Propension numérique : Prévisions
Intention client plus intelligente

Propension numérique : Prévisions
Intention client plus intelligente

Propension numérique : Prévisions
Intention client plus intelligente

Exploiter l'apprentissage machine pour transformer le ciblage client, améliorer la personnalisation et stimuler la croissance du commerce de détail grâce à des informations en temps réel.

Exploiter l'apprentissage machine pour transformer le ciblage client, améliorer la personnalisation et stimuler la croissance du commerce de détail grâce à des informations en temps réel.

Temps

2018-2020

Rôle

Concepteur UX/UI

Compétences clés

Agile

Recherche

UX

IU

Introduction

Compréhension
client
intention
Comprendre l'intention du client
Comprendre l'intention du client

Un cadre basé sur l'apprentissage machine qui suit les caractéristiques démographiques et le comportement pour prédire les achats et personnaliser l'engagement. Aide à fournir des offres pertinentes et opportunes qui augmentent les conversions.

Un cadre basé sur l'apprentissage machine qui suit les caractéristiques démographiques et le comportement pour prédire les achats et personnaliser l'engagement. Aide à fournir des offres pertinentes et opportunes qui augmentent les conversions.

Un cadre basé sur l'apprentissage machine qui suit les caractéristiques démographiques et le comportement pour prédire les achats et personnaliser l'engagement. Aide à fournir des offres pertinentes et opportunes qui augmentent les conversions.

Défis

Résoudre les lacunes de scalabilité et de précision

Résoudre les lacunes de scalabilité et de précision

Le pipeline d'apprentissage automatique hérité était lent et reposait sur l'échantillonnage de seulement 10 % des données, ce qui entraînait une mauvaise précision et des retards dans les processus commerciaux.

Le pipeline d'apprentissage automatique hérité était lent et reposait sur l'échantillonnage de seulement 10 % des données, ce qui entraînait une mauvaise précision et des retards dans les processus commerciaux.

Le pipeline d'apprentissage automatique hérité était lent et reposait sur l'échantillonnage de seulement 10 % des données, ce qui entraînait une mauvaise précision et des retards dans les processus commerciaux.

Faits saillants de la découverte et de l'analyse des données

Faits saillants de la découverte et de l'analyse des données

Précision limitée en raison de l'échantillonnage des données

“Échantillonner seulement 10% de nos données nuisait à la performance du modèle et à notre capacité de personnaliser.”

“Échantillonner seulement 10% de nos données nuisait à la performance du modèle et à notre capacité de personnaliser.”

Information overload

"Having multiple rows of dense payer data with abbreviations made it hard to focus or compare metrics on smaller screens."

"Having multiple rows of dense payer data with abbreviations made it hard to focus or compare metrics on smaller screens."

Précision limitée en raison de l'échantillonnage des données

“Échantillonner seulement 10% de nos données nuisait à la performance du modèle et à notre capacité de personnaliser.”

“Échantillonner seulement 10% de nos données nuisait à la performance du modèle et à notre capacité de personnaliser.”

Défis commerciaux et lacunes concurrentielles

Recherche de concurrents

Le marché se dirigeait vers la personnalisation en temps réel et l'intégration omnicanale, des domaines dans lesquels le client avait du retard.

Le marché se dirigeait vers la personnalisation en temps réel et l'intégration omnicanale, des domaines dans lesquels le client avait du retard.

Constats de l'audit UX

Les silos de données et le manque d'un pipeline unifié empêchaient d'obtenir des insights significatifs et de collaborer à travers les équipes.

Les silos de données et le manque d'un pipeline unifié empêchaient d'obtenir des insights significatifs et de collaborer à travers les équipes.

Points de douleur en affaires

Une faible précision du modèle, des cycles de livraison lents et des occasions manquées d'engagement des clients affectaient la croissance et les revenus.

Une faible précision du modèle, des cycles de livraison lents et des occasions manquées d'engagement des clients affectaient la croissance et les revenus.

Stratégie

Carte du parcours client

Pour identifier les principaux problèmes et opportunités, nous avons organisé des ateliers, examiné les données des utilisateurs et cartographié le parcours client. Cela a permis à l'équipe de devenir plus cohésive et a aidé à établir des objectifs clairs pour la refonte.

Pour identifier les principaux problèmes et opportunités, nous avons organisé des ateliers, examiné les données des utilisateurs et cartographié le parcours client. Cela a permis à l'équipe de devenir plus cohésive et a aidé à établir des objectifs clairs pour la refonte.

Phases

Phases

🌟 Découvrez

🤝 Utiliser et collaborer

🎯 Optimiser

Actions/Besoins

Actions/Besoins

A besoin d'une modélisation des données évolutive et rapide

Construit et peaufine des modèles plus rapidement

Examine les métriques du modèle, réentraînez-les si nécessaire

Points de contact

Points de contact

Modèles de pipeline ML ; modèles de démonstration

Auto-versionnage, tableau de bord de réglage

Étapes de validation; suivi de la performance

Design Opportunity

Design Opportunity

Implement smart search, filters, and tab toggling

Deliver responsive UI with collapsible cards

Add tooltips and status legends for clarity

Conception

Conception, Prototypage et Validation

Nous avons construit et déployé le pipeline Digital Propensity en utilisant XStreams, testé plusieurs modèles d'apprentissage automatique, collaboré avec des parties prenantes et affiné les fonctionnalités en fonction des informations sur les performances en temps réel.

Nous avons construit et déployé le pipeline Digital Propensity en utilisant XStreams, testé plusieurs modèles d'apprentissage automatique, collaboré avec des parties prenantes et affiné les fonctionnalités en fonction des informations sur les performances en temps réel.

Impact

Résultats qui ont apporté de la valeur commerciale

Temps de formation réduit de plus de 18 heures à

Temps de formation réduit de plus de 18 heures à

Temps de formation réduit de plus de 18 heures à

3 heures

3 heures

3 heures

La précision du modèle s'est améliorée de

La précision du modèle s'est améliorée de

La précision du modèle s'est améliorée de

14 %

14 %

14 %

Augmentation estimée des revenus

Augmentation estimée des revenus

Augmentation estimée des revenus

~20M$

~20M$

~20M$

Leçons

Qu'est-ce que j'ai appris ?

La simplicité visuelle soutient des systèmes complexes

Une interface utilisateur claire et intuitive (comme des pipelines de glisser-déposer) rend les processus de données avancés plus accessibles aux utilisateurs non techniques.

Les boucles de rétroaction entraînent de meilleurs résultats

Une itération continue basée sur les commentaires des utilisateurs et sur les performances en temps réel aide à améliorer à la fois le design et la fonctionnalité.

La conception pour la scalabilité est importante

Les interfaces et interactions doivent gérer de grands volumes de données sans submerger l'utilisateur.

Create a free website with Framer, the website builder loved by startups, designers and agencies.