Ce que nous avons bâti, ce que nous avons mesuré et où se situent les limites.
Des systèmes cloisonnés à une source unique de vérité, puis des modèles prédictifs et un modèle de mix marketing
Une source unique de vérité, puis des modèles que l’équipe de la marque gère maintenant elle-même.
Le défi
La marque grandissait vite, mais chaque service fonctionnait avec ses propres systèmes, ses propres indicateurs et des définitions contradictoires. La direction n’avait aucune vue d’ensemble unique et fiable pour orienter les dépenses ou prévoir les revenus.
Ce que nous avons fait
Une infrastructure de données moderne sur AWS, dbt et Looker a réuni des sources distinctes en une seule source de vérité encadrée. Nous avons ensuite bâti une prévision des revenus par cohorte de clientèle et un modèle de mix marketing conçu pour être réentraîné. À mesure que la marque constituait sa propre équipe, nous l’avons formée et lui avons passé le relais.
Le résultat
Toutes les équipes travaillent à partir des mêmes chiffres encadrés, avec beaucoup moins de temps consacré aux rapports. Appliqué à une période réelle de mars, le mix optimal prévoyait des hausses des revenus principaux de 12 % au Canada et de 18 % aux États-Unis, soit environ 4 M$ US (environ 5 %) de revenus annuels prévus.
Comment nous l’avons mesuré
Modèle de mix marketing ajusté sur l’historique des dépenses et des revenus, puis appliqué à une période réelle de mars. Les hausses sont modélisées, pas observées.
Source : Données du client et analyse de DS, chiffres prévus
Ajouter la navigation visuelle et de meilleures recommandations à un assistant d’achat doté d’IA
Des microservices d’IA en production qui aident la clientèle à trouver vite ce qu’elle cherche.
Le défi
La plateforme reconstruisait son assistant d’achat doté d’IA autour d’un grand modèle de langage. Elle avait besoin de navigation visuelle et de recommandations assez rapides pour le clavardage en direct, et conçues pour stimuler les ventes plutôt que d’accorder le même poids à chaque étiquette de produit.
Ce que nous avons fait
Un microservice de navigation visuelle qui lit la conversation et le catalogue, estime ce que la personne cherche et choisit des images qui aident à cerner ses préférences tout en montrant l’éventail offert. S’y ajoute un modèle de recommandation qui pondère les attributs des produits selon leur effet sur les ventes, avec des bases de départ pour les nouveaux secteurs du détail. Les deux sont livrés sous forme d’API documentées.
Le résultat
Les deux microservices ont satisfait aux critères d’acceptation de la plateforme et fonctionnent dans son propre pipeline, en retournant des produits représentatifs en moins de 10 millisecondes pour des catalogues allant jusqu’à 10 000 articles.
Comment nous l’avons mesuré
La navigation visuelle a été évaluée selon l’information obtenue par question, la rapidité à réduire les options et le temps de réponse ; les recommandations, selon l’engagement, la conversion et les revenus.
Source : Mesures de DS
Ce que les gens disent de notre travail
DS a vraiment aidé notre équipe à organiser nos données de vente au détail et de CRM en grappes de valeur et à enrichir nos segments de valeur client. Au-delà des modèles livrés, le transfert de connaissances à notre équipe a été inestimable.
Pour prendre des décisions fondées sur les données, il faut plus que des données : elles ne sont qu’un point de départ. Chez DS, nous les utilisons pour décrire ce qui s’est passé, appuyer les décisions et améliorer les résultats.
Vous voulez des résultats que vous pouvez défendre ?
Dites-nous où vous en êtes. Nous vous dirons par où commencer.