Cinq étapes pour rendre l'inévitable, ou un système de référence de vente croisée

Étape 0: Début du chemin

Dans les réalités du monde moderne, lorsque la numérisation et l'accumulation omniprésentes de données sur tout et sur tout le monde sont effectuées, une question raisonnable se pose, mais comment utiliser ces données? Bien sûr, beaucoup ont déjà entendu parler des systèmes de recommandation dans les domaines du divertissement et de la vente. Les sociétés d'investissement ne sont pas à l'écart des tendances actuelles dans le domaine de la Data Science et des systèmes de recommandation en particulier. Voyons donc quelles fonctionnalités et quelles étapes une grande société d'investissement a dû franchir pour développer son propre système de recommandations afin d'augmenter l'efficacité des ventes croisées et ce qui s'est finalement produit.

Étape 1: déni

Quelle est la différence entre le processus de vente dans une société d'investissement et le processus similaire dans d'autres sociétés? Voyons ce qui est en commun.

• / ( , ).
• , ( ).

.

• , .
• , (, ) .
• , , .
• .

: , . , , , . - ( , ).

2:

-, , . , : , , , , -, , ( ). 100 , . , , .

7070 , ( ) . Pandas NumPy Python. 31, , , - . Python , . .

, , () :

• ,
• ,
• ,
• - .

3:

, ? – , .

, , . , , .

, . «» . :

1. , .
2. « », .. , , , .
3. .

, « » , .. . , , , «» :

• . = 1
• . = 2

, . .

, , ?

«». , , . : , , , .

. 0 1, 0 – . , ...

4:

, Python « », :

dist_cosini = scipy.spatial.distance.cosine(user_one, user_two)

- , Python «», 30000 31- , . .

, , , «l1-» ( — ), «l2-» ( ).

manhattan = round(numpy.linalg.norm(user_one - user_two, ord = 1), 4)

euclidean = round(numpy.linalg.norm(user_one - user_two, ord = 2), 4)

. , . , , . , «l1-» - , «l2-» — . , , …

. , «» , . - .

?

.

, ?

• «» «» .
• GIL ( ), Python .

...

. :

• ( — ).
• .
• - , .. , .
• : 0 1, .

:

, ( B). , :

import numpy as np

CosD = round(1 - (np.sum((user_one * user_two)) / (np.sqrt(np.sum(user_one**2)) * np.sqrt(np.sum(user_two**2)))), 4)

, «l-», .

GIL (Global Interpreter Lock) . , «» GIL, «». , — . , ? Numba.

Python, Numba - . - Python , - . Numba - Python LLVM ( Python).

, :

import numpy as np
from numba import njit

@njit
def dist_cosini(user_one, all_user):
    user_point = []
    for q in range(len(all_user)): 
        user_two =  all_user[q]
        CosD = round(1 - (np.sum((user_one * user_two)) / np.sqrt(np.sum(user_one**2)) / np.sqrt(np.sum(user_two**2))), 4)
        user_point.append(CosD)
    return user_point

, Numba «» GIL . 60 .

5:

"" ( 13 ). .

, — . .

, «» . .

, , , .

. -. , CRM. « » .

:

• ( ).
• « » ( 13 ).

À cette fin, des travaux ont déjà commencé pour transformer le système en l'un des types de système de recommandation hybride. Des travaux sont également en cours pour approfondir le travail du système de recommandation avec des produits complexes.