有一個非常經典的段子，就是“啤酒和尿布”。故事是說，沃爾瑪的一位門店經理發現，周末啤酒和尿布的銷量會“落霞與孤鹜齊飛，秋水共長天一色”，一起上漲。經過分析，是因為奶爸們周末看球喝啤酒的同時要給娃帶上尿布，然後就把這兩樣商品擺在一起促進銷售雲雲。甚至專門用這個案例作為一本書的标題：
先且不論這個故事的真實性（知乎：資料挖掘中最經典的案例之一-啤酒與尿布是真實的案例嗎？），可見人們對于資料挖掘分析并用以提升業務是很癡迷的。以前可能要雇一群人分析大量的資料給出可能的結果，而現在，AI可以幫你搞定這個事情。
你甚至不用寫一行代碼。
Azure 裡面的AI及認知服務家族正在不斷擴充，在下面這個長長的人工智能API清單裡，有很多已經廣為人知的例如計算機視覺，語義分析，表情分析，智能搜尋等等，而有一個新出的服務，叫做建議（Recommendations）。
建議這個東西，是所有人都需要的。不信你看看你手機：“晚上吃啥啊？”，“周末去哪啊？”。對于業務來說，通過資料挖掘為客戶提供合适的建議，不僅僅是可能擴大銷售，更厲害的是培養信任感，跨越銷售防備的城牆。
是以，通過一些簡單的資料，利用人工智能，進行分析，也就是“網際網路+”時代的剛需了。在Azure裡面，可以直接添加這個有趣的服務，進行一番有趣的探索。服務部署後，有個簡單的後續步驟，最重要的第一步是生成服務對應的Key，不論是使用站點簡單實作建議的人工智能，還是自行使用API開發更為複雜的BI實作，都離不開這個Key來使用Azure雲平台的能力。
複制這個Key之後，我們就可以打開用于嘗鮮的站點：https://recommendations-portal.azurewebsites.net 輸入Key即可登入。
登入之後我們幹啥呢？在建立一個新的Project之前，可以參考一下官方的文檔：https://docs.microsoft.com/zh-cn/azure/cognitive-services/recommendations/cognitive-services-recommendations-quick-start
在建立Azure服務之後，就可以為建議服務準備資料了。資料分為兩部分，一部分是品類（catalog），一部分是事物（usage）。品類資料可以包括<item ID>,<item name>,<product category>等，事物資料可以包括<User ID>,<Item ID>,<Time Stamp>,<Event>等。具體的字段定義和資料類型，可以點選以上的連結通路相關API參考。
一開始不了解這個服務使用的資料，可以使用微軟準備好的樣例資料。示例資料是一家書店的樣例。品類資料是各種書，而事務資料非常簡單，隻有user、item兩個字段，便于快速進行處理示範。
建立一個Project， 把這兩個資料上傳到建議服務項目中，設定諸如模型遞歸、模型次元、資料取舍等參數，就可以開始進行人工智能的自動分析了。
雲服務平台會給Build配置設定ID并建立Job任務。資料簡單而且數量不多，幾分鐘後就能獲得結果。
結果會以Score分數集合的形式得到展現。如何展現為人比較易讀的結果呢？
點選“Score”，就會展現一個簡單的購買模拟界面。可以把顯示出的書添加到中間的購物車，同時，根據之前其他一起購買的資訊，進行AI分析之後，在下面給出建議的書。
細心的你肯定發現了，建議的書除了書名，還顯示了一個分數，姑且我們稱之為推薦度吧。随你添加到購物車裡的書不同，推薦的各種書的建議分數（推薦度）也是不同的。例如我選了一本《自私的基因》，系統就根據之前的購買記錄猜測我喜歡科幻類的、科學類的書，例如《沙丘》、《宇宙盡頭的餐館》等。
而随着我添加的書數量增加，系統比對到書的推薦度也在增加。這是因為添加的書之間也有一些關聯度，這些關聯度增強了建議購買的書之間的關聯度。因為選擇了《冰與火之歌》和《美國衆神》，側重反烏托邦的《安德的遊戲》和《1984》也進入了建議書目。
建議服務在分析過資料後，還會對分析做出小結。當然，要進行人工智能的分析，“喂”給雲平台服務的資料有一定的要求。除了前面提到的資料格式類型的要求，還有一些資料量和資料大小的限制。例如事務資料量應該至少20倍于品類資料。每個項目每次上載的資料不可大于200MB，但可以上傳多個檔案，隻要不大于2GB。如果資料太大，估計是要做模型調整或者ETL清洗一下？
而建議服務能夠提供的學習（Build）類型目前有幾種：Recommendations、Rank、FBT、SAR。（這裡文檔有點沖突，前文說支援Ranking和FBT，然後後文又說支援Recommendation和FBT，然後服務站點下來可選4個……估計發展快沒更新）。FBT是“經常一起購買（Frequently Bought Togather）”的縮寫， 不同的類型的比較可以參考：https://docs.microsoft.com/zh-cn/azure/cognitive-services/recommendations/cognitive-services-recommendations-buildtypes 我對照了一下，确實傳回的内容是不同的。
需要說明的是，在建立建議服務時，微軟提示說送出的資料會被用于改進人工智能，是以正式使用的話，需要考慮資料脫敏的問題。
看，我們确實沒有寫一個字的代碼，但是完成了分析資料實作“啤酒和尿布”這件事情。
本文轉自HaoHu 51CTO部落格，原文連結：http://blog.51cto.com/haohu/2069852，如需轉載請自行聯系原作者