产品推荐已经存在了很长一段时间，它们被成功地用来推动业务。然而，如果你的公司没有一支数据科学家的"军队"来调整你的推荐引擎，你怎么能比传统的关联规则（不管使用什么技术）做得更好呢？

如果你仔细看一下，这些建议基本上是基于产品一起销售或卖给同一个人的次数。一个改进的版本是考虑购买顺序。客户对推荐产品感兴趣的时间部分考虑得很少。在考虑季节性产品时尤其如此。当然，规则是可以定义和应用的，但是为什么不在推荐引擎本身的设计中包含这一点呢？

推荐时机

使用经典推荐引擎时，根据购买历史，提出一组购买潜力最大的产品。通常不考虑提案的时间安排。解决这一问题的一种方法是，通过在未来一段时间内购买的倾向来增强推荐引擎。

通常，手机免费建站，产品是产品层次结构的一部分（因为它们属于同一类型而归为一组）。让我们举一个典型的例子，一个实体零售商有30000个产品参考。这些参考文献通常被分成几百个产品类别。那么，为什么不建立分类模型来预测每个客户下周购买每个产品类别的倾向呢？这将意味着数以百计的分类模型。

每个客户的输出是他们下周购买此类产品的概率。现在我们可以比较这些概率，大数据应用案例，并确定每个客户在未来一段时间内可能购买的顶级产品类别。

产品选择

一旦使用购买倾向分类模型缩小了产品类别选择范围，就可以为每个类别选择产品。这是使用推荐引擎的地方。

事实上，高返利页游，对于每个客户，根据其购买历史，可以选择在这些产品类别中购买信心最高的产品。这些是你想提出的建议，因为它们在短期内销售的可能性最大，并且根据客户的购买历史，它们对应于最适合客户。

如何做到这一点？

自动化是开发这种由数百个分类模型和推荐引擎组成的方法的关键。这适用于建模培训、部署和控制。

分类模型的培训数据集应包括通过考虑多个周周期处理季节性的方法（最好是每周覆盖一整年）。它包括推荐方法不能考虑的信息：客户的特征、对其行为和行为变化的RFM描述、展望不远的天气预报……应包括提供有关客户行为信息的任何可用数据源。因此，训练数据集中使用了成百上千的预测值。

部署必须发生在所有数据合并的地方，通常是一个数据库。这里选择SAP-HANA是因为执行时间非常短。但这并不一定是实时的，因为人们的购买倾向不会改变得这么快。一种选择是在客户购买时重新评分，因此考虑他们的最新行为。

由于客户的整体行为正在发生变化，因此对车型的控制是关键。如果/当模型的预测质量下降时，这当然会导致对模型进行再培训。

今天，通过SAP predictive Analytics可以有效地实现部署数百个受控分类模型的自动化水平。

底线

通过及时提出正确的产品集来改进建议是可以实现的如果没有一个庞大的数据科学家团队，只要使用自动化来创建、部署和维护预测模型。这些推荐引擎上的其他技巧和窍门可以通过更好地调整推荐或使其适应业务目标来进一步改进它们。敬请期待！

了解更多

有关自动化、预测分析和机器学习的更多信息，返利app是真的吗，请参阅我们ML系列中的其他博客。了解有关SAP Predictive Analytics的更多信息，请参阅演示，并在我们的产品页上获取有关免费试用的信息。

，海淘返利