Menú

Geographica

Geographica

Make data count.

Industria

E-commerce

Machine Learning para OneBookShelf

Desarrollo de un sistema inteligente que aprende de los hábitos de los usuarios gracias a ML.

cliente


logo

Nuestro primer gran proyecto de Machine Learning (Aprendizaje Automático). Geographica trabaja desde el 2011 con OneBookShelf, una empresa de contenido digital de los Estados Unidos haciendo desarrollos a medida (web y móvil) para sus diferentes tiendas online especializadas en la industria del entretenimiento, con más de 500.000 usuarios: DriveThruRPG, DriveThruCards, DriveThruComics, DriveThruFiction, DMSGuild, WargameVault y CurrclickReto.

Reto

Estos portales son líderes en Estados Unidos en la venta de contenido digital de entretenimiento, e-commerces con más de 500.000 usuarios de todo el mundo. OneBookShelf necesita estar constantemente a la última para mantener su posición como líder.

OneBookShelf, en su afán por asegurar un crecimiento constante, cuenta con un equipo de I+D que está ideando nuevas alternativas para mejorar la experiencia de usuario, lo que se convierte en un aumento de las ventas. Fue a través de Edge Entertainment, empresa con la que Geographica tiene sólidas relaciones comerciales, cómo contactaron con nuestro equipo, para convertir dichas ideas en realidades.

En 2011 Geographica empezó a colaborar con OneBookShelf, diseñando aplicaciones y haciendo desarrollos a medida, sin embargo, hace unos meses se nos planteó un nuevo reto que nos ha hecho crecer con ellos:

El desarrollo de un sistema de recomendaciones para los usuarios que fuese capaz de aprender de las compras pasadas y así hacerle sugerencias más acordes a sus gustos, incrementando así las posibilidades de venta, lo dicho: nuestro primer gran proyecto de Machine Learning. Un gran reto en unos de los sectores más exigentes tecnológica y comercialmente.

Solución

Como respuesta a sus necesidades, hemos desarrollado una aplicación basada en Machine Learning para la implementación de un sistema inteligente y adaptativo con capacidad de aprender cuáles son las preferencias y hábitos de los usuarios. Utilizando un sistema de recomendación se incrementan las ventas por usuario y la frecuencia de las compras, porque la experiencia de usuario se mejora.

De hecho las opciones que aporta el Machine Learning a un comercio electrónico son infinitas. Por un lado, permite hacer un análisis de los comportamientos de los usuarios mucho más en detalle de lo que se haría a través de las analíticas normales, lo cual es una información con mucho valor, puesto que nos deja ver qué es lo que funciona y qué no, qué van buscando los usuarios e incluso cuánto tiempo tardan en encontrarlo.

Además, como adelantábamos anteriormente, una vez aprendidas las preferencias del usuario, el sistema va a poder ofrecer al cliente productos antes los cuales es más probable que el usuario reaccione más positivamente. Un sistema innovador que llevará a los portales de OneBookShelf al siguiente nivel.

Nuestra solución se ha centrado en la búsqueda de factores que están latentes en los productos, obviando las categorías o atributos ya existentes, quitando el posible sesgo incluido al introducir el producto en el sistema. Al mismo tiempo que encontramos estos factores, buscamos cómo los usuarios reaccionan ante ellos, así a la hora de recomendarles productos simplemente buscamos aquellos que mejor relación tengan respecto a sus factores.

Este método, a priori complicado, se solventa con factorización de matrices, que nos permiten trabajar con datos muy esparcidos, ya que la interacción de cada usuario por cada producto es baja.

En la implementación utilizamos Python, lenguaje principal junto a R en el movimiento del Machine Learning y el Data Science. Con él obtenemos facilidad de escritura y mantenimiento, y una velocidad endiablada en ejecución, ya que el núcleo de las distintas librerías utilizadas está escrito en C y C++, por lo que no puede ser más rápido.

Además, completamos nuestro sistema de recomendación con Redis como sistema de caché, y Docker, para su fácil y no intrusivo despliegue.

Resultados

Los resultados son muy esperanzadores y el sistema va a seguir escalando, aportando una destacada ventaja competitiva a OneBookShelf sobre el resto de empresas del sector.

Imagen de cabecera: Boy looking at store window display of toys, between 1941 and 1942 (The Library of Congress). Flickr The Commons.

¿Te interesa esta solución?
Contacta con nosotros
Comparte
twitter facebook linkedin google

Suscríbete

Gracias por suscribirte

esc

Si estás pensando en algo, hagámoslo juntos.

Déjanos al menos tu email y nos pondremos en contacto en breve.

Enviando tu mensaje...

Gracias.
Lo dicho, en breve nos pondremos en contacto contigo.