A carregar...
Publicação
Clustering autónomo otimizado para navegação inteligente com recurso a Inteligência Artificial
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.66 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Com o crescimento exponencial do e-commerce, a organização eficiente dos catálogos de
produtos tornou-se um desafio crucial para melhorar a experiência dos clientes. A
personalização das recomendações de categorias e filtros assume um papel fundamental para
facilitar a navegação e a descoberta de produtos relevantes, e assim aumentar a satisfação e a
fidelização dos clientes. Este trabalho, desenvolvido para a Flamingo S.A., propõe uma solução
inteligente que combina técnicas de análise de dados, aprendizagem automática e clustering
para gerar recomendações personalizadas de categorias ou filtros, adaptadas ao perfil e
histórico de interação de cada cliente.
Para isso, foram implementados algoritmos que exploram diferentes abordagens, desde a
popularidade geral das categorias ou filtros, passando pela similaridade entre perfis de clientes,
até à segmentação baseada em clusters. O sistema também incorpora métricas de avaliação
que permitem medir a qualidade das sugestões de forma a avaliar a qualidade das
recomendações. A framework desenvolvida foi testada com recurso a testes unitários e de
integração, para assegurar a fiabilidade dos métodos e a correta interação entre os
componentes.
Esta abordagem contribui para a melhoria da experiência de compra, por oferecer aos clientes
recomendações mais acertadas e um acesso mais intuitivo aos produtos de seu interesse, o que
pode potencialmente aumentar as taxas de conversão e a retenção na plataforma.
With the exponential growth of e-commerce, the efficient organization of product catalogs has become a crucial challenge in enhancing customer experience. The personalization of category and filter recommendations plays a key role in facilitating navigation and the discovery of relevant products, thereby increasing customer satisfaction and loyalty. This work, developed for Flamingo S.A., proposes an intelligent solution that combines data analysis, machine learning, and clustering techniques to generate personalized category or filter recommendations tailored to each customer's profile and interaction history. To achieve this, algorithms were implemented that explore different approaches, ranging from the overall popularity of categories or filters to customer profile similarity, and cluster-based segmentation. The system also incorporates evaluation metrics to assess the quality of the suggestions and the effectiveness of the recommendations. The developed framework was tested using unit and integration tests to ensure the reliability of the methods and the correct interaction between components. This approach contributes to improving the shopping experience by offering customers more accurate recommendations and more intuitive access to products of interest, which can potentially increase conversion and retention rates on the platform.
With the exponential growth of e-commerce, the efficient organization of product catalogs has become a crucial challenge in enhancing customer experience. The personalization of category and filter recommendations plays a key role in facilitating navigation and the discovery of relevant products, thereby increasing customer satisfaction and loyalty. This work, developed for Flamingo S.A., proposes an intelligent solution that combines data analysis, machine learning, and clustering techniques to generate personalized category or filter recommendations tailored to each customer's profile and interaction history. To achieve this, algorithms were implemented that explore different approaches, ranging from the overall popularity of categories or filters to customer profile similarity, and cluster-based segmentation. The system also incorporates evaluation metrics to assess the quality of the suggestions and the effectiveness of the recommendations. The developed framework was tested using unit and integration tests to ensure the reliability of the methods and the correct interaction between components. This approach contributes to improving the shopping experience by offering customers more accurate recommendations and more intuitive access to products of interest, which can potentially increase conversion and retention rates on the platform.
Descrição
Palavras-chave
Artificial Intelligence Machine Learning Personalization Dynamic Categorization E-commerce Customer Experience Inteligência artificial Aprendizagem automática Personalização Categorização dinânica Experiência do cliente