Aquí te explicamos las bases tecnológicas que impulsan nuestra solución:
Redes Neuronales Profundas (DNNs)
Múltiples modelos en la solución de Marketing Personalizado utilizan redes neuronales profundas como parte de su arquitectura. Las DNNs pueden procesar grandes volúmenes de datos y adaptar sus cálculos dependiendo de los conjuntos de datos de entrenamiento que reciben. El mismo modelo puede ser reutilizado a nivel de miembro, ya que puede adaptarse a los datos de entrada sin correcciones manuales adicionales.
Embeddings de Productos
Una de las técnicas más emocionantes de Machine Learning es un método inicialmente desarrollado para PLN (Procesamiento de Lenguaje Natural, aquí manteniendo la sigla como referencia). Su objetivo es detectar el significado latente de una palabra analizando otras palabras que se usan con frecuencia en asociación cercana o en un contexto similar. Desde la perspectiva del marketing, este enfoque permite que el programa reconozca productos relacionados examinando qué artículos se compran comúnmente juntos. En gran medida, se basa en la suposición de que si los productos A y B se compran con los productos C, D y E, entonces es altamente probable que exista alguna relación entre esos productos, ya sea que pertenezcan a la misma categoría o sean comprados por clientes similares.
Filtro Colaborativo Profundo (Deep Collaborative Filtering)
El Filtro Colaborativo Profundo asume que los clientes con un historial de compras similar probablemente comprarán productos similares en el futuro. Esta idea sencilla impulsa la gran mayoría de los sistemas de recomendación utilizados comercialmente.
Dynamic Time Warping (DTW)
DTW es una técnica utilizada para evaluar la distancia y similitud entre dos secuencias temporales o series de tiempo diferentes, que pueden variar en velocidad o frecuencia. En PMM (Personal Marketing Microservice, aquí manteniendo la sigla como referencia), es uno de los métodos utilizados para la identificación y detección de patrones tanto para enfoques de aprendizaje supervisado como no supervisado.
Minería de Reglas de Asociación
La minería de reglas de asociación es una categoría de técnicas de Machine Learning que se utilizan para identificar relaciones entre variables en grandes conjuntos de datos. El Análisis de Patrones Frecuentes dentro de la solución de Marketing Personalizado utiliza los algoritmos de minería de reglas de asociación FP-Growth y Apriori para detectar conjuntos de productos comprados con frecuencia juntos en una misma transacción. El Análisis de Patrones Frecuentes también sigue el enfoque de aprendizaje continuo, lo que significa que el modelo sigue evolucionando con el tiempo y se adapta a las nuevas transacciones que llegan a través de una amplia gama de flujos de datos compatibles.
