HelloFresh использует машинное обучение и системы предсказаний для улучшения кастомерского опыта

Компания HelloFresh начала использовать машинное обучение и системы предсказаний для улучшения кастомерского опыта. Компания долго строила собственные системы машинного обучения и предсказаний, однако эта методика уже достигла своих пределов производительности. HelloFresh начала искать новые варианты и недавно выбрала платформу Tecton для машинного обучения в режиме реального времени. Технический директор HelloFresh SE Бенджамин Бертинкурт заявил, что до использования Tecton их функции генерировались независимо, с помощью отдельных Spark-каналов. Они не были созданы для обмена, они часто не каталогизировались, и у них не было возможности предоставлять функции для реального времени. Функциональное хранилище - это ключевой компонент запланированного подхода HelloFresh. В системах машинного обучения функции являются типами переменных, используемых в качестве входных данных для предиктивных моделей, таких как модели для обнаружения мошенничества или рекомендательных движков. Функции могут быть такими вещами, как сколько клиент купил за последние 30 дней, текущая цена товара, наличие товара и многое другое. Без функционального хранилища обновленная информация должна быть получена из систем сырых данных и обработана, прежде чем ее можно будет использовать, что замедляет все. Функции могут быть абстрагированы от сырых данных, обеспечивая более последовательный подход в различных системах и более простое совместное использование функций высокого качества между командами. Бертинкурт заявил, что компания работает над переводом своих основных производственных моделей на Tecton feature store, что позволит им повторно использовать функции, созданные для бизнес-функций, таких как маркетинг, закупки или управление цепочкой поставок, для различных новых моделей. В настоящее время одна команда использует обобщенную модель вложений, которая использует функции, обслуживаемые Tecton, и стремится сделать вложения доступными и пригодными для моделей машинного обучения. Это обеспечивает основу для внедрения моделей прогнозирования и персонализации в будущем. Функциональное хранилище также может предоставлять важную информацию об управлении, такую как, какая версия функций использовалась для выполнения конкретного прогноза, что является необходимым для отладки моделей и также для соблюдения правил в некоторых отраслях. Хорошие инструменты для управления особенно важны для онлайн-систем, так как для хороших прогнозов требуется актуальная, высококачественная информация, а не статические наборы старых, устаревших данных сомнительного происхождения. «Мы сосредотачиваемся на накоплении данных для улучшения взаимодействия наших клиентов с продуктом и тщательно используем данные наших клиентов», - говорит Бертинкурт. «Наша коллекция данных полностью сосредоточена на помощи в моделировании опыта наших клиентов, а не на сборе больших объемов данных только потому, что мы можем это делать». С увеличением внимания к практикам использования данных компаний, такое тщательное использование данных должно стать приоритетом для каждой команды научных исследований. Инструменты, такие как Tecton, станут еще более необходимыми по мере того, как команды будут создавать высокоавтоматизированные системы вывода выводов. Клиенты хотят быть уверены, что компании используют только те данные, которые были собраны этично и для их блага. Функциональное хранилище, такое как Tecton, - это один из способов, которыми компании могут продемонстрировать клиентам и регуляторам, что машинное обучение используется ответственно, улучшая при этом кастомерский опыт.