RU2010125682A

RU2010125682A - Способы и устройство обеспечения системы прогнозирования групповой торговли

Info

Publication number: RU2010125682A
Application number: RU2010125682/08A
Authority: RU
Inventors: Томас МАКГИАН (US); Томас МАКГИАН
Original assignee: Мастеркард Интернешнл Инкорпорейтед (Us); Мастеркард Интернешнл Инкорпорейтед
Priority date: 2007-12-31
Filing date: 2008-12-04
Publication date: 2011-12-27
Also published as: EP2240916A4; EP2240916A1; MX2010007273A; RU2510891C2; US20090171759A1; KR101468764B1; BRPI0821420A2; WO2009085554A1; CA2710752A1; KR20100114058A; US8738486B2; JP2011508353A; JP5485911B2; AU2008343492A1; AU2008343492B2

Abstract

1. Способ обнаружения образца в данных транзакции финансовой карты операции для определения состава группы продавца в данных транзакции, основанный на использовании компьютера, причем данные относятся к продавцам, которые принимают финансовую карту операции для оплаты, предусматривающий: ! получение данных транзакции, по меньшей мере, от одной базы данных; ! прогнозирование принадлежности продавца в группе, использующее, по меньшей мере, один алгоритм прогноза и полученные данные транзакции, алгоритм, генерирующий метаданные, описывающие прогнозы; ! ввод, по меньшей мере, одного прогнозированного состава группы и метаданных в приложение анализа данных и ! присваивание оценки достоверности каждому прогнозированному составу группы, получающим приложением, при использовании прогнозированных составов метаданных. ! 2. Способ, основанный на использовании компьютера по п.1, в котором прогнозирование принадлежности продавца к группе включает идентификацию, по меньшей мере от одной базы данных, набора полей базы данных, которые значимы в контексте получения состава группы, и способ дополнительно предусматривает: ! поиск торговых данных местоположения в, по меньшей мере, одной базе данных для нескольких торговых местоположений, которые находятся в пределах заданного расстояния от данного местоположения, причем местоположение и расстояние основано на подобии как величины перекрестного атрибута, весовых коэффициентов частоты термина/инверсной частоты документа (TF/IDF), вычисленных для значений полей и маркированных полей значения в базе данных; ! поиск торговых данных местоположения для торговых местоположен

Claims

1. Способ обнаружения образца в данных транзакции финансовой карты операции для определения состава группы продавца в данных транзакции, основанный на использовании компьютера, причем данные относятся к продавцам, которые принимают финансовую карту операции для оплаты, предусматривающий:

получение данных транзакции, по меньшей мере, от одной базы данных;

прогнозирование принадлежности продавца в группе, использующее, по меньшей мере, один алгоритм прогноза и полученные данные транзакции, алгоритм, генерирующий метаданные, описывающие прогнозы;

ввод, по меньшей мере, одного прогнозированного состава группы и метаданных в приложение анализа данных и

присваивание оценки достоверности каждому прогнозированному составу группы, получающим приложением, при использовании прогнозированных составов метаданных.

2. Способ, основанный на использовании компьютера по п.1, в котором прогнозирование принадлежности продавца к группе включает идентификацию, по меньшей мере от одной базы данных, набора полей базы данных, которые значимы в контексте получения состава группы, и способ дополнительно предусматривает:

поиск торговых данных местоположения в, по меньшей мере, одной базе данных для нескольких торговых местоположений, которые находятся в пределах заданного расстояния от данного местоположения, причем местоположение и расстояние основано на подобии как величины перекрестного атрибута, весовых коэффициентов частоты термина/инверсной частоты документа (TF/IDF), вычисленных для значений полей и маркированных полей значения в базе данных;

поиск торговых данных местоположения для торговых местоположений, которые находятся в пределах расстояния от данного местоположения, и определение подобия, по меньшей мере, одного из новых торговых местоположений и измененного торгового местоположения;

вычисление значений условия для классификации торговых местоположений, которые встречаются в пределах данного расстояния от данного местоположения; и

возврат наиболее часто происходящего значения условия как прогнозируемый состав группы.

3. Способ, основанный на использовании компьютера по п.1, в котором прогнозирование принадлежности продавца к группе включает:

маркирование, по меньшей мере, одного поля в базе данных;

вычисление инверсной частоты документа для всех маркируемых значений полей в базе данных;

вычисление разряженной матрицы метрик весовых коэффициентов для каждого значения поля базы данных и каждого маркируемого значения поля базы данных; и

генерирование прогноза присоединением данного поля местоположения базы данных с любым полем местоположения базы данных, основанное на одном или более типе полей и значений полей, используя пространство матрицы, и

в котором пространство матрицы включает торговый код категории, код ассоциации карты Международного банка (ICA), бизнес-регион, название продавца, номер телефона продавца, идентификатор получающего продавца, идентификатор уровня продавца, официальное название продавца и идентификатор федерального налога.

4. Способ, основанный на использовании компьютера по п.1, в котором прогнозирование принадлежности продавца к группе включает вычисления релевантности для одного торгового местоположения относительно набора торговых местоположений, причем местоположение основано на расчете подобия, подобие основано на значениях полей и значениях маркированных полей в базе данных, и

в котором вычисление релевантности для одного торгового местоположения относительно набора торговых местоположений, включающий:

извлечение функций релевантности от множества торговых местоположений, сгруппированных в наборы для генерирования документа для каждого набора;

сбор сгенерированных документов в словарь;

формирование разряженной матрицы, использующей словарь, посредством чего релевантность каждого значения поля и значение маркируемого поля в сгенерированных документах вычисляется, используя извлеченные функции релевантности, основанные на, по меньшей мере, одного из частоты термина и инверсной частоты документа; и

присоединение матрицы весовых коэффициентов уровня торговых местоположений к матрице весовых коэффициентов торговых групп, основанное на типах полей и значениях полей в пространстве матрицы;

использование суммы весовых коэффициентов уровней торговых местоположений и весовых коэффициентов торговых групп в механизме релевантности, чтобы определить релевантность каждого торгового местоположения к каждому набору торговых местоположений, и

вывод набора торговых местоположений с самой высокой релевантностью как прогноз.

5. Способ, основанный на использовании компьютера по п.1, в котором прогнозирование принадлежности продавца к группе включает прогнозирование, использующее алгоритм числовой подписи и наблюдаемую тенденцию для продавцов, принадлежащих той же группе, чтобы отклонение от распределения было относительно непротиворечивым способом, группа местоположений, у которых имеется подобное числовое распределение по сравнению с каждым торговым расположением, причем местоположение основано на расчетном подобии, подобие основано на значениях полей и значениях маркированных полей в базе данных.

6. Способ, основанный на использовании компьютера по п.1, в котором прогнозирование принадлежности продавца к группе включает:

выбор, в произвольном порядке, торговых данных из группы торговых данных, по меньшей мере, в одной базе данных;

вычисления распределения появления цифр 1, 2, 3, 4, 5, 6, 7, 8 и 9 в первой позиции количества транзакции;

суммирование объема транзакции торговой группы;

вычисление углового расстояния между вычисленным распределением цифр и распределением цифр идентифицируемым Законом Бенфорда; и

вывод группы продавца с угловым расстоянием, самым близким к вычисленному угловому расстоянию, как прогнозированная торговая группа для выбранного продавца.

7. Способ, основанный на использовании компьютера по п.1, в котором предсказывание принадлежности продавца к группе использует, по меньшей мере, один алгоритм прогноза, и полученные данные транзакции, включающий использование нескольких алгоритмов прогноза, чтобы предоставить несколько прогнозов принадлежности продавца, и

в котором присваивание оценки достоверности каждому прогнозированному составу группы включает: присвоение оценки достоверности к каждому из нескольких прогнозов принадлежности продавца; и

обеспечение прогноза принадлежности с самой высокой оценкой достоверности как заключительный прогноз принадлежности продавца.

8. Компьютерная система обнаружения образца в данных транзакции финансовой карты операции для определения состава группы для отдельных продавцов, использующих данные транзакции, причем указанный компьютер запрограммирован для:

выполнения множества алгоритмов прогноза с данными транзакции, каждый алгоритм прогноза предсказывает состав группы продавца на основании данных транзакции;

присвоения оценки достоверности каждому прогнозированному составу группы; и

выведение прогноза состава группы с самой высокой оценкой достоверности как заключительный прогноз принадлежности продавца.

9. Компьютерная система по п.8, в которой, по меньшей мере, один из алгоритмов действует, чтобы идентифицировать, в данных транзакции, набор полей базы данных, которые значимы для получения состава группы.

10. Компьютерная система по п.9 в которой, по меньшей мере, один из алгоритмов действует для:

поиска торговых данных местоположения в данных транзакции для многих торговых местоположений в заданном расстоянии от данного местоположения;

вычисления значения условия через классификацию торговых местоположений, которые встречаются в пределах данного расстояния от данного местоположения; и возврата наиболее часто встречающегося значения условия как прогноз состава группы, причем местоположение и расстояние основаны на расчетном подобии, подобие основано на значениях полей и значениях маркированных полей в базе данных.

11. Компьютерная система по п.8, в которой выполняется множество алгоритмов прогноза с данными транзакции, по меньшей мере, один из алгоритмов является действующим для:

маркирования, по меньшей мере, одного поля в базе данных;

вычисления инверсной частоты документа для всех маркируемых значений полей базы данных в базе данных;

генерирования разряженной матрицы метрики весовых коэффициентов для каждого значения поля базы данных и каждого маркируемого значения поля базы данных; и

вычисления прогноза соединением данного поля местоположения базы данных с любым полем местоположения базы данных, основанном на одном или более типе поля и значении поля в пространстве матрице.

12. Компьютерная система по п.8, в которой для выполнения множества алгоритмов прогноза с данными транзакции упомянутая компьютерная система программируется, чтобы вычислить релевантность для одного торгового местоположения относительно набора торговых местоположений в данных транзакции, причем местоположение основано на расчетном подобии, подобие основано на значениях полей и значениях маркированных полей в базе данных.

13. Компьютерная система по п.12, в которой, чтобы вычислить релевантность для одного торгового местоположения относительно набора торговых местоположений в пределах данных транзакции, упомянутая компьютерная система программируется для:

извлечения функции релевантности из множества торговых местоположений, сгруппированных в наборы, чтобы генерировать документ для каждого набора;

сбора сгенерированных документов в словарь;

формирования разряженной матрицы, использующей словарь, посредством чего релевантность каждого значения поля и значения маркируемого поля в сгенерированных документах вычисляется, используя извлеченные функции релевантности, основанные на, по меньшей мере, одного из частоты термина и инверсной частоты документа; и

присоединения матрицы весовых коэффициентов уровней торговых местоположений к матрице весовых коэффициентов торговых групп, основанных на типах полей и значениях полей в пространстве матрицы, и

в которой, чтобы определить значение для каждого набора данных торговых местоположений, упомянутая компьютерная система программируется, чтобы использовать сумму весовых коэффициентов в механизме релевантности, чтобы определить релевантность каждого местоположения к торговой группе.

14. Компьютерная система по п.13, в которой упомянутая компьютерная система программируется для:

использования суммы весовых коэффициентов уровня торговых местоположений и весовых коэффициентов торговых групп в механизме релевантности, чтобы определить релевантность каждого торгового местоположения к каждому набору торговых местоположений; и

вывода набора торговых расположений с самой высокой релевантностью как прогноз.

15. Компьютерная система по п.8, в которой, чтобы выполнить множество алгоритмов прогноза с данными транзакции, упомянутая компьютерная система программируется, чтобы использовать данные, обеспеченные третьей стороной, которые были сравнены по торговым местоположениям базы данных транзакций финансовой карты операции, причем местоположение основано на расчете подобия, подобие основано на значениях полей и значениях маркированных полей в базе данных.

16. Компьютерная система по п.8, в которой местоположение основано на расчетном подобии, подобие основано на значениях полей и значении маркированных полей в базе данных, причем, чтобы выполнить множество алгоритмов прогноза с данными транзакции, упомянутая компьютерная система программируется для:

использования сторонних данных местоположения, которые были сравнены с базой данных операций финансовой карты, по данным торговых местоположений бренда, сторонние данные местоположения включают присвоенный идентификатор цепочки; и

соединения идентификаторов цепочек с торговым местоположением ассоциировано с брендом финансовой карты операции.

17. Компьютерная система по п.8, в которой местоположение основано на расчетном подобии, подобие основано на значениях полей и значении маркированных полей в базе данных, причем, чтобы выполнить множество алгоритмов прогноза с данными транзакции, упомянутая компьютерная система программируется для:

использования механизма приблизительного сравнения торгового местоположения для присоединения к набору сторонних записей местоположений продавца ряда записей торговых местоположений; и

вычисления предсказываемой группы для данного местоположения как торговой группы, которая соответствует набору, к которому присоединяются, для данного местоположения.

18. Компьютерная система по п.17, дополнительно программированная, чтобы присвоить оценку достоверности сравнения, как присвоено механизмом приблизительного сравнения торгового местоположения.

19. Компьютерная система по п.8, в которой, чтобы выполнить множество алгоритмов прогноза с данными транзакции, упомянутая компьютерная система программируется для:

выбора, в произвольном порядке, торговых данных из группы торговых данных, по меньшей мере, в одной базе данных;

вычисления распределения появления цифр 1, 2, 3, 4, 5, 6, 7, 8 и 9 в первой позиции количества транзакции; и

суммирования объема транзакции торговой группы.

20. Компьютерная система по п.19, дополнительно запрограммированная для:

вычисления углового расстояния между вычисленным распределением цифр и распределением цифр идентифицируемым Законом Бенфорда; и

вывода группы продавца с угловым расстоянием, самым близким к вычисленному угловому расстоянию, как прогнозированная торговая группа для выбранного продавца.