Transformando a experiência de compra com Machine Learning

Seja no Dia dos Pais, no Dia das Mães, em um aniversário ou simplesmente sem ocasião especial, comprar presentes pode não ser uma tarefa fácil. Ao mesmo tempo, existem 250.000-300.000 empresas de e-commerce nos Estados Unidos, todas competindo pela atenção dos compradores e compradoras. Sem mencionar todas as lojas físicas em toda a América. Como se esperar que consumidores decidam onde gastar seus dinheiros? Como varejistas podem criar uma experiência de compra mais personalizada, em vez de enfrentar o mesmo fim de 6.700 pontos de venda que fecharam suas portas em 2017?

Resumindo, o setor de varejo está em uma situação difícil.

Um case de Machine Learning: 1-800-Flowers.com

Dada a natureza de alto risco do varejo atual e os desafios de converter visitantes online em clientes pagantes, uma solução que possui um enorme potencial para melhorar a experiência de compra é o Machine Learning. Imagine, por exemplo, que você deseja comprar flores para alguém. Você deseja enviar algo atencioso, mas talvez também se preocupe em não passar a mensagem errada. Você pode ir a uma floricultura local e explicar isso — e eles lhe mostrarão uma grande variedade de ofertas. Mas você realmente tem tempo para isso? Não seria ótimo se houvesse uma maneira de pedir o presente perfeito para a ocasião — mas online?
 
A 1-800-Flowers.com também pensava assim — e em 2016 lançou o Gifts When You Need, conhecido como GWYN. Pense no GWYN como um concierge com tecnologia de Inteligência Artificial que pode fazer uma série de perguntas sobre a pessoa para quem você está comprando um presente e, então, oferecer recomendações mais personalizadas com base nas compras de outros clientes com perfis semelhantes. A melhor parte é que, a cada nova compra, a GWYN pode aprender mais sobre os desejos e necessidades de clientes e, então, melhorar suas recomendações. De acordo com o CEO Chris McCann, em dois meses do lançamento, aproximadamente 70% das compras online foram feitas por meio do GWYN.
 
Essa é apenas uma das maneiras infinitas pelas quais os algoritmos de Machine Learning podem analisar um mar de dados. Cada vez que um visitante chega ao seu site, outro ponto de dados é criado. Agora imagine os milhões de pontos de dados que podem informar seu modelo. Isso não apenas ajuda você a entender melhor seus clientes, mas também a entregar o produto certo na hora certa — em escala.

Começando: Dados próprios e modelos pré-treinados

O conceito de Machine Learning é simples: por meio de técnicas estatísticas, os programas têm a capacidade de “aprender” com os dados, sem serem programados explicitamente. Quando dizemos “aprender”, isso significa que conforme os programas recebem mais entradas (ou seja, dados), eles fornecem saídas mais precisas — como ideias para presentes.
 
Dado o poder do Machine Learning para transformar completamente a experiência de compra como a conhecemos, pode-se pensar que é algo apenas para grandes empresas com grandes orçamentos. Mas esse não é o caso. Não importa o tamanho ou o orçamento de sua empresa, é algo que todo varejista pode começar a aplicar em seus negócios.

Vamos supor por um momento que sua empresa esteja bem estabelecida e que você tenha disponível um verdadeiro tesouro de dados históricos. Como os resultados de Machine Learning melhoram conforme mais dados você tem, você tem as condições necessárias para começar a alimentar esses dados proprietários — ou primários — em modelos de treinamento de Machine Learning. Sejam transações financeiras ou transcrições de chamadas de clientes, esses dados podem ser usados para treinar e otimizar seus modelos para obter insights exclusivos sobre como entregar melhor valor aos clientes.

Por outro lado, se sua empresa não tiver acesso a grandes quantidades de dados, ainda é possível usar modelos pré-treinados que estão instantaneamente disponíveis na nuvem. Por exemplo, o Google tem o Cloud AutoML, que é uma coleção de produtos de Machine Learning que torna mais fácil o início para profissionais de desenvolvimento com experiência limitada nessa tecnologia.
 
Você pode começar com o modelo de análise de imagem, que ajuda a entender o conteúdo dela. Forneça imagens e obtenha categorias de texto (por exemplo, “automóvel”, “Torre Eiffel”). Este modelo também pode identificar objetos, rostos ou palavras impressas nas imagens.
 
Por exemplo, criamos um leitor de faturas automatizado para um cliente, agilizando o processamento desses dados — algo que concordamos que é irritante, mas necessário. Como algumas faturas contêm logotipos no lugar do nome da empresa escrito, usamos a ferramenta de detecção de logotipo da API Cloud Vision para treinar o modelo para identificar nomes de empresas e aumentar a precisão. É sempre incrível ver como gastar menos tempo com esses tipos de tarefas repetitivas libera as empresas para se concentrar em atividades de maior valor.
 
Dependendo de suas necessidades, você pode aproveitar o modelo de análise de texto para entender melhor a estrutura e o significado semântico do texto. Além disso, ajuda a extrapolar informações sobre pessoas, lugares e eventos de qualquer texto, como artigos de notícias, blogs ou registros de bate-papo. O modelo de reconhecimento de fala converte áudio em texto.
 
E um modelo de análise de vídeo poderoso pode identificar objetos dentro deles e dizer o que está acontecendo em uma tomada ou quadro individual.

A ponta do iceberg

Varejistas que buscam aproveitar as soluções de Machine Learning podem concentrar sua energia no planejamento da cadeia de fornecimento para melhorar a previsão e os pedidos. Já falamos sobre como personalizar a experiência de compra — mas que tal otimizar sua estratégia de preços com base nas estações do ano, nos suprimentos disponíveis ou em qualquer outro fator relevante?
 
Todos esses exemplos são apenas a ponta do iceberg e um vislumbre do potencial do Machine Learning para revolucionar o setor.

---