Spring GDS 25è Aniversari
Una empresa de logística que envia a 190 països va construir alguna cosa per enviar-se a si mateixa.
Un motor de recomanació és un sistema que prediu què és probable que vulgui un usuari a continuació i li ho mostra. És la maquinària darrere de la fila de "també et pot agradar", el següent vídeo suggerit, els productes que apareixen en pagar. El motor pren el que sap d'un usuari i del seu comportament i ordena un catàleg d'articles segons com de probable és que cadascun sigui rellevant ara mateix.
Hi ha dos enfocaments clàssics, sovint combinats. El filtratge col·laboratiu recomana segons patrons entre usuaris: qui va comprar això també va comprar allò. El filtratge basat en contingut recomana articles semblants als que ja van agradar a un usuari, jutjats pels atributs dels mateixos articles. Els motors moderns barregen tots dos i afegeixen machine learning a sobre per gestionar l'escala i els arrencaments en fred, el problema de recomanar a algú que el sistema gairebé no ha vist. Una botiga online que suggereix productes segons el que van comprar compradors similars és un motor de recomanació amb filtratge col·laboratiu, i un de ben ajustat pot elevar una part considerable dels ingressos.
El motor és només tan bo com les dades i el bucle de retroalimentació que té al darrere. Cada clic, compra i descart és un senyal, i un recomanador que aprèn d'aquests senyals ràpid superarà un que recomana els mateixos articles populars a tothom.
Construïm motors de recomanació que mouen una mètrica real, no que només queden bé en una demo. Això comença per les dades: senyals de comportament netes, una definició clara de què és de debò una bona recomanació i una manera de mesurar-la un cop és en producció. Un recomanador que optimitza la cosa equivocada pot fer mal a l'experiència en silenci.
La nostra feina aquí uneix el machine learning amb els insights de clients basats en dades, perquè un motor sòlid depèn d'entendre de debò com es comporten els clients. Construïm el model, el connectem al producte i el fem córrer contra trànsit real amb tests A/B perquè la millora es mesuri i no es doni per feta. Les solucions d'IA que llancem aquí s'ajusten al catàleg i als clients del client, no a un benchmark genèric.
Vols mostrar a cada client allò que és més probable que vulgui? Construïm-ho.
Una empresa de logística que envia a 190 països va construir alguna cosa per enviar-se a si mateixa.
Convertir una marca en un negoci que funciona.
Mig milió de persones. Una app. Zero caos.















