Sistemas de Recomendação Aplicados a Web Como converter visitantes em compradores

#5 Encontro - Data Science Sanca | São Carlos Data Science

Transcript

1. Sistemas de Recomendação Aplicados a Web Como converter visitantes em compradores
2. Arthur Fortes da Costa • Bacharel em Ciência da Computação (CEUT) – 2012 • Mestrado em Ciência da Computação (ICMC/USP) – 2015 • Doutorando em Ciência da Computação (ICMC/USP)  Python / R  Sistemas de Recomendação  Classificação / Agrupamento de Dados /arthurfortes /arthurfortes fortes.arthur@gmail.com fortes@icmc.usp.br
3. A Web
4. A Web • Três momentos: - Web 1.0: início dos anos 90 até início dos anos 2000 - Web 2.0: meados de 2000 até o presente - Web 3.0: o futuro
5. Web 1.0 • Conteúdo estático • Webmaster • Fluxo unidirecional de Informação
6. Web 2.0 • Conteúdo dinâmico • Blogs • Redes Sociais • Fluxo bidirecional de Informação
7. Web 3.0 • Web Semântica • Web Inteligente • Base de Dados Mundial
8. Web 3.0 Usuário Usuários Conhecimento gerado a partir de Mineração de Dados
9. Antes...
10. Agora...
13. Solução?! Sistemas de Recomendação!
14. Sistemas de Recomendação • Sistemas baseados e moldados especificamente para o usuário • Filtragem de conteúdo baseada única e exclusivamente nas preferências das pessoas que o acessam
15. “A lot of times, people don't know what they want until you show it to them.” -Steve jobs
16. “Sei que você gosta de filmes de ação, você deveria assistir Os Mercenários!” “Já ouviu o novo CD do AC/DC? Está excelente!” Recomendação está presente no dia-a-dia das pessoas
17. Porque não adicionar este conceito aos web- sites?
18. Por que utilizar Sistemas de Recomendação? • Sobrecarga de Informação • Milhares de artigos, postagens, músicas, filmes e produtos sendo lançados diáriamente • Netflix: 2/3 dos filmes assistidos vêm de Recomendação • Amazon: 38% das vendas são de recomendação (fonte: Celma e Lamere, ISMIR 2007) • Amazon: Em apenas três meses, o faturamento da Amazon saltou de $9,9 bilhões para $12.83 bilhões com as novas ferramentas de recomendação. (fonte: SmartHint, 2012)
19. Onde há Sistemas de Recomendação?
20. O que pode ser recomendado? • Filmes • Produtos • Música • Livros • Artigos • Programas de TV • Lugares • Alimentação, etc Basicamente: O QUE VOCÊ QUISER!!
21. E como esses sistemas funcionam?
22. O que um Sistema de Recomendação precisa? • Usuários • Sexo • Localização • Ocupação... • Produtos • Descrição • Preço • Categoria • Interações (Feedback) • Explícitas • Implícitas
23. Interações Explícitas • Notas • Comentários ou revisões
24. Interações implícitas • Cliques • Histórico de visitação de páginas • Tempo na página • Favoritação
25. O que um Sistema de Recomendação faz? • Prevê a nota que um usuário atribuiria a um item que ele não avaliou anteriormente e/ou • Gera listas de recomendação baseando-se na afinidade/similaridade da preferência de um usuário com um item desconhecido
26. Filtragem Baseada em conteúdo • Usuários recebem sugestões de itens que são similares àqueles que ele considera interessante
27. Filtragem baseada em conteúdo • Principais problemas: • Sobre-especialização: usuário não recebe itens que ele possa gostar mas que fujam de um pré-estabelecido contexto • Análise Limitada de Conteúdo: dois produtos com mesmas descrições são idênticos para o sistema
28. Filtragem colaborativa • Usuários recebem sugestões de itens que usuários de preferências similares demonstraram interesse
29. Filtragem colaborativa • Principais problemas: • Esparsidade: número de interações é pequeno em relação ao número de usuários e itens • Partida-fria: • Usuários novos recebem recomendações ruins • Itens novos são difíceis de ser recomendados
30. Sistemas Híbridos • Utilização de dois ou mais paradigmas em conjunto • Objetivo: uso de múltiplas abordagens de maneira que uma reduza as deficiências da outra.
31. Como são avaliados? • Avaliação Off-line: • Conjunto de treinamento e teste • Predição de notas: • Medidas de erro (RMSE) • Recomendação em listas: • Medidas de precisão de rankings (precisão @ K, MAP) • Avaliação On-line: • One-click • Acesso (Tempo / Aceitação)
32. Por onde começar?
33. Leituras • Recommender Systems. Aggarwal, Charu C. Springer, 1ª Ed. 2016. http://www.springer.com/gp/book/97833 19296579
34. Leituras • Artigos de conferências: • ACM RecSys • WebKD: Web Knowledge Discovery and Data Mining • ACM KDD: Knowledge Discovery and Data Mining • SIGIR: Information Retrieval • ICWSM: Weblogand Social Media • WIC: Web Intelligence • SAC: Symposium on Applied Computing
35. Ferramentas • MyMediaLite • Biblioteca de recomendação desenvolvida em C# • Web-site: http://mymedialite.net/ • Lenskit • Toolkit de recomendação desenvolvido em Java • Web-site: http://lenskit.org/ • Case Recommender • Framework de recomendação desenvolvido em Python • Web-site: https://github.com/ArthurFortes/CaseRecommender
36. O ecossistema do e-commerce
37. A cadeia do e-commerce Comparadores de preços E-mail Marketing Logística Mídias Sociais Pagamentos On-line Segurança Web Analytics Plataformas SEO Sistemas de Recomendação
38. Plataformas • Expectativa da Empresa • Compatível com os novos scripts, como Google Analytics, Adwords, etc. • SEO e soluções de segurança • Ferramentas para criar promoções • Geração de Relatórios • Frontend atraente e com identidade • Flexibilidade • Ferramentas de personalização
39. Plataformas • Expectativa dos Clientes • Múltiplos meios de pagamento • Layout limpo, rápido e de fácil navegação (usabilidade) • Cupom de descontos • Grande variedade e oferta de produtos • Produtos relacionados com o seu interesse
40. Métricas (O Que São e Para que Servem? ) • Onde e por quê os visitantes abandonam o processo de compras? • Qual a usabilidade da loja? • Quais ações de marketing são efetivas? • Qual a origem dos visitantes? • O que as pessoas fazem no site? • Quais tags geram visitas e vendas? • Quais ferramentas melhoram as vendas? Fonte: slideshare.net/gestahipermidia
41. Principais Desafios dos E-commerces
42. Principais Desafios dos E-commerces Baixas taxas de Conversão Baixo Envolvimento Taxa de conversão = Número de Compras Número de visitantes únicos • O que é taxa de conversão?
43. O Que é Envolvimento? “Eu compro naquela loja por que lá eu sou Eu.”
44. Por que Precisamos Aumentar a Conversão? • Psicologia da Compra e Competitividade - Compra por impulso - Ambiente propício a comparações - Baixo custo da pesquisa - Qualificação e racionalidade do consumidor - Físico x virtual - Usabilidade - Credibilidade - Intangibilidade da venda virtual
45. A Estratégia Atual do E-Commerce Brasileiro • Alto investimento em atração de tráfego: TV, Mailings, SEO, Links Patrocinados, etc.
46. O Que Falta? • Transformar o tráfego gerado em receita!
47. O Amadurecimento do Mercado • Mercados amadurecidos sabem que otimizar a taxa de conversão é complementar à atração de tráfego • Uma pequena melhoria na taxa de conversão corresponde a um aumento significativo de receita
48. Venda para Pessoas e Não Computadores Ferramentas de Conversão
49. Como Transformar Tráfego em Conversão? • Transformando visitantes em clientes através de Serviços Inteligentes de Recomendação
50. Serviços de Recomendação • Geram sugestões personalizadas, melhorando a experiência e potencializando vendas • Os serviços de recomendação podem e devem ser facilmente aplicados à sua loja virtual, ajudando seus clientes a fazer escolhas inteligentes e aumentando suas vendas
51. “Os serviços de recomendação personalizada formam um guia indispensável no processo de escolha de produtos em um e- commerce e visam sugerir o produto mais atraente para cada cliente, em cada contexto, antes da perda de sua atenção. Essa sugestão pode ser feita através de vitrines personalizadas dentro da loja ou disparando e-mails com produtos selecionados exclusivamente para cada cliente.” Artigo publicado na revista E-Commerce Brasil, Ano 2, Edição 1.
52. Como Funciona? Monitorar e analisar a efetividade da recomendação Mostrar itens recomendados Aplicar Algoritmo de recomendação Capturar as informações sobre as interações do usuário Capturar informações sobre os produtos
53. Abordagens de Recomendação • Baseada em Conteúdo: Analisa as características dos produtos • Filtragem Colaborativa: Usa informações sobre as avaliações dos usuários • Cross-Selling: Venda de um item adicional ao cliente; implementado usando diferentes abordagens • Behavioral Targeting: Usa informações comportamentais para encontrar padrões de consumo e recomendar • Híbrida: Duas ou mais abordagens combinadas
54. Por que Utilizar um Serviço de Recomendação? Porque • Porque precisamos ajudar os clientes a comprarem! As pessoas não encontram o que querem ou não sabem o que querem.
55. Quais os Benefícios? • Transformar visitantes em clientes: Permite que o visitante conheça produtos, serviços, pessoas, etc. que ele não conheceria sem o auxílio de uma ferramenta de personalização inteligente • Estimular as vendas cruzadas: Oferta itens altamente relacionados ao perfil do usuário, aumentando a probabilidade de venda e elevando o valor do ticket médio • Fidelizar usuários: A personalização da experiência de compra resulta em fidelização e tem influência direta sobre o fluxo futuro de usuários.
56. Principais Pontos de Recomendação no Site Home Página do Produto Carrinho Finalização de Compra
57. Home • Recomendamos (hoje) para você • Novidades para você • Em breve para você • Mais vistos (populares) • Mais comprados (populares) • Últimos produtos visualizados
58. Página de Produto e Carrinho • Quem comprou X também comprou Y • Quem viu X comprou Y • Quem viu X também viu Y • Mais populares (por categoria) • Produtos relacionados / Visualmente similares  Agregando valor: Publicidade
59. Recomendação no Processo de Checkout
60. O Que é o Processo de Checkout • São os passos entre o carrinho e o fechamento do pedido.
61. Conversão x Checkout • Pelo menos 59.8% dos clientes potenciais abandonam o carrinho de compras.* • Questões: – Por que essa taxa é tão elevada? – Existem erros básicos a serem evitados? – Há dicas ou regras que devem ser seguidas para reduzir essa taxa? – Há formas de aumentar a conversão no processo de checkout? * C. Holst, Fundamental Guidelines of E-Commerce Checkout Design, 06/04/2011, Smashing Magazine.
62. Algumas Dicas* 1. Mostre os passos 2. Mostre os ícones de pagamento 3. Adicione instruções onde necessário 4. Explicite os tempos de processamento 5. Explique os campos 6. Ajude com códigos de segurança 7. Forneça um link para o carrinho 8. Inclua links para chats 9. Mostre claramente erros 10. Não solicite informações desnecessárias * P. Hazelton, 10 Ecommerce Checkout Strategies, (24/02/2011), Practical Ecommerce - Insights for Online Merchants.
63. Amazon.com: O maior comércio eletrônico do mundo • Faturamento em 2010: US$ 34,20 Bilhões • 1/3 do faturamento vem de recomendação • Faturamento por recomendação em 2010: • US$ 11,40 Bilhões • R$ 18,40 Bilhões Fonte:Wikinvest.com
64. Faturamento do Comércio Eletrônico Brasileiro em 2010 • Faturamento em 2010: R$ 14,8 Bilhões R$ 14,8 Bilhões < R$ R$ 18,40 Bilhões • A Amazon vendeu mais com recomendação do que todo mercado brasileiro em 2010! Fonte:Webshoppers.com
65. “Nós não fazemos dinheiro quando vendemos produtos, fazemos dinheiro quando ajudamos os clientes a tomarem decisões de compras.” Jeff Bezos, Amazon.com
66. Resultado do uso de Recomendação • Receita: aumento de até 20% no faturamento • Engajamento: até 18% dos Visitantes se Engajam com as Recomendações (VER) • Itens por Pedido: até 40% de aumento nos VERs • Taxa de Conversão: até 4x de aumento nos VERs • E-mail Personalizado: até 70% de aumento na taxa de aderência * Fonte: CoreMetrics; Exact Target
67. Comparando Serviços de Recomendação “Embora a eficácia da recomendação seja o aspecto mais importante de uma solução, a decisão de compra depende da cobertura geográfica, mercado alvo, cuidado com os clientes, expertise, escalabilidade e as interfaces de controle das recomendações.”
68. Agradecimentos • Material + Slides: Rafael D’Addio
69. Obrigado ;)
70. Sistemas de Recomendação Aplicados a Web Como converter visitantes em compradores Arthur Fortes da Costa arthurfortes.github.io /arthurfortes /arthurfortes fortes.arthur@gmail.com fortes@icmc.usp.br