47
UNIVERSIDADE ANHEMBI MORUMBI MARKUS MOREIRA HALBIG ANÁLISE PREDITIVA; COM BIG DATA E FERRAMENTAS DE ANÁLISE DE DADOS EM TEMPO REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES VAREJISTAS.

ANALISE PREDITIVA

Embed Size (px)

DESCRIPTION

ANÁLISE PREDITIVA; COM BIG DATA E FERRAMENTAS DE ANÁLISE DE DADOS EM TEMPO REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES VAREJISTAS. - Monografia de conclusão de MBA - Gestão de TI com foco em BI.

Citation preview

Page 1: ANALISE PREDITIVA

UNIVERSIDADE ANHEMBI MORUMBIMARKUS MOREIRA HALBIG

ANÁLISE PREDITIVA; COM BIG DATA E

FERRAMENTAS DE ANÁLISE DE DADOS EM TEMPO

REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO

ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES

VAREJISTAS.

São Paulo2014

Page 2: ANALISE PREDITIVA

MARKUS MOREIRA HALBIG

ANÁLISE PREDITIVA; COM BIG DATA E

FERRAMENTAS DE ANÁLISE DE DADOS EM TEMPO

REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO

ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES

VAREJISTAS.

Trabalho de Conclusão de Curso apresentado como exigência parcial para a obtenção do título de Especialista do curso de Gestão de TI da Universidade Anhembi Morumbi, sob a orientação do Prof. Osmar Masini Visibelli.

São Paulo2014

Page 3: ANALISE PREDITIVA
Page 4: ANALISE PREDITIVA

MARKUS MOREIRA HALBIG

ANÁLISE PREDITIVA; COM BIG DATA E

FERRAMENTAS DE ANÁLISE DE DADOS EM TEMPO

REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO

ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES

VAREJISTAS.

Trabalho de Conclusão de Curso apresentado como exigência parcial para a obtenção do título de Especialista do curso de Gestão de TI da Universidade Anhembi Morumbi, sob a orientação do Prof. Osmar Masini Visibelli.

Aprovado em

Nome do orientador/titulação/IES

Nome do convidado/ titulação/IES

Nome do convidado/IES

Page 5: ANALISE PREDITIVA

RESUMO

O varejo contemporâneo vivencia um cenário desafiador, complexo; porém promissor. A

disputa acirrada pelo consumidor requer estratégias mais elaboradas do que simplesmente

focar na oferta do melhor “preço final” ao consumidor. Personalização e conveniência

passaram a ser considerados fatores essenciais no atendimento a clientes; que devido à

disponibilidade de tecnologia que viabiliza o compartilhamento de informações através de

redes sociais, mobilidade e geo-localização, bem como a facilidade de migração entre loja

física, virtual e outros canais como o telemarketing; possibitam ao cliente uma ampla gama de

opções de compra; dificultando aos principais “players” do varejo a tarefa de fidelização.

Obter vantagem competitiva no segmento depende e dependerá cada vez mais de adotar a

estratégia mais assertiva com a finalidade de demonstrar ao cliente o quão profundamente o

conhece e quanto se importa em atender a suas demandas. Utilizar a vasta quantidade de

informações disponibilizada por tais clientes nas redes sociais, bem como analises em tempo

real, utilizando modelos estatísticos e algoritmos customizados, possibilitará entender tais

demandas e oferecer atendimento proativo, visando aumentar o volume de vendas e a base de

clientes fidelizada.

Palavras-chave: Big Data. Analise Preditiva. Tempo Real. Varejo.

Page 6: ANALISE PREDITIVA

ABSTRACT

The contemporary retail experiences a challenging scenario, complex; however promising.

The large dispute for the consumer requires more elaborate than simply focus on offering the

best "final price" consumer strategy. Customization and convenience are considered to be key

factors in customer service; due to the availability of technology that enables the sharing of

information through social networks, mobility and geo-location as well as the migration

facility between physical, virtual store and other channels such as telemarketing; let the

customer a wide range of options; making more difficult to the main "players" in retail the

task of loyalty consumers. Gain competitive advantage depends on the segment and will

increasingly depend on adopt more assertive strategy in order to demonstrate to the client how

deeply knows and cares with him to meet their demands. Using the vast amount of

information provided by such customers on social networks, and analysis in real time, using

statistical models and customized algorithms, allow retailers to understand these demands and

offer proactive offers, to increase sales volume and base of loyal customers .

Keywords: Big Data. Predictive Analysis. Real Time. Retail.

Page 7: ANALISE PREDITIVA

SUMÁRIO

INTRODUÇÃO.........................................................................................................................................7

1. EIXO TEMÁTICO DO MBA DE GESTÃO EMPRESARIAL.......................................................8

1.1 OBJETIVO GERAL..............................................................................................................................8

1.2 OBJETIVOS ESPECÍFICOS...................................................................................................................8

1.3 PROBLEMA........................................................................................................................................8

1.4 JUSTIFICATIVA..................................................................................................................................8

1.5 HIPÓTESES........................................................................................................................................8

1.6. REVISÃO BIBLIOGRÁFICA.................................................................................................................8

1.6.1 Tópico 1....................................................................................................................................8

1.6.2 Tópico 2....................................................................................................................................8

2. EMPRESA - CASE...............................................................................................................................9

2.1 CARACTERIZAÇÃO GERAL DA EMPRESA...........................................................................................9

2.2 PRODUTOS E SERVIÇOS.....................................................................................................................9

3. METODOLOGIA DE PESQUISA...................................................................................................10

3.1 IDENTIFICAÇÃO DO MÉTODO..........................................................................................................10

3.1 APRESENTAÇÃO E ANÁLISE DE DADOS...........................................................................................10

CONSIDERAÇÕES FINAIS.................................................................................................................11

REFERÊNCIAS BIBLIOGRÁFICAS..................................................................................................12

APÊNDICE OU ANEXOS.....................................................................................................................13

Page 8: ANALISE PREDITIVA

7

0. INTRODUÇÃO

0.1 Apresentação

Em 2004, empresa americana O'Reilly Media popularizou o termo WEB 2.0,

referindo-se a uma quebra de paradigma; onde os usuários passariam não somente a consumir

conteúdo na internet; mas também a produzi-lo.

Atualmente, em algo como um minuto, mais de 2 milhões de buscas são feitas no

Google, usuários do Twitter enviam mais de 100 mil tweets e mais de US$ 250 milhões são

gastos por consumidores.

De acordo com um “clipping” publicado pela Bela Vista Serviços em 03/09/2012; “A

quantidade de dados digitais produzida em 2012 deve superar os 2,7 zettabytes no mundo.

Isso corresponde à capacidade de armazenamento de cerca de 170 bilhões de iPads. São

números incríveis que desafiam as empresas, que precisam não apenas proteger as

informações, mas encontrar maneiras de extrair inteligência dessa avalanche de informações.”

A essa imensa quantidade de dados produzida e disponibilizada de maneira exponencial dia

após dia, dá-se o nome de “Big Data”.

Rodolfo Ohl, “country manager” da SurveyMonkey no Brasil explica: “Big Data é

composto por dois diferentes tipos de dados: os Implícitos e os Explícitos. Dados implícitos

são aqueles coletados sem que necessariamente se tenha a anuência das pessoas durante um

processo de análise. Com estes dados, as empresas passam a conhecer os hábitos de seus

clientes e, desta forma, muitas vezes, conseguem prever suas próximas ações. Cada bloco de

dado disponível está sendo destrinchado e esmiuçado para posterior análise. Os maiores

varejistas, das cadeias de supermercados aos bancos de investimentos, têm uma área de

“análise preditiva”, focada não apenas em entender os hábitos de compras dos consumidores,

mas também seus hábitos pessoais, buscando assim uma forma mais eficiente de comunicar e

vender para eles.”

Rodolfo explica ainda “Apesar da coleta de Dados Implícitos ser a mais utilizada, pelo

fato de que as informações podem ser obtidas em grande escala, você nunca saberá se suas

Page 9: ANALISE PREDITIVA

8

predições estão corretas. Isto porque eles são baseados na coleta passiva dos hábitos e

comportamentos das pessoas. E é exatamente por isso que não são 100% à prova de falhas.

Com esse tipo de dados, não é possível para qualquer varejista saber se uma avó está

comprando um presente de aniversário para seu neto ou para si própria. Da mesma forma, este

varejista não consegue saber se você está comprando um livro para você ou como presente

para um amigo. E, independentemente do quão genial seja o analista, ele nunca conseguirá

sugerir uma música certa sem PERGUNTAR para a pessoa se determinado ritmo lhe agrada.

Sendo assim, a dica é: apenas pergunte. O simples ato de formular uma pergunta específica

nos leva para os Dados Explícitos.”

Dados Explícitos, porém costumavam ter alto custo e demandar muito tempo para

serem obtidos e apurados. Problema que passou a ser minimizado utilizando-se as tecnologias

disponíveis atualmente para a obtenção de tais dados em grandes volumes, através de diversas

plataformas na internet. Ao “curtir” ou avaliar determinada empresa, produto ou serviço;

responder alguma pesquisa ou mesmo escrever uma resenha recomendando ou não um

restaurante ou filme; estamos fornecendo Dados Explícitos.

Um exemplo de ferramenta que se propõe a explorar a obtenção de Dados Explícitos é

o “Influentio”. A missão de tal ferramenta é reconstuir o comércio ao redor das pessoas na

web. Através de uma solução de SaaS, Software as a Service de social commerce que

possibilita aos clientes, e-commerces, ferramentas que permitem a seus consumidores criarem

conteúdo, interagir com os produtos e outros indivíduos, se expressarem socialmente,

auxiliando na validação social e auxiliando os consumidores no processo de escolha dos

produtos, que disponibiliza conteúdo muito pobre, incompleto ou muitas vezes inexistentes.

Rodolfo, da SurveyMonkey, complementa “A grande verdade é que Dados Implícitos

e Explícitos devem trabalhar juntos, complementando-se. Usar apenas um tipo de dados é

perigoso. Verifique os Dados Implícitos e os Dados Explícitos. Analise seus dados, mas não

se esqueça de perguntar “Por que?”. Dados Implícitos são o “O que”. Dados Explícitos são o

“Por que”. Um sempre será importante para sustentar o que se extrai do outro.”

Page 10: ANALISE PREDITIVA

9

1. EIXO TEMÁTICO DO MBA DE GESTÃO DE TI

1.1 Objetivo geral

Formular estudo baseado em bibliografia previamente analisada, bem como em

hipóteses elaboradas de acordo com experiências vivenciadas no segmento de varejo virtual;

demonstrando a importância da utilização de “BIG DATA” e ferramenta de análise preditiva

na obtenção de vantagem competitiva.

1.2 Objetivos específicos

Avaliar a utilização de ferramentas de análise de dados em tempo real na

consolidação, organização e segmentação da imensa quantidade de dados disponível na web e

principalmente nas redes sociais; viabilizando sua utilização na oferta proativa e

personalizada de produtos/serviços aos consumidores, de acordo com seus hábitos de

consumo.

1.3 Problema

O presente trabalho se propõe a elucidar a questão - Como a análise de dados em

tempo real pode contribuir no atendimento proativo aos consumidores varejistas; de acordo

com seus padrões de consumo?

Inicialmente faz-se necessário entender de que exatamente se trata a “análise

preditiva”. Segundo BARI, CHAOUCHI e JUNG (2014), trata-se do “estado da arte” na

utilização de dados para tomar decisões mais assertivas. “Trata-se da combinação de

mineração de dados, estatística e matemática”. Dados são considerados um dos ativos

organizacionais mais valiosos. Porém, para extrair o valor de tais dados é fundamental

“minerar”. “Mineração de Dados” consiste na descoberta de padrões ocultos de dados através

da inteligência artificial; utilizando algoritmos sofisticados para executar tal mineração.

Page 11: ANALISE PREDITIVA

10

Já “análise preditiva” se resume no processo de refinamento desse recurso (dados),

valendo-se do conhecimento de negócios, visando extrair o valor implícito desses novos

padrões descobertos.

Um exemplo de ferramenta que será em breve utilizada pelo mercado para análise

preditiva é o computador Watson da IBM. Segundo Edson Barbieri da ExactTarget; “Ele foi

desenvolvido para entender a linguagem humana e responder a qualquer pergunta com

rapidez. Em 2011 a máquina em questão venceu o Jeopardy, um dos mais famosos programas

de pergunta e resposta dos Estados Unidos. Em novembro de 2013 a IBM anunciou que, pela

primeira vez, iria disponibilizar a tecnologia do Watson como uma plataforma de

desenvolvimento na nuvem. Com isso, a empresa permite que a comunidade mundial de

desenvolvedores de softwares construa, a partir da inteligência cognitiva do Watson, uma

nova classe de aplicações, capazes de aprender com a experiência do usuário, aprimorar-se a

cada interação e resultado e auxiliar na solução das questões mais complexas da indústria.

Isso pode significar toda uma mudança na forma como as pessoas interagem com os

computadores e até mesmo no modo como vivem.”

Em matéria intitulada "Analytics começa a se popularizar no Brasil"; publicada pela

Information Week Brasil em 20/02/2014; cita-se ”Em busca de mais competitividade, é cada

vez mais comum ouvir empresas que investiram ou pretendem investir em soluções de BI,

análise preditiva ou analytics, de maneira geral. O Gartner, por exemplo, prevê que tais

softwares permanecerão entre as prioridades dos CIOs ao menos até 2017. Além disso,

quando se olha o universo de grandes corporações, a aposta é ainda maior. A mesma

consultoria acredita que até 2015, 25% dessas organizações terão um Chief Data Officer

(CDO). Mas o interessante nesse movimento, é que esse tipo de solução começa a se

popularizar em empresas de médio porte, onde, até um tempo atrás, não se via muitos projetos

com analíticos, em primeiro lugar pela falta de maturidade das TIs e, em segundo lugar, pelos

preços.”

Temos, portanto, que antecipar os anseios de clientes e prospectivos clientes, de modo

a lhes oferecer produtos e serviços, antevendo suas demandas; permitirá às empresas atender a

tais clientes de maneira proativa e diferenciada; inspirando o cliente a comprar mais com

ações relevantes e campanhas mais assertivas.

Page 12: ANALISE PREDITIVA

11

Trata-se da inteligência de demanda, que procura estimar os volumes de vendas, que

podem ser muito variáveis em função de mudanças conjunturais ou eventos específicos; é

fundamental poder prever o comportamento do mercado, que não segue o padrão histórico

tradicional. É necessário aplicar novos modelos de estimativa de demanda, compreender o

tipo de cliente, como age na compra.

Fundamental também atentar à inteligência de estoque, visando tratar do correto

dimensionamento das necessidades de estoques para atender à demanda; bem como a

inteligência de fornecimento; tendo em vista a necessidade de avaliação contínua da

capacidade de atendimento dos fornecedores.

Somente dessa maneira será de fato possível atender a clientes de maneira de fato

diferenciada, agregando personalização e agilidade.

1.4 Justificativa

O principal desafio do varejo contemporâneo reside na fidelização de clientes, tendo

em vista que a captação de novos clientes é comprovadamente mais onerosa do que a

manutenção da base de clientes obtida previamente.

Desta maneira torna-se fundamental atender à atual base de clientes da empresa de

maneira diferenciada e assertiva. Para tanto, nada mais inteligente do que utilizar dados

históricos de perfil de consumo, bem como “insights” provenientes de redes sociais para

oferecer a tais clientes de maneira proativa, produtos e serviços que sejam de fato de seu

interesse.

Na criação da demanda, há diversas questões importantes a tratar, desde a geração de

tráfego até a fidelização de clientes, e, especialmente, na conversão de visitas em vendas. Para

tanto, a empresa necessita: otimizar os processos relacionados aos motores de buscas (SEO –

Search Engine Optimization), o que reduz os custos de aquisição e aproveitamento do

potencial da cauda longa; melhorar a experiência do cliente, facilitando a navegação, em

interações cada vez mais complexas; implantar a personalização dinâmica do site, ou seja,

oferecer uma experiência personalizada exclusiva para cada cliente, o que pode promover um

aumento da taxa de conversão e do volume de pedidos.

Page 13: ANALISE PREDITIVA

12

1.5 Hipóteses

Hipótese 1: A utilização das tecnologias disponíveis para análise preditiva no

segmento de varejo on-line, proporciona maior assertividade na oferta e consequente aumento

na taxa de conversão

Hipótese 2: Pro-atividade na oferta de itens de consumo "desejáveis" pelo

consumidor, viabiliza maior identificação do mesmo com o varejista e facilita a fidelização do

cliente

Hipótese 3: Concessão de descontos; bem como a sugestão de produtos

complementares e/ou kits promocionais; geram aumento no valor do ticket médio do

consumidor

1.6. Revisão bibliográfica

1.6.1 Conceituação

Em meados de 2012, o Brasil já se encontrava posicionado em quinto lugar entre os

países com maior número de usuários de internet no mundo. Levando em consideração que

em meados de 1997, cerca de 0,7 % da população brasileira acessava a internet; em meados

de 2012, o número de usuários conectados à internet já estava em 45,6%. Ou seja; quase

metade da população brasileira já acessava a internet. Dados estes demonstrados no subtópico

3.1.1.

O volume de transações no e-commerce B2C (vendas ao consumidor final), também

cresce exponencialmente; conforme poderá ser notado no subtópico 3.1.2.

Com o aumento expressivo aumento das vendas on-line, bem como o crescente

volume de catálogos de produtos, as plataformas, aplicativos e sistemas voltados ao e-

commerce estão se tornando cada vez mais importantes, com ambições mais elevadas,

impactos profundos e mais estratégicos nos sistemas de informação. Neste contexto, os

Page 14: ANALISE PREDITIVA

13

sistemas de BI (Business Intelligence) tornaram-se estratégicos na obtenção de vantagem

competitiva.

Segundo LEME FILHO (2006) “Business Intelligence (BI) deve ser considerado como

um recurso de vantagem competitiva para as organizações, em seus processos de formulação

ou adequação de estratégias. Dentro desse contexto, a informação, tida como matéria-prima

de ambientes de suporte à decisão, é caracterizada não como um fim em si próprio, mas como

fonte que precisa ser transformada em conhecimento”. LEME FILHO, acrescenta

“Compreeende-se então que a informação, obtida através do tratamento dos dados pelos

sistemas informatizados de apoio à decisão, é matéria-prima fundamental para o entendimento

de uma empresa, seu nicho de atuação e, conseqüentemente, para a formulação ou adequação

ágil de estratégias assertivas e inovadoras.”

Segundo BARI, CHAOUCHI e JUNG (2014), “a mineração de dados (data minning)

somada ao conhecimento de processos de negócios, viabiliza a análise preditiva e agrega

valor ao negócio”.

Considerando a enorme quantidade de dados implícitos e explícitos disponíveis para

análise na internet (BIGDATA); bem como a vasta disponibilidade de ferramentas que

viabilizam tal mineração de dados; faz-se necessário apenas utilizar os algoritmos e modelos

da analise preditiva.

A análise de dados em tempo real, utilizando o método de análise colunar e o poder do

processamento em memória, complementa a iniciativa da análise preditiva, proporcionando

agilidade excepcional.

Torna-se, portanto fundamental alinhar a utilização de algoritmos e modelos preditivos

no tratamento do enorme volume de dados disponível na internet (BIG DATA), bem como a

agilidade dos sistemas de processamento de dados em tempo real, visando a obtenção de

vantagem competitiva

1.6.2 Big Data

Page 15: ANALISE PREDITIVA

14

Segundo SCHONBERGER e CUKIER (2014), “não existe definição rigorosa para Big

Data. A ideia inicial dava conta de que o volume de informações havia crescido em tão grande

escala, a ponto da quantidade analisada não mais ser atendida pela capacidade de memória

utilizada pelos computadores para processamento, demandando renovação por parte dos

engenheiros, das ferramentas utilizadas para analisá-los. Ferramentas como o Hadoop e o

Google´s Map Reduce, viabilizam uma gestão de volumes de dados bem mais expressivos do

que anteriormente.”

O comércio eletrônico pode ser considerado o precursor do Big Data, tendo em vista a

capacidade de varejistas líderes em armazenar cookies e históricos de compras de clientes,

propondo produtos similares em visitas posteriores.

ANAND (2012) conceitua: “Big Data no varejo e em mercados consumidores refere-

se ao volume total ou à extensão da atividade de dados que uma organização armazena, assim

como ao tamanho dos conjuntos de dados que ela utiliza para o seu BI e analises. Big Data

também é utilizado para descrever as dificuldades comumente associadas a essa atividade de

dados: volume ou extensão (no armazenamento e acesso aos dados), velocidade (com que

agilidade os dados devem ser capturados, processados, analisados e entregues), sua

complexidade (sofisticação e nível de detalhe na análise dos dados) e tipos (o diferente

numero de formatos que os dados assumem).”

GOVIL e HILL (2012) acrescentam: “Enormes volumes de dados estão sendo e

coletados massivamente e isto está crescendo exponencialmente. Este volume de dados está

crescendo mais rápido do que antes, devido à proliferação das mídias sociais e telefones

celulares. De acordo com um estudo do IDC, a informação do mundo esta mais do que

dobrando a cada dois anos e prevê que 1,8 ZB de dados serão criados e replicados, perto de 10

vezes os dados armazenados em 2006. Novas tecnologias não somente tornaram os dados

compostos, como também estão forçando os varejistas a pensar de maneira diferente sobre

como usar tais dados, para transformá-los em conhecimento prático que é fundamental para o

seu sucesso”.

GOVIL e HILL (2012) exemplificam: “Por exemplo, como os varejistas podem

utilizar os dados para conduzir novas abordagens para promoções, ruptura do ciclo de vida de

negociação entre fornecedores e vendedores, visando colaborar de forma mais eficaz com o

Page 16: ANALISE PREDITIVA

15

cliente diretamente. As opções são abundantes - mas exigem aproveitar os dados para agir e

mudar o modelo de negócio. A consutlria McKinsey prevê que existe um potencial para

aumentar as margens operacionais de um varejista em 60%; utilizando-se corretamente o Big

Data”.

Estimativas de mercado dão conta que são perdidas vendas de US$ 165 bilhões por

ano em função da falta de estoque do produto certo na hora certa. Fator agravado pelo volume

de vendas perdidas por outros motivos, como a ineficiência na comunicação com clientes de

maior potencial de compra, sobre quais as ofertas que eles podem aproveitar e em quais

estabelecimentos.

Conseguir analisar dados em volumes enormes, em tempo real e utilizando uma

variedade de fontes, são desafios para atacar estas questões e também são os pilares do Big

Data.

Tais fatores remetem também ao conceito de OMNI-CHANNEL; em voga na

atualidade. O consumidor de hoje é multicanal e cross canal, ou seja, compra em diversos

canais no momento que for mais conveniente e pratico para ele e pode cruzar compras em

ambientes físicos e virtuais. A utilização do Big Data no contexto de Varejo passa a ser a

chamada “SoLoMoMe”: Informações vindas das redes sociais (So), da localização do cliente

(Lo), em um contexto mobile (Mo), com interesses personalizados (Me).

Conforme poderá ser verificado vide sub-tópico 3.1.3, o OMNI-CHANNEL ainda tem

muito a amadurecer, visando se adequar à demanda de “disponibilidade” dos consumidores. A

correta utilização do Big Data, aliada a analise preditiva em tempo real pode auxiliar nesse

sentido.

1.6.3 Analise Preditiva

Diversos autores concordam na definição de aplicações preditivas: devem ser capazes

de antecipar e individualizar, aprender quem o cliente realmente é; detectar a intenção do

usuário no momento do seu uso; combinar e consolidar funcionalidade e conteúdo para

atender as intenções e aperfeiçoar-se para o dispositivo (ou canal) de uso. O resultado é que

Page 17: ANALISE PREDITIVA

16

aplicações preditivas possuem consciência contextual e adaptam-se para servir a um único

indivíduo, ou seja, oferecer atendimento personalizado.

GUAZZELLI, JENA e TAYLOR (2012), informam: “Técnicas avançadas de

mineração de dados, bem como de analise preditiva, transformam terabytes de dados sobre

consumidores, produtos, cadeias de suprimentos, entregas, ligações ao SAC e minúcias do

dia-a-dia das empresas modernas em “insights” para ação. Diversas ferramentas poderosas

existem para aplicar tais técnicas aos dados e produzir modelos de analise preditiva para

estimar, por exemplo, a oportunidade de obtenção de receita adicional de determinado cliente.

Nada mais em voga no momento, as técnicas de mineração de dados e de analise preditiva,

estão transformando a maneira como as organizações utilizam seus dados; como elas obtém

“insights” que viabilizam ações assertivas.”

BARI, CHAOUCHI e JUNG (2014), citam empresas de varejo que de fato obtiveram

sucesso em suas iniciativas utilizando analise preditiva – “Companhias que obtiveram sucesso

na utilização da analise preditiva para melhorar seu marketing e vendas são a Target

Corporation, Amazon e Netflix... Tais companhias se atentaram a personalizar a experiência

de compras na Internet, utilizando um algoritmo fazendo as vezes de um vendedor”.

DAVENPORT, e HARRIS (2007) citam – “Na Netflix, por exemplo, o principal foco

em analise preditiva consiste em prever os filmes preferidos dos clientes. A Netflix emprega a

analise em duas importantes vertentes; ambas guiadas pelo comportamento do cliente e seus

padrões de consumo. A primeira trata-se de um mecanismo de recomendação de filmes –

chamado “CineMatch”, baseado em um software proprietário guiado por algoritmos. A

companhia contratou matemáticos com experiência em programação para desenvolver

algoritmos e códigos visando determinar semelhanças entre filmes, conectar rankings de

avaliações a tais determinações, avaliando milhares de avaliações por segundo, em fator da

comportamento do website – tudo para oferecer um website personalizado por visitante. A

companhia também utiliza uma pratica de analise controversa conhecida como “ throttling”

que balanceia a distribuição de solicitações de entregas entre clientes habituais e não

habituais. Clientes não habituais tem preferência nas entregas. A principal razão para tanto

deve-se ao custo fixo mensal independente do numero de filmes entregues; consequentemente

os clientes que consomem menor quantidade de filmes acabam sendo mais rentáveis à

companhia. Alguns consideram tal algoritmo como injusto”.

Page 18: ANALISE PREDITIVA

17

BARI, CHAOUCHI e JUNG (2014), acrescentam: “Sistemas de recomendações foram

criados para maximizar os lucros dos varejistas. Tais sistemas se propõe a personalizar a

experiência de compra na internet, utilizando um algoritmo fazendo as vezes de um vendedor.

Foram desenhados para vender, aumentar as vendas, fomentar venda casada, manter os

clientes comprometidos e voltando a comprar sempre. Quando um cliente compra um produto

ou mostra interesse no mesmo (através da visualização do mesmo), o sistema recomenda um

outro produto ou serviço que ele classifica com altamente relevante para tal cliente,

automaticamente. O objetivo é gerar mais vendas; que dificilmente ocorreriam caso não

houvesse tal recomendação”.

Exemplos de modelos de sistemas de recomendação comumente utilizas no varejo são:

Filtragem Colaborativa, Filtro colaborativo Baseado em Itens, Filtro Colaborativo Baseado

em Usuários, Filtro Baseado em Conteúdo.

Filtragem colaborativa foca nas características de usuários e características dos itens,

baseando-se em ações agrupamentos. Agrupam-se usuários com interesses ou preferências

similares, utilizando algoritmos de classificação como o “k-NN” que computa similaridades

entre itens e usuários, valendo-se de mensurações como a “similaridade por cosseno”.

O conceito geral trata de encontrar grupos de pessoas que gostam das mesmas coisas:

Se a pessoa A gosta de X, então a pessoa B também gostará de X. Por exemplo: Se Maria que

cursa Gestão de TI na Anhembi Morumbi adquiriu determinado livro de analise preditiva,

Francisco, estudante do mesmo curso, está propenso a adquirir o mesmo livro.

Algoritmos de filtragem colaborativa geralmente requerem: 1) uma comunidade de

usuários para gerar dados, 2) criação de um banco de dados de interesses por itens, por

usuários, 3) fórmulas que contabilizam as similaridades entre itens e usuários e 4) algoritmos

que possam “casar” usuários com os mesmos interesses.

Filtragem colaborativa baseada em itens pode ser identificada em sites que oferecem

ao usuário itens similares aos previamente visualizados, mesmo que não se tenha criado um

perfis em tal site. Trata-se da frequente oferta “Clientes que compraram item X, também

compraram item Y”.

Page 19: ANALISE PREDITIVA

18

Na abordagem baseada em usuários, o sistema pode calcular similaridades entre pares

de usuários, utilizando a similaridade por cosseno; técnica bem parecida pela utilizada pela

abordagem por itens. Porém os cálculos são mais morosos, devido à: 1) quantidade de

usuários ser bem maior de que a quantidade de itens, 2) expectativa de alteração de itens ser

bem menor do que a de usuários, 3) com mais usuários e menor quantidade de alteração nos

itens, podem-se utilizar muitos mais atributos, do que simplesmente o “histórico de compras”,

no cálculo das similaridades entre usuários.

Filtro baseado em conteúdo geralmente utiliza palavras-chave utilizadas na descrição

de itens como chave para fazer recomendações aos usuários. Tais filtros utilizam-se de várias

técnicas para “casar” atributos de um item em particular com determinados perfis de usuários.

Incluem algoritmos de Inteligência artificial que determinam perfis de usuários sem a

necessidade de “fazer perguntas”. A abordagem mais direta é utilizar dados explícitos.

Varejistas virtuais geralmente associam seus itens a palavras chaves. Porém, algins

atributos podem ser subjetivos (depender de interpretação), o que pode levar a associações

inexatas. Associações baseadas em usuários se tornam um problema para sistemas de

classificação baseados em conteúdo devido: 1) credibilidade, 2) diversidade e 3)

inconsistência.

Por isso dados explícitos dever ser utilizados em conjunto com dados implícitos

visando a obtenção de uma análise mais apurada e assertiva.

Diversos outros modelos e algoritmos existem atualmente e podem ser utilizados no

intuito de viabilizar analises assertivas.

1.6.4 Analise de Dados em Tempo Real

Banco de dados em memória trata-se da tecnologia que move os dados do disco rígido

para armazenamento na memória local ou “cache”. Como resultado, o processo de agregação

ou construção de indexação não é mais necessário. Dados provenientes de diferentes tabelas

são combinados em alta velocidade e armazenados em formato colunar, permitindo seu

particionamento em tempo real. Isso permite que grandes volumes de dados sejam

Page 20: ANALISE PREDITIVA

19

armazenados e recuperados em tempo real, além de permitir analises em curtos períodos de

tempo, viabilizando tomada de decisão imediata. Diversas das funções analíticas que

dependiam do tradicional banco de dados relacional estão mudando para em memória, o que

torna mais ágil analisar e consultar dados para gerar resultados imediatos.

GOVIL e HILL JR (2012), salientam a importância dos varejistas combinarem a

analise preditiva à com o fator “real time” - “Análise em tempo real pode ajudar a aumentar

as vendas através de uma melhor abordagem de marketing, melhores ofertas de promoção e

aumento da satisfação do cliente. Quando um cliente está em uma loja, o varejista pode

aumentar as vendas por triangulação de várias peças de informação (o que o cliente está

olhando para comprar, quais itens estão em estoque, e histórico de compras passado do

cliente) para fazer uma nova oferta ao cliente que vai seduzi-lo a comprar mais. Isto requer

que a loja tenha acesso a dados críticos (dados de inventário, os dados POS – Point of Sales, e

perfil do cliente), e que a loja seja capaz de se conectar e analisá-los em tempo real para criar

uma oferta oportuna e relevante”.

GOVIL e HILL JR (2012) exemplificam: “Suponha que o cliente está em uma loja de

calçados procurando determinado par de sapatos, e o varejista não tem disponível o

estilo/tamanho que o cliente gosta. A loja poderá combinar os estilos de sapato do gosto do

cliente (com base em uma combinação de informações acerca de sapato em sua mão e em seu

perfil do cliente); analisar o inventário em estoque na loja, e depois voltar para o cliente com

recomendações para sapatos alternativas que cabem seu estilo, orçamento e gostos (e mesmo

dar uma promoção no preço!). Hoje muitos desses processos envolvem o julgamento humano

e o dispêndio de um grande montante de tempo - em análise de memória melhora nesse

cenário, permitindo que tais dados a serem processados rapidamente”.

A tecnologia de analise de dados em memória também fornece em tempo real

“insights” sobre os padrões de consumo dos clientes, por local de compra (até o nível de loja)

e tempo (hora do dia, o tempo de semana, etc). Correlacionando isso com a densidade

demográfica e outros dados viabiliza aos varejistas otimizar dinamicamente sortimento de

produtos e entrega.

Interessante “insight” da “Gera” remetendo a tal necessidade pode ser visualizado no

sub-tópico 3.1.4.

Page 21: ANALISE PREDITIVA

20

2. EMPRESA - CASE

2.1 Caracterização geral da empresa

Esta pesquisa foi desenvolvida com informações referentes à empresa Dafiti; fundada

no início de 2011 pelos sócios Malte Horeyseck, Malte Huffmann, Thibaud Lecuyer e Philipp

Povel. O grande financiador da empresa é o fundo alemão Rocket Internet; conhecido

mundialmente por participar de sites online de vendas de grande sucesso; investiu 50 milhões

de reais na mesma. Já no primeiro ano de operação, com mais de 3,6 milhões de visitantes

únicos em novembro e 25 000 produtos à venda, a Dafiti tornou-se o maior varejista online de

moda e acessórios do país. Segundo informações de mercado; a Dafiti atingiu em 2011, o

faturamento de 400 milhões de reais.

Em outubro de 2012 a Dafiti anunciou um novo aporte; dessa vez da ordem de 90

milhões de reais; por parte da J.P. Morgan Asset Management. Segundo artigo publicado pelo

“Brasil Econômico” em 21/08/2012; - "Esse aporte vai nos permitir fortalecer o portfólio,

oferecendo mais opções de marcas e produtos a nossos consumidores; ampliar o estoque,

possibilitando entregar nossos produtos de forma ainda mais rápida e eficiente; e, finalmente,

expandir nossa presença em outros países da América Latina, como México, Argentina, Chile

e Colômbia", afirmou Philipp Povel, cofundador da Dafiti, em comunicado.

Conforme poderá ser verificado vide sub-tópico 3.1.2, o comércio eletrônico de moda

representou 13,7% do volume total de vendas online no Brasil em 2013, algo como R$ 3,83

bilhões; ostentando o primeiro lugar dentre todos as categorias de itens comercializados via

internet no ano.

2.2 Produtos e serviços

Page 22: ANALISE PREDITIVA

21

Segundo informações obtidas junto a gestores da Dafiti; “Devido ao seu crescimento,

a Dafiti não vende apenas sapatos e roupas online. Faz parte de seu catálogo de produtos

acessórios, produtos para beleza e para casa. Recentemente, a Dafiti expandiu seus negócios e

abriu mais dois sites, cada um com um direcionamento diferente, afim de ampliar a

experiência de compra e facilitar ao público o acesso a diferentes produtos com a

credibilidade da “Loja Mãe”.

Com um site inteiro dedicado à pratica de esportes a Dafiti Sports oferece desde o

tênis mais simples até equipamentos variados para a prática de lutas marciais, escalada,

camping e até jogos de videogame. A Dafiti também lançou como loja complementar a Dafiti

Premium , que é um site especializado em alta moda, com peças de estilistas renomados como

Karina Duek, Ronaldo Fraga e Glória Coelho. Com três plataformas diferentes, a Dafiti

consegue agregar todo tipo de consumidor e suprir suas necessidades de compra.”

Page 23: ANALISE PREDITIVA

22

3. METODOLOGIA DE PESQUISA

3.1 Identificação do método

Esta pesquisa foi desenvolvida pelo método de pesquisa exploratória; fornecendo

conhecimento sobre a utilização da enorme quantidade de dados disponibilizada a cada

momento em redes sociais, bem como em outros sítios na internet - conhecida como “Big

Data”; em conjunto com ferramentas de consolidação e análise de tais dados em tempo real;

visando a obtenção de vantagem competitiva por parte das companhias varejistas que

souberem prever ou antever, os anseios dos consumidores finais; e consequentemente atender

a tais demandas pro ativamente.

A abordagem utilizada; a saber – qualitativa; estimula o pensamento científico, por

meio da concepção mais aprofundada de um problema e da geração de novas ideias ou

hipóteses a serem testadas em pesquisas futuras. Esta abordagem tem sido empregada com

sucesso em pesquisas de opinião e mercadológicas, detectando novos produtos e serviços,

novas necessidades dos clientes, e captando suas reações a produtos e serviços antes de serem

lançados no mercado.

3.1 Apresentação e análise de dados

3.1.1 Número de usuários da Internet no Brasil

Os 20 países com maior número de usuários da Internet / TOTAL MUNDIAL

TOP 20 COUNTRIES WITH HIGHEST NUMBER OFINTERNET USERS - JUNE 30, 2012

# Country or RegionPopulation,

2012 EstInternet Users

Year 2000Internet Users

Latest DataPenetration

(% Population)Users

% World

1 China 1,343,239,923 22,500,000 538,000,000 40.1 % 22.4 %

2 United States 313,847,465 95,354,000 245,203,319 78.1 % 10.2 %

3 India 1,205,073,612 5,000,000 137,000,000 11.4 % 5.7 %

4 Japan 127,368,088 47,080,000 101,228,736 79.5 % 4.2 %

5 Brazil 193,946,886 5,000,000 88,494,756 45.6 % 3.7 %

6 Russia 142,517,670 3,100,000 67,982,547 47.7 % 2.8 %

7 Germany 81,305,856 24,000,000 67,483,860 83.0 % 2.8 %

8 Indonesia 248,645,008 2,000,000 55,000,000 22.1 % 2.3 %

Page 24: ANALISE PREDITIVA

23

9 United Kingdom 63,047,162 15,400,000 52,731,209 83.6 % 2.2 %

10 France 65,630,692 8,500,000 52,228,905 79.6 % 2.2 %

11 Nigeria 170,123,740 200,000 48,366,179 28.4 % 2.0 %

12 Mexico 114,975,406 2,712,400 42,000,000 36.5 % 1.7 %

13 Iran 78,868,711 250,000 42,000,000 53.3 % 1.7 %

14 Korea 48,860,500 19,040,000 40,329,660 82.5 % 1.7 %

15 Turkey 79,749,461 2,000,000 36,455,000 45.7 % 1.5 %

16 Italy 61,261,254 13,200,000 35,800,000 58.4 % 1.5 %

17 Philippines 103,775,002 2,000,000 33,600,000 32.4 % 1.4 %

18 Spain 47,042,984 5,387,800 31,606,233 67.2 % 1.3 %

19 Vietnam 91,519,289 200,000 31,034,900 33.9 % 1.3 %

20 Egypt 83,688,164 450,000 29,809,724 35.6 % 1.2 %

TOP 20 Countries 4,664,486,873 273,374,200 1,776,355,028 38.1 % 73.8 %

Rest of the World 2,353,360,049 87,611,292 629,163,348 26.7 % 26.2 %

Total World Users 7,017,846,922 360,985,492 2,405,518,376 34.3 % 100.0 %

NOTES: (1) Top 20 Internet User Statistics were updated for June 30, 2012.

www.e-commerce.org.br   Fonte: http://www.internetworldstats.com e institutos diversos - Junho/2012

Quantidade de pessoas conectadas a Web no Brasil

Data da

PesquisaPopulação total  IBGE Internautas (milhões) %  da População

BrasileiraFontes de pesquisa Internautas

2012 /jun 198,9 88,52 45,6% InternetWorldStats

2011 /jun 196,4 75,98 37,4% InternetWorldStats

2008 / dez 191,3 67,51 34,3% InternetWorldStats

2007 / dez 188,6 42,60 22,8% InternetWorldStats

2006 / dez 186,7 30,01 17,2% InternetWorldStats

2005 / jan 185,6 25,90 13,9% InternetWorldStats

2004 / jan 178,4 20,05 11,5% Nielsen NetRatings

2003 / jan 176,0 14,32 8,1% Nielsen NetRatings

2002 / ago 175,0 13,98 7.9% Nielsen NetRatings

2001 / set 172,3 12,04 7.0% Nielsen NetRatings

2000 / nov 169,7  9,84 5.8% Nielsen NetRatings

1999 / dez 166,4 6,79 7.1%  Computer Ind. Almanac

1998 / dez 163,2 2,35 1.4% IDC1997 / dez 160,1 1,30 0.8% Brazilian ISC1997 / jul 160,1 1,15 0.7% Brazilian ISC

Compilado por www.e-commerce.org.br   /  fonte: pesquisas diversas /  população: variações anuais estimadas.  / Internautas

refere-se a quantidade de pessoas que tem acesso à Internet nas residências, no trabalho ou locais públicos. - Junho/2012

3.1.2 Vendas Comércio Eletrônico – Brasil

Faturamento anual entre 2001 e 2013

Page 25: ANALISE PREDITIVA

24

eBIT - Janeiro/2014

Categorias mais vendidas

Page 26: ANALISE PREDITIVA

25

eBIT - Janeiro/2014

Page 27: ANALISE PREDITIVA

26

3.1.3 Omni-Channel

Accenture - Janeiro/2014

Page 28: ANALISE PREDITIVA

27

3.1.4 Perfis Demográficos e de Compras

Gera - Maio/2014

Page 29: ANALISE PREDITIVA

28

CONSIDERAÇÕES FINAIS

Baseado nas hipóteses apresentadas tem-se que:

Hipótese 1: A utilização das tecnologias disponíveis para análise preditiva no

segmento de varejo on-line, proporciona maior assertividade na oferta e consequente aumento

na taxa de conversão – Confirmada

A presente hipótese foi confirma face aos seguintes fatos: 1)À medida que se aumenta

o nível de conhecimento sobre as preferências e necessidades dos clientes, mais fácil se torna

oferecer proativamente bens e serviços de acordo com o que tal cliente almeija consumir;

mesmo que inconscientemente; 2)Oferecer o produto certa, na hora certa tem sido a jogada de

mestre dos varejistas, na indução da “compra por impulso” e tem auxiliado no aumento da

taxa de conversões; ou seja; em tornar prospectivos clientes em clientes de fato.

Hipótese 2: Pro-atividade na oferta de itens de consumo "desejáveis" pelo

consumidor, viabiliza maior identificação do mesmo com o varejista e facilita a fidelização do

cliente – Confirmada

Segunda hipótese confirmada, tendo em vista ter-se observado que quanto mais o

cliente se sente bem atendido e se identifica com a marca, mais ele tende a comprar e

recomendar tal marca. Haja vista a quantidade de recomendações positivas em redes sociais;

bem como negativas em sites como o “reclameaqui”, identifiquei a direta co-relação entre a

confiança na empresa/ marca que vende determinado produto ou presta determinado serviço

com o sucesso na fidelização de clientes por parte das mesmas.

Hipótese 3: Concessão de descontos; bem como a sugestão de produtos

complementares e/ou kits promocionais; geram aumento no valor do ticket médio do

consumidor – Confirmada

Page 30: ANALISE PREDITIVA

29

Segundo informação obtida junto a funcionários, foi comprovado um aumento médio

na ordem de 23% no ticket médio dos consumidores habituais da Dafiti em razão de

determinada promoção que oferecia cupom de desconto no valor de R$100,00.

GUAZZELLI, JENA e TAYLOR (2012), também relatam um caso ocorrido em uma

companhia onde trabalharam. “Utilizando técnicas de analise preditiva, foi possível identificar

quais dentre os clientes estariam propensos a descontinuar o consumo na companhia e quais a

aceitar venda-casada com produtos adicionais. Oferecer um segundo produto foi identificado

como uma estratégia efetiva na redução do índice de clientes descontinuados. Dois modelos

específicos de análise preditiva foram construídos – porém visando agregar valor à companhia

tais modelos tiveram de possibilitar efetiva tomada de decisão no “call center”. A companhia

teve de migrar tais modelos do ambiente de analítico para o ambiente operacional de CRM, de

modo que scripts dinâmicos pudessem ser utilizados usando as predições, bem como um

conjunto de dados adicionais de clientes.”

Conclui-se, portanto que empresas varejistas que almejam obter vantagem competitiva

necessitam focar no atendimento ágil, eficiente e proativo ao cliente e para tanto devem se

valer das tecnologias disponíveis e emergentes no mercado visando atender a tais demandas.

Page 31: ANALISE PREDITIVA

30

REFERÊNCIAS BIBLIOGRÁFICAS

Livros

BARI, Anasse; CHAOUCHI, Mohamed; JUNG, Tommy. Predictive Analytics for

Dummies. JohnWiley & Sons Inc., Hoboken, New Jersey. 2014

DAVENPORT, Thomas H.; HARRIS, Jeanne G.. Competing on Analytics: The New

Science of Winning. Harvard Business School Publishing Corporation. Boston,

Massachusetts. 2007

GUAZZELLI, Alex; LIN, Wen-Ching; JENA, Tridivesh Jena e, TAYLOR, James. PMML in Action (2nd Edition): Unleashing the Power of Open Standards for Data Mining and Predictive Analytics. 2012

KUHN, Max; JOHNSON, Kjell. Applied Predictive Modeling. Springer Science +

Business Media. New York. 2013

SCHONBERGER, Viktor Mayer; CUKIER Kenneth. BIG DATA – A Revolution

That Will Transform How We Live, Work, and Think. First Mariner Books, Boston. 2014

SIEGEL, Eric. Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie,

or Die. JohnWiley & Sons Inc., Hoboken, New Jersey. 2013

Pesquisas de Mercado e Trabalhos acadêmicos

ANAND, Sahir; A New Retail Pardigm: Solving Big Data to Enhance Real-Time Retailing. Aberdeen Group. 2012

GOVIL, Shivani; HILL JR, Russ. In-Memory Analytics for Retail: The Value of Real-

time Actionable Insight. March 29, 2012

Page 32: ANALISE PREDITIVA

31

LEME FILHO, Trajano. O Business Intelligence como apoio à formulação de

estratégia. São Paulo, 2006.

Endereços eletrônicos

http://www.boavistaservicos.com.br/noticias/quem-pensa-o-seu-negocio/

http://www.brasileconomico.ig.com.br/noticias/jp-morgan-asset-investe-r-90-milhoes-na-

dafiti_121118.html

http://www.ecommercebrasil.com.br/artigos/inovacoes-para-2014-tendencias-que-prometem-

revolucionar-os-negocios/

http://www.e-commerce.org.br/