|
Ocasionalmente, os surfistas da internet se deparam com sugestões nas telas de seus computadores que os levam a se perguntar: como eles sabem isso a meu respeito? Esse momento pode ser mágico e um pouco assustador.
Veja só este exemplo. Uma usuária do site FigLeaves.com, de vendas a varejo, se depara com um delicado par de chinelos femininos. Em seguida, surge uma recomendação para um roupão de banho masculino. Isso poderia parecer terrivelmente errado - a menos, é claro, que fosse exatamente isso que a usuária estivesse procurando. Esse tipo de conexão surpreendente vai acontecer com maior frequência à medida que os comerciantes eletrônicos adotarem uma nova geração de tecnologia preditiva. Ela é alimentada por fluxos crescentes de dados comportamentais, de cliques de mouse e pesquisas de busca - tudo mastigado por computadores cada vez mais poderosos.
Por que o roupão de banho? A ATG, uma companhia de softwares de e-commerce de Cambridge (Massachusetts) que comprime dados para o FigLeaves, constatou que em certos momentos da semana, certos tipos de consumidoras costumam fazer compras para homens. Assim como todas as recomendações da internet, esta estará errada em boa parte das vezes. Mas à medida que os comerciantes investigam mais atentamente os consumidores, eles estão chegando mais perto de seu objetivo final: ensinar os computadores a misturarem dados com algo parecido com a astúcia de um vendedor de carne e osso. "Nos primeiros cinco minutos em uma loja, o vendedor observa a linguagem corporal do cliente e seu tom de voz", diz Mark A. Nagaitis, executivo-chefe da 7 Billion People, uma companhia iniciante de Austin, no Texas, que compete com a ATG. "Precisamos ensinar as máquinas a ter esse mesmo discernimento a partir dos movimentos on-line."
Essa dissecação das compras on-line acontece em meio a temores crescentes de invasão de privacidade on-line. Mas ao contrário das tecnologias de propaganda mais controvertidas, que monitoram as perambulações dos surfistas da internet de site em site, muitos desses métodos de "previsão de preferências" limitam suas investigações ao comportamento do consumidor na página de um grupo varejista na internet. Grande parte das análises olham simplesmente para os padrões de cliques, compras e outras variáveis, sem incluir informações pessoais sobre o comprador. Na maioria dos casos, os detalhes pessoais são incorporados apenas quando os clientes se registram em sites como o Amazon.com e o Wal-Mart.com, fornecendo essas informações.
Nos primeiros dias do comércio eletrônico, a maioria das análises se concentrava em padrões de compra simples entre os consumidores. A Amazon e outras introduziram a chamada filtragem colaborativa no fim da década de 90. Elas constataram, sem provocar surpresa em ninguém, que as pessoas que compravam um mesmo livro provavelmente compartilhavam os mesmos interesses por outros livros.
Agora, essa ciência está ficando bem mais sofisticada. Três anos atrás, a Netflix, a potência das locações de vídeos, ofereceu um prêmio de US$ 1 milhão para quem conseguisse recolher dados de milhões de usuários anônimos e melhorar em 10% as previsões da Netflix sobre quais filmes os clientes gostariam de ter à disposição. No mês passado, uma equipe internacional de cientistas da computação atingiu esse objetivo com a introdução de uma análise mais profunda. A equipe vencedora decompôs uma infinidade de detalhes em seu algoritmo. Ele tenta, por exemplo, compensar a mudança de sentimentos dos apreciadores de filmes ao longo do tempo. Se uma pessoa que faz resenhas critica uma série de filmes em sequência, será que eles são realmente horríveis? O algoritmo pode levar essas avaliações com um certo ceticismo matemático.
Introduzir esse nível de complexidade em um cálculo exige uma capacitação informática que até recentemente estava além do alcance da maior parte das companhias. "O que fazemos hoje seria impossível nas máquinas que tínhamos em 1999", afirma Bruce D'Ambrosio, vice-presidente e principal arquiteto da ATG. Ele diz que sua companhia está processando volumes cada vez maiores de dados enquanto tenta mapear os caminhos mais prováveis para cada comprador em um site.
A ATG quantifica a colcha de retalhos das relações entre todos os itens das lojas frequentadas por seus clientes, sejam elas uma Tommy Hilfiger ou uma Body Shop International. Ela analisa que tipo de cliente compra determinados produtos ou o que eles podem estar procurando. Isso se soma a centenas de bilhões de relacionamentos. Mas é por meio dessa análise que a ATG encontra conexões como a existente entre os chinelos femininos e os roupões de banho masculinos. A ATG também estuda as mudanças de comportamento dos usuários da internet ao longo do tempo. D'Ambrosio diz que os consumidores tendem a ter pressa quando estão saindo do trabalho e têm mais tempo de lazer nos fins de semana. Então, o site se ajusta aos ritmos desses consumidores, levando-os a um passeio tranquilo em uma tarde de sábado, empurrando-os para o "pagamento no caixa" na manhã de segunda-feira.
Os algoritmos usados pela 7 Billion People tentam copiar o laço humano de realimentação registrado em uma loja de tijolos e cimento. Enquanto um vendedor pode perceber que um comprador está com pressa, o site da internet precisa perceber isso por meio de outros sinais, como os cliques velozes no mouse. O truque, então, diz o executivo-chefe Nagaitis, é ajustar o site aos clientes. Aqueles que flertam com as resenhas e produtos relacionados, tendem a se ver transportados para páginas da internet com mais funções a serem exploradas. Os compradores com maior probabilidade de serem influenciados por demonstrações, por exemplo, podem achar vídeos demonstrativos.
Esses ajustes podem se mostrar bastante valiosos, segundo alguns clientes. Doug Scott, que comanda a estratégia de internet da ASAP Ventures, uma incubadora de e-commerce do Reino Unido, diz que costumava ajustar os sites que controlava aos seus gostos particulares, com muitos detalhes e opções de escolha. Mas depois de realizar testes com a 7 Billion People, Scott descobriu que apenas cerca de um terço de seus usuários compartilhava de seus gostos. Os outros queriam ler testemunhos ou simplesmente andar logo. "Poderíamos fazer um ajuste fino para aquele um terço, mas aí deixaríamos os outros dois terços irritados", diz ele. O ajuste aos diferentes tipos, com base no comportamento, aumentou a conversão dos visitantes do site a compradores em 30% a 50%.
Outra concorrente da ATG, a richrelevance de San Francisco, está "tirando o pó" de algoritmos teóricos de antes da era da informática para descobrir se eles podem ser usados para prever o comportamento dos clientes. "Se alguém está à procura de um computador da Dell no Wal-Mart", diz o executivo-chefe David Selinger, " é mais provável que ele esteja à procura de um PC mais caro, um mais barato, ou uma garantia?" Bem, a resposta depende do indivíduo, da hora do dia e algumas centenas de outras variáveis.
(Tradução de Mário Zamarian) Copyright© 2009 The McGraw-Hill Companies Inc.
|
