Recomendação de produtos com IA para transformar sua loja em uma máquina de vendas

Eu acredito que a tecnologia não deveria estar restrita apenas aos grandes players, e todos deveriam poder se beneficiar dos métodos sofisticados disponibilizados pelo Marketing Digital moderno. Hoje compramos pela internet, mas as lojas virtuais não têm vendedores de carne e osso auxiliando os clientes. Portanto, os gerentes de e-commerce precisam preencher esta lacuna de alguma maneira, e é aí que entra a recomendação de produtos por meio de inteligência artificial.

---

O que é uma recomendação de produto?

Uma recomendação de produto é basicamente um filtro aplicado à sua base de produtos. Simples assim. O objetivo deste filtro é mostrar os produtos que cumprem certos critérios:

• Necessidade: Produtos que melhor suprem as necessidades do cliente. É quase uma garantia de compra.
• Probabilidade: O cliente tem uma grande chance de comprar estes produtos. O que o cliente precisa não é necessariamente o que ele deseja, e o desejo é um poderoso impulsionador de vendas.
• Faturamento: Produtos que maximizarão suas receitas. Geralmente são produtos mais caros do que a média e podem suprir necessidades que seu cliente tem, mas possivelmente não saiba que tem.
• Descoberta: Às vezes, as recomendações podem fazer os clientes descobrirem produtos que suprem suas necessidades, mas que eles não sabiam que existiam.
• Extensão: Produtos que estendem ou complementam o uso de outros produtos que o cliente já possui.

Você provavelmente já associou estas recomendações a algumas técnicas consagradas de vendas como o cross-selling e up-selling. De modo geral, tudo isso é pensado para ajudar os clientes de todas as formas possíveis. Como sempre, a Inteligência Artificial é uma poderosa aliada aqui. Neste contexto, eu gosto de me referir a ela como o Fantasma na Máquina de Vendas.

---

O eCommerce é um excelente campo para o desenvolvimento da Inteligência Artificial pois é amplamente baseado em dados, conta com um grande volume de inputs e possui métodos eficientes de verificação. Ao planejar sua estratégia de Marketing, você geralmente incentivará seu público a tomar uma ação específica. Idealmente, este call to action será algo, ao mesmo tempo, fácil de entender (do ponto de vista do usuário) e de analisar (do ponto de vista do gerente do site). Cada passo dado pelo usuário até chegar ao “gran finale” da compra pode ser monitorado. Sendo assim, é fácil determinar estatisticamente as relações entre causas e efeitos – a base do desenvolvimento de algoritmos de IA.

Onde fazer as recomendações de produto?

Geralmente, as recomendações de marketing on-site estão em banners ou pop-ups. Com “recomendações de vendas” me refiro a todas as atividades de Marketing, incluindo banners, cupons, e outras informações disponibilizadas no site. Podemos dividi-las em cinco grupos:

Não baseadas em Inteligência Artificial:

• Não personalizadas + Estáticas – Banners promocionais, informações sobre campanhas e lançamentos.
• Não personalizadas + Em tempo real – Recomendações dos produtos mais vendidos em determinada categoria.

Baseadas em Inteligência Artificial:

• Não personalizadas + Em tempo real – Recomendações para complementar o produto específico sendo visualizado no momento.
• Personalizadas + Estáticas – Recomendações de produtos baseadas no histórico de adições ao carrinho e/ou compras.
• Personalizadas + Em tempo real – Recomendações baseadas em todas as atividades, incluindo visualização de produto, adição ao carrinho e compras.

Como você pode ver, há várias táticas possíveis.

É bom se basear em suas recomendações estáticas e não personalizadas – isso é feito desde os primórdios do comércio. No entanto, você não deve se limitar apenas a elas. O espírito deve habitar o seu eCommerce, pois o poder da Inteligência Artificial vai além da compreensão dos seus clientes 😉

…onde o cliente está

Além dos containers estáticos e dinâmicos, o eCommerce permite o uso de outra ferramenta com a qual estamos tão acostumados que mal a vemos como uma oportunidade para explorar recomendações: a boa e velha barra de pesquisas.

As barras de pesquisas são verdadeiras cornucópias de comportamento dos clientes, registrando valiosas informações explícitas e fornecidas voluntariamente. Ao pesquisar, os clientes estão dizendo exatamente o que querem, e você só precisa mostrar os produtos que irão atingir suas expectativas. Mas não se esqueça, é você que define quais serão estes produtos.

Além disso, os motores de busca têm outro superpoder secreto.

Buscas por Linguagem Natural

Até agora, os clientes se acostumaram a usar os motores de busca de modo bastante simplificado, apenas fornecendo algumas palavras-chave para buscar os produtos desejados. No entanto, e se o cliente pudesse escrever o que deseja de forma natural? Por exemplo, “preciso de um vestido bonito para ir a um casamento como convidada”.

Como mencionei acima, dados explícitos são uma importante fonte de informação. Por um lado, as pessoas às vezes mentem (ou, ao menos, não são completamente sinceras). Por outro, se o cliente sentir que precisa fornecer certas informações para obter o que quer, ele não terá nada a ganhar sendo dissimulado. Os termos de busca são exatamente este tipo de informação.

Por quê? Que diferença faz a pesquisa ser feita em linguagem natural em vez de palavras-chave desconexas? Porque quando sentimos que estamos falando com uma pessoa real em vez de uma ferramenta, temos uma predisposição a falar mais, mesmo que isso seja inconsciente.

• Um atendente em uma loja física tende a receber mais informações sobre as preferências dos clientes.
• No eCommerce, a função do atendente é cumprida principalmente pela barra de pesquisas. Os clientes fornecem informações, mas infelizmente isso costuma ser feito através de palavras-chave desconexas.

Queremos que os motores de busca sejam tão bons quanto possível para podermos processar estes dados fornecidos voluntariamente (portanto, respeitando as leis de privacidade online) e fornecer resultados personalizados. Os clientes querem poder fazer perguntas usando linguagem natural, eles só precisam ter esta possibilidade. Eles precisam saber que podem simplesmente descrever suas necessidades, e o motor de busca irá ajudá-los, da mesma forma que um atendente de carne e osso faria.

---

E uma vez que você saiba o que seu cliente quer, o que você pode fazer? Usar esta informação para sugerir produtos entre os resultados apresentados, da maneira que você preferir!

É interessante notar que, nos primórdios dos motores de busca, eles funcionavam exatamente desta forma. O que aconteceu desde então é que os clientes foram se adaptando a certas “convenções” de pesquisa, reduzindo suas buscas a palavras-chave que não formam frases coesas. É mais simples, mas não significa que funciona melhor.

…onde o cliente quer

Por último, mas não menos importante, temos a comunicação direta por chat, mensagens de voz ou ligações. Estes canais são basicamente a extensão da busca por linguagem natural. Um assistente de vendas virtual é a ferramenta suprema de recomendações para eCommerce, personificando o conceito de um Fantasma na Máquina de Vendas. É literalmente uma entidade artificial que ajuda os clientes a fazerem compras online. Desenvolver uma ferramenta como esta é um grande desafio, mas temos algumas ideias de como fazê-lo – e estamos trabalhando duro nisso!

---

Assistente Virtual de Vendas

O primeiro passo é desenvolver um motor de buscas inteligente. Mas por que a busca por linguagem natural aliada a um assistente por voz baseado em Inteligência Artificial são vantagens estratégicas para um eCommerce?

Porque todos os tipos de clientes sabem usar a comunicação oral de forma eficiente e flexível. Mesmo que o assistente não entenda alguma coisa, o cliente pode responder a perguntas adicionais e esclarecer. A comunicação oral é a nossa interface mais básica de comunicação, desenvolvida e otimizada ao longo de milênios de evolução. A linguagem natural é a fonte suprema de informações.

Informações que são imprescindíveis para recomendarmos produtos de maneira eficaz.

Vamos ver alguns exemplos.

O Fantasma na Máquina de Vendas

O filósofo britânico Gilbert Ryle descreveu esta visão como o “Fantasma na Máquina”. A máquina é, obviamente, o corpo, enquanto o fantasma é o espírito, a mente coletiva, a alma, a inteligência que nos torna únicos e eficientes. Sem o “espírito”, a máquina é nada mais do que uma ferramenta passiva que só funciona mediante a vontade de um agente externo, incapaz operar proativamente.

Sejam sinceros: de um jeito ou de outro, todos nós manipulamos outras pessoas quase diariamente. Porém, não precisamos ter vergonha disso, embora a palavra “manipular” soe um tanto forte.

A maioria das mensagens que as pessoas trocam umas com as outras têm o objetivo de convencer o interlocutor a algo, preferencialmente deixando uma boa impressão. Acreditamos que nossas palavras podem beneficiar a outra pessoa de alguma forma, e reproduzimos este hábito continuamente no espaço social. Algumas pessoas fazem isso melhor do que outras; algumas mais frequentemente, outras talvez menos do que deveriam. O Marketing clássico tenta fazer isso o tempo inteiro.

Você já teve aquela sensação de, ao entrar em uma loja, seus olhos serem bombardeados com zilhões de mensagens que não necessariamente são relevantes para você?

Quando Reed Hastings, cofundador e CEO da Netflix, foi questionado “Quantas versões do Netflix existem?”, ele imediatamente respondeu: “Tantas quanto o número de usuários”. Uma resposta espirituosa, e que é 100% verdade.

Na verdade, é cerca de 80% verdade. O Netflix aloca os usuários em diferentes coortes. Isso significa que, por conta de algum aspecto comportamental ou de interesses (que muitas vezes só o Netflix sabe), seu perfil é muito parecido com o de outros usuários. Porém, na prática, o que o Netflix apresenta de fato para você é uma compilação de diversas coortes diferentes, criando uma ilusão de personalização completa. O Spotify, que mencionarei logo adiante, é bem parecido.

Técnicas de Inteligência Artificial – a protagonista deste texto – se baseiam amplamente em ilusões e, às vezes, truques baratos. E não tem nada de errado com isso. Se algo parece besteira, mas funciona, então não é besteira.

O Netflix é apenas um grande framework de recomendações, em que (quase) cada título é apresentado por decisão de um algoritmo. É como ter um amigo de longa data que já assistou a todos os filmes, animações e séries desde a invenção da câmera e está apenas esperando a oportunidade de oferecer uma sugestão que ele acha que você vai gostar.

O Spotify, por sua vez, é um amigo audiófilo que sabe o tipo de música que você gosta e consegue prever o que você está procurando, mesmo quando a pesquisa é ambígua.

Já o Google é o colega mais inteligente da sala, que sabe as respostas para todas as perguntas, está sempre aprendendo e também consegue “ler nas entrelinhas” o que você está procurando.

Na época da publicação original deste artigo, ainda não tínhamos escrito muito sobre Processamento de Linguagem Natual. Na verdade, o BERT nem havia sido implementado ainda.

Saiba mais sobre esta disciplina da Inteligência Artificial em nosso blog.

O que torna esses sistemas tão proativos? O espírito, é claro – a Inteligência Artificial. Eles aprendem automaticamente. E não há razão para a sua loja virtual não ter esse espírito também!

A Inteligência Fantasma está escutando…

Vamos voltar um pouco e ver como isso funciona no mundo offline. A venda direta é parte essencial da estratégia de Marketing de qualquer loja – das grandes redes varejistas às lojas de bairro.

Um vendedor experiente sabe o que o seu cliente deseja e quais produtos oferecer com base em suas preferências. A exposição de produtos nos pontos de venda é uma ciência (pergunte ao Sam Walton)! Um comerciante inteligente saberá como organizar seus produtos de modo a otimizar o cross-selling, up-selling, e reforçar sua marca (branding). Fazendo apenas algumas perguntas, um atendente conseguirá entender as necessidades e preferências do seu cliente.

Imagine por um momento que você está em uma farmácia, e este “vendedor perfeito” está lhe atendendo. Você acreditaria nele? Você cairia em seus truques?

Para alguns de nós, a resposta provavelmente seria “sim”. Depende da sua personalidade. No entanto, a maioria dos clientes provavelmente se retrairia em vez de “cair na lábia” do vendedor.

Então o que faz o Marketing Digital de um eCommerce ser eficiente, apesar de estar apenas tentando ser o “vendedor perfeito”?

O fantasma na máquina

O dualismo mencionado anteriormente é apenas uma das diversas posições na filosofia da mente. Alguns filósofos não acreditam nesta divisão. Mesmo assim, todos nós temos corpos e pensamentos.

No caso do Netflix, Spotify e Google, isso não é óbvio para a maioria das pessoas. A facilidade de interagir com estas plataformas é a mesma “facilidade” de interagir com uma ferramenta ou uma farmácia. O usuário médio não tem consicência de estar sob escrutínio constante e isso é, em grande medida, o que faz a experiência ser puramente positiva. O fantasma é invisível.

O poder do Marketing está, ou ao menos deveria estar, no fato de que o consumidor não percebe sua existência (espírito). Ao mesmo tempo, a loja (corpo) executa uma venda, como desejado. Na edrone, este “dualismo” é representado pela Marketing Machine. “Eu gosto das músicas que já ouvi antes”

Em geral, as pessoas não gostam de mudanças. Na maioria das vezes, elas só mudam quando absolutamente necessário ou sob a influência de um forte impulso.

Por isso, o objetivo é oferecer o que tem mais chances de ser desejado. Se o cliente irá de fato comprar aquele produto (e se isso é algo com o que você deveria se preocupar) é outra história.

A propósito, você já tentou recomendar uma música, filme, série ou livro a um amigo? Não é nada fácil. Mesmo assim, um dos elementos para o sucesso do Spotify é suas recoendações que nos permitem expandirmos nossas fronteiras musicais de forma sutil. As músicas e artistas são novos, mas de alguma forma são familiares ao mesmo tempo – e algumas logo se tornam suas novas favoritas.

Por que isso funciona? O Spotify não é um vendedor “pit bull” – a oferta é discreta, cheia de entusiasmo e sinceridade. Além disso, ela foi cuidadosamente preparada para você por um algoritmo de Inteligência Artificial que se baseou em seu histórico de uso da plataforma.

12 clientes e uma sentença

Este não é o único fator por trás da eficiência das recomendações do Spotify. Também há um fator psicológico: o poder que um elogio bem colocado tem para afetar uma pessoa.

Para isso, ele precisa de um contexto. Assim, o elogio será mais autêntico e passará a (correta) impressão de que o emissor construiu cuidadosamente sua mensagem. Isso faz a pessoa se sentir especial. Então, com base no princípio da reciprocidade, ela se sentirá mais disposta a retribuir de alguma forma, mesmo que subconscientemente.

Além disso, as pessoas amam ser citadas. No clássico filme 12 Homens e Uma Sentença, um homem velho é chamado como testemunha contra um garoto acusado de assassinato. Ele distorce os fatos, mesmo sem ter nada a ganhar com isso. Por quê? À medida que a história se desenrola, descobrimos que ele fez isso porque, até então, ninguém havia confrontado ele a respeito. Nenhum jornal o citou. Ele se sentiu insignificante, descartável.

No entanto, é preciso tomar cuidado com as citações. Em geral, as pessoas – seus clientes – se preocupam com suas privacidades. Talvez você discorde de mim, considerando que hoje vivemos na era das redes sociais e tantas pessoas exponham suas informações pessoais pela internet. Mas lembre-se: a maioria das pessoas está compartilhando seus dados sem nem se dar conta disso.

---

Nossa sociedade está se tornando cada vez mais consciente deste problema, conforme evidenciado pelos recentes escândalos de privacidade. Em pouco tempo, os cookies de terceiros serão algo do passado, mas ainda não está claro o que virá para substituí-los. A alternativa do Google – FLoC – não tem sido bem recebida, e há muitas outras propostas sendo consideradas.

Leve o apelo abaixo mais a sério do que parece.

A máquina deve apresentar suas mensagens com base em análises do comportamento dos clientes, dentro de um contexto controlado e referindo-se a dados sobre os quais o usuário está ciente – idealmente, informações que o usuário forneceu voluntariamente, mas produtos visualizados e comprados também são aceitáveis.

Ei, nós percebemos que você adora os produtos X e Y! Eles combinam muito bem com o produto Z. O que você acha?

A máquina analisa todo o espectro mensurável do comportamento do cliente, e então se refere a essas ações explícitas de uma forma clara e igualmente explícita.

Os interesses, comportamento no site, gênero, religião, outros sites visitados, e tantos outros dados, são implícitos. Coletar e processar estes dados pode preocupar os clientes e afetar a percepção das mensagens de Marketing sendo emitidas. O ideal é não mencioná-los.

Observe e aprenda

É essencial dar espaço ao cliente. Ninguém gosta de ser forçado a fazer alguma coisa, mas sim encorajado. No filme, quando perguntaram ao velho qual era sua opinião, ele falou o que pensava, mesmo não estando envolvido no caso. Nos basta que o cliente tenha algum interesse em nossos produtos, que os veja. Não se preocupe, eles foram cuidadosamente selecionados para aquela pessoa. Deixe que ela decida.

• Na pior das hipóteses, ganharemos mais informações. Assim como nós, a Inteligência Artificial aprende com seus erros. Estamos sempre dando um passo à frente!
• Na melhor das hipóteses, faremos uma venda e daremos três passos à frente 😉

Independentemente do dualismo corpo-mente ser a visão correta ou não, o fato é que o corpo e a mente devem trabalhar em conjunto para atingir seus objetivos. O sucesso do Netflix e Spotify são prova viva disso. Está na hora de todas as lojas virtuais terem seus próprios Fantasmas na Máquina…

Como usar o Fantasma na Máquina para Recomendação de Produtos?

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.

---

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.

---

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?