大数据的颠覆意义：预测性配送_数据挖掘
网上购物是缺乏即时满足感的。客户不能把崭新的任何产品，装入袋中，然后离开。相反，他们选择一种送货方式，然后等待。但是，零售商正努力尝试改变这种状况，由亚马逊网站首创，并在去年十二月被授予专利的预期递送 – 这一系统，目标就是在顾客还没有购买之前，就进行发货。专家们曾经质疑亚马逊网站，根据销售预计，而把商品发送到中转站的这一送货专利是否是全新的概念，（以及是否对于一般购买行为都能适用）。但是，这并没有阻止零售商通过利用精密的分析，来达成这一切。 换句话说，尽早获得网上订购商品的满足感。
Igor Elbert,纽约的高端时尚和家居用品零售商Gilt 集团的数据科学家。利用机器学习和预测模型，Elbert正在为Gilt网站构建一种预测性递送方式。根据大量因素（有些主观，其他客观），该计划旨在确定哪些产品在什么地方会卖得更好 – 东海岸，西海岸，或中部地区 – 在客户点击“购买”之前。这样做的数据挑战是巨大的，涉及的现实问题包括，“如何定义颜色？”
TechTarget记者日前对Elbert进行了专访。
问：什么是预测性递送？
Igor Elbert:根据某些商品会在某些区域畅销的预期，我们就可以在开始销售它们之前，对它们进行运输。因此，当这些商品真的被购买时，他们在地理位置上离客户更近，这意味着客户会更快的收到商品。
问：Gilt网站试图解决的问题和亚马逊网站称之为“预期递送”的又有什么不同？
Elbert:其实我们挺羡慕亚马逊的，因为他们的问题要容易得多。如果你对加利福尼亚州的，橘子郡地区的牙膏购买进行预测，你有过往牙膏销售的可靠历史。如果销售比较稳定，你可以推测出顾客在下个月将需要和上个月购买的，同样数量的牙膏。零售商一直都在做这样的预测， – 查看销售预期，将商品运输到离客户更近的区域。不过，亚马逊做的更进一步。他们说，‘因为知道你之前的购买历史记录，我们将产品直接送到你的家门口。’根据我的理解，这一模型取决于，知道你以前购买的产品。 所以，如果你上个月购买了牙膏，并且在过去的两年中，每两个月都会购买牙膏，他们就知道你会在下个月需要牙膏，他们就可以将其发送给你。 对于他们，这是低风险的，因为如果你不需要它，你可以退货，但有很大可能性，你确实需要它。
我们不会这样做。我们不会在[客户购买前]就把高端礼服发货给她。但我们尝试把产品运送到有意向购买的客户的区域。
问：你面临的最大数据挑战是什么？
Elbert:集成数据集：要了解哪些属性是可以预测的，为了获得可靠的数据，进行删除。例如，[产品]的材料是高度可预测性的，但是材料的数据，在许多情况下，是由厂商提供，手工输入的。 因此，会有输入错误。分清什么是可以预测的，什么是不可预测的，将材料常规化，使其可以应用于算法是一个挑战。
起初，对于产品是由什么制成的，我列出了上千种材料的描述。上千种实在太多了，何况其中很多都是同样材料的变种。我经过了多次反复的删除，合并和常规化，来帮助算法进行处理。这是一个数据的挑战。
分清产品的组成也是一个挑战。比如颜色：这看似是显而易见的，但事实证明并非如此。颜色，这取决于它的定义 – 厂商把它叫做什么， Gilt网站把它叫做什么，美国零售联合会把它叫做什么。一个产品可以有三种颜色的属性，并且它们都是非常不同的。因此，要了解高级时装的具体属性。
然后要明白，这不仅是一个单独的产品。不同的日子也有差别，美好的一天/糟糕的一天，这一概念也是单个产品的预测指标。要通过反复预测才能得出。
问：你面临的最大技术挑战是什么？
Elbert:从源参数移动数据 – 从操作数据库 – 到数据仓库，到源预测，到预测算法，为了尽快的获得结果，从而有足够的订货提前期，能够提前发送商品。在Gilt网站或任何其他闪购网站，一切都发生得很快。以最快的速度，接收商品，对其拍照，进行产品描述，然后销售。这和亚马逊或[传统的]零售商不同。对于我来说，从我们刚听到产品，到开始销售产品之间只有几天的时间。
并且，数据的可靠性也会发生变化。越是接近销售日期，数据也就越可靠。刚开始的一天或两天，一切还很模糊 – 这意味着还没有进行产品描述，价格还没有设定。这些因素我也都要考虑。
问：预测性递送项目的当前目标是什么？
Elbert:当前的目标是缩短发货给客户的时间。随着规模不断扩大，我们希望能节省成本。
问：你觉得预测性递送最终会是怎么样的？
Elbert:理想情况下，产品在运输途中，我们就能够开始打包，并准备发货。现在，我们只是提前几天发货，这样产品可以在销售开始前到达中转站。如果能够缩短这个时间窗口会更好。产品处于运输过程中，销售就可以开始，在货车里的人员就可以开始把产品打包进单独的盒子，贴上标签等。从本质上讲，把货车变成这一项目中的一部分中转站，将是我们的最终目标。这是我们对未来的憧憬。
转载请注明：数据分析 » 大数据的颠覆意义：预测性配送_数据挖掘
