Aashna Vasa
Nov 17, 2022
Aashna Vasa
Nov 17, 2022
Os sistemas de recomendação têm sido populares em muitas indústrias, como cinema, música, ecommerce, e até nas instituições bancárias. Eles são úteis para ajudar clientes e acharem os produtos que desejam comprar, apresentar novos produtos, gerar insights e inovação, construir a fidelidade do cliente e crescimento, aumentar o limite do cliente, reorganizar comportamentos humanos, e assim por diante.
Neste artigo, vou te ajudar a entender mais sobre os sistemas de recomendação, demonstrando tudo com exemplos de sistemas de recomendação.
Vamos mergulhar.
O que são sistemas de recomendação?
Por que as empresas usam sistemas de recomendação?
Como os sistemas de recomendação funcionam?
Faça com que os sistemas de recomendação trabalhem para o seu negócio
Sistemas de recomendação são aplicações e técnicas que ajudam a apresentar sugestões de itens para usuários ou clientes. As sugestões envolvem diversos processos de tomada de decisão, como quais itens comprar, qual música ouvir, qual notícia online ler, ou quais filmes assistir.
Alguns sistemas de recomendação mais conhecidos incluem sistema de recomendação da Amazon, sugestões da Hulu de filmes e séries no seu feed, vídeos recomendados no YouTube, música no Spotify, o feed de notícias do Facebook e Google Ads.
De acordo com o relatório Delivering For The New Consumer 2018 da RILA e Accenture, “63% dos consumidores pesquisados estão interessados em recomendações personalizadas e a maioria deles está disposta a compartilhar seus dados em troca de benefícios, como créditos automáticos para cupons e pontos de fidelidade (64% dos pesquisados), acesso a ofertas exclusivas (60%), a possibilidade de ganhar pontos e recompensas (56%) ou ofertas especiais para itens que lhes interessam (53%).”
Um algoritmo de recomendação de sistema permite que você venda um conjunto adicional de itens comparado com aqueles vendidos sem qualquer recomendação. Esses itens recomendados atendem às necessidades e preferências do cliente, fazendo com que ele fique mais propenso a comprar.
A MATY é um exemplo excelente do uso de recomendações de produto para impulsionar as vendas. A marca trabalhou com o time da Insider para executar testes A/B para que eles conseguissem decidir quais recomendações trouxeram melhores resultados. A campanha ajudou a MATY a alcançar um aumento de 6,69% no valor médio do pedido (AOV) e um aumento de 9,69% na receita incremental.
Os clientes de hoje têm mais escolhas do que nunca. Por exemplo, o Amazon Prime Video oferece em torno de 24,000 filmes e mais de 2,100 séries; mais de 500 horas de vídeo são enviadas para o Youtube a cada minuto; existem mais de 1,3 bilhões de listagens no eBay. Tudo isso gera desafios aos consumidores para que eles façam decisões bem pensadas, então é provável que eles aceitem recomendações de ferramentas inteligentes.
“Onde quer que a escolha seja importante, os recomendadores florescem, e essa profunda transformação digital da escolha só se tornará mais difundida à medida que os recomendadores se tornarem mais inteligentes. Melhores recomendações invariavelmente significam melhor escolha”, disse Michael Schrage, pesquisador no MIT Sloan School of Management ‘s Initiative on the Digital Economy.
De acordo com uma pesquisa da Salesforce, aproximadamente 37% de compradores que clicaram em um produto recomendado durante a primeira visita voltaram a visitar o site, comparado a somente 19% de consumidores online que não clicaram em recomendações. A Accenture também descobriu que 91% dos consumidores estão mais propensos a comprar com marcas que reconhecem, lembram, e apresentam ofertas e recomendações relevantes.
Quando você mostra produtos recomendados para um usuário que visitou seu website antes, você faz com que eles saibam que você os reconhece e os trata como um visitante valioso. Um sistema de recomendação permite que você faça isso, já que alavanca dados adquiridos das interações prévias de cada usuário.
Um processo de recomendação tem, geralmente, três fases:
Um algoritmo de filtragem colaborativa funciona construindo uma base de dados de preferências por itens de usuários anteriores. Então, combina novos usuários com interesses e preferências relevantes a partir do cálculo de similaridades entre os perfis deles com aqueles anteriores para fazer recomendações.
Um usuário recebe recomendações para aqueles itens que ele não avaliou previamente, mas que já foram avaliados positivamente por outros usuários com os mesmos interesses.
A Amazon é um típico exemplo de filtragem colaborativa. Eles usam técnicas de filtragem colaborativa escaláveis item a item para produzir recomendações de alta qualidade em tempo real. A Amazon facilita a comparação de produtos similares nas páginas de detalhes do produto, cria recomendações de produtos sensíveis ao tempo, sugere produtos em páginas de categoria, e muito mais.
A filtragem colaborativa pode funcionar em sites em que não há muitas informações sobre os itens e onde o conteúdo é mais difícil de ser analisado por um sistema de computador, por exemplo, opiniões. Ela também pode recomendar produtos relevantes para um usuário mesmo sem o conteúdo estar no perfil do usuário.
Dito isso, a filtragem colaborativa sofre com o problema do começo difícil, o que significa que ele não pode recomendar ou fazer previsões fracas se nenhuma ou algumas avaliações vindas dos usuários existirem.
A filtragem baseada em conteúdo analisa os atributos dos itens para gerar previsões. As recomendações são feitas baseadas em atributos extraídos do conteúdo de itens que um usuário já interagiu no passado. Itens que são mais relacionados aos produtos mais avaliados são recomendados aos usuários.
Por exemplo, se eu ouço uma música de um gênero particular, então eu vou receber recomendações de músicas desse gênero em específico. Os atributos da música como nome, data de lançamento, cantor, e instrumentos são também úteis para identificar músicas parecidas.
As técnicas de filtragem baseada em conteúdo não precisam de perfis de outros usuários já que elas não influenciam as recomendações. Então, se o perfil do usuário mudar, essa técnica ainda consegue ajustar recomendações em um curto período de tempo.
A filtragem baseada em conteúdo também pode recomendar novos itens mesmo se os usuários não deram nenhuma avaliação ou classificação. “Então, mesmo se a base de dados não contiver as preferências do usuário, a precisão das recomendações não é afetada”, como explicado por pesquisadores. Dito isso, a efetividade da filtragem baseada em conteúdo necessita de ricas descrições dos itens.
Uma ferramenta de filtragem híbrida combina diferentes técnicas de recomendação para ganhar uma melhor otimização de sistema para evitar limitações e problemas de sistemas de recomendação puros. Uma pesquisa mostrou que uma combinação de algoritmos com essa “vai oferecer recomendações mais efetivas e precisas do que um único algoritmo, já que as desvantagens de um algoritmo podem ser superadas por outro algoritmo.”
Por exemplo, a ferramenta de filtragem híbrida da Insider combina avaliações diversas e ordenação de algoritmos. Ela te permite criar diferentes grupos de recomendações e conduzir testes A/B para achar o que é melhor para você.
Desde sua fundação em 2005, o YouTube é a segunda rede social mais popular. Em 2021, tinha 2,1 bilhões de usuários ao redor do mundo e conteúdo de apoio em 80 idiomas. Todos os dias, as pessoas assistem 1 bilhão de horas de YouTube e geram bilhões de views.
De acordo com pesquisadores, “o sucesso do YouTube se deve não somente ao seu grande acervo de vídeos mas também aos múltiplos mecanismos de descoberta de vídeo como a ferramenta de pesquisa baseada em palavras-chave, recomendações de vídeos similares, vídeos em destaque na homepage do YouTube, inscrições em canais, e incorporação de capacidades nas web pages, blogs e redes sociais.”
A Netflix é um serviço de streaming de filmes onde você pode assistir a milhares de filmes e séries de TV. Para oferecer recomendações personalizadas para seus assinantes, a Netflix criou um complexo sistema de recomendação próprio.
Aqui está como o sistema de recomendação da Netflix funciona:
Quando você cria uma conta na Netflix ou adiciona um novo perfil à sua conta, a Netflix pede para que você escolha sua linguagem de preferência e três títulos para dar o pontapé inicial nas suas primeiras recomendações.
As recomendações iniciais vão sendo substituídas por novas conforme você vai assistindo. De acordo com a Netflix,“os títulos que você assistiu mais recentemente superarão os títulos que você assistiu anteriormente em termos de direcionar nosso sistema de recomendações.”
Enquanto a Netflix não leva em conta fatores demográficos como idade e gênero, eles usam outros fatores para estimar a probabilidade de você assistir a um título em específico.
Por exemplo:
Linhas, classificações e representação de títulos fazem parte do sistema de recomendação da Netflix. O serviço de streaming explicou que seu sistema “também classifica cada título dentro da seção e, em seguida, classifica as próprias seções, usando algoritmos e sistemas complexos para fornecer uma experiência personalizada.”
Cada seção tem três camadas de personalização:
Por exemplo, dê uma olhada na minha página inicial da Netflix. As seções mais recomendadas estão logo no topo da página. A possibilidade de títulos que eu possa gostar vai caindo da esquerda para a direita em cada seção.
Sempre que você acessar a Netflix, você verá muitas sugestões de filmes e séries que podem te interessar. Quanto mais você usa a plataforma, mais recomendações personalizadas você vai ter.
Lançado em 2008, o Spotify é o serviço streaming de áudio por assinatura mais popular do mundo, contando com aproximadamente 430 milhões de usuários, incluindo mais de 180 milhões de assinantes em 183 mercados. O Spotify oferece mais de 70 milhões de faixas, incluindo quase 3 milhões de títulos de podcasts, tudo isso de graça.
Os usuários podem fazer um upgrade para o Spotify Premium, que garante acesso a recursos exclusivos, como som de alta qualidade e experiência on-demand, offline e sem anúncios.
Dentro da plataforma, os usuários podem criar playlists, salvar artistas favoritos, e álbuns em um arquivo próprio chamado Sua Biblioteca. Eles também podem escutar rádios, podcasts, e playlists feitas por outros usuários ou pelo Spotify.
De acordo com o Spotify, eles conseguem fazer ótimas recomendações personalizadas “por conta de sistemas complexos e dinâmicos que consideram uma ampla variedade de inputs [sinais] sobre o que você gosta, […] e equilibrar esses sinais em muitos caminhos possíveis para produzir um output: a melhor música para o momento, só para você.”
Aqui estão alguns sinais no sistema de recomendação de músicas do Spotify:
Pegue os Daily Mixes como um exemplo. Os Daily Mixes são playlists personalizadas baseadas no seu histórico geral. Você pode ter até seis mixes.
“Os mixes são novos e conhecidos ao mesmo tempo – um mix de novas descobertas de músicas que você já tem no repeat e unbound, o que significa que isso irá carregar mais músicas ao invés de parar,”, explica o Spotify. À medida que seus gostos musicais evoluem, seus mixes também – quanto mais você ouve, melhores eles ficam.
Com os sistemas de recomendação, você tem muitas oportunidades para atender melhor e criar uma experiência excepcional para seus clientes, gerar mais vendas e expandir seus negócios.
Pronto para implementar as recomendações? Então, experimente o smart recommender com inteligência artificial do Insider para criar recomendações de produtos relevantes, personalizadas e de alta conversão. Caso precise de ajuda, entre em contato conosco para uma demonstração, e nós o orientaremos em tudo o que você precisar para adotar essa tecnologia.
Written by
Aashna Vasa
Since the beginning of her career, Aashna has maintained a niche focus on marketing of SaaS products. At Insider, she is responsible for managing the go-to-market strategies for Insider's product suite, and fostering relationships with analysts. A design thinker at heart, Aashna's current role empowers her to solve challenges for the larger marketing community that she's always been a part of.
