导语：在美国，人工智能中的预测分析和推荐算法正在零售领域发挥着重要作用。本文是36大数据记者张鲁翻译自美国商业智能公司Azoft CEO Ivan Ozhiganov 的文章，他将以实际例子，为大家讲述连锁零售店最近如何使用预测分析和推荐算法。
这是对零售业推荐系统以及我们如何在零售店实施推荐系统的概述。
最近，推荐系统让社交网络、医疗保健、金融和电子商务更加强大。 到2016年底，星巴克宣布将在全球各地的咖啡馆推出基于AI的推荐系统。 这意味着零售终于实现了预测分析。
What Does It Mean?
这意味着什么?
像电子商务企业家一样，零售商现在可以根据客户自己的行为向客户发送个性化的报价。 换句话说，当你早晨购买咖啡时，你会自动得到一快新鲜的松饼。 当你购买用于烧烤的牛排时，您会收到提醒，建议您购买芥末、番茄酱或者你需要烧烤的其他任何东西。
Both Retailers and Customers Love Recommendations
零售商和客户都喜欢推荐
我们来看看一家普通的零售店的客户，他们需要按照他或她的晚餐名单中购买所有的物品。晚些时候，客户突然想起该列表丢失，并且无法回忆起列表上的商品。感谢超市应用程序，客户可以从食品目录中列出列表。把意大利加入列表后，应用程序会建议客户购买博洛涅斯酱。客户随即购买酱汁，并且还在思考怎么会忘记购买酱汁。 该推荐是因为过去购买了意大利面的客户还购买了博洛涅斯酱。
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。
- 收入增加
- 了解客户真正需要的商品。
- 通过将其添加到建议中产生对新产品的需求。
零售店无法实时分析客户对建议购买商品的回应。 然而，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出具体的建议。
零售店有几种实施方案。 这取决于零售店是否有应用程序和网站。
How We Made It
如何行动
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。
当我们为一个俄罗斯大型零售连锁店开发推荐系统时，我们采用协同过滤。
系统分析状况的相似性：客户相似性、货物相似性和其他内容。 因此，系统推荐客户购买有过相同购买行为的人购买相同的商品。
在我们的商品中，我们在协同过滤方法中使用了几个模型。
Association Rules
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。 这个想法很简单：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相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相似市场篮子的客户购买的商品。
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。
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，该客户收到相应的建议。
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。
我们开发了一个推荐系统，目标是增加购买商品的平均数量。 因此，从每位客户获得的收入将增加。
客户的个性化方法是未来。 推荐系统是这里的关键因素。 当零售商看到明显可以提高忠诚度、更好地了解客户需求、从而增加利润这些优势的时候，便会有需求。
你们呢? 你有没有开发过推荐系统? 我很乐意阅读你的经验!
