recommendation engine

Como o Recommendation Engine incrementa as Vendas

Neste artigo vamos partilhar dados concretos sobre como um Recommendation Engine é útil para maximizar as suas vendas. Também vamos explicar como funciona e por que motivo esta tool consegue oferecer resultados tão promissores.

O que é um Recommendation Engine

Um Recommendation Engine é basicamente uma ferramenta de filtragem de dados que utiliza algoritmos para recomendar os itens mais relevantes para um utilizador específico.

Em termos simples, nada mais é que uma forma automatizada de “vendedor de balcão”. Ou seja, quando se pede um produto ele mostrar esse, assim como todos os produtos relacionados que se pode ter interesse em comprar.

Essa ferramenta é muito útil para Cross-Sell e Up-Sell. Algo que vou aprofundar um pouco mais à frente.

Como funciona um Recommendation Engine

Em overview, existem três tipos de Recommendation Engine, a saber:

Collaborative filtering

A filtragem colaborativa é baseada na suposição de que as pessoas que concordaram no passado vão concordar novamente no futuro.

Por exemplo, se a pessoa “A” gosta dos itens 1, 2, 3 e “B” gosta dos itens 2, 3, 4, então é provável que estas pessoas tenham interesses semelhantes. O que significa que “A” deverá gostar do item 4, assim como “B” deverá gostar do item 1.

O ponto principal aqui é que este método é focado na recolha de informação e análise de informações sobre o comportamento dos utilizadores.

Uma vantagem deste forma de abordagem é ser capaz de recomendar com precisão, itens complexos, como um filme. Isto porque não é necessário uma “compreensão” do item em causa.

Vou saltar a explicação dos vários tipos de métodos colaborativos só para que o artigo não fique muito longo. Em caso de interesse podemos falar via LinkedIn.

Content-Based Filtering

Também conhecido como Cognitive Filtering. Recomenda itens com base na comparação entre o conteúdo do item e o perfil do utilizador.

Esse tipo de método é baseado na descrição de um item e perfil de utilizador. A ideia principal da filtragem baseada em conteúdo é que, se você gosta de um item, também gosta de um item ‘semelhante’.

Exemplos práticos: quando alguém está a ouvir “Guns And Roses”, é provável que a App sugira “Jimi Hendrix”, pois são “itens” semelhantes e o utilizador tem gostos de Hard Rock e interesses em solos de guitarra.

Hybrid Recommendation Systems

Algumas pesquisas mostram que o ponto ideal é combinar Collaborative filtering e Content-Based Filtering.

A abordagem Hybrid Recommendation é o que o próprio nome indica. É uma junção dos resultados obtidos utilizando o Collaborative filtering e o Content-Based Filtering. Vários estudos concentraram-se em comparar o desempenho do híbrido, com métodos simples de colaboração e conteúdo. O resultado geralmente mostra o impacto positivo da abordagem híbrida.

Um dos melhores exemplos desta abordagem é a Netflix. Basicamente a Netflix compara os hábitos de observação e pesquisa de utilizadores com um perfil idêntico  (Collaborative filtering), além de oferecer conteúdo com características semelhantes às vistas feitas anteriormente  por determinado utilizador (Content-Based Filtering).

Experiência Personalizada para cada cliente

Uma experiência personalizada vende mais. De acordo com um estudo da Forrester, mais de 15% dos visitantes admitem comprar produtos recomendados.

Como explicado acima, o resultado da utilização de mecanismos de recomendação é criar uma experiência que faça com que o visitante se sinta entendido e servido bem como indivíduos.

O estudo, que pesquisou 2 000 consumidores dos EUA e do Reino Unido, descobriu que 73% dos clientes preferem experiências de compras personalizadas.

Aumento do Average Order Value

O segredo é personalização. Quando mais personalizada for a experiência do utilizador, mais alta vai ser a Conversion Rate.

Essa personalização só se obtém com a implementação de um Recommendation Engine de qualidade. Dessa forma é possível utilizar técnicas de cross e up-selling. Técnicas essas que, segundo a Mckinsey aumentam as vendas em 20% e os lucros em 30%.

Também a SearchNode realizou um estudo onde mostra quais as tendências para 2020. Sem surpresa, em primeiro lugar está a personalização.

Resultados de empresas que implementaram Recommendation Engines

A Amazon é o player de retalho que melhor tem usado esta tecnologia. 35% das suas vendas devem-se ao seu Recommendation Engine.

De acordo com a Boston Consulting Group, “retalhistas que implementam personalization strategies vêm em média um incremento de vendas em 6%-10%, um valor três vezes mais rápido que outros retalhistas que não as usam”.

Recommendation Engine no B2B

Neste artigo abordámos principalmente como esta ferramenta é útil no e-commerce no setor B2C. Contudo, a utilidade desta solução é muito mais abrangente.

Esta tecnologia pode ser implementada na gestão de projetos de IT de forma a atribuir determinadas tarefas aos recursos humanos mais indicados para a desempenhar. Pode também ser utilizada no ramo financeiro de forma a recomendar investimentos, e até mesmo à construção civil de forma a recomendar padrões de construção e melhores materiais para edifícios com a funcionalidade “x” ou “y”.

Brevemente vamos abordar este tema no setor B2B.

Pensamento Final

A principal utilidade de um Recommendation Engine em B2C é conseguir personalizar ao máximo a experiência de cada utilizador, permitindo um tratamento único a cada visitante. É como se houvesse alguém a ajustar o display dos produtos da loja de acordo com os interesses e necessidades de cada visitante.

Desta forma potencializa-se o incremento do Average Order Value, a redução de Abandoned Cart o que se traduz por fim no incremento das vendas.

Rui Nogueira | Founder & Co-CEO at Hacktion

Em caso de dúvida e/ou curiosidade estou disponível para falarmos via LinkedIn.

Deixe uma resposta

Your email address will not be published. Required fields are marked *

Post comment