Sequential Multimodal Evidence Optimization for Product Media Ranking in E-Commerce

Nas prateleiras digitais das lojas online modernas, o caminho para uma compra raramente é um único olhar. Em vez disso, é uma jornada através de um carrossel de imagens, vídeos e modelos tridimensionais interativos que o cliente deve percorrer um a um. Como os compradores não podem tocar ou segurar o produto, eles dependem dessa sequência de pistas visuais para construir uma imagem do que estão comprando. Eles acumulam evidências, peça por peça, até sentirem confiança suficiente para comprar ou decidirem que o esforço é grande demais e irem embora. O desafio para as plataformas que vendem esses bens é que a ordem em que essas pistas aparecem importa imensamente. Se a informação mais convincente estiver enterrada no final da lista, o cliente pode desistir antes mesmo de vê-la. Não se trata apenas de atrair a atenção; trata-se de guiar uma pessoa através de uma história que leva a uma decisão.

Pesquisadores da Amazon, liderados por Prasenjit Dey, Frank McIntyre e Arnab Sinha, desenvolveram uma nova maneira de resolver esse quebra-cabeça. Eles chamam sua abordagem de Otimização Sequencial de Evidência Multimodal, ou SMEO (Sequential Multimodal Evidence Optimization). Em vez de tratar cada imagem ou vídeo como um item isolado competindo por um clique, eles veem toda a coleção de mídia de um único produto como uma equipe cooperativa trabalhando junta para contar uma história completa. O objetivo deles era encontrar a ordem específica que ajuda o cliente a chegar a uma decisão de "sim" com o menor esforção possível. Ao analisar milhões de sessões de compras reais, descobriram que os sistemas existentes frequentemente falham porque focam em reações de curto prazo, como quanto tempo um usuário permanece em uma tela, em vez do resultado final de se uma venda realmente aconteceu.

Os pesquisadores descobriram que os métodos atuais frequentemente cometem o erro de pensar que uma imagem chamativa que recebe muitos cliques é a mais importante para ser mostrada primeiro. No entanto, um clique não significa necessariamente uma compra. Um cliente pode clicar em uma foto brilhante por curiosidade, mas ainda assim ir embora sem comprar porque nunca viu os detalhes técnicos ou a demonstração em vídeo que o teriam convencido. O novo sistema, SMEO, aprende com o histórico do que os clientes realmente fizeram. Ele observa a sequência de mídia que um cliente visualizou antes de comprar o item ou parar de procurar. Em seguida, ele descobre quais peças de evidência foram as mais persuasivas naquele contexto específico. Por exemplo, pode aprender que, para uma cafeteira, um vídeo mostrando a máquina em ação é muito mais crítico do que uma foto estática da caixa, e que este vídeo deve ser mostrado cedo na sequência para evitar que o cliente vá embora.

Para alcançar isso, a equipe construiu um processo de duas etapas. Primeiro, treinaram um modelo para entender o valor de uma sequência de mídia com base em se ela levou a uma venda. Este modelo aprendeu a ignorar o viés de onde os itens eram colocados no passado, focando em vez disso no conteúdo real e em como ele ajudou o cliente a decidir. Segundo, usaram esse entendimento para ensinar um programa de computador como organizar a mídia para qualquer novo produto. Este programa atua como um editor, escolhendo a melhor ordem para as imagens e vídeos. Ele prioriza mostrar a informação de tomada de decisão o mais cedo possível, garantindo que o cliente veja a prova mais importante antes de se cansar de deslizar a tela.

Os resultados dos testes deste sistema em escala massiva foram significativos. Quando os pesquisadores compararam seu novo método com as regras padrão usadas por lojas online, descobriram que o novo sistema aumentou a taxa estimada de compras bem-sucedidas em 5,5 por cento. Mais importante ainda, ele ajudou os clientes a chegar a essa decisão 15 por cento mais rápido, o que significa que precisaram deslizar por menos imagens para encontrar o que procuravam. O estudo também revelou que o sistema aprendeu a reconhecer padrões sem ser explicitamente instruído sobre o que procurar. Por exemplo, descobriu que, para móveis, modelos tridimensionais eram muito mais valiosos do que para outros tipos de produtos, enquanto para roupas, vídeos mostrando como o tecido se movia eram os mais persuasivos. Isso permitiu que o sistema adaptasse automaticamente a apresentação de evidências às necessidades específicas de diferentes categorias de produtos.

Um dos aspectos mais poderosos deste trabalho é que ele resolve um problema que tem sido difícil de medir: quanto crédito uma imagem ou vídeo específico deve receber por uma venda? No passado, era difícil dizer se uma compra foi causada pela primeira foto ou pelo quinto vídeo. O novo sistema fornece uma maneira de olhar para trás e entender a contribuição de cada peça de mídia, mesmo sem rótulos diretos dizendo "esta imagem causou a venda". Ele faz isso simulando o que teria acontecido se uma peça de mídia fosse removida ou movida, permitindo ao sistema ver como a jornada do cliente teria mudado. Esse insight ajuda os proprietários de lojas a entender quais ativos são verdadeiramente valiosos e quais são redundantes, permitindo que melhorem suas páginas de produtos de forma mais eficaz.

Os pesquisadores testaram suas ideias rigorosamente usando dados de milhões de sessões de compras reais em várias categorias, desde eletrônicos a produtos de beleza. Eles compararam seu método com diversas outras abordagens, incluindo regras simples baseadas em popularidade e outros sistemas de classificação avançados. Seu método superou consistentemente essas alternativas, provando que tratar a mídia como uma história sequencial é mais eficaz do que tratá-la como uma lista de itens competindo. O sistema é projetado para funcionar offline, o que significa que a ordem das imagens é preparada com antecedência e armazenada, para que não atrase o site quando um cliente o visita. Isso o torna prático para uso em larga escala, onde milhões de produtos precisam ser organizados todos os dias.

Em última análise, este trabalho muda o foco de simplesmente capturar o olhar do cliente para respeitar seu tempo e intenção. Ao organizar a evidência visual de uma forma que construa confiança rapidamente, o sistema reduz a fricção das compras online. Ele reconhece que a atenção de um cliente é um recurso limitado e que o objetivo é ajudá-lo a encontrar a informação de que precisa com o menor número possível de etapas. As descobertas sugerem que, quando as lojas digitais são organizadas com o processo de tomada de decisão do cliente em mente, o resultado é uma experiência melhor para o comprador e um mercado mais eficiente para o vendedor. O estudo confirma que a ordem da informação não é apenas um detalhe cosmético, mas uma parte fundamental de como as pessoas fazem escolhas no mundo digital.