,allowExpansion)
Eine neuartige Recommendation Engine
Data Reply konnte den Umsatz eines B2B-Lebensmittelgroßhändlers mit einem speziellen Maschine Learning-Produkt steigern.
Die Herausforderung
Wie kann eine Recommendation Engine zuverlässiger vorhersagen, was ein Kunde benötigen könnte, aber bisher nicht gekauft hat?
Die Idee
Eine erweiterte Datenbasis
Für einen Großhändler, der Lebensmittel an Restaurants verkauft, haben wir von Data Reply eine neuartige Recommendation Engine entwickelt. In den meisten Fällen nutzen Anwendungen wie diese ausschließlich Daten aus dem internen Warehouse, um auf Basis dessen Produktempfehlungen für die Kunden zu generieren. Unsere spezielle Recommendation Engine verwendet darüber hinaus auch Informationen aus dem Internet und ermöglicht so passgenauere Empfehlungen.
)
Wie haben wir das geschafft?
Bessere Empfehlungen dank Web-Crawler und MLOps
Ein Web-Crawler sucht für unsere spezielle Recommendation Engine nach allgemeinen Informationen über die Restaurants wie deren Speisekarte. Gleichzeitig sammelt dieser auch Daten, die verraten, was in anderen Shops für das Restaurant erworben wurde. Diese besondere Datenbasis birgt das Potential, die Produktempfehlungen auf ein neues Level zu heben. Doch erst die folgenden Maßnahmen und MLOps-Techniken ermöglichten es uns, dieses Potenzial auszuschöpfen.
Training mit Kubeflow
Für das Training des Machine Learning-Modells, das hinter dieser speziellen Recommendation Engine steckt, haben wir Kubeflow genutzt. Mit diesem Framework konnten wir die Machine Learning-Pipelines orchestrieren und so einen besonders effizienten Projektablauf sicherstellen.
Kontinuierliche Tests dank CI/CD-Setup
Um die Qualität unseres Machine Learning-Produktes gewährleisten zu können, haben wir stetig die Leistung und Genauigkeit unseres Modells überwacht und dieses anhand relevanter Geschäfts-KPIs überprüft. Dafür haben wir ein CI/CD-Setup verwendet.
Bereitstellung als REST-API mit Seldon
Die Plattform Seldon ermöglichte es uns, das Machine Learning-Modell einfach als REST-API bereitzustellen und so eine skalierbare Schnittstelle für die reale Anwendung des Modells zu schaffen.
Ständiges Retraining des Modells
Um die Recommendation Engine stetig zu verbessern, verwenden wir das Feedback der Kunden des Lebensmittelhändlers. Auf Basis dessen führen wir mit dem Machine Learning-Modell immer wieder Retrainings durch.
,allowExpansion)
Die Ergebnisse
Mehr Umsatz, geringere Marketingkosten
Unsere neuartige Recommenation Engine bietet viele Vorzüge für den Lebensmittelhändler: Die passgenaueren Empfehlungen steigern nicht nur die Zufriedenheit seiner Kunden und infolgedessen seinen Umsatz. Sie ermöglichen gleichzeitig auch gezieltere Marketingmaßnahmen und damit die Senkung der Werbekosten. Dank des Wissen darüber, was für die Restaurants in anderen Shops gekauft wurde, konnte der Händler zudem sein Sortiment gezielt erweitern.
All diese Vorzüge haben den Lebensmittelgroßhändler überzeugt: Derzeit ist die Recommendaten Engine in Deutschland und Polen im Einsatz. Doch schon bald folgt auch der Rollout in Kroatien, Portugal, Österreich, Ungarn, Rumänien, Frankreich, Italien, Spanien und den Niederlanden.
Data Reply unterstützt als Teil der Reply Gruppe Kunden darin, datengetrieben zu arbeiten. Data Reply ist in verschiedenen Branchen und Geschäftsbereichen tätig und arbeitet intensiv mit Kunden zusammen, damit diese durch die effektive Nutzung von Daten aussagekräftige Ergebnisse erzielen können. Hierfür konzentriert sich Data Reply auf die Entwicklung von Data-Analytics-Plattformen, Machine-Learning-Lösungen und Streaming-Anwendungen – automatisiert, effizient und skalierbar – ohne Abstriche in der IT-Security zu machen.