Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Cassandra Motores de recomendación Isthari - Datastax

314 visualizaciones

Publicado el

Webinar sobre motores de recomendación con Apache Cassandra
Para poder ver el weibar completo: https://www.youtube.com/watch?v=SrjMCw1TEo4

Publicado en: Tecnología
  • Inicia sesión para ver los comentarios

Cassandra Motores de recomendación Isthari - Datastax

  1. 1. Motores recomendación Jerome Ruiz - Datastax Franscisco Ros - Isthari José Hernández - Isthari
  2. 2. Founded in April 2010 500+ Santa Clara, Austin, New York, London, Paris, Berlin, Tokyo, Melbourne 450+ Employees Customers 30+ Percent DataStax Corporate Overview
  3. 3. No Vertical Market Concentration
  4. 4. © 2015 DataStax, All Rights Reserved. DataStax Enterprise is the database for cloud applications (Web, IoT, Mobile) Company Confidential Attributes of a Cloud Application Continuously Available Geographically Distributed Operationally Low Latency Linearly Scalable Immediately Decisive
  5. 5. 2013 2014 2015 Magic Quadrant for Operational Database Management Systems
  6. 6. DataStax Use Cases • MDM: Customer 360, Product Catalog • Personalization and Recommendation • Internet of Things (IoT) and Time Series • Computer Security and Fraud Detection • List Management • Messaging • Inventory Management • Authentication © 2015 DataStax, All Rights Reserved. 6
  7. 7. Netflix Delights Customers with Personal Recommendations World’s leading streaming media provider with digital revenue $1.5BN+ Tailors content delivery based on viewing preference data captured in Cassandra Increased market cap by 600% since 2012 Introduction of ‘Profiles’ drove throughput to over 10M transactions per second Replaced Oracle in six data centers, worldwide, 100% in the cloud Use Case: Personalization 7
  8. 8. Sistemas de recomendación On-line • Diseño de filtros sobre colecciones de items que interesan a un usuario para sugerir, en tiempo real, productos o contenidos no visualizados. - Creación de perfiles de usuarios, completos, de consumo y navegación. - Implicitos: Registro de acciones de usuario y análisis de items accedidos - Explicitos: Respuestas de usuario sobre temas o productos de interés - Se realizan comparativas entre colecciones de datos de usuarios/productos similares, ofreciendo al usuario recomendaciones de contenidos no vistos
  9. 9. Sistemas de recomendación On-line. Tipos - Basados en conocimiento, el sistema conoce las preferencias del usuario en base a sus respuestas a cuestiones directas - Contenido, recomendando items no visualizados de un catálogo de items similares - Filtros colaborativos, sugerencias en base a acciones de usuarios con perfiles de consumo similares - Híbridos
  10. 10. Sistemas de recomendación On-line. Ventajas - Adquirir conocimiento profundo sobre los hábitos de nuestros clientes - Tipo de compra - Reacción ante ofertas - Sensibilidad ante precios, productos, campañas - Predicción y anticipación de las necesidades - Facilita la localización de productos/contenidos, incentivando su consumo - Favorece los procesos de Venta Cruzada - Fidelización de clientes, mejorando la experiencia de usuario
  11. 11. Estadísticas Netflix: ⅔ películas vistas son recomendadas Amazon: 35% ventas Google News: 38% de clickthroug a partir de recomendación Fuente: Xavier Amatriain, Recommended Systems
  12. 12. Negocio: Acciones • Recomendaciones en tiempo real (durante la sesión) de productos – Relacionados – Venta cruzada • Parametrización de entornos por cliente • Mailing selectivo con recomendaciones basadas en navegación
  13. 13. Demo
  14. 14. Messaging middleware Captura de datos
  15. 15. Messaging middleware Captura de datos
  16. 16. Messaging middleware Captura de datos
  17. 17. Tendencias
  18. 18. Tendencias
  19. 19. ITEM - ITEM COLLABORATIVE FILTERING B A
  20. 20. ITEM - ITEM COLLABORATIVE FILTERING B BA A
  21. 21. ITEM - ITEM COLLABORATIVE FILTERING B BA A AB
  22. 22. ITEM - ITEM COLLABORATIVE FILTERING Item 1 Item 2 Item 3 Item 4 User 1 1 1 1 User 2 1 1 1 User 3 1 1 User 4 1
  23. 23. COEFICIENTE TANIMOTO Item 1 Item 2 Item 3 Item 4 Item 1 1 0.33 0.625 0.625 Item 2 0.33 1 0.375 0.375 Item 3 0.625 0.375 1 0.714 Item 4 0.625 0.375 0.714 1 Na - Han comprado A Nb - Han comprado B Nc - Han comprado A y B
  24. 24. COEFICIENTE COSENO Item 1 Item 2 Item 3 Item 4 Item 1 1 0.507 0.772 0.772 Item 2 0.507 1 0.707 0.707 Item 3 0.772 0.707 1 0.833 Item 4 0.772 0.707 0.833 1 Na - Han comprado A Nb - Han comprado B Nc - Han comprado A y B
  25. 25. Recomendaciones usuario Item 1 Item 2 Item 3 Item 4 Item 1 1 0.33 0.625 0.772 Item 2 0.33 1 0.375 0.375 Item 3 0.625 0.375 1 0.714 Item 4 0.625 0.375 0.714 1 X 1 0 0 1 1.772 1.214 1.605 1.772 = Usuario Recomendación
  26. 26. Ventajas de Cassandra • Escalabilidad lineal
  27. 27. Ventajas de Cassandra • Escalabilidad lineal • Multi-datacenter
  28. 28. Ventajas de Cassandra • Escalabilidad lineal • Multi-datacenter • Separación de cargas
  29. 29. Ventajas de Cassandra • Escalabilidad lineal • Multi-datacenter • Separación de cargas • Wide rows item-10 item-20 ... item-n item-1 3 20 ... 1
  30. 30. Ventajas de Cassandra • Escalabilidad lineal • Multi-datacenter • Separación de cargas • Wide rows item-10 item-20 ... item-n item-1 3 20 ... 1 item-10 user-22 ... item-n user-1 3 20 ... 1
  31. 31. Actualización Real-time Item 1 Item 2 Item 3 Item 4 Item 1 1 0.33 0.625 0.772 Item 2 0.33 1 0.375 0.375 Item 3 0.625 0.375 1 0.714 Item 4 0.625 0.375 0.714 1 X 1 1 0 1 1.772 1.214 1.605 1.772 = Usuario Recomendación 0.33 1 0.375 0.375 + Incremento
  32. 32. Demo personalizada bigdata@isthari.com

×