Usando Analytics para entender e criar maturidade com indicadores que beneficiam marcas e consumidores

2. Regina Cantele
Coordenadora na FIAP dos cursos MBA Arquitetura de
Banco de Dados e Digital Data Marketing.
Doutora e mestre em Engenharia Elétrica (Poli/USP),
graduada em Ciência da Computação e em Ciências
Exatas (Universidade Caxias do Sul).

4. “Se conheces bem a si mesmo tanto quanto
ao inimigo não temas a batalha;
Já se conheces a si mesmo mas não conheces
o inimigo para cada vitória terá uma
derrota;
Agora se não conheces a si mesmo nem ao
inimigo foges do campo de batalha pois
não terá a mínima chance.”
Sun Tsu
2 500 AC

5. Um sistema de Inteligência Competitiva adequado deve incluir
informações para estimular os executivos a
questionarem .
A estratégia deve estar baseada em informações de
mercados, clientes e não-clientes, tecnologia na própria
indústria e em outras, finanças mundiais e das
mudanças na economia mundial.
ANALYTICS
Peter Drucker

6. Uma organização inteligente é aquela:
Emprega indicadores realistas e bem desenhados para
direcionar a sua estratégia e busca combinar a análise dos
indicadores e outras evidências com a experiência e a
intuição de seus melhores gestores.
Incentiva a obtenção de um entendimento
coletivo das principais regras e métricas de negócio.
Inteligência Competitiva
ANALYTICS

7. Escolha do Canal e
meio de
comunicação
Captura de
Dados de
Comportamento
Atualização da
Base de Dados
Desenv. de
Segmentação
Customizada
4 “Ps”
Único para
cada cliente
Decisão de compra
Mix de serviços
e Marketing
Respostas as
Escolhas
De dados
Demográficos
• Renda
• Gênero
• Classe Social
Dados Pessoais
• Nome
• Estado Civil
• Filhos
Geográficos
• País
• Cidade
• Endereço
• Clima
Para dados
Psicográficos
• Estilo de vida
• Personalidade
• Atitudes
• Crenças
• Reputação
• Ações
• Comportamento implicito
• Comportamento explicito
Explicit behavior
Comportamental
• Lealdade a Marca
• Uso do produto
• Mudanças no tempo de
relacionamento
Cliente
Inteligência Competitiva – Clientes - Conjunto típico de variáveis
ANALYTICS

8. Propósito da compra:
Qual o motivo fez com que o cliente comprasse seu produto / serviço?
Processo de compra:
como foi a compra em si?
Entendimento / utilização do produto / serviço:
Qual grau de entendimento a pessoa tem sobre o produto que ela adquiriu?
Hábitos de consumo:
onde esta pessoa gasta seu dinheiro? Além do seu produto, o que ela precisa / gosta de comprar?
Dados demográficos:
sexo, idade, cargo, educação e situação financeira (redes sociais ajudam na definição do perfil)
Inteligência Competitiva – Clientes - Conjunto típico de variáveis
ANALYTICS

9. “Análises no contexto moderno de negócio, pode ser
definido como o engajamento no uso de dados
– estruturados ou não, com análise formal – estatístico ou
proveniente de máquinas, para chegar a aprendizados que
ajudam na tomada de melhores decisões de
negócios – manuais, semi ou automáticas.”Anurag Agarwal (2014)
ANALYTICS

10. Perguntas a serem respondidas
O que
aconteceu?
Por que isto
aconteceu?
O que
acontecerá?
O que posso
fazer?
ANALYTICS

11. Perguntas a serem respondidas
DESCRITIVO DIAGNÓSTICO PREDITIVO PRESCRITIVO
ANALYTICS
O que aconteceu? Por que isto aconteceu? O que acontecerá? O que posso fazer?

12. ANALYTICS
Modelos Analíticos Exemplos
Relatórios, dashboards Relatórios de venda por produtos e regiões.
Alertas Segmentação de clientes por histórico de receita.
Segmentação/clusterização
Sentimento – Quão positivo ou negativo são as
manifestações sobre a sua marca?
Análise de componentes Web analytics para compreender tráfego on-line.
Estatística descritiva Visualização corrente de máquinas paradas.
DESCRITIVO

13. Modelos Analíticos Exemplos
OLAP cubos Web analytics para entender padrões de uso e consumo.
Data discovery and
visualization
Por que os clientes estão expressando sentimentos
negativos?
Bayesian networks Churn analysis para descobrir a razão de perder clientes.
Correlações
Como eventos impactam ou geram picos de demanda por
produtos?
Análise de grafos
Como categorias de produtos estão relacionadas umas
com as outras?
ANALYTICS
DIAGNÓSTICO

14. Modelos Analíticos Exemplos
Regressão Manutenção preditiva.
Time series análise Análise e detecção de fraude.
Árvore de decisão,
classificação
Scoring de crédito.
Modelos hierárquicos Forecasting de vendas.
IA e análise de clusters Predição de churn e perda de clientes.
Grafos Recomendação de conexões (Twitter)
ANALYTICS
O que
acontecerá?

15. Modelos Analíticos Exemplos
Otimização
Otimização de preços, oferta e demanda. Encontrar o
melhor conjunto de preços e frequência de publicidade
para maximizar a receita.
Análise de decisão
Otimização da cadeia da suprimentos, previsão de
demanda.
Teoria dos Jogos Agendamento e operação logística de companhias aéreas.
Action-based prediction Antecipação de transporte, assistentes (IBM Watson).
Sistemas de controle
Melhor próxima oferta, cross-selling, mix de otimização de
marketing.
ANALYTICS
O que posso
fazer?

16. Tomada de Decisão => Ação
ANALYTICS

17. ANALYTICS

18. Modelo de
Maturidade
DELTA
Analytics
(Data, Enterprise, Leadership, Targets, Analysts)

19. 1. Deficiente Analítico
2. Análise Localizada
3. Aspirante a Analítico
4. Organização Analítica
5. Líder Analítico
Dados
Empresa
Liderança
Objetivos
Analistas

20. MODELO DE MATURIDADE DELTA
Analytics at Work: Smart Decisions Better Results”, 2010,Harvard Business Press-
HBP, Thomas Davenport, Jeanne G. Harris e Robert Morison.
Nivel 1 - Analytically Impaired
a organização possui dados e existe
interesse em uma gestão analítica
Nível 2 - Localized Analytics
A gestão funcional possui ações analíticas e existe um
interesse executivo em análises básicas
Nível 3 - Analytical Aspirations
Executivos se comprometem em alinhar
os recursos e calendários para construir
uma capacidade analítica
Nível 4 - Analytical Companies
a organização tem os recursos humanos
e tecnológicos necessários, aplica analítica
regularmente, e conquista alguns
benefícios porém ainda não como uma
vantagem competitiva
Nível 5
Analytical Competitor
a organização colhe os benefícios de sua cultura
analítica rotineira e continuamente alinhada aos objetivos
estratégicos.
ANALYTICS

21. Reed Hastings, presidente-executivo

22. • Netflix, criada em 1997, um dos maiores serviços
de streaming de vídeos do mundo e com
presença em mais de 190 países, 150 milhões de
assinantes até 2020 e a receita crescendo a uma
taxa anual de 24% para quase US$ 20 bilhões.

23. • Atualmente, a plataforma gera 37% de todo
tráfego, em horário de pico, da internet dos
EUA e alguns usuários chegam a consumir
cerca de 45gb de dados por mês.
• No primeiro trimestre de 2015, 10 bilhões de
horas foram assistidas no aplicativo.

24. Concorrência
- a Amazon –comprou em 2011 a
Lovefilm – ou o sistema de streaming
da HBO
- a brasileira Looke, que quer chegar no
final de 2016 com 1.500.000
assinantes.

25.  Base do trabalho diário é a análise de dados.
 Algoritmos e especialistas possuem habilidades
analíticas para personalizar o atendimento,
distribuir conteúdo, analisar melhores
dispositivos e conhecer os hábitos dos
assinantes.

26. Tem entre 60-90 segundos
para capturar a atenção do
usuário antes que ele desista
e vá fazer outra coisa.

27. • Cada pessoa leva em média 1.8 segundo para decidir se
quer ver ou não determinado título.

28. • O cérebro humano consegue
processar imagens em meros 13
milissegundos, e a empresa
descobriu que estas imagens
influenciam na decisão de assistir
algo, como também são
responsáveis pelo aumento de 82%
de tempo gasto pesquisando na
forma.

29. • Os cientistas de dados da Netflix usam as estatísticas para
alterar cores, emoções, personagens e palavras que aparecem
nas fotos.

30. • Três ou menos pessoas

31. • Emoções complexas - rostos causam um efeito magnético

32. • Vilões são mais atraentes

33. • Abordagem regional

34.  A empresa pode prever e recomendarao usuário o
estilo que mais combina com ele se baseando em seu
comportamento na rede.
 Tudo pode virar dado relevante para análise:
– O que você vê?
– Que horas você assiste?
– Como você procura?
– Qual dispositivo você usa?
– Em que pontos do filme você pausa ou avança?
– Por que você só assistiu o primeiro episódio daquela
série?
– Quem são seus atores e diretores favoritos?
75% do conteúdo assistido
em 2013 era impulsionado
pelas indicações do
algoritmo.

35. BDA-35
9/29/20169/29/20169/29/20169/29/2016
Netflix Prize
– Em 2006, ainda uma locadora de vídeo pela internet, a
empresa ofereceu US$ 1 milhão para quem desenvolvesse um
algoritmo capaz de prever como seus clientes avaliariam um
filme respaldado pelas suas próprias classificações de outras
obras e pelo menos 10% mais eficiente que modelo que a
companhia utilizava.
– A equipe ganhadora foi conhecida em 2009.

36. “Decisões baseadas em emoções não são decisões”.
Personagem Frank Underwood, de House of Cards

37. Dados que definem o que produzir
• 1/3 dos títulos disponíveis são
produções da própria empresa.
• Easy, Narcos, Stranger Things, Wet Hot American
Summer, Fuller House, Master of None, Unbreakable
Kimmy Schmidt, Love, Jessica Jones, O Demolidor,
Marco Polo, Sense8, BoJack Horseman, The Get
Down, Grace and Frankie, Orange is the New Black,
House of Cards, Club de Cuervos, Lady Dynamite,
Hemlock Grove, Bloodline e Hibana.....

38.  “House of Cards” => Produção original
– Conhecimento sobre seus assinantes:
» Assistiram o trabalho de David Fincher, diretor de “A Rede Social”, do início
ao fim;
» Filmes com Kevin Spacey, protagonista da série, sempre foram bem avaliados;
» A versão britânica de “House of Cards” já era distribuída com sucesso;
– A série trouxe 2 milhões de novos assinantes nos EUA no primeiro trimestre de
2013, um aumento de 7 % em relação ao trimestre anterior.
– $4.5 milhões por episódio

39. Stranger Things: a maior obra de arte do algoritmo

40.  Emmy 2016 - 50 indicados
 Três premiações nas categorias:
– roteiro para comédia=> Master of None,
– melhor ator coadjuvante em série dramática - Bloodline e
– melhor atriz em série dramática - Orphan Black.

41.  O novo algoritmo também fará sugestões
personalizadas, em vez de considerar os gostos de
usuários de um mesmo país. Isso permitirá que as
recomendações do serviço sejam mais precisas,
mesmo para usuários de novos países onde a
quantidade de pessoas que usam o Netflix ainda é
limitada.

42. Segundo Jeff Magnusson, gerente de arquitetura de
plataforma de dados (2010-2014):
dados devem ser acessíveis, de fácil
processamento, de fácil visualização e quanto
mais tempo você demorar para encontrá-los,
menos valiosos eles se tornam.

43. Ganha a corrida quem
tiver as melhores
informações e que
saiba o que fazer com
elas.