Provavelmente já hoje foste alvo de vários sistemas de recomendação sem dar por isso. A lista de filmes sugeridos, os produtos que aparecem sob a etiqueta "quem comprou isto também comprou", as músicas que a plataforma escolheu para ti, os artigos que o site te propôs a seguir — todos são fruto de algoritmos que tentam adivinhar o que vais querer. Os sistemas de recomendação tornaram-se uma das aplicações mais bem-sucedidas e omnipresentes da inteligência artificial, e uma parte enorme do que empresas gigantes vendem passa por eles. A boa notícia, que muitos ignoram, é que esta tecnologia deixou de ser exclusiva dos gigantes: está hoje ao alcance de empresas de qualquer dimensão.
Um sistema de recomendação tem um objetivo simples de enunciar e difícil de executar bem: sugerir o produto, o conteúdo ou a ação certa, à pessoa certa, no momento certo. Quando funciona, é quase invisível — o cliente sente que a plataforma "o percebe", encontra depressa o que quer e descobre coisas que nem sabia que procurava. Quando falha, é irritante ou ridículo, e mina a confiança em vez de a construir. Perceber como funcionam estes sistemas, o que os torna bons e onde tropeçam, é cada vez mais importante para qualquer empresa que queira usar dados para servir melhor os seus clientes.
Este artigo desmistifica os sistemas de recomendação: a lógica por trás deles, os seus limites, e como pensá-los ao serviço do cliente e não apenas da venda.
As duas grandes lógicas da recomendação
Por trás da maioria dos sistemas de recomendação estão duas ideias fundamentais, muitas vezes combinadas. A primeira é a recomendação baseada no comportamento de pessoas parecidas: se muitos clientes que se comportam como tu gostaram de determinada coisa, é provável que tu também gostes. Esta abordagem — conhecida como filtragem colaborativa — não precisa de perceber nada sobre o produto em si; aprende apenas com padrões de comportamento. É a lógica por trás do clássico "quem comprou isto também comprou aquilo".
A segunda ideia é a recomendação baseada nas características dos próprios itens: se gostaste deste produto, aqui estão outros com características semelhantes. Esta abordagem olha para o conteúdo — o género de um filme, o tipo de um produto, o tema de um artigo — e sugere coisas parecidas com aquilo que já demonstraste apreciar. Cada uma destas lógicas tem forças e fraquezas diferentes, e os melhores sistemas combinam-nas para tirar partido de ambas.
O problema de começar do zero
Um dos maiores desafios de qualquer sistema de recomendação chama-se, informalmente, o problema do arranque a frio: o que recomendar a um cliente completamente novo, sobre quem não se sabe nada ainda? Sem histórico de comportamento, a filtragem colaborativa não tem sobre o que trabalhar. O mesmo se passa com um produto acabado de lançar, que ainda ninguém comprou. Este problema do início — do cliente sem histórico e do produto sem interações — é uma das razões pelas quais construir um bom sistema de recomendação é mais subtil do que parece.
As soluções passam por não depender de uma só lógica. Para um cliente novo, pode recomendar-se o que é popular em geral, ou pedir-lhe algumas preferências iniciais, ou usar o pouco que se souber sobre ele. Para um produto novo, a recomendação baseada em características permite sugeri-lo a quem gostou de produtos semelhantes, mesmo sem histórico próprio. Gerir bem estes começos difíceis é parte essencial de um sistema que funciona no mundo real, e não apenas em teoria.
Os riscos que um bom sistema tem de gerir
- A bolha: recomendar sempre mais do mesmo pode encurralar o cliente numa bolha estreita, mostrando-lhe apenas variações do que já conhece e escondendo-lhe a descoberta.
- O efeito de popularidade: os itens já populares tendem a ser mais recomendados e a ficar ainda mais populares, enquanto os bons itens desconhecidos nunca têm a sua oportunidade.
- A relevância vazia: recomendar o óbvio — sugerir pilhas a quem comprou um comando — parece personalização mas não acrescenta valor nenhum.
- A confiança: uma recomendação claramente má ou estranha mina a confiança do cliente em todas as outras, mesmo nas boas.
A descoberta importa tanto como a relevância
Um erro comum ao pensar em recomendação é focar apenas na relevância — sugerir o que o cliente quase de certeza vai querer. Mas se um sistema só recomenda o óbvio, torna-se inútil: o cliente já sabia daquilo. O verdadeiro valor de uma boa recomendação está muitas vezes na descoberta: mostrar ao cliente algo que ele não conhecia mas que vai adorar. É este equilíbrio entre relevância e surpresa que distingue um sistema medíocre, que apenas confirma o que o cliente já sabe, de um excelente, que o ajuda a descobrir.
Encontrar este equilíbrio é uma arte. Recomendações demasiado óbvias aborrecem; demasiado arriscadas parecem erros. Um bom sistema mistura a segurança do relevante com a ousadia da descoberta, dando ao cliente uma seleção que ao mesmo tempo o compreende e o surpreende. É esta capacidade de expandir os horizontes do cliente, em vez de os estreitar, que faz a recomendação criar valor genuíno em vez de apenas empurrar mais do mesmo.
Um caso concreto
Uma empresa de comércio eletrónico de média dimensão tinha um catálogo vasto, mas os clientes compravam quase sempre os mesmos produtos populares que apareciam na página inicial. Uma parte enorme do catálogo — produtos bons, mas que os clientes simplesmente não descobriam — praticamente não vendia, não por falta de qualidade, mas por falta de visibilidade. A empresa não tinha recursos para competir com os gigantes em tecnologia sofisticada, mas percebeu que um sistema de recomendação, mesmo simples, podia resolver este problema. Implementaram uma recomendação que, a partir do que cada cliente tinha visto e comprado, sugeria produtos relevantes do vasto catálogo que de outra forma ficariam escondidos. O cuidado que tiveram foi equilibrar relevância com descoberta: as sugestões eram próximas o suficiente dos interesses do cliente para fazerem sentido, mas incluíam produtos que ele não teria encontrado sozinho. O efeito foi duplo e virtuoso. Os clientes passaram a descobrir produtos que genuinamente lhes interessavam e que nunca teriam visto, o que aumentou as vendas e a satisfação. E a empresa passou a vender uma fatia muito maior do seu catálogo, dando saída a produtos de qualidade que antes ficavam esquecidos. Não foi preciso a tecnologia dos gigantes — bastou usar os dados que já tinham para ligar cada cliente ao que provavelmente iria querer. O valor não veio de um algoritmo mais complexo, mas de resolver um problema real com a lógica certa.
A recomendação ao serviço do cliente
Como toda a personalização, os sistemas de recomendação enfrentam uma tensão entre servir o cliente e servir apenas a venda. É possível desenhar um sistema para empurrar o que dá mais margem, ou para viciar o cliente em mais do mesmo, e no curto prazo isso pode até aumentar números. Mas os melhores sistemas — os que criam valor duradouro — são os que genuinamente ajudam o cliente a encontrar o que lhe interessa, mesmo que isso o leve a descobrir em vez de apenas a comprar mais. Um cliente que sente que as recomendações o servem confia nelas e volta; um que sente que está a ser manipulado, deixa de acreditar em qualquer sugestão.
Esta é a diferença entre uma recomendação que constrói uma relação e uma que a explora. E, como a confiança é o ativo mais valioso de qualquer relação com o cliente, a recomendação que a respeita acaba, também comercialmente, por ganhar a longo prazo.
Na prática
Se a tua empresa tem um catálogo ou uma oferta que os clientes exploram, e ainda comunicas com todos da mesma forma, um sistema de recomendação — mesmo simples — pode ligar cada cliente ao que provavelmente vai querer, aumentando as vendas e a satisfação ao mesmo tempo. Não precisas da tecnologia dos gigantes; precisas de usar bem os dados que já tens sobre o comportamento dos teus clientes, com o cuidado de equilibrar relevância e descoberta. Estás a ajudar cada cliente a encontrar o que lhe interessa no meio da tua oferta, ou a deixá-lo perder-se e comprar sempre o mesmo?
