TWI755035B - 大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統 - Google Patents
大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統 Download PDFInfo
- Publication number
- TWI755035B TWI755035B TW109128305A TW109128305A TWI755035B TW I755035 B TWI755035 B TW I755035B TW 109128305 A TW109128305 A TW 109128305A TW 109128305 A TW109128305 A TW 109128305A TW I755035 B TWI755035 B TW I755035B
- Authority
- TW
- Taiwan
- Prior art keywords
- product
- group
- sales
- products
- value model
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明提供一種大數據產品價值模型與產品活躍度指標之產品消費型態分析方法,包含資料前處理步驟、分析步驟以及進貨策略生成步驟。資料前處理步驟將銷售數據轉換為產品交易資料。分析步驟包含產品價值模型分析步驟、關聯性分析步驟及產品活躍度分析步驟。產品價值模型分析步驟計算出各產品之產品價值總分,然後將產品分為複數群體,並分析出產品性質。關聯性分析步驟分析出店家之產品關聯性。產品活躍度分析步驟分析出各產品之產品活躍度指標。進貨策略生成步驟生成進貨策略。藉此,精確的評估進貨量並提升產品銷售機率。
Description
本發明是關於一種產品消費型態分析方法及其系統,特別是關於一種大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統。
店家為了提升營業額,會藉由統計店家的銷售紀錄,了解顧客的購物取向並調整店家的銷售策略,然而,除了提升店家的銷售金額,降低店家的支出成本也是提升營業額的途徑之一。
有鑒於此,對店家的產品銷售情形進行統計及分析,自繁雜的資料中挖掘可進行統計及分析的資料,減少庫存商品的屯積,建構一種產品消費型態分析方法及其系統,遂成相關業者共同努力的目標。
因此,本發明之目的在於提供一種大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統,透過分析步驟及進貨策略生成步驟分析出產品性質、暢銷群體、滯銷群體及產品關聯性,並提出進貨策略。
依據本發明的方法態樣之一實施方式提供一種大數據產品價值模型與產品活躍度指標之產品消費型態分析方法,用以預測店家之複數產品之進貨策略。大數據產品價值模型與產品活躍度指標之產品消費型態分析方法包含資料前處理步驟、分析步驟以及進貨策略生成步驟。資料前處理步驟係將店家之銷售數據轉換為複數產品交易資料。分析步驟包含產品價值模型分析步驟、關聯性分析步驟及產品活躍度分析步驟。產品價值模型分析步驟依據產品價值模型從產品交易資料計算出各產品之產品價值總分,然後依據產品價值總分將產品分為複數群體,並自產品之產品價值總分分析出各產品之產品性質。關聯性分析步驟依據關聯性法則從產品交易資料分析出店家之產品關聯性。產品活躍度分析步驟將各產品交易資料轉換為平均銷售間隔天數及加權平均銷售間隔天數,並依據產品活躍度計算規則從平均銷售間隔天數及加權平均銷售間隔天數分析出各產品之產品活躍度指標。進貨策略生成步驟依據產品性質、群體、產品關聯性及產品活躍度指標生成進貨策略。
藉此,本發明之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法可分析店家之產品消費型態,自繁雜的資料中挖掘可進行統計及分析的資料,並減少庫存商品的屯積。
前述實施方式之其他實施例如下:前述產品活躍度指標包含漸趨活躍型、穩定型及漸趨衰退型。
前述實施方式之其他實施例如下:前述產品價值模型分析步驟包含產品價值計算子步驟、第一分群子步驟及第二分群子步驟。產品價值計算子步驟依據產品交易資料計算出各產品之產品價值總分,並分析出各產品之產品性質。第一分群子步驟,係依據產品價值總分將產品分為暢銷群體及滯銷群體。第二分群子步驟依據產品價值總分將產品分為第一群體、第二群體、第三群體及第四群體。群體包含暢銷群體、滯銷群體、第一群體、第二群體、第三群體及第四群體。
前述實施方式之其他實施例如下:前述產品價值模型分析步驟更包含分類預測子步驟,分類預測子步驟依據產品之產品價值總分歸納出暢銷群體及滯銷群體之複數分類條件。
依據本發明的結構態樣之一實施方式提供一種大數據產品價值模型與產品活躍度指標之產品消費型態分析系統,用以預測店家之複數產品之進貨策略,大數據產品價值模型與產品活躍度指標之產品消費型態分析系統包含資料庫以及處理器。資料庫包含店家之複數銷售數據。處理器訊號連接資料庫。處理器包含資料前處理模組、分析模組及進貨策略生成模組。資料前處理模組接收資料庫之銷售數據,並將銷售數據轉換為複數產品交易資料。分析模組包含產品價值模型分析模組、關聯性分析模組及產品活躍度分析模組。產品價值模型分析模組依據產品價值模型從產品交易資料計算出各產品之產品價值總分,然後依據產品價值總分將產品分為複數群體,並自產品之產品價值總分分析出各產品之產品性質。關聯性分析模組依據關聯性法則分析出店家之產品關聯性。產品活躍度分析模組將各產品交易資料轉換為平均銷售間隔天數及加權平均銷售間隔天數,並依據產品活躍度計算規則從平均銷售間隔天數及加權平均銷售間隔天數分析出各產品之產品活躍度指標。進貨策略生成模組訊號連接分析模組,並依據產品性質、群體、產品關聯性及產品活躍度指標生成進貨策略。
藉此,本發明之大數據產品價值模型與產品活躍度指標之產品消費型態分析系統可分析店家之產品消費型態,自繁雜的資料中挖掘可進行統計及分析的資料,並減少庫存商品的屯積。
前述實施方式之其他實施例如下:前述產品活躍度指標包含漸趨活躍型、穩定型及漸趨衰退型。
前述實施方式之其他實施例如下:前述產品價值模型分析模組包含產品價值計算子模組、第一分群子模組及第二分群子模組。產品價值計算子模組依據產品交易資料計算出各產品之產品價值總分,並分析出各產品之產品性質。第一分群子模組訊號連接產品價值計算子模組,並依據產品價值總分將產品分為暢銷群體及滯銷群體。第二分群子模組訊號連接產品價值計算子模組,並依據產品價值總分將產品分為第一群體、第二群體、第三群體及第四群體。群體包含暢銷群體、滯銷群體、第一群體、第二群體、第三群體及第四群體。
前述實施方式之其他實施例如下:前述產品價值模型分析模組更包含分類預測子模組,訊號連接第一分群子模組,並依據產品之產品價值總分歸納出暢銷群體及滯銷群體之複數分類條件。
請參照第1圖,第1圖係繪示本發明第一實施例之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法100的流程示意圖。大數據產品價值模型與產品活躍度指標之產品消費型態分析方法100用以預測店家之複數產品之進貨策略,並包含資料前處理步驟S120、分析步驟S140以及進貨策略生成步驟S160。
資料前處理步驟S120係將店家之銷售數據轉換為產品交易資料。詳細地說,產品交易資料包含最近銷售日期、銷售產品項目、銷售數量及銷售金額。
分析步驟S140用以分析產品交易資料且包含產品價值模型分析步驟S142、關聯性分析步驟S144及產品活躍度分析步驟S146。
產品價值模型分析步驟S142依據產品價值模型從產品交易資料計算出各產品之產品價值總分,然後依據產品價值總分將產品分為複數群體,並自產品之產品價值總分分析出各產品之產品性質。
關聯性分析步驟S144依據關聯性法則從產品交易資料分析出店家之產品關聯性。關聯性法則用以計算各產品之間共同銷售的機率,關聯性法則之計算結果如表1所示。支援度為後項及前項同時銷售的機率;信賴度為在銷售前項的情況下,銷售後項的機率;提昇率為比較信賴度與後項單獨銷售之機率。由表1可知,產品A與產品F共同銷售的機率最高;在產品B及產品C售出的情況下,產品A亦售出的機率最高;搭配銷售產品A、產品B及產品C可得到之銷量提昇效果最為顯著。
表1
後項 | 前項 | 支援度 | 信賴度 | 提昇率 |
產品A | 產品B,產品C | 1.493 | 100 | 1.608 |
產品A | 產品D,產品E | 1.99 | 75 | 1.206 |
產品A | 產品F | 4.975 | 70 | 1.126 |
產品活躍度分析步驟S146將各產品交易資料轉換為平均銷售間隔天數及加權平均銷售間隔天數,並依據產品活躍度計算規則從平均銷售間隔天數及加權平均銷售間隔天數分析出各產品之產品活躍度指標。產品活躍度計算規則符合下式(1):
100% (1);
其中PAI為產品活躍度指標,μ
ADS為平均銷售間隔天數,μ
WADS為加權平均銷售間隔天數。詳細地說,平均銷售間隔天數μ
ADS為一產品每兩次銷售日之時間差之平均值,加權平均銷售間隔天數μ
WADS為一產品每兩次銷售日之時間差與一加權值相乘之平均值,加權值之數值隨銷售日之早晚不同。當銷售日越晚,則加權值越高,以表2為例,產品活躍度指標PAI之計算規則如下式(2)、(3)、(4)所示:
μ
ADS=(342+141+28+63+87+30)/6=115 (2);
μ
WADS=(342×1+141×2+28×3+63×4+87×5+30×6)/(1+2+3+4+5+6)=75 (3);
PAI=(115-75)/115×100%=34.78% (4)。
表2
銷售日 | 3/9 | 7/28 | 8/25 | 10/27 | 1/22 | 2/21 |
間隔天數 | 342 | 141 | 28 | 63 | 87 | 30 |
權重 | 1 | 2 | 3 | 4 | 5 | 6 |
請參照第2圖至第4圖,第2圖係繪示依照第一實施例之產品活躍度指標之漸趨活躍型之折線統計圖;第3圖係繪示依照第一實施例之產品活躍度指標之穩定型之折線統計圖;第4圖係繪示依照第一實施例之產品活躍度指標之漸趨衰退型之折線統計圖。產品活躍度指標包含漸趨活躍型、穩定型及漸趨衰退型。具體而言,當一產品之產品活躍度指標PAI大於零,產品為漸趨活躍型,其累積交易次數增加,而交易間隔天數減少,代表產品銷售速度愈來愈快、愈來愈多;當一產品之產品活躍度指標PAI趨近於零,產品為穩定型,其累積交易次數增加,而交易間隔天數穩定,代表未來可能持續性的售出;當一產品之產品活躍度指標PAI小於零,產品為漸趨衰退型,其產品的累積交易次數增加,而交易間隔天數增加,代表此產品售出速度愈來愈慢,未來滯銷之可能性較高。
進貨策略生成步驟S160依據產品性質、群體、產品關聯性及產品活躍度指標生成進貨策略。藉此,本發明之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法100自繁雜的資料中挖掘可進行統計及分析的資料,並透過產品活躍度分析步驟S146預測未來之產品消費型態及產品銷售趨勢,並減少庫存商品的屯積。
請參照第5圖,第5圖係繪示本發明第二實施例之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法200的流程示意圖。大數據產品價值模型與產品活躍度指標之產品消費型態分析方法200包含資料前處理步驟S220、分析步驟S240及進貨策略生成步驟S260,其中分析步驟S240包含產品價值模型分析步驟S242、關聯性分析步驟S244、產品活躍度分析步驟S246。產品價值模型分析步驟S242包含產品價值計算子步驟S242a、第一分群子步驟S242b、第二分群子步驟S242c。在本發明之第二實施例中,資料前處理步驟S220、分析步驟S240、關聯性分析步驟S244、產品活躍度分析步驟S246及進貨策略生成步驟S260與第1圖之資料前處理步驟S120、分析步驟S140、關聯性分析步驟S144、產品活躍度分析步驟S146及進貨策略生成步驟S160的作動相同,不再贅述。
請配合參照表3、表4、表5及表6。產品價值模型分析步驟S242包含產品價值計算子步驟S242a、第一分群子步驟S242b及第二分群子步驟S242c。產品價值計算子步驟S242a依據產品交易資料計算出各產品之產品價值總分,並分析出各產品之產品性質。具體而言,產品價值計算子步驟S242a依據產品交易資料統計各產品之最近銷售日、銷售次數及銷售金額,並將各產品之最近銷售日、銷售頻率及銷售金額分別轉換為日期指標R、頻率指標F及金額指標M。W
R為時間權重,W
F為頻率權重,W
M為金額權重。顧客價值總分為時間權重W
R與時間指標R相乘之第一數值(R*W
R)、頻率權重W
F與頻率指標F相乘之第二數值(F*W
F)及金額權重W
M與金額指標M相乘之第三數值(M*W
M)的總和。在本實施例中,W
R為2、W
F為5、W
M為10,但本發明不以此為限。產品性質包含滯銷產品及暢銷產品,產品價值總分為界定產品性質之依據。由表6可知,產品A及產品B之產品價值總分較高,為熱銷產品,產品C及產品D之產品價值總分較低,為滯銷產品。
表3
表4
表5
表6
最近銷售日(x) | 日期指標(R) |
141天≤x≤243天 | 1 |
38天≤x≤141天 | 2 |
25天≤x≤38天 | 3 |
11天≤x≤25天 | 4 |
1天≤x≤11天 | 5 |
銷售次數(y) | 頻率指標(F) |
1次≤y≤2次 | 1 |
2次≤y≤3次 | 2 |
3次≤y≤4次 | 3 |
4次≤y≤8次 | 4 |
8次≤y≤125次 | 5 |
銷售金額(z) | 金額指標(M) |
200≤z≤3800 | 1 |
3800≤z≤7200 | 2 |
7200≤z≤14000 | 3 |
14000≤z≤30000 | 4 |
30000≤z≤432000 | 5 |
產品 | R | F | M | R*W R | F*W F | M*W M | 產品價值總分 |
A | 5 | 5 | 5 | 10 | 25 | 50 | 85 |
B | 4 | 5 | 5 | 8 | 25 | 50 | 83 |
C | 1 | 2 | 1 | 2 | 10 | 10 | 22 |
D | 2 | 1 | 2 | 4 | 5 | 20 | 29 |
第一分群子步驟S242b,係依據產品價值總分將產品分為暢銷群體及滯銷群體。詳細地說,第一分群子步驟S242b利用K-means集群分析依據複數產品之產品價值總分將複數產品分為暢銷群體及滯銷群體。
第二分群子步驟S242c依據產品價值總分將產品分為第一群體、第二群體、第三群體及第四群體。群體包含暢銷群體、滯銷群體、第一群體、第二群體、第三群體及第四群體。具體而言,第二分群子步驟S242c利用K-means集群分析依據複數產品之產品價值總分將複數產品分為第一群體、第二群體、第三群體及第四群體,並歸納出各群體中之共同特性,各群體之共同特性如表7所示。
表7
群體 | 共同特性 |
第一群體 | 日期指標R、頻率指標F及金額指標M皆小 |
第二群體 | 日期指標R、金額指標M皆大,頻率指標F小 |
第三群體 | 頻率指標F、金額指標M皆大,日期指標R小 |
第四群體 | 日期指標R、頻率指標F及金額指標M皆大 |
產品價值模型分析步驟S242更包含分類預測子步驟S242d,分類預測子步驟S242d依據產品之產品價值總分歸納出暢銷群體及滯銷群體之分類條件。詳細地說,分類預測子步驟S242d利用CART分類分析對暢銷群體及滯銷群體之產品價值總分進行推導,進而得出暢銷群體及滯銷群體之分類條件,暢銷群體及滯銷群體之分類條件可如表8所示。當產品之日期指標R、頻率指標F、金額指標M符合分類條件時,可直接預測產品為暢銷群體或滯銷群體。
表8
分類條件 | |
當F≤2&M≥3、4 | 滯銷群體 |
當F≥3&M≥3&F=5 | 暢銷群體 |
當F≤2&M≥1、2&F=1 | 滯銷群體 |
當F≥3&M=2&F=4 | 暢銷群體 |
藉此,本發明之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法200可藉由產品之日期指標R、頻率指標F、金額指標M預測產品為暢銷群體或滯銷群體。
請參照第5圖及第6圖,其中第6圖係繪示本發明第三實施例之大數據產品價值模型與產品活躍度指標之產品消費型態分析系統300的方塊示意圖。大數據產品價值模型與產品活躍度指標之產品消費型態分析系統300用以預測店家之產品之進貨策略,並包含資料庫31以及處理器32。資料庫31包含店家之銷售數據。
處理器32訊號連接資料庫31。處理器32包含資料前處理模組320、分析模組340及進貨策略生成模組360。具體而言,資料庫31及處理器32可為行動裝置或雲端裝置的元件,資料庫31可為記憶體,處理器32可為中央處理器(Central Processing Unit;CPU),但本發明不以此為限。
資料前處理模組320用以執行資料前處理步驟S220,並接收資料庫31之銷售數據,將銷售數據轉換為產品交易資料。
分析模組340包含產品價值模型分析模組342、關聯性分析模組344及產品活躍度分析模組346。分析模組340用以執行分析步驟S240。產品價值模型分析模組342用以執行產品價值模型分析步驟S242,並依據產品價值模型從產品交易資料計算出各產品之產品價值總分,然後依據產品價值總分將產品分為複數群體,並自產品之產品價值總分分析出各產品之產品性質。
產品價值模型分析模組342包含產品價值計算子模組342a、第一分群子模組342b及第二分群子模組342c。產品價值計算子模組342a用以執行產品價值計算子步驟S242a,並依據產品交易資料計算出各產品之產品價值總分,並分析出各產品之產品性質。第一分群子模組342b訊號連接產品價值計算子模組342a,並用以執行第一分群子步驟S242b,第一分群子模組342b依據產品價值總分將產品分為暢銷群體及滯銷群體。第二分群子模組342c訊號連接產品價值計算子模組342a,並用以執行第二分群子步驟S242c,依據產品價值總分將產品分為第一群體、第二群體、第三群體及第四群體。群體包含暢銷群體、滯銷群體、第一群體、第二群體、第三群體及第四群體。
產品價值模型分析模組342更包含分類預測子模組342d。分類預測子模組342d訊號連接第一分群子模組342b,並用以執行分類預測子步驟S242d,分類預測子模組342d依據產品之產品價值總分歸納出暢銷群體及滯銷群體之分類條件。
關聯性分析模組344訊號連接資料處理模組,並用以執行關聯性分析步驟S244,關聯性分析模組344依據關聯性法則分析出店家之產品關聯性。
產品活躍度分析模組346訊號連接資料處理模組,並用以執行產品活躍度分析步驟S246。產品活躍度分析模組346將各產品交易資料轉換為平均銷售間隔天數及加權平均銷售間隔天數,並依據產品活躍度計算規則從平均銷售間隔天數及加權平均銷售間隔天數分析出各產品之產品活躍度指標。
進貨策略生成模組360訊號連接分析模組340,並用以執行進貨策略生成步驟S260,進貨策略生成模組360依據產品性質、群體、產品關聯性及產品活躍度指標生成進貨策略。
藉此,本發明的大數據產品價值模型與產品活躍度指標之產品消費型態分析系統300透過進貨策略生成模組360針對不同產品之產品性質、群體、產品關聯性及產品活躍度指標制定不同之進貨策略。
由上述實施方式可知,本發明具有下列優點:其一,自繁雜的資料中挖掘可進行統計及分析的資料,並透過產品活躍度分析步驟預測未來之產品消費型態及產品銷售趨勢,並減少庫存商品的屯積;其二,藉由產品之日期指標、頻率指標、金額指標預測產品為暢銷群體或滯銷群體;其三,透過進貨策略生成模組針對不同產品之產品性質、群體、產品關聯性及產品活躍度指標制定不同之進貨策略。
雖然本發明已以實施方式揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100,200:大數據產品價值模型與產品活躍度指標之產品消費型態分析方法
S120,S220:資料前處理步驟
S140,S240:分析步驟
S160,S260:進貨策略生成步驟
S142,S242:產品價值模型分析步驟
S242a:產品價值計算子步驟
S242b:第一分群子步驟
S242c:第二分群子步驟
S242d:分類預測子步驟
S144,S244:關聯性分析步驟
S146,S246:產品活躍度分析步驟
300:大數據產品價值模型與產品活躍度指標之產品消費型態分析系統
31:資料庫
32:處理器
320:資料前處理模組
340:分析模組
342:產品價值模型分析模組
342a:產品價值計算子模組
342b:第一分群子模組
342c:第二分群子模組
342d:分類預測子模組
344:關聯性分析模組
346:產品活躍度分析模組
360:進貨策略生成模組
第1圖係繪示本發明第一實施例之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法的流程示意圖;
第2圖係繪示依照第一實施例之產品活躍度指標之漸趨活躍型之折線統計圖;
第3圖係繪示依照第一實施例之產品活躍度指標之穩定型之折線統計圖;
第4圖係繪示依照第一實施例之產品活躍度指標之漸趨衰退型之折線統計圖;
第5圖係繪示本發明第二實施例之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法的流程示意圖;以及
第6圖係繪示本發明第三實施例之大數據產品價值模型與產品活躍度指標之產品消費型態分析系統的方塊示意圖。
100:大數據產品價值模型與產品活躍度指標之產品消費型態分析方法
S120:資料前處理步驟
S140:分析步驟
S142:產品價值模型分析步驟
S144:關聯性分析步驟
S146:產品活躍度分析步驟
S160:進貨策略生成步驟
Claims (8)
- 一種大數據產品價值模型與產品活躍度指標之產品消費型態分析方法,用以預測一店家之複數產品之一進貨策略,該大數據產品價值模型與產品活躍度指標之產品消費型態分析方法包含:一資料前處理步驟,係將該店家之一銷售數據轉換為複數產品交易資料;一分析步驟,包含:一產品價值模型分析步驟,係依據一產品價值模型從該些產品交易資料計算出各該產品之一產品價值總分,然後依據該些產品價值總分將該些產品分為複數群體,並自該些產品之該些產品價值總分分析出各該產品之一產品性質,該產品價值模型分析步驟包含:一產品價值計算子步驟,係依據該些產品交易資料計算出各該產品之該產品價值總分,並分析出各該產品之該產品性質;一第一分群子步驟,係依據該些產品價值總分將該些產品分為一暢銷群體及一滯銷群體;及一第二分群子步驟,係依據該些產品價值總分將該些產品分為一第一群體、一第二群體、一第三群體及一第四群體;一關聯性分析步驟,係依據一關聯性法則從該些產品交易資料分析出該店家之一產品關聯性;及一產品活躍度分析步驟,係將各該產品交易資料轉換 為一平均銷售間隔天數及一加權平均銷售間隔天數,並依據一產品活躍度計算規則從該平均銷售間隔天數及該加權平均銷售間隔天數分析出各該產品之一產品活躍度指標;以及一進貨策略生成步驟,係依據該些產品性質、該些群體、該產品關聯性及該些產品活躍度指標生成該進貨策略;其中,該些群體包含該暢銷群體、該滯銷群體、該第一群體、該第二群體、該第三群體及該第四群體。
- 如請求項1所述之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法,其中該產品活躍度指標包含一漸趨活躍型、一穩定型及一漸趨衰退型。
- 如請求項1所述之大數據產品價值模型與產品活躍度指標之產品消費型態分析方法,其中該產品價值模型分析步驟更包含:一分類預測子步驟,係依據該些產品之該些產品價值總 分歸納出該暢銷群體及該滯銷群體之複數分類條件。
- 一種大數據產品價值模型與產品活躍度指標之產品消費型態分析系統,用以預測一店家之複數產品之一進貨策略,該大數據產品價值模型與產品活躍度指標之產品消費型態分析系統包含:一資料庫,包含該店家之複數銷售數據;以及一處理器,訊號連接該資料庫,該處理器包含;一資料前處理模組,接收該資料庫之該些銷售數據,並將該些銷售數據轉換為複數產品交易資料;一分析模組,包含:一產品價值模型分析模組,依據一產品價值模型從該些產品交易資料計算出各該產品之一產品價值總分,然後依據該些產品價值總分將該些產品分為複數群體,並自該些產品之該些產品價值總分分析出各該產品之一產品性質,該產品價值模型分析模組包含:一產品價值計算子模組,依據該些產品交易資料計算出各該產品之該產品價值總分,並分析出各該產品之該產品性質;一第一分群子模組,訊號連接該產品價值計算子模組,並依據該些產品價值總分將該些產品分為一暢銷群體及一滯銷群體;及一第二分群子模組,訊號連接該產品價值計算子模組,並依據該些產品價值總分將該些產品分為一 第一群體、一第二群體、一第三群體及一第四群體;一關聯性分析模組,係依據一關聯性法則分析出該店家之一產品關聯性;及一產品活躍度分析模組,係將各該產品交易資料轉換為一平均銷售間隔天數及一加權平均銷售間隔天數,並依據一產品活躍度計算規則從該平均銷售間隔天數及該加權平均銷售間隔天數分析出各該產品之一產品活躍度指標;及一進貨策略生成模組,訊號連接分析模組,並依據該些產品性質、該些群體、該產品關聯性及該些產品活躍度指標生成該進貨策略;其中,該些群體包含該暢銷群體、該滯銷群體、該第一群體、該第二群體、該第三群體及該第四群體。
- 如請求項5所述之大數據產品價值模型與產品活躍度指標之產品消費型態分析系統,其中該產品活躍度指標包含一漸趨活躍型、一穩定型及一漸趨衰退型。
- 如請求項5所述之大數據產品價值模型與產品活躍度指標之產品消費型態分析系統,其中該產品價值模型分析模組更包含:一分類預測子模組,訊號連接該第一分群子模組,並依據該些產品之該些產品價值總分歸納出該暢銷群體及該滯銷群體之複數分類條件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128305A TWI755035B (zh) | 2020-08-19 | 2020-08-19 | 大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128305A TWI755035B (zh) | 2020-08-19 | 2020-08-19 | 大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI755035B true TWI755035B (zh) | 2022-02-11 |
TW202209214A TW202209214A (zh) | 2022-03-01 |
Family
ID=81329489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109128305A TWI755035B (zh) | 2020-08-19 | 2020-08-19 | 大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI755035B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170235848A1 (en) * | 2012-08-29 | 2017-08-17 | Dennis Van Dusen | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN107515898A (zh) * | 2017-07-22 | 2017-12-26 | 复旦大学 | 基于数据多样性和任务多样性的轮胎企业销售预测方法 |
US20190087529A1 (en) * | 2014-03-24 | 2019-03-21 | Imagars Llc | Decisions with Big Data |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
-
2020
- 2020-08-19 TW TW109128305A patent/TWI755035B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170235848A1 (en) * | 2012-08-29 | 2017-08-17 | Dennis Van Dusen | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
US20190087529A1 (en) * | 2014-03-24 | 2019-03-21 | Imagars Llc | Decisions with Big Data |
CN107515898A (zh) * | 2017-07-22 | 2017-12-26 | 复旦大学 | 基于数据多样性和任务多样性的轮胎企业销售预测方法 |
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202209214A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdulhafedh | Incorporating k-means, hierarchical clustering and pca in customer segmentation | |
US20140067476A1 (en) | Marketing device, marketing method, program and recording medium | |
US20090276289A1 (en) | System and Method for Predicting Likelihood of Customer Attrition and Retention Measures | |
US20100010870A1 (en) | System and Method for Tuning Demand Coefficients | |
CN109064293B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
US20150112762A1 (en) | Optimization of product assortments | |
US11455663B2 (en) | System and method for rendering advertisements using lookalike model | |
CN110880061A (zh) | 商品到手价格的风险监管方法及系统 | |
CN111178708A (zh) | 目标评分方法和装置、计算机可读存储介质、电子设备 | |
CN111612560A (zh) | 用于促销对象的推荐方法、系统、存储介质及电子设备 | |
TWI755035B (zh) | 大數據產品價值模型與產品活躍度指標之產品消費型態分析方法及其系統 | |
US20210216943A1 (en) | Salesperson evaluation system, salesperson evaluation apparatus, salesperson evaluation method, and salesperson evaluation program | |
WO2019221844A1 (en) | Item-specific value optimization tool | |
WO2014107517A1 (en) | Priority-weighted quota cell selection to match a panelist to a market research project | |
Fati | Machine learning-based prediction model for loan status approval | |
KR20240029504A (ko) | 금융 서비스를 위한 데이터 이코노미 설정 방법 및 이러한 방법을 수행하는 장치 | |
KR102522219B1 (ko) | 데이터 이코노미에서 금융 데이터 가치 측정 방법 및 이러한 방법을 수행하는 장치 | |
Enza Wella et al. | Service quality dealer identification: the optimization of K-Means clustering | |
KR102531633B1 (ko) | 기술 자산 기여도를 이용한 제약 산업 기술자산평가 시스템 및 방법 | |
TWM624520U (zh) | 運用人工智慧分析的產品價值預測系統 | |
TWM608416U (zh) | 運用大數據分析與顧客活躍度指標所建立的顧客價值模型系統 | |
JP6287280B2 (ja) | 情報処理方法、プログラム、及び情報処理装置 | |
KR20210150773A (ko) | 입찰 담합 감지 장치 및 방법 | |
CN113095914A (zh) | 一种电子商务平台订单管理方法、系统、设备和计算机存储介质 | |
Godinho et al. | An application of data mining methods to the analysis of bank customer profitability and buying behavior |