当我们为一个俄罗斯大年夜型零售连锁店开辟推荐体系时，我们采取协同过滤。

导语：在美国，人工智能中的猜测分析和推荐算法正在零售范畴发挥侧重要感化。本文是36大年夜数据记者张鲁翻译自美国贸易智能公司Azoft CEO Ivan Ozhiganov 的文┞仿，他将以实际例子，为大年夜家道述连锁零售店比来若何应用猜测分析和推荐算法。

比来，推荐体系让社交收集、医疗保健、金融和电子商务加倍强大年夜。 到2016岁尾，星巴克宣布将在全球各地的咖啡馆推出基于AI的推荐体系。 这意味着零售终于实现了猜测分析。

这意味着什么?

像电子商务企业家一样，零售商如今可以根据客户本身的行动向客户发送个性化的报价。 换句话说，当你早扯钥跪咖啡时，你会主动获得一快新鲜的松饼。 当你购乱花更甚烤的牛排时，您会收到提示，建议您购买芥末、番茄酱或者你须要烧烤的其他任何器械。

Both Retailers and Customers Love Recommendations

零售商和客户都爱好推荐

我们来看看一家通俗的零售店的客户，他们须要按照他或她的晚餐名单中购买所有的物品。晚些时刻，客户忽然想起该列表损掉，并且无法回想起列表上的商品。感激超市应用法度榜样，客户可以大年夜食物目次中列出列表。把意大年夜利参加列表后，应用法度榜样会建议客户购买博洛涅斯酱。客户随即购买酱汁，并且还在思虑怎么会忘记购买酱汁。 该推荐是因为以前购买了意大年夜利面的客户还购买了博洛涅斯酱。

零售商可以应用推荐体系获得以下信息：

• 根据特定客户需求发送优惠以进步客户忠诚度。
• 收入增长
• 懂得客户真正须要的商品。
• 经由过程将其添加到建议中产生对新产品的需求。

零售店无法及时分析客户对建议购买商品的回应。 然而，大年夜多半零售连锁店都有忠诚度筹划和收据数据库。 这些数据足认为客户提出具体的建议。

零售店有几种实施筹划。 这取决于零售店是否有应用法度榜样和网站。

How We Made It

若何行动

推荐体系开辟有三种重要办法：基于内容的办法、协同过滤和混淆办法。

体系分析状况的类似性：客户类似性、货色类似性和其他内容。 是以，体系推荐客户购买有过雷同购买行动的人购买雷同的商品。

这是对零售业推荐体系以及我们如安在零售店实施推荐体系的概述。

在我们的商品中，我们在协同过滤办法中应用了几个模型。

Association Rules

接洽关系规矩

个中0，1，2，3表示特定商品的交易。 例如，0面包，1洋葱。

k比来邻法(kNN)可以让我们找到具有类似市场篮子的k比来客户，并为他们创建小我推荐。 这是基于类似客户购买类似商品的假设。 这个设法主意很简单：我们为每个客户定义一个市场篮子，并计算特定客户与在市场篮子中具有类似商品的其他客户之间的距离。 然后，我们建议客户购买较早由具有类似市场篮子的客户购买的商品。

个中比来邻居的k数，Xj随机选择客户，以及定义对象之间类似度的度量体系中的AB-距离。

What Does It Mean?

例如，商品A具有“辣、小包、外国、甜、昂贵”的描述。 客户功能设置与商品A的功能集相符。是以，该客户收到响应的建议。

该算法处理附加数据，如商品类型、季候性指标、购买时光，价格等。

我们开辟了一个推荐体系，目标是增长购买商品的平劫数量。 是以，大年夜每位客户获得的收入将增长。

客户的个性化办法是将来。 推荐体系是这里的关键身分。 当零售商看到明显可以进步忠诚度、更好地懂得客户需求、大年夜而增长利润这些优势的时刻，便话苄需求。

你们呢? 你有没有开辟过推荐体系? 我很愿意浏览你的经验!

【编辑推荐】

1. 7个故事告诉你 当人工智能赶上大夫会产生什么
2. 人工智能医疗落地曲折，折戟15年后今天他们再出发
3. 人工智能在医疗家当的五大年夜应用处景及典范案例
4. 人工智能技巧是基于大年夜数据吃饭的?
5. 云计算、人工智能颠覆传统医疗只是时光问题

【义务编辑：51CTO_OS TEL：（010）68476606】

　　推荐阅读

　　像Excel一样使用python进行数据分析-(2)

按前提筛选(与，或，非) 1.数据预处理这部分是数据的预处理，对清洗完的数据进行整顿以便后期的统计和分析工作。重要包含数据表的归并，排序，数值分列，数据分组及标记等工作。数据表归并>>>详细阅读

本文标题：大数据在美国 零售商如何使用人工智能进行预测分析？

地址：http://www.17bianji.com/lsqh/34977.html

 1/2    1