预估商品销售方法

技术领域

本发明涉及一种交易信息处理技术，尤指一种利用数据处理装置预估商品销售数据的处理技术。

背景技术

第一次购买率是评估第一次购买量的关键因素，若经调查第一次购买率偏低则说明商品概念不够好，无法在市场竞争中获得消费者青睐。换句话说，第一次购买率越高越好。重复购买率则反映了消费者对于商品质量的认可。但对于某些性质的商品，如新智能型手机，新上市信用卡等，消费者在短期内不会重复购买，因此其短期内的重复购买率不是特别重要，第一次购买率是才是关注焦点。通过检查商品的第一次购买率和重复购买率，有助于判断它是金牛商品、明星商品、问题商品或是瘦狗商品。除了第一次购买率和重复购买率外，购买件数也直接影响购买量。

另一方面，现今如便利商店等实体或虚拟消费交易渠道，对于各项商品的销售情况及客户的消费型态，均可以透过销售点设备、安装有所述便利商店会员应用软件的客户智能手机、或便利商店销售系统后端平台数据库等技术予以收集保存。

因此，如何利用数据处理装置，有效率的对以上五个关键元素的统计分析，借以对已上市或未上市的商品进行销售情况的评估，从而对商品策略进行调整，优化营销策略，而有助于商品的销售，是亟待解决的技术问题。

发明内容

为解决前述习用技术的种种问题，本发明提供一种预估商品销售方法，所述方法可包括透过数据处理装置，输入既有客户分类信息，并建立默认的客户分类选项；透过所述数据处理装置，统计分析各类既有客户对商品的购买状态信息；透过所述数据处理装置，输入新客户信息；以及透过所述数据处理装置，依据所述各类既有客户对商品的购买状态信息和新客户信息，评估所述新客户对应的客户分类选项。

于本发明的一种实施型态中，所述的预估商品销售方法还可包括透过所述数据处理装置，推送对应所述客户分类选项的商品信息给所述新客户的信息终端装置的步骤。

于本发明的一种实施型态中，所述的预估商品销售方法，于所述输入既有客户分类信息，并建立默认的客户分类选项之前，还可包括透过所述数据处理装置，接收来自销售点终端装置所取得的客户原始交易信息；透过所述数据处理装置，依据默认的商品销售指标将所述客户原始交易信息编码；以及透过所述数据处理装置，依据所述编码建立默认的客户分类选项。

于本发明的一种实施型态中，所述商品销售指标可包括客户最近一次购买与前次购买的时间差、客户一定时间内购买所述商品的次数或客户一定时间内购买所述商品的金额。

于本发明的一种实施型态中，所述商品的购买状态信息可包括商品首购信息及商品回购信息。

于本发明的一种实施型态中，所述商品首购信息可包括商品首购率及商品购买量，所述商品回购信息包括商品购买率、商品每次购买量及商品回购次数。

本发明的预估商品销售方法，利用数据处理装置，有效率的对影响商品销售的关键元素进行统计分析，借以对已上市或未上市的商品进行销售情况的评估，从而对商品策略进行调整，优化营销策略，而有助于商品的销售。

附图说明

图1为本发明的预估商品销售方法一实施例的流程图。

图2为本发明的预估商品销售方法一实施例的流程图。

图3为本发明的预估商品销售方法一实施例的执行结果分析图。

图4为本发明的预估商品销售方法一实施例的执行结果分析图。

符号说明：

S1-S5 步骤

S11-S13 步骤

具体实施方式

以下借由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭示的内容轻易地了解本发明的其他优点与功效。本发明亦可借由其他不同的具体实施例加以施行或应用。

须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技艺人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如「上」、「内」、「外」、「底」及「一」等用语，亦仅为便于叙述明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴，合先叙明。

请参阅图1，其系显示本发明的预估商品销售方法的流程步骤，如图1所示，首先进入步骤S1，于步骤S1中，透过数据处理装置，输入既有客户分类信息，并建立默认的客户分类选项。于本实施例中，数据处理装置可例如为台式计算器、笔记本计算器、智能手机或智能型移动装置等具有数据处理功能的装置。于本实施例中，所述默认的客户分类选项，可例如但不限于依据客户购买特定商品的首次时间、最后时间、频率、金额、次数等交易信息将客户予以分类，分类的方式则可例如但不限定为，将所述交易信息区分为符合默认数量的等级，并依据该些等级设定对应的客户分类选项，更详言之，可依据客户交易金额的多寡、客户回购次数多寡或客户回购频率高低将客户予以分类。

于步骤S2中，透过所述数据处理装置，统计分析各类既有客户对商品的购买状态信息。于一实施例中，所述商品的购买状态信息包括商品首购信息及商品回购信息，较佳者，所述商品首购信息包括商品首购率及新商品购买量，所述商品回购信息包括商品购买率、商品每次购买量及商品回购次数。承前所述，于本实施例中，可透过所述数据处理装置，接收来自特定区域范围的便利商店有关咖啡商品交易的客户信息，该些客户信息，可以透过设置于便利商店门店的销售点(POS)设备、安装有所述便利商店会员应用软件(APP)的客户智能手机、或便利商店销售系统后端平台数据库等，并透过网络传送所取得，再透过所述数据处理装置依据前述客户购买特定商品的首次时间、最后时间、频率、金额、次数等交易信息予以统计分析。接着进至步骤S3。

于步骤S3中，透过所述数据处理装置，输入新客户信息。承前所述，所述新客户可例如为从未进入所述便利商店消费过的客户，亦可以为曾进入所述便利商店，但并未购买过特定商品的客户。承前所述，于本实施例中，所述新客户系以曾进入所述便利商店，但并未购买过特定咖啡相关商品的客户为例予以说明。至于新客户的信息可例如但不限于新客户于所述便利商店购买特定商品的首次时间、最后时间、频率、金额及次数等。

于步骤S4中，透过所述数据处理装置，依据所述各类既有客户对商品的购买状态信息和新客户信息，评估所述新客户对应的客户分类选项。于本实施例中，透过所述数据处理装置，将所述输入的新客户信息与各类既有客户对商品的购买状态信息进行比对，藉以判断出新客户对应的客户分类选项，借以判断新客户对所述商品的接受度。承前所述，所述商品可例如为新口味的咖啡饮料。

请参阅图1，如图1所示，于一实施例中，本发明的预估商品销售方法，于所述步骤S4结束后，还可进至步骤S5。于步骤S5中，透过所述数据处理装置，推送对应所述客户分类选项的商品信息给所述新客户的信息终端装置。承前所述，于本实施例中，当数据处理装置评估所述新客户对应的客户分类选项后，即可透过有线或无线网络，将对应所述客户分类选项的商品信息，传送至所述新客户的信息终端装置。于一实施例中，信息终端装置可例如但不限定为台式计算器、笔记本计算器、智能手机或智能型移动装置，而所述商品信息则可例如但不限定为所述商品的介绍、广告、优惠券或试用券等，可能引起所述新客户购买所述新口味咖啡商品的信息，藉以促使该些对应不同客户分类选项的新客户能产生购买动机，进而进入便利商店购买所述新口味咖啡商品。

请参阅图2，较佳者，于一实施例中，本发明的预估商品销售方法于步骤S1输入既有客户分类信息，并建立默认的客户分类选项之前，还可包括步骤S11～S13。于步骤S11中，透过所述数据处理装置，接收来自销售点终端装置所取得的客户原始交易信息。如前所述，所述销售点终端装置可例如但不限于，设置于便利商店门店的销售点(POS)设备、安装有所述便利商店会员应用软件(APP)的客户智能手机、或便利商店销售系统后端平台数据库等，并透过有线或无线网络所取得的客户原始交易信息传送至所述数据处理装置。于本实施例中，所述客户原始交易信息可例如但不限于各笔交易代号、客户编号、购买商品、客户信息或交易日期等。接着进至步骤S12。

于步骤S12中，透过所述数据处理装置，依据默认的商品销售指标将所述客户原始交易信息编码。承前所述，较佳者，于一实施例中，所述商品销售指标包括客户最近一次购买与前次购买的时间差、客户一定时间内购买所述商品的次数或客户一定时间内购买所述商品的金额，但不以此为限。接着进至步骤S13。

于步骤S13中，透过所述数据处理装置，依据所述编码建立默认的客户分类选项。于本实施例中，所述商品销售指标包括客户最近一次购买与前次购买的时间差、客户一定时间内购买所述商品的次数及客户一定时间内购买所述商品的金额的编码，依序可为R分类、F分类及M分类，但不以此为限。更具体言之，于本实施例中，R分类可表示客户最近一次消费距离现在的时间，单位可为天数，但不以此为限。其中，消费时间越近的客户价值越大，可视为客户对企业的活跃程度。举例言之，1周前消费过的客户较1年前消费过的客户价值大。F分类可表示客户在统计周期内购买商品的次数，可视为客户对企业的忠诚程度，经常购买的客户也就是熟客，商业价值相对较偶尔来一次的客户价值大。M分类可表示客户在统计周期内消费的总金额，可视为客户对企业的贡献程度，体现了消费者为企业创利的多少，消费越多的客户其商业价值越大。

于本实施例中，假设客户A于特定便利商店消费纪录如下表1。

表1

假设当前更新时间为2020年1月1日，透过所述数据处理装置计算可得R分类、F分类及M分类三项指标数值如下：R分类值为2020年1月1日–2019年12月21日＝11(天)；F分类值为R分类值期间的消费次数＝4(次)；M分类值为R分类值期间的加总交易金额＝100+34+56+23＝423(元)。

其次，透过所述数据处理装置依据预先设定的设定规则，设定域值。于本实施例中，可透过所述数据处理装置，根据所有客户计算出的数据分布情况将数据分为高低两组，由于大部分数据都呈现长尾分布，所以R分类值与F分类值采用百分位数，选择以80百分位数作为阈值切分，但不以此为限。至于M分类值，若所述便利商店所属公司80％的收入来自20％的客户，则M分类值以总体客户累积金额的80％作为阈值切分。

再者，于本实施例中，若欲取得计算年度的咖啡相关商品的R、F及M分类值，则可透过所述数据处理装置更新卷标时间往回推365天，将每位客户分别计算R、F、M三项分类值，并计算指标阈值，再将每位客户分至所述指标高低群后，得到归属群体。假设以2019年度计算的R、F、M三项分类值为主计算出阈值，为静态阈值设定为参考基础值，在客户R、F、M分类值的状态改变上，能够很明确的比较R、F、M分类值的变化。具体实施时，可透过所述数据处理装置计算出会员的R分类值的阈值可为14，小于或等于14为高，大于14为低，F分类值的阈值可为92，大于或等于92为高，小于92为低，M分类值的阈值可为1561，大于或等于1561为高，小于1561为低，但不以此为限。相同的，亦可透过所述数据处理装置计算出支付客户的R分类值的阈值可为14，小于或等于14为高，大于14为低，F分类值的阈值可为16，大于或等于16为高，小于16为低，M分类值的阈值可为157，大于或等于157为高，小于157为低，但不以此为限。

请并同图2的步骤S11至S13及图1的步骤S1至S4，于更具体的实施例中，所述数据处理装置，依据客户于特定便利商店购买咖啡相关商品的首次时间、最后时间、频率、金额、次数等交易信息，将客户依据客户交易金额的多寡、客户回购次数多寡或客户回购频率高低将客户予以分类成重点价值会员、重点保持会员、重点发展会员、重点挽留会员、一般价值会员、一般保持会员、一般发展会员及一般挽留会员，该些会员并分别对应至所述默认的R分类、F分类及M分类等客户分类选项，并可包括下表2的内容。

表2

其次，于所述步骤S2中，依据上表2所收集的信息数据，透过所述数据处理装置，统计分析各类既有客户对商品的购买状态信息，并可获得下表3的数据结果。于本实施例中，

表3

接着，于所述步骤S2中，依据上表3所收集的咖啡相关商品信息数据为基础，透过所述数据处理装置，统计分析各类既有客户对咖啡相关商品的购买状态信息，可获得图3及图4所列的统计分析数据结果。其中，图3为全部客户购买咖啡相关商品的第一次购买率(横轴)及重复购买率(纵轴)分析图，图4为重要价值客户购买咖啡相关商品的第一次购买率及重复购买率分析图。于图3及图4中所呈现的四个象限，第一次购买率及重复购买率均高的商品属于金牛产品，商品型态暂不需调整；第一次购买率及重复购买率均低的商品属于瘦狗产品，可能需要检查商品定位和目标客户定位；第一次购买率高但重复购买率低的商品属于问题商品，可能需要检查商品的商品力或减少推广；第一次购买率低但重复购买率高的商品属于明星商品，可能需要检查商品概念及增大推广力度。

其中呈现对应表3的咖啡商品对于全部客户而言，第一次购买率及重复购买率的分布情况，若仅挑选表3所列的四种咖啡商品比较，拿铁咖啡第一次购买率最高及重复购买率次高，冰拿铁咖啡第一次购买率最次高及重复购买率居第三，卡布其诺咖啡第一次购买率居第三及重复购买率最低，热美式咖啡第一次购买率最低及重复购买率最高。

图4则呈现对应表3的咖啡商品对于重点价值客户而言，第一次购买率及重复购买率的分布情况，就上述四件咖啡商品而言，大致上与全部客户的分布情况相似，但依据途中蓝色圆点的所述商品销售数量，两种客户的基础数量不同相对的反应在各所述商品的销售数量上亦有所差异。

承前所述，依据图3及图4的统计分析结果，可知咖啡相关商品中，有添加鲜奶等乳制品的咖啡商品属于金牛商品，若同时考虑全部客户及重要价值客户第一次购买率及重复购买率，都高于大部分的咖啡商品。故于所述步骤S4中，可透过所述数据处理装置，依据所述各类既有客户对商品的购买状态信息和新客户信息，评估所述新客户对应的客户分类选项。于本实施例中，对于新客户来说，所述便利商店若遇推出新的坚果奶拿铁咖啡新商品，应可对比现有的全部客户及重要价值客户，对于拿铁咖啡及冰拿铁咖啡的第一次购买率及重复购买率现况，预计可获得接近拿铁咖啡及冰拿铁咖啡的第一次购买率及重复购买率的结果。

承前所述，于本实施例中，接着于步骤S5，可依据步骤S4的评估结果，坚果奶拿铁咖啡新商品可能属于金牛商品，可进一步透过所述数据处理装置，推送对应所述客户分类选项的商品信息给所述新客户的信息终端装置。更具体言之，由于新商品属于金牛商品，故可以适当的提供包括新商品的成分、口感、营养价值、购买门店等介绍或广告信息即可，不需要额外的提供试用券或优待券等更进一步的新商品推广信息，应即可达到预估的推广效果。

综上所述，本发明的预估商品销售方法，利用数据处理装置，有效率的对影响商品销售的关键元素进行统计分析，借以对已上市或未上市的商品进行销售情况的评估，从而对商品策略进行调整，优化营销策略，而有助于商品的销售。