展开

关键词

AI用来客户是否会在买之后退货

电子商务将成为不可阻挡的力量,计到2020年销售额将达到4万亿美元。无数调查显示,与实相比,客户更喜欢网上商店的便利性,但高达三分之一的在线订单被退回,从而降低了利润率。 根据物者的偏好、型、产品视图等数据集进行训练机器学习模型,从而在买前每位顾客的退货概率。 此外,他们发现53%的退货归因于买多少的问题,退货率高度依赖于中的商品多少,超过5件产品退货率约为72%,而只有一种商品的退货率为9%。而且,与新产品相比,旧产品的退货率几乎翻了一番。 凭借这些见解,该团队设计了混合双模型来物品退货概率。较高级别的AI分类器对可退货的进行分类,而第二个分类器(在第一个分类器上归类为可归类的上绘制)在单个产品级别上的退货概率。 ? 在实中,性能最佳的返回AI系统在接收器工作特性(AUC)下的面积达到83.2%,检精度和精度分别为74%和83.2%。

50730

2019JDATA-用户对品类下店铺的方案及代码分享(亚军)

参赛队伍需要通过数据挖掘技术和机器学习算法,构建用户买商家中相关品类的模型,输出用户和店铺、品类的匹配结果,为精准营销提供高质量的目标群。 (2)如果用户对品类有买,还需要对该品类下哪个店铺有买,若店铺正确,则评算法中置pred=1,不正确pred=0。 具方法为:训练集中保留4.08当天的type==5的记录; 试集中保留4.15当天的type==5的记录; 并针对这一天(也是数据集的最后一天)的记录进行特征提取,特征如下: 1. 为满足分布一致的要求,我们将原七天改为五天,可以将训练集的信息从一天增加到三天,同时删去试集除最后三天之外所有信息,使分布一致。 赛后经 1.EDA是理解赛题,处理数据以及构建特征的基础,这一步的工作的好坏,决定了整工作的方向是否正确以及模型性能的最终上限; 2.在充分的EDA的基础之上,将直觉认为可行的方法快速落地,是一种能有效提高工作效率与质量的方法

1.4K21
  • 广告
    关闭

    腾讯云+社区系列公开课上线啦!

    Vite学习指南,基于腾讯云Webify部署项目。

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    基于微软案例数据库数据挖掘知识点总结(Microsoft Naive Bayes 算法)

    扯远了,具算法明细可参照微软官方解释Microsoft Naive Bayes 算法 因为对于上两篇中的应用场景,对买自行的顾客群进行,贝叶斯算法同样也可以做到,反而更简洁,本篇咱们使用这种算法来下 从依赖关系网络中可以看到,现在影响买自行行为的依赖属性最重要的是“家庭轿的数量”、其次是“通勤距离”....当年我们通过决策树算法出来的最牛因素“年龄”,现在已经没了,汗...只是因为它是离散型值 通过该面板我们已经可以进行群特征分析,这一点是决策树分析算法做不到的,当然这是聚类分析算法的特点,上面图片中含义就能看到了家里有1个或者没有小汽买自行的意愿更大一点。 下面我们看一下这种算法对于咱们买自行行为的准确性怎么样 ---- 准确性证 最后我们来证一下今天这个贝叶斯分析算法的准确性如何,和上两篇文章中的决策树算法、聚类分析算法有何差距,我们点击进入数据挖掘准确性图表 所以对于不同的行为我们可以针对性别来分别挖掘,这样我们挖掘后得到的推值将更接近事实。 有兴趣可以对是否结婚两种群进行分析挖掘,看看结不结婚和买不买自行有没有关系。

    561100

    基于微软案例数据库数据挖掘知识点总结(Microsoft 决策树分析算法)

    它使用这些列的值或状态指定的可列的状态。具地说,该算法标识与可列相关的输入列。 Microsoft 聚类分析:该算法使用迭代技术将数据集中的事例分组为包含类似特征的分类。 10岁的、上班距离跨越好几个城区的(比如从朝阳——海淀上班)、年收入百万的等等吧按照常理会买自行的几率还是挺小的,下一步我们用挖掘算法来逐一证我们基于经的这些推是否合理。 ,也就是说整个图中包含所有的事实,因为我们的需求是要分析买自行的顾客的状态,所以我们选择值为1(会发生买)的进行分析,当然如果需求比较特别,你也可以选择不买自行的顾客这部分群的特征,这里我们选择为 以上是对决策树算法所推出的结果进行分析,我们下一步要做的就是要证我们的分析结果正确率有多高,还会增加其它不同的算法作对比,然后在根据正确率最好的算法推上面我们已有的顾客列表中找到买自行概率最高的那群人 图中有我们剩下的那部分试数据做出的证图表,还有理想的最佳模型、最烂的随机模型,和他们的概率,当然这中间就是我们决策树的模型,这图表中的维度和值就不分析了,自己品味。

    55450

    京东物小程序性能优化实践

    监控系统 项目上线前,可以通过试机检优化效果,但试数据毕竟不能反映用户实际情况。因此,像这种,展示内容与用户强相关的页面,非常有必要使用监控系统辅助分析。 商品普遍只需按照店铺归堆,但是京东的在店铺归堆的基础上,还要按照促销活动归堆。 2、速数据分析 ? 它适用于数据稳定性强,时效性要求低的场景,如图片、字、配置文件等。 像这种,商品列表变化比较频繁的场景能否使用缓存? 答案是肯定。 试童鞋可重点关注后台逻辑准确性,无需分别对各端进行详细的业务逻辑证 增强项目可控性。 ,目的是在保障用户刚需的同时为更多用户提供更极致的

    1.5K21

    京东物小程序性能优化实践

    监控系统 项目上线前,可以通过试机检优化效果,但试数据毕竟不能反映用户实际情况。因此,像这种,展示内容与用户强相关的页面,非常有必要使用监控系统辅助分析。 商品普遍只需按照店铺归堆,但是京东的在店铺归堆的基础上,还要按照促销活动归堆。 2、速数据分析 ? 它适用于数据稳定性强,时效性要求低的场景,如图片、字、配置文件等。 像这种,商品列表变化比较频繁的场景能否使用缓存? 答案是肯定。 试童鞋可重点关注后台逻辑准确性,无需分别对各端进行详细的业务逻辑证 增强项目可控性。 ,目的是在保障用户刚需的同时为更多用户提供更极致的

    68821

    共享单:成也,败也

    用户的提升与城市运营改善并不能成正比,从这个方面来讲,共享单并没有增加;其次,共享单随时随地租和还的确让用户使用起来毫不费力,但是随着用户需求的增加,共享单的资源配置的效率同样要有所提升 共享单优化同样需要线上和线下 共享单当前面临的问题最根本的依然是在上,因此共享单想要走得更远,获得更大发展并不能够仅仅依靠线上,它依然需要线上和线下共同发力,才能最终达到优化的目的。 共享单端优化用户的逻辑同样可以按照这个思路来进行,真正让共享单因为而成功。 布局并不仅仅是投放,更多的应该是线下服务。 ,通过让共享单的用户线上和线下的同步优化,最终实现共享单本质上的提升。 同时,并不仅仅局限在用户使用上,更包括城市管理、交通优化等诸多方面,从当前共享单发展的水平来看,它还停留在优化用户的水平上,而作为一个以致胜的产品,可以见未来共享单还将会在上有更多的发展空间

    38670

    高盛VR报告:九大行业具应用场景

    我们相信,核心玩家将会是首批VR游戏者。据IDC计,约30%的PS4和Xbox One玩家有意买VR设备。至于PC玩家,我们计全球有7亿用户,其中1.5亿在发达国家。 无论是用户重新设计厨房,配置一辆新,还是买特定家居和服装,用户必须要简单、真实。 潜在用户群:100万在线买家(互联网零售商提供的数据),从长期角度讲,任何一位买家都可以使用VR/AR技术。 潜在的VR/AR零售软件市场规模 沃尔沃利用AR强化汽 AR将提供更有效的汽 问题:消费者在买汽时,可能为会因为没有需要的颜色而遭遇挫折。 沃尔沃还表示,将来还计划通过AR技术强化汽的安全功能。 价值主张:我们认为,利用AR来强化有助于将潜在用户转化为真正的买家。此外,它还可以解决汽的存放成本和存放空间问题。 我们计,美国去年的汽销量为1750万辆。 潜在瓶颈:沃尔沃也承认,设立AR店需要特定环境,在任意地点重建这种是一个挑战。沃尔沃还计,今年将把Holoens整合到中。 ?

    5K70

    大数据应用的未来发展在何方?

    在此基础之上,亦有相当一部分企业尝试利用大数据技术进行财务数据(欺诈检)与Web数据(情感分析以实现个性化)分析。 表1 大数据应用早期实方向 ? 举例来说,汽制造商希望分析消费者的信息娱乐选择以提供更理想的载信息娱乐,同时亦需要分析辆性能数据以提供防性维护建议。 应用能够处理大数据,但无法实现任何形式的性分析(例如Socrata及Zuora)。 这类应用可能面向水平或垂直系,其能够为最终用户——主要为商业分析师——提供理解数据并形成结论报告的能力。 之前提到的第三种应用同见解型应用最为接近,但二者间又存在着重要差异:其能够做出,但无法形成见解。换言之,第三种应用无法根据结果执行对应操作。 我们确定的这三种具类型涵盖了相继出现的各类新型大数据 应用。其中一些能够提供结论,但却无法实现见解与实际行动,这亦是大数据应用尚未彻底发展成熟的主要标志。

    44140

    大师保你后台稳健

    在有庞大的客户量下,电商的激烈竞争引出了对于服务需要高质量。在每次的节日活动中,服务器承受的压力往往是个重大的考,于是服务器压成为了一个必不可少的试金石。 单模块性能试(如支付、登录、) 全链路试(例:首页→品类页→商品详情页→加→选择配送→…→提交订单→选择支付类型 →支付完成) ? 部分场景试过程展示: 1.  提交订单的成功率和响应时间 ? 2. 提交订单的CPU和内存的使用情况: ? 三、在高并发下定位功能bug 在高并发的服务器压力下,往往会容易出现概率性的功能bug。 WeTest专家在进行服务器压的同时,会关注整业务逻辑的功能是否会正常。例如账户多次切换数据错乱、买数据丢失等等。 资深专家服务,规范化流程,腾讯标准保障 以腾讯WeTest在十余年的产品压为依托,目前推出资深专家服务,已应用于腾讯旗下各个行业的应用, “智慧零售”“企业微信”,“微信读书”,“QQ会员”“摩拜单

    24530

    AI一分钟|倪光南:“中国芯”切勿重硬轻软;阿里达摩院入职95后最年轻科学家,参与无人研发

    ▌倪光南:“中国芯”切勿重硬轻软 中国工程院院士、计算机专家倪光南在接受媒采访时表示,“过去汽电子领域被外国跨国公司所垄断,它们的芯片有强大的生态支持,使中国芯片难以进入这一市场。 胡晋 “95后”胡晋称得上是“开挂般的人生”:15 岁跳级考上了北京交通大学,19 岁以专业成绩全校前三的成绩,免试推荐攻读浙大博士研究生;23 岁博士毕业正式入职阿里巴巴人工智能实室,参与无人的研发工作 最新发表在 Toxicological Sciences 期刊上的一篇研究结果显示,利用过往实和已知数据新合成物质的特性是可能的。 研究过程中,一个经过训练的 AI 系统可以成百上千中未知合成物的毒性,而且结果在一些案例中,比动物试更加准确和可靠。 据悉,研究人员借助眼动监仪对 42 名真人参与者进行了观察,而后通过完善的问卷调查对结果进行交叉检查。

    14530

    大师保你后台稳健

    在有庞大的客户量下,电商的激烈竞争引出了对于服务需要高质量。在每次的节日活动中,服务器承受的压力往往是个重大的考,于是服务器压成为了一个必不可少的试金石。 **单模块性能试(如支付、登录、) 全链路试(例:首页→品类页→商品详情页→加→选择配送→…→提交订单→选择支付类型 →支付完成)** [图片.png] 部分场景试过程展示: 提交订单的成功率和响应时间 WeTest专家在进行服务器压的同时,会关注整业务逻辑的功能是否会正常。例如账户多次切换数据错乱、买数据丢失等等。 “企业微信”,“微信读书”,“QQ会员”“摩拜单”,“NOW直播”等均使用压大师专家服务,覆盖了电商、社交、交通出行、直播视频、新闻阅读等各行业应用,承载千万级用户产品的压。 [8.png] [9.png] 现正值新春元宵佳节,压大师隆重推出优惠活动: 领取5888代金券,来专家模式一式全流程的服务,保障电商全链路的通畅和稳定。

    36730

    shopping Test method

    使用网上进行物流程:查找商品、放入、提交订单、查看订单状态、收货确认。 现在做事儿都流行套路,写试用例也有套路。 试用例字段一般包括:编号、试项目名称、用例标题、重要级别、前置条件、输入、操作步骤、期输出、试结果、试时间和试人员。其中用例标题和输入的数据是最重要的,其他字段可以选择性记录。 2.功能试 未登录时: 将商品加入,页面跳转到登录页面,登录成功后数量增加; 点击菜单,页面跳转到登录页面。 由于开发时间的原因,商品属性编辑、优惠券、活动降价引导、活动热、满减活动凑单页条件筛选、结算拆单、唤醒(文中红色标注的)等功能放在下个版本中完成。 ? 商品设置上限,主要是考虑接口性能。本身承载着巨大的计算工作,如每点击数量增减,需要请求列表接口、编辑接口和结算接口,如果商品太多,接口请求速度会变得比较慢,影响用户

    24210

    数据科学实战:保险产品交叉销售分析

    现在他们的需要是建立一个模型,用来去年的投保人是否会对这款汽保险感兴趣。 我们要做的就是建立模型,来客户是否对汽保险感兴趣。这对保险公司来说是非常有帮助的,公司可以据此制定沟通策略,接触这些客户,并优化其商业模式和收入。 02 数据理解 为了客户是否对辆保险感兴趣,我们需要了解一些客户信息 (性别、年龄等)、辆(龄、损坏情况)、保单(保费、采渠道)等信息。 从以上描述性分析结果可以得出: 客户年龄:客户的年龄范围在20 ~ 85岁之间,平均年龄是38岁,青年群居多; 是否有驾照:99.89%客户都持有驾照; 之前是否投保:45.82%的客户已经买了辆保险 没有买汽保险的客户响应概率更高,为22.54%,有买汽保险的客户则没有这一需求,感兴趣的概率仅为0.09%。

    1.2K10

    探索物流珠峰:苏宁智能运输路线技术设计

    面对这个现况,苏宁物流研发运用大数据技术,分析历史数据,未来趋势,运用最优化算法来合理调度资源,安排计划,以系统性的提升整物流运营效率,降低运营成本,从而提升用户。 电商物流中决定用户的一个核心指标是时效,而决定时效的关键因素就是运输班的衔接。 货量算法 运输需求的本质就是消费者的买行为,但又不完全相同,其中主要不同有以下四点: 1. 我们并不关心消费者实际买的商品,而只需其数量、积、重量即可; 2. 捕捉其长期趋势和循环变动,再用回归算法其残差,将结果组合用于货量。 ? 结果证 参数估计,检是否具有统计意义。假设检,判断(诊断)残差序列是否为白噪声序列。 将数据分为训练集和试集,将训练出的模型用试集中的数据进行证,确保模型的准确率。

    1K30

    试用例参考示范

    3.2期二:弹出“注册成功界面” Test Case 005:密码校 Summary: 检系统是否做了密码校 Steps: 1.在浏览器的地址栏中输入访问“网上物系统”的url,单击按钮;   2.1期一:提示“请到客户区登录”;   2.2期二:登录到“狐狸”个人物主页   Test Case 021:锁定用户登录   Summary:   检锁定用户是否可以登录   Steps:   3.2期二:弹出“注册成功界面”;   4.弹出“注册成功界面”;   5.针对3.1的期结果:提示“用户名或密码不正确”;   针对3.2的期结果:成功登录到“狮子王”的个人物页面   Test :系统自动将特殊字符过滤掉,并可以查询到所有“九阳”相关的产品   期二:系统提示“查询条件中不允许包含特殊字符‘'’,请重新输入” 功能试_买商品     Test Case 084:买商品        Summary:   证所有页面字的风格是否一致   Steps:      检查所有页面字的风格   Expected Results:   所有页面字的风格一致   Test Case

    2.7K50

    基于微软案例数据库数据挖掘知识点总结(结果篇)

    挖掘出这些人员信息中可能买自行的群,把他们交个营销部,剩下的事就是他们无情的对这群团骚扰、推荐、营销....结果你懂的! 应用场景介绍 通过前几篇文章对挖掘算法的介绍,其实应用的场景大部分是围绕着已经买自行这部分群的特征、行为分析,对他们的特性进行分类挖掘,对于我们想要知道那些人会买自行特征进行推,但所有这些的这些都是基于已经发生的事实 MicrosoftTargetTree,在 MicrosoftTargetTree行的“字段”列中,选择 Bike Buyer,在 MicrosoftTargetTree行的“条件/参数”列中,键入 =1,这里我们要买自行的群 好了,到此我们要挖掘的结果群已经出现了。下一步就是证结果了。 ---- 结果分析 我们打开原有数据库,来看看源表中的数据多少,挖掘出来的群多少: ? 根据买概率我们来了一个排序...上图可以看到...名字叫Marvin的这货的买自行的概率竟然到达了0.8707,汗...还等着什么...直接电话过去..如果这厮不买自行,真对不起咱们这次数据挖掘的结果

    46060

    人工智能将如何改变公司战略:亚马逊思维试

    我们可以用亚马逊的思维实来说明这个问题。很多人都能够熟练地在亚马逊网站上物,这和大多数的在线物平台一样,你选择一些商品然后加入到你的“”并付款,然后亚马逊再将商品寄给你。 现在我们来讨论下亚马逊思维实。 由于它的变得足够准确,它将出你想买的物品并主动送货上门,而不是等待你去选,这对亚马逊的盈利是莫大的好处。 在这个例子中,它使亚马逊的商业模式从“物再送货”到“送货再物”,激发运转退货服务(包括一队货)的垂直整合,加快投资以占据先发优势从而回报更多。这一切都源于机精度调整这一单一行为。 其次,他们必须投入时间来写一篇基于调整AI结果来选择商业模式和战略的论文,类似于我们为亚马逊做的思维实。 因此,什么是开启AI战略的首要主题呢?

    33730

    扫码关注云+社区

    领取腾讯云代金券