CN114463028A - 替代性商品助推服务 - Google Patents

替代性商品助推服务 Download PDF

Info

Publication number
CN114463028A
CN114463028A CN202110727726.5A CN202110727726A CN114463028A CN 114463028 A CN114463028 A CN 114463028A CN 202110727726 A CN202110727726 A CN 202110727726A CN 114463028 A CN114463028 A CN 114463028A
Authority
CN
China
Prior art keywords
merchandise
code
alternative
commodity
given
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
CN202110727726.5A
Other languages
English (en)
Inventor
伊塔马尔·大卫·莱瑟森
罗丹·丘丁
朱莉·德沃拉·凯兹奥哈顿
莫西·沙哈鲁
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.)
NCR Voyix Corp
Original Assignee
NCR Corp
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 NCR Corp filed Critical NCR Corp
Publication of CN114463028A publication Critical patent/CN114463028A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • 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]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

将表示商品的交易上下文的商品向量映射到多维空间。从某一资源接收针对给定商品的替代方案的请求。基于相应商品向量评估所述多维空间以识别与所述给定商品最接近的候选商品。基于所述请求从所述候选商品中选择最佳候选商品。在与所述资源相关联的过程工作流程内注入所述给定商品和所述最佳候选商品之间的关联。

Description

替代性商品助推服务
技术领域
背景技术
维护成功的私人品牌对于零售商增加利润、创造更多忠诚度客户以及增加商店多样性至关重要。但是，零售商目前没有自动化工具和服务来推广其私人品牌，因此他们经常不得不依靠人工来推动私人品牌销售。
实际上，行业内的零售商很难实现私人品牌销售，因为这需要包含营销、销售、广告活动、金融等不同部门付出大量的努力。与私人品牌打交道时，零售商需要问自己：1)如何可以有效地推广私人品牌商品；2)如何可以推荐私人品牌商品作为天然品牌商品的替代方案；以及3)每个私人品牌商品的直接竞争对手是谁？
越来越多的零售商了解其私人品牌的重要性-一项全球性的研究表明，65％的购物者认为私人品牌是知名品牌的良好替代。对于新千年一代和Z代，这个结果要高得多。因此，未能采取有效策略推广和维护其私人品牌的零售商将无法维持竞争(尤其是在不断发展的杂货市场)。
零售商在销售全国性品牌商品时，利润率很低，但私人品牌商品的利润率要高得多。因此，如果零售商可增加私人品牌商品的销售额，零售商就能提高盈利能力和竞争力。
发明内容
在各种实施例中，呈现用于替代性商品助推服务的方法和系统。
根据一方面，呈现一种用于替代性商品助推服务的方法。举例来说，接收与当前在线交易的购物篮相关联的给定商品代码，且获得潜在替代性商品代码与给定商品代码的相似度值。从潜在替代性商品代码选择选定替代性商品代码，且将所述选定替代性商品代码提供到与当前在线交易相关联的交易服务以推荐作为购物篮内的给定商品代码的替代方案。
附图说明
图1A是根据实例实施例的用于替代性商品助推服务的系统的图。
图1B是根据实例实施例的表示图1A的系统的过程流程的图。
图2是根据实例实施例的用于替代性商品助推服务的方法的图。
图3是根据实例实施例的用于替代性商品助推服务的另一方法的图。
具体实施方式
图1A是根据实例实施例的用于替代性商品助推服务的系统100A的图。应注意，组件是以大大简化的形式示意性地示出，其中仅绘示了与对实施例的理解相关的那些组件。
此外，仅出于图解目的，例示了各种组件(标识于图1A和图1B中)并且呈现了这些组件的布置。应注意，具有更多或更少组件的其它布置是可能的，而不脱离本文和下文呈现的替代性商品助推服务的教示。
系统100A提供一种机制，借助于所述机制，可经由助推私人品牌产品的可见度和推荐来增强与零售商的私人品牌产品相关联的商品。助推服务提供不依赖于人类直觉和人工的自动机制。助推服务是基于来自过去所记录交易的真实观察，而非推测。助推服务集成于零售商的现有系统内，例如与促销相关联的追加销售服务、优惠券、电子商务、零售商产品布局系统、移动购物应用等。使用“Word2Vec”算法来确定商品的交易上下文，且生成表示所述交易上下文的商品向量。评估交易历史中的交易，每一交易表示一个句子，且每一交易包括由商品的商品代码表示的词语。每一商品代码的交易上下文由Word2Vec算法处理以生成用于多维空间的相应商品。在多维空间中标绘商品向量，且基于多维空间内的所标绘商品向量之间的距离确定商品之间的相似度。可基于多维空间内的所标绘天然品牌商品向量和私人品牌商品向量之间的距离将私人品牌商品确定为天然品牌商品的替代性商品。可接着经由与现有零售服务、现有零售应用和现有零售系统的集成针对顾客和零售人员将替代性私人品牌商品识别并用作给定品牌商品的推荐替换或替代性商品。
系统100A包括企业数据存储库110、在线交易系统120、店内交易终端130、用户装置140、库存和商品放置系统150、管理应用(app)160、商品空间映射器和相似度管理器170、一个或多个机器学习算法(MLA)180和替代性商品管理器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。当由对应的处理器从对应的非暂时性计算机可读存储介质执行可执行指令时，该可执行指令使该处理器执行本文及以下关于组件110-190所讨论的操作。
“商品代码”表示来自给定零售商的产品目录的商品。每个商品代码与其它商品代码的相似性/相似度限定了该商品在多维空间中的向量。相似性/相似度和商品代码向量由Word2Vec算法基于对零售商的交易历史记录和产品目录的分析来确定。“商品向量”是一种数学表达式，表明多维空间中表示给定商品的上下文的点。
企业数据存储库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记录。其它类型的数据也可以包括在企业数据存储库100中，例如顾客可使用的激励措施、已知顾客的顾客数据(忠诚度数据、配置文件数据等)、顾客交易的交易详细信息(包括商品的商品代码)、商品或产品目录数据，以及由企业针对商店和与企业(零售商)相关联的其它商店捕获和保留的其它信息。
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app。在在线购物会话期间，当虚拟购物车的选定商品库存不足时，将虚拟购物车数据从在线交易系统120实时地提供给企业数据存储库110或者经由应用编程接口(API)实时地提供给替代性商品管理器190。
交易终端130包括外围装置(扫描仪、打印机、媒体接收器/分配器、称重设备、个人识别码(PIN)垫、读卡器等)，以及用于执行与交易相关联的顾客结算的对应软件。实时商品和交易数据由终端提供给企业数据存储库110。
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(app)执行顾客交易的对应的软件。实时交易数据由任何app提供给企业数据存储库110。
库存和商品放置系统150包括用于执行库存管理和商店布局及商品放置(陈列图)的装置和相应的软件及用户界面。正由系统150处理的商品的任何商品代码可经由API发送到用于替代性商品的替代性商品管理器190，例如私人品牌商品代码。
商品空间映射器和相似度管理器170最初使用(从企业数据存储库110获得的)交易历史记录来生成(同样地，从企业数据存储库110获得的)产品目录中的商品代码的向量。以这种方式，为产品目录中的商品代码分配映射到多维空间的向量。每个向量链接到产品目录的商品代码。使用“Word2Vec”算法来应用“商品嵌入”。Word2Vec是一组算法，主要用于自然语言处理(NLP)领域中的机器翻译。Word2Vec以大量的文本语料库(商品代码的产品目录和来自企业数据存储库110的交易历史记录)作为输入，并且产生通常具有数百个维度的向量空间(多维空间)，语料库中的每一个唯一字词(商品代码)都被分配绘制在多维空间中的对应的唯一向量。以此方式，在交易历史记录中共享共同上下文的商品代码在多维空间内彼此紧邻地绘制。将交易历史记录作为句子提供给Word2Vec算法，并且字词为商品代码(从产品目录中标识所有可用字词)。可将数学计算应用于商品代码的向量数字表示形式(向量)。
一旦处理产品目录和交易历史以创建商品的商品代码向量，就可向商品空间映射器和相似度管理器170提供给定商品代码(作为输入或作为针对所建议商品替换代码的请求)，所述给定商品代码表示从组件120-160中的任一个获得的全国性品牌商品。由Word2Vec算法产生的输出是一个或多个替代性商品(私人品牌商品)以及类似性得分(其对应于多维空间内全国性品牌商品的商品代码的位置与私人品牌商品的位置之间的距离)。商品空间映射器和相似度管理器170可基于预设的阈值或值范围和/或基于预定义数目的顶部相似度得分(来自相似度得分的分类列表的预先配置的数目的最高相似度得分)确定待提供给替代性商品管理器190的特定所建议替代性商品代码。
商品空间映射器和相似度管理器170将全国性品牌商品代码的所产生的替代性商品代码连同相似度得分一起提供到替代性商品管理器190。替代性商品管理器190将最可能被购买的替代性商品代码提供回到原始请求者(组件120-160)。组件120-160提供最终交易反馈，其可由替代性商品管理器190基于是否针对从企业数据存储库110接收了替代性商品代码的给定交易购买了替代性商品(私人品牌商品)而从所述给定交易的交易细节导出/检测。
当部署系统100A时，针对被提供给定全国性品牌商品代码的替代性私人品牌商品代码的实际交易监视反馈。所述反馈是关于针对给定交易替代性私人品牌商品代码是否由顾客购买的指示。购买为肯定反馈，而未购买为否定反馈。
基于包括全国性品牌商品代码、私人品牌商品代码、相似度得分(由商品空间映射器和相似度管理器170针对任何给定全国性品牌商品代码提供)和任选的与训练交易相关联的顾客的顾客向量的输入来训练一个或多个MLA 180。受过训练的MLA 180表示基于商品相似性用于特定应用的机器学习模型。因此，如本文所用，MLA 180也可以被称为机器学习模型。
以与上文所论述类似的方式，可将顾客的交易历史作为句子提供到另一Word2Vec算法，且所有所产生的向量聚合到表示特定顾客的交易历史和偏好的单个顾客向量中，所述单个顾客向量可在多维空间中连同商品向量一起标绘以用于识别多维空间内特定顾客与商品向量的关系。顾客向量由商品空间映射器和相似度管理器170产生。
MLA 180基于所提供的输入参数配置以实现的训练结果是特定替代性私人品牌商品代码的选择，其中反馈指示给定顾客针对给定交易实际购买。
一旦训练MLA 180，替代性商品管理器190就实时接收给定交易的全国性品牌商品代码。商品空间映射器和相似度管理器170将替代性私人品牌商品代码和全国性品牌商品代码之间的相应相似度得分传回到替代性商品管理器190。替代性商品管理器190将与给定交易相关联的顾客的顾客向量、全国性品牌商品代码、替代性私人品牌商品代码和相似度得分作为输入提供到MLA 180，且作为输出而接收最可能产生特定顾客的交易的购买的特定私人品牌商品代码。在交易之后，接收反馈作为特定所建议替代性私人品牌商品是否由交易的特定顾客购买的指示。
MLA 180被连续地训练，并且使用更新的产品目录、新的交易数据和反馈以配置的间隔来更新商品代码向量以及商品代码。这确保特定全国性品牌商品的替代性私人品牌商品适于给定商店的产品目录和特定顾客。以此方式，建议的替代/替换商品的准确度和成功将处于不断地提升和学习中。
组件170-190可作为基于web和/或基于云的服务提供给零售商，其中提供到服务的API以在交易期间访问每一零售商的企业数据存储库110且传送替代性私人品牌商品代码。API准许管理app 160供管理者/零售人员使用以获得零售商的货架上的全国性品牌商品的替代性私人品牌商品，从而基于给定零售商的交易数据、给定零售商的顾客群和给定零售商的特定产品目录确保货架储备有最可能为所述零售商生成销售收入的替代性私人品牌商品。
用户操作的装置140可以是任何顾客操作的装置，例如可穿戴处理装置、支持语音的网络设备(物联网(IoT)装置)、膝上型电脑、台式机、平板电脑、基于网络的车辆集成装置，等等。装置140还可由与库存和商品放置系统150相关联的零售人员操作。装置140利用零售商提供的界面(基于web的和/或基于app的界面)用网络服务器120的交易服务来执行购物和交易篮结算。
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。
系统100A可集成到现有零售商应用、现有零售商服务和现有零售商系统的工作流程中。举例来说，系统100A可集成到与助推顾客购物篮(结帐商品或虚拟购物车)中私人品牌商品的购买相关联的工作流程中。此处，通过在结帐期间或在顾客正在线购物时为替代性私人品牌商品提供较好价格或折扣来对顾客作出交易期间的实时建议以用替代性私人品牌商品替换存在于顾客的购物篮中的特定全国性品牌商品。举例来说，顾客操作具有零售商购物应用(移动应用或基于浏览器的应用)的用户装置140来进行购物。随着顾客将商品添加到他/她的购物篮或虚拟购物车，向替代性商品管理器190实时报告商品代码。替代性商品管理器190与商品空间映射器和相似度管理器170和MLA180交互且获得最可能致使顾客替换购物篮内用于购买的全国性品牌商品的相应替代性私人品牌商品。替代性商品管理器190将替代性私人品牌商品代码和购物篮全国性品牌商品代码经由API提供到与顾客经由装置140购物相关联的零售商应用。在接收到致使零售商应用对顾客作出用替代性私人品牌商品替换全国性品牌商品的实时建议的两个商品代码连同通过这样做顾客可以省钱和/或可以使用折扣以比所列价格低的价格获得替代性私人品牌商品的指示后，由零售商应用处理商业规则。
作为另一实例，现有产品推荐引擎可经由API调用与替代性商品管理器190集成，使得至少一个所推荐商品可包含替代性私人品牌商品。这些推荐引擎可经偏置或加权以有利于替代性私人品牌商品。举例来说，假如顾客将
Figure BDA0003139249570000061
意大利面和橄榄油添加到他们的购物篮。推荐服务可通常推荐不同品牌的番茄沙司以由顾客接下来添加。替代性商品管理器190(经由与170和180的交互)经由API动态地推送番茄沙司的替代性私人品牌，致使推荐引擎在针对顾客的推荐列表中给予所述私人品牌更高权重。
在又一实例中，系统100A与零售商店的库存和商品放置系统150集成以辅助商店销售员通过紧挨着其它受欢迎的全国性品牌商品放置私人品牌商品来布置商店货架。举例来说，销售员使用系统150的软件来帮助他们将产品放置于相关货架中。当销售员将商品布置在意大利面货架上时，系统100A将推荐紧挨着被认为是最受欢迎的意大利面品牌(基于分析数百万购物篮)的
Figure BDA0003139249570000071
意大利面商品放置私人品牌意大利面商品。
再次，MLA 180包括学习机制。用户对替代性私人品牌商品的提供的响应将被记录且作为反馈提供回到替代性商品管理器190，所述替代性商品管理器训练MLA 180，使得推荐随时间微调。如果顾客对推荐作出积极反应，则其将被标注为肯定，否则其将被标注为否定。
图1B是根据实例实施例的表示图1A的系统的过程流程100B的图。
图1B示出了与系统100A相关联的一些组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存储库提供给商品空间映射器和相似度管理器170。商品空间映射器和相似度管理器170生成多维向量空间和绘制在该空间内的商品目录112的每个商品代码的唯一向量。
替代性商品管理器190基于商品目录代码、替代性私人品牌商品代码、全国性品牌商品代码、由商品空间映射器和相似度管理器170提供的相似度值，以及任选地从忠诚度交易数据113获得的顾客的顾客向量和跨其中通过在线交易系统120、交易终端130、用户装置140和/或管理app 160为顾客进行或实现交易的多个渠道为每一顾客获得的反馈，来训练MLA 180。
随后，当从管理app 160或库存和商品放置系统150接收到顾客的任何给定购物篮/交易(经由在线交易系统120、交易终端130或用户装置140)或针对用于给定全国性品牌商品的替代性私人品牌商品的任何给定请求时，替代性商品管理器190请求商品空间映射器和相似度管理器170基于向量空间和商品代码向量提供全国性品牌商品代码的替代性私人品牌商品代码和相似度值。替代性商品管理器190将全国性品牌商品代码、替代性私人品牌商品代码和相应的相似度值及任选地顾客的顾客向量作为输入提供到MLA 180。MLA 180将来自替代性私人品牌商品代码的最佳适于顾客或最佳适于零售商店(基于实际交易数据)的选择提供为输出。替代性商品管理器190使用API将适于给定情形的选定的最佳替代性私人品牌商品代码传送到相应请求方(在线交易系统120、交易终端130、用户装置140、库存和商品放置系统150，或管理app 160)。肯定或否定的结果经由API反馈给替代性商品管理器190，或者由替代性商品管理器190从与交易或请求相关联的最终交易数据或销售数据导出肯定或否定的结果。在MLA 180的后续训练会话中使用该反馈。
系统100A驱动在线、店内和移动购物以建议和推荐针对全国性品牌的私人品牌。推荐并非简单地基于最相似的私人品牌，而是基于来自先前交易的实际反馈，所述先前交易用于训练机器学习模型以获得基于给定顾客上下文的准确的顾客特定推荐。私人品牌推荐集成到现有零售商应用、现有零售商系统和现有零售商服务中。
在一实施例中，经由API将组件110-113和组件170-190作为单个基于云的表面提供给组件120、150和160。
现在参考图2-3讨论这些和其它实施例。
图2是根据实例实施例的用于替代性商品助推服务的方法200的图。实施方法200的软件模块被称作“商品助推服务”。商品助推服务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/或非暂时性计算机可读(处理器可读)存储介质内且由装置的一个或多个处理器执行。执行商品助推服务的装置的处理器被特定地配置和编程以处理商品助推服务。商品助推服务在其处理期间具有对一个或多个网络连接的接入权。网络连接可以是有线的、无线的或有线与无线的组合。
在一实施例中，执行商品助推服务的装置为服务器。在一实施例中，服务器为云处理环境，该云处理环境包括作为单个服务器彼此协作的多个服务器。在一实施例中，服务器为局域网(LAN)服务器。
在一实施例中，商品助推服务是170-190和/或过程流程100B的全部或某一组合。
在一实施例中，商品助推服务执行上文关于系统100A和过程流程100B所论述的处理。
在210处，商品助推服务接收与零售商和零售商的顾客之间的当前在线交易的购物篮相关联的给定商品代码。
在220处，商品助推服务获得潜在替代性商品代码与给定商品代码的相似度值。
在一实施例中，在221处，商品助推服务将相似度值识别为潜在替代性商品代码的多维空间中标绘的商品代码向量和与给定商品代码相关联的给定商品代码向量之间的距离。这可以上文关于Word2Vec算法论述的方式进行，所述Word2Vec算法使用交易历史来生成每一商品代码的交易上下文作为多维空间中标绘的商品代码向量。
在230处，商品助推服务向与当前在线交易相关联的交易服务选择选定替代性商品代码，以供推荐作为当前在线交易的购物篮内的给定商品代码的替代方案。
在一实施例中，在231处，商品助推服务从相似度值选择最高值，且使最高值与选定替代性商品代码相关联。
在一实施例中，在232处，商品助推服务将给定商品代码、潜在替代性商品代码和相似度值作为输入提供到与经训练机器学习算法相关联的经训练机器学习模型。
在232的实施例中和233处，商品助推服务将与当前在线交易相关联的顾客的多维空间中标绘的顾客向量作为进一步输入提供到经训练机器学习模型。这可通过以下步骤进行：访问与顾客相关联的忠诚度数据存储库113且获得顾客的完整交易历史，接着处理Word2Vec算法以产生多维空间中标绘的顾客的交易上下文向量。这准许选定替代性商品代码的选择对于顾客来说是顾客定制的。
在240处，商品助推服务向与当前在线交易相关联的交易服务提供选定替代性商品代码，以供推荐作为当前在线交易的购物篮内的给定商品代码的替代方案。
在233和240的实施例中，在241处，商品助推服务接收选定替代性商品代码作为来自经训练机器学习模型的输出。
在241的实施例中和242处，商品助推服务接收反馈，所述反馈表示关于是否利用当前在线交易购买了与替代性商品代码相关联的替代性商品代替与给定商品代码相关联的给定商品的结果。
在242的实施例中和243处，商品助推服务在基于所述反馈再训练经训练机器学习模型的后续训练会话期间使用所述反馈和与当前在线交易相关联的交易细节。
在一实施例中，在244处，商品助推服务使用API将给定商品代码和选定替代性商品代码发送到交易服务。
在一实施例中，在245处，商品助推服务将当前在线交易的交易识别符、给定商品代码和选定替代性商品代码注入到与交易服务相关联的过程工作流程中。
在一实施例中，在250处，商品助推服务将选定替代性商品代码提供到商品放置服务，用于将与选定替代性商品代码相关联的替代性商品储备在商店内邻近于与给定商品代码相关联的给定商品处或代替与给定商品代码相关联的给定商品。
在一实施例中，在260处，将商品助推服务处理(210-250)为在当前在线交易期间和由交易服务处理的其它在线交易期间提供到交易服务的实时基于云的服务。
图3是根据实例实施例的用于替代性商品助推服务的另一方法300的图。实施方法300的软件模块被称作“私人品牌助推服务”。私人品牌助推服务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/或非暂时性计算机可读(处理器可读)存储介质内且由装置的一个或多个处理器执行。执行私人品牌助推服务的处理器被特定地配置和编程以处理私人品牌助推服务。私人品牌助推服务在其处理期间具有对一个或多个网络连接的接入权。网络连接可以是有线的、无线的或有线与无线的组合。
在一实施例中，执行私人品牌助推服务的装置为服务器。在一实施例中，服务器为云处理环境，该云处理环境包括作为单个服务器彼此协作的多个服务器。在一实施例中，服务器是零售商店本地的LAN服务器。
在一实施例中，私人品牌助推服务是170-190、过程流程100B和/或方法200的全部或某一组合。
私人品牌助推服务呈现相对于上文关于图2描述的处理视角的另一(且在一些方面)增强的处理视角。
在310处，私人品牌助推服务从某一资源接收与全国性品牌商品相关联的全国性品牌商品代码。
在一实施例中，在311处，私人品牌助推服务在在线交易期间从在线交易系统接收全国性品牌商品代码。此处，所述资源是正处理在线交易的交易服务。
在一实施例中，在312处，私人品牌助推服务在交易终端交易期间从交易终端接收全国性品牌商品代码。此处，所述资源为正处理交易终端交易的交易管理器。
在一实施例中，在313处，私人品牌助推服务从管理系统接收全国性品牌商品代码。此处，所述资源为产品或商品放置服务，其向操作用户装置140且与放置服务交互的商店管理者提供商品布局推荐和商品货架位置推荐。
在320处，私人品牌助推服务识别与作为全国性品牌商品的替代方案的私人品牌商品相关联的私人品牌商品代码。
在一实施例中，在321处，私人品牌助推服务处理与经训练机器学习算法相关联的经训练机器学习模型以识别私人品牌商品代码。
在330处，私人品牌助推服务将全国性品牌商品代码和私人品牌商品代码提供到所述资源。
在一实施例中，在331处，私人品牌助推服务将全国性品牌商品代码和私人品牌商品代码提供到推荐系统以致使与推荐系统相关联的资源用私人品牌商品代码偏置与全国性品牌商品代码相关的推荐。
应当了解，以特定形式(例如，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，实施例的范围应参考随附的权利要求书连同此些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。这种公开方法不应理解为反映所要求实施例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例的不到全部的特征。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例性实施例。

Claims (12)

1.一种方法，其包括：
接收与当前在线交易的购物篮相关联的给定商品代码；
获得潜在替代性商品代码与所述给定商品代码的相似度值；
从所述潜在替代性商品代码选择选定替代性商品代码；以及
将选定替代性商品代码提供到与所述当前在线交易相关联的交易服务以用于推荐作为所述购物篮内的所述给定商品代码的替代方案。
2.根据权利要求1所述的方法，其进一步包括，将所述选定替代性商品代码提供到商品放置服务，用于将与所述选定替代性商品代码相关联的替代性商品储备在商店内邻近于与所述给定商品代码相关联的给定商品处或代替与所述给定商品代码相关联的给定商品。
3.根据权利要求1所述的方法，其进一步包括，将所述方法处理为到所述交易服务的实时基于云的服务。
4.根据权利要求1所述的方法，其中获得进一步包含将所述相似度值识别为所述潜在替代性商品代码的多维空间中标绘的商品代码向量和与所述给定商品代码相关联的给定商品代码向量之间的距离。
5.根据权利要求1所述的方法，其中选择进一步包含从所述相似度值选择最高值，且使所述最高值与所述选定替代性商品代码相关联。
6.根据权利要求1所述的方法，其中选择进一步包含将所述给定商品代码、所述潜在替代性商品代码和所述相似度值作为输入提供到与经训练机器学习算法相关联的经训练机器学习模型。
7.根据权利要求6所述的方法，其中提供所述给定商品代码进一步包含将与所述当前在线交易相关联的顾客的所述多维空间中标绘的顾客向量作为进一步输入提供到所述经训练机器学习模型。
8.根据权利要求7所述的方法，其中提供所述给定商品代码进一步包含接收所述选定替代性商品代码作为来自所述经训练机器学习模型的输出。
9.一种系统，包括：
至少一个处理装置，所述至少一个处理装置具有至少一个处理器，所述至少一个处理器被配置为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以下操作，包括：
接收与针对与第一商品相关联的第一商品代码的替代方案相关联的请求；
基于与所述第一商品和所述潜在替代性商品相关联的交易上下文确定针对所述第一商品代码的与潜在商品相关联的潜在替代性商品代码；
基于所述请求从所述潜在替代性商品代码选择最佳潜在替代性商品代码；以及
将所述第一商品代码和所述最佳潜在替代性商品代码之间的关联注入到与所述请求相关联的工作流程中。
10.根据权利要求9所述的系统，其中所述工作流程包括正处理与具有所述第一商品代码的购物篮或购物车相关联的交易的在线交易工作流程，或正提供相对于所述第一商品代码的推荐的商品推荐工作流程。
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。
CN202110727726.5A 2020-10-30 2021-06-29 替代性商品助推服务 Pending CN114463028A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/084,794 2020-10-30
US17/084,794 US11922478B2 (en) 2020-10-30 2020-10-30 Alternative item booster service

Publications (1)

Publication Number Publication Date
CN114463028A true CN114463028A (zh) 2022-05-10

Family

ID=76623935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110727726.5A Pending CN114463028A (zh) 2020-10-30 2021-06-29 替代性商品助推服务

Country Status (3)

Country Link
US (1) US11922478B2 (zh)
EP (1) EP3992896A1 (zh)
CN (1) CN114463028A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102265946B1 (ko) * 2020-11-23 2021-06-17 주식회사 엠로 기계 학습 기반 유사 아이템에 관한 정보를 제공하는 방법 및 장치
US11184454B1 (en) * 2020-12-21 2021-11-23 Coupang Corp. Systems and methods for managing perpetual data requests to conserve resources
US11922476B2 (en) * 2021-07-01 2024-03-05 Capital One Services, Llc Generating recommendations based on descriptors in a multi-dimensional search space

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720723B2 (en) * 1998-09-18 2010-05-18 Amazon Technologies, Inc. User interface and methods for recommending items to users
CA2938562A1 (en) 2004-02-27 2005-09-15 Accenture Global Services Limited System for individualized customer interaction
US7974888B2 (en) * 2007-03-30 2011-07-05 Amazon Technologies, Inc. Services for providing item association data
US20150127483A1 (en) * 2013-10-06 2015-05-07 Jacob Elliot Systems and methods for optimizing and streamlining the shopping experience in a retail environment
US10102559B1 (en) * 2014-09-30 2018-10-16 Amazon Technologies, Inc. Diversification of recommendations
US20160125500A1 (en) * 2014-10-30 2016-05-05 Mengjiao Wang Profit maximization recommender system for retail businesses
US10162868B1 (en) * 2015-03-13 2018-12-25 Amazon Technologies, Inc. Data mining system for assessing pairwise item similarity
US20170364930A1 (en) * 2016-06-17 2017-12-21 24/7 Customer, Inc. Method and apparatus for assessing customer value based on customer interactions with advertisements
US20200005379A1 (en) * 2018-06-29 2020-01-02 International Business Machines Corporation Recommending food selections based on analysis of nutrients
US11354719B2 (en) 2019-02-27 2022-06-07 Walmart Apollo, Llc Systems and methods for determining substitutions
US20200380583A1 (en) * 2019-05-31 2020-12-03 Kohl's, Inc. Promptly adjust recommendations to increase performance in a web site
US20210374825A1 (en) * 2020-05-27 2021-12-02 Ebay Inc. Generating relationship data from listing data

Also Published As

Publication number Publication date
US11922478B2 (en) 2024-03-05
US20220138830A1 (en) 2022-05-05
EP3992896A1 (en) 2022-05-04

Similar Documents

Publication Publication Date Title
EP3992896A1 (en) Alternative item booster service
US20040193503A1 (en) Interactive sales performance management system
JP2019504406A (ja) 販売促進用表示のための商品選択のシステム及び方法
US11841905B2 (en) Attribute node widgets in search results from an item graph
JP7212875B2 (ja) 商品の連関性に基づく商品管理方法及びその商品管理システム
EP3992880A1 (en) Platform-based cross-retail product categorization
US20240161163A1 (en) Query reformulations for an item graph
EP1550971A2 (en) Alternative items for purchase in a virtual store
Pandey et al. Factors influencing organization success: A case study of walmart
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
US20220138648A1 (en) Platform-Based Pricing Strategy Service
US20130268345A1 (en) Methods for and apparatus for automated presale kiosk
US20210217073A1 (en) Data-Driven Recommendation Engine
US11715145B2 (en) Segment-based recommendation engine
US20220092654A1 (en) Prepackaged basket generator and interface
Mohan Artificial Intelligence in Retail
US20240177212A1 (en) Determining search results for an online shopping concierge platform
US20240177211A1 (en) Identifying candidate replacement items with a source similarity score
Gupta et al. E-Commerce & Its Applications
US20150066741A1 (en) Method and system for payment distribution for consigned items
Sergei Intellectual Capital and Firm Performance in Retail Industry
EP2718894A2 (en) Methods for and apparatus for automated presale kiosk
Nguyen Assessing Risk Factors Affecting Customers’ Online Shopping Behavior in Thai Nguyen City, Vietnam

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