JP2020524868A - データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のためのシステム - Google Patents

Abstract

データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のためのシステムが提供される。本システムは複数の消費者電子装置から店内消費者行動イベントメタデータを収集し、次いで訓練された人工知能アナリティクスエンジンを使用して消費者に有用な様々な人工知能洞察を提供することができ、それにより消費者行動をさらに修正することができる。訓練された人工知能アナリティクスエンジンは、そのような集約された店内消費者行動イベントメタデータを知的に解釈し、かつそれに応じてアクションをトリガーし、次いでそれが消費者電子装置に電子的に送信されるように構成されたデータ解釈制御装置を有していてもよい。データ解釈制御装置は、入手可能性に従って複数の消費者製品を表す消費者製品メタデータデータベースおよび他のメタデータのデータ完全性を最適化するように構成されたデータ検証制御装置を有していてもよい。【選択図】図４

Description

本発明は一般に人工知能アナリティクスエンジンに関し、より詳細には本発明は、実世界の中の店内応用に適した、データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のためのシステムに関する。

消費者行動データ集約解析およびイベントトリガーはオンラインでは当たり前になっている。例えば、各種プロバイダはクッキーの利用を含む追跡技術を利用して複数のウェブサイトを横断して消費者の興味を含む消費者行動を追跡し、その後に消費者の興味を特定したら、次いでそれに応じて的を絞った広告を消費者に提供する。

しかしそのようなシステムは、店内消費者行動解析および消費者行動修正のために利用するなどの実世界応用には容易に適用できるものではない。

実世界にそのような解析エンジンを配備しようとする場合に関わる問題としては、異なる店では製品の入手可能性および価格設定の両方が大きく異なると言う点での消費者製品メタデータの完全性の問題が挙げられる。

さらに、実世界から消費者行動メタデータを得ることは難しい。

さらに、先行技術のオンラインでの的を絞った広告解析エンジンは一般に、確かめられたユーザの興味に従って広告データベースから選択された的を絞った広告を提供することまでしかできない。しかし、実世界で消費者に有用なさらなる人工知能洞察を生成する際などに、これをはるかに超えることを行うことができるシステムが理想的であろう。

本発明は、先行技術に欠けている点の少なくともいくつかを克服するか実質的に改善するシステムおよび関連する方法論を提供すること、あるいは少なくとも代替物を提供することを目的とする。

当然のことながら、どんな先行技術情報が本明細書において参照されるとしても、そのような参照は、それらの情報がオーストラリアまたはあらゆる他の国において当該技術分野における通常の一般知識の一部をなすことを認めるものではない。

以下の実施形態では、先行技術のシステムの問題を克服するか少なくとも改善する、あるいは少なくとも代替物を提供することができる、データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のためのシステムを提供する。

以下でさらに詳細に説明するように、本システムは複数の消費者電子装置から店内消費者行動イベントメタデータを収集し、次いで訓練された人工知能アナリティクスエンジンを利用して消費者に有用な様々な人工知能洞察を提供し、それにより消費者行動をさらに修正することができる。

以下でさらに詳細に説明するように、訓練された人工知能アナリティクスエンジンは、そのような集約された店内消費者行動イベントメタデータを知的に解釈し、かつそれに応じてアクションをトリガーし、次いでそれが消費者電子装置に電子的に送信されるように構成されたデータ解釈制御装置を有する。

実施形態では、データ解釈制御装置は、入手可能性に従って複数の消費者製品を表す消費者製品メタデータデータベースおよび他のメタデータ（例えば、店の位置および価格設定など）のデータ完全性を最適化するように構成されたデータ検証制御装置を含む。従ってデータ検証制御装置は、最初に実世界におけるそのようなデータ集約の課題に対処する方法で比較的正確な消費者製品メタデータモデルを構築するように構成されており、その後に、そのような比較的正確なデータモデルを構築したら本システムによってさらなる人工知能洞察を行うことができる。

この点に関して、本システムは知的な製品提案能力をさらに備えていてもよく、データ解釈制御装置は製品提案制御装置を含む。

本システムは、複数の消費者電子装置の表示装置を介して表示される買い物リストグラフィカルユーザインタフェース（ＧＵＩ）を利用し、買い物リストＧＵＩは複数の消費者特有の消費者製品およびリスト形式を表示するように構成されており、表示される各消費者製品は、その購入を示す関連する購入確認入力（チェックボックスなど）を含む。

従って、そのような消費者特有の買い物リストおよび特にそこに列挙されている消費者製品を利用することによって、製品提案制御装置は消費者による検討のために製品を知的に提案することができる。

製品提案制御装置は、実施形態では、消費者特有のパラメータから確認するか他の消費者から導出された店内消費者行動イベントメタデータの機械学習から導出し得るような知的な方法で製品カテゴリの中で特定の製品を提案することができる。

また製品提案制御装置は、実施形態では、外見上は無関係であるが機械学習アルゴリズムによって行われる解析によって特定されたものとしてユーザに関連し得る製品を提案することができる。

さらに、訓練された人工知能アナリティクスエンジンは、実施形態では、消費者に有用であり得る知的な消費者製品情報通知を生成することができる。そのような消費者製品情報通知はさらに、機械学習アルゴリズムから導出されてもよい。

一態様によれば、データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のためのシステムが提供され、本システムは、少なくとも消費者製品ＩＤメタデータおよび消費者製品位置メタデータを含む消費者製品メタデータを有するデータモデルを含み、本システムは、複数の消費者電子装置から店内消費者行動イベントメタデータを受信することであって、店内消費者行動イベントメタデータは少なくとも部分的に消費者電子装置のそれぞれの表示装置によって表示される買い物リストＧＵＩから導出され、買い物リストＧＵＩは消費者特有の消費者製品の一覧表およびその購入を示す関連する購入確認入力を含むこと、店内消費者行動イベントメタデータを訓練された人工知能アナリティクスエンジンに入力することであって、人工知能アナリティクスエンジンは、入力として店内消費者行動イベントメタデータ訓練用データを有する機械学習アルゴリズムを用いて訓練されており、機械学習アルゴリズムは少なくとも購入確認入力から導出された購入確認データに従って訓練され、アナリティクスエンジンは、データ検証データ解釈制御装置を含むデータ解釈制御装置およびデータ検証アクション制御装置を含むアクショントリガー制御装置を備え、データ検証データ解釈制御装置は店内消費者行動イベントメタデータに従ってデータ検証機会一致を特定するように構成されていること、データ検証アクション制御装置を用いてデータ検証アクションを生成することであって、データ検証アクションは店内消費者行動イベントメタデータに従って構成されていること、データ検証アクション電子通信を複数の消費者電子装置の少なくとも１つに送信すること、データ検証アクション電子通信に応答して少なくとも１つの買い物客電子装置から製品データメタデータ応答データを受信すること、および製品データメタデータ応答データを用いて消費者製品データを更新することのために構成されている。

データ解釈制御装置は製品提案データ解釈制御装置をさらに含んでもよく、アクショントリガー制御装置は製品提案アクション制御装置をさらに含んでもよく、使用時に製品提案データ解釈制御装置は、店内消費者行動イベントメタデータに従って製品提案機会一致を特定するように構成されていてもよく、かつ製品提案アクション制御装置は、買い物リストＧＵＩによって表示するために製品提案アクションを生成して送信するように構成されていてもよい。

製品提案アクションは製品提案の店内位置データを含んでもよい。

店内位置データは通路番号および棚のうちの少なくとも１つを示してもよい。

当該電子装置は店内位置データを検知するためのセンサをさらに備えていてもよく、店内消費者行動イベントメタデータは店内位置データをさらに含んでいてもよい。

当該センサは、近距離無線通信センサおよびブルートゥースビーコン（ＢＬＥ）センサのうちの少なくとも１つを含んでもよい。

当該電子装置は製品の画像をキャプチャするための画像センサをさらに備えていてもよく、かつ製品データはこれらの画像から導出されてもよい。

製品データは、製品ＩＤおよび製品価格設定データのうちの少なくとも１つを含んでもよい。

データ解釈制御装置は情報通知データ解釈制御装置をさらに含んでもよく、かつアクショントリガー制御装置は情報通知アクション制御装置をさらに含んでもよく、かつ使用時に情報通知データ解釈制御装置は店内消費者行動イベントメタデータに従って情報通知機会一致を特定するように構成されていてもよく、かつ情報通知アクション制御装置は、少なくとも１つの電子装置に通知を送信するように構成されていてもよい。

データ解釈制御装置は機械学習アルゴリズムを用いて最適されていてもよい。

アクショントリガー制御装置は機械学習アルゴリズムを用いて最適されていてもよい。

機械学習アルゴリズムは、買い物リストＧＵＩから導出された購入確認入力データに従って製品提案制御装置を最適化するように構成されていてもよい。

機械学習アルゴリズムは、製品データメタデータ応答データを受信する確率に従ってデータ検証データ解釈制御装置を最適化するように構成されていてもよい。

機械学習アルゴリズムは、製品データメタデータ応答データのデータ完全性に従ってデータ検証データ解釈制御装置を最適化するように構成されていてもよい。

機械学習アルゴリズムは、消費者の情報通知プロンプトとの対話に従って情報制御装置を最適化するように構成されていてもよい。

消費者製品メタデータは少なくとも１つの製品カテゴリを含んでいてもよい。

製品データメタデータ応答データは製品価格メタデータを含んでいてもよい。

店内消費者行動イベントメタデータは画像データを含んでもよく、かつ機械学習アルゴリズムは画像データの物体認識を用いて製品提案アクション制御装置を最適化するように構成されていてもよい。

本発明の他の態様も開示する。

あらゆる他の形態が本発明の範囲に含まれ得るにも関わらず、以下では添付の図面を参照しながら本開示の好ましい実施形態を単に例として説明する。

一実施形態に係る、データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のためのコンピュータネットワークを示す。 一実施形態に係る、図１のネットワークのサーバおよび電子装置をさらに詳細に示すコンピュータアーキテクチャを示す。 一実施形態に係る、サーバおよび電子装置のそれぞれのための例示的なデータモデル、制御装置およびインタフェースモジュール表示を示す。 一実施形態に係る、データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のための試験的事前データフローを示す。 一実施形態に係る、図２のシステムの電子装置によって表示される例示的な買い物リストグラフィカルユーザインタフェースを示す。 一実施形態に係る、図２のシステムの電子装置によって表示される例示的な情報通知プロンプトを示す。 人と本システムとの例示的な行動対話を示す。

次に図１を参照すると、消費者電子装置２１３の例示的なネットワーク１００が示されている。図に示すように、ネットワーク１００は、それぞれがデータネットワークを介してアナリティクスエンジンサーバ２２２と動作可能に通信している複数の消費者電子装置２１３を備える。

消費者電子装置２１３は異なる消費者に属し、かつ実施形態では様々な店を表し得るネットワーク１００による仮想ジオフェンス１０１に従って分類することができる位置などの異なる位置の中にあってもよい。

以下でさらに詳細に説明するように、消費者は、ネットワーク１００がそのような消費者電子装置２１３から店内消費者行動イベントメタデータを受信してそれに応じて本明細書に記載されている機械学習および人工知能アナリティクスを行うことができるように、そのような消費者電子装置２１３を店内で利用する。

次に図２を参照すると、一実施形態に係る、ネットワーク１００のアナリティクスエンジンサーバ２２２および消費者電子装置２１３をさらに詳細に示すコンピュータシステム２００が示されている。

図に示すように、アナリティクスエンジンサーバ２２２および消費者電子装置２１３のそれぞれがデジタルデータを処理するためのプロセッサ２０９を有する計算装置の形態を取っていてもよい。

実施形態では、アナリティクスエンジンサーバ２２２を有することとは対照的に、システム２００は、イーサリアム（商標）ブロックチェーンプラットフォームなどの分散型スマートコントラクトブロックチェーンプラットフォームの分散処理を利用してもよい。

プロセッサ２０９はシステムバス２０８を介してメモリ装置２２３と動作可能に通信していてもよい。メモリ装置２２３は、コンピュータプログラムコード命令を含むデジタルデータを格納するように構成されている。従って使用時に、プロセッサ２０９は実行のためにメモリ装置２２３からこれらのコンピュータコード命令を取り出し、かつデータ結果をメモリ装置２２３内に再び格納してもよい。

例示の都合上、これらのコンピュータコード命令はデータモデル２０１、制御装置２０２およびインタフェース２０３モジュールの中に分割されている。

大まかに言えば、データモデル２０１は、適用可能なデータ格納構造（リレーショナルデータベースのテーブルなど）およびそこに格納されているデータを含む。

さらに、インタフェースモジュール２０３は各種ユーザインタフェースＧＵＩの様々な側面を制御する。

さらに、制御装置２０２は各種計算タスクを行い、かつインタフェース２０３とデータモデル２０１モジュールとのインタフェースをとることを含む。

メモリ装置２２３は、Ｌｉｎｕｘカーネル、すなわちブートストラップフェーズ中にプロセッサ２０９によって検索されるモバイルオペレーティングシステムなどのオペレーティングシステム２０７をさらに備えていてもよい。分散型スマートコントラクトブロックチェーンプラットフォームが使用される実施形態では、メモリ装置２２３は、本明細書に記載されている各種取引からのデータを含む関連するブロックチェーンレジャーの全てまたは一部を格納してもよい。

各コンピュータ装置は、データ格納、センサおよびユーザインタフェース周辺装置を含む各種コンピュータ周辺装置とのインタフェースをとるためのＩ／Ｏインタフェース２１０をさらに備えていてもよい。

消費者電子装置２１３に関して示されているように、Ｉ／Ｏインタフェース２１０はデジタルデータの表示のためのデジタル表示装置２１８とのインタフェースをとってもよい。デジタル表示装置２１８はユーザインタフェースのジェスチャを確認することができるように触覚センサで覆われていてもよい。

Ｉ／Ｏインタフェース２１０はさらに、上記仮想ジオフェンス１０１への侵入を検出するという目的などのために消費者電子装置２１３の位置を確認することができるように、ＧＰＳセンサ２１６とのインタフェースをとってもよい。

さらなる実施形態では、消費者電子装置２１３は、消費者製品からの製品データ（例えば栄養情報および製品外観）、通路ラベル（例えば製品位置および通路内の製品カテゴリの通路グループ化）、棚ラベル（例えば、店内小売業者特有の製品コード／バーコード、製品名、棚価格、特別価格状況、製品範囲グループ化）を読み取るため、および通路に特化した近距離無線位置決定技術（近距離無線通信（ＮＦＣ）システムなど）などを利用して店内位置を確認するためのセンサを含み得る他のセンサ２１７を備えていてもよい。

各コンピュータ装置は、データネットワーク２１２を介してデータを送信および受信するためのネットワークインタフェース２１１をさらに備えていてもよい。

実施形態では、アナリティクスエンジンサーバ２２２は「クラウド内」にあり、かつ物理的なラックマウント型サーバまたは代わりとして例えばアマゾンウェブサービス（商標）（ＡＷＳ：Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ）によって実装され得るような仮想化サーバインスタンスの形態を取っていてもよい。あるいは上に示唆されているように、アナリティクスエンジンサーバ２２２は、スマートコントラクトブロックチェーンプラットフォームの形態を取っていてもよく、ここではスマートコントラクトは、集中型サーバを必要とせずにブロックチェーンのユーザ間でのピアツーピア取引の条件を記述するために使用される。

さらに、消費者電子装置２１３は、本明細書に記載されているデータを収集し、データネットワーク２１２を介してそれらをアナリティクスエンジンサーバ２２２に送信するための適当な電子回路を備えるスモールフォームファクタ電子装置の形態を取っていてもよい。

実施形態では、消費者電子装置２１３は、Ａｐｐｌｅ社のｉＰｈｏｎｅおよび／またはＧｏｏｇｌｅアンドロイド装置などのスマートフォン装置などのモバイル通信装置の形態を取っていてもよい。本実施形態では、本明細書に記載されている特定の計算プロセスのためのモバイル通信装置を構成するために、ユーザは、ダウンロード可能なソフトウェアアプリケーション「ａｐｐ」によってモジュール２０１、２０２および２０３をメモリ装置２２３にダウンロードしてもよく、それらのアプリケーションは、例えば消費者電子装置２１３によるインストールおよび実行のために、Ａｐｐｌｅ Ａｐｐ Ｓｔｏｒｅ（商標）、Ｇｏｏｇｌｅ Ｃｈｒｏｍｅ Ａｐｐ Ｓｔｏｒｅ（商標）、またはＦｉｒｅｆｏｘ Ａｐｐ Ｓｔｏｒｅ（商標）などのソフトウェアアプリケーションストアからダウンロードすることができる。

次に図３を参照すると、アナリティクスエンジンサーバ２２２および消費者電子装置２１３のそれぞれのための例示的なデータモデル２０１、制御装置２０２およびインタフェース２０３表示が示されている。

図示されているように、アナリティクスエンジンサーバ２２２の制御装置２０２の訓練された人工知能アナリティクスエンジンは、消費者製品提案制御装置３０８、データ検証制御装置３１３および情報制御装置３１７を含むデータ解釈制御装置を備えていてもよい。

データ解釈制御装置モジュールは、複数の消費者電子装置２１３から受信された店内消費者行動イベントメタデータ３２４に従ってデータモデル２０１からの様々な一致するアクション３２３を特定してもよい。

次いでこれらのアクション３２３を、アナリティクスエンジンサーバ２２２および関連する消費者電子装置２１３のインタフェースモジュール２０３によって消費者に伝達してもよい。

具体的には、消費者電子装置２１３のインタフェースモジュール２０３は、買い物リストグラフィカルユーザインタフェース３０４（実質的に図５に示されているようなもの）を表示してもよい。

但し、情報はアラートインタフェース３１０などによって他の方法で消費者電子装置２１３上に表示されてもよい。

アナリティクスエンジンサーバ２２２のデータモデル２０１は、消費者製品および買い物メタデータ３０１を含んでもよい。実施形態では、消費者製品および買い物メタデータ３０１は以下にさらに詳細に記載されているような製品ツリーの形態を取り、異なる店における変化および製品情報入手可能性などを考慮するために連続的に更新される。

実施形態では、製品ツリーは製品カテゴリ（例えば「クイック製品」、サービス、例えば牛乳、パン、砂糖、ヘアカット、電話画面の修理および車の調整など）の階層で、これらの消費者製品＆サービスカテゴリ内に、Ｄａｉｒｙ Ｆａｒｍｅｒの牛乳、Ｃｏｌｅｓの牛乳、ＤｅｖｏｎｄａｌｅのＴｈｅ Ｃｒｅａｍｙ Ｏｎｅ Ｆｕｌｌ Ｃｒｅａｍ Ｍｉｌｋ １Ｌｔｒ、Ｌｕｂｅ Ｍｏｂｉｌｅ ５００００ｋｍ Ｓｅｒｖｉｃｅ ２０１３ ＲＥＮＡＵＬＴ ＫＯＬＥＯＳ ２．５Ｌ ４ＣＹＬ ＦＷＤ ＰＥＴＲＯＬ ＭＰＦＩ ２ＴＲＡ ＤＯＨＣ １６Ｖ（０８−１６）などの具体的な消費者製品で構成されていてもよい。

製品価格設定、製品人気、製品グループメタデータ（例えば、製品お得用パック番号、製品まとめ買いパートナー製品、製品まとめ買い価格、製品価格変更パートナー製品、栄養情報およびレシピなど）、製品購入インセンティブ、製品メタデータ正確性、製品メタデータ更新インセンティブ、店位置および店内位置データ（例えば、通路番号および棚番号など）を含む製品位置ならびに他の適用可能な製品メタデータなどの各種メタデータを表す製品データ３０７が、製品ツリー３０１内の製品に関連づけられていてもよい。

さらに、データモデル２０１は、システム２００を用いて様々な消費者を表すユーザのデータ３１２（例えば、人口統計データ、個人情報、個人的嗜好、友人との関係、家族およびユーザによって提出されたメタデータなど）を含んでもよい。

ユーザに関して、買い物リスト３１６、すなわち上記消費者特有の買い物リスト３１６、イベント３２４、アクション３２３、製品データ３０７、製品ツリー品目３０１、位置３１９およびユーザのデータ３１２が格納されていてもよい。

買い物リストデータ３１６は、各消費者の買い物リスト（レシピ成分リスト、製品メタデータ更新インセンティブリスト（必要な価格確認、必要なバーコードなど）、情報更新のリスト（例えば、他の製品と交換することを奨励し得る格付けのような情報を有する）を含む）内の様々な消費者製品を表してもよく、かつ消費者がそのような品目を購入したか否かに関する表示、地元店からの製品価格の提出についての他の消費者による確認状況、価値のある洞察（消費者が別の製品または店に交換するリスト品目の値下げ幅／額、買い物リスト上にないため忘れられているが恐らく必要な品目、消費者が選択した店の中のその品目の位置、および買い物リスト上に既にある品目よりも当該消費者の必要性をより良好に満たす可能性のある品目などを含む）、メタデータ更新イベントを行う消費者に与えられるインセンティブなどの他のデータも表してもよい。

図に示すように、消費者電子装置２１３のデータモデル２０１は、データモデル２０１内の対応するリストデータ３０６をさらに含んでもよい。

従って、買い物リストグラフィカルユーザインタフェース３０４を利用して、消費者電子装置２１３は更新制御装置３０５を利用してリスト３０６を更新することができる。

アナリティクスエンジンサーバ２２２のデータモデル２０１は、機械学習アルゴリズム３２２を訓練するために利用される訓練用データ３２１をさらに含んでもよい。実施形態では、訓練用データ３２１は、複数の消費者電子装置２１３から導出された店内消費者行動訓練用データを利用してもよく、かつフェイスブックなどのソーシャルネットワークおよびオーストラリア統計局などの統計学的データサービスなどを含む第三者提供源からのデータを使用してもよい。

図示されているように、データ解釈制御装置の製品提案、データ検証および情報通知制御装置のそれぞれは、リストインタフェース３０３を更新するか、あるいは代わりとして複数の消費者電子装置２１３の買い物リストグラフィカルユーザインタフェース３０４またはアラートインタフェース３１０上のいずれかに表示されるアラートによって表示される通知３０９を生成してもよい。

消費者電子装置２１３は、関連する行動に伴い電子プロンプトを生成するように構成されたプロンプト制御装置３１１を含んでもよく、実施形態では、特にデータ検証アクション、情報通知アクションおよび製品提案アクションのために、ユーザは製品データメタデータ応答データにより応答制御装置３１８によって制御される応答インタフェース３１４を介して応答してもよく、次いでこれは、製品ツリー更新制御装置３０２を利用して製品ツリー３０１を更新するという目的のために、アナリティクスエンジンサーバ２２２の受信制御装置３２０によって受信される。さらに、実施形態では、ユーザデータ３１２、リストデータ３１６および店データなどの他の買い物情報を更新するように構成された更新制御装置も存在してもよい。

次に図４を参照すると、システム２００の例示的なデータフロー４００が示されている。

図示されているように、店内消費者行動イベントメタデータ４２５は複数の消費者電子装置２１３から受信される。

上に示唆されているように、店内消費者行動イベントメタデータ４２５は、消費者電子装置２１３のそれぞれの表示装置によって表示される買い物リストグラフィカルユーザインタフェース３０４（実質的に図５に示されているようなもの）から少なくとも部分的に導出されてもよく、これは、表示されている消費者製品のそれぞれの消費者による購入を示す購入確認データをさらに含んでもよい。

以下でさらに詳細に説明するように、買い物リストグラフィカルユーザインタフェース３０４は、消費者特有の消費者製品の一覧表およびその購入を示す関連する購入確認入力（チェックボックスまたは他の種類の入力）をさらに含む。従って、そのようなＧＵＩを利用して、本システムは、各消費者のために関連する消費者製品を特定し、かつ各列挙された品目が消費者によって購入されたか否か、消費者が選択した店の中の関連する製品に関連するメタデータ（入手可能性、推定される現在の価格およびクイック製品などを含む）、ユーザメタデータ（消費者区分化、ならびに関連する製品および買い物イベントの一時性に基づくイベントに関するメタデータ収集アクションのためのインセンティブ閾値を含む）、店メタデータ（恐らく買い物を完了するための努力などを含む）、ならびに関連するメタデータを有するイベント（製品、店、リスト、ユーザ、レビュー、価格および入手可能性などのためのメタデータ更新インセンティブを含む）をさらに確認することができる。

ＧＰＳセンサ２１６を介して受信される位置データなどのさらなる情報も各電子装置から受信されてもよい。

さらに、他の情報が他の種類のセンサ２１７を利用して各消費者電子装置２１３から受信されてもよい。

例えば、消費者電子装置２１３は、製品の様々な視覚的特徴などに従ってシステム２００が当該製品を認識するのを可能にするために、例えば消費者が製品の画像データをキャプチャするのを可能にする（その上に設けられたバーコードを読み込むことを含む（製品画像を訓練されたＡＩ物体認識エンジンの中に読み込むことを含む））画像センサを備えていてもよい。

あるいは、当該製品の画像データをキャプチャすることとは対照的に、センサ２１７を利用して製品に隣接して表示される価格タグの画像をキャプチャすることなどによって価格設定データをキャプチャしてもよい。

あるいは、当該製品の画像データをキャプチャすることとは対照的に、センサ２１７を利用して店の正面の画像、近くの店または駐車場をキャプチャすることなどによって活性レベル、審美的なアピールおよび快適環境などをキャプチャしてもよい。

あるいは、当該製品の画像データをキャプチャすることとは対照的に、センサ２１７を利用してＱＲコードの画像をキャプチャすることなどによって購入の証拠および店内入場などをキャプチャしてもよい。

あるいは、当該製品の画像データをキャプチャすることとは対照的に、センサ２１７を利用して購入レシートの画像をキャプチャすることなどによって価格設定情報（価格、単位価格、特別価格、割引率、製品、購入の証拠）、リスト情報（購入した製品、店メタデータ、総購入価格、購入方法、レジ番号、レジ係員詳細、店長詳細、購入体積、購入量、製品レシート（別名）および税金状況などを含む）をキャプチャしてもよい。

さらなる実施形態では、センサ２１７は、特に通路解像度（通路番号、通路グループ化および近くの製品などを含む）、さらなる実施形態では棚解像度まで店内消費者の位置を決定するように構成されている。

例えば店内には、複数の近距離無線通信タグが様々な通路または棚に設けられていてもよく、次いでこれらをセンサ２１７によってスキャンして店内での消費者電子装置２１３の位置を確認することができる。

あるいは、ブルートゥースビーコン技術を利用してもよく、ここではセンサ２１７は、受信された信号強度測定値を利用して店内の１つ以上のブルートゥースビーコンを参照して消費者電子装置２１３の位置を確認する。

実施形態では、図５にも暗示されているように、そのような店内位置データは、そのようなセンサ２１７を有していない消費者電子装置２１３のためなどに、ユーザ入力から導出されてもよい。

図示されているように、イベントメタデータ４０２は店内消費者行動イベントメタデータ４２５から導出される。

そのようなイベントメタデータ４０２は、製品の購入、店への入場（仮想ジオフェンス１０１の内側への侵入によって決定される）、消費者の自宅への帰宅（仮想ジオフェンス１０１の外側への侵入によって決定される）、クイック製品選択、製品最適化、帰宅（仮定される「家」位置ジオフェンスの内側への侵入）、インセンティブの受理（例えばメタデータ更新、情報インセンティブなど）、インセンティブの換金および他の消費者イベントなどの様々な消費者イベントを表してもよい。

図示されているように、イベントメタデータ４０２は、消費者行動イベントの種類を示すイベント種類メタデータ４０３およびイベントの位置を示す位置メタデータ４０４を含んでもよい。

消費者行動イベントおよび位置メタデータ４０４はＧＰＳセンサ２１６から導出されてもよく、かつ実施形態では、どの店に消費者が現在いるかを決定し、かつ店外でのイベントのための重要な位置（自宅、仕事場、通勤の開始および終了などを含む）にいるかをも決定するためにシステム２００によって利用されてもよい。重要なイベント位置は、最も最適な位置を認識する（通知する、提案する、奨励するなど）ように訓練されたＡＩモデルによって決定することができる。これらのモデルは現在のユーザ位置を考慮するだけでなく、その時のネットワーク内の他のユーザの他の位置および属性も検討することができる。

イベントメタデータ４０２は、特定の通路および棚などの店内のユーザの位置を表すより高い解像度の店内位置データ４０５をさらに含んでいてもよい。

イベントメタデータ４０２はリストメタデータ４０７をさらに含んでもよく、これは消費者の購入を示すメタデータを含む関連するメタデータを含むその消費者特有の買い物リストを含んでもよい。

さらに、イベントメタデータ４０２は、様々な消費者製品に適用可能なメタデータである製品メタデータ４０８をさらに含んでいてもよい。そのような製品メタデータ４０８は、製品価格、製品位置、製品入手可能性または他の適用可能な製品メタデータを表してもよい。

図示されているように、イベントメタデータ４０２は訓練された人工知能アナリティクスエンジン４１３に供給される。

入力としてそのようなデータを有すると、訓練された人工知能アナリティクスエンジン４１３は知的な人工知能洞察４２３を生成するように構成されており、次いでこれをネットワーク２１３の関連する電子装置に伝達することができる。そのような洞察は、買い物プロセス中に消費者のネットワークに有用であり得るあらゆる知的なデータおよび／または通知である。

具体的には、訓練された人工知能アナリティクスエンジン４１３はデータ解釈制御装置４１４を備えていてもよい。データ解釈制御装置４１４は、関連するアクションの生成のための様々な機会に一致することができるようにイベントメタデータ４０２を解釈する。

具体的には、図示されているように、訓練された人工知能アナリティクスエンジン４１３はアクショントリガー制御装置４１８を備えていてもよい。

従って、集約されたイベントメタデータ４０２を利用してデータ解釈制御装置４１４によって特定されたあらゆる可能な機会一致のために、訓練された人工知能アナリティクスエンジン４１３は、アクショントリガー制御装置４１８を利用して関連する適用可能なアクションをトリガーすることができる。

図示され、かつ上に示唆されているように、データ解釈制御装置４１４は、様々な消費者製品を知的に提案するように構成された製品提案制御装置３０８を含んでもよい。そのような消費者製品は、消費者特有のパラメータ（人口統計学、過去の購入行動を含む）に従い、かつ他の消費者の消費者行動習慣などの他の消費者特有のパラメータにも従って提案されてもよい。

データ解釈制御装置４１４は、消費者製品メタデータ３０１、リストメタデータ、店メタデータなどの完全性を高めるための機会を特定するように構成されたデータ検証制御装置３１３をさらに含んでもよい。

例えば、特定の消費者製品の価格が「事実に基づかない」（すなわち、潜在的に信頼できないものとして特定される）場合、データ検証制御装置３１３はそのようなものを特定してデータ検証アクション制御装置４２０から関連するデータ検証アクションを生成することができ、これは例えば、消費者が価格を確認すること、バーコードを追加すること、当該通路を確認すること、店がどのくらい忙しいかを確認すること、および当該製品品質を確認するなどの消費者による確認によってネットワーク２１３の関連する電子装置に伝達することができる。

データ解釈制御装置４１４は、情報通知アクション制御装置４２１から一般にプッシュ通知、他のＧＵＩアラート（例えば、比較画面上のニュースフィード項目、宣伝品目）およびＥメールなどによってネットワーク２１３の関連する電子装置に伝達することができる様々な情報通知アクションを生成するように構成された情報制御装置３１７をさらに含んでもよい。

データフロー４００にも示されているように、そのようなクラウドソーシングされた集約されたイベントメタデータ４０２は機械学習アルゴリズム３２２に供給されてもよい。

実施形態では、機械学習アルゴリズム３２２は、データ解釈制御装置４１４のモジュールのそれぞれを最適化するように構成されたオプティマイザを含んでもよい。具体的には、図示されているように、機械学習アルゴリズム３２２は、製品提案制御装置３０８を最適化するために訓練されたデータ４２２を生成するための製品提案モデルオプティマイザ４１０を含んでもよい。同様に、機械学習アルゴリズム３２２は、それぞれのデータ検証制御装置３１３および情報制御装置３１７を最適化するためのデータ検証モデルオプティマイザ４１１および情報通知モデルオプティマイザ４１２を含んでもよい。

製品提案モデルオプティマイザ４１０は、提案された製品の購入を最適化するように構成されていてもよい。データ検証モデルオプティマイザ４１１は、ネットワーク規模のメタデータの正確性および消費者フィードバックの受信または代わりとして受信されたフィードバックの完全性の可能性または確率を最適化するように構成されていてもよい。

情報通知モデルオプティマイザ４１２は、図６に実質的に示されているように、通知６０１の受理などのそのような通知の受理に従って通知を最適化するように構成されていてもよい。

例として、機械学習アルゴリズム３２２は、集約されたイベントメタデータ４０２で訓練された回帰型ニューラルネットワーク（ＲＮＮ）モデルを使用してもよく、別の製品提案とは対照的に消費者によって特定の製品提案がより頻繁に購入されること（買い物リストグラフィカルユーザインタフェース３０４から確認される）を特定してもよく、従ってそれに応じて製品提案にバイアスをかけてもよい。

なお、機械学習アルゴリズム３２２は、関連するアクションのトリガーを最適化するためにアクショントリガー制御装置４１８を最適化するようにさらに構成されていてもよい。

一例として、機械学習アルゴリズム３２２は、消費者電子装置２１３が適用可能な店の仮想ジオフェンス１０１に入る前に製品提案がなされ、従ってそれに応じてアクショントリガー制御装置４１８を最適化することができる場合に、そのような製品提案が消費者によって購入されるより大きな可能性を有するということを特定してもよい。

さらなる例として、機械学習アルゴリズム３２２は、仮想ジオフェンス１０１の内側への侵入の前に提案がなされる場合には女性が製品を購入する可能性がより高いが、店内で提案され（すなわち、消費者電子装置２１３が適用可能な店の仮想ジオフェンス１０１に既に侵入している場合）、かつ従ってそれに応じてアクショントリガー制御装置４１８を最適化することができる場合にのみ男性が製品を購入する可能性がより高いことを特定してもよい。

実施形態では、訓練された人工知能アナリティクスエンジン４１３は人工ニューラルネットワークの形態を取っていてもよく、従って訓練されたデータ４２２は、ニューラルネットワークの各ノードのために最適化された重みづけを表してもよい。

次に図５を参照すると、消費者電子装置２１３によって表示される例示的なグラフィカルユーザインタフェース５００が示されている。

図示されているように、買い物リストは、複数のクイック製品（牛乳、スパゲティおよびパン）と、さらに具体的な製品（コルゲート（Ｃｏｌｇａｔｅ）知覚過敏用歯磨き粉）とを含む。

ユーザはそのような品目を入力することによってそのようなリストを構成したかもしれない。一実施形態ではユーザタイプとして、インタフェース５００は製品ツリー３０１から製品を提案するためのテキスト予測を利用する。さらなる実施形態では、当該リストは、以前に買ったか、頻繁に買ったか、ＡＩ洞察（ネットワークにおけるそのユーザまたはさらには他のユーザのいずれかによる過去のイベントからの提案アクションとして）を用いて消費者によって必要とされることが予測される消費者製品で多くが占められていてもよい。さらなる実施形態では、ウェブページデータのテキスト（ウェブページ全体またはユーザなどによって選択されたテキスト）を製品参照一覧表に対して解析するか、あるいは知的に解析して、インタフェース５００（製品提案５０１（例えば、製品の追加、製品の比較、製品の検索および新しい製品）、ならびにデータ検証プロンプト５０３（製品レビューの提出（ソーシャルネットワーク上で友人にネットワーク送信した場合も含む）などのため）に対してオーバーレイ制御してもよい。

次に、図示されているようにインタフェース５００は、製品提案制御装置３０８および製品提案アクション制御装置４１９によって生成される製品提案５０１を含み、かつデータ検証制御装置３１３およびデータ検証アクション制御装置４２０によって生成されるデータ検証プロンプト５０３も含む。

具体的には、牛乳クイック製品のために買い物リストインタフェース５０１は製品提案を生成し、ここでは例えば、Ｄａｉｒｙ Ｆａｒｍｅｒの牛乳およびＰａｕｌの牛乳などのこのクイック製品カテゴリ内の具体的かつ知的に提案された製品が提案されている。

位置および価格設定洞察などのさらなる人工知能洞察がそれらに関連づけられていてもよく、ここでは例えば図に示すように、提案されているＤａｉｒｙ Ｆａｒｍｅｒの牛乳のために店内の具体的な位置（３番通路の上から２番目の棚）が示されており、Ｐａｕｌの牛乳のためにＰａｕｌの牛乳が現在のところ店内では最も安いという事実が示されている。

但しこれも図示されているように、製品提案は、より低い価格設定を理由に別の位置にある製品を提案してもよい。図示されているように、製品提案５０１は、たった１ドルであるが別の位置まで２５０ｍ歩くことを必要とするＣｏｌｅｓの牛乳の提案をさらに含む。

スパゲティクイック製品のために、図示されているように、製品提案５０１は具体的な種類のスパゲティをさらに知的に推奨してもよい。上に示唆されているように、提案されるスパゲティの種類は、消費者によるその購入のために最適化されるような知的な方法で訓練された人工知能アナリティクスエンジン４１３によって生成されてもよい。例えば、具体的な消費者のためにグルテンフリーのスパゲティが提案されるなど、特定の種類の消費者製品が消費者特有のメタデータから導出されてもよい。

あるいは、提案される特定の種類のスパゲティは、同様の消費者および他のパラメータを含む他の消費者から受信されたイベントメタデータ４０２の解析に従って提案されてもよい。

図示されているように、製品提案５０１はパスタソースなどの関連する品目を知的に提案してもよく、ここでは機械学習アルゴリズム３２２は、消費者がこれらの種類の製品を頻繁に一緒に購入するがそれらが異なる製品カテゴリに含まれ得ることを考慮している。

訓練された人工知能アナリティクスエンジン４１３の利用は非直感的人工知能洞察をさらに生成してもよく、ここでは例えばパンクイック製品のために、インタフェース５００は靴墨を提案してもよい。そのような提案は非直感的であるように思われるかもしれないが、靴墨は実際にはユーザにかなり関連している可能性がある。

これも図示されているように、インタフェース５００はデータ検証プロンプト５０３を表示し、ここでは上に示唆されているように、データ検証制御装置３１３は製品データ３０７の完全性を高めるための機会を特定する。

図示されているように、コルゲート知覚過敏用歯磨き粉のために、データ検証プロンプト５０３はユーザにその価格が実際に２．９９ドルであるか、さらに実際に通路３にあるかを尋ねる。図示されているように、ユーザはそうであればチェックボックスにチェックを入れるか、あるいは正しい量を入力してもよい。

さらなる実施形態では、システム２００は、消費者購入レシートに対してＯＣＲ解析を行って、それに応じて価格データを含む適当な製品データ３０７を収集することができるように構成されていてもよい。

図示されているように、インタフェース５００は、消費者電子装置２１３の画像センサ２１７を利用して購入レシートの画像をキャプチャする際にユーザが利用することができるＯＣＲレシートボタン５０４を含む。

買い物リストインタフェース５００上の消費者製品のそれぞれのために、ユーザは、関連する購入確認入力（チェックボックスなど）を利用して当該製品を購入したか否かを示すことができる。

従って、購入確認入力から導出されるそのような購入行動フィードバックを利用することによって、機械学習アルゴリズム３２２はさらに、それに応じて人工知能アナリティクスエンジン４１３を訓練することができる。

訓練された人工知能アナリティクスエンジン４１３の利用により、不正防止人工知能洞察をさらに生成してもよく、例えばユーザは、悪意を持って不正な価格更新またはそれらの購入の不正な写真証拠を提供して恐らくブランドからの報酬を請求するかもしれない。

訓練された人工知能アナリティクスエンジン４１３は、１クラスサポートベクターマシン（ＳＶＭ）または１クラスニューラルネットワークモデルを使用することなどによって異常を特定するように構成されていてもよい。当該データは購入行動だけでなく、いつ／どこでそれらの品目が当該リストに追加されたか、およびそのような更新および請求に関するユーザの履歴などの購入前行動にも関連づけられていてもよく、データ検証制御装置３１３は異常および不規則な行動を特定することができる。これはデータ検証アクション制御装置４２０から関連するデータ検証アクションを生成し、これをユーザの電子装置に伝達してユーザに当該品目の購入をさらに証明する（例えば自宅でそのバーコードをスキャンする）ことを依頼してもよい。

別の例では、ブランドは自身の製品が正確に配置されていること、またはその棚が適切かつ正確に商品補充されていることを確認するために、棚の上、通路内、特定の地元スーパーマーケット内にある自身の製品の現在の店内での状態を知りたいと願う場合がある。ユーザがこの地元スーパーマーケットで買い物をしている場合、データ検証制御装置３１３は店の中の他の品目のためのユーザの購入確認入力（例えばチェックボックスユーザインタフェース入力などによる）および他の現在のａｐｐ行動（例えばジオフェンス周囲の内側への侵入など）から、ブランドが店内状態情報を必要としている製品と同じ通路内に現在ユーザがいるかもしれないことを予測することができるようにしてもよい。従って、アクショントリガー制御装置４１８は、データ検証アクション制御装置４２０を用いて関連するデータ検証アクションを生成してもよく、これをユーザの電子装置に伝達して、恐らく報酬のためにユーザにブランドのために棚の写真を撮影するように促してもよい。

別の例では、ユーザは新しい製品説明を提出してもよい。訓練された人工知能アナリティクスエンジン４１３は、多クラス決定フォレストまたは多クラスニューラルネットワークモデルを用いることなどによって、「クイック製品」のために知的な人工知能カテゴリを生成するように構成されていてもよい。これはデータ検証アクション制御装置４２０から関連するデータ検証アクションを生成し、次いでこれを、それらのユーザが提案されたカテゴリ化を確認して有効にすることができるように、ネットワーク２１３の関連する電子装置に伝達してもよい。

次に図６を参照すると、情報制御装置３１７によって生成された情報通知６０１が示されている。

図に示すように、通知６０１は消費者電子装置２１３の位置を確認したら、ユーザに知的な製品提案の近接について知らせ、さらにそのような提案された製品の価格の確認に関する情報を表示する。

ボタンの入力を利用して、ユーザは当該製品までナビゲートするためのナビゲーションインタフェースを開始するか、あるいは当該アラートを無視することができる。

次に、システム２００の機能性をさらに例示するために様々な例示的な実施形態を提供する。これらの実施形態は単に例示であって、必ずしも技術的限界がそれに応じて全ての実施形態に与えられるべきではないことを理解されたい。

第１の例では、ユーザは買い物リストＧＵＩ５００を利用してクイック製品を選択する。

それに応答して、製品提案制御装置３０８はクイック製品に関連する具体的な製品を知的に提案する。さらに、クイック製品に関連づけられたあらゆる製品メタデータがデータ検証制御装置３１３によって信頼できない（「事実に基づかない」）ものとして特定された場合、データ検証制御装置３１３はデータ検証アクション制御装置４２０からデータ検証アクションをトリガーして、それに応じてさらなる製品メタデータを求めて収集してもよい。

さらに情報制御装置３１７は、それに応じてクイック製品および通知アクションに関して関連する情報を特定してもよい。

上に示唆されているように、機械学習アルゴリズム３２２は、消費者が提案された製品、データ検証要求および／または情報通知を受け入れるかそれ以外の方法でそれらと対話する可能性を最適化するために、データ解釈制御装置４１４および／またはアクショントリガー制御装置４１８を訓練しているかもしれない。

さらなる例では、システム２００は消費者電子装置２１３の位置を確認することによって、消費者電子装置２１３が店を取り囲む仮想ジオフェンス１０１の周囲を内側に侵入したことを確認する。従ってシステム２００は、ユーザが買い物に行く可能性が高いと推測することができる。

そのような可能なイベントを特定したら、データ解釈制御装置４１４は、アクショントリガー制御装置４１８からのあらゆる可能な一致アクションを実行してもよい。

さらに、様々な関連するデータはそのようなイベントに応答にして更新されてもよく、例えばシステム２００は、適当な店から製品データおよび特売品などを検索することができる。さらにシステム２００は、同じエリア内の他の消費者に関連づけられた最近または実質的にリアルタイムなイベントメタデータ４０２を解析してもよい。従って、データ解釈制御装置４１４はそのような更新された情報を利用して動作してもよい。

さらなる実施形態では、ユーザは実質的に図５に示されているように、チェックボックス入力などの購入確認入力を利用して、製品の購入または選択（店から製品を手に取ってショッピングカートまたは買い物かごの中にそれを入れることなどによって）を確認する。

従って、表示されている具体的な製品からシステム２００は、今度は通路解像度までなどの消費者の店内位置などの他の情報を推測することができる。従って製品提案制御装置３０８は、次いで同じまたは隣接する通路内の他の製品などの同じ店内位置の中の他の製品を提案することができる。

またそのような製品を手に取ったという確認を受信したら、それ故に製品提案制御装置３０８は同じまたは同様の製品を推奨しなくてもよい。

さらに買い物リストインタフェース５００は、近接に従って手に取る次の製品を提案してもよい。

消費者と買い物リストＧＵＩ５００との対話から、買い物リストインタフェース５００からの最初と最後の品目テキストのタイムスタンプ間の時間などの買い物を完了するために要する時間などの他の情報を収集してもよい。

さらに、インタフェース５００を利用した消費者の対話の頻度または量を利用して特定の店の忙しさを推測して、訓練された人工知能アナリティクスエンジン４１３が恐らく別の時間または位置での買い物を提案するのを可能にしてもよい。また情報通知プロンプトによってユーザからそのような情報を収集してもよく、このプロンプトは、その店の忙しさの現在の状況または他の店内情報に関してユーザに問い合わせる。

さらなる例では、データ検証プロンプト５０３を利用して、ユーザは店の中の消費者製品の価格を提出する。

従って、データ検証制御装置３１３は、消費者がそのようなフィードバックを提供する意思があり、従ってその後の要求の頻度を増加させることができることを確認してもよい。

さらにこの場合、特定の製品のために、データ検証制御装置３１３は同じ通路内の他の消費者製品などの関連する消費者製品に関する情報を要求してもよい。

さらなる例では、システム２００は消費者電子装置２１３によって消費者が店の位置から去ったことを示す仮想ジオフェンス１０１の外側への侵入を検出する。従って、システム２００はユーザが買い物を完了したことを推測することができる。

従って実施形態では、製品提案制御装置３０８は、例えば隣接する通信社からの新聞を推奨するなど、店の位置に近い他の位置において消費者によって恐らく必要とされる消費者製品を提案してもよい。

さらに、当該パラメータ内の消費者の体積を解析し、かつ買い物を完了するのに要する時間も解析することによって駐車の容易性を推定することなどにより、イベントメタデータ４０２を解析して消費者と店の位置との相関を特定してもよい。

さらなる例では、システム２００は、ユーザが自宅に戻ったことを示す自宅の仮想ジオフェンス１０１の内側への侵入を検出してもよい。従って、システム２００はユーザが恐らく購入した消費者製品を紙袋から出すことを推測することができる。

従って、紙袋から出すプロセス中に、データ検証制御装置３１３は、データ検証アクション制御装置４２０からのデータ検証アクションによりユーザが購入した様々な製品に関するメタデータを提供することを促してもよい。

さらにデータ検証制御装置３１３は、品目名をキーワードで一致させ、かつ関連する価格設定情報（価格、単位価格、特別価格、割引率、製品、購入の証拠）、リスト情報（購入した製品、店メタデータ、総購入価格、購入方法、レジ番号、レジ係員詳細、店長詳細、購入体積、購入量、製品レシート（別名）および税金状況などを含む）を特定することなどによってそこから製品メタデータを確認することができるように、買い物レシートに関するＯＣＲデータを受信してもよい。

さらにデータ検証制御装置３１３は、文字をキーワードで一致させ、かつ関連する買い物情報（栄養情報、格付け、製品位置、通路内の製品カテゴリの通路グループ化、店内小売業者の具体的な製品コード／バーコード、製品名、棚価格、特別価格状況および製品範囲グループ化などを含む）を特定することなどによってそこから買い物メタデータ（製品、通路、棚などを含む）を確認することができるように、買い物関連ドキュメント（製品パッケージラベル、通路ラベルおよび棚タグ／チケットなどを含む）に関するＯＣＲデータを受信してもよい。

さらに、そのような製品の購入を求める関連する特売店を有するあらゆる消費者製品のために、情報制御装置３１７は、そのような製品の情報通知アクション制御装置４２１からの情報通知アクションによりユーザを促してもよく、ここでは例えば、その促しは、ユーザが特定の製品の画像をキャプチャしたら、ユーザが今後の買い物に対してクレジット報酬を請求する資格を有することをユーザに知らせてもよい。

次に図７を参照すると、システム２００の特徴および機能性を示す例示的なユーザ事例シナリオ７００が示されている。なお、シナリオ７００は単に例示であり、必ずしも技術的限界がそれに応じてシステム２００の全ての実施形態に与えられるべきではない。さらに、例示的なシナリオ７００では、店内消費者行動イベントメタデータ４２５は円で示されており、データ検証アクション制御装置４２０からのデータ検証アクションは平行四辺形で示されており、情報通知アクション制御装置４２１からの情報通知アクションは矩形で示されており、製品提案アクション制御装置４１９からの製品提案アクションは楕円形で表されており、データモデル２０１へのデータ更新は六角形で示されている。

次に、シナリオ７００は工程７１２で開始し、ここではユーザＡは、自宅にいる際に地元店１のために価格またはバーコードを含まない「ＨＰソース１２０ｇ」を買い物リストに追加する。イベント７１２はその後にシステム２００に第１のアクション７１３を含むデータ検証制御装置３１３からの一連のデータ検証アクションをトリガーさせてもよく、ここではシステム２００はデータ検証要求７１３を他の消費者電子装置２１３に送信して、最近同じ製品を買ったユーザに価格を求める。代わりまたは追加として、アクション７１４は他の消費者電子装置２１３に送信して最近同じ製品を買った他のユーザにバーコードを要求してもよい。

データ検証アクション７１３、７１４を受信したら、ユーザＢの電子装置はイベント７１６を生成してもよく、ここではユーザＢは自宅にいる際に彼らの買い物レシート上の価格記載の写真を用いて当該品目の価格を更新する。従って、イベント７１６はさらに、システム２００にデータ更新７１７を行わせて、提供された価格設定情報で当該品目の価格を更新させるが、価格が「未確認」であることを表すフラッグを設定させてもよい。さらにシステム２００は次いで、データ検証アクション７１８を開始してデータ検証アクションを生成し、他のユーザの他の電子装置からの価格設定確認を要求し、例えば彼らの買い物レシート上の価格記載の写真がデータ検証アクション７１３からの製品および価格に一致することを確認してもよい。

さらに、製品追加イベント７１２を行った（当該製品に一致する検索用語をタイピングすること、当該製品パッケージの画像をキャプチャすること、またはそのバーコードをスキャンすることなどによって）ユーザＡの場合、システム２００はＡＩによって生成される製品提案アクション７１１を生成してもよく、そこでは例えばユーザＡに補完的品目カテゴリ「オーブンベイクドチップス（Ｏｖｅｎ Ｂａｋｅｄ Ｃｈｉｐｓ）」の買い物リストへの追加が推奨され、そこからシステム２００は、機械学習アルゴリズム３２２を利用して「ＨＰソース１２０ｇ」に通常関連づけられているものとして学習した。

イベント７１２はさらに、システム２００がユーザＣが恐らく近いうちに店１内または同じ通路内にいることを決定したという理由で、ユーザＣの消費者電子装置２１３のためにシステム２００に価格要求データ検証アクション７１５を開始させてもよい。そのような予測は、消費者行動イベントおよび位置メタデータ４０４を含む様々なイベントメタデータ４０２で訓練されている機械学習アルゴリズム３２２によって生成されてもよい。

価格要求データ検証アクション７１５を受信したら、ユーザＣの電子装置は、イベント７０１を生成してもよく、ここではユーザＣは店１における価格を例えば１ドルから＄１．３０に更新し、かつ棚価格タグまたはチケットの画像をキャプチャする。それに応答して、システム２００はデータ更新７０２を行って、当該店における価格を更新すると共に、該当すれば同じ小売業者の関連する店の対応する価格設定も更新する（価格の調和）。

さらにデータ検証制御装置３１３は、データ検証アクション制御装置４２０からデータ検証アクションを生成し、かつ確認要求７０３を別のユーザＤの消費者電子装置２１３に送信して当該価格を確認してもよい。ユーザＤが棚の価格が撮影された写真と一致することを確認したら、システム２００は価格確認更新７０５を行う。

さらにイベント７０１に応答して、システム２００は製品提案７０６を開始して、彼らの関連する買い物リスト上に「ブラウンソース（Ｂｒｏｗｎ Ｓａｕｃｅ）」（すなわち品目カテゴリ）を有する本システムの全ての他のユーザに例えば１２０ｇのＨＰソースが特別価格で＄１．３０であることを通知してもよい。この点に関して、情報通知アクション７０７は他の電子装置に送信されてもよい。

システム２００はさらなる製品提案７０８をさらに生成して、彼らの買い物リスト上に「ＨＰソース１２０ｇ」を有する全ての他のユーザに当該品目が店１において特別価格で＄１．３０であることを通知してもよい。なお、イベント７０１において価格を更新するユーザＣによって、システム２００は関連するメタデータを検査することにより、元のユーザが特に価格更新を求めなかったとしても、最初に元のユーザによって追加された品目の新しい価格を元のユーザに通知してもよい。

価格更新イベント７０１は、店１で買い物する可能性があるユーザに現在その店内に少なくとも１人の活発な他のユーザがいることを知らせる情報通知アクション７０９の送信をさらに含んでもよい（これは、価格確認要求および入手可能性要求などの事柄について他のユーザにとって興味のあることであるかもしれない）。ユーザＥが情報通知アクション７０９を受信したら、電子装置２３０は、ユーザＥが店１のＨｕｇｇｉｅｓ社のおむつの価格を知ることを望んでおり、ユーザＣに見つけた場合に５０ポイントをトレードすることを提案するイベント７１９を生成してもよい。それに応答して、システム２００は、データ検証アクション７２０を生成してユーザＣの消費者電子装置２１３に通知を送信してもよい。

イベント７０１はさらに、店２が同じ小売業者によって運営されているという前提で、店２において彼らの買い物リスト上に「ＨＰソース１２０ｇ」を有するユーザに、当該品目が恐らく同様に特別価格で同様に＄１．３０であることを知らせるさらなる製品提案７１０をトリガーしてもよい。

説明のための上の記載は、本発明の徹底的な理解を与えるために具体的な名称を使用した。但し、本発明を実施するために具体的な詳細は必要ではないことは当業者には明らかであろう。従って、本発明の具体的な実施形態の上の記載は例示および説明のために提供されている。それらは網羅的であることも本発明を開示されている正確な形態に限定することも意図していない。つまり、明らかに上記教示を考慮して多くの修正および変形が可能である。これらの実施形態は、本発明の原理およびその実際の適用を最も良好に説明するために選択されて記載されており、それらはそれにより他の当業者が本発明および企図される特定の使用に適するような様々な修正を有する様々な実施形態を最も良好に利用するのを可能にする。以下の特許請求の範囲およびそれらの均等物が本発明の範囲を定めることが意図されている。

Claims (18)

1. データ解釈および関連するアクショントリガーのための店内消費者行動イベントメタデータ集約、データ検証およびその人工知能解析のためのシステムであって、前記システムは、
   少なくとも
   消費者製品ＩＤメタデータ、および
   消費者製品位置メタデータ
   を含む消費者製品メタデータ
   を有するデータモデル
   を含み、
   前記システムは、
   複数の消費者電子装置から店内消費者行動イベントメタデータを受信することであって、前記店内消費者行動イベントメタデータは少なくとも部分的に前記消費者電子装置のそれぞれの表示装置によって表示される買い物リストＧＵＩから導出され、前記買い物リストＧＵＩは消費者特有の消費者製品の一覧表およびその購入を示す関連する購入確認入力を含むこと、
   前記店内消費者行動イベントメタデータを訓練された人工知能アナリティクスエンジンに入力することであって、前記人工知能アナリティクスエンジンは、入力として店内消費者行動イベントメタデータ訓練用データを有する機械学習アルゴリズムを用いて訓練されており、前記機械学習アルゴリズムは少なくとも前記購入確認入力から導出された購入確認データに従って訓練され、前記アナリティクスエンジンは、
   データ検証データ解釈制御装置
   を含むデータ解釈制御装置、および
   データ検証アクション制御装置
   を含むアクショントリガー制御装置
   を備え、
   前記データ検証データ解釈制御装置は前記店内消費者行動イベントメタデータに従ってデータ検証機会一致を特定するように構成されていること、
   前記データ検証アクション制御装置を用いてデータ検証アクションを生成することであって、前記データ検証アクションは前記店内消費者行動イベントメタデータに従って構成されていること、
   データ検証アクション電子通信を前記複数の消費者電子装置の少なくとも１つに送信すること、
   前記データ検証アクション電子通信に応答して前記少なくとも１つの買い物客電子装置から製品データメタデータ応答データを受信すること、および
   前記製品データメタデータ応答データを用いて前記消費者製品データを更新すること
   のために構成されている、システム。
2. 前記データ解釈制御装置は、
   製品提案データ解釈制御装置
   をさらに含み、かつ
   前記アクショントリガー制御装置は、
   製品提案アクション制御装置
   をさらに含み、かつ
   使用時に
   前記製品提案データ解釈制御装置は、前記店内消費者行動イベントメタデータに従って製品提案機会一致を特定するように構成されており、かつ
   前記製品提案アクション制御装置は、前記買い物リストＧＵＩによって表示するために製品提案アクションを生成して送信するように構成されている、請求項１に記載のシステム。
3. 前記製品提案アクションは前記製品提案の店内位置データを含む、請求項２に記載のシステム。
4. 前記店内位置データは通路番号および棚のうちの少なくとも１つを示す、請求項１に記載のシステム。
5. 前記電子装置は店内位置データを検知するためのセンサをさらに備え、かつ前記店内消費者行動イベントメタデータは前記店内位置データをさらに含む、請求項３に記載のシステム。
6. 前記センサは、近距離無線通信センサおよびブルートゥースビーコン（ＢＬＥ）センサのうちの少なくとも１つを含む、請求項５に記載のシステム。
7. 前記電子装置は、製品の画像をキャプチャするための画像センサをさらに備え、かつ製品データは前記画像から導出される、請求項１に記載のシステム。
8. 前記製品データは製品ＩＤおよび製品価格設定データのうちの少なくとも１つを含む、請求項７に記載のシステム。
9. 前記データ解釈制御装置は、
   情報通知データ解釈制御装置
   をさらに含み、かつ
   前記アクショントリガー制御装置は、
   情報通知アクション制御装置
   をさらに含み、かつ
   使用時に
   前記情報通知データ解釈制御装置は、前記店内消費者行動イベントメタデータに従って情報通知機会一致を特定するように構成されており、かつ
   前記情報通知アクション制御装置は前記少なくとも１つの電子装置に通知を送信するように構成されている、請求項１に記載のシステム。
10. 前記データ解釈制御装置は前記機械学習アルゴリズムを用いて最適化されている、請求項１に記載のシステム。
11. 前記アクショントリガー制御装置は前記機械学習アルゴリズムを用いて最適化されている、請求項１に記載のシステム。
12. 前記機械学習アルゴリズムは、前記買い物リストＧＵＩから導出された購入確認入力データに従って前記製品提案制御装置を最適化するように構成されている、請求項１に記載のシステム。
13. 前記機械学習アルゴリズムは、前記製品データメタデータ応答データを受信する確率に従って前記データ検証データ解釈制御装置を最適化するように構成されている、請求項１に記載のシステム。
14. 前記機械学習アルゴリズムは、前記製品データメタデータ応答データのデータ完全性に従って前記データ検証データ解釈制御装置を最適化するように構成されている、請求項１に記載のシステム。
15. 前記機械学習アルゴリズムは、消費者と情報通知プロンプトとの対話に従って前記情報制御装置を最適化するように構成されている、請求項１に記載のシステム。
16. 前記消費者製品メタデータは少なくとも１つの製品カテゴリを含む、請求項１に記載のシステム。
17. 前記製品データメタデータ応答データは製品価格メタデータを含む、請求項１６に記載のシステム。
18. 前記店内消費者行動イベントメタデータは画像データを含み、かつ前記機械学習アルゴリズムは、前記画像データの物体認識を用いて前記製品提案アクション制御装置を最適化するように構成されている、請求項７に記載のシステム。