AHP Gaussiano para classificação de usuários com probabilidade de aquisição após abandono de carrinho de compras online

Resumo

O comportamento dos consumidores no ambiente online é um tema significativo, amplamente estudado no meio acadêmico. No entanto, há uma lacuna de pesquisa no que diz respeito ao comportamento de não-compra. Este estudo propõe o uso do método AHP Gaussiano para identificar e classificar clientes com maior probabilidade de concluir uma compra em um site de vendas online, utilizando dados do Google Analytics. Isso pode aumentar a precisão e reduzir os custos das campanhas de remarketing, direcionando-as para os clientes mais propensos a concluir o processo de compra no site, indicando que o uso do método AHP Gaussiano permite identificar com precisão os clientes com maior probabilidade de concluir uma compra, gerando uma redução significativa dos custos de remarketing.

Abstract

The behavior of consumers in the online environment is a significant topic, widely studied in academia. However, there is a research gap regarding non-purchase behavior. This study proposes the use of the AHP Gaussian method to identify and classify customers with a higher probability of completing a purchase on an online sales website, using data from Google Analytics. This can increase accuracy and reduce the costs of remarketing campaigns, targeting customers more likely to complete the purchase process on the site indicating that the use of the Gaussian AHP method allows you to accurately identify customers most likely to complete a purchase, generating a significant reduction in remarketing costs.

Introdução

No início da terceira década do século XXI, tanto o Brasil quanto o mundo estão passando por transformações significativas. Essas mudanças abrangem uma variedade de elementos, como avanços tecnológicos (automação de processos logísticos e produtivos, informatização e digitalização do comércio, aumento do uso de aplicativos, customização de produtos, etc.). Além disso, é importante mencionar que a pandemia de Covid-19 levou à reestruturação de várias formas de interações sociais, espaciais e territoriais (MÉNDEZ, 2020).

Neste contexto, as compras online deixaram de ser apenas uma moda e se transformaram em um costume diário para muitos brasileiros, especialmente aqueles que vivem em áreas urbanas de grande e médio porte (CRUZ, 2021). A análise do crescimento do e-commerce no Brasil pode ser justificada por três momentos: quando houve a popularização do acesso à internet em lares e domicílios; a difusão do uso de smartphones no país, após 2015; e a pandemia da Covid-19, iniciada no Brasil em março de 2020, que fez com que as pessoas optassem cada vez mais por receber seus produtos em seus domicílios, uma vez que muitas passaram a evitar as inevitáveis aglomerações humanas dos centros comerciais tradicionais. Com o crescimento dos pedidos, o comércio eletrônico ganha cada vez mais protagonismo entre os prestadores de serviços logísticos (PSLs) que atuam no território brasileiro.

Quando o e-commerce começou a se popularizar, muitos consumidores ainda estavam cautelosos, pois o comércio digital dependia de níveis de confiança mais elevados do que o comércio presencial, e muitos casos de fraudes eram amplamente divulgados. A melhoria da segurança dos usuários desempenha um papel significativo no aumento do número de adeptos do e-commerce. Além disso, ele permite que os fornecedores otimizem suas estratégias de marketing, pois têm acesso a dados que mostram os produtos mais procurados, quando têm maior demanda, preferências de idade ou gênero para certos produtos, entre outros. Isso permite que os varejistas antecipem as tendências do mercado (CRUZ, 2021).

Um aspecto importante do comércio eletrônico que merece maior atenção é o fenômeno do abandono do carrinho de compras online. Um elemento crucial nesse contexto, mas ainda pouco explorado na academia, é o processo de checkout. Essa etapa representa a fase final da compra online, e somente após sua conclusão pode-se considerar que a transação foi concluída com sucesso (Kukar-Kinney & Close, 2010). Nesse estágio, é crucial compreender o comportamento de não conversão, que é comum no ambiente do comércio eletrônico. Esse comportamento acontece quando os consumidores adicionam itens aos seus carrinhos de compras virtuais, mas não finalizam a compra, resultando no abandono do carrinho de compras online (Kukar-Kinney & Close, 2010). A desistência da compra pode ser motivada por diversos fatores, como preços elevados, falta de confiança no site, questões técnicas. Para lidar com esse problema, as empresas estão implementando diversas estratégias, como redução de preços e envio de e-mails.

No entanto, muitas vezes essas abordagens são genéricas e não consideram as particularidades individuais dos usuários (MACIEL, 2020). As pesquisas sobre carrinhos de compras online têm se baseado principalmente na replicação dos carrinhos tradicionais, o que pode limitar a visão estratégica do comércio eletrônico (CZERNIAWSKA et al., 1998).

Por isso, é crucial analisar o processo de compra no comércio eletrônico, uma vez que existem diferenças significativas entre a loja física e uma loja online.

O estudo sobre o abandono do carrinho de compras online é importante porque esse fenômeno é bastante distinto dos comportamentos semelhantes em lojas físicas, já que o abandono do carrinho de compras online ocorre por motivações diferentes do abandono de itens em uma loja convencional (MACIEL, 2020). Portanto, o objetivo deste trabalho é classificar usuários com base na probabilidade de aquisição após o abandono de carrinhos de compras online. A análise visa identificar padrões e fatores que influenciam a decisão dos consumidores de não finalizar a compra, permitindo assim o desenvolvimento de estratégias mais eficazes para recuperar potenciais vendas. Ao focar na probabilidade de conversão, este estudo busca oferecer insights valiosos para otimização de processos de marketing e melhoria da experiência do usuário no ambiente digital.

Dentro da PO, o Método de Análise Hierárquica (AHP), desenvolvido por Thomas L. Saaty em 1970, se destaca por sua capacidade de decompor problemas complexos em partes menores e mais gerenciáveis (Macharis, 2004). A aplicação do AHP pode fornecer insights valiosos para a análise do abandono de carrinhos de compras, permitindo que se identifiquem padrões e fatores que influenciam a decisão de não finalizar a compra. A utilização do método AHP-Gaussiano, conforme discutido por Santos, Gomes e Costa (no International Journal of the Analytic Hierarchy Process), pode oferecer uma abordagem estruturada e quantitativa para compreender e melhorar a conversão de vendas no comércio eletrônico. Portanto, a integração da PO e do AHP na análise do abandono de carrinhos de compras online pode proporcionar uma base sólida para o desenvolvimento de estratégias mais eficazes, ajustadas às especificidades do comportamento dos consumidores e aos desafios do ambiente digital.

Materiais e Métodos

Neste artigo, foi realizado um estudo de caso em uma grande empresa do setor financeiro, que aplicou o método multicritério AHP Gaussiano. O objetivo era identificar os clientes com maior probabilidade de concluir uma compra no site após terem avançado parte do processo de compra, mas desistido antes de finalizar o carrinho.

A escolha de utilizar o método AHP Gaussiano deve-se à natureza complexa e incerta dos dados envolvidos. O método AHP é particularmente valioso por sua capacidade de decompor um problema complexo em partes e pela sua simplicidade na aplicação. (MACHARIS, 2004; Turcksin, 2011)

No entanto, o AHP tradicional pode ser limitado na capacidade de modelar as variabilidades nas avaliações dos critérios, especialmente em cenários com múltiplas alternativas e incertezas significativas. Ao adotar o método AHP Gaussiano, que incorpora distribuições normais para representar essas incertezas, é possível obter uma análise mais robusta e precisa. Esse método permite uma melhor representação das variabilidades nas avaliações e uma compreensão mais profunda dos impactos de cada critério, alinhando-se perfeitamente com os objetivos do projeto de alcançar uma decisão confiável. Onde se seguiu os seguintes passos.

1° Passo: Definição dos critérios de Maximização ou Minimização;

2° Passo: Criação da Matriz Normalizada método AHP-GAUSSIANO;

3° Passo: Calcular a Média, desvio padrão e com isso calcular o fator Gaussiano e após, normalizar o Fator Gaussiano.

4° Passo: Criação e análise de sensibilidade do ranking de alternativas do método AHP GAUSSIANO.

O método AHP inicia o processo com a construção de uma matriz de decisão, também chamada matriz de comparação emparelhada conforme demonstrado na figura 1 abaixo.

Ao se deparar com um problema que oferece várias alternativas para a sua resolução, é necessário tomar uma decisão. Mesmo quando, para solucionar um problema, exista uma única ação a tomar, têm-se as alternativas de tomar ou não essa ação.

No processo decisório, é necessário ter um conjunto de opções viáveis, onde cada escolha implica em ganhos e perdas. O tomador de decisão realiza comparações entre critérios e alternativas, avaliando a importância de cada critério em relação aos outros, respondendo à pergunta "quanto mais importante é o critério x em relação ao critério y?".

Materiais e Métodos

Os dados utilizados nesta pesquisa foram obtidos por meio da ferramenta Google Analytics 4 (GA4), a qual é responsável por coletar informações em aplicativos e sites, gerando relatórios detalhados sobre as atividades dos usuários.

O script de medição da Google permite comparar o número de visitantes em uma página com outra. Além disso, ele rastreia quantas pessoas completaram uma compra, verificando se acessaram a página de sucesso. O script também coleta informações do navegador, como idioma, tipo, dispositivo e sistema operacional, e consegue identificar a origem dos usuários, como mecanismo de pesquisa, um anúncio ou uma campanha de e-mail marketing.

2.1.1. Configuração de Eventos no Google Analytics:
Primeiramente, foram definidos eventos personalizados no Google Analytics para entender comportamentos relevantes dos usuários no site. Estes eventos incluíram cliques em botões, visualizações de produtos, e etapas do funil de conversão.

Cada interação relevante foi configurada para ser monitorada, garantindo que todos os pontos críticos da jornada do usuário fossem registrados. Por exemplo, foram criados eventos específicos para monitorar o tempo gasto em cada etapa do processo de compra, desde a navegação até a finalização ou abandono da compra.

2.1.2. Integração com BigQuery:
Com os dados capturados no Google Analytics, foi realizada a integração com o BigQuery, um serviço de armazenamento e análise de grandes volumes de dados. Esta integração permitiu a coleta em massa dos dados de eventos em um ambiente escalável e eficiente, facilitando a manipulação e análise dos dados. Através do BigQuery, foi possível construir visões específicas que resumiram as informações mais relevantes para o estudo. Estas visões foram criadas utilizando consultas SQL avançadas, otimizando a performance das análises.

2.1.4. Visualização de Dados:
Os dados foram visualizados por meio de gráficos e tabelas no Google Analytics, que permitem entender melhor os padrões e tendências nos dados.

2.1.3. Processamento e Análise dos Dados no Google Colab:
Para a análise detalhada dos dados, foi utilizado o Google Colab, um ambiente de programação baseado em Jupyter Notebooks que permite a execução de codigo Python em um ambiente de nuvem. No Colab, os dados importados do BigQuery foram processados utilizando bibliotecas como Pandas e NumPy, que permitiram a aplicação de fórmulas e cálculos necessários em cada etapa da análise. As fórmulas desenvolvidas para cada etapa do estudo incluíram a normalização dos dados, o calculo de médias ponderadas, e a aplicação do método AHP Gaussiano. Este processo garantiu que os dados fossem adequadamente preparados para a aplicação do modelo de decisão.

2.2 Processamento e geração de relatórios
Os dados coletados pelo código de medição são enviados ao Google Analytics para serem processados e apresentados em relatórios. Eles são então organizados com base em critérios específicos, como o tipo de navegador ou se o dispositivo é um smartphone ou computador. É possível personalizar o processamento dos dados, como aplicar filtros para excluir o tráfego interno da empresa ou do desenvolvedor. Após o processamento pelo Google Analytics, as informações são armazenadas em um banco de dados que não pode ser modificado.

2.3 Seleção de critérios e alternativas para o estudo

Client id:
De acordo com a documentação do Google Analytics, o "clientId" é um parâmetro que identifica exclusivamente um usuário no contexto de um único projeto ou propriedade do Google Analytics. Ele é gerado e atribuído automaticamente pelo Google Analytics a cada usuário que interage com um site ou aplicativo que possui a implementação do Google Analytics. O "client Id" é um identificador aleatório e anônimo que é armazenado em um cookie do Google Analytics no navegador do usuário. Esse cookie é utilizado para rastrear as interações do usuário em um site ou aplicativo ao longo do tempo e entre diferentes sessões.

Visitas:
De acordo com a documentação do Google Analytics, uma "visita" (também conhecida como "sessão") é uma unidade de interação que ocorre quando um usuário acessa um site ou aplicativo e realiza atividades dentro de um determinado período de tempo contínuo. Uma visita é iniciada quando um usuário acessa o site ou aplicativo e é encerrada após um período de inatividade definido pelo Google Analytics. Por padrão, se o usuário permanecer inativo por 30 minutos ou mais, a visita é considerada encerrada. Durante uma visita, o Google Analytics rastreia e registra várias interações e atividades realizadas pelo usuário, como visualizações de página, cliques em links, eventos, transações e outras ações específicas configuradas.

Eventos Personalizados:
De acordo com a documentação do Google Analytics, os "eventos personalizados" são ações específicas e personalizadas que são definidas pelo desenvolvedor ou administrador do site ou aplicativo para rastrear interações ou eventos específicos que não são automaticamente capturados pelo rastreamento padrão do Google Analytics.

Ao definir eventos personalizados, o desenvolvedor pode especificar um nome para o evento, uma categoria, uma ação e um rótulo, conforme necessário. Essas informações permitem classificar e categorizar os eventos de acordo com a estrutura e os requisitos específicos do site ou aplicativo.

2.4 Mapeamento das etapas do funil de vendas
Para mapear as etapas do funil de vendas do site, foram criados eventos de visualização, configurados da seguinte forma:

Categoria do evento: "checkout"
Ação do evento: "Visualização de etapa"
Rótulo do evento: "Etapa X - [nome da etapa do checkout]"

Essas etapas foram elencadas neste estudo, como as ações mais importantes para compreender o comportamento do usuário dentro do site. E dessa forma, foram consideradas como os “pesos” principais no cálculo do método AHP-Gaussiano.

Etapa 1 – Carrinho:
Evento criado no momento que o usuário acessa a tela de carrinho, onde tem os campos com nome do produto, parcelas possíveis, tempo de entrega e valor do produto

Etapa 2 - Identificação:
Evento criado no momento que o usuário acessa a tela de identificação, onde o usuário faz o preenchimento do email

Etapa 3 – Dados Pessoais:
Evento criado no momento que o usuário acessa a tela de dados pessoais, onde o usuário faz o preenchimento dos dados pessoais: nome completo, cpf, data de nascimento, celular, nome da mãe

Etapa 4 – Dados do negócio:
Evento criado no momento que o usuário acessa a tela de dados do negócio, onde o usuário faz o preenchimento dos dados da empresa dele: tipo de cadastro (cpf|cnpj), nome fantasia, tipo de vendas, faturamento mensal estimado.

Etapa 5 – Dados de entrega:
Evento criado no momento que o usuário acessa a tela de dados de entrega do produto: CEP, endereço, número, complemento, bairro, cidade, estado.

Etapa 6 – Dados do pagamento:
Evento criado no momento que o usuário acessa a tela de pagamento, onde faz o preenchimento dos dados de pagamento: meio de pagamento (cartão de crédito, pix, boleto)

Engajamento da sessão:
Evento de uma sessão com interação significativa do usuário no site. Para disparar esse evento o usuário precisa ter gasto pelo menos 10 segundos na página, ter algum clique, e ter descido a página em pelo menos 25% da extensão total da página.

Adição de produto no carrinho:
Evento disparado na adição de algum produto ao carrinho, mostrando intenção de comprar produtos

Interação com chat no site:
Evento disparado quando o usuário tem algum tipo de interação com o chat.

Download de regulamento de produto:
Evento disparado quando o usuário clique nos botões em qualquer página para fazer o download do documento regulamento do produto

Download App:
Evento disparado quando o usuário clica para fazer o download do app.

Resultados e Discussão

A partir da coleta de dados de 76 usuários, foi possível elaborar a matriz de decisão conforme anexo A deste documento, apresentado de forma reduzida na tabela 1 abaixo. Neste estudo, essas fases foram identificadas como as mais cruciais para entender o comportamento do usuário no site. Portanto, foram tratadas como os principais fatores no cálculo usando o método AHP-Gaussiano.

Tabela 1: Matriz de Decisão Reduzida

Um dos pontos de destaque do modelo AHP Gaussiano é relacionado a redução de esforços cognitivos do decisor, a partir do momento que não é mais necessário a avaliação par a par entre os critérios para obtenção de seus respectivos pesos. Após a criação e definição da matriz de decisão foi verificado se ela já está normalizada, e avaliado qual é o tipo do critério, de custo ou de benefício, definido como:

Dado que todos os critérios são monotônicos de benefício no contexto do método AHP gaussiano, a fórmula 1 utilizada para calcular os pesos finais dos critérios é a seguinte:

Em que “𝜐” representa o peso final de cada critério, “αij” representa os elementos da matriz de ponderações (Avaliação par a par dos critérios) e “∑ αij” representa a soma de todos os elementos da matriz.

Com a aplicação da fórmula 1 nos dados coletados do anexo A, obteve-se como resultado, a estrutura representada na tabela 2 abaixo, apresentada de forma reduzida.

Tabela 2: Aplicação do cálculo de pesos dos critérios

Fonte: Resultados originais da pesquisa (2024)

Em seguida, utilizando a fórmula 2 abaixo, foi feito o cálculo do desvio padrão dos critérios com base na amostra das alternativas. Aplicando a fórmula 2 nos resultados apresentados na tabela 2, obteve-se os números representados na tabela 3 abaixo.

Tabela 3: Aplicação do cálculo de desvio padrão

Fonte: Resultados originais da pesquisa (2024)

Após isso, foi realizado o cálculo do fator gaussiano para cada critério, através da fórmula 3 e obteve-se os resultados apresentados na tabela 4.

Tabela 4: Aplicação do cálculo do fator Gaussiano

Fonte: Resultados originais da pesquisa (2024)

Posteriormente, foi realizada a normalização do fator gaussiano para cada critério, através da fórmula 4 e obteve-se os resultados apresentados na tabela 5.

Tabela 5: Normalização do fator Gaussiano

Fonte: Resultados originais da pesquisa (2024)

Por último, através da ponderação da matriz de decisão, foi multiplicado o fator gaussiano normalizado para cada valor do client id obtendo a tabela 6 que apresenta o ranking. E, por meio da soma da linha de cada critério, gerou-se a coluna de soma das ponderações, com o ranking dos clientes mais propensos a realizar a compra se forem impactados novamente por algum tipo de comunicação da empresa.

Tabela 6: Apresentação do ranking

Fonte: Resultados originais da pesquisa (2024)

Considerações Finais

A utilização de dados precisos sobre o comportamento do usuário permite estratégias mais assertivas, resultando na redução significativa dos custos de campanhas de remarketing ao focar nos clientes com maior propensão à conversão. Além disso, a aplicação do método AHP Gaussiano demonstrou ser uma ferramenta versátil, gerando insights valiosos que podem ser expandidos para diversas áreas de negócios. Entre as melhorias potenciais, destacam-se a otimização na alocação de investimentos em marketing, a classificação eficiente de campanhas e o aprimoramento do fluxo de atendimento ao cliente, permitindo uma priorização baseada no valor potencial de cada usuário. Essa abordagem quantitativa e estruturada transforma dados complexos em decisões estratégicas, impulsionando a eficiência e a rentabilidade organizacional.

Referências

• BARROSO, Danilo J A. Método AHP (analytic hierarchy process-gaussiano) na determinação de aquisição de um aparelho celular. Faculdade futura (2021)
• CRUZ, W. L. M. (2021). A expansão dos Prestadores de Serviços Logísticos (PSLs) no Brasil nas duas primeiras décadas do século XXI: agentes, processos e tendências. 2021. 319 f. Tese (Doutorado em Geografia) - Centro de Filosofia e Ciências Humanas, Universidade Federal de Santa Catarina, Florianópolis,.
• Czerniawska, F., Potter, G., Czerniawska, F., & Potter, G. (1998). The Virtual Value Chain. In Business in a Virtual World
• DE MELO CRUZ, Wander L. (2021). Crescimento do e-commerce no Brasil: desenvolvimento, serviços logísticos e o impulso da pandemia de Covid-19. GeoTextos,.
• DoS SANTOS, M., COSTA, I. P. A., & GOMES, C. F. S. (2021). Multicriteria decision-making in the selection of warships: a new approach to the AHP method. International Journal of the Analytic Hierarchy Process, 13(1), 147-169.
• FREDERICK S. HILLER, G.J.(2013). Introdução à pesquisa operacional (9 ED ed.)
• Kukar-Kinney, M., & Timothy, K. B. (2012). Toward a theory of consumer electronic shopping cart behavior: Motivations of e-cart use and abandonment. Online Consumer Behavior: Theory and Research in Social Media, Advertising, and E-Tail.
• MACHARIS.(2004). The Strategic Evaluation of New Technologies Through Multicriteria Analysis: The Advisors Case. Research in Transportation Economics, 443-462
• MACIEL, Lilian N S. (2020). Comportamento de não-compra: Motivação para abandono do carrinho de compras online. Universidade de Minho.
• MÉNDEZ, R. (2020). Sitiados por la pandemia. Del colapso a la reconstrucción: apuntes geográficos. Madrid: Ed. Revives
• SAATY, T. L. (1970). How to Make a Decision: The Analytic Hierarchy Process. European Journal of Operational Research, 48, 9-26.
• SILVA,E. M.(2009). Pesquisa Operacional(3 ed ed.). São Paulo: Atlas.