TWI841397B - 消費模式分析方法及系統與電腦程式產品 - Google Patents
消費模式分析方法及系統與電腦程式產品 Download PDFInfo
- Publication number
- TWI841397B TWI841397B TW112119358A TW112119358A TWI841397B TW I841397 B TWI841397 B TW I841397B TW 112119358 A TW112119358 A TW 112119358A TW 112119358 A TW112119358 A TW 112119358A TW I841397 B TWI841397 B TW I841397B
- Authority
- TW
- Taiwan
- Prior art keywords
- preference
- values
- commodities
- pattern
- consumption pattern
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 79
- 238000004590 computer program Methods 0.000 title claims description 9
- 239000013598 vector Substances 0.000 claims description 11
- 238000000034 method Methods 0.000 description 10
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Abstract
一種由消費模式分析系統執行的消費模式分析方法,其包含:根據多筆偏好特徵資料中的一筆目標偏好特徵資料選出與其相似程度相對較高的另外一或多筆目標偏好特徵資料;從多筆模式統計資料中選出其中多筆分別對應於該等目標偏好特徵資料的目標模式統計資料;根據該等目標模式統計資料產生一指示出多種次要商品接續在各種優先商品後被選定之機率的消費模式預測結果;根據一種已選定商品從該消費模式預測結果所指示出的該等種類的次要商品中選出其中N種建議商品,並將N筆分別對應於該N種建議商品的商品識別資料輸出。
Description
本發明是有關於一種分析方法,特別是指一種適用於對消費者行為進行分析的消費模式分析方法。本發明還有關於一種適用於對消費者行為進行分析的消費模式分析系統,以及一種適用於使電子裝置實施該消費模式分析方法的電腦程式產品。
消費者的消費紀錄對於商家的營銷策略而言通常具備高度參考價值,但是,在分析消費者過往的消費模式時,如果相關消費紀錄的樣本數不足,不但不利於分析結果的準確度,也可能導致難以發現消費群體的潛在消費趨勢,進而導致分析結果不適合被推廣、套用至其他的消費者。
因此,本發明的其中一目的,便在於提供一種能改善現有技術之不便的消費模式分析方法。
本發明消費模式分析方法由一消費模式分析系統執行。該消費模式分析方法包含:(A)獲得多筆分別對應於多個消費群體的偏好統計資料,其中,每一偏好統計資料指示出對應之該消費群體對於多種商品各自的偏好程度;(B)根據每一偏好統計資料所指示出之偏好程度的分佈情形,產生一筆對應於該偏好統計資料的偏好特徵資料;(C)根據該等偏好特徵資料中的其中一筆目標偏好特徵資料,從其他該等偏好特徵資料中,選出與該目標偏好特徵資料之間的相似程度相對較高的另外一或多筆目標偏好特徵資料;(D)從多筆模式統計資料中選出其中多筆分別對應於該等目標偏好特徵資料且各自對應於該等消費群體之其中一者的目標模式統計資料,其中,每一目標模式統計資料包含多筆分別對應於多種優先商品的模式統計紀錄,而且,每一模式統計紀錄指示出相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,再對多種次要商品各自進行選定的比例;(E)根據該等目標模式統計資料所包含的該等模式統計紀錄產生一消費模式預測結果,其中,該消費模式預測結果指示出每一種次要商品接續在每一種優先商品之後被選定的機率;(F)根據一種已選定商品從該消費模式預測結果所指示出的該等種類的次要商品中選出其中N種建議商品,並將N筆分別對應於該N種建議商品的商品識別資料輸出,其中,N為大於等於1的整數。
在本發明消費模式分析方法的一些實施態樣中,在步驟(A)中,每一偏好統計資料包含多個彼此之間存在預定順序且分別對應於該等種類之商品的偏好程度值。在步驟(B)中,該消費模式分析系統根據每一偏好統計資料產生對應之該偏好特徵資料的方式,包含將該偏好統計資料的該等偏好程度值與一偏好度門檻值比對,根據該等偏好程度值與該偏好度門檻值之間的比對結果以及該等偏好程度值的預定順序產生一偏好特徵向量,並以該偏好特徵向量作為該偏好特徵資料,其中,該偏好特徵資料所具有的M個關鍵分量分別對應於該等偏好程度值中大於等於該偏好度門檻值的其中M個偏好程度值,且M為大於等於1的整數。
在本發明消費模式分析方法的一些實施態樣中,在步驟(D)中,每一模式統計紀錄包括多個彼此之間存在預定順序且分別對應於該等種類之次要商品的比例值,每一比例值表示相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,有再對該比例值所對應之該種次要商品進行選定的比例。在步驟(E)中,該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值,並且,該消費模式分析系統產生該消費模式預測結果的方式,包含將該等目標模式統計資料的所有該等比例值中相關於同一種優先商品且對應於同一種次要商品的其中多個比例值作為同一組比例值,對於每一組比例值計算一對應於該組比例值的平均值,並根據該平均值決定該等預測選定機率值中對應於該組比例值的該預測選定機率值。
在本發明消費模式分析方法的一些實施態樣中,在步驟(E)中,該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值。在步驟(F)中,該消費模式分析系統是先從該等預測參考資料中選出其中一筆所對應之該種優先商品與該種已選定商品匹配的匹配預測參考資料,再將該匹配預測參考資料的該等預測選定機率值中最高的其中N個預測選定機率值所對應的該N種次要商品分別作為該N種建議商品。
本發明的另一目的,在於提供一種能改善現有技術之不便的消費模式分析系統。
本發明消費模式分析系統包含一處理單元及一與該處理單元電連接的儲存單元。其中,該處理單元用於:獲得多筆分別對應於多個消費群體的偏好統計資料,其中,每一偏好統計資料指示出對應之該消費群體對於多種商品各自的偏好程度;根據每一偏好統計資料所指示出之偏好程度的分佈情形,產生一筆對應於該偏好統計資料的偏好特徵資料;根據該等偏好特徵資料中的其中一筆目標偏好特徵資料,從其他該等偏好特徵資料中,選出與該目標偏好特徵資料之間的相似程度相對較高的另外一或多筆目標偏好特徵資料;從多筆模式統計資料中選出其中多筆分別對應於該等目標偏好特徵資料且各自對應於該等消費群體之其中一者的目標模式統計資料,其中,每一目標模式統計資料包含多筆分別對應於多種優先商品的模式統計紀錄,而且,每一模式統計紀錄指示出相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,再對多種次要商品各自進行選定的比例;根據該等目標模式統計資料所包含的該等模式統計紀錄產生一消費模式預測結果,其中,該消費模式預測結果指示出每一種次要商品接續在每一種優先商品之後被選定的機率;根據一種已選定商品從該消費模式預測結果所指示出的該等種類的次要商品中選出其中N種建議商品,並將N筆分別對應於該N種建議商品的商品識別資料輸出,其中,N為大於等於1的整數。
在本發明消費模式分析系統的一些實施態樣中,每一偏好統計資料包含多個彼此之間存在預定順序且分別對應於該等種類之商品的偏好程度值。該處理單元根據每一偏好統計資料產生對應之該偏好特徵資料的方式,包含將該偏好統計資料的該等偏好程度值與一偏好度門檻值比對,根據該等偏好程度值與該偏好度門檻值之間的比對結果以及該等偏好程度值的預定順序產生一偏好特徵向量,並以該偏好特徵向量作為該偏好特徵資料,其中,該偏好特徵資料所具有的M個關鍵分量分別對應於該等偏好程度值中大於等於該偏好度門檻值的其中M個偏好程度值,且M為大於等於1的整數。
在本發明消費模式分析系統的一些實施態樣中,每一模式統計紀錄包括多個彼此之間存在預定順序且分別對應於該等種類之次要商品的比例值,每一比例值表示相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,有再對該比例值所對應之該種次要商品進行選定的比例。該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值,並且,該處理單元產生該消費模式預測結果的方式,包含將該等目標模式統計資料的所有該等比例值中相關於同一種優先商品且對應於同一種次要商品的其中多個比例值作為同一組比例值,對於每一組比例值計算一對應於該組比例值的平均值,並根據該平均值決定該等預測選定機率值中對應於該組比例值的該預測選定機率值。
在本發明消費模式分析系統的一些實施態樣中,該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值。該處理單元是先從該等預測參考資料中選出其中一筆所對應之該種優先商品與該種已選定商品匹配的匹配預測參考資料,再將該匹配預測參考資料的該等預測選定機率值中最高的其中N個預測選定機率值所對應的該N種次要商品分別作為該N種建議商品。
本發明的再一目的,在於提供一種能改善現有技術之不便的電腦程式產品。
本發明電腦程式產品包含一軟體程式,並且,當該軟體程式被一電腦系統載入並執行時,該軟體程式能使該電腦系統執行如前述任一實施態樣中所述的消費模式分析方法。
本發明之功效在於:該消費模式分析系統能選出消費模式相似的多個消費群體並對其進行綜合分析,從而同時兼顧分析樣本的數量及質量,進而產生具備高度參考價值的商品建議結果,故確實能改善現有技術之不便。
在本發明被詳細描述之前應當注意:在未特別定義的情況下,本專利說明書中所述的「電連接(electrically connected)」是用來描述電腦硬體(例如電子系統、設備、裝置、單元、元件)之間的「耦接(coupled)」關係,且泛指複數電腦硬體之間透過導體/半導體材料彼此實體相連而實現的「有線電連接」,以及利用無線通訊技術(例如但不限於無線網路、藍芽及電磁感應等)而實現無線資料傳輸的「無線電連接」。另一方面,在未特別定義的情況下,本專利說明書中所述的「電連接」也泛指複數電腦硬體之間彼此直接耦接而實現的「直接電連接」,以及複數電腦硬體之間是透過其他電腦硬體間接耦接而實現的「間接電連接」。
本專利說明書提供了同一創作的多種實施例,因此,在後續的說明內容中,不同實施例之間的對應元件是以相同的編號來表示。
參閱圖1,本發明消費模式分析系統1的一第一實施例適用於供多個使用端電子裝置5(圖1僅示出其中一者)透過網路進行通訊,其中,每一使用端電子裝置5可以是一台手機、平板電腦、筆記型電腦或者桌上型電腦。並且,為了便於理解,以下的描述中僅以圖1所示出的該使用端電子裝置5對本實施例進行說明。
在本實施例中,該消費模式分析系統1是一台伺服設備,而且,該消費模式分析系統1包含一適於供該使用端電子裝置5透過網路電連接的處理單元11,以及一與該處理單元11電連接的儲存單元12。更具體地說,在本實施例中,該處理單元11為一以積體電路實現且具有資料運算及指令收發功能的處理器,該儲存單元12為一用於儲存數位資料的資料儲存裝置(例如硬碟,或者是其他種類的電腦可讀取記錄媒體)。然而,在類似的實施態樣中,該處理單元11也可以是一包括有處理器的處理電路,而該儲存單元12也可以是多個相同或相異種類之儲存裝置的集合。
此外,在其他的實施例中,該消費模式分析系統1也可以被實施為一台個人電腦設備,或者是一台便攜式的行動裝置(例如手機或平板電腦)。又或者,該消費模式分析系統1亦可被實施為多台伺服設備的集合,在此情況下,該處理單元11可被實施為該等伺服設備所分別具有之多個處理器/處理電路的集合,而該儲存單元12則可被實施為該等伺服設備所分別具有之多個儲存裝置的集合。基於上述,應當理解的是,該消費模式分析系統1在電腦硬體方面的實際實施態樣並不以本實施例為限。
在本實施例中,該儲存單元12預先儲存有多筆分別對應於多個消費群體的偏好統計資料D1,以及多筆分別對應於該等偏好統計資料D1的模式統計資料D2,而且,該等模式統計資料D2也分別與該等消費群體相對應。
更詳細地說,每一消費群體是由多個消費個體所組成,而且,每一消費群體中的每一消費個體例如是以會員帳戶資料、電話號碼或者電子郵件位址等能用於識別身分的唯一性資料而被區分。進一步地,在本實施例中,每一消費群體例如是對應於一種特定活動型態的族群,例如「露營」族群、「機車通勤」族群或者是「旅遊」族群。然而,在不同的實施態樣中,每一消費群體也可例如是曾透過同一個消費管道(例如同一購物平台、網路商店或者實體商店)進行消費、居住於同一地區,或者是屬於同一年齡範圍的一群消費者。應當理解的是,該等消費群體是依據何種特性而被區分可依據消費者資料的來源或分群方式而有所不同,而並不一定是依據不同的活動型態來進行區分。
在本實施例中,每一偏好統計資料D1是用於指示出其本身所對應之該消費群體對於多種商品各自的偏好程度,而且,每一偏好統計資料D1所指示出的該等商品,係與其他每一偏好統計資料D1所指示出的該等商品相符。
更具體地說,如圖2所示,每一偏好統計資料D1在本實施例中包含多個彼此之間存在預定順序的偏好程度值D11,且該等偏好程度值D11是分別對應於前述的該等種類之商品。以圖2為例,該等偏好程度值D11在圖2中由上至下的排列順序即例如是該等偏好程度值D11的預定順序,而且,每一偏好程度值D11是用來表示該偏好統計資料D1所對應的該消費群體中,曾經有對該偏好程度值D11所對應之該種商品進行選定行為的消費個體所佔之比例。舉一例來說,圖2中排列在最上方之「17%」的該偏好程度值D11所對應的商品為「手套」,而用來表示圖2之該筆偏好統計資料D1所對應的消費群體中,共有百分之十七的消費個體曾對「手套」商品進行選定。
特別說明的是,本實施例所述的「選定」係指對商品進行購買的行為,但是,在不同的實施態樣中,所述的「選定」也可例如是指透過網路對商品進行「瀏覽」、「搜尋」、「追蹤」及「加入購物車」等表示出興趣的行為,而並不限於實際的購買行為。
在本實施例中,如圖3所示,每一模式統計資料D2包含多筆分別對應於多種優先商品的模式統計紀錄D20,而且,每一模式統計紀錄D20指示出其本身所對應之該消費群體在選定該模式統計紀錄D20所對應的該種優先商品(例如「手套」)之後,有再對多種次要商品(例如圖3示出的「口罩」、「太陽眼鏡」等)各自進行選定的比例。在本實施例中,每一模式統計資料D2所指示出的該等優先商品與其所指示出的該等次要商品彼此相符,而且,每一模式統計資料D2所指示出的該等優先商品及次要商品,係與其他每一模式統計資料D2所指示出的該等優先商品及次要商品相符,且亦與每一偏好統計資料D1所指示出的該等種類之商品相符。
更具體地說,如圖3所示,每一模式統計紀錄D20包括多個彼此之間存在預定順序且分別對應於該等種類之次要商品的比例值D21。以圖3為例,每一筆模式統計紀錄D20之該等比例值D21在圖3中由左至右的排列順序即例如是該等比例值D21的預定順序,而且,每一比例值D21是用來表示該模式統計紀錄D20所屬之模式統計資料D2所對應的該消費群體中,在先選定該模式統計紀錄D20所對應的該種優先商品之後,有再對該比例值D21所對應之該種次要商品進行選定的消費個體所佔之比例。舉一例來說,對於圖3中最右上角之「23%」的該比例值D21,該比例值D21所屬的該模式統計紀錄D20所對應的優先商品為「手套」,而該比例值D21本身所對應的次要商品則為「暖暖包」,所以,該比例值D21是用來表示:在圖3之該筆模式統計紀錄D20所對應的該消費群體中,對於曾經對「手套」商品進行選定的所有消費個體,其中有百分之二十三的消費個體有再對「暖暖包」商品進行選定。同樣地,此處所述的「選定」係代表對商品進行購買的行為,但並不以此為限。
補充說明的是,圖2及圖3雖然分別以表格的形式呈現出其中一筆偏好統計資料D1及其中一筆模式統計資料D2,但是,該偏好統計資料D1及該模式統計資料D2在圖2、圖3中呈現的態樣僅是為了便於對本實施例進行說明。應當理解的是,在實際態樣中,該等偏好統計資料D1及該等模式統計資料D2並不一定要以表格的形式被儲存於該儲存單元12,所以,該等偏好統計資料D1及該等模式統計資料D2的實際態樣並不以圖2、圖3所呈現的態樣為限。
進一步參閱圖4,以下示例性地詳細說明本實施例的該消費模式分析系統1如何實施一消費模式分析方法。
首先,在步驟S1中,當該處理單元11接收到一來自該使用端電子裝置5的消費模式分析請求時,該處理單元11對該儲存單元12進行讀取以獲得該等偏好統計資料D1,並將該等偏好統計資料D1中被該消費模式分析請求所指示出的其中一者(例如圖2中的該筆偏好統計資料D1)作為本實施例的一筆目標偏好統計資料D1’(示於圖2)。
更具體地說,該消費模式分析請求例如是由該使用端電子裝置5根據使用者的手動操作所產生並傳送,而且,該消費模式分析請求例如指示出一種特定類型的欲分析客群。舉一例來說,若該消費模式分析請求指示出要對「露營」的客群進行分析,則該處理單元11便會將「露營」之消費群體所對應的該偏好統計資料D1作為被該消費模式分析請求所指示出的該目標偏好統計資料D1’。
在該處理單元11根據該消費模式分析請求而設定該目標偏好統計資料D1’之後,流程進行至步驟S2。
在步驟S2中,對於每一偏好統計資料D1,該處理單元11根據該偏好統計資料D1對於該等種類之商品所指示出的偏好程度的分佈情形,產生一筆對應於該偏好統計資料D1的偏好特徵資料。其中,該等偏好特徵資料除了分別與該等偏好統計資料D1相對應,還分別與該等模式統計資料D2相對應。
更詳細地說,對於本實施例中的每一偏好統計資料D1,該處理單元11根據該偏好統計資料D1產生對應之該偏好特徵資料的方式,是先將該偏好統計資料D1的該等偏好程度值D11與一被預設的偏好度門檻值(例如35%但不限於此)比對,並從該等偏好程度值D11中選出大於等於該偏好度門檻值的其中M個關鍵偏好程度值D11’(M為大於等於1的整數)。接著,該處理單元11再根據該等偏好程度值D11的預定順序以及該等關鍵偏好程度值D11’的數值產生一偏好特徵向量,並且以該偏好特徵向量作為對應於該偏好統計資料D1的偏好特徵資料。而且,在本實施例中,該偏好特徵資料所具有的M個關鍵分量是分別對應於該偏好統計資料D1中大於等於該偏好度門檻值的該M個關鍵偏好程度值D11’。
以圖2舉例來說,圖2示出的該等偏好程度值D11由上而下依序分別為「17%」、「18%」、「26%」、「48%」、「51%」、「6%」、「3%」、「39%」及「2%」,假設該等偏好程度值D11就是該筆偏好統計資料D1所包含的所有偏好程度值D11,則在將該等偏好程度值D11與該偏好度門檻值(以35%為例)比對之後,該處理單元11根據該等偏好程度值D11所產生的偏好特徵資料便例如是(0, 0, 0, 0.48, 0.51, 0, 0, 0.39, 0)的偏好特徵向量,藉此,該偏好特徵資料能指示出相關之消費群體對該等種類之商品的綜合偏好特徵。
在該處理單元11根據該等偏好統計資料D1分別產生該等偏好特徵資料之後,流程進行至步驟S3。
在步驟S3中,該處理單元11根據該目標偏好特徵資料(即該目標偏好統計資料D1’所對應的該筆偏好特徵資料)而從其他該等偏好特徵資料中,選出與該目標偏好特徵資料之間的相似程度相對較高的另外一或多筆目標偏好特徵資料。
更具體地說,在本實施例中,該處理單元11是從其他該等偏好特徵資料中,選出與該目標偏好特徵資料最為相似的其中K筆偏好特徵資料,並將其分別作為另外K筆目標偏好特徵資料。其中,K的數值在本實施例中例如固定為10,然而,在其他實施例中,該處理單元11亦可例如是根據一預先被設定好的相似度門檻值(例如為0.7但不限於此)來選出另外一或多筆目標偏好特徵資料,也就是說,在所述的其他實施例中,該處理單元11並不必然每次都會選出固定數量的偏好特徵資料來作為所述的另外一或多筆目標偏好特徵資料。此外,該處理單元11可例如是利用皮爾森相關係數(Pearson correlation coefficient)、餘弦相似性(Cosine Similarity)、雅卡爾相似係數(Jaccard similarity coefficient),或者是其他能用於計算向量間之關聯程度的數學工具來計算該等偏好特徵資料彼此之間的相似程度,惟,此部分並非本專利說明書的技術重點,故在此不過度詳述其細節。
在該處理單元11選出所述的另外一或多筆(在本實施例中總共為K+1筆)目標偏好特徵資料之後,流程進行至步驟S4。
在步驟S4中,該處理單元11對該儲存單元12進行讀取以獲得該等模式統計資料D2,接著,該處理單元11從該等模式統計資料D2中選出與所有該等目標偏好特徵資料分別相對應的其中多筆模式統計資料D2,並將所選出的其中該等模式統計資料D2分別作為本實施例的多筆目標模式統計資料D2’(圖3示出其中一筆)。如此一來,該處理單元11不但能將該目標偏好統計資料D1’所對應的該模式統計資料D2(例如圖3中的該筆模式統計資料D2)設定為目標模式統計資料D2’,同時還能將商品偏好特徵類似之其他消費群體所對應的其他K筆模式統計資料D2一併設定為另外K筆目標模式統計資料D2’。
在該處理單元11選出該等目標模式統計資料D2’之後,流程進行至步驟S5。
在步驟S5中,配合參閱圖5,該處理單元11根據所有該等目標模式統計資料D2’所包含的該等模式統計紀錄D20產生一消費模式預測結果D3。其中,該消費模式預測結果D3指示出每一種次要商品接續在每一種優先商品之後被選定的預測機率,而且,該消費模式預測結果D3所指示出的該等優先商品及次要商品,係與每一偏好統計資料D1所指示出的該等優先商品及次要商品相符。
更詳細地說,如圖5所示,該消費模式預測結果D3包含多筆分別對應於該等種類之優先商品的預測參考資料D30,而且,每一預測參考資料D30包括多個分別對應於該等種類之次要商品的預測選定機率值D31。其中,對於每一預測參考資料D30的每一預測選定機率值D31,該預測選定機率值D31是用來表示在欲分析客群中,對於已選定過該預測參考資料D30所對應之該種優先商品的每一消費個體,其後續有多大的機率再對該預測選定機率值D31所對應的該種次要商品進行選定。舉一例來說,對於圖5中最右上角之「35%」的該預測選定機率值D31,該預測選定機率值D31所屬的該預測參考資料D30所對應的優先商品為「手套」,而該預測選定機率值D31本身所對應的次要商品則為「暖暖包」,所以,該預測選定機率值D31是用來表示:對於欲分析客群中已選定過「手套」商品的每一消費個體,該消費個體後續預估有百分之三十五的機率會再對「暖暖包」商品進行選定。
在本實施例中,該處理單元11產生該消費模式預測結果D3的方式,是先將該等目標模式統計資料D2’的所有該等比例值D21分組,然後再針對每一組比例值D21計算出該消費模式預測結果D3中與該組比例值D21對應的其中一個預測選定機率值D31。其中,該處理單元11將該等目標模式統計資料D2’之該等比例值D21分組的方式,是將該等比例值D21中「相關於同一種優先商品且對應於同一種次要商品」的其中多個比例值D21作為同一組比例值D21。以圖3舉例來說,在每一筆目標模式統計資料D2’中,都會存在唯一一個比例值D21是相關於「手套」的優先商品並且對應於「暖暖包」的次要商品,而該處理單元11便會將該等目標模式統計資料D2’中所有相關於「手套」之優先商品且對應於「暖暖包」之次要商品的該等比例值D21分為同一組。並且,對於每一組比例值D21,該處理單元11在本實施例中例如是直接計算該組比例值D21的一平均值,再將該平均值作為該消費模式預測結果D3中對應於該組比例值D21的該預測選定機率值D31,但並不以此為限。
在該處理單元11產生該消費模式預測結果D3之後,流程進行至步驟S6。
在步驟S6中,當該處理單元11接收到一來自該使用端電子裝置5並且指示出一或多種已選定商品的商品推薦請求時,對於該商品推薦請求所指示出的每一種已選定商品,該處理單元11根據該種已選定商品從該消費模式預測結果D3所指示出的該等種類的次要商品中,選出其中N者(N為大於等於1的整數)以作為N種對應於該種已選定商品的建議商品,並根據該N種建議商品產生一筆對應於該種已選定商品的建議商品資料。其中,該建議商品資料包含N筆分別對應於該N種建議商品的商品識別資料,且每一商品識別資料例如是一個商品名稱,但並不以此為限。
更詳細地說,該商品推薦請求所指示出的每一種已選定商品例如是一或多個消費者在近期已經實際選定過的商品,換言之,該等已選定商品對於該(等)消費者而言例如是近期已經購入的優先商品。並且,對於該商品推薦請求所指示出的每一種已選定商品,該處理單元11是先從該等預測參考資料D30中選出其中一筆所對應之該種優先商品與該種已選定商品匹配的匹配預測參考資料D30’(示於圖5),再將該匹配預測參考資料D30’的該等預測選定機率值D31中,最高的其中N個預測選定機率值D31所對應的該N種次要商品分別作為該N種建議商品來產生建議商品資料。
在本實施例,N的數值例如固定為3,所以,以圖5舉例來說,假設該商品推薦請求所指示出的其中一種已選定商品為「手套」,則該處理單元11便會將圖5中對應於「手套」的該筆預測參考資料D30(即圖5中排列在最上方的該筆預測參考資料D30)作為該匹配預測參考資料D30’,再從該匹配預測參考資料D30’中選出最高的三個預測選定機率值D31(在圖5中分別為35%、26%及22%),並將該三個最高的預測選定機率值D31所對應的三種次要商品(在圖5中分別為「暖暖包」、「口罩」及「大衣」)分別作為對應於「手套」的三種建議商品,從而產生對應的建議商品資料。藉此,該建議商品資料相當於指示出:對於近期已選定過「手套」的消費者,其後續最有可能選定的三種商品為「暖暖包」、「口罩」以及「大衣」。
補充說明的是,在其他實施例中,該處理單元11亦可例如是將該匹配預測參考資料D30’的該等預測選定機率值D31與一預先被設定好的機率門檻值(例如20%但不限於此)比較,再根據高於該機率門檻值的其中N個預測選定機率值D31來決定出該N種建議商品,也就是說,該處理單元11並不必然要針對每一種已選定商品決定出固定數量的建議商品來產生建議商品資料。
在該處理單元11根據該商品推薦請求所指示出的每一種已選定商品產生對應的該建議商品資料之後,流程進行至步驟S7。
在步驟S7中,該處理單元11產生一包含該(等)建議商品資料的商品建議結果,並將該商品建議結果傳送至該使用端電子裝置5(相當於將所有建議商品所對應的該等商品識別資料輸出至該使用端電子裝置5),以使該使用端電子裝置5能顯示該(等)商品識別資料供使用者檢視。藉由該(等)建議商品資料所包含的該等商品識別資料,使用者能夠據以評估要以哪些種類的商品來對近期選定過該(等)已選定商品的消費個體進行商品行銷,或者,使用者亦能據以評估後續有哪些商品的需求較有機會上升,進而預先對該等建議商品的庫存量進行規劃及控管。
在該處理單元11將該商品建議結果傳送至該使用端電子裝置5後,本實施例所執行的該消費模式分析方法結束。
值得一提的是,若將該目標偏好統計資料D1’所對應的該消費群體作為一目標消費群體,則藉由該處理單元11在步驟S3中根據單一筆目標偏好特徵資料選出與其相似的另外該(等)目標偏好特徵資料,該處理單元11相當於根據該目標消費群體過往的消費趨勢來選出存在類似趨勢的其他一或多個消費群體,並將其分別作為另外一或多個目標消費群體。進一步地,藉由該處理單元11在步驟S5中根據所有該等目標模式統計資料D2’來產生該消費模式預測結果D3,該處理單元11相當於綜合分析所有目標消費群體的過往消費模式,並據以分析哪些商品未來較可能出現大量需求。所以,本實施例能選出消費模式相似(亦即具備類似商品偏好)的多個消費群體並對其進行綜合分析,從而同時兼顧了分析樣本的數量及質量,而能產生具備高度參考價值的商品建議結果。
特別說明的是,本實施例的步驟S1至步驟S7及圖4的流程圖僅是用於示例說明本發明消費模式分析方法的其中一種可實施方式。應當理解,即便將步驟S1至步驟S7進行合併、拆分或順序調整,若合併、拆分或順序調整之後的流程與本實施例相比係以實質相同的方式達成實質相同的功效,便仍屬於該消費模式分析方法的可實施態樣,因此,本實施例的步驟S1至步驟S7及圖4的流程圖並非用於限制本發明的可實施範圍。
以上即為該消費模式分析系統1之第一實施例的說明。
本發明還提供了該消費模式分析系統1的一第二實施例。與第一實施例不同的是,在第二實施例中,該等偏好統計資料D1及該等模式統計資料D2並非預先被儲存於該儲存單元12,取而代之的是,該儲存單元12預先儲存有多筆分別對應於該等消費群體且會被該處理單元11定期更新的消費紀錄集合(圖未示出)。其中,每一消費紀錄集合包含多筆分別對應於多個消費個體的歷史消費資料,且每一歷史消費資料包括多筆存在時間先後順序的消費紀錄。進一步地,在第二實施例中,該處理單元11在步驟S1中接收到來自該使用端電子裝置5的該消費模式分析請求時,是先對該等消費紀錄集合進行一第一統計處理以產生分別對應於該等消費紀錄集合的該等偏好統計資料D1,以及對該等消費紀錄集合進行一第二統計處理以產生分別對應於該等消費紀錄集合的該等模式統計資料D2。換言之,在第二實施例中,該等偏好統計資料D1及該等模式統計資料D2是由該處理單元11在接收到該消費模式分析請求時所即時產生的,所以,該處理單元11獲得該等偏好統計資料D1及該等模式統計資料D2的方式與第一實施例不同。並且,相較於第一實施例,第二實施例能夠隨時根據該等消費群體的近期消費紀錄來產生商品建議結果,而有利於使該商品建議結果更加符合當前的市場趨勢。
本發明還提供了該消費模式分析系統1的一第三實施例。與第一實施例不同的是,在第三實施例中,該處理單元11並未被用於供該等使用端電子裝置5通訊電連接,並且,該消費模式分析系統1還包含電連接於該處理單元11的一輸入單元及一顯示單元(圖未示出)。其中,該輸入單元包括一或多個用於供使用者進行操作的輸入裝置(例如鍵盤、滑鼠及觸控面板),該顯示單元則被實施為一或多台顯示螢幕。進一步地,在第三實施例中,該處理單元11在產生該商品建議結果之後,是控制該顯示單元顯示該商品建議結果的所有該等商品識別資料,而相當於將該等商品識別資料透過該顯示單元輸出,所以,該處理單元11輸出該等商品識別資料的方式與第一實施例不同。
本發明還提供了該消費模式分析系統1的一第四實施例。與第一實施例不同的是,在第四實施例中,該處理單元11在步驟S4中是將該等模式統計資料D2中對應於該目標偏好統計資料D1’的該筆模式統計資料D2設定為一筆主要目標模式統計資料,並將在步驟S3選出之另外K筆目標偏好特徵資料所分別對應的該等模式統計資料D2分別設定為多筆附加目標模式統計資料。進一步地,在步驟S5中,對於每一組比例值D21,該組比例值D21係由一被包含於該主要目標模式統計資料的主要比例值,以及多個分別被包含於該等附加目標模式統計資料的附加比例值所組成,並且,該處理單元11是先針對該等附加比例值計算出一加權比例值,再將該加權比例值與該主要比例值的平均值作為該消費模式預測結果D3中對應於該組比例值D21的該預測選定機率值D31。
更詳細地說,在第四實施例中,該目標偏好統計資料D1’所對應的該筆偏好特徵資料是被作為一主要目標偏好特徵資料,而該處理單元11在步驟S3所選出的另外該等目標偏好特徵資料則分別被作為多筆附加目標偏好特徵資料。而且,該處理單元11計算該加權比例值的方式,是將該等附加比例值分別乘上多個對應的權重值後再彼此加總,並且,每一權重值是由該處理單元11根據該等附加目標偏好特徵資料與該主要目標偏好特徵資料之間的相似程度所決定。舉一例來說,假設該處理單元11在步驟S3中共選出一筆第一附加目標偏好特徵資料以及一筆第二附加目標偏好特徵資料,並假設該第一、第二附加目標偏好特徵資料與該主要目標偏好特徵資料之間的一第一相似度及一第二相似度分別為「0.7」及「0.8」,則,對於每一組比例值D21中對應於該第一附加目標偏好特徵資料的一第一附加比例值,該第一附加比例值所對應的該權重值為該第一相似度(即0.7)除以該第一相似度與該第二相似度之和(即1.5)。另一方面,對於每一組比例值D21中對應於該第二附加目標偏好特徵資料的一第二附加比例值,該第二附加比例值所對應的該權重值則為該第二相似度(即0.8)除以該第一相似度與該第二相似度之和(即1.5)。
藉由計算每一組比例值D21所對應的加權比例值,第四實施例能夠進一步根據該等附加目標偏好特徵資料與該主要目標偏好特徵資料之間的相似度差異,來決定每一附加目標模式統計資料對於該商品建議結果的影響程度,如此一來,對於與該主要目標偏好特徵資料相對較為相似的附加目標模式統計資料,第四實施例能使其對商品建議結果的影響程度相對提高,反之,對於與該主要目標偏好特徵資料相對較不相似的附加目標模式統計資料,第四實施例則能使其對商品建議結果的影響程度相對降低。因此,第四實施例能使該商品建議結果更加符合該主要目標偏好特徵資料所對應之消費群體的歷史消費行為,而有利於使該商品建議結果更加準確地反映出欲分析客群未來的可能消費模式。
補充說明的是,前述的該等實施例可以依據應用方面的需求而以任意方式被結合實施。
本發明還提供了一種電腦程式產品的一實施例。具體來說,該電腦程式產品能被儲存於各種電腦可讀取記錄媒體(例如硬碟、隨身碟及光碟等),且該電腦程式產品包含一軟體程式,而且,當一電腦系統(例如一台電腦設備或伺服設備,或者多台電腦/伺服設備的組合)載入並執行該電腦程式產品的軟體程式時,該軟體程式能使該電腦系統被作為前述任一實施例中所述的該消費模式分析系統1,而執行前述任一實施例中所述的消費模式分析方法。
綜上所述,藉由實施該消費模式分析方法,該消費模式分析系統1能選出消費模式相似的多個消費群體並對其進行綜合分析,從而同時兼顧分析樣本的數量及質量,進而產生具備高度參考價值的商品建議結果,故確實能達成本發明之目的。
惟以上所述者,僅為本發明之實施例而已,當不能以此限定本發明實施之範圍,凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
1:消費模式分析系統
11:處理單元
12:儲存單元
5:使用端電子裝置
D1:偏好統計資料
D1’:目標偏好統計資料
D11:偏好程度值
D11’:關鍵偏好程度值
D2:模式統計資料
D2’:目標模式統計資料
D20:模式統計紀錄
D21:比例值
D3:消費模式預測結果
D30:預測參考資料
D30’:匹配預測參考資料
D31:預測選定機率值
S1~S7:步驟
本發明之其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊示意圖,示例性地繪示本發明消費模式分析系統的一第一實施例,以及一適合與該實施例配合應用的使用端電子裝置;
圖2是一示意圖,示例性地呈現出一筆適合供該實施例利用的偏好統計資料;
圖3是一示意圖,示例性地呈現出一筆適合供該實施例利用的模式統計資料;
圖4是一流程圖,用於示例性地說明該實施例如何實施一消費模式分析方法;及
圖5是一示意圖,示例性地呈現出一由該實施例在該消費模式分析方法的執行過程中所產生的消費模式預測結果。
S1~S7:步驟
Claims (9)
- 一種消費模式分析方法,由一消費模式分析系統執行;該消費模式分析方法包含: (A)獲得多筆分別對應於多個消費群體的偏好統計資料,其中,每一偏好統計資料指示出對應之該消費群體對於多種商品各自的偏好程度; (B)根據每一偏好統計資料所指示出之偏好程度的分佈情形,產生一筆對應於該偏好統計資料的偏好特徵資料; (C)根據該等偏好特徵資料中的其中一筆目標偏好特徵資料,從其他該等偏好特徵資料中,選出與該目標偏好特徵資料之間的相似程度相對較高的另外一或多筆目標偏好特徵資料; (D)從多筆模式統計資料中選出其中多筆分別對應於該等目標偏好特徵資料且各自對應於該等消費群體之其中一者的目標模式統計資料,其中,每一目標模式統計資料包含多筆分別對應於多種優先商品的模式統計紀錄,而且,每一模式統計紀錄指示出相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,再對多種次要商品各自進行選定的比例; (E)根據該等目標模式統計資料所包含的該等模式統計紀錄產生一消費模式預測結果,其中,該消費模式預測結果指示出每一種次要商品接續在每一種優先商品之後被選定的機率;及 (F)根據一種已選定商品從該消費模式預測結果所指示出的該等種類的次要商品中選出其中N種建議商品,並將N筆分別對應於該N種建議商品的商品識別資料輸出,其中,N為大於等於1的整數。
- 如請求項1所述的消費模式分析方法,其中: 在步驟(A)中,每一偏好統計資料包含多個彼此之間存在預定順序且分別對應於該等種類之商品的偏好程度值;及 在步驟(B)中,該消費模式分析系統根據每一偏好統計資料產生對應之該偏好特徵資料的方式,包含將該偏好統計資料的該等偏好程度值與一偏好度門檻值比對,根據該等偏好程度值與該偏好度門檻值之間的比對結果以及該等偏好程度值的預定順序產生一偏好特徵向量,並以該偏好特徵向量作為該偏好特徵資料,其中,該偏好特徵資料所具有的M個關鍵分量分別對應於該等偏好程度值中大於等於該偏好度門檻值的其中M個偏好程度值,且M為大於等於1的整數。
- 如請求項1所述的消費模式分析方法,其中: 在步驟(D)中,每一模式統計紀錄包括多個彼此之間存在預定順序且分別對應於該等種類之次要商品的比例值,每一比例值表示相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,有再對該比例值所對應之該種次要商品進行選定的比例;及 在步驟(E)中,該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值,並且,該消費模式分析系統產生該消費模式預測結果的方式,包含將該等目標模式統計資料的所有該等比例值中相關於同一種優先商品且對應於同一種次要商品的其中多個比例值作為同一組比例值,對於每一組比例值計算一對應於該組比例值的平均值,並根據該平均值決定該等預測選定機率值中對應於該組比例值的該預測選定機率值。
- 如請求項1所述的消費模式分析方法,其中: 在步驟(E)中,該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值;及 在步驟(F)中,該消費模式分析系統是先從該等預測參考資料中選出其中一筆所對應之該種優先商品與該種已選定商品匹配的匹配預測參考資料,再將該匹配預測參考資料的該等預測選定機率值中最高的其中N個預測選定機率值所對應的該N種次要商品分別作為該N種建議商品。
- 一種消費模式分析系統,包含: 一處理單元;及 一儲存單元,與該處理單元電連接; 其中,該處理單元用於: 獲得多筆分別對應於多個消費群體的偏好統計資料,其中,每一偏好統計資料指示出對應之該消費群體對於多種商品各自的偏好程度; 根據每一偏好統計資料所指示出之偏好程度的分佈情形,產生一筆對應於該偏好統計資料的偏好特徵資料; 根據該等偏好特徵資料中的其中一筆目標偏好特徵資料,從其他該等偏好特徵資料中,選出與該目標偏好特徵資料之間的相似程度相對較高的另外一或多筆目標偏好特徵資料; 從多筆模式統計資料中選出其中多筆分別對應於該等目標偏好特徵資料且各自對應於該等消費群體之其中一者的目標模式統計資料,其中,每一目標模式統計資料包含多筆分別對應於多種優先商品的模式統計紀錄,而且,每一模式統計紀錄指示出相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,再對多種次要商品各自進行選定的比例; 根據該等目標模式統計資料所包含的該等模式統計紀錄產生一消費模式預測結果,其中,該消費模式預測結果指示出每一種次要商品接續在每一種優先商品之後被選定的機率;及 根據一種已選定商品從該消費模式預測結果所指示出的該等種類的次要商品中選出其中N種建議商品,並將N筆分別對應於該N種建議商品的商品識別資料輸出,其中,N為大於等於1的整數。
- 如請求項5所述的消費模式分析系統,其中: 每一偏好統計資料包含多個彼此之間存在預定順序且分別對應於該等種類之商品的偏好程度值;及 該處理單元根據每一偏好統計資料產生對應之該偏好特徵資料的方式,包含將該偏好統計資料的該等偏好程度值與一偏好度門檻值比對,根據該等偏好程度值與該偏好度門檻值之間的比對結果以及該等偏好程度值的預定順序產生一偏好特徵向量,並以該偏好特徵向量作為該偏好特徵資料,其中,該偏好特徵資料所具有的M個關鍵分量分別對應於該等偏好程度值中大於等於該偏好度門檻值的其中M個偏好程度值,且M為大於等於1的整數。
- 如請求項5所述的消費模式分析系統,其中: 每一模式統計紀錄包括多個彼此之間存在預定順序且分別對應於該等種類之次要商品的比例值,每一比例值表示相關之該消費群體在選定該模式統計紀錄所對應的該種優先商品之後,有再對該比例值所對應之該種次要商品進行選定的比例;及 該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值,並且,該處理單元產生該消費模式預測結果的方式,包含將該等目標模式統計資料的所有該等比例值中相關於同一種優先商品且對應於同一種次要商品的其中多個比例值作為同一組比例值,對於每一組比例值計算一對應於該組比例值的平均值,並根據該平均值決定該等預測選定機率值中對應於該組比例值的該預測選定機率值。
- 如請求項5所述的消費模式分析系統,其中: 該消費模式預測結果包含多筆分別對應於該等種類之優先商品的預測參考資料,每一預測參考資料包括多個分別對應於該等種類之次要商品的預測選定機率值;及 該處理單元是先從該等預測參考資料中選出其中一筆所對應之該種優先商品與該種已選定商品匹配的匹配預測參考資料,再將該匹配預測參考資料的該等預測選定機率值中最高的其中N個預測選定機率值所對應的該N種次要商品分別作為該N種建議商品。
- 一種電腦程式產品,包含一軟體程式,並且,當該軟體程式被一電腦系統載入並執行時,該軟體程式能使該電腦系統執行如請求項1至4其中任一項所述的消費模式分析方法。
Publications (1)
Publication Number | Publication Date |
---|---|
TWI841397B true TWI841397B (zh) | 2024-05-01 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11501204B2 (en) | 2014-08-21 | 2022-11-15 | International Business Machines Corporation | Predicting a consumer selection preference based on estimated preference and environmental dependence |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11501204B2 (en) | 2014-08-21 | 2022-11-15 | International Business Machines Corporation | Predicting a consumer selection preference based on estimated preference and environmental dependence |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10789634B2 (en) | Personalized recommendation method and system, and computer-readable record medium | |
Geng et al. | NNIA-RS: A multi-objective optimization based recommender system | |
CN110580649B (zh) | 一种商品潜力值的确定方法和装置 | |
EP3326371A1 (en) | Cross-screen optimization of advertising placement | |
Cao et al. | Customer demand prediction of service-oriented manufacturing incorporating customer satisfaction | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 | |
CN109840796B (zh) | 决策因素分析装置与决策因素分析方法 | |
CN107808314B (zh) | 用户推荐方法及装置 | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
KR20160103469A (ko) | 맞춤형 제안 서비스 운용 장치 및 방법 | |
Fu et al. | Multiobjective flow shop deteriorating scheduling problem via an adaptive multipopulation genetic algorithm | |
US9201968B2 (en) | System and method for finding mood-dependent top selling/rated lists | |
JP5056803B2 (ja) | 情報提供サーバ及び情報提供方法 | |
Peker et al. | mRHR: a modified reciprocal hit rank metric for ranking evaluation of multiple preferences in top-N recommender systems | |
TWI841397B (zh) | 消費模式分析方法及系統與電腦程式產品 | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
KR102186387B1 (ko) | 가중백분율 기반의 평가 관리 방법 | |
JP5056801B2 (ja) | 情報提供サーバ及び情報提供方法 | |
CN113256362A (zh) | 用于输出信息的方法和装置 | |
JP7303855B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Albert et al. | Fidelity Homogenous Genesis Recommendation Model for User Trust with Item Ratings | |
TW201423639A (zh) | 目標資訊提供系統及方法 | |
JP4375388B2 (ja) | 情報提供サーバ及び情報提供方法 | |
Hu | A Novel Nonadditive Collaborative‐Filtering Approach Using Multicriteria Ratings |