TWI718809B - 收益預測方法、收益預測系統及圖案化使用者介面 - Google Patents

收益預測方法、收益預測系統及圖案化使用者介面 Download PDF

Info

Publication number
TWI718809B
TWI718809B TW108145944A TW108145944A TWI718809B TW I718809 B TWI718809 B TW I718809B TW 108145944 A TW108145944 A TW 108145944A TW 108145944 A TW108145944 A TW 108145944A TW I718809 B TWI718809 B TW I718809B
Authority
TW
Taiwan
Prior art keywords
pricing
order
paths
revenue
path
Prior art date
Application number
TW108145944A
Other languages
English (en)
Other versions
TW202125346A (zh
Inventor
陳奕鈞
崔文
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 TW108145944A priority Critical patent/TWI718809B/zh
Priority to CN201911388074.6A priority patent/CN112990955B/zh
Application granted granted Critical
Publication of TWI718809B publication Critical patent/TWI718809B/zh
Publication of TW202125346A publication Critical patent/TW202125346A/zh

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一種收益預測方法、收益預測系統及圖案化使用者介面。收益預測系統包括一儲存裝置及一處理裝置。處理裝置包括一定價樹建立單元、一歸納單元、一路徑建立單元、一模擬資料建立單元及一估測單元。定價樹建立單元用以依據一目標產品於數個特徵階層、一定價階層及一訂單階層之內容，建立一定價樹。歸納單元用以依據訂單階層之目標歷史訂單，歸納定價節點。路徑建立單元產生數個近似產品之數個定價路徑。模擬資料建立單元用以依據各個定價路徑與定價樹之一相關性，獲得數筆模擬歷史訂單。估測單元以一機率模型分析出一預訂定價之一總收益。

Description

收益預測方法、收益預測系統及圖案化使用者介面
本揭露是有關於一種收益預測方法、收益預測系統及圖案化使用者介面。
在追求收益最大化的商品的定價過程中，需要考慮的環境變因過於複雜。在多種不同假設情況下，僅就單一預測模型是不足以提供合理的資訊讓使用者獲得正確決策所需的各種資訊。
過去銷售預測因為商業環境因素眾多，需考量市場營銷、財務管理、庫存管理及物流。這些面向的變化快速，難以即時掌握數據和分析。另外，商務分析不像天氣模擬，在專家知識和理論原理上是較為缺乏的。因此，需透過數據驅動化（data driven）的方式，找出局部可代表性的特徵事實，做為模擬依據。由於AIoT的發展，各平台零售交易數據的取得變得更加容易，因此可以透過虛擬交易環境的建立來進行各種情境的模擬與測試，讓原擬訂的各種行銷策略具有主動預測的功能，可降低策略的失敗率。
在過去資料模擬的技術中，研究人員可以基於歷史記錄的單一品牌商品價格銷售模擬。若資料太少，模擬結果的可信度會不夠，或是無法進行模擬。此外，過去的資料模擬技術沒有考量商品/品牌/通路間的競爭關係，使得總收益的預測不夠準確。
本揭露係有關於一種收益預測方法、收益預測系統及圖案化使用者介面。
根據本揭露之一實施例，提出一種收益預測方法。收益預測方法包括以下步驟。依據一目標產品於數個特徵階層、一定價階層及一訂單階層之內容，以一處理裝置建立一定價樹。定價階層包括數個定價節點（pricing node）。訂單階層包括數筆目標歷史訂單。各個目標歷史訂單記錄一購買者、一購買數量及一折扣。依據訂單階層之目標歷史訂單，以處理裝置歸納定價節點。以處理裝置產生數個近似產品之數個定價路徑（path）。各個定價路徑包括此些特徵階層、定價階層及訂單階層。至少依據各個定價路徑與該定價樹之一相關性，以處理裝置獲得數筆模擬歷史訂單。依據目標歷史訂單及模擬歷史訂單，處理裝置以一機率模型分析出一預訂定價之一總收益。
根據本揭露之另一實施例，提出一種收益預測系統。收益預測系統包括一儲存裝置及一處理裝置。處理裝置包括一定價樹建立單元、一歸納單元、一路徑建立單元、一模擬資料建立單元及一估測單元。定價樹建立單元用以依據一目標產品於數個特徵階層、一定價階層及一訂單階層之內容，建立一定價樹。定價階層包括數個定價節點（pricing node）。訂單階層包括數筆目標歷史訂單。各個目標歷史訂單記錄一購買者、一購買數量及一折扣。定價樹儲存於儲存裝置中。歸納單元用以依據訂單階層之目標歷史訂單，歸納定價節點。路徑建立單元產生數個近似產品之數個定價路徑（path）。各個定價路徑包括此些特徵階層、定價階層及訂單階層。模擬資料建立單元用以至少依據各個定價路徑與定價樹之一相關性，獲得數筆模擬歷史訂單。估測單元用以依據目標歷史訂單及模擬歷史訂單，以一機率模型分析出一預訂定價之一總收益。
根據本揭露之再一實施例，提出一種圖案化使用者介面。圖案化使用者介面包括一定價樹顯示視窗、一歸納按鈕、一模擬歷史訂單增加按鈕、一預定定價輸入視窗及一總收益顯示視窗。定價樹顯示視窗用以顯示一定價樹。定價樹係依據一目標產品於數個特徵階層、一定價階層及一訂單階層之內容所取得。定價階層包括數個定價節點（pricing node）。訂單階層包括數筆目標歷史訂單。各個目標歷史訂單記錄一購買者、一購買數量及一折扣。歸納按鈕用以供一使用者點選後輸入一歸納指令，以依據訂單階層之目標歷史訂單，歸納定價節點。模擬歷史訂單增加按鈕用以供使用者點選後產生數個近似產品之數個定價路徑（path）。各個定價路徑包括此些特徵階層、定價階層及訂單階層，並且至少依據各個定價路徑與定價樹之一相關性，獲得數筆模擬歷史訂單。預定定價輸入視窗用以供使用者輸入一預訂定價。總收益顯示視窗用以顯示預訂定價之一總收益。總收益係依據目標歷史訂單及模擬歷史訂單，以一機率模型所分析出。
為了對本揭露之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
請參照第1圖，其繪示根據一實施例之收益預測系統1000的示意圖。收益預測系統1000包括一處理裝置100及一儲存裝置200。處理裝置100包括一定價樹建立單元110、一歸納單元120、一路徑建立單元130、一模擬資料建立單元140及一估測單元150。定價樹建立單元110、歸納單元120、路徑建立單元130、模擬資料建立單元140及估測單元150例如是一電路、一晶片、一電路板、數組程式碼或儲存程式碼之儲存裝置。儲存裝置200例如是記憶體、硬碟、光碟或雲端資料儲存中心。定價樹建立單元110連接於儲存裝置200、歸納單元120。歸納單元120連接於定價樹建立單元110、模擬資料建立單元140、儲存裝置200。估測單元150連接於模擬資料建立單元140、儲存裝置200。路徑建立單元130連接於模擬資料建立單元140、儲存裝置200。儲存裝置200連接於定價樹建立單元110、歸納單元120、路徑建立單元130、估測單元150。本實施例之收益預測系統1000能夠利用資料歸納技術歸納歷史資料，並且根據近似商品/品牌/通路競爭關係來擴增局部資料，以提升總收益的預測的準確度。以下更透過流程圖詳細說明上述各項元件之運作。
請參照第2圖，其繪示根據一實施例之收益預測方法的流程圖。在步驟S110中，定價樹建立單元110依據一目標產品於數個特徵階層（如品牌階層BN、功能階層FN、定位階層LC等，本案不限於此，特徵階層亦可是年齡階層/消費族群階層(男女/少女/學生等)）、一定價階層PR及一訂單階層OD的內容，建立一定價樹（例如是第3圖之定價樹TR10）。請參照第3圖，其繪示根據步驟S110之一示例圖。定價階層PR包括數個定價節點（pricing node）P11～P15。定價節點P11～P15分別為「80元」、「90元」、「100元」、「110元」、「120元」。訂單階層OD包括數筆目標歷史訂單。舉例來說，定價節點P11沒有任何目標歷史訂單，定價節點P13有5筆目標歷史訂單O11～O15。各個目標歷史訂單O11～O15記錄一購買者BR、一購買數量QT及一折扣DC。舉例來說，目標歷史訂單O11之購買者BR、購買數量QT及折扣DC分別為「b1」、「3」、「10%」；目標歷史訂單O12之購買者BR、購買數量QT及折扣DC分別為「b2」、「5」、「15%」。
如第3圖之定價樹TR10所示，定價節點P11沒有任何目標歷史訂單。定價節點P11根本沒有歷史資料能夠作為根據來取得近似的模擬訂單。因此，需要進一步調整定價階層PR之定價節點P11～P15的配置，以使每一定價節點都能夠有足夠數量的目標歷史訂單。
接著，在步驟S120中，歸納單元120依據訂單階層OD之目標歷史訂單，歸納定價節點。如第3圖所示，若定價節點P11～P15之其中一的訂單數量低於一門檻值（例如是2），則進行合併。請參照第4圖，其繪示步驟S120之一示例圖。在此步驟中，定價節點P11之訂單數量為0，小於2，歸納單元120將定價節點P11與定價節點P12合併為定價節點P21。定價節點P14之訂單數量為1，小於2，歸納單元120將定價節點P14與定價節點P15合併為定價節點P23。定價階層PR經過資料歸納後，各個定價節點P21～P23都能夠有足夠數量的目標歷史訂單。如第3～4圖所示，第3圖之定價節點P11～P15被歸納為第4圖之定價節點P21～P23。在第4圖中，定價樹TR20之定價節點P21～P23分別為「低價位」、「中價位」、「高價位」。
各定價節點P21～P23擁有足夠的訂單數量後，即可透過以下步驟S120～S130擴增局部資料。
在步驟S130中，路徑建立單元130產生數個近似產品之數個定價路徑（path）（例如是第5圖之定價路徑T31～T37、…）。請參照第5圖，其繪示步驟S130之一示例圖。各個定價路徑T31～T37、…包括數個特徵階層（如品牌階層BN、功能階層FN、定位階層LC等，本案不限於此，特徵階層亦可是年齡階層/消費族群階層(男女/少女/學生等)）、定價階層PR及訂單階層OD。品牌階層BN例如是包括品牌節點B31、B32，品牌節點B31、B32分別為「AA」、「BB」。功能階層FN例如是包括功能節點F31、F32、…，功能節點F31、F32分別為「保濕」、「美白」。定位階層LC例如是包括定位節點L31、L32，定位節點L31、L32分別為「開架」、「專櫃」。如第5圖所示，按照品牌階層BN、功能階層FN、定位階層LC、定價階層PR及訂單階層OD的排列順序可以建立出數個定價路徑T31～T37、…。其中，定價路徑T31～T33之品牌節點B31、功能節點F31、定位節點L31分別為「AA」、「保濕」、「開架」，與前述第4圖之定價樹TR20之定價路徑T21～T23一致。也就是說，定價路徑T31～T33之訂單階層OD的內容與定價路徑T21～T23之訂單階層OD的內容是完全一致的。
定價路徑T34之品牌節點B31、功能節點F31、定位節點L32分別為「AA」、「保濕」、「專櫃」，定價路徑T35之品牌節點B31、功能節點F31、定位節點L32分別為「AA」、「保濕」、「專櫃」，定價路徑T36之品牌節點B32、功能節點F31、定位節點L31分別為「BB」、「保濕」、「開架」，定價路徑T37之品牌節點B32、功能節點F32、定位節點L31分別為「BB」、「美白」、「開架」。定價路徑T34～T37、…之特徵階層的內容不同於第4圖之定價樹TR20之定價路徑T21～T23之特徵階層的內容。這些定價路徑T34～T37、…係代表不同商品/品牌/通路間的競爭關係。若從這些定價路徑T34～T37、…可以根據訂單階層OD的內容搜尋出與定價路徑T21～T23近似者，近似之定價路徑的資料是具有可參考價值的，可將其加入定價樹TR20，以提升總收益的預測的準確度。
品牌階層BN、功能階層FN、定位階層LC可以按照不同的排列順序，建立出各種不同的定價路徑。請參照第6圖，其繪示步驟S130之另一示例圖。根據另一種排列順序，可以獲得其他定價路徑T38、T39、…等。定價路徑T38、T39、…係按照品牌階層BN、定位階層LC、功能階層FN的順序來建立。同樣的，這些定價路徑T38、T39、…係代表不同商品/品牌/通路間的競爭關係。
在上述步驟S130所產生之數個定價路徑T34～T39、…中，定價路徑T34～T39、…之特徵階層的排列不完全相同。並且，各個定價路徑T34～T39、…之特徵階層的內容與目標產品之特徵階層的內容不完全相同。舉例來說，定價路徑T34之特徵階層的內容為：「『AA』、『保濕』、『專櫃』」；定價路徑T36之特徵階層的內容為：「『BB』、『保濕』、『開架』」；目標產品之特徵階層的內容為：「『AA』、『保濕』、『開架』」。定價路徑T34之特徵階層的內容與目標產品之特徵階層的內容不完全相同，定價路徑T36之特徵階層的內容與目標產品之特徵階層的內容不完全相同。
若從這些定價路徑T34～T39、…可以根據訂單階層OD的內容搜尋出與定價路徑T21～T23近似者，近似之定價路徑是具有可參考價值的，可將其加入定價樹TR20，以提升總收益的預測的準確度。
在步驟S140中，模擬資料建立單元140依據各個定價路徑與定價樹之一相關性，獲得數筆模擬歷史訂單（例如是依據第6圖之定價路徑T39與第4圖定價樹TR20之定價路徑T22的相關性，獲得第7圖之模擬歷史訂單O41～O45）。請參照第7圖，其繪示步驟S140之一示例圖。在此步驟中，模擬資料建立單元140優先針對定價路徑T34～T39、…中資料量最大者的訂單階層OD的內容計算與定價路徑T21、定價路徑T22或定價路徑T23的相關性。若相關性高於一預定值者，則視為模擬歷史訂單。
兩個定價路徑的關聯性可以用皮爾生相關係數（Pearson correlation coefficient）來表示，其根據這兩個定價路徑之商品被購買的頻率，來計算關聯性。相關性之計算說明如下式（1）。
Figure 02_image001
…………….（1）
其中，
Figure 02_image003
表示「X」、「Y」兩個定價路徑的關聯性，
Figure 02_image005
表示「X」定價路徑與「Y」定價路徑的共變異數，
Figure 02_image007
表示「X」定價路徑的變異數，
Figure 02_image009
表示「Y」定價路徑的變異數。S X ∪ Y表示「X」定價路徑之商品和「Y」定價路徑之商品一起被購買的頻率，S X表示「X」定價路徑之商品被購買的頻率、S Y表示「Y」定價路徑之商品被購買的頻率。
在一實施例中，定價路徑T22之商品被購買了30次，定價路徑T37之商品被購買了50次，而他們一起被購買了25次，在資料庫中，商品的總購買次數為100次，那麼定價路徑T22與定價路徑T37的關聯性為
Figure 02_image011
0.436。
在另一實施例中，假設定價路徑T22之商品被購買了40次，定價路徑T39之商品被購買了50次，而他們一起被購買了30次，在資料庫中，商品的總購買次數為150次，那麼定價路徑T22與定價路徑T39的關聯性為
Figure 02_image013
0.532。定價路徑T22與定價路徑T39的關聯性較高。
如第7圖所示，定價路徑T39之訂單階層OD的內容與定價路徑T22的相關性高，則可將定價路徑T39之訂單階層OD的內容視為模擬歷史訂單O41～O45。模擬歷史訂單O41～O45可以加入定價路徑T22之目標歷史訂單O11～O15中，以使定價樹TR20進行局部擴增。請參照第8圖，其繪示定價路徑T22擴增後之目標歷史訂單O11～O15與模擬歷史訂單O41～O45。
上述之定價樹TR20可以經過步驟S130、S140進行局部擴增，使得定價樹TR20的資料量能夠大幅增加，有助於提升後續進行總收益預測的準確度。
接著，在步驟S150中，估測單元150依據此些目標歷史訂單及此些模擬歷史訂單，以一機率模型分析出一預訂定價之一總收益（例如是依據第8圖之目標歷史訂單O11～O15及模擬歷史訂單O41～O45，以第1圖之機率模型ML分析出預定定價PP之總收益RV）。
舉例來說，預定定價PP為130元時，機率模型ML為下表一。預定定價PP高於原來的定價節點較多，購買者的轉購機率較低；預定定價PP高於原來的定價節點不多、或者預定定價PP低於原來的定價節點時，購買者的轉購機率較高。在相同價差之下，不同的購買者的轉購機率也不相同。轉購機率取得方式，可以是依照產品的市佔比例，也可以是根據購買者的之前的購買記錄顯示其對商品的喜好程度做為機率的判定依據。
購買者 b1 b2 b3 b4 b5
對130元之轉購機率 20% 10% 50% 30% 40%
目標歷史訂單O11～O15 購買數量QT 3 5 8 5 4
折扣DC 10% 15% 0% 0% 5%
模擬歷史訂單O41～O45 購買數量QT 2 1 2 4 5
折扣DC 5% 10% 0% 10% 0%
表一
按照表一之機率模型ML分析出130元之預訂定價的總收益RV為「
Figure 02_image015
=3967.5」
如此一來，各種預定定價PP皆可以估測出總收益，以便於決策者擬定最佳的預定定價PP。針對預定定價PP進行總收益的估測。由於每個購買者的轉購機率不同，而造成每一次估測的總收益不一樣，這時當所有估測的總收益都跑完，最佳者與最差者進行平均，以取得平均值。
請參照第9圖，其繪示根據一實施例之圖案化使用者介面900。圖案化使用者介面900例如是呈現於一桌上型顯示螢幕、一智慧型手機之螢幕、一平板電腦之螢幕。圖案化使用者介面900包括一定價樹顯示視窗910、一歸納按鈕920、一模擬歷史訂單增加按鈕930、一預定定價輸入視窗940及一總收益顯示視窗950。
定價樹顯示視窗910用以顯示上述之定價樹TR10。歸納按鈕920用以供一使用者點選後輸入一歸納指令，以進行資料歸納。歸納後之定價樹TR20會顯示於定價樹顯示視窗910中。
模擬歷史訂單增加按鈕930用以供使用者點選後按照上述步驟S130、S140獲得數筆模擬歷史訂單（例如是第7圖之模擬歷史訂單O41～O45）。
預定定價輸入視窗940用以供使用者輸入預訂定價（例如是130元）。總收益顯示視窗950用以顯示預定定價PP之總收益RV（例如是3967.5元）。
根據上述實施例，收益預測系統1000能夠利用資料歸納技術歸納歷史資料，並且根據近似商品/品牌/通路競爭關係來擴增局部資料，以提升總收益RV的預測的準確度。
綜上所述，雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露。本揭露所屬技術領域中具有通常知識者，在不脫離本揭露之精神和範圍內，當可作各種之更動與潤飾。因此，本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
1000:收益預測系統 100:處理裝置 110:定價樹建立單元 120:歸納單元 130:路徑建立單元 140:模擬資料建立單元 150:估測單元 200:儲存裝置 900:圖案化使用者介面 910:定價樹顯示視窗 920:歸納按鈕 930:模擬歷史訂單增加按鈕 940:預定定價輸入視窗 950:總收益顯示視窗 B31、B32:品牌節點 BN:品牌階層 BR:購買者 DC:折扣 F31、F32:功能節點 FN:功能階層 L31、L32:定位節點 LC:定位階層 ML:機率模型 O11、O12、O13、O14、O15:目標歷史訂單 O41、O42、O43、O44、O45:模擬歷史訂單 OD:訂單階層 P11、P12、P13、P14、P15、P21、P22、P23:定價節點 PP:預定定價 PR:定價階層 QT:購買數量 S110、S120、S130、S140、S150:步驟 T21、T22、T23、T31、T32、T33、T34、T35、T36、T37、T38、T39:定價路徑 TR10、TR20:定價樹 RV:總收益
第1圖繪示根據一實施例之收益預測系統的示意圖。 第2圖繪示根據一實施例之收益預測方法的流程圖。 第3圖繪示根據步驟S110之一示例圖。 第4圖繪示步驟S120之一示例圖。 第5圖繪示步驟S130之一示例圖。 第6圖繪示步驟S130之另一示例圖。 第7圖繪示步驟S140之一示例圖。 第8圖繪示定價路徑擴增後之目標歷史訂單與模擬歷史訂單。 第9圖繪示根據一實施例之圖案化使用者介面。
1000:收益預測系統
100:處理裝置
110:定價樹建立單元
120:歸納單元
130:路徑建立單元
140:模擬資料建立單元
150:估測單元
200:儲存裝置
ML:機率模型
PP:預定定價
T31~T39:定價路徑
TR10、TR20:定價樹
RV:總收益

Claims (21)

  1. 一種收益預測方法，包括： 依據一目標產品於複數個特徵階層、一定價階層及一訂單階層之內容，以一處理裝置建立一定價樹，該定價階層包括複數個定價節點（pricing node），該訂單階層包括複數筆目標歷史訂單，各該目標歷史訂單記錄一購買者、一購買數量及一折扣； 依據該訂單階層之該些目標歷史訂單，以該處理裝置歸納該些定價節點； 以該處理裝置產生複數個近似產品之複數個定價路徑（path），各該定價路徑包括該些特徵階層、該定價階層及該訂單階層； 至少依據各該定價路徑與該定價樹之一相關性，以該處理裝置獲得複數筆模擬歷史訂單；以及 依據該些目標歷史訂單及該些模擬歷史訂單，該處理裝置以一機率模型分析出一預訂定價之一總收益。
  2. 如申請專利範圍第1項所述之收益預測方法，其中在歸納該些定價節點之步驟中，若該些定價節點之其中一的訂單數量低於一門檻值，則進行合併。
  3. 如申請專利範圍第1項所述之收益預測方法，其中在產生該些定價路徑之步驟中，該些定價路徑之該些特徵階層的排列不完全相同。
  4. 如申請專利範圍第1項所述之收益預測方法，其中在產生該些定價路徑之步驟中，該些定價路徑之該些特徵階層的內容與該目標產品之該些特徵階層的內容不完全相同。
  5. 如申請專利範圍第1項所述之收益預測方法，其中在獲得複數筆模擬歷史訂單之步驟中，該相關性係為各該定價路徑之該訂單階層與該定價樹之該些定價節點之其中之一所對應之該些目標歷史訂單的相關程度。
  6. 如申請專利範圍第1項所述之收益預測方法，其中在獲得複數筆模擬歷史訂單之步驟中，更依據各該定價路徑之該訂單階層的資料量，獲得該些模擬歷史訂單。
  7. 如申請專利範圍第1項所述之收益預測方法，其中在分析出該預訂定價之該總收益之步驟中，該機率模型係為各購買者以該預訂定價之一轉購機率。
  8. 如申請專利範圍第1項所述之收益預測方法，其中各該定價路徑之該些特徵階層包括品牌、功能、定位。
  9. 一種收益預測系統，包括： 一儲存裝置；以及 一處理裝置，連接該儲存裝置，該處理裝置包括： 一定價樹建立單元，用以依據一目標產品於複數個特徵階層、一定價階層及一訂單階層之內容，建立一定價樹，該定價階層包括複數個定價節點（pricing node），該訂單階層包括複數筆目標歷史訂單，各該目標歷史訂單記錄一購買者、一購買數量及一折扣，該定價樹儲存於該儲存裝置中； 一歸納單元，用以依據該訂單階層之該些目標歷史訂單，歸納該些定價節點； 一路徑建立單元，用以產生複數個近似產品之複數個定價路徑（path），各該定價路徑包括該些特徵階層、該定價階層及該訂單階層； 一模擬資料建立單元，用以至少依據各該定價路徑與該定價樹之一相關性，獲得複數筆模擬歷史訂單；及 一估測單元，用以依據該些目標歷史訂單及該些模擬歷史訂單，以一機率模型分析出一預訂定價之一總收益。
  10. 如申請專利範圍第9項所述之收益預測系統，其中若該些定價節點之其中一的訂單數量低於一門檻值，則該歸納單元進行合併。
  11. 如申請專利範圍第9項所述之收益預測系統，其中該些定價路徑之該些特徵階層的排列不完全相同。
  12. 如申請專利範圍第9項所述之收益預測系統，其中該些定價路徑之該些特徵階層的內容與該目標產品之該些特徵階層的內容不完全相同。
  13. 如申請專利範圍第9項所述之收益預測系統，其中該相關性係為各該定價路徑之該訂單階層與該定價樹之該些定價節點之其中之一所對應之該些目標歷史訂單的相關程度。
  14. 如申請專利範圍第9項所述之收益預測系統，其中該模擬資料建立單元更依據各該定價路徑之該訂單階層的資料量，獲得該些模擬歷史訂單。
  15. 如申請專利範圍第9項所述之收益預測系統，其中該機率模型係為各購買者以該預訂定價之一轉購機率。
  16. 如申請專利範圍第9項所述之收益預測系統，其中各該定價路徑之該些特徵階層包括品牌、功能、定位。
  17. 一種圖案化使用者介面，包括： 一定價樹顯示視窗，用以顯示一定價樹，該定價樹係依據一目標產品於複數個特徵階層、一定價階層及一訂單階層之內容所取得，該定價階層包括複數個定價節點（pricing node），該訂單階層包括複數筆目標歷史訂單，各該目標歷史訂單記錄一購買者、一購買數量及一折扣； 一歸納按鈕，用以供一使用者點選後輸入一歸納指令，以依據該訂單階層之該些目標歷史訂單，歸納該些定價節點； 一模擬歷史訂單增加按鈕，用以供該使用者點選後產生複數個近似產品之複數個定價路徑（path），各該定價路徑包括該些特徵階層、該定價階層及該訂單階層，並且至少依據各該定價路徑與該定價樹之一相關性，獲得複數筆模擬歷史訂單； 一預定定價輸入視窗，用以供該使用者輸入一預訂定價；以及 一總收益顯示視窗，用以顯示該預訂定價之一總收益，該總收益係依據該些目標歷史訂單及該些模擬歷史訂單，以一機率模型所分析出。
  18. 如申請專利範圍第17項所述之圖案化使用者介面，其中在該歸納按鈕被點選後，若該些定價節點之其中一的訂單數量低於一門檻值，則進行合併。
  19. 如申請專利範圍第17項所述之圖案化使用者介面，其中在該定價路徑顯示視窗中，該些定價路徑之該些特徵階層的排列不完全相同。
  20. 如申請專利範圍第17項所述之圖案化使用者介面，其中在該定價路徑顯示視窗中，各該定價路徑之該些特徵階層的內容與該目標產品之該些特徵階層的內容不完全相同。
  21. 如申請專利範圍第17項所述之圖案化使用者介面，其中在該定價路徑顯示視窗中，各該定價路徑之該些特徵階層包括品牌、功能、定位。
TW108145944A 2019-12-16 2019-12-16 收益預測方法、收益預測系統及圖案化使用者介面 TWI718809B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW108145944A TWI718809B (zh) 2019-12-16 2019-12-16 收益預測方法、收益預測系統及圖案化使用者介面
CN201911388074.6A CN112990955B (zh) 2019-12-16 2019-12-27 收益预测方法、收益预测系统及图案化用户接口

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108145944A TWI718809B (zh) 2019-12-16 2019-12-16 收益預測方法、收益預測系統及圖案化使用者介面

Publications (2)

Publication Number Publication Date
TWI718809B true TWI718809B (zh) 2021-02-11
TW202125346A TW202125346A (zh) 2021-07-01

Family

ID=75745746

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108145944A TWI718809B (zh) 2019-12-16 2019-12-16 收益預測方法、收益預測系統及圖案化使用者介面

Country Status (2)

Country Link
CN (1) CN112990955B (zh)
TW (1) TWI718809B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7133848B2 (en) * 2000-05-19 2006-11-07 Manugistics Inc. Dynamic pricing system
CN108389073A (zh) * 2018-01-29 2018-08-10 北京三快在线科技有限公司 商品售价的自动计算方法及系统、电子设备及存储介质
CN108629062A (zh) * 2017-03-24 2018-10-09 日本电气株式会社 用于定价优化的方法、装置和系统
CN109191205A (zh) * 2018-09-03 2019-01-11 平安科技（深圳）有限公司 一种基于预测模型的定价计算方法及终端设备
TW201905802A (zh) * 2017-06-05 2019-02-01 大陸商北京嘀嘀無限科技發展有限公司 使用機器學習技術來估價的系統和方法
CN109493137A (zh) * 2018-11-06 2019-03-19 东北大学 一种工业供应链中基于深度学习的成交定价推荐方法
US20190102838A1 (en) * 2017-10-02 2019-04-04 Imperative Execution Inc Systems and methods for optimizing trade execution
CN110264272A (zh) * 2019-06-21 2019-09-20 山东师范大学 一种移动互联网劳务众包平台任务最优定价预测方法、装置及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10496938B2 (en) * 2000-12-20 2019-12-03 Acoustic, L.P. Generating product decisions
US7379890B2 (en) * 2003-10-17 2008-05-27 Makor Issues And Rights Ltd. System and method for profit maximization in retail industry
CN102156932A (zh) * 2010-02-11 2011-08-17 阿里巴巴集团控股有限公司 一种客户再次购买意向预测方法及装置
US20150154619A1 (en) * 2013-12-02 2015-06-04 Caterpillar Inc. Systems and Methods for Forecasting
US20160092898A1 (en) * 2014-09-30 2016-03-31 Mengjiao Wang Intelligent pricing
CN109087146A (zh) * 2018-08-15 2018-12-25 深圳快购科技有限公司 影院票房收入的预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7133848B2 (en) * 2000-05-19 2006-11-07 Manugistics Inc. Dynamic pricing system
CN108629062A (zh) * 2017-03-24 2018-10-09 日本电气株式会社 用于定价优化的方法、装置和系统
TW201905802A (zh) * 2017-06-05 2019-02-01 大陸商北京嘀嘀無限科技發展有限公司 使用機器學習技術來估價的系統和方法
US20190102838A1 (en) * 2017-10-02 2019-04-04 Imperative Execution Inc Systems and methods for optimizing trade execution
CN108389073A (zh) * 2018-01-29 2018-08-10 北京三快在线科技有限公司 商品售价的自动计算方法及系统、电子设备及存储介质
CN109191205A (zh) * 2018-09-03 2019-01-11 平安科技（深圳）有限公司 一种基于预测模型的定价计算方法及终端设备
CN109493137A (zh) * 2018-11-06 2019-03-19 东北大学 一种工业供应链中基于深度学习的成交定价推荐方法
CN110264272A (zh) * 2019-06-21 2019-09-20 山东师范大学 一种移动互联网劳务众包平台任务最优定价预测方法、装置及系统

Also Published As

Publication number Publication date
TW202125346A (zh) 2021-07-01
CN112990955A (zh) 2021-06-18
CN112990955B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Kim et al. The probit choice model under sequential search with an application to online retailing
Reinschmidt et al. Business intelligence certification guide
US8468045B2 (en) Automated specification, estimation, discovery of causal drivers and market response elasticities or lift factors
US10181138B2 (en) System and method for determining retail-business-rule coefficients from current prices
CN110322300B (zh) 数据处理方法及装置、电子设备、存储介质
US20110106723A1 (en) Computer-Implemented Systems And Methods For Scenario Analysis
Xue et al. Pricing personalized bundles: A new approach and an empirical study
WO2020221022A1 (zh) 业务对象推荐方法
US20120330807A1 (en) Systems and methods for consumer price index determination using panel-based and point-of-sale market research data
CN111815351B (zh) 一种基于协同过滤与关联规则的服装推荐方法
US20210224351A1 (en) Method and system for optimizing an objective having discrete constraints
CN111768243A (zh) 销量预测方法、预测模型构建方法、装置、设备及介质
WO2016144540A1 (en) Visualizing performance, performing advanced analytics, and invoking actions with respect to a financial institution
CN112579876A (zh) 基于用户兴趣的信息推送方法、装置、系统及存储介质
Cahyo et al. Analysis and design of sales information system on web-based e-commerce in yoga farm catfish breeding business using uml
US7533095B2 (en) Data mining within a message handling system
CN112348590A (zh) 一种物品价值确定方法、装置、电子设备和存储介质
TWI718809B (zh) 收益預測方法、收益預測系統及圖案化使用者介面
US20210182744A1 (en) Revenue forecasting method, revenue forecasting system and graphical user interface
Lin et al. Mining inter-organizational retailing knowledge for an alliance formed by competitive firms
US8374904B2 (en) Market forecasting
US20150081424A1 (en) Item bundle determination using transaction data
Caro et al. The value of online interactions for store execution
CN113077292B (zh) 一种用户分类方法、装置、存储介质及电子设备
Cho et al. Robust demand estimation with customer choice-based models for sales transaction data