A Zoox Smart Data tem realizado pesquisas de intenção de compras para entender as tendências do comportamento de consumo do brasileiro em determinados períodos. A mais recente, sobre viagens de final de ano, foi feita entre os dias 16 e 28 de novembro com 71,5 mil pessoas. O estudo mostrou que 43,9% de quem ainda não estava com viagem marcada aceitaria uma oferta interessante de última hora e que 37,3% daria preferência à comodidade de pacotes mais completos, aqueles que incluem passagem, hospedagem e passeios. Outro estudo, feito com 25 mil pessoas entre os dias 24 e 31 de outubro, uma semana antes de começarem as campanhas de venda antecipada de Black Friday, mostrou que 44,3% dos consumidores não esperariam pelo dia exato das promoções se encontrassem o produto que procuravam com um preço interessante e que 57,2% deles comprariam pela internet. Essas informações foram noticiadas em grandes veículos de comunicação, mas também deveriam ser um ativo valioso para as empresas dos setores de viagens, hotelaria e varejo, por exemplo.
O que faz essas informações deixarem de ser notícia para converter em vendas é o conhecimento que cada companhia tem de seus consumidores, ou seja, até onde os dados de cada cliente são transformados em recursos úteis para a tomada de decisões. Para isso, essas informações precisam passar por cinco passos em um processo cuidadoso.
1 – Definição do problema
O primeiro passo é definir exatamente o que se pretende com a análise de dados dentro da estratégia da empresa, pois é só a partir do problema a ser resolvido que será possível mensurar o sucesso da adoção da tecnologia como ferramenta de aceleração de resultados. Essa identificação deve ser feita pelo gestor da organização, pois ele tem o conhecimento necessário para saber qual a meta a ser alcançada, seja o aumento do ticket médio, seja a redução de churn. Com essa indicação, o desenvolvimento dos mecanismos descritos nos próximos passos será mais eficiente. Vai ficar muito mais claro quais dados são essenciais, quais são supérfluos e, principalmente, como manter a rota, com devidos acertos ao longo do caminho, rumo ao objetivo de negócio.
2 – Captação
Quando o gestor sabe que precisa aumentar o número de clientes, a primeira ideia que passa pela cabeça é juntar dados. Nesse primeiro momento, podem acontecer alguns erros bastante comuns. Um deles é a aquisição de pacotes públicos com dados. Além de ser ilegal, esses pacotes custam caro – não só pelo valor do pacote em si, mas pelo valor final de cada um dos potenciais clientes.
Se você está iniciando essa etapa agora, a maneira mais fácil é levantar os dados de quem já é cliente e começar a coletar as informações daqueles que estão se relacionando com a companhia. Isso se faz com as listas de todas as interações: loja física, site, chatbot, redes sociais ou outro canal de comunicação que a empresa tiver.
Mas tenha em mente que tudo faz parte de uma grande estratégia e a definição de quais dados recolher vai partir dela. Além disso, esteja atento à Lei Geral de Proteção de Dados, que exige total transparência para o consumidor sobre o uso de suas informações e que dá a ele a possibilidade de revogar o acesso a elas sempre que quiser.
3 – Higienização
Essa etapa é de extrema importância para evitar informações falsas para a empresa e transtornos para o consumidor. É nessa etapa que aquele pacote com dados fica mais caro. Para dar um exemplo prático: um spa localizado em São Paulo quer mandar um e-mail marketing com um voucher promocional para novos clientes e, para essa ação, compra um pacote de dados de mil pessoas a um custo de R$ 5 por nome. Mas, dessa lista, 80% moram em São Paulo e outros 30% não moram nem trabalham nas imediações do spa. Só com o recorte geográfico esse custo já subiu para R$ 10 por nome. Se aprofundarmos os recortes por idade, ticket médio e interesse, a tendência é a lista reduzir e o valor unitário aumentar. Depois do disparo do e-mail, a atração não será de 100% e aí surge a questão estratégica: quanto a empresa estava disposta a gastar por cada novo cliente e quanto realmente gastou?
A higienização também reduz a lista captada pela própria companhia. Vamos supor que um mesmo consumidor fez três compras em loja física, cinco em loja virtual e também já tirou dúvidas no chatbot. Essas nove interações devem virar uma informação só, centralizada, para que nem a empresa entenda que tem nove clientes nem que ele seja ativado por três canais diferentes.
4 – Qualificação
Uma vez que a base de dados esteja organizada, cada nova interação é adicionada ao mesmo cliente. Novamente, essas adições devem estar em conformidade com a estratégia global, definida pelas dores que a empresa sente. Frequência de novas compras, carrinhos abandonados na loja virtual, reclamações e elogios no chatbot, meios de pagamento e formas de entrega são alguns dos exemplos de informações que podem ser retidas.
Outra forma de enriquecimento é a conexão da base própria de clientes com bases públicas, como contas de redes sociais, que indicam outros hábitos de consumo.
5 – Construção de Modelos
Este é o ápice do processo, que vai usar tudo que foi coletado, higienizado e qualificado para fornecer elementos tangíveis para tomadas de decisões. Nesta etapa torna-se indispensável o uso tanto de ferramentas de extração, transformação e carregamento de dados para estruturá-los conforme o objetivo de negócio quanto de ferramentas que usam algoritmos padrão conforme o problema apresentado e agilizam processos de criação de modelos.
O algoritmo é um processador que faz as análises e correlações de dados em uma velocidade humanamente impossível, com resultados muito mais refinados. Também consegue mostrar esses resultados de uma maneira visual e de fácil compreensão, para que as decisões sejam igualmente rápidas.
Um dos modelos de resultados é o descritivo, aquele que mostra uma dor da atualidade com base nos dados passados, e as empresas que têm área de business intelligence fazem uso dele. No varejo, o algoritmo, nesse caso, pode mostrar um grande índice de desistência na loja virtual no momento do check-out.
Outro modelo é o analítico, aquele que mostra o motivo da dor com base em cálculos estatísticos. No exemplo anterior, ele poderia mostrar que a maior parte da desistência se dá por causa do valor do frete ou do tempo de entrega. Em comum, esses dois modelos fazem uma retrospectiva, eles fornecem um quadro do passado da empresa.
Com o terceiro modelo, o preditivo, os gestores começam a ter insights para projetar resolução de dores futuras usando uma combinação de dados, análises estatísticas e inteligência artificial. Novamente usando o exemplo anterior, dar opções de frete grátis para quem atingir um valor de compras ou oferecer opções de entrega rápida para moradores de determinada área. Esse modelo, por ser mais aprofundado, pode ser aplicado em vários segmentos. Em seguradoras, por exemplo, pode ajudar a precificar as apólices baseado no risco de cada pessoa e em financeira, a calcular valor de empréstimo e taxa de juros adequados para cada cliente.
Todos os passos descritos anteriormente formam o processo completo de adoção da análise de dados dentro da estratégia de negócios da empresa. Para que essa adoção seja o mais proveitosa possível, ela será feita em duas etapas:
1- Definição do Produto Mínimo Viável (MVP)
O objetivo dessa etapa é fazer uma entrega rápida e demonstrar a relevância da aplicação. Isso porque quando o assunto é dados e modelos, mesmo com uma definição muito clara do problema a ser resolvido, nem tudo sai bem já na primeira tentativa. Nesse caso, uma forma de otimizar esforços técnicos e recursos financeiros é escolher uma amostra representativa do todo e construir algumas hipóteses para testes. Com isso, a empresa consegue entender o real valor da iniciativa, além de ser possível verificar uma quantidade muito maior de cenários do que seria possível ser feito com a quantidade absoluta de informações disponíveis. Com a validação do protótipo, tem início a próxima etapa.
- Insights
Com o fluxo de dados montados e algoritmos prontos, a aplicação pode ser ampliada para todo o universo de informações da empresa e apresentar as ações que devem ser tomadas. Por exemplo, se o objetivo de negócio é aumentar o ticket médio, com base nos dados é possível otimizar a mídia para o perfil de quem mais compra na empresa, deixando de impactar pessoas que não convertem. Ou, no caso de redução de churn, entendendo o motivo de desistência, é possível promover uma campanha de resgate desses clientes. E essa modelagem pode ser aplicada em vários segmentos de empresas. Em seguradoras, por exemplo, é possível identificar o risco dos usuários e criar uma série de benefícios de acordo com seus hábitos de segurança. Ou seja, a ação deve chegar ao consumidor final da forma mais personalizada possível.
E os consumidores já esperam por isso: fornecem os dados para serem tratados como indivíduos e querem receber as ofertas que fazem sentido para eles. Independente do tamanho e da maturidade da empresa, o gestor que entender que o melhor produto para o cliente é o produto que ele realmente precisa ao valor que ele quer pagar sai na frente. É aí que o algoritmo faz toda a diferença.
André Miguel, CDO da Zoox Smart Dat
