Desenvolvemos o seu sistema de recomendação

Um sistema de recomendação, em inglês recommendation engine ou recommender system, seleciona, de entre uma vasta oferta, o que provavelmente é relevante para cada utilizador: um produto, um artigo, um evento ou uma vaga. Aprende com comportamentos anteriores, como compras, cliques e tempo de visualização, e com as características da oferta.

As recomendações de produtos numa loja online são o exemplo mais conhecido. As recomendações personalizadas numa newsletter ou aplicação funcionam da mesma forma. É uma das aplicações de IA que desenvolvemos.

O collaborative filtering encontra clientes com comportamentos de compra semelhantes e recomenda o que compraram e ainda não comprou. Não é necessário um perfil de cliente. O content-based filtering analisa as características do que uma pessoa escolheu anteriormente, como a categoria, a marca ou o género.

Um sistema de recomendação híbrido combina as duas abordagens, como acontece com o nosso Recommend.ai. Os sistemas de grande dimensão funcionam muitas vezes em três etapas: selecionam candidatos de toda a oferta, atribuem-lhes uma pontuação e depois reordenam a lista, por exemplo para introduzir variedade ou novos produtos.

É o chamado problema de cold start: um novo cliente ou produto ainda não tem histórico, pelo que o collaborative filtering não tem dados com que aprender. Nesses casos, o modelo ALS do Apache Spark, o motor de processamento por trás do Databricks, não faz deliberadamente nenhuma previsão, para que possa escolher uma alternativa.

É habitual combinar abordagens: os novos visitantes veem produtos populares ou sazonais, enquanto os novos produtos são recomendados com base em características como a categoria e a gama de preços. Assim que houver cliques e compras, o modelo assume essa função.

São necessárias interações que possa associar a um cliente ou a uma sessão, como encomendas, cliques, visualizações ou compras de bilhetes, além de um catálogo de produtos com características e disponibilidade. Normalmente, trata-se de feedback implícito: um clique ou uma compra, não uma classificação por estrelas. Modelos como o ALS têm uma variante própria para este tipo de dados.

Numa loja sem cartão de fidelização, não é possível associar uma compra a uma pessoa; ainda assim, é possível fazer uma análise de cabazes de compras a partir dos talões. Se os seus dados estiverem dispersos por vários sistemas, comece pela fundação de dados.

Comece offline: treine o modelo com dados mais antigos e verifique se prevê as compras posteriores melhor do que uma referência simples, como uma lista dos produtos mais vendidos. Entre as métricas habituais estão a precision at k, a proporção das primeiras k recomendações que são relevantes, e o NDCG, que também tem em conta a ordem.

Depois, teste em produção com um grupo de comparação que continua a ver a oferta anterior. Defina antecipadamente se pretende otimizar cliques, compras ou margem. Muitos cliques em produtos baratos nem sempre correspondem ao objetivo.

Um modelo que depende apenas do comportamento anterior reforça o que já é popular e deixa de lado produtos novos ou menos conhecidos. Por isso, reordene a lista: limite o número de produtos de uma mesma categoria, dê uma oportunidade aos novos produtos e exclua os que a pessoa já comprou.

As regras de negócio entram na mesma etapa, como a de não mostrar produtos esgotados. Após o lançamento, volte a treinar o modelo para que tenha em conta novos produtos e as estações do ano. Pode ler sobre os aspetos técnicos em MLOps.

Fazer recomendações com base no comportamento de uma pessoa constitui definição de perfis. O Comité Europeu para a Proteção de Dados descreve-a como a análise automatizada de dados pessoais para avaliar aspetos pessoais, como comportamentos, preferências e interesses. Para isso, é necessário ter uma finalidade e um fundamento jurídico ao abrigo do RGPD, e os clientes podem opor-se ao marketing direto.

O Regulamento dos Serviços Digitais exige que as plataformas em linha sejam transparentes quanto ao funcionamento dos seus sistemas de recomendação. As maiores plataformas também têm de disponibilizar um feed não personalizado. Cabe ao seu jurista ou responsável pela proteção de dados avaliar se estas regras se aplicam à sua organização. Em conjunto, determinamos que dados são realmente necessários.

Quando o seu sortido é pequeno, os clientes raramente regressam ou não é possível associar compras a um cliente ou a uma sessão. Nesses casos, uma lista fixa dos produtos mais vendidos faz praticamente o mesmo, com menos trabalho de gestão. Se quiser primeiro perceber quem são os seus clientes e que valor geram, comece pela análise de clientes.

Se os seus dados de produtos estiverem desorganizados, com categorias em falta ou artigos duplicados, resolva isso primeiro. Se uma solução pronta a usar for adequada, indicamos-lhe o Recommend.ai. Se não souber onde está o problema, comece por uma avaliação da maturidade.