我们如何使用机器学习帮助售票零售商用预测模型填补空座
这个票务零售商(“零售商”)是一个在线票务市场，用户可以在这里购买和出售各种现场娱乐活动的门票, 从曲棍球比赛到戏剧表演.
但就像所有的票务零售商一样, 这家零售商面临着空位和缺席的挑战, 或者那些购买或预订座位但最终不参加活动的人. 他们想找到一种方法来优化活动的出席率，并尽可能多地填满座位, 尽管可能会有缺席的风险.
零售商有一个创新的想法，可以让他们赚钱的缺席, 但他们需要一位预测建模大师的帮助. 澳门金沙官网和我们的 机器学习 我马上想到了专家. 所以在一起, 我们建立了合作伙伴关系，开发了一种新产品，使用预测模型来估计给定活动的空座数量, 基于各种因素和受众统计数据. 用我们的专业知识, 这可能会使体育场人满为患, 影院, 以及全国各地的场馆, 帮助零售商从门票销售中赚取更多收入.
以人为中心:利用机器学习来赚钱
与零售商和 为中心的印度 海外专家, 我们设定标准，建立矩阵，同时建立强大的预测分析框架. 利用Python和 AWS Sagemaker, 胶水, 和λ, Centric帮助交付了产品, 能够最大化的活动出席率和门票销售.
在第一步中, 我们与零售商合作，定义和评估具有一定预测能力的标准. 我们从以往赛事的门票扫描中提取了这些标准, 它们还有助于估计未来活动的出席率和缺席的可能性. 这些因素包括:
- 事件是星期几?
- 每个顾客购买了多少张票?
- 客户住的地方离活动地点有多远?
- 顾客是什么时候购票的?
所有这些因素都可能影响到出席者的决定，并可能增加门票转售的机会.
在定义标准之后, 我们继续对从合作伙伴处获得的数据进行预处理，以确保它适合于特征工程. 然后，我们从提供的数据中提取高级特征，并将其输入预测模型.
在运行预测模型六周后，我们提取数据以确定其有效性. 这将有助于确定根据我们给出的标准，该模型能在多大程度上预测缺席率. 这些测试的结果使我们能够改进预测模型，更好地选择预测能力最强的数据.
作好战斗准备的结果
在我们的帮助下, 零售商能够建立一个战斗准备的产品，能够预测活动出席人数基于选定的标准. 使用预测建模体系结构, 由亚马逊的云服务驱动, 零售商将能够通过门票转售来增加利润.
我们采用的DevOps策略将保持模型启动和运行所需的维护量最小化, 允许零售商将精力集中在其他方面. 除了, 在整个项目中, Centric 印度为零售商开发了一个更强大的沟通系统, 特别是在特性工程输出和部署方面.
