Os mecanismos de recomendação são uma ferramenta poderosa para a Amazon, Netflix e outras empresas. O colunista Daniel Faggella analisa os benefícios desses mecanismos e explica por que os profissionais de marketing devem estar atentos a eles.
A extensa lista de filmes e séries sugeridos pela Netflix é um excelente exemplo de experiência personalizada para o usuário. De fato, cerca de 70% de tudo o que os usuários assistem é uma recomendação personalizada, segundo a própria empresa.
Chegar a esse ponto não foi fácil, e aprimorar seu sistema de recomendações é um processo contínuo. A Netflix passou mais de uma década desenvolvendo e refinando suas recomendações.
Em 2006, a Netflix lançou o Prêmio Netflix para encontrar especialistas em aprendizado de máquina que pudessem aprimorar seu algoritmo anterior. Uma equipe de cientistas algorítmicos superou o algoritmo da empresa em 10% — uma porcentagem pequena, você pode pensar, mas foi convincente o suficiente para a empresa esperar grandes melhorias no futuro. Os esforços da equipe renderam a eles um prêmio de US$ 1 milhão.
Os mecanismos de recomendação podem ajudar profissionais de marketing e organizações a aumentar a probabilidade de chegar a recomendações personalizadas com base na atividade ou comportamento online anterior de um usuário, utilizando conhecimento aprofundado obtido por meio de análise de big data.
Neste artigo, explorarei como as empresas podem aumentar seu ROI (retorno sobre o investimento) aproveitando de forma eficaz a personalização e as recomendações. Dividirei os potenciais benefícios comerciais dos mecanismos de recomendação em três categorias, com base na análise de dezenas de casos de uso desses mecanismos realizada pela minha empresa.
Melhoria com o uso (ciclo de feedback positivo)
O objetivo do Prêmio Netflix era melhorar a retenção de membros — ou, em outras palavras, tornar seu serviço mais "viciante" a longo prazo. Mas a empresa não buscava uma melhoria pontual.
A promessa dos mecanismos de recomendação é construir um sistema de autoaperfeiçoamento que — dado um fluxo suficiente de dados — possa satisfazer melhor os usuários ao longo do tempo. Como explicaram Carlos Gomez-Uribe e Neil Hunt, da Netflix, em um artigo publicado (PDF):
Ao criarmos um serviço mais atraente, oferecendo recomendações mais personalizadas, incentivamos os membros indecisos a permanecerem por mais tempo e melhoramos a retenção.
Ao oferecer uma lista do que provavelmente atrairá seus assinantes por meio de uma classificação hiperespecífica, a Netflix reduziu as inúmeras opções de streaming de vídeo sob demanda. E a mensuração dos resultados por meio de tendências de visualização e cancelamento permite que a empresa refine esses resultados cada vez mais a cada dia.
Além de atrair novos membros, para que a empresa sustente o crescimento de sua receita, ela precisa ser capaz de reter seus assinantes atuais. Em outras palavras, quanto menor a taxa de cancelamento, maior a receita mensal.
A Netflix tem muito pouco tempo para convencer os usuários a navegar pelo aplicativo e selecionar um vídeo; eles perdem o interesse de 60 a 90 segundos após analisarem apenas cerca de 20 títulos, segundo a empresa.
Gomez-Uribe e Hunt afirmaram que, ao aplicar um sistema de recomendação mais sofisticado e uma experiência de usuário personalizada, conseguiram economizar US$ 1 bilhão por ano com cancelamentos de serviços.
Uma análise dos números de receita da Netflix revela que, no segundo trimestre de 2017, a empresa teve um crescimento de 32.3% em relação ao ano anterior, resultado da adição de 5.2 milhões de assinantes aos seus 99 milhões de membros já existentes no trimestre anterior.
Com mais dados para treinar seus algoritmos (ou seja, mais usuários ativos interagindo com a plataforma da Netflix diariamente), a Netflix tem a vantagem de aprimorar sua oferta cada vez mais rápido para os usuários existentes. Essa dinâmica de "tudo ou nada", segundo o investidor em IA Gary Swart, da Polaris Partners, é um dos motivos pelos quais a "melhoria com o uso" é tão importante.
Existe algum site que possa responder às suas perguntas tão bem quanto o Google? Provavelmente não. Ele detém uma fatia de mercado enorme e provavelmente melhorará mais rapidamente do que qualquer concorrente, mesmo usando menos dados. Alguma experiência de compra online consegue recomendar produtos mais relevantes do que a Amazon? Provavelmente não.
Você entendeu a ideia: os mecanismos de recomendação em todos os nichos têm a possibilidade de criar o mesmo tipo de diferenciação extrema.
Aumentar o valor do carrinho (lucro)
Com uma receita de US$ 37.9 bilhões no segundo trimestre, a Amazon continua seu domínio absoluto no varejo online. Seu algoritmo de filtragem colaborativa item a item, lançado em 1998, apresenta recomendações aos clientes com base em linhas de produtos e áreas temáticas. O sistema compara os itens comprados e avaliados de um cliente com produtos similares em sua lista, que são então selecionados para fazer parte das recomendações.
Enquanto em alguns sites as recomendações existem apenas em um aspecto da jornada do cliente (por exemplo, uma lista de "itens relacionados" na página de finalização da compra), a Amazon integrou muitos "pontos de entrada" de recomendações em sua experiência online para maximizar o valor do carrinho.
Por exemplo, os usuários podem clicar no link “Sua recomendação” para exibir uma página que contém produtos categorizados que podem ser de seu interesse, ou podem consultar a seção que contém itens semelhantes aos produtos visualizados anteriormente.
Os usuários também podem conferir produtos agrupados na seção "Frequentemente comprados juntos", o que permite à Amazon reduzir os custos de entrega quando comprados em conjunto. Isso não seria possível sem os bilhões de pontos de dados — do histórico de compras aos carrinhos abandonados — que a varejista online analisa.
A McKinsey estimou que 35% das compras de consumidores na Amazon são provenientes de recomendações de produtos, embora a própria gigante do comércio eletrônico nunca tenha divulgado suas estimativas. Em 2016, a empresa ofereceu gratuitamente sua estrutura de inteligência artificial (IA) de código aberto, chamada DSSTNE (pronunciada "destino"), para incentivar o desenvolvimento de aplicativos de inteligência artificial.
O Alibaba Group, outro gigante do comércio eletrônico, continua a dominar o cenário do e-commerce na China por meio de suas plataformas Tmall e Taobao. Os clientes recebem recomendações de produtos com base não apenas em suas transações anteriores, mas também em histórico de navegação, avaliações de produtos, favoritos, localização geográfica e outros dados de comportamento online.
A empresa utiliza inteligência artificial para oferecer recomendações de produtos a novos usuários que não possuem histórico de transações. Sua tecnologia consegue receber dados das compras de produtos realizadas pelo usuário em outros lugares e utilizá-los para encontrar itens compatíveis em seu catálogo, explicou Wei Hu, diretor de tecnologia de dados da Unidade de Negócios de Serviços para Comerciantes do Alibaba, em um comunicado.
Durante o Festival de Compras 11.11 de 2016, um evento de compras online de 24 horas na China, o Alibaba utilizou inteligência artificial para exibir recomendações de produtos em páginas personalizadas para os compradores. Os lojistas participantes personalizaram suas lojas virtuais com base nos dados de seus clientes-alvo. O Alibaba informou à InsideRetail Asia que gerou 6.7 bilhões de páginas de compras personalizadas, com um aumento de 20% na taxa de conversão durante o evento.
Aumentar o envolvimento e o encantamento (retenção)
O sistema de recomendação do YouTube é alimentado pelo Google Brain desde 2015, e o Google o considera um dos sistemas de recomendação mais sofisticados até hoje.
Assim como a Netflix, o YouTube passou por diversas experiências e reformulações antes de implementar um algoritmo que busca similaridades entre diferentes tipos de conteúdo em vídeo. Johanna Wright, vice-presidente de gestão de produtos do YouTube, disse à Wired que a empresa agora tem mais confiança de que os vídeos recomendados são relevantes para o espectador.
Você também pode ir para Certificação em gestão de produtos em Singapura para obter informações adequadas.
Alguns dos dados que utiliza incluem o histórico de visualização do usuário, a idade dos vídeos, os termos de pesquisa e a localização para decidir qual vídeo será reproduzido em seguida. Ao contrário da Netflix, o YouTube é gratuito e depende inteiramente da interação com seu conteúdo (e da exposição a anúncios) — em vez de um modelo de cobrança por assinatura.
Por meio de recomendações, o YouTube espera manter o usuário engajado no site enquanto o sistema exibe anúncios com base em dados históricos. O YouTube gera receita quando um usuário assiste a um anúncio por mais de 30 segundos ou quando clica em um elemento na tela ou em um anúncio exibido na página.
Sua empresa controladora, a Alphabet, lista o YouTube como parte da plataforma completa de sites do Google, portanto, não são divulgados valores de receita separados (a receita total de anúncios do Google em 30 de junho de 2017 era superior a US$ 22 bilhões).
Por outro lado, serviços de streaming de música como o Pandora e o Spotify, com sede na Suécia, utilizam mecanismos de recomendação como forma de melhorar o engajamento e fidelizar assinantes. Essas empresas de rádio online obtêm receita por meio de planos de assinatura paga e publicidade para não assinantes.
O recurso Discover Weekly do Spotify recomenda músicas com base nos gostos do usuário, seus hábitos de audição, artistas favoritos e até mesmo nos recursos que ele utiliza. Isso é possível graças à filtragem colaborativa e ao processamento de linguagem natural. Edward Newett, gerente de engenharia que contribuiu para o recurso de recomendação, explicou à Wired:
Ao tentar imitar o comportamento de todos os nossos usuários ao criarem a playlist perfeita, podemos aproveitar os 2 bilhões de playlists do Spotify, segmentar gostos individuais e criar playlists interessantes.
O sistema de recomendação da Pandora é baseado no que a empresa chama de Projeto Genoma Musical, que possui 450 atributos musicais. O algoritmo analisa músicas de milhares de artistas e programa suas estações de rádio online com base nos desejos dos usuários.
Com esses recursos do Spotify e do Pandora, os ouvintes podem descobrir músicas que nunca ouviram antes, mas que provavelmente despertarão seu interesse, especialmente aquelas lançadas por artistas independentes emergentes. Essa é uma forma de manter os assinantes atuais e permitir que não assinantes ouçam mais músicas com anúncios.
O Spotify afirma em seu site que, em julho de 2017, contava com mais de 60 milhões de assinantes e 140 milhões de usuários ativos em 61 países, que podiam escolher entre mais de 30 milhões de músicas. Enquanto isso, a receita da Pandora no segundo trimestre foi de US$ 376.8 milhões.
A abrangência dos mecanismos de recomendação não se limita a esses setores. Empresas da indústria alimentícia, esportiva e até mesmo da moda estão utilizando inteligência artificial para identificar possíveis opções para os clientes. Cada vez mais, as empresas buscam melhorar seu retorno sobre o investimento (ROI) utilizando essa tecnologia em suas campanhas de marketing.
___
by Daniel Faggella
fonte: MARTECH TODAY
