Reply is the place to meet an incredible variety of enthusiastic, passionate, ideas-driven people, who want to make a difference and an impact.Would you like to know more?
As empresas de consumo foram as primeiras a responder às mudanças nas expectativas dos clientes – pense em Amazon, Netflix, Walmart e Spotify. De muitas maneiras, a experiência do cliente com essas marcas é muito mais do que aquilo que estamos comprando, é também a experiência de comprar delas.
Por exemplo, todas as segundas-feiras, mais de 100 milhões de usuários do Spotify encontram uma nova playlist esperando por eles; é a chamada Descobertas da Semana e é uma playlist personalizada de 40 músicas que nunca ouviram antes, mas que provavelmente vão adorar.
Este recurso comprova que há um alto grau de engajamento do cliente e, ao mesmo tempo, mostra como os Motores de Recomendação se tornaram um aspecto crucial da experiência de usuário on-line.
Pense no motor de recomendação como uma caixa-preta que leva alguns dados (relacionados à interação item-usuário) e que produz uma lista de itens emparelhados e ordenados por uma pontuação, esse resultado é o índice de propensão de que o usuário goste do item.
Os motores de recomendação colhem dados históricos e em tempo real de clientes, eventos de séries temporais, como a frequência de visitas a um site, páginas visualizadas, tempo gasto em páginas específicas, produtos clicados e compras feitas, de modo a encontrar relações entre produtos e serviços com base na natureza complementar inerente dos itens. As interações de todos os clientes em vários canais precisam ser coletadas e analisadas para oferecer uma experiência de cliente interativa, atraente, conveniente e acessível. Em mercados como o varejo, as recomendações mostraram levar a um aumento de 3-5% na receita e 30-70% no valor dos pedidos por visitante em média.
Atualmente , as tecnologias de aprendizado de máquinas estão se tornando mainstream, , ferramentas como o Apache Spark ou o PredictionIO fornecem um conjunto de algoritmos de Recomendação já implementados e bem testados que permitem que qualquer um possa criar o seu próprio sistema de recomendação.
A Reply desenvolveu o framework Robotics for Customers, que é a síntese das diferentes empresas da Reply e permite que os clientes construam um Sistema de Recomendação time-to-value que possa ser facilmente integrado em qualquer plataforma existente.
O processo baseado em dados começa desde o início do ciclo de vida em desenvolvimento, o que é muito importante quando você está construindo sistemas de recomendação. O simples processo de codificação/lançamento sem fazer o Teste A/B leva, certamente, o projeto ao falimento. O framework Robotics for Customers fornece uma série de etapas pequenas e ágeis para reduzir/eliminar todos os possíveis pontos de falha:
• Validação: nesta fase, usamos os dados de origem para descobrir como definir as métricas de sucesso do projeto. É importante definir as métricas de sucesso neste momento, a fim de esclarecer os objetivos do projeto e evitar que os resultados dos Testes A/B deem uma impressão errada, essas métricas devem ser definidas levando em consideração os três aspectos a seguir: - Público: qual é o tamanho do público que você quer atingir? - Profundidade: qual é o grau de penetração no público? - Retenção: entre os usuários que você atinge, quantos você retém? • Protótipo: entregar um primeiro pequeno protótipo; • Teste A/B – Refinamento: isso pode envolver muitas iterações, usando o Teste A/B em grupos progressivamente maiores assegurará um feedback constante sobre o protótipo; esses feedbacks serão utilizados para melhorar o protótipo original; • Lançamento: lançamento do produto para a produção.
O framework de Robotics for Customers foi adotado com sucesso em projetos e iniciativas em diferentes domínios, ajudando os clientes a criarem Sistemas de Recomendação time-to-value de forma econômica.
Para escolher o sistema de recomendação apropriado, algumas questões devem ser levadas em consideração; o melhor algoritmo nem sempre é o que fornece as recomendações gerais mais corretas. Em um conjunto de dados contendo dados que pertencem a vários grupos diferentes (classes), como grupos de itens ou gêneros diferentes, a precisão das recomendações pode ser diferente para diferentes tipos de itens. Isso significa que alguns usuários receberão recomendações precisas, enquanto outros, que preferem algum outro tipo de item que são difíceis de prever, terão precisão significativamente menor. Identificamos quatro fatores diferentes como as principais preocupações ao tomar uma decisão sobre a escolha do algoritmo, são elas:
• esquemas de classificação, existem dois tipos de esquemas: - implícito: quando a interação usuário-produto é um valor binário (1 se existir uma interação entre o usuário e o produto, 0 caso contrário); - explícito: quando o usuário classifica explicitamente o produto (geralmente usando uma escala de 1 a 5) • interação usuário-item: a recomendação fornecida aproveita a análise de apenas um evento comportamental para a interação usuário-item, ou talvez da combinação da coocorrência de vários eventos (usuário/compra/item, usuário/pesquisa/item, etc...); • tempo computacional: a maioria dos sistemas “recomendadores” requer uma computação em lotes para fornecer predição, de modo que o tempo computacional é um parâmetro importante para avaliar o desempenho de um algoritmo de recomendação; • habilidade explicativa: o modelo deve ser auto explicável; a previsão fornecida deve fazer sentido;
A Reply acumulou conhecimentos profundos na solução deste tipo de problema em vários ambientes de mercado, permitindo que a empresa identifique o algoritmo certo ou até mesmo faça um benchmark com um grupo deles.
A Reply desenvolveu vários PoCs usando tecnologias de Big Data de código aberto de última geração, estas agora estão disponíveis como soluções compactas que permitem:
• construir e implementar rapidamente um motor de recomendação como um micro serviço na produção com modelos de algoritmo personalizáveis; • responder a consultas dinâmicas em tempo real, uma vez que foi implementado como um micro serviço; • avaliar e sintonizar múltiplas variáveis de algoritmos sistematicamente; • unificar dados de várias plataformas em lote ou em tempo real para análises preditivas abrangentes; • acelerar a modelagem de aprendizagem de máquinas com processos sistemáticos e medidas de avaliação pré-construídas; • suportar bibliotecas populares de aprendizagem de máquinas e processamento de dados, como Spark MLLib e OpenNLP; • implementar seus próprios modelos de aprendizagem de máquinas e incorporá-los perfeitamente ao seu motor; • simplificar a gestão da infraestrutura de dados; este pacote pode ser facilmente implementado como um container Docker por isso é compatível com as instalações baseadas em Nuvem e On-Premise.