Estrategias de modelos de recomendación para selección de ofertas en el sector Retail
Enlace de Referencia
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen en español
Este trabajo busca implementar una metodología híbrida de recomendación a partir de filtros colaborativos basados en modelos predictivos, para identificar las líneas de producto de mayor afinidad a cada cliente dentro de una ventana definida de tiempo, con el fin de personalizar la oferta mensual de promociones especiales, realizada de manera colaborativa entre entidades bancarias y retailers. Para esto, se utilizan metodologías de modelos predictivos de Machine Learning, optimizado hacia la minimización de la pérdida logarítmica de la función de verosimilitud de distribución binaria. Para el sistema global, se analizan las métricas de AUC de la curva ROC, Hit Ratio, cobertura y porcentaje de recomendaciones (Top 5 rankings) para distintos posicionamientos en los rankings de los ítems. En cuanto a la información utilizada, se aprovechan, como información endógena, las ventanas de tiempo más recientes de las compras de los clientes para favorecer la venta cruzada y las ventanas de tiempos pasadas para encontrar estacionalidad de compra; como información exógena, se utiliza la información bancaria de los clientes, tanto de productos, como de medios de pago, además de información del sector financiero. En específico, se comparan los algoritmos de Extreme Gradient Boosting y Light Gradient Boosting, en términos de precisión y eficiencia de recursos.
Resumen en inglés
This work seeks to implement a hybrid recommendation methodology based on collaborative filters based on predictive models, to identify the product lines with the highest affinity to each customer within a defined window of time, in order to customize the monthly offer of special promotions , carried out collaboratively between banks and retailers. For this, Machine Learning predictive model methodologies are used, optimized towards the minimization of the logarithmic loss of the binary distribution likelihood function. For the global system, the AUC metrics of the ROC curve, Hit Ratio, coverage and percentage of recommendations (Top 5 rankings) are analyzed for different positions in the item rankings. Regarding the information used, the most recent time windows of customer purchases are used as endogenous information to favor cross-selling and the windows of past times to find purchase seasonality; As exogenous information, customers' banking information is used, both for products and means of payment, as well as information from the financial sector. Specifically, the Extreme Gradient Boosting and Light Gradient Boosting algorithms are compared, in terms of precision and resource efficiency.