Em 1999 já existiam sistemas de recomendação e foram responsáveis por uma grande remo- delação no mundo do E-commerce. Com a finalidade de aumentar as vendas, grandes empresas investiram em ferramentas mais sofisticadas e capazes de realizar personalização em massa, que aprendessem com as escolhas dos clientes de maneira a exibir produtos, entre os disponíveis no mercado, que atendessem os desejos específicos de cada cliente e assim promover as compras por parte deste. [82]
Em [82], é citada uma frase do livro [83], onde o autor alerta para a necessidade, já na década de 90, de uma migração das antigas técnicas de produção em massa, onde “Produtos padronizados, mercados homogéneos, produtos de longa vida e ciclos de desenvolvimento eram a regra”, para um novo mundo onde os produtos são personalizados para atender as necessidades de “variedade e substituição dos produtos padronizados”. O autor refere ainda que, criar um produto é simples mas pouco adequado, surgindo assim a necessidade de diversificação na criação de produtos, de modo a satisfazer as necessidades de cada um.
Os sistemas de recomendação são uma ferramenta eficaz em cenários de E-commerce, na apresentação de sugestões de produtos aos utilizadores destas plataformas. Estes sistemas realizam recomendações com base nos produtos mais vendidos, resultados de estudos estatísticos sobre a população, ou análise das compras realizadas anteriormente pelo utilizador. Estes potentes e revolucionários sistemas de recomendação melhoraram as vendas nos sistemas de E-commerce, focando-se em três abordagem muito interessantes:
Browsers into buyers: Se um utilizador visitar determinado site de E-commerce para visualizar os produtos disponíveis e não efetuar nenhuma compra, o sistema de recomendação deverá ajudar o utilizador a encontrar produtos aliciantes à compra [82].
Cross-sell: Outra estratégia para aumentar as vendas, passa pela recomendação de produtos adicionais. Por exemplo, ao comprar um telemóvel faz todo o sentido aconselhar a compra de uma capa, protetor de ecrã ou até mesmo um seguro para salvaguardar possíveis incidentes [82].
Loyalty: Um dos objetivos de um agente comercial na atividade que gere, é garantir que o cliente mantém a sua preferência na marca ou site de E-commerce. O sistema de recomendação é uma ferramenta extremamente útil para este efeito, se for capaz de extrair conhecimento sobre o cliente através da sua atividade e aprendendo com o tempo. Assim, é expectável que o sistema E-commerce com um sistema de recomendação adequado, consiga melhores resultados que os sitesde E-commerce concorrentes, que não tiveram a possibilidade de aprender com a interação frequente do cliente [82].
A utilização de sistemas de recomendação foi fundamental para o crescimento e inovação que impulsionou o E-commerce. Na tabela3.1encontram-se identificadas seis empresas do mer- cado E-commerce que utilizam um ou mais sistemas de recomendação, bem como as respetivas interfaces usadas com os clientes, tecnologias utilizadas, e os dados usados pelo sistema de reco- mendações.
É de salientar que esta informação foi retirada de um artigo de 1999, sendo este um pouco obsoleto, mas de valor histórico, visto que apresenta a génese dos sistemas de recomendação nas plataformas online. Esta informação é pertinente, pois possui um grande número de estudos que a citaram até à data.
Business Applications Recommendation Interface Recommendation Technology Finding Recommendations
Customers who Bought Similar ◦ Similar Item ◦ Item to Item Correlation
—Purchase data ◦ Organic Navigation Eyes ◦ Email ◦ Attribute Based ◦ Keywords/freeform Amazon.com Delivers ◦ Email ◦ Attribute Based ◦ Selection options Book Matcher ◦ Top N List ◦ People to People Correlation
—Likert ◦ Request List Amazon.com
Customer Comments ◦ Average Rating ◦ Text Comments
◦ Aggregated Rating — Likert — Text
◦ Organic Navigation Album Advisor ◦ Similar Item
◦ Top N List
◦ Item to Item Correlation — Purchase data
◦ Organic Navigation ◦ Keywords/freeform CDNOW
My CDNOW ◦ Top N List ◦ People to People Correlation — Likert
◦ Organic Navigation ◦ RequestList eBay Feedback Profile ◦ Average Rating
◦ Text Comments
◦ Aggregated Rating — Likert — Text
◦ Organic Navigation Levis Style Finder ◦ Top N List ◦ People to People Correlation
— Likert ◦ Request List Match Maker Similar Item ◦ Item to Item Correlation
— Editor’s choice ◦ Organic Navigation Moviefinder.com
We Predict
◦ Top N List
◦ Ordered Search Results ◦ Average Rating
◦ People to People Correlation — Aggregated Rating Likert
◦ Keywords/freeform ◦ Selection options ◦ Organic Navigation Movie Matches ◦ Similar Item ◦ Item to Item Correlation
— Editor’s choice ◦ Organic Navigation Reel.com
Movie Map ◦ Browsing ◦ Attribute Based
— Editor’s choice ◦ Keywords/freeform
Tabela 3.1: Exemplo de sistemas de recomendação [82]
Business Applications Recommendation Interface Recommendation Technology Finding Recommendations
Customers who Bought Similar ◦ Similar Item ◦ Item to Item Correlation
— Purchase data ◦ Organic Navigation Eyes ◦ Email ◦ ◦ Attribute Based ◦ Keywords/freeform Amazon.com Delivers ◦ Email ◦ Attribute Based ◦ Selection options Book Matcher ◦ Top N List ◦ People to People Correlation
— Likert ◦ Request List Amazon.com
Customer Comments ◦ Average Rating◦ Text Comments
◦ Aggregated Rating — Likert — Text
◦ Organic Navigation
Tabela 3.2: Sistema de Recomendação da Amazon.com (secção dos livros) [82]
De seguida, apresenta-se uma análise mais detalhada do mercado E-commerce referente à secção de livros em Amazon.com1(ver tabela3.2). As aplicações neste domínio são:
Customers who Bough: Utiliza a metodologia de itens similares. Sempre que um cliente com- pra um livro, é armazenada informação sobre a compra no catálogo dos livros. Esta informação é posteriormente utilizada para recomendações em futuras compras de duas formas. Quando um cliente comprar um livro: receberá recomendações dos livros comprados por outros utilizadores que também compraram esse mesmo livro (ver figura3.2); também receberá recomendações dos livros do mesmo autor, comprados por outros clientes (ver figura3.3). A tecnologia Item to Item Correlation, é abordada na subsecção2.7.2.
Figura 3.2: Diagrama de Recomendação do
livro Figura 3.3: Diagrama de Recomendação
com base nos autores dos livros
Eyes: Esta funcionalidade utiliza a metodologia Attribute Based, mais conhecida como siste- mas baseado em contexto (ver subsecção2.7.2), que consiste em enviar notificações via email aos clientes com as novidades. Estas notificações são personalizadas nos campos autor, título, assunto, ISBN e/ou data de publicação de livros comprados anteriormente [82].
Amazon.com Delivers: Tal como a funcionalidade Eyes, utiliza Attribute Based (ver subsec- ção2.7.2). É uma funcionalidade na qual os utilizadores selecionam uma lista de categorias e os editores presentes na Amazon.com encarregam-se de enviar anúncios por email com as recomen- dações mais recentes relacionadas com as categorias subscritas. [82].
Book Matcher: Esta funcionalidade é mais simples que as anteriores no que toca à complexi- dade do algoritmo. Usa a classificação dos utilizadores sobre os livros que já leram, recomendando desta forma os livros que não tenham sido classificados e que correspondam com os livros que ti- veram a melhor classificação. Este processo recebe feedback quando o utilizador avalia os livros recomendados, sendo essa avaliação efetuada numa escala entre 1 a 5, em que a avaliação mais alta corresponde a um maior gosto no livro [82].
Customers Comments: Esta funcionalidade efetua recomendações com base na opinião (co- mentário ao livro) de utilizadores que já leram determinado livro e submeteram a sua avaliação. Assim, o utilizador alvo do livro recomendado pode observar o feedback de outros utilizadores [82].
Como curiosidade, foi executado um teste sobre o interface da Amazon, focado em livros, para ter um exemplo de funcionamento de um sistema de recomendação real. Foram realizadas várias pesquisas sobre livros de deep learning, aprendizagem máquina, data mining, e aprendizagem por reforço, durante um espaço de alguns dias. Após esta fase inicial, foram verificadas as recomen- dações da Amazon sobre livros relacionados com itens visualizados, cujo resultado é apresentado na figura3.4
De seguida, apresenta-se uma análise mais detalhada do mercado E-commerce referente a CDNOW2. A tabela3.3enumera duas aplicações da página CDNOW, existentes à data do artigo [82].
Figura 3.4: Secção de livros recomendados pela Amazon
Business Applications Recommendation Interface Recommendation Technology Finding Recommendations Album Advisor ◦ Similar Item
◦ Top N List
◦ Item to Item Correlation — Purchase data
◦ Organic Navigation ◦ Keywords/freeform CDNOW
My CDNOW ◦ Top N List ◦ People to People Correlation — Likert
◦ Organic Navigation ◦ RequestList
Tabela 3.3: Sistema de Recomendação da CDNOW [82]
Album Advisor: Esta funcionalidade divide-se em dois tipos de recomendação, nomeada- mente, Similar Item e Top N List. No primeiro, o sistema recomenda 10 álbuns relacionados com um álbum escolhido pelo utilizador, no segundo, o utilizador refere três artistas e o sistemas recomenda 10 álbuns relacionados com os artistas referidos [82].
My CDNOW: Nesta funcionalidade, os utilizadores definem um conjunto de álbuns e artistas que gostam, sendo possível identificar os favoritos. Os utilizadores indicam também os álbuns que possuem e se gostam destes ou não. Ao comprar um álbum, este é adicionado automaticamente à lista de álbuns que possuem. O sistema viabiliza seis álbuns com base nos álbuns presentes na lista de álbuns que já possui. O sistema avalia os resultados da recomendação obtendo feedback das ações do utilizador, como seja, a adição do álbum à lista de desejos ou à lista de álbuns que possui [82].