Mesmo com as melhores análises preditivas do mercado, não conseguimos ver o futuro com 100% de precisão. Mas, apesar disso — e felizmente para nós — os seres humanos são criaturas previsíveis. Isto significa que pode utilizar o comportamento passado dos seus utilizadores para obter uma compreensão bastante precisa do que farão a seguir.
Na gestão de produtos e na análise de dados, chamamos a este processo “análise preditiva de dados”, e esta é uma das ferramentas mais valiosas para criar produtos com uma experiência de utilizador fantástica.
Por isso, vamos analisar a análise preditiva e perceber como pode utilizá-la para otimizar a sua experiência de utilizador.
Em que consiste a análise preditiva?
A análise preditiva é uma abordagem avançada da ciência de dados que consiste em analisar os dados do produto e dos utilizadores à sua disposição para prever (daí a parte “preditiva”) as ações que os seus utilizadores irão realizar e o desempenho futuro do seu produto.
Essencialmente, implica analisar os seus dados com a ajuda de modelos estatísticos, ferramentas especializadas e algoritmos de aprendizagem automática para encontrar determinados padrões comportamentais. Partindo do princípio de que estes padrões se manterão relativamente estáveis no futuro, pode extrapolar os seus dados com base nesses padrões e fazer previsões fundamentadas sobre a utilização futura.
Nota: estas são informações muito gerais, mas estamos a abordar superficialmente um conjunto de competências valioso. Para aprofundar o tema, sugiro que consulte a nossa lista de cursos de análise de produtos e faça um a cada um ou dois anos.
Os benefícios da análise preditiva incluem:
- Maior qualidade na tomada de decisões: Com uma visão clara do que está para vir, poderá tomar decisões com maior probabilidade de conduzir ao sucesso.
- Maior eficiência: As previsões também permitir-lhe-ão identificar os potenciais problemas de eficiência que enfrentará no futuro se mantiver tudo como está. Assim, terá a oportunidade de melhorar a sua eficiência antecipadamente. Isto pode ajudá-lo a reduzir custos, baixar os preços e obter uma grande vantagem competitiva sobre os outros.
- Melhor gestão dos riscos: Certos tipos de análise preditiva ajudam-no a identificar riscos empresariais, legais e financeiros futuros. Mais uma vez, pode prevenir estes riscos antes de se concretizarem.
- Maior personalização para os utilizadores: As funcionalidades e os conteúdos personalizados são o expoente máximo da experiência de utilizador. Com a análise preditiva, pode surpreender positivamente os seus utilizadores com sugestões e experiências que correspondam melhor às suas necessidades.
Parece fantástico, não é?
Bem, sim, mas há uma ressalva. É impossível fazer uma previsão 100% precisa dos resultados futuros. Afinal, não somos videntes de um jogo de RPG de fantasia.
Qualquer previsão que obtenha terá, no máximo, uma precisão de 70-80% nas melhores circunstâncias. Por isso, tenha este aspeto em mente ao tomar decisões importantes com base nos seus resultados.
Exemplos de análise preditiva em produtos conhecidos
A falta de precisão absoluta, no entanto, não significa que não possa beneficiar destes conhecimentos preditivos. Na verdade, a análise preditiva é responsável por alguns dos casos de sucesso de produtos mais famosos.
Eis três histórias de sucesso de grandes empresas tecnológicas que comprovam o que digo.
Exemplo 1: o famoso mecanismo de recomendações da Netflix
Uma das principais razões pelas quais as pessoas adoram a Netflix é a sua capacidade de recomendar excelentes programas. Na verdade, o mecanismo de recomendações é uma das duas razões fundamentais por detrás do sucesso da Netflix (a outra é a sua fantástica arquitetura de distribuição de conteúdos).
A Netflix utiliza inteligência artificial e técnicas estatísticas para compreender as preferências de cada utilizador e recomendar programas de que este provavelmente irá gostar.
Essencialmente, analisa os programas que viu no passado, se os ignorou ou se os viu até ao fim, bem como os seus interesses gerais na sua região, para prever as categorias e os tipos de programas de que poderá gostar.
Além disso, até lhe apresenta uma miniatura personalizada com base nos seus interesses.
Se a Netflix perceber que vê muitos filmes ou programas com determinado ator, irá apresentar-lhe uma versão da miniatura em que esse ator aparece em primeiro plano. (E, se não sabia disso, agora nunca mais conseguirá deixar de reparar!)
Have an account? Log In
A expedição antecipada da Amazon
Lembra-se de quando mencionei que pode melhorar a eficiência com a análise preditiva? É exatamente isso que a Amazon faz com o seu processo de envio antecipado.
Acontece que o comportamento de compra das pessoas é bastante previsível. Tendemos a comprar determinados produtos em intervalos regulares (por exemplo, detergente da roupa todos os meses) ou com uma determinada sazonalidade (decorações de Natal, etc.). Felizmente para a Amazon, esta empresa dispõe de todos estes dados e pode aplicar-lhes análises preditivas.
Com a ajuda dos seus modelos estatísticos, pode enviar antecipadamente os tipos certos de produtos (e a quantidade certa) para os seus armazéns. Isto permite-lhe reduzir significativamente o tempo de envio para os consumidores finais e diminuir a quantidade de produtos que precisa de enviar de volta para outro armazém onde têm maior procura.
Eis o aspeto do processo nos documentos da patente.
Neste diagrama específico, a Amazon mostra o processo de alteração, em tempo real, do endereço de destino do produto.
Previsões de trânsito do Google Maps
Adoro a funcionalidade de trânsito do Google Maps. É incrivelmente precisa e rápida.
E sabe como conseguiram alcançar esse nível de precisão? Exatamente — análise preditiva!
A Google dispõe de dados sobre praticamente tudo o que acontece em qualquer cidade. A grande maioria das pessoas que conduzem utiliza um dispositivo com Android ou outro serviço da Google com a geolocalização ativada. Assim, se detetarem um grupo de smartphones a deslocar-se lentamente numa autoestrada, assinalam-no como um engarrafamento.
Mas a Google também é capaz de encontrar soluções muito mais inteligentes quando se trata de prever o trânsito. Como dispõe de dados sobre os principais eventos que acontecem em praticamente qualquer cidade (por exemplo, um grande jogo desportivo), também os terá em consideração ao planear os itinerários dos condutores. Por exemplo, se tiver uma viagem de uma hora através da cidade e estiver prestes a começar um jogo, o algoritmo da Google irá mantê-lo afastado das estradas principais que provavelmente estarão congestionadas com adeptos de desporto quando chegar a essa zona.
Até agora, analisámos a análise preditiva como uma ferramenta genérica nas mãos das empresas. No entanto, o tema principal de hoje é aplicar esta técnica fascinante para melhorar a sua UX. Por isso, vou passar a explicar como pode elevar a sua investigação de UX a um nível totalmente novo com a análise preditiva.
Técnicas de análise preditiva de dados para investigação de UX
A área da análise preditiva é bastante abrangente no que diz respeito às diferentes técnicas que pode aplicar para resolver problemas do dia a dia. Mas hoje quero que nos concentremos nas três que são mais aplicáveis à investigação de UX — análise de regressão, árvores de decisão e análise de séries temporais.
Regressão
Se tem formação em negócios ou matemática, este termo poderá ser-lhe familiar. Sim, trata-se do modelo clássico de regressão estatística que consegue reconhecer padrões nos seus dados.
Em termos mais práticos, a regressão (mais especificamente, a regressão linear) é a sua linha de tendência — uma linha no gráfico que mostra se a atividade dos utilizadores que está a analisar está a aumentar ou a diminuir.
As linhas de tendência são algo que eu e a minha equipa de UX utilizamos constantemente nos nossos gráficos do Amplitude, porque nos ajudam a transformar dados desorganizados em tendências visíveis e a perceber se as alterações à nossa UX produziram resultados positivos.
Eis um exemplo de regressão:
Há três meses, simplificámos o nosso processo de aquisição com a equipa de UX e queremos perceber se o número de inscrições aumentou desde então.
Este é um gráfico das inscrições de utilizadores dos últimos 90 dias. Consegue dizer-me se está a crescer ou não?
É claro que não consegue, está simplesmente demasiado desorganizado.
Mas deixe-me alterar o tipo de medição do gráfico para uma fórmula na barra lateral.
E adicionar uma linha de tendência.
Agora, o gráfico de inscrições tem este aspeto.
Com a linha de tendência adicionada, podemos ver que as nossas alterações tiveram um efeito positivo na nossa aquisição. No entanto, esta alteração é demasiado pequena para ser estatisticamente significativa, pelo que argumentaria que as nossas alterações à UX não fizeram qualquer diferença real.
Árvores de decisão
As árvores de decisão estão entre as estruturas de modelos de IA mais populares para analisar os seus dados e retirar conclusões úteis dos mesmos.
Uma rede neuronal, neste caso, pega no seu conjunto de dados original e começa a dividi-lo em subgrupos com base em determinadas condições; depois divide esses subgrupos noutros grupos, e assim sucessivamente. Como resultado, obtém algo que se parece com uma árvore invertida.
Depois de criar esta árvore, o algoritmo irá dar-lhe uma resposta com base nos dados que possui. No exemplo acima, a árvore de decisão dir-lhe-á se deve apanhar o autocarro para a escola ou ir a pé.
Vejamos agora como podemos resolver problemas de UX com estes modelos. Imagine que está a tentar diminuir a taxa de abandono do carrinho da sua loja de comércio eletrónico. Quando executa o algoritmo de árvore de decisão nos dados dos seus utilizadores, obtém o seguinte resultado.
Ao observar a árvore de decisão acima, podemos compreender os principais fatores que afetam a taxa de abandono. Neste caso, precisamos de adicionar funcionalidades/UX que:
- Incentivem as pessoas a finalizar a compra antes de o carrinho ficar maior.
- Garantam que os custos de envio estão visíveis e são fáceis de notar em todo o tipo de dispositivos.
- Incentivem as pessoas a iniciar sessão.
- Acelerem as nossas páginas.
Podemos então continuar a utilizar ferramentas de análise preditiva para ver quais destes fatores terão maior impacto na taxa de abandono, ajudando-nos a dar prioridade a estas soluções.
Análise de séries temporais
A análise de séries temporais é o conjunto mais avançado de técnicas de modelação. Como o nome sugere, este tipo de análise é realizado em tipos específicos de dados (principalmente dados históricos associados ao tempo).
Uma das melhores formas de incorporar a análise de séries temporais no seu processo de UX seria prever as suas principais métricas de UX (por exemplo, envolvimento, abandono, retenção, etc.) com base no comportamento dos utilizadores nos dados anteriores e verificar se é provável que melhorem no futuro ou não. Se as previsões mostrarem uma diminuição nas suas métricas, deve encará-la como um sinal de que algo está errado e de que precisa de corrigir a situação.
Não vou explicar aqui em grande detalhe como fazer uma análise de séries temporais, uma vez que iremos explorar de seguida a funcionalidade de Previsão do Amplitude, que utiliza esta metodologia.
Melhores modelos e serviços de aprendizagem automática para análise preditiva
A par de todos os benefícios que obtém com a análise preditiva, existe uma grande desvantagem: é notoriamente difícil realizá-la manualmente. Felizmente, a Internet está repleta de diversas ferramentas de investigação e soluções que podem executar estes modelos analíticos por si com um simples clique num botão.
Vejamos, então, como pode tirar partido de diferentes tipos de ferramentas para prever o futuro da sua UX.
Utilizar ferramentas de análise de produtos
A forma mais rápida e fácil de fazer análise preditiva é utilizar as relativamente avançadas ferramentas de análise de produtos que tem à sua disposição. Para tarefas regulares, é normalmente utilizado o Amplitude. Para fluxos de trabalho mais avançados que envolvam extração de dados, pode considerar ferramentas de análise preditiva avançadas, como o Domo ou o Tableau.
Atualmente, a minha ferramenta de eleição diária para estes casos de utilização é o Amplitude. Por isso, deixe-me mostrar-lhe como pode utilizar algumas das suas funcionalidades para prever o futuro do seu produto.
Coortes preditivas
A primeira funcionalidade do Amplitude que pode ajudá-lo neste processo chama-se “Coortes preditivas”.
O Amplitude utilizará os seus modelos de IA preditiva para criar coortes de utilizadores com base na probabilidade de estes realizarem determinadas ações ou adotarem um determinado comportamento.
Pode utilizar posteriormente estas coortes na sua análise, criando gráficos e comparando o comportamento das pessoas da sua coorte com o das restantes. Também pode realizar testes A/B com base nestas coortes para verificar se as alterações à experiência do utilizador que efetua afetam ou não o comportamento dos utilizadores.
Como criar uma coorte preditiva no Amplitude
- Primeiro, abra simplesmente a secção de coortes no Amplitude e clique em “Prever uma coorte”.
2. Depois, pode começar a definir o comportamento que lhe interessa.
Neste caso, queremos agrupar as pessoas com maior probabilidade de gastarem mais de $25 em músicas e vídeos.
Com base nos seus requisitos, os modelos da Amplitude irão analisar os seus dados antigos e novos e fornecer-lhe uma previsão à qual pode aceder na secção de coortes.
3. Podemos transformar esta previsão numa coorte utilizável clicando nela e guardando-a como coorte.
4. Se quiser, pode ajustar a seleção escolhendo que percentil da base de utilizadores pretende incluir na sua coorte. No entanto, recomendo que mantenha a seleção predefinida e a guarde clicando no botão “Guardar como coorte”.
Já está! Agora tem uma coorte dinâmica baseada em modelos preditivos que pode utilizar praticamente em qualquer lugar na Amplitude, incluindo nos seus gráficos, análises e testes A/B.
Previsões
Outra funcionalidade da Amplitude que tem sido muito útil para mim e para a minha equipa de UX é o respetivo motor de previsões nativo. Este automatiza o processo e utiliza regressão, análise de séries temporais e o seu próprio conjunto de modelos de IA para lhe fornecer uma previsão das métricas que lhe interessam.
Com base na minha experiência, uma das aplicações mais práticas desta funcionalidade para UX é a previsão das taxas de conversão do funil de ativação.
Como prever as taxas de conversão do funil de ativação na Amplitude
1. Imagine que o funil de ativação da sua ferramenta de CRM para serviços financeiros é composto por três eventos—registo, adicionar integração e criar oportunidade. Se analisarmos a taxa de conversão ao longo do tempo, terá um aspeto semelhante a este.
Agora, já implementou algumas melhorias de UX no percurso há uma semana e quer perceber se estas produziram melhorias tangíveis. Para isso, vamos pedir à Amplitude que nos forneça uma previsão para os próximos 30 dias.
2. Clique no botão “Anomalia + Previsão” e, em seguida, clique no botão “Adicionar previsão”.
Os modelos da Amplitude serão carregados e apresentarão um gráfico semelhante a este.
Como podemos ver, não existe um crescimento visível na taxa de conversão do nosso funil (o que é mais comum do que possa pensar). A conclusão acionável aqui é realizar outra ronda de melhorias de UX.
Utilizar APIs de modelos preditivos na nuvem
Utilizar ferramentas de análise de produtos para a modelação preditiva de dados é bastante útil quando o problema que está a tentar resolver é relativamente simples. No entanto, se precisar de algo mais avançado, pode optar por APIs de modelos de aprendizagem automática de terceiros.
Eis dois fornecedores que a minha equipa considerou úteis no passado.
More Articles
API de aprendizagem automática da AWS
O serviço de nuvem da Amazon é rico em vários modelos de IA de inteligência empresarial aos quais pode ligar-se através de uma API. A pilha também inclui modelos de análise preditiva.
- Existe o Amazon Forecast, que pode ser executado com dados de séries temporais, permitindo-lhe observar o efeito da sua UX a longo prazo.
- Existe também o Amazon Personalize, que lhe fornece um motor de personalização escalável e personalizável, que pode utilizar para sugerir produtos e serviços relevantes aos seus clientes (tal como fazem a Netflix e o TikTok).
Infraestrutura de IA da Google
Ao contrário da Amazon, a Google não fornece modelos de IA preditivos pré-criados. Em vez disso, obtém acesso ao seu enorme conjunto de ferramentas, que podem ajudá-lo a realizar análises de megadados e a criar os seus próprios modelos preditivos personalizados de aprendizagem profunda com a ajuda da sua atual equipa de cientistas de dados.
As ferramentas da Google são especialmente adequadas para lidar com grandes volumes de dados e encontrar tendências futuras nos mesmos (as suas funcionalidades de gestão de dados são incríveis). Para além das previsões, também pode utilizar o conjunto de ferramentas da Google para as suas necessidades de análise descritiva, campanhas de marketing do ciclo de vida, análise empresarial, finanças (por exemplo, pontuações de crédito), entre outras.
Por isso, se os modelos prontos a utilizar da Amazon não forem capazes de resolver o problema específico que tem, a Google é o serviço a escolher.
Uma antevisão do futuro pode salvar a sua UX
Todos gostaríamos de poder prever o futuro. Se pudéssemos, criaríamos produtos perfeitos com a experiência do utilizador mais cativante do mundo — para o melhor ou para o pior. Mas, entretanto, a análise preditiva é a alternativa mais próxima para nos ajudar a tomar decisões de UX baseadas em dados e a proporcionar experiências excelentes aos nossos clientes.
Não se esqueça de subscrever a nossa newsletter para receber mais recursos e guias sobre gestão de produtos, além dos podcasts, entrevistas e outros conhecimentos mais recentes de líderes e especialistas do setor.
