Data-driven recommendations for H&M : a study on candidate generation and boosting trees

The rise of e-commerce has transformed the retail landscape and has created a wealth of opportunities for customers and businesses alike. Customers now have access to a vast array of products and services from the comfort of their own homes. Businesses are able to reach a wider audience than ever before. However, this abundance of choices can also lead to information overload and result in a less-than-optimal shopping experience for customers. To overcome this, companies are constantly looking for ways to improve the customer experience and to provide personalized recommendations that are tailored to each individual customer's preferences, behaviors, and feedback. Recommender systems analyze past customer behavior and preferences to suggest new products that are likely to interest them. They have become an essential tool for companies in the e-commerce industry as they provide a convenient, time-saving, and personalized shopping experience for customers. By providing customers with relevant and targeted recommendations, recommender systems can increase customer engagement, satisfaction, and sales. H&M, a leading fashion retailer, has recognized the importance of recommender systems and proposed a Kaggle Challenge to develop product recommendations based on data from previous transactions, as well as from customer and product metadata. The main objective of this Master's thesis is to propose an effective, scalable, and lightweight recommender system to enhance customer experience. The findings of this thesis provide valuable insights into the accuracy and effectiveness of recommender systems to improve H&M's online shopping experience. Past the competition period, I conduct extensive research on fashion-based recommenders and focus the work on proposing a novel and light fashion-based recommender that outperforms the state-of-the-art and publicly available top-scores recommender. I analyse first the dataset to find patterns in the behaviour of the customers and build new features. The thesis proposes a list candidate generation strategies to down-sample the pool of articles to recommend and an effective, fast and lightweight model to enhance sales.

L'ascesa dell'e-commerce ha trasformato il commercio al dettaglio, creando opportunità per clienti e aziende. I clienti hanno ora accesso a una vasta gamma di prodotti e servizi dal comfort delle proprie case, mentre le aziende raggiungono facilmente un pubblico più ampio. Tuttavia, il sovraccarico di scelte ed informazioni fornisce un'esperienza di shopping non ottimale. Per superare questo ostacolo, le aziende cercano costantemente modi per migliorare l'esperienza del cliente e fornire raccomandazioni personalizzate che si adattino alle preferenze, ai comportamenti e ai feedback di ognuno. I sistemi di raccomandazione analizzano il comportamento e le preferenze dei clienti per suggerire prodotti che siano di loro interesse. Sono diventati uno strumento essenziale nell'e-commerce, poiché forniscono un'esperienza di shopping comoda, time-saving e personalizzata. H&M ha riconosciuto l'importanza dei sistemi di raccomandazione e ha proposto una challenge Kaggle per sviluppare un sistema di raccomandazione a partire dai dati delle precedenti transazioni, dei clienti e dei prodotti. L'obiettivo principale di questa tesi è proporre un sistema di raccomandazione efficace, scalabile e leggero per migliorare l'esperienza del cliente. I risultati di questa tesi forniscono informazioni preziose sull'accuratezza e l'efficacia dei sistemi di raccomandazione per migliorare l'esperienza di shopping di H&M. Dopo la fine della competizione ho condotto un'ampia ricerca sui sistemi di raccomandazione basati sulla moda, proponendo un nuovo ed efficace modello che supera lo stato dell'arte e i sistemi di raccomandazione attualmnete in uso. Ho analizzato il dataset per trovare pattern nel comportamento dei clienti e creare così nuovi metadati. La tesi propone una serie di strategie di generazione di candidati con l'intento di ridurre il pool di articoli da raccomandare e un modello efficace, veloce e leggero per migliorare l'esperienza di acquisto.