O documento discute a jornada do usuário em e-commerces, desde a busca inicial por produtos até a entrega final. Ele destaca a importância de entender cada etapa da jornada para oferecer a melhor experiência personalizada possível ao usuário. Também discute técnicas como recomendação, categorização, prevenção de fraude e logística que podem aprimorar essa jornada.

1. AI
@renan_oliveira
NA JORNADA DO USUÁRIO DE ECOMMERCE

2. Renan Oliveira
CoFounder Data Bootcamp
Head of Personalization PicPay
Data guy since 2012
ex-iFood & globo.com
@renan_oliveira
renan.oliveira@databootcamp.com.br

3. A sua tomada de decisão é mais rápida e
melhor, com isso conseguem reduzir os
custos, ouvir o feedback dos usuários a
partir do seu comportamento.
POR QUE AS EMPRESAS BASEADAS EM DADOS VENCEM?

4. data revolucionando o mundo dos negócios
• Procuram coisas diferentes no site
• Quanto tempo você espera que isso
chegue a você?
• Quantos produtos existem nos
ecommerces?
• Produtos de muitas categorias
• Primeira empresa no ecommerce a
ver isso foi a Amazon
Usuários são únicos

5. https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century

6. abrir a app até selecionar o item
• Qual a origem da visita?
• Qual dispositivo? Tem tela?
• Quais as características públicas?
• É uma pessoa recorrente?
• Tem algo na sacola?
• Sabe o que quer ou tá abrindo para
procurar?
Descoberta

7. Home
Repetir consumo + apresentar novos itens
Feita para você e para o negócio
Personalização na vertical e horizontal
Escolha dos destaques usando Reinforcement,
MAB tá super na moda.
Imagens pensadas em você e no seu histórico,
art work já deveria ter “escalado"
Oferecer o que é melhor pro produto? O que tem
em cache? O que tem entrega mais rápida?
Ir além do clickbait para pensar no valor do ciclo
de vida do usuário (LTV)

8. Sem home?
Interfaces de conversação.
Como criar um produto mais acessível para
todos? Como não depender do “point and shoot”
do click.
60Mi de lares americanos tinham pelo menos um
Smart Speaker em 2019. 160Mi de dispositivos no
total.
Desafios de processamento de linguagem
natural (NLP) pois mal falam português. Técnicas
como o BERT (transformers) visam diminuir essa
distância.
A interface de compra hoje é muito baseado em
re-compra ou recomendações baseadas no seu
histórico.

9. Recomendação
Baseado no usuário e no conteúdo
Não acredite que é efetivo mostrar a mesma
coisa para usuários diferentes.
Ferramentas como serviço para usar: AWS e
Google Cloud tem sua soluções.
Muitos projetos open source, do Spark ao
Surprise (pacote python).
Comece pelo simples, mais vendidos (top)
podem ser um bom começo.
Pensou em personalização? Olhe o famoso ALS.
Vá além do CTR, pense em tempo online, LTV,
diversidade, cobertura e serendipity.

10. Quem viu isso, também viu?
• O que pessoas parecidas comigo “fizeram”
que eu não fiz.
• Famoso pela sua alta taxa de conversão,
altamente assertivo.
• Tem uma atualização lenta pois é preciso
conhecer o usuário.
• Usado em e-commerces do mundo todo.
• Famoso pelo seu uso na Amazon e na Netflix.
• ALS é o seu algoritmo mais famoso.
Filtragem colaborativa
5 2 2
? 3 4
5 3 ?
GOKU
SEIYA
SAITAMA

11. Two Decades of Recommender Systems at Amazon.com

12. Coisas similares a isso.
• Coisas parecidas com essa. Com as mesmas
palavras-chaves, do mesmo tipo, etc.
• Algoritmos de rápida atualização.
• Baseada no contexto do item.
• Facilita a busca por semelhantes.
• Precisa conhecimento do item ou do usuário.
• A extração de features é um passo
importante, saber categorizar o item é um
passo fundamental.
Baseados no conteúdo

13. Movie Lens

14. Busca
Quando a pessoa sabe o que quer
Desafio enorme de NLP e de ordenação.
Misspellings novos todo café da manhã.
Diversos modelos de sinônimos: de manuais aos
2vecs.
Deixe as pessoas melhorarem sua ordenação com
os feedbacks, reinforcement learning.
Focal, quando a pessoa sabe o que quer e o
desafio da busca é trazer exatamente aquilo.
Exploratória, quando a pessoa digita um termo
amplo deixando o sistema acertar para ela.
Crie meios para busca ser um ponto final nos
passos de compra e visualização de um item.

15. Misspelling, erro ortográfico
• Sempre coloque mais peso na digitação original.
Nem sempre é um erro!
• Tenha um dicionário manual de trocas para te salvar.
• Distancia de edição, como Damerau–Levenshtein
resolve boa parte dos “typos”.
• Fuzzy é um bom caminho para erros simples de
digitação, pode ser usado com Levenshtein
• Use um NER para identificar entidades não descritas
diretamente. Bangu -> Bangu Atlético Clube
• As soluções de dicionários criados com 2Vec e
Transformers são as soluções mais completas e
complexas.
Você quis dizer?

16. Buscas semânticas. Entenda o que o usuário quer dizer além do que é digitado.

17. Zero Results. Evite ao máximo ter resultados vazios. Sugira similares.

18. Catálogo
Curadoria, Match e Enriquecimento
Curadoria
Detecção de itens não desejáveis
Match entre fornecedores diferentes
Categorização
Enriquecimento
Dados públicos
Monitoração do mercado

19. Google Cloud Vision API
Enriquecimento e categorização de dados usando a imagem.

20. quando você encontrou
• Encontrou ou aceitou?
• Caminho final ou meio?
• É o primeiro episódio ou tá seguindo
algo que já estava vendo?
• Esse produto tem customizações?
Tamanho? Cor? Ingredientes?
• Qual o melhor preço para o produto?
Você sabe qual o preço no concorrente?
Produto

21. Sacola
Não tente empurrar algo, entenda a pessoa
Adapte a experiência ao device do usuário.
Melhore experiência de pagamento, OCR para ler
o cartão pela câmera.
Reaproveite comentários anteriores sobre a
mesma compra.
Melhore a experiência de compra e não
“empurre" um outro produto.
Crie combos personalizados, inspire-se no daily
mix do spotify.

22. Fraude
Sempre terá alguém tentando vantagem
Aumente a segurança e experiência usando
wallets.
Se tiver em um celular você pode usar biometria
das wallets das fabricantes.
Cuide bem dos dados das pessoas que usam seu
sistema.
Tenha um sistema de reputação que conheça
bem o seu usuário e hábitos. Grafos estão em
alta.
Fraude vai além do pagamento, as avaliações
podem não ser honestas

23. da origem até a sua casa
• Passar o cartão não é o final
• Como entregar mais rápido?
• Como otimizar os custos?
• Qual a melhor embalagem?
• Como facilitar a vida de quem faz a
sua entrega?
• Como fazer a pessoa voltar?
Caixa

24. Logística
Drones? Robôs? Submarino?
Perecível? Sazonal? Qual meio de entrega?
Você tá acompanhando a revolução das entregas
em poucas horas?
Como calcular o tempo de uma entrega? Colocar
20 dias e entregar em 10, não né?
O problema do caixeiro viajante no dia a dia,
encontrando a melhor rota para entrega.
Você não faz logística só olhando o google maps.
Reinforcement Learning tem sido muito usado
dado a constante mudança das rotas.

25. E após?
Conheça seu usuário
Quando a pessoa voltar, lembre dela :)
Qual fluxo que você usou pra comprar da última
vez?
Já avisou que saiu uma temporada nova daquela
série que você maratonou 2 anos atrás?
As configurações que você usou ainda estão lá? E
suas customizações?
Novamente, faça o simples, sofistique após testar.
Dados são seus melhores amigos.
Trate a pessoa como tal e não como uma máquina.
Tenha empatia.

26. Mas perae… como eu faço isso?
fazendo produto, não tem mágica

27. https://www.kaggle.com/c/kaggle-survey-2019

28. https://jamesmccaffrey.wordpress.com/2019/08/22/a-subjective-comparison-of-tensor
fl
ow-pytorch-keras-and-scikit-learn/
https://trends.google.com/trends/explore?date=2019-07-16%202021-08-16&q=sklearn,%2Fg%2F11gd3905v1,%2Fg%2F11c1r2rvnp,%2Fg%2F11bwp1s2k3,%2Fg%2F11cm3rlvvd

30. Para saber mais,acesse:
databootcamp.com.br
facebook.com/databootcampbr
instagram.com/databootcampbr
twitter.com/databootcampbr
linkedin.com/school/data-bootcamp-brasil

31. Obrigado!
databootcamp.com.br
@renan_oliveira
in/renanmoreiradeoliveira
slideshare.net/renangpa