Digital Developer Conference: Hybrid Cloud 2021 | Capacitaciones gratuitas por expertos y partners | 21 de Setiembre ¡Inscríbete Ahora!

Desarrollar un motor de recomendaciones de machine learning para fomentar compras adicionales con base a comportamientos de compra anteriores

Resumen

La mayoría de los sitios web online muestran una lista de artículos en los que puede estar interesado. Cuanto mejores son las recomendaciones, más probabilidad hay de que se compre uno de ellos, lo que incrementará sus ventas. Pero ¿cómo se crean esas recomendaciones? Este patrón de código muestra cómo desarrollar un motor de recomendaciones en base a datos de los clientes con Jupyter Notebooks, Apache Spark y PixieDust, los cuales son proyectos de código abierto. Cuando se combinan con Watson Studio y Watson Machine Learning se puede producir rápidamente un panel de control interactivo que sirve para explorar y probar un modelo de recomendaciones.

Descripción

Usar datos de la compra de todos los clientes es la mejor forma de crear las recomendaciones. Con estos datos, se pueden crear grupos (clústeres) de clientes que han comprado productos similares. Dentro de cada clúster están los clientes que son más similares entre sí que los clientes de los otros grupos.

En este patrón de código utilizamos datos históricos de las compras para desarrollar un motor de recomendaciones con Spark y Watson Machine Learning. El modelo después se utiliza en una PixieApp interactiva, que es una cesta de la compra simulada que se utiliza para crear una lista de recomendaciones.

Cuando haya completado este patrón de código, usted comprenderá cómo:

  • Usar Jupyter Notebooks en IBM Watson Studio
  • Crear un modelo de recomendaciones con SparkML y Watson Machine Learning para brindar recomendaciones de productos a los clientes con base a su historial de compras
  • Utilizar PixieApps para crear un panel de control interactivo

Flujo

flujo

  1. Inicie sesión en IBM Watson Studio.
  2. Cargue el notebook proporcionado en Watson Studio.
  3. Cargue y transforme los datos de los clientes en el notebook.
  4. Cree un modelo de agrupación de k-medias con SparkML.
  5. Implemente el modelo en Watson Machine Learning.
  6. Pruebe y compare los modelos que desarrolló en el notebook y a través de la API de Watson Machine Learning
  7. Use la API para desarrollar una PixieApp interactiva.

Instrucciones

Las instrucciones detalladas están en el archivo README. Estos pasos le explicaran cómo hacerlo:

  1. Regístrese para Watson Studio.
  2. Cree un proyecto y añada servicios.
  3. Cree un notebook.
  4. Cargue los datos de los clientes en el notebook.
  5. Añada un servicio de Watson Machine Learning.
  6. Cree y ejecute la recomendación de PixieApp.