IA em E-commerce: Recomendação de produtos

Se há algo que me frustra profundamente, é presenciar uma oportunidade de venda sendo desperdiçada por pura escassez de recursos humanos ou por procedimentos rígidos demais. Minha rotina envolve trabalhar imerso em dados, APIs, orquestrando fluxos com Python e Apps Script, e o que mais vejo é gente se debatendo com soluções elementares. No universo do e-commerce, uma ferramenta crucial frequentemente negligenciada é a recomendação de produtos.

Lembro-me de um cliente que operava com artigos de papelaria. Seu site apresentava um volume considerável de acessos, mas o valor médio das compras era modesto. Predominantemente, as transações se limitavam a um único item, como uma caneta em particular ou um caderno. Ele me questionou: "Meu site não sugere nada. Se o cliente adquire um caderno, por que não propõe uma caneta ou um conjunto de marcadores? Faço isso na loja física, por que não na online?". O cerne da questão estava revelado. Ele sabia o que precisava, mas carecia de meios para implementar tal funcionalidade em larga escala sem incorrer em custos exorbitantes ou a necessidade de uma equipe de engenheiros. Como de praxe, meu objetivo era conceber uma solução funcional, que não se estendesse por meses e dispensasse a complexidade de um datacenter.

A verdade é que a recomendação de produtos no e-commerce não representa uma visão futurista ou uma "inovação disruptiva". Trata-se de uma necessidade fundamental. É, em essência, a personificação digital do vendedor experiente de uma loja física. Sua essência reside em compreender os desejos do consumidor, ou o que ele potencialmente procuraria, e apresentar-lhe no momento oportuno. Sim, é perfeitamente exequível com as ferramentas cotidianas, sem grandes segredos, mas demandando um esforço meticuloso na gestão de dados e nas integrações.

Explorando a Recomendação de Produtos com Inteligência Artificial no Comércio Eletrônico

Ao abordar a recomendação de produtos, o fundamento é invariavelmente o mesmo: os dados. A ausência de dados inviabiliza qualquer ação. E, comumente, os dados apresentam-se desorganizados. Para esse cliente da papelaria, por exemplo, a etapa inicial consistiu em compreender a amplitude das informações que possuía sobre vendas e produtos.

A Prospecção de Dados: O Ponto de Virada para o Sucesso ou o Desafio

No começo, era uma verdadeira profusão de planilhas. Algumas no Google Sheets com o controle de estoque, outras com os registros de pedidos, e ocasionalmente relatórios de analytics que ele exportava e adicionava. A centralização desses dados era imperativa. Minha iniciativa primordial foi extrair os dados de pedidos de sua plataforma de e-commerce. Para minha sorte, ele operava com uma plataforma que dispunha de uma API funcional.

Desenvolvi um script em Python para estabelecer conexão com a API da plataforma de comércio eletrônico. O conceito era direto: extrair o histórico de pedidos, detalhe por detalhe. Cada pedido exigia o ID do cliente (ou, no mínimo, um ID de sessão para visitantes deslogados), o ID do produto e sua respectiva quantidade. Evidentemente, os atributos dos produtos também eram cruciais: nome, descrição, categoria e preço. Este script era executado, por exemplo, uma vez ao dia, e armazenava todas as informações em uma base de dados simplificada que, considerando a escala do cliente, se traduzia em uma nova planilha Google Sheets, cuidadosamente estruturada.

Uma das primeiras dificuldades encontradas foi a flagrante inconsistência dos dados. Havia produtos com nomenclaturas divergentes entre a planilha de estoque e a API de pedidos. Além disso, categorias sofriam alterações abruptas de um dia para o outro. Tal cenário gerou um atraso considerável. Dediquei horas significativas à limpeza e padronização. A ferramenta Pandas, em Python, foi empregada para essa higienização, abrangendo a renomeação de colunas, o tratamento de valores nulos e a uniformização de textos. Uma tarefa laboriosa, porém indispensável.

Da Abordagem Manual ao "Quase Inteligente": Início com Lógica Elementar

Previamente à implementação de IA sofisticada, iniciei com uma abordagem mais simples de executar e que geraria resultados preliminares. O princípio era este: "Consumidores que adquiriram o item X, também compraram o item Y". Essa metodologia é conhecida como recomendação baseada em regras de associação ou, de maneira mais avançada, como filtragem colaborativa item-a-item.

Com os dados de pedidos já organizados no Google Sheet (onde cada linha representava um item de um pedido, incluindo ID do pedido, ID do cliente e ID do produto), iniciei o processamento. Em um catálogo de pequena dimensão, seria factível empregar fórmulas complexas no Sheets ou até mesmo um script no Apps Script para contabilizar co-ocorrências. Por exemplo, determinar a frequência com que a Caneta A e o Caderno B foram adquiridos simultaneamente. No entanto, eu tinha consciência de que tal método teria baixa escalabilidade e se tornaria um pesadelo em termos de manutenção.

Então, a solução foi um script Python. Ele acessava essa base de dados de pedidos, agrupava por pedido e identificava os pares de produtos que surgiam juntos. Em seguida, eu calculava uma métrica de "similaridade" ou "associação" baseada na frequência desses pares. A dinâmica era semelhante a:

• Identifique, para cada produto A, quais outros produtos B foram adquiridos no mesmo carrinho.
• Registre a frequência da ocorrência conjunta de (A, B).
• Elabore uma lista dos 5 produtos com maior frequência de compra conjunta com A.

O desfecho era uma tabela com a seguinte estrutura: para cada Produto A, uma relação de Produtos B, C, D... acompanhada de suas respectivas "intensidades" de recomendação. Já representava um progresso significativo! Eu extraía essa tabela e a persistia em uma planilha Google Sheets distinta, a qual funcionaria como uma referência para as recomendações.

Para a apresentação no site, era necessário um método de exibição. A plataforma de e-commerce possuía um campo destinado a "produtos relacionados", capaz de receber IDs de produtos. Dessa forma, meu script Python, após gerar as recomendações, utilizava a API da plataforma para atualizar esse campo específico em cada produto. Caso o produto "Caneta Azul" recebesse as recomendações de "Caderno Universitário" e "Marca Texto", eu enviava os IDs correspondentes desses itens para a API, e o site os apresentava. Essa medida já resultou em uma notável melhoria no ticket médio.

Aprimorando a Estratégia com IA Avançada: Embeddings e Similaridade Semântica

A abordagem anterior era eficaz para o cenário "quem comprou X, também comprou Y". Contudo, o que fazer com produtos recém-lançados, que ainda careciam de histórico de vendas? Ou, ainda, como oferecer sugestões mais "inteligentes", que transcendessem a simples análise do carrinho de compras e se baseassem na essência real do produto? É nesse ponto que a inteligência artificial, aplicada de forma prática, se torna indispensável.

Minha reflexão se voltou para a maneira como o Google (e outras ferramentas de busca) interpretavam o significado de um texto. A solução residia nos embeddings. Visualize a capacidade de converter a descrição de um produto em uma sequência numérica que capture a "essência" daquele item. Itens com "significados" semelhantes apresentariam sequências numéricas análogas.

Nesse contexto, passei a utilizar APIs de modelos de linguagem, como as oferecidas pela OpenAI (ou outras opções mais leves, conforme o volume de dados). O fluxo de trabalho desenrolava-se assim:

1. Coleta de Descrições: Extraía a descrição completa de cada produto do catálogo (incluindo nome, categoria, texto descritivo e tags), seja da planilha Google Sheets preexistente ou diretamente da API da plataforma.
2. Geração de Embeddings: Meu script Python encaminhava essas descrições para a API de embeddings. O resultado era uma extensa lista de números, ou um vetor. A título de exemplo, um item como "Caneta Esferográfica Azul" transformava-se em algo como `[0.123, -0.456, 0.789, ...]`.
3. Armazenamento dos Embeddings: Para evitar a regeneração constante desses embeddings (processo que consome recursos e tempo), optei por armazenar esses vetores. Dada a escala do cliente, uma nova planilha Google Sheets, contendo o ID do produto e a representação textual do vetor, era suficiente. Para volumes maiores, um banco de dados vetorial seria mais apropriado, mas não era o cenário em questão.
4. Cálculo de Similaridade: Ao solicitar uma recomendação para um produto X, eu recuperava o embedding de X e o comparava com os embeddings de *todos* os demais produtos. A comparação era realizada através da similaridade de cosseno – uma métrica que, essencialmente, indica o quão "alinhados na mesma direção" dois vetores estão. Quanto mais análogos os vetores, mais "próximos" os produtos se mostram semanticamente.
5. Entrega das Recomendações: Os produtos que demonstravam maior similaridade eram então recomendados. Selecionava os N itens de maior correspondência e, novamente, empregava a API da plataforma para atualizar os campos designados a "produtos relacionados".

Essa metodologia revelou-se consideravelmente mais robusta. Permitia identificar conexões que a abordagem "quem comprou X" não conseguia captar. A título de exemplo, se um usuário visualizasse uma "Caneta Tinteiro Vintage", o sistema poderia sugerir um "Caderno de Couro Artesanal" ou uma "Tinta Nanquim". Isso ocorreria mesmo que tais itens jamais tivessem sido adquiridos *conjuntamente*, pois suas descrições os tornavam "similares" sob a ótica da IA. Adicionalmente, e de forma vantajosa, a funcionalidade se estendia a produtos recém-introduzidos. Ao registrar uma "Borracha Mágica Sem Manchas", a IA automaticamente discernia sua similaridade com outras borrachas ou artigos de escrita, propondo itens correlatos.

O Toque Final: Automação e Sinergia com Apps Script

Todo o processo de extração de dados, processamento via Python, geração de embeddings e inserção de volta na plataforma de e-commerce era conduzido por scripts Python, executados manualmente ou em um pequeno servidor locado. No entanto, surgiu a questão: e se o cliente desejasse atualizar um produto ou visualizar recomendações em tempo real para um novo artigo? Ou, ainda, iniciar uma atualização programada das recomendações a cada X horas, sem a necessidade de minha intervenção direta?

É aí que o Apps Script entra em cena. Configurei um script no Google Sheets que, em vez de realizar a lógica de recomendação complexa (que seria demasiado lenta ou excederia os limites do Apps Script), atuava como um "acionador" e um "coletor".

• Gatilho de Atualização: O Apps Script foi configurado com uma função capaz de, ao ser acionada manualmente por um botão na planilha ou por um agendamento temporal (a cada 6 horas, por exemplo), invocar uma URL da minha API Python. Essa API Python, desenvolvida previamente, seria responsável por executar a totalidade do processo de geração de embeddings e cálculo de similaridade, posteriormente enviando os resultados para a plataforma de e-commerce.
• Feedback no Sheets: Uma vez concluído o processamento pela API Python, ela poderia retornar um status ao Apps Script (mediante uma requisição HTTP PUT ou POST para um endpoint previamente configurado), que, por sua vez, atualizaria uma célula na planilha Google Sheet com mensagens como "Última Atualização: [data/hora]" ou "Recomendações Geradas com Sucesso".
• Para novos produtos: Desenvolvi uma função no Apps Script que, ao detectar a inclusão de um novo produto na planilha de catálogo (a qual servia como base primária), acionava o script Python. O Python, então, extraía a descrição do produto recém-adicionado, gerava o embedding *exclusivamente para ele*, e subsequente calculava sua similaridade com todos os demais itens, promovendo a atualização das recomendações tanto para o novo item quanto para aqueles relacionados.

Essa implementação conferiu ao cliente um nível de autonomia inédito. Ele não precisava mais se ocupar com a "atualização" das recomendações. O sistema assumia essa responsabilidade de modo quase autônomo, empregando o Google Sheets como interface e o Apps Script como o "maestro" das automações mais elementares.

Tabela: Método Manual/Demorado vs. Método Automatizado

Aspecto	Método Manual/Demorado	Método Automatizado (Python, APIs, IA, GSheets/Apps Script)
Geração de Recomendações	Fundamentada em intuição ou análise manual de históricos de vendas.	Algoritmos (filtragem colaborativa, similaridade semântica por embeddings) executados automaticamente.
Escalabilidade	Restrita a poucos produtos, impraticável para catálogos extensos.	Escalável para milhares de produtos e milhões de interações.
Atualização	Morosa, requer intervenção humana a cada alteração no catálogo ou padrão de compra.	Automatizada, em tempo real ou em ciclos predefinidos (através de Apps Script/Python).
Precisão	Subjetiva, baseada em conjecturas, pode falhar na identificação de padrões intrincados.	Fundamentada em dados, algoritmos capazes de discernir padrões sutis e aprimorar-se com mais informações.
Custo (Tempo/Recursos)	Elevado custo de tempo da equipe, baixo custo inicial de software.	Menor custo de tempo da equipe no longo prazo, custos de APIs (embeddings) e infraestrutura (pequeno servidor para Python).
Produtos Novos	Inexistência de recomendações até o acúmulo de histórico de vendas.	Recomendações baseadas na similaridade de conteúdo (descrição) desde o lançamento.
Experiência do Cliente	Estática, genérica ou ausente.	Dinâmica, personalizada e mais pertinente, impulsionando as vendas.

Desafios e Contratempos: Aprendizados Diretos da Experiência

Olha, nem tudo são flores nessa jornada de automação e IA. A gente se depara com obstáculos consideráveis até alcançar o sucesso. Apresento alguns dos meus reveses e dores de cabeça:

• Dados Impuros, um Obstáculo Silencioso: Realmente, mais da metade do tempo dedicado a qualquer projeto de automação é consumido na limpeza de dados. No contexto das recomendações, se uma descrição de produto é "Caneta azul, linda, escreve bem" e outra "Caneta Bic Cristal Fina Az", a IA não conseguirá inferir que se trata do mesmo item ou de algo muito semelhante sem uma padronização prévia. Categorias com grafias díspares, produtos sem descrição, preços inconsistentes – tudo isso compromete drasticamente o resultado. Passei dias a vasculhar e corrigir essas imperfeições com expressões regulares e a função `.fillna()` do Pandas.
• O Notório "Problema do Início Frio" (Cold Start): Como oferecer recomendações a um usuário novo que ainda não realizou nenhuma compra? Ou para um produto recém-catalogado? Para usuários, podemos sugerir os itens mais vendidos ou aqueles que estão em alta. Para produtos novos, a recomendação baseada em conteúdo (via embeddings) é a solução primordial; contudo, se a descrição for lacônica ou excessivamente genérica, a IA não terá subsídios para processar. Já presenciei lançamentos de produtos com "descrições genéricas" e a subsequente queixa de que não eram recomendados.
• Limitações de API e Custos Imprevistos: Ao iniciar requisições a APIs de embeddings para um catálogo volumoso, os custos podem escalar. E o pior: as cotas de requisição. Já fui temporariamente bloqueado por um script excessivamente agressivo. Foi necessário implementar pausas (`sleep`) e mecanismos de retentativa com backoff exponencial em Python para evitar sobrecarregar os servidores externos. Sim, o Apps Script também possui limites de execução; não é viável operar um script por 30 minutos contínuos. Daí a decisão de manter a lógica de processamento mais pesada em Python.
• Recomendações Demasiadamente Óbvias ou Redundantes: Por vezes, o sistema de recomendação torna-se *excessivamente* eficaz em encontrar itens similares. O desfecho: ao visualizar uma caneta azul, ele persiste em sugerir outras canetas azuis. No entanto, o cliente talvez busque uma caneta de outra cor ou um item *complementar*. Foi preciso ajustar o algoritmo para introduzir uma dose de "diversidade" nas recomendações, mesclando itens de alta similaridade com outros frequentemente adquiridos em conjunto, mas não necessariamente idênticos.
• Incompatibilidade com a Plataforma: Geramos a recomendação, mas o que acontece se a plataforma de e-commerce não possuir um campo flexível para receber esses dados? Ou se a API for restritiva? Já me vi obrigado a recorrer a artifícios, como utilizar campos customizados não empregados ou até mesmo gerar um arquivo CSV com as recomendações para upload manual (o que compromete a automação, mas resolve a questão em última instância). É fundamental compreender a capacidade da plataforma de e-commerce antes de iniciar o desenvolvimento.
• Desempenho dos Scripts: Um script Python que leva 5 minutos para gerar recomendações para 1000 produtos é aceitável. Um que demanda 2 horas, não. Especialmente ao lidar com embeddings de alta dimensão, o cálculo da similaridade de cosseno para cada par de produtos pode ser computacionalmente dispendioso. Tornei essencial otimizar o código, empregar bibliotecas como `numpy` e `scipy` de forma eficiente, e, em certas ocasiões, dividir a tarefa em lotes menores para evitar exceder a memória ou o tempo de execução do servidor.

FAQ - Dúvidas Técnicas Frequentes

Distinção entre Recomendação Baseada em Conteúdo e Filtragem Colaborativa?

A recomendação baseada em conteúdo propõe itens que se assemelham àqueles que o usuário já demonstrou apreço (ou visualizou), priorizando as características intrínsecas dos próprios itens (como descrição, categoria). Por outro lado, a filtragem colaborativa sugere itens que foram bem-recebidos por usuários considerados "similares" (com predileções análogas), sem necessariamente analisar as características dos itens em si, mas sim o padrão de comportamento coletivo.

Abordagem para o "Problema do Item Novo" em Sistemas de Recomendação?

O desafio do item novo (também conhecido como cold start para itens) surge quando um produto é introduzido no catálogo sem possuir histórico de interações. A estratégia mais eficaz para mitigar esse problema é empregar a recomendação baseada em conteúdo. Para tanto, examinamos a descrição, categoria e demais atributos do item recém-adicionado, comparando-o com itens já presentes para identificar similaridades semânticas, por meio de técnicas como embeddings de texto.

É Viável Empregar Google Sheets e Apps Script para um Sistema de Recomendação Robusto?

Para a lógica de recomendação *complexa* (envolvendo cálculo de similaridade e treinamento de modelos de IA), o Google Sheets e o Apps Script não se mostram como soluções ideais, dadas suas limitações inerentes de processamento, memória e tempo de execução. Eles se destacam, contudo, como excelentes interfaces para dados, para acionadores de automação e para a apresentação de resultados. No entanto, a inteligência central (o domínio do Python) deve ser implementada em um ambiente mais propício ao processamento de dados e à inteligência artificial.

Considerações Finais Descomplicadas

Em última análise, nossa principal atribuição é solucionar problemas. Constatar um cliente elevar seu ticket médio graças à minha capacidade de fazer algumas linhas de código Python dialogarem com células do Google Sheets, intermediadas por uma API, é a minha maior motivação. Não há requinte, nem uma "visão estratégica" fantasiosa. O que existe é a necessidade de colocar a mão na massa, compreender os dados, enfrentar e resolver erros de API, otimizar scripts lentos e, finalmente, testemunhar a funcionalidade do sistema.

A recomendação de produtos com IA em e-commerce não é uma exclusividade de grandes corporações com orçamentos infindáveis. Ela se destina a quem busca impulsionar vendas, a quem reconhece na tecnologia uma ferramenta prática e ao alcance. E com um conhecimento básico de Python, Apps Script e uma boa dose de paciência para gerenciar dados desorganizados, é possível realizar feitos notáveis no cotidiano.