Automatisation des processus et am\u00e9lioration de l'exp\u00e9rience client.<\/p>\n
Le client est un fournisseur de commerce \u00e9lectronique qui collabore avec plus de 50 marques. Il s'int\u00e9ressait \u00e0 une solution permettant de g\u00e9n\u00e9rer des recommandations pour une seule marque. L'objectif de l'entreprise \u00e9tait de utiliser l'apprentissage automatique (ML)<\/a> pour augmenter les ventes, r\u00e9organiser l'exp\u00e9rience client, attirer de nouveaux clients et fid\u00e9liser les utilisateurs de la plateforme en ligne. ESSID Solutions s'est vu confier une solution haut de gamme. Cette \u00e9tude de cas met donc en \u00e9vidence l'expertise \u00e9prouv\u00e9e d'ESSID Solutions. dans le cr\u00e9neau du commerce \u00e9lectronique<\/a>.<\/p>\n Le client a demand\u00e9 \u00e0 notre \u00e9quipe de cr\u00e9er un syst\u00e8me personnalis\u00e9 d'analyse pr\u00e9dictive et de recommandation afin d'am\u00e9liorer la plateforme de commerce \u00e9lectronique existante et d'augmenter les ventes. La cr\u00e9ation d'un syst\u00e8me de recommandation ad\u00e9quat n\u00e9cessite id\u00e9alement de disposer d'un ensemble de donn\u00e9es important et diversifi\u00e9 sur le comportement des utilisateurs, qui peut inclure l'historique des achats, les pages consult\u00e9es sur les produits, les appr\u00e9ciations, les \u00e9valuations, les critiques, etc.<\/p>\n Au d\u00e9but, nous avons \u00e9t\u00e9 confront\u00e9s \u00e0 des limitations de donn\u00e9es. Nous ne disposions alors que de l'historique des achats. De plus, une grande partie des utilisateurs n'avaient effectu\u00e9 qu'un petit nombre d'achats. C'\u00e9tait le seul type de donn\u00e9es utilisateur avec lequel nous pouvions travailler. Le manque de donn\u00e9es a donc compliqu\u00e9 notre t\u00e2che d'adaptation d'un syst\u00e8me d'analyse du commerce \u00e9lectronique et de formation d'un mod\u00e8le de recommandation. Le d\u00e9fi consistait \u00e0 exploiter les donn\u00e9es limit\u00e9es sur l'historique d'achat des utilisateurs et \u00e0 les utiliser pour la mod\u00e9lisation pr\u00e9dictive.<\/p>\n Nous avons bas\u00e9 notre approche du d\u00e9veloppement sur filtrage collaboratif<\/i> technique bas\u00e9e sur la factorisation de la matrice utilis\u00e9e dans le syst\u00e8me de recommandation. Nous n'avons pas utilis\u00e9 de donn\u00e9es sp\u00e9cifiques sur les utilisateurs ou les produits. Nous n'avons recueilli que des donn\u00e9es historiques sur les interactions entre les utilisateurs et les produits et nous avons \u00e9galement r\u00e9cup\u00e9r\u00e9 des informations sur les pr\u00e9f\u00e9rences positives des utilisateurs \u00e0 l'\u00e9gard d'un article. Nous avons donc d\u00e9cid\u00e9 de nous en tenir \u00e0 une impl\u00e9mentation simple mais \u00e9prouv\u00e9e appel\u00e9e ALS implicite<\/em> pour entra\u00eener notre mod\u00e8le sur des donn\u00e9es \u00e9parses. Nous disposions \u00e9galement d'une quantit\u00e9 raisonnable de donn\u00e9es sur le nombre de transactions d'utilisateurs fournies par le client. Les donn\u00e9es collect\u00e9es ont \u00e9t\u00e9 utilis\u00e9es pour entra\u00eener le mod\u00e8le ML qui alimenterait un syst\u00e8me de recommandation personnalis\u00e9.<\/p>\n \u00a0<\/p>\n Nous avons utilis\u00e9 le indicateur de confiance<\/i> pour entra\u00eener le mod\u00e8le \u00e0 mettre l'accent sur les articles achet\u00e9s plusieurs fois plut\u00f4t que sur les articles achet\u00e9s une seule fois. En outre, nous avions un nombre important d'utilisateurs ayant effectu\u00e9 peu d'achats, ce qui n'\u00e9tait pas suffisant pour que le mod\u00e8le de recommandation donne une pr\u00e9diction fiable. Nous avons donc mis en \u0153uvre plusieurs techniques suppl\u00e9mentaires pour am\u00e9liorer les recommandations donn\u00e9es par le mod\u00e8le. En cons\u00e9quence, nous avons fait en sorte que l'algorithme comprenne mieux les pr\u00e9f\u00e9rences des utilisateurs et \u00e9vite de recommander les m\u00eames articles \u00e0 tous les utilisateurs.<\/p>\n Nous avons appliqu\u00e9 plusieurs filtres pour rendre le mod\u00e8le plus pr\u00e9cis et plus pertinent par rapport aux objectifs de l'entreprise :<\/p>\n En cons\u00e9quence, les cat\u00e9gories d'utilisateurs concern\u00e9es recevront des recommandations qui les rendront plus satisfaits des services du client.<\/p>\n Nous avons fourni le mod\u00e8le pour qu'il corresponde aux besoins de l'entreprise du client et qu'il soit utilis\u00e9 pour accomplir les t\u00e2ches suivantes :<\/p>\n Notre solution a parfaitement r\u00e9pondu aux besoins commerciaux du client suivant :<\/p>\n Avec l'aide de professionnels services de d\u00e9veloppement d'analyses pr\u00e9dictives<\/a> Gr\u00e2ce \u00e0 l'aide apport\u00e9e par l'\u00e9quipe d'ESSID Solutions, le client a acquis un MVP dot\u00e9 d'une intelligence artificielle.<\/p>\nD\u00e9fi : former un algorithme de recommandation bas\u00e9 sur des donn\u00e9es \u00e9parses<\/h2>\n
Solution : module d'analyse pr\u00e9dictive pour une plateforme de commerce \u00e9lectronique<\/h2>\n
\n
R\u00e9sultat : Solution bas\u00e9e sur la ML pour automatiser les processus et am\u00e9liorer l'exp\u00e9rience client.<\/h2>\n
\n
\n
Optimisez vos processus d'affaires avec notre Services d'analyse pr\u00e9dictive<\/a><\/h3>","protected":false},"excerpt":{"rendered":"