IA aplicada a Produto: estratégias e soluções digitais

Fundamentos de um produto com IA - Introdução ao curso

Introdução e Experiência Profissional

Olá! Meu nome é Leticia Ribeiro. Tenho mais de 10 anos de experiência na área de produtos digitais. Atualmente, sou Senior Product Manager na Elo, mas já trabalhei em empresas como o Einstein, Scala, Emprego Ligado, entre outras, de diversos setores.

Audiodescrição: Leticia é uma mulher branca, com cabelo castanho claro e liso, olhos castanhos e usa óculos. Ela veste uma blusa azul e está em um ambiente de escritório, com uma parede clara ao fundo e uma estante com livros e plantas.

Exploração do Universo de IA

Atualmente, estou explorando intensamente o universo de IA e vim compartilhar um pouco sobre como construir um produto com IA, desde a fase de Discovery (descoberta) até o Deploy (implantação).

Conteúdo do Curso

Ao longo do curso, nós vamos identificar alguns fundamentos de produtos com IA e entender como construir produtos digitais com inteligência artificial de forma segura, prática e orientada a valor, desde a descoberta até o MVP (Minimum Viable Product, ou Produto Mínimo Viável), métricas, rollout (lançamento) e evolução contínua.

Objetivos de Aprendizagem

O que nós vamos aprender? Vamos aprender a identificar problemas que fazem sentido a IA resolver, realizar o Discovery (descoberta) orientado a dados e comportamento, definir hipóteses, métricas e North Star (estrela guia) para produtos com IA, criar MVPs inteligentes, planejar um rollout, além de monitorar e melhorar modelos.

Exemplo Prático e Aplicação

Ao longo do curso, utilizamos um exemplo de um e-commerce de moda. Os exercícios apresentados podem ser aplicados em outros casos de uso. Em algumas aulas, deixaremos anexados alguns frameworks utilizados para que possam ser replicados em outros contextos.

Fundamentos de um produto com IA - Entendendo o problema

Introdução ao Problema e Uso da IA

Antes de tudo, antes de entendermos como vamos usar a IA, precisamos nos aprofundar no problema. Que problema queremos resolver com a IA? É importante lembrar que a inteligência artificial deve ser sempre uma ferramenta e não o objetivo final.

Desafios no E-commerce de Moda

No nosso caso, estamos falando de um e-commerce de moda ao longo das nossas aulas. O que está acontecendo no nosso e-commerce? Nos últimos meses, houve uma queda de 18% nas compras recorrentes, um aumento de 27% dos usuários que entram, navegam, não adicionam nada ao carrinho e quase nenhum clique nas recomendações da página inicial. Ou seja, as pessoas entram no site, não compram nada, e aquelas que compravam mensalmente ou bimensalmente não estão mais comprando. Além disso, não há cliques nas recomendações.

Hipóteses e Soluções com IA

Isso sugere que o que está sendo apresentado não é relevante para os usuários. Esse cenário leva ao levantamento de hipóteses. Uma delas é que os usuários não encontram relevância nos itens apresentados na interface e na busca, e uma ferramenta de IA poderia ajudar a resolver esse problema.

Ela poderia trazer recomendações e elementos relacionados ao estilo. Aqui, apresentamos uma técnica para mapear como a inteligência artificial (IA) pode ajudar a resolver um problema em um produto. O básico desse framework (estrutura) consiste em quatro pilares: problema, dados, IA e experiência.

Estrutura do Framework de IA

No pilar do problema, perguntamos: qual comportamento queremos mudar? No pilar dos dados, questionamos: o que temos hoje que ajuda a entender esse problema? No pilar da IA, indagamos: qual tipo de solução inteligente pode emergir desses dados? E, finalmente, no pilar da experiência, refletimos: como isso aparece para a pessoa usuária?

Aplicação do Framework no E-commerce

Aplicando isso ao nosso caso de e-commerce, identificamos o problema: as pessoas usuárias não encontram produtos relevantes. Os dados disponíveis incluem o histórico de navegação, as buscas e produtos semelhantes. A IA poderia ser utilizada como uma recomendação híbrida, baseada em similaridade. Isso significa que ela analisaria comportamentos e preferências de usuários antigos e compararia com usuários novos e produtos novos, garantindo que não haja resultados vazios nas buscas.

Experiência Desejada para o Usuário

A experiência que desejamos proporcionar às pessoas usuárias é uma vitrine personalizada e sugestões pós-busca.

Fundamentos de um produto com IA - AI Project Canvas

Introdução ao Canvas de IA

Agora, vamos mostrar como preencher um canvas de IA. Existem alguns canvas tradicionais de produto, como o Business Model Canvas, mas aqui vamos envolver IA para entender os melhores modelos e as principais formas de uso.

Estrutura do Canvas de IA

A estrutura principal desse canvas começa com o problema e objetivo. Qual é o problema a ser resolvido? Quem é nosso usuário e qual é o contexto desse usuário? Em seguida, passamos para a parte de dados. Quais dados existem hoje? Quais dados estão faltando? Qual é a qualidade desses dados? Temos dados suficientes para aplicar machine learning, que requer muitos dados? Nossos dados possuem algum viés? Por exemplo, se divulgamos nosso e-commerce apenas em parceria com a Centauro, provavelmente haverá um viés relacionado ao mundo fitness. Precisamos entender se nosso público já está enviesado de alguma forma.

Soluções de IA

O terceiro passo são as soluções de IA. Que tipo de IA será usado no projeto ou produto? Será um modelo simples que aprende com os dados e oferece sugestões? Será um machine learning que exige um estudo aprofundado de dados e uma quantidade maior de dados? Ou um deep learning que requer um aprofundamento específico em alguma etapa do produto? Como a IA gera valor para nossos usuários? Quais são as limitações e incertezas? O que precisamos descobrir para implementar a IA no produto?

Experiência do Usuário

O quarto pilar é a experiência do usuário. Onde a IA aparecerá? O usuário saberá que está interagindo com a IA? Recomendamos que sim, pois é importante ter transparência nos produtos e ações. Como o usuário interagirá com a IA na interface? Como fornecemos feedback e como o usuário dá feedback para a IA?

Detalhamento dos Tópicos

Vamos aprofundar cada um dos tópicos. Na parte do problema e objetivo, como mediremos o sucesso? É crucial saber o que define o sucesso do produto, além da IA. No caso de um e-commerce, aumentar vendas é um sucesso. Mostraremos mais adiante algumas métricas para melhor compreensão. Qual é o comportamento do usuário? Qual é sua jornada e dor atual? Como ele interage com o produto atual ou fora dele, no mundo físico? Como ele compra uma roupa ou um tênis? Precisamos mapear a jornada e as dores existentes.

Coleta e Avaliação de Dados

Na parte de dados, precisamos aprofundar além dos itens mencionados. Como coletamos o que não temos? Como avaliamos a qualidade dos dados? Se precisarmos de dados imputados manualmente e coletados automaticamente, conseguimos misturar esses elementos? O que é necessário para isso?

Implementação e Riscos da IA

Na parte da IA, quais serão as entradas para a IA? Como essas entradas serão processadas? O que a IA precisa devolver ao usuário? Quais riscos precisamos mitigar? Qual é o custo e a infraestrutura necessária? Qual será a latência aceitável, ou seja, o tempo de resposta da IA? Precisamos considerar privacidade e segurança de dados. Há questões relacionadas à legislação, segurança ou privacidade que precisamos entender? Algum outro ponto sensível? É importante mapear tudo isso antes de começar a implementação.

Resultados e Feedback do Usuário

Na parte de experiência do usuário, é fundamental explicarmos os resultados de forma que estejam ligados aos resultados de negócio. Vamos aprofundar mais adiante, mas é importante lembrar que a inteligência artificial deve ser uma ferramenta que realmente faça diferença no final do dia. Precisamos explicar como os resultados são apresentados, como o usuário pode corrigir erros que possam surgir, como ele pode sair de uma situação de erro e como ele pode fornecer feedback. Também é essencial lidarmos com esse ciclo de feedback em nosso produto.

Contexto de E-commerce de Moda

No contexto de e-commerce de moda, como mencionado anteriormente, o problema é objetivo: as compras recorrentes diminuíram e os usuários não encontram produtos relevantes ao acessar o site. Esses problemas foram mapeados com base em métricas de uso. Podemos utilizar ferramentas como Google Analytics, Mixpanel ou Amplitude para medir a quantidade de uso de cada funcionalidade do produto e a quantidade de usuários em cada parte do e-commerce. Sabemos que esses são problemas reais porque temos dados que os comprovam, como discutido na primeira aula. Por exemplo, houve uma queda de 18% no número de compras recorrentes. Nosso objetivo é aumentar o engajamento e as recompras, o que, por fim, trará maior rendimento para a empresa.

Dados e Riscos no E-commerce

Temos dados como o histórico de navegação dos usuários, cliques em cada parte da tela e buscas realizadas. Por exemplo, se 100 pessoas em cada 500 buscam por "tênis de corrida", isso pode ser uma busca relevante. Também sabemos quais compras foram feitas no e-commerce. No entanto, faltam dados de comportamento temporal, pois não temos informações sobre o que as pessoas acessaram no último ano, nem as mudanças de tendência mapeadas. Precisamos mapear isso.

Um dos riscos é o viés de popularidade. Podemos, por exemplo, destacar um tênis muito vendido em outros e-commerces que não necessariamente atende ao nosso público, o que pode confundir a forma como disponibilizamos produtos atualmente. Devemos nos basear em nosso público, não nos concorrentes.

Implementação de Recomendação Híbrida

O próximo passo seria implementar uma recomendação híbrida, que combina similaridade com comportamento. Isso atende à necessidade de identificar gostos similares ao nosso público-alvo, especialmente para novos usuários. Por exemplo, se um homem de 50 anos que pratica musculação acessa o site e não temos histórico dele, podemos buscar usuários similares em termos de idade e perfil de exercícios e recomendar produtos baseados no comportamento de outros usuários semelhantes. O comportamento, nesse caso, refere-se às buscas, compras e preferências do próprio usuário. Assim, conseguimos fazer uma recomendação híbrida para que nenhum usuário fique sem resposta ou recomendação.

Primeira Versão do Modelo de Recomendação

A primeira versão seria um modelo simples baseado no conteúdo. O usuário faz uma busca, acessa o site e, a partir disso, aprendemos sobre suas preferências para recomendar algo simples, baseado no conteúdo inicial ou no conteúdo já disponível no e-commerce.

Personalização da Experiência do Usuário

Em termos de experiência do usuário, pretendemos oferecer uma página inicial com uma vitrine personalizada para cada tipo de perfil, além de sugestões pós-busca. Por exemplo, se alguém busca por "regata para musculação" e não encontra exatamente o que deseja, podemos sugerir um top, uma camiseta ou itens relacionados. Também solicitaremos feedback, perguntando o que o usuário achou das sugestões de roupas ou looks.

Sobre o curso IA aplicada a Produto: estratégias e soluções digitais

O curso IA aplicada a Produto: estratégias e soluções digitais possui 85 minutos de vídeos, em um total de 50 atividades. Gostou? Conheça nossos outros cursos de IA para Dados em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Mentalidade de IA e Identificação de Oportunidades
• Discovery e Validação do Problema
• Estratégia de Dados e Viabilidade Técnica
• Experiência do Usuário em Produtos com IA
• Definição do MVP e Planejamento de Desenvolvimento
• Lançamento e Estratégia de Go-to-Market
• Métricas, Monitoramento e Evolução Contínua