Comunicação personalizada com clientes e inteligência artificial

Luis Graça, Retail Business Developer Manager do SAS

Em muitas lojas online (Amazon, bancos, entre outras) já nos vamos apercebendo de sugestões propostas que, de alguma forma, se nos adequam ou em que o nosso comportamento de compra alinha com o comportamento de determinados grupos de clientes (segmentos), ou seja o vulgar “se comprou isto então talvez queira comprar também aquilo”.

A proposta que nos é feita (Next Best Offer – NBO) resulta da aplicação de múltiplas técnicas analíticas, algumas delas com recurso de técnicas de inteligência artificial, como por exemplo o machine learning. Para muitas equipas de negócio, nomeadamente um gestor de categoria ou diretor de marketing, a decisão de qual produto devo oferecer a que segmento de cliente não deveria ser uma tese de doutoramento em matemática aplicada ou uma pergunta a um oráculo cuja resposta não entendem, mas antes um processo interativo (low code/no code), onde as várias opções são apresentadas, acompanhadas de critérios de sucesso do modelo empregue na sugestão de um determinado produto. Ora, esta temática levanta imediatamente diversas preocupações legitimas relativas à privacidade e ao controlo de modelos de inteligência artificial, em particular se a decisão do algoritmo influenciar uma atribuição de crédito bancário ou a escolha de um candidato a emprego. Para isto, é necessário o controlo e documentação dos dados e algoritmos bem como a sua futura monitorização, a isso chamamos “Responsible AI”.

Como conseguimos, então, implementar uma comunicação personalizada com clientes também com recurso à inteligência artificial? Sem querer entrar em muito detalhe técnico, deixo-lhe algumas etapas:

1)        Aceda a dados de clientes, respetivas compras, hábitos, cliques, enfim, tudo o que tiver obtido de forma legal;

2)        Complemente com dados de domínio público da zona onde o cliente se insere (geografia, rendimento médio, composição de agregado familiar, entre outros);

3)        Agregue esta informação toda de acordo com as suas necessidades ou objetivos de negócio;

4)        Compreenda o melhor que puder o seu cliente (segmento, o que compra “market basket analysis”) e adeque o melhor possível à sua oferta (next best offer, forecast das vendas para garantir stock disponível, entre outros);

5)        Agora, estamos na fase de operacionalizar a comunização e construir jornadas de cliente hiperpersonalizadas e fluídas entre canais (loja física, loja online, mobile app, redes sociais), mas também otimizadas para critérios como satisfação do cliente, margem, escoamento de stock ou outros critérios, mas também automatizada porque precisa de fazer jornadas de cliente às 3h da manhã e porque vai fazê-lo milhares de vezes por dia.

E com que ferramentas posso implementar esta visão? Preferencialmente, com um parceiro tecnológico com experiência comprovada na área analítica e estatística, porque muitas destas decisões ainda recorrem a modelos estatísticos, e também com competências em inteligência artificial nomeadamente machine learning.

E o chatGPT? Concordando que é, de facto, um tema ainda algo controverso, que levanta algumas questões relativas ao controlo efetivo das decisões ou sugestões propostas, não há como evitar a tendência. A minha sugestão passa por filtrar e combinar os dados recolhidos, tal como explicado anteriormente, e no momento que temos a noção clara do objetivo e/ou sugestão a fazer ao cliente segmentado, pedir ao chatGPT que construa uma mensagem personalizada e apelativa com o enquadramento pré-construído, utilizando o chatGPT para a função a que está realmente vocacionado.

É um caminho exigente, sim, mas no qual é certo que uma comunicação personalizada, assertiva e fluída ajudará a construir uma relação direta com o cliente e a conseguir, de forma quase inata, satisfazer as necessidades e exceder as suas expectativas.

*Artigo originalmente publicado na edição 412 do Hipersuper