Estratégias para Recomendação Personalizada em e-commerce

Definir qual a melhor estratégia para um sistema de recomendação depende da identificação do perfil do cliente e do ponto em que ele está dentro do site. Neste artigo vamos falar sobre os algoritmos mais usados para fazer recomendações e como eles são associados à jornada do cliente em uma loja virtual.

Algoritmo Adaptativo x Determinístico

Os algoritmos determinísticos são os mais simples e fazem sempre as mesmas recomendações a partir de alguma regra pré-determinada, não importando quem é o cliente ou em que fase da jornada ele está. Por exemplo, o sistema pode ser programado para sempre recomendar os produtos mais vendidos em uma determinada época do ano.

Os algoritmos adaptativos são os únicos que permitem fazer recomendações personalizadas de acordo com o perfil do cliente que está navegando no site e em qual ponto do sitre ele está. Esses algoritmos se baseiam em técnicas de Aprendizagem de Máquina (Machine Learning) e dependem de dados para modelar o comportamento dos clientes para a partir daí definir quais produtos devem ser recomendados. Embora mais complexos eles são muito mais eficientes do que os algoritmos determinísticos em termos de resultados de vendas. A Amazon.com, por exemplo, declarou aumentos de até 30% nas vendas quando passou a usar recomendações personalizadas.

Tipos de recomendação

Para cada um dos algoritmos acima existem classes de recomendação que podem ser implementadas.

Nos algoritmos determinísticos existem quatro classes:

  1. mais vendidos;
  2. produtos em promoção (liquidação);
  3. recém-chegados;
  4. vistos recentemente.

E nos algoritmos adaptativos existem três classes:

  1. up-sell – Indicar combinações de produtos que gerem alguma vantagem econômica para o cliente;
  2. cross-sell – Indicar produtos que se relacionem com os produtos no carrinho;
  3. personalizado – Indicar produtos que estejam associados com o perfil do cliente.

Ponto de apresentação na página

Cada uma das classes acima se adequa mais a um determinado ponto da jornada do cliente. Vamos considerar que a jornada seja dividida em 4 fases, cada uma com uma página específica:

  1. página principal da loja;
  2. página de categoria – apresenta todos os itens de uma certa categoria;
  3. página de item – apresenta apenas o item que o cliente está olhando;

Combinando tudo

Para ficar mais fácil de entender, segue uma tabela que combina o tipo de algoritmo e a fase da jornada do cliente. Com essa tabela podemos facilmente definir qual recomendação é adequado em cada momento.

    Jornada do Cliente
Algoritmo Recomendação Home Categoria Item Carrinho
 Adaptativo  Personalizada  
 Cross-sell    
Up-sell     
 Determinístico  Mais vendidos    
 Liquidação    
Recém chegados     
Vistos recentemente 

Conclusão

Para cada fase há uma recomendação mais apropriada, para que evitemos a poluição da página com anúncios que acabam irritando o cliente e reduzem a possibilidade de conversão. É importante saber que diversas pesquisas em marketing digital, como a publicada pela empresa V12, apontam recomendações personalizadas como uma poderosa estratégia para alavancar vendas por e-commerce, e os algoritmos para essa estratégia são os adaptativos.

Se você ainda não está utilizando recomendações personalizadas em sua loja virtual então vale a pena começar a se informar sobre isso e implantar o quanto antes. As principais plataformas de e-commerce do mundo já oferecem alguma solução integrada em seus ambientes. Se sua plataforma não tem uma solução integrada ela pode contatar a Rekko para fazer isso de forma simples e muito barata.

A Rekko tem um sistema de recomendação na nuvem que funciona nas principais plataformas de e-commerce e também pode ser facilmente integrado a qualquer plataforma de e-commerce particular. Utilizamos as mais modernas técnicas de Big Data e Inteligência Artificial para personalizar a jornada do seu cliente em sua loja virtual, recomendando os produtos mais adequados para ele em cada fase, e aumentando as chances de sua loja virtual realizar vendas com um ticket médio maior.