Клиенты забудут то, что вы сказали,
Клиенты забудут, что вы сделали,
но они никогда не забудут, как вы заставили их покупать продукты / предметы, которые они хотели…. 😊

Эта статья ориентирована в основном на новичков в области машинного обучения, которые хотели бы понять основы системы рекомендаций и то, что происходит под капотом.

Загрузите набор данных и код здесь

Покупатели, купившие, тоже покупают. Зрители, которые смотрели, тоже смотрели.
Представьте, есть 100 клиентов, которые смотрели фильмы «Начало» и «Интерстеллар». 25 клиентов смотрели фильм "Inception". Проактивное создание (смотрите дальше) списка фильмов, то есть Interstellar, для этих 25 клиентов (просмотренных Inception) называется системой рекомендаций фильмов.

Из приведенного выше примера одна и та же группа клиентов смотрела бы n фильмов, но механизм / алгоритм рекомендаций будет работать таким образом, он будет разумно смотреть на рейтинги клиентов, лайки, количество просмотров и т. Д., Чтобы автоматически оптимизируйте список и рекомендуйте лучший следующий фильм для просмотра.

Области и отрасли, в которых система рекомендаций или рекомендаций является общепризнанной;
Розничная торговля, особенно веб-сайты электронной коммерции, такие как amazon, вы видите линейку продуктов с «покупателями также ' ярлык. Это также пример того, как машинное обучение использует данные (прошлые покупки пользователя, рейтинги и т. Д.) Для прогнозирования товаров.
Платформы социальных сетей, такие как Facebook и Twitter, - система рекомендаций по содержанию.
Видео- и музыкальные сервисы, такие как Netflix, Prime, YouTube и Spotify, используют эту логику для создания списка воспроизведения.
Электронная торговля продуктами питания, например Zomato и Swiggy, где они перечислены » Разделы "Вы" и "Рекомендуемые" отображаются, как только вы нажимаете на ресторан.
Платформы онлайн-знакомств, такие как Tinder, также являются одной из общепризнанных областей, где широко используется система рекомендаций.

Люди и сфера деятельности

Что ж ... теперь мы разбираемся в основах рекомендательной системы. Давайте посмотрим, какие преимущества дает эта конкретная модель машинного обучения.
Я покажу понимание рыночного анализа и оптимизации из окна моей R-студии;

Наш клиент, давайте возьмем всемирно известный продуктовый супермаркет. Поскольку наш глобальный руководитель ожидает некоторых практических идей, вот некоторые из анализа рыночной корзины и способов ее оптимизации.

Давайте поговорим о некоторых основанных на правилах идеях, которые мы можем продемонстрировать и совместно с нашими клиентами.

Вывод №1: покупатели, купившие "Легкие сливки", также купили "Курица".

Покупатели легких сливок придерживаются диеты, заботятся о своем здоровье и предпочитают белое мясо. Это именно то, что подтверждают данные.
Следовательно, нам нужно научить начальника магазина размещать курицу рядом с легкими сливками.

Вывод №2: покупатели, купившие «Пасту», также покупали «Эскалоп» и «Креветки».

Люди любят ассоциировать креветки с пастой. Да, это так. Когда мы поместим все эти 3 штуки (макароны, эскалоп и креветки) вместе, объем продаж увеличится. Кроме того, будут проактивные советы по созданию комбо-предложений по этим продуктам.
Где вы любите пасту?
Поздравляю моих друзей-гурманов и коллег, которые всегда думают о еде.

Вывод № 3: покупатели, купившие «травы и перец», также купили «говяжий фарш».

Когда мы обсуждаем идеи о еде, мы можем больше присоединиться к этой теме. Не так ли? :-)

Покупатели, купившие красное мясо, также покупали продукты (травы и перец, яйца, оливковое масло, спагетти, соус и минеральную воду).

Резюме
Хорошо, такой уровень понимания определенно поможет супермаркету оптимизировать свой способ работы с продуктами. Теперь они могут перемешивать продукты в соответствии с нашими рекомендациями; размещать продукты рядом друг с другом; наблюдайте и испытывайте в течение нескольких недель, чтобы увидеть влияние на продажи и увеличение их доходов, а также увидеть, как были достигнуты их бизнес-цели. Считается, что CSAT автоматически ускоряет рост.