注册 / 登录

线上到线下场景中机器学习和统计建模的一些应用

分会场:  数据科学/人工智能/数据驱动

分享时间: 2017年11月9日 - 12日

案例来源 :

案例讲师

张健

3M 数据科学技术负责人

理论物理学博士,曾在3M, 微软, Facebook 司担任资深数据科学家和算法工程师,有长期的数据发掘,机器学习,大数据探索和优化的经验。 致力于运用数据达到提高产品质量,为客户提高收入等明确目标。目前在Facebook担任资深数据科学家。

扫描二维码分享案例

所在软件研发中心介绍

There is a strong thread that connects our five business groups to the vast amount of science we do and the thousands of scientists and researchers we have around the world — it's our research and development. R&D is the heartbeat of 3M. We invest about 5.8 percent of our sales back into the science that makes 3M strong. That investment helps produce more than 3,000 patents each year and a steady stream of unique products for customers. Click on the hot spots in the image below to learn about the latest in R&D at 3M.

 

为什么这个案例值得分享?

为线上到线下的场景中创造性的提供大数据分析和机器学习方法

 

 

案例简述

 

线上到线下是未来发展的重要趋势, 数据发掘和机器学习已经广泛成熟运用到线上软件开发,推荐匹配, 用户分析等等方面。然而线下和线上的数据融合,优化才刚刚开始。这里在线上到线下零售的具体案例中通过建设线上到线下数据反馈与优化系统,将A/B 测试,深度个性推荐,加强学习等统计与机器学习方法运用其中,达到提高数据分析效率,了解用户行为,增加线下收入等一系列具体的目标。

 

案例目标

 

在线上到线下的应用场景中(比如线上结合反馈到线下零售), 通过建构数据实时反馈系统, 有效利用线上与线下的数据, 将机器学习模型和算法应用到场景中达到提高线下收入等具体目标。

 

成功(或教训)要点

 

很多线上的统计和机器学习方法都可以运用到O2O系统中,但是必须结合O2O的具体情况,比如数据量的大小,用户的信息,创造性的改变现有的方法来达到合理的运用。

 

案例ROI分析

 

通过构建线上到线下的数据反馈系统,通过数据进行有效测试与分析,搭建准确的机器学习算法,零售商的线下收入提高10% 以上。

 

案例启示

 

线上到线下提供了未来大量的线上数据和线下数据融合的基础和机会。如何有效的利用这些数据,采用合理的模型与方法进行分析与优化,将是在线下成功的关键。A/B 测试、深度推荐、加强学习等等这些在线上常用的方法将会在线下的场景中得到越来越重要的应用与发展。

 

案例在团队中的意义

 

为线上到线下的场景中创造性的提供大数据分析和机器学习方法