TW202139098A - 消費預測系統及消費預測方法 - Google Patents
消費預測系統及消費預測方法 Download PDFInfo
- Publication number
- TW202139098A TW202139098A TW109110919A TW109110919A TW202139098A TW 202139098 A TW202139098 A TW 202139098A TW 109110919 A TW109110919 A TW 109110919A TW 109110919 A TW109110919 A TW 109110919A TW 202139098 A TW202139098 A TW 202139098A
- Authority
- TW
- Taiwan
- Prior art keywords
- turnover
- consumption
- visitors
- weight
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 15
- 238000012549 training Methods 0.000 claims abstract description 60
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000007306 turnover Effects 0.000 claims description 79
- 238000012937 correction Methods 0.000 claims description 66
- 238000013277 forecasting method Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 4
- 238000013480 data collection Methods 0.000 description 20
- 235000012054 meals Nutrition 0.000 description 15
- 230000002354 daily effect Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 235000016213 coffee Nutrition 0.000 description 3
- 235000013353 coffee beverage Nutrition 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 235000015277 pork Nutrition 0.000 description 3
- 235000015278 beef Nutrition 0.000 description 2
- 235000021170 buffet Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000009561 snack bars Nutrition 0.000 description 1
- 235000003563 vegetarian diet Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種消費預測系統,包含一儲存裝置以及一處理器。儲存裝置用以儲存一歷史環境資料及一歷史消費紀錄。處理器用以計算一個人偏好相關係數,並將歷史環境資料、歷史消費紀錄及個人偏好相關係數輸入一第一類神經網路模型,第一類神經網路模型用以產生一訓練模型,當訓練模型的一準確率高於一訓練門檻值時,將訓練模型視為一預測模型,將一預測環境資料輸入預測模型,預測模型依據預測環境資料輸出一預測結果。
Description
本發明是關於一種預測系統,特別是關於一種消費預測系統及消費預測方法。
一般而言,銷售報表分析都只能呈現過去消費的記錄,因為來店人數與每日消費偏好是很難精準預測的,現行的來店人數預估,可能是利用傳統的數學分析或是經驗法則,此些方法的預測準確率都偏低,導致店家在每日備料上,無法精準的掌握,容易物料準備不足,或準備過量而造成物料的浪費。此外,即使取得多種歷史資料,若應用人力進行統計或使用傳統的數學分析,需要大量的計算,也難以快速地提供預測資料。
因此,如何有效率的考量多種影響消費因素,以快速且準確地預測來店人數與產品銷售量,已成為本領域需解決的問題之一。
為了解決上述的問題,本揭露內容之一態樣提供了一種消費預測系統,包含一儲存裝置以及一處理器。儲存裝置用以儲存一歷史環境資料及一歷史消費紀錄。處理器用以計算一個人偏好相關係數,並將歷史環境資料、歷史消費紀錄及個人偏好相關係數輸入一第一類神經網路模型,第一類神經網路模型用以產生一訓練模型,當訓練模型的一準確率高於一訓練門檻值時,將訓練模型視為一預測模型,將一預測環境資料輸入預測模型,預測模型依據預測環境資料輸出一預測結果,並擷取出預測結果中的一預測來客數及一預測營業額,將預測來客數與一實際來客數比對,以產生一來客數修正權重,並將預測營業額與一實際營業額比對,以產生一營業額修正權重,判斷來客數修正權重是否高於一來客數權重門檻值或是營業額修正權重是否高於一營業額權重門檻值,當來客數修正權重高於來客數權重門檻值或是營業額修正權重高於營業額權重門檻值,則依據來客數修正權重與營業額修正權重調整訓練模型,以更新訓練模型。
為了解決上述的問題,本揭露內容之另一態樣提供了一種消費預測方法,包含以下步驟:計算一個人偏好相關係數;將一歷史環境資料、一歷史消費紀錄及個人偏好相關係數輸入一第一類神經網路模型,第一類神經網路模型用以產生一訓練模型;判斷訓練模型的一準確率是否高於一訓練門檻值,當訓練模型的準確率高於訓練門檻值時,將訓練模型視為一預測模型;將一預測環境資料輸入預測模型,預測模型依據一預測環境資料輸出一預測結果;擷取出預測結果中的一預測來客數及一預測營業額,將預測來客數與一實際來客數比對,以產生一來客數修正權重,並將預測營業額與一實際營業額比對,以產生一營業額修正權重;以及判斷來客數修正權重是否高於一來客數權重門檻值或是營業額修正權重是否高於一營業額權重門檻值;當來客數修正權重高於來客數權重門檻值或是營業額修正權重高於營業額權重門檻值,則依據來客數修正權重與營業額修正權重調整訓練模型,以更新訓練模型。
由上述可知,在人工智能時代,資料量巨大且繁雜,若要能準確且有效率的預測資料,則要考慮的因素及資料量龐雜,因此,資料收集不能再依懶人工的維護。本發明所示之消費預測系統及消費預測方法透過類神經網路模型分析大量且繁雜的資料,進而生成預測模型,並可以透過預測模型輸出未來一段時間內的預測來客人數及預測營業額,亦可以比對預測來客人數與實際來客數,以得到來客數修正權重,比對預測營業額與實際營業額比對,以得到營業額修正權重,透過來客數修正權重及營業額修正權重可以調整預測模型,使預測模型更加準確。
以下說明係為完成發明的較佳實現方式,其目的在於描述本發明的基本精神,但並不用以限定本發明。實際的發明內容必須參考之後的權利要求範圍。
必須了解的是,使用於本說明書中的”包含”、”包括”等詞,係用以表示存在特定的技術特徵、數值、方法步驟、作業處理、元件以及/或組件,但並不排除可加上更多的技術特徵、數值、方法步驟、作業處理、元件、組件,或以上的任意組合。
於權利要求中使用如”第一”、"第二"、"第三"等詞係用來修飾權利要求中的元件,並非用來表示之間具有優先權順序,先行關係,或者是一個元件先於另一個元件,或者是執行方法步驟時的時間先後順序,僅用來區別具有相同名字的元件。
請參照第1A、1B及2圖,第1A圖係依照本發明一實施例繪示一種消費預測系統100之方塊圖。第1B圖係根據本發明之一實施例繪示一種消費預測系統150之方塊圖。第2圖係根據本發明之一實施例繪示一種消費預測方法200之流程圖。
如第1A圖所示,消費預測系統100適用於一電子裝置上,電子裝置例如為電腦、手機、平板或其它具有運算功能的裝置。消費預測系統100包含一儲存裝置10及一處理器20。於一實施例中,儲存裝置10可被實作為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之儲存媒體。於一實施例中,處理器20可由體積電路如微控制單元(micro controller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit,ASIC)或一邏輯電路來實施。
如第1B圖所示,消費預測系統150適用於一電子裝置上,電子裝置例如為電腦、手機、平板或其它具有運算功能的裝置。消費預測系統150包含一儲存裝置10、一環境資料收集模組12、一消費紀錄模組14、一消費群組分類模組16及一模型訓練模組18。於一實施例中,環境資料收集模組12、消費紀錄模組14、消費群組分類模組16及模型訓練模組18各自以硬體電路實現,各自耦接於處理器20。於一實施例中,環境資料收集模組12、消費紀錄模組14、消費群組分類模組16及模型訓練模組18位於於處理器20。於一實施例中,環境資料收集模組12、消費紀錄模組14、消費群組分類模組16及模型訓練模組18可以各自以軟體實現,由處理器20執行之。於一實施例中,環境資料收集模組12、消費紀錄模組14、消費群組分類模組16及模型訓練模組18可一併或分別由體積電路如微控制單元(micro controller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit,ASIC)或一邏輯電路來實施。
以下敘述消費預測方法200,消費預測方法200可以透過付消費預測系統100或150實現之。
於步驟210中,處理器20計算一個人偏好相關係數。
於一實施例中,處理器20加總一時間區間內之一使用者於一特定商店的消費次數,以得到一特定商店消費總次數,並將特定商店消費總次數除以時間區間內之此使用者於所有商店的消費次數,以計算個人偏好相關係數。於一實施例中,個人偏好相關係數計算公式如下,
其中,其中符號代表時間區間,如7、15、30、60日…等時間。符號代表每一個時間點的在所有商店消費的次數。符號代表商店、產品類型、或天氣好壞、討論熱度的高中低等等,其為一變數,可視實際應用代入不同數值,例如為商店代號,符號代表每一個時間點的個別商店消費次數。符號為到此商店消費的個人偏好相關係數。
於步驟220中,處理器20將歷史環境資料、歷史消費紀錄及個人偏好相關係數輸入一第一類神經網路模型,第一類神經網路模型用以產生一訓練模型。
於一實施例中,第一類神經網路模型可以由已知的一卷積神經網路(Convolutional Neural Network,CNN)模型實現。然而,本領域具通常知識者應能理解,本發明不限於採用CNN模型,只要是可以達到自動分類的其它神經網路模型亦可應用之。
於一實施例中,歷史環境資料可以由環境資料收集模組12或處理器20收集。於一實施例中,環境資料收集模組12或處理器20收集到的環境資料可視為歷史環境資料。於一實施例中,處理器20可以環境資料收集模組12取得由環境資料。請參閱第3A~3C圖,第3A~3C圖係根據本發明之一實施例繪示一種環境資料收集方法300之示意圖。環境資料收集方法300可以由環境資料收集模組12或處理器20執行之。第3A~3C圖所示的環境資料收集方法30不限定執行順序,亦可以同時執行之。
於一實施例中,如第3A圖所示,處理器20接收一外顯資料30(例如天氣、商店評價、商店名稱),將外顯資料30儲存到一第一佇列Q1,處理器20由第一佇列Q1讀取出外顯資料31,並擷取外顯資料31中的一文字訊息,文字訊息相關於一商店類型32及一外在因素33。商店類型32包含商店評價、商店位置、交通資訊、滿意度、每天的產品資訊及/或活動訊息等等。外在因素33包含天氣、季節及/或溫度等資訊。於一實施例中,使用者可以手動輸入外顯資料30到消費預測系統100(或150)。於一實施例中,處理器20可以從網路取得外顯資料30。
於一實施例中,如第3B圖所示,處理器20接收一數位文字資料34,將數位文字資料34儲存到一第二佇列Q2,處理器20由第二佇列Q2讀取出數位文字資料34,藉由一第二類神經網路模型分類數位文字資料34,以取得對應於數位文字資料34的一商店討論熱度35。於一實施例中,處理器20可以從網路上取得數位文字資料34。數位文字資料34例如為臉書、谷歌、推特或電子郵件中的文字資料。例如,處理器20可以藉由谷歌的搜尋引擎,搜尋到某間商店的討論串及評比分數,此些評比分數的累計可以視為商店討論熱度35。
於一實施例中,第二類神經網路模型可以由已知的CNN模型實現。然而,本領域具通常知識者應能理解,本發明不限於採用CNN模型,只要是可以達到自動分類的其它神經網路模型亦可應用之。更具體而言,處理器20由第二佇列Q2讀取出數位文字資料34後,可利用第二類神經網路模型判斷數位文字資料34的正確性(例如排除廣告連結中的文字,只留下用戶評價連結中的文字),再利用第二類神經網路模型將文字訊息進行擷取,進而利用第二類神經網路模型將擷取出來的文字訊息給予正負評價分數,亦可以利用第二類神經網路模型將數位文字資料34中的討論商店主題進行分類,以分類出商店類型(如小吃店、便利商店、餐廳…等等),每個商店類型對應的文章數視為商店討論熱度35,亦可以判斷商店類型主題與產品類型37的相關性(例如自助餐店(商店類型)的主題中,有一千筆文章,其中沒有任何文章提及牛排(產品類型37),因此自助餐店類型與牛排的相關性較低)。
於一實施例中,如第3C圖所示,處理器20接收一圖片資料36,將圖片資料36儲存到一第三佇列Q3。處理器20由第三佇列Q3讀取出圖片資料36,藉由一第三類神經網路模型分類圖片資料36,以取得對應圖片資料36的一產品類型37。於一實施例中,使用者可以手動輸入圖片資料36到消費預測系統100(或150)。於一實施例中,處理器20可以從網路取得圖片資料36。於一實施例中,產品類型37例如為素食、豬肉主餐、咖啡、水果…等等。
於一實施例中,第三類神經網路模型可以由已知的CNN模型實現。然而,本領域具通常知識者應能理解,本發明不限於採用CNN模型,只要是可以達到自動分類的其它神經網路模型亦可應用之。
於一實施例中,第一佇列Q1、第二佇列Q2及第三佇列Q3可以合併為一佇列。
於一實施例中,環境資料收集模組12或處理器20會收集外顯資料31與社群網站的文字內容(如數位文字資料34)。在收集外顯資料31方面,環境資料收集模組12或處理器20可定時呼叫外部系統或政府機構的應用程序編程接口(Application Programming Interface,API),取得外在因素33,如:天氣好與壞的程度、季節、工作日與否,依這些資訊,有利於讓處理器20預測消費者會每天選擇商家消費的動機,對一般上班族而言,除了有特別的活動外,偏好去消費的商家可能會是滿固定的,尤其在私有雲的環境裡,員工及商家通常都變化不大。外顯資料31包含表一的內容:
表一
於一實施例中,外顯資料31包含商店的資料及店家提供的服務屬性,如:主菜、店家在商場的位置、店家正面評價數、可支援的收款裝置、店家負面評價數、經營時段早中晚等等,這些都會影響店家來客人數的數量,有些消費者會考慮商店評價與方便性。於一實施例中,外顯資料31包含表二的內容:
表二
於一實施例中,外顯資料31包含表三的內容:
表三
由於消費者與商店的距離也會影響個人的消費意願,及此商店的鄰近商店可能也會影響個人的消費傾向,因此外顯資料31也可能包含表三的內容。
日期 | 天氣 | 活動 | 溫度 |
11/1 | 晴天 | 否 | 27 |
11/2 | 陰天 | 否 | 25 |
11/3 | 陰天 | 特賣會 | 26 |
商店 | 評價 | 現金收款 | 員工卡消費 | 經營時段 | 位置 | 方便性 | 滿意度 |
7-11 | 4 | 是 | 是 | 全天 | 美食街 | 4 | 3 |
MOS | 3.5 | 否 | 是 | 早上 | 美食街 | 3 | 4 |
店家 | 員工編號 | 與店家的距離 | 鄰近的店家 | 位置 |
7-11 | 95031327 | 200m | 書店 | 南棟 |
MOS | 95031327 | 400m | 生機吧 | 北棟 |
此外,環境資料收集模組12或處理器20也會針對數位文字資料34(如社群網站的文字留言及回覆訊息內容),進行正負評價的判斷,這與外顯資料31不同的是,這些文字沒有一定的規則,無法透過文字截取取得正確內容,這些文字有可能包含一些假消息,且數位文字資料34的資料量巨大,難以由人工一筆筆或一句句的判斷,此些文字故透過人工智慧演算法(例如第二類神經網路模型)進行判斷資料的正確性,再對文字訊息進行分類,算出商店的正負評價,及那一商店類型的討論熱度較高,並計算商店類型與產品類型37的相關性(例如將包含特定產品的文章數除以特定主題的總文章數)。
另外,圖片資料36可輔助定義受歡迎的產品類型37(如咖啡)及商店類型(如便利商店)等等。
在人工智能時代,由於外部環境因素複雜,資料量巨大且雜亂,資料收集不能再依懶人工的維護,因此透過上述的環境資料收集方法300,應用透過人工智慧演算法(例如第二類神經網路模型)分析資料,可以達到有效率的收集資料。
於一實施例中,歷史消費紀錄可以由消費紀錄模組14或處理器20取得。於一實施例中,消費紀錄模組14或處理器20收集到的消費紀錄可視為歷史消費紀錄。消費紀錄模組14或處理器20依消費記錄統計,依年月日統計消費者的消費額、消費次數、平均客單價,並作年月日的排名,消費記錄是預測來店人數很好的工具,平均客單價低,有會增加來客人數,當平均客單價高時,會減少來客人數,但總營業額可能會維持一定的水平。於一實施例中,歷史消費紀錄包含表三的內容:
表三
產品類型37也是另一個決定個人喜好的因素,素食主義者傾向吃健康餐與素食餐為主,不吃牛肉者會選擇豬羊主餐為主。每種產品類型37的金額統計,可以依年月進行加總與排名,以算出排名與月銷費金額,也可依來店次數計算月消費天數。於一實施例中,歷史消費紀錄包含表四的內容:
表四
於一實施例中,歷史消費紀錄包含表五的內容:
表五
歷史消費紀錄可以包含行動支付的人員背景資訊,如年齡、職稱、工作型態等等,如有些員工屬於輪班制,有些屬於常加班的員工,有些會在某特定時間請假的等等,處理器20可以依據這些資料,將消費者作分群。
店家 | 員工 | 日銷費金額 | 日平均客單價 | 日消費次數 | 日排名 |
7-11 | 95031327 | 200 | 50 | 4 | 1 |
MOS | 95031327 | 80 | 40 | 2 | 2 |
產品類型 | 類型 | 員工 | 月銷費金額 | 月排名 | 月消費天數 |
素食 | 主餐 | 95031327 | 0 | 4 | 0 |
豬肉主餐 | 主餐 | 95031327 | 600 | 1 | 12 |
牛肉主餐 | 主餐 | 95031327 | 100 | 3 | 2 |
雞肉主餐 | 主餐 | 95031327 | 400 | 2 | 8 |
咖啡 | 副餐 | 95031327 | 1100 | 1 | 22 |
水果 | 副餐 | 95031327 | 700 | 1 | 14 |
員工 | 上班天數 | 本月加班時數 | 職稱 | 工作型態 | 年齡 | 健身房次數 |
95031327 | 22 | 8 | 工程師 | 輪班制 | 30 | 0 |
94080824 | 20 | 16 | 經理 | 正常班 | 40 | 6 |
請參閱第4圖,第4圖係根據本發明之一實施例繪示一種消費群組分類方法400之流程圖。
於一實施例中,商店類型32、外在因素33、商店討論熱度35及產品類型37包含於一外顯指標39。
於一實施例中,處理器20可以透過表三取得商店排名與銷售額41(如,日銷售額),透過表四的月排名取得產品偏好排名與銷售額42(如,月銷售額),透過表五的職稱得知工作類型43。
於一實施例中,商店排名與銷售額41、產品偏好排名與銷售42及工作類型43包含於一消費指標44。
於一實施例中,消費群組分類模組16或處理器20可以將外顯指標39及消費指標44記錄在第四佇列Q4中。
於一實施例中,訓練模型儲存於儲存裝置10中。於一實施例中,第一佇列Q1、第二佇列Q2、第三佇列Q3及第四柱列Q4儲存於儲存裝置10中。
於一實施例中,消費群組分類模組16或處理器20依據外顯指標39或消費指標44計算一群組相關係數45,依據群組相關係數45及個人偏好相關係數46以分類消費客群。
於一實施例中,消費群組分類模組16或處理器20可以從第四佇列Q4讀取外顯指標39及消費指標44,並計算群組偏好相關係數45,群組偏好相關係數45計算方式如下:
其中符號代表時間區間,如7、15、30、60日…等時間。符號代表每一個時間點的在所有店家消費的次數。符號代表店家、產品類型、或天氣好壞、討論熱度的高中低等等。符號代表群組每一個時間點的個別店家消費次數。符號為到此群組消費的偏好係數(即群組偏好相關係數45)。
群組偏好相關係數可分為店家消費偏好、產品類型購買偏好、天氣好壞與討論熱度高低的偏好指標等等,將相關的數值代入群組偏好相關係數公式,可計算出消費指標的相關係數及外顯指標的相關係數。群組偏好相關係數45的另一個用途是用來修正對群組成員的定義,如:容易受到外到天氣群組因素影響的,才能歸在天氣群組,若計算出來,發現參考群組(事先定義好的群組)與天氣相關的群組偏好係數不存在高度相關,例如不管天氣好壞,商店販售的便當數量都在一定數量區間內,則應該要依個人偏好相關係數去修正群組成員。關於個人偏好相關係數已在步驟210中敘述,故此處不重覆敘述之。
消費群組分類模組16或處理器20計算個人與參考群組的相關係數(個人偏好相關係數)後,可決定個人與參考群組的相關係數高低,如個人偏好相關係數高時(例如個人偏好素食,當素食的月消費金額當為參數代入個人偏好相關係數公式後,則個人偏好相關係數會高於將羊肉主餐的月消費金額代入個人偏好相關係數公式後的值),代表個人與參考群組(例如素食群組)存在高度的相關性,若與其它參考群組存在高度相關,代表應改歸類到另一個群組。個人與參考群組間的相關係數指標可以由以下公式取得:
其中符號代表群組類型。符號代表個人的偏好係數。符號為每個參考群組的偏好係數。其中,其中符號代表時間區間,如7、15、30、60日…等時間,符號e代表店家、產品類型、或天氣好壞、討論熱度的高中低等等。符號為個人與參考群組間的相關係數指標,值越大代表越相關。藉此可以由多種面向分類消費客群。
於步驟230中,處理器20判斷訓練模型的一準確率是否高於一訓練門檻值。
當訓練模型的準確率高於訓練門檻值時,處理器20將訓練模型視為一預測模型。
當訓練模型的準確率不高於訓練門檻值時,處理器20執行步驟220,將個人偏好相關係數、更多的歷史環境資料及歷史消費紀錄輸入第一類神經網路模型。
模型訓練的結果是為了可以精準的預測商家客人的來店數,結合歷史環境資料、歷史消費紀錄與消費記錄及個人偏好相關係數,資料上一定會有遺漏與缺值,故會透過個人的背景資料與所屬的群組屬性的平均值,對缺失值進行填補的工作。於一實施例中,處理器20更用判斷個人偏好相關係數、環境資料或歷史消費紀錄是否包含一缺漏值,當處理器20判斷個人偏好相關係數、歷史環境資料或歷史消費紀錄包含缺漏值(例如沒有收集到某一天的天氣資料),則處理器自動填補遺漏值(例如由相鄰兩天的天氣資料作平均值計算)。
於一實施例中,可能每個人在店家消費的記錄次數不平均,處理器20會對資料量作平衡與增加或減少資料量,以確保模型預測的精準度。
於一實施例中,處理器20將一訓練資料輸入訓練模型,以得到一訓練結果,將訓練結果與一已知結果(例如歷史環境資料或歷史消費紀錄)進行相似度比對,以計算訓練模型的準確率。
於步驟240中,處理器20將一預測環境資料輸入預測模型,預測模型依據一預測環境資料輸出一預測結果。
例如,處理器20輸入天氣為陰天、特賣會活動、溫度為26溫度、產品類型為豬肉主餐、職稱為工程師等預測環境資料到預測模型中,預測模型輸出的預測結果為來客數50人(預測來客數)、營業額為8000元(預測營業額)及其他預測項目(例如預測消費次數、預測當月排名…等等)。
於一實施例中,預測環境資料可以是外顯指標39及/或消費指標44中包含的部分資料。
於一實施例中,預測環境資料可以視為據以預測未來一時間區間(例如一週)的資料或條件限制,預測環境資料例如包含日期、天氣、活動、溫度、商店、評價、現今收款、是否員工卡消費、經營時段、位置、方便性、滿意度、員工編號或商店位置…等等用以預測的條件。
於步驟250中,處理器20擷取出預測結果中的一預測來客數及一預測營業額,將預測來客數與一實際來客數比對,以產生一來客數修正權重,並將預測營業額與一實際營業額比對,以產生一營業額修正權重。
例如,預測結果為來客數50人(例如預測下周三來客數),營業額為8000元(例如預測下周三營業額),則處理器20將預測來客數50人與實際來客數75人(例如下週三當日實際結算後的來客數)進行比對(由於75為50的1.5倍,來客數修正權重為1.5),並將預測營業額8000元與實際營業額9600元(例如下週三當日實際結算後的營業額)進行比對(由於9600為8000的1.2倍,營業額修正權重為1.2)。
於步驟260中,處理器20判斷來客數修正權重(例如1.5)是否高於一來客數權重門檻值(例如1.2)或是營業額修正權重(例如1.3)是否高於一營業額權重門檻值(例如1.3)。
於一實施例中,當來客數修正權重高於來客數權重門檻值或是營業額修正權重高於營業額權重門檻值,則進入步驟220,將歷史環境資料、歷史消費紀錄及個人偏好相關係數輸入第一類神經網路模型,並依據來客數修正權重與營業額修正權重調整訓練模型,以更新訓練模型。
於一實施例中,當來客數修正權重不高於來客數權重門檻值且營業額修正權重不高於營業額權重門檻值,則進入步驟270。
於此例中,處理器20判斷來客數修正權重(例如1.5)高於來客數權重門檻值(例如1.2),因此,會將客數權重門檻值回傳到步驟220,於一些例子中,處理器20會一併傳送客數權重門檻值及營業額修正權重到步驟220。
於一實施例中,處理器20可以將當日相同客群的消費傾向的資料或/及當日收集的環境資料傳送到步驟220,步驟220中的第一類神經網路模型可以取得更多的資訊以調整訓練模型。
於步驟270中,預測模型輸出預測來客數及預測營業額。
於一實施例中,處理器20或預測模型可以在當次預測或下一次的預測時,將預測來客數(例如50人)乘以來客數修正權重(例如1.5),以得到一來客數修正結果(例如75人),並將預測營業額(例如8000元)乘以營業額修正權重(例如1.2),以得到一營業額修正結果(例如9600元)。
於一實施例中,在產生模型預測的過程中,並非一次就能找出最佳模型,會經由消費預測系統100的重複步驟210~230,找出前幾名精準度較高,錯誤率最低者作為預測模型,並以預測模型為基礎,對個人的來店機率作預測。預測模型最後會得出推薦給個人的店家與產品排名,並依這排名資料,進行預測一時間區間(例如一週)內的店家來客數量,並依每日的營業情況與個人的選擇,進行權重的修正,讓一週內的來客數量與營業額可以趨進正確範圍內。這樣的修正結果,可以回饋到人工智慧模型(即回到步驟220)裡,一起加入模型訓練的輸入資料。此外,預測模型的輸出結果可以乘以權重,以修正來店客數的預測值。
由上述可知,在人工智能時代,資料量巨大且繁雜,若要能準確且有效率的預測資料,則要考慮的因素及資料量龐雜,因此,資料收集不能再依懶人工的維護。本發明所示之消費預測系統及消費預測方法透過類神經網路模型分析大量且繁雜的資料,進而生成預測模型,並可以透過預測模型輸出未來一段時間內的預測來客人數及預測營業額,亦可以比對預測來客人數與實際來客數,以得到來客數修正權重,比對預測營業額與實際營業額比對,以得到營業額修正權重,透過來客數修正權重及營業額修正權重可以調整預測模型,使預測模型更加準確。
100,150:消費預測系統
10:儲存裝置
20:處理器
12:環境資料收集模組
14:消費紀錄模組
16:消費群組分類模組
18:模型訓練模組
200:消費預測方法
210~270:步驟
31:外顯資料
Q1:第一佇列
32:商店類型
33:外在因素
34:數位文字資料
Q2:第二佇列
35:商店討論熱度
36:圖片資料
Q3:第三佇列
37:產品類型
39:外顯指標
41:商店排名與銷售額
42:產品偏好排名與銷售
43:工作類型
44:消費指標
Q4:第四佇列
45:群組相關係數
46:個人偏好相關係數
第1A~1B圖係依照本發明一實施例繪示一種消費預測系統之方塊圖。
第2圖係根據本發明之一實施例繪示一種消費預測方法之流程圖。
第3A~3C圖係根據本發明之一實施例繪示一種環境資料收集方法之示意圖。
第4圖係根據本發明之一實施例繪示一種消費群組分類方法之流程圖。
200:消費預測方法
210~270:步驟
Claims (10)
- 一種消費預測系統,包含: 一儲存裝置,用以儲存一歷史環境資料及一歷史消費紀錄;以及 一處理器,用以計算一個人偏好相關係數,並將該歷史環境資料、該歷史消費紀錄及該個人偏好相關係數輸入一第一類神經網路模型,該第一類神經網路模型用以產生一訓練模型,當該訓練模型的一準確率高於一訓練門檻值時,將該訓練模型視為一預測模型,將一預測環境資料輸入該預測模型,該預測模型依據該預測環境資料輸出一預測結果,並擷取出該預測結果中的一預測來客數及一預測營業額,將該預測來客數與一實際來客數比對,以產生一來客數修正權重,並將該預測營業額與一實際營業額比對,以產生一營業額修正權重,判斷該來客數修正權重是否高於一來客數權重門檻值或是該營業額修正權重是否高於一營業額權重門檻值,當該來客數修正權重高於該來客數權重門檻值或是該營業額修正權重高於該營業額權重門檻值,則依據該來客數修正權重與該營業額修正權重調整該訓練模型,以更新該訓練模型。
- 如請求項1之消費預測系統,其中該處理器加總一時間區間內之一使用者於一特定商店的消費次數,以得到一特定商店消費總次數,並將該特定商店消費總次數除以該時間區間內之該使用者於所有商店的消費次數,以計算該個人偏好相關係數。
- 如請求項1之消費預測系統,其中該處理器更用判斷該個人偏好相關係數、該歷史環境資料或該歷史消費紀錄是否包含一缺漏值,當該處理器判斷該個人偏好相關係數、該歷史環境資料或該歷史消費紀錄包含該缺漏值,則該處理器自動填補該遺漏值。
- 如請求項1之消費預測系統,其中該處理器將一訓練資料輸入該訓練模型,以得到一訓練結果,將該訓練結果與一已知結果進行相似度比對,以計算該訓練模型的該準確率。
- 如請求項1之消費預測系統,其中該處理器判斷當該來客數修正權重不高於該來客數權重門檻值且該營業額修正權重不高於該營業額權重門檻值,則將該預測來客數乘以該來客數修正權重,以得到一來客數修正結果,並將該預測營業額乘以該營業額修正權重,以得到一營業額修正結果。
- 如請求項1之消費預測系統,其中該處理器接收一外顯資料,將該外顯資料儲存到一第一佇列,該處理器接收一數位文字資料,將該數位文字資料儲存到一第二佇列,該處理器接收一圖片資料,將該圖片資料儲存到一第三佇列。
- 如請求項6之消費預測系統,其中該處理器由該第一佇列讀取出該外顯資料,並擷取該外顯資料中的一文字訊息,該文字訊息相關於一商店類型及一外在因素,該處理器由該第二佇列讀取出該數位文字資料,藉由一第二類神經網路模型分類該數位文字資料,以取得對應於該數位文字資料的一商店討論熱度,該處理器由該第三佇列讀取出該圖片資料,藉由一第三類神經網路模型分類該圖片資料,以取得對應該圖片資料的一產品類型; 其中,該商店類型、該外在因素、該商店討論熱度及該產品類型包含於一外顯指標。
- 如請求項7之消費預測系統,其中該處理器接受一消費指標,該消費指標包含一工作類型、一產品偏好排名與銷售額及一商店排名與銷售額; 其中,該處理器將該外顯指標及該消費指標儲存到一第四佇列,依據該外顯指標或該消費指標計算一群組相關係數,依據該群組相關係數及該個人偏好相關係數以分類消費客群。
- 一種消費預測方法,包含: 計算一個人偏好相關係數; 將一歷史環境資料、一歷史消費紀錄及該個人偏好相關係數輸入一第一類神經網路模型,該第一類神經網路模型用以產生一訓練模型; 判斷該訓練模型的一準確率是否高於一訓練門檻值,當該訓練模型的該準確率高於該訓練門檻值時,將該訓練模型視為一預測模型; 將一預測環境資料輸入該預測模型,該預測模型依據一預測環境資料輸出一預測結果; 擷取出該預測結果中的一預測來客數及一預測營業額,將該預測來客數與一實際來客數比對,以產生一來客數修正權重,並將該預測營業額與一實際營業額比對,以產生一營業額修正權重;以及 判斷該來客數修正權重是否高於一來客數權重門檻值或是該營業額修正權重是否高於一營業額權重門檻值; 當該來客數修正權重高於該來客數權重門檻值或是該營業額修正權重高於該營業額權重門檻值,則依據該來客數修正權重與該營業額修正權重調整該訓練模型,以更新該訓練模型。
- 如請求項9之消費預測方法,更包含: 判斷當該來客數修正權重不高於該來客數權重門檻值且該營業額修正權重不高於該營業額權重門檻值時,將該預測來客數乘以該來客數修正權重,以得到一來客數修正結果,並將該預測營業額乘以該營業額修正權重,以得到一營業額修正結果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109110919A TWI793412B (zh) | 2020-03-31 | 2020-03-31 | 消費預測系統及消費預測方法 |
CN202010315991.8A CN113469722A (zh) | 2020-03-31 | 2020-04-21 | 消费预测***及消费预测方法 |
US17/000,681 US11983726B2 (en) | 2020-03-31 | 2020-08-24 | Consumption prediction system and consumption prediction method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109110919A TWI793412B (zh) | 2020-03-31 | 2020-03-31 | 消費預測系統及消費預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202139098A true TW202139098A (zh) | 2021-10-16 |
TWI793412B TWI793412B (zh) | 2023-02-21 |
Family
ID=77857246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109110919A TWI793412B (zh) | 2020-03-31 | 2020-03-31 | 消費預測系統及消費預測方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11983726B2 (zh) |
CN (1) | CN113469722A (zh) |
TW (1) | TWI793412B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI828426B (zh) * | 2022-11-16 | 2024-01-01 | 精誠資訊股份有限公司 | 利用多面向商品情蒐資訊進行銷售預測之電商輔助系統 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11605100B1 (en) | 2017-12-22 | 2023-03-14 | Salesloft, Inc. | Methods and systems for determining cadences |
US11586878B1 (en) * | 2021-12-10 | 2023-02-21 | Salesloft, Inc. | Methods and systems for cascading model architecture for providing information on reply emails |
CN116051173B (zh) * | 2023-03-30 | 2023-06-30 | 安徽交欣科技股份有限公司 | 一种客流量预测方法、***及公交派车方法 |
CN117494907A (zh) * | 2023-12-29 | 2024-02-02 | 青岛巨商汇网络科技有限公司 | 基于销售数据分析的工厂生产计划调度优化方法及*** |
CN117575475B (zh) * | 2024-01-16 | 2024-04-12 | 中铁四局集团有限公司 | 一种基于数据仓库的大屏报表快速搭建显示方法 |
CN117745338B (zh) * | 2024-02-20 | 2024-05-03 | 山东浪潮数字商业科技有限公司 | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
CN118071395A (zh) * | 2024-02-23 | 2024-05-24 | 重庆嗨客网络科技有限公司 | 用于智慧商业综合体的数字化营销运营、管理***及方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106607A1 (en) * | 2006-11-30 | 2011-05-05 | Chris Alfonso | Techniques For Targeted Offers |
US8527324B2 (en) * | 2006-12-28 | 2013-09-03 | Oracle Otc Subsidiary Llc | Predictive and profile learning salesperson performance system and method |
US11593817B2 (en) * | 2015-06-30 | 2023-02-28 | Panasonic Intellectual Property Corporation Of America | Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium |
US10740773B2 (en) * | 2015-12-09 | 2020-08-11 | Walmart Apollo, Llc | Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities |
US20180053255A1 (en) * | 2016-08-19 | 2018-02-22 | Noonum | System and Method for end to end investment and portfolio management using machine driven analysis of the market against qualifying factors |
CN106504029A (zh) * | 2016-11-08 | 2017-03-15 | 山东大学 | 一种基于客户群体行为分析的加油站销量预测方法 |
US20180300738A1 (en) * | 2017-03-22 | 2018-10-18 | National Taiwan Normal University | Method and system for forecasting product sales on model-free prediction basis |
US20190102693A1 (en) * | 2017-09-29 | 2019-04-04 | Facebook, Inc. | Optimizing parameters for machine learning models |
CN108764646B (zh) * | 2018-04-27 | 2021-05-25 | 车智互联(北京)科技有限公司 | 一种销量预测方法及计算设备 |
US11373199B2 (en) * | 2018-10-26 | 2022-06-28 | Target Brands, Inc. | Method and system for generating ensemble demand forecasts |
CN109509030B (zh) * | 2018-11-15 | 2021-06-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子*** |
CN110415002A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 客户行为预测方法及*** |
CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
CN110580639A (zh) * | 2019-08-08 | 2019-12-17 | 江苏荣泽信息科技股份有限公司 | 一种基于连锁业态的门店经营预测方法 |
-
2020
- 2020-03-31 TW TW109110919A patent/TWI793412B/zh active
- 2020-04-21 CN CN202010315991.8A patent/CN113469722A/zh active Pending
- 2020-08-24 US US17/000,681 patent/US11983726B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI828426B (zh) * | 2022-11-16 | 2024-01-01 | 精誠資訊股份有限公司 | 利用多面向商品情蒐資訊進行銷售預測之電商輔助系統 |
Also Published As
Publication number | Publication date |
---|---|
CN113469722A (zh) | 2021-10-01 |
TWI793412B (zh) | 2023-02-21 |
US20210303996A1 (en) | 2021-09-30 |
US11983726B2 (en) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI793412B (zh) | 消費預測系統及消費預測方法 | |
US12039564B2 (en) | Method and system for generation of at least one output analytic for a promotion | |
CN107067283B (zh) | 基于历史商家记录及用户行为的电商消费客流量预测方法 | |
Fildes et al. | Forecasting and operational research: a review | |
US7577579B2 (en) | Method of predicting sales based on triple-axis mapping of customer value | |
US10878520B2 (en) | Waste analysis system and method | |
JP5960887B1 (ja) | 算出装置、算出方法及び算出プログラム | |
KR100961783B1 (ko) | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 | |
WO2018053966A1 (zh) | 点击率预估 | |
CN110880127B (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
Kim et al. | The accuracy of tourism forecasting and data characteristics: a meta-analytical approach | |
JP2018139036A (ja) | 分析装置 | |
CN111737338A (zh) | 一种基于大数据画像闭环营销数据分析方法 | |
CN111352976A (zh) | 一种针对购物节的搜索广告转化率预测方法及装置 | |
Chang et al. | Risk evaluation of group package tour service failures that result in third-Party complaints | |
US20140195312A1 (en) | System and method for management of processing workers | |
Hong et al. | Measuring product type with dynamics of online product review variances: A theoretical model and the empirical applications | |
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 | |
US10719561B2 (en) | System and method for analyzing popularity of one or more user defined topics among the big data | |
KR20210003421A (ko) | 사용자 선호를 반영한 게시글 정렬방법 및 사용자 선호 게시글 우선노출서버 | |
Tekin et al. | Big data concept in small and medium enterprises: how big data effects productivity | |
Syntetos et al. | Forecasting of compound Erlang demand | |
TW202312060A (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置、方法與儲存該方法的儲存媒介 | |
CN113254775A (zh) | 一种基于客户浏览行为序列的***产品推荐方法 | |
JP2017045337A (ja) | デジタルマーケティングシステム |