Reply is the place to meet an incredible variety of enthusiastic, passionate, ideas-driven people, who want to make a difference and an impact.Would you like to know more?
As ferramentas baseadas em Data Driven Analytics são o elemento crucial dos serviços que revolucionaram as formas de comportamento e uso de conteúdos em canais para milhões de usuários. O modelo de toda a fruição através dos canais digitais é, cada vez mais, conduzido por algoritmos e ferramentas inteligentes, projetados para capturar as expectativas dos usuários e transformá-las em sugestões e experiências de uso. A Netflix afirma que 80% do conteúdo visto na plataforma deriva de ferramentas de recomendação personalizadas; no caso da Amazon, estima-se que 35% das compras de e-commerce sejam derivadas de sugestões automáticas.
Mas se, até hoje, tais serviços eram exclusividade dos grandes players da web e constituíam a principal chave para o sucesso, agora eles são viáveis, de forma ágil e com custos decididamente reduzidos, potencialmente para qualquer um.
Tudo isso atualmente é possível graças a dois fatores facilitadores: por um lado, a disponibilidade imediata de dados combinada com o poder de computação vinda de arquiteturas escaláveis baseadas em cluster (Big Data) e, por outro lado, pela adoção de bibliotecas e modelos computacionais baseados em heurísticas avançadas, baseadas no Aprendizado de Máquinas .
Estas ferramentas já estão disponíveis em soluções de código aberto que podem ser facilmente integradas do ponto de vista tecnológico.
Com o objetivo de experimentar uma abordagem de Advanced Analytics , a iniciativa do laboratório de Data Analytics da Banca Mediolanum envolve a parceria entre as equipes de Pesquisa de Marketing e a Reply para o desenvolvimento de mecanismos avançados de análise de dados e a criação de serviços proativos e personalizados para o cliente.
Entre os projetos em andamento, obteve-se um primeiro resultado bem sucedido no desenvolvimento de uma plataforma para a análise e síntese de recomendações automáticas destinadas a propor ofertas comerciais personalizadas dos produtos do catálogo do banco. A iniciativa permitiu a realização de uma plataforma experimental para a criação e avaliação de serviços data driven de Mecanismo de Recomendação.
Um Mecanismo de Recomendação pode ser descrito como um mecanismo capaz de sintetizar uma recomendação personalizada, em tempo real, com base na avaliação comportamental de um conjunto de clientes.
O princípio de um Mecanismo de Recomendação baseia-se no conceito de Filtragem Colaborativa, que é a possibilidade de filtrar usuários semelhantes em uma grande base de clientes. O princípio da similaridade pode ser modelado com ferramentas de Aprendizado de Máquinas com base no contexto específico de business (Varejo, como no caso de grandes players de e-commerce, ou Serviços Financeiros, como neste caso) e, na análise pontual de eventos observados para cada cliente (por exemplo, produtos comprados, comportamento de navegação, buscas e ações solicitadas no Banking Center, etc.). Baseando-se nisso, pode-se calcular:
- Clientes semelhantes: usuários que tendem a fazer as mesmas compras;
- Itens semelhantes: itens (produtos) que tendem a ser comprados por clientes semelhantes.
Figura 1 Princípio de Filtragem Colaborativa: são recomendados os itens que faltam na comparação com as escolhas de clientes com portfólios semelhantes
No business case implementado para a Banca Mediolanum, o Mecanismo de Recomendação funciona como um filtro analítico na base de clientes. A ideia básica sugere que, sempre que for possível detectar um número de usuários que realizam uma determinada sequência de compras dos mesmos produtos, é possível antecipar que todos os clientes que já se comportaram de forma semelhante, com essa sequência de eventos, completem o seu portfólio com produtos faltantes (exemplo na Fig. 1). Um conceito muito intuitivo, cuja implementação, no entanto, se torna muito complexa, na presença de fluxos de dados maciços e relatórios sobre o histórico de eventos de milhões de usuários e milhares de produtos no catálogo.
A partir da medição quantitativa de semelhança, torna-se imediato a obtenção de uma lista de recomendações personalizadas, facilmente aplicáveis para cada cliente, em tempo real. De acordo com a metodologia de Robotics for Customers, elaborada pela Reply, o uso de um Mecanismo de Recomendação pode ser perfeitamente harmonizado nos processos de uma empresa e facilmente adotado em uma plataforma de serviços (ex: através de serviços web ou APIs). Do ponto de vista do Marketing, por exemplo, três utilizações principais podem ser mencionadas. Em particular, o serviço pode ser usado:
Figura 2 Uso dos serviços de Mecanismo de Recomendação em contextos de Marketing
Deve-se considerar também que, ao contrário dos cenários de Varejo, onde os produtos são geralmente bem definidos e legíveis, no campo do catálogo de Serviços Financeiros existe uma série de peculiaridades ligadas ao ciclo de vida dos produtos, às necessidades e à situação momentânea do cliente (por exemplo, um cliente precisa de um financiamento, ou de uma apólice, apenas em alguns momentos da sua vida).
O mecanismo de recomendação definido para a Banca Mediolanum utiliza dois modelos computacionais diferentes, implementados de acordo com duas lógicas distintas:
A implementação do modelo computacional permitiu a realização de um caso piloto; para avaliação deste piloto, foram utilizados os dados dos clientes selecionados observados em uma data . Para cada cliente selecionado nessa data, confiamos em uma fotografia dos produtos no portfólio e algumas informações pessoais (idade, perfil comercial, classe de patrimônio, etc.). Nesta base de clientes foi, então, testada uma série de modelos de recomendação baseados em algoritmos de Aprendizado de Máquinas.
As soluções foram configuradas com diferentes ajustes de parâmetros para permitir uma comparação das soluções etestar de maneira experimental a eficácia dos resultados. A avaliação foi obtida através de uma projeção dos resultados, ou seja, comparando as respostas dos modelos com os dados de vendas reais , observados após a data.
As métricas consideradas em relação a um recomendador benchmark mostraram uma melhoria acentuada em valores dePrecisão de até + 167%, e nas de Recall de até + 974% [1] , oferecendo um estímulo decisivo para a implementação desses modelos na produção.
Contrariamente às abordagens tradicionais baseadas na segmentação e no perfil, que exigem um estudo analítico custoso para atribuir cada cliente a um clusterPersonas, neste caso são os dados já disponíveis que orientam a filtragem colaborativa e, consequentemente, o processo de seleção das melhores ofertas.
O mínimo conjunto de dados de eventos primários sobre os quais basear um Mecanismo de Recomendação pode, de fato, ser normalmente extraído dos dados de vendas, normalmente extraíveis de um datawarehouse comercial comum.
A possibilidade de tornar os dados facilmente acessíveis, com considerável retorno do investimento , deve ser considerada em conjunto com a facilidade de implementação do processo. O caso piloto da Banca Mediolanum foi implementado de forma totalmente diferente em relação à infraestrutura de Business Intelligence do Banco e desenvolvido como uma solução a serviço na plataforma em Nuvem.
[1] Por Precisão entende-se o número de compras realizadas entre os produtos recomendados divididos pelo número de produtos recomendados. Recall refere-se ao número de compras realizadas entre os produtos recomendados divididos pelo número total de compras.