Si vous êtes un passionné de numérisation et de technologie, vous connaissez les recommandations et la manière dont elles peuvent changer votre façon de travailler grâce à des suggestions et des informations. Cependant, peu de gens savent combien de travail est nécessaire pour créer un moteur de recommandation hautement efficace et les véritables difficultés auxquelles les data scientists sont confrontés pour obtenir ces résultats.

Construire un Recommender à partir de zéro, en partant de l’intuition qu’il deviendra l’une des inventions les plus recherchées de tous les temps, est une histoire qui mérite d’être lue. Preeti Menon, qui cherche à perfectionner une avancée technologique relativement nouvelle et rapide, partage son histoire et lutte pour faire d'Ivy Recommender l'un des recommandateurs les plus précis et les plus exploitables actuellement disponibles sur le marché.

Concevoir l'avenir

Comme d’habitude, nos stratèges produits ont conçu cette idée en avance sur son temps et l’ont mise en œuvre. Notre industrie des biens de consommation nos connaissances et notre passion pour rendre nos solutions meilleures et plus intelligentes nous ont aidés à passer d'une plate-forme commerciale unifiée à une route intelligente vers le marché. Nous pourrions créer un modèle fonctionnel avec une précision de 95% en 1 an et demi.

Perfectionner l'algorithme 

Dès le début, nos équipes avaient une mission, une idée et une vision ciblées. Nous avons créé un algorithme presque parfait qui fonctionnerait pour des entreprises dont la taille et les offres varient considérablement. Malgré tous les hauts et les bas lors de la création de la solution, nous pensions qu’un facteur intelligent changerait la façon dont les entreprises de biens de consommation se concentrent sur leurs clients.

Avec l’aide de data scientists et de développeurs, l’équipe a personnalisé l’algorithme présélectionné pour répondre aux besoins spécifiques de notre niche. Une optimisation rapide nous a aidé à rencontrer et à réussir dans l'industrie normes de performance des recommandatairesAu fur et à mesure que le développement progressait, l'équipe s'est également rendu compte que le modèle statique habituel ne fonctionnerait pas. Nous avons donc dû recréer un modèle dynamique qui utilisait les résultats des opérations précédentes et les retravaillait pour apprendre, augmentant ainsi la précision des résultats du moteur AI&ML.

Améliorer la performance

L'équipe espérait offrir à nos clients une augmentation de revenus d'au moins 2% en favorisant les ventes dans les magasins comparables. Ce retour sur investissement était un pari que n’importe quel DSI du monde CPG aurait volontiers pris. Au fil du temps, notre équipe a atteint une croissance des revenus de 5% grâce à notre algorithme dynamique pour une poignée de clients, et nous espérons voir un chiffre encore meilleur.

Avec des années de données, notre solution rassemble des informations intelligentes et des recommandations exploitables qui simplifient les stratégies de vente des agents sur le terrain, leur permettant d'atteindre leurs KPI plus rapidement tout en aidant les fabricants à générer plus de revenus en mettant en œuvre notre solution.

Né entreprises de produits de grande consommation numériques ont collecté des données de manière aléatoire, alors que les entreprises traditionnelles n'ont jamais eu la possibilité de consulter leurs données en un seul endroit. Au fil des années, nous avons aidé certains grands conglomérats à collecter et stocker des données dans un seul data mart afin d'identifier et de récupérer des informations exploitables. Notre équipe a obtenu un soutien constant et des recommandations de nos clients, qui nous ont facilement aidés à intégrer des informations précieuses pour rendre leur outil de recommandation plus robuste et plus puissant.

Des cas d'utilisation futuristes au profit des clients

Avec accès aux données historiques, Recommandateur de lierre peut guider les équipes commerciales avec des recommandations éprouvées et testées dans les magasins du même segment en fonction des données démographiques pour aider à produire des résultats garantis. Ces recommandations incluent les prochains meilleurs SKU, les lignes incontournables, en plus de fournir une formation et un développement aux agents des forces de terrain.
—–

Terminons par une citation de Prééti"Les systèmes de recommandation intelligents n'ont pas encore pris d'assaut le monde des produits de grande consommation, et nous sommes déjà en train de construire un produit prometteur d'évolutivité et de succès assuré."

En savoir plus sur Ivy Recommender ici