O que é Recomendação Preditiva?
Recomendação preditiva, também chamada de predictive recommendation, é a técnica que estima a probabilidade de cada pessoa se interessar por cada item do catálogo e ordena as sugestões por essa probabilidade. O bloco “quem viu isso também levou” é a manifestação mais conhecida da técnica.
O sistema aprende com comportamento agregado. O modelo observa milhões de interações, encontra padrões de coocorrência e afinidade, e usa esses padrões para prever o próximo item. A previsão não sabe o gosto da pessoa: ela calcula, a partir de pessoas com histórico parecido, o que costuma acontecer em seguida.
A recomendação preditiva funciona como componente dentro da personalização com IA. A personalização decide toda a experiência. A recomendação resolve uma pergunta específica: quais itens mostrar, em que ordem, naquele espaço da tela.
Como funciona na prática?
Três famílias de abordagem dominam. A filtragem colaborativa cruza comportamentos: pessoas que compraram A também compraram B, então quem comprou A vê B. A filtragem por conteúdo cruza atributos: quem gostou de um item vê itens com marca, categoria, preço e características parecidas. Os sistemas híbridos combinam as duas e resolvem as fraquezas de cada uma.
O maior obstáculo é a partida a frio. Um cliente novo não tem histórico e um produto novo não tem interações. A saída comum usa popularidade, contexto da sessão e atributos do item até acumular dado suficiente para o modelo trabalhar.
Duas armadilhas de negócio aparecem em operação. A primeira é a canibalização: o sistema recomenda o que a pessoa compraria de qualquer jeito e inflaciona o resultado aparente. A segunda é a bolha de popularidade, em que os itens já vendidos ficam ainda mais visíveis e a cauda longa do catálogo desaparece.
A medição correta usa teste com grupo de controle. Você compara receita por sessão entre quem vê recomendação e quem vê o bloco padrão, e olha o efeito no catálogo inteiro, não só no item recomendado. Métricas offline de acurácia dizem pouco sobre receita real.
O ganho depende do tamanho do catálogo. Loja com 40 produtos resolve bem com curadoria humana. Catálogo com dezenas de milhares de itens e tráfego alto justifica o investimento em modelo.
Exemplos de uso
- Um marketplace exibe “compre junto” na página de produto, combinando coocorrência de carrinho e afinidade de categoria, com o bloco medido contra um grupo de controle.
- Uma assinatura de conteúdo ordena a home por probabilidade de consumo por usuário, empurrando parte do catálogo antigo para quem tem afinidade e reduzindo a dependência dos lançamentos.
- Um e-commerce de pet shop prevê o momento de recompra da ração. Um cliente que compra um saco de R$ 210 a cada 45 dias recebe o lembrete no dia 38, com o item já no carrinho.
Erros comuns
- Recomendar o que a pessoa já comprou ou já tem, o que queima espaço nobre da página.
- Medir só o clique no bloco, ignorando se a receita total por sessão subiu.
- Rodar sem grupo de controle e creditar ao modelo um ganho que veio de sazonalidade ou campanha.
- Deixar o modelo concentrar tudo nos campeões de venda, escondendo a cauda longa do catálogo.
- Implantar recomendação em catálogo pequeno, onde curadoria manual entrega resultado parecido por muito menos.
Perguntas frequentes sobre Recomendação Preditiva
Qual a diferença entre recomendação preditiva e filtro de busca?
O filtro responde ao que a pessoa pediu explicitamente: categoria, faixa de preço, marca. A recomendação preditiva antecipa o interesse sem pedido explícito, com base no comportamento dela e no de pessoas parecidas. Os dois convivem na mesma página e resolvem momentos diferentes da navegação.
Como resolver o problema de partida a frio?
Para clientes novos, use popularidade, contexto da sessão e sinais de origem até acumular histórico. Para produtos novos, use atributos do item e semelhança com produtos existentes, o que a filtragem por conteúdo faz bem. Sistemas híbridos passam de uma estratégia para a outra conforme o dado aparece.
Minha loja precisa de recomendação preditiva?
O investimento compensa com catálogo grande, tráfego alto e histórico de comportamento acumulado. Com poucos produtos ou pouco volume, a curadoria manual e regras simples de produtos relacionados entregam resultado próximo, com muito menos complexidade de implantação e manutenção.