我们已连续发表了多篇关于azure机器学习的文章，介绍了微软如何运用机器学习及其先进的分析工具从云端帮助客户从大数据中获得深具可行性的洞察。本文由商业策略、信息管理及机器学习部门 （IMML）负责人Vinod Anantharaman撰稿。

作为英国最大的独立食品递送服务公司，JJ食品公司致力于为其超过6万名下游经销商提供全面满足需求的优质服务。JJ的产品超过4500种，分布在8个大型仓库中，涵盖了从生鲜、冷冻、干杂食品到纸张及清洁用品等品类。

客户可以在线订购或通过话务中心进行订购。物流团队将每天涌入的订单依次整理并分配至仓库，当天晚上即可打包完毕，第二天一早由货运团队进行配送——每天如此。

尽管从目前看，JJ食品公司的流程称得上比较流畅了，但作为一家一直自豪于自身对技术不懈追求的公司，他们的雄心远不止此。

自2004年起，JJ配备了微软企业资源规划和客户关系管理解决方案Dynamics，使他们得以在过去十年间不断精进着自身的运营。如今，从人力资源、采购、销售库存管理到下单流程，微软Dynamics AX全力支持着公司运营的全部环节。

JJ的首席运营官Mushtaque Ahmed逐渐清楚地认识到，他们手握着丰富而珍贵的客户数据资源，而其中蕴含的巨大机会将推动客户满意度不断增涨。其中一个机会就是，JJ可以通过预测客户的订单来为其节约时间。例如，在客户键入任何关键词之前就向他们推荐合适的产品。他们还有其他许多关于预测分析的设想，同时也担心此类工作要求的高级分析工具可能带来较高的财务开销。

而这正是Azure机器学习的用武之地。

• 被预测的购物清单

考虑到所需商品、下单时间、订单数量、类型、频率及许多其他元素，JJ的客户订单必然千差万别。对客户未来需求的洞察则建立在每位客户过去的购买行为之上。比如，一个典型的餐厅可能每天都要采购用于沙拉的蔬菜，每两周采购一次面粉，而每个月采购一次食用油——对此，Ahmed介绍说，“在采购的那一周、那一天、甚至那个具体的时间点，我们必须做出相关推荐，只有这样才算成功。”

JJ食品公司相信，Azure机器学习能够帮助他们以较为经济的方式解决问题。他们与微软Azure团队紧密合作，首先为网站编写代码以便抓取客户行为数据，然后以三年间的交易数据训练Azure机器学习预测模型。接下来，他们将模型得出的推荐结果整合入网站和电话下单场景，以确保使用话务中心下单的客户也能通过电话销售代表享受到同样高质量的推荐。

这套系统仅用三个月就调试完毕了。现在，无论客户选择打电话或是登陆网站，系统都会基于历史购买分析，自动显示同样的预测结果。

最显而易见的结果——当然是多数客户都为收获了极其高效的购物体验而感到满意。

• 人情味的商品推荐

除了预测购物单，客户还能获得与已购商品相关的、“可能需要”的推荐。例如，如果一家炸鱼和薯条店购买了黄油，系统将会询问是否需要某些与之搭配的调料。同样的，在结账之前，系统将检查整个订单，以分析某些已购的关联商品是否显示出对其他相关商品的潜在需求。比如，如果一家快餐店订购了肉、禽类、蔬菜和饮料，他是否也可能需要食品油？或纸杯，尤其当上次购买已过去一段时间了？

JJ食品公司估计，目前来自商品推荐的购买量，占全部订单的5%左右。也许看起来不多，但Ahmed甚至希望此数字再减少一些，以便系统腾出足够的算力，得出更精准的结果——考虑到公司的体量，这可能确实是个加分项。不仅如此，对客户来说，关联推荐深具人情味。正如Ahmed所说，“关联推荐非常了不起！客户对于我们能准确预测他们的需求感到十分惊喜。”

• 高效定位的新客户

JJ食品公司明白，没有比“从登陆那一刻起就开始为其省钱”更好用的办法能吸引新客户了。

通过Azure机器学习的商品推荐系统，推送类似客户已购买的商品，JJ能够即时向新客户们展示价值——为他们节约出宝贵的时间，以免将首次购物体验浪费在浏览新品类及考虑订单上。

JJ才刚刚启程，他们仍在探寻提高客户满意度和引导销售的更多途径。例如，他们计划通过预测客户近期可能发生的订单，提高库存周转效率，还有通过推荐系统进行促销、以及向特定客户推荐新产品等。

正如Ahmed总结的那样，“在自动化各种流程上，微软Dynamic AX劳苦功高，但我们还需要这些流程变得更聪明——这就是微软Azure机器学习发光发热的领域了。”