TWI779889B - 一種串流動態銷售裝置、系統及方法 - Google Patents

一種串流動態銷售裝置、系統及方法 Download PDF

Info

Publication number
TWI779889B
TWI779889B TW110138898A TW110138898A TWI779889B TW I779889 B TWI779889 B TW I779889B TW 110138898 A TW110138898 A TW 110138898A TW 110138898 A TW110138898 A TW 110138898A TW I779889 B TWI779889 B TW I779889B
Authority
TW
Taiwan
Prior art keywords
commodity
user
audio
purchase
visual
Prior art date
Application number
TW110138898A
Other languages
English (en)
Other versions
TW202318307A (zh
Inventor
杜仲弘
Original Assignee
中華電信股份有限公司
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 中華電信股份有限公司 filed Critical 中華電信股份有限公司
Priority to TW110138898A priority Critical patent/TWI779889B/zh
Application granted granted Critical
Publication of TWI779889B publication Critical patent/TWI779889B/zh
Publication of TW202318307A publication Critical patent/TW202318307A/zh

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一種串流動態銷售裝置、系統及方法，係包括至少一使用端裝置及一影音商品服務裝置，其中，該使用端裝置傳送用戶資料至該影音商品服務裝置，以由該影音商品服務裝置依據該用戶資料計算出一獲利程度值。該影音商品服務裝置再比較臨界值及獲利程度值，以較明確地預測此用戶是否會購買商品，且獲利程度值更能作為後續優惠計算時的基礎。藉此，本發明能依據獲利程度值計算出合理且優惠的價格給用戶，進而增加用戶的黏著度及提升用戶的購買率，並提升系統效率。

Description

一種串流動態銷售裝置、系統及方法
本發明係關於一種串流銷售技術，尤其指一種串流動態銷售裝置、系統及方法。
現有的OTT影音服務(Over-the-top media services)之銷售方案多是由人工建立，或僅考慮過期時間、數量對價格之關係，納入使用歷程進而產生單一或簡單的銷售方案。
然而，現有產生OTT影音服務之銷售方案的方式無法動態地依據用戶購買商品行為，快速且精確地做出反應，進而提供合理且優惠的商品價格給用戶，以增加用戶的黏著度，且提升用戶的購買率。此外，人工建立的OTT影音服務之銷售方案往往會因人為疏失發生價格誤植等錯誤發生，也造成提供OTT影音服務之業者產生相當大的損失。
因此，如何提供一種串流銷售機制，能提供合理且優惠的商品價格給用戶，進而增加用戶的黏著度及提升用戶的購買率，且避免人為錯誤的發生，並提升系統效率，遂成為業界亟待解決的課題。
為了解決上述問題或提供相關之功能，本發明提供一串流動態銷售系統，係包括：至少一使用端裝置，係提供一推薦影音列表及一第一銷售方案給一用戶進行商品選購，以由該使用端裝置記錄該用戶依據該推薦影音列表及該第一銷售方案對一第一商品之用戶行為，俾產生一第一用戶資料；以及一影音商品服務裝置，係通訊連接該使用端裝置以接收該第一用戶資料，以由該影音商品服務裝置依據該第一用戶資料進行計算而產生複數購買因子，以及依據該第一用戶資料得到一購買資訊，其中，該影音商品服務裝置係依據該複數購買因子及第一權重利用一獲利演算法計算出一第一獲利程度值，以由該影音商品服務裝置再依據該第一獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價，再使該影音商品服務裝置依據該第一商品之第二商品售價及一組合銷售模式產生一第二銷售方案，俾將該推薦影音列表及該第二銷售方案傳送給該使用端裝置。
本發明復提供一種串流動態銷售方法，係包括下列步驟；由至少一使用端裝置提供一推薦影音列表及一第一銷售方案給一用戶進行商品選購，再令該使用端裝置記錄該用戶依據該推薦影音列表及該第一銷售方案對一第一商品之用戶行為產生一第一用戶資料；由一影音商品服務裝置接收該第一用戶資料，以依據該第一用戶資料進行計算而產生複數購買因子，以及依據該第一用戶資料得到一購買資訊；由該影音商品服務裝置依據該複數購買因子及第一權重利用一獲利演算法計算出一第一獲利程度值，供該影音商品服務裝置依據該第一獲利程度值及該第一商品之第一商 品售價計算出該第一商品之第二商品售價；以及由該影音商品服務裝置依據該第一商品之第二商品售價及一組合銷售模式產生一第二銷售方案，俾將該推薦影音列表及該第二銷售方案傳送給該使用端裝置。
於一實施例中，該複數購買因子係包括整體購買頻率、動態購買頻率、用戶商品喜好度以及商品熱度之至少一者或其組合。
於一實施例中，該影音商品服務裝置包括一訓練模組，係依據一包含購買訓練資料集或未購買訓練資料集之訓練資料集利用深度學習計算出一第一臨界值，以由訓練模組比對第一臨界值及該第一獲利程度值，將該第一用戶資料區分至該購買訓練資料集或該未購買訓練資料集，俾產生一區分結果。
於一實施例中，當該訓練模組所產生之該區分結果與該購買資訊中所記錄之用戶實際購買行為不同時，令該訓練模組依據該訓練資料集及該第一用戶資料利用深度學習訓練出一回饋模型，以產生該複數購買因子之第二權重以及一第二臨界值後，取代該複數購買因子之第一權重以及該第一臨界值，俾計算出一第二獲利程度值。
於一實施例中，該訓練模組係定期或定量地依據該訓練資料集利用深度學習訓練出一回饋模型，於產生該複數購買因子之第二權重以及一第二臨界值後，取代該複數購買因子之第一權重以及該第一臨界值，以計算出一第二獲利程度值。
於一實施例中，該影音商品服務裝置係依據該第二獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價，以使 該影音商品服務裝置依據該第一商品之第二商品售價及該組合銷售模式產生該第二銷售方案。
本發明又提供一串流動態銷售裝置，係包括：資料擷取模組，係接收依據推薦影音列表及第一銷售方案對一第一商品之用戶行為所產生之第一用戶資料；統計模組，係依據該第一用戶資料進行計算以產生複數購買因子，以及依據該第一用戶資料得到一購買資訊，以依據該複數購買因子及第一權重利用一獲利演算法計算出一第一獲利程度值；計算模組，係依據該第一獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價；以及銷售方案產生模組，係依據該第一商品之第二商品售價及一組合銷售模式產生一第二銷售方案，俾傳送該推薦影音列表及該第二銷售方案。
由上述可知，本發明之串流動態銷售裝置、系統及方法，係利用深度學習以調整權重及臨界值，以及依據用戶購買商品所產生之用戶資料及權重以計算出獲利程度值，藉此透過比較臨界值及獲利程度值以較明確地預測此用戶是否會購買商品，且所計算出的獲利程度值更能作為後續優惠計算時的基礎，進而增加用戶的黏著度及提升用戶的購買率，並提升系統效率。
1:串流動態銷售系統
10:使用端裝置
11:影音及方案推薦模組
12:操作歷程模組
20:影音商品服務裝置
21:資料擷取模組
22:統計模組
23:訓練模組
24:計算模組
25:銷售方案產生模組
S21至S25:步驟
圖1係為本發明之串流動態銷售系統之架構示意圖；以及
圖2係為本發明之串流動態銷售方法之流程示意圖。
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係為本發明之串流動態銷售系統1之架構示意圖。如圖1所示，該串流動態銷售系統1係包括：至少一使用端裝置10及一影音商品服務裝置(亦可稱為串流動態銷售裝置)20，且使用端裝置10包括一影音及方案推薦模組11及一操作歷程模組12，而影音商品服務裝置20係包括一資料擷取模組21、一統計模組22、一訓練模組23、一計算模組24及一銷售方案產生模組25，且影音商品服務裝置20係通訊連接使用端裝置10。
具體而言，使用端裝置10可為智慧型電視、具有機上盒(Set-top box,STB)之電視、智慧型手機、平板電腦、個人電腦或其他電子裝置等，但不限於上述，以及影音商品服務裝置20係可為提供OTT影音服務 (Over-the-top media services)之影音商品服務雲端平台裝置，且建立於伺服器(如通用型伺服器、檔案型伺服器、儲存單元型伺服器等)及電腦等具有適當演算機制之電子設備中，且使用端裝置10及影音商品服務裝置20中之該些模組均可為軟體、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。
所述之使用端裝置10中之影音及方案推薦模組11，係從影音商品服務裝置20取得推薦影音列表及第一銷售方案，以供推薦影音列表及第一銷售方案給一用戶進行商品選購。
所述之使用端裝置10中之操作歷程模組12，係記錄用戶依據推薦影音列表及第一銷售方案所產生之對一第一商品之用戶行為，以產生一第一用戶資料，且操作歷程模組12再傳送第一用戶資料至影音商品服務裝置20。例如，操作歷程模組12記錄用戶依據推薦影音列表及第一銷售方案對商品進行選擇、瀏覽、觀看或購買等之用戶行為。在一實施例中，用戶行為並非一定要購買商品，更可包括選擇、瀏覽或觀看等行為，且用戶行為不限於上述選擇、瀏覽、購買或觀看等行為。又，此第一商品係為OTT影音服務之影音商品，例如：電視節目、電影或劇集等，但不限於此。
所述之影音商品服務裝置20中之資料擷取模組21，係接收來自使用端裝置10之第一用戶資料。
所述之影音商品服務裝置20中之統計模組22，係依據資料擷取模組21所接收之第一用戶資料進行統計計算，以計算出複數購買因子 (如一整體購買頻率(X1 u )、一動態購買頻率(X2 u )、一用戶商品喜好度(X3 u,p )及一商品熱度(X4 p ))，以及統計模組22依據第一用戶資料得到一購買資訊(R)。
在一實施例中，整體購買頻率(X1 u )係為「一用戶購買商品之總次數/所有用戶購買商品之總次數」；動態購買頻率(X2 u )係定義為動態銷售方案購買頻率，且為「近期一用戶購買商品之總次數/近期所有用戶購買商品之總次數」，其中，「近期」係可定義為1周、1個月或3個月等；用戶商品喜好度(X3 u,p )係為「用戶對一商品喜好的得分/操作項目之總數量」，其中，操作項目可包含搜尋、瀏覽、收藏、播放預告片或進入購買頁等，但不限於此，而用戶對商品喜好的得分係為用戶對於一商品所執行之操作項目的數量，如每執行一操作項目，則計數1次，以此累計之次數作為用戶對商品喜好的得分；以及商品熱度(X4 p )係可為透過爬蟲工具抓取社群(如PPT或Facebook等)資料經正規化後所產生介於0~1之間的值，或是依據搜尋商品關鍵字搜尋次數、商品瀏覽次數、IMDB評價等資料或其及結合，以經正規化後所產生介於0~1之間的值，於此不限定以何種方式產生商品熱度(X4 p )。
再者，整體購買頻率(X1 u )、動態購買頻率(X2 u )、用戶商品喜好度(X3 u,p )以及商品熱度(X4 p )係為一獲利演算法(1)之四個購買因子，且各個購買因子皆具有相對應之第一權重w1,w2,w3,w4，藉此統計模組22依據獲利演算法(1)計算出用戶購買商品時的一獲利程度值(Y u,p )，其中，獲利程度值(Y u,p )係為0~1範圍中的值、第一權重w1,w2,w3,w4可設為相同或不同值、u係為用戶以及p係為商品，而獲利演算法(1)係如下所示：
獲利程度值(Y u,p )=w1×整體購買頻率(X1 u )+w2×動態購買頻率(X2 u )
+w3×用戶商品喜好度(X3 u,p )+w4×商品熱度(X4 p ) (1)
所述之影音商品服務裝置20之訓練模組23，係利用獲利演算法(1)且依據第一權重及統計模組22所計算出之各個購買因子(整體購買頻率(X1 u )、動態購買頻率(X2 u )、用戶商品喜好度(X3 u,p )以及商品熱度(X4 p ))及其相對應之第一權重w1,w2,w3,w4以計算出一第一獲利程度值(Y u,p )。
在一實施例中，訓練模組23利用深度學習且依據一訓練資料集計算出一第一臨界值(T)，以由訓練模組23比對第一臨界值(T)及第一獲利程度值(Y u,p )，俾將第一用戶資料正確地區分至一購買訓練資料集或一未購買訓練資料集，進而產生一區分結果，其中，訓練資料集係為用戶購買複數商品的歷史購買資料，亦即，訓練資料集包括購買訓練資料集及未購買訓練資料集，而深度學習可包括卷積神經網路(Convolution Neural Network,CNN)或支援向量機(support vector machine,SVM)等，但不限於上述。舉例而言，第一獲利程度值(Y u,p )若低於第一臨界值(T)，則第一用戶資料被區分為購買訓練資料集；反之，若第一獲利程度值(Y u,p )若高於第一臨界值(T)，則第一用戶資料被區分為未購買訓練資料集。
在一實施例中，當訓練模組23所產生之用戶資料之區分結果與購買資訊(R)中所記錄之用戶實際購買行為不同時，訓練模組23依據訓練資料集及用戶資料且利用深度學習訓練一回饋模型，以產生各個購買因子(整體購買頻率(X1 u )、動態購買頻率(X2 u )、用戶商品喜好度(X3 u,p )以及商品熱度(X4 p ))相對應之第二權重w1’,w2’,w3’,w4’以及第二臨界值(T’)，且訓 練模組23利用獲利演算法(1)且依據各個購買因子及其相對應之第二權重w1’,w2’,w3’,w4’以計算出一第二獲利程度值(Y u,p ’)。是以，訓練模組23透過計算出的第二臨界值(T’)以更正確地將用戶資料正確地區分至購買訓練資料集或未購買訓練資料集。換言之，可透過第二獲利程度值(Y u,p ’)及第二臨界值(T’)更明確地預測用戶使否購買商品。
舉例而言，訓練模組23所計算之獲利程度值(Y u,p )係低於臨界值(T)(亦即用戶資料被區分為購買訓練資料區)，但購買資訊(R)中記錄用戶實際購買行為係為未購買時，訓練模組23依據訓練資料集及用戶資料且利用深度學習訓練回饋模型，以產生各個購買因子相對應之第二權重w1’,w2’,w3’,w4’以及第二臨界值(T’)。
在一實施例中，訓練模組23亦可定期(如每月)或定量(如收到用戶十筆用戶資料)地依據訓練資料集及第一用戶資料且利用深度學習訓練回饋模型，以產生各個購買因子相對應之第二權重w1’,w2’,w3’,w4’以及第二臨界值(T’)。
所述之影音商品服務裝置20之計算模組24，係依據訓練模組23所計算之第一獲利程度值(Y u,p )或第二獲利程度值(Y u,p ’)及第一商品之第一商品售價(包含成本及利潤)，以計算出第一商品之第二商品售價。
所述之影音商品服務裝置20之銷售方案產生模組25，係依據第二商品售價及一組合銷售模式以動態地產生第二銷售方案，且此第二銷售方案亦定義為動態銷售方案，銷售方案產生模組25再將推薦影音列表及第二銷售方案提供給用戶進行商品選購。
下列實施例係為本發明之訓練模組產生權重及臨界值之第一實施例，此第一實施例之主要內容如下，其餘內容相同於上述圖1說明，於此不再重覆敘述。
具體而言，使用端裝置10提供推薦影音列表及第一銷售方案給一用戶進行商品選購，而該用戶依據推薦影音列表及第一銷售方案於使用端裝置10中對商品a,b產生有選擇、瀏覽、觀看或購買之用戶行為，使用端裝置10再依據用戶對商品a,b所產生之用戶行為產生相對應之用戶資料。
再者，使用端裝置10將商品a,b之用戶資料傳送給影音商品服務裝置20，以由影音商品服務裝置20之統計模組22依據商品a,b之用戶資料進行統計計算，以分別計算出商品a,b之複數購買因子(如一整體購買頻率(X1 u )、一動態購買頻率(X2 u )、一用戶商品喜好度(X3 u,p )及一商品熱度(X4 p ))，以及影音商品服務裝置20依據商品a,b之用戶資料得到商品a,b之購買資訊(R)，藉此形成一訓練資料集，如表1所示。
表1：訓練資料集及其獲利程度值
Figure 110138898-A0101-12-0010-1
影音商品服務裝置20之訓練模組23依據商品a,b之複數購買因子及第一權重w1,w2,w3,w4(如表2所示)計算出商品a,b之第一獲利程度值(Y u,p )(如表1所示)，且訓練模組23以分別比對第一臨界值(T)及商品a,b之 第一獲利程度值(Y u,p )，其中，訓練模組23比對出商品a之第一獲利程度值(0.35)低於第一臨界值(0.375)，以將商品a之用戶資料區分為購買訓練資料集，以及影音商品服務裝置20比對出商品b之第一獲利程度值(0.40)高於第一臨界值(0.35)，以將商品b之用戶資料區分為未購買訓練資料集。接著，訓練模組23確認商品a,b之區分結果與購買資訊(R)中所記錄之用戶實際購買行為一致，是以，影音商品服務裝置20提供商品a,b之第一獲利程度值(Y u,p )係作為後續產生有關商品a,b之第二銷售方案時優惠計算之基礎。
表2：第一權重及第一臨界值
Figure 110138898-A0101-12-0011-2
另一方面，影音商品服務裝置20又從使用端裝置10接受到商品c之用戶資料，且同樣的訓練模組23依據商品c之用戶資料計算出複數購買因子及第一獲利程度值(如表1所示)，訓練模組23再比對出商品c之第一獲利程度值(0.40)高於第一臨界值(0.35)，以將商品c之用戶資料區分為未購買訓練資料集，並確認商品c之區分結果與購買資訊(R)中所記錄之用戶實際購買行為是否一致。
然而，訓練模組23確認商品c有被用戶購買，但被區分為未購買訓練資料集。對此，訓練模組23依據訓練資料集(包含商品c之用戶資料)且利用深度學習訓練一回饋模型，以產生各個購買因子相對應之第二權重w1’,w2’,w3’,w4’以及第二臨界值(T’)，如表3所示，且影音商品服務裝置20利用獲利演算法(1)且依據商品a,b,c之各個購買因子及其相對應之第二權重w1’,w2’,w3’,w4’以計算出一第二獲利程度值(Y u,p ’)，如表1所示。
表3：第二權重及第二臨界值
Figure 110138898-A0101-12-0012-3
是以，訓練模組23依據商品a,b,c之複數購買因子及第二權重w1’,w2’,w3’,w4’(如表3所示)重新計算出商品a,b,c之第二獲利程度值(Y u,p ’)(如表1所示)，訓練模組23再分別比對第二臨界值(T’)及商品a,b,c之第二獲利程度值(Y u,p ’)後正確地區分商品a,b,c之用戶資料，且將商品a,b,c之第二獲利程度值(Y u,p ’)係作為後續產生有關商品a,b,c之第二銷售方案時優惠計算之基礎。
下列實施例係為本發明之銷售方案產生模組產生第二銷售方案之第二實施例，此第二實施例之主要內容如下，其餘內容相同於上述圖1及第一實施例說明，於此不再重覆敘述。
具體而言，影音商品服務裝置20接收由複數使用端裝置10所分別傳送用戶U1,U2,U3依據推薦影音列表及第一銷售方案所產生之商品P1,P2之用戶資料，且影音商品服務裝置20之統計模組22依據用戶U1,U2,U3對商品P1,P2所產生之商品P1,P2之用戶資料分別計算出複數購買因子，如表4至表6所示。
表4：用戶之整體購買頻率及動態購買頻率
Figure 110138898-A0101-12-0012-4
表5：用戶對商品之用戶商品喜好度
Figure 110138898-A0101-12-0013-5
表6：商品之商品熱度
Figure 110138898-A0101-12-0013-7
影音商品服務裝置20之訓練模組23再依據表4至表6所記載之複數購買因子及第三權重(如w1,w2,w3,w4=0.25,0.25,0.25,0.25)以分別計算出用戶U1,U2,U3對商品P1,P2之獲利程度值，如表7所示。
表7：第二銷售方案(亦即動態銷售方案)
Figure 110138898-A0101-12-0013-8
影音商品服務裝置20之計算模組24依據訓練模組23所計算出用戶U1,U2,U3對商品P1,P2之獲利程度值及原商品售價(包含成本及利潤)再計算出商品P1,P2分別對用戶U1,U2,U3之折扣後商品售價。例如：商品P1對用戶U1之折扣後商品售價係為利潤(60)×獲利程度值(0.725)+ 成本(60)=折扣後商品售價(103.5)，亦即原商品售價的86.25折，如表7所示。
影音商品服務裝置20之銷售方案產生模組25依據一組合銷售模式以及折扣後商品售價以動態地產生商品P1,P2分別對用戶U1,U2,U3之第二銷售方案。
舉例而言，商品P1對用戶U1之折扣後商品售價係為103.5，亦即讓利16.5，且銷售方案產生模組25依據組合銷售模式中各銷售模式之銷售權重分別乘上讓利(16.5)以得到各銷售模式之優惠金額，例如：讓利(16.5)×折扣之銷售權重(0.4)、讓利(16.5)×看片金之銷售權重(0.3)、讓利(16.5)×抵用券之銷售權重(0.3)=6.6、4.95、4.95，經銷售方案產生模組25對6.6、4.95、4.95進行四捨五入後得到折扣之優惠金額(7)、看片金之優惠金額(5)以及抵用券之優惠金額(5)，但抵用券之優惠金額最低為10，故銷售方案產生模組25將抵用券之優惠金額(5)計算至折扣之優惠金額，以得到折扣之優惠金額為12。
表8：組合銷售模式
Figure 110138898-A0101-12-0014-9
是以，銷售方案產生模組25依據折扣之優惠金額(12)及抵用券之優惠金額(5)可得到看片金為五元+折扣為9折((120-12)/120=0.9)之商品P1對用戶U1之第二銷售方案(亦即動態銷售方案)。
此外，可進一步說明，依據表4所示可知用戶U1,U2,U3對於相同的商品P1分別的獲利程度值(如0.725,0.625,0.525)。是以，用戶U3拿到的優惠較好，而用戶U1比起用戶U2，用戶U1是老用戶其計算出的獲利程度值較高，老用戶本身的黏著性高且購買力強，所以在第二銷售方案的優惠上可僅適當地降低優惠即可。另一方面，用戶U2比起用戶U3，用戶U2之動態購買頻率(X2 u )比其整體購買頻率(X1 u )來得高，而用戶U3之動態購買頻率(X2 u )與整體購買頻率(X1 u )並無差異，換言之，用戶U2更加偏好動態銷售方案(亦即第二銷售方案)，而用戶U3並無特別偏好動態銷售方案。
圖2係為本發明之串流動態銷售方法之流程示意圖，且此串流動態銷售方法流程之主要內容如下，其餘內容相同於上述圖1以及實施例說明，於此不再重覆敘述，其中，該方法流程包含下列步驟S21至步驟S25。
於步驟S21中，使用端裝置10從影音商品服務裝置20取得推薦影音列表及第一銷售方案，以供推薦影音列表及第一銷售方案給一用戶進行商品選購。
於步驟S22中，使用端裝置10記錄用戶依據推薦影音列表及第一銷售方案所購買一第一商品之用戶行為，以產生一第一用戶資料。
於步驟S23中，影音商品服務裝置20依據所接收之第一用戶資料進行統計計算以產生複數購買因子，以及影音商品服務裝置20依據第一用戶資料得到購買資訊。
於步驟S24中，影音商品服務裝置20依據訓練資料集及第一用戶資料且利用深度學習訓練一回饋模型，以產生各個購買因子之權重， 影音商品服務裝置20再利用一獲利演算法且依據各個購買因子及其權重計算出一第一獲利程度值。
於步驟S25中，影音商品服務裝置20依據計算出的第一獲利程度值及第一商品之第一商品售價，以計算出第一商品之第二商品售價，再依據第二商品售價及一組合銷售模式以動態地產生第二銷售方案，再回到步驟S21，以供推薦影音列表及第二銷售方案給用戶進行商品選購。
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，本發明之串流動態銷售裝置、系統及方法，係利用深度學習以調整權重及臨界值，以及依據用戶購買商品所產生之用戶資料及權重以計算出獲利程度值，藉此透過比較臨界值及獲利程度值以更明確地預測此用戶是否會購買商品，且所計算出的獲利程度值更能作為後續優惠計算時的基礎，故相較於現有技術，本發明能依據獲利程度值計算出合理且優惠的價格給用戶，進而增加用戶的黏著度及提升用戶的購買率，並提升系統效率。
此外，本發明之串流動態銷售裝置、系統及方法係具備下列優點或技術功效。
一、本發明依據用戶購買商品所產生之用戶資料及權重以計算出獲利程度值，進而比較獲利程度值與臨界值以區分用戶資料至購買訓練資料集或未購買訓練資料集，藉此預測用戶是否購買商品，當預測出的 結果與用戶實際購買行為一致時，此獲利程度值以提供動態銷售方案作為優惠計算之基礎，進而計算出合理且優惠的價格給用戶。
二、本發明能依據獲利程度值自動化產生適合用戶的動態銷售方案，不同用戶也能得到獨特的方案內容，且量化的獲利程度值可讓提供OTT影音服務之業者在動態調整銷售方案時更有依據，而非傳統憑感覺設定銷售方案。
三、本發明能依據利用資訊分析及自動化等方式，避免銷售方案之價格誤植或促銷受到用戶操弄等問題發生，並提升系統效率。
四、本發明依據整體購買頻率及動態購買頻率，以判斷用戶購買商品行為，當用戶較少因動態銷售方案購買商品時，會降低整體購買頻率及動態購買頻率，以使本發明所計算出的獲利程度值較低，讓用戶得到更多回饋，促使用戶購買商品且吸引新用戶。
五、即使用戶很常購買商品，造成獲利程度值較高，但本發明透過比較獲利程度值與臨界值能預測用戶是否會購買，當獲利程度值高於臨界值(亦即用戶可能不會購買商品)時，本發明透過用戶之訓練資料集重新產生權重及臨界值，以降低成獲利程度值，避免坑殺熟客且提升提供OTT影音服務之業者名聲。
六、本發明藉由用戶之用戶資料所形成之訓練資料集，透過深度學習能產生適當的權重及臨界值，藉此更明確預測用戶是否購買商品。
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:串流動態銷售系統
10:使用端裝置
11:影音及方案推薦模組
12:操作歷程模組
20:影音商品服務裝置
21:資料擷取模組
22:統計模組
23:訓練模組
24:計算模組
25:銷售方案產生模組

Claims (13)

  1. 一種串流動態銷售系統，係包括：
    至少一使用端裝置，係提供一推薦影音列表及一第一銷售方案給一用戶進行商品選購，以由該使用端裝置記錄該用戶依據該推薦影音列表及該第一銷售方案對一第一商品之用戶行為，俾產生一第一用戶資料；以及
    一影音商品服務裝置，係通訊連接該使用端裝置以接收該第一用戶資料，以由該影音商品服務裝置依據該第一用戶資料進行計算而產生複數購買因子，以及依據該第一用戶資料得到一購買資訊，
    其中，該影音商品服務裝置係依據該複數購買因子及第一權重利用一獲利演算法計算出一第一獲利程度值，以由該影音商品服務裝置依據該第一獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價，再使該影音商品服務裝置依據該第一商品之第二商品售價及一組合銷售模式產生一第二銷售方案，俾將該推薦影音列表及該第二銷售方案傳送給該使用端裝置。
  2. 如請求項1所述之串流動態銷售系統，其中，該複數購買因子係包括整體購買頻率、動態購買頻率、用戶商品喜好度以及商品熱度之至少一者或其組合。
  3. 如請求項1所述之串流動態銷售系統，其中，該影音商品服務裝置包括一訓練模組，係依據一包含購買訓練資料集或未購買訓練資料集之訓練資料集利用深度學習計算出一第一臨界值，以由訓練模組比對第一臨界值及該第一獲利程度值，將該第一用戶資料區分至該購買訓練資料集或該未購買訓練資料集，俾產生一區分結果。
  4. 如請求項3所述之串流動態銷售系統，其中，當該訓練模組所產生之該區分結果與該購買資訊中所記錄之用戶實際購買行為不同時，令該訓練模組依據該訓練資料集及該第一用戶資料利用深度學習訓練一回饋模型，以產生該複數購買因子之第二權重以及一第二臨界值後，取代該複數購買因子之第一權重以及該第一臨界值，俾計算出一第二獲利程度值。
  5. 如請求項3所述之串流動態銷售系統，其中，該訓練模組係定期或定量地依據該訓練資料集利用深度學習訓練出一回饋模型，於產生該複數購買因子之第二權重以及一第二臨界值後，取代該複數購買因子之第一權重以及該第一臨界值，以計算出一第二獲利程度值。
  6. 如請求項4或5所述之串流動態銷售系統，其中，該影音商品服務裝置係依據該第二獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價，以使該影音商品服務裝置依據該第一商品之第二商品售價及該組合銷售模式產生該第二銷售方案。
  7. 一種串流動態銷售方法，係包括下列步驟：
    由至少一使用端裝置提供一推薦影音列表及一第一銷售方案給一用戶進行商品選購，再令該使用端裝置記錄該用戶依據該推薦影音列表及該第一銷售方案對一第一商品之用戶行為產生一第一用戶資料；
    由一影音商品服務裝置接收該第一用戶資料，以依據該第一用戶資料進行計算而產生複數購買因子，以及依據該第一用戶資料得到一購買資訊；
    由該影音商品服務裝置依據該複數購買因子及第一權重利用一獲利演算法計算出一第一獲利程度值，供該影音商品服務裝置依據該第一獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價；以及
    由該影音商品服務裝置依據該第一商品之第二商品售價及一組合銷售模式產生一第二銷售方案，俾將該推薦影音列表及該第二銷售方案傳送給該使用端裝置。
  8. 如請求項7所述之串流動態銷售方法，其中，該複數購買因子係包括整體購買頻率、動態購買頻率、用戶商品喜好度以及商品熱度之至少一者或其組合。
  9. 如請求項7所述之串流動態銷售方法，更包括由該影音商品服務裝置依據一包含購買訓練資料集或未購買訓練資料集之訓練資料集利用深度學習計算出一第一臨界值，再由該影音商品服務裝置比對第一臨界值及該第一獲利程度值，以將該第一用戶資料區分至該購買訓練資料集或該未購買訓練資料集，進而產生一區分結果。
  10. 如請求項9所述之串流動態銷售方法，更包括當該影音商品服務裝置所產生之該區分結果與該購買資訊中所記錄之用戶實際購買行為不同時，由該影音商品服務裝置依據該訓練資料集及該第一用戶資料利用深度學習訓練出一回饋模型，於產生該複數購買因子之第二權重以及一第二臨界值後，取代該複數購買因子之第一權重以及該第一臨界值，進而計算出一第二獲利程度值。
  11. 如請求項9所述之串流動態銷售方法，更包括由該影音商品服務裝置定期或定量地依據該訓練資料集利用深度學習訓練出一回饋模型，於產生該複數購買因子之第二權重以及一第二臨界值後，取代該複數購買因子之第一權重以及該第一臨界值，以計算出一第二獲利程度值。
  12. 如請求項10或11所述之串流動態銷售方法，更包括由該影音商品服務裝置依據該第二獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價，再由該影音商品服務裝置依據該第一商品之第二商品售價及該組合銷售模式產生該第二銷售方案。
  13. 一種串流動態銷售裝置，係包括：
    資料擷取模組，係接收依據推薦影音列表及第一銷售方案對一第一商品之用戶行為所產生之第一用戶資料；
    統計模組，係依據該第一用戶資料進行計算以產生複數購買因子，以及依據該第一用戶資料得到一購買資訊，以依據該複數購買因子及第一權重利用一獲利演算法計算出一第一獲利程度值；
    計算模組，係依據該第一獲利程度值及該第一商品之第一商品售價計算出該第一商品之第二商品售價；以及
    銷售方案產生模組，係依據該第一商品之第二商品售價及一組合銷售模式產生一第二銷售方案，俾傳送該推薦影音列表及該第二銷售方案。
TW110138898A 2021-10-20 2021-10-20 一種串流動態銷售裝置、系統及方法 TWI779889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW110138898A TWI779889B (zh) 2021-10-20 2021-10-20 一種串流動態銷售裝置、系統及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110138898A TWI779889B (zh) 2021-10-20 2021-10-20 一種串流動態銷售裝置、系統及方法

Publications (2)

Publication Number Publication Date
TWI779889B true TWI779889B (zh) 2022-10-01
TW202318307A TW202318307A (zh) 2023-05-01

Family

ID=85462636

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110138898A TWI779889B (zh) 2021-10-20 2021-10-20 一種串流動態銷售裝置、系統及方法

Country Status (1)

Country Link
TW (1) TWI779889B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080195433A1 (en) * 2006-08-16 2008-08-14 James Robert Glenn Dynamic Value Stream Mapping Software
CN107341172A (zh) * 2017-05-12 2017-11-10 广州优视网络科技有限公司 视频收益计算建模装置与方法及视频推荐装置与方法
TWI715488B (zh) * 2020-04-29 2021-01-01 中華電信股份有限公司 一種應用於ｉｐｔｖ之分時推薦系統及其方法
CN113139856A (zh) * 2021-05-14 2021-07-20 青岛聚看云科技有限公司 影视会员套餐推荐方法及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080195433A1 (en) * 2006-08-16 2008-08-14 James Robert Glenn Dynamic Value Stream Mapping Software
CN107341172A (zh) * 2017-05-12 2017-11-10 广州优视网络科技有限公司 视频收益计算建模装置与方法及视频推荐装置与方法
TWI715488B (zh) * 2020-04-29 2021-01-01 中華電信股份有限公司 一種應用於ｉｐｔｖ之分時推薦系統及其方法
CN113139856A (zh) * 2021-05-14 2021-07-20 青岛聚看云科技有限公司 影视会员套餐推荐方法及设备

Also Published As

Publication number Publication date
TW202318307A (zh) 2023-05-01

Similar Documents

Publication Publication Date Title
US10783563B2 (en) Methods and systems for modeling campaign goal adjustment
Alaei et al. Marketplace, reseller, or web-store channel: The impact of return policy and cross-channel spillover from marketplace to web-store
US10555050B2 (en) Cross-screen measurement accuracy in advertising performance
US10049139B2 (en) Diversity within search results
US8615474B2 (en) System and methods for providing user generated video reviews
US20170213243A1 (en) Media content advertisement system based on a ranking of a segment of the media content and user interest
Lee et al. Matching mobile applications for cross-promotion
US20150235258A1 (en) Cross-device reporting and analytics
US20150235275A1 (en) Cross-device profile data management and targeting
CN109417644B (zh) 跨屏广告投放的收益优化
Liu et al. Optimal decisions and coordination of live streaming selling under revenue‐sharing contracts
WO2011116048A4 (en) Advertising server and media management platform
CN103377250A (zh) 基于邻域的top-k推荐方法
WO2012067938A2 (en) Selecting media advertisements for presentation based on their predicted playtimes
US10650404B2 (en) Real-time bidding through placebo-based experimentation
US20160034937A1 (en) Systems and Methods for Enhanced Price Adjustment Location and Sharing of Rewards with Partners
McKie et al. How do consumers choose between multiple product generations and conditions? An empirical study of iPad sales on eBay
US20150178788A1 (en) Media service recommendation and selection
JP6397092B1 (ja) 配信装置、配信方法および配信プログラム
US20140207620A1 (en) Systems and Methods for Taxonomy-Based Price Adjustments and Product Location
TWI779889B (zh) 一種串流動態銷售裝置、系統及方法
JP6705123B2 (ja) 購買意欲推定プログラム及び情報処理装置
JP6305595B1 (ja) 情報提供装置、情報提供方法および情報提供プログラム
JP6924611B2 (ja) 情報処理装置、情報処理方法及びプログラム
US20130117071A1 (en) Techniques for providing perceived quality metric analysis

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent