נושא הפרוייקט

מספר פרוייקט מחלקה שמות סטודנטים אימייל שמות מנחים

מערכת המלצות מותאמות אישית מבוססת מיקום עבור משפיענים

Hyper Personalized Location Based Recommendation System for Social Influencers

תקציר בעיברית

הפרויקט נועד לפתח מודל חיזוי להתאמת הצעות רלוונטיות למשפיענים המשתמשים באפליקציית Inplace. Inplace הינה חברה ישראלית, בעלת פלטפורמה המחברת בין עסקים למשפיענים המובילים ברשתות החברתיות. Inplace מתמקדת בשיווק באמצעות משפיענים לכל עסק מקומי בעולם.
Inplace נוסדה בשנת 2021, מרבית הפעילות שלה בישראל ובמספר ערים בארה״ב. המודל העסקי של החברה הוא גביית מנוי מעסקים תמורת מציאת קהל משפיענים המתאים לצורך שיווקי. המשפיענים רשאים לקבל הטבות מעסקים, תמורת פרסום באמצעות רשתות חברתיות.
ישנן שתי דרכים שבאמצעותם משפיענים מקבלים הטבות. הראשונה, יכולת יזומה לבחור הטבה באפליקציה. השניה, מבוססת-מיקום,קבלת התראה כאשר משפיען נמצא בקרבת העסק. כיום, כל משפיען שנמצא בקרבת עסק, מקבל התראה על הטבה. מכיוון שקהל המשפיענים מגוון, ההתראה על הטבה אינה בהכרח רלוונטית אליו. מטרת הפרויקט הינה לשלוח רק את ההטבות הרלוונטית עבור המשפיענים. 
העובדה שכל התראה נשלחת, גורמת לעודף התראות ולחווית משתמש גרועה. 
בעת ביצוע התאמה, נלקח בחשבון היסטורית העסקאות, מאפייני משפיען, מאפייני העסקים וכמות עוקביו. ככל שכמות עוקביו של משפיען רבה, ביצוע העסקה חשובה יותר בשל היקף פרסומה. 
המודל איתו נעשו ההמלצות הינו מודל היברידי המשלב חיזוי של content-based collaborative-based-filtering. כלומר המלצות המבוססות על ידיי המאפיינים של המשפיענים והעסקים, והדמיון בהתנהגותם. המודל שיצרתי ליישום המערכת מבוסס על פירוק-לערכים-סינגולרים (singular-vector-decomposition) ויער-אקראי (Random-Forest). לצורך אימון ובדיקת המודל, אספתי נתונים היסטוריים. הנתונים כוללים מידע על עסקים, משפיענים וכל ההצעות שהוצעו למשפיענים בקרבת עסקים. המשתנה התלוי אותו נרצה לחזות הוא האם ההתראה הסתיימה בעסקה. את המשתנה התלוי חזיתי באמצעות משתנים המאפיינים את המשפיען ומשתנים המאפיינים את העסק.
המערכת הסופית נבחנה על ידי כמה מדדים, והראינו שהוא שיפר את המצב הקיים באופן משמעותי ומאפשר להביא המלצות רלוונטיות עבור המשפיענים. עבור בחינת התוצאות, נבחר threshold עבורו המדדים העיקריים העסקיים הושגו, ובחנו את המודל באמצעות recall, precision, f1-score, precision-at-k, catalog-coverage, weighted false negative rate. אחרי הערכת המודל בממדים אילו, הראתי שביצועי המודל מאפשרים לשלוח התראות רלוונטיות תוך כדי השגת המדדים העסקיים הרלוונטים.

תקציר באנגלית

The project aims to develop a predictive model for matching relevant offers to influencers using the Inplace application. Inplace is an Israeli company that operates a platform connecting businesses with social-media-influencers. Inplace focuses on marketing through influencers for local businesses worldwide.
Founded in 2021, Inplace's main activities are in Israel and select U.S cities. . Their business model charges businesses a subscription fee to connect with suitable influencer audiences for marketing. Influencers receive benefits in exchange for social media promotion.
There are two ways in which influencers receive benefits. Firstly, they can choose a benefit within the application. Secondly, location-based, receiving a notification when an influencer is in proximity to a business. Currently, every influencer receives a notification about a benefit. However, the notification may not necessarily be relevant to them. The goal of the project is to send only relevant benefits.
An excess of notifications is sent, leading to a poor user experience. During the training process, factors such as transaction history, influencer & business characteristics, and follower count are taken into account. The more followers an influencer has, the greater the transaction's significance due to wider advertising reach
The recommendation model combines content-based and collaborative-based filtering techniques, utilizing Singular-Value-Decomposition and Random-Forest algorithms. Historical data on businesses, influencers, and offers near businesses was collected to train and test the model. The prediction target is whether the notification led to a transaction.
The system's evaluation with various metrics demonstrated its significant improvement and relevance in providing recommendations for influencers. Evaluating the results, a threshold was chosen based on which the main business metrics were achieved. The model was evaluated using recall, precision, F1-score, precision-at-k, catalog-coverage, and weighted-false-negative-rate. After evaluating the model on these dimensions, I demonstrated that the model's performance allows for sending relevant notifications while achieving the relevant business metrics.