Retail: Big data e Omni-Channel

Rio de JaneiroSão PauloLisboaPorto
Workshop Meeting 09.OUT
Big Data & Omni-Channel

Porto | Lisboa | São Paulo | Rio de Janeiro
2
Apresentação: Douglas Bernardini
• 15+ experiência em TI
• Gerente de projeto das implementações
SAP na General Eletric, Citrosuco.
• Arquiteto SAP/Varejo nas
implementações da Leo Madeiras, Ri-
Happy, Supermercado Lopes, Drogaria
Onofre.
• Formado na ESPM, Pós graduado na
FGV.
• Cursando especialização em TI na
Harvard Extension School.(on-line)
• 4+ PoC em BigData
• Consultor de Omni-Channel na
SBF/Centauro
• Casado, Corintiano, Pai de 02 filhas.

3
Agenda
16:00 Big Data. Historico, tecnologia, desafios, engenharia social, influenciadores
16:40 Intervalo
16:50 Omni-Channel, varejo, canais de distribuição, ROI.
17:10 Estudo de Caso: Implementação real Big Data & Omni no Varejo
17:30 Perguntas

4
Big Data

https://youtu.be/kwCyxKYqDSM
001-a.mp4

6
“Vamos resolver o problema usando o Big Data,
mesmo sabendo que nenhum de nós faz a menor ideia
do que se trata”

7
1998 – O começo da Explosão de Dados
• Larry Page and Sergey Brin
• Stanford Univ: BackRub Project
• GFS
• Fundamentos Big Table
• 01 petabyte
• Banco = linha de texto
• Rastrear 100% da rede.
• “Crawler”
• 25MM websites em 1998
• “09 mães & 1 bebê em 1 mês”

8
Big Data: Principais Caracteristicas
• Volume (volume)
• Velocidade (velocity)
• Variedade (variety)
• Veracidade (Veracity)
• Elasticidade (Elasticity)
• Valor/Utilidade (Value)
• Disponibilidade (avaiability)

9
Bytes?.... Zettabytes!

10
noSQL: Novo conceito de armazenamento de dados.
SQL: Relacional, estruturado, Tradicional.
ACID: Atomicidade, Consistência, Isolamento e Durabilidade
noSQL: “Programa” que lê um texto solto.
• Teorema de CAP
“Aproximadamente certo é melhor que precisamente
errado” Keynes

11
Admirável mundo novo
1970
2015
Estrutura base de 01 único Tweet
Tamanho da Wikipedia
* 2 = # tweet por dia

12
Big data = Big Nerd
Sheldon e Penny

13

14
https://youtu.be/6mtXVWWRKx4
002-a.mp4

15

16
2005: O big data ganha um código aberto
• Doug Cutting
• Yahoo search engine
• Apache: Soft ONG
• Java Runtime Environment (JRE)
• Hadoop Distributed File System (HDFS)
• YARN
• Map Reduce

17
2005: Big Data ganha nome ‘Big Data’
• Roger Magoulas (oreilly.com) pela primeira vez associa a atividade ao termo BigData
• Cloudera: Ex membros da Apache foundation
• Hortonworks: Yahoo Capital
• MapR: Google capital
• Amazon inaugura o serviço EMR (Elastic MapReduce)
2008/9: Hadoop ganha força corporativa
2011: Big Data na nuvem

18
18
ERP Data Warehouse
Haddop: Marshalling
Business
Objects
Other BI solutions

19
19
https://youtu.be/4CC-DqQLmfM
003-a.mp4

20
2014: Dispositivos web no planeta

21
Brazil como potência e potencial de crescimento

22
WebTimeline

23
23

24
2014: Mobile assume liderança como ‘device’ de acesso

25
https://youtu.be/n8ZY1Gtp05I
004-a.mp4

26
2010: Videos tornam-se a força da Web
Venda do youtube em 2006: USD 1.6BI
Valor de mercado em 2015: USD 70BI

27
2011: Influencia muda a direção
Jay Baer: “True influence drives action, not just awareness.”
• Influenciador:
• Inserido no contexto comercial da rede de lojas
• Alto poder de alcance, capilaridade.
• Ação. O influenciador deve trabalhar com afinco.
• Atitude inspiradora. MUDA A DIREÇÃO!
• Isenção. Sua opinião deve ser levada em conta na campanha.
Ação

28
Líderes de opinião: Geram nova atitude na rede

29
https://youtu.be/qLGTrS5pdQQ
004-b.mp4

30
2013: Um novo modelo social

31
2014: GIS passa a ser Big-player no ‘Big Data’
“O google sabe onde você está, sabe de onde veio e
provavelmente sabe para onde vai.” K.Lewis

32
https://youtu.be/97NmTCmDeK4
005-a.mp4

33
Intervalo

34
Omni-Channel

35
https://youtu.be/Ctg6gkh8ews
006-a.mp4

36
2/3 dos consumidores varejo são influenciados pelo web

37
2/3 pelo site. Metade por email. 1/3 pelas redes sociais

38
Definição: Omni-Channel > Multi-canais
• USA: Sears 1800
• Definição: Sistemas e processos que facilitam a
compra do cliente, onde a transação percorre
múltiplos canais de venda.
• Brasil: Polishop
• Loja Própria
• Web-commerce
• Catálogo
• TV
• Callcenter
• Convergência:
• Entregas
• Pagamentos
• Devoluções

39
Tendências do varejo para 2015

40
Gargalos enfrentados no Omni Channel
1. Identificação do cliente:
a. Online: Identificação sólida.
b. Lojas físicas: Somente dados cartão de
crédito criptografados (anónimos).
c. Desafio: Integração conectar de dados
online e offline.
2. Logística fraca:
a. Diversos Centros de distribuição
b. Lentidão geográfica.
c. Custo de frete.
d. Baixo investimento
3. Plataformas internas diferentes:
a. Tecnologias instaladas diferenciadas.
b. Dados mestre (cadastro) distintos.
c. Processos de negócio on-line e loja física
diferentes
4. Falha de inventário:
a. Saldos incorretos.
b. Separação errada.
c. Trocas para conter frustações.

41

42
https://youtu.be/Y3jTfUeXez8
008-a.mp4

43
A ‘régua’ da logística subiu!

44
Omni: Atrair o consumidor web para loja

45
https://youtu.be/tkcu17armjA
009-a.mp4

46
Vale Uber: Buscando o cliente.

47
OMNI: Compre on-line, busque na loja

48
Target melhora resultado corporativo com Omni-Channel
https://www.internetretailer.com/2014/02/27/target-books-20-increase-online-sales-q4
1800 lojas
“Cerca de 30 % das visitas às Target fora para
resgatar uma encomenda ‘online’ e resultaram
compras adicionais na mesma viagem. O ticket
médio neste caso é muito maior do que um venda
de loja padrão.”
Kathee Tesija
Target's Chief Merchandising Officer

49
Usando a ‘rede’ logística existente: Pick-up store

50
Mitigando o risco de ‘inventário errado’.

51
Não dê desconto! Dê vantagem a ser resgatada na visita.

52
• O resultado do Omni-channel deve ser medido em ambos
os canais: Lojas físicas e web.
• Operação de web-commerce normalmente já possuem sua
métrica de conversão em vendas.
• A conversão da loja física depende de inúmeros fatores
‘não-digitais’ como pessoas, limpeza, treinamento,
cordialidade, gerência, etc.
• Medir visitação em loja eleva o nível de precisão da
campanha, qualifica a campanha e traz consistência as
ações futuras.
Medir visitação: Não é somente web!

53
https://youtu.be/6oZF5KP1-0U
010.mp4

54
Situação atual:
• Rede varejo de moda masculina A+ com 100 lojas e faturamento acima de R$1.5Bi/ano
• Web-commerce representa 10% de suas vendas. 01MM clientes cadastrados.
• CRM fraco. Cadastro de clientes somente na web.
• Não existe integração entre sistema de loja (pdv), backoffice (ERP) e sistema de web.
• Operação de WEB possui cnpj distinto da rede e com CD separado.
• Inventários com baixa consistência nas lojas.
• Objetivo:
• Utilizar técnicas de big-data e omni-channel simultaneamente;
• Verba investimento: R$ 650k (0,4% fat/ano)
• Período: 03 meses
• Aumentar as vendas de loja em 2%;
• Vendas da web em 5%;
• Aumentar visitação nas lojas visitas e no e-commerce em 5%.
• Demostrar aos controladores a eficiência das ferramentas e capacidade de avaliação do ROI.
Business Case (*)
(*) situação simulada, não correspondente a realidade especifica de uma rede de comércio.

55
Plano de ação (*) 1. Identificar e definir 01 região piloto e 05 lojas/teste padrão.
2. Avaliar geração de ‘insights’ recentes no Twitter e Facebook
3. Identificar geograficamente o publico alvo ‘não comprador’
pelo gmaps/wase.
4. Identificar no inventário itens ‘slow-moving’ (baixo giro) global
e transferir para loja piloto.
5. Convocar ’influencers’ internos e externos para definir lista de
ofertas para campanha de produtos ‘slow-moving’ já existentes
em estoque, de alta valor agregado e alta margem.
6. Construir aplicativo na plataforma e-commerce que gere
cupons de descontos autenticados para compra em loja quando
o cliente web fechar o carrinho.
7. Construir aplicativo no sistema de loja (PDV) para identificar o
cupom gerado pela web.
8. Instalar identificador de fluxo de clientes na loja piloto.
9. Modificar layout web para campanha.
10.Fechar web-campanha de email marketing e PPC, em conjunto
com ‘influencers’.
11.Fechar social analitics real-time para o período de campanha.

56
Cronograma (*)
‘Insights’ Twiter/ Facebook
Publico alvo gmaps/wase.
Gerador cupons Web
Leitor de cupom PDV
Identificador de fluxo de clientes
Layout web para campanha.UX
Email marketing & PPC
Campanha Influencers
Social Analitics
01 02 03
Campanha
Duração em Meses
Atividades

57
Resultados (*)
Vendas Web: +4,8%
Seguidores Youtube/Facebook: +60,1%
Vendas Físicas: +8,1% Visitas web: +15,4% Visitas Loja: +23,9%
Citações Positivas Youtube/Facebook: +70,9%
Citações Positivas Youtube/Facebook: -50,4%

58
Outros resultados (*)
1. Metade do pagamento aos ‘influencers’ foi em cupons. Que
acabaram sendo presente a outros ‘influencers’. Que aumentaram
a influencia do site.
2. Todo cupom dado de presente, por definição, teve que ser
resgatado na web. Esta ação aumentou a visitação do site.
3. O pagerank (google) do website aumentou de 2 para 4. Pageranks
elevados aumento o valor da corporação.
4. Pela primeira vez houve uma oferta de um fornecedor em estar na
primeira página da web-commerce. Isto chamou atenção a
possibilidade de venda de espaço (trade-marketing).
5. Pela inexistência do CRM, foi impossível avaliar quantos
consumidores retornaram devido campanha. Mas os vendedores se
entusiasmaram ao saber que 100% dos cupons estavam na web,
onde já havia obrigatoriamente cadastro, email, contato, etc.
6. O levantamento de big data mostrou que os consumidores
desejavam uma linha de ‘underware’.
7. O ‘slow moving’ foi todo vendido.
8. O layout da loja revisto. Foi estabelecida uma estratégia de
planograma mais efetiva.
Antes da campanha
Durante Campanha

59
Dúvidas, Perguntas?

Retail: Big data e Omni-Channel

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (9)

Semelhante a Retail: Big data e Omni-Channel

Semelhante a Retail: Big data e Omni-Channel (20)

Mais de Douglas Bernardini

Mais de Douglas Bernardini (20)

Retail: Big data e Omni-Channel