IoT, Chatbots, Internet Industrial, novas mídias, novos negócios… Não há dúvidas, vivemos o começo de uma longa era do Machine Learning. Todas as tendências que vivemos nos últimos anos se utilizam do Big Data para extrair maior informação dos dados já existentes e gerar valor. O e-commerce não foge a essa regra e é um dos grandes beneficiados por essa revolução.


No mercado, cada vez mais se encontram soluções que trazem algoritmos avançados e que auxiliam nas mais variadas frentes, processos e metas de um negócio, como compras mais assertivas, melhor atendimento ao cliente, geração de tráfego, precificação, entre outros.


Isso e muito mais são aplicações da Inteligência Artificial em um e-commerce. No entanto, vamos nos ater aqui aos sistemas de recomendação, que têm como objetivo trazer relevância para a interação do cliente com a marca e, consequentemente, personalizar a experiência do usuário melhorando os principais KPI´s da loja.


A utilidade dos sistemas de recomendação


Sistemas de recomendação não são novidades. Eles já estão no mercado há alguns anos trabalhando com os dados de navegação e com qualquer outro dado aos quais tenham acesso para garantir um conteúdo dinâmico para cada PESSOA na loja. Isso, PESSOA em caixa alta mesmo, para lembrarmos que os milhares de números nas plataformas de web analytics são oriundos de pessoas com contextos, intenções e vidas diferentes, mas às vezes com um interesse comum em relação a produtos.


A proposta de valor dessas soluções é minimizar os efeitos do paradoxo da escolha, enxugando o mix de produtos exibidos espontaneamente para somente aqueles que, de fato, são relevantes para o cliente e entregando a recomendação por meio do canal mais adequado no momento mais oportuno.


Resultado de busca, cross-sell no carrinho, upsell na página de produtos, e-mail marketing, push no mobile, notificação no Facebook, sugestão da vendedora? O canal pouco importa, pois o mais importante é reconhecer o cliente e ser relevante em cada ponto de contato que você tenha aberto com ele.


Cuidados com o uso desses sistemas


Há, porém, enormes pontos de atenção e desafios para quem utiliza esse tipo de tecnologia. Sistemas de recomendação não são o objetivo fim, já que não basta implementar na loja e achar que isso será uma solução.


Aliás, já vi grandes varejistas tendo problemas por causa deles. Um sistema é e sempre será um sistema! Ele deve sempre ser utilizado para suportar uma estratégia e cada empresa por suas particularidades, ou seja, ele terá regras de negócio diferentes para estabelecer sua estratégia de personalização.


Atenção ao aprendizado e às regras estabelecidas pelos sistemas


Por mais preditivos e melhores que sejam os algoritmos, eles não entendem nativamente questões sobre o seu negócio ou mesmo questões culturais. Muitas vezes, o sistema acredita que a melhor opção de produto a ser mostrada ao cliente seja uma, porém ele não sabe, por exemplo, que você fez uma negociação com um fornecedor de produto similar e tem melhor margem.


Mesmo com o dado, como deixar na mão da IA o momento certo de estimular a venda de produtos que encalharam no estoque? O papel do gestor é fundamental para estabelecer e validar as regras automáticas que o sistema de recomendação está gerando.


Vi um caso onde um lojista de esportes da Argentina recomendava, na página de produto da camiseta infantil do Boca Juniors, a camiseta infantil do River Plate, seu principal rival! Isso causou mal estar, pois o fabricante não sabia que se tratava de algo automático.


Qual o motivo dessa recomendação ter sido feita? Isso ocorreu em função de um comportamento recorrente de usuários. É provável que esse padrão de comportamento seja oriundo de pais ou avós que compram camisetas infantis de mais de um time para presentear aos filhos/netos diferentes. Foi necessária a intervenção do varejista e a criação de uma regra de negócio que impossibilita que, ao ver produtos de um time, ele indicasse produtos de outro como recomendação.


Relação entre os produtos recomendados e o estágio do funil


Diariamente, também vejo varejistas que tentam fazer um cross-sell no carrinho e não se dão conta do que estão recomendando. Não levam em consideração que o estágio do funil de compra está relacionado ao produto já colocado ao carrinho e que, dependendo do que vendem, há um novo processo de compra que pode e deve se utilizar das informações de comportamento do usuário, mas de forma inteligente – neste caso, em um outro momento.


Por exemplo, dificilmente alguém que está comprando uma geladeira vai, no momento do checkout, comprar também um fogão, por mais que essa seja uma compra habitualmente recorrente. Isso parece e é óbvio. Todos sabemos que há um momento de conhecimento maior a cerca desse tipo de produto antes da compra, mas é uma minoria os varejistas que hoje, de fato, configuram este tipo de regra em seus sistemas.


Aproveitamento dos produtos não desejados


Outro ponto de atenção é entender se seu sistema de personalização, além de trabalhar com os dados coletados do que foi visto e clicado pelos usuários, está trabalhando também com tudo que foi visto e NÃO foi clicado.


Daí surge a dúvida: o sistema automaticamente não faz isso ao privilegiar os produtos mais clicados? Não. Pelo volume, você acaba não sabendo que produtos estão sendo ofertados a cada pessoa. Você pode até ver em sua curva A, B, C quais são os produtos que menos vendem, mas será que esse produto não vende mais porque não está tendo mais chances pelo algoritmo ou realmente necessita de algum ajuste ou mesmo sair de linha?


Corremos o risco de tornar nosso site em “bolhas” individuais e não mais mostrar produtos que em um outro momento e contexto poderiam ser comprados. Por essa razão, não deixe de ofertar também o que você quer vender, independentemente do que o cliente diz querer comprar.


Inteligência artificial é e será, a cada dia, mais fundamental para lidarmos com uma grande base de dados. A meu ver, o desafio maior da personalização da experiência com a marca, seja ela de conteúdo, vitrines, busca, mídia ou a compra física, seja entender o contexto do usuário.


Não é porque está chovendo que eu quero comprar guarda-chuvas (apesar de que muita gente vai querer), não é porque mês passado eu naveguei em um sapato que eu ainda tenho interesse nele quando entro na home de uma loja de departamentos. Até resolvermos esse tipo de problema, sugiro que você defina suas regras de negócio e acompanhe de perto as recomendações feitas e como elas são comunicadas aos seus usuários para que uma grande solução não se torne um problema.