【技术实现步骤摘要】
决策因素分析装置与决策因素分析方法
本专利技术是有关于一种决策因素分析装置与决策因素分析方法。
技术介绍
随着时代的进步、网络的发达及运送通路的演进，现在人的购物方式也由从实体店面中购物的方式转为从电商网站购物的方式。换言之，网络购物已经是一种趋势。对于利用电商网站来进行货物贩卖的卖家(或相关的商品管理者)来说，虽然可根据电商网站所提供的统计信息/历史记录(如，已贩卖商品的数量/类型)来判断哪些商品是畅销的。但是，卖家不容易从这些统计信息/历史记录中来判断影响这些畅销商品之所以畅销的因素，导致卖家难以进一步地提高在电商网站中所贩卖的商品的被购买率，即，卖家并不能够充分地享受到利用电商网站贩卖商品的好处。例如，卖家不容易经由电商网站所提供的统计信息/历史记录来有效地辨识出购买率较高的商品(以及其规格)或是辨识出可吸引人购买商品的贩卖网页的设计特征/规格。基此，要如何利用电商网站所提供的统计信息/历史数据来分析出商品之所以被购买的决策因素，进而使卖家可辨识出购买率较高的产品，或是设计出较具卖相的网页，是本领域人员致力发展的目标。
技术实现思路
本专利技术提供一种决策因素分析装置与决策因素分析方法，可分析影响所述特定商品类型的商品是否被购买的多个决策因素。本专利技术的一实施例提供用于分析导致一商品类型的商品被购买的多个决策因素的一种决策因素分析装置。所述决策因素分析装置包括通信电路单元、存储装置以及处理器。通信电路单元用以连接至电商网站的电商服务器。存储装置用以储存多个程序代码模块。所述处理器用以存取且执行所述多个程序代码模块，以执行对应所述商品类型的决策因素分析操...
【技术保护点】
1.一种决策因素分析装置，其特征在于，所述决策因素分析装置包括：通信电路单元，用以连接至电商网站的电商服务器；存储装置，用以储存多个程序代码模块；以及处理器，其中该处理器用以存取且执行该些程序代码模块，以执行对应商品类型的决策因素分析操作，其中该些程序代码模块包括，数据撷取模块，用以自该电商服务器读取多个商品数据与分别对应多个消费者的多个浏览历史数据与多个购买历史数据；决策因素管理模块，用以管理该决策因素分析操作；以及回归模型管理模块，用以训练回归模型，其中该决策因素管理模块根据该商品类型从该些浏览历史数据与该些购买历史数据中获得对应该商品类型的特征序列，其中该决策因素管理模块根据该特征序列、该些商品数据与回归模型获得对应该商品类型的决策因素序列，其中在对应该商品类型的该决策因素序列的多个决策因素中排序最前面的第一决策因素被判定为最影响该商品类型的商品是否会被购买的关键商品信息。
【技术特征摘要】
2017.11.24 TW 1061410431.一种决策因素分析装置，其特征在于，所述决策因素分析装置包括：通信电路单元，用以连接至电商网站的电商服务器；存储装置，用以储存多个程序代码模块；以及处理器，其中该处理器用以存取且执行该些程序代码模块，以执行对应商品类型的决策因素分析操作，其中该些程序代码模块包括，数据撷取模块，用以自该电商服务器读取多个商品数据与分别对应多个消费者的多个浏览历史数据与多个购买历史数据；决策因素管理模块，用以管理该决策因素分析操作；以及回归模型管理模块，用以训练回归模型，其中该决策因素管理模块根据该商品类型从该些浏览历史数据与该些购买历史数据中获得对应该商品类型的特征序列，其中该决策因素管理模块根据该特征序列、该些商品数据与回归模型获得对应该商品类型的决策因素序列，其中在对应该商品类型的该决策因素序列的多个决策因素中排序最前面的第一决策因素被判定为最影响该商品类型的商品是否会被购买的关键商品信息。2.根据权利要求1所述的决策因素分析装置，其中在该决策因素管理模块根据该商品类型从该些浏览历史数据与该些购买历史数据中获得对应该商品类型的该特征序列的操作中，该决策因素管理模块根据该商品类型指示该数据撷取模块从对应该些消费者的该些浏览历史数据与该些购买历史数据中辨识对应该商品类型的多个商品序列，其中每一个商品序列包括属于该商品类型的分别对应该些消费者的多个已浏览商品，其中该些已浏览商品包括一或多个未购买商品与购买商品，其中该决策因素管理模块根据该些商品序列中各自的所述一或多个未购买商品与该购买商品来获得分别对应该些商品序列的多个特征组，其中每一个特征组包括多个特征及分别对应该些特征的多个特征值，其中该决策因素管理模块根据对应该商品类别的该些商品序列与该些特征组获得特征序列。3.根据权利要求2所述的决策因素分析装置，其中在上述该决策因素管理模块根据该商品类型指示该数据撷取模块从对应该些消费者的该些浏览历史数据与该些购买历史数据中辨识对应该商品类型的该些商品序列的操作中，针对该些消费者中的第一消费者，该数据撷取模块从对应该第一消费者的第一浏览历史数据中选择在N天内的第一近期浏览历史数据，并且从对应该第一消费者的第一购买历史数据中选择在N天内的第一近期购买历史数据，其中该数据撷取模块从该第一近期浏览历史数据中辨识出该第一消费者所浏览的对应该商品类型的多个第一已浏览商品，并且根据该第一近期购买历史数据辨识该些第一已浏览商品中的第一购买商品，其中该些第一已浏览商品中非该第一购买商品的一或多个其他已浏览商品为一或多个第一非购买商品，其中该第一购买商品表示该第一消费者浏览该些第一已浏览商品后从该些第一已浏览商品中所选择以购买的商品，其中该数据撷取模块将该第一购买商品与所述一或多个第一非购买商品作为对应该商品类别的第一商品序列。4.根据权利要求3所述的决策因素分析装置，其中在上述该决策因素管理模块根据该些商品序列中各自的所述一或多个未购买商品与该购买商品来获得分别对应该些商品序列的多个特征组的操作中，该决策因素管理模块指示该数据撷取模块根据该些商品数据与该第一商品序列撷取对应该第一购买商品的第一商品信息组，并且根据该些商品数据与该第一商品序列撷取分别对应所述一或多个第一未购买商品的第二商品信息组，其中该第一商品信息组具有不同的多个第一商品信息，并且每一个第二商品信息组具有不同的多个第二商品信息，该决策因素管理模块经由比较分别对应所述一或多个第一未购买商品的该第二商品信息组的该些第二商品信息与该些第一商品信息来计算分别对应该些第一商品信息的多个稀有值，该决策因素管理模块根据该些第一商品信息与对应的该些稀有值执行特征转换，以转换该些稀有值为对应该第一商品序列的第一特征组的多个第一特征值，其中该决策因素管理模块将该些第一商品信息作为该第一特征组的多个第一特征。5.根据权利要求4所述的决策因素分析装置，其中在上述该决策因素管理模块根据该些第一商品信息与对应的该些稀有值执行该特征转换，以转换该些稀有值为对应该第一商品序列的第一特征组的该些第一特征值的操作中，该决策因素管理模块从该些稀有值中选择基准稀有值，其中该基准稀有值小于该些稀有值中的最大稀有值且大于该些稀有值中的最小稀有值，该决策因素管理模块将该基准稀有值作为曲线方程式的参数，将该些稀有值输入至该曲线方程式以输出分别对应该些稀有值的该些第一特征值，其中该基准稀有值被转换为该些第一特征值中的最小的第一特征值，该最大稀有值被转换为该些第一特征值中的最大者与次大者的其中之一，并且该最小稀有值被转换为该些第一特征值中的最大者与次大者的其中另一。6.根据权利要求5所述的决策因素分析装置，其中该曲线方程式包括输出值、输入值、该参数、第一预设常数与第二预设常数，其中该输出值藉由该些输入值、该参数、该第一预设常数与该第二预设常数之间的运算所获得，其中在上述将该些稀有值输入至该曲线方程式以输出分别对应该些稀有值的该些第一特征值的步骤包括将每一该些稀有值设定为该输入值且将所选择的基准稀有值设定为该参数，以获得对应每一该些稀有值的输出值，其中分别对应该些稀有值的该些输出值为分别对应该些稀有值的该些第一特征值。7.根据权利要求4所述的决策因素分析装置，其中在上述该决策因素管理模块根据对应该商品类别的该些商品序列与该些特征组获得该特征序列的操作中，该决策因素管理模块根据对应该商品类别的该些特征组的该些特征与分别对应该些特征的特征值来计算每一个特征的平均特征值，其中该决策因素管理模块根据分别对应该些特征的该些平均特征值由大到小来排序对应该商品类别的该些特征，以产生该特征序列。8.根据权利要求1所述的决策因素分析装置，其中在该决策因素管理模块根据该特征序列、该些商品数据与该回归模型获得对应该商品类型的该决策因素序列的操作中，该回归模型管理模块选择该特征序列中已排序的该些特征的前K个特征作为K个决策因素，其中该回归模型管理模块根据所述K个决策因素与该些商品数据训练对应该商品类型的该回归模型以获得一最佳回归模型，并且根据该最佳回归模型获得分别对应所述K个决策因素的K个决策值，其中该决策因素管理模块根据所述K个决策值由大至小排序所述K个决策因素，以产生对应该商品类型的具有所述K个决策因素的该决策因素序列。9.根据权利要求8所述的决策因素分析装置，其中在上述该回归模型管理模块根据所述K个决策因素与该些商品数据训练对应该商品类型的该回归模型以获得该最佳回归模型的操作中，该回归模型管理模块执行下列步骤：(1)该回归模型管理模块根据该些商品序列的该些未购买商品与该些购买商品计算属于该商品类别的多个第一目标商品的实际购买率，其中该些第一目标商品的总数大于等于N；(2)该回归模型管理模块从该些第一目标商品中选择(N-1)个第二目标商品作为训练样本，并且根据所述K个决策因素与每一个第二目标商品的所有特征来辨识每一个第二目标商品的所述K个决策因素的位值；(3)该回归模型管理模块将所述(N-1)个第二目标商品中的每一个第二目标商品的所述K个决策因素的位值作为自变量(independentvariable)且将所述(N-1)个第二目标商品中的每一个第二目标商品的实际购买率作为对应该自变量的因变量(dependentvariable)来输入至该回归模型，以训练该回归模型；(4)该回归模型管理模块从该些第一目标商品中选择所述(N-1)个第二目标商品以外的第三目标商品作为验证样本来进行验证，将该第三目标商品的所述K个决策因素的位值输入至该回归模型，以输出该第三目标商品的预测购买率；(5)该回归模型管理模块计算该第三目标商品的该预测购买率与该实际购买率之间的差值作为对应该第三目标商品的误差值；以及(6)若该误差值小于误差门坎值，该回归模型管理模块判定该回归模型已完成训练，将该回归模型作为对应该商品类型的该最佳回归模型，并且结束训练对应该商品类型的该回归模型的整体操作，其中若该误差值不小于误差门坎值，该回归模型管理模块重新执行步骤(2)，并且在重新执行的步骤(2)中，新的所选择的(N-1)个第二目标商品不完全相同于之前所选择的旧的所述(N-1)个第二目标商品。10.根据权利要求9所述的决策因素分析装置，其中在重新执行步骤(2)之前，该回归模型管理模块先调整该K的数值，再重新执行步骤(2)。11.根据权利要求10所述的决策因素分析装置，其中该回归模型包括梯度提升判定树(GradientBoostDecisionTree，GBDT)回归模型、单变量线性(Univariate)回归模型、多变量线性(Multivariate)回归模型、随机森林(RandomForest)回归模型或XGBoost回归模型。12.根据权利要求1所述的决策因素分析装置，其中所述决策因素分析装置更包括输入/输出装置，其中该决策因素管理模块储存所产生的对应该商品类别的该决策因素序列至决策因素数据库，其中该决策因素数据库包括分别对应多个商品类型的多个决策因素序列，其中该决策因素管理模块经由该输入/输出装置接收查询，其中该查询包括请求商品类型，并且根据该请求商品类型从该决策因素数据库中查找该些决策因素序列中对应该请求商品类型的目标决策因素序列，其中该决策因素管理模块经由该输入/输出装置显示该目标决策因素序列的多个目标决策因素。13.根据权利要求12所述的决策因素分析装置，其中在浏览该电商网站的商品页面时，该决策因素管理模块辨识该商品页面所显示的展览商品，该决策因素管理模块根据该些商品数据与该展览商品，辨识该展览商品的多个第一展览商品信息，其中若该些第一展览商品信息中的一或多个第二展览商品信息相同于该目标决策因素序列的所述多个目标决策因素的其中之一或多个目标决策因素，该决策因素管理模块经由该输入/输出装置显示所述一或多个第二展览商品信息于该商品页面中对应该展览商品的区域内。14.根据权利要求13所述的决策因素分析装置，其中对应该请求商品类型的该目标决策因素序列可区分为对应商品规格特征的第一目标决策因素序列与对应商品展览特征的第二目标决策因素序列，其中对应该商品规格特征的该第一目标决策序列的多个第一目标决策因素属于商品本身的规格的商品信息，并且对应该商品展览特征的该第二目标决策序列的多个第二目标决策因素属于该电商网站的用以展览商品的页面的特征的商品信息，其中在上...
【专利技术属性】
技术研发人员：林政良，李杰欣，王恩慈，黄俊堂，左聪文，
申请(专利权)人：财团法人工业技术研究院，
类型：发明
国别省市：中国台湾,71
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。