TWI774154B - 具有動態自動調適之產品包裝系統、方法及電腦可讀媒介 - Google Patents

Abstract

本發明提供一種具有動態自動調適之產品包裝系統及其方法，該產品包裝系統係包括產品分類預測模型建立模組、產品受理模組、產品建立模組、產品包裝模組及產品分類模組，其中，該產品受理模組受理並解析產品訂單，再由產品建立模組依據產品受理模組之產品訂單的解析結果建立產品架構，以使產品包裝模組產生可銷售產品。接著，該產品分類模組利用產品分類預測模型建立模組之分類預測模型將可銷售產品進行分類。藉此，本發明能提供電信業者快速產出可銷售產品，且自動將該可銷售產品進行分類，以降低業者於產品管理上的複雜度及錯誤率，並提高推出產品之效率。本發明復提供一種電腦可讀媒介，係用於執行具有動態自動調適之產品包裝方法。

Description

具有動態自動調適之產品包裝系統、方法及電腦可讀媒介

本發明係有關於產品包裝技術，尤其指一種具有動態自動調適之產品包裝系統、方法及電腦可讀媒介。

於現有技術中，傳統的電信產品種類繁多且複雜，並未有統一的規格，使電信業者無法有效且快速的管理該些電信產品。

舉例而言，現有的電信產品及其規格種類多元，相關的優惠項目眾多，故電信業者難以準確地掌握各項電信產品，尤其在第五代行動通訊技術(5th generation mobile networks,5G)商用化後，關於5G的電信產品大量的推出，對於電信業者在電信產品管理上的難度更是提高。

再者，現有技術中，電信公司的電信產品不具備齊一化規格的各項資訊，當有需求時，電信業者往往無法快速取得所需電信產品的資訊。除了造成時間成本及人力資源的浪費，不能及時的應對當前快速變動的現代消費型態，且在繁瑣重複的操作過程中，也可能衍生潛在的人為犯錯風險，而產生錯誤。

因此，如何克服傳統的電信產品之動態調適包裝流程所面臨的難題，以使各項電信產品具有齊一化規格及統一的分類標準，且即時更新各項電信產品，進而提高電信產品的管理效率，已成為本領域技術人員目前的重要課題。

為解決上述問題，本發明提供一種具有動態自動調適之產品包裝系統，係包括：一產品受理模組，係接收一產品訂單，使該產品受理模組解析該產品訂單，以得到複數訂單產品之產品組成要素以及至少一產品組合規則，且該產品受理模組係用以進一步解析該產品組成要素之產品動作；一產品建立模組，係通訊連接該產品受理模組，以接收來自該產品受理模組之複數訂單產品之產品組成要素或該產品組合規則，且依據該產品組成要素形成一產品架構；一產品包裝模組，係通訊連接該產品建立模組，以依據來自該產品建立模組之產品架構或該產品組合規則將該複數訂單產品形成複數可銷售產品；以及一產品分類模組，係通訊連接該產品包裝模組，以利用一分類預測模型將該複數可銷售產品進行分類，而得到該複數可銷售產品之分類結果，俾使該產品分類模組將該複數可銷售產品之分類結果設定於對應的該複數可銷售產品中。

本發明亦提供一種具有動態自動調適之產品包裝方法，係包括：由產品受理模組接收一產品訂單，使該產品受理模組解析該產品訂單，以得到複數訂單產品之產品組成要素以及至少一產品組合規則，並由該產品受理模組進一步解析該產品組成要素之產品動作；由產品建立模組接收 來自該產品受理模組之複數訂單產品之產品組成要素或該產品組合規則，且依據該產品組成要素形成一產品架構；由產品包裝模組依據來自該產品建立模組之產品架構或該產品組合規則以將該複數訂單產品形成複數可銷售產品；以及由產品分類模組利用一分類預測模型將該複數可銷售產品進行分類，而得到該複數可銷售產品之分類結果，以由該產品分類模組將該複數可銷售產品之分類結果設定於對應的該複數可銷售產品中。

於一實施例中，復包括一產品分類預測模型建立模組，係通訊連接該產品分類模組，以提供該分類預測模型給該產品分類模組。

於一實施例中，該產品分類預測模型建立模組利用一目標產品資訊及鄰近該目標產品資訊之複數鄰近產品資訊，透過一神經網路系統進行該分類預測模型的訓練，俾產生該分類預測模型。

於一實施例中，該產品分類預測模型建立模組係先將該目標產品資訊及該複數鄰近產品資訊進行前處理，以將該目標產品資訊及該複數鄰近產品資訊轉化為具有相同長度的產品資訊之陣列，再透過該神經網路系統進行該分類預測模型的訓練。

於一實施例中，該產品分類預測模型建立模組利用反向傳遞(Backpropagation)進行往回追溯，以修正該分類預測模型，而該產品分類預測模型建立模組則利用交叉驗證(Fold cross validation)以測試該分類預測模型。

於一實施例中，該產品受理模組解析該產品組成要素之產品動作係為新增、異動、刪除或不改變該複數訂單產品之一者。

於一實施例中，該複數可銷售產品係為單一型產品、群組型產品或綑綁型產品，而該複數訂單產品係為單一型產品，其中，該產品包裝模組依據該產品架構將該複數訂單產品之至少一者直接產生為單一型產品的該複數可銷售產品之至少一者；該產品包裝模組依據該產品架構及該產品組合規則將該複數訂單產品組成為群組型產品的該複數可銷售產品之至少一者；以及該產品包裝模組依據該產品架構及該產品組合規則將該複數訂單產品、複數個群組型產品之可銷售產品、或是至少一訂單產品及至少一群組型產品之可銷售產品，以組成為綑綁型產品的該複數可銷售產品之至少一者。

本發明復提供一種電腦可讀媒介，應用於計算裝置或電腦中，係儲存有指令，以執行上述之具有動態自動調適之產品包裝方法。

由上可知，本發明將產品包裝成齊一化規格的產品，能完整的呈現產品之資訊，且於產品發生新增、異動或刪除時，能在產品之生命週期間中及時且適切呈現產品完整的資訊。再者，本發明利用分類預測模型自動將產品進行分類，能快速地統整數量龐大的產品。因此，相較於現有技術中，各類型大量的產品使電信業者無法快速取得其資訊以進行修改或分析等作業，進而讓電信業者浪費相當可觀的時間成本及人力資源，且容易產生錯誤，本發明能降低電信業者於產品管理上的複雜度及錯誤率，並同時提高產品產生的效率。

1:具有動態自動調適之產品包裝系統、產品包裝系統

11:產品分類預測模型建立模組

21:產品受理模組

22:產品建立模組

23:產品包裝模組

24:產品分類模組

S61至S64、S71至S77:步驟

圖1係為本發明之具有動態自動調適之產品包裝系統架構示意圖；

圖2係為本發明之神經網路系統構示意圖；

圖3係為本發明之產品的產品架構之示意圖；

圖4係為本發明之複數可銷售產品之示意圖；

圖5A係為本發明之產品分類預測模型建立模組進行前處理所產生產品之陣列之示意圖；

圖5B係為本發明之產品分類預測模型建立模組輸出產品型錄及產品種類之陣列之示意圖；

圖6係為本發明之產品分類預測模型建立模組的訓練分類預測模型方法之流程示意圖；以及

圖7係為本發明之產品動態調適包裝方法之流程示意圖。

以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。

須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋 之範圍內。同時，本說明書中所引用之如「一」、「第一」、「第二」、「上」及「下」等之用語，亦僅為便於敘述之明瞭，而非用以限定本發明可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當視為本發明可實施之範疇。

圖1係為本發明之具有動態自動調適之產品包裝系統架構示意圖。如圖1所示，該產品包裝系統1係包括：一產品分類預測模型建立模組11、一產品受理模組21、一產品建立模組22、一產品包裝模組23及一產品分類模組24。具體而言，該產品包裝系統1係建立於一伺服器(如通用型伺服器、檔案型伺服器、儲存單元型伺服器等)或其它適當演算機制之電子設備。舉例而言，使用者(如電信業者)可藉由一使用端設備(圖中未示)通訊連接(如利用網際網路(Internet)或各種無線、行動網路)該產品包裝系統1，以透過該使用端設備向該產品包裝系統1發出一產品訂單，進而由該產品包裝系統1產生可銷售產品。此外，上述每一模組均可為軟體、硬體或韌體；若為硬體，則可為具有資料處理與運算能力之處理單元、處理器、電腦或伺服器；若為軟體或韌體，則可包括處理單元、處理器、電腦或伺服器可執行之指令，且可安裝於同一硬體裝置或分布於不同的複數硬體裝置。

所述之產品分類預測模型建立模組11將該產品包裝系統1中之資料庫(圖中未示)中複數產品之資訊進行前處理，以將該複數產品之資訊轉化為統一格式以作為輸入，且該產品分類預測模型建立模組11具有一3×3神經網路系統(如圖2所示)，其中，使用者輸入一目標產品T0至該產品分類預測模型建立模組11中，並依據該目標產品T0從該資料庫中搜尋鄰近該目標產品T0之複數鄰近(Neighborhood)產品T1,T2,T3,T4，且該產 品分類預測模型建立模組11將該目標產品T0及複數鄰近產品T1,T2,T3,T4整理為統一格式，以透過該3×3神經網路系統進行分類預測模型的訓練。

於本實施例中，該產品分類預測模型建立模組11將該目標產品T0及該複數鄰近產品整理為統一格式，亦即，該產品分類預測模型建立模組11將該目標產品T0及該複數鄰近產品T1,T2,T3,T4轉化為具有相同長度的產品之陣列(array)，且該目標產品T0及該複數鄰近產品T1,T2,T3,T4之陣列中具有產品特徵意義的向量值，以由該產品分類預測模型建立模組11之3×3神經網路系統利用該目標產品T0及該複數鄰近產品T1,T2,T3,T4之陣列中向量值進行分類預測模型的訓練，進而得到一分類預測模型。在一實施例中，該分類預測模型係為產品之產品型錄及產品種類預測模型，以利用該分類預測模型預測該目標產品T0之產品型錄及產品種類。

在一實施例中，該產品分類預測模型建立模組11訓練該分類預測模型所使用鄰近該目標產品T0之複數鄰近產品T1,T2,T3,T4係最佳為鄰近該目標產品T0兩側各二個鄰近產品T1,T2,T3,T4，故該產品分類預測模型建立模組11可利用該目標產品T0及其他四個鄰近產品T1,T2,T3,T4以訓練該分類預測模型。

在一實施例中，該產品分類預測模型建立模組11利用反向傳遞(Backpropagation)往回追溯以修正該分類預測模型，是以，該產品分類預測模型建立模組11先利用該分類預測模型計算出該目標產品T0之產品分類之預測值，再利用一目標函數計算該目標產品T0之產品分類之預測值與其實際值之差值的平方以得到一判斷值，以由該產品分類預測模型建立模組11判斷該判斷值是否小於一預設閾值，若該判斷值小於該預設閾值， 則代表該分類預測模型對該目標產品T0分類出來的結果符合實際產品分類；反之，若該判斷值大於或等於該預設閾值，則代表該分類預測模型所分類出來的結果不符合實際產品分類，對此，該產品分類預測模型建立模組11再以反向傳遞之技術，修正該分類預測模型的參數，以由該產品分類預測模型建立模組11繼續使用另一組用於訓練之產品T0’,T1’,T2’,T3’,T4’進行訓練並修正該分類預測模型，如此周而復始地訓練該分類預測模型。應可理解地，該產品分類預測模型建立模組11需要持續對該分類預測模型進行訓練，以使該判斷值小於該預設閾值，俾完成該分類預測模型之訓練。在一實施例中，該產品分類之預測值係為該目標產品T0的產品型錄及產品種類之預測值。

在一實施例中，該產品分類預測模型建立模組11利用交叉驗證(Fold cross validation)測試該分類預測模型。舉例而言，該產品分類預測模型建立模組11可將該複數產品集化成10份資料，於第一輪中該產品分類預測模型建立模組11將第1~9份資料作為訓練資料，第10份資料作為測試資料以輸入該分類預測模型進行測試，以及於第二輪中將第1~8及10份資料作為訓練資料，第9份資料作為測試資料以輸入該分類預測模型進行測試，依此類推，於第10輪中將第2~10份資料作為訓練資料，第1份資料作為測試資料以輸入該分類預測模型進行測試。

藉此，該產品分類預測模型建立模組11進行十輪的該分類預測模型之測試，且該產品分類預測模型建立模組11將總共十輪的測試結果加總平均以作為最後測試結果。在一實施例中，該產品分類預測模型建立 模組11能依據該交叉驗證之最後測試結果修正該分類預測模型，且於該分類預測模型測試結束後，得到完成的該分類預測模型。

所述之產品受理模組21係接收來自一使用端設備之產品訂單，且該產品受理模組21解析該產品訂單，得到該產品訂單中之複數訂單產品之產品組成要素以及至少一產品組合規則，其中，該產品組成要素包含產品名稱、產品類別、產品動作及產品組成參數。又，該產品受理模組21解析該產品動作以確認該產品動作為新增、異動、刪除或不改變該複數訂單產品之一者。

於本實施例中，該複數訂單產品的該產品類別係為單一型產品(Simple Product)、群組型產品(Group Product)或綑綁型產品(Bundle Product)，該單一型產品、該群組型產品或該綑綁型產品之內容包含上下游系統需求、產品行銷需求、帳務需求、供裝需求、管理需求或品質需求。

再者，該產品組成參數包含：「規格類」包括產品規格、產品規格的特徵值、「產品類」包括可銷售產品、可銷售產品的特徵值、「合約類」包括產品合約、「費率類」包括產品價格、「通路類」包括產品通路以及「型錄類」包括產品型錄及產品種類。在一實施例中，該產品種類係定義為該產品型錄的子型錄，且當該複數訂單產品尚未被該分類預測模型分類時，產品型錄及產品種類係不具有任何資訊。

在一實施例中，該產品組合規則係為該使用者依據其需求所設定之，是以，該產品組合規則係描述單一型產品組合為群組型產品(Group Product)，或是單一型產品、群組型產品或其結合以組成為綑綁型產品(Bundle Product)之規則。

所述之產品建立模組22，係通訊連接該產品受理模組21，且該產品建立模組22接收來自該產品受理模組21之複數訂單產品之產品組成要素或該產品組合規則，又該產品建立模組22依據該複數訂單產品之產品組成要素及已確認後的該產品動作以形成一產品架構，其中，該產品受理模組21中之儲存單元(圖中未示)儲存該產品架構及該產品組合規則。

圖3係為本發明之產品的產品架構之示意圖，於本實施例中，該產品架構以該可銷售產品與該可銷售產品的特徵值為中心，且該可銷售產品與該可銷售產品的特徵值之內容繼承該產品規格與該產品規格的特徵值，又該可銷售產品與該可銷售產品的特徵值之項目名稱必須定義在該產品規格的該產品規格的特徵值之項目名稱。在一實施例中，需先建立該產品規格及該產品規格的特徵值後，才建立該可銷售產品與該可銷售產品的特徵值。此外，該產品合約、該產品通路及該產品價格係由該產品建立模組22自動建立或由人工稽核方式建立。

所述之產品包裝模組23，係通訊連接該產品建立模組22，且該產品包裝模組23依據來自該產品建立模組22之該產品架構或該產品組合規則以將該複數訂單產品形成複數可銷售產品，其中，該複數可銷售產品係為單一型產品、群組型產品或綑綁型產品。

圖4係為本發明之複數可銷售產品之示意圖，於本實施例中，單一型產品之可銷售產品係由該產品包裝模組23依據該產品架構將單一型產品之訂單產品直接產生者；群組型產品之可銷售產品係由該產品包裝模組23依據該產品架構及該產品組合規則將複數個單一型產品之訂單產品所組成者；以及綑綁型產品之可銷售產品係由該產品包裝模組23依據該產品 架構及該產品組合規則將複數個單一型產品之訂單產品、複數個群組型產品之可銷售產品、或是至少一單一型產品之訂單產品及至少一群組型產品之可銷售產品之結合所組成者。此外，可依據使用者之需求將複數可銷售產品之至少一者設定為可售或不可售。

所述之產品分類模組24，係分別通訊連接該產品分類預測模型建立模組11及該產品包裝模組23，且該產品分類模組24分別向該產品分類預測模型建立模組11取得該分類預測模型，以及向該產品包裝模組23取得該複數可銷售產品，其中，該產品分類模組24利用該分類預測模型將該複數可銷售產品進行分類，以得到該複數可銷售產品之分類結果，亦即，該分類結果為該複數可銷售產品之產品型錄及產品種類。在一實施例中，該複數可銷售產品之分類結果能不只產品型錄及產品種類兩階層，可依據使用者需求訓練該分類預測模型以產生更詳細的分類。

於本實施例中，該產品分類模組24將該複數可銷售產品轉化為具有相同長度的產品之陣列(array)透過該分類預測模型進行分類，以得到該複數可銷售產品之產品型錄及產品種類，其中，透過該分類預測模型所產生的產品型錄及產品種類，例如，產品型錄為第一型錄、產品種類為第一種類。

再者，該產品分類模組24將該複數可銷售產品之產品型錄及產品種類設定於對應的該複數可銷售產品中，且該產品分類模組24該複數可銷售產品儲存於該產品包裝系統1之資料庫中，以供電信業者於後續販售或做產品分析使用。

圖5A係為本發明之產品分類預測模型建立模組進行前處理所產生產品之陣列之示意圖，且一併參照圖1及圖2說明之。

於本實施例中，如圖5A所示，產品分類預測模型建立模組11將目標產品T0及複數鄰近產品T1,T2,T3,T4轉化為具有相同長度的產品之陣列(array)，其中，該目標產品T0及該複數鄰近產品T1,T2,T3,T4之陣列皆具有產品規格的特徵值為i項、產品合約為j項、產品價格為m項以及產品通路為n項。是以，該產品分類預測模型建立模組11將該目標產品T0及該複數鄰近產品T1,T2,T3,T4轉化成i+j+m+n項目的陣列(array)。

舉例而言，該目標產品T0之陣列中產品規格的特徵值為i=4項、產品合約為j=2項、產品價格為m=3項以及產品通路為n=2項，其中，產品規格的特徵值的i=4項之中一項的向量值=20，表示該目標產品T0之速率代碼=20，亦即，電信業者可依據其現有的速率代碼表得到對應的速率值；產品合約的j=2項之中一項的向量值=1，表示該目標產品T0之換租移轉方式=1，亦即，換租移轉方式=1表示用戶可直接升級合約方案不須增加費用；產品價格的m=3項之中一項的向量值=5，表示費率識別碼=5，亦即，電信業者可依據其現有的費率表得到對應的費用金額；產品通路的n=2項之中一項的向量值=7，表示設定產品授權通路商=7，亦即，電信業者可依據現有的產品通路商表得到對應的通路商。在一實施例中，該產品規格的特徵值、產品合約、產品價格及產品通路之中其他項可代表對應該目標產品T0的其他參數，例如，該產品規格的特徵值之上下行速率、產品合約之合約規定等，但不限於上述。

圖5B係為本發明之產品分類預測模型建立模組輸出產品型錄及產品種類之陣列之示意圖，且一併參照圖1及圖2說明之。

於本實施例中，如圖5B所示，產品分類預測模型建立模組11將目標產品T0及複數鄰近產品T1,T2,T3,T4轉化為具有相同長度的產品之陣列(array)，且該產品分類預測模型建立模組11利用3×3神經網路系統訓練一分類預測模型，以由該分類預測模型產生出目標產品T0之產品型錄為p項及產品種類為q項之陣列(array)。

舉例而言，產品分類預測模型建立模組11產生出的產品型錄為p=3項及產品種類為q=2項之陣列(array)，其中，產品型錄為p=3項其中之二項的向量值=1，表示係為行動產品型錄(亦即前述實施例之第一型錄)；產品種類為q=2其中之一項的向量值=1，表示係為國際漫遊產品種類(亦即前述實施例之第一種類)。

下列第一實施例係為電信業者提供一電信產品之服務，且一併參閱圖1說明之。

具體而言，一使用者(如電信業者)向產品包裝系統1之產品受理模組21發出一產品訂單，且該產品受理模組21解析該產品訂單，得到該產品訂單中之複數訂單產品(電信產品A、電信產品B及電信產品C)之產品組成要素(如表1所示)以及至少一產品組合規則(如表2所示)，該產品受理模組21解析該產品動作以確認該產品動作係為新增該複數訂單產品(如表3所示)。

表1：複數訂單產品之產品組成要素之訊息表

舉例而言，產品合約係包括使用規定、使用日期等，而產品通路包含實體通路、手機之應用程式(Application,APP)、電信業者之官方網站等，但不限於上述。

表2：產品組合規則

表3：已確認後的產品動作之訊息表

再者，該產品包裝系統1之產品建立模組22依據來自該產品受理模組21之複數訂單產品(電信產品A、電信產品B及電信產品C)之產品組成要素及已確認後的該產品動作以形成一產品架構(如表4所示)，又，該產品建立模組22中之儲存單元(圖中未示)儲存該產品架構及該產品組合規則。

表4：產品架構之訊息表

又，該產品包裝系統1之產品包裝模組23依據來自該產品建立模組22之該產品架構及該產品組合規則以將該複數訂單產品之電信產品A、電信產品B及電信產品C組合成複數可銷售產品之電信產品D及電信產品E，且該產品包裝模組23將該複數訂單產品之電信產品A、電信產品B及 電信產品C設定為複數可銷售產品之電信產品A、電信產品B及電信產品C，如表5及表6所示。

表5：複數可銷售產品之訊息表(1)

表6：複數可銷售產品之訊息表(2)

接著，該產品包裝系統1之產品分類模組24分別向該產品包裝系統1之產品分類預測模型建立模組11取得一分類預測模型，以及向該產品包裝模組23取得該複數可銷售產品(電信產品A、電信產品B、電信產品C、電信產品D及電信產品E)，是以，該產品分類模組24利用該分類預測模型，將該複數可銷售產品(電信產品A、電信產品B、電信產品C、電信產品D及電信產品E)進行分類，以得到該複數可銷售產品之產品型錄及產品種類，如表7及表8所示。

表7：複數可銷售產品之訊息表(3)

表8：複數可銷售產品之訊息表(4)

之後，該產品分類模組24將該複數可銷售產品之產品型錄及產品種類設定於對應的該複數可銷售產品中，且該產品分類模組24將該複數可銷售產品儲存於該產品包裝系統1中之資料庫中，以供電信業者於後續販售或做產品分析使用。

下列第二實施例係為對電信產品之產品組成參數進行異動之設定，且一併參閱圖1說明之。此實施例與第一實施例大致相同，故相似處不再贅述。

具體而言，如表9所示，一使用者向產品受理模組21發出修改電信產品A之產品訂單，其中，該使用者將電信產品A之可銷售產品的特徵值=上行速率：500Mbps、下行速率：1Gbps、使用流量：50GB修改為上行速率：800Mbps、下行速率：2Gbps、使用流量：80GB，故修改後電信產品A’之可銷售產品的特徵值=上行速率：800Mbps、下行速率：2Gbps、使用流量：80GB。接著，該產品受理模組21解析該產品訂單，得到該修改後電信產品A’之產品組成要素。又，該產品受理模組21解析該修改後電信產品A’之產品動作以確認該修改後電信產品A’之產品動作係為異動。

表9：修改後電信產品之訊息表

再者，產品建立模組22依據修改後電信產品A’之產品組成要素及已確認後的該產品動作以形成一產品架構，且產品包裝模組23依據該產品架構及產品組合規則以將該修改後電信產品A’、電信產品B及電信產品C組合成複數可銷售產品之修改後電信產品D’及修改後電信產品E’。又，該產品包裝模組23將該修改後電信產品A’設定為可銷售產品，如表10所示。應可理解地，電信產品B及電信產品C與第一實施相同故不再贅述，且修改後電信產品D’及修改後電信產品E’之產品動作亦為異動。

表10：複數可銷售產品之訊息表(5)

之後，產品分類模組24利用產品分類預測模型建立模組11之分類預測模型將修改後電信產品A’、修改後電信產品D’及修改後電信產品E’進行分類，或是該產品分類模組24不對修改後電信產品A’、修改後電 信產品D’及修改後電信產品E’進行分類，以維持原來的產品型錄及產品種類。

下列第三實施例係為刪除電信產品之設定，且一併參閱圖1說明之。此實施例與第一實施例大致相同，故相似處不再贅述。

具體而言，如表11所示，一使用者向產品受理模組21發出刪除電信產品A之產品訂單，該產品受理模組21解析該產品訂單，得到刪除後電信產品A’之產品組成要素，亦即，該刪除後電信產品A’之產品組成參數係不具任何資料內容。又，該產品受理模組21解析該刪除後電信產品A’之產品動作以確認該刪除後電信產品A’之產品動作係為刪除。

表11：刪除後電信產品之訊息表

再者，產品建立模組22依據刪除後電信產品A’之產品組成要素及已確認後的該產品動作以形成一產品架構，且產品包裝模組23依據該產品架構及產品組合規則以將該刪除後電信產品A’、電信產品B及電信產品C組合成複數可銷售產品之修改後電信產品D’及修改後電信產品E’，如表12所示。應可理解地，電信產品B及電信產品C與第一實施相同故不再贅述，且修改後電信產品D’及修改後電信產品E’已不具備電信產品A。

表12：複數可銷售產品之訊息表(6)

最後，產品分類模組24利用產品分類預測模型建立模組11之分類預測模型將修改後電信產品D’及修改後電信產品E’進行分類，或是該產品分類模組24不對修改後電信產品D’及修改後電信產品E’進行分類，以維持原來的產品型錄及產品種類。

另一方面，若該使用者發出刪除電信產品A、電信產品B及電信產品C之產品訂單，則該產品包裝模組23無法依據刪除後的電信產品A、電信產品B及電信產品C組成電信產品D及電信產品E，故該產品包裝模組23自動刪除電信產品D及電信產品E。

圖6係為本發明之產品分類預測模型建立模組的訓練分類預測模型方法之流程示意圖，且一併參照圖1及圖2說明之。同時，此訓練分類預測模型方法之主要內容如下，其餘內容相同於上述圖1及圖2之說明，於此不再重覆敘述。

如圖6所示，此訓練分類預測模型方法之流程包含下列步驟S61至步驟S64：

於步驟S61中，輸入複數產品，即一使用者輸入一目標產品T0及複數鄰近(Neighborhood)產品T1,T2,T3,T4至一產品包裝系統1之產品分類預測模型建立模組11。

於步驟S62中，訓練分類預測模型，即該產品分類預測模型建立模組11之3×3神經網路系統利用該目標產品T0及該複數鄰近產品T1,T2,T3,T4之陣列中向量值進行分類預測模型的訓練，以得到一分類預測模型，其中，該產品分類預測模型建立模組11利用反向傳遞(Backpropagation)往回追溯以修正該分類預測模型。

於步驟S63中，測試分類預測模型，即該產品分類預測模型建立模組11利用交叉驗證(Fold cross validation)測試該分類預測模型。

於步驟S64中，產生分類預測模型，即經由該產品分類預測模型建立模組11訓練、修正及測試該分類預測模型後，該產品分類預測模型建立模組11產生完成的該分類預測模型。

圖7係為本發明之產品動態調適包裝方法之流程示意圖，且一併參照圖1說明之。同時，此訓練分類預測模型方法之主要內容如下，其餘內容相同於上述圖1說明，於此不再重覆敘述。

如圖7所示，此訓練分類預測模型方法之流程包含下列步驟S71至步驟S77：

於步驟S71中，輸入產品訂單，即一產品包裝系統1之產品受理模組21係接收來自一使用端設備之產品訂單。

於步驟S72中，解析產品訂單，即該產品受理模組21解析該產品訂單以得到得到該產品訂單中之複數訂單產品之產品組成要素以及至少一產品組合規則。

於步驟S73中，確認產品動作，即該產品受理模組21確認該產品動作為新增、異動、刪除或不改變該複數訂單產品之一者。

於步驟S74中，建立產品架構，即該產品包裝系統1之產品建立模組22依據該複數訂單產品之產品組成要素及已確認後的該產品動作以形成一產品架構，且該產品受理模組21中之儲存單元(圖中未示)儲存該產品架構及該產品組合規則。

於步驟S75中，產生可銷售產品，即該產品包裝系統1之產品包裝模組23依據該產品架構或該產品組合規則以將該複數訂單產品產生成複數可銷售產品，其中，該複數可銷售產品係為單一型產品、群組型產品或綑綁型產品。

於步驟S76中，分類可銷售產品，即該產品包裝系統1之產品分類模組24利用產品分類預測模型建立模組11之分類預測模型該複數可銷售產品進行分類，以得到該複數可銷售產品之產品型錄及產品種類。

於步驟S77中，儲存可銷售產品，即該產品分類模組24將該複數可銷售產品之產品型錄及產品種類設定於對應的該複數可銷售產品中，且該產品分類模組24將該複數可銷售產品儲存於該產品包裝系統1中之資料庫中，以供電信業者於後續販售或做產品分析使用。

此外，本發明還揭示一種電腦可讀媒介，係應用於具有處理器(例如，CPU、GPU等)及/或記憶體的計算裝置或電腦中，且儲存有指令， 並可利用此計算裝置或電腦透過處理器及/或記憶體執行此電腦可讀媒介，以於執行此電腦可讀媒介時執行上述之方法及各步驟。

綜上所述，本發明之具有動態自動調適之產品包裝系統、方法及電腦可讀媒介係提供電信業者快速產出可銷售產品，且精確地將該可銷售產品進行分類，以將錯綜複雜的訂單系統的異結構產品，轉化成同結構產品。具體而言，產品受理模組解析電信業者之產品訂單，再由產品建立模組依據產品受理模組之產品訂單的解析結果以建立產品架構，且產品包裝模組產生電信業者所需之可銷售產品。此外，產品分類模組利用產分類預測模型建立模組係所提供之分類預測模型，以將可銷售產品進行分類。

是以，相較於現有技術中，各類型大量的電信產品使電信業者無法快速取得其資訊以進行修改或分析等作業，進而讓電信業者浪費相當可觀的時間成本及人力資源，且容易產生錯誤。惟，本發明將產品包裝成齊一化規格的產品，能完整的呈現產品之資訊，且於產品發生新增、異動或刪除時，能在產品之生命週期間中及時且適切呈現產品完整的資訊。另一方面，本發明利用分類預測模型自動將產品進行分類，能快速地統整不計其數的產品，進而降低業者於產品管理上的複雜度及錯誤率，並同時提高產品產生的效率。

再者，本發明之具有動態自動調適之產品包裝系統、方法及電腦可讀媒介至少具有以下技術差異及其功效：

一、本發明整合現行各產品線的產品，將差異化的產品包裝成齊一化規格的產品，讓產品在生命週期間可及時且適切表達產品完整的資訊，以降低電信業者於電系產品管理上的時間成本及人力資源。

二、本發明包含各種型態的產品解析，透過產品之產品架構、產品組合規則及分類預測模型，以提供將產品齊一化之資訊交換服務。讓電信業者在取得產品時，能更方便且更快速的得到即時資訊，不會因時間誤差而找不到產品，進而降低業者於產品管理上的複雜度及錯誤率。

上述實施形態僅例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。因此，本發明之權利保護範圍應如申請專利範圍所列。

1:具有動態自動調適之產品包裝系統、產品包裝系統

11:產品分類預測模型建立模組

21:產品受理模組

22:產品建立模組

23:產品包裝模組

24:產品分類模組

Claims (9)

1. 一種具有動態自動調適之產品包裝系統，係包括：一產品受理模組，係接收一產品訂單，使該產品受理模組解析該產品訂單，以得到複數訂單產品之產品組成要素以及至少一產品組合規則，且該產品受理模組係用以進一步解析該產品組成要素之產品動作；一產品建立模組，係通訊連接該產品受理模組，以接收來自該產品受理模組之複數訂單產品之產品組成要素或該產品組合規則，且依據該產品組成要素形成一產品架構；一產品包裝模組，係通訊連接該產品建立模組，以依據來自該產品建立模組之產品架構或該產品組合規則將該複數訂單產品形成複數可銷售產品；一產品分類模組，係通訊連接該產品包裝模組，以利用一分類預測模型將該複數可銷售產品進行分類，而得到該複數可銷售產品之分類結果，俾使該產品分類模組將該複數可銷售產品之分類結果設定於對應的該複數可銷售產品中；以及一產品分類預測模型建立模組，係通訊連接該產品分類模組，以提供該分類預測模型給該產品分類模組，其中，該產品分類預測模型建立模組利用一目標產品資訊及鄰近該目標產品資訊之複數鄰近產品資訊，透過一神經網路系統進行該分類預測模型的訓練，俾產生該分類預測模型。
2. 如請求項1所述之產品包裝系統，其中，該產品分類預測模型建立模組係先將該目標產品資訊及該複數鄰近產品資訊進行前處理，以將 該目標產品資訊及該複數鄰近產品資訊轉化為具有相同長度的產品資訊之陣列，再透過該神經網路系統進行該分類預測模型的訓練。
3. 如請求項1所述之產品包裝系統，其中，該產品分類預測模型建立模組利用反向傳遞(Backpropagation)進行往回追溯，以修正該分類預測模型，而該產品分類預測模型建立模組則利用交叉驗證(Fold cross validation)以測試該分類預測模型。
4. 如請求項1所述之產品包裝系統，其中，該產品受理模組解析該產品組成要素之產品動作係為新增、異動、刪除或不改變該複數訂單產品之一者。
5. 一種具有動態自動調適之產品包裝方法，係包括：由產品受理模組接收一產品訂單，使該產品受理模組解析該產品訂單，以得到複數訂單產品之產品組成要素以及至少一產品組合規則，並由該產品受理模組解析該產品組成要素之產品動作；由產品建立模組接收來自該產品受理模組之複數訂單產品之產品組成要素或該產品組合規則，且依據該產品組成要素形成一產品架構；由產品包裝模組依據來自該產品建立模組之產品架構或該產品組合規則將該複數訂單產品形成複數可銷售產品；由產品分類模組利用一分類預測模型將該複數可銷售產品進行分類，而得到該複數可銷售產品之分類結果，以由該產品分類模組將該複數可銷售產品之分類結果設定於對應的該複數可銷售產品中；以及由產品分類預測模型建立模組提供該分類預測模型給該產品分類模組，其中，由該產品分類預測模型建立模組利用一目標產品資訊及鄰近該 目標產品資訊之複數鄰近產品資訊，透過一神經網路系統進行該分類預測模型的訓練，俾產生該分類預測模型。
6. 如請求項5所述之產品包裝方法，其中，由該產品分類預測模型建立模組先將該目標產品資訊及該複數鄰近產品資訊進行前處理，以將該目標產品資訊及該複數鄰近產品資訊轉化為具有相同長度的產品資訊之陣列，再透過該神經網路系統進行該分類預測模型的訓練。
7. 如請求項5所述之產品包裝方法，其中，由該產品分類預測模型建立模組利用反向傳遞(Backpropagation)進行往回追溯，以修正該分類預測模型，再由該產品分類預測模型建立模組利用交叉驗證(Fold cross validation)以測試該分類預測模型。
8. 如請求項5所述之產品包裝方法，其中，該產品受理模組解析該產品組成要素之產品動作係為新增、異動、刪除或不改變該複數訂單產品之一者。
9. 一種電腦可讀媒介，應用於計算裝置或電腦中，係儲存有指令，以執行如請求項5至8之任一者所述之具有動態自動調適之產品包裝方法。

Images