Embedded Files
O aumento do uso de plataformas digitais para compras e consumo de conteúdo evidenciou a importância de sistemas inteligentes capazes de atender às preferências individuais dos usuários. Durante a pandemia, o crescimento do comércio eletrônico impulsionou investimentos em tecnologias de recomendação, tornando a experiência de compra mais personalizada e eficiente. No entanto, empresas que não acompanharam essa evolução enfrentam desvantagens competitivas em relação a concorrentes que dominam essas tecnologias, cujos algoritmos são, em geral, proprietários e mantidos em sigilo.
Neste projeto, propõe-se o desenvolvimento de um algoritmo de recomendação de e-commerce de código aberto, projetado para capacitar lojas virtuais de diferentes portes a aprimorar a experiência de seus clientes e fortalecer sua competitividade no mercado. A solução é avaliada por meio de comparações com tecnologias já existentes, utilizando métricas que evidenciam sua eficácia. Para isso, são aplicados conceitos avançados de Inteligência Artificial e Aprendizado de Máquina, com o objetivo de criar modelos personalizados e orientados às preferências dos usuários, promovendo experiências de consumo mais satisfatórias.
Links Úteis:
Os modelos ao lado ilustram as diferenças entre o Sistema de Referência e o SIstema de Recomendação Implementado.
Entre as principais melhorias, destaca-se um tratamento mais eficiente da base de dados, garantindo maior consistência e qualidade das informações utilizadas. Além disso, foram aplicados filtros avançados e métodos de clusterização mais eficazes, permitindo segmentar os dados de forma mais precisa e oferecer recomendações mais personalizadas.
Resultados e Conclusões
Resultados e Conclusões
A partir da pesquisa conduzida com 15 participantes, os resultados revelaram uma classificação média de 3,6 para o algoritmo desenvolvido, representando um aumento de 62,6% em relação ao modelo de referência. Adicionalmente, 70% dos participantes atribuíram notas 4 e 5 na escala Likert, demonstrando a eficácia do modelo em oferecer recomendações alinhadas às preferências dos usuários.
Os testes realizados evidenciaram um desempenho satisfatório do algoritmo, mesmo diante de limitações na base de dados e em testes de robustez com palavras contendo erros de digitação. Comparado ao modelo de referência, o novo algoritmo apresentou maior precisão e melhores índices de aprovação nas recomendações. Futuras iniciativas incluem o aprimoramento do algoritmo e a ampliação de suas aplicações.
Page updated
Report abuse