Empfehlungssystem für ein Düsseldorfer FMCG-Onlineportal entwickeln
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten zwei Jahre Bestellhistorie (anonymisiert) plus Produktstammdaten und Kategorien. Bauen Sie ein Empfehlungssystem als Kombination aus implizitem Matrixfaktorisierungs-Modell (z. B. ALS — Alternating Least Squares) und einem Content-basierten Re-Ranking (auf Produktattributen). Validieren Sie Top-10-Recall und NDCG (Normalized Discounted Cumulative Gain, ein Ranking-Maß) auf einem zeitlich getrennten Testfenster und nutzen Sie zwei 45-minütige Sessions mit Kundenbetreuerinnen, um die Liste qualitativ zu prüfen. Liefern Sie eine reproduzierbare Pipeline plus eine Methodendokumentation, die die Modellwahl ehrlich begründet.
Das Briefing
Was Du tust und was Du zeigst.
Welche Produkte sollten einem Einzelhändler vorgeschlagen werden, sodass die Vorschläge messbar besser performen als die heutige redaktionelle Liste der Sortimentsmanager?
Earning criteria — what you'll demonstrate
- Kollaborative und content-basierte Empfehlungsmethoden kombinieren
- Empfehlungssysteme zeitlich korrekt bewerten
- Quantitative Evaluation mit qualitativer Nutzerprüfung verbinden
- Eine Methodenwahl gegenüber Stakeholdern verteidigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMachine Learning Engineer
Ein hybrides Empfehlungssystem mit klarer Bewertung und Übergabe an einen A/B-Test ist ein typisches Erstprojekt von MLEs in B2B-Plattformen.
Dieses Projekt schärft
- recommendation-systems
- ml-pipeline
- matrix-factorization
Applied AI Scientist
Methodenwahl zwischen kollaborativen und content-basierten Verfahren mit ehrlicher Bewertung ist das tägliche Brot von Applied AI Scientists in Produktteams.
Dieses Projekt schärft
- recommendation-systems
- model-evaluation
- feature-engineering
Data Scientist
Quantitative Evaluation mit qualitativen Nutzersessions zu verbinden ist eine Kernkompetenz produktorientierter Data Scientists.
Dieses Projekt schärft
- model-evaluation
- python
- feature-engineering
Noch eine Sache