 쇼핑몰 어플리케이션을 생성하고 온라인 쇼핑몰 어플리케이션의 접속 정보를 분석하는 방법 및 장치 | |
Erman et al. | Mobile applications discovery: A subscriber-centric approach | |
KR101880848B1 (ko) | 이탈 사용자에게 컨텐츠를 제공하는 방법 및 시스템 | |
CN109034934A (zh) | 用于一键购买的方法及其设备 | |
US11710137B2 (en) | Method and system for identifying electronic devices of genuine customers of organizations | |
Desai et al. | Use of API’s for comparison of different product information under one roof: analysis using SVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190402 Address after: Seoul, South Kerean Applicant after: 11th Street Co., Ltd. Address before: Gyeonggi Do, South Korea Applicant before: SK Telecom Co., Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190122 |