客户大数据和高级分析客户大数据+聚类算法=行为客户细分

在传统数据时代，公司应用（新近度，频率，货币）模型来获取基于行为的客户细分。随着大数据的到来，企业获得了用新的，更详细的数据丰富其传统模型的机会，例如个人客户的网站（或移动应用程序）的浏览历史记录，整个交易历史记录以及对激励措施的响应。为了从这些数据中获取模式，公司应用了机器学习算法。

所确定的模式为将客户聚集到忠诚客户潜在忠诚者

冬眠和高风险客户等细分市场之一奠定了基础，准确定义了客户群后，企业将能够通过向打折的客户群发送特别折扣的消息来更好地确定工作目标，例如，更有效地管理其营销传播，客户大数据+机器学习=推荐引擎客户大数据是推荐引擎的“燃料”。除了保留搜索和购买历史记录，评论和产品评论外，企业还收集有关客户与网站或应用程序互动的详细信息，例如，产品视图，在网页上花费的时间，放入购物车的产品，从那里移除的产品，创建推荐引擎的方法有两种：基于客户的方法（称为“协作过滤”）和基于项目的方法；这两种方法均依赖于机器学习算法，该算法可筛选所有可用数据并检查数十亿种可能的数据。数据组合。

这是一种基于客户的方法的 工作原理：例如，我们有两个客户，个客户购买了产品A，B和C，而第二个客户购买了产品B，C和D。该算法分析了他们的购买历史并发现了客户之间的相似之处的行为。假设客户过去曾经同意，将来他们也会同意，该算法会预测每个客户可能还会喜欢什么其他产品，并可以将产品D推荐给客户1，将产品A推荐给客户2。

如果我们的目录中有产品A，并且ML算法发现成千上万的客户经常购买产品B，则这种依赖性也可能成为建议的基础。这种方法是一种基于项目的方法，大数据和高级分析的结合是否对企业有利？

运营大数据和高级分析运营大数据+深度神经网络=库存优化

为了预测需求，公司应该拥有详细的销售数据。在这种情况下，所需的详细程度至少是每个SKU的两年销售历史记录（如果预计每个SKU会做出预测）（按商店划分），并体现促销信息。尽管这是要求，但企业可以添加更多数据，例如天气预报，因为这可能会提高预测的准确性，深度神经网络将这些详细的历史数据作为输入，并学会识别输入与观察到的库存水平之间的依存关系。在专业数据科学家的精心指导下，该网络可以理解它在学习过程中所犯的错误（例如，当它预测5400项而实际上需要6500项时）。此外，它考虑了这些错误并重新考虑了依赖性，从而减少了错误。在对深度神经网络进行训练后，它可以使用新数据（而不是已经看到的历史数据），应用在训练过程中发现合适的系数，并预测库存水平。 

运营大数据+卷积神经网络=供应商风险评估

为了评估供应商的风险，企业应掌握两套运营数据：供应商资料（具有供应商名称，规模，价格水平等信息）以及这些供应商的交货细节（交货关键性，及时性，完整性等）卷积神经网络处理有序数据中影响预测的模式。任务可以分为三个子任务：从大量历史数据中提取特征，执行许多卷积和合并操作以及实际对供应商可能的失败进行预测，但是，如果没有数据科学家设计数据中心，定义参数和过滤器，监视CNN是否按预期进行训练并以许多其他方式为预测的准确性做出贡献，那么CNN不会取得任何好的结果。

硬币的另一面“大数据和高级分析”可以成为企业的竞争优势

因为它使公司能够做出以数据为依据的决策，进而可以提高客户满意度和忠诚度，并优化内部业务流程，但是除了它们带来的好处之外，大数据和高级分析还需要大量的努力。为了设计和实施能够提供足够好的准确性的解决方案，需要专业的数据科学家团队。另外公司应该准备为解决方案的采用进行认真的投入，因为他们的员工可能会抵制新的做法。