KR20200019955A - 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석 및 연관된 액션 트리거링을 위한 시스템 - Google Patents

상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석 및 연관된 액션 트리거링을 위한 시스템 Download PDF

Info

Publication number
KR20200019955A
KR20200019955A KR1020207001003A KR20207001003A KR20200019955A KR 20200019955 A KR20200019955 A KR 20200019955A KR 1020207001003 A KR1020207001003 A KR 1020207001003A KR 20207001003 A KR20207001003 A KR 20207001003A KR 20200019955 A KR20200019955 A KR 20200019955A
Authority
KR
South Korea
Prior art keywords
data
product
consumer
controller
metadata
Prior art date
Application number
KR1020207001003A
Other languages
English (en)
Inventor
디페시 알바니
션 타헤니
칼 귀니
Original Assignee
디페시 알바니
칼 귀니
션 타헤니
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
Priority claimed from AU2017902404A external-priority patent/AU2017902404A0/en
Application filed by 디페시 알바니, 칼 귀니, 션 타헤니 filed Critical 디페시 알바니
Publication of KR20200019955A publication Critical patent/KR20200019955A/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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0268—Targeted advertisements at point-of-sale [POS]
    • 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
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0259—Targeted advertisements based on store location
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석, 및 연관된 액션 트리거링을 위한 시스템이 제공된다. 시스템은 복수의 소비자 전자 장치로부터 상점내 소비자 행동 이벤트 메타데이터를 수집하고 훈련된 인공 지능 분석 엔진을 이용해 이러한 소비자에게 유용한, 소비자 행동을 더 수정할 수 있는 다양한 인공 지능 통찰을 제공할 수 있다. 훈련된 인공 지능 분석 엔진은 이러한 집성된 상점내 소비자 행동 이벤트 메타데이터를 지능적으로 해석하고 이에 따라, 소비자 전자 장치로 전자적으로 전송되는 액션을 트리거하도록 구성된 데이터 해석 제어기를 가질 수 있다. 데이터 해석 제어기는 가용성 및 그 밖의 다른 메타데이터에 따라 복수의 소비자 제품을 나타내는 소비자 제품 메타데이터 데이터베이스의 데이터 무결서응ㄹ 최적화하도록 구성된 데이터 검증 제어기를 가질 수 있다.

Description

상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석 및 연관된 액션 트리거링을 위한 시스템
본 발명은 일반적으로 지능형 분석 엔진과 관련되며, 더 구체적으로 본 발명은 현실세계에서 상점내 적용에 적합한, 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석 및 연관된 액션 트리거링을 위한 시스템과 관련된다.
소비자 행동 데이터 집성 분석 및 이벤트 트리거링이 온라인 상에서 흔히 ㅂ발생한다. 예를 들어, 다양한 제공자가 추적 기법, 가령, 쿠키 활용을 이용해 복수의 웹사이트에 걸친 소비자 행동, 가령, 소비자 관심을 추적하고, 소비자 관심이 식별되면, 이에 따른 타깃 광고가 소비자에게 제공되도록 한다.
그러나 이러한 시스템은 현실세계 응용예, 가령, 상점내 소비자 행동 분석 및 소비자 행동 수정을 위한 활용에 쉽게 적용될 수 없다.
현실세계에 이러한 분석 엔진을 배치할 때 관련된 문제가 여러 다른 상점에서의 제품의 가용 여부와 가격 모두가 크게 다르다는 점에서 소비자 제품 메타데이터 무결성의 문제를 포함한다.
또한, 현실세계에서 소비자 행동 메타데이터를 획득하는 데 어려움이 존재한다.
또한, 종래 기술의 온라인 타깃 광고 분석 엔진이 일반적으로 확정된 사용자 관심에 따라 광고 데이터베이스로부터 선택된 타깃 광고를 제공하는 것까지만 한다. 그러나 현실 세계 소비자에게 유용한 인공 지능 통찰력을 생성하는 것을 포함하여 이보다 훨씬 더 많은 기능을 수행 할 수 있는 시스템이 이상적일 것이다.
본 발명은 종래 기술의 결함 중 적어도 일부를 극복하거나 실질적으로 개선할 시스템 및 이와 연관된 방법을 제공하거나, 적어도 대안을 제공한다.
임의의 종래 기술 정보가 본 명세서에서 지칭되는 경우, 이러한 언급이 상기 정보가 호주나 그 밖의 다른 임의의 국가에서 일반적인 지식의 일부를 형성한다는인정으로 해석되지 않음이 자명하다.
이하의 실시예에서, 종래 기술 시스템의 문제를 극복, 적어도 개선, 또는 대안을 제공하는, 데이터 해석 및 연관된 액션 트리거링을 위한 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 검증 및 인공 지능 분석을 위한 시스템이 제공된다.
이하에서 더 상세히 기재될 바와 같이, 시스템은 복수의 소비자 전자 장치로부터 상점내 소비자 행동 이벤트 메타데이터를 수집하며 훈련된 인공 지능 분석 엔진을 이용해 이러한 소비자에게 유용하며, 소비자 행동을 더 수정할 수 있는 다양한 인공 지능 통찰을 제공할 수 있다.
이하에서 더 기재될 바와 같이, 훈련된 인공 지능 분석 엔진은 이러한 집성된 상점내 소비자 행동 이벤트 메타데이터를 지능적으로 해석하고 이에 따라, 소비자 전자 장치로 전자적으로 전송되는 액션을 트리거하도록 구성된 데이터 해석 제어기를 가진다.
실시예에서, 데이터 해석 제어기는 가용성 및 그 밖의 다른 메타데이터(가령, 상점 위치, 가격 등)에 따라 복수의 소비자 제품을 나타내는 소비자 제품 메타데이터 데이터베이스의 데이터 무결성을 최적화하도록 구성된 데이터 검증 제어기를 포함한다. 따라서 데이터 검증 제어기는 우선, 현실세계에서 이러한 데이터 집성의 과제를 해결하는 비교적 정확한 소비자 제품 메타데이터 모델을 구축하고, 그 후, 이러한 비교적 정확한 데이터 모델을 구축하면, 시스템에 의해 인공 지능 통찰이 수행될 수 있게 한다.
이와 관련하여, 시스템은 데이터 해석 제어기가 제품 제안 제어기를 포함하는 지능형 제품 제안 능력을 더 포함할 수 있다.
본 시스템은 복수의 소비자 전자 장치의 디스플레이 장치를 통해 디스플레이되는 쇼핑 리스트 그래픽 사용자 인터페이스(GUI)를 이용하고, 쇼핑 리스트 GUI는 복수의 소비자 특정 소비자 제품 및 리스트 포맷을 디스플레이하도록 구성되며, 디스플레이되는 각각의 소비자 제품은 구매를 나타내는 연관된 구매 확인 입력(체크박스 등)을 포함한다.
따라서, 이러한 소비자 특정 쇼핑 리스트, 특히 여기에 리스팅된 소비자 제품을 활용함으로써, 제품 제안 제어기가 소비자에 의해 고려되도록 제품을 지능적으로 제안할 수 있다.
제품 제안 제어기는, 실시예에서, 제품 카테고리 내 특정 제품을 지능적 방식으로 제안할 수 있는데, 가령, 소비자 특정 파라미터로부터 획득될 수 있거나 타 소비자로부터 얻어진 상점내 소비자 행동 이벤트 메타데이터의 기계 학습으로부터 얻어질 수 있다.
또한, 실시예에서, 제품 제안 제어기가 겉보기에 관련되어 있지 않지만, 기계 학습 알고리즘에 의해 수행된 분석에 의해 식별될 때 사용자와 관련성을 가질 수 있는 제품을 제안할 수 있다.
또한, 훈련된 인공 지능 분석 엔진이 소비자에게 도움이 될 수 있는 지능형 소비자 제품 정보 통지를 생성할 수 있다. 이러한 소비자 제품 정보 통지는 기계 학습 알고리즘으로부터 더 얻어질 수 있다.
하나의 양태에 따르면, 데이터 해석 및 이와 연관된 액션 트리거를 위한 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 검증 및 인공 지능 분석을 위한 시스템이 제공되고, 상기 시스템은, 소비자 제품 ID 메타데이터, 및 소비자 제품 위치 메타데이터를 포함하는 소비자 제품 메타데이터를 갖는 데이터 모델
을 포함하며,
상기 시스템은,
복수의 소비자 전자 장치로부터 상점내 소비자 행동 이벤트 메타데이터를 수신 - 상점내 소비자 행동 이벤트 메타데이터는 각각의 소비자 전자 장치의 디스플레이 장치에 의해 디스플레이되는 쇼핑 리스트 GUI로부터 적어도 부분적으로 얻어지며, 쇼핑 리스트 GUI는 소비자-특정 소비자 제품 및 제품의 구매를 나타내는 연관된 구매 확인 입력의 리스팅을 포함함 - 하며, 상점내 소비자 행동 이벤트 메타데이터를 훈련된 인공 지능 분석 엔진으로 입력 - 상기 인공 지능 분석 엔진은 입력으로서 상점내 소비자 행동 이벤트 메타데이터 훈련 데이터를 갖는 기계 학습 알고리즘을 이용해 훈련되었고 기계 학습 알고리즘은 구매 확인 입력로부터 얻어진 구매 확인 데이터에 따라 훈련되며, 분석 엔진은 데이터 검증 데이터 해석 제어기를 포함하는 데이터 해석 제어기, 및 데이터 검증 액션 제어기를 포함하는 액션 트리거링 제어기를 포함하고, 데이터 검증 데이터 해석 제어기는 상점내 소비자 행동 이벤트 메타데이터에 따라 데이터 검증 기회 매칭을 식별하도록 구성됨 - 하고, 데이터 검증 액션 제어기를 이용해 데이터 검증 액션을 생성 - 상기 데이터 검증 액션은 상점내 소비자 행동 이벤트 메타데이터에 따라 구성됨 - 하며, 데이터 검증 액션 전자 통신을 복수의 소비자 전자 장치 중 적어도 하나로 전송하고, 적어도 하나의 쇼퍼 전자 장치로부터의 데이터 검증 액션 전자 통신에 응답하여 제품 데이터 메타데이터 응답 데이터를 수신하며, 제품 데이터 메타데이터 응답 데이터를 이용해 소비자 제품 데이터를 업데이트하도록 구성된다.
데이터 해석 제어기는 제품 제안 데이터 해석 제어기를 더 포함하며, 액션 트리거링 제어기는, 제품 제안 액션 제어기를 더 포함할 수 있고, 사용될 때, 제품 제안 데이터 해석 제어기는 상점내 소비자 행동 이벤트 메타데이터에 따라 제품 제안 기회 매칭을 식별하도록 더 구성될 수 있으며, 제품 제안 액션 제어기는 쇼핑 리스트 GUI에 의해 디스플레이되도록 제품 제안 액션을 생성 및 전송하도록 구성될 수 있다.
제품 제안 액션은 제품 제안의 상점내 위치 데이터를 포함할 수 있다.
상점내 위치 데이터는 통로 번호 및 선반 중 적어도 하나를 나타낼 수 있다.
전자 장치는 상점내 위치 데이터를 감지하기 위한 센서를 더 포함할 수 있고 상점내 소비자 행동 이벤트 메타데이터는 상점내 위치 데이터를 더 포함할 수 있다.
센서는 근거리장 통신 센서 및 블루투쓰 비컨(BLE) 센서 중 적어도 하나를 포함할 수 있다.
전자 장치는 제품의 이미지를 캡처하기 위한 이미지 센서를 더 포함할 수 있고 제품 데이터가 이미지로부터 얻어질 수 있다.
제품 데이터는 제품 ID 및 제품 가격 데이터 중 적어도 하나를 포함할 수 있다.
데이터 해석 제어기는, 정보 통지 데이터 해석 제어기를 더 포함할 수 있으며, 액션 트리거링 제어기는, 정보 통지 액션 제어기를 더 포함할 수 있고, 사용될 때, 정보 통지 데이터 해석 제어기는 상점내 소비자 행동 이벤트 메타데이터에 따라 정보 통지 기회 매칭을 식별하도록 구성될 수 있으며, 정보 통지 액션 제어기는 적어도 하나의 전자 장치로 통지를 전송하도록 구성될 수 있다.
데이터 해석 제어기는 기계 학습 알고리즘을 이용해 최적화될 수 있다.
액션 트리거링 제어기는 기계 학습 알고리즘을 이용해 최적화될 수 있다.
기계 학습 알고리즘은 쇼핑 리스트 GUI로부터 얻어진 구매 확인 입력 데이터에 따라 제품 제안 제어기를 최적화하도록 구성될 수 있다.
기계 학습 알고리즘은 제품 데이터 메타데이터 응답 데이터의 영수증의 확률에 따라 데이터 검증 데이터 해석 제어기를 최적화하도록 구성될 수 있다.
기계 학습 알고리즘은 제품 데이터 메타데이터 응답 데이터의 데이터 무결성에 따라 데이터 검증 데이터 해석 제어기를 최적화하도록 구성될 수 있다.
기계 학습 알고리즘은 정보 통지 프롬프트와 소비자의 대화에 따라 정보 제어기를 최적화하도록 구성될 수 있다.
소비자 제품 메타데이터는 적어도 하나의 제품 카테고리를 포함할 수 있다.
제품 데이터 메타데이터 응답 데이터는 제품 가격 메타데이터를 포함할 수 있다.
상점내 소비자 행동 이벤트 메타데이터는 이미지 데이터를 포함할 수 있고 기계 학습 알고리즘은 이미지 데이터의 물체 인식을 이용해 제품 제안 액션 제어기를 최적화하도록 구성될 수 있다.
본 발명의 그 밖의 다른 양태가 또한 개시된다.
본 발명의 범위 내에 속할 수 있는 그 밖의 다른 형태에도 불구하고, 본 개시 내용의 바람직한 실시예가 도면을 참조하여 단지 예시로서 기재될 것이다.
도 1은 하나의 실시예에 따르는 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 검증 및 이의 인공 지능 분석 및 연관된 액션 트리거링을 위한 컴퓨터 네트워크를 도시한다.
도 2는 하나의 실시예에 따르는 도 1의 네트워크의 서버 및 전자 장치를 도시하는 계산 아키텍처를 더 상세히 도시한다.
도 3은 하나의 실시예에 따르는 서버 및 전자 장치 각각에 대한 예시적 데이터 모델, 제어기 및 인터페이스 모듈 표현을 도시한다.
도 4는 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 데이터의 인공 지능 분석, 및 연관된 액션 트리거링을 위한 예시적 사전-데이터흐름을 도시한다.
도 5는 하나의 실시예에 따라 도 2의 시스템의 전자 장치에 의해 디스플레이되는 예시적 쇼핑 리스트 그래픽 사용자 인터페이스를 도시한다.
도 6은 하나의 실시예에 따라 도 2의 시스템의 전자 장치에 의해 디스플레이되는 예시적 정보 통지 프롬프트를 도시한다.
도 7은 시스템과의 예시적 개인 행동 대화를 도시한다.
도 1을 참조하면, 소비자 전자 장치(213)의 예시적 네트워크(100)가 도시되어 있다. 도시된 바와 같이, 네트워크(100)는 데이터 네트워크를 통해 분석 엔진 서버(analytics engine server)(222)와 통신하는 복수의 소비자 전자 장치(213)를 포함한다.
소비자 전자 장치(213)는 상이한 소비자에게 속하며, 실시예에서 다양한 상점을 나타내는 상이한 위치, 가령, 네트워크(100)에 의해 가상 지오-펜스(geo-fence)(101)에 따라 분류될 수 있는 것 내에 있을 수 있다.
이하에서 더 상세히 기재될 바와 같이, 소비자는 상점내에서 이러한 소비자 전자 장치(213)를 이용하여, 네트워크(100)가 이러한 소비자 전자 장치(213)로부터 상점내 소비자 행동 이벤트 메타데이터를 수신하여 본 명세서에 기재된 기계 학습 및 인공 지능 분석을 수행할 수 있도록 한다.
도 2를 참조하면, 실시예에 따르는 네트워크(100)의 분석 엔진 서버(222) 및 소비자 전자 장치(213)를 보여주는 컴퓨터 시스템(200)이 더 상세히 도시되어 있다.
도시된 바와 같이, 각각의 분석 엔진 서버(222) 및 소비자 전자 장치(213)가 디지털 데이터를 처리하기 위한 프로세서(209)를 갖는 계산 장치의 형태를 가질 수 있다.
실시예에서, 분석 엔진 서버(222)를 갖는 것과 달리, 시스템(200)은 탈중앙집중형 스마트 계약 블록체인 플랫폼, 가령, EthereumTM 블록체인 플랫폼의 분산 처리를 이용할 수 있다.
프로세서(209)는 시스템 버스(209)를 통해 메모리 장치(223)와 통신할 수 있다. 메모리 장치(223)는 컴퓨터 프로그램 코드 명령을 포함하는 디지털 데이터를 저장하도록 구성된다. 따라서 사용 중에 프로세서(209)는 메모리 장치(223)로부터 실행되도록 이들 컴퓨터 코드 명령을 인출하며, 데이터 결과가 메모리 장치(223) 내에 다시 저장될 수 있다.
설명 편의를 위해, 이들 컴퓨터 코드 명령이 데이터 모델(201), 제어기(202) 및 인터페이스(203) 모듈로 분할되었다.
일반 용어로, 데이터 모델(201)은 적용 가능한 데이터 저장 구조(가령, 관계 데이터베이스의 테이블) 및 여기에 저장되는 데이터를 포함한다.
또한, 인터페이스 모듈(203)은 다양한 사용자 인터페이스 GUI의 다양한 양태를 제어한다.
또한, 제어기(202)는 인터페이스(203) 및 데이터 모델(201) 모듈을 인터페이싱할 때 포함되는 다양한 컴퓨팅 작업을 수행한다.
메모리 장치(223)는 운영 체제(207), 가령, Linux 커넬, 또는 부트스트랩 단계 동안 프로세서(209)에 의해 불러와지는 모바일 운영 체제를 더 포함할 수 있다. 탈중앙집중형 스마트 계약 블록체인 플랫폼이 사용되는 실시예에서 메모리 장치(223)는 본 명세서에 기재된 다양한 거래로부터의 데이터를 포함하는 관련 블록체인 렛저(ledger)의 전부 또는 일부를 저장할 수 있다.
각각의 컴퓨터 장치는 데이터 스토리지, 센서 및 사용자 인터페이스 주변장치를 포함하는 다양한 컴퓨터 주변장치와 인터페이싱하기 위한 I/O 인터페이스(210)를 더 포함할 수 있다.
소비자 전자 장치(213)와 관련하여 도시된 바와 같이, I/O 인터페이스(210)는 디지털 데이터의 디스플레이를 위해 디지털 디스플레이(218)와 인터페이싱할 수 있다. 디지털 디스플레이(218)에 햅틱 센서가 덧씌워져서 사용자 인터페이스 제스처를 획득할 수 있다.
I/O 인터페이스(210)는 GPS 센서(216)와 추가로 인터페이싱하여, 가령, 앞서 기재된 가상의 지오-펜스(101)의 파괴(breaching)를 검출하기 위한 목적으로, 소비자 전자 장치(213)의 위치를 획득할 수 있다.
또 다른 실시예에서, 소비자 전자 장치(213)는 또 다른 센서(217)를 포함할 수 있으며, 센서는 소비자 제품(예를 들어, 영양 정보 및 제품 외관), 통로 라벨 (가령, 제품 위치 및 제품의 통로 그룹), 선반 라벨(가령, 상점내 소매점 특정 제품 코드/바코드, 제품명, 진열 가격, 가격 특수 상태, 제품 범위 그룹)로부터 제품 데이터를 판독하고, 가령, 통로 특정 근거리장 위치 결정 기법(가령, 근거리장 통신(NFC) 시스템) 등을 이용하여 상점내 위치를 획득하기 위한 센서를 포함할 수 있다.
각각의 컴퓨터 장치는 데이터 네트워크(212)를 통해 데이터를 전송 및 수신하기 위한 네트워크 인터페이스(211)를 더 포함할 수 있다.
실시예에서, 분석 엔진 서버(222)가 "클라우드"에 있고 물리적 선반 장착 서버 또는 대안으로 가상화된 서버 인스턴스의 형태를 취할 수 있으며, 예를 들어, AWS(Amazon Web ServicesTM)에 의해 구현될 수 있는 것이 있다. 또는, 앞서 언급된 바와 같이, 분석 엔진 서버(222)는 스마트 계약이 중안집중형 서버가 필요 없이 블록체인의 사용자들 간 피어-투-피어 거래의 조건을 기술하는 데 사용되는 스마트 계약 블록체인 플랫폼의 형태를 가질 수 있다.
또한, 소비자 전자 장치(213)는 본 명세서에 기재된 데이터를 수집하고 이를 데이터 네트워크(212)를 통해 분석 엔진 서버(222)로 전송하기 위한 목적으로 적절한 전자 회로를 포함하는 소형 폼 팩터 전자 장치의 형태를 가질 수 있다.
실시예에서, 소비자 전자 장치(213)는 모바일 통신 장치, 가령, 스마트폰 장치, Apple iPhone 및/또는 Google android 장치 등의 형태를 취할 수 있다. 이 실시예에서, 모바일 통신 장치를 본 명세서에 기재된 특정 계산 프로세스를 위해 구성하기 위해, 예를 들어, 소프트웨어 애플리케이션 상점, 가령, Apple App StoreTM, Google Chrome App StoreTM, 또는 Firefox App StoreTM 등으로부터 소비자 전자 장치(213)에 의해 설치 및 실행되도록 다운로드되는 다운로드 가능한 소프트웨어 애플리케이션 "앱(app)"에 의해, 사용자는 모듈(201, 202 및 203)을 메모리 장치(223)로 다운로드할 수 있다.
도 3을 참조하면, 분석 엔진 서버(222) 및 소비자 전자 장치(213) 각각에 대한 데이터 모델(201), 제어기(202), 및 인터페이스(203)의 예시적 표현이 도시되어 있다.
도시된 바와 같이, 분석 엔진 서버(222) 제어기(202) 훈련된 인공 지능 분석 엔진이 소비자 제품 제안 제어기(308), 데이터 검증 제어기(313) 및 정보 제어기(317)를 포함하는 데이터 해석 제어기(data interpretation controller)를 포함할 수 있다.
데이터 해석 제어기 모듈은 복수의 소비자 전자 장치(213)로부터 수신된 상점내 소비자 행동 이벤트 메타 데이터(324)에 따라 데이터 모델(201)로부터 다양한 매칭 액션(323)을 식별할 수 있다.
그런 다음 이들 액션(323)은 분석 엔진 서버(222) 및 이와 연관된 소비자 전자 장치(213)의 인터페이스 모듈(203)에 의해 소비자에게 전달될 수 있다.
구체적으로, 소비자 전자 장치(213)의 인터페이스 모듈(203)이 (도 5에 실질적으로 도시된 바와 같이) 쇼핑 리스트 그래픽 사용자 인터페이스(304)를 디스플레이할 수 있다.
그러나 정보가 그 밖의 다른 방식으로, 가령, 알림 인터페이스(310)에 의해, 소비자 전자 장치 상에 디스플레이될 수 있다.
분석 엔진 서버(222)의 데이터 모델(201)이 소비자 제품 및 구매 메타데이터(301)를 포함할 수 있다. 실시예에서, 소비자 제품 및 구매 메타데이터(301)는 제품 트리(product tree)의 형태를 취하며, 제품 트리는 이하에서 더 상세히 기재될 바와 같이, 상이한 상점들 간 변화 및 제품 정보 가용성 등을 고려하기 위해 지속적으로 업데이트된다.
실시예에서, 제품 트리는 제품 카테고리의 계층구조(예를 들어 "간편 제품", 우유, 빵, 설탕, 이발, 전화 화면 수리, 자동차 튜닝 등의 서비스)로 배열될 수 있으며 이들 소비자 제품 및 서비스 카테고리 내에서, 특정 소비자 제품, 가령, Dairy Farmers milk, Coles milk, Devondale 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) 등으로 배열될 수 있다.
다양한 메타데이터, 가령, 제품 가격, 제품 인기도, 제품 그룹 메타데이터(가령, 제품 멀티-팩 번호, 제품 멀티-구입 파트너 제품, 제품 멀티-구입 가격, 제품 가격 변경 파트너 제품, 영양 정보, 레시피 등), 제품 구매 인센티브, 제품 메타데이터 정확도, 제품 메타데이터 업데이트 인센티브, 제품 위치, 가령, 상점 위치 및 상점내 위치 데이터(가령, 통로 번호, 선반 번호 등), 및 그 밖의 다른 적용 가능한 제품 메타데이터를 나타내는 제품 데이터(307)가 제품 트리(301) 내 제품과 연관된다.
또한, 데이터 모델(201)은 시스템(200)을 이용해 다양한 서비스를 나타내는 사용자의 데이터(312)(예를 들어, 인구통계적 데이터, 개인 정보, 개인 선호, 친구, 가족과의 관계, 사용자에 의해 제출된 메타데이터 등)를 포함할 수 있다.
쇼핑 리스트(316), 앞서 언급된 소비자 특정 쇼핑 리스트(316), 이벤트(324), 액션(323), 제품 데이터(307), 제품 트리 아이템(301), 위치(319) 및 사용자의 데이터(312)가 사용자와 관련되어 저장될 수 있다.
쇼핑 리스트 데이터(316)는 각각의 소비자의 쇼핑 리스트 내 다양한 소비자 제품(가령, 레시피 재료 리스트, 제품 메타데이터 업데이트 인센티브 리스트(가령, 가격 확인 필요, 바코드 필요), 정보성 업데이트의 리스트(가령, 다른 제품과 교환하기 위해 인센티브를 줄 수 있는 순위 같은 정보가 있는 리스트)) 및 그 밖의 다른 데이터, 가령, 소비자가 이러한 아이템을 구매했었는지 여부에 대한 지시자, 로컬 상점으로부터의 제품 가격 제출에 대한 다른 소비자에 의한 확인 상태, 가치 있는 통찰(가령, 또 다른 제품이나 상점으로 소비자 리스트 아이템을 교환하기 위한 비용 절약, 잊혀지거나 쇼핑 리스트에 없지만 필요할 가능성이 있는 아이템, 소비자가 선택한 상점 내 아이템의 위치, 쇼핑 리스트상에 이미 있는 아이템보다 소비자의 욕구를 더 잘 충족시킬 가능성이 높은 아이템 등), 소비자 액션 메타데이터 업데이트 이벤트에 대해 주어지는 인센티브 등을 나타낼 수 있다.
도시된 바와 같이, 소비자 전자 장치(213)의 데이터 모델(201)은 데이터 모델(201) 내 대응하는 리스트 데이터(306)를 더 포함할 수 있다.
따라서, 쇼핑 리스트 그래픽 사용자 인터페이스(304)를 이용해, 소비자 전자 장치(213)는 업데이트 제어기(305)를 이용해 리스트(306)를 업데이트할 수 있다.
분석 엔진 서버(222)의 데이터 모델(201)이 기계 학습 알고리즘(322)을 훈련하기 위해 사용되는 훈련 데이터(321)를 더 포함할 수 있다. 실시예에서, 훈련 데이터(321)는 복수의 소비자 전자 장치(213)로부터 얻어진 상점내 소비자 행동 훈련 데이터를 이용할 수 있고, 제3자 소스, 가령, 소셜 네트워크, 가령, Facebook, 통계 데이터 서비스, 가령, 호주 통계청(Australian Bureau of Statistics) 등으로부터의 데이터를 이용할 수 있다.
도시된 바와 같이, 데이터 해석 제어기의 제품 제안, 데이터 검증 및 정보 통지 제어기 각각이 리스트 인터페이스(303)를 업데이트하거나 대안으로 알림으로 디스플레이되는 통지(309)를 생성할 수 있는데, 상기 통지는 복수의 소비자 전자 장치(213)의 쇼핑 리스트 그래픽 사용자 인터페이스(304) 또는 알림 인터페이스(310) 상에 디스플레이된다.
소비자 전자 장치(213)는 관련 액션에 따라 전자 프롬프트를 생성하도록 구성된 프롬프트 제어기(311)를 포함할 수 있으며, 실시예에서, 특히 데이터 검증 액션, 정보 통지 액션, 및 프로덕트 제안 액션에 대해, 사용자가 응답 제어기(318)에 의해 제어되는 응답 인터페이스(314)를 통해 제품 데이터 메타데이터 응답 데이터로 응답할 수 있으며, 그런 다음 제품 트리 업데이트 제어기(302)를 이용해 제품 트리(301)를 업데이트하기 위한 목적으로 상기 응답 데이터는 분석 엔진 서버(222)의 수신기 제어기(320)에 의해 수신된다. 또한, 실시예에서, 또 다른 쇼핑 정보, 가령, 사용자 데이터(312), 리스트 데이터(316), 상점 데이터 등을 업데이트하도록 구성된 업데이트 제어기가 존재할 수 있다.
도 4를 참조하면, 시스템(200)의 예시적 데이터 흐름(400)이 도시되어 있다.
도시된 바와 같이, 상점내 소비자 행동 이벤트 메타데이터(425)가 복수의 소비자 전자 장치(213)로부터 수신된다.
앞서 언급된 바와 같이, 상점내 소비자 행동 이벤트 메타데이터(425)는 소비자 전자 장치(213) 각각의 디스플레이 장치에 의해 디스플레이되는 쇼핑 리스트 그래픽 사용자 인터페이스(304)(도 5에 도시됨)로부터 적어도 부분적으로 얻어질 수 있으며, 디스플레이되는 소비자 제품 각각의 소비자에 의한 구매를 나타내는 구매 확인 데이터를 더 포함할 수 있다.
이하에서 더 상세히 기재될 바와 같이, 쇼핑 리스트 그래픽 사용자 인터페이스(304)는 구매를 나타내는 소비자 특정 소비자 제품 및 연관된 구매 확인 입력(체크박스 또는 그 밖의 다른 유형의 입력)를 더 포함한다. 따라서, 이러한 GUI를 이용해, 시스템은 각각의 소비자에 대한 관련 소비자 제품을 식별하고 각각의 나열된 아이템이 소비자에 의해 구매된 적이 있는지 여부, 소비자가 선택한 상점 내 관련 제품과 관련된 메타데이터(가령, 가용 여부, 가능한 현재 가격, 간편 제품 등), 사용자 메타데이터(가령, 관련 제품 및 쇼핑 이벤트의 시간성을 기초로 하는 이벤트와 관련된 메타데이터 수집 액션을 위한 소비자 분할 및 인센티브 임계치), 및 연관된 메타데이터(가령, 제품, 상점, 리스트, 사용자, 리뷰, 가격, 가용 여부 등을 위한 메타데이터 업데이트 인센티브)를 갖는 이벤트를 더 획득할 수 있다.
추가 정보가 각각의 전자 장치, 가령, GPS 센서(216)를 통해 수신된 위치 데이터로부터 수신될 수 있다.
또한, 그 밖의 다른 유형의 센서(217)를 이용해 그 밖의 다른 정보가 각각의 소비자 전자 장치(213)로부터 수신될 수 있다.
예를 들어, 소비자 전자 장치(213)는 가령, 제품의 다양한 시각적 특징부에 따라, 시스템(200)이 제품을 인식, 가령, 제품에 제공된 바코드를 읽기(가령, 훈련된 AI 객체 인식 엔진으로 제품 이미지를 읽기 넣기)할 수 있도록 하기 위해 사용자가 제품의 이미지 데이터를 캡처할 수 있게 하는 이미지 센서를 포함할 수 있다.
대안으로, 제품의 이미지 데이터를 캡처하는 것과 달리, 가격 데이터는, 가령, 센서(217)를 이용해 제품 옆에 디스플레이되는 가격 태그의 이미지를 캡처함으로써, 캡처될 수 있다.
대안으로, 제품의 이미지 데이터를 캡처하는 것과 다르게, 활동의 레벨, 심미적 매력, 편의품 등이, 가령, 센서(217)를 이용해 상점의 프론트, 인근 상점, 또는 주차장을 캡처함으로써 캡처될 수 있다.
대안으로, 제품의 이미지 데이터를 캡처하는 것과 달리, 구매 증거, 상점내 입장객 등이, 가령, 센서(217)를 이용해 QR 코드의 이미지를 캡처함으로써 캡처될 수 있다.
대안으로, 제품의 이미지 데이터를 캡처하는 것과 달리, 가격 정보(가격, 단위 가격, 특별 가격, 할인율, 제품, 구매 증거), 리스트 정보(가령, 구매 제품, 상점 메타데이터, 총 구매 가격, 구매 방법, 등록 번호, 등록 담당자 세부사항, 상점 관리자 세부사항, 구매량, 구매 수량, 제품 수령 통로 명칭, 과세 상태 등)가, 가령, 센서(217)를 이용해 구매 영수증의 이미지를 캡처함으로써, 캡처될 수 있다.
또 다른 실시예에서, 센서(217)는 통로 분해능(resolution)(가령, 통로 번호, 통로 그룹 및 인근 제품 등) 및 또 다른 실시예에서, 선반 분해능으로, 상점내 소비자의 위치를 결정하도록 구성된다.
예를 들어, 상점내, 복수의 근거리장 통신 태그가 다양한 통로 또는 선반에 제공될 수 있으며, 그런 다음 상점내 소비자 전자 장치(213)의 위치를 획득하기 위해 센서(217)에 의해 스캔될 수 있다.
대안으로, 블루투쓰 비컨(Bluetooth beacon) 기법이 사용될 수 있고, 여기서, 센서(217)는 수신된 신호 강도 측정치를 이용해, 상점내 하나 이상의 블루투쓰 비컨에 대한 소비자 전자 장치(213)의 위치를 획득할 수 있다.
실시예에서, 도 5와 관련하여 언급된 바와 같이, 이러한 상점내 위치 데이터는 사용자 입력, 가령, 이러한 센서(217)를 갖지 않는 소비자 전자 장치(213)에 대한 사용자 입력으로부터 얻어질 수 있다.
도시된 바와 같이, 이벤트 메타데이터(402)가 상점내 소비자 행동 이벤트 메타데이터(425)로부터 얻어진다.
이러한 이벤트 메타데이터(402)는 다양한 소비자 이벤트, 가령, 제품의 구매, 상점의 입장(가상 지오-펜스(101)의 안쪽으로 파괴(inward breaching)에 의해 결정됨), 소비자 집의 복귀(가상 지오-펜스(101)의 바깥쪽으로 파괴(outward breaching)에 의해 결정됨), 간편 제품(Quick Product) 선택, 제품 최적화, 집 도착("집" 위치 지오-펜스의 안쪽으로 파괴), 인센티브 수락(가령 메타데이터 업데이트, 정보성 인센티브 등), 인센티브 교환 및 그 밖의 다른 소비자 이벤트를 나타낼 수 있다.
도시된 바와 같이, 이벤트 메타데이터(402)는 소비자 행동 이벤트의 유형을 나타내는 이벤트 유형 메타데이터(403) 및 이벤트의 위치를 나타내는 위치 메타데이터(404)를 포함할 수 있다.
소비자 행동 이벤트 및 위치 메타데이터(404)는 GPS 센서(216)로부터 얻어질 수 있고, 실시예에서, 시스템(200)에 의해 사용되어, 소비자가 현재 위치하는 상점을 결정할 수 있으며 또한 상점 외부 이벤트에 대한 중요한 위치(가령, 집, 직장, 통근 시작 및 종료점 등)를 결정할 수 있다. 중요한 이벤트 위치가 (통지, 제안, 인센티브 부여 등을 위해) 가장 최적의 위치를 인식하도록 훈련된 AI 모델에 의해 결정될 수 있다. 모델은 현재 사용자 위치뿐 아니라 이 시점에서의 네트워크 내 그 밖의 다른 사용자의 그 밖의 다른 위치 및 속성까지 고려할 수 있다.
이벤트 메타데이터(402)는 상점 내 사용자의 위치를 나타내는 더 높은 분해능의 상점내 위치 데이터(405), 가령, 특정 통로, 선반 등을 더 포함할 수 있다.
이벤트 메타데이터(402)는 소비자의 구매를 나타내는 메타데이터를 포함하는 연관된 메타데이터를 포함하는 소비자 특정 쇼핑 리스트를 포함할 수 있는 리스트 메타데이터(407)를 더 포함할 수 있다.
덧붙여, 이벤트 메타데이터(402)는 다양한 소비자 제품에 적용될 수 있는 제품 메타데이터(408)를 더 포함할 수 있다. 이러한 제품 메타데이터(408)는 제품 가격, 제품 위치, 제품 가용 여부, 또는 그 밖의 다른 적용 가능 제품 메타데이터를 나타낼 수 있다.
도시된 바와 같이, 이벤트 메타데이터(402)는 훈련된 인공 지능 분석 엔진(413)으로 공급된다.
이러한 데이터를 입력으로서 가질 때, 훈련된 인공 지능 분석 엔진(413)이 지능형 인공 지능 통찰(423)을 생성하도록 구성되며, 그런 다음 이러한 통찰은 네트워크(213)의 관련 전자 장치로 다시 전달될 수 있다. 이러한 통찰은 쇼핑 프로세스 동안 소비자의 네트워크에 유용할 수 있는 임의의 지능형 데이터 및/또는 통지이다.
특히, 훈련된 인공 지능 분석 엔진(413)이 데이터 해석 제어기(414)를 포함할 수 있다. 데이터 해석 제어기(414)는 이벤트 메타데이터(402)를 해석하여, 연관된 액션의 생성을 위한 다양한 기회에 매칭시킬 수 있다.
특히, 도시된 바와 같이, 훈련된 인공 지능 분석 엔진(413)이 액션 트리거링 제어기(418)를 포함할 수 있다.
따라서, 집성된 이벤트 메타데이터(402)를 이용해 데이터 해석 제어기(414)에 의해 식별된 임의의 가능한 매칭 기회에 대해, 훈련된 인공 지능 분석 엔진(413)이 액션 트리거링 제어기(418)를 이용해 적용 가능한 연관된 액션을 트리거할 수 있다.
도시되고 앞서 기재된 바와 같이, 데이터 해석 제어기(414)는 다양한 소비자 제품을 지능적으로 제아하도록 구성된 제품 제안 제어기(308)를 포함할 수 있다. 이러한 소비자 제품은 소비자 특정 파라미터(가령, 인구통계적 파라미터, 이전 구매 행동)에 따라, 그리고 또한 타 소비자 특정 파라미터, 가령, 타 소비자의 소비자 행동 습관에 따라서도 제안될 수 있다.
데이터 해석 제어기(414)는 소비자 제품 메타데이터(301), 리스트 메타데이터, 상점 메타데이터 등의 무결성을 개선하기 위한 기회를 식별하도록 구성된 데이터 검증 제어기(313)를 더 포함할 수 있다.
예를 들어, 특정 소비자 제품에 대한 가격이 "소프트(soft)"한 경우(즉, 신뢰할 수 없다고 식별될 가능성이 있음), 데이터 검증 제어기(313)가 이를 식별하여 데이터 검증 액션 제어기(420)로부터 연관된 데이터 검증 액션을 생성할 수 있고, 상기 데이터 검증 액션은 가령, 소비자가 가격을 검증, 바코드를 추가, 통로를 검증, 상점이 바쁜 정보를 검증, 제품 품질을 검증 등을 함으로써 소비자에 의해 네트워크(213) 검증의 관련 전자 장치로 전달될 수 있다.
데이터 해석 제어기(414)는 정보 통지 액션 제어기(421)로부터 다양한 정보 통지 액션을 생성하도록 구성된 정보 제어기(317)를 더 포함할 수 있으며, 상기 정보 통지 액션은, 일반적으로 푸시 통지, 그 밖의 다른 GUI 알림(가령, 뉴스피드 아이템, 비교 스크린 상의 프로모션 아이템), 이메일 등에 의해 네트워크(213)의 관련 전자 장치로 전달될 수 있다.
데이터 흐름(400)에 도시된 바와 같이, 이러한 크라우드-소싱된 집성된 이벤트 메타데이터(402)가 기계 학습 알고리즘(322)으로 공급될 수 있다.
실시예에서, 기계 학습 알고리즘(322)은 데이터 해석 제어기(414)의 모듈 각각을 최적화하도록 구성된 최적화기(optimiser)를 포함할 수 있다. 특히, 도시된 바와 같이, 기계 학습 알고리즘(322)은 제품 제안 제어기(308)를 최적화하도록 훈련된 데이터(422)를 생성하기 위한 제품 제안 모델 최적화기(410)를 포함할 수 있다. 마찬가지로, 기계 학습 알고리즘(322)은 각각의 데이터 검증 제어기(313) 및 정보 제어기(317)를 최적화하기 위한 데이터 검증 모델 최적화기(411) 및 정보 통지 모델 최적화기(412)를 포함할 수 있다.
제품 제안 모델 최적화기(410)는 제안된 제품의 구매를 최적화하도록 구성될 수 있다. 데이터 검증 모델 최적화기(411)는 네트워크 와이드 메타데이터의 정확성 또는 수신된 피드백의 무결성의 가능성 또는 확률을 최적화하도록 구성될 수 있다.
정보 통지 모델 최적화기(412)는 이러한 통지의 수락, 가령, 도 6에 도시된 바와 같이 통지(601)의 수락에 따라 통지를 최적화하도록 구성될 수 있다.
예를 들어, 기계 학습 알고리즘(322)은 집성된 이벤트 메타데이터(402)로 훈련된 RNN(Recurrent Neural Network) 모델을 이용할 수 있고, 타 제품 제안(쇼핑 리스트 그래픽 사용자 인터페이스(304)로부터 획득됨)과 달리, 특정 제품 제안이 소비자에 의해 더 빈번하게 구매됨을 식별하고 이에 따라서 제품 제안을 편향시킬 수 있다.
기계 학습 알고리즘(322)은 연관된 액션의 트리거링을 최적화하도록 액션 트리거링 제어기(418)를 최적화하도록 더 구성될 수 있음을 알 것이다.
하나의 예를 들면, 기계 학습 알고리즘(322)은 이러한 제품 제안이 소비자 전자 장치(213)가 적용 가능한 상점의 가상 지오-펜스(101)에 들어가기 전에 이뤄진 경우 소비자에 의해 구매될 더 큰 가능성을 가짐을 식별할 수 있으며 따라서 이에 따라 액션 트리거링 제어기(418)를 최적화할 수 있다.
또 다른 예를 들면, 기계 학습 알고리즘(322)은 여성은 가상 지오-펜스(101)의 안쪽으로 파괴 전에 제안 받은 경우 제품을 구매할 가능성이 더 높으며, 반면에 남성은 상점내에서 제안(즉, 소비자 전자 장치(213)가 적용되는 상점의 가상 지오-펜스(101)를 이미 파괴한 후 제안) 받을 때만 제품을 구매할 가능성이 더 높음을 식별할 수 있다.
실시예에서, 훈련된 인공 지능 분석 엔진(413)은 인공 신경망의 형태를 취할 수 있고 따라서 훈련된 데이터(422)는 신경망의 각각의 노드에 대해 최적화된 가중치를 나타낼 수 있다.
이제 도 5를 참조하면, 소비자 전자 장치(213)에 의해 디스플레이되는 예시적 그래픽 사용자 인터페이스(500)가 도시된다.
도시된 바와 같이, 쇼핑 리스트는 복수의 간편 제품, 가령 우유, 스파게티 및 빵, 특정 제품, 가령, Colgate Sensitive Toothpaste를 포함한다.
사용자는 이러한 아이템을 입력함으로써 이렇게 구성할 수 있다. 하나의 실시예에서, 사용자가 타이핑할 때, 인터페이스(500)는 제품 트리(301)로부터 제품을 제안하기 위한 텍스트 예측을 이용한다. 또 다른 실시예에서, 리스트는 이전에 가져와진, 또는 자주 가져와지는, 또는 (같은 사용자 또는 심지어 네트워크 내 타 사용자에 의한, 이전 이벤트로부터의 제안 액션으로서) AI 통찰을 이용해 소비자가 필요할 것으로 예측된 소비자 제품으로 채워질 수 있다. 추가 실시예에서, 웹페이지 데이터의 텍스트(사용자에 의해 선택된 전체 웹페이지 또는 텍스트 등)가 제품 참조 리스트에 대해 파싱(parse)되거나 지능적으로 분석되어 인터페이스(500) 상에 컨트롤(가령, 제품 제안(501)(가령, 제품 추가, 제품 비교, 제품 검색 및 새 재품), 및 데이터 검증 프롬프트(503)(제품 리뷰 제출하기(가령, 네트워크 상에서 소셜 네트워크의 친구에게 보내기)을 덧씌울 수 있다.
이제, 도시된 바와 같이, 인터페이스(500)는 제품 제안 제어기(308) 및 제품 제안 액션 제어기(419)에 의해 생성된 제품 제안(501) 및 데이터 검증 제어기(313) 및 데이터 검증 액션 제어기(420)에 의해 생성된 데이터 검증 프롬프트(503)를 포함한다.
특히, 간편 유제품의 경우, 쇼핑 리스트 인터페이스(501)는 제품 제안을 생성하며, 구체적으로, 이 간편 제품 카테고리 내에서 특정한 그리고 지능적으로 제안된 제품, 가령, Dairy Farmers milk 및 Paul's milk이 제안된다.
추가 인공 지능 통찰이 가령 위치 및 가격 통찰과 연관될 수 있는데, 가령, 제안된 Dairy Farmers milk에 대해, 상점내 특정 위치(통로 3, 위에서 두 번째 선반), 및 Paul's milk에 대해 Paul's milk가 현재 상점내에서 가장 저렴하다는 사실을 나타낼 수 있다.
그러나 도시된 바와 같이, 제품 제안은 더 낮은 가격 대문에 또 다른 위치의 제품을 제안할 수 있다. 도시된 바와 같이, 제품 제안(501)은 $1에 불과하지만 다른 위치까지 250m만큼 걸을 필요가 있는 Coles milk 제안을 더 포함한다.
스파게티 간편 제품의 경우, 도시된 바와 같이, 제품 제안(501)이 특정 유형의 스파게티를 지능적으로 더 추천할 수 있다. 앞서 기재된 바와 같이, 제안된 스파게티의 유형이 훈련된 인공 지능 분석 엔진(413)에 의해 소비자에 의한 구매에 최적화되는 지능 방식으로 생성될 수 있다. 예를 들어, 특정 유형의 소비자 제품이 소비자 특정 메타데이터로부터 얻어질 수 있으며, 가령, 글루텐-무함유 스파게티가 특정 소비자에 대해 제안된다.
대안으로, 제안된 특정 유형의 스파게티가 다른 소비자, 가령, 유사한 소비자 및 그 밖의 다른 파라미터로부터 수신된 이벤트 메타데이터(402)의 분석에 따라 제안될 수 있다.
도시된 바와 같이, 제품 제안(501)은 연관된 아이템, 가령, 파스타 소스를 지능적으로 제안할 수 있는데, 이때 기계 학습 알고리즘(322)이 이들 유형의 제품이 상이한 제품 카테고리에 속할 수 있더라도 소비자가 이들 유형의 제품을 함께 자주 구매했음을 고려했다.
훈련된 인공 지능 분석 엔진(413)의 사용이 비직관적(unintuitive) 인공 지능 통찰을 더 생성할 수 있다.
예를 들어, 빵 간편 제품의 경우, 인터페이스(500)가 구두약을 제안할 수 있다. 이는 비직관적으로 보일 수 있지만, 구두약이 실제로 사용자와 꽤 관련이 있을 수 있다.
또한 도시된 바와 같이, 인터페이스(500)는 데이터 검증 프롬프트(503)를 디스플레이하는데, 이때, 앞서 언급된 바와 같이, 데이터 검증 제어기(313)는 제품 데이터(307)의 무결성을 향상시킬 기회를 식별한다.
도시된 바와 같이, Colgate Sensitive Toothpaste(민감성 치약)의 경우, 데이터 검증 프롬프트(503)가 사용자에게 가격이 실제로 $2.99인지 그리고 실제로 통로 3에 있는지를 묻는다. 도시된 바와 같이, 사용자는 그럴 경우 체크 박스를 체크하거나 올바른 값을 입력할 수 있다.
또 다른 실시예에서, 시스템(200)은 소비자 구매 영수증 상에서 OCR 분석을 수행하여 적절한 제품 데이터(307), 가령, 가격 데이터를 수집할 수 있도록 구성될 수 있다.
도시된 바와 같이, 인터페이스(500)는 소비자 전자 장치(213)의 이미지 센서(217)를 이용해 구매 영수증의 이미지를 캡처할 때 사용자가 이용할 수 있는 OCR 영수증 버튼(504)을 포함한다.
쇼핑 리스트 인터페이스(500) 상의 소비자 제품 각각에 대해, 사용자는 연관된 구매 확인 입력(체크박스 등)을 이용해 제품이 구매되었는지 여부를 가리킬 수 있다.
따라서 구매 확인 입력으로부터 얻어진 이러한 구매 행동 피드백을 이용함으로써, 기계 학습 알고리즘(322)이 인공 지능 분석 엔진(413)을 더 훈련할 수 있다.
예를 들어, 사용자가 잘못된 가격 업데이트나 브랜드로부터 보상을 주장하기 위해 자신의 구매 증거로 사기성 사진을 악의적으로 제출하는 경우, 훈련된 인공 지능 분석 엔진(413)의 이용이 사기-방지(anti-fraud) 인공 지능 통찰을 더 생성할 수 있다.
훈련된 인공 지능 분석 엔진(413)은 가령, 1-클래스 SVM(Support Vector Machine) 또는 1-클래스 신경망 모델을 이용함으로써 변칙을 식별하도록 구성될 수 있다. 데이터는 구매 행동과 연관될 뿐 아니라 사전-구매 행동과도 연관될 수 있는데, 가령, 아이템이 리스트에 추가되고 이러한 업데이트 및 청구를 위해 사용자의 지난 히스토리에도 추가될 때, 데이터 검증 제어기(313)가 변칙 및 불규칙한 행동을 식별할 수 있다. 이는 데이터 검증 액션 제어기(420)로부터 연관된 데이터 검증 액션을 생성할 것이며, 이는 사용자의 전자 장치로 전달되어, 사용자에게 아이템의 구매를 더 입증할 것(가령, 집에서 바코드를 스캔할 것)을 요청할 수 있다
또 다른 예를 들면, 브랜드가 선반, 통로, 특정 지역 슈퍼마켓에서의 자신들의 제품의 현재 상점내 상태를 알아서, 이들의 제품이 올바르게 위치하고 있는지 또는 적절한 선반에 올바르게 쌓여 있는지를 보장하기를 원할 수 있다. 사용자가 이 지역 슈퍼마켓에서 쇼핑하는 중일 때, 데이터 검증 제어기(313)가 상점 내 다른 아이템에 대한 (가령, 체크박스 사용자 인터페이스 입력 등에 의한) 사용자의 구매 확인 입력 및 그 밖의 다른 현재 앱 행동(가령, 지오-펜스 둘레의 안쪽으로 파괴)으로부터, 사용자가 브랜드가 현재 상점내 상태 정보를 필요로 할 제품과 동일한 통로에 있을 수 있음을 예측할 수 있다. 따라서 액션 트리거링 제어기(418)가 데이터 검증 액션 제어기(420)를 이용해 연관된 데이터 검증 액션을 생성할 수 있고, 이 데이터 검증 액션은 사용자의 전자 장치로 전달되어, 사용자에게, 보상을 위해, 브랜드에 대한 선반의 사진을 찍도록 프롬프트될 수 있다.
또 다른 예를 들면, 사용자는 새로운 제품 설명을 제출할 수 있다. 훈련된 인공 지능 분석 엔진(413)은 가령, 멀티클래스 결정 포레스트 또는 멀티클래스 신경망 모델을 이용함으로써 "간편 제품"에 대한 지능형 인공 지능 카테고리를 생성하도록 구성될 수 있다. 이는 데이터 검증 액션 제어기(420)로부터 연관된 데이터 검증 액션을 생성하며, 그런 다음 상기 데이터 검증 액션은 네트워크(213)의 관련 전자 장치로 전달되어, 사용자가 제안된 카테고리를 확인 및 검증할 수 있다.
도 6을 참조하면, 정보 제어기(317)에 의해 생성된 정보 통지(601)가 도시되어 있다.
도시된 바와 같이, 소비자 전자 장치(213)의 위치를 획득한 통지(601)가 지능형 제품 제안의 근접성에게 대해 사용자에게 알리고, 이러한 제안된 제품의 획득 가격에 대한 정보를 더 디스플레이한다.
버튼 입력을 이용해, 사용자는 제품까지 내비게이트하기 위한 네비게이션 인터페이스를 개시하거나 알림을 무시할 수 있다.
시스템(200)의 기능을 더 설명하도록 지금부터 다양한 실시예가 제공될 것이다. 이들 실시예는 예시에 불과하고 모든 실시예에서 어떠한 기술적 제한도 반드시 필요한 것은 아니다.
제1 예시에서, 사용자는 쇼핑 리스트 GUI(500)를 이용해 간편 제품을 선택한다.
이에 응답하여, 제품 제안 제어기(308)는 간편 제품과 관련된 특정 제품을 지능적으로 제안한다. 덧붙여, 간편 제품과 연관된 임의의 제품 메타데이터가 데이터 검증 제어기(313)에 의해 신뢰할만하지 않다고("소프트") 식별되는 경우, 데이터 검증 제어기(313)는 데이터 검증 액션 제어기(420)로부터 데이터 검증 액션을 트리거하여, 추가 제품 메타데이터를 수집하려 할 수 있다.
덧붙여, 정보 제어기(317)는 간편 제품과 관련된 관련 정보 및 통지 액션을 식별할 수 있다.
앞서 기재된 바와 같이, 기계 학습 알고리즘(322)은 데이터 해석 제어기(414) 및/또는 액션 트리거링 제어기(418)를 훈련시켜 소비자가 제안된 제품, 데이터 검증 요청 및/또는 정보 통지를 수락 또는 그 밖의 다른 방식으로 대화할 가능성을 최적화할 수 있다.
또 다른 예를 들면, 시스템(200)은 소비자 전자 장치(213)의 위치를 획득함으로써 소비자 전자 장치(213)가 상점을 둘러싸는 가상 지오-펜스(10)의 둘레가 안쪽으로 파괴됐음을 획득한다. 따라서 시스템(200)은 사용자가 쇼핑하러 갈 가능성이 높음을 추론할 수 있다.
이러한 가능한 이벤트를 식별하면, 데이터 해석 제어기(414)는 액션 트리거링 제어기(418)로부터 임의의 가능한 매칭 동작을 구현할 수 있다.
덧붙여, 이러한 이벤트에 응답하여 다양한 관련 데이터가 업데이트될 수 있는데, 가령, 시스템(200)이 적절한 상점으로부터 제품 데이터, 제품 특별사항 등을 불러올 수 있다. 덧붙여, 시스템(200)은 동일한 영역 내 타 소비자와 연관된 최근 또는 실질적으로 실시간 이벤트 메타 데이터(402)를 분석할 수 있다. 따라서 데이터 해석 제어기(414)는 이러한 업데이트된 정보를 이용해 동작할 수 있다.
또 다른 실시예에서, 사용자가 도 5에 실질적으로 도시된 바와 같이 구매 확인 입력, 가령, 체크박스 입력을 이용해 제품의 (가령, 상점에서 제품을 들어 올리고 이를 트롤리 또는 바구니에 놓는) 구매 또는 선택을 확인한다.
따라서 지시된 특정 제품으로부터, 시스템(200)은 다른 정보, 가령, 소비자의 상점내 위치를 가령, 통로 분해능으로 추론할 수 있다. 따라서 제품 제안 제어기(308)가 동일한 상점내 위치 내 그 밖의 다른 제품, 가령, 동일하거나 인접한 통로 내 그 밖의 다른 제품을 제안할 수 있다.
또한, 이러한 제품의 픽업의 확인을 수신하면, 제품 제안 제어기(308)가 동일하거나 유사한 제품을 추천하지 않을 수 있다.
또한, 쇼핑 리스트 인터페이스(500)가 근접성에 따라 픽업할 다음 제품을 제안할 수 있다.
그 밖의 다른 정보가 소비자와 쇼핑 리스트 GUI(500) 간 대화로부터 수집될 수 있는데, 가령, 쇼핑을 완료하기 위해 걸리는 시간, 예컨대, 쇼핑 리스트 인터페이스(500)에서 첫 번째 아이템 텍스트와 마지막 아이템 텍스트 간 타임스탬프가 수집될 수 있다.
덧붙여, 인터페이스(500)를 이용한 소비자의 대화의 빈도 또는 양이 사용되어 특정 상점의 바쁨 정도를 추론함으로써, 훈련된 인공 지능 분석 엔진(413)이 다른 시간대 또는 위치에서의 쇼핑을 제안하게 할 수 있다. 이러한 정보는 정보 통지 프롬프트에 의해 사용자로부터 수집되며, 이때 프롬프트가 상점의 바쁨 정도 또는 그 밖의 다른 상점내 정보의 현태 상태에 대해 사용자에게 질의한다.
또 다른 예시에서, 데이터 검증 프롬프트(503)를 이용해, 사용자가 상점 내 소비자 제품에 대한 가격을 제출한다.
따라서, 데이터 검증 제어기(313)가 소비자가 이러한 피드백을 기꺼이 제공하여 함을 확인하고 따라서 다음 요청의 빈도를 증가시킬 수 있다.
또한, 이 경우, 특정 제품에서, 데이터 검증 제어기(313)가 관련 소비자 제품과 관련된 정보, 가령, 동일한 통로 내 다른 소비자 제품과 관련된 정보를 요청할 수 있다.
또 다른 예시에서, 시스템(200)은 소비자 전자 장치(213)에 의한 가상 지오-펜스(10)의 바깥으로 파괴를 검출하고, 이는 소비자가 상점 위치를 떠났음을 가리킨다. 따라서, 시스템(200)은 사용자가 쇼핑을 완료했음을 추론할 수 있다.
따라서, 실시예에서, 제품 제안 제어기(308)는 상점 위치 인근의 다른 위치에서 소비자에 의해 필요할 가능성이 있는 소비자 제품을 제안, 가령, 인접 뉴스 가판대로부터의 신문을 추천할 수 있다.
또한, 이벤트 메타데이터(402)는, 가령, 주차의 편의를 추정함으로써, 파라미터 내에서 소비자의 볼륨 및 쇼핑 트립을 완료하는 데 걸리는 시간을 분석함으로써 소비자와 상점 위치 간 상관관계를 식별할 수 있다.
또 다른 예를 들면, 시스템(200)은 사용자가 집으로 복귀했음을 가리키는 집 가상 지오-펜스(101)의 안쪽으로 파괴를 검출할 수 있다. 따라서 시스템(200)은 사용자가 구매된 소비자 제품의 포장을 벗길 확률이 있음을 추론할 수 있다.
따라서, 포장 벗기기 동안, 데이터 검증 제어기(313)가 사용자에게, 데이터 검증 액션 제어기(420)로부터의 데이터 검증 액션을 프롬프트하여, 구매된 다양한 제품과 관련된 메타 데이터를 제공할 수 있다.
또한, 데이터 검증 제어기(313)가 쇼핑 영수증 상의 OCR 데이터를 수신하여, 가령, 라인 아이템과 매칭되고 연관된 가격 정보(가격, 단위 가격, 특별 가격, 할인율, 제품, 구매 증거), 리스트 정보(가령, 구매된 제품, 상점 메타데이터, 총 구매 가격, 구매 방법, 등록 번호, 등록 담당자 세부사항, 상점 관리자 세부사항, 구매량, 구매 수량, 제품 수령 통로 명칭, 과세 상태 등)를 식별하는 키워드에 의해, 제품 메타 데이터를 획득할 수 있다.
또한, 데이터 검증 제어기(313)는 쇼핑 관련 문서(가령, 제품 패키지 라벨, 통로 라벨, 선반 태그/티켓 등) 상의 OCR 데이터를 수신하여, 가령, 특징에 매칭되며, 연관된 쇼핑 정보(가령, 영향 정보, 순위, 제품 위치, 통로 내 제품 카테고리의 통로 그룹, 상점내 소매점 특정 제품 코드/바코드, 제품 이름, 선반 가격, 가격 특수 상태, 제품 범위 그룹 등)를 식별하는 키워드에 의해, 이로부터 쇼핑 메타 데이터(가령, 제품, 통로, 선반 등)를 획득할 수 있다.
또한, 이러한 제품의 구매를 요구하는 관련 상점 특별가를 갖는 임의의 소비자 제품에 대해, 정보 제어기(317)는 예를 들어, 정보 통지 액션 제어기(421)로부터 정보 통지 액션으로 사용자에게 프롬프트할 수 있으며, 이때, 프롬프트는 사용자가 특정 제품의 이미지를 캡처한다면, 장래의 쇼핑 트립에 대해 크레딧 보상을 청구할 자격이 있음을 사용자에게 알릴 수 있다.
도 7을 참조하면, 시스템(200)의 특징 및 기능을 도시하는 예시적 사용자측 시나리오(700)가 도시된다. 시나리오(700)는 예시에 불과하고, 시스템(200)의 모든 실시예에 어떠한 기술적 제한도 적용되지 않아야 한다. 덧붙여, 예시적 시나리오(700)에서, 상점내 소비자 행동 이벤트 메타데이터(425)가 원으로 나타나며, 데이터 검증 액션 제어기(420)로부터의 데이터 검증이 평행사변형으로 도시되고, 정보 통지 액션 제어기(421)로부터의 정보 통지 액션이 사각형으로 나타나고, 제품 제안 액션 제어기(419)로부터의 제품 제안 액션이 타원형으로 나타나고 데이터 모델(201)로의 데이터 업데이트가 육각형으로 나타난다.
이제, 시나리오(700)는 단계(712)에서 시작하며, 여기서, 사용자 A는 집에서 어떠한 가격이나 바코드 없는 "HP 소스 120g"을 로컬 상점 1에 대한 쇼핑 리스트에 추가한다. 그 후 이벤트(712)가 시스템(200)이 데이터 검증 제어기(313)로부터, 시스템(200)이 데이터 검증 요청(713)을 다른 소비자 전자 장치(213)로 전송하여 동일한 제품을 최근에 구입한 사용자들로부터 가격을 요청할 수 있는 제1 액션(713)을 포함하는, 일련의 데이터 검증 액션을 트리거하게 할 수 있다. 대안으로 또는 추가로, 액션(714)은 다른 소비자 전자 장치(213)로 전송되어 최근 동일한 제품을 구매한 다른 사용자로부터 바코드를 요청할 수 있다.
데이터 검증 액션(713, 714)의 수신 후, 사용자 B의 전자 장치가 이벤트(716)를 생성할 수 있으며, 여기서, 사용자 B는 집에서 쇼핑 영수증 상의 가격 항목의 사진을 이용해 아이템에 대한 가격을 업데이트한다. 따라서 이벤트(716)는 시스템(200)이 데이터 업데이트(717)를 수행하여, 제공된 가격 정보로 아이템의 가격을 업데이트하지만, 가격이 "확인되지 않음"을 나타내는 플래그를 설정할 수 있다. 또한, 시스템(200)은 데이터 검증 액션(718)을 초기화하여, 데이터 검증 액션을 생성하여 다른 사용자의 다른 전자 장치로부터의 가격 확인을 요청하여, 예를 들어, 쇼핑 영수증 상의 가격 항목의 사진이 데이터 검증 액션(713)으로부터의 제품 및 가격과 매칭됨을 확인할 수 있다.
덧붙여, 사용자 A가 (가령, 제품과 매칭되는 검색어를 타이핑함으로써, 제품 패키지의 이미지를 캡처함으로써, 바코드를 스캔함으로써 등) 제품 추가 이벤트(712)를 수행했을 때, 시스템(200)은 AI에 의해 생성된 제품 제안 액션(711)을 생성할 수 있다. 예를 들어, 상보적 아이템 카테고리 "Oven Baked Chips"를 쇼핑 리스트에 추가하는 것이 사용자 A에게 추천되며, 이로부터 시스템(200)은 기계 학습 알고리즘(322)을 이용하여 일반적으로 "HP 소스 120g"와 연관된 것으로 학습했다.
이벤트(712)는 사용자 C가 장래에 상점 1 내에 또는 동일한 통로 내에 있을 가능성이 있다고 시스템(200)이 결정했기 때문에 시스템(200)이 사용자 C의 소비자 전자 장치(213)에 대한 가격 요청 데이터 검증 액션(715)을 개시하게 할 수 있다. 이러한 예측은 다양한 이벤트 메타데이터(402), 가령, 소비자 행동 이벤트 및 위치 메타데이터(404)를 토대로 훈련된 기계 학습 알고리즘(322)에 의해 생성될 수 있다.
가격 요청 데이터 검증 액션(715)의 수신 후, 사용자 C의 전자 장치가 이벤트(701)를 생성할 수 있으며, 여기서 사용자 C는 상점 1에서의 가격을, 가령, $1에서 $1.30으로 업데이트하고 선반 가격 태그 또는 티켓의 이미지를 캡처한다. 이에 응답하여, 시스템(200)은 데이터 업데이트(702)를 수행하여, 상점에서의 가격을 업데이트하고 동일한 소매점의 관련 상점의 대응하는 가격을 업데이트할 수 있다(가격 조화).
덧붙여, 데이터 검증 제어기(313)가 데이터 검증 액션 제어기(420)로부터 데이터 검증 액션을 생성하고 검증 요청(703)을 또 다른 사용자 D의 소비자 전자 장치(213)로 전송하여, 가격을 확인할 수 있다. 사용자 D가 선반 가격이 찍힌 사진과 매칭됨을 확인하면, 시스템(200)은 가격 확인 업데이트(705)를 수행한다.
덧붙여, 이벤트(701)에 응답하여, 시스템(200)이 제품 제안(706)을 개시하여 이들의 연관된 쇼핑 리스트에 "브라운 소스"(즉, 아이템 카테고리)를 갖는 시스템의 나머지 모든 사용자에게, 120g HP 소스가 특별가 $1.30임을 통지할 수 있다. 이와 관련하여, 정보 통지 액션(707)이 다른 전자 장치로 전송될 수 있다.
시스템(200)은 또 다른 제품 제안(708)을 더 생성하여 자신의 쇼핑 리스트에 "HP 소스 120g"를 갖는 다른 모든 사용자에게, 아이템이 상점 1에서 특별가로 $1.30임을 통지할 수 있다. 사용자 C가 이벤트(701)에서 가격을 업데이트함으로써, 시스템(200)이, 관련 메타데이터를 검사함으로써, 본래 사용자가 가격 업데이트에 대해 구체적으로 묻지 않더라도 본래 사용자에게 본래 사용자에 의해 초기에 추가된 아이템의 새 가격을 통지할 수 있다.
가격 업데이트 이벤트(701)가 상점 1에서 쇼핑할 수 있는 사용자에게 (가격 체크 요청, 가용성 요청 등에 대해 타 사용자에게 관심이 있을 수 있는) 상점 내에 적어도 한 명의 활성 타 사용자가 존재함을 통지하는 정보 통지 액션(709)의 전송을 더 포함할 수 있다. 사용자 E가 정보 통지 액션(709)을 수신하면, 전자 장치(230)는 이벤트(719)를 생성할 수 있는데, 여기서, 사용자 E가 상점 1에 Huggies Nappies에 대한 가격을 알기를 원하고 사용자 C에게 50포인트 트레이드를 제안한다. 이에 응답하여, 시스템(200)은 사용자 C의 소비자 전자 장치(213)로 통지를 전송하기 위해 데이터 검증 액션(720)을 생성할 수 있다.
이벤트(701)는 상점 2에 있는 자신의 쇼핑 리스트에 "HP 소스 120g"를 갖는 사용자에게, 상점 2가 동일한 소매점에 의해 운영됨을 가정할 때, 아이템이 또한 특별가로 $1.30임을 통지하는 또 다른 제품 제안(710)을 더 트리거할 수 있다.
상기의 기재는 설명의 목적으로 본 발명의 철저한 이해를 제공하기 위해 특정 명명법을 사용하였다. 그러나, 본 발명을 실시하기 위해 특정 세부 사항이 요구되지 않음은 해당 분야의 통상의 기술자에게 자명할 것이다. 따라서, 본 발명의 특정 실시예에 대한 상기의 기재는 예시 및 설명의 목적으로 제공된다. 그것들은 개시된 정확한 형태로 본 발명을 철저하게하거나 제한하려는 것이 아니며, 명백히, 상기 교시의 관점에서 많은 수정 및 변형이 가능하다. 실시예는 본 발명의 원리 및 그 실제 적용을 가장 잘 설명하기 위해 선택되고 설명되었으므로, 해당 분야의 통상의 기술자는 본 발명 및 본 발명의 다양한 실시 예를 고려하여 특정 용도에 적합한 다양한 변형을 가장 잘 활용할 수있다. 다음의 청구 범위 및 그 균등물이 본 발명의 범위를 정의하는 것으로 의도된다.

Claims (18)

  1. 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석, 및 연관된 액션 트리거링을 위한 시스템으로서, 상기 시스템은
    소비자 제품 ID 메타데이터, 및 소비자 제품 위치 메타데이터를 포함하는 소비자 제품 메타데이터를 갖는 데이터 모델
    을 포함하며,
    상기 시스템은,
    복수의 소비자 전자 장치로부터 상점내 소비자 행동 이벤트 메타데이터를 수신 - 상점내 소비자 행동 이벤트 메타데이터는 각각의 소비자 전자 장치의 디스플레이 장치에 의해 디스플레이되는 쇼핑 리스트 GUI로부터 적어도 부분적으로 얻어지며, 쇼핑 리스트 GUI는 소비자-특정 소비자 제품 및 제품의 구매를 나타내는 연관된 구매 확인 입력의 리스팅을 포함함 - 하며,
    상점내 소비자 행동 이벤트 메타데이터를 훈련된 인공 지능 분석 엔진으로 입력 - 상기 인공 지능 분석 엔진은 입력으로서 상점내 소비자 행동 이벤트 메타데이터 훈련 데이터를 갖는 기계 학습 알고리즘을 이용해 훈련되었고 기계 학습 알고리즘은 구매 확인 입력로부터 얻어진 구매 확인 데이터에 따라 훈련되며, 분석 엔진은
    데이터 검증 데이터 해석 제어기를 포함하는 데이터 해석 제어기, 및
    데이터 검증 액션 제어기를 포함하는 액션 트리거링 제어기
    를 포함하고, 데이터 검증 데이터 해석 제어기는 상점내 소비자 행동 이벤트 메타데이터에 따라 데이터 검증 기회 매칭을 식별하도록 구성됨 - 하고,
    데이터 검증 액션 제어기를 이용해 데이터 검증 액션을 생성 - 상기 데이터 검증 액션은 상점내 소비자 행동 이벤트 메타데이터에 따라 구성됨 - 하며,
    데이터 검증 액션 전자 통신을 복수의 소비자 전자 장치 중 적어도 하나로 전송하고,
    적어도 하나의 쇼퍼 전자 장치로부터의 데이터 검증 액션 전자 통신에 응답하여 제품 데이터 메타데이터 응답 데이터를 수신하며,
    제품 데이터 메타데이터 응답 데이터를 이용해 소비자 제품 데이터를 업데이트하도록 구성되는, 시스템.
  2. 제1항에 있어서, 데이터 해석 제어기는
    제품 제안 데이터 해석 제어기
    를 더 포함하며, 액션 트리거링 제어기는
    제품 제안 액션 제어기
    를 더 포함하고, 사용될 때:
    제품 제안 데이터 해석 제어기는 상점내 소비자 행동 이벤트 메타데이터에 따라 제품 제안 기회 매칭을 식별하도록 구성되고,
    제품 제안 액션 제어기는 쇼핑 리스트 GUI에 의해 디스플레이되도록 제품 제안을 생성 및 전송하도록 구성되는, 시스템.
  3. 제2항에 있어서, 제품 제안 액션은 제품 제안의 상점내 위치 데이터를 포함하는, 시스템.
  4. 제1항에 있어서, 상점내 위치 데이터는 통로 번호 및 선반 중 적어도 하나를 나타내는, 시스템.
  5. 제3항에 있어서, 전자 장치는 상점내 위치 데이터를 감지하기 위한 센서를 더 포함하며, 상점내 소비자 행동 이벤트 메타데이터는 상점내 위치 데이터를 더 포함하는, 시스템.
  6. 제5항에 있어서, 센서는 근거리장 통신 센서 및 블루투쓰 비컨(BLE) 센서 중 적어도 하나를 포함하는, 시스템.
  7. 제1항에 있어서, 전자 장치는 제품의 이미지를 캡처하기 위한 이미지 센서를 더 포함하고, 제품 데이터는 이미지로부터 얻어지는, 시스템.
  8. 제7항에 있어서, 제품 데이터는 제품 ID 및 제품 가격 데이터 중 적어도 하나를 포함하는, 시스템.
  9. 제1 항에 있어서, 데이터 해석 제어기는
    정보 통지 데이터 해석 제어기
    를 더 포함하며 상기 액션 트리거링 제어기는
    정보 통지 액션 제어기
    를 더 포함하며, 사용될 때:
    정보 통지 데이터 해석 제어기는 상점내 소비자 행동 이벤트 메타데이터에 따라 정보 통지 기회 매칭을 식별하도록 구성되며,
    정보 통지 액션 제어기는 적어도 하나의 전자 장치에 통지를 전송하도록 구성되는, 시스템.
  10. 제1항에 있어서, 데이터 해석 제어기는 기계 학습 알고리즘을 이용해 최적화된, 시스템.
  11. 제1항에 있어서, 액션 트리거링 제어기는 기계 학습 알고릴즘을 이용해 최적화된, 시스템.
  12. 제1항에 있어서, 기계 학습 알고리즘은 쇼핑 리스트 GUI로부터 얻어진 구매 확인 입력 데이터에 따라 제품 제안 제어기를 최적화하도록 구성된, 시스템.
  13. 제1항에 있어서, 기계 학습 알고리즘은 제품 데이터 메타데이터 응답 데이터의 영수증의 확률에 따라 데이터 검증 데이터 해석 제어기를 최적화하도록 구성되는, 시스템.
  14. 제1항에 있어서, 기계 학습 알고리즘은 제품 데이터 메타데이터 응답 데이터의 데이터 무결성에 따라 데이터 검증 데이터 해석 제어기를 최적화하도록 구성되는, 시스템.
  15. 제1항에 있어서, 기계 학습 알고리즘은 정보 통지 프롬프트와 소비자의 대화에 따라 정보 제어기를 최적화하도록 구성되는, 시스템.
  16. 제1항에 있어서, 소비자 제품 메타데이터는 적어도 하나의 제품 카테고리를 포함하는, 시스템.
  17. 제16항에 있어서, 제품 데이터 메타데이터 응답 데이터는 제품 가격 메타데이터를 포함하는, 시스템.
  18. 제7항에 있어서, 상점내 소비자 행동 이벤트 메타데이터는 이미지 데이터를 포함하며, 기계 학습 알고리즘은 이미지 데이터의 객체 인식을 이용해 제품 제안 액션 제어기를 최적화하도록 구성되는, 시스템.
KR1020207001003A 2017-06-22 2018-06-22 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석 및 연관된 액션 트리거링을 위한 시스템 KR20200019955A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2017902404A AU2017902404A0 (en) 2017-06-22 A system for in-store consumer behaviour event metadata aggregation, data verification and the artificial intelligence analysis thereof for data interpretation and associated action triggering
AU2017902404 2017-06-22
PCT/AU2018/050622 WO2018232463A1 (en) 2017-06-22 2018-06-22 SYSTEM FOR AGGREGATING CONSUMER BEHAVIOR EVENT METADATA IN A STORE, CORRESPONDING DATA VERIFICATION AND ARTIFICIAL INTELLIGENCE ANALYSIS FOR DATA INTERPRETATION AND ACTION TRIGGERING THEREFOR

Publications (1)

Publication Number Publication Date
KR20200019955A true KR20200019955A (ko) 2020-02-25

Family

ID=64735416

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207001003A KR20200019955A (ko) 2017-06-22 2018-06-22 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석 및 연관된 액션 트리거링을 위한 시스템

Country Status (10)

Country Link
US (1) US11295367B2 (ko)
EP (1) EP3642783A4 (ko)
JP (1) JP2020524868A (ko)
KR (1) KR20200019955A (ko)
CN (1) CN110785784A (ko)
AU (1) AU2018288382A1 (ko)
BR (1) BR112019027187A8 (ko)
CA (1) CA3067194A1 (ko)
PH (1) PH12019550283A1 (ko)
WO (1) WO2018232463A1 (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11249982B2 (en) * 2018-01-19 2022-02-15 Acronis International Gmbh Blockchain-based verification of machine learning
FR3087921A1 (fr) * 2018-10-31 2020-05-01 Amadeus S.A.S. Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade
BR112021010468A2 (pt) * 2018-12-31 2021-08-24 Intel Corporation Sistemas de segurança que empregam inteligência artificial
US11580317B2 (en) * 2019-03-16 2023-02-14 Nec Corporation Tracking RFID groups with spatio-temporal proximity
US11403649B2 (en) 2019-09-11 2022-08-02 Toast, Inc. Multichannel system for patron identification and dynamic ordering experience enhancement
US11636313B2 (en) * 2019-12-03 2023-04-25 Sap Se Recommendation system based on neural network models to improve efficiencies in interacting with e-commerce platforms
US11570152B2 (en) 2020-02-12 2023-01-31 International Business Machines Corporation Data linkage across multiple participants
US11222292B2 (en) * 2020-02-12 2022-01-11 International Business Machines Corporation Data linkage across multiple participants
CN111339203B (zh) * 2020-02-28 2023-07-14 北京金和网络股份有限公司 区块链数据采集方法、装置及系统
CN113239263B (zh) * 2020-03-28 2022-12-02 可可奇货(深圳)科技有限公司 一种对基于众包推荐的采购进行验证的系统和方法
JP2024053892A (ja) * 2022-10-04 2024-04-16 富士通株式会社 商品購入支援プログラム、情報処理装置及び商品購入支援方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004133552A (ja) * 2002-10-08 2004-04-30 Nippon Telegr & Teleph Corp <Ntt> 販売価格収集システム、販売価格収集方法、及び販売価格収集プログラム、並びにそのプログラムを記録した電磁媒体
US20080004951A1 (en) * 2006-06-29 2008-01-03 Microsoft Corporation Web-based targeted advertising in a brick-and-mortar retail establishment using online customer information
US9674364B2 (en) * 2010-10-21 2017-06-06 Micro Macro Assets, Llc Comprehensive system and method for providing sales and marketing acceleration and effectiveness
WO2012149455A2 (en) 2011-04-29 2012-11-01 Visa International Service Association Vertical network computing integration, analytics, and automation
US20130030915A1 (en) * 2011-06-23 2013-01-31 Qualcomm Incorporated Apparatus and method for enhanced in-store shopping services using mobile device
US20130282533A1 (en) * 2012-04-18 2013-10-24 Elizabeth Foran-Owens Providing an online consumer shopping experience in-store
US20140089079A1 (en) * 2012-09-24 2014-03-27 Texas Instruments Incorporated Method and system for determining a correlation between an advertisement and a person who interacted with a merchant
US20140095285A1 (en) * 2012-10-03 2014-04-03 Motyx Incorporated System for automating consumer shopping purchase-decision
US10977701B2 (en) * 2012-12-04 2021-04-13 Crutchfield Corporation Techniques for providing retail customers a seamless, individualized discovery and shopping experience between online and brick and mortar retail locations
US20140180808A1 (en) * 2012-12-22 2014-06-26 Coupons.Com Incorporated Generation and management of dynamic electronic offers
US20150169597A1 (en) * 2013-12-17 2015-06-18 Qualcomm Incorporated Methods and Systems for Locating Items and Determining Item Locations
WO2016016934A1 (ja) * 2014-07-29 2016-02-04 株式会社日立製作所 嗜好分析システム
JP6277098B2 (ja) * 2014-09-05 2018-02-07 東芝テック株式会社 情報管理システム
US20170236131A1 (en) * 2015-04-30 2017-08-17 NetSuite Inc. System and methods for leveraging customer and company data to generate recommendations and other forms of interactions with customers
WO2016210354A1 (en) 2015-06-24 2016-12-29 Magic Leap, Inc. Augmented reality devices, systems and methods for purchasing
US20170116620A1 (en) 2015-10-23 2017-04-27 Mastercard International Incorporated Systems and methods for identifying spree shopping behavior
JP6026682B1 (ja) * 2016-02-05 2016-11-16 サイジニア株式会社 購買活動管理装置、購買活動管理方法、およびプログラム
JP6904349B2 (ja) * 2016-07-13 2021-07-14 ソニーグループ株式会社 エージェントロボット制御システム、エージェントロボットシステム、エージェントロボット制御方法、記録媒体、およびエージェントロボット制御プログラム
US20180285893A1 (en) * 2017-03-31 2018-10-04 International Business Machines Corporation Determining music to influence customer behavior

Also Published As

Publication number Publication date
PH12019550283A1 (en) 2021-01-11
US11295367B2 (en) 2022-04-05
EP3642783A1 (en) 2020-04-29
JP2020524868A (ja) 2020-08-20
AU2018288382A1 (en) 2020-01-23
CA3067194A1 (en) 2018-12-27
BR112019027187A8 (pt) 2023-04-11
WO2018232463A1 (en) 2018-12-27
CN110785784A (zh) 2020-02-11
BR112019027187A2 (pt) 2020-06-30
RU2020101618A (ru) 2021-07-22
US20200134695A1 (en) 2020-04-30
EP3642783A4 (en) 2020-12-02

Similar Documents

Publication Publication Date Title
KR20200019955A (ko) 상점내 소비자 행동 이벤트 메타데이터 집성, 데이터 해석을 위한 데이터 검증 및 인공 지능 분석 및 연관된 액션 트리거링을 위한 시스템
JP7182652B2 (ja) 購入のための拡張現実デバイス、システムおよび方法
US11403665B2 (en) Automatic recommendation of offer parameters to an offer provider based on historical transaction data
US11354723B2 (en) Smart shopping cart with E-wallet store injection search
US10825046B2 (en) Predictive recommendation system
US20180174188A1 (en) Systems and methods for customizing content of a billboard
US9747631B2 (en) Systems and methods for purchasing products from a retail establishment using a mobile device
US20130282533A1 (en) Providing an online consumer shopping experience in-store
US20150324828A1 (en) Commerce System and Method of Providing Communication Between Publishers and Intelligent Personal Agents
US20160203524A1 (en) Apparatus for managing customer information, method for managing customer information, system for managing customer information and non-transitory computer readable storage medium having a computer program recorded thereon
US10679205B2 (en) Systems and methods regarding point-of-recognition optimization of onsite user purchases at a physical location
CN114365175A (zh) 店铺利用信息分发装置、具备该店铺利用信息分发装置的店铺利用信息分发系统以及店铺利用信息分发方法
US11127047B2 (en) Digital promotion system using digital collectibles
US20220398608A1 (en) Application program interfaces for order and delivery service recommendations
US10163094B2 (en) Light-life system and application
US9978086B1 (en) Systems and methods regarding point-of-recognition optimization of onsite user purchases at a physical location
US11568435B2 (en) Intelligent and interactive shopping engine
KR20190079582A (ko) 선물 추천 서비스 방법 및 이를 실행하기 위한 선물 추천 서버
TWI778335B (zh) 資訊推薦方法、行動裝置及電腦程式產品
US20180060909A1 (en) Method and system for generating targeted marketing offers
RU2772835C2 (ru) Система для агрегации метаданных событий поведения потребителя в магазине, верификации данных и их анализа с помощью искусственного интеллекта для интерпретации данных и запуска связанного действия
US20150379547A1 (en) Apparatus and method of incentivizing a targeted purchase using multi-channel data
US20220129919A1 (en) Automated shopping assistant customized from prior shopping patterns
WO2019199530A1 (en) Systems and methods regarding point-of-recognition of optimization of onsite user purchases at a physical location
KR20160007969A (ko) 매장 관리 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application