Como a inteligência artificial vai por fim aos anúncios chatos

11 de abril de 2017 - 14h43

De acordo com Janrain & Harris Interactive, 74% dos consumidores online ficam frustrados quando encontram conteúdos irrelevantes no website em que estão navegando. Dados como este empurram a indústria da tecnologia programática rumo ao desenvolvimento de mecanismos de anúncios online cada vez menos invasivos e mais assertivos.

Foto: Reprodução

A Infosys, por exemplo, descobriu que 86% dos consumidores consideram a personalização um diferencial para suas decisões de compra. Isso ocorre porque o uso de recomendações altamente precisas fortalece o relacionamento da marca com seus consumidores, melhorando as taxas de conversão e aumentando as receitas. Em outras palavras, é necessária uma abordagem precisa e persuasiva, não só para o comércio eletrônico de varejo, mas para todos os setores, seja o bancário, de seguros, viagens ou mesmo nas compras diárias de supermercado.

Steve Jobs é frequentemente citado por sua frase que diz que “as pessoas não sabem o que querem até que você mostre para elas”. E novas práticas e estudos sugerem que a Inteligência Artificial pode ser a chave para que essa façanha se torne uma experiência comum, automatizada para todos os usuários na era digital, e o mais importante, de maneira extremamente assertiva.

O que os computadores sabem sobre você

A era digital tornou as jornadas de compra mais acessíveis, mas cada vez mais complexas. Ter de escolher uma entre centenas ou mesmo milhares de opções torna as decisões mais difíceis. Pensando nisso, os sistemas de recomendações online vêm mudando a maneira como navegamos e escolhemos produtos – eles direcionam nosso processo de tomada de decisão, aproximando-nos do que estamos procurando, sugerindo produtos complementares ou mesmo alternativos.

Este “conhecimento” sobre a sua personalidade de compras geralmente se baseia em informações como o que você comprou ou visualizou no passado, o que compradores com perfis semelhantes visualizaram ou compraram, bem como a data e hora de visualização. Basicamente, as tecnologias de recomendação reúnem e analisam milhões de pontos de dados sobre suas preferências para gerar sugestões.

Parece simples, mas essas tecnologias precisam de enormes volumes de dados para fornecer previsões realmente precisas. E, claro, quanto mais informações disponíveis, melhor. E é justamente nesse ponto que entra em jogo o Deep Learning – um subcampo da Inteligência Artificial que simula o cérebro humano no processamento de dados e na criação de padrões de tomada de decisão.

A Inteligência Artificial pode prever o que você quer

Os motores de recomendação estão ficando cada vez mais inteligentes com algoritmos de autoaprendizagem baseados em Deep Learning. Em suma, essa metodologia tenta descobrir os hábitos do usuário depois de apenas algumas visitas ao website – às vezes durante o primeiro acesso – para então poder personalizar a sua experiência. Quando aplicada juntamente com análises em tempo real, a técnica pode melhorar drasticamente as recomendações, chegando ao nível de realmente prever os interesses do consumidor.

De acordo com estudo interno da RTB House, ao tornar as recomendações mais precisas os algoritmos de autoaprendizagem podem garantir até 50% mais eficiência às campanhas online.

Mas como o Deep Learning funciona na prática?

Algoritmos de Deep Learning simulam a nossa maneira de pensar e aprendem sem qualquer interferência humana. Uma máquina irá analisar inúmeros conjuntos de dados implacavelmente, em tempo real, sem ficar cansado ou entediado, e produzirá decisões lógicas, confiáveis, sem estresse, dúvida ou o envolvimento de emoções. Ele obedecerá às regras gerais do anunciante, mas também poderá aprender e escrever suas próprias regras. Esta é a essência dos algoritmos de autoaprendizagem e a razão pela qual eles são tão eficazes para a indústria de anúncios.

A maioria dos mecanismos tradicionais de recomendação simplesmente reúnem informações e, em seguida, selecionam produtos para serem exibidos com regras predefinidas por um ser humano, como: mostrar joias apenas para aqueles que visitaram roupas femininas, seguindo a lógica de que, muito provavelmente, são mulheres. Já o sistema baseado em Deep Learning consegue interpretar inúmeras outras variáveis. Ele reconhece que a visita à seção de roupas femininas é um indicador para a compra de joias, mas também consegue cruzar outras informações para identificar eventuais homens que pretendem comprar joias como um presente, por exemplo.

No campo da previsão de compra, os algoritmos de autoaprendizagem já obtiveram tanto conhecimento que tornaram desnecessárias as interferências manuais. Além de otimizar o processo, essa automação também reduz as chances de interpretações errôneas ou tendenciosas, garantindo anúncios mais assertivos e menos invasivos.