TWI670662B - 資料關聯性推論系統、行銷目標族群產生方法及系統 - Google Patents

Abstract

一種資料關聯性推論系統、行銷目標族群產生方法及系統，包含輸入商品名稱；依據商品名稱自指定資料源中判斷對應商品名稱之第一族群類型，並找出第一族群類型對應的第一興趣欄位及第一興趣欄位中的至少一第一興趣資料；建立客戶輪廓模型，其中客戶輪廓模型包含第二族群類型，第二族群類型每一者各自具有對應的第二興趣欄位及第二興趣欄位中的至少一第二興趣資料；以及依據至少一第一興趣資料與客戶輪廓模型的第二族群類型各自的至少一第二興趣資料比對，篩選出至少一行銷目標族群。

Description

資料關聯性推論系統、行銷目標族群產生方法及系統

本案是有關於一種資料關聯性推論系統、目標族群產生方法及系統，且特別是有關於一種推論資料關聯性的方法，將客戶輪廓模型應用在行銷目標族群產生方法及系統。

隨著現代化的商業行銷模式漸趨成熟，商品的銷售量通常都與廣告的投放程度有較高的關聯性，因此商家在販售商品前都會先針對商品的銷售目標族群投放商品廣告作為商品的宣傳，因此要如何選定出商品的銷售目標族群並針對銷售目標族群的活動區域或是瀏覽的網頁投放廣告，是一個重要的問題。

目前業界既有的做法是會先由行銷人員初步的規劃出商品的銷售目標族群，再藉由問卷調查的方式收集樣本，建立出目標族群的特徵輪廓。然而，問卷調查會受限於收集到的樣本數量，並且所耗費的時間較長，因此，如何能 迅速的找出目標族群的特徵，或是更進一步直接找出客戶群的名單使得廣告可以針對目標族群進行投放，為本領域待改進的問題之一。

本發明之主要目的係在提供一種資料關聯性推論系統、行銷目標族群產生方法及系統，其主要係改進以往找出目標族群的特徵輪廓的方法，解決樣本蒐集方法需要時間過長並且受限於樣本數量的問題，達到能立即找出目標族群的特徵或名單並提供行銷方案的功效。

為達成上述目的，本案之第一態樣是在提供一種行銷目標族群產生方法，此方法包含以下步驟：由輸入裝置輸入商品名稱；由處理器依據商品名稱自指定資料源中判斷對應商品名稱之第一族群類型，並找出第一族群類型對應的第一興趣欄位及第一興趣欄位中的至少一第一興趣資料；由處理器建立客戶輪廓模型，其中客戶輪廓模型包含第二族群類型，第二族群類型每一者各自具有對應的第二興趣欄位及第二興趣欄位中的至少一第二興趣資料；以及由處理器依據至少一第一興趣資料，分別與客戶輪廓模型的第二族群類型各自的至少一第二興趣資料比對，篩選出至少一行銷目標族群。

本案之第二態樣是在提供一種行銷目標族群產生系統，其包含處理器、儲存裝置以及輸入裝置。儲存裝置電性連接至處理器，用以儲存客戶輪廓模型，其中客戶輪廓 模型包含第二族群類型，第二族群類型每一者各自具有對應的第二興趣欄位及第二興趣欄位中的至少一第二興趣資料。輸入裝置電性連接至處理器，用以提供介面以供輸入商品名稱。處理器包含：判斷模組、儲存裝置以及行銷目標族群產生模組。判斷模組用以依據商品名稱自指定資料源中判斷對應商品名稱之第一族群類型，並找出第一族群類型對應的第一興趣欄位及第一興趣欄位中的至少一第一興趣資料；儲存裝置用以儲存客戶輪廓模型，其中客戶輪廓模型包含第二族群類型，第二族群類型每一者各自具有對應的第二興趣欄位及第二興趣欄位中的至少一第二興趣資料；以及行銷目標族群產生模組與判斷模組和儲存裝置連接，用以依據至少一第一興趣資料，分別與客戶輪廓模型的第二族群類型各自的至少一第二興趣資料比對，篩選出至少一行銷目標族群。

本案之第三態樣是在提供一種資料關聯性推論系統，其包含：複數個資料源、處理器以及儲存裝置。其中，處理器包含關聯性計算模組以及客戶輪廓產生模組。關聯性計算模組與資料源連接，用以轉換資料源產生正規化資料集合，正規化資料集合包含資料序列，資料序列各自包含基礎欄位以及興趣欄位，由資料源決定其中一個資料序列的基礎欄位的第一部分及興趣欄位的第一部分；並針對正規化資料集合進行關聯性計算產生至少一推論規則；以及客戶輪廓產生模組與關聯性計算模組連接，用以至少一推論規則推測其中一個資料序列的基礎欄位的第二部分及興趣欄位的第二 部分，由其中一個資料序列的基礎欄位的第一部分結合推測得到的第二部分及興趣欄位的第一部分結合推測得到的第二部分得到客戶輪廓模型，儲存於儲存裝置中；其中，基礎欄位包含基礎資料，以及興趣欄位包含至少一興趣資料。

本發明之資料關聯性推論系統、行銷目標族群產生方法及系統，其主要係改進以往找出目標族群的特徵輪廓的方法，解決樣本蒐集方法需要時間過長並且受限於樣本數量的問題，達到能立即找出目標族群的特徵或名單並提供行銷方案的功效。

100‧‧‧行銷目標族群產生系統

110‧‧‧輸入裝置

120‧‧‧判斷模組

130、710‧‧‧關聯性計算模組

140、720‧‧‧客戶輪廓產生模組

150、702‧‧‧儲存裝置

160‧‧‧推薦模組

161‧‧‧行銷目標族群產生模組

162‧‧‧行銷方案產生模組

170‧‧‧反饋模組

101‧‧‧處理器

S1‧‧‧指定資料源

S2、S3、S4‧‧‧資料源

200‧‧‧行銷目標族群產生方法

700‧‧‧關聯性推論系統

701‧‧‧處理器

A、B、C、D、E、F、J、K‧‧‧資料

S210~S240、S221~S223、S231~S235、S2321~S2326、S341~S343、S351~S354、S1310~S1330‧‧‧步驟

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖係根據本案之一些實施例所繪示之一種行銷目標族群產生系統的示意圖；第2圖係根據本案之一些實施例所繪示之一種行銷目標族群產生方法的流程圖；第3圖係根據本案之一些實施例所繪示之步驟S220的流程圖；第4圖係根據本案之一些實施例所繪示之步驟S230的流程圖；第5圖係根據本案之一些實施例所繪示之步驟S320的流程圖；第6A圖係根據本案之一些實施例所繪示之資料序列的 示意圖；第6B圖係根據本案之一些實施例所繪示之經過關聯性計算後的資料序列的示意圖；以及第7圖係根據本案之一些實施例所繪示之一種資料關聯性推論系統的示意圖。

以下揭示提供許多不同實施例或例證用以實施本發明的不同特徵。特殊例證中的元件及配置在以下討論中被用來簡化本揭示。所討論的任何例證只用來作解說的用途，並不會以任何方式限制本發明或其例證之範圍和意義。此外，本揭示在不同例證中可能重複引用數字符號且/或字母，這些重複皆為了簡化及闡述，其本身並未指定以下討論中不同實施例且/或配置之間的關係。

在全篇說明書與申請專利範圍所使用之用詞(terms)，除有特別註明外，通常具有每個用詞使用在此領域中、在此揭露之內容中與特殊內容中的平常意義。某些用以描述本揭露之用詞將於下或在此說明書的別處討論，以提供本領域技術人員在有關本揭露之描述上額外的引導。

關於本文中所使用之『耦接』或『連接』，均可指二或多個元件相互直接作實體或電性接觸，或是相互間接作實體或電性接觸，而『耦接』或『連接』還可指二或多個元件相互操作或動作。

在本文中，使用第一、第二與第三等等之詞彙， 是用於描述各種元件、組件、區域、層與/或區塊是可以被理解的。但是這些元件、組件、區域、層與/或區塊不應該被這些術語所限制。這些詞彙只限於用來辨別單一元件、組件、區域、層與/或區塊。因此，在下文中的一第一元件、組件、區域、層與/或區塊也可被稱為第二元件、組件、區域、層與/或區塊，而不脫離本發明的本意。如本文所用，詞彙『與/或』包含了列出的關聯項目中的一個或多個的任何組合。本案文件中提到的「及/或」是指表列元件的任一者、全部或至少一者的任意組合。

請參閱第1圖。第1圖係根據本案之一些實施例所繪示之一種行銷目標族群產生系統100的示意圖。如第1圖所繪示，行銷目標族群產生系統100包含處理器101、儲存裝置150以及輸入裝置110。儲存裝置150電性連接至處理器101，儲存客戶輪廓模型，其中客戶輪廓模型包含第二族群類型，第二族群類型每一者各自具有對應的第二興趣欄位及第二興趣欄位中的至少一第二興趣資料。輸入裝置110電性連接至處理器101，用以提供介面以供輸入商品名稱。處理器101包含有判斷模組120、關聯性計算模組130、客戶輪廓產生模組140、儲存裝置150、推薦模組160以及反饋模組170。行銷目標族群產生系統100可電性連接至外部的指定資料源S1以及資料源S2及S3。推薦模組160包含行銷目標族群產生模組161以及行銷方案產生模組162。判斷模組120與指定資料源S1以及推薦模組160連接，關聯性計算模組130與指定資料源S1及資料源S2、S3連接，客戶輪廓 產生模組140與關聯性計算模組130、儲存裝置150及行銷目標族群產生模組161連接，反饋模組170與推薦模組160及客戶輪廓產生模組140連接。判斷模組120用以依據商品名稱自指定資料源S1中判斷對應商品名稱之第一族群類型，並找出第一族群類型對應的第一興趣欄位及第一興趣欄位中的至少一第一興趣資料。儲存裝置150用以儲存客戶輪廓模型，其中客戶輪廓模型包含第二族群類型，第二族群類型每一者各自具有對應的第二興趣欄位及第二興趣欄位中的至少一第二興趣資料。行銷目標族群產生模組161用以依據至少一第一興趣資料，分別與客戶輪廓模型的第二族群類型各自的至少一第二興趣資料比對，篩選出至少一行銷目標族群。

請繼續參考第1圖，關聯性計算模組130用以轉換指定資料源S1及資料源S2、S3產生正規化資料集合，正規化資料集合包含資料序列，資料序列各自包含第三基礎欄位以及第三興趣欄位，由指定資料源S1及資料源S2、S3決定其中一個資料序列的第三基礎欄位的第一部分及第三興趣欄位的第一部分，並針對正規化資料集合進行關聯性計算產生至少一推論規則。客戶輪廓產生模組140用以至少一推論規則推測該其中一個資料序列的第三基礎欄位的第二部分及第三興趣欄位的第二部分，由其中一個資料序列的第三基礎欄位的第一部分結合推測得到的第二部分及第三興趣欄位的第一部分結合推測得到的第二部分得到客戶輪廓模型。行銷方案產生模組162，用以依據至少一行銷目標族群 的基礎資料和興趣資料，產生行銷方案，其中行銷方案包含有行銷活動地點、行銷活動時間以及族群偏好等。反饋模組170用以根據行銷結果資料重新進行關聯性計算產生修正後的推論規則。

於某些實施例中，輸入裝置110可以是鍵盤、觸控式螢幕、麥克風或其它合適的輸入裝置，行銷目標族群產生系統100與輸入裝置110之間可透過I/O介面連接，允許輸入裝置的資料輸入及輸出至行銷目標族群產生系統100，例如，觸控式螢幕可顯示一使用者介面提供使用者輸入資料至行銷目標族群產生系統100。

於某些實施例中，儲存裝置150可以包括可攜式電腦可讀取記錄媒體，例如記憶體、硬碟、隨身碟、記憶卡等。某些實施例中，電腦程式及資料可以儲存於可攜式電腦可讀取記錄媒體上，並且可以經由I/O介面加載至儲存裝置上。I/O介面也可以連接至顯示器。判斷模組120、關聯性計算模組130、客戶輪廓產生模組140、推薦模組160以及反饋模組170皆可以實施為積體電路如微控制單元(microcontroller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)、邏輯電路或其他類似元件或上述元件的組合。

接著請參閱第2圖。第2圖係根據本案之一些實施例所繪示之一種行銷目標族群產生方法200的流程圖。本發明的第一實施例之行銷目標族群產生方法200係將從資 料源收集到的資料進行關聯性計算並產生客戶輪廓，接著根據產生的客戶輪廓推論行銷目標族群以及產生行銷方案。如第2圖所示，行銷目標族群產生方法200包含以下步驟：步驟S210：輸入商品名稱；步驟S220：根據商品名稱自指定資料源中判斷對應商品名稱之族群類型，並找出族群類型對應的第一興趣欄位及第一興趣欄位中的至少一第一興趣資料；步驟S230：建立客戶輪廓模型；以及步驟S240：依據至少一第一興趣資料，分別與客戶輪廓模型的族群類型各自的至少一第二興趣資料比對，篩選出至少一行銷目標族群。

為使本案第一實施例之行銷目標族群產生方法200易於理解，請一併參閱第1圖~第6B圖。

於步驟S210中，提供一介面，以供一使用者可藉由介面輸入商品名稱。舉例而言，使用者可以輸入「我要賣給女性使用的口紅」。

於步驟S220中，根據商品名稱自指定資料源中判斷對應商品名稱之族群類型，並找出族群類型對應的興趣欄位及興趣欄位中的至少一興趣資料。在此實施例中，指定資料源S1可以是來自Facebook的資料，當然也可以是來自其他社群媒體的資料或是其他特定資料庫中的資料，資料中僅需要包含有興趣資料即可進行接下來的操作，並不限於一定要是Facebook的資料。請參閱第3圖，第3圖係根據本案之一些實施例所繪示之步驟S220的流程圖。如第3圖所示， 步驟S220包含以下步驟：步驟S221：利用商品名稱進行同義詞擴增或階層式同類詞擴增，將擴增後的詞彙設為關鍵詞彙；步驟S222：搜尋指定資料源中含有關鍵詞彙的文章，並找出與這些文章有互動過的人；以及步驟S223：針對與含有關鍵詞彙的文章互動過的人蒐集他們各自在指定資料源中關注或發出的文章，歸納出他們的興趣資料。

於步驟S221中，以上述使用者輸入「我要賣給女性使用的口紅」為範例，將「女性使用的口紅」進行擴增後，關鍵詞彙可以有「口紅」、「美妝」、「化妝品」、「Dior(化妝品牌)」等。

接著在步驟S222中，利用關鍵詞彙「口紅」、「美妝」、「化妝品」、「Dior(化妝品牌)」等，搜尋Facebook上的文章，以及和文章互動過的人，例如：有分享、留言或是按讚的人。

接著在步驟S223中，找出對出現過「口紅」、「美妝」、「化妝品」、「Dior(化妝品牌)」等詞彙文章有過互動的人後，即可再進一步找尋這些人各自發表或關注過什麼粉絲團或文章，即可歸納出對「口紅」、「美妝」、「化妝品」、「Dior(化妝品牌)」等詞彙有興趣的人群的第一興趣資料，第一興趣資料可以是此人群感興趣的分享、留言或是按讚的商品種類、粉絲專頁等。

經過步驟S221~S223的處理後的Facebook資 料，都是已經去個人化資訊並且經過正規化後的特徵資料。於步驟S230中，建立客戶輪廓模型。利用不同的資料源S2、S3進行資料的關聯性計算可以疊合出客戶輪廓模型，在本案的實施例中，指定資料源S1是來自於Facebook的資料，資料源S2、S3可以是來自電信業者或是實體銷售通路的資料，而資料源S2、S3可以是經過去個資化處理後的資料，不需要再經過步驟S221~S223的處理，如果有需要再進一步處理的資料源也可以採用步驟S221~S223的方式。接著請參考第4圖，第4圖係根據本案之一些實施例所繪示之步驟S230的流程圖。如第4圖所示，步驟S230包含以下步驟：步驟S231：轉換指定資料源及資料源產生正規化資料集合，正規化資料集合包含資料序列，資料序列各自包含基礎欄位以及興趣欄位，由指定資料源及資料源決定其中一個資料序列的基礎欄位的第一部分及興趣欄位的第一部分；步驟S232：針對正規化資料集合進行關聯性計算產生推論規則；步驟S233：根據推論規則推測其中一個資料序列的基礎欄位的第二部分及興趣欄位的第二部分；步驟S234：由其中一個資料序列的基礎欄位的第一部分結合推測得到的第二部分及興趣欄位的第一部分結合推測得到的第二部分得到客戶輪廓模型；以及步驟S235：計算客戶輪廓模型的可信度值。

在步驟S231中，需先將指定資料源S1及資料源 S2、S3依照興趣類別轉換成相同維度，興趣類別在本發明中是設定為75個分類，也可以設定為其他的分類並不影響本發明，舉例而言如果在指定資料源S1中的興趣資料有「口紅」詞彙，則需要將「口紅」轉換成「化妝品」，如果在資料源S2有「唇膏」詞彙，同樣需要將「唇膏」轉換成「化妝品」。接著正規化後的指定資料源S1及資料源S2、S3形成正規化資料集合，正規化資料集合包含多個資料序列，每一筆資料序列都有基礎欄位以及興趣欄位，然而會因為資料源的來源不同，資料序列會有缺少基礎欄位中的基礎資料或是興趣欄位中的興趣資料等情況。正規化資料集合每一筆資料序列當中的興趣欄位所記載的內容，便代表客戶輪廓模型的族群類型各自的至少一第二興趣資料。

接著在步驟S232中，針對正規化資料集合進行關聯性計算產生推論規則。關聯性計算的方式請接著參考第5圖，第5圖係根據本案之一些實施例所繪示之步驟S232的流程圖。如第5圖所示，步驟S232包含以下步驟：步驟S2321：計算資料序列的興趣欄位中相同至少一興趣資料出現的次數；步驟S2322：逐一比對資料序列的興趣欄位後，找出相同至少一興趣資料出現的次數大於第一門檻值的興趣欄位，並設為第一組合；步驟S2323：將第一組合交集部分，形成至少一興趣組合；步驟S2324：將至少一興趣組合以代數形式代 入興趣欄位形成第二組合；步驟S2325：將第二組合結合基礎欄位，形成組合欄位；以及步驟S2326：計算組合欄位的中相同基礎資料及以相同第二組合一起出現的次數，如果大於第二門檻值則產生至少一推論規則。

請一併參考第6A圖，第6A圖係根據本案之一些實施例所繪示之資料序列的示意圖。如第6A圖所示，總共有5筆資料序列，資料A及資料B是分別代表基礎欄位1及基礎欄位2中的基礎資料，資料C、資料D、資料E、資料F、資料J及資料K則是代表興趣欄位中的興趣資料。於步驟S2321中，會計算興趣欄位中相同至少一興趣資料出現的次數，在此範例中，資料C及資料D皆出現過4次、資料E出現過2次、資料F、資料J及資料K都出現過1次。

接著於步驟S2322中，找出相同至少一興趣資料出現的次數大於第一門檻值的興趣欄位，並設為第一組合。如果將第一門檻值設為n/2，在此範例中，總共有5筆資料(n=5)，因此興趣資料一定要出現2次以上才會被考慮，因此資料序列5的資料J及K因為只出現過1次則會被濾除。而資料序列1~資料序列4的興趣欄位中的資料出現次數都高於第一門檻值，因此第一組合為CDEF、CDE、CD。

於步驟S2323中，將第一組合交集部分，形成至少一興趣組合。在此範例中，第一組合CDEF、CDE、CD交集過後形成第一興趣組合CD以及第二興趣組合 CDE。

接著於步驟S2324中，將至少一興趣組合以代數形式代入興趣欄位形成第二組合。在此範例中，第一興趣組合CD可視為I1，第二興趣組合CDE可視為I2，因此再代入興趣欄位時，資料序列1的興趣資料可以有I1、I2以及I2F共3種可能，資料序列2的興趣資料為I1，資料序列3的興趣資料為I1，資料序列4的興趣資料為可以有I1及I2種可能。

接著於步驟S2325中，將第二組合結合基礎欄位，形成組合欄位。資料序列1則有ABI1、ABI2以及ABI2F共3種組合欄位，資料序列2則有BI1 1種組合欄位，資料序列3則有AI1 1種組合欄位，資料序列4則有AI1及AI2 2種組合欄位。

於步驟S2326中，計算組合欄位的中相同基礎資料及以相同第二組合一起出現的次數，如果大於第二門檻值則產生至少一推論規則。如果將第二門檻值設為m/2，在此範例中，總共有6種興趣資料(m=6)，因此組合一定要出現3次以上才會被考慮。AI1及AI2總共一起出現3次，BI1及BI2總共一起出現2次，AI2F、BI2F、ABI1、ABI2、ABI2F都僅一起出現過1次，因此找出AI1及AI2所代表的ACD及ACDE是推論規則。

接著於步驟S233中，根據推論規則推測其中一個資料序列的基礎欄位的第二部分及興趣欄位的第二部分，將資料序列中有缺少基礎資料或興趣資料的補齊，形成客戶輪廓模型。請一併參考第6B圖，第6B圖係根據本案之 一些實施例所繪示之經過關聯性計算後的資料序列的示意圖。如第6B圖所示，在此範例中，可以根據上述找出的推論規則ACD及ACDE，因此可以推測資料序列2的基礎欄位1有資料A，興趣欄位可以補資料E，資料序列3的興趣欄位也可以補資料E。

於步驟S234中，由其中一個資料序列的基礎欄位的第一部分結合推測得到的第二部分及興趣欄位的第一部分結合推測得到的第二部分得到客戶輪廓模型。在此範例中，資料序列2原本的基礎資料B以及興趣資料C及D，結合推測得到的基礎資料A以及興趣資料E，最後可以得到基礎資料A及B，興趣資料C、D及E的客戶輪廓模型。而資料序列3原本的基礎資料A以及興趣資料C及D，結合推測得到的興趣資料E，最後可以得到基礎資料A，興趣資料C、D及E的客戶輪廓模型。

在步驟S235中，計算客戶輪廓模型的可信度值。可信度值可以根據推測資料的數量來計算，舉例而言，可信度值=(1-推測資料的數量/原始資料數量)*100%，接續上方實施例，資料序列2原本有3筆資料，經過關聯性計算後多補了2筆資料，因此資料序列2的可信度值=(1-2/3)*100%33%，資料序列3原本有3筆資料，經過關聯性計算後多補了1筆資料，因此資料序列3的可信度值=(1-1/3)*100%67%，可信度值的計算方式僅只是舉例，也可以採用其他的計算方式並步限於此。

步驟S240：依據至少一第一興趣資料，分別與 客戶輪廓模型的族群類型各自的至少一第二興趣資料比對，篩選出至少一行銷目標族群。計算出客戶輪廓模型後，可以利用步驟S210中輸入的商品名稱對應的族群類型，篩選出行銷目標族群。

舉例而言，可以利用「我要賣給女性使用的口紅」，在特定資料庫(如facebook)找出對女性使用的口紅感興趣的人群，進一步收集此人群的第一興趣資料，例如此人群也對「時尚雜誌」、「飾品配件」等有興趣。基於，第一興趣資料在已經建立客戶輪廓模型中的興趣欄位尋找相應的第二興趣資料，可以找出客戶輪廓模型中的興趣欄位符合「時尚雜誌」、「飾品配件」的，可以找到一筆或多筆資料序列，每一筆資料序列具有相應的基礎欄位，例如「時尚雜誌」相應的基礎欄位是「年齡介於18歲至36歲」、「消費能力中等」、「活動區域位於台北市信義區」。再舉例而言，可以利用「我要賣假牙黏著劑」，在特定資料庫(如facebook)找出對假牙黏著劑感興趣的人群，進一步收集此人群的第一興趣資料，例如此人群也對「養生保健」、「營養食品」、「生機飲食」等有興趣。基於，第一興趣資料在已經建立客戶輪廓模型中的興趣欄位尋找相應的第二興趣資料，可以找出客戶輪廓模型中的興趣欄位符合「養生保健」、「營養食品」、「生機飲食」的，可以找到一筆或多筆資料序列，每一筆資料序列具有相應的基礎欄位，例如「生機飲食」相應的基礎欄位是「年齡介於45歲至70歲」、「消費能力高」、「購物模式是實體商場」。當然也可以利用可 信度值來調整行銷目標族群的推薦順序，可信度值高的行銷目標族群就會優先推薦給使用者。

在本實施例中，可以再根據行銷目標族群的基礎資料和興趣資料，產生行銷方案，行銷方案可以包含廣告設置地點、廣告播放時間、族群基本屬性以及族群偏好等。舉例而言，針對「我要賣給女性使用的口紅」的行銷目標族群，可以推測此族群的活動時間及範圍，針對性的投放廣告或是也可以針對此族群平常在網路上瀏覽的頁面上的投放廣告。

在本實施例中，蒐集實際的投放廣告後的行銷結果資料，可以根據行銷結果資料重新進行該關聯性計算產生修正後的推論規則，可以重新調整第一門檻值及第二門檻值來改變推論規則的數量，也會影響到客戶輪廓模型的數量及推論的準確度。

接著請參考第7圖，第7圖係根據本案之一些實施例所繪示之一種資料關聯性推論系統700的示意圖。如第7圖所示，資料關聯性推論系統700包含資料源S4、處理器701和儲存裝置702，其中，處理器701包含關聯性計算模組710以及客戶輪廓產生模組720。關聯性計算模組710與資料源S4連接，用以轉換資料源S4產生正規化資料集合，正規化資料集合包含資料序列，資料序列各自包含基礎欄位以及興趣欄位，由資料源S4決定其中一個資料序列的基礎欄位的第一部分及興趣欄位的第一部分；並針對正規化資料集合進行關聯性計算產生至少一推論規則。客戶輪廓產生模 組720，與關聯性計算模組710連接，用以至少一推論規則推測其中一個資料序列的基礎欄位的第二部分及興趣欄位的第二部分，由其中一個資料序列的基礎欄位的第一部分結合推測得到的第二部分及興趣欄位的第一部分結合推測得到的第二部分得到客戶輪廓模型，儲存到儲存裝置702中。其中，基礎欄位包含基礎資料，以及興趣欄位包含興趣資料。

由上述本案之實施方式可知，其主要係改進以往找出目標族群的特徵輪廓的方法，利用關聯性計算找出推論規則，結合推論規則計算客戶輪廓模型，利用客戶輪廓模型可以找出行銷族群進一步制定出行銷方案，解決樣本蒐集方法需要時間過長並且受限於樣本數量的問題，達到能立即找出行銷族群的特徵或名單並提供行銷方案的功效。

另外，上述例示包含依序的示範步驟，但該些步驟不必依所顯示的順序被執行。以不同順序執行該些步驟皆在本揭示內容的考量範圍內。在本揭示內容之實施例的精神與範圍內，可視情況增加、取代、變更順序及/或省略該些步驟。

雖然本案已以實施方式揭示如上，然其並非用以限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種之更動與潤飾，因此本案之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (17)

1. 一種行銷目標族群產生方法，包含：由一輸入裝置輸入一商品名稱；由一處理器依據該商品名稱自一指定資料源中判斷對應該商品名稱之一第一族群類型，並找出該第一族群類型對應的一第一興趣欄位及該第一興趣欄位中的至少一第一興趣資料；由該處理器建立一客戶輪廓模型，其中該客戶輪廓模型包含複數個第二族群類型，該些第二族群類型每一者各自具有對應的一第二興趣欄位及該第二興趣欄位中的至少一第二興趣資料；以及由該處理器依據該至少一第一興趣資料，分別與該客戶輪廓模型的該些第二族群類型各自的該至少一第二興趣資料比對，篩選出至少一行銷目標族群。
2. 如請求項1所述的行銷目標族群產生方法，其中該建立該客戶輪廓模型更包含：轉換該指定資料源及複數個資料源產生一正規化資料集合，該正規化資料集合包含複數個資料序列，該些資料序列各自包含複數個第三基礎欄位以及一第三興趣欄位，由該指定資料源及該些資料源決定其中一個資料序列的該些第三基礎欄位的一第一部分及該第三興趣欄位的一第一部分；針對該正規化資料集合進行一關聯性計算產生至少一推論規則；根據該至少一推論規則推測該其中一個資料序列的該些基礎欄位的一第二部分及該第三興趣欄位的一第二部分；由該其中一個資料序列的該些第三基礎欄位的該第一部分結合推測得到的該第二部分及該第三興趣欄位的該第一部分結合推測得到的該第二部分得到該客戶輪廓模型；以及計算該客戶輪廓模型的一可信度值；其中，該些第三基礎欄位包含複數個基礎資料，以及該第三興趣欄位包含至少一興趣資料。
3. 如請求項2所述的行銷目標族群產生方法，其中該關聯性計算更包含：計算該些資料序列的該興趣欄位中相同該至少一興趣資料出現的次數；逐一比對該些資料序列的該興趣欄位後，找出相同該至少一興趣資料出現的次數大於一第一門檻值的複數個興趣欄位，並設為複數個第一組合；將該些第一組合交集部分，形成至少一興趣組合；將該至少一興趣組合以代數形式代入該興趣欄位形成一第二組合；將該第二組合結合該些基礎欄位，形成複數個組合欄位；以及計算該些組合欄位的中相同該些基礎資料及以相同該第二組合一起出現的次數，如果大於一第二門檻值則產生該至少一推論規則；其中，該至少一興趣資料包含該至少一第一興趣資料以及至少一第二興趣資料。
4. 如請求項3所述的行銷目標族群產生方法，其中根據該至少一推論規則將該些資料序列中缺少的該些基礎資料及該興趣資料的其中之一補齊，形成該客戶輪廓模型。
5. 如請求項1所述的行銷目標族群產生方法，其中建立該客戶輪廓模型時更同時對該客戶輪廓模型產生對應的一可信度值，且依據該客戶輪廓對應的該可信度值來調整該至少一行銷目標族群的一推薦順序。
6. 如請求項1所述的行銷目標族群產生方法，更包含：利用該至少一行銷目標族群的該基礎資料和該興趣資料，產生一行銷方案；其中，該行銷方案包含廣告設置地點、廣告播放時間、族群基本屬性以及族群偏好等。
7. 如請求項6所述的行銷目標族群產生方法，更包含：儲存對應該行銷方案之一行銷結果資料；以及根據該行銷結果資料重新進行該關聯性計算產生修正後的推論規則。
8. 如請求項2所述的行銷目標族群產生方法，其中該指定資料源以及該些資料源會根據一興趣類別轉換該些資料源的資料維度，形成該正規化資料集合。
9. 一種行銷目標族群產生系統，包含：一處理器；一儲存裝置，電性連接至該處理器，用以儲存一客戶輪廓模型，其中該客戶輪廓模型包含複數個第二族群類型，該些第二族群類型每一者各自具有對應的一第二興趣欄位及該第二興趣欄位中的至少一第二興趣資料；以及一輸入裝置，電性連接至該處理器，用以提供一介面以供輸入一商品名稱；其中，該處理器包含：一判斷模組，用以依據該商品名稱自一指定資料源中判斷對應該商品名稱之一第一族群類型，並找出該第一族群類型對應的一第一興趣欄位及該第一興趣欄位中的至少一第一興趣資料；以及行銷目標族群產生模組，用以依據該至少一第一興趣資料，分別與該客戶輪廓模型的該些第二族群類型各自的該至少一第二興趣資料比對，篩選出至少一行銷目標族群。
10. 如請求項9所述的行銷目標族群產生系統，其中該處理器更包含：一關聯性計算模組，與該指定資料源以及複數個資料源連接，用以轉換該指定資料源及該些資料源產生一正規化資料集合，該正規化資料集合包含複數個資料序列，該些資料序列各自包含複數個第三基礎欄位以及一第三興趣欄位，由該指定資料源及該些資料源決定其中一個資料序列的該些第三基礎欄位的一第一部分及該第三興趣欄位的一第一部分，並針對該正規化資料集合進行一關聯性計算產生至少一推論規則；以及一客戶輪廓產生模組，用以該至少一推論規則推測該其中一個資料序列的該些第三基礎欄位的一第二部分及該第三興趣欄位的一第二部分，由該其中一個資料序列的該些第三基礎欄位的該第一部分結合推測得到的該第二部分及該第三興趣欄位的該第一部分結合推測得到的該第二部分得到該客戶輪廓模型；其中，該些第三基礎欄位包含複數個基礎資料，以及該第三興趣欄位包含至少一興趣資料。
11. 如請求項10所述的行銷目標族群產生系統，其中該至少一興趣資料包含該至少一第一興趣資料以及至少一第二興趣資料，且該關聯性計算模組用以：計算該些資料序列的該興趣欄位中相同該至少一興趣資料出現的次數；逐一比對該些該些資料序列的該興趣欄位後，找出相同該至少一興趣資料出現的次數大於一第一門檻值的興趣欄位，並設為複數個第一組合；該些第一組合彼此相互交集，形成至少一興趣組合；將該至少一興趣組合以代數形式代入該興趣欄位形成一第二組合；將該第二組合結合該些基礎欄位，形成複數個組合欄位；以及計算該些組合欄位的中相同該些基礎資料及以相同該第二組合一起出現的次數，如果大於一第二門檻值則產生該至少一推論規則。
12. 如請求項11所述的行銷目標族群產生系統，其中根據該至少一推論規則將該些資料序列中缺少的該些基礎資料及該興趣資料的其中之一補齊，形成該客戶輪廓模型。
13. 如請求項9所述的行銷目標族群產生系統，其中該客戶輪廓產生模組於產生該客戶輪廓模型時更同時對該客戶輪廓模型產生對應的一可信度值，且該行銷目標族群產生模組用以依據該客戶輪廓對應的該可信度值來調整該至少一行銷目標族群的一推薦順序。
14. 如請求項9所述的行銷目標族群產生系統，其中，該處理器更包含：一行銷方案產生模組，用以依據該至少一行銷目標族群的該基礎資料和該興趣資料，產生一行銷方案，其中該行銷方案包含有行銷活動地點、行銷活動時間以及族群偏好等。
15. 如請求項9所述的行銷目標族群產生系統，其中該儲存裝置更用以儲存對應該至少一行銷目標族群推薦之一行銷結果資料，且該處理器更包含：一反饋模組，用以根據該行銷結果資料重新進行該關聯性計算產生修正後的推論規則。
16. 如請求項10所述的行銷目標族群產生系統，其中該指定資料源以及該些資料源會根據一興趣類別轉換該些資料源的資料維度，形成該正規化資料集合。
17. 一種資料關聯性推論系統，包含：複數個資料源：一處理器，連結至該些資料源；以及一儲存裝置，電性連接至該該處理器，其中，該處理器包含：一關聯性計算模組，該些資料源連接，用以轉換該些資料源產生一正規化資料集合，該正規化資料集合包含複數個資料序列，該些資料序列各自包含複數個基礎欄位以及一興趣欄位，由該些資料源決定其中一個資料序列的該些基礎欄位的一第一部分及該興趣欄位的一第一部分；並針對該正規化資料集合進行一關聯性計算產生至少一推論規則；以及一客戶輪廓產生模組，與該關聯性計算模組連接，用以該至少一推論規則推測該其中一個資料序列的該些基礎欄位的一第二部分及該興趣欄位的一第二部分，由該其中一個資料序列的該些基礎欄位的該第一部分結合推測得到的該第二部分及該興趣欄位的該第一部分結合推測得到的該第二部分得到一客戶輪廓模型，儲存在該儲存裝置中；其中，該些基礎欄位包含複數個基礎資料，以及該興趣欄位包含至少一興趣資料。