Sistemas de Recomendação
“[…] recomendações podem sugerir itens particularmente interessantes, além de indicar aqueles que devem ser filtrados.” [1] – Resnick, P., & Varian, H. R. (1997). Recommender systems. Communications of the ACM, 40(3), 56-58.
A ampliação do acesso à internet, o ganho de popularidade de redes sociais e opções de plataformas virtuais de comércio eletrônico (e-commerce) impactou na grande quantidade de dados disponíveis, variados e obtidos tão rapidamente como nunca antes. Extrair informações relevantes a partir desses dados é uma das tarefas de primordial interesse para diversos setores do mercado, em especial os que visam personalizar a experiência de clientes por meio de recomendações assertivas de seus produtos ou serviços e aumentar sua lucratividade e seu volume de vendas.
Os Sistemas de Recomendação auxiliam na filtragem de informações disponíveis para listar o que deve ser mais relevante para o consumidor. O desafio é recomendar o item de desejo àquele que recebe a recomendação, mesmo que ele muitas vezes não esteja ciente do que realmente deseja e em meio à abundância de opções à disposição. Isso sem deixar de oferecer aquilo que o indivíduo realmente está procurando. Para isso, diversos elementos que caracterizam o comportamento do consumidor são utilizados, tais como seu próprio perfil de consumo, histórico de compras, histórico e hábitos de navegação, etc. As diferentes técnicas associadas a ferramentas de Inteligência Artificial (IA) ajudam a entender melhor os interesses dos indivíduos e criam modelos para prever quais itens sugerir.
Abordagens
Do ponto de vista técnico, as recomendações podem ser baseadas na análise de similaridades e/ou interesses em comum entre usuários de uma plataforma para indicar itens — abordagem chamada de filtragem colaborativa — ou apoiada na identificação de itens já visualizados e avaliados pelo usuário — denominada filtragem por conteúdo. Outro tipo é a chamada filtragem demográfica, que utiliza estereótipos ou dados considerados genéricos como idade, gênero, classe social, ocupação e grau de instrução para entender melhor o interesse de um indivíduo por determinado item.
Definem-se também abordagens chamadas de filtragem baseada em conhecimento e filtragem baseada em utilidade, em que, na primeira, as recomendações são feitas apoiadas em um domínio de conhecimento específico buscando itens conforme a necessidade e preferência do indivíduo, podendo ser baseadas em casos ou restrições; e, na segunda, as recomendações levam em conta a utilidade dos itens para um determinado usuário.
Outras técnicas têm sido exploradas, tais como a filtragem contextual, que explora o contexto no qual o usuário está inserido para fazer recomendações mais adequadas ao momento, local e dispositivo utilizado; a filtragem baseada em comunidade, que recomenda itens de acordo com as preferências dos amigos do usuário; ou ainda abordagens envolvendo aspectos psicológicos de indivíduos, incluindo satisfação e traços de personalidade, combinados a características de produtos para obter melhores recomendações, também chamadas de filtragem baseada em outros contextos. Para aprimorar as sugestões e torná-las mais assertivas, as técnicas muitas vezes são combinadas, intitulando-se nesse caso como filtragem híbrida.
Diversas dessas abordagens baseadas em filtragem, bem como outras existentes na literatura, utilizam algoritmos de Aprendizado de Máquinas (AM), incluindo soluções híbridas[2]. Essa gama de possibilidades considera desde os algoritmos baseados em fatoração matricial[3] até aqueles baseados em redes neurais profundas[4].
Estado atual
Os investimentos em IA e AM para oferecer diferenciais e posicionar-se como referência no mercado tem crescido entre as organizações. Valendo-se dos benefícios dessas tecnologias, o setor varejista é um dos que tem buscado diversas soluções, e conseguindo superar desafios impostos pela crise de Covid-19 adotando abordagens apoiadas na transformação digital. Da customização da experiência do cliente, incluindo atendimento por chatbots inteligentes, promoções e recomendações personalizadas, à entrega de produtos por robôs e drones autônomos, comércios virtuais ou físicos já sentem os resultados positivos das aplicações de IA em seu dia a dia.
Em relatório publicado em dezembro de 2019 por Technavio[5] com base em pesquisas sobre o mercado dos sistemas de recomendação por usuário final (mídia e entretenimento, varejo, viagens e turismo e outros) e geografia, a região da América do Norte liderou o mercado global do setor em 2019, seguida por Ásia-Pacífico, Europa, América do Sul e Oriente Médio e África, respectivamente. De acordo com a Technavio, a implementação de IA nos motores de recomendação terá um impacto positivo no mercado e contribuirá para o seu crescimento significativamente ao longo do período de previsão, entre 2020-2024. A taxa de crescimento prevista pelo documento para o ano 2020 era de 26,12%, sendo a América do Norte responsável por 38% dessa parcela. Um dos principais impulsionadores desse crescimento consiste no aumento do uso de sistemas híbridos de recomendação.
Segundo o documento Recommendation Engine Market – Industry Analysis, Market Size, Share, Trends,Application Analysis, Growth and Forecast 2020 – 2025[6], outras tendências importantes que afetarão o mercado de sistemas de recomendação serão as crescentes ênfase na melhoria da experiência do consumidor e tendência de digitalização. Além disso, o aumento na demanda por análise de grandes volumes de dados e do uso de tecnologias de aprendizado profundo nos mecanismos de recomendação devem fornecer oportunidades de crescimento, sendo que o tamanho desse mercado está projetado para atingir US$ 12,03 bilhões em 2025, tendo sido de US$ 1,14 bilhão em 2018, com uma taxa de crescimento anual composta (CAGR, na sigla em inglês) de 32,39% no período 2020-2025.
“O desenvolvimento com ênfase na melhora da experiência do cliente é um fator importante que impulsiona o desenvolvimento da demanda por mecanismos de recomendação. Além disso, é importante obter engajamento e retenção de clientes, maior volume de vendas e retorno sobre investimentos (ROI, na sigla em inglês). Recomendações inteligentes de produtos também permitem combinar o comportamento dos indivíduos com os itens certos, aumentando o interesse por transações que os clientes talvez não estivessem planejando fazer. As receitas de comércio eletrônico geradas por recomendações personalizadas podem chagar a cerca de 30%, por exemplo.”, afirma ainda o relatório.
Sistemas de Recomendação na Visibilia
A Visibilia oferece aos seus clientes e parceiros uma variedade de maneiras de aproveitar os benefícios dos Sistemas de Recomendação, por meio de aplicações que podem ser utilizadas via mobile, localmente ou em nuvem. Disponibilizando soluções prontas ou à medida, nossos serviços são orientados para que os usuários tenham ao alcance ferramentas confiáveis ou suporte técnico-científico para obter os melhores resultados e resolver os mais variados desafios.
Entre nossas soluções prontas, obtenha recomendações assertivas de candidatos e suporte nas atividades de seleção e recrutamento no departamento de Recursos Humanos (RH) e afins de sua empresa com a BeeNet. Ou, se você tem interesse na área de Geomarketing e Segmentação de Mercado, torne o processo de análise de segmentação de Market Places mais rápido, assertivo e menos custoso com o SIION.
Entre em contato AQUI e saiba mais sobre as diferentes maneiras nas quais a Visibilia pode ajudar você e sua empresa.
Referências:
[1] “[…] recommendations may suggest particularly interesting items, in addition to indicating those that should be filtered out.”
[2] Yang, S., Korayem, M., AlJadda, K., Grainger, T., & Natarajan, S. (2017). Combining content-based and collaborative filtering for job recommendation system: A cost-sensitive Statistical Relational Learning approach. Knowledge-Based Systems, 136, 37-45.
[3] Tang, L., Long, B., Chen, B. C., & Agarwal, D. (2016, August). An empirical study on recommendation with multiple types of feedback. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 283-292).
[4] Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys (CSUR), 52(1), 1-38.
[6] https://www.industryarc.com/Research/Recommendation-Engine-Market-Research-500995
Cazella, S. C., Nunes, M. A. S. N., & Reategui, E. (2010). A Ciência da Opinião: Estado da arte em Sistemas de Recomendação. André Ponce de Leon F. de Carvalho; Tomasz Kowaltowski(Org.). Jornada de Atualização de Informática-JAI, 161-216.
Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4), 331-370.
Gostou? Compartilhe na sua rede:
Leave a Reply