CN114202352A - 利用商品的视觉图式的需求预测方法及其装置 - Google Patents

利用商品的视觉图式的需求预测方法及其装置 Download PDF

Info

Publication number
CN114202352A
CN114202352A CN202111025487.5A CN202111025487A CN114202352A CN 114202352 A CN114202352 A CN 114202352A CN 202111025487 A CN202111025487 A CN 202111025487A CN 114202352 A CN114202352 A CN 114202352A
Authority
CN
China
Prior art keywords
data
visual
commodity
analysis
demand
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
Application number
CN202111025487.5A
Other languages
English (en)
Inventor
李贤贞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN114202352A publication Critical patent/CN114202352A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0204—Market segmentation
    • 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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及利用商品的视觉图式的需求预测方法及其装置。根据本发明的需求预测方法的特征在于包括如下步骤：生成作为将商品的属性数值化的数据的所述视觉图式；分析所述视觉图式而生成作为所述商品的属性的相关数据的视觉图式分析数据；利用所述视觉图式分析数据，生成作为按照所述商品的属性的需求预测分析结果数据的预测数据；以及生成将所述预测数据以商品之间或者客户之间的相关关系表现的视觉叙事数据，来叙述需求预测。

Description

利用商品的视觉图式的需求预测方法及其装置
技术领域
以下实施例涉及一种利用商品的视觉图式的需求预测方法及其系统。
背景技术
目前，大数据市场已经达到通过爬行收集数据的成熟期，已经来到需要通过数据分析对商品需求和偏好进行预测分析的时期。
但是，为了定量测算偏好和需求等定性性数据，通过内容分析理解条理是先决条件。
尤其是，由视觉信息构成而不是由文本构成的商品的图像信息无法仅通过简单的属性识别或计数进行内容分析，而仅当将属性之间的关系量化为数值时才可以创建能够预测和优化的分析模型。
作为结果，在能够通过分析商品的属性关系来预测消费者的需求和偏好时才能被认为是对经营活动有用的工具，并且正在产生关于相关工具的市场需求。
记载于本背景技术部分的内容是为了增进对发明背景的理解而撰写的，可以包括不属于在该技术所属领域的普通技术人员已知的现有技术的内容。
发明内容
以下实施例是为了解决前述的问题而提出的，本发明旨在提出一种在生成将商品的属性数值化的视觉图式(Visual Schema)之后，以连续的方式表现商品的属性关系，从而创建视觉叙事形态的视觉图式属性的量化方法论。
并且，本发明通过视觉图式的属性量化进行商品图像的内容(Content)分析，并且使这种商品图像的内容分析能够被用作日后分析消费者的爱好、偏好、需求的基础。
并且，本发明的目的在于通过这种对消费者的喜好和需求的分析来建立用于企业的商品规划和营销活动的数字化的预测和分析建模系统(高级客户关系管理/企业资源计划(Advanced CRM/ERP))。
本发明所要解决的问题并不限于以上所提及的问题，普通技术人员可以通过以下记载明确理解未提及的其他问题。
在为了实现所述目的的本发明中，利用预测装置执行的利用商品的视觉图式的需求预测方法以包括如下步骤为特征：生成作为将商品的属性数值化的数据的所述视觉图式；分析所述视觉图式而生成作为所述商品的属性的相关数据的视觉图式分析数据；利用所述视觉图式分析数据，生成作为按照所述商品的属性的需求预测分析结果数据的预测数据；以及生成将所述预测数据以商品之间或者客户之间的相关关系表现的视觉叙事数据，从而叙述需求预测。
此时，在生成所述视觉图式的步骤中，可以基于图像分析模型，识别所述商品的属性而生成所述视觉图式。
并且，所述视觉图式分析数据可以是示出所述商品的属性与其他属性、需求者、趋势、价格中的至少一个的关系的数据，生成所述视觉图式分析数据的步骤可以包括，内容分析操作、聚类操作以及神经网络构成操作。
并且，在生成所述预测数据的步骤中，可以利用信用评分模型以视觉叙事方式表现所述商品的属性之间的关系，分别计算所述视觉叙事满足各生活方式图的各区域以及目标受众的偏好和需求的程度的概率，将所述分别计算的概率按等级排序而预测所述商品的需求。
并且，在所述需求预测叙述步骤中，可以将所述视觉图式置换为对时间的流逝的波动数据，而生成所述视觉叙事数据，利用图像分析模型内所述视觉图式的序列节点而将视线的移动处理转换为数据，利用所述序列节点的控制测算，对满足消费者的需求和偏好的商品模型进行建模。
并且，根据本发明的需求预测装置可以包括：视觉图式生成部，生成作为将商品的属性数值化的数据的视觉图式；视觉图式分析部，分析所述视觉图式而生成作为所述商品的属性的相关数据的视觉图式分析数据；预测部，利用所述视觉图式分析数据，生成作为按照所述商品的属性的需求预测分析结果数据的预测数据；以及叙述部，生成将所述预测数据以商品之间或者客户之间的相关关系表现的视觉叙事数据，来叙述需求预测。
此时，所述视觉图式生成部可以基于图像分析模型，识别所述商品的属性而生成所述视觉图式。
并且，所述视觉图式分析数据是示出所述商品的属性与其他属性、需求者、趋势、价格中的至少一个的关系的数据，所述视觉图式分析部可以分析内容，进行聚类，并构成神经网络。
并且，所述预测部可以利用信用评分模型以视觉叙事方式表现所述商品的属性之间的关系，分别计算所述视觉叙事满足各生活方式图的各区域以及目标受众的偏好和需求的程度的概率，将所述分别计算的概率按等级排序而预测所述商品的需求。
并且，所述叙述部可以将所述视觉图式置换为对时间的流逝的波动数据而生成所述视觉叙事数据，利用图像分析模型内所述视觉图式的序列节点而将视线的移动处理转换为数据，利用所述序列节点的控制测算，对满足消费者的需求和偏好的商品模型进行建模。根据如以上所说明的本发明，可以通过分析商品的属性关系来快速且有效地执行对消费者的需求和偏好的预测以及商品优化建模。
根据如以上所说明的本发明，可以快速且有效地执行通过分析商品的关系来对消费者的需求和偏好的预测以及商品优化建模。
本发明的效果并不限于以上提及的效果，普通技术人员可以通过以下记载明确理解未提及的其他效果。
附图说明
图1是示出根据本发明的利用商品的视觉图式(visualschema)的需求预测系统的图。
图2是示出根据本发明的需求预测装置的构成的图。
图3是示出根据本发明的视觉图式分析部的构成的图。
图4是示出根据本发明的叙述部的构成的图。
图5是示出根据本发明的需求者终端的构成的图。
图6是示出根据本发明的利用商品的视觉图式的需求预测方法的流程图的图。
图7是示出根据本发明的服装商品的视觉图式的图。
图8A是用于说明根据本发明的服装商品的视觉图式分析数据中的内容分析的图。
图8B是用于说明根据本发明的服装商品的视觉图式分析数据中的聚类分析的图。
图8C是用于说明根据本发明的服装商品的视觉图式分析数据中的神经网络模型的图。
图9A和图9B是示出根据本发明的服装商品的需求预测数据的图。
图10A和图10B是示出根据本发明的视觉叙事(visual narrative)的图。
图11A和图11B是示出根据本发明的视线移动处理的图。
图12是示出根据一实施例的高级客户关系管理/企业资源计划商务智能系统(Advanced CRM/ERP Business Intelligence System)的图。
具体实施方式
以下将参照附图详细说明实施例。在各图中示出的相同的附图标记表示相同的部件。可以对以下说明的实施例进行多种变更。以下说明的实施例并不旨在对实施形态进行限定，应当理解为包括对它们的所有变更、等同物以及替代物。
实施例中利用的术语仅用于说明特定实施例，并不旨在限定实施例。除非上下文另有明确说明，单数的表述包括复数的表述。在本说明书中，“包括”或者“具有”等术语旨在指定说明书中记载的特征、数字、操作、构成要素、部件或者它们的组合的存在，应当被理解为不预先排除一个以上的其他特征、数字、操作、构成要素、部件或者它们的组合的存在或者附加可能性。
除非另有定义，在此处使用的所有术语(包括技术性术语和科学性术语)具有与实施例所属领域的普通技术人员通常理解的含义相同的含义。与通常使用的词典所定义的内容相同的术语应当被解释为具有与相关技术语境中具有的含义相同的含义，并且除非在本申请中明确定义，不应被解释为理想性的含义或者过度形式性的含义。
并且，在参照附图进行说明时，与附图序号无关地，对相同的构成要素赋予相同的附图标记，并省略对其的重复说明。在说明实施例时，如果判断出针对相关的公知技术的具体说明可能对实施例的要旨带来不必要的混淆，则省略其详细说明。
图1是示出根据本发明的利用商品的视觉图式的需求预测系统10的图。
参照图1，根据本发明的利用商品的视觉图式的需求预测系统10包括需求预测装置100、需求者终端300以及经营者终端500。
需求预测装置100可以为例如计算机、超级移动个人计算机(UMPC：Ultra MobilePC)、工作站、上网本(net-book)、个人数字助理(PDA：Personal Digital Assistants)、便携式(portable)计算机、网页平板计算机(web tablet)、无线电话(wireless phone)、移动电话(mobile phone)、智能电话(smart phone)、便携式多媒体播放器(PMP：portablemultimedia player)等电子装置之一，可以包括能够安装和运行与需求预测装置100相关的应用的所有电子装置。电子装置可以在应用的控制下执行例如服务屏幕的构成、数据输入、数据收发、数据存储等整体服务操作。
需求预测装置100生成商品的视觉图式(Visual Schema)20。本发明的视觉图式20是将商品的属性数值化的数据。
作为一例，在商品为服装的情形下，需求预测装置100可以通过将作为服装商品的属性的颜色、图案、颈部形状、手臂长度、厚度等数值化来生成视觉图式20。
需求预测装置100可以通过利用图像分析模型来识别商品的属性，并生成商品的视觉图式20。本发明的图像分析模型可以包括多种方式的图像识别和分析模型。
需求预测装置100通过分析视觉图式20而生成视觉图式分析数据30。
本发明的视觉图式分析数据30为分析了商品的属性如何关联并具有特定模式的数据，是表示商品的属性与其他属性、需求者、趋势、价格等的关系的数据。
需求预测装置100可以利用多种方法分析视觉图式20，本发明的需求预测装置100可以通过内容分析、聚类、神经网络构成来分析视觉图式20。
需求预测装置100利用视觉图式分析数据30执行需求预测分析，并且生成作为分析结果的预测数据40。
本发明的预测数据40是按照商品的视觉图式预测了客户的需求的数据。
需求预测装置100可以利用多种分析方法来执行需求预测分析。一实施例的需求预测装置100可以通过利用信用评分模型(credit scoring model)以视觉叙事来表现商品属性之间的关系，计算关于相应视觉叙事能够满足各生活方式图的各区域以及目标受众的偏好和需求的程度的概率并按等级排序而预测相应商品的需求。
需求预测装置100利用预测数据40生成视觉叙事数据50。本发明的视觉叙事数据50是将预测数据40以商品之间或客户之间的相关关系表现的数据。可以通过这种视觉叙事数据50对符合消费者的需求和偏好的商品优化模型进行建模。
需求预测装置100可以利用多种方法生成视觉叙事数据50，一实施例的需求预测装置100可以通过视觉叙事生成、视线移动处理来生成视觉叙事数据50。
将在以下图2详细说明需求预测装置100的具体构成和功能。
需求者终端300将商品的购买数据传输至需求预测装置100。商品的购买数据在需求预测装置100用于预测相应商品的需求。
经营者终端500从需求预测装置100接收预测数据40和视觉叙事数据50等，并将相应的数据输出至作为用户的经营者。经营者可以利用该数据确认消费者的喜好和需求，并作为企业的商品筹划和营销活动的参考。
图2是示出根据本发明的需求预测装置100的构成的图。
参照图2，根据本发明的需求预测装置100包括控制部110、视觉图式生成部120、视觉图式分析部130、叙述部150、预测部140、用户界面部160、数据库部170、显示部180以及通信部190。
包括于需求预测装置100内的多种实体(entities)之间的通信可以通过有线/无线网络(未示出)执行。有线/无线网络可以使用标准通信技术和/或协议。
需求预测装置100的硬件构成可以实现为多种方式。可以通过整合视觉图式生成部120和视觉图式分析部130或整合叙述部150和预测部140而构成硬件。像这样，需求预测装置100的硬件构成不限于本说明书的记载，可以通过多种方法和组合实现。
控制部110控制视觉图式生成部120、视觉图式分析部130、叙述部150、预测部140、用户界面部160、数据库部170、显示部180和通信部190执行需求预测装置100的多种功能。
并且，控制部110也可以被称作处理器(Processor)、控制器(controller)、微控制器(microcontroller)、微处理器(microprocessor)、微计算机(microcomputer)等，控制部110可以通过硬件(hardware)、固件(firmware)、软件或它们的结合来实现。
视觉图式生成部120生成商品的视觉图式(Visual Schema)20。本发明的视觉图式20是将商品的属性数值化的数据。
作为一例，在商品为服装的情形下，视觉图式生成部120可以通过将作为服装商品的属性的颜色、图案、颈部形状、手臂长度、厚度等数值化而生成视觉图式20。
视觉图式生成部120可以利用图像分析模型识别商品的属性而生成商品的视觉图式20。本发明的图像分析模型可以包括多种方式的图像识别和分析模型。
视觉图式分析部130可以分析视觉图式20而生成视觉图式分析数据30。
本发明的视觉图式分析数据30为分析了商品的属性如何关联并具有特定模式的数据，是表示商品的属性与其他属性、需求者、趋势、价格等的关系的数据。
需求预测装置100(例如，视觉图示分析部130)可以利用多种方法分析视觉图式20，本发明的需求预测装置100可以通过内容分析、聚类、神经网络构成来分析视觉图式20。
图3是示出根据本发明的视觉图式分析部130的构成的图。参照图3，根据本发明的视觉图式分析部130包括内容分析部131、聚类部132以及神经网络模型133。
内容分析部131通过进行商品内在的基于内容(content-based)分析执行内在地掌握客户对商品的态度(attitude)的通过基于内容的分析的内在测量(implicitmeasurement via content-based analysis)。内容分析部131通过分析内容而掌握客户内在的商品及趋势偏好。
在完成对商品的内容分析之后，聚类部132按相应内容对商品进行聚类，并将该聚类的内容与客户对商品的价值和观点进行匹配并进行消费者的心理描绘(Psychographic)技术描述并进行聚类。
神经网络模型133通过神经网络的形态构成商品的属性以及对该属性的偏好。神经网络模型133生成类推并叙述商品的属性与偏好之间的复合性(complexity)的神经网络的形态。据此，通过将之后通过叙述部150的视觉叙事表现的商品优化模型中的视觉图式之间的关系模式(内容)置换为神经网络的节点之间的结合(连接组)并进行机器强化学习，从而可以通过视觉图式之间的关系模式学习消费者对商品的特定偏好。
预测部140通过利用视觉图式分析数据30执行需求预测分析，并生成作为分析结果的预测数据40。本发明的预测数据40是按照商品的视觉图式预测客户的需求的数据。
预测部140可以利用多种分析方法来执行需求预测分析。本发明的需求预测装置100可以通过利用信用评分模型以视觉叙事来表现商品属性之间的关系，计算关于相应视觉叙事能够满足各生活方式图的各区域以及目标受众的偏好和需求的程度的概率并按等级排序而预测相应商品的需求。
叙述部150利用预测数据40生成视觉叙事数据50。本发明的视觉叙事数据50是以商品之间或客户之间的相关关系表现预测数据40的数据。即，表现客户对商品的视觉图式之间的关系模式的偏好/需求的视觉叙事数据50是可以通过对商品属性(图式)的控制测算对符合客户的偏好/需求的商品优化模型进行模拟和建模的数据。
叙述部150可以利用多种方法生成视觉叙事数据50，本发明的需求预测装置100(例如，叙述部150)可以通过视觉叙事生成、视线移动处理生成视觉叙事数据50。
图4是示出根据本发明的叙述部150的构成的图。参照图4，根据本发明的叙述部150包括视觉叙事生成部151以及视线移动处理部153。
视觉叙事生成部151将由视觉图式构成的图像数据置换为针对时间流逝的波动数据而生成视觉叙事。
视线移动处理部153利用图像分析模型中图像的视觉图式20的序列节点(Sequence Node)将视线的移动处理转换为数据。
视线移动处理部153通过连续的表现方式(频率等)将商品的特征(feature)(内在地掌握并测定消费者对相应商品的偏好的工具)进行数值化/视觉化。以诸如频率之的连续形态示出这种商品属性之间的数值(numerical value)差异。
视线移动处理部153可以通过如上所述地模拟消费者对特定生活方式区域内的高人气高需求商品的商品构成项目(视觉图式)之间的结合模式的视线处理操作，来掌握符合消费者偏好的项目和项目构成项目(视觉图式)的优化连接方式(视觉图式序列(visualschema sequence))。并且，在如此模拟消费者的视线处理操作的同时，测量消费者对各商品组成项目(视觉图式)的认知成本并完成对将后述的图10A和10B的视觉图式视觉叙事的叙述。将如此掌握的视觉图式序列置换为将后述的图8C的神经网络的节点之间的组合模式(连接组)，从而可以在一实施例的预测部掌握能够满足特定商品的消费者偏好和需求的商品构成项目(视觉图式)之间的关系，并且可以预测日后的偏好和需求。
用户界面部160向用户提供可以输入数据的界面。用户可以通过用户界面部160向需求预测装置100输入多种数据。
数据库部170存储需求预测装置100(例如，预测部140)生成预测数据40所需的多种数据。作为一例，数据库部170可以存储视觉图式20、视觉图式分析数据30、预测数据40、视觉叙事数据50等。
显示部180通过显示装置(Display Device)向用户输出存储于需求预测装置100的多种数据。作为一例，显示部180可以向用户输出视觉图式20、视觉图式分析数据30、预测数据40、视觉叙事数据50等。
通信部190与外部装置进行数据通信。通信部190可以从需求者终端300接收商品购买数据、商品偏好数据等，并且可以向经营者终端500传输预测数据40和视觉叙事数据50等。
图5是示出根据一实施例的需求者终端300的构成的图。
以下，依次观察构成图5所示的需求者终端300的构成要素。然而，虽然图5示出了需求者终端300，但是经营者终端500也可以包括与需求者终端300相同的构成。
无线通信部310可以包括执行需求者终端300与无线通信系统之间的无线通信或需求者终端300与需求者终端300所处的网络之间的无线通信的一个以上的构成要素。例如，无线通信部310可以包括广播接收模块311、移动通信模块312、无线互联网模块313、近距离通信模块314、位置信息模块315等。
广播接收模块311通过广播信道从外部的广播管理服务器接收广播信号和/或广播相关信息。在此，广播信道可以包括卫星信道和地面信道频道。此外，广播相关信息还可以通过移动通信网提供，并且在这种情形下，可以通过移动通信模块312接收。
并且，移动通信模块312可以在移动通信网上与基站、外部终端、服务器中的至少一个收发无线信号。在此，无线信号可以包括语音呼叫信号、视频呼叫信号或者根据文字/多媒体收发的多种形态的数据。
无线互联网模块313是指用于无线互联网接入的模块，可以内置或外置于需求者终端300。
近距离通信模块314是指用于近距离通信的模块。作为近距离通信技术，可以应用蓝牙(Bluetooth)、射频识别(RFID：Radio Frequency Identification)、红外通信(IrDA：infrared Data Association)、超宽带(UWB：Ultra Wideband)、紫蜂(ZigBee)等。
并且，位置信息模块315是用于确认或获得需求者终端300的位置的模块。作为一例，可以包括全球定位系统(GPS：Global Position System)模块。GPS模块从多个人工卫星接收位置信息。在此，位置信息可以包括以纬度和经度表示的坐标信息。
此外，音频/视频(A/V：Audio/Video)输入部320用于输入音频信号或视频信号，可以包括相机321和麦克风322等。相机321处理在视频通话模式或者拍摄模式下通过图像传感器获得的静止图像或视频等的图像帧。并且，经处理的图像帧可以显示于显示部351。
在相机321处理过的图像帧可以存储于存储器360或者通过无线通信部310传输至外部。根据需求者终端300的构成形态，也可以配备两个以上的相机321。
麦克风322在通话模式、录音模式或语音识别模式等中通过麦克风(Microphone)接收外部的声音信号并处理为电语音数据。并且，经处理的语音数据可以在通话模式下通过移动通信模块312转换为能够发送至移动通信基站的形态而输出。麦克风322可以实现用于去除在接收外部音频信号的过程中产生的噪声(noise)的多种噪声去除算法。
用户输入部330从用户接收输入操作，并生成用于控制需求者终端300的操作的输入数据。
感测部340通过感测诸如需求者终端300的位置、用户是否接触、需求者终端300的方位、需求者终端300的加速/减速等需求者终端300的当前状态而生成用于控制需求者终端300的操作的感测信号。
接口部370起到与连接于需求者终端300的所有外部设备之间的接口作用。例如，可以包括有线/无线头戴式装置端口、外部充电器端口、有线/无线数据端口、存储卡(memory card)端口、用于连接配备有识别模块的装置的端口、音频输入/输出(I/O：Input/Output)端口、视频输入/输出(I/O：Input/Output)端口、耳机端口等。
输出部350用于输出音频信号、视频信号或者警报(alarm)信号，其可以包括显示部351、音频输出模块352、警报部353等。
显示部351显示并输出在需求者终端300处理的信息。例如，在终端为通话模式的情形下，显示与通话相关的用户界面(UI：User Interface)或者图形用户界面(GUI：Graphic User Interface)。并且，在需求者终端300为视频通话模式或者拍摄模式的情形下，显示拍摄和/或接收到的图像或UI、GUI。
此外，如前所述，在显示部351与触摸板彼此形成堆叠结构而构成为触摸屏的情形下，除了用作输出装置，显示部351还可以用作输入装置。显示部351可以包括液晶显示器(liquid crystal display)、薄膜晶体管液晶显示器(thin film transistor-liquidcrystaldisplay)、有机发光二极管(organic light-emitting diode)、柔性显示器(flexible display)、三维显示器(3D display)中的至少一个。并且，根据需求者终端300的实现形态，还可以存在两个以上的显示部351。例如，在需求者终端300可以同时配备有外部显示部(未示出)和内部显示部(未示出)。
音频输出模块352在呼叫信号接收模式、通话模式、录音模式、语音识别模式、广播接收模式等下输出从无线通信部310接收或存储于存储器360的音频数据。并且，音频输出模块352输出与在需求者终端300执行的功能(例如，呼叫信号接收音、消息接收音等)相关的音频信号。这种音频输出模块352可以包括扬声器(speaker)、蜂鸣器(Buzzer)等。
警报部353输出用于通知需求者终端300的事件发生的信号。在终端发生的事件的示例包括呼叫信号接收、消息接收、键信号输入等。
存储器360可以存储用于处理和控制控制部380的程序，并且还可以执行用于临时存储输入/输出数据(例如，电话簿、消息、静止图像、视频等)的功能。
存储器360可以包括闪存型(flash memory type)、硬盘型(hard disk type)、多媒体卡微型(multimedia card micro type)、卡片型存储器(例如，SD存储器或者XD存储器等)、随机存取存储器(RAM：Random Access Memory)、静态随机存取存储器(SRAM：StaticRandom Access Memory)、只读存储器(ROM：Read-Only Memory)、电可擦除可编程只读存储器(EEPROM：Electrically Erasable Programmable Read-Only Memory)、可编程只读存储器(PROM：Programmable Read-Only Memory)、磁存储器、磁盘、光盘中的至少一种类型的存储介质。
控制部380通常控制终端的整体操作。例如，执行用于语音通话、数据通信、视频通话等的相关的控制和处理。并且，控制部380还可以配备有用于多媒体再现的多媒体模块381。多媒体模块381可以实现于控制部380内，还可以与控制部380独立地实现。
电源供应部390在控制部380的控制下被施加外部电源、内部电源，并供应操作各构成要素所需的电源。
图6是示出根据本发明的利用商品的视觉图式的需求预测方法的流程图的图。
参照图6，根据本发明的利用商品的视觉图式的需求预测方法包括视觉图式生成操作(S100)、视觉图式分析操作(S110)、需求预测操作(S120)以及预测叙述操作(S130)。
首先，作为视觉图式生成操作(S100)，视觉图式生成部120利用图像分析模型识别商品图式的属性而生成视觉图式20。
图7是示出根据本发明的服装商品的视觉图式的图。
并且，作为视觉图式分析操作(S110)，视觉图式分析部130通过分析由视觉图式生成部120生成的视觉图式20而生成视觉图式分析数据。
如前所述，视觉图式分析数据是分析了商品的属性与其他属性、商品客户、趋势、价格等的关系的数据。
图8A是示出根据本发明的服装商品的视觉图式分析数据中的内容分析的图。
以下将具体说明视觉图式分析操作(S110)。
首先，内容分析部131通过内容分析商品的模式。一实施例的通过内容的商品模式分析方法可以以多种方法实现，并不限于以下说明的方法。
本发明的目的在于利用通过商品内在的基于内容(content-based)的分析而内在地掌握客户对商品的态度(attitude)的通过基于内容的分析的内在测量(implicitmeasurement via content-based analysis)而进行预测对商品的需求和偏好的预测建模，从而从根本上构筑高级客户关系管理(Advanced CRM)工具。
可以通过内容分析掌握客户内在的商品及趋势偏好，从而预测日后客户的商品属性偏好及趋势的动向，并开发针对趋势及个别商品的需求预测工具及营销优化工具。
内容分析的行为和哲学根据各学科领域而不同。它们系统地读取或观察被赋予用于表示内容中重要且有趣的部分的存在的标签(又称作代码)的文本及人造物。
内容分析是研究诸如文书和多种格式的文本、图片、音频以及视频等通信人造物的研究方法论。社会科学家为了寻找能够以可再现且系统性的方法进行通信的模式而使用内容分析。为了分析社会现象而进行内容分析的重要优点为该分析方法论的非侵入性，与此相反地，模拟社会实验或回答调查项目是侵入性方法论。
内容分析的行为和哲学根据各学科领域而不同。它们系统地读取或观察被赋予用于表示内容中重要且有趣的部分的存在的标签(又称作代码)的文本及人造物。
在系统地分析一系列文本的内容时，可以使用统计性方法定量分析内容的模式，也可以使用分析文本中内容的含义的定性性的方法论。
即，内容分析有定性性方法论和定量性方法论两种，这两种均具有优点和缺点。
由于定量性分析将大众文化和个性化的通信研究结果通过技术上的进步进行了应用，因此近来非常受欢迎。尤其是，通过社交网络(SNS)和移动设备产生的大量文本大数据的内容分析正在受欢迎。然而，这种方法论选择的是对语言的单纯的接近方法，忽略了作为“含义”在语言(文本)外生成的过程的“偏好现象”的复合性。
因此，定量性内容分析在仅通过对个别词汇的简单计数来限制内容分析的范围，不考虑与社会科学的适用性而应用自然科学的测量方法论的方面受到批判。
与此相反，定性性内容分析在缺乏系统化，没有事实或理性的根据系统而进行仅根据印象的分析的方面受到批判。
为了发挥这样的定量性内容分析和定性性内容分析的优点并弥补缺点，需要能够将作为定性性数据的“含义和上下文”数值化为属性之间的关系并转换为定量性数据。即，需要超越将单纯的词汇代码化并对相应代码进行计数等简单的定量性内容分析，能够将含义和上下文本身代码化并分析相应定性性代码，从而预测整体的趋势及偏好的方向性。
在一实施例中，将构成数据的属性之间的关系(数据的特征(feature)即内容)作为定性性的数据，将其置换为用于内容分析的代码和标签，并进行通过相应内容分析的趋势需求预测以及偏好预测。
为了将定性性数据(含义和上下文)代码化，需要通过神经网络的形态构成对商品的属性和对相应属性的偏好。通过这种神经网络的形态，可以类推并叙述商品的属性与偏好之间的复合性(complexity)。
即，需要在沟通的框架内理解商品的属性与消费者对这种属性的偏好，并且可以通过内容分析来类推相应沟通的内在含义和条理。
Holsti组将内容划分为三个类别，通过这种内容分析的三个类别，可以提取能够进行与通过神经网络的定性性数据的代码化(定量化)相关的需求预测以及营销(商品)的优化的指南(算法)，并且可以将相应算法以数字形式系统化并自动化，从而开发人工智能分析客户关系管理-企业资源计划系统(AI Analytical CRM-ERP System)。
第一，进行关于用于进行沟通的先决条件的类推，为了在神经网络内创建称作连接组的模式，对属性之间的结合种类以及结合度等进行模拟。
第二，对沟通的特征进行类推并叙述。通过特定属性组合来类推并叙述消费者的反应，例如，特定属性组合连接至特定的偏好条件以及忠诚度构成条件的路径和算法(顺序图)。
第三，对沟通的效果进行类推。对符合构成特定消费者偏好以及构成对商品的忠诚度的核对列表的属性组合的情形的数量能够为优化营销带来的效果的程度进行排名化。即，考虑到神经网络的特性，特定属性组合越满足特定生活方式图区域内的消费者需求，相应结合(连接组)越被强化。如果对特定属性组合的需求满足通过测算销售及趋势指数而被证明，则相应特性属性组合的分数升高。
通过这种分数的合算而推算各个特定属性组合的特定生活方式图区域内的营销优化排名。
相应营销优化可以利用生活方式图区域内的内容分析对各个目标受众对生活方式图区域内创出的针对商品的需求预测、能够优化相应商品并且构成消费者的忠诚度的象征性属性的含义和上下文以及属性优化模式进行分析，并且可以通过在相应需求创出商品优化结合象征属性而实现。
并且，聚类部132在完成对商品的内容分析之后，按相应内容对商品进行聚类，并将该聚类的内容与客户对商品的价值和观点进行匹配，从而进行对消费者的心理描绘技术描述并进行聚类。
可以利用通过这种视觉叙事将商品信息与偏好信息进行匹配来开发对商品(尤其是对服装商品)的基于内容的推荐(content-based recommendation)算法。
心理描绘是用来描述关于心理性的性质的人类的特质的定性性的方法论。心理描绘被广泛用于性格、价值观、意见、态度、兴趣以及生活方式的研究。
心理描绘性特征与诸如年龄和性别之类的人口统计学变数形成对比，在营销方面，诸如价值观或者生活方式之类心理变数相比年龄等人口统计学变数在商品优化和需求/偏好预测方面具有更好的效果，并且更受欢迎。
在对人或者组的心理描绘性构成要素(心理性质)构成普遍整合的档案时，将其称作“心理描绘档案”。心理描绘档案用于诸如广告之类的市场细分化(marketsegmentation)。
本发明的目的在于通过将关于商品属性关系的内容(视觉叙事代码)与作为关于这些商品内容的偏好和购买意图等的心理描绘性构成元素进行匹配而对将要应用于消费者的生活方式中由神经网络构成的区域内的商品属性以及消费者偏好的心理描绘档案、针对相应档案的各个客户段的叙述模型以及针对相应客户段的营销以及营业活动等的企业预测模型进行建模。
即，通过特定属性组合来类推并叙述消费者的反应，例如，特定属性组合连接到特定的偏好要件以及忠诚度构成条件的路径和算法(顺序图)时，可以将商品对客户的价值，即诸如创新性及保守性之类的价值观以及商品的属性之间的关系与影响商品偏好的客户的价值、意见、态度以及生活方式进行匹配而用于以心理描绘(psychographic)方式进行聚类(clustering)。
可以按照像这样以心理描绘方式聚类的客户组进行营销分析以及动态掌握而开发以视觉叙事方式量化的商品趋势指数，并且可以通过相应指数测算和检查预测商品偏好动态以及需求。
即，可以通过将相应以心理描绘方式聚类的客户组的比例、按照各聚类引入的趋势以及比率等与趋势指数关联而使按照各客户群的喜好进行商品定制以及对商品的需求预测变得可能。
本发明为通过生活方式图-心理描绘档案(视觉图式数值化)的需求/偏好预测系统，构成属性节点，构成根据数值化的神经网络性的生活方式图，并且通过对应的生活方式图驱动需求以及趋势预测系统。
将视觉叙事内容(content)化的商品信息按照视觉叙事进行派别化而将相应派别置换为生活方式图的区域。
针对相应区域所需的商品，进行针对消费者的需求(needs)和期望(wants)的心理描绘性描述(针对按照生活方式区域的商品的受众的需求(needs)和期望(wants)的心理描绘性描述)。并且，利用通过SNS大数据分析和实时利用(realway usage)分析(分析消费者对商品的实际使用以及运用方式)算出的趋势指数观测各生活方式区域的增长和衰退趋势，并且通过该趋势和整体市场中的比重减少率/增加率测量市场需求。
并且，通过相应趋势指数，按照各商品的商品计划视觉化(VMD)优化及商品优化模型进行建模。
并且，神经网络模型133通过由视觉叙事构成化(将视觉图式数值化)的商品的属性构成神经网络。
本发明可以通过如下方式以神经网络形态构成喜好地图：(1)将以下位信息(low-levelinformation)->上位信息(high levelinformation)方式叙事化的属性与忠诚度构成要素等消费者的心理描绘性属性进行匹配而进行构成和指数化；(2)利用通过构成神经网络->排名化的预测建模最终像这样量化属性-偏好的定性性数据。
可以通过以心理描绘(Psychographic)方式映射属性，并利用这种属性的心理描绘性映射掌握消费者的偏好以及将在生活方式系统中兴起的新的偏好及需求，并优化符合相应偏好及需求的商品。
本发明在分解构成各商品的要素之后，将相应要素数值化为保守性/创新性等心理描绘性范畴，并将各商品映射到相应心理描绘地图。
本发明可以根据此后用于各品牌咨询的度量的范畴，例如，故事构成等范畴中用作调节/参数的变量的属性的利用性进行相应属性的数值化。
由神经网络构成的生活方式图的主要构成要素与图制造系统以及导航系统相似。
即，生活方式图内的位置对应于各商品的属性的节点，相应属性属于作为各元范畴(派别等)的大区域。
例如，附在特定商品的珍珠纽扣为女性属性，相应珍珠纽扣的节点将位于与“女性”认知成本匹配的数值，这种女性属性在生活方式图内属于“奢华女性都市”的派别。
并且，生活方式图中更加重要的构成要素是这些商品属性之间的距离，这些商品属性之间的距离是示出特定商品属性之间的距离在消费者的认知方面有多近和多远的测量对象。
生活方式图由神经网络构成，基于神经网络的基本属性，节点的值或者作为节点之间的组合模式的连接组不是确定的，商品属性(节点)的位置以及数值以及结合于商品的商品属性之间的距离是根据商品制造商(品牌)的实质上的商品属性的组合实践以及消费者对这些实践的反应而一直变化的。
例如，珍珠纽扣在两年前是女性属性，但是现在，品牌在珍珠纽扣的利用和运用方面越来越倾向于追求与以前不同的利用度，更多地用于“绅士女士”派别的衬衫，而不是“奢华女性都市”派别的女士衬衫(blouse)，则该珍珠纽扣节点的位置将逐渐从女性向男装(男性)侧靠近。
像这样，随着珍珠纽扣的属性(节点)的位置的改变，原本在认知上偏好对珍珠元素具有的女性元素的受众层被拓宽至男装(男性)层，据此，可以测算出珍珠纽扣与男装属性之间的消费者认知偏好距离在逐渐减小。
因此，可以通过测算相应属性被运用且利用的范畴而灵活地测量这种商品属性的位置和距离的变化，从而以自下而上(bottom-up)的方式构成/组织消费者的喜好。
这样被组织化的新范畴会成为能够准确、主动且个性化地匹配未来消费者的喜好和需求的系统。
因此，通过由这种神经网络构成的生活方式图，可以优化能够主动地应对目标受众的变化的偏好和需求的商品构成要素的组合的模式，并且可以使用根据这种组合模式构成商品并将其市场化的策略。
将神经网络的节点值与趋势指数关联而进行管理，以在SNS大数据以及实际距离测算实际生活方式内的利用度和应用事例而灵活地变化。
即，在神经网络内，对作为用于进行被称作构成消费者的需求和偏好的属性之间的连接组的模式的先行条件的属性之间的结合种类和结合度进行趋势指数化。
据此，既能够系统性地灵活应对消费者的需求变化，还能够主动地购入资源(相应商品属性材料)，降低商品制作成本。尤其，由于所谓满足需求的接触不是间歇性的，而是以连续的流动系统化的，从而能够持续地复制(replicate)需求分析-定制型商品制作，因此能够进行企业的可持续性(sustainable)的经营活动。
并且，如导航系统，可以告知去往特定区域(特定集群消费者和市场)的路线。
如实时测量道路交通状况并告知从特定位置的起点到终点的最优化路线，可以根据属性之间-元范畴(生活方式区域)之间的路况(网络模式以及交叉枢纽等)来告知按何种方式组合何种属性才能掌握特定生活方式区域的消费者的偏好而优化构成匹配相应喜好的商品。
神经网络生活方式映射可以将存在于占据预定心理空间的特定生活方式系统(区域)的特定核(主导风格和派别)的商品构成要素表现为节点，通过相应节点的认知数值和位置而构成组成中心部-中间部-周边部的神经网络性生活方式图。
通过这种灵活的管理，不仅可以获取占据预定心理空间的生活方式系统的变化状态和由此从中间部-周边部上升到中央部或者从中央部掉落至中间部-周边部的商品构成要素，还可以通过按生活方式区域的影响力及位置、大小的变化等而主动地掌握特定消费者组的需求和期望、偏好等。
更进一步，相应心理空间的栅栏以这种方式敏捷地变化，从而新生成核，通过形成围绕这种核的中央部，还可以预测新的商品派别等并进行培养。
据此，通过将喜好内的生活方式系统的时间序列趋势可视化，分析构成相应生活方式系统的核-中心部-中间部-周边部的商品构成要素以及核心商品类别的移动路径、通过相应移动的各生活方式系统的重叠和解体等栅栏的变更等，可以用自身预测趋势，并将构成相应趋势的商品构成要素之间的核心组合模式等通过算法系统化。
每当现有的中心被解体，就会产生新的中心，由于这种中心的解体和再形成是很少发生的事情，因此更加重要。
在生活方式系统的中心移动之前，由于该中心发生严重的需求-供给不平衡，在移动到新的中心之前，之前的中心已经可以捕捉到其影响力受到威胁的迹象。
当然，不应该根据预定的数学规则预测这种中心的变化，而是应当通过认为巩固的特定派别以及用于该派别的做法、威胁构成要素的影响力的迹象以及捕捉相应需求-供给的不均衡等测算而预测自下而上(bottom-up)地衰退的中心和将要移动的中心才是更加有效的方法论。
即，重要的是观察消费者的物质生活(即，商品使用性的模式)，并以数值方式测算属于相应模式的属性的实体和变化轨迹。
换句话说，需要测算消费者的商品使用性模式的变化，并将商品重新整形为针对该变化进行优化的商品。
为此目的，需要一种数值化神经网络内的物质的属性的方法论，以使反馈循环(神经网络内物质的属性-消费者对其的偏好反应-符合偏好的商品构成)认知特定的神经网络内的模式，即连接组。
像这样，长期持续的神经网络的模式(算法)可以被认为具有双重含义。虽然具有表示决定消费者的决策以及偏好形成条件的结构的第一种含义，但也有表示创建结构(趋势及派别等)本身并使其移动的巨大动力的第二种意义。
即，反馈循环(神经网络内物质的属性-消费者对其的偏好反应-符合偏好的商品构成)构成特定神经网络内的模式(即，连接组)，这种连接组是决定消费者的决策以及偏好形成条件的结构，并且可以说是创建结构(趋势及派别等)本身并使其移动的巨大动力。
因此，如果通过仔细观察和测算这种反馈循环的消费心理(即，神经网络内物质的属性-消费者对其的偏好反应-符合偏好的商品构成内消费者行为(UX)变化，即，对属性的偏好反应)，则可以获取改变整个趋势并推进变化的动力，并且可以根据这种变化的动力来优化和构成负荷而偏好的商品(UI)。
决定消费者行为和决策框架的结构不是某一天突然产生的，也不是能够从先验性概念掌握的。只有通过由长期保持的神经网络构成的物质的属性和网络内消费者对其的反应-以及通过对这种反应进行再次反应(即，经验性地构成反馈循环)而再次引导消费者的偏好符合的制造商的“努力”和“责任”才能形成。
因此，为了通过这种反馈循环测算神经网络的模式，需要仔细观察和测算消费者的行为(即，UX)，并且为了按反馈循环方式表现这种行为的路线，消费者对属性进行反应是重要的，为此，首先需要将商品属性系统化为心理描绘性的数值。
像这样，由于消费者在物质生活中以偏好的方式对商品的属性进行反应，并对其再次反应，因此可以在想要供应优化的商品的信息神经网络中获取在各生活方式系统和区域形成的经济社会文化上的趋势变动或者循环的模式模型，并且创建能够说明这种形式(conjoncture)的信息神经网络内的模式模型，通过该模式模型，可以在特定心理运动长期持续的期间以特定生活方式系统的模式发生变化的动量时间的图式原样维持结构的形态，并读取该结构所表现的长期运动(趋势的变化性)的形态。
算法并不存在于诸如神经网络等信息生活或物质生活中，而是隐喻性地存在于信息生活或物质生活之外。算法可能是存在于神经网络模式之上，而不存在于神经网络模式之外，并且支配和操纵信息样式或者消费者的偏好和决策的存在，即，最上层的元存在。
并且，作为需求预测操作(S120)，预测部140利用视觉图式分析数据30执行需求预测分析，并生成作为分析结果的预测数据40。如前所述，预测数据40是按照商品的视觉图式预测客户需求的数据。
图8B是用于说明根据本发明的服装商品的视觉图式分析数据中的聚类分析的图。
根据按照商品的内容，即，商品的组成项目(视觉图式)之间的关系模式，基于消费者的生活方式区域(图8B的上侧示出的各气泡图)对商品进行聚类(分类)，并且通过将该聚类的内容与客户对商品的价值和观点(即，在各生活方式区域中各内容和商品满足客户的需求和偏好的程度)进行匹配，并进行消费者对各区域的商品的心理描绘性技术描述。
图8C是用于说明根据本发明的服装商品的视觉图式分析数据中的神经网络模型的图。
通过神经网络的形态来构成商品的属性和对该属性的偏好。相应神经网络布置于通过数值化诸如创新性等消费者对商品的心理描绘技术描述而得到的坐标上，并且通过对日后节点(服装图式)之间的关系模式(连接组)进行机器学习而强化学习在本发明的预测部实现的商品的内容(视觉图式之间的关系模式)与消费者对相应内容的需求和偏好的优化匹配，从而可以通过该强化的连接组使机器本身能够认知消费者的特定生活方式区域中的特定偏好和需求与商品的属性之间的优化匹配模式。
这是将在后述的图10A及图10B示出的视觉叙事(即，将商品构成项目之间的最佳组合模式以商品模型的方式表现的模型)转换为神经网络形态，在视觉叙事中，作为商品属性的数值化基础的消费者对商品属性的认知成本可以被置换到神经网络坐标中的商品属性的位置。
如前所述，所述需求预测操作可以是通过相应视觉图式序列的控制测算而对能够满足消费者需求和偏好的商品模型进行建模的操作。
即，可以如上所述地模拟消费者对特定生活方式区域内的高人气、高需求商品的商品构成项目(视觉图式)之间的结合模式的消费者的视线处理操作，从而掌握符合消费者偏好的项目和项目构成项目(视觉图式)的优化连接方式(视觉图式序列(visual schemasequence))。
并且，在通过这样模拟消费者视线处理操作的同时测量消费者对各商品组成项目(视觉图式)的认知成本，完成将对后述的图10A和10B的视觉图式的视觉叙事的叙述。
可以通过将这样掌握的视觉图式序列置换为前述的图8C的神经网络的节点之间的组合模式(连接组)而在本发明的预测部掌握可以满足消费者偏好和需求的特定商品的商品构成项目(视觉图式)之间的关系，并且可以预测日后的偏好和需求。
图9A和图9B是示出根据本发明的服装商品的预测数据40的图。
以下将详细说明预测部140分析需求预测的方法。
目前，大数据分析的目的逐渐从技术分析(Descriptive Analytics)转变为预测分析(Predictive Analytics)。
预测分析是指通过利用诸如数据挖掘、预测建模、机器学习等多种统计方法分析当前和过去的事实来预测未来或未知事件。在经营中，预测模型通过在历史数据和交易数据中分析模式来掌握风险和机会。
即，企业可以利用预测模型开发通过分析分析企业的交易记录和销售而引导营销优化以及营业活动的优化的体系以及该体系的解决方案(高级客户关系管理-企业资源计划系统(Advanced CRM-ERP System))。
预测模型说明使与特定条件集(set)相关的风险和潜在利益评估(valuation)变得可行的多个因素之间的相关性，从而引导对可行的交易(行为)的决策。
这种预测分析对个性化(客户、保险患者、商品最小存货单位(SKU))等提供预测分数(概率)，从而决定用于营销、信用风险评价、制造等的广泛的组织决策过程，并对这种决定产生影响。
最广为人知的是信用评分，其广泛用于金融服务。评分模型通过分析客户的信用历史、贷款申请、客户数据等来按个人计算按时支付信用贷款的概率，并按顺序进行排名。
一实施例利用信用评分模型以视觉叙事方式表现商品属性之间的关系，并且计算对该视觉叙事满足各生活方式图的各区域以及目标受众的偏好和需求的程度的概率，并按顺序进行排名。
预测分析是统计的一种，用于从数据中提取信息并预测趋势和行为模式。被强化的预测网络分析按线上方式对未来事件计算统计概率。预测分析的统计方法包括数据建模、机器学习、AI、深度学习算法和数据挖掘。
预测分析的核心在于从独立变量(explanatory variables)和已知的行为(销售及购买记录、风格测验答案记录等)捕捉与预见的变量之间的关系(匹配性)，并利用这种关系(与已知的行为的匹配性)来预测尚未发生的结果。
预测分析表示例如预测到产生构成各商品的属性的趋势预测分数(概率)的精确阶段的情形。由此，预测(prediction)与单纯的预见(forecasting)不同。例如，预测分析对经验(数据)进行学习并且预测个人的未来行为和独立的商品的未来性能，来进行更好的决策。
一实施例的预测分析过程可以构成为如下。
1、项目查明：查明计划结果、变量、努力的范围、业务目的，并确认将使用的数据集。
2、数据收集：用于预测分析的数据挖掘从多种源准备数据以进行分析。其为客户交互提供完整的观点。
3、数据分析：数据分析是以发现有用信息并得出结论为目的而检查数据、筛除并建模的过程。
4、统计：统计分析验证假设和假说，并利用标准统计模型测试这些假设和假说。(这种统计分析也可以通过利用诸如TensorFlow等机器学习(ML)的聚类分析来进行)。
5、建模：预测建模提供自动创造对未来的准确预测模型的能力。也有通过多-最频繁度评价而选择最优的解决方案的选项。
6、布置：预测模型布置还提供根据建模自动化决策而将相应分析结果布置在用于得到结果、报告以及产物的每日决策过程的选项。
7、模型监控：为了评价用于确保这些模型正在提供期望的结果的模型性能而管理并监视这些模型。
一实施例的预测分析表示通过预测模型对数据进行评分和预测。
预测部140为了预测需求而使用预测模型。预测建模为了分析样本中的单元的特定性能与该单元的一个以上的属性及特征之间的关系而使用预测模型。
预测模型的目的在于测量另一样本中的相似单元表现出该样本中的单元的特定性能的概率。预测模型往往在实时进行的交易行为期间也可以进行计算。例如，为了进行决策，还会实时评估特定客户或交易行为的风险和机会。随着运算速度的发展，执行这种实时预测模型变得可能。针对独立性的建模系统已经达到了可以模拟人的行为和针对给定反应或场景的反应的阶段。
一实施例为了分析单元的特定性能与该单元的一个以上的属性和特征之间的关系，通过属性之间的关系性对样本进行聚类。更进一步，将视觉叙事系统(visualnarrative system)，即以连续的数值表现属性之间的关系的方法论用作用于该聚类的相似性的指示符(indicator)，即被聚类的各个商品内在的固有性质以及内容(设计特征(design feature)-属性之间的关系)。
通过一实施例，不是通过明确(explicit)的客户响应以及用于协作过滤的表面相似性，而是可以通过商品内在的固有性质和内容(设计特征(design feature)-属性之间的关系)来来认知这种微妙的数据模式，并且可以基于这种数据模式创建对商品(风格)的商品模型，并基于这种特定聚类商品模型内在的对设计特征(design feature)-属性之间的关系的偏好来反向聚类客户。
最终，使用一实施例，可以通过对被聚类的商品群的销售分析掌握客户对商品的内在(implicit)偏好。
说明一实施例的预测分析步骤则如下，首先，将具有已知属性和已知性能的有效样本称作“训练样本”。将已知属性但不知道性能的其他样本的单元称作“训练外样本(此后将称作外样本)”。
将这些已知销售(性能)的品牌的商品风格作为训练样本，将商品内在的固有性质(设计特征(design feature)-商品属性之间的关系)用作能够认知训练样本单元与外样本单元之间的相似性的指示符(indicator)。
由于利用相应指示符(indicator)来内在地分析客户的偏好，通过相应指示符对线上的SNS大数据以及线下的实际穿搭风格进行聚类并分析，从而构成能够预测目标受众的偏好变化及需求的趋势指数。
通过相应趋势指数，检验各商品的类别(服饰种类)与各相应商品的属性(时尚元素(element))的生命周期，并在各商品的类别中开发按季节及各目标受众优化的组合时尚属性的趋势评分系统。
利用相应趋势指数及商品属性(fashion element)评分系统，可以构建按照各品牌优化的营销系统以及预测趋势。并且，还可以预测各品牌当前的营销、预测商品的流行度以及诊断受众到达率(reaching-out rate)的程度。
并且，作为预测叙述操作S130，叙述部150利用由预测部140生成的预测数据40生成视觉叙事数据50。如前所述，视觉叙事数据50是将预测数据40以商品之间或客户之间的相关关系表现的数据。
此后，将对叙述部150利用预测数据40生成视觉叙事数据50的方法进行说明。
叙述部150利用叙述模型，叙述模型以经常用于将客户或潜在客户分类为组的方式量化数据中的关系。通过该关系，可以开发能够优化商品的商品性的模型。
与预测特定客户行为(信用风险等)或特定独立单元的性能(营销)的预测模型不同，叙述模型捕捉客户之间或商品之间的多种不同关系。
叙述模型并不像预测模型一样根据客户采取特定行为或商品表现出特定性能的可能性对客户或商品进行分级。
相反，叙述模型根据例如商品偏好和生活阶段对客户或商品进行类别化。
叙述建模方法可以用于开发能够模拟和预测大规模个人化代理的上位模型。
即，在进行销售分析之前根据设计特征说明各商品以及各客户的分段模型的是叙述模型，通过分析营销来预测各特定服装种类的商品属性(fashion element)适合度分数以及针对特定服装类型的流行度预测等的分数系统是预测模型。
叙述部150构成为实现决策模型，即，高级客户关系管理-企业资源计划系统(Advanced CRM/ERP System)。后述的图12示出了本发明的高级客户关系管理-企业资源计划商务智能系统(Advanced CRM/ERP Business Intelligence System)。
决策模型是为了通过说明与决策相关的所有因素(即，已知数据、决策、决策的预测结果之间的关系)而预测包括多个变量的决策的结果而开发的。
这种模型用于优化以及在最小化其他结果的同时最大化特定结果的决策。决策模型通常用于开发决策逻辑或者对所有客户和情况带来最合适的行为的一系列商务法则。
分析性CRM(客户关系管理)是预测分析的频繁商业应用。应用预测分析的方法，以对客户进行整体的描述并分析对该客户的机会和风险。
更详细地，使用用于CRM营销活动、折扣、客户服务等的应用中的预测分析。
CRM工具(即CRM的预测分析工具)应能够理解需求高或今后需求将变高的商品，并且应能够预测客户的购买习惯，以在与客户的多个接触点推销合适的商品。
更进一步，应当可以主动地识别与维护客户相关的危机和机会相关的问题，从而减少这些问题。
分析性客户关系管理贯穿整个客户生命周期(获得客户-与客户增进关系-客户维护)而适用。
本发明利用一种构建根据设计特征(feature)说明各商品的模型的叙述模型，并据此执行销售分析以建立算出各服装种类的流行预测度以及各相应服装类型的流行要素(fashion element)的合适的优化度的预测模型的方式。
并且，本发明旨在开发一种分析型客户关系管理(Analytical CRM)工具，其能够通过相应设计特征(feature)和对相应特征(feature)的偏好理解商品和客户，并预测需求高或今后需求将变高的商品，预测客户的购买习惯而系统地做出应对。
这种方法论和接近方式可以被认为是根据商品内在的属性的内容(即，设计特征(design feature))，而不是对商品偏好的明确意思表示来预测客户对相应商品的心理结果的方法论。这种方法论被称作内在测量(implicit measurement)。
内在测量经常被用作预测有意义的心理结果(例如，行为和决策等)的工具。并且，近期的元分析倾向于支持这种内在测量的预测合理性(例如，Cameron et al.,2012；Greenwald et al.,2009)。
然而，为了合理化资源-集中性工作的使用，研究人员更加关注利用表面测量难以预测的行为的独立特性。根据Perugini et al.(2010)的研究，内在测量在(1)累积模式；(2)双重-分裂模式；(3)调节模式；以及(4)相互模式等多个方面优于表面测量。
累积模式在相同变量的内在测量/表面测量共同预测特定结果的情况下进行参与。这种情况在能够捕捉表面测量无法确保的结果的方面时出现。
因此，累积模式最好根据所说明的可变性而被说明。即，优选地，根据内在测量使仅通过表面测量得到说明的结果的说明可变率的比例增加的程度而进行说明。
即，内在测量可以说是分析与商品和客户相关的模式并通过该模式预测客户对商品的有意义的行为或决策的方法论。
本发明为了分析过去及交易数据的模式，以设计特征(design feature)表现商品的内在属性并对相应商品进行聚类。
然后，可以通过趋势指数和销售分析来预测客户对相应聚类商品的行为和决策，并且可以通过分析客户对特定聚类商品的有意义的心理结果(偏好和购买决策)的模式，从而对客户对特定商品的特定偏好模型进行建模。
换句话说，可以将商品内在的属性置换为能够得知客户对商品的偏好的内容(content)，并通过这种商品的内容(content)与客户对相应内容的偏好的匹配模式将消费者和商品进行聚类，并按照相应聚类进行心理描绘(psychographic)性的偏好模型建模。
本发明是最终是一种利用机器学习强化学习的概念将实物空间神经网络化，并进行条理的数值化和优化的方式。
并且，本发明通过将作为神经网络内反馈循环的商品视作媒介(信号)的消费者-供应者之间的沟通而像引擎进行机器学习一样通过相应沟通的反馈(营销水平/趋势指数程度)进行强化学习，从而得知符合特定上下文的特定商品属性组合。
并且，本发明为利用作为神经网络内的反馈循环的商品-消费者-供应者之间的沟通将商品的属性与对相应属性的偏好构成为神经网络，并通过对营销相应偏好的供应者对属性之间的优化努力而构成反馈循环。
将构成商品的属性置换为节点，并用相应节点值指定对属性的数值便可以开发数值化的商品模型。可以通过商品销售分析以及趋势指数测算获取通过这种商品模型优化商品的属性的结合状态。此时，属性的结合状态可以被量化/视觉化为作为节点之间的连接模式的连接组。
通过神经网络内的反馈循环，产生作为生成商品的属性与偏好之间的意义的过程的“符号现象”的复合性(complexity)。
应当将这种神经网络内的符号现象的复合性作为材料而用于以心理描绘(psychographic)方式对商品的目标受众的偏好进行建模，相应材料被形象化为被称作连接组的神经网络模式。
本发明提供了一种方法论，该方法论可以数值化神经网络内的物质的属性，以使作为符合客户对神经网络内物质的属性的偏好反应的商品构成的反馈循环能够获取特定神经网络内模式，即连接组。
反馈循环(神经网络内物质的属性-消费者对其的偏好反应-匹配偏好的商品构成)构成特定神经网络内的模式(即，连接组)，这种连接组是决定消费者的决策及偏好形成的条件的结构，也是形成结构(趋势及派别风格等)本身并使其动作的巨大动力。
本发明包括将神经网络内的连接组代码化为视觉叙事的方式。
本发明提供了能够开发以可视性方式分析视觉语言、语法、行间的设计者意图(含义)以及心理(形成响应于这种设计者意图的客户的忠诚度等效果)的特征(特点)的计算机辅助分析计算机程序(作为一例，一系列的视觉分析器-mimfun)的理论以及应用基础。
本发明为了弥补定量性内容分析和定性性内容分析的缺点，通过数值化和连续化属性之间的关系的方法论将上下文这一定性性数据转化为定量性数据，使得可以通过该定量性数据预测个人的喜好和对商品的需求。
对本发明的视觉叙事生成方法进行说明。
如果通过心理描绘性的商品档案能够预测趋势和个性化偏好，则仅靠简单的商品属性识别是不够的，需要通过商品属性的关系进行内容分析。
即，用于内容分析的特征就是属性之间的关系。
并且，所述属性之间的关系需要通过属性对数值(numerical value)(认知成本)的差异，利用连续的表现方式(频率等)将内在(implicit)地掌握商品的特征(feature)(用于内在(implicit)地掌握和测量(measure)消费者对相应商品的偏好的道具)数值化/可视化。
以诸如频率等连续形态表现商品属性之间的这种数值(numerical value)的差异的方式就是视觉叙事(visual narrative)方式。
所述视觉叙事方式为通过创建视觉叙事的方法论按照商品映射到生活方式图(根据心理描绘性偏好按商品派别区域化)，通过实时利用(realway usage)(分析消费者对商品的实际利用及利用方式)以及大数据分析的趋势指数的变化获取生活方式的变化，并通过相应变化来预测生活方式所包括的服装以及商品的需求的方式。
如果通过视觉叙事进行商品的内容分析，可以将音乐的当前内容分析和内容基础推荐方式作为参考。可以像音乐一样将商品也以派别化方式区分而保持创作方法的一贯性和规则性、审美性预测。
作为一例，多-莱-米-法-索尔等单线音阶在音频上没有太大的意义，只有通过相应音阶作曲才能保持音乐上的商品性。
甚至，作为商品的视觉参考，最接近的色彩理论便使用整体的组合性做法，但时装等商品的分析仍然在犯仅根据属性的单纯计数来进行预测的大错误。
因此，时尚和商品也应当能够利用特性与属性的连接模式(即，商品的视觉图式之间的最佳组合的序列(视觉图式序列))特征化消费者对相应商品的反应才能进行属性之间的模式控制测算以优化商品。
因此，可以通过以赋予颜色的RGB方式等既定数值为基础计算其他时装及商品属性的心理认知成本的方式开发时装以及商品的波动性。这种属性的连续波动与视线的移动相连，从而可以内在地测量(implicit measurement)消费者对商品的偏好。
以内在方式测量(implicit measurement)通过对商品的特征和商品的营销分析以相关的商品的特征(Feature)进行聚类的客户的偏好。
商品的内容代码化是指将商品之间的关系波形化的操作，通过该代码化按派别(按类别)对商品进行排序，并且将相应派别置换为生活方式图的区域。
本发明的特征分析(Feature Analysis)是连续表现能够对商品和客户进行聚类的商品属性之间关系的波长，以使对特征(Feature)直接进行预测，相当于自动进行傅里叶变换。
并且，通过相应被数值化的商品信息区分商品的UI与UX，并通过相应的UI与UX使制作商品信息变得可能，并且可以通过相应商品信息获取特定商品属于生活方式图的哪个特定区域。
可以通过相应特征(Feature)对商品进行代码化的方式引导商品的数字化，并将相应数字化的商品信息用作公司经营决策的数据，从而可以创建能够进行预测并通过相应预测引导商品及经营/营销优化的系统。
图10A和图10B是示出根据本发明的视觉叙事的图。
如果概括前述一实施例的需求预测方法，本发明采用了通过商品图像的视觉图式(visual schema)关系分析(relational analysis)对相应图像进行剖析而对消费者的偏好进行分类的内在测量(implicit measurement)方式。
根据本发明，商品的视觉分析能够直接对消费者的喜好进行分类，从而能够发展为在通过连接图像数据处理技术与相应商品的营销数据而统计销售的同时自动进行对生成(generate)相应销售的商品的客户分类以及分析的高级客户关系管理(AdvancedCustomer Relationship Management)方法。
即，通过基于内容分析的图像处理的商品剖析手法，可以掌握消费者的偏好。
在一实施例中，不仅可以弥补在基于消费者个人信息的协作过滤(collaborativefiltering)没有用户(即，消费者)的使用数据时发生冷启动(cold start)问题的问题，并且由于个人信息法的强化，预计还可以弥补基于相应消费者信息的消费者剖析以及推荐方式的效率及法律的脆弱性。
本发明不是将商品的图式(schema)识别为属性，而是以通过图式的关系分析使得能够进行机器学习的人工智能(AI：Artificial intelligence)对相应商品被设计的设计模式进行学习的结构创建算法。
因此，本发明的特征在于对视觉特征(Feature)进行设计，以将用于音乐产业领域的音乐发现(Music Discovery)算法用于视觉发现(Visual Discovery)。
即，利用如下的方法论，按照视觉图式而以在图10A以及图10B示出的色轮(colorwheel)指定的数值(numerical value)为基准，将相应认知成本(cognitive cost)作为相应视觉图式的指定数值而赋予，并在数值化视觉图式的关系性的同时，能够通过相应数值进行数值分析。
本发明利用一种如下的方法论，基于按照各图式指定的数值来分析设计模式，并且将这种设计模式用作客户分析和特定商品的预测方程式的关键特征(key feature)。
前述的音乐发现算法将音的高低作为分析相应音乐风格的特征，这是由于在音乐的属性方面，音的进行可以被自然地置换为对波动的时间流逝(Time Series)函数。
然而，由视觉图式构成的图像数据不随时间而自动置换，因此将图像数据置换为针对时间的流逝的波动数据是本发明的算法的特征性方法论。
本发明通过采用根据视线的移动将被赋予数值的商品数据的视觉图式置换为时间流逝函数的方法而使这种特征性的方法论变得可能，从而可以导出商品数据的内容分析以及基于此的消费者的偏好和需求预测方程式。
并且，由于本发明可以通过被指定数值的“对按照图式的组合的偏好”预测消费者的商品偏好，因此可以开发根据按照相应图式的偏好组合构成下一季度的商品的的商品计划算法。
像这样，在对构成商品图像的图式指定数值，并通过按照相应图式的关系分析来对商品设计的模式进行特征(feature)化的方法论的特征在于，不是单纯使用图像数据及销售数据本身，而是将其改变为能够通过分析相应数据的内容而预测消费者的偏好及需求的特定信息。
即，本发明是一种通过分析商品图像的视觉图式关系来关联图像数据与销售数据，从而生成新的信息的算法方式。换句话说，通过连接诸如销售数据及图像数据等企业的内部数据与大数据等外部数据并转换为用于预测的有意义的信息为根据相应特征设计(feature engineering)的数据模型方法论的特征，相应方法论是与仅单纯将营销数据和图像数据分成参数并通过回归分析(统计方法论)寻找各加权值(weight)及关联(association)并方程式化的方式不同的数据建模方法论。
图11A和图11B是示出根据本发明的视线移动处理的图。
如上所述，通过如此模拟消费者对特定生活方式区域内的高人气、高需求商品的商品构成项目(视觉图式)之间的结合模式的视线处理操作，从而掌握符合消费者偏好的项目和项目构成项目(视觉图式)的优化连接方式(视觉图式序列(visual schemasequence))。并且，在如此模拟消费者的视线处理操作的同时，测量消费者对各商品组成项目(视觉图式)的认知成本，并完成对将图10A和10B的视觉图式视觉叙事的叙述。将如此掌握的视觉图式序列置换为将图8C的神经网络的节点之间的组合模式(连接组)，从而可以在一实施例的预测部掌握能够满足特定商品的消费者偏好和需求的商品构成项目(视觉图式)之间的关系，并且可以预测日后的偏好和需求。
根据本发明，可以提供视觉叙事数据叙述模型，即，通过根据消费者需求和偏好的商品构成项目的控制测算的商品优化模型建模。所述叙述模型对在各风格图上的生活方式区域(气泡表中的各气泡)对消费者进行分类，并量化数据中的关系。
即，根据本发明，将各项目的可利用区域细分为考虑了消费者生活方式上的利用度的趋势区域，并且可以以大数据分析为基础提供能够分析各风格的市场性的定制模型。图12是示出根据本发明的高级客户关系管理/企业资源计划商务智能系统(Advanced CRM/ERP Business Intelligence System)的图。
将通过对本发明的商品的视觉图式的预测/分析引擎与文本挖掘等以下标记的模块，对消费者的偏好进行SNS大数据挖掘(分析实际消费者运用商品并使用的方式)而提取品牌指数与消费者洞察(insight)，将相应趋势指数和消费者洞察与商品信息结合，从而构筑谋求企业的营业活动(市场掌握、商品企划、营销企划、管理效率化)的效率化的高级客户关系管理/企业资源计划(Advanced CRM/ERP)，即，终极的企业商务智能系统(BusinessIntelligence System)。
此处说明的多种实施例可以利用例如，软件、硬件或其组合而在计算机可读记录介质中实现。
根据硬件方式的实现，在此说明的实施例可以利用专用集成电路(ASICs：application specific integrated circuits)、数字信号处理器(DSPs：digital signalprocessors)、数字信号处理设备(DSPDs：digital signal processing devices)、可编程逻辑设备(PLDs：programmable logic devices)、现场可编程门阵列(FPGAs：fieldprogrammable gate arrays)、处理器(processors)、控制器(controllers)、微控制器(micro-controllers)、微处理器(microprocessors)、用于执行功能的电气单元中的至少一个来实现。在一些情形下，这些实施例可以通过控制部280实现。
根据软件方式的实现，诸如步骤或者功能等实施例可以与用于执行至少一个功能或操作的独立的软件模块一起实现。软件代码可以由以适当的编程语言编写的软件应用实现。并且，软件代码可以存储在存储器260，并由控制部280执行。
以上说明的实施例可以由硬件构成要素、软件构成要素和/或硬件构成要素和软件构成要素的组合实现。例如，实施例中说明的装置、方法以及构成要素可以利用例如，处理器、控制器、中央处理装置(CPU：Central Processing Unit)、图形处理单元(GPU：Graphics Processing Unit)、算术逻辑单元(ALU：arithmetic logic unit)、数字信号处理器(digital signal processor)、微计算机、现场可编程门阵列(FPGA：fieldprogrammable gate array)、可编程逻辑单元(PLU：programmable logic unit)、微处理器、专用集成电路(ASICS：Application Specific Integrated Circuits)或者诸如能够运行和响应指令(instruction)的其他任何装置，由一台以上的通用计算机或者特殊目的计算机实现。
根据实施例的方法可以实现为能够通过多种计算机单元执行的程序指令形态实现而记录在计算机可读介质。所述计算机可读介质可以单独包括程序指令、数据文件、数据结构等或者包括它们的组合。记录在所述介质的程序指令可能是为了实施例而特别设计并构成的，或者是计算机软件领域的技术人员公知且可用的。计算机可读记录介质的示例包括：磁介质(magnetic media)，诸如硬盘、软盘以及磁带等；光记录介质(opticalmedia)，诸如CD-ROM、DVD等；磁-光介质(magneto-optical media)，诸如软式光盘(floptical disk)等；以及诸如只读存储器(ROM)、随机存取存储器(RAM)、闪存等特别构成为存储并执行程序指令的硬件装置。程序指令的示例不仅包括诸如通过编译器制造的机器语言代码，还包括可以使用注释器等而由计算机运行的高级语言代码。上述硬件装置可以构成为为了执行实施例的操作而作为一个以上的软件模块驱动，反之亦然。
如上所述，虽然通过有限的附图对实施例进行了说明，但只要是在相应技术领域具有普通知识的人员，便可以根据上述记载进行多种修改及变形。例如，即使所说明的技术以与所说明的方法不同的顺序执行，和/或所说明的系统、结构、装置、电路等的构成要素以与所说明的方法不同的形态结合或组合，或者被其他构成要素或者等同物代替或置换，也可以达成适当的结果。因此，其他实现方式、其他实施例以及与权利要求书的范围等同的内容均属于后述的权利要求书的范围。

Claims (10)

1.一种需求预测方法，所述需求预测方法为需求预测装置执行的利用商品的视觉图式的需求预测方法，包括如下步骤：
生成作为将商品的属性数值化的数据的所述视觉图式；
分析所述视觉图式而生成作为所述商品的属性的相关数据的视觉图式分析数据；
利用所述视觉图式分析数据，生成作为按照所述商品的属性的需求预测分析结果数据的预测数据；以及
生成将所述预测数据以商品之间或者客户之间的相关关系表现的视觉叙事数据，来叙述需求预测。
2.如权利要求1所述的需求预测方法，其中，
在生成所述视觉图式的步骤中，
基于图像分析模型，识别所述商品的属性而生成所述视觉图式。
3.如权利要求1所述的需求预测方法，其中，
所述视觉图式分析数据是示出所述商品的属性与其他属性、需求者、趋势、价格中的至少一个的关系的数据，
其中，生成所述视觉图式分析数据的步骤包括，
内容分析操作、聚类操作以及神经网络构成操作。
4.如权利要求1所述的需求预测方法，其中，
在生成所述预测数据的步骤中，
利用信用评分模型以视觉叙事方式表现所述商品的属性之间的关系，
分别计算所述视觉叙事满足各生活方式图的各区域以及目标受众的偏好和需求的程度的概率，
将所述分别计算的概率按等级排序而预测所述商品的需求。
5.如权利要求1所述的需求预测方法，其中，
在所述需求预测叙述步骤中，
将所述视觉图式置换为对时间的流逝的波动数据，而生成所述视觉叙事数据，
利用图像分析模型内所述视觉图式的序列节点而将视线的移动处理转换为数据，
利用所述序列节点的控制测算，对满足消费者的需求和偏好的商品模型进行建模。
6.一种需求预测装置，包括：
视觉图式生成部，生成作为将商品的属性数值化的数据的视觉图式；
视觉图式分析部，分析所述视觉图式而生成作为所述商品的属性的相关数据的视觉图式分析数据；
预测部，利用所述视觉图式分析数据，生成作为按照所述商品的属性的需求预测分析结果数据的预测数据；以及
叙述部，生成将所述预测数据以商品之间或者客户之间的相关关系表现的视觉叙事数据，来叙述需求预测。
7.如权利要求6所述的需求预测装置，其中，
所述视觉图式生成部基于图像分析模型，识别所述商品的属性而生成所述视觉图式。
8.如权利要求6所述的需求预测装置，其中，
所述视觉图式分析数据是示出所述商品的属性与其他属性、需求者、趋势、价格中的至少一个的关系的数据，
所述视觉图式分析部分析内容，进行聚类，并构成神经网络。
9.如权利要求6所述的需求预测装置，其中，
所述预测部利用信用评分模型以视觉叙事方式表现所述商品的属性之间的关系，
分别计算所述视觉叙事满足各生活方式图的各区域以及目标受众的偏好和需求的程度的概率，
将所述分别计算的概率按等级排序而预测所述商品的需求。
10.如权利要求6所述的需求预测装置，其中，
所述叙述部将所述视觉图式置换为对时间的流逝的波动数据而生成所述视觉叙事数据，
利用图像分析模型内所述视觉图式的序列节点而将视线的移动处理转换为数据，
利用所述序列节点的控制测算，对满足消费者的需求和偏好的商品模型进行建模。
CN202111025487.5A 2020-09-02 2021-09-02 利用商品的视觉图式的需求预测方法及其装置 Pending CN114202352A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0111669 2020-09-02
KR1020200111669A KR102412461B1 (ko) 2020-09-02 2020-09-02 상품의 비주얼 스키마를 이용한 수요 예측 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
CN114202352A true CN114202352A (zh) 2022-03-18

Family

ID=80358757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111025487.5A Pending CN114202352A (zh) 2020-09-02 2021-09-02 利用商品的视觉图式的需求预测方法及其装置

Country Status (3)

Country Link
US (2) US11922443B2 (zh)
KR (3) KR102412461B1 (zh)
CN (1) CN114202352A (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102602448B1 (ko) 2022-09-21 2023-11-14 백승훈 Cnn과 annoy 딥러닝 분석 기술을 활용한 미래 수요 예측 시스템
US20240118993A1 (en) 2022-10-11 2024-04-11 Wevo, Inc. Scalable systems and methods for curating user experience test results
US20240144107A1 (en) 2022-11-02 2024-05-02 Wevo, Inc. Scalable systems and methods for discovering and documenting user expectations
CN116862561B (zh) * 2023-07-10 2024-01-26 深圳爱巧网络有限公司 基于卷积神经网络的产品热度分析方法和系统
CN116894522A (zh) * 2023-07-27 2023-10-17 北京化工大学 一种基于深度学习模型的网约车短时需求预测方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003122895A (ja) * 2001-08-08 2003-04-25 Toyota Motor Corp 商品販売数予測システム及びその方法
JP5251217B2 (ja) * 2008-04-03 2013-07-31 日本電気株式会社 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム
US20140172502A1 (en) * 2012-12-19 2014-06-19 Target Brands, Inc. Consumer walker reports
KR101736114B1 (ko) * 2016-04-07 2017-05-17 부경대학교 산학협력단 여름철 의류 구매력 지수 산정 시스템 및 그 방법
US10592551B2 (en) * 2016-06-16 2020-03-17 Optim Corporation Clothing information providing system, clothing information providing method, and program
KR101872223B1 (ko) 2016-10-14 2018-08-02 주식회사 샤샤 인터넷 기반 판매 예측 정보 제공 장치
US11232511B1 (en) * 2017-11-28 2022-01-25 A9.Com, Inc. Computer vision based tracking of item utilization
US20210103971A1 (en) * 2019-10-08 2021-04-08 International Business Machines Corporation Dynamic display of product features related to customer relevant preferences
TWI786376B (zh) * 2020-02-20 2022-12-11 緯創資通股份有限公司 需求預測方法以及需求預測裝置
US11342060B2 (en) * 2020-05-12 2022-05-24 Bender, LLC Lifestyle preference management system and method
US11580585B1 (en) * 2020-06-29 2023-02-14 Amazon Technologies, Inc. User-preferred item attributes
US20230109298A1 (en) * 2021-10-04 2023-04-06 Maplebear Inc. (Dba Instacart) Accounting for variable dimensions of content items when positioning content items in a user interface having slots for displaying content items

Also Published As

Publication number Publication date
US20220067763A1 (en) 2022-03-03
KR102412461B9 (ko) 2023-09-19
KR102412461B1 (ko) 2022-06-22
KR20230127183A (ko) 2023-08-31
KR20220030003A (ko) 2022-03-10
US11922443B2 (en) 2024-03-05
KR20220092471A (ko) 2022-07-01
US20240054512A1 (en) 2024-02-15

Similar Documents

Publication Publication Date Title
Akerkar Artificial intelligence for business
CN114202352A (zh) 利用商品的视觉图式的需求预测方法及其装置
Liu et al. Machine learning-based e-commerce platform repurchase customer prediction model
Nilashi et al. An analytical approach for big social data analysis for customer decision-making in eco-friendly hotels
D′ Aniello et al. A new DSS based on situation awareness for smart commerce environments
CN113946754A (zh) 基于用户画像的权益推荐方法、装置、设备及存储介质
Prasad et al. Forecasting buying intention through artificial neural network: an algorithmic solution on direct-to-consumer brands
Kasem et al. Customer profiling, segmentation, and sales prediction using AI in direct marketing
Wodecki et al. Influence of artificial intelligence on activities and competitiveness of an organization
Duarte et al. Machine learning and marketing: A systematic literature review
Abdulla Application of MIS in E-CRM: A literature review in FMCG supply chain
Chiang To establish online shoppers’ markets and rules for dynamic CRM systems: an empirical case study in Taiwan
Cepolina et al. Brainstorm on artificial intelligence applications and evaluation of their commercial impact
US20230081797A1 (en) Computer implemented method and system for retail management and optimization
Nikolajeva et al. Machine Learning Technology Overview In Terms Of Digital Marketing And Personalization.
Rodrigo et al. Employee turnover prediction system: With special reference to apparel industry in sri lanka
TW201905795A (zh) 目標族群評估方法及裝置
Zu et al. A multi-factor customer classification evaluation model
Konishi et al. Digital intelligence banking of adaptive digital marketing with life needs control
Afif Exploring the quality of the higher educational institution website using data mining techniques
Varsha et al. Descriptive analytics and data visualization in e-commerce
Rajesh et al. Stratégie: Business Intelligence & Analytics
Kochhar Adding Personal Touches to IoT: A User‐Centric IoT Architecture
SARANI et al. ADAPTION OF THE TECHNOLOGICAL INTELLIGENCE AND PROCESS INNOVATION
Bhagat et al. Machine‐Learning and Deep‐Learning Techniques in Social Sciences

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