JP2016091085A - 購買予測装置、購買予測方法及びプログラム - Google Patents
購買予測装置、購買予測方法及びプログラム Download PDFInfo
- Publication number
- JP2016091085A JP2016091085A JP2014221189A JP2014221189A JP2016091085A JP 2016091085 A JP2016091085 A JP 2016091085A JP 2014221189 A JP2014221189 A JP 2014221189A JP 2014221189 A JP2014221189 A JP 2014221189A JP 2016091085 A JP2016091085 A JP 2016091085A
- Authority
- JP
- Japan
- Prior art keywords
- product
- purchase
- customer
- probability
- attribute
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することを目的とする。【解決手段】顧客の購買行動を予測する購買予測装置は、顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習部と、前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算部とを有する。【選択図】図1
Description
本発明は、購買予測装置、購買予測方法及びプログラムに関する。
EC(electronic commerce)サイトにおいて顧客の購買予測を行うことが試みられている。従来技術における非特許文献1は、ECサイトにおいて顧客が何を購入するかを予測するものである。しかし、購買の成功が抽選によるという仮定が無いため、「ある顧客がこれまで購買していない商品について、そもそもその商品には興味を持っていない」という強い仮定が置かれている。
Wang, Jian and Zhang, Yi, "Opportunity Model for e-Commerce Recommendation: Right Product; Right Time", Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR '13, 2013, ACM
しかし、購買の成功が抽選、すなわち確率的に決定される場合、実際には顧客が商品に対して興味を持っていたとしても、抽選に落選した場合購入が失敗してしまう。このような状況において、非特許文献1では顧客の商品に対する興味を実際よりも低く推定してしまうという問題が生じる。
このような問題を解消するため、本発明は、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することを目的とする。
本発明の一形態に係る購買予測装置は、
顧客の購買行動を予測する購買予測装置であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習部と、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算部と、
を有することを特徴とする。
顧客の購買行動を予測する購買予測装置であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習部と、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算部と、
を有することを特徴とする。
また、本発明の一形態に係る購買予測方法は、
顧客の購買行動を予測する購買予測装置における購買予測方法であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定するステップと、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算するステップと、
を有することを特徴とする。
顧客の購買行動を予測する購買予測装置における購買予測方法であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定するステップと、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算するステップと、
を有することを特徴とする。
また、本発明の一形態に係るプログラムは、
顧客の購買行動を予測するために、コンピュータを、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習手段、及び
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算手段、
として機能させることを特徴とする。
顧客の購買行動を予測するために、コンピュータを、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習手段、及び
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算手段、
として機能させることを特徴とする。
本発明によれば、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することが可能になる。
以下、図面を参照して本発明の実施例について詳細に説明する。
<本発明の実施例に係る購買予測装置の概要>
本発明の実施例に係る購買予測装置は、過去の購買行動に基づき、顧客の購買を予測するものである。本発明の実施例では、購買予測装置において顧客の購買行動を予測する際に、以下の3つの仮定にもとづくモデルを構築する。
本発明の実施例に係る購買予測装置は、過去の購買行動に基づき、顧客の購買を予測するものである。本発明の実施例では、購買予測装置において顧客の購買行動を予測する際に、以下の3つの仮定にもとづくモデルを構築する。
1.顧客の購買は「顧客が商品に興味を持ち購買しようとする」、「商品の購買がなんらかの抽選、すなわちある(観測できない)確率で成功する」という二つの過程にもとづいて行われる。
2.各顧客は商品に紐付く属性(以降、商品属性と呼ぶ)にもとづいて商品への興味を決定する。
3.商品購買が成功する確率は商品属性の人気度と、有限である各商品の販売可能個数(以降、商品数と呼ぶ)によって決定される。
本発明の実施例に係る購買予測装置は、上記の仮定にもとづき、抽選によって商品購買が決定される状況において、各顧客がある商品の購買に成功する確率、および、各顧客がその商品の購買をどの程度の確率で試みるのかを予測する。
図1は、本発明の実施例に係る購買予測装置10の全体構成図である。購買予測装置10は、プロセッサ等のCPU(Central Processing Unit)、RAM(Random Access Memory)やROM(Read Only Memory)等のメモリ装置、ハードディスク等の記憶装置等から構成されたコンピュータでもよい。例えば、以下に説明する購買予測装置10の各機能及び処理は、記憶装置又はメモリ装置に格納されているデータやプログラムをCPUが実行することによって実現される。
購買予測装置10は、購買行動予測モデル学習部11と、購買行動予測部12とを有する。
購買行動予測モデル学習部11は、顧客がこれまでに購買に成功した商品、その商品に紐付く属性である商品属性の集合、及び各商品の販売可能個数である商品数を入力として受け取る。そして、確率分布推定、具体的にはEMアルゴリズムを用いて、顧客の商品属性に対する興味と、商品属性ごとの人気度を学習する。
購買行動予測部12は、商品、その商品属性、商品数、顧客の商品属性に対する興味、及び商品属性ごとの人気度を入力とし、顧客ごとにどの程度商品の購買を試みるかの確率と、顧客による商品の購買が成功する確率を予測する。
<購買行動予測モデル学習部>
図2は、購買行動予測モデル学習部11の機能ブロック図である。
図2は、購買行動予測モデル学習部11の機能ブロック図である。
購買行動予測モデル学習部11では、顧客の購買行動を、顧客が購入した商品(購買情報100)、及び、その商品に紐付いた商品属性の集合(商品属性情報101)、及び、当該商品の販売可能個数(商品数情報102)で記述し、その集合を入力とし、顧客の各商品属性に対する興味の値(顧客別商品属性選好104)、及び、商品属性ごとの人気度(商品属性別人気度105)を学習する。これ以降、総顧客数をNとし、総商品数をIとし、商品属性の総数をMとする。
購買行動予測モデル学習部11の学習処理部103は、購買情報100、商品属性情報101、商品数情報102の三つの情報を受け取る。購買行動予測モデル学習部11において入力される三つの情報のデータ構造を図3に示す。それぞれ説明を行う。
購買情報100は、顧客id(変数u)と顧客が購買した商品id(変数i)の2つ組の集合である。以降の記述はDbuy={<ui,ii>,...}とする。この時、顧客は同じ商品を複数購入することがあるため、Dbuyの要素数は顧客の総数Nを超えることもありうる。
商品属性情報101は、商品idと、当該商品に紐付いた属性情報とその値(非負であるとする)のペアの集合f1={<f11,v11>,...,<f1M,v1M>}の集合である(この時f1の要素数は商品属性の総数Mと等しい)。以降の表記はDfeature={<i1,f1>,...,<iI,fI>}とする。この時、Dfeatureの要素数は総商品数Iと等しい。また、商品の値v11,...,v1M,...,vI1,...vIMは商品の価格、サイズ等の商品が持っている値であり、複数の値の組み合わせでもよい。
商品数情報102は商品idと(自然数である)その商品数の集合である。以降の表記は Damount={<i1,c1>,...,<iI,cI>}とする。この時、Damountの要素数は総商品数Iと等しい。
学習処理部103では上記の三つの情報を受け取り、次の二つのパラメータを推定し出力する。
顧客別商品属性選好104 Θ={θ11,...,θ1M,...,θI1,...,θIM}
商品属性別人気度105 Λ={λ1,...,λM}
購買行動予測モデル学習部11において出力される二つのパラメータのデータ構造を図3に示す。それぞれについての説明を行う。まず顧客別商品属性選好104は顧客と商品属性の二つ組について定義されるものであり、「顧客がある商品属性にどの程度興味を持っているか」の値を示す。値が大きければ大きいほど強い選好を持つ。
顧客別商品属性選好104 Θ={θ11,...,θ1M,...,θI1,...,θIM}
商品属性別人気度105 Λ={λ1,...,λM}
購買行動予測モデル学習部11において出力される二つのパラメータのデータ構造を図3に示す。それぞれについての説明を行う。まず顧客別商品属性選好104は顧客と商品属性の二つ組について定義されるものであり、「顧客がある商品属性にどの程度興味を持っているか」の値を示す。値が大きければ大きいほど強い選好を持つ。
次に商品属性別人気度は商品属性について定義されるものであり、「ある商品属性がどれぐらいの人数の顧客をひきつけるか」を示す。値が大きければ大きいほど魅力的な要素である。
これら二つのパラメータを用いて、顧客unが商品ikを購買する確率p(a1=1|ik,un,Θ,Λ)を次のように定義する。この時a1は顧客unによる商品ikの購買が成功したときにz1=1、そうでないときにz1=0を取る二値変数であり、a2は顧客unが商品ikの購買を試みたときにz2=1、そうでない時にz2=0を取る二値の潜在変数であるとする。
まず、p(a2=z2|un,ik,Θ)については顧客unが商品ikの購買を試みるかの確率である。この確率は、顧客は商品の購買を試みるか否かを商品属性とその属性に対する自身の選好の積の和にもとづいて値が決まるものである。すなわち、その顧客が好ましいと思う属性を持っていれば持っているほど、当該商品を購買しようとするというものである。
次に、p(a1=z1|a2,ik,Λ)について着目する。これは、商品の当選確率を表現したものであり、まずは(a2=1,a1=1)の場合における
(a2=1,a1=1)→応募して当選する確率
(a2=1,a1=0)→応募して落選する確率
(a2=0,a1=1)→応募せず当選する確率
(a2=0,a1=0)→応募せず落選する確率
を表現している。
これらの定義にもとづき、学習処理部103は、パラメータを推定する。推定においてはEMアルゴリズムを用いて完全尤度を最大化する。EMアルゴリズムはパラメータの更新を複数回、収束するまで行う手続きである。具体的にはEMアルゴリズムのt回目のステップにおいて、その時点でのパラメータをΛt,Θtとし、Q関数を
購買行動予測モデル学習部11における出力例を図4に示す。まず顧客別商品属性選好を見ると、顧客ごとに重視する商品属性が異なっていることがわかる。また、この値が高ければ高いほど、その属性を重視していることがわかる。
次に商品属性別人気度を見ると、どの商品属性がどの程度人気であるかを把握することが可能になる。
<購買行動予測部>
図5は、購買行動予測部12の機能ブロック図である。
図5は、購買行動予測部12の機能ブロック図である。
購買行動予測部12では、顧客idの集合106と、商品id、商品属性、商品数107を入力とし、購買行動予測モデル学習部11で推定された顧客別商品属性選好104と、商品属性別人気度105とを受け取り、その顧客が当該商品の購買を試みる確率(商品応募確率109)、及び、当該商品の購買が成功する確率(商品購買確率110)を予測し出力する。
購買行動予測部12の顧客購買確率計算部108では、入力された顧客id集合106{u1,...,uNt) }、及び、商品id、商品属性、商品数107を受け取る。購買行動予測部12において入力される二つの情報のデータ構造を図6に示す。顧客id集合106、及び、商品id、商品属性、商品数107は、購買行動予測モデル学習部11において入力される購買情報100、商品属性情報101、及び商品数情報102と同じ内容でもよく、異なる内容でもよい。例えば、商品の値、商品数は学習段階と異なる値が用いられてもよい。
また、顧客購買確率計算部108は、購買行動予測モデル学習部11で学習された顧客別商品属性選好Θ104、及び商品属性別人気度Λ105を受け取る。その後、次の式にもとづいて各顧客uk,k=1,...,Ntについて商品応募確率p(a2=1|uk,it,Θ)109と商品購買確率p(a1=1│it,ut,Θ,Λ)110を計算する。
また、購買行動予測部12における出力例を図7に示す。図7において、商品id毎に商品応募確率109が出力されており、大きい値であるほど顧客がその商品を購買しようとしやすいことを示している。また、商品購買確率110については、この値が大きいほど、顧客が当該商品を入手しやすいことを示している。
<本発明の実施例の効果>
以上説明したように、本発明の実施例によれば、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することが可能になる。より具体的には、
1.本発明の実施例に係る購買予測装置を用いて、より高精度な顧客の購買行動予測が可能になる。
以上説明したように、本発明の実施例によれば、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することが可能になる。より具体的には、
1.本発明の実施例に係る購買予測装置を用いて、より高精度な顧客の購買行動予測が可能になる。
2.本発明の実施例に係る購買予測装置を用いて、次の2つを知ることができるようになる。
2-1.顧客が商品を購買する際、どの属性に魅力を感じ、商品を選択しているか
2-2.商品属性ごとの人気度、及び、商品の当選確率
3.これにより、本発明の実施例に係る購買予測装置を用いて、データ上観測することができない当選確率を考慮した上での購買予測が可能になり、より正確な予測、及びより適切な需要の推定が可能になる。
2-2.商品属性ごとの人気度、及び、商品の当選確率
3.これにより、本発明の実施例に係る購買予測装置を用いて、データ上観測することができない当選確率を考慮した上での購買予測が可能になり、より正確な予測、及びより適切な需要の推定が可能になる。
このように、顧客の購買予測がより高精度に実現できることにより、仕入れや広告戦略化が顧客ごとに最適化され、利益が向上する。
また、抽選による落選の効果を導入することにより、
・潜在的にはどれぐらいの顧客が購買を試みたか、すなわち潜在的にどれぐらいの顧客が存在するか
・抽選の当選確率はどの程度か
・どのような商品属性がどの程度の顧客を引きつけるか
などが把握可能になる。
・潜在的にはどれぐらいの顧客が購買を試みたか、すなわち潜在的にどれぐらいの顧客が存在するか
・抽選の当選確率はどの程度か
・どのような商品属性がどの程度の顧客を引きつけるか
などが把握可能になる。
説明の便宜上、本発明の実施例に係る購買予測装置は機能的なブロック図を用いて説明しているが、本発明の実施例に係る購買予測装置は、ハードウェア、ソフトウェアまたはそれらの組み合わせで実現されてもよい。例えば、本発明の実施例は、コンピュータに対して本発明の実施例に係る購買予測装置の各機能を実現させるプログラム、コンピュータに対して本発明の実施例に係る方法の各手順を実行させるプログラム等により、実現されてもよい。また、各機能部が必要に応じて組み合わせて使用されてもよい。また、本発明の実施例に係る方法は、実施例に示す順序と異なる順序で実施されてもよい。
以上、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現するための手法について説明したが、本発明は、上記の実施例に限定されることなく、特許請求の範囲内において、種々の変更・応用が可能である。
10 購買予測装置
11 購買行動予測モデル学習部
12 購買行動予測部
100 購買情報
101 商品属性情報
102 商品数情報
103 学習処理部
104 顧客別商品属性選好
105 商品属性別人気度
106 顧客id
107 商品id、商品属性、商品数
108 顧客購買確率計算部
109 商品応募確率
110 商品購買確率
11 購買行動予測モデル学習部
12 購買行動予測部
100 購買情報
101 商品属性情報
102 商品数情報
103 学習処理部
104 顧客別商品属性選好
105 商品属性別人気度
106 顧客id
107 商品id、商品属性、商品数
108 顧客購買確率計算部
109 商品応募確率
110 商品購買確率
Claims (5)
- 顧客の購買行動を予測する購買予測装置であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習部と、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算部と、
を有する購買予測装置。 - 前記購買行動予測モデル学習部は、
商品の総数をIとし、
商品属性の総数をMとし、
商品i1,...iIと、商品に紐付いた属性情報f1,...fMと商品の値v1,...vIのペアの集合f1={<f11,v11>,...,<f1M,v1M>},...,fI={<fI1,vI1>,...,<fIM,vIM>}とを用いて、前記商品属性情報を{<i1,f1>,...,<iI,fI>}とし、
前記商品数情報を{<i1,c1>,...<iI,cI>}とし、
前記顧客別商品属性選好をΘ={θ11,...,θ1M,...,θI1,...,θIM}とし、
前記商品属性別人気度をΛ={λ1,...,λM}とし、
顧客unが商品ikを購買する確率p(a1=1|ik,un,Θ,Λ)を、a1は顧客unによる商品ikの購買が成功したときにz1=1、そうでないときにz1=0を取る二値変数とし、a2は顧客unが商品ikの購買を試みたときにz2=1、そうでないときにz2=0を取る二値変数としたとき、
前記購買情報から、顧客ujが購入した商品の多重集合をIujとし、
EMアルゴリズムにおけるt回目のステップのパラメータをΛt,Θtとし、τを正則化パラメータとして、Q関数を、
前記Q関数を最大化するパラメータΛ,Θを求める、請求項1に記載の購買予測装置。 - 顧客の購買行動を予測する購買予測装置における購買予測方法であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定するステップと、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算するステップと、
を有する購買予測方法。 - 顧客の購買行動を予測するために、コンピュータを、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習手段、及び
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算手段、
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014221189A JP2016091085A (ja) | 2014-10-30 | 2014-10-30 | 購買予測装置、購買予測方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014221189A JP2016091085A (ja) | 2014-10-30 | 2014-10-30 | 購買予測装置、購買予測方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016091085A true JP2016091085A (ja) | 2016-05-23 |
Family
ID=56017936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014221189A Pending JP2016091085A (ja) | 2014-10-30 | 2014-10-30 | 購買予測装置、購買予測方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2016091085A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078718A1 (en) * | 2010-09-27 | 2012-03-29 | Research In Motion Limited | Communications system for generating recommendations and related methods |
JP2012242940A (ja) * | 2011-05-17 | 2012-12-10 | Nippon Telegr & Teleph Corp <Ntt> | 商品推薦方法、商品推薦装置及び商品推薦プログラム |
-
2014
- 2014-10-30 JP JP2014221189A patent/JP2016091085A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078718A1 (en) * | 2010-09-27 | 2012-03-29 | Research In Motion Limited | Communications system for generating recommendations and related methods |
JP2012242940A (ja) * | 2011-05-17 | 2012-12-10 | Nippon Telegr & Teleph Corp <Ntt> | 商品推薦方法、商品推薦装置及び商品推薦プログラム |
Non-Patent Citations (2)
Title |
---|
岩田 具治 外2名: "購買順序を効率的に用いた協調フィルタリング", 情報処理学会論文誌, vol. Vol.49 No.SIG4, JPN6018003080, 15 March 2008 (2008-03-15), JP, pages pp.125−134 * |
岩田 具治 外3名: "購買行動解析のためのトピック追跡モデル", 電子情報通信学会論文誌, vol. 第J93−D巻 第6号, JPN6018003078, 1 June 2010 (2010-06-01), JP, pages pp.978−987 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feldman et al. | Customer choice models vs. machine learning: Finding optimal product displays on Alibaba | |
Bauer et al. | Optimal pricing in e-commerce based on sparse and noisy data | |
US9727616B2 (en) | Systems and methods for predicting sales of item listings | |
Khalilpourazari et al. | Optimization of multi-product economic production quantity model with partial backordering and physical constraints: SQP, SFS, SA, and WCA | |
Das et al. | An integrated production inventory model under interactive fuzzy credit period for deteriorating item with several markets | |
JP6352798B2 (ja) | マーケティング施策最適化装置、方法、及びプログラム | |
US10402840B2 (en) | Systems and methods for setting product prices | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
JP2007122592A (ja) | 卸商品市場入札価格設定支援システムと方法、およびプログラム | |
Yelland et al. | Forecasting demand for fashion goods: a hierarchical Bayesian approach | |
JP2018005563A (ja) | 処理装置、処理方法及びプログラム | |
US20150332298A1 (en) | Price matching in omni-channel retailing | |
US10832264B1 (en) | System, method, and computer program product for calculating an accepted value for a promotion | |
Chandrashekhara et al. | Smartphone price prediction in retail industry using machine learning techniques | |
Etzion et al. | Managing online sales with posted price and open-bid auctions | |
Chen et al. | Data-driven revenue management: The interplay of data, model, and decisions | |
Parkhimenka et al. | Heuristic approach to online purchase prediction based on internet store visitors classification using data mining methods | |
Ramezani et al. | Adaptive strategies for dynamic pricing agents | |
Chan et al. | Modeling and forecasting online auction prices: a semiparametric regression analysis | |
Chan et al. | Forecasting online auctions via self‐exciting point processes | |
JP2016091085A (ja) | 購買予測装置、購買予測方法及びプログラム | |
CN110796520A (zh) | 商品推荐的方法、装置、计算设备以及介质 | |
JP2019113963A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7091276B2 (ja) | 提案装置、提案方法および提案プログラム | |
Coey et al. | The simple empirics of optimal online auctions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170111 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180206 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20180807 |