TWM601400U

TWM601400U - 評估設備

Info

Publication number: TWM601400U
Application number: TW109208751U
Authority: TW
Inventors: 周世恩
Original assignee: 多利曼股份有限公司
Priority date: 2020-07-09
Filing date: 2020-07-09
Publication date: 2020-09-11

Abstract

一種評估設備，係配置有評估系統，其運作係先提供包含複數候選項目之整合資訊，以將該複數候選項目之其中一者作為指定項目，再基於該指定項目定義出評比範圍，以產生符合該評比範圍之目標組，且該目標組係包含一目標對象及至少一比較對象，之後將該複數候選項目之另一者作為目標項目，以計算於該目標項目中該目標對象與該比較對象的排序，故能有效評估該目標對象之市場價值。

Description

評估設備

本創作係有關一種電子設備，尤指一種可動態分析之評估設備。

隨著Web2.0技術的成熟，點評系統或使用者互動的網路服務正快速發展，且這些服務可累積大量資料，故在網路行銷領域中，網紅行銷正蓬勃發展中。

於網路行銷之現狀中，商品大多會透過代言方式進行行銷，以增加銷售量。例如，廠商邀請網路名人(俗稱網紅)作為代銷者，其中，每個網紅之粉絲數不同，如多則百萬，少則幾千，但都具備一定影響力。

惟，對於廠商(如廣告商或品牌主)而言，目前難以將網紅之相關數值進行有效的彙整，再進行判斷，故往往僅憑網紅之聲量(如Youtube網紅之訂閱數)作為判斷是否作為代銷者之依據，並無法有效反映出該網紅對於商品之銷售貢獻度，導致選擇不適當的網紅作為代銷者，且支付不符價碼之代言費予網紅。例如，第一Youtube網紅之訂閱數為百萬，但其每一影音資料之分享數僅個位數，而第二Youtube網紅之訂閱數為十萬，但其每一影音資料之分享數卻有百萬，但廠商通常選擇支付高額代言費予第一Youtube網紅作為代銷者，卻僅產生個位數分享者之宣傳效果。

因此，如何克服上述習知技術之問題，實已成為目前業界亟待克服之難題。

鑑於上述習知技術之缺失，本創作提供一種評估設備，係包括：主機；資料庫，係配載於該主機中以提供整合資訊，其中，該整合資訊係包含基本項目及經由複數行為資料所彙整出之複數候選項目，且該基本項目係包含一目標對象及複數比較對象，以令該目標對象及該複數比較對象均對應該複數候選項目；選取模組，係配載於該主機中且通訊連接該資料庫，以將該複數候選項目之其中一者作為指定項目，且基於該指定項目定義出評比範圍，以產生符合該評比範圍之目標組，其中，該目標組係包含該目標對象及部分該複數比較對象；以及分析模組，係配載於該主機中且通訊連接該選取模組，以將該複數候選項目之其它者中之至少一者作為目標項目，計算該目標對象於該目標項目中所得的目標分數，其中，該目標分數係為該目標對象相較於該比較對象之排序所轉換成之百分位數。

前述之評估設備中，該主機復配載一通訊連接該資料庫之擷取模組，其搜尋及收集該複數行為資料，以傳送至該資料庫中進行彙整而產生該整合資訊。

前述之評估設備中，該擷取模組係包含網路爬蟲模型，以自動搜尋及收集該複數行為資料。

前述之評估設備中，該主機復配載一通訊連接該資料庫之處理模組，其將該複數行為資料進行彙整，以獲取該基本項目及該複數候選項目，供作為該整合資訊，以存入該資料庫中。

前述之評估設備中，該評比範圍係以該目標對象對應之指定項目為主而定義出該評比範圍之上限與下限。

前述之評估設備中，該評比範圍係為浮動式。

前述之評估設備中，該分析模組係基於該目標項目，對該目標對象與該比較對象進行評分，且依該評分之結果進行該排序，以演算出該目標分數。例如，該評分之方式係採用絕對制或相對制。

前述之評估設備中，該分析模組係藉由於一時段之前後，基於該目標項目計算該目標對象之兩個目標分數，進而獲取潛力分數。

由上可知，本創作之評估設備中，主要藉由其運作係將符合該該評比範圍之目標對象與比較對象針對該目標項目進行排序，以獲取目標分數，故相較於習知技術，對於廠商而言，能依據同級(於該評比範圍內之比較對象)比較結果(即該排序或該目標分數)判斷該目標對象(如網紅)之有效影響力，以預估該網紅對於商品之銷售貢獻度，因而能判斷是否選擇該網紅作為代銷者，且可進一步支付符合價碼之代言費予該網紅。

1:評估設備

1a:主機

10:擷取模組

11:第一資料庫

12:第二資料庫

13:處理模組

14:選取模組

15:分析模組

8:電子裝置

9:人員

F1,F2:傳輸方向

S20~S24:步驟

圖1係為本創作之評估設備所配置之評估系統之架構示意圖。

圖1’係為本創作之評估設備之配置示意圖。

圖2係為本創作之評估設備之運作流程示意圖。

圖3-1至圖3-4係為本創作之評估設備於運作中所產生之演算結果報表。

圖4-1至圖4-4係為本創作之評估設備於運作中所產生之演算結果報表。

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。同時，本說明書中所引用之如「上」及「一」等之用語，亦僅為便於敘述之明瞭，而非用以限定本創作可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當亦視為本創作可實施之範疇。

圖1係為本創作之評估設備1所配置之評估系統之架構示意圖。如圖1’所示，該評估設備1係包括一配載該評估系統之主機1a，且如圖1所示，該評估系統係包括：一擷取模組10、一第一資料庫11、一第二資料庫12、一處理模組13、一選取模組14以及一分析模組15。

所述之主機1a係為伺服器、具有各種處理器或其它適當的電腦裝置，以於運作中，可與至少一電子裝置8相互傳輸訊號，如圖1’所示之傳輸方向F1。例如，該電子裝置8係為電腦產品，如智慧型手機、筆記型電腦、平板電腦或其它等，其通訊連結該主機1a。

所述之擷取模組10係用於收集初始資訊，並將該初始資訊存入該第一資料庫11中。

於本實施例中，該擷取模組10係包含網路爬蟲模型，以自動搜尋及收集於網路上所公開之平台資料，作為該初始資訊。例如，該初始資訊可來自於網路平台，其包含臉書(Facebook)粉絲頁資料、Instagram商業帳號資料、LINE 官方帳號資料、Youtube頻道資料、谷歌(Google)地圖商家資料或其它平台資料等，其內容具有公眾可知的基本資料簡介(Profile)或商務帳號(Business Account)，且該網路平台配置有使用介面，供民眾與該網路平台透過網路進行交流互動，以於該網路平台上留下互動紀錄。

具體地，以Facebook之商家粉絲頁為例，當該商家發佈文章後，民眾可於該商家粉絲頁上對該文章發表意見，如進行按讚、留言或分享等互動項目。或者，以Youtube為例，當發佈者發佈影音資料後，觀看者於觀看該影音資料後，該影音內容之觀看次數就會自動增加一次。亦或，針對每一個在Google地圖(map)上已註冊資訊之商家，民眾可在該Google地圖上對該商家評分。因此，這些平台資料可透過該網路爬蟲模型自動搜尋及收集。

所述之第一資料庫11係通訊連接該擷取模組10以儲存該初始資訊，如接收該擷取模組10之網路爬蟲模型所提供之平台資料。

於本實施例中，該第一資料庫11之資料類型係為網路行為(online behavior)資料類型，故該第一資料庫11復可採用人工輸入方式(如圖1’所示之傳輸方向F2)儲存該平台資料。例如，電商平台之經營者(如圖1’所示之人員)亦可收集各商品之銷售紀錄，該銷售紀錄可視為民眾與該網路平台的互動，供作為初始資訊，故可採用人工輸入方式將該銷售紀錄輸入至該第一資料庫11中。

再者，亦可將非網路行為(non-online behavior)資料以人工輸入方式(如圖1’所示之傳輸方向F2)儲存至該第一資料庫11中。例如，學校測驗成績。因此，該初始資訊只要符合行為資料類型即可，並無特別限制。

所述之第二資料庫12係通訊連接該第一資料庫11以儲存該初始資訊經彙整後所得的整合資訊。

於本實施例中，該處理模組13係將該第一資料庫11中之初始資訊進行資料彙整，以獲取各網站平台之基本項目(item)及候選項目，供作為該整合資訊，再存入該第二資料庫12中。例如，該基本項目係包含名稱、識別編號(如網路ID)、地址、年齡及/或其它者，且該候選項目係包含經由該處理模組13所處理(如計算)出之在預計時段內民眾於該網路平台上進行互動交流的程度，以令每一基本項目均對應該些候選項目。例如，由於該初始資訊之資料來源繁多，故該處理模組13依據資料來源進行分類，使同一資料來源之資料彙整成該整合資訊。

具體地，以臉書之資料來源作為該整合資訊為例，透過臉書圖形應用程式介面(Facebook Graph API(Application Programming Interface))取得公開粉絲頁的候選項目，如按讚數，且該候選項目也可為近30天內每一篇文章的心情互動數、按讚數、留言數、分享數或其它候選項目之量化數值等。或者，以Youtube之資料來源作為該整合資訊為例，透過Youtube Data API取得公開頻道的候選項目，如訂閱數(Subscriber Count)，且該候選項目也可為公開頻道近30天內每一則影音資料的觀看數、按讚數、倒讚數、播放數、留言數或其它候選項目之量化數值等，其中，於實際商業考量中，同一個Youtube頻道可能有多個影音資料(median video)，且每個影音資料之觀看數(view)落差較大，因而取該頻道所有影音資料之觀看數的中位數(即不考慮最多觀看數與與最少觀看數)較能可靠呈現該Youtube之頻道對於行銷活動之貢獻度，如下表所示之整合資訊：

所述之選取模組14係通訊連接該第二資料庫12以將該整合資訊進行分組，而獲取包含目標組之分組資訊。

於本實施例中，該選取模組14係採用同級項目篩選(Filter similar items)方式進行分組，以將該些候選項目之其中一者作為指定項目而基於該指定項目定義出評比範圍，供作為該目標組之依據，使該目標組符合該評比範圍之條件。例如，選擇該整合資訊之基本項目為Youtube之網紅，且以網紅之訂閱數(即粉絲數)作為後續潛力評估之依據，由於該訂閱數較多，其曝光度通常較好，但50萬訂閱數之第一網紅與5萬訂閱數之第二網紅的曝光度明顯不同，並無法體現基於同一行銷活動中，第二網紅相較於第一網紅所展現之貢獻度，故當欲評估第二網紅(或目標對象)之貢獻度時，應以相似等級的訂閱數之網紅作為比較對象。具體地，將該訂閱數作為指定項目，再以該目標對象(如第二網紅)之訂閱數(如5萬)為主而定義出該訂閱數之上限(如10萬)與下限(如1萬)，以形成所需之評比範圍(如1萬~10萬訂閱數)，故可於該整合資訊中選取符合該評比範圍之網紅，以將符合該評比範圍之網紅(如粉絲數8萬之第三網紅、粉絲數2萬之第四網紅或其它粉絲數之比較對象)與該目標對象(如第二網紅)列為目標組，而將該整合資訊中不符合該評比範圍之其它網紅視為其它組別，如第一類組(粉絲數低於1萬)、第二類組(粉絲數大於10萬)或其它類組，因而可獲取如下表所示之分組資訊：

再者，該評比範圍係為浮動式，即該指定項目(該訂閱數)之上限與下限可依需求調變。例如，於同一時間點，若以該目標對象之訂閱數(如5萬)為主而定義出該訂閱數之上限為6萬與下限為4萬，則會形成另一評比範圍(如4萬~6萬訂閱數)，進而形成另一種目標組，如下表所示之分組資訊：

。因此，該選取模組14係以該目標對象為主定義出各種評比範圍而形成多種目標組，以供後續評估作業用。應可理解地，該評比範圍之上限及下限可與該目標對象之指定項目呈等值(如上述)，亦可為非等值(如基於5萬訂閱數，上限為10萬訂閱數，下限為4萬訂閱數，使評比範圍為4萬~10萬訂閱數)，並無特別限制。

再者，該目標組係包含一個目標對象與一或多個比較對象，以將該目標對象予該比較對象作為評比基數(如該目標組所包含之網紅數量)。

於其它實施例中，若該整合資訊為評等服務，如Google Map，該選取模組14可採用價格作為該指定項目，以進行該同級項目篩選之作業。

所述之分析模組15係通訊連接該選取模組14，以基於該目標組計算該目標對象對於目標項目中所得的目標分數(score)。

於本實施例中，該分析模組15係選取不同於該指定項目之至少一候選項目作為目標項目，以基於該目標項目進行評分，再依評分結果進行排序，進而演算出該目標對象於該目標項目中的目標分數，其中，該評分方式係可採用絕對制或相對制，該絕對制之評分結果係為絕對分數，且該相對制之評分結果係為相對分數。例如，將近30天影音內容之平均按讚數作為目標項目，若採用絕對分數，則直接以平均按讚數作為絕對分數進行評分，故後續係依據該絕對分數進行排序，如下表所示：

。另一方面，若將近30天影音內容之平均按讚數及平均倒讚數均作為目標項目，且採用相對分數，則依據平均按讚數之加成(如乘以1)與該平均倒讚數之加成(如乘以-0.1)之總和作為相對分數進行評分，故後續係依據該相對分數進行排序。由於該加成之方式繁多，故若採用不同之加成方式，則會產生不同之評分結果，因而產生不同之排序，如下兩表所示：

或

。由上述兩表可知，網紅「CCC」之排名由第一名變為第三名。應可理解地，使用者可依需求設定相對分數之定義，如將圖案量化(笑臉圖案得10分，哭臉圖案得-2分)，再進行加成總和之評分。因此，使用者(即使用該評估設備1者)可依需求選取所需之目標項目及評分方式，以產生有價值之排序。

再者，該目標分數係為該目標對象相較於該比較對象之排序所轉換成之百分位數(Percentile)，以利於反映出該目標對象於同級中之價值。例如，若第一種目標組共有100位網紅(含一個目標對象與其它99個比較對象)作為該評比基數，以基於該目標項目(如近30天影音內容之平均按讚數或30天內影音內容之平均留言量)進行評分，再依評分結果進行排序，若該目標對象之排序結果為最後一名(即該目標對象贏過0名比較對象)，其目標分數為1%(即(0+1)/100)，且若該目標對象之排序結果為第一名(即該目標對象贏過99名比較對象)，其目標分數為100%(即(99+1)/100)，故若贏過59名比較對象，則該目標對象於該目標項目中之排序結果為第41名，其目標分數為60%(即(59+1)/100)。須注意，當該目標對象與比較對象同分時，該目標對象可依需求視為贏過(或未贏過)該比較對象。

或者，選取第二種目標組，其有80位網紅(含目標對象)作為評比基數，以基於該目標項目排序，若該目標對象贏過74名比較對象，則該目標對象於該目標項目中之排序結果為第6名，其目標分數為93.75%(即(74+1)/80)。亦或，選取第三種目標組，其有200位網紅(含目標對象)作為評比基數，以基於該目標項目排序，若該目標對象贏過119名比較對象，則該目標對象於該目標項目中之排序結果為第81名，其目標分數為60%(即(119+1)/200)。

因此，該分析模組15可依據多種目標組之任一者進行排序，以演算出該目標對象於該目標項目中的目標分數，且於不同種之目標組中，該目標對象於目標項目中所得的目標分數可相同或不相同，如下表所示：

，但基於該目標組之比較對象之數量，仍可反映出該目標對象(第二網紅)相較於不同競爭對手(比較對象)對於同一行銷活動所展現之可能貢獻度，以供使用者(即使用該評估設備1者)判斷該目標對象之市場價值。具體地，雖然第一與第三目標組同分，但第三目標組之評比基數較多，故使用者可依據第三目標組之網紅價格估價；或者，雖然第二目標組較高分，但第二目標組之評比基數較少，致使其目標分數較為不客觀，故使用者可不考量第二目標組之目標分數，而以第一或第三目標組進行估價。

又，該分析模組15可藉由該目標分數進一步評估該目標對象之未來潛力。例如，於一時段之前後，基於同一目標項目進行排序，以獲取潛力分數，供使用者評估該目標對象之未來潛力。具體地，第一種目標組基於該目標項目進行排序，該目標對象於第一天之目標項目中的目標分數為60分，而於第一百天之目標項目中的目標分數為80分，再將兩個目標分數相減(即80-60=+20)，以獲取潛力分數「正20分」，故呈現該目標對象之未來潛力為正成長。應可理解地，若於第一百天之目標項目中的目標分數為40分，則獲取之潛力分數為「負20分」(即40-60=-20)，使該目標對象之未來潛力呈現負成長。

另外，雖然該目標對象(網紅)之指定項目(訂閱數)可能會隨時間而變動(如訂閱數從1萬人變成10萬人之升級狀態或訂閱數從1萬人變成1千人之降級狀態)，使該評比範圍可能會隨之變動(如從9千至1.1萬人之區間變成9萬至11萬人之區間)，且該目標對象所比對之比較對象及其評比基數亦明顯不同，但因排序結果係轉換成百分位數以作為該目標分數，仍可反映出該目標對象之未來潛力。具體地，如下表所示之升級狀態：

，故使用者若將兩目標分數相減而獲取潛力分數(-36分)，仍可反映出該目標對象對於外界因素之未來潛力，以供使用者判斷該目標對象之競爭力，如上表所示之負成長，其可反映出該網紅即使處於追蹤數暴增至10萬人次之升級狀態，但於未來市場並不具競爭力。

或者，如下表所示之降級狀態：

，其反映出正成長(即潛力分數為+1)，故該網紅雖處於追蹤數只剩1千人次之降級狀態，但於未來市場仍具競爭力。因此，該分析模組15藉由一目標時段之前、後時間點所得之目標分數能評估該目標對象之未來潛力，以供使用者更客觀判斷該目標對象之競爭力，故不論該目標對象之指定項目是否升級或降級，該分析模組15所獲取之潛力分數，仍可反映出該目標對象對於外界因素之競爭力。

由上可知，該分析模組15之評估精準度可能因以下因素而影響其高低：

第一點、若該目標對象之指定項目之等級較高(如訂閱數超過百萬)、該目標組之比較對象之數量少(如評比基數少於10)及該分組資訊可產生之目標組之種類少(如少於10種目標組)，則當該目標對象之排序發生變動時，其目標分數變動較大。例如，知名網紅(目標對象)之訂閱數(指定項目)為百萬，則可產生之目標組之種類僅為三種(如該目標組之評比基數為五位網紅、四位網紅或三位網紅)，故當該目標對象於該目標組(以共計四位網紅為例)中之排名發生變動時，其目標分數會發生較大變動，如1/4百分比所得之25百分位數(即該目標對象排名墊底)變成3/4百分比所得之75百分位數(即該目標對象排名第二名)，其總共變動50百分位數。

第二點、若該平台資料抓取量越多(即該整合資訊之資料量越多)，該分組資訊可產生之目標組之種類可能較多，故該目標組中之比較對象則會越多，使該目標分數更具有參考價值。例如，相較於該第一資料庫11僅具有百位網紅，若該第一資料庫11具有上萬個網紅，則該分組資訊可產生之目標組之種類可能較多，該目標對象於相同評比範圍(如訂閱數1千~1萬)中之排序(目標分數)越準確，如下表所示：

。因此，相較於該目標分數為90%(或90分)之目標對象，該目標分數為80%(或80分)之目標對象之評估更具有參考價值。

第三點、若該評比範圍越大(或上限與下限之間的差距過大)，雖然該目標組中之比較對象可能越多，但也可能將差距過大的兩比較對象都列入其中一目標組中，例如，前述之第三網紅與第四網紅分到同一目標組。

圖2係為本創作之評估設備1之運作流程示意圖。於本實施例中，所述之評估方法係由該評估設備1運作。

於步驟S20中，首先，收集初始資訊。於本實施例中，藉由該擷取模組10或人工輸入方式收集該初始資訊至該第一資料庫11中。

於步驟S21中，基於該初始資訊，進行彙整作業，以獲取整合資訊。於本實施例中，藉由該處理模組13將該第一資料庫11之初始資訊進行彙整而獲取該整合資訊，並將該整合資訊儲存至該第二資料庫12中。

於步驟S22中，基於該整合資訊，進行篩選作業，以獲取分組資訊。於本實施例中，藉由該選取模組14選取該指定項目，以於輸入參數(如步驟S220)至該選取模組14中後，形成一評比範圍，而完成該篩選作業。

例如，該選取模組14可以數學方程式運作該同級項目篩選方式，如下所示之演算方程式(A)：

，其中，以網紅為例，P表示所有粉絲互動網頁，f(p _i)表示其中一物件之屬性(即該指定項目)或該目標對象的粉絲數，σ係作為步驟S220之用以調整該屬性之篩選條件之參數(其值小於1)，f(p _j)表示該屬性之限制(或該評比範圍之上限與下限)，p _j表示該比較對象，U _i係為目標組。

於步驟S23中，基於該分組資訊之其中一目標組，進行演算作業。於本實施例中，藉由該分析模組15進行演算作業，以於一時間點下，計算該目標對象於該目標項目中所得之目標分數。

例如，該分析模組15可以數學方程式進行演算作業，如下所示之演算方程式(B)：

其中，h(p _i)表示該物件之另一屬性(或目標項目)，h(p _j)表示該比較對象之另一屬性(或目標項目)，n表示其中一種目標組，n(U _i)表示其中一種目標組之評比基數，PR(P _i)表示目標分數(百分位數)，score(P _i)表示該目標對象於該評比基數中之百分比，即score(P _i)之最大值為1(即第一名，即贏過所有比較對象)，而最小值為

(即最後一名，即未贏過任一比較對象)。因此，當該分析模組15接收各種目標組後，可演算出該目標對象於各種目標組中之目標分數，使該目標分數具有參考價值。

因此，於步驟S23之演算作業中，可依需求選取各種目標組，再於其中判斷該目標對象之可能貢獻度，或於步驟S24之評估作業中判斷該目標對象之潛力性。應可理解地，由於該目標組係供該演算作業用，故該比較對象應愈多愈好，以增加該演算作業之排序之參考價值，若該目標組內之網紅數太少，則演算作業之排序之參考價值不高。

於步驟S24中，基於該目標分數，進行評估作業。於本實施例中，藉由該分析模組15演算兩時間點之間的目標分數之差距，作為潛力分數，以評估該目標對象之未來潛力。

例如，該分析模組15可對於該目標對象，於第一時間點t獲取其第一目標分數score(P _i)_t，且於一段時間後(即第二時間點t+1)，再進行另一次計算以獲取第二目標分數score(P _i)_t+1，之後將第一與第二目標分數score(P _i)_t,score(P _i)_t+1相減，如下所示之公式：

g(P _i)=score(P _i)_t+1-score(P _i)_t，以獲取潛力分數g(P_i)，供評估該目標對象之未來潛力。

因此，所述之評估方法係建立於相似條件的對象進行比較而產生一極具意義的排序，故可應用於業配代言(或網紅)評估、優質飯店評估、學生潛力評估、意見領袖(Key Opinion Leader)市場潛力評估、學生學習力評估或其它目標對象評估等，以判斷一個意見領袖在市場中相對於同級競爭者中，在目標項目上是否具有價值。例如，該評估方法透過選擇適合進行比較之指定項目(如Youtube頻道的訂閱數)篩選出該目標組，再依據該目標項目(Youtube影片30天內累計觀看數)計算出排序與百分位數值，之後透過比較同一個意見領袖的百分位數隨著時間的變化，以評估該意見領袖在訂閱數持續增加的情況下，是否在市場上於該目標項目(Youtube影片30天內累計觀看數)中依然是保持領先(即潛力分數)。

所述之網紅評估可針對某一網紅(目標對象)之追蹤數(如粉絲數或訂閱數)作為指定項目f(p _i)，並將差距±10%作為該參數σ，以將擁有此粉絲數區間(評比範圍)內的其它網紅作為比較對象p _i，而產生該目標組U _i，再以30天內公開貼文的互動數作為目標項目h(p _i)，以依據該目標項目之中位數評比該網紅(目標對象)在該目標組中之排序或目標分數(第幾百分位)，如下表所示：

。進一步，基於同一指定項目，觀測二月底與三月底的排序，可評估該網紅(目標對象)之未來成長潛力，如+10(即80-70=+10)之正成長。

所述之優質飯店篩選係於瀏覽線上訂房之資料(該第一資料庫11之初始資訊)中，可針對某一飯店(目標對象)的雙人房(該第二資料庫12中之整合資訊)的含稅價格(該整合資訊之其中一候選項目)作為指定項目，並擷取價格差異±10%作為該參數，以取得此價格區間(評比範圍)內的其它飯店作為比較對象，而產生該目標組(即比較清單)，再以30天內住客評價分數作為目標項目，以依據該目標項目之中位數評比該飯店(目標對象)的雙人房在同一等級比較清單(該目標組)中之排序或目標分數，如下表所示：

。進一步，基於同一指定項目，觀測2019年底與2020年底的排序，可評估該飯店(目標對象)之未來成長潛力，如-5(即90-95=-5)之負成長。

所述之潛力學生評估係採用人工輸入方式收集初始資訊，再針對某一高中學生(目標對象)的智力測驗分數作為指定項目，並以分數差距±10% 作為該參數，以取得此分數區間(評比範圍)內的其它高中學生作為比較對象，而產生該目標組(即比較清單)，再以某一學期(高二上學期)之某科(數學)考試成績作為目標項目，以依據該目標項目之平均值(如考三次之平均)評比該學生(目標對象)在該科目中相較於該目標組之其它學生之排序或目標分數，如下表所示：

。進一步，基於同一指定項目，觀測高二上與高二下的目標分數，可評估該高中學生之未來成長潛力，如+5(即95-90=+5)之正成長。

圖3-1至圖3-4及圖4-1至圖4-4係為本創作之評估設備1實際運作該評估方法之詳細說明，其經過Facebook資料授權。

首先，藉由該擷取模組10之網路爬蟲模型(亦可以人工輸入或讀取第三方網站已彙整之清單)大量收集粉絲頁列表，供作為初始資訊，且該處理模組13透過Graph API公開取得該初始資訊中每一個粉絲頁當下的粉絲數及粉絲頁貼文的資料(含貼文的按讚數等)，供作為整合資訊，以建置完成該第二資料庫12，使其可儲存各粉絲頁每一天的粉絲數與每一篇貼文的資料。

接著，該選取模組14將粉絲頁「Amy

私人廚房」(https：//www.facebook.com/ABGKitchen/)作為目標對象，並以其粉絲數作為指定項目(2020年03月20日至04月20日，其粉絲數為725,369)，再取差異參數±10%內的粉絲數作為評比範圍，即選取粉絲數652,832至797,906之粉絲頁作為比較對象(共66個粉絲頁)，以形成目標組(如圖3-1至圖3-4所示之演算結果報表之67個粉絲頁)。

之後，該分析模組15進行演算作業，其以社群互動作為該目標項目，且每一個貼文互動分數的計算方式係採用相對制，如將心情互動數之加成(如乘以0.1)、留言數之加成(如乘以0.1)及分享數(如乘以1)之總和，故30天內所有發文的粉絲頁皆可計算出該目標項目之中位數(即相對分數)，如圖3-1至圖3-4所示之演算結果報表，以進行排序，故該「Amy

私人廚房」的貼文互動分數之中位數係為1875.2，且該目標分數係為95.5(即(63+1)/67，贏過63名粉絲頁)。

進一步，該分析模組15進行評估作業。經過30天後(2020年04月21日至05月20日)，粉絲頁「Amy

私人廚房」之粉絲數從725,369成長至741,016，該選取模組14取差異參數±10%內的粉絲數作為評比範圍，即選取粉絲數666,914至815,118之粉絲頁作為比較對象(共65個粉絲頁)，以形成目標組(如圖4-1至圖4-4所示之演算結果報表之66個粉絲頁)，故該分析模組15進行另一次演算作業，其採用與上述相同之計算方式，以獲取該目標對象之目標項目之中位數為2037.5，如圖4-1至圖4-4所示之演算結果報表，且該目標分數係為98.4(即(64+1)/66，贏過64名粉絲頁)。進一步，該分析模組15可藉由該時段(即30天)之前後(即04月20日~05月20日)，基於該目標項目所計算出該粉絲頁「Amy

私人廚房」之兩個目標分數(即98.4與95.5)，演算出該目標對象之潛力分數為+2.9(即98.4-95.5)，其呈現正成長，故於進行評估作業時，使用者可判斷該粉絲頁「Amy

私人廚房」之未來應具有競爭力。

綜上所述，本創作之評估設備，係藉由將該目標對象對於該指定項目進行動態(即浮動式評比範圍)分組，以於該目標組中針對該目標項目進行評分，而計算出該目標分數，故能有效挖掘於市場(如網紅、股市、房市、旅遊業或其它等)上具有潛力的目標對象。

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。

1:評估設備

1a:主機

8:電子裝置

9:人員

F1,F2:傳輸方向

Claims

一種評估設備，係包括：

主機；

資料庫，係配載於該主機中以提供整合資訊，其中，該整合資訊係包含基本項目及經由複數行為資料所彙整出之複數候選項目，且該基本項目係包含一目標對象及複數比較對象，以令該目標對象及該複數比較對象均對應該複數候選項目；

選取模組，係配載於該主機中且通訊連接該資料庫，以將該複數候選項目之其中一者作為指定項目，且基於該指定項目定義出評比範圍，以產生符合該評比範圍之目標組，其中，該目標組係包含該目標對象及部分該複數比較對象；以及

分析模組，係配載於該主機中且通訊連接該選取模組，以將該複數候選項目之其它者中之至少一者作為目標項目，且計算該目標對象於該目標項目中所得的目標分數，其中，該目標分數係為該目標對象相較於該比較對象之排序所轉換成之百分位數。
如請求項1所述之評估設備，其中，該主機復配載一通訊連接該資料庫之擷取模組，其搜尋及收集該複數行為資料，以傳送至該資料庫中進行彙整而產生該整合資訊。
如請求項2所述之評估設備，其中，該擷取模組係包含網路爬蟲模型，以自動搜尋及收集該複數行為資料。
如請求項1所述之評估設備，其中，該主機復配載一通訊連接該資料庫之處理模組，其將該複數行為資料進行彙整，以獲取該基本項目及該複數候選項目，供作為該整合資訊，以存入該資料庫中。
如請求項1所述之評估設備，其中，該評比範圍係以該目標對象對應之指定項目為主而定義出該評比範圍之上限與下限。
如請求項1所述之評估設備，其中，該評比範圍係為浮動式。
如請求項1所述之評估設備，其中，該分析模組係基於該目標項目，對該目標對象與該比較對象進行評分，且依該評分之結果進行該排序，以演算出該目標分數。
如請求項7所述之評估設備，其中，該評分之方式係採用絕對制。
如請求項7所述之評估設備，其中，該評分之方式係採用相對制。
如請求項1所述之評估設備，其中，該分析模組係藉由於一時段之前後，基於該目標項目計算該目標對象之兩個目標分數，進而獲取潛力分數。