Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
COMPUTER-IMPLEMENTED METHOD FOR GENERATING A LIST OF SUGGESTIONS, AND SYSTEM FOR GENERATING AN ORDER LIST
Document Type and Number:
WIPO Patent Application WO/2019/175443
Kind Code:
A1
Abstract:
Customers buy toothpaste, sugar or orange juice again and again. Shopping for these products is not an experience but an annoying chore. The invention is intended to make this chore easier by means of artificial intelligence. The invention relates to a computer-implemented method for generating a list of suggestions for a user for product identifications stored in a product database. The special feature lies in that the list of suggestions is generated for a certain point in time and therefore relates not only to the user but also to the moment in question. The method determines whether a product is put on this list of suggestions by analysing points in time and time intervals of past purchases by said user of said product and of any products associated with said product, and possibly corresponding points in time and time intervals of other shoppers. The invention also relates to a system for generating an order list and for filling a shopping basket, said system using a device which is designed to carry out the method.

Inventors:
KRAUS CARSTEN (DE)
Application Number:
PCT/EP2019/056736
Publication Date:
September 19, 2019
Filing Date:
March 18, 2019
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
OMIKRON DATA QUALITY GMBH (DE)
International Classes:
G06Q30/02
Domestic Patent References:
WO2016174142A12016-11-03
Foreign References:
US20060242011A12006-10-26
US20130138530A12013-05-30
US20090198557A12009-08-06
US9659310B12017-05-23
Attorney, Agent or Firm:
REITSTÖTTER KINZEBACH (DE)
Download PDF:
Claims:
Patentansprüche

1. Computerimplementiertes Verfahren zum Erzeugen einer Vorschlagsliste für einen

Nutzer für in einer Produktdatenbank gespeicherte Produktidentifikationen für

Produkte, bei dem:

a. durch einen Zugriff auf eine den Nutzern zugeordnete Nutzerdatenbank mittels eines Servers ein Produkt ermittelt wird oder Produkte der in der

Produktdatenbank gespeicherten Produkte ermittelt werden, das/die der Nutzer in der Vergangenheit gekauft hat;

b. für zumindest ein ermitteltes Produkt, das der Nutzer in der Vergangenheit

gekauft hat, durch einen Zugriff auf die Nutzerdatenbank ermittelt wird, zu welchem ersten Zeitpunkt oder zu welchen ersten Zeitpunkten der Nutzer das Produkt in der Vergangenheit gekauft hat;

c. zumindest ein erstes Zeitintervall vom Zeitpunkt eines letzten vergangenen Kaufs des Produkts durch den Nutzer bis zu einem Zielzeitpunkt von dem Server berechnet wird;

d. wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, ein zweites Zeitintervall oder zweite Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch den Nutzer von dem Server berechnet wird/werden;

e. in Abhängigkeit von dem ersten und, wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, dem zweiten Zeitintervall oder den zweiten Zeitintervallen mittels eines ersten

Vorhersageverfahrens ein erster Score, der ein Maß für die Wahrscheinlichkeit ist, dass der Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet wird;

f. auf Basis des ersten Score die Vorschlagsliste für Produktidentifikationen erzeugt wird.

2. Verfahren nach Anspruch 1 ,

dadurch gekennzeichnet, dass

die Schritte b. bis f. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt werden.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass

ferner folgende Schritte durchgeführt werden:

g. durch einen Zugriff auf die Nutzerdatenbank wird für eine Vielzahl anderer Nutzer ermittelt, zu welchen zweiten Zeitpunkten jeweils die anderen Nutzer das Produkt in der Vergangenheit gekauft haben:

h. für die Vielzahl anderer Nutzer wird jeweils ein drittes Zeitintervall oder werden dritte Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch einen anderen Nutzer von dem Server berechnet ;

i. in Abhängigkeit von dem dritten Zeitintervall oder den dritten Zeitintervallen, die für die Vielzahl anderer Nutzer berechnet wurden, wird mittels eines zweiten Vorhersageverfahrens ein zweiter Score, der ein Maß für die Wahrscheinlichkeit ist, dass ein beliebiger Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet;

j. ein dem Produkt und dem Nutzer zugeordneter Funktionswert einer Funktion wird berechnet, deren Variablen zumindest den ersten Score und den zweiten Score umfassen, ,

k. in Abhängigkeit von den Funktionswerten, die den Produkten zugeordnet sind, wird die Vorschlagsliste für Produktidentifikationen erzeugt.

4. Verfahren nach Anspruch 3,

dadurch gekennzeichnet, dass

die Schritte g. bis k. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt werden.

5. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

in Abhängigkeit von den zweiten Zeitintervallen ein erster Gewichtungswert berechnet wird, der die Verlässlichkeit des ersten Scores angibt,

in Abhängigkeit von den dritten Zeitintervallen ein zweiter Gewichtungswert berechnet wird, der die Verlässlichkeit des zweiten Scores angibt, und

bei der Berechnung des Funktionswerts der erste Score mit dem ersten Gewichtungswert und der zweite Score mit dem zweiten Gewichtungswert gewichtet werden.

6. Verfahren nach Anspruch 5,

dadurch gekennzeichnet, dass der erste Gewichtungswert Null ist, wenn im Schritt a. ermittelt wurde, dass der Nutzer das Produkt nur einmal in der Vergangenheit gekauft hat.

7. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

der erste Gewichtungswert umso größer ist, je häufiger der Nutzer das Produkt in der Vergangenheit gekauft hat, so dass eine Vielzahl zweiten Zeitintervalle berechnet wird.

8. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

der erste Score mittels eines neuronalen Netzwerks berechnet wird.

9. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

der zweite Score mittels einer logistischen Regression berechnet wird.

10. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

der Median der zweiten Zeitintervalle berechnet wird und der erste Score ferner in Abhängigkeit von dem berechneten Median der zweiten Zeitintervalle berechnet wird.

1 1. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

die Standardabweichung der zweiten Zeitintervalle berechnet wird und der erste Score ferner in Abhängigkeit von der berechneten Standardabweichung der zweiten Zeitintervalle berechnet wird.

12. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

der Median der dritten Zeitintervalle berechnet wird und der zweite Score ferner in Abhängigkeit von dem berechneten Median der dritten Zeitintervalle berechnet wird, wenn die Anzahl der zweiten Zeitpunkte unterhalb eines Schwellwerts liegt.

13. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass als ein erstes Attribut des Produkts durch einen Zugriff auf die Produktdatenbank ermittelt wird, wie wahrscheinlich wiederkehrende Käufe des Produkts sind, und

der erste und/oder der zweite Score ferner in Abhängigkeit von dem ersten Attribut von dem Server berechnet wird.

14. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

als zweites Attribut des Produkts bestimmt wird, wie wahrscheinlich ein Kauf des Produkts zu einem ermittelten Zeitpunkt des Kaufs des Produkts durch den Nutzer oder einen anderen Nutzer war, und

der erste und/oder der zweite Score ferner in Abhängigkeit von dem zweiten Attribut von dem Server berechnet wird.

15. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

als drittes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem Durchschnitt der zweiten Zeitintervalle bestimmt wird, und

der erste Score ferner in Abhängigkeit von dem dritten Attribut von dem Server berechnet wird.

16. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

als viertes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem letzten der zweiten Zeitintervalle bestimmt wird, und

der erste Score ferner in Abhängigkeit von dem vierten Attribut von dem Server berechnet wird.

17. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

als fünftes Attribut des Produkts bestimmt wird, zu welcher Uhrzeit das Produkt von dem Nutzer oder einem anderen Nutzer gekauft wurde und

der erste und/oder der zweite Score ferner in Abhängigkeit von dem fünften Attribut von dem Server berechnet wird.

18. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass als sechstes Attribut des Produkts bestimmt wird, ob das Produkt bei einem Kauf durch den Nutzer oder einen anderen Nutzer rabattiert war, und

der erste und/oder der zweite Score ferner in Abhängigkeit von dem sechsten Attribut von dem Server berechnet wird.

19. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

durch einen Zugriff auf die Produktdatenbank ein zu dem Produkt gehöriges Substitutionsprodukt bestimmt wird und

die Schritte a. bis h. ferner für das Substitutionsprodukt durchgeführt werden.

20. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

die Vorschlagsliste über eine Ausgabeeinheit oder eine Schnittstelle ausgegeben wird.

21. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

bei einem Kauf eines Produkts in der Nutzerdatenbank eine Produktidentifikation, eine Nutzeridentifikation und/oder ein Zeitpunkt des Kaufs gespeichert werden.

22. Verfahren nach einem der vorhergehenden Ansprüche,

dadurch gekennzeichnet, dass

bei einem Kauf eines Produkts mittels eines ersten Sensors die

Produktidentifikation des Produkts und mittels eines zweiten Sensors die

Nutzeridentifikation erfasst werden und

die erfasste Produktidentifikation und Nutzeridentifikation in der Nutzerdatenbank gespeichert werden.

23. Vorrichtung zur Datenverarbeitung, umfassend einen Prozessor, der so konfiguriert ist, dass er das Verfahren nach einem der Ansprüche 1 bis 22 ausführt.

24. Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen mit

einer Vorrichtung zur Datenverarbeitung nach Anspruch 23 und

einer Eingangsschnittstelle zum Erfassen einer Nutzereingabe zum Annehmen und/oder Verändern der durch die Vorrichtung erzeugte Vorschlagsliste und zum Erzeugen einer Bestellliste mit Produktidentifikationen.

25. Anlage nach Anspruch 24,

dadurch gekennzeichnet, dass

die Anlage ferner eine Steuereinheit umfasst, die mit der Eingangsschnittstelle gekoppelt ist und die ausgebildet ist, durch Zugriff auf die Produktdatenbank

Positionsdaten der Produktidentifikationen der Bestellliste zu ermitteln und an den Nutzer auszugeben.

26. Anlage nach Anspruch 24 oder 25,

dadurch gekennzeichnet, dass

die Anlage ferner eine Befüllvorrichtung zum Befüllen des Warenkorbs mit Produkten umfasst, denen die Produktidentifikationen der Bestellliste zugeordnet sind.

27. Anlage nach Anspruch 26,

dadurch gekennzeichnet, dass

die Steuereinheit mit der Befüllvorrichtung gekoppelt ist,

die Steuereinheit ausgebildet ist, die Positionsdaten der Produktidentifikationen der Bestellliste an die Befüllvorrichtung zu übertragen, und

die Befüllvorrichtung ausgebildet ist, die Produkte der Produktidentifikationen der Bestellliste von Positionen, die den von der Steuereinheit übertragenen Positionsdaten entsprechen, zu dem Warenkorb zu transportieren.

28. Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des

Programms durch einen Computer diesen veranlassen, das Verfahren nach einem der Ansprüche 1 bis 22 auszuführen.

Description:
Computerimplementiertes Verfahren zum Erzeugen einer Vorschlagsliste und

Anlage zum Erzeugen einer Bestellliste

Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zum Erzeugen und Ausgeben einer Vorschlagsliste für einen Nutzer für in einer Produktdatenbank gespeicherte Produktidentifikationen für Produkte. Des Weiteren betrifft die Erfindung eine Vorrichtung zur Ausführung dieses Verfahrens sowie eine Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen mit einer solchen Vorrichtung.

Im E-Commerce wird eine Vielzahl von Produkten mittels einer Webseite, z. B. über einen Online-Shop, angeboten. Ein Nutzer, der die Webseite aufruft, kann auf der Webseite nicht nur nach diesen Produkten suchen und Informationen zu den Produkten erhalten, sondern diese Produkte auch mittels der Webseite kaufen. Um dem Nutzer die Suche nach Produkten so komfortabel und einfach wie möglich zu gestalten, werden Daten des Nutzers bei einem Aufruf der Webseite gespeichert. Diese Nutzerdaten werden bei einem erneuten Aufruf der Webseite durch diesen Nutzer verwendet, um die Informationsdarstellung und die Suche des Nutzers nach bestimmten Produkten den Bedürfnissen des jeweiligen Nutzers anzupassen. Beispielsweise werden die zuletzt betrachteten und dann vom Nutzer jedoch nicht gekauften Produkte gespeichert. Wenn der Nutzer dann die Webseite erneut aufruft, werden ihm auf der Startseite diese zuletzt betrachteten Produkte angezeigt, um die Wahrscheinlichkeit zu erhöhen, dass er diese Produkte beim erneuten Aufruf der Webseite kauft.

Es hat sich herausgestellt, dass dem Nutzer auf diese Weise zwar Produkte zum Kauf vorschlagen werden können, welche er beim letzten Aufruf der Website noch nicht gekauft hat. Solche Vorschläge für einen Kauf eignen sich jedoch nicht in Einsatzbereichen, bei denen der Nutzer bestimmte Produkte bereits gekauft hat und er diese Produkte ggf. wieder kaufen will. Insbesondere in Einsatzbereichen, bei denen eine große Anzahl von Produkten wiederkehrend gekauft werden soll, besteht ein Bedürfnis, eine Vorschlagsliste für den Nutzer auszugeben, welche den Kaufvorgang vereinfacht und beschleunigt. Solche Einsatzgebiete ergeben sich beispielsweise bei Online-Shops für Lebensmittel, Drogerieartikel oder Arzneimittel; im Firmenbedarfs-, Groß- und Zwischenhandel jedoch auch in quasi allen Produktbereichen. Neben dem Einsatz in Online-Shops kann das Verfahren auch für die Erzeugung von Einkaufslisten/Einkaufsvorschlägen für den stationären Handel Verwendung finden. Eine Vorschlagsliste kann man am Einfachsten generieren, wenn man einfach alle Produkte anzeigt, die der Nutzer jemals in diesem Shop gekauft hat. Jedoch ist im Lebensmittel-Shop die Anzahl der unterschiedlichen gekauften Lebensmittel sehr groß. Die Liste würde daher sehr viele Produkte enthalten, die der Nutzer zum aktuellen Zeitpunkt höchstwahrscheinlich nicht kaufen will. Andererseits ist es bei Online-Shops für Lebensmittel sehr wichtig, schnell die geeigneten Lebensmittel auswählen zu können. Der Online-Einkauf dauert sonst sehr lange. Weiterhin ergibt sich, dass man häufig gleiche Lebensmittel immer wieder kauft, so dass ein Bedürfnis besteht, eine Vorschlagsliste für einen Wiederkauf der Lebensmittel zu generieren.

Aus der US 9,659,310 B1 ist ein Verfahren für verbrauchsbasierte Empfehlungen für wiederkehrende Käufe bekannt. Dabei werden Empfehlungen für automatische Lieferungen bestimmte Produkte durch ein Abonnement gegeben. Bei einem Abonnement wird zwischen Nutzer und Shop ein festes Zeitintervall vereinbart. Für den wiederkehrenden Kauf werden ein Zeitintervall, eine Produktmenge und die Art des Produkts, basierend auf Merkmalen des Musters und Kaufstatistiken des Nutzers, vorgeschlagen.

Der vorliegenden Erfindung liegt das technische Problem zugrunde, ein computerimplementiertes Verfahren der eingangs genannten Art anzugeben, welches eine Vorschlagsliste erzeugt und ausgibt, welche der beabsichtigten Kaufabsicht des Nutzers so nahe wie möglich kommt. Des Weiteren soll eine Anlage der eingangs genannten Art angegeben werden, welche eine Vorrichtung zur Ausführung dieses Verfahrens verwendet und mittels welcher ein Warenkorb mit den Produkten befüllt werden kann, welche der Nutzer beabsichtigt zu kaufen.

Erfindungsgemäß wird dieses Problem durch ein computerimplementiertes Verfahren mit dem Merkmal des Anspruchs 1 sowie eine Anlage mit dem Merkmal des Anspruchs 24 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den abhängigen Ansprüchen.

Der vorliegenden Erfindung liegt die grundsätzliche Idee zugrunde, dass die Eigenschaften eines Produkts zu berücksichtigen sind. Es gibt Produkte, die ein Nutzer üblicherweise nur einmal in einem bestimmten Zeitraum von z. B. mehreren Jahren kauft, wie z. B. eine Grillzange. Andere Produkte werden hingegen in sehr viel kürzeren Abständen gekauft, wie beispielsweise Milch oder Toilettenpapier. Wird folglich die Kaufhistorie eines Nutzers betrachtet, kann eine Vorhersage gemacht werden, wie wahrscheinlich es ist, dass dieses Produkt wieder gekauft wird. Beispielsweise kann ermittelt werden, in welchem Zeitraum eine bestimmte Menge Toilettenpapier von dem Nutzer in der Vergangenheit verbraucht worden ist. Aus diesem Intervall sowie ggf. den Schwankungen desselben lässt sich ermitteln, ob oder ggf. wie wahrscheinlich es ist, dass der entsprechende Haushalt zum aktuellen Zeitpunkt wieder Toilettenpapier benötigt. Wenn dies der Fall ist oder bei einer hohen Wahrscheinlichkeit wird dieses Produkt in die Vorschlagsliste aufgenommen. Dabei kann zum einen der individuelle Verbrauch des Nutzers aus der Vergangenheit berücksichtigt werden. Ferner kann jedoch auch ein ermittelter Verbrauch dieses Produkts von allen Nutzern berücksichtigt werden. Des Weiteren ist es bei dem erfindungsgemäßen Verfahren möglich, dass Alternativen zu einem Produkt vorgeschlagen werden. Des Weiteren können auch als Produkte so genannte Produktgruppen betrachtet werden.

Das Verfahren der vorliegenden Erfindung nutzt die Kaufhistorie eines Nutzers sowie die Kaufhistorien anderer Nutzer für spezifische Produkte. Das Verfahren kann auch dann funktionieren, wenn kein weiteres Wissen über den Nutzer bekannt ist. Zwar können auch weitere Nutzerdaten verarbeitet werden, wie beispielsweise die Haushaltsgröße oder bestimmte Vorlieben des Nutzers. Jedoch ist dieses Wissen für das erfindungsgemäße Verfahren nicht unbedingt erforderlich.

Bei einem Ausführungsbeispiel werden die Kaufhistorien anderer Kunden beim zweiten Kauf der zuletzt gekauften Produkte des Nutzers berücksichtigt. Ab dem dritten Kauf wird insbesondere die Kaufhistorie des Nutzers selbst berücksichtigt. Bei der Auswahl der Produkte wird somit eine Funktion angewandt, welche von der Kaufhistorie des einzelnen Nutzers und der Kaufhistorien anderer Nutzer für das betreffende Produkt abhängig ist. Die Gewichtung, wie die Kaufhistorie des einzelnen Nutzers einerseits und die Kaufhistorien anderer Nutzer andererseits in die Funktion eingeht, verändert sich mit der Anzahl der durch geführten Käufe.

Bevorzugt stellt die Funktion nicht nur auf einzelne Produkte ab, sondern auch auf eine Produktgruppe. Wenn der Nutzer beispielsweise jeden Monat ein Glas Marmelade kauft, jedes Mal jedoch eine andere Geschmacksrichtung dieser Marmelade, wird in die Vorschlagsliste eingehen, dass nach einem Monat der Kauf eines Glases Marmelade vorgeschlagen wird. Wenn nur auf das einzelne Produkt abgestellt werden würde, würden die Käufe von Marmelade verschiedener Geschmacksrichtungen nicht berücksichtigt werden. Bei der Berücksichtigung der Kaufhistorie des einzelnen Nutzers kann eine Schwankungsbreite (z.B. Standardabweichung, Intervall-Quartile/-Perzentile) des Kaufrhythmus eingehen. Die letzten vorausgegangenen Intervalle können dabei stärker berücksichtigt werden als die älteren. Des Weiteren kann die Gesamthäufigkeit des Kaufs des Produkts eingehen.

Schließlich kann berücksichtigt werden, ob ein Produkt zum Kauf fällig ist, und zwar auf Basis eines vergangenen Zeitintervalls. Falls dies der Fall ist, wird das Produkt der Vorschlagsliste hinzugefügt. Des Weiteren kann berücksichtigt werden, dass das Produkt überfällig ist. Auch in diesem Fall kann das Produkt der Vorschlagsliste hinzugefügt werden. Wenn jedoch ein Produkt mehr als überfällig ist, kann es aus der Vorschlagsliste herausfallen, da es offensichtlich nicht mehr so relevant für den Nutzer ist. Wenn der Nutzer beispielsweise jede Woche Grillkohle oder Eier kauft und irgendwann damit aufhört, wird beim nächsten Kauf die Grillkohle oder Eier noch der Vorschlagsliste hinzugefügt. Beim übernächsten Kauf ist dies auch noch der Fall, beim überübernächsten Kauf jedoch nicht mehr. Hierdurch wird berücksichtigt, dass ggf. die Saison für dieses Produkt vorbei ist und der Nutzer das Produkt nicht mehr kaufen will (z.B. wegen des Ziels des Senkens des Cholesterinspiegels, eine Umstellung auf vegane Ernährung, ...). Hierbei kann auch berücksichtigt werden, ob andere Nutzer zunächst häufig dieses Produkt gekauft haben, dann jedoch nicht mehr. Hierdurch werden Produkte erkannt, die nicht mehr gefragt sind, beispielsweise Artikel mit Fußball-WM-Werbung 2018; in verwandter Weise können saisonabhängige Produkte erkannt werden, z.B. Grillkohle.

Das Verfahren eignet sich insbesondere für den Online-Lebensmittelhandel. Es ist jedoch auch für Produkte geeignet, die von Apotheken oder Drogerien verkauft werden.

Erfindungsgemäß wird ein computerimplementiertes Verfahren zum Erzeugen einer Vorschlagsliste für einen Nutzer für in einer Produktdatenbank gespeicherte Produktidentifikationen für Produkte vorgeschlagen, bei dem: a. durch einen Zugriff auf eine den Nutzern zugeordnete Nutzerdatenbank mittels eines Servers ein Produkt ermittelt wird oder Produkte der in der Produktdatenbank gespeicherten Produkte ermittelt werden, das/die der Nutzer in der Vergangenheit gekauft hat;

b. für zumindest ein ermitteltes Produkt, das der Nutzer in der Vergangenheit gekauft hat, durch einen Zugriff auf die Nutzerdatenbank ermittelt wird, zu welchem ersten Zeitpunkt oder zu welchen ersten Zeitpunkten der Nutzer das Produkt in der Vergangenheit gekauft hat;

c. zumindest ein erstes Zeitintervall vom Zeitpunkt eines letzten vergangenen Kaufs des Produkts durch den Nutzer bis zu einem Zielzeitpunkt von dem Server berechnet wird;

d. wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, ein zweites Zeitintervall oder zweite Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch den Nutzer von dem Server berechnet wird/werden;

e. in Abhängigkeit von dem ersten und, wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer das Produkt in der Vergangenheit gekauft hat, dem zweiten Zeitintervall oder den zweiten Zeitintervallen mittels eines ersten

Vorhersageverfahrens ein erster Score, der ein Maß für die Wahrscheinlichkeit ist, dass der Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet wird;

f. auf Basis des ersten Score die Vorschlagsliste für Produktidentifikationen erzeugt wird.

Durch das erfindungsgemäße Verfahren wird erreicht, dass für den Nutzer eine Vorschlagsliste erzeugt wird, welche mit hoher Wahrscheinlichkeit die Produkte enthält, welche der Nutzer kaufen will. Dies wird insbesondere dadurch erreicht, dass vergangene Käufe und die dazugehörigen Zeitintervalle dieser vergangenen Käufe des Nutzers berücksichtigt werden.

Der Zielzeitpunkt des erfindungsgemäßen Verfahrens ist insbesondere der Zeitpunkt, zu dem die Vorschlagsliste ausgegeben oder die Käufe getätigt werden sollen. Es handelt sich somit um einen Vorhersagezeitpunkt. Dies ist insbesondere der aktuelle Zeitpunkt, z. B. bei dem Aufruf eines Online-Shops. Es kann sich jedoch auch um einen Zeitpunkt in der nahen Zukunft handeln, z. B. den Zeitpunkt des Versands eines elektronischen Newsletters.

Die Produktdatenbank und die Nutzerdatenbank können bei dem erfindungsgemäßen Verfahren auch in einer einzigen Datenbank enthalten sein, aus welcher dann die entsprechenden Daten abgerufen werden können.

Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens werden die Schritte b. bis f. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt. Diese Schritte werden insbesondere für alle Produkte durchgeführt, welche der Nutzer in der Vergangenheit bzw. in einem definierten Gesamtzeitraum gekauft hat.

Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens werden ferner folgende Schritte durchgeführt: g. durch einen Zugriff auf die Nutzerdatenbank wird für eine Vielzahl anderer Nutzer ermittelt, zu welchen zweiten Zeitpunkten jeweils die anderen Nutzer das Produkt in der Vergangenheit gekauft haben;

h. für die Vielzahl anderer Nutzer wird jeweils ein drittes Zeitintervall oder werden dritte Zeitintervalle für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts durch einen anderen Nutzer von dem Server berechnet ;

i. in Abhängigkeit von dem dritten Zeitintervall oder den dritten Zeitintervallen, die für die Vielzahl anderer Nutzer berechnet wurden, wird mittels eines zweiten Vorhersageverfahrens ein zweiter Score, der ein Maß für die Wahrscheinlichkeit ist, dass ein beliebiger Nutzer das Produkt zum Zielzeitpunkt erneut kauft, von dem Server berechnet;

j. ein dem Produkt und dem Nutzer zugeordneter Funktionswert einer Funktion wird berechnet, deren Variablen zumindest den ersten Score und den zweiten Score umfassen, ,

k. in Abhängigkeit von den Funktionswerten, die den Produkten zugeordnet sind, wird die Vorschlagsliste für Produktidentifikationen erzeugt.

Hierdurch wird erreicht, dass für den Nutzer eine Vorschlagsliste erzeugt wird, welche mit noch höherer Wahrscheinlichkeit die Produkte enthält, welche der Nutzer kaufen will. Dies wird insbesondere dadurch erreicht, dass nicht nur vergangene Käufe und die dazugehörigen Zeitintervalle vergangener Käufe des Nutzers berücksichtigt werden, sondern auch die Zeitpunkte und die dazugehörigen Zeitintervalle dieser Käufe der Produkte durch andere Nutzer.

Erfindungsgemäß kann eine relativ kurze Vorschlagsliste auf Basis vergangener Käufe des Nutzers erzeugt werden, da ermittelt wird, ob bereits früher gekaufte Produkte aktuell auch tatsächlich benötigt werden.

Im Vergleich zum Stand der Technik, z. B. der US 9,659,310 B1 , wird bei dem erfindungsgemäßen Verfahren kein festes Zeitintervall vereinbart, sondern es werden die Empfehlungen dynamisch nach dem geschätzten aktuellen Bedarf adaptiert; dabei wird eine Veränderung des Verhaltens des jeweiligen Nutzers berücksichtigt, ebenso können saisonale Abhängigkeiten ermittelt und eingerechnet werden.

Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens werden die Schritte g. bis k. für weitere in der Produktdatenbank gespeicherte Produkte durchgeführt. Diese Schritte werden insbesondere für alle Produkte durchgeführt, welche der Nutzer in der Vergangenheit bzw. in einem definierten Gesamtzeitraum gekauft hat.

Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens wird in Abhängigkeit von den zweiten Zeitintervallen ein erster Gewichtungswert berechnet, der die Verlässlichkeit des ersten Scores angibt. In Abhängigkeit von den dritten Zeitintervallen wird ein zweiter Gewichtungswert berechnet, der die Verlässlichkeit des zweiten Scores angibt. Bei der Berechnung des Funktionswerts werden dann der erste Score mit dem ersten Gewichtungswert und der zweite Score mit dem zweiten Gewichtungswert gewichtet.

Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens ist der erste

Gewichtungswert Null ist, wenn im Schritt a. ermittelt wurde, dass der Nutzer das Produkt nur einmal in der Vergangenheit gekauft hat. Bei einem einmaligen vergangenen Kauf des Produkts lässt sich für den Nutzer nämlich nicht ermitteln, in welchen Zeitintervallen wiederkehrende Käufe in der Vergangenheit aufgetreten sind. Bei dem Verfahren werden in diesem Fall jedoch Zeitpunkte und Zeitintervalle der Käufe anderer Nutzer berücksichtigt, so dass auch in diesem Fall eine Vorschlagsliste erzeugt und ausgegeben werden kann, welche voraussichtlich der Kaufintention des Nutzers entspricht.

Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens ist der erste

Gewichtungswert umso größer ist, je häufiger der Nutzer das Produkt in der Vergangenheit gekauft hat, so dass eine Vielzahl zweiten Zeitintervalle berechnet wird. Die Funktion, deren Funktionswert in Schritt j. berechnet wird, gewichtet auf diese Weise den Umfang des bisherigen Wissens mit dem Nutzer. Bei vielen bekannten vergangenen Käufen des Nutzers wird insbesondere der erste Score berücksichtigt, welcher auf Basis des Wissens über den Kunden erzeugt wird. Bei weniger Wissen über Käufe des Kunden in der Vergangenheit wird hingegen der zweite Score stärker gewichtet, welcher Käufe anderer Nutzer für das jeweilige Produkt berücksichtigt.

Insbesondere wird in Abhängig von der Häufigkeit, mit der der Nutzer das Produkt gekauft hat, und ggf. der Häufigkeit des Besuchs einer Webseite oder eines Ladenlokals, der Einfluss des ersten und des zweiten Scores gewichtet. Der erste und/oder der zweite Score werden mittels Vorhersageverfahren, insbesondere statistischer Vorhersageverfahren, ermittelt, die für eine Schätzung des künftigen Verhaltens des Nutzers verwendet werden.

Der erste Score wird in konkreten Ausgestaltungen insbesondere mittels eines neuronalen Netzwerks berechnet. Er kann jedoch auch mittels anderer Vorhersageverfahren berechnet werden, z. B. mittels logistischer Regression, Random Forest, ... In einer konkreten Ausgestaltung wird ein vierlagiges Dense neural network eingesetzt. Für die Berechnung des zweiten Scores wird in der konkreten Ausgestaltung eine logistische Regression verwendet. Es wird insbesondere eine logistische Regression mit bestimmten Kreuzvariablen verwendet. Es hat sich herausgestellt, dass durch eine solche Berechnung des ersten und des zweiten Scores besonders zutreffende Vorschlagslisten erzeugt werden können. Andere Verfahren sind jedoch für beide Scores gangbar.

Bei dem Vorhersageverfahren werden beispielsweise statistische Werte abgeleitet. Solche Werte sind beispielsweise Median, Standardabweichung, Quartile, Min- und Max-Werte. Die Werte können einer nichtlinearen Transformation unterzogen werden. Dies geschieht in einer konkreten Ausgestaltung, ist jedoch keine Notwendigkeit für das Verfahren. Diese Werte fließen in das Vorhersageverfahren ein.

Für die Berechnung des ersten und/oder des zweiten Scores können verschiedene weitere Eingangsvariablen berücksichtigt werden, die aggregiert werden und die das Kaufverhalten des Nutzers bzw. anderer Nutzer über den Zeitverlauf darstellen.

Beispielsweise kann der Median der zweiten Zeitintervalle berechnet werden. Der erste Score wird dann ferner in Abhängigkeit von dem berechneten Median der zweiten Zeitintervalle berechnet.

Ferner kann alternativ oder zusätzlich die Standardabweichung der zweiten Zeitintervalle berechnet werden. Der erste Score wird dann ferner in Abhängigkeit von der berechneten Standardabweichung der zweiten Zeitintervalle berechnet.

Des Weiteren kann alternativ oder zusätzlich der Median der dritten Zeitintervalle berechnet werden. Der zweite Score wird dann ferner in Abhängigkeit von dem berechneten Median der dritten Zeitintervalle berechnet, wenn die Anzahl der zweiten Zeitpunkte unterhalb eines Schwellwerts liegt. Der Median der dritten Zeitintervalle, der vergangene Käufe anderer Nutzer berücksichtigt, kommt somit insbesondere dann zum Tragen, wenn die Anzahl der vergangenen Käufe des Nutzers gering ist.

Des Weiteren können bei der Berechnung des ersten und/oder des zweiten Scores Attribute des Produkts und/oder des Nutzers berücksichtigt werden.

Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens wird als ein erstes Attribut des Produkts, z. B. durch einen Zugriff auf die Produktdatenbank, ermittelt, wie wahrscheinlich wiederkehrende Käufe des Produkts sind. Der erste und/oder der zweite Score werden dann ferner in Abhängigkeit von dem ersten Attribut von dem Server berechnet. Außerdem kann das erste Attribut die Periodizität des Produkts angeben, d. h. nicht nur die Information enthalten, wie wahrscheinlich wiederkehrende Käufe sind, sondern auch innerhalb welcher Zeitintervalle wiederkehrende Käufe wahrscheinlich sind. Dabei kann für die Periodizität, d. h. für das Zeitintervall eines wahrscheinlich wiederkehrenden Kaufs des Produkts auch ein Bereich angegeben werden. Das erste Attribut ist in der Produktdatenbank als Produkteigenschaft hinterlegt, welche allgemein die Periodizität des Produkts angibt. Der Wert des ersten Attributs ist somit beispielsweise für eine Grillzange anders als beispielsweise für das Produkt Milch.

Alternativ oder zusätzlich kann als zweites Attribut des Produkts bestimmt werden, wie wahrscheinlich ein Kauf des Produkts zu einem ermittelten Zeitpunkt des Kaufs des Produkts durch den Nutzer oder einen anderen Nutzer war. Der erste und/oder der zweite Score werden dann ferner in Abhängigkeit von dem zweiten Attribut von dem Server berechnet. Auf diese Weise kann eine Saisonalität des Produkts ermittelt werden, die berücksichtigt, dass zu einer bestimmten Saison das Produkt häufiger wiederkehrend gekauft wird, als zu einer anderen Saison. Hierdurch kann beispielsweise berücksichtigt werden, dass ein Produkt häufiger im Sommer, und seltener im Winter, oder umgekehrt, gekauft wird. Das zweite Attribut kann insbesondere mittels eines Verfahrens zum Erzeugen von Prioritätsdaten für Produkte bestimmt werden, wie es in der WO 2016/174142 A1 beschrieben ist, welche durch Bezugnahme in diese Beschreibung aufgenommen wird.

Gemäß einer Weiterbildung des Verfahrens wird alternativ oder zusätzlich als drittes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem Durchschnitt der zweiten Zeitintervalle bestimmt. Der erste Score wird dann alternativ oder zusätzlich in Abhängigkeit von dem dritten Attribut von dem Server berechnet. Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens wird alternativ oder zusätzlich als viertes Attribut des Produkts das Verhältnis des ersten Zeitintervalls zu dem letzten der zweiten Zeitintervalle bestimmt. Der erste Score wird dann ferner in Abhängigkeit von dem vierten Attribut von dem Server berechnet.

Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens wird alternativ oder zusätzlich als fünftes Attribut des Produkts bestimmt, zu welcher Uhrzeit das Produkt von dem Nutzer oder einem anderen Nutzer gekauft wurde. Der erste und/oder der zweite Score wird dann ferner in Abhängigkeit von dem fünften Attribut von dem Server berechnet. Auf diese Weise können Affinitäten für den Kauf eines Produkts zu bestimmten Uhrzeiten berücksichtigt werden. Ferner kann in diesem Fall auch der Wochentag berücksichtigt werden, an dem das Produkt von dem Nutzer oder von einem anderen Nutzer gekauft wurde.

Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens kann alternativ oder zusätzlich als sechstes Attribut des Produkts bestimmt werden, ob das Produkt bei einem Kauf durch den Nutzer oder einen anderen Nutzer rabattiert war. Der erste und/oder der zweite Score wird dann ferner in Abhängigkeit von dem sechsten Attribut von dem Server berechnet. Hierdurch wird berücksichtigt, dass Nutzer bevorzugt Produkte kaufen, auf welche ein Rabatt gewährt wurde. Bevorzugt wird dies beim Erzeugen des ersten bzw. zweiten Scores berücksichtigt.

Gemäß einer Weiterbildung des erfindungsgemäßen Verfahrens wird durch einen Zugriff auf die Produktdatenbank ein zu dem Produkt gehöriges Substitutionsprodukt bestimmt. Die Schritte a. bis h. werden dann ferner für das Substitutionsprodukt durchgeführt. Substitutionsprodukte können die Produkte anderer Packungsgrößen sein. Ferner können es identische oder ähnliche Produkte anderer Anbieter sein. Schließlich können Produkte mit einer anderen Geschmacks- oder Geruchsrichtung oder einer anderen Darreichungsform, insbesondere bei Arzneimitteln, berücksichtigt werden. Außerdem können Substitutionsprodukte Produkte sein, die zu der gleichen Produktart gehören, wie beispielsweise ein anderer Käse, oder Produkte sein, die den gleichen Bedarf decken, wie beispielsweise Käse statt Wurst.

Zusätzlich oder alternativ zu dem Kauf eines Produkts kann berücksichtigt werden, dass der Nutzer oder ein anderer Nutzer Informationen zur dem Produkt über ein Netzwerk abgerufen hat. Beispielsweise kann berücksichtigt werden, wenn der Nutzer oder ein anderer Nutzer in einem Online-Shop das Produkt aufgerufen und ggf. auch in einen elektronischen Warenkorb gelegt hat, dieses Produkt jedoch nicht gekauft hat, oder stattdessen ein anderes Produkt gekauft hat.

Bei dem erfindungsgemäßen Verfahren werden zum Erzeugen der Nutzerdatenbank beim Kauf eines Produkts in der Nutzerdatenbank eine Produktidentifikation, eine Nutzeridentifikation und/oder ein Zeitpunkt des Kaufs gespeichert. Ergänzend kann die Anzahl der gekauften Einheiten des Produkts und der Preis beim Kauf des Produkts gespeichert werden.

Gemäß einer Ausgestaltung des erfindungsgemäßen Verfahrens wird bei einem Kauf eines Produkts mittels eines ersten Sensors die Produktidentifikation des Produkts, und mittels eines zweiten Sensors die Nutzeridentifikation erfasst. Die erfasste Produktidentifikation und Nutzeridentifikation werden dann in der Nutzerdatenbank gespeichert. Der erste Sensor kann beispielsweise ein Scanner für einen Code, beispielsweise einen Barcode, sein, welcher über eine elektronische Kasse mit dem Server verbunden ist. Der zweite Sensor kann beispielsweise Merkmale des Nutzers erfassen. Beispielsweise können automatisch biometrische Merkmale des Nutzers erfasst werden. Ferner kann der Nutzer in den Sensor den Nutzeridentifkationscode direkt eingeben, oder die Nutzeridentifikation kann beim Bezahlen des Produkts gewonnen werden, indem beispielsweise Kreditkartendaten oder dergleichen als Nutzeridentifikation verwendet werden.

Zahnpasta, Zucker oder Orangensaft kaufen Kunden immer wieder. Bei diesen Produkten ist Shopping kein Erlebnis, sondern eine lästige Pflicht. Die Erfindung erleichtert diese Pflicht insbesondere durch künstliche Intelligenz. Die Besonderheit des erfindungsgemäßen

Verfahrens liegt unter anderen darin, dass die Vorschlagsliste für einen bestimmten

Zeitpunkt/-raum erzeugt wird, sich also nicht nur auf den Nutzer bezieht, sondern auch auf den jeweiligen Moment. Ob ein Produkt auf die Vorschlagsliste kommt, ermittelt das

Verfahren durch die Analyse von Zeitpunkten und Zeitintervallen vergangener Käufe dieses Nutzers für dieses Produkt und ggf. mit diesem Produkt in Zusammenhang stehende

Produkte; sowie ggf. durch entsprechende Zeitpunkte und Zeitintervalle anderer Käufer. Das Verfahren kann auch weitere Variablen wie das Wetter berücksichtigen, ist auf diese jedoch nicht angewiesen. Das Verfahren ermittelt je nach Häufigkeit der bisherigen Besuche des Nutzers und der Häufigkeit, mit der er/sie das fragliche Produkt bereits gekauft hat, die Vorschlagsliste nach unterschiedlichen Kriterien. Je seltener, desto stärker werden die Käufe anderer Kunden berücksichtigt; je häufiger, desto mehr die Käufe des konkreten Nutzers. In einem der Teilverfahren wird die Wahrscheinlichkeit berechnet, dass ein Produkt überhaupt wiederholt gekauft wird. Zudem wird das Zeitintervall und ggf. dessen

Schwankungsbreite sowohl über alle Nutzer als auch über alle Zeiträume ermittelt. Aus diesen drei Variablen wird mit einem Vorhersageverfahren (Regression, Random Forrest, Neuronales Netz ...) die nutzerunabhängige Vorhersage abgeleitet. Im zweiten Teilverfahren wird aus den nutzerspezifischen Zeitpunkten, den sich aus ihnen ergebenden Intervallen, sowie deren Schwankungswahrscheinlichkeiten ein nutzerspezifischer erster Score für das jeweilige Produkt abgeleitet. Im dritten Teilverfahren wird die saisonale Abhängigkeit des Produktes ermittelt. Im zusammenfassenden Verfahren ergibt sich die Vorschlagsliste aus der Kombination der drei Verfahren. Dafür berücksichtigt ein Vorhersageverfahren neben den Werten der Teilverfahren die Häufigkeit des Kaufs dieses Produktes durch den Nutzer und ggf. die Gesamthäufigkeit des Besuchs z. B. des Online-Shops durch diesen Nutzer. Gegebenenfalls können weitere Variablen in das Verfahren einfließen. Mittels der

Funktionswerte wird eine Vorschlagsliste, welche mehrere Produktidentifikationen enthält, erzeugt.

Das Verfahren kann auch verwendet werden, um den Zeitpunkt zu ermitteln, an dem man dem Nutzer die Bestellvorschlagsliste zuschickt.

Die Erfindung betrifft ferner eine Vorrichtung zur Datenverarbeitung, umfassend einen Prozessor, der so konfiguriert ist, dass er das vorstehend beschriebene Verfahren ausführt.

Die Erfindung betrifft ferner eine Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen. Die Anlage umfasst die vorstehend genannte Vorrichtung zur Datenverarbeitung. Ferner umfasst die Anlage eine Eingangsschnittstelle zum Erfassen einer Nutzereingabe zum Annehmen oder Verändern der durch die Vorrichtung ausgegebenen Vorschlagsliste und zum Erzeugen einer Bestellliste mit Produktidentifikationen. Die Eingangsschnittstelle ist insbesondere so ausgebildet, dass bei einer Annahme der Vorschlagsliste die Bestellliste dieselben Produktidentifikationen umfasst wie die Vorschlagsliste. Wenn die Vorschlagsliste durch eine Nutzereingabe verändert wird, enthält die Bestellliste die entsprechend geänderte Liste mit Produktidentifikationen.

Gemäß einer Weiterbildung der erfindungsgemäßen Anlage umfasst diese ferner eine Steuereinheit, die mit der Eingangsschnittstelle gekoppelt ist und die ausgebildet ist, durch Zugriff auf die Produktdatenbank Positionsdaten der Produktidentifikationen der Bestellliste zu ermitteln und an den Nutzer auszugeben Gemäß einer Weiterbildung der erfindungsgemäßen Anlage umfasst diese schließlich eine Befüllvorrichtung zum Befüllen des Warenkorbs mit Produkten, denen die Produktidentifikationen der Bestellliste zugeordnet sind.

Gemäß einer Weiterbildung der erfindungsgemäßen Anlage umfasst diese ferner eine Steuereinheit, welche mit der Eingangsschnittstelle und der Befüllvorrichtung gekoppelt ist, und die ausgebildet ist, durch Zugriff auf die Produktdatenbank Positionsdaten der Produktidentifikationen der Bestellliste an die Befüllvorrichtung zu übertragen. Die Befüllvorrichtung ist in diesem Fall ausgebildet, die Produkte der Produktidentifikationen der Bestellliste von Positionen, die den von der Steuereinheit übertragenen Positionsdaten entsprechen, zu dem Warenkorb zu transportieren.

Außerdem kann die die Steuereinheit mit der Befüllvorrichtung gekoppelt sein. Sie kann dann ausgebildet sein, die Positionsdaten der Produktidentifikationen der Bestellliste an die Befüllvorrichtung zu übertragen. Die Befüllvorrichtung kann dann ausgebildet sein, die Produkte der Produktidentifikationen der Bestellliste von Positionen, die den von der Steuereinheit übertragenen Positionsdaten entsprechen, zu dem Warenkorb zu transportieren.

Mit der erfindungsgemäßen Anlage kann der Nutzer unterstützt werden, einen Warenkorb zu befüllen. Dabei wird die Auswahl durch das Erzeugen der Vorschlagsliste beschleunigt und erleichtert, und das Befüllen des Warenkorbs wird durch die automatisierte Befüllvorrichtung, welche von der Steuereinheit gesteuert wird, unterstützt.

Die Erfindung betrifft schließlich ein Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das vorstehend beschriebene Verfahren auszuführen.

Die Erfindung wird nun anhand von Ausführungsbeispielen mit Bezug zu den Zeichnungen erläutert.

Figur 1 zeigt schematisch den Aufbau eines Ausführungsbeispiels der erfindungsgemäßen Vorrichtung,

Figur 2 zeigt eine zeitliche Darstellung von Käufen des Nutzers in der Vergangenheit, O n WO 2019/175443 ia lity GmbH PCT/EP2019/056736

14

Figur 3 zeigt eine zeitliche Darstellung von Käufen anderer Nutzer in der

Vergangenheit,

Figur 4 zeigt ein Flussdiagramm eines Ausführungsbeispiels des erfindungsgemäßen

Verfahrens, und

Figur 5 zeigt schematisch den Aufbau eines Ausführungsbeispiels der erfindungsgemäßen Anlagen.

Mit Bezug zu Fig. 1 wird zunächst der Aufbau des Ausführungsbeispiels der erfindungsgemäßen Vorrichtung 1 erläutert:

Die Vorrichtung 1 umfasst einen Server 2, der beispielsweise einen Online-Shop für Lebensmittel bereitstellt. Mit dem Server 2 ist auf an sich bekannte Weise, beispielsweise über das Internet, ein Client 3 eines Nutzers N verbunden. Der Client 3 umfasst eine Ausgabeeinheit 4, beispielsweise ein Display, und eine Eingabeeinheit 5, beispielsweise eine Tastatur und eine elektronische Maus. Die Ausgabeeinheit 4 könnte alternativ über ein Mobilgerät oder andere Schnittstellen, wie beispielsweise einen Fernseher oder andere Geräte, bereitgestellt werden. Des Weiteren können allgemein mit 6 bezeichnete Clients anderer Nutzer, die allgemein mit X bezeichnet werden, mit dem Server 2 über das Internet gekoppelt werden. In Fig. 1 sind beispielhaft drei Clients 6-1 , 6-2 und 6-3 der anderen Nutzer X1 , X2 und X3 gezeigt. Die Clients 3 und 6 können Webseiten von dem Server 2 abrufen und mittels dieser Webseiten eine Vielzahl von Produkten P kaufen.

Zur Bereitstellung des Online-Shops ist der Server 2 mit einer Produktdatenbank 7 und einer Nutzerdatenbank 8 gekoppelt. Die Nutzerdatenbank 8 speichert Daten zu vergangenen Käufen der Nutzer des von dem Server 2 bereitgestellten Online-Shops. Die Produktdatenbank 7 speichert Daten zu den in dem Online-Shop angebotenen Produkten.

Während des Betriebs des Online-Shops speichert der Server Daten zu Nutzerinteraktionen in der Nutzerdatenbank 8. Beispielsweise wird gespeichert, wenn ein bestimmter Nutzer N ein Produkt P in einen elektronischen Warenkorb legt. Ferner wird gespeichert, wenn der Nutzer N oder ein anderer Nutzer X ein Produkt P über den Online-Shop kauft.

Des Weiteren speichert der Server 2 in der Produktdatenbank 7 zu den einzelnen Produkten P Produktidentifikationen, Eigenschaften und Attribute der Produkte P sowie etwaige weitere zu den Produkten P gehörige Daten, wie es später erläutert wird. Optional kann die Vorrichtung 1 auch Käufe in Ladenlokalen erfassen. Hierfür kann diese eine Schnittstelle zu einer Erfassungseinheit 1 1 , beispielsweise einer elektronischen Kasse, aufweisen. Die Erfassungseinheit 11 ist mit einem ersten Sensor 9 und einem zweiten Sensor 10 gekoppelt. Der erste Sensor 9 kann eine Nutzeridentifikation bei dem Kauf eines Produkts P erfassen, der zweite Sensor 10 eine Produktidentifikation eines gekauften Produkts P. Diese Daten können mittels der Erfassungseinheit 11 in der Produktdatenbank 7 und der Nutzerdatenbank 8 gespeichert werden, so dass der Server 2 auch auf solche Käufe in Ladenlokalen zugreifen kann.

Mit Bezug zu den Fig. 2 und 3 wird erläutert, wie die Zeitabfolge von vergangenen Käufen des Nutzers N und anderer Nutzer X erfasst werden:

In den Fig. 2 und 3 bezeichnet allgemein ZP einen Zeitpunkt, der Zusatz N eine Zuordnung zu dem Nutzer N, der Zusatz X eine Zuordnung zu einem anderen Nutzer X und eine Zahl als Zusatz einer Nummerierung. ZI bezeichnet ein Zeitintervall, wobei auch in diesem Fall die entsprechenden Zusätze verwendet werden. VZP bezeichnet einen Vorhersage-Zeitpunkt bzw. einen Zielzeitpunkt, zu dem das Verfahren die Vorschlagsliste ausgibt.

In Fig. 2 ist beispielsweise der Fall gezeigt, dass der Nutzer N in der Vergangenheit vor dem Zielzeitpunkt VZP zum Zeitpunkt ZP-N-1 ein bestimmtes Produkt P gekauft hat. Das Zeitintervall zwischen dem Zielzeitpunkt VZP und dem Zeitpunkt ZP-N-1 des letzten Kaufs des Produkts P durch den Nutzer N wird mit ZI1-N bezeichnet. Das Zeitintervall ZI1-N wird als erstes Zeitintervall bezeichnet. Ferner hat in dem in Fig. 2 gezeigten Fall der Nutzer N das Produkt P zu weiteren Zeitpunkten ZP-N-2, ZP-N-3, ZP-N-4 gekauft. Hieraus ergeben sich die zweiten Zeitintervalle ZI2-N-1 , ZI2-N-2 und ZI2-N-3.

Daten zu den Käufen des Produkts durch den Nutzer N werden mittels des Servers 2 oder der Erfassungseinheit 11 in der Nutzerdatenbank 8 gespeichert. Zu jedem Kauf werden dabei insbesondere folgende Daten gespeichert: Der Zeitpunkt des Kaufs einschließlich der Uhrzeit und des Datums, eine Nutzeridentifikation, die bevorzugt pseudonymisiert ist, und eine Produktidentifikation, beispielsweise eine Artikelnummer des Produkts P. Ferner kann noch die Anzahl der gekauften Produkte P und der dazugehörige Preis in der Nutzerdatenbank 8 gespeichert werden.

Auf gleiche Weise werden beim Betrieb des Online-Shops auch Käufe anderer Nutzer X in der Nutzerdatenbank 8 gespeichert. Dies wird mit Bezug zu Fig. 3 erläutert:

Ein anderer Nutzer X hat zu den Zeitpunkten ZP-X-1 , ZP-X-2 und ZP-X-3 das betreffende Produkt P gekauft hat, so dass zwischen zwei aufeinanderfolgenden Zeitpunkten dieser Käufe die Zeitintervalle ZI3-X-1 und ZI3-X-2 ergeben. Diese Zeitintervalle werden auch als dritte Zeitintervalle bezeichnet. Die Daten zu diesen Käufen werden auch nutzerspezifisch in der Nutzerdatenbank 8 gespeichert.

Im Folgenden wir ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens mit Bezug zu Fig. 4 erläutert, wobei gleichzeitig weitere Ausgestaltungen der erfindungsgemäßen Vorrichtung 1 beschrieben werden.

Ausgangspunkt des Verfahrens ist, dass in der Nutzerdatenbank 8 die vergangenen Käufe eines Produkts P eines Nutzers N mit den vorstehend beschriebenen dazugehörigen Daten gespeichert sind. Auf gleiche Weise sind für eine Vielzahl von anderen Nutzern X entsprechende Daten vergangener Käufe in der Nutzerdatenbank 8 gespeichert. Des Weiteren sind Eigenschaften und Attribute der Produkts P in der Produktdatenbank 7 gespeichert.

Im Schritt S1 ruft der Nutzer N mittels des Clients 3 eine Webseite des mittels des Servers 2 betriebenen Online-Shops auf, wobei sich der Nutzer N einloggt, so dass er über eine Nutzeridentifikation vom Server 2 erfasst wird.

In einem Schritt S2 ermittelt der Server 2 daraufhin durch einen Zugriff auf die Nutzerdatenbank 8, welche Produkte P der Nutzer N in der Vergangenheit gekauft hat. Hierfür kann ein bestimmter Gesamtzeitraum für vergangene Käufe herangezogen werden. Beispielsweise können vergangene Käufe des Nutzers N innerhalb der letzten 14 Monate betrachtet werden. Beispielsweise ergibt sich, dass der Kunde die Produkte P1 bis Pn in der Vergangenheit gekauft hat. Die folgenden Schritte werden nun jeweils für diese Produkte P1 bis Pn durchgeführt:

In einem Schritt S3 wird für das Produkt Pi durch einen Zugriff auf die Nutzerdatenbank 8 mittels des Servers 2 ermittelt, zu welchem ersten Zeitpunkt ZP-N-1 oder zu welchen Zeitpunkten ZP-N-j (j > 0) der Nutzer N das Produkt Pi in der Vergangenheit gekauft hat.

In einem Schritt S4 berechnet der Server 2 die Zeitintervalle zwischen den Zeitpunkten der Käufe. Da in jedem Fall ein Zeitpunkt ZP-N-1 für einen vergangenen Kauf des Nutzers N vorliegt, wird das erste Zeitintervall ZI1-N vom Server 2 berechnet. Wenn weitere Zeitpunkte ZP-N-j ermittelt wurden, zu denen der Nutzer N das Produkt Pi in der Vergangenheit gekauft hat, wird von dem Server ein zweites Zeitintervall ZI2-N-1 oder zweite Zeitintervalle ZI2-N-j für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts Pi durch den Nutzer N berechnet. Anschließend berechnet der Server 2 in einem Schritt S5 in Abhängigkeit von dem ersten ZI1-N und, wenn mehrere Zeitpunkte ermittelt wurden, zu denen der Nutzer N das Produkt Pi in der Vergangenheit gekauft hat, dem zweiten Zeitintervall ZI2-N-1 oder den zweiten Zeitintervallen ZI2-N-j einen ersten Score, der ein Maß für die Wahrscheinlichkeit ist, dass der Nutzer N das Produkt Pi zum Zielzeitpunkt VZP erneut kauft. Ferner wird ein erster Gewichtungswert bestimmt. Der erste Gewichtungswert gibt ein Maß für die Verlässlichkeit des ersten Scores dafür aus, dass bei Berücksichtigung der vergangenen Käufe des Nutzers N dieser Nutzer das Produkt Pi erneut kaufen will.

Hierfür werden Die vorstehend beschriebenen zeitlichen Eingangsvariablen für ein neuronales Netzwerk aggregiert. Die aggregierten Eingangsvariablen kennzeichnen die Entwicklungen des Kaufverhaltens des Nutzers N für das Produkt Pi über einen bestimmten Zeitverlauf. Im vorliegenden Ausführungsbeispiel wird hierfür ein vierlagiges Dense Neural Network mit 2,4 Mio. Synapsen verwendet. Es hat sich herausgestellt, dass eine Verringerung der Synapsen- oder Layeranzahl zu schlechteren Ergebnissen führt, eine Vergrößerung nicht jedoch zu einer Verbesserung. Das neuronale Netzwerk gibt somit den ersten Score und ggf. auch den ersten Gewichtungswert aus.

Es hat sich herausgestellt, dass die Berechnung des ersten bzw. des zweiten Scores auf der Basis von Dense Neural Networks bzw. logistischen Regressionen Vorteile gegenüber der Berechnung mit anderen Verfahren der künstlichen Intelligenz aufweist, welche ohne Aggregation der Eingangsvariable auf den reinen Kaufstreams, d. h. den einzelnen Kaufvorgängen, aufbauen. Dazu könnte man beispielsweise eine Anwendung der künstlichen Intelligenz mit Recurrent Neural Networks implementieren, bei denen z. B. Long term Short term Memory (LSTM) verwendet wird. Der Rechenaufwand ist in diesem Fall jedoch sehr groß. Die für das erfindungsgemäße Verfahren angegebene Methoden benötigen eine sehr viel geringere Rechenleistung, so dass die Vorschlagsliste so zeitnah erzeugt werden kann, dass ein Einsatz in einem Online-Shop möglich ist, ohne das der Nutzer N vor der Ausgabe der Vorschlagsliste den Online-Shop wieder verlässt.

Eine weitere Möglichkeit wäre ein Ansatz mit neuronalen Netzen mit geringerem Rechenaufwand, beispielsweise auf der Basis von eindimensionalen Convolutional Neural Networks. Auch in diesem Fall ist der Rechenaufwand jedoch sehr viel größer als mit den aggregierten Eingangsvariablen, wie sie in Verbindung mit dem erfindungsgemäßen Verfahren beschrieben sind.

In Schritt S6 wird durch einen Zugriff auf die Nutzerdatenbank 8 für eine Vielzahl anderer Nutzer X ermittelt, zu welchen zweiten Zeitpunkten ZP-X-j (j>0) jeweils die anderen Nutzer X das Produkt Pi in der Vergangenheit gekauft haben. Hieraus berechnet der Server 2 jeweils für einen anderen Nutzer X ein drittes Zeitintervall ZI3-X-1 oder dritte Zeitintervalle ZI3-X-j für Zeitpunkte aufeinanderfolgender vergangener Käufe des Produkts Pi durch einen anderen Nutzer X.

Im Schritt S7 berechnet der Server 2 in Abhängigkeit von dem dritten Zeitintervall ZI3-X-1 oder den dritten Zeitintervallen ZI3-X-j, die für die Vielzahl anderer Nutzer X berechnet wurden, einen zweiten Score sowie einen zweiten Gewichtungswert. Hierfür wird in diesem Ausführungsbeispiel eine logistische Regression mit bestimmten Kreuzvariablen eingesetzt. Alternativ könnte in diesem Fall auch ein neuronales Netzwerk eingesetzt werden. Der zweite Score, welcher von der logistischen Regression erzeugt wird, ist ein Maß für die Wahrscheinlichkeit, dass ein beliebiger Nutzer das Produkt zum Zielzeitpunkt VZP erneut kauft. Ferner gibt der berechnete zweite Gewichtungswert an, wie verlässlich der zweite Score ist.

In einem Schritt S8 wird ein dem Produkt Pi zugeordneter Funktionswert einer Funktion berechnet, deren Variablen den ersten Score und/oder den zweiten Score umfassen, wobei der erste Score mit dem ersten Gewichtungswert und der zweite Score mit dem zweiten Gewichtungswert gewichtet werden. Durch die Gewichtung wird erreicht, dass der jeweilige Score in den Funktionswert umso stärker eingeht, je aussagekräftiger er ist.

Wenn bei dem vorliegenden Ausführungsbeispiel ermittelt wurde, dass der Nutzer N das Produkt Pi nur einmal in der Vergangenheit gekauft hat, d. h. nur der Zeitpunkt ZP-N-1 und das erste Zeitintervall ZI1-N vorliegt, wird der erste Gewichtungswert auf Null gesetzt, so dass der erste Score in diesem Fall bei der Berechnung des Funktionswert nicht berücksichtigt wird. Die Berechnung des Funktionswerts erfolgt dann nur auf Basis des zweiten Scores, welcher auf Basis vergangener Käufe anderer Nutzer X erzeugt worden ist.

Wurden mehrere vergangene Käufe des Nutzers N für das Produkt Pi ermittelt, ist der erste Gewichtungswert größer als Null. Er ist insbesondere umso größer, je häufiger der Nutzer N das Produkt Pi in der Vergangenheit, insbesondere innerhalb des Gesamtzeitraums, gekauft hat. In diesem Fall kann insbesondere eine Vielzahl von zweiten Zeitintervallen ZI2-N-j berechnet werden. Bei der Berechnung des Funktionswerts wird dann der zweite Score, welcher auf Basis von Käufen anderer Nutzer X gewonnen wurde, weniger stark berücksichtigt. Der Funktionswert ist z. B. umso größer, je wahrscheinlicher es ist, dass das dazugehörige Produkt P von dem Nutzer zum Zielzeitpunkt VZP erneut gekauft wird.

Andererseits ist es auch möglich, dass vergangene Käufe anderer Nutzer X nicht berücksichtigt werden, sodass der zweite Gewichtungswert auf Null gesetzt wird. Es werden dann bei dem Verfahren nur vergangene Käufe des Nutzers N berücksichtigt. Von Schritt S8 kehrt das Verfahren zu Schritt S3 zurück, und es werden die Schritte S3 bis S8 für das nächste Produkt Pj, welches der Nutzer N bereits zumindest einmal in der Vergangenheit gekauft hat, durchgeführt, bis diese Schritte für alle Produkte P1 bis Pn ausgeführt wurden. Es liegt dann somit für jedes Produkt ein bestimmter Funktionswert vor.

Im Schritt S9 wird dann in Abhängigkeit von den Funktionswerten, die den Produkten P zugeordnet sind, eine Vorschlagsliste erzeugt, welche Produktidentifikationen enthält. In die Vorschlagsliste können beispielsweise Produktidentifikationen der Produkte P aufgenommen werden, deren Funktionswert einen bestimmten Schwellwert überschreitet. Alternativ kann eine bestimmte Anzahl an Produktidentifikationen von Produkten P in die Vorschlagsliste aufgenommen werden, deren Funktionswerte am größten sind.

In Schritt S10 wird die Vorschlagsliste mit den Produktidentifikationen dann über die Ausgabeeinheit 4 dem Nutzer N ausgegeben. Alternativ oder zusätzlich kann sie über eine Ausgabeeinheit an eine andere Einrichtung zur Weiterverarbeitung ausgegeben werden.

Im Folgenden werden Ergänzungen des zuvor beschriebenen Ausführungsbeispiels des erfindungsgemäßen Verfahrens beschrieben, welche zu weiteren Ausführungsbeispielen führen:

Alternativ oder zusätzlich kann im Schritt S5 als aggregierte Eingangsvariable die Anzahl der Käufe eines Produkts Pi durch den Nutzer N im Gesamtzeitraum berücksichtigt werden.

Alternativ oder zusätzlich kann im Schritt S5 der Median bzw. ein bestimmtes Perzentil der zweiten Zeitintervalle ZI2-N-j der Zeitpunkte der Käufe des Produkts Pi durch den Kunden N als aggregierte Eingangsvariable bei der Berechnung des ersten Scores berücksichtigt werden.

Alternativ oder zusätzlich kann bei der Berechnung des ersten Scores im Schritt S5 außerdem die Standardabweichung der zweiten Zeitintervalle ZI2-N-j für das Produkt Pi für vergangene Käufe durch den Nutzer N berücksichtigt werden.

Alternativ oder zusätzlich kann auch als aggregierte Eingangsvariable im Schritt S5 das letzte erfasste zweite Zeitintervall ZI2-N-1 für das Produkt Pi für vergangene Käufe durch den Nutzer N berücksichtigt werden. Alternativ können bei der Ermittlung der statistischen Variablen die einzelnen Zeitpunkte und Intervalle unterschiedlich stark berücksichtigt werden, wobei neuere Zeitpunkte/Intervalle stärker berücksichtigt werden.

Alternativ oder zusätzlich kann jeder Zeitpunkt und jedes Intervall einzeln als Eingangsvariablen in die Vorhersagefunktion einfließen. Bei den Zeitpunkten können zusätzliche Eigenschaften wie Wochentag oder Uhrzeit, sowie ermittelte Zusatzdaten wie das Wetter zu diesem Zeitpunkt einfließen.

Alternativ oder zusätzlich kann als aggregierte Eingangsvariable als ein erstes Attribut des Produkts P durch einen Zugriff auf die Produktdatenbank 7 ermittelt werden, wie wahrscheinlich wiederkehrende Käufe des Produkts P sind. Dieses erste Attribut kann in der Produktdatenbank 7 unabhängig von etwaigen vergangenen Käufen des Nutzers N oder anderer Nutzer X gespeichert sein. Es gibt eine Eigenschaft des Produktes selbst wieder. Dieses erste Attribut kann im Schritt S5 und/oder im Schritt S7 bei der Berechnung des ersten und des zweiten Scores berücksichtigt werden.

Ferner kann alternativ oder zusätzlich als zweites Attribut des Produkts P bestimmt werden, wie wahrscheinlich ein Kauf des Produkts P zu einem ermittelten Zeitpunkt ZP-N-j durch den Nutzer N war. Ferner kann als zweites Attribut des Produkts P bestimmt werden, wie wahrscheinlich ein Kauf des Produkts P zu einem ermittelten Zeitpunkt ZP-X-j des Kaufs des Produkts P durch einen anderen Nutzer X war. Das zweite Attribut kann dann im Schritt S5 und/oder im Schritt S7 bei der Berechnung des ersten oder zweiten Scores berücksichtigt werden. Hierdurch wird eine Saisonalitätsintensität eines Produkts P über alle Kunden zum Zeitpunkt des vorherigen Kaufs dieses Produkts P durch den Nutzer N oder durch einen anderen Nutzer X berücksichtigt. Außerdem kann die Saisonalitätsintensität eines Produkts P über alle anderen Nutzer X zum Zielzeitpunkt VZP berücksichtigt werden.

Die Saisonalitätsintensität kann beispielsweise mittels des Verfahrens zum Erzeugen von Prioritätsdaten für Produkte bestimmt werden, wie es in der WO 2016/174142 A1 beschrieben ist, welche durch Bezugnahme in die Beschreibung aufgenommen wird.

Alternativ oder zusätzlich kann in Schritt S5 bei der Berechnung des ersten Scores ein drittes Attribut berücksichtigt werden, welches das Verhältnis des ersten Zeitintervalls ZI1-N zu dem Durchschnitt der zweiten Zeitintervalle ZI2-N-j ist. Auf diese Weise wird berücksichtigt, wie lange die Dauer seit dem letzten Kauf des Produkts P durch den Nutzer N im Verhältnis zu typischen Zeitintervallen zwischen Käufen dieses Produkts P durch diesen Nutzer N ist. Alternativ oder zusätzlich kann als viertes Attribut des Produkt P das Verhältnis des ersten Zeitintervalls ZI1-N zu dem letzten ZI2-N-1 der zweiten Zeitintervalle ZI2-N-j bestimmt werden, und im Schritt S5 bei der Berechnung des ersten Scores als aggregierte Eingangsvariable berücksichtigt werden. Auf diese Weise wird berücksichtigt, wie groß der Zeitraum zwischen dem Zielzeitpunkt VZP und dem letzten Kauf dieses Produkts P durch den Nutzer N im Verhältnis zum zuletzt ermittelten zweiten Zeitintervall ist.

Die Berechnung des Funktionswerts für ein Produkt P für die Vorschlagsliste lässt sich für relativ neue Nutzer N, oder für neue Kombinationen aus dem Nutzer N mit einem bestimmten Produkt P, noch nicht zutreffend aus den vergangenen Käufen dieses Nutzers N ableiten. Wenn ein Nutzer N ein bestimmtes Produkt P bisher noch sehr selten gekauft hat, lässt sich auf dieser Basis schwierig Vorhersagen, ob er es bei einem erneuten Besuch des Online-Shops erneut kaufen will. In diesem Fall wird, wie vorstehend beschrieben, die Wahrscheinlichkeit für den Produktbedarf vollständig oder zum größten Teil anhand der generellen Wiederholungskauf-Eigenschaften des Produkts P auf Basis vergangener Käufe aller anderen Nutzer X prognostiziert. Für die Berechnung des zweiten Scores im Schritt S7 können in diesem Fall insbesondere alternativ oder zusätzlich folgende aggregierte Eingangsvariablen berücksichtigt werden:

Es kann der Median der dritten Zeitintervalle ZI3-X-j und der zweite Score ferner in Abhängigkeit von diesem Median berechnet werden. Diese aggregierte Eingangsvariable wird insbesondere dann benutzt, wenn die Anzahl der ersten Zeitpunkte, ZP-N-j, d. h. die Anzahl der vergangenen Käufe des Nutzers N, unterhalb eines Schwellenwerts liegt.

Des Weiteren kann alternativ oder zusätzlich ein sogenannter AC-Score berücksichtigt werden. Dieser gibt eine generelle relative Wiederholungskaufwahrscheinlichkeit für die Produkte P an, der sich an den Überlegungen von Agresti & Coull zur Näherung der Binomialverteilung orientiert, obschon hier keine Binomialverteilung berechnet wird.

Bei einem noch weiteren Ausführungsbeispiel des erfindungsgemäßen Verfahrens wird bei der Iteration der Schritte S3 bis S8 nicht nur die Menge der Produkte Pi berücksichtigt, welche der Nutzer N in der Vergangenheit bereits gekauft hat. Zusätzlich wird diese Iteration für Substitutionsprodukte zu den Produkten Pi durchgeführt. Hierfür wird durch einen Zugriff auf die Produktdatenbank 7 ein zu einem Produkt Pi gehöriges Substitutionsprodukt bestimmt. Für dieses Substitutionsprodukt werden dann die Schritte S2 bis S8, und anschließend unter Berücksichtigung der Scores für dieses Substitutionsprodukt die Schritte S9 und S10 durchgeführt. Bei einem weiteren Ausführungsbeispiel werden nicht nur vergangene Käufe eines Produkts P durch den Nutzer N oder einen anderen Nutzer X berücksichtigt, sondern zusätzlich auch Besuche des Nutzers N oder anderer Nutzer X, bei denen ein Produkt P der Produktdatenbank 7, oder eine Produktgruppe mit einem Produkt P der Produktdatenbank 7, nicht gekauft wurde. Beispielsweise kann das Verfahren zusätzlich berücksichtigen, dass der Nutzer N oder ein anderer Nutzer X Informationen zu einem Produkt P nur im Online-Shop aufgerufen hat, das Produkt P dann jedoch nicht gekauft hat.

Bei einem weiteren Ausführungsbeispiel wird als fünftes Attribut des Produkts P bestimmt, zu welcher Uhrzeit, und ggf. an welchem Wochentag, das Produkt P von dem Nutzer N oder einem anderen Nutzer X gekauft wurde. Der erste und/oder der zweite Score werden dann im Schritt S5 bzw. im Schritt S7 ferner in Abhängigkeit von diesem fünften Attribut berechnet.

Außerdem kann berücksichtigt werden, wenn das Produkt P zu einem Zeitpunkt gekauft wurde, als es rabattiert war. Des Weiteren kann berücksichtigt werden, dass das Produkt P beim Kauf das kostengünstigste Produkt einer Substitutionsgruppe zu einem bestimmten Zeitpunkt war. Der Einfluss dieser Faktoren kann sowohl bei der Berechnung des ersten Scores, als auch bei der Berechnung des zweiten Scores berücksichtigt werden.

Schließlich könnte noch ermittelt werden, wie das Treuverhältnis eines Nutzers N oder eines anderen Nutzers X zu einem bestimmten Produkt relativ zu Substitutionsprodukten war, und dies als weitere aggregierte Eingangsvariable bei der Berechnung des ersten und/oder zweiten Scores berücksichtigt werden.

Im Folgenden wird mit Bezug zur Fig. 5 ein Ausführungsbeispiel der erfindungsgemäßen Anlage zum Erzeugen einer Bestellliste mit Produktidentifikationen zum Befüllen eines Warenkorbs 15 beschrieben, die bei dem Ausführungsbeispiel auch zum Befüllen eines Warenkorbs 15 ausgebildet ist:

Die Anlage umfasst die mit Bezug zu Fig. 1 und mit Bezug zu dem Ausführungsbeispiel des erfindungsgemäßen Verfahrens beschriebene Vorrichtung 1. Die Vorrichtung 1 ist, wie bereits mit Bezug zu Fig. 1 erläutert, mit einer Erfassungseinheit 1 1 gekoppelt, welche bei dem Ausführungsbeispiel der Anlage als elektronische Kasse 1 1 ausgebildet ist. Die elektronische Kasse 11 ist mit dem ersten Sensor 9 und dem zweiten Sensor 10 verbunden.

Mittels der Anlage werden allgemein Käufe des Nutzers N und anderer Nutzer X erfasst. Bei einem Bezahlvorgang werden von dem zweiten Sensor 10, der beispielsweise als Scanner für einen Code eines Produkts ausgebildet sein kann, Produktidentifikationen der gekauften Produkte erfasst und an die elektronische Kasse 11 übermittelt. Beim anschließenden Bezahlvorgang wird der Nutzer N bzw. ein anderer Nutzer X mittels des ersten Sensors 9, beispielsweise anhand einer Identifikation einer elektronischen Bezahlkarte, identifiziert. Die elektronische Kasse 11 speichert diese Daten in der Nutzerdatenbank 8, wie es vorstehend erläutert wurde. Auf diese Weise kann mittels der Anlage in einem Ladenlokal ein Kauf eines Nutzers N oder eines anderen Nutzers X erfasst und gespeichert werden.

Außerdem ist die Anlage erfindungsgemäß ausgebildet, eine Bestellliste zu erzeugen. Hierzu wird der Nutzer N zunächst mittels des ersten Sensors 9 identifiziert. Die Nutzeridentifikation des Nutzers N wird von der elektronischen Kasse 1 1 an die Vorrichtung 1 übertragen. Die Vorrichtung 1 erzeugt daraufhin, wie vorstehend erläutert, eine Vorschlagsliste für die Nutzer N für solche Produkte P, welche der Nutzer N bereits in der Vergangenheit gekauft hat. Die Produktidentifikationen der Produkte der Vorschlagsliste werden mittels eines Touchscreens

12 ausgegeben, welcher von der Vorrichtung 1 angesteuert wird. Der Nutzer N kann über den Touchscreen 12 die Vorschlagsliste annehmen oder sie durch Nutzereingaben verändern. Beispielsweise kann der Nutzer N auf dem Touchscreen 12 weitere Produkte P auswählen, welche er bisher noch nicht gekauft hat. Der Touchscreen 12 stellt somit eine Eingangsschnittstelle zum Erfassen einer Nutzereingabe, und zwar insbesondere zum Annehmen oder zum Verändern der durch die Vorrichtung 1 ausgegebenen Vorschlagsliste, dar.

Schließt der Nutzer auf dem Touchscreen 12 die Eingabe ab, wird eine Bestellliste mit Produktidentifikationen erzeugt.

Außerdem ist die Anlage dieses Ausführungsbeispiels ausgebildet, Positionsdaten der Produktidentifikationen der Bestellliste auszugeben:

Die Bestellliste wird von dem Touchscreen 12 und an eine Steuereinheit 13 übertragen. Die Steuereinheit greift auf die Produktdatenbank 7 der Vorrichtung 1 zu, lädt die Positionsdaten der Produktidentifikationen der Bestellliste und überträgt diese Positionsdaten an den Nutzer. Beispielsweise können die Positionsdaten von dem Touchscreen 12 angezeigt werden. Bevorzugt werden die Positionsdaten jedoch an ein mobiles Endgerät des Nutzers drahtlos übertragen.

Außerdem ist die Anlage dieses Ausführungsbeispiels ausgebildet, einen Warenkorb 15 zu befüllen:

Die Bestellliste wird auch in diesem Fall von dem Touchscreen 12 und an die Steuereinheit

13 übertragen. Die Steuereinheit 13 ist außerdem mit der Vorrichtung 1 sowie dem zweiten Sensor 10 gekoppelt. Die Steuereinheit 13 überträgt die Produktidentifikationen der Bestellliste an den zweiten Sensor 10, welcher sie an die elektronische Kasse 11 weitergibt. Zusammen mit der von dem ersten Sensor 9 übertragenen Nutzeridentifikation speichert die elektronische Kasse 11 diese Daten in der Nutzerdatenbank 8, damit diese Käufe bei späteren Kaufvorgängen erneut verwendet werden können.

Die Anlage umfasst ferner eine Befüllvorrichtung 14 zum Befüllen eines Warenkorbs 15 mit Produkten P, denen die Produktidentifikationen der Bestellliste zugeordnet sind. Zwischen der Steuereinheit 13 und der Befüllvorrichtung 14 besteht eine drahtlose

Kommunikationsverbindung 16. Die Steuereinheit greift auf die Produktdatenbank 7 der Vorrichtung 1 zu, lädt die Positionsdaten der Produktidentifikationen der Bestellliste und überträgt diese Positionsdaten an die Befüllvorrichtung 14. Die Befüllvorrichtung 14 ist eine mobile Einheit mittels welcher Produkte P, beispielsweise aus Regalen bei bestimmten Positionen, entnommen und in den Warenkorb 15 gelegt werden können. Die Befüllvorrichtung 14 erhält von der Steuereinheit 13 über die drahtlose

Kommunikationsverbindung 16 die Bestellliste mit den dazugehörigen Positionsdaten der Produkte der Bestellliste. Die Befüllvorrichtung 14 fährt dann die entsprechenden Positionen der Produkte der Bestellliste an und transportiert diese Produkte P zum Warenkorb 15. Ist der Warenkorb 15 vollständig mit den Produkten der Bestellliste gefüllt, kommuniziert die Befüllvorrichtung 14 dies der Steuereinheit 13, welche ein entsprechendes Signal an die elektronische Kasse 1 1 überträgt. Die elektronische Kasse 1 1 kann daraufhin automatisch, beispielsweise über das Internet, den Bezahlvorgang für den Nutzer N auslösen. Der Nutzer N kann die Produkte P dem Warenkorb 15 entnehmen.

Bezugszeichenliste Vorrichtung

Server

Client des Nutzers

Ausgabeeinheit

Eingabeeinheit

Clients der anderen Nutzer

-1 Client eines anderen Nutzers

-2 Client eines anderen Nutzers

-3 Client eines anderen Nutzers

Produktdatenbank

Nutzerdatenbank

erster Sensor

0 zweiter Sensor

1 Erfassungseinheit; elektronische Kasse

2 Touchscreen

3 Steuereinheit

4 Befüllvorrichtung

5 Warenkorb

6 drahtlose Kommunikationsverbindung