TRANSFORMAMOS DADOS DE PESQUISA EM DECISÕES DE NEGÓCIO INTELIGENTES
Felipe Mendes,
Presidente do Grupo GfK no Brasil
Os Benefícios do Big Data!
Big Data: do conceito à prática
80%
conhece o conceito
47%
entende o impacto
30%
já executou projetos
5%
criou uma
estratégia
Qual o melhor exemplo de Big Data hoje no Brasil?
Tem certeza?...
É a Operação Lava Jato!
Tudo começa com uma boa pergunta!
“Números nãoconseguem falarsozinhos. Nós falamosatravés deles. Nós que damos sentido a eles.”
Nate Silver,
“O Sinal e o Ruído”
Conceituando Big Data
7 elementos de uma estratégiade Big Data
Capacidade para
guardar Dados
Visualização e
acesso
Disponibildade de
Bons Dados
Privacidade e
Segurança
Capacidade para
processar Dados
Capacidade analítica45
36
27
Uma perguntaclara de negócio
3 grandes avanços tecnológicosvem “democratizando” o Big Data
?#!
%&
Variedade(dado em formatosdiferentes)
Dados chegam de fontes e sistemas diferentes, com estruturas diferentes
Velocidade(dado em movimento)
O dado está sendo gerado a todo momento , cada um sendo “recortado” em seutempo
Volume (dado em quantidademassiva)
Primeiro você coleta, depoisvocê pensa como analisar e utilizar.
Veracidade(dado em questionamento)
Ter muito dado não significater dado correto! É necessário reduzir o viés, higienizar.
Os 4 V’s do Big Data demonstramsua complexidade
Fundamental garantir que há reglas claras, que garantam a privacidade do shopper
Big Data no Varejo
A operação regular do Varejo já produz muitodado, bastante estruturado
Falta apenas saber onde e como procurar, para balancear e referenciar o viés natural do Big Data
A nível Macro
Centenas/Dezenas de lojas
Milhares de sku’s
Processos de compra, logística e vendas
Milhões de transações por ano
A nível Micro: Clientes
Dezenas de transações por ano, naloja e online
Múltiplos canais: CRM, App’s, Mídia Social
Cartões de lealdade
Estudo de Caso 1
Aprendizados 3 segmentos de clientes target: 20% dos
clientes, 68% das vendas– Principais compradores: mulheres, em sua
maioria casadas, +35 anos e renda maisalta que a média da bandeira
Outros segmentos potenciais– 17% de mulheres mais jovens, ainda não
casadas, com ticket e visitas médias
– 24% tem gasto médio/alto, porém baixafrequência de visita
Ações possíveis Ofertas de lançamentos e marcas preferidas,
em especial de itens mais premiums Ações promocionais em loja (Cozinhando
com…)
Call center com ações específicas para mulheres, para descobrir se está em épocade enxoval
Aprofundar conhecimento sobre lealdade à bandeira (estudo ou fusão via Empr. Pesq.)
Problema: um varejista multi-bandeira, notou queda de consumo na venda de
pequenos eletrodomésticos e gostaria de ativar a categoria.
Estudo de Caso 1: Segmentação transacional
Val
or
po
rvi
sita
/co
mp
ra
Frequência de visita
15%
2%
17% 15%9%
26%
18%
1%
15%
4%7% 6%
Avera
ge T
ransaction V
alu
e
Mid 40%ATV
> PHP 654
~ 2,500
Bottom 40% ATV
< PHP 654
Bottom 40% Visits1~11
Mid 40% Visits12~44
Top 20% Visits45 and above
Frequency of Visits
9%4%
8%
17%
3%
25%Top 20%ATV
> PHP 2,500
Platinum
Gold
Silver
Próxima geração
% de Gastos% de Clientes
Nota: baseado emtransações dos últimos12 meses (Maio-Abril)
Estudo de Caso 1: Perfil demográfico e localização
Val
or
po
rvi
sita
/co
mp
ra
Ave
rag
e T
ran
sa
ctio
n V
alu
e
Mid 40%ATV
> PHP 654
~ 2,500
Bottom 40% ATV
< PHP 654
Bottom 40% Visits1~11
Mid 40% Visits12~44
Top 20% Visits45 and above
Frequency of Visits
Top 20%ATV
> PHP 2,500 81%are
35 & older
78% are
Female
53% are married
50% 73% are
35 & older
69% are
Female
47% are married
64% are
35 & older
60% are
Female
48% are married
56% are
35 & older
64% are
Female
44% are married
74% are
35 & older
80% are
Female
48% are married
61% are
35 & older
71% are
Female
42% are married
49% are
35 & older
66% are
Female
37% are married
60% are
35 & older
77% are
Female
36% are married
47% are
35 & older
73% are
Female
31% are married
Central Region
Central Region
Central Region
49% 40%
Central Region
Central Region
36% 43%
Central Region
35% Central Region
43%
Central Region
Central Region
48%
47%
Frequência de visita
Estudo de Caso 2
Aprendizados 3 segmentos de clientes target: 19% dos
clientes, 44% das vendas– Homens, com alta frequência, ainda que o
gasto médio varie– Concentram gastos em Gasolina e moram
em cidade vizinha– Hipótese: se deslocam todo dia a Capital
para trabalhar
Outro segmento potencial– Homens e mulheres, com alto gasto
médio, que gastam em Outros Serviços(não identificados)
– Hipótese: Pet Shop
Ações possíveis Entendimento das músicas com maior apelo
para o target, através do Facebook (via Empr. Pesq.)
Atividade promocional de Planos de Dados, com pacotes especiais de música
Demonstração no Posto de Gasolina do Spotify, para quem está abastecendo
Confirmação in loco da frequência e afluência de visitas do Pet Shop
Confirmação da posse de Pets através do Facebook (via Empr. Pesq.)
Problema: Centro de conveniência, negociando volume com operador de telefonia,
busca plano de negócios para aumentar vendas de chips com planos mais caros
Estudo de Caso 2: Segmentação transacional
16%
5%
16% 13%9%
21%
17%
2%
15%
5%8% 8%
Avera
ge T
ransaction V
alu
e
Mid 40%ATV
RM 17~44
Bottom 40% ATV
< RM 17
Bottom 40% Usage1
Mid 40% Usage2~4
Top 20% Usage5 and above
Frequency of Usage
13%16%
5%
13%
2%
17%
Top 20%ATV
> RM 44
PlatinumGold
Silver
Next Generation
Nota:
Baseado nastransações ocorridasem Dez-Fev
Frequent visitorsLow potential-1
Mid segment
Least potential
Low potential-2
Nota:
Baseado nastransações ocorridasem Dez-Fev
Estudo de Caso 2: Perfil Demográfico e Afiliação
Estudo de Caso 2: Perfil de Gastos
Nota:
Baseado nastransações ocorridasem Dez-Fev
Nota: Varejossegmentados de acordo à classificação da matriz
Estudo de Caso 2: Localização
Nota:
Baseado nastransaçõesocorridas emDez-Fev
Basedo no endereço citadono cadastro
Big Data para Decisões Inteligentes
Produzidopelo Varejo
BigData
Oportunidade: criar contexto, enriquecendo dados transacionais
• Dados gerados no Varejo• Transações comerciais
• Cartão de fidelidade e CRM
• Tráfego no site
• Logística, Vendas, Operações, etc
Bigdata
BigData
Outrasfontes
Dados de contexto
Decisõesinteligentes
• Outros dados de contexto• Mídias Sociais
• Jornada de Compra “online”/mobile
• Consumo de Mídia
• Dados causais (promoções, gôndola)
• Pesquisa de mercado
• Comprador misterioso
Top Related