Flere glade kunder med maskinlæring

Ingen bryder sig om irrelevant reklame, men det er vanskeligt at tilpasse reklamer og produktanbefalinger til den enkelte kunde. For at hjælpe POWER med at drage nytte af virksomhedens store datagrundlag, udviklede Computas et nyt anbefalingssystem (recommendation engine) baseret på maskinlæring. Resultatet er mere personlige produktanbefalinger til kunderne, og en væsentlig reduktion af drisftsomkostninger for POWER – et parameter med enorm betydning i en branche, hvor marginerne er altafgørende for bundlinjen.

Det var vigtigt for POWER at udforske mulighederne i den data virksomheden har, for at kunne gøre kundernes købsoplevelse bedre. Her var Computas’ spidskompetence, maskinlæring, til stor nytte.

Løsningen på POWERs udfordring lå nemlig i en maskinlæringsmodel, som automatisk kan trænes til at blive mere intelligent og personlig. Mens POWER tidligere har benyttet løsninger, hvor blandt andre produktcheferne var dybt involveret, er hele processen nu automatiseret og man stoler helt og holdent på matematiske modeller.

Den opnåede løsning giver kunderne en mere personlig oplevelse samtidig med, at det frigør de ansatte fra manuelt arbejde.

Computas har været en god sparring-partner for vores meget kompetente udviklingsteam, og deres banebrydende ekspertise inden for maskinindlæring har været særlig vigtig

Head of Digital i Power, Kåre André Jevanord

Kunderne i fokus

Sammen med POWER byggede Computas en maskinlæringsmodel, som opfanger kundens bevægelsesmønster og på denne baggrund giver relevante produktanbefalinger.

Med fortsat indsamling af sådanne data kan modellen automatisk trænes op til at blive mere intelligent og personlig, og det er lige præcis dét, som adskiller dette anbefalingssystem fra lignende løsninger.

Tidligere var produktanbefalingerne fra POWER i høj grad drevet af forretningsbehov baseret på rene ”det synes vi” kriterier eller status på varelageret. Med det nye system er anbefalingerne blevet kundefokuserede.

Nu er kundens behov i fokus, og kunden ser i meget højere grad skræddersyet indhold og målrettede produktanbefalinger. Ganske enkelt fordi anbefalingerne er datadrevet, og det er fakta, som er bestemmende for anbefalingerne.

– Det nye anbefalingssystem, som vi har udviklet sammen med Computas, har både præsteret at matche og udkonkurrere de dyre enterprise-løsninger, vi har testet. Det at kunne fjerne dyre licensomkostninger samtidig med, at vi har bedre styr på de interne data, gør os mere konkurrencedygtige. Derudover giver løsningen bedre anbefalinger som øger tilfredsheden hos vores kunder, fortæller Kåre Andrè Jevanord, Head of Digital i POWER.

Omni-kanalstrategi

Løsningen har givet POWER bedre kontrol over sine data og gjort, at virksomheden i tillæg kan benytte resultaterne i en omni-kanalstrategi. Det betyder, at POWER kan drage nytte af resultaterne i fysiske butikker, da systemet kan give de samme anbefalinger til kunderne på tværs af alle kanaler. Al information om en kunde indhentet på nettet skal også være tilgængelig i butikken.

Samarbejdet mellem POWER og Computas stoppede dog ikke med udviklingen af anbefalingssystemet.

I dag har POWER et løbende samarbejde med Computas om, hvordan maskinlæring kan løse andre af de udfordringer, som POWER oplever i hverdagen. Der arbejdes blandt andet med at tage eksterne data som vejrudsigter og geodata i brug, så produktanbefalingerne kan forbedres endnu mere – så f.eks. grillprodukter automatisk rangeres højere i anbefalingerne i sommerhalvåret, når vejrudsigten og anden data understøtter dette, og et produkt som varmeovne omvendt rangeres højt i koldere tider.

– Der er mange spændende løsninger at tage fat i baseret på data. Computas har været en god sparringspartner for vores dygtige udviklerteam, og deres spidskompetence indenfor maskinlæring har været særligt vigtigt, afslutter Kåre Andrè Jevanord.

Skyteknologier vi brukte

  • BigQuery
  • Cloud Storage
  • Cloud Machine Learning Engine
  • App Engine
  • Cloud Composer

Verktøy og algoritmer

  • Python
  • TensorFlow
  • Apache Airflow
  • Collaborative filtering

Vil du vide mere?

Kontakt os gjerne på mail for en uforpligtende snak.

Boris Bulajic