Data Science & IA
Motor de Recomendación con Grafos para Consumo Masivo
El Desafío
Empresa líder en el sector de Consumo Masivo tenía un motor de recomendaciones compuesto por múltiples sistemas de reglas y modelos de Machine Learning basados en los últimos meses de ordenes de cada cliente. De tal manera, dado que la respuesta venía de sistemas distintos se tenían inconsistencias en las recomendaciones, y, además, un mal rendimiento en clientes donde se tenía historia limitada de órdenes en los últimos meses.
Se mejoraron todos los indicadores clave de Machine Learning en torno a sistemas de recomendación
La estrategia
El objetivo fue demostrar el valor del uso de grafos en data del sector de Consumo Masivo, aumentando el rendimiento y utilidad del motor de recomendaciones del cliente para sus plataformas digitales
Sistemas de Recomendación
En los últimos años, la tecnología detrás de los sistemas de recomendación ha experimentado una transformación significativa, impulsada por avances en inteligencia artificial y aprendizaje automático. Esta evolución ha llevado a las empresas que buscan liderar en este campo a adoptar soluciones de vanguardia, capaces de ofrecer recomendaciones precisas y personalizadas a sus usuarios. En este contexto, los modelos basados en grafos han emergido como la técnica más avanzada para desarrollar sistemas de recomendación efectivos. Más específicamente, las Graph Neural Networks (Redes Neuronales de Grafos) se han establecido como el estándar en la industria.
Graph Machine Learning
El Graph Machine Learning son un grupo de técnicas donde se busca generar predicciones de comportamiento tomando en cuenta no solo la información de un individuo, sino también del contexto alrededor de este. Las Graph Neural Networks están entre las técnicas más potentes para incorporar este contexto, capturando relaciones complejas del grafo en las predicciones. Esta capacidad de capturar interacciones complejas ha llevado a que las GNN’s han sido adoptadas por múltiples empresas líderes de tecnología
Los Logros
Se implementó un modelo de GraphSage para predecir las recomendaciones de próximas compras.
Con este nuevo modelo, se alcanzaron mejoras para múltiples indicadores clave de sistemas de recomendación sobre el modelo actual compuesto y modelos de reglas de negocio. Impactando directamente a las métricas clave del negocio de plataformas digitales.
-
Recall @ 10
El modelo basado en grafos recomienda efectivamente casi 7 de los 10 productos más comprados por los clientes; el modelo anterior se midió en 46%
-
NDCG @ 10
Métrica integral que valora las posiciones de las recomendaciones (1ª es más importante que la 2ª y así sucesivamente), tiene el modelo de grafo en 70%, una mejora sobre el modelo anterior que estaba en 46%
-
Precision @ 1
Muchas veces la primera recomendación que se hace es la más importante, y con el nuevo modelo la primera recomendación era tomada en el 65% de los casos, en promedio, lo que es una mejora significativa al compararla con el 41% del modelo anterior
Mejoras en todos los indicadores clave de sistemas de recomendación
Desarrollo de experimentación hecho completamente en nube
Código entregado con vistas a productivización del modelo
Unificación de las recomendaciones para todos los clientes de la empresa
