决定下次购买时间区间的方法以及系统与流程

本申请案主张以下各案之优先权：

●美国专利临时申请案第62211890号，其申请日为2015年8月31日，且发明名称为：下次购买时间机制的方法。

该被主张优先权的各申请案是以其整体被合并于本申请案中。

技术领域

本发明涉及数字营销(Digital marketing)，特别是一种用来增进决定顾客下次购买时间区间(或下次购买时间时间)的准确度的方法。

背景技术：

就数字营销来说，如何在正确的时间对顾客做营销(Engage)是极为重要的。如果没有在正确的时间对顾客做营销，营销的效果会大减，甚至减少潜在商机。

技术实现要素：

本发明是为了解决上述问题而进行的，目的在于提供一种使用计算机实施的决定下次购买时间区间的方法以及系统。

本发明所提供的决定下次购买时间区间的方法，可具有以下特征，包括：收集复数个顾客购买记录，该复数个顾客购买记录包含顾客识别、购买日期、购买时间区间、以及购买地点；将该复数个顾客购买记录，基于每一购买地点，分类为个人购买行为与群组购买行为；使用贝叶斯模型，为该个人购买行为计算个人权重，并为该群组购买行为计算群体权重；基于该个人购买行为，产生个人购买行为变量；基于该群体购买行为，产生群体购买行为变量；为该顾客在每一购买地点，使用闭式解运算，并使用该个人购买行为变量、该个人权重、该群体权重、以及该群体购买行为变量做为该闭式解运算的输入，来决定该顾客在该每一购买地点的下次购买时间区间；将下次购买时间区间传输至系统，以进行真实世界的购买营销活动。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征，还包含：基于该个人购买行为的信息，设置至少一个多媒体广告；以及，在该顾客最后在每一购买地点进行购买行为后的下次购买时间区间时，展示该至少一个多媒体广告。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征，还包含：使用下次购买时间区间作为风险率函式的输入，来为该顾客在每一购买地点计算风险率，其中该风险率是指购买行为发生在前次购买日期后特定时间的机率；基于该个人购买行为，选择至少一个多媒体广告；以及当该风险率高于或等于最小风险率时，在该特定时间展示该至少一个多媒体广告。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征，还包含：将该下次购买时间区间与该顾客在该每一购买地点的实际购买时间区间做比较，以决定该下次购买时间区间与该实际购买时间区间之间的关联性；以及为该顾客在每一购买地点，根据该关联性，辨识该顾客的活动状态。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征：根据该下次购买时间区间及该个人购买行为的下次实际购买时间区间，计算该下次购买时间的平均绝对误差或均方误差；以及根据该平均绝对误差或该均方误差，更新该下次购买时间。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征：其中，产生该个人购买行为变量包含产生个人平均购买时间区间。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征：其中，产生该群体购买行为变量包含产生群体平均购买时间区间。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征，还包含：根据该顾客在每一购买地点的该下次购买时间以及实际下次购买时间，计算平均绝对误差或均方误差；以及根据该计算的平均绝对误差或均方误差，更新该顾客在每一购买地点的该下次购买时间。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征，还包含：使用统计分布，产生该闭式解运算。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征：其中，统计分布为伽玛分布或反伽玛分布。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征：

其中，贝叶斯模型为标准贝叶斯模型。

在本发明提供的决定下次购买时间区间的方法中，还可以具有这样的特征，还另包含：根据该购买地点的地理接近度，将该复数个顾客购买记录编组起来，其中，该分类步骤包含：将该复数个顾客购买记录，分类为个人地理接近度购买行为与群组地理接近度购买行为；该计算步骤包含：使用贝叶斯模型，为该个人地理接近度购买行为计算个人地理接近度权重，并为该群组地理接近度购买行为计算群体地理接近度权重；该产生个人购买行为变量包含：基于该个人地理接近度购买行为，产生个人地理接近度购买行为变量；该产生群体购买行为变量包含：基于该群体地理接近度购买行为，产生群体地理接近度购买行为变量；该决定步骤包含：为该顾客在每一地理上接近地点，使用闭式解运算，并使用该个人地理接近度购买行为变量、该个人地理接近度权重、该群体地理接近度权重、以及该群体地理接近度购买行为变量做为该闭式解运算的输入，来决定该顾客在该每一地理上接近地点的下次购买时间区间。

本发明另外提供的决定下次购买时间区间的方法，可具有以下特征，包括：本发明所提供的方法，可具有以下特征，包括：收集复数个顾客购买记录，该复数个顾客购买记录包含顾客识别、购买日期、购买时间区间、以及商品识别；将该复数个顾客购买记录，基于每一商品识别，分类为个人购买行为与群组购买行为；使用贝叶斯模型，为该个人购买行为计算个人权重，并为该群组购买行为计算群体权重；基于该个人购买行为，产生个人购买行为变量；基于该群体购买行为，产生群体购买行为变量；为该顾客在每一商品识别，使用闭式解运算，并使用该个人购买行为变量、该个人权重、该群体权重、以及该复数个群体购买行为变量做为该闭式解运算的输入，来决定该顾客在每一商品识别的下次购买时间区间；以及将该下次购买时间区间传输至系统，以进行真实世界的购买营销活动。

本发明另外提供的决定下次购买时间区间的系统，可具有以下特征，包括：硬件存储器，储存复数个计算机可执行手段；以及硬件处理器，用来执行储存于硬件存储器中的计算机可执行手段，其中，复数个计算机可执行手段包括：收集复数个顾客购买记录，复数个顾客购买记录包含顾客识别、购买日期、购买时间区间、以及购买地点；将复数个顾客购买记录，基于每一购买地点，分类为个人购买行为与群组购买行为；使用贝叶斯模型，为个人购买行为计算个人权重，并为群组购买行为计算群体权重；基于个人购买行为，产生个人购买行为变量；基于群体购买行为，产生群体购买行为变量；为顾客在每一购买地点，使用闭式解运算，并使用个人购买行为变量、个人权重、群体权重、以及群体购买行为变量做为闭式解运算的输入，来决定顾客在每一购买地点的下次购买时间区间；以及将下次购买时间区间传输至系统，以进行真实世界的购买营销活动。

在本发明提供的决定下次购买时间区间的系统中，还可以具有这样的特征：其中，该硬件内存另外储存了以下计算机可执行手段：根据该购买位置的地理接近度，将该复数个顾客购买记录编组起来；将该复数个顾客购买记录，分类为个人地理接近度购买行为与群组地理接近度购买行为；使用贝叶斯模型，为该个人地理接近度购买行为计算个人地理接近度权重，并为该群组地理接近度购买行为计算群体地理接近度权重；基于该个人地理接近度购买行为，产生个人地理接近度购买行为变量；基于该群体地理接近度购买行为，产生群体地理接近度购买行为变量；为该顾客在每一地理上接近地点，使用闭式解运算，并使用该个人地理接近度购买行为变量、该个人地理接近度权重、该群体地理接近度权重、以及该群体地理接近度购买行为变量做为该闭式解运算的输入，来决定该顾客在该每一地理上接近地点的下次购买时间区间。

在本发明提供的决定下次购买时间区间的系统中，还可以具有这样的特征：其中，该硬件内存另外储存了以下计算机可执行手段：使用下次购买时间区间作为风险率函式的输入，来为该顾客在每一购买地点计算风险率，其中该风险率是指购买行为发生在前次购买日期后特定时间的机率；基于个人购买行为，选择至少一个多媒体广告；以及当该风险率高于或等于最小风险率时，在该特定时间展示该至少一个多媒体广告。

在本发明提供的决定下次购买时间区间的系统中，还可以具有这样的特征：其中该硬件内存另外储存了以下计算机可执行手段：比较该下次购买时间与该个人购买行为之下次实际购买时间，以决定该下次购买时间与该下次实际购买时间之间的关联性；及根据该关联性，辨别该个人购买行为之活动状态。

在本发明提供的决定下次购买时间区间的系统中，还可以具有这样的特征：其中该硬件内存另外储存了以下计算机可执行手段：根据该下次购买时间及该个人购买行为的下次实际购买时间，计算该下次购买时间的平均绝对误差或均方误差；及根据该平均绝对误差或该均方误差，更新该下次购买时间。

附图说明

图1是本发明的实施例中，所揭露用来实施该下次购买时间区间决定方法的系统的示意图；

图2为本发明的实施例所示的购买记录数据范例；

图3为本发明的实施例所示的单一频道的购买记录范例，此处所指的单一频道是单一店面；

图4为本发明的实施例所示的单一频道的购买记录范例，此处所指的单一频道是单一商场；

图5为本发明的实施例所示的单一频道的购买记录范例，此处所指的单一频道是单一商品；

图6为本发明的实施例所示的进行购买记录并集的数据范例；

图7为本发明的实施例所示的以算法对输入数据进行数据分析处理的数据范例示意图；

图8为本发明的实施例所揭露的系统在输出记录中决定顾客购买区间状态的数据范例示意图；

图9为本发明的实施例说明本发明的系统使用风险率函式进行评估营销契机的数据范例示意图；

图10为本发明的实施例说明本发明的系统使用风险率函式进行评估营销契机的风险率曲线示意图；

图11与图12为本发明的实施例揭露本发明的系统对决定购买平均时间区间的平均绝对误差与均方误差的计算数据范例；以及

图13与图14为本发明的数种实施例揭露本发明决定下次购买时间区间的方法的流程图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明决定下次购买时间区间的方法作具体阐述。

本发明的其中一个目的在于有效率地决定向顾客进行营销的适当时间。为了达成这个目的，本发明的其中一种作法是先行决定个别顾客在特定购买地点预期进行购买行为的购买平均时间区间(也就是下次购买时间区间)，且随着购买地点的不同，个别顾客被购买平均时间区间也会不同。在决定出平均购买时间区间后，可根据个别顾客前次进行购买行为的日期加上购买平均时间区间，来决定其下次购买时间。

根据本发明的其中一个实施例本发明的下次购买时间决定方法包含以下几个阶段：

●数据输入；

●资料准备；

●使用算法进行数据分析；

●输出格式；及

●验证。

在本发明的其中一个实施例中，一个系统可用来特定地被设计来实施本发明的下次购买时间决定方法。举例来说，通过使用多种特定设计的软件、计算机可执行手段、与硬件模块来实施本发明的方法中各步骤。

图1是本发明的实施例中，所揭露用来实施该下次购买时间区间决定方法的系统的示意图。

如图1所示，系统100包含以硬件实施的处理器110(例如中央处理器)与以硬件实施的内存120，其中内存120储存了实施本实施例所揭示的下次购买时间区间决定方法的计算机可执行手段，而处理器110则用来执行内存120中储存的该些计算机可执行手段。更进一步而言，处理器110用来在系统100中执行本实施例的下次购买时间决定方法，以决定个别顾客的购买平均时间区间；处理器110并根据个别顾客前次最后进行购买行为的时间点加上购买平均时间区间，决定个别顾客的下次进行购买行为的时间点，也就是个别顾客的下次购买时间。系统100另以有线或无线方式连接于接口130，以用来将下次购买时间区间、下次购买行为时间点、以及任何相关的广告内容传送给接口130，使得接口130得以据此在适当的时间点选择广告内容来进行营销，以达到有效向顾客营销的目的。其中接口130本身亦可以为系统，以进行上述营销。

系统100在每一阶段的执行步骤将会以更为详细的方式解释于下列叙述中。

●数据输入：

系统100需要输入顾客购买行为的信息。这些信息可包括：

■顾客识别：每一顾客所个别具有的独一无二识别(Identity)。系统100会基于该顾客识别，来分析顾客的购买行为。

■购买日期与购买时间区间：每次当单一顾客购买至少一个商品时，系统100会记录单一顾客购买商品的时间点，特别是其购买日期。另外，系统100也会根据所记录每一顾客购买商品的所有时间点，计算并记录每一顾客在每二次购买行为之间的购买时间区间。

■购买数量：每次当单一顾客购买至少一个商品时，系统100会记录单一顾客购买商品的商品数量。

■购买地点：每当单一顾客购买至少一个商品时，系统100会记录单一顾客进行购买的地点信息，例如其进行购买的店面(store)或商场(mall)。

■商品识别：每当单一顾客购买至少一个商品时，系统100会记录单一顾客所购买商品的商品识别(Product Identity)。

图2为本发明的实施例所示的购买记录数据范例。

如图2所示，系统100会为顾客每一次的购买行为记录其顾客识别(例如103:50、126:509等)、购买日期、以及购买数量、购买地点(例如店面或商场)、商品识别、或是其他任何相关的购买信息，以作为之后决定购买平均时间区间(亦即下次购买时间区间)的依据。

●资料准备：

系统100在进行上述数据输入过程后，会得到大量与顾客购买行为相关的输入数据。系统100会将这些输入数据进行进一步的统整，并以不同方式分类，例如，采用个别购买行为与群组购买行为进行分类。在某一实施例中，系统100进行数据准备或组织的方式，并包含以下步骤：

●资料清洁：因为前述输入数据过程中收集到的数据，可能会包含对决定购买平均时间区间上非必要或赘述的信息，因此系统100会滤除这类型的信息，以加速或简化后续的数据处理。该非必要或不想要的信息可能是顾客的额外信息、或是被非必要的频道所记录下来。频道的定义会在稍后讲述「以频道为主的切割」步骤时解释。

●以频道为主的切割：系统100可将前述收集到的数据组织起来或组合于不同的频道，并在个别频道中处理输入数据。请参阅图3，单一频道可被定义为具有实体地址或因特网地址的单一店面，例如购买店面A1即可形成单一频道。请参阅图4，单一频道也可被定义为数个彼此具有地理接近度(proximity)的店面。举例来说，百货公司、大型购物中心、市场等包含有数个店面且彼此具有地理接近度的商场(mall)，皆符合图4所定义的频道，例如购买商场B1即可形成单一频道。请参阅图5，频道也可以是藉由单一特定商品所形成，例如图5所示的商品识别C1即可形成单一频道。藉由此处该的频道切割程序，可以有效的让系统100识别出具有类似购买行为习性或倾向的消费者，例如属于同一频道的所有消费者。如此一来，系统100可针对个别销售者(包含上述店面的持有者、商场的经营者、或与产品相关的品牌专营者等)，提供客制化的顾客下次购买时间区间或下次购买时间的分析，以供其进行有效率的营销。

在本发明的实施例中，系统100可针对单一频道内的个别顾客，个别提供下次购买时间/时间区间的相关分析。实现该分析的方式包含将前述收集到的数据(包含购买记录)分类为单一顾客在单一频道内代表其购买行为的购买数据、以及一群顾客在同一频道内代表其购买行为的购买数据。

●基于顾客识别与购买日期进行的并集(Aggregate)：因为系统100会收集大量的购买记录，将部分的购买记录加以整合或并集起来，可加速系统100后续的数据处理。举例来说，系统100可将参考价值上重复的购买记录并集起来。该系统可将单一顾客在同一天内于同一频道所进行的所有购买记录合成单一笔购买记录。如此一来，可以有效减少该系统实施本实施例之决定方法时的运算量。该并集程序亦可应用于单一频道内的所有顾客。

图6为根据本发明之的例示，实施例所示的所图标进行购买记录并集的数据范例，其中图6的范例是以购买店面A6作为单一频道所进行的分析所产生。

如图6所示，顾客识别126:509在2012年8月13日有二笔购买记录，顾客识

别126:509在2012年10月12日有二笔购买记录，且顾客识别126:621在2013年7月9日有二笔购买记录。系统100可在购买店面A6所形成的频道内，基于购买日期来并集购买记录，以将在相同日期产生的购买记录合并起来，并同时合并其购买数量。如图6所示，顾客识别126:509在2012年8月13日的二笔购买记录经过系统100处理后已被合并为一笔购买记录，且购买数量合并为2379；顾客识别126:509在2012年10月12日的二笔购买记录经过系统100处理后，已被合并为一笔购买记录，且购买数量合并为2597；顾客识别126:621在2013年7月9日的二笔购买记录经过系统100处理后已被合并为一笔购买记录，且购买数量合并为2290。在系统100进行的数据并集后，会产生如最后一个字段表示的个别顾客的实际购买时间区间。举例来说，顾客识别126:509在系统100进行上述并集过程后，具有共四笔在不同日期的购买记录，因此其具有三个实际购买时间区间，也就是从2012/8/13至2012/9/12的30天、从2012/9/12至2012/10/12的30天、以及从2012/10/12至2014/1/31的476天。

●使用算法进行数据分析：

在系统100于前述数据输入的过程中准备了所收集的数据，系统100接着会实施接下来的步骤：

●计算：系统100可使用贝叶斯模型(Bayesian Modeling)来调整由数据整理过程接收的数据。更具体的说，系统100基于通过贝叶斯模型所产生的个人权重与群体权重，来决定个别顾客的平均购买时间区间。其中该个人权重(Individual Weight)与该群体权重(Group Weight)是应用在同一频道上。在本发明的实施例中，当所处理的频道是以前述店面或商场相关的地理接近程度分类时，该个人权重即为个人地理接近度权重(individual proximity weight)，且该群体权重即为群体地理接近度权重(group proximity weight)。

在本发明之例示中，对在某一频道购买记录还不是很多的个别顾客来说，系统100在计算这类型个别顾客的购买平均时间区间时，会更多的仰赖这个频道过去的群体顾客购买记录作为计算的基础，因而在计算过程中会调高所使用的群组权重，并降低这类型个别顾客的个人权重。这样做的好处是，在尚未得知或得知较少这类型个别顾客的实际购买习性时，采用过去已建立的群组购买行为作为计算的样本，可以提高计算的准确性。另外，当这样的已建立群组购买行为样本数越大时，计算的准确度也会提高。

同理，在本发明的其他实施例中，当某一个别顾客在某一频道已累积了较明显数量的购买记录后，系统100在计算该顾客的购买平均时间区间时，会更多的仰赖该个别顾客在该频道过去建立的个别顾客购买记录作为计算的基础，因而在计算时会调高该个别顾客的个人权重，并降低所使用的群组权重。这样做的好处是，由于系统100已经累积了一定程度该个别顾客的过去购买记录，而更好的掌握了该个别顾客的购买习性，因此针对该个别顾客所做的计算准确度会较高。

在本发明的例子中，此处的贝叶斯模型可使用标准贝叶斯模型来替代，以基于同一频道内的购买记录，计算个人权重与群体权重。应用贝叶斯模型的其中一个理由在于使个别顾客与其不同频道的组合在机率空间上是各自独立的，例如顾客A与店面B的组合以及顾客A与店面C的组合在决定时的机率空间可藉由使用贝叶斯模型而彼此独立。由于采用了彼此独立的机率空间，而不需要考虑到不同组合之间机率空间的相互影响(Correlation)，而得以有效的降低系统100的运算量。

用于之后将解释的闭式解(Close form)运算的输入变量，包含系统100根据之前频道搜集的个人购买记录(例如在频道进行购物的特定顾客)所产生的个人购买行为变量、以及系统100根据之前频道搜集的群体购买记录(例如在频道进行购物的所有顾客)来产生的群体购买行为变量。在本发明的实施例中，该个人购买行为变量可包含个人平均购买时间间隔，且该群体购买行为变量可包含群组平均购买时间间隔。

●闭式解运算：

系统100会使用闭式解运算来进行仿真与计算，并以前述的个人购买行为变量、群体购买行为变量、个人权重、群组权重作为闭式解运算的输入，以仿真出购买平均时间区间，也就是模拟出下次购买时间区间。使用闭式解运算可以降低运算量，并使模拟结果更为接近真实统计数据，也就是输入数据的真实分布。在本发明的实施例中，该闭式解运算可通过统计分布(Statistical distribution)来产生。该统计分布可为伽玛分布(Gamma distribution)或反伽玛分布(Inverse Gamma distribution)。

在本发明的部分实施例中，可使用以下算式实施Bayesian Model对权重的调整，并据此为每一个别顾客决定购买平均时间区间(下次购买时间区间)，作为决定下次个别顾客出现时间的参考。在此需计算属于同一频道中顾客平均交易周期的平均数μ、同一频道中平均交易周期的变异数δ、每个个别顾客实际交易周期的平均数μ^*、以及每个个别顾客实际交易周期的变异数δ^*。且决定方式如下：

μ^*＝mean(t₁₁，t₁₂，t₁₃，...，t_ij) (3)

δ^*＝var(t₁₁，t₁₂，t₁₃，...，t_ij) (4)

其中代表每个个别顾客的平均购买时间间隔，举例来说，t_l代表频道中第i个个别顾客的平均购买时间间隔。t₁₁，t₁₂，t₁₃，...，t_ij代表每个个别顾客的实际购买时间间隔，其中t_ij代表第i个个别顾客在第j次实际购买行为与第(j+1)次实际购买行为之间的时间间隔。另外，mean()代表取平均数(Mean)的函数，var()代表取变异数(Variance)的函数。为了产生个别顾客的个别权重与频道的群组权重，在决定上述四个变量后，需要先行决定三个衍生变量α,θ,k如下：

接着个别顾客权重W₁以及群体顾客权重W₂可以下列数学算式产生：

其中n_i代表第i个顾客的重复购买次数，也就是第i个顾客的总购买次数减一次。观察方程式(8)与方程式(9)可知，当重复购买次数n_i越小，也就是第i个顾客在频道购买次数越少时，其用于计算的个别顾客权重W₁越低，且其用于计算的群体顾客权重W₂越高；反之，当重复购买次数n_i越大，也就是第i个顾客在频道购买次数越多时，其用于计算的个别顾客权重W₁越高，且其用于计算的群体顾客权重W₂越低。

最后，以期望值的方式计算、并以上述方程式(5)-(7)变量作为输入之后，就会得到每个个体顾客在购买平均时间区间上的期望值，也就是购买平均时间区间E(t_i)，其决定方式如下：

由方程式(10)可知，第i个顾客的购买平均时间区间E(t_i)的决定方式，是以个别顾客权重W₁调整第i个顾客的平均购买时间间隔(也就是前述的个人购买行为变量)，并以群体顾客权重W₂来调整同一频道中所有顾客平均交易周期的平均数μ(也就是群体平均购买时间间隔，亦即前述的群体购买行为变量)。

图7为根据本发明的例示，实施例所示的所图标以算法对输入数据进行数据分析处理的数据范例示意图。

如图7所示，系统100会根据上述的方法，为频道(亦即购买店面A6)每一顾客识别另外算出购买平均时间区间，作为决定下次个别顾客出现时间的参考。在图7中，系统100会记录同一频道内的个别顾客的顾客识别id、最早购买日期min_date、前次购买日期max_date、购买数量total_amount、重复购买次数rep_count、实际平均购买时间间隔gap_mean、分析时间区间recency、分析日期bmd_time、系统100所决定出来的购买平均时间区间E(t_i)。上述各参数的详细定义会在图8中另外详细解释。

●输出格式：

在使用闭式解进行运算后，可直接或间接得到以下参数：

●频道：所分析的购买记录会属于同一频道，例如前述的购买店面A6。

●顾客识别：是每一顾客具有的识别，在「以频道为主的切割」阶段中用来当作判断每一购买记录所隶属的顾客的依据。

●购买平均时间区间：其为在算法进行数据分析的阶段中经过调整而决定出来的个别顾客平均购买时间区间。

以前述实施例中的数学算式举例来说，当系统100根据方程式(10)计算出购买平均时间区间E(t_i)(假设为六天)，并根据单一顾客的输入信息得知该顾客在频道进行购买行为的前次购买日期时(假设为九月一日)，系统100只要将这个前次购买日期往后推算购买平均时间区间E(t_i)代表的天数，即为该顾客下次在同一频道再次进行购买行为的决定日期(例如九月一日往后推六天，也就是九月七日)。购买平均时间区间E(t_i)可为特定顾客计算，也可为同一频道内的所有顾客计算，而得到同一频道内群组顾客购买行为的群组购买平均时间区间。

系统100在决定出购买平均时间区间E(t_i)，并据之推算出特定顾客下次在同一频道再次进行购买行为的决定日期后，会将购买平均时间区间E(t_i)及/或该决定日期传送至其他接口130，再由接口130连接或附属共同作业的营销系统(例如店面、商场、或商品/品牌销售商所持有)根据购买平均时间区间E(t_i)及/或该决定日期的信息来实际负责向特定顾客(例如购买平均时间区间E(t_i)式中该的第i个顾客)进行营销。在本发明的部分实施例中，该营销系统可由单一店面持有者、商场经营者、或品牌独营者来操作分析，以得到系统100所分析决定的结果。在本发明之部分实施例中，接口130代表的营销系统进行营销的方式，包含在对应频道中，由系统100先行根据个别顾客过去的购买记录，来决定适当且与顾客相关的商品广告内容并传送给接口130，例如与商品或是特定品牌的商品相关的多媒体广告内容，再在根据购买平均时间区间E(t_i)计算出来第i个顾客会出现在该实体店面的日期中，使用多媒体接口播放上述商品广告内容，以达到有效对第i个顾客进行营销的目的。该营销系统亦可实际指定人力，在系统100根据购买平均时间区间E(t_i)所推算出来的日期，预期个别顾客会出现并实际进行营销。在本发明的某些实施例中，接口130也可由系统100接收个别顾客过去的购买记录来决定顾客喜爱的广告内容，并接收顾客的购买平均时间区间E(t_i)及前次购买日期，以自行决定适合对顾客营销的日期。

●顾客购买时间区间状态(又称新顾客/存在中顾客/沉睡者顾客状态)：

在本发明之实施例中，系统100可辨识同一频道内所有顾客的购买活跃度，也就是购买时间区间状态。系统100会根据所决定出来的购买平均时间区间E(t_i)以及个别顾客的前次购买日期等信息，为同一频道内的所有顾客辨识不同的购买时间区间状态。系统100会根据所分类出不同顾客的购买活跃度，挑选具有特定购买活跃度的顾客来进行营销。上述顾客购买区间状态的辨识方式可包含如下：

■新顾客状态(New Customer status)：在某一频道进行初次购买行为的个别顾客，皆会被标上新顾客状态。

■存在中顾客状态(Existing Customer status):个别顾客在某一频道进行重复购买行为的时间间隔并未超过根据购买平均时间区间E(t_i)所确定的可容忍天数时，系统100会为这样的个别顾客设定为存在中顾客状态。另外，该可容忍天数可等于前述的购买平均时间区间E(t_i)或其特定倍数(例如整数倍数或是整数倍数加上0.5倍)，或是可另外根据系统100的需求来动态调整。

■沉睡者顾客状态(Sleeper Customer status):个别顾客在某一频道进行重复购买行为的时间间隔已超过可容忍天数、或是再也未进行任何购买行为，系统100会为这样的个别顾客设定到沉睡者顾客状态。

上述顾客购买区间状态可另外命名为NES状态，是取上述三个状态的英文首字母之意。

图8为根据本发明的实施例例示所揭露的系统在输出记录中决定顾客购买区间状态的数据范例示意图。

如图8所示的输出记录中，系统100会记录同一频道(购买店面A6)内的个别顾客的顾客识别id、最早购买日期min_date、前次购买日期max_date、购买数量total_amount、重复购买次数rep_count、平均购买时间间隔gap_mean、分析时间区间recency、分析日期bmd_time、系统100所决定的购买平均时间区间E(t_i)、第一临界时间区间s1、第二临界时间区间s2、第三临界时间区间s3、以及顾客购买区间状态NES。其中重复购买次数rep_count是代表总购买次数减一次。平均购买时间间隔gap_mean是以过去个别顾客实际的购买行为时间间隔的平均来记录。分析日期bmd_time代表系统100实际执行并产出图8所示的输出记录的日期。分析时间区间recency代表分析日期bmd_time减去顾客的前次购买日期max_date所得到的时间区间。第一临界时间区间s1、第二临界时间区间s2、第三临界时间区间s3各自代表顾客在前次购买日期max_date之后，不再次出现于同一频道的累积机率为75％、85％、95％的可能相隔天数，此处会涉及到稍后提到的风险率的计算，并于提及时一并具体说明，且本发明并未限制所采用的累积机率的数值。而顾客购买区间状态NES则是根据顾客的不同分析时间区间recency与第一临界时间区间s1、第二临界时间区间s2、第三临界时间区间s3之间的关系所决定，用来代表顾客在分析日期bmd_time时的顾客活跃度。

以图8的数据具体举例来说，顾客识别id为126:509的顾客(可同时参考同一顾客在图3中的数据)，其最早购买日期min_date为2012/8/13，其前次购买日期max_date为2014/1/31，其购买数量total_amount为9176，其由2012/8/13至2014/1/31之间在该频道共进行了四次购买行为，故其重复购买次数rep_count为3。其平均购买时间间隔gap_mean可例如由图6中所示，取其三个时间间隔30天、30天、以及476天的加总平均，也就是图6所示的178.67天。系统100的分析日期为2014/8/1，因此顾客识别id为126:509的顾客的分析时间区间recency即为分析日期2014/8/1减去其前次购买日期max_date的2014/1/31，也就是共182天。顾客识别126:509的第一临界时间区间s1为299天，即代表当顾客识别126:509在前次购买日期max_date后的第299天时，其不再次出现于该频道的累积机率为75％；同理，其第二临界时间区间s2代表当顾客识别126:509在前次购买日期max_date后的第375天时，其不再次出现于该频道的累积机率为85％；其第三临界时间区间s3代表当顾客识别126:509在前次购买日期max_date后的第428天时，其不再次出现于该频道的累积机率为95％。由于顾客识别126:509的分析时间区间recency(亦即182天)尚未超过其第一临界时间区间s1(亦即299天)，因此其顾客购买区间状态NES所设定的E0，是代表顾客识别126:509目前是处在存在中顾客状态。另外，图8中其他顾客购买区间状态NES为S1、S2、S3的顾客，皆代表处于沉睡者顾客状态。顾客购买区间状态NES为S1的顾客，代表其分析时间区间recency是位于第一临界时间区间s1与第二临界时间区间s2之间；顾客购买区间状态NES为S2的顾客，代表其分析时间区间recency是位于第一临界时间区间s2与第二临界时间区间s3之间；顾客购买区间状态NES为S3的顾客，代表其分析时间区间recency已超过第三临界时间区间s3。简言之，以顾客购买区间状态NES对应的购买行为活跃度而言，E0高于S1、S1高于S2、S2高于S3。

另外，在本发明的另一实施例中，系统100会专注在具有存在中顾客状态E0的个别顾客与群体顾客来进行购买平均时间区间E(t_i)的衍生计算与分析。

■下次购买风险率(Next Purchasing Hazard Rate)：其代表某一顾客在某一频道进行前次购买行为后第X天(X为正整数)时，在同一频道再次进行购买行为的机率。在本发明的实施例中，X可为7或30，以利于进行系统100以周或月为单位进行的运算。下次购买风险率的计算是基于风险率函式、并使用前述决定出来的购买平均时间区间E(t_i)作为该风险率函式的输入，所计算出来。通过下次购买风险率的计算，本发明之系统可以更有效率地找出向个别顾客进行营销的时机。另外，随着每次个别顾客进行购买行为而产生新的顾客购买记录，也会跟着计算出新的购买平均时间区间E(t_i)、并对应更新下次购买风险率。

在本发明的部分实施例中，会对每个个别客户的出现机率空间假定使用半常态分布(half-normal distribution)，以作为计算风险率的基础。每一个别客户的风险率是以分析当日前个别顾客未进行购买行为的机率作为分母(也就是100％的机率减去个别顾客由最后一次进行购买的日期到分析当日进行购买行为的累积机率函数)、并以个别客户在分析当日的机率密度函数作为分子来计算。

以具体计算风险率函式来说，会假定第i个客户的购买可能性机率空间为Half Normal(0,σ_i²)，也就是假定每个客户的购买间隔时间由0开始算，以先行计算出此时的半常态分布变异值σ_i。其中Half Normal()即为上述的半常态分布。首先，上述的购买平均时间区间E(t_i)会具有以下性质，其中时间区间t_i代表第i个顾客由最后一次购买日期到分析日期之间的时间区间：

因此可推导出变异值σ_i如下：

接着，在计算风险率函式h(t_i)时，上述的分母，也就是当日前个别顾客未进行购买行为的机率可计算如下：

其中F(t_i)即为从第i位顾客最后一次进行购买行为的日子到分析日期之间进行购买行为的累积机率。

另外，计算风险率函式的分子，也就是分析日期时第i位顾客进行购买行为的机率密度函数f(t_i)可计算如下：

如此一来，风险率函式h(t_i)可计算如下：

在已知变异值σ_i的情况下，可以得到风险率函式h(t_i)的时间函数，而得知风险率曲线，并可对应不同的时间t_i来得到不同的风险率曲线。

请参阅图9与图10。

图9为根据本发明的实施例说明本发明的系统使用风险率函式进行评估营销契机的数据范例示意图；图10为根据本发明的实施例说明本发明的系统使用风险率函式进行评估营销契机的风险率曲线示意图。

在系统100实际应用上述风险率函式h(t_i)来分析营销的时机时，有以下几个做法：

(1)系统100对个别顾客使用风险率函式h(t_i)后得到个别不同的风险率时间函数，例如图中所示下面三个代表不同顾客的风险率曲线HT1、HT2、HT3，其中上述的分析时间区间recency位于X轴，且风险率位于Y轴。系统100实际运作时，举例来说，系统100可对所有顾客指定同一分析日期bmd_date(假设为九月一日)，并指定要分析该同一分析日期bmd_date后七天(也就是图9所示的npt_days，例如为九月八日)时，同一频道内所有顾客的风险率。在每个顾客的前次购买日期max_date不见得相同的前提下，因此三位不同顾客的分析时间区间recency也不见得相同。图10所示风险率曲线HT1、HT2、HT3在X轴上的虚线对应点X1、X2、X3，即为三名顾客各自不见得相同的分析时间区间recency加上系统100指定的同一下次购买时间间隔npt_days(例如7天)；而系统100可根据上述的虚线对应点在风险率曲线HT1、HT2、HT3找出Y轴上的对应风险率Y1、Y2、Y3，例如为九月八日时，三名顾客各自的对应风险率。如此一来，系统100可以完全掌握在分析日期后的特定天数时，频道内所有顾客的风险率，并记录如图9所示。

(2)系统100在掌握特定日期时，频道内所有顾客的风险率后，可设定一个最小风险率，并仅在分析日期当天针对高于该最小风险率的顾客进行营销。该最小风险率可以是一个系统100根据过去关于该频道的所有顾客在风险率的统计中，最小合理值。例如若系统100选取最小风险率为0.5，则分析当日仅选取当日风险率高于0.5的顾客进行营销。在本发明其他实施例中，最小风险率也可以是由系统100仅选取风险率在前面固定名次的顾客来决定该最小风险率。举例来说，若系统在分析当日仅取风险率在前一千名的顾客来进行营销，则第一千名或第一千零一名的顾客在分析当日的风险率即为分析当日的最小风险率。

●验证：

系统100可在个别顾客每次进行购买行为时，验证并调整其相关于购买平均时间区间E(t_i)的决定结果。通过验证阶段的辅助，系统100在计算购买平均时间区间E(t_i)上可以维持一定的准确度。验证阶段可包含下列步骤或运算：

■购买平均时间区间E(t_i)与购买实际时间区间之间的比较：系统100会对个别顾客比较原本为其购买平均时间区间E(t_i)以及其实际上进行下次购买行为与前次购买行为之间的时间区间，来验证其决定购买平均时间区间E(t_i)的准确度。

■关联性(Correlation)：前述购买平均时间区间E(t_i)与购买实际时间区间之间的比较，会用来决定个别顾客的顾客购买区间状态。如果比较结果指出个别顾客是处于存在中顾客状态，这代表系统100决定出来的购买平均时间区间E(t_i)在准确度上是相当高的，而暂时不需要再调整。反之，若比较结果指出个别顾客是处于沉睡者顾客状态，系统100将需要重新调整个别顾客的购买平均时间区间E(t_i)；具体来说，这是因为顾客出现了新的购买记录，因此系统100可根据这个新的购买记录再次更新购买平均时间区间E(t_i)，来持续将准确度维持在一定的水平。

在本发明的实施例中，上述关联性可以以下数学算式计算：

其中是指所有顾客在平均购买时间区间的平均期望值，y_i是指第i个顾客在前次进行购买行为后再一次进行购买行为的实际购买时间区间，是指所有顾客在前次进行购买行为后再一次进行购买行为的平均实际购买时间区间，而r_(E(t)，y)是指所有顾客的平均购买时间区间与实际购买时间区间之间的关联性，也可以当成是系统100在预估顾客的平均购买时间区间的其中一个准确度指标。当关联性r_(E(t)，y)越高时，代表系统100对购买平均时间区间E(t_i)的计算越准确。

■在本发明的实施例中，系统100的另外一个准确度指针可使用平均绝对误差(Mean absoluteerror，MAE)以及均方误差(Mean square error，MSE)来计算。系统100在为个别顾客决定出购买平均时间区间E(t_i)之后，会再另外计算平均时间区间E(t_i)的平均绝对误差以及均方误差，以辅助系统100更有效地评估所决定出来之购买平均时间区间E(t_i)的准确度，并作为是否更新购买平均时间区间E(t_i)的参考。购买平均时间区间E(t_i)的均方误差可计算如下：

■

■

其中MSE()代表平均均方误差的函式，MAE()代表平均绝对误差的函式。

为了更明确解释系统100对决定购买平均时间区间E(t_i)的平均绝对误差与均方误差的计算，请参阅图11与图12。图11与图12为本发明的实施例揭露本发明的系统对决定购买平均时间区间的平均绝对误差与均方误差的计算数据范例。

如图11与图12所示，系统100计算了同一频道中具有不同重购次数n_i的不同顾客分类，并计算其均方误差，且所得到的均方误差与平均绝对误差越小越好。举例来说，系统100可另外以直接计算购买平均时间区间E(t_i)的平均误差，以及前述实际平均购买时间间隔gap_mean的平均绝对误差与均方误差来做为比较，以作为是否需要再次计算购买平均时间区间E(t_i)的参考。

根据本发明的实施例以及以上的说明，系统100执行本发明决定下次购买时间区间的方法包含如图13所示的以下步骤：

步骤1002:收集复数个顾客购买记录，该复数个顾客购买记录包含顾客识别、购买日期、购买时间区间、以及购买地点；

步骤1004:将该复数个顾客购买记录，基于每一购买地点，分类为个人购买行为与群组购买行为；

步骤1006:使用贝叶斯模型，为该个人购买行为计算个人权重，并为该群组购买行为计算群体权重；

步骤1008:基于该个人购买行为，产生个人购买行为变量；

步骤1010:基于该群体购买行为，产生群体购买行为变量；

步骤1012:为该顾客在每一购买地点，使用闭式解运算，并使用该个人购买行为变量、该个人购买行为变量、该群体购买行为变量、以及该群体购买行为变量做为该闭式解运算的输入，来决定该顾客的下次购买时间区间；

步骤1014:将下次购买时间区间传输至系统，以进行真实世界的购买营销活动。

根据本发明的实施例以及以上的说明，系统100执行本发明决定下次购买时间的方法亦可包含如图14所示的以下步骤：

步骤1102:收集复数个顾客购买记录，该复数个顾客购买记录包含顾客识别、购买日期、购买时间区间、以及商品识别；

步骤1104:将该复数个顾客购买记录，基于每一商品识别，分类为个人购买行为与群组购买行为；

步骤1106:使用贝叶斯模型，为该个人购买行为计算个人权重，并为该群组购买行为计算群体权重；

步骤1108:基于该个人购买行为，产生个人购买行为变量；

步骤1110:基于该群体购买行为，产生群体购买行为变量；

步骤1112:为该顾客在每一商品识别，使用闭式解运算，并使用该个人购买行为变量、该个人购买行为变量、该群体购买行为变量、以及该群体购买行为变量做为该闭式解运算的输入，来决定该顾客的下次购买时间区间；及

步骤1114:将下次购买时间区间传输至系统，以进行真实世界的购买营销活动。

需注意的是，图13与图14所示的流程中的步骤，皆可以计算机可执行手段的方式储存于内存120，并由处理器110来实际执行，以使得系统100具有实施本说明书中所揭示的各种实施例的能力。另外，图13与图14所示的步骤仅为本发明的其中一种方式，且对于其步骤顺序或是加入任何本说明书曾经揭示过的各种例子的衍生或变化，仍应视为本发明的范畴。

在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

更进一步地，在描述本发明具有代表性的例子时，本说明书可能以一段特定顺序的步骤来呈现本发明的方法及/或过程。然而，本发明所呈现的方法或过程并不全然依赖在此阐述的特定步骤顺序，因此方法或过程不应该受上述的特定序列步骤所限制。熟悉本领域的人即可理解，即使采用上述特定顺序以外的其他顺序，本发明所阐述的步骤亦可实现本发明的各实施例。因此，于本说明书所阐述的上述特定步骤顺序不应被认定为本发明权利要求的限制。另外，涉及本发明的方法及/或过程的权利要求，不应受限于其书面的步骤顺序所提供的功效，且熟悉本领域的技术人员即可知悉，本发明的步骤顺序可在维持本发明精神及范围的情况下被改变。