Discount Leverage

Utilizar de modelos de machine learning para criar perfis de compradores, através dos dados cadastrados, para recomendar de forma mais eficiente descontos personalizados.

  • 20000 Raised
  • 2 Juries

Categories

  • Sistema de recomendação e otimização

Featured Video

Description

 Vídeo: https://youtu.be/NVGevPmr8r0

GITHUB: https://github.com/marcusng8/Discount-Leverage

Slides de apresentação: https://www.canva.com/design/DAEtH8OuARc/MQkjcJLatM8y85BYKSNFbg/view?utm_content=DAEtH8OuARc&utm_campaign=designshare&utm_medium=link&utm_source=sharebutton


Título: Sistema de recomendação de descontos personalizados  



Autor(es): Julia Gontijo Lopes, Marcus Navarro Gabrich e Rodrigo de Oliveira Gomes



Resumo: Desenvolver sistema que fornece descontos que revertam em mais compras futuras, o sistema cria um modelo do perfil de usuário e a partir dos dados gera suposições desse padrão de compra, e define, segundo esses padrões, qual evento de desconto trará maior recompensa á Ambev e qual será mais atrativa ao cliente. 



Palavras-chave: Machine Learning; sistema de recomendação; inteligência artificial; Multi Armed-Bandits;  



Introdução: Utilizar de modelos de machine learning para criar perfis de compradores, através dos dados cadastrados, para recomendar de forma mais eficiente descontos personalizados. Por meio de clusterização K-means combinada com MaB (multi-armed bandits), visto que este modelo é ideal quando se depara repetidamente com uma escolha entre k diferentes opções ou ações que devem ser tomadas, após cada escolha, recebe-se uma recompensa numérica que está ligada a sua escolha e que pode influenciar suas escolhas futuras. O objetivo é maximizar a recompensa total esperada ao longo do tempo ao fazer escolhas certas. De forma traduzida em um Sistema de Recomendação, onde, repetidamente teremos que escolher o conteúdo que será apresentado para o usuário (ações), cada conteúdo tem uma distribuição de probabilidade de ser clicado (recompensa) e o objetivo do sistema de recomendação é maximizar a taxa de eventos no final do dia (maximizar a recompensa). Em quesito do projeto, o MaB será usado para modelar o perfil do consumidor, este considera cada braço como recompensa, e cada recompensa como uma oferta, além de função de ganho customizada definida a fim de alcançar tanto o desconto personalizado quanto a métrica de conquistas do sistema.
 



Metodologia:  

1) Classificar clientes em categorias de concessão de descontos

2) Classificar tais clientes de acordo com seu "merecimento" dentro de sua categoria

3) Determinar desconto viável e adequado (personalizado) a aquele cliente

4) Verificar recompensa depois de concedido o desconto 

(utilização de K-Means e Multi Armed-Bandits)

5) Determinar caso o desconto personalizado obteve recompensa o suficiente e ajustar o modelo

(utilização de K-Means e Multi Armed-Bandits)


FASE 1: Identificar situações em que seria justificável conceder desconto. 4 tipos de situações: 



A - Agrado por fidelidade:  



A compra já iria ser finalizada (definido por padrões de compra e carrinho abandonado), concessão de desconto para manter a fidelidade por motivos de: compras de alto volume com alta frequência que se mantém á muito tempo. (Atributos: volume de compra/ frequência de compra/ tempo em que compra com a Ambev) 



B - Necessidade para garantir a venda:  



A compra provavelmente não iria ser finalizada (definido por padrões de compra e carrinho abandonado), concessão de desconto para não perder a venda. Análise para definição do desconto adequado dependerá de qual o produto em questão, qual o valor o cliente provavelmente pagaria, qual o valor que o faria não finalizar a compra. 



C - Impulsionar compra de novos produtos/produtos com muito estoque/produtos com vencimento aproximado. 



      Cenário em que Ambev quer potencializar a venda de determinado produto por motivos de: novidade, estoque ou vencimento. Analisar o perfil/histórico de compra de cada comprador para definir (agrupar) aqueles que estariam aptos a usar o desconto designado a tais produtos. Identificar compradores que provavelmente usariam o desconto para tal produto. 



D - Atrair novos compradores. 



       Cenário em que Ambev quer mais compradores para seus produtos. De uma forma isso pode ser resolvido com o Agrado por fidelidade, pois quando um cliente é fiel e recebe agrados, é altamente provável que elogie a Ambev a parceiros e impulsione inconscientemente compras na empresa. Por outro lado, esses novos compradores podem ser atraídos com descontos de "primeira compra", cuja personalização se daria pela análise do perfil do estabelecimento (o que mais vendem - ex cervejaria venderia mais cervejas, padarias venderiam mais leite -; onde estão localizados; sazonalidade; etc) para definir qual produto teria maior potencial de compra, sobre qual o desconto seria mais certamente usado, o que reverteria em mais compras futuras mesmo sem o desconto. Identificar compatibilidade entre compradores e produtos. -> poderia ser feito por cluster (centroide inicial definido pela análise de perfil citada, para se aproximar do produto ideal ao comprador em potencial) cujo centroide iria se ajustando a cada iteração pela recompensa ou não do desconto (usou ou não, converteu em compras futuras ou não, etc). 



FASE 2: Identificar "merecimento" de cada comprador em cada situação.  



A -> Comprador que possui: alto volume de compra; compras com alta frequência; compras feitas durante muito tempo com a Ambev; altas chances de ele utilizar o desconto e potencializar compras futuras.



B -> Comprador cuja análise de - histórico de compras realizadas; histórico de compras solicitadas mas não fechadas; chances de ele utilizar o desconto e potencializar compras futuras; chance de realmente utilizar o desconto - divulga que tal comprador não realizará a compra pretendida, e que com o desconto tem altas chances de realizar. 



C -> Comprador cujo perfil - sazonalidade; localização; histórico de compra; perfil de produtos comprados; menor potencial de compra (tem que se contentar com o que consegue praticamente); chances de ele utilizar o desconto e potencializar compras futuras - o torna compatível com o produto em questão, e o torna mais suscetível a usar o desconto e finalizar a compra. 



D -> Identificar qual produto é mais compatível com o comprador em potencial, através da análise do seu perfil - o que mais vendem (ex cervejaria venderia mais cervejas, padarias venderiam mais leite); onde estão localizados; sazonalidade; potencial de realizar a compra e potencializar compras futuras -.



FASE 3: Identificar o valor adequado 



 Cálculo matemático para definir uma % que seja benéfica ao cliente (ele veja vantagem em usar) e á Ambev (não traga prejuízo monetário), e que condiz com o perfil do cliente.



FASE 4: Analisar a recompensa de cada desconto  



Uma vez concedido o desconto, através do K-means e o MAB - segundo artigo machine-learning-in-coupon-recommendation do towards data science , o sistema deve identificar:  



- O comprador finalizou a compra?  



- O comprador utilizou o desconto? Ou finalizou sem utiliza-lo?  



- O comprador realizou compras futuras?  



Para determinar a recompensa que aquele desconto gerou (se seu uso potencializou compras futuras) Caso a recompensa seja alta, o algoritmo aprende de acordo com o estabelecido para aquele perfil,e define tal desconto como bom. Caso o contrário, ele o identifica como mal, utiliza da função de recompensa e vai aprendendo. 



Referências:  

Felipe, Joao. Machine Learning in Cupom Recommendation. 01/10/2021. https://towardsdatascience.com/machine-learning-in-coupon-recommendation-2bdae281d840; 



 



Copyright © 2022 All rights reserved. TAIKAI — Hackathon Platform.