Otimização de Resultados com
Big Data em Televendas
Georthon Giroldo dos Santos
Big Data
Graduado em Estatística, com sete anos de experiência nas áreas de Business Intelligence(BI) e Business
Analytics(BA), com...
O que é Big Data?
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
 Ecossistema composto de ferramentas e técnicas que permite armazenar, processar
e encontrar padrões nos dados.
O que é B...
Televendas
Desafios
CURVA DE
APRENDIZADO
METAFALAR COM O CLIENTE VENDER
PRODUTIVIDADETURNOVER
Cases
 Otimização de Carteiras
 Oferta de Produtos
Otimização de Carteiras
Objetivo
 Maximizar Vendas
Otimização de Carteiras
Como funciona?
I. Aloca e Remove clientes de forma automática
Otimização de Carteiras
Como funciona?
I. Aloca e Remove clientes de forma automática
II. Relacionamento do “Melhor” Vende...
Otimização de Carteiras
Como funciona?
I. Aloca e Remove clientes de forma automática
II. Relacionamento do “Melhor” Vende...
Otimização de Carteiras
Como funciona?
I. Aloca e Remove clientes de forma automática
II. Relacionamento do “Melhor” Vende...
Definições
Vendedor – Taxa de Conversão (TC)
80 / 2200 = 0,03636 ou 3,63%
Cliente – Probabilidade de Compra (PC)
5 / 12 = ...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Matriz de Alocação
Max. FE.
(Dif. em Relação a
meta)
Qtde. Cli.
Max
C1 C2 C3 C4 C5 C6 C7 Cn
Vend1 4.900 2 3058,5 2500 1756...
Benefícios resultantes da Otimização
 Aumento na satisfação dos vendedores.
 Processo transparente e que usa o princípio...
Oferta de Produtos
Objetivo
 Suporte aos Vendedores
 Potencializar Vendas
Oferta de Produtos
Como funciona?
 Ao adicionar um produto no carrinho de compras, o sistema faz a
sugestão de outros pro...
Oferta de Produtos
Pedidos Itens
1 biscoito, cerveja, chá, salaminho
2 cerveja, couve, linguiça, pão, queijo
3 café, bróco...
Oferta de Produtos
Pedidos Itens
1 biscoito, cerveja, chá, salaminho
2 cerveja, couve, linguiça, pão, queijo
3 café, bróco...
Oferta de Produtos
Pedidos Itens
1 biscoito, cerveja, chá, salaminho
2 cerveja, couve, linguiça, pão, queijo
3 café, bróco...
Oferta de Produtos
Pedidos Itens
1 biscoito, cerveja, chá, salaminho
2 cerveja, couve, linguiça, pão, queijo
3 café, bróco...
Oferta de Produtos
Pedidos Itens
1 biscoito, cerveja, chá, salaminho
2 cerveja, couve, linguiça, pão, queijo
3 café, bróco...
Oferta de Produtos
Pedidos Itens
1 biscoito, cerveja, chá, salaminho
2 cerveja, couve, linguiça, pão, queijo
3 café, bróco...
Oferta de Produtos
Pedidos Itens
1 biscoito, cerveja, chá, salaminho
2 cerveja, couve, linguiça, pão, queijo
3 café, bróco...
Benefícios resultantes da Oferta de Produtos
 Aumento na satisfação dos vendedores.
 MEGA auxílio na tomada de decisão.
...
Resultados
 Redução turnover de 3% a 4% mês x mês ano anterior.
 Aumento de 4,5% na quantidade de vendedores que batem m...
georthongs@algartech.com
Webinar: Você sabe o que é Big Data?
Próximos SlideShares
Carregando em…5
×

Webinar: Você sabe o que é Big Data?

914 visualizações

Publicada em

Você tem curiosidade e quer descobrir como o Big Data é aplicado no Televendas e quais os resultados ele pode trazer?
Confira o material do nosso webinar!

Introdução sobre o tema Big Data;
Principais Desafios do Televendas;
Aplicação do Big Data em Televendas.

Cases:
​Otimização de Carteiras;
Análise de Associação em Produtos.​

Publicada em: Tecnologia
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
914
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
4
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Webinar: Você sabe o que é Big Data?

  1. 1. Otimização de Resultados com Big Data em Televendas Georthon Giroldo dos Santos Big Data
  2. 2. Graduado em Estatística, com sete anos de experiência nas áreas de Business Intelligence(BI) e Business Analytics(BA), com atuação em Call Center, B2B e B2C. Sólidos conhecimentos em Análise e Mineração de Dados, Estatística, Análise De Cluster, Modelos de Otimização e Outros. Já tendo desenvolvido projetos de Mailing, Modelos de Otimização, Data Base Marketing(DBM), Análise de Associação, entre outros. Experiência Profissional
  3. 3. O que é Big Data?
  4. 4.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data?
  5. 5.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data? Tomada de decisão
  6. 6.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data? Tomada de decisão Novos produtos/ serviços
  7. 7.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data? Tomada de decisão Novos produtos/ serviços Previsão
  8. 8.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data? Tomada de decisão Novos produtos/ serviços Previsão Gestão proativa
  9. 9.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data? Tomada de decisão Novos produtos/ serviços Previsão Gestão proativa Maximizar lucros
  10. 10.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data? Tomada de decisão Novos produtos/ serviços Previsão Gestão proativa Maximizar lucros Minimizar custos
  11. 11.  Ecossistema composto de ferramentas e técnicas que permite armazenar, processar e encontrar padrões nos dados. O que é Big Data? Tomada de decisão Novos produtos/ serviços Previsão Minimizar custos Gestão proativa Maximizar lucros
  12. 12. Televendas
  13. 13. Desafios CURVA DE APRENDIZADO METAFALAR COM O CLIENTE VENDER PRODUTIVIDADETURNOVER
  14. 14. Cases  Otimização de Carteiras  Oferta de Produtos
  15. 15. Otimização de Carteiras Objetivo  Maximizar Vendas
  16. 16. Otimização de Carteiras Como funciona? I. Aloca e Remove clientes de forma automática
  17. 17. Otimização de Carteiras Como funciona? I. Aloca e Remove clientes de forma automática II. Relacionamento do “Melhor” Vendedor x “Melhor” Cliente
  18. 18. Otimização de Carteiras Como funciona? I. Aloca e Remove clientes de forma automática II. Relacionamento do “Melhor” Vendedor x “Melhor” Cliente III. Utiliza apenas clientes que estão ativos e compraram nos últimos 12 meses para alocação “principal”.
  19. 19. Otimização de Carteiras Como funciona? I. Aloca e Remove clientes de forma automática II. Relacionamento do “Melhor” Vendedor x “Melhor” Cliente III. Utiliza apenas clientes que estão ativos e compraram nos últimos 12 meses para alocação “principal”. IV. Utiliza o Método Simplex(algoritmo) para fazer as alocações.
  20. 20. Definições Vendedor – Taxa de Conversão (TC) 80 / 2200 = 0,03636 ou 3,63% Cliente – Probabilidade de Compra (PC) 5 / 12 = 0,4166 ou 41,66% Cliente – Média de Compra – (MD) (R$5.850 + R$7.430 + R$7.660 + R$7.500 + R$6.980 ) / 5 = R$ 7.084,00 Cliente – Faturamento Esperado (FE) 7.084,00 * 41,66% = R$2.951,19 Valor Cliente x Vendedor TC * FE R$2.951,19 * (1,03636) = R$3.058,50
  21. 21. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ...
  22. 22. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação
  23. 23. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação
  24. 24. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação C1
  25. 25. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 1 C1
  26. 26. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1
  27. 27. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1
  28. 28. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2
  29. 29. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 2
  30. 30. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230
  31. 31. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230
  32. 32. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3
  33. 33. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410
  34. 34. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410
  35. 35. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4
  36. 36. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940
  37. 37. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940
  38. 38. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5
  39. 39. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270
  40. 40. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270
  41. 41. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270 C6
  42. 42. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270 C6 0641,5
  43. 43. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270 C6 0641,5
  44. 44. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270 C6 0641,5 C7
  45. 45. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270 C6 0641,5 C7 0785
  46. 46. Matriz de Alocação Max. FE. (Dif. em Relação a meta) Qtde. Cli. Max C1 C2 C3 C4 C5 C6 C7 Cn Vend1 4.900 2 3058,5 2500 1756 1690 0 1200 650 ... Vend2 4.890 2 2950 0 1770 1710 1670 1148 670 ... Vend3 6.000 3 2770 2240 1820 1645 1510 0 625 ... Vendn ... ... ... ... ... ... ... ... ... ... Vend1 Vend2 Vend3 Simulação 11.841,5 C1 C2 23.230 C3 11.410 C4 11.940 C5 0270 C6 0641,5 C7 0785
  47. 47. Benefícios resultantes da Otimização  Aumento na satisfação dos vendedores.  Processo transparente e que usa o princípio da meritocracia.  Bons clientes sempre estarão alocados nas carteiras.  Auxílio aos vendedores com menos experiência.
  48. 48. Oferta de Produtos Objetivo  Suporte aos Vendedores  Potencializar Vendas
  49. 49. Oferta de Produtos Como funciona?  Ao adicionar um produto no carrinho de compras, o sistema faz a sugestão de outros produtos de acordo com o perfil de compra do Cliente/Grupo/Região.
  50. 50. Oferta de Produtos Pedidos Itens 1 biscoito, cerveja, chá, salaminho 2 cerveja, couve, linguiça, pão, queijo 3 café, brócolis, couve, pão 4 brócolis, café, cerveja, couve, pão, salaminho 5 alface, café, couve, pão, refrigerante 6 couve, linguiça Simulação Cálculo
  51. 51. Oferta de Produtos Pedidos Itens 1 biscoito, cerveja, chá, salaminho 2 cerveja, couve, linguiça, pão, queijo 3 café, brócolis, couve, pão 4 brócolis, café, cerveja, couve, pão, salaminho 5 alface, café, couve, pão, refrigerante 6 couve, linguiça Simulação Cálculo Cerveja + Salaminho
  52. 52. Oferta de Produtos Pedidos Itens 1 biscoito, cerveja, chá, salaminho 2 cerveja, couve, linguiça, pão, queijo 3 café, brócolis, couve, pão 4 brócolis, café, cerveja, couve, pão, salaminho 5 alface, café, couve, pão, refrigerante 6 couve, linguiça Simulação Cálculo Cerveja + Salaminho
  53. 53. Oferta de Produtos Pedidos Itens 1 biscoito, cerveja, chá, salaminho 2 cerveja, couve, linguiça, pão, queijo 3 café, brócolis, couve, pão 4 brócolis, café, cerveja, couve, pão, salaminho 5 alface, café, couve, pão, refrigerante 6 couve, linguiça Simulação Cálculo Cerveja + Salaminho Frequência: 2 / 6 = 0,33.. ou 33,33%
  54. 54. Oferta de Produtos Pedidos Itens 1 biscoito, cerveja, chá, salaminho 2 cerveja, couve, linguiça, pão, queijo 3 café, brócolis, couve, pão 4 brócolis, café, cerveja, couve, pão, salaminho 5 alface, café, couve, pão, refrigerante 6 couve, linguiça Simulação Cálculo Cerveja + Salaminho Frequência: 2 / 6 = 0,33.. ou 33,33%
  55. 55. Oferta de Produtos Pedidos Itens 1 biscoito, cerveja, chá, salaminho 2 cerveja, couve, linguiça, pão, queijo 3 café, brócolis, couve, pão 4 brócolis, café, cerveja, couve, pão, salaminho 5 alface, café, couve, pão, refrigerante 6 couve, linguiça Simulação Cálculo Cerveja + Salaminho Frequência: 2 / 6 = 0,33.. ou 33,33%
  56. 56. Oferta de Produtos Pedidos Itens 1 biscoito, cerveja, chá, salaminho 2 cerveja, couve, linguiça, pão, queijo 3 café, brócolis, couve, pão 4 brócolis, café, cerveja, couve, pão, salaminho 5 alface, café, couve, pão, refrigerante 6 couve, linguiça Simulação Cálculo Cerveja + Salaminho Frequência: 2 / 6 = 0,33.. ou 33,33% Confiança: 2 / 3 = 0,66.. ou 66,66%
  57. 57. Benefícios resultantes da Oferta de Produtos  Aumento na satisfação dos vendedores.  MEGA auxílio na tomada de decisão.  Auxílio aos vendedores com menos experiência.
  58. 58. Resultados  Redução turnover de 3% a 4% mês x mês ano anterior.  Aumento de 4,5% na quantidade de vendedores que batem meta.  Aumento considerável em Categoria x Pedido.  Ticket médio Cliente.  Faturamento e Lucro.
  59. 59. georthongs@algartech.com

×