Upload
phungdieu
View
219
Download
1
Embed Size (px)
Citation preview
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Eduardo Ramalho
SummitSobre Big Data Analytics
17 de Maio de 2018 das 10h00 às 12h00
Abemd – Av. São Luiz, 50 – 13 andar – cj 132b
São Paulo
1
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
iDBM
Bem-vindos
2
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
O que é Big Data Analytics
Onde estamos deixando dinheiro sobre a mesa.
3
Agenda
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
VOLUME VELOCIDADE VARIEDADE VERACIDADE
VALOR
5 Vs
O Que é Big Data
4
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
CADÊ O ?
5
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/186
Muito além de compras e consumo
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/187
Exemplos de usos do big data
7
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Mudanças nos nossos comportamento cotidiano:
Impacto nos consumidores?
8
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Impacto nos negócios
Todo negócio é um negócio de dados.
9
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
O Ciclo Virtuoso
Novastecnologias
Novos Comportamentos
Mundanças nos
Negócios
Dados
10
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
1 – Celular first2 – Mais ecommerce3 – Integração a loja física com virtual (omnichannel)4 – Melhor experiência de compra (self checkout)5 – Lojas físicas sem estoque6 – Entregas por drones7 – Atendimento: chatbots, robôs, etc8 – Fintech (bitcoin, empréstimo, pagamento, etc)9 – Serviços de assinatura10 – Impressoras 3D11 - Etiquetas inteligentes12 – Câmeras inteligentes13 – Tudo na nuvem14 – IoT – Internet das Coisas15 – Indústria 4.016 - Produção sob encomenda17 – Inteligência artificial.
O que vem com o Big Data?
11
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Onde estamos deixando dinheiro sobre a mesa hoje, por não usar o
Big Data Analytics?
12
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
O que estamos mais perdendo?
1 - Estratégia de Dados
2 - Capacidade Analítica
3 - Integração do off com o on
Monetização do Dado
13
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
O que estamos mais perdendo?
Estratégia de Dados
14
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
1 - Dados offline: contato, sócio demográficos, transacionais, domicilio, mercado, pesquisa, etc.
2 – Dados da Internet
3 - Dados do Mobile
4 – Dados de Sensores, Wi-fi, Beacon, Bluetooth, Radar, Videos, Câmeras, Fotos, Imagens, Textos, Telemetria, Biometria, QR Codes, etc.
12%
88%
Estruturados off-line x não estruturados
Os Dados do Big Data
15
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Dados das Redes Sociais
2004 – 120 M
2002 – 29 M
2009 – 120 M 2005 – 98 M 2006 – 33 M2010 – 45 M
2011 –2011 – 22 M 2011 – 2010 –
Dados da Internet
16
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
ACONTE-
CIMENTOS
TRIGGERS
INTERESSES
DE
TRABALHO
17
Dados do Facebook
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Dados
Uma nova moeda de troca
Se você não está pagando por algo, você não é cliente, você é produto que está sendo vendido.
O dado existe
18
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
A Niantic (a empresa que desenvolveu o jogo) pode legalmente:
-coletar suas fotos, -imagens da sua casa, -dos lugares que você visita, -gravar suas conversas, -monitorar seus caminhos, -fazer o uso que quiser desses dados.
Dados – a nova moeda de troca
19
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Dados – a nova moeda de troca
http://www.prefeitura.sp.gov.br/cidade/secretarias/transportes/institucional/sptrans/acesso_a_informacao/index.php?p=212432
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
https://www.youtube.com/watch?v=0Td
Hj9vruwU
O mais incrível vidente holandês
Dados – a nova moeda de troca
https://www.youtube.com/watch?v=YxY148GiyaU21
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Muito útil para:
Monitoramento das Redes Sociais
O que monitorar?
1 – Intenções de compra, preferências, hobbies, triggers, etc.
2 - O que estão falando de minha marca, dos meus produtos e dos concorrentes
3 – Novidades na área de atuação (contratações, investimentos, inovações, etc)
Geração de leads (intenção de compras)
Relacionamento/Atendimento de clientes
Prevenção de risco de imagem
Inteligência competitiva
Política de preços
Pesquisa
Insights de produtos
Construção de marcas.
22
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Construção de Marca via encantamento do cliente
• O QUE: um cliente escreveu no Twitter que estava num voo da American com chegada prevista às 7:00 pm no Aeroporto Newark e após um longo dia de trabalho seu sonho era um belo jantar no Morton’s.
• COMO: com monitoria real time das redes sociais, o Morton’s identificou que este era um cliente frequente com muitos seguidores no Twitter. Também identificou o histórico de pedidos para ver seu prato favorito.
• RESULTADOS: ao sair do avião, um garçom de smokingaguardava o cliente com uma bandeja com um cupom.
• DIFERENCIAL: o caso se tornou viral e deu uma grande exposição à marca Morton’s.
Sua empresa/agência seria capaz de fazer algo assim?
Monitoramento das Redes Sociais
23
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Monitoramento das Redes Sociais
24
Halls – Lançamento do Halls mini em substituição ao Halls Xs sem açúcar. Os consumidores não perdoaram a marca e reclamações foram feitas no Twitter, Facebook e até mesmo no site “Reclame Aqui”, onde a insatisfação podia ser registrada de maneira mais formal. Com o argumento “Errar é humano. Acabar com o erro é Halls”, a marca tomou uma decisão que foi comemorada pelos seus fãs. Por meio de um vídeo publicado no Facebook e no Youtube, um personagem fictício chamado Almeida, que seria o responsável pelo setor de atendimento da Halls, pede desculpas pela mudança na fórmula e resolve reparar a falha, voltando a fabricar a bala com sua fórmula original.
Domino’s Pizza – com base no monitoramento das redes remodelou sua massa e o molho, aumentando os lucros em 9%. Ela diz abertamente que a rede social reinventou a marca, recuperou clientes e alavancou a lucratividade. Entrega de pizza em carro sem motorista, digita a senha e o vidro abre para retirar pizza
– Dell - Ideastorm: gerou nos últimos 8 anos mais de 16 mil ideais e 500 inovações. Site aberto a reclamações sugestões, troca de ideias, interação com usuários, clientes e não clientes (SAC ativo). Tem também um processo de monitoramento das redes sociais, que monitora mais de 25 mil comentários/dia, entre posts do FB, mensagens no Twitter, conteúdos nas redes, capta sentimentos, share of voice, geografia e tendências, tornando-a mais participativa em diálogos online.
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Monitoramento das Redes Sociais
25
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
perfil dos seus clientesLoja
O que estão dizendo nas
redes sociais?
O perfi da loja é compatível
com o perfil do público da
área de influência?
Área de influência dos pontos de vendas (número de clientes por
faixa de distância)
Monitoramento das Redes Sociais
26
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Linkedin:
Download de seus contatos.
Dados da Internet
27
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Como Alcançar e Envolver o Consumidor Conectado
Dados do Mobile
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Push notification
Reconhecimento de Visitantes as Lojas Físicas
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Exemplos:1 – Lançamento de lojas de butique de carne.
2 - Identificar praticantes de esportes para venda de tenis de corrida – Empresa de material esportivo.
3 – Identificação de moradores de uma residencia e oferta de plano familiar de telefonia para todos os residentes, baseado no perfil socio-economico da residência – Telco.
4 – Identificar o aniversariante de um domicilio e mandar um SMS/push para o aniversariante parabenizando e dizendo que ele merece um presente. Simultaneamente, manda um SMS/push para todos os moradores do domicilio dando um cupom de desconto para a loja mais próxima do domicilio ou para a compra no ecommerce da empresa – Empresa de beleza.
O dado de localizaçao é extremamente importante
Dados do Mobile
30
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Dados do Mobile
Iphone:
•Locais por onde andou
•Sua saúde (Healthy)
31
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/1832
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Dados da IoT – Internet das Coisas
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Dados da IoT – Internet das Coisas
Exemplos:
34
Lugar completo esperando por vc.
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Estratégia de Dados - Case Inseminação Artificial
Resultados:Tx de inseminação de 70% para 95%
Tx de sucesso de gravidez de 40% para 67%Possibilidade de escolher o sexo
Dados da IoT – Internet das Coisas
35
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
“DADOS ESTÃO DISPONÍVES EM ABUNDÂNCIA. ONDE HÁ ESCASSEZ É NA CAPACIDADE DE EXTRAIR INTELIGÊNCIA DELES”
– Hal Varian , Chief Economist @ Google
3636
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
O que estamos mais perdendo?
Capacidade Analítica
37
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
DadoInsights/
ConhecimentoAção/
Decisão de Negócios
Inteligência de Dados
O que é Analytics?
38
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
1 - Análise Descritiva
2 – Análise Diagnóstica
3 - Análise Preditiva
4- Análise Prescritiva
O Ecossistema Analítico
5 - Analytics 2.06 - Inteligência
Artificial
- Machine Learning- Deep Learning- Robotic
Dados
O que é Analytics?
39
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Moneyball
Análise Descritiva
40
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18 Fonte: Prof. João Pedro Santanna
Análise Descritiva
Churrasco combina com cerveja que combina com pais e filhos pequenos que precisam de fraldas.
41
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Inteligência de Dados
• Otimização de visitas via importância do cliente.
• Captura de novos clientes via CNAE.
• Captura de novos clientes que são sócios de empresas já clientes.
• Aumento da penetração na base de clientes existentes de alto potencial.
• Redução de taxas de perdas de clients via aumento de cross selling.
• Segmentação de clientes via curva ABC e RFV.
• Melhoria da avaliação de crédito/cobrança via informações de emprego.
Análise Descritiva
42
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Funil de Vendas
MídiasDigitais
Impactados
Visitantes
Leads
Clientes
Tx de Visitantes
Tx de Leads
Tx de Conversão
Mensuração: CPA e LTV
CPM
Análise Diagnóstica
Mídias
43
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Mídia Mix Optimization
Análise Diagnóstica
https://docs.google.com/spreadsheets/d/1-
jUYmR78kpwhRvoXIWJlu0H3IUrpxRg
HNsOHzlw71po/edit#gid=2042217320
44
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Porque funciona
2 - Modelos Preditivos
Através de um modelo matemático chamado 'dispersão', analisa as conexões de duas pessoas que tem grupos diferentes de amigos.... pode identificar de forma precisa com quem você está saindo e se o relacionamento está em perigo.
Facebook pode prever quando seu namoro vai acabar
Análise Preditiva
Pode prever quando você vai perder o emprego.
45
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Séries TemporaisÍndice de Interesse mensal por Churrasco no Brasil (2012-2017)
Análise Preditiva
1 – Fonte de dados: Google Trendshttps://trends.google.com/trends/explore?date=2012-01-01%202017-12-31&geo=BR&q=churrasco
2 – Exporta para Google Sheets ou Excelhttps://docs.google.com/spreadsheets/d/1koda319Z-Mi8HzEJ5OGMrZIttljI71-69u3iypPOw48/edit#gid=1487834046
3 - Como obter os dados da série temporal• Utilize no Excel a função Previsão.• Projete a previsão para o período desejado.
Fonte: Prof. Leo Naressi - ESPM46
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Google Trends - Séries TemporaisÍndice de Interesse mensal por Churrasco no Brasil (2012-2017)
Análise Preditiva
Fonte: Prof. Leo Naressi - ESPM47
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Modelos Preditivos rápidos e fáceis
Análise Preditiva
Dados: (1) Consumo de Cerveja (2) Preços de veículoshttps://docs.google.com/spreadsheets/d/1koda319Z-Mi8HzEJ5OGMrZIttljI71-69u3iypPOw48/edit#gid=0
https://docs.google.com/spreadsheets/d/1koda319Z-Mi8HzEJ5OGMrZIttljI71-69u3iypPOw48/edit#gid=1353522308
Como fazer:• Instale a função Add-On Smart Auto-Fill no Google Sheets• Utilize a função para prever as células faltantes
Fonte: Prof. Leo Naressi - ESPM48
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Discover weekly
O que essas empresas têm em comum?
Quem está ausente?
Análise Prescritiva
49
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
O que estamos mais perdendo?
Integração do dado offline com o online
50
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Integração offline e online
MundoOFFLINE
MundoONLINE
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/1852
Permite abordagens personalizadas e contextualizadas em tempo real.
O perfil comportamental é muitomais importante do que o sócio-
demográfico.
Integração offline e online
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
MÍDIA DIGITAL Todo mundo quer
53
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Mídia Digital Aberta é “Spray and Pray”
Mídia Digital
54
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
3comScore 55
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
E, OS DADOS ONLINE NÃO CONVERSAM COM OS
DADOS OFFLINE.
56
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
O CONCEITO MAIS IMPORTANTE DESSA
PALESTRA É ...57
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
MONETIZAR O BIG DATA
Como integrar o dado offline com o online?
Como levar a precisão do marketing direto para a mídia digital?Offline + Online = Onlife
58
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Integração offline e online
59
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
www.pipl.com
60
Integração offline e online
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Reconhecimento Facial no Itaú
Melhorar a experiência de compra:Avaliar quem passa em frente da loja, como interage com a
vitrine, qtos entram na loja, reconhece o visitante, faz oferta relevante, analisa tempo de permanência em setores, se está desassistida, medir tempo de check out (idoso, problema com
cc, falta de troco, pico, etc)
Captura 40 sinais de alerta por dia x 4 mil agências = 160 mil sinais, que passam por uma pré-avaliação e restam 3.200 sinais
administrados por 22 funcionários.
Integração offline e online
61
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
https://www.digitaltrends.com/cool-tech/algorithm-movie-trailers/
Como um algoritmo de reconhecimento faz no trailer do filme "WOLF OF WALL STREET"
Integração offline e online
62
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Quem tem a sua private network?
63
Integração offline e online
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Resolve 4 pontos fundamentais do Marketing:
1 – Permite rentabilizar a carteira de clientes.
2 – Permite reconhecer visitantes anônimos no seu site e aumentar a eficiência de conquista de novos clientes.
3 – Permite mensurar os investimentos em mídias digitais cujas vendas são feitas nas lojas físicas.
4 – Permite uma melhor experiência de consumo.
Integração offline e online
64
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Sem IntegraçãoAddressable Media
Integração offline e online
65
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Com integraçãoAddressable Media
Integração offline e online
66
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
1.Client arrives at your website
2. Visitor attributes detected,segmentation determined
4. Relevant content is immediately served as page
loads
Website Personalization
3. Targeting business rules & test design
applied
Combine your marketing objectives,
available data, creative content and customer
intent to effectively target content/calls to
action.
Addressable Media
67
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
EngajamentoPersonalizado
68
Integração offline e online
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
ENGAJAMENTO PERSONALIZADO
ADDRESSABLE MEDIA
Mudança radical na área de comunicação:A compra de espaço de mídia dá lugar para
comprar pessoas onde elas estão e mais importante, permite que a pessoa interaja com o anúncio.
Integração offline e online
69
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
13:10Paulo está em busca de
seguro Auto e faz busca no Google e clica na landing
page da Empresa X
13:11Na página da Empresa X, Paulo tem dificuldade de
selecionar um seguro auto e clica num formulário.
13:12Paulo seleciona uma opção,
mas logo abandona pelo longo formulário que precise preencher, como 9 de cada
10 visitantes.
SEM OTIMIZAÇÃO
COM OTIMIZAÇÃO:
13:11O site da Empresa X
reconhece o Paulo e pop up uma oferta personalizada, especifica para o perfil do
Paulo
13:15Paulo recebe uma ligação da Empresa X para que finalize
o processo de venda do seguro Auto.
OtimizaçãoA plataforma
identifica o Paulo e sabe qual o perfil
dele.
OtimizaçãoMesmo que o Paulo não tenha deixado
nenhuma informação, ele é
reconhecido, sabemos seu perfil e seus dados de contato, que são enviados para a operadora de call center entrar em contato com ele
para fazer e finalizar uma oferta
personalizada..
Otimização de Gastos com Search
70
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
8/12/2017 20:13Carla pesquisou no site do Extra.com por TV de 55”, viu o preço de R$3.500,00, não se logou, não preencheu carrinho, saiu do site e não comprou.
Real timeO Programa de Milhagem manda uma mensagem por e-mail para a Carla, informando que ela pode comprar a TV de 55” no site do Extra.com, por R$2.000,00, desde que utilize seus 35.000 pontos no programa de milhagem.
Real timeA plataforma identifica a Carla no site do Rxtra.com, e sabe que ela é cliente do Programa de Milhagem XPTO.
08/12/2017, 20:25Surpreendida com o benefício que ganhou, Carla compartilha sua experiência no Facebook e conta para os amigos sobre o seu Programa de Milhagem XPTO.
Real timeCarla possui 35.000 pontos acumulados no Programa de Milhagem e pode abater R$1.500,00 na compra da TV de 55”.
08/12/2017, 20:18Carla entra no site do Extra.com e realiza a compra da TV de 55”, pagando R$2.000,00 mais 35.000 pontos do Programa de Milhagem.
Rentabilizar clientes de um Programa de Milhas
71
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
08/09/2017, 12:00Renata entra no shopping JK Iguatemi para encontrar com umas amigas
Real timeA plataforma identifica que Renata faz compras frequentes em lojas de produtos de beleza femininos
Real timeA empresa de Cartão de Crédito da Renata dá desconto para clientes que pagarem com o cartão de crédito nas Lojas Sephora.
08/09/2017, 12:02Renata recebe uma push message em seu iPhone informando do desconto que o Cartão oferece
08/09/2017, 12:10Renata, que foi ao shopping apenas almoçar com as amigas, vai a Sephora e compra R$240 em produtos com seu cartão
08/09/2017, 12:30Renata conta para as amigas durante o almoço a experiência e o desconto que recebeu na Sephora do seu Cartão de Crédito
Parcerias cartão de crédito e varejo
72
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
08/09/2017, 20:50Luiz acessa o WebMotors e compara preço de SUVs e sedans
Real timeA plataforma identifica que Luiz possui um carro hatch e tem feito compras frequentes em lojas para bebês
09/09/2017, 9:05Ao chegar no banco a gerente da conta do Luiz visualiza um alerta de que ele pode estar interessado em um financiamento de carro
09/09/2017, 10:00A gerente da conta liga para Luiz oferecendo uma linha de financiamento para a compra de carros.
Experiência Multicanal
73
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
PII (Cookies únicos)
Industria Varejo Varejo
Banco de
Dados
Empresa de Onboarding
Agência da Indústria
Mídias de Contato
Pontos de Venda
Cliente
Cervejas
Parceria indústria-varejo nas plataformas digitais
Parceria indústria - varejo
74
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Melhoria da Experiência de ConsumoMelhoria da Experiência de Consumo
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/1876
Big Data Analytics
O que é mais importante
1 – Dado, uma nova moeda de troca, falta uma estratégia.
2 – Dado existe, falta capacidade analítica
3 – Dado offline precisa ser integrado ao dado online, Transformação Digital.
4 – Dado comportamental / contextual é mais importante que o sócio-demográfico.
5 – Dado transforma a mídia, compra de espaço de mídia dá lugar para compra de pessoas.
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Pense grande
Comece pequeno
Cresça rápido.
77
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
OBRIGADO!OBRIGADO!
Eduardo [email protected]
78
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Mudança do comportamento do consumidor
- Nos últimos 5 anos, as compras em supermercados feitas pela Internet aumentaram 30% e a China se tornou o país onde o comercio eletrônico mais cresce. (5 x + rápido do que no Mercado Americano).
- As varejistas Macy’s, J.C.Penney e Sears foram as que mais encerraram operações no mundo.- Entre os 10 maiores varejistas do mundo, apenas o Walmart manteve a posição de liderança nos
últimos 15 anos.- Walmart e Amazon seguem caminhos opostos, enqto o Walmart aumenta a presença digital, o Amazon
com a compra do Whole Foods investe em lojas físicas. As duas estão se preparando para o future, com a junçao dos dois mundos, físico e online (virtual).
- Os consumidores querem a comodidade e preço mais barato do online com a experiência de compra e a pronta entrega do físico.
- A lojas físicas não vão desaparecer, mas vão mudar para proporcionar uma melhor experiência de consumo, possibilidade de comprar e buscar os produtos onde quiserem, atendimento especializado nos itens que procuram.
- Na média, os 250 maiores varejos do mundo têm margem de 2,8% de lucro.- Exemplos bem sucedidos no Brasil: Magazine Luiza (testando a entrega em menos de 3 horas após a
compra), compra no virtual e retira na física (é possível alguem comprar uma churrasqueira no virtual e receber ofertas de fraldas ou cervejas artesanais pelo aplicativo da loja instalado no cellular. A correlação é dada pela inteligencia de dados: churrasco combina com cerveja que combina com pais e filhos pequenos que precisam de fraldas. Também sao importantes os estudos de abandono de carrrinho para acertar nas recomendaçoes. Via Varejo (Ponto Frio e Casas Bahia), Pao de Acuca, Leroy Merlin também integraram on e off, permitindo analisar os hábitos dos clients e checasse quais pridutos sao mais comprados e em quais endereços sao feitas as retiradas, de forma a adequar os estouqes de aord com a preferencia dos consumidores de cada regiao, reduzindo significativamente o custo de entrega.
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
1 - Dados antes não capturados hoje podem ser: compras, escutar música, tirar fotos, falar no telefone, locomoção, likes, tweets, intenções, etc.
2 – Dado nova moeda de troca. Tendência inexorável – a tecnologia impactando o nosso modo de viver, que impacta os negócios e isso não para de crescer
3 – Barateamento da tecnologia de acesso e análise dos dados (ferramentas, processamento e armazenamento), abre oportunidades para desenvolver mais e mais usos para os dados, permeando todas as atividades dos serem humanos.
4 – Big Data é usado para redução de custo, melhoria operacional e otimização de marketing: aquisição de clientes, rentabilização da carteira de clientes e experiência de compra.
Por que é tão importante?
Big Data Analytics
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Learning Machine – Exemplo Chatbots
Interações em linguagem natural escrita ou falada com o usuário. Faz perguntas e respostas dentro de um contexto que parece realmente uma conversa natural. Exemplo: Mary Kay.
Ex: Personal Shopper, sistemas que ajudam o cliente a tomar decisões. Exemplo, uma marca de cosmético pode estabelecer um diálogo com o consumidor, que restrinja a lista de 10 mil itens para apenas 2 que mais se ajustam as necessidades e interesse do consumidor. Exemplo: Make up Genius da L’Oreal.
Outro exemplo mais simple: executivos adoram ter um app que mostre no celular os resultados de uma loja durante um determinado período de tempo, por exemplo, no dia de ontem. Ao invés de digitar as perguntas, pode ser feito por comando de voz, denominado de Speech Text, que responde e interage. Imagine que o sistema respondeu que a loja faturou R$30 mil, o usuário pode automaticamente perguntar e quanto era a meta? E qto faturou no acumulado dos últimos 30 dias, e como estamos em relação a meta anual, etc, permitindo uma perfeita interação da maquina e usuário.
5 – Inteligência Artificial
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Deep Learning
Você ensina a máquina e depois de aprender ela cria seu próprio algoritmo de solução.
Por exemplo, pode ensinar o sistema a reconhecer pessoas, ensinar a ler as fotos e depois tirar suas conclusões. Mostra para o sistema algumas fotos de pessoas informando que é pessoa do sexo masculino, branco, idade 35 anos e outras fotos de outras pessoas diferents com outras informações. Com o tempo o sistema aprende o que é pessoa do sexo masculino, idade, etc.
Outro exemplo, pode aprender o que o seu cliente gosta através de likes e deslikes nas redes sociais. Se vc tem uma loja de moda e o cliente faz vários likes em determinadas fotos, o sistema aprende os gostos do cliente, permitindo interações personalizadas com seus clientes.
Outro exemplo e capturar o tom dos comentários na sua página na rede social ou no seu blog. O sistema através do Tom analyzer captura cada post, comentários, e define o tom que estão falando, se estão gostando, contentes, indiferentes, entusiasmados, com raiva, etc. O sistema aprende e entende melhor sua audiência no ambiente digital, permitindo levar mais valor para seus clientes.
5 – Inteligência Artificial
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Exemplos - Inteligência Artificial
Que produtos de roupa farão mais sucesso entre os consumidores durante a Black Friday
Impacto da chuva na venda de meus produtos
SEO – prever tráfego no site, define melhor título que produz mais CTR, que posiciona melhor organica/e.
Que propaganda mostro para que tipo de perfil de público-alvo
Quais as 10 músicas mais românticas do mundo, cientificamente mais perfeitas
Qual o estilo de roupa que mais combina com o seu estilo de vida
Que produto recomendo para um cliente. Aprende a recomendar a melhor oferta automaticamente, cada vez que o usuário clica no anuncio.
Que tipo de cerveja é mais adequada ao seu paladar
Como o reconhecimento facial podem indicar seu nível de stress e fazer recomendação de parada, música, etc
Como os dados de um aplicativo no celular podem indicar um potencial acidente de carro
Como escolher um vinho
Qual youtuber se ajusta melhor ao seu produto.
5 – Inteligência Artificial
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Exemplos - Inteligência Artificial
• Com o cruzamento de dados estruturados – como histórico de compras dos clientes com esta marca – e não-estruturados – como os dados gerados pelas pessoas em redes sociais –, aliados às tradicionais pesquisas de mercado, é possível à empresa compreender quais têm sido os principais padrões de busca por peças de roupas (cor, tamanho, corte, estilo e dezenas de outras características) e quais são as intenções de próximas compras do consumidor.
• Com esses insights em mãos, a marca é capaz de prever, com bastante precisão, quais serão suas peças mais desejadas na Black Friday e, assim, planejar sua disponibilidade de produtos. Além disso, a gestão de estoque e de toda a cadeia logística da empresa é otimizada.
• SEO – prever tráfego no site. Prever o melhor título, para descobrir o melhor CTR e com melhor CTR sua pagina fica melhor posicionada organicamente.
• Permite fazer oferta de recomendação de oferta na web q aprende a recomendar as melhores ofertas automaticamente, cada vez que o usuário clica no anuncio.
5 – Inteligência Artificial
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Inteligência Artificial – Estilo de RoupaSão Paulo Fashion Week – 2017
Máquina saca estilo via Inteligência Artificial – Folha de São Paulo – 31/08/17
Sistema de Inteligência Artificial criado pela Microsft promete indicar quais marcas se encaixam ao estilo dos usuários.
Um totem armado no evento lê o corpo dos fashionistas e indica o que ajuste mais ao estilo da pessoa.
Primeiro o sistema faz o reconhecimento facial, interpreta o rosto e estima a idade da pessoa, reconhece óculos e maquiagem e baseado em 55 milhões de imagens em um banco de dados, busca reconhecer diferentes gostos por moda.
O robô ainda não interage, mas fala baseado no que está interpretando, por exemplo diz: vi que vc está usando uma regata vermelha e uma calça escura. Acho que você pode gostar das seguintes coleções ......
Na realidade o algoritmo interpreta as faces e as peças que a pessoa está vestindo e baseado nisso sugere um estilo de roupa, ainda restrito a apenas 3 estilos: cool, urbano ou sofisticado moderno.
5 – Inteligência Artificial
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Inteligência Artificial no Marketplace de Influenciadores e Marcas
• Plataforma de gestão de influenciadores que têm seguidores nas redes sociais
• Busca o long tail, milhares de influenciadores com baixo volume de seguidores
• Machine Learning casa a oferta de influenciadores com a demanda dos anunciantes
• Influenciadores são remunerados por clique
• Marcas via ML escolhem os influenciadores e pagam por resultado.
5 – Inteligência Artificial
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Fonte: Toque Humano, [email protected]
Situação: Prospect está navegando no site da empresa de Telco. Ele está buscando novas opções de planos de dados. Pelo reconhecimento dos cookies do browser/computador desta pessoa, você consegue perceber que ele já passou por outras empresas, fazendo a mesma busca. Você consegue saber como os outros players estão posicionados neste produto. Também sabe o perfil do cliente, é homem, tem 30 anos, viaja bastante e gosta de festas.
Solução Proposta: usar modelos de Machine Learning para identificar a probabilidade de aquisição do cliente variando o perfil da oferta e os preços do produto dentro de um período de fidelização.
KPI de Marketing: Customer Acquisition, quantos clientes estamos trazendo para a empresa com essa abordagem em comparação a nenhuma outra abordagem.
Case – Telco
Uso do Big Data Analytics
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Situação: Cliente está com problemas com seu fornecedor de TV por assinatura. Ele foi primeiro ao site, depois ligou no call center onde teve que repetir toda sua solicitação. Foi depois ao Facebook onde manifestou sua insatisfação com o serviço e depois abriu uma ocorrência na Anatel. A empresa quer um sistema que permita a antecipação ao problema de forma proativa.
Solução Proposta: A partir da visita ao site e reconhecido o cookie, é possível usar modelos de Machine Learning para prever a probabilidade de reclamação de um cliente. Baseado nessa probabilidade, apresentar uma interação proativa em um contato telefônico ou via mensagem de texto, evitando o desgaste na relação.
KPI de Marketing: Redução do índice de reclamação e menor o customer churn, ou probabilidade de que o cliente mova seus serviços para o concorrente.
Case – TV por assinatura
Uso do Big Data Analytics
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Situação: O e-commerce gostaria de ofertar preços em seu site de forma dinâmica, conforme a demanda do voo e o nível de interesse do cliente para datas específicas, usando dados do cookie do navegador ou eventualmente informações de área logada.
Solução Proposta: usar modelos de Machine Learning para prever a probabilidade de compra de uma passagem aérea baseado no nível de interesse do cliente e a demanda de um voo em específico.
KPI de Marketing: elasticidade de preço: uma métrica que permite entender qual os patamares de preço que podem ser praticados em um eventual produto de maneira que sua margem aumente sem prejudicar suas vendas.
Case – Ecommerce
Uso do Big Data Analytics
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Sinais: redução do tempo de uso, ou no volume de compras ou na interação com a marca
Exemplo: T-Mobile reduziu em 6 meses 50% do churn
- Análise: que produtos uso, qdo/horários, intensidade, canais de atendimento, etc.
- Potencial de consumo e risco de inadimplência
- Tendência de alta na interações com outras operadoras
- Mudança de localização: nova área de cobertura, mudou relação ligaçoes locais x a distancia
- Índice de reclamações nas redes sociais.
Case – Como o Big Data Analytics pode prever e reduzir as saídas de cliente da sua empresa
Uso do Big Data Analytics
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
3 – Quais os Resultados?
FB uma das mais antigas redes sociais do mundo, criada em 2003, atingiu em junho de 2017 mais de 2 bilhões de usuários (1,3 bi usando diariamente) e com 5 milhões de anunciantes (era 2 milhões no final de 2015).
Enquanto a base de usuários mensais cresceu 17% por trimestre em 2017 sobre 2016, a base de usuários diários saltou a uma taxa um pouco maior a 18% durante o mesmo período. De forma geral, o crescimento se mantém firme, algo que é único para uma companhia com uma base tão global e massiva de usuários. No trimestre anterior, o Facebook reportou taxas de crescimento idênticas.
A receita e os lucros da empresa também estão crescendo. O Facebook acumulou US$ 3,06 bilhões em receita líquida de uma receita total de US$ 8,03 bilhões, marcando um aumento de 76% em relação ao ano anterior e um aumento de 49% na receita. A empresa também superou as estimativas de receita de analistas por oito trimestres consecutivos.
Case 2 – Facebook
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Case 3 – Google
92
Uso do Big Data Analytics
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
1 – Qual problema Big Data ajuda resolver?Assertividade: trazer a informação correta de uma pesquisa feita, não importa onde esteja. Como o computador sabe se uma informação é boa ou não?Rapidez: construir uma indexação de dados para pesquisar toda a Internet e buscar a informação onde ela estiver em milionésimo de segundos. Saber o IP preciso onde a informação está armazenada.Abrangência: aumentar o acesso a dados, quanto mais dados armazenados, melhores e mais rápidas as respostas.
2 – Como o Big Data é usado na prática?
Google não inventou o conceito de busca ou a Web Index, mas desde que foi lançado em 1997, virou marca. Google torna dados não estruturados (conteúdos das webpages) em dados estruturados necessários para quantificar aquela informação e classificá-la para sua utilidade.
Google construiu seu index através de robôs (crawlers ou spiders) que captura todos os textos, fotos, sons, contendo numa website e copia nos arquivos no Google (consome 0,01% da energia do mundo). Tudo centralizado fica mais rápida a busca.
Case 3 – Google
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
3 – Quais os Resultados?
Google é responsável por 89% de toda busca na Internet. Depois vem Yahoo, Bing e Baidu.
Google tem o maior big data e é a principal empresa responsável por trazer os benefícios da análise e interpretação do Big Data. Qdo fazemos uma pesquisa, estamos usando o big data. O tamanho do index do Google (o arquivo de cada web page que ele acha, que é usado para retorno da pesquisa) é estimado em 100 pentabytes (100 milhões de gigabytes).
4 – Que dados são usados?
Qq tipo de dado existente na Internet. Prioriza os dados de fontes seguras e outros sites que tem sidos classificados como provedores de informações precisas via algoritmos de machine learning desenvolvidos para avaliar a confiabilidade dos dados.
Além disso, Google usa informações que ele sabe sobre o usuário, como seu passado histórico, sua navegação, seus devices, e qq outra informação que entra no perfil do Google Plus, para entregar um toque pessoal a seus resultados. Isso significa que uma mesma busca por duas pessoas diferentes muito possivelmente receberão resultados diferentes.
Case 3 – Google
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
4 – Que dados são usados? Cont...
Google usa além do search, informações do maior Web browser (Chrome), da maior empresa de e-mail (Gmail), do maior sistema operacional de telefonia celular (Android), da maior rede online de propaganda online (Double Click), do maior sistema de GPS (Google Maps e Waze) e do maior site de vídeo(Youtube). Já está preparando para usar os dados da Nest, empresa de IoT adquirida em 2013.
5 – Quais são os detalhes técnicos?
Google tem 100 petabytes de informações cobrindo cerca de 35 trilhões de webpages. Entretanto isso representa apenas 4% das informações online do mundo, o restante está armazenado em sites privados onde os robôs do Google não conseguem acessar.
Google usa seu próprio sistema de database e ferramentas de analises denominado BigTable e BigQuery.
Só recentemente Google tornou essas tecnologias disponíveis para outras empresas no cloud, em linha com outros competidores como Amazon e IBM.
Case 3 – Google
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
6 – Desafios a serem superados?
3 desafios básicos: melhorar o processo de busca, a qualificação e acesso a informação.
Google e outras empresas de search tem sido tradicionalmente limitada pela barreira de língua entre homem e máquina. A maior dificuldade é transformar a linguagem humana em linguagem de maquina (linguagem lógica binária 1s e 0s), a única maneira que computadores podem realmente compreender.
Para melhorar a assertividade entre o que o usuário está buscando e a resposta obtida, os algoritmos do Google buscam não só as informações nos index do seu database, mas também em outros databases de dados científicos, dados históricos, data de tempo, dados financeiros, etc, para encontrar referências para o que o Google imagina que vc está buscando.
Em 2012 começou a desenvolver o Knowledge Graph, que permitiu construir o conteúdo do seu database não somente com os fatos, mas também com a relação entre fatos. Posteriormente implementou algoritmos de machine learning para estabelecer a confiabilidade dos fatos, que usa mais do que um particular pedaço do dado. Ele também valida a autoridade de um site, ao identificar quantos sites regulares estão ligados ao site provedor da informação. Também, se muitas pessoas confiam ou acessam ou se ligam a um site, a avaliação do site fica melhor avaliada.
Case 3 – Google
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
7 – Principais aprendizados?
Google é a empresa que sabe como ninguém como monetizar o big data. Disponibiliza um serviço gratuito de busca e junta dados do gmail, celular, Waze? Google Maps? Youtube? Nest? e cria perfis dos internautas para se tornar o maior vendedor de publicidade online.
O Brasil é o segundo maior mercado de visualizações do Youtube no mundo, perdendo apenas para os EUA.
8 – O futuro?
Construir um sistema que reconheça voz, permitindo fazer uma pergunta e receber a resposta como se estivesse digitando a questão.
Também estão investindo pesadamente em novas tecnologias, tais como carros autoguiados e IoT, via a empresa Nest, adquirida em 2013.
Case 3 – Google
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
As maiores são redes sociais: FB (fundada em 2003), Whatsapp, Instagram (8), Twitter (9), Skype (10), Linkedin (17).Linkedin: Usa dados para sugerir: pessoas que vc pode conhecer, baseados no perfil, se trabalhou na mesma empresa que vc ou se tem amigos em comum.Linkedin usa machine learning para refinar seus algorítmos e fazer melhores sugestões. Por exemplo trabalhou na empresa A faz 8 anos e na B faz 4 anos. Se quem está interagindo é da empresa A, reforça as indicações da empresa A.Também permite vc ver quem está acessando o seu perfil, quem é a pessoa, a empresa, a localização, numero de amigos em comum, etc.Também informa de pessoas que recentemente entraram no site, quem obteve novo trabalho, pessoas que comemoram aniversários no trabalho, pessoas que tiveram artigos com like ou shared.Analisam perfil de quem clica num determinado anúncio, para expansão, etc.Linkedin ganha dinheiro com serviços de recrutamento, serviços pagos de usuários e mídia (25%). Linkedin captura cada movimento dos usuários no site, qq coisa liked, shared, cada job clicado, cada mensagem enviada, etc.
Case 4 - Linkedin
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Algumas alternativas:
1 – Capturar hotleads - reconhecer visitantes anônimos na sua loja
virtual.
2 – Capturar hotleads - reconhecer visitantes anônimos na sua loja
física.
3 – Capturar leads na rede social.
4 – Fazer Look-alike nas redes sociais.
5 – Utilizar uma base de prospects offline com o perfil dos seus
melhores clientes para ser abordados nas plataformas digitais, via data
onboarding.
6 – Fazer internamente o Inbound Marketing ou Marketing de Conteúdo.
7 – Comprar leads qualificados no mercado.
Melhoria da Eficiência de Prospecção
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
• Visitante entra na loja e é reconhecido via
facial ou celular.
• Ao ser reconhecido, recebe via celular uma
oferta baseada no seu perfil de compra.
• Após finalizar a compra, ao passar no
caixa, informa a oferta recebida, para os
devidos descontos no preço final.
4. Reconhecimento de Visitantes Nas Lojas Físicas
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
- Quando o cliente entrar na loja na loja física, recebe via celular, uma oferta específica para o seu perfil de consumo.
- Idem quando entra numa loja virtual, é reconhecido e recebe uma oferta específica.
- Identifica o perfil de compra
- Se for comprador de produtos naturais, passar informações sobre ingredientes, aditivos, dados sobre manipulação genética, teor de açúcar, produtos que estão prestes a vencer a validade, preços de versões antigas que vão ser substituídas por novas versões, etc.
- Se for gourmet, fazer ofertas de produtos relacionados, de receitas para pessoas gourmet, etc.
Supermercados
4. Reconhecimento de Visitantes Nas Lojas Físicas
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Digite a palavra cerveja no:Mercado Livre x Shopfácil
Aumento da eficiência de vendas da indústria no varejo
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Recomendação – O que é?
Recomendação personalizada de produto é uma atividade intensiva de Analytics.
Combina: várias fontes de dados, como o comportamento de compra do cliente, interesses, passatempos, histórico de visualizações, atividades em redes sociais, etc.
As recomendações também levam em consideração as similaridades dos clientes e os comportamentos de outros clientes também para oferecer produtos / serviços específicos e relacionados.
O sucesso da recomendação depende do profundo conhecimento de clientes, só possível com programas de relacionamento.
3 – Análise Prescritiva
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Saber a navegação dos consumidores dentro das lojas físicas e virtuais. Junte isso com Informações sócio demográficas + histórico de compras = assertividade.
Saber onde os consumidores andam e gastam seu tempo nas lojas permitindo otimizar a distribuição da loja e das propagandas visuais.
Saber a intenção de compra, para direcionar mensagens mais relevantes e que promoção funciona melhor.
Saber onde os consumidores estão, para fazer ofertas em tempo real, contextualizadas.
Saber os dados históricos, permitindo que se faça análises de padrão de consumo para prever o que os consumidores irão comprar e fazer a oferta no momento e canais adequados, otimizando estoques e reduzindo perdas.
Integração offline e online permite:
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Case - Netflix
105
Análise Prescritiva
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
1 – Qual problema Big Data ajuda resolver?Ofertar exatamente o filme que o consumidor gosta de assistir.
2 – Como o Big Data é usado na prática?
Usado para prever o que os consumidores gostam de assistir. Big Data é o combustível que alimenta a máquina de recomendação desenvolvida para esse propósito.
3 – Que dados são usados?
Os algoritmos de recomendação e as decisões de conteúdo são alimentados pelos seguintes dados:
-títulos que os assinantes assistem, horas do dia que assistem, tempo gasto selecionando filmes, quantas vezes playback é interrompido (pelo usuário ou problemas de rede), escore que dão para o filme assistido.
Para analisar a experiência de consumo, a Netflix coleta dados em atrasos por buffering and bitrate e localização do assinante.
Case 1 – Netflix
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
6 – Desafios a serem superados?
Enquanto dados estruturados são facilmente coletados, como por exemplo qual ator um assinante gosta de ver e que horas do dia assiste filme ou TV, um volume imenso de valiosos dados não estruturados são armazenados, como dados de vídeo e áudio.
Para trazer essas informações nas análises, Netflix inicialmente pagou milhares de pessoas para indexar as informações não estruturadas, transformando-as em estruturadas, utilizando para tanto um manual com 32 páginas, que orientava como identificar um filme com cenas mais românticas, agressivas, religiosas, forte presença feminina, etc.
Esses dados geraram mais de 80 mil micro-gêneros como: comédia falando de animais, drama histórico com temas gay ou lésbico, etc.
Hoje esse processo é feito de forma automática, usando sofisticada tecnologia de IA, tais como reconhecimento facial e analise de cores. A precisão é tamanha que a Netflix consegue identificar se o usuário desliga a TV após um filme com cenas mais pesado ou picantes, e baseado nisso, oferece alternativas mais leves na próxima sugestão de filme.
Case 1 – Netflix
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
7 – Principais aprendizados?
1 - Prever o que os usuários querem ver é o seu principal diferenciador e um gde negócio para a rede, distribuidores e produtores, tudo levando para TV personalizada, onde indivíduos assistem o que querem, na hora que querem.
2 – Prolongar o tempo de Netflix, assistindo o filme que mais te agrada, melhora a experiência de consumo. Boa experiência de consumo, provoca propaganda boca-a-boca, que resulta em aquisição de novos clientes.
3 – Prever conteúdo de programação/filme foi a grande sacada, baseada nos dados do que os assinantes assistiam, mas analisar o comportamento do assinante provocou uma tremenda melhora na experiência de consumo.
4 – No question about – vc monta seu pacote e sai dele qdo quiser sem tentativa de retenção.
8 – O futuro?
Netflix começou a desenvolver a TV personalizada, onde usuários terão seu próprio pacote de entretenimento, baseado nas análises de suas preferências.
Case 1 – Netflix
Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18
Case: Caterpillar
• Os equipamentos são monitorados via satélite e informações como nível de óleo, horímetro, nível de utilização dos componentes do motor, etc, são enviados realtime e através de processos pré-definidos são executados automaticamente.
• Permitiu criar oportunidades de negócios, cf situação atual das máquinas para vendas de serviços e reposição de peças.
• Envio de propostas automáticas, sugerindo substituição de peças desgastadas de acordo com o padrão de utilização dos equipamentos.
• Criação de visitas técnicas para os vendedores de campo, assim como a priorização de equipamentos considerando a criticidade do cliente e evolução do desgaste dos equipamentos.
• Previsão de estoque de peças e estimativa da demanda de consultores (vendedor de campo) que serão necessários para atender a demanda.
Dados da IoT – Internet das Coisas