El primer sistema recomendador de Bci
- Rubro
- Banca
- Tipo de trabajo
- Sistemas de recomendación
- Período
- 2016
Proyecto confidencial: el código y los datos no son públicos.
Arquitectura
- Consumo asistentebeneficiosbúsqueda
- Servir API REST internatop Nre-rankinggeolocalizador
- Store recomendaciones precalculadas
- Modelos Spark ALSfeedback implícitorubroscomercios en el top N de rubrosbatch diario
- Scoring compras normalizadas por cliente y rubro
- Datos Teradatacompras con tarjeta
Objetivo
Probar si el historial de compras alcanzaba para recomendarle a cada cliente rubros y comercios relevantes, como base común para varios usos posibles: un asistente para clientes, beneficios y búsqueda.
Lo que hice
- Diseñé e implementé todo el sistema. Fue el primer recomendador del banco y llegó a piloto.
- Saqué de Teradata las tuplas cliente-rubro y cliente-comercio, con un puntaje de compras normalizado por la actividad total del cliente y del rubro.
- Entrené filtrado colaborativo con feedback implícito (ALS) en Spark, en un batch diario, ajustando regularización, iteraciones y alpha.
- Recomendé comercios solo dentro de los rubros top de cada cliente, para manejar la alta cardinalidad de tiendas.
- Dejé las recomendaciones precalculadas en un store y las expuse por una API REST interna (top N, re-ranking de una lista y filtro por distancia), sin consultar Spark en línea.