Se você é um entusiasta da digitalização com experiência em tecnologia, conhece os recomendadores e como eles têm o potencial de mudar a maneira como você trabalha com sugestões e insights. No entanto, poucas pessoas sabem quanto trabalho é necessário para construir um mecanismo de recomendação altamente eficaz e as dificuldades reais que os cientistas de dados enfrentam para alcançar esses resultados.

Construir um Recomendador do zero, com base no palpite de que ele se tornará uma das invenções mais cobiçadas de todos os tempos, é uma história que vale a pena ser lida. Preeti Menon, lutando para aperfeiçoar um avanço tecnológico relativamente novo e em ritmo acelerado, compartilha sua história e luta para tornar o Ivy Recommender um dos recomendadores mais precisos e acionáveis atualmente disponíveis no mercado.

Conceber o futuro

Nossos estrategistas de produto, como sempre, conceberam essa ideia à frente de seu tempo e a levaram adiante. Nosso indústria de bens de consumo conhecimento e nossa paixão por tornar nossas soluções melhores e mais inteligentes nos ajudaram na transição de uma plataforma comercial unificada para uma rota inteligente para o mercado. Poderíamos criar um modelo de trabalho com precisão 95% em 1 ano e meio.

Aperfeiçoando o Algoritmo 

Desde o início, nossas equipes tinham uma missão, ideia e visão focadas. Criamos um algoritmo quase perfeito que funcionaria para empresas que variavam amplamente em tamanho e ofertas. Apesar de todos os altos e baixos durante a criação da solução, acreditávamos que um fator inteligente mudaria a forma como as empresas de bens de consumo se concentravam em seus clientes.

Com cientistas de dados e desenvolvedores a bordo, a equipe personalizou o algoritmo selecionado para atender às necessidades específicas de nosso nicho. A otimização rápida nos ajudou a atender e padrões de desempenho do recomendador. À medida que o desenvolvimento avançava, a equipe também percebeu que o modelo estático usual não funcionaria, então tivemos que recriar um modelo dinâmico que utilizasse resultados de operações anteriores e o reprocessasse para aprender, aumentando assim a precisão dos resultados do mecanismo de AI&ML.

Improvisando o desempenho

A equipe esperava fornecer aos nossos clientes pelo menos um aumento de receita de 2% promovendo vendas nas mesmas lojas. Esse ROI foi uma aposta que qualquer CIO do mundo CPG teria aceitado com prazer. Com o tempo, nossa equipe alcançou 5% o crescimento de receita com nosso algoritmo dinâmico para alguns clientes, e esperamos ver um número ainda melhor.

Com anos de dados, nossa solução seleciona insights inteligentes e recomendações acionáveis que simplificam as estratégias de vendas dos agentes de campo, permitindo que eles atinjam seus KPIs mais rapidamente enquanto ajudam os fabricantes a gerar mais receita com a implementação de nossa solução.

Nascer empresas digitais de CPG coletam dados aleatoriamente, enquanto as empresas legadas nunca tiveram a oportunidade de analisar seus dados em um único local. Ao longo dos anos, ajudamos alguns grandes conglomerados a coletar e armazenar dados em um único data mart para identificar e recuperar insights acionáveis. Nossa equipe obteve suporte constante e recomendações de nossos clientes, que prontamente nos ajudaram a incorporar informações valiosas para tornar sua recomendação mais robusta e poderosa.

Casos de uso futuristas para beneficiar os clientes

Com acesso a dados históricos, Ivy Recommender pode orientar as equipes de vendas com recomendações testadas e comprovadas em lojas do mesmo segmento com base em dados demográficos para ajudar a produzir resultados garantidos. Essas recomendações incluem Next best SKUs, Must Sell Lines, além de fornecer treinamento e desenvolvimento para agentes da força de campo.
—–

Vamos concluir com uma citação de Preeti, “Os sistemas de recomendação inteligentes ainda não conquistaram o mundo CPG, e já estamos construindo um produto que promete escalabilidade e sucesso garantido.”

Saiba mais sobre o recomendador Ivy aqui