Stylist Aumentado – Recomendações Inteligentes e Tendências de Moda

Uma ideia fixa surgiu na minha cabeça enquanto eu estava aproveitando as promoções da Black Friday para montar meu guarda-roupa de inverno, então não é de se surpreender que escolhi a moda como o tema deste artigo sobre recomendações de produtos baseadas em Inteligência Artificial. Como você verá, é um exemplo quase perfeito… mas vamos com calma.

O stylist misterioso

Após escolher algumas das roupas que eu realmente precisava, comecei a passear pelo site em busca de outros produtos interessantes (e promoções imperdíveis, claro). Foi aí que algo estranho aconteceu.

De repente, eu me peguei conferindo algumas jaquetas leves, apesar da primeira neve ter caído naquele mesmo dia. Aquelas jaquetas nem estavam na promoção de Black Friday. Eu logo percebi que a minha jornada de compra havia sido conduzida por nada menos que um belo visual (ou look, para usar um jargão do setor de moda) montado por stylists daquela marca, apresentado com fotos atraentes que foram incluídas entre as imagens ilustrativas de alguns dos produtos que eu já havia comprado. Uau.

No mesmo período, eu estava escrevendo um guia sobre estratégias de recomendações de produtos baseadas em Inteligência Artificial. Com isso, duas perguntas se cristalizaram em minha mente:

Será que as recomendações humanas ainda são melhores que as artificiais?

Quem seria um vendedor mais eficiente para ajudar alguém a montar um guarda-roupa – um algoritmo de Inteligência Artificial ou uma stylist daquela marca, que montou aquele visual considerando inúmeros critérios de tendências, adequação ao público, fatores comerciais e industriais, e depois o promoveu com materiais de divulgação atraentes?

Se for a Inteligência Artificial, qual estratégia de recomendação seria a mais adequada para o setor de moda? Se for a stylist, por que esta abordagem tão antiga – relacionamento “um para muitos” – ainda seria melhor na prática? As roupas que usamos envolvem um estilo único e individual, então por que apenas uma alternativa estaria ganhando esta batalha?

Com isso, vem a segunda pergunta:

Quem (ou o que) está realmente impulsionando as tendências?

Será que as recomendações baseadas em IA estão criando suas próprias tendências? Ou pelo menos as influenciando? Afinal, lançar tendências significa influenciar comportamentos atuais. Estaria a moda, uma área firmemente alicerçada na criatividade – um dos últimos bastiões da humanidade frente à tecnologia – entrando sob o domínio da Inteligência Artificial?

A resposta não é simples e exige uma avaliação por diversos ângulos.

Recomendação como conversa

A primeira categorização de recomendações, e talvez a mais evidente, seja entre explícitas e implícitas. As explícitas aparecem quando fazemos escolhas conscientes: “você está procurando por calças masculinas ou femininas?”. A partir da nossa resposta, o algoritmo apresentará as opções.

---

No entanto, as recomendações implícitas são muito mais úteis. Com elas, nós não declaramos abertamente nossas preferências, mas sim as revelamos através do nosso comportamento. Elas são mais eficientes porque, como diz o ditado, “ações falam mais alto que palavras”. Neste caso, estamos tomando o ditado ao pé da letra.

As recomendações baseadas em Inteligência Artificial, como veremos adiante, quase sempre pertencem à segunda categoria.

Recomendação como filtro

Para ser preciso, em geral, as recomendações são uma ferramenta muito valiosa de atendimento ao cliente. Mesmo recomendações simples como “Produtos visualizados recentemente” podem ajudar os clientes a encontrar o que desejam e finalizar as compras.

Esta abordagem se chama segmentação individual (“segment of one” ou, mais formalmente, “machine-to-one”). A marca se apoia em automação para apresentar aos clientes informações tão bem segmentadas que parece terem sido criadas sob medida.

As recomendações substituem abordagens antiquadas, como  o já mencionado “um para muitos”. Cada cliente é diferente e, portanto, tem expectativas, necessidades e, especialmente, preferências únicas. Ou seja, a prática de apresentar sempre os mesmos produtos é um tanto arriscada e pouco eficiente quando comparada a recomendações dinâmicas baseadas em segmentação. É um tanto óbvio, não é? E mais, existem vários tipos de recomendação dinâmica:

• Recomendações baseadas em dados podem apresentar produtos completamente diferentes conforme os critérios estabelecidos – por exemplo, baseadas em produtos visualizados versus adições ao carrinho.
• Falando especificamente de moda, muitos outros fatores são mais importantes. Afinal, a Gucci, a Melissa e a C&A, por exemplo, se apresentam de formas completamente diferentes. As mesmas estratégias de vendas do mundo físico também se aplicam às estratégias de recomendação.

Uma das técnicas de recomendação mais populares é a Filtragem colaborativa, e ela não está limitada ao setor de moda. Ela processa as ações mais importantes que um cliente pode fazer (visualizar produtos, adicionar ao carrinho, comprar) e as usa como base para recomendações a outros clientes.

O algoritmo grava estas ações e sugere produtos com base em um modelo comportamental. Quando um comportamento é semelhante a outro já mapeado, o algoritmo avalia os produtos que têm mais chances de serem aceitos e os recomenda. Sabe aquelas seções do tipo “veja o que preparamos para você” quando você está comprando em uma loja virtual? Geralmente, elas estão usando um sistema baseado em filtragem colaborativa.

E aquela seção “você também pode gostar” ao finalizar um pedido? Trata-se de um sistema baseado em Análise da Cesta de Compras – outro padrão mundial de recomendações. Este tipo de análise está inserido em um modelo mais amplo chamado de Análise de Afinidade, mas o que distingue a Análise da Cesta de Compras é que o foco está nas escolhas reais dos clientes – apenas compras – enquanto a Afinidade é uma medida que relaciona quão frequentemente determinados produtos são comprados juntos.

Por enquanto, não é importante nos aprofundarmos em como a Afinidade é calculada. O que importa é que esta relação entre dois itens é expressada como um número. Falando sobre a Análise da Cesta de Compras usada no sistema edrone: quanto menor for o número (menor que 1), maior será a chance de um produto poder substituir o outro. Quanto maior for o número (maior que 1), maior será a probabilidade de que os produtos se complementam de alguma forma.

Se isso soa como up-selling e cross-selling, você tem toda a razão. Podemos tratar a Análise de Afinidade como a evolução do up- e cross-selling. Técnicas tradicionais aumentadas pela Inteligência Artificial.

Como vemos, as técnicas de recomendação mais usadas se baseiam nas escolhas dos clientes. Será que isso significa que, no fim das contas, as recomendações baseadas em Inteligência Artificial estão apenas refletindo tendências geradas por humanos?

Recomendação como meio condutor para tendências

As práticas discutidas acima funcionam bem com quase todos os tipos de clientes (especialmente os mais distraídos, e que estão sempre pulando de um site para o outro). Mas é difícil dizer que elas criam tendências. É melhor pensar nas recomendações como um transmissor de tendências.

O papel da IA nas recomendações é prever com sucesso quais serão as escolhas de cada cliente, baseando-se em dados. No caso da moda, o algoritmo precisa ser:

1. Repetitivo
2. Responsivo à disponibilidade dos produtos
3. Responsivo às tendências da moda

Teoricamente, também precisaria ser responsivo às preferências dos clientes, mas na prática, isso também depende dos três fatores acima.

As coisas estão começando a ficar complicadas, então vamos tentar ilustrar. Confira o diagrama que montei enquanto pesquisava para escrever este artigo.

Não ajudou muito a esclarecer? Bom, ele é apenas uma visão simplificada das principais interdependências entre os fatores. Mas se você der uma segunda chance, verá que começa a fazer sentido. A rede de relações, inspirações e possibilidades é enorme, complexa e se retroalimenta continuamente.

As coisas ficam ainda mais estranhas se levarmos em consideração mais um fator já mencionado.

A Inteligência Artificial também consegue gerar tendências.

As escolhas da Inteligência Artificial são baseadas nos dados de entrada (input), mas as recomendações (output) têm um elemento de aleatoriedade. Cada veredito da IA é uma lista de probabilidades de adequação. Se, por um lado, temos algumas sugestões mais certeiras, também haverá algumas menos certeiras… que, inesperadamente, podem interessar ao cliente, o que aumentará as chances daquela sugestão aparecer novamente na lista.

Além disso, esta margem de erro é um componente essencial para as operações dos sistemas de recomendação (e outros algoritmos de Aprendizado de Máquina). Se quisermos forçar a máquina a sempre oferecer recomendações com 100% de precisão, será necessário treiná-la à exaustão usando uma quantidade relativamente pequena de dados (pois esta é a única forma de atingir o nível necessário de treinamento em um período razoável). Após esse treinamento exagerado (chamado de “overfitting” ou “overlearning“), o sistema perderá sua habilidade de generalizar e se adaptar a uma realidade que muda constantemente. E quando o sistema encontrar dados de entrada diferentes dos que foram usados no seu treinamento, será incapaz de fornecer um resultado.

O aprendizado excessivo fará com que o sistema perca a inteligência.

Quem é o verdadeiro trendsetter em um mundo imerso em pós-modernidade?

Como vimos, não há uma resposta certa. À medida que eu aprofundava minhas reflexões, foi ficando claro que, quanto mais o mundo se torna uma vila global, mais difusos ficam conceitos como “estilo”.

A moda é influenciada por praticamente tudo, e ela nos cerca em diferentes níveis, seja na forma de produtos ou de inspiração. As inspirações, por sua vez, têm vindo de lugares cada vez mais distintos e inusitados, e hoje temos mais liberdade em termos de estilos possíveis – nos permitimos fazer novas combinações, baseadas nas mais variadas referências históricas, artísticas e culturais.

O papel da Inteligência Artificial não pode ser ignorado. As recomendações baseadas em IA são catalisadores, agregadores de preferências, permitindo que os estilos sejam transmitidos de forma remota, sem exigir um contato com uma pessoa excepcionalmente inspirada.

Uma última reflexão

Ao longo deste artigo, falamos sobre recomendações explícitas e implícitas. Eu iria além. Especialmente no caso da moda, estamos sob o efeito de uma força ainda mais forte, assustadora e onipresente – as redes sociais. Como estamos todos presos em nossas bolhas, é muito mais difícil acessarmos fontes realmente novas e disruptivas de inspiração. Normalmente, somos inspirados pelas pessoas que admiramos, ou ao menos respeitamos, mas algo tão obscuro quanto os algoritmos dos feeds de redes sociais podem estar influenciando nossas escolhas muito mais do que o mais sofisticado sistema de recomendações.