MLM CAP06 2025 VA01 SISTEMAS DE RECOMENDACAO INTRODUCAO

Você sabe o que é o sistema
de recomendação

e a sua importância para o meio digital?

Com a digitalização de processos,
inclusive no meio digital, no varejo,

é muito incomum nos depararmos
com algum site

de venda de produtos ou serviços,

que não possui algum
sistema de recomendação,

auxiliando na descoberta
de novos itens.

Mas, o que é o sistema
de recomendação em si?

Esse sistema é basicamente
um conjunto de algoritmos

que estão processando dados
de transações, de venda,

de relacionamento entre pessoas,

pessoas e produtos,
para indicar um outro serviço

ou produto que possa ser interessante
daquele mesmo contexto.

Nós vamos encontrar esse
tipo de solução

em vários sites de redes sociais,
por exemplo,

ou no YouTube,
ou no Deezer, no Spotify,

onde um produto que você
interage puxa o outro,

puxa uma próxima indicação.

Todo e-commerce de peso, na verdade,
tem também

sistema de recomendação
por trás deles,

indicando, por exemplo,
quem viu e comprou aquilo lá.

Pessoas que compraram esse item
também costumam levar

esses outros itens.

Esse recurso é muito interessante
para manter usuários engajados

com aquele serviço ou plataforma,
mas também,

para melhorar
o poder de venda daquela marca.

E a base para a construção
de sistema de recomendação

são dados históricos
de produtos e serviços

ou então também de usuários.

Portanto, por ser um trabalho
que envolve análise de dados,

é um produto de estudo de interesse
da ciência de dados também.

Vamos ver como que o processo
de ciência de dados clássico

se encaixa na construção
de um sistema de recomendação.

Nessa imagem,

temos o ciclo
de ciência de dados clássico,

ou seja, todo o processo
de ciência de dados

passa por esses estágios.

O primeiro ponto
também é o entendimento do negócio.

Aqui nós queremos entender
o que queremos recomendar?

Qual o objetivo dessa recomendação?

Por exemplo,
o interesse da Amazon

é você comprar mais produtos
para aumentar o lucro da loja.

Já na Netflix,
o interesse do sistema

é para você manter
o engajamento do usuário.

Como eles estão vendendo assinaturas,

a assinatura pode ser vendida
por uma pessoa que vê muito Netflix

ou que não vê quase nada.

Mas a pessoa que não está consumindo
muito daquele material,

daquele streaming,
pode acabar cancelando o serviço.

Portanto, quanto mais ela seja retida
naquele sistema,

mais ela continua consumindo
e, portanto,

não vai cancelar aquele serviço.

Quando a gente sabe o que
a gente quer construir,

nós temos que buscar os dados
que apoiam essa decisão.

Essa seleção de dados parte
sobretudo de conhecimento de usuário,

ou seja,
quem é esse usuário,

do que ele gosta,
do que não gosta,

mas também conhecimento
do estoque, digamos assim.

Como está o nosso estoque
de produtos?

Quais produtos nós vendemos?

Quais características desses produtos
ou serviços?

Mas também é muito importante,
ter um histórico de relação entre eles.

quem comprou o quê,
quem interagiu com o quê.

Portanto, no meio físico,
também é possível implementar

o sistema de recomendação.

Você pode ter a transação
de uma operação

que foi vendida, de fato,
naquela loja.

Agora, no meio digital,

a quantidade de dados
aumenta absurdamente.

Podemos coletar dados sobre
qual produto que o usuário clicou,

qual e-mail de venda ele abriu,
por exemplo.

Como estamos diante de muitos dados,

claramente temos que preparar
essa base

para permitir fazer a modelagem.

Na modelagem também temos
uma série de algoritmos

que podem ser aplicados
sobre esses dados,

cada um com a sua vantagem
e desvantagem.

Como todo modelo
de ciência de dados,

também é importante avaliá-lo antes
de colocar em produção.

Quando estamos avaliando
um sistema de recomendação,

pode ser que seja necessário
refinar a pergunta,

refinar a demanda.

Ou quando ele está bem estável,
digamos assim,

é possível colocá-lo
em desenvolvimento.

A parte da avaliação é a etapa
mais difícil

do processo de ciência de dados
para sistemas de recomendação,

porque, de fato, poder comprovar

se a pessoa compraria ou não
aquele produto é muito subjetivo.

A compra efetiva pode parecer
um produto de "n" fatores externos

que nós não temos como avaliar.

Por exemplo,
imagina que aquela recomendação

de um produto por uma pessoa
seja perfeita.

A pessoa sempre quis aquele produto,
mas naquele momento,

daquela interação do site,

a pessoa não tem dinheiro
para comprar aquele produto.

Não é um problema do link entre
o que eu ofereço e para qual usuário,

mas o fator externo impediu
a concretização daquela compra.

E não basta ter os dados coletados,
também é importante

manter uma relação entre eles.

A principal base de dados,
a principal forma de estruturar o dado

para poder fazer uma análise
de uma recomendação

é por meio de uma matriz de interação.

Vamos conhecê-la na próxima imagem.

A matriz de interação
faz uma relação entre produtos,

por exemplo,
livros e pessoas

que estão interagindo com esses livros.

Essa interação no meio digital
pode ser bem complexa,

pode ser simplesmente
clicar na página onde tem esse livro,

pode ser clicar,
mas também

folhear algumas páginas virtualmente

ou pode até ser de fato,
colocar no carrinho

e até mesmo efetivar a compra.

Ou seja, a força dessa interação
pode ser mais forte ou mais fraca.

Em todo o caso,
um pequeno exemplo

já é possível notar que essa matriz
deve ser muito grande

e também muito esparsa.

Ela é muito grande porque podemos ter
vários produtos naquela loja.

E pode ser também grande
no sentido de muitas linhas,

porque nossa base de clientes
é muito grande também.

E os desafios para trabalhar
com sistema de recomendação

pode ser justamente o tamanho
dessa matriz.

Se essa matriz é muito complexa,
muito grande,

com uma alta dimensão
isso vai colocar um esforço,

uma necessidade muito grande
de poder condicional

para dar conta dessa relação

de usuários, clientes
e produtos também.

E já que trabalhar
com essa matriz grande

pode exigir um esforço promocional
muito grande

e se eu colocar uma complexidade
na escalabilidade da solução,

rodar esses algoritmos para criar
boas recomendações

pode ser muito custoso.

E lembrando que a matriz também
é muito esparsa,

nós temos um outro problema,
uma limitação técnica,

que é da esparsidade.

Ou seja, por ser uma matriz
que tem muitas lacunas,

falhas de dados,
pode ser difícil conseguir fazer

com que os algoritmos convirjam
para uma boa relação

entre produtos e/ou usuários.

Outro problema muito importante
em cima de recomendação,

é o problema chamado "cold start".

Ou seja,

como nós vamos começar
a interagir com o usuário

se nós não conhecemos
quem é esse usuário

e o que ele pode comprar nessa loja.

Ou seja,
é primeiro dar a "partida a frio".

Nós não temos informação suficiente

para conseguir conhecer quem
esse usuário é

ou do que ele gosta,
para fazer recomendações assertivas.

Geralmente,
para contornar esse problema,

nós partimos para modelagens
mais simples,

como recomendar produtos populares.

Se um produto ou serviço é popular,

é porque muita gente gosta, interage
ou consome esse produto.

Então, se eu não conheço quem é
o usuário que vai interagir com ele,

recomendar o que todo mundo gosta
pode ter maior chance de agradá-lo.

E já que estamos no mundo de dados,

outro problema
pode ser a proteção de dados.

Para a gente conseguir entender
quem é o usuário e o que ele gosta,

é importante nós termos acesso
a esse tipo de informação.

Se pela LGPD o usuário
não dá o consentimento

de uso desse tipo de informação,

nós não podemos, então, utilizar
esse tipo de dado histórico

para fazer uma recomendação
mais assertiva.