TWM573477U - 網路使用者分群之系統 - Google Patents

Abstract

一種網路使用者分群之系統，係將網路使用者追蹤資料、企業平台資料及開放資料輸入至分群模型進行分群，以得到網路使用者分群資料。

Description

網路使用者分群之系統

本創作係有關使用者分群之系統，尤指一種網路使用者分群之系統。

傳統商家只能透過帳務系統所產生的訂單資料對客戶進行顧客價值分群，其分群的分析方式多半是單一的分析維度，無法擴及到其他維度進行全面的差異化服務。

隨著電子商務演變成近代新興之產業，傳統分群技術方案並無法確切來達到網路使用者分群標籤的效果，電子商務之業者多半透過已購買產品的顧客資訊來作為客戶資料庫，並無專注於整合各項資料源而產出網路使用者分群的客戶分群資料庫，且對於網路使用者的分析多半為各個產業各自發展，並無針對資料共享的考量做全方位的使用者分群標籤。

因此，如何有效依據多方資訊對網路使用者進行分群為目前所亟待解決的課題之一。

為克服習知技術之缺失，本創作係提供一種網路使用者分群之系統，係包括：儲存裝置，係包含應用程式的執 行模組，該執行模組包含：資料接收模組，係透過接收器接收網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料之至少其中一者；及分群模組，係將該資料接收模組所接收的網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料之至少其中一者輸入至分群模型進行分群，以得到網路使用者分群資料，其中，該網路使用者分群資料包含分類別及其所對應之網路使用者；以及分群處理器，係用以作動該儲存裝置中之該執行模組。

於一實施例中，該儲存裝置更包括：歷史資料庫，係將該資料接收模組所接收的網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料之至少其中一者儲存成歷史資料；以及訓練學習模組，係將該歷史資料庫中的歷史資料透過機器學習取得該分群模型，其中，該機器學習係為K均值演算法(K-means)、K鄰近演算法(KNN)、縮減特徵技術或客戶區隔模型(RFM)。

於一實施例中，該訓練學習模組係先對該歷史資料設定分群變數，再將已設定該分群變數的歷史資料進行機器學習，其中，該分群變數包含使用者類別、時間類別、狀態類別、使用裝置類別、來源類別、興趣類別及行為類別之任一個以上的組合。

於一實施例中，該使用者類別包含使用者會員編號、使用者裝置編號、使用者資料建立日期或使用者資料更新日期，該時間類別包含活躍時間、活躍週間、活躍平日或活躍週末，該狀態類別包含所在網站或使用者位置，該使 用裝置類別包含使用者語言、使用者裝置或使用者瀏覽器，該來源類別包含使用者來源網站、使用者來源媒體或使用者來自廣告比例，該興趣類別包含興趣產業或興趣產業的種類，該行為類別包含常看產品種類、瀏覽產品價格平均數、瀏覽產品價格中位數、購買產品價格最小值、購買產品價格最大值、轉換金額中位數、轉換金額平均值、轉換累積金額、瀏覽產品比例、加入購物車比例、開始結帳比例、搜尋比例、轉換活躍度或搜尋活躍度。

於一實施例中，該網路使用者追蹤資料係為該網路使用者使用網路之每一動作所產生的日誌資料，該日誌資料係紀錄包含該動作及該動作所對應的時間。

於一實施例中，該分類別包含低、中或高價值客戶。

於一實施例中，該分類別包含潛在客戶、新客戶、活躍客戶、重複購買客戶、不活躍客戶、潛在流失客戶或流失客戶。

於一實施例中，該儲存裝置更包括：行銷模組，係從一行銷資料庫中選出符合該分類別的行銷資料，並將該行銷資料透過傳輸器傳送給該分類別所對應的網路使用者。

由上可知，本創作透過搜集網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料等和網路使用者相關之資料，將網路使用者依照各個電商產業制定好的規則分類成不同的等級或價值，讓企業可針對不同類型的客戶採取不同的行銷策略，將有限的資源做出最有效率的配置。

1‧‧‧儲存裝置

2‧‧‧分群處理器

3‧‧‧接收器

4‧‧‧傳輸器

11‧‧‧資料接收模組

12‧‧‧分群模組

13‧‧‧行銷模組

14‧‧‧儲存模組

15‧‧‧歷史資料庫

16‧‧‧訓練學習模組

17‧‧‧行銷資料庫

S1~S3‧‧‧步驟

第1圖為本創作之網路使用者分群之系統之示意圖；第2圖為本創作之儲存裝置之架構示意圖；以及第3圖為本創作之網路使用者分群之方法之流程步驟圖。

以下藉由特定的具體實施例說明本創作之實施方式，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創作之其他優點及功效。

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，並非用以限定本創作可實施之限定條件，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，在不影響本創作所能產生之功效及所能達成之目的下，均應仍落在本創作所揭示之技術內容得能涵蓋之範圍內。

請參閱第1圖，係本創作之網路使用者分群之系統之示意圖。該系統係包括儲存裝置1、分群處理器2、接收器3及傳輸器4，分群處理器2係與儲存裝置1、接收器3及傳輸器4連接，其中，儲存裝置1係包含有執行模組及資料庫，分群處理器2係從儲存裝置1載入該執行模組的應用程式並作動(執行)之，接收器3係接收資料，傳輸器4係將分群處理器2處理過的資料傳送出去。

於一實施例中，本創作之網路使用者分群之系統係為 雲端伺服器，但不以此為限。

請參閱第2圖，係本創作之儲存裝置1之架構示意圖。儲存裝置1中的該執行模組係包括資料接收模組11、分群模組12、行銷模組13、儲存模組14及訓練學習模組16，儲存裝置1中的該資料庫係包括歷史資料庫15及行銷資料庫17。

資料接收模組11，係透過接收器3接收網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料。

於一實施例中，該網路係為網際網路，且該網路使用者追蹤資料、該企業平台資料及該開放資料皆是透過網路所取得，但不以此為限。

於一實施例中，該網路使用者追蹤資料係為網路使用者使用網路之每一動作所產生的日誌資料，該日誌資料係紀錄包含該動作及該動作所對應的時間，但不以此為限。

分群模組12，係與資料接收模組11連接，並依據一分群模型，以將資料接收模組11所接收的網路使用者追蹤資料、企業平台資料及開放資料之至少其中一者輸入至該分群模型進行分群，以得到網路使用者分群資料，其中，該網路使用者分群資料包含分類別及其所對應之網路使用者。

行銷資料庫17，係儲存行銷資料。

行銷模組13，係與分群模組12及行銷資料庫17連接，先從分群模組12取得該網路使用者分群資料，以在該行銷資料庫17中選出符合該分類別的行銷資料，並將符合該分 類別的行銷資料透過傳輸器4傳送給該分類別所對應的網路使用者。

歷史資料庫15，係儲存歷史資料。

儲存模組14，係將該資料接收模組11所接收的該網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料儲存成歷史資料庫15中的該歷史資料。

訓練學習模組16，係讀取歷史資料庫15中的該歷史資料，並將該歷史資料透過機器學習取得該分群模型以供分群模組12使用，其中，該機器學習係例如為K均值演算法(K-means)、K鄰近演算法(KNN)縮減特徵技術或客戶區隔模型(RFM)。

於一實施例中，訓練學習模組16係先對該歷史資料設定分群變數，再將已設定該分群變數的歷史資料進行機器學習，其中，該分群變數包含使用者類別、時間類別、狀態類別、使用裝置類別、來源類別、興趣類別及行為類別之任一個以上的組合，但不以此為限。該分群變數係依據各個電商產業制定好的規則去設定。

於一實施例中，該使用者類別包含使用者會員編號、使用者裝置編號、使用者資料建立日期或使用者資料更新日期，該時間類別包含活躍時間、活躍週間、活躍平日或活躍週末，該狀態類別包含所在網站或使用者位置，該使用裝置類別包含使用者語言、使用者裝置或使用者瀏覽器，該來源類別包含使用者來源網站、使用者來源媒體或使用者來自廣告比例，該興趣類別包含興趣產業或興趣產 業的種類，該行為類別包含常看產品種類、瀏覽產品價格平均數、瀏覽產品價格中位數、購買產品價格最小值、購買產品價格最大值、轉換金額中位數、轉換金額平均值、轉換累積金額、瀏覽產品比例、加入購物車比例、開始結帳比例、搜尋比例、轉換活躍度或搜尋活躍度，但不以此為限。

於一實施例中，分群模組12中的該分群模型係依據該分群變數對該網路使用者追蹤資料、企業平台資料及開放資料進行分群，使得分群後的該網路使用者分群資料中的分類別包含低、中、高價值客戶、潛在客戶、新客戶、活躍客戶、重複購買客戶、不活躍客戶、潛在流失客戶或流失客戶，但不以此為限。

請參閱第3圖，係本創作之一種網路使用者分群之方法之流程步驟圖。該方法係包括步驟S1~S3：

步驟S1：接收網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料。

於一實施例中，該步驟S1中的該網路使用者追蹤資料係為網路使用者使用網路之每一動作所產生的日誌資料，該日誌資料係紀錄包含該動作及該動作所對應的時間。

步驟S2：將該網路使用者追蹤資料、企業平台資料及開放資料輸入至分群模型進行分群，以得到網路使用者分群資料，其中，該網路使用者分群資料包含分類別及其所對應之網路使用者。

於一實施例中，該分群模型係由該網路使用者追蹤資 料、企業平台資料及網路上公開取得之開放資料的歷史資料透過機器學習所取得，其中，該機器學習係例如為K均值演算法(K-means)、K鄰近演算法(KNN)或縮減特徵技術、客戶區隔模型(RFM)，但不以此為限。

於一實施例中，在進行該機器學習前，係先對該歷史資料設定分群變數，再將已設定該分群變數的歷史資料進行機器學習，以取得該分群模型，但不以此為限。

於一實施例中，該分群變數包含使用者類別、時間類別、狀態類別、使用裝置類別、來源類別、興趣類別及行為類別之任一個以上的組合，但不以此為限。

於一實施例中，該使用者類別包含使用者會員編號、使用者裝置編號、使用者資料建立日期或使用者資料更新日期，該時間類別包含活躍時間、活躍週間、活躍平日或活躍週末，該狀態類別包含所在網站或使用者位置，該使用裝置類別包含使用者語言、使用者裝置或使用者瀏覽器，該來源類別包含使用者來源網站、使用者來源媒體或使用者來自廣告比例，該興趣類別包含興趣產業或興趣產業的種類，該行為類別包含常看產品種類、瀏覽產品價格平均數、瀏覽產品價格中位數、購買產品價格最小值、購買產品價格最大值、轉換金額中位數、轉換金額平均值、轉換累積金額、瀏覽產品比例、加入購物車比例、開始結帳比例、搜尋比例、轉換活躍度或搜尋活躍度，但不以此為限。

於一實施例中，該分類別包含低、中或高價值客戶， 但不以此為限。

於一實施例中，該分類別包含潛在客戶、新客戶、活躍客戶、重複購買客戶、不活躍客戶、潛在流失客戶或流失客戶，但不以此為限。

步驟S3：從行銷資料庫17中選出符合該分類別的行銷資料，並將該行銷資料透過傳輸器4傳送給該分類別所對應的網路使用者。

由上可知，本創作透過搜集網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料等和網路使用者相關之資料，將網路使用者依照各個電商產業制定好的規則分類成不同的等級或價值，讓企業可針對不同類型的客戶採取不同的行銷策略，將有限的資源做出最有效率的配置。

上述實施例係用以例示性說明本創作之原理及其功效，而非用於限制本創作。任何熟習此項技藝之人士均可在不違背本創作之精神及範疇下，對上述實施例進行修改。因此本創作之權利保護範圍，應如後述之申請專利範圍所列。

Claims (10)

1. 一種網路使用者分群之系統，係包括：儲存裝置，係包含有執行模組，且該執行模組包含：資料接收模組，係透過接收器接收網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料之至少其中一者；及分群模組，係將該資料接收模組所接收的網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料之至少其中一者輸入至分群模型進行分群，以得到網路使用者分群資料，其中，該網路使用者分群資料包含有分類別及其所對應之網路使用者；以及分群處理器，係用以作動該儲存裝置中之該執行模組。
2. 如申請專利範圍第1項所述之系統，其中，該儲存裝置更包括：歷史資料庫，係將該資料接收模組所接收的網路使用者追蹤資料、企業平台資料及網路上公開取得之開放資料之至少其中一者儲存成歷史資料；以及訓練學習模組，係將該歷史資料庫中的歷史資料透過機器學習取得該分群模型。
3. 如申請專利範圍第2項所述之系統，其中，該訓練學習模組係先對該歷史資料設定分群變數，再將已設定該分 群變數的歷史資料進行機器學習。
4. 如申請專利範圍第3項所述之系統，其中，該分群變數包含使用者類別、時間類別、狀態類別、使用裝置類別、來源類別、興趣類別及行為類別之組合。
5. 如申請專利範圍第4項所述之系統，其中，該使用者類別包含使用者會員編號、使用者裝置編號、使用者資料建立日期或使用者資料更新日期，該時間類別包含活躍時間、活躍週間、活躍平日或活躍週末，該狀態類別包含所在網站或使用者位置，該使用裝置類別包含使用者語言、使用者裝置或使用者瀏覽器，該來源類別包含使用者來源網站、使用者來源媒體或使用者來自廣告比例，該興趣類別包含興趣產業或興趣產業的種類，該行為類別包含常看產品種類、瀏覽產品價格平均數、瀏覽產品價格中位數、購買產品價格最小值、購買產品價格最大值、轉換金額中位數、轉換金額平均值、轉換累積金額、瀏覽產品比例、加入購物車比例、開始結帳比例、搜尋比例、轉換活躍度或搜尋活躍度。
6. 如申請專利範圍第2項所述之系統，其中，該機器學習係為K均值演算法(K-means)、K鄰近演算法(KNN)或縮減特徵技術、客戶區隔模型(RFM)。
7. 如申請專利範圍第1項所述之系統，其中，該網路使用者追蹤資料係為該網路使用者使用網路之每一動作所產生的日誌資料，該日誌資料係紀錄包含該動作及該動作所對應的時間。
8. 如申請專利範圍第1項所述之系統，其中，該分類別包含低、中或高價值客戶。
9. 如申請專利範圍第1項所述之系統，其中，該分類別包含潛在客戶、新客戶、活躍客戶、重複購買客戶、不活躍客戶、潛在流失客戶或流失客戶。
10. 如申請專利範圍第1項所述之系統，其中，該儲存裝置更包括：行銷模組，係從一行銷資料庫中選出符合該分類別的行銷資料，並將該行銷資料透過傳輸器傳送給該分類別所對應的網路使用者。