IA de recomendação: sugestões personalizadas de produtos

Um shopper em frente a uma prateleira não precisa de uma lista de tudo o que o varejista poderia vender. Ele precisa de um conjunto curto e relevante de opções que se adapte à compra que está fazendo no momento: um substituto para um item indisponível, o ingrediente que falta para o jantar, um reabastecimento de que provavelmente precisará ou um produto complementar que realmente deva estar na cesta.

Esse é o papel prático da IA de recomendação no varejo físico. Ela classifica os produtos de acordo com os shoppers ou o contexto de compra e, em seguida, apresenta essas sugestões por meio de um ponto de contato do varejo. Na Retail Media, o mesmo sistema pode incluir produtos patrocinados, mas a influência comercial deve ser visível e sujeita a regras de governança. Um anúncio pago não deve se passar discretamente como uma recomendação neutra do varejista.

A IA de recomendação é mais restrita do que duas ideias relacionadas abordadas nesta série. Um consultor de compras personalizado ajuda o shopper a tomar uma decisão, muitas vezes com base em necessidades declaradas, restrições e explicações. Um agente de compras com IA pode buscar um objetivo mais amplo ao longo de etapas ou serviços, como pesquisar, comparar e concluir uma compra. Um sistema de recomendação tem uma função mais restrita: pontuar e classificar os próximos melhores produtos, ofertas ou conteúdos para uma interface definida.

O que um sistema de recomendação no varejo realmente faz

Um sistema útil combina três decisões:

1. Geração de candidatos: encontrar um conjunto gerenciável de produtos que possam ser relevantes.
2. Classificação: ordenar esses candidatos de acordo com os shoppers, a cesta de compras ou o contexto.
3. Apresentação: aplicar regras comerciais, de segurança e de disponibilidade antes de exibir o resultado.

Uma arquitetura comum, usada, por exemplo, no sistema de recomendação publicado pelo YouTube, separa a geração de candidatos da classificação, de modo que o modelo de classificação avalie um conjunto gerenciável de candidatos, em vez do catálogo completo.[1] No varejo, a etapa de geração de candidatos pode recuperar itens comprados por famílias semelhantes, substitutos dentro de uma categoria, produtos frequentemente comprados junto com o carrinho atual ou itens relacionados por meio de atributos do produto. A etapa de classificação, então, considera qual desses candidatos se encaixa melhor na solicitação imediata.

A camada final de exibição é tão importante quanto o modelo. Ela deve remover produtos fora de estoque, respeitar restrições alimentares ou relacionadas à idade, quando aplicável, impor limites de frequência, suprimir sugestões rejeitadas recentemente e reservar ou identificar posições patrocinadas. Também pode adicionar uma exploração controlada para que produtos mais novos ou recomendados com menos frequência tenham uma chance justa de acumular evidências.

Essa arquitetura evita um erro comum: tratar a pontuação do modelo como a resposta definitiva. Um produto pode ser estatisticamente relevante e, mesmo assim, não ser adequado para exibição porque está indisponível naquela loja, é incompatível com o carrinho atual, está comercialmente superexposto ou é inadequado para os shoppers.

Os dados de entrada que tornam as recomendações úteis

Histórico de compras, comportamento de navegação, promoções, produtos complementares e sazonalidade podem ser sinais úteis quando integrados a um modelo operacional com governança.

Os dados de transações e da cesta de compras mostram o que foi comprado, em que quantidade, em qual loja, a que preço e junto com quais produtos. Isso apoia recomendações de reabastecimento, substituição, afinidade e conclusão da cesta. A afinidade por categoria é especialmente útil quando o sistema precisa distinguir uma conexão plausível entre comprador e produto da mera popularidade do produto.

O comportamento digital pode incluir pesquisas, visualizações de páginas de produtos, adições a listas, salvamento de cupons, interações com aplicativos e recomendações rejeitadas. Esses são sinais de intenção, não prova de compra. Eles devem ser ponderados de maneira diferente das transações concluídas.

Os dados de produtos e catálogos incluem categoria, marca, tamanho, sabor, ingredientes, atributos nutricionais, faixa de preço e relações entre produtos. Uma taxonomia bem organizada ajuda o sistema a lidar com novos produtos e a explicar por que um item está sendo sugerido.

Os dados operacionais incluem disponibilidade na loja, preço atual, elegibilidade para promoções, variedade de produtos, área de entrega e restrições de atendimento. Uma recomendação de um produto indisponível desperdiça a atenção dos shoppers e pode distorcer os relatórios da campanha.

Os dados contextuais podem incluir hora, dispositivo, canal, loja, carrinho atual e outras condições da sessão relevantes para a solicitação. Pesquisas avaliaram características contextuais em modelos de recomendação, enquanto a documentação de produção mostra como metadados contextuais podem ser fornecidos com solicitações de recomendação quando representados de forma consistente nas interações históricas e no momento da inferência.[2][10]

Regras comerciais definem o inventário patrocinado, exclusões de marcas, datas de campanha, ritmo de exibição e compromissos por categoria. Essas regras devem estar em uma camada de política separada para que as equipes possam auditar quando a lógica comercial alterou a ordem orgânica.

Os varejistas não precisam de todos os sinais possíveis. Eles precisam do menor conjunto possível que melhore o caso de uso. As orientações da FTC aconselham as empresas a coletar e reter apenas os dados necessários para uma finalidade legítima, enquanto o NIST define privacidade, equidade, transparência, confiabilidade e responsabilidade como partes interligadas da gestão de riscos da IA.[7][8]

Onde a IA de recomendação aparece no varejo físico

A IA de recomendação não se limita a um carrossel de comércio eletrônico. O varejo físico cria diversos pontos de contato onde os shoppers ainda podem agir:

• Aplicativo do varejista antes da ida à loja: lembretes de reabastecimento, criação de listas, ofertas relevantes e disponibilidade específica da loja.
• Aplicativo do varejista in-store: sugestões baseadas no corredor, produtos substitutos, finalização da cesta de compras e ofertas de fidelidade.
• Prateleiras digitais ou telas nas extremidades dos corredores: recomendações contextuais com base na localização, horário, variedade de produtos da loja ou uma sessão de aplicativo ativada pelo usuário.
• Quiosques e telas de venda assistida: alternativas orientadas para categorias complexas ou produtos que exigem explicação.
• Fluxos “scan-and-go”: adições que se encaixam na cesta atual antes do caixa.
• Superfícies de checkout e recibo: adições imediatas devem ser usadas com moderação; o recibo costuma ser mais adequado para uma recomendação para uma compra futura do que para uma venda adicional apressada na compra atual.
• Ferramentas para funcionários: sugestões classificadas que ajudam a equipe a atender às solicitações dos shoppers, sem fingir que o modelo substitui o conhecimento sobre os produtos.

A identidade muda o que é possível. Um membro autenticado do programa de fidelidade pode receber recomendações individuais com base no histórico autorizado. Um shopper anônimo ainda pode receber recomendações contextuais úteis com base na loja, no horário, no produto que está sendo visualizado ou na sessão atual. O varejo físico não deve tornar a identificação invasiva um pré-requisito para a relevância.

Como a IA de recomendação se conecta à Retail Media

Uma superfície de recomendação pode conter resultados orgânicos, resultados patrocinados ou uma combinação controlada. O varejista deve definir essa combinação antes de vender o espaço publicitário.

A classificação orgânica deve otimizar o valor para o shopper dentro das restrições estabelecidas. A classificação patrocinada introduz outro objetivo: visibilidade paga ou veiculação de campanha. Se o objetivo pago se sobrepuser à relevância, a superfície se torna um espaço publicitário disfarçado de mecanismo de recomendação.

Um projeto de Retail Media defensável possui quatro controles:

1. Os produtos patrocinados devem passar pelas mesmas verificações básicas de elegibilidade que os produtos orgânicos, incluindo disponibilidade e adequação à categoria.
2. A interface deve identificar claramente a publicidade e colocá-la próxima à recomendação. As orientações da FTC para publicidade nativa estabelecem que o conteúdo comercial não deve ser apresentado como independente ou imparcial, e widgets de recomendação agrupados podem exigir identificações individuais ou separação visual clara.[9]
3. Os relatórios devem separar o desempenho das recomendações orgânicas do desempenho dos anúncios patrocinados.
4. O varejista deve limitar a repetição e monitorar se um pequeno grupo de anunciantes está prejudicando a descoberta do catálogo.

A oportunidade de mídia é mais forte quando a recomendação resolve um problema do shopper. Um molho para macarrão patrocinado exibido porque o macarrão já está na cesta tem um contexto justificável. Um produto pago inserido apenas porque uma campanha está atrasada, não tem.

Como avaliar um sistema de recomendação

A avaliação de recomendações requer três camadas: qualidade do modelo, comportamento dos shoppers e incrementalidade comercial.

Avaliação do modelo offline

Antes do lançamento, compare os modelos na mesma janela de dados e em relação a referências simples, como popularidade, produtos mais vendidos da categoria ou regras de negócios existentes. Medidas úteis incluem precisão em K, recall em K, ganho cumulativo descontado normalizado, classificação recíproca média e cobertura do catálogo. A documentação da AWS também alerta contra a comparação de modelos treinados com dados diferentes, como se a diferença nas métricas se devesse apenas ao algoritmo.[5]

A precisão offline não é suficiente. Adicione diagnósticos para:

• cobertura em todo o catálogo e nas categorias;
• desempenho para novos compradores e novos produtos;
• violações de disponibilidade;
• repetição e concentração;
• latência nas recomendações;
• desempenho por loja, área de exibição e coorte de shoppers;
• participação patrocinada e deslocamento orgânico.

Comportamento online

Realize testes controlados na área de exibição real. Dependendo do posicionamento, avalie a taxa de visualização das recomendações, a taxa de interação, a taxa de adição ao carrinho, a conversão em compra, a receita ou margem por sessão, a inclusão no carrinho, a repetição de compra e as rejeições explícitas. Os parâmetros de controle devem incluir abandono do aplicativo ou quiosque, latência, taxa de reclamações e cliques em itens fora de estoque.

Os sistemas em tempo real devem registrar o ID da recomendação, a classificação exibida, o conjunto de candidatos elegíveis, as regras de política aplicadas e a interação final. Sem esse registro de exposição, as equipes não conseguem determinar se um produto foi recomendado, se era apenas elegível ou se foi comprado sem ter sido exibido. Por esse motivo, as plataformas de personalização em produção oferecem suporte à atribuição de eventos.[3][4]

Impacto comercial incremental

Os compradores de Retail Media no varejo precisam saber o que as recomendações causaram, não apenas o que aconteceu após a exposição. Utilize grupos de controle aleatórios sempre que possível, ou um método contrafactual documentado quando a aleatorização for impraticável. As diretrizes da IAB/MRC definem incrementalidade como o valor acima de uma linha de base e enfatizam a integridade dos dados, a metodologia transparente e grupos de teste e controle comparáveis.[6]

Meça o resultado que corresponde à tarefa. Um modelo de substituição pode ser avaliado pelas conversões preservadas e pela redução do abandono. Um modelo de conclusão de carrinho pode ser avaliado pelo aumento incremental de itens adicionados e pelo valor do carrinho. Um modelo de reabastecimento pode ser avaliado pelo tempo entre compras repetidas. Uma recomendação patrocinada também deve relatar vendas ou lucro incrementais, não apenas cliques e receita de atribuição.

Riscos que merecem atenção no projeto

Ciclos de retroalimentação e viés de popularidade: produtos exibidos com mais frequência acumulam mais interações, o que pode tornar o modelo ainda mais confiante neles. Acompanhe tanto a exposição quanto a compra, mantenha a exploração e analise a concentração no catálogo.

Início a frio: um novo comprador ou produto tem pouco histórico de interação. Atributos do produto, contexto da loja, comportamento da sessão e linhas de base de popularidade bem definidas podem fornecer um ponto de partida até que evidências mais sólidas apareçam.

Dados incorretos e erros de identidade: contas de fidelidade duplicadas, cartões compartilhados pela família, devoluções, substituições e mapeamentos incorretos de SKUs podem criar preferências falsas. As verificações de qualidade dos dados devem ocorrer antes do treinamento do modelo.

Personalização excessiva: a compra de ontem nem sempre descreve a intenção de hoje. Um shopper que compra produtos para bebês, presentes ou remédios pode não querer que essas categorias sejam tratadas como identidade permanente. Use recência, contexto e controles que permitam às pessoas descartar ou redefinir recomendações.

Inferência sensível: não se deve inferir ou expor condições sensíveis simplesmente porque os padrões da cesta de compras tornam uma associação possível. Minimize o uso de dados, documente os usos permitidos e inclua revisão humana para categorias de alto risco.[7][8]

Opacidade patrocinada: os compradores devem ser capazes de distinguir um anúncio pago de um resultado orgânico. Rótulos claros protegem a confiança e tornam a medição da campanha mais honesta.[9]

Sucesso indireto: uma taxa de cliques mais alta pode coexistir com resultados piores para os shoppers, margem menor ou ausência de vendas incrementais. As métricas do modelo são ferramentas de diagnóstico, não o veredicto do negócio.

Uma sequência prática de implementação

Comece com uma interface e uma tarefa. “Recomendar algo relevante” não é um briefing suficiente. “Sugerir um complemento em estoque para o carrinho atual no ‘scan-and-go’” é testável.

Defina o catálogo elegível, as entradas de dados, as regras de fallback e as restrições comerciais. Crie uma linha de base simples antes de um modelo complexo. Monitore a exposição e os resultados antes do lançamento. Em seguida, teste offline, execute um teste de holdout online, analise os resultados por coorte e loja, e decida com antecedência quais evidências justificariam a expansão.

Mantenha o serviço de recomendação separado da interface e da camada de políticas de Retail Media. Isso facilita a reutilização do modelo em aplicativos, quiosques e ferramentas para funcionários, ao mesmo tempo em que preserva regras diferentes para cada posicionamento. Também torna visíveis as intervenções patrocinadas na ordenação, em vez de ocultá-las dentro do código do modelo.

Perguntas frequentes

A IA de recomendação é o mesmo que um consultor de compras personalizado?

Não. A IA de recomendação classifica um conjunto limitado de produtos ou ofertas para uma área de exibição definida. Um consultor de compras ajuda o shopper a raciocinar sobre uma escolha e pode fazer perguntas, comparar vantagens e desvantagens ou explicar o resultado.

É a mesma coisa que um agente de compras de IA?

Não. Um agente de compras pode planejar e executar várias etapas para atingir um objetivo. Um sistema de recomendação fornece opções classificadas dentro de uma dessas etapas. O agente pode acionar um serviço de recomendação, mas os dois sistemas têm escopo e responsabilidades diferentes.

A IA de recomendação pode funcionar sem identificar o shopper?

Sim. Loja, horário, estoque, cesta atual, contexto do produto e comportamento da sessão podem viabilizar recomendações anônimas. O histórico de compras individual pode aprimorar alguns casos de uso, mas ele não é necessário em todas as exibições.

Os produtos patrocinados devem ser misturados com recomendações orgânicas?

Sim, desde que os itens patrocinados permaneçam relevantes e elegíveis, a publicidade seja claramente identificada, a combinação seja controlada e os relatórios separem o desempenho pago do desempenho orgânico.

Qual é a métrica de sucesso mais importante?

Não existe uma métrica universal. Escolha a métrica que corresponda à função da recomendação e, em seguida, teste o impacto incremental. Os cliques podem ajudar a diagnosticar uma interface de recomendação, mas não comprovam aumento nas vendas ou valor para os shoppers.

O que um varejista deve desenvolver primeiro?

Escolha um problema frequente e observável, com dados confiáveis e um ambiente para realizar um teste controlado. A conclusão da cesta de compras in-store, substitutos para produtos indisponíveis e reabastecimento por meio de aplicativos são pontos de partida mais claros do que uma promessa indefinida de personalizar tudo.

Fontes

1. Google Research, “Deep Neural Networks for YouTube Recommendations”: https://research.google/pubs/deep-neural-networks-for-youtube-recommendations/
2. Google Research, “Latent Cross: Making Use of Context in Recurrent Recommender Systems”: https://research.google/pubs/latent-cross-making-use-of-context-in-recurrent-recommender-systems/
3. Amazon Web Services, “Gravação de eventos em tempo real para influenciar recomendações”: https://docs.aws.amazon.com/personalize/latest/dg/recording-events.html
4. Amazon Web Services, “Métricas de eventos e relatórios de atribuição”: https://docs.aws.amazon.com/personalize/latest/dg/event-metrics.html
5. Amazon Web Services, “Avaliação de uma versão da solução Amazon Personalize com métricas”: https://docs.aws.amazon.com/personalize/latest/dg/working-with-training-metrics.html
6. IAB/MRC, “Diretrizes de medição de Retail Media”: https://www.iab.com/wp-content/uploads/2024/01/IAB_Retail_Media_Measurement_Guidelines_January2024.pdf
7. NIST, “Estrutura de gestão de riscos de IA”: https://www.nist.gov/itl/ai-risk-management-framework
8. Comissão Federal de Comércio, “Proteção de Informações Pessoais: Um Guia para Empresas”: https://www.ftc.gov/business-guidance/resources/protecting-personal-information-guide-business
9. Comissão Federal de Comércio, “Publicidade Nativa: Um Guia para Empresas”: https://www.ftc.gov/business-guidance/resources/native-advertising-guide-businesses
10. Amazon Web Services, “Aumentando a relevância das recomendações com metadados contextuais”: https://docs.aws.amazon.com/personalize/latest/dg/contextual-metadata.html

Quer ver como isso funciona na prática?

A Footprints AI ajuda marcas e varejistas a medir o que realmente importa. Conheça nossos cases de sucesso ou entre em contato para conversar sobre sua estratégia de Retail Media.