Upload
markus-halbig
View
204
Download
10
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
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
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
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
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.
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.
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
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
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.”
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.
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.
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.
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
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
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
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
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”.
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”.
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
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.
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
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.”
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 %
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
24
eBIT - Janeiro/2014
Categorias mais vendidas
25
eBIT - Janeiro/2014
26
3.1.3 Omni-Channel
Accenture - Janeiro/2014
27
3.1.4 Perfis Demográficos e de Compras
Gera - Maio/2014
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
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.
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
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/