- O documento discute a análise de mídias sociais e dados de compras para segmentar clientes e apoiar decisões de marketing.
- Foi realizado um estudo de caso coletando dados do Facebook e de compras de clientes de uma empresa para analisar perfis de compra.
- A análise resultou em 5 clusters de clientes com perfis de compra e preferências semelhantes nas redes sociais.
3. SUMÁRIO
• Estudo de Caso:
• Dados do Facebook
• Dados de compras
• Coleta dos dados
• Processo de análise
• Resultados
• Conclusões
4. MOTIVAÇÃO
• Popularização da internet e das mídias sociais
• Mudanças no perfil do consumidor
• Necessidade de compreender as preferências dos clientes
• Segmentação de mercado
• Conteúdo personalizado
• Extrair inteligência dos dados para estratégias de marketing e propaganda
6. SEGMENTAÇÃO DE MERCADO
• Grupos com caracterísiticas em comum
• Geográfica, demográfica, psicográfica ou comportamental
• Análise de cluster
7. MINERAÇÃO DE DADOS
• Exploração dos dados com o objetivo de identificar padrões
significativos
• Técnicas de mineração de dados são muito valiosas quando
aplicadas ao marketing
• Algoritmo de clustering para segmentação
8. ANÁLISE DE REDES SOCIAIS
• Dados disseminados em tempo real
• Informação descentralizada
• Rede de informação formada através das relações
• Extremamente relevantes para a tomada de decisão
10. ESTUDO DE CASO
• Objetivo: identificar preferências de cada cliente de
acordo com seu perfil de compra
• Dados de preferência dos clientes no Facebook
• Dados de frequência de compra destes clientes
• Relacionamento e cruzamento destas informações
• Análise de cluster para segmentar clientes com perfis
semelhantes com base nestas informações
11. DADOS DO FACEBOOK
Páginas curtidas pelas pessoas que seguem página da empresa (clientes atuais
e potenciais).
Informações coletadas:
• Artistas e personalidades mais populares;
• Locais visitados;
• Filmes / programas de televisão preferidos;
• Atividades de entretenimento favoritas;
• Veículos de mídia e imprensa que mais gostam.
12. DADOS DE COMPRAS
• Dados cadastrais do cliente e perfil de compra;
Distribuição dos clientes como:
• Compradores frequentes (quantidade de compras nos
últimos 12 meses >= 4);
• Compradores semestrais (quantidade de compras nos
últimos 12 meses > = 1 e < 4);
• Compradores inativos (quantidade de compras nos últimos
12 meses = 0);
13. COLETA DOS DADOS
• Dados do Facebook: Power Query para Excel
• Dados das compras: banco de dados da empresa
• Processo de ETL utilizando o Integration Services (SSIS)
para consolidar e relacionar estes dados em um banco de
dados do SQL Server
14. PROCESSO DE ANÁLISE
• View no banco de dados do SQL Server
• Dados dos “likes” do Facebook e das compras
• SQL Server Analysis Services (SSAS) – Data Mining
• Algoritmo clustering
• Segmentação baseada nos dados
15. RESULTADOS
• Distribuição em 5 grupos com pessoas com perfis
semelhantes, baseado nas compras e no sexo:
• Cluster 1 – Compradores Frequentes (todos)
• Cluster 2 – Compradores Inativos ou Não-
compradores (masculino)
• Cluster 3 – Compradores Semestrais (todos)
• Cluster 4 – Não-compradoras (feminino)
• Cluster 5 – Compradoras inativas (feminino)
17. RESULTADOS
• Cluster “Compradores Inativos ou Não-Compradores”
• Pode ser utilizado em campanhas de marketing para atrair este
grupo de clientes 26,6%
Fábio Porchat
18. RESULTADOS
• Cluster “Compradores Semestrais”
• Maioria é do sexo masculino (acima da média) e gosta
de esportes
3,2% 3,2%4,9%
Ayrton Senna Neymar Zico
19. CONCLUSÕES
• Utilização de ferramentas de análise de dados para
coletar, analisar e identificar padrões e tendências nas
preferência dos clientes e o seu perfil de compra
• Iniciativas de marketing orientadas pelos dados, método
mais eficaz que o tradicional
• Resultados mais rápidos e precisos através processo
automatizado de coleta e análise dos dados