Wichtige Details

Verbesserte Filmempfehlungsfunktion von 25%.

Kunde

Der Kunde ist auf dem Markt der digitalen Heimunterhaltung für Smart-TVs tätig. Es handelt sich um einen führenden Premium-Video-on-Demand-Dienst, der es den Nutzern ermöglicht, neu veröffentlichte Filme in perfekter Qualität anzusehen oder aus einer Bibliothek mit mehr als 7000 Titeln zu wählen. Ihre SmartTV-Anwendung hat 1,5 Millionen monatlich aktive Nutzer.

Die Herausforderung: Jedem Nutzer personalisierte Empfehlungen geben

Als der Kunde auf der Suche nach einem Data-Science-Partner80% der Einnahmen des Unternehmens stammten bereits von seiner Empfehlungsseite. Die Empfehlungsliste wurde jede Woche von einem Redakteur aktualisiert.

Um das Kundenerlebnis zu verbessern und die Umsätze auf der Empfehlungsseite zu steigern, beschloss der Kunde, eine Empfehlungsmaschine zu entwickeln, die für jeden Nutzer aktuelle, personalisierte Filmempfehlungen bereitstellen sollte.

Die Hauptziele des Projekts waren:

• Verbesserung der Kundenerfahrung durch personalisierte Filmempfehlungen
• Kunden helfen, gewünschte Filme schneller zu finden
• Verbesserung der Umwandlungsrate vom Besucher zum Kunden

Lösung: Individuelle Filmempfehlungsmaschine mit maschinellem Lernen

ESSID Solutions entwickelte eine maßgeschneiderte Empfehlungsmaschine für den Kunden, um sicherzustellen, dass sich das System perfekt in die bestehende geschäftliche und technische Umgebung der Smart-TV-Anwendung des Kunden integriert.

ESSID-Lösungen verwendet maschinelles Lernen zum Aufbau einer Empfehlungsmaschine das individuelle Empfehlungen für Millionen von Nutzern bereitstellt.

Die Empfehlungsmaschine verwendet einen kollaborativen Filteransatz, der auf der Idee basiert, dass Personen, die in der Vergangenheit in ihrer Bewertung bestimmter Filme übereinstimmten, auch in Zukunft übereinstimmen werden.

Um jeden Tag neue Empfehlungen zu generieren, das System ist für die Speicherung von Daten optimiert effizient zu nutzen und Abfragen schneller durchzuführen.

Es ist bekannt, dass die säulenförmige Speicherung sowohl Zeit als auch Platz spart, wenn es darum geht Big Data-Verarbeitung. Für dieses Projekt verwendete ESSID Solutions Parquet + Spark, wodurch die Spark-SQL-Leistung im Vergleich zur Verwendung anderer Speicherformate um das Fünffache gesteigert werden konnte.

Ergebnis: verbesserte Kundenerfahrung

• Frische personalisierte Empfehlungen für jeden Kunden.
• Die Nutzer finden die gewünschten Filme schneller. Die durchschnittliche Anzahl der vor dem Kauf gescrollten Filmkarten im Empfehlungsfeed sank um 25%.