Améliorer les applications de santé et de fitness grâce à l'analytique prédictive

Client

Le client est un fournisseur d'applications conviviales et personnalisées dans le domaine de la santé et du bien-être. Plus de 75 millions d'utilisateurs dans le monde ont installé ces applications pour améliorer la qualité de leur activité physique, de leur alimentation, de leur sommeil et de leur pleine conscience.
Le client avait besoin de l'aide d'un prestataire fiable de services d’analytique prédictive pour trouver comment l'analytique prédictive peut être utilisée afin d'améliorer les applications de santé et de fitness.

Défi : Améliorer les applications de fitness existantes avec l'intelligence artificielle (IA)

Le client souhaitait faire évoluer le système existant pour offrir aux utilisateurs des conseils supplémentaires en matière de santé et de mode de vie. Notre équipe devait adapter une solution de business intelligence (BI) afin de fonctionner avec les données utilisateurs collectées via une application.

Une application de coaching fitness basée sur l'IA, remaniée, devait prendre en charge de grands volumes de données sur les activités de santé et de fitness des utilisateurs stockées dans la base du client. Elle devait aussi fonctionner comme un système de recommandation d'IA pour la santé et le fitness, générant des recommandations personnalisées pertinentes.

Solution : apprentissage automatique pour créer un module d'analytique prédictive et permettre l'analyse exploratoire des données

1. La qualité des données et la conception de la base de données étaient inefficaces pour l'analyse. L'équipe de DataSqueeze a réalisé la migration de base des données depuis le stockage du client vers le stockage de données du laboratoire DataSqueeze. Nous avons également précisé à quoi devait ressembler le référentiel de données pour stocker des données plus utiles.

Notre prochaine étape a été de cartographier les tables nécessaires pour visualiser les données.

Il y avait une grappe Couchbase comme stockage de données brutes. Nous avons ajouté Kafka pour un transfert fiable des données vers l'entrepôt de données BI (DWH), c'est-à-dire PostgreSQL, via des procédures Spark. Au-dessus du DWH BI, nous avons utilisé Apache Superset pour fournir des tableaux de bord interactifs.

Nos solutions ont fourni aux responsables marketing et aux analystes de données la possibilité de sélectionner des paramètres de filtrage, y compris mais sans se limiter à :

• Prise de poids
• Perte de poids
• Genre
• L'indice de masse corporelle (IMC)
• Type de plateforme pour exécuter l'app
• Méthode de paiement
• Filtres interactifs (par exemple, pour la surveillance en temps réel du nombre d'installations pendant une campagne marketing)

Au total, la solution comprenait 10 tableaux de bord afin d'atteindre un niveau de personnalisation plus élevé.

2. Un autre défi consistait à utiliser l'apprentissage automatique (ML) pour créer un système de recommandation permettant à l'application existante de fournir des recommandations personnalisées.

Nous avons entraîné le modèle d'apprentissage automatique à partir des données que les utilisateurs partagent via leurs profils. Un utilisateur télécharge et installe l'application, saisit des données personnelles de base, et l'algorithme sélectionne le plan le plus adapté parmi ceux existants.

De plus, nous avons construit un Système de recommandation à base d’arbres et exploitation des règles associatives avec l'algorithme Apriori, le tout écrit en Python.

Les recommandations générées automatiquement diffèrent selon le niveau de forme physique de l'utilisateur. Si les données personnelles indiquent qu'il gère facilement les activités actuelles, le système peut recommander de passer au niveau supérieur. Sinon, l'application peut recommander de répéter les séances au niveau actuel.

Toutes les données nécessaires à l'entraînement ont été fournies par le client. La principale source de collecte provenait du GPS, lorsque l'utilisateur l'autorisait.

Résultat : application de fitness avancée, basée sur l'IA, avec fonction de recommandation personnalisée

L'équipe de DataSqueeze a amélioré les applications mobiles de fitness existantes du client grâce à des capacités d'analytique prédictive.

Le client a bénéficié de la coopération avec DataSqueeze dans les aspects suivants :

• Expérience client plus personnalisée par rapport aux capacités initiales de l'application
• Meilleur traitement et stockage des données
• Capacités de l'analyse prédictive

Nous avons proposé au client d'utiliser des approches et des technologies de pointe pour fournir les services recherchés et augmenter le nombre de clients.

Travaillez avec DataSqueeze sur votre projet d'analytique prédictive