O uso inteligente de dados por computadores está tão presente no dia a dia que se tornou imperceptível. Para as empresas, passou a ser uma forma de identificar tendências no comportamento e nas preferências de cada pessoa. Contudo, o grande volume de dados do Big Data – até 2020, devem circular mais de 40 trilhões de gigabytes de dados pelo mundo – e a nova dinâmica imediatista e personalizada do consumidor digital passou a exigir processamentos e respostas mais velozes, ultrapassando a eficiência do controle humano sobre os dados. E se os computadores aprendessem sozinhos a entender e prever esse comportamento?

Foi a partir dessa necessidade e dos avanços tecnológicos da última década que o machine learning, ou aprendizado de máquina, passou a fazer parte do nosso cotidiano. Quando pedimos um Uber pela manhã e o aplicativo já sugere o endereço do escritório, por exemplo, é porque ele aprendeu que as corridas nesse horário costumam ser para esse endereço específico. Ou quando um ecommerce como a Dafiti sugere roupas que você costuma comprar ou que pesquisou recentemente na plataforma deles.

O machine learning também pode fornecer insights sobre quais itens são mais rentáveis e em quais novos produtos é possível investir com maior certeza de retorno. A tecnologia é bastante adaptável e pode ser usada, entre outras aplicações, para otimizar produtividade da equipe, prever pico de vendas e melhorar processos internos de back office. No entanto, é na experiência de pagamentos que podemos encontrar alguns dos resultados mais eficazes do aprendizado baseado em inteligência de dados.

O machine learning na experiência de compras

No ecommerce, um dos maiores desafios enfrentados pelo varejista é o abandono do carrinho de compras – especialmente quando ocorre na página de pagamento -, o que corresponde a 46% das desistências, segundo a Business Insider. O prejuízo é grande e já acumula US$ 4 trilhões em vendas perdidas ao ano.

Um importante aliado para combater esse fenômeno é entender em qual parte do processo de compra o abandono de carrinho ocorre, momento em que o machine learning pode ajudar a otimizar a operação. Entender se o seu consumidor está abandonando a compra no momento de escolha do método de pagamento ou durante a autenticação dele como consumidor legítimo ou fraudador, por exemplo, permite focar esforços em corrigir um ponto específico, até mesmo em tempo real. Mudanças simples no processo de pagamento para adaptar às especificidades dos clientes podem gerar aumentos significativos na receita de um lojista.

Um estudo da Adyen realizado entre 2016 e 2017 com mais de 300 milhões de transações revelou que fatores como região, dia do mês, hora do dia e até o tipo de cartão impactam significativamente nas taxas de sucesso das transações.

Buscou-se entender como o machine learning pode ajudar no aumento de transações aprovadas de serviços recorrentes (cobranças automáticas feitas em serviços por assinatura). Para cartões brasileiros, o melhor momento de cobranças é no intervalo entre os dias 14 e 23 do mês, sendo o dia 16 o mais seguro. Também é possível perceber que a melhor estratégia para transações que falham devido a motivos não técnicos, como saldo insuficiente, é tentar em intervalos maiores após a data em que os assinantes recebem seus salários. Feita de maneira inteligente com o aprendizado de máquina, a retentativa pode ser mais precisa uma vez que o uso excessivo desse recurso pode impactar de maneira negativa as taxas de autorização. Essa aplicação ajuda o varejista a aumentar a conversão e oferece uma melhor experiência de compra para o cliente, que não tem o serviço interrompido.

Outra possibilidade de aplicar essa tecnologia ao momento da compra é para reforçar a segurança contra fraudes. O uso inteligente de dados possibilita reconhecer os hábitos de compra do consumidor, analisar seu comportamento e diferenciá-lo daquele do fraudador.

Ferramentas como o ShopperDNA (“DNA do Comprador”) traçam um perfil do usuário de cada transação realizada no ecommerce. São identificados diferentes aspectos, como dispositivo usado na compra, número do cartão, telefone, email e qualquer outro campo de cadastro disponível no ciclo de compras. Caso o pagamento apresente traços diferentes daqueles que o consumidor geralmente utiliza, o sistema bloqueia a tentativa de fraude.

Fraudadores costumam utilizar diversos cartões e trocar frequentemente entre dispositivos e dados cadastrais, mas eles repetem padrões e deixam rastros. O machine learning permite reconhecer indícios como esses para identificar os fraudadores com mais eficácia.

Entre aplicações técnicas e de geração de negócios, muitas outras funcionalidades e serviços podem ser aprimorados pela automação e pelo aprendizado de máquina. Mas esse é apenas o começo: as empresas têm investido com robustez para se encaixar nessas novas expectativas do consumidor. Somente em 2017 foram gastos US$ 150,8 bilhões em inteligência de dados, um aumento de 12,4% no ano, segundo dados da IDC. Outra instituição renomada, o Gartner, prevê que machine learning deve liderar a disrupção nos próximos 10 anos no setor de varejo.

Muito avançou desde que o machine learning foi criado no Massachusetts Institute of Technology em 1959. Mas a sua relevância no mercado permanece a mesma. Para sair na frente, quem ainda não investe em tecnologia e capacitação de analistas de dados, deve agir até 2020. Ter competitividade em um cenário em que a experiência de compra se torna cada vez mais customizada depende de ter as ferramentas e conhecimento necessário para encontrar possibilidades de aplicação do aprendizado automatizado criativas e disruptivas.