CN114330953A - 众包资源可用性预测与管理 - Google Patents
众包资源可用性预测与管理 Download PDFInfo
- Publication number
- CN114330953A CN114330953A CN202110721917.0A CN202110721917A CN114330953A CN 114330953 A CN114330953 A CN 114330953A CN 202110721917 A CN202110721917 A CN 202110721917A CN 114330953 A CN114330953 A CN 114330953A
- Authority
- CN
- China
- Prior art keywords
- data
- channel
- point
- management platform
- event
- 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
- 238000013439 planning Methods 0.000 claims abstract description 3
- 238000007726 management method Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 15
- 238000004891 communication Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008520 organization Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/20—Point-of-sale [POS] network systems
- G06Q20/202—Interconnection or interaction of plural electronic cash registers [ECR] or to host computer, e.g. network details, transfer of information from host to ECR or from ECR to ECR
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
与多个系统的接触点设备相关联的事件由渠道代理通过多个通信渠道实时收集。跨所述渠道、接触点设备和系统聚合和归一化所述事件,并且基于已知的先前结果对其进行处理以将其与预期结果相关联。将所述预期结果实时地传送到所述系统以用于修正动作、预防动作和规划动作。
Description
背景技术
来自不同行业的企业提供各种设备,消费者可通过这些设备与企业开展业务。例如,服务器为消费者提供通过网络连接访问零售服务的权限;自动柜员机(ATM)提供自助服务金融交易;自助服务终端(SST)提供自助结账服务;销售点(POS)终端提供收银员辅助结账服务;餐厅内的POS终端和订购系统;并且旅行信息亭提供自助旅行服务。
通常,第三方供应商为企业设备提供并且管理软件服务,诸如给定设备的媒介级别(纸张、墨水、墨粉、货币,等等)、设备维护或设备外围设备维护、安全性、交易审计日志、客户关系管理(CRM),等等。
此外,企业设备利用不同的通信和不同的通信网络连接到不同的后端系统。因此,单个企业可具有通过各种不同通信渠道和各种不同系统管理的设备。
每家企业都收集各种交易数据、媒体使用数据,以及其设备和/或由第三方供应商管理的软件服务提供的设备操作数据。该数据可在任何给定时间点提供企业设备的状态。然而,数据跨渠道、跨设备、跨基于每一个渠道的设备,或者跨针对给定渠道的不同企业的不同设备或者跨渠道并不相关。此外,所收集的数据通常无法标识关于企业设备所需的特定渠道连接的可用性的任何信息。此外,数据收集将不标识可能更指示局部趋势或事件的潜在异常(例如,零售交易、到访餐厅和ATM取款的激增实际上可能与发生的一些区域性事件相关联);这些相同设备之间的连接丢失可指示电源故障或广泛的通信错误;等等)。
因此,企业基本上无法及时获得其设备、渠道以及对应的业务运营的适当状态来允许企业采取主动和/或修正动作,以避免业务运营损失。
发明内容
在各种实施方案中,呈现了用于众包资源可用性预测和管理的方法和系统。
根据一方面,呈现了用于众包资源可用性预测和管理的方法。更具体地,提供了一种全渠道管理平台。在全渠道管理平台上接收由渠道的渠道代理从接触点设备和接触点设备的系统收集的事件和数据。在全渠道管理平台上将事件和数据相关联,并且将基于相关性的预测结果从全渠道管理平台提供给系统中的一个或多个系统。
附图说明
图1是根据示例性实施方案的用于众包资源可用性预测和管理的系统的图。
图2是根据示例性实施方案的用于众包资源可用性预测和管理的方法的图。
图3是根据示例性实施方案的用于众包资源可用性预测和管理的另一种方法的图。
具体实施方式
图1是根据示例性实施方案的用于众包资源可用性预测和管理的系统100的图。应注意,组件以大大简化的形式示意性地示出,其中仅示出了与对实施方案的理解相关的那些组件。
此外,仅出于说明的目的,示出了(标识于图1中的)各种组件并且呈现了所述各种组件的布置。应注意,在不脱离本文和下文所呈现的跟踪众包资源可用性预测和管理的移动的教导内容的情况下,具有更多或更少组件的其他布置也是可能的。
如本文将更完整地描述的,系统100提供用于实时收集渠道特定和接触点设备特定的数据的技术。将所收集的数据聚合、评估并且与预测结果相关联,并且将预测结果作为通知发送至相关系统。这允许检测渠道特定问题、地理特定问题、跨企业问题以及其他问题,并且这还允许来自给定企业或与接触点设备和/或系统相关联的一组企业的主动干预动作或修正动作。从根本上说,事件和数据是跨多个渠道、地理区域、企业和系统的资源众包的,以主动预测资源可用性并且主动管理资源。
如本文所用,“资源”可包括一种类型的媒介(纸张、墨水、货币等)、设备、接触点、给定设备的外围设备、给定设备的渠道网络连接、给定设备的电源、给定设备的交易日志、给定设备的电子日志、设备的自定义集合、给定设备的软件服务,以及/或者这些项目的自定义组合。
如本文所用,“接触点设备”是指与该企业的员工或该企业的客户进行交互的任何企业设备。接触点设备可包括POS终端、ATM、SST、信息亭、电话、可穿戴处理设备、平板电脑、膝上型计算机、台式计算机、电视机、数字显示器、支持网络和语音的设备(例如,AmazonEcho、Google Home,等等)、服务器、云(作为云处理环境一起协作的多个服务器,等等。
如本文所用,“交易”可包括购买交易或由接触点设备的操作者(客户、用户、志愿者、员工,等等)执行的任何交互或通信。
如本文所用,“企业”包括零售商、银行、任何营利性组织、任何政府机构或政府分支机构、任何宗教组织、科学组织、政治组织以及任何类型的非营利性组织。
系统包全渠道(OC)管理平台110、多个渠道数据代理120、多个接触点设备130至140、交易系统150、管理系统151、安全系统152、忠诚度系统153,以及通过各种渠道网络连接160连接的财务系统154。
平台110包括数据/事件管理器111、机器学习算法112、模式/规则管理器113、通知器114和系统的应用程序编程接口(API)114。
平台110可以通过一组服务的单个服务器提供,这些服务逻辑上配合为表示云的单个服务器。服务器/云包括一个或多个处理器和具有用于111至115的可执行指令的非暂态计算机可读存储介质。
渠道数据收集代理120由这些服务器或云的对应的处理器在服务器或云上作为可执行指令执行。每个代理120位于对应的系统(150至154)与其连接的接触点设备130至140之间的渠道上,使得每个代理都可以收集用于对应的渠道连接、接触点设备130至140以及系统150至154的数据和事件。
每个接触点设备130至140包括处理器和包括在对应的处理器上执行的软件服务的可执行指令的非暂态计算机可读存储介质。
在一个实施方案中,每个代理120作为可执行指令在每个接触点设备130至140上执行。在该实施方案中,每个代理120基于与其对应的接触点设备130至140相关联的设备类型进行自定义。
系统150至154包括多个服务器/云,每个服务器/云还包括处理器和具有可执行指令的非暂态计算机可读存储介质,当可执行指令由对应的处理器执行时,执行与系统150至154的类型相关的操作。
例如,交易系统150管理和监测经由与服务器、自助服务终端(SST)、销售点(POS)终端、信息亭、膝上型计算机、台式电脑和/或移动设备相关联的接触点设备发生的零售交易。
管理系统151管理企业资产,并且可包括在接触点设备130至140中的任何接触点设备,诸如服务器、移动设备、膝上型计算机、台式电脑、SST、POS终端、信息亭、ATM等上执行的软件服务。
安全系统152管理企业的安全性,并且可包括在接触点设备中的任何接触点设备,诸如服务器、移动设备、膝上型计算机、台式计算机、SST、POS终端、信息亭、自动柜员机(ATM)等上执行的软件服务。
忠诚度系统153管理企业的忠诚度和客户关系管理(CRM),可包括在接触点设备中的任何接触点设备,诸如服务器、移动设备、膝上型计算机、桌面、SST、POS终端、信息亭、ATM等上执行的软件服务。
财务系统154管理企业的金融交易和账户,并且可包括在接触点设备,诸如柜员终端、ATM、平板电脑、膝上型计算机、台式机等上执行的软件服务。
在接触点设备130至140的操作期间,软件服务收集数据和事件,这些数据和事件通过接触点设备的对应的渠道连接报告给接触点设备的对应的系统150至154。代理120插置在接触点设备130至140及其对应的系统150至154之间,使得可以(直接通过渠道连接160从发送接触点设备130至140)获得数据和事件。
代理120将数据和事件连同元数据一起发送至OC管理平台110的数据/事件管理器111。元数据可包括诸如企业/企业标识符、接触点设备标识符、接触点设备130至140的地理位置、一天中的时间、星期几、日历日期、用于报告渠道代理120的渠道代理标识符、用于对应渠道的渠道标识符和/或通过对应渠道可用的带宽等内容。
数据/事件管理器111可以归一化从代理120接收的所报告的数据和事件,以用于后续处理跨所有不同的数据和事件格式的数据和事件以及对应的元数据,这些数据和事件格式可以由接触点设备130至140的软件服务提供。
所收集的数据、事件和元数据的相关性可以几种不同方式或多种方式的组合进行。
在一个技术中,模式/规则管理器113挖掘所收集的归一化数据(归一化事件、从接触点设备130至140的软件服务产生的数据和由代理120提供的元数据)以导出或检测任何重复模式。然后,将模式链接到被评估的规则,并且规则标识归一化数据的已知相关性。
在另一种技术中,将归一化数据传递给一个或多个经过训练的机器学习算法(MLA)112作为输入。MLA 112经过训练以获取输入的归一化数据并且产生潜在结果的排序列表。在此情境中,MLA 112基于潜在结果的排序列表
提供相关性。MLA 112可以通过将产生不正确预测结果的对应的归一化数据
作为对MLA 112的输入重新提供,并且将预期结果作为针对归一化数据观察到的实际结果提供来连续地根据实际结果针对先前不正确的预测结果进行再训练。以此方式,MLA 112在持续学习并且产生的预测结果越来越准确。
在第三技术中,管理器113可以检测归一化数据中的模式,并且将模式提供给经过训练的MLA 112,以获得与归一化数据相关联的预测结果。
在第四技术中,管理器113可以检测归一化数据中的模式,并且将粗粒度规则应用于所标识的模式,从而产生粗粒度预测结果。模式和粗粒度预测结果被提供给经训练的MLA112以用于获得与归一化数据相关联的预测结果。
由管理器113评估的任何规则可以基于所收集的归一化数据和对结果的观察来制定。通常,所观察到的结果与任何特定数据没有可辨别相关性,归一化数据的收集和模式检测允许一种机制,通过该机制可以随时间推移定义规则并且由管理器113进行评估。
结果可以是各种感知到的即将发生的资源可用性问题,诸如给定地理区域的停电、特定接触点之间的网络连接问题、给定渠道上的网络负载问题、跨渠道的地理限制问题、在特定接触点设备130至140中需要补充的媒介级别、一组接触点设备130至140或地理区域内的交易异常增加,等等。
通知器114使用API 115向对应的系统150至154报告预测结果,使得与预测结果相关联的软件服务或人力资源可采取自动或手动动作以避免结果以及/或者为结果准备接触点设备130至140。
例如,考虑可以更好地解释的影响渠道可用性的特定事件,并且通过利用代理120收集的数据和事件来采取适当的动作。考虑一家银行或企业体验渠道可用性,其中孤立的后端无法基于其数据确定渠道已关闭;然而,通过在零售店、餐厅和银行渠道中跨多个企业的接触点设备130至140众包数据和事件,系统100可确定问题并且经由适当的系统150至154的API 115自动地向银行或企业报告缺乏渠道可用性。
在另一种情况下,代理120收集连接和交易数据,并且OC管理平台110则针对通过单独查看单个事件无法检测到的各种收集的事件和数据确定预测结果和动作。平台110确定潜在异常的和潜在结果或预测结果的可能性。
在另一种情况下,OC平台110通过所报告的事件和数据检测到多个靠近的POS终端和ATM(接触点设备的类型)彼此之间失去了通信。OC平台110针对事件和数据处理MLA 112和/或管理器113以预测与停电相关联的结果。通知器114使用API 115提醒管理系统151可能停电,因此调度工程师将无济于事,因为一旦电力恢复,终端也将恢复正常并且恢复连接。另选地,通知器114使用API 115来提醒管理系统115企业可能希望在电力恢复之前调度单个工程师以减少所需的行进时间量,因为一些终端不按预期恢复(主动动作)。
在另一种情况下,如果跨给定地理区域内的企业的不同业务部门,OC平台110检测到交易频率增加,则OC平台110可以分配ATM可能需要补充现金、企业可能需要增加人员等预测结果。
系统100利用由接触点130至140和系统150至154产生的不同的和看似断开连接的事件和数据,并且导出与潜在结果相关的相关性,所述相关性可被分配给提供给系统150至154以用于主动管理接触点设备130至140的特定动作和警报。
在一个实施方案中,当企业观察到事件时,实际事件(增加销售、连接问题、电力问题、销售减少、接触点活动增加、接触点活动减少)被分配结果并且被提供给OC平台110,其中MLA 112根据所收集的归一化数据进行训练以基于以类似方式产生的归一化数据再次预测结果并且/或者开发规则以供管理器113处理以基于以类似方式产生的归一化数据再次预测结果。以此方式,系统100学习并且更准确地预测结果。类似地,当所述结果随后由OC平台110预测时,企业可提供其自定义的建议动作以与观察到的结果相关联,并且向通知器114提供此类动作以自动传送到适当的系统150至154。
现在参考图2至图3讨论这些和其他实施方案。
图2是根据示例性实施方案的用于众包资源可用性预测和管理的方法200的图。实施方法200的软件模块被称为“结果预测管理器”。结果预测管理器被实施为可执行指令,这些可执行指令经编程并且驻留在存储器和/或非暂态计算机可读(处理器可读)存储介质内,并且由设备的一或多个处理器执行。执行结果预测管理器的设备的处理器被特别配置和编程为处理结果预测管理器。结果预测管理器在其处理期间可以访问一个或多个网络连接。网络连接可以是有线的、无线的或有线与无线的组合。
在一个实施方案中,执行结果预测管理器的设备为服务器或云。
在一个实施方案中,结果预测管理器利用OC管理平台110进行处理。
在一个实施方案中,结果预测管理器是111至115的全部或某种组合。
在210处,结果预测管理器提供全渠道管理平台110。
在220处,结果预测管理器在平台110上接收由渠道160的渠道代理120从接触点设备130至140和系统150至154收集的事件和数据。
在一个实施方案中,在221处,结果预测管理器将渠道160的渠道标识符分配给事件和从渠道代理120接收的数据。
在221的实施方案中并且在222处,结果预测管理器将事件和数据标识为从接触点设备130至140和系统150至154收集的用于交易度量和操作数据的信息。
在222的实施方案中并且在223处,结果预测管理器将事件和数据标识为由渠道代理120提供的用于接触点设备位置数据、渠道特定数据和网络连接数据的附加信息。
在230处,结果预测管理器在平台110上将事件和数据相关联。
在一个实施方案中,在231处,结果预测管理器将事件和数据归一化为归一化数据。
在231的实施方案中并且在232处,结果预测管理器标识归一化数据内的模式。
在232的实施方案中并且在233处,结果预测管理器评估与模式相关联的规则,并且确定预测结果(在下文的240处指出)。
在233的实施方案中并且在234处,结果预测管理器将模式和预测结果提供给经过训练的MLA 112,并且获得作为输出的预测结果的修改型式。
在232的实施方案中并且在235处,结果预测管理器将归一化数据作为输入提供给MLA 112,并且从MLA 112接收作为输出的预测结果。
在240处,结果预测管理器基于230向与一个或多个企业相关联的系统150至154中的一个或多个系统提供预测结果。
在一个实施方案中,在241处,结果预测管理器将自动动作分配给预测结果,并且将自动动作提供给系统150至154中的至少一个系统以修正预测结果。
图3是根据示例性实施方案的用于众包资源可用性预测和管理的另一种方法300的图。实施方法300的软件模块被称为“事件相关器”。事件相关器被实施为可执行指令,所述可执行指令经编程且驻留在存储器和/或非暂态计算机可读(处理器可读)存储介质中,并且由设备的一或多个处理器执行。执行事件相关器的处理器被特别配置和编程为处理事件相关器。事件相关器在其处理期间可以访问一个或多个网络连接。网络连接可以是有线的、无线的或有线与无线的组合。
在一个实施方案中,执行事件相关器的设备为云服务器。
在一个实施方案中,事件相关器在OC管理平台110内并且从该OC管理平台中处理。
在一个实施方案中,事件相关器在平台110内以及在多个云和/或跨多个渠道160的服务器上处理。
在一个实施方案中,事件相关器是111至115、120和/或方法200的全部或一些组合。
事件相关器呈现了另一种与上文参考图2的方法200相比以某种方式增强的处理视角。
在310处,事件相关器经由多个渠道特定代理从通过渠道连接160连接的接触点设备130至140和系统150至154收集事件和数据。
在320处,事件相关器经由渠道特定代理利用渠道特定数据和渠道连接数据来扩增事件和数据。
在330处,事件相关器经由渠道特定代理将扩增的数据提供给平台110。
在340处,平台110上的事件相关器将扩增的数据与预测结果相关联。
在一个实施方案中,在341处,事件相关器将扩增的数据归一化为归一化数据。
在341的实施方案中并且在342处,事件相关器将归一化数据作为输入提供给经过训练的MLA 112,并且接收作为输出的预测结果的排名列表。
在342的实施方案中并且在343处,事件相关器将预测结果选择为排名列表中排名最高的预测结果。
在341的实施方案中并且在344处,事件相关器导出归一化数据内的模式。
在344的实施方案中并且在345处,事件相关器基于模式获得规则。
在345的实施方案中并且在346处,事件相关器评估规则并且确定粗粒度潜在预测结果。
在346的实施方案中并且在347处,事件相关器将归一化数据、模式和粗粒度潜在预测结果作为输入提供给经过训练的MLA 112,并且事件相关器从经过训练的MLA 112接收作为输出的预测结果。
在350处,事件相关器在平台110上将预测结果报告给系统150至154中的至少一个系统以用于基于预测结果进行修正或规划。
应当了解,以特定形式(诸如组件或模块)描述软件仅为了辅助理解,且并非旨在限制实施那些功能的软件可架构或构建的方式。例如,虽然模块示为单独的模块,但可实施为同源代码、实施为个别组件,这些模块中的一些但并非所有可以组合,或所述功能可以在以任何其他方便方式构建的软件中实施。
此外,尽管软件模块被示出为在一件硬件上执行,但软件可跨越多个处理器或者以任何其他方便方式分布。
以上描述是说明性且非限制性的。所属领域的技术人员在查阅以上描述后将会明白许多其他实施方案。因此,实施方案的范围应参考随附的权利要求书连同此类权利要求书有权拥有的等效物的完整范围加以确定。
在实施方案的前述描述中,出于简化本公开的目的而将各种特征一并归到单个实施方案中。这种公开方法不应理解为反映所要求实施方案的特征比各权利要求中明确表述的特征要多。实际上,如所附权利要求书所反映,本发明主题在于单个公开实施方案的不到全部的特征。因此,以下权利要求书在此并入具体实施方式,其中每项权利要求自身代表单独的示范性实施方案。
Claims (12)
1.一种方法,包括:
提供全渠道管理平台;
在所述全渠道管理平台上接收由渠道的渠道代理从所述接触点设备和所述接触点设备的系统收集的事件和数据;
在所述全渠道管理平台上将所述事件和所述数据相关联;以及
基于所述相关性,从所述全渠道管理平台向与一个或多个企业相关联的所述系统中的一个或多个系统提供预测结果。
2.如权利要求1所述的方法,其中接收还包括将渠道的渠道标识符分配给从所述渠道代理接收的所述事件和所述数据。
3.如权利要求2所述的方法,其中接收还包括将所述事件和所述数据标识为从所述接触点设备和所述系统收集的用于交易度量和操作数据的信息。
4.如权利要求3所述的方法,其中标识还包括将所述事件和所述数据标识为由所述渠道代理提供的用于接触点位置数据、渠道特定数据和网络连接数据的附加信息。
5.如权利要求1所述的方法,其中相关联还包括将所述事件和所述数据归一化为归一化数据。
6.如权利要求6所述的方法,其中归一化还包括标识所述归一化数据内的模式。
7.如权利要求6所述的方法,其中标识还包括评估与所述模式相关联的规则以及确定所述预测结果。
8.如权利要求7所述的方法,其中确定还包括将所述模式和所述预测结果提供给经过训练的机器学习算法,并且获得作为输出的所述预测结果的修改型式。
9.一种系统,包括:
云,所述云包括至少一个服务器;
所述至少一个服务器包括至少一个处理器和包括可执行指令的至少一个非暂态介质;
所述可执行指令在由所述至少一个处理器从所述至少一个非暂态计算机可读存储介质执行时,致使所述至少一个处理器执行以下操作,包括:
提供全渠道管理平台;
在所述全渠道管理平台上收集来自接触点设备和连接到所述接触点设备的系统的渠道代理的事件和数据;
在所述全渠道管理平台上将所述事件和所述数据归一化为归一化数据;
在所述全渠道管理平台上将所述归一化数据与预测结果相关联;以及
从所述全渠道管理平台将所述预测结果提供给所述系统中的一个或多个系统以用于修正或规划所述预测结果。
10.如权利要求9所述的系统,其中所述接触点设备包括:销售点(POS)终端、自助服务终端(SST)、自动柜员机(ATM)、信息亭、平板电脑、膝上型计算机、服务器、台式计算机、电话、集成到主机设备中的外围设备,以及可穿戴处理设备。
11.一种方法,包括权利要求1-8中的任意一个技术特征或者技术特征的任意组合。
12.一种系统,包括权利要求9-10中的任意一个技术特征或者技术特征的任意组合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/037,846 | 2020-09-30 | ||
US17/037,846 US20220101351A1 (en) | 2020-09-30 | 2020-09-30 | Crowd Sourced Resource Availability Predictions and Management |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330953A true CN114330953A (zh) | 2022-04-12 |
Family
ID=76532047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721917.0A Pending CN114330953A (zh) | 2020-09-30 | 2021-06-28 | 众包资源可用性预测与管理 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220101351A1 (zh) |
EP (1) | EP3979168A1 (zh) |
CN (1) | CN114330953A (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8504575B2 (en) * | 2006-03-29 | 2013-08-06 | Yahoo! Inc. | Behavioral targeting system |
US20160225071A1 (en) * | 2015-01-30 | 2016-08-04 | Ncr Corporation | Interactive customer assistance devices and methods |
US10650045B2 (en) * | 2016-02-05 | 2020-05-12 | Sas Institute Inc. | Staged training of neural networks for improved time series prediction performance |
US11176588B2 (en) * | 2017-01-16 | 2021-11-16 | Ncr Corporation | Network-based inventory replenishment |
US11488694B2 (en) * | 2018-04-20 | 2022-11-01 | Nec Corporation | Method and system for predicting patient outcomes using multi-modal input with missing data modalities |
US20190378061A1 (en) * | 2018-06-11 | 2019-12-12 | International Business Machines Corporation | System for modeling the performance of fulfilment machines |
US11017176B2 (en) * | 2019-03-15 | 2021-05-25 | ContactEngine Limited | Omnichannel data communications system using artificial intelligence (AI) based machine learning and predictive analysis |
-
2020
- 2020-09-30 US US17/037,846 patent/US20220101351A1/en active Pending
-
2021
- 2021-06-18 EP EP21180308.5A patent/EP3979168A1/en active Pending
- 2021-06-28 CN CN202110721917.0A patent/CN114330953A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3979168A1 (en) | 2022-04-06 |
US20220101351A1 (en) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9661012B2 (en) | Systems and methods for identifying information related to payment card breaches | |
US8214290B1 (en) | Self-service terminal reporting | |
US8161330B1 (en) | Self-service terminal remote diagnostics | |
US20200349641A1 (en) | System and method for determining credit and issuing a business loan using tokens and machine learning | |
US8533537B2 (en) | Technology infrastructure failure probability predictor | |
US20170024828A1 (en) | Systems and methods for identifying information related to payment card testing | |
US11080711B2 (en) | Computerized transaction routing system and methods useful in conjunction therewith | |
US20090249129A1 (en) | Systems and Methods for Managing Multi-Component Systems in an Infrastructure | |
US20110283145A1 (en) | Technology infrastructure-change risk model | |
US20180253728A1 (en) | Optimizing fraud analytics selection | |
US20230205586A1 (en) | Autonomous release management in distributed computing systems | |
JP2020506473A (ja) | リスクパラメータを調整するための方法、ならびにリスク識別のための方法およびデバイス | |
WO2019118305A1 (en) | Enterprise data services cockpit | |
US10701163B2 (en) | Lines prediction model | |
US11307955B2 (en) | Graphical user interface and analysis system for determining platform stability and resiliency | |
US20180082306A1 (en) | Systems and methods for providing real-time alerts with concessions | |
WO2012030419A1 (en) | Organization resource allocation based on forecasted change outcomes | |
KR100781211B1 (ko) | 은행 it 서비스 관리 방법 및 그 시스템 | |
EP3979168A1 (en) | Crowd sourced resource availability predictions and management | |
US10564849B2 (en) | Data compression technologies for micro model advanced analytics | |
US20230262491A1 (en) | System and method for reducing system performance degradation due to excess traffic | |
US20230186214A1 (en) | Systems and methods for generating predictive risk outcomes | |
KR20200112622A (ko) | 디지털 컴플라이언스 및 위험 관리를 위한 레그테크 플랫폼 장치, 금융거래 위험 관리 방법 및 이를 위한 컴퓨터 프로그램 | |
WO2020176074A1 (en) | Data of point-of-sale devices | |
CN111898885B (zh) | 一种集体经济管理及监管系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: U.S.A. Address after: Georgia, USA Applicant after: NCR Voix Co. Address before: Georgia, USA Applicant before: NCR Corp. Country or region before: U.S.A. |