Nguyễn Công Trình st TRÍ TUỆ NHÂN TẠO, MACHINE LEARNING VÀ Big data SẼ HÌNH THÀNH BÁN LẺ MÃI MÃI
Hãy cùng phân tích 3 phương pháp hàng đầu về ML áp dụng cho ngành bán lẻ
CLASSIFICATION và REGRESSION TREES
Nhóm các thuật toán này rất dễ đào tạo, và chúng khá chính xác cho các vấn đề mà không cần cần chuẩn bị dữ liệu riêng biệt.
Nhóm các thuật toán này rất dễ đào tạo, và chúng khá chính xác cho các vấn đề mà không cần cần chuẩn bị dữ liệu riêng biệt.
BAGGING và RANDOM FOREST
Đây là các mô hình dựa trên một tập hợp các cây quyết định (decision tree). Khi cần đưa ra quyết định mới, mỗi cây sẽ tự phân tích và kết quả cuối cùng được thiết lập dưới dạng trung bình của các kết quả đã cho.
Đây là các mô hình dựa trên một tập hợp các cây quyết định (decision tree). Khi cần đưa ra quyết định mới, mỗi cây sẽ tự phân tích và kết quả cuối cùng được thiết lập dưới dạng trung bình của các kết quả đã cho.
K-NEAREST NEIGHBORS (KNN)
Thuật toán KNN cho phép phân biệt khách truy cập theo các tham số định danh khách hàng, chẳng hạn như thông tin nhân khẩu học, lịch sử mua hàng, v.v. Nó tập hợp mọi tham số và dự đoán hành vi khách hàng.
Thuật toán KNN cho phép phân biệt khách truy cập theo các tham số định danh khách hàng, chẳng hạn như thông tin nhân khẩu học, lịch sử mua hàng, v.v. Nó tập hợp mọi tham số và dự đoán hành vi khách hàng.
Cho đến nay, gần một nửa số nhà bán lẻ đã nhận thấy rằng trí tuệ nhân tạo (AI) và máy học tiết kiệm chi phí trong bán lẻ. Ngoài ra, PointSource đã phát hiện ra rằng sự hiện diện của AI khiến một nửa số người tiêu dùng mua hàng thường xuyên hơn và 34% trong số họ sẵn sàng chi nhiều tiền hơn.
Có nhiều lĩnh vực có thể được cải thiện với ML, với các lĩnh vực tập trung vào doanh thu đứng đầu danh sách.
Xem xét khối lượng lớn của các tham số đến, việc chọn đúng giá trở nên khó khăn. ML có thể giúp tối ưu hóa giá theo thời gian thực. Nó cho phép thiết lập một mức giá sẽ tối đa hóa lợi nhuận, kích thích bán hàng trong một tuần hoặc nhanh hơn hoặc thậm chí phân biệt người tiêu dùng theo vị trí, cạnh tranh, thời tiết, mùa hoặc chi phí vận hành.
ML bắt đầu với việc thu thập dữ liệu đào tạo.
Các nhà phân tích sau đó chọn mô hình dự đoán sẽ là nền tảng của dự báo và khuyến nghị. Đây là cốt lõi của ML.
Khi mô hình được đào tạo, dữ liệu mới đến được mô hình phân tích để thiết lập giá động, hợp lý hóa kết quả tìm kiếm sản phẩm hoặc cá nhân hóa trải nghiệm của người tiêu dùng.
Ngay cả trong năm 2016, 9 trên 16 trang web thương mại điện tử cho thấy mức giá khác nhau cho những người khác nhau.
Nghiên cứu trường hợp. 71% tất cả các sản phẩm được bán bởi Amazon tự động thay đổi giá nhiều lần mỗi ngày.
Dịch vụ CamelCamelCamel cho phép theo dõi giá lịch sử cho một sản phẩm. Nếu bạn điều tra sự thay đổi giá cho bất kỳ mặt hàng nào, bạn sẽ thấy chúng không ổn định như thế nào.
Nguồn : inovecs
===xem thêm :===
Comments
Post a Comment