![](https://myriad-data.com/wp-content/uploads/2024/05/home-about-sec-image-1.jpg)
![](https://myriad-data.com/wp-content/uploads/2024/07/multiethnic-coworkers-checking-data-center-bottlenecks-leading-glitches-grand.jpg)
Contexte & Objectif
- Le business souhaite proposer des recommandations produits fortement personnalisées aux clients en boutique et par email. Les recos doivent être constituées en majorité des nouveautés, donc des produits peu voir jamais vendus.
- Le système de recommandations existant propose principalement des best-sellers et est peu flexible.
Challenges & Solutions
- Les modèles de recommandation classiques se basent sur les achats passés ne permettant pas de proposer des nouveautés à Développement d’un modèle réseau de neurones « two-tower» optimisé pour les besoin du cas prenant en compte les images produits.
- Adaptation à des contraintes business forte sur les recommandations, telles que l’adaptation des recommandation en fonction du genre du client, du prix produit, des contraintes sur le stock, de la taille, des coloris… à Méthodologie de développement du cas d’usage par itération (6 itérations en 3 mois) permettant d’affiner les recommandation et les règles associées.
- Complexité technique liée à la recommandation sur plusieurs millions de clients à L’entrainement du modèle est optimisé et la prédiction est scalable grâce à la mise en place un index et d’embeddings précalculés.
![](https://myriad-data.com/wp-content/uploads/2024/05/home-about-sec-image-1.jpg)
![](https://myriad-data.com/wp-content/uploads/2024/07/Image1-4.png)
Résultats
- Les recommandations ont été intégrées sur l’App des vendeurs. Cela leur permet de mieux amorcer la discussion avec les clients et améliorer l’expérience en boutique.
- Les recommandations sont aussi utilisées lors de campagnes marketing afin d’améliorer les taux de conversion en proposant un contenu personnalisé.
- Le nouveau modèle propose des nouveautés permettant 1) un meilleur engagement client et 2) de pousser des produits de plus grande valeur.
![](https://myriad-data.com/wp-content/uploads/2024/05/home-about-sec-image-1.jpg)
![](https://myriad-data.com/wp-content/uploads/2024/07/data-center-with-server-racks-corridor-room-3d-render-digital-data-cloud-technology-grand.jpg)
Principaux objectifs
- Modèle de recommandation existant :
- Ne recommande que des produits de collection permanente
- Ne fonctionne que pour les clients ayant un historique de transactions (pas de prospects)
- Un nouveau modèle qui couvre les principaux besoins en termes de recommandations de produits :
- Fournir des recommandations aux clients sur des produits jamais vendus
- Maintient la diversité des produits au sein de la collection et est moins susceptible de recommander des best-sellers.
- Un nouveau modèle basé sur :
- Les attributs du client et des produitsAchats de clients x produitsImages des produitsNe pas utiliser l’ID du produit afin de pouvoir généraliser à des produits non vus (par exemple, une nouvelle collection)
- Les principaux objectifs commerciaux sont les suivants :
- Donner aux conseillers de vente des recommandations précises
- Améliorer le taux de conversion en magasin
- Public cible : Tous les clients, en particulier les clients les plus importants.
Stack technique
- Librairies
- Python
- Tensorflow et Keras pour le développement du modèle IA
- Tensorflow recommenders pour les modules de recommendations
- Tensorflow I/O pour optimiser la lecture des données depuis des tables BigQuery
- Hugging Face pour le chargement de modèles IA pré-entrainés
- Dash pour la visualisation des produits et recommendations
- Cloud : Google Cloud via les composants Big Query, GCS et Compute Engine
- Modèles IA
- Two-tower model: architecture de modèle de recommendations portée par Google. La version développée dans ce cas d’usage reprend l’architecture de base et l’améliore en ajoutant de nouveaux composants sans compromis sur les performances.
- Images produit: utilisation d’une version du modèle CLIP d’OpenAI fine-tunée sur des exemples proches des produits recommandés. Ce modèle génère des embeddings qui viennent en entrée du modèle de recommandations.