Ir para o conteúdo principal

Artigo

Maximize a receita com um sistema de recomendação de aprendizado profundo

Saiba como um sistema de recomendação de deep learning pode melhorar a descoberta de produtos e gerar maiores vendas e receita ao prever os itens com os quais um indivíduo tem mais probabilidade de interagir, mesmo desde a primeira sessão.

Publicado: 07 de março de 2025

Yaniv Navot profile photo

Yaniv Navot

Senior Vice President, Commercialization,

Consumer Acquisition & Engagement,

Mastercard

Proprietária de empresa em sua loja revisando os números

Hoje, as recomendações de produtos são um requisito essencial para qualquer negócio de e-commerce que busque aumentar o engajamento, as compras e a fidelidade. No entanto, um desafio constante para profissionais de marketing e merchandising tem sido determinar quais produtos, entre um catálogo massivo de itens, oferecer aos usuários com variadas preferências e níveis de intenção.

Essa necessidade de maior precisão é o motivo pelo qual muitos no setor estão migrando para sistemas avançados de recomendação baseados em deep learning para oferecer os melhores produtos seguintes. De fato, em dois terços dos casos de uso que a Mckinsey & Company estudou, a criação de algoritmos de recomendação baseados em redes neurais (mais sobre isso abaixo) melhorou o desempenho além do que foi proporcionado por qualquer outra técnica analítica.

 

Então, o que diferencia o deep learning?

A maioria das estratégias de recomendação de produtos no mercado atual é de natureza global, o que significa que se baseiam em popularidade e tendências, ou são contextuais, adaptadas de acordo com atributos específicos do produto ou a fonte de tráfego do usuário, dispositivo, clima local, e assim por diante. E embora possam ser altamente eficazes em certas situações, no final das contas, eles não são verdadeiramente personalizados para o indivíduo.

Mesmo estratégias personalizadas, que levam em consideração a afinidade do usuário e a atividade recente para oferecer produtos adicionais de interesse, são incapazes de prever quais itens devem ser oferecidos em seguida ou falham ao fazê-lo em tempo real.

Mas, como os consumidores passaram a esperar um alto nível de personalização nas interações de varejo online, as equipes de merchandising precisam antecipar melhor suas necessidades e recomendar produtos dinamicamente no momento, refinando-os ao longo do tempo.

Projetado exatamente para esse propósito, o algoritmo de deep learning do Dynamic Yield identifica instantaneamente a intenção do cliente, mesmo desde a primeira sessão. Possibilitando uma compreensão dos consumidores como nunca antes, as marcas agora podem exibir automaticamente produtos previstos para impulsionar a ação no momento e ao longo do tempo.

 

Sistema de recomendação de deep learning do Dynamic Yield

Como um sistema de recomendação de rede neural, o modelo que impulsiona as recomendações de deep learning no Dynamic Yield é inspirado no cérebro humano, que é composto por múltiplas unidades de aprendizado que se conectam como uma teia, cada uma recebendo, processando e enviando informações para unidades próximas. Ao contrário da grande maioria das aplicações tradicionais de machine learning, a arquitetura do nosso sistema de deep learning permite que ele seja treinado rapidamente (e com menos dados), adapte-se mais livremente com base nos aprendizados e extraia insights significativos de informações complexas.

Por exemplo, o Gmail usa popularmente o Processamento de Linguagem Natural (PLN) para aprender associações de palavras e ajudar seus usuários a escrever e-mails mais rapidamente, sugerindo frases completas à medida que digitam. Da mesma forma, o Dynamic Yield aprende os produtos no histórico de navegação do usuário, a atividade na sessão, bem como as tendências observadas em todo o site para recomendar produtos com os quais se prevê que eles interagirão enquanto fazem compras. Isso é feito por meio do item2vec, o modelo de aprendizado derivado diretamente de seu equivalente em PLN, o word2vec.

 

Os benefícios proporcionados pelo nosso algoritmo de deep learning

Ele é treinado rapidamente e é adaptativo

Nosso modelo de recomendação de deep learning aprende sozinho de forma rápida e frequente, a partir de uma enorme quantidade de dados comportamentais e de produtos, razão pela qual é capaz de identificar instantaneamente a intenção do cliente, mesmo desde a primeira sessão. E melhor ainda: à medida que novas informações chegam, os resultados são continuamente refinados.

É otimizado por usuário

O conjunto correto de parâmetros é determinado automaticamente com nosso algoritmo de deep learning com base no comportamento distinto de cada usuário, na localização na jornada do cliente, bem como nas tendências observadas em todo o site. Portanto, diga adeus à aplicação de regras de filtro personalizadas e deixe o algoritmo fazer seu trabalho.

Está disponível nos principais canais digitais

A personalização trata de consistência, e é por isso que a mesma tecnologia avançada de deep learning para recomendar produtos previstos para impulsionar o engajamento se estende além da web para aplicativos móveis, bem como para e-mail, com resultados personalizados no momento da abertura do e-mail.

Como a GlassesUSA alcançou um aumento de 87,6% na receita ao adaptar suas recomendações a cada cliente com um algoritmo de deep learning

Com produtos de marcas próprias e de mais de 60 designers, a Glasses compreendeu o desafio de mapear os óculos perfeitos para cada cliente entre os milhares de estilos disponíveis em seu catálogo. E, após anos otimizando diferentes experiências voltadas para a descoberta de produtos, a equipe de e-commerce estava pronta para colocar à prova um algoritmo de aprendizado de máquina mais sofisticado.

Representando o topo do funil, a GlassesUSA configurou um experimento em uma área logo abaixo da dobra na sua página inicial para comparar a estratégia de deep learning do Dynamic Yield com a filtragem colaborativa para todo o tráfego de desktop.

Como o modelo de deep learning é configurado automaticamente por site, feed de produtos e indivíduo, a equipe fez apenas alguns pequenos ajustes na estratégia antes de ver rapidamente resultados impressionantes, notadamente um aumento de 45% na taxa de adição ao carrinho, um aumento de 68,1% nas compras e um acréscimo de 87,6% na receita. E, após realizar um teste semelhante no mobile, o algoritmo avançado provou mais uma vez ser o de melhor desempenho quando comparado ao controle, com a equipe da GlassesUSA tornando o deep learning a única estratégia para seu popular widget na página inicial neste canal.

Leia mais sobre como a GlassesUSA.com implementa um algoritmo de deep learning para adaptar suas recomendações a cada cliente.

 

A próxima geração de recomendações chegou

Hoje, as empresas devem estar dispostas a ir além da recomendação de itens semelhantes ou complementares, focando naqueles que são verdadeiramente personalizados para cada usuário. E embora os algoritmos baseados em afinidade e em filtragem colaborativa sejam ambos considerados personalizados, o deep learning combina as melhores qualidades de cada um, pois funciona em tempo real, a partir de qualquer tamanho de feed, e é capaz de aprender e se adaptar continuamente aos dados recebidos.

Com o Dynamic Yield, as equipes têm acesso a essa tecnologia de ponta pronta para uso, permitindo que superem o limite do que se pensava ser possível originalmente, sem passar por integrações complexas com fornecedores terceirizados ou exigir desenvolvimento interno.

E para completar, nosso modelo de recomendação de deep learning faz parte do sistema AdaptML™ da Dynamic Yield, que compartilha e aplica todos os dados e aprendizados coletados em nossas aplicações de deep learning, classificação e preditivas para um maior poder de decisão.

Se você é um cliente Dynamic Yield interessado em implementar recomendações de deep learning, entre em contato com seu Gerente de Sucesso do Cliente. E clique aqui para saber mais sobre os pré-requisitos e as melhores práticas.

Contact sales

Talk to an expert to learn how Mastercard can enhance your business through our products and services.

Mastercard