A personalização deixou de ser uma tendência para se tornar um requisito essencial no e-commerce moderno.
Com consumidores cada vez mais exigentes e jornadas de compra complexas, oferecer recomendações de produtos relevantes pode ser o fator decisivo entre a conversão e o abandono.
Neste contexto, uma nova abordagem vem ganhando destaque no cenário acadêmico e corporativo: o uso de grafos de conhecimento (Knowledge Graphs) como base para sistemas de recomendação inteligente.
Em um artigo científico publicado na coleção temática “Avanços em Descoberta de Conhecimento, Engenharia do Conhecimento e Gestão do Conhecimento”, três colaboradores da GoBots, André Gomes Regino, Rodrigo Oliveira Caus e Victor Hochgreb (CEO), com o apoio do professor Julio Cesar dos Reis, da Unicamp, exploraram como os grafos de conhecimento podem transformar a maneira como produtos são recomendados no comércio eletrônico.
Aqui, vale lembrar que foram 2 artigos publicados sobre o tema de recomendação.
Um deles foi apresentado virtualmente durante a pandemia e foi contemplado com o prêmio de melhor artigo apresentado por um aluno de pós-graduação no evento.
E você pode ver mais detalhes dele clicando aqui.
E o outro foi uma extensão da primeira, com mais resultados, mais análises, sendo publicado em uma revista científica internacional onde você pode visualizar clicando aqui.
Embora a GoBots ainda não tenha lançado esse recurso para todos os lojistas e para os principais marketplaces, como Mercado Livre, Shopee e Magalu, isso representa um passo importante para a próxima geração de atendimentos com inteligência artificial.
O que são grafos de conhecimento e como eles funcionam?
Um grafo de conhecimento é uma estrutura de dados que representa informações conectadas semanticamente, como se fosse uma teia onde cada “nó” representa uma entidade (produto, categoria, cliente, marca, uso) e as conexões entre eles representam relacionamentos (compatível com, pertence à, é semelhante a, recomendado para…).
Diferente de algoritmos tradicionais de recomendação (como os baseados em histórico de cliques ou similaridade de usuários), os grafos de conhecimento permitem uma compreensão mais profunda das relações entre produtos e das intenções de compra.
Um detalhe importante a ser falado é que a funcionalidade de recomendação com grafos não usa dados do usuário para recomendar.
Isso em termos de pesquisa é interessante, pois não requer informações pessoais/sigiliosas, que precisem ser anonimizados (exemplo: dados de cartão de crédito, sexo, religião, etc).
A maioria dos sistemas de recomendação (não só dentro do contexto de e-commerce) usa uma grande massa de dados pessoais para melhorar a recomendação, mas a nossa recomendação com grafos de conhecimento só usa a relação de compatibilidade entre produtos automotivos e carros para recomendar, por exemplo.
Por que usar grafos de conhecimento para recomendações no e-commerce?
O artigo desenvolvido pelos especialistas da GoBots e da Unicamp mostra como essa abordagem pode superar limitações comuns dos sistemas atuais, que muitas vezes:
- Sugerem produtos irrelevantes apenas por similaridade visual ou textual
- Ignoram contexto, intenção e preferências reais do cliente
- Não interpretam perguntas feitas em linguagem natural
Com um grafo de conhecimento, é possível oferecer recomendações inteligentes, explicáveis e contextualizadas.
Chegou a hora de deixar a nossa inteligência artificial responder pela sua loja no Mercado Livre!
Exemplos práticos de aplicação no e-commerce
1. Recomendação contextualizada com base em atributos de uso
Imagine que um cliente esteja buscando uma mochila para trabalho e escreve na busca:
“Mochila com espaço para notebook e material de escritório”
Com um sistema baseado em grafo de conhecimento, o mecanismo entende que:
- “Notebook” é um tipo de equipamento eletrônico;
- “Material de escritório” se relaciona com espaço interno, compartimentos e organização;
- Produtos com atributos como “divisórias”, “acolchoamento”, “entrada USB” são mais relevantes.
Assim, a recomendação vai muito além de mostrar “outras mochilas parecidas”, ela mostra produtos funcionalmente compatíveis com o uso pretendido, com base nas relações semânticas mapeadas no grafo.
2. Descoberta de produtos complementares inteligentes
Ao invés de apenas sugerir “quem comprou isso, também comprou aquilo”, o sistema pode sugerir itens com base em propósito, compatibilidade e intenção de uso.
Exemplo:
Um cliente compra uma câmera DSLR. O grafo de conhecimento permite identificar conexões relevantes como:
- Lentes compatíveis;
- Cartões de memória suportados;
- Tripés com encaixe adequado;
- Bolsas de transporte específicas para o modelo.
Essas sugestões não são genéricas, são explicáveis e com alto grau de precisão, elevando o potencial de cross-selling e a experiência do cliente.
3. Suporte a recomendações a partir de perguntas feitas ao atendimento
Em marketplaces como o Mercado Livre e Magalu, consumidores frequentemente usam o campo de perguntas para saber mais sobre um produto.
Com um grafo de conhecimento integrado à IA de atendimento (como a da GoBots), é possível interpretar a pergunta e já apresentar produtos relacionados automaticamente.
Pergunta: “Esse monitor é bom para edição de vídeo?”
Com base nos nós conectados no grafo, o sistema entende:
- “Edição de vídeo” exige alta resolução, boa fidelidade de cores, taxa de atualização adequada;
- O monitor X atende parcialmente;
- O monitor Y é melhor posicionado para esse uso.
Resposta automatizada da IA poderia incluir: “Esse modelo pode atender bem, mas para edições mais exigentes recomendamos o Modelo Y, com painel IPS e cobertura de 99% sRGB.”
4. Redução de vieses e limitações de cold start
Sistemas tradicionais de recomendação enfrentam dificuldades quando:
- Um produto foi recém-cadastrado (poucos dados históricos)
- O cliente é novo e ainda não interagiu com o site
- Há categorias menos populares com poucos registros de compra
Com grafos de conhecimento, as recomendações são feitas com base em atributos objetivos e relacionamentos semânticos, e não apenas em histórico de cliques.
Isso permite recomendar com mais confiança mesmo sem dados comportamentais prévios, solucionando o problema conhecido como “cold start”.
Como a GoBots se posiciona nesse cenário
Embora a IA da GoBots ainda não faça as sugestões automatizadas de produtos, mas sim recomendações com grafos de conhecimento utilizando a relação de compatibilidade entre produtos automotivos e carros para recomendar, por exemplo, a GoBots está na vanguarda do desenvolvimento dessa tecnologia, atuando em colaboração com a Unicamp e já aplicando estruturas de grafos para compreensão de linguagem natural e atendimento automatizado em marketplaces.
Esse avanço representa uma base tecnológica sólida para, em breve, oferecer também recomendações de produtos com base em grafos semânticos, alinhando-se aos principais movimentos dos marketplaces e promovendo uma experiência de compra cada vez mais fluida, automatizada e personalizada.
A integração futura entre grafo de conhecimento + IA generativa + motor de recomendação contextual posicionará a GoBots como referência absoluta em automação inteligente para e-commerce.
O futuro do e-commerce é relacional, inteligente e explicável
O uso de grafos de conhecimento para recomendações é um divisor de águas para o e-commerce.
Ele eleva o padrão de atendimento, acelera a conversão e gera mais valor para o consumidor, ao oferecer sugestões relevantes, contextualizadas e baseadas em entendimento semântico real, e não apenas em padrões de consumo.
A GoBots, mais uma vez, se destaca por antecipar tendências e transformar pesquisa científica de ponta em soluções práticas para o varejo digital.
Se você busca escalar suas vendas com inteligência e oferecer uma experiência superior aos seus clientes, o futuro já começou, e ele passa pela IA da GoBots.
Conteúdo criado a partir do artigo internacional: Leveraging Knowledge Graphs for E-commerce Product Recommendations
