Aplicando Técnicas de Recomendação em seu Negócio

Sites e aplicativos oferecem uma infinidade de conveniências, seus usuários podem procurar artigos, assistir filmes, ler livros ou postar suas fotos em apenas alguns cliques. A quantidade esmagadora de conteúdo disponível pode ser um grande obstáculo para seus clientes, sofrendo com o excesso de informações. Consequentemente, os sites geralmente oferecem algum nível de personalização. Ao personalizar a interação de seu cliente, a atenção deve ser focada no conteúdo mais relacionado aos seus interesses.

A personalização pode ser alcançada permitindo que o usuário selecione manualmente tópicos de interesse. Por exemplo, um usuário do LinkedIn pode selecionar machine learning e data science em uma lista de tópicos disponíveis. Outras técnicas identificam os interesses de um usuário, observando passivamente sua atividade no site.

Os sistemas de recomendação geralmente identificam conteúdo relevante com base nos interesses que os consumidores exibiram no passado. Os algoritmos de recomendação geralmente funcionam calculando a semelhança entre consumidores ou entre itens. Empresas como a Netflix recomenda o filme a ser assistido, o YouTube sugere seu próximo vídeo, o Spotify cria listas personalizadas através de seu gosto musical, a Amazon recomenda novos produtos de seu interesse, o Facebook mostra as pessoas você pode querer fazer amizade, até mesmo os anúncios mais irritantes são gerados tailor-made para o seu perfil, tudo através do sistema de recomendação.

Estamos falando sobre vantagem competitiva, fazendo um engajamento ativo de seu usuário com a plataforma. Muitas estratégias foram propostas para construir recomendações, como o filtro baseado em conteúdo, filtragem colaborativa, baseado em contexto, demográfico, conhecimento, entre outras. O ponto focal deste aritgo é como utilizar estas estratégias de forma adequada, resultando em valor ao negócio. Entrarei em detalhes em apenas uma destas técnicas para não me alongar no tema, a filtragem colaborativa. Vale ressaltar que todas as abordagens possuem suas vantagens e desvantagens, entendê-las é a chave para aplicação de forma efetiva em seu negócio.

Filtro Colaborativo

Na abordagem de filtro colaborativo utiliza-se do comportamento histórico dos usuários similares para predição do consumo futuro. Através do rankeamento dos produtos assume-se o interesse deste usuários por aquela categoria de produtos, analisando o comportamento histórico de usuários similares, é possível prever qual o produto que este terá maior interesse futuramente.

Como representado na figura, usuários consumiram produtos em comum e foi recomendado um item que o primeiro havia consumido e o segundo não. Existem um conjunto de técnicas e métricas para seleção do produto mais adequado, não entraremos neste mérito neste artigo. Como eu havia comentado, todas as técnicas possuem pontos positivos e negativos.

Pontos Positivos

• Analisa o comportamento do usuário para gerar recomendações;
• Nichos definidos facilita a recomendação

Pontos Negativos

• Problema da "Ovelha Negra"
• Problema de "Cold Start"

Os dois pontos negativos citados se relacionam à necessidade da análise do comportamento histórico dos usuários. A ovelha negra representa aquele usuário que consomem produtos fora dos padrões demonstrados pelo restante da rede, exemplificando no contexto da Netflix, enquanto a maioria consome o mais novo lançamento da Marvel, este usuário irá consumir um filme cult da Indonésia, produzido por uma equipe independente.

Por outro lado, temos o chamado de Cold Start, que denota a grande questão, o que recomendar para um usuário que acabou de ingressar na minha plataforma? Geralmente, é recomendado produtos que a massa tende a consumir, impactando diretamente a personalização do tratamento aos clientes. Empresas buscam amenizar este impacto com questionários, validando o histórico do consumo deste usuário, muitas vezes sendo inútil por não ser preenchido de forma adequada, e até gerando falsos positivos, enviesando de forma errada o sistema.

Por onde começar? A Amazon AWS oferece uma solução de sistema de recomendação baseado em técnicas de filtragem colaborativa. Sim, existem inúmeras técnicas para cada um dos métodos expostos, sendo possível uma infinidade de combinações para soluções de cada problema.

Esta solução esta livre dos problemas citados anteriormente? Não, a solução disponibilizada pela plataforma baseia-se no modelo criado para as necessidades encontradas no e-commerce da própria Amazon, tendo uma taxa de assertividade muito alta em demandas similares. Para uma solução que minimize os drawbacks de cada uma das técnicas, um estudo minusioso dos dados coletados, público alvo e modelo de negócio é necessário, culminando na implementação de um sistema de recomendação híbrido, onde se combina diversas técnicas e métodos para melhor atender o problema em questão.