Você recomenda Motores de Recomendação?

Nos negócios, o problema da agulha no palheiro é um desafio constante. Os Motores de Recomendação estão aqui para ajudar a enfrentar esse desafio. 

No comércio eletrônico e varejo, você oferece centenas ou milhares de produtos. Qual é o produto certo para seus clientes?

Em vendas e marketing, você tem um grande número de prospectos em seu pipeline. No entanto, você só tem um número limitado de horas por dia. Então, você enfrenta o desafio de decidir exatamente onde focar seu esforço.

Há uma tecnologia especializada impulsionada por IA e Big Data, que torna esses desafios muito mais fáceis de gerenciar, os motores de recomendação.

O que são sistemas de recomendação?

Em seus termos mais simples, um motor de recomendação passa por muitos itens e prevê a seleção mais relevante para o usuário. Para os consumidores, o motor de recomendação de produtos da Amazon (AMZN ) é um exemplo familiar. No mundo do entretenimento, a Netflix (NFLX ) trabalhou arduamente para desenvolver seu motor. O motor de recomendação da Netflix trouxe benefícios para a linha de fundos:

“[O sistema de recomendação sofisticado da Netflix] e a experiência personalizada do usuário, permitiram que eles economizassem US$ 1 bilhão por ano com cancelamentos de serviço.” – O ROI dos motores de recomendação para marketing

Do ponto de vista do usuário final, muitas vezes não está claro como os motores de recomendação funcionam. Vamos levantar o véu e explicar como eles funcionam, começando com o ingrediente-chave: dados.

Motores de Recomendação: Quais dados eles usam?

Os dados necessários para um motor de recomendação dependem do seu objetivo. Suponha que seu objetivo seja aumentar as vendas em uma empresa de comércio eletrônico. Nesse caso, os dados mínimos necessários cairiam em duas categorias: banco de dados de produtos e comportamento do usuário final. Para ilustrar como isso funciona, veja este exemplo simples.

• Empresa: Acessórios USB, Inc. A empresa se especializa em vender acessórios e produtos USB, como cabos, drives e hubs, para consumidores e empresas.
• Dados de Produto. Para manter o motor de recomendação inicial simples, a empresa limita a 100 produtos.
• Dados do Usuário. No caso de uma loja online, os dados do usuário incluirão informações de análise de site, marketing por e-mail e outras fontes. Por exemplo, você pode descobrir que 50% dos clientes que compram um disco rígido externo também compram cabos USB.
• Saída de Recomendação. Nesse caso, o seu motor de recomendação pode gerar uma recomendação (ou um código de desconto) para os compradores de discos rígidos para incentivá-los a comprar cabos USB.

Na prática, os melhores motores de recomendação usam muito mais dados. Como regra geral, os motores de recomendação produzem melhores resultados de negócios quando têm um grande volume de dados para usar.

Como os motores de recomendação usam seus dados?

Muitos motores de recomendação usam algumas técnicas para processar seus dados.

Filtragem baseada em conteúdo

Esse tipo de algoritmo de recomendação combina as preferências do usuário e tenta recomendar itens semelhantes. Nesse caso, o motor está focado no produto e destacando itens relacionados. Esse tipo de motor de recomendação é relativamente simples de construir. É um bom ponto de partida para empresas com dados limitados.

Filtragem colaborativa

Já pediu a alguém uma recomendação antes de fazer uma compra? Ou considerou avaliações online em seu processo de compra? Se sim, você já experimentou a filtragem colaborativa. Motores de recomendação mais avançados analisam avaliações de usuários, classificações e outros conteúdos gerados por usuários para produzir sugestões relevantes. Esse tipo de estratégia de motor de recomendação é poderosa porque aproveita a prova social.

Recomendadores híbridos

Os motores de recomendação híbridos combinam dois ou mais métodos de recomendação para produzir melhores resultados. Voltando ao exemplo de comércio eletrônico acima, digamos que você tenha adquirido avaliações e classificações de usuários (por exemplo, 1 a 5 estrelas) ao longo do último ano. Agora, você pode usar tanto a filtragem baseada em conteúdo quanto a filtragem colaborativa para apresentar recomendações. Combinar múltiplos motores de recomendação ou algoritmos com sucesso geralmente requer experimentação. Por essa razão, é melhor considerá-lo uma estratégia relativamente avançada.

Um motor de recomendação só é bem-sucedido se você o alimentar com dados de alta qualidade. Ele também não pode performar efetivamente se você tiver erros ou informações desatualizadas em seu banco de dados da empresa. É por isso que você precisa investir recursos em qualidade de dados continuamente.

Estudos de Caso: 

Hiring Automated: Pontuação de Candidatos

Há mais de 50 candidatos por vaga, em média, de acordo com a pesquisa da Jobvite. Para os departamentos de recursos humanos e gerentes, esse volume de candidatos cria uma quantidade tremenda de trabalho. Para simplificar o processo, a Blue Orange implementou um motor de recomendação para um fundo de hedge da Fortune 500. Esse projeto de automação de RH ajudou a empresa a classificar os candidatos de forma padronizada. Usando dez anos de dados de candidatos e currículos, a empresa agora tem um modelo de pontuação sofisticado para encontrar candidatos que se encaixam bem.

Um Fundo de Hedge em Nova York precisava parsear currículos que eram inconsistentes e exigiam OCR para melhorar o processo de contratação. Mesmo a melhor análise de OCR deixa você com dados desestruturados e bagunçados. Em seguida, à medida que o candidato avança no processo de aplicação, os humanos se envolvem. Adicione ao conjunto de dados textos livres de revisão do candidato e tanto vieses linguísticos quanto pessoais. Além disso, cada fonte de dados é isolada, fornecendo oportunidades de análise limitadas.

Abordagem: Após avaliar os processos de contratação de várias empresas, encontramos três oportunidades consistentes para melhorar sistematicamente os resultados de contratação usando NLP e aprendizado de máquina. As áreas problemáticas são: estruturar corretamente os dados do currículo do candidato, avaliar a adequação ao trabalho e reduzir os vieses de contratação humanos. Com um conjunto de dados limpo e estruturado, podemos realizar análise de sentimento no texto e detecção de subjetividade para reduzir o viés do candidato na avaliação humana.

Resultados: Usando detectores de palavras-chave, reconhecimento óptico de caracteres e motores de NLP baseados em nuvem, conseguimos limpar texto de string e transformá-lo em dados relacionais. Com dados estruturados, fornecemos um painel de Análise de Negócios rápido, interativo e pesquisável no AWS QuickSight.

Comércio Eletrônico: Zageno Medical Supplies

Outro exemplo de motores de recomendação sendo implementados no mundo real vem da Zageno. A Zageno é uma empresa de comércio eletrônico que faz para os cientistas de laboratório o que a Amazon faz para o restante de nós. A ressalva é que as necessidades dos cientistas de laboratório são exatas, portanto, os suprimentos adquiridos para suas pesquisas devem ser exatos também. As citações abaixo são da nossa entrevista com a Zageno e destacam como eles usam motores de recomendação para entregar os suprimentos mais precisos para os cientistas de laboratório. 

Perguntas e Respostas: Blue Orange Digital entrevista a Zageno

Pergunta:
Como sua empresa usou um motor de recomendação e quais resultados vocês viram?

Resposta:

Há dois exemplos de motores de recomendação que a ZAGENO emprega para seus clientes científicos. Para explicá-los, sentimos que era melhor listar em forma de tópicos.

• Pontuação Científica da ZAGENO:
  • A Pontuação Científica da ZAGENO é um sistema de classificação de produtos abrangente, desenvolvido especificamente para avaliar produtos de pesquisa. Ele incorpora vários aspectos de dados de produtos, de múltiplas fontes, para equipar os cientistas com uma classificação de produtos sofisticada e imparcial para tomar decisões de compra precisas.
  • Aplicamos algoritmos de aprendizado de máquina sofisticados para combinar, agrupar e categorizar milhões de produtos com precisão. A Pontuação Científica leva em conta essas categorizações, pois a classificação de cada produto é calculada em relação aos produtos da mesma categoria. O resultado é um sistema de classificação que os cientistas podem confiar — um que é específico tanto para a aplicação do produto quanto para o tipo de produto.
  • As classificações de produtos padrão são úteis para avaliar produtos rapidamente, mas são frequentemente tendenciosas e não confiáveis, devido à sua dependência de avaliações desconhecidas ou de uma única métrica (por exemplo, publicações). Eles também fornecem poucos detalhes sobre o contexto experimental ou a aplicação. A Pontuação Científica utiliza uma metodologia científica para avaliar objetiva e abrangentemente os produtos de pesquisa. Ela combina todas as informações de produto necessárias e relevantes em uma classificação única de 0 a 10 para apoiar os clientes na decisão de qual produto comprar e usar para sua aplicação — economizando horas de pesquisa de produtos.
  • Para garantir que nenhum fator único domine, adicionamos pontos de corte e damos mais peso às contribuições recentes. A grande quantidade de fatores que consideramos virtualmente elimina qualquer oportunidade de manipulação. Como resultado, nossa classificação é uma medida objetiva da qualidade e quantidade de informações de produto disponíveis, o que apoia as decisões de compra dos clientes.
• Produtos Alternativos:
  • Produtos alternativos são definidos pelos mesmos valores para atributos-chave; atributos-chave são definidos para cada categoria para levar em conta características de produto específicas.
  • Estamos trabalhando para aumentar os dados subjacentes e atributos e melhorar o algoritmo para melhorar as sugestões
  • As sugestões de produtos alternativos visam ajudar tanto os cientistas quanto os profissionais de compras a considerar e avaliar produtos potenciais que eles podem não ter considerado/conhecido de outra forma
  • Produtos alternativos são definidos apenas por características de produto e independentes de fornecedores, marcas ou outros dados comerciais

Você recomenda sistemas de recomendação? 

“Sim, mas certifique-se de que você está usando os dados certos para basear sua recomendação, tanto em termos de qualidade quanto de quantidade, refletindo as expectativas reais dos usuários. Crie transparência, porque ninguém, particularmente os cientistas, confiará ou dependerá de uma caixa preta. Compartilhe com os usuários quais informações são usadas, como elas são ponderadas e continue aprendendo para melhorar continuamente. Finalmente, complete o ciclo levando os feedbacks dos usuários que você coletou e trazendo-os de volta para o sistema.” – Zageno

O poder dos motores de recomendação nunca foi maior. Como demonstrado por gigantes como Amazon e Netflix, os recomendadores podem ser diretamente responsáveis por aumentos na receita e nas taxas de retenção de clientes. Empresas como a Zageno mostram que você não precisa ser uma empresa massive para aproveitar o poder dos recomendadores. Os benefícios dos motores de recomendação abrangem muitas indústrias, desde comércio eletrônico até recursos humanos. 

A Maneira Rápida de Trazer Motores de Recomendação para a Sua Empresa

Desenvolver um motor de recomendação exige expertise em dados. Sua equipe de TI interna pode não ter a capacidade de construir isso. Se você quiser obter os benefícios de retenção de clientes e eficiência dos motores de recomendação, você não precisa esperar que a equipe de TI fique menos ocupada. Envie-nos uma mensagem e nos informe. A equipe de ciência de dados da Blue Orange Digital está feliz em fazer os recomendadores funcionarem para o seu benefício também!

fonte da imagem principal: Canva