基于用户的协同过滤推荐系统，该系统由机器学习驱动。我们的模型利用客户购买行为的相似性来提供产品和服务推荐。过去购买行为相似的两个客户被视为“邻居客户”，其中一个客户购买过而另一个客户没有购买的产品将被用作推荐。
初步结果证明，该系统可以准确预测大约 20% 的所有产品购买情况，从而减少计划外停机时间并节省 6.44% 的成本，即每位客户每年 245 万美元。结合有用的客户特征、产品特征和产品数据可以增加准确推荐的数量。此外，使用更复杂的机器学习算法（如矩阵分解和深度学习）可以产生更强大的推荐系统。
踏上数字创新之旅永远不会太晚。随着越来越多的销售历史数据变得唾手可得，机器学习推荐系统的预测准确性只会继续提高，让石油和天然气行业的公司能够从使用高级分析中受益，以减少停机时间并保持成本效益。
每年，麻省理工学院运输与物流中心 (MIT CTL) 的供应链管理 (SCM) 硕士课程约有 80 名 伯利兹电子邮件列表 学生完成大约 45 个为期一年的研究项目。这些学生是来自多个国家的早期职业商业人士，拥有 2 至 10 年的行业经验。大多数研究项目都是由跨国公司选择、赞助和合作开展的。由麻省理工学院 SCM 学生和麻省理工学院 CTL 教师组成的联合团队致力于解决实际问题。在本系列中，他们总结了最新的 SCM 研究选集。