Løsning af virkelige verdensproblemer med nærmeste naboalgoritmer - dummier

Hierarkiske klyngalgoritmer - og nærmere bestemt nabo-metoder - bruges i vid udstrækning til at forstå og skabe værdi fra mønstre i detailsalgsoplysninger. I de følgende afsnit er der to kraftige tilfælde, hvor disse enkle algoritmer bruges til at forenkle ledelse og sikkerhed i dagligdagsoperationer.

Se nærmeste naboalgoritmer i aktion

K-nærmeste naboteknikker til mønstergenkendelse bruges ofte til forebyggelse af tyveri i den moderne detailvirksomhed. Selvfølgelig er du vant til at se CCTV-kameraer omkring næsten hver butik, du besøger, men de fleste mennesker har ingen idé om, hvordan dataene fra disse enheder bruges.

Du kan forestille dig, at der er nogen i baglokalet, der overvåger disse kameraer for mistænkelig aktivitet, og måske er det sådan, hvordan tingene blev gjort i fortiden. Men i dag er et moderne overvågningssystem intelligent nok til at analysere og fortolke videodata alene uden behov for menneskelig hjælp.

De moderne systemer kan nu bruge k-nærmeste nabo til visuel mønstergenkendelse for at scanne og registrere skjulte pakker i bunden af ​​en indkøbskurv ved check-out. Hvis der observeres et objekt, der er et nøjagtigt match for et objekt, der er angivet i databasen, kan prisen på det plettet produkt endda automatisk tilføjes til kundens regning. Selvom denne automatiserede faktureringspraksis ikke bruges i vid udstrækning på nuværende tidspunkt, er teknologien udviklet og tilgængelig til brug.

K-nærmeste nabo bruges også i detailhandel til at registrere mønstre i kreditkortbrug. Mange nye transaktions-undersøgelsesprogrammer bruger kNN-algoritmer til at analysere registerdata og markere usædvanlige mønstre, der angiver mistænkelig aktivitet.

Hvis registreringsdata f.eks. Indikerer, at mange kundeoplysninger indtastes manuelt frem for gennem automatiseret scanning og swiping, kan det tyde på, at den medarbejder, der bruger det pågældende register, faktisk stjæler kundens personlige oplysninger. Eller hvis registreringsdata angiver, at et bestemt godt bliver returneret eller udvekslet flere gange, kan dette tyde på, at medarbejderne misbruger afkastspolitikken eller forsøger at tjene penge på at foretage falske afkast.

Se gennemsnitlige nærmeste naboalgoritmer i aktion

Gennemsnitlig nærmeste naboalgoritmklassificering og punktmønsterdetektion kan bruges i dagligvarebutik til at identificere nøglemønstre i kundekøbsadfærd og efterfølgende øge salget og kundetilfredsheden ved at foregribe kundeadfærd.Overvej følgende historie:

Som med andre købmandsforretninger har køberadfærd ved (fiktiv) Waldorf Food Co-op tendens til at følge meget faste mønstre. Ledere har endda kommenteret det ulige faktum, at medlemmer af en bestemt aldersgruppe har tendens til at besøge butikken i det samme tidsvindue, og de har endda tendens til at købe de samme typer produkter.

En dag blev Manager Mike ekstremt proaktiv og besluttede at ansætte en datavidenskabelig for at analysere sine kundedata og give præcise detaljer om disse ulige trends, han havde bemærket. Da datavidenskaberen Dan kom ind, afslørede han hurtigt et mønster blandt arbejdende middelaldrende mandlige voksne - de plejede at besøge købmanden kun i weekenderne eller i slutningen af ​​dagen på hverdage, og hvis de kom ind i butikken på en torsdag købte de næsten altid øl.

Nå, da Manager Mike var bevæbnet med disse fakta, brugte han hurtigt disse oplysninger til at maksimere ølsalget på torsdag aftener ved at tilbyde rabatter, pakker og tilbud. Ikke alene var butiksejeren tilfreds med de øgede indtægter, men Waldorf Food Co-ops mandlige kunder var lykkelige, fordi de fik mere af det, de ønskede, da de ønskede det.