购物者助手制造技术

在一个实施例中，方法包括监控个人或某个消费者的行动并维护存储在消费者个人的存储器中的数据库。数据库可具有消费者的偏好的指示和个人消费者的购买历史。数据库可以是基于消费者的监控的行动。该方法还可包括基于所维护的数据库来向消费者提供建议的产品。

【技术实现步骤摘要】
【专利摘要】在一个实施例中，方法包括监控个人或某个消费者的行动并维护存储在消费者个人的存储器中的数据库。数据库可具有消费者的偏好的指示和个人消费者的购买历史。数据库可以是基于消费者的监控的行动。该方法还可包括基于所维护的数据库来向消费者提供建议的产品。【专利说明】购物者助手 相关申请 本申请涉及代理人案号为NO. 4148. 1037-000的Jean Jacques Grimaud的美国专 利申请号NO. 13/494,223 "Symbiotic Helper"，其被通过引用全部并入。
技术介绍
通常，零售商使用来自制造商和供应商的数据管理他们提供的产品和服务的产品 信息和规范。他们还以两种方式之一得到并使用顾客数据。在第一种传统方式中，零售商 可从已经聚合在段中的一个或多个大的数据源获取数据。他们使用所获取的数据，以便创 建产品或服务群或段，然后分析所创建的群或段，并能够预测消费者段的未来购买。所获取 的数据可包括来自社交网站或其它个人数据源的消费者的个人数据、或购买数据和/或基 于位置的记录（例如来自蜂窝网络、搜索引擎、和/或映射或地理定位公司），这些数据中的 任一个或全部在规章要求时聚合在源处。 在第二种方式中，零售商也可获取来自例如Enliken、Intelius、Spokeo等聚合器 的个人数据，并使用该个人数据来预测未来购买或愿望。零售商还可使用它本身从消费者 收集的个人数据，包括与其它所获取的数据孤立或组合的个人数据（例如地址、年龄等）、 交易数据、和/或愿望清单。 提供店内和在线购物体验的传统方法是使消费者在商店内或在网站上花费尽可 能多的时间。很多零售商相信购物者在购物体验中花费更多时间是作为消费者花费的额外 时间购物的结果产生更多的销售的唯一方法。 今天，可用的大数据的质量不足以确保零售商获取、存储、以及处理数据的成本超 过大数据的使用的益处。虽然购买行为的相关性可在给定段中建立，但因果关系远远不是 清楚的，且结果的正确使用可能是有疑问的。此外，消费者对于与零售商共享超出进行购买 所必需的信息以外的个人或识别数据日益变得敏感。在一些情况下，如果消费者觉得未来 联系是讨厌的或打扰的，消费者可能输入虚假的数据以防止来自零售商的未来联系。 由于个人可识别信息和财务信息的偶尔数据泄漏，政府和组织也变得更多地涉及 管制消费者数据的获取和存储，并考虑强制零售商和其它在先实体实现隐私规则。此外，越 来越多数量的消费者在智能手机和移动设备上在本地管理个人数据，并在交易中根据需要 使用该数据，这对零售商提供了较不可用的数据。使用关于消费者的较不可用的数据，零售 商可能在向它的消费者提供准确的产品推荐方面有困难。零售商还可以通过数据处理重新 调整他们的资产朝向购物者服务。
技术实现思路
因此，在本专利技术的一个实施例中，购买助手（或购物助手）使消费者能够尽快从零 售商找到他或她想要的东西，允许更快地返回到期望产品的短列表。购买助手通过使购物 时段更有效和更可能导致令消费者满意的购买而缩短了购物时段。 在一个实施例中，本专利技术涉及使零售商能够用智能建议协助购物者的计算机程序 或系统。"购买助手"或"购物助手"可被体现为独立计算机程序、可佩戴的计算机、连接网 络的计算机程序、以及在线购物网站、和/或移动应用。 三种类型的数据可指示消费者的未来购买。第一类型的数据是预期用途、上下文、 以及环境数据。该数据定义目的、位置、方式、以及产品用于实现消费者的特定目标的时间 长度。消费者的特定目标和达到这些目标的要求可能并不被完全定义，因为消费者可能不 知道他或她对产品的需要。消费者可能在购物之前或期间变得知道他或她的需要，因为消 费者开始与产品或产品的虚拟表示互动。 消费者向购买助手提供这个第一类型的数据。购买助手配置成询问消费者适应性 问题以理解待购买的产品的用途、上下文、以及环境。问题按照产品超类别和产品类别而改 变。当购买助手获取关于消费者的数据时，问题的频率和性质可被调节或自动调节（例如 当购买助手知道关于消费者的更多情况时减少）。 第二类型的数据是产品的规范。产品的规范包括产品的尺寸、物理属性、感情属 性、以及功能。 第三类型的数据是产品的交易属性。交易属性包括价格、每单位价格、支付模式、 交付模式、交付时间、方便性等。零售商一般向购物助手提供产品的规范和产品的交易属 性，然而，互联网/云（例如来自搜索或内容聚合系统）也可提供规范和交易属性。然而， 在某些情况下，消费者可以提供产品的规范或交易属性。在一些情况下，交易属性可取决于 产品的规范或多个产品的配置，例如当产品作为一组产品被出售时。 其它产品推荐系统不问消费者问题以帮助消费者进行购买。更确切地，它们考虑 用户的行动并试图将那些行动映射到所推荐的产品。例如，零售商向最近购买了书的用户 推荐书。作为另一示例，零售商向最近购买了歌曲的用户推荐歌曲。零售商将这些推荐系 统部署在它的互联网/网络的云端上。零售商管理每个推荐系统，而不是购买产品的消费 者。 产品推荐系统例如通过使用测量网站的增加收入的度量，基于来自大群体用户的 数据来推荐产品。它们还对访问网站的所有用户使用单个模型，或如果它们使用多个模型， 则基于群体的一部分的大的人口统计来定义模型。然而，它们并不使用适应于每个个体用 户的模型。 在教育环境中，适应性用户模型促进学生学习并改善给予学生的测试的内容。学 习引擎基于用户的行动来自动适应用户模型。然而，这些学习引擎可能产生误报，其导致学 生误解在他们的学习地图上的学习路径。 购买助手给消费者提供不同的解决方案。购买助手的用户模型变成为每个消费者 所特有的。在某些情况下，消费者只为他自己或她自己购物。在其它情况下，消费者为多个 消费者例如在他或她的家庭中的其他消费者购物。 消费者的购买通常独立于彼此，例外是购买例如附件、瓷器等作为一组购买。一 般，消费者每年购买在150到200个之间的独特产品，它们中的大部分独立于彼此。相反， 教育课程是知识"砖"的汇编，其每个需要前面的砖的理解以继续进行到下一课程水平。一 般推荐系统倾向于依赖产品的给定类别，并设计成向大群体提供推荐，而不是适应于个人。 购买助手可向消费者提出问题，特别是与购买的预期用途、上下文、以及环境有关 的问题，以更好地理解个人消费者的购买的要求。当前的推荐系统不问消费者关于预期购 买的问题；它们关心产品规范和交易属性。 消费者通常从多个产品当中选择他或她的购买。这些产品中的一些可由消费者找 至IJ，而其它产品可由购买助手找到。消费者决定是谢绝还是购买产品以及购买哪个物品。为 了对比购买助手与教育适应性模型，为多项选择考试而学习的学生必须在呈现给他/她的 有限组的多个选择当中选择正确的答案。学生不能靠他或她自己找出或输入除了所呈现的 多个选择以外的额外的答案。相反，购买助手的消费者可找出除了由零售商所呈现的初始 产品以外的额外的产品。 一般零售商网站和网站应用在页面上显示产品的集合。每页显示产品的列表的产 品。一般，零售商网站每页只显示产品的有限数量的2D表示。在页中显示产品使选择并比 较在同一页本文档来自技高网...

【技术保护点】
一种方法，包括：监控消费者的行动；维护存储在所述消费者个人的存储器中的数据库，所述数据库具有所述消费者的偏好的指示和所述消费者的购买历史，所述数据库基于所监控的所述消费者的行动；以及基于所维护的数据库，向所述消费者提供建议的产品。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：JJ·格里莫，W·马丁，
申请(专利权)人：达索系统公司，
类型：发明
国别省市：法国;FR