Previsão de comportamentos com Large Language Model (Llm)- Impulsionado por Digital Twins de Clientes

Local: Sala 3.216 - Campus Grand Paris e online 
Horário: 12h-13h30

Palestrante: Xin (Shane) Wang, Professor de Marketing – Virginia Tech.

Os digital twins de clientes (DToC) surgiram como uma abordagem promissora para simular o pensamento, as emoções e a tomada de decisões dos consumidores em contextos de marketing. Esta pesquisa propõe e testa empiricamente uma estrutura metodológica que combina o ajuste fino (fine-tuning) e a geração aumentada por recuperação (RAG) para construir digital twins de clientes com base em modelos de linguagem de grande porte (LLM). O ajuste fino a partir de conteúdos gerados pelos usuários permite que o modelo internalize características individuais, preferências e comportamentos, enquanto a RAG dota o gêmeo de acesso em tempo real a informações contextuais sobre os produtos. Demonstramos essa estrutura usando dados do comércio eletrônico da Amazon, construindo 306 gêmeos digitais personalizados e avaliando seu desempenho na previsão de decisões de compra e conteúdo de avaliações. Os digital twins obtidos alcançam alta precisão na previsão de compras futuras (83%) e geram avaliações de produtos com forte correspondência semântica em relação ao conteúdo real dos clientes (similaridade cosinus superior a 0,94). Este método abre novas perspectivas para o marketing personalizado, testes de campanhas antes de sua implementação e modelagem de consumidores em conformidade com a proteção da privacidade. Os resultados contribuem para a literatura emergente sobre IA generativa e agentes sintéticos em marketing, avançando as bases conceituais e técnicas para uma simulação preditiva, interativa e individualizada do cliente.

Para mais informações, entre em contato com Margherita Pagani: margherita.pagani@skema.edu