JP2020537220A - ユーザの外形に基づいて小売店の衣服在庫を最適化するためのコンピュータシステム - Google Patents

Abstract

コンピューティングシステムは、小売店在庫にある衣服のデータベース、ユーザのデータベース、在庫にない衣服のデータベース、およびマッピングのデータベースを備え、マッピングは、ユーザのデータベースの１人以上のユーザを衣服のデータベースの１つ以上の衣服にマッピングし、各マッピングは、その対応するユーザ−衣服ペアの重みを含む。

Description

本開示は、概して、コンピュータデータベースシステムに関する。本開示は、より具体的には、ユーザを衣服と照合して衣服の在庫レベルを決定するために、衣服データベースのフィルタリングおよび検索を実施するための装置および技術に関する。
［関連出願の相互参照］

本出願は、２０１７年１０月９日に出願された「Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ ｆｏｒ Ｏｐｔｉｍｉｚｉｎｇ Ｇａｒｍｅｎｔ Ｉｎｖｅｎｔｏｒｙ ｏｆ Ｒｅｔａｉｌｅｒ Ｂａｓｅｄ ｏｎ Ｓｈａｐｅｓ ｏｆ Ｕｓｅｒｓ」と題する米国仮特許出願第６２／５７０，０３９号の利益を主張するものであり、かつその非仮出願である。

本開示は、データベースのユーザ記録と衣服データベース内の衣服記録との照合に関するが、多数の記録を有するデータベースを効率的にフィルタリング、分類、および照合する必要がある他の分野を全般的に扱い得る。そのようなシステムは、考えられる衣服または装飾品の数が十分に多く、サーバまたはサービスを活用するためにフィルタリングが必要である場合に、小売店に対して好適な衣服および装飾品を識別するオンラインサービスのバックエンドサーバまたはサービスとしての用途を見出し得る。サーバまたはサービスの実用性は、それがデータをどれだけ良好にフィルタリングするか、ユーザに対する応答を計算するのにどれくらいの時間がかかるか、および他の要件に基づいて決定され得る。

サーバシステムでは、小売店在庫に追加する衣服の推奨が決定される。方法は、小売店および場所データとの関連付けを含むユーザアンケートデータを受信することと、ユーザアンケートデータに基づいて、ユーザ外形データおよびユーザプロポーションデータを生成し、ユーザ外形データおよびユーザプロポーションデータをユーザデータベースに記憶することと、ユーザ場所またはユーザデモグラフィックのうちの少なくとも１つに基づいて、ユーザを小売場所に関連付けることと、場所または小売店データに基づいて、ユーザデータをフィルタリングして、小売場所のユーザプールを生成することと、考えられる在庫セットを形成する複数の衣服内の各衣服に対する衣服外形データ、衣服プロポーションデータ、および衣服ＩＤを受信し、衣服外形データ、衣服プロポーションデータ、および衣服ＩＤを衣服データベースに記憶することと、を含み得る。サーバシステムは、ユーザプール内の各ユーザおよび考えられる在庫セット内の各衣服ＩＤに対して、各衣服外形およびプロポーションが、各ユーザ外形およびプロポーションとどれだけ良好に一致するかに基づいて、衣服−ユーザスコアを生成し、すべてのユーザにわたって各衣服に対する衣服−ユーザスコアを集計し、したがって、ユーザプール内のすべてのユーザに関する集計衣服スコアを生成し、特定の閾値を上回る集計衣服スコアを有する衣服のセットを選択し得る。

いくつかの質問の例およびユーザにどのように提示されるかを示す。 一実施形態によるフローチャートを示す。 サプライチェーンを示す。 サーバシステムで使用され得るものなどのコンピュータシステムの一例を示す。 サーバシステムの一部分内など、本明細書に記載の実施形態の要素を実装するためにプロセッサによって使用され得るメモリ要素の一例を示す。

以下の説明において、様々な実施形態が記載される。説明を目的として、実施形態の徹底的な理解を提供するために、具体的な構成および詳細が述べられる。しかしながら、具体的な詳細がなくても実施形態を実践できることも当業者には明らかであろう。さらに、記載されている実施形態を曖昧にしないために、周知の特徴は省略または簡略化されることがある。

一実施形態では、サーバは、いくつかのデータベースを維持するか、またはそれらへのアクセスを提供し、クライアントデバイスおよびシステムからのクエリに応答する。クライアントデバイスは、ユーザがサーバから利用可能な情報にアクセスするために使用し得るブラウザおよびインターネット接続を有するコンピュータであり得る。ここで、「ユーザ」とは、サーバおよびサービスと対話して何らかの操作を実施する人物、または人物として振る舞う自動化されたシステムを指す。

サーバはまた、プログラム機能を実装するために、クライアントデバイスおよびクライアントシステム、ならびに様々なデータベースからのデータを処理するプログラムコードも含む。そのような機能は、ユーザのデータベースの維持、衣服のデータベースの維持、小売店のデータベースの維持、在庫のデータベースの維持、マッピングデータベースの維持、およびデモグラフィックデータのデータベースの維持、在庫のすべての衣服の在庫スコアの維持を含む。メンテナンスアクションは、記録の更新、記録の読み取り、記録の書き込み、記録の削除、およびデータのバックアップを含み得る。サーバはまた、選択プロセスごとに選択された衣服記録から衣服をフィルタリングおよび提示するためのプログラムコード（ここで提示するとは、ウェブページまたは情報をクライアントデバイスに送信することであり得る）、およびデータベースを更新および維持するためのプログラムコードも含み得る。

前述のデータベースなどに提供されるデータ構造には、ユーザ体型およびユーザプロポーションデータのデモグラフィックおよび分布を、それらのユーザに関連する場所にマッピングするデータ構造が含まれる。このデータ構造は、他のモジュールによる単純な処理を提供して、場所ベースの小売店のサプライチェーンおよび他のアクションを決定する。例えば、データ構造を使用して、１つの中心市街地で運営されている小売店は、その都市のユーザが、肩幅が広いかもしくは概して背が高く、または砂時計体型である比率が高い傾向があることを、データ構造から決定することができる。これにより、サプライチェーンの処理が高速化され、単純化され、かつ／またはより信頼できるようになり得る。

ユーザのデータベースは、ユーザの詳細を含むユーザごとのユーザ記録で構成され得る。いくつかの実施形態では、ユーザ記録は、アンケートデータまたはアンケートから得られた外形データを含む。特定の例では、データは、各ユーザを、９つの体型列挙値のうちの１つ、ならびに肩、胴体、身長、および体重の比率の３つのオプションのうちの１つを有しているとして特徴付けるデータを含む。

衣服のデータベースは、衣服に関するデータを含み得る。衣服は、文脈上、人物が着用する商品を含み得るがあるが、このことは、人物が着用または携帯し得る装飾品および他の商品にまで拡大されると理解されるべきであり、その衣服記録で識別される衣服の定性的詳細を含む衣服ごとの衣服記録を有する。いくつかの実施形態では、衣服記録は、ビン分割された定量的データを含み得る。

小売店のデータベースは、小売店に関する詳細を含む小売店ごとに１つの記録で構成され得る。一実施形態では、詳細は、小売店の場所（複数可）を含む。別の実施形態では、小売店の各場所は、所属先の小売店を識別するための独自のエントリおよびＩＤを有する。デモグラフィックデータは、場所または小売店に関連付けられ得る。

在庫のデータベースは、一実施形態では、１つの場所に固有の在庫を有し得る。別の実施形態では、データベースは、すべての場所の組み合わされた在庫を含む。在庫はまた、在庫に追加される可能性があり得るが、実際には、ある場所の物理的な在庫にない商品も含み得る。記録は、在庫のいくつかまたはすべての衣服の在庫スコアを含み得る。

マッピングデータベースは、複数のマッピング記録を含んでもよく、マッピング記録は、（１）１人のユーザまたは複数のユーザを（２）１つの衣服または複数の衣服に関連付けるデータ、および（３）マッピング記録が参照する、ユーザと衣服との関連付けの重みを含む。

デモグラフィックデータのデータベースは、アンケートからのデモグラフィックデータまたは外部ソースからのデータに基づくデータを含み得る。

［ユーザデータベース］
ユーザデータベースが提供される。ユーザ記録は、ユーザの連絡先情報を含み得るが、地理的な場所、年齢、または職業も含み得る。ユーザに関する定量的データに加えて、ユーザ記録はまた、相対的データおよび定性的データも含み得る。このデータはユーザによって提供されてもよいが、さらに他の方法で取得されてもよい。

相対的データは、他のデータ間の関係を示してもよい。例えば、２つの数値間の比率は、相対的データであり得る。例えば、胴体と足の股下との比率は、相対的データであり得る。相対的データおよび定量的データ（および定性的データの場合もある）は、最大分解能で表されてもよく、しかしまた、またはその代わりに、より少ない分解能またはより多くの値のグループ化を表す「ビン分割された」データで表されてもよい。一例として、ユーザ記録は、身長データ（例えば、１７５ｃｍ、５フィート４インチ、６フィート２．５インチ）、および／またはビン分割された身長（例えば、ＡからＥ（Ａは４フィート６インチ未満であり、Ｂは４フィート６インチ〜５フィート３インであり、Ｃは５フィート３インチ〜５フィート１０インチであり、Ｄは５フィート１０インチ〜６フィート３インチであり、Ｅは６フィート３インチを超える））を含み得る。

ユーザ記録に含まれ得るデータの例は、おそらく９つの体型の標準セットから選択されるユーザの体型である。一般的な場合、体型は列挙値であり、他の列挙値がユーザ記録に存在してもよい。

データは、様々な方法でユーザから取得されてもよい。定量的データは、ユーザに身体測定を行うように求め、ユーザにそれらをクライアントデバイス（スマートフォン、タブレット、ラップトップ、コンピュータなど）に入力させ、サーバにそれらをユーザ記録に記録させることによって取得することができる。ユーザはまた、キオスクまたはタブレットなどの店舗が提供するデバイスで質問に答えてもよい。他のタイプのデータも同様に取得することができる。

相対的データおよび定性的データなどのためのデータ収集の別の方法は、ユーザに一連の画像を表示し、自分に最も似ている画像を選択するように求めることである。例えば、ユーザに胴体／股下の比率が異なる人物の写真をいくつか表示し、ユーザがユーザと同じ相対的データ商品を有していそうな人物であると感じる、１つ以上の写真を選択するように求めてもよい。これにより、ユーザは、自分の股下および胴体の長さが分からないか、またはそれを正確かつ正しく測定できない可能性がある場合に、より堅牢なデータ収集が提供され得るが、ユーザには、胴体／股下の比率に対する各ビンを代表する画像のセットを見て、ユーザに最も似ている画像のセットから１つ以上の画像を選択できるほうがより簡単であり得る。記述子をビン分割することによって、サーバは、不合理な数のエントリを作成する必要なく、ユーザに関する合理的な判断をより簡単に行うことができる。また、ビン分割により、ユーザを、ユーザの関連するデモグラフィックにさらに有意義にグループ化することができる。

さらに別の方法は、サーバに、ユーザに尋ねる一連の質問の表示をクライアントデバイスに送信させることである。例えば、ラジオボタンおよび他の入力フィールドを有するウェブサイトをユーザに表示して、ユーザの回答を取得してもよい。ユーザには、主画像および補助画像、ならびにユーザが「これにより似ている」、「これにいくらか似ている」、および「これにあまり似ていない」を選択するためのラジオボタンのセットが表示され、これにより、ユーザはユーザの基準に適合する補助画像を見ることができる。ユーザは、ラジオボタンから選択することができ、補助画像は変化する。
ユーザは、補助画像を主画像として選択することができる。

プロセスの一例では、サーバは、体型、サイズ、およびプロポーションについての質問などの予備的な質問を尋ねるページをユーザのブラウザに送信する。ユーザの応答を受信すると、サーバは、ユーザが衣類のタイプ（ドレス、ズボン、ジャケット、セーターなど）を選択できるページを生成し、ブラウザに送信する。衣類タイプインジケータを受信すると、サーバは、主画像、補助画像、およびラジオボタンを有するページをブラウザに提供することができる。サーバは、それまでのユーザの応答に基づいて主画像を選択し、同様に補助画像を選択することができる。ユーザのブラウザに表示されるウェブページは、ネックライン、シルエット、長さ、袖、色などの複数の属性の各々について、ユーザが「これにより似ている」、「これにいくらか似ている」、「これにあまり似ていない」を選択するためのラジオボタンのセットを有し得る。ユーザがラジオボタンを選択すると、サーバは、ユーザが指定した好みにより適合するように、様々な補助画像でページを更新することができる。

ユーザが補助画像をクリックすると、サーバは、次いで、それを主画像にし、サーバはプロセスを繰り返すことができる。ユーザは、次いで、主画像に表示されている商品を購入するオプションを選択するか、またはそれに関する詳細情報を取得することができる。

プログラミングモジュールを含むサーバシステムを使用して、これらの機能を実装することができる。サーバシステムは、本明細書に記載のようなデータベース、ユーザデバイスとインターフェースするネットワークインターフェース、および他のコンポーネントを含み得る。サーバシステムによって実行されるソフトウェアは、小売店在庫に追加される衣服の推奨を生成するための方法を実施するソフトウェアを含み得る。

この方法は、小売店との関連付けおよび位置データを含むユーザアンケートデータを受信すること、またはユーザデータを受信する他の方法を含み得る。サーバシステムは、次いで、ユーザデータに基づいてユーザ外形データおよびユーザプロポーションデータを生成し、ユーザ外形データおよびユーザプロポーションデータをユーザデータベースに記憶する。サーバシステムは、ユーザ場所またはユーザデモグラフィックのうちの少なくとも１つに基づいてユーザを小売場所に関連付け、場所または小売店データに基づいてユーザデータをフィルタリングして、小売場所のユーザプールを生成してもよい。考えられる在庫セットを形成する複数の衣服の各衣服の衣服外形データ、衣服プロポーションデータ、および衣服ＩＤを受信し、衣服外形データ、衣服プロポーションデータ、および衣服ＩＤを衣服データベースに記憶することによって、サーバシステムは、ユーザプールの各ユーザおよび考えられる在庫セット内の各衣服ＩＤについて、各衣服外形およびプロポーションが各ユーザ外形およびプロポーションとどれだけ一致しているかに基づいて、衣服−ユーザスコアを生成し、すべてのユーザにわたって各衣服の衣服−ユーザスコアを集計し、これにより、ユーザプール内のすべてのユーザに関する集計衣服スコアを生成することができる。これから、サーバシステムは、ユーザ用のウェブページなどのカスタマイズされたインターフェースを生成するために必要となり得る、特定の閾値を上回る集計衣服スコアを有する衣服のセットを選択することができる。

サーバシステムは、小売店および場所データとの関連付けを含むユーザアンケートデータを受信することと、ユーザアンケートデータに基づいて、ユーザ外形データおよびユーザプロポーションデータを生成し、ユーザ外形データおよびユーザプロポーションデータをユーザデータベースに記憶することと、小売場所（複数可）に関する現在の在庫情報を受信することであって、現在の在庫情報が、各衣服に対する、衣服外形、衣服プロポーション、および衣服ＩＤを含む衣服データを含む、受信すること、ならびに衣服データを在庫データベースに記憶することと、ユーザを場所によってフィルタリングして、小売店の小売場所への近接度に基づくフィルタを使用して、フィルタリングされたユーザサブセットを作成することと、フィルタリングされたユーザサブセットを集約して、小売場所の外形プロファイルを構築することと、によって、小売店在庫に追加される衣服の推奨を生成することができる。サーバシステムは、フィルタリングされたユーザサブセットの各ユーザおよび在庫データベース内の各衣服ＩＤに対して、各衣服の衣服外形データおよび衣服プロポーションデータが、フィルタリングされたユーザサブセット内の各ユーザのユーザ外形データおよびユーザプロポーションデータとどれだけ良好に一致するかに基づいて、衣服−ユーザスコアを生成し、在庫データベース内のすべての衣服にわたって各ユーザに対する衣服−ユーザスコアを集計し、したがって、在庫データベースに関する集計ユーザスコアを生成し得る。

サーバシステムは、次いで、集計ユーザスコアが閾値を下回るサービスが不十分なユーザのセットを識別し、考えられる在庫セットを形成する複数の衣服内の各衣服の衣服外形データおよび衣服プロポーションデータを受信し、各衣服が、衣服ＩＤを有しており、衣服外形データおよび衣服プロポーションデータを衣服データベースに記憶することができる。サーバシステムは、サービスが不十分なユーザのセット内の各ユーザおよび考えられる在庫セット内の各衣服ＩＤに対して、各衣服外形およびプロポーションが、サービスが不十分なユーザのセット内の各ユーザ外形およびプロポーションとどれだけ良好に一致するかに基づいて、第２の衣服−ユーザスコアを生成して潜在的な衣服−ユーザスコアセットを形成し、潜在的な衣服−ユーザスコアセット内の第２の衣服−ユーザスコアを集計し、潜在的な衣服−ユーザスコアセットから所与の閾値を上回る衣服ＩＤを選択することができる。

本明細書に説明するように、サーバシステムは、小売店在庫に追加される衣服の推奨を生成するための方法を実施することができ、方法は、外形データが利用不可能である小売場所を取り巻く母集団に関するデモグラフィック情報を受信することと、外形データを有する他の小売場所を取り巻く母集団に関するデモグラフィック情報を受信することと、類似のデモグラフィック情報を有する小売場所を選択し、小売場所に関連付けられている各ユーザのユーザ外形データおよびユーザプロポーションデータを取得し、ユーザ外形データおよびユーザプロポーションデータをユーザデータベースに記憶することと、考えられる在庫セットを形成する複数の衣服内の各衣服に対する、衣服外形データ、衣服プロポーションデータ、および衣服ＩＤを受信し、衣服データベースに記憶することと、ユーザデータベース内の各ユーザおよび衣服データベース内の各衣服ＩＤに対して、各衣服の衣服外形データおよび衣服プロポーションデータが、ユーザデータベース内の各ユーザのユーザ外形データおよびユーザプロポーションデータとどれだけ良好に一致するかに基づいて、衣服‐ユーザスコアを生成することと、すべてのユーザにわたって各衣服に対する衣服‐ユーザスコアを集計し、したがって、ユーザデータベースに関する各衣服に対する集計衣服スコアを生成することと、特定の閾値を上回る集計衣服スコアを有する衣服のセットを選択することと、を含む。

図１は、いくつかの質問の例およびそれらがユーザにどのように提示されるかを示す。ユーザには、一連の定性的質問（例えば、一般的な質問に回答するか、または例から特徴を識別するように尋ねること）、相対的質問（例えば、特定の測定値の異なる比率を示す画像から選択するか、またはユーザの比率を入力すること）、および特定の値を尋ねる定量的質問を尋ねてもよい。

ユーザのデータ入力（測定値、質問への回答など）に応じて、サーバは、ユーザ記録にデータの様々なフィールドを入力することができる。定性的フィールドは、ユーザの観点からより簡単に分類可能であってもよく、というのも、ユーザは、自分自身に関する特定の測定値を知ることを要求されないか、またはその情報を提供する意思が低いかもしくは提供できないためである。多くのユーザは、必要なツール（巻尺など）を利用できず、利用できたとしても、多くのユーザは、それらのツールを正確に適用する方法を知らない。したがって、腰の周囲などの特徴を尋ねる代わりに、ユーザに、胴体の長さと比較した脚の長さなどの相対的な特徴について尋ねてもよい。この特徴は、ユーザの股下および胴体を測定し、比率を計算することによって見出すことができるが、より完全および／または堅牢なデータを提供して、様々なビンを表す画像から選択するようにユーザに求めることができる。

衣服についても同じことが言える場合がある。ベンダは衣服に関する様々なデータを有していることがあるが、本明細書に記載されるプロセスを実装するために、サーバシステムが必要とし得るデータフィールドのすべてをコンピュータが読み取り可能な形式で有している可能性は低い。特徴のデータフィールドが定性的および／または離散的である場合、サーバシステムは、衣服の画像を考えられる値の各々のモデルと比較し、衣服に最も一致する値を選択することができる。教師付き画像分類を使用して、定性的特徴の衣服記述子ベクトルを提供してもよい。定量的特徴は、衣服の寸法によって提供されてもよい。記述子ベクトルの寸法の一例は、１２のオプション（Ａライントラペーズ、コクーンバブル、コラムシフト、フィットフレア、フィットニットストレッチボディコン、ジャンプスーツロンパース、シース、トランペットフィッシュテール、チューリップ、ブルゾンストレート、ブルゾンフレア）があるドレスシルエットまたは１５のオプションがある襟ぐりである。各記述子ベクトルは、衣服を特徴付ける１つ以上のそのような寸法を含むか、または表す。

ユーザ記録に存在するデータ項目のいくつかのセットは、記述子とみなすことができ、複数の記述子は、そのユーザの記述子ベクトルを表すことができ、つまり、ユーザ記録の各フィールド、列などは寸法に対応し、所与のユーザ記録のそのフィールド、列などの値は、そのユーザ記録およびその寸法のベクトル成分値である。表１は、使用され得るいくつかの記述子寸法の一例を示す。

ユーザ記録データから、ユーザを異なる方法でグループ化またはフィルタリングすることができる。ユーザ記録から、サーバは、ユーザの連絡先情報フィールドで指定された地理的領域に基づいて選択するなど、従来のデモグラフィックを使用して、ユーザをデモグラフィックにフィルタリングすることができる。サーバはまた、ユーザの記述子ベクトルに基づいて、ユーザをデモグラフィックにフィルタリングすることもできる。例えば、サーバは、ユーザのクライアントデバイスに送信する推奨をコンパイルしていることがある。そうするために、サーバは、ユーザの記述子ベクトルに類似する記述子ベクトルを有するユーザ記録について、ユーザデータベースを検索する。これらの記述子ベクトルは、事前に計算された様式で記憶されてもよく、またはその場で計算されてもよい。ユーザデータベース内のユーザと別のユーザとのペアごとに、２人のユーザの記述子ベクトル間の「距離」が計算され、閾値内の距離を有するそのようなユーザのグループが決定され得る。いくつかの実施形態では、ユーザデータは外形データおよびプロポーションデータを提供する。

ベクトル間の「距離」を計算するために、様々な手法が取られてもよい。一実施形態では、知識ベースは、「距離」の基準として機能する。例えば、肩幅の狭い人は、肩幅の広い人よりも平均的な肩幅を有する人により近いことになる。

「類似」ユーザ（ベクトルの差によって決定される類似性を有する）のグループから、サーバは、ユーザのグループの過去の購入履歴を考慮し、その商品の履歴を有するグループ内の他のユーザの数、およびそれらのユーザが有する対話履歴のタイプ（例えば、購入した、気に入った、閲覧した、または他の製品インタラクション）に基づいて、購入商品をスコア付けし、ユーザに表示する商品を見つける。異なる商品は、ベクトル距離に基づいて加重され得るため、より類似した記述子を有する別のユーザには、あまり類似していないユーザの記述子よりも高い重みが与えられる。

記述子ベクトルの場合、寸法はすべて、行われている推奨に関連性が高く、値は、最も関連性のあるカテゴリにビン分類されるため、グループ化は有意義であるが、有意義ではない差（５フィート１インチ対５フィート２インチなど）に基づいてユーザを排除することはない。これは、少数のユーザで推奨を行うときに特に役立つ。

一実施形態では、ユーザは、小売店に関連付けられている。例えば、ユーザが小売店の場所でアンケートに記入すると、ユーザは、その小売店およびその小売店の場所に関連付けられ得る。ユーザがオンラインで買い物をしていて、小売店のウェブサイトでアンケートに記入する場合、ユーザは、その小売店に関連付けられ得る。ユーザが商品を発送する場合、ユーザの住所を使用して、ユーザを小売店の最寄りの場所に関連付けることができる。

質問への回答を使用して、ユーザの外形データまたはプロポーションデータを作成し、集計して、様々な母集団の外形プロファイルを構築することができる。データは、小売店の店舗の場所のレベルで、または小売店のすべての場所にわたって集計されてもよい。ユーザ（例えば、顧客）を場所によって集計するときに、その場所は、店舗または倉庫への近接度に基づいていてもよい。距離に長いカットオフが存在する場合、または距離によってユーザが加重される場合がある。これにより、小売店は、顧客ベースの外形プロファイルを構築することができる。一実施形態では、顧客に同じ重みが付けられてもよい。別の実施形態では、顧客は、例えば、月、四半期、または年に小売店でいくら費やすかに応じて加重されてもよい。顧客は、最後の購入からの時間、または最後の購入からの時間に基づいて重みを減らし、購入金額を考慮に入れる関数、例えば、購入金額を掛けた線形または指数関数的減衰関数によって加重されてもよい。ユーザデータは、民族、年齢などのデモグラフィック要因によって集計されてもよい。このデータを他のデータと組み合わせて、小売店がどの衣服を在庫に保管するかについて在庫決定を行うのを支援することができる。

［衣服データベース］
衣服記録を含む衣服データベースが提供される。衣服記録は、定量的データ、相対的データ、定性的データなど、特定の衣服の詳細を含み得る。このデータは衣服メーカによって提供されてもよいが、さらに他の方法で取得されてもよい。

衣服記録に含まれ得るデータの例は、スタイル、タイプ、色などである。いくつかのデータは、ビン分割された値、および定性的列挙値である。ベンダは、衣服に関する様々なデータを有してもよく、ベンダが提供する衣服に必要な定性的値を提供してもよい。特徴が定性的であるか、またはいくつかのグループにビン分割される場合、レビュアは衣服の画像をモデルと簡単に比較して、衣服の定量的値を指定してもよい。このようにして、教師付き画像分類を使用して、衣服データベースにデータを取り込み、衣服外形および衣服プロポーションを含む衣服記述子ベクトルを提供することができる。衣服記録に存在するデータ項目のいくつかのセットは記述子とみなすことができ、複数の記述子は、その衣服の記述子ベクトルを表すことができる。

特定の例では、ドレスの衣服記録は、衣服ドレスを販売するベンダ、名称、衣服の色の内訳（例えば、衣服の赤色が５０％であって青色が５０％であり、または衣服の＃ＦＦ３２１４色が５０％であって＃１２ＦＦ３４色が５０％である）、その衣服のｐｄｐへのリンク、およびベンダからの他のメタデータ（サイズの可用性、サイズのグループ、価格など）、その衣服の画像のセット、これらの画像内の人々の推定ポーズ、ならびにシルエット、襟ぐり、肩幅、腰位置、ボディストリートメント、スカート丈、トップパターン、ボトムパターン、仕上げ、織物構造（上）、織物構造（下）、袖、および他のメタデータに対する分類などの、いくつかの形式の識別子を含む。

ユーザ記録と同様に、衣服記録は、衣服記述子ベクトルを使用することによってなど、様々な方法でグループ化またはフィルタリングすることができる。これらの記述子ベクトルは、事前に計算された様式で記憶されてもよく、またはその場で計算されてもよい。

衣服データベースは、「Ａライン」および他の外形などの外形のためのフィールド、ならびに「Ｖネック」および他の特徴などの特徴のためのフィールドを有してもよい。概して、衣服データベース内の衣服記録は、主に、定性的フィールドを使用して衣服を表すことがある。これは、自動化されたプロセスによって衣服記録を分類することを可能にし得る。衣服のこの定性的データは、視覚的な分類を表す衣服の記述子ベクトルを生成することによって、教師付き画像分類プロセスと組み合わせることができる。いくつかの実施形態では、衣服データは、外形データおよびプロポーションデータを提供する。

ユーザの衣服データをフィルタリングすることは有用である。１つには、衣服データベースのフィルタリングおよび検索により、ユーザが検討する必要のある衣服の数が減る場合がある。別の有用な機能は、衣服のデータ要素およびユーザの特徴を表すデータに基づいて、そのユーザにとって望ましくない可能性があるか、または適合性が低いと決定され得る衣服をフィルタリングして除外することである。

フィルタリングは、知識ベース、すなわち、「ピンク色と一緒に黄色を着用するはずはない」または「Ｖネックの衣服は広い肩幅を実物より良く見せる」などの説明を要約するルールの大規模なデータベースに基づいて実施されてもよい。これらのルールは、データ構造内に記憶された数値の重みで表すことができる。例えば、広い肩幅にはＶネックのスコアは１０であり、一方、クルーネックのスコアは−２である。

［小売店および小売店在庫］
位置情報を有する小売店在庫データベースが提供される。小売店記録は、小売店の場所を含むことができ、次に、場所記録は、場所を含み得る。小売店は、小売店が扱っているすべての衣服の在庫である在庫データベースを有してもよい。この在庫はまた、場所によって分類されてもよい。代替的に、小売店は、小売店が仕入れることを考えているすべての衣服を有する、考えられる在庫を有してもよい。

［マッピングデータベース］
サーバは、ユーザ、衣服、小売店、在庫、およびマッピングのモデルを維持する。ユーザインタラクション（購入、ショッピングカートへの追加、好み、閲覧、または他の製品インタラクションなど）を使用して、ユーザおよび衣服の特徴または他の商品の特徴に基づいて、一般的なユーザ嗜好の加重モデルを更新することができる。この加重モデルは、線形回帰または強化学習を使用してもよい。この加重モデルは、加重方式で適用することができ、重みは、特定の特質を有するユーザと特定の特質を有する衣服とのインタラクションが、その特質のインタラクションに対してモデルの嗜好を高める場合のユーザ行動に基づいて更新される。重みは、ユーザが特定の特徴を有する確率、および衣服が特定の特徴を有する確率に対応し得る。異なるインタラクションは、同じようにまたは異なるように加重されてもよい。例えば、製品の購入は、製品をカートに追加するよりも重く加重されてもよい。衣服およびユーザに基づいてモデルを更新すると、ユーザも商品も購入履歴を有しない場合でも、サーバは、一定時間にモデルにアクセスして、特定のユーザおよび商品をそれらの特徴に基づいて評価することが可能になる。いくつかの実施形態では、特定のユーザが特定の衣服とインタラクトする確率を計算するために重みが使用されてもよい。

ユーザデータベース、衣服データベース、およびマッピングデータベースは、基本的に、ユーザと衣服との間の加重マップを提供する知識ベースとして使用することができる。ユーザ−衣服ペアの場合、加重値が存在し得る。この加重値は、ファッション専門家の入力に基づいていてもよい。各加重値は数値であり、必ずしも整数値ではなく、また−ｉｎｆｉｎｉｔｙ（このマッピングを行わない）および＋ｉｎｆｉｎｉｔｙ（常にこのマッピングを行う）を表す値も有し、ここで、０は中間の重みを表す。

衣服は、ユーザに適用される重みの合計に基づいて、ユーザごとにスコア付けすることができる。ユーザの場合、ある閾値（中間など）を上回るスコアか、またはより良好なスコアを有する衣服がユーザに表示され得るが、閾値を下回るスコアの衣服は処分される。マッピングデータは、ユーザの購入データまたは衣服インタラクションデータに基づいて更新されてもよい。例えば、インタラクションデータは、購入、ショッピングカートへの衣服の追加、衣服の好み、衣服の閲覧、または他の製品インタラクションを含み得る。異なるタイプのインタラクションは、スコア付けが異なっていてもよい。このスコア付け構造では、フィルタリングおよび他のプロセスは、ユーザと衣服との特定のペアリングを一定時間で評価できるという利点を有しており、Ｏ（ｎ）時間でユーザに衣服のセットを生成でき、ここで、ｎは衣服の数であるが、他のアプローチは通常、Ｏ（ｎ＊ｍ）またはそれよりも長い時間で実行され、ここで、ｍはユーザの数である。

他のフィルタリング方法は、コンテンツベースの、協調的でデモグラフィックなフィルタリングである。

［ユーザ−衣服モデル］
本明細書に記載のシステムは、ユーザ−衣服データを処理し、トレーニングプロセスを通じてユーザ−衣服モデルを生成するソフトウェアでプログラムすることができる。トレーニングプロセスの後にユーザ−衣服モデルを記憶することができ、ユーザ−衣服データに基づいて結果を予測しようと試みる他のプロセスでユーザ−衣服モデルを使用することができる。モデルは単独で使用され得るか、または内容領域専門家モデルと組み合わせて使用され得る。モデルは、体型からデザインの詳細までマッピングする（上記で参照した肩と襟ぐりとの比較など）重みの大きなセットとして記憶されてもよい。

一実施形態では、モデル化システムは、マトリックスまたはニューラルネットワークを使用して、回帰を実施するか、またはトレーニングプロセスでＲＡＮＳＡＣモデルを処理して、どの衣服がユーザインタラクション（例えば、購入、ショッピングカートへの追加、好み、閲覧、または他の製品インタラクション）を引き起こす可能性が最も高いかを予測するために使用されるユーザ−衣服モデルを生成してもよい。この実施形態では、知識ベース（ユーザデータベース、衣服データベース、およびマッピング）の重みは、肩−襟ぐり、袖−肩などのユーザアクションに最も適合するように定期的に最適化される。

このアプローチは、ユーザが特定の方法、例えば、追加の詳細を閲覧する、製品ページから衣服をショッピングカートに追加する、衣服を購入するなどで、衣服とインタラクトするであろうかどうかを予測するために両方に機能する。より一般的なレベルでは、モデル化システムは、ユーザが衣服に興味があるかどうかを決定する。これは、製品ページに質問を提示するか、またはユーザにアンケートを提示することによってテストしてもよい。

製品をショッピングカートに追加するなどの特定のアクションを予測するようにモデルがトレーニングされている例では、同様のインタラクションのみが使用され得る。モデル化システムで使用可能であり、ユーザが衣服をショッピングカートに追加するであろうことを示すモデルは、衣服が実際にショッピングカートに追加されたインタラクションにのみ重みを与えてもよい。代替的に、すべてのインタラクションを使用できるが、重みは異なり得る。ショッピングカートに追加することは、最大の重みとしてみなされ、購入することは、より少ない重みを加えることになるが、依然として肯定的である。ユーザが一時的に商品ページを閲覧したが、そこをすぐに離れてしまうなど、いくつかのインタラクションは否定的に加重され得る。代替的に、そのようなインタラクションは、依然として肯定的であることもあるが、ほんの少しだけである。

重みは購入意向の違いを反映し得る。例えば、システムを使用している人の５％のみがカートに何かを追加し、カート内の商品の９９％が購入された場合、ユーザがカートに商品を追加したときに最も多い情報が得られる。したがって、場合によっては、カートに追加するアクションは、チェックアウトするアクションよりも強い肯定的な指標になり得る。当然のことながら、カート内の商品を放棄する（またはそれを削除する）ことは否定的な指標となるため、カートに商品を追加して購入する完全なプロセスは、カートに追加して購入しないことより強い肯定的な効果を有する。

より一般的なケースでは、インタラクションの重要性に基づいて、インタラクションの各タイプに重みを割り当てることができる。例えば、重みの減少は、購入、ショッピングカートへの追加、好み、および閲覧に使用することができる。特定の外形のユーザが特定の外形の衣服を好むかどうかを予測する際に、同様の外形の衣服の購入は、強い肯定的な指標になるが、インタラクションのない製品ページの一時的な閲覧は、ユーザが表示された衣服に対応する外形を好まなかったことを示す弱い否定的な重みになる。他のモデルでは、それは、インタラクションの弱い肯定的な形態であり得る。単純化された実施形態では、どの程度の製品インタラクションが存在したかに関係なく、すべての重みは同じであってもよい。

重みの導出方法に関係なく、加重回帰または加重ＲＡＮＳＡＣを使用して、ユーザインタラクションを予測する最も適合するモデルを見つけてもよい。これにより、小売店は、あるユーザに類似した特徴を有する他のユーザが衣服または製品と多くのインタラクションを有していなかった場合、最も適合する衣服または製品をユーザに提示するか、または場合によってはユーザに助言することができるようになる。

ライブアクセスまたはほぼ瞬時のアクセスなど、データへの高速アクセスが必要な場合は、移動平均フィルタを使用してもよい。このモデルはまた、計算が複雑ではないモデルが望まれる場合にも有用であり得る。指数加重移動平均フィルタは、上述のＲＡＮＳＡＣまたは回帰法などの他の方法よりも計算が高価でなくなる場合がある。移動平均フィルタは、新しいトレンドにより迅速に応答することもある。これは、トレンドを特定することがいかに重要であるか、および偽陽性にどれだけ費用がかかるかによって、望ましい場合と望ましくない場合がある。上記の実施形態と同様に、重みは、重要なまたは重要ではないインタラクションに使用されてもよい。製品とのユーザインタラクションごとに、そのインタラクションの予測に影響を与えるすべての重みは、式１に示すように更新され得る。
（式１）

式１中、ｗｅｉｇｈｔ_ｎｅｗは、インタラクション後の新しい重みであり、ｗｅｉｇｈｔ_{ｃｕｒｒｅｎｔ}は、インタラクション前の重みであり、ｓｉｇｎｉｆｉｃａｎｃｅ＿ｖａｌは、インタラクションの強度に対応する０〜１の数であり、Ｎは、新しいデータに対する応答性を決定し、ここで、より大きいＮは、より長いテール（新しいデータに対する応答性が低い）を使用することを表しており、ｓｉｇｎは、インタラクションの肯定性または否定性に応じた正の単位（＋１）または負の単位（−１）である。例えば、購入は、ページ閲覧（例えば、０．１）よりも高い有意値（例えば、０．９）を有し得る。戻り値は、符号に負の値を有し得る。いくつかの実施形態では、製品が好みではないことを示す一時的なページ閲覧の直後にページを離れることは、負の符号を有し得る。

値は手動で提供することもできるが、購入意向の違いから最適に計算される。そのため、ユーザが購入する可能性が１０％高くなった後のアクションは、購入する可能性が５％だけ高いアクションの２倍の重みを有し得る。

モデル化システムは、回帰、ＲＡＮＳＡＣ、加重移動平均、または別の技術を使用してモデルを生成し得る。内容領域専門家などの評価者は、重みを３．０から２．５または０から−０．５に移動して、ユーザに表示される推奨結果を定性的に向上させることによってなど、モデルの重みおよび他の側面を調整または評価してもよい。

［ブラウザプラグインの実施形態］
本明細書に記載のシステムの態様は、サーバとブラウザプラグインとの組み合わせの形態で実装されてもよい。このようなアプローチにより、ブラウザプラグインは、本来はそのような機能を提供しない電子商取引ウェブサイトで使用するためのプラグインとしてのモジュールを用いて、製品のブランドの品揃えをキュレーションして、買い物客にとって見栄えの良いものを買い物客にパーソナライズして推奨する方法を提供することができる。

プラグインは、サーバで、またはプラグインを実行するクライアントコンピュータの一部で機械学習および知識ベースのシステムを使用して、ユーザの体型およびプロポーションに基づいてパーソナライズされたブティックを各ユーザに生成することができる。

サーバは、定量的データおよび機械学習を使用して、ブランドの品揃えのデザインの詳細を分類し、それによって、買い物客の体型を引き立てるであろう衣類のキュレーションされたブティックを構築してもよい。プラグインは、買い物客にブランドの在庫を分類するために使用できるシステム情報を提供するために、短い視覚的なアンケートに回答するように、買い物客に促すことができる。

プラットフォームは、ブランドの製品開発、予測、およびローカリゼーションの向上もサポートすることができる。プラットフォームは、ＡＩを使用して、色、パターンによって類似した衣類を視覚的に検索して見つけ、さらには、機会によって組み合わされて自動で服飾品を付けられされ得る大量の服装の組み合わせを構築する他のモジュールを含むことができる。このプラットフォームを使用して、電子商取引プラットフォームを有する小売店および小売店パートナーは、パーソナライズされた発見をシームレスに統合するオンラインショッピングを提供し、各ユーザの体型およびとプロポーションに最適なパーツおよび服装を推奨し、機会、色、およびパターンなどで分類するフィルタを用いて服飾品のコーディネートを生成することができる。

［サーバプロセス］
衣服記述子の各寸法について、サーバは、分類子を維持してもよい。３つの考えられる値（足首、ふくらはぎ、およびロング）を有するブーツの記述子を例に取ると、画像分類プロセスは、既知の値を有する画像のセット、例えば、足首ブーツの画像のセット、ふくらはぎブーツの画像、およびロングブーツの画像のセットを受け渡される。これらのセットごとに、画像のタイプのモデルが作成される。一実施形態では、考えられる値を区別するために、畳み込みニューラルネットワークなどのモデルが作成される。新しいブーツが衣服データベースに追加されたとき、新しいブーツの画像がモデルに従って評価され、その寸法の値は最も高くランク付けされたオプションによって決定される。一例として、新しいブーツは、足首、ふくらはぎ、およびロングのモデルに従って評価され、その寸法の新しいブーツの値は最も適合するモデルによって決定される。このプロセスを記述子の各寸法に適用して、完全な記述子ベクトルを生成することができる。記述子が定性的であり、離散的な可能性の有限セットを含む場合、分類子は各寸法に簡単に使用することができる。

サーバを実装するコンピュータシステムは、衣服データベースから最も有望な衣服をユーザに提示する方法を学習しながら、多数のユーザおよび多数の衣服を管理することができる。これは、ユーザが自分に合った衣服を見つけることができるオンラインストアの状況で有用であり得る。

ユーザの身長をビン分割することができ、ビンをデモグラフィックフィルタリングに使用して、ユーザのサブセットのアクション／行動の指示、例えば、「ビン／カテゴリ内の他のユーザがＸを購入したまたは気に入った」ことを示すことをユーザに提供できる。ユーザの身長に加えて、デモグラフィックフィルタリングは、体型などの他の身体記述子で実行することができる。

ユーザの購入履歴およびユーザの身長ビン／カテゴリを使用して、他のユーザのサブセットを選択し、最初のユーザに、選択されたサブセット内の他のユーザによってなされた購入に関する提案または情報を提示し、選択されたサブセット外の購入を除外する。他の身体記述子も使用することができる。

デモグラフィックフィルタリングは、以下の方法で使用され得る。サーバが「特別に背の高い人をすべて選び出し、彼らが製品を購入するときに、この特定のブランドのスーツを表示するが、小柄な人には、そのブランドのスーツを表示しない。」というプロセスを割り当てられたと仮定する。これはデモグラフィックフィルタリングの一例にすぎない。

サーバによってサポートされるプロセスでは、ユーザの購入を使用して、一般的なユーザ嗜好の加重モデルを更新する。これにより、ユーザも商品も購入履歴を有しない場合でも、特定のユーザおよび商品を一定時間でモデル化し、評価することができる。

［サプライチェーンおよび在庫管理］
小売店の顧客データを使用して、小売店の場所にわたって外形情報を集計することにより、小売店は、現在の在庫を分析し、在庫に追加すべき衣類を選択して、任意の特定の場所（例えば、店舗または倉庫）の周りの母集団に最適なサービスを提供することができる。一実施形態では、母集団に存在する体型およびプロポーションの考えられる値の各々は、その体型の在庫の各商品に対してスコア付けされる。その特定の体型に対して高くスコア付けされた商品（閾値を超えるか、または上位Ｎ位にスコア付けされた商品）には、その特定の体型を有するその母集団の人数に基づいてスコアが与えられる。次に、その特定の場所の在庫に追加する商品として、最も高くスコア付けされた商品のいくつかのサブセットを選択することができる。スコアに基づいて数量を配分することもでき、また、より高くスコア付けされた商品には数量を増やして注文することもできる。一実施形態では、選択されるサブセットは、閾値の代わりに、または閾値に加えて、その場所の在庫で扱うことができるＳＫＵの数の上限に基づく。

母集団が経時的に変化する場合（すなわち、フロリダの冬季）、母集団外形のトレンドデータを利用して、現在の母集団データだけでなく、在庫がその場所で販売されるであろう時点での予測母集団に基づいて、特定の場所の最良の在庫を予測することができる。過去の販売情報を外形データと組み合わせて、予測を強化することができる。

十分な外形データが利用不可能な場所では、デモグラフィックを使用して外形データを推定することができる。民族、年齢などのデモグラフィックデータを使用して、外形データを推定することができる。場所に関する外形データはまた、同様の小売店の外形プロファイルに基づいていてもよい。小売店にわたるデモグラフィックデータを使用して、１つの小売場所だけでなく、小売店の顧客ベース全体の外形プロファイルを作成することもできる。

外形データを使用して、すべての場所からの注文を集計することによって、注文数量を決定することができる。代替的に、小売店の顧客ベースの母集団のどの部分にサービスを提供するか、およびそのスコアに基づいて注文された数量に基づいて、商品をスコア付けすることができる。

小売店の在庫はまた、場所の母集団（例えば、ある場所から一定の距離内にいるユーザのみを含めることなどによる）または小売店のユーザベース全体に対してスコア付けすることもできる。サービスが提供される母集団の評価は、特定の体型またはプロポーションに対して高くスコア付けするであろう品揃えにおける衣服の数に基づいて生成することができる。小売店の在庫が提供する外形プロファイルのこの分析は、小売店の実際の外形プロファイルと比較することができる。別の実施形態では、外形プロファイルは、小売店が将来サービスを提供したいターゲット外形プロファイル（例えば、母集団全体）と比較することができる。ギャップは、特定の体型またはプロポーションに対するサービスが過多であるかまたは不足していることを示すことになる。サービスが提供される母集団と、その場所の近くにまたはすべての場所にわたって存在する体型の実際の母集団との間にギャップがあることが分かった場合、システムを使用して、在庫から除去するかまたは在庫に追加できる特定の衣服を識別することができる。例えば、体型が過大評価されている場合、すべての衣服に対してスコア付けされることがあり、次いで、過大評価された体型を除去した残りの体型にもスコア付けされることがあり、過大評価された外形に対して高いスコアを有するが、他の体型に対して低いスコアを有する衣服は、除去することができる。同様に、過小評価されている体型の場合、衣服は過小評価されている体型に対して高いスコアを有し、在庫に追加され得る。さらに、サービスが不十分な母集団に望ましい属性を、在庫に追加される新しいデザインに含む属性としてデザイナに推奨してもよい。

一実施形態では、特定の属性に、ターゲット母集団への影響に基づいてスコアを割り当てることができ、ここで、母集団の大部分により高いスコアがもたらされる属性が、高くスコア付けされる。これらの結果は、デザイナがその決定を通知するために使用することができる。

提案在庫も生成することができる。この在庫がサービスを提供する小売店の母集団の割合に基づいて、小売店の母集団に最も適合する１つ以上の衣服を選択することができる。この最初の品揃えは、シードの品揃えと考えることができる。最初の品揃えは、小売店の母集団のサービスが不十分な部分の分析を通じて、その母集団によりサービスを提供するように、衣服を追加および除去することによって改善することができる。このプロセスは、品揃えのサービスが提供された母集団がいくらかの許容範囲内でターゲット母集団と一致するまで繰り返すことができる。この最終品揃えは、提案在庫として使用することができる。一実施形態では、最初のシード品揃えは現在の在庫である。許容範囲内でターゲット集団へのサービス提供を実現するために、最少数の衣服を追加および除去することを優先してもよい。別の実施形態では、シード品揃えは、在庫に多種多様なシルエットを有するなど、小売店の目標を達成するように選択されてもよい。このシード品揃えは、上述したのと同様の方法で分析することができる。小売店は、特定の色または布地のパターンを好み、例えば、小売店は無地の衣服を好むことがあるなど、衣服の追加および除去に制約される場合がある。小売店はまた、品揃えにおける最大数のシルエット、または最大数の異なる布地を可能にするなどの制約を含めることもできる。

図２は、在庫に追加される衣服の推奨を生成するための例示的な方法を示す。この方法はステップ２０１で始まる。ステップ２０２で、ユーザアンケートが受信される。ユーザが小売場所で、または小売店のウェブサイトにおいてオンラインでアンケートに記入する場合、ユーザを特定の小売店または場所に関連付けることができる。このデータを使用して、ユーザデバイスなどから位置データを生成することができる。ステップ２０３で、ユーザアンケートデータに基づいて、ユーザ外形データおよびユーザプロポーションデータが生成される。生成されたユーザ外形データおよびユーザプロポーションデータは、ユーザデータベースに記憶することができる。

ステップ２０４で、ユーザの場所または小売店場所もしくは倉庫に対する近接度に基づいて、ユーザデータをフィルタリングすることができる。ユーザはまた、場所または小売店との関連付けに基づいてフィルタリングされてもよい。場所に基づいたユーザデータのフィルタリングは、メーリングリストなど、場所データの他のソースに基づいて行うことができる。ユーザはまた、ユーザのデモグラフィックに基づいて小売店に関連付けられてもよい。

ステップ２０５で、衣服外形データ、衣服プロポーションデータ、および各衣服の衣服ＩＤを含む、潜在的な衣服の在庫が受信される。いくつかの実施形態では、衣服の現在の在庫が受信されてもよい。衣服の集合は、考えられる在庫セットを形成する。衣服データは、衣服データベース内に記憶される。

ステップ２０６で、各衣服の外形およびプロポーションが各ユーザの外形およびプロポーションとどれだけ良好に一致するかに基づく衣服−ユーザスコアが、ユーザプール内の各ユーザおよび現在の在庫データベース内の各衣服ＩＤに対して生成される。

ステップ２０７で、すべてのユーザにわたって各衣服に対する衣服−ユーザスコアが集計され、したがって、ユーザ母集団に関する集計衣服スコアを生成する。

ステップ２０８で、特定の閾値を上回る集計衣服スコアを有する衣服のセットが選択される。

ステップ２０９で、方法は終了する。

他の実施形態では、衣服外形および衣服プロポーションが、ユーザ外形およびユーザプロポーションとどれだけ良好に一致するかに基づいて、衣服−ユーザスコアが生成される。衣服−ユーザスコアは、すべての衣服にわたって各ユーザに対して集計され、サービスが良好に提供されないユーザまたはサービスが不十分なユーザを識別する。一実施形態では、特定の閾値を下回る集計ユーザ−衣服スコアを有するユーザが、サービスが不十分なユーザセットに追加される。次に、提案されるかまたは考えられる在庫セット内の衣服のセットの衣服外形データおよび衣服プロポーションデータが受信され、サービスが不十分なユーザは、考えられる在庫セットに対してスコア付けされて、潜在的な衣服−ユーザスコアのセットを生成することができる。潜在的な衣服−ユーザスコアは、サービスが不十分なユーザにわたって各衣服に対して集計され、高くスコア付けする衣服を識別することができる。閾値を超える衣服を選択することができる。

別の実施形態では、デモグラフィックデータを使用して、同様のデモグラフィックデータを有する場所または同様のデモグラフィックデータを有する小売店を識別することができる。同様のデモグラフィックを有する場所または小売店からの外形データは、外形データをほとんどまたはまったく有しない場所または小売店に使用することができる。

上記の方法を使用すると、重要度の低いリードタイムでより正確な予測が可能になる。リードタイムへの寄与要因が、図３に示される。新しい在庫を生成するプロセスは、年間を通じて繰り返される場合があるため、より正確な予測が可能になる。これは、予測のリスクを低減し、在庫および廃棄物を削減し、最終的にマージンを増加させることに役立ち得る。上記の分析は、履歴トレンド分析で使用することができる。リアルタイムトレンド分析は、外形または年齢による地域評価を行う場合など、ローカライズに特に有用である。デモグラフィックデータのみに依存すると、精度が低下し得る。一例として、若者は、外形よりもスタイルを選択する場合がある。

サプライチェーンプロセスは、外形およびローカリゼーションデータによって最適化された、サプライチェーンを通じて製品の流れを方向付けるために使用することができるサーバ、データベース、コンピュータ、およびアルゴリズムを使用して管理され得る。

体型の正確な評価を構築するのに十分なデータを蓄積するには、１シーズンまたは数ヶ月かかる場合がある。上述のように、いくつかの地理的領域は主に、静的な母集団を有し、可変の母集団を有する場所よりも迅速に外形データを生成することができる。例えば、フロリダの一部は、移住母集団を有する。移住市場における異なる母集団に関するデータを収集するのに限られた時間しかないため、異なる季節のための外形データを構築するのに時間（例えば、数年）がかかる場合がある。

より高価な衣服が選択された場合、在庫を改善するとコストがより高くなり得、サービスが不十分な母集団をカバーするためにより多くのＳＫＵが扱われることになり得る。これにより、マージンが減少し得るが、より堅調な予測により、小売店は、返品の減少、在庫回転率の向上、割り当ての向上、および売れ残った在庫に起因するマークダウンの減少を伴って、全体的により多くの製品を移動することができるはずである。より良好な予測は、サプライチェーン費用を削減するはずである。

［例示的なハードウェア］
一実施形態によれば、本明細書に記載の技術は、図４に示すように、ファームウェア、メモリ、他の記憶装置、またはこれらの組み合わせ内のプログラム命令に従って、その技術を実施するようにプログラムされた１つまたは汎用のコンピューティングシステムによって実装される。デスクトップコンピュータシステム、ポータブルコンピュータシステム、ハンドヘルドデバイス、ネットワーキングデバイス、または本技術を実装するためにハードワイヤードロジックおよび／もしくはプログラムロジックを組み込んだ他の任意のデバイスなど、特殊用途のコンピューティングデバイスを使用することができる。

例えば、コンピュータシステムは、情報を通信するためのバスまたは他の通信機構を含んでもよく、プロセッサは情報を処理するためにバスに結合され、プロセッサは、例えば、汎用マイクロプロセッサであってもよい。コンピュータシステムはまた、プロセッサによって実行される情報および命令を記憶するためにバスに結合されたランダムアクセスメモリ（ＲＡＭ）または他の動的記憶デバイスなどの主メモリを含む。主メモリはまた、プロセッサによって実行される命令の実行中に一時変数または他の中間情報を記憶するために使用することもできる。そのような命令は、プロセッサにアクセス可能な非一時的記憶媒体に記憶されるとき、命令で指定された操作を実施するようにカスタマイズされた特殊用途機械にコンピュータシステムをレンダリングする。

コンピュータシステムは、静的情報およびプロセッサ用の命令を記憶するためにバスに結合された読み出し専用メモリ（ＲＯＭ）または他の静的記憶デバイスをさらに含む。磁気ディスクまたは光ディスクなどの記憶デバイスが提供され、情報および命令を記憶するためにバスに結合される。

コンピュータシステムは、コンピュータユーザに情報を表示するために、バスを介してコンピュータモニタなどのディスプレイに結合されてもよい。英数字および他のキーを含む入力デバイスは、情報およびコマンド選択をプロセッサに通信するためにバスに結合される。別のタイプのユーザ入力デバイスは、マウス、トラックボール、または方向情報およびコマンド選択をプロセッサに通信し、ディスプレイ上のカーソルの動きを制御するためのカーソル方向キーなどのカーソル制御デバイスである。この入力デバイスは、通常、デバイスが平面内の位置を指定できるように、第１の軸（例えば、ｘ）および第２の軸（例えば、ｙ）の２つの軸に２つの自由度を有する。

コンピュータシステムは、カスタマイズされたハードワイヤードロジック、１つ以上のＡＳＩＣまたはＦＰＧＡ、ファームウェアおよび／またはコンピュータシステムと組み合わせてコンピュータシステムを特殊用途機械にする、またはプログラムするプログラムロジックを使用して、本明細書に記載の技術を実装することができる。一実施形態によれば、本明細書の技術は、主メモリに含まれる１つ以上の命令の１つ以上のシーケンスを実行するプロセッサに応答してコンピュータシステムによって実施される。そのような命令は、記憶デバイスなどの別の記憶媒体から主メモリに読み込まれてもよい。主メモリに含まれる命令のシーケンスを実行すると、プロセッサは本明細書に記載のプロセスステップを実施する。代替の実施形態では、ソフトウェア命令の代わりに、またはそれと組み合わせて、ハードワイヤード回路を使用することができる。

本明細書で使用される場合、「記憶媒体」という用語は、機械を特定の方式で操作させるデータおよび／または命令を記憶する任意の非一時的媒体を指す。そのような記憶媒体は、不揮発性媒体および／または揮発性媒体を含み得る。不揮発性媒体は、例えば、記憶デバイスなどの光ディスクまたは磁気ディスクを含む。揮発性媒体は、主メモリなどの動的メモリを含む。一般的な形態の記憶媒体は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、ソリッドステートドライブ、磁気テープ、または任意の他の磁気データ記憶媒体、ＣＤ−ＲＯＭ、任意の他の光学データ記憶媒体、任意のホールパターンを有する物理媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ−ＥＰＲＯＭ、ＮＶＲＡＭ、任意の他のメモリチップまたはカートリッジを含む。

記憶媒体は、伝達媒体とは異なるが伝達媒体と一緒に使用することができる。伝達媒体は、記憶媒体間で情報を転送することに携わる。例えば、伝達媒体は、バスを構成するワイヤを含む、同軸ケーブル、銅線、および光ファイバを含む。伝達媒体はまた、電波および赤外線データ通信中に生成されるものなどの音波または光波の形態をとることもできる。

実行のため１つ以上の命令の１つ以上のシーケンスをプロセッサに運ぶことにおいて、様々な形態の媒体が関与してもよい。例えば、命令は、最初に磁気ディスクまたはリモートコンピュータのソリッドステートドライブ上に運ばれてもよい。リモートコンピュータは、その命令をその動的メモリにロードすることができ、ネットワーク接続を介して命令を送信することができる。コンピュータシステムに対してローカルなモデムまたはネットワークインターフェースは、データを受信することができる。バスは、データを主メモリに運び、プロセッサはそこから命令を取り出して実行する。主メモリによって受信された命令は、プロセッサによる実行の前または後のいずれかに、記憶デバイスに任意に記憶することができる。

コンピュータシステムはまた、バスに結合された通信インターフェースも含む。通信インターフェースは、ローカルネットワークに接続されたネットワークリンクに結合している双方向データ通信を提供する。例えば、通信インターフェースは、統合サービスデジタルネットワーク（ＩＳＤＮ）カード、ケーブルモデム、衛星モデム、または対応するタイプの電話回線へのデータ通信接続を提供するモデムであってもよい。無線リンクも実装することができる。任意のそのような実装において、通信インターフェースは、様々なタイプの情報を表すデジタルデータストリームを運ぶ電気信号、電磁気信号、または光信号を送受信する。

ネットワークリンクは通常、１つ以上のネットワークを通じて他のデータデバイスへのデータ通信を提供する。例えば、ネットワークリンクは、ローカルネットワークを通じてホストコンピュータまたはデータ機器への接続を提供することができる。ローカルネットワークは、デジタルデータストリームを運ぶ電気信号、電磁気信号、または光信号を使用してもよい。コンピュータシステムとデジタルデータをやり取りする、様々なネットワークを通る信号、ならびにネットワークリンク上および通信インターフェースを通る信号は、伝達媒体の例示的な形態である。

コンピュータシステムは、ネットワーク（複数可）、ネットワークリンク、および通信インターフェースを通じて、メッセージを送信し、プログラムコードを含むデータを受信することができる。サーバは、アプリケーションプログラムに要求されたコードを送信してもよい。受信されたコードは、受信時にプロセッサによって実行されてもよく、および／または後で実行するために記憶デバイスもしくは他の不揮発性記憶装置に記憶されてもよい。

本明細書に記載のプロセスの操作は、本明細書に別途示されない限り、または別途文脈と明らかに矛盾しない限り、任意の好適な順序で実施することができる。本明細書に記載のプロセス（またはその変形および／もしくは組み合わせ）は、実行可能命令で構成された１つ以上のコンピュータシステムの制御下で実施することができ、ハードウェアまたはその組み合わせによって、１つ以上のプロセッサ上で集合的に実行されるコード（例えば、実行可能命令、１つ以上のコンピュータプログラムまたは１つ以上のアプリケーション）として実装することができる。コードは、例えば、１つ以上のプロセッサによって実行可能な複数の命令を含むコンピュータプログラムの形態で、コンピュータ可読記憶媒体に記憶することができる。コンピュータ可読記憶媒体は、非一時的であってもよい。

図５は、サーバシステムの一部分内など、本明細書に記載の実施形態の要素を実装するためにプロセッサによって使用され得るメモリ要素の一例を示す。例えば、機能ブロックが参照される場合、それはメモリに記憶されたプログラムコードとして実装され得る。図５は、コンピュータシステム内のプロセッサによってアクセスおよび実行することができるアプリケーションを有する記憶デバイス５４８の簡略化された機能ブロック図である。アプリケーションは、サーバ、クライアント、または他のプラットフォームもしくはデバイス上で実行する、本明細書に記載のアプリケーションのうちの１つ以上とすることができ、他の場所に示されているクライアントおよび／またはサーバのうちの１つのメモリを表し得る。記憶デバイス５４８は、プロセッサによってアクセスすることができる１つ以上のメモリデバイスとすることができ、記憶デバイス５４８は、１つ以上のプロセッサ可読命令を記憶するように構成され得るアプリケーションコード５５０を内部に記憶することができる。アプリケーションコード５５０は、アプリケーションに関連付けられているアプリケーションロジック５５２、ライブラリ機能５５４、およびファイルＩ／Ｏ機能５５６を含むことができる。

記憶デバイス５４８はまた、入力変数５６４を受け取るように構成された１つ以上の記憶場所を含み得るアプリケーション変数５６２も含むことができる。アプリケーション変数５６２は、アプリケーションによって生成されるか、または他の方法でアプリケーションに対してローカルな変数を含むことができる。アプリケーション変数５６２は、例えば、ユーザまたは外部デバイスもしくはアプリケーションなどの外部ソースから取得されたデータから生成することができる。プロセッサは、アプリケーションコード５５０を実行して、記憶デバイス５４８に提供されたアプリケーション変数５６２を生成することができる。

１つ以上のメモリ場所は、デバイスデータ５６６を記憶するように構成され得る。デバイスデータ５６６は、ユーザまたは外部デバイスなどの外部ソースによって供給されるデータを含むことができる。デバイスデータ５６６は、例えば、送信される前または受信された後にサーバ間で受け渡される記録を含むことができる。他のデータ５６８もまた、提供され得る。

記憶デバイス５４８はまた、アプリケーションの結果またはアプリケーションに提供された入力を記憶するように構成された１つ以上の記憶場所５８４を有するログファイル５８０も含むことができる。例えば、ログファイル５８０は、アクション履歴を記憶するように構成され得る。

別途明記しない限り、または別途文脈と明確に矛盾しない限り、「Ａ、Ｂ、およびＣのうちの少なくとも１つ」または「Ａ、ＢおよびＣのうちの少なくとも１つ」という形態の句などの接続的な文言は、他の点では、一般的に使用されている文脈で、項目、用語などは、ＡまたはＢまたはＣ、あるいはＡおよびＢおよびＣのセットの任意の空でないサブセットのいずれかであり得ることを提示することが理解される。例えば、３つのメンバーを有するセットの実例では、「Ａ、Ｂ、およびＣのうちの少なくとも１つ」および「Ａ、ＢおよびＣのうちの少なくとも１つ」という接続的な句は、以下のセットのうちのいずれかを指す：｛Ａ｝、｛Ｂ｝、｛Ｃ｝、｛Ａ、Ｂ｝、｛Ａ、Ｃ｝、｛Ｂ、Ｃ｝、｛Ａ、Ｂ、Ｃ｝。したがって、そのような接続的な文言は、特定の実施形態が、少なくとも１つのＡ、少なくとも１つのＢ、および少なくとも１つのＣが各々存在することを必要とすることを意味することを一般に意図しない。

本明細書に提供されるありとあらゆる実施例、または例示的な文言（例えば、「など」）の使用は、単に本発明の実施形態をより明瞭にすることを意図しており、特に請求しない限り本発明の範囲を限定しない。本明細書におけるいかなる文言も、特許請求されていないいかなる要素も、本発明の実践に必須であるとして示すと解釈されるべきではない。

前述の明細書において、本発明の実施形態は、実装形態ごとに異なり得る多数の特定の詳細を参照して説明された。したがって、明細書および図面は、限定的な意味ではなく例示的な意味で顧慮されるべきである。本発明の範囲の唯一かつ排他的な指標、および本発明の範囲であることが出願人によって意図されているものは、任意の後続の訂正を含め、このような特許請求の範囲が発行する特定の形式における、本出願から発行する一連の特許請求の範囲の文字通りの等価な範囲である。

本開示の読後、当業者は、さらなる実施形態を想定することができる。他の実施形態では、上記に開示された発明の組み合わせまたは部分的組み合わせが有利になされ得る。構成要素の例示的な構成は、例示の目的で示されており、本発明の代替の実施形態では、組み合わせ、追加、再構成などが企図されることを理解されたい。このように、本発明を例示的な実施形態に関して説明してきたが、当業者であれば、数多くの修正が可能であることを理解するであろう。

例えば、本明細書に記載のプロセスは、ハードウェア構成要素、ソフトウェア構成要素、および／またはそれらの任意の組み合わせを使用して実装することができる。したがって、明細書および図面は、限定的な意味ではなく例示的な意味で顧慮されるべきである。しかしながら、特許請求の範囲に記載されるように本発明のより広い精神および範囲から逸脱することなく、様々な修正および変更を加えることができ、本発明は以下の特許請求の範囲内のすべての修正および均等物を包含することを意図していることは明らかであろう。

本明細書で引用した刊行物、特許出願、および特許を含むすべての参考文献は、あたかも各参考文献が個別におよび具体的に参照により組み込まれることが示され、その全体が本明細書に記載されるのと同程度に参照により本明細書に組み込まれる。

Claims (3)

1. 小売店在庫に追加される衣服の推奨を生成するための方法であって、
   小売店および場所データとの関連付けを含むユーザアンケートデータを受信することと、
   前記ユーザアンケートデータに基づいて、ユーザ外形データおよびユーザプロポーションデータを生成し、前記ユーザ外形データおよびユーザプロポーションデータをユーザデータベースに記憶することと、
   ユーザ場所またはユーザデモグラフィックのうちの少なくとも１つに基づいて、ユーザを小売場所に関連付けることと、
   場所または小売店データに基づいて、ユーザデータをフィルタリングして、小売場所のユーザプールを生成することと、
   考えられる在庫セットを形成する複数の衣服内の各衣服に対する衣服外形データ、衣服プロポーションデータ、および衣服ＩＤを受信し、前記衣服外形データ、前記衣服プロポーションデータ、および前記衣服ＩＤを衣服データベースに記憶することと、
   前記ユーザプール内の各ユーザおよび前記考えられる在庫セット内の各衣服ＩＤに対して、各衣服外形およびプロポーションが、各ユーザ外形およびプロポーションとどれだけ良好に一致するかに基づいて、衣服−ユーザスコアを生成することと、
   すべてのユーザにわたって各衣服に対する前記衣服−ユーザスコアを集計し、したがって、前記ユーザプール内のすべてのユーザに関する集計衣服スコアを生成することと、
   特定の閾値を上回る集計衣服スコアを有する衣服のセットを選択することと、を含む、方法。
2. 小売店在庫に追加される衣服の推奨を生成するための方法であって、
   小売店および場所データとの関連付けを含むユーザアンケートデータを受信することと、
   前記ユーザアンケートデータに基づいて、ユーザ外形データおよびユーザプロポーションデータを生成し、前記ユーザ外形データおよびユーザプロポーションデータをユーザデータベースに記憶することと、
   小売場所または複数の小売場所に関する現在の在庫情報を受信することであって、前記現在の在庫情報が、各衣服について、衣服外形、衣服プロポーション、および衣服ＩＤを含む、衣服データを含む、受信すること、ならびに前記衣服データを在庫データベースに記憶することと、
   ユーザを場所によってフィルタリングして、フィルタリングされたユーザサブセットを作成することであって、フィルタを使用することが、前記小売店の小売場所への近接度に基づいている、フィルタリングすることと、
   前記フィルタリングされたユーザサブセットを集計して、小売店場所の外形プロファイルを構築することと、
   前記フィルタリングされたユーザサブセット内の各ユーザおよび前記在庫データベース内の各衣服ＩＤに対して、各衣服の前記衣服外形および衣服プロポーションが、前記フィルタリングされたユーザサブセット内の各ユーザの前記ユーザ外形データおよびユーザプロポーションデータとどれだけ良好に一致しているかに基づいて、衣服−ユーザスコアを生成することと、
   前記在庫データベース内のすべての衣服にわたって各ユーザに対する前記衣服−ユーザスコアを集計し、したがって、前記在庫データベースに関する集計ユーザスコアを生成することと、
   閾値を下回る集計ユーザスコアを有するサービスが不十分なユーザのセットを識別することと、
   考えられる在庫セットを形成する複数の衣服内の各衣服の衣服外形データおよび衣服プロポーションデータを受信することであって、各衣服が、衣服ＩＤを有する、受信すること、ならびに前記衣服外形データおよび衣服プロポーションデータを衣服データベースに記憶することと、
   前記サービスが不十分なユーザのセット内の各ユーザおよび前記考えられる在庫セット内の各衣服ＩＤに対して、各衣服外形およびプロポーションが、前記サービスが不十分なユーザのセット内の各ユーザ外形およびプロポーションとどれだけ良好に一致するかに基づいて、潜在的な衣服−ユーザスコアセットを形成する第２の衣服−ユーザスコアを生成することと、
   前記潜在的な衣服−ユーザスコアセット内の前記第２の衣服−ユーザスコアを集計することと、
   前記潜在的な衣服−ユーザスコアセットから所与の閾値を上回る衣服ＩＤを選択することと、を含む、方法。
3. 小売店在庫に追加される衣服の推奨を生成するための方法であって、
   外形データが利用不可能である小売場所を取り巻く母集団に関するデモグラフィック情報を受信することと、
   外形データを有する他の小売場所を取り巻く母集団に関するデモグラフィック情報を受信することと、
   類似のデモグラフィック情報を有する小売場所を選択し、前記小売場所に関連付けられている各ユーザに対するユーザ外形データおよびユーザプロポーションデータを取得し、前記ユーザ外形データおよび前記ユーザプロポーションデータをユーザデータベースに記憶することと、
   考えられる在庫セットを形成する複数の衣服内の各衣服に対する、衣服外形データ、衣服プロポーションデータ、および衣服ＩＤを受信し、衣服データベースに記憶することと、
   前記ユーザデータベース内の各ユーザおよび前記衣服データベース内の各衣服ＩＤに対して、各衣服の前記衣服外形データおよび衣服プロポーションデータが、前記ユーザデータベース内の各ユーザの前記ユーザ外形データおよび前記ユーザプロポーションデータとどれだけ良好に一致するかに基づいて、衣服−ユーザスコアを生成することと、
   すべてのユーザにわたって各衣服に対する前記衣服−ユーザスコアを集計し、したがって、前記ユーザデータベースに関する各衣服に対する集計衣服スコアを生成することと、
   特定の閾値を上回る集計衣服スコアを有する衣服のセットを選択することと、を含む、方法。