PREDICTIVE ANALYTICSAnálise Preditiva

Marketing & Ecommerce

Nunca Serão Como Antes

Bruce LedesmaEstrategista em Marketing

DigitalFevereiro 2014

OFFLINE (PDV)A experiência no ponto físico tem configuração única. Pouca flexibilidade para diferenciação para cada consumidorGeografia tem forte influência na decisão de compraO PDV é o limite (o consumidor não pode trocar de loja rapidamente)

ONLINE (ECOMMERCE)A experiência deve ser individualizadaMuita flexibilidade para diferenciação para cada consumidorGeografia tem menor influência na decisão de compraA tela é o limite (o usuário pode trocar de loja instantaneamente)

PERSONALIZAÇÃOA ALOCAÇÃO MAIS EFICIENTE POSSÍVEL DO ESPAÇO DE TELA

OTIMIZANDO O ESPAÇO NO VAREJO

QUÃO ÓBVIA É A PERSONALIZAÇÃO DA TELA?

A. SUPORTE CARROB. LUZ TRASEIRAC. SQUEEZED. RELÓGIO POLARE. CAMARA DE BORRACHAF. BOMBA DE ARG. CADEADOH. PRESILHA DE PEDALI. SAPATILHA DE CICLISMOJ. LUVA DE CICLISMOK. ROUPA DE CICLISMOL. CAPACETEM. LUZ DIANTEIRAN. SPRAY ANTI-FERRUGEMO. BICICLETA DIFERENTE

ONDE ESTÁ A CUSTOMIZAÇÃO DA EXPERIÊNCIA?COMO VOCÊ!

CPFNOME COMPLETORGEMAILSEXOESTADO CIVILESCOLARIDADENo RESIDENTES NA CASAPROFISSÃOENDEREÇO

CAPTURANDO A MATÉRIA PRIMA: SEUS DADOS

O QUE AS PESSOAS ESTÃO COMPRANDO

QUE DIAS ITEM “A” VENDE MAIS?

QUAIS SÃO OS ITENS MAIS POPULARES?

QUAIS OS HORÁRIOS DE MAIOR MOVIMENTO?

… E OUTRAS PERGUNTAS AD HOC QUE SÃO IMPORTANTES PARA SEU NEGÓCIO

ANALYTICS INVESTIGANDO PRESENTE E PASSADO

É POSSÍVEL PREVER O FUTURO?

“O primeiro passo para prever o futuro é admitir que você não pode fazê-lo.”

Stephen DubnerJornalista (Freakonomics)

“Como é que nunca se lê uma notícia como ‘Vidente Ganha na Loteria’ ?”

Jay LenoComediante

“A única fonte de conhecimento é a experiência.”

Albert EinsteinFísico

“Se queres prever o futuro, estuda o passado.”

ConfúcioFilósofo

É POSSÍVEL PREVER O FUTURO?

Um conjunto de técnicas de estatística, modelagem, machine learning e data mining que analisa fatos atuais e históricos para fazer previsões sobre o futuro ou sobre eventos desconhecidos.

O QUE É ANÁLISE PREDITIVA?

DADOS MACHINE

LEARNINGPREDIÇÕES

Três coisas que Bill Gates desejaria ter feito 20 anos atrás*

FONTE: http://qz.com/175616/three-things-bill-gates-wishes-he-could-have-done-20-years-ago/

1. Tomar a dianteira na disputa do domínio de machine learning

2. Começar a filantropia mais cedo na vida

3. Passar mais tempo fora do escritório

*Matéria publicada em 10/2/2014

“Simplesmente prever um pouco é melhor do que adivinhar, esse é o truque; uma visão nebulosa do que vai acontecer é muito superior à completa escuridão.”

Eric SiegelPredictive Analytics

O poder de prever quem vai clicar, comprar, mentir ou morrer.

O “Efeito Preditivo” de Eric Siegel

Cenário com Análise PreditivaCenário sem Análise Preditiva

“Um pouquinho de previsão vai longe”

Receita 220 x 10.000 = 2.200.000Despesa 2 x 1.000.000 = 2.000.000

Marketing Direto: Sem Análise Preditiva1 MM de prospectos para quem venderConversão de 1% (10.000,00) clientesReceita de R$ 220 por clienteCusto de contato: R$ 2,00/cliente

?

“Metade do dinheiro gasto em anúncios é desperdiçado. O problema é que não sei qual das metadas.”

John WanamakerPioneiro em Marketing

LUCRO R$ 200.000

Marketing Direto: Com Análise Preditiva250 mil prospectos para quem venderConversão de 3% (7.5000) clientesReceita de R$ 220 por clienteCusto de contato: R$ 2,00/cliente

Receita 220 x 7.500 = 1.650.000Despesa 2 x 250.000 = 500.000 LUCRO R$

1.1500.000

LUCRO 5.75 X MAIOR!

A.P.

Modelo Preditivo: mecanismo que prevê o comportamento de um indivíduo. O modelo processa os dados, atribuindo pesos às características da pessoa, soma os resultados e gera um score preditivo.

Quanto mais alto o score, maior a probabilidade do indivíduo apresentar o comportamento previsto.

Análise Preditiva: Como Funciona?

MODELO LINEAR

82

Característicasdo indivíduo

ModeloPreditivo

ScorePreditivo

Análise Preditiva: Árvores de Decisão

> É homem?

Usuário MAC?

Chance de Conversão

38,0%

SIM

SIM

NÃO

Chance de Conversão

16,5%

Chance de Conversão

12,0%

NÃO

Análise Preditiva: Árvores de Decisão

> É homem?

Usuário MAC? > 2 visitas ao site

Chance de Conversão

38,0%

SIM

SIM

NÃO

SIM NÃO

Chance de Conversão

16,5%

Chance de Conversão

7,3%

Chance de Conversão

2,1%

NÃO

Análise Preditiva: Como Funciona?

Algoritmo deMachine Learning

Dados de Treino

Hipótese DesempenhoDados de

Teste

20 a 30% dos dados

80 a 70% dos dados

Feedback

“46% das propagandas na internet não são vistas pelos usuários.”

ComScore – Junho 2013

• Mais de um ano de monitoramento

• 22 das 25 maiores empresas que investem na internet nos EUA

• Empresas como Procter & Gamble, Kellogs

• Propaganda precisa ter ao menos 50% dos pixels da imagem vistos por pelo menos meio segundo (padrão EUA)

Como Anda Sua Campanha an Internet?

Fonte: http://olhardigital.uol.com.br/noticia/quase-metade-das-propagandas-na-internet-nao-sao-vistas,-diz-estudo/35161

A.P. E TARGETING NA PUBLICIDADE ONLINE Caso positivo Usuário João clica em anúncio A Caso negativo Usuária Maria não clica em anúncio B

Escolher o banner que gera mais cliques291 tipos de banners possíveis. Um modelo de A.P. por banner.

Desafio A.P. em tempo real. Decisões instantâneas para agregar valor

Teste

A/B

Anúncio “Campeão”Sem A.P.

Anúncio “Desafiante”

Com A.P.X

Em qual banner cada usuário está mais propenso a clicar (preço do anúncio considerado)

3.6%Receitas

USD 1 MM a cada 19 meses de receita incremental

Oferecer interações relevantes que ANTECIPEM e RESPONDAM às muitas formas como os consumidores querem se engajar e fazer compras .

ESTUDO DE CASO: TARGET

Varejista norte-americanoFundação em 19021.921 PDVs em 11/201336o Ranking Forbes 500Target.com lançado em 1999

Estratégia

Perfil

ESTUDO DE CASO: TARGET

MensagensRelevantes

Veículo Certo

Necessidades do Cliente

PerfilCliente

Dados internos e externos para construir o perfil do cliente e melhorar o ROI de marketing

Click ThruEmail

Compor- tamentoWebsite

Cookie Online

IDMobile

CuponsMobile

Guest ID

Nível resposta por canal

Históricode Contato

CompraOnline

NomeEndereço,

etc.

Distânciado PDV

ListasCadastros

Uso deCupons

Comprano PDV

ModelosPreditivos

Demografia

ConcorrênciaLocal

FLUXO DA INFORMAÇÃO

TARGET BABY REGISTRY - MAILING

OBJETIVOConverter mulheres no prenatal ANTES de terem o bebê

A.PDesenvolver modelo para prever se uma cliente está grávida

DADOS PARA ANÁLISEConsumo de itens-chave na categora “bebês” no PDV e online, idade e se temfilhos.

RESULTADOSCrescimento de 30% na base de mailing de clientes para este segmento

EXECUÇÃO NO PDV: CUPONS PARA FRALDAS

OBJETIVODistribuição (PDV) de cupons de desconto para maior conversão na categoria

A.PPrever quais clientes começarão a comprar fraldas ou aumentarão consumo atual de fraldas.

DADOS PARA ANÁLISEDemografia, compartamento no website na categoria “bebês”, baby registry, RFM deprodutos para bebês (PDV e online).

RESULTADOAumento substancial no uso de cupons e conversão de clientes de fraldas e Categoria “bebês” como um todo.

Guest ID

1. Idade 2. Estado civil, se tem filhos3. Local de residência 4. Quanto tempo leva para chegar

a uma loja 5. Estimativa salarial6. Se você se mudou

recentemente7. Quais cartões leva na carteira8. Quais websites você acessa

Dados Adquiridos de Terceiros

9. Etnia, 10.Histórico profissional 11. Revistas lidas12.Se declarou falência ou se divorciou13.Ano em que comprou (ou perdeu) sua

casa14.Onde cursou faculdade15.Quais assuntos fala sobre na internet 16.Se prefere certas marcas de café,

papel tolha, cereal ou purê de maçã17.Suas inclinações políticas18.Hábitos de leitura19.Se faz obras de caridade20.Quantos carros possui

Tipo e Procedência dos Dados Coletados

EFEITO COLATERAL: CASO TARGET NA IMPRENSA

EFEITO COLATERAL: CASO TARGET NA IMPRENSA

EFEITO COLATERAL: CASO TARGET NA IMPRENSA

FACEBOOK INCLUÍDO NA COBERTURA

CHARLES DUHIGG E SUA CRÍTICA À TARGET

http://www.youtube.com/watch?v=RC5HNTj3Dag

POLÍTICAS DE PRIVACIDADE DOS DADOS

Retenção – Quais dados são armazenados e por quanto tempo

Acesso – Quem pode ter acesso aos dados

Compartilhamento – Quais dados podem ser compartilhados com quaispessoas dentro e fora organização

Concatenação – Quais elementos podem ser concatenados

Reação – quais dados podem sofrem algum tipo ação, determinando a respostada organização, seu alcance e outros comportamentos.

35% das vendas são geradas através de recomendações de produtos.

COMO EMPRESAS USAM ANÁLISE PREDITIVA

70% das escolhas dos filmes assistidos são influenciados por recomendações online. Lançamento “House of Cards”.

Prevê quais anúncios novos apresentarão bounce rates altos (quando usuário clica no anúncio e imediatamente clica no botão voltar.

Usuários Mac apresentam probabilidade 40% maior de fazer reservas em hotéis 4 e 5 estrelas comparado a usuários de PC. Gastam 30% mais em diárias.

Usuários vendo um banner apresentam probabilidade 61% maior de realizar uma busca relacionada, o que aumenta em 249% a chance de cliques em anúncios de texto nos resultados de busca.

BIG DATA NAS CORPORAÇÕES

APENAS A PONTA DO ICEBERG

A.P. COMO O DIFERENCIAL COMPETITIVO

Empresas oferencendo produtos semelhantes usando tecnologia muito parecida.

Em ambiente mais competitivo empresas precisam de processos mais eficientes.

Necessidade de ter informação que seja ACTIONABLE.

Necessidade de tomar decisões cada vez mais rápidas e certeiras.

É um recurso que oferece opções. É uma poderosa ferramenta de decisão.

Quem está na dianteira estabelece as regras do jogo.

Bruce LedesmaDigital Marketing Strategist

@ledesmabruce

/bruce.ledesma

Bruce LedesmaEstrategista em Marketing Digital

ledesma.bruce@gmail.com