A Ciência por Trás da Solução
Redes Neurais Profundas (DNNs)
Múltiplos modelos na solução de Marketing Personalizado utilizam redes neurais profundas como parte de sua arquitetura. As DNNs podem processar grandes volumes de dados e adaptar seus cálculos dependendo dos conjuntos de dados de treinamento que recebem. O mesmo modelo pode ser reutilizado no nível do membro, pois pode se adaptar aos dados de entrada sem quaisquer correções manuais adicionais.
Embeddings de Produtos
Uma das técnicas mais empolgantes de Machine Learning é um método inicialmente desenvolvido para NLP (Natural Language Processing, aqui mantendo a sigla como referência). Seu objetivo é detectar o significado latente de uma palavra, analisando outras palavras que são frequentemente usadas em associação próxima ou em um contexto similar. Da perspectiva de marketing, essa abordagem permite que o programa reconheça produtos relacionados, examinando quais itens são comumente comprados juntos. Em grande parte, baseia-se na suposição de que, se os produtos A e B são comprados com os produtos C, D e E, então é altamente provável que exista alguma relação entre esses produtos – seja porque pertencem à mesma categoria ou são comprados por clientes similares.
Filtragem Colaborativa Profunda
A Filtragem Colaborativa Profunda assume que clientes com um histórico de compras similar provavelmente comprarão produtos semelhantes no futuro. Essa ideia direta impulsiona a vasta maioria dos sistemas de recomendação comercialmente utilizados.
Dynamic Time Warping (DTW)
DTW é uma técnica usada para avaliar a distância e a similaridade entre duas sequências temporais ou séries temporais diferentes, que podem variar em velocidade ou frequência. Na PMM (Personal Marketing Microservice, aqui mantendo a sigla como referência), é um dos métodos usados para identificação e detecção de padrões para abordagens de aprendizado supervisionado e não supervisionado.
Mineração de Regras de Associação
A mineração de regras de associação é uma categoria de técnicas de Machine Learning usadas para identificar relações entre variáveis em grandes conjuntos de dados. A Análise de Padrões Frequentes dentro da solução de Marketing Personalizado utiliza os algoritmos de mineração de regras de associação FP-Growth e Apriori para detectar conjuntos de produtos frequentemente comprados juntos em uma única transação. A Análise de Padrões Frequentes também segue a abordagem de aprendizado contínuo, o que significa que o modelo continua evoluindo ao longo do tempo e se adapta a novas transações que chegam através de uma ampla gama de fluxos de dados suportados.
