Principais pormenores

Processos automatizados e melhor experiência do cliente.

Cliente

O Cliente é um fornecedor de comércio eletrónico que colabora com mais de 50 marcas. O Cliente estava interessado numa solução para gerar recomendações de uma única marca. O objetivo comercial era utilizar a aprendizagem automática (ML) para aumentar as vendas, renovar a experiência do cliente, atrair novos clientes e manter os utilizadores fiéis da plataforma online. Foi confiada à ESSID Solutions a tarefa de fornecer uma solução de topo de gama, pelo que este estudo de caso destaca a experiência comprovada da ESSID Solutions no nicho do comércio eletrónico.

Desafio: treinar um algoritmo de recomendação com base em dados esparsos

O cliente desafiou a nossa equipa a criar um sistema personalizado de análise preditiva e de recomendação para melhorar a plataforma de comércio eletrónico existente e aumentar as vendas. E a construção de um sistema de recomendação decente, idealmente, requer um conjunto de dados grande e diversificado do comportamento do utilizador que pode incluir o histórico de compras, visualizações de páginas de produtos, gostos, classificações, críticas, etc.

No início, deparámo-nos com limitações de dados. Nessa altura, só tínhamos disponível o histórico de compras. Além disso, uma parte substancial dos utilizadores tinha um número bastante reduzido de compras. E esse era o único tipo de dados de utilizador com que podíamos trabalhar. Assim, a escassez de dados complicou a nossa tarefa de adaptar um sistema de análise de comércio eletrónico e de treinar um modelo de recomendação. O desafio consistia em explorar os dados limitados sobre o histórico de compras dos utilizadores e aproveitá-los para a modelação preditiva.

Solução: módulo de análise preditiva para plataforma de comércio eletrónico

Baseámos a nossa abordagem de desenvolvimento em filtragem colaborativa técnica baseada na factorização de matrizes utilizada no sistema de recomendação. Não utilizámos quaisquer dados específicos sobre os utilizadores ou produtos. Recolhemos apenas dados históricos sobre as interações utilizador-produto e também obtivemos informações sobre as preferências positivas dos utilizadores em relação ao item. Por isso, decidimos manter uma implementação simples, mas bem comprovada, chamada ALS implícito para treinar o nosso modelo com dados esparsos. Além disso, dispúnhamos de uma quantidade razoável de dados sobre o número de transacções de utilizadores fornecidos pelo cliente. Os dados recolhidos foram utilizados para treinar o modelo de ML que iria alimentar um sistema de recomendação personalizado.

Utilizámos o métrica de confiança para treinar o modelo para dar ênfase a itens comprados várias vezes em vez de itens comprados apenas uma vez. Além disso, tínhamos um número significativo de utilizadores com poucas compras, o que não era suficiente para o modelo de recomendação dar uma previsão fiável. Por isso, implementámos várias técnicas adicionais para melhorar as recomendações dadas pelo modelo. Como resultado, conseguimos que o algoritmo compreendesse melhor as preferências dos utilizadores e evitasse recomendar os mesmos artigos a todos os utilizadores.

Aplicámos vários filtros para tornar o modelo mais preciso e relevante para os objectivos comerciais:

• Os artigos recomendados têm a etiqueta "em stock"
• Os utilizadores ainda não compraram itens recomendados
• Os utilizadores optam por receber correio eletrónico

Como resultado, as categorias relevantes de utilizadores receberão recomendações que os farão sentir mais satisfeitos com os serviços do Cliente.

Resultado: Solução baseada em ML para automatizar processos e melhorar a experiência do cliente

Entregámos o modelo para se adaptar às necessidades comerciais do cliente e para ser utilizado na realização das seguintes tarefas:

• Recomendar itens a um determinado utilizador
• Encontrar utilizadores semelhantes com base nas preferências de itens
• Recomendar os utilizadores com maior probabilidade de comprar um determinado artigo
• Recomendar artigos semelhantes

A nossa solução respondeu perfeitamente às necessidades de negócio do seguinte Cliente:

• Tornar o processo de pesquisa altamente personalizado
• Automatização das tarefas de rotina dos assistentes de loja
• Garantir uma experiência de compra em linha fantástica
• Aumentar a fidelidade do cliente

Com a ajuda de profissionais serviços de desenvolvimento de análises preditivas fornecido pela equipa da ESSID Solutions, o Cliente adquiriu um MVP alimentado por IA.

Optimize os seus processos empresariais com o nosso Serviços de análise preditiva