À medida que mais pessoas vão fazer compras online, entender como eles contam com sistemas de recomendação de e-commerce para fazer compras é cada vez mais importante. Pesquisadores da Penn State agora sugerem que não é apenas o que é recomendado, mas como e por que é recomendado, que ajuda a moldar as opiniões dos consumidores.

Em um estudo, os pesquisadores investigaram como as pessoas reagiram a dois sistemas de recomendação de produtos. O primeiro sistema gerou recomendações com base nas compras anteriores do usuário - geralmente chamadas de sistemas de recomendação com base em conteúdo. O segundo fornecia recomendações com base no que outras pessoas compravam - chamados de sistemas de recomendação colaborativa.

Os pesquisadores, que relatam suas descobertas no Journal of Advertising , descobriram que pessoas que gostam de pensar e resolver problemas por si mesmas - um tipo de personalidade que os pesquisadores descrevem como "alta necessidade de cognição" - encontram recomendações baseadas em conteúdo mais persuasivas. Contudo, aqueles que têm baixa necessidade de cognição são mais persuadidos por sistemas de recomendação colaborativos, o que pode servir como um sinal de que outros compradores já examinaram o produto para eles.

A natureza do sistema de recomendação e seu grau de confiança em sugerir os produtos certos podem ser muito importantes para orientar as pessoas ao fazerem compras online, disse S. Shyam Sundar, James P. Jimirro Professor de Efeitos de Mídia na Faculdade de Comunicações Donald P. Bellisario e codiretor do Laboratório de Pesquisa de Efeitos de Mídia.

"Na era pré-Internet, antes da inteligência artificial, pediríamos a outra pessoa em um coquetel, 'Ouvi dizer que você foi para a Itália, você pode me dar algumas recomendações, Eu vou lá no próximo mês, 'como uma forma de coletar informações para tomar nossas decisões, "disse Sundar, que também é afiliado do Penn State's Institute for Computational and Data Sciences. "Agora, ficamos online e podemos acessar informações de quase todos que foram para a Itália no mês passado, não apenas o amigo que você encontrou no coquetel. Agora você é capaz de obter essas informações sobre a experiência coletiva de outros, e também como ela se enquadra em seu próprio plano de fundo e em suas viagens anteriores. "

De acordo com Mengqi Liao, estudante de doutorado em comunicação de massa e primeiro autor do artigo, um sutil "efeito de onda" pode estar persuadindo as pessoas.

"Do ponto de vista de um leigo, podemos não saber que esses são, na verdade, dois sistemas de recomendação diferentes, "disse Liao." Um sistema pode simplesmente dizer ao cliente que a recomendação é baseada no que ele comprou antes. Mas o sistema de recomendação colaborativa transmite que muitas outras pessoas compraram este produto, o que adiciona outra camada de apelo persuasivo. "

Os pesquisadores também descobriram que a eficácia dos sistemas de recomendação estava ligada ao tipo de produto que o sistema recomendava. Ao tomar decisões sobre experiências, como filmes, destino de viagem e jantar, consumidores com alta necessidade de cognição eram mais propensos a responder às informações sobre até que ponto o produto recomendado reflete suas preferências pessoais - expressas em termos de porcentagem de correspondência de produtos recomendados por sistemas de filtragem com base em conteúdo.

Contudo, os consumidores com baixa necessidade de cognição preferiram a filtragem colaborativa porque foram mais persuadidos pela porcentagem de outras pessoas que compraram o item recomendado, que também promoveu suas intenções de comprar o item.

Essas diferenças não foram encontradas para recomendações de "produtos de pesquisa, "informações sobre as quais podem ser obtidas pesquisando online. Ambos os tipos de personalidade preferiam sistemas de recomendação colaborativa.

"Você pode pensar nisso como uma espécie de terceirização cognitiva, "disse Sundar." Um cliente pode ver o anúncio de um relógio inteligente, por exemplo, e veja os recursos, mas pense, 'Eu não vou fazer o trabalho árduo de examinar todos os detalhes e chegar a uma conclusão de qual é melhor, Vou apenas terceirizar isso para outros. ' Se eles dizem que é um bom relógio inteligente, então eles vão comprar. "

De acordo com Liao, a maioria das pesquisas sobre sistemas de recomendação concentra-se na otimização das sugestões desses sistemas. Essas descobertas sugerem que os desenvolvedores podem precisar considerar outros fatores, como tipos de personalidade e tipos de produto, para melhorar a experiência do usuário em seus sistemas, em vez de focar apenas na precisão das sugestões do algoritmo.

“Muito pode depender de como os usuários recebem as informações sobre as recomendações fornecidas pelos sistemas, "disse Liao." É importante porque esses sistemas estão fornecendo as recomendações para produtos e experiências. "

Os pesquisadores recrutaram 469 pessoas em um site de microtarefa de crowdsourcing online para o estudo e as designaram aleatoriamente para um site experimental que usava um algoritmo colaborativo ou de filtragem de conteúdo.

Para sistemas colaborativos, os pesquisadores usaram uma faixa de porcentagem para indicar quantas pessoas semelhantes usaram o produto recomendado - ou correspondência de porcentagem - e servir como uma dica para o efeito de onda. Para sistemas baseados em conteúdo, os mesmos números percentuais foram usados ​​para sugerir até que ponto o produto recomendado correspondia às características pessoais do consumidor com base em seu perfil de usuário. Havia três níveis de indicadores de correspondência de porcentagem - baixo, médio e alto.

Ao testar os dois tipos diferentes de produtos - pesquisa e experiência - os pesquisadores usaram uma recomendação de smart watch como exemplo de produto de pesquisa e recomendação de destino turístico para explorar as reações dos participantes aos produtos de experiência.

Antes de navegar no site de comércio eletrônico, todos os participantes responderam a uma série de perguntas para determinar se eles tinham alta necessidade de cognição, ou baixa necessidade de cognição, tipos de personalidade.

Como os pesquisadores testaram apenas dois produtos e dois sistemas de recomendação comuns, pesquisas futuras podem examinar os efeitos psicológicos de outros sistemas e investigar outros tipos de produtos. Os pesquisadores disseram que isso pode ajudar a verificar a validade de suas descobertas.