O objetivo do conteúdo é trazer uma visão de negócio para gestores que querem implementar projetos utilizando dados nas organizações de e-commerce e para profissionais técnicos que gostariam de ter um pouco mais de profundidade sobre os problemas organizacionais na ótica de negócio.
2. Renato Avelar
Sócio-diretor na B8one
Mais de 10 anosde experiênciacomo
consultore-commerce,ajudando
médiase grandesempresasno desafio
de transformaçãodigitalem 15 países.
6. Agenda
•Pensamento Analítico
•Modelagem de negócio
•Data Warehouse no E-commerce
•Data Analytics e Data Visualization - Ótica Marketing de
Performance
•BI e Big Data
•Considerações Finais
8. Tomada de decisão no e-commerce com
base no pensamento analítico
• Diversosproblemasa serem resolvidos
• Diversasfontes e ferramentasde todos
os tipos
• Dadoshoje em dia são realidadede
qualquerorganização
• Questãode Sobrevivência
9. Foco em resolução do
problema
• Milharesde ferramentaspara coleta,
processamentoe análisede dados
• Falta de discussãosobre o problema
• Quaisproblemasprecisamser resolvidos?
• Quaisequipesprecisamser envolvidas?
10. O Mindset Data Driven do
Gestor de E-commerce
Não é necessáriauma formação em engenharia,
matemática,ou estatísticapara um gestor ter um mindset
de tomada de decisão aplicadaa dados. Conhecimentos
high level ajudam o gestora conversarcom áreas técnicas
e ciência de dados:
• Conhecimentoprofundodo negócio
• Clara percepçãodos problemas a serem resolvidos
• Clara percepçãoda estratégiada organização
• EstatísticaDescritivaBásica(Média, Moda Mediana)
• EstatísticaInferencialBásica(Probabilística,
Amostragem,Correlações)(Exemplo da Sopa)
12. Algumas perguntas que
devem ser feitas para
trabalhar com dados no e-
commerce
• Quaisproblemasorganizacionaisserão resolvidoscom
dados?
• Quaissistemastransacionaistenho hoje que geram dados
úteis para a tomadade decisão?
• Quaissistemasanalíticostenho a disposiçãopara processar
e exibiros dados?
• Qual a metodologiade modelagemde dadosutilizareipara
definira granularidade parasolucionarum problema
específico?
13. Algumas perguntas que
devem ser feitas para
trabalhar com dados no e-
commerce
• Por quaisperfis de profissionaisé compostoo time
ideal parasolucionareste problemaespecífico?
• Quaismedidasserão necessáriasparaa organização
ter culturade dados?
• Como irei unir dadosdo e-commercee ambientesfísicos
paraque os canaisgerem insightscomplementares?
16. Equipe de BI/ Big Data - Os três
grandes papéis
• Arquiteturade Solução- Desenhodo Data Warehouse
• Engenhariade Dados - Decisões de ferramentas,
processosde ETL e Ingestãode dados
• Cientista de dados - Camadas de dados para data marts,
camadas de data visualization,métodosestatísticos
20. Google Analytics -Dimensões
e métricas úteis
Canaisde acesso
• Volume de sessõesgeral
• AcessoOrgânico
• BuscaPaga
• AcessosDiretos
• Redes Sociais
• Referral
• Campanhas
• E-mailmarketing
Métricas
• Taxa de conversão,
• Tempomédio de sessão
• TicketMédio
• Taxa de aprovaçãode pedido por perfilde produto
• Quantidadede unidadespor transação
Outputspara Stakeholders
• ROAS
• ROI
• OrganicCTR
• Paid CTR
• CAC
21. Gráfico de Tráfego por Canais
• OrgânicoAlto (Investimosmuito em Social?)
• Referralalto (Quais são as origens?)
• Tráfegodireto alto (Força da Marca, muita
mídia,o que acontece?)
• Estou usandobem CRM? Por que tão poucas
visitaspor e-mail?
23. Google Analytics: Dataset de
taxa de conversão por
cidades em tráfego pago
• Somos competitivosem frete?
• O Lead time é bom?
• Meu público alvo está nessa região?
•Quem são meus concorrentes no onlinee offline
nessascidades?
• Posso colocarferramentade prateleirasinteligentes
por região?
• Posso configurarmeu catálogo e warehousespor
região?VTEX - Regions
• Posso negativaressascidadese investirem outros
locais?
24. Power BI: Mesmo Dataset
de conversão por cidades e
tráfego pago
• Cidadescom maior faturamento são
diferentesde cidadescom maior taxade
conversão
• Faz sentido entendermelhoro
comportamentode buscadas cidadescom
maior conversão?
• Faz sentido abriruma loja físicanas cidades
que tenho maior volume de receita e
menor conversão?
27. Tecnologias
H E A D L I N E ( I N C L U I R S O M E N T E S E N E C E S S A R I O )
Big Data
•Hadoop
•Spark
Inteligência de Navegação e
mídia
•Hotjar
•Crazy Egg
•SEM RUSH
•Crawlers Diversos
Bl e Analytics
•Google Analytics
•Power BI
•Data Studio
•Qlik
•Tableau
28. BI e Big Data
Diferenças
H E A D L I N E ( I N C L U I R S O M E N T E S E N E C E S S A R I O )
29. BI e Big Data
BI
•Pequenos,médiose grandesvolumesde dados
•DadosInternosà organização
•ETL Complexo
•DadosEstruturados
•Tomadade decisãocom base em históricospassados,
•Tecnologiase modelosestatísticospara
processamentosde médios volumesde dados
Big Data
• Grandese ImensosVolumesde Dados
• DadosInternose Externosà organização
• ETL Caótico
• DadosEstruturados e Não estruturados
• Tomadade decisãocom dadosdo presente
• Modelospreditivoscom aprendizadode máquinae
volumesimensos