O problema

No início do ano de 2023, a Blip me proporcionou uma missão desafiadora: construir uma plataforma de dados revolucionária para ajudar as empresas a entenderem melhor seus clientes e aprimorarem suas estratégias de marketing. Com o objetivo de organizar, padronizar e unificar dados de interações dos consumidores de diferentes fontes, surgiu a ideia de desenvolver uma plataforma de Customer Data (CDP).

O desafio era imenso: como lidar com a vasta quantidade de dados provenientes de diversas fontes, especialmente as conversas entre marcas e consumidores (hoje só de dados de conversas temos mais de 2 petabytes)?

Por que decidimos usar Inteligência Artificial?

Decidimos usar IA porque sabíamos que sem ela, seríamos apenas mais um CDP no mercado ou um CDP ruim. A IA tem o potencial de interpretar grandes volumes de dados conversacionais, identificar padrões e classificar informações que seriam impossíveis de se analisar manualmente. Nosso propósito foi usar a IA como uma camada de enriquecimento dos dados. Isso nos permitiria não só entender melhor os comportamentos dos consumidores, mas também criar segmentos de audiência altamente personalizados e escaláveis para campanhas de marketing.

Quais modelos usamos?

Modelo GPT na Família Gen IA e LLM

Utilizamos o modelo de Inteligência Artificial (IA) conhecido como GPT, que faz parte da família da Gen IA (Inteligência Artificial Generalizada) e dos LLM (Linguagem Natural com Modelos de Linguagem).

Algoritmos de agrupamento não supervisionado

Empregamos os algoritmos K-means e K-prototypes, ambos sendo métodos de aprendizado de máquina não supervisionado utilizados para agrupar dados com base em suas características sem a necessidade de rótulos predefinidos.

Implementação

Usamos a IA generativa GPT (Azure OpenAI) para analisar o histórico das conversas e classificar informações relevantes, enriquecendo os perfis com novos atributos. Um exemplo disso é a capacidade de agrupar consumidores como "sensíveis ao preço" quando expressam insatisfação em relação ao custo do produto e identificar a "intenção de compra" quando manifestam interesse nesse sentido.

Em uma etapa subsequente, empregamos um algoritmo de IA não supervisionado para agrupar dados não rotulados em clusters, baseando-se em características semelhantes. Atualmente, utilizamos os algoritmos K-means e, nos testes de Alpha, também experimentamos com o K-prototypes.

Em uma terceira fase, novamente fazemos uso da IA generativa através do GPT (Azure OpenAI) para criar títulos e descrições para os segmentos gerados. Após a formação do grupo, enviamos as informações sobre quais características (atributos) foram utilizados para compor o grupo ao GPT. Com base nessas informações, o GPT gera o título e a descrição do grupo, que são então apresentados em uma página do nosso produto.

Qual é o fluxo?

O fluxo de recebimento e tratamento de informações envolveu as seguintes etapas:

Como monitoramos?

Para monitorar e resolver problemas de alucinação ou falta de acuracidade, implementamos um processo de experimentação rápida e iterativa. Testamos continuamente nossos modelos e algoritmos com dados reais e feedbacks dos clientes. Além disso, mantemos uma vigilância constante sobre os resultados das campanhas para ajustar e melhorar nossos modelos conforme necessário.

O processo de tomada de decisão do GPT (enriquecimento de perfis com novos atributos) não é possível de ser explicado com total certeza. É possível compartilhar os prompts utilizados bem como o racional das guidelines e regras de contorno aplicadas. Também é possível compartilhar testes realizados e premissas validadas para que se chegasse em cada classificação na conversa.

Já o processo de segmentação, que utiliza o algoritmo do k-means, é possível de explicar a classificação uma vez que cada segmento possui um subconjunto de variáveis mais importantes. Assim é possível apresentar essas variáveis, bem como a sua métrica de feature importance que ajuda a entender porque a IA utilizou aquelas features daquela forma para fazer aquela segmentação.

Por fim, o processo de explicar cada segmento, ou seja, gerar o título e a descrição do grupo são processos realizados pelo GPT. Explicar o processo em si é possível, mas é importante notar que o GPT é uma caixa preta da qual não se entende profundamente os processos que levam a geração de cada texto em particular. Contudo, é possível compartilhar a arquitetura da solução, bem como as premissas por trás do processo realizado pelo GPT.

Principais aprendizados

Desenvolver o Audiences foi um processo complexo e desafiador, mas altamente gratificante. A chave para o sucesso foi a combinação de uma compreensão profunda do problema, uma cultura de experimentação rápida e o uso estratégico de IA.

Ao criar audiências inteligentes e hiper-segmentadas, conseguimos não só melhorar significativamente o retorno sobre o investimento em campanhas de marketing, mas também proporcionar uma experiência personalizada e valiosa para os consumidores.

Continuaremos a evoluir e refinar nossa abordagem, sempre buscando novas maneiras de utilizar a IA para impulsionar resultados de negócios e melhorar a satisfação do cliente.

Um agradecimento especial a todos os especialistas em produto, IA, design e engenharia da Blip, que aceitaram e enfrentaram juntos este desafio.