Em breve, algoritmos ajudarão você a se decidir nas compras do mercado
Por Gustavo Minari • Editado por Douglas Ciriaco |
Pesquisadores da Universidade da Califórnia (UC Riverside), nos EUA, desenvolveram algoritmos capazes de recomendar produtos baseados nos hábitos de compra dos consumidores. Utilizando uma metodologia chamada decomposição tensorial — usada para encontrar padrões em grandes volumes de dados — o sistema faz sugestões adaptadas às preferências do cliente.
- Google explica como funciona a IA de recomendações da Play Store
- China planeja regras para que algoritmos da web sejam menos invasivos no país
Esses tensores são representados como cubos multidimensionais, usados para modelar e analisar informações com muitos componentes diferentes. Dados intimamente relacionados a outros fatores comuns podem ser conectados para descobrir padrões que não são perceptíveis em uma primeira camada de observação.
“Cada tensor possui três modos diferentes para capturar um aspecto dessa transação. Os consumidores formam um modo, enquanto o segundo e o terceiro capturam as interações produto a produto, considerando tudo o que já foi comprado antes”, explica o professor de ciência da computação Negin Entezar, autor principal do estudo.
Foco nas entrelinhas
Os pesquisadores usaram uma situação hipotética, analisando os padrões de compra de três consumidores diferentes como prova de conceito. Em uma única transação, o cliente A comprou salsicha, pão, refrigerante e mostarda. O cliente B levou os mesmos produtos, mas em compras separadas. E o cliente C não comprou refrigerante.
Para um algoritmo convencional baseado em matriz, o cliente A é idêntico ao cliente B por comprar os mesmos itens. Entretanto, ao usar a decomposição de tensores, o cliente A está mais intimamente relacionado ao cliente C porque o comportamento dos dois é mais parecido. Ambos compraram produtos semelhantes em uma única transação, embora suas compras tenham sido ligeiramente diferentes.
“O algoritmo de recomendação típico faz previsões com base no item que o cliente acabou de comprar, enquanto a decomposição de tensores faz sugestões levando em consideração todos os produtos dentro da sacola. Se um comprador tiver comida de cachorro e manteiga de amendoim em sua cesta, mas não pão, o algoritmo vai sugerir um brinquedo de mastigar para seu pet em vez de geleia”, acrescenta o professor Vagelis Papalexakis, coautor do estudo.
Modelagem de dados
Os tensores são estruturas multidimensionais que permitem a modelagem de dados complexos e heterogêneos. Em vez de perceberem apenas quais produtos são comprados juntos, eles analisam uma terceira dimensão e fazem sugestões baseados nos hábitos de outros consumidores que realizaram transações parecidas.
Com essa abordagem, é possível ampliar o cenário de recomendações complementares de produtos feitas por meio de algoritmos especializados, tornando as sugestões de itens muito mais precisas e fiéis ao comportamento de compra de consumidores específicos.
“Os métodos de tensores funcionam porque analisam o todo e não apenas um fator recorrente. Embora sejam ferramentas muito poderosas, eles ainda são mais populares na pesquisa acadêmica e, para que a indústria os adote, devemos mostrar que é possível substituir de forma indolor os sistemas de recomendação usados atualmente”, encerra Papalexakis.