Detalles clave

Mejora de la función de recomendación de películas por 25%.

Cliente

El cliente opera en el mercado del entretenimiento digital doméstico Smart TV. Es un servicio líder de vídeo bajo demanda premium, que permite a los usuarios ver películas recién estrenadas en perfecta calidad o elegir entre una biblioteca de más de 7000 títulos. Su aplicación SmartTV tiene 1,5 millones de usuarios activos mensuales.

Reto: ofrecer recomendaciones personalizadas a cada usuario

Cuando el Cliente fue a buscar un socio científico de datosDesde entonces, 80% de los ingresos de la empresa proceden de su página de recomendaciones. La lista de recomendaciones la actualizaba un editor cada semana.

Para mejorar la experiencia del cliente y aumentar las ventas desde la página de recomendaciones, el cliente decidió crear un motor de recomendaciones que ofreciera recomendaciones de películas personalizadas y actualizadas para cada usuario.

Los principales objetivos del proyecto eran:

• mejorar la experiencia del cliente ofreciéndole recomendaciones de películas personalizadas
• ayudar a los clientes a encontrar más rápidamente las películas deseadas
• mejorar la tasa de conversión de visitantes en clientes

Solución: motor de recomendación de películas personalizado basado en aprendizaje automático

ESSID Solutions construyó un motor de recomendación personalizado para el cliente, con el fin de garantizar que el sistema se integra perfectamente con el entorno empresarial y técnico existente de la aplicación Smart TV del cliente.

Soluciones ESSID utilizadas aprendizaje automático para crear un motor de recomendación que sirve recomendaciones individuales para millones de usuarios.

El motor de recomendación utiliza un enfoque de filtrado colaborativo que se basa en la idea de que las personas que coincidieron en su evaluación de determinadas películas en el pasado es probable que vuelvan a coincidir en el futuro.

Para generar nuevas recomendaciones cada día, el sistema está optimizado para almacenar datos y realizar consultas más rápidamente.

Es bien sabido que el almacenamiento en columnas ahorra tiempo y espacio cuando se trata de procesamiento de macrodatos. Para este proyecto, ESSID Solutions utilizó Parquet + Spark, lo que ayudó a multiplicar por 5 el rendimiento de Spark SQL en comparación con el uso de otros formatos de almacenamiento.

Resultado: mejora de la experiencia del cliente

• Recomendaciones personalizadas y frescas para cada cliente.
• Los usuarios encuentran más rápido las películas deseadas. El número medio de tarjetas de películas únicas desplazadas antes de la compra en el feed de recomendaciones se redujo en 25%.