Pesquisadores da Universidade Erasmus publicaram um novo artigo no Jornal de Marketing que explora recomendações online e sua eficácia, fornecendo aos profissionais de marketing ferramentas para maximizar essa importante ferramenta de engajamento.

O estudo, a ser publicado na edição de novembro do Jornal de Marketing , é intitulado "Tornando as Recomendações Mais Eficazes por meio de Framings:Impactos de Framings Baseados em Itens e Usuários em Cliques de Recomendações" e é de autoria de Phyliss Jia Gai e Anne-Kathrin Klesse.

Recomendações baseadas em algoritmos estão em toda parte. Imagine que você esteja navegando em artigos de notícias no site do The New York Times. Você vê um artigo na seção "Ciência", achar interessante, clique no título, e comece a ler. Depois de terminar o artigo, a página da web gera automaticamente outras recomendações de artigos para você para que você estenda seu envolvimento com o conteúdo da plataforma. As recomendações são marcadas com o slogan:"Mais na ciência, "a seção que você já está lendo.

Embora a maioria das empresas forneça explicações sobre por que os clientes recebem recomendações, eles diferem nas estratégias específicas que adotam. Algumas empresas, como o já citado The New York Times, enfatizar que as recomendações são baseadas em itens:Ou seja, eles são baseados em atributos comuns entre produtos (por exemplo, "More in Science" do The New York Times, e "Semelhante a [o que você ouviu]" do Spotify). Em contraste, outras empresas destacam que suas recomendações são baseadas no usuário, concentrando-se na sobreposição nas preferências do cliente (por exemplo, "Os clientes que visualizaram este item também viram ..." pela Amazon e "Os clientes também assistiram ..." pela Netflix). Mais importante, as empresas podem explicar a mesma recomendação com base no item ou no usuário, porque os sistemas de recomendação de hoje freqüentemente adotam uma abordagem híbrida que leva em conta atributos comuns entre produtos e preferências comuns entre clientes.

O estudo investiga qual das duas explicações (doravante denominadas enquadramentos baseados em itens e baseados no usuário) é mais eficaz para acionar cliques em uma recomendação. A equipe de pesquisa sugere que os enquadramentos baseados em itens e usuários diferem em termos das informações que fornecem aos clientes sobre como uma recomendação é feita. Ambos os enquadramentos dizem aos clientes que a recomendação é baseada em uma correspondência de produto do item focal no qual os clientes mostraram interesse para o item recomendado:o enquadramento baseado em item corresponde aos produtos por seus atributos, ao passo que o enquadramento baseado no usuário corresponde aos produtos de seus consumidores. Criticamente, o enquadramento baseado no usuário também sugere aos clientes que a recomendação é baseada na correspondência de gosto entre os usuários que compartilharam o interesse no item focal. Ao fornecer informações sobre a combinação de sabores além da combinação de produtos, o enquadramento baseado no usuário serve como uma espécie de "dupla garantia" para os clientes que gostam do produto recomendado.

Para testar se o enquadramento baseado no usuário supera o enquadramento baseado em itens em termos de cliques de recomendação, os pesquisadores realizaram dois estudos de campo dentro do WeChat, o principal aplicativo de mídia social da China. Eles colaboraram com uma empresa de mídia que publica artigos científicos populares e resumos de pesquisas acadêmicas sobre o WeChat e incorporaram um par de recomendações no final do artigo focal de cada dia. Um artigo foi recomendado usando enquadramento baseado em usuário e o outro usando enquadramento baseado em item. Gai explica que "Em ambos os estudos, o enquadramento baseado no usuário aumentou as taxas de cliques dos artigos recomendados em comparação com o enquadramento baseado em item. Quando questionados sobre sua compreensão dos dois enquadramentos, os assinantes responderam que vêem que ambos sugerem a correspondência de produtos como base para recomendações, mas esse enquadramento baseado no usuário também sinaliza a correspondência de gosto. Isso confirma que o enquadramento baseado no usuário fornece informações adicionais. "

"Contudo, os clientes nem sempre consideram a correspondência de sabores um sucesso ", acrescenta Klesse." Quando a correspondência de sabores é percebida como imprecisa, o enquadramento baseado no usuário não é mais vantajoso do que o enquadramento baseado em itens ou mesmo se torna desvantajoso. "Um fator crítico que contribui para o sucesso percebido da correspondência de sabor é quanta experiência os clientes já acumularam dentro de um domínio de consumo. Indivíduos mais experientes tendem a ver seus próprios gostos como idiossincráticos. Como resultado, é mais difícil para eles acreditar que seus gostos podem ser combinados com precisão com os gostos de outras pessoas com base em um único item focal. Outro fator crítico é a presença de perfis de outros usuários. Às vezes, as empresas exibem as informações de outros usuários interessados ​​na recomendação, mas essa informação sai pela culatra quando indica aos clientes que eles são diferentes dos outros usuários. Pistas de dissimilaridade, como idade e sexo, fazer as pessoas inferirem que seus gostos divergem dos de outros usuários e fazer com que os clientes evitem as recomendações baseadas no usuário.

Essas novas descobertas são relevantes para empresas que usam recomendações de produtos. A pesquisa sugere que a explicação é importante para o motivo pelo qual os clientes veem uma recomendação. Mais importante, adaptar a explicação para uma recomendação vem com custo quase zero e, portanto, constitui uma ferramenta eficaz que pode ajudar as empresas a maximizar o retorno dos sistemas de recomendação. Mais importante, o estudo destaca situações em que o enquadramento baseado no usuário é mais eficaz do que o enquadramento baseado em itens e em que se torna desvantajoso. Aproveitando essas descobertas, os gerentes podem personalizar o enquadramento de suas recomendações para diferentes clientes e produtos e, assim, aumentar as taxas de cliques.