Détails clés

Amélioration de la fonction de recommandation de films par 25%.

Client

Le client opère sur le marché du divertissement numérique à domicile par le biais de la télévision intelligente. Il s'agit d'un service de vidéo à la demande de premier plan, qui permet aux utilisateurs de regarder des films nouvellement sortis en qualité parfaite ou de choisir parmi une bibliothèque de plus de 7000 titres. L'application SmartTV compte 1,5 million d'utilisateurs actifs mensuels.

Défi : fournir des recommandations personnalisées à chaque utilisateur

Lorsque le client s'est mis à la recherche d'un partenaire en science des donnéesEn 2008, 80% du chiffre d'affaires de l'entreprise provenait déjà de sa page de recommandations. La liste des recommandations était mise à jour chaque semaine par un rédacteur.

Afin d'améliorer l'expérience client et d'augmenter les ventes à partir de la page de recommandation, le client a décidé de construire un moteur de recommandation qui offrirait des recommandations de films personnalisées et actualisées à chaque utilisateur.

Les principaux objectifs du projet étaient les suivants

• améliorer l'expérience des clients en leur proposant des recommandations de films personnalisées
• aider les clients à trouver plus rapidement les films souhaités
• améliorer le taux de conversion des visiteurs en clients

Solution : moteur de recommandation de films personnalisé basé sur l'apprentissage automatique

ESSID Solutions a construit un moteur de recommandation personnalisé pour le client, afin de s'assurer que le système s'intègre parfaitement à l'environnement commercial et technique existant de l'application Smart TV du client.

ESSID Solutions utilisé l'apprentissage automatique pour construire un moteur de recommandation qui fournit des recommandations individuelles à des millions d'utilisateurs.

Le moteur de recommandation utilise une approche de filtrage collaboratif qui repose sur l'idée que les personnes qui se sont entendues dans leur évaluation de certains films par le passé sont susceptibles de s'entendre à nouveau à l'avenir.

Afin de générer des recommandations fraîches chaque jour, le système est optimisé pour stocker les données efficacement et d'effectuer des requêtes plus rapidement.

Il est bien connu que le stockage en colonnes permet d'économiser du temps et de l'espace. traitement des données massives (big data). Pour ce projet, ESSID Solutions a utilisé Parquet + Spark, ce qui a permis de multiplier par 5 les performances de Spark SQL par rapport à l'utilisation d'autres formats de stockage.

Résultat : une expérience client améliorée

• Des recommandations fraîches et personnalisées pour chaque client.
• Les utilisateurs trouvent plus rapidement les films qu'ils souhaitent. Le nombre moyen de fiches de films uniques défilant avant l'achat dans le flux de recommandations a baissé de 25%.