Motor de IA: documentação do CheckoutOS

O motor de IA do Smart Recommendations usa aprendizado de máquina avançado para analisar os dados da sua loja e gerar sugestões de produtos muito relevantes. Este guia explica como os algoritmos funcionam e como otimizá-los para sua loja.

Dados de entrada

O motor de IA processa várias fontes de dados para gerar recomendações:

Fontes de dados

Histórico de pedidos — O que os clientes compram juntos
Comportamento de navegação — Produtos visualizados, tempo na página e profundidade de rolagem
Consultas de busca — O que os clientes estão procurando
Adições e remoções no carrinho — Sinais de intenção de compra
Atributos dos produtos — Categorias, tags e descrições
Níveis de estoque — Disponibilidade dos produtos
Dados de preços — Faixas de preço e margens
Segmentos de clientes — VIP, novos, recorrentes etc.

Algoritmos de recomendação

Comprados juntos com frequência

Identifica produtos que costumam ser comprados no mesmo pedido:

Comprados juntos com frequência

{
  "algorithm": "frequently_bought_together",
  "method": "association_rules",
  "parameters": {
    "min_support": 0.01,
    "min_confidence": 0.3,
    "lookback_days": 90,
    "min_co_occurrences": 5
  },
  "output": {
    "product_pairs": [
      {
        "product_a": "moisturizer",
        "product_b": "cleanser",
        "confidence": 0.65,
        "lift": 2.3
      }
    ]
  }
}

Filtragem colaborativa

Recomenda produtos com base no comportamento de clientes semelhantes:

Filtragem colaborativa

{
  "algorithm": "collaborative_filtering",
  "method": "matrix_factorization",
  "parameters": {
    "latent_factors": 50,
    "regularization": 0.1,
    "learning_rate": 0.01,
    "iterations": 20
  },
  "similarity_metric": "cosine",
  "min_similarity_threshold": 0.3
}

Filtragem baseada em conteúdo

Encontra produtos semelhantes com base nos atributos e nas descrições:

Filtragem baseada em conteúdo

{
  "algorithm": "content_based",
  "features": {
    "title_embedding": { "weight": 0.3, "model": "tfidf" },
    "description_embedding": { "weight": 0.2, "model": "tfidf" },
    "category_match": { "weight": 0.25 },
    "tag_overlap": { "weight": 0.15 },
    "price_range": { "weight": 0.1 }
  },
  "similarity_threshold": 0.4
}

Pontuação em tempo real

Combina modelos pré-calculados com sinais em tempo real:

Pontuação em tempo real

{
  "realtime_signals": {
    "current_cart": {
      "weight": 0.4,
      "boost_related_products": true
    },
    "session_views": {
      "weight": 0.25,
      "decay_factor": 0.8
    },
    "search_query": {
      "weight": 0.2,
      "match_type": "semantic"
    },
    "time_context": {
      "weight": 0.15,
      "factors": ["day_of_week", "time_of_day", "season"]
    }
  }
}

Treinamento dos modelos

Os modelos são treinados e atualizados automaticamente:

Cronograma de treinamento

Novo treinamento completo do modelo — Semanalmente, aos domingos
Atualizações incrementais — Diariamente, à meia-noite
Aprendizado em tempo real — Incorporação imediata do feedback
Testes A/B dos modelos — Comparação automática de modelos

Configuração do treinamento

{
  "training": {
    "schedule": {
      "full_retrain": "0 3 * * 0",
      "incremental": "0 1 * * *"
    },
    "data_requirements": {
      "min_orders": 100,
      "min_products": 50,
      "min_customers": 200
    },
    "validation": {
      "holdout_percentage": 0.2,
      "metrics": ["precision@k", "recall@k", "ndcg"]
    }
  }
}

Personalização

O motor personaliza as recomendações para cada cliente:

Configuração da personalização

{
  "personalization": {
    "enabled": true,
    "user_profile": {
      "build_from": [
        "purchase_history",
        "browse_history",
        "wishlist",
        "reviews_written"
      ],
      "profile_decay": 0.95,
      "max_profile_items": 100
    },
    "cold_start": {
      "strategy": "popularity_based",
      "use_session_data": true,
      "segment_defaults": true
    }
  }
}

Problema de início sem dados

Para novos visitantes sem histórico, o motor usa recomendações baseadas em popularidade e no comportamento da sessão. Após 3 a 5 interações, a personalização começa.

Otimização de desempenho

O motor de IA é otimizado para velocidade:

Recursos de desempenho

Recomendações pré-calculadas armazenadas em cache na borda da rede
Pontuação em tempo real com latência inferior a 50 ms
Pré-cálculo em lote nos horários de baixo tráfego
Recomendações alternativas quando os dados não estão no cache
Cálculo adaptativo com base no tráfego

Monitoramento e qualidade

Monitore a qualidade das recomendações:

Métricas de qualidade

{
  "monitoring": {
    "metrics": {
      "precision_at_5": "Relevant items in top 5 / 5",
      "recall_at_10": "Relevant items found / Total relevant",
      "coverage": "Products recommended / Total products",
      "diversity": "Uniqueness of recommendations",
      "novelty": "Long-tail vs popular items"
    },
    "alerts": {
      "ctr_drop": { "threshold": -20, "window": "7d" },
      "coverage_drop": { "threshold": -10, "window": "1d" }
    }
  }
}

Ajuste de parâmetros

Ajuste dos algoritmos

Aumente a diversidade — Reduza o limiar de similaridade e adicione exploração aleatória
Favoreça novos produtos — Adicione um reforço por recência à pontuação
Melhore a relevância — Aumente a frequência de treinamento dos modelos
Lide com dados esparsos — Reduza os limiares de min_support

Tópicos relacionados

Regras manuais

Substitua a IA por regras personalizadas

Saiba mais

Posicionamentos

Onde mostrar recomendações

Saiba mais