Recomendação de produtos com IA para e-commerce

Um sistema de recomendação de produtos baseado em inteligência artificial, ajuda a surpreender os clientes com sugestões de compra personalizadas, com base no seu comportamento de compra na internet.

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. 

O e-commerce 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 e Estáticas – Banners promocionais, informações sobre campanhas e lançamentos.

• Não personalizadas e em tempo real – Recomendações dos produtos mais vendidos em determinada categoria.

Baseadas em Inteligência Artificial:

• Não personalizadas e em tempo real – Recomendações para complementar o produto específico sendo visualizado no momento.

• Personalizadas e Estáticas – Recomendações de produtos baseadas no histórico de adições ao carrinho e/ou compras.
• Personalizadas e 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.

Além dos banners estáticos e dinâmicos, o e-commerce permite o uso de outra ferramenta com a qual estamos tão acostumados que mal 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 e-commerce, a função do atendente é cumprida principalmente pela barra de pesquisas. Os clientes fornecem informações, mas infelizmente isso costuma ser feito por 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 sabe 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.

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 e-commerce. 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!

Agora que você já sabe quais são os tipos de ferramentas disponíveis para recomendação de produtos, vamos ver como elas funcionam com a ajuda da IA.

Como funciona o sistema de recomendação?

Existem duas estratégias principais para 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.

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.

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.

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.