Como é que um modelo de recomendação escolhe os produtos a incluir na oferta pessoal de um cliente?
O modelo trabalha a partir da semelhança de comportamento e não dos atributos do cliente: identifica os clientes cujo cesto se assemelha a este e ordena cada produto pela probabilidade de esse cliente específico o comprar. O input são os dados transacionais — o que as pessoas compraram efetivamente e em que combinações.
No Retano CRM & Loyalty a lista é construída por cliente e não por segmento, pelo que a oferta é única para cada pessoa em vez de ser partilhada por um grupo. A lista é gerada para uma data-alvo definida. Depois de calculada, alimenta uma mecânica de recompensa do programa de fidelização e é apresentada na app, onde o cliente já guarda o cartão e os cupões ativos: a oferta chega-lhe enquanto planeia a compra e não depois.
O objetivo comercial é a economia do cesto e não a taxa de abertura. Os objetivos declarados da mecânica são as vendas cruzadas, mais referências por recibo e um intervalo mais curto entre visitas. Os resultados reportados em programas em produção indicam um cesto médio 63% superior e um ticket médio 21% superior entre os clientes fiéis.
O que impede uma oferta personalizada de propor algo irrelevante?
A filtragem, aplicada depois de o modelo ordenar os candidatos e antes de qualquer coisa chegar ao cliente. É o passo que distingue um motor de recomendação que funciona num supermercado de um que funciona numa demonstração.
O Retano CRM & Loyalty aplica várias restrições, quatro delas com peso comercial. As categorias que nunca devem integrar uma oferta pessoal são excluídas à partida — sacos, tabaco, o próprio cartão de fidelização —, porque uma recomendação pessoal de um saco compromete a credibilidade de todas as outras ofertas do programa. Os artigos de baixa rotação são excluídos, para que a personalização não seja reconvertida numa forma de escoar referências que ninguém quer. Os produtos que o cliente comprou há pouco são retirados, porque descontar uma recompra oferece margem sobre uma venda que iria acontecer de qualquer forma. E a lista é limitada aos produtos com vendas recentes na loja onde esse cliente compra com mais frequência, para que a recomendação reflita o sortido que essa loja trabalha efetivamente e não o catálogo completo da cadeia.
A última restrição é a mais fácil de omitir e a mais visível quando falta. Uma lista de recomendações válida para toda a cadeia fornecerá sem dificuldade referências que uma loja concreta nunca trabalhou, e o cliente lê isso como uma cadeia que não conhece a própria rede.
Como se personaliza para um cliente sem histórico de compras?
Num percurso separado do dos clientes ativos, e é a parte que a maioria dos programas de personalização salta. Os novos aderentes e os clientes inativos são onde está a margem de crescimento e são precisamente aqueles sobre os quais um modelo de semelhança tem menos com que trabalhar.
O Retano CRM & Loyalty trata-os de duas formas. Um cliente que não fez compras durante o período de treino do modelo recebe recomendações construídas a partir do seu histórico anterior, por mais reduzido que seja, e quando nem isso chega a lista é completada com produtos populares. Para os clientes que constam do conjunto de treino mas ficam com poucos candidatos após a filtragem, a lacuna é preenchida com os produtos mais vendidos na loja que esse cliente utiliza, medidos em recibos recentes dessa loja específica e não num ranking de toda a cadeia, porque os campeões de vendas de um formato de proximidade no centro da cidade e de um supermercado de periferia são produtos diferentes.
A segmentação apoia o mesmo grupo pelo outro lado: os clientes acabados de registar com pouco histórico, os que compraram uma única vez e não voltaram e os que compravam e estão ausentes há muito tempo são identificados cada um como segmento próprio e podem receber uma mecânica dedicada. O limite honesto é que uma primeira oferta a um cliente sem histórico é uma suposição informada e não uma previsão: a sua função é gerar o segundo recibo, que é aquilo de que o modelo precisa.
De que forma as associações de produtos alteram o desenho de uma promoção?
Substituem a suposição por evidência sobre que produtos se puxam mutuamente. A análise de recibos individuais em toda a cadeia revela dependências aos pares entre produtos — em termos simples, quem comprou X também comprou Y — e a analítica de IA da Retano transforma as ligações identificadas em quatro inputs para o calendário promocional.
Os produtos complementares são selecionados para otimizar a mecânica promocional, em vez de descontar referências escolhidas por intuição. São identificados os produtos com potencial escondido, aqueles que impulsionam as vendas de outros artigos e que podem justificar promoção mesmo com margem reduzida, porque o retorno chega noutro ponto do carrinho de compras. As combinações de produtos são analisadas em segmentos de clientes específicos, porque os pares que funcionam com os clientes habituais a preço cheio não são os que funcionam com os compradores movidos pela promoção. E a estabilidade e a sazonalidade das ligações identificadas são monitorizadas ao longo do tempo, para que uma mecânica não assente num padrão que se manteve apenas um trimestre.
O resultado é suficientemente concreto para ser configurado diretamente: 20% de desconto num artigo da categoria café na compra de três artigos da categoria chocolate.
Que clientes devem receber desconto e com que profundidade?
Aqueles cujo comportamento muda por causa do desconto. Um desconto indiferenciado é também pago aos clientes que teriam comprado a preço cheio de qualquer forma, e a análise comportamental é o que torna esse grupo visível.
A analítica de IA da Retano separa a base em grupos com perfis comerciais distintos:
- um núcleo que compra com frequência, em volume e a preço cheio;
- um grupo fiel com compras frequentes, bom ticket médio e baixa dependência da promoção;
- um grupo regular e estável com ticket médio previsível;
- clientes que visitam de forma irregular sem fidelidade consolidada;
- clientes que compram quase exclusivamente em promoção com ticket médio baixo;
- e clientes cuja atividade se apagou até ao limiar do abandono.
Cada grupo pode ter uma mecânica diferente com uma profundidade diferente, o que é um exercício distinto de enviar a todos o mesmo cupão e medir a resposta.
A pontuação de abandono segue o mesmo princípio cruzando risco e valor do cliente, pelo que o investimento de recuperação se concentra nos clientes de alto valor realmente em risco e não em todos os que falharam uma semana. A melhoria de retenção reportada em programas em produção é de 50%, e a plataforma foi concebida para manter os custos de fidelização sem aumento à medida que a personalização é introduzida. A ressalva é que a profundidade do desconto é uma decisão comercial e não um output do modelo: a analítica identifica quem, o retalhista decide quanto.
Quer ofertas pessoais construídas a partir dos seus próprios dados de transação?
O Retano CRM & Loyalty executa os modelos, as mecânicas de recompensa e as comunicações numa única plataforma, e uma cadeia entra em produção em dois a quatro meses. Solicite uma demonstração e mostramos ofertas de produto personalizadas, associações entre produtos e segmentação comportamental sobre dados reais de retalho.
