Seu próximo horário é... Modelagem explicável da escolha do cliente para entregas domiciliares assistidas

No competitivo cenário atual do comércio eletrônico, os varejistas buscam constantemente soluções inovadoras para melhorar a experiência do cliente, ao mesmo tempo em que gerenciam a eficiência operacional. Um desafio crítico são as entregas domiciliares assistidas, nas quais os clientes selecionam um horário de entrega específico mediante uma taxa adicional. Esse processo de seleção impacta tanto a satisfação do cliente quanto os custos de transporte do varejista, exigindo uma abordagem otimizada para precificação e agendamento.

Um varejista online europeu enfrenta esse desafio diariamente, oferecendo múltiplos horários de entrega com preços variados. Compreender as preferências dos clientes nesse processo de escolha é fundamental para otimizar estratégias de precificação e melhorar a eficiência.

Os principais desafios incluem:

• Sensibilidade do Cliente ao Preço: Os clientes são altamente sensíveis ao custo ao escolher os horários de entrega.
• Custos Operacionais: Conhecer as preferências dos clientes é crucial para direcionar suas escolhas a horários mais eficientes, reduzindo assim as despesas com transporte.
• Complexidade Preditiva: Antecipar com precisão as escolhas dos clientes, mantendo a interpretabilidade do modelo para uso comercial.

Para enfrentar esse desafio, testamos duas metodologias:

• Modelos Tradicionais de Machine Learning: Modelos performáticos, porém “caixa-preta”, que exigem técnicas de explicabilidade para melhor compreensão de seu funcionamento interno.
• Expressões Simbólicas por Programação Genética: Essa abordagem gera expressões matemáticas transparentes que modelam as escolhas dos clientes.

Tratamos o problema como uma tarefa de classificação, prevendo a probabilidade de um horário ser escolhido com base em atributos do cliente e do horário. Os principais fatores considerados foram:

• Características de Preço: O custo de um horário e sua comparação com outras opções.
• Características do Horário: Dia da entrega, horário do dia e proximidade com o momento do pedido.
• Características do Cliente: Comportamento de compras anteriores, valor do carrinho e preferências anteriores de entrega.
• Características do Relacionamento: Alinhamento do horário selecionado com escolhas históricas.

Nossa análise comparativa revelou um trade-off entre desempenho e interpretabilidade:

• Precisão Preditiva: O GBM atingiu a maior precisão, prevendo corretamente a escolha do cliente em 29% dos casos, enquanto as expressões simbólicas alcançaram 24%, ambas superando significativamente uma suposição ingênua (17%). Esse é um grande feito, considerando que, em média, cada cliente vê 40 opções.
• Eficiência Computacional: As expressões simbólicas geraram previsões 17 vezes mais rápidas que os modelos tradicionais de machine learning, uma vantagem crucial em interações de comércio eletrônico em tempo real.
• Transparência e Interpretabilidade: Enquanto os modelos “caixa-preta” exigiam análises adicionais para extrair insights, as expressões simbólicas ilustravam diretamente como preço, características do horário e histórico do cliente influenciavam as decisões.
• Insights de Negócio: Ambos os métodos confirmaram que os clientes são sensíveis ao preço e priorizam horários de entrega mais cedo. As expressões simbólicas forneceram relações matemáticas explícitas que os stakeholders podem usar para equilibrar ajustes de preço com preferências dos clientes.

Este estudo destaca várias implicações críticas para varejistas de e-commerce:

• Confiança e Adoção: Modelos transparentes aumentam a confiança dos stakeholders na tomada de decisões baseada em dados.
• Insights Acionáveis: Relações diretamente observáveis ajudam a refinar estratégias de precificação e eficiência operacional.
• Abordagem Equilibrada: As empresas devem considerar usar modelos “caixa-preta” para necessidades de alta precisão e modelos “caixa-branca” para decisões estratégicas.
• Vantagem de Velocidade: Em aplicações sensíveis ao tempo, expressões simbólicas oferecem cálculos mais rápidos, melhorando a experiência do usuário.

Ao combinar precisão preditiva com interpretabilidade, os varejistas podem otimizar estratégias de precificação para entregas, melhorar a eficiência operacional e aumentar a satisfação do cliente. Este estudo de caso ressalta o potencial das expressões simbólicas em entregar insights de negócios acionáveis, mantendo alto nível de transparência do modelo.

À medida que o comércio eletrônico evolui, aproveitar tanto abordagens tradicionais quanto interpretáveis de machine learning será crucial para o crescimento sustentável e a vantagem competitiva.