Hiperpersonalização do cliente: O que se deve fazer e o que é preciso evitar com a ajuda da IA

No setor financeiro e bancário, os investimentos em tecnologia da informação devem atingir cerca de R$ 56 bilhões até 2026, segundo pesquisa apresentada recentemente pela Fundação Getúlio Vargas (FGV). O movimento encampa medidas de maior transformação digital e disputa por competitividade, tanto com a otimização da experiência do cliente quanto pela eficiência operacional.

Bancos seguem o caminho aberto há anos pelas Big Techs, que são amplamente dependentes dessa tecnologia de personalização. E como entendemos esse termo? Em larga medida, a personalização se refere ao uso de dados históricos de um consumidor para selecionar sua experiência em uma plataforma, tornando-a mais personalizada. Na atualidade, quantos aplicativos não nos cumprimentam com o nosso nome, ou nos mostram recomendações baseadas em compras ou visualizações anteriores, ou parecem “prever” o nosso humor?

Tais ações preditivas fazem a diferença, independentemente do setor de negócios. Segundo um estudo, 91% dos consumidores são mais propensos a comprar de marcas que os reconhecem, lembram deles e fornecem ofertas e recomendações relevantes. Além disso, 83% dos clientes estão dispostos a compartilhar seus dados para permitir uma experiência personalizada. Então podemos entender que uma hiperpersonalização só traz benefícios? Quase isso.

De posse de dados históricos suficientes sobre os clientes, empresas podem criar um modelo e encontrar os recursos que melhor preveem o comportamento de cada um deles. Com alto poder preditivo, esse modelo é usado para encontrar consumidores semelhantes em um conjunto que agregue os comportamentos. E é tudo isso junto ajuda a prever o comportamento de um cliente e mostrar as recomendações certas.

Há pelo menos quatro passos a serem considerados para uma personalização bem sucedida:

1. Correspondência emocional: os clientes operam em diferentes estados emocionais, e isso afeta sua percepção do contexto. As emoções incluem excitação psicológica (como emoções de “pico” ou extremas como raiva, preocupação e espanto), valência geral de humor (sentir-se feliz ou triste) e estilo de pensamento ativo (positivo ou negativo). Dito isso, um algoritmo funcionará melhor quando, de alguma forma, corresponder ao estado emocional contextual do cliente.
    
2.  Correspondência de atitude: os clientes têm atitudes distintas em relação a coisas diferentes, o que significa que também é algo que pode influenciar a forma como tomam decisões. Os tipos de atitudes podem incluir uma preferência por fatos ante uma preferência por emoções; atitudes morais, como princípios e crenças fundamentais; atitudes políticas; etc. Desta forma, um algoritmo, embora altamente qualificado em prever a que os clientes responderão melhor, ainda precisa levar em consideração a atitude do usuário em relação ao recebimento de informações de diferentes categorias.
    
3. Correspondência de metas: os clientes abordam as decisões com diferentes tipos de estados de metas e estão procurando informações que possam ajudá-los a atingir essa meta. Por exemplo, uma compra por prazer versus uma compra utilitária (algo que você compra como um meio para um fim) têm metas diferentes. Da mesma forma, metas de abordagem (querer abraçar os aspectos positivos) versus metas de evitação (querer evitar os negativos) têm requisitos diferentes. Um algoritmo terá que manter isso em mente ao decidir como mostrar conteúdo a um usuário.
    
4. Correspondência de personalidade: muitas pesquisas mostraram que os psicográficos do cliente são um determinante importante de seu comportamento. As dimensões de personalidade são medidas em várias escalas. Portanto, os traços de personalidade são outra coisa que os algoritmos precisam levar em consideração.
    

Ainda que matemáticos, os algoritmos relacionados à IA e às melhores práticas da hiperpersonalização não são infalíveis. O fato de o fator humano de previsibilidade não ser uma matéria exata é um aspecto a ser considerado. Porém, há algumas armadilhas que levam as melhores iniciativas de centralidade dos clientes nos negócios a falhar. A começar pelo momento em que ele venha a questionar os ganhos reais oferecidos pela cessão dos seus dados.

Receber ofertas repetitivas ou irrelevantes com base em compras únicas e não representativas é um primeiro exemplo disso. Existem ainda outros tipos de personalizações falhas, sejam aquelas que não contemplem aspectos emocionais ou cognitivos – neste caso, o exemplo que vem à mente é a nossa dificuldade em escolher o que assistir em um serviço de streaming, apesar de toda a personalização que o algoritmo promete criar com as nossas preferências.

Feitos esses alertas, é impossível fugir da IA e os seus impactos pelos próximos anos no mundo corporativo e na sociedade como um todo. Um levantamento da Forrester revelou neste mês que 92% das lideranças executivas planejam aumentar os seus orçamentos para aprimorar o uso dessa tecnologia em suas atividades. Quando colocamos a hiperpersonalização nesse cenário, os dados são apenas parte da arquitetura final de uma iniciativa de sucesso.

É preciso nunca perder de vista o controle a ser dado aos clientes quanto às suas informações (privacidade, alcance de uso, etc.), com canais direto para feedback em torno dessa personalização do atendimento, com a opção de escolha se quer ser parte desse sistema, com transparência (saber como algoritmo funciona para lhe entregar aquilo que ele tem visto) e ética (gestão de diretrizes, resultados e auditorias).

Nunca antes foi tão estratégico saber como personalizar a relação com o cliente. A tecnologia pode ajudar a, por exemplo, tornar conversas mais naturais, entregar soluções e ofertas em tempo real, e permitir ganho de tempo ao usuário final. Contudo, na tomada de decisão, é preciso que os tomadores de decisão não percam a devida sensibilidade em meio aos dados e aos algoritmos. É algo que também pode ser hiperpersonalizado.