Nós sabemos o que você gosta! Vantagens dos sistemas de recomendação nos negócios

Quando as pessoas compram, elas compram produtos de que gostam ou que outros recomendam a elas, porque confiam em sua opinião. Na era digital de hoje, as lojas online oferecem centenas de milhares de produtos aos seus clientes. Para ajudá-los a pesquisar esses produtos e comprar o mais adequado, as lojas online usam sistemas de recomendação.

Além disso, provedores de conteúdo (por exemplo, música, filmes) e serviços de redes sociais usam sistemas de recomendação para gerenciar conteúdo e criar recomendações eficazes para os usuários.

Simplificando, os sistemas de recomendação atuam como uma forma automatizada de um assistente de cliente que não apenas mostra o produto que você pediu, mas também mostra aqueles que estão de alguma forma relacionados ou que você também pode gostar. Eles estão entre as tecnologias de aprendizado de máquina mais populares usadas nos negócios para personalizar o conteúdo para os clientes.

Quais são os benefícios dos Sistemas de Recomendação?

O objetivo mais óbvio de um sistema de recomendação é recomendar produtos relevantes ao usuário . Steve Jobs disse: “Muitas vezes, as pessoas não sabem o que querem até que você mostre a elas” [1]. Referindo-se às palavras de Job, podemos dizer que um dos objetivos secundários de um sistema de recomendação é mostrar aos usuários produtos que eles não viram no passado e que possam gostar. As recomendações correspondentes podem ajudar a melhorar a satisfação geral do usuário , o que aumenta a probabilidade de o consumidor usar o site ou o aplicativo novamente.

Um dos usuários mais conhecidos e pioneiros dos sistemas de recomendação é a Amazon.com. A Amazon usa recomendações para personalizar a loja online para cada cliente, o que resulta em 35% da receita da Amazon [2].

Outro exemplo famoso de sistema de recomendação é o algoritmo que a Netflix usa. De acordo com a McKinsey, 75% do que os usuários assistem na Netflix vêm de recomendações de filmes [3]. No artigo “ The Netflix Recommender System: Algorithms, Business Value, and Innovation ” [4] escrito por executivos da Netflix (Carlos A. Gomez-Uribe e Neil Hunt) os autores afirmam que o sistema de recomendação economiza à empresa cerca de US$ 1 bilhão por ano.

Segundo o Spotify, a implementação do novo algoritmo de recomendação ajudou a aumentar o número de usuários mensais de 75 milhões para 100 milhões [5].

Que tipo de dados os Sistemas de Recomendação usam?

O elemento mais importante na construção de um Sistema de Recomendação são os dados. Existem três tipos de dados: dados explícitos, dados implícitos e descrição do produto.

Os dados explícitos geralmente têm a forma de um número (por exemplo, classificações de 5 estrelas) atribuídas por um usuário a um produto. Exemplos de dados explícitos são classificações de produtos dadas por clientes na Amazon ou classificações de cursos de usuários na plataforma de aprendizado da Udemy. Esse tipo de dados é difícil de coletar porque exige entrada adicional dos usuários, portanto, leva mais tempo para obter um conjunto de classificações amplo o suficiente para criar um modelo de aprendizado de máquina útil.

Dados implícitos são fáceis de coletar. São quaisquer dados focados em como o usuário interage com os produtos/conteúdos disponíveis. O principal problema com esse tipo de dados é como converter o comportamento do usuário em preferências do usuário. Mas existem maneiras eficientes de fazer isso. Exemplos de dados implícitos são o número de vezes que uma música é tocada no Spotify, o número de cliques em links de produtos ou o histórico de compras na Amazon.

O último tipo de dado é a descrição do produto . Como esse tipo de dados geralmente não é estruturado (por exemplo, tem um formato de texto livre), precisamos implementar algum pré-processamento adicional para extrair as informações relevantes e colocá-las em um formato estruturado. Exemplos de descrições de produtos são uma lista de um elenco de um filme na Netflix, um compositor no Spotify ou a descrição do produto na Amazon.

Que tipos de Sistemas de Recomendação existem?

Uma vez que os dados tenham sido coletados, podemos começar a construir um Sistema de Recomendação. Existem quatro tipos principais:

Baseado em popularidade

O tipo mais fácil de sistema de recomendação é baseado na popularidade do item. Este sistema calcula as classificações do produto usando dados explícitos ou implícitos. Abaixo, você pode encontrar dois exemplos de sistemas de recomendação baseados em popularidade para um provedor de filmes:

• usando dados explícitos – sugere filmes populares com base na média das classificações de 5 estrelas do usuário,
• usando dados implícitos – sugere filmes populares com base no número de vezes que os usuários os assistiram.

As vantagens mais importantes dos sistemas de recomendação baseados em popularidade são:

• É resistente à partida a frio do usuário . O sistema pode sugerir produtos sem qualquer informação sobre o usuário.
• Pode ser utilizado em ambientes com um pequeno número de usuários.

A desvantagem mais importante é:

• Cada usuário tem a mesma lista de recomendações.
• Problema de partida a frio do item. O sistema não pode propor um item que nunca foi selecionado ou uma classificação de outros usuários antes.  

Filtragem baseada em conteúdo

Os métodos de filtragem baseados em conteúdo são baseados em descrições de produtos e preferências do usuário. Esse tipo de sistema recomenda produtos semelhantes aos produtos que o usuário gostou no passado. Esse tipo de sistema de recomendação é baseado em três etapas:

1. Analisador de descrição do produto – nesta etapa, as descrições do produto são analisadas usando uma técnica de extração de recursos para transformar as descrições originais em um vetor de itens. Usando vetores de itens, o sistema calcula as semelhanças entre os produtos.
2. Analisador de perfil do usuário – na segunda etapa, o sistema coleta as preferências do usuário, dados do histórico do usuário e constrói o perfil do usuário que é representado pelo vetor do usuário. As feições descritas no vetor do usuário são as mesmas que as feições nos vetores do item.
3. Filtragem de componentes – na última etapa, o sistema escolhe recomendações com base nos vetores de usuário e itens (por exemplo, usando similaridade de cosseno).

As vantagens da filtragem baseada em conteúdo são:

• Nenhum problema de partida a frio do item. O sistema pode recomendar produtos antes de qualquer usuário experimentá-los.
• É adaptável. Captura mudanças nos interesses dos usuários .
• Os itens recomendados para um usuário não dependem de outros usuários.
• Recomenda produtos impopulares .

As desvantagens desta solução são:

• As informações do produto são necessárias.
• Problema de inicialização a frio do usuário. O sistema não pode produzir recomendações quando não há informações suficientes para construir um perfil de usuário.

Filtragem colaborativa

Na filtragem colaborativa, o sistema analisa informações sobre preferências, comportamento e atividades de todos os usuários para prever o que você pode gostar. Simplificando, o sistema recomenda itens que outros usuários com gostos e comportamentos semelhantes gostaram. A principal suposição desse método é que as pessoas que gostaram de produtos semelhantes no passado também gostarão de produtos semelhantes no futuro.

As vantagens mais importantes da filtragem colaborativa são:

• O conteúdo do produto não precisa ser entendido ou descrito de forma alguma nem pelo criador do sistema nem pelo próprio sistema . Isso significa que o sistema pode recomendar produtos sem qualquer análise do próprio produto.
• É adaptável. O sistema captura as mudanças nos interesses dos usuários .

As desvantagens mais importantes são:

• Problema de inicialização a frio do usuário. O sistema não pode recomendar produtos para novos usuários que ainda não tiveram nenhuma interação.
• Problema de partida a frio do item . O sistema também não pode recomendar um item que os usuários nunca selecionaram antes.

Híbrido

Os Sistemas de Recomendação Híbridos combinam métodos baseados em conteúdo e colaborativos . Esta solução pode ser mais eficaz na prática do que qualquer um dos dois métodos separadamente.

Um sistema híbrido é usado na Netflix , onde as recomendações de filmes são o resultado tanto da comparação dos hábitos de exibição de usuários semelhantes (filtragem colaborativa) quanto da localização de filmes com características semelhantes aos filmes que o usuário gostou no passado (filtragem baseada em conteúdo) .

Resumo

Hoje, mais e mais empresas online usam Sistemas de Recomendação para aumentar a interação do usuário com os serviços que prestam. Os sistemas de recomendação são soluções eficientes de aprendizado de máquina que podem ajudar a aumentar a satisfação do cliente e a retenção de usuários, além de levar a um aumento significativo nas receitas de sua empresa.

Interessado em Sistemas de Recomendação?

Você está interessado em implementar uma solução baseada em IA – como Sistemas de Recomendação – em sua estratégia de negócios? Se sim, você veio ao lugar certo. Entre em contato com nossa equipe para discutir sua ideia e obter um orçamento em 48 horas.

Fontes

[1] Edson, J., 2012. Design Like Apple: Sete Princípios para Criar Produtos, Serviços e Experiências Insanamente Grandes. John Wiley & Filhos. pág. 47

[2] Jones, SS e Groom, FM eds., 2019. Inteligência Artificial e Aprendizado de Máquina para Negócios para Não Engenheiros . CRC Press, pág. 86

[3] Alex Castrounis, 2019. IA para pessoas e negócios. Uma Estrutura para Melhores Experiências Humanas e Sucesso nos Negócios . (e-book)

[4] Gomez-Uribe, CA e Hunt, N., 2015. O sistema de recomendação da netflix: algoritmos, valor comercial e inovação . ACM Transactions on Management Information Systems (TMIS), 6(4), pp.1-19.

[5] Leonard, D, 2016. Spotify está aperfeiçoando a arte da lista de reprodução na Bloomberg Businessweek