Lösa verkliga problem med närmaste grannalgoritmer - dummies

Hierarkiska klustringsalgoritmer - och i synnerhet närmaste granne metoder - används i stor utsträckning för att förstå och skapa värde från mönster i detaljhandelns affärsdata. I följande stycken finns två kraftfulla fall där dessa enkla algoritmer används för att förenkla hantering och säkerhet i daglig detaljhandel.

K-närmaste grannalgoritmer i aktion

K-närmaste granntekniker för mönsterigenkänning används ofta för stöldförebyggande i det moderna detaljhandeln. Naturligtvis är du van att se CCTV-kameror runt nästan alla butiker du besöker, men de flesta har ingen aning om hur data som samlas in från dessa enheter används.

Du kanske kan tänka dig att det finns någon i bakrummet som övervakar dessa kameror för misstänkt aktivitet, och kanske är det hur saker gjordes tidigare. Men idag är ett modernt övervakningssystem intelligent nog för att analysera och tolka videodata på egen hand, utan att behöva hjälp med mänskligt bistånd.

De moderna systemen kan nu använda k-närmaste granne för visuellt mönsterigenkänning för att skanna och upptäcka dolda paket i den nedre facket i en kundvagn vid utcheckningen. Om ett föremål upptäcks som är en exakt matchning för ett objekt som anges i databasen, skulle priset på den prickade produkten även automatiskt kunna läggas till kundens faktura. Även om denna automatiserade faktureringspraxis inte används i stor utsträckning just nu har tekniken utvecklats och är tillgänglig för användning.

K-närmaste granne används också i detaljhandeln för att upptäcka mönster i kreditkortsanvändning. Många nya transaktions-granskande program använder kNN-algoritmer för att analysera registerdata och upptäcka ovanliga mönster som indikerar misstänkt aktivitet.

Om registreringsdata tyder på att mycket kundinformation läggs in manuellt snarare än genom automatisk skanning och swiping, kan det här tyda på att den anställde som använder det registeret faktiskt stjäl kundens personuppgifter. Eller om registreringsdata visar att ett visst gott skickas eller byts ut flera gånger, kan det tyda på att anställda missbrukar avkastningspolitiken eller försöker tjäna pengar på att göra falska avkastningar.

Se närmaste närmaste grannalgoritmer i åtgärd

Genomsnittlig närmaste grannalgoritmklassificering och punktmönsterdetektering kan användas i dagligvaruhandeln för att identifiera nyckelmönster i kundens köparbeteende och därefter öka försäljningen och kundnöjdheten genom att förutse kundbeteendet.Tänk på följande historia:

Som med andra livsmedelsbutiker tenderar köparbeteendet vid (den fiktiva) Waldorf Food Co-op att följa mycket fasta mönster. Chefer har till och med kommenterat det märkliga faktum att medlemmar i en viss åldersgrupp tenderar att besöka butiken under samma tidsfönster, och de tenderar även att köpa samma typer av produkter.

En dag blev Manager Mike extremt proaktiv och bestämde sig för att anställa en datavetenskapare för att analysera sina kunddata och ge exakta detaljer om dessa udda trender som han hade märkt. När Data Scientist Dan kom dit upptäckte han snabbt ett mönster bland arbetande medelålders manliga vuxna - de brukade bara besöka mataffären under helgerna eller i slutet av dagen på vardagar och om de kom in i affären på en torsdag köpte de nästan alltid öl.

Tja, när Manager Mike var beväpnad med dessa fakta, använde han snabbt denna information för att maximera ölförsäljningen på torsdagskvällar genom att erbjuda rabatter, buntar och specialerbjudanden. Inte bara var butikägaren nöjd med de ökade intäkterna, men Waldorf Food Co-ops manliga kunder var glada för att de fick mer av vad de ville ha när de ville ha det.