Sites e aplicativos oferecem uma infinidade de conveniências e, possivelmente, este seja um dos motivos pelos quais o setor é um sucesso estrondoso em nosso país. De acordo com um estudo efetuado pela AppsFlyer, a quantidade de instalações de aplicativos no Brasil aumentou em mais de 50% nos últimos dois anos e, mesmo durante a pandemia provocada pela Covid-19, o uso e as receitas deste mercado cresceram em 15%.
Apesar das facilidades e dos benefícios que esses sistemas proporcionam, a quantidade de conteúdo disponível pode ser um obstáculo ao fomentar o excesso de informações aos usuários. À vista disso, é crucial a personalização da interação do utente, que deve ser focada no conteúdo relacionado aos interesses do mesmo.
Habitualmente, os algoritmos operam calculando a semelhança entre usufruidores ou entre itens. Por exemplo, 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 e o Facebook mostra pessoas com quem você pode querer fazer amizade. Os anúncios também são gerados tailor-made para o seu perfil, tudo por meio do sistema de recomendação.
Por viabilizar engajamento ativo entre o usuário e a plataforma, as recomendações tratam-se de uma vantagem competitiva e portanto, há inúmeras estratégias para realizá-las. Neste artigo, vou falar sobre como o uso da filtragem colaborativa de forma adequada resulta em valor ao negócio.
Nesta abordagem, por meio do rankeamento de produtos, assume-se o interesse do usuário por uma categoria de mercadorias e, mediante a análises do histórico de comportamento de usuários similares, é possível prever qual produto será de maior interesse futuramente. Assim, quando dois utentes adquirem o mesmo item, um elemento que foi consumido por um deles anteriormente, é indicado para o outro.
Pontos positivos:
Analisa o comportamento do usuário para gerar recomendações
Nichos definidos facilitam a recomendação
Pontos negativos:
Problema da "Ovelha Negra"
Problema de "Cold Start"
Os últimos dois aspectos citados se relacionam à necessidade da análise do histórico de comportamento dos usuários. A ovelha negra representa o utilizador que consome 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 optará por um filme cult da Indonésia, produzido por uma equipe independente.
O chamado Cold Start, denota a grande questão, o que recomendar para um usuário que acabou de ingressar na plataforma? Geralmente, são recomendados produtos que a massa tende a consumir, impactando diretamente a personalização do tratamento aos clientes. Empresas buscam amenizar este impacto com questionários que validem o histórico do consumo do usuário, porém, muitas vezes, o método é ocioso devido ao fato de o formulário não ser preenchido de forma adequada, gerando falsos positivos e habilitando o sistema de forma errada.
Então, você deve estar se perguntando: "por onde começar?" A AWS oferece uma solução de sistema de recomendação firmada em técnicas de filtragem colaborativa. Existem inúmeras metodologias para cada um dos procedimentos expostos, possibilitando uma infinidade de combinações para a solução de cada problema.
Embora a filtragem colaborativa seja fundamentada no modelo criado para as necessidades encontradas no e-commerce da própria Amazon e, portanto, apresente uma taxa de assertividade muito alta em demandas similares, a solução não está livre dos problemas citados anteriormente. Assim, para que haja a redução dos drawbacks de cada uma das técnicas, um estudo minucioso dos dados coletados, público alvo e modelo de negócio é necessário, culminando na implementação de um sistema de recomendação híbrido, onde combina-se diversos métodos para melhor atender os problemas em questão.
Lucas Barbosa, head Cloud Sales Specialist e Cientista de Dados na BRLink.