Création d'un module d'analyse prédictive pour une plateforme de commerce électronique

Création d'un module d'analyse prédictive pour une plateforme de commerce électronique

Détails clés

Automatisation des processus et amélioration de l'expérience client.

  • Défi
    Entraînement d'un algorithme de recommandation basé sur des données éparses
  • Solution
    Module d'analyse prédictive pour plateforme de commerce électronique
  • Technologies et outils
    Python, Scikit-learn, Implicit, Docker

Client

Le client est un fournisseur de commerce électronique qui collabore avec plus de 50 marques. Il s'intéressait à une solution permettant de générer des recommandations pour une seule marque. L'objectif de l'entreprise était de utiliser l'apprentissage automatique (ML) pour augmenter les ventes, réorganiser l'expérience client, attirer de nouveaux clients et fidéliser les utilisateurs de la plateforme en ligne. ESSID Solutions s'est vu confier une solution haut de gamme. Cette étude de cas met donc en évidence l'expertise éprouvée d'ESSID Solutions. dans le créneau du commerce électronique.

Défi : former un algorithme de recommandation basé sur des données éparses

Le client a demandé à notre équipe de créer un système personnalisé d'analyse prédictive et de recommandation afin d'améliorer la plateforme de commerce électronique existante et d'augmenter les ventes. La création d'un système de recommandation adéquat nécessite idéalement de disposer d'un ensemble de données important et diversifié sur le comportement des utilisateurs, qui peut inclure l'historique des achats, les pages consultées sur les produits, les appréciations, les évaluations, les critiques, etc.

Au début, nous avons été confrontés à des limitations de données. Nous ne disposions alors que de l'historique des achats. De plus, une grande partie des utilisateurs n'avaient effectué qu'un petit nombre d'achats. C'était le seul type de données utilisateur avec lequel nous pouvions travailler. Le manque de données a donc compliqué notre tâche d'adaptation d'un système d'analyse du commerce électronique et de formation d'un modèle de recommandation. Le défi consistait à exploiter les données limitées sur l'historique d'achat des utilisateurs et à les utiliser pour la modélisation prédictive.

Solution : module d'analyse prédictive pour une plateforme de commerce électronique

Nous avons basé notre approche du développement sur filtrage collaboratif technique basée sur la factorisation de la matrice utilisée dans le système de recommandation. Nous n'avons pas utilisé de données spécifiques sur les utilisateurs ou les produits. Nous n'avons recueilli que des données historiques sur les interactions entre les utilisateurs et les produits et nous avons également récupéré des informations sur les préférences positives des utilisateurs à l'égard d'un article. Nous avons donc décidé de nous en tenir à une implémentation simple mais éprouvée appelée ALS implicite pour entraîner notre modèle sur des données éparses. Nous disposions également d'une quantité raisonnable de données sur le nombre de transactions d'utilisateurs fournies par le client. Les données collectées ont été utilisées pour entraîner le modèle ML qui alimenterait un système de recommandation personnalisé.

 

Nous avons utilisé le indicateur de confiance pour entraîner le modèle à mettre l'accent sur les articles achetés plusieurs fois plutôt que sur les articles achetés une seule fois. En outre, nous avions un nombre important d'utilisateurs ayant effectué peu d'achats, ce qui n'était pas suffisant pour que le modèle de recommandation donne une prédiction fiable. Nous avons donc mis en œuvre plusieurs techniques supplémentaires pour améliorer les recommandations données par le modèle. En conséquence, nous avons fait en sorte que l'algorithme comprenne mieux les préférences des utilisateurs et évite de recommander les mêmes articles à tous les utilisateurs.

Nous avons appliqué plusieurs filtres pour rendre le modèle plus précis et plus pertinent par rapport aux objectifs de l'entreprise :

  • Les articles recommandés portent la mention "en stock"
  • Les utilisateurs n'ont pas encore acheté les articles recommandés
  • Les utilisateurs acceptent de recevoir des courriels

En conséquence, les catégories d'utilisateurs concernées recevront des recommandations qui les rendront plus satisfaits des services du client.

Résultat : Solution basée sur la ML pour automatiser les processus et améliorer l'expérience client.

Nous avons fourni le modèle pour qu'il corresponde aux besoins de l'entreprise du client et qu'il soit utilisé pour accomplir les tâches suivantes :

  • Recommander des articles à un utilisateur donné
  • Trouver des utilisateurs similaires en fonction des préférences des éléments
  • Recommander les utilisateurs les plus susceptibles d'acheter un article donné
  • Recommander des articles similaires

Notre solution a parfaitement répondu aux besoins commerciaux du client suivant :

  • Personnaliser au maximum le processus de recherche
  • Automatisation des tâches routinières des vendeurs
  • Garantir une expérience d'achat en ligne exceptionnelle
  • Renforcer la fidélité des clients

Avec l'aide de professionnels services de développement d'analyses prédictives Grâce à l'aide apportée par l'équipe d'ESSID Solutions, le client a acquis un MVP doté d'une intelligence artificielle.

Optimisez vos processus d'affaires avec notre Services d'analyse prédictive