无人货架的商品推荐算法

首先这是一个针对无人货架商品调整的思路。无人货架在安装时，会默认的冷启动一些商品。在随后的销售过程中，需要根据这个货架的商品消耗情况去调整此货架的商品摆放。撤掉卖不掉的商品，再摆放预计会卖得好的商品。

撤掉滞销商品的逻辑比较简单，因为数据都是已知的，只要设定规则挑选出要下架的商品即可。

上新品的逻辑就没那么简单了，这个也是此文主要讲解的思路。

商品推荐首先想到的就是做出商品之间的相似性。在原始的商品信息表中，我们只能看到这个商品的大、中分类。比如：大分类面包，中分类夹心面包。在这套商品标签下，我们调品能做的操作非常有限。受限于只能在大分类下进行推荐，例如面包都被推荐上去之后，具有同样属性的饼干等相似度很高的商品是无法通过算法做自动上架的，且无法对这个分类下的好坏商品进行区分。总之就是很难受，不好做自动调整。

在摸索的过程中，我调取了各个大分类的分时趋势。发现确实存在各个大分类消费时间高度重合的情况，那么也就可以代表一定的大分类相似度。下一步分析他们相似的原因，比如面包和饼干相似，因为都是面食，分量比较大，所以会当做主食来吃。但是饼干在早上的销量要低于面包，在下午要高于面包，分析原因可能是因为面包比较软，人们在早上不愿意吃硬的。再比如干果和蜜饯，都是小包装或者方便保存的，分量不大，口味特征明显，无聊时嘎巴嘴的。蔓越莓和芒果口味，味道的差异性可能没有那么大，但是他们食物本身的中西倾向有明显不同。同种食物，一个用袋装，一个用盒装，我们盒和袋对我们的感受影响在高端包装和易于保存上。实际工作中还有很多逻辑比较细枝末节，就不一一举例了。

总之，最后根据人们对食物的理解，抽取了30多个维度，包括了：口味（6个）、口感（6个）、用户体验（适合保存、影响他人等）、包装（美观、新潮等）、品牌（知名度、定位倾向等）、食物特性（高档低端，中西倾向等）、流通特性（价格、净含量）。

再根据我们对每个维度赋予不同的权重，通过简单的相似度算法，也就计算出了商品之间的相似度。

下面是关于相似度的一些细节思路：

1.相似度没有通过向量法计算，因为无法考虑到方向高度相似，模不同。（大小包装、品牌溢价、轻重口味等）

2.标签之间的计算是先进行大分组内的计算，再计算各大分组的整体相似度。目的是让各个大分类有不同的权重。

3.标签是人工评议的。

4.没有使用机器学习。是因为商品池的商品数量远大于单个货架能摆放的商品数量。货架之间的相似度也是未知。协同过滤所能发现的商品数量也很少，且没有延续性。

这个相似度算法最大的优点是覆盖了所有品类的食物，且因为标签值是连续的，所以可以描述微小的体验差异。

既然我们有了商品之间的相似度，那么我们就把没上过架的商品找到这个货架上过的商品的相似度排名前三，作为它本身的销量预期。最后通过制定的策略，实现了自动的上架推荐。

——————————————————————————————————————————————————————

补充：

订货、补货数量算法采用历史数据移动平均估算。

选品是给新商品打过标签后，根据现在的各货架销售情况估算预计销量。

补货单的生成是读取了货架的地理位置信息，给必须补货的货架生成补货单后，给此大楼其他货架也同时生成补货单。

 

希望无人货架从业者，看到这篇文章会有所启发吧。