KR101939554B1 - 일시적 거래 한도 결정 - Google Patents

일시적 거래 한도 결정 Download PDF

Info

Publication number
KR101939554B1
KR101939554B1 KR1020167023210A KR20167023210A KR101939554B1 KR 101939554 B1 KR101939554 B1 KR 101939554B1 KR 1020167023210 A KR1020167023210 A KR 1020167023210A KR 20167023210 A KR20167023210 A KR 20167023210A KR 101939554 B1 KR101939554 B1 KR 101939554B1
Authority
KR
South Korea
Prior art keywords
transaction
user
limit
determining
historical
Prior art date
Application number
KR1020167023210A
Other languages
English (en)
Other versions
KR20160121806A (ko
Inventor
윤 유에
지 후앙
지 닝
Original Assignee
알리바바 그룹 홀딩 리미티드
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 알리바바 그룹 홀딩 리미티드 filed Critical 알리바바 그룹 홀딩 리미티드
Publication of KR20160121806A publication Critical patent/KR20160121806A/ko
Application granted granted Critical
Publication of KR101939554B1 publication Critical patent/KR101939554B1/ko

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/405—Establishing or using transaction specific rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/085—Payment architectures involving remote charge determination or related payment systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
    • 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
    • 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
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Abstract

일시적 거래 한도를 결정하는 것이 개시되고, 거래 요청 메시지를 수신하는 것으로서, 거래 요청 메시지는 사용자와 연관된 총 거래 비용 및 식별 정보를 포함하는, 상기 거래 메시지를 수신하는 것; 총 거래 비용이 미리 결정된 한도보다 큰지를 결정하는 것; 복수의 사용자들과 연관된 이력 거래 데이터를 검색하는 것; 복수의 사용자들과 연관된 이력 거래 데이터로부터 복수의 군집된 분류들을 결정하는 것; 사용자와 연관된 이력 거래 데이터에 기초하여 복수의 군집된 분류들로부터 하나의 군집된 분류를 결정하는 것; 미리 결정된 맵핑 규칙을 사용하여 사용자에 대해 군집된 분류에 대응하는 동적 한도를 결정하는 것; 및 총 거래 비용을 일시적 거래 한도와 비교하는 것에 기초하여 거래 요청 메시지가 승인되는지 여부를 결정하는 것을 포함하고, 일시적 거래 제한은 미리 결정된 한도 및 동적 한도의 조합을 포함한다.

Description

일시적 거래 한도 결정{DETERMINING A TEMPORARY TRANSACTION LIMIT}
본 출원은 모든 목적들을 위해 참조로서 여기에 통합되는 발명의 명칭이 "A METHOD AND A PLATFORM FOR PROCESSING BIG DATA"인 중화 인민 공화국 특허 출원 제 201410113875.2 호에 대한 우선권을 주장한다.
본 출원은 빅 데이터 처리 기술의 분야에 관한 것이다. 특히, 본 출원은 빅 데이터를 처리하기 위한 기술들에 관한 것이다.
인터넷은 매일 막대한 양의 데이터를 생성한다. 예를 들면, 블로그들, 마이크로블로그들, 및 거래 플랫폼들 예컨대 트위터, 페이스북, 및 다른 소셜 네트워크들은 매일 엄청난 양의 데이터를 생성하고 있다. 데이터는 모든 산업 및 산업 기능에 침투해왔다. 몇몇 사업들에 대해, 거래 프로세스들, 제품 용도들, 및 사람의 거동 정보는 데이터로 모두 변환되었다.
이러한 생성된 데이터는 막대하고, 조직화되지 않고 출현할 수 있고, 임의의 쉽게 구별할 수 없는 규칙들에 종속되지 않을 수 있지만, 그의 전체 분배에 대해, 생성된 데이터는 특정한 피처들을 반영할 수 있는 특정한 특징들을 갖는다. 유용한 정보를 획득하기 위해 이러한 막대하고 엄청난 데이터를 조사 및 처리하는 방법의 문제가 빅 데이터 및 데이터 마이닝의 분야들에서 중요한 연구 주제이다. 데이터 마이닝은 대량의 완전하지 않고, 잡음이 있고, 애매하고, 및/또는 랜덤인 실제 애플리케이션 데이터로부터 정보 및 지식을 추출하는 프로세스이다. 이러한 데이터에 포함될 수 있는 지식의 추출 형태는 이를 데이터 마이닝하기 전에 사람들에게 알려지지 않을 수 있지만, 데이터로부터 마이팅될 수 있는 지식은 잠재적으로 매우 유용하다.
빅 데이터 마이닝에서 처리의 중요한 형태는 군집화 처리이다. 군집화 처리에서, 대량의 데이터 객체 세트들은 일련의 의미 있는 서브세트들, 즉, 클러스터들로 분할될 수 있다. 클러스터 분석은 유사성들 및 상이성들에 따라 일 그룹의 데이터 객체들을 수 개의 카테고리들로 분할하는 것으로 구성된다. 클러스터 분석의 목표는 동일한 카테고리에 속하는 데이터 사이에 최대 유사성 및 상이한 카테고리들의 데이터 사이의 최소 유사성을 초래하는 것이다. 클러스터 분석은 고객 분류, 고객 배경 분석, 고객 구매 경향 예측, 시장 분할, 및 다른 분야들에 적용될 수 있다.
클러스터 분석은 일반적으로 유사한 데이터 객체들이 단일 카테고리로 군집화되는 데이터 객체 그룹화를 생성한다. 일반적인 군집화 방법은 k-평균 군집화이다. k-평균 군집화 기술은 k 개의 클러스터들의 입력을 수신하고 N 개의 데이터 객체들을 포함하는 데이터베이스를 수신한다. k-평균 군집화 기술은 N 개의 데이터 객체들을 취하고 그들을 최소 제곱 표준을 만족하는 k 개의 클러스터들로 출력한다. k 개의 클러스터들에 할당된 N 개의 데이터 객체들 중에서, 동일한 클러스터에 존재하는 이들 데이터 객체들은 서로 더 큰 유사성을 갖고, 상이한 클러스터들에 존재하는 이들 데이터 객체들은 서로 더 적은 유사성을 갖는다. 일반적으로, 이러한 형태의 클러스터 유사성은 각각의 클러스터에서 데이터 객체들의 평균으로부터 획득된 "중심 객체"(인력의 중심)를 사용하여 계산될 수 있다.
k-평균 군집화 기술을 수행하는 프로세스는 특히 다음을 포함한다:
(1) N 개의 데이터 객체들로부터, 임의의 k 개의 객체들을 초기 군집 중심들로서 선택한다.
(2) 각각의 클러스터의 객체들의 평균(중심 객체)을 사용하여, 각각의 객체로부터 이들 중심 객체들까지의 거리들을 계산하고, 최소 거리들에 따라 대응하는 객체들을 재분할한다.
(3) 각각의 클러스터(변경된 경우)의 평균(중심 객체)을 재계산한다.
(4) 표준 측정 함수를 계산한다. 특정한 조건이 충족될 때, 예컨대 함수가 수렴할 때, 예를 들면 군집화 기술이 종료된다. 조건이 충족되지 않는 경우, 군집화 기술은 단계(2)로 리턴한다.
그러나, 종래의 군집화 분석들은 적어도 몇몇 결점들을 겪는다. 하나의 결점은 k-평균 군집화 기술이 객체들의 입력수(N)가 고정된 값일 것을 요구한다는 것이다. N의 값이 가변 값인 상황들에서, 각각의 시간 N은 처리 동안 변하고, 예를 들면, N의 값은 1씩 증가하고, 하나의 새로운 데이터 기록의 추가를 처리할 필요가 존재하고, 이는 상기에 기술된 단계(1) 내지 단계(4)가 재실행되는 것을 요구한다. 제 2 결점은, 고품질의 데이터를 처리하는 경우, 상당한 양의 하드웨어 자원들(예를 들면, 메모리 및 프로세서 자원들)이 상기에 기술된 군집화 프로세스를 실행하기 위해 필요하다는 것이다.
본 발명의 다양한 실시예들은 다음의 상세한 기술 및 첨부하는 도면들에서 기술된다.
본 발명은, 장치; 시스템; 물질의 조성; 컴퓨터 판독 가능한 저장 매체상에 구현된 컴퓨터 프로그램 제품; 및/또는 프로세서, 예컨대 프로세서에 결합된 메모리상에 저장된 및/또는 그에 의해 제공된 명령들을 실행하도록 구성된 프로세서를 프로세스로서 포함하는 다수의 방식들로 구현될 수 있다. 본 명세서에서, 이들 구현들, 또는 본 발명이 취할 수 있는 임의의 다른 형태는 기술들이라고 불릴 수 있다. 일반적으로, 개시된 프로세스들의 단계들의 순서는 본 발명의 범위 내에서 변경될 수 있다. 달리 언급되지 않으면, 태스크를 수행하도록 구성되는 것으로 기술된 프로세서 또는 메모리와 같은 구성요소는 주어진 시간에 태스크를 수행하도록 일시적으로 구성된 범용 구성 요소 또는 태스크를 수행하도록 제작되는 특정 구성 요소로서 구현될 수 있다. 여기에 사용되는, 용어 '프로세서'는 하나 이상의 디바이스들, 회로들 및/또는 컴퓨터 프로그램 명령들과 같은 데이터를 처리하도록 구성된 처리 코어들이라고 불린다.
본 발명의 하나 이상의 실시예들의 상세한 설명은 본 발명의 원리들을 도시하는 첨부하는 도면들과 함께 이하에 제공된다. 본 발명은 이러한 실시예들에 관련되어 기술되지만, 본 발명은 임의의 실시예로 한정되지 않는다. 본 발명의 범위는 청구항들에 의해서만 한정되고 본 발명은 다수의 대안들, 변경들 및 동등물들을 포함한다. 다수의 특정한 상세들은 본 발명의 철저한 이해를 제공하기 위해 다음의 기술에서 진술된다. 이들 상세들은 예시를 위해 제공되고, 본 발명은 이들 특정한 상세들의 일부 또는 모두 없이 청구항들에 따라 실시될 수 있다. 명확성을 위해, 본 발명에 관련된 기술 분야들에서 알려지는 기술 재료는 본 발명이 불필요하게 모호해지지 않도록 상세히 기술되지 않았다.
전자 상거래가 점점 확산됨에 따라, 지불 플랫폼들은 사람의 일상 삶들에서 더욱 더 중요한 역할을 한다. 사용자들에게 발행된 은행 카드들을 채용함으로써, 지불 플랫폼들은 사용자들에게 엄청나게 편리한 지불을 행하고 그들에게 좋은 지불 경험들을 생성했다. 그러나, 지불 편리성의 증가는 또한 거래들의 위험을 추가하고, 위험 제어에 대해 더 엄격한 요건들을 부가한다. 위험 제어의 중요한 수단들 중 하나는 사용자 소비에 부과된 한도이다. 지불 플랫폼은 사용자 거래들에 대한 한도 관리를 부과할 수 있다. 비교적 일반적인 방식은 고정된 한도들에 따라 거래들을 제한하는 것이다. 예를 들면, 화이트 리스트가 지불 플랫폼을 위해 설정될 수 있다. 더 높은 한도는 화이트 리스트상의 사용자들에게 제공될 수 있고, 더 낮은 한도는 화이트 리스트상에 없는 사용자들에게 제공될 수 있다. 이후, 사용자의 소비는 사용자의 제안된 소비가 사용자의 한도를 초과하는지의 여부의 평가에 기초하여 제한될 수 있다. 이러한 방식에서, 사용자의 지불 한도들은 일반적으로 수동으로 설정되고 고정적이다. 다르게 말하면, 몇몇 종래의 기술들은 상이한 사용자들 및 상이한 상황들에 따라 조정될 수 없는 고정된 한도들을 사용자 소비에 대해 부과한다.
일시적 거래 한도를 결정하는 실시예들이 여기에 기술된다. 거래 요청 메시지가 수신된다. 거래 요청 메시지는 승인될 거래에 대한 요청을 포함한다. 거래 요청 메시지는 요청하는 사용자와 연관된 총 거래 비용 및 식별 정보를 적어도 포함한다. 총 거래 비용이 사용자와 연관된 미리 결정된 한도보다 큰 경우, 이후 다양한 사용자들과 연관된 이력 거래 데이터가 군집된 분류들을 형성하기 위해 검색 및 분석된다. 거래 요청 메시지와 연관된 사용자에 대응하는 군집된 분류는 사용자와 연관된 이력 거래 데이터를 사용하여 결정된다. 미리 결정된 맵핑 규칙은 사용자에 대응하는 군집된 분류에 대응하여 동적 한도를 결정하기 위해 사용된다. 거래 요청 메시지가 승인되는지의 여부는 미리 결정된 한도 및 동적 한도의 조합과 총 거래 비용을 비교하는 것에 기초하여 결정된다.
본 발명은 일시적 거래 한도를 결정하는 방법 및 시스템을 제공한다.
도 1은 사용자의 거래에 대해 일시적 거래 한도를 결정하기 위한 시스템의 일 실시예를 도시하는 도면.
도 2는 사용자의 거래에 대해 일시적 거래 한도를 결정하기 위한 프로세스의 일 실시예를 도시하는 흐름도.
도 3은 사용자의 미리 결정된 한도를 결정하는 일 예시적인 프로세스를 도시하는 흐름도.
도 4는 모집단에서 데이터 지점들의 일 예를 도시하는 도면.
도 5는 모집단에서 데이터 지점들(d1 내지 d7)의 일 예를 도시하는 도면.
도 6은 사용자의 RMF 숫자값들에 기초하여 사용자를 분류하는 결정 트리의 일 부분의 일 예를 도시하는 도면.
도 7은 사용자의 거래에 대한 일시적 거래 한도를 결정하기 위한 시스템의 일 실시예를 도시하는 도면.
도 8은 미리 결정된 한도 계산 유닛의 일 실시예를 도시하는 도면.
도 9는 일시적 거래 한도를 생성하는 것을 수행하기 위한 프로그래밍된 컴퓨터 시스템의 일 실시예를 도시하는 기능도.
도 1은 사용자의 거래에 대한 일시적 거래 한도를 결정하기 위한 시스템의 일 실시예를 도시하는 도면이다. 상기 예에서, 시스템(100)은 디바이스(102), 네트워크(104), 전자 상거래 플랫폼 서버(106), 및 거래 플랫폼 서버(108)를 포함한다.
디바이스(102)는 사용자가 전자 상거래 플랫폼 서버(106)와 연관된 전자 상거래 플랫폼에 액세스할 수 있는 디바이스를 포함한다. 예를 들면, 디바이스(102)는 스마트폰, 태블릿 디바이스, 데스크탑 컴퓨터, 랩탑 디바이스, 이동 디바이스, 및/또는 임의의 형태의 컴퓨팅 디바이스를 포함할 수 있다. 전자 상거래 플랫폼 서버(106)에 의해 제공된 전자 상거래 플랫폼은 웹 사이트에서 상이한 제품들과 연관된 디스플레이하는 프로파일들/정보 및/또는 디바이스(102)에서 실행하고 있는 애플리케이션과 연관된 사용자 인터페이스들을 나타낼 수 있다.
사용자는 전자 상거래 플랫폼으로부터 구매할 제품들을 브라우징 및 선택하기 위해 디바이스(102)를 사용할 수 있다. 사용자가 그가 전자 상거래 플랫폼에서 구매하고 싶은 하나 이상의 제품들을 선택하면, 전자 상거래 플랫폼은 사용자와 연관된 식별 정보 및 거래의 총 비용(총 거래 비용)을 포함하는 거래와 연관된 정보를 포함하는 거래 요청 메시지를 생성할 수 있다. 전자 상거래 플랫폼(106)은 거래 플랫폼 서버(108)로 거래 요청 메시지를 전송하도록 구성된다.
거래 플랫폼 서버(108)는 거래 요청 메시지가 승인되는지의 여부를 결정하도록 구성된다. 거래 플랫폼 서버(108)는 거래 총 비용이 사용자와 연관된 미리 결정된 한도보다 큰지의 여부를 결정하도록 구성된다. 다양한 실시예들에서, 거래 플랫폼 서버(108)는 다양한 사용자들과 연관된 이력 거래 데이터를 검색하고 군집된 분류들을 결정하기 위해 검색된 데이터를 분석하도록 구성된다. 거래 플랫폼 서버(108)는 사용자와 연관된 이력 거래 데이터를 사용하여 사용자에 대응하는 군집된 분류를 결정하도록 구성된다. 거래 플랫폼 서버(108)는 사용자에 대응하는 군집된 분류 및 미리 결정된 맵핑 규칙에 기초하여 사용자에 대응하는 동적 한도를 결정하도록 구성된다. 거래 플랫폼 서버(108)는 총 거래 비용을 미리 결정된 한도 및 동적 한도의 조합과 비교하는 것에 적어도 부분적으로 기초하여 거래 요청 메시지가 승인되는지의 여부를 결정하도록 구성된다.
이와 같이, 다양한 실시예들에서, 데이터 마이닝은 상이한 상황들에서 상이한 사용자들에 대해 거래 한도들을 융통성 있게 조정하기 위해 사용될 수 있다.
도 2는 사용자의 거래에 대한 일시적 거래 한도를 결정하기 위한 프로세스의 일 실시예를 도시하는 흐름도이다. 몇몇 실시예들에서, 프로세스(200)는 도 1의 시스템(100)에서 수행된다.
202에서, 거래 요청 메시지가 수신되고, 거래 요청 메시지는 사용자와 연관된 총 거래 비용 및 식별 정보를 포함한다.
거래 요청 메시지는 사용자에 대해 승인될 계류중인 거래에 대한 요청을 포함한다. 거래 요청 메시지는 사용자의 계류중인 주문을 기술하는 정보를 포함한다. 예를 들면, 사용자는 전자 상거래 플랫폼으로부터 구매할 하나 이상의 제품들을 선택한다. 구매될 제품들의 형태들, 구매될 각각의 개별적인 제품의 비용, 구매될 제품들의 비용들의 합계(총 거래 비용), 및 주문을 제출한 사용자의 식별자는, 예를 들면, 거래가 승인될 수 있는지의 여부를 결정하기 위해 거래 플랫폼 서버에 대한 전자 상거래 플랫폼 서버에 의한 거래 요청 메시지에 포함될 수 있다.
204에서, 총 거래 비용이 미리 결정된 한도보다 큰지가 결정된다.
몇몇 실시예들에서, 사용자에 대하여 거래당 미리 결정된 한도는, 예를 들면, 시스템 관리자에 의해, 사용자에 의해, 또는 디폴트로 수동으로 구성될 수 있다.
몇몇 다른 실시예들에서, 사용자에 대하여 거래당 미리 결정된 한도는 또한 지불 플랫폼에 의해 동적으로 결정될 수 있다. 예를 들면, 지불 플랫폼은 특정 규칙들에 따라 미리 결정된 한도를 계산할 수 있다. 특정한 예에서, 지불 플랫폼은 밀도 기반 이상치 배제 모델을 사용하여 미리 결정된 한도를 결정할 수 있다. 도 3은 이하에 미리 결정된 한도가 밀도 기반 이상치 배제 모델을 사용하여 사용자에 대해 결정되는 일 예를 기술한다.
거래 요청 메시지에 포함된 총 거래 비용이 사용자에 대하여 거래당 미리 결정된 한도보다 적거나 동등하다고 결정되는 경우, 거래 요청 메시지와 연관된 거래는 승인되고 프로세스(200)는 종료한다. 다시 말해서, 거래 요청 메시지에 포함된 총 거래 비용이 사용자에 대하여 거래당 미리 결정된 한도보다 크다고 결정되는 경우, 거래 요청 메시지와 연관된 거래는 사용자의 미리 결정된 한도를 (일시적으로) 상승시키는 양(동적 한도)을 결정하기 위해 이하에 기술된 단계들을 사용하여 계속 처리된다.
206에서, 총 거래 비용이 미리 결정된 한도보다 크다는 결정에 응답하여, 복수의 사용자들과 연관된 이력 거래 데이터가 검색된다.
거래 요청 메시지에 포함된 총 거래 비용이 사용자에 대하여 거래당 미리 결정된 한도보다 큰 것이 결정된 후, 현재 거래 요청 메시지와 연관된 사용자를 포함하여, 다양한 사용자들과 연관된 이력 거래 데이터가 저장 장치로부터 검색된다. 이력 거래 데이터가 검색되는 다양한 사용자들은 이전에 제출된 거래 요청 메시지들을 갖는 전자 상거래 플랫폼 및/또는 지불 플랫폼의 사용자들을 포함할 수 있다. 각각의 사용자와 연관된 이력 거래 데이터는, 예를 들면, 사용자가 언제 구매했는지(예를 들면, 이력 거래들과 연관된 타임스탬프들), 사용자가 무엇을 구매했는지(예를 들면, 각각의 이력 거래에 포함된 제품들 및/또는 다른 아이템들), 및 사용자의 이력 구매들과 연관된 비용들(예를 들면, 사용자가 각각의 이력 거래에서 얼마를 소비했는지)를 기술하는 데이터를 포함한다.
몇몇 실시예들에서, 거래 플랫폼 및/또는 전자 상거래 플랫폼과 연관된 사용자들의 이력 거래 데이터는 데이터 웨어하우스에 저장될 수 있다. 예를 들면, 데이터 웨어하우스는 거대한 데이터베이스를 포함한다. 이는 태스크 조직화 데이터베이스들로부터 집적된 데이터를 저장한다. 예를 들면, 데이터 웨어하우스는 거래 처리 시스템들(예를 들면, 온라인 거래 처리(OLTP))로부터 획득된 데이터를 저장한다. 그러나, 데이터를 변환 및 집적하는 프로세스는 데이터 웨어하우스를 확립할 때 도전 과제일 수 있다. 데이터 웨어하우스에 대한 하나의 목적은 유용한, 전략적인 정보로의 활성 데이터의 변환이다. 몇몇 실시예들에서, 데이터 웨어하우스는 다음의 데이터 형태들을 저장한다: 집적된 데이터, 상세 및 요약 데이터, 이력 데이터, 및 데이터를 해석하기 위한 데이터.
208에서, 복수의 군집된 분류들은 복수의 사용자들과 연관된 이력 거래 데이터로부터 결정된다.
데이터 마이닝은 하나 이상의 클러스터들을 생성하기 위해 다양한 사용자들과 연관된 검색된 이력 거래 데이터에 적용되고, 각각의 클러스터는 대응하는 분류와 연관된다. 이와 같이, 몇몇 실시예들에서, 클러스터는 때때로 "군집된 분류"라고 불린다.
다양한 사용자들과 연관된 이력 거래 데이터를 저장하는 데이터 웨어하우스를 확립하고 데이터 마이닝을 데이터 웨어하우스에 적용하는 주된 목적은 의사 결정에 융용한 데이터 웨어하우스로부터의 정보 및 지식을 마이닝하는 것이다. 일반적으로, 데이터 웨어하우스는 데이터 마이닝이 효율적으로 진행할 수 있기 전에 확립될 필요가 있다. 데이터 웨어하우스에 포함된 데이터 자체는 순수하고(예를 들면, 데이터 웨어하우스에 저장된 데이터는 그 안에 혼합된 잘못된 데이터를 갖지 않아야 한다), 완전하고, 집적되어야 한다. 따라서, 데이터 웨어하우스를 확립하는 것과 그로부터 데이터를 마이닝하는 것 사이의 관계는 아마도 다음과 같이 이해될 수 있다: 데이터 마이닝은 거대한 데이터 웨어하우스에서 유용한 정보를 찾는 프로세스 및 기술이다. 대부분의 상황들에서, 데이터 마이닝은 데이터 웨어하우스로부터 데이터 마이닝 데이터베이스 또는 데이터 저장 장치로 데이터를 취하는 것을 수반한다. 거대한 양의 데이터를 유용한 정보로 변환하기 위해, 먼저 정보를 효율적으로 수집하는 것이 필요하다. 기능들의 완전한 세트들을 갖는 데이터베이스 시스템들은 데이터를 수집하기 위한 바람직한 툴들이 되었다. 간단히 언급하면, 데이터 웨어하우징은 다른 시스템들로부터 유용한 데이터를 수집하는 것 및 이를 집적된 저장 영역에 놓는 것이다. 몇몇 실시예들에서, 관계 데이터베이스는 처리되고 집적된 특히 큰 용량을 갖고, 결정 지원 또는 데이터 분석에 사용되는 데이터와 같은 결정 지원 시스템들에 의해 요구되는 데이터를 저장하기 위해 사용된다. 원래의 데이터는, 예를 들면, 관계 데이터베이스 내 데이터와 같이 구조화될 수 있다. 이는 또한 텍스트, 그래픽, 및 이미지 데이터로서 반구조적일 수 있다. 이는 심지어 네트워크들에 걸쳐 분배된 이종 데이터일 수 있다. 임의의 적절한 데이터 발견 기술들이 적용될 수 있다.
몇몇 실시예들에서, 클러스터 처리 중 데이터 마이닝 기술은 하나 이상의 군집된 분류들을 결정하기 위해 미리 결정된 양의 사용자들과 연관된 이력 거래 데이터에 적용된다. 미리 결정된 양은 이력 거래 데이터의 전체를 적절히 나타내는 데이터 객체들의 하나의 샘플이 되도록 구성될 수 있다.
데이터 마이닝은 데이터 마이닝이 임의의 명확한 가정들 없이 정보를 찾아내는 것 및 지식을 발견하는 것을 수반하는 점에서 종래의 데이터 분석(예를 들면, 질의 또는 진술 분석 또는 온라인 분석 처리와 같은)과 본질적으로 상이하다. 데이터 마이닝을 통해 획득된 정보는 세 개의 특징들을 갖는다: 이전에 알려지지 않음, 효율적, 실용적. 이전에 알려지지 않은 정보는 반드시 미리 예상되지는 않은 정보이다. 데이터 마이닝은 직관적으로 발견될 수 있는 정보 또는 지식 또는 심지어 반직관적인 정보 또는 지식을 발견한다.
몇몇 실시예들에서, 각각의 사용자에 대해 저장된 이력 거래 데이터는 거래 데이터의 하나 이상의 부분들과 연관된 하나 이상의 데이터 객체들을 포함할 수 있다. 일 특정한 예에서, 각각의 사용자 데이터 객체는 세 개의 측정들에 대한 데이터를 포함한다: 가장 최근 소비, 소비 횟수, 및 소비량.
RFM(가장 최근 소비, 소비 횟수, 및 소비량 각각을 나타내는 최신, 횟수, 및 화폐) 모델은 다수의 고객 관계 관리(CRM) 분석 모델들에서 널리 사용된다. RFM 모델은 고객 가치 및 고객 수익 창출 능력을 측정하기 위한 중요한 툴 및 수단들이 고려된다. 이러한 모델은 세 개의 측정들에 의해 고객의 가치 상태를 기술한다: 최근 구매 거동, 구매의 총 횟수, 및 소비한 금액. 이론적으로, 가장 늦은 소비 시간에 가까운 고객들은 더 많은 소비 잠재력을 갖는 고객들이다. 그들은 즉각적인 제품들 또는 서비스들의 제공들에 응답할 가장 높은 가능성이 있는 사람들이다. 대량의 이력 데이터는, 고객들이 이미 구매한 경우, 그들이 구매를 계속할 가능성이 높을 것이라는 것을 보여준다. 소비 횟수는 설정된 시간 기간 내에 고객에 의해 행해진 구매수이다. 이는 가장 자주 구매한 고객들이 가장 만족한 고객들이라는 것일 수 있다. 그들이 브랜드 및 매장 충성도를 믿는 경우, 가장 자주 구매한 고객들은 또한 가장 높은 충성도를 가질 것이다. 소비량은 설정된 시간 기간 내에 소비의 총량일 수 있다. 소비량은 가장 효율적인 예측자이다. 파레토의 법칙은 다음을 말한다: 회사의 수입들 중 80%는 그의 고객들 중 20%로부터 온다. 고객들 중 상위 10%에 의해 소비된 양은 다음 계층의 적어도 두배의 양일 수 있고, 모든 회사의 사업 중 40%보다 많은 것을 차지할 수 있다. 누적 퍼센티지들을 고려하는 경우, 고객들 중 40%는 회사의 총 사업량의 80%에 기여한다는 것 및 고객들 중 60%는 회사의 사업량의 90%보다 많이 차지한다는 것을 발견한다.
몇몇 실시예들에서, 다양한 사용자들과 연관된 미리 결정된 양의 이력 거래 데이터는 세 개의 측정들에 의해 군집화된다: 가장 최근의 소비, 소비 횟수, 및 소비량. 이와 같이, 각각의 결과의 군집된 분류는 가장 최근 소비, 소비 횟수, 및 소비량의 각각의 측정과 연관된 값들의 범위와 연관될 것이다. 예를 들면, 세 개의 군집된 분류들은 클러스터 결과들에 따라 형성될 수 있고, 제 1 군집된 분류는 높은 것(예를 들면, 각각의 측정에 대해 가장 높은 범위의 값들)과 연관되고, 제 2 군집된 분류는 중간(예를 들면, 각각의 측정에 대하여 두번째 가장 높은 범위의 값들)과 연관되고, 제 3 군집된 분류는 낮은 것(예를 들면, 각각의 측정에 대해 가장 낮은 범위의 값들)과 연관된다. 예를 들면, 이력 거래 데이터를 군집화하는 것은, k-평균 군집화 기술, 잡음을 갖는 애플리케이션들의 밀도 기반 공간 군집화(DBSCAN) 기술, 또는 계층적 군집화 기술을 포함하는, 임의의 적절한 군집화 기술을 사용하여 수행될 수 있다.
몇몇 실시예들에서, 단계(208, 210)는, 그들이 최근에 수행된 경우(예를 들면, 미리 결정된 최근 시간량 내에), 각각의 후속 거래 요청 메시지에 대해 수행될 필요가 없다. 다시 말하면, 군집된 분류들은 주기적으로 결정될 수 있고, 수신된 거래 요청 메시지마다에 대해 반드시는 아니다.
210에서, 복수의 군집된 분류들 중 하나의 군집된 분류는 사용자와 연관된 이력 거래 데이터에 적어도 부분적으로 기초하여 사용자에 대해 결정된다.
다양한 사용자들과 연관된 이력 거래 데이터의 군집화가 완료되고 대응하는 분류들이 획득된 후, 하나의 이러한 군집된 분류는 사용자의 이력 데이터에 기초하여 거래 요청 메시지와 연관된 사용자에 대해 결정될 수 있다. 예를 들면, 상기에 언급된 생성된 세 개의 군집된 분류들은 높음, 중간, 및 낮음으로 나타내진다.
다양한 실시예들에서, 거래 요청 메시지와 연관된 사용자의 이력 데이터는 RFM 방법을 사용하여 수치값들(R값, F값, 및 M값)으로 변환된다. 이후, 하나 이상의 저장된 결정 트리들은 요청하는 사용자에 대해 하나의 적절한 군집된 분류를 결정하기 위해 사용자의 이력 데이터로부터 도출된 RFM 수치값들과 함께 사용될 수 있다. 예를 들면, 스코어링(scoring)은 사용자의 RFM 값들을 획득하기 위해 사용자의 이력 데이터를 사용하여 저장된 RFM 스코어링 규칙과 연관하여 수행될 수 있다.
도 6은 사용자의 RFM 수치값들에 기초하여 사용자를 분류하는 결정 트리의 일 부분의 일 예를 도시한다. 도 6에 도시되는 결정 트리의 예시적인 부분은 그의 RFM 값들이 동시에 R>3.5, F>4, 및 M>4를 만족하는 사용자가 "높은" 군집된 분류의 사용자로서 분류되는 것을 보여준다. 도 6에 도시되지 않은 결정 트리의 다른 부분들은, 예를 들면, RFM 값들이 동시에 R<2, F<2, 및 M<2를 만족하는 사용자가 "낮은" 군집된 분류의 사용자로서 분류되는 것, 및 RFM 값들이 그들이 "높은"도 "낮은"도 아닌 군집된 분류들로 간주되는 나머지 사용자들은 "중간" 군집된 분류의 사용자로서 분류될 수 있다는 것을 나타낼 수 있다.
예를 들면, 거래 요청 메시지와 연관된 사용자의 이력 데이터는 다음의 RFM 값들로 변환된다: R = 3.7, F = 4.1, M = 4.3. 따라서, 도 6에 도시된 결정 트리의 부분에 기초하여, R = 3.7, F = 4.1, M = 4.3 사용자는 "높은" 군집된 분류 사용자로서 분류될 수 있다.
단계 212로 돌아가면, 사용자에 대하여 군집된 분류에 대응하는 동적 한도는 미리 결정된 맵핑 규칙을 사용하여 결정된다.
다양한 실시예들에서, "동적 한도"는 사용자의 총 거래 비용이 상승할 수 있고 요청된 거래가 승인되게 하는 미리 결정된 한도보다 위의 최대량을 포함한다. 다양한 실시예들에서, 각각의 군집된 분류(예를 들면, 높음, 중간, 낮음)를 대응하는 동적 한도값에 관련시키는 미리 결정된 맵핑 규칙이 저장된다. 예를 들면, "높은" 군집된 분류는 맵핑 규칙을 통해 $2,000의 동적 한도에 맵핑되고; "중간" 군집된 분류는 맵핑 규칙을 통해 $1,000의 동적 한도에 맵핑되고; "낮은" 군집된 분류는 $500의 동적 한도에 맵핑된다.
214에서, 거래 요청 메시지는 총 거래 비용을 일시적 거래 한도와 비교하는 것에 적어도 부분적으로 기초하여 승인되는지의 여부가 결정되고, 일시적 거래 한도는 미리 결정된 한도 및 동적 한도의 조합을 포함한다.
거래 요청 메시지에 포함된 총 거래 비용이 사용자와 연관된 미리 결정된 한도보다 크다는 것이 단계(204)에서 미리 결정되었을 때, 사용자의 거래 한도는 군집화 분석 결과에 따라 사용자와 연관된 군집된 분류에 적어도 부분적으로 기초하여 결정된 동적 한도만큼 일시적으로 상승되는 것으로 결정된다. 다양한 실시예들에서, 일시적 거래 한도는 미리 결정된 한도 및 동적 한도의 합이다. 동적 한도가 사용자의 거래들의 각각에 대해 결정될 수 있기 때문에 사용자에 대해 결정된 동적 한도는 사용자의 미리 결정된 한도를 일시적으로 상승시키는 것으로 생각될 수 있지만, 반면에 사용자에 대해 미리 결정된 한도는 다수의 거래들을 통해 변경되지 않는다. 총 거래 비용이 미리 결정된 한도와 동적 한도의 합보다 크지 않은 경우, 거래 요청 메시지와 연관된 거래가 승인된다. 그와 달리, 총 거래 비용이 미리 결정된 한도 및 동적 한도의 합보다 큰 경우, 거래 요청 메시지와 연관된 거래는 승인되지 않는다.
몇몇 실시예들에서, 이력 거래 데이터 중 미리 결정된 양의 군집화는 프로세스(200) 전에 완료될 수 있고, 및/또는 프로세스(200)의 각각의 순간에 대해 반복되지 않을 수 있다. 새로운 거래 요청 메시지가 사용자로부터 수신될 때, 이러한 새롭게 수신된 데이터를 포함하는 대량의 데이터를 재군집화할 필요가 없다. 그와 반대로, 미리 결정된 맵핑 규칙에 따라 동적 한도를 획득하기 위해 대응하는 군집된 분류에 대해 거래 요청 메시지와 연관된 사용자와 연관된 이력 거래 데이터에 기초하여 미리 결정된 분류들에서 검색하는 것이 가능하다. 따라서, 미리 결정된 한도 및 동적 한도의 합은 사용자에 대해 일시적 거래 한도의 역할을 할 수 있고, 이후 사용자에 의해 전송된 거래 요청 메시지에 포함된 총 거래 비용이 일시적 거래 한도에 기초하여 승인될 수 있는지의 여부에 관하여 결정이 행해질 수 있다.
다음은 프로세스(200)를 적용하는 일 예이다: 사용자(A)와 연관된 식별 정보를 포함하는 거래 요청 메시지가 거래 플랫폼 서버에 수신된다. 이러한 요청 메시지에 포함된 총 거래 비용은 $2,500이다. 이러한 사용자에 대해 미리 결정된 한도는, 예를 들면, $2,000이다. 몇몇 실시예들에서, 미리 결정된 한도는 고정값이다. 몇몇 실시예들에서, 미리 결정된 한도는 도 3에 관하여 이하에 기술된 기술을 사용하여 동적으로 결정된다. 사용자의 이력 데이터에 따라 군집 분류들 중에서 이러한 사용자에 대해 획득된 군집된 분류는 중간이고, 미리 결정된 맵핑 규칙에 기초하여, 중간 군집된 분류에 대응하는 동적 한도는 $1,000이다. 따라서, 사용자에 대한 일시적 한도는 미리 결정된 한도 및 동적 한도의 합이고, 즉, $1000 + $2000 = $3,000이다. 거래 요청 메시지와 연관되는 총 거래 비용, $2,500은 $3,000의 일시적 한도보다 적다. 따라서, 거래 요청 메시지와 연관된 거래는 승인될 수 있다. 예를 들면, 거래 요청 메시지가 승인되는 경우, 총 거래 비용과 연관된 요청된 거래는 완료될 수 있고, 거래 요청 메시지와 연관된 제품들은 요청하는 사용자에 의해 구매되도록 승인된다. 그러나, 거래 요청 메시지와 연관되는 총 거래 비용이 $3,500인 경우, 비용은 $3,000의 일시적 한도보다 크고, 거래 요청 메시지와 연관된 거래는 거부된다.
도 3은 사용자의 미리 결정된 한도를 결정하는 일 예시적인 프로세스를 도시하는 흐름도이다. 몇몇 실시예들에서, 프로세스(300)는 도 1의 시스템(100)에서 수행된다. 몇몇 실시예들에서, 도 2의 프로세스(200)의 단계(204)에서 사용된 미리 결정된 한도는 프로세스(300)의 예를 사용하여 결정될 수 있다.
밀도 기반 이상치 배제 모델에서, 데이터 지점들 사이의 차이들은 1차원 공간에서 "거리들"로서 간주되고 전체 데이터 지점들은 "모집단"으로서 간주된다. 따라서, 각각의 "모집단" 내 특별히 흩어진 데이터 지점들은 "이상치들"로서 간주된다. 프로세스(300)의 예에서, 데이터 지점은 사용자의 이력 거래 비용을 포함한다. 사용자의 이력 거래 비용은 사용자에 의해 요청된 이력 거래와 연관된 총 비용을 포함한다. 도 4의 예에서 도시된 바와 같이, 영역(D)에서 데이터 지점들은 상대적으로 집중되고, 모집단 내에서 밀집된 지점들이다. 영역들(E, F, G) 내 데이터 지점들은 상대적으로 흩어지고 따라서 "이상치들"이라고 불린다. 프로세스(300)는 사용자와 연관된 이상치 이력 거래 비용들이 사용자에 대해 미리 결정된 한도를 결정하기 위해 사용되는 것에 대해 배제된다.
302에서, 사용자와 연관된 복수의 이력 거래 비용들이 순위 매김된다.
몇몇 실시예들에서, 사용자와 연관된 n 개의 이력 거래 비용들은 거래 비용들에 기초하여 순위 매김될 수 있다. 예를 들면, 거래 비용들은 가장 작은 것으로부터 가장 큰 것으로 순위 매김된다. 예를 들면, 순위 매김된 이력 거래 비용들은 d1, d2, ..., dn이다.
304에서, 이상치 조건은 미리 결정된 수식을 사용하여 결정된다.
몇몇 실시예들에서, 미리 결정된 수식은 다음과 같다:
Figure 112016082390812-pct00001
수식(1)에서, i는 i번째 거래를 나타내고, d1, d2, ..., dn는 순위 매김된 이력 거래 비용들을 포함하고, C는 임계값으로 설정되고, k는 미리 설정된 거리로 설정된다. 따라서, 상기 기술된 수식에 의해, i번째 거래 비용(di)으로부터 k 거래들 떨어진 거래 비용까지의 거리가 임계값(C)보다 클 때, i번째 거래 비용(di)은 이상치로서 간주된다.
따라서, C 및 k의 값들을 구성함으로써, 수식(1)은 이상치가 되는 것에 대한 조건을 충족하는 이들 i번째 이력 거래 비용(들)을 결정하기 위해 사용될 수 있다.
306에서, 이상치 조건을 충족하는 하나 이상의 이력 거래 비용들은 복수의 이력 거래 비용들로부터 결정된다.
특정한 숫자들을 사용하는 일 예에 대하여, 이력 거래 비용들(d1 내지 d7)의 모집단과 연관된 데이터 지점들을 도시하는 도 5를 참조할 수 있다. 작은 것에서 큰 것으로 순서화된 이력 거래 비용들(d1 내지 d7)은 d1 = 100, d2 = 110, d3 = 123, d4 = 195, d5 = 229, d6 = 1410, 및 d7 = 2100이다. 도 5의 예에서, C는 300으로 설정되고, k는 3으로 설정된다. 따라서 수식(1)을 적용하는 것은 다음을 산출한다:
Figure 112016082390812-pct00002
,
Figure 112016082390812-pct00003
.
따라서, d6 및 d7은 모집단으로부터 배제되는 이상치들이라고 결정된다. 모집단에서 나머지 데이터 지점들은 d1 내지 d5를 포함한다.
308에서, 사용자와 연관된 미리 결정된 한도는 이상치 조건을 충족하는 하나 이상의 이력 거래 비용들을 배제하는 복수의 이력 거래 비용들로부터의 최대값에 적어도 부분적으로 기초하여 결정된다.
d1 내지 d5 중 최대값은 229이다. 따라서, 최대값(229)은 사용자에 대해 미리 결정된 한도로서 설정된다.
몇몇 실시예들에서, 거래 요청 메시지는 거래와 연관된 하나 이상의 제품 형태들을 포함할 수 있다. 즉, 거래 요청 메시지는 다수의 상이한 형태들의 제품들 각각의 개별적인 비용을 포함할 수 있다. 이들 상이한 제품 형태들은 상이한 거래 시나리오들에 대응한다. 거래 요청 메시지와 연관된 다수의 거래 시나리오들이 존재하는 경우, 각각의 이러한 시나리오와 연관된 대응하는 미리 결정된 한도가 존재할 수 있다.
도 7은 사용자의 거래에 대하여 일시적 거래 한도를 결정하기 위한 시스템의 일 실시예를 도시하는 도면이다. 상기 예에서, 시스템(700)은 수신 유닛(710), 질의 유닛(720), 검색 유닛(730), 맵핑 유닛(740), 및 검증 유닛(750)을 포함한다.
유닛들은 하나 이상의 프로세서들상에 실행하는 소프트웨어 구성 요소들로서, 프로그램 가능한 논리 디바이스들과 같은 하드웨어로서, 및/또는 컴퓨터 디바이스(예컨대 개인용 컴퓨터들, 서버들, 네트워크 장비, 등)가 본 발명의 실시예들에서 기술된 방법들을 구현하게 하기 위한 다수의 명령들을 포함하는, 비휘발성 저장 매체(예컨대 광 디스크, 플래시 저장 디바이스, 이동식 하드 디스크, 등)에 저장될 수 있는 소프트웨어 제품들의 형태로 구현될 수 있는 요소들에 대해 설계된 주문형 집적 회로들로서 구현될 수 있다. 유닛들은 단일 디바이스상에 구현될 수 있거나 다수의 디바이스들에 걸쳐 분산될 수 있다.
수신 유닛(710)은 거래 요청 메시지를 수신하도록 구성된다. 거래 요청 메시지는 사용자와 연관된 총 거래 비용 및 식별 정보를 포함한다. 거래 요청 메시지는 또한 거래와 연관되는 제품 형태들의 하나 이상의 유닛들을 기술할 수 있다.
질의 유닛(720)은 사용자와 연관된 미리 결정된 한도와 총 거래 비용을 비교하도록 구성된다. 질의 유닛(720)은 수신 유닛(710)에 의해 수신된 거래 요청 메시지와 연관된 총 거래 비용이 미리 결정된 한도보다 큰 경우 다양한 사용자들과 연관된 이력 거래 데이터에 대해 질의하도록 구성된다.
검색 유닛(730)은 다양한 사용자들과 연관된 이력 거래 데이터의 적어도 일 부분으로부터 복수의 군집된 분류들을 결정하도록 구성된다. 몇몇 실시예들에서, 군집된 분류들은 다양한 사용자들과 연관된 미리 결정된 양의 이력 거래 데이터가 세 개의 측정들에 의해 군집화 처리되게 한 후 획득될 수 있다: 가장 최근 소비, 소비 횟수, 및 소비량. 빅 데이터 시뮬레이션 시나리오들을 채용함으로써, 새로운 수요들이 포함되지 않고, 수익률은 투자에 대해 증가된다. 빅 데이터 분석 기술들은 상인들이 실시간으로 거래 거동 데이터와 함께 이러한 데이터를 저장 및 분석하게 하고 그래서 더 큰 비용 효율성을 갖게 한다. 빅 데이터 기술들에 의해, 이러한 데이터는 집적되고 데이터 마이닝을 겪게 될 수 있다. 그 결과, 모델 시뮬레이션은 어느 방식이 상이한 변수들 하에서 투자에 대해 최고 수익률을 갖는지를 평가하기 위해 몇몇 상황들에서 사용될 수 있다.
검색 유닛(730)은 거래 요청 메시지와 연관된 사용자의 이력 거래 데이터에 기초하여 거래 요청 메시지와 연관된 사용자에 대응하는 군집된 분류를 결정하도록 또한 구성된다.
맵핑 유닛(740)은 미리 결정된 맵핑 규칙에 따라 거래 요청 메시지와 연관된 사용자와 연관된 군집된 분류에 대응하는 동적 한도를 결정하도록 구성된다.
검증 유닛(750)은 총 거래 비용이 미리 결정된 한도 및 동적 한도의 합보다 크지 않은 경우 거래 요청 메시지를 승인하도록 구성된다. 검증 유닛(750)은 총 거래 비용이 미리 결정된 한도 및 동적 한도의 합보다 큰 경우 거래 요청 메시지를 거부하도록 구성된다.
도 8은 미리 결정된 한도 계산 유닛의 일 실시예를 도시하는 도면이다. 상기 예에서, 시스템(800)의 미리 결정된 한도 계산 유닛(860)은 수신 유닛(810) 및 질의 유닛(820)에 연결된다. 수신 유닛(810), 질의 유닛(820), 검색 유닛(830), 맵핑 유닛(840), 및 검증 유닛(850)은 도 7의 수신 유닛(710), 질의 유닛(720), 검색 유닛(730), 맵핑 유닛(740), 및 검증 유닛(750)과 유사하게 구현될 수 있다.
순위 매김 유닛(861)은 사용자와 연관된 이력 거래 비용들을 순위 매김하도록 구성된다. 예를 들면, 사용자는 거래 요청 메시지와 연관된다.
평가 유닛(862)은 미리 결정된 수식을 사용하여 이상치 조건을 결정하도록 구성된다.
상기에 기술된 수식(1)은 i가 i번째 거래를 나타내고, d1, d2, ..., dn은 순위 매김된 이력 거래 비용들이고, C는 임계값으로 설정되고, k는 미리 설정된 거리로 설정되는, 이러한 미리 결정된 수식이다. 따라서, 상기에 기술되는 수식(1)을 사용하여, i번째 거래 비용(di)으로부터 k 거래들 떨어진 거래 비용까지의 거래가 임계값(C)보다 클 때, i번째 거래 비용(di)은 이상치로서 간주된다. 따라서, C 및 k의 값들을 구성함으로써, 수식(1)은 이상치가 되기 위한 조건을 충족하는 이들 i번째 거래 비용들을 결정하기 위해 사용될 수 있다.
배제 유닛(863)은 이상치 조건을 충족하는 복수의 이력 거래 비용들로부터 하나 이상의 이력 거래 비용들을 결정하도록 구성된다.
설정 유닛(864)은 사용자에 대해 미리 결정된 한도를 이상치 조건을 충족하는 하나 이상의 이력 거래 비용들을 배제하는 복수의 이력 거래 비용들로부터의 최대값으로서 결정하도록 구성된다.
일 실시예에서, 군집된 분류들은 빅 데이터의 미리 결정된 양이 군집화 처리가 된 후 획득된 분류들을 포함한다.
도 9는 일시적 거래 한도를 생성하는 것을 수행하기 위한 프로그래밍된 컴퓨터 시스템의 일 실시예를 도시하는 기능도이다. 명백한 바와 같이, 다른 컴퓨터 시스템 아키텍처들 및 구성들은 일시적 거래 한도를 생성하기 위해 사용될 수 있다. 이하에 기술되는 다양한 서브시스템들을 포함하는 컴퓨터 시스템(900)은 적어도 하나의 마이크로프로세서 서브시스템(일 프로세서 또는 중앙 처리 장치(CPU)라고도 불리는)(902)을 포함한다. 예를 들면, 프로세서(902)는 단일-칩 프로세서로 또는 다수의 프로세서들로 구현될 수 있다. 몇몇 실시예들에서, 프로세서(902)는 컴퓨터 시스템(900)의 동작을 제어하는 범용 디지털 프로세서이다. 메모리(910)로부터 검색된 명령들을 사용하여, 프로세서(902)는 입력 데이터의 수신 및 조작, 및 출력 디바이스들(예를 들면, 디스플레이(918))상으로 데이터의 출력 및 디스플레이를 제어한다. 몇몇 실시예들에서, 프로세서(902)는 일시적 거래 한도를 포함하고 및/또는 일시적 거래 한도를 생성하기 위해 사용된다.
프로세서(902)는 제 1 주기억 장치 영역, 일반적으로 랜덤 액세스 메모리(RAM), 및 제 2 주기억 장치 영역, 일반적으로 판독 전용 메모리(ROM)을 포함할 수 있는 메모리(910)와 양방향으로 결합된다. 본 기술 분야에서 잘 알려진 바와 같이, 주기억 장치는 범용 기억 장치 영역으로서 및 스크래치-패드 메모리로서 사용될 수 있고, 입력 데이터 및 처리된 데이터를 저장하기 위해 또한 사용될 수 있다. 주기억 장치는, 프로세서(902)상에 동작하는 프로세스들에 대한 명령들 및 다른 데이터에 추가하여, 데이터 객체들 및 텍스트 객체들의 형태로, 프로그래밍 명령들 및 데이터를 또한 저장할 수 있다. 또한, 본 기술 분야에서 잘 알려진 바와 같이, 주기억 장치는 일반적으로 그의 기능들(예를 들면, 프로그래밍된 명령들)을 수행하기 위해 프로세서(902)에 의해 사용된 기본 동작 명령들, 프로그램 코드, 데이터, 및 객체들을 포함한다. 예를 들면, 메모리(910)는, 예를 들면, 데이터 액세스가 양방항이 될 필요가 있는지 단방향으로 될 필요가 있는지에 따라, 이하에 기술된 임의의 적절한 컴퓨터 판독가능한 저장 매체를 포함할 수 있다. 예를 들면, 프로세서(902)는 또한 캐시 메모리(도시되지 않음)에 자주 필요한 데이터를 직접 및 매우 빠르게 검색 및 저장할 수 있다.
제거 가능한 대량 저장 디바이스(912)는 컴퓨터 시스템(900)에 대한 추가의 데이터 저장 용량을 제공하고, 프로세서(902)에 양방향으로(판독/기록) 또는 단방향으로(판독 전용) 결합된다. 예를 들면, 저장 디바이스(912)는 또한 컴퓨터 판독가능한 매체, 예컨대 자기 테이프, 플래시 메모리, PC-CARDS, 이동식 대용량 저장 디바이스들, 홀로그래픽 저장 디바이스들, 및 다른 저장 디바이스들을 포함할 수 있다. 고정식 대용량 저장 장치(920)는 또한, 예를 들면, 추가의 데이터 저장 용량을 제공할 수 있다. 고정식 대용량 저장 장치(920)의 가장 일반적인 예는 하드 디스크 드라이브이다. 대용량 저장 장치(912, 920)는, 일반적으로 프로세서(902)에 의해 활성 사용중이 아닌 추가의 프로그래밍 명령들, 데이터 등을 통상 저장한다. 대용량 저장 장치(912, 920) 내 보유된 정보는, 필요한 경우, 가상 메모리로서 메모리(910)(예를 들면, RAM)의 부분으로서 표준 방식으로, 통합될 수 있다는 것이 이해될 것이다.
프로세서(902)에 저장 서브시스템들에 대한 액세스를 제공하는 것에 더하여, 버스(914)는 다른 서브시스템들 및 디바이스들에 대한 액세스를 제공하기 위해 또한 사용될 수 있다. 도시된 바와 같이, 이들은 디스플레이(918), 네트워크 인터페이스(916), 키보드(904), 및 포인팅 디바이스(908), 뿐만 아니라 보조 입력/출력 디바이스 인터페이스, 사운드 카드, 스피커들, 및 필요한 다른 서브시스템들을 포함할 수 있다. 예를 들면, 포인팅 디바이스(908)는 마우스, 스타일러스, 트랙 볼, 태블릿일 수 있고, 그래픽 사용자 인터페이스와 상호 작용하기에 유용하다.
네트워크 인터페이스(916)는 프로세서(902)가 도시되는 네트워크 접속을 사용하는 다른 컴퓨터, 컴퓨터 네트워크, 또는 원격 통신 네트워크에 결합되게 한다. 예를 들면, 네트워크 인터페이스(916)를 통해, 프로세서(902)는 방법/프로세스 단계들을 수행하는 과정에서 다른 네트워크로부터 정보(예를 들면, 데이터 객체들 또는 프로그램 명령들)를 수신할 수 있거나, 정보를 다른 네트워크로 출력할 수 있다. 종종 프로세서상에 실행될 명령들의 일 시퀀스로서 나타내지는 정보는 다른 네트워크로부터 수신되고 다른 네트워크로 출력될 수 있다. 인터페이스 카드 또는 유사한 디바이스 및 프로세서(902)에 의해 구현된(예를 들면, 실행된/수행된) 적절한 소프트웨어는 컴퓨터 시스템(900)을 외부 네트워크에 접속하고 표준 프로토콜들에 따라 데이터를 전송하기 위해 사용될 수 있다. 예를 들면, 여기에 개시된 다양한 프로세스 실시예들은 프로세서(902)상에 실행될 수 있거나, 처리의 일 부분을 공유하는 원격 프로세서와 함께, 인터넷, 인트래넷 네트워크들, 또는 근거리망들과 같은 네트워크에 걸쳐 수행될 수 있다. 추가의 대용량 저장 디바이스들(도시되지 않음)은 또한 네트워크 인터페이스(916)를 통해 프로세서(902)에 연결될 수 있다.
보조 I/O 디바이스 인터페이스(도시되지 않음)는 컴퓨터 시스템(900)과 함께 사용될 수 있다. 보조 I/O 디바이스 인터페이스는 프로세서(902)가 다른 디바이스들 예컨대 마이크로폰들, 터치 감응식 디스플레이들, 트랜듀서 카드 판독기들, 테이프 판독기들, 음성 또는 필기 인식기들, 생체 인식 판독기들, 카메라들, 이동식 대용량 저장 디바이스들, 및 다른 컴퓨터들로부터 데이터를 전송, 및 더 일반적으로 그를 수신하게 하는 범용 및 맞춤식 인터페이스들을 포함할 수 있다.
상기에 기술된 실시예들에 의해 설명된 시스템들, 디바이스들, 또는 유닛들은 컴퓨터 칩들 또는 엔티티들에 의해 또는 특정 기능을 소유한 제품들에 의해 실현될 수 있다.
기술의 편리성을 위해, 상기의 디바이스를 기술할 때, 기능들은 개별적인 유닛들로서 기술된다. 물론, 본 출원의 구현 동안, 다양한 유닛들의 기능들은 동일한 또는 다수의 소프트웨어 및/또는 하드웨어 구성들에서 달성될 수 있다.
상기 실시예의 기술을 통해 이해될 수 있는 바와 같이, 당업자들은 소프트웨어와 필요한 일반적인 하드웨어 플랫폼을 더한 것의 도움으로 실현될 수 있다는 것을 명확히 이해할 수 있다. 이러한 이해에 기초하여, 본 출원의 기술 방식의 본질 또는 종래 기술에 기여하는 부분은 소프트웨어 제품의 형태로 구현될 수 있다. 컴퓨터 소프트웨어 제품은 저장 매체, 예컨대 ROM/RAM, 자기 디스크들, 또는 광 디스크들에 저장될 수 있고, 컴퓨터 장비의 일 부분(개인용 컴퓨터, 서버, 또는 네트워크 장비일 수 있는)이 본 출원의 다양한 실시예들에 의해 또는 실시예들의 특정한 부분들에 의해 기술되는 프로세스들을 실행하게 하기 위해 사용된 몇몇 명령들을 포함할 수 있다.
본 출원은 많은 범용 또는 특수화된 컴퓨터 시스템들 또는 구성들에서 사용될 수 있다. 예를 들면: 개인용 컴퓨터들, 서버들, 핸드헬드 디바이스들 또는 이동식 장비, 태블릿형 장비, 멀티프로세서 시스템들, 마이크로프로세서-기반 시스템들, 셋-탑 박스들, 프로그램가능한 소비자 전자 장비, 네트워킹된 PC들, 미니컴퓨터들, 메인프레임 컴퓨터들, 상기 시스템들 및 장비 중 임의의 것을 포함하는 분산 컴퓨팅 환경들, 등.
본 출원은 컴퓨터에 의해 실행된 컴퓨터 실행가능한 명령들의 일반적인 환경, 예컨대 프로그램 모듈에서 기술될 수 있다. 일반적으로, 프로그램 모듈들은 특정한 태스크들을 실행하거나 특정한 추상 데이터형들을 달성하기 위해, 루틴들, 프로그램들, 객체들, 구성 요소들, 데이터 구조들, 등을 포함한다. 본 출원은 또한 분산된 컴퓨팅 환경들에서 수행될 수 있다; 이러한 분산된 컴퓨팅 환경들에서, 태스크들은 통신 네트워크들을 통해 연결된 원격 처리 장비에 의해 실행된다. 분산된 컴퓨팅 환경들에서, 프로그램 모듈들은 저장 장비를 포함하는 로컬 또는 원격 컴퓨터들에서 저장 매체상에 저장될 수 있다.
본 출원이 실시예들을 통해 묘사되지만, 당업자들은 본 출원이 본 출원의 정신으로부터 벗어나지 않고 많은 변형들 및 변경들을 갖는다는 것을 안다.
전술한 실시예들이 이해의 명확성을 위해 몇몇 상세들에서 기술되었지만, 본 발명은 제공된 상세들로 제한되지 않는다. 본 발명을 구현하는 많은 대안적인 방식들이 존재한다. 개시된 실시예들은 예시적이고 제한적이 아니다.
102: 디바이스 104 : 네트워크
106 : 전자 상거래 플랫폼 서버 108 : 거래 플랫폼 서버
710 : 수신 유닛 720 : 질의 유닛
730 : 검색 유닛 740 : 맵핑 유닛
750 : 검증 유닛

Claims (19)

  1. 시스템에 있어서,
    거래 요청 메시지를 수신하기 위한 수신 유닛으로서, 상기 거래 요청 메시지는 사용자와 연관된 총 거래 비용 및 식별 정보를 포함하는, 상기 수신 유닛;
    질의 유닛으로서:
    상기 사용자와 연관된 복수의 이력 거래 비용들에 적어도 부분적으로 기초하여 이상치 조건을 결정하고;
    상기 이상치 조건을 충족하는 하나 이상의 이력 거래 비용들을 제외하는 상기 복수의 이력 거래 비용들로부터 최대값에 적어도 부분적으로 기초하여 상기 사용자와 연관된 미리 결정된 한도를 결정하는 것을 포함하여,
    상기 총 거래 비용이 미리 결정된 한도보다 큰지를 결정하고;
    상기 총 거래 비용이 상기 미리 결정된 한도보다 크다는 결정에 응답하여, 복수의 사용자들과 연관된 이력 거래 데이터를 검색하기 위한, 상기 질의 유닛;
    검색 유닛으로서:
    상기 복수의 사용자와 연관된 상기 이력 거래 데이터로부터 복수의 군집된 분류들을 결정하고,
    상기 사용자와 연관된 이력 거래 데이터에 적어도 부분적으로 기초하여 상기 복수의 군집된 분류들로부터 하나의 군집된 분류를 결정하는, 상기 검색 유닛;
    미리 결정된 맵핑 규칙을 사용하여 상기 사용자에 대한 상기 군집된 분류에 대응하는 동적 한도를 결정하기 위한 맵핑 유닛; 및
    상기 총 거래 비용을 일시적 거래 한도에 비교하는 것에 적어도 부분적으로 기초하여 상기 거래 요청 메시지가 승인되었는지의 여부를 결정하기 위한 검증 유닛으로서, 상기 일시적 거래 한도는 상기 미리 결정된 한도 및 상기 동적 한도의 조합을 포함하는, 상기 검증 유닛을 포함하는, 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제 1 항에 있어서,
    상기 이상치 조건은 |di-di-k| > C, i = k + 1, ..., n에 적어도 부분적으로 기초하여 결정되고,
    i는 i번째 거래를 나타내고, d1, d2, ..., dn은 순위 매김된 복수의 이력 거래 비용들을 포함하고, C는 임계값으로 설정되고, k는 미리 설정된 거리로 설정되는, 시스템.
  6. 제 1 항에 있어서,
    상기 복수의 사용자와 연관된 상기 이력 거래 데이터로부터 상기 복수의 군집된 분류들을 결정하는 것은 하나 이상의 측정들에 따라 상기 복수의 사용자들과 연관된 상기 이력 거래 데이터의 적어도 일 부분에 대해 군집화를 수행하는 것을 포함하는, 시스템.
  7. 제 6 항에 있어서,
    상기 하나 이상의 측정들은 가장 최근의 소비, 소비 횟수, 및 소비량 중 하나 이상을 포함하는, 시스템.
  8. 제 1 항에 있어서,
    상기 사용자와 연관된 상기 이력 거래 데이터에 적어도 부분적으로 기초하여 상기 복수의 군집된 분류들로부터 상기 군집된 분류를 결정하는 것은:
    사용자와 연관된 상기 이력 거래 데이터를 하나 이상의 측정들에 대응하는 값들로 변환하는 것; 및
    상기 하나 이상의 측정들에 대응하는 상기 값들을 상기 군집된 분류와 연관된 상기 하나 이상의 측정들에 대응하는 값들의 범위들과 비교하는 것을 포함하는, 시스템.
  9. 제 1 항에 있어서,
    상기 일시적 거래 한도는 상기 미리 결정된 한도 및 상기 동적 한도의 합을 포함하는, 시스템.
  10. 방법에 있어서,
    수신 유닛에 의해, 거래 요청 메시지를 수신하는 단계로서, 상기 거래 요청 메시지는 사용자와 연관된 총 거래 비용 및 식별 정보를 포함하는, 상기 수신 단계;
    질의 유닛에 의해, 상기 총 거래 비용이 미리 결정된 한도보다 큰지를 결정하는 단계로서,
    상기 사용자와 연관된 복수의 이력 거래 비용들에 적어도 부분적으로 기초하여 이상치 조건을 결정하는 단계;
    상기 이상치 조건을 충족하는 하나 이상의 이력 거래 비용들을 제외하는 상기 복수의 이력 거래 비용들로부터 최대값에 적어도 부분적으로 기초하여 상기 사용자와 연관된 미리 결정된 한도를 결정하는 단계를 포함하는, 상기 총 거래 비용이 미리 결정된 한도보다 큰지를 결정하는 단계;
    상기 총 거래 비용이 상기 미리 결정된 한도보다 크다는 결정에 응답하여, 질의 유닛에 의해, 복수의 사용자들과 연관된 이력 거래 데이터를 검색하는 단계;
    검색 유닛에 의해, 상기 복수의 사용자들과 연관된 상기 이력 거래 데이터로부터 복수의 군집된 분류들을 결정하는 단계;
    검색 유닛에 의해, 상기 사용자와 연관된 이력 거래 데이터에 적어도 부분적으로 기초하여 상기 복수의 군집된 분류들로부터 하나의 군집된 분류를 결정하는 단계;
    매핑 유닛에 의해, 미리 결정된 맵핑 규칙을 사용하여 상기 사용자에 대해 상기 군집된 분류에 대응하는 동적 한도를 결정하는 단계; 및
    검증 유닛에 의해, 상기 총 거래 비용을 일시적 거래 한도와 비교하는 것에 적어도 부분적으로 기초하여 상기 거래 요청 메시지가 승인되는지의 여부를 결정하는 단계로서, 상기 일시적 거래 한도는 상기 미리 결정된 한도 및 상기 동적 한도의 조합을 포함하는, 상기 결정 단계를 포함하는, 방법.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 제 10 항에 있어서,
    상기 이상치 조건은 |di-di-k| > C, i = k + 1, ..., n에 적어도 부분적으로 기초하여 결정되고,
    i는 i번째 거래를 나타내고, d1, d2, ..., dn은 순위 매김된 복수의 이력 거래 비용들을 포함하고, C는 임계값으로 설정되고, k는 미리 설정된 거리로 설정되는, 방법.
  15. 제 10 항에 있어서,
    상기 복수의 사용자들과 연관된 상기 이력 거래 데이터로부터 상기 복수의 군집된 분류들을 결정하는 단계는 하나 이상의 측정들에 따라 상기 복수의 사용자들과 연관된 상기 이력 거래 데이터 중 적어도 일 부분에 대한 군집화를 수행하는 단계를 포함하는, 방법.
  16. 제 15 항에 있어서,
    상기 하나 이상의 측정들은 가장 최근의 소비, 소비 횟수, 및 소비량 중 하나 이상을 포함하는, 방법.
  17. 제 10 항에 있어서,
    상기 사용자와 연관된 상기 이력 거래 데이터에 적어도 부분적으로 기초하여 상기 복수의 군집된 분류들로부터 상기 군집된 분류를 결정하는 단계는:
    상기 사용자와 연관된 상기 이력 거래 데이터를 하나 이상의 측정들에 대응하는 값들로 변환하는 단계; 및
    상기 하나 이상의 측정들에 대응하는 상기 값들을 상기 군집된 분류와 연관된 상기 하나 이상의 측정들에 대응하는 값들의 범위들과 비교하는 단계를 포함하는, 방법.
  18. 제 10 항에 있어서,
    상기 일시적 거래 한도는 상기 미리 결정된 한도 및 상기 동적 한도의 합을 포함하는, 방법.
  19. 컴퓨터 명령들을 포함하는 컴퓨터 프로그램을 저장한 비일시적 컴퓨터 판독가능한 저장 매체에 있어서,
    상기 컴퓨터 명령들은:
    사용자와 연관된 총 거래 비용 및 식별 정보를 포함하는 거래 요청 메시지를 수신하고;
    상기 사용자와 연관된 복수의 이력 거래 비용들에 적어도 부분적으로 기초하여 이상치 조건을 결정하고;
    상기 이상치 조건을 충족하는 하나 이상의 이력 거래 비용들을 제외하는 상기 복수의 이력 거래 비용들로부터 최대값에 적어도 부분적으로 기초하여 상기 사용자와 연관된 미리 결정된 한도를 결정하는 것을 포함하여,
    상기 총 거래 비용이 미리 결정된 한도보다 큰지를 결정하고;
    상기 총 거래 비용이 상기 미리 결정된 한도보다 크다는 결정에 응답하여, 복수의 사용자들과 연관된 이력 거래 데이터를 검색하고;
    상기 복수의 사용자들과 연관된 상기 이력 거래 데이터로부터 복수의 군집된 분류들을 결정하고;
    상기 사용자와 연관된 이력 거래 데이터에 적어도 부분적으로 기초하여 상기 복수의 군집된 분류들로부터 하나의 군집된 분류를 결정하고;
    미리 결정된 맵핑 규칙을 사용하여 상기 사용자에 대해 상기 군집된 분류에 대응하는 동적 한도를 결정하고;
    상기 총 거래 비용을, 상기 미리 결정된 한도 및 상기 동적 한도의 조합을 포함하는 일시적 거래 한도와 비교하는 것에 적어도 부분적으로 기초하여 상기 거래 요청 메시지가 승인되는지의 여부를 결정하기 위한 것인, 비일시적 컴퓨터 판독가능한 저장 매체.
KR1020167023210A 2014-03-25 2015-03-13 일시적 거래 한도 결정 KR101939554B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
CN201410113875.2 2014-03-25
CN201410113875.2A CN104951446A (zh) 2014-03-25 2014-03-25 大数据处理方法及平台
US14/656,382 US10504120B2 (en) 2014-03-25 2015-03-12 Determining a temporary transaction limit
US14/656,382 2015-03-12
PCT/US2015/020487 WO2015148159A1 (en) 2014-03-25 2015-03-13 Determining a temporary transaction limit

Publications (2)

Publication Number Publication Date
KR20160121806A KR20160121806A (ko) 2016-10-20
KR101939554B1 true KR101939554B1 (ko) 2019-01-17

Family

ID=54166109

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167023210A KR101939554B1 (ko) 2014-03-25 2015-03-13 일시적 거래 한도 결정

Country Status (7)

Country Link
US (1) US10504120B2 (ko)
JP (1) JP6425735B2 (ko)
KR (1) KR101939554B1 (ko)
CN (1) CN104951446A (ko)
HK (1) HK1211095A1 (ko)
TW (1) TWI650653B (ko)
WO (1) WO2015148159A1 (ko)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10248530B2 (en) * 2015-07-09 2019-04-02 Comcast Cable Communications, Llc Methods and systems for determining capacity
US10033678B2 (en) * 2015-10-23 2018-07-24 Paypal, Inc. Security for emoji based commands
CN106920140A (zh) * 2015-12-25 2017-07-04 北京奇虎科技有限公司 历史订单处理方法及装置
CN107346312A (zh) * 2016-05-05 2017-11-14 中国移动通信集团内蒙古有限公司 一种大数据处理方法及系统
CN106327197A (zh) * 2016-08-24 2017-01-11 努比亚技术有限公司 支付装置、终端及支付方法
CN107808346B (zh) * 2016-09-08 2021-08-24 腾讯科技（深圳）有限公司 一种潜在目标对象的评估方法及评估装置
TWI599981B (zh) * 2016-10-19 2017-09-21 Chunghwa Telecom Co Ltd Computer program and method applied to big data music playing in smart building
CN106503438A (zh) * 2016-10-20 2017-03-15 上海科瓴医疗科技有限公司 一种用于药店会员分析的h‑rfm用户建模方法及系统
TWI611309B (zh) * 2016-12-16 2018-01-11 大數據資料庫系統
CN106845706A (zh) * 2017-01-19 2017-06-13 浙江工商大学 在线社交网络用户关系强度预测方法
TWI649708B (zh) * 2017-04-25 2019-02-01 福皓整合科技有限公司 客戶價值之預測方法
CN109388661B (zh) 2017-08-02 2020-04-21 创新先进技术有限公司 一种基于共享数据的模型训练方法及装置
US20190213623A1 (en) * 2018-01-11 2019-07-11 Affinity Solutions, Inc. System for predicting future purchase using sequence pattern mining of credit/debit data
US20190220841A1 (en) * 2018-01-12 2019-07-18 Wells Fargo Bank, N.A. Dynamic micropayment fee selector
CN108446849A (zh) * 2018-03-21 2018-08-24 携程旅游网络技术（上海）有限公司 信用额度的评估方法及其系统、存储介质、电子设备
CN108921385A (zh) * 2018-06-07 2018-11-30 中国联合网络通信集团有限公司 基于自然人的维系方法及系统
CN109102387B (zh) * 2018-06-28 2020-10-02 招联消费金融有限公司 一种额度调整方法、服务器及计算机可读介质
CN109146474A (zh) * 2018-07-18 2019-01-04 阿里巴巴集团控股有限公司 一种支付限额定制方法及装置
CN110968368B (zh) * 2018-09-30 2022-05-13 武汉斗鱼网络科技有限公司 一种直播数据的处理方法及其相关设备
US11176556B2 (en) * 2018-11-13 2021-11-16 Visa International Service Association Techniques for utilizing a predictive model to cache processing data
CN109615385A (zh) * 2018-11-19 2019-04-12 中国银行股份有限公司 刷脸交易的限额控制方法、装置及存储介质
SE1830356A1 (en) 2018-12-07 2020-06-08 Omnicorn Ab Purchase Management System And Method
US20200265440A1 (en) * 2019-02-19 2020-08-20 International Business Machines Corporation Transaction validation for plural account owners
CN111145008A (zh) * 2019-12-04 2020-05-12 支付宝(杭州)信息技术有限公司 一种账户限额配置方法及装置
US11574327B2 (en) * 2019-12-18 2023-02-07 Visa International Service Association Method, system, and computer program product for determining customer migration
EP4104127A4 (en) * 2020-02-10 2023-11-15 Izzi, Inc. SYSTEM AND METHOD FOR IMPLEMENTING A PAYMENT ARCHITECTURE THAT PROVIDES INSTANT, RISK-FREE PAYMENT IN ELECTRONIC MONEY
CN111597249A (zh) * 2020-04-24 2020-08-28 深圳市商汤科技有限公司 数据显示方法和相关装置
US11044198B1 (en) 2020-08-05 2021-06-22 Coupang Corp. Systems and methods for pooling multiple user requests to mitigate network congestion
CN112949907B (zh) * 2021-02-04 2024-03-19 品茗科技股份有限公司 一种工程造价的定额匹配方法、装置、设备及存储介质
CN113034179A (zh) * 2021-03-15 2021-06-25 广州虎牙科技有限公司 用户的分类方法以及相关装置、设备
CN114331667B (zh) * 2021-12-02 2023-02-10 上海金仕达软件科技有限公司 一种防止银行贵金属超买超卖的方法及系统
KR102455932B1 (ko) * 2022-01-03 2022-10-19 쿠팡 주식회사 후불 결제 정보 제공을 위한 전자 장치 및 그 방법

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5177342A (en) * 1990-11-09 1993-01-05 Visa International Service Association Transaction approval system
US6119103A (en) * 1997-05-27 2000-09-12 Visa International Service Association Financial risk prediction systems and methods therefor
JP2001306829A (ja) 2000-04-20 2001-11-02 Canon Inc プリントサービスシステム，プリントサービス管理サーバ装置，店舗サービス管理装置，システム使用料金算出方法及びプリントサービス利用料金算出方法
JP2001331749A (ja) 2000-05-23 2001-11-30 Aiful Corp 保証業務システム及びその方法
JP2002049814A (ja) 2000-08-01 2002-02-15 Japan Airlines Co Ltd 与信精算機能を分離した搭乗券発行システム
US7383224B2 (en) 2001-06-29 2008-06-03 Capital One Financial Corporation Systems and methods for processing credit card transactions that exceed a credit limit
JP4084556B2 (ja) 2001-10-19 2008-04-30 株式会社エヌ・ティ・ティ・ドコモ 料金代行徴収システム、代行徴収サーバ、移動端末及び料金代行徴収方法
US20030208439A1 (en) * 2002-05-03 2003-11-06 Rast Rodger H. Automated soft limit control of electronic transaction accounts
CN1510598A (zh) * 2002-12-21 2004-07-07 鸿富锦精密工业（深圳）有限公司 应收账款客户信用额度管理方法
JP2004213452A (ja) 2003-01-07 2004-07-29 Matsushita Electric Ind Co Ltd 情報処理システム、サーバ装置および記録媒体
KR20050091203A (ko) 2004-03-11 2005-09-15 (주)더한커뮤니티 후불결제 처리방법
US7143936B2 (en) * 2005-02-09 2006-12-05 American Express Travel Related Services Company, Inc. System and method for calculating expected approval rates
TW200638280A (en) * 2005-04-20 2006-11-01 Chia-Chia Wang Related commodities of communication system and sales method hereof
US8521542B1 (en) * 2007-05-24 2013-08-27 United Services Automobile Association (Usaa) Systems and methods for classifying account data using artificial neural networks
US20090307049A1 (en) * 2008-06-05 2009-12-10 Fair Isaac Corporation Soft Co-Clustering of Data
US8799161B2 (en) 2010-05-20 2014-08-05 Bank Of America Corporation Automatically decisioning transaction requests
CN102034181A (zh) * 2010-11-09 2011-04-27 深圳市爱贝信息技术有限公司 基于用户交易频度检测的交易安全控制方法及装置
WO2012137218A1 (en) 2011-04-07 2012-10-11 Infosys Limited System and method for granting a temporary overdraft automatically
US20120265681A1 (en) * 2011-04-15 2012-10-18 Bank Of America Corporation Dynamic credit limit increase
KR20110092261A (ko) 2011-08-01 2011-08-17 주식회사 비즈모델라인 결제한도 조정 방법
CN103136858B (zh) 2012-12-20 2014-12-17 天地融科技股份有限公司 智能卡及智能卡交易控制方法

Also Published As

Publication number Publication date
US20150278813A1 (en) 2015-10-01
WO2015148159A1 (en) 2015-10-01
TW201537366A (zh) 2015-10-01
CN104951446A (zh) 2015-09-30
TWI650653B (zh) 2019-02-11
JP6425735B2 (ja) 2018-11-21
US10504120B2 (en) 2019-12-10
HK1211095A1 (en) 2016-05-13
JP2017515184A (ja) 2017-06-08
KR20160121806A (ko) 2016-10-20

Similar Documents

Publication Publication Date Title
KR101939554B1 (ko) 일시적 거래 한도 결정
US11645321B2 (en) Calculating relationship strength using an activity-based distributed graph
Elgendy et al. Big data analytics: a literature review paper
US11275748B2 (en) Influence score of a social media domain
CN104077723B (zh) 一种社交网络推荐系统及方法
CN107908616B (zh) 预测趋势词的方法和装置
Arun et al. Big data: review, classification and analysis survey
US20210125272A1 (en) Using Inferred Attributes as an Insight into Banking Customer Behavior
US20230214677A1 (en) Techniques for evaluating an effect of changes to machine learning models
Wang et al. An unsupervised strategy for defending against multifarious reputation attacks
CN115983900A (zh) 用户营销策略的构建方法、装置、设备、介质和程序产品
JP7454630B2 (ja) ラベル推奨モデルのトレーニング方法及び装置、ラベル取得方法及び装置
US10242068B1 (en) Methods and systems for ranking leads based on given characteristics
CN110796520A (zh) 商品推荐的方法、装置、计算设备以及介质
CN115827994A (zh) 一种数据处理方法、装置、设备、存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
US20220156304A1 (en) Relationship discovery and quantification
Madaan et al. Big data analytics: A literature review paper
US20220138262A1 (en) Techniques to generate and store graph models from structured and unstructured data in a cloud-based graph database system
US11935060B1 (en) Systems and methods based on anonymized data
US11200518B2 (en) Network effect classification
CN112559897B (zh) 匹配关系的识别方法、装置及设备
Akerkar et al. Analytics and big data
Maciejewski et al. Visualization for Data Science: Adding Credibility, Legitimacy, and Saliency.
CN111930604B (zh) 联机交易性能分析方法及装置、电子设备和可读存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right