Projets / purchase-driver-models
Modèles prédictifs dans le data warehouse
Sept modèles de drivers d'achat construits et scorés dans le data warehouse du métier, avec déploiements automatisés et indicateurs pour les analystes.
- Période
- 2024–2025
- Rôle
- MLOps et data scientist
- Contexte
- Grand industriel B2C
- Cloud
- GCP
[ Architecture ]
Comment ça marche
Lancez un scénario pour suivre une requête à travers le système. Sélectionnez un composant pour lire son rôle et ses flux.
Exécution de scoring planifiée
Le planning se déclenche et rafraîchit tous les modèles.
- Appuyez sur Scorer la base clients pour suivre la requête à travers le système.
- 01Tables sourcesPlanning déclenché · dernières tables lues
- 02Pipeline featuresFeatures rafraîchies en SQL
- 03Modèles BigQuery MLSept modèles scorent la base clients · version et métriques suivies
- 04Tables indicateursTables d'indicateurs écrites
- 05Dashboards analystesDashboards rafraîchis pour les analystes
- ✓Les dashboards contiennent des scores à jour sans que personne ne lance de job, et chaque score remonte à une version de modèle suivie.
Problème
Le métier voulait comprendre pourquoi les clients achètent, modèle par modèle, dans le data warehouse qu’il utilise déjà, et garder les scores à jour sans intervention manuelle.
Données
Des tables clients et achats dans le data warehouse, préparées en SQL pour produire les entrées des modèles. Les données y restent du début à la fin.
Approche
- Des modèles là où vivent les données. Sept modèles, construits avec XGBoost et la régression logistique dans BigQuery ML, sans déplacement de données.
- Préparation en SQL. Le pipeline de features est versionné et rejouable.
- Déploiements automatisés et suivi. Chaque version de modèle est suivie avec ses métriques.
- Indicateurs pour les analystes. Les scores et leurs drivers sont écrits dans des tables lues depuis les dashboards habituels, rafraîchies selon un planning.
Évaluation
Chaque modèle a été comparé sur des clients mis de côté avant d’être utilisé, et une nouvelle version est comparée à la précédente avant de la remplacer.
Résultat
Sept modèles scorent des millions de clients selon un planning, sans étape manuelle avant que les analystes lisent les indicateurs.
Mon rôle
Je me suis occupé de la préparation des données, des modèles, des déploiements automatisés, du suivi des modèles et des indicateurs utilisés pour l’analyse métier.