Herausforderung
Ein führender Automobilhersteller wollte den Verkauf digitaler Services direkt im Fahrzeug steigern. Ziel war es, Empfehlungen zu personalisieren, basierend auf individuellem Fahrverhalten und den Präferenzen der Kund:innen. Das Projekt war besonders komplex, da täglich über 65 Milliarden Signale aus globalen Quellen verarbeitet werden mussten. Diese Daten benötigten eine effiziente Aggregation und Analyse, um bei hohen Datenschutzstandards relevante Einblicke zu gewinnen und präzise Empfehlungen aussprechen zu können.
Ansatz
Wir entwickelten ein hochmodernes Empfehlungssystem, das effiziente und effektive Empfehlungen ermöglicht. Die Daten wurden über einen Eventhub aufgenommen und mittels Spark Clustern parallelisiert verarbeitet, orchestriert durch Azure Data Factory (ADF). Durch die parallelisierte Verarbeitung auf mehreren GPUs konnten wir das Modell schnell und skalierbar trainieren. Der Trainingsdatensatz umfasste 37 Millionen Einträge mit fast 1000 Features.
Ergebnis
Das implementierte Empfehlungssystem erzielt beeindruckende Ergebnisse. Der Automobilhersteller konnte zusätzliche Umsätze generieren und die Conversion-Rate um bis zu 70% steigern. Diese signifikante Verbesserung der Conversion-Rate zeigt die Effektivität des personalisierten Empfehlungssystems und die Fähigkeit unseres Teams, komplexe Daten effizient zu verarbeiten und zu nutzen. Der Erfolg des Projekts steigert nicht nur die Verkaufszahlen, sondern auch die Kundenzufriedenheit durch relevante und nützliche In-Car-Service-Empfehlungen.