TWM600893U - 商品推薦裝置 - Google Patents
商品推薦裝置 Download PDFInfo
- Publication number
- TWM600893U TWM600893U TW109208041U TW109208041U TWM600893U TW M600893 U TWM600893 U TW M600893U TW 109208041 U TW109208041 U TW 109208041U TW 109208041 U TW109208041 U TW 109208041U TW M600893 U TWM600893 U TW M600893U
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- module
- list
- product recommendation
- processor
- Prior art date
Links
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種商品推薦裝置。所述商品推薦裝置自多個資料源收集多個資料並儲存至原始資料庫;自原始資料庫的資料中擷取多個特徵,並將所述特徵輸入機率模型中,而由機率模型輸出商品的購買機率值,並且基於購買機率值來生成對應於商品的推薦行銷名單。
Description
本新型創作是有關於一種行銷系統,且特別是有關於一種商品推薦裝置。
隨著網際網路的發展,電子傳單作為一種廣告形式也隨之興起並呈蓬勃發展。通過電子郵件主動發送產品信息,利用電子郵件把特定的信息發給特定的對象群,也是一種有效的廣告形式。然,過去行銷名單產生方式大多為被動式產生,也就是使用者在需要名單時輸入客群條件設定後,系統才會產出一筆行銷名單,此作法較無時效性。
本新型創作提供一種商品推薦裝置,可計算所有客戶對於各種金融商品的購買機率值,進而提高交易成功機率。
本新型創作的商品推薦裝置,包括:儲存裝置,包括資料收集模組、運算模組、原始資料庫以及標籤資料庫;以及處理器,經配置以執行資料收集模組以及運算模組。資料收集模組用以自多個資料源收集多個資料,並儲存所述資料至原始資料庫。運算模組用以建立機率模型,並且自原始資料庫的資料中擷取多個特徵,並將所述特徵輸入機率模型中,由機率模型輸出商品的購買機率值,並儲存購買機率值至標籤資料庫,運算模組基於購買機率值來生成對應於商品的推薦行銷名單。
在本新型創作的一實施例中,所述商品推薦裝置更包括:顯示裝置。顯示裝置用以顯示一使用者介面。而儲存裝置更包括應用模組。所述應用模組用以提供使用者介面。透過使用者介面提供關注客群名單,以在關注客群名單中選擇一組客群作為推薦行銷名單,所述客群包括多個目標對象。
在本新型創作的一實施例中,所述處理器基於購買機率值自所選擇的客群的目標對象中進行挑選,以獲得推薦行銷名單。
在本新型創作的一實施例中,所述資料源包括:外部資料源,包括官網瀏覽紀錄;資料倉儲,包括倉儲交易資料以及歷史交易資料;以及整合行銷平台,用以收集透過電子傳單回傳的點擊通知。
在本新型創作的一實施例中,所述商品推薦裝置更包括:通訊裝置,耦接至處理器,處理器透過通訊裝置,將電子傳單傳送至推薦行銷名單所包括的多個電子郵件地址。
基於上述,本新型創作計算所有客戶對於各種商品的購買機率值,並串接行內的整合行銷平台,完成行銷作業流程的整合與自動化。
圖1是依照本新型創作的一實施例的商品推薦裝置的方塊圖。請參照圖1,商品推薦裝置100包括處理器110、儲存裝置120、通訊裝置130以及顯示裝置140。處理器110耦接至儲存裝置120、通訊裝置130與顯示裝置140。
儲存裝置120包括資料收集模組121、運算模組122、應用模組123、原始資料庫124以及標籤資料庫125。資料收集模組121用以自多個資料源收集資料,並將所收集的資料儲存至原始資料庫124。處理器110利用運算模組122來分類使用者的使用行為,根據使用行為決定推薦行銷名單。應用模組123提供行銷系統(具有使用者介面)供使用者來操作。標籤資料庫125用以儲存多種購買者對於各種商品的購買機率值。所述多種購買者分別具有不同的特徵。例如,根據年齡、性別、職業、存款餘額、信用卡消費習慣、居住地等特徵來劃分出多種購買者。
處理器110例如為中央處理單元(Central Processing Unit,CPU)、物理處理單元(Physics Processing Unit,PPU)、可程式化之微處理器(Microprocessor)、嵌入式控制晶片、數位訊號處理器(Digital Signal Processor,DSP)、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)或其他類似裝置。
儲存裝置120例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合。資料收集模組121、運算模組122以及應用模組123是由一或多個程式碼片段所組成,上述程式碼片段在被安裝後,會由處理器110來執行。
通訊裝置130例如為支援Wi-Fi、第三代行動通訊技術(third-Generation,3G)、第四代行動通訊技術(fourth-Generation,4G)、全球行動通訊系統(Global System for Mobile Communications)等通訊協定的晶片或電路。另外,通訊裝置130例如也可以網路卡。
顯示裝置140例如為液晶顯示器(Liquid Crystal Display,LCD)、電漿顯示器(Plasma Display)等。顯示裝置140用以顯示使用者介面,透過使用者介面來提供關注客群名單,並且可進一步透過使用者介面在關注客群名單中來選擇一組客群。另外,也可由處理器110基於購買機率值自所選擇的客群的目標對象中進行挑選,以獲得推薦行銷名單。所述客群包括多個目標對象。
圖2是依照本新型創作一實施例的系統架構圖。圖2所示為商品推薦裝置100的系統架構,包括資料層210、運算層220以及應用層230。在此,資料收集模組121負責資料層210的運作,運算模組122負責運算層220的運作,應用模組123負責應用層230的運作。
在資料層210中,透過資料收集模組121自多個資料源收集多個資料,並儲存這些資料至原始資料庫124。外部資料源211包括官網瀏覽紀錄,其是由第三方廠商(即網站管理者)提供。資料倉儲212用以提供內部客戶交易資料,包括倉儲交易資料以及歷史交易資料。整合行銷平台213用以收集透過電子傳單回傳的點擊通知。例如,商品推薦裝置100傳送電子傳單給客戶,根據客戶對電子傳單的點擊,例如開啟電子傳單、傳送電子傳單給其他使用者、電子傳單所附的連結是否被點擊等,透過電子傳單來回傳對應的點擊通知。
在運算層220中,包含模型面以及資料工程面。在模型面中,運算模組122以機器學習與深度學習模型建立機率模型225,藉此預估各種商品的購買機率值。例如,運算模組122根據隨機森林(Random Forest)演算法、極限梯度提升(eXtreme Gradient Boosting,XGBoost)演算法、(Categorical Boosting,CatBoost)、RNN與LSTM作集成學習(Ensemble Learning)來建立機率模型225。
在資料工程面中,運算模組122透過資料挖掘模組221、敘述統計(descriptive statistics)模組222、特徵工程模組223以及資料分析模組224來對原始資料庫124中的資料進行處理。
資料挖掘模組221可從原始資料庫124中所儲存的大量資料中自動搜尋所需的資料,並整合成資料集,並且找出資料集所含的規律。敘述統計模組222用以將資料挖掘模組221所獲得的資料圖像化或數據化。例如,將資料變為圖表,或將資料量化為平均數、中位數、眾數等數據。特徵工程模組223利用資料領域的相關知識來建立能夠使機率模型225達到最佳效能的特徵。例如,特徵工程模組223進行特徵構建、特徵選取和特徵選擇這三個過程,而自敘述統計模組222所獲得的資料中來擷取出最佳的特徵。資料分析模組224用以找出資料間的關聯。例如,資料分析模組224會針對不同的商品,使用不同的特徵輸入至機率模型225來獲得對應的購買機率值。
在獲得所需的特徵之後,運算模組122便將所述特徵輸入至機率模組225,由機率模型225輸出不同特徵組合下,購買各種商品的購買機率值。並且,名單生成模組226基於所述購買機率值來生成對應於所述商品的推薦行銷名單。在此,推薦行銷名單包括多筆使用者的相關資料。
運算模組122以貝式優化(Bayesian Optimization)與網格搜索(Grid Search)選擇機率模型225的參數,並且觀察當前機率模型225的效度,若效度過低則須調整機率模型225的結構。在原始資料庫124中的資料更新後,運算模組122便會主動重新訓練機率模型225的參數。倘若重新訓練後的機率模型225的效度仍處於偏低的狀況,則需要人為介入調整。
在應用層230中,應用模組123提供行銷系統(具有使用者介面)供使用者來操作。行銷系統包括特徵資料庫231、標籤資料庫125、活動成效模組232以及名單流程模組233。特徵資料庫231用以儲存自運算層220中所整理過的特徵。標籤資料庫125用以儲存多種購買者對於各種商品的購買機率值。活動成效模組232根據不同活動的需求自特徵資料庫231中選擇對應於活動的特徵組合。之後,根據所選擇的特徵組合自標籤資料庫125中選擇與所述特徵組合對應的購買機率值,藉此獲得關注客群名單。活動成效模組232進一步提供視覺化圖表供使用者進行選擇。使用者可透過名單流程模組233在關注客群名單選擇一組客群或者自動選擇一組客群。之後,活動成效模組232將所選擇的客群(即,推薦行銷名單)傳送給整合行銷平台213,透過整合行銷平台213來發送電子傳單。即,處理器110透過通訊裝置130,將對應於指定的商品的電子傳單傳送至推薦行銷名單所包括的多個電子郵件地址。
另外,處理器110可進一步基於購買機率值自所選擇的客群的目標對象中進行挑選,以獲得推薦行銷名單。假設預設挑選100名,則依據購買機率值中數值較高者挑選出100的目標對象來作為推薦行銷名單。
使用者可透過應用層230來指定購買者的特徵組合及/或指定一商品,藉此來獲得具有指定特徵組合的使用者對於購買所指定的商品的購買機率值。
另外,處理器110還可進一步儲存所述特徵組合,未來所有客戶的特徵符合所述特徵組合,便會自動觸發整合行銷平台213來發送電子傳單。藉此,可在最短時間內接觸有效客群,以提高交易成功機率。
而為避免過度接觸客戶,整合行銷平台213會設定一預設時間,在所述預設時間內已發送過電子傳單的客戶不得再次發送電子傳單。例如,所述預設時間為3天。倘若要調整所述預設時間,則需經過主管簽核。
綜上所述,本新型創作整合內部資料與官網瀏覽紀錄(使用者行為的軌跡資料),透過機器學習與深度學習技術,計算所有客戶對於各種商品的購買機率值,並串接行內的整合行銷平台,完成行銷作業流程的整合與自動化。
100:商品推薦裝置
110:處理器
120:儲存裝置
121:資料收集模組
122:運算模組
123:應用模組
124:原始資料庫
125:標籤資料庫
130:通訊裝置
140:顯示裝置
210:資料層
211:外部資料源
212:資料倉儲
213:整合行銷平台
220:運算層
221:資料挖掘模組
222:敘述統計模組
223:特徵工程模組
224:資料分析模組
225:機率模型
226:名單生成模組
230:應用層
231:特徵資料庫
232:活動成效模組
233:名單流程模組
圖1是依照本新型創作一實施例的商品推薦裝置的方塊圖。
圖2是依照本新型創作一實施例的系統架構圖。
100:商品推薦裝置
110:處理器
120:儲存裝置
121:資料收集模組
122:運算模組
123:應用模組
124:原始資料庫
125:標籤資料庫
130:通訊裝置
140:顯示裝置
Claims (5)
- 一種商品推薦裝置,包括: 一儲存裝置,包括一資料收集模組、一運算模組、一原始資料庫以及一標籤資料庫;以及 一處理器,經配置以執行該資料收集模組以及該運算模組,其中 該資料收集模組用以自多個資料源收集多個資料,並儲存該些資料至該原始資料庫, 該運算模組用以建立一機率模型,並且自該原始資料庫的該些資料中擷取多個特徵,並將該些特徵輸入該機率模型中,由該機率模型輸出一商品的一購買機率值,並儲存該購買機率值至該標籤資料庫, 該運算模組基於該購買機率值來生成對應於該商品的一推薦行銷名單。
- 如請求項1所述的商品推薦裝置,更包括: 一顯示裝置,顯示一使用者介面, 其中該儲存裝置更包括一應用模組,該應用模組提供該使用者介面, 透過該使用者介面提供一關注客群名單,以在該關注客群名單中選擇一客群作為該推薦行銷名單,該客群包括多個目標對象。
- 如請求項2所述的商品推薦裝置,其中 該處理器基於該購買機率值自所選擇的該客群的該些目標對象中進行挑選,以獲得該推薦行銷名單。
- 如請求項1所述的商品推薦裝置,其中該些資料源包括: 一外部資料源,包括一官網瀏覽紀錄; 一資料倉儲,包括一倉儲交易資料以及一歷史交易資料;以及 一整合行銷平台,用以收集透過一電子傳單回傳的一點擊通知。
- 如請求項1所述的商品推薦裝置,更包括: 一通訊裝置,耦接至該處理器, 該處理器透過該通訊裝置,將一電子傳單傳送至該推薦行銷名單所包括的多個電子郵件地址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109208041U TWM600893U (zh) | 2020-06-24 | 2020-06-24 | 商品推薦裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109208041U TWM600893U (zh) | 2020-06-24 | 2020-06-24 | 商品推薦裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM600893U true TWM600893U (zh) | 2020-09-01 |
Family
ID=73644412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109208041U TWM600893U (zh) | 2020-06-24 | 2020-06-24 | 商品推薦裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM600893U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI755054B (zh) * | 2020-09-09 | 2022-02-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統與方法 |
-
2020
- 2020-06-24 TW TW109208041U patent/TWM600893U/zh not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI755054B (zh) * | 2020-09-09 | 2022-02-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統與方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11138681B2 (en) | Inference model for traveler classification | |
JP5960887B1 (ja) | 算出装置、算出方法及び算出プログラム | |
US11127032B2 (en) | Optimizing and predicting campaign attributes | |
US20130166379A1 (en) | Social Targeting | |
US11468456B2 (en) | Method and system for generating purchase recommendations based on purchase category associations | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
WO2019072128A1 (zh) | 对象识别方法及其系统 | |
WO2022095701A1 (zh) | 一种对象推荐方法及装置、设备、存储介质 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
US20220180392A1 (en) | Predictive recommendation system using tiered feature data | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
Gangurde et al. | Building prediction model using market basket analysis | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN112598472A (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
JP6709775B2 (ja) | 算出装置、算出方法及び算出プログラム | |
US10713704B2 (en) | System and method for generating output results based on computed relativity measures using relational memory | |
JP6267812B1 (ja) | 算出装置、算出方法及び算出プログラム | |
TWM600893U (zh) | 商品推薦裝置 | |
US10360582B2 (en) | Social commerce return on investment | |
CN110796520A (zh) | 商品推荐的方法、装置、计算设备以及介质 | |
JP7117440B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
JP6152215B2 (ja) | 算出装置、算出方法及び算出プログラム | |
Onokoy et al. | Modern approaches to building recommender systems for online stores |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4K | Annulment or lapse of a utility model due to non-payment of fees |