WO2020106171A1 - Способ и система интерактивного взаимодействия с пользователем для поддержки в подборе услуг - Google Patents

Способ и система интерактивного взаимодействия с пользователем для поддержки в подборе услуг

Info

Publication number
WO2020106171A1
WO2020106171A1 PCT/RU2018/000761 RU2018000761W WO2020106171A1 WO 2020106171 A1 WO2020106171 A1 WO 2020106171A1 RU 2018000761 W RU2018000761 W RU 2018000761W WO 2020106171 A1 WO2020106171 A1 WO 2020106171A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
online resource
services
actions
online
Prior art date
Application number
PCT/RU2018/000761
Other languages
English (en)
French (fr)
Inventor
Виталий Викторович КУДЕЛЯ
Original Assignee
Общество С Ограниченной Ответственностью "Глобус Медиа"
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 Общество С Ограниченной Ответственностью "Глобус Медиа" filed Critical Общество С Ограниченной Ответственностью "Глобус Медиа"
Priority to PCT/RU2018/000761 priority Critical patent/WO2020106171A1/ru
Publication of WO2020106171A1 publication Critical patent/WO2020106171A1/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Definitions

  • This technical solution relates to the field of computer technology and computer processing of data, in particular, to a method and system for interactive interaction with a user to support the selection of services.
  • AI artificial intelligence
  • the claimed solution is aimed at solving existing problems in the field of automatic analysis of user actions to identify potential buyers and provide them with timely support for online trading.
  • the achieved technical effect of the claimed solution is to ensure the activation of an interactive session with the sales manager on the basis of user data identified using the AI module, ready to complete the purchase of goods and / or services.
  • a computer-implemented method for interacting with a user to support a service selection comprising the steps of:
  • the analytic module is a machine learning module.
  • the analytical module is built on the basis of one or more neural networks, or trained on the basis of the gradient boosting algorithm over decision trees.
  • the analytical module is trained based on a sample of user actions on online resources and user demographic information.
  • the learning function is to perform actions to implement the target action by users on
  • the collection of data on user actions is carried out at a given time period, or at least two
  • user actions are: viewing pages of an online resource, information of pages of an online resource, viewing time of parts of pages of an online resource, scrolling pages of an online resource, selecting services using filters of an online resource, selecting services using
  • the session with the manager is: a chat session, a call or a video call using IP-telephony, a phone call.
  • a chat session is implemented using a widget for chatting on an online resource, using IM (Instant messenger), or a chat function built into an online resource.
  • IM Instant messenger
  • the online resource is a website, software application, or mobile application.
  • a user interaction system for support in selecting services comprising
  • At least one memory containing computer-executable machine-readable instructions that implement the above method.
  • the analytic module is configured with a self-learning function.
  • FIG. 1 A - FIG. IB illustrate an example implementation of the claimed system.
  • FIG. 2 illustrates the learning process of the analytic module.
  • FIG. 3 illustrates the process of performing the claimed method.
  • FIG. 4 illustrates an example computing device.
  • FIG. 1A shows a general view of the presented system (100).
  • Users (110) interact with an online resource (120) through a computer network (130), for example, the Internet, to gain access to the information they are interested in regarding goods and / or services presented on the said resource (120).
  • a computer network for example, the Internet
  • online resource (120) will mean a website or software application that provides the sale of goods on the Internet (130).
  • An online resource (120) can be implemented using well-known web programming tools, for example, HTML, CSS, Java, FLASH, PUP, etc.
  • the information network (130) can be organized using various known data transfer protocols, for example, LAN, Ethernet, TCP / IP, WAN, WLAN, MAN, CAN, SAN, PAN, Wi-Fi, Wi-Fi Direct, LPWAN, GSM, GPRS, LTE, 5G, Bluetooth, BLE, satellite communications, etc.
  • Users (110) interact with an online resource (120) through their computing devices, which may include, but are not limited to: a personal computer, smartphone, tablet, laptop, game console, smart TV, smart wearable device (smart glasses, goggles or a helmet of augmented reality or mixed reality, glasses or a helmet of virtual reality, smart watches, etc.), smart home device, etc.
  • computing devices may include, but are not limited to: a personal computer, smartphone, tablet, laptop, game console, smart TV, smart wearable device (smart glasses, goggles or a helmet of augmented reality or mixed reality, glasses or a helmet of virtual reality, smart watches, etc.), smart home device, etc.
  • the processing of data received from users (110) on an online resource (120) is carried out by the server part (140) containing an analytical module (150) that provides an analysis of user actions (110) and identification of potential buyers (111, 112, 113), for which it is necessary to initiate an interactive support session with sales managers (160) on the online resource (120).
  • FIG. Figure 1B presents an example of the enrichment of the analytical module (150) with user data (software), which contains information about their actions on the online resource (120), as well as additional data that can be obtained from the computer network (130).
  • additional data may be, for example, demographic information about users (110), in particular gender, age, location; information on the history of actions and user activity (110) on other online resources for viewing information about goods and / or services; information from social networks user profiles (110) and g. Type may also be considered.
  • Additional information of users (110) is associated with their unique identifier (ID) on the online resource (120).
  • ID unique identifier
  • a hashed user login / password (software) combination can be used, a unique user account (110), an ID assigned by the user registration system (110) on an online resource (120), etc.
  • Binding of users 110 (110) can be performed using cookies, in particular, actions from other sessions are additionally associated with users registered on the online resource (120) using, for example, the identifier of a personal account.
  • FIG. Figure 2 shows the learning process of the analytical module (150).
  • the module (150) can be part of the program logic of the server part (140), or it can be installed on a computer (for example, another server) connected to the server (140) using the network (130) to process the necessary information.
  • Analytical module (150) can be implemented using various approaches of machine learning or AI, for example, using the gradient boosting algorithm over decision trees, one or more neural networks, etc.
  • the learning process (200) of the analytical module (150) consists of successive steps.
  • user actions (110) are collected on an online resource (120).
  • Such actions may include, but are not limited to: viewing pages of an online resource, information of pages of an online resource, viewing time of parts of pages of an online resource, scrolling pages of an online resource, selecting services using filters of an online resource, selecting services using tools for calculating the cost of an online resource, first visit pages, clicks on various blocks of an online resource, scrolling pages to display new blocks of the site, creating comments, making orders, etc.).
  • the obtained information about user actions in step (201) is recorded in step (202) with a time reference to each action in the data storage of the server part (140), for example, a database. Additionally, the characteristics of the committed action by users (software) are recorded, for example, when viewing the page for selecting a hotel or tour (121, 122, 123) on an online resource (120), data on the country, the number of nights for which the user (111, 112, 113) wants to purchase a tour or any other related information that allows you to identify the product and / or service of interest.
  • a table of attributes is constructed for predicting the completion of the target action by each user (111, 112, 113), for example, making an order.
  • a precedent for learning is the user performing (111, 112, 113) actions (first visit to a page, clicks on various blocks of a website, scrolling pages until new blocks of a website are displayed, etc.).
  • the target variable for training is the fulfillment of the target action in a selected period of time, for example, within 3-5 days after the action in question.
  • the signs are the number of actions performed by the user (111, 112, 113) of the above described actions in the selected list of time intervals before the considered moment (1 day, 3 days, 7 days, 1 month, etc.), in addition, social and user demographic information (110).
  • the analytical module (150) is trained (204), for example, using gradient boosting over decision trees or a neural network approach.
  • a trained model for predicting the fulfillment of the target action by users (100) is formed, which is used to identify specific users (111, 112, 113) who are ready to purchase the product and / or service of interest to them on an online resource (120).
  • the learning process of the analytical module (150) is carried out cyclically with constant updates of it with new user actions (BUT) data, as shown in FIG. 1B.
  • the analytical module (150) can be performed with the function of self-learning and constant updating of the prognostic model for processing data from user actions (110).
  • step (301) data is obtained about the actions of users (110) on an online resource (120).
  • Stage (301) in its specificity is similar to stage (201).
  • Data collection on user actions (301) can be carried out using well-known approaches, for example, using the analytical utility Clickstream (https://searchcrm.techtarget.com/definition/clickstream-analysisl. transition and execution of actions of each user (111, 112, 113) on the online resource
  • step (302) user activity data (110) collected in real time is aggregated and stored on the server (140).
  • signs are collected (303), in particular, data on the actions of each user (111, 112, 113) are downloaded from the databases and grouped , statistics are calculated based on the uploaded data using the analytical module (150).
  • step (303) The formation of signs at step (303) is carried out by analogy with the formation of signs for training the analytical module (150), with the difference that the current time is taken for the considered time moment and the selected time intervals are counted from it, in which the number of actions is calculated for selected groups.
  • the user (111) at the time of counting, performs a review of two types of offers (121, 122) on the website (120), and also uses additional services on the website (120), for example, selecting dates for buying a tour or the choice of the cost of hotel rooms, etc.
  • the logic of the analytical module (150) determines the intention of the user (111) to perform the target action.
  • a trained model of the analytical module (150) is used, which calculates the probability of the user (111) to perform the target action to acquire the service of interest to him, for example, the aforementioned tour.
  • the analysis module (150) determines that the user (111) is ready to perform the target action to acquire the service and the server (140) with the corresponding command received from the analytical module (150) initiates at step (305) an interactive session with the sales manager (160).
  • An interactive session may be a chat session, a call or a video call using IP telephony, a phone call, the chat session being implemented using a widget for chatting on an online resource using IM (Instant messenger), or a chat function built into an online resource, etc.
  • IM Instant messenger
  • users (110) can be divided into groups according to the degree of probability of the target action, for example, quantile division.
  • a different type of interactive session can be used, for example, for a group with a low probability of making a purchase, a chat bot session can be used, etc.
  • the selection of the type of advertisement for displaying on the online resource (120) can be performed.
  • the selection of the type of advertisement for displaying on the online resource (120) can be performed.
  • more expensive, detailed or colorful advertising may be displayed.
  • FIG. 4 shows an example implementation of a computing device (400), on the basis of which a user device (software), a server part (140), and other devices that can participate in information exchange to implement the claimed solution can be executed.
  • the device (400) can be selected from a wide range of electronic devices known from the prior art.
  • the device (400) contains one or more processors (401) or one or more microcontrollers, RAM (402), means of permanent data storage (403), input / output interfaces (404), input / output devices (405), means of network interaction (406).
  • the processor (401) is a basic computing module that provides logical processing of the algorithmic instructions necessary for the device (400) to perform the necessary functions.
  • RAM (402) is a standard random access memory designed to store processor-executable instructions that implement the work of embedded software logic.
  • Means for permanently storing data (403) may include, but are not limited to: a hard disk (HDD), flash memory (NAND, EEPROM, SD cards, etc.), a solid state drive (SSD), optical drives data (CD / DVD / BlueRay discs, etc.).
  • I / O Interfaces (404) may include, but are not limited to: ADC / DAC,
  • USB micro-, Tour C, mini- etc.
  • PS / 2 PCI, VGA, RS232, RJ45, FireWire, SATA, IDE, COM, LPT, Audio Jack, HDMI, Display Port, Lightning, etc. .P.
  • I / O facilities may include, but are not limited to: a display, a touch screen, a keyboard (mechanical, touch, projection, etc.), a trackball, joystick, touch pad, speakers, microphone, projector, light indicator, buzzer, biometric sensor (fingerprint, retina, iris, voice, palm, vein pattern, etc.), camera, optical sensor, accelerometer, gyroscope, light sensor, proximity sensor, gravity sensor, etc. P.
  • the networking tool (406) may include, but is not limited to: Bluetoo th module, BLE module, NFC, Ethernet card, modem, router, IrDa, GSM modem, GPRS modem, LTE modem, 5C modem , WLAN, Wi-Fi module, satellite modem, GNSS receiver, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

Настоящее техническое решение относится к области компьютерной техники и вычислительной обработке данных, в частности, к способу и системе интерактивного взаимодействия с пользователем для поддержки в подборе услуг. В предпочтительном варианте осуществления настоящего изобретения представлен компьютерно-реализуемый способ интерактивного взаимодействия с пользователем для поддержки в подборе услуг, содержащий этапы, на которых выполняют: идентификацию пользователя на онлайн ресурсе подбора услуг; сбор действий пользователя на по меньшей мере упомянутом онлайн ресурсе подборе услуг, причем действия включают в себя по меньшей мере историю просмотра услуг на упомянутом онлайн ресурсе; анализ собранных данных о действиях пользователя с помощью аналитического модуля, в ходе которого рассчитывают показатель намерения пользователя совершить целевое действие по приобретению услуги, информация о которой содержалась в полученных данных; активируют интерактивную сессию связи с менеджером по продажам на онлайн ресурсе на основании определенного упомянутого показателя намерения пользователя совершить целевое действие.

Description

СПОСОБ И СИСТЕМА ИНТЕРАКТИВНОГО ВЗАИМОДЕЙСТВИЯ С
ПОЛЬЗОВАТЕЛЕМ ДЛЯ ПОД ДЕРЖКИ В ПОДБОРЕ УСЛУГ
ОБЛАСТЬ ТЕХНИКИ
[0001 ] Настоящее техническое решение относится к области компьютерной техники и вычислительной обработке данных, в частности, к способу и системе интерактивного взаимодействия с пользователем для поддержки в подборе услуг.
УРОВЕНЬ ТЕХНИКИ
[0002] При подборе услуг и/товаров в режиме онлайн, например, на веб-сайте или приложении, клиенты совершают множество действий, направленных на переход по страницам ресурса приобретения товаров и/или услуг для подбора и изучения требуемой информации. При этом, из общей массы посетителей ресурса целевую аудиторию, которая в итоге завершает взаимодействие с ресурсом приобретением интересующего товара и/или услуги, составляет лишь определенная часть, и часто для таких клиентов
необходимо оказать им дополнительную поддержку для помощи в выборе интересующего их товар» и/или услуги.
[0003] Для решения существующих проблем в области онлайн торговли предлагается применять механизмы, основанные на базе искусственного интеллекта (ИИ), которые позволяют в автоматизированном режиме проводить анализ действий пользователя и выявлять потенциальных покупателей. Примерюм таких исследований можно
рассматривать подход описанный в статье «Understanding Behaviors that Lead to
Purchasing: A Case Study of Pinterest» (Caroline Lo et al., KDD Ί6, August 13 - 17, 2016, San Francisco, CA, USA). В известном решении предлагается использовать для обучения ИИ, в частности, нейрюсети, действия пользователей, агрегирюванные во временном диапазоне и разбиваемые по различным группам покупателей для анализа их поведенческой активности. Впоследствии обученная нейрюсетъ применяется для анализа вероятности приобретения того или иного вида т овара.
[0004] Известны также подходы в части определения менеджеров по продажам на основании их интереса в зависимости от изучаемого на ресурсе товара и/или услуги, которые они планируют приобрести (US 20050044008, Proficient Systems Inc., 24.02.2005). Однако, такие решения лишены достаточной автоматизации и опирается преимущественно на вовлечение человеческой активности для анализа и оказания поддержки покупателям.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
[0005] Заявленное решение направлено на решение существующих проблем в области автоматического анализа действий пользователя для выявления потенциальных покупателей и оказания им своевременной поддержки для осуществления онлайн торговли.
[0006] Достигаемый технический эффект от заявленного решения заключается в обеспечении активации интерактивной сессии с менеджером по продажам на основании данных о пользователях, выявленных с помощью модуля ИИ, готовых совершить приобретения товара и/или услуги.
[0007] В предпочтительном варианте осуществления настоящего изобретения представлен компьютерно-реализуемый способ интерактивного взаимодействия с пользователем для поддержки в подборе услуг, содержащий этапы, на которых
выполняют:
идентификацию пользователя на онлайн ресурсе подбора услуг;
сбор действий пользователя на по меньшей мере упомянутом онлайн ресурсе подборе услуг, причем действия включают в себя по меньшей мере историю просмотра услуг на упомянутом онлайн ресурсе;
анализ собранных данных о действиях пользователя с помощью аналитического модуля, в ходе которого рассчитывают показатель намерения пользователя совершить целевое действие по приобретению услуги, информация о которой содержалась в полученных данных;
активируют интерактивную сессию связи с менеджером по продажам на онлайн ресурсе на основании определенного упомянутого показателя намерения пользователя совершить целевое действие.
[0008] В частном примере реализации способа аналитический модуль представляет собой модуль на базе машинного обучения.
[0009] В частном примере реализации способа аналитический модуль построен на базе одной или нескольких нейросетей, или обучен на основе алгоритма градиентного бустинга над решающими деревьями.
[0010] В частном примере реализации способа аналитический модуль обучен на основании выборки действий пользователей на онлайн ресурсах и социально- демографической информации пользователей. [0011] В частном примере реализации способа обучающей функцией является совершение действий по осуществлению целевого действия пользователями по
приобретению услуги.
[0012] В частном примере реализации способа сбор данных о действиях пользователя осуществляется в заданный временной промежуток, или в по меньшей мере два
временных промежутка.
[0013] В частном примере реализации способа анализируются повторяемые действия, соответствующие схожим услугам.
[0014] В частном примере реализации способа пользовательскими действиями являются: просмотры страниц онлайн ресурса, информация страниц онлайн ресурса, время просмотра частей страниц онлайн ресурса, скроллинг страниц онлайн ресурса, подбор услуг с помощью фильтров онлайн ресурса, подбор услуг с помощью
инструментов расчета стоимости онлайн ресурса или их сочетания.
[0015] В частном примере реализации способа сессия с менеджером представляет собой: чат-сессию, звонок или видеозвонок с помощью IP-телефонии, телефонный звонок.
[0016] В частном примере реализации способа чат-сессия реализуется с помощью виджета для ведения чата на онлайн ресурсе, с помощью IM (Instant messenger), или функции чата, встроенной в онлайн ресурс.
[0017] В частном примере реализации способа онлайн ресурс представляет собой веб- сайт, программное приложение или мобильное приложение.
[0018] В частном примере реализации способа при активации сессии с менеджером ему передается агрегированная информация о просмотре услуг пользователем, для которого аналитическим модулем был рассчитан показатель совершить целевое действие.
[0019] В другом предпочтительном примере осуществления заявленного изобретения представлена система интерактивного взаимодействия с пользователем для поддержки в подборе услуг, содержащая
по меньшей мере один процессор
по меньшей мере одну память, содержащую исполняемые процессором машиночитаемые инструкции, которые реализуют вышеописанный способ.
[0020] В частном примере реализации системы аналитический модуль выполнен с функцией самообучения.
ЧЕРТЕЖИ
[0021] Фиг. 1 A - Фиг. IB иллюстрируют пример реализации заявленной системы.
[0022] Фиг. 2 иллюстрирует процесс обучения аналитического модуля. [0023] Фиг. 3 иллюстрирует процесс выполнения заявленного способа.
[0024] Фиг. 4 иллюстрирует пример вычислительного устройства.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
[0025] На Фиг. 1 А изображен общий вид представленной системы (100). Пользователи (110) взаимодействуют с онлайн ресурсом (120) посредством вычислительной сети (130), например, сети Интернет для получения доступа к интересующей их информации, касаемо товаров и/или услуг, представленный на упомянутом ресурсе (120).
[0026] Здесь и далее под термином онлайн ресурс (120) будет пониматься веб-сайт или программное приложение, обеспечивающее продажу товаров в сети Интернет (130). Онлайн ресурс (120) может быть реализован с помощью известных средств веб- программирования, например, HTML, CSS, Java, FLASH, PUP и т.п.
[0001] Информационная сеть (130) может быть организована с помощью различных известных протоколов передачи данных, например, LAN, Ethernet, TCP/IP, WAN, WLAN, MAN, CAN, SAN, PAN, Wi-Fi, Wi-Fi Direct, LPWAN, GSM, GPRS, LTE, 5G, Bluetooth, BLE, спутниковая связь и т.п.
[0027] Пользователи (110) осуществляют взаимодействие с онлайн ресурсом (120) посредством своих вычислительных устройств, которые могут представлять собой, не ограничиваясь: персональный компьютер, смартфон, планшет, ноутбук, игровую приставку, смарт-ТВ, умное носимое устройство (смарт-очки, очки или шлем дополненной реальности или смешанной реальности, очки или шлем виртуальной реальности, смарт- часы и т.п.), умное бытовое устройство и др.
[0028] Обработку данных, получаемых от пользователей ( 110) на онлайн ресурсе ( 120), осуществляет серверная часть (140), содержащая аналитический модуль (150), который обеспечивает анализ действий пользователей (110) и определение потенциальных покупателей (111 , 112, 113), для которых необходимо инициировать интерактивную сессию поддержки с менеджерами по продажам (160) на онлайн ресурсе (120).
[0029] На Фиг. 1В представлен пример обогащения аналитического модуля (150) данными пользователей (ПО), которые содержат в себе информацию об их действиях на онлайн ресурсе (120), а также дополнительные данные, которые могут быть получены из вычислительной сети (130). Такими дополнительными данными могут выступать, например, демографическая информация о пользователях (110), в частности, пол, возраст, местоположение; информация об истории действий и активности пользователей (110) на других онлайн ресурсах по просмотру информации о товарах и/или услугах; информация из социальных сетей профилей пользователей (110) и г.п. Также может учитываться тип устройства, с которого пользователи (ПО) осуществляют взаимодействие с онлайн ресурсом (120). Дополнительная информация пользователей (110) связывается с их уникальным идентификатором (ID) на онлайн ресурсе (120). В качестве ID может использоваться хешированная связка логин/пароля пользователей (ПО), уникальный нюснейм пользователей (110), ID, присваиваемый системой регистрации пользователей (110) на онлайн ресурсе (120) и т.п.
[0030] Привязка Ш пользователей (110) может выполняться с помощью cookie-файлов, в частности, для зарегистрированных на онлайн ресурсе (120) пользователей (ПО) дополнительно связываются действия из других сессий с помощью, например, идентификатора личного кабинета.
[0031] По итогам работы аналитического модуля (150) выполняется определение конкретных пользователей (111, 112, 113), для которых необходимо инициировать интерактивную сессию поддержки с менеджером по продажам (161, 162, 163) для совершения целевого действия - покупки товара и/или услуги.
[0032] На Фиг. 2 представлен процесс обучения аналитического модуля (150). Модуль (150) может являться частью программной логики серверной части (140), либо может быть установлен на связанную с сервером (140) с помощью сети (130) вычислительную машину (например, другой сервер) для обработки необходимой информации. Аналитический модуль (150) может быть реализован с помощью различных подходов машинного обучения или ИИ, например, с помощью алгоритма градиентного бустинга над решающими деревьями, одной или нескольких нейросетей и т.п.
[0033] Процесс (200) обучения аналитического модуля (150) состоит из последовательных этапов. На первом этапе (201 ) выполняется сбор действий пользователей (110) на онлайн ресурсе (120). Такими действиями могут быть, не ограничиваясь: просмотры страниц онлайн ресурса, информация страниц онлайн ресурса, время просмотра частей страниц онлайн ресурса, скроллинг страниц онлайн ресурса, подбор услуг с помощью фильтров онлайн ресурса, подбор услуг с помощью инструментов расчета стоимости онлайн ресурса, первое посещение страницы, клики на различные блоки онлайн ресурса, прокручивание страниц до отображения новых блоков сайта, создание комментариев, совершение заказов и т.п.).
[0034] Полученная информация о действиях пользователей на этапе (201 ) записывается на этапе (202) с привязкой по времени совершения каждого из действий в хранилище данных серверной части (140), например, базу данных. Дополнительно записываются характеристики совершенного действия пользователями (ПО), например, при просмотре страницы выбора отеля или тура (121, 122, 123) на онлайн ресурсе (120) записываются данные о стране, количестве ночей, на которое пользователь (111, 112, 113) хочет приобрести тур или любая иная сопутствующая информация, которая позволяет идентифицировать интересующий товар и/или услугу.
[0035] Далее выполняется формирование обучающей выборки (203) для аналитического модуля (150). По сохраненным на этапе (202) данным строится таблица признаков для предсказания совершения целевого действия каждым пользователем (111, 112, 113), например, совершение заказа. Прецедентом для обучения является совершение пользователем (111, 112, 113) действия (первого посещения страницы, кликов в различные блоки веб-сайта, прокручивание страниц до отображения новых блоков веб-сайта и т.п.). Целевой переменной для обучения является совершение целевого действия в выбранном промежутке времени, например, в течение 3-5 дней после совершения рассматриваемого действия.
[0036] Признаками являются количество совершенных пользователем (111, 112, 113) вышеописанных действий в выбранный список интервалов времени до рассматриваемого момента (1 день, 3 дня, 7 дней, 1 месяц, и т.д.), кроме того добавляются социально- демографическая информация о пользователях (110). На полученных признаках из исторических данных и построенной соответствующей целевой переменной выполняется обучение (204) аналитического модуля (150), например, с помощью градиентного бустинга над решающими деревьями или нейросетевого подхода. На выходе процесса обучения (200) формируется обученная модель прогнозирования совершения целевого действия пользователями (100), которая применяется для идентификации конкретных пользователей (111, 112, 113) готовых приобрести интересующий их товар и/или услугу на онлайн ресурсе (120).
[0037] Процесс обучения аналитического модуля (150) осуществляется циклически при постоянных обновлениях его новыми данными действий пользователей (НО), как это показано на Фиг. 1В. Аналитический модуль (150) может выполняться с функцией самообучения и постоянного обновления прогностической модели обработки данных действий пользователей (110).
[0038] Далее на Фиг. 3 рассмотрим способ (300) применения обученной модели ИИ при ее применении для анализа действий пользователей (110) в реальном времени.
[0039] На этапе (301) выполняется получение данных о действиях пользователей (110) на онлайн ресурсе (120). Этап (301) по своей специфики аналогичен этапу (201). Сбор данных о действиях пользователей (301) может выполняться с помощью известных подходов, например, с помощью аналитической утилиты Clickstream (https://searchcrm.techtarget.com/definition/clickstream-analysisl. позволяющей отслеживать переход и выполнение действий каждого пользователя (111, 112, 113) на онлайн ресурсе
(120).
[0040] Далее на этапе (302) данные о действиях пользователей (110), собранные в реальном времени, агрегируются и сохраняются на сервере (140). Для оценки вероятности совершения целевого действия пользователями (110) в реальном времени для каждого пользователя (111, 112, 113) выполняется сбор признаков (303), в частности, выгружаются данные о действиях каждого пользователя (111, 112, 113) из баз и группируются, считаются данные статистики на основе выгруженных данных с помощью аналитического модуля (150).
[0041] Формирование признаков на этапе (303) осуществляется по аналогии с формированием признаков для обучения аналитического модуля (150), с тем отличием, что за рассматриваемый момент времени берется текущее время и от него отсчитываются выбранные интервалы времени, в которых выполняется подсчет количества действий по выбранным группам.
[0042] Например, пользователь (111) совершает в момент отсчета просмотр двух типов предложений (121, 122) на веб-сайте (120), а также применяет дополнительные сервисы на веб-сайте (120), например, подбор дат для покупки тура или выбор стоимости номеров отеля и т.п. В заданный временной период после повторных действий со стороны пользователя (111) логика аналитического модуля (150) определяет намерение пользователя (111) совершить целевое действие. Для каждого набора признаков по каждому пользователю онлайн-ресурса (120) применяется обученная модель аналитического модуля (150), которая рассчитывает вероятность пользователя (111) совершить целевое действие по приобретению интересуемой его услуги, например, вышеупомянутого тура.
[0043] На основе вероятности совершить целевое действие, например, с помощью отсечения по пороговой величине, на этапе (304) аналитический модуль (150) выявляет, что пользователь (111) готов совершить целевое действие по приобретению услуги и сервер (140) с помощью соответствующей команды, полученной от аналитического модуля (150) инициирует на этапе (305) интерактивную сессию с менеджером по продажам (160).
[0044] Интерактивная сессия может представлять собой чат-сессию, звонок или видеозвонок с помощью IP-телефонии, телефонный звонок, причем чат-сессия реализуется с помощью виджета для ведения чата на онлайн ресурсе, с помощью IM (Instant messenger), или функции чата, встроенной в онлайн ресурс и т.п.
[0045] При выборе конкретного менеджера (161, 162, 163) для поддержки клиента (111), со стороны сервера (140) ему передается история действий, совершенных пользователем (111), для которого выполнено инициирование интерактивной сессии, информация, идентифицирующая пользователя и данные о товаре и/или услуге, которые были зафиксированы в установленный временной промежуток, в который аналитический модуль (150) выявил намерение пользователя (111) совершить покупку.
[0046] Применение такого подхода позволяет повысить продуктивность работы сервиса онлайн торговли, за счет снижения нагрузки на менеджеров (160) по работе с посетителями онлайн ресурса (120) с помощью смещения внимания менеджеров (160) на потенциальных клиентов, а также предоставления им необходимой информации о пользовательской истории просмотра предложений на онлайн ресурсе (120), для оказания точной консультации по пользовательским (110) запросам.
[0047] При работе аналитического модуля (150) на этапе (303) пользователи (110) могут разделяться на группы по степени вероятности совершения целевого действия, например, деление по квантилям. Для каждой группы пользователей (110) может применяться свой тип интерактивной сессии, например, для группы с низкой вероятностью совершения покупки может использоваться чат-бот сессия и т.п.
[0048] Также, для каждой группы пользователей может выполняться подбор типа рекламы для отображения на онлайн ресурсе (120). Для группы пользователей (110) с высокой вероятностью приобретения товара и/или услуги может выполняться показ более дорогой, детализированной или красочной рекламы.
[0049] На Фиг. 4 представлен пример выполнения вычислительного устройства (400), на базе которого может быть выполнено пользовательское устройство (ПО), серверная часть (140) и другие устройства, которые могут участвовать в информационном обмене для реализации заявленного решения. В общем случае, как указывалось выше, устройство (400) может выбираться из широкого перечня электронных устройств, известных из уровня техники. В общем случае устройство (400) содержит один или несколько процессоров (401) или один или несколько микроконтроллеров, ОЗУ (402), средство постоянного хранения данных (403), интерфейсы ввода/вывода (404), устройства ввода/вывода (405), средство сетевого взаимодействия (406).
[0050] Процессор (401) представляет собой основной вычислительный модуль, обеспечивающий логическую обработку алгоритмических команд, необходимых для осуществления устройством (400) необходимых функций.
[0051] ОЗУ (402) представляет собой стандартную оперативную память, предназначенную для хранения исполняемых процессором инструкций, реализующих работу заложенной программной логики. [0052] Средства для постоянного хранения данных (403) могут представлять собой, не ограничиваясь: жесткий диск (HDD), флэш-память (NAND, EEPROM, SD-карты и т.п.), твердотельный накопитель (SSD), оптические накопители данных (CD/DVD/BlueRay диски и т.п.).
[0053] Интерфейсы В/В (404) могут представлять собой, не ограничиваясь: АЦП/ЦАП,
USB (micro-, Туре С, mini- и т.п.), PS/2, PCI, VGA, RS232, RJ45, FireWire, SATA, IDE, COM, LPT, Audio Jack, HDMI, Display Port, Lightning и т.п.
[0054] Средства В/В (405) могут представлять собой, не ограничиваясь: дисплей, сенсорный дисплей, клавиатуру (механическая, сенсорная, проекционная и т.п.), трекбол, джойстик, тач-пад, динамики, микрофон, проектор, световой индикатор, зуммер, биометрический сенсор (сканер отпечатка пальца, сетчатки глаза, радужной оболочки, голоса, ладони, рисунка вен и т.п.), камера, оптический сенсор, акселерометр, гироскоп, датчик освещенности, датчик приближения, грависенсор и т.п.
[0055] Средство сетевого взаимодействия (406) может представлять собой, не ограничиваясь: Bluetoo th-модуль, BLE модуль, NFC, Ethernet карта, модем, роутер, IrDa, GSM - модем, GPRS-модем, LTE-модем, 5С-модем, WLAN, Wi-Fi модуль, спутниковый модем, ГНСС - приемник и т.п.
[0056] Приведенные примеры применения заявленного технического решения не ограничиваются определенным спектром той или иной сферы хозяйственной деятельности, поскольку данное решение может применяться для реализации различных товаров и/или услуг, например, в сфере туризма, розничной или оптовой торговли, медиа бизнеса, фармацевтики, консалтинговых услугах и т.п.
[0057] Представленные описание заявленного решения раскрывает лишь предпочтительные примеры его реализации и не должно трактоваться как ограничивающее иные, частные примеры его осуществления, не выходящие за рамки объема правовой охраны, которые являются очевидными для специалиста соответствующей области техники.

Claims

Формула
1. Компьютерно-реализуемый способ интерактивного взаимодействия с
пользователем для поддержки в подборе услуг, содержащий этапы, на которых
выполняют:
- идентификацию пользователя на онлайн ресурсе подбора услуг;
- сбор действий пользователя на по меньшей мере упомянутом онлайн ресурсе подборе услуг, причем действия включают в себя по меньшей мере историю просмотра услуг на упомянутом онлайн ресурсе;
- анализ собранных данных о действиях пользователя с помощью аналитического модуля, в ходе которого рассчитывают показатель намерения пользователя совершить целевое действие по приобретению услуги, информация о которой содержалась в полученных данных;
- активируют интерактивную сессию связи с менеджером по продажам на онлайн ресурсе на основании определенного упомянутого показателя намерения пользователя совершить целевое действие.
2. Способ по п.1 , характеризующийся тем, что аналитический модуль представляет собой модуль на базе машинного обучения.
3. Способ по п.2, характеризующийся тем, что аналитический модуль построен на базе одной или нескольких нейросетей, или обучен на основе алгоритма градиентного бустинга над решающими деревьями.
4. Способ по п.2, характеризующийся тем, что аналитический модуль обучен на основании выборки действий пользователей на онлайн ресурсах и социально- демографической информации пользователей.
5. Способ по п.4, характеризующийся тем, что обучающей функцией является совершение действий по осуществлению целевого действия пользователями по
приобретению услуги.
6. Способ по п.1, характеризующийся тем, что сбор данных о действиях пользователя осуществляется в заданный временной промежуток, или в по меньшей мере два
временных промежутка.
7. Способ по п.6, характеризующийся тем, что анализируются повторяемые действия, соответствующие схожим услугам.
8. Способ по п.1 , характеризующийся тем, что пользовательскими действиями являются: просмотры страниц онлайн ресурса, информация страниц онлайн ресурса, время просмотра частей страниц онлайн ресурса, скроллинг страниц онлайн ресурса, подбор услуг с помощью фильтров онлайн ресурса, подбор услуг с помощью инструментов расчета стоимости онлайн ресурса или их сочетания.
9. Способ по п.1, характеризующийся тем, что сессия с менеджером представляет собой: чат-сессию, звонок или видеозвонок с помощью IP-телефонии, телефонный звонок.
10. Способ по п.9, характеризующийся тем, что чат-сессия реализуется с помощью виджета для ведения чата на онлайн ресурсе, с помощью IM (Instant messenger), или функции чата, встроенной в онлайн ресурс.
11. Способ по п.1 , характеризующийся тем, что онлайн ресурс представляет собой веб- сайт, программное приложение или мобильное приложение.
12. Способ по п.1 , характеризующийся тем, что при активации сессии с менеджером ему передается агрегированная информация о просмотре услуг пользователем, для которого аналитическим модулем был рассчитан показатель совершить целевое действие.
13. Система интерактивного взаимодействия с пользователем для поддержки в подборе услуг, содержащая
по меньшей мере один процессор
по меньшей мере одну память, содержащую исполняемые процессором машиночитаемые инструкции, которые реализуют способ по любому из п.п. 1-12.
14. Система по п.13, характеризующаяся тем, что аналитический модуль выполнен с функцией самообучения.
PCT/RU2018/000761 2018-11-20 2018-11-20 Способ и система интерактивного взаимодействия с пользователем для поддержки в подборе услуг WO2020106171A1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/RU2018/000761 WO2020106171A1 (ru) 2018-11-20 2018-11-20 Способ и система интерактивного взаимодействия с пользователем для поддержки в подборе услуг

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/RU2018/000761 WO2020106171A1 (ru) 2018-11-20 2018-11-20 Способ и система интерактивного взаимодействия с пользователем для поддержки в подборе услуг

Publications (1)

Publication Number Publication Date
WO2020106171A1 true WO2020106171A1 (ru) 2020-05-28

Family

ID=70774699

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2018/000761 WO2020106171A1 (ru) 2018-11-20 2018-11-20 Способ и система интерактивного взаимодействия с пользователем для поддержки в подборе услуг

Country Status (1)

Country Link
WO (1) WO2020106171A1 (ru)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002044864A2 (en) * 2000-10-26 2002-06-06 Proficient Systems, Inc. Systems and methods to facilitate selling of products and services
RU2266561C2 (ru) * 2001-01-12 2005-12-20 Вм. Ригли Дж. Компани Устройство и способ обеспечения пунктов покупки продуктов
US20120290446A1 (en) * 2011-05-13 2012-11-15 Aron England Social Marketplace Digital Worth Score
US20160239867A1 (en) * 2015-02-16 2016-08-18 Adobe Systems Incorporated Online Shopping Cart Analysis
US20170140456A1 (en) * 2015-11-16 2017-05-18 Ebay Inc. On-line session trace system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002044864A2 (en) * 2000-10-26 2002-06-06 Proficient Systems, Inc. Systems and methods to facilitate selling of products and services
RU2266561C2 (ru) * 2001-01-12 2005-12-20 Вм. Ригли Дж. Компани Устройство и способ обеспечения пунктов покупки продуктов
US20120290446A1 (en) * 2011-05-13 2012-11-15 Aron England Social Marketplace Digital Worth Score
US20160239867A1 (en) * 2015-02-16 2016-08-18 Adobe Systems Incorporated Online Shopping Cart Analysis
US20170140456A1 (en) * 2015-11-16 2017-05-18 Ebay Inc. On-line session trace system

Similar Documents

Publication Publication Date Title
US11308551B1 (en) Credit data analysis
CN109697629B (zh) 产品数据推送方法及装置、存储介质、计算机设备
AU2016346497B2 (en) Method and system for performing a probabilistic topic analysis of search queries for a customer support system
AU2014203428B2 (en) System and method for facilitating an interactive engagement of a user with an online application
US20110313820A1 (en) Using virtual currency to compensate workers in a crowdsourced task
US10290040B1 (en) Discovering cross-category latent features
WO2011159434A2 (en) Distributing a task to multiple workers over a network for completion while providing quality control
CN111079006B (zh) 一种消息推送方法、装置、电子设备及介质
US10902365B2 (en) Identifying recurring series from transactional data
US10097552B2 (en) Network of trusted users
US9600788B2 (en) Crowdsourcing directory system
CA2939983C (en) Conducting artistic competitions in a social network system
US20170178144A1 (en) Synchronized communication platform
US20140067472A1 (en) System and Method For Segmenting A Customer Base
US20140358754A1 (en) Mobile Giving
CN110162359A (zh) 新手引导信息的推送方法、装置及系统
US20150006241A1 (en) Analyzing participants of a social network
CN112862525A (zh) 门店选址数据确定方法、系统及电子设备
CN103440307A (zh) 媒体信息提供方法及装置
CN110502639B (zh) 基于问题贡献度的信息推荐方法、装置、及计算机设备
US20140108398A1 (en) Method and System for Recording Responses in a CRM System
JP6031165B1 (ja) 有望顧客予測装置、有望顧客予測方法及び有望顧客予測プログラム
JP2021518625A (ja) 顧客関与を定量化するためのシステムおよび方法
WO2020106171A1 (ru) Способ и система интерактивного взаимодействия с пользователем для поддержки в подборе услуг
US20220122448A1 (en) Multi-Computer Processing System for Compliance Monitoring and Control

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: 18941025

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 24/08/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18941025

Country of ref document: EP

Kind code of ref document: A1