Vår resa

Ideén till rek.ai har länge existerat men det var först när tekniken inom AI utvecklats till den punkt där den är idag vi kunde börja experimenten för att se om vår idé gick att förverkliga.

Under arbetet har vi samarbetat med två kommuner för att i lugn och ro driva vår tes och se om tekniken kunde leverera resultat med tillfredsställande kvalitet på en godtagbar tid.

Den process som sker vid skapande av en rekommendation inbegriper miljontals uträkningar vars resultat ska sorteras, skickas och formateras till besökaren. Vi hade våra funderingar om alla de här operationerna gick att utföra på så kort tid att besökaren aldrig skulle behöva uppleva det som om rekommendationerna “laggade”. Men vi blev väldigt positivt överraskade när vi i de första testerna såg att vi hamnade på svarstider kring 100 ms, vilket var mer än godtagbart.

Nästa steg var att se om rekommendationerna höll måttet ur ett användarperspektiv. Och enda sättet att försäkra sig om detta var att räkna antalet klick på dem. Vi satte upp ett dussintal A/B-tester på olika delar av webbplatserna för att se hur besökarna interagerade med våra rekommendationer. Även här blev vi mycket positivt överraskade; det visade sig att rekommendationerna höll så hög kvalitet att vi ofta såg förbättringar (såsom sänkt bounce rate, ökade antal klick etc) på upp till 40 procent.

Vi använde oss av agila utvecklingsmetoder i projekten med våra testkunder och utvärderade i varje sprint vilka funktioner vi ville utöka samt förbättra. Genom den här processen insåg vi behovet av ‘custom features’, möjligheten att visa content och funktioner som låter kunden köra JavaScript efter rekommendationerna är presenterade. Vi utökade också antalet parametrar som beaktades vid en rekommendation och inkluderade flera bakomliggande API:er mot externa källor. Vid varje ny iteration såg vi förbättrade resultat och ökad kundinteraktion.

Vill du veta vad rek.ai kan göra för er?