TW201822101A - 個人化商品推薦方法 - Google Patents

Abstract

本發明有關於一種個人化商品推薦方法，其步驟主要包含在一銷售場域中佈建複數定位感測器，以各該定位感測器劃分該銷售場域的各區域建立空間索引值，再透過消費者攜行的一推薦模組在該銷售場域內回傳資訊，其可回傳推薦模組與感測器間之訊號強弱資料或上網查詢商品資料等，再透過一推薦伺服器蒐集與運算出消費者的動線、停留時間、與商品分類的距離等資訊，並賦予消費者符合的行為標籤，進而在該銷售場域內即時地推薦消費者周圍且符合其行為標籤的商品或商品分類給消費者，係為一種將消費者的潛在購買意向作為考慮因素的推薦方法。

Description

個人化商品推薦方法

本發明有關於一種數位化的商品推薦方法，特別是一種蒐集消費者潛在購買意向的個人化商品推薦方法。

在電子商務興起的現代，隨著網頁廣告訂購與網路購物商城等虛擬商店的盛行，消費者至實體店面消費的意願亦受影響逐漸降低，其中，有一大原因是因為實體店面的運行模式相較於虛擬商店的自動統計分析等機制，較難以實際瞭解客戶以及其感興趣商品的輪廓，故難以提供消費者至實體店內瀏覽商品的誘因，或進而針對個別消費者購買率較高的商品規劃推銷策略。

以往實體商店中的商品推薦方法，多為僅透過消費者實際購買的銷售終端機紀錄，再透過關聯式規則或協同式過濾演算法，來初步計算出推薦成果，然而，此種先前技術僅考慮到了實際銷售量，並未考慮到消費者反覆流連、在購買前的猶豫或是上網搜尋商品相關資訊等可能顯示對商品感興趣的行為，這些行為能夠有效地顯示消費者的潛在購買意向，卻鮮少被用於分析，可能導致部分冷門但特定消費者可能購買的商品或商品分類被推薦的機會。

鑒於上述先前技術的缺失，本發明的發明人思考 並研究出一種可以根據消費者潛在購買意向之推薦方法，透過現代社會個人行動裝置的普及為助力，可以自實體店面內或周邊區域蒐集消費者行為，並轉化為瞭解消費者可能感興趣的資料來進行推薦，實為一種針對個人的有效推薦方法。

本發明提出一種個人化商品推薦方法，係為一種考慮消費者的潛在購買意向對消費者進行標籤以及推薦商品方法，即為補足了先前技術未著眼之部分。

本發明的個人化商品推薦方法，係應用於一銷售場域，例如百貨公司或銷售商圈等，在該銷售場域內佈建複數個定位感測器，各該定位感測器可以為WiFi或Beacon裝置等等，用以提供客戶於該銷售場域內上網瀏覽資訊，且各該定位感測器可以做為該銷售場域內的定位基準或被賦予座標；本發明之方法將根據各該定位感測器的位置來劃分該銷售場域為各區域，並為該銷售場域的各區域建立空間索引值，而在該銷售場域內的各區域內陳列有欲銷售的商品，大致上來說，依照該銷售場域的規劃，各區域的空間索引值可以對應有至少一種商品分類。

接著，由於個人行動設備已經相當普及，本發明之方法的消費者端係透過消費者在其攜行的行動裝置上安裝一推薦模組以佈建，消費者將攜行安裝有該推薦模組的行動裝置在該銷售場域內移動、停留或上網查詢資訊，該推薦模組主要回傳該推薦模組自身在該銷售場域中的各處接收各該定位感測器發出的感測訊號之強度變化資料，並傳輸至本發明的一推薦伺服器，並於該推薦伺服器運算攜帶該推薦模組 的消費者於該銷售場域內的停留位置、時間與移動路線，並據其產生關於消費者在該銷售場域內的一第一場域內行為屬性資料；其中，本發明的各該定位感測器可以透過三角定位、基於訊號RSSI強度之室內定位、四叉樹(Quadtree)或R樹(R-Tree)等技術來定位該推薦模組於該銷售場域中的位置。

另外，在本發明之方法中，由於各該定位感測器中有若干者可以提供網路連線功能，當消費者所攜行之安裝該推薦模組的行動裝置與據網路功能的各該定位感測器進行網路連線時，各該定位感測器更可據此獲取消費者經行動裝置查詢或瀏覽網頁之行為，並傳輸至該推薦伺服器，以產生關於消費者的一第二場域內行為屬性資料，此步驟主要是欲透過該推薦模組蒐集消費者透過上網查詢或瀏覽關於商品基本資訊、其他購買通路、競爭價格等等，來瞭解消費者對於該銷售場域內之商品是否可能有興趣或有上網比價行為等。

再來，該推薦伺服器即會根據該第一場域內行為屬性資料獲取該推薦模組與該銷售場域內陳列商品的相對位置及空間索引值的變化，換算為消費者對該銷售場域內各區域陳列商品的可能購買率，該推薦伺服器主要係根據該第一場域內行為屬性資料中包含的該推薦模組沿時間線接收各該定位感測器的感測訊號強度，並且連續考慮在時間線上某點在固定訊號強度之狀況下可接收的距離範圍分布，以綜合計算出消費者與商品的距離，才能進一步定義消費者對於各商品以及商品種類的可能購買率，其中，在感測訊號越強且訊號強度下之距離越近時，定義消費者的可能購買率之值越高。

另外，該推薦伺服器更透過一字串相似度演算法 運算該第二場域內行為屬性資料，以篩選比對出消費者經行動裝置查詢或瀏覽網頁中所包含的商品資訊，例如，透過比對各消費者瀏覽時間長度較長的網頁中包含的商品資訊或關於商品的週邊資訊，以瞭解消費者是否對某些商品感興趣或是進行網路比價；其中，本發明的該字串相似度演算法可運用Levenshtein Distance演算法、N-gram演算法、JaroWinkler演算法、Soundex演算法、Morris-Pratt演算法、Knuth-Morris-Pratt演算法、Aho-Corasick演算法、Baker-Bird演算法、Gusfield's演算法、Boyer-Moore演算法或Wu-Manber演算法等技術來實作。

接著，該推薦伺服器將根據該第一場域內行為屬性資料獲取的可能購買率，以及加入該第二場域內行為屬性資料的網頁商品比對結果對可能購買率產生的影響，以彙整為一消費者購買機率資料；另外，該推薦伺服器更與該銷售場域內各區域的銷售終端機連線，以獲取攜行該推薦模組的消費者於該銷售場域內各區域實際購買商品之資料，並彙整以調整該消費者購買機率資料，如此，該消費者購買機率資料即涵蓋了消費者的潛在購買意向以及實際購買行為。

隨後，該推薦伺服器引入一外部定義資料，該外部定義資料主要係關於該銷售場域銷售策略或銷售時間因素等等，例如該銷售場域的樓層分布、品牌名稱、品牌價值、促銷檔期、季節性、銷售時間或政府公布之例假日排程等資料，該推薦伺服器根據該外部定義資料或伺服器管理者主動調配的因素來對該消費者行為屬性資料中的資訊進行篩選，進而賦予攜行該推薦模組的消費者一行為標籤，並在反覆實施前述的蒐集及標籤步驟後，可以將該銷售場域內的消費者 根據其各自的該行為標籤分為複數個群組，而對應每個群組，該推薦伺服器會為其建立與該行為標籤有相應消費傾向的一商品分類輪廓，例如，在該銷售場域內折扣率高的商品週圍佇足的消費者，或上網查詢並對折扣率高的商品進行比價的消費者，都可能被賦予折扣族的行為標籤並被該推薦伺服器分入折扣族的群組，或更可以根據折扣率的不同等級，再細分為若干群組等等。

其中，該推薦伺服器將消費者根據該行為標籤分入同類型的該群組的分群方法可運用DBSCAN(Density-based Spatial Clustering of Applications with Noise)、OPTICS(Ordering Points To Identify the Clustering Structure)、K-Means、Hierarchical Agglomerative Clustering、Hierarchical Divisive Clustering、STING(Statistical Information Grid)、CLIQUE(Clustering High-Dimensional Space)、Wave-Cluster、COBWEB、CLASSIT或SOM(Self-Organizing Maps)等技術實作。

最後，本發明的該推薦伺服器將根據一推薦演算法產生一推薦清單，並動態地獲取該推薦模組目前位於該銷售場域中何區域之空間索引值，再將該推薦清單位於該推薦模組週圍的商品資訊即時傳輸給各消費者的該推薦模組，以將符合消費者行為標籤的商品資訊推薦給消費者；其中，該推薦演算法係運用關聯式規則演算法的Apriori、FP-growth、Eclat等，或時序性關聯演算法的AprioriSome、DynamicSome、FreeSpan、PrefixSpan、SPADE、SPIRIT、CloSpan等，或協同式過濾演算法的User-based、Item-based、Model-based、Content-Based Collaborative Filtering等，或巨量資料分析的 Spark等技術來實作。

如此，經過本發明的個人化商品推薦方法所推薦的商品資訊，可以綜合考慮消費者的各種實質或潛在購買意向，將較先前技術的推薦方法更為符合消費者的期待。

S100~S400‧‧‧步驟流程

S100~S104‧‧‧步驟流程

S201~S205‧‧‧步驟流程

S301~S303‧‧‧步驟流程

S401~S404‧‧‧步驟流程

圖1為本發明的個人化商品推薦方法之主步驟流程圖。

圖2為本發明的個人化商品推薦方法之第一子步驟流程圖。

圖3為本發明的個人化商品推薦方法之第二子步驟流程圖。

圖4為本發明的個人化商品推薦方法之第三子步驟流程圖。

圖5為本發明的個人化商品推薦方法之第四子步驟流程圖。

以下將舉一實施例結合圖式對本發明進行進一步說明，本實施例之背景為一公司欲於旗下的一百貨公司內利用本發明之個人化商品推薦方法，以對進入百貨公司的使用者進行商品推薦。

請參照圖1，其係為本發明的個人化商品推薦方法之主步驟流程圖，依序為步驟S100的佈建定位感測器以獲取消費者行為資料，接著為步驟S200的透過外部統計篩選賦予消費者標籤和分群，再來為步驟S300的以推薦演算法產生 推薦清單，最後是步驟S400的進行動態推薦；其中，各主步驟的細部子步驟流程，將在以下段落中分述說明。

再請參閱圖2，其係為本發明的個人化商品推薦方法之第一子步驟流程圖，用以解釋圖1中步驟S100所屬之子步驟流程圖，其中，步驟S100包含了四個子步驟，分別為S101~S104，其中的子步驟S101係為建立空間索引，首先，為了獲取消費者行為資料，需要先行在該百貨公司內的各樓層選擇性地佈建複數定位感測器，才能以各該定位感測器為準建立百貨公司內各位置的座標，其係透過一推薦伺服器將定位感測器的座標資料與目前該百貨公司中各區域的商品位置和商品分類作關聯運算，以歸納出分布於同一個商品分類區域內的是哪些定位感測器，再將各該定位感測器的平面座標群聚起來，並計算各該定位感測器群聚之範圍之左下角、右上角與中心座標等位置，以規劃出一矩形的地域範圍，該推薦伺服器並以這些相異商品分類的所屬地域範圍來建立空間索引，即百貨公司內每個地域範圍對應有一個空間索引值，如此，亦表示了地域範圍內的每個感測器皆有一個空間索引值，將這些定位感測器代號、商品分類資訊以及空間索引值建立出地域索引對應表，地域索引對應表的範例可如下表所示。

接著，係進行子步驟S102蒐集消費者的第一場域內行為屬性資料並分析，其中，消費者於其擁有的行動裝 置上安裝關於本百貨公司的一推薦模組，當該推薦模組由使用者攜行在百貨公司內移動或停留時，該推薦模組將接收到目前地域範圍內各該定位感測器所發出之感測訊號資料傳輸至該推薦伺服器，該推薦伺服器進一步以三角定位技術或基於訊號RSSI強弱之室內定位技術等技術來定位消費者在單位時間上距離最近的數個定位感測器，再以感測器代號與地域索引對應表進行關聯後，該推薦伺服器即可得知消費者的該推薦模組是出現在哪些商品類別的地域範圍內或周邊，即為取得消費者的第一場域內行為屬性資料；該第一場域內行為屬性資料並可進一步依據訊號強度、距離或停留時間等等資訊作分佈運算後，歸納為消費者有機會購買此商品類別的可能購買率，其中，可能購買率的參考範可如下表所示。

再來，子步驟S103係蒐集消費者的第二場域內行為屬性資料並分析，即為以蒐集消費者的第一場域內行為屬性資料的單位時間做基準，在同一單位時間內蒐集消費者使用行動裝置透過提供上網功能的定位感測器連接網路瀏覽網頁之資料，即為第二場域內行為屬性資料，而將第二場域內行為屬性資料經過彙整分析後，即可得知消費者在該地域範圍內瀏覽的網頁內容是否有包含網路上的商品網頁或競業網頁，並將網頁內容與百貨公司內陳列的商品分類或商品本身資訊作關聯度運算，即可根據關聯度高低，調整消費者的可能購買率。

接著，係為子步驟S104，即為持續獲取消費者的第一場域內行為屬性資料以及第二場域內行為屬性資料進行分析，彙整消費者在各地域範圍內對各商品分類的可能購買率，以產生一消費者購買機率資料。

接續子步驟S104之後的，係為本發明步驟S200的外部統計篩選，關於其所屬之子步驟流程圖，請參照圖3，其中，步驟S200包含了五個子步驟；首先，係為子步驟S201將消費者的該購買機率資料，藉由引入外部定義資料來進行統計分析，舉例來說，將本實施例中的百貨公司目前行銷策略中是否有某些分類的商品有折扣優惠，或是折扣優惠的程度的外部資料等等引入該推薦伺服器，以進行統計分析來產生消費者數量分佈資料。

再來，進入子步驟S202動態繪製消費者數量分佈圖，推薦伺服器將持續的蒐集來自百貨公司內的所有推薦模組代表的消費者行為，並動態地持續分析統計；而百貨公司的決策者可依據消費者數量分佈的資訊，執行子步驟S203設定篩選條件值；接著，進行子步驟S204客群分群，推薦伺服器將會依照篩選條件值自消費者中篩選出相符的客群，並為此一客群設定行為標籤；最後，進行子步驟S205建立商品分類輪廓，即為該推薦伺服器為相同行為標籤的客群彙整並建立其感興趣的商品分類輪廓，例如，在本實施例中，如引進的外部定義資料中，確實有某些活動商品分類具有折扣優惠等，即可分析出某些喜好於商品折扣時佇足或購買的消費者，推薦伺服器將為這些消費者建立一個折扣族的行為標籤，並彙整這些折扣族消費者的消費者購買機率資料，為其建立折扣族可能感興趣商品的分類輪廓對應表，舉例來說，折扣 族感興趣分類的輪廓之一可能係為折扣率50%的商品。

再請參閱圖4，其係為本發明的個人化商品推薦方法之第三子步驟流程圖，用以解釋本發明步驟S300的推薦演算法，其包含有三個子步驟；首先，於子步驟S301取得實際銷售資料，其為推薦伺服器取得百貨公司內銷售終端機的實際商品銷售資料，並將銷售出的商品分類及其位於百貨公司內的位置進行關聯運算，舉例來說，可將消費者對於其實際購買商品分類的可能購買率設定為1；接著，進行子步驟S302調整消費者購買率，係為推薦伺服器將上述子步驟S104產生的消費者購買機率資料，與子步驟S301的結果聯集運算，以調整消費者購買機率資料；接著於子步驟S303使用推薦演算法進行運算，最後產生一推薦清單。

最後請參閱圖5，其係為本發明的個人化商品推薦方法之第四子步驟流程圖，用以解釋本發明步驟S400的動態推薦，其亦包含有三個子步驟；首先為子步驟S401追蹤消費者，其中，當消費者的推薦模組將在百貨公司內持續接收到若干個定位感測器的感測訊號，即可用以定位消費者當下位置，並傳回其所在區域的空間索引值至推薦伺服器；接著，子步驟S402係為行為標籤查詢，推薦伺服器根據該推薦模組持續產生的消費者行為或推薦模組的身分代碼等資訊查詢到消費者係屬於折扣族；再來，子步驟S403係為配對消費者周邊商品，其中，推薦伺服器根據推薦模組傳回的空間索引值，找出其所對應的商品分類資訊，並確認是否符合子步驟S303後產生的推薦清單；最後，係為步驟S404推薦給消費者，其係依照消費者的折扣族行為標籤，篩選其所在位置附近的推薦清單商品分類，以即時地推薦給消費者。

經上述實施例與圖式對本發明進行說明後，應能使閱者更理解本發明之個人化商品推薦方法係如何實施的，然而，亦應當瞭解，上述說明係用於解釋而非用於限定本發明之保護範圍的。

綜上所述，本發明於技術思想上實屬創新，也具備先前技術不及的多種功效，已充分符合新穎性及進步性之法定發明專利要件，爰依法提出專利申請，懇請 貴局核准本件發明專利申請案以勵發明，至感德便。

Claims (8)

1. 一種個人化商品推薦方法，其步驟包含：於一銷售場域佈置複數定位感測器，以各該定位感測器為群聚來劃分該銷售場域，以在一推薦伺服器中為該銷售場域的各區域以及區域中陳列之商品建立空間索引值；透過消費者攜行的一推薦模組在該銷售場域內回饋資訊，該推薦模組回傳該推薦模組自身接收各該定位感測器發出的感測訊號之強度變化資料，並傳輸至該推薦伺服器，該推薦伺服器運算該推薦模組於該銷售場域內的停留位置、時間與移動路線，來產生關於消費者的一第一場域內行為屬性資料；透過各該定位感測器中提供消費者行動裝置連接網路，以藉此獲取消費者經行動裝置查詢或瀏覽網頁之行為，並傳輸至該推薦伺服器，來產生關於消費者的一第二場域內行為屬性資料；該推薦伺服器根據該第一場域內行為屬性資料獲取該推薦模組與該銷售場域內陳列商品的相對位置及空間索引值的變化，換算為消費者對該銷售場域內各區域陳列商品的可能購買率，該推薦伺服器更透過一字串相似度演算法運算該第二場域內行為屬性資料，以比對出消費者經行動裝置查詢或瀏覽網頁中所包含的商品，進而調整消費者的可能購買率，再彙整為一消費者購買機率資料；該推薦伺服器引入關於該銷售場域銷售策略或銷售時間因素的一外部定義資料，以對該消費者購買機率資料中的資訊進行統計篩選，並賦予攜行該推薦模組的消費者一行 為標籤，再將消費者根據該行為標籤分入同類型的一群組並對應該群組建立與該行為標籤相應消費傾向的一商品分類輪廓；該推薦伺服器根據一推薦演算法運算該消費者購買機率資料以產生一推薦清單；以及該推薦伺服器動態地根據該推薦模組目前位於該銷售場域內區域之空間索引值，傳輸該推薦清單中符合該商品分類輪廓商品且位於該推薦模組周圍的商品資訊至該推薦模組，以即時推薦給消費者。
2. 如申請專利範圍第1項所述之個人化商品推薦方法，其中，該推薦伺服器更與該銷售場域內各區域的銷售終端機連線，以獲取攜行該推薦模組的消費者於該銷售場域內各區域實際購買商品之資料，以調整該消費者購買機率資料。
3. 如申請專利範圍第1項所述之個人化商品推薦方法，其中，該推薦伺服器係根據該第一場域內行為屬性資料中包含的該推薦模組接收各該定位感測器的感測訊號強度，並考慮在此訊號強度下可接收的距離範圍分布，來計算出消費者與商品的距離，進而定義消費者對商品的可能購買率，其中，感測訊號越強且在訊號強度下距離越近時，定義的可能購買率值越高。
4. 如申請專利範圍第1項所述之個人化商品推薦方法，其中，該外部定義資料係包含該銷售場域的樓層分布、品牌名稱、品牌價值、促銷檔期、季節性、銷售時間或例假日排程等資料。
5. 如申請專利範圍第1項所述之個人化商品推薦方法，其中，各該定位感測器係透過三角定位、基於訊號RSSI強度之 室內定位、四叉樹(Quadtree)或R樹(R-Tree)等技術判斷該推薦模組於該銷售場域內之位置。
6. 如申請專利範圍第1項所述之個人化商品推薦方法，其中，該字串相似度演算法係運用Levenshtein Distance演算法、N-gram演算法、JaroWinkler演算法、Soundex演算法、Morris-Pratt演算法、Knuth-Morris-Pratt演算法、Aho-Corasick演算法、Baker-Bird演算法、Gusfield's演算法、Boyer-Moore演算法或Wu-Manber演算法等。
7. 如申請專利範圍第1項所述之個人化商品推薦方法，其中，該推薦伺服器將消費者根據該行為標籤分入同類型的該群組的分群方法係運用DBSCAN(Density-based Spatial Clustering of Applications with Noise)、OPTICS(Ordering Points To Identify the Clustering Structure)、K-Means、Hierarchical Agglomerative Clustering、Hierarchical Divisive Clustering、STING(Statistical Information Grid)、CLIQUE(Clustering High-Dimensional Space)、Wave-Cluster、COBWEB、CLASSIT或SOM(Self-Organizing Maps)等。
8. 如申請專利範圍第1項所述之個人化商品推薦方法，其中，該推薦伺服器所採用的該推薦演算法係運用關聯式規則演算法的Apriori、FP-growth、Eclat等，或時序性關聯演算法的AprioriSome、DynamicSome、FreeSpan、PrefixSpan、SPADE、SPIRIT、CloSpan等，或協同式過濾演算法的User-based、Item-based、Model-based、Content-Based Collaborative Filtering等，或巨量資料分析的Spark等技術。