雷鋒網按：在美國，人工智慧的預測分析和推薦演算法正在零售領域發揮著重要作用。為此，美國商業智慧公司 Azoft CEO Ivan Ozhiganov 根據切身經歷，講述了連鎖零售店如何通過預測分析和推薦演算法，升級
零售能力。
雷鋒網瞭解到，推薦系統已廣泛應用於社交網路、醫療保健、金融和電子商務中，與此同時，2016 年底星巴克也宣佈在全球各地的咖啡館推出基於 AI 的推薦系統，預測分析開始大範圍落地於零售。
這意味著什麼？
如電子網站一樣，零售商現在也可根據顧客自己的行為向顧客推送個性化的商品和報價。 換句話說，當你早晨購買咖啡時，你會自動收到一塊新鮮松餅的推薦。 當你購買牛排燒烤時，你會收到建議購買芥末、番茄醬或者你需要燒烤的其他任何東西的提醒。
零售商和客戶都喜歡推薦
一家普通零售店的顧客，他們需要按照晚餐名單中購買所需物品。然而晚些時候，顧客往往會突然想起該列表丟失，而且自己很難回憶起列表上的商品。此時，零售推薦系統就能起到作用，顧客可以從食品目錄中列出清單，把義大利面加入清單後，應用程式會建議他們購買博洛涅斯醬，該系統根據過去購買了義大利面的客戶還購買了博洛涅斯醬來推薦。
零售商可以使用推薦系統獲得以下資訊：
• 根據特定客戶需求發送優惠以提高客戶忠誠度
• 增加收入
• 瞭解客戶真正需要的商品
• 通過將其添加到“建議”選項中，產生對新產品的需求
零售店雖然無法即時分析客戶對建議購買商品的回饋，但大多數零售連鎖店都有忠誠度計畫和收據資料庫。這些資料足以為客戶提供具體的建議。
零售店有幾種解決方案，當然，前提取決於零售店是否有應用程式和網站。
我們怎麼做
推薦系統開發有三種主要方法：基於內容的方法、協同過濾和混合方法。
Azoft 曾為一家俄羅斯大型零售連鎖店開發推薦系統時，採用了協同過濾。其背後原理是分析相似性：客戶相似性、貨物相似性和其他內容，系統會推薦客戶購買有過相同購買行為的人購買相同的商品。
其中利用協同過濾方法中使用了以下幾個模型：
關聯規則
其中 0，1，2，3 表示特定商品的交易。 例如，0 麵包，1 洋蔥。
k 最近鄰分類演算法（kNN）可以讓我們找到具有類似市場籃子的 k 最近客戶，並為他們創建個人推薦。 這是基於類似客戶購買類似商品的假設。 原理很簡單：我們為每個顧客定義一個市場籃子，並計算特定客戶與在市場籃子中具有相似商品的其他顧客之間的“距離”。 然後建議顧客購買較早由具有相似市場籃子的顧客購買的商品。
其中最近鄰居的 k 數，Xj 隨機選擇客戶，以及定義物件之間相似度的度量系統中的 AB-距離。
分解機在顧客資料中發現不清楚的相似之處，每個顧客和每個項目都由特定功能集描述。如果顧客功能集符合項目功能集，該顧客將獲得該特定項目的建議，功能集通常不明顯。
例如， 商品 A 具有“辣、小包、外國、甜、昂貴”的描述，客戶功能設置與商品 A 的功能集相符。因此，該顧客收到相應的建議。
該演算法處理附加資料，如商品類型、季節性指標、購買時間，價格等。
我們開發了一套推薦系統，目標是增加購買商品的平均數量，最終使得每家零售客戶獲得的收入將增加。推薦系統在顧客個性化購買中會起到關鍵因素，當零售商看到推薦系統可明顯提高顧客忠誠度、增加收入，以及更好地瞭解客戶需求時，便會對該系統有需求。
更多關於人工智慧升級傳統行業的的文章，請關注雷鋒網AI商業化垂直微信公眾號：AI掘金志。
via
dzone