Modelação explicável da escolha do cliente para entregas ao domicílio

No atual panorama competitivo do comércio eletrónico, os retalhistas procuram constantemente soluções inovadoras para melhorar a experiência do cliente, ao mesmo tempo que gerem a eficiência operacional. Um dos desafios mais importantes está nas entregas domiciliárias com marcação de horário, onde os clientes escolhem um intervalo de entrega mediante uma taxa específica. Este processo de seleção impacta tanto a satisfação do cliente como os custos de transporte do retalhista, tornando necessária uma abordagem otimizada para o preço e o planeamento.

Um retalhista online europeu enfrenta este desafio diariamente, oferecendo múltiplos intervalos de entrega com preços variados. Compreender as preferências dos clientes neste processo é crucial para otimizar as estratégias de preços e melhorar a eficiência. Os principais desafios incluem:

• Sensibilidade do cliente ao preço: Os clientes são muito sensíveis ao preço ao escolher os intervalos de entrega.
• Custos operacionais: Conhecer as preferências dos clientes é fundamental para orientar as suas escolhas para intervalos mais eficientes, reduzindo assim os custos de transporte.
• Complexidade preditiva: Antecipar com precisão as escolhas dos clientes, mantendo a interpretabilidade do modelo para uso prático no negócio.

Para enfrentar este desafio, testámos duas metodologias:

• Modelos tradicionais de Machine Learning: Modelos performantes mas “caixa preta”, que exigem técnicas de explicabilidade para melhor compreender o seu funcionamento interno.
• Expressões simbólicas por Programação Genética: Esta abordagem gera expressões matemáticas transparentes que modelam as escolhas dos clientes.

Tratámos o problema como uma tarefa de classificação, prevendo a probabilidade de um intervalo de entrega ser escolhido com base em atributos do cliente e do intervalo. Os principais fatores considerados incluíram:

• Características de preço: O custo do intervalo e a sua comparação com outras opções.
• Características do intervalo: Dia da entrega, hora do dia e proximidade em relação ao momento da encomenda.
• Características do cliente: Comportamento de compra passado, valor da cesta e preferências anteriores de entrega.
• Características de relação: O alinhamento do intervalo selecionado com escolhas históricas.

A nossa análise comparativa revelou um compromisso entre desempenho e interpretabilidade:

• Precisão preditiva: O GBM alcançou a maior precisão, prevendo corretamente a seleção do cliente em 29% dos casos, enquanto as expressões simbólicas ficaram próximas com 24%, ambas superando significativamente a suposição básica ingênua (17%). Este é um feito importante, considerando que, em média, cada cliente vê 40 opções.
• Eficiência computacional: As expressões simbólicas geraram previsões 17 vezes mais rápido que os modelos tradicionais, uma vantagem crucial em interações de comércio eletrónico em tempo real.
• Transparência e interpretabilidade: Enquanto os modelos caixa preta requerem análises adicionais para extrair insights, as expressões simbólicas ilustram diretamente como o preço, os atributos do intervalo e o histórico do cliente influenciam as decisões.
• Insights de negócio: Ambos os métodos confirmaram que os clientes são sensíveis ao preço e priorizam intervalos de entrega mais cedo. As expressões simbólicas forneceram relações matemáticas explícitas que os stakeholders podem usar para equilibrar ajustes de preços com preferências dos clientes.

Este estudo destaca várias implicações críticas para os retalhistas de comércio eletrónico:

• Confiança e adoção: Modelos transparentes aumentam a confiança dos stakeholders nas decisões baseadas em dados.
• Insights acionáveis: Relações diretamente observáveis ajudam a refinar estratégias de preços e eficiência operacional.
• Abordagem equilibrada: As empresas devem considerar usar modelos caixa preta para necessidades de alta precisão e modelos interpretáveis para decisões estratégicas.
• Vantagem de velocidade: Em aplicações sensíveis ao tempo, expressões simbólicas oferecem cálculos mais rápidos, melhorando a experiência do utilizador.

Combinando precisão preditiva e interpretabilidade, os retalhistas podem otimizar estratégias de preços para entrega, melhorar a eficiência operacional e aumentar a satisfação do cliente. Este estudo de caso sublinha o potencial das expressões simbólicas em fornecer insights de negócio acionáveis, mantendo um elevado nível de transparência do modelo. À medida que o comércio eletrónico evolui, a utilização conjunta de abordagens tradicionais e interpretáveis de machine learning será crucial para o crescimento sustentável e vantagem competitiva.