TWI826881B - 喚醒未購物消費者之系統及其實施方法 - Google Patents
喚醒未購物消費者之系統及其實施方法 Download PDFInfo
- Publication number
- TWI826881B TWI826881B TW110148300A TW110148300A TWI826881B TW I826881 B TWI826881 B TW I826881B TW 110148300 A TW110148300 A TW 110148300A TW 110148300 A TW110148300 A TW 110148300A TW I826881 B TWI826881 B TW I826881B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- path
- product
- user
- database
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 13
- 230000002618 waking effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000037007 arousal Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 4
- 229920000049 Carbon (fiber) Polymers 0.000 description 3
- 229910001069 Ti alloy Inorganic materials 0.000 description 3
- 239000004917 carbon fiber Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000010408 sweeping Methods 0.000 description 3
- 230000009194 climbing Effects 0.000 description 2
- 230000009189 diving Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241001669679 Eleotris Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明揭露一種喚醒未購物消費者之系統及其實施方法,係利用人工智慧將消費者分群,再判斷出長期未購物的消費者,透過分析分群結果提供符合消費者所需的商品,作為消費者購物的選擇參考,進而勾起消費者購買商品的慾望,達到喚醒長期未購物的消費者。
Description
本發明涉及一種喚醒未購物消費者之系統及其實施方法,尤指是一種利用人工智慧將消費者分群,再利用分群結果喚醒長期未購物消費者之系統及其實施方法。
消費者的購物歷程對於商家在行銷時,能給予極大的幫助,從揀選商品至購買商品,每一步都蘊含著潛在商機,例如:CN106485536A揭露一種決定下次購買時間區間的方法以及系統,其藉由收集顧客消費紀錄,分析個人購買行為、及人群購買行為,將前述兩種行為作為變量,以決定出個人購買行為時間間隔,並當購買活躍度為沉睡者狀態時,係透過前述顧客消費紀錄分析出做最適當之商品的推薦時間點、及種類推薦給顧客。
然而,CN106485536A僅基於消費者在單一地點的購買行為,如時間、地點、商品,以單一維度的方式計算個人與群體的變量,推斷消費者在每一地點購買商品的週期,再推薦適當的商品給消費者,因此,其欠缺基於多維度的考量,參究消費者的行為,無論是個人或群體,以即商品的屬性,進而推薦消費者所需的商品。
此外,另有其他先前技術可供參考如下:
(1) CN107767217A「購物推薦方法、移動終端及存儲介質」;
(2) CN110751515A「基於用戶消費行為的決策方法和裝置」;
(3) JPA2019046189「抽出装置、抽出方法及び抽出プログラム」;
(4) JPA2020047157「商品推薦装置、商品推薦システム及びプログラム」。
據此,如何基於多維度的考量,針對消費者的行為、及商品的屬性,提供符合消費者所需的商品,或增加投放推銷商品的準確性,進而勾起消費者購買商品的慾望,此乃待須解決之問題。
有鑒於上述的問題,本發明人係依據多年來從事相關行業的經驗,針對喚醒未購物消費者之系統及其實施方法進行改進;緣此,本發明之主要目的在於提供一種喚醒未購物消費者之系統及其實施方法,其主要係以針對消費者的行為、及商品的屬性,提供符合消費者所需的商品,和增加投放推銷商品的準確性,進而勾起消費者購買商品的慾望,以達到喚醒長期未購物的消費者。
為達上述的目的,本發明主要透過一資料處理單元基於一標籤資料庫的多個分類標籤,對一使用者操作一資訊裝置所產生的一路徑數據標籤分類,並儲存於一路徑資料庫,一人工智慧模組經過訓練學習之後,將路徑數據轉換為一向量化數據,再將多個向量化數據分類為一分群數據,其中,路徑數據可為一網站觸發事件、一網站點擊事件、一網站操作行為、一網站停留時間、或前述網站操作行為下的一衍生數據之任一種數據或其數據組合。
其次,資料處理單元根據路徑資料庫中包含多個分類標籤的路徑數據,判斷路徑數據對應的使用者是否為喚醒目標;再者,人工智慧模組基於喚醒目標,將分群數據與一產品資料庫的至少一產品數據進行匹配,產生出一匹配數據;最後,資料處理單元基於匹配數據,提取產品資料庫中與匹配數據相關的一相關產品數據,並傳送至資訊裝置,以提供更多使用者可能會購買的產品,作為使用者購物的選擇參考,或提供使用者參照匹配數據,推銷更多的商品,進而精準投放消費者感興趣的商品,達到喚醒長期未購物的消費者。
為使 貴審查委員得以清楚了解本發明之目的、技術特徵及其實施後之功效,茲以下列說明搭配圖示進行說明,敬請參閱。
請參閱「圖1」,圖1為本發明之系統架構圖,如圖所示,本發明之喚醒未購物消費者系統1與一資訊裝置2呈資訊連接,其主要包含一資料處理單元10,係分別與一標籤資料庫21、一路徑資料庫22、一產品資料庫23、以及一人工智慧模組30呈資訊連接;又,資訊裝置2可為一手機、一平板電腦、一個人電腦等設備之其中一種,但不以此為限。
所述資料處理單元10可用以驅動上述各模組和資料庫,以及對一使用者操作資訊裝置2所產生的一輸入數據標籤分類,如路徑數據、產品數據,並具備接收和傳送資訊訊號、邏輯運算、暫存運算結果、以及保存執行指令位置等功能,且其可為一中央處理器(Central Processing Unit, CPU)或一微控制器(Microcontroller Unit, MCU)。
所述標籤資料庫21、路徑資料庫22、以及產品資料庫23可用以儲存電子資料,其可為一固態硬碟(Solid State Disk or Solid State Drive, SSD)、一硬碟(Hard Disk Drive, HDD)、一靜態記憶體(Static Random Access Memory, SRAM)、一隨機存取記憶體(Random Access Memory, DRAM)、或一雲端硬碟(Cloud Drive)等之任一種或其組合。
標籤資料庫21主要儲存多個分類標籤,以供資料處理單元10對輸入數據標籤分類;路徑資料庫22主要儲存一路徑向量學習數據、一向量分群學習數據、一歷史數據、以及一路徑數據,上述各數據可為由外部資料庫預先輸入的數據;歷史數據可為系統自身所運算及處理之數據,當系統處理完數據資訊之後,其可歸類為路徑向量學習數據和向量分群學習數據;路徑數據可為使用者操作資訊裝置2所產生的輸入數據,其可為一網站觸發事件(如網頁超連結)、一網站點擊事件(如點選廣告)、一網站操作行為(如購買商品、搜索商品)、一網站停留時間、或前述網站操作行為下的一衍生數據(如購物車數據、或購買商品包含的產品數據)之任一種數據或其數據組合,但不以此為限;其中,前述路徑數據可分別包含多個分類標籤;產品資料庫23主要儲存一產品數據,產品數據可為一產品種類、一產品名稱、一產品價格、一產品功能之任一種或其組合,但不以此為限,上述產品數據可為使用者操作資訊裝置2時所產生的輸入數據,或為由外部資料庫預先輸入的產品數據,其中,前述產品數據可分別包含多個分類標籤。
所述人工智慧模組30可用以透過路徑向量學習數據和向量分群學習數據進行訓練學習之後,將路徑數據轉換為一向量化數據,再將多個向量化數據分類為一分群數據,其中,人工智慧模組30可透過監督式學習法(Supervised Learning)、半監督式學習法(Semi-Supervised Learning)、強化式學習法(Reinforcement Learning)、非監督式學習(Unsupervised Learning) 、自監督式學習法 (Self-Supervised Learning)、或啟發式演算法(Heuristic Algorithms)等機器學習法(Machine Learning) 訓練學習,但不以此為限。
請參閱「圖2」,圖2為本發明之實施方法流程圖,如圖所示,本發明之喚醒未購物消費者系統的實施方法,其步驟如下:
接收路徑數據201:本發明之喚醒未購物消費者系統1接收一使用者操作一資訊裝置2所產生的一路徑數據,一資料處理單元10基於一標籤資料庫21的多個分類標籤,將路徑數據進行標籤分類,再將具有多個分類標籤的路徑數據傳送至一路徑資料庫22儲存,其中,路徑數據可為一網站觸發事件(如網頁超連結)、一網站點擊事件(如點選廣告)、一網站操作行為(如購買商品、搜索商品)、一網站停留時間、或前述網站操作行為下的一衍生數據之任一種數據或其數據組合,但不以此為限,上述路徑數據亦可為由外部資料庫預先輸入的數據;其中,衍生數據可為一購物車數據、或購買商品包含的一產品數據之任一種數據或其數據組合。
在一實施例中,請搭配「圖3a」和「圖3b」,圖3a、圖3b分別為本發明之實施示意圖(一)和實施示意圖(二),如圖所示,使用者透過資訊裝置2瀏覽一網站頁面301,在網站頁面301中的一搜尋單元302輸入登山越野車,且選擇瀏覽2種商品、點選一購買單元303購買其中1種鈦合金公路車、以及觸發一廣告單元304的3則廣告,其中,使用者在網站頁面301所產生的網站觸發事件、網站點擊事件、網站操作行為、網站停留時間、以及前述網站操作行為下的衍生數據,皆會被資料處理單元10標記多個分類標籤;舉例而言,資料處理單元10將使用者的搜索資訊「登山越野車」(路徑數據)標記一登山標籤、一自行車標籤等,或將所「購買的鈦合金自行車」(衍生數據)標記一鈦合金標籤、一戶外運動標籤等,再將具有多個分類標籤的路徑數據傳送至路徑資料庫22儲存,以上舉例僅為示例,並不以此為限。
提取分析數據202:資料處理單元10提取路徑資料庫22中的多個路徑數據、以及產品資料庫23中的至少一產品數據,以供一人工智慧模組30進行分析,其中,路徑數據和產品數據分別包含多個分類標籤,產品數據可為使用者操作資訊裝置2時所產生的輸入數據,或為由外部資料庫預先輸入的產品數據;舉例而言,商家想販售溯溪專用包,預先將溯溪專用包(輸入數據)貼上戶外運動標籤和一防水材質標籤等;抑或是,由本發明之系統連接預先對產品貼好分類標籤的外部資料庫。
向量化分群路徑數據203:人工智慧模組30將路徑數據進行向量化分析,以產生一向量化數據,再定義多個向量化數據為具有多個分類標籤的一分群數據。
在一實施例中,請搭配「圖4」,圖4為本發明之實施示意圖(三),如圖所示,人工智慧模組30將多個路徑數據堆疊與轉換為多維向量矩陣,一使用者a在網站停留3分45秒,點擊網站上3樣商品,並且觀看了網站設置的2個廣告共30秒,則人工智慧模組30將使用者a的路徑數據為一向量化數據A1〔0.33、2、0.3〕(〔總停留時間、點擊商品數、觀看廣告時間〕),本發明以三維向量矩陣示意,但不以此為限;向量化數據A1~A6係可為不同使用者的向量化數據,如向量化數據A2可為一使用者b的向量化數據,向量化數據A3可為一使用者c的向量化數據等,又,一切線t可代表人工智慧模組30,在某一個分群訓練主題下,將向量化數據A1~A6分割為兩部分,其中,向量化數據A1~A3可分屬為一分群數據G1,由於人工智慧模組30受到不同路徑向量學習數據和向量分群學習數據的訓練,導致切線t在斜率及方向上不同,使得分群數據有所不同,以上舉例僅為示例,並不以此為限。
判斷喚醒目標204:資料處理單元10基於路徑數據的多個分類標籤,判斷出一喚醒目標,亦即是,資料處理單元10根據路徑資料庫22中具有多個分類標籤的路徑數據,判斷路徑數據對應的使用者是否為喚醒目標,其中,喚醒目標具有多個分類標籤。
在一實施例中,請搭配「圖5」,圖5為本發明之實施方法細部流程圖,如圖所示,資料處理單元10提取路徑資料庫22中的一筆路徑數據,判斷對應的使用者,其應購買時間點是否大於其購買週期,若是,則使用者列為喚醒目標;若否,判斷其應購買時間點是否大於先前購買商品的產品週期,若是,則使用者列為喚醒目標;若否,資料處理單元10再提取路徑資料庫22中的另一筆路徑數據,其中,產品週期可為產品自身的產品生命週期、產品的關聯性產品、關聯性產品自身的產品生命週期之任一種或其組合,但不以此為限;舉例而言,使用者a一個月購買一次文具用品,但其已超過一個月未購買文具用品,則使用者a列為喚醒目標;使用者b一年購買一次手機,且於未滿一年時再購買一支手機,由於手機自身的產品生命週期未超過購買週期,但依據產品的關聯性判斷使用者b可能需要相關性產品,如藍芽耳機、或需要更換手機充電線,則使用者b仍列為喚醒目標。
匹配分析結果205:人工智慧模組30基於喚醒目標,將分群數據與產品數據進行匹配,產生出一匹配數據,亦即是,人工智慧模組30根據喚醒目標的分類標籤,將分群數據隱含的分類標籤與產品數據隱含的分類標籤進行匹配,而產生出一匹配數據。
在一實施例中,請搭配「圖6」,圖6為本發明之實施示意圖(四),如圖所示,向量化數據B1為使用者d的向量化數據,向量化數據B2為使用者e的向量化數據,向量化數據B3為使用者f的向量化數據,又,向量化數據B1~B3可分屬為一分群數據G2;資料處理單元10判斷使用者e為喚醒目標,人工智慧模組30根據使用者e所在的分群數據G2,將其包含的向量化數據B1~B3所隱含的分類標籤分別對應產品數據的分類標籤;舉例而言,由於使用者d曾搜尋過手機和購買過帳篷,其便有一3C產品標籤、一手機標籤、一登山標籤、一戶外運動標籤等,使用者e曾觀賞過滑雪廣告和購買碳纖維登山杖,其便有一滑雪標籤、一碳纖維標籤、戶外運動標籤、登山標籤等,使用者f曾在戶外用品網站購買潛水錶,其便有一潛水標籤、3C產品標籤、戶外運動標籤等;當資料處理單元10判斷使用者e為喚醒目標,根據使用者e的分類標籤,推斷其可能會購買具有戶外活動標籤和碳纖維標籤的自行車,同時,人工智慧模組30根據將使用者e所在的分群數據G2,將分群數據G2隱含的3C產品標籤、手機標籤、登山標籤、戶外運動標籤等,分別對應產品數據的分類標籤,如行動電源具有3C產品標籤、手機標籤,人工智慧模組30判斷出使用者e可能需要行動電源,進而產生出包含行動電源的匹配數據。
在一實施例中,請搭配「圖7a」和「圖7b」,圖7a、圖7b分別為本發明之實施示意圖(五)和實施示意圖(六),如圖所示,本發明之喚醒未購物消費者系統1接收使用者操作資訊裝置2所產生的一推銷數據700,其中,推銷數據700可為產品數據,產品數據可為一產品種類、一產品名稱、一產品價格、一產品功能之任一種或其組合,但不以此為限;向量化數據C1為使用者g的向量化數據,向量化數據C2為使用者h的向量化數據,又,向量化數據C1、C2可分屬為一分群數據G3;資料處理單元10基於推銷數據700,判斷使用者h為喚醒目標,人工智慧模組30根據使用者h所在的分群數據G3,將其包含的向量化數據C1、C2所隱含的分類標籤分別對應產品數據的分類標籤;舉例而言,由於使用者g曾搜尋過低價的藍芽耳機和購買鋼筆,其便有3C產品標籤、一無線傳輸標籤、一價格區間標籤、一文具標籤等,使用者h曾點擊簡易型家電的廣告超連結和購買筆記型電腦,其便有3C產品標籤、無線傳輸標籤、價格區間標籤、一家用電器標籤等;當使用者操作資訊裝置2欲販售二手手機,資料處理單元10基於推銷數據700判斷使用者h為喚醒目標,人工智慧模組30根據使用者h所在的分群數據G3,將其隱含的3C產品標籤、價格區間標籤、無線傳輸標籤、文具標籤等,分別對應產品數據的分類標籤,如家用電器標籤和價格區間標籤對應掃地機器人、無線傳輸標籤和文具標籤對應錄音筆等,人工智慧模組30判斷出使用者h可能需要掃地機器人和錄音筆,進而產生出包含掃地機器人和錄音筆的匹配數據。
在一實施例中,產品數據中的產品價格對應路徑數據中隱含的價格區間標籤,價格區間標籤係供以定義使用者的消費能力;舉例而言,使用者i購買高價的機械錶,其具有一高價格標籤和一手錶標籤,人工智慧模組30根據使用者i所在分群數據,其隱含的高價格標籤和手錶標籤與產品數據進行匹配,故匹配數據不會包含低價手錶。
提取產品數據206:資料處理單元10基於匹配數據,提取產品資料庫23中與匹配數據相關的一相關產品數據。
傳送產品數據207:本發明之喚醒未購物消費者系統1傳送相關產品數據至使用者操作的資訊裝置2,以提供更多使用者可能會購買的產品,作為使用者購物的選擇參考,或提供使用者參照匹配數據,推銷更多的商品給消費者。
由上所述可知,本發明之一種喚醒未購物消費者系統及其實施方法,主要透過資料處理單元基於多個分類標籤,對使用者操作資訊裝置所產生的路徑數據標籤分類,再由經過訓練學習的人工智慧模組,將路徑數據轉換為向量化數據,再將多個向量化數據分類為分群數據;其次,資料處理單元根據使用者的路徑數據,如購買週期、產品週期,判斷使用者是否為喚醒目標;再者,人工智慧模組基於多維度的考量,針對消費者的行為、及商品的屬性,產生出匹配數據;最後,資料處理單元基於匹配數據,提供符合消費者所需的商品,並傳送至資訊裝置,作為使用者購物的選擇參考,或提供使用者參照匹配數據,增加投放推銷商品的準確性,進而勾起消費者購買商品的慾望,達到喚醒長期未購物的消費者。
唯,以上所述者,僅為本發明之較佳之實施例而已,並非用以限定本發明實施之範圍;任何熟習此技藝者,在不脫離本發明之精神與範圍下所作之均等變化與修飾,皆應涵蓋於本發明之專利範圍內。
綜上所述,本發明係具有「產業利用性」、「新穎性」與「進步性」等專利要件;申請人爰依專利法之規定,向 鈞局提起發明專利之申請。
1:喚醒未購物消費者系統
2:資訊裝置
10:資料處理單元
301:網站頁面
21:標籤資料庫
302:搜尋單元
22:路徑資料庫
303:購買單元
23:產品資料庫
304:廣告單元
30:人工智慧模組
700:推銷數據
201:接收路徑數據
202:提取分析數據
203:向量化分群路徑數據
204:判斷喚醒目標
205:匹配分析結果
206:提取產品數據
207:傳送產品數據
A1、A2、A3、A4、A5、A6:向量化數據
B1、B2、B3:向量化數據
C1、C2:向量化數據
G1、G2、G3:分群數據
t:切線
圖1,為本發明之系統架構圖。
圖2,為本發明之實施方法流程圖。
圖3a,為本發明之實施示意圖(一)。
圖3b,為本發明之實施示意圖(二)。
圖4,為本發明之實施示意圖(三)。
圖5,為本發明之實施方法細部流程圖。
圖6,為本發明之實施示意圖(四)。
圖7a,為本發明之實施示意圖(五)。
圖7b,為本發明之實施示意圖(六)。
201:接收路徑數據
202:提取分析數據
203:向量化分群路徑數據
204:判斷喚醒目標
205:匹配分析結果
206:提取產品數據
207:傳送產品數據
Claims (11)
- 一種喚醒未購物消費者之系統,其係供與一資訊裝置呈資訊連接,包含:一資料處理單元,其係與一標籤資料庫、一路徑資料庫、一產品資料庫、以及一人工智慧模組呈資訊連接;該人工智慧模組,用以將該路徑資料庫中對應一使用者的一路徑數據堆疊與轉換為多維向量矩陣,以向量化分析為該使用者的一向量化數據,再將不同使用者的多個該向量化數據,依據代表一分群訓練主題的一切線,定義為具有多個分類標籤的多個分群數據,且該人工智慧模組受到該路徑資料庫儲存之一路徑向量學習數據和一向量分群學習數據的訓練,影響該切線的斜率與方向,使該多個分群數據有所不同;該資料處理單元,用以基於該路徑數據的多個該分類標籤,判斷該路徑數據對應的該使用者是否為一喚醒目標;其中,該人工智慧模組用以基於該喚醒目標所在的該分群數據、及該喚醒目標具有的該分類標籤,將該分群數據所包含之多個該向量化數據隱含的該分類標籤,與該產品資料庫的至少一產品數據的至少一該分類標籤進行匹配,產生出一匹配數據,其中,該喚醒目標所在的該分群數據之其它使用者的向量化數據包含該隱含的該分類標籤,但該喚醒目標的向量化數據並未包含該隱含的該分類標籤;以及 該資料處理單元用以基於該匹配數據,提取該產品資料庫中與該匹配數據相關的一相關產品數據,並將該相關產品數據傳送至該資訊裝置。
- 如請求項1所述之喚醒未購物消費者之系統,其中,該標籤資料庫包含該多個分類標籤,係供該資料處理單元對該資訊裝置傳送的一輸入數據,進行標籤分類。
- 如請求項1所述之喚醒未購物消費者之系統,其中,該路徑數據係為一網站觸發事件、一網站點擊事件、一網站操作行為、一網站停留時間、或該網站操作行為下的一衍生數據之任一種數據或其數據組合。
- 如請求項1所述之喚醒未購物消費者之系統,其中,該資料處理單元用以基於該分類標籤對應的一應購買時間點、一購買週期、一產品週期,判斷該路徑數據對應的該使用者是否為該喚醒目標。
- 如請求項4所述之喚醒未購物消費者之系統,其中,該資料處理單元判斷該使用者的該應購買時間點若大於其該購買週期,則該使用者列為該喚醒目標。
- 如請求項5所述之喚醒未購物消費者之系統,其中,該資料處理單元判斷該使用者的該應購買時間點若大於其該產品週期,則該使用者列為該喚醒目標。
- 一種喚醒未購物消費者系統的實施方法,包含以下步驟:一資料處理單元提取一路徑資料庫中的多個路徑數據、以及一產品資料庫中的至少一產品數據,以供一人工智慧模組進行向量化分析,其中,該路徑數據和該產品數據分別包含多個分類標籤;該人工智慧模組將對應一使用者的該路徑數據堆疊與轉換為多維向量矩陣,以向量化分析為該使用者的一向量化數據,再依據代表一分群訓練主題的一切線,定義不同使用者的多個該向量化數據為具有該多個分類標籤的多個分群數據,且該人工智慧模組受到該路徑資料庫儲存之一路徑向量學習數據和一向量分群學習數據的訓練,影響該切線的斜率與方向,使該多個分群數據有所不同;該資料處理單元基於該路徑數據的該多個分類標籤,判斷該路徑數據對應的該使用者為一喚醒目標;該人工智慧模組基於該喚醒目標所在的該分群數據、及該喚醒目標具有的該分類標籤,將該分群數據所包含之多個該向量化數據隱含的該分類標籤,與該產品資料庫的至少一該產品數據的至少一該分類標籤進行匹配,產生出一匹配數據,其中,該喚醒目標所在的該分群數據之其它使用者的向 量化數據包含該隱含的該分類標籤,但該喚醒目標的向量化數據並未包含該隱含的該分類標籤;該資料處理單元基於該匹配數據,提取該產品資料庫中與該匹配數據相關的一相關產品數據;以及傳送該相關產品數據至該資訊裝置。
- 如請求項7所述之喚醒未購物消費者系統的實施方法,其中,該方法包含:接收該資訊裝置所傳送的該多個路徑數據;該資料處理單元基於一標籤資料庫中的該多個分類標籤,將該多個路徑數據進行標籤分類;以及傳送該多個路徑數據至該路徑資料庫儲存。
- 如請求項7所述之喚醒未購物消費者系統的實施方法,其中,該路徑數據係可為一網站觸發事件、一網站點擊事件、一網站操作行為、一網站停留時間、該網站操作行為下的一衍生數據之任一種數據或其數據組合。
- 如請求項7所述之喚醒未購物消費者系統的實施方法,其中,當該資料處理單元判斷具有該多個分類標籤的該喚醒目標時,包含:提取該路徑資料庫中的至少一該路徑數據,判斷對應的一使用者,其一應購買時間點是否大於其一購買週期,若是, 則該使用者列為該喚醒目標,若否,再提取該路徑資料庫中的另一該路徑數據。
- 如請求項7所述之喚醒未購物消費者系統的實施方法,其中,當該資料處理單元判斷具有該多個分類標籤的該喚醒目標時,包含:提取該路徑資料庫中的至少一該路徑數據,判斷對應的一使用者,其一應購買時間點是否大於先前購買商品的一產品週期,若是,則該使用者列為該喚醒目標,若否,再提取該路徑資料庫中的另一該路徑數據。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110148300A TWI826881B (zh) | 2021-12-22 | 2021-12-22 | 喚醒未購物消費者之系統及其實施方法 |
JP2022040225A JP7412791B2 (ja) | 2021-12-22 | 2022-03-15 | 商品を未購入の消費者を消費喚起するシステムとその実施方法 |
US17/752,618 US20230196438A1 (en) | 2021-12-22 | 2022-05-24 | System for awakening non-shopping consumers and implementation method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110148300A TWI826881B (zh) | 2021-12-22 | 2021-12-22 | 喚醒未購物消費者之系統及其實施方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202326556A TW202326556A (zh) | 2023-07-01 |
TWI826881B true TWI826881B (zh) | 2023-12-21 |
Family
ID=86768558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110148300A TWI826881B (zh) | 2021-12-22 | 2021-12-22 | 喚醒未購物消費者之系統及其實施方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230196438A1 (zh) |
JP (1) | JP7412791B2 (zh) |
TW (1) | TWI826881B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630392A (zh) * | 2008-07-18 | 2010-01-20 | 翁仁滉 | 虚拟客流的模拟系统与方法 |
US20180060696A1 (en) * | 2010-01-27 | 2018-03-01 | Ebay Inc. | Probabilistic recommendation of an item |
CN108614832A (zh) * | 2016-12-12 | 2018-10-02 | 苏宁云商集团股份有限公司 | 一种用户个性化商品搜索实现方法及装置 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
WO2019085372A1 (zh) * | 2017-10-31 | 2019-05-09 | 深圳春沐源控股有限公司 | 网上商城的商品推荐方法、商品推荐系统 |
TW201939397A (zh) * | 2018-03-09 | 2019-10-01 | 台灣大數據分析股份有限公司 | 人機介面互動說服性分析系統及其方法 |
TWM605342U (zh) * | 2020-09-09 | 2020-12-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統 |
TWM627312U (zh) * | 2021-12-22 | 2022-05-21 | 阿物科技股份有限公司 | 喚醒未購物消費者之系統 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6543986B2 (ja) * | 2015-03-25 | 2019-07-17 | 日本電気株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP6187786B2 (ja) * | 2015-08-19 | 2017-08-30 | シャープ株式会社 | 情報処理装置、および情報提供方法 |
JP6977956B2 (ja) * | 2018-06-06 | 2021-12-08 | アスクル株式会社 | 販売支援システム、販売支援方法および販売支援プログラム |
WO2020060012A1 (en) * | 2018-09-19 | 2020-03-26 | Samsung Electronics Co., Ltd. | A computer implemented platform for providing contents to an augmented reality device and method thereof |
US11995699B2 (en) * | 2018-10-23 | 2024-05-28 | Peace Tec Lab Inc. | Commodity recommendation system |
JP6925495B1 (ja) * | 2020-10-07 | 2021-08-25 | 株式会社カカクコム | 情報処理システム、サーバ、情報処理方法及び情報処理プログラム |
-
2021
- 2021-12-22 TW TW110148300A patent/TWI826881B/zh active
-
2022
- 2022-03-15 JP JP2022040225A patent/JP7412791B2/ja active Active
- 2022-05-24 US US17/752,618 patent/US20230196438A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630392A (zh) * | 2008-07-18 | 2010-01-20 | 翁仁滉 | 虚拟客流的模拟系统与方法 |
US20180060696A1 (en) * | 2010-01-27 | 2018-03-01 | Ebay Inc. | Probabilistic recommendation of an item |
CN108614832A (zh) * | 2016-12-12 | 2018-10-02 | 苏宁云商集团股份有限公司 | 一种用户个性化商品搜索实现方法及装置 |
WO2019085372A1 (zh) * | 2017-10-31 | 2019-05-09 | 深圳春沐源控股有限公司 | 网上商城的商品推荐方法、商品推荐系统 |
TW201939397A (zh) * | 2018-03-09 | 2019-10-01 | 台灣大數據分析股份有限公司 | 人機介面互動說服性分析系統及其方法 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
TWM605342U (zh) * | 2020-09-09 | 2020-12-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統 |
TWM627312U (zh) * | 2021-12-22 | 2022-05-21 | 阿物科技股份有限公司 | 喚醒未購物消費者之系統 |
Also Published As
Publication number | Publication date |
---|---|
US20230196438A1 (en) | 2023-06-22 |
TW202326556A (zh) | 2023-07-01 |
JP7412791B2 (ja) | 2024-01-15 |
JP2023093285A (ja) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Halah et al. | Fashion forward: Forecasting visual style in fashion | |
Zhu et al. | Online purchase decisions for tourism e-commerce | |
Ahmed | Applications of data mining in retail business | |
Kotha et al. | The role of online buying experience as a competitive advantage: Evidence from third‐party ratings for e‐commerce firms | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
Policarpo et al. | Machine learning through the lens of e-commerce initiatives: An up-to-date systematic literature review | |
CN103971265A (zh) | 用户终端以及用于提供广告的方法和系统 | |
JP2007058820A (ja) | 携帯型情報処理装置、ネットワーク上の情報処理装置、並びにシステム、及びマーケティング方法。 | |
Zheng et al. | A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy | |
Yu et al. | Complementary recommendations: A brief survey | |
Wang et al. | Webpage depth viewability prediction using deep sequential neural networks | |
Shen et al. | A study of smoothing algorithms for item categorization on e-commerce sites | |
TWM627312U (zh) | 喚醒未購物消費者之系統 | |
TWI826881B (zh) | 喚醒未購物消費者之系統及其實施方法 | |
Guan et al. | Predicting time-bounded purchases during a mega shopping festival | |
He et al. | Understanding Users' Coupon Usage Behaviors in E-Commerce Environments | |
CN114238758B (zh) | 一种基于多源跨界数据融合的用户画像预测方法 | |
CN115330476A (zh) | 一种基于大数据的跨境零售进口商品智能推荐系统 | |
US10013699B1 (en) | Reverse associate website discovery | |
Wang et al. | Visual Analysis of E‐Commerce User Behavior Based on Log Mining | |
Shikalgar et al. | Online Review Mining for forecasting sales | |
Guan et al. | A knowledge distillation-based deep interaction compressed network for CTR prediction | |
Ko et al. | Suspicious online product reviews: An empirical analysis of brand and product characteristics using Amazon data | |
Yan et al. | Interaction-aware Hypergraph Neural Networks for User Profiling | |
TWI818213B (zh) | 商品推薦系統與方法及電腦可讀媒介 |