Se você é um entusiasta da digitalização com experiência em tecnologia, deve conhecer 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 verdadeiras dificuldades 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 procuradas de todos os tempos, é uma história que vale a pena ler. Preeti Menon, buscando aperfeiçoar um avanço tecnológico relativamente novo e em ritmo acelerado, compartilha sua história e se esforça para tornar o Ivy Recommender um dos recomendadores mais precisos e acionáveis atualmente disponíveis no mercado.

Concebendo 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 o conhecimento e a 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 funcional com precisão 95% em 1 ano e meio.

Aperfeiçoando o Algoritmo 

Desde o início, nossas equipes tiveram uma missão, ideia e visão focadas. Criamos um algoritmo quase perfeito que funcionaria para empresas que variavam muito 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 nos seus clientes.

Com cientistas de dados e desenvolvedores a bordo, a equipe personalizou o algoritmo selecionado para atender às necessidades específicas do nosso nicho. A otimização rápida nos ajudou a conhecer e vencer a indústria padrões de desempenho do recomendador. Conforme o desenvolvimento progredia, 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 os reprocessasse para aprender, aumentando assim a precisão dos resultados do mecanismo de IA e ML.

Improvisando a Performance

A equipe esperava fornecer aos nossos clientes pelo menos um aumento de receita 2%, promovendo vendas nas mesmas lojas. Este ROI foi uma aposta que qualquer CIO do mundo do CPG teria aceitado com prazer. Com o tempo, nossa equipe alcançou 5% de 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 práticas que simplificam as estratégias de vendas dos agentes de campo, permitindo-lhes atingir seus KPIs mais rapidamente e, ao mesmo tempo, ajudando os fabricantes a gerar mais receita com a implementação de nossa solução.

Nascer empresas de CPG digitais têm coletado 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 e recomendações constantes de nossos clientes, que prontamente nos ajudaram a incorporar informações valiosas para tornar seu recomendador mais robusto e poderoso.

Casos de uso futuristas para beneficiar os clientes

Com acesso a dados históricos, Recomendador Ivy 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 os próximos melhores SKUs, linhas obrigatórias de venda, além de fornecer treinamento e desenvolvimento para agentes da força de campo.
—–

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

Saiba mais sobre o Recomendador Ivy aqui