TWM627311U - 電子行銷系統 - Google Patents
電子行銷系統 Download PDFInfo
- Publication number
- TWM627311U TWM627311U TW110215297U TW110215297U TWM627311U TW M627311 U TWM627311 U TW M627311U TW 110215297 U TW110215297 U TW 110215297U TW 110215297 U TW110215297 U TW 110215297U TW M627311 U TWM627311 U TW M627311U
- Authority
- TW
- Taiwan
- Prior art keywords
- user
- product
- information
- marketing system
- candidate
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種電子行銷系統,本創作透過擷取用戶在網站或網路的瀏覽痕跡、歷程等去識別化資訊,以此在不使用用戶個資的情況下,仍能有效將相似用戶分群,並將商品與用戶匹配,篩選出其可能購買的候選商品,亦可選定欲銷售之商品,匹配出候選用戶群,並以候選商品生成商品傳單,發送至候選用戶群中的各用戶,且能在用戶點選商品傳單後,及時調整用戶資訊,故本創作在不使用個資情況下,依然可精準行銷,並能時時調整用戶資訊,達到最佳的電子行銷效果。
Description
本創作應用於電子行銷,尤指一種利用人工智慧將商品與向量化後的用戶路徑數據相匹配,以此篩選出候選商品及候選用戶群,並將候選商品製作成商品傳單發送至候選用戶群中的各用戶端。
隨著大數據科技技術發展,精準行銷現今已廣泛應用於各式領域之中,其中,在電子郵件行銷(Electronic Direct Mail,EDM)領域中更有顯著成長;相關已揭的先前技術例如有:(1)中華民國發明專利第TWI644273B號「個人化廣告系統」,其利用定位追蹤技術偵測使用者於商店中之活動行為,再經由偏好學習決定推送廣告之商品、傳遞方式以及優惠,另有其他前案以供參考,如下:(2)中國發明專利第CN110555719A號「基於深度學習的商品點擊率預測方法」;(3)美國發明專利第US20190102681A1號「Directed trajectories through communication decision
tree using iterative artificial intelligence」;(4)日本發明專利第JPA2018160071號「広告配信装置及」;(5)日本發明專利第JPB006791346號「 管理及管理方法」。
上述各前案所揭內容雖可達到精準行銷之目的,然而,所揭之技術手段仍須一定程度上藉由分析用戶個資,如所在地區、性別、年齡、收入、學經歷等,以決定欲推銷之商品,惟,個人資料保護意識日漸茁壯,如此作法係有侵犯個人隱私之疑慮;再者,僅藉由分析個人資訊,將難以與時俱進、真實貼近用戶需求,推出用戶感興趣及需求之商品;此外,習知商品推薦只能達到推銷同質性高的商品,難以有效的拓展潛在商品之成交;據此,如何在不需借助個資的情況下,仍能達到精準行銷,並能時刻調整推薦給用戶的商品,且能拓展推薦商品範疇,乃為待解決之問題。
有鑑於上述的問題,本創作人係依據多年來從事行銷的相關經驗,針對電子行銷進行研究及改進;緣此,本創作之主要目的在於利用用戶的網路瀏覽歷程,進一步將用戶分群,並推薦給用戶適切的商品,以達到精準行銷的功效。
為達上述目的,本創作之電子行銷系統,主要利用包含有一人工智慧模組的一電子行銷系統,其用以先擷取用戶在網路上的瀏覽、路徑等歷程以作為用戶路徑數據,再將此用戶路徑數據經向量化演算後形成一用戶特徵向量矩陣,並以此作為用戶資訊;另,人工智慧模組再進一步將用戶資訊,與具有商品標籤的商品資訊基於一字串網路做匹配,篩選出可相互匹配的候選商品與候選用戶群;其中,人工智慧模組亦可將距離相近之多個用戶資訊作為用戶群,以及具有相關聯商品標籤之多個商品作為商品集,以用戶群及商品集作為候選用戶群及候選商品的選項參數;再者,電子行銷系統將候選商品生成一商品傳單,商品傳單紀錄有各候選商品且其內含有一網址連結,再將商品傳單傳送至候選用戶群中的各用戶之用戶端資訊裝置;此外,用戶在點擊商品傳單之網址連結後,係可透過網址連結回傳一回饋訊息至電子行銷系統,電子行銷系統可據此修正每次發出之商品傳單的商品內容,以此達到不需借助個資的情況下,仍能達到精準行銷,並能時刻調整推薦給用戶的商品,並進一步拓展推薦商品範疇之功效。
為使 貴審查委員得以清楚了解本創作之目的、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。
1:電子行銷系統
11:中央處理模組
12:用戶資訊資料庫
13:商品資訊資料庫
14:人工智慧模組
15:圖像解析模組
16:字串模組
17:模板模組
2:用戶端資訊裝置
S1:模型訓練步驟
S2:商品輸入步驟
S3:用戶及商品匹配步驟
S4:傳單生成步驟
S5:傳單發送步驟
S6:用戶回饋步驟
P:商品資訊
T:商品標籤
E:商品傳單
S:候選商品
C1~C5:用戶
G:候選用戶群
F:回饋訊息
M1:即時通訊途徑
M2:電子郵件途徑
圖1,為本創作之系統組成示意圖(一)。
圖2,為本創作之方法流程示意圖(一)。
圖3,為本創作之實施示意圖(一)。
圖4,為本創作之實施示意圖(二)。
圖5,為本創作之實施示意圖(三)。
圖6,為本創作之實施示意圖(四)。
圖7,為本創作之實施示意圖(五)。
圖8,為本創作之實施示意圖(六)。
圖9,為本創作之實施示意圖(七)。
請參閱「圖1」,為本創作之系統組成示意圖(一),如圖所示,本創作之電子行銷系統1可將商品傳單傳送至一用戶端資訊裝置(本圖尚未繪示),電子行銷系統1包含有一中央處理模組11,另有一用戶資訊資料庫12、一商品資訊資料庫13、一人工智慧模組14、圖像解析模組15、一字串模組16、及一模板模組17分別與中央處理模組11呈資訊連接,以下例示各組成要件的功能:(1)中央處理模組11供以運行電子行銷系統1,及驅動上述各模組(12~17)之作動,其具備邏輯運算、暫存運算結果、保存執行指令位置等功能,可以為中央處理器(Central Processing Unit,CPU),但不以此為限;(2)用戶資訊資料庫12儲存有代表各用戶的至少一用戶資
訊,用戶資訊包含有以人工智慧模組14擷取各用戶路徑數據,並且將用戶路徑數據經向量化運算後形成為一用戶特徵向量矩陣,以此代表各用戶的「用戶特徵」,其中,所述的用戶路徑數據為對用戶進行數據擷取,擷取在網站或網路的瀏覽痕跡、經過之路程、歷程、觸發事件、單純行為點擊、行為操作、網站停留時間之任一種數據或其組合數據,但凡可在網際網路留下行動痕跡之數據等非屬於個資之數據;另,用戶資訊亦包含有人工智慧模組14基於字串網路,萃取出用戶路徑數據中的「關鍵字」、「熱門字詞」、「有價字詞」、或字詞/文字描述之其中一種或其組合的一用戶標籤;可選的,用戶資料庫12亦儲存有至少一用戶群,所述的用戶群係為人工智慧模組14利用用戶特徵向量矩陣,將多個相近之用戶資訊進行分群所組成的用戶群;可選的,用戶資訊資料庫12儲存於一記憶體(Memory);(3)商品資訊資料庫13儲存有具有商品標籤的多個商品資訊,亦供以接收由人工智慧模組14賦予商品標籤之商品資訊,可選的,商品資訊資料庫13儲存有至少一商品集,所述的商品集係由人工智慧模組14基於字串網路將多個相關聯商品資訊分群組成;可選的,商品資訊資料庫13儲存於一記憶體(Memory);(4)人工智慧模組14供以擷取各用戶之用戶路徑數據,並且將用戶路徑數據作為過往資料進行一第一機器學習,向量分群學習數據作為過往資料進行一第二機器學習,
建構一模型以將用戶路徑數據經向量化運算後形成為用戶特徵向量矩陣,並將用戶特徵向量矩陣作為用戶資訊儲存於用戶資訊資料庫12,其中,所述的用戶路徑數據為對用戶進行數據擷取,擷取在網站或網路的瀏覽痕跡、經過之路程、歷程、觸發事件、單純行為點擊、行為操作、網站停留時間之任一種數據或其組合數據,但凡可在網際網路留下行動痕跡之數據等非屬於個資之數據,其中,所述之第一機器學習及第二機器學習主要使用監督式學習法(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),另,人工智慧模組可基於字串模組16產生之字串網路,萃取出用戶路徑數據中的一用戶標籤,其可為「關鍵字」、「熱門字詞」、「有價字詞」、或字詞/文字描述之其中一種或其組合,並將用戶標籤作為用戶資訊;此外,人工智慧模組14亦供以將經圖像解析模組15解析之商品圖像,分類並賦予多個商品標籤,較佳的,人工智慧模組14可與字串模組16協作,基於一字串網路賦予商品圖像商品標籤,並將具有商品標籤之商品圖像儲存於商品資訊資料庫13,作為商品資訊,其中所述的商品標籤可為字詞或文字描述之其中一種或其組合;又,人工智慧
模組14可將用戶資訊與商品資訊相匹配,篩選出可能對此商品有購買傾向的至少一候選用戶群,或用戶有購買意願的至少一候選商品;(5)圖像解析模組15可將商品資訊中的圖像進行分割、及辨識商品圖像中之文字,以協同人工智慧模組14將商品圖像賦予多個商品標籤/文字描述;(6)字串模組16係可蒐集文本,並以機器學習之方式,萃取出文本內有價值之文字或單詞,所述的有價值之文字或單詞為搜尋頻率高、具話題性等熱門字詞,並將相互關聯之單字相互串聯形成一字串網路並儲存;(7)模板模組17儲存有多組商品傳單模板,供以將人工智慧模組14篩選出欲推銷之商品進行排版變化,並製作一商品傳單,其中,商品傳單中各商品圖像係可帶有一網址連結,供用戶快速連結至購買頁面,此外,當用戶點擊此網址連結時,將回傳一回饋訊息至電子銷售系統1,可供人工智慧模組14改變用戶資訊之用戶特徵向量矩陣,修正商品與用戶之匹配,進一步調整商品傳單E之內容,可選的,模板模組17係可基於候選用戶群、候選商品、候選用戶群與候選商品之關聯度、權重等其中一種或其組合,進行模板挑選及自動排版變化,其中,權重可經由電子行銷系統1作設定,亦可由電子行銷系統1基於字串網路作判定。
請參閱「圖2」,為本創作之方法流程示意圖(一),
本創作之電子行銷系統實施方式步驟如下:(1)一模型訓練步驟S1:電子行銷系統1將用戶路徑數據D1作為過往資料進行一第一機器學習,向量分群學習數據D2作為過往資料進行一第二機器學習,建構一模型,其中,所述之第一機器學習及第二機器學習主要使用監督式學習法(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);(2)一商品輸入步驟S2:請搭配參閱「圖3」,電子行銷系統1可接收欲銷售之商品資訊P,其中,商品資訊P可包含商品之名稱、材料、分類、用途、功能、圖片等,電子行銷系統1係解析商品資訊P,並基於字串網路,將商品資訊P分群及賦予多組商品標籤,並將解析完畢賦予商品標籤之商品資訊P儲存於商品資訊資料庫13;如「第3圖」所示,其為本創作之實施示意圖(一),當欲銷售商品為腳踏車時,係可由電子行銷系統1接收該腳踏車之圖像,且系統解析完畢、分群、及賦予商品標籤「腳踏車」、「競速」、「代步車」,文字描述「碳纖維輕量化」後,係將其儲存於商品資訊資料庫13;(3)一用戶及商品匹配步驟S3:請搭配參閱「圖4」及「圖5」,當欲進行電子行銷時,係可先選定至少一個儲存於
商品資訊資料庫13之商品資訊P或商品集,將其作為欲銷售之候選商品S,電子行銷系統1係可將此候選的商品資訊P或商品集,基於字串網路將儲存於用戶資訊資料庫12的用戶資訊與商品資訊P或商品集作匹配,篩選出由高機率購買、或潛在消費者之候選用戶所組成的至少一候選用戶群,其中,候選用戶群更可由電子行銷系統1基於模型將各用戶路徑數據進行向量化形成用戶特徵向量矩陣,並將與候選用戶之用戶特徵向量矩陣相近的各用戶加入候選用戶群;電子行銷系統1更可由選定之候選商品S及候選用戶群,進一步基於字串網路,篩選出相關聯之另一候選商品集及另一候選用戶群作為候選;另,亦可先選定儲存於用戶資訊資料庫12之至少一用戶或一用戶群做為候選,將其作為欲推銷之目標,電子行銷系統1係可將一或多個候選用戶群,與儲存於商品資訊資料庫13的商品資訊P或商品集作匹配,篩選出高機率購買、或潛在的至少一候選商品或候選商品集,電子行銷系統1更可由選定之候選用戶群及候選商品,進一步基於字串網路,篩選出相關聯之另一商品集及另一候選用戶群作為候選;如「圖4」及「圖5」所示,其為本創作之實施示意圖(二)及(三),係選定「腳踏車」作為欲銷售之商品,電子行銷系統1係將「腳踏車」與用戶資訊作匹配,篩選出高機率購買、或潛在消費者的至少一候選的用戶C1或一候選用戶群G,其中候選用戶群包含有用戶(C1~C5),並且更進一步挑選出與之相關聯的「水壺」
作為候選商品S,另外,在本實施例中,候選用戶群G除了有「腳踏車」相關聯之特徵外,另有部分候選的用戶(C1~C5)具有「游泳」之特徵,因此電子行銷系統1係將「泳衣」作為候選商品;(4)一傳單生成步驟S4:請搭配參閱「圖6」,電子行銷系統1在確定候選商品後,係生成一商品傳單E,可選的,基於候選用戶、候選商品、各商品與候選用戶之關聯度、權重等,進行模板挑選及將商品圖片作自動排版變化;如「圖6」所示,其為本創作之實施示意圖(四),因選定候選商品為腳踏車,及由系統挑選出較佳的候選商品為「水壺」、「安全帽」等,故電子行銷系統1使用特定模板排列,以凸顯具有高權重的「腳踏車」;並且商品圖片係具有網址連結,供用戶快速連結至購買頁面,上述舉例僅為示例,並不以此為限;(5)一傳單發送步驟S5:請搭配參閱「圖7」,電子行銷系統1可將商品傳單E發送至各選定、匹配、及候選的用戶端或用戶群端,其中,發送之途徑係可為各式即時通訊(Instant Messaging)、電子郵件(electronic mail)、簡訊(Short Message)等;如「圖7」所示,其為本創作之實施示意圖(五),電子行銷系統1係可透過如即時通訊或電子郵件等途徑,將有關「腳踏車」的商品傳單E傳送至各候選用戶之用戶端資訊裝置2;(6)一用戶回饋步驟S6:請搭配參閱「圖8」及「圖9」,當用戶點擊商品傳單E之商品時,由於商品傳單E網址連結
具有,電子行銷系統1係接收一回饋訊息F,電子行銷系統1將基於此回饋訊息F,修正用戶資訊,並以此改變候選商品及其權重和關聯度,並進一步調整下一次商品傳單E排版;如「圖8」及「圖9」所示,其為本創作之實施示意圖(六)及(七),用戶端資訊裝置2在收到「腳踏車」之商品傳單E後,點擊了「水壺」,電子行銷系統1係會接受到此回饋訊息F後,電子行銷系統1即基於此回饋訊息F修正用戶資訊,且電子行銷系統1並進一步基於修正後的用戶資訊修改商品傳單E之排版及內容,如圖9所示,商品傳單E係將「水壺」佔有較大的版面,且原先有占有大幅版面的「腳踏車」,則縮小占比,且將「泳衣」商品替換為杯架,使商品傳單E能更精準地發揮行銷效果。
綜上可知,本創作之電子行銷系統,包含有中央處理模組、用戶資訊資料庫、商品資訊資料庫、人工智慧模組、圖像解析模組、字串模組、及模板模組,透過各模組之間的協作,係可將商品快速上商品標籤並與特徵向量化後之用戶相匹配,以篩選出最適合之候選商品及用戶,並製作可依據權重、關聯度調整版型之商品傳單,經由各式形式,如:即時通訊、電子郵件、簡訊等途徑傳送,當接收到商品傳單之用戶對其進行操作時,係可回傳回饋訊息至電子銷售系統,電子銷售系統基於回饋訊息及可進一步修正用戶資訊、候選商品及其權重和關聯度、調整下一次商品傳單排版;據
此,本創作據以實施後,可利用用戶特徵向量矩陣將用戶快速分群,並搭配字串網路,在不需借助個資的情況下,仍能達到精準行銷,並時刻調整推薦給用戶的商品,且能拓展推薦商品範疇之功效。
以上所述者,僅為本創作之較佳之實施例而已,並非用以限定本新型專利實施之範圍;任何熟習此技藝者,在不脫離本新型專利之精神與範圍下所作之均等變化與修飾,皆應涵蓋於本新型之專利範圍內。
綜上所述,本新型係具有「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 鈞局提起新型專利之申請。
1:電子行銷系統
11:中央處理模組
12:用戶資訊資料庫
13:商品資訊資料庫
14:人工智慧模組
15:圖像解析模組
16:字串模組
17:模板模組
Claims (10)
- 一種電子行銷系統,供以生成一商品傳單,以達到精準行銷之目的,其包含:一中央處理模組,為中央處理器(Central Processing Unit,CPU),供以運行該電子行銷系統,另有一記憶體儲存有複數筆用戶資訊的一用戶資訊資料庫、儲存有複數筆商品資訊的一商品資訊資料庫、及形成有一字串網路的一字串模組,分別與該中央處理模組呈資訊連接;一人工智慧模組,與該中央處理模組資訊連接,並可基於一模型,將一用戶路徑數據進行向量化後,形成一用戶特徵向量矩陣,且該人工智慧模組另可基於該字串網路,由該用戶路徑數據萃取出一用戶標籤後,以該用戶特徵向量矩陣及該用戶標籤組合產生為一用戶資訊;該人工智慧模組再再基於該字串網路,將該用戶資訊與複數筆該商品資訊進行匹配,篩選出由至少一候選用戶所組成之一候選用戶群、或至少一候選商品,並基於該候選商品生成該商品傳單。
- 如請求項1所述之電子行銷系統,其中,該人工智慧模組,供以將該用戶路徑數據進行一第一機器學習,及將一向量分群學習數據進行一第二機器學習,建構該模型。
- 如請求項1所述之電子行銷系統,其中,該用戶路徑數據為用戶在網站或網路的一瀏覽痕跡、一經過之路程、一歷程、一觸發事件、一單純行為點擊、一網站停留時間、一行為操作之其中一種或其組合。
- 如請求項1所述之電子行銷系統,其中,一圖像解析模組與該中央處理模組資訊連接,供以解析一商品圖像,且該人工智慧模組將解析完畢之該商品圖像,賦予一商品標籤形成該商品資訊。
- 如請求項1所述之電子行銷系統,其中,一模板模組與該中央處理模組資訊連接,供以將該商品傳單進行排版變化。
- 如請求項5所述之電子行銷系統,其中,該模板模組基於該用戶資訊、該商品資訊、該候選用戶與該候選商品之關聯度、權重之其中一種或其組合,進行排版變化。
- 如請求項1所述之電子行銷系統,其中,該候選商品為多個相關聯的該商品資訊組成的一商品集。
- 如請求項1所述之電子行銷系統,其中,該電子行銷系統係經由一即時通訊軟體、一電子郵件、一簡訊之其中 一種或其組合,將該商品傳單傳送至各該候選用戶相對應的一用戶端資訊裝置。
- 如請求項8所述之電子行銷系統,其中,該商品傳單之各該商品資訊具有一網址連結,當該用戶端資訊裝置點擊該網址連結,該電子行銷系統接收一回饋資訊,並修正該用戶資訊。
- 如請求項9所述之電子行銷系統,其中,該電子行銷系統基於修正後之該用戶資訊,與該商品資訊重新匹配,生成該商品傳單。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110215297U TWM627311U (zh) | 2021-12-22 | 2021-12-22 | 電子行銷系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110215297U TWM627311U (zh) | 2021-12-22 | 2021-12-22 | 電子行銷系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM627311U true TWM627311U (zh) | 2022-05-21 |
Family
ID=82560008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110215297U TWM627311U (zh) | 2021-12-22 | 2021-12-22 | 電子行銷系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM627311U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI792799B (zh) * | 2021-12-22 | 2023-02-11 | 阿物科技股份有限公司 | 電子行銷系統及其實施方法 |
-
2021
- 2021-12-22 TW TW110215297U patent/TWM627311U/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI792799B (zh) * | 2021-12-22 | 2023-02-11 | 阿物科技股份有限公司 | 電子行銷系統及其實施方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousaf et al. | Emotion recognition by textual tweets classification using voting classifier (LR-SGD) | |
Riaz et al. | Opinion mining on large scale data using sentiment analysis and k-means clustering | |
Chan-Olmsted | A review of artificial intelligence adoptions in the media industry | |
US11204972B2 (en) | Comprehensive search engine scoring and modeling of user relevance | |
CN111444334B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
US20170154314A1 (en) | System for searching and correlating online activity with individual classification factors | |
CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
JP4940399B2 (ja) | 広告配信装置およびプログラム | |
Song et al. | “Is a picture really worth a thousand words?”: A case study on classifying user attributes on Instagram | |
CN106062730A (zh) | 用于主动构成内容以便在连续社交通信中使用的系统和方法 | |
CN103870523A (zh) | 通过分析内容确定上下文并且基于该上下文提供相关内容 | |
CN106688215A (zh) | 针对内容效能优化的自动点击类型选择 | |
CN103917968A (zh) | 用于管理具有交互式评论流的评论网络的系统和方法 | |
CN110325986A (zh) | 文章处理方法、装置、服务器及存储介质 | |
US9483740B1 (en) | Automated data classification | |
CN110298029A (zh) | 基于用户语料的好友推荐方法、装置、设备及介质 | |
Wu et al. | Enhanced e-commerce customer engagement: A comprehensive three-tiered recommendation system | |
KR102406453B1 (ko) | 빅데이터 형태소 분석 기법을 활용한 온라인 마케팅 플랫폼 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
WO2017107010A1 (zh) | 基于事件回测的信息分析系统及方法 | |
US9516089B1 (en) | Identifying and processing a number of features identified in a document to determine a type of the document | |
Al-Otaibi et al. | Finding influential users in social networking using sentiment analysis | |
TWM627311U (zh) | 電子行銷系統 | |
KR101652433B1 (ko) | Sns 문서에서 추출된 토픽을 기반으로 파악된 감정에 따른 개인화 광고 제공 방법 | |
Gan et al. | CDMF: a deep learning model based on convolutional and dense-layer matrix factorization for context-aware recommendation |