Processos automatizados e melhor experi\u00eancia do cliente.<\/p>\n
O Cliente \u00e9 um fornecedor de com\u00e9rcio eletr\u00f3nico que colabora com mais de 50 marcas. O Cliente estava interessado numa solu\u00e7\u00e3o para gerar recomenda\u00e7\u00f5es de uma \u00fanica marca. O objetivo comercial era utilizar a aprendizagem autom\u00e1tica (ML)<\/a> para aumentar as vendas, renovar a experi\u00eancia do cliente, atrair novos clientes e manter os utilizadores fi\u00e9is da plataforma online. Foi confiada \u00e0 ESSID Solutions a tarefa de fornecer uma solu\u00e7\u00e3o de topo de gama, pelo que este estudo de caso destaca a experi\u00eancia comprovada da ESSID Solutions no nicho do com\u00e9rcio eletr\u00f3nico<\/a>.<\/p>\n O cliente desafiou a nossa equipa a criar um sistema personalizado de an\u00e1lise preditiva e de recomenda\u00e7\u00e3o para melhorar a plataforma de com\u00e9rcio eletr\u00f3nico existente e aumentar as vendas. E a constru\u00e7\u00e3o de um sistema de recomenda\u00e7\u00e3o decente, idealmente, requer um conjunto de dados grande e diversificado do comportamento do utilizador que pode incluir o hist\u00f3rico de compras, visualiza\u00e7\u00f5es de p\u00e1ginas de produtos, gostos, classifica\u00e7\u00f5es, cr\u00edticas, etc.<\/p>\n No in\u00edcio, depar\u00e1mo-nos com limita\u00e7\u00f5es de dados. Nessa altura, s\u00f3 t\u00ednhamos dispon\u00edvel o hist\u00f3rico de compras. Al\u00e9m disso, uma parte substancial dos utilizadores tinha um n\u00famero bastante reduzido de compras. E esse era o \u00fanico tipo de dados de utilizador com que pod\u00edamos trabalhar. Assim, a escassez de dados complicou a nossa tarefa de adaptar um sistema de an\u00e1lise de com\u00e9rcio eletr\u00f3nico e de treinar um modelo de recomenda\u00e7\u00e3o. O desafio consistia em explorar os dados limitados sobre o hist\u00f3rico de compras dos utilizadores e aproveit\u00e1-los para a modela\u00e7\u00e3o preditiva.<\/p>\n Base\u00e1mos a nossa abordagem de desenvolvimento em filtragem colaborativa<\/i> t\u00e9cnica baseada na factoriza\u00e7\u00e3o de matrizes utilizada no sistema de recomenda\u00e7\u00e3o. N\u00e3o utiliz\u00e1mos quaisquer dados espec\u00edficos sobre os utilizadores ou produtos. Recolhemos apenas dados hist\u00f3ricos sobre as intera\u00e7\u00f5es utilizador-produto e tamb\u00e9m obtivemos informa\u00e7\u00f5es sobre as prefer\u00eancias positivas dos utilizadores em rela\u00e7\u00e3o ao item. Por isso, decidimos manter uma implementa\u00e7\u00e3o simples, mas bem comprovada, chamada ALS impl\u00edcito<\/em> para treinar o nosso modelo com dados esparsos. Al\u00e9m disso, disp\u00fanhamos de uma quantidade razo\u00e1vel de dados sobre o n\u00famero de transac\u00e7\u00f5es de utilizadores fornecidos pelo cliente. Os dados recolhidos foram utilizados para treinar o modelo de ML que iria alimentar um sistema de recomenda\u00e7\u00e3o personalizado.<\/p>\n \u00a0<\/p>\n Utiliz\u00e1mos o m\u00e9trica de confian\u00e7a<\/i> para treinar o modelo para dar \u00eanfase a itens comprados v\u00e1rias vezes em vez de itens comprados apenas uma vez. Al\u00e9m disso, t\u00ednhamos um n\u00famero significativo de utilizadores com poucas compras, o que n\u00e3o era suficiente para o modelo de recomenda\u00e7\u00e3o dar uma previs\u00e3o fi\u00e1vel. Por isso, implement\u00e1mos v\u00e1rias t\u00e9cnicas adicionais para melhorar as recomenda\u00e7\u00f5es dadas pelo modelo. Como resultado, conseguimos que o algoritmo compreendesse melhor as prefer\u00eancias dos utilizadores e evitasse recomendar os mesmos artigos a todos os utilizadores.<\/p>\n Aplic\u00e1mos v\u00e1rios filtros para tornar o modelo mais preciso e relevante para os objectivos comerciais:<\/p>\n Como resultado, as categorias relevantes de utilizadores receber\u00e3o recomenda\u00e7\u00f5es que os far\u00e3o sentir mais satisfeitos com os servi\u00e7os do Cliente.<\/p>\n Entreg\u00e1mos o modelo para se adaptar \u00e0s necessidades comerciais do cliente e para ser utilizado na realiza\u00e7\u00e3o das seguintes tarefas:<\/p>\n A nossa solu\u00e7\u00e3o respondeu perfeitamente \u00e0s necessidades de neg\u00f3cio do seguinte Cliente:<\/p>\n Com a ajuda de profissionais servi\u00e7os de desenvolvimento de an\u00e1lises preditivas<\/a> fornecido pela equipa da ESSID Solutions, o Cliente adquiriu um MVP alimentado por IA.<\/p>\nDesafio: treinar um algoritmo de recomenda\u00e7\u00e3o com base em dados esparsos<\/h2>\n
Solu\u00e7\u00e3o: m\u00f3dulo de an\u00e1lise preditiva para plataforma de com\u00e9rcio eletr\u00f3nico<\/h2>\n
\n
Resultado: Solu\u00e7\u00e3o baseada em ML para automatizar processos e melhorar a experi\u00eancia do cliente<\/h2>\n
\n
\n
Optimize os seus processos empresariais com o nosso Servi\u00e7os de an\u00e1lise preditiva<\/a><\/h3>","protected":false},"excerpt":{"rendered":"