Acompaña el evento final de la Maratón Behind the Code 2020: 05/12 - Online ¡Inscríbete ahora!

Cree un modelo de aprendizaje automático para calcular la propensión a volver a comprar un producto

Resumen

En la era del crecimiento del comercio electrónico, la devolución de productos supone una gran porción de la pérdida de beneficios. Cuanto antes identifiquemos las posibilidades de que se devuelva un pedido, mejor estaremos equipados para reducir la pérdida de beneficio, directa o indirecta en forma de pérdida de clientes.

Este patrón de desarrollador muestra cómo se crea y despliega un modelo de aprendizaje automático en IBM Cloud Pak for Data con IBM Watson® Studio y Watson Machine Learning. Luego este modelo se puede utilizar para predecir la probabilidad (propensión a ser devuelto) de que se devuelva un pedido en particular.

Descripción

Nuestro asistente de inteligencia artificial, que forma parte de la solución inteligente IBM Sterling Call Center, puede descubrir insights en tiempo real acera de los pedidos de los clientes, basándose en el histórico de pedidos de los clientes y en transacciones anteriores. También proporciona recomendaciones procesables que ayudan a proporcionar soluciones fáciles a problemas habituales de los clientes, lo que mejora la experiencia de los clientes. Los modelos y las técnicas de aprendizaje automático se usan sobre los datos agregados de los clientes de varios orígenes de datos para obtener insights, como el valor del ciclo de vida y pérdida de clientes, la propensión a devoluciones y la probabilidad de comprar más productos. Estos ayudan al asociado del centro de atención telefónica a conocer mejor al cliente y a tomar mejores decisiones comerciales (venta de otros productos, venta cruzada y concesiones al cliente) durante una conversación con el cliente.

Este code pattern para desarrolladores demuestra cómo se crea y despliega un modelo de aprendizaje automático con un conjunto de datos que está formado por registros seleccionados de pedidos de IBM Sterling Order Management. Al finalizar este code pattern, comprenderá cómo:

  • Utilizar IBM Cloud Pak for Data, Watson Studio y Watson Machine Learning para crear y desplegar modelos de aprendizaje automático.
  • Crear un modelo para clasificar las devoluciones.
  • Utilizar llamadas de REST para generar predicciones con el modelo desplegado.

Flujo

flujo

  1. El usuario carga el Jupyter Notebook en IBM Cloud Pak for Data.
  2. El conjunto de datos se carga en el Jupyter Notebook, directamente desde el repositorio de GitHub o subiendo una copia obtenida desde el mismo repositorio.
  3. Los datos son procesados previamente, y los modelos de aprendizaje automático son desarrollados y guardados para Watson Machine Learning en IBM Cloud Pak for Data.
  4. El modelo se despliega en producción en IBM Cloud Pak for Data y se obtiene un punto final como puntaje.
  5. El modelo se utiliza en el punto final del puntaje para predecir la propensión de que se devuelva un pedido a través de una aplicación frontend.

Instrucciones

¿Listo para comenzar? Compruebe README (En Inglés) para conocer los detalles paso a paso sobre como:

  • Crear un proyecto nuevo
  • Añadir un conjunto de datos y un ZIP de una biblioteca predeterminada a la sección activos de tu proyecto
  • Añadir el notebook a su proyecto
  • Seguir los pasos del notebook
  • Cargar y procesar previamente los datos
  • Crear el modelo
  • Guardar y desplegar el modelo
  • Probar el modelo
  • Crear una aplicación de Python Flask que utilice el modelo

Aviso

El contenido aquí presentado fue traducido de la página IBM Developer US. Puede revisar el contenido original en este link.