You've successfully subscribed to edrone Blog
Great! Next, complete checkout for full access to edrone Blog
Welcome back! You've successfully signed in.
Success! Your account is fully activated, you now have access to all content.
Success! Your billing info is updated.
Billing info update failed.

A Mente do Fantasma: Como as Recomendações são Definidas

Informações são essenciais para recomendar produtos corretamente. Assim que sabemos algo sobre um usuário, podemos confrontá-lo com um sistema de Inteligência Artificial e o Fantasma na Máquina de Vendas fará o resto.

Marcin Lewek
Marcin Lewek

Na plataforma edrone, usamos principalmente duas estratégias de recomendação de produtos: Filtragem Colaborativa (Collaborative Filtering) e Análise de Cesta de Compras (Market Basked Analysis). Vale destacar que estas estratégias são bastante simples, e é justamente por isso que as escolhemos para oferecer um sistema de recomendações de produtos baseado em Inteligência Artificial a lojas virtuais de qualquer porte.


Assistente Superescalar: Compreendendo as recomendações por IA
A Marketing Machine é nosso exclusivo motor de recomendações de produtos que pode ser facilmente implementado em qualquer eCommerce. Ela se apoia em diversos algoritmos de recomendação baseados em Inteligência Artificial, transformando sua loja virtual em uma “máquina de vendas”.

Filtragem Colaborativa

Filtragem Colaborativa é um método bastante usado para determinar a melhor recomendação de produto com base no comportamento do cliente. Este método considera os produtos visualizados recentemente, produtos adicionados ao carrinho, e os produtos que foram de fato adquiridos pelos clientes. Esta última ação deve ser tratada de forma diferente, o que você entenderá melhor mais adiante.

Tecnicamente, a estratégia de Filtragem Colaborativa envolve nada mais do que prever a probabilidade de compra de um produto em um determinado contexto, e então apresentar a recomendação com a maior probabilidade.

Há grandes chances deste método de recomendação apresentar produtos mais caros, fazendo com que funcione um pouco como up-selling. Mesmo assim, isso não é uma regra, e é por isso que vale a pena entender como a Filtragem Colaborativa determina quais produtos apresentar a cada tipo de cliente.

Funções: Probabilidade, Descoberta, Expansão.

Vale esclarecer que a Filtragem Colaborativa não é um algoritmo em si, mas sim uma estratégia que faz uso do algoritmo Slope One.

Slope One

Obviamente, calcular a estratégia inteira de recomendações o tempo inteiro e para cada visitante do site pode se tornar algo muito exigente em termos de processamento. É por isso que o Slope One é tão útil. Este é um algoritmo bastante simples, leve, fácil de usar e manter. No entanto, o Slope One funciona bem e é muito melhor do que apresentar itens aleatórios ou recomendações estáticas.

Como o Slope One funciona? Basicamente, ele calcula a diferença entre as avaliações dos produtos feitas pelos usuários. É mais ou menos assim:

			Item A	Item B	Delta das avaliações
Avaliação do usuário 1	4	3,5	D1(A,B) = 4 - 3,5 = 0,5
Avaliação do usuário 2	4,5	x	D2(A,B) = 4,5 - x = 0,5

Um simples cálculo nos mostra que  X = 4.

Então, o algoritmo cria uma matrix de covariância, que calcula a diferença entre as avaliações feitas pelos usuários para cada item. Com base nisso, obtém-se a probabilidade daquele produto ser bem aceito pelo novo usuário.

Porém, há exceções

Nem todo eCommerce possibilita a avaliação de produtos usando, por exemplo, um sistema de 1 a 5 estrelas.

Além disso, as avaliações explícitas dos produtos não são as melhores fontes de informação. Geralmente, quando a avaliação não é solicitada, os usuários tenderão a avaliar o produto apenas quando estiverem insatisfeitos com alguma coisa. Às vezes, podem até avaliar o produto negativamente por conta de algum problema não relacionado – a entrega demorou demais, a embalagem veio danificada, etc.

A ausência de um sistema de recomendações não necessariamente um problema. Basta substituí-lo por um sistema de avaliação implícita das ações realizadas em torno dos produtos. Não há uma forma certa ou errada de atribuir pesos a estas ações, mas geralmente funciona mais ou menos assim:

  • Visualizar produto = 1
  • Adicionar ao carrinho = 3
  • Fazer pedido = 9

No entanto, você pode sempre ajustar os pesos conforme a dinâmica do seu eCommerce. Por exemplo:

  • 1 – 4 – 16 para lojas com produtos caros.
  • 1 – 2 – 8 para lojas com produtos baratos.
  • 1 – 4 – 8 para lojas com produtos caros, e onde os usuários raramente abandonam os carrinhos.
  • 1 – 2 – 4 para lojas com produtos baratos, e onde os usuários raramente abandonam os carrinhos.
  • ...e assim por diante.

Limitações dos algoritmos de recomendação

O Slope One é apenas um algoritmo, bastante simples, dentre muitos outros. Mas suas limitações não são uma exceção, afinal a Inteligência Artificial não é perfeita. Mas podemos fazer um paralelo com os problemas que enfrentamos na vida real. A Inteligência Artificial soluciona problemas humanos, e às vezes enfrenta obstáculos semelhantes aos nossos. A boa notícia é que, da mesma forma, podemos superá-los usando uma abordagem (mais ou menos) humana.

Começando do zero

Pois é, começar algo do zero nunca é fácil. Quando um novo usuário entra em nosso site, o algoritmo não tem o que oferecer, pois não tem nenhuma informação na qual possa se basear para fornecer uma recomendação.

Isso é um problema comum a todos os sistemas de recomendação – inclusive os de carne e osso! Quando um novo cliente entra em uma loja, o vendedor ainda não sabe o que oferecer pois não sabe quais são os interesses daquela pessoa.

Escassez

As grandes lojas online vendem um número colossal de produtos. No entanto, eles não são igualmente populares, ou seja, não são todos comprados com a mesma frequência. Isso gera duas falhas:

  • Viés de popularidade: o algoritmo favorece os produtos que são avaliados com maior frequência. E com isso...
  • Produtos de cauda longa: alguns produtos são pouco conhecidos, mas seriam indicações perfeitas para determinados usuários. Estes produtos podem acabar não sendo recomendados.

Novamente, o mesmo problema se aplica às lojas físicas! Os produtos que têm vendem mais geralmente são os produtos que os vendedores sugerem com mais frequência quando os clientes demonstram interesses mais ou menos parecidos.

Escala

O grande número de pedidos mencionado acima se torna um problema ainda maior quando combinado com um grande número de clientes. O número de possibilidades gerado por esta combinação é astronômico, e se um sistema de recomendações tentasse calcular todas elas, o resultado seria uma hecatombe computacional.

E no mundo real? Entre em uma grande loja de departamentos e peça ao vendedor por um item qualquer. É possível que ele saiba exatamente onde encontrá-lo, mas é mais provável que ele o direcionará a um colega responsável pelo setor em questão. A não ser que o vendedor tenha habilidades sobrenaturais, é altamente improvável que ele consiga processar centenas de milhares de itens e indicar o produto correto, levando em consideração todas as possibilidades e necessidades.

No entanto, nós aprendemos a lidar com todas essas limitações – ou, ao menos, minimizar o seu impacto.

Qual é a solução?

  • Para visitantes frequentes, use a Filtragem Colaborativa sem hesitação (abordagem baseada no comportamento do usuário).
  • Para novos visitantes, é melhor partir para uma abordagem com base nos produtos. Este é o método de Análise de Cesta de Compras.

Análise de Cesta de Compras

Também denominada pelo termo mais amplo de Análise de Afinidade, esta estratégia de recomendação de produtos é ainda mais simples do que a Filtragem Colaborativa. A Análise de Cesta de Compras envolve a criação de regras de associação entre os produtos: se os clientes costumam incluir o produto A e o produto B no mesmo carrinho, há boas chances de um cliente que está comprando o produto A também se interessar pelo produto B.

Se A, então B. Simples assim.

É possível medir a afinidade entre produtos. Para isso, usamos três parâmetros: Suporte, Confiança e Lift.

  • Suporte: Proporção de transações que embasam a regra em comparação a todas as outras (número de cestas de compras que contêm os produtos A e B, dividido pelo número total de cestas de compras). Este parâmetro indica a popularidade de um determinado conjunto de produtos.
  • Confiança: Proporção de transações que embasam a regra em comparação a todas as que cumprem os requisitos (número de cestas de compras que contêm os produtos A e B, dividido pelo número total de cestas que contêm o produto A). Este parâmetro indica a probabilidade dos itens em questão serem comprados juntos.
  • Lift: A frequência com que esta coincidência ocorre, em relação à probabilidade esperada. Por exemplo, se o produto A aparece em 40% das compras e o produto B aparece em 25% das compras, a probabilidade calculada de ambos serem comprados juntos seria de 0,4 x 0,25 = 0,1 = 10%. Porém, se este conjunto aparecer em 20% das compras, a frequência com que ocorre será duas vezes maior que o esperado, portanto o Lift = 2.

Técnicas de venda turbinadas

Este último parâmetro é o mais interessante, pois gera mais insights sobre a relação das recomendações geradas por Inteligência Artificial em relação às técnicas de vendas tradicionais.

Os valores de Lift geralmente ficam em torno de 1. Se o Lift for maior que 1, quer dizer que aquele conjunto de produtos aparece com mais frequência do que itens combinados aleatoriamente. De alguma forma, aqueles produtos se complementam.

  • Recomendar itens com Lift > 1 é aplicar a técnica de cross-selling.

Por outro lado, se o Lift for menor que 1, isso significa que aquele conjunto aparece com menos frequência do que produtos escolhidos aleatoriamente. Em vez de se complementarem, um produto do conjunto serve como alternativa ao outro.

  • Ao recomendar itens com Lift < 1 e aplicar um filtro de preços (preço de B > preço de A), podemos pensar nisso como uma aplicação de up-selling.

Cross-selling e up-selling: Extraindo o máximo de cada venda
Não é segredo que trazer novos clientes para a sua loja é um processo complexo e custoso. Que tal aumentar seu faturamento vendendo mais para os clientes que você já tem?

Use a Inteligência... começando pela sua!

Neste artigo, mencionei que algumas limitações da Inteligência Artificial podem ser superadas com uma abordagem humana. Você pode ter percebido isso quando mudamos nossas abordagens entre o foco nos usuários ou nos produtos. Mas isso não é tudo.

Recomendações estáticas e não personalizadas (banners, lançamentos, destaques selecionados) também funcionam. Pense nos itens estáticos como um "aquecimento" para os algoritmos, algo que os ajuda a aprender. Todos nós precisamos de uma ajudinha no começo, não é?

Ninguém conhece melhor os seus clientes do que você. É por isso que você não deve se retirar do processo de recomendações de produtos, deixando apenas a Inteligência Artificial correr solta. A Inteligência Artificial, quando combinada à Humana, pode solucionar mais problemas do que conseguiria sozinha.

As Redes Neurais, quando são criadas, preenchem as lacunas entre seus nós com valores aleatórios. Apenas com o tempo, após algumas épocas de aprendizado (este é o termo usado em IA), a Rede Neural vai aprimorando suas conexões à medida que aprende como atingir os objetivos desejados. O mesmo vale para os nossos cérebros!

Para concluir

Faça perguntas. Interaja com seus clientes. Incentive que eles pesquisem pelos produtos que desejam. Esta é a melhor maneira de ensinar o sistema de Inteligência Artificial (o Fantasma) que cria as recomendações de produtos do seu eCommerce. Ao mesmo tempo, também é uma forma de superar as limitações dos algoritmos de recomendação, da total ausência de informações (cold start) ao excesso de treinamento (overfitting).

Mesmo o algoritmo ou software mais sofisticado tem dificuldades em superar a eficiência de algumas simples perguntas. Você está procurando por roupas masculinas ou femininas? Ou talvez você não ligue para o gênero? No que o seu filho está interessado no momento? Você está procurando algo para dar de presente, ou é para você?

Quais são os seus interesses?

Artificial intelligenceTutorials & GuidesOn-site marketingMachine learningBig data

Marcin Lewek

Digital marketer and copywrier specialized in Artificial Intelligence, design, and digital marketing itself. Science, and holistic approach enthusiast, after-hours musician, and sometimes actor.