< Return to Video

MLM CAP06 2025 VA01 SISTEMAS DE RECOMENDACAO INTRODUCAO

  • 0:08 - 0:10
    Você sabe o que é o sistema
    de recomendação
  • 0:10 - 0:12
    e sua importância para o meio digital?
  • 0:12 - 0:15
    Com a digitalização de processos,
    inclusive no meio digital,
  • 0:15 - 0:16
    no varejo.
  • 0:16 - 0:20
    É muito incomum nos depararmos
    com algum site de venda de produtos
  • 0:20 - 0:23
    ou serviços que não possui
    um sistema de recomendação,
  • 0:23 - 0:25
    auxiliando a descoberta de novos itens.
  • 0:25 - 0:28
    Mas, o que é o sistema
    de recomendação em si?
  • 0:28 - 0:30
    Esse sistema é basicamente
    um conjunto de algoritmos
  • 0:30 - 0:32
    que estão processando dados
    de transações,
  • 0:32 - 0:36
    de venda,
    de relacionamento entre pessoas,
  • 0:36 - 0:40
    pessoas e produtos
    para indicar um outro serviço
  • 0:40 - 0:44
    ou produto que possa ser interessante
    daquele mesmo contexto.
  • 0:44 - 0:45
    Nós vamos encontrar
    esse tipo de solução
  • 0:45 - 0:49
    em vários sites de redes sociais,
    por exemplo,
  • 0:49 - 0:52
    ou no YouTube,
    ou no Dizer, no Spotify,
  • 0:52 - 0:56
    onde um produto que você
    interage puxa outro,
  • 0:56 - 0:58
    puxa a próxima indicação.
  • 0:58 - 1:00
    Todo e-commerce de peso,
    na verdade,
  • 1:00 - 1:02
    tem também sistema de recomendação
    por trás deles,
  • 1:02 - 1:06
    indicando, por exemplo,
    quem viu comprou aquilo lá.
  • 1:06 - 1:08
    Pessoas que compraram esse item
    também costumam levar
  • 1:08 - 1:09
    esses outros itens também.
  • 1:09 - 1:13
    Esse recurso é muito interessante
    para manter usuários engajados
  • 1:13 - 1:16
    com aquele serviço ou plataforma,
    mas também,
  • 1:16 - 1:19
    para melhorar
    o poder de venda daquela marca.
  • 1:19 - 1:22
    E a base para a construção
    de sistema de recomendação
  • 1:22 - 1:25
    são dados históricos
    de produtos e serviços
  • 1:25 - 1:27
    ou então também de usuários.
  • 1:27 - 1:30
    Portanto, por ser um trabalho
    que envolve análise de dados
  • 1:30 - 1:34
    é um produto de estudo de interesse
    da ciência de dados também.
  • 1:34 - 1:37
    Vamos ver como que o processo
    de ciência de dados clássico
  • 1:37 - 1:39
    se encaixa na construção
    de um sistema de recomendação.
  • 1:39 - 1:43
    Nessa imagem temos o ciclo
    de ciência de dados clássico,
  • 1:43 - 1:44
    ou seja, todo
    o processo de ciência de dados
  • 1:44 - 1:46
    passa por esses estágios.
  • 1:46 - 1:50
    O primeiro ponto
    também é o entendimento do negócio.
  • 1:50 - 1:52
    Aqui nós queremos entender
    o que nós queremos recomendar?
  • 1:52 - 1:54
    Qual o objetivo dessa recomendação?
  • 1:54 - 1:55
    Por exemplo,
    o interesse da Amazon
  • 1:55 - 1:59
    é você comprar mais produtos
    para aumentar o lucro da loja.
  • 1:59 - 2:01
    Já no Netflix,
    o interesse do sistema
  • 2:01 - 2:03
    é para você manter
    o engajamento do usuário.
  • 2:03 - 2:05
    Como eles estão vendendo assinaturas,
  • 2:05 - 2:09
    a assinatura pode ser vendida
    por uma pessoa que vê muito Netflix
  • 2:09 - 2:11
    ou que não vê quase nada.
  • 2:11 - 2:13
    Mas a pessoa que não está consumindo
    muito daquele material,
  • 2:13 - 2:16
    daquele streaming,
    pode acabar cancelando o serviço.
  • 2:16 - 2:20
    Portanto, quanto mais ela seja retida
    naquele sistema,
  • 2:20 - 2:21
    mais ela continua consumindo
    e, portanto,
  • 2:21 - 2:23
    não vai cancelar aquele serviço.
  • 2:23 - 2:25
    Quando a gente sabe o que
    a gente quer construir,
  • 2:25 - 2:27
    nós temos que buscar os dados
    que apoiam essa decisão.
  • 2:27 - 2:31
    Essa seleção de dados parte
    sobretudo de conhecimento de usuário,
  • 2:31 - 2:33
    ou seja,
    quem é esse usuário,
  • 2:33 - 2:35
    do que ele gosta,
    do que não gosta,
  • 2:35 - 2:38
    mas também conhecimento
    do estoque, digamos assim.
  • 2:38 - 2:40
    Como está o nosso estoque
    de produtos?
  • 2:40 - 2:41
    Quais produtos nós vendemos?
  • 2:41 - 2:43
    Quais características desses produtos
    ou serviços?
  • 2:43 - 2:46
    Mas também é muito importante,
    ter um histórico de relação entre eles.
  • 2:46 - 2:49
    quem comprou o quê,
    quem interagiu com o quê.
  • 2:49 - 2:52
    Portanto, no meio físico também
    é possível implementar
  • 2:52 - 2:53
    o sistema de recomendação.
  • 2:53 - 2:56
    Você pode ter a transação
    de uma operação
  • 2:56 - 2:58
    que foi vendida, de fato,
    naquela loja.
  • 2:58 - 3:01
    Agora, no meio digital,
  • 3:01 - 3:02
    a quantidade de dados
    aumenta absurdamente.
  • 3:02 - 3:05
    Nós podemos coletar dados
    sobre qual o produto que um usuário
  • 3:05 - 3:08
    clicou, qual e-mail de venda
    ele abriu, por exemplo.
  • 3:08 - 3:10
    Como estamos diante de muitos dados,
  • 3:10 - 3:13
    claramente temos que preparar essa base
    para permitir fazer a modelagem.
  • 3:13 - 3:16
    Na modelagem também temos uma série
    de algoritmos que podem ser aplicados
  • 3:16 - 3:20
    sobre esses dados,
    cada um com sua vantagem e desvantagem.
  • 3:21 - 3:22
    Como todo modelo de ciência de dados,
  • 3:22 - 3:25
    também importante
    avaliá lo antes e colocar em produção.
  • 3:26 - 3:29
    Quando nós estamos avaliando
    o consumo de comunicação pode ser que seja
  • 3:29 - 3:33
    necessário refinar a pergunta,
    refinar a demanda ou quando ele está bem
  • 3:33 - 3:36
    estável, digamos assim,
    é possível colocá lo em desenvolvimento?
  • 3:37 - 3:39
    A parte da avaliação etapa mais difícil
  • 3:39 - 3:42
    do processo de ciência de dados
    para sistemas de recomendação,
  • 3:42 - 3:44
    porque ele de fato poder comprovar
  • 3:44 - 3:47
    se a pessoa compraria ou não
    aquele produto é muito subjetivo.
  • 3:47 - 3:50
    A compra efetiva pode parecer um produto
  • 3:50 - 3:54
    de fatores externos que nós
    não temos como avaliar.
  • 3:54 - 3:56
    Por exemplo,
    imagina que aquela recomendação
  • 3:56 - 3:58
    de um produto por uma pessoa
    seja perfeita.
  • 3:58 - 4:00
    A pessoa sempre quis aquele produto,
  • 4:00 - 4:03
    mas naquele momento,
    daquela interação do site,
  • 4:03 - 4:06
    a pessoa não tem dinheiro para comprar
    aquele produto.
  • 4:06 - 4:10
    Não é um problema do link
    entre o que eu ofereço para qual usuário,
  • 4:10 - 4:13
    mas o fator externo impediu
    a concretização daquilo aquela compra.
  • 4:14 - 4:16
    E não basta ter os dados coletados, também
  • 4:16 - 4:19
    é importante manter uma relação
    entre eles.
  • 4:19 - 4:23
    A principal base de dados,
    a principal forma de estruturar o dado
  • 4:23 - 4:25
    para poder fazer uma análise
    mais de comunicação
  • 4:25 - 4:26
    é por meio de uma matriz de interação.
  • 4:26 - 4:28
    Vamos conhecê la na própria imagem.
  • 4:28 - 4:33
    A matriz de interação faz uma relação
    entre produtos, por exemplo, livros
  • 4:33 - 4:37
    e pessoas
    que estão interagindo com esses livros.
  • 4:37 - 4:40
    Essa interação no meio digital
    pode ser bem complexa,
  • 4:40 - 4:42
    pode ser simplesmente
    clicar na página ou item.
  • 4:42 - 4:46
    Esse livro pode ser clicar, mas também
    folhear algumas páginas virtualmente.
  • 4:47 - 4:51
    Ou pode ter de ser de fato, colocar
    no carrinho e até mesmo efetivar a compra.
  • 4:52 - 4:55
    Ou seja, a força de interação
    pode ser mais forte ou mais fraca
  • 4:56 - 4:59
    em todo o caso, um pequeno exemplo
    já é possível notar que essa matriz
  • 4:59 - 5:02
    deve ser muito grande
    e também muito esparsa.
  • 5:02 - 5:07
    Ela é muito grande porque
    podemos ter vários produtos naquela loja
  • 5:07 - 5:10
    e pode ser também grande
    no sentido de muitas linhas,
  • 5:10 - 5:12
    porque nossa base de clientes
    é muito grande também.
  • 5:12 - 5:13
    E os desafios
  • 5:13 - 5:17
    para trabalhar com sistema de recomendação
    pode ser justamente o tamanho da matriz.
  • 5:17 - 5:20
    Se essa matriz é muito complexa,
    muito grande, com uma outra dimensão
  • 5:21 - 5:24
    e vai colocar um esforço, uma necessidade
    muito grande de poder condicional
  • 5:25 - 5:29
    para dar conta dessa relação
    de usuários e clientes e produtos também.
  • 5:29 - 5:33
    E já que trabalhar com essa matriz grande
    pode exigir um esforço emocional
  • 5:33 - 5:37
    muito grande e se colocar uma complexidade
    na escalabilidade da solução.
  • 5:37 - 5:41
    Rodar esses algoritmos para criar
    boas recomendações pode ser muito custoso.
  • 5:41 - 5:43
    E lembrando que a matriz também
    é muito esparsa,
  • 5:43 - 5:47
    Nós temos um outro problema, uma limitação
    técnica, que é da espasticidade.
  • 5:47 - 5:50
    Ou seja, por ser uma matriz
    que tem muitas lacunas, falhas de dados,
  • 5:50 - 5:53
    pode ser difícil conseguir
    fazer com que os algoritmos convirjam
  • 5:53 - 5:56
    para uma boa relação
    entre produtos e ou usuários.
  • 5:57 - 5:57
    Outro problema
  • 5:57 - 6:00
    muito importante em cima de acumulação
    é o problema chamado constante.
  • 6:01 - 6:04
    Ou seja, como nós
    vamos começar a interagir com o usuário
  • 6:04 - 6:05
    que nós não conhecemos?
  • 6:05 - 6:08
    Quem é esse usuário
    que ele pode comprar essa loja?
  • 6:08 - 6:10
    Ou seja, é o primeiro da partida Frio.
  • 6:10 - 6:13
    Nós não temos informação suficiente
    para conseguir conhecer o que uso,
  • 6:14 - 6:17
    quem é o usuário e do que ele gosta
    para fazer recomendações assertivas.
  • 6:18 - 6:20
    Geralmente, para contornar esse problema,
    nós partimos
  • 6:20 - 6:23
    para modelagens mais simples,
    como recomendar produtos populares.
  • 6:24 - 6:26
    Se um produto ou serviço é popular,
  • 6:26 - 6:29
    é porque muita gente gosta ou interage
    com os como esse produto.
  • 6:30 - 6:33
    Então, se eu não conheço quem é o usuário
    que vai interagir com ele?
  • 6:33 - 6:36
    Recomendar que todo mundo gosta
    pode ter maior chance de agradá lo.
  • 6:36 - 6:38
    E já que estamos no mundo de dados,
  • 6:38 - 6:40
    outro problema
    pode ser a proteção de dados para a gente
  • 6:40 - 6:45
    conseguir entender quem é o usuário
    e o que ele gosta é importante.
  • 6:45 - 6:47
    Nós temos acesso
    a esse tipo de informação.
  • 6:47 - 6:51
    Se pela LGPD o usuário não tem,
    não dá o consentimento de uso
  • 6:51 - 6:53
    desse tipo de informação, Nós não podemos
  • 6:53 - 6:56
    então utilizar esse tipo de dado histórico
    para fazer uma
  • 6:56 - 6:57
    comunicação mais assertiva.
Title:
MLM CAP06 2025 VA01 SISTEMAS DE RECOMENDACAO INTRODUCAO
Video Language:
Portuguese, Brazilian
Duration:
07:01

Portuguese, Brazilian subtitles

Incomplete

Revisions Compare revisions