雷锋网按：在美国，人工智能的预测分析和推荐算法正在零售领域发挥着重要作用。为此，美国商业智能公司 Azoft CEO Ivan Ozhiganov 根据切身经历，讲述了连锁零售店如何通过预测分析和推荐算法，升级零售能力。
雷锋网(公众号：雷锋网)了解到，推荐系统已广泛应用于社交网络、医疗保健、金融和电子商务中，与此同时，2016 年底星巴克也宣布在全球各地的咖啡馆推出基于 AI 的推荐系统，预测分析开始大范围落地于零售。
这意味着什么？
如电子网站一样，零售商现在也可根据顾客自己的行为向顾客推送个性化的商品和报价。 换句话说，当你早晨购买咖啡时，你会自动收到一块新鲜松饼的推荐。 当你购买牛排烧烤时，你会收到建议购买芥末、番茄酱或者你需要烧烤的其他任何东西的提醒。
零售商和客户都喜欢推荐
一家普通零售店的顾客，他们需要按照晚餐名单中购买所需物品。然而晚些时候，顾客往往会突然想起该列表丢失，而且自己很难回忆起列表上的商品。此时，零售推荐系统就能起到作用，顾客可以从食品目录中列出列表，把意大利面加入列表后，应用程序会建议他们购买博洛涅斯酱，该系统根据过去购买了意大利面的客户还购买了博洛涅斯酱来推荐。
零售商可以使用推荐系统获得以下信息：
• 根据特定客户需求发送优惠以提高客户忠诚度
• 增加收入
• 了解客户真正需要的商品
• 通过将其添加到“建议”选项中，产生对新产品的需求
零售店虽然无法实时分析客户对建议购买商品的反馈，但大多数零售连锁店都有忠诚度计划和收据数据库。这些数据足以为客户提供具体的建议。
零售店有几种解决方案，当然，前提取决于零售店是否有应用程序和网站。
我们怎么做
推荐系统开发有三种主要方法：基于内容的方法、协同过滤和混合方法。
Azoft 曾为一家俄罗斯大型零售连锁店开发推荐系统时，采用了协同过滤。其背后原理是分析相似性：客户相似性、货物相似性和其他内容，系统会推荐客户购买有过相同购买行为的人购买相同的商品。
其中利用协同过滤方法中使用了以下几个模型：
关联规则
其中 0，1，2，3 表示特定商品的交易。 例如，0 面包，1 洋葱。
k 最近邻分类算法（kNN）可以让我们找到具有类似市场篮子的 k 最近客户，并为他们创建个人推荐。 这是基于类似客户购买类似商品的假设。 原理很简单：我们为每个顾客定义一个市场篮子，并计算特定客户与在市场篮子中具有相似商品的其他顾客之间的“距离”。 然后建议顾客购买较早由具有相似市场篮子的顾客购买的商品。
其中最近邻居的 k 数，Xj 随机选择客户，以及定义对象之间相似度的度量系统中的 AB-距离。
分解机在顾客资料中发现不清楚的相似之处，每个顾客和每个项目都由特定功能集描述。如果顾客功能集符合项目功能集，该顾客将获得该特定项目的建议，功能集通常不明显。
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。因此，该顾客收到相应的建议。
该算法处理附加数据，如商品类型、季节性指标、购买时间，价格等。
我们开发了一套推荐系统，目标是增加购买商品的平均数量，最终使得每家零售客户获得的收入将增加。推荐系统在顾客个性化购买中会起到关键因素，当零售商看到推荐系统可明显提高顾客忠诚度、增加收入，以及更好地了解客户需求时，便会对该系统有需求。
更多关于人工智能升级传统行业的的文章，请关注雷锋网AI商业化垂直微信公众号：AI掘金志。
via dzone
本文作者：亚峰
本文转自雷锋网禁止二次转载，原文链接
