TWI763165B - 預測購物網站的顧客的消費金額的電子裝置和方法 - Google Patents
預測購物網站的顧客的消費金額的電子裝置和方法 Download PDFInfo
- Publication number
- TWI763165B TWI763165B TW109143344A TW109143344A TWI763165B TW I763165 B TWI763165 B TW I763165B TW 109143344 A TW109143344 A TW 109143344A TW 109143344 A TW109143344 A TW 109143344A TW I763165 B TWI763165 B TW I763165B
- Authority
- TW
- Taiwan
- Prior art keywords
- browsing
- probability matrix
- browsing history
- commodities
- customer
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cash Registers Or Receiving Machines (AREA)
Abstract
提出一種預測購物網站的顧客的消費金額的電子裝置和方法。方法包含:接收對應於購物網站的多個瀏覽歷程以及對應於多個瀏覽歷程的多個消費金額;接收對應於顧客的第一瀏覽歷程;根據多個瀏覽歷程、多個消費金額以及第一瀏覽歷程計算顧客的預測消費金額;以及輸出預測消費金額。
Description
本發明是有關於一種預測購物網站的顧客的消費金額的電子裝置和方法。
在過往,要了解一位顧客對購物網站的價值有多少,可以根據該名顧客的個人基本資料或歷史瀏覽歷程來進行推估。個人基本資料可用於了解顧客的年齡、性別或職業,以利推估顧客的購物偏好。歷史瀏覽歷程可用於了解顧客對於商品偏好。然而,僅利用這些資料來推估顧客價值的方法存在諸多缺點。例如,當有一位尚未註冊為會員的新顧客瀏覽購物網站時,購物網站將不會擁有該顧客的任何個人基本資料或歷史瀏覽歷程。因此,傳統的推估顧客價值的方法並無法適用於新顧客。
另一方面,
購物網站常可以通過顧客的年齡、性別或職業等因素對顧客進行分群,並且針對不同的客群來推薦不同的商品。或者,購物網站可通過顧客過往的商品瀏覽記錄或商品購買記錄來進行個人化推薦。例如,購物網站可以推薦與顧客過往所接觸的商品相似的商品。然而,顧客每次瀏覽購物網站的目的不盡相同,故使用上述的方法來推估適合推薦給顧客的商品不盡合理。
據此,如何精準地推估顧客價值與推薦適合顧客的商品,是本領域人員致力的目標之一。
本發明提供一種預測購物網站的顧客的消費金額的電子裝置和方法,可預測顧客的消費金額,並可推薦具有最高機率提升顧客的消費金額的商品給客戶。
本發明的一種預測購物網站的顧客的消費金額的電子裝置,包含處理器、儲存媒體以及收發器。儲存媒體儲存多個模組。處理器耦接儲存媒體以及收發器,並且存取和執行多個模組,其中多個模組包含資料收集模組、運算模組以及輸出模組,其中資料收集模組通過收發器接收對應於購物網站的多個瀏覽歷程以及對應於多個瀏覽歷程的多個消費金額,其中資料收集模組通過收發器接收對應於顧客的第一瀏覽歷程,其中運算模組根據多個瀏覽歷程、多個消費金額以及第一瀏覽歷程計算顧客的預測消費金額,其中輸出模組通過收發器輸出預測消費金額。
在本發明的一實施例中,上述的購物網站關聯於多種商品,其中多個瀏覽歷程的每一者關聯於多種商品的至少其中之一,其中運算模組根據多個瀏覽歷程產生對應於多個瀏覽歷程和多個群集的第一機率矩陣以及對應於多種商品和多個群集的第二機率矩陣,並且根據多個消費金額產生對應於多個群集和多個消費金額的第三機率矩陣,其中運算矩陣根據第一機率矩陣、第二機率矩陣、第三機率矩陣以及第一瀏覽歷程以計算預測消費金額。
在本發明的一實施例中,上述的第一瀏覽歷程關聯於多種商品的商品子集合,並且包含對應於商品子集合的至少一第一瀏覽行為,其中運算模組自第二機率矩陣中取出對應於商品子集合的多個元素以產生對應於商品子集合和多個群集的第四機率矩陣,其中運算模組將第四機率矩陣和第三機率矩陣相乘以產生對應於商品子集合和多個消費金額的第五機率矩陣,其中運算模組根據第五機率矩陣以及至少一第一瀏覽行為的第一個數計算預測消費金額。
在本發明的一實施例中,上述的多個瀏覽歷程的每一者包含對應於多種商品的至少其中之一的至少一瀏覽行為,其中運算模組將多個瀏覽歷程的每一者的至少一瀏覽行為的個數輸入至第一主題模型以產生第一機率矩陣以及第二機率矩陣,其中運算模組將多個消費金額以及第一機率矩陣輸入至第二主題模型以產生第三機率矩陣。
在本發明的一實施例中,上述的第一主題模型或第二主題模型為隱含狄利克雷分布模型。
在本發明的一實施例中,上述的購物網站關聯於多種商品,其中第一瀏覽歷程關聯於多種商品的商品子集合,並且包含對應於商品子集合的至少一第一瀏覽行為,其中運算模組分別將關聯於多種商品的每一者的至少一瀏覽行為添加至第一瀏覽歷程中以產生多個第二瀏覽歷程,其中運算模組根據多個第二瀏覽歷程計算分別對應於多個第二瀏覽歷程的多個預測消費金額,並且響應於多種商品中的第一商品對應於多個預測消費金額中的最大值而產生對應於第一商品的推薦商品資訊,其中輸出模組通過收發器輸出推薦商品資訊。
本發明的一種預測購物網站的顧客的消費金額的方法,包含:接收對應於購物網站的多個瀏覽歷程以及對應於多個瀏覽歷程的多個消費金額;接收對應於顧客的第一瀏覽歷程;根據多個瀏覽歷程、多個消費金額以及第一瀏覽歷程計算顧客的預測消費金額;以及輸出預測消費金額。
基於上述,本發明可為購物網站挖掘具高消費潛力的顧客,推薦適合顧客且能最大化提高購物網站的商品給顧客,藉以提升購物網站的營收。
圖1根據本發明的一實施例繪示一種預測購物網站的顧客的消費金額的電子裝置100的示意圖。電子裝置100可包含處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包括資料收集模組121、運算模組122以及輸出模組123等多個模組,其功能將於後續說明。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
資料收集模組121可通過收發器130接收對應於購物網站的多個瀏覽歷程以及對應於多個瀏覽歷程的多個消費金額。在以下的實施例,假設購物網站包含X種商品,並且資料收集模組121自購物網站取得N個瀏覽歷程以及對應於N個瀏覽歷程
(i=1, 2, …, N)的M個消費金額
(j=1, 2, …, M),其中X、N和M為正整數。由於不同的瀏覽歷程可對應於相同的消費金額,故N可大於或等於M。瀏覽歷程
可包含與商品
(
)相關的一或多個瀏覽行為,其中商品
(
)為購物網站的X種商品中的第k種商品。瀏覽行為可包含但不限於瀏覽商品、將商品放入購物車或購買商品等行為。瀏覽歷程以及消費金額的範例如表1所示。
表1
瀏覽歷程 | 瀏覽行為 | 消費金額 |
瀏覽歷程#1 | v(商品#1), v(商品#3), v(商品#1), v(商品#1), c(商品#1), b(商品#1) | 200 |
瀏覽歷程#2 | v(商品#2), v(商品#2), c(商品#2), b(商品#2) | 1200 |
瀏覽歷程#3 | v(商品#3) | 0 |
… | … | … |
瀏覽歷程#N | v(商品#1), v(商品#X), v(商品#3), v(商品#1), c(商品#1), c(商品#3), b(商品#1), b(商品#3) | 500 |
瀏覽行為:v為瀏覽商品的頁面;c為將商品放入購物車;b為購買商品 |
以瀏覽歷程#1(即:瀏覽歷程
)為例,瀏覽歷程#1代表一名顧客瀏覽購物網站時的流程為:瀏覽商品#1的頁面;瀏覽商品#3的頁面;瀏覽商品#1的頁面;瀏覽商品#1的頁面;將商品#1放入購物車;以及購買商品#1。
運算模組122可根據N個瀏覽歷程
(i=1, 2, …, N)產生對應於N個瀏覽歷程
(i=1, 2, …, N)以及Y個群集
(y=1, 2, …, Y)的第一機率矩陣,並可產生對應於X種商品
(k=1, 2, …, X)以及Y個群集
(y=1, 2, …, Y)的第二機率矩陣。在以下的實施例中,Y等於3,但本發明不限於此。舉例來說,Y可為任意的正整數,且Y可由電子裝置100的用戶自定義。
具體來說,運算模組122可根據瀏覽歷程
(
)取得瀏覽歷程
(
)中與商品
(
)相關的瀏覽行為的個數
。以表1的瀏覽歷程#1為例,在瀏覽歷程#1中,與商品#1(即:商品
)相關的行為包含:v(商品#1)、v(商品#1)、v(商品#1)、c(商品#1)以及b(商品#1)。因此,運算模組122可根據瀏覽歷程#1判斷瀏覽歷程#1中與商品#1相關的行為的個數為5。據此,運算模組122可根據表1取得各個瀏覽歷程中與特定商品相關之行為的個數,如表2所示。
表2
瀏覽歷程 | 商品#1 | 商品#2 | 商品#3 | … | 商品#X |
瀏覽歷程#1 | 5 | 0 | 1 | … | 0 |
瀏覽歷程#2 | 0 | 4 | 0 | … | 0 |
瀏覽歷程#3 | 0 | 0 | 1 | … | 0 |
… | … | … | … | … | … |
瀏覽歷程#N | 4 | 0 | 3 | … | 1 |
運算模組122可將瀏覽歷程
(
)中與商品
(
)相關的瀏覽行為的個數
(
)輸入至第一主題模型以產生對應於N個瀏覽歷程
(i=1, 2, …, N)以及Y個群集
(y=1, 2, …, Y)的第一機率矩陣
,並且產生對應於X個商品
(k=1, 2, …, X)以及Y個群集
(y=1, 2, …, Y)的第二機率矩陣
。第一機率矩陣
的尺寸可為
個機率值,其中機率值
為第一機率矩陣
的第i列第y行的元素,並且機率值
對應於瀏覽歷程
和群集
。第二機率矩陣
的尺寸可為
個機率值,其中機率值
為第二機率矩陣
的第k列第y行的元素,並且機率值
對應於商品
和群集
。
運算模組122可根據下述的公式(1)產生第一機率矩陣
和第一機率矩陣
,其中
為第一主題模型。第一主題模型可為隱含狄利克雷分布(latent Dirichlet allocation,LDA)模型。群集
可對應於LDA模型的主題(topic),瀏覽歷程
可對應於LDA模型的文本(text),並且商品
可對應於LDA模型的用詞(word)。第一主題模型
可建立瀏覽歷程
(
)、商品
(
)以及群集
(y
)之間的關係。圖2根據本發明的一實施例繪示由第一主題模型所建立的瀏覽歷程
、商品
和群集
之間的關係的示意圖,其中模型21代表瀏覽歷程
(
)和群集
(y
)之間的關係,並且模型22代表商品
(
)和群集
(y
)之間的關係。
)=
…(1)
舉例來說,運算模組122可將表2輸入至第一主題模型
,以產生如表3所示的第一機率矩陣
以及如表4所示的第二機率矩陣
。以瀏覽歷程#1為例,對應於瀏覽歷程#1和群集#1(即:群集
)的機率值為0.88,對應於瀏覽歷程#1和群集#2(即:群集
)的機率值為0.06,並且對應於瀏覽歷程#1和群集#3(即:群集
或群集
)的機率值為0.06。
表3
表4
瀏覽歷程 | 群集#1 | 群集#2 | 群集#3 |
瀏覽歷程#1 | 0.88 | 0.06 | 0.06 |
瀏覽歷程#2 | 0.03 | 0.90 | 0.07 |
瀏覽歷程#3 | 0.14 | 0.26 | 0.60 |
… | … | … | … |
瀏覽歷程#N | 0.7 | 0.1 | 0.2 |
商品 | 群集#1 | 群集#2 | 群集#3 |
商品#1 | 0.7 | 0.05 | 0.25 |
商品#2 | 0 | 0.85 | 0.15 |
商品#3 | 0.4 | 0.1 | 0.5 |
… | … | … | … |
商品#X | 0.1 | 0.3 | 0.6 |
接著,運算模組122可根據M個消費金額
(j=1, 2, …, M)以及第一機率矩陣
產生對應於Y個群集
(y=1, 2, …, Y)以及M個消費金額
(j=1, 2, …, M)的第三機率矩陣
。第三機率矩陣
的尺寸可為
的機率值,其中機率值
為第三機率矩陣
的第y列第j行的元素,並且機率值
對應於群集
和消費金額
。
具體來說,運算模組122可將N個瀏覽歷程
(i=1, 2, …, N)以及對應於N個瀏覽歷程
(i=1, 2, …, N)的M個消費金額
(j=1, 2, …, M)輸入至第二主題模型中以產生對應於Y個群集
(y=1, 2, …, Y)和M個消費金額
(j=1, 2, …, M)的第三機率矩陣
,如公式(2)所示。運算模組122可進一步將第一機率矩陣
輸入至第二主題模型以在第二主題模型的運算過程中固定住瀏覽歷程
(
)和群集
(y
)之間的關係,其中
為第二主題模型。第二主題模型可為LDA模型。群集
可對應於LDA模型的主題,瀏覽歷程
可對應於LDA模型的文本,並且消費金額
可對應於LDA模型的用詞。第二主題模型
可在維持瀏覽歷程
(
)和群集
(y
)之間的關係的情況下,建立消費金額
(
)和群集
(y
)之間的關係。圖3根據本發明的一實施例繪示由第二主題模型所建立的瀏覽歷程
、消費金額
和群集
之間的關係的示意圖,其中模型21代表瀏覽歷程
(
)和群集
(y
)之間的關係,並且模型23代表消費金額
(
)和群集
(y
)之間的關係。值得注意的是,由第二主題模型所輸出的模型21與由第一主題模型所輸出的模型21相同。
=
…(2)
舉例來說,運算模組122可自表1取得表5,並且將表5和第一機率矩陣
輸入至第二主題模型
,以產生如表3所示的第一機率矩陣
以及如表6所示的第三機率矩陣
。在表6中,假設M個消費金額
(j=1, 2, …, M)分別為0、200、500、700、900、1200、1400和1800。
表5
表6
瀏覽歷程 | 消費金額 |
瀏覽歷程#1 | 200 |
瀏覽歷程#2 | 1200 |
瀏覽歷程#3 | 0 |
… | … |
瀏覽歷程#N | 500 |
消費金額 | ||||||||
0 | 200 | 500 | 700 | 900 | 1200 | 1400 | 1800 | |
群集#1 | 0.55 | 0.21 | 0.17 | 0.07 | 0 | 0 | 0 | 0 |
群集#2 | 0.67 | 0 | 0 | 0 | 0.13 | 0.18 | 0.02 | 0 |
群集#3 | 0.73 | 0.08 | 0.11 | 0.13 | 0.05 | 0 | 0 | 0 |
在產生第一機率矩陣
、第二機率矩陣
以及第三機率矩陣
,運算模組122可根據第一機率矩陣
、第二機率矩陣
以及第三機率矩陣
來預測購物網站的顧客的預測消費金額。具體來說,資料收集模組121可通過收發器130接收對應於顧客的瀏覽歷程S。瀏覽歷程S可關聯於X個商品
(k=1, 2, …, X)的商品子集合G(
),並可包含對應於商品子集合G的一或多個瀏覽行為。在本實施例中,假設商品子集合G關聯於X’個商品
(z=1, 2, …, X’),其中X’為小於或等於X的正整數。表7為瀏覽歷程S的範例。由於顧客尚在瀏覽購物網站,故預測消費金額為未知的。
表7
瀏覽歷程 | 瀏覽行為 | 預測消費金額 |
瀏覽歷程S | v(商品#3), v(商品#X), v(商品#1), v(商品#1) | 未知 |
瀏覽行為:v為瀏覽商品的頁面;c為將商品放入購物車;b為購買商品 |
運算模組122可自第二機率矩陣
中取出對應於商品子集合G的多個元素(或多個機率值)以產生對應於商品子集合G(
)Y個群集
(y=1, 2, …, Y)的第四機率矩陣
。第四機率矩陣
的尺寸可為
個機率值,其中機率值
為第四機率矩陣
的第z列第y行的元素,並且機率值
對應於商品子集合G和群集
。以表4的第二機率矩陣
為例,運算模組122可自表4取出與瀏覽歷程S相關的商品(即:商品#1、商品#3和商品#X)的機率值以產生如表8所示的第四機率矩陣
。
表8
商品 | 群集#1 | 群集#2 | 群集#3 |
商品#1 | 0.7 | 0.05 | 0.25 |
商品#3 | 0.4 | 0.1 | 0.5 |
商品#X | 0.1 | 0.3 | 0.6 |
運算模組122可將第四機率矩陣
和第三機率矩陣
相乘以產生對應於商品子集合G(
)和M個消費金額
(j=1, 2, …, M)的第五機率矩陣
。第五機率矩陣
的尺寸可為
個機率值,其中機率值
為第五機率矩陣
的第z列第j行的元素,並且機率值
對應於商品子集合G和消費金額
。以表8的四機率矩陣
和表6的第三機率矩陣
為例,運算模組122可將表8與表6相乘以得到如表9所示的第五機率矩陣
。
表9
消費金額 | ||||||||
0 | 200 | 500 | 700 | 900 | 1200 | 1400 | 1800 | |
商品#1 | 0.601 | 0.167 | 0.146 | 0.081 | 0.019 | 0.009 | 0.001 | 0 |
商品#3 | 0.652 | 0.124 | 0.123 | 0.093 | 0.038 | 0.018 | 0.002 | 0 |
商品#X | 0.694 | 0.069 | 0.083 | 0.085 | 0.069 | 0.054 | 0.006 | 0 |
運算模組122可根據瀏覽歷程S取得瀏覽歷程S中與商品
(
)相關的瀏覽行為的個數
。以表7為例,在瀏覽歷程S中,與商品#1(即:商品
)相關的行為包含:v(商品#1)、以及v(商品#1)。因此,運算模組122可根據瀏覽歷程S判斷瀏覽歷程S中與商品#1相關的行為的個數為2。據此,運算模組122可根據表7取得瀏覽歷程S中與商品
(
)相關的瀏覽行為的個數
,如表10所示,其中商品#1對應於商品
,商品#3對應於商品
,並且商品#X對應於商品
。
表10
商品#1 | 商品#3 | … | 商品#X | |
瀏覽歷程S | 2 | 1 | … | 1 |
在取得第五機率矩陣
以及與
(
)相關的瀏覽行為的個數
後,運算模組122可根據第五機率矩陣
以及與
(
)相關的瀏覽行為的個數
來計算分別對應於M個消費金額
(j=1, 2, …, M)的多個機率值,如公式(3)所示。
…(3)
以表9第五機率矩陣
以及表10的與
(
)相關的瀏覽行為的個數
為例,運算模組122可根據公式(3)計算出如表11所示的分別對應於M個消費金額
(j=1, 2, …, M)的多個機率值。以對應於消費金額0(即:消費金額
)的機率值為例,運算模組122可根據公式(4)計算出對應於消費金額0的機率值
。
表11
…(4)
消費金額 | ||||||||
0 | 200 | 500 | 700 | 900 | 1200 | 1400 | 1800 | |
機率值 | 0.637 | 0.132 | 0.125 | 0.085 | 0.036 | 0.023 | 0.003 | 0 |
運算模組122可根據分別對應於M個消費金額
(j=1, 2, …, M)的多個機率值計算出消費金額的期望值E,如公式(5)所示。在計算完期望值E後,運算模組122可將顧客的預測消費金額設為期望值E。輸出模組123可通過收發器130輸出預測消費金額。例如,輸出模組123可通過收發器130輸出預測消費金額至購物網站,以使購物網站能根據顧客的預測消費金額決定對該名客戶的行銷方案。
…(5)
電子裝置100可為顧客提供能最大化購物網站的收益的推薦商品資訊。具體來說,運算模組122可將關聯於購物網站的X種商品的每一者的一或多個瀏覽行為添加至顧客的瀏覽歷程S中,以產生分別對應於X種商品的X個潛在瀏覽歷程。以表7的瀏覽歷程S為例,運算模組122可將對應於X種商品的每一者的瀏覽行為v(即:瀏覽商品頁面)添加至瀏覽歷程S中,以產生如表12所示的X個潛在瀏覽歷程。運算模組122可進一步根據上述實施例所述的方法而根據X個潛在瀏覽歷程計算出分別對應於X個潛在瀏覽歷程的X個預測消費金額,如表12所示。運算模組122可從X種商品中挑選出對應於X個預測消費金額中的最大值的商品。運算模組122可產生對應於所述商品的推薦商品資訊。輸出模組123可通過收發器130輸出所述推薦商品資訊。以表12為例,運算模組122可響應於商品#3對應於X個預測消費金額的最大值而挑選商品#3。運算模組122可產生對應於商品#3的推薦商品資訊。輸出模組123可通過收發器130輸出商品#3的推薦商品資訊。例如,輸出模組123可將商品#3的推薦商品資訊傳送至購物網站,以使購物網站能推薦對應於瀏覽歷程S的顧客購買商品#3,以最大化購物網站的收益。
表12
潛在瀏覽歷程 | 瀏覽行為 | 預測消費金額 |
#1 | v(商品#3), v(商品#X), v(商品#1), v(商品#1), v(商品#1) | 207.82 |
… | … | … |
#3 | v(商品#3), v(商品#X), v(商品#1), v(商品#1), v(商品#3) | 307.19 |
… | … | … |
#10 | v(商品#3), v(商品#X), v(商品#1), v(商品#1), v(商品#10) | 212.72 |
… | … | … |
#X | v(商品#3), v(商品#X), v(商品#1), v(商品#1), v(商品#X) | 220.35 |
瀏覽行為:v為瀏覽商品的頁面;c為將商品放入購物車;b為購買商品 |
圖4根據本發明的一實施例繪示一種預測購物網站的顧客的消費金額的方法的流程圖,其中所述方法可由如圖1所示的電子裝置100實施。在步驟S401中,接收對應於購物網站的多個瀏覽歷程以及對應於多個瀏覽歷程的多個消費金額。在步驟S403中,接收對應於顧客的第一瀏覽歷程。在步驟S405中,根據多個瀏覽歷程、多個消費金額以及第一瀏覽歷程計算顧客的預測消費金額。在步驟S407中,輸出預測消費金額。
顧客的選購行為有幾個重要議題:一是顧客每次上網瀏覽商品的動機可能不同,造成每次瀏覽商品不同。因此,同一消費者在不同次上網的購買力也不同;二為購物網站上的商品琳瑯滿目,多數商品瀏覽人數稀少,容易遭遇資料稀疏性問題;三是僅推薦顧客最可能瀏覽或購買的商品不見得能最大化該名顧客的消費金額。因應於此,本發明可結合眾多顧客的瀏覽歷程和消費金額,以機率模型將顧客有興趣的商品聚集成群,再根據關聯於商品群以及消費金額之級距的機率模型來判斷最有助於提升顧客之消費金額的商品給該名顧客。本發明之商品群有助於細膩擷取特定消費動機。例如,廣泛瀏覽不同手機品牌的行為與僅瀏覽多個商家之同型號手機的行為可能呈現顧客分別處於蒐集資料與最後比價的不同階段,故兩種行為可代表不同的購買意願。又例如,瀏覽手機商品群與衛生紙商品群的購買力不同。相較於考慮各個獨立商品,商品群也有效避免資料稀疏性問題。同時,瞭解商品群與消費金額級距之關聯程度可引導顧客瀏覽有興趣且能提高購買金額之商品。
綜上所述,本發明的特點與功效可包含:(1)基於消費者的商品瀏覽歷程,動態地估計該消費者的購買力,從而以最佳的行銷配置來最大化購物網站的營收。(2)聚集消費者共同瀏覽商品成群,可呈現消費動機且避免稀疏性問題。(3)建立商品群與消費金額級距關聯,可推薦顧客有興趣且能提高購物網站之營收的商品。
100:電子裝置
110:處理器
120:儲存媒體
121:資料收集模組
122:運算模組
123:輸出模組
130:收發器
21、22、23:模型
S401、S403、S405、S407:步驟
圖1根據本發明的一實施例繪示一種預測購物網站的顧客的消費金額的電子裝置的示意圖。
圖2根據本發明的一實施例繪示由第一主題模型所建立的瀏覽歷程、商品和群集之間的關係的示意圖。
圖3根據本發明的一實施例繪示由第二主題模型所建立的瀏覽歷程、消費金額和群集之間的關係的示意圖。
圖4根據本發明的一實施例繪示一種預測購物網站的顧客的消費金額的方法的流程圖。
S401、S403、S405、S407:步驟
Claims (6)
- 一種預測購物網站的顧客的消費金額的電子裝置,包括:收發器;儲存媒體,儲存多個模組;以及處理器,耦接所述儲存媒體以及所述收發器,並且存取和執行所述多個模組,其中所述多個模組包括資料收集模組、運算模組以及輸出模組,其中所述資料收集模組通過所述收發器接收對應於所述購物網站的多個瀏覽歷程以及對應於所述多個瀏覽歷程的多個消費金額,其中所述購物網站關聯於多種商品,其中所述資料收集模組通過所述收發器接收對應於所述顧客的第一瀏覽歷程,其中所述第一瀏覽歷程關聯於所述多種商品的商品子集合,並且包括對應於所述商品子集合的至少一第一瀏覽行為,其中所述運算模組根據所述多個瀏覽歷程、所述多個消費金額以及所述第一瀏覽歷程計算所述顧客的預測消費金額,且所述運算模組分別將關聯於所述多種商品的每一者的至少一瀏覽行為添加至所述第一瀏覽歷程中以產生多個第二瀏覽歷程,其中所述運算模組根據所述多個第二瀏覽歷程計算分別對應於所述多個第二瀏覽歷程的多個預測消費金額,並且響應於所述多種商品中的第一商品對應於所述多個預測消費金額中的最大值而產 生對應於所述第一商品的推薦商品資訊,其中所述輸出模組通過所述收發器輸出所述預測消費金額以及所述推薦商品資訊。
- 如請求項1所述的電子裝置,其中所述多個瀏覽歷程的每一者關聯於所述多種商品的至少其中之一,其中所述運算模組根據所述多個瀏覽歷程產生對應於所述多個瀏覽歷程和多個群集的第一機率矩陣以及對應於所述多種商品和所述多個群集的第二機率矩陣,並且根據所述多個消費金額產生對應於所述多個群集和所述多個消費金額的第三機率矩陣,其中所述運算矩陣根據所述第一機率矩陣、所述第二機率矩陣、所述第三機率矩陣以及所述第一瀏覽歷程以計算所述預測消費金額。
- 如請求項2所述的電子裝置,其中所述運算模組自所述第二機率矩陣中取出對應於所述商品子集合的多個元素以產生對應於所述商品子集合和所述多個群集的第四機率矩陣,其中所述運算模組將所述第四機率矩陣和所述第三機率矩陣相乘以產生對應於所述商品子集合和所述多個消費金額的第五機率矩陣,其中所述運算模組根據所述第五機率矩陣以及所述至少一第一瀏覽行為的第一個數計算所述預測消費金額。
- 如請求項3所述的電子裝置,其中所述多個瀏覽歷程的每一者包括對應於所述多種商品的至少其中之一的至少一瀏覽行為,其中所述運算模組將所述多個瀏覽歷程的所述每一者的所述至少一瀏覽行為的個數輸入至第一主題模型以產生所述第一機率矩陣以及所述第二機率矩陣,其中所述運算模組將所述多個消費金額以及所述第一機率矩陣輸入至第二主題模型以產生所述第三機率矩陣。
- 如請求項4所述的電子裝置,其中所述第一主題模型或所述第二主題模型為隱含狄利克雷分布模型。
- 一種預測購物網站的顧客的消費金額的方法,適用於電子裝置,包括:由所述電子裝置接收對應於所述購物網站的多個瀏覽歷程以及對應於所述多個瀏覽歷程的多個消費金額,其中所述購物網站關聯於多種商品;由所述電子裝置接收對應於所述顧客的第一瀏覽歷程,其中所述第一瀏覽歷程關聯於所述多種商品的商品子集合,並且包括對應於所述商品子集合的至少一第一瀏覽行為;由所述電子裝置根據所述多個瀏覽歷程、所述多個消費金額以及所述第一瀏覽歷程計算所述顧客的預測消費金額,且分別將關聯於所述多種商品的每一者的至少一瀏覽行為添加至所述第一瀏覽歷程中以產生多個第二瀏覽歷程,根據所述多個第二瀏覽歷 程計算分別對應於所述多個第二瀏覽歷程的多個預測消費金額,並且響應於所述多種商品中的第一商品對應於所述多個預測消費金額中的最大值而產生對應於所述第一商品的推薦商品資訊;以及由所述電子裝置輸出所述預測消費金額以及所述推薦商品資訊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143344A TWI763165B (zh) | 2020-12-09 | 2020-12-09 | 預測購物網站的顧客的消費金額的電子裝置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109143344A TWI763165B (zh) | 2020-12-09 | 2020-12-09 | 預測購物網站的顧客的消費金額的電子裝置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI763165B true TWI763165B (zh) | 2022-05-01 |
TW202223800A TW202223800A (zh) | 2022-06-16 |
Family
ID=82593932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109143344A TWI763165B (zh) | 2020-12-09 | 2020-12-09 | 預測購物網站的顧客的消費金額的電子裝置和方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI763165B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630946A (zh) * | 2015-12-23 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 一种基于大数据的领域交叉推荐方法及装置 |
CN107613520A (zh) * | 2017-08-29 | 2018-01-19 | 重庆邮电大学 | 一种基于lda主题模型的电信用户相似度发现方法 |
US20190149869A1 (en) * | 2015-07-24 | 2019-05-16 | Videoamp, Inc. | Programmatic tv advertising placement using crossscreen consumer data |
TWM594749U (zh) * | 2020-01-02 | 2020-05-01 | 第一商業銀行股份有限公司 | 個人化行銷優惠產生系統 |
CN111539782A (zh) * | 2020-01-21 | 2020-08-14 | ***股份有限公司 | 基于深度学习的商户信息数据处理方法及其*** |
-
2020
- 2020-12-09 TW TW109143344A patent/TWI763165B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190149869A1 (en) * | 2015-07-24 | 2019-05-16 | Videoamp, Inc. | Programmatic tv advertising placement using crossscreen consumer data |
CN105630946A (zh) * | 2015-12-23 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 一种基于大数据的领域交叉推荐方法及装置 |
CN107613520A (zh) * | 2017-08-29 | 2018-01-19 | 重庆邮电大学 | 一种基于lda主题模型的电信用户相似度发现方法 |
TWM594749U (zh) * | 2020-01-02 | 2020-05-01 | 第一商業銀行股份有限公司 | 個人化行銷優惠產生系統 |
CN111539782A (zh) * | 2020-01-21 | 2020-08-14 | ***股份有限公司 | 基于深度学习的商户信息数据处理方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
TW202223800A (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145518B (zh) | 一种社交网络下基于深度学习的个性化推荐*** | |
TWI539305B (zh) | Personalized information push method and device | |
US10181138B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
WO2017162070A1 (zh) | 一种业务对象的分时推荐方法和*** | |
CN111242729A (zh) | 一种基于长短期兴趣的序列化推荐方法 | |
US20110112981A1 (en) | Feature-Based Method and System for Cold-Start Recommendation of Online Ads | |
US11321724B1 (en) | Product evaluation system and method of use | |
CN109840796B (zh) | 决策因素分析装置与决策因素分析方法 | |
Sharma et al. | Analysis of book sales prediction at Amazon marketplace in India: a machine learning approach | |
WO2017114198A1 (zh) | 一种数据处理方法和装置 | |
US11200593B2 (en) | Predictive recommendation system using tiered feature data | |
CN112330358A (zh) | 产品销量预测的方法和装置、存储介质和电子设备 | |
US9767231B2 (en) | Method and system for calculating affinity between entities using electrical circuit analogy | |
US20130254025A1 (en) | Item ranking modeling for internet marketing display advertising | |
US11810151B2 (en) | Predictive recommendation system using tiered feature data | |
CN105335518A (zh) | 生成用户偏好信息的方法及装置 | |
WO2020142837A1 (en) | Smart basket for online shopping | |
Wu et al. | An enhanced recommendation scheme for online grocery shopping | |
TWI763165B (zh) | 預測購物網站的顧客的消費金額的電子裝置和方法 | |
Dai et al. | Item-level forecasting for e-commerce demand with high-dimensional data using a two-stage feature selection algorithm | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
Xu et al. | A scalable recommendation engine for new users and items | |
Lee et al. | Marketing Strategies of Fishery Products for Supermarkets and Farmers' Markets in Taiwan | |
Cui et al. | Impact of online review on sales: An empirical investigation of experience products with different popularities | |
Guo | A multi-category inter-purchase time model based on hierarchical Bayesian theory |