Ganhos:
- Compreender a lógica do motor de recomendação (comprados em conjunto, produtos semelhantes, personalização) e o seu impacto nas métricas de negócio
- Capacidade de construir relacionamentos de produtos, pacotes e cenários de vendas cruzadas com suporte de inteligência artificial e transformá-los em hipóteses testáveis
- Capacidade de ver os riscos de bolha de filtro, viés e recomendação automática de ações/margens neutras e vincular regras de recomendação ao controle comercial
Uma parcela significativa das vendas em grandes sites de comércio eletrônico vem do produto recomendado ao cliente, e não do produto que ele procura. Todos vocês já viram os blocos “Quem comprou isso também comprou isso”, “Nossas escolhas para você”, “Mais barato juntos”. O sistema por trás desses blocos é chamado de mecanismo de recomendação: é um software que produz respostas para a pergunta “O que devo mostrar a essa pessoa agora?” observando o comportamento do cliente, o relacionamento dos produtos e os padrões gerais. A inteligência artificial (IA) é útil neste campo de duas maneiras: ajuda a gerar cenários e regras ao construir lógica de recomendação e analisa seus próprios relacionamentos de produtos em pequenas lojas e apresenta ideias de pacotes/vendas cruzadas. Mas cuidado: um bom sistema de recomendação deve considerar não apenas “quantos cliques”, mas também o estoque, a margem e a experiência do cliente.
Vamos esclarecer os dois termos. A venda cruzada é oferecer outro produto que complementa um produto a um comprador (um caso para um comprador de telefone). O up-sell está oferecendo um modelo mais caro/mais caro que atende à mesma necessidade (256 GB em vez de 128 GB). Ambas são formas legítimas de aumentar a cesta média (AOV); Mas funciona quando é verdadeiramente benéfico para o cliente e perturba quando é forçado.
Três lógicas básicas do sistema de recomendação
Os sistemas de recomendação geralmente usam uma ou uma mistura de três abordagens.
1) Baseado em conteúdo: analisa os recursos do próprio produto. “Outros tênis de corrida semelhantes a este tênis de corrida” . Funciona até com novos clientes porque não requer histórico comportamental.
2) Filtragem colaborativa: analisa o padrão de comportamento. “As pessoas que compraram este produto também compraram isto.” É poderoso, mas requer muitos dados e sofre com uma “inicialização a frio” (novo produto/novo cliente).
3) Personalização: adapta a vitrine para um único cliente com base em seu comportamento anterior. Tem um efeito poderoso, mas acarreta um risco de privacidade e de "bolhas de filtro".
A tabela a seguir resume os blocos de recomendação e sua finalidade:
bloquear
lógica
Objetivo
exemplo
Produtos semelhantes
baseado em conteúdo
oferecer uma alternativa
Fechar modelos na mesma categoria
tomados em conjunto
colaborativo
venda cruzada
telefone + capa + protetor de tela
Nossas escolhas para você
Personalização
compromisso
Com base na navegação anterior
Favoritos/mais vendidos
Popularidade
Confiança + novo cliente
Mais vendidos na categoria
onde você parou
dados da sessão
reversão
Últimos produtos visualizados
Configuração de recomendação com IA em uma pequena loja
Mesmo pequenas e médias lojas que não conseguem estabelecer um mecanismo de recomendação corporativa podem estruturar de forma inteligente relacionamentos de produtos usando IA. Você pode fornecer anonimamente os dados reais de "produtos vendidos juntos" (itens do pedido) à IA e fazer com que ela analise "quais produtos são comprados juntos, quais pacotes posso recomendar?" A IA gera hipóteses de venda cruzada e agrupamento para você; Você os filtra por estoque e margem e então os testa. A palavra-chave aqui é hipótese: a sugestão da IA não é uma evidência, mas uma ideia a ser testada.
Dica: Transforme cada ideia de recomendação em uma hipótese “se-então”: “Se recomendarmos Y para alguém que compra X, a média da cesta aumentará”. Em seguida, meça isso com um pequeno experimento (teste A/B ou período de tempo). Uma recomendação sem medição é apenas um palpite.
Auditoria comercial de regras de recomendação
Um sistema de recomendação pode ser perigoso se deixado como “mais clicados” completamente automatizado. Estoque: recomendar um produto que está em falta irá decepcionar o cliente. Margem: o produto com mais cliques poderá ter a menor margem; O sistema pode direcioná-lo para produtos não lucrativos. Segurança e adequação da marca: recomendações irrelevantes ou inadequadas em categorias sensíveis (bebê, saúde) perdem a confiança. Bolha de filtro: mostrar constantemente ao cliente o mesmo tipo de produto mata a descoberta e restringe as vendas. É por isso que as recomendações automáticas são necessariamente enquadradas por regras de negócio: “recomendar o que há em estoque”, “não destacar o produto cuja margem esteja abaixo deste limite”, “manter conformidade da categoria”.
O preconceito também é um risco real. Dado que o sistema de recomendação se baseia em comportamentos passados, pode reforçar desigualdades passadas; Por exemplo, recomendar constantemente produtos mais baratos/de qualidade inferior a um determinado grupo. Esta é uma questão ética e comercial. É necessário auditar regularmente os resultados das recomendações com vista a “o que está a ser recomendado a quem”.
Quatro modelos copiáveis
1) Análise dos produtos vendidos em conjunto:
Sua função: assistente de analista de comércio eletrônico. Abaixo estão os itens de pedidos anônimos (códigos dos itens e número de vezes considerados juntos). Dados: [tabela]. Tarefa: encontrar os 10 pares de itens comprados juntos com mais frequência; Para cada par, escreva uma hipótese de venda cruzada (“Oferta Y aos compradores X”). Nota: Estas são hipóteses; Também verificarei o estoque e a margem.
2) Recomendação de pacote:
Produto: [produto principal]. Produtos complementares: [lista, com notas nas margens].Tarefa: Sugerir 3 pacotes adequados; Para cada pacote, explique o benefício ao cliente em uma frase. Regra: todos os produtos da embalagem devem estar em estoque; tornando o produto de baixa margem a principal atração.
3) Cenário mais vendido:
O cliente está olhando para: [produto, preço, recursos].Modelos de luxo: [lista, com diferenças de preço/recursos].Tarefa: redigir uma mensagem honesta de upsell: quanto pagar por qual benefício adicional.Regra: sem exageros; Explique a diferença por meio de recursos concretos.
4) Verificação de regra de sugestão:
Verifique as seguintes regras de recomendação.Regras: [lista].Tarefa: avaliar cada regra em relação aos seguintes riscos: consistência do estoque, proteção de margem, ajuste de categoria, bolha de filtro, viés.Liste as regras de risco e sua recomendação para correção.
três mini cases
Caso 1 — Ganho de venda cruzada. Uma loja de eletrônicos analisou dados de pedidos com IA e encontrou um padrão de “40% das pessoas que compraram um telefone também compraram uma capa em 30 dias”. Adicionado um bloco de recomendação de caso adequado à página do telefone (filtrando aqueles em estoque). A média da cesta aumentou de forma mensurável. A IA deu uma hipótese, a loja testou e verificou.
Caso 2 — Armadilha de margem. Uma loja abandonou totalmente a página inicial para os produtos “mais clicados”. Os produtos mais clicados foram os produtos de campanha com margens mais baixas, alguns até vendidos com prejuízo. O volume de negócios aumentou, mas os lucros caíram. Solução: o filtro “Apresentar o produto cuja margem está abaixo do limite na página inicial” foi adicionado à regra de recomendação.
Caso 3 — Bolha de filtro. Em um site de livros, como o mesmo tipo de livro era constantemente recomendado ao cliente, o cliente nunca descobria novos gêneros e seu interesse diminuía com o tempo. Quando a regra de diversidade “pelo menos 20% das sugestões devem ser de categorias diferentes” foi adicionada à regra de sugestões, a descoberta e as vendas se recuperaram.
Alerta fraco / Alerta forte
Alerta fraco:
O que posso recomendar com este produto, me dê algumas idéias.
O modelo produz recomendações genéricas, talvez de falta de estoque, sem conhecer seus dados e margens reais.
Alerta poderoso:
Sua função: analista de comércio eletrônico. Principal produto: fone de ouvido sem fio (margem de 28%, em estoque). Candidatos complementares (com stock/margem): mala de transporte (45%, em stock), conjunto de earbuds (50%, em stock), cabo de carregamento (20%, em stock).Tarefa: propor 2 pacotes de venda cruzada apenas com stock e com margens superiores a 30%; Escreva o benefício para o cliente em uma frase para cada pacote.
Erros comuns
- Confundindo a sugestão com evidência. O resultado da IA é a hipótese; Não se torna uma decisão sem ser testada.
- Ignorando estoque e margem. A recomendação automática pode destacar produtos não lucrativos ou esgotados.
- Basta atribuir isso à popularidade. O mais clicado nem sempre é o mais rentável ou o mais conveniente.
- Criando uma bolha de filtro. Mostrar constantemente o mesmo produto mata descobertas e vendas.
- Não verificando preconceito. O sistema pode reforçar as desigualdades do passado; É necessária inspeção regular.
- Upsell forçado. Promover um modelo caro que não traz benefícios fará com que você perca a confiança.
Em resumo
Os sistemas de recomendação aumentam a média da cesta e a fidelidade, mostrando ao cliente o produto certo no momento certo. Existem três lógicas básicas: baseada em conteúdo (produtos similares), colaborativa (comprados em conjunto) e personalização. Mesmo em pequenas lojas, a IA pode gerar hipóteses de venda cruzada e agrupamento a partir de dados de pedidos; Mas estas são ideias a serem testadas, não provas. Certifique-se de definir regras de recomendação em torno de estoque, margem, ajuste de categoria e variedade; Verifique regularmente a bolha do filtro e os riscos de polarização. A recomendação automática cria valor quando aderida ao controle comercial.
Tarefa de aplicativo
Extraia os 5 pares de produtos comprados com mais frequência dos dados do seu próprio pedido (com códigos de produto anônimos). Peça à IA hipóteses de venda cruzada com o modelo “Análise de produto co-vendido”. Transforme cada hipótese em uma declaração “se-então” e filtre-a por estoque e margem. Escreva um plano de teste para as 2 hipóteses mais promissoras (quanto tempo e que métrica medir). Por fim, avalie suas regras de recomendação para riscos com o modelo "Auditoria de regras de recomendação".
lista de verificação
- [ ] Tratei ideias de sugestões como hipóteses a serem testadas, não como evidências.
- [ ] Filtrei cada sugestão por estoque e margem.
- [ ] Além da popularidade, também considerei rentabilidade e adequação.
- [] Evitei a bolha do filtro com a regra da diversidade.
- [ ] Verifiquei o viés do que as recomendações mostram para quem.
- [] Planejei medir as sugestões promissoras com um teste real.