Giải quyết các vấn đề Real-World với các Thuật toán Láng giềng gần nhất - các núm vú

Các thuật toán phân cụm theo bậc - và các phương pháp lân cận gần nhất - được sử dụng rộng rãi để hiểu và tạo ra giá trị từ các mẫu trong dữ liệu kinh doanh bán lẻ. Trong các đoạn văn sau đây là hai trường hợp mạnh mẽ, trong đó các thuật toán đơn giản đang được sử dụng để đơn giản hóa việc quản lý và bảo mật trong các hoạt động bán lẻ hằng ngày.

K-láng giềng gần nhất các thuật toán trong hành động

Các kỹ thuật K-lân cận gần nhất để nhận biết mẫu thường được sử dụng để ngăn ngừa trộm cắp trong kinh doanh bán lẻ hiện đại. Tất nhiên, bạn đã quen với việc xem các camera CCTV xung quanh hầu hết các cửa hàng mà bạn đến thăm, nhưng hầu hết mọi người không biết làm thế nào dữ liệu thu thập được từ các thiết bị này đang được sử dụng.

Bạn có thể tưởng tượng rằng có ai đó ở phòng sau giám sát những máy ảnh này vì hoạt động đáng ngờ, và có lẽ đó là cách mọi thứ đã được thực hiện trong quá khứ. Nhưng ngày nay, một hệ thống giám sát hiện đại là đủ thông minh để phân tích và giải thích dữ liệu video riêng của mình, mà không cần sự trợ giúp của con người.

Các hệ thống hiện đại hiện nay có thể sử dụng hàng xóm k gần nhất để nhận dạng khuôn mặt trực quan để quét và phát hiện các gói ẩn trong hộp dưới cùng của giỏ hàng khi thanh toán. Nếu một đối tượng được phát hiện đó là một kết hợp chính xác cho một đối tượng được liệt kê trong cơ sở dữ liệu, thì giá của sản phẩm được phát hiện thậm chí có thể được tự động thêm vào hóa đơn của khách hàng. Mặc dù thực tiễn thanh toán tự động này không được sử dụng rộng rãi vào thời điểm này, công nghệ này đã được phát triển và sẵn có để sử dụng.

K-hàng xóm gần nhất cũng được sử dụng trong bán lẻ để phát hiện các mẫu sử dụng thẻ tín dụng. Nhiều ứng dụng phần mềm kiểm tra giao dịch mới sử dụng các thuật toán kNN để phân tích dữ liệu đăng ký và phát hiện các mẫu không bình thường cho thấy hoạt động đáng ngờ.

Ví dụ: nếu dữ liệu đăng ký cho thấy rất nhiều thông tin khách hàng đang được nhập bằng tay thay vì bằng quét tự động và vuốt, điều này có thể chỉ ra rằng nhân viên đang sử dụng sổ đăng ký đó thực tế là ăn cắp thông tin cá nhân của khách hàng. Hoặc nếu dữ liệu đăng ký chỉ ra rằng một hàng hóa cụ thể đang được trả lại hoặc trao đổi nhiều lần, điều này có thể cho thấy rằng nhân viên đang lạm dụng chính sách hoàn trả hoặc cố gắng kiếm tiền từ việc làm hàng giả.

Phân loại thuật toán hàng xóm gần nhất và phát hiện mẫu điểm có thể được sử dụng trong bán lẻ tạp hóa để xác định các mô hình chính trong hành vi mua bán của khách hàng và sau đó tăng doanh thu và sự hài lòng của khách hàng bằng cách dự đoán hành vi của khách hàng.Xem câu chuyện sau:

Cũng giống như các cửa hàng thực phẩm khác, hành vi của người mua ở (hư cấu) Waldorf Food Co-op có xu hướng theo các mẫu rất cố định. Các nhà quản lý thậm chí đã nhận xét về sự thật kỳ lạ là các thành viên của một nhóm tuổi đặc biệt có xu hướng ghé thăm cửa hàng trong cùng một khoảng thời gian cụ thể, và họ thậm chí có xu hướng mua cùng loại sản phẩm.

Một ngày, Người quản lý Mike cực kỳ chủ động và quyết định thuê một nhà khoa học dữ liệu để phân tích dữ liệu khách hàng của mình và cung cấp chi tiết chính xác về những xu hướng kỳ lạ mà anh ấy nhận thấy. Khi Dan Nhà báo Dữ liệu vào đó, ông nhanh chóng khám phá ra một mẫu trong số những người đàn ông lớn tuổi trung niên đang làm việc - họ thường đến cửa hàng tạp hoá chỉ trong những ngày cuối tuần hoặc vào cuối ngày vào các ngày trong tuần, và nếu họ vào trong cửa hàng một thứ năm, họ hầu như luôn luôn mua bia.

Vâng, khi Quản lý Mike được trang bị những sự kiện này, ông đã nhanh chóng sử dụng thông tin này để tối đa hóa doanh số bán bia vào các buổi tối thứ Năm bằng cách cung cấp giảm giá, bó và đặc biệt. Không chỉ chủ cửa hàng hài lòng với doanh thu gia tăng, nhưng khách hàng nam giới của Waldorf Food Coop cũng rất vui vì họ có nhiều thứ họ muốn, khi họ muốn.