Sistemas Híbridos para Recomendações de Produtos ou Serviços

Recomendações baseadas tanto em conteúdo como em usuários e itens similares (fonte: Amazon)

Objetivo deste post

Explicar, sucintamente, como os sistemas híbridos de recomendações de produtos funcionam e como eles estão sendo usados para aumentar as vendas de quem já os implantou em seus negócios.

Os sistemas híbridos de recomendações

Os sistemas híbridos de recomendações são ferramentas que combinam os modelos de recomendações baseadas em conteúdo, as recomendações usando filtros colaborativos e as análises de cestas de compras dos clientes. Dessa forma, os sistemas híbridos tiram vantagem do melhor de cada uma dessas técnicas e conseguem fazer sugestões altamente personalizadas para seus clientes e usuários.

Vejamos dois exemplos sobre o uso de sistemas híbridos de recomendação: o caso da Amazon para já clientes; e o da Sephora, para usuários novos em sua plataforma de vendas.

Sistema de recomendação híbrido para clientes (cujo histórico de compras é conhecido)

Na foto acima, "Descubra sua próxima leitura", eu mostro algumas recomendações feitas pela Amazon para mim, uma cliente com histórico de compras em seu e-commerce. Analisando a qualidade e relevância dessas sugestões, eu pude concluir que elas foram feitas usando filtros colaborativos (baseados tanto em itens que comprei e avaliei bem no passado como itens que usuários com gostos similares aos meus compraram e avaliaram bem) e filtros baseados em conteúdo (recomendados com base nas características de produtos que eu consumi antes).

A Amazon também fez recomendações baseadas na minha cesta de compras, sugerindo, por exemplo, tabuleiros de xadrez e garrafa de água (produtos bem diferentes das compras de livros que eu, normalmente, faço). Neste caso, esses produtos devem ser, frequentemente, vendidos juntos com o livro sobre xadrez que eu comprei recentemente. Para mim, fez sentido: o tabuleiro serve para colocar a leitura em prática e a garrafa de água, para usar durante o jogo, já que esse tipo de esporte demanda muitas horas de concentração e o jogador precisa se hidratar nesse período.

"Quem comprou o livro sobre xadrez X também comprou o tabuleiro de xadrez Y":

Os dois itens estavam, provavelmente, no carrinho de compras de muitos outros consumidores; pessoas, essas, que não precisam ter similaridade comigo em termos de gostos, mas que consumiram um item que é, com bastante frequência, associado a outro.

Em suma, a Amazon aproveita e combina todas as oportunidades que tem para fazer recomendações de produtos que possam ser relevantes para os seus clientes, maximizando as suas chances de serem comprados. Nem sempre, todavia, essas sugestões são aceitas, mas a empresa cria possibilidades de vender um ou mais produtos adicionais relevantes para quem já é seu cliente.

Sistema de recomendações para usuários novos (sem histórico de compras ou navegação anteriores)

O que uma empresa pode fazer quando um usuário novo entra em seu site, loja virtual, aplicativo e ela não conhece os seus gostos e preferências? Uma estratégia comum é apresentar, na Home do site, os produtos mais populares — em termos de navegação ou de compras feitas pelos clientes. Não será uma recomendação personalizada, mas será um bom ponto de partida (por sinal, também usado em lojas físicas. Um cliente entra numa loja e lá está uma espécie de "vitrine" com os produtos mais vendidos).

Para ilustrar isso, usei o exemplo do e-commerce da Sephora (foto acima), do qual ainda não sou usuária cadastrada e tampouco eu forneci um histórico de navegação que ajudasse a empresa a entender o meu padrão de pesquisa para me oferecer ofertas personalizadas. 

Em sua home, a Sephora apresenta uma série de produtos novos, outros com descontos, outros usados por uma celebridade | influenciadora famosa, até mostrar os seus produtos "Mais populares". Neste momento do ano, ela está sugerindo, também, produtos essenciais para o Carnaval.

Quando você acessa uma categoria e subcategoria específicas, a empresa te dá a possibilidade de escolher se quer ver os produtos mais vendidos, os com menores|maiores preços, os que estão com desconto, os de determinada marca e assim por diante. As recomendações que recebi parecem ter sido feitas através da combinação de um sistema de recomendação baseado em conteúdo (características dos produtos) com a análise de cestas de compras (mais vendidos em conjunto com quais produtos).

Usando modelos de recomendação em seu negócio

Os exemplos que forneci acima foram para ajudar você, que deseja implantar um sistema de recomendação em sua empresa a entender que, antes de tudo, você precisa de dados para fazer isso. De posse deles, você também precisará resolver aspectos ligados a ferramentas, equipes e governança de dados.

A necessidade de dados

Dependendo dos dados que seu negócio já possui, você poderá usar um ou mais tipos de sistemas de recomendações, conforme as estratégias abaixo:

Estratégia 1: Se, no começo, você só tiver os dados descritivos dos seus produtos (marca, composição, cor, quantidade, etc), você poderá começar com um sistema de recomendações baseadas em conteúdo, fazendo sugestões de itens com características similares aos que forem pesquisados em seu site, loja virtual, plataforma.

Se o produto pesquisado não estiver cadastrado em sua base, você pode informar isso ao usuário e apresentar sugestões dos produtos mais populares do seu catálogo ou daqueles que você quer promover mais. Por não ser algo personalizado, isso não significa que quem pesquisou vai comprar, mas, pelo menos, você tem algo para mostrar e aumentar as suas chances de vendas.

Estratégia 2: Se além dos dados descritivos dos produtos, você também tiver os dados transacionais de vendas (item adquirido, data da venda, preços, descontos, etc), mesmos que eles não identifiquem o comprador, você já pode combinar o sistema de recomendações baseadas em conteúdo com o de análise de cestas de compras e fazer algo parecido com o modelo da Sephora, acima. Ou seja, você pode recomendar tanto produtos similares aos pesquisados pelo usuário no seu site, como os mais vendidos de cada categoria. Lembra do exemplo do jogo de xadrez?

Estratégia 3: Agora, se você já possui dados que identifiquem os clientes (compras feitas, avaliações de produtos, etc), além dos dados descritivos dos produtos e dos dados transacionais das vendas, você pode fazer uma combinação dos três modelos: recomendações baseadas em conteúdo, filtros colaborativos e análise de cestas de compras.

A necessidade de ferramentas, equipe e governança

Outras considerações que você precisará ter em mente, quando pensar em implantar um sistema de recomendação em sua empresa são as seguintes:

• Ferramentas: entre as tantas soluções disponíveis no mercado, quais são mais adequadas para a estratégia operacional e financeira do seu negócio? Por exemplo, um serviço na nuvem? Qual deles?

• Equipe qualificada: você vai usar uma equipe própria ou vai contratar terceiros para construir e implantar os modelos mais adequado(s) na sua loja e para fazer as análises dos dados; inclusive a interpretação daquelas informações que os modelos de inteligência artificial (ex: chat gpt) te entregam — quase — mastigados?

• Governança e segurança: a sua empresa está preparada tanto para garantir a confiabilidade e segurança dos dados dos seus clientes como para atender às exigências da Lei Geral de Proteção de Dados (LGPD)?

Sistemas de Recomendações Híbridos: Conclusão

Obviamente, existem outros aspectos que influenciam as decisões sobre qual sistema de recomendação implantar numa empresa para aumentar as vendas, mas tudo começa com a atenção e o atendimento dos quatros pontos essenciais exibidos acima.

O tema sobre sistemas de recomendação é abrangente e envolve muitas questões técnicas, geralmente, discutidas com uma equipe de dados (analistas, cientistas, engenheiros). No entanto, o ponto de partida passa pela discussão interna de qual é o real objetivo de negócio a ser atingido com a implantação do sistema de recomendação mais adequado para o momento da empresa, sempre tendo o Retorno sobre o Investimento sem mente.