CN113039571A - 用于实体零售商中的价格测试及优化的系统及方法 - Google Patents

Abstract

本发明提供用于优化物理零售商内的产品的基本定价的系统及方法。此类系统及方法包含首先收集针对一组物理零售空间中的产品的交易日志。验证、调整这些日志并且计算所述产品之间的弹性。所述调整可为对当天、零售商及许多外部因素(例如，天气)的响应。所述调整还可包含规范化及过滤掉不准确日志数据。通过广义线性模型来计算弹性。接着接收并与所述弹性一起使用一组约束。

Description

用于实体零售商中的价格测试及优化的系统及方法

背景技术

本发明大体上涉及价格优化方法及其设备。更特定来说，本发明涉及用于在实体零售商内产生及测试促销及基本定价以确定商品的最优价格的计算机实施的方法及计算机实施的设备。

促销是指旨在增加特定产品或服务的销售及/或与此类销售相关联的利润的各种做法。一般来说，公众通常将促销与消费型商品及服务的销售相关联，其包含消费型包装商品(例如，食品、家庭及个人护理)、耐用消费型商品(例如，消费型电器、消费型电子产品、汽车租赁)、消费型服务(例如，零售金融服务、医疗保健、保险、家庭维修、美容及个人护理)以及旅行及招待(例如，酒店，飞机航班及饭店)。促销特别涉及消费型包装商品的销售(例如，包装出售给最终消费者的消费型商品)。然而，促销几乎发生在向买方提供商品或服务的任何行业中(无论买方是最终消费者还是生产者与最终消费者之间的中间实体)。

术语促销可指例如提供旨在例如促进特定产品或服务的销售量(使用例如物理或电子优惠券或代码)。促销的一个方面还可指商品或服务的捆绑，以创建更理想出售单元，使得销售量得以改进。促销的另一方面也可能涉及特定产品的推销设计(关于外观、重量、设计、颜色等)或陈列，以期增加其销售量。其包含在商店、营销宣传品或包装上用于推动需求的行动要求或营销声明。促销可由以下中的全部或一些构成：基于价格的声明、零售商店的二次陈列或过道端盖、货架标牌、临时包装、放置在零售商通告/传单/优惠券簿中、彩色价格标签、广告声明或旨在推动考虑及购买行为的其它特殊激励措施。这些实例意在为说明性且不是限制性的。

除促销活动外，还需要执行基本定价的优化(例如，非促销价格)。零售商通常依赖制造商的建议零售定价(MSRP)用于基本价格的设定。在其它情况下，基本价格是基于竞争分析来设定—零售商可监测竞争对手的价格，并在商店的一些或全部商品上与竞争对手的价格相匹配或打败竞争对手的价格。替代地，一些零售商可为商品设定期望利润率或销售量，并相应地设定价格。然而，一般来说，由于更新标牌及销售点(POS)数据库的物流问题、大体上一致基本价格的消费者预期及零售商将继续行为模式的倾向(例如，“这是我们一贯的做法”)，实体商店中的商品的基本价格未显著变化。

在论述本发明的各种实施例时，采用消费型包装商品(以下为“CPG”)的销售来促进论述及易于理解。然而，应记住，本文论述的促销及基本定价优化方法及设备可适用于过去有定价灵活性或未来可采用的任何行业。此外，采用价格折扣作为实例以解释本文的促销方法及设备。然而，应理解，促销优化可用来操纵价格折扣以外的因素，以便影响销售量。此类其它因素的实例可包含在显示器或包装上的行动要求、CPG物品的大小、物品在商店或媒体中的陈列、促销或广告的方式等。

一般来说，据估计，消费型包装商品(CPG)行业平均17％的收入用于资助各种类型的促销，包含折扣，旨在吸引消费者尝试及/或购买包装商品。在典型实例中，零售商(例如杂货店)可在线或经由印刷通告向消费者提供折扣。促销可特定针对个别消费者(例如，基于所述消费者的人口统计或过去的买入行为)。折扣可替代地广泛地向一般公众提供。向一般公众提供的促销的实例包含例如针对特定CPG物品的印刷或电子可兑换折扣(例如，优惠券或代码)。另一促销实例可包含例如特定地理区域中CPG物品的降低价格的一般广告。另一促销实例可包含仅针对忠诚卡用户群的特定CPG物品的店内降价。

在实例中，如果消费者兑换优惠券或电子代码，那么消费者有权获得CPG物品的降低价格。由于兑换折扣给零售商造成的收入损失可由CPG物品的制造商在单独交易中全部或部分报销。

因为促销及基本价格测试是昂贵的(例如，在消费者决定利用折扣时，进行促销活动、修改显示价格及/或零售商/制造商单位收入损失的努力方面)，持续努力以最小化促销成本，同时最大化促销美元投资的回报。此努力在行业中被称为促销优化。

举例来说，典型促销优化方法可涉及检查一段时间内(例如，几周)特定CPG物品的销售量。举例来说，销售量可由随时间变化的需求曲线表示。将检查针对特定时间周期的需求曲线提升(超出基线)或下沉(低于基线)，以了解所述CPG物品在此时间周期期间销售量增加或减少的原因。

图1展示时间的一些周期内针对品牌X曲奇的实例需求曲线102。图1的实例中展示需求曲线102中的两个提升110及114以及一个下沉112。提升110展示至少在第2周，针对品牌X曲奇的需求超过基线。通过检查当时(例如，在第1到4周或第2周附近)对品牌X曲奇进行的促销努力，营销者过去曾试图判断促销努力对销售量的有效性。如果销售量被认为是由促销努力造成的，并且递送某些财务绩效指标，那么促销努力被认为是成功的，并且可在未来复制以试图增加销售量。另一方面，下沉112经检查以试图理解为什么需求在所述时间期间(例如，图1中的第3周及第4周)下降。这段时间内下沉(例如图1中的第3周及第4周)。如果需求减少是由于第2周的促销(也称为消费者食品储藏室装载或零售商预购，取决于所展示销售量是反映对消费者的销售还是对零售商的销售)，那么第3周及第4周的此减少应计入第2周的有效性。

现有技术中采用的方法的一个问题的事实是，现有技术方法是基于聚合历史数据的后顾性方法。换句话说，现有技术方法试图通过检查过去收集的聚合数据来查明促销与销售量之间关系的性质及程度。使用历史数据虽然有一些缺点(下文稍后将论述)，但不一定是问题。然而，当此数据以聚合数据的形式(例如，简单地说，品牌X曲奇的销售量与针对特定商店或地理区域的时间之比)时，不可能从此聚合历史数据提取可更合逻辑地解释需求曲线中的特定提升或下沉的所有其它因素。

更详细地说，当前促销及基本价格优化方法倾向于将销售提升或下沉作为四个主要因素的函数来评估：折扣深度(例如，CPG物品的折扣是多少)、折扣持续时间(例如，促销活动持续多长时间)、时间(例如，是否有任何特殊节假日或事件或天气)，以及分析促销时的促销类型(例如，促销是否仅是价格折扣，品牌X曲奇是否显著地陈列/未陈列，品牌X曲奇是否在促销宣传资料中被特征化/未被特征化)。

然而，可能存在导致销售提升或下沉的其它因素，且此类因素通常无法通过以后顾性方式检查针对品牌X曲奇的历史聚合销售量数据来发现。这是因为聚合销售量数据中没有足够的信息，无法提取与销售提升及下沉期间可能发生的意外或看似不相关事件有关的信息，所述事件可能实际上导致销售提升及下沉。

举例来说，假设在需求曲线102中的提升110发生时，针对品牌X曲奇有折扣促销。然而，在同一时间期间，品牌Y曲奇的分销链出现断裂，这是一个竞争对手的曲奇品牌，许多消费者认为其相当于品牌X曲奇的替代品。由于品牌Y曲奇在商店中供不应求，许多消费者为方便起见，转而买入品牌X曲奇。针对品牌X曲奇的聚合历史销售量数据，在千里之外的品牌X营销部门单独检查之后，将不会发现这个事实。因此，品牌X营销者可能会错误地假定，品牌X曲奇昂贵的促销努力是其销售提升的唯一原因，并且应继续，尽管这是导致品牌X曲奇的销售量的大部分提升的不相关事件。

作为另一实例，举例来说，假设在所述品牌X曲奇经历销售提升110的一周期间，由特定不相关供应商生产的牛奶在同一杂货店或附近的不同杂货店中得到大力促销。举例来说，牛奶可能已经在每周通告中突出显示，放在商店中非常显眼的位置，及/或牛奶行业专家可能已经出现在商店中，推动买家购买牛奶。许多消费者最终购买牛奶是因为此努力，而在牛奶促销期间买入的大多数那些消费者中的一些可能会等上一周左右，直到其将在其前几周买入的牛奶用完。此外，在此周期期间的那些牛奶买入消费者中的许多人也出于根深蒂固的牛奶及曲奇习惯而购买曲奇。针对品牌X曲奇的聚合历史销售量数据将不会揭示这一事实，除非分析针对品牌X曲奇的历史聚合销售量数据的人员恰好在所述一周期间出现在商店里，并且能够洞察到牛奶在所述一周的促销力度很大，并且还能够洞察到增加的牛奶购买可能会影响品牌X曲奇的销售量。

软件可尝试将这些意外事件中的一些考虑在内，但除非所述商店及通勤距离内的商店中的每个SKU(库存单位)以及所有事件(无论似乎与品牌X曲奇的销售相关或不相关)都进行建模，基于聚合历史销售数据的后顾性分析不可能消除数据噪声。

即使不存在意外因素，为品牌X工作的营销人员也可能有兴趣知道，相对温和的销售提升114是来自于常规品牌X曲奇买家的购买，还是由于促销活动的某一方面吸引新买家第一次买入品牌X曲奇。如果品牌X营销者能够查明，在促销周期期间，跨提升114的促销周期期间的销售提升的大部分来自品牌X曲奇的新消费者，那么此营销者可能愿意在同一类型的销售促销上花费更多的钱，甚至可容忍针对此特定类型的促销的促销美元的负ROI(投资回报)，因为从长远来看，为品牌招募新买家比为现有品牌X买家暂时增加销售额对公司更有价值。再次，当以后顾性方式检查，针对品牌X曲奇的聚合历史销售量数据将不提供此类信息。

此外，即使所有不相关及相关事件及因素都可建模，但方法是后顾性的这一事实意味着，由于事件在过去已经发生，因此无法验证关于事件对销售量影响的假设。关于涉及牛奶促销对品牌X曲奇销售影响的实例，除再次复制牛奶短缺问题外，没有办法测试理论。即使牛奶短缺问题可再次复制用于测试目的，其它条件也已经改变，包含在所述周期期间买入牛奶的大部分消费者在很长一段时间内都不需要或没有能力再次购买牛奶。一些因素(例如天气)是不可复制的，这使得理论验证具有挑战性。

在推销产品时，曾试图采用非聚合销售数据。举例来说，一些公司可采用忠诚卡程序(例如杂货店或药店常用的类型)来跟踪由个人消费者的购买。举例来说，如果个人消费者一直在买入无糖谷类食品，那么新型全谷物谷类食品的制造商可能希望向所述特定消费者提供折扣，以吸引所述消费者试用新的全谷物谷类食品，其基于理论：买入无糖谷类食品的人往往更注重健康，且因此比一般谷类食品消费公众更可能购买全谷物谷类食品。此个性化折扣可采取例如可兑换折扣的形式，例如邮寄或通过电子邮件发送到所述个人的优惠券或折扣代码。

一些公司可通过例如查明由消费者在销售点终端处购买的物品并在购买收据上提供可兑换代码来改变方法。无论采取何种方法，非聚合销售数据的利用通常导致个性化报价，并且没有在任何有意义的意义上处理或整合到促销优化努力中，以确定最具成本效益的，以最高回报的方式向一般公众促销特定的CPG物品。

也试图从消费者自身获得未来购买行为的指示，而不是依赖于后顾性的方法。举例来说，已尝试联合研究(声明偏好方法中的一者)，其中消费者被要求声明偏好。在实例联合研究中，消费者可能在商店被接近，并被问到一系列问题，旨在揭示在被呈现不同促销时消费者的未来购物行为。举例来说，可能会被问到的问题包含，“你更喜欢品牌X还是品牌Y”或“你每周在杂货店的花费是少于100美元还是多于100美元”或“你更喜欢巧克力曲奇还是燕麦片曲奇”或“你更喜欢优惠50美分的优惠券还是买一送一的曲奇交易”。消费者可就提出的问题中的每一者声明其偏好(因此使此研究成为关于声明偏好的联合研究)。

然而，此类联合研究已被证明是获得非历史数据的昂贵方法。如果联合研究经由计算机呈现，那么大多数用户可能会忽略问题及/或拒绝参与。如果雇佣人力现场人员与个人消费者交谈以进行联合研究，由于人力现场人员的工资成本，此类研究的成本往往相当高，并且可能使广泛使用此类联合研究变得不切实际。

此外并且更重要的是，人们已经知道联合研究在衡量消费者在未来的实际购买行为时有些不可靠。个人可出于内疚感声明并且知道其需要减肥，其将不会在未来六个月内购买任何曲奇，不论折扣。事实上，如果此包装以较不诱发内疚感的某一小大小携载及/或如果曲奇的包装显眼地陈列在牛奶冰箱旁边及/或如果提供10％折扣优惠券，那么所述个人每周可能会拿起一包曲奇。如果促销努力是基于此有缺陷的声明偏好数据，那么折扣在未来可能会被无效地使用，从而使制造商花费比促销所需的更多的钱。

最后，没有一种方法能够跟踪促销对针对随时间的个人买入行为品牌资产的长期影响。一些促销，即使通过传统短期措施被认为是成功的，也可能会造成损害性的长期后果。举例来说，基于价格的折扣增加，可导致消费者在确定其购买决策时增加价格的权重，使消费者更倾向于交易并且不愿意全价购买，从而降低对品牌及零售批发商店的忠诚度。

通过申请人的先前公开内容侧重于快速产生及管理跨越消费者细分市场的多个测试促销以便以一种导致成本效益、高回报及及时向一般公众促销的方式克服前述问题。然而，这些方法完全依赖于在线工具、社交媒体网站及/或网页。其为确定最有效促销价值提供非常强大的工具，但并不等同于物理零售空间中的当面购物行为。这本质上导致所收集的数据出现某种程度的失真。

此外，广告预算往往是反应性的，而不是主动的。举例来说，信息记录程序已被用以跟踪浏览历史，并针对消费者一直在搜索的产品产生广告。此类反应性策略具有有限范围并且忽略大量未开发的促销机会。

因此，很明显，迫切需要系统及方法，其不仅允许对物理零售商内的促销活动进行成本有效且准确的优化，而且还允许对基本价格进行优化。在计算最优基本价格时，此类系统及方法应允许非定价相关变量的最小化。

发明内容

为实现前述并且根据本发明，提供用于在实体零售商内产生及测试最优基本价格的系统及方法。

在一些实施例中，优化物理零售商内的产品的基本定价包含首先收集针对一组物理零售空间中的产品的交易日志。验证、调整这些日志并且计算所述产品之间的弹性。所述调整可为对当天、零售商及许多外部因素(例如，天气)的响应。所述调整还可包含规范化及过滤掉不准确日志数据。通过广义线性模型来计算弹性。接着接收及使用一组约束以及所述弹性，以通过以下的最大化而产生针对每一产品的最优价格：

e^Tx_p

服从：

A_xp≤m及x_p≥c

然后计算并且随后在三个零售商群组中评估高于及低于针对每一产品的经评估最优价格的测试值。所述评估包含经由交换算法的D-最优设计，及响应面(Box-Behnken)设计。所述零售商中的每一者经随机指派到这三个群组中的一者。所述评估的结果用于细化被计算的弹性。经估计最优价格可随后使用经细化弹性来更新。其还可与四个零售商群组中的测试值及对照价格一起验证，各自经随机指派。

交易日志包含允许将提供到零售商的一组定价指示与发生的实际定价进行比较以确认符合指示的信息。交易日志可按天及按每一零售商聚合。

应注意，以上描述的本发明的各种特征可单独或组合实践。本发明的这些及其它特征将在本发明的详细描述中并结合以下图式在下面更详细描述。

附图说明

为更清楚地查明本发明，现在将参考附图通过实例的方式描述一些实施例，其中：

图1展示随着一些时间周期的针对品牌X曲奇的实例需求曲线102；

图2A展示根据本发明的实施例的前瞻性促销优化方法的概念图；

图2B展示根据本发明的一个实施例的用于产生一般公众促销的步骤；

图3A详细展示根据本发明的实施例的从用户的角度的图2的管理步骤206；

图3B详细展示根据本发明的实施例的从前瞻性促销优化系统角度的图2的管理步骤206；

图4展示可用来产生有目的经分割子群体的各种实例分割准则；

图5展示用于将测试促销传达到受测试的经分割子群体的个体的各种实例方法；

图6展示根据一些实施例的各种实例促销显著响应；

图7展示根据一些实施例的影响典型测试促销的各种方面的各种实例测试促销变量；

图8展示根据一些实施例的前瞻性促销优化系统的一般硬件/网络视图；

图9展示根据一些实施例的采用电子标签提供近实时促销测试的实体零售商的框图；

图10展示根据一些实施例的部署在零售商空间内的电子标签系统的实例说明；

图11A到C展示根据一些实施例的在零售商中使用的用户特定电子显示器的实例说明；

图12展示根据一些实施例的用于实体零售商空间内促销的产生及测试的实例方法的流程图；

图13展示根据一些实施例的用于确定实体设定中的最优基本定价的实例方法的流程图；

图14展示根据一些实施例的用于确定实体设定中最优促销定价的实例方法的流程图；

图15展示根据一些实施例的用于确定在实体设定中的最优直售定价的实例方法的流程图；

图16展示根据一些实施例的用于在实体设定中的个性化促销的实例方法的流程图；

图17展示根据一些实施例的用于在实体设定中动态供应个性化促销的实例方法的流程图；

图18展示根据一些实施例的说明用于基本价格优化的系统的框图；

图19A及19B展示根据一些实施例的说明用于基本定价优化的流程图；

图20展示根据一些实施例的基本价格优化测试的实例首次展示的说明；

图21展示根据一些实施例的用于基本价格优化测试的实例弹性矩阵的说明；

图22展示根据一些实施例的用于基本价格优化测试的实例首次展示的销售图形的说明；

图23展示根据一些实施例的基本价格优化测试的实例细化的说明；

图24展示根据一些实施例的用于基本价格优化测试的实例细化的销售图形的说明；

图25展示根据一些实施例的完成基本价格优化测试的实例的说明；及

图26A及26B是能够实施用于设计矩阵产生及推荐覆盖的系统的实例计算机系统。

具体实施方式

现在将参考附图中所说明的本发明的若干实施例来详细描述本发明。在以下描述中，阐述众多特定细节，以便提供对本发明的实施例的透彻理解。然而，对于所属领域的技术人员来说显而易见的是，实施例可在没有这些特定细节的一些或全部的情况下实践。在其它例子中，未详细描述众所周知的过程步骤及/或结构，以避免不必要地模糊本发明。参考下面的图式及论述，可更好地理解实施例的特征及优点。

关于以下结合附图的描述，将更好地理解本发明的示范性实施例的方面、特征及优点。对于所属领域的技术人员应显而易见的是，本文提供的本发明的所描述实施例仅是说明性的并且不是限制性的，仅通过实例的方式呈现。除非另有明确声明，否则此描述中公开的所有特征可由用作相同或类似目的的替代特征替换。因此，其修改的众多其它实施例被设想为落入如本文所定义的本发明及其等效物的范围内。因此，使用绝对及/或循序术语，例如“将”、“将不”、“应”、“不应”、“必须”、“不得”、“首先”、“最初”、“下一个”、“随后”、“之前”、“之后”、“最后”及“最终”并不意味着限制本发明的范围，这是因为本文公开的实施例仅仅为示范性的。

本发明涉及用于在实体零售空间内近实时部署的促销活动及基本价格优化的产生。术语“实体”包含任何物理零售空间，并以一般零售商(例如塔吉特(Target)及沃尔玛(Walmart))、专业精品零售商、超市(例如西夫韦(Safeway))等为例。由于消费者的期望以及以允许有效促销测试的方式在零售商内部物理更新定价标牌的不合理负担，传统上不可能实施在物理零售商空间中的促销及基本价格测试的优点。

此测试活动可包含智能测试设计，用于最有效的促销及基本定价实验，以更有效地识别高效的一般促销及/或基本价格。此类系统及方法辅助管理员用户产生及部署广告活动，并优化贯穿零售商的价格。尽管此类系统及方法可与任何促销设定系统一起利用，但当与通过在一般公众促销首次展示之前大量地及迭代地管理有目的经分割子群体上的测试促销来优化促销的系统耦合时，此智能促销设计系统表现尤其卓越。在一或多个实施例中，发明性前瞻性促销优化(FL-PO)涉及通过在物理零售空间中的部署从正在测试的经分割子群体的个体消费者获得实际透露偏好。因而，以下公开内容中的一些将集中于前瞻性促销优化的机制，以便理解智能促销设计系统在其内表现卓越的背景，尤其是在物理零售空间内。

将关于众多子章节提供一些实施例的以下描述。使用带有标题的子章节希望为本发明提供更清晰及结构。子章节绝不希望限制或约束其中所含有的公开内容。因此，任一章节中的公开内容希望适用于所有其它章节，如可适用。

I.前瞻性促销优化

在前瞻性促销优化内，当个别消费者响应于特定设计的实际测试促销时，会获得所透露偏好。所透露偏好可在与个人消费者相关联的个人计算机实施的账户中被跟踪(例如，可经由集中数据库中的记录来实施，并且使得商家或消费者可经由例如因特网的计算机网络来访问)，或可基于交易记录在物理零售商处收集。举例来说，当消费者使用智能手机、网络浏览器或在实体店通过完成交易对提供特定消费型包装商品(CPG)物品20％折扣的测试促销做出响应时，所述响应将在其个人计算机实施的账户或交易记录中跟踪。此计算机实施的账户可经由例如忠诚卡程序、智能手机上的应用程序、计算机化记录、社交媒体新闻提要等来实施。

在一或多个实施例中，可在多个消费者群组(消费者群组在本文中被称为“子群体”)上设计及测试多个测试促销。通过消费者的响应经记录及分析，其中分析结果用来产生额外测试促销或制定一般群体促销。在零售商空间中进行物理测试的情况下，可使用忠诚度程序信息及类似者来分割消费者群。然而，在替代情形下，在零售商中购物的个人可被视为“子群体”，因为其是通过地理来自我选择的，这提供对人口统计、社会经济地位等的见解。

如本文稍后将论述，如果消费者实际兑换优惠，那么在所述消费者的计算机实施的账户中记录并注释一种类型的响应。即使通过消费者的行动不涉及立即实际兑换或实际利用促销优惠，然而所述消费者的行动可能构成指示兴趣水平或缺乏兴趣的响应，并且可能仍然有助于透露消费者偏好(或缺乏偏好)。举例来说，如果消费者将电子优惠券(作为测试促销的部分提供)保存在其电子优惠券文件夹中，或经由电子邮件或社交网站将所述优惠券转发给朋友，那么所述行动可能指示某一兴趣水平，并且可能有助于确定给定测试促销的有效性。在物理零售商空间，如果消费者停下来看产品，或甚至拿起产品，但选择不在登记处购买，此活动在可靠测量的程度内可能指示对促销的兴趣，尽管没有完成交易。在一或多个实施例中，通过消费者的不同类型的响应/动作可被赋予不同权重。

促销测试中涉及的消费者群组代表根据专门为测试促销的目的而设计的分割准则有目的地分割的公众的分割。如本文所采用的术语，当基于准则而不是仅仅为构成子群体中给定数目个成员而选择其成员时，子群体被认为是有目的地分割的。人口统计学、买入行为、行为经济学、地理(例如，在某个实体零售商处购买)是可用于有目的地将群体分割为子群体用于促销测试的实例准则。在实例中，经分割群体可以数十、数百或甚至数千个人计入。相反，一般公众可涉及数万、数十万或数百万潜在客户。

通过有目的地将公众分割为用于促销测试的小的子群体，本发明的实施例可对例如人口统计(例如，年龄、收入、性别、婚姻状况、地址等)、买入行为(例如，品牌X曲奇的常规购买者、高档食品的消费者、经常旅行者等)、天气、购物习惯、生活方式及/或任何其它适用于创建子群体的任何其它准则的变量施加控制。更重要的是，子群体保持小，使得可在不同子群体上同时或在不同的时间执行多个测试促销，而没有不适当的成本或延迟，以便获得与测试促销响应行为有关的数据。举例来说，在有目的经分割子群体上创建及执行测试促销的低成本/低延迟方面允许，如果测试、统计显著数目的测试以及/或迭代测试，以隔离测试促销中的获胜特征，会发生什么样的情况。

一般来说，每一个别测试促销可经设计以测试一或多个测试促销变量。举例来说，这些测试促销变量可能涉及与正在促销的商品/服务有关的大小、形状、颜色、陈列方式、折扣方式、宣传方式、传播方式。

作为非常简单的实例，一个测试促销可涉及12盎司包装的中盐花式薯片及常规价格的30％折扣。此测试促销可测试在$30,000到$50,000年收入范围中的35到40岁的专业人士的有目的经分割子群体。另一测试促销可涉及对在较高$100,000到$150,000年收入范围中的35到40岁的专业人士的不同的有目的经分割子群体的相同的30％折扣的12盎司包装的中盐花式薯片。通过控制除收入范围外的所有变量，如果以统计显著数字重复这两个测试促销的响应，可能会产生关于35到40岁专业人士的收入与其对12盎司包装的中盐花式薯片的实际偏好之间关系的相当准确的信息。

在设计不同测试促销时，测试促销变量中的一或多者可能不同，或用于创建有目的经分割子群体的分割准则中的一或多者可能不同。接着收集及分析来自子群体中个体的测试促销响应，以查明哪个测试促销或测试促销变量产生最理想的响应(例如，基于一些预定义成功准则)。

此外，测试促销还可透露有关哪个子群体关于测试促销响应执行地最好或良好。以此方式，测试促销响应分析不仅提供有关测试促销及/或测试促销变量的相对性能的见解，而且还提供有关群体分割及/或分割准则的见解。在实施例中，预期分割可任意或随机地分割成群组，并且可针对这些任意经分割群组执行测试促销，以便获得有关对特定类型的促销响应良好的个人特性的见解。

在实施例中，产生最理想响应的所述识别测试促销变量接着可用于制定一般公众促销(GPP)，其接着可被提供到更大公众。一般公众促销与测试促销的不同之处在于，一般公众促销是旨在向公众的成员提供的促销以增加或最大化销售或利润，而测试促销旨在针对符合特定分割准则的一小群体的个体用促销测试的目的。一般公众促销的实例包含(但不限于)在报纸上印刷的广告、在公众论坛及网站上的发布、用于一般分发的传单、在收音机或电视上发布、向公众的成员广泛传输或提供的促销，及/或推出到更广泛组的物理零售商位置的促销。举例来说，一般公众促销可采取纸质或电子通告的形式，其向更大公众提供相同促销。

替代地或另外，可用不同子群体(使用相同或不同分割准则分割)及不同测试促销(使用测试促销变量的相同或不同组合设计)反复迭代促销测试，以便在形成广义公众促销之前验证一或多个测试促销响应分析结果。以此方式，可减少“假阳性”。

由于测试促销可涉及许多测试促销变量，如所提及，迭代测试促销测试可有助于找准变量(例如，促销特征)，所述变量对特定子群体或一般公众产生最理想的测试促销响应。

举例来说，假设制造商希望找出包装薯片的最有效的测试促销。一个测试促销可透露与在包装在绿色纸袋中时相比，在包装在棕色纸袋中时，消费者往往买入更多数量的薯片。此“获胜”测试促销变量值(例如，棕色纸袋包装)可在另一组测试促销中使用测试促销变量的不同组合(例如具有不同价格、不同陈列选项等)对相同或不同的有目的经分割子群体进行重新测试。后续测试促销可在不同测试促销变量组合中及/或用不同测试子群体迭代多次，以验证消费者对棕色纸袋包装的偏好高于针对薯片的其它类型的包装。

此外，来自不同测试促销的个别“获胜”测试促销变量值可经组合以增强待创建的一般公众促销的功效。举例来说，如果发现买一送一折扣是另一获胜变量值(例如，消费者在提供买一送一折扣时倾向于买入更多数量的薯片)，那么可将获胜测试促销变量(例如，折扣深度)的获胜测试促销变量值(例如，前面提及买一送一折扣)与棕色纸包装获胜变量值以产生涉及在棕色纸袋包装中的折扣买一送一薯片的促销。

涉及在棕色纸袋包装中折扣买一送一薯片的促销可进一步测试，以验证此组合比仅使用棕色纸袋包装的测试促销或仅使用买一送一折扣的测试促销引出更理想响应的假设。由于许多“获胜”测试促销变量值可根据需要在单个促销中识别及组合。在某一点处，在一或多个实施例中，“获胜”测试促销变量的组合(涉及一个、两个、三个或多个“获胜”测试促销变量)可用来创建一般公众促销。

在一或多个实施例中，测试促销可使用测试促销变量的不同组合在不同的有目的经分割子群体上迭代地及/或以连续方式执行，以继续获得对消费者实际透露偏好的洞察，即使所述偏好随时间而改变。应注意，从测试促销获得的消费者响应是实际透露偏好，而不是声明偏好。换句话说，从根据本发明的实施例管理的测试促销获得的数据涉及当用实际促销呈现时个人消费者实际做什么。对数据进行跟踪，并可在测试促销中涉及的个人消费者的个人计算机实施的账户中进行分析及/或验证。此透露偏好方法与声明偏好方法相反，所述声明偏好数据是在消费者声明其在响应例如假设提出的联合测试问题时假设会做什么时获得的。

因而，根据本发明的实施例获得的实际偏好测试促销响应数据是在一般公众促销中用相同或类似促销呈现时一般群体成员预期表现出什么的更可靠的指示符。因此，当基于此测试促销响应数据产生一般公众促销时，测试促销响应行为(响应于测试促销而获得)与一般公众响应行为之间存在更密切关系。

此外，声明偏好测试的较低面有效性，即使洞察具有统计相关性，也会带来实际挑战；进行此类测试的CPG制造商必须接着将洞察传达到零售商，以便推动现实世界行为，并在事后使零售商相信这些测试的有效性可导致较低可信度及较低采用率，或“信号丢失”，因为来自这些测试中的顶级概念被第三方(零售商)重新解释，所述第三方没有参与原始测试设计。

应指出，本文公开的发明性测试促销优化方法及设备的实施例在前瞻性基础上操作，因为在制定一般公众促销之前，在经分割子群体上产生及测试多个测试促销。换句话说，对不同的有目的经分割子群体执行多个测试促销的分析结果被用来产生未来一般公众促销。以此方式，即使在向公众发布提议的一般公众促销之前，也可获得有关提议的一般公众促销的“预期”功效的数据。这是以低成本获得高效一般公众促销的一个关键驱动力。

此外，子群体可用高度粒度分割准则产生，允许控制可能由于许多因素而产生的数据噪声，其中的一些因素可能不受制造商或商家的控制。这与现有技术的聚合数据方法形成对比。

举例来说，如果在同一日期对在同一商家购物的两个子群体执行两个不同测试促销，由于当天时间或交通条件引起的响应行为变化在结果中基本消除或基本最小化(因为时间或天或交通条件将以基本相同的方式影响被测试的两个子群体)。

测试促销自身可经制定以分离特定测试促销变量(例如前面提及的薯片棕色纸包装或16盎司大小包装)。这也与现有技术的聚合数据方法形成对比。

因此，在一或多个实施例中，个别获胜促销变量可经分离及组合以产生更有效促销活动。此外，测试促销响应数据可经分析以回答与特定子群体属性或特定测试促销变量相关的问题。利用本发明的实施例，现在可从测试子群体响应数据回答例如“需要多大程度的折扣才能将18到25岁男性在星期一购物的买家购买的薯片数量增加10％”的问题或产生为回答此问题而专门设计的测试促销。此数据粒度及分析结果是不可能使用现有技术的后顾性的聚合历史数据方法来实现的。

在一或多个实施例中，提供用于产生用于测试促销概念的想法的促销想法模块。促销想法产生模块依赖于一系列预先构建的句子结构，其概括典型促销结构。举例来说，买入X，以$Z的价格得到Y(Buy X,get Y for$Z price)将是一个句子结构，而当你买入X时以$Z得到Y(Get Y for$Z when you buy X)将是第二个句子结构。区分所述两个实例中消费者的行动要求是实质性的不同是很重要的，并且不能假定在使用一个句子结构与另一时，促销响应将是相同的。解决方案灵活、动态，因此一旦识别X、Y及Z，就可测试多个有效的句子结构。另外，句子中的其它变量也可改变，例如将“买入”替换为“赶紧买入”或“马上行动”或“赶紧去当地商店找”。所述解决方案提供平台，其中由非专业用户可轻松地产生多个产品、优惠以及表达此类优惠的不同方式。待测试的组合量可为无限的。此外，产生可为自动化的，从而节省产生促销概念的时间及努力。在以下章节中，将更详细地提供一种机制，即设计矩阵，用于促销产生的自动化。

在一或多个实施例中，一旦开发出一组概念，所述技术有利地a)将约束仅测试“可行促销”的优惠，例如，不违反当地法律、与品牌指南冲突、导致实际上不相关的无利可图概念的优惠可在零售商的系统上执行，等等，及/或b)链接到微观测试的实验设计，以确定在任何给定时间测试哪些变量组合。

在一或多个实施例中，提供优惠选择模块，用于使非技术受众能够选择可行优惠，用于在测试环境之外计划传统促销(例如，例如一般群体促销)的目的。通过使用过滤器及高级消费者质量图形，优惠选择模块将被约束以仅展示来自测试的顶级执行概念，并尽可能地具有生产就绪的艺术品。通过这样做，优惠选择模块将与来自传统分析工具的传统的、基于Excel的或大量面向数字的性能报告无关。用户可通过选择预先扫描的促销中的任一者用于将其包含在向公众提供的优惠中来具有“框架内的自由”，但价值递送给零售商或制造商，因为优惠经约束以仅包含最好执行概念。偏离顶级概念可为可实现的，但只有在特定改变通过测试过程运行并出现在优惠选择窗口中时才能实现。

在实施例中，明确预期一般群体及/或子群体可从社交媒体站点(例如，Facebook^TM、Twitter^TM、Google+^TM等)参与者选择。社交媒体提供大群体的活跃参与者，并经常提供各种通信工具(例如，电子邮件、聊天、对话流、运行帖子等)，这使得提供促销及接收对促销的响应有效。存在各种工具及数据源来揭示社交媒体站点成员的特性，所述特性(例如，年龄、性别、偏好、对特定主题的态度等)可用作高粒度分割准则，借此简化分割计划。

尽管在本文的各种实例中论述杂货店及其它实体业务，但明确预期本发明的实施例也适用于在线购物及在线广告/促销以及在线成员/客户。

参考下面的图式及论述，可更好地理解本发明的实施例的这些及其它特征及优点。

图2A展示根据本发明的实施例的前瞻性促销优化方法的概念图。如图2A中所展示，将多个测试促销102a、102b、102c、102d及102e分别管理到有目的经分割子群体104a、104b、104c、104d及104e。如所提及，测试促销(102a到102e)中的每一者可经设计以测试一或多个测试促销变量。

在图2A的实例中，测试促销102a到102d展示为测试三个测试促销变量X、Y及Z，其可代表例如包装的大小(例如，12盎司对16盎司)、陈列方式(例如，在过道末端对货架上)及折扣(例如，10％折扣对买一送一)。当然，这些促销变量仅仅是说明性的，如果有兴趣确定消费者将如何响应测试促销变量中的一或多者的变化，那么包装产品的生产、包装、陈列、促销、折扣等中所涉及的几乎任何变量可被视为测试促销变量。此外，尽管在图2A的实例中仅展示几个测试促销变量，但测试促销可根据需要涉及尽可能多或尽可能少的测试促销变量。举例来说，测试促销102e展示为测试四个测试促销变量(X、Y、Z及T)。

测试促销变量中的一或多者可能因测试促销而异。在图2A的实例中，测试促销102a涉及测试变量X1(代表针对测试变量X的给定值或属性)，而测试促销102b涉及测试变量X2(代表针对测试变量X的不同值或属性)。相对于另一测试促销，测试促销可改变一个测试促销变量(如在测试促销102a及102b之间的比较中可看出)或许多测试促销变量(如在测试促销102a及102d之间的比较中可看出)。此外，没有要求所有测试促销必须具有相同数目个测试促销变量(如在测试促销102a及102e之间的比较中可看出)，尽管为了验证单个变量的效果的目的，保留其它变量的数目及值(例如，控制变量)从一个测试到另一测试相对恒定(如在测试促销102a及102b之间的比较可看出)。

一般来说，可使用自动化测试促销产生软件110产生测试促销，所述软件例如改变测试促销变量及/或测试促销变量的值及/或测试促销变量的数目以提出不同测试促销。

在图2A的实例中，展示使用四个分割准则A、B、C、D对有目的经分割子群体104a到104d进行分割，所述准则可代表例如消费者的年龄、家庭收入、邮政编码、在特定物理零售商购物的消费者群组，从过去的购买行为来看，这个人是奢侈物品买家还是价值物品买家。当然，这些分割准则只是说明性的，如果有兴趣确定特定子群体将可能如何响应测试促销，那么几乎任何人口统计、行为、态度，无论是自我描述的、客观的，还是从数据源(包含过去购买或当前购买数据)插入的等都可用作分割准则。此外，尽管在图2A的实例中仅展示与子群体104a到104d相关的几个分割准则，但分割可根据需要涉及尽可能多或尽可能少的分割准则。举例来说，有目的经分割子群体104e经展示使用五个分割准则(A、B、C、D及E)进行分割。

在本公开中，区分有目的经分割子群体及随机经分割子群体。前者表示基于一或多个分割准则或属性有意识努力以对个体进行分组。后者表示用于形成群组而不考虑个体的属性的随机分组。随机经分割子群体在一些情况下是有用的；然而，当差异被指出时，其与有目的经分割子群体是有区别的。

分割准则中的一或多者可因有目的经子群体而异。在图2A的实例中，有目的经分割子群体104a涉及分割准则值A1(代表针对分割准则A的给定属性或属性范围)，而有目的经分割子群体104c涉及分割准则值A2(代表针对相同分割准则A的不同属性或属性组)。

可看到，不同的有目的经分割子群体可具有不同数目个个体。作为实例，有目的经分割子群体104a具有四个个体(P1到P4)，而有目的经分割子群体104e有六个个体(P17到P22)。有目的经分割子群体可在单个分割准则的值中(如在有目的经分割子群体104a及有目的经分割子群体104c之间的比较中可看出，其中属性A从A1改变为A2)或同时在许多分割准则的值中(如在有目的经分割子群体104a及有目的经分割子群体104d之间的比较中可看出，其中针对属性A、B、C及D的值都不相同)。两个有目的经分割子群体也可被等同地分割(例如，使用相同分割准则及针对所述准则的相同值)，如可在有目的经分割子群体104a及有目的经分割子群体104b之间进行比较中可看出。

此外，没有要求所有有目的经分割子群体必须使用相同数目个分割准则进行分割(如在有目的经分割子群体104a及104e之间的比较中可看出，其中有目的经分割子群体104e使用仅五个准则进行分割，且有目的经分割子群体104a仅使用四个准则进行分割)，尽管为验证单个准则的效果的目的，保留其它分割准则的数目及值(例如，控制准则)从有目的经分割子群体到有目的经分割子群体相对恒定。

一般来说，可使用自动化分割软件112产生有目的经分割子群体，所述软件112改变例如分割准则及/或分割准则的值及/或分割准则的数目，以提出不同的有目的经分割子群体。

在一或多个实施例中，测试促销以此方式被管理到有目的经分割子群体中的个别用户，使得所述有目的经分割子群体中的个人用户的响应可被记录用于稍后分析。作为实例，电子优惠券可在个人用户的计算机实施的账户(例如，购物账户或忠诚度账户)中呈现，或通过电子邮件发送或以其它方式传输到个人的智能电话。在实例中，可在用户的智能电话上向用户提供可在商家处兑换的电子优惠券。在图2A中，此管理由从测试促销102a延伸到有目的经分割子群体104a中的个体P1到P4中的每一者的线代表。如果用户(例如用户P1)做出促销显著响应，那么在数据库130中注释所述响应。

促销显著响应被定义为表明对所促销商品/服务的某种程度的兴趣或不感兴趣的响应。在前面提及的实例中，如果用户P1在商店兑换电子优惠券，那么兑换强烈地指示用户P1对所提供商品的兴趣。然而，为了促销分析目的，缺乏实际兑换或实际购买的响应可能仍然是显著的。举例来说，如果用户将电子优惠券保存在其智能手机上的电子优惠券文件夹中，那么此动作可被视为指示对促销商品的某种水平的兴趣。作为另一实例，如果用户将电子优惠券转发给其朋友或社交网络站点，那么此转发也可被视为指示对促销商品的另一水平的兴趣。作为另一实例，如果用户快速地将优惠券移动到垃圾箱中，此动作也可指示对促销商品的一定水平的强烈不敢兴趣。在一或多个实施例中，权重可赋予各种用户响应以反映与用户对测试促销的响应相关联的兴趣/不感兴趣的水平。举例来说，实际兑换可被给予1的权重，而保存到电子文件夹将被给予仅0.6的权重，而立即删除电子优惠券将被给予-0.5的权重。

分析引擎132代表用于分析对测试促销的消费者响应的软件引擎。响应分析可采用任何分析技术(包含统计分析)，其可透露测试促销变量、子群体属性及促销响应之间的相关性的类型及程度。举例来说，分析引擎132可查明，对于32盎司软饮料，如果在星期一晚上足球赛之前以电子优惠券的形式呈现，那么某个测试促销变量值(例如买一送一折扣)可能比另一测试促销变量(例如25％折扣)更有效。此相关性可用来通过一般促销产生器软件(160)来制定一般群体促销(150)。从此论述序列可看出，优化是前瞻性优化，因为预先对有目的经分割子群体管理的测试促销的结果被用来产生将在稍后日期向公众发布的一般促销。

在一或多个实施例中，由分析引擎132查明的相关性可用来产生额外测试促销(箭头172、174及176)，以管理相同或不同的一组有目的经分割子群体。迭代测试可用来验证相关性的一致性及/或强度(通过对不同的有目的经分割子群体管理相同测试促销，或通过将“获胜”测试促销值与其它测试促销变量相组合，以及对相同或不同的一组有目的经分割子群体管理重新制定测试促销)。

在一或多个实施例中，来自一个测试促销的“获胜”测试促销值(例如，20％折扣的列出价格)可与来自另一测试促销的“获胜”测试促销值(例如，包装在普通棕色纸袋中)组合以产生又一测试促销。由多个“获胜”测试促销值形成的测试促销可被管理到不同的有目的经分割子群体，以查明此组合是否将从测试主体引出更理想响应。

由于有目的经分割子群体很小，并且可用高粒度的分割准则进行分割，可产生大量的测试促销(也可用高粒度测试促销变量)，并且可以相对较低的成本快速地执行测试促销/有目的经分割子群体的大量组合。与一般公众促销提供的相同数目个促销实施起来成本过于高昂，大量失败的公众促销对制造商/零售商来说成本高昂。相反，如果测试促销失败，那么测试促销只提供到一或多个经分割子群体中的少数消费者，或在有限的时间内提供有限数目个物理位置，这一事实将限制失败的成本。因此，即使大量这些测试促销“失败”以引出期望响应，但进行这些小测试促销的成本仍然很小。

在实施例中，可设想数十个、数百个、甚至数千个这些测试促销可同时或在时间上交错地对数十个、数百个或数千个经分割子群体进行管理。此外，执行(或迭代执行)的大量测试促销改进由分析引擎查明的相关性的统计有效性。这是因为测试促销变量值、子群体属性等的变化的数目可能很大，因此产生丰富及粒度化结果数据。数据丰富结果使分析引擎能够在测试促销变量、子群体属性及响应的类型/程度之间产生高粒度相关性，以及跟踪随时间的改变。这些更准确/粒度相关联性又有助于改进由从这些相关性创建的一般公众促销可能会引出来自一般公众的期望响应的概率。随着时间的推移，其还将针对特定类别、品牌、零售商及个人购物者创建促销配置文件，例如，购物者1喜欢竞争，且购物者2喜欢即时财务节约。

图2B展示根据本发明的实施例的用于产生一般公众促销的步骤。在一或多个实施例中，图2B的每个、一些或所有步骤可经由软件自动化，以自动化前瞻性促销优化过程。在步骤202中，产生多个测试促销。这些测试促销已经结合图2A的测试促销102a到102e论述，并且代表对小的有目的经分割子群体管理的多个实际促销，以允许分析引擎揭示在实施例中的测试促销变量、子群体属性及响应的类型/程度之间的高度准确/粒度相关性，这些测试促销可使用自动化测试促销产生软件来产生，所述软件根据启发式随机地改变测试促销变量，及/或响应例如来自分析引擎132的有关相关性的假设。

在步骤204中，产生经分割子群体。在实施例中，经分割子群体代表随机经分割子群体。在另一实施例中，经分割子群体代表有目的经分割子群体。在另一实施例中，经分割子群体可代表随机经分割子群体及有目的经分割子群体的组合。在实施例中，可使用自动化子群体分割软件来产生这些经分割子群体，所述软件根据启发式随机地改变分割准则中的一或多者，及/或响应例如来自分析引擎132的有关相关性的假设。

在步骤206中，将在步骤202中产生的多个测试促销管理到在步骤204中产生的多个经分割子群体。在实施例中，将测试促销管理到经分割子群体内的个体，并且获得个体响应并将其记录在数据库中(步骤208)。

在实施例中，自动化测试促销软件使用电子联系数据自动地管理对经分割子群体的测试促销，所述电子联系数据可预先从例如社交媒体站点、忠诚卡程序、与个体消费者的先前联系或从第三方购买的潜在消费者数据等获得。在一些替代实施例中，如下面将更详细地论述，可经由在物理零售位置内陈列的电子定价标签来管理测试促销。由于后勤考虑，此物理测试促销可能受到部署时间的约束。举例来说，可在销售点终端处，或经由网站或程序，经由社交媒体，或经由在个人使用的智能电话上实施的应用程序来获得响应。

在步骤210中，分析响应以揭示测试促销变量、子群体属性及响应类型/程度之间的相关性。

在步骤212中，从相关性数据制定一般公众促销，由分析引擎从经由子群体测试促销获得的数据揭示所述相关性数据。在一个实施例中，可使用至少利用测试促销变量及/或子群体分割准则及/或测试主体响应及/或由分析引擎132提供的分析的公众促销产生软件自动地产生一般公众促销。

在步骤214中，向一般公众发布公众促销，以促销商品/服务。

在一或多个实施例中，使用经分割子群体上的测试促销的促销测试与一般公众促销的发布并行发生，并且可以连续方式继续以验证相关性假设及/或基于相同或不同分析结果导出新的一般公众促销。如果需要涉及由分析引擎132揭示的相关性假设的迭代促销测试，那么可根据需要针对相同经分割子群体或不同经分割子群体(路径216/222/226或216/224/226或216/222/224/226)产生及执行相同测试促销或新的测试促销。如所提及，迭代促进测试可验证相关性假设，用于消除“假阳性”及/或揭示测试促销变量的组合，其可从测试主体引出更有利或不同的响应。

促销测试可使用相同或不同组的测试促销在相同或不同组的经分割子群体上持续执行(路径218/222/226或218/224/226或218/222/224/226或220/222/226或220/224/226或220/222/224/226)。

图3A根据本发明的一个实施例从用户的角度更详细地展示图2的管理步骤206。在步骤302中，从测试促销产生服务器(其执行用于产生测试促销的软件)接收测试促销。作为实例，测试促销可在用户的智能电话或平板计算机(例如在电子优惠券或折扣代码的情况下，连同关于产品、销售地点、销售时间等的相关联促销信息)处，在与作为待被测试的经分割子群体的成员的用户相关联的计算机实施的账户(例如忠诚度程序账户)，经由一或多个社交媒体站点接收，或显示在零售商的物理商店内的电子定价标签上。在步骤304中，向用户呈现测试促销。在步骤306中，获得用户对测试促销的响应并传输到数据库用于分析。

图3B根据本发明的实施例的从前瞻性促销优化系统角度更详细地展示图2的管理步骤206。在步骤312中，使用测试促销产生服务器(其执行用于产生测试促销的软件)产生测试促销。在步骤314中，向用户提供测试促销(例如，传输或通过电子邮件发送到用户的智能电话或平板计算机或计算机，使用用户的忠诚账户与用户共享，陈列在物理零售商中)。在步骤316中，系统接收用户的响应并将用户的响应存储在数据库中用于稍后分析。

图4展示各种实例分割准则，其可用于产生有目的经分割子群体。如图4中所展示，人口统计准则(例如，性别、位置、家庭人数、家庭收入等)、购入行为(类别购买指数、最频繁购物时间、价值与高级购物者等)、过去/当前购买历史、渠道(例如，经常购物的商店、在行驶距离内商店的竞争性顾客来源区)，行为经济学因素等都可用以产生具有高粒度程度的经分割子群体。图4的实例意在为说明性的，且不意在为详尽性或限制性的。如所提及，本发明的一或多个实施例使用基于分割准则的值产生经分割子群体的自动化群体分割软件自动地产生经分割子群体。

图5展示向被测试的经分割子群体的个体传达测试促销的各种实例方法。如在图5中所展示，当个人经由计算机或智能电话或平板计算机访问其购物账户或忠诚度账户时，测试促销可邮寄给个人，以文本或电子传单或优惠券或折扣代码的形式通过电子邮件发送，并显示在网页上，并且最后显示在零售商的商店内的电子定价标签上。可使用在销售点终端处打印优惠券(其可邮寄或可从优惠券的电子版本打印)、优惠券的电子版本(例如，屏幕图像或QR代码)发生兑换，口头提供或手动将折扣代码输入商店处或销售点处的终端中，或在已显示促销的物理位置中购买物品。图5的实例意在为说明性的，且不意在为详尽性或限制性的。本发明的一或多个实施例使用自动地传达/通过电子邮件发送/邮寄/管理测试促销的软件，自动地将测试促销传达到经分割子群体中的个体。以此方式，可自动地管理子群体测试促销，这使得制造商及零售商能够以低成本/延迟产生及管理大量测试促销。

图6根据一个实施例展示各种实例促销显著响应。如所提及，测试优惠的兑换是对促销感兴趣的一个有力指示。然而，响应于收到促销的其它消费者动作也可透露兴趣/不感兴趣的水平，并且可由分析引擎用于查明哪个测试促销变量可能或不可能引出期望响应。图6中所展示的实例包含兑换(强烈兴趣)、删除促销优惠(低兴趣)、保存到电子优惠券文件夹(轻度至强烈兴趣)、点击阅读进一步(轻度兴趣)、转发到自我或他人或社交媒体站点(轻度至强烈兴趣)，停下来看商店内的物品(轻度兴趣)，在物理商店中拿起物品，但最终没有购买物品(强烈的兴趣)。如所提及，可将权重赋予各种消费者响应以允许分析引擎指派分数并提供用户兴趣数据以用于制定后续测试促销及/或制定一般公众促销。举例来说，低兴趣可被赋予-0.75到-0.25的分数，轻度兴趣可被赋予0.1到0.5的分数权重，强烈兴趣可被赋予0.5到0.8的分数，且购买产品可被赋予1的分数。图6的实例意在为说明性的，且不意在为详尽性或限制性的。

图7展示根据本发明的一个实施例的影响典型测试促销的各个方面的各种实例测试促销变量。如在图7中所展示，实例测试促销变量包含价格、折扣动作(例如，节省10％，节省$1美元，买一送一优惠等)、艺术品(例如，测试促销中用于吸引兴趣的图像)、品牌(例如，品牌X薯片与品牌Y薯片)、定价层(例如，溢价、价值、经济)、大小(例如，32盎司、16盎司、8盎司)、包装(例如，单件、6包、12包、纸张、罐头等)、渠道(例如，电子邮件与纸质优惠券与忠诚度账户中的通知)。图7的实例意在为说明性的，且不意在为详尽性或限制性的。如所提及，本发明的一或多个实施例涉及通过随机地或基于来自其它测试促销的分析或来自一般公众促销的分析的反馈来改变测试促销变量中的一或多者来使用自动化测试促销产生软件自动地产生测试促销。

图8展示根据本发明的实施例的前瞻性促销优化系统800的一般硬件/网络视图。一般来说，所论述的各种功能可实施为软件模块，其可在一或多个服务器(包含实际及/或虚拟服务器)中实施。在图8中，展示用于根据测试促销变量产生测试促销的测试促销产生模块802。还展示用于根据分割准则产生经分割子群体的群体分割模块804。还展示用于向多个经分割子群体管理多个测试促销的测试促销管理模块806。还展示用于分析如前面所论述的对测试促销的响应分析模块808。还展示用于使用来自测试促销的数据的分析结果来产生一般群体促销的一般群体促销产生模块810。还展示代表用于接收响应的软件/硬件模块的模块812。举例来说，模块812可代表商店中的销售点终端、在线购物网站上的购物篮、智能电话上的应用程序、显示在计算机上的网页、社交媒体新闻提要等，其中可接收用户响应。

模块802到812中的一或多者可在一或多个服务器上实施，如所提及。展示代表针对用户数据及/或测试促销及/或一般公众促销数据及/或响应数据的数据存储的数据库814。数据库814可由单个数据库或多个数据库实施。服务器及数据库可使用局域网、内部网、因特网或其任一组合耦合在一起(由参考数字830展示)。

用于测试促销管理及/或获取用户响应的用户交互可经由用户交互装置中的一或多者来进行。此类用户交互装置的实例为有线膝上型计算机840、有线计算机844、无线膝上型计算机846、无线智能电话或平板计算机848。测试促销也可经由打印/邮寄模块850来管理，其经由邮寄852或打印通告854将测试促销传达到用户。图8的实例组件仅为说明性的，并不意在限制本发明的范围。一旦产生一般公众促销，也可使用本文论述的用户交互装置/方法中的一些或全部传达到公众。

如所属领域的技术人员所了解，为广义公众促销提供结果有效的一组推荐是测试促销优化中更重要的任务中的一者。

在一或多个实施例中，提供用于自动化促销测试的自适应实验及优化过程。当测试促销以可能产生与广义公众促销的目标一致的期望响应的方式产生时，测试被称为是自动化的。

举例来说，如果目标是使某个新创建的薯片品牌的销售利润最大化，那么本发明的实施例在不使用所需的人为干预的情况下，最优地及自适应性地计划测试促销，迭代通过测试促销以最优方式测试测试促销变量，学习并验证使得可导出最具结果有效组的测试促销，并且将此结果有效组的测试促销提供为用于广义公众促销的推荐以实现新创建的薯片品牌销售利润最大化的目标。

术语“无需人为干预”并不表示零人为干预。然而，所述术语表示，用于自动化促销测试的自适应实验及优化过程可在不需要人工干预的情况下执行。然而，本发明的实施例并不排除人类，尤其是专家的任选参与，在用于自动化促销测试的自适应实验及优化过程的各个阶段中，如果需要在各个点处进行此参与以在用于自动化促销测试过程的自适应实验及优化过程中注入人类智能或经验或时序或判断。此外，所述术语不排除以其它方式也可自动化的任选非必要辅助人工活动(例如发出“运行(run)”命令以开始产生测试促销或发出“发送(send)”命令以发送获得的推荐)。

II.物理零售空间内的近实时测试

从历史上看，有效及统计上有效的价格测试限于实体零售空间内。消费者传统上对普通商品价格变化敏感，并且更新定价标牌的物流障碍对严格的测试是望而却步的。为有效地测试物理空间内的价格，必须定期并且持续更新大量价格(及其它变量)。变量改变的速度及频率应很高，以最小化外部因素，例如依赖天气的因素、宏观经济影响及季节性问题。

与商店内定期、频繁及持续更新促销变量的需求相竞争的是，需要对商店进行相应的物理更新。至少，这包含几乎不间断地更换定价标牌。对于具有24小时经营(或接近24小时)的具有数千个物品的零售商店，此活动充其量完成是有问题的，而且可能针对大多数零售商不可能完成，不管人员配备水平如何。每周更换纸质定价标牌是可实现的，并且大多数零售商目前具有用以更新纸质价格标签的每周流程。针对现有纸质标签的价格优化方法可完成并遵循与电子商店标签相同的优化框架，但价格改变的循环限于周移动或当前零售商价格标签变化的节奏。通过利用电子标签(E-标签)，此过程几乎可为瞬时的，从而允许实时的变量改变。即使是在24小时零售空间，这可允许有效促销或基本价格测试，这是先前不可能的。

图9展示根据一些实施例的采用电子标签910以提供近实时促销测试的实体零售商920A到D的框图900。E-标签可包含简单的低电力“电子纸”显示器，其足够大以显示产品的定价。E-标签还包含允许远程更新显示器的接收器。通常，位于零售商内并且耦合到商店内的Wi-Fi的服务器940被用于控制E-标签上所展示的价格。数据库980提供有关待更改以有效测试零售商内部促销的促销变量的服务器信息。

虽然最简单的E-标签可能包含单色显示器，其足够大以仅显示产品价格，但更高级的E-标签可启用更多动态显示性质及额外显示不动产。这允许在以上促销测试论述中考虑的图像及其它促销变量(例如，图像、各种更复杂的促销结构等)。应理解，以下论述的大部分应集中在作为主要促销变量的价格，以及限于显示最少信息的E-标签上。这样做是为了清楚的目的，并且不希望是限制性的。本文所论述的系统及方法同样适用于更多动显示并且并入有广泛的促销变量。随着E-标签变得更容易被采用，并且对于部署来说更经济，对更广泛范围的促销变量的测试将变得有利，并且在本公开中被预期。E-标签制造商的实例包含但不限于：Altierre、Displaydata、Pricer、SES imagotag及Teraoka Seiko。

举例来说，当前E-标签(甚至是高级模型)通常限于给定大小的彩色显示器。随着全息显示变得更实用，此类技术可用在E-标签内，并作为一个促销变量进行测试。同样地，可采用具有非视觉输出的E-标签，例如音频提示、气味等。举例来说，人们可想象，在薯片岛上，当消费者靠近时，显示器可散发出烧烤薯片的气味。确切的味道及强度可构成有待测试的两个额外促销变量。

在一些实施例中，本地服务器940可执行确定用于测试的促销变量所需的处理，并计划测试的管理。然而，具有经由网络950连接到各种零售商920A到D的远程服务器960通常更有益且更具资源效率。网络950可包含私有公司网络或其它局域网。所述网络可替代地包含广域网，例如因特网或蜂窝网络，或其一些组合。通过使集中式服务器960执行促销测试，单个零售商中的测试结果可应用于其它零售商，有效地允许更大的测试吞吐量及验证。另外，由于服务器上的处理需求可能很大，由于分析的大量数据，因此包括多个并行处理单元的远程服务器可能比其处理能力可能更有限的本地服务器更适合产生促销测试计划。

最后，集中式服务器能够协调各个零售商920A到D之间的活动。举例来说，一些零售商920B到D可位于类似地理区域970内。传统上，连锁零售商已识别区域性的商店集群。这些商店通常以类似的方式对待，并采用联合广告、共同定价及通常的联合管理。无论用户选择光顾哪家商店，这都可提供更一致的用户体验。目前系统可能同样允许区域性商店集群之间的共同测试。在替代实施例中，某些变量可希望在区域性集群商店之间变化，以便具体地测试特定变量值。特定变量测试可能有助于在已经做出批量变量值决策之后对定价或促销进行微调。在单个地理区域970的零售商之间以有限的方式测试变量的能力特别有用，这是因为这些零售商的消费者大概是相同的客户分割。即使变量在单个地理区域中的零售商之间更改，但重要的是绝大多数(95％或更多)的定价及其它变量在商店之间保持一致。如果商店之间存在较大的不一致性，那么跨越零售商比较变量值可能受到限制。

在零售商位置内，用于测试促销的电子标牌可为统一的，或基于零售商偏好而变化。图10展示超市式零售商内电子标签部署的实例说明1000。这可包含物品特定标签1022到1052、大标牌显示器1010、中等端盖式促销标语牌1060、结账或自助结账亭处的小到中等标牌。

除(或代替)静态电子标签外，还可能需要与用户一起定位移动电子显示器。举例来说，图11A展示电子显示器跟随用户1180的可能使用案例，通过与购物车1110直接耦合作为抬头显示器、移动显示器监测器、平板式装置、投影仪、3D显示器或甚至全息投影仪(统称为显示器)1120，甚至作为穿戴式装备1160，例如谷歌眼镜或类似者。类似地，在图11B及11C中，显示器1130及1140分别说明为安装在购物车1110上的不同位置中。

在一些实施例中，数字显示器可永久固定到购物车。在替代情形中，显示器是可停靠的，允许用户在其进入零售商时将显示器贴附在车上，并在离开商店前将其移除以便充电及安全保管。在结账时，收银员可完成显示器的移除，或在一些情况下也可能是用户的责任。当留给用户移除时，显示器可并入有触发防盗系统的射频识别(RFID)芯片，以减少装置被无意中从零售商移除/留在车上的机会。

此RFID还可用于跟踪零售商周围的用户。以此方式，当零售商确定用户在特定位置中时，可(从本地服务器)将与附近的产品相关的价格及促销传输到装置用于显示。这可经由Wi-Fi信号或其它无线传输媒体来实现。以此方式，移动数字显示器可减少处理及存储能力，因为其仅仅显示服务器告诉其的内容。

替代地，RFID或其它接近发射器可贯穿零售商定位，从而允许移动显示器具有位置感知。在由用于拥有谷歌眼镜或其它显示器的情况下，可希望显示器由装置控制而不是由外部服务器系统控制。装置将需要可执行程序用于查询数据库，基于其在商店内的感知位置显示哪些促销。

在静态(非移动)电子标签的上下文中，不必知道用户的位置为有效。然而，通过知道用户的当前及过去位置，促销的某些个性化可能是可能的。因此，同样可设想，每一购物车包含RFID，以便跟踪贯穿商店的用户移动，即使其不具有附接的移动数字显示器。替代地，可利用照相机或其它光学跟踪来监测用户移动。最后，通过跟踪蜂窝电话ping，可在很大程度上成功地跟踪用户的位置(经由来自贯穿商店定位的传感器的幅度及三角测量)。

III.物理零售商内的促销测试

继续，图12展示使用图9到11D中所描述的系统在实体零售商空间内产生及测试促销的实例方法的流程图1200。这个过程从零售商地理集群的定义开始(在1210处)，如先前论述，其通常由零售商连锁店预定义。然后在此区域内优化商品的基本定价(在1220处)。图13提供定义最优基本价格的此过程的更详细流程图。

如人们将预期，促销通常经设计以尽可能地获得最大的利润。虽然总体盈利能力是有利的，但并不一定等同于用于产品的最好长期策略。举例来说，许多时候，盈利能力最大化以不可持续的方式挤压利润率。供应或需求的小中断可导致灾难性损失，并且这可能是一种危险的操作条件。因此，大多数零售商希望根据期望利润率来设定其产品的基本价格，而不是优化利润(或其它指标)。对于设定基本价格的过程，零售商必须首先向系统提供此目标利润率(在1310处)。所述系统接着设定与当前价格的偏差(通常最高为10％的波动)，以查明对盈利能力的影响(在1320处)。由于固定利润率目标等同于商品的设定价格，因此变化价格过多经确定是不利的。然而，围绕利润率目标调制价格，可识别可微调的本地利润率最大值。

优选地，在商店关闭时，价格改变在夜间更新。针对24小时零售商，这可经设定为低量周期，并在商店中的所有价格可在同一时间更新。在一些情况下，在价格更新之后可由24小时零售商提供一小时(或其它可接受时间范围)的宽限周期。在此宽限周期内完成其购买的消费者将赋予针对物品显示的任何价格中的较低者。获得所述商品展示的任何价格中较低的价格。举例来说是在11:59pm，冰淇淋的价格是$3.99，且冷冻披萨的价格是$9.99，而在12:01am，针对冰淇淋及披萨的价格改变为$4.99及$9.50，如果消费者在1:00am之前购买所述物品，那么收取的价格将分别是$3.99及$9.50。很少有消费者会针对此益处而更改其购物行为以在很晚的时候去购物，借此限制零售商的损失。然而，通过采用此宽限周期所获得的商誉对大多数零售商来说是有利的。

更新价格之后，收集针对物品的交易数据(在1330处)。这包含随时间推移的销售量、篮子组成的改变等。此数据可针对设定周期内收集(例如针对大量物品的一天或两天)，或可与交易数字相联系。举例来说，一些物品被认为是非常小的量，例如杂货店中的鞋油。在正常情况下，针对此产品的量是以每周的个位数来测量的。物品自身会使零售商的资金用于库存(给定货架空间的损失)，但通过为消费者提供“一站式商店”，可被认为对零售商有价值。针对此物品，修改针对几天(或甚至几周)的价格可能不足以获得有关促销变量改变的统计有用信息。因此，针对较低量产品，设定具有统计意义的交易数目(例如假定400)并且仅在满足此交易数目后修改价格可能更有利。另外，针对持久产品，也可能有利的是延长测试周期(与产品的寿命保持一致)，以便查明需求。举例来说，空地插入式墨盒(GladePlug In cartridge)希望持续30天。如果在某一天进行促销，并且大多数消费者由于其最后一个墨盒仍在操作而不需要所述物品，那么简短促销测试可能无法充分捕获促销的影响。

已从寄存器捕获所有数据之后，可将来自测试周期的交易量、利润率及利润与基线价格进行比较(在1340处)。如果利润率仍然在目标利润率的可接受范围内，并且在量及/或利润方面有统计上的显著增长，那么基线可调整为测试价格(在1350处)。所述方法接着考虑是否继续测试不同基本价格(在1360处)。只有再数个不成功测试周期(其中分析之后基本价格保持相同的测试周期)之后，系统才能确保已达到“最好”基本价格。此时，基本定价可推出到一组更广泛的零售商设定(在1380处)。当然，可能总是要进行持续的测试，特别是随着潜在的成本或竞争性格局演变。

然而，如果过程尚未完成，定价可再次调整较小程度(在1370处)，并从最后‘最好’价格在商店中重新测试。举例来说，假定苹果的价格目前为每个$1.49，并且价格调整为$1.35。利润率下降，但仍在零售商认为可接受的范围内。然而，测试周期期间的量改变不大，因此总体利润实际上减少。因此，基本价格仍为$1.49，但现在重新测试为每个$1.65。再次，这是可接受的利润率，而案件量略有减少。然而，利润更高的统计相关量(超过95％置信度)，所以经更新基本价格现在是$1.65。然后由系统将价格调整为$1.69，并重复分析。由于价格弹性导致量减少，利润现在下降。基本保持在$1.65，然后测试为$1.59美元。在此实例中，销售恢复足以使此比先前价格更优选(在统计上显著的利润增长，并且仍然在利润率范围内)。在数个此类迭代之后，可发现理想基本价格是$1.62。在此实例中，任何或多或少的价格改变导致较低盈利能力。然后，这个基本价格可能会被传播到零售商连锁店内更广泛的一组商店，特别是服务于类似消费者类型的商店。可监测此物品的整体销售，并应指示针对基本经定价物品的整体盈利能力的增加。如果没有检测到增加，那么可担保额外测试(可能在一组不同的测试商店中)。先前实例说明每个产品的测试过程，但请记住，系统同时优化具有类似销售利润率目标的产品类别或群组。针对类别内每一个产品的最优价格点是通过最大化所述类别的总体目标函数来设定，所述目标函数将包含影响所述类别中一种产品对另一种产品需求的产品自弹性及交叉产品弹性。举例来说，当系统测试针对切碎奶酪的价格时，可能会提高萨根托切碎奶酪的价格，此类别的可替代性可能会使购物者买入更多的卡夫切碎奶酪。因此，将考虑交叉弹性效应，并将对萨根托及卡夫的价格进行测试，并确定针对两个品牌的最优价格，并对所述最优价格进行测试，以验证预测。所有价格改变将由目标函数引导，在此情况下，所述目标函数将是在保持一定利润水平的同时，增加切碎奶酪类别的量。

返回到图12，在基本价格优化之后，所述方法可优化理想促销条件(在1230处)。图14展示此过程的流程图。先前描述的许多程序及方法可同样地用于店内促销测试。如果可用，可采用不同促销类型(例如，折扣百分比、购买一个获得一个、降价等)。在电子标签允许的情况下，不同图像、颜色方案、声音、气味及视频的测试都可被测试用于影响。再次，任何促销变量的更改通常在商店关闭时更新(在1410处)，或在24小时零售商的最低流量周期期间更新。然而，与基本价格优化不同，促销变量的变化不一定取决于特定利润率要求，或限于特定百分比改变。

与基本价格优化一样，针对统计上相关的时间周期(设定时间或按交易计数)收集(在1420处)针对此改变的数据。计算针对促销物品的利润水平(在1430处)，并且过程针对不同变量重复(在1440处)。在一些情况下，零售商可能会要求物品只在一定比例的时间内促销及/或促销之间存在‘冷却’周期。任何此类约束都将在随后的促销中加以考虑。

再次，计算针对新促销的利润(在1450处)，并确定是否需要额外促销(在1460处)。针对许多物品，需要数十个或甚至上百个促销变化来充分挖掘促销变量的测试空间。‘获胜’促销变量值可在一个促销到下一个促销时被收集并一起采用，以确定‘最好’组的促销条件。只有在耗尽大量的促销空间后，才能充分识别‘最好’促销价值。电子标签标牌的使用允许成本过于高昂并且无法以其它方式实时完成(无论人员配备水平如何)的此类活动。

一旦最大化盈利能力的这些变量值已经都被识别(在1470处)，其将与其它获胜变量值组合用于跨越地理区中的所有零售商或甚至跨越连锁店中的所有零售商的一般促销(在1480处)。返回到图12，在优选促销变量值已都被识别之后，所述过程可通过确定最优售罄定价继续(在1240处)。

图15展示用于确定在实体设定中的最优售罄定价的此过程的更详细流程图。应注意，除非预计针对产品的售罄活动，否则此过程可能会被跳过或推迟，直到需要售罄事件。针对此的原因是售罄政策，包含典型的渐进式及深度折扣，可实现量目标，但通常在其它指标(如盈利能力)上表现不佳。当存在供应过剩、需要清理库存以腾出空间用于额外产品或产品的可能过期时，则可能需要此售罄活动。但惯常地，全年耐用商品不一定需要售罄活动。

然而，当预期售罄活动时，执行测试以特性化特定产品如何响应促销变量以满足售罄目标是有益处的。当然，任何售罄活动的基础是了解零售商希望处置的产品的量以及实现所述目标的时间范围。这些是从零售商处接收(在1510处)，以及对售罄活动施加额外限制的业务规则(在1520处)。这些限制可包含针对价格或利润率的下限、价格改变的百分比或美元价值限制、价格改变的频率限制等。尽管未说明，但也可利用从促销优化获得的信息来辅助售罄活动。举例来说，如果促销测试展示特定显示颜色(在电子标签具有颜色功能的情况下)导致更大销售水平，那么此变量值可被并入到售罄活动中。另外，已经测试的促销变量至少提供与各种定价点(及其它促销变量)相关联的量提升的基线想法。在理想情况下，可使用类似于优化促销变量的变量值来满足售罄目标。在此类情况下，利润可经最大化(或接近最大化)，同时满足售罄量目标。然而，现实地说，通常售罄量大于使用针对等于或接近针对促销优化的优化值的促销变量的值所实现的量。

通过对物品的价格进行渐进地加深定价折扣(在1530处)，并收集针对物品的销售信息(在1540处)，进行售罄的测试。使用此数据，可产生针对物品的完整价格弹性曲线(在1550处)。这可在未来用于估计及计划未来售罄事件。举例来说，假定价格弹性曲线如下在图形1中。

在此实例图形中，产品的价格展示在x轴上，其销售量在y轴上。针对此产品，针对零售商的每物品成本大约为$1，从而导致以下盈利能力曲线，如在图形2处所展示。

在图形2中，物品价格再次展示在x轴上。每天盈利能力由量乘以每物品利润来确定，并在y轴上说明。针对此实例，假设基线定价优化为$5.00(因为需要400％基线利润率)，且促销优化价格为$3.00(利润最大化)。针对此实例，为简单起见，额外促销变量将被忽略，当然，理解额外变量可针对现实世界条件优化。

如果零售商指示一周周期内总共需要销售500单位，那么系统可设计在此周期内实现此目标的定价安排，同时最大化整体利润。此安排产生针对利润的等式，并测量针对在售罄周期不同价格的曲线下的面积。在此实例中，假定价格只能每2天更改(如由零售商的业务规则指示)。这意味着在售罄周期内最多有4种不同价格。所述过程的结论是，针对最初5天的价格定为$3，最后两天的价格定为$2。这将导致在7天周期内卖出500单位，而在此促销周期内最大化利润为$760。

应容易理解，为说明目的，此实例价格弹性曲线及对应利润曲线过于简化。实际弹性曲线往往更为复杂及微妙，且盈利能力基于与产品被销售的量、存储及库存成本、损失的零售空间、储存成本及类似者相关联的不同成本而进一步混乱。因而，实际售罄安排往往要复杂得多，通常会有可贯穿售罄周期的周期性地更新的许多价格改变，这是因为物品的实际销售与预期售罄量进行比较。

返回到图12，在针对不同使用案例(基本价格、一般优化及售罄)优化所有变量值之后，最后步骤是将定价政策推出到更大一组的零售商建立(在1260处)。此可仅仅包含将这些定价及促销结果推出到类似的其它零售商店(历史交易趋势类似)，或可推出到实体零售位置的更广泛的部分。当确定两个商店有多类似时，存在可用于系统的几个选项。第一种是比较零售商的交易历史，并使用聚类算法(例如最小均方或距离算法)来确定具有类似历史销售模式的零售位置。“关闭”商店及“不同”商店之间的类似程度可为由零售商设定的可调整阈值。否则，零售商可指示所有商店都应聚类到一定数目的群组中，并且最类似商店被相应地聚类。

替代地，聚类可基于对不同促销变量的反应。举例来说，两个商店可具有非常不同的历史交易记录，但基于针对物品的特定促销变量的更改，可具有类似的量提升。虽然这些商店的消费者的基线偏好非常不同，但消费者行为响应于促销活动如何更改可为类似的。因此，从对价格/促销活动的反应的角度来看，这些商店比可具有更类似历史交易的商店更加类似。再次，所属领域中已知的聚类算法可用来确定哪些商店具有类似反应以改变促销变量值。

显然，使用商店的反应是按‘类似性’对商店位置进行聚类的一种优选方法，但这需要针对每一商店有关对特定促销变量具有的改变的影响收集的大量数据。在许多情况下，此类数据根本不可用或不完整，并且在这些情况下，可代替地依赖历史交易。

虽然以上过程已被说明为线性，但在应用中，这些步骤可以任何顺序进行。举例来说，零售商可能希望彻底地测试促销优化，且接着快速地将这些退出到各种其它商店。此零售商可能不关心更改基本定价，因为消费者群习惯于特定‘常规’价格。此外，即使在推出之后，在任何变量的优化期间所做的确定也会例程地及持续地重新检查、重新测试及验证。这确保测试中的任何错误都得到校正，并说明消费者不是静态的事实：其偏好、购买行为及反应会随着时间的推移而演变。

除上文描述的已非常详细论述的商店范围内的测试外，实体零售商内使用电子标签还实现非电子标签以前不可能实施的额外功能性。举例来说，在每一消费者详读零售空间时，陈列及促销的个性化是可能的。图16展示用于在实体设定中进行此个性化促销的实例方法的一个流程图1600。此过程取决于通过零售空间跟踪用户/消费者(在1610处)。如先前所论述，此跟踪可通过购物车感测贯穿零售空间的信号来完成，或更常见地，通过零售空间内的传感器阵列。这些感测可跟踪从购物车或通常由几乎每一个消费者携载的装置(例如，手机)发出的信号(例如，RFID、蓝牙、无线ISM带无线电信号等)。替代地，可利用图像辨识或其它生物测定数据来跟踪贯穿零售空间的消费者。

位置数据可与已知的关于用户、商店中行为及类似者的数据组合，以在用户移动通过商店时向用户呈现个性化促销(在1620处)。图17提供此子过程的更详细视图，其中最初收集有关购物者的已知数据(在1710处)。在一些情况下，消费者/用户是一片空白，没有有关此个人的已知信息。其它时候，用户可能连接到更大零售商基础设施，手机上装载忠诚度应用程序，或用于识别个人的其它机制。当键入针对用户识别的位置时，此类应用程序可经编程以对零售商进行ping。用户很可能由于节省金钱而选择此类服务，并且更个性化购物体验，其意识为结果。

用户的身份信息可与先前购买、零售商忠诚度应用程序上的选择以及其它公开可用的信息相匹配，以确定用户通常购买的产品。还可识别对用户特别有效的促销变量值。

通过商店的用户的移动也可用于跟踪用户是否对特定物品感兴趣(在1720处)。举例来说，如果用户带着谷类食品进入过道，并在特定位置停留片刻，那么可假定用户正在查看，或甚至从货架上抓取有限数目个物品中的一者。然后可组合用户的已知属性及移动数据(在1730处)以产生针对此特定用户的最好可能个性化促销(在1740处)。举例来说，如果已知用户在同一次购物行程中购买牛奶及谷类食品，并且有时在选择性行程中购买牛奶及高利润率饼干，那么系统可实时确定在靠近谷类食品的地方停止后，用户未来将出现在牛奶过道中。当在此过道中时，电子标签可能会向用户呈现与用户购买牛奶时所偏好的曲奇品牌的节省相关的交易。用户在进入零售商时可能没有考虑购买曲奇，但可能会被说服基于电子标签显示增加其在商店内的总体支出，用于较高利润率物品。

返回到图16，可在销售点跟踪这些个性化促销的功效(在1630处)。在可用时，可将此数据附加到用户的账户/配置文件。即使对于没有此持久性身份的用户来说，更有效的促销也可留存，并贯穿零售空间为具有类似移动的购物者重新使用。以此方式，个性化促销可随时间而细化(在1640处)，使得仅向给定用户显示更有效的促销。举例来说，总的来说，可确定在牛奶过道处打折曲奇不是特别有效，但当用户在热狗及汉堡包馅饼前面时，在馒头上展示销售是有效的，从而提高馒头及肉产品两者的销售。此功效跟踪可能会变得更加强大，因为其能够将促销个性化到个人。举例来说，假定我们的用户以不成比例的速率受到买一赠一销售的影响。此促销可能比其它消费者更经常地向所述用户显示，以便在个人消费者水平增加销售。

IV.物理零售商内的基本价格优化

除上文公开的促销测试方法以及实体零售商内的特定促销优化外，本公开还将另外关注零售商内的产品的基本价格的优化。如先前所述，零售商中商品或服务的“正常”定价通常基于制造商的推荐(MSRP)、与竞争对手相比的定价政策或针对零售商的某种内部指标(例如，特定利润率或量目标)来确定。由于消费者期望某些产品具有某一基本价格，更新标牌及销售点系统的成本及难度，依赖历史业务惯例，以及尝试更新基本价格的一般无效性质，这些基本价格通常是非常静态的。针对大多数零售商，设定基本价格的传统方法是“足够好”的，并且细化这些基本价格的成本及努力可被视为太大，以至于可能带来的益处微乎其微。

然而，随着在线零售商成为常态，对解决物理零售空间内的基本定价存在新的兴趣。首先，由于在线购物的蓬勃发展，零售部门的竞争比以往任何时候都更加激烈。在这样一个竞争激烈的市场中，即使是定价上的微小改进也很有价值。另外，在线零售商惯常地对基本价格执行测试—更新网页的成本很低(与物理标牌不同)，并且这些公司往往不那么静态，或更具创新性，从而减少对更改价格的犹豫。消费者又对使基本价格波动的概念也变得更加开放。

然而，物理零售商仍然面临在线零售商可能不需要面对的一组问题。在物理零售空间中执行价格测试的成本仍然较大。另外，在线零售商可能能够在个别消费者及跨越整个平台测试定价模型，从而允许采用现代采样及测试模型。这消除很多(如果不是全部)不相关变量污染此测试的结果的风险。相比之下，物理零售商仍然必须面对可能影响销售结果的更多外来变量。举例来说，由于针对商店的消费者都在地理上类似定位，因此本地事件、天气、交通等可影响任何测试。虽然在线零售商可以各种方式配置其网站，但物理零售商被锁定在特定建筑、人员配备水平及可影响任何基本价格测试的准确性的其它因素中。因而，针对物理零售商测试基本定价不仅成本更高，而且结果通常不那么准确，从而导致大多数物理零售商的最少基本价格测试。

所公开的系统及方法通过确保测试数据的保真度、跨越零售连锁店中的许多零售商的增强测试部署及高级分析来最小化外部因素不适当地影响基本价格测试结果的机会而处理这些担心。递增地测试定价，并在继续验证发生时采用优化。因而，所公开测试的结果远比基本价格优化技术的先前方法更准确。测试价格的递增改变(以及由在线零售商施加的条件)最小化消费者对此测试的厌恶。最后，有效测试设计及优化结果的早期采用显著降低零售商的成本。事实上，当与先前公开的电子标牌配对时，即使在测试开始时，成本也可忽略不计，并且在测试完成之前(在任何全球采用之前)将产生净收益。这允许物理零售商能够以前所未有的方式更有效地在市场上竞争。

图18提供根据一些实施例的说明用于基本价格优化的系统1800的框图。在此实例框图中，采用数据1810用于分析。此数据1810通常是历史交易信息(t-日志)的集合。这些交易数据集可由零售商连锁店内的个别商店按天聚合。在一些高级实施例中，t-日志数据甚至可在更细粒度水平上聚合，例如每小时聚合一次，以提供对购买习惯的更详细分析。然而，一般来说，物理零售商不希望一天更改商店中的定价超过一次(即使使用电子标签使此功能成为可能)，因为这可致使商店中的客户感到困惑。因此，虽然更细粒度的聚合可提供有关价格对行为影响的有趣见解，但此程度的分析可仅仅是学术性的，因为基于此特定分析采取行动是不切实际的。

零售商，即使配备有电子标签及自动化定价推出软件，在与保真度进行定价改变时，也是出名的不一致。当价格改变决定是由第三方而不是公司总部做出时，这尤其真实。这尤其相关，因为用于价格测试及基本价格优化的所公开系统及方法可由零售商用作内部定价解决方案，或可替代地由顾问公司提供以最大化零售商的利润。大多数零售商不是数据分析公司，并缺乏内部地部署此类测试的基础设施、IT专业知识及专有技术。因而，针对大多数零售商，由第三方执行此过程可能更高效及经济。然而，当第三方向商店提供应实施的对价格的指示时，商店经理或其它控制员工不得接受价格改变或价格改变的开始及结束日期。这可损坏t-日志数据，并且应针对建模过程识别及校正以便确保任何优化的准确性。价格审计器1820可按商店及天，将针对价格测试的推出计划与在交易日志中收集的实际数据进行比较。

在通过价格审计器1820的数据验证之后，一系列调整器1830可修改数据以减少外部变量的影响，并使数据规范化。商店及天调整器1833可按天及商店修改数据。举例来说，在许多地方，通常周末的提升比平日高得多。天调整器可全局修改t-日志数据，以考虑此类日常变化。另外，某些天往往产生针对特定商品或商品类别的更大提升。举例来说，复活节前鸡蛋的销售价格可能要高得多，并且在夏季期间周六，尤其是7月4日之前，烧烤食品的销售价格可能要高得多。

天调整可对一年中的每一天进行数字译码，并有一组应用于所述天的相关联调整。通过应用与每一天相关的一组单独调整，可考虑季节性及类似者的影响。另外，每一年不同天发生的已知事件(例如香奈基节或中国新年)可同样地针对应用于正确数字天的这些事件进行说明及调整。

除针对给定的趋势调整量外，系统还可消耗与销售量变换相关的外部数据馈送，并且这些可用于相应地调整t-日志数据。此外部信息的一个明显实例可包含天气提要。举例来说，在非常炎热的时期，冷冻甜点的销售可能经历不寻常的量上升，且如咖啡的热饮料可经历销售低迷。可考虑的其它因素包含重大体育或娱乐事件(例如，超级碗、世界杯、大型音乐会等)、政治事件，例如选举、内乱、自然灾害、城市社区异常交通拥堵、宏观经济因素(例如，消费者情绪指数、就业率、通货膨胀率等)、国内或世界重大事件(例如，战争、恐怖袭击、贸易冲突等)以及竞争对手零售商的价格改变。此可能外部提要的列表，并相应地进行调整，并不是详尽的，并且随着收集到更多的粒度及历史数据，并入有额外外部提要及调整的价值可增加。

可由商店及天调整器进行此类调整以考虑完全独立于价格的量变化。同样地，每一商店可迎合不同客户群，并且这可影响产品销售的量。从t-日志数据，如果看到特定商店的小部件销售总是比另一商店多，那么价格的影响应通过商店固有的提升优势来调和。

在应用天及商店调整(以及外部因素调整，如果需要)之后，t-日志数据可通过商店水平属性规范化。举例来说，按商店的分类销售可随商店的百分比类别销售、商店的平均购物篮大小、总商店交易等变化。这些性能商店属性可作为系数调整直接应用于类别销售，或经由GLM或OLS方法通过依赖于这些属性的建模值对销售进行规范化。最后，可由促销调整器1835采用促销调节方法。举例来说，这些促进调整方法可包含例如回归方法或相对成对方法。考虑到产品是如何从消费者的买入偏好相互作用的，说明类别内的促销活动是重要的。考虑到针对促销的时间、商店及特定的产品线群组，通过确保在例如基于回归的模型中考虑促销因素或变量来估计非促销产品的价格弹性度量，所述模型在考虑促销效果的同时，希望提取此类弹性系数。另一方法希望仅当针对类别内促销线群组的促销活动在针对非促销产品线群组跨越具有不同测试价格点的商店是同质时，才估计这些弹性系数。这些特定类型的商店的成对比较将确保针对非促销测试产品线群组同样经历交叉弹性促销效果。

在应用所有调整之后，增量计算器1840可从价格改变幅度及统计差异的程度确定的对照价格以及历史测试价格，对销售价格进行持续定价计算。举例来说，幅度改变可限制到10％改变，并且系统可已确定，在彼此相差不到3美分的价格之间，没有统计上可测量的差异。如果对照价格为$1.99，那么初始测试价格可为$1.79及$2.19(在10％改变限制内)。可确定，与对照价格相比，在$1.79的量及利润率导致更大利润。下一次迭代测试价格可为$1.65及$1.89，这是由于百分比改变限制以及$1.99已被测试的事实。在此循环中，可确定盈利能力(以及用于确定价格结构的成功的任何其它指标)提高到$1.89水平。下一次迭代价格可设定在$1.85及$1.95。在此循环之后，$1.85被确定为优选价格，并且进一步测试(周期性验证之外)可能没有被担保，这是因为任何价格改变将在先前测试价格的统计上无差别的3美分值内。

建模器1850消耗经调整t-日志数据，并计算零售商内发现的各种产品之间的估计值之间的弹性。除经调整数据之外，建模器1850还可消耗来自规则引擎1870的约束，下面将对其进行更详细描述。弹性计算在所属领域中是已知的，并且可采用用于弹性的任何合适技术或计算。另外，建模器可计算目标函数。在一些实施例中，一般线性模型可经构造用于估计产品自弹性及交叉产品弹性。通过用简单聚合技术减少个别经估计弹性的数目，还通过调整用于评估统计效果的统计显著性水平(例如，邦弗朗尼(Bonferroni)调整等)，以及最后通通过过采样技术交叉验证模型及其弹性估计，可过滤掉伪弹性效果。目标模型可以容易由各种解算器消耗的方式构建。

在来自约束引擎1870及弹性估计的约束下，来自建模器1850的输出可由优化器1860利用来求解目标函数。可求解类别目标函数用于以下函数的广义最大化：

e^TΔx_p

其中e是价格弹性的矩阵，T是弹性矩阵的转置，且Δx_p是给定类别内产品线群组价格改变(或增量)的矢量，其中x是价格，且p是产品线群组号。弹性的多维表示乘以价格改变将产生数量(或销售)的改变。此函数的一般最大化服从：

Ax_p≥m及x_p≤c

其中A是利润率百分比的矩阵，其约束产品线群组价格x_p高于或等于由类别管理器设定的累计矢量利润率m，且c是价格约束的矢量，产品线群组价格必须保持在所述价格约束下。价格约束定义或规则可能比简单价格阈值更复杂，但也涵盖其它产品线群组(即，x₁-0.5x₂≤0或x₁≤0.5x₂)之间的价格关系。可用于此一般最大化的方法可包含线性规划解算器(单纯形及内点)、序列最小二乘规划、解析解的梯度上升、广义线性模型解算器(例如高斯-牛顿方法)及带推荐的广义线性模型。

使用以上方法求解最优价格之后，可使用算法方法选择测试价格点的最近邻，例如最大目标值。然后推荐三个测试价格点中的最好者、最优价格及价格移动约束内的新测试价格。这些推荐由测试设计器1880使用，再次服从来自约束引擎1870的约束，以在可用物理零售商商店内产生测试设计。约束引擎1870可包含与品牌、包装大小、最大及最小允许价格、价格的结束数字、价格与另一零售商之间的竞争性差距、商店执行规则以及商店到商店最大价格改变相关联的规则。此规则列表希望仅为说明性的，并且可基于零售商需求或制造要求来采用额外规则。规则转换发生以将这些规则改变为一组规范的约束，如先前论述，由建模器1850及测试设计器1880消耗。

测试设计器1880采用算法用于实验设计以在约束下对多个产品同时进行多个价格改变。下面提供一系列实例，其将更全面地解释测试设计所采用的方法。然而，一般来说，测试设计将包含针对价格部署的随机商店分配、经由交换算法的D-最优设计，及响应面设计。任何测试的结果接着记录在交易日志中，所述交易日志成为不断扩展的数据1810语料库的部分。

图19A及19B展示根据一些实施例的说明基本定价优化的方法的流程图。在图19A中，此实例过程1900展示按天及商店(在1910处)的交易数据的初始聚合，如先前论述。这可能包含多年历史定价及交易数据的聚合(在可用的情况下)，以及提供价格测试的结果的所有未来交易的收集。由于正如所论述的那样，零售商通常不善于如指导那样部署价格，因此可(在1920处)根据指派价格测试来验证数据的准确性。然后调整t-日志数据(在1930处)。在图19B处更详细地展示此调整过程，其中过滤掉由价格审计器识别的腐败数据(在1931处)。价格可按天(在1933处)、按商店(在1935处)及按任何外部因素进行调整，如前面相当详细的描述。交易可规范化(在1937处)，并且促销可通过回归方法及相对成对方法进行调整(在1939处)。

返回到图19A，在调整数据之后，通过求解目标函数并使用已知的产品之间的已知弹性(服从约束)，递增地计算测试价格(在1940处)。对这些测试价格进行试验(在1950处)，并收集结果。这允许产生最好弹性模型(在1960处)。再次对优化进行求解(在1970处)，并且可对此细化组的测试价格进行测试(在1970处)。这允许收集、验证、调整及使用一组重复的交易数据来更新弹性模型。每一测试迭代允许测试的价格更接近针对每一产品的最优价格点。一旦已识别最优价格，就可将其部署到大多数零售商，同时发生最小持续验证(在1990处)。

由于已经相当详细地公开用于通过定价测试的基本价格优化的系统及方法，将关注一系列实例以促进论述测试设计并向零售链内的一系列零售商推出。针对这些实例，重点将集中在拥有66个商店的零售商连锁店，试图确定一类商品的基本定价，此处是黄油及人造黄油摆放。商店的数目及商品类型完全是说明性的，并且当前系统及方法可应用于具有几乎任何数目个物理位置的任何类型的零售商。然而，应注意，为测试的效率及外部变量影响的最小化，可能需要最少数目个测试商店。举例来说，在不到10个测试商店中，可能需要增加价格改变及冗余测试的数目，以获得针对最优价格的准确结果。这可增加测试的每商店成本，且因而针对零售连锁店吸引力降低。

举例来说，图20展示基本价格优化测试的实例首次展示的说明，大体上在2000处展示。在此实例中，66个商店被平均分为三个群组。每一群组被指派针对黄油(以浅灰色展示)的每一库存单元(SKU)当前(历史)价格、较低测试价格(以中灰色展示)及较高测试价格(以最深灰色展示)。在此实例中，较低测试价格比当前价格低递增10美分，且较高价格高于当前价格递增10美分。哪一个商店群组接收较低的、当前或较高价格可随机化，如商店中的哪一者被放置到每一商店群组中。在此实例中，价格每周在商店群组之间轮换。来自每一商店的交易数据从此首次展示收集，使得产生弹性矩阵2100，如在图21中所见。在此矩阵中，每一产品列在列及行标头上。因此，对角线相交是产品的自弹性(浅灰色)，并且将针对矩阵的每一其它部分(较深灰色)发现每一给定产品之间的交叉弹性。当价格在各个商店进行测试并收集交易时，可计算这些产品对中的每一者的弹性程度。在一些实施例中，商店中的所有产品可包含在此交叉弹性矩阵中，但由于完全不同的物品之间的交叉弹性程度较低，这可为不理想，特别是在计算如此大的物品群组的交叉弹性时给出相当显著的处理需求。举例来说，黄油的价格及给定品牌可能对谷类食品的销售几乎没有影响。计算这些物品之间的交叉弹性将基本上没有价值，但消耗大量处理资源。因而，可能希望仅计算同一类别中的产品与一些已建立的相关联产品(例如克饼干、大型棉花糖及好时巧克力棒)之间的交叉弹性。同样地，测试成本及所需的大量数据处理可能会使对产品类别内的所有产品的分析变得不必要及不可取。举例来说，在一些情况下，在给定类别中，仅测试产品的销售量(按收入)的前80％。这有助于将分析重点放在将为零售商带来最大益处的产品上。如先前提及，在物理零售商中的定价测试的独特挑战意味着任何测试活动都要付出巨大成本。为对零售商有利，此测试需要尽可能有效。基于规则的定价政策可接着用在类别内的底部20％的产品。虽然不如通过测试确定的最优定价好，但考虑到相对较低的销售量，此基于规则的定价可能“足够好”。

规则及约束可应用于价格的设定，在这些实例中，约束可包含最终数字必须是“9”或“4”，并且可能存在最大价格限制。同样地，可针对优化设定目标。一般来说，针对基本定价的目标是受约束的最大盈利能力，但其它目标可包含利润率或量增长目标。

图22展示用于基本价格优化测试的实例首次展示的销售图形2200的说明。此图形是针对受测试物品的整个类别的弹性曲线，其中销售(较深灰色)及利润率(较浅灰色)与类别群组价格相对绘制。这两个指标(利润率及销售)的最大值未对准，且目标中的一者需要指定为主要目标(此处为利润增长)。然后，基于针对主要目标对次要目标的最大值的加权平均来确定类别目标。在此实例说明中，主要目标经非常重的加权，因此类别目标接近针对此曲线的最大值。然而，基于加权，类别目标可能存在于两个曲线最大值之间的任何地方。

当前定价结构也可绘制在图形上，并且当前定价架构与目标之间的差异是针对此类别的产品的优化机会。这些曲线依赖于准确弹性度量，其依赖于价格的彻底测试。

在初始组的测试之后，过程可开始找出最优价格结构。在此阶段，商店群组被改组为四个商店分组。图23展示基本价格优化测试的实例细化的说明，大体上在2300处展示。此处定义在大小上比三个测试分数更小的对照商店群组。对这些群组中的任何者的商店指派是通过随机化来完成。对照商店群组维持在原始“对照”价格(最浅灰色)。剩余的商店被指派经估计为最优价格(浅-中灰色)、低于最优测试价格(深-中灰色)及高于最优测试价格(深灰色)。随着结果被收集，最优价格估计可持续细化，并可产生新的更低及更高价格，所有都受到约束。随着时间的推移，此导致弹性曲线的细化，如在图24处在标绘图2400处所见。随着时间的推移，定价结构也更接近最优类别目标移动。

一旦已确定具有一定程度的置信度的最优价格，系统进入验证阶段。图25展示已进入此验证的完成基本价格优化测试的实例的说明，如在2500处所见。在此实例中，仍然存在四个类别的商店，但现在将近一半商店被指派最优价格(浅-中灰色)。剩余的商店则几乎被平分在对照价格商店(浅灰色)与接收低于最优测试价格(深-中灰色)或高于中等价格(深灰色)的两个测试商店群组之间。系统可永久地在此模式下操作，或在达到第二个更高水平的置信度(即最优价格是正确的)时，再次切换到向更多、甚至所有零售商部署最优价格。在此类情况下，系统可周期性地重新进入测试阶段，以确保最优价格不随时间迁移。

V.系统实施例

既然已经描述用于在物理零售设定中优化促销变量及基本价格的系统及方法，那么现在应关注能够实时执行以上功能的设备。为促进此论述，图26A及26B说明适合于实施本发明的实施例的计算机系统2600。图26A展示计算机系统2600的一种可能物理形式。当然，计算机系统2600可能具有许多物理形式，范围从印刷电路板、集成电路及小型手持装置到大型超级计算机。计算机系统2600可包含监测器2602、显示器2604、外壳2606、磁盘驱动器2608、键盘2610及鼠标2612。磁盘2614是用于向计算机系统2600传送数据及从计算机系统2600传送数据的计算机可读媒体。

图26B是用于计算机系统2600的框图的实例。附接到系统总线2620的是各种各样的子系统。处理器2622(也称为中央处理单元或CPU)耦合到包含存储器2624的存储装置。存储器2624包含随机存取存储器(RAM)及只读存储器(ROM)。如在所属领域中众所周知，ROM用于将数据及指令单向地传送到CPU，并且RAM通常用于以双向方式传送数据及指令。这两种类型的存储器可包含下面描述的任何合适的计算机可读媒体。固定磁盘2626还可双向地耦合到处理器2622；其提供额外数据存储容量，并且还可包含下面描述的计算机可读媒体中的任何者。固定磁盘2626可用以存储程序、数据及类似者，并且通常是比主存储器更慢的次级存储媒体(例如硬盘)。将了解，在适当情况下，可以标准方式将留存在固定磁盘2626内的信息作为虚拟存储器并入在存储器2624中。可移动磁盘2614可采用下面描述的计算机可读媒体中的任何者的形式。

处理器2622还耦合到各种输入/输出装置，例如显示器2604、键盘2610、鼠标2612及扬声器2630。一般来说，输入/输出装置可为以下中的任何者：视频显示器、跟踪球、鼠标、键盘、麦克风、触摸敏感显示器、换能器卡读取器、磁或纸带读取器、平板计算机、触针、语音或手写辨识器、生物读取器、运动传感器、脑波读取器或其它计算机。处理器2622任选地可使用网络接口2640耦合到另一计算机或电信网络。利用此网络接口2640，可设想处理器2622可从网络接收信息，或可在物理商店内执行以上描述的促销优化及管理的进程中将信息输出到网络。此外，本发明的方法实施例可仅在处理器2622上执行，或可与共享处理的一部分的远程CPU一起在例如因特网的网络上执行。

软件通常存储在非易失性存储器及/或驱动单元中。实际上，针对大型程序，甚至可能无法将整个程序存储在存储器中。然而，应理解，对于待运行的软件，如有必要，将其移动到适于处理的计算机可读位置，并且出于说明性目的，在本公开中所述位置被称为存储器。即使软件被移动到存储器用于执行，处理器通常将利用硬件寄存器来存储与软件相关联的值，以及本地高速缓存，其理想情况下用于加速执行。如本文所使用，当软件程序被称为“在计算机可读媒体中实施”时，假定软件程序被存储在任何已知或方便位置(从非易失性存储装置到硬件寄存器)。当与程序相关联的至少一个值存储在由处理器可读的寄存器中时，处理器被视为“经配置以执行程序”。

在操作中，计算机系统2600可由包含文件管理系统(例如磁盘操作系统)的操作系统软件控制。带有相关联文件管理系统软件的操作系统软件的一个实例是来自华盛顿州雷蒙德的微软公司(Microsoft Corporation of Redmond,Washington)的名为

的操作系统系列及其相关联文件管理系统。操作系统软件及其相关联文件管理系统软件的另一实例是Linux操作系统及其相关联文件管理系统。文件管理系统通常存储在非易失性存储器及/或驱动单元中，并且使处理器执行操作系统所需的各种动作以输入及输出数据并将数据存储在存储器中，其包含将文件存储在非易失性存储器及/或驱动单元上。

详细描述的一些部分可根据计算机存储器内数据位上的操作的算法及符号表示来呈现。这些算法描述及表示是数据处理领域的技术人员用来最有效地将其工作的实质传达给所属领域的其他技术人员的手段。此处算法通常被认为是导致期望结果的自一致的操作序列。操作是指需要物理量的物理操纵的操作。通常，尽管不一定，这些量采取能够被存储、传送、组合、比较及以其它方式操纵的电或磁信号的形式。主要出于常用的原因，已证明有时将这些信号称为位、值、元素、符号、字符、项、数字或类似者是方便的。

本文提出的算法及显示与任何特定计算机或其它设备不固有相关。各种通用系统可根据本文的教示与程序一起使用，或可证明构造更专用设备来执行一些实施例的方法是方便的。针对各种这些系统的所需结构将从下面描述出现。另外，不参考任何特定编程语言来描述所述技术，且因此可使用各种编程语言来实施各种实施例。

在替代实施例中，机器作为独立装置运行，或可连接(例如，联网)到其它机器。在联网部署中，机器可在客户端-服务器网络环境中以服务器或客户端机器的身份操作，或在对等(或分布式)网络环境中作为对等机器操作。

机器可为服务器计算机、客户端计算机、个人计算机(PC)、平板PC、膝上型计算机、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、苹果手机(iPhone)、黑莓(Blackberry)、处理器、电话、网络设备、网络路由器、交换机或网桥，或能够执行待由所述机器采取的动作的一组指令(循序或以其它方式)的任何机器。

虽然机器可读媒体或机器可读存储媒体在示范性实施例中被展示为单个媒体，但术语“机器可读媒体”及“机器可读存储媒体”应被视为包含存储一或多组指令的单个媒体或多个媒体(例如，集中式或分布式数据库及/或相关联高速缓存及服务器)。术语“机器可读媒体”及“机器可读存储媒体”也应被视为包含能够存储、编码或携载一组指令用于由机器执行并致使机器执行目前所公开技术及创新的方法中的任何一或多者的任何媒体。

一般来说，为实施本公开的实施例而执行的例程可作为操作系统或被称为“计算机程序”的特定应用程序、组件、程序、对象、模块或指令序列的一部分来实施。计算机程序通常包括在计算机中的各种存储器及存储装置中的各种时间设定的一或多个指令，并且当由计算机中的一或多个处理单元或处理器读取及执行时，致使计算机执行操作以执行涉及本公开的各个方面的元件。

此外，虽然已经在全功能计算机及计算机系统的上下文中描述实施例，但所属领域的技术人员将了解，各种实施例能够以各种形式作为程序产品分布，并且无论用于实际影响分布的特定类型的机器或计算机可读媒体如何，本公开同样适用。

虽然本发明已经根据若干实施例进行描述，但存在变更、修改、置换及替代等效物，其落于本发明的范围内。尽管已经提供小节标题以辅助本发明的描述，但这些标题仅仅是说明性的，并不希望限制本发明的范围。还应注意，存在实施本发明的方法及设备的许多替代方法。因此希望将所附权利要求书解释为包含落入本发明的真正精神及范围内的所有此类变更、修改、置换及替代等效物。

Claims (20)

1.一种用于优化物理零售商内的产品的基本定价的方法，其包括：

收集针对多个物理零售空间的产品的交易日志；

验证所述交易日志；

调整所述交易日志；

使用所述交易日志计算针对所述产品的弹性；

接收约束；

响应于所述弹性及所述约束而计算针对每一产品的经估计最优价格；

计算高于及低于针对每一产品的所述经估计最优价格的测试值；

在三个零售商群组中评估所述经估计最优价格及测试值，其中所述多个物理零售空间中的每一者经随机指派到所述三个群组中的一者；及

响应于所述评估而细化所述弹性。

2.根据权利要求1所述的方法，其中验证所述交易日志包含将提供到所述多个物理零售空间的一组定价指令与所述交易日志进行比较。

3.根据权利要求1所述的方法，其中所述收集所述交易日志包含按天及按每一物理零售空间聚合所述交易日志。

4.根据权利要求1所述的方法，其中所述调整包含按天、按每一物理零售空间及按外部因素进行调整。

5.根据权利要求1所述的方法，其中所述调整包含规范化所述交易日志。

6.根据权利要求1所述的方法，其中所述调整包含针对在所述验证期间被视为不准确的数据过滤所述交易日志。

7.根据权利要求1所述的方法，其中所述计算所述弹性包含广义线性模型。

8.根据权利要求1所述的方法，其中所述计算所述经估计最优价格包含最大化：

e^Tx_p

服从：

Ax_p≤m及x_p≥c。

9.根据权利要求1所述的方法，其中所述评估包含经由交换算法的D-最优设计，及响应面(Box-Behnken)设计。

10.根据权利要求l所述的方法，其进一步包括使用所述经细化弹性更新所述经估计最优价格，并在四个零售商群组中验证所述经更新经估计最优价格、测试值及对照价格，其中所述多个物理零售空间中的每一者经随机指派到所述四个群组中的一者。

11.一种用于优化物理零售商内的产品的基本定价的系统，其包括：

数据库，其含有针对多个物理零售空间中的产品的交易日志的集合；

价格审计器，其用于验证所述交易日志；

价格调整器，其用于调整所述交易日志；

建模器，其用于使用所述交易日志计算针对所述产品的弹性；

约束引擎，其用于接收约束；

优化器，其用于响应于所述弹性及所述约束而计算针对每一产品的经估计最优价格；

迭代价格计算器，其用于计算高于及低于针对每一产品的所述经估计最优价格的测试值；

测试设计器，其用于在三个零售商群组中评估所述经估计最优价格及测试值，其中所述多个物理零售空间中的每一者经随机指派到所述三个群组中的一者；且

所述建模器用于响应于所述评估而细化所述弹性。

12.根据权利要求11所述的系统，其中验证所述交易日志包含将提供到所述多个物理零售空间的一组定价指令与所述交易日志进行比较。

13.根据权利要求11所述的系统，其中所述收集所述交易日志包含按天及按每一物理零售空间聚合所述交易日志。

14.根据权利要求11所述的系统，其中所述调整包含按天、按每一物理零售空间及按外部因素进行调整。

15.根据权利要求11所述的系统，其中所述调整包含规范化所述交易日志。

16.根据权利要求11所述的系统，其中所述调整包含针对在所述验证期间被视为不准确的数据过滤所述交易日志。

17.根据权利要求11所述的系统，其中所述计算所述弹性包含广义线性模型。

18.根据权利要求11所述的系统，其中所述计算所述经估计最优价格包含最大化：

e^Tx_p

服从：

Ax_p≤m及x_p≥c。

19.根据权利要求11所述的系统，其中所述评估包含经由交换算法的D-最优设计，及响应面设计。

20.根据权利要求11所述的系统，其中所述优化器使用所述经细化弹性细化所述经估计最优价格，并且所述测试设计器在四个零售商群组中验证所述经更新经估计最优价格、测试值及对照价格，其中所述多个物理零售空间中的每一者经随机指派到所述四个群组中的一者。

Images