Construire un moteur de recommandation de films pour une application de télévision connectée

Client

Le Client opère sur le marché du divertissement domestique numérique via la Smart TV. C'est un service premium de vidéo à la demande, qui permet aux utilisateurs de regarder des films récemment sortis en qualité optimale ou de choisir parmi une bibliothèque de plus de 7000 titres. Son application Smart TV compte 1,5 million d'utilisateurs actifs par mois.

Défi : Offrir des recommandations personnalisées à chaque utilisateur

Quand le Client est allé chercher un(e) partenaire en data science, 80 % des revenus de l'entreprise provenaient déjà de leur page de recommandations. La liste des recommandations était mise à jour chaque semaine par un éditeur.

Pour améliorer l'expérience client et générer plus de ventes depuis la page de recommandations, le Client a décidé de construire un moteur de recommandation offrant des recommandations de films personnalisées et actualisées pour chaque utilisateur.

Les objectifs principaux du projet étaient :

• amélioration de l'expérience client en proposant des recommandations de films personnalisées
• aidant les clients à trouver plus rapidement les films désirés
• amélioration du taux de conversion visiteur-client

Solution : Moteur de recommandation de films personnalisé alimenté par le machine learning

DataSqueeze a développé un moteur de recommandation sur mesure pour le Client, afin de garantir que le système s'intègre parfaitement à l'environnement métier et technique existant de l'application Smart TV du Client.

DataSqueeze a utilisé machine learning pour construire un moteur de recommandation qui fournit des recommandations individuelles pour des millions d'utilisateurs.

Le moteur de recommandation utilise une approche de filtrage collaboratif qui repose sur l'idée que les personnes qui se sont mises d'accord sur l'évaluation de certains films par le passé sont susceptibles de se mettre d'accord à nouveau à l'avenir.

Pour générer de nouvelles recommandations chaque jour, le système est optimisé pour stocker les données et exécuter des requêtes plus rapidement.

Il est bien connu que le stockage en colonnes permet de gagner du temps et de l'espace lorsqu'il s'agit de traitement du Big Data. Pour ce projet, DataSqueeze a utilisé Parquet + Spark, ce qui a permis d'augmenter les performances de Spark SQL par 5x par rapport à d'autres formats de stockage.

Résultat : Amélioration de l'expérience client

• Recommandations personnalisées fraîches livrées à chaque client.
• Les utilisateurs trouvent plus rapidement les films souhaités. Le nombre moyen de cartes de film uniques parcourues avant achat dans le flux de recommandations a diminué de 25 %.