Løse virkelige problemer med nærmeste naboalgoritmer - dummier

Hierarkiske klyngalgoritmer - og nærmere bestemt nabolandsmetoder - brukes i stor grad for å forstå og skape verdier fra mønstre i detaljhandelsbedriftsdata. I de følgende avsnittene er to kraftige tilfeller der disse enkle algoritmer brukes til å forenkle ledelse og sikkerhet i daglig detaljhandel.

Se k-nærmeste naboalgoritmer i aksjon

K-nærmeste naboteknikker for mønstergenkjenning brukes ofte for tyveriforebygging i den moderne detaljhandel. Selvfølgelig er du vant til å se CCTV-kameraer rundt nesten hver eneste butikk du besøker, men de fleste har ingen anelse om hvordan dataene som samles inn fra disse enhetene, blir brukt.

Du kan tenke deg at det er noen på baksiden som overvåker disse kameraene for mistenkelig aktivitet, og kanskje det var hvordan ting ble gjort tidligere. Men i dag er et moderne overvåkingssystem intelligent nok til å analysere og tolke videodata alene, uten behov for menneskelig hjelp.

De moderne systemene kan nå bruke nærmeste nabo for visuell mønstergenkjenning for å skanne og oppdage skjulte pakker i bunnen av en handlekurv ved utsjekking. Hvis det oppdages et objekt som er et eksakt samsvar for et objekt som er oppført i databasen, kan prisen på det merkede produktet til og med automatisk bli lagt til kundens regning. Selv om denne automatiserte faktureringspraksis ikke er brukt mye på dette tidspunktet, har teknologien blitt utviklet og tilgjengelig for bruk.

K-nærmeste nabo brukes også i detaljhandel for å oppdage mønstre i bruk av kredittkort. Mange nye transaksjons-granskende programvare bruker kNN-algoritmer til å analysere registerdata og finne uvanlige mønstre som indikerer mistenkelig aktivitet.

For eksempel, hvis registreringsdata indikerer at mye kundeinformasjon blir lagt inn manuelt i stedet for gjennom automatisk skanning og sveiping, kan dette tyde på at den ansatte som bruker det registeret, faktisk stjeler kundens personlige opplysninger. Eller hvis registreringsdata indikerer at en bestemt god returneres eller byttes flere ganger, kan dette tyde på at ansatte misbruker returpolitikken eller prøver å tjene penger på å gjøre falske avkastninger.

Se gjennomsnittlige nærmeste naboalgoritmer i aksjon

Gjennomsnittlig nærmeste naboalgoritmklassifisering og punktmønsterdeteksjon kan brukes i dagligvarebutikk for å identifisere nøkkelmønstre i kundekjøpsatferd, og deretter øke salget og kundetilfredsheten ved å forutse kundeadferd.Tenk på følgende historie:

Som med andre dagligvarebutikker har kjøperadferd på (fiktiv) Waldorf Food Co-op tendens til å følge veldig faste mønstre. Ledere har selv kommentert det merkelige faktum at medlemmer av en bestemt aldersgruppe pleier å besøke butikken i samme tidsvindu, og de har en tendens til å kjøpe de samme produkttyper.

En dag fikk Manager Mike ekstremt proaktiv og bestemte seg for å ansette en datavitenskapelig for å analysere kundedataene sine og gi nøyaktige detaljer om disse merkelige trender han hadde lagt merke til. Da Dataforsker Dan kom inn der han raskt oppdaget et mønster blant arbeidende middelaldrende mannlige voksne - de pleide å besøke dagligvarebutikken bare i helgene eller på slutten av dagen på hverdager, og hvis de kom inn i butikken på en torsdag kjøpte de nesten alltid øl.

Vel, da Manager Mike var bevæpnet med disse fakta, brukte han raskt denne informasjonen for å maksimere ølsalg på torsdagskveldene ved å tilby rabatter, bunter og spesialtilbud. Ikke bare var butikkinnehaveren fornøyd med økte inntekter, men Waldorf Food Co-op sine mannlige kunder var lykkelige fordi de fikk mer av det de ønsket, da de ønsket det.