Os dados são frequentemente designados como o novo petróleo, mas gostaríamos de argumentar que os algoritmos são a joia de ouro. O impacto da personalização e dos algoritmos de recomendação no desempenho da empresa é impressionante.

Por exemplo, a Netflix informou que o efeito combinado da personalização e das recomendações lhes permite poupar mais de mil milhões de dólares por ano. Menos pessoas cancelam as suas subscrições, pelo que ganham mais dinheiro com os clientes existentes e não têm de gastar tanto a atrair novos clientes. Outro líder do setor, a Amazon, refere que cerca de 35% das suas vendas têm origem em vendas cruzadas, o que é um resultado direto do seu motor de recomendações. Este fato realça o potencial significativo de receitas dos algoritmos de personalização e recomendação. 

O valor destes algoritmos de aprendizagem profunda vai para além das receitas e dos custos. Podem também ter um impacto profundo no valor global de uma empresa. Tomemos como exemplo o algoritmo do TikTok. Estima-se que valha cerca de 60-70 mil milhões de dólares e muitos analistas acreditam que, sem ele, a empresa valeria muito menos, cerca de 30-40 mil milhões de dólares.

Há também um artigo da McKinsey que afirma que as empresas que crescem mais rapidamente obtêm mais 40% das suas receitas através da personalização do que as empresas que crescem mais lentamente. De fato, a personalização gera cerca de 1 trilhão de dólares em valor para as empresas com melhor desempenho. 

Então, o que é que distingue os líderes dos outros?

A sua capacidade para personalizar as suas ofertas e chegar ao indivíduo certo, no momento certo, com as experiências certas. 

Mas como é que se sabe quais são essas experiências? 

Para responder a esta pergunta, temos de olhar para as expectativas dos compradores modernos. 

Um estudo realizado pela Google e pela BCG revelou uma descoberta surpreendente: se um algoritmo que fornecesse recomendações personalizadas de produtos fosse eliminado, colocaria em risco cerca de 10% das receitas totais das empresas. Isto realça o grande impacto da personalização no resultado final de um varejista. Mas não se trata apenas de ter personalização - trata-se de ter a personalização correta. 

Os compradores querem experiências que sejam cómodas e relevantes. Esperam encontrar rápida e facilmente os produtos ou serviços de que necessitam, sem terem de procurar em inúmeras opções. De fato, 80% dos compradores a nível mundial dão prioridade à rapidez, referindo a importância de fazer as coisas rapidamente. Para satisfazer esta procura, os varejistas devem proporcionar experiências sem atritos que facilitem o envolvimento e a compra.

Os clientes também querem obter valor das suas compras, com 87% dos clientes a considerarem necessário sentir que conseguiram um bom negócio. Esta é uma excelente oportunidade para os varejistas se destacarem. As ofertas e descontos personalizados dão aos clientes essa sensação de valor. Quando as recomendações correspondem ao que pretendem, as compras tornam-se mais fáceis e mais agradáveis, motivando-os a comprar mais.

O fato mais revelador é que 62% dos compradores globais confiam em recomendações quando decidem que marca ou varejista apoiar. Este fato realça a importância de oferecer produtos ou serviços oportunos e relevantes. Permite que os compradores encontrem facilmente o que gostam, criando um sentimento de confiança e lealdade para com as suas marcas preferidas. 

A melhor forma de fornecer essas recomendações direcionadas e de oferecer conteúdos que se identifiquem com os compradores é utilizar tecnologias de aprendizagem automática (ML) e de inteligência artificial (IA).

Este documento técnico examina os algoritmos dos motores de recomendação, o seu papel no varejo e a razão pela qual são vitais para criar excelentes experiências de compra.

O que é um motor de recomendação?

O principal objetivo de um motor de recomendação é promover as vendas através de recomendações personalizadas. Também influencia o comportamento de compra, por exemplo, levando os compradores a optarem por artigos mais rentáveis ou aumentando o valor médio das encomendas através de oportunidades de venda cruzada e de venda adicional.

Na sua essência, os motores de recomendação são softwares complexos de envolvimento do cliente que utilizam a aprendizagem automática (ML) e a inteligência artificial (IA) para rastrear e analisar os dados do cliente. Estes incluem o histórico de navegação, as consultas de pesquisa e o comportamento anterior do utilizador, bem como informações sobre o produto, como atributos e preços. Em seguida, os motores utilizam estes dados para gerar sugestões de produtos personalizadas e apresentá-las aos utilizadores através de canais como montras Web, aplicações móveis e pontos de venda offline.

Os dados são normalmente agregados e geridos por uma Customer Data Platform (CDP)- um hub centralizado que permite aos motores de recomendação treinar os seus algoritmos e fazer previsões ou sugestões. 

Os melhores motores de recomendação integram-se no catálogo de produtos do varejista e na plataforma de automatização de marketing e CRM para combinar dados específicos do utilizador com dados do produto e fornecer sugestões precisas. 

Estas sugestões ou recomendações personalizadas são apresentadas dentro do design original do varejista, proporcionando uma experiência de compra consistente e intuitiva que reflecte a estética da marca.

O diagrama acima ilustra um exemplo de solução da plataforma de comércio VTEX, mostrando como as interações do utilizador, os dados do catálogo e os fluxos de dados de personalização(motor do sistema de recomendações) estão integrados.

Que algoritmos são utilizados nos motores de recomendação?

Com mais de uma década de experiência em motores de recomendação, a Loadstone tornou-se um parceiro de confiança dos varejistas. Concentramo-nos em aumentar o valor do tempo de vida do cliente (LTV) e em impulsionar o crescimento a longo prazo. O objetivo é simples - ajudar as empresas a obter o melhor desempenho no comércio eletrónico.

Como parte deste livro branco, efectuámos uma análise detalhada utilizando um conjunto de dados maciço que inclui triliões de pontos de dados de centenas de varejistas. Estes varejistas operam em várias áreas geográficas e verticais, incluindo vestuário e acessórios, casa e jardim, eletrónica, alimentos e bebidas, saúde e beleza, desporto e lazer, animais de estimação, crianças e bebés, presentes e muito mais. 

A análise destaca os principais indicadores de desempenho, incluindo as receitas atribuídas (vendas diretamente ligadas ao motor de recomendação), o valor médio das encomendas (AOV) e as unidades de artigos por transação (UPT). Embora estas métricas forneçam informações valiosas sobre a eficácia dos motores de recomendação, outras métricas importantes do comércio eletrónico, como as taxas de conversão (CR), as taxas de cliques (CTR), as taxas de retenção de clientes, as taxas de rejeição e o valor global do tempo de vida do cliente (LTV), não foram explicitamente examinadas neste estudo. Seria necessária uma análise mais aprofundada do negócio de cada varejista para avaliar estas métricas com precisão.

Os resultados desta análise fornecem uma perspetiva sobre as preferências nos algoritmos dos motores de recomendação para o comércio varejista, resumidos no quadro seguinte. 

Nota. - A receita atribuída é a receita gerada pelos compradores que interagem com as recomendações ao abrigo de uma determinada política de atribuição; o fator AOV envolvido é a diferença no valor médio das encomendas dos compradores que interagem com as recomendações em comparação com os que não interagem, ao abrigo de uma determinada política de atribuição, depois de serem influenciados pelo algoritmo; o fator UPT envolvido é a diferença nas unidades por transação dos compradores que interagem com as recomendações em comparação com os que não interagem, ao abrigo de uma determinada política de atribuição, depois de serem influenciados pelos algoritmos.

A conclusão mais convincente da nossa análise é que os varejistas com melhor desempenho estão a utilizar algoritmos para ultrapassar os varejistas médios, obtendo ganhos impressionantes de 30-40% nas principais métricas de comércio eletrónico. Estes líderes estão a obter receitas atribuídas 35-40% mais elevadas, AOV 25-30% mais elevado e UPT médio 15-20% mais elevado. Também obtiveram um aumento impressionante de 500% na receita total e um aumento de 300% nas encomendas em que os compradores interagem com recomendações personalizadas. 

Os algoritmos dos motores de recomendação que os varejistas com melhor desempenho utilizam são concebidos para atingir objetivos específicos e podem ser classificados em quatro grupos:

• Baseado em categorias
• Baseado no produto
• Baseado no comprador
• Baseado em pesquisa

Eis uma análise aprofundada dos pontos fortes e das capacidades de cada grupo, que ajudará os varejistas a ajustarem a sua abordagem de modo a satisfazerem os requisitos comerciais específicos. 

Algoritmos baseados em categorias

Este grupo inclui algoritmos que apresentam produtos em toda a loja ou em categorias selecionadas. Os algoritmos baseados em categorias aumentam a descoberta de artigos novos e populares, gerando receitas atribuídas moderadas e envolvendo os compradores com um AOV mais elevado. 

Exemplos de algoritmos baseados em categorias:

• Popular para a categoria: Este algoritmo ajuda os compradores a encontrar artigos novos e populares. Gera uma receita atribuída moderada e apresenta um fator AOV elevado de envolvimento. Identifica os produtos populares e apresenta-os, facilitando aos compradores a descoberta de produtos novos e em voga sem terem de navegar por dezenas de produtos numa categoria.

• Descontos populares para a categoria: Este algoritmo aumenta as vendas de itens de tendência a um preço com desconto. Proporciona receitas atribuídas moderadas e fatores de AOV e UPT de envolvimento moderados. O algoritmo Popular com desconto para a categoria estabelece a ligação com os compradores que procuram os produtos mais vendidos em promoção. Destaca itens populares com descontos activos, tornando as ofertas fáceis de detetar. Os compradores podem encontrar rapidamente grandes ofertas e comprar com confiança, sabendo que estão a adquirir produtos populares a um preço melhor.
• Novidades das categorias: Este algoritmo mantém os compradores envolvidos com os produtos mais recentes, tem uma receita atribuída baixa e fatores de AOV e UPT envolvidos moderados. O algoritmo Novidades das categorias atrai compradores com um AOV mais elevado e compra mais artigos por transação. Este algoritmo identifica produtos novos e de tendência e sugere-os de forma proeminente, facilitando aos compradores a descoberta de artigos novos e interessantes.

Os clientes da Loadstone adoram utilizar o nosso algoritmo baseado em categorias - Produtos populares. Este algoritmo cria uma prateleira eletrónica que mostra os artigos mais vistos e apreciados que se alinham com o que um cliente poderá comprar a seguir. Para tal, analisa as suas ações e aquilo em que as outras pessoas estão interessadas. Por exemplo, se alguém navega frequentemente em produtos electrónicos, o algoritmo mostra-lhe artigos populares semelhantes, como gadgets que estão a receber muita atenção ou vendas nessa categoria.

Algoritmos baseados em produtos

Este grupo inclui algoritmos que apresentam produtos estreitamente relacionados com um produto específico.

Estes envolvem os compradores interessados em adquirir artigos adicionais que combinem com a sua compra inicial.

Os algoritmos baseados em produtos incluem: 

• Acessórios: Este algoritmo tem o maior AOV e fator UPT de envolvimento. Sugere acessórios relevantes que aumentam o potencial de venda cruzada. O algoritmo Acessórios identifica produtos frequentemente comprados em conjunto, por exemplo, uma capa de celular para um comprador que acabou de comprar um celular. Desta forma, os compradores podem encontrar rapidamente acessórios valiosos.

• Alternativa: Este algoritmo gera as maiores receitas e encomendas atribuídas. Quando um comprador não tem a certeza da sua seleção atual, o algoritmo Alternativo - um tipo de algoritmo de filtragem colaborativa - ajuda-o a descobrir produtos populares entre pessoas com interesses semelhantes. O algoritmo funciona como prova social, mostrando ao comprador que outras pessoas com gostos semelhantes escolheram esses produtos. Suponhamos que alguém está a olhar para um casaco de ciclista mas passa muito tempo numa página ou continua a alternar entre opções sem comprar. Nesse caso, o sistema de recomendação por filtragem colaborativa pode sugerir outros casacos populares que utilizadores semelhantes tenham comprado. A validação social ajuda a criar confiança na decisão de compra do comprador, tornando mais provável a conversão e a descoberta de novos produtos que, de outra forma, não teriam considerado.
• Relacionado: Este algoritmo tem fatores de AOV e UPT com elevado envolvimento. Ajuda os compradores a encontrar produtos complementares e garante que concluem a compra com artigos que correspondem à sua seleção. O algoritmo Loadstone Total Look AI Stylist é um exemplo perfeito de um algoritmo relacionado. Foi concebido especificamente para a indústria da moda. Se um comprador selecionar um vestido, o algoritmo pode sugerir sapatos ou uma mala de mão que correspondam à cor e ao estilo do produto inicial e às preferências do utilizador. 

Algoritmos baseados no comprador

Como o nome sugere, os algoritmos baseados no comprador mostram aos clientes produtos específicos que lhes interessam. Fazem-no com base nas suas ações na loja Web ou na aplicação móvel. 

Exemplos:

• Pessoal: Este algoritmo gera receitas atribuídas elevadas e apresenta fatores de AOV e UPT de envolvimento elevados. Analisa o histórico de navegação e de compras de um comprador e identifica e sugere produtos susceptíveis de o atrair. Se um utilizador tiver demonstrado interesse em produtos específicos, o algoritmo Pessoal sugere opções alternativas, ajudando-o a encontrar a melhor opção e a aproximar-se da compra. Se um utilizador já tiver efetuado uma compra anteriormente, o algoritmo Pessoal recomenda produtos complementares, aumentando ainda mais o potencial de upselling e cross-selling.

• Pessoal para a categoria: Este algoritmo gera receitas atribuídas elevadas e tem um fator AOV de envolvimento moderado. O algoritmo pessoal por categoria mostra apenas produtos da categoria em que o utilizador se encontra atualmente.
• Visualizado: Este algoritmo permite que os compradores revisitem e comprem rapidamente artigos pelos quais já demonstraram interesse. Este algoritmo gera receitas atribuídas moderadas e apresenta um fator AOV e um fator UPT de envolvimento moderados. O algoritmo Viewed estabelece a ligação com os compradores que têm um AOV mais elevado e compram mais artigos por transação. Ao apresentar produtos que o comprador já viu anteriormente, o algoritmo facilita a procura e a compra dos produtos em que está interessado, sem o distrair com outros produtos.

Algoritmos baseados em pesquisa

Estes algoritmos analisam o comportamento dos compradores após as consultas de pesquisa para fornecer recomendações relevantes. Como tal, aumentam a eficácia da função de pesquisa, facilitando aos compradores a procura de produtos adequados. Por exemplo, se um comprador pesquisar "ténis de corrida com amortecimento extra", o algoritmo utiliza a filtragem baseada no conteúdo para sugerir ténis de corrida com diferentes níveis de amortecimento.

Os algoritmos baseados na pesquisa são perfeitos para as tácticas de marketing comportamental, uma vez que analisam as consultas de pesquisa de um comprador, recomendam produtos que correspondem à pesquisa do utilizador e oferecem alternativas. Desta forma, ajudam os compradores a encontrar o produto mais adequado, mesmo com frases de pesquisa não padronizadas ou complexas. Um comprador pode escrever "botas de couro vermelho à prova de água para caminhadas" e o sistema de recomendação baseado na pesquisa e no conteúdo pode mostrar uma seleção de botas que satisfazem esses requisitos específicos, como a cor vermelha, a durabilidade e a resistência à água.

Estratégias de personalização para algoritmos de motores de recomendação

Agora que já abordámos os principais algoritmos dos motores de recomendação para excelentes experiências de compra, vamos ver como a personalização funciona dentro e ao lado deles.

Para esclarecer as coisas: As melhores práticas de personalização combinam vários algoritmos ao longo das fases do percurso de compra do comprador para criar uma experiência de compra personalizada.

Eis as fases exactas que as empresas devem considerar ao implementar algoritmos de motores de recomendação:

Tudo começa com a Sensibilização, quando o comprador é apresentado à marca ou ao produto. À medida que o comprador avança na viagem, passa pelas fases de Exploração, Consideração, Avaliação e Conversão. A fase final, Pós-Compra, envolve o envolvimento do comprador com a marca após a compra.

O percurso de compra para varejistas não verticais específicos é ilustrado abaixo, incluindo fases, tarefas, páginas e algoritmos.

Para tirar o máximo partido de um motor de recomendação, os varejistas devem alinhá-lo em todas as fases do percurso de compra e nos pontos de contato do comércio eletrónico. Isto inclui uma integração harmoniosa com a página inicial, as páginas de pormenor dos produtos, as páginas de categorias, a página de resultados da pesquisa e a página do carrinho de compras, entre outras.

É algo a que prestamos muita atenção na Loadstone. Nosso AI Recommender System se conecta automaticamente com os sistemas dos varejistas e bancos de dados de SKU para oferecer produtos relevantes e disponíveis em cada estágio da jornada de compra. 

Seguem-se estratégias de personalização que permitem aos varejistas ultrapassar a concorrência com os seus motores de recomendação e manter uma posição de destaque no mercado.

Combinação de algoritmos alternativos, populares e de pesquisa

A utilização conjunta dos algoritmos Alternativo, Popular e de Pesquisa permite que as empresas criem uma experiência de compra única que se identifique com os compradores e impulsione o crescimento do UPT e do AOV:

• O algoritmo popular apresenta os artigos mais populares e mais vendidos nas páginas principais, como a página inicial, a categoria e os resultados da pesquisa. Cria uma sensação de urgência e aumenta a probabilidade de conversão.
• O algoritmo alternativo funciona como um catalisador de descoberta nas páginas de produtos, incentivando os compradores a explorar mais produtos.
• O algoritmo de pesquisa fornece recomendações orientadas com precisão na página de resultados da pesquisa, garantindo que os compradores encontram rapidamente produtos relevantes que correspondem às suas consultas de pesquisa.

Servir os compradores de elevado interesse com recomendações de produtos relevantes

Esta estratégia cria uma experiência de compra personalizada que aumenta as receitas. Destina-se a compradores de elevado interesse com recomendações que se adequam às suas preferências, histórico de navegação e comportamento de compra.

Combinando os algoritmos dos motores de recomendação de Acessórios, Pessoais por categoria e Novidades por categorias, as empresas podem proporcionar uma experiência que se repercute nos compradores e impulsiona as encomendas e as receitas atribuídas: 

• O algoritmo Novidades das categorias mantém os compradores envolvidos com os produtos mais recentes. Torna mais fácil para eles manterem-se a par das tendências e descobrirem novos favoritos nas páginas Início, Categoria e Subcategoria.
• O algoritmo Pessoal para categoria fornece recomendações personalizadas de produtos nas páginas de Categoria e Subcategoria, permitindo que os compradores descubram novos produtos que correspondam aos seus interesses.
• O algoritmo de acessórios actua como um sugeridor de produtos complementares nas páginas do produto e do carrinho. As empresas podem configurá-lo para propor add-ons relevantes para melhorar a experiência de compra e aumentar o AOV.

Sincronização de algoritmos pessoais, visualizados e relacionados

Os algoritmos Personal, Viewed e Related combinados formam uma verdadeira máquina de receitas:

• O algoritmo pessoal fornece aos compradores recomendações personalizadas de produtos na página inicial, no acompanhamento de encomendas e nas páginas de resultados de pesquisa, de acordo com as suas preferências e interesses únicos.
• O algoritmo visualizado utiliza o histórico de navegação dos clientes para sugerir produtos pelos quais demonstraram interesse anteriormente nas páginas Produto e Detalhes do produto. Isto reacende o seu envolvimento e incentiva-os a concluir uma compra. 
• O algoritmo relacionado identifica os produtos complementares susceptíveis de serem utilizados pelo comprador nas páginas Produto, Detalhes do produto e Carrinho de compras, facilitando a descoberta de novos produtos e aumentando as hipóteses de venda.

Custo de implementação e funcionamento dos sistemas de recomendação

Embora os algoritmos dos motores de recomendação ofereçam vantagens inegáveis, como o aumento das receitas e do AOV, algumas empresas podem hesitar em adoptá-los. As principais preocupações incluem a complexidade, o custo, a implementação e as operações em curso. 

Mas a verdade é que, com as ferramentas de comércio eletrónico corretas e orientação especializada, a implementação de um motor de recomendação é um processo simples. 

O sistema de recomendação Loadstone é uma dessas ferramentas. 

Inclui mais de 35 algoritmos de aprendizagem automática que ajudam as empresas a fornecer recomendações personalizadas em todos os pontos de contato online e offline - websites, aplicações e lojas offline.

Além disso, quer pretenda alinhar-se com as novas tendências do mercado ou reforçar o impacto do seu motor de recomendação, pode contar com a equipe da Loadstone. Os nossos especialistas têm décadas de experiência a ajudar os varejistas em todas as fases do processo, desde a implementação inicial até à otimização e melhoria contínuas.

Vejamos as objecções e o custo de criar um motor de recomendação internamente em vez de obter uma solução pré-fabricada.

O custo estimado da criação e teste de um motor de recomendação básico interno é de cerca de 400 000 dólares por ano, excluindo os custos de infra-estruturas de TI. Isto inclui o custo de recrutamento e integração de uma equipe de programadores, cientistas de dados e engenheiros DevOps, bem como o custo dos testes A/B e da análise de dados. A realização de cada teste A/B exige uma afetação substancial de tempo e recursos. Requer, pelo menos, 100 horas de experiência especializada e custa aproximadamente 5.000 a 10.000 dólares por teste. O ajuste fino de cada algoritmo envolve uma série de testes, aumentando o custo e a complexidade globais.

Consequentemente, o custo total de desenvolver e otimizar um motor de recomendação internamente pode ser substancial, o que o torna uma tarefa gigantesca para muitas empresas. 

Para além dos custos financeiros, a criação de um motor de recomendação interno exige também um tempo considerável. Mais precisamente, o desenvolvimento de um motor de recomendação pode demorar entre 5 a 7 anos.

Um motor de recomendação como produto pronto a utilizar é uma opção mais económica e mais rápida. E tem ainda mais vantagens. Quando comprado como parte de um ecossistema martech mais amplo, como o Loadstone, o motor de recomendação inclui suporte técnico e gestão dedicada do sucesso do cliente. Isto significa que os varejistas recebem orientação especializada e estratégias comprovadas para tirarem o máximo partido das suas soluções.

Com a plataforma de comércio compostável Loadstone, as empresas também podem expandir a sua pilha tecnológica com outros produtos Loadstone como AI Commerce Search e CRM e Comunicações.

A nossa análise de custo-benefício revela que a opção por um motor de recomendação como um produto pronto a usar pode gerar uma poupança de custos de 1 672 000 dólares em 5 anos para uma base de clientes de 1 milhão de CDP. 

Esta vantagem considerável em termos de custos resulta da eliminação dos custos iniciais de desenvolvimento, da redução das despesas com pessoal e da minimização dos testes A/B. Ao selecionar esta opção, os varejistas podem reafectar as poupanças a outras iniciativas estratégicas, obtendo maior valor e retorno do investimento (ROI) para as suas organizações. Esta abordagem garante que os varejistas podem capitalizar os mais recentes avanços em motores de recomendação, tecnologias de ML e IA.

Privacidade do cliente 

Outra preocupação comum é o potencial impacto na privacidade dos clientes. E existe com razão - é vital garantir que os dados dos clientes e da sua empresa estão sempre seguros. 

Felizmente, os melhores motores de recomendação cumprem toda a legislação relevante, assegurando que os dados são protegidos e utilizados de forma responsável. 

Na Loadstone, com mais de uma década de experiência em mecanismos de recomendação, temos um profundo conhecimento da importância de equilibrar personalização e privacidade. Nosso AI Recommender System fornece recomendações altamente personalizadas que melhoram a experiência de compra, respeitando os limites do comprador e aderindo aos mais altos padrões de proteção de dados. O compromisso com a transparência, a segurança e a conformidade com os requisitos regulamentares, como o GDPR e a conformidade com a lei de privacidade dos EUA, garante que os clientes possam confiar no tratamento dos seus dados. 

Como é que se mede o sucesso do motor de recomendação?

Medir o impacto de um motor de recomendação é outro desafio potencial que pode impedir as empresas de implementar esta tecnologia. Acompanhar todos os efeitos das recomendações sobre as vendas, o comportamento dos clientes e o desempenho geral da empresa pode ser uma tarefa difícil. Também pode ser difícil determinar o impacto direto de um motor de recomendações, uma vez que podem existir outros fatores em jogo.

No entanto, tal como acontece com qualquer outro processo empresarial, o acompanhamento do desempenho é necessário, uma vez que permite aos varejistas compreenderem o impacto do motor nos seus resultados. E existem tácticas comprovadas e métricas-chave que as empresas podem utilizar para avaliar a eficácia dos seus algoritmos. 

Uma das métricas mais perspicazes para medir o valor comercial de um motor de recomendação é o aumento das receitas, que quantifica a influência de um motor nas vendas. Aqui, é importante distinguir entre as vendas incrementais geradas pelo motor de recomendação e as que teriam ocorrido organicamente, uma vez que os compradores podem ter comprado produtos recomendados independentemente das sugestões do motor de recomendação. Este desafio de atribuição pode ocultar o verdadeiro impacto do motor de recomendação. É por isso que os varejistas devem utilizar ferramentas de análise e teste para medir com precisão a eficácia dos algoritmos.

O sistema de recomendação Loadstone simplifica o controlo do desempenho. As suas ferramentas de análise incorporadas organizam os dados numa matriz de itens de utilizador, mostrando indicadores-chave como impressões, cliques e compras para cada produto recomendado. Isto ajuda as empresas a verem como as suas recomendações estão a funcionar.

As principais métricas que os varejistas devem seguir para avaliar a eficácia do seu motor de recomendação incluem:

• Taxas de cliques (CTR) e taxas de conversão (CR): A percentagem de utilizadores que clicam num item recomendado e a percentagem de utilizadores que concluem uma compra depois de clicarem num item recomendado.
• Receita atribuída: A receita gerada pelos compradores que interagem com as recomendações, de acordo com uma determinada política de atribuição. 
• Valor médio do pedido (AOV): O montante médio que um comprador gasta numa única transação.
• Fator AOV de envolvimento: A diferença no valor médio das encomendas para os compradores que interagem com as recomendações em comparação com os que não interagem, ao abrigo de uma determinada política de atribuição, depois de serem influenciados pelos algoritmos.
• Unidades por transação (UPT): O número médio de artigos que um comprador adquire numa única transação.
• Fator UPT de envolvimento: A diferença em unidades por transação para os compradores que interagem com as recomendações em comparação com os que não interagem, ao abrigo de uma determinada política de atribuição, depois de serem influenciados pelos algoritmos.
• Aumento da receita: O aumento das receitas geradas pelo motor de recomendação em comparação com um grupo de controlo. 

Impulsionar o sucesso com os algoritmos corretos dos motores de recomendação

Os motores de recomendação são tecnologias poderosas para as empresas que procuram impulsionar o envolvimento, as taxas de conversão e as vendas. Ao implementar as estratégias e combinações de algoritmos que abordámos, as empresas podem atingir os seus objetivos. Quer se trate de aumentar as encomendas e as receitas atribuídas ou de aumentar a UPT e o AOV, os algoritmos dos motores de recomendação podem ajudar os varejistas a serem bem sucedidos.

A equipe da Loadstone tem anos de experiência em primeira mão com o impacto que os algoritmos dos motores de recomendação bem concebidos e bem implementados têm no resultado final de uma empresa. Os nossos clientes, como a Koröshi e a Garmen, registaram um aumento de 110% no valor médio das encomendas e um salto de 378% nas receitas com o sistema de recomendação da Loadstone. Esses resultados não são sorte - eles são a prova do que a tecnologia certa pode fazer. Estamos aqui para garantir que os varejistas tirem o máximo partido dela.

Agende uma chamada com a nossa equipe hoje para ver o que a Loadstone pode fazer por si.