收益预测方法、收益预测系统及图案化用户接口

摘要

本公开提供了一种收益预测方法、收益预测系统及图案化用户接口。收益预测系统包括一储存装置及一处理装置。处理装置包括一定价树建立单元、一归纳单元、一路径建立单元、一仿真数据建立单元及一估测单元。定价树建立单元用以依据一目标产品于数个特征阶层、一定价阶层及一订单阶层的内容，建立一定价树。归纳单元用以依据订单阶层的目标历史订单，归纳定价节点。路径建立单元产生数个近似产品之数个定价路径。仿真数据建立单元用以依据各个定价路径与定价树之一相关性，获得数笔仿真历史订单。估测单元以一机率模型分析出一预订定价的一总收益。

说明书

技术领域

本公开是有关于一种收益预测方法、收益预测系统及图案化用户接口。

背景技术

在追求收益最大化的商品的定价过程中，需要考虑的环境变因过于复杂。在多种不同假设情况下，仅就单一预测模型是不足以提供合理的信息让用户获得正确决策所需的各种信息。

过去销售预测因为商业环境因素众多，需考虑市场营销、财务管理、库存管理及物流。这些面向的变化快速，难以实时掌握数据和分析。另外，商务分析不像天气仿真，在专家知识和理论原理上是较为缺乏的。因此，需通过数据驱动化(data driven)的方式，找出局部可代表性的特征事实，做为仿真依据。由于AIoT的发展，各平台零售交易数据的取得变得更加容易，因此可以通过虚拟交易环境的建立来进行各种情境的模拟与测试，让原拟订的各种营销策略具有主动预测的功能，可降低策略的失败率。

在过去数据仿真的技术中，研究人员可以基于历史记录的单一品牌商品价格销售仿真。若数据太少，仿真结果的可信度会不够，或是无法进行模拟。此外，过去的数据仿真技术没有考虑商品/品牌/通路间的竞争关系，使得总收益的预测不够准确。

公开内容

本公开系有关于一种收益预测方法、收益预测系统及图案化用户接口。

根据本公开的一实施例，提出一种收益预测方法。收益预测方法包括以下步骤。依据一目标产品于数个特征阶层、一定价阶层及一订单阶层之内容，以一处理装置建立一定价树。定价阶层包括数个定价节点(pricing node)。订单阶层包括数笔目标历史订单。各个目标历史订单记录一购买者、一购买数量及一折扣。依据订单阶层的目标历史订单，以处理装置归纳定价节点。以处理装置产生数个近似产品的数个定价路径(path)。各个定价路径包括这些特征阶层、定价阶层及订单阶层。至少依据各个定价路径与该定价树的一相关性，以处理装置获得数笔仿真历史订单。依据目标历史订单及仿真历史订单，处理装置以一机率模型分析出一预订定价的一总收益。

根据本公开之另一实施例，提出一种收益预测系统。收益预测系统包括一储存装置及一处理装置。处理装置包括一定价树建立单元、一归纳单元、一路径建立单元、一仿真数据建立单元及一估测单元。定价树建立单元用以依据一目标产品于数个特征阶层、一定价阶层及一订单阶层的内容，建立一定价树。定价阶层包括数个定价节点(pricing node)。订单阶层包括数笔目标历史订单。各个目标历史订单记录一购买者、一购买数量及一折扣。定价树储存于储存装置中。归纳单元用以依据订单阶层的目标历史订单，归纳定价节点。路径建立单元产生数个近似产品的数个定价路径(path)。各个定价路径包括这些特征阶层、定价阶层及订单阶层。仿真数据建立单元用以至少依据各个定价路径与定价树的一相关性，获得数笔仿真历史订单。估测单元用以依据目标历史订单及仿真历史订单，以一机率模型分析出一预订定价的一总收益。

根据本公开的再一实施例，提出一种图案化用户接口。图案化用户接口包括一定价树显示窗口、一归纳按钮、一仿真历史订单增加按钮、一预定定价输入窗口及一总收益显示窗口。定价树显示窗口用以显示一定价树。定价树依据一目标产品于数个特征阶层、一定价阶层及一订单阶层的内容所取得。定价阶层包括数个定价节点(pricing node)。订单阶层包括数笔目标历史订单。各个目标历史订单记录一购买者、一购买数量及一折扣。归纳按钮用以供一用户点选后输入一归纳指令，以依据订单阶层的目标历史订单，归纳定价节点。仿真历史订单增加按钮用以供用户点选后产生数个近似产品的数个定价路径(path)。各个定价路径包括这些特征阶层、定价阶层及订单阶层，并且至少依据各个定价路径与定价树的一相关性，获得数笔仿真历史订单。预定定价输入窗口用以供用户输入一预订定价。总收益显示窗口用以显示预订定价的一总收益。总收益依据目标历史订单及仿真历史订单，以一机率模型所分析出。

附图说明

图1绘示根据一实施例的收益预测系统的示意图。

图2绘示根据一实施例的收益预测方法的流程图。

图3绘示根据步骤S110的一示例图。

图4绘示步骤S120的一示例图。

图5绘示步骤S130的一示例图。

图6绘示步骤S130的另一示例图。

图7绘示步骤S140的一示例图。

图8绘示定价路径扩增后的目标历史订单与仿真历史订单。

图9绘示根据一实施例的图案化用户接口。

附图标记说明

1000：收益预测系统

100：处理装置

110：定价树建立单元

120：归纳单元

130：路径建立单元

140：仿真数据建立单元

150：估测单元

200：储存装置

900：图案化用户接口

910：定价树显示窗口

920：归纳按钮

930：仿真历史订单增加按钮

940：预定定价输入窗口

950：总收益显示窗口

B31、B32：品牌节点

BN：品牌阶层

BR：购买者

DC：折扣

F31、F32：功能节点

FN：功能阶层

L31、L32：定位节点

LC：定位阶层

ML：机率模型

O11、O12、O13、O14、O15：目标历史订单

O41、O42、O43、O44、O45：仿真历史订单

OD：订单阶层

P11、P12、P13、P14、P15、P21、P22、P23：定价节点

PP：预定定价

PR：定价阶层

QT：购买数量

S110、S120、S130、S140、S150：步骤

T21、T22、T23、T31、T32、T33、T34、T35、T36、T37、T38、T39：定价路径

TR10、TR20：定价树

RV：总收益

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

请参照图1，其绘示根据一实施例的收益预测系统1000的示意图。收益预测系统1000包括一处理装置100及一储存装置200。处理装置100包括一定价树建立单元110、一归纳单元120、一路径建立单元130、一仿真数据建立单元140及一估测单元150。定价树建立单元110、归纳单元120、路径建立单元130、仿真数据建立单元140及估测单元150例如是一电路、一芯片、一电路板、数组程序代码或储存程序代码的储存装置。储存装置200例如是内存、硬盘、光盘或云端数据储存中心。定价树建立单元110连接于储存装置200、归纳单元120。归纳单元120连接于定价树建立单元110、仿真数据建立单元140、储存装置200。估测单元150连接于仿真数据建立单元140、储存装置200。路径建立单元130连接于仿真数据建立单元140、储存装置200。储存装置200连接于定价树建立单元110、归纳单元120、路径建立单元130、估测单元150。本实施例之收益预测系统1000能够利用数据归纳技术归纳历史数据，并且根据近似商品/品牌/通路竞争关系来扩增局部数据，以提升总收益的预测的准确度。以下更通过流程图详细说明上述各项组件的运作。

请参照图2，其绘示根据一实施例的收益预测方法的流程图。在步骤S110中，定价树建立单元110依据一目标产品于数个特征阶层(如品牌阶层BN、功能阶层FN、定位阶层LC等，本公开不限于此，特征阶层也可是年龄阶层/消费族群阶层(男女/少女/学生等))、一定价阶层PR及一订单阶层OD的内容，建立一定价树(例如是图3的定价树TR10)。请参照图3，其绘示根据步骤S110的一示例图。定价阶层PR包括数个定价节点(pricing node)P11～P15。定价节点P11～P15分别为“80元”、“90元”、“100元”、“110元”、“120元”。订单阶层OD包括数笔目标历史订单。举例来说，定价节点P11没有任何目标历史订单，定价节点P13有5笔目标历史订单O11～O15。各个目标历史订单O11～O15记录一购买者BR、一购买数量QT及一折扣DC。举例来说，目标历史订单O11的购买者BR、购买数量QT及折扣DC分别为“b1”、“3”、“10％”；目标历史订单O12的购买者BR、购买数量QT及折扣DC分别为“b2”、“5”、“15％”。

如图3的定价树TR10所示，定价节点P11没有任何目标历史订单。定价节点P11根本没有历史数据能够作为根据来取得近似的仿真订单。因此，需要进一步调整定价阶层PR的定价节点P11～P15的配置，以使每一定价节点都能够有足够数量的目标历史订单。

接着，在步骤S120中，归纳单元120依据订单阶层OD的目标历史订单，归纳定价节点。如图3所示，若定价节点P11～P15的其中一的订单数量低于一阈值(例如是2)，则进行合并。请参照图4，其绘示步骤S120的一示例图。在此步骤中，定价节点P11的订单数量为0，小于2，归纳单元120将定价节点P11与定价节点P12合并为定价节点P21。定价节点P14的订单数量为1，小于2，归纳单元120将定价节点P14与定价节点P15合并为定价节点P23。定价阶层PR经过数据归纳后，各个定价节点P21～P23都能够有足够数量的目标历史订单。如图3和图4所示，图3的定价节点P11～P15被归纳为图4之定价节点P21～P23。在图4中，定价树TR20的定价节点P21～P23分别为“低价位”、“中价位”、“高价位”。

各定价节点P21～P23拥有足够的订单数量后，即可通过以下步骤S120～S130扩增局部数据。

在步骤S130中，路径建立单元130产生数个近似产品的数个定价路径(path)(例如是图5的定价路径T31～T37、…)。请参照图5，其绘示步骤S130的一示例图。各个定价路径T31～T37、…包括数个特征阶层(如品牌阶层BN、功能阶层FN、定位阶层LC等，本公开不限于此，特征阶层也可是年龄阶层/消费族群阶层(男女/少女/学生等))、定价阶层PR及订单阶层OD。品牌阶层BN例如是包括品牌节点B31、B32，品牌节点B31、B32分别为“AA”、“BB”。功能阶层FN例如是包括功能节点F31、F32、…，功能节点F31、F32分别为“保湿”、“美白”。定位阶层LC例如是包括定位节点L31、L32，定位节点L31、L32分别为“开架」、「专柜”。如图5所示，按照品牌阶层BN、功能阶层FN、定位阶层LC、定价阶层PR及订单阶层OD的排列顺序可以建立出数个定价路径T31～T37、…。其中，定价路径T31～T33的品牌节点B31、功能节点F31、定位节点L31分别为“AA”、“保湿”、“开架”，与前述图4的定价树TR20的定价路径T21～T23一致。也就是说，定价路径T31～T33的订单阶层OD的内容与定价路径T21～T23的订单阶层OD的内容是完全一致的。

定价路径T34的品牌节点B31、功能节点F31、定位节点L32分别为“AA”、“保湿”、“专柜”，定价路径T35的品牌节点B31、功能节点F31、定位节点L32分别为“AA”、“保湿”、“专柜”，定价路径T36的品牌节点B32、功能节点F31、定位节点L31分别为“BB”、“保湿”、“开架”，定价路径T37的品牌节点B32、功能节点F32、定位节点L31分别为“BB”、“美白”、“开架”。定价路径T34～T37、…的特征阶层的内容不同于图4之定价树TR20的定价路径T21～T23之特征阶层的内容。这些定价路径T34～T37、…代表不同商品/品牌/通路间的竞争关系。若从这些定价路径T34～T37、…可以根据订单阶层OD的内容搜寻出与定价路径T21～T23近似者，近似的定价路径的数据是具有可参考价值的，可将其加入定价树TR20，以提升总收益的预测的准确度。

品牌阶层BN、功能阶层FN、定位阶层LC可以按照不同的排列顺序，建立出各种不同的定价路径。请参照图6，其绘示步骤S130的另一示例图。根据另一种排列顺序，可以获得其他定价路径T38、T39、…等。定价路径T38、T39、…按照品牌阶层BN、定位阶层LC、功能阶层FN的顺序来建立。同样的，这些定价路径T38、T39、…代表不同商品/品牌/通路间的竞争关系。

在上述步骤S130所产生的数个定价路径T34～T39、…中，定价路径T34～T39、…的特征阶层的排列不完全相同。并且，各个定价路径T34～T39、…的特征阶层的内容与目标产品之特征阶层的内容不完全相同。举例来说，定价路径T34的特征阶层的内容为：“『AA』、『保湿』、『专柜』”；定价路径T36的特征阶层的内容为：“『BB』、『保湿』、『开架』”；目标产品的特征阶层的内容为：“『AA』、『保湿』、『开架』”。定价路径T34的特征阶层的内容与目标产品的特征阶层的内容不完全相同，定价路径T36的特征阶层的内容与目标产品的特征阶层的内容不完全相同。

若从这些定价路径T34～T39、…可以根据订单阶层OD的内容搜寻出与定价路径T21～T23近似者，近似的定价路径是具有可参考价值的，可将其加入定价树TR20，以提升总收益的预测的准确度。

在步骤S140中，仿真数据建立单元140依据各个定价路径与定价树之一相关性，获得数笔仿真历史订单(例如是依据图6的定价路径T39与图4定价树TR20的定价路径T22的相关性，获得图7的仿真历史订单O41～O45)。请参照图7，其绘示步骤S140之一示例图。在此步骤中，仿真数据建立单元140优先针对定价路径T34～T39、…中数据量最大者的订单阶层OD的内容计算与定价路径T21、定价路径T22或定价路径T23的相关性。若相关性高于一预定值者，则视为仿真历史订单。

两个定价路径的关联性可以用皮尔生相关系数(Pearson correlationcoefficient)来表示，其根据这两个定价路径之商品被购买的频率，来计算关联性。相关性的计算说明如下式(1)。

其中，ρ_(X，Y)表示“X”、“Y”两个定价路径的关联性，Cov(X，Y)表示“X”定价路径与“Y”定价路径的共变异数，Var(X)表示“X”定价路径的变异数，Var(Y)表示“Y”定价路径的变异数。SX∪Y表示“X”定价路径之商品和“Y”定价路径的商品一起被购买的频率，SX表示“X”定价路径的商品被购买的频率、SY表示“Y”定价路径的商品被购买的频率。

在一实施例中，定价路径T22的商品被购买了30次，定价路径T37之商品被购买了50次，而他们一起被购买了25次，在数据库中，商品的总购买次数为100次，那么定价路径T22与定价路径T37的关联性为

在另一实施例中，假设定价路径T22之商品被购买了40次，定价路径T39之商品被购买了50次，而他们一起被购买了30次，在数据库中，商品的总购买次数为150次，那么定价路径T22与定价路径T39的关联性为

如图7所示，定价路径T39的订单阶层OD的内容与定价路径T22的相关性高，则可将定价路径T39之订单阶层OD的内容视为仿真历史订单O41～O45。仿真历史订单O41～O45可以加入定价路径T22的目标历史订单O11～O15中，以使定价树TR20进行局部扩增。请参照图8，其绘示定价路径T22扩增后的目标历史订单O11～O15与仿真历史订单O41～O45。

上述的定价树TR20可以经过步骤S130、S140进行局部扩增，使得定价树TR20的数据量能够大幅增加，有助于提升后续进行总收益预测的准确度。

接着，在步骤S150中，估测单元150依据这些目标历史订单及这些仿真历史订单，以一机率模型分析出一预订定价的一总收益(例如是依据图8的目标历史订单O11～O15及仿真历史订单O41～O45，以图1的机率模型ML分析出预定定价PP的总收益RV)。

举例来说，预定定价PP为130元时，机率模型ML为下表一。预定定价PP高于原来的定价节点较多，购买者的转购机率较低；预定定价PP高于原来的定价节点不多、或者预定定价PP低于原来的定价节点时，购买者的转购机率较高。在相同价差之下，不同的购买者的转购机率也不相同。转购机率取得方式，可以是依照产品的市占比例，也可以是根据购买者的之前的购买记录显示其对商品的喜好程度作为机率的判定依据。

表一

按照表一之机率模型ML分析出130元的预订定价的总收益RV为“(3*90％*20％*$130+3*90％*80％*$110)+(5*85％*10％*$130+5*85％*90％*$110)+(8*110％*50％*$130+8*110％*50％*$110)+(5*110％*30％*$130+5*110％*70％*$110)+(4*95％*40％*$130+4*95％*60％*$110)+(2*95％*20％*$130+2*95％*80％*$110)+(1*90％*10％*$130+1*90％*90％*$110)+(2*110％*50％*$130+2*110％*50％*$110)+(4*90％*30％*$130+4*90％*70％*$110)+(5*110％*40％*$130+5*110％*60％*$110)＝3967.5”

如此一来，各种预定定价PP皆可以估测出总收益，以便于决策者拟定最佳的预定定价PP。针对预定定价PP进行总收益的估测。由于每个购买者的转购机率不同，而造成每一次估测的总收益不一样，这时当所有估测的总收益都跑完，最佳者与最差者进行平均，以取得平均值。

请参照图9，其绘示根据一实施例的图案化用户接口900。图案化用户接口900例如是呈现于一桌上型显示屏幕、一智能型手机之屏幕、一平板计算机的屏幕。图案化用户接口900包括一定价树显示窗口910、一归纳按钮920、一仿真历史订单增加按钮930、一预定定价输入窗口940及一总收益显示窗口950。

定价树显示窗口910用以显示上述之定价树TR10。归纳按钮920用以供一用户点选后输入一归纳指令，以进行数据归纳。归纳后的定价树TR20会显示于定价树显示窗口910中。

仿真历史订单增加按钮930用以供用户点选后按照上述步骤S130、S140获得数笔仿真历史订单(例如是图7的仿真历史订单O41～O45)。

预定定价输入窗口940用以供用户输入预订定价(例如是130元)。总收益显示窗口950用以显示预定定价PP的总收益RV(例如是3967.5元)。

根据上述实施例，收益预测系统1000能够利用数据归纳技术归纳历史数据，并且根据近似商品/品牌/通路竞争关系来扩增局部数据，以提升总收益RV的预测的准确度。

综上所述，虽然本公开已以实施例公开如上，然其并非用以限定本公开。本公开所属技术领域中具有通常知识者，在不脱离本公开之精神和范围内，当可作各种之更动与润饰。因此，本公开之保护范围当视后附的申请专利范围所界定者为准。