O Adobe Sensei foi anunciado pela Adobe em 2016 durante seu evento Adobe MAX. É uma plataforma de serviço que faz a união entre inteligência artifical e machine learning (aprendizado de máquina), com o intuito de melhorar a experiência digital dos usuários nos mais variados aspectos, já que possui integração com toda estrutura de serviços oferecida pela empresa, incluindo a plataforma Adobe Commerce, antiga Magento Commerce.
Essa ferramenta poderosa trouxe um leque de possibilidades enormes para o segmento de e-commerce, combinando dados dos usuários, como hábitos de acesso e consumo para oferecer ao cliente, recomendações de produtos mais assertivas, baseando-se no seu comportamento de navegação dentro do site. Neste texto, vamos entender um pouco mais sobre as recomendações de produto, e como elas funcionam.
O que são recomendações de produto?
Digamos que estou comprando uma mochila de caminhada na Internet. Encontro diversos varejistas e comerciantes, diferentes sites, e em todos eles, posso ver diversos exemplos de como utilizam as recomendações de produtos. Normalmente estes são conjuntos de produtos que o comerciante considera relevante e envolvente para minha experiência. Existem diversas formas de utilizar esse recurso.
Alguns dos títulos fornecem uma pista de como esses itens são recuperados dentro da loja. Na imagem abaixo, à esquerda, você pode ver alguns títulos como “Quem procura este item, também se interessa por”, “quem viu, comprou”, neste exemplo, você pode ver que há alguma interseção entre produtos e categorias. No canto inferior esquerdo, “quem viu, gostou” desses itens, eles também são retirados de diferentes categorias. Vindo em sentido anti-horário, “compre junto” parece ser um conjunto de produtos muito semelhantes. Note que esses exemplos foram retirados de recomendações de produtos exibidas em desktops.
Agora, é claro, não podemos esquecer dos dispositivos móveis. No canto superior direito você pode ver alguns exemplos de como são as recomendações de produtos para smartphones. Há aqueles chamados “quem viu, gostou” e outro diferente que na verdade encaixa dois produtos na tela que diz “produtos similares”.
Nós estamos na mesma página, apenas em dispositivos diferentes. É sobre isso que estamos falando, sobre recomendações e unidade de recomendações. Nos recursos presentes no Magento, chamamos esse conjunto de itens recomendados como unidade de recomendação, e cada item individual dentro dessa unidade, é chamado de item recomendado.
Por que usar recomendações?
Essa é uma pergunta interessante, e descobriremos juntos a resposta: vamos utilizar como exemplo um conteúdo retirado da página Netflix Research, mais precisamente da seção “Sobre”. Nela, destacam-se alguns dos motivos pelos quais são consideradas as recomendações e seus respectivos algoritmos importantes para seu modelo de negócio.
NETFLIX: “Os algoritmos de recomendação são a base do produto Netflix. Eles fornecem aos nossos membros sugestões personalizadas para reduzir a quantidade de tempo e frustração para encontrar algo de grande conteúdo para assistir. Devido à importância de nossas recomendações, continuamente nos esforçamos para melhorá-las, avançando com o que há de mais moderno no mercado.”
A Netflix é uma gigantesca empresa de tecnologia, cujo sucesso depende do fornecimento de conteúdo relevante e de alto engajamento. Você pode até argumentar que, para eles, fornecer uma experiência relevante e envolvente é ainda mais importante do que para sites de comércio eletrônico, mas não é por aí. Ao ler alguns trechos, percebemos que eles enxergam os algoritmos de recomendação como o núcleo do produto Netflix.
Isso é ótimo, mas o que realmente significa?
Há uma estatística que diz que 75% de todo o conteúdo assistido na Netflix, veio através das recomendações, apenas com esse dado, acredito que já percebeu onde quero chegar.
Trazendo agora para o setor varejista e comercial, também encontramos alguns exemplos sobre o sucesso que recomendações personalizadas podem trazer. Talvez o mais citado seja o caso da Amazon. Especula-se que as recomendações representam cerca de 35% de sua receita, um número extremamente grande, considerando que há alguns anos a receita total da empresa girava em torno de $50 bilhões de dólares.
A venda de produtos da Lotte Mart, que já havia sido comprada anteriormente, aumentou cerca de 40% com a introdução das recomendações. E para finalizar, a Knomo Londres, aumentou em 60% suas taxas de conversão ao implementar recomendações de produtos.
Existe um grande número de exemplos de como a personalização de recomendações em geral pode aumentar o sucesso e os resultados financeiros de qualquer comerciante que venda online. Note que o resultado financeiro que estamos falando aqui vem das recomendações de produtos, que é uma ferramenta comprovada para aumentar a conversão, a receita e o envolvimento do cliente.
Como funcionam as recomendações?
O diagrama abaixo mostra o fluxo de dados para esse recurso.
Ao olhar os dois lados da parte inferior do diagrama, à esquerda você terá sua instância Adobe, que é composta da instalação do Adobe Commerce, e na superior, você encontra os módulos de recomendação.
O diagrama mostra o fluxo de dados para esse recurso, então se você olhar, na parte inferior, os dois lados do diagrama, à esquerda você tem sua instância Adobe, que é composta de sua própria instalação do Adobe Commerce, e, na parte superior, você terá módulos de recomendações. Hoje, esses módulos são implantados como meta-packages, mas isso não tem grande importância nesse ponto.
Olhando agora para o lado direito do diagrama, temos efetivamente o SaaS — o serviço em nuvem que opera em sua própria estrutura. Perceba que existe uma troca de dados ao passar de um lado para o outro, e isto começa do lado da Adobe Commerce. No canto superior direito, você pode ver que ele passa dados para o Adobe Sensei, esses dados consistem em duas coisas.
Uma delas é relacionada aos dados do produto. Ou seja, existe um processo de exportação do catálogo que é sincronizado através do Adobe Sensei e, logo em seguida, também são sincronizados dados comportamentais dos compradores no Sensei. Portanto, essa é uma integração entre os produtos e os compradores no site.
Esses tais “dados comportamentais” são eventos como visualizações de produtos, produtos adicionados ao carrinho, compras efetuadas e muitos outros. Tudo que é coletado, é armazenado, e posteriormente as informações são processadas para atingir o objetivo final: chegar à afinidades de produtos.
Os dados do catálogo são utilizados pelo serviço de recomendações com o objetivo de garantir maior precisão em nomes dos produtos, descrições e preços, garantindo que tudo estará em perfeita sincronia, caso haja alguma mudança na disponibilidade do produto em questão. Uma vez que tudo que entra ou sai do estoque é contabilizado. Esse recurso é inteiramente destinado a manter o serviço atualizado sobre esses detalhes.
Quando os dados são recebidos pelo Adobe Sensei, ele faz os cálculos numéricos, os processa e aplica a inteligência focada nos modelos de aprendizado de máquina. O Sensei é responsável por criar esses modelos, treiná-los e finalmente, entregar o relacionamento de produtos de maneiras diferentes para cada um dos tipos existentes. Por exemplo: clientes que compraram determinado produto, também compraram os produtos X, Y e Z, ou clientes que viram o item A, são propensos a ver o B, C e D.
É com base nessa afinidade ou indicadores de produto que o Adobe Sensei constrói um serviço de recomendação capaz de servir resultados para os variados tipos.
Como aproveitar ao máximo as recomendações?
Chegamos em um dos pontos chaves sobre o assunto: como tirar o máximo de proveito das recomendações geradas pelo Adobe Sensei. Na sequência, vamos citar um compilado de pequenas dicas e truques que podem ajudá-los a explorar esse recurso ao máximo.
Antes de mais nada, é fundamental conhecer as opções disponíveis. A tabela abaixo resume que tipo de recomendação você pode implementar e em qual tipo de página. Perceba que eles são diferentes uns dos outros, e variam de página para página.
Observe o tipo de página “Detalhes do Produto”, e perceba que existe apenas uma opção de posicionamento, que é na parte inferior do conteúdo principal e páginas de detalhes do produto. Note que aqui, podem ser implementadas recomendações baseadas em comportamentos, por exemplo, “pessoas também viram”. Esse tipo de recomendação não faz sentido em páginas como a inicial do site.
Uma vez que não há SKU (Stock Keeping Unit, em português, Unidade de controle de Estoque) agindo em páginas iniciais, não existe a necessidade de implementar esse modelo de recomendação. As páginas iniciais possuem outro conjunto de recomendações diferentes, que não necessariamente tem valor para páginas de detalhe de produto. Sendo assim, uma recomendação para um tipo de página, pode não fazer sentido em outra.
Por fim, é preciso conhecer as opções disponíveis, e buscar compreender quais tipo de recomendações farão sentido nas páginas. Para te ajudar, trouxemos um pequeno “starting guide”:
Não esqueça que essas são apenas sugestões iniciais, que podem ajudar a visualizar como são os resultados, e a partir daí fazer os ajustes necessários.
Por onde começar?
A primeira sugestão é implementar na página inicial uma seção de “recomendado para você”. Esse modelo de recomendação considera principalmente o comportamento atual e o anterior de cada comprador do site, fazendo as recomendações levando isso em consideração.
Já em uma página de produtos, é recomendado implementar uma seção de “as pessoas também viram”. É importante saber que você pode nomear a seção com o nome que quiser. Por exemplo: “pessoas que procuraram por A, também viram B, C e D.”
Por último, mas não menos importante, é implementar uma recomendação de: “quem comprou A, levou também B”. Essa é uma recomendação que faz o trabalho de venda cruzada, e está presente em 99% das páginas de carrinho de compras.
Veja abaixo uma lista de melhores práticas desenvolvidas pela equipe da Adobe ao longo do tempo.
Melhores práticas
- Diversifique os tipos de recomendação
- Evite o “cansaço das recomendações” para seus clientes
- Não implemente o mesmo tipo de recomendação na página do carrinho e na página de confirmação do pedido
- Mantenha seu site limpo. Evite implantar mais de 3 unidades de recomendação na mesma página
- Use os tipos de recomendação “mais como este” em catálogos não específicos de gênero
- No futuro, será possível limitar pelo mesmo sexo
- Não force os compradores a duvidar das decisões com recomendações de carrinho mostrando produtos semelhantes aos que o cliente já colocou lá. Por exemplo, use “também compraram” em vez de “mais como este”. Você não deve atrapalhar sua compra.
Recomendações de backup
E se não houver dados suficientes para preencher todos os itens solicitados pelo tipo de recomendação selecionado? Por exemplo: foi solicitado uma unidade de recomendação que contenha cinco itens, mas os dados disponíveis retornaram apenas três, e agora?
Essa situação é mais comum do que você imagina! O Adobe Sensei possui um recurso que é dedicado a fornecer recomendações “de backup” para preencher slots vazios durante as requisições.
Esse recurso atualmente está disponível para os tipos abaixo.
Backups habilitados para:
- Recomendado para você
- Quem viu isso, viu aquilo
- Quem viu isso, comprou aquilo
- Quem comprou isso, comprou aquilo
Filtragem padrão
Por convenção, é indicado implementar a recomendação de itens “mais populares” em páginas de PDP (Product Detail Page, em português, página de detalhes do produto). Nessas páginas são utilizados recomendação de produtos relacionados com determinado item. Mas, a grande questão é se os itens mais populares de todo o catálogo devem ser filtrados nela.
Nas páginas de categorias, imagina-se que a intenção seja obter o item mais popular no site, e fazer o filtro com itens que pertencem apenas aquela categoria, pressupõe-se que para páginas de detalhes de produto também. Sendo assim, o que ocorre é a tentativa de produzir itens mais relevantes para essas recomendações mais populares na página de detalhes do produto. Por padrão, os produtos são filtrados por aqueles que pertencem à mesma categoria que está sendo exibida no site.
Ou seja, a Adobe Commerce aplica filtros padronizados para recomendações mais populares e tendências em certos contextos, com a finalidade de garantir que os resultados produzidos sejam mais relevantes. Repare que geralmente em páginas de categorias, são mostrados sempre produtos desta mesma categoria. Em PDPs, são mostrados produtos nas mesmas categorias que estão sendo exibidas.
Em páginas de carrinho de compras, é mostrado baseado nas categorias, os filtros aplicados, nas categorias de produtos que já estão no carrinho. E na hora da confirmação do pedido, também são exibidos filtros através das categorias de produtos que acabaram de ser comprados.
Sendo assim, também é recomendado incluir análises de métricas de recomendações. Você pode consultar as recomendações completas neste link.
Abaixo listamos algumas métricas importantes que devem ser analisadas.
Analisando métricas de recomendações e definições
- Impressions: número de vezes que uma unidade de recomendação é carregada e renderizada em uma página.
- Viewable Impressions: número de impressões da unidade de recomendação que registram pelo menos uma visualização.
- Views: muitas vezes uma unidade de recomendação aparece na janela de visualização do navegador do comprador. Este evento pode ser disparado várias vezes em uma página.
- Clicks: número de vezes que um comprador clica em um item em uma unidade de recomendação.
- Viewability %: porcentagem de impressões da unidade de recomendação que registram a visualização.
- Click-through rate (CTR)%: porcentagem de impressões de unidades de recomendações que registram um clique.
- Viewable Click-through Rate (vCTR)%: porcentagem de impressões visíveis da unidade de recomendação que registram um clique.
- Revenue: receita gerada por recomendações.
Curtiu o conteúdo? Então siga a gente nas redes sociais Instagram, Facebook, LinkedIn e Youtube e fique por dentro de todas as novidades que postamos por lá! 🙂
