为了应对优化多本地活动的技术和科学挑战，必须知道如何应对超越传统且控制良好的机器学习框架的两个结构性偏见。机器学习被广泛应用于解决互联网营销和广告问题，已经成为以最少资源实现大规模性能优化的重要解决方案。它也是谷歌和 Facebook 等广告平台的反应堆的核心，这些平台构建了高性能人工智能来特别应对电子商务的问题。只是……本地广告的应用远没有那么明显。与商业网站不同，商店必须根据其环境和其覆盖区域内受众的特点调整其语言和产品。在乡村小镇举办烧烤会比在人口密集的城市地区产生更大的影响。电动自行车在丘陵地区比在非常平坦的地区更有吸引力。当北方的商店强调啤酒时，西南地区的商店会更愿意突出其葡萄酒促销活动。在这些相当讽刺的例子背后隐藏着一个清晰的观察：机器学习无论多么强大，都必须在“多本地”约束下运行，并做出适应不同商店的决策。
另请阅读：2021 年如何选择 ERP
地理和时间偏见
为了应对优化多本地活动的技术和科学挑战，必须知道如何应对超越传统且控制良好的机器学习框架的两个结构性偏见。
首先是地理因素。收集的数据量非常庞大，但这些 rcs 数据巴基斯坦 数据集中在参与行动的商店周围，而不是均匀分布在整个地区。例如，在 10 公里半径范围内通信的 100 家商店将覆盖不到法国大陆表面面积的 6%。
第二是时间因素。实体店需要围绕促销亮点进行沟通，同时在店内进行娱乐活动，并挑选重点产品（促销、复活节、返校、母亲节等）。几乎所有这些活动都具有时间非常短的特点，从几天到三周不等。
现有的算法是为了应对长期活动（因此会随时间推移而蔓延）和全国性活动（因此会在整个领土上更均匀地分布），并且缺乏应对上述偏见的灵活性和响应能力
突破传统数据科学方法的局限性
优化门店广告活动（利用本地差异并快速做出决策，以便在短期促销活动中发挥作用）构成了传统数据科学方法尚无法理解的一系列限制。很难在科学文献中找到允许简单处理它的方法。然而，还是有解决方法的。
其中一个挑战是基于正确的数据聚合级别，这使得达到 司法独立不再得到保障 临界点成为可能，从而使算法能够做出快速和局部的决策，同时保持统计相关性。
三种方法的结合可以帮助算法以最少的数据量进行操作。
首先确定相关的地理分组（例如商店的区域集群），然后使 最新评论 用贝叶斯方法在收集新的“热”数据时逐渐降低粒度。然后使用“冷”数据，即来自过去活动的数据，同时考虑季节性的影响。
最后，除了购买平台（特别是谷歌和 Facebook）的人工智能之外，还要教授和研究算法
这种对连贯数据集的搜索和定义使得定位机器学习模型并使其学习更加高效成为可能。
这是一项不断调整和质疑的工作，它不仅可以响应特定的多地点，而且可以深化和丰富对这项有前途的技术的掌握。