Recomendações de produtos: oferecer aos clientes a próxima grande novidade que eles nem sabiam que queriam

A importância da recomendação certa de produtos

As recomendações de produtos são tão antigas quanto a internet. Bem, pelo menos tão antigas quanto a Amazon. Apresentar aos clientes o conteúdo mais relevante com base nos dados existentes é uma prática comum em todo o setor: as publicações tentam apresentar as leituras mais atraentes, os sites de comércio eletrónico promovem os produtos mais relevantes e os sites de jogos oferecem jogos e aplicações que cada jogador específico achará mais interessantes. As campanhas de recomendação de produtos são uma forma poderosa de aumentar as vendas, a satisfação do cliente, a fidelidade do cliente e o valor da vida útil do cliente. As opções na Internet são infinitas, mas para nós, seres humanos, há apenas 24 horas num dia. Um utilizador passa em média 7,5 a 11 minutos num site de comércio eletrónico.  Se esse utilizador navegar por cada item durante 10 segundos, quando sair, terá visto 66 itens – uma fração dos itens do site. Isso significa que há poucas hipóteses de o utilizador encontrar o item que procurava. E isso apenas no caso de o cliente saber realmente o que procura. Para enquadrar o problema: o cliente interage com a marca por um tempo limitado e, para aproveitar ao máximo esse tempo, a marca precisa de um algoritmo que combine o cliente específico com os produtos mais relevantes. Isso economizará tempo para o cliente e permitirá que a marca ofereça produtos de cauda longa que não são imediatamente visíveis no site.

Conteúdo vs. Filtragem colaborativa

Existem duas abordagens para oferecer recomendações de produtos: a abordagem baseada em conteúdo e a abordagem de filtragem colaborativa. A abordagem baseada no conteúdo recomenda itens com base nos seus atributos. Isto é feito listando diferentes atributos de conteúdo para cada item e recomendando produtos que compartilham os mesmos atributos com os que o cliente comprou recentemente. Isto funciona bem para itens que têm conteúdo real, como livros ou filmes, onde podemos ver o género, atores, época, tipo, etc. Assim, para um cliente que assistiu ao filme O Poderoso Chefão, podemos recomendar a série Os Sopranos. O paradigma não funciona tão bem para itens que têm atributos menos distintos, por exemplo, maquilhagem, suplementos alimentares, férias, roupas e assim por diante. Além disso, com recomendações baseadas em conteúdo, corremos o risco de recomendar as mesmas coisas repetidamente, não permitindo que o cliente amplie os seus horizontes e desfrute da descoberta fortuita de itens que estão fora da sua zona de conforto. A filtragem colaborativa inverte o modelo: começamos não com os atributos do produto, mas com a sabedoria coletiva dos utilizadores das marcas, usando dados de outros clientes para prever quais itens o próximo cliente poderá gostar. Partimos do princípio de que as pessoas que concordaram no passado concordarão novamente no futuro. As vantagens deste método são a facilidade de implementação (não é necessário atribuir valores de conteúdo diferentes aos itens), a ausência de dependência de domínio (uma vez que a metodologia é independente do conteúdo, pode ser utilizada em muitos domínios) e a serendipidade (a possibilidade de o utilizador encontrar itens que não teria procurado por si próprio, mas que ainda assim irá apreciar). Em alguns casos, pode ser vantajoso utilizar uma abordagem híbrida que considere tanto os atributos do conteúdo como a filtragem.

As duas faces da filtragem colaborativa

A filtragem colaborativa pode ser implementada de duas maneiras: baseada em memória e baseada em modelo. O método baseado em memória usa todos os dados do sistema, enquanto a abordagem baseada em modelo depende de agrupamento ou variáveis latentes para medir a semelhança entre itens. O método baseado em memória pode ser construído com base em uma abordagem de usuário para usuário ou de item para item. Em ambos os casos, calculamos a distância entre usuários ou itens. Para a abordagem de utilizador para utilizador, por exemplo, encontramos os k clientes mais semelhantes ao cliente-alvo (os seus «vizinhos») e produzimos recomendações com base nas preferências desses vizinhos.

Como a Optimove usa a filtragem colaborativa para recomendações de produtos

Para o novo módulo de recomendação de produtos da Optimove, usamos um algoritmo de filtragem colaborativa baseado em memória. Esta foi a escolha perfeita para os nossos utilizadores que trabalham em vários domínios, desde snacks a malas e meias. As recomendações de produtos geradas pela Optimove ajudam a expor os clientes a produtos e categorias de produtos que eles ainda não exploraram, mas que provavelmente acharão atraentes. Combinadas com a segmentação avançada de clientes da Optimove, as campanhas de recomendação de produtos permitem a criação de comunicações hiperdirecionadas que são ainda mais personalizadas para cada cliente individual. Por exemplo: uma campanha direcionada a quem procura promoções será muito mais eficaz se apresentar não apenas a oferta geral, mas também produtos específicos nos quais cada cliente possa estar interessado e seus preços com desconto. Essa camada adicional de personalização tem o potencial de conquistar até mesmo os clientes mais distantes do seu banco de dados.