CN114445221A - 用于异常商品定价的实时警报 - Google Patents
用于异常商品定价的实时警报 Download PDFInfo
- Publication number
- CN114445221A CN114445221A CN202110316976.XA CN202110316976A CN114445221A CN 114445221 A CN114445221 A CN 114445221A CN 202110316976 A CN202110316976 A CN 202110316976A CN 114445221 A CN114445221 A CN 114445221A
- Authority
- CN
- China
- Prior art keywords
- price
- transaction
- item
- commodity
- catalog
- 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
- 230000002547 anomalous effect Effects 0.000 title description 12
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract 2
- 239000013598 vector Substances 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 9
- 235000015927 pasta Nutrition 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013519 translation Methods 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
- G06Q30/06—Buying, selling or leasing transactions
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2264—Multidimensional index structures
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q20/201—Price look-up processing, e.g. updating
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0603—Catalogue ordering
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
识别交易中针对某商品标注的商品价格。为交易识别任何折扣或商品价格超驰。获得商品的目录价格。基于商品和相似商品在多维空间内的映射交易背景确定与该商品相关的相似商品。获得相似商品价格,并计算商品和相似商品的中值价格。当针对任何折扣或商品价格超驰调整的商品价格与中值价格偏差(高于或低于)阈值金额时,向与处理或应对交易相关联的资源发送实时价格警报。
Description
背景技术
定价在每个消费者的购买决策中都起着关键作用。定价错误很常见,尤其是在杂货店和百货商店零售部门中常见的大型目录中。零售商正在努力尽早发现这些错误,从而避免重大经济损失。
典型的零售商目录可能包含数十万个价格每天都改变的商品。定价系统通常连接到几个系统,这可能导致混淆,造成定价错误,这一点极难发现。当产品定价错误时,零售商的主要关注点是:1)如果产品的价格不符合市场要求,该产品的价格将增加客户在竞争对手商店购物的可能性;2)客户信任度下降;3)利润和收入损失-当价格波动有利于客户时,可能在几分钟内对零售商造成重大经济损失;4)对零售商的价值主张造成损害-当价格波动有利于零售商时,可能会损害零售商的声誉,例如,“每日低价”;以及5)与制造商的价格协议相关的法律风险。
因此,对于零售商而言,监测商品价格并尽快发现价格异常现象,以避免重大经济损失以及对零售商收入、品牌和客户满意度的损害是至关重要的。
零售商使用多种方法来检测和纠正产品错误定价。例如,零售商可以进行通常由商店管理者执行的手动价格检查。但是,这种解决方案非常耗时,并且由于目录中有很多商品并且有若干管理系统,因此有很高概率将错过定价错误。另一种方法是基于商品的历史价格(时间系列)和竞争对手价格进行自动价格检查。然而,由于市场极其活跃且价格通常受到季节性、市场过剩/短缺和趋势的影响,因此与相同商品进行定价比较不如与相似商品组的价格进行持续每日或甚至每小时比较那样有效。
因此,产品/商品价格异常仍然是零售行业的主要关注问题,因为零售行业没有实时、准确和具有成本效益的解决方案。
发明内容
在各实施例中,提出了用于异常商品定价的实时警报的方法和系统。
根据一个方面,提出了一种用于异常商品定价的实时警报的方法。例如,接收在交易中正在处理的商品的商品代码和交易商品价格。基于交易背景(context)获得与该商品代码相似的一组其它商品代码。获取商品代码的目录商品价格和其它商品代码的其它目录商品价格。至少基于交易商品价格、目录商品价格和其它目录商品价格确定是否发送交易的实时价格警报。
附图说明
图1A是根据示例性实施例的用于异常商品定价的实时警报的系统的图解。
图1B是表示根据示例性实施例的图1A的系统的过程流的图解。
图2是根据示例性实施例的用于异常商品定价的实时警报的方法的图解。
图3是根据示例性实施例的用于异常商品定价的实时警报的另一种方法的图解。
具体实施方式
图1A是根据示例性实施例的用于异常商品定价的实时警报的系统100的图解。应注意,部件是以大大简化的形式示意性地示出,其中仅图示了与对实施例的理解相关的那些部件。
此外,仅出于图解的目的,图示了各种部件(标示于图1A和1B中)并呈现了所述部件的布置。应注意,在不脱离本文和下文提出的用于异常商品定价的实时警报的教导的情况下,具有更多或更少部件的其它布置是可能的。
系统100A提供了一种机制,通过该机制,可以实时检测商品价格的非标准偏差,并将其提供给交易系统、管理应用程序和/或企业资源规划(ERP)系统。构成非标准偏差的内容可由零售商自定义。每个商品基于交易历史中针对包括该商品的交易定义的该商品的背景被映射到多维空间。基于多维空间内映射商品的背景之间的距离来确定相似商品。对于在交易中购买的任何给定商品,获得该商品的目录价格和实际价格(在交易期间,应用任何交易促销/折扣或对商品价格进行任何交易超驰之后)。接下来,从多维空间导出与该商品相似的N个商品,获得那些相似商品的已知价格,并且计算N个相似商品的中值价格。然后,将商品的(优惠券/折扣或价格超驰后的)实际交易价格与N个相似商品的中值价格进行比较,并确定价格偏差。然后将该偏差与零售商定义的阈值百分比偏差(零售商可以设定阈值百分比)进行比较,当超过阈值百分比时,这导致实时向交易系统、管理应用程序和/或ERP系统发出警报。
由于相似商品是基于商品的交易背景来确定的,因此,要价高得多的高端商品不会被识别为与要价较低的非高端商品相似。这确保了具有相同商品类型但与不同定价方案相关联的两个商品的价格不被识别为相似,从而导致在包括高端商品或非高端商品的交易期间出现错误的价格异常警报。例如,葡萄酒基于品牌具有巨大的价格差异;针对给定交易的高端葡萄酒价格将导致将该高端葡萄酒的交易价格与相似高端葡萄酒价格的中间葡萄酒价格进行比较。
系统100A包括企业数据储存库110、在线交易系统120、店内交易终端130、用户装置140、ERP系统150、管理应用程序(应用)160、商品空间映射器和相似性管理器170、一个或多个机器学习算法(MLA)180和价格警报管理器190。系统100A包括各种计算装置,每个计算装置包括至少一个处理器和包括可执行指令的非暂时性计算机可读存储介质。可执行指令在由对应处理器从对应非暂时性计算机可读存储介质执行时,使该处理器执行本文和下文关于部件110-190所论述的操作。
“商品代码”表示给定零售商的产品目录中的商品。每个商品代码与其它商品代码的类同性/相似性定义该商品在多维空间中的向量。基于对零售商的交易历史和产品目录的分析,通过Word2Vec算法确定类同性/相似性和商品代码向量。“商品向量”是示出多维空间内表示给定商品的背景的点的数学表达式。
企业数据储存库110包括各种企业数据,例如与零售商进行的交易的交易历史。其它类型的数据也可以包括在企业数据储存库100中,例如,消费者可获得的激励措施、交易的商品价格、已知客户的客户数据(忠诚度数据、简介数据等)、客户交易的交易细节(包括商品的商品代码)、商品或产品目录数据,以及企业为门店和与企业(零售商)相关联的其它门店捕捉和保留的其它信息。
在线交易系统120包括界面和对应软件,客户通过所述界面和对应软件,例如通过浏览商品、将所选商品储存在虚拟购物车中以及在虚拟购物车中结账(付款),与零售商进行在线交易。在线交易系统120可以基于web和/或基于移动应用。在在线购物会话期间,将虚拟购物车数据从在线交易系统120实时提供给企业数据储存库110,或通过应用程序编程接口(API)将虚拟购物车数据实时提供给价格警报管理器190。
交易终端130包括外围设备(扫描仪、打印机、介质接受器/分配器、磅秤、个人识别码(PIN)键盘、读卡器等)和用于执行与交易相关联的客户结账的对应软件。终端向企业数据储存库110提供实时商品和交易数据。
用户装置140包括外围设备(触摸屏、相机等)和用于使用web浏览器或移动应用程序(应用)执行客户交易的对应软件。任何应用向企业数据储存库110提供实时交易数据。
EPR系统150包括用于企业交易、库存管理、商品采购订单等的装置以及对应软件和用户界面。给定ERP操作中的任何商品价格均通过API发送至价格警报管理器190,以用于价格异常和价格一致性处理。
商品空间映射器和相似性管理器170一开始使用(同样从企业数据储存库110获得的)交易历史生成(从企业数据储存库110获得的)产品目录中的商品代码的向量。通过这种方式,为产品目录中的商品代码分配映射到多维空间的向量。每个向量都链接到产品目录的商品代码。使用“Word2Vec”算法应用“商品嵌入(item embedding)”。Word2Vec是一组主要用于机器翻译的自然语言处理(NLP)领域的算法。Word2Vec以大型文本语料库(来自企业数据储存库110的商品代码的产品目录和交易历史)作为其输入,并产生通常具有数百个维度的向量空间(多维空间),该语料库中的每个唯一词语(商品代码)都被分配了多维空间中绘制的对应唯一向量。通过这种方式,在多维空间内,在交易历史内共享共同背景的商品代码被彼此紧邻地绘制。提供交易历史作为Word2Vec算法的语句,并且词语是商品代码(所有可用词语都从产品目录中识别)。可以对商品代码的向量数字表示(向量)应用数学计算。
一旦处理了产品目录和交易历史以为商品生成商品代码向量,就可以为商品空间映射器和相似性管理器170提供给定商品代码(作为输入),所述给定商品代码表示给定交易中的商品。可以基于多维空间内给定商品的映射背景与在多维空间内绘制的其它映射商品的背景之间的距离来识别配置数量为N的相似商品代码。Word2Vec算法产生的输出是相似商品代码(替代商品)以及相似性得分(其对应于多维空间内所提供的商品代码的位置与相似商品代码的位置之间的距离)。商品空间映射器和相似性管理器170可以基于预设阈值(可以由零售商设定)或值域和/或基于预定义数量的最高相似性得分来确定向价格警报管理器190提供的相似商品代码。
商品空间映射器和相似性管理器170向价格警报管理器190提供相似商品代码以及相似性得分。价格警报管理器190获得与给定交易相关联的商品代码的目录价格和每个相似商品代码的目录价格。计算相似商品代码的中值价格。然后,将交易商品的实际商品价格(包括交易的任何交易商品优惠券/折扣或商品价格超驰)与相似商品代码的价格的中值价格进行比较,并得出价格偏差。价格偏差可能高于或低于中值价格。然后将价格偏差与零售商设定的偏差阈值金额进行比较,并且当价格偏差超过或低于阈值金额时,价格警报管理器190向在线交易系统120、交易终端130、用户装置140、ERP系统150和/或管理应用160发送实时警报,以便在交易期间进一步处理或应对。
在部署系统100时,会监测针对实际交易的反馈,这些实际交易被提供了针对超出零售商定义的阈值金额的商品价格的价格警报。反馈是有关基于警报所采取的动作的指示,例如被忽略(允许异常商品价格用于交易)或针对交易调整了价格。交易的商品价格变化被视为正反馈,而价格警报后的商品价格不变被视为负反馈。
结合输入训练一个或多个MLA 180,所述输入包括在多维空间内绘制的商品代码向量、与商品相关联的当前交易价格、商品的当前目录价格、商品的任何交易折扣或交易超驰商品价格,以及与该商品相似的商品的商品价格(基于商品空间映射器和相似性管理器170返回的相似商品的最高相似性得分)。经训练的MLA 180代表基于商品类同性和商品价格而用于商品价格警报的机器学习模型。因此,如本文所使用,MLA 180也可以被称为机器学习模型。
配置MLA 180基于所提供的输入参数而达到的训练结果是确定是否提供当前交易的给定商品的实时价格警报。在训练期间,将异常价格和可接受价格识别为预期由MLA 180提供的结果。
一旦MLA 180经过训练,价格警报管理器190就准备在交易处理期间使用价格警报的机器学习模型,价格警报管理器190实时地接收交易的商品价格以及任何商品价格折扣或其它商品价格超驰。商品空间映射器和相似性管理器170返回相似商品代码以及相似商品代码和与交易相关联的商品代码之间的对应相似性得分。价格警报管理器190获取交易商品和每个相似商品的目录价格。价格警报管理器190向MLA 180提供商品的目录价格、实际交易商品价格、任何交易商品价格折扣或超驰,以及相似商品的目录价格,并且MLA 180向价格警报管理器190返回是否应发出价格警报的决策。
应注意,价格警报管理器190可通过计算相似商品的中值价格并将实际商品价格(包括任何折扣或商品价格超驰)的偏差与零售商定义的偏差阈值进行比较,来自行确定是否需要价格警报而无需MLA 180的协助。
此外,MLA 170和价格警报管理器190都可单独且独立地确定交易的给定商品价格是否需要价格警报。在从价格警报管理器190移除警报处理决策并允许MLA 170做出价格警报决策之前,这对于使用MLA 170实现准确率可能是有用的。
基于反馈连续地重新训练与MLA 180相关联的机器学习模型。这确保了根据给定门店的商品定价策略和目标来定制商品价格警报。通过这种方式,由机器学习模型执行的商品价格警报的准确性一直在改进和学习中。
还要注意的是,一旦MLA 180完全部署在交易处理工作流内,零售商就无需提供和定义目录商品的任何商品价格偏差阈值金额。
与系统100相关联的确定是否发送价格警报的示例性处理背景可包括价格为8美元的意大利面#1、价格为9美元的意大利面#2和价格为10美元的意大利面#3。价格警报管理器190将不会在交易期间针对这些价格中的任何价格发送任何价格警报,因为这些价格彼此并不冲突。在第二种背景中,意大利面#1的价格是5美元,意大利面#2的价格是9美元,意大利面#3的价格是10美元;然而,意大利面#1有促销/折扣;在此,价格警报管理器190不会发出价格警报,因为意大利面#1与已知的价格折扣相关联。在第三种背景中,意大利面#1的价格是5美元,意大利面#2的价格是9美元,意大利面#3的价格是10美元;任何意大利面都没有已知的促销;因此,价格警报管理器190针对价格为5美元的意大利面#1发出价格警报,因为这是异常价格(因为价格警报管理器190确定5美元与意大利面#1、#2和#3的价格中值偏差超过零售商定义的阈值,或者因为经过训练的MLA 180确定有异常)。
部件170-190可以作为基于web和/或基于云的服务被提供给零售商,其中提供服务的API以访问每个零售商的企业数据储存库110并在交易期间传送替换/替代商品代码。API允许管理者使用管理应用160以在交易期间获得价格警报,使得管理者可以实时地发现员工在交易期间为客户结帐或客户进行自助结帐时的错误或欺诈。
用户操作的装置140可以是任何消费者操作的装置,例如,可穿戴处理装置、支持语音的网络设备(物联网(IoT)装置)、笔记本计算机、台式计算机、平板计算机、基于网络的车辆集成装置等。装置140也可由利用价格警报管理器150的零售商的员工操作。装置140利用零售商提供的接口(基于web和/或基于应用的接口)来利用网络服务器120的交易服务执行购物和交易篮结账。
交易终端120可以是销售点(POS)终端、自助服务终端(SST)、员工操作的移动装置和/或信息亭。
图1B是表示根据示例性实施例的图1A的系统的过程流100B的图解。
图1B示出了与系统100A相关联的一些部件的更细粒度的视图。
交易数据管理器111将交易数据从企业数据储存库提供给商品空间映射器和相似性管理器170。商品空间映射器和相似性管理器170生成多维向量空间和针对商品目录112的每个商品代码在该空间内绘制的唯一向量。
价格警报管理器190基于商品目录代码、相似商品代码及其目录商品价格、实际交易商品价格以及任何商品折扣或商品价格超驰、忠诚度交易数据113,以及通过在线交易系统120、ERP系统150和管理应用160进行交易的多个渠道获得的反馈,来训练MLA 180。
随后,当客户针对交易(通过在线交易系统120或ERP系统150)进行任何给定交易时,可以由价格警报管理器190和/或MLA 180实时地评估商品的交易价格,以确定是否应该向在线交易系统120、ERP 150和/或管理应用160发出针对该交易的商品价格的实时价格警报。价格警报管理器190向MLA 180提供商品代码、商品目录价格、与交易商品相似的商品的商品价格(基于商品空间映射器和相似性管理器170返回的最高相似性得分的配置数量、正在处理的交易商品的实际交易价格,以及任何交易商品价格折扣或交易商品价格超驰)作为输入。MLA 180提供是否应当发出价格警报的决策作为输出。价格警报管理器190使用API向在线交易系统120、ERP系统150和/或管理应用160传送针对对应交易的对应商品的价格警报。结果肯定或否定通过API反馈给价格警报管理器190,或者在管理应用160的情况下,由价格警报管理器190从最终交易数据或销售日期得出。反馈用于MLA 180的后续训练会话中。
在实施例中,部件110-113和170一190作为单个基于云的服务通过API提供给部件120、150和160。
现在参考图2—3讨论这些和其它实施例。
图2是根据示例性实施例的用于异常商品定价的实时警报的方法200的图解。实施方法200的软件模块被称作“价格警报管理器”。价格警报管理器被实现为编程并驻留在存储器和/或非暂时性计算机可读(处理器可读)存储介质中并由装置的一个或多个处理器执行的可执行指令。执行价格警报管理器的装置的处理器被专门配置和编程以处理价格警报管理器。价格警报管理器在其处理期间可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。
在实施例中,执行价格警报管理器的装置是服务器。在实施例中,该服务器是云处理环境,包括作为单个服务器彼此合作的多个服务器。在实施例中,服务器是局域网(LAN)服务器。
在实施例中,价格警报管理器是170-190的全部或某种组合。
在实施例中,价格警报管理器执行上文关于系统100A和过程流100B所论述的处理。
在实施例中,价格警报管理器作为SaaS被提供给多个企业,每个企业具有与其客户和企业数据储存库110相关的订阅。
在210处,价格警报管理器接收在交易中正在处理的商品的商品代码和交易商品价格。
在实施例中,在211处,价格警报管理器接收与交易中的交易商品价格相关联的优惠券或价格超驰。
在220处,价格警报管理器基于具有商品代码和其它商品代码的交易历史的交易背景获得与该商品代码相似的一组其它商品代码。
在211和220的实施例中,在221处,价格警报管理器基于针对商品代码在多维空间中绘制的商品向量与针对其它商品代码在多维空间中绘制的其它商品代码向量之间的距离来确定该组其它商品代码。
在221的实施例中且在222处,价格警报管理器将该距离识别为在阈值距离内。
在230处,价格警报管理器获取商品代码的目录商品价格和其它商品代码的其它目录商品价格。
在240处,价格警报管理器至少基于交易商品价格、目录商品价格和其它目录商品价格确定是否发送商品代码的实时价格警报。
在222和240的实施例中,在241处,价格警报管理器根据目录商品价格和其它目录商品价格计算中值价格。
在241的实施例中,在242处,价格警报管理器计算交易商品价格与中值价格之间的偏差,并且在该偏差高于或低于中值价格阈值金额时发送实时价格警报。
在241的实施例中,在243处,价格警报管理器计算交易商品价格与中值价格之间的偏差,并且在针对优惠券或价格超驰调整的偏差在中值价格的阈值金额之内时,确定不发送实时价格警报。
在实施例中,在244处,价格警报管理器根据目录商品价格和其它目录商品价格计算中值价格。价格警报管理器进一步计算交易商品价格与中值价格之间的偏差,并且在该偏差高于或低于中值价格阈值金额时发送实时价格警报。
在实施例中,在245处,价格警报管理器从与机器学习模型相关联的经训练的机器学习算法获得指示是否发送实时价格警报的决策。
在245的实施例中且在246处,价格警报管理器向机器学习模型(在245之前)提供交易商品价格、目录商品价格和其它目录商品价格以及交易的交易细节作为输入。
在实施例中,在247处,价格警报管理器确定发送实时价格警报,并将实时价格警报发送至与处理交易相关联的ERP系统。
在247的实施例中且在248处,价格警报管理器经由API将实时价格警报发送至ERP系统。
图3是根据示例性实施例的用于异常商品定价的实时警报的另一种方法300的图解。实施方法300的软件模块被称为“商品价格异常管理器”。商品价格异常管理器被实现为编程并驻留在存储器和/或非暂时性计算机可读(处理器可读)存储介质中并由装置的一个或多个处理器执行的可执行指令。执行商品价格异常管理器的处理器被专门配置和编程以处理商品价格异常管理器。商品价格异常管理器在其处理期间可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。
在实施例中,执行商品价格异常管理器的装置是服务器。在实施例中,该服务器是云处理环境,包括作为单个服务器彼此合作的多个服务器。在实施例中,该服务器是零售店本地的LAN服务器。
在实施例中,商品价格异常管理器是170-190、过程流100B和/或方法200的全部或某种组合。
相对于上文结合图2描述的内容,商品价格异常管理器呈现另一种并且(通过一些方式)增强的处理视角。
在310处,商品价格异常管理器针对产品目录的商品代码生成商品向量。
在实施例中,在311处,商品价格异常管理器基于对应商品代码的交易背景生成每个商品向量。
在320处,商品价格异常管理器在多维空间中绘制每个商品向量。
在330处,商品价格异常管理器在交易期间接收交易商品的交易商品代码和交易商品的交易商品价格。
在340处,商品价格异常管理器基于在多维空间中绘制的商品向量识别交易商品的相似商品代码。
在311和340的实施例中,在341处,商品价格异常管理器将每个相似商品代码识别为与多维空间内该交易的交易商品向量的阈值距离内的对应商品向量相关联。
在350处,商品价格异常管理器从产品目录获得交易商品代码的第一商品价格和相似商品代码的第二商品价格。
在360处,商品价格异常管理器至少基于交易商品价格、第一商品价格和第二商品价格做出是否向与处理交易相关联的资源发送实时价格警报的决策。
在实施例中,在361处,商品价格异常管理器基于机器学习模型从经训练的机器学习算法获得决策。
在370处,当决策指示时,商品价格异常管理器经由API将实时价格警报发送至资源。
在361和370的实施例中,在371处,当实时价格警报被发送至资源但交易商品的交易商品价格未改变时,商品价格异常管理器从资源或从与完成的交易相关联的交易数据获得反馈(结果)。商品价格异常管理器使用该反馈来使机器学习算法或模型保留交易的交易细节和反馈。
在实施例中,在372处,商品价格异常管理器根据第一商品价格和第二商品价格计算中值价格,并确定交易商品价格与中值价格之间的偏差。当偏差高于或低于中值价格阈值金额时,商品价格异常管理器决定发送实时价格警报。
应当了解,在以特定形式(例如,部件或模块)描述软件的情况下,这仅是为了帮助理解,并且并不旨在限制实施那些功能的软件可架构或构建的方式。举例来说,虽然模块示为单独的模块,但可实施为同源代码、单个部件,这些模块中的一些但并非所有可以组合,或者所述功能可以在以任何其它方便方式构建的软件中实施。
此外,尽管软件模块示为在一件硬件上执行,但软件可跨越多个处理器或以任何其它方便方式分布。
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它实施例。因此,应当参考所附权利要求书以及这些权利要求所赋予的等同物的全部范围来确定实施例的范围。
在实施例的前述描述中,出于简化本公开的目的而将各种特征一并归到单个实施例中。这种公开方法不应解释为反映所要求保护的实施例具有比每项权利要求中明确叙述的特征更多的特征。实际上,如所附权利要求书所反映,本发明主题在于少于单个公开实施例的所有特征。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例。
Claims (12)
1.一种方法,包括:
接收在交易中正在处理的商品的商品代码和交易商品价格;
基于交易背景获得与所述商品代码相似的一组其它商品代码;
获取所述商品代码的目录商品价格和所述其它商品代码的其它目录商品价格;以及
至少基于所述交易商品价格、所述目录商品价格和所述其它目录商品价格确定是否发送用于所述商品代码的实时价格警报。
2.根据权利要求1所述的方法,其中,接收还包括接收与所述交易中的所述交易商品价格相关联的优惠券或价格超驰。
3.根据权利要求2所述的方法,其中,获得还包括基于针对所述商品代码在多维空间中绘制的商品代码向量与针对所述其它商品代码在所述多维空间中绘制的其它商品代码向量之间的距离来确定所述一组其它商品代码。
4.根据权利要求3所述的方法,其中,确定所述组还包括将所述距离识别为在阈值距离内。
5.根据权利要求4所述的方法,其中,确定发送所述实时价格警报还包括根据所述目录商品价格和所述其它目录商品价格计算中值价格。
6.根据权利要求5所述的方法,其中,计算还包括计算所述交易商品价格与所述中值价格之间的偏差,以及在所述偏差高于或低于所述中值价格阈值金额时发送所述实时价格警报。
7.根据权利要求5所述的方法,其中,计算还包括计算所述交易商品价格与所述中值价格之间的偏差,以及在针对所述优惠券或所述价格超驰调整的偏差在所述中值价格的阈值金额之内时,确定不发送所述实时价格警报。
8.根据权利要求1所述的方法,其中,确定还包括根据所述目录商品价格和所述其它目录商品价格计算中值价格,计算所述交易商品价格与所述中值价格之间的偏差,以及在所述偏差高于或低于所述中值价格阈值金额时发送所述实时价格警报。
9.一种系统,包括:
具有至少一个处理器的至少一个处理装置,所述至少一个处理器被配置成执行来自非暂时性计算机可读存储介质的指令;
所述指令在由所述至少一个处理器从所述非暂时性计算机可读存储介质执行时,使所述至少一个处理器执行操作,所述操作包括:
将商品代码从产品目录映射到在多维空间中绘制的向量;
基于所述多维空间中绘制的对应向量,确定与正在处理的交易的交易商品相关联的交易商品代码与其它商品代码之间的相似性;
从所述交易获得所述交易商品使用的交易商品价格;
从目录获得所述交易商品代码的第一商品价格;
获得所述其它商品代码的第二商品价格;
根据所述第一商品价格和所述第二商品价格计算中值价格;
计算所述交易商品价格与所述中值价格之间的偏差;以及
在所述偏差高于或低于所述中值价格阈值金额时,向与处理所述交易相关联的资源发送实时价格警报。
10.根据权利要求9所述的系统,其中,所述资源是在线交易系统、交易终端、企业资源规划(ERP)系统或管理应用程序。
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 |
---|---|---|---|
US17/084,773 US11887139B2 (en) | 2020-10-30 | 2020-10-30 | Real-time alerts for abnormal item pricing |
US17/084,773 | 2020-10-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445221A true CN114445221A (zh) | 2022-05-06 |
Family
ID=75203086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110316976.XA Pending CN114445221A (zh) | 2020-10-30 | 2021-03-24 | 用于异常商品定价的实时警报 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11887139B2 (zh) |
EP (1) | EP3992895A1 (zh) |
JP (1) | JP7177880B2 (zh) |
CN (1) | CN114445221A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240008880A (ko) | 2021-06-09 | 2024-01-19 | 캐논 가부시끼가이샤 | 통신 장치, 통신 방법 및 프로그램 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007257282A (ja) | 2006-03-23 | 2007-10-04 | Joule Media:Kk | 商品情報掲載方法及び取引管理方法 |
US20110295722A1 (en) | 2010-06-09 | 2011-12-01 | Reisman Richard R | Methods, Apparatus, and Systems for Enabling Feedback-Dependent Transactions |
US8374907B1 (en) * | 2010-10-17 | 2013-02-12 | Google Inc. | E-commerce price index |
US20140172502A1 (en) * | 2012-12-19 | 2014-06-19 | Target Brands, Inc. | Consumer walker reports |
JP6967462B2 (ja) | 2018-01-18 | 2021-11-17 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
GB201801228D0 (en) | 2018-01-25 | 2018-03-14 | Ocado Innovation Ltd | Recommendation system and method |
US11348146B2 (en) * | 2018-05-16 | 2022-05-31 | Walmart Apollo, Llc | Item-specific value optimization tool |
US11403682B2 (en) * | 2019-05-30 | 2022-08-02 | Walmart Apollo, Llc | Methods and apparatus for anomaly detections |
US20210241299A1 (en) * | 2020-01-30 | 2021-08-05 | Walmart Apollo, Llc | Methods and apparatus for detecting and correcting item pricing anomalies |
US12014383B2 (en) * | 2020-10-30 | 2024-06-18 | Ncr Voyix Corporation | Platform-based cross-retail product categorization |
US20230032388A1 (en) * | 2021-07-23 | 2023-02-02 | EMC IP Holding Company LLC | Anomaly detection for services pricing |
-
2020
- 2020-10-30 US US17/084,773 patent/US11887139B2/en active Active
-
2021
- 2021-03-23 EP EP21164427.3A patent/EP3992895A1/en active Pending
- 2021-03-24 CN CN202110316976.XA patent/CN114445221A/zh active Pending
- 2021-03-31 JP JP2021060187A patent/JP7177880B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
EP3992895A1 (en) | 2022-05-04 |
JP2022073891A (ja) | 2022-05-17 |
US20220138784A1 (en) | 2022-05-05 |
US11887139B2 (en) | 2024-01-30 |
JP7177880B2 (ja) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8396758B2 (en) | Systems and methods for confirming purchases of products from a retail establishment using a mobile device | |
US8145515B2 (en) | On-demand performance reports | |
US11704717B2 (en) | Item affinity processing | |
US20240212022A1 (en) | Alternative Item Booster Service | |
US20240169374A1 (en) | Data-driven segmentation and clustering | |
EP3992880A1 (en) | Platform-based cross-retail product categorization | |
JP7177880B2 (ja) | 商品品目の価格設定におけるエラー検知方法及びその検知システム | |
US20230252518A1 (en) | Split up a single transaction into many transactions based on category spend | |
US20230222162A1 (en) | Attribute node widgets in search results from an item graph | |
CN114445114A (zh) | 基于平台的定价策略服务 | |
US20210217073A1 (en) | Data-Driven Recommendation Engine | |
US11715145B2 (en) | Segment-based recommendation engine | |
US20220092654A1 (en) | Prepackaged basket generator and interface | |
US11823214B2 (en) | Classifying fraud instances in completed orders | |
US20150066741A1 (en) | Method and system for payment distribution for consigned items | |
AU2015200525A1 (en) | Point of sale system and method |
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 |
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. |
|
CB02 | Change of applicant information |