le Besoin Métier
Pour un leader mondial de l’industrie de la mode et du luxe, comment aider les conseillers de vente à hiérarchiser les clients à contacter lors du lancement d’une nouvelle collection ?
Le besoin se décompose en 2 parties:
- Le « targeting» permettant de définir la cible: qui contacter ?
- La recommandation produit: Quel(s) produits recommander aux cibles ?
Le projet s’articule autour de deux enjeux principaux :
– améliorer les prévisions des experts, en leur fournissant des modèles puissants capables d’exploiter des signaux faibles
– fournir des prévisions sur les articles très peu vendus, pour lesquels les méthodes de prévisions habituelles ne fonctionnent pas
la Solution « Targeting »
Solution : Plutôt que d’entraîner un modèle IA qui risque d’être peu fiable, nous avons travaillé sur un scoring à l’aide de règles business pour identifier un pool de clients fortement early adopter. Nous avons augmenté ce pool à l’aide d’un modèle de lookalike : un modèle de classification entraîné à identifier les clients early adopter utilisant des features différentes que celles utilisées pour le scoring –
Bonus identifier les early adopter dans l’absolu ne suffit pas, il faut identifier les plus appétents à la nouvelle collection en question. Un second modèle d’appétence produits permet de comparer les achats passés du client aux produits de la nouvelle collection pour ressortir un score.
La combinaison des deux modèles a permis de faire émerger une audience.
Un autre challenge a été de savoir bien les combiner. Une approche test & learn a été effectuée avec les différents métiers.
Nous avons opté par une approche de détection de sous-groupes d’audience où l’activation a le plus converti, par exemple les clients lookalike à +70% avec un score d’appétence produits entre 0.4 et 0.6 sont ceux qui ont le plus converti. Cela a permis d’ affiner les seuils et les poids de combinaisons entre les scores
Stack et choix techniques
-Challenge : Il s’agit ici de recommander des produits de la nouvelle collection, donc par essence jamais achetés. Notre algorithme « classique » de recommandation ne sait pas faire ca !
Solution :
- construire un algo de calcul de similarité basé sur la distance de Gower (sélection les de variables de similarité et définition de leurs poids associés).
- associé dans un second temps au développement un modèle de recommandation adhoc qui puisse intégrer les recommandations de nouveautés de manière native
Cela a permis pour chaque recommandation de l’ ancienne collection de trouver dans la nouvelle le produit le plus proche et d’augmenter de manière immédiatement visible le taux de transformation
la Solution de recommandation de nouveaux produits
Stack technique :
- Python
- Pytorch (pour les modèles IA)
- Streamlit & CSS (pour la web app et l’interface graphique)
- Docker (pour la conteneurisation)
- Google Cloud avec notamment Cloud Run/Vertex AI pour le déploiement et Cloud Storage pour le stockage
O
I
TEMPS -ARGENT
Passage de 2/4 mois à quelques minutes sur la partie costing => Réduction de coûts => Meilleure réactivité vis-à-vis des clients => Augmentation potentielle du nombre de projets high-end réalisables
CREATIVITÉ
Avoir un outil de costing end-to-end permet désormais de tester plusieurs scénarios/combinaisons en quelques minutes. La tâche était rédhibitoire auparavant parce que chaque changement rajoutait des jours au process
BASES DE DONNÉES
Des bases de données historiques consolidées sur les coûts pierres/composants existent désormais et peuvent être utiles/capitales dans d’autres projets de la maison
