Predictive Analytics - Markerting e Ecommerce Nunca Serão Como Antes

1,831 views
1,711 views

Published on

Essa introdução à análise preditiva, mostra seus conceitos básicos, funcionamento e como ela se mostra como grande vantagem competitiva.

Published in: Marketing
1 Comment
3 Likes
Statistics
Notes
No Downloads
Views
Total views
1,831
On SlideShare
0
From Embeds
0
Number of Embeds
215
Actions
Shares
0
Downloads
33
Comments
1
Likes
3
Embeds 0
No embeds

No notes for slide
  • No PDV não é possível reconfigurar a loja para cada cliente. No Ecommerce não existe tal restrição. Se houver 1 milhão de clientes únicos visitando seu website, deve haver, idealmente, 1 milhão de versões personalizadas. Com DADOS SOBRE QUEM está acessando o website, é perfeitamente possível customizar a experiência e oferta de produtos para cada cliente online. Embora exista o recurso de scroll infinito, se o cliente não encontrar o produto desejado depois de certo tempo, ele não hesitará em ir para o site concorrente. Por isso, idealmente, os produtos mais adequados para o cliente devem ser mostrados antes do scroll. Portanto a tela imediata deve ser o limite, ou seja, ela deve mostrar a oferta individualizada, que apresenta maior chance possível de conversão.
  • Tipicamente, o Analytics tende a mostrar os produtos complementares mais populares, o que numa primeira análise é a melhor decisão. Masquando sabemos QUEM está fazendo a compra, as respostas são diferentes. Profissionais de marketing (digital) devem escolher cuidadosamente o mix de produtos na tela. Considerando o produto “bicicleta”, como determinar quais são os 3 produtos que serão apresentados na oferta complementar (Produtos I, II e III)?Como abordado, os “mais populares” ou “mais vendidos”, podem aumentar a receita total de uma venda. Mas essa é não é uma forma individualizada de ofertar produtos. Sem customização o potencial de conversão não é maximizado.
  • Sem personalização é como se apresentássemos a oferta complementar como a figura do slide.Para maximizar o valor da conversão (i.e. gerar a maior receita possível em uma oportunidade de venda) é necessário preparar a oferta de acordo com os OS GOSTOS INDIVIDUAIS DO CLIENTE, e não de acordo com o A POPULARIDADE DE PRODUTOS VENDIDOS EM CONJUNTO COM O PRODUTO PRINCIPAL no conceito “pessoas que compraram ESTE ITEM também compraram estes.” Para maximizar o valor da conversão O FOCO DEVE ESTAR 100% NO CLIENTE. CADA CLIENTE É DIFERENTE!
  • CASO CLIENTE MAIS (PÃO DE AÇUCAR)Visão conceitual:Repositório de dados demográficos sobre seus clientes e informações relativas a seus hábitos de compra. Programa de Fidelização que oferece benefícios em troca da sua informação: - ofertas exclusivas nas lojas Pão de Açucar - Pontos convertidos em vale-compras - Conteúdos especiais no siteTodos os dados para cadastro no programa são obrigatórios:CPF*NOME COMPLETORG**EMAILSEXOESTADO CIVILESCOLARIDADENo DE RESIDENTES NA CASAPROFISSÃOENDEREÇO*Com o CPF é possível pesquisar a situação de crédito do cliente em órgãos como o SPC e SERASA** Com o RG é possível gerar um atestado de antecedentes criminais no site da Polícia Federal: https://servicos.dpf.gov.br/sinic-certidao/emitirCertidao.html
  • Tipicamente o estudo atual de analytics nas empresas respondem perguntas importantes sobre as atividades presentes e passadas dos clientes. Mas, no Brasil, poucas se posicionam para ANTECIPAR as demandas dos clientes, individualmente.
  • É necessário ter ciência de que não é possível prever precisamente o futuro.
  • Mas com com o cruzamento de dados passados é possível ter um noção do que vai acontecer no futuro.
  • A análise preditiva dá ao gestor opções de decisão enquanto prevê possíveis comportamentos ou acontecimentos ainda desconhecidos.
  • Machinelearningé o que gera inteligência artificial. Quem dominar este tipo de tecnologia terá uma grande vantagem competitiva.
  • Não podemos prever o futuro, mas podemos ter uma melhor ideia sobre probabilidades de determinados acontecimentos se concretizarem. A análise preditiva oferece conjuntos de probabilidades que são mensuráveis, auxiliando o gestor na tomada de decisão.
  • Onde o futuro é incerto, uma ideia razoável sobre como acontecimentos futuros se darão, é uma grande vantagem.
  • Neste caso, uma empresa apresenta seus esforços de marketing direto, gerando um lucro de 200K. Com base em dados históricos a empresa prevê que a conversão será de 1%. O problema é que, para atingir essa conversão, a empresa precisa contatar a base inteira de 1 milhão de clientes em potencial.
  • Com análise preditiva, é possível prever quais clientes (da base de 1 milhão) apresentam uma probabilidade superior de conversão em uma campanha de marketing direto.Neste exemplo, com aplicação de análise preditiva, foi possível identificar um grupo de 250K pessoas que apresentam uma probabilidade três vezes maior de conversão em comparação com os demais clientes em potencial dentro da base de 1 MM. Portanto, descobre-se em quais pessoas focar os esforços de conversão. A operação se torna muito mais eficiente. Neste exemplo, foi possível contatar 4x menos pessoas, gerando receita quase 6x superior comparativamente ao cenário sem análise preditiva.
  • O funcionamento do modelo linear é bem simples. Embora tenha limitações, é melhor do que não ter qualquer modelo de análise preditiva.
  • Os modelos que fazem uso de árvores de decisão são bastante populares no emprego de análise preditiva.
  • Os modelos que fazem uso de árvores de decisão são bastante populares no emprego de análise preditiva. As ramificações das “árvores” aumentam de acordo com o número de dados disponíveis.
  • Mas as árvores de decisão, depois de certo ponto, podem apresentar resultados viciados, ou seja, produzem probabilidades menos precisas. Para corrigir este problema, 20% a 30% dos dados a serem analisados são separados dos dados de treino. Esta parcela menor, conhecida como dados de teste alimentam o sistema posteriormente a algumas rodadas de teste para verificar a eficácia do sistema. Por não terem passado pelas rodadas iniciais de aprendizado (machinelearning), os dados de teste indicam se o resultado agregado gerado pelo algoritmo está viciado.
  • Assim como outros meios de comunicação, muitas propagandas não são vistas na internet pois leva pouco (pu nada) em conta quem está vendo o anúncio.
  • Com análise preditiva é possível maximizar o ROI de campanhas. Pouco utilizada no Brasil, é uma prática que promete resultados superiores comparativamente às táticas de otimização de campanhas empregadas atualmente.
  • O varejista Target é um benchmark na aplicação de análise preditiva para aumentar o ROI de marketing e aumentar as vendas, tanto no PDV quanto no Ecommerce.
  • Três dimensões que formam o perfil do cliente Target. Mensagens relevantes > Estamos comunicando algo que interessa a cada cliente?Veículo certo > Estamos utilizando os canais que geram respostas de cada cliente? O cliente lê emails? Responde a ofertas mobile? Clica nos banners do site?Necessidades do cliente > Conhecemos o cliente tão bem a ponto de ATENDER suas necessidades atuais e ANTECIPAR suas necessidades futuras?
  • Múltiplas fontes de informação alimentando o perfil de cada cliente, que é vinculado ao “guest ID”. Os dados são cruzados entre eles, testando hipóteses levantadas pelo varejista. É FUNDAMENTAL ter uma hipótese a ser testada na aplicação de análise preditiva. A empresa precisa saber a pergunta para encontrar a melhor resposta.
  • A Target criou um modelo que permite prever quando uma cliente vai ficar grávida antes mesmo de ela saber.
  • As ações de marketing direto voltadas para as clientes que apresentaram maior probabilidade de gravidez se mostraram mais eficazes.
  • Dados de fontes internas e externas são coletados e analisados através de modelos de análise preditiva para ANTECIPAR as necessidades do cliente.
  • O capacidade da Target prever a gravidez de suas clientes, no entanto, teve uma repercussão negativa em boa parte da imprensa no começo de 2012.
  • O capacidade da Target prever a gravidez de suas clientes, no entanto, teve uma repercussão negativa em boa parte da imprensa no começo de 2012.
  • O capacidade da Target prever a gravidez de suas clientes, no entanto, teve uma repercussão negativa em boa parte da imprensa no começo de 2012.
  • Até o Facebook entrou na história alguns meses depois, embora sem a repercussão gerada pela Target.
  • O estopim foi a publicação de um artigo do jornalista Charles Duhigg no New York Times Magazine em que ele acusa a Target de invasão de privacidade. Até hoje há opiniões divergentes sobre se a Target invadiu ou não a privacidade de seus clientes. Assim como há discussões se Duhigg usou o caso da Target para promover seu livro “ThePowerofHabit” (O Poder do Hábito).Artigo de Charles Duhigg no NYT Magazine “HowCompaniesKnowYourSecrets”:http://www.nytimes.com/2012/02/19/magazine/shopping-habits.html?pagewanted=all&_r=0Vídeo de Charles Duhigg sobre a Targethttp://www.youtube.com/watch?v=RC5HNTj3Dag
  • Práticas de análise preditiva devem ser desenvolvidas de maneira responsável. É fundamental definir as condições de uso e privacidade dos dados dos usuários (governança).
  • Casos em que análise preditiva colaborou para melhorar os resultados de empresas.
  • Alguns dados sobre o uso da análise preditiva nas corporações.
  • Gôndolas virtuais no metrô sul coreano não são exatamente uma novidade por lá. Mas com o desenvolvimento de novas tecnologias, como o Google Glass, será que as gôndolas virtuais serão as mesmas para todos os clientes? Será possível personalizá-las com o emprego da análise preditiva e de realidade aumentada?
  • Em um mundo cada vez mais competitivo e onde ofertas de produtos e tecnologias empregadas são muito parecidas, o uso da análise preditiva desponta como a grande vantagem competitiva. Dados são o “petróleo” do século XXI.
  • Bruce Ledesma possui 15 anos de experiência em soluções online, comercializando serviços de informações para tomadas de decisão financeira e desenvolvendo plataformas SaaS de comunicação online na área de relações com investidores (RI). Foi co-fundador do MZ Group, a maior consultoria independente no mundo de serviços integrados e tecnologia aplicada a RI e foi sócio-fundador da MZ Technologies. Atendeu corporações como AmBev, Anhanguera, Braskem, Banco Bradesco, Banco de Chile, Bloomberg, BRF Brasil Foods, BES (POR), BPI (POR) CCR, Cielo, Cosan, CSN, Coca-Cola FEMSA (MEX), Dufry South America, Even, Gafisa, Gerdau, Gol Linhas Aéreas, Grupo Bimbo (MEX), Grupo Odebretch, Grupo Pão de Açucar, Grupo Santander, Homex, IRSA Ideiasnet, IRSA, Maxcom, Mexichem, Natura, Net Serviços, Petrobrás, Sabesp, SEB, Sulamérica,TAM, TIM, Tecnisa, TOTVS, VIVO, UOL.Morou no México onde ajudou corporações locais em seus esforços de comunicação online e passou uma temporada na Rússia estudando língua russa no PushkinStateRussianLanguageInstitute. É administrador de empresas pela Universidade Presbiteriana Mackenzie, possui MBA em Marketing Digital pela FGV-SP e especialização em Social Media Marketing & Execution pela New York University. Atua como palestrante, consultor e estrategista em marketing digital e pesquisador e professor de análise preditiva.
  • Predictive Analytics - Markerting e Ecommerce Nunca Serão Como Antes

    1. 1. PREDICTIVE ANALYTICS  Análise Preditiva Marketing & Ecommerce Nunca Serão Como Antes Bruce Ledesma Estrategista em Marketing Digital Fevereiro 2014
    2. 2. OTIMIZANDO O ESPAÇO NO VAREJO OFFLINE (PDV) A experiência no ponto físico tem configuração única. Pouca flexibilidade para diferenciação para cada consumidor Geografia tem forte influência na decisão de compra O PDV é o limite (o consumidor não pode trocar de loja rapidamente) ONLINE (ECOMMERCE) A experiência deve ser individualizada Muita flexibilidade para diferenciação para cada consumidor Geografia tem menor influência na decisão de compra A tela é o limite (o usuário pode trocar de loja instantaneamente) PERSONALIZAÇÃO A ALOCAÇÃO MAIS EFICIENTE POSSÍVEL DO ESPAÇO DE TELA
    3. 3. QUÃO ÓBVIA É A PERSONALIZAÇÃO DA TELA? A. B. C. D. E. F. G. H. I. J. K. L. M. N. O. SUPORTE CARRO LUZ TRASEIRA SQUEEZE RELÓGIO POLAR CAMARA DE BORRACHA BOMBA DE AR CADEADO PRESILHA DE PEDAL SAPATILHA DE CICLISMO LUVA DE CICLISMO ROUPA DE CICLISMO CAPACETE LUZ DIANTEIRA SPRAY ANTI-FERRUGEM BICICLETA DIFERENTE
    4. 4. ONDE ESTÁ A CUSTOMIZAÇÃO DA EXPERIÊNCIA?
    5. 5. CAPTURANDO A MATÉRIA PRIMA: SEUS DADOS CPF NOME COMPLETO RG EMAIL SEXO ESTADO CIVIL ESCOLARIDADE No RESIDENTES NA CASA PROFISSÃO ENDEREÇO
    6. 6. ANALYTICS INVESTIGANDO PRESENTE E PASSADO O QUE AS PESSOAS ESTÃO COMPRANDO QUE DIAS ITEM “A” VENDE MAIS? QUAIS SÃO OS ITENS MAIS POPULARES? QUAIS OS HORÁRIOS DE MAIOR MOVIMENTO? … E OUTRAS PERGUNTAS AD HOC QUE SÃO IMPORTANTES PARA SEU NEGÓCIO
    7. 7. É POSSÍVEL PREVER O FUTURO? “O primeiro passo para prever o futuro é admitir que você não pode fazê-lo.” Stephen Dubner Jornalista (Freakonomics) “Como é que nunca se lê uma notícia como ‘Vidente Ganha na Loteria’ ?” Jay Leno Comediante
    8. 8. É POSSÍVEL PREVER O FUTURO? “Se queres prever o futuro, estuda o passado.” Confúcio Filósofo “A única fonte de conhecimento é a experiência.” Albert Einstein Físico
    9. 9. O QUE É ANÁLISE PREDITIVA? Um conjunto de técnicas de estatística, modelagem, machine learning e data mining que analisa fatos atuais e históricos para fazer previsões sobre o futuro ou sobre eventos desconhecidos.   DADOS MACHINE LEARNING PREDIÇÕES
    10. 10. Três coisas que Bill Gates desejaria ter feito 20 anos atrás* 1. Tomar a dianteira na disputa do domínio de machine learning 2. Começar a filantropia mais cedo na vida 3. Passar mais tempo fora do escritório *Matéria publicada em 10/2/2014 FONTE: http://qz.com/175616/three-things-bill-gates-wishes-he-could-have-done-20-years-ago/
    11. 11. “Simplesmente prever um pouco é melhor do que adivinhar, esse é o truque; uma visão nebulosa do que vai acontecer é muito superior à completa escuridão.” Eric Siegel Predictive Analytics O poder de prever quem vai clicar, comprar, mentir ou morrer.
    12. 12. O “Efeito Preditivo” de Eric Siegel “Um pouquinho de previsão vai longe” Cenário sem Análise Preditiva Cenário com Análise Preditiva
    13. 13. Marketing Direto: Sem Análise Preditiva ? Receita 220 x 10.000 Despesa 2 x 1.000.000 1 MM de prospectos para quem vender Conversão de 1% (10.000,00) clientes Receita de R$ 220 por cliente Custo de contato: R$ 2,00/cliente = 2.200.000 = 2.000.000 LUCRO R$ 200.000 “Metade do dinheiro gasto em anúncios é desperdiçado. O problema é que não sei qual das metadas.” John Wanamaker Pioneiro em Marketing
    14. 14. Marketing Direto: Com Análise Preditiva A.P. Receita 220 x 7.500 Despesa 2 x 250.000 250 mil prospectos para quem vender Conversão de 3% (7.5000) clientes Receita de R$ 220 por cliente Custo de contato: R$ 2,00/cliente = 1.650.000 = 500.000 LUCRO R$ 1.1500.000 LUCRO 5.75 X MAIOR!
    15. 15. Análise Preditiva: Como Funciona? Modelo Preditivo: mecanismo que prevê o comportamento de um indivíduo. O modelo processa os dados, atribuindo pesos às características da pessoa, soma os resultados e gera um score preditivo. MODELO LINEAR 82 Características do indivíduo Modelo Preditivo Score Preditivo Quanto mais alto o score, maior a probabilidade do indivíduo apresentar o comportamento previsto.
    16. 16. Análise Preditiva: Árvores de Decisão > É homem? SIM NÃO Usuário MAC? SIM Chance de Conversão 38,0% NÃO Chance de Conversão 16,5% Chance de Conversão 12,0%
    17. 17. Análise Preditiva: Árvores de Decisão > É homem? SIM NÃO Usuário MAC? SIM Chance de Conversão 38,0% NÃO Chance de Conversão 16,5% > 2 visitas ao site SIM Chance de Conversão 7,3% NÃO Chance de Conversão 2,1%
    18. 18. Análise Preditiva: Como Funciona? Dados de Treino 20 a 30% dos dados Dados de Teste Algoritmo de Machine Learning Hipótese 80 a 70% dos dados Feedback Desempenho
    19. 19. Como Anda Sua Campanha an Internet? “46% das propagandas na internet não são vistas pelos usuários.” ComScore – Junho 2013 • Mais de um ano de monitoramento • 22 das 25 maiores empresas que investem na internet nos EUA • Empresas como Procter & Gamble, Kellogs • Propaganda precisa ter ao menos 50% dos pixels da imagem vistos por pelo menos meio segundo (padrão EUA) Fonte: http://olhardigital.uol.com.br/noticia/quase-metade-das-propagandas-na-internet-nao-sao-vistas,-diz-estudo/35161
    20. 20. A.P. E TARGETING NA PUBLICIDADE ONLINE Caso positivo Caso negativo Usuário João clica em anúncio A Usuária Maria não clica em anúncio B Escolher o banner que gera mais cliques 291 tipos de banners possíveis. Um modelo de A.P. por banner. Em qual banner cada usuário está mais propenso a clicar (preço do anúncio considerado) Desafio A.P. em tempo real. Decisões instantâneas para agregar valor Teste A/B Anúncio “Campeão” Sem A.P. X Anúncio “Desafiante” Com A.P. USD 1 MM a cada 19 meses de receita incremental 3.6% Receitas
    21. 21. ESTUDO DE CASO: TARGET Perfil Varejista norte-americano Fundação em 1902 1.921 PDVs em 11/2013 36o Ranking Forbes 500 Target.com lançado em 1999 Estratégia Oferecer interações relevantes que ANTECIPEM e RESPONDAM às muitas formas como os consumidores querem se engajar e fazer compras .
    22. 22. ESTUDO DE CASO: TARGET Mensagens Relevantes Perfil Cliente Veículo Certo Necessidades do Cliente Dados internos e externos para construir o perfil do cliente e melhorar o ROI de marketing
    23. 23. FLUXO DA INFORMAÇÃO Click Thru Email Demografia Concorrência Comportamento Website Cookie Online ID Mobile Compra Online Guest ID Nome Endereço, etc. Listas Cadastros Local Cupons Mobile Nível resposta por canal Modelos Preditivos Distância do PDV Uso de Cupons Compra no PDV Histórico de Contato
    24. 24. TARGET BABY REGISTRY - MAILING OBJETIVO Converter mulheres no prenatal ANTES de terem o bebê A.P Desenvolver modelo para prever se uma cliente está grávida DADOS PARA ANÁLISE Consumo de itens-chave na categora “bebês” no PDV e online, idade e se tem filhos. RESULTADOS Crescimento de 30% na base de mailing de clientes para este segmento
    25. 25. EXECUÇÃO NO PDV: CUPONS PARA FRALDAS OBJETIVO Distribuição (PDV) de cupons de desconto para maior conversão na categoria A.P Prever quais clientes começarão a comprar fraldas ou aumentarão consumo atual de fraldas. DADOS PARA ANÁLISE Demografia, compartamento no website na categoria “bebês”, baby registry, RFM de produtos para bebês (PDV e online). RESULTADO Aumento substancial no uso de cupons e conversão de clientes de fraldas e Categoria “bebês” como um todo.
    26. 26. Tipo e Procedência dos Dados Coletados Guest ID Dados Adquiridos de Terceiros 1. 2. 3. 4. 9. Etnia, 10. Histórico profissional 11. Revistas lidas 12. Se declarou falência ou se divorciou 13. Ano em que comprou (ou perdeu) sua casa 14. Onde cursou faculdade 15. Quais assuntos fala sobre na internet 16. Se prefere certas marcas de café, papel tolha, cereal ou purê de maçã 17. Suas inclinações políticas 18. Hábitos de leitura 19. Se faz obras de caridade 20. Quantos carros possui 5. 6. 7. 8. Idade Estado civil, se tem filhos Local de residência Quanto tempo leva para chegar a uma loja Estimativa salarial Se você se mudou recentemente Quais cartões leva na carteira Quais websites você acessa
    27. 27. EFEITO COLATERAL: CASO TARGET NA IMPRENSA
    28. 28. EFEITO COLATERAL: CASO TARGET NA IMPRENSA
    29. 29. EFEITO COLATERAL: CASO TARGET NA IMPRENSA
    30. 30. FACEBOOK INCLUÍDO NA COBERTURA
    31. 31. CHARLES DUHIGG E SUA CRÍTICA À TARGET http://www.youtube.com/watch?v=RC5HNTj3Dag
    32. 32. POLÍTICAS DE PRIVACIDADE DOS DADOS Retenção – Quais dados são armazenados e por quanto tempo Acesso – Quem pode ter acesso aos dados Compartilhamento – Quais dados podem ser compartilhados com quais pessoas dentro e fora organização Concatenação – Quais elementos podem ser concatenados Reação – quais dados podem sofrem algum tipo ação, determinando a resposta da organização, seu alcance e outros comportamentos.
    33. 33. COMO EMPRESAS USAM ANÁLISE PREDITIVA 35% das vendas são geradas através de recomendações de produtos. 70% das escolhas dos filmes assistidos são influenciados por recomendações online. Lançamento “House of Cards”. Prevê quais anúncios novos apresentarão bounce rates altos (quando usuário clica no anúncio e imediatamente clica no botão voltar. Usuários Mac apresentam probabilidade 40% maior de fazer reservas em hotéis 4 e 5 estrelas comparado a usuários de PC. Gastam 30% mais em diárias. Usuários vendo um banner apresentam probabilidade 61% maior de realizar uma busca relacionada, o que aumenta em 249% a chance de cliques em anúncios de texto nos resultados de busca.
    34. 34. BIG DATA NAS CORPORAÇÕES
    35. 35. APENAS A PONTA DO ICEBERG
    36. 36. A.P. COMO O DIFERENCIAL COMPETITIVO Empresas oferencendo produtos semelhantes usando tecnologia muito parecida. Em ambiente mais competitivo empresas precisam de processos mais eficientes. Necessidade de ter informação que seja ACTIONABLE. Necessidade de tomar decisões cada vez mais rápidas e certeiras. É um recurso que oferece opções. É uma poderosa ferramenta de decisão. Quem está na dianteira estabelece as regras do jogo.
    37. 37. Bruce Ledesma Estrategista em Marketing Digital Bruce Ledesma Digital Marketing Strategist @ledesmabruce /bruce.ledesma ledesma.bruce@gmail.com

    ×