Os varejistas brasileiros padecem de três grandes problemas: a baixa produtividade, a dificuldade de angariar novos clientes e o pouco conhecimento sobre os clientes atuais.

Para aumentar sua produtividade, o varejista precisa treinar seus colaboradores, padronizar os processos-chave, investir em tecnologia e, principalmente, revisar seus procedimentos considerando as alterações do mercado e novos métodos.

Para ganhar novos clientes, o varejista pode expandir- (mais pontos, mais visibilidade) ou diversificar- criando novos formatos e outras plataformas. O varejista, neste caso, ainda pode investir em (publicidade) e, necessariamente, precisa apresentar- nas mídias sociais – a forma da vez de influenciar e trazer adeptos para sua loja/marca.

Já para o correto entendimento do atual, não basta saber quem ele é, mas se comporta (suas prioridades, sua interação no ponto de venda e seu comportamento desde o planejamento até o ato da compra) e o que pretende/espera do varejista (ou seja, valores eleitos pelos clientes para considerar que aquele varejista lhe é conveniente para realizar sua compra).

Este último aspecto, correto entendimento do cliente, será tema deste novo artigo.

A Target acertou no diagnóstico de gravidez

Os varejistas estrangeiros têm usado cada vez mais recursos de Big Data para conhecer melhor e interagir com seus clientes, apresentando resultados extraordinários. Alguns desses casos merecem nosso compartilhamento para incentivar varejistas brasileiros a buscarem o mesmo caminho.

A Target, empresa americana com mais de 1800 lojas, acredita muito no poder de Big Data. Em entrevista dada ao The New York Times, um executivo da Target contou um caso muito interessante: a empresa disse ao pai de uma adolescente que ela estava grávida antes mesmo de sua filha lhe dizer. Como isso foi possível? A Target, como tantas outras, atribui a cada cliente um número de identificação, vinculado ao seu cartão de crédito, nome ou endereço de e-mail, que o torna único. Armazena o histórico de tudo que compraram além de qualquer outra informação demográfica coletada pela própria Target ou adquirida de outras fontes.

Com a ideia de identificar padrões de compra de gestantes, os profissionais da Target analisaram os dados históricos de todas as mulheres que tinham registros claros relacionados a compras para bebê ou que tinham feito inscrição em campanha anterior sobre o tema. Com o uso do Big Data Analytics, em pouco tempo a Target foi capaz de identificar padrões interessantes: loções, por exemplo. Muitas pessoas compram loção, mas uma das frentes de análise observou que as mulheres com o registro “bebê” estavam comprando grandes quantidades de loção não perfumada por volta do quarto mês de gravidez.

Em outra frente, observou-se que em algum momento das primeiras 20 semanas, mulheres grávidas compravam produtos ricos em cálcio, magnésio e zinco como forma de suplementar a alimentação. Uma terceira frente observou aspectos relativos à proximidade da chegada do bebê. Muitos clientes compram sabão e bolas de algodão. Contudo, quando alguém começa a comprar muito sabão, sacos grandes de bolas de algodão e desinfetantes para mãos e toalhas umedecidas, tudo indica que estão se preparando para a chegada da criança em breve.

Enfim, à medida que os analistas da Target faziam suas descobertas por meio das ferramentas de Big Data, os mesmos as disponibilizavam, sendo possível correlacionar os padrões. A equipe da Target identificou cerca de 25 produtos que, quando analisados em conjunto, permitiam atribuir a cada comprador uma pontuação de “previsão de gravidez”. Mais importante: era possível também estimar a data do nascimento com uma pequena margem de erro. De posse destes padrões, a Target então passou a enviar cupons mais específicos às possíveis gestantes durante cada estágio de sua gravidez.

Foi exatamente essa precisão e segmentação que fez com que um pai de uma adolescente descobrisse a gravidez de sua filha antes de ela lhe contar. De acordo com a história relatada, um senhor irritado ligou para o SAC de uma loja da Target, exigindo falar com um gerente: “Minha filha recebeu isso no correio!”, disse ele. “Ela ainda está no ensino médio, e vocês estão enviando cupons para roupas de bebê e berços. Vocês estão tentando incentivá-la a engravidar?”. O atendente do SAC não tinha idéia do que o senhor estava falando, mas pensou: “com certeza os cupons foram dirigidos à filha e continham propagandas para roupas de maternidade, móveis de berçário e fotos de crianças sorridentes”. O atendente então pediu desculpas.

Como praxe, alguns dias depois, o próprio atendente ligou para o senhor com o intuito de desculpar-se novamente. Ao atender ao telefone o pai da adolescente, envergonhado, disse: “Eu conversei com minha filha. Algo aconteceu em minha casa que eu desconhecia completamente. Ela está grávida com previsão para agosto. Quem deve desculpas sou eu e não a Target.”

A CVS e a prescrição de medicamentos

Outra empresa que faz excelente uso de Big Data é a CVS. Uma das maiores farmacêuticas dos EUA, a companhia tem aproximadamente 9600 lojas localizadas em 49 dos 50 estados americanos, e seu programa de fidelidade ExtraCare possui mais de 70 milhões de titulares. 70% do portfólio da CVS é composto por produtos farmacêuticos, o que significa que a empresa deve, constantemente, incentivar as pessoas a tomarem seus medicamentos se quiser maximizar sua receita.

Debruçada sobre a pergunta de como fazer com que os clientes continuem comprando os medicamentos prescritos, a equipe de analistas da CVS descobriu padrões interessantes. Juntando as informações da base de titulares da companhia com informações da Caremark, que rastreia clientes e seu comportamento de compra de produtos prescritos em qualquer estabelecimento (e não apenas nas lojas da marca), foi possível traçar um perfil mais profundo dos clientes.

A CVS descobriu, por exemplo, que um terço de seus consumidores parou de tomar medicamentos prescritos após um mês e que metade parou após um ano. Agravante: eram compradores de medicamentos para tratamento de doenças crônicas que devem ser tomados por, pelo menos, dois anos.

Para diminuir a desistência de clientes e, consequentemente, aumentar sua receita, a CVS iniciou um programa automatizado de textos, e-mails e telefonemas para lembrar as pessoas da necessidade da compra e uso recorrente dos medicamentos receitados.

A empresa também adicionou um alerta aos perfis de consumidores e os enviou para as lojas. Com essa nova informação, os farmacêuticos passaram a abordar os clientes quando estavam dentro do estabelecimento comprando outro tipo de produto. Perguntavam-lhes se gostariam de adquirir os medicamentos prescritos. Para auxiliar na persuasão, por exemplo, os farmacêuticos passaram a alertar sobre os efeitos colaterais dos medicamentos e, ao mesmo tempo, insistiram na importância da continuidade do tratamento. A satisfação de seus clientes aumentou, bem como suas receitas.

Netflix e “House of Cards”

Por fim, o caso da Netflix. Como muitos de nós sabemos, a Netflix é exímia consumidora de Big Data. Seus executivos queriam criar e vender as primeiras séries de TV, com base em dados de clientes, na história. Queriam construir algo de sucesso antes mesmo de produzirem.

Para isso, a empresa observou 20 milhões de clientes, coletando meticulosamente todos os dados criados por eles. Quantos usuários pausaram um filme em um determinado ponto? Quais os diálogos irrelevantes? Quais as cenas que eram revistas? Estas milhares de tags – ou descritores de metadados inseridos por telespectadores – descreveram suas preferências: a ação, o tom e o gênero, entre muitas outras coisas.

Toda essa informação processada permitiu que a empresa criasse produtos completos. “House of Cards”, por exemplo, uma série polícia e sucesso de audiência, contou com a combinação, segundo a própria Netflix, de três bem sucedidas avaliações do público: David Fincher, diretor de “The Social Network”, Kevin Spacey, ator, e a própria versão britânica de “House of Cards”. Com esses três pilares, a Netflix conseguiu encontrar uma correlação que sugeria a compra dos direitos da série e a contratação dos dois figurões.


Leia também: Big Data e Netflix: uma parceria de sucesso


Conclusão

Não basta saber quem é seu cliente. É preciso saber como ele se comporta e o que espera da sua empresa. Alguns varejistas brasileiros já iniciaram esforços na tentativa de identificar padrões de comportamento. Estão centrados ainda na coleta destas informações. O próximo passo precisa ser a aplicação de inteligência aos dados.

Sobre o autor:

Leonardo Pellegrino é executivo de varejo e consultor de empresas com passagem por GPA (Pão de Açúcar), Dia% Group, Lojas Marisa, Grupo Multiformato e Ernest & Young. Economista e mestre em ciência da informação pela UFMG. Especialista em gestão e uso competitivo da informação. Participante ativo em projetos de inovação que unem varejo e Big Data Analytics.

 



Source link
Bigdata and data center

LEAVE A REPLY

Please enter your comment!
Please enter your name here