[Congresso Ads & Performance] Modelos preditivos e machine learning - Aplicações reais para varejo, vendas e comunicação
•Transferir como PPTX, PDF•
1 gostou•570 visualizações
O documento discute as aplicações de machine learning para vendas e comunicação na XP Investimentos. Apresenta exemplos de sistemas de recomendação e modelos para prever o potencial de clientes. Fornece dicas sobre melhores práticas para iniciar e desenvolver ciência de dados em empresas, como começar com modelos simples e testar várias abordagens.
Recomendados
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (19)
Semelhante a [Congresso Ads & Performance] Modelos preditivos e machine learning - Aplicações reais para varejo, vendas e comunicação
Semelhante a [Congresso Ads & Performance] Modelos preditivos e machine learning - Aplicações reais para varejo, vendas e comunicação (10)
Mais de E-Commerce Brasil
Mais de E-Commerce Brasil (20)
[Congresso Ads & Performance] Modelos preditivos e machine learning - Aplicações reais para varejo, vendas e comunicação
- 1. Bernardo Aflalo| Cientista de Dados @XP Investimentos MACHINE LEARNING PARA VENDAS E COMUNICAÇÃO NA XP: APLICAÇÕES E MELHORES PRÁTICAS
- 3. Bernardo Aflalo Sobre a XP
- 5. Bernardo Aflalo Objetivo de Hoje Exemplos de Machine Learning Impactos no varejo, exemplos XP O que? Para quem? Melhores Práticas para iniciar e crescer ciência de dados na empresa
- 6. Bernardo Aflalo Objetivo de Hoje Melhores Práticas para iniciar e crescer ciência de dados na empresa Exemplos de Machine Learning Impactos no varejo, exemplos XP O que? Para quem?
- 7. Bernardo Aflalo Sistemas de recomendação https://medium.com/datadriveninvestor/how-to- built-a-recommender-system-rs-616c988d64b2 o que?
- 9. Bernardo Aflalo Objetivo: oferecer o produto certo para cada cliente, de modo a maximizar _______: a) As vendas b) A satisfação do cliente c) A utilidade dos produtos combinados d) Todas as anteriores
- 10. Bernardo Aflalo Objetivo: oferecer o produto certo para cada cliente, de modo a maximizar _______: a) As vendas b) A satisfação do cliente c) A utilidade dos produtos combinados d) Todas as anteriores
- 11. Bernardo Aflalo A Recomendação de Carteira da Assessoria Virtual Qual a carteira ideal para cada cliente, respeitando tolerâncias a riscos e propensões individuais?
- 12. Bernardo Aflalo A Recomendação de Carteira da Assessoria Virtual Qual a carteira ideal para cada cliente, respeitando tolerâncias a riscos e propensões individuais? Fase 1 Distribuição Ideal Fase 2 Propensão Fase 3 Escolha dos Produtos Modelo Machine Learning Score dos Produtos
- 13. Bernardo Aflalo Fase 1 Distribuição Ideal Fase 2 Propensão Fase 3 Escolha dos Produtos Modelo Machine Learning Score dos Produtos Carteiras recomendadas personalizadas, recalculadas todos os dias A Recomendação de Carteira da Assessoria Virtual Qual a carteira ideal para cada cliente, respeitando tolerâncias a riscos e propensões individuais?
- 14. Dicas de Nerd Comece simples. Ex. Filtro Colaborativo, Regras de Associação Problema de Cold Start: usar similaridades de produtos Solução mais completa: - Features: de cliente, de item x cliente (matriz fatorada) e variáveis externas - Se o tempo é uma variável importante, utilizar janelas: Training set Validation set Test set ‘Score’ set Ocorre o fit do modelo Ocorre a escolha de modelo e hiperparâmetro Avaliação do desempenho do modelo Score de novos usuários tempo
- 16. Bernardo Aflalo E se, no primeiro contato com o cliente, fôssemos capazes de avaliar o seu LTV? Oferta de serviços Contatos/ conteúdos Personalizados Promoções direcionadas
- 17. Bernardo Aflalo Modelo de Potencial de Cliente Como identificar o potencial de cada cliente, no momento do cadastro, de modo a oferecer a assessoria mais adequada? Análise geolocalização Machine LearningHistórico de Clientes (base interna)
- 18. Bernardo Aflalo Modelo de Potencial de Cliente Como identificar o potencial de cada cliente, no momento do cadastro, de modo a oferecer a assessoria mais adequada? cliente Assessoria X Assessoria Y potencial
- 19. Dicas de Nerd Modelo: LightGBM (python) Features: - Mean Encoding de variáveis categóricas. - Modelo de lat/lon (KNN com Kernel) A biblioteca shap é utilizada para avaliar o efeito de cada uma das features
- 22. Bernardo Aflalo
- 23. Bernardo Aflalo 1. Cria variações 2. Mede 3. Reamostra Reinforcement Learning
- 24. Bernardo Aflalo Modelo 1 Iteração 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5 20% 40% 60%
- 25. Bernardo Aflalo Modelo 1 Iteração 2 Modelo 2 Modelo 3 Modelo 4 Modelo 5 20% 40% 60%
- 26. Bernardo Aflalo Modelo 1 Iteração 3 Modelo 2 Modelo 3 Modelo 4 Modelo 5 20% 40% 60%
- 27. Bernardo Aflalo Modelo 1 Iteração 4 Modelo 2 Modelo 3 Modelo 4 Modelo 5 20% 40% 60% Automaticamente a melhor estratégia é identificada e adotada.
- 28. Dicas de Nerd Crie funções que facilite medir tudo e sempre. Isso te ajuda a mostrar valor, bem como ajustar rotas Reinforcement: Trate como um ‘multi-armed bandit problem’. Teste ‘Thompson Sampling’ Não tenha medo de testar. Comece com testes pequenos
- 29. Bernardo Aflalo Objetivo de Hoje Melhores Práticas para iniciar e crescer ciência de dados na empresa Exemplos de Machine Learning Impactos no varejo, exemplos XP O que oferecer? Para quem?
- 30. Bernardo Aflalo Começando Você precisa de um ________ de Dados https://datadrivenperspectives.com/data-science-vs-data- engineering-know-what-you-need-before-you-hire-c0648f27ce0e
- 31. Bernardo Aflalo Começando Consultoria? Contratação? Treinamento Interno? A sugestão é começar pequeno, crescer quando necessário
- 32. Bernardo Aflalo Começando Expectativa vs Realidade
- 33. Bernardo Aflalo Começando E ferramentas de autoML (Machine Learning Automático)? Podem me ajudar a começar?
- 34. Bernardo Aflalo Apaixone-se pelo Resultado. Não pela técnica. Não pela ferramenta. Use exatamente o que resolve bem seu problema. Nem mais, nem menos.
- 35. Bernardo Aflalo Comece com um modelo ‘quick and dirty’. Não gaste 2 meses criando a primeira versão do modelo. Geralmente, com poucos dias é possível começar com um modelo que vai te ensinar sobre o problema.
- 36. Bernardo Aflalo Em modelos em que erros não são admissíveis (ou custam caro), crie filtros, modelos heurísticos, condicionais etc. Modelos nunca são 100%. Se seu erro custa caro, instrumente seu resultado e combine com outros modelos e condicionais.
- 37. Bernardo Aflalo Não se apaixone pelo caso de uso Seus dados podem não ser suficientes para explicar a variável dependente Performance aceitável para tomada de decisão é imprevisível Saiba ‘desistir’ de modelos (e conseguir mais dados) NEVER GIVE UP
- 38. Bernardo Aflalo Tabelas no formato long podem facilitar sua vida em integrações. Sério. Acredite. Cliente Data Modelo_1 Modelo_2 Modelo_3 123456 27/03/2019 98 fundo xyz' 9h-10h 234567 27/03/2019 74 fundo abc' 15h-16h Formato ‘wide’ Cliente Data Modelo Resultado 123456 27/03/2019 Modelo_1 98 123456 27/03/2019 Modelo_2 fundo xyz' 123456 27/03/2019 Modelo_3 9h-10h 234567 27/03/2019 Modelo_1 74 234567 27/03/2019 Modelo_2 fundo abc' 234567 27/03/2019 Modelo_3 15h-16h Formato ‘long’
- 39. Bernardo Aflalo E o mais importante em Ciência de Dados (e em todo resto): a Equipe. Gaste tempo escolhendo a melhor equipe. Com o hype da tecnologia, vem o hype de profissionais, de consultorias etc. “Contrate PhDs” -> infelizmente é mais complexo que isso https://www.theregister.co.uk/2019/03/05/eu_startups_no_ai/