TWI779387B - 智能客戶貼標裝置及方法 - Google Patents

Abstract

本發明提供一種智能客戶貼標裝置，包含資料庫、輸入模組、資料擷取模組、分類模組以及計算貼標模組。資料庫用以儲存各式客戶標籤及信用卡交易的商戶資料。輸入模組可輸入至少一組信用卡交易資料，此交易資料涵蓋商戶名稱、消費時間及交易金額。資料擷取模組用以產生對應商店的網路公開資料。分類模組則利用公開資料比對出信用卡特店之真實商戶分類。最後以貼標模組計算並產生所有交易資料中對應每一商店種類的商店消費總次數以及商店消費總金額，將曾使用信用卡於某特店消費的客戶，依特店之特色，賦于客戶標籤歸納。

Description

智能客戶貼標裝置及方法

本發明關於一種客戶貼標裝置，並且特別地，關於一種可根據客戶的消費習慣及消費行為自動將客戶貼上標籤的智能客戶貼標裝置。

隨著社會的發展及生活水準的提高，人們的交易方式也逐漸走向無紙化，尤其以信用卡交易為常見的交易方式之一。信用卡除了可代替傳統現金流通的電子貨幣之外，也不需預先存款就可貸款消費的交易工具。因此，信用卡交易為人們帶來很大的便利性。

由於信用卡交易為先消費後還款的交易工具，因此，持有信用卡的客戶於每個月都會收到金融業者所統計的信用卡交易資料，以讓客戶了解消費項目。一般來說，信用卡交易資料中的每一筆交易都攜帶著客戶的生活方式、生活態度及消費偏好。而金融業者每天需處理大量客戶的信用卡消費紀錄，也就是說，金融業者也掌握了大量的消費資訊以及客戶的消費喜好。由於金融業者擁有大量的消費數據，因此，當金融業者可參考並根據客戶的消費習慣與偏好制定商品或規劃活動，以吸引客戶消費。然而，目前商店的種類及商店的名稱眾多，並且信用卡交易資料中的各筆交易明細資訊所呈現的規則不一，使得金融業者難以了解客戶的消費型 態。進一步地，當面對龐大的消費資料時，金融業者更難以統計及管理。

有鑑於此，本發明之一範疇在於提供一種智能客戶貼標裝置，以解決先前技術的問題。

根據本發明的智能客戶貼標裝置，包含有資料庫、輸入模組、資料擷取模組、分類模組以及計算貼標模組。資料庫用以儲存複數個客戶標籤以及複數個商店種類。每一客戶標籤對應該等商店種類中的一商店種類。輸入模組用以輸入客戶的信用卡消費資料。信用卡消費資料包含至少一交易資料，並且交易資料包含商店特徵以及交易金額。資料擷取模組連接輸入模組，並且用以產生對應商店特徵的網路資料。分類模組連接資料庫、輸入模組以及資料擷取模組。分類模組用以一比對規則找出符合網路資料的第一商店種類，並且將交易資料歸類於第一商店種類。計算貼標模組連接分類模組以及資料庫。計算貼標模組用以計算所有交易資料中對應商店種類的消費次數及交易金額以各別產生對應每一商店種類的商店消費總次數以及商店消費總金額，並且根據每一商店種類的商店消費總次數以及商店消費總金額將客戶歸類於該等客戶標籤中的至少一第一客戶標籤。

其中，該等客戶標籤分別對應一消費次數閾值以及一消費金額閾值。當商店種類的商店消費總次數以及商店消費總金額之至少一者超過對應第一客戶標籤的消費次數閾值及消費金額閾值時，計算貼標模組將客戶歸類於第一客戶標籤。

其中，計算貼標模組儲存所有對應每一商店種類的商店消費 總次數以及商店消費總金額至資料庫。計算貼標模組根據每一商店種類的商店消費總次數及該商店消費總金額於資料庫中所有對應商店種類的該商店消費總次數及該商店消費總金額的占比將客戶歸類於至少一客戶標籤。

其中，智能客戶貼標裝置進一步包含一學習模組連接資料庫、輸入模組以及資料擷取模組。分類模組儲存對應商店種類的商店特徵至資料庫以作為一歷史商店特徵。學習模組根據歷史商店特徵以及網路資料產生比對規則，並且學習模組用以機器學習的方式分析輸入模組所輸入的商店特徵以及資料擷取模組所產生的網路資料以更新比對規則。

其中，比對規則為詞袋模型比對、相似度比對、上下文比對及商戶類別代碼比對之至少一者。

其中，智能客戶貼標裝置進一步包含一顯示模組連接資料庫以及貼標模組。顯示模組用以顯示複數個客戶標籤以及對應該複數個客戶標籤的客戶總數。

本發明之另一範疇在於提供一種智能客戶貼標方法。根據本發明的智能客戶貼標方法，包含以下步驟：取得客戶的信用卡消費資料。信用卡消費資料包含至少一交易資料，並且交易資料包含一商店特徵以及一交易金額；根據對應交易資料的商店特徵搜尋對應商店特徵的一網路資料；以一比對規則比對網路資料與儲存於一資料庫中的複數個商店種類，以找出符合網路資料的一第一商店種類，並且將交易資料歸類於第一商店種類；計算所有交易資料中對應該等商店種類的消費次數及交易金額以各別產生對應每一商店種類的一商店消費總次數以及一商店消費總金額；以及根據每一商店種類的商店消費總次數及商店消費總金額自資料庫所儲存 的複數個客戶標籤中找出至少一第一客戶標籤，並且將客戶歸類於至少一第一客戶標籤。

其中，該等客戶標籤分別對應一消費次數閾值以及一消費金額閾值。並且，於根據每一商店種類的商店消費總次數及商店消費總金額自資料庫所儲存的複數個客戶標籤中找出至少一第一客戶標籤，並且將客戶歸類於至少一第一客戶標籤的步驟中，進一步包含：當該商店種類的商店消費總次數以及商店消費總金額之至少一者超過對應該第一客戶標籤的該消費次數閾值以及消費金額閾值時，將客戶歸類於該第一客戶標籤。

在一具體實施例中，智能客戶貼標方法進一步包含以下步驟：儲存所有對應每一商店種類的商店消費次數以及商店消費總金額至資料庫。並且，於根據每一商店種類的商店消費總次數及商店消費總金額自資料庫所儲存的複數個客戶標籤中找出至少一第一客戶標籤，並且將客戶歸類於至少一第一客戶標籤的步驟中，進一步包含：根據每一商店種類的商店消費總次數及商店消費總金額於資料庫中所有對應商店種類的商店消費總次數及商店消費總金額的占比找出至少一第一客戶標籤，並且將客戶歸類於至少一第一客戶標籤。

在一具體實施例中，智能客戶貼標方法進一步包含以下步驟：儲存對應商店種類的商店特徵至資料庫以作為一歷史商店特徵，並且根據歷史商店特徵以及包含商店特徵的網路資料產生比對規則；以及對商店特徵及網路資料進行機學習，以更新比對規則。

綜上所述，本發明之智能客戶貼標裝置可藉由資料處理以及多種比對方式自動地將信用卡消費資料中的交易資料進行分類，以將複雜 的信用卡交易明細快速且有效地將各筆消費資料找出對應的消費種類，進而提高效率並且降低人力成本。並且，本發明之智能客戶貼標裝置可根據客戶的消費資料自動將客戶貼上標籤，對於銀行人員來說，不僅可清楚的了解客戶的消費習慣，並且也可根據所有客戶的消費偏好制定活動規劃方向，以提高效率及便利性。此外，本發明之智能客戶貼標裝置也可藉由機器學習自動地更新比對規則，以提高分類與貼標時的精準性及效率。

1:智能貼標裝置

11、21:資料庫

12、22:輸入模組

13、23:資料擷取模組

14、24:分類模組

15、25:計算貼標模組

26:學習模組

27:顯示模組

S11~S18、S151、S152:步驟

圖1係繪示根據本發明之一具體實施例之智能客戶貼標裝置的功能方塊圖。

圖2係繪示根據本發明之另一具體實施例之智能客戶貼標裝置的功能方塊圖。

圖3係繪示根據本發明之一具體實施例之智能客戶貼標方法的步驟流程圖。

圖4係繪示根據本發明之一具體實施例之智能客戶貼標方法的步驟流程圖。

圖5係繪示根據本發明之另一具體實施例之智能客戶貼標方法的步驟流程圖。

圖6係繪示根據本發明之另一具體實施例之智能客戶貼標方法的步驟流程圖。

為了讓本發明的優點，精神與特徵可以更容易且明確地了 解，後續將以具體實施例並參照所附圖式進行詳述與討論。值得注意的是，這些具體實施例僅為本發明代表性的具體實施例，其中所舉例的特定方法、裝置、條件、材質等並非用以限定本發明或對應的具體實施例。又，圖中各裝置僅係用於表達其相對位置且未按其實際比例繪述，合先敘明。

在本公開的各種實施例中，表述“或”包括同時列出的文字的任何組合或所有組合。例如，表述“A或B”可包括A、可包括B或可包括A和B二者。此外，本創作裝置或元件前的不定冠詞“一”、“一種”和“一個”對裝置或元件的數量要求(即出現次數)無限制性。因此“一”應被解讀為包括一或至少一，並且單數形式的裝置或元件也包括複數形式，除非所述數量明顯指單數形式。

在本說明書的描述中，參考術語“一具體實施例”、“另一具體實施例”或“部分具體實施例”等的描述意指結合該實施例描述的具體特徵、結構、材料或者特點包含於本發明的至少一個實施例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例。而且，描述的具體特徵、結構、材料或者特點可以在任何的一個或多個實施例中以合適的方式結合。

請參考圖1。圖1係繪示根據本發明之一具體實施例之智能客戶貼標裝置1的功能方塊圖。在本具體實施例中，智能客戶貼標裝置1包含資料庫11、輸入模組12、資料擷取模組13、分類模組14以及計算貼標模組15。資料庫11用以儲存複數個客戶標籤及複數個商店種類，其中每一客戶標籤對應複數個商店種類中的一商店種類。輸入模組12用以輸入客戶的信用卡消費資料。信用卡消費資料包含至少一交易資料，並且交易資料包含 商店特徵以及交易金額。資料擷取模組13連接輸入模組12並且用以產生對應商店特徵的網路資料。分類模組14連接資料庫11、輸入模組12及資料擷取模組13。分類模組14以一比對規則找出符合網路資料的第一商店種類，並且將交易資料歸類於第一商店種類。計算貼標模組15連接分類模組14以及資料庫11。計算貼標模組15用以計算所有交易資料中對應該等商店種類的消費次數及交易金額以各別產生對應每一商店種類的商店消費總次數及商店消費總金額，並且根據每一商店種類的商店消費總次數及商店消費總金額將客戶歸類於複數個客戶標籤中的至少一第一客戶標籤。

於實務中，智能客戶貼標裝置1可為伺服器或電腦。資料庫11可為一儲存裝置(如：硬碟)，輸入模組12可為電腦鍵盤、掃瞄機等，並且資料擷取模組13、分類模組14及計算貼標模組15可整合於晶片中。客戶標籤以及商店種類可由人工輸入或匯入的方式儲存於資料庫11中。客戶標籤可根據各種消費類型的消費程度而設定，並且商店種類可依照商店的營業類型而設定。請參考表1，表1為一具體實施例之客戶標籤對照表。在本具體實施例中，客戶標籤係為「運動愛好族」、「咖啡族」、「新手爸媽族」、「百貨族」，商店種類係為「運動用品」、「咖啡廳」、「母嬰用品」、「百貨」，並且每一個客戶標籤對應一個商店種類。

金融人員可透過輸入模組12以輸入、匯入或掃瞄的方式將客 戶的信用卡消費資料輸入至智能客戶貼標裝置1中。請參考表2，表2為一具體實施例之信用卡消費資料。在本具體實施例中，信用卡消費資料包含多筆交易資料，每一筆交易資料包含交易明細以及交易金額。進一步地，交易明細包含商店特徵。於實務中，商店特徵可為商店名稱或能夠代表店家的其他資料。如表2所示，商店特徵依序為「家樂福」、「麗嬰房」、「和欣客運」、「新光三越」、「廣三崇光」、「迪卡儂」。

當客戶的信用卡消費資料輸入至智能客戶貼標裝置1後，資料擷取模組13可根據交易明細中的商店特徵以網路爬蟲的方式自網路上取得更多有關商店特徵的營業資訊。舉例來說，商店特徵為「麗嬰房」時，資料擷取模組13可自網路上搜尋出商店的官方網站並且產生「嬰幼兒童裝品牌首選，媽咪寶寶安心品牌，媽咪哺乳用品」的網路資料；當商店特徵為「新光三越」時，資料擷取模組13可自網路上搜尋出「新光三越百貨」的網路資料；當商店特徵為「迪卡儂」時，資料擷取模組13可自網路上搜尋出「迪卡儂-全國最大體育用品量販店」的網路資料。

由於各筆交易明細中可能包含非商店特徵的資訊，因此，在一具體實施例中，資料擷取模組13先將各筆交易明細進行資料清洗以取得 商店特徵後，再取得對應商店特徵的網路資料。於實務中，資料擷取模組13可包含一資料清洗規則，以去除交易明細中非商店特徵之字串。資料清洗規則可預存於資料擷取模組13，並且資料清洗規則中欲去除的資料可為符號、交易支付方式或特定的詞句。如表2所示，資料擷取模組13可先去除交易明細中的「台北」、「分公司」、「股份有限公司」、「LINE PAY」、「街口支付」，以擷取出各筆交易資料的商店特徵，接著再產生對應商店特徵的網路資料。相同地，當資料擷取模組13產生網路資料後，也可再以另一資料清洗規則進行資料清洗以簡化資料。

當資料擷取模組13產生對應各筆交易資料的商店特徵的網路資料後，分類模組14以一比對規則比對網路資料以及儲存於資料庫11中的商店種類以找出符合網路資料的商店種類，並且將該筆交易資料歸類於該商店種類。於實務中，比對規則可為相似度比對。分類模組14可比對資料庫11中商店種類的字串與網路資料中的字串的符合程度。舉例來說，當資料擷取模組13根據表2中編號4的商店特徵「新光三越」所搜尋出的網路資料為「新光三越百貨」時，分類模組14可自商店種類中挑選出「百貨」的種類，接著再將編號4的交易資料歸類於「百貨」的交易種類。並且，分類模組14也可比對資料庫11中商店種類的字詞與網路資料中的字詞的相關程度。舉例來說，當資料擷取模組13根據表2中編號6的商店特徵「迪卡儂」所搜尋出的網路資料為「迪卡儂-全國最大體育用品量販店」時，分類模組14可自商店種類中找出與「體育用品」同義的詞並挑選出「運動用品」的種類，接著再將編號6的交易資料歸類於「運動用品」的交易種類。

在一具體實施例中，比對規則也可為上下文比對。分類模組 14可比對資料庫11中商店種類的字詞與網路資料中的字詞組合的相關程度。舉例來說，當資料擷取模組13由表2中編號2的商店特徵「麗嬰房」所搜尋出的網路資料為「嬰幼兒童裝品牌首選，媽咪寶寶安心品牌，媽咪哺乳用品」時，分類模組14可根據「嬰幼兒」、「媽咪寶寶」、「媽咪哺乳用品」的字詞組合自商店種類中挑選出「母嬰用品」的種類，接著再將編號2的交易資料歸類於「母嬰用品」的交易種類。在另一具體實施例中，比對規則也可為商戶類別代碼(Merchant category code,MCC)比對。分類模組14可根據各筆交易資料所對應的商店代碼找出對應的商店種類。於實務中，交易資料可包含商店代碼，而資料擷取模組13可根據商店代碼直接找出對應代碼的商店種類，或是根據商店代碼搜尋出商店名稱後，再根據商店名稱找出對應的網路資料。接著，分類模組14再自資料庫11挑選出與網路資料相符的商店種類。此外，資料庫11也可預存對應商店種類的商戶類別代碼。當交易資料包含商店代碼時，分類模組14可根據商店代碼自資料庫11中挑選出對應商店代碼的商店種類，並且進一步將該筆交易資料歸類於該商店種類。值得注意的是，上述三種比對方法也可同時建立於比對規則中。舉例來說，當分類模組14進行比對分類時，分類模組14可同時以相似度比對及商戶類別代碼比對分析各筆交易資料。當經相似度比對及商戶類別代碼比對後所產生的商店種類相符，分類模組14再將交易資料歸類於該商店種類。因此，本發明之智能客戶貼標裝置可藉由分類模組14將信用卡交易明細找出對應的消費種類，進而提高效率並且降低人力成本。

請參考表3及表4，表3為經分類模組歸類後之信用卡消費資料，表4為各商店種類的總消費次數及總消費金額之列表。當分類模組14將 信用卡消費資料中的各筆交易資料歸類至對應的商店種類後，分類模組14產生包含商店種類以及對應商店種類的交易金額的列表(如表3所示)。接著，計算貼標模組15再加總各商店種類的商店消費總次數及商店消費總金額並產生加總列表(如表4所示)。於實務中，計算貼標模組15可產生客戶於一段時間的累積消費列表。舉例來說，表3可為一個月的信用卡消費資料列表，而表4可為客戶於一年中的總消費列表。

請參考表1及表4。如表1所示，每一個客戶標籤進一步對應一消費閾值，並且消費閾值可為消費次數閾值或消費金額閾值。消費閾值可預存於資料庫11中，並且消費閾值可根據市場調查或大量的消費資料而制定。當計算貼標模組15產生表4的客戶的總消費列表後，計算貼標模組15根據表4中各商店種類的商店消費總次數或商店消費總金額是否超過表1中對應各商店種類的消費閾值，以將客戶歸類於相對應的客戶標籤。舉例來說，客戶於一年中「咖啡廳」的消費總次數為10次，此時，計算貼標模組 15將客戶歸類於「咖啡族」的客戶標籤。進一步地，客戶標籤也可同時包含消費次數閾值以及消費金額閾值。舉例來說，客戶於一年中「百貨」的總消費次數為20次並且總消費金額為15萬元，此時，計算貼標模組15將客戶歸類為「百貨血拚族」。

而計算貼標模組15判斷客戶標籤的方式也可為其他樣態。在一具體實施例中，計算貼標模組15儲存所有對應商店種類的商店消費總次數及商店消費總金額至資料庫11，並且計算貼標模組15根據每一商店消費總次數及商店消費總金額於資料庫11中所有對應商店種類的商店消費總次數及商店消費總金額的占比將客戶歸類於對應的客戶標籤。於實務中，計算貼標模組15計算並儲存客戶於信用卡消費資料的商店消費總次數及商店消費總金額至資料庫11，以作為市場消費型態的數據。當客戶於某一商店種類的消費次數或消費金額的占比大於其他客戶時，也就是說，該商店種類係為客戶偏好的消費種類，因此，計算貼標模組15將客戶歸類於對應商店種類的客戶標籤。舉例來說，資料庫11包含10位客戶的信用卡消費資料，並且每位客戶於運動用品店的消費總次數分別為40、36、32、20、12、10、8、8、5、3。當計算貼標模組15計算新的客戶的信用卡消費資料並且運動用品店的消費總次數為34次時，計算貼標模組15可根據表1將該客戶歸類為「運動愛好族」。

而本發明的智能客戶貼標裝置1除了可根據信用卡資料將客戶歸類於相對應的客戶標籤以外，也可加入其他型態的交易資料。在一具體實施例中，銀行人員也可透過輸入模組12輸入客戶於銀行內的交易資料(如：購屋房貸)，而計算貼標模組15也可將客戶歸類於「有房族」的客戶標 籤。因此，本發明之智能客戶貼標裝置可根據客戶的消費資料自動將客戶貼上標籤，以提高效率及便利性。

請參考圖2。圖2係繪示根據本發明之另一具體實施例之智能客戶貼標裝置2的功能方塊圖。本具體實施例與前述具體實施例的不同之處在於，本具體實施例的智能客戶貼標裝置2進一步包含學習模組26。學習模組26連接資料庫21、輸入模組22以及資料擷取模組23。分類模組24儲存對應商店種類的商店特徵至該資料庫21以作為歷史商店特徵。學習模組26根據歷史商店特徵以及資料擷取模組23所產生的網路資料產生比對規則，並且學習模組26以機器學習的方式分析交易資料中的商店特徵以及資料擷取模組23所產生的網路資料以更新比對規則。於實務中，學習模組26可整合於一機器學習晶片用以分析信用卡消費資料中的交易資料，並且學習模組26可以詞袋模型的方式更新比對規則。進一步地說，機器學習係藉由儲存於資料庫21中過往的資料(例如廠商預先儲存或分類模組24儲存的商店特徵、以及網路資料)中學習及分析輸入模組22所輸入的新資料並預測出新比對規則，接著再將新比對規則回傳至分類模組24，使分類模組24中包含新分類規則以增加或更新分類模組24所能判斷的交易資料。

此外，智能客戶貼標裝置2進一步包含顯示模組27。顯示模組27連接資料庫21以及計算貼標模組25，並且用以顯示客戶標籤及對應客戶標籤的客戶總數。於實務中，顯示模組27可為電腦螢幕。當計算貼標模組25將客戶歸類於客戶標籤後，計算貼標模組25也可計算對應該客戶標籤的總人數，並且顯示於顯示模組27上。因此，銀行人員也可透過顯示模組27查看所有客戶的消費行為。請注意，本具體實施例的資料庫21、輸入模 組22、資料擷取模組23及計算貼標模組25的功能與前具體實施例中相對應的元件的功能大致相同，於此不再贅述。因此，本發明之智能客戶貼標裝置可根據客戶的消費資料自動將客戶貼上標籤，對於銀行人員來說，不僅可清楚的了解客戶的消費習慣，並且也可根據所有客戶的消費偏好制定活動規劃方向，以提高效率及便利性。

請參考圖3。圖3係繪示根據本發明之一具體實施例之智能客戶貼標方法的步驟流程圖。本具體實施例的智能客戶貼標方法可由圖1的智能客戶貼標裝置來達成。在本具體實施例中，智能客戶貼標方法包含：步驟S11：透過輸入模組12取得客戶的信用卡消費資料。信用卡消費資料包含至少一交易資料，並且交易資料包含商店特徵以及交易金額；步驟S12：資料擷取模組13根據對應交易資料的商店特徵搜尋對應商店特徵的網路資料；步驟S13：分類模組14以一比對規則比對資料擷取模組13所產生的網路資料與儲存於資料庫11中的複數個商店種類，以找出符合網路資料的商店種類，並且將交易資料歸類於該商店種類；步驟S14：計算貼標模組15計算所有該交易資料中對應等商店種類的消費次數及該交易金額以各別產生對應每一商店種類的商店消費總次數以及商店消費總金額；以及步驟S15：計算貼標模組15根據每一商店種類的商店消費總次數及商店消費總金額自資料庫11所儲存的複數個客戶標籤中找出客戶標籤，並且將客戶歸類於該客戶標籤。

請參考圖4。圖4係繪示根據本發明之一具體實施例之智能客戶貼標方法的步驟流程圖。本具體實施例的智能客戶貼標方法可由圖1的智能客戶貼標裝置來達成。其中，等客戶標籤進一步分別對應消費次數閾值 以及消費金額閾值，並且於步驟S15可進一步包含：步驟S151：當商店種類的商店消費總次數以及商店消費總金額之至少一者超過對應該客戶標籤的消費次數閾值以及消費金額閾值時，計算貼標模組15將該客戶歸類於該客戶標籤。

請參考圖5。圖5係繪示根據本發明之另一具體實施例之智能客戶貼標方法的步驟流程圖。本具體實施例的智能客戶貼標方法可由圖1的智能客戶貼標裝置來達成。在本具體實施例中，智能客戶貼標方法進一步包含：步驟S16：計算貼標模組15儲存所有對應每一商店種類的商店消費總次數及商店消費總金額至該資料庫11。並且，於步驟S15可進一步包含：步驟S152：計算貼標模組15根據每一商店種類的商店消費總次數及商店消費總金額於資料庫11中所有對應商店種類的商店消費總次數及商店消費總金額的占比找出該客戶標籤，並且將該客戶歸類於該客戶標籤。

請參考圖6。圖6係繪示根據本發明之另一具體實施例之智能客戶貼標方法的步驟流程圖。本具體實施例的智能客戶貼標方法可由圖2的智能客戶貼標裝置來達成。在本具體實施例中，智能客戶貼標方法進一步包含：步驟S17：分類模組24儲存對應商店種類的商店特徵至資料庫21以作為歷史商店特徵，並且學習模組26根據歷史商店特徵以及包含商店特徵的網路資料產生比對規則；以及步驟S18：學習模組26對商店特徵及網路資料進行機器學習以更新比對規則。

綜上所述，本發明之智能客戶貼標裝置可藉由資料處理以及多種比對方式自動地將信用卡消費資料中的交易資料進行分類，以將複雜的信用卡交易明細快速且有效地將各筆消費資料找出對應的消費種類，進 而提高效率並且降低人力成本。並且，本發明之智能客戶貼標裝置可根據客戶的消費資料自動將客戶貼上標籤，對於銀行人員來說，不僅可清楚的了解客戶的消費習慣，並且也可根據所有客戶的消費偏好制定活動規劃方向，以提高效率及便利性。此外，本發明之智能客戶貼標裝置也可藉由機器學習自動地更新比對規則，以提高分類與貼標時的精準性及效率。

藉由以上較佳具體實施例之詳述，係希望能更加清楚描述本發明之特徵與精神，而並非以上述所揭露的較佳具體實施例來對本發明之範疇加以限制。相反地，其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的範疇內。因此，本發明所申請之專利範圍的範疇應根據上述的說明作最寬廣的解釋，以致使其涵蓋所有可能的改變以及具相等性的安排。

1:智能貼標裝置

11:資料庫

12:輸入模組

13:資料擷取模組

14:分類模組

15:計算貼標模組

Claims (11)

1. 一種智能客戶貼標裝置，包含有：一資料庫，用以儲存複數個客戶標籤以及複數個商店種類，每一該客戶標籤對應該等商店種類中的一商店種類；一輸入模組，用以輸入一客戶的一信用卡消費資料，該信用卡消費資料包含至少一交易資料，並且該交易資料包含一商店特徵以及一交易金額，該商店特徵包含有一商店名稱之至少部分文字；一資料擷取模組，連接該輸入模組，並且用以根據該交易資料上之該至少部分文字，自網路上搜尋而產生對應該商店特徴的一網路資料；一分類模組，連接該資料庫、輸入模組以及該資料擷取模組，該分類模組用以一比對規則找出符合該網路資料的一第一商店種類，並且將該交易資料歸類於該第一商店種類，且該分類模組儲存對應該第一商店種類的該商店特徵至該資料庫，以作為一歷史商店特徵；以及一學習模組，連接該資料庫、輸入模組以及該資料擷取模組，該學習模組根據該歷史商店特徵以及該第一商店種類以更新該比對規則；一計算貼標模組，連接該分類模組以及該資料庫，該計算貼標模組用以計算所有該交易資料中對應該等商店種類的消費次數及該交易金額並各別產生對應每一該商店種類的一商店消費總次數以及一商店消費總金額，並且根據每一該商店種類的該商店消費總次數以及該商店消費總金額將該客戶歸類於該等客戶標籤中的至少一第一客戶標籤。
2. 如申請專利範圍第1項所述之智能客戶貼標裝置，其中該等客戶標籤分別對應一消費次數閾值以及一消費金額閾值，當該商店種類的該商店 消費總次數及該商店消費總金額之至少一者超過對應該第一客戶標籤的該消費次數閾值及該消費金額閾值時，該計算貼標模組將該客戶歸類於該第一客戶標籤。
3. 如申請專利範圍第1項所述之智能客戶貼標裝置，其中該計算貼標模組儲存所有對應每一該商店種類的該商店消費總次數以及該商店消費總金額至該資料庫，並且該計算貼標模組根據每一該商店種類的該商店消費總次數及該商店消費總金額於該資料庫中所有對應該商店種類的該商店消費總次數及該商店消費總金額的占比將該客戶歸類於該至少一客戶標籤。
4. 如申請專利範圍第1項所述之智能客戶貼標裝置，進一步包含一學習模組連接該資料庫、輸入模組以及該資料擷取模組，該分類模組儲存對應該商店種類的該商店特徵至該資料庫以作為一歷史商店特徵，該學習模組根據該歷史商店特徵以及該網路資料產生該比對規則，並且該學習模組用以機器學習的方式分析該輸入模組所輸入的該商店特徵以及該資料擷取模組所產生的該網路資料以更新該比對規則。
5. 如申請專利範圍第1項所述之智能客戶貼標裝置，其中該比對規則為詞袋模型比對、相似度比對、上下文比對及商戶類別代碼比對之至少一者。
6. 如申請專利範圍第1項所述之智能客戶貼標裝置，進一步包含一顯示模組連接該資料庫以及該計算貼標模組，該顯示模組用以顯示該等客戶標籤以及對應該等客戶標籤的客戶總數。
7. 一種智能客戶貼標方法，包含以下步驟：取得一客戶的一信用卡消費資料，該信用卡消費資料包含至少一交易資料，並且該交易資料包含一商店特徵以及一交易金額，該商店特徵包含有一商店名稱之至少部分文字；根據對應該交易資料的該商店特徵搜尋對應該商店特徵之該至少部分文字，自網路上的一網路資料； 以一比對規則比對該網路資料與儲存於一資料庫中的複數個商店種類，以找出符合該網路資料的一第一商店種類，並且將該交易資料歸類於該第一商店種類；儲存對應該第一商店種類的該商店特徵至該資料庫，以作為一歷史商店特徵，根據該歷史商店特徵以及該第一商店種類更新該比對規則；計算該所有該交易資料中對應該等商店種類的消費次數及該交易金額以各別產生對應每一該商店種類的一商店消費總次數以及一商店消費總金額；以及根據每一該商店種類的該商店消費總次數及該商店消費總金額自該資料庫所儲存的複數個客戶標籤中找出至少一第一客戶標籤，並且將該客戶歸類於該至少一第一客戶標籤。
8. 如申請專利範圍第7項所述之智能客戶貼標方法，其中該等客戶標籤分別對應一消費次數閾值以及一消費金額閾值，並且於根據每一該商店種類的該商店消費總次數及該商店消費總金額自該資料庫所儲存的複數個客戶標籤中找出至少一第一客戶標籤，並且將該客戶歸類於該至少一第一客戶標籤的步驟中，進一步包含：當該商店種類的該商店消費總次數以及該商店消費總金額之至少一者超過對應該第一客戶標籤的該消費次數閾值以及該消費金額閾值時，將該客戶歸類於該第一客戶標籤。
9. 如申請專利範圍第7項所述之智能客戶貼標方法，進一步包含以下步驟：儲存所有對應每一該商店種類的該商店消費總次數及該商店消費總金額至該資料庫；並且，於根據每一該商店種類的該商店消費總次數及該商店消費總金額自該資料庫所儲存的複數個客戶標籤中找出至少一第一客戶 標籤，並且將該客戶歸類於該至少一第一客戶標籤的步驟中，進一步包含：根據每一該商店種類的該商店消費總次數及該商店消費總金額於該資料庫中所有對應該商店種類的該商店消費總次數及該商店消費總金額的占比找出該至少一第一客戶標籤，並且將該客戶歸類於該至少一第一客戶標籤。
10. 如申請專利範圍第7項所述之智能客戶貼標方法，進一步包含以下步驟：儲存對應該商店種類的該商店特徵至該資料庫以作為一歷史商店特徵，並且根據該歷史商店特徵以及包含該商店特徵的該網路資料產生該比對規則；以及對該商店特徵及該網路資料進行機器學習，以更新該比對規則。
11. 如申請專利範圍第7項所述之智能客戶貼標方法，其中該比對規則為詞袋模型比對、相似度比對、上下文比對及商戶類別代碼比對之至少一者。

Images