Desenvolvimento de artefatos para um Sistema de Recomendação de produtos utilizando filtragem híbrida

Abstract

A utilização de Sistemas de Recomendação desempenha um papel importante no contexto do comércio eletrônico, onde a vasta quantidade de dados disponíveis torna desafiador para os usuários encontrar produtos que atendam às suas preferências específicas. Nesse cenário, a implementação eficaz de Sistemas de Recomendação não apenas aprimora a experiência do usuário, mas também desempenha um papel significativo no aumento das taxas de conversão e na fidelização do cliente. O presente trabalho de conclusão de curso explora os conceitos e as técnicas relacionados à mineração de dados para Business Analytics e Sistemas de Recomendação, com ênfase na solução de um problema externo da organização Olist. O objetivo principal é o de personalizar a experiência dos usuários por meio da instanciação de um modelo de recomendação de produtos. Inicialmente, são discutidas as etapas da mineração de dados, desde a coleta até a interpretação das informações, com foco na conscientização do problema e no levantamento de sugestões. Em seguida, concentra-se na análise de Sistemas de Recomendação, examinando estratégias de coleta de informações do usuário e técnicas de recomendação, incluindo filtragem colaborativa e filtragem baseada em conteúdo. Além disso, a pesquisa aborda a avaliação de Sistemas de Recomendação, considerando métricas como precision@k, recall@k e pontuação AUC ROC. O modelo LightFM Híbrido - Produto foi, então, selecionado para compor o artefato de pesquisa uma vez que obteve os resultados mais satisfatórios nas etapas de Avaliação do Artefato. Assim, o estudo estabelece uma base sólida para o desenvolvimento e a avaliação de sistemas de recomendação, a fim de compreender as melhores práticas no campo e resolver o problema da ausência de processo de personalização da experiência do usuário da Olist.

The use of Recommendation Systems plays an important role in the context of e-commerce, where the vast amount of available data makes it challenging for users to find products that match their specific preferences. In this scenario, the effective implementation of Recommendation Systems not only enhances the user experience but also plays a significant role in increasing conversion rates and fostering customer loyalty. The present undergraduate thesis explores the concepts and techniques related to data mining for Business Analytics and Recommendation Systems, with an emphasis on solving an external problem for the organization Olist. The main objective is to personalize the user experience by instantiating a product recommendation model. Initially, the steps of data mining are discussed from data collection to information interpretation, focusing on problem awareness and suggestion gathering. Then, it focuses on the analysis of Recommendation Systems, examining strategies for user information collection and recommendation techniques, including collaborative filtering and content-based filtering. Furthermore, the research addresses the evaluation of Recommendation Systems, considering metrics such as precision@k, recall@k, and AUC ROC score. The LightFM Hybrid - Product model was then selected to compose the research artifact because of it’s most satisfactory results obtained in the Artifact Assessment stages. Thus, the study establishes a solid foundation for the development and the evaluation of recommendation systems aiming to understand best practices in the field and address the issue of the lack of user experience personalization in Olist.