TWI645350B - 決策因素分析裝置與決策因素分析方法 - Google Patents

決策因素分析裝置與決策因素分析方法 Download PDF

Info

Publication number
TWI645350B
TWI645350B TW106141043A TW106141043A TWI645350B TW I645350 B TWI645350 B TW I645350B TW 106141043 A TW106141043 A TW 106141043A TW 106141043 A TW106141043 A TW 106141043A TW I645350 B TWI645350 B TW I645350B
Authority
TW
Taiwan
Prior art keywords
product
decision
commodity
target
regression model
Prior art date
Application number
TW106141043A
Other languages
English (en)
Other versions
TW201926183A (zh
Inventor
林政良
李杰欣
王恩慈
黃俊堂
左聰文
Original Assignee
財團法人工業技術研究院
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 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW106141043A priority Critical patent/TWI645350B/zh
Priority to CN201711388816.6A priority patent/CN109840796B/zh
Priority to US15/853,866 priority patent/US10572929B2/en
Application granted granted Critical
Publication of TWI645350B publication Critical patent/TWI645350B/zh
Publication of TW201926183A publication Critical patent/TW201926183A/zh

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本發明提供用於分析導致商品類型的商品被購買的多個決策因素的一種決策因素分析裝置與決策因素分析方法。所述方法包括自消費者資料庫對應多個消費者的多個瀏覽歷史資料與多個購買歷史資料中辨識對應所述商品類型的多個商品序列，其中每一個商品序列包括未購買商品與購買商品；根據所述多個商品序列與多個商品資訊獲得特徵序列；根據特徵序列的K個決策因素訓練對應所述商品類型的回歸模型以獲得最佳回歸模型，並且根據所述最佳回歸模型獲得分別對應所述K個決策因素的K個決策值，以產生對應所述商品類型的決策因素序列。

Description

決策因素分析裝置與決策因素分析方法
本發明是有關於一種決策因素分析裝置與決策因素分析方法。
隨著時代的進步、網路的發達及運送通路的演進，現在人的購物方式也由從實體店面中購物的方式轉為從電商網站購物的方式。換言之，網路購物已經是一種趨勢。
對於利用電商網站來進行貨物販賣的賣家(或相關的商品管理者)來說，雖然可根據電商網站所提供的統計資訊/歷史記錄(如，已販賣商品的數量/類型)來判斷哪些商品是暢銷的。但是，賣家不容易從這些統計資訊/歷史記錄中來判斷影響這些暢銷商品之所以暢銷的因素，導致賣家難以進一步地提高在電商網站中所販賣的商品的被購買率，即，賣家並不能夠充分地享受到利用電商網站販賣商品的好處。例如，賣家不容易經由電商網站所提供的統計資訊/歷史記錄來有效地辨識出購買率較高的商品(以及其規格)或是辨識出可吸引人購買商品的販賣網頁的設計特徵/規格。
基此，要如何利用電商網站所提供的統計資訊/歷史資料來分析出商品之所以被購買的決策因素，進而使賣家可辨識出購買率較高的產品，或是設計出較具賣相的網頁，是本領域人員致力發展的目標。
本發明提供一種決策因素分析裝置與決策因素分析方法，可分析影響所述特定商品類型的商品是否被購買的多個決策因素。
本發明的一實施例提供用於分析導致一商品類型的商品被購買的多個決策因素的一種決策因素分析裝置。所述決策因素分析裝置包括通訊電路單元、儲存裝置以及處理器。通訊電路單元用以連接至電商網站的電商伺服器。儲存裝置用以儲存多個程式碼模組。所述處理器用以存取且執行所述多個程式碼模組，以執行對應所述商品類型的決策因素分析操作。所述多個程式碼模組包括資料擷取模組、決策因素管理模組與回歸模型管理模組。資料擷取模組用以自所述電商伺服器之消費者資料庫讀取分別對應多個消費者的多個消費者歷史資料，並且自所述電商伺服器之商品資料庫中讀取多個商品資料，其中所述多個消費者歷史資料的每一個消費者歷史資料包括瀏覽歷史資料與購買歷史資料。決策因素管理模組用以管理所述決策因素分析操作。回歸模型管理模組用以訓練回歸模型。所述決策因素管理模組根據所述 商品類型指示所述資料擷取模組從對應所述多個消費者的所述多個瀏覽歷史資料與所述多個購買歷史資料中辨識對應所述商品類型的多個商品序列，其中每一個商品序列包括屬於所述商品類型的分別對應所述多個消費者的多個已瀏覽商品，其中所述多個已瀏覽商品包括一或多個未購買商品與一購買商品。此外，所述決策因素管理模組根據所述多個商品序列中各自的所述一或多個未購買商品與所述購買商品來獲得分別對應所述多個商品序列的多個特徵組，其中每一個特徵組包括多個特徵及分別對應所述多個特徵的多個特徵值。所述決策因素管理模組更根據對應所述商品類別的所述多個商品序列與所述多個特徵組獲得一特徵序列，其中所述決策因素管理模組選擇所述特徵序列中已排序的所述多個特徵的前K個特徵作為K個決策因素。所述回歸模型管理模組根據所述K個決策因素與所述多個商品資料訓練對應所述商品類型的一回歸模型以獲得一最佳回歸模型，並且根據所述最佳回歸模型獲得分別對應所述K個決策因素的K個決策值。所述決策因素管理模組根據所述K個決策值由大至小排序所述K個決策因素，以產生對應所述商品類型的具有K個決策因素的一決策因素序列，其中所述決策因素管理模組判定在對應所述商品類型的所述決策因素序列的所述K個決策因素中排序最前面的一第一決策因素為最影響所述商品類型的商品是否會被購買的所述商品的關鍵商品資訊。
本發明的一實施例提供用於分析導致一商品類型的商品 被購買的多個決策因素的一種決策因素分析方法。所述方法包括自一電商網站的一電商伺服器之消費者資料庫讀取分別對應多個消費者的多個消費者歷史資料，並且自所述電商伺服器之商品資料庫中讀取多個商品資料，其中所述多個消費者歷史資料的每一個消費者歷史資料包括瀏覽歷史資料與購買歷史資料；根據所述商品類型從對應所述多個消費者的所述多個瀏覽歷史資料與所述多個購買歷史資料中辨識對應所述商品類型的多個商品序列，其中每一個商品序列包括屬於所述商品類型的分別對應所述多個消費者的多個已瀏覽商品，其中所述多個已瀏覽商品包括一或多個未購買商品與一購買商品；根據所述多個商品序列中各自的所述一或多個未購買商品與所述購買商品來獲得分別對應所述多個商品序列的多個特徵組，其中每一個特徵組包括多個特徵及分別對應所述多個特徵的多個特徵值；根據對應所述商品類別的所述多個商品序列與所述多個特徵組獲得一特徵序列；選擇所述特徵序列中已排序的所述多個特徵的前K個特徵作為K個決策因素；根據所述K個決策因素與所述多個商品資料訓練對應所述商品類型的一回歸模型以獲得一最佳回歸模型，並且根據所述最佳回歸模型獲得分別對應所述K個決策因素的K個決策值；以及根據所述K個決策值由大至小排序所述K個決策因素，以產生對應所述商品類型的具有K個決策因素的一決策因素序列，其中在對應所述商品類型的所述決策因素序列的所述K個決策因素中排序最前面的一第一決策因素被判定為最影響所述商品類型的商品是否會被 購買的所述商品的關鍵商品資訊。
基於上述，本發明之實施例所提供的決策因素分析裝置與決策因素分析方法，可藉由電商網站的多個消費者的對應一特定商品類型的多個瀏覽歷史記錄與多個購買歷史記錄來辨識對應該特定商品類型的多個商品序列，根據對應所述多個商品序列中未被購買及被購買的商品的多個商品資訊與回歸模型以分析影響所述特定商品類型的商品是否被購買的多個決策因素，進而可提供參考資訊來設計可吸引購買的所述特定商品類型的商品。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
1‧‧‧決策因素分析系統
10‧‧‧電商伺服器
20‧‧‧決策因素分析裝置
110、210‧‧‧通訊電路單元
120、220‧‧‧處理器
130、230‧‧‧儲存裝置
131、1311、1312、132、234‧‧‧資料庫
240‧‧‧輸入/輸出裝置
231‧‧‧資料擷取模組
232‧‧‧決策因素管理模組
233‧‧‧回歸模型管理模組
BHD‧‧‧瀏覽歷史資料
PHD‧‧‧購買歷史資料
QD‧‧‧查詢/查詢資料
DD‧‧‧決策因素資料
S21、S22、S23‧‧‧決策因素分析方法的流程步驟
S221、S222、S223‧‧‧步驟S22的流程步驟
S231、S232、S233‧‧‧步驟S23的流程步驟
3、PA、PB、PC、PD、PE、P1、P2、P3、P4‧‧‧商品
PS1、PS2‧‧‧商品序列
30、31‧‧‧消費者
410、420、430、440、450、520、610、620、710、730‧‧‧表格
510‧‧‧曲線
A41、A42、A43、A44、A51、A61、A71、A72、A73、A74、A75‧‧‧箭頭
711‧‧‧實際購買率
720‧‧‧回歸模型
810‧‧‧欄位
820、910、920、930‧‧‧區域
830‧‧‧區域/商品頁面
圖1是根據本發明的一實施例所繪示的決策因素分析系統的方塊示意圖。
圖2A是根據本發明的一實施例所繪示的決策因素分析方法的流程圖。
圖2B是根據本發明的一實施例所繪示的圖2A的步驟S22的流程圖。
圖2C是根據本發明的一實施例所繪示的圖2A的步驟S23的流程圖。
圖3A是根據本發明的一實施例所繪示的辨識對應一商品類 型的商品序列的示意圖。
圖3B是根據本發明的一實施例所繪示的已辨識之多個商品序列。
圖4是根據本發明的一實施例所繪示的計算稀有值的示意圖。
圖5是根據本發明的一實施例所繪示的特徵轉換操作的示意圖。
圖6是根據本發明的一實施例所繪示的計算特徵序列的示意圖。
圖7是根據本發明的一實施例所繪示的回歸模型訓練的示意圖。
圖8是根據本發明的一實施例所繪示的顯示對應所查詢的商品類型的決策因素序列的示意圖。
圖9是根據本發明的一實施例所繪示的顯示對應所查詢的商品類型的決策因素序列與對應所查詢的多個商品資訊的預測購買率的示意圖。
本發明所提供的決策因素分析系統(裝置)與決策因素分析方法的主要精神為：利用電商(E-commerce)網站所提供的統計資料/歷史資料，來挖掘出可供利用的資訊，以找出一商品類型的商品會吸引消費者購買的關鍵的商品特徵(包含商品本身的規格與 顯示商品的頁面的規格)。換句話說，本發明所提供的決策因素分析系統(裝置)與決策因素分析方法可配合電商網站的商品資料、歷史資料來分析對應一電商網站的特定商品類型的多個決策因素，進而使相關人員可進一步地利用這些分析出的所述多個決策因素來設計欲販售的所述特定商品類型的商品的商品規格與頁面規格。如此一來，販售商品的相關人員可據此更進一步地下架(停止販售)較低購買率的商品，增加較高購買率的商品的上架，修改對應特定商品類型的行銷策略與物流系統。
圖1是根據本發明的一實施例所繪示的決策因素分析系統的方塊示意圖。請參考圖1，在本實施例中，決策因素分析系統1包括電商網站的電商伺服器(E-commerce server)10與決策因素分析裝置20。電商伺服器10與決策因素分析裝置20可藉由網際網路、區域網路或無線網路的方式來連接。所述電商網站可指任何販賣實體商品的網站，如，亞馬遜(Amazon)、淘寶網(Taobao)、蝦皮拍賣(Shopee)、ebay等購物網站，此些電商網站販賣屬於不同商品種類的實體商品。所述電商網站也可指特定品牌本身的網路商店，例如，Uniqlo、DELL等品牌的網路商店，此些網路商店販賣屬於單一品牌的不同商品種類的實體商品。所述電商網站也可指販賣(以供下載)應用程式/軟體/數位商品的網路商店，如，Google Play、itunes、Steam或App Store，此些電商網站販賣屬於不同商品種類的數位(虛擬)商品。為了方便說明，在以下所描述的實施例中，電商網站屬於任何販賣實體商品的網站(如，亞馬遜)。
應注意的是，在另一實施例中，所述決策因素分析裝置20亦可整合至電商伺服器10。如此一來，在此另一實施例中，具有決策因素分析裝置20的電商伺服器10可直接利用本身的歷史資料來進行關於其所販售之商品的商品類型的決策因素的分析。
在本實施例中，電商伺服器10包括通訊電路單元110、處理器120、儲存裝置130。所述處理器120耦接至通訊電路單元110與儲存裝置130。決策因素分析裝置20包括通訊電路單元210、處理器220、儲存裝置230與輸入/輸出裝置240。處理器220耦接至通訊電路單元210、儲存裝置230與輸入/輸出裝置240。
在本實施例中，所述通訊電路單元110、210用以透過無線通訊的方式建立電商伺服器10與決策因素分析裝置20之間的連線，以使電商伺服器10與決策因素分析裝置20可彼此傳輸或是接收資料。在本實施例中，通訊電路單元110或210可為具有一無線通訊模組(未繪示)的電路單元，並支援全球行動通信(Global System for Mobile Communication，GSM)系統、個人手持式電話系統(Personal Handy-phone System，PHS)、碼多重擷取(Code Division Multiple Access，CDMA)系統、無線相容認證(Wireless Fidelity，WiFi)系統、全球互通微波存取(Worldwide Interoperability for Microwave Access，WiMAX)系統、第三代無線通信技術(3G)、長期演進技術(Long Term Evolution,LTE)、紅外線(Infrared)傳輸、藍芽(bluetooth)通訊技術的其中之一或其組合，且不限於此。除此之外，所述通訊電路單元110、210也可為具有一有線通訊模組(未繪 示)的電路單元，並透過有線通訊的方式來傳輸或是接收資料。此有線通訊模組可為一光纖網路模組，並透過一光纖介面與一光纖建立一光纖網路使通訊電路單元110、210彼此連接。在所建立的光纖網路中，電商伺服器10與決策因素分析裝置可以互相傳遞資訊。本發明並不限制光纖的種類與材質。此外，電商伺服器10與決策因素分析裝置20的通訊電路單元110、120亦可先連接至網際網路，再連線至彼此。
在本實施例中，所述儲存裝置130、230用以儲存資料。儲存單元130、230可分別經由處理單元120、220的指示來儲存資料。所述資料包括分別用以管理電商伺服器10與決策因素分析裝置20的管理資料。儲存裝置130、230可以是任何型態的硬碟機(hard disk drive，HDD)或非揮發性記憶體儲存裝置。
在本實施例中，儲存裝置130所儲存的資料包括消費者資料庫131與商品資料庫132。所述消費者資料庫131用以記錄關於使用電商網站的所有消費者的資訊，如，分別對應多個消費者的多個消費者歷史資料。在本實施例中，所述消費者資料庫131包括瀏覽歷史資料庫1311與購買歷史資料庫1312。
所述瀏覽歷史資料庫1311儲存關於所有消費者所瀏覽的所述電商網站的網路頁面(網頁)與商品(頁面)的資訊。即，可以從瀏覽歷史資料庫1311中查詢到特定使用者在特定期間內所瀏覽過的商品/網頁。所述購買歷史資料庫1312儲存關於所有消費者所購買的所述電商網站的商品的資訊。即，可以從購買歷史資 料庫1312中查詢到特定使用者在特定期間內所購買的商品。
所述商品資料庫132用以儲存關於電商網站的所有商品與所有(商品)網頁的資訊，例如，所述商品資料庫132儲存多個商品資料。所述商品資料例如為記錄其對應的商品的商品規格特徵與其對應的商品的網頁(販售該對應的商品的網頁)的網頁規格(頁面規格)的特徵(亦稱，商品展覽特徵)。應注意的是，所述網頁與商品頁面亦可泛指任何可供瀏覽器開啟(顯示)的網路頁面或是供應用程式/資料庫程式所開啟(顯示)的應用程式的商品頁面。例如，賣家或相關的使用者可經由電商網站的網路頁面中展覽(或瀏覽)商品，或是經由電商網站的應用程式/資料庫程式的商品頁面來展覽(或瀏覽)商品。
儲存裝置230所記錄的資料包括多個程式碼模組231~233與決策因素資料庫234，處理器220可存取此些程式碼模組231~233來實現本發明所提供的決策因素分析方法，以執行對應一商品類型的決策因素分析操作。決策因素資料庫234用以記錄所產生的分別對應不同商品類型的多組決策因素。
在本實施例中，所述程式碼模組包括資料擷取模組231、決策因素管理模組232與回歸模型管理模組233。在另一實施例中，資料擷取模組231與回歸模型管理模組233亦可整合至決策因素管理模組232中。
所述資料擷取模組231用以自電商伺服器10之消費者資料庫131讀取分別對應多個消費者的多個消費者歷史資料，並且 自該電商伺服器10之商品資料庫132中讀取多個商品資料(Product Information Data，PID)，其中對應一消費者的一消費者歷史資料包括對應該消費者的瀏覽歷史資料(Browse History Data，BHD)(讀取自瀏覽歷史資料庫1311)與購買歷史資料(Purchase History Data，PHD)(讀取自購買歷史資料庫1312)。
所述決策因素管理模組232用以管理所執行之整體決策因素分析操作。所述回歸模型管理模組233用以訓練回歸模型。
所述處理器120、220為具備運算能力的硬體(例如晶片組、處理器等)，用以各自管理電商伺服器10與決策因素分析裝置的整體運作。在本實施例中，處理器120、220，例如是一核心或多核心的中央處理單元(Central Processing Unit，CPU)、微處理器(micro-processor)、或是其他可程式化之處理單元(Programmable processor)、數位訊號處理器(Digital Signal Processor，DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits，ASIC)、可程式化邏輯裝置(Programmable Logic Device，PLD)或其他類似裝置。
所述輸入/輸出裝置240可分為輸入設備與輸出設備。一般來說，常見的輸入設備例如是滑鼠、鍵盤、掃描器、數位相機、數位板、麥克風、觸控板、觸控面板等設備，其用以讓使用者輸入資料(如，查詢資料QD)或是經由輸入設備來控制所使用者所欲運作的功能。輸出設備例如是螢幕(其用以接收顯示資料來顯示視覺內容，如，畫面)、喇叭(其可用以接收音訊資料來發出聽覺內 容，如，聲音)等設備，本案不以此為限。輸入設備亦可與輸出設備整合在一起，例如，同時具有資料輸入功能與資料輸出功能的觸控螢幕。以下會藉由多個圖式與實施例來進一步詳細說明資料擷取模組231、決策因素管理模組232與回歸模型管理模組233之間的互動與各自的功能。
圖2A是根據本發明的一實施例所繪示的決策因素分析方法的流程圖。請同時參考圖1與圖2A，在步驟S21中，資料擷取模組231自一電商伺服器讀取多個商品資料與分別對應多個消費者的多個瀏覽歷史資料與多個購買歷史資料。更詳細來說，資料擷取模組231根據決策因素管理模組的指示自一電商網站的所述電商伺服器之消費者資料庫讀取分別對應多個消費者的多個消費者歷史資料，並且自所述電商伺服器之商品資料庫中讀取所述多個商品資料，其中所述多個消費者歷史資料包括分別對應所述多個消費者的所述多個瀏覽歷史資料與所述多個購買歷史資料。
在本實施例中，在獲得所有的瀏覽歷史資料與購買歷史資料後，所述決策因素管理模組232可根據所輸入的查詢資料QD從電商網站所販賣的全部商品的多個商品類型中選擇對應所述查詢資料QD的商品類型，以進行對應所述商品類型的決策因素分析操作，以分析導致所述商品類型(的商品)被購買的多個決策因素。
在步驟S22中，決策因素管理模組232根據一商品類型從所述多個瀏覽歷史資料與所述多個購買歷史資料中獲得對應所 述商品類型的一特徵序列。
圖2B是根據本發明的一實施例所繪示的圖2A的步驟S22的流程圖。詳細來說，請參照圖2B，步驟S22包括步驟S221、S222、S223。在步驟S221中，決策因素管理模組232根據所述商品類型從對應所述多個消費者的所述多個瀏覽歷史資料與所述多個購買歷史資料中辨識對應所述商品類型的多個商品序列，其中每一個商品序列包括屬於所述商品類型的分別對應所述多個消費者的多個已瀏覽商品，其中所述多個已瀏覽商品包括一或多個未購買商品與一購買商品。
圖3A是根據本發明的一實施例所繪示的辨識對應一商品類型的商品序列的示意圖。請參照圖3A，在本實施例中，資料擷取模組231根據相較於今天N天內的多個瀏覽歷史資料(亦稱，近期瀏覽歷史資料)中辨識多個已瀏覽商品3，並且根據相較於今天N天內的多個購買歷史資料(亦稱，近期購買歷史資料)中判斷所述多個已瀏覽商品3是否被購買(如，白色圓形所繪示的商品為未購買商品(即，已瀏覽但未被購買的商品)，及灰色圓形所繪示的商品為購買商品(即，已瀏覽且被購買的商品))。接著，資料擷取模組231會以單一消費者為單位來辨識分別對應每個消費者的已瀏覽商品。例如，辨識已瀏覽商品3中對應消費者30的已瀏覽商品(即，虛線圓形30中的商品，其表示消費者30在N天內所瀏覽的多個商品)，與辨識已瀏覽商品3中對應消費者31的已瀏覽商品(即，虛線圓形31中的商品，其表示消費者31在N 天內所瀏覽的多個商品)。在另一實施例中，資料擷取模組231亦可以每個消費者為單位，直接經由瀏覽歷史資料庫1311來從對應每個消費者的瀏覽歷史資料中辨識/讀取消費者在N天內所瀏覽的商品，並且經由購買歷史資料庫1312來從對應每個消費者的購買歷史資料中辨識/讀取消費者在N天內所購買的商品。
接著，資料擷取模組231會分別辨識消費者30所瀏覽的商品中屬於所述商品類別的商品(即，實線圓形PS1所示，其表示消費者30在N天內所瀏覽的所述多個商品中屬於所述商品類別的多個商品PA、PB、PC)，以及消費者31所瀏覽的商品中屬於所述商品類別的商品(即，實線圓形PS2所示，其表示消費者31在N天內所瀏覽的所述多個商品中屬於所述商品類別的多個商品PD、PE)。此外，資料擷取模組231會進一步經由對應消費者30的購買歷史資料來辨識且區分商品PA、PB、PC之關係為未購買商品PA、PB與購買商品PC。舉例來說，資料擷取模組231先根據對應消費者30的近期購買歷史資料來辨識對應消費者30的多個已瀏覽商品PA、PB、PC中的購買商品PC，並且藉此辨識對應消費者30的多個已瀏覽商品PA、PB、PC中的不是購買商品PC的商品為未購買商品PA、PB，其中購買商品PC表示消費者30瀏覽已瀏覽商品PA、PB、PC後從所述已瀏覽商品PA、PB、PC中所選擇以購買的商品。相似地，資料擷取模組231也會經由對應消費者31的購買歷史資料來辨識且區分商品PD、PE之關係為未購買商品PD與購買商品PE。
圖3B是根據本發明的一實施例所繪示的已辨識之多個商品序列。請參照圖3B，接續上述的例子，資料擷取模組231會將對應所述商品類型的所述多個已瀏覽商品PA、PB、PC中的未購買商品PA、PB與購買商品PC作為對應所述商品類型的一商品序列PS1。相似地，資料擷取模組231會將對應所述商品類型的所述多個已瀏覽商品PD、PE中的未購買商品PD與購買商品PE作為對應所述商品類型的另一商品序列PS2。依此類推，資料擷取模組231便可從對應所述多個消費者的所述多個瀏覽歷史資料與所述多個購買歷史資料中辨識對應所述商品類型的多個商品序列。一或多個商品序列可對應一個消費者。此外，資料擷取模組231還會找出消費者真正有在比較商品的時間區間(例如，根據一定時間區間中瀏覽同類型商品的次數)，以將距離購買行為前的瀏覽紀錄過久之商品的瀏覽記錄剔除。在一實施例中，資料擷取模組231也會排除只有購買沒有瀏覽其他商品的商品瀏覽記錄，即，資料擷取模組231也會排除消費者沒有經由比較該商品類別的多個商品便直接購買一商品的行為。如此一來，資料擷取模組231可過濾較不可被用來分析決策因素的的購買/瀏覽行為。
在辨識出多個商品序列後，請再參照圖2B，在步驟S222中，決策因素管理模組232根據所述多個商品序列中各自的所述一或多個未購買商品與所述購買商品來獲得分別對應所述多個商品序列的多個特徵組，其中每一個特徵組包括多個特徵及分別對應所述多個特徵的多個特徵值。
詳細來說，以對應消費者30的商品序列PS1為例子，決策因素管理模組232指示資料擷取模組231根據所讀取的所述多個商品資料與商品序列PS1(亦稱，第一商品序列)擷取對應購買商品PC(亦稱，第一購買商品)的第一商品資訊組，並且根據所述多個商品資料與所述第一商品序列PS1擷取分別對應所述一或多個第一未購買商品(即，未購買商品PA、PB)的第二商品資訊組，其中每一個第一商品資訊組具有不同的多個第一商品資訊，並且每一個第二商品資訊組具有不同的多個第二商品資訊。
舉例來說，資料擷取模組231可從所述商品資料庫132中找尋對應購買商品PC的商品資料。具體來說，若所述商品資料已經依據特定的資料結構而儲存在商品資料庫132中，則資料擷取模組231可直接找尋對應購買商品PC的商品本身的規格資料(例如，購買商品PC的重量、價格、成份等商品本身的商品資訊)，並且直接找尋對應購買商品PC的商品頁面的規格資料(如，購買商品PC的商品頁面的配色、廣告圖片張數、描述內容的長短、是否免運費等購買商品PC的網頁或本身規格之外的商品資訊)。
若所述商品資料並不是依據特定的資料結構而儲存在商品資料庫132中(如，商品資料庫132僅儲存了用以展覽購買商品PC的網頁資料(半結構化/非結構化商品資料))，資料擷取模組231會從商品資料庫132中對應購買商品PC的半結構化/非結構化商品資料來擷取購買商品PC的多個商品資訊。例如，資料擷取模組231將購買商品PC的半結構化商品資料進行特徵萃取，以獲得對 應的多個商品資訊。又例如，資料擷取模組231將購買商品PC的非結構化商品資料視為一個文本，透過文字探勘後以便取得每個商品的多個代表字集，再透過獨熱編碼(one-hot encoding)轉成多個二元編碼，再根據二元編碼來辨識對應的多個商品資訊。應注意的是，本發明並不限定於上述對非結構化商品資料來擷取商品資訊的方式。
圖4是根據本發明的一實施例所繪示的計算稀有值的示意圖。請參照圖4，(如，圖4中的表格410所繪示)假設商品類型為“沐浴乳”，並且資料擷取模組231所擷取的購買商品PC的商品資訊組(亦稱，第一商品資訊組)為[潤膚(1)、滑順(1)、弱酸(1)、美白(1)、天然(1)](位元值“1”用以表示具備對應的商品資訊/特徵)，其中多個商品資訊(亦稱，第一商品資訊)分別為潤膚(1)、滑順(1)、弱酸(1)、美白(1)、天然(1)。第一商品資訊組用以表示購買商品PC具有潤膚、滑順、弱酸、美白、天然，5種商品資訊(亦可視為購買商品PC具有5種特徵，分別為潤膚、滑順、弱酸、美白、天然)。此外，假設資料擷取模組231所擷取的未購買商品PA的商品資訊組(亦稱，第二商品資訊組)為[潤膚(1)、滑順(0)、弱酸(0)、美白(1)、天然(0)](位元值“0”用以表示不具備對應的商品資訊/特徵)，其中多個商品資訊(亦稱，第二商品資訊)分別為潤膚(1)、滑順(0)、弱酸(0)、美白(1)、天然(0)；所擷取的未購買商品PB的商品資訊組(亦稱，第二商品資訊組)為[潤膚(1)、滑順(1)、弱酸(0)、美白(0)、天然(1)]，其中多個商品資訊(亦稱，第二商品資訊)分別 為潤膚(1)、滑順(1)、弱酸(0)、美白(0)、天然(1)。換言之，決策因素管理模組232會以購買商品PC所具有的多個第一商品資訊為主，來辨識未購買商品PA、PB是否也具有所述多個第一商品資訊。應注意的是，多個第一商品資訊被視為代表商品序列PS1的多個商品資訊，即，決策因素管理模組232會認為商品序列PS1的商品的特徵可利用第一商品資訊“潤膚”、“滑順”、“弱酸”、“美白”、“天然”來表示。
在擷取分別對應未購買商品PA、PB與購買商品PC的第二商品資訊組與第一商品資訊組後，決策因素管理模組232經由比較分別對應第一未購買商品PA、PB的第二商品資訊組的所述多個第二商品資訊(即，未購買商品PA、PB的多個商品資訊)與所述多個第一商品資訊(即，購買商品PC的多個商品資訊)來計算分別對應所述第一商品資訊的多個稀有值。換言之，決策因素管理模組232會進一步根據第一商品資訊出現在未購買商品PA、PB與購買商品PC的次數與第一商品資訊出現在對應商品類別“沐浴乳”所有商品的次數來計算所述第一商品資訊各自的稀有值。
詳細來說，在上述的例子中，決策因素管理模組232會統計每個商品資訊出現在其所屬商品序列中的次數(如，箭頭A41所示)。舉例來說，決策因素管理模組232可將對應未購買商品PA、PB與購買商品PC的所有商品資訊及對應的位元值整理如表格410。接著，決策因素管理模組232會分別統計每個商品資訊出現在商品序列PS1中的次數。在上述例子中，由於商品資訊“潤膚” 出現了3次(未購買商品PA、PB與購買商品PC皆具有商品資訊“潤膚”)；商品資訊“滑順”出現了2次(未購買商品PB與購買商品PC皆具有商品資訊“滑順”)；商品資訊“弱酸”出現了1次；商品資訊“美白”出現了2次；商品資訊“天然”出現了2次。決策因素管理模組232會整理上述的統計結果(如，表格420所示)。
此外，決策因素管理模組232會辨識每個商品資訊出現在該商品類別中所有商品的出現頻率(如，箭頭A42所示)。舉例來說，接續上述例子，決策因素管理模組232會計算從對應商品類別“沐浴乳”的所有商品所擷取出的多個商品資訊中商品資訊“潤膚”、“滑順”、“弱酸”、“美白”、“天然”出現的頻率。為了方便說明，假設商品類別“沐浴乳”共具有100個商品，並且在此100商品所擷取的多個商品資訊中，商品資訊“潤膚”出現了40次；商品資訊“滑順”出現了20次；商品資訊“弱酸”出現了20次；商品資訊“美白”出現了10次；商品資訊“天然”出現了30次。據此，決策因素管理模組232會計算出對應的出現頻率為(如，表格430所示)商品資訊“潤膚”的出現頻率為100/40；商品資訊“滑順”的出現頻率為100/20；商品資訊“弱酸”的出現頻率為100/20；商品資訊“美白”的出現頻率為100/10；商品資訊“天然”的出現頻率為100/30。
接著，決策因素管理模組232可依據每個商品資訊出現在其所屬商品序列中的次數與每個商品資訊出現在該商品類別中所有商品的出現頻率來計算稀有值(如，箭頭A43所示)。計算稀 有值的目的在於本發明的精神在於消費者在挑選商品至購買商品的這段過程，其所挑選的商品資訊出現次數越多，可表示消費者對於這個商品的這個商品資訊十分的在意(此商品資訊是消費者所必定選擇的)；若商品資訊出現的次數較少，表示消費者是在比較次要多的商品資訊的重要性。在一些情況下，一商品序列的多個瀏覽商品中被消費者購買的購買商品有很大的機率會包含有其他非購買商品所不具有的商品資訊(僅存在於購買商品的特定商品資訊，此商品資訊便可視為有價值且稀有)。故商品資訊的稀有值必須要符合一組由小至大排序的序列(在另一實施例，亦可由大至小排序)。此外，本發明精神還在於，有價值的(較會影響消費者是否購買此商品)稀有值將會落在該組序列的頭段(排列在較前方的稀有值)與尾段(排列在較後方的稀有值)。因此本案的稀有值計算即是要找出一組有排序過的序列，再藉由(經由特徵轉換)此稀有值序列來取得位於頭段與尾段的商品資訊。稀有值的計算方式為，將該商品資訊的所述次數的倒數乘以該商品資訊的所述出現頻率的Log值所獲得的積作為該商品資訊的稀有值(亦稱，稀有度)。接續上述的例子，(如，表格440所示)所計算出的商品資訊“潤膚”的稀有值為0.13(即，(1/3)*log(100/40))；商品資訊“滑順”的稀有值為0.34(即，(1/2)*log(100/20))；商品資訊“弱酸”的稀有值為0.69(即，(1/1)*log(100/20))；商品資訊“美白”的稀有值為0.5(即，(1/2)*log(100/10))；商品資訊“天然”的稀有值為0.26(即，(1/2)*log(100/30))。應注意的是，本發明並不限定於上述稀有值的 計算方式。例如，在其他實施例中，可利用其他運算式來根據一商品資訊出現於商品序列中的所有商品的出現次數與所述商品資訊所出現在電商網站的所述商品類型的所有商品的出現次數計算出其他形式的稀有值，此稀有值可反映出其對應的商品資訊於商品序列中所有商品的出現的次數與在電商網站的所述商品類型的所有商品的出現次數的關係。例如，其他實施例中，可將所述商品資訊的所述次數的所述倒數直接乘以所述商品資訊的所述出現頻率所獲得的積。
決策因素管理模組232可更將所計算出的多個稀有值進行排序(如，箭頭A44所示)，即，將代表商品序列PS1的第一商品資訊經由各自的稀有值來進行排序(如，表格450所示)(如，稀有值序列)。
在計算出第一商品資訊各自的稀有值後，決策因素管理模組232根據所述多個第一商品資訊與分別對應的所述多個稀有值執行一特徵轉換，以轉換所述多個稀有值為對應第一商品序列的第一特徵組的多個第一特徵值，其中決策因素管理模組232將該些第一商品資訊作為該第一特徵組的多個第一特徵。
圖5是根據本發明的一實施例所繪示的特徵轉換操作的示意圖。在計算出稀有值後，決策因素管理模組232會更進一步對第一商品序列PS1的多個第一商品資訊的多個稀有值進行特徵轉換操作(如，箭頭A51所示)，以猜測所述多個第一商品資訊各自影響購買商品PC被購買的程度。
具體來說，決策因素管理模組232透過曲線方程式，將已排序的多個稀有值(如，表格450所示)轉換為特徵值，其中靠近左右兩側的稀有值所轉換的特徵值較大，中間的稀有值所轉換的特徵值最小。換言之，經過特徵轉換後，原本排序在中間的第一商品資訊所對應的特徵值會成為最小的特徵值，並且原本排序在前後兩端的第一商品資訊所對應的特徵值會成為最大或次大的特徵值。也就是說，特徵轉換的精神在於猜測稀有值最小的商品資訊是一定必備的該商品類型的特徵，並且稀有值最大的商品資訊是最影響的該商品類型的商品是否會被購買的特徵。此外，稀有值在中間區段的商品資訊是相較之下沒有影響力的特徵。
更詳細來說，首先，決策因素管理模組232從所述多個稀有值中選擇一基準稀有值，其中所述基準稀有值小於所述多個稀有值中的最大稀有值且大於所述多個稀有值中的最小稀有值。例如，決策因素管理模組232選擇中間區段的第一商品資訊“滑順”的稀有值為基準稀有值，其值為0.34。換言之，基準稀有值會從最中間或是次中間的稀有值中來進行挑選。
接著，決策因素管理模組232將基準稀有值作為一曲線方程式的一參數，將所述多個稀有值全部輸入至該曲線方程式以輸出分別對應所述稀有值的所述多個特徵值(亦稱，第一特徵值)，其中基準稀有值被轉換為所述多個第一特徵值中的最小的第一特徵值，最大稀有值被轉換為所述多個第一特徵值中的最大者與次大者的其中之一，並且最小稀有值被轉換為所述多個第一特徵值 中的最大者與次大者的其中另一。所述曲線方程式包括輸出值、輸入值、參數、第一預設常數與第二預設常數，所述輸出值藉由所述多個輸入值、所述參數、所述第一預設常數與所述第二預設常數之間的運算所獲得，其中在上述將所述多個稀有值輸入至所述曲線方程式以輸出分別對應所述多個稀有值的所述多個第一特徵值的步驟包括將每一個稀有值設定為所述輸入值且將所選擇之基準稀有值設定為所述參數，以獲得對應每一個稀有值的輸出值，其中分別對應所述多個稀有值的所述多個輸出值為分別對應所述多個稀有值的所述多個第一特徵值。
舉例來說，請參照圖5，在本實施例中，用以進行特徵轉換的曲線方程式(1)可為：f(y)=B(x-A) 2 (1)
其中，f(y)為所輸出之特徵值，x為所輸入之稀有值，A為所選擇之基準稀有值，B為大於零的預設常數(如，2或其他大於2的數值)。此外，在其他實施例中，曲線方程式中“(x-A)”的次方數也可大於2。
接續上述的例子(即，A=0.34；B=2)，假設曲線方程式為f(y)=2(x-0.34) 2 ，據此，可轉換對應商品序列PS1的第一商品資訊的稀有值的曲線510。曲線的橫坐標為所輸入的稀有值，縱坐標為對應輸出的特徵值。即，經由特徵轉換，第一商品資訊的稀有值[0.13、0.26、0.34、0.5、0.69]會分別被轉換為特徵值[0.0882、0.0128、0、0.0512、0.0245](亦稱，第一特徵值)。換言之，經由 特徵轉換操作，如表格520所示，決策因素管理模組232可獲得對應商品序列PS1的特徵組(亦稱，第一特徵組)。第一商品資訊“潤膚”、“滑順”、“弱酸”、“美白”、“天然”成為第一特徵組的多個第一特徵，並且分別對應所轉換之多個第一特徵值。依此類推，決策因素管理模組232可獲得分別對應所有所辨識出的多個商品序列的多個特徵組。應注意的是，本發明並不限於上述例子中的曲線方程式。本領域人員應可藉由上述曲線方程式的啟示設計出其他方程式，以轉換稀有值為特徵值。
在辨識出多個商品序列後，請再參照圖2B，在步驟S223中，決策因素管理模組232根據對應所述商品類別的所述多個商品序列與所述多個特徵組獲得一特徵序列。
圖6是根據本發明的一實施例所繪示的計算特徵序列的示意圖。請參照圖6，假設辨識出對應商品類型“沐浴乳”的商品序列共有M個，其中多個商品序列PS1、PS2...的特徵組(及其中的特徵/特徵值)分別如表格610所繪示。決策因素管理模組232會針對對應於每個商品序列的每個特徵來計算平均值。舉例來說，針對特徵“弱酸”，決策因素管理模組232會加總商品序列PS1、PS2...PSM共M個商品序列的特徵“弱酸”的特徵值，再將所獲得的總和除以M，以獲得對應特徵“弱酸”的平均特徵值。M為正整數。
在計算出每個特徵的平均特徵值後，決策因素管理模組232會根據分別對應所述多個特徵的所述多個平均特徵值，由大到 小來排序對應所述商品類別的所述多個特徵(如，箭頭A61所示)，以產生所述特徵序列(如元件620所示)，如，[天然(0.6031)、美白(0.4136)、潤膚(0.2327)、滑順(0.1231)、多個圖片(0.0713)、弱酸(0.0321)、殺菌(0.0116)...]。
應注意的是，在本實施例中，當一商品序列沒有一特徵(也沒有該特徵的特徵值)時，在計算該特徵的平均特徵值的操作中，會將該商品序列的該特徵的該特徵值視為0，以進行計算。例如，商品序列PS1的特徵“殺菌”的特徵值會被設定為0。
獲得對應所述商品類型的所述特徵序列後，決策因素管理模組232會進一步指示回歸模型管理模組233利用回歸模型來進行最佳化，以獲得對應所述商品類型的決策因素。
具體來說，請再回到圖2A，在步驟S23中，決策因素管理模組232根據所述特徵序列、所述多個商品資料與回歸模型獲得對應所述商品類型的決策因素序列，其中在對應所述商品類型的所述決策因素序列的多個決策因素中排序最前面的一第一決策因素被判定為最影響所述商品類型的商品是否會被購買的所述商品的關鍵商品資訊。
圖2C是根據本發明的一實施例所繪示的圖2A的步驟S23的流程圖。詳細來說，請參照圖2C，步驟S23包括步驟S231、S232、S233。在步驟S231中，回歸模型管理模組233選擇所述特徵序列中已排序的所述多個特徵的前K個特徵作為K個決策因素。
圖7是根據本發明的一實施例所繪示的回歸模型訓練的示意圖。請參照圖7，假設K被設定為7，並且如元件620所示，對應所述商品類型的特徵序列為[天然(0.6031)、美白(0.4136)、潤膚(0.2327)、滑順(0.1231)、多個圖片(0.0713)、弱酸(0.0321)、殺菌(0.0116)...]。基此，從中所選擇的7個決策因素為“天然”、“美白”、“潤膚”、“滑順”、“多個圖片”、“弱酸”、“殺菌”。
接著，請再回到圖2C，在步驟S232中，回歸模型管理模組233根據所述K個決策因素與所述多個商品資料訓練對應所述商品類型的一回歸模型以獲得一最佳回歸模型(Optimized Regression Model)，並且根據所述最佳回歸模型獲得分別對應所述K個決策因素的K個決策值，其中分別對應所述多個決策因素的所述多個決策值用以指示所對應的決策因素對於所述商品類型的商品是否會被購買的影響程度。
更詳細來說，回歸模型管理模組於步驟S232中會對回歸模型執行留一法(Leave-One-Out)交叉驗證操作來訓練/驗證回歸模型，其包括下列步驟(1)至步驟(6)。
步驟(1)，所述回歸模型管理模組233根據所述多個商品序列的所述多個未購買商品與所述多個購買商品計算屬於所述商品類別的多個第一目標商品的實際購買率。其中，所述多個第一目標商品的總數大於等於N。在此，N為預設的一正整數，用以決定訓練樣本的數目。
具體來說，回歸模型管理模組233可根據所有購買歷史 資料與瀏覽歷史資料來計算每個商品的實際購買率。在本實施例中，商品的實際購買率等所述商品的實際購買次數除以所述商品的實際瀏覽次數。舉例來說，商品PC實際購買率即為商品PC於所有購買歷史資料中的總購買次數除以所有瀏覽歷史資料中的總瀏覽次數所獲得的商。回歸模型管理模組233可計算出所述商品類型的所有商品P1、P2、P3....(亦稱，第一目標商品)各自的實際購買率(如元件710所示)。
步驟(2)，所述回歸模型管理模組從所述多個第一目標商品中選擇(N-1)個第二目標商品作為訓練樣本，並且根據所述K個決策因素與每一個第二目標商品的所有特徵來辨識每一個第二目標商品的所述K個決策因素的位元值。
具體來說，所述多個第一目標商品中用以進行回歸模型訓練的訓練樣本(亦稱，第二目標商品)的數量為(N-1)。接著，回歸模型管理模組233可對每個第二目標商品的所有特徵來與7個決策因素為“天然”、“美白”、“潤膚”、“滑順”、“多個圖片”、“弱酸”、“殺菌”進行比對(比對每個第二目標商品是否有相同於所述7個決策因素的特徵)，以辨識出每個第二目標商品的7個決策因素的位元值。例如，如元件710所示，對應所述7個決策因素，商品P2具有的特徵(商品資訊)為“天然”、“美白”、“潤膚”、“滑順”、“多個圖片”、“殺菌”(位元值為“1”)，並且商品P2不具有的特徵(商品資訊)為“弱酸”(位元值為“0”)。在辨識出所有第二目標商品(如，商品P2~PN)的7個決策因素的位元值後，會 接續步驟(3)。
步驟(3)，所述回歸模型管理模組233將所述(N-1)個第二目標商品中的每一個第二目標商品的所述K個決策因素的位元值作為自變數(independent variable)且將所述(N-1)個第二目標商品中的每一個第二目標商品的實際購買率作為對應所述自變數的因變數(dependent variable)來輸入至所述回歸模型，以執行回歸模型訓練(如，箭頭A71所示)。於本實施例中，採用梯度提升決策樹(Gradient Boost Decision Tree，GBDT)回歸模型720以預測獲選率能力最高的回歸模型參數組合。GBDT是一個透過不斷迭代預測樹之誤差並按照梯度方向修正該誤差且產生下一顆預測樹之方法，GBDT一般可設定的參數為樹的最大深度、最大葉節點數量、樣本特徵最大數量等。但，本發明並不限定於採用GBDT回歸模型，例如，其他可以應用於本發明之回歸模型可包括單變量線性(Univariate)回歸模型、多變量線性(Multivariate)回歸模型、隨機森林(Random Forest)回歸模型或XGBoost回歸模型、或其他適合的回歸模型。在經由(N-1)個第二目標商品的訓練後，回歸模型管理模組233會進行步驟(4)，以驗證訓練後的回歸模型是否為最佳化回歸模型。
步驟(4)，所述回歸模型管理模組233從所述多個第一目標商品中選擇所述(N-1)個第二目標商品以外的一第三目標商品作為驗證樣本來進行驗證，將所述第三目標商品的所述K個決策因素的位元值輸入至所述回歸模型，以輸出所述第三目標商品的 一預測購買率。
舉例來說，所述回歸模型管理模組233執行回歸模型驗證操作，選擇第一目標商品中的商品P1(其並未在本次的訓練過程中被選擇為第二目標商品)作為第三目標商品，並且將商品P1的7個決策因素與對應的位元值輸入至訓練後的GBDT回歸模型720(如，箭頭A72所示)，以獲得驗證樣本的預測購買率。即，訓練後的GBDT回歸模型720會根據所接收的驗證樣本P1的7個決策因素與對應的位元值來預測(計算且輸出)驗證樣本P1的預測購買率(如，箭頭A73所示)。
接著，在步驟(5)中，所述回歸模型管理模組233計算所述第三目標商品的所述預測購買率與所述實際購買率之間的差值作為對應所述第三目標商品的一誤差值(如，箭頭A74所示)。假設驗證樣本的預測購買率為0.25，則根據對應商品P1的實際購買率711與預測購買率，可計算出誤差值為0.13(即，0.38-0.25)。
在一實施例中，所述回歸模型管理模組233會比較所獲得的誤差值與預設的誤差門檻值來判斷回歸模型是否完成訓練。
例如，在接續的步驟(6)中，若所述誤差值小於誤差門檻值，所述回歸模型管理模組判定所述回歸模型已完成訓練，將所述回歸模型作為對應所述商品類型的所述最佳回歸模型，並且結束訓練對應所述商品類型的所述回歸模型的整體操作。
若所述誤差值不小於一誤差門檻值，所述回歸模型管理模組重新執行步驟(2)，並且在重新執行的步驟(2)中，新的所選擇 的(N-1)個第二目標商品不完全相同於之前所選擇之舊的所述(N-1)個第二目標商品。依此類推，直到所獲得之誤差值小於誤差門檻值為止。
在本實施例中，若在重複執行N次回歸模型驗證操作後，誤差值一直沒有收斂(即，一直沒有獲得小於誤差門檻值的誤差值)，則所述回歸模型管理模組233可先調整該K的數值(可以調高或者調小K值)，再重新執行步驟(2)至步驟(6)。應注意的是，在另一實施例中，在每次重新執行步驟(2)之前，所述回歸模型管理模組233可決定是否先調整該K的數值，再重新執行步驟(2)至步驟(6)。
在另一實施例中，所述回歸模型管理模組233會重複進行Q次的步驟(1)至步驟(5)，以獲得Q個誤差值，並且求出此些Q個誤差值的平均誤差值，再比較平均誤差值與誤差門檻值，以根據比較結果來執行步驟(6)。
在實施例中，當獲得最佳回歸模型後，所述回歸模型管理模組233會根據所述最佳回歸模型獲得分別對應所述K個決策因素的K個決策值。舉例來說，經訓練完成後的最佳回歸模型可產生一組決策因素序列，包括K個決策因素與對應的K個決策值。接著，在步驟S233中，所述回歸模型管理模組233會根據所述K個決策值由大至小排序所述K個決策因素，以產生對應所述商品類型的具有所述K個決策因素的一決策因素序列。如上所述，分別對應所述多個決策因素的所述多個決策值用以指示所對 應的決策因素對於所述商品類型的商品是否會被購買的影響程度，即，在對應所述商品類型的所述決策因素序列的所述K個決策因素中排序最前面的第一決策因素會被判定為最影響所述商品類型的商品是否會被購買的所述商品的關鍵商品資訊。
舉例來說，所述回歸模型管理模組233可從所述最佳回歸模型中讀取分別對應所述7個決策因素的7個決策值(如，箭頭A75所示)，並且排序為決策因素序列(亦稱，決策因素資料DD)為[天然(0.8)、美白(0.4)、潤膚(0.2)、滑順(0.15)、多個圖片(0.1)、弱酸(0.05)、殺菌(0.01)](如元件730所示)。其中，排序在決策因素序列中最前面的決策因素“天然”為影響屬於商品類別“沐浴乳”中的商品是否會被購買的最大因素，並且排序在其後的決策因素的對於屬於商品類別“沐浴乳”中的商品是否會被購買的影響力會依據順序遞減。
如此一來，本發明所提供的決策因素分析方法與決策因素分析裝置可分析出對於特定商品類型的多個決策因素，並且可知道所述多個決策因素各自的重要度(影響是否被購買的程度)。
依此類推，經由上述步驟S21~S23所執行的決策因素分析操作可分析出分別對應電商網站的多個商品類型的多組決策因素序列。在本實施例中，其中決策因素管理模組232會儲存所產生的對應每個商品類別的決策因素序列至決策因素資料庫234，其中決策因素資料庫234包括分別對應多個商品類型的多個決策因素序列。應注意的是，決策因素資料庫234亦可儲存分別對應所 述多個商品類型的多個最佳回歸模型。
在本實施例中，使用者亦可應用所產生/儲存的分別對應多個商品類型的多個決策因素序列。
圖8是根據本發明的一實施例所繪示的顯示對應所查詢的商品類型的決策因素序列的示意圖。具體來說，決策因素管理模組232經由輸入/輸出裝置240接收查詢QD，其中所述查詢包括請求商品類型，並且決策因素管理模組232根據所述請求商品類型從決策因素資料庫234中查找所儲存之所述多個決策因素序列中對應所述請求商品類型的目標決策因素序列。決策因素管理模組232經由輸入/輸出裝置240顯示目標決策因素序列的多個目標決策因素。
舉例來說，請參照圖8，決策因素管理模組232可提供決策因素分析介面且經由輸入/輸出裝置240(如，觸控螢幕)顯示所述決策因素分析介面。決策因素介面中具有一查詢欄位810，以讓使用者可輸入想要查詢的請求商品類型(如，“沐浴乳”)。對應所輸入的請求商品類型“沐浴乳”，決策因素管理模組232從決策因素資料庫234中查找出對應的目標決策因素序列為[天然(0.8)、美白(0.4)、潤膚(0.2)、滑順(0.15)、多個圖片(0.1)、弱酸(0.05)、殺菌(0.01)]，並且決策因素管理模組232會經由觸控螢幕顯示其中的目標決策因素[天然、美白、潤膚、滑順、多個圖片、弱酸、殺菌]。
在本實施例中，對應請求商品類型的目標決策因素序列 可區分為對應商品規格特徵的第一目標決策因素序列與對應商品展覽特徵的第二目標決策因素序列。其中，對應所述商品規格特徵的所述第一目標決策序列的多個第一目標決策因素屬於商品本身的規格的商品資訊，並且對應所述商品展覽特徵的所述第二目標決策序列的多個第二目標決策因素屬於電商網站的用以展覽商品的網頁的特徵的商品資訊。
舉例來說，請參照圖8區域820，由於所述目標決策因素[天然、美白、潤膚、滑順、多個圖片、弱酸、殺菌]中對應商品規格特徵的第一目標決策序列為[天然、美白、潤膚、滑順、弱酸、殺菌]，並且對應商品展覽特徵的第二目標決策序列為[多個圖片]。因此，如區域820所示，決策因素管理模組232會顯示分別對應商品規格特徵與商品展覽特徵的第一目標決策因素與第二目標決策因素。
此外，使用者亦可經由決策因素分析介面來直接瀏覽所述電商網站。在經由決策因素分析介面瀏覽所述電商網站的商品頁面(如區域830)時，決策因素管理模組232辨識商品頁面830所顯示的展覽商品(如，商品P1、P2、P3、P4)。接著，決策因素管理模組232根據所讀取的商品資料PID與展覽商品P1~P4，來分別辨識每個展覽商品P1~P4的多個第一展覽商品資訊。若每個展覽商品P1~P4的所述第一展覽商品資訊中的一或多個第二展覽商品資訊相同於目標決策因素序列的所述多個目標決策因素的其中之一，決策因素管理模組232經由該輸入/輸出裝置240顯 示所述一或多個第二展覽商品資訊於商品頁面830中對應展覽商品的區域內。
例如，商品P1的所有商品資訊(即，第一展覽商品資訊)中相同於所述目標決策因素[天然、美白、潤膚、滑順、多個圖片、弱酸、殺菌]的商品資訊(即，第二展覽商品資訊)為“天然”、“潤膚”、“弱酸”。如元件830所示，決策因素管理模組232便會顯示文字“天然”、“潤膚”、“弱酸”於商品P1上。
此外，在本實施例中，每個展覽商品的所述一或多個第二展覽商品資訊會根據商品規格特徵與商品展覽特徵被顯示。舉例來說，商品P2的所有商品資訊中相同於對應商品規格特徵的第一目標決策因素[天然、美白、潤膚、滑順、弱酸、殺菌]的商品資訊(即，第二展覽商品資訊)為“天然”、“美白”、“潤膚”、“滑順”、“殺菌”，並且商品P2的所有商品資訊中相同於對應商品展覽特徵的第二目標決策因素[多個圖片]的商品資訊(即，第二展覽商品資訊)為“多個圖片”。如元件830所示，決策因素管理模組232便會分別顯示文字“天然”、“美白”、“潤膚”、“滑順”、“殺菌”與文字“多個圖片”於商品P2上，以讓使用者可清楚辨識商品P2所具有的分別對應商品規格特徵與商品展覽特徵的決策因素/商品資訊。
在一實施例中，當查詢更包括一或多個查詢商品資訊時，回歸模型管理模組233根據所述多個最佳回歸模型中對應所述請求商品類型的最佳回歸模型(亦稱，請求最佳回歸模型)與所述一或多個查詢商品資訊計算對應所述一或多個查詢商品資訊 與所述請求商品類型的預測購買率。決策因素管理模組232經由該輸入/輸出裝置240顯示對應所述一或多個查詢商品資訊與所述請求商品類型的所述預測購買率。
圖9是根據本發明的一實施例所繪示的顯示對應所查詢的商品類型的決策因素序列與對應所查詢的多個商品資訊的預測購買率的示意圖。請參照圖9，決策因素分析介面亦可提供輸入所述一或多個查詢商品資訊的欄位。如區域910、920所示的分別對應商品規格特徵與商品展覽特徵的所述一或多個查詢商品資訊。使用者可輸入欲查詢的請求商品類型(如，“沐浴乳”)及選擇欲設計的商品的所述一或多個查詢商品資訊，並且當使用者完成輸入時，回歸模型管理模組233會查找對應商品類型“沐浴乳”的最佳回歸模型，並且即時地將所述一或多個查詢商品資訊輸入至所述最佳回歸模型，以獲得對應的預測購買率R。決策因素分析介面可顯示所獲得之對應所述一或多個查詢商品資訊與所述請求商品類別的預測購買率R(如元件930所示)。如此一來，使用者(如，商品PM或是賣家)可藉由輸入請求商品類別、輸入查詢商品資訊及所對應產生的預測購買率來設計屬於所述請求商品類別的商品規格或/及用以展覽商品的商品網頁。
應注意的是，圖9所繪示的經由選擇操作來輸入所述一或多個查詢商品資訊的方式僅為示例性的，並不限定本發明。例如，在另一實施例中，使用者可直接輸入所述一或多個查詢商品資訊的文字於決策因素分析介面中用以接收所述一或多個查詢商 品資訊的輸入的欄位內。
綜上所述，本發明之實施例所提供的決策因素分析裝置與決策因素分析方法，可藉由電商網站的多個消費者的對應一特定商品類型的多個瀏覽歷史記錄與多個購買歷史記錄來辨識對應該特定商品類型的多個商品序列，根據對應所述多個商品序列中未被購買及被購買的商品的多個商品資訊與回歸模型以分析影響所述特定商品類型的商品是否被購買的多個決策因素，並且可預測對應該特定商品類型的一或多個商品資訊所導致的購買率，進而可提供參考資訊來設計可吸引購買的所述特定商品類型的商品及設計出吸引消費者購買的對應特定商品類型的網頁。如此一來，販售商品的相關人員可據此更進一步地下架(停止販售)較低購買率的商品，增加較高購買率的商品的上架，修改對應特定商品類型的行銷策略與物流系統。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

Claims (30)

  1. 一種決策因素分析裝置，包括：一通訊電路單元，用以連接至一電商網站的一電商伺服器；一儲存裝置，用以儲存多個程式碼模組；以及一處理器，其中該處理器用以存取且執行該些程式碼模組，以執行對應一商品類型的決策因素分析操作，其中該些程式碼模組包括，一資料擷取模組，用以自該電商伺服器讀取多個商品資料與分別對應多個消費者的多個瀏覽歷史資料與多個購買歷史資料；一決策因素管理模組，用以管理該決策因素分析操作；以及一回歸模型管理模組，用以訓練回歸模型，其中該決策因素管理模組根據該商品類型從該些瀏覽歷史資料與該些購買歷史資料中獲得對應該商品類型的一特徵序列，其中該決策因素管理模組根據該特徵序列、該些商品資料與一回歸模型獲得對應該商品類型的決策因素序列，其中在對應該商品類型的該決策因素序列的多個決策因素中排序最前面的一第一決策因素被判定為最影響該商品類型的商品是否會被購買的關鍵商品資訊。
  2. 如申請專利範圍第1項所述的決策因素分析裝置，其中在該決策因素管理模組根據該商品類型從該些瀏覽歷史資料與該些購買歷史資料中獲得對應該商品類型的該特徵序列的操作中，該決策因素管理模組根據該商品類型指示該資料擷取模組從對應該些消費者的該些瀏覽歷史資料與該些購買歷史資料中辨識對應該商品類型的多個商品序列，其中每一個商品序列包括屬於該商品類型的分別對應該些消費者的多個已瀏覽商品，其中該些已瀏覽商品包括一或多個未購買商品與一購買商品，其中該決策因素管理模組根據該些商品序列中各自的所述一或多個未購買商品與該購買商品來獲得分別對應該些商品序列的多個特徵組，其中每一個特徵組包括多個特徵及分別對應該些特徵的多個特徵值，其中該決策因素管理模組根據對應該商品類別的該些商品序列與該些特徵組獲得該特徵序列。
  3. 如申請專利範圍第2項所述的決策因素分析裝置，其中在上述該決策因素管理模組根據該商品類型指示該資料擷取模組從對應該些消費者的該些瀏覽歷史資料與該些購買歷史資料中辨識對應該商品類型的該些商品序列的操作中，針對該些消費者中的一第一消費者，該資料擷取模組從對應該第一消費者的一第一瀏覽歷史資料中選擇在N天內的一第一近期瀏覽歷史資料，並且從對應該第一消費者的一第一購買歷史資料中選擇在N天內的一第一近期購買歷史資料，其中該資料擷取模組從該第一近期瀏覽歷史資料中辨識出該第一消費者所瀏覽的對應該商品類型的多個第一已瀏覽商品，並且根據該第一近期購買歷史資料辨識該些第一已瀏覽商品中的一第一購買商品，其中該些第一已瀏覽商品中非該第一購買商品的一或多個其他已瀏覽商品為一或多個第一非購買商品，其中該第一購買商品表示該第一消費者瀏覽該些第一已瀏覽商品後從該些第一已瀏覽商品中所選擇以購買的商品，其中該資料擷取模組將該第一購買商品與所述一或多個第一非購買商品作為對應該商品類別的一第一商品序列。
  4. 如申請專利範圍第3項所述的決策因素分析裝置，其中在上述該決策因素管理模組根據該些商品序列中各自的所述一或多個未購買商品與該購買商品來獲得分別對應該些商品序列的多個特徵組的操作中，該決策因素管理模組指示該資料擷取模組根據該些商品資料與該第一商品序列擷取對應該第一購買商品的一第一商品資訊組，並且根據該些商品資料與該第一商品序列擷取分別對應所述一或多個第一未購買商品的第二商品資訊組，其中該第一商品資訊組具有不同的多個第一商品資訊，並且每一個第二商品資訊組具有不同的多個第二商品資訊，該決策因素管理模組經由比較分別對應所述一或多個第一未購買商品的該第二商品資訊組的該些第二商品資訊與該些第一商品資訊來計算分別對應該些第一商品資訊的多個稀有值，該決策因素管理模組根據該些第一商品資訊與對應的該些稀有值執行一特徵轉換，以轉換該些稀有值為對應該第一商品序列的第一特徵組的多個第一特徵值，其中該決策因素管理模組將該些第一商品資訊作為該第一特徵組的多個第一特徵。
  5. 如申請專利範圍第4項所述的決策因素分析裝置，其中在上述該決策因素管理模組根據該些第一商品資訊與對應的該些稀有值執行該特徵轉換，以轉換該些稀有值為對應該第一商品序列的第一特徵組的該些第一特徵值的操作中，該決策因素管理模組從該些稀有值中選擇一基準稀有值，其中該基準稀有值小於該些稀有值中的最大稀有值且大於該些稀有值中的最小稀有值，該決策因素管理模組將該基準稀有值作為一曲線方程式的一參數，將該些稀有值輸入至該曲線方程式以輸出分別對應該些稀有值的該些第一特徵值，其中該基準稀有值被轉換為該些第一特徵值中的最小的第一特徵值，該最大稀有值被轉換為該些第一特徵值中的最大者與次大者的其中之一，並且該最小稀有值被轉換為該些第一特徵值中的最大者與次大者的其中另一。
  6. 如申請專利範圍第5項所述的決策因素分析裝置，其中該曲線方程式包括一輸出值、一輸入值、該參數、一第一預設常數與一第二預設常數，其中該輸出值藉由該些輸入值、該參數、該第一預設常數與該第二預設常數之間的運算所獲得，其中在上述將該些稀有值輸入至該曲線方程式以輸出分別對應該些稀有值的該些第一特徵值的步驟包括將每一該些稀有值設定為該輸入值且將所選擇之基準稀有值設定為該參數，以獲得對應每一該些稀有值的輸出值，其中分別對應該些稀有值的該些輸出值為分別對應該些稀有值的該些第一特徵值。
  7. 如申請專利範圍第4項所述的決策因素分析裝置，其中在上述該決策因素管理模組根據對應該商品類別的該些商品序列與該些特徵組獲得該特徵序列的操作中，該決策因素管理模組根據對應該商品類別的該些特徵組的該些特徵與分別對應該些特徵的特徵值來計算每一個特徵的平均特徵值，其中該決策因素管理模組根據分別對應該些特徵的該些平均特徵值由大到小來排序對應該商品類別的該些特徵，以產生該特徵序列。
  8. 如申請專利範圍第1項所述的決策因素分析裝置，其中在該決策因素管理模組根據該特徵序列、該些商品資料與該回歸模型獲得對應該商品類型的該決策因素序列的操作中，該回歸模型管理模組選擇該特徵序列中已排序的該些特徵的前K個特徵作為K個決策因素，其中該回歸模型管理模組根據所述K個決策因素與該些商品資料訓練對應該商品類型的該回歸模型以獲得一最佳回歸模型，並且根據該最佳回歸模型獲得分別對應所述K個決策因素的K個決策值，其中該決策因素管理模組根據所述K個決策值由大至小排序所述K個決策因素，以產生對應該商品類型的具有所述K個決策因素的該決策因素序列。
  9. 如申請專利範圍第8項所述的決策因素分析裝置，其中在上述該回歸模型管理模組根據所述K個決策因素與該些商品資料訓練對應該商品類型的該回歸模型以獲得該最佳回歸模型的操作中，該回歸模型管理模組執行下列步驟：(1)該回歸模型管理模組根據該些商品序列的該些未購買商品與該些購買商品計算屬於該商品類別的多個第一目標商品的實際購買率，其中該些第一目標商品的總數大於等於N；(2)該回歸模型管理模組從該些第一目標商品中選擇(N-1)個第二目標商品作為訓練樣本，並且根據所述K個決策因素與每一個第二目標商品的所有特徵來辨識每一個第二目標商品的所述K個決策因素的位元值；(3)該回歸模型管理模組將所述(N-1)個第二目標商品中的每一個第二目標商品的所述K個決策因素的位元值作為自變數(independent variable)且將所述(N-1)個第二目標商品中的每一個第二目標商品的實際購買率作為對應該自變數的因變數(dependent variable)來輸入至該回歸模型，以訓練該回歸模型；(4)該回歸模型管理模組從該些第一目標商品中選擇所述(N-1)個第二目標商品以外的一第三目標商品作為驗證樣本來進行驗證，將該第三目標商品的所述K個決策因素的位元值輸入至該回歸模型，以輸出該第三目標商品的一預測購買率；(5)該回歸模型管理模組計算該第三目標商品的該預測購買率與該實際購買率之間的差值作為對應該第三目標商品的一誤差值；以及(6)若該誤差值小於一誤差門檻值，該回歸模型管理模組判定該回歸模型已完成訓練，將該回歸模型作為對應該商品類型的該最佳回歸模型，並且結束訓練對應該商品類型的該回歸模型的整體操作，其中若該誤差值不小於一誤差門檻值，該回歸模型管理模組重新執行步驟(2)，並且在重新執行的步驟(2)中，新的所選擇的(N-1)個第二目標商品不完全相同於之前所選擇之舊的所述(N-1)個第二目標商品。
  10. 如申請專利範圍第9項所述的決策因素分析裝置，其中在重新執行步驟(2)之前，該回歸模型管理模組先調整該K的數值，再重新執行步驟(2)。
  11. 如申請專利範圍第9項所述的決策因素分析裝置，其中該回歸模型包括梯度提升決策樹(Gradient Boost Decision Tree，GBDT)回歸模型、單變量線性(Univariate)回歸模型、多變量線性(Multivariate)回歸模型、隨機森林(Random Forest)回歸模型或XGBoost回歸模型。
  12. 如申請專利範圍第1項所述的決策因素分析裝置，其中所述決策因素分析裝置更包括一輸入/輸出裝置，其中該決策因素管理模組儲存所產生的對應該商品類別的該決策因素序列至一決策因素資料庫，其中該決策因素資料庫包括分別對應多個商品類型的多個決策因素序列，其中該決策因素管理模組經由該輸入/輸出裝置接收一查詢，其中該查詢包括一請求商品類型，並且根據該請求商品類型從該決策因素資料庫中查找該些決策因素序列中對應該請求商品類型的一目標決策因素序列，其中該決策因素管理模組經由該輸入/輸出裝置顯示該目標決策因素序列的多個目標決策因素。
  13. 如申請專利範圍第12項所述的決策因素分析裝置，其中在瀏覽該電商網站的商品頁面時，該決策因素管理模組辨識該商品頁面所顯示的一展覽商品，該決策因素管理模組根據該些商品資料與該展覽商品，辨識該展覽商品的多個第一展覽商品資訊，其中若該些第一展覽商品資訊中的一或多個第二展覽商品資訊相同於該目標決策因素序列的所述多個目標決策因素的其中之一或多個目標決策因素，該決策因素管理模組經由該輸入/輸出裝置顯示所述一或多個第二展覽商品資訊於該商品頁面中對應該展覽商品的區域內。
  14. 如申請專利範圍第13項所述的決策因素分析裝置，其中對應該請求商品類型的該目標決策因素序列可區分為對應商品規格特徵的第一目標決策因素序列與對應商品展覽特徵的第二目標決策因素序列，其中對應該商品規格特徵的該第一目標決策序列的多個第一目標決策因素屬於商品本身的規格的商品資訊，並且對應該商品展覽特徵的該第二目標決策序列的多個第二目標決策因素屬於該電商網站的用以展覽商品的頁面的特徵的商品資訊，其中在上述該決策因素管理模組經由該輸入/輸出裝置顯示該目標決策因素序列的操作中，該決策因素管理模組經由該輸入/輸出裝置分別顯示該些第一目標決策因素與該些第二目標決策因素，其中所述一或多個第二展覽商品資訊根據該商品規格特徵與該商品展覽特徵被顯示。
  15. 如申請專利範圍第12項所述的決策因素分析裝置，其中該決策因素資料庫更包括分別對應所述多個商品類型的多個最佳回歸模型，其中當該查詢更包括一或多個查詢商品資訊時，該回歸模型管理模組根據該些最佳回歸模型中對應該請求商品類型的一請求最佳回歸模型與所述一或多個查詢商品資訊計算對應所述一或多個查詢商品資訊與該請求商品類型的一預測購買率，其中該決策因素管理模組經由該輸入/輸出裝置顯示對應所述一或多個查詢商品資訊與該請求商品類型的該預測購買率。
  16. 一種決策因素分析方法，包括：自一電商網站的一電商伺服器讀取多個商品資料與分別對應多個消費者的多個瀏覽歷史資料與多個購買歷史資料；根據一商品類型從該些瀏覽歷史資料與該些購買歷史資料中獲得對應該商品類型的一特徵序列；以及根據該特徵序列、該些商品資料與一回歸模型獲得對應該商品類型的決策因素序列，其中在對應該商品類型的該決策因素序列的多個決策因素中排序最前面的一第一決策因素被判定為最影響該商品類型的商品是否會被購買的關鍵商品資訊。
  17. 如申請專利範圍第16項所述的決策因素分析方法，其中上述根據該商品類型從該些瀏覽歷史資料與該些購買歷史資料中獲得對應該商品類型的該特徵序列的步驟包括：根據該商品類型從對應該些消費者的該些瀏覽歷史資料與該些購買歷史資料中辨識對應該商品類型的多個商品序列，其中每一個商品序列包括屬於該商品類型的分別對應該些消費者的多個已瀏覽商品，其中該些已瀏覽商品包括一或多個未購買商品與一購買商品；根據該些商品序列中各自的所述一或多個未購買商品與該購買商品來獲得分別對應該些商品序列的多個特徵組，其中每一個特徵組包括多個特徵及分別對應該些特徵的多個特徵值；以及根據對應該商品類別的該些商品序列與該些特徵組獲得該特徵序列。
  18. 如申請專利範圍第17項所述的決策因素分析方法，其中上述根據該商品類型從對應該些消費者的該些瀏覽歷史資料與該些購買歷史資料中辨識對應該商品類型的多個商品序列的步驟包括：針對該些消費者中的一第一消費者，從對應該第一消費者的一第一瀏覽歷史資料中選擇在N天內的一第一近期瀏覽歷史資料，並且從對應該第一消費者的一第一購買歷史資料中選擇在N天內的一第一近期購買歷史資料；從該第一近期瀏覽歷史資料中辨識出該第一消費者所瀏覽的對應該商品類型的多個第一已瀏覽商品，並且根據該第一近期購買歷史資料辨識該些第一已瀏覽商品中的一第一購買商品，其中該些第一已瀏覽商品中非該第一購買商品的一或多個其他已瀏覽商品為一或多個第一非購買商品，其中該第一購買商品表示該第一消費者瀏覽該些第一已瀏覽商品後從該些第一已瀏覽商品中所選擇以購買的商品；以及將該第一購買商品與所述一或多個第一非購買商品作為對應該商品類別的一第一商品序列。
  19. 如申請專利範圍第18項所述的決策因素分析方法，其中上述根據該些商品序列中各自的所述一或多個未購買商品與該購買商品來獲得分別對應該些商品序列的多個特徵組的步驟包括：根據該些商品資料與該第一商品序列擷取對應該第一購買商品的一第一商品資訊組，並且根據該些商品資料與該第一商品序列擷取分別對應所述一或多個第一未購買商品的第二商品資訊組，其中每一個第一商品資訊組具有不同的多個第一商品資訊，並且每一個第二商品資訊組具有不同的多個第二商品資訊；經由比較分別對應所述一或多個第一未購買商品的該第二商品資訊組的該些第二商品資訊與該些第一商品資訊來計算分別對應該些第一商品資訊的多個稀有值；以及根據該些第一商品資訊與對應的該些稀有值執行一特徵轉換，以轉換該些稀有值為對應該第一商品序列的第一特徵組的多個第一特徵值，其中該些第一商品資訊為該第一特徵組的多個第一特徵。
  20. 如申請專利範圍第19項所述的決策因素分析方法，其中上述根據該些第一商品資訊與對應的該些稀有值執行該特徵轉換，以轉換該些稀有值為對應該第一商品序列的第一特徵組的該些第一特徵值的步驟包括：從該些稀有值中選擇一基準稀有值，其中該基準稀有值小於該些稀有值中的最大稀有值且大於該些稀有值中的最小稀有值；以及將該基準稀有值作為一曲線方程式的一參數，將該些稀有值輸入至該曲線方程式以輸出分別對應該些稀有值的該些第一特徵值，其中該基準稀有值被轉換為該些第一特徵值中的最小的第一特徵值，該最大稀有值被轉換為該些第一特徵值中的最大者與次大者的其中之一，並且該最小稀有值被轉換為該些第一特徵值中的最大者與次大者的其中另一。
  21. 如申請專利範圍第20項所述的決策因素分析方法，其中該曲線方程式包括一輸出值、一輸入值、該參數、一第一預設常數與一第二預設常數，其中該輸出值藉由該些輸入值、該參數、該第一預設常數與該第二預設常數之間的運算所獲得，其中在上述將該些稀有值輸入至該曲線方程式以輸出分別對應該些稀有值的該些第一特徵值的步驟包括將每一該些稀有值設定為該輸入值且將所選擇之基準稀有值設定為該參數，以獲得對應每一該些稀有值的輸出值，其中分別對應該些稀有值的該些輸出值為分別對應該些稀有值的該些第一特徵值。
  22. 如申請專利範圍第19項所述的決策因素分析方法，其中上述根據對應該商品類別的該些商品序列與該些特徵組獲得該特徵序列的步驟包括：根據對應該商品類別的該些特徵組的該些特徵與分別對應該些特徵的特徵值來計算每一個特徵的平均特徵值；以及根據分別對應該些特徵的該些平均特徵值由大到小來排序對應該商品類別的該些特徵，以產生該特徵序列。
  23. 如申請專利範圍第16項所述的決策因素分析方法，其中上述根據該特徵序列、該些商品資料與該回歸模型獲得對應該商品類型的該決策因素序列的步驟包括：選擇該特徵序列中已排序的該些特徵的前K個特徵作為K個決策因素；根據所述K個決策因素與該些商品資料訓練對應該商品類型的該回歸模型以獲得一最佳回歸模型，並且根據該最佳回歸模型獲得分別對應所述K個決策因素的K個決策值；以及根據所述K個決策值由大至小排序所述K個決策因素，以產生對應該商品類型的具有所述K個決策因素的該決策因素序列。
  24. 如申請專利範圍第23項所述的決策因素分析方法，其中上述根據所述K個決策因素與該些商品資料訓練對應該商品類型的該回歸模型以獲得該最佳回歸模型的步驟包括：(1)根據該些商品序列的該些未購買商品與該些購買商品計算屬於該商品類別的多個第一目標商品的實際購買率，其中該些第一目標商品的總數大於等於N；(2)從該些第一目標商品中選擇(N-1)個第二目標商品作為訓練樣本，並且根據所述K個決策因素與每一個第二目標商品的所有特徵來辨識每一個第二目標商品的所述K個決策因素的位元值；(3)將所述(N-1)個第二目標商品中的每一個第二目標商品的所述K個決策因素的位元值作為自變數(independent variable)且將所述(N-1)個第二目標商品中的每一個第二目標商品的實際購買率作為對應該自變數的因變數(dependent variable)來輸入至該回歸模型，以訓練該回歸模型；(4)從該些第一目標商品中選擇所述(N-1)個第二目標商品以外的一第三目標商品作為驗證樣本來進行驗證，將該第三目標商品的所述K個決策因素的位元值輸入至該回歸模型，以輸出該第三目標商品的一預測購買率；(5)計算該第三目標商品的該預測購買率與該實際購買率之間的差值作為對應該第三目標商品的一誤差值；以及(6)若該誤差值小於一誤差門檻值，判定該回歸模型已完成訓練，將該回歸模型作為對應該商品類型的該最佳回歸模型，並且結束訓練對應該商品類型的該回歸模型的整體操作，其中若該誤差值不小於一誤差門檻值，重新執行步驟(2)，並且在重新執行的步驟(2)中，新的所選擇的(N-1)個第二目標商品不完全相同於之前所選擇之舊的所述(N-1)個第二目標商品。
  25. 如申請專利範圍第24項所述的決策因素分析方法，其中在重新執行步驟(2)之前，上述根據所述K個決策因素與該些商品資料訓練對應該商品類型的該回歸模型，以獲得該最佳回歸模型的步驟更包括先調整該K的數值，再重新執行步驟(2)。
  26. 如申請專利範圍第24項所述的決策因素分析方法，其中該回歸模型包括梯度提升決策樹(Gradient Boost Decision Tree，GBDT)回歸模型、單變量線性(Univariate)回歸模型、多變量線性(Multivariate)回歸模型、隨機森林(Random Forest)回歸模型或XGBoost回歸模型。
  27. 如申請專利範圍第16項所述的決策因素分析方法，更包括：儲存所產生的對應該商品類別的該決策因素序列至一決策因素資料庫，其中該決策因素資料庫包括分別對應多個商品類型的多個決策因素序列；接收一查詢，其中該查詢包括一請求商品類型，並且根據該請求商品類型從該決策因素資料庫中查找對應該請求商品類型的一目標決策因素序列；以及顯示該目標決策因素序列的多個目標決策因素。
  28. 如申請專利範圍第27項所述的決策因素分析方法，更包括：在瀏覽該電商網站的商品頁面時，辨識該商品頁面所顯示的一展覽商品；根據該些商品資料與該展覽商品，辨識該展覽商品的多個第一展覽商品資訊；以及若該些第一展覽商品資訊中的一第二展覽商品資訊相同於該目標決策因素序列的該些目標決策因素的其中之一，顯示該第二展覽商品資訊於該商品頁面中對應該展覽商品的區域內。
  29. 如申請專利範圍第28項所述的決策因素分析方法，其中對應該請求商品類型的該目標決策因素序列可區分為對應商品規格特徵的第一目標決策因素序列與對應商品展覽特徵的第二目標決策因素序列，其中對應該商品規格特徵的該第一目標決策序列的多個第一目標決策因素屬於商品本身的規格的商品資訊，並且對應該商品展覽特徵的該第二目標決策序列的多個第二目標決策因素屬於該電商網站的用以展覽商品的頁面的特徵的商品資訊，其中上述顯示該目標決策因素序列的步驟包括：分別顯示該些第一目標決策因素與該第二目標決策因素，其中所述一或多個第二展覽商品資訊根據該商品規格特徵與該商品展覽特徵被顯示。
  30. 如申請專利範圍第27項所述的決策因素分析方法，其中該決策因素資料庫更包括分別對應所述多個商品類型的多個最佳回歸模型，所述方法更包括：當該查詢包括一或多個查詢商品資訊時，根據該些最佳回歸模型中對應該請求商品類型的一請求最佳回歸模型與所述一或多個查詢商品資訊計算對應所述一或多個查詢商品資訊與該請求商品類型的一預測購買率；以及顯示對應所述一或多個查詢商品資訊與該請求商品類型的該預測購買率。
TW106141043A 2017-11-24 2017-11-24 決策因素分析裝置與決策因素分析方法 TWI645350B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW106141043A TWI645350B (zh) 2017-11-24 2017-11-24 決策因素分析裝置與決策因素分析方法
CN201711388816.6A CN109840796B (zh) 2017-11-24 2017-12-20 决策因素分析装置与决策因素分析方法
US15/853,866 US10572929B2 (en) 2017-11-24 2017-12-25 Decision factors analyzing device and decision factors analyzing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106141043A TWI645350B (zh) 2017-11-24 2017-11-24 決策因素分析裝置與決策因素分析方法

Publications (2)

Publication Number Publication Date
TWI645350B true TWI645350B (zh) 2018-12-21
TW201926183A TW201926183A (zh) 2019-07-01

Family

ID=65431822

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106141043A TWI645350B (zh) 2017-11-24 2017-11-24 決策因素分析裝置與決策因素分析方法

Country Status (3)

Country Link
US (1) US10572929B2 (zh)
CN (1) CN109840796B (zh)
TW (1) TWI645350B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI759785B (zh) * 2019-07-22 2022-04-01 王其宏 整合定性資料及定量資料進行稽核準則推薦的系統及方法
TWI813926B (zh) * 2020-02-05 2023-09-01 南韓商韓領有限公司 用於網頁顯示修正的電腦化系統及方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160781B (zh) * 2019-12-30 2023-09-08 内蒙古鄂尔多斯资源股份有限公司东昊厂 一种羊绒纺织生产计算投入量的复合动态制成率模型
CN111340115B (zh) * 2020-02-27 2023-05-12 青岛创新奇智科技集团股份有限公司 基于特征动态构造的推荐模型训练方法及系统
US20230169540A1 (en) * 2021-12-01 2023-06-01 Walmart Apollo, Llc Systems and methods of providing enhanced contextual intelligent information
CN115187344B (zh) * 2022-09-13 2022-12-09 南通久拓智能装备有限公司 基于大数据的用户偏好分析识别方法
CN117151829B (zh) * 2023-10-31 2024-02-13 阿里健康科技(中国)有限公司 导购决策树的构建方法、装置、设备和存储介质
CN117455543B (zh) * 2023-12-21 2024-04-16 中邮消费金融有限公司 营销数据监控方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030220834A1 (en) * 2002-05-21 2003-11-27 Brian Leung Retail loyalty system (RLS) with embedded web server
TW200731149A (en) * 2006-02-06 2007-08-16 Hsiao-Hsien Yang Method for commodity management based on the peer-to-peer network, and system and method for electronic commerce using the same
CN104866474A (zh) * 2014-02-20 2015-08-26 阿里巴巴集团控股有限公司 个性化数据搜索方法及装置
CN106447463A (zh) * 2016-10-21 2017-02-22 南京大学 一种基于马尔科夫决策过程模型的商品推荐方法
CN107230133A (zh) * 2017-05-26 2017-10-03 努比亚技术有限公司 一种数据处理方法、设备和计算机存储介质
CN101427273B (zh) * 2004-05-05 2017-10-24 伊普拉斯系统公司 电子编目供应商网口的系统和方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6321221B1 (en) 1998-07-17 2001-11-20 Net Perceptions, Inc. System, method and article of manufacture for increasing the user value of recommendations
US7287017B2 (en) * 2001-04-12 2007-10-23 Igego Methodologies, Inc. Decision engine
US7676400B1 (en) * 2005-06-03 2010-03-09 Versata Development Group, Inc. Scoring recommendations and explanations with a probabilistic user model
US7561158B2 (en) 2006-01-11 2009-07-14 International Business Machines Corporation Method and apparatus for presenting feature importance in predictive modeling
CN101206752A (zh) * 2007-12-25 2008-06-25 北京科文书业信息技术有限公司 电子商务网站相关商品推荐系统及其方法
US7853599B2 (en) 2008-01-21 2010-12-14 Microsoft Corporation Feature selection for ranking
US20110106594A1 (en) 2009-11-05 2011-05-05 Cbs Interactive, Inc. Expandable product feature and relation comparison system
TWI433042B (zh) 2010-10-06 2014-04-01 Chunghwa Telecom Co Ltd Multi - product recommendation method and system
TW201222443A (en) * 2010-11-16 2012-06-01 Ind Tech Res Inst Cooperative Personalized Promotion method according to consumer-store transaction history and system using the same
CN102360386A (zh) * 2011-10-12 2012-02-22 朱一超 电子商务网站智能导购系统和方法
CN103577413B (zh) 2012-07-20 2017-11-17 阿里巴巴集团控股有限公司 搜索结果排序方法及系统、搜索结果排序优化方法及系统
CN104077306B (zh) 2013-03-28 2018-05-11 阿里巴巴集团控股有限公司 一种搜索引擎的结果排序方法及系统
US20140344102A1 (en) * 2013-05-18 2014-11-20 Chaya Cooper Virtual Personal Shopping System
US20150073931A1 (en) 2013-09-06 2015-03-12 Microsoft Corporation Feature selection for recommender systems
US20150081469A1 (en) 2013-09-17 2015-03-19 International Business Machines Corporation Assisting buying decisions using customer behavior analysis
US9911130B1 (en) * 2013-12-20 2018-03-06 Amazon Technologies, Inc. Attribution modeling using regression analysis
US10217148B2 (en) 2015-01-23 2019-02-26 Ebay Inc. Predicting a status of a transaction
JP6543986B2 (ja) 2015-03-25 2019-07-17 日本電気株式会社 情報処理装置、情報処理方法およびプログラム
CN106485562B (zh) * 2015-09-01 2020-12-04 苏宁云计算有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN105243392B (zh) 2015-10-08 2017-06-16 淮海工学院 一种基于灵敏度分析的非线性支持向量回归特征提取方法
WO2017100464A1 (en) 2015-12-09 2017-06-15 Quad Analytix Llc Systems and methods for web page layout detection
CN105630957B (zh) * 2015-12-24 2019-05-21 北京大学 一种基于用户管理应用行为的应用质量判别方法及系统
CN105760474B (zh) 2016-02-14 2021-02-19 Tcl科技集团股份有限公司 一种基于位置信息的文档集的特征词提取方法及系统
CN106202516A (zh) * 2016-07-24 2016-12-07 广东聚联电子商务股份有限公司 一种根据时间节点的电子商务平台商品展示方法
CN107038190A (zh) * 2016-10-28 2017-08-11 厦门大学 一种应用于淘宝网的智能促销方案建模方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030220834A1 (en) * 2002-05-21 2003-11-27 Brian Leung Retail loyalty system (RLS) with embedded web server
CN101427273B (zh) * 2004-05-05 2017-10-24 伊普拉斯系统公司 电子编目供应商网口的系统和方法
TW200731149A (en) * 2006-02-06 2007-08-16 Hsiao-Hsien Yang Method for commodity management based on the peer-to-peer network, and system and method for electronic commerce using the same
CN104866474A (zh) * 2014-02-20 2015-08-26 阿里巴巴集团控股有限公司 个性化数据搜索方法及装置
CN106447463A (zh) * 2016-10-21 2017-02-22 南京大学 一种基于马尔科夫决策过程模型的商品推荐方法
CN107230133A (zh) * 2017-05-26 2017-10-03 努比亚技术有限公司 一种数据处理方法、设备和计算机存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI759785B (zh) * 2019-07-22 2022-04-01 王其宏 整合定性資料及定量資料進行稽核準則推薦的系統及方法
TWI813926B (zh) * 2020-02-05 2023-09-01 南韓商韓領有限公司 用於網頁顯示修正的電腦化系統及方法

Also Published As

Publication number Publication date
CN109840796A (zh) 2019-06-04
US20190164213A1 (en) 2019-05-30
TW201926183A (zh) 2019-07-01
CN109840796B (zh) 2021-08-24
US10572929B2 (en) 2020-02-25

Similar Documents

Publication Publication Date Title
TWI645350B (zh) 決策因素分析裝置與決策因素分析方法
US10409821B2 (en) Search result ranking using machine learning
US20210279552A1 (en) Method for making recommendations to a user and apparatus, computing device, and storage medium
JP5913736B2 (ja) キーワードの推薦
TWI591495B (zh) E-commerce search engine search method and e-commerce search engine
US20180218431A1 (en) Providing recommendations based on user-generated post-purchase content and navigation patterns
US8655737B1 (en) Brand name synonymy
US20190012719A1 (en) Scoring candidates for set recommendation problems
TW201520790A (zh) 個性化資料搜尋方法和裝置
JP6967462B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
US20150221023A1 (en) Information providing device, information providing method, information providing program, and computer-readable storage medium storing the program
CN110827112B (zh) 深度学习的商品推荐方法、装置、计算机设备及存储介质
JP6698040B2 (ja) 生成装置、生成方法及び生成プログラム
JP2014209376A (ja) オンライン商取引プラットフォームにおける広告ソースおよびキーワードセットの適合
KR101639656B1 (ko) 광고 제공 방법 및 서버 장치
KR20160118644A (ko) 물품 추천 시스템 및 방법, 이를 위한 장치
US10585931B1 (en) Dynamic determination of data facets
Li Accurate digital marketing communication based on intelligent data analysis
US20180113919A1 (en) Graphical user interface rendering predicted query results to unstructured queries
CN112966177B (zh) 咨询意图的识别方法、装置、设备以及存储介质
WO2022001349A1 (zh) 用于分析信息的方法和装置
US20160147845A1 (en) Methods and systems for managing n-streams of recommendations
Annadurai An optimal replenishment policy for decaying items with shortages and salvage value
CN112862553A (zh) 一种商品推荐的方法和装置
EP3912114A1 (en) Encoding textual data for personalized inventory management