A IA resolverá a personalização do comércio eletrônico?

Uma empresa nascente, armada com um novo investimento de US$ 12,3 milhões, pretende cumprir a promessa de personalização do comércio eletrônico.

Um mecanismo de personalização mostra o produto certo ao comprador certo, no momento certo.

Em teoria, isso deixa todo mundo feliz. Os compradores veem produtos relevantes e envolventes. Os comerciantes vendem mais.

Parece bastante simples. Pense em um site de comércio eletrônico com produtos à venda. Que itens o site mostra a um usuário específico para atrair uma venda? Como ele sabe o que mostrar?

Dados agora mesmo

Esta questão de “o que mostrar” é como Matteo Ruffini, diretor científico da start-up suíça Albatroz IAdescreveu o problema que sua empresa resolve durante uma conferência de fevereiro de 2025 entrevista.

Muitas soluções de recomendação e personalização de comércio eletrônico dependem do histórico do comportamento do comprador. Os sistemas analisam meses ou anos retroativos, em compras e navegações, por exemplo.

O pessoal da Albatross também usa dados comportamentais anteriores, mas adicionou uma análise em tempo real, agora mesmo. elemento preditivo.

O produto Albatroz, de acordo com para um colaborador da Forbes, “captura cada ação do usuário em uma sessão e a passa para um modelo de transformador (de IA) que se comporta como um modelo de linguagem para intenção. As entradas são trigêmeos de eventos – usuário, ação, item – em vez de palavras. O modelo analisa não apenas a ação, mas a sequência de ações e o contexto que as conecta. Ele atualiza continuamente e responde em milissegundos sem retreinamento”.

Essencialmente, a empresa afirma ter a primeira infraestrutura de IA para modelos de treinamento em eventos sequenciais ao vivo.

3 desafios

Albatross AI aborda pelo menos três problemas de longa data com recomendações preditivas de comércio eletrônico:

• Longos períodos de treinamento.
• Categorizando novos compradores.
• Partidas a frio para produtos.

Treinamento

Recomendações personalizadas e baseadas em segmentos dependem de modelos de aprendizado de máquina que precisam de tempo e dados para amadurecer. Pode levar semanas ou meses para reunir dados suficientes para recomendações significativas. Além disso, o modelo deve ser retreinado com frequência.

Algumas soluções de recomendação são treinadas em ciclos, como diário ou semanal, e exigem resmas de atividades históricas de compras. O resultado são recomendações que podem ficar aquém dos sinais de procura em rápida mudança, das tendências sazonais, do aumento de influenciadores ou de momentos culturais imprevisíveis (como a pandemia).

A intenção de um comprador pode mudar hoje, mas se não mudar no próximo ciclo de treinamento, o sistema não poderá reagir.

Plataformas emergentes como o Albatross exploram a aprendizagem contínua ou incremental, reduzindo a dependência da reciclagem programada e avançando para modelos que refletem sessões ativas.

Novos compradores

Um segundo desafio de longa data é como os sistemas de recomendação tratam os novos compradores. Historicamente, esses sistemas dependiam de classificações baseadas em popularidade ou de best-sellers genéricos enquanto esperavam reunir sinais suficientes para personalizar.

Personalização sem cookies ou provável correspondência de identidade oferece apenas alívio limitado.

A indústria está agora mudando para o que poderia ser descrito como “personalização de primeiro minuto”, o que significa que os sinais de intenção dentro de uma única sessão – profundidade de rolagem, tempo de permanência, padrões de salto, micro-pairações, mudanças de tema – tornam-se as inferências primárias.

O objetivo é reduzir o número de interações necessárias para compreender os interesses e intenções do comprador.

Partida a frio

O terceiro obstáculo é o problema do produto de partida a frio.

Um catálogo de comércio eletrônico raramente é estático. Novos SKUs chegam todos os dias; os mercados podem adicionar milhares por hora.

Os algoritmos de recomendação atuais precisam de dados de interação antes de poderem sugerir um item com segurança. Conseqüentemente, novos produtos podem permanecer enterrados.

Os profissionais de marketing podem marcá-los como novos e fornecer tratamento preferencial nas pesquisas e nas páginas de categorias. Mas essas ações podem derrotar o propósito de recomendações personalizadas.

As abordagens de IA estão começando a aproveitar a incorporação de conteúdo, a representação multimodal e a modelagem sequencial para inferir a relevância provável antes que os dados de engajamento estejam disponíveis. Essencialmente, a IA entende muito melhor quais compradores irão gostar do novo produto.

A pesquisa continua descobrindo maneiras de combinar metadados de itens, descrições textuais ou baseadas em imagens e contexto de sequência de usuário para que novos itens fiquem visíveis no primeiro dia.

IA e comércio

Os três desafios aplicam-se a outras tendências no comércio eletrónico e à transformação contínua da IA.

LLMs como ChatGPT, Perplexity e Gemini estão tentando classificar produtos para indivíduos por meio de comércio agente. No entanto, nada disso funcionará a menos que consiga interpretar a intenção de compra.

Em suma, os motores de recomendação e os agentes de compras de IA estão a tornar-se confusos. A descoberta de produtos e as decisões de compra estão se fundindo.