CN113469722A - 消费预测系统及消费预测方法 - Google Patents
消费预测系统及消费预测方法 Download PDFInfo
- Publication number
- CN113469722A CN113469722A CN202010315991.8A CN202010315991A CN113469722A CN 113469722 A CN113469722 A CN 113469722A CN 202010315991 A CN202010315991 A CN 202010315991A CN 113469722 A CN113469722 A CN 113469722A
- Authority
- CN
- China
- Prior art keywords
- turnover
- consumption
- prediction
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 24
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000007613 environmental effect Effects 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000007306 turnover Effects 0.000 claims description 80
- 238000012937 correction Methods 0.000 claims description 70
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 claims description 3
- 238000013480 data collection Methods 0.000 description 21
- 235000012054 meals Nutrition 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 235000015277 pork Nutrition 0.000 description 3
- 235000015278 beef Nutrition 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000021170 buffet Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种消费预测系统,包含一储存装置以及一处理器。储存装置用于储存一历史环境数据和一历史消费记录。处理器用于计算一个人偏好相关系数,并将历史环境数据、历史消费记录及个人偏好相关系数输入一第一类神经网络模型,第一类神经网络模型用于产生一训练模型,当训练模型的一准确率高于一训练阈值时,将训练模型视为一预测模型,将一预测环境数据输入预测模型,预测模型依据预测环境数据输出一预测结果。
Description
技术领域
本发明是关于一种预测系统,特别是关于一种消费预测系统及消费预测方法。
背景技术
一般而言,销售报表分析都只能呈现过去消费的记录,因为来店人数与每日消费偏好是很难精准预测的,现行的来店人数预估,可能是利用传统的数学分析或者经验法则,这些方法的预测准确率都偏低,导致店家在每日备料上,无法精准的掌握,容易物料准备不足,或准备过量而造成物料的浪费。此外,即使取得多种历史数据,若应用人力进行统计或使用传统的数学分析,需要大量的计算,也难以快速地提供预测数据。
因此,如何有效率的考虑多种影响消费因素,以快速且准确地预测来店人数与产品销售量,已成为本领域需解决的问题之一。
发明内容
为了解决上述的问题,本揭示内容的一态样提供了一种消费预测系统,包含一储存装置以及一处理器。储存装置用于储存一历史环境数据和一历史消费记录。处理器用于计算一个人偏好相关系数,并将历史环境数据、历史消费记录及个人偏好相关系数输入一第一类神经网络模型,第一类神经网络模型用于产生一训练模型,当训练模型的一准确率高于一训练阈值时,将训练模型视为一预测模型,将一预测环境数据输入预测模型,预测模型依据预测环境数据输出一预测结果,并获取预测结果中的一预测来客数和一预测营业额,将预测来客数与一实际来客数比对,以产生一来客数修正权重,并将预测营业额与一实际营业额比对,以产生一营业额修正权重,判断来客数修正权重是否高于一来客数权重阈值或者营业额修正权重是否高于一营业额权重阈值,当来客数修正权重高于来客数权重阈值或者营业额修正权重高于营业额权重阈值,则依据来客数修正权重与营业额修正权重调整训练模型,以更新训练模型。
为了解决上述的问题,本揭示内容的另一态样提供了一种消费预测方法,包含以下步骤:计算一个人偏好相关系数;将一历史环境数据、一历史消费记录及个人偏好相关系数输入一第一类神经网络模型,第一类神经网络模型用于产生一训练模型;判断训练模型的一准确率是否高于一训练阈值,当训练模型的准确率高于训练阈值时,将训练模型视为一预测模型;将一预测环境数据输入预测模型,预测模型依据一预测环境数据输出一预测结果;获取预测结果中的一预测来客数和一预测营业额,将预测来客数与一实际来客数比对,以产生一来客数修正权重,并将预测营业额与一实际营业额比对,以产生一营业额修正权重;以及判断来客数修正权重是否高于一来客数权重阈值或者营业额修正权重是否高于一营业额权重阈值;当来客数修正权重高于来客数权重阈值或者营业额修正权重高于营业额权重阈值,则依据来客数修正权重与营业额修正权重调整训练模型,以更新训练模型。
由上述可知,在人工智能时代,数据量巨大且繁杂,若要能准确且有效率的预测数据,则要考虑的因素及数据量庞杂,因此,数据收集不能再依赖人工的维护。本发明所示的消费预测系统及消费预测方法通过类神经网络模型分析大量且繁杂的数据,进而生成预测模型,并可以通过预测模型输出未来一段时间内的预测来客人数及预测营业额,也可以比对预测来客人数与实际来客数,以得到来客数修正权重,比对预测营业额与实际营业额比对,以得到营业额修正权重,通过来客数修正权重及营业额修正权重可以调整预测模型,使预测模型更加准确。
附图说明
图1A~1B是依照本发明一实施例绘示一种消费预测系统的方块图。
图2是根据本发明的一实施例绘示一种消费预测方法的流程图。
图3A~3C是根据本发明的一实施例绘示一种环境数据收集方法的示意图。
图4是根据本发明的一实施例绘示一种消费群组分类方法的流程图。
具体实施方式
以下说明是为完成发明的较佳实现方式,其目的在于描述本发明的基本精神,但并不用于限定本发明。实际的发明内容必须参考之后的权利要求范围。
必须了解的是,使用于本说明书中的“包含”、“包括”等词,是用于表示存在特定的技术特征、数值、方法步骤、作业处理、元件以及/或组件,但并不排除可加上更多的技术特征、数值、方法步骤、作业处理、元件、组件,或以上的任意组合。
在权利要求中使用如“第一”、“第二”、“第三”等词是用来修饰权利要求中的元件,并非用来表示之间具有优先权顺序,先行关系,或者是一个元件先于另一个元件,或者是执行方法步骤时的时间先后顺序,仅用来区别具有相同名字的元件。
请参照图1A、1B及图2,图1A是依照本发明一实施例绘示一种消费预测系统100的方块图。图1B是根据本发明的一实施例绘示一种消费预测系统150的方块图。图2是根据本发明的一实施例绘示一种消费预测方法200的流程图。
如图1A所示,消费预测系统100适用于一电子装置上,电子装置例如为计算机、手机、平板或其它具有运算功能的装置。消费预测系统100包含一储存装置10及一处理器20。在一实施例中,储存装置10可被实作为只读存储器、闪存、软盘、硬盘、光盘、随身碟、磁带、可由网络存取的数据库或本领域技术人员可轻易想到具有相同功能的储存介质。在一实施例中,处理器20可由集成电路如微控制单元(micro controller)、微处理器(microprocessor)、数字信号处理器(digital signal processor)、特殊应用集成电路(application specific integrated circuit,ASIC)或一逻辑电路来实施。
如图1B所示,消费预测系统150适用于一电子装置上,电子装置例如为计算机、手机、平板或其它具有运算功能的装置。消费预测系统150包含一储存装置10、一环境数据收集模块12、一消费记录模块14、一消费群组分类模块16及一模型训练模块18。在一实施例中,环境数据收集模块12、消费记录模块14、消费群组分类模块16及模型训练模块18各自以硬件电路实现,各自耦接于处理器20。在一实施例中,环境数据收集模块12、消费记录模块14、消费群组分类模块16及模型训练模块18位于处理器20。在一实施例中,环境数据收集模块12、消费记录模块14、消费群组分类模块16及模型训练模块18可以各自以软件实现,由处理器20执行。在一实施例中,环境数据收集模块12、消费记录模块14、消费群组分类模块16及模型训练模块18可一并或分别由集成电路如微控制单元(micro controller)、微处理器(microprocessor)、数字信号处理器(digital signal processor)、特殊应用集成电路(application specific integrated circuit,ASIC)或一逻辑电路来实施。
以下叙述消费预测方法200,消费预测方法200可以通过消费预测系统100或150实现。
在步骤210中,处理器20计算一个人偏好相关系数。
在一实施例中,处理器20加总一时间区间内的一使用者在一特定商店的消费次数,以得到一特定商店消费总次数,并将特定商店消费总次数除以时间区间内的此使用者在所有商店的消费次数,以计算个人偏好相关系数。在一实施例中,个人偏好相关系数计算公式如下,
其中,其中符号t代表时间区间,如7、15、30、60日…等时间。符号n代表每一个时间点的在所有商店消费的次数。符号e代表商店、产品类型、或天气好坏、讨论热度的高中低等等,其为一变量,可视实际应用代入不同数值,例如为商店代号,符号Ret代表每一个时间点的个别商店消费次数。符号PARet为到此商店消费的个人偏好相关系数。
在步骤220中,处理器20将历史环境数据、历史消费记录及个人偏好相关系数输入一第一类神经网络模型,第一类神经网络模型用于产生一训练模型。
在一实施例中,第一类神经网络模型可以由已知的一卷积神经网络(Convolutional Neural Network,CNN)模型实现。然而,本领域技术人员应能理解,本发明不限于采用CNN模型,只要是可以达到自动分类的其它神经网络模型也可应用。
在一实施例中,历史环境数据可以由环境数据收集模块12或处理器20收集。在一实施例中,环境数据收集模块12或处理器20收集到的环境数据可视为历史环境数据。在一实施例中,环境数据可以由处理器20或环境数据收集模块12取得。请参阅图3A~3C,图3A~3C是根据本发明的一实施例绘示一种环境数据收集方法300的示意图。环境数据收集方法300可以由环境数据收集模块12或处理器20执行。图3A~3C所示的环境数据收集方法30不限定执行顺序,也可以同时执行。
在一实施例中,如图3A所示,处理器20接收一外显数据30(例如天气、商店评价、商店名称),将外显数据30储存到一第一队列Q1,处理器20由第一队列Q1读取出外显数据31,并获取外显数据31中的一文字信息,文字信息有关于一商店类型32及一外在因素33。商店类型32包含商店评价、商店位置、交通信息、满意度、每天的产品信息及/或活动信息等等。外在因素33包含天气、季节及/或温度等信息。在一实施例中,使用者可以手动输入外显数据30到消费预测系统100(或150)。在一实施例中,处理器20可以从网络取得外显数据30。
在一实施例中,如图3B所示,处理器20接收一数字文字数据34,将数字文字数据34储存到一第二队列Q2,处理器20由第二队列Q2读取出数字文字数据34,藉由一第二类神经网络模型分类数字文字数据34,以取得对应于数字文字数据34的一商店讨论热度35。在一实施例中,处理器20可以从网络上取得数字文字数据34。数字文字数据34例如为脸书、谷歌、推特或电子邮件中的文字数据。例如,处理器20可以藉由谷歌的搜索引擎,搜寻到某间商店的讨论串及评比分数,这些评比分数的累计可以视为商店讨论热度35。
在一实施例中,第二类神经网络模型可以由已知的CNN模型实现。然而,本领域技术人员应能理解,本发明不限于采用CNN模型,只要是可以达到自动分类的其它神经网络模型也可应用。更具体而言,处理器20由第二队列Q2读取出数字文字数据34后,可利用第二类神经网络模型判断数字文字数据34的正确性(例如排除广告链接中的文字,只留下用户评价链接中的文字),再利用第二类神经网络模型将文字信息进行获取,进而利用第二类神经网络模型将获取来的文字信息给予正负评价分数,也可以利用第二类神经网络模型将数字文字数据34中的讨论商店主题进行分类,以分类出商店类型(如小吃店、便利商店、餐厅…等等),每个商店类型对应的文章数视为商店讨论热度35,也可以判断商店类型主题与产品类型37的相关性(例如自助餐店(商店类型)的主题中,有一千篇文章,其中没有任何文章提及牛排(产品类型37),因此自助餐店类型与牛排的相关性较低)。
在一实施例中,如图3C所示,处理器20接收一图片数据36,将图片数据36储存到一第三队列Q3。处理器20由第三队列Q3读取出图片数据36,藉由一第三类神经网络模型分类图片数据36,以取得对应图片数据36的一产品类型37。在一实施例中,用户可以手动输入图片数据36到消费预测系统100(或150)。在一实施例中,处理器20可以从网络取得图片数据36。在一实施例中,产品类型37例如为素食、猪肉主餐、咖啡、水果……等等。
在一实施例中,第三类神经网络模型可以由已知的CNN模型实现。然而,本领域技术人员应能理解,本发明不限于采用CNN模型,只要是可以达到自动分类的其它神经网络模型也可应用。
在一实施例中,第一队列Q1、第二队列Q2及第三队列Q3可以合并为一队列。
在一实施例中,环境数据收集模块12或处理器20会收集外显数据31与社群网站的文字内容(如数字文字数据34)。在收集外显数据31方面,环境数据收集模块12或处理器20可定时呼叫外部系统或政府机构的应用程序编程接口(Application ProgrammingInterface,API),取得外在因素33,如:天气好与坏的程度、季节、工作日与否,依这些信息,有利于让处理器20预测消费者会每天选择商家消费的动机,对一般上班族而言,除了有特别的活动外,偏好去消费的商家可能会是固定的,尤其在私有云的环境里,员工及商家通常都变化不大。外显数据31包含表一的内容:
日期 | 天气 | 活动 | 温度 |
11/1 | 晴天 | 否 | 27 |
11/2 | 阴天 | 否 | 25 |
11/3 | 阴天 | 特卖会 | 26 |
表一
在一实施例中,外显数据31包含商店的数据及店家提供的服务属性,如:主菜、店家在商场的位置、店家正面评价数、可支持的收款装置、店家负面评价数、经营时段早中晚等等,这些都会影响店家来客人数的数量,有些消费者会考虑商店评价与方便性。在一实施例中,外显数据31包含表二的内容:
表二
在一实施例中,外显数据31包含表三的内容:
店家 | 员工编号 | 与店家的距离 | 邻近的店家 | 位置 |
7-11 | 95031327 | 200m | 书店 | 南栋 |
MOS | 95031327 | 400m | 生机吧 | 北栋 |
表三由于消费者与商店的距离也会影响个人的消费意愿,及此商店的邻近商店可能也会影响个人的消费倾向,因此外显数据31也可能包含表三的内容。
此外,环境数据收集模块12或处理器20也会针对数字文字数据34(如社群网站的文字留言及回复信息内容),进行正负评价的判断,这与外显数据31不同的是,这些文字没有一定的规则,无法通过文字截取取得正确内容,这些文字有可能包含一些假消息,且数字文字数据34的数据量巨大,难以由人工一笔笔或一句句的判断,这些文字因此通过人工智能算法(例如第二类神经网络模型)进行判断数据的正确性,再对文字信息进行分类,算出商店的正负评价,及哪一商店类型的讨论热度较高,并计算商店类型与产品类型37的相关性(例如将包含特定产品的文章数除以特定主题的总文章数)。
另外,图片数据36可辅助定义受欢迎的产品类型37(如咖啡)及商店类型(如便利商店)等等。
在人工智能时代,由于外部环境因素复杂,数据量巨大且杂乱,数据收集不能再依赖人工的维护,因此通过上述的环境数据收集方法300,应用通过人工智能算法(例如第二类神经网络模型)分析数据,可以达到有效率的收集数据。
在一实施例中,历史消费记录可以由消费记录模块14或处理器20取得。在一实施例中,消费记录模块14或处理器20收集到的消费记录可视为历史消费记录。消费记录模块14或处理器20依消费记录统计,依年月日统计消费者的消费额、消费次数、平均客单价,并作年月日的排名,消费记录是预测来店人数很好的工具,平均客单价低,有可能会增加来客人数,当平均客单价高时,会减少来客人数,但总营业额可能会维持一定的水平。在一实施例中,历史消费记录包含表三的内容:
表三
产品类型37也是另一个决定个人喜好的因素,素食主义者倾向吃健康餐与素食餐为主,不吃牛肉者会选择猪羊主餐为主。每种产品类型37的金额统计,可以依年月进行加总与排名,以算出排名与月销费金额,也可依来店次数计算月消费天数。在一实施例中,历史消费记录包含表四的内容:
产品类型 | 类型 | 员工 | 月销费金额 | 月排名 | 月消费天数 |
素食 | 主餐 | 95031327 | 0 | 4 | 0 |
猪肉主餐 | 主餐 | 95031327 | 600 | 1 | 12 |
牛肉主餐 | 主餐 | 95031327 | 100 | 3 | 2 |
鸡肉主餐 | 主餐 | 95031327 | 400 | 2 | 8 |
咖啡 | 副餐 | 95031327 | 1100 | 1 | 22 |
水果 | 副餐 | 95031327 | 700 | 1 | 14 |
表四
在一实施例中,历史消费记录包含表五的内容:
表五
历史消费记录可以包含行动支付的人员背景信息,如年龄、职称、工作型态等等,如有些员工属于轮班制,有些属于常加班的员工,有些会在某特定时间请假的等等,处理器20可以依据这些数据,将消费者作分群。
请参阅图4,图4是根据本发明的一实施例绘示一种消费群组分类方法400的流程图。
在一实施例中,商店类型32、外在因素33、商店讨论热度35及产品类型37包含在一外显指标39中。
在一实施例中,处理器20可以通过表三取得商店排名与销售额41(如,日销售额),通过表四的月排名取得产品偏好排名与销售额42(如,月销售额),通过表五的职称得知工作类型43。
在一实施例中,商店排名与销售额41、产品偏好排名与销售42及工作类型43包含在一消费指标44中。
在一实施例中,消费群组分类模块16或处理器20可以将外显指标39及消费指标44记录在第四队列Q4中。
在一实施例中,训练模型储存于储存装置10中。在一实施例中,第一队列Q1、第二队列Q2、第三队列Q3及第四队列Q4储存于储存装置10中。
在一实施例中,消费群组分类模块16或处理器20依据外显指标39或消费指标44计算一群组相关系数45,依据群组相关系数45及个人偏好相关系数46以分类消费客群。
在一实施例中,消费群组分类模块16或处理器20可以从第四队列Q4读取外显指标39及消费指标44,并计算群组偏好相关系数45,群组偏好相关系数45计算方式如下:
其中符号t代表时间区间,如7、15、30、60日…等时间。符号n代表每一个时间点的在所有店家消费的次数。符号e代表店家、产品类型、或天气好坏、讨论热度的高中低等等。符号Ret代表群组每一个时间点的个别店家消费次数。符号GARet为到此群组消费的偏好系数(即群组偏好相关系数45)。
群组偏好相关系数可分为店家消费偏好、产品类型购买偏好、天气好坏与讨论热度高低的偏好指标等等,将相关的数值代入群组偏好相关系数公式,可计算出消费指标的相关系数及外显指标的相关系数。群组偏好相关系数45的另一个用途是用来修正对群组成员的定义,如:容易受到外在天气群组因素影响的,才能归在天气群组,若计算出来,发现参考群组(事先定义好的群组)与天气相关的群组偏好系数不存在高度相关,例如不管天气好坏,商店贩卖的便当数量都在一定数量区间内,则应该要依个人偏好相关系数去修正群组成员。关于个人偏好相关系数已在步骤210中叙述,故此处不重复叙述。
消费群组分类模块16或处理器20计算个人与参考群组的相关系数(个人偏好相关系数)后,可决定个人与参考群组的相关系数高低,如个人偏好相关系数高时(例如个人偏好素食,当素食的月消费金额当为参数代入个人偏好相关系数公式后,则个人偏好相关系数会高于将羊肉主餐的月消费金额代入个人偏好相关系数公式后的值),代表个人与参考群组(例如素食群组)存在高度的相关性,若与其它参考群组存在高度相关,代表应改归类到另一个群组。个人与参考群组间的相关系数指标可以由以下公式取得:
其中符号g代表群组类型。符号PARet代表个人的偏好系数。符号GARet为每个参考群组的偏好系数。其中,其中符号t代表时间区间,如7、15、30、60日…等时间,符号e代表店家、产品类型、或天气好坏、讨论热度的高中低等等。符号PReg为个人与参考群组间的相关系数指标,值越大代表越相关。藉此可以由多种面向分类消费客群。
在步骤230中,处理器20判断训练模型的一准确率是否高于一训练阈值。
当训练模型的准确率高于训练阈值时,处理器20将训练模型视为一预测模型。
当训练模型的准确率不高于训练阈值时,处理器20执行步骤220,将个人偏好相关系数、更多的历史环境数据及历史消费记录输入第一类神经网络模型。
模型训练的结果是为了可以精准的预测商家客人的来店数,结合历史环境数据、历史消费记录与消费记录及个人偏好相关系数,数据上一定会有遗漏与缺值,因此会通过个人的背景数据与所属的群组属性的平均值,对缺失值进行填补的工作。在一实施例中,处理器20还用于判断个人偏好相关系数、环境数据或历史消费记录是否包含一缺漏值,当处理器20判断个人偏好相关系数、历史环境数据或历史消费记录包含缺漏值(例如没有收集到某一天的天气数据),则处理器自动填补缺漏值(例如由相邻两天的天气数据作平均值计算)。
在一实施例中,可能每个人在店家消费的记录次数不平均,处理器20会对数据量作平衡与增加或减少数据量,以确保模型预测的精准度。
在一实施例中,处理器20将一训练数据输入训练模型,以得到一训练结果,将训练结果与一已知结果(例如历史环境数据或历史消费记录)进行相似度比对,以计算训练模型的准确率。
在步骤240中,处理器20将一预测环境数据输入预测模型,预测模型依据一预测环境数据输出一预测结果。
例如,处理器20输入天气为阴天、特卖会活动、温度为26度、产品类型为猪肉主餐、职称为工程师等预测环境数据到预测模型中,预测模型输出的预测结果为来客数50人(预测来客数)、营业额为8000元(预测营业额)及其他预测项目(例如预测消费次数、预测当月排名…等等)。
在一实施例中,预测环境数据可以是外显指标39及/或消费指标44中包含的部分数据。
在一实施例中,预测环境数据可以视为据以预测未来一时间区间(例如一周)的数据或条件限制,预测环境数据例如包含日期、天气、活动、温度、商店、评价、现今收款、是否员工卡消费、经营时段、位置、方便性、满意度、员工编号或商店位置…等等用于预测的条件。
在步骤250中,处理器20获取预测结果中的一预测来客数和一预测营业额,将预测来客数与一实际来客数比对,以产生一来客数修正权重,并将预测营业额与一实际营业额比对,以产生一营业额修正权重。
例如,预测结果为来客数50人(例如预测下周三来客数),营业额为8000元(例如预测下周三营业额),则处理器20将预测来客数50人与实际来客数75人(例如下周三当日实际结算后的来客数)进行比对(由于75为50的1.5倍,来客数修正权重为1.5),并将预测营业额8000元与实际营业额9600元(例如下周三当日实际结算后的营业额)进行比对(由于9600为8000的1.2倍,营业额修正权重为1.2)。
在步骤260中,处理器20判断来客数修正权重(例如1.5)是否高于一来客数权重阈值(例如1.2)或者营业额修正权重(例如1.3)是否高于一营业额权重阈值(例如1.3)。
在一实施例中,当来客数修正权重高于来客数权重阈值或者营业额修正权重高于营业额权重阈值,则进入步骤220,将历史环境数据、历史消费记录及个人偏好相关系数输入第一类神经网络模型,并依据来客数修正权重与营业额修正权重调整训练模型,以更新训练模型。
在一实施例中,当来客数修正权重不高于来客数权重阈值且营业额修正权重不高于营业额权重阈值,则进入步骤270。
在此例中,处理器20判断来客数修正权重(例如1.5)高于来客数权重阈值(例如1.2),因此,会将客数权重阈值回传到步骤220,在一些示例中,处理器20会一并传送客数权重阈值及营业额修正权重到步骤220。
在一实施例中,处理器20可以将当日相同客群的消费倾向的数据或/及当日收集的环境数据传送到步骤220,步骤220中的第一类神经网络模型可以取得更多的信息以调整训练模型。
在步骤270中,预测模型输出预测来客数及预测营业额。
在一实施例中,处理器20或预测模型可以在当次预测或下一次的预测时,将预测来客数(例如50人)乘以来客数修正权重(例如1.5),以得到一来客数修正结果(例如75人),并将预测营业额(例如8000元)乘以营业额修正权重(例如1.2),以得到一营业额修正结果(例如9600元)。
在一实施例中,在产生模型预测的过程中,并非一次就能找出最佳模型,会经由消费预测系统100的重复步骤210~230,找出前几名精准度较高,错误率最低者作为预测模型,并以预测模型为基础,对个人的来店机率作预测。预测模型最后会得出推荐给个人的店家与产品排名,并依这排名数据,进行预测一时间区间(例如一周)内的店家来客数量,并依每日的营业情况与个人的选择,进行权重的修正,让一周内的来客数量与营业额可以趋进正确范围内。这样的修正结果,可以回馈到人工智能模型(即回到步骤220)里,一起加入模型训练的输入数据。此外,预测模型的输出结果可以乘以权重,以修正来店客数的预测值。
由上述可知,在人工智能时代,数据量巨大且繁杂,若要能准确且有效率的预测数据,则要考虑的因素及数据量庞杂,因此,数据收集不能再依赖人工的维护。本发明所示的消费预测系统及消费预测方法通过类神经网络模型分析大量且繁杂的数据,进而生成预测模型,并可以通过预测模型输出未来一段时间内的预测来客人数及预测营业额,也可以比对预测来客人数与实际来客数,以得到来客数修正权重,比对预测营业额与实际营业额比对,以得到营业额修正权重,通过来客数修正权重及营业额修正权重可以调整预测模型,使预测模型更加准确。
[符号说明]
100,150:消费预测系统
10:储存装置
20:处理器
12:环境数据收集模块
14:消费记录模块
16:消费群组分类模块
18:模型训练模块
200:消费预测方法
210~270:步骤
31:外显数据
Q1:第一队列
32:商店类型
33:外在因素
34:数字文字数据
Q2:第二队列
35:商店讨论热度
36:图片数据
Q3:第三队列
37:产品类型
39:外显指标
41:商店排名与销售额
42:产品偏好排名与销售
43:工作类型
44:消费指标
Q4:第四队列
45:群组相关系数
46:个人偏好相关系数
Claims (10)
1.一种消费预测系统,包含:
一储存装置,用于储存一历史环境数据和一历史消费记录;以及
一处理器,用于计算一个人偏好相关系数,并将该历史环境数据、该历史消费记录和该个人偏好相关系数输入一第一类神经网络模型,该第一类神经网络模型用于产生一训练模型,当该训练模型的一准确率高于一训练阈值时,将该训练模型视为一预测模型,将一预测环境数据输入该预测模型,该预测模型依据该预测环境数据输出一预测结果,并获取该预测结果中的一预测来客数和一预测营业额,将该预测来客数与一实际来客数比对,以产生一来客数修正权重,并将该预测营业额与一实际营业额比对,以产生一营业额修正权重,判断该来客数修正权重是否高于一来客数权重阈值或者该营业额修正权重是否高于一营业额权重阈值,当该来客数修正权重高于该来客数权重阈值或者该营业额修正权重高于该营业额权重阈值,则依据该来客数修正权重与该营业额修正权重调整该训练模型,以更新该训练模型。
2.如权利要求1所述的消费预测系统,其中该处理器加总一时间区间内的一使用者在一特定商店的消费次数,以得到一特定商店消费总次数,并将该特定商店消费总次数除以该时间区间内的该使用者在所有商店的消费次数,以计算该个人偏好相关系数。
3.如权利要求1所述的消费预测系统,其中该处理器还用于判断该个人偏好相关系数、该历史环境数据或该历史消费记录是否包含一缺漏值,当该处理器判断该个人偏好相关系数、该历史环境数据或该历史消费记录包含该缺漏值,则该处理器自动填补该缺漏值。
4.如权利要求1所述的消费预测系统,其中该处理器将一训练数据输入该训练模型,以得到一训练结果,将该训练结果与一已知结果进行相似度比对,以计算该训练模型的该准确率。
5.如权利要求1所述的消费预测系统,其中该处理器判断当该来客数修正权重不高于该来客数权重阈值且该营业额修正权重不高于该营业额权重阈值,则将该预测来客数乘以该来客数修正权重,以得到一来客数修正结果,并将该预测营业额乘以该营业额修正权重,以得到一营业额修正结果。
6.如权利要求1所述的消费预测系统,其中该处理器接收一外显数据,将该外显数据储存到一第一队列,该处理器接收一数字文字数据,将该数字文字数据储存到一第二队列,该处理器接收一图片数据,将该图片数据储存到一第三队列。
7.如权利要求6所述的消费预测系统,其中该处理器由该第一队列读取出该外显数据,并获取该外显数据中的一文字信息,该文字信息有关于一商店类型和一外在因素,该处理器由该第二队列读取出该数字文字数据,藉由一第二类神经网络模型分类该数字文字数据,以取得对应于该数字文字数据的一商店讨论热度,该处理器由该第三队列读取出该图片数据,藉由一第三类神经网络模型分类该图片数据,以取得对应该图片数据的一产品类型;
其中,该商店类型、该外在因素、该商店讨论热度及该产品类型包含在一外显指标中。
8.如权利要求7所述的消费预测系统,其中该处理器接受一消费指标,该消费指标包含一工作类型、一产品偏好排名与销售额及一商店排名与销售额;
其中,该处理器将该外显指标及该消费指标储存到一第四队列,依据该外显指标或该消费指标计算一群组相关系数,依据该群组相关系数及该个人偏好相关系数以分类消费客群。
9.一种消费预测方法,包含:
计算一个人偏好相关系数;
将一历史环境数据、一历史消费记录和该个人偏好相关系数输入一第一类神经网络模型,该第一类神经网络模型用于产生一训练模型;
判断该训练模型的一准确率是否高于一训练阈值,当该训练模型的该准确率高于该训练阈值时,将该训练模型视为一预测模型;
将一预测环境数据输入该预测模型,该预测模型依据一预测环境数据输出一预测结果;
获取该预测结果中的一预测来客数和一预测营业额,将该预测来客数与一实际来客数比对,以产生一来客数修正权重,并将该预测营业额与一实际营业额比对,以产生一营业额修正权重;以及
判断该来客数修正权重是否高于一来客数权重阈值或者该营业额修正权重是否高于一营业额权重阈值;
当该来客数修正权重高于该来客数权重阈值或者该营业额修正权重高于该营业额权重阈值,则依据该来客数修正权重与该营业额修正权重调整该训练模型,以更新该训练模型。
10.如权利要求9所述的消费预测方法,还包含:
判断当该来客数修正权重不高于该来客数权重阈值且该营业额修正权重不高于该营业额权重阈值时,将该预测来客数乘以该来客数修正权重,以得到一来客数修正结果,并将该预测营业额乘以该营业额修正权重,以得到一营业额修正结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109110919A TWI793412B (zh) | 2020-03-31 | 2020-03-31 | 消費預測系統及消費預測方法 |
TW109110919 | 2020-03-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469722A true CN113469722A (zh) | 2021-10-01 |
Family
ID=77857246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315991.8A Pending CN113469722A (zh) | 2020-03-31 | 2020-04-21 | 消费预测系统及消费预测方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11983726B2 (zh) |
CN (1) | CN113469722A (zh) |
TW (1) | TWI793412B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745338A (zh) * | 2024-02-20 | 2024-03-22 | 山东浪潮数字商业科技有限公司 | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11605100B1 (en) | 2017-12-22 | 2023-03-14 | Salesloft, Inc. | Methods and systems for determining cadences |
US11586878B1 (en) * | 2021-12-10 | 2023-02-21 | Salesloft, Inc. | Methods and systems for cascading model architecture for providing information on reply emails |
TWI828426B (zh) * | 2022-11-16 | 2024-01-01 | 精誠資訊股份有限公司 | 利用多面向商品情蒐資訊進行銷售預測之電商輔助系統 |
CN116051173B (zh) * | 2023-03-30 | 2023-06-30 | 安徽交欣科技股份有限公司 | 一种客流量预测方法、系统及公交派车方法 |
CN117494907A (zh) * | 2023-12-29 | 2024-02-02 | 青岛巨商汇网络科技有限公司 | 基于销售数据分析的工厂生产计划调度优化方法及系统 |
CN117575475B (zh) * | 2024-01-16 | 2024-04-12 | 中铁四局集团有限公司 | 一种基于数据仓库的大屏报表快速搭建显示方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008067543A2 (en) * | 2006-11-30 | 2008-06-05 | Mastercard International Incorporated | Techniques for targeted offers |
US8527324B2 (en) * | 2006-12-28 | 2013-09-03 | Oracle Otc Subsidiary Llc | Predictive and profile learning salesperson performance system and method |
US11593817B2 (en) * | 2015-06-30 | 2023-02-28 | Panasonic Intellectual Property Corporation Of America | Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium |
US10740773B2 (en) * | 2015-12-09 | 2020-08-11 | Walmart Apollo, Llc | Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities |
US20180053255A1 (en) * | 2016-08-19 | 2018-02-22 | Noonum | System and Method for end to end investment and portfolio management using machine driven analysis of the market against qualifying factors |
CN106504029A (zh) * | 2016-11-08 | 2017-03-15 | 山东大学 | 一种基于客户群体行为分析的加油站销量预测方法 |
US20180300738A1 (en) * | 2017-03-22 | 2018-10-18 | National Taiwan Normal University | Method and system for forecasting product sales on model-free prediction basis |
US20190102693A1 (en) * | 2017-09-29 | 2019-04-04 | Facebook, Inc. | Optimizing parameters for machine learning models |
CN108764646B (zh) * | 2018-04-27 | 2021-05-25 | 车智互联(北京)科技有限公司 | 一种销量预测方法及计算设备 |
US11373199B2 (en) * | 2018-10-26 | 2022-06-28 | Target Brands, Inc. | Method and system for generating ensemble demand forecasts |
CN109509030B (zh) * | 2018-11-15 | 2021-06-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN110415002A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 客户行为预测方法及系统 |
CN110580639A (zh) * | 2019-08-08 | 2019-12-17 | 江苏荣泽信息科技股份有限公司 | 一种基于连锁业态的门店经营预测方法 |
CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
-
2020
- 2020-03-31 TW TW109110919A patent/TWI793412B/zh active
- 2020-04-21 CN CN202010315991.8A patent/CN113469722A/zh active Pending
- 2020-08-24 US US17/000,681 patent/US11983726B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745338A (zh) * | 2024-02-20 | 2024-03-22 | 山东浪潮数字商业科技有限公司 | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
CN117745338B (zh) * | 2024-02-20 | 2024-05-03 | 山东浪潮数字商业科技有限公司 | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202139098A (zh) | 2021-10-16 |
US11983726B2 (en) | 2024-05-14 |
US20210303996A1 (en) | 2021-09-30 |
TWI793412B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469722A (zh) | 消费预测系统及消费预测方法 | |
Fildes et al. | Retail forecasting: Research and practice | |
US20210334844A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
Fildes et al. | Forecasting and operational research: a review | |
US20020091875A1 (en) | Information-processing apparatus, information-processing method and storage medium | |
CN104239338A (zh) | 信息推荐方法及装置 | |
US20100010870A1 (en) | System and Method for Tuning Demand Coefficients | |
US20110131079A1 (en) | System and Method for Modeling by Customer Segments | |
CN110880127B (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
US20060116921A1 (en) | Methods and systems for profile-based forecasting with dynamic profile selection | |
CN110532351A (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
CN112150227A (zh) | 商品推荐方法、系统、设备及介质 | |
JP2015043167A (ja) | 売上予測システム及び売上予測方法 | |
TWM624658U (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 | |
CN115860787A (zh) | 一种增量式消费者画像方法 | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
CN115860800A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
CN111352976A (zh) | 一种针对购物节的搜索广告转化率预测方法及装置 | |
Zhang et al. | Analysis and optimisation of perishable inventory with stocks-sensitive stochastic demand and two-stage pricing: A discrete-event simulation study | |
CN111062756A (zh) | 一种销售数据分析方法及系统 | |
Jhamtani et al. | Size of wallet estimation: Application of K-nearest neighbour and quantile regression | |
CN115841345A (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
TW202312060A (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置、方法與儲存該方法的儲存媒介 | |
Tekin et al. | Big data concept in small and medium enterprises: how big data effects productivity |
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 |