Falar da importância da coleta e da análise de dados para a tomada de melhores decisões não é um assunto novo no mundo dos negócios.
A entrevista à CNBC nos idos de 1999 de um Jeff Bezos com muito mais cabelos mostra que, à época, a Amazon já coletava o equivalente a 350 disquetes por dia em dados de seus usuários para entender o comportamento de consumo deles. Se voltarmos ainda mais nessa linha do tempo, veremos que o conceito de marketing com dados surge no fim da década de 1980. A diferença é que havia muito menos deles disponíveis, como explica Fábio Adiron, consultor de marketing com dados e professor nos MBAs da FGV e da Saint Paul. “Em 1991, quando eu trabalhava na Sharp, minha função era fazer marketing com dados.
A American Express e a Credicard também já faziam isso aqui no Brasil, e sabiam quanto e onde seus clientes gastavam dinheiro.”
Contudo, há duas novidades significativas em relação ao uso de dados nos negócios. Mais especificamente, na importância deles para a oferta de produtos. A primeira delas diz respeito ao uso desses dados para fazer atualizações de ofertas em tempo real. A segunda está ligada ao aumento da influência deles para definir outros fatores do produto que vão além do preço.
## Atualização de produtos em tempo real
Para tangibilizar o conceito de tempo real no contexto da atualização de produtos, Adiron sugere um site de e-commerce como exemplo. Quando uma pessoa entra nessa página por meio da busca por um determinado produto, a plataforma adquire automaticamente alguns dados de comportamento de compra sobre o consumidor. Caso ele seja um cliente, a coleção de dados já acumulados anteriormente é ainda maior: quais seções do site visitou, onde clicou (e não clicou), em qual momento abandonou a página, entre vários outros.
“Esses dados são agregados aos do momento de navegação, o que gera uma miríade de informações”, conta Adiron. “Processadas por um sistema de inteligência artificial, essas informações então são utilizadas como insumo para a criação em tempo real de ofertas personalizadas que se aproximam ao máximo do produto buscado pela pessoa naquela interação específica”, explica.
## Personalização nos 4Ps
As atualizações de ofertas mais comuns a partir de insights gerados pela coleta e pela análise de dados tradicionalmente têm sido, em sua maioria, relacionadas a preço. Contudo, a fim de melhorar cada vez mais a experiência de seus clientes e de se diferenciarem em mercados saturados, as empresas têm buscado adaptações em tempo real orientadas a dados que influenciam também os outros três tradicionais pilares do marketing: produto, praça e promoção.
Como explica Alexandre Nascimento, professor da SingularityU Brazil e pesquisador no Vale do Silício, o trabalho com dados tem ajudado empresas a criar produtos capazes de atender consumidores muito diferentes, justamente por terem os 4Ps altamente personalizados de acordo com as preferências de cada pessoa. “Atualmente, é possível desenvolver um produto a ser consumido de diferentes formas por diferentes usuários, mesmo que na prática seja o mesmo item para todos eles. Dessa forma, gera-se o máximo de valor para cada um cliente em um nível one-to-one”, detalha.
Uma empresa que faz isso muito bem é a Netflix. Além das recomendações diferentes de filmes e séries conforme as preferências de cada usuário, algo que nem todo mundo sabe é que a plataforma pode variar a imagem de capa de uma mesma obra dependendo de quem está acessando o streaming. Se uma pessoa que costuma assistir a mais romances quiser assistir ao clássico Lendas da paixão, por exemplo, é provável que se depare com uma imagem de Brad Pitt com seu par romântico Julia Ormond. Caso o acesso seja de alguém que prefere filmes de ação, a capa usada para chamar sua atenção provavelmente trará um dos conflitos armados retratados no longa.
## Acrescente o S de sustentabilidade
A coleta e a análise de dados também ajudam no desenvolvimento de produtos mais duráveis e sustentáveis, como afirma Alexandre Nascimento. Ele cita a Tesla para explicar como o trabalho com dados terá uma influência cada vez maior na indústria automobilística, uma das maiores causadoras de impactos ambientais no mundo.
“A Tesla coletou dados relacionados à direção de todos os seus motoristas, treinou algoritmos, e um belo dia lançou um update que tornou seus veículos que já estavam na rua semiautônomos, sem obrigar os clientes a comprarem um novo modelo”, conta. Desde então, a empresa tem lançado atualizações de software que tornam desnecessárias as trocas constantes de carro, e diminuem assim a pegada de carbono gerada por eventuais reciclagens.
A expectativa é que mais empresas sigam o exemplo da Tesla de tornar seus produtos mais duráveis por meio de uma operação orientada a dados, a fim de diminuir o impacto ambiental no planeta.
Para entender na prática como a atualização em tempo real e baseada em dados tem impactado positivo além do preço dos produtos de diferentes segmentos, reunimos aqui dois cases de empresas que têm feito isso muito bem. E o melhor: são organizações brasileiras.
## Saint Paul: santos dados!
Para melhorar e adaptar seus produtos em tempo real, a escola de negócios Saint Paul desenvolveu o Lit, uma plataforma digital de aprendizagem com uso de inteligência artificial. A partir da análise desses dados, a Saint Paul tem conquistado resultados de negócio expressivos, como a redução para um terço na taxa de cancelamento de seus alunos.
O Lit trabalha em três frentes de atualizações de seus cursos 100% data-driven e automáticas. A primeira delas é a adaptação da metodologia de ensino à forma como cada aluno se sente mais confortável em aprender – afinal, há pessoas que absorvem melhor a informação lendo, outras escrevendo, e por aí vai. Para alcançar esse nível de personalização, a Saint Paul faz um onboarding detalhado com seus alunos, em que pede, entre outras coisas, que eles copiem e colem textos de e-mails e mensagens de WhatsApp escritas por eles.
Com base apenas nesses materiais, a plataforma não só gera um relatório de perfil de cada aluno, como ordena os objetos de aprendizagem (textos, áudios e vídeos) em tempo real, de acordo com os traços de personalidade do indivíduo. “Isso significa que uma pessoa mais analítica receberá primeiramente um texto, enquanto uma extrovertida, que aprende melhor discutindo o assunto, iniciará sua jornada de aprendizagem com um debate”, explica Adriano Mussa, diretor de inteligência artificial e sócio da Saint Paul e do Lit.
A segunda forma de adaptação automática da plataforma de ensino é a otimização da grade curricular do aluno, que leva em conta a bagagem de conhecimento que ele já possui. Após selecionar o curso que deseja fazer, cada pessoa responde a algumas perguntas do Lit a respeito do tema. Com com base nesses dados, o sistema faz uma análise em tempo real e direciona o aluno para os tópicos mais relevantes segundo seu contexto profissional.
Como esclarece Camila Securato, diretora comercial e de marketing da Saint Paul e do Lit, “caso a pessoa já tenha feito um curso de planejamento estratégico em outra instituição e tenha escolhido fazer conosco um curso do mesmo tema, nosso sistema de IA vai automaticamente diagnosticar quais tópicos esse aluno já domina e sugerir quais outros focar”. Securato ressalta que essa é uma adaptação que “permite que você faça um curso de 20 horas em quatro ou um MBA em dois meses em vez de dois anos”.
A terceira frente de atualização relaciona-se a uma nova forma de aprendizado para o aluno. Dentro da plataforma é possível conversar com Paul, o chatbot do Lit, que domina conteúdos sobre gestão, liderança, negócios, finanças, marketing e demais temas ligados aos cursos oferecidos pela escola. Além disso, por meio de inteligência artificial, Paul consegue adaptar-se em tempo real ao que a pessoa está perguntando de acordo com a forma como ela pergunta, responder a dúvida e sugerir caminhos de aprendizado mais básicos ou mais avançados.
Por exemplo, caso um aluno pergunte ao Paul o que é Ebitda, ele (que foi “treinado” pelo professor de análise financeira) dará a resposta, mas além disso passará para essa pessoa uma série de conceitos fundamentais que precisam ser compreendidos antes de entender o conceito de Ebitda. Se o aluno responder que já conhece os conceitos primários e que quer saber na verdade quais são as aplicações do Ebitda, Paul se ajustará automaticamente e apresentará conteúdos um nível acima. “O aluno pode aprender lendo um livro, fazendo um curso, assistindo a um vídeo, conversando com um colega ou, agora, interagindo com o Paul o que, na verdade, equivale a conversar com os nossos professores”, afirma Mussa.
## Just a Little Data (and a lot of beer)
Em setembro de 2018, Denys Feher, CEO e fundador da Just a Little Data, empresa de inteligência de dados, tinha um desafio nas mãos: entregar para sua cliente Ambev um verdadeiro case de utilização de dados em tempo real como diferencial para aumentar as vendas de produtos.
Feher tinha o evento ideal para isso: a September Fest, uma grande festa da cerveja promovida pelo Grupo Modelo (cervejaria mexicana adquirida pela Ambev em 2012) na Cidade do México. “Eram dois dias de festa, com cerca de 3 mil pessoas por dia e uma estrutura enorme. Havia várias marcas de cerveja presentes com seus estandes, nos quais vendiam outros produtos além da bebida, como mimos, camisetas e botons, e também faziam ativações. Tínhamos ali um ambiente controlado e perfeito para trabalhar”, explica Feher.
Na September Fest, a Just a Little Data focou entender, por meio da coleta e da análise de dados dos visitantes, seus comportamentos de consumo durante a festa, para assim otimizar a experiência deles e levá-los a comprar mais.
O estudo do público começou ainda no pré-evento, com a captação dos dados pessoais pedidos na compra online de ingressos. No dia do evento, cada pessoa recebeu um cartão de consumo pré-pago para usar nas diferentes instalações da festa – dos estandes de cerveja ao espaço kids, passando pelo estúdio de tatuagem –, e seus dados foram vinculados individualmente a esse cartão. Assim, a empresa conseguiu mapear e acompanhar a jornada de compra de cada consumidor – e então começa a parte mais legal dessa história.
## Insights da hora
Com tantas informações coletadas sobre cada pessoa presente no evento e com 99% delas tendo dado opt-in (ou seja, autorizado o recebimento de comunicações), a Just a Little Data foi capaz de criar em tempo real diversas ativações de marca com o público, gerações de demanda, atualizações de ofertas e até ajustes logísticos.
O time envolvido chamou todo esse processo de “insight da hora”, pois a cada hora cheia era testada uma nova hipótese para se aprender com ela. Como conta Feher, após a definição do insight a ser testado pela hora seguinte, um processo diferente era seguido. “Vamos supor que a hipótese da vez era a oferta de experimentação de um novo produto para um grupo específico. Então disparávamos um SMS com a oferta e, 40 minutos depois, fazíamos uma análise do ROI da ação. Com essa metodologia, hora em hora aprendíamos algo novo”, afirma.
A maioria das campanhas realizadas ao longo da September Fest gerou resultados muito positivos. Foi o caso da ação de incentivo para um determinado grupo de pessoas carregar seus cartões. Assim que o evento começou, a equipe da Just a Little Data passou a acompanhar quantos presentes já tinham carregado o cartão, ou seja, se tinham intenção de consumir. Esse número chegou a cerca de 95% do público, mas eles ainda queriam ativar aqueles 5% que já estavam há uma hora na festa sem carregar nada. Foi enviado então um SMS apenas para esse grupo de pessoas, oferecendo 100 pesos de bônus em seus cartões caso elas colocassem outros 80 – o que levou boa parte delas a fazer o carregamento.
A coleta de dados de comportamento durante o evento ajudou também a identificar, em tempo real, os consumidores mais frequentes de determinadas cervejas. O insight foi fundamental para o desenho de uma jornada completa de experiência de marca com essas pessoas, que contou também com o auxílio de pequenos benefícios. Alguém que só estivesse tomando Corona, por exemplo, e já estivesse na quarta garrafa, era incentivado a visitar o museu da marca para ganhar uma garrafinha d’água e dar aquela hidratada necessária.
A indicação de produtos aderentes ao comportamento de consumo de cada pessoa também foi possível com o trabalho de análise de dados. Alguém que já tivesse tomado três tipos diferentes de cerveja artesanal recebia um SMS (sempre ele) com a sugestão de outro rótulo semelhante para experimentar.
Contudo, quem estivesse tomando uma cerveja pilsen não recebia essa comunicação. As ações eram bem direcionadas para grupos de no máximo 300 pessoas.
“Algo muito bacana em quase todos esses exemplos é que fugimos apenas da variável do preço e focamos muito a questão comportamental”, conta Feher. “O que fizemos foi o que chamamos de next best offer, que era justamente definir o próximo melhor produto que tínhamos a oferecer para os consumidores”, completa.
Alguns dos principais resultados de negócio obtidos com o trabalho da Just Little Data durante a September Fest foram aumentos de 15% no faturamento do evento e de 15% no volume de litros vendidos. Haja cerveza!
Empresa data driven: por onde começar?
Antes de trabalhar em tempo real, muitas empresas precisam colocar os dados no centro de suas estratégias. Confira as dicas do especialista Fábio Adiron
Em mercados cada vez mais concorridos, ter uma empresa orientada a dados pode significar um diferencial competitivo importante. Contudo, muitos gestores e empreendedores ainda não sabem por onde começar para tornar suas organizações data-driven. O passo a passo a seguir vale para qualquer empresa, independentemente do tamanho ou segmento.
1. Responda à seguinte questão: qual é a estratégia do seu negócio? Embora pareça uma pergunta extremamente básica, muitas empresas não sabem respondê-la.
2. Para esse objetivo estratégico, de quais dados eu preciso? Quais tenho dentro de casa e quais preciso buscar? Onde e como vou buscá-los?
3. Com os dados disponíveis, trate-os e organize-os para, em seguida, avaliar qual modelo de análise se adequa a eles e à estratégia da empresa.
4. Processe o modelo. Se a empresa está engatinhando, comece pelo básico – análise de RFV (Recência, Frequência e Valor monetário), modelos de score e clusterizações (agrupamentos) de dados.
5. O resultado desse modelo vai gerar insights, oportunidades, riscos e outros diagnósticos importantes. A partir desses insumos, aja sobre o que é mais importante estrategicamente. Nem as grandes empresas têm orçamento e tempo para agir em todas as frentes ao mesmo tempo.
6. Analise e aprenda com os resultados das ações e retroalimente a base de dados com essas informações.
7. Suba um degrau na complexidade e recomece.
No fim, o grau de maturidade da empresa em lidar e aprender com os dados é muito mais importante do que seu porte ou ramo. Se ela já estiver um pouco mais madura, pode ir diretamente para o segundo, terceiro ou quarto passos.
Se o negócio já nasceu data-driven, normalmente é capaz de realizar esse processo no estado da arte.
A diferença básica entre as pequenas e as grandes empresas nesse trabalho de transformação de dados em informação útil para a tomada de decisões de negócio costuma ser o orçamento disponível. Porém, se de um lado as grandes conseguem trabalhar em mais de uma frente ao mesmo tempo, do outro as pequenas são capazes de envolver com mais facilidade pessoas de diferentes áreas da empresa nas decisões. Companhias maiores tendem a ser mais administradas em silos, o que, não raramente, impede a diversidade de visões sobre um mesmo problema.
