Detalles clave

Procesos automatizados y mejora de la experiencia del cliente.

Cliente

El cliente es un proveedor de comercio electrónico que colabora con más de 50 marcas. El cliente estaba interesado en una solución para generar recomendaciones monomarca. El objetivo empresarial era utilizar el aprendizaje automático (AM) para aumentar las ventas, renovar la experiencia del cliente, atraer a nuevos clientes y fidelizar a los usuarios de la plataforma en línea. Se confió en ESSID Solutions para proporcionar una solución de alta gama, por lo que este estudio de caso destaca la experiencia demostrada de ESSID Solutions en el nicho del comercio electrónico.

Reto: entrenar un algoritmo de recomendación basado en datos dispersos

El cliente encargó a nuestro equipo la creación de un sistema de recomendación y análisis predictivo personalizado para mejorar la plataforma de comercio electrónico existente y aumentar las ventas. Y para crear un sistema de recomendación decente, lo ideal es contar con un conjunto de datos amplio y diverso sobre el comportamiento de los usuarios, que puede incluir el historial de compras, las páginas vistas de los productos, los "me gusta", las valoraciones, las reseñas, etc.

Al principio, nos enfrentamos a limitaciones de datos. En ese momento sólo disponíamos del historial de compras. Para más inri, una parte sustancial de los usuarios tenía un número bastante reducido de compras. Y ese era el único tipo de datos de usuarios con el que podíamos trabajar. Así pues, la escasez de datos complicaba nuestra tarea de adaptar un sistema de análisis de comercio electrónico y entrenar un modelo de recomendación. El reto consistía en aprovechar los escasos datos sobre el historial de compras de los usuarios y utilizarlos para crear modelos predictivos.

Solución: módulo de análisis predictivo para plataforma de comercio electrónico

Nuestro planteamiento de desarrollo se basa en filtrado colaborativo técnica basada en la factorización matricial utilizada en el sistema de recomendación. No utilizamos datos específicos sobre los usuarios o los productos. Sólo recopilamos datos históricos sobre las interacciones usuario-producto y también recuperamos información sobre las preferencias positivas de los usuarios hacia el artículo. Así que decidimos ceñirnos a una aplicación sencilla pero bien probada llamada ALS implícito para entrenar nuestro modelo con datos dispersos. Además, disponíamos de una cantidad razonable de datos sobre el número de transacciones de usuarios que nos proporcionó el cliente. Los datos recopilados se utilizaron para entrenar el modelo ML que impulsaría un sistema de recomendación personalizado.

Utilizamos el métrica de confianza para entrenar al modelo a dar más importancia a los artículos comprados varias veces que a los comprados una sola vez. Además, teníamos un número significativo de usuarios con pocas compras, lo que no era suficiente para que el modelo de recomendación ofreciera una predicción fiable. Así que aplicamos varias técnicas adicionales para mejorar las recomendaciones dadas por el modelo. Como resultado, conseguimos que el algoritmo comprendiera mejor las preferencias de los usuarios y evitara recomendar los mismos artículos a todos ellos.

Aplicamos varios filtros para que el modelo fuera más preciso y relevante para los objetivos empresariales:

• Los artículos recomendados tienen la etiqueta "en stock"
• Los usuarios aún no han comprado los artículos recomendados
• Los usuarios optan por el correo electrónico

Como resultado, categorías relevantes de usuarios obtendrán recomendaciones que les harán sentirse más satisfechos con los servicios del Cliente.

Resultado: Solución basada en ML para automatizar procesos y mejorar la experiencia del cliente.

Entregamos el modelo para que se ajustara a las necesidades empresariales del cliente y se utilizara para realizar las siguientes tareas:

• Recomendar artículos a un usuario determinado
• Buscar usuarios similares en función de las preferencias de los artículos
• Recomendar a los usuarios con más probabilidades de comprar un artículo determinado
• Recomendar artículos similares

Nuestra solución respondía perfectamente a las necesidades empresariales del cliente:

• Personalice el proceso de búsqueda
• Automatización de las tareas rutinarias de los dependientes
• Garantice una experiencia de compra en línea increíble
• Aumentar la fidelidad de los clientes

Con la ayuda de profesionales servicios de desarrollo de análisis predictivo proporcionado por el equipo de ESSID Solutions, el Cliente adquirió un MVP potenciado por IA.

Optimice sus procesos empresariales con nuestra Servicios de análisis predictivo