Como a Inteligência Artificial pode poupar tempo e ajudar seu e-commerce

A Inteligência Artificial↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → (IA) é uma área da computação que estuda o desenvolvimento de computadores e aplicações que possuam um comportamento inteligente. Que sejam capazes de observar o cenário, de aprender com seus erros e, com isso, maximizar sua chance de sucesso. Os principais objetivos de pesquisa em IA incluem questões como: raciocínio, conhecimento, planejamento, aprendizado, processamento de linguagem natural, percepção e a habilidade de mover e manipular objetos. Uma demonstração relevante de IA nos últimos anos foi o sucesso do computador da IBM que utiliza técnicas de Aprendizado de Máquina e Processamento de Linguagem Natural, o Watson, por ter vencido o desafio do Jeopardy (um programa de perguntas e respostas equivalente ao Show do Milhão).

O Aprendizado de Máquina, uma das principais subáreas de IA, é responsável pela criação de algoritmos capazes de reconhecer padrões a partir de informações fornecidas sobre um problema (uma base de treinamento). Em outras palavras, o computador aprende, pela observação de exemplos e contraexemplos, qual deveria ser o resultado para um caso desconhecido. Uma situação clássica é a detecção de spams em uma caixa de entrada de e-mail, pois, a partir das marcações de spam do usuário, o computador procura pelos padrões em comum e começa a filtrar novos e-mails que possuam características similares.

No primeiro contato com esse conceito, há alguns anos, fiz uma pergunta ingênua: por que deixar o computador aprender “as regras para a solução de um problema” se eu mesmo poderia programá-lo? O fato é que utilizar técnicas de Aprendizado de Máquina é uma possibilidade de solucionar um problema complexo em dias/semanas que, para um humano programar todas as regras e exceções, poderia durar meses (talvez a vida inteira!).

Como o Aprendizado de Máquina é tendência em Sistemas de Informação, dado o avanço do poder computacional e da popularização da Internet, este artigo tem como meta realizar uma rápida introdução, mostrar possíveis aplicações e esclarecer como elas poderiam poupar seu tempo ao automatizar tarefas cotidianas de seu e-commerce↳E-commerce21 conteúdosECBR Club: novo espaço para devs se conectarem ao ecossistema de e-commerceDev (Back & Front) · mai 2025TOTVS anuncia joint venture com VTEXMarketing Tech · mai 2019Jovens da Brasilândia recebem formação gratuita em tecnologiaGestão Dev & TI · jul 2025Ver tudo em Marketing Tech →.

Cenário

No dia a dia de um e-commerce, existe um fluxo enorme de dados: muitos clientes comprando diferentes tipos de produtos, avaliações e reclamações surgindo de todos os lugares, entre outros eventos que podem afetar positivamente ou negativamente seu negócio. É uma base de conhecimento e tanto!

E esse fluxo pode ser descrito ou composto por dois tipos de dados: estruturados e não estruturados. Os primeiros são aqueles representados dentro de um campo específico, como numa planilha de Excel ou numa tabela de banco de dados↳Banco de dados134 conteúdosSQL ou NoSQL: eis a questão!!Data · mar 2020Banco de dados: como organizar e dar segurança para milhões de dados de loteriasData · mai 20215 serviços gratuitos na cloud para bancos de dados PostgresData · fev 2025Ver tudo em Data → relacional. Uma hipótese seria uma tabela de produtos comprados por clientes, representado por: ID do cliente, SKU do produto e preço pago.

Já os dados não estruturados não possuem uma organização pré-definida e são, geralmente, coleções de textos e imagens. Como exemplo, podem-se citar as avaliações textuais de clientes sobre um produto ou sobre o próprio e-commerce. Sabemos que é um texto, mas não é possível prever com exatidão o que ou como o usuário vai escrever.

A título informativo, atualmente os dados não estruturados representam a maior parte da informação nas empresas ao redor do mundo. A extração de conhecimento nesse tipo de dado é uma tarefa desafiadora e, por conseguinte, seu market cap é superior ao de dados estruturados.

Entendendo um pouco mais do cenário, fica a questão: como utilizar e resolver problemas a partir desda grande massa de dados (também conhecida como Big Data)?

Possíveis aplicações

Ao combinar técnicas de Aprendizado de Máquina com o cenário de dados proveniente de um e-commerce, é possível desenvolver aplicações capazes de:

• descobrir produtos comprados que se destacam em conjunto, a partir da lista de compras de todos os consumidores, a fim de aumentar o ticket médio dos consumidores (Extração de Regras de Associação);
• predição da próxima compra de um perfil (Mineração de Padrões Sequenciais);
• filtrar spams ou avaliações inúteis para que sua seção de avaliações seja relevante para um comprador (Categorização Textual);
• recomendação de peças de roupas a partir de características como estilo ou cores similares (Visão Computacional);
• ou, ainda, executar análise de sentimento em avaliações, classificando-as como positiva ou negativa, e dissecar os tópicos pertinentes, sendo útil tanto para o consumidor quanto para monitorar problemas no seu e-commerce (Mineração de Opinião).

Automatizar essas questões a partir das interações dos próprios clientes do e-commerce parece interessante, não é? Se modeladas corretamente, essas interações servem como base de treinamento para os algoritmos aprenderem a executar uma tarefa específica ou até mesmo simular o comportamento da sua base de consumidores.

Entretanto, é necessário avisar que nem tudo é lindo quanto parece. As técnicas de Aprendizado de Máquina ainda não são capazes de criar uma máquina com a consciência de TARS (do filme Interstelar) e funcionam de forma mais parecida com um macaquinho que foi treinado para executar uma simples tarefa.

Portanto, não será difícil para o algoritmo assimilar o padrão de quando alguém está reclamando ou quando alguém está elogiando explicitamente em uma avaliação. Só que ambiguidade, ironia e textos densos de interpretação são, por enquanto, problemas árduos de se resolver com um classificador automático.

Técnicas de aprendizagem profunda (conhecidas como Deep Learning) têm avançado com ímpeto esses limites, a partir de aprendizado não supervisionado e redes neurais multicamadas (ex: Recurrent Neural Network – RNN). Porém, há a necessidade de uma base de treinamento considerável (às vezes gigabytes de dados). A pesquisa nessa sub-área é relativamente nova e, quase sempre, voltada para a língua inglesa. Ou seja, existe muito trabalho pela frente!

Amazon, eBay e outros gigantes reportam, ano após ano, ganhos reais por possuírem uma cultura orientada a dados. Como essa tecnologia está cada vez mais acessível, definitivamente vale o esforço de desenvolver e/ou aplicar as técnicas citadas em seu e-commerce.

Referências:

• http://www.entrepreneur.com/article/237326
• http://www.kdnuggets.com/data_mining_course/x1-intro-to-data-mining-notes.html
• http://web.stanford.edu/class/cs276/handouts/lecture1-intro-handout-1-per.pdf
• https://blog.monkeylearn.com/a-gentle-guide-to-machine-learning
• https://vanemden.wordpress.com/2015/10/09/ia-or-ai-2
• http://www.technologyreview.com.br/read_article.aspx?id=47513
• http://www.fastcodesign.com/1669551/how-companies-like-amazon-use-big-data-to-make-you-love-them
• http://www.manualdousuario.net/inteligencia-artificial-aprendizado-de-maquina