35% da receita da Amazon vem de um algoritmo — e as PMEs podem replicar o princípio

Em 2013, um estudo da McKinsey revelou um número que ainda hoje circula em todas as conferências de marketing: 35% de toda a receita da Amazon é gerada directamente pelo seu motor de recomendação. "Customers who bought this also bought..." é responsável por mais de um terço do negócio de uma das maiores empresas do mundo.

Mas o que é menos discutido é que o princípio por trás desse motor não é tecnologia exclusiva da Amazon. É uma lógica que qualquer empresa com dados de clientes pode aplicar — a qualquer escala.

Como funciona o motor da Amazon

O sistema de recomendação da Amazon assenta num conceito chamado filtragem colaborativa (collaborative filtering). A ideia é simples: se o cliente A e o cliente B compraram os produtos X e Y, e o cliente A também comprou Z, então o cliente B provavelmente também vai querer Z.

A Amazon não precisa de saber quem você é. Precisa de saber o que fez — e comparar esse comportamento com o de milhões de outras pessoas com comportamentos semelhantes.

A diferença entre segmentação e personalização comportamental

A maioria das empresas segmenta por quem o cliente é: idade, género, localização, profissão. A Amazon segmenta por o que o cliente fez: comprou, viu, procurou, abandonou o carrinho, leu reviews.

Esta distinção é fundamental. "Mulher, 35 anos, Lisboa" diz muito pouco sobre o que essa pessoa vai comprar a seguir. "Comprou headphones premium, visitou a categoria de home office três vezes nos últimos 30 dias e adicionou uma cadeira ergonómica ao wishlist" diz exactamente o que oferecer — e quando.

Esta é a diferença entre segmentação demográfica (o passado do marketing) e personalização comportamental (o presente).

Como as PMEs podem aplicar o mesmo princípio

Não precisa de um algoritmo de $1 mil milhão. Precisa de três coisas:

1. Dados de comportamento. O que cada cliente comprou, quando, com que frequência. Estes dados já existem — na maioria das vezes, não estão a ser usados.
2. Segmentação por fase do ciclo de vida. Novo cliente → Cliente recorrente → Cliente leal → Cliente em risco. Cada fase requer uma mensagem diferente.
3. Mensagens orientadas pelo comportamento passado. "Comprou X há 3 meses — está a pensar em Y?" é infinitamente mais eficaz do que "Novidades da nossa loja".

Exemplos concretos por sector

• Clínica de estética: Cliente fez tratamento facial em Janeiro. Em Março: "Daqui a 3 meses é a melhor altura para uma sessão de manutenção. Reserve agora com 10% de desconto."
• Loja de suplementos: Cliente comprou whey protein (30 doses). 25 dias depois: "O seu stock está quase a acabar — reponha agora e garante continuidade no seu treino."
• Agência de viagens: Cliente viajou para o Algarve no Verão passado. Em Março: "Já pensou nas férias de Verão? Os melhores alojamentos no Algarve estão a esgotar para Julho."
• B2B SaaS: Cliente usa a funcionalidade X frequentemente mas nunca activou Y (complementar). "Reparámos que usa X todos os dias — sabia que Y pode poupar-lhe 2h por semana?"

"A Amazon não conhece os seus clientes melhor do que os seus concorrentes. Usa os dados que os clientes deixam melhor do que eles."— McKinsey, "Recommendation Engines", 2013

O erro que a maioria comete

As empresas que tentam personalização frequentemente fazem-na com base em demografias porque é mais fácil: "vamos enviar uma campanha para clientes com mais de 40 anos". O problema é que duas pessoas com 42 anos podem ter comportamentos de compra completamente opostos.

O comportamento é sempre mais preditivo do que a demografia. Sempre.