Este documento descreve um projeto de data mining para uma empresa de produção de louça utilitária. O objetivo é desenvolver uma estratégia para ajudar na tomada de decisões de marketing para fidelizar clientes, analisando dados como vendas, visitas de vendas e durabilidade de produtos para prever as necessidades de compra dos clientes. A metodologia CRISP-DM será aplicada para compreender os dados, modelá-los e implementar as descobertas com o objetivo final de alocar de forma assertiva os vendedores aos clientes.

1. Data
is the
new oil
Clive Humby, 2006

2. Projeto de
Data Mining
DATA MINING & MÉTRICAS
PG MARKETING DIGITAL | IPAM 53ª EDIÇÃO
NOVEMBRO 2019 | SOFIA SILVA

3. objetivo do Projeto
Desenvolvimento e implementação de uma estratégia de
Data Mining para ajudar nas tomadas de decisão do
Departamento de Marketing/Comercial que contribuem para
a fidelização dos clientes.
A estratégia poder-se-á aplicar a qualquer ramo de atividade
adaptando para tal alguns indicadores de
produção/laboratoriais.
Metodologia a aplicar: CRISP-DM

4. Metodologia a aplicar
CRISP-DM (Cross-Industry Standard Process for Data Mining)
Constituída por 6 Fases:
Compreensão do Negócio
Objetivos do negócio
Definição dos objetivos de data mining
Definição dos fatores críticos de sucesso
Compreensão dos Dados
Extração dos dados
Verificação da qualidade e fiabilidade dos dados
Preparação dos Dados
Preparação dos dados para análise (que inclui a definição de
estruturas de dados, o seu registo, transformação/
formatação e limpeza)

5.  Modelação dos Dados
 Seleção da técnica de modelagem dos dados com base no objetivo
de DM
 Design do modelo teste (qualidade do modelo e validação)
 Avaliação
 Verificação do cumprimento dos objetivos
 Revisão do processo e propostas de melhorias
 Implementação
 Afetação de recursos humanos e dispositivos eletrónicos
 Apresentação do modelo para uso corrente
Metodologia a aplicar

6. Empresa: Indústria de produção de loiça utilitária
Produtos: tableware e hotelware
Clientes:
 B2C – Canal Horeca
 B2C – Lojas próprias e Online
 B2B – Lojas multimarca
Objetivos de Data Mining:
 melhorar a performance da equipa comercial reduzindo os custos com
deslocações dos vendedores a clientes B2C, do canal HORECA, quer a
nível nacional quer internacional, através da deteção da necessidade de
compra do cliente, ou seja, de quanto em quanto tempo o vendedor
deve contactar o cliente, tendo em conta o desgaste do artigo e as
últimas compras feitas.
 Compreensão do negócio

7. Fatores Críticos de Sucesso:
 Envolvimento dos Departamentos de Controlo de Gestão, Marketing,
Informática e da Qualidade (Laboratório de Ensaios ao Produto)
 Objetivo claro e realista
 Recursos tecnológicos suficientes e alocados corretamente
 Cronograma realista
 Envolvimento com o cliente
Recursos Necessários:
 Programas Informáticos:
CRM – Customer Relationship Management
SAP ERP ou outro programa de faturação similar (SAGE, PRIMAVERA,…)
Power BI
 Compreensão do negócio

8. Extração dos Dados:
 Dados a recolher:
 Faturação (do programa contabilístico que estiver instalado na
organização, no caso concreto SAP) com dados completos sobre as
vendas, nomeadamente, quantidade e valor vendidos, valor
unitário, data da venda, cliente e vendedor, artigos vendidos –
código, designação, categoria;
 Ensaios laboratoriais sobre a durabilidade dos produtos
(identificação do código do produto, designação, categoria, tempos
de durabilidade por produto)
 Relatórios de visita dos vendedores aos clientes (recolha de
informação do CRM, nomeadamente, cliente e vendedor, data da
visita, tempo da visita, categoria da visita – cortesia, venda, novo
cliente, artigos vendidos/não vendidos/ mostrado interesse)
 Compreensão dos dados

9. Exploração dos Dados:
 O Departamento de Informática deverá recolher os dados relativos à
Faturação que deverá enviar para o Controlo de Gestão para verificar a
qualidade dos mesmos;
 O Departamento de Qualidade entregará os dados referentes aos
ensaios laboratoriais sobre a durabilidade dos produtos;
 O Departamento Comercial deverá preencher os relatórios de visita no
CRM (se já existir algum histórico em algum suporte papel ou
informático este deverá ser introduzido no CRM por forma a obtermos
um período de análise o mais abrangente possível);
 O Dep. de Marketing, em conjunto com o Dep. de Informática, extrairá
informação do CRM para de seguida cruzar os dados e verificar a sua
qualidade.
 Compreensão dos dados

10. Os dados recolhidos deverão ter a mesma estrutura (cabeçalho e
formatações idênticas) por forma a serem cruzados:
 A nível da faturação deverá constar: a identificação do cliente (código do
cliente, nome e código do vendedor), identificação dos artigos vendidos
(código do produto, designação, categoria/grupo de mercadorias/
decoração), a quantidade vendida, o valor unitário, o valor total vendido
e a data da venda;
 Quanto aos dados dos ensaios laboratoriais deverá ser considerado: o
código do produto, a designação do produto, categoria do
produto/grupo de mercadorias /decoração, resistência/durabilidade;
 Relativamente aos relatórios das visitas, devemos considerar: a
identificação do cliente (código do cliente, nome e código do vendedor),
data da visita, tempo da visita, categoria da visita (se cortesia, venda ou
novo cliente), artigos vendidos/não vendidos ou mostrado interesse.
 Preparação dos dados

11. Com base nos seguintes campos poderemos cruzar a informação: código do
cliente, código do produto, data da venda, resistência/durabilidade, data da
visita, e usar as seguintes técnicas de data mining:
Análise RFM (Recency, Frequency and Monetary) – para segmentação dos
clientes
Árvores de Decisão – segmentação dos clientes de acordo com os
produtos e tempos entre visitas/vendas
Mercados Cestos – para saber quais os produtos comprados em conjunto
Modelos Preditivos – para prever quando o cliente vai comprar
novamente
 Modelação dos dados

12. Métricas a trabalhar:
Faturação por decoração (classificação dos artigos)
Faturação por cliente (classificação dos clientes através da análise RFM)
Faturação por canal de distribuição/Paises/Regiões
Durabilidade dos artigos por categoria/grupo de mercadorias
Nº de visitas totais aos clientes
Nº de visitas aos clientes convertidas em vendas
Nº de visitas de apresentação de novas decorações/artigos
Tempo médio de cada visita
 Modelação dos dados

13. Design do teste:
Usar o software PowerBI para cruzamento dos dados e aplicação das
técnicas mencionadas para trabalhar as métricas referidas.
Esse mesmo software permite a apresentação da informação
graficamente e de simples análise.
Esta tarefa deverá ser realizada pelo Dep. de Marketing em conjunto com
o de Informática.
 Modelação dos dados

14. A avaliação do modelo deverá ser feita pelo Departamento de Marketing em
conjunto com o responsável do Departamento Comercial.
KPI a analisar: tempo médio entre as vendas e a durabilidade dos
produtos
Questões a responder:
Foram revistos e validados os procedimentos de extração, tratamento
e modelagem dos dados?
O modelo corresponde ao objetivo de Data Mining e do negócio?
Há propostas de melhoria?
 aValiação

15. A implementação deverá ser executada tendo tem conta os seguintes
aspetos:
Apresentação dos resultados aos vendedores em conjunto com o
responsável do Dep. de Marketing (em sala de formação/reunião e com
acesso a projeção do relatório)
Afetação de tablets aos vendedores para acesso à informação
diariamente, uma vez que o modelo é dinâmico e em constante
atualização. Regra geral, os vendedores já estão familiarizados com esta
tecnologia uma vez que é um canal para divulgação dos produtos (uso de
catálogos online) e para registo de encomendas e dos relatórios de visitas
no CRM.
Semestralmente e em conjunto, os responsáveis pelos Dep. de Marketing
e Comercial analisarão os KPIs relativamente a melhorias do processo e/ou
alocação dos vendedores a determinados clientes/regiões/produtos e
ainda tomar decisões relativamente a campanhas de Marketing.
 Implementação

16. Num mercado cada vez mais competitivo, reduzir custos e detetar as
necessidades dos clientes tornam-se cada vez mais relevante.
Com este projeto de Data Mining pretende-se que os vendedores sejam
assertivamente alocados a determinados clientes com determinados
comportamentos e que sejam assertivos na comunicação com os mesmos.
Por outras palavras, pretende-se que o vendedor se foque nos clientes cujas
necessidades de substituição dos artigos seja mais premente, não obstante
da angariação de novos clientes claro.
Mas o objetivo principal é dar resposta à questão: qual o tempo ideal entre
visitas e entre vendas ao cliente por forma a mantê-lo fidelizado e não
“abrindo” a porta aos concorrentes e sem desperdício de recursos da
empresa (tempo e custo do vendedor)?
O foco é a fidelização dos clientes!
CONCLUSÃO

17. Conquistar um
novo cliente
custa 5 a 7
vezes mais do
que manter um
atual
Philip
Kotler