Cinco etapas para tornar o sistema de referência inevitável ou de venda cruzada

Etapa 0: Início do Caminho

Nas realidades do mundo moderno, quando a onipresente digitalização e acumulação de dados sobre tudo e todos são conduzidas, surge uma pergunta razoável, mas como usar esses dados? Muitos, com certeza, já ouviram falar sobre sistemas de recomendação nas áreas de entretenimento e vendas. As empresas de investimento não se afastam das tendências atuais no campo da ciência de dados e dos sistemas de recomendação em particular. Então, vejamos quais recursos e os estágios que uma grande empresa de investimento teve que passar para desenvolver seu próprio sistema de recomendação para aumentar a eficácia da venda cruzada e o que aconteceu no final.

Etapa 1: Negação

Qual é a diferença entre o processo de vendas em uma empresa de investimento e o processo semelhante em outras empresas? Vamos ver o que está em comum.

• / ( , ).
• , ( ).

.

• , .
• , (, ) .
• , , .
• .

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

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 ).

Para esse fim, o trabalho já começou a modificar o sistema em um dos tipos de sistema de recomendação híbrido. Também estão em andamento trabalhos para aprofundar o trabalho do sistema de recomendação com produtos complexos.