Sistemas de Recomendação de Serviços Móveis: o que são, como construí-los e como utilizar

Com o aumento no número de dispositivos móveis, cada vez mais serviços têm sido integrados e distribuídos por esse meio. Esse fato fez com que o número de serviços disponíveis criados para atingir o mesmo propósito, também crescesse, levando o usuário a ter que encontrar e escolher um entre os vários serviços disponíveis.

Isso faz com que as empresas responsáveis por tais serviços se perguntem como lidar propriamente com a taxa crescente de concorrentes e, mais ainda, como investir seus recursos, financeiros e de força de trabalho, em pessoas com uma real probabilidade de se tornarem seus clientes.

Além disso, também é importante entender os hábitos dos atuais clientes, para que se possa adotar as melhores estratégias para mantê-los. Isso porque a utilização de campanhas comuns de marketing, sem a compreensão dos atuais hábitos dos atuais clientes, e aqueles em potencial, pode levar a um gasto excessivo e desnecessário de recursos.

É neste contexto que sistemas de recomendação são adotados.

O que são Sistemas de Recomendação

Como o próprio nome diz, um sistema de recomendação age em diversos meios para indicar os itens mais adequados para um determinado cliente.

Esses itens podem ser produtos em uma loja de e-commerce, livros, músicas, filmes, aplicativos, entre outros. Assim, o sistema de recomendação atuaria como um vendedor, entendendo o que o cliente deseja, e quais são as opções para isso.

Entretanto, a recomendação de serviços móveis, assim como aplicativos, depende não só do interesse do usuário, como também da disponibilidade do mesmo na região geográfica do usuário, se este já é cliente de outro serviço semelhante, entre outros fatores.

Como construir um Sistema de Recomendação para atingir seu público-alvo

Para que se possa compreender como uma recomendação de serviços pode ser feita, vamos introduzir os componentes principais de qualquer sistema de recomendação: usuários e itens.

Usuários são aqueles que utilizam e interagem com o meio em que o sistema atua (sites, plataformas de streaming, lojas virtuais, etc), sendo que tal interação pode se dar tanto de forma explícita (avaliação de itens), como implícita (buscas). Já os itens são aqueles que se deseja recomendar, como por exemplo livros, música, filmes, serviços móveis em geral, dentre outros.

Machine Learning em Sistemas de Recomendação

Definindo como representar usuários e itens, o sistema irá utilizar algoritmos de machine learning, processamento de linguagem natural, dentre outras abordagens, para extrair relações entre usuários e itens.

Isto é, se um usuário A avaliou positivamente um conjunto de itens, e existe outro usuário B que possui avaliações parecidas a ele, o sistema irá utilizar os itens bem avaliados pelo usuário B, que A ainda não avaliou, para fazer recomendações a A.

Outra estratégia também utilizada, é analisar quais itens possuem semelhança entre si. Isso é feito agrupando itens que possuem interações parecidas e, quando um usuário manifestar interesse em um deles, recomendá-lo outros itens desse mesmo grupo.

Porém, como dito anteriormente, somente analisar interações entre usuários pode não ser suficiente para compreender e recomendar serviços móveis relevantes ao usuário.

A adoção desses serviços pode ter relação também com a região geográfica em que o usuário reside, assim como as características demográficas desta, com a disponibilidade do serviço naquela área, e o comportamento inerente do usuário.

Assim, é importante segmentar os usuários de acordo com tais características para poder identificar aqueles com melhor chance de aderir ao serviço que será recomendado.

Criação do Modelo de Recomendação

Com os usuários devidamente segmentados, a criação do modelo pode se dar através da utilização de algoritmos como Latent Dirichlet Allocation (LDA), Cadeias de Markov, Filtro Colaborativo, entre outros. O LDA por exemplo, é uma abordagem utilizada para análise e indexação de textos, que trabalha com a identificação de assuntos (tópicos) em um conjunto de documentos.

Tal estratégia pode ser modificada para recomendação, fazendo com que cada documento represente um usuário, e o texto presente neles sejam representados pelos serviços móveis utilizados por tal usuário, além de outras características presentes em seu perfil. Esta estratégia é interessante para identificação de serviços móveis utilizados em conjunto.

Já as cadeias de Markov podem ser utilizadas quando se deseja perceber padrões de serviços móveis que são adotados em um curto período de tempo.

Isso porque essa abordagem trabalha com a análise da probabilidade de um estado ser alcançado logo após outro, ou seja, verifica o quão provável é que um item seja utilizado, se outro foi utilizado antes dele. Vale ressaltar que essa probabilidade pode também ser analisada com base nos últimos n itens, e não somente no último.

O Filtro Colaborativo talvez seja a estratégia mais utilizada quando se trata de sistemas de recomendação. Isto porque tal estratégia pode abordar diversos casos, e ser aplicada a um grande conjunto de temas, além de ser possível modificá-lo facilmente para adaptação a novos contextos.

O Filtro Colaborativo pode ser dividido em duas abordagens principais: a Model-based e a Memory-based. A abordagem Memory-based consiste na análise de semelhança entre itens (modelos Item-Item) ou entre usuários (modelos Usuário-Item).

Cada uma possui suas vantagens e desvantagens de acordo com o contexto em que o sistema será utilizado. Já a abordagem Model-based utiliza de modelos de machine learning e inteligência artificial para identificar padrões na utilização de itens.

O que considerar na definição de um Sistema de Recomendação de Serviços

Com base na discussão acima, percebemos a importância de conhecer bem seus atuais e potenciais clientes e, além disso, saber como abordá-los para oferecer um serviço. Isso porque, se feito da maneira errada, alguns clientes podem se ressentir com isso.

Além disso, a escolha de qual abordagem utilizar para a recomendação é delicada e envolve uma compreensão profunda da natureza dos dados disponíveis, tanto acerca dos serviços que serão recomendados, como também do tipo de informação conhecida do usuário.

Por último, é importante também analisar se a utilização da abordagem escolhida será factível no que compete ao consumo de recursos computacionais e sua escalabilidade, já que algumas das estratégias mencionadas podem passar a ser inviáveis se o volume de dados é grande.

Compartilhar no facebook
Compartilhar no twitter
Compartilhar no linkedin
Compartilhar no telegram
Compartilhar no whatsapp
Compartilhar no email

Deixe aqui o seu comentário

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *