如何利用机器学习识别异常的销售行为？

[funcookies]

工作中需要对一些销售行为做判断。
举个例子：
比如 A 购买了原油，添加剂化学试剂等东西
1.如果 A 销售原油，化学试剂，那么销售行为正常，买什么卖什么。
2.如果 A 销售汽油，柴油等产品，那么销售行为正常，可以认为 A 做了生产，利用原料生产产品。
3.如果 A 销售金属，煤炭等产品，那销售行为异常，因为原油做不出这些东西来，数据存在造假。

目前暂时有的数据就是购买与销售的商品种类与对应比例，数据量理论上也足够。

想问下大家有哪些思路，利用什么算法或者模型可以通过机器学习来满足需求。

如果加上其他数据可以更好的实现，也可以标注出来。


谢谢啦。

[sadfQED2]

写一堆 if else 就够了，哪用什么机器学习啊

[westoy]

但如果 3 同时经营其他行业的分销业务呢......

[funcookies]

@sadfQED2 啊这，不可能穷尽所有情况啊，面对的数据还是很多的。

[funcookies]

@westoy 经营分销业务意味他需要购买同样的东西，买的价钱也不会差太多，不会出现说他主要买的是原油，却主要卖电脑这种情况。

[sujin190]

@funcookies #3 问题是机器学习你需要大量标注好的数据，而且这种以人现实规则识别为主的，大概率你没列举标注的无法识别，所以既然你本来就要列举标注，那么显然 if else 更简单才是，机器学习也不是万能的，并不能凭空扩展范围

[xwtttt]

机器学习有一个方向就是异常检测，可以理解为对非平衡数据的二分类问题。对大量正常数据建模，出现少量与正常数据差异较大的数据可以认为是异常。记得孤立森林通常效果挺不错的，然后 python 有个 pyod 包，很多异常检测模型打包好了，可以一个个试。

[funcookies]

@xwtttt 谢谢 我去查一下相关的资料。

[funcookies]

@sujin190
if else 应该是不行的。应为数据量很大，而不同物品和比例千变万化。
肯定不会直接寄希望于机器学习直接去判断购销两种物品的关联。就是想利用机器学习去分类，然后可能采用样本去判断分类的异常情况。
人工标注的数据没有，但是有一个类似黑名单的东西，黑名单里面的样本会包含大量异常销售的数据，

[sadfQED2]

@funcookies 你这个是典型的啥都不懂，无脑觉得机器学习能搞定。

[sujin190]

@xwtttt #6 不靠谱吧，商品质量筛查这种可能这个还行，但是这个是销售关系筛查啊，商品质量这种是由特定客观规律的，销售关系就是个社会规则，现阶段的机器学习和数据量处理不了这种吧


@funcookies #8 所谓机器学习简单点其实就是个解超大型方程的过程，越符合数学物理规律的使用相对较少的数据和参数就能有很好效果，此外像语言识别、自然语言处理之类的虽然看起来不符合数学规律，但是人的发言范围、规则、音色，语言的词法、语法之类的是固定的啊，所以在相对较大的数据量和参数上还是有可能处理的，但是你这销售关系是个社会规则，一般来说规律实在不强，在现有数据量和模型复杂度来说，真不会有好效果，远不如 if else 靠谱，当然这个 if else 应该叫做专家系统，早先似乎也会被称为机器学习，实际工程实现中，搞个规则引擎系统就是了呗，以人工能标注的数据量来说绰绰有余了