Lösungen: Datenanalyse & Maschinelles Lernen Branchen: [EN] Retail
Personalisierte Empfehlungen auf globaler Ebene
Die Herausforderung
Nutridome ist ein Marktplatz mit einem ausgewählten und umfassenden Sortiment an Make-up- und Pflegekosmetika sowie einer großen Auswahl an Accessoires und Nahrungsergänzungsmitteln. Das Unternehmen hat auch eine eigene Marke, die es effektiv entwickelt. Für Kunden steht auch eine mobile App zur Verfügung. Die Online-Drogerie ist in 15 Märkten tätig, darunter in Polen, der Tschechischen Republik, Österreich, Deutschland, Irland, den USA, Frankreich, Italien und Spanien.
Nutridome benötigte genaue Produktempfehlungen auf seiner Website und in der App. Während die Kunden des Geschäfts die Empfehlungen bereits beim Einkaufen gesehen hatten, waren sie statisch und unabhängig von Kontext oder Standort gleich. Nutridome wandte sich mit diesem Bedarf an die Univio.
- Der Kunde ist auf mehreren ausländischen Märkten tätig, so dass es notwendig war, dass das Empfehlungssystem in jeder dieser Regionen gleichermaßen effektiv funktioniert. Das Kundenverhalten und die Produktanforderungen sind in jedem Markt unterschiedlich.
- Es war wichtig, dass die Empfehlungen auf die lokale Verfügbarkeit des Sortiments abgestimmt waren, um zu verhindern, um die Frustration der Kunden durch die Empfehlung nicht verfügbarer Produkte zu vermeiden.
- Das Empfehlungssystem musste laufend Zugriff auf den aktuellen Bestand an Produkten erhalten. Ausverkaufte Produkte werden aus den generierten Empfehlungssätzen entfernt.
Die Lösung
- Als Reaktion auf die Anforderungen von Nutridome haben wir eine Empfehlungsmaschine mit Modellen in Amazon Personalize implementiert. AWS bietet Modelle, die speziell für E-Commerce-Herausforderungen entwickelt wurden.
- Der erste Schritt des Projekts bestand darin, die Transaktionsdaten und Aktionen der Kunden im Geschäft zu analysieren, die Nutridome in seiner Datenbank sammelt. Als Nächstes haben wir den entsprechenden Datensatz vorbereitet, um die Amazon Personalize-Modelle zu unterstützen und zu trainieren.
- Mit Hilfe des AWS Lambda Service haben wir einen Mechanismus implementiert, der auf Änderungen in der Nutridome-Datenbank reagiert und diese an das Empfehlungssystem weiterleitet. Durch den ständigen Zugriff auf neue Daten werden die Vorlieben der Drogeriemarktkunden und Änderungen im Sortiment laufend in Empfehlungen berücksichtigt.
- Um die Relevanz der Nutridome-Empfehlungen zu gewährleisten, haben wir drei Arten von Modellen verwendet, um sie an den entsprechenden Stellen auf der Seite zu platzieren. Jeder von ihnen hat eine andere Funktion: "Bestseller", "Häufig zusammen gekaufte Produkte" und "Für Sie ausgewählt".
- Um unsere Geschäftsziele für die Bewerbung bestimmter Produktgruppen zu erreichen, haben wir zwei optimierte Versionen von Recommendern getestet. Wir führten A/B-Tests durch, um festzustellen, welche Version bei den Kunden beliebter war. Wir haben Evidently von AWS CloudWatch verwendet, um das Experiment zu unterstützen.
- Nach der Implementierung des Empfehlungssystems führten wir eine Schulung für den Kunden durch, die eine unabhängige Überwachung und Verwaltung des Systems ermöglichte.
Das Ergebnis
Was wir gelernt haben
Die Bedienung vieler ausländischer Märkte erforderte eine enge Zusammenarbeit zwischen unserem Team und dem Kunden. Der Kunde aktualisierte die Datenbank für die Produktverfügbarkeit regelmäßig, und es war unsere Aufgabe, diese Daten zu nutzen, um Amazon Personalize auf dem neuesten Stand zu halten. Wir haben eine Lösung implementiert, die einen Filter auf die generierten Empfehlungen anwendet und Produkte eliminiert, die in einer bestimmten Region nicht verfügbar sind.
Die Technologien
/ Hinter den Lösungen
Wir können Ihnen
helfen
Dies ist nur ein Beispiel für die Expertise, die wir in Ihr Unternehmen einbringen können. Jedes Projekt ist anders - und jede Antwort ist es auch. Nehmen Sie Kontakt mit uns auf und lassen Sie uns gemeinsam an etwas Neuem arbeiten!
