WO2019175443A1 - Computerimplementiertes verfahren zum erzeugen einer vorschlagsliste und anlage zum erzeugen einer bestellliste - Google Patents

Computerimplementiertes verfahren zum erzeugen einer vorschlagsliste und anlage zum erzeugen einer bestellliste Download PDF

Info

Publication number
WO2019175443A1
WO2019175443A1 PCT/EP2019/056736 EP2019056736W WO2019175443A1 WO 2019175443 A1 WO2019175443 A1 WO 2019175443A1 EP 2019056736 W EP2019056736 W EP 2019056736W WO 2019175443 A1 WO2019175443 A1 WO 2019175443A1
Authority
WO
WIPO (PCT)
Prior art keywords
product
user
score
calculated
time
Prior art date
Application number
PCT/EP2019/056736
Other languages
English (en)
French (fr)
Inventor
Carsten Kraus
Original Assignee
Omikron Data Quality Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Omikron Data Quality Gmbh filed Critical Omikron Data Quality Gmbh
Priority to CN201980019496.8A priority Critical patent/CN112041874A/zh
Priority to EP19712947.1A priority patent/EP3766034A1/de
Priority to US16/980,967 priority patent/US20200410573A1/en
Publication of WO2019175443A1 publication Critical patent/WO2019175443A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0264—Targeted advertisements based upon schedule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing

Definitions

  • the present invention relates to a computer-implemented method for generating and outputting a suggestion list for a user for product identifications for products stored in a product database. Furthermore, the invention relates to a device for carrying out this method and to a system for generating an order list with product identifications with such a device.
  • a variety of products using a website such. B. via an online store offered.
  • a user who calls up the website can not only search for these products on the website and obtain information about the products, but also buy these products via the website.
  • data of the user are stored when the website is accessed. This user data is used when the user revisits the website in order to adapt the user's information display and search for specific products to the needs of the respective user. For example, the products last viewed and then not purchased by the user are stored. If the user then calls up the website again, they will be shown on the home page these last viewed products, in order to increase the likelihood that he buys these products when you visit the website again.
  • a suggestion list is most easily generated by simply displaying all the products the user has ever purchased in this store.
  • the number of different groceries purchased is very large. The list would therefore contain many products that the user will most likely not want to buy at this time.
  • US Pat. No. 9,659,310 B1 discloses a method for consumption-based recommendations for recurring purchases. In doing so, recommendations for automatic deliveries of certain products are given by subscription. For a subscription, a fixed time interval is agreed between the user and the shop. For the recurring purchase, a time interval, a product quantity and the nature of the product based on features of the pattern and purchase statistics of the user are suggested.
  • the present invention is based on the technical problem of specifying a computer-implemented method of the aforementioned type which generates and outputs a suggestion list which comes as close as possible to the intended purchase intent of the user. Furthermore, a plant of the type mentioned above is to be specified, which uses a device for carrying out this method and by means of which a shopping cart can be filled with the products, which the user intends to buy.
  • the present invention is based on the fundamental idea that the properties of a product must be taken into account.
  • other products are purchased at much shorter intervals, such as milk or toilet paper. Consequently, when looking at the purchase history of a user, a prediction can be made of how likely that is this Product is bought again. For example, it can be determined in which period of time a certain amount of toilet paper has been consumed by the user in the past. It can be determined from this interval and, if applicable, its fluctuations, whether or, if so, how likely it is that the corresponding household needs toilet paper again at the current time.
  • this product will be added to the suggestion list.
  • the individual consumption of the user from the past can be taken into account.
  • a determined consumption of this product can also be taken into account by all users.
  • alternatives to a product are proposed.
  • so-called product groups can also be considered as products.
  • the method of the present invention utilizes the purchase history of a user as well as the purchase histories of other users for specific products.
  • the method can also work if no further knowledge about the user is known. Although other user data can be processed, such as the household size or certain preferences of the user. However, this knowledge is not absolutely necessary for the method according to the invention.
  • the purchase histories of other customers are taken into account on the second purchase of the user's last purchased products. From the third purchase in particular the purchase history of the user himself is taken into account.
  • a function is thus applied, which depends on the purchase history of the individual user and the purchase histories of other users for the product in question. The weighting of how the purchase history of the individual user on the one hand and the purchase histories of other users on the other hand enters into the function on the other hand changes with the number of purchases made.
  • the function preferably does not only depend on individual products, but also on a product group. For example, if the user buys a jar of jam every month, but each time changes the flavor of the marmalade, the list of proposals will suggest that after one month, the purchase of a jar of jam is suggested. If only the single product were discounted, the purchases of marmalade of different flavors would not be taken into account.
  • a fluctuation range eg standard deviation, interval quartile / percentile
  • the last preceding intervals can be considered more strongly than the older ones.
  • the total frequency of purchase of the product can be considered.
  • a product is due for purchase, based on a past time interval. If so, the product is added to the suggestion list. Furthermore, it can be considered that the product is overdue. Also in this case, the product can be added to the suggestion list. However, if a product is more than overdue it may drop out of the suggestion list as it is obviously not as relevant to the user anymore. For example, if the user buys charcoal or eggs every week and eventually stops, the next time they buy the charcoal or eggs will be added to the suggestion list. The next but one purchase is still the case, but not over the next purchase.
  • the method is particularly suitable for online food trade. However, it is also suitable for products sold by pharmacies or drugstores.
  • a computer-implemented method for generating a suggestion list for a user for product identifications stored in a product database for products is proposed in which: a. by accessing a user database associated with the users, a product is determined by means of a server, or products of the products stored in the product database, which the user has purchased in the past;
  • b. for at least one identified product that the user has purchased in the past is determined by accessing the user database, to which first one Time or at what first times the user has purchased the product in the past;
  • a second time interval or second time intervals for times of consecutive past purchases of the product by the user are calculated by the server;
  • the second time interval or the second time intervals by means of a first
  • a first score which is a measure of the probability that the user buys the product again at the target time is calculated by the server
  • the proposal list for product identifications is generated.
  • a suggestion list is generated for the user, which contains with high probability the products which the user wants to buy. This is achieved in particular by taking into account past purchases and the associated time intervals of these past purchases of the user.
  • the target date of the method according to the invention is, in particular, the time at which the proposal list is to be output or the purchases made. It is therefore a forecast time. This is especially the current time, z. B. when calling an online store. However, it may also be a time in the near future, z. For example, the time of sending an electronic newsletter.
  • the product database and the user database can also be contained in a single database in the method according to the invention, from which then the corresponding data can be retrieved.
  • the steps b. to f. for other products stored in the product database are performed in particular for all products which the user has purchased in the past or in a defined total period.
  • the following steps are also carried out: g. by accessing the user database, it is determined for a multiplicity of other users at which second time points in each case the other users have purchased the product in the past;
  • a third time interval respectively or third time intervals for times of successive past purchases of the product by another user are calculated by the server;
  • a second score which is a measure of the likelihood that any user will re-purchase the product at the time of the goal, is determined by the second prediction method Server calculated;
  • a function value of a function assigned to the product and the user is calculated, whose variables include at least the first score and the second score,
  • the proposal list for product identifications is generated.
  • a relatively short suggestion list can be generated on the basis of past purchases of the user, since it is determined whether previously purchased products are actually actually needed.
  • the steps g. to k. for other products stored in the product database are performed in particular for all products that the user has purchased in the past or in a defined total period.
  • Weight value is zero, if in step a. It was determined that the user has bought the product only once in the past. In fact, a single, past purchase of the product does not allow the user to determine at what intervals recurring purchases occurred in the past. In the case of the method, however, times and time intervals of the purchases of other users are taken into account in this case, so that in this case too a suggestion list can be generated and output which is likely to correspond to the purchase intention of the user.
  • Weight value is greater, the more often the user has bought the product in the past, so that a plurality of second time intervals is calculated.
  • the function whose function value in step j. is weighted in this way the scope of previous knowledge with the user.
  • the first score is taken into account, which is generated on the basis of knowledge about the customer.
  • the second score which takes into account other users' purchases for each product, is given more weight.
  • the influence of the first and second scores is weighted.
  • the first and / or the second score are determined by means of prediction methods, in particular statistical prediction methods, which are used for an estimation of the future behavior of the user.
  • the first score is calculated in concrete embodiments, in particular by means of a neural network. However, it can also be calculated using other prediction methods, e.g. Eg by means of logistic regression, Random Forest, ... In a concrete embodiment, a four-layer Dense neural network is used.
  • a logistic regression is used in the concrete embodiment. In particular, a logistic regression with certain cross variables is used. It has been found that such a calculation of the first and second scores can be used to generate particularly accurate suggestion lists. Other methods, however, are feasible for both scores.
  • statistical values are derived. Such values include, for example, median, standard deviation, quartiles, min and max values.
  • the values can be subjected to a non-linear transformation. This happens in a specific embodiment, but is not a necessity for the procedure. These values flow into the prediction method.
  • various further input variables can be taken into account, which are aggregated and which represent the purchasing behavior of the user or other users over the course of time.
  • the standard deviation of the second time intervals can be calculated.
  • the first score is then further calculated as a function of the calculated standard deviation of the second time intervals.
  • the median of the third time intervals can be calculated.
  • the second score is then further calculated as a function of the calculated median of the third time intervals when the number of second times is below a threshold.
  • attributes of the product and / or the user can be taken into account in the calculation of the first and / or the second score.
  • the first attribute of the product for. For example, by accessing the product database, it determines how likely to be recurring purchases of the product. The first and / or the second score are then further calculated by the server in dependence on the first attribute.
  • the first attribute may indicate the periodicity of the product, i. H. not only the information on how likely to be recurring purchases, but also within which time intervals recurring purchases are likely. It can for the periodicity, d. H. for the time interval of a likely recurring purchase of the product also a range can be indicated.
  • the first attribute is stored in the product database as a product characteristic, which generally indicates the periodicity of the product. The value of the first attribute is thus different for example for a barbecue tongs than for example for the product milk.
  • the first and / or the second score are then further calculated by the server in dependence on the second attribute.
  • a seasonality of the product can be determined, taking into account that at a certain season the product is bought more frequently than at another season. In this way, it can be taken into account, for example, that a product is purchased more frequently in summer, and more rarely in winter, or vice versa.
  • the second attribute can be determined by means of a method for generating priority data for products, as described in WO 2016/174142 A1, which is incorporated by reference into this description.
  • the ratio of the first time interval to the average of the second time intervals is determined as the third attribute of the product.
  • the first score is then alternatively or additionally calculated in dependence on the third attribute from the server.
  • the ratio of the first time interval to the last of the second time intervals is determined as the fourth attribute of the product.
  • the first score is then further calculated by the server depending on the fourth attribute.
  • the fifth attribute of the product at which time the product was purchased by the user or another user.
  • the first and / or the second score is then further calculated by the server in dependence on the fifth attribute.
  • affinities for buying a product at specific times can be taken into account.
  • the day of the week on which the product was purchased by the user or by another user can also be taken into account.
  • the sixth attribute of the product it can be determined as the sixth attribute of the product whether the product was discounted in the case of a purchase by the user or another user.
  • the first and / or the second score is then further calculated by the server in dependence on the sixth attribute. This takes into account that users prefer to buy products to which a discount has been granted. This is preferably taken into account when generating the first or second score.
  • a product belonging to the substitution product is determined by accessing the product database.
  • the steps a. until h. are then further performed for the substitution product.
  • Substitution products may be the products of other package sizes. Furthermore, they may be identical or similar products from other suppliers. Finally, products with a different flavor or odor direction or another dosage form, in particular for medicines, can be taken into account.
  • substitution products may be products belonging to the same type of product, such as another cheese, or products that meet the same needs, such as cheese instead of sausage.
  • the user or another user has retrieved information about the product via a network. For example, it can be considered if the user or another user in an online store called the product and possibly also in an electronic Has not purchased this product, or has instead bought another product.
  • the product identification of the product is detected when a product is purchased by means of a first sensor, and the user identification is detected by means of a second sensor.
  • the detected product identification and user identification are then stored in the user database.
  • the first sensor may, for example, be a scanner for a code, for example a barcode, which is connected to the server via an electronic cash register.
  • the second sensor can, for example, detect features of the user. For example, biometric features of the user can be automatically detected.
  • the user can directly input the user identification code into the sensor, or the user identification can be obtained when paying for the product by using, for example, credit card data or the like as a user identification.
  • Toothpaste, sugar or orange juice customers are buying again and again. With these products, shopping is not an experience, but a chore.
  • the invention facilitates this duty in particular by artificial intelligence.
  • Time / space is generated, so not only refers to the user, but also on the particular moment. Whether a product comes on the suggestion list determines that
  • the method may also consider other variables, such as the weather, but is not dependent on them.
  • the procedure determines the list of suggestions according to different criteria, depending on the frequency of previous visits by the user and the frequency with which he / she has already purchased the product in question. The less frequently, the more the purchases of other customers are considered; the more frequently, the more the purchases of the specific user.
  • One of the sub-procedures calculates the probability that a product will ever be bought repeatedly.
  • Fluctuation is determined over all users as well as over all periods. From these three variables, the user-independent prediction is derived using a prediction method (regression, random forrest, neural network ). In the second sub-procedure, a user-specific first score for the respective product is derived from the user-specific times, the intervals resulting therefrom, and their fluctuation probabilities. The third sub-procedure determines the seasonal dependency of the product. In the summary procedure, the suggestion list results from the combination of the three procedures. For this purpose, a prediction method takes into account the frequency of the purchase of this product by the user and, if applicable, the total frequency of the visit, in addition to the values of the sub-procedures. B. the online store by this user. If necessary, additional variables can be included in the procedure. By means of
  • Function values are generated by a proposal list containing several product identifications.
  • the method can also be used to determine the time at which the order proposal list is sent to the user.
  • the invention further relates to a data processing apparatus comprising a processor configured to execute the method described above.
  • the invention further relates to a system for generating an order list with product identifications.
  • the plant comprises the aforementioned device for data processing.
  • the system comprises an input interface for detecting a user input for accepting or changing the suggestion list output by the device and generating an order list with product identifications.
  • the input interface is designed such that, when accepting the suggestion list, the order list includes the same product identifications as the suggestion list. If the suggestion list is changed by a user input, the order list contains the correspondingly changed list with product identifications.
  • this further comprises a control unit, which is coupled to the input interface and which is designed to determine position data of the product identifications of the order list by access to the product database and to output them to the user
  • this finally comprises a filling device for filling the shopping cart with products, which are assigned to the product identifications of the order list.
  • this further comprises a control unit, which is coupled to the input interface and the filling device, and which is designed to transmit position data of the product identifications of the order list to the filling device by accessing the product database.
  • the filling device is in this case designed to transport the products of the product identifications of the order list from positions corresponding to the position data transmitted by the control unit to the shopping cart.
  • control unit may be coupled to the filling device. It can then be designed to transmit the position data of the product identifications of the order list to the filling device.
  • the filling device can then be designed to transport the products of the product identifications of the order list from positions which correspond to the position data transmitted by the control unit to the shopping cart.
  • the user can be supported to fill a shopping cart.
  • the selection is accelerated and facilitated by generating the suggestion list, and the filling of the shopping cart is supported by the automated filling device, which is controlled by the control unit.
  • the invention relates to a computer program product comprising instructions which, during the execution of the program by a computer, cause it to execute the method described above.
  • FIG. 1 shows schematically the construction of an embodiment of the device according to the invention
  • FIG. 2 shows a chronological illustration of purchases of the user in the past, O n WO 2019/175443 ia lity GmbH PCT / EP2019 / 056736
  • FIG. 3 shows a chronological representation of purchases of other users in the
  • FIG. 4 shows a flowchart of an exemplary embodiment of the invention
  • Figure 5 shows schematically the structure of an embodiment of the inventive systems.
  • the server 2 is coupled to a product database 7 and a user database 8.
  • the user database 8 stores data on past purchases of the users of the online shop provided by the server 2.
  • the product database 7 stores data on the products offered in the online store.
  • the server stores data on user interactions in the user database 8. For example, it is stored when a particular user N places a product P in an electronic shopping cart. Further, it is stored when the user N or another user X buys a product P through the online store.
  • ZP denotes a time
  • the suffix N an assignment to the user N
  • the suffix X an assignment to another user X
  • a number adding a numbering ZI denotes a time interval, in which case the corresponding additives are used.
  • VZP denotes a prediction time or point in time at which the method outputs the suggestion list.
  • Another user X has bought the relevant product P at the times ZP-X-1, ZP-X-2 and ZP-X-3, so that between two consecutive times this Purchases that yield time intervals ZI3-X-1 and ZI3-X-2. These time intervals are also referred to as third time intervals.
  • the data for these purchases are also stored user-specifically in the user database 8.
  • the starting point of the method is that in the user database 8 the past purchases of a product P of a user N are stored with the associated data described above. Similarly, for a plurality of other users X, corresponding data of past purchases are stored in the user database 8. Furthermore, properties and attributes of the product P are stored in the product database 7.
  • step S1 the user N calls a web page of the online shop operated by the server 2 by means of the client 3, wherein the user N logs in, so that he is detected by the server 2 via a user identification.
  • the server 2 determines, by accessing the user database 8, which products P the user N has purchased in the past. For this, a certain total period for past purchases can be used. For example, past purchases of user N can be viewed within the last 14 months. For example, it follows that the customer has bought the products P1 to Pn in the past. The following steps are now performed for each of these products P1 through Pn:
  • the product Pi is determined by accessing the user database 8 by means of the server 2, at which first time ZP-N-1 or at which times ZP-Nj (j> 0) the user N inserts the product Pi in bought the past.
  • the server 2 calculates the time intervals between the times of the purchases. Since in each case there is a time ZP-N-1 for a past purchase of the user N, the first time interval ZI1-N is calculated by the server 2. If further times ZP-Nj have been determined at which the user N bought the product Pi in the past, the server performs a second time interval ZI2-N-1 or second time intervals ZI2-Nj for times of consecutive past purchases of the product Pi the user N is calculated.
  • the server 2 calculates in a step S5 in response to the first ZI1-N and, if a plurality of times were determined, at which the user N has bought the product Pi in the past, the second time interval ZI2-N-1 or the second Time intervals ZI2-Nj a first score, which is a measure of the probability that the user N repurchases the product Pi at the target time point VZP. Furthermore, a first weighting value is determined. The first weighting value gives a measure of the reliability of the first score that, taking into account the past purchases of the user N, this user wants to buy the product pi again.
  • the temporal input variables described above for a neural network are aggregated.
  • the aggregated input variables characterize the developments of the buying behavior of the user N for the product Pi over a certain time course.
  • a four-layer Dense Neural Network with 2.4 million synapses is used for this purpose. Reducing the number of synapses or layers has been found to produce worse results, but not to an improvement.
  • the neural network thus outputs the first score and possibly also the first weighting value.
  • a further possibility would be an approach with neural networks with lower computational complexity, for example on the basis of one-dimensional convolutional neural networks.
  • the computational effort is much greater than with the aggregated input variables, as described in connection with the method according to the invention.
  • step S6 by accessing the user database 8 for a plurality of other users X, it is determined at which second times ZP-Xj (j> 0) the other users X each have purchased the product Pi in the past. From this the server calculates 2 respectively for another user X, a third time interval ZI3-X-1 or third time intervals ZI3-Xj for times of consecutive past purchases of the product Pi by another user X.
  • step S7 the server 2 calculates a second score and a second weighting value depending on the third time interval ZI3-X-1 or the third time intervals ZI3-X-j calculated for the plurality of other users X.
  • a logistic regression with certain cross variables is used in this embodiment.
  • a neural network could also be used in this case.
  • the second score generated by logistic regression is a measure of the likelihood that any user will re-purchase the product at target time VZP. Further, the calculated second weight value indicates how reliable the second score is.
  • the first weighting value is set to zero, so that the first score in this case is not taken into account in the calculation of the function value.
  • the calculation of the function value then takes place only on the basis of the second score, which has been generated on the basis of past purchases of other users X.
  • the first weighting value is greater than zero. In particular, the more frequently the user N has bought the product Pi in the past, in particular within the entire period, he is the greater. In this case, in particular, a plurality of second time intervals ZI2-N-j can be calculated. In the calculation of the function value, the second score, which was obtained based on purchases of other users X, is then less taken into account. The function value is z. B. the greater, the more likely it is that the corresponding product P is bought again by the user at the target time VZP.
  • step S8 the process returns to step S3, and steps S3 to S8 for the next product Pj, which the user N has already purchased at least once in the past, are performed until these steps are executed for all the products P1 to Pn were. There is thus a certain function value for each product.
  • a suggestion list containing product identifications is then generated in dependence on the function values assigned to the products P. For example, product identifications of the products P whose function value exceeds a certain threshold value can be included in the suggestion list. Alternatively, a certain number of product identifications of products P may be included in the suggestion list whose function values are greatest.
  • the number of purchases of a product Pi by the user N in the overall period can be taken into account as an aggregated input variable in step S5.
  • the standard deviation of the second time intervals ZI2-N-j for the product Pi for past purchases by the user N can also be taken into account in the calculation of the first score in step S5.
  • the last detected second time interval ZI2-N-1 for the product Pi for past purchases by the user N can also be taken into account as an aggregated input variable in step S5.
  • the individual times and intervals can be taken into account to varying degrees, with more recent times / intervals being taken into greater account.
  • each point in time and each interval can be included individually as input variables in the prediction function.
  • additional characteristics such as day of the week or time, as well as additional data such as the weather can be incorporated at this time.
  • an aggregate input variable as a first attribute of the product P it can be determined by accessing the product database 7 how likely recurring purchases of the product P are.
  • This first attribute may be stored in the product database 7 independently of any past purchases of the user N or other users X. There is a characteristic of the product itself again. This first attribute can be taken into account in the calculation of the first and the second score in step S5 and / or in step S7.
  • the seasonality intensity can be determined, for example, by means of the method for generating priority data for products, as described in WO 2016/174142 A1, which is incorporated by reference into the description.
  • a third attribute may be taken into account, which is the ratio of the first time interval ZI1-N to the average of the second time intervals ZI2-Nj. In this way it is taken into account how long the duration since the last purchase of the product P by the user N is in relation to typical time intervals between purchases of this product P by this user N.
  • the ratio of the first time interval ZI1-N to the last ZI2-N-1 of the second time intervals ZI2-Nj can be determined as the fourth attribute of the product P, and taken into account in the calculation of the first score as an aggregated input variable in step S5 , In this way, it is considered how large the period between the target time point VZP and the last purchase of this product P by the user N is in relation to the last determined second time interval.
  • the calculation of the function value for a product P for the suggestion list can not yet be derived from the past purchases of this user N for relatively new users N, or for new combinations from the user N with a specific product P. If a user N has bought a particular product P so far very rarely, it can be difficult to predict on this basis whether he wants to buy it again when re-visiting the online store. In this case, as described above, the likelihood of product demand is fully or largely predicted from the general repeat purchase characteristics of the product P based on past purchases of all other users X.
  • the second score in step S7 in this case, in particular, alternatively or additionally, the following aggregated input variables can be taken into account:
  • AC score can be taken into account. This gives a general relative repeat purchase probability for the products P, which is based on the considerations of Agresti & Coull for approximating the binomial distribution, although no binomial distribution is calculated here.
  • steps S3 to S8 in the iteration of steps S3 to S8, not only the quantity of products Pi which the user N has already purchased in the past is taken into account.
  • this iteration for substitution products to the products Pi is performed.
  • an access to the product database 7 determines a substitution product belonging to a product Pi.
  • steps S2 to S8 are then carried out, and then taking into account the scores for this substitution product, steps S9 and S10.
  • not only past purchases of a product P by the user N or another user X are taken into account, but also visits by the user N or other users X, where a product P of the product database 7, or a product group with a product P of the product database 7, not bought.
  • the method may additionally take into account that the user N or another user X has retrieved information about a product P only in the online shop, but then the product P has not been purchased.
  • the fifth attribute of the product P is determined at which time, and possibly on which day of the week, the product P was purchased by the user N or another user X.
  • the first and / or the second score are then also calculated in step S5 or in step S7 in dependence on this fifth attribute.
  • the product P was purchased at a time when it was discounted. Furthermore, it can be considered that the product P was the most cost-effective product of a substitution group at the time of purchase. The influence of these factors can be taken into account both when calculating the first score and when calculating the second score.
  • the apparatus comprises the apparatus 1 described with reference to FIG. 1 and with reference to the exemplary embodiment of the method according to the invention.
  • the apparatus 1 is coupled to a detection unit 11, which in the exemplary embodiment of FIG Plant is designed as an electronic cash register 1 1.
  • the electronic cash register 11 is connected to the first sensor 9 and the second sensor 10.
  • Purchases of user N and other users X are generally recorded by the system.
  • product identifications of the purchased products are detected by the second sensor 10, which may be designed, for example, as a scanner for a code of a product, and transmitted to the electronic cash register 11.
  • the subsequent Payment process is the user N or another user X identified by the first sensor 9, for example, based on an identification of an electronic payment card.
  • the electronic cash register 11 stores this data in the user database 8, as explained above. In this way, a purchase of a user N or another user X can be recorded and stored by means of the installation in a shop.
  • the system is designed according to the invention to generate an order list.
  • the user N is first identified by means of the first sensor 9.
  • the user identification of the user N is transmitted from the electronic cash register 1 1 to the device 1.
  • the device 1 then generates, as explained above, a suggestion list for the users N for such products P, which the user N has already purchased in the past.
  • the product identifications of the products of the suggestion list are made using a touchscreen
  • the user N can accept the suggestion list via the touch screen 12 or change it by user input. For example, the user N on the touch screen 12 to select other products P, which he has not yet bought.
  • the touch screen 12 thus represents an input interface for detecting a user input, in particular for accepting or changing the list of suggestions issued by the device 1.
  • system of this embodiment is designed to output position data of the product identifications of the order list:
  • the order list is transmitted from the touch screen 12 and to a control unit 13.
  • the control unit accesses the product database 7 of the device 1, loads the position data of the product identifications of the order list and transmits these position data to the user.
  • the position data may be displayed by the touch screen 12.
  • the position data are preferably transmitted wirelessly to a mobile terminal of the user.
  • system of this embodiment is designed to fill a shopping cart 15:
  • the order list is also in this case from the touch screen 12 and to the control unit
  • the control unit 13 is also coupled to the device 1 and the second sensor 10.
  • the control unit 13 transmits the product identifications of Order list to the second sensor 10, which passes them to the electronic cash register 11.
  • the electronic cash register 11 stores this data in the user database 8, so that these purchases can be reused in later shopping transactions.
  • the system further comprises a filling device 14 for filling a shopping cart 15 with products P to which the product identifications are assigned to the order list.
  • a filling device 14 for filling a shopping cart 15 with products P to which the product identifications are assigned to the order list.
  • the control unit accesses the product database 7 of the device 1, loads the position data of the product identifications of the order list and transmits these position data to the filling device 14.
  • the filling device 14 is a mobile unit by means of which products P, for example from shelves at certain positions, can be removed and placed in the cart 15.
  • the filling device 14 receives from the control unit 13 via the wireless
  • Communication link 16 the order list with the associated item data of the products of the order list.
  • the filling device 14 then moves to the corresponding positions of the products of the order list and transports these products P to the shopping cart 15. If the shopping cart 15 is completely filled with the products of the order list, the filling device 14 communicates this to the control unit 13, which sends a corresponding signal to the electronic Cash register 1 1 transmits.
  • the electronic cash register 1 1 can then automatically, for example via the Internet, the payment process for the user N trigger.
  • the user N can take the products P from the shopping cart 15.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Zahnpasta, Zucker oder Orangensaft kaufen Kunden immer wieder. Bei diesen Produkten ist Shopping kein Erlebnis, sondern eine lästige Pflicht. Die Erfindung soll diese Pflicht durch künstliche Intelligenz erleichtern. Die Erfindung betrifft ein computerimplementiertes Verfahren zum Erzeugen einer Vorschlagsliste für einen Nutzer für in einer Produktdatenbank gespeicherte Produktidentifikationen für Produkte. Die Besonderheit liegt darin, dass die Vorschlagsliste für einen bestimmten Zeitpunkt erzeugt wird, sich also nicht nur auf den Nutzer bezieht, sondern auch auf den jeweiligen Moment. Ob ein Produkt auf diese Vorschlagsliste kommt, ermittelt das Verfahren durch die Analyse von Zeitpunkten und Zeitintervallen vergangener Käufe dieses Nutzers für dieses Produkt und ggf. mit diesem Produkt in Zusammenhang stehende Produkte; sowie ggf. durch entsprechende Zeitpunkte und Zeitintervalle anderer Käufer. Ferner betrifft die Erfindung eine Anlage zum Erzeugen einer Bestellliste und zum Befüllen eines Warenkorbs, welche eine Vorrichtung verwendet, die zum Ausführen des Verfahrens ausgebildet ist.

Description

Computerimplementiertes Verfahren zum Erzeugen einer Vorschlagsliste und
Anlage zum Erzeugen einer Bestellliste
Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zum Erzeugen und Ausgeben einer Vorschlagsliste für einen Nutzer für in einer Produktdatenbank gespeicherte Produktidentifikationen für Produkte. Des Weiteren betrifft die Erfindung eine Vorrichtung zur Ausführung dieses Verfahrens sowie eine Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen mit einer solchen Vorrichtung.
Im E-Commerce wird eine Vielzahl von Produkten mittels einer Webseite, z. B. über einen Online-Shop, angeboten. Ein Nutzer, der die Webseite aufruft, kann auf der Webseite nicht nur nach diesen Produkten suchen und Informationen zu den Produkten erhalten, sondern diese Produkte auch mittels der Webseite kaufen. Um dem Nutzer die Suche nach Produkten so komfortabel und einfach wie möglich zu gestalten, werden Daten des Nutzers bei einem Aufruf der Webseite gespeichert. Diese Nutzerdaten werden bei einem erneuten Aufruf der Webseite durch diesen Nutzer verwendet, um die Informationsdarstellung und die Suche des Nutzers nach bestimmten Produkten den Bedürfnissen des jeweiligen Nutzers anzupassen. Beispielsweise werden die zuletzt betrachteten und dann vom Nutzer jedoch nicht gekauften Produkte gespeichert. Wenn der Nutzer dann die Webseite erneut aufruft, werden ihm auf der Startseite diese zuletzt betrachteten Produkte angezeigt, um die Wahrscheinlichkeit zu erhöhen, dass er diese Produkte beim erneuten Aufruf der Webseite kauft.
Es hat sich herausgestellt, dass dem Nutzer auf diese Weise zwar Produkte zum Kauf vorschlagen werden können, welche er beim letzten Aufruf der Website noch nicht gekauft hat. Solche Vorschläge für einen Kauf eignen sich jedoch nicht in Einsatzbereichen, bei denen der Nutzer bestimmte Produkte bereits gekauft hat und er diese Produkte ggf. wieder kaufen will. Insbesondere in Einsatzbereichen, bei denen eine große Anzahl von Produkten wiederkehrend gekauft werden soll, besteht ein Bedürfnis, eine Vorschlagsliste für den Nutzer auszugeben, welche den Kaufvorgang vereinfacht und beschleunigt. Solche Einsatzgebiete ergeben sich beispielsweise bei Online-Shops für Lebensmittel, Drogerieartikel oder Arzneimittel; im Firmenbedarfs-, Groß- und Zwischenhandel jedoch auch in quasi allen Produktbereichen. Neben dem Einsatz in Online-Shops kann das Verfahren auch für die Erzeugung von Einkaufslisten/Einkaufsvorschlägen für den stationären Handel Verwendung finden. Eine Vorschlagsliste kann man am Einfachsten generieren, wenn man einfach alle Produkte anzeigt, die der Nutzer jemals in diesem Shop gekauft hat. Jedoch ist im Lebensmittel-Shop die Anzahl der unterschiedlichen gekauften Lebensmittel sehr groß. Die Liste würde daher sehr viele Produkte enthalten, die der Nutzer zum aktuellen Zeitpunkt höchstwahrscheinlich nicht kaufen will. Andererseits ist es bei Online-Shops für Lebensmittel sehr wichtig, schnell die geeigneten Lebensmittel auswählen zu können. Der Online-Einkauf dauert sonst sehr lange. Weiterhin ergibt sich, dass man häufig gleiche Lebensmittel immer wieder kauft, so dass ein Bedürfnis besteht, eine Vorschlagsliste für einen Wiederkauf der Lebensmittel zu generieren.
Aus der US 9,659,310 B1 ist ein Verfahren für verbrauchsbasierte Empfehlungen für wiederkehrende Käufe bekannt. Dabei werden Empfehlungen für automatische Lieferungen bestimmte Produkte durch ein Abonnement gegeben. Bei einem Abonnement wird zwischen Nutzer und Shop ein festes Zeitintervall vereinbart. Für den wiederkehrenden Kauf werden ein Zeitintervall, eine Produktmenge und die Art des Produkts, basierend auf Merkmalen des Musters und Kaufstatistiken des Nutzers, vorgeschlagen.
Der vorliegenden Erfindung liegt das technische Problem zugrunde, ein computerimplementiertes Verfahren der eingangs genannten Art anzugeben, welches eine Vorschlagsliste erzeugt und ausgibt, welche der beabsichtigten Kaufabsicht des Nutzers so nahe wie möglich kommt. Des Weiteren soll eine Anlage der eingangs genannten Art angegeben werden, welche eine Vorrichtung zur Ausführung dieses Verfahrens verwendet und mittels welcher ein Warenkorb mit den Produkten befüllt werden kann, welche der Nutzer beabsichtigt zu kaufen.
Erfindungsgemäß wird dieses Problem durch ein computerimplementiertes Verfahren mit dem Merkmal des Anspruchs 1 sowie eine Anlage mit dem Merkmal des Anspruchs 24 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den abhängigen Ansprüchen.
Der vorliegenden Erfindung liegt die grundsätzliche Idee zugrunde, dass die Eigenschaften eines Produkts zu berücksichtigen sind. Es gibt Produkte, die ein Nutzer üblicherweise nur einmal in einem bestimmten Zeitraum von z. B. mehreren Jahren kauft, wie z. B. eine Grillzange. Andere Produkte werden hingegen in sehr viel kürzeren Abständen gekauft, wie beispielsweise Milch oder Toilettenpapier. Wird folglich die Kaufhistorie eines Nutzers betrachtet, kann eine Vorhersage gemacht werden, wie wahrscheinlich es ist, dass dieses Produkt wieder gekauft wird. Beispielsweise kann ermittelt werden, in welchem Zeitraum eine bestimmte Menge Toilettenpapier von dem Nutzer in der Vergangenheit verbraucht worden ist. Aus diesem Intervall sowie ggf. den Schwankungen desselben lässt sich ermitteln, ob oder ggf. wie wahrscheinlich es ist, dass der entsprechende Haushalt zum aktuellen Zeitpunkt wieder Toilettenpapier benötigt. Wenn dies der Fall ist oder bei einer hohen Wahrscheinlichkeit wird dieses Produkt in die Vorschlagsliste aufgenommen. Dabei kann zum einen der individuelle Verbrauch des Nutzers aus der Vergangenheit berücksichtigt werden. Ferner kann jedoch auch ein ermittelter Verbrauch dieses Produkts von allen Nutzern berücksichtigt werden. Des Weiteren ist es bei dem erfindungsgemäßen Verfahren möglich, dass Alternativen zu einem Produkt vorgeschlagen werden. Des Weiteren können auch als Produkte so genannte Produktgruppen betrachtet werden.
Das Verfahren der vorliegenden Erfindung nutzt die Kaufhistorie eines Nutzers sowie die Kaufhistorien anderer Nutzer für spezifische Produkte. Das Verfahren kann auch dann funktionieren, wenn kein weiteres Wissen über den Nutzer bekannt ist. Zwar können auch weitere Nutzerdaten verarbeitet werden, wie beispielsweise die Haushaltsgröße oder bestimmte Vorlieben des Nutzers. Jedoch ist dieses Wissen für das erfindungsgemäße Verfahren nicht unbedingt erforderlich.
Bei einem Ausführungsbeispiel werden die Kaufhistorien anderer Kunden beim zweiten Kauf der zuletzt gekauften Produkte des Nutzers berücksichtigt. Ab dem dritten Kauf wird insbesondere die Kaufhistorie des Nutzers selbst berücksichtigt. Bei der Auswahl der Produkte wird somit eine Funktion angewandt, welche von der Kaufhistorie des einzelnen Nutzers und der Kaufhistorien anderer Nutzer für das betreffende Produkt abhängig ist. Die Gewichtung, wie die Kaufhistorie des einzelnen Nutzers einerseits und die Kaufhistorien anderer Nutzer andererseits in die Funktion eingeht, verändert sich mit der Anzahl der durch geführten Käufe.
Bevorzugt stellt die Funktion nicht nur auf einzelne Produkte ab, sondern auch auf eine Produktgruppe. Wenn der Nutzer beispielsweise jeden Monat ein Glas Marmelade kauft, jedes Mal jedoch eine andere Geschmacksrichtung dieser Marmelade, wird in die Vorschlagsliste eingehen, dass nach einem Monat der Kauf eines Glases Marmelade vorgeschlagen wird. Wenn nur auf das einzelne Produkt abgestellt werden würde, würden die Käufe von Marmelade verschiedener Geschmacksrichtungen nicht berücksichtigt werden. Bei der Berücksichtigung der Kaufhistorie des einzelnen Nutzers kann eine Schwankungsbreite (z.B. Standardabweichung, Intervall-Quartile/-Perzentile) des Kaufrhythmus eingehen. Die letzten vorausgegangenen Intervalle können dabei stärker berücksichtigt werden als die älteren. Des Weiteren kann die Gesamthäufigkeit des Kaufs des Produkts eingehen.
Schließlich kann berücksichtigt werden, ob ein Produkt zum Kauf fällig ist, und zwar auf Basis eines vergangenen Zeitintervalls. Falls dies der Fall ist, wird das Produkt der Vorschlagsliste hinzugefügt. Des Weiteren kann berücksichtigt werden, dass das Produkt überfällig ist. Auch in diesem Fall kann das Produkt der Vorschlagsliste hinzugefügt werden. Wenn jedoch ein Produkt mehr als überfällig ist, kann es aus der Vorschlagsliste herausfallen, da es offensichtlich nicht mehr so relevant für den Nutzer ist. Wenn der Nutzer beispielsweise jede Woche Grillkohle oder Eier kauft und irgendwann damit aufhört, wird beim nächsten Kauf die Grillkohle oder Eier noch der Vorschlagsliste hinzugefügt. Beim übernächsten Kauf ist dies auch noch der Fall, beim überübernächsten Kauf jedoch nicht mehr. Hierdurch wird berücksichtigt, dass ggf. die Saison für dieses Produkt vorbei ist und der Nutzer das Produkt nicht mehr kaufen will (z.B. wegen des Ziels des Senkens des Cholesterinspiegels, eine Umstellung auf vegane Ernährung, ...). Hierbei kann auch berücksichtigt werden, ob andere Nutzer zunächst häufig dieses Produkt gekauft haben, dann jedoch nicht mehr. Hierdurch werden Produkte erkannt, die nicht mehr gefragt sind, beispielsweise Artikel mit Fußball-WM-Werbung 2018; in verwandter Weise können saisonabhängige Produkte erkannt werden, z.B. Grillkohle.
Das Verfahren eignet sich insbesondere für den Online-Lebensmittelhandel. Es ist jedoch auch für Produkte geeignet, die von Apotheken oder Drogerien verkauft werden.
Erfindungsgemäß wird ein computerimplementiertes Verfahren zum Erzeugen einer Vorschlagsliste für einen Nutzer für in einer Produktdatenbank gespeicherte Produktidentifikationen für Produkte vorgeschlagen, bei dem: a. durch einen Zugriff auf eine den Nutzern zugeordnete Nutzerdatenbank mittels eines Servers ein Produkt ermittelt wird oder Produkte der in der Produktdatenbank gespeicherten Produkte ermittelt werden, das/die der Nutzer in der Vergangenheit gekauft hat;
b. für zumindest ein ermitteltes Produkt, das der Nutzer in der Vergangenheit gekauft hat, durch einen Zugriff auf die Nutzerdatenbank ermittelt wird, zu welchem ersten Zeitpunkt oder zu welchen ersten Zeitpunkten der Nutzer das Produkt in der Vergangenheit gekauft hat;
c. zumindest ein erstes Zeitintervall vom Zeitpunkt eines letzten vergangenen Kaufs des Produkts durch den Nutzer bis zu einem Zielzeitpunkt von dem Server berechnet wird;
d. wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, ein zweites Zeitintervall oder zweite Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch den Nutzer von dem Server berechnet wird/werden;
e. in Abhängigkeit von dem ersten und, wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, dem zweiten Zeitintervall oder den zweiten Zeitintervallen mittels eines ersten
Vorhersageverfahrens ein erster Score, der ein Maß für die Wahrscheinlichkeit ist, dass der Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet wird;
f. auf Basis des ersten Score die Vorschlagsliste für Produktidentifikationen erzeugt wird.
Durch das erfindungsgemäße Verfahren wird erreicht, dass für den Nutzer eine Vorschlagsliste erzeugt wird, welche mit hoher Wahrscheinlichkeit die Produkte enthält, welche der Nutzer kaufen will. Dies wird insbesondere dadurch erreicht, dass vergangene Käufe und die dazugehörigen Zeitintervalle dieser vergangenen Käufe des Nutzers berücksichtigt werden.
Der Zielzeitpunkt des erfindungsgemäßen Verfahrens ist insbesondere der Zeitpunkt, zu dem die Vorschlagsliste ausgegeben oder die Käufe getätigt werden sollen. Es handelt sich somit um einen Vorhersagezeitpunkt. Dies ist insbesondere der aktuelle Zeitpunkt, z. B. bei dem Aufruf eines Online-Shops. Es kann sich jedoch auch um einen Zeitpunkt in der nahen Zukunft handeln, z. B. den Zeitpunkt des Versands eines elektronischen Newsletters.
Die Produktdatenbank und die Nutzerdatenbank können bei dem erfindungsgemäßen Verfahren auch in einer einzigen Datenbank enthalten sein, aus welcher dann die entsprechenden Daten abgerufen werden können.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens werden die Schritte b. bis f. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt. Diese Schritte werden insbesondere für alle Produkte durchgeführt, welche der Nutzer in der Vergangenheit bzw. in einem definierten Gesamtzeitraum gekauft hat.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens werden ferner folgende Schritte durchgeführt: g. durch einen Zugriff auf die Nutzerdatenbank wird für eine Vielzahl anderer Nutzer ermittelt, zu welchen zweiten Zeitpunkten jeweils die anderen Nutzer das Produkt in der Vergangenheit gekauft haben;
h. für die Vielzahl anderer Nutzer wird jeweils ein drittes Zeitintervall oder werden dritte Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch einen anderen Nutzer von dem Server berechnet ;
i. in Abhängigkeit von dem dritten Zeitintervall oder den dritten Zeitintervallen, die für die Vielzahl anderer Nutzer berechnet wurden, wird mittels eines zweiten Vorhersageverfahrens ein zweiter Score, der ein Maß für die Wahrscheinlichkeit ist, dass ein beliebiger Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet;
j. ein dem Produkt und dem Nutzer zugeordneter Funktionswert einer Funktion wird berechnet, deren Variablen zumindest den ersten Score und den zweiten Score umfassen, ,
k. in Abhängigkeit von den Funktionswerten, die den Produkten zugeordnet sind, wird die Vorschlagsliste für Produktidentifikationen erzeugt.
Hierdurch wird erreicht, dass für den Nutzer eine Vorschlagsliste erzeugt wird, welche mit noch höherer Wahrscheinlichkeit die Produkte enthält, welche der Nutzer kaufen will. Dies wird insbesondere dadurch erreicht, dass nicht nur vergangene Käufe und die dazugehörigen Zeitintervalle vergangener Käufe des Nutzers berücksichtigt werden, sondern auch die Zeitpunkte und die dazugehörigen Zeitintervalle dieser Käufe der Produkte durch andere Nutzer.
Erfindungsgemäß kann eine relativ kurze Vorschlagsliste auf Basis vergangener Käufe des Nutzers erzeugt werden, da ermittelt wird, ob bereits früher gekaufte Produkte aktuell auch tatsächlich benötigt werden.
Im Vergleich zum Stand der Technik, z. B. der US 9,659,310 B1 , wird bei dem erfindungsgemäßen Verfahren kein festes Zeitintervall vereinbart, sondern es werden die Empfehlungen dynamisch nach dem geschätzten aktuellen Bedarf adaptiert; dabei wird eine Veränderung des Verhaltens des jeweiligen Nutzers berücksichtigt, ebenso können saisonale Abhängigkeiten ermittelt und eingerechnet werden.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens werden die Schritte g. bis k. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt. Diese Schritte werden insbesondere für alle Produkte durchgeführt, welche der Nutzer in der Vergangenheit bzw. in einem definierten Gesamtzeitraum gekauft hat.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens wird in Abhängigkeit von den zweiten Zeitintervallen ein erster Gewichtungswert berechnet, der die Verlässlichkeit des ersten Scores angibt. In Abhängigkeit von den dritten Zeitintervallen wird ein zweiter Gewichtungswert berechnet, der die Verlässlichkeit des zweiten Scores angibt. Bei der Berechnung des Funktionswerts werden dann der erste Score mit dem ersten Gewichtungswert und der zweite Score mit dem zweiten Gewichtungswert gewichtet.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens ist der erste
Gewichtungswert Null ist, wenn im Schritt a. ermittelt wurde, dass der Nutzer das Produkt nur einmal in der Vergangenheit gekauft hat. Bei einem einmaligen vergangenen Kauf des Produkts lässt sich für den Nutzer nämlich nicht ermitteln, in welchen Zeitintervallen wiederkehrende Käufe in der Vergangenheit aufgetreten sind. Bei dem Verfahren werden in diesem Fall jedoch Zeitpunkte und Zeitintervalle der Käufe anderer Nutzer berücksichtigt, so dass auch in diesem Fall eine Vorschlagsliste erzeugt und ausgegeben werden kann, welche voraussichtlich der Kaufintention des Nutzers entspricht.
Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens ist der erste
Gewichtungswert umso größer ist, je häufiger der Nutzer das Produkt in der Vergangenheit gekauft hat, so dass eine Vielzahl zweiten Zeitintervalle berechnet wird. Die Funktion, deren Funktionswert in Schritt j. berechnet wird, gewichtet auf diese Weise den Umfang des bisherigen Wissens mit dem Nutzer. Bei vielen bekannten vergangenen Käufen des Nutzers wird insbesondere der erste Score berücksichtigt, welcher auf Basis des Wissens über den Kunden erzeugt wird. Bei weniger Wissen über Käufe des Kunden in der Vergangenheit wird hingegen der zweite Score stärker gewichtet, welcher Käufe anderer Nutzer für das jeweilige Produkt berücksichtigt.
Insbesondere wird in Abhängig von der Häufigkeit, mit der der Nutzer das Produkt gekauft hat, und ggf. der Häufigkeit des Besuchs einer Webseite oder eines Ladenlokals, der Einfluss des ersten und des zweiten Scores gewichtet. Der erste und/oder der zweite Score werden mittels Vorhersageverfahren, insbesondere statistischer Vorhersageverfahren, ermittelt, die für eine Schätzung des künftigen Verhaltens des Nutzers verwendet werden.
Der erste Score wird in konkreten Ausgestaltungen insbesondere mittels eines neuronalen Netzwerks berechnet. Er kann jedoch auch mittels anderer Vorhersageverfahren berechnet werden, z. B. mittels logistischer Regression, Random Forest, ... In einer konkreten Ausgestaltung wird ein vierlagiges Dense neural network eingesetzt. Für die Berechnung des zweiten Scores wird in der konkreten Ausgestaltung eine logistische Regression verwendet. Es wird insbesondere eine logistische Regression mit bestimmten Kreuzvariablen verwendet. Es hat sich herausgestellt, dass durch eine solche Berechnung des ersten und des zweiten Scores besonders zutreffende Vorschlagslisten erzeugt werden können. Andere Verfahren sind jedoch für beide Scores gangbar.
Bei dem Vorhersageverfahren werden beispielsweise statistische Werte abgeleitet. Solche Werte sind beispielsweise Median, Standardabweichung, Quartile, Min- und Max-Werte. Die Werte können einer nichtlinearen Transformation unterzogen werden. Dies geschieht in einer konkreten Ausgestaltung, ist jedoch keine Notwendigkeit für das Verfahren. Diese Werte fließen in das Vorhersageverfahren ein.
Für die Berechnung des ersten und/oder des zweiten Scores können verschiedene weitere Eingangsvariablen berücksichtigt werden, die aggregiert werden und die das Kaufverhalten des Nutzers bzw. anderer Nutzer über den Zeitverlauf darstellen.
Beispielsweise kann der Median der zweiten Zeitintervalle berechnet werden. Der erste Score wird dann ferner in Abhängigkeit von dem berechneten Median der zweiten Zeitintervalle berechnet.
Ferner kann alternativ oder zusätzlich die Standardabweichung der zweiten Zeitintervalle berechnet werden. Der erste Score wird dann ferner in Abhängigkeit von der berechneten Standardabweichung der zweiten Zeitintervalle berechnet.
Des Weiteren kann alternativ oder zusätzlich der Median der dritten Zeitintervalle berechnet werden. Der zweite Score wird dann ferner in Abhängigkeit von dem berechneten Median der dritten Zeitintervalle berechnet, wenn die Anzahl der zweiten Zeitpunkte unterhalb eines Schwellwerts liegt. Der Median der dritten Zeitintervalle, der vergangene Käufe anderer Nutzer berücksichtigt, kommt somit insbesondere dann zum Tragen, wenn die Anzahl der vergangenen Käufe des Nutzers gering ist.
Des Weiteren können bei der Berechnung des ersten und/oder des zweiten Scores Attribute des Produkts und/oder des Nutzers berücksichtigt werden.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens wird als ein erstes Attribut des Produkts, z. B. durch einen Zugriff auf die Produktdatenbank, ermittelt, wie wahrscheinlich wiederkehrende Käufe des Produkts sind. Der erste und/oder der zweite Score werden dann ferner in Abhängigkeit von dem ersten Attribut von dem Server berechnet. Außerdem kann das erste Attribut die Periodizität des Produkts angeben, d. h. nicht nur die Information enthalten, wie wahrscheinlich wiederkehrende Käufe sind, sondern auch innerhalb welcher Zeitintervalle wiederkehrende Käufe wahrscheinlich sind. Dabei kann für die Periodizität, d. h. für das Zeitintervall eines wahrscheinlich wiederkehrenden Kaufs des Produkts auch ein Bereich angegeben werden. Das erste Attribut ist in der Produktdatenbank als Produkteigenschaft hinterlegt, welche allgemein die Periodizität des Produkts angibt. Der Wert des ersten Attributs ist somit beispielsweise für eine Grillzange anders als beispielsweise für das Produkt Milch.
Alternativ oder zusätzlich kann als zweites Attribut des Produkts bestimmt werden, wie wahrscheinlich ein Kauf des Produkts zu einem ermittelten Zeitpunkt des Kaufs des Produkts durch den Nutzer oder einen anderen Nutzer war. Der erste und/oder der zweite Score werden dann ferner in Abhängigkeit von dem zweiten Attribut von dem Server berechnet. Auf diese Weise kann eine Saisonalität des Produkts ermittelt werden, die berücksichtigt, dass zu einer bestimmten Saison das Produkt häufiger wiederkehrend gekauft wird, als zu einer anderen Saison. Hierdurch kann beispielsweise berücksichtigt werden, dass ein Produkt häufiger im Sommer, und seltener im Winter, oder umgekehrt, gekauft wird. Das zweite Attribut kann insbesondere mittels eines Verfahrens zum Erzeugen von Prioritätsdaten für Produkte bestimmt werden, wie es in der WO 2016/174142 A1 beschrieben ist, welche durch Bezugnahme in diese Beschreibung aufgenommen wird.
Gemäß einer Weiterbildung des Verfahrens wird alternativ oder zusätzlich als drittes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem Durchschnitt der zweiten Zeitintervalle bestimmt. Der erste Score wird dann alternativ oder zusätzlich in Abhängigkeit von dem dritten Attribut von dem Server berechnet. Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens wird alternativ oder zusätzlich als viertes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem letzten der zweiten Zeitintervalle bestimmt. Der erste Score wird dann ferner in Abhängigkeit von dem vierten Attribut von dem Server berechnet.
Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens wird alternativ oder zusätzlich als fünftes Attribut des Produkts bestimmt, zu welcher Uhrzeit das Produkt von dem Nutzer oder einem anderen Nutzer gekauft wurde. Der erste und/oder der zweite Score wird dann ferner in Abhängigkeit von dem fünften Attribut von dem Server berechnet. Auf diese Weise können Affinitäten für den Kauf eines Produkts zu bestimmten Uhrzeiten berücksichtigt werden. Ferner kann in diesem Fall auch der Wochentag berücksichtigt werden, an dem das Produkt von dem Nutzer oder von einem anderen Nutzer gekauft wurde.
Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens kann alternativ oder zusätzlich als sechstes Attribut des Produkts bestimmt werden, ob das Produkt bei einem Kauf durch den Nutzer oder einen anderen Nutzer rabattiert war. Der erste und/oder der zweite Score wird dann ferner in Abhängigkeit von dem sechsten Attribut von dem Server berechnet. Hierdurch wird berücksichtigt, dass Nutzer bevorzugt Produkte kaufen, auf welche ein Rabatt gewährt wurde. Bevorzugt wird dies beim Erzeugen des ersten bzw. zweiten Scores berücksichtigt.
Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens wird durch einen Zugriff auf die Produktdatenbank ein zu dem Produkt gehöriges Substitutionsprodukt bestimmt. Die Schritte a. bis h. werden dann ferner für das Substitutionsprodukt durchgeführt. Substitutionsprodukte können die Produkte anderer Packungsgrößen sein. Ferner können es identische oder ähnliche Produkte anderer Anbieter sein. Schließlich können Produkte mit einer anderen Geschmacks- oder Geruchsrichtung oder einer anderen Darreichungsform, insbesondere bei Arzneimitteln, berücksichtigt werden. Außerdem können Substitutionsprodukte Produkte sein, die zu der gleichen Produktart gehören, wie beispielsweise ein anderer Käse, oder Produkte sein, die den gleichen Bedarf decken, wie beispielsweise Käse statt Wurst.
Zusätzlich oder alternativ zu dem Kauf eines Produkts kann berücksichtigt werden, dass der Nutzer oder ein anderer Nutzer Informationen zur dem Produkt über ein Netzwerk abgerufen hat. Beispielsweise kann berücksichtigt werden, wenn der Nutzer oder ein anderer Nutzer in einem Online-Shop das Produkt aufgerufen und ggf. auch in einen elektronischen Warenkorb gelegt hat, dieses Produkt jedoch nicht gekauft hat, oder stattdessen ein anderes Produkt gekauft hat.
Bei dem erfindungsgemäßen Verfahren werden zum Erzeugen der Nutzerdatenbank beim Kauf eines Produkts in der Nutzerdatenbank eine Produktidentifikation, eine Nutzeridentifikation und/oder ein Zeitpunkt des Kaufs gespeichert. Ergänzend kann die Anzahl der gekauften Einheiten des Produkts und der Preis beim Kauf des Produkts gespeichert werden.
Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens wird bei einem Kauf eines Produkts mittels eines ersten Sensors die Produktidentifikation des Produkts, und mittels eines zweiten Sensors die Nutzeridentifikation erfasst. Die erfasste Produktidentifikation und Nutzeridentifikation werden dann in der Nutzerdatenbank gespeichert. Der erste Sensor kann beispielsweise ein Scanner für einen Code, beispielsweise einen Barcode, sein, welcher über eine elektronische Kasse mit dem Server verbunden ist. Der zweite Sensor kann beispielsweise Merkmale des Nutzers erfassen. Beispielsweise können automatisch biometrische Merkmale des Nutzers erfasst werden. Ferner kann der Nutzer in den Sensor den Nutzeridentifkationscode direkt eingeben, oder die Nutzeridentifikation kann beim Bezahlen des Produkts gewonnen werden, indem beispielsweise Kreditkartendaten oder dergleichen als Nutzeridentifikation verwendet werden.
Zahnpasta, Zucker oder Orangensaft kaufen Kunden immer wieder. Bei diesen Produkten ist Shopping kein Erlebnis, sondern eine lästige Pflicht. Die Erfindung erleichtert diese Pflicht insbesondere durch künstliche Intelligenz. Die Besonderheit des erfindungsgemäßen
Verfahrens liegt unter anderen darin, dass die Vorschlagsliste für einen bestimmten
Zeitpunkt/-raum erzeugt wird, sich also nicht nur auf den Nutzer bezieht, sondern auch auf den jeweiligen Moment. Ob ein Produkt auf die Vorschlagsliste kommt, ermittelt das
Verfahren durch die Analyse von Zeitpunkten und Zeitintervallen vergangener Käufe dieses Nutzers für dieses Produkt und ggf. mit diesem Produkt in Zusammenhang stehende
Produkte; sowie ggf. durch entsprechende Zeitpunkte und Zeitintervalle anderer Käufer. Das Verfahren kann auch weitere Variablen wie das Wetter berücksichtigen, ist auf diese jedoch nicht angewiesen. Das Verfahren ermittelt je nach Häufigkeit der bisherigen Besuche des Nutzers und der Häufigkeit, mit der er/sie das fragliche Produkt bereits gekauft hat, die Vorschlagsliste nach unterschiedlichen Kriterien. Je seltener, desto stärker werden die Käufe anderer Kunden berücksichtigt; je häufiger, desto mehr die Käufe des konkreten Nutzers. In einem der Teilverfahren wird die Wahrscheinlichkeit berechnet, dass ein Produkt überhaupt wiederholt gekauft wird. Zudem wird das Zeitintervall und ggf. dessen
Schwankungsbreite sowohl über alle Nutzer als auch über alle Zeiträume ermittelt. Aus diesen drei Variablen wird mit einem Vorhersageverfahren (Regression, Random Forrest, Neuronales Netz ...) die nutzerunabhängige Vorhersage abgeleitet. Im zweiten Teilverfahren wird aus den nutzerspezifischen Zeitpunkten, den sich aus ihnen ergebenden Intervallen, sowie deren Schwankungswahrscheinlichkeiten ein nutzerspezifischer erster Score für das jeweilige Produkt abgeleitet. Im dritten Teilverfahren wird die saisonale Abhängigkeit des Produktes ermittelt. Im zusammenfassenden Verfahren ergibt sich die Vorschlagsliste aus der Kombination der drei Verfahren. Dafür berücksichtigt ein Vorhersageverfahren neben den Werten der Teilverfahren die Häufigkeit des Kaufs dieses Produktes durch den Nutzer und ggf. die Gesamthäufigkeit des Besuchs z. B. des Online-Shops durch diesen Nutzer. Gegebenenfalls können weitere Variablen in das Verfahren einfließen. Mittels der
Funktionswerte wird eine Vorschlagsliste, welche mehrere Produktidentifikationen enthält, erzeugt.
Das Verfahren kann auch verwendet werden, um den Zeitpunkt zu ermitteln, an dem man dem Nutzer die Bestellvorschlagsliste zuschickt.
Die Erfindung betrifft ferner eine Vorrichtung zur Datenverarbeitung, umfassend einen Prozessor, der so konfiguriert ist, dass er das vorstehend beschriebene Verfahren ausführt.
Die Erfindung betrifft ferner eine Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen. Die Anlage umfasst die vorstehend genannte Vorrichtung zur Datenverarbeitung. Ferner umfasst die Anlage eine Eingangsschnittstelle zum Erfassen einer Nutzereingabe zum Annehmen oder Verändern der durch die Vorrichtung ausgegebenen Vorschlagsliste und zum Erzeugen einer Bestellliste mit Produktidentifikationen. Die Eingangsschnittstelle ist insbesondere so ausgebildet, dass bei einer Annahme der Vorschlagsliste die Bestellliste dieselben Produktidentifikationen umfasst wie die Vorschlagsliste. Wenn die Vorschlagsliste durch eine Nutzereingabe verändert wird, enthält die Bestellliste die entsprechend geänderte Liste mit Produktidentifikationen.
Gemäß einer Weiterbildung der erfindungsgemäßen Anlage umfasst diese ferner eine Steuereinheit, die mit der Eingangsschnittstelle gekoppelt ist und die ausgebildet ist, durch Zugriff auf die Produktdatenbank Positionsdaten der Produktidentifikationen der Bestellliste zu ermitteln und an den Nutzer auszugeben Gemäß einer Weiterbildung der erfindungsgemäßen Anlage umfasst diese schließlich eine Befüllvorrichtung zum Befüllen des Warenkorbs mit Produkten, denen die Produktidentifikationen der Bestellliste zugeordnet sind.
Gemäß einer Weiterbildung der erfindungsgemäßen Anlage umfasst diese ferner eine Steuereinheit, welche mit der Eingangsschnittstelle und der Befüllvorrichtung gekoppelt ist, und die ausgebildet ist, durch Zugriff auf die Produktdatenbank Positionsdaten der Produktidentifikationen der Bestellliste an die Befüllvorrichtung zu übertragen. Die Befüllvorrichtung ist in diesem Fall ausgebildet, die Produkte der Produktidentifikationen der Bestellliste von Positionen, die den von der Steuereinheit übertragenen Positionsdaten entsprechen, zu dem Warenkorb zu transportieren.
Außerdem kann die die Steuereinheit mit der Befüllvorrichtung gekoppelt sein. Sie kann dann ausgebildet sein, die Positionsdaten der Produktidentifikationen der Bestellliste an die Befüllvorrichtung zu übertragen. Die Befüllvorrichtung kann dann ausgebildet sein, die Produkte der Produktidentifikationen der Bestellliste von Positionen, die den von der Steuereinheit übertragenen Positionsdaten entsprechen, zu dem Warenkorb zu transportieren.
Mit der erfindungsgemäßen Anlage kann der Nutzer unterstützt werden, einen Warenkorb zu befüllen. Dabei wird die Auswahl durch das Erzeugen der Vorschlagsliste beschleunigt und erleichtert, und das Befüllen des Warenkorbs wird durch die automatisierte Befüllvorrichtung, welche von der Steuereinheit gesteuert wird, unterstützt.
Die Erfindung betrifft schließlich ein Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das vorstehend beschriebene Verfahren auszuführen.
Die Erfindung wird nun anhand von Ausführungsbeispielen mit Bezug zu den Zeichnungen erläutert.
Figur 1 zeigt schematisch den Aufbau eines Ausführungsbeispiels der erfindungsgemäßen Vorrichtung,
Figur 2 zeigt eine zeitliche Darstellung von Käufen des Nutzers in der Vergangenheit, OnWO 2019/175443iality GmbH PCT/EP2019/056736
14
Figur 3 zeigt eine zeitliche Darstellung von Käufen anderer Nutzer in der
Vergangenheit,
Figur 4 zeigt ein Flussdiagramm eines Ausführungsbeispiels des erfindungsgemäßen
Verfahrens, und
Figur 5 zeigt schematisch den Aufbau eines Ausführungsbeispiels der erfindungsgemäßen Anlagen.
Mit Bezug zu Fig. 1 wird zunächst der Aufbau des Ausführungsbeispiels der erfindungsgemäßen Vorrichtung 1 erläutert:
Die Vorrichtung 1 umfasst einen Server 2, der beispielsweise einen Online-Shop für Lebensmittel bereitstellt. Mit dem Server 2 ist auf an sich bekannte Weise, beispielsweise über das Internet, ein Client 3 eines Nutzers N verbunden. Der Client 3 umfasst eine Ausgabeeinheit 4, beispielsweise ein Display, und eine Eingabeeinheit 5, beispielsweise eine Tastatur und eine elektronische Maus. Die Ausgabeeinheit 4 könnte alternativ über ein Mobilgerät oder andere Schnittstellen, wie beispielsweise einen Fernseher oder andere Geräte, bereitgestellt werden. Des Weiteren können allgemein mit 6 bezeichnete Clients anderer Nutzer, die allgemein mit X bezeichnet werden, mit dem Server 2 über das Internet gekoppelt werden. In Fig. 1 sind beispielhaft drei Clients 6-1 , 6-2 und 6-3 der anderen Nutzer X1 , X2 und X3 gezeigt. Die Clients 3 und 6 können Webseiten von dem Server 2 abrufen und mittels dieser Webseiten eine Vielzahl von Produkten P kaufen.
Zur Bereitstellung des Online-Shops ist der Server 2 mit einer Produktdatenbank 7 und einer Nutzerdatenbank 8 gekoppelt. Die Nutzerdatenbank 8 speichert Daten zu vergangenen Käufen der Nutzer des von dem Server 2 bereitgestellten Online-Shops. Die Produktdatenbank 7 speichert Daten zu den in dem Online-Shop angebotenen Produkten.
Während des Betriebs des Online-Shops speichert der Server Daten zu Nutzerinteraktionen in der Nutzerdatenbank 8. Beispielsweise wird gespeichert, wenn ein bestimmter Nutzer N ein Produkt P in einen elektronischen Warenkorb legt. Ferner wird gespeichert, wenn der Nutzer N oder ein anderer Nutzer X ein Produkt P über den Online-Shop kauft.
Des Weiteren speichert der Server 2 in der Produktdatenbank 7 zu den einzelnen Produkten P Produktidentifikationen, Eigenschaften und Attribute der Produkte P sowie etwaige weitere zu den Produkten P gehörige Daten, wie es später erläutert wird. Optional kann die Vorrichtung 1 auch Käufe in Ladenlokalen erfassen. Hierfür kann diese eine Schnittstelle zu einer Erfassungseinheit 1 1 , beispielsweise einer elektronischen Kasse, aufweisen. Die Erfassungseinheit 11 ist mit einem ersten Sensor 9 und einem zweiten Sensor 10 gekoppelt. Der erste Sensor 9 kann eine Nutzeridentifikation bei dem Kauf eines Produkts P erfassen, der zweite Sensor 10 eine Produktidentifikation eines gekauften Produkts P. Diese Daten können mittels der Erfassungseinheit 11 in der Produktdatenbank 7 und der Nutzerdatenbank 8 gespeichert werden, so dass der Server 2 auch auf solche Käufe in Ladenlokalen zugreifen kann.
Mit Bezug zu den Fig. 2 und 3 wird erläutert, wie die Zeitabfolge von vergangenen Käufen des Nutzers N und anderer Nutzer X erfasst werden:
In den Fig. 2 und 3 bezeichnet allgemein ZP einen Zeitpunkt, der Zusatz N eine Zuordnung zu dem Nutzer N, der Zusatz X eine Zuordnung zu einem anderen Nutzer X und eine Zahl als Zusatz einer Nummerierung. ZI bezeichnet ein Zeitintervall, wobei auch in diesem Fall die entsprechenden Zusätze verwendet werden. VZP bezeichnet einen Vorhersage-Zeitpunkt bzw. einen Zielzeitpunkt, zu dem das Verfahren die Vorschlagsliste ausgibt.
In Fig. 2 ist beispielsweise der Fall gezeigt, dass der Nutzer N in der Vergangenheit vor dem Zielzeitpunkt VZP zum Zeitpunkt ZP-N-1 ein bestimmtes Produkt P gekauft hat. Das Zeitintervall zwischen dem Zielzeitpunkt VZP und dem Zeitpunkt ZP-N-1 des letzten Kaufs des Produkts P durch den Nutzer N wird mit ZI1-N bezeichnet. Das Zeitintervall ZI1-N wird als erstes Zeitintervall bezeichnet. Ferner hat in dem in Fig. 2 gezeigten Fall der Nutzer N das Produkt P zu weiteren Zeitpunkten ZP-N-2, ZP-N-3, ZP-N-4 gekauft. Hieraus ergeben sich die zweiten Zeitintervalle ZI2-N-1 , ZI2-N-2 und ZI2-N-3.
Daten zu den Käufen des Produkts durch den Nutzer N werden mittels des Servers 2 oder der Erfassungseinheit 11 in der Nutzerdatenbank 8 gespeichert. Zu jedem Kauf werden dabei insbesondere folgende Daten gespeichert: Der Zeitpunkt des Kaufs einschließlich der Uhrzeit und des Datums, eine Nutzeridentifikation, die bevorzugt pseudonymisiert ist, und eine Produktidentifikation, beispielsweise eine Artikelnummer des Produkts P. Ferner kann noch die Anzahl der gekauften Produkte P und der dazugehörige Preis in der Nutzerdatenbank 8 gespeichert werden.
Auf gleiche Weise werden beim Betrieb des Online-Shops auch Käufe anderer Nutzer X in der Nutzerdatenbank 8 gespeichert. Dies wird mit Bezug zu Fig. 3 erläutert:
Ein anderer Nutzer X hat zu den Zeitpunkten ZP-X-1 , ZP-X-2 und ZP-X-3 das betreffende Produkt P gekauft hat, so dass zwischen zwei aufeinanderfolgenden Zeitpunkten dieser Käufe die Zeitintervalle ZI3-X-1 und ZI3-X-2 ergeben. Diese Zeitintervalle werden auch als dritte Zeitintervalle bezeichnet. Die Daten zu diesen Käufen werden auch nutzerspezifisch in der Nutzerdatenbank 8 gespeichert.
Im Folgenden wir ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens mit Bezug zu Fig. 4 erläutert, wobei gleichzeitig weitere Ausgestaltungen der erfindungsgemäßen Vorrichtung 1 beschrieben werden.
Ausgangspunkt des Verfahrens ist, dass in der Nutzerdatenbank 8 die vergangenen Käufe eines Produkts P eines Nutzers N mit den vorstehend beschriebenen dazugehörigen Daten gespeichert sind. Auf gleiche Weise sind für eine Vielzahl von anderen Nutzern X entsprechende Daten vergangener Käufe in der Nutzerdatenbank 8 gespeichert. Des Weiteren sind Eigenschaften und Attribute der Produkts P in der Produktdatenbank 7 gespeichert.
Im Schritt S1 ruft der Nutzer N mittels des Clients 3 eine Webseite des mittels des Servers 2 betriebenen Online-Shops auf, wobei sich der Nutzer N einloggt, so dass er über eine Nutzeridentifikation vom Server 2 erfasst wird.
In einem Schritt S2 ermittelt der Server 2 daraufhin durch einen Zugriff auf die Nutzerdatenbank 8, welche Produkte P der Nutzer N in der Vergangenheit gekauft hat. Hierfür kann ein bestimmter Gesamtzeitraum für vergangene Käufe herangezogen werden. Beispielsweise können vergangene Käufe des Nutzers N innerhalb der letzten 14 Monate betrachtet werden. Beispielsweise ergibt sich, dass der Kunde die Produkte P1 bis Pn in der Vergangenheit gekauft hat. Die folgenden Schritte werden nun jeweils für diese Produkte P1 bis Pn durchgeführt:
In einem Schritt S3 wird für das Produkt Pi durch einen Zugriff auf die Nutzerdatenbank 8 mittels des Servers 2 ermittelt, zu welchem ersten Zeitpunkt ZP-N-1 oder zu welchen Zeitpunkten ZP-N-j (j > 0) der Nutzer N das Produkt Pi in der Vergangenheit gekauft hat.
In einem Schritt S4 berechnet der Server 2 die Zeitintervalle zwischen den Zeitpunkten der Käufe. Da in jedem Fall ein Zeitpunkt ZP-N-1 für einen vergangenen Kauf des Nutzers N vorliegt, wird das erste Zeitintervall ZI1-N vom Server 2 berechnet. Wenn weitere Zeitpunkte ZP-N-j ermittelt wurden, zu denen der Nutzer N das Produkt Pi in der Vergangenheit gekauft hat, wird von dem Server ein zweites Zeitintervall ZI2-N-1 oder zweite Zeitintervalle ZI2-N-j für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts Pi durch den Nutzer N berechnet. Anschließend berechnet der Server 2 in einem Schritt S5 in Abhängigkeit von dem ersten ZI1-N und, wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer N das Produkt Pi in der Vergangenheit gekauft hat, dem zweiten Zeitintervall ZI2-N-1 oder den zweiten Zeitintervallen ZI2-N-j einen ersten Score, der ein Maß für die Wahrscheinlichkeit ist, dass der Nutzer N das Produkt Pi zum Zielzeitpunkt VZP erneut kauft. Ferner wird ein erster Gewichtungswert bestimmt. Der erste Gewichtungswert gibt ein Maß für die Verlässlichkeit des ersten Scores dafür aus, dass bei Berücksichtigung der vergangenen Käufe des Nutzers N dieser Nutzer das Produkt Pi erneut kaufen will.
Hierfür werden Die vorstehend beschriebenen zeitlichen Eingangsvariablen für ein neuronales Netzwerk aggregiert. Die aggregierten Eingangsvariablen kennzeichnen die Entwicklungen des Kaufverhaltens des Nutzers N für das Produkt Pi über einen bestimmten Zeitverlauf. Im vorliegenden Ausführungsbeispiel wird hierfür ein vierlagiges Dense Neural Network mit 2,4 Mio. Synapsen verwendet. Es hat sich herausgestellt, dass eine Verringerung der Synapsen- oder Layeranzahl zu schlechteren Ergebnissen führt, eine Vergrößerung nicht jedoch zu einer Verbesserung. Das neuronale Netzwerk gibt somit den ersten Score und ggf. auch den ersten Gewichtungswert aus.
Es hat sich herausgestellt, dass die Berechnung des ersten bzw. des zweiten Scores auf der Basis von Dense Neural Networks bzw. logistischen Regressionen Vorteile gegenüber der Berechnung mit anderen Verfahren der künstlichen Intelligenz aufweist, welche ohne Aggregation der Eingangsvariable auf den reinen Kaufstreams, d. h. den einzelnen Kaufvorgängen, aufbauen. Dazu könnte man beispielsweise eine Anwendung der künstlichen Intelligenz mit Recurrent Neural Networks implementieren, bei denen z. B. Long term Short term Memory (LSTM) verwendet wird. Der Rechenaufwand ist in diesem Fall jedoch sehr groß. Die für das erfindungsgemäße Verfahren angegebene Methoden benötigen eine sehr viel geringere Rechenleistung, so dass die Vorschlagsliste so zeitnah erzeugt werden kann, dass ein Einsatz in einem Online-Shop möglich ist, ohne das der Nutzer N vor der Ausgabe der Vorschlagsliste den Online-Shop wieder verlässt.
Eine weitere Möglichkeit wäre ein Ansatz mit neuronalen Netzen mit geringerem Rechenaufwand, beispielsweise auf der Basis von eindimensionalen Convolutional Neural Networks. Auch in diesem Fall ist der Rechenaufwand jedoch sehr viel größer als mit den aggregierten Eingangsvariablen, wie sie in Verbindung mit dem erfindungsgemäßen Verfahren beschrieben sind.
In Schritt S6 wird durch einen Zugriff auf die Nutzerdatenbank 8 für eine Vielzahl anderer Nutzer X ermittelt, zu welchen zweiten Zeitpunkten ZP-X-j (j>0) jeweils die anderen Nutzer X das Produkt Pi in der Vergangenheit gekauft haben. Hieraus berechnet der Server 2 jeweils für einen anderen Nutzer X ein drittes Zeitintervall ZI3-X-1 oder dritte Zeitintervalle ZI3-X-j für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts Pi durch einen anderen Nutzer X.
Im Schritt S7 berechnet der Server 2 in Abhängigkeit von dem dritten Zeitintervall ZI3-X-1 oder den dritten Zeitintervallen ZI3-X-j, die für die Vielzahl anderer Nutzer X berechnet wurden, einen zweiten Score sowie einen zweiten Gewichtungswert. Hierfür wird in diesem Ausführungsbeispiel eine logistische Regression mit bestimmten Kreuzvariablen eingesetzt. Alternativ könnte in diesem Fall auch ein neuronales Netzwerk eingesetzt werden. Der zweite Score, welcher von der logistischen Regression erzeugt wird, ist ein Maß für die Wahrscheinlichkeit, dass ein beliebiger Nutzer das Produkt zum Zielzeitpunkt VZP erneut kauft. Ferner gibt der berechnete zweite Gewichtungswert an, wie verlässlich der zweite Score ist.
In einem Schritt S8 wird ein dem Produkt Pi zugeordneter Funktionswert einer Funktion berechnet, deren Variablen den ersten Score und/oder den zweiten Score umfassen, wobei der erste Score mit dem ersten Gewichtungswert und der zweite Score mit dem zweiten Gewichtungswert gewichtet werden. Durch die Gewichtung wird erreicht, dass der jeweilige Score in den Funktionswert umso stärker eingeht, je aussagekräftiger er ist.
Wenn bei dem vorliegenden Ausführungsbeispiel ermittelt wurde, dass der Nutzer N das Produkt Pi nur einmal in der Vergangenheit gekauft hat, d. h. nur der Zeitpunkt ZP-N-1 und das erste Zeitintervall ZI1-N vorliegt, wird der erste Gewichtungswert auf Null gesetzt, so dass der erste Score in diesem Fall bei der Berechnung des Funktionswert nicht berücksichtigt wird. Die Berechnung des Funktionswerts erfolgt dann nur auf Basis des zweiten Scores, welcher auf Basis vergangener Käufe anderer Nutzer X erzeugt worden ist.
Wurden mehrere vergangene Käufe des Nutzers N für das Produkt Pi ermittelt, ist der erste Gewichtungswert größer als Null. Er ist insbesondere umso größer, je häufiger der Nutzer N das Produkt Pi in der Vergangenheit, insbesondere innerhalb des Gesamtzeitraums, gekauft hat. In diesem Fall kann insbesondere eine Vielzahl von zweiten Zeitintervallen ZI2-N-j berechnet werden. Bei der Berechnung des Funktionswerts wird dann der zweite Score, welcher auf Basis von Käufen anderer Nutzer X gewonnen wurde, weniger stark berücksichtigt. Der Funktionswert ist z. B. umso größer, je wahrscheinlicher es ist, dass das dazugehörige Produkt P von dem Nutzer zum Zielzeitpunkt VZP erneut gekauft wird.
Andererseits ist es auch möglich, dass vergangene Käufe anderer Nutzer X nicht berücksichtigt werden, sodass der zweite Gewichtungswert auf Null gesetzt wird. Es werden dann bei dem Verfahren nur vergangene Käufe des Nutzers N berücksichtigt. Von Schritt S8 kehrt das Verfahren zu Schritt S3 zurück, und es werden die Schritte S3 bis S8 für das nächste Produkt Pj, welches der Nutzer N bereits zumindest einmal in der Vergangenheit gekauft hat, durchgeführt, bis diese Schritte für alle Produkte P1 bis Pn ausgeführt wurden. Es liegt dann somit für jedes Produkt ein bestimmter Funktionswert vor.
Im Schritt S9 wird dann in Abhängigkeit von den Funktionswerten, die den Produkten P zugeordnet sind, eine Vorschlagsliste erzeugt, welche Produktidentifikationen enthält. In die Vorschlagsliste können beispielsweise Produktidentifikationen der Produkte P aufgenommen werden, deren Funktionswert einen bestimmten Schwellwert überschreitet. Alternativ kann eine bestimmte Anzahl an Produktidentifikationen von Produkten P in die Vorschlagsliste aufgenommen werden, deren Funktionswerte am größten sind.
In Schritt S10 wird die Vorschlagsliste mit den Produktidentifikationen dann über die Ausgabeeinheit 4 dem Nutzer N ausgegeben. Alternativ oder zusätzlich kann sie über eine Ausgabeeinheit an eine andere Einrichtung zur Weiterverarbeitung ausgegeben werden.
Im Folgenden werden Ergänzungen des zuvor beschriebenen Ausführungsbeispiels des erfindungsgemäßen Verfahrens beschrieben, welche zu weiteren Ausführungsbeispielen führen:
Alternativ oder zusätzlich kann im Schritt S5 als aggregierte Eingangsvariable die Anzahl der Käufe eines Produkts Pi durch den Nutzer N im Gesamtzeitraum berücksichtigt werden.
Alternativ oder zusätzlich kann im Schritt S5 der Median bzw. ein bestimmtes Perzentil der zweiten Zeitintervalle ZI2-N-j der Zeitpunkte der Käufe des Produkts Pi durch den Kunden N als aggregierte Eingangsvariable bei der Berechnung des ersten Scores berücksichtigt werden.
Alternativ oder zusätzlich kann bei der Berechnung des ersten Scores im Schritt S5 außerdem die Standardabweichung der zweiten Zeitintervalle ZI2-N-j für das Produkt Pi für vergangene Käufe durch den Nutzer N berücksichtigt werden.
Alternativ oder zusätzlich kann auch als aggregierte Eingangsvariable im Schritt S5 das letzte erfasste zweite Zeitintervall ZI2-N-1 für das Produkt Pi für vergangene Käufe durch den Nutzer N berücksichtigt werden. Alternativ können bei der Ermittlung der statistischen Variablen die einzelnen Zeitpunkte und Intervalle unterschiedlich stark berücksichtigt werden, wobei neuere Zeitpunkte/Intervalle stärker berücksichtigt werden.
Alternativ oder zusätzlich kann jeder Zeitpunkt und jedes Intervall einzeln als Eingangsvariablen in die Vorhersagefunktion einfließen. Bei den Zeitpunkten können zusätzliche Eigenschaften wie Wochentag oder Uhrzeit, sowie ermittelte Zusatzdaten wie das Wetter zu diesem Zeitpunkt einfließen.
Alternativ oder zusätzlich kann als aggregierte Eingangsvariable als ein erstes Attribut des Produkts P durch einen Zugriff auf die Produktdatenbank 7 ermittelt werden, wie wahrscheinlich wiederkehrende Käufe des Produkts P sind. Dieses erste Attribut kann in der Produktdatenbank 7 unabhängig von etwaigen vergangenen Käufen des Nutzers N oder anderer Nutzer X gespeichert sein. Es gibt eine Eigenschaft des Produktes selbst wieder. Dieses erste Attribut kann im Schritt S5 und/oder im Schritt S7 bei der Berechnung des ersten und des zweiten Scores berücksichtigt werden.
Ferner kann alternativ oder zusätzlich als zweites Attribut des Produkts P bestimmt werden, wie wahrscheinlich ein Kauf des Produkts P zu einem ermittelten Zeitpunkt ZP-N-j durch den Nutzer N war. Ferner kann als zweites Attribut des Produkts P bestimmt werden, wie wahrscheinlich ein Kauf des Produkts P zu einem ermittelten Zeitpunkt ZP-X-j des Kaufs des Produkts P durch einen anderen Nutzer X war. Das zweite Attribut kann dann im Schritt S5 und/oder im Schritt S7 bei der Berechnung des ersten oder zweiten Scores berücksichtigt werden. Hierdurch wird eine Saisonalitätsintensität eines Produkts P über alle Kunden zum Zeitpunkt des vorherigen Kaufs dieses Produkts P durch den Nutzer N oder durch einen anderen Nutzer X berücksichtigt. Außerdem kann die Saisonalitätsintensität eines Produkts P über alle anderen Nutzer X zum Zielzeitpunkt VZP berücksichtigt werden.
Die Saisonalitätsintensität kann beispielsweise mittels des Verfahrens zum Erzeugen von Prioritätsdaten für Produkte bestimmt werden, wie es in der WO 2016/174142 A1 beschrieben ist, welche durch Bezugnahme in die Beschreibung aufgenommen wird.
Alternativ oder zusätzlich kann in Schritt S5 bei der Berechnung des ersten Scores ein drittes Attribut berücksichtigt werden, welches das Verhältnis des ersten Zeitintervalls ZI1-N zu dem Durchschnitt der zweiten Zeitintervalle ZI2-N-j ist. Auf diese Weise wird berücksichtigt, wie lange die Dauer seit dem letzten Kauf des Produkts P durch den Nutzer N im Verhältnis zu typischen Zeitintervallen zwischen Käufen dieses Produkts P durch diesen Nutzer N ist. Alternativ oder zusätzlich kann als viertes Attribut des Produkt P das Verhältnis des ersten Zeitintervalls ZI1-N zu dem letzten ZI2-N-1 der zweiten Zeitintervalle ZI2-N-j bestimmt werden, und im Schritt S5 bei der Berechnung des ersten Scores als aggregierte Eingangsvariable berücksichtigt werden. Auf diese Weise wird berücksichtigt, wie groß der Zeitraum zwischen dem Zielzeitpunkt VZP und dem letzten Kauf dieses Produkts P durch den Nutzer N im Verhältnis zum zuletzt ermittelten zweiten Zeitintervall ist.
Die Berechnung des Funktionswerts für ein Produkt P für die Vorschlagsliste lässt sich für relativ neue Nutzer N, oder für neue Kombinationen aus dem Nutzer N mit einem bestimmten Produkt P, noch nicht zutreffend aus den vergangenen Käufen dieses Nutzers N ableiten. Wenn ein Nutzer N ein bestimmtes Produkt P bisher noch sehr selten gekauft hat, lässt sich auf dieser Basis schwierig Vorhersagen, ob er es bei einem erneuten Besuch des Online-Shops erneut kaufen will. In diesem Fall wird, wie vorstehend beschrieben, die Wahrscheinlichkeit für den Produktbedarf vollständig oder zum größten Teil anhand der generellen Wiederholungskauf-Eigenschaften des Produkts P auf Basis vergangener Käufe aller anderen Nutzer X prognostiziert. Für die Berechnung des zweiten Scores im Schritt S7 können in diesem Fall insbesondere alternativ oder zusätzlich folgende aggregierte Eingangsvariablen berücksichtigt werden:
Es kann der Median der dritten Zeitintervalle ZI3-X-j und der zweite Score ferner in Abhängigkeit von diesem Median berechnet werden. Diese aggregierte Eingangsvariable wird insbesondere dann benutzt, wenn die Anzahl der ersten Zeitpunkte, ZP-N-j, d. h. die Anzahl der vergangenen Käufe des Nutzers N, unterhalb eines Schwellenwerts liegt.
Des Weiteren kann alternativ oder zusätzlich ein sogenannter AC-Score berücksichtigt werden. Dieser gibt eine generelle relative Wiederholungskaufwahrscheinlichkeit für die Produkte P an, der sich an den Überlegungen von Agresti & Coull zur Näherung der Binomialverteilung orientiert, obschon hier keine Binomialverteilung berechnet wird.
Bei einem noch weiteren Ausführungsbeispiel des erfindungsgemäßen Verfahrens wird bei der Iteration der Schritte S3 bis S8 nicht nur die Menge der Produkte Pi berücksichtigt, welche der Nutzer N in der Vergangenheit bereits gekauft hat. Zusätzlich wird diese Iteration für Substitutionsprodukte zu den Produkten Pi durchgeführt. Hierfür wird durch einen Zugriff auf die Produktdatenbank 7 ein zu einem Produkt Pi gehöriges Substitutionsprodukt bestimmt. Für dieses Substitutionsprodukt werden dann die Schritte S2 bis S8, und anschließend unter Berücksichtigung der Scores für dieses Substitutionsprodukt die Schritte S9 und S10 durchgeführt. Bei einem weiteren Ausführungsbeispiel werden nicht nur vergangene Käufe eines Produkts P durch den Nutzer N oder einen anderen Nutzer X berücksichtigt, sondern zusätzlich auch Besuche des Nutzers N oder anderer Nutzer X, bei denen ein Produkt P der Produktdatenbank 7, oder eine Produktgruppe mit einem Produkt P der Produktdatenbank 7, nicht gekauft wurde. Beispielsweise kann das Verfahren zusätzlich berücksichtigen, dass der Nutzer N oder ein anderer Nutzer X Informationen zu einem Produkt P nur im Online-Shop aufgerufen hat, das Produkt P dann jedoch nicht gekauft hat.
Bei einem weiteren Ausführungsbeispiel wird als fünftes Attribut des Produkts P bestimmt, zu welcher Uhrzeit, und ggf. an welchem Wochentag, das Produkt P von dem Nutzer N oder einem anderen Nutzer X gekauft wurde. Der erste und/oder der zweite Score werden dann im Schritt S5 bzw. im Schritt S7 ferner in Abhängigkeit von diesem fünften Attribut berechnet.
Außerdem kann berücksichtigt werden, wenn das Produkt P zu einem Zeitpunkt gekauft wurde, als es rabattiert war. Des Weiteren kann berücksichtigt werden, dass das Produkt P beim Kauf das kostengünstigste Produkt einer Substitutionsgruppe zu einem bestimmten Zeitpunkt war. Der Einfluss dieser Faktoren kann sowohl bei der Berechnung des ersten Scores, als auch bei der Berechnung des zweiten Scores berücksichtigt werden.
Schließlich könnte noch ermittelt werden, wie das Treuverhältnis eines Nutzers N oder eines anderen Nutzers X zu einem bestimmten Produkt relativ zu Substitutionsprodukten war, und dies als weitere aggregierte Eingangsvariable bei der Berechnung des ersten und/oder zweiten Scores berücksichtigt werden.
Im Folgenden wird mit Bezug zur Fig. 5 ein Ausführungsbeispiel der erfindungsgemäßen Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen zum Befüllen eines Warenkorbs 15 beschrieben, die bei dem Ausführungsbeispiel auch zum Befüllen eines Warenkorbs 15 ausgebildet ist:
Die Anlage umfasst die mit Bezug zu Fig. 1 und mit Bezug zu dem Ausführungsbeispiel des erfindungsgemäßen Verfahrens beschriebene Vorrichtung 1. Die Vorrichtung 1 ist, wie bereits mit Bezug zu Fig. 1 erläutert, mit einer Erfassungseinheit 1 1 gekoppelt, welche bei dem Ausführungsbeispiel der Anlage als elektronische Kasse 1 1 ausgebildet ist. Die elektronische Kasse 11 ist mit dem ersten Sensor 9 und dem zweiten Sensor 10 verbunden.
Mittels der Anlage werden allgemein Käufe des Nutzers N und anderer Nutzer X erfasst. Bei einem Bezahlvorgang werden von dem zweiten Sensor 10, der beispielsweise als Scanner für einen Code eines Produkts ausgebildet sein kann, Produktidentifikationen der gekauften Produkte erfasst und an die elektronische Kasse 11 übermittelt. Beim anschließenden Bezahlvorgang wird der Nutzer N bzw. ein anderer Nutzer X mittels des ersten Sensors 9, beispielsweise anhand einer Identifikation einer elektronischen Bezahlkarte, identifiziert. Die elektronische Kasse 11 speichert diese Daten in der Nutzerdatenbank 8, wie es vorstehend erläutert wurde. Auf diese Weise kann mittels der Anlage in einem Ladenlokal ein Kauf eines Nutzers N oder eines anderen Nutzers X erfasst und gespeichert werden.
Außerdem ist die Anlage erfindungsgemäß ausgebildet, eine Bestellliste zu erzeugen. Hierzu wird der Nutzer N zunächst mittels des ersten Sensors 9 identifiziert. Die Nutzeridentifikation des Nutzers N wird von der elektronischen Kasse 1 1 an die Vorrichtung 1 übertragen. Die Vorrichtung 1 erzeugt daraufhin, wie vorstehend erläutert, eine Vorschlagsliste für die Nutzer N für solche Produkte P, welche der Nutzer N bereits in der Vergangenheit gekauft hat. Die Produktidentifikationen der Produkte der Vorschlagsliste werden mittels eines Touchscreens
12 ausgegeben, welcher von der Vorrichtung 1 angesteuert wird. Der Nutzer N kann über den Touchscreen 12 die Vorschlagsliste annehmen oder sie durch Nutzereingaben verändern. Beispielsweise kann der Nutzer N auf dem Touchscreen 12 weitere Produkte P auswählen, welche er bisher noch nicht gekauft hat. Der Touchscreen 12 stellt somit eine Eingangsschnittstelle zum Erfassen einer Nutzereingabe, und zwar insbesondere zum Annehmen oder zum Verändern der durch die Vorrichtung 1 ausgegebenen Vorschlagsliste, dar.
Schließt der Nutzer auf dem Touchscreen 12 die Eingabe ab, wird eine Bestellliste mit Produktidentifikationen erzeugt.
Außerdem ist die Anlage dieses Ausführungsbeispiels ausgebildet, Positionsdaten der Produktidentifikationen der Bestellliste auszugeben:
Die Bestellliste wird von dem Touchscreen 12 und an eine Steuereinheit 13 übertragen. Die Steuereinheit greift auf die Produktdatenbank 7 der Vorrichtung 1 zu, lädt die Positionsdaten der Produktidentifikationen der Bestellliste und überträgt diese Positionsdaten an den Nutzer. Beispielsweise können die Positionsdaten von dem Touchscreen 12 angezeigt werden. Bevorzugt werden die Positionsdaten jedoch an ein mobiles Endgerät des Nutzers drahtlos übertragen.
Außerdem ist die Anlage dieses Ausführungsbeispiels ausgebildet, einen Warenkorb 15 zu befüllen:
Die Bestellliste wird auch in diesem Fall von dem Touchscreen 12 und an die Steuereinheit
13 übertragen. Die Steuereinheit 13 ist außerdem mit der Vorrichtung 1 sowie dem zweiten Sensor 10 gekoppelt. Die Steuereinheit 13 überträgt die Produktidentifikationen der Bestellliste an den zweiten Sensor 10, welcher sie an die elektronische Kasse 11 weitergibt. Zusammen mit der von dem ersten Sensor 9 übertragenen Nutzeridentifikation speichert die elektronische Kasse 11 diese Daten in der Nutzerdatenbank 8, damit diese Käufe bei späteren Kaufvorgängen erneut verwendet werden können.
Die Anlage umfasst ferner eine Befüllvorrichtung 14 zum Befüllen eines Warenkorbs 15 mit Produkten P, denen die Produktidentifikationen der Bestellliste zugeordnet sind. Zwischen der Steuereinheit 13 und der Befüllvorrichtung 14 besteht eine drahtlose
Kommunikationsverbindung 16. Die Steuereinheit greift auf die Produktdatenbank 7 der Vorrichtung 1 zu, lädt die Positionsdaten der Produktidentifikationen der Bestellliste und überträgt diese Positionsdaten an die Befüllvorrichtung 14. Die Befüllvorrichtung 14 ist eine mobile Einheit mittels welcher Produkte P, beispielsweise aus Regalen bei bestimmten Positionen, entnommen und in den Warenkorb 15 gelegt werden können. Die Befüllvorrichtung 14 erhält von der Steuereinheit 13 über die drahtlose
Kommunikationsverbindung 16 die Bestellliste mit den dazugehörigen Positionsdaten der Produkte der Bestellliste. Die Befüllvorrichtung 14 fährt dann die entsprechenden Positionen der Produkte der Bestellliste an und transportiert diese Produkte P zum Warenkorb 15. Ist der Warenkorb 15 vollständig mit den Produkten der Bestellliste gefüllt, kommuniziert die Befüllvorrichtung 14 dies der Steuereinheit 13, welche ein entsprechendes Signal an die elektronische Kasse 1 1 überträgt. Die elektronische Kasse 1 1 kann daraufhin automatisch, beispielsweise über das Internet, den Bezahlvorgang für den Nutzer N auslösen. Der Nutzer N kann die Produkte P dem Warenkorb 15 entnehmen.
Bezugszeichenliste Vorrichtung
Server
Client des Nutzers
Ausgabeeinheit
Eingabeeinheit
Clients der anderen Nutzer
-1 Client eines anderen Nutzers
-2 Client eines anderen Nutzers
-3 Client eines anderen Nutzers
Produktdatenbank
Nutzerdatenbank
erster Sensor
0 zweiter Sensor
1 Erfassungseinheit; elektronische Kasse
2 Touchscreen
3 Steuereinheit
4 Befüllvorrichtung
5 Warenkorb
6 drahtlose Kommunikationsverbindung

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum Erzeugen einer Vorschlagsliste für einen
Nutzer für in einer Produktdatenbank gespeicherte Produktidentifikationen für
Produkte, bei dem:
a. durch einen Zugriff auf eine den Nutzern zugeordnete Nutzerdatenbank mittels eines Servers ein Produkt ermittelt wird oder Produkte der in der
Produktdatenbank gespeicherten Produkte ermittelt werden, das/die der Nutzer in der Vergangenheit gekauft hat;
b. für zumindest ein ermitteltes Produkt, das der Nutzer in der Vergangenheit
gekauft hat, durch einen Zugriff auf die Nutzerdatenbank ermittelt wird, zu welchem ersten Zeitpunkt oder zu welchen ersten Zeitpunkten der Nutzer das Produkt in der Vergangenheit gekauft hat;
c. zumindest ein erstes Zeitintervall vom Zeitpunkt eines letzten vergangenen Kaufs des Produkts durch den Nutzer bis zu einem Zielzeitpunkt von dem Server berechnet wird;
d. wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, ein zweites Zeitintervall oder zweite Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch den Nutzer von dem Server berechnet wird/werden;
e. in Abhängigkeit von dem ersten und, wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, dem zweiten Zeitintervall oder den zweiten Zeitintervallen mittels eines ersten
Vorhersageverfahrens ein erster Score, der ein Maß für die Wahrscheinlichkeit ist, dass der Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet wird;
f. auf Basis des ersten Score die Vorschlagsliste für Produktidentifikationen erzeugt wird.
2. Verfahren nach Anspruch 1 ,
dadurch gekennzeichnet, dass
die Schritte b. bis f. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt werden.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass
ferner folgende Schritte durchgeführt werden:
g. durch einen Zugriff auf die Nutzerdatenbank wird für eine Vielzahl anderer Nutzer ermittelt, zu welchen zweiten Zeitpunkten jeweils die anderen Nutzer das Produkt in der Vergangenheit gekauft haben:
h. für die Vielzahl anderer Nutzer wird jeweils ein drittes Zeitintervall oder werden dritte Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch einen anderen Nutzer von dem Server berechnet ;
i. in Abhängigkeit von dem dritten Zeitintervall oder den dritten Zeitintervallen, die für die Vielzahl anderer Nutzer berechnet wurden, wird mittels eines zweiten Vorhersageverfahrens ein zweiter Score, der ein Maß für die Wahrscheinlichkeit ist, dass ein beliebiger Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet;
j. ein dem Produkt und dem Nutzer zugeordneter Funktionswert einer Funktion wird berechnet, deren Variablen zumindest den ersten Score und den zweiten Score umfassen, ,
k. in Abhängigkeit von den Funktionswerten, die den Produkten zugeordnet sind, wird die Vorschlagsliste für Produktidentifikationen erzeugt.
4. Verfahren nach Anspruch 3,
dadurch gekennzeichnet, dass
die Schritte g. bis k. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt werden.
5. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
in Abhängigkeit von den zweiten Zeitintervallen ein erster Gewichtungswert berechnet wird, der die Verlässlichkeit des ersten Scores angibt,
in Abhängigkeit von den dritten Zeitintervallen ein zweiter Gewichtungswert berechnet wird, der die Verlässlichkeit des zweiten Scores angibt, und
bei der Berechnung des Funktionswerts der erste Score mit dem ersten Gewichtungswert und der zweite Score mit dem zweiten Gewichtungswert gewichtet werden.
6. Verfahren nach Anspruch 5,
dadurch gekennzeichnet, dass der erste Gewichtungswert Null ist, wenn im Schritt a. ermittelt wurde, dass der Nutzer das Produkt nur einmal in der Vergangenheit gekauft hat.
7. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
der erste Gewichtungswert umso größer ist, je häufiger der Nutzer das Produkt in der Vergangenheit gekauft hat, so dass eine Vielzahl zweiten Zeitintervalle berechnet wird.
8. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
der erste Score mittels eines neuronalen Netzwerks berechnet wird.
9. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
der zweite Score mittels einer logistischen Regression berechnet wird.
10. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
der Median der zweiten Zeitintervalle berechnet wird und der erste Score ferner in Abhängigkeit von dem berechneten Median der zweiten Zeitintervalle berechnet wird.
1 1. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
die Standardabweichung der zweiten Zeitintervalle berechnet wird und der erste Score ferner in Abhängigkeit von der berechneten Standardabweichung der zweiten Zeitintervalle berechnet wird.
12. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
der Median der dritten Zeitintervalle berechnet wird und der zweite Score ferner in Abhängigkeit von dem berechneten Median der dritten Zeitintervalle berechnet wird, wenn die Anzahl der zweiten Zeitpunkte unterhalb eines Schwellwerts liegt.
13. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass als ein erstes Attribut des Produkts durch einen Zugriff auf die Produktdatenbank ermittelt wird, wie wahrscheinlich wiederkehrende Käufe des Produkts sind, und
der erste und/oder der zweite Score ferner in Abhängigkeit von dem ersten Attribut von dem Server berechnet wird.
14. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
als zweites Attribut des Produkts bestimmt wird, wie wahrscheinlich ein Kauf des Produkts zu einem ermittelten Zeitpunkt des Kaufs des Produkts durch den Nutzer oder einen anderen Nutzer war, und
der erste und/oder der zweite Score ferner in Abhängigkeit von dem zweiten Attribut von dem Server berechnet wird.
15. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
als drittes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem Durchschnitt der zweiten Zeitintervalle bestimmt wird, und
der erste Score ferner in Abhängigkeit von dem dritten Attribut von dem Server berechnet wird.
16. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
als viertes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem letzten der zweiten Zeitintervalle bestimmt wird, und
der erste Score ferner in Abhängigkeit von dem vierten Attribut von dem Server berechnet wird.
17. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
als fünftes Attribut des Produkts bestimmt wird, zu welcher Uhrzeit das Produkt von dem Nutzer oder einem anderen Nutzer gekauft wurde und
der erste und/oder der zweite Score ferner in Abhängigkeit von dem fünften Attribut von dem Server berechnet wird.
18. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass als sechstes Attribut des Produkts bestimmt wird, ob das Produkt bei einem Kauf durch den Nutzer oder einen anderen Nutzer rabattiert war, und
der erste und/oder der zweite Score ferner in Abhängigkeit von dem sechsten Attribut von dem Server berechnet wird.
19. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
durch einen Zugriff auf die Produktdatenbank ein zu dem Produkt gehöriges Substitutionsprodukt bestimmt wird und
die Schritte a. bis h. ferner für das Substitutionsprodukt durchgeführt werden.
20. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
die Vorschlagsliste über eine Ausgabeeinheit oder eine Schnittstelle ausgegeben wird.
21. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
bei einem Kauf eines Produkts in der Nutzerdatenbank eine Produktidentifikation, eine Nutzeridentifikation und/oder ein Zeitpunkt des Kaufs gespeichert werden.
22. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, dass
bei einem Kauf eines Produkts mittels eines ersten Sensors die
Produktidentifikation des Produkts und mittels eines zweiten Sensors die
Nutzeridentifikation erfasst werden und
die erfasste Produktidentifikation und Nutzeridentifikation in der Nutzerdatenbank gespeichert werden.
23. Vorrichtung zur Datenverarbeitung, umfassend einen Prozessor, der so konfiguriert ist, dass er das Verfahren nach einem der Ansprüche 1 bis 22 ausführt.
24. Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen mit
einer Vorrichtung zur Datenverarbeitung nach Anspruch 23 und
einer Eingangsschnittstelle zum Erfassen einer Nutzereingabe zum Annehmen und/oder Verändern der durch die Vorrichtung erzeugte Vorschlagsliste und zum Erzeugen einer Bestellliste mit Produktidentifikationen.
25. Anlage nach Anspruch 24,
dadurch gekennzeichnet, dass
die Anlage ferner eine Steuereinheit umfasst, die mit der Eingangsschnittstelle gekoppelt ist und die ausgebildet ist, durch Zugriff auf die Produktdatenbank
Positionsdaten der Produktidentifikationen der Bestellliste zu ermitteln und an den Nutzer auszugeben.
26. Anlage nach Anspruch 24 oder 25,
dadurch gekennzeichnet, dass
die Anlage ferner eine Befüllvorrichtung zum Befüllen des Warenkorbs mit Produkten umfasst, denen die Produktidentifikationen der Bestellliste zugeordnet sind.
27. Anlage nach Anspruch 26,
dadurch gekennzeichnet, dass
die Steuereinheit mit der Befüllvorrichtung gekoppelt ist,
die Steuereinheit ausgebildet ist, die Positionsdaten der Produktidentifikationen der Bestellliste an die Befüllvorrichtung zu übertragen, und
die Befüllvorrichtung ausgebildet ist, die Produkte der Produktidentifikationen der Bestellliste von Positionen, die den von der Steuereinheit übertragenen Positionsdaten entsprechen, zu dem Warenkorb zu transportieren.
28. Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des
Programms durch einen Computer diesen veranlassen, das Verfahren nach einem der Ansprüche 1 bis 22 auszuführen.
PCT/EP2019/056736 2018-03-16 2019-03-18 Computerimplementiertes verfahren zum erzeugen einer vorschlagsliste und anlage zum erzeugen einer bestellliste WO2019175443A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980019496.8A CN112041874A (zh) 2018-03-16 2019-03-18 用于生成建议列表的计算机实现的方法和用于生成订单列表的系统
EP19712947.1A EP3766034A1 (de) 2018-03-16 2019-03-18 Computerimplementiertes verfahren zum erzeugen einer vorschlagsliste und anlage zum erzeugen einer bestellliste
US16/980,967 US20200410573A1 (en) 2018-03-16 2019-03-18 Computer-implemented method for generating a suggestion list and system for generating an order list

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862643920P 2018-03-16 2018-03-16
US62/643,920 2018-03-16

Publications (1)

Publication Number Publication Date
WO2019175443A1 true WO2019175443A1 (de) 2019-09-19

Family

ID=65904396

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/056736 WO2019175443A1 (de) 2018-03-16 2019-03-18 Computerimplementiertes verfahren zum erzeugen einer vorschlagsliste und anlage zum erzeugen einer bestellliste

Country Status (4)

Country Link
US (1) US20200410573A1 (de)
EP (1) EP3766034A1 (de)
CN (1) CN112041874A (de)
WO (1) WO2019175443A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11282126B1 (en) * 2019-06-24 2022-03-22 Maplebear Inc. Learning staple goods for a user
US11430040B2 (en) * 2020-01-29 2022-08-30 Walmart Apollo, Llc Smart basket recommendations for online selections
US11676196B2 (en) 2021-03-09 2023-06-13 Maplebear, Inc. Mapping recipe ingredients to products
US11756105B2 (en) * 2021-03-23 2023-09-12 Ebay Inc System and methods for message timing optimization
CN113379480B (zh) * 2021-05-16 2021-11-12 广州美术学院 一种购物用商品信息交互方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060242011A1 (en) * 2005-04-21 2006-10-26 International Business Machines Corporation Method and system for automatic, customer-specific purchasing preferences and patterns of complementary products
US20090198557A1 (en) * 2008-01-31 2009-08-06 Intuit Inc. Timing commercial offers based on long-term user data
US20130138530A1 (en) * 2011-11-28 2013-05-30 W.W. Grainger, Inc. System and method for using purchasing history data to automatically create a purchasing list
WO2016174142A1 (de) 2015-04-28 2016-11-03 Omikron Data Quality Gmbh Verfahren zum erzeugen von prioritätsdaten für produkte
US9659310B1 (en) 2012-03-14 2017-05-23 Amazon Technologies, Inc. Consumption based subscription frequency recommendations

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200622778A (en) * 2004-12-31 2006-07-01 Inventec Corp Purchase suggestion form generation system and method thereof
KR20080029064A (ko) * 2006-09-28 2008-04-03 주식회사 디앤샵 고객 관심상품 흥정 거래 방법 및 시스템
US7881984B2 (en) * 2007-03-30 2011-02-01 Amazon Technologies, Inc. Service for providing item recommendations
US10489842B2 (en) * 2013-09-30 2019-11-26 Ebay Inc. Large-scale recommendations for a dynamic inventory
US10346894B2 (en) * 2013-12-17 2019-07-09 Walmart Apollo, Llc Methods and systems to create purchase lists from customer receipts
US10366439B2 (en) * 2013-12-27 2019-07-30 Ebay Inc. Regional item reccomendations
CA3015248A1 (en) * 2016-03-09 2017-09-14 Walmart Apollo, Llc Predictive shopping

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060242011A1 (en) * 2005-04-21 2006-10-26 International Business Machines Corporation Method and system for automatic, customer-specific purchasing preferences and patterns of complementary products
US20090198557A1 (en) * 2008-01-31 2009-08-06 Intuit Inc. Timing commercial offers based on long-term user data
US20130138530A1 (en) * 2011-11-28 2013-05-30 W.W. Grainger, Inc. System and method for using purchasing history data to automatically create a purchasing list
US9659310B1 (en) 2012-03-14 2017-05-23 Amazon Technologies, Inc. Consumption based subscription frequency recommendations
WO2016174142A1 (de) 2015-04-28 2016-11-03 Omikron Data Quality Gmbh Verfahren zum erzeugen von prioritätsdaten für produkte

Also Published As

Publication number Publication date
CN112041874A (zh) 2020-12-04
EP3766034A1 (de) 2021-01-20
US20200410573A1 (en) 2020-12-31

Similar Documents

Publication Publication Date Title
WO2019175443A1 (de) Computerimplementiertes verfahren zum erzeugen einer vorschlagsliste und anlage zum erzeugen einer bestellliste
DE69707668T2 (de) Verfahren und system zum verarbeiten und übertragen von elektronischer auktionsinformation
DE10235804A1 (de) System und Verfahren für das Ermöglichen eines Mehrelementbietens für das Beeinflussen einer Position in einer Suchergebnisliste die durch eine Suchmaschine eines Computernetzes erzeugt wird
WO2003021470A2 (de) Verfahren zur automatischen mustererkennung bzw. zum regeln von wirtschaftsprozessen sowie mustererkennungssystem und autopilot für wirtschaftsprozesse unter berücksichtigung des ertragswertes von kundenbeziehungen
DE10245996A1 (de) Anzeige von Marktdaten
CN108648058A (zh) 产品排序方法及装置，电子设备、存储介质
WO2002021353A2 (de) Verfahren und vorrichtung zum durchführen einer elektronischen auktion in einem kommunikationsnetz
DE10128494A1 (de) Persönlicher digitaler Einkaufswagen
DE10321673A1 (de) Bestimmung einer Verteilung eines Gruppenkaufs auf eine Anzahl von Verkäufern, die einen Gesamtpreis des Gruppenkaufs wesentlich minimiert
DE10245992A1 (de) Vereinfachung der Bestellungseingabe
EP3289558A1 (de) Verfahren zum erzeugen von prioritätsdaten für produkte
US20120116924A1 (en) Online product selling method, and server and system for implementing the same
DE10325998A1 (de) Verfahren zum Optimieren eines auf eine erste Netzwerkseite verweisenden Verweises
EP3096241A1 (de) Verfahren zum durchsuchen einer datenbasis mit datensätzen
WO2014029893A1 (de) Warensystem und verfahren für ein warensystem
DE19959142A1 (de) Verfahren und Vorrichtung zum Übermitteln von Inhalten, insbesondere von Werbung
DE202022103801U1 (de) Ein intelligentes Finanzverwaltungssystem für E-Commerce-Websites zur Analyse von Preisen und Gewinnen durch maschinelles Lernen
WO2009010566A1 (de) System für ein objektororientiertes datenmanagement von informationsprozessen
DE102004046825A1 (de) Verteilen von Verbrauchernachfrage stromaufwärts in einer Lieferkette
DE102021113236A1 (de) Rabattprozentsatz-Bestimmungssystem, Rabattpreis-Präsentationssystem, Rabattprozentsatz-Bestimmungsverfahren und Speichermedium
EP4086830A1 (de) Computer unterstütztes verfahren zum bedarfsgerechten bereitstellen physischer waren
DE10027910A1 (de) Verfahren zur computergestützten Vermittlung einer Kaufanfrage eines Kaufinteressenten an einen Anbieter
DE202022100697U1 (de) Intelligentes hybrides Managementsystem zur Vorhersage der Abwanderung von E-Commerce-Benutzern im E-Commerce mittels Data Mining und Deep Learning
EP1162554A1 (de) Verfahren, EDV-System und Computer-Programm zur Ermittlung von Boni für Aktionen von Konsumenten
DE10118899A1 (de) Server für ein Web-Portal, um in einem System, Verfahren und Programm Kunden im elektronischen Handel über die Preisfestsetzung besser in Kenntnis zu setzen

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19712947

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2019712947

Country of ref document: EP