A recomendação personalizada e não personalizada são estratégias distintas para fazer recomendações de produtos ou conteúdos para os usuários. Enquanto a primeira leva em conta as preferências individuais de cada usuário, a segunda utiliza métricas gerais, como popularidade e tendências, para recomendar itens relevantes para a maioria dos usuários. Este artigo explora em detalhes as diferenças entre essas estratégias, os algoritmos comuns de recomendação não personalizada e suas vantagens, além de casos de uso e considerações finais.

Recomendação Não Personalizada

A recomendação não personalizada é uma forma de fazer recomendações de produtos ou conteúdos para usuários sem levar em conta as preferências individuais de cada usuário. Ao invés disso, a recomendação não personalizada utiliza métricas gerais, como popularidade, tendências e novidades, para recomendar itens que provavelmente serão relevantes para a maioria dos usuários.

  • Recomendações de produtos ou conteúdos sem considerar as preferências individuais de cada usuário

Diferenças para a Recomendação Personalizada

A principal diferença entre a recomendação não personalizada e a recomendação personalizada é que a primeira utiliza as mesmas recomendações para todos os usuários, enquanto a segunda leva em conta as preferências e o perfil de cada usuário.

  • Recomendação não personalizada utiliza as mesmas recomendações para todos os usuários
  • Recomendação personalizada leva em conta as preferências e o perfil de cada usuário

Algoritmos Comuns de Recomendação Não Personalizada

Existem alguns algoritmos padrão que são muito utilizados na recomendação não personalizada. Esses algoritmos se baseiam em métricas gerais, como popularidade, tendências e novidades, para fazer recomendações que se aplicam à maioria dos usuários.

  • Algoritmos padrão utilizados na recomendação não personalizada

Recomendação por Popularidade (Top N)

Este é o método mais simples e direto. Os itens são recomendados com base em quais são os mais populares, tendo como métrica usual o volume de vendas ou views.

  • Itens populares tendem a agradar a maior parte das pessoas
  • Pode ser usado em ecommerces para recomendar os produtos mais vendidos de uma categoria específica
  • Pode ser aplicado em sites de streaming para sugerir os filmes e séries mais assistidos do momento

Ao invés de recomendar itens populares de forma geral, esse algoritmo sugere aqueles que estão ganhando popularidade rapidamente, estão ‘em alta’. São produtos que estão sendo mais consumidos ou vendidos em um período recente.

  • Destaca novidades e itens que estão se tornando hits
  • Muito comum em redes sociais como Twitter, com os ‘trending topics’

Recomendação de Novidades

Também focado em trazer conteúdos novos aos usuários, esse algoritmo recomenda os itens (produtos, notícias, músicas etc.) que foram adicionados mais recentemente ao catálogo.

  • Dá visibilidade para itens que os usuários provavelmente ainda não viram
  • Estimula o consumo de novidades

Editorial (Seleção Humana)

Neste caso, as recomendações não são geradas por algoritmos, e sim selecionadas manualmente por editores humanos. Esses editores escolhem quais produtos ou conteúdos destacar com base em análises qualitativas, intuição e conhecimento especializado.

  • Curadoria editorial combina discernimento humano e escalabilidade de sistemas automatizados
  • Usado em combinação com abordagens algorítmicas para trazer o que há de melhor dos dois mundos

Vantagens da Recomendação Não Personalizada

Apesar de não levar em conta as preferências individuais dos usuários, a recomendação não personalizada tem algumas vantagens importantes:

  • Algoritmos de menor complexidade, mais simples e fáceis de implementar
  • Funciona para usuários anônimos, combatendo o ‘cold start’ para novos usuários
  • Pode ser usado como fallback quando a recomendação personalizada falha

Baseline para experimentos A/B

A performance de sistemas de recomendação personalizada pode ser comparada com a de controles não personalizados por meio de testes A/B. Isso ajuda a medir o real impacto da personalização.

  • Permitem medir o impacto real da personalização, auxiliando na tomada de decisões baseadas em dados.
  • São úteis para avaliar a performance e eficácia das estratégias de recomendação.

Mais imparcial e baseada em dados brutos

Enquanto os sistemas personalizados estão sujeitos a vieses inconscientes e erros nos dados, a recomendação por popularidade bruta ou tendências é mais ‘objetiva’ e imparcial.

  • Oferecem uma abordagem mais imparcial na recomendação de produtos, minimizando a influência de fatores subjetivos.
  • A utilização de dados brutos proporciona uma visão mais objetiva e imparcial na recomendação de produtos.

Descoberta de novos interesses

Ao sugerir produtos populares fora da bolha do usuário, aumentam-se as chances deste explorar e descobrir novos interesses não óbvios apenas analisando seu histórico.

  • As recomendações de produtos populares fora do histórico do usuário podem ampliar a descoberta de novos interesses.
  • Contribuem para expandir as opções do usuário, permitindo a exploração de interesses não óbvios.
  • Proporcionam uma experiência de descoberta, incentivando a exploração de novos produtos e interesses.

Casos de Uso

Alguns casos onde aplicar recomendação não personalizada:

  • Novos usuários podem se beneficiar de recomendações de produtos populares e em alta, auxiliando na exploração de opções relevantes desde o início.
  • Usuários não logados podem receber recomendações não personalizadas, proporcionando uma experiência personalizada mesmo sem identificação.
  • A recomendação não personalizada pode complementar as abordagens personalizadas, trazendo diversidade e alcançando usuários que a primeira pode ter dificuldade.
  • As recomendações não personalizadas podem servir como fallback quando os sistemas personalizados falham, mantendo uma boa experiência de usuário.

Conclusão

A recomendação não personalizada, apesar de mais simples, ainda entrega muito valor para os usuários em diversas situações onde sistemas personalizados podem falhar ou nem serem viáveis. Algoritmos como os de popularidade, tendências e novidades são fáceis de implementar e escalar, não demandando os grandes volumes de dados do usuário que modelos personalizados exigem. Portanto, dependendo do contexto e fase do seu produto, investir primeiro em recomendação não personalizada pode trazer ótimos resultados. E mesmo após implementar sistemas personalizados, manter uma camada não personalizada continua sendo importante como contingência.