Construire un module d'analytique prédictive pour une plateforme d'e-commerce

Client

Le Client est un fournisseur d'e-commerce qui collabore avec plus de 50 marques. Ce Client était intéressé par une solution pour générer des recommandations monomarques. L'objectif commercial consistait à utiliser l'apprentissage automatique (ML) pour augmenter les ventes, repenser l'expérience client, attirer de nouveaux clients et fidéliser les utilisateurs de la plateforme en ligne. DataSqueeze a été chargé de fournir une solution haut de gamme, c'est pourquoi cette étude de cas met en avant DataSqueeze dans la niche de l'e-commerce.

Défi : Entraîner un algorithme de recommandation basé sur des données peu nombreuses

Le Client a défié notre équipe de créer un système personnalisé d'analyse prédictive et de recommandation pour améliorer la plateforme e-commerce existante et augmenter les ventes. Et la construction d'un bon système de recommandation nécessite, idéalement, un ensemble de données volumineux et diversifié sur le comportement des utilisateurs qui peut inclure l'historique des achats, les vues des pages produits, les mentions J'aime, les évaluations, les avis, etc.

Au début, nous avons fait face à des limitations de données. Nous n'avions que l'historique des achats disponible à ce moment-là. Pour en ajouter davantage, une grande partie des utilisateurs avait un nombre d'achats assez faible. Et c'était le seul type de données utilisateur sur lequel nous pouvions travailler. Ainsi, la pénurie de données a compliqué notre tâche de personnaliser un système d'analyse de l'e-commerce et de former un modèle de recommandation. Le défi était d'exploiter les données limitées sur l'historique des achats des utilisateurs et de les utiliser pour la modélisation prédictive.

Solution : Module d'analyse prédictive pour la plateforme d'e-commerce

Nous avons basé notre approche de développement sur filtrage collaboratif technique basée sur la factorisation matricielle utilisée dans les systèmes de recommandation. Nous n’avons utilisé aucune donnée spécifique sur les utilisateurs ou les produits. Nous n’avons collecté que les données historiques d’interactions utilisateur-produit et récupéré les informations sur les préférences positives des utilisateurs pour l'article. Nous avons donc décidé de rester sur une implémentation simple mais éprouvée appelée ALS implicite pour entraîner notre modèle sur des données éparses. Nous disposions également d’un volume raisonnable de données sur le nombre de transactions utilisateur fourni par le Client. Les données collectées ont servi à entraîner le modèle ML qui alimenterait un système de recommandation sur mesure.

Nous avons utilisé| métrique de confiance pour entraîner le modèle à privilégier les articles achetés plusieurs fois par rapport à ceux achetés une seule fois. De plus, un nombre significatif d’utilisateurs avait peu d’achats, ce qui ne suffisait pas pour que le modèle de recommandation fournisse une prédiction fiable. Nous avons donc implémenté plusieurs techniques supplémentaires pour améliorer les recommandations du modèle. En conséquence, l’algorithme comprend mieux les préférences des utilisateur·rice·s et évite de recommander les mêmes articles à tout le monde.

Nous avons appliqué plusieurs filtres pour rendre le modèle plus précis et pertinent par rapport aux objectifs business :|

• Les articles recommandés portent l'étiquette “en stock”
• Les utilisateurs n’ont pas encore acheté les articles recommandés
• Les utilisateurs s’abonnent par email

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

Résultat : Solution basée sur le Machine Learning pour automatiser les processus et améliorer l'expérience client

Nous avons livré le modèle adapté aux besoins business du Client et destiné à réaliser les tâches suivantes :|

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

Notre solution a parfaitement répondu aux besoins métier suivants du client :

• Rendre le processus de recherche hautement personnalisé
• Automatiser les tâches routinières des assistants de magasin
• Assurer une expérience d'achat en ligne géniale
• Renforcer la fidélité des clients

Avec l'aide de services de développement de l’analytique prédictive fournie par l'équipe de DataSqueeze

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