Transferir como PDF, PPTX
Carregado porAlexandre Bessa
Big Data
O documento discute o conceito de Big Data, apresentando suas definições, origens dos dados, armazenamento na nuvem, e como algoritmos e metadados são usados para analisar grandes volumes de dados. Também aborda desafios como amostragem, escala e causação, além de como as métricas de Big Data podem ser usadas para melhorar a aquisição, ativação e engajamento de clientes ao longo do ciclo de vida.
![As Facetas do [DATA]: Big, Fake e Eleições 2018](https://cdn.slidesharecdn.com/ss_thumbnails/x-180521173819-thumbnail.jpg?width=640&height=640&fit=bounds)
Big Data
- 1.
- 2. APRESENTAÇÃO prazer em conhecervocês alexandre.bessa@ymail.com
- 3. BIG DATA ou arevolução dos metadados ou as métricas acima da mensagem
- 4. COMO DEFINIR? BIG DATA Oque você já ouviu? 1 O que você acha que é? 2 Onde vamos trabalhar 3
- 5. DATA BIG OR SMALL Deonde eles vêm? DADOS Onde eles estão? NUVEM Small Data ATENÇÃO
- 6. ALGORITMO O QUE ÉISSO? Algoritmo é uma sequência finita de instruções bem definidas e não ambíguas, cada uma das quais devendo ser executadas mecânica ou eletronicamente em um intervalo de tempo finito e com uma quantidade de esforço finita. 1
- 7. METADADO O QUE ÉISSO? Metadados ou Metainformação, são dados sobre outros dados. Um item de um metadado pode dizer do que se trata aquele dado, geralmente uma informação inteligível por um computador. Os metadados facilitam o entendimento dos relacionamentos e a utilidade das informações dos dados. Resultado da ação dos Algoritmos no Big Data 2
- 8. 8 vamos pensar juntossobre isso Exemplos LinkedIn Onde fica o Big Data? Facebook O que acontece quando você posta alguma coisa? Skype Aqui também tem Big Data, Algoritmos e Metadados? Twitter Você sabe que algoritmos estão rodando aqui?
- 9. 9 vamos pensar juntossobre isso Você sabe o que você quer saber? Livros Quem comprou 50 Tons de Cinza geralmente compra o quê? Navegação Diga-me por onde anda e direi quem és! Busca Diga-me o que buscas e direi quem és! Filmes Quem gostou da Mulher Maravilha, será que vai gostar de Bingo?
- 10. A ERA DOCONSUMIDOR visão centrada no produto vs visão centrada no consumidor um novo paradigma
- 11. DATACRACIA SOCIEDADE DA INFORMAÇÃO Unificadoao fluxo de dados que o cerca, o indivíduo contemporâneo converte o digital em sua mediação preferencial, transformando ambientes sociais em “datacracias”, regimes em que bases de dados e algoritmos têm grande influência sobre a tomada de decisão. (RADFAHER, Luli, Matrizes) 3
- 12. ACÚMULO DE CAPITAL OSGRÁFICOS SEMPRE VÃO PRA CIMA Capital Econômico Capital Social Capital Simbólico Capital Cultural Capital… 4
- 13. 13 a formação damoeda social Motivações autonomia competência e controle conexão e participação compartilhar e contribuir
- 14. 14 a formação damoeda social Motivações autoexpressão legimitação
- 15. CASE STUDIES CIGARRO THE CENTURYOF THE SELF. DOCUMENTÁRIO DA BBC, DIRIGIDO POR ADAM CURTIS. http://www.youtube.com/watch?v=fbEITBXwZ1A
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27. INVESTIMENTO E RETORNO comunicaçãoaliada às ciências exatas quanto vale o show?
- 28. ANSIEDADE NECESSIDADE DE PARTICIPAÇÃO FO M O fear of missing out
- 29. FOMO JWT - FEAROF MISSING OUT http://www.slideshare.net/jwtintelligence/the-fear-of-missing-out-fomo-march-2012-update Fear Of Missing Out Ansiedade gerada pelo medo de perder algo incrível que pode estar acontecendo com seus amigos, sem você. Está dentro das narrativas. Sintomas: procrastinação, indecisão, ansiedade, falta de ar. F.O.M.O. nas narrativas
- 30.
- 31.
- 32.
- 33. Como pensa hoje? Oque medir? Como deve pensar? Narrativa: o que contar?
- 34. Classificação das mídias MÍDIA COMPRADA MÍDIAPRÓPRIA MÍDIA GANHA
- 35. Classificação Forrester ResearchInc “Earned, Owned, Payed Media” Definição ? CONHECIMENTO Exemplos Papel Vantagens Desafios A marca paga para alavancar um canal Links Patrocinados; Remarketing; Display Media; Patrocínios Catalisador que ajuda a transformar Mídia Produzida em Mídia Ganha Sob demanda; Imediato; Escalabilidade; Controle Resposta decai com o tempo; Baixa credibilidade; Efeito “clutter” MÍDIA COMPRADA
- 36. Classificação Forrester ResearchInc “Earned, Owned, Payed Media” Definição ? OQUEÉSEU Exemplos Papel Vantagens Desafios É um canal que a marca controla e alimenta Website; Mobile Site; Blog; Perfil oficial no Twitter; Página no Facebook Construir relacionamentos duradouros com consumidores potenciais; base para Mídia Ganha Controle; Custo eficiente; Longevidade; Versatilidade; Nichos Sem garantias; Comunicação da Corporação; Leva tempo para escalar MÍDIA PRÓPRIA
- 37. Classificação Forrester ResearchInc “Earned, Owned, Payed Media” Definição ? CONSUMIDOR Exemplos Papel Vantagens Desafios Os consumidores se tornam um canal Buzz; Marketing Viral; Boca a boca Mídia Ganha é o resultado de uma boa Mídia Própria coordenada com uma boa Mídia Comprada Credibilidade; Ponto chave em vendas; Transparência e continuidade Pouco controle; Pode ser negativa; Difícil Escalabilidade; Difícil de medir MÍDIA GANHA
- 38. 3 2 1 CONHECERDIRIGIR-SE AOSEU PÚBLICO modelo simplificado de brand equity
- 39. 3 2 conhecer ACEITAR/GOSTARRECEBER SEU PÚBLICOPARA O PRIMEIRO ENCONTRO DAR RAZÕES PARA VOLTAREM modelo simplificado de brand equity
- 40. AMAR 3 gostar conhecer ESTIMULAR AUTO-EXPRESSÃO VÍNCULO EMOCIONAL EVITARO NÃO-AMOR modelo simplificado de brand equity
- 41. AMAR 3 gostar conhecer ESTIMULAR AUTO-EXPRESSÃO VÍNCULO EMOCIONAL EVITARO NÃO-AMOR modelo simplificado de brand equity O consumidor se interessou por você, deu o primeiro passo, foi atrás e em algum momento você o desapontou. ‣ Não é Target ‣ Mensagem/Experiência ‣Atenção AMOR & ÓDIO
- 42.
- 43. COMPORTAMENTOS novas formas demedir comportamentos extraindo os dados
- 44. A DISTRIBUIÇÃO GAUSSIANA Além dedescrever uma série de fenômenos físicos e financeiros, possui grande uso na estatística inferencial. É inteiramente descrita por seus parâmetros de média e desvio padrão, ou seja, conhecendo-se estes valores consegue-se determinar qualquer probabilidade em uma distribuição Normal.
- 45. A CAUDA LONGA Caudalonga (do inglês long tail) é um termo utilizado na Estatística para identificar distribuições de dados como a curva de Pareto, onde o volume de dados é classificado de forma decrescente. Quando comparada a uma distribuição normal, ou Gaussiana, a cauda longa apresenta uma quantidade muito maior de dados ao longo da cauda.
- 46. A CAUDA LONGA Segmentação comportamental Mercadode massa para o mercado ne nicho Resultado da globalização E-commerce
- 47. A CAUDA LONGA Segmentação comportamental Mercadode massa para o mercado ne nicho Resultado da globalização E-commerce
- 48. SAZONALIDADE 0%# 20%# 40%# 60%# 80%# 100%# 120%# 140%# 0.0# 5.0# 10.0# 15.0# 20.0# 25.0# 30.0# 35.0# 40.0# 45.0# Jan/14# Feb/14# Mar/14#Apr/14# May/14# Jun/14# Jul/14# Aug/14# Sep/14# Oct/14# Nov/14# Dec/14# Jan/15# Jan/14# Feb/14# Mar/14# Apr/14# May/14# Jun/14# Jul/14# Aug/14# Sep/14# Oct/14# Nov/14# Dec/14# Jan/15# CY# 23.4# 21.9# 23.5# 24.3# 26.8# 26.0# 28.3# 30.9# 31.1# 30.9# 33.9# 40.3# 40.5# PY# 10.1# 10.9# 12.6# 13.0# 16.1# 16.2# 17.1# 18.3# 17.7# 18.7# 19.0# 24.1# 23.4# YoY# 133%# 101%# 87%# 87%# 66%# 60%# 66%# 69%# 76%# 66%# 79%# 67%# 73%# COMPRAS#
- 49. SAZONALIDADE Sazonalidade semanal Sazonalidade mensal Efeitosexternos (concorrentes) Principais datas de varejo Natal Dia das Mães Dia dos Pais Dia das Crianças Namorados Factóides Black Friday
- 50. SAZONALIDADE E PROMOCOES Ações: Reduçãode preços Ações promocionais (2x1) Bounce Back (compre e ganhe) Lançamentos exclusivos Códigos promocionais Cupons Milhagem
- 51. MÉTRICAS: AQUISIÇÃO Número de impactos Númerode Aquisições Taxa de aquisição % sobre crescimento orgânico 3 2 1
- 52. MÉTRICAS: ATIVACAO 3 2 1 Número de compradores Tempoaté ativação Taxa de conversão Ticket Médio Vs. Promoção
- 53.
- 54.
- 55. CICLO DE VIDA conversãoe pontos de contato extraindo os dados
- 56. FIA - ESPECIALIZAÇÃOEM MARKETING DIGITA - JULHO 2015 56 Aquisição Ativação Engajamento Kindle Aplicativo Plataformas de Aquisição Kindle Device Ciclo deVida
- 57. FIA - ESPECIALIZAÇÃOEM MARKETING DIGITA - JULHO 2015 57 Ciclo deVida
- 58. BIG DATA fim domódulo