- Diagnóstico do problema (E-commerce)
Problema identificado
Queda nas compras recorrentes
Baixo engajamento nas recomendações
Os usuários navegam, mas não compram
Hipótese principal:
Os produtos exibidos não são relevantes para o usuário .
Análise de dados (navegação e vendas)
Dados de navegação
Páginas mais acessadas
Taxa de exclusão (taxa de rejeição)
Cliques em produtos
Tempo na página
Buscas realizadas
Exemplo:
Muitos usuários buscam “tênis corrida”
Poucos cliquem nas recomendações
Dados de vendas
Produtos mais vendidos
Taxa de conversão
Frequência de compra
Carrinhos abandonados
Exemplo:
Alta visita + baixa conversão → problema de relevância
Conclusão do diagnóstico
O problema não é tráfego, mas falta de personalização e relevância .
- AI Project Canvas (completo)
- Problema / Objetivo
Os usuários não encontram produtos relevantes
Queda de compras recorrentes
Objetivo:
Aumentar conversão
Melhorar
Personalizar experiência
- Dados
Dados disponíveis:
Histórico de navegação
Histórico de origem
Cliques e buscas
Produtos visualizados
Dados faltantes:
Preferências explícitas (ex: estilo)
Dados temporais (tendências recentes)
Riscos:
Viés de popularidade
Dados incompletos
Problemas de privacidade (LGPD)
- Solução de IA
Modelo sugerido:
Sistema de recomendação híbrido:
Baseado em conteúdo (produtos similares)
Baseado em comportamento (usuários semelhantes)
Funcionalidades:
Recomendação personalizada em home
Sugestões-busca
“Quem comprou isso também comprou”
Riscos da IA:
Recomendações enviadas
Falta de diversidade de produtos
Dependência de dados históricos
Mitigação:
Auditoria de dados
Monitoramento contínuo
Revisão de vieses
- Experiência do usuário
Como aparece:
Vitrine personalizada
Sugestões
Recomendações dinâmicas
Interação:
Botões de feedback (“gostei / não gostei”)
Ajuste de luto
Transparência:
Informar que há uso de IA
Explicar
- Métricas de sucesso
Taxa de conversão
Taxa de cliques (CTR)
Tempo no site
Retenção de usuários
Compras recorrentes
Exemplo:
Aumentar conversão de 2% → 4%
- Monitoramento contínuo
Avaliar desempenho da IA
Identificar novas vieses
arqueiros
Coletar feedback dos usuários
Exemplo final
Antes:
Usuário entra → não encontra produto → sai
Depois da IA:
Sistema recomenda produtos relevantes
Usuário encontra interesse
Compra e retorna
