SlideShare uma empresa Scribd logo
Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores
Arthur Fortes da Costa 
•Bacharel em Ciência da Computação –Centro de Ensino Unificado de Teresina (CEUT) –2012 
•Desenvolvedor Back end 
•Python (2010) 
•Mestrando em Sistemas Web e Multimídia –Instituto de Ciências Matemáticas e de Computação –Universidade de São Paulo 
•Enfoque em Sistemas de Recomendação e Agrupamento de Dados
Rafael Martins D’Addio 
•Bacharel em Ciência da Computação –Pontifícia Universidade Católica de Minas Gerais (PUC-Minas) –2012 
•Mestrando em Sistemas Web e Multimídia –Instituto de Ciências Matemáticas e de Computação –Universidade de São Paulo 
•Enfoque em Sistemas de Recomendação e Processamento de Linguagens Naturais
A Web
A Web 
•Três momentos: 
-Web 1.0: início dos anos 90 até início dos anos 2000 
-Web 2.0: meados de 2000 até o presente 
-Web 3.0: o futuro
Web 1.0 
•Conteúdo estático 
•Webmaster 
•Fluxo unidirecional de Informação
Web 2.0 
•Conteúdo dinâmico 
•Blogs 
•Redes Sociais 
•Fluxo bidirecional de Informação
Web 3.0 
•Web Semântica 
•Web Inteligente 
•Base de Dados Mundial
Web 3.0 
Usuário 
Usuários 
Conhecimento gerado a partir de Mineração de Dados
Antes...
Agora...
Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores (Fatec Lins 2014)
Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores (Fatec Lins 2014)
Solução?! 
Sistemas de Recomendação!
Sistemas de Recomendação 
•Sistemas baseados e moldados especificamente para o usuário 
•Filtragem de conteúdo baseada única e exclusivamente nas preferências das pessoas que o acessam
“A lot of times,people don't knowwhat they wantuntil you showit to them.” 
-Steve jobs
“Sei que você gosta de filmes de ação, você deveria assistir Os Mercenários!” 
“Já ouviu o novo CD do AC/DC? Está excelente!” 
Recomendação está presente no dia-a-dia das pessoas
Porque não adicionar este conceito aos web- sites?
Por que utilizar Sistemas de Recomendação? 
•Sobrecarga de Informação 
•Milhares de artigos, postagens, músicas, filmes e produtos sendo lançados diáriamente 
•Netflix: 2/3dos filmes assistidos vêm de Recomendação 
•Amazon: 38% das vendas são de recomendação 
(fonte: Celma e Lamere, ISMIR 2007)
Onde há Sistemas de Recomendação?
O que pode ser recomendado? 
•Filmes 
•Produtos 
•Música 
•Livros 
•Artigos 
•Programas de TV 
•Lugares 
•Alimentação, etc 
Basicamente: O QUE VOCÊ QUISER!!
E como esses sistemas funcionam?
O que um Sistema de Recomendação precisa? 
•Usuários 
•Produtos 
•Interações 
•Explícitas 
•Implícitas
Interações Explícitas 
•Notas 
•Comentários ou revisões
Interações implícitas 
•Cliques 
•Histórico de visitação de páginas 
•Tempo na página 
•Favoritação
O que um Sistema de Recomendação faz? 
•Prevê a nota que um usuário atribuiria a um item que ele não avaliou anteriormente 
e/ou 
•Gera listas de recomendação baseando-se na afinidade/similaridade da preferência de um usuário com um item desconhecido
Filtragem Baseada em conteúdo 
•Usuáriosrecebemsugestõesde itensquesãosimilaresàquelesqueeleconsiderainteressante
Filtragem baseada em conteúdo 
•Principais problemas: 
•Sobre-especialização:usuário não recebe itens que ele possa gostar mas que fujam de um pré-estabelecido contexto 
•Análise Limitada de Conteúdo: dois produtos com mesmas descrições são idênticos para o sistema
Filtragem colaborativa 
•Usuáriosrecebemsugestõesde itensqueusuáriosde preferênciassimilaresdemonstraraminteresse
Filtragem colaborativa 
•Principais problemas: 
•Esparsidade: número de interações é pequeno em relação ao número de usuários e itens 
•Partida-fria: 
•Usuários novos recebem recomendações ruins 
•Itens novos são difíceis de ser recomendados
Sistemas Híbridos 
•Utilização de dois ou mais paradigmas em conjunto 
•Objetivo: uso de múltiplas abordagens de maneira que uma reduza as deficiências da outra.
Como são avaliados? 
•Uso de bases de dados prontas 
•Conjunto de treinamento e teste 
•Predição de notas: 
•Medidas de erro (RMSE) 
•Recomendação em listas: 
•Medidas de precisão de rankings (precisão @ K, MAP)
Por onde começar?
Leituras 
•Recommender Systems Handbook. Ricci, F.,Rokach, L.,Shapira, B.,Kantor, P.B. (Eds.), 2011, XXIX, 842phttp://www.springer.com/computer/ai/book/978-0-387-85819-7
Leituras 
•Artigosde conferências: 
•ACM RecSys 
•WebKD: Web Knowledge Discovery and Data Mining 
•ACM KDD: Knowledge Discovery and Data Mining 
•SIGIR: Information Retrieval 
•ICWSM: Weblogand Social Media 
•WIC: Web Intelligence
Ferramentas 
•MyMediaLite 
•Biblioteca de recomendação desenvolvida em C# 
•Web-site: http://mymedialite.net/ 
•Lenskit 
•Toolkit de recomendação desenvolvido em Java 
•Web-site: http://lenskit.org/ 
•CRAB 
•Framework de recomendação desenvolvid em Python 
•Web-site: http://muricoca.github.io/crab/
O ecossistema do e-commerce
A cadeia do e-commerce 
Comparadores de preços 
E-mail Marketing 
Logística 
Mídias Sociais 
Pagamentos On-line 
Segurança 
Web Analytics 
Plataformas 
SEO 
Sistemas de Recomendação
Plataformas 
•Expectativa da Empresa 
•Compatível com os novos scripts, como Google Analytics, Adwords, etc. 
•SEO e soluções de segurança 
•Ferramentas para criar promoções 
•Geração de Relatórios 
•Frontendatraente e com identidade 
•Flexibilidade 
•Ferramentas de personalização
Plataformas 
•Expectativa dos Clientes 
•Múltiplos meios de pagamento 
•Layout limpo, rápido e de fácil navegação (usabilidade) 
•Cupom de descontos 
•Grande variedade e oferta de produtos 
•Produtos relacionados com o seu interesse
Métricas (O Que São e Para que Servem? ) 
•Onde e por quê os visitantes abandonam o processo de compras? 
•Qual a usabilidade da loja? 
•Quais ações de marketing são efetivas? 
•Qual a origem dos visitantes? 
•O que as pessoas fazem no site? 
•Quais tagsgeram visitas e vendas? 
•Quais ferramentas melhoram as vendas? 
Fonte: slideshare.net/gestahipermidia
Principais Desafios dos E-commerces
Principais Desafios dos E-commerces 
Baixas taxas de Conversão 
Baixo Envolvimento 
Taxa de conversão = 
Número de Compras 
Número de visitantes únicos 
•O que é taxa de conversão?
O Que é Envolvimento? 
“Eu compro naquela loja por que lá eu sou Eu.”
Por que Precisamos Aumentar a Conversão? 
•Psicologia da Compra e Competitividade 
-Compra por impulso 
-Ambiente propício a comparações 
-Baixo custo da pesquisa 
-Qualificação e racionalidade do consumidor 
-Físico x virtual 
-Usabilidade 
-Credibilidade 
-Intangibilidade da venda virtual
A Estratégia Atual do E-Commerce Brasileiro 
•Alto investimento em atração de tráfego: TV, Mailings, SEO, Links Patrocinados, etc.
O Que Falta? 
•Transformar o tráfego gerado em receita!
O Amadurecimento do Mercado 
•Mercados amadurecidos sabem que otimizar a taxa de conversão é complementar à atração de tráfego 
•Uma pequena melhoria na taxa de conversão corresponde a um aumento significativo de receita
Venda para Pessoas e Não Computadores Ferramentas de Conversão
Como Transformar Tráfego em Conversão? 
•Transformando visitantes em clientes através de Serviços Inteligentes de Recomendação
Serviços de Recomendação 
•Geram sugestões personalizadas, melhorando a experiência e potencializando vendas 
•Os serviços de recomendação podem e devem ser facilmente aplicados à sua loja virtual, ajudando seus clientes a fazer escolhas inteligentes e aumentando suas vendas
“Os serviços de recomendação personalizada formam um guia indispensável no processo de escolha de produtos em um e- commerce e visam sugerir o produto mais atraente para cada cliente, em cada contexto, antes da perda de sua atenção. Essa sugestão pode ser feita através de vitrines personalizadas dentro da loja ou disparando e-mails com produtos selecionados exclusivamente para cada cliente.” 
Artigo publicado na revista E-Commerce Brasil, Ano 2, Edição 1.
Como Funciona? 
Monitorar e analisar a efetividade da recomendação 
Mostrar itens recomendados 
Aplicar Algoritmo de recomendação 
Capturar as informações sobre as interações do usuário 
Capturar informações sobre os produtos
Abordagens de Recomendação 
•Baseada em Conteúdo: Analisa as características dos produtos 
•Filtragem Colaborativa: Usa informações sobre as avaliações dos usuários 
•Cross-Selling: Venda de um item adicional ao cliente; implementado usando diferentes abordagens 
•BehavioralTargeting: Usa informações comportamentais para encontrar padrões de consumo e recomendar 
•Híbrida: Duas ou mais abordagens combinadas
Por que Utilizar um Serviço de Recomendação? Porque 
•Porque precisamos ajudar os clientes a comprarem! As pessoas não encontram o que querem ou não sabem o que querem.
Quais os Benefícios? 
•Transformar visitantes em clientes: Permite que o visitante conheça produtos, serviços, pessoas, etc. que ele não conheceria sem o auxílio de uma ferramenta de personalização inteligente 
•Estimular as vendas cruzadas: Oferta itens altamente relacionados ao perfil do usuário, aumentando a probabilidade de venda e elevando o valor do ticket médio 
•Fidelizar usuários: A personalização da experiência de compra resulta em fidelização e tem influência direta sobre o fluxo futuro de usuários.
Principais Pontos de Recomendação no Site 
Home 
Página do Produto 
Carrinho 
Finalização de Compra
Home 
•Recomendamos (hoje) para você 
•Novidades para você 
•Em breve para você 
•Mais vistos (populares) 
•Mais comprados (populares) 
•Últimos produtos visualizados
Página de Produto e Carrinho 
•Quem comprou X também comprou Y 
•Quem viu X comprou Y 
•Quem viu X também viu Y 
•Mais populares (por categoria) 
•Produtos relacionados / Visualmente similares 
Agregando valor: Publicidade
Recomendação no Processo de Checkout
O Que é o Processo de Checkout 
•São os passos entre o carrinho e o fechamento do pedido.
Conversão x Checkout 
•Pelo menos 59.8% dos clientes potenciais abandonam o carrinho de compras.* 
•Questões: 
–Por que essa taxa é tão elevada? 
–Existem erros básicos a serem evitados? 
–Há dicas ou regras que devem ser seguidas para reduzir essa taxa? 
–Há formas de aumentar a conversão no processo de checkout? 
* C. Holst, Fundamental Guidelines of E-Commerce Checkout Design, 06/04/2011, Smashing Magazine.
Algumas Dicas* 
1.Mostre os passos 
2.Mostre os ícones de pagamento 
3.Adicione instruções onde necessário 
4.Explicite os tempos de processamento 
5.Explique os campos 
6.Ajude com códigos de segurança 
7.Forneça um link para o carrinho 
8.Inclua links para chats 
9.Mostre claramente erros 
10.Não solicite informações desnecessárias 
* P. Hazelton, 10 EcommerceCheckoutStrategies, (24/02/2011), PracticalEcommerce-Insights for Online Merchants.
Amazon.com: O maior comércio eletrônico do mundo 
•Faturamento em 2010: US$ 34,20 Bilhões 
•1/3 do faturamento vem de recomendação 
•Faturamento por recomendação em 2010: 
•US$ 11,40 Bilhões 
•R$ 18,40 Bilhões 
Fonte:Wikinvest.com
Faturamento do Comércio Eletrônico Brasileiro em 2010 
•Faturamento em 2010: R$ 14,8 Bilhões 
R$ 14,8 Bilhões < R$ R$ 18,40 Bilhões 
•A Amazonvendeu mais com recomendação do que todo mercado brasileiro em 2010! 
Fonte:Webshoppers.com
“Nós não fazemos dinheiro quando vendemos produtos, fazemos dinheiro quando ajudamos os clientes a tomarem decisões de compras.” 
Jeff Bezos, Amazon.com
Resultado do uso de Recomendação 
•Receita: aumento de até 20% no faturamento 
•Engajamento: até 18% dos Visitantes se Engajam com as Recomendações (VER) 
•Itens por Pedido: até 40% de aumento nos VERs 
•Taxa de Conversão: até 4x de aumento nos VERs 
•E-mail Personalizado: até 70% de aumento na taxa de aderência 
* Fonte: CoreMetrics; ExactTarget
Comparando Serviços de Recomendação 
“Embora a eficácia da recomendação seja o aspecto mais importante de uma solução, a decisão de compra depende da cobertura geográfica, mercado alvo, cuidado com os clientes, expertise, escalabilidadee as interfaces de controledas recomendações.”
Obrigado ;)
Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores 
Arthur Fortes da Costa 
fortes.arthur@gmail.com 
Rafael D’addio 
rmartins.daddio@gmail.com

Mais conteúdo relacionado

Destaque

Recomendação de conteúdo baseada em interações multimodais
Recomendação de conteúdo baseada em interações multimodaisRecomendação de conteúdo baseada em interações multimodais
Recomendação de conteúdo baseada em interações multimodais
Arthur Fortes
 
Sistemas de Recomendação e Mobilidade
Sistemas de Recomendação e MobilidadeSistemas de Recomendação e Mobilidade
Sistemas de Recomendação e Mobilidade
Marcel Caraciolo
 
Sistemas de Recomendação
Sistemas de RecomendaçãoSistemas de Recomendação
Sistemas de Recomendação
Gabriel Benz
 
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...
Adelton Ribeiro
 
Sistemas de Recomendação na web
Sistemas de Recomendação na webSistemas de Recomendação na web
Sistemas de Recomendação na web
Lucas Augusto Carvalho
 
Introdução à sistemas de recomendação
Introdução à sistemas de recomendaçãoIntrodução à sistemas de recomendação
Introdução à sistemas de recomendação
Ralph Rassweiler
 
Sistemas de Recomendação Usando Mahout - Dia 2
Sistemas de Recomendação Usando Mahout - Dia 2Sistemas de Recomendação Usando Mahout - Dia 2
Sistemas de Recomendação Usando Mahout - Dia 2
Alison Marczewski
 
Sistemas de Recomendação Usando Mahout - Dia 1
Sistemas de Recomendação Usando Mahout - Dia 1Sistemas de Recomendação Usando Mahout - Dia 1
Sistemas de Recomendação Usando Mahout - Dia 1
Alison Marczewski
 
Sistemas Recomendação em Redes Sociais
Sistemas Recomendação em Redes SociaisSistemas Recomendação em Redes Sociais
Sistemas Recomendação em Redes Sociais
Natã Melo
 
Conceitos e práticas em Sistemas de Recomendação
Conceitos e práticas em Sistemas de RecomendaçãoConceitos e práticas em Sistemas de Recomendação
Conceitos e práticas em Sistemas de Recomendação
Joel Pinho Lucas
 
Técnicas de Mineração de Dados Aplicadas a Sistemas de Recomendação
Técnicas de Mineração de Dados Aplicadas a Sistemas de RecomendaçãoTécnicas de Mineração de Dados Aplicadas a Sistemas de Recomendação
Técnicas de Mineração de Dados Aplicadas a Sistemas de Recomendação
saspi2
 
Shideshare
ShideshareShideshare
Shideshare
milena fernanda
 

Destaque (12)

Recomendação de conteúdo baseada em interações multimodais
Recomendação de conteúdo baseada em interações multimodaisRecomendação de conteúdo baseada em interações multimodais
Recomendação de conteúdo baseada em interações multimodais
 
Sistemas de Recomendação e Mobilidade
Sistemas de Recomendação e MobilidadeSistemas de Recomendação e Mobilidade
Sistemas de Recomendação e Mobilidade
 
Sistemas de Recomendação
Sistemas de RecomendaçãoSistemas de Recomendação
Sistemas de Recomendação
 
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...
RECOMENDAÇÃO DE DOCUMENTOS PARA OS USUÁRIOS DO AVA MOODLE A PARTIR DAS HASHTA...
 
Sistemas de Recomendação na web
Sistemas de Recomendação na webSistemas de Recomendação na web
Sistemas de Recomendação na web
 
Introdução à sistemas de recomendação
Introdução à sistemas de recomendaçãoIntrodução à sistemas de recomendação
Introdução à sistemas de recomendação
 
Sistemas de Recomendação Usando Mahout - Dia 2
Sistemas de Recomendação Usando Mahout - Dia 2Sistemas de Recomendação Usando Mahout - Dia 2
Sistemas de Recomendação Usando Mahout - Dia 2
 
Sistemas de Recomendação Usando Mahout - Dia 1
Sistemas de Recomendação Usando Mahout - Dia 1Sistemas de Recomendação Usando Mahout - Dia 1
Sistemas de Recomendação Usando Mahout - Dia 1
 
Sistemas Recomendação em Redes Sociais
Sistemas Recomendação em Redes SociaisSistemas Recomendação em Redes Sociais
Sistemas Recomendação em Redes Sociais
 
Conceitos e práticas em Sistemas de Recomendação
Conceitos e práticas em Sistemas de RecomendaçãoConceitos e práticas em Sistemas de Recomendação
Conceitos e práticas em Sistemas de Recomendação
 
Técnicas de Mineração de Dados Aplicadas a Sistemas de Recomendação
Técnicas de Mineração de Dados Aplicadas a Sistemas de RecomendaçãoTécnicas de Mineração de Dados Aplicadas a Sistemas de Recomendação
Técnicas de Mineração de Dados Aplicadas a Sistemas de Recomendação
 
Shideshare
ShideshareShideshare
Shideshare
 

Semelhante a Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores (Fatec Lins 2014)

2012: Tutorial sobre Sistemas de Recomendação para E-commerce
2012: Tutorial sobre Sistemas de Recomendação para E-commerce2012: Tutorial sobre Sistemas de Recomendação para E-commerce
2012: Tutorial sobre Sistemas de Recomendação para E-commerce
Leandro de Castro
 
Workshop E-CommerceBrasil 2012
Workshop E-CommerceBrasil 2012Workshop E-CommerceBrasil 2012
Workshop E-CommerceBrasil 2012
Tuilux
 
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu site
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu siteDigital Analytics - Conhecendo o consumo de conteúdo e o público do seu site
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu site
Emanuel Santos Lima
 
Planejamento de comunicação e mídia digital
Planejamento de comunicação e mídia digitalPlanejamento de comunicação e mídia digital
Planejamento de comunicação e mídia digital
Gustavo Franco
 
Comércio Eletrônico e Métodos de pagamento on line - Aula 02
Comércio Eletrônico e Métodos de pagamento on line - Aula 02Comércio Eletrônico e Métodos de pagamento on line - Aula 02
Comércio Eletrônico e Métodos de pagamento on line - Aula 02
MBA em Marketing Digital e Gestão de Projetos Web
 
Workshop marketing online 16 de outubro 2015
Workshop marketing online 16 de outubro 2015 Workshop marketing online 16 de outubro 2015
Workshop marketing online 16 de outubro 2015
Marco Novo
 
7 Dicas para um e-commerce de sucesso
7 Dicas para um e-commerce de sucesso7 Dicas para um e-commerce de sucesso
7 Dicas para um e-commerce de sucesso
Andre Lucena
 
Marketing de busca
Marketing de buscaMarketing de busca
Marketing de busca
jessicaslv
 
Facebook Ads - Posmidiadigital
Facebook Ads - PosmidiadigitalFacebook Ads - Posmidiadigital
Facebook Ads - Posmidiadigital
Raoni Franco
 
Workshop marketing digital Melgaço 2017
Workshop marketing digital Melgaço 2017Workshop marketing digital Melgaço 2017
Workshop marketing digital Melgaço 2017
Marco Novo
 
Gestão de Loja Virtual parte 1
Gestão de Loja Virtual parte 1Gestão de Loja Virtual parte 1
Gestão de Loja Virtual parte 1
Alex Oliveira
 
Data4sales pt_v1.3
Data4sales pt_v1.3Data4sales pt_v1.3
Data4sales pt_v1.3
Alexandre Chaves
 
Estrategias de Conteudo
Estrategias de ConteudoEstrategias de Conteudo
Estrategias de Conteudo
Kenneth Corrêa
 
RADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdfRADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdf
Alexandre Chaves
 
RADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdfRADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdf
Alexandre Chaves
 
#CPBR7 - Métricas para startups
#CPBR7 - Métricas para startups#CPBR7 - Métricas para startups
#CPBR7 - Métricas para startups
Saulo Arruda
 
Campus Party 2014 metricas para Startups
Campus Party 2014 metricas para StartupsCampus Party 2014 metricas para Startups
Campus Party 2014 metricas para Startups
Bruno Rabelo
 
Workshop de Marketing Digital - Work 28 Set.'16
Workshop de Marketing Digital - Work 28 Set.'16Workshop de Marketing Digital - Work 28 Set.'16
Workshop de Marketing Digital - Work 28 Set.'16
Miguel Brandão
 
TDC2018SP | Trilha Analise de Negocios - Web analytics para Negocios
TDC2018SP | Trilha Analise de Negocios - Web analytics para NegociosTDC2018SP | Trilha Analise de Negocios - Web analytics para Negocios
TDC2018SP | Trilha Analise de Negocios - Web analytics para Negocios
tdc-globalcode
 
Metricas e Monitoramento na Web
Metricas e Monitoramento na WebMetricas e Monitoramento na Web
Metricas e Monitoramento na Web
Kenneth Corrêa
 

Semelhante a Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores (Fatec Lins 2014) (20)

2012: Tutorial sobre Sistemas de Recomendação para E-commerce
2012: Tutorial sobre Sistemas de Recomendação para E-commerce2012: Tutorial sobre Sistemas de Recomendação para E-commerce
2012: Tutorial sobre Sistemas de Recomendação para E-commerce
 
Workshop E-CommerceBrasil 2012
Workshop E-CommerceBrasil 2012Workshop E-CommerceBrasil 2012
Workshop E-CommerceBrasil 2012
 
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu site
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu siteDigital Analytics - Conhecendo o consumo de conteúdo e o público do seu site
Digital Analytics - Conhecendo o consumo de conteúdo e o público do seu site
 
Planejamento de comunicação e mídia digital
Planejamento de comunicação e mídia digitalPlanejamento de comunicação e mídia digital
Planejamento de comunicação e mídia digital
 
Comércio Eletrônico e Métodos de pagamento on line - Aula 02
Comércio Eletrônico e Métodos de pagamento on line - Aula 02Comércio Eletrônico e Métodos de pagamento on line - Aula 02
Comércio Eletrônico e Métodos de pagamento on line - Aula 02
 
Workshop marketing online 16 de outubro 2015
Workshop marketing online 16 de outubro 2015 Workshop marketing online 16 de outubro 2015
Workshop marketing online 16 de outubro 2015
 
7 Dicas para um e-commerce de sucesso
7 Dicas para um e-commerce de sucesso7 Dicas para um e-commerce de sucesso
7 Dicas para um e-commerce de sucesso
 
Marketing de busca
Marketing de buscaMarketing de busca
Marketing de busca
 
Facebook Ads - Posmidiadigital
Facebook Ads - PosmidiadigitalFacebook Ads - Posmidiadigital
Facebook Ads - Posmidiadigital
 
Workshop marketing digital Melgaço 2017
Workshop marketing digital Melgaço 2017Workshop marketing digital Melgaço 2017
Workshop marketing digital Melgaço 2017
 
Gestão de Loja Virtual parte 1
Gestão de Loja Virtual parte 1Gestão de Loja Virtual parte 1
Gestão de Loja Virtual parte 1
 
Data4sales pt_v1.3
Data4sales pt_v1.3Data4sales pt_v1.3
Data4sales pt_v1.3
 
Estrategias de Conteudo
Estrategias de ConteudoEstrategias de Conteudo
Estrategias de Conteudo
 
RADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdfRADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdf
 
RADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdfRADAR - Enriquecimento de Dados de Clientes.pdf
RADAR - Enriquecimento de Dados de Clientes.pdf
 
#CPBR7 - Métricas para startups
#CPBR7 - Métricas para startups#CPBR7 - Métricas para startups
#CPBR7 - Métricas para startups
 
Campus Party 2014 metricas para Startups
Campus Party 2014 metricas para StartupsCampus Party 2014 metricas para Startups
Campus Party 2014 metricas para Startups
 
Workshop de Marketing Digital - Work 28 Set.'16
Workshop de Marketing Digital - Work 28 Set.'16Workshop de Marketing Digital - Work 28 Set.'16
Workshop de Marketing Digital - Work 28 Set.'16
 
TDC2018SP | Trilha Analise de Negocios - Web analytics para Negocios
TDC2018SP | Trilha Analise de Negocios - Web analytics para NegociosTDC2018SP | Trilha Analise de Negocios - Web analytics para Negocios
TDC2018SP | Trilha Analise de Negocios - Web analytics para Negocios
 
Metricas e Monitoramento na Web
Metricas e Monitoramento na WebMetricas e Monitoramento na Web
Metricas e Monitoramento na Web
 

Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores (Fatec Lins 2014)

  • 1. Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores
  • 2. Arthur Fortes da Costa •Bacharel em Ciência da Computação –Centro de Ensino Unificado de Teresina (CEUT) –2012 •Desenvolvedor Back end •Python (2010) •Mestrando em Sistemas Web e Multimídia –Instituto de Ciências Matemáticas e de Computação –Universidade de São Paulo •Enfoque em Sistemas de Recomendação e Agrupamento de Dados
  • 3. Rafael Martins D’Addio •Bacharel em Ciência da Computação –Pontifícia Universidade Católica de Minas Gerais (PUC-Minas) –2012 •Mestrando em Sistemas Web e Multimídia –Instituto de Ciências Matemáticas e de Computação –Universidade de São Paulo •Enfoque em Sistemas de Recomendação e Processamento de Linguagens Naturais
  • 5. A Web •Três momentos: -Web 1.0: início dos anos 90 até início dos anos 2000 -Web 2.0: meados de 2000 até o presente -Web 3.0: o futuro
  • 6. Web 1.0 •Conteúdo estático •Webmaster •Fluxo unidirecional de Informação
  • 7. Web 2.0 •Conteúdo dinâmico •Blogs •Redes Sociais •Fluxo bidirecional de Informação
  • 8. Web 3.0 •Web Semântica •Web Inteligente •Base de Dados Mundial
  • 9. Web 3.0 Usuário Usuários Conhecimento gerado a partir de Mineração de Dados
  • 14. Solução?! Sistemas de Recomendação!
  • 15. Sistemas de Recomendação •Sistemas baseados e moldados especificamente para o usuário •Filtragem de conteúdo baseada única e exclusivamente nas preferências das pessoas que o acessam
  • 16. “A lot of times,people don't knowwhat they wantuntil you showit to them.” -Steve jobs
  • 17. “Sei que você gosta de filmes de ação, você deveria assistir Os Mercenários!” “Já ouviu o novo CD do AC/DC? Está excelente!” Recomendação está presente no dia-a-dia das pessoas
  • 18. Porque não adicionar este conceito aos web- sites?
  • 19. Por que utilizar Sistemas de Recomendação? •Sobrecarga de Informação •Milhares de artigos, postagens, músicas, filmes e produtos sendo lançados diáriamente •Netflix: 2/3dos filmes assistidos vêm de Recomendação •Amazon: 38% das vendas são de recomendação (fonte: Celma e Lamere, ISMIR 2007)
  • 20. Onde há Sistemas de Recomendação?
  • 21. O que pode ser recomendado? •Filmes •Produtos •Música •Livros •Artigos •Programas de TV •Lugares •Alimentação, etc Basicamente: O QUE VOCÊ QUISER!!
  • 22. E como esses sistemas funcionam?
  • 23. O que um Sistema de Recomendação precisa? •Usuários •Produtos •Interações •Explícitas •Implícitas
  • 24. Interações Explícitas •Notas •Comentários ou revisões
  • 25. Interações implícitas •Cliques •Histórico de visitação de páginas •Tempo na página •Favoritação
  • 26. O que um Sistema de Recomendação faz? •Prevê a nota que um usuário atribuiria a um item que ele não avaliou anteriormente e/ou •Gera listas de recomendação baseando-se na afinidade/similaridade da preferência de um usuário com um item desconhecido
  • 27. Filtragem Baseada em conteúdo •Usuáriosrecebemsugestõesde itensquesãosimilaresàquelesqueeleconsiderainteressante
  • 28. Filtragem baseada em conteúdo •Principais problemas: •Sobre-especialização:usuário não recebe itens que ele possa gostar mas que fujam de um pré-estabelecido contexto •Análise Limitada de Conteúdo: dois produtos com mesmas descrições são idênticos para o sistema
  • 29. Filtragem colaborativa •Usuáriosrecebemsugestõesde itensqueusuáriosde preferênciassimilaresdemonstraraminteresse
  • 30. Filtragem colaborativa •Principais problemas: •Esparsidade: número de interações é pequeno em relação ao número de usuários e itens •Partida-fria: •Usuários novos recebem recomendações ruins •Itens novos são difíceis de ser recomendados
  • 31. Sistemas Híbridos •Utilização de dois ou mais paradigmas em conjunto •Objetivo: uso de múltiplas abordagens de maneira que uma reduza as deficiências da outra.
  • 32. Como são avaliados? •Uso de bases de dados prontas •Conjunto de treinamento e teste •Predição de notas: •Medidas de erro (RMSE) •Recomendação em listas: •Medidas de precisão de rankings (precisão @ K, MAP)
  • 34. Leituras •Recommender Systems Handbook. Ricci, F.,Rokach, L.,Shapira, B.,Kantor, P.B. (Eds.), 2011, XXIX, 842phttp://www.springer.com/computer/ai/book/978-0-387-85819-7
  • 35. Leituras •Artigosde conferências: •ACM RecSys •WebKD: Web Knowledge Discovery and Data Mining •ACM KDD: Knowledge Discovery and Data Mining •SIGIR: Information Retrieval •ICWSM: Weblogand Social Media •WIC: Web Intelligence
  • 36. Ferramentas •MyMediaLite •Biblioteca de recomendação desenvolvida em C# •Web-site: http://mymedialite.net/ •Lenskit •Toolkit de recomendação desenvolvido em Java •Web-site: http://lenskit.org/ •CRAB •Framework de recomendação desenvolvid em Python •Web-site: http://muricoca.github.io/crab/
  • 37. O ecossistema do e-commerce
  • 38. A cadeia do e-commerce Comparadores de preços E-mail Marketing Logística Mídias Sociais Pagamentos On-line Segurança Web Analytics Plataformas SEO Sistemas de Recomendação
  • 39. Plataformas •Expectativa da Empresa •Compatível com os novos scripts, como Google Analytics, Adwords, etc. •SEO e soluções de segurança •Ferramentas para criar promoções •Geração de Relatórios •Frontendatraente e com identidade •Flexibilidade •Ferramentas de personalização
  • 40. Plataformas •Expectativa dos Clientes •Múltiplos meios de pagamento •Layout limpo, rápido e de fácil navegação (usabilidade) •Cupom de descontos •Grande variedade e oferta de produtos •Produtos relacionados com o seu interesse
  • 41. Métricas (O Que São e Para que Servem? ) •Onde e por quê os visitantes abandonam o processo de compras? •Qual a usabilidade da loja? •Quais ações de marketing são efetivas? •Qual a origem dos visitantes? •O que as pessoas fazem no site? •Quais tagsgeram visitas e vendas? •Quais ferramentas melhoram as vendas? Fonte: slideshare.net/gestahipermidia
  • 42. Principais Desafios dos E-commerces
  • 43. Principais Desafios dos E-commerces Baixas taxas de Conversão Baixo Envolvimento Taxa de conversão = Número de Compras Número de visitantes únicos •O que é taxa de conversão?
  • 44. O Que é Envolvimento? “Eu compro naquela loja por que lá eu sou Eu.”
  • 45. Por que Precisamos Aumentar a Conversão? •Psicologia da Compra e Competitividade -Compra por impulso -Ambiente propício a comparações -Baixo custo da pesquisa -Qualificação e racionalidade do consumidor -Físico x virtual -Usabilidade -Credibilidade -Intangibilidade da venda virtual
  • 46. A Estratégia Atual do E-Commerce Brasileiro •Alto investimento em atração de tráfego: TV, Mailings, SEO, Links Patrocinados, etc.
  • 47. O Que Falta? •Transformar o tráfego gerado em receita!
  • 48. O Amadurecimento do Mercado •Mercados amadurecidos sabem que otimizar a taxa de conversão é complementar à atração de tráfego •Uma pequena melhoria na taxa de conversão corresponde a um aumento significativo de receita
  • 49. Venda para Pessoas e Não Computadores Ferramentas de Conversão
  • 50. Como Transformar Tráfego em Conversão? •Transformando visitantes em clientes através de Serviços Inteligentes de Recomendação
  • 51. Serviços de Recomendação •Geram sugestões personalizadas, melhorando a experiência e potencializando vendas •Os serviços de recomendação podem e devem ser facilmente aplicados à sua loja virtual, ajudando seus clientes a fazer escolhas inteligentes e aumentando suas vendas
  • 52. “Os serviços de recomendação personalizada formam um guia indispensável no processo de escolha de produtos em um e- commerce e visam sugerir o produto mais atraente para cada cliente, em cada contexto, antes da perda de sua atenção. Essa sugestão pode ser feita através de vitrines personalizadas dentro da loja ou disparando e-mails com produtos selecionados exclusivamente para cada cliente.” Artigo publicado na revista E-Commerce Brasil, Ano 2, Edição 1.
  • 53. Como Funciona? Monitorar e analisar a efetividade da recomendação Mostrar itens recomendados Aplicar Algoritmo de recomendação Capturar as informações sobre as interações do usuário Capturar informações sobre os produtos
  • 54. Abordagens de Recomendação •Baseada em Conteúdo: Analisa as características dos produtos •Filtragem Colaborativa: Usa informações sobre as avaliações dos usuários •Cross-Selling: Venda de um item adicional ao cliente; implementado usando diferentes abordagens •BehavioralTargeting: Usa informações comportamentais para encontrar padrões de consumo e recomendar •Híbrida: Duas ou mais abordagens combinadas
  • 55. Por que Utilizar um Serviço de Recomendação? Porque •Porque precisamos ajudar os clientes a comprarem! As pessoas não encontram o que querem ou não sabem o que querem.
  • 56. Quais os Benefícios? •Transformar visitantes em clientes: Permite que o visitante conheça produtos, serviços, pessoas, etc. que ele não conheceria sem o auxílio de uma ferramenta de personalização inteligente •Estimular as vendas cruzadas: Oferta itens altamente relacionados ao perfil do usuário, aumentando a probabilidade de venda e elevando o valor do ticket médio •Fidelizar usuários: A personalização da experiência de compra resulta em fidelização e tem influência direta sobre o fluxo futuro de usuários.
  • 57. Principais Pontos de Recomendação no Site Home Página do Produto Carrinho Finalização de Compra
  • 58. Home •Recomendamos (hoje) para você •Novidades para você •Em breve para você •Mais vistos (populares) •Mais comprados (populares) •Últimos produtos visualizados
  • 59. Página de Produto e Carrinho •Quem comprou X também comprou Y •Quem viu X comprou Y •Quem viu X também viu Y •Mais populares (por categoria) •Produtos relacionados / Visualmente similares Agregando valor: Publicidade
  • 61. O Que é o Processo de Checkout •São os passos entre o carrinho e o fechamento do pedido.
  • 62. Conversão x Checkout •Pelo menos 59.8% dos clientes potenciais abandonam o carrinho de compras.* •Questões: –Por que essa taxa é tão elevada? –Existem erros básicos a serem evitados? –Há dicas ou regras que devem ser seguidas para reduzir essa taxa? –Há formas de aumentar a conversão no processo de checkout? * C. Holst, Fundamental Guidelines of E-Commerce Checkout Design, 06/04/2011, Smashing Magazine.
  • 63. Algumas Dicas* 1.Mostre os passos 2.Mostre os ícones de pagamento 3.Adicione instruções onde necessário 4.Explicite os tempos de processamento 5.Explique os campos 6.Ajude com códigos de segurança 7.Forneça um link para o carrinho 8.Inclua links para chats 9.Mostre claramente erros 10.Não solicite informações desnecessárias * P. Hazelton, 10 EcommerceCheckoutStrategies, (24/02/2011), PracticalEcommerce-Insights for Online Merchants.
  • 64. Amazon.com: O maior comércio eletrônico do mundo •Faturamento em 2010: US$ 34,20 Bilhões •1/3 do faturamento vem de recomendação •Faturamento por recomendação em 2010: •US$ 11,40 Bilhões •R$ 18,40 Bilhões Fonte:Wikinvest.com
  • 65. Faturamento do Comércio Eletrônico Brasileiro em 2010 •Faturamento em 2010: R$ 14,8 Bilhões R$ 14,8 Bilhões < R$ R$ 18,40 Bilhões •A Amazonvendeu mais com recomendação do que todo mercado brasileiro em 2010! Fonte:Webshoppers.com
  • 66. “Nós não fazemos dinheiro quando vendemos produtos, fazemos dinheiro quando ajudamos os clientes a tomarem decisões de compras.” Jeff Bezos, Amazon.com
  • 67. Resultado do uso de Recomendação •Receita: aumento de até 20% no faturamento •Engajamento: até 18% dos Visitantes se Engajam com as Recomendações (VER) •Itens por Pedido: até 40% de aumento nos VERs •Taxa de Conversão: até 4x de aumento nos VERs •E-mail Personalizado: até 70% de aumento na taxa de aderência * Fonte: CoreMetrics; ExactTarget
  • 68. Comparando Serviços de Recomendação “Embora a eficácia da recomendação seja o aspecto mais importante de uma solução, a decisão de compra depende da cobertura geográfica, mercado alvo, cuidado com os clientes, expertise, escalabilidadee as interfaces de controledas recomendações.”
  • 70. Sistemas de Recomendação Aplicados a WebComo converter visitantes em compradores Arthur Fortes da Costa fortes.arthur@gmail.com Rafael D’addio rmartins.daddio@gmail.com