Personalizando a experiência do cliente com recomendações

Vá diretamente para os notebooks de Recomendação mencionados nesta postagem.

O varejo deu um salto gigantesco na adoção do e-commerce em 2020. O e-commerce como porcentagem do varejo total viu o progresso de vários anos em apenas um ano. Enquanto isso, a COVID, os lockdowns e a incerteza econômica interromperam completamente a forma como engajamos e retemos clientes. As empresas precisam repensar a personalização para competir de forma eficaz neste período de rápidas mudanças.

Em 2020, vimos uma rápida mudança no comportamento do consumidor, não apenas na adoção do e-commerce. As marcas próprias tiveram maior aceitação dos consumidores. Os bens de primeira necessidade tiveram um ressurgimento na demanda. Os clientes não apenas repensaram seus relacionamentos com produtos específicos, mas também com os varejistas, distribuindo seus gastos entre vários parceiros de varejo. A relevância de expositores, recursos e promoções na loja foi desafiada por varejistas líderes capazes de gerar 35% de sua receita por meio de recomendações personalizadas.

Oferecer uma experiência que faça os clientes se sentirem compreendidos ajuda os varejistas a se destacarem da concorrência e a fidelizar clientes. Isso era verdade antes da COVID, mas as mudanças nas preferências do consumidor tornam isso mais essencial para as organizações de varejo. Com pesquisas mostrando que o custo de aquisição de clientes chega a ser cinco vezes maior que o de reter os já existentes, as organizações que buscam ter sucesso no novo normal devem continuar a criar conexões mais profundas com os clientes atuais para manter uma base de consumidores sólida. Não faltam opções e incentivos para os consumidores de hoje repensarem padrões de gastos há muito estabelecidos.

A personalização é essencial para competir

Diante de uma variedade esmagadora de opções, os consumidores esperam que as marcas que compram e as organizações de quem compram ofereçam uma experiência alinhada com suas necessidades e preferências. A personalização, antes apresentada como uma visão exótica do que poderia ser, está se tornando cada vez mais a expectativa básica para consumidores continuamente conectados, com pouco tempo e que buscam valor por meio de um conjunto de considerações cada vez mais complexo.

As marcas que oferecem experiências personalizadas podem competir com esses gigantes do varejo. Em uma análise pré-COVID de atitudes e padrões de consumo, 80% dos participantes indicaram que eram mais propensos a fazer negócios com uma empresa que oferecesse experiências personalizadas. Constatou-se que esses indivíduos eram 10 vezes mais propensos a fazer 15 ou mais compras por ano com organizações que eles acreditavam que entendiam e respondiam às suas necessidades e preferências pessoais. Em uma pesquisa separada, 50% dos participantes relataram ver as marcas que compram como extensões de si mesmos, impulsionando uma fidelidade do cliente mais profunda e sustentada para as marcas que acertam.

Como a COVID forçou uma mudança no foco do consumidor para valor, disponibilidade, qualidade, segurança e comunidade, as marcas mais atentas às mudanças nas necessidades e nos sentimentos viram os clientes trocar de rivais. Embora alguns segmentos tenham ganhado negócios e muitos tenham perdido, as organizações que já haviam iniciado a jornada para melhorar a experiência do cliente tiveram resultados melhores, espelhando de perto os padrões observados na recessão de 2007-2008 (Figura 1).

 Figura 1. Líderes em CX superam os retardatários, mesmo em um mercado em baixa, uma visualização do Índice de Desempenho da Experiência do Cliente da Forrester, fornecido pela McKinsey & Company (link

À medida que olhamos para o que será o novo normal, fica claro que a personalização das experiências do cliente continuará sendo um foco chave para muitas organizações B2C e até mesmo organizações B2B. Cada vez mais, os analistas de mercado estão reconhecendo a experiência do cliente como uma força disruptiva que permite que organizações iniciantes superem concorrentes já consolidados. As organizações focadas em competir apenas por meio de produto, praça, preço e promoção se verão pressionadas por concorrentes capazes de entregar mais valor aos consumidores a cada dólar recebido.

Foco na jornada do cliente

A personalização começa com uma exploração cuidadosa da jornada do cliente. Isso começa quando os clientes reconhecem uma necessidade e passam a identificar um produto para satisfazê-la. Em seguida, passa para a seleção de um canal para sua compra e termina com o consumo, o descarte e a possível recompra. O caminho é variado e não simplesmente linear, mas a cada etapa, há uma oportunidade de criar valor para o cliente.

A digitalização de cada etapa oferece flexibilidade ao cliente em termos de como ele vai interagir e dá à organização a capacidade de avaliar a saúde de seu modelo. Embora seja parte integrante da experiência on-line e móvel, a digitalização pode ser estendida para as etapas na loja, em trânsito e até mesmo em casa da jornada do cliente, com as devidas considerações sobre transparência, privacidade e valor agregado para o cliente.

Esses dados gerados pelo cliente, bem como informações de terceiros, fornecem à organização as informações de que ela precisa para refinar seu entendimento do cliente e de suas jornadas únicas. As motivações, os objetivos e as preferências individuais agora podem ser mais bem compreendidos, e experiências mais personalizadas podem ser oferecidas ao cliente.

O exame da jornada do cliente, sua digitalização e a análise dos dados gerados por ela são usados para criar um ciclo de feedback através do qual a experiência do cliente melhora. Para colocar esse ciclo em movimento e sustentá-lo ao longo do tempo, uma visão clara para competir na experiência do cliente deve ser expressa. Essa visão deve unir toda a organização, não apenas o marketing e seus facilitadores de TI, em torno de objetivos compartilhados. Essas metas devem então ser traduzidas em estruturas de incentivo que incentivem a colaboração e a inovação entre departamentos. A jornada da organização para oferecer experiências de cliente diferenciadas é, fundamentalmente, uma jornada para se tornar uma organização que aprende, uma que coloca as percepções em prática, celebra os aprendizados que vêm com o fracasso e escala rapidamente seus sucessos para gerar valor para o cliente.

Aproveitar as preferências do cliente

A personalização é multifacetada, mas em vários pontos da jornada do cliente, as organizações terão a oportunidade de selecionar conteúdo, produtos e promoções a serem apresentados ao cliente. Nesses momentos, podemos levar em consideração o feedback anterior dos clientes para selecionar os itens corretos a serem apresentados. O feedback dos clientes nem sempre chega até nós na forma de classificações de 1 a 5 estrelas ou avaliações por escrito. O feedback pode ser expresso por meio de interações, tempos de permanência, pesquisas de produtos e eventos de compra. A análise cuidadosa de como os clientes interagem com vários ativos e como essas interações podem ser interpretadas como expressões de preferência pode revelar uma ampla variedade de dados com os quais você pode habilitar a personalização.

Com o feedback em mãos, agora consideramos quais itens apresentar. Considere um cliente navegando por uma variedade de produtos recomendados, clicando em um, explorando alternativas a esse item, colocando-o no carrinho e, em seguida, explorando itens frequentemente comprados em combinação com esse item. Em cada etapa deste recorte muito específico da jornada do cliente, o cliente interage com nosso conteúdo com objetivos muito diferentes em mente. As preferências do cliente permanecem inalteradas ao longo de toda essa jornada, mas a intenção dele nos leva a usar essa informação para fazer escolhas muito diferentes com relação ao que podemos apresentar.

Entenda que é tanto arte quanto ciência

Os mecanismos que usamos para servir conteúdo com base nas preferências do cliente são conhecidos como recomendadores. Dizer que sua construção é tanto Arte quanto Ciência seria um eufemismo. Com alguns recomendadores, nos concentramos fortemente nas preferências compartilhadas de clientes semelhantes para expandir a variedade de conteúdo que podemos expor aos clientes. Com outros, nos concentramos nas propriedades do próprio conteúdo (por exemplo, descrições de produtos) e aproveitamos as interações específicas do usuário com conteúdo relacionado para quantificar a probabilidade de um item ter ressonância com o cliente. Cada classe de mecanismo de recomendação se orienta em torno de um objetivo geral, mas, dentro de cada uma, há inúmeras decisões que a empresa deve tomar para orientar suas recomendações para objetivos específicos.

A complexidade desses mecanismos e a natureza do motivo pelo qual os construímos são tais que qualquer avaliação inicial de sua suposta precisão é suspeita. Embora métodos de avaliação offline tenham sido propostos e devam ser empregados para garantir que os recomendadores que construímos não saiam do controle, a realidade é que só podemos avaliar efetivamente a capacidade deles de nos ajudar a atingir um objetivo específico lançando-os em projetos-piloto limitados e avaliando a resposta do cliente. E nessas avaliações, é importante ter em mente que não há expectativa de perfeição, apenas uma melhoria incremental em relação à solução anterior.

Considere as compensações entre desempenho & completude

O principal desafio que devemos superar na construção de qualquer sistema de recomendação é a escalabilidade. Considere um sistema de recomendação que utiliza semelhanças entre usuários. Um pequeno pool de 100.000 usuários exige a avaliação de aproximadamente 5.000.000.000 de pares de usuários, e cada uma dessas avaliações pode envolver uma comparação de preferências para cada item que possamos recomendar. Do ponto de vista puramente técnico, realizar esse número de cálculos não é um problema, mas o custo de fazê-lo regularmente e dentro das restrições de tempo impostas a esses sistemas torna uma avaliação de força bruta inviável.

É por essa razão que a literatura técnica sobre o desenvolvimento de sistemas de recomendação dá grande ênfase às técnicas de similaridade aproximada. Essas técnicas oferecem atalhos que nos permitem focar nos usuários ou itens com maior probabilidade de serem semelhantes aos objetos que estamos comparando. Com essas técnicas, há um tradeoff entre ganhos de desempenho e a completude da recomendação. Portanto, embora essas técnicas sejam bastante orientadas tecnicamente, é preciso ter uma conversa importante entre os arquitetos de solução e os stakeholders de negócio sobre o equilíbrio ideal entre essas duas considerações.

Impulsione seus esforços com aceleradores de solução

Nem é preciso dizer que o gerenciamento cuidadoso dos recursos pode ajudar muito a manter o custo do desenvolvimento, treinamento e implantação contínuos do recomendador. O Databricks foi projetado especificamente para o desenvolvimento escalável em infraestruturas de cloud que permitem que as organizações provisionem e desprovisionem recursos rapidamente exatamente por esse motivo.

Para ajudar nossos clientes a entender como eles podem usar o Databricks para desenvolver vários sistemas de recomendação, disponibilizamos uma série de Notebooks detalhados como parte de nosso programa Solution Accelerators. Cada notebook utiliza um dataset do mundo real para mostrar como os dados brutos podem ser transformados em uma ou mais soluções de recomendação.

O foco destes notebooks é a educação. Ninguém deve considerar as técnicas demonstradas aqui como a única maneira ou mesmo a maneira preferida de resolver um desafio de recomendação específico. Ainda assim, ao lidar com os problemas descritos acima, esperamos que algumas partes do código apresentado ajudem nossos clientes a resolverem suas próprias necessidades de recomendação.

Recomendadores de Filtragem Colaborativa

• CF 01: Preparação de Dados
• CF 02: Identificar usuários semelhantes
• CF 03: Criar recomendações com base no usuário
• CF 04: Crie recomendações baseadas em itens
• CF 05: Implantar Filtros Colaborativos

Recomendadores Baseados em Conteúdo

Você também pode assistir ao nosso webinar sob demanda sobre personalização e recomendações.

• CN 01: Preparação de Dados
• CN 02a: determinar semelhanças de título
• CN 02b: Determinar Similaridades de Descrição
• CN 02c: Determinar Similaridades de Categoria
• CN 03: Construir Recomendadores de Perfil de Usuário
• CN 04 Implantar recomendadores baseados em conteúdo