Motores de recomendação e influência: as duas faces da mesma moeda

No momento de tomar decisões dentro do ecossistema digital, é sempre muito útil a recomendação de alguém que fez previamente a mesma operação que nós faremos, já que sabemos que quanto mais sejam as fontes de informação em torno da decisão, mais condições teremos para tomar uma decisão mais acertada.

Muitos de nós pudemos ver o motor de recomendação da Amazon desde o seu começo – quando nos decidimos por uma compra, o motor nos sugere outra com base numa série de objetos que foram comprados por outras pessoas que também compraram alguma das coisas que está no nosso carrinho. Isto é o que tecnicamente se chama filtragem colaborativa (CF).

Na filtragem colaborativa se utilizam diferentes algoritmos sobre a base dos itens comprados para oferecer outros itens. As propriedades do que comprei são analisadas de diferentes maneiras para que se possa oferecer uma variedade (de surpresa e surpreendente) de itens relacionados com o que comprei. É um modelo onde a informação sobre a minha compra é cruzada com muitos itens (em estoque) sobre os que, supostamente, existe uma determinada propriedade em comum. Se, por acaso, não confiássemos na sua eficácia, pelo menos o tempo que se leva utilizando já deveria convencer-nos sobre a sua utilidade.

Por outro lado, estão também as críticas ao respeito da vantagem de tais recomendações: muitos autores são tratados com diferentes qualificativos pela crítica e, entretanto, o CF da Amazon nos recomenda, com respeito a um autor que li, uma parte da sua obra, mesmo que esta tenha sido criticada negativamente e não seja a melhor opção para a minha recém-terminada leitura.

Bom, talvez fosse mais útil, tanto para o comprador como para o vendedor, poder obter informação sobre o usuário que faz a compra de maneira que pudéssemos aplicar alguns algoritmos sobre as suas características para determinar usuários e/ou compradores que fossem como ele. Ou seja, poder desenvolver algumas funcionalidades sobre os compradores de determinados itens que nos ajudassem a conhecer a semelhança entre compradores, além da simples recomendação baseada no que compraram.

É curioso observar o CF da Amazon e a relação dos clientes pós-compra para saber se responderam ou não à recomendação para incrementá-la. A maioria deles preferiu a recomendação de pessoas nas que confiavam mais do que a recomendação dada pelo algoritmo do CF. Uma prova mais daquilo que se conhece nas redes sociais como homofilia: a forte relação existente entre gente que é parecida. E, quanto mais parecido, maior é a confiança.

E é então quando as redes sociais desbancam as relações baseadas em produtos semelhantes. Ao fazer recomendações baseadas na credibilidade, na confiança e na expertise de outros, estejam estes próximos ou não do nosso círculo de influência. Curiosamente, os clientes impactados desta maneira, começam um novo caminho de compra baseado em recomendações. Sendo assim, a médio e a longo prazo, a recomendação terá, por exemplo, muito mais valor que o merchandising.

Aparece então a possibilidade de:

• prever um possível score de produtos em função de um usuário/cliente;
• poder recomendar a um usuário/cliente os “produtos Tops” que ainda não estão incluídos no seu carrinho de compras e com os que tem, mesmo sem saber, uma grande afinidade;
• poder determinar, por temáticas, categorias ou grupos de produtos, os líderes de alta confiança cujas recomendações são seguidas por um elevado número de pessoas.

São estes líderes, que as marcas e os consumidores tanto perseguem, que estão modelando as conversas comerciais nos meios sociais. O caráter intrínseco de rede de todas as informações que permitem adotar um ponto de vista nos faz supor que ainda possam existir estes líderes. É muito mais plausível poder encontrar-nos diante de redes de líderes ou líderes que atuem em rede. Então, o caráter fundamental destes líderes ou de suas redes consiste na sua capacidade de difusão e contágio, consiste em como esses líderes atuam para aconselhar aos outros usuários.

Um mecanismo adequado para a localização desses líderes poderia ser localizar como os usuários se deixam influenciar por eles e a partir deste modelo de propagação, localizar na rede os hubs que mostrem a semelhança de tráfego desde os nós frágeis, ou seja, desde fora da sua rede de influência. Este mecanismo de captação de usuários desde fora do hub é semelhante ao comportamento que se observa quando “não clientes” de uma marca se sentem atraídos pela sua comunicação e suas mensagens e iniciam, quase de maneira inconsciente, uma peregrinação desde sua posição de prospectos à zona mais próxima ao hub como clientes.

Dessa maneira a localização destes líderes constitui um simples caso na localização de influência nas redes sociais. Nossos líderes em recomendação são influentes por categoria, onde eles realmente atuam. É bom lembrar que no nosso modelo de influência nas redes sociais, esta é realmente conduzida pelas pessoas próximas ao influente que é permeável neste aspecto. São estes nós livres os que influenciam, guiam a corrente de pensamento, as ideias e os conceitos através de cascatas de conversas em rede.

O líder recomendador é muito mais próximo da temática que recomenda e sua melhor carta de apresentação é a convicção. Devemos lembrar-nos da situação imediata com a que se enfrenta:

• o consumidor tem um conjunto fixo de preferências, mas tem informação imperfeita sobre as diferentes opções de produtos que ainda não está considerando;
• o consumidor tem preferências inatas sobre todos os produtos disponíveis, mas pode ser influenciado pela opinião dos outros;
• o consumidor não tem preferências inatas.

A melhor moeda de troca nesse jogo de múltiplas alternativas é a confiança. A certeza de que a fonte é fidedigna, de que ele mobiliza com o seu raciocínio a um público mais amplo que está na rede. Que configura, de maneira voluntária, diferentes comunidades e coletivos com diferentes campos de interesses.

Consideramos que não há maior efetividade na relação entre esses líderes e os mercados do que a confiança e que não há maior confiança do que a de um relacionamento e os (re)conhecimentos mútuos. Consideramos que essa liderança é a base de uma influência de maior grau e que, portanto, os padrões de influência na rede são os melhores padrões de fiabilidade e de recomendação de que podemos dispor nos meios sociais num sentido mais amplo.

Recomendação e influência intercambiam uma moeda no ecossistema digital: a confiança. Trabalhar sobre a influência na rede nos permitirá:

• detectar líderes e seguidores;
• conhecer como se propaga a confiança;
• para as marcas, aumentar o número de líderes “confiáveis” dentre os líderes já detectados;
• mais confiança gera mais difusão. Mais difusão conduz a mais hubs e a um maior contágio;
• determinar hubs de fontes “confiável”.

Nesta tarefa de detecção de influência, principalmente a influência aplicada à recomendação, têm um papel determinante todos aqueles traços semânticos que nos ajudem a definir o contexto da pessoa que recomenda, mas, muito mais interessante, será o contexto da pessoa que necessita a recomendação. A forma como a apresentemos e como ela será aceita, condicionará a criação de uma nova dependência entre o recomendado e o recomendador. O recomendador terá maior valor. E como na vida real, a recomendação é muito dependente do contexto em que se dá.

Concluindo, acreditamos que não existe uma única fonte de recomendação para cada cliente e que, em muitos casos, a melhor fonte de recomendação consiste nos bancos de dados e CRM dos nossos clientes, que bem analisados e parametrizados, constituem, sem dúvida, a principal razão pela qual nossos clientes ou voltam ou nos trocam pela concorrência.