O mercado de análise de dados e de inteligência de negócios (BI) é um dos que mais crescem no mundo, e o e-commerce é uma das áreas que mais podem se aproveitar das suas ferramentas.
Falando em números, dados da International Data Corporation (IDC) apontaram que os softwares de Big Data e de análise empresarial vão crescer suas receitas de US$ 122 bilhões, em 2015, para mais de US$ 187 bilhões em 2019. Em 5 anos, o seu crescimento passaria dos 50%.
Sendo um pouco mais específicos e falando em ferramentas de análise preditiva, a expectativa é que sua receita, em todo o mundo, salte de US$ 415 milhões, em 2014, para US$ 1,1 bilhão em 2019, o que representaria um CAGR de 22%. Além disso, o número de organizações que utilizam alguma forma de análise preditiva deverá subir de 10% para 35% no mesmo período. Os dados são da Gartner e foram divulgados em uma reportagem da Forbes.
Todo esse crescimento parte de algumas razões claras, como um volume cada vez maior de dados disponíveis, um interesse crescente em utilizá-los para gerar negócios e a disponibilidade de computadores mais rápidos e de softwares de uso mais fácil para processar essa carga imensa de dados.
Logo, se agora é mais acessível coletar, processar e analisar esses dados, os varejistas passam a ter mais oportunidades de aproveitá-los para gerenciar melhor diversas frentes do seu negócio, como o marketing, o estoque e, principalmente, sua tomada de decisão.
Antes de nos aprofundarmos nesses pontos, vamos entender melhor o funcionamento das análises preditivas.
Esse tipo de análise se baseia em dados históricos e algoritmos estatísticos para prever cenários futuros com a melhorou a menor margem de erro possível.
Esse é um processo que também utiliza machine learning para descobrir padrões, criar regras e combinar dados de diferentes fontes e séries temporais para fazer uma melhor avaliação do que pode acontecer no futuro.
Na prática, as análises preditivas são capazes de apontar tendências, prever comportamentos, projetar resultados de indicadores de negócio e apoiar a tomada de decisão.
Mas para fazer do futuro algo mais previsível, as análises preditivas precisam de grande quantidade e alta qualidade de dados. Isso se tornou possível graças ao Big Data. Antes disso, o maior desafio era tanto coletar uma carga maior dados quanto ter capacidade técnica para processá-los (faltava hardwares e softwares para isso).
A partir do momento que uma imensa quantia de dados, estruturados ou não, pôde ser tratada, processada e cruzada com o Big Data, as análises preditivas tornaram-se mais eficientes.
Agora, há fonte de informação de sobra para ser organizada e utilizada pelas empresas para otimizar tanto a gestão quanto a operação dos seus negócios.
Isso ajudou, por exemplo, os serviços bancários e de cartões de crédito a melhorarem e o provisionamento de crédito para os seus usuários com base em suas séries históricas e em seus comportamentos de compras.
Trazendo para a realidade das lojas virtuais, as análises preditivas podem ser utilizadas para prever uma receita anual, segmentar um público-alvo para uma campanha de marketing, direcionar produtos em sistemas de recomendação, entre muitas outras possibilidades.
Projetar um aumento ou uma queda nas receitas, faturamento, vendas ou ticket médio pode ser uma tarefa mais precisa quando é feita com base em análises preditivas.
Aqui, a principal abordagem é a combinação de séries históricas daquele indicador (faturamento, por exemplo) com fatores internos e externos que possam influenciar no resultado previsto.
Entre esses fatores, podemos citar os resultados financeiros e fiscais do governo (oscilação do PIB, da taxa de juros, da inflação e de outros impostos), dados financeiros e de performance de concorrentes diretos e indiretos, informações sobre projetos internos da empresa, dados de consumidores, etc.
Como há uma série de variáveis que muitas vezes são imprevisíveis, é comum o gestor de e-commerce ter mais de um cenário (o ideal e os condicionais) a disposição para analisar.
Aliás, o maior desafio para os analistas e cientistas de dados é descobrir quais são essas possíveis interferências que fogem do controle da loja. Quanto mais pontos como esses são detectados, menos riscos os diretores de e-commerce terão para lidar.
Em relação às ações de marketing, as análises preditivas podem apontar o caminho para a construção de anúncios mais personalizados.
Para isso, a abordagem utilizada é a de segmentação de clientes, ou seja, resgatam-se as informações dos consumidores de uma base de dados própria e as cruzam com parâmetros definidos pelo time de marketing para criar campanhas mais customizadas.
E aqui não estamos falando de segmentações simples e que podem ser feitas manualmente, como a separação por sexo, localização ou idade. A ideia é detectar e aproveitar padrões comportamentais para prever quais conteúdos ou produtos são mais propensos de serem consumidos por um público-alvo específico.
Por exemplo, com o apoio do Big Data e da análise preditiva, é possível que um e-commerce de moda crie uma campanha de posts patrocinados no Facebook para anunciar vestidos para mulheres que postaram, nos últimos 3 meses, que serão madrinhas de casamento. Existem dados para isso, eles só precisam ser coletados, processados e utilizados para o fim correto.
Um caso interessante para analisar e se inspirar é o da Macy’s, que aumentou suas vendas online entre 8% e 12% três meses após aderir a um sistema que fornece análises preditivas. A varejista aplicou modelos preditivos para segmentar melhor suas campanhas de e-mail marketing.
O uso das análises preditivas em sistemas de recomendação e personalização é um dos casos mais desenvolvidos e conhecidos do setor.
Sua abordagem é focada em apontar os conteúdos e as ofertas mais propensas a serem consumidas pelo público que acessa o site da loja.
Para isso, os sistemas de recomendação utilizam análises preditivas para combinar as séries históricas de compras dos clientes com o comportamento e perfil desses compradores.
A partir dessa base, são feitas diversas associações, como:
Vale destacar que o grande desafio das análises preditivas, aqui, é descobrir padrões não-óbvios entre os perfis e comportamentos dos clientes. São arquétipos que uma pessoa não poderia identificar manualmente, como, por exemplo, associar a compra de um suco de laranja com meias esportivas para mulheres que correm, vão para a academia toda manhã e precisam de uma fonte de vitamina para repor suas energias.
O maior desafio na gestão de inventário é encontrar a quantidade mínima e necessária de produtos para suprir as demandas dos clientes em um determinado período.
Para evitar tanto o excesso quanto a falta de itens, um trabalho analítico envolvendo dados relacionados ao comportamento dos consumidores e às séries históricas de vendas pode trazer mais exatidão para esse processo.
Por exemplo, da mesma maneira que um padrão de comportamento de compra de um grupo de clientes pode determinar as ofertas recomendadas no site da loja, esse modelo pode ser aplicado para prever quais produtos e quantas unidades deveriam ser alocadas no inventário.
Essa abordagem também pode utilizar dados do histórico e da projeção de vendas de um produto para determinar a quantidade aproximada ideal para armazenar.
Quando se fala em automatização da precificação de produtos, muitos lojistas optam por análises e soluções mais reativas, como os testes A/B ou as mudanças com base nos preços dos concorrentes.
No entanto, também é possível usar análises preditivas para precificar de acordo com a série histórica de preços, com a previsão de vendas ou com o comportamento dos clientes (como o público costuma comprar e quanto gasta em média).
De fato, essa é uma equação complicada, pois por mais que o processo manual seja mais propenso a erros, a automatização também pode prejudicar as margens do lojista caso não seja monitorada continuamente.
Uma das principais funções das análises preditivas é servir de apoio para uma tomada de decisão mais acertada em uma empresa.
No e-commerce, os lojistas podem utilizar os dados projetados em uma análise para identificar, por exemplo, os produtos que mais serão vendidos em uma promoção, o público a ser segmentado em uma campanha de marketing ou o layout ideal do site da loja a partir do comportamento de navegação do público.
Vale frisar, no entanto, que essas análises não são só preditivas, como também reativas. Afinal, uma conclusão exposta após uma análise pode mudar ou confirmar um desejo de ação que, muitas vezes, já chega enviesada antes mesmo de passar pela avaliação de um cientista de dados.
A propósito, esse é um dos problemas de implementação da análise preditiva que serão abordados no próximo tópico.
O crescimento apontado no início do texto sobre o crescimento da receita das empresas de BI e análise preditiva mostram que a adoção de ferramentas desse tipo está na moda. Atualmente, a aceitação das grandes empresas com esses sistemas é maior, tanto que muitas reconhecem que o predictive analysis gera um ganho de inteligência de negócio e, consequentemente, aumenta a eficiência de sua gestão.
Por outro lado, tem muita empresa que diz que usa análises preditivas apenas para valorizarem suas marcas, mas que não utilizam essas ferramentas ou não as aproveitam da forma correta.
Em relação a mão de obra especializada, isso não chega mais a ser um grande desafio. Como a demanda por soluções de análise preditiva cresceu nos últimos anos, há profissionais cada vez mais qualificados no mercado para trabalhar com coleta e análise de dados.
Uma das barreiras pode ser a definição dos dados a serem coletados. Muitas vezes, o e-commerce não sabe as informações que precisa extrair (faltam objetivos para as análises), o que pode ocasionar falta ou excesso de dados para juntar, processar e analisar. Isso gera perda de tempo e dinheiro.
Além disso, muitas empresas não têm estrutura (hardwares e softwares) adequada para organizar e estruturar uma grande quantidade de dados. Quando isso ocorre, recomenda-se a contratação/terceirização de suítes completas de análises preditivas, como SAS ou Azure.
Outro problema é a falta de integração entre quem analisa os dados e quem toma as decisões com base nas análises. É daí que surge o achismo, que talvez seja a principal barreira para uma gestão baseada em dados.
Se um diretor de e-commerce, mesmo com projeções reais e precisas em mãos, ainda se baseia em seu feeling, intuição ou experiência para tomar decisões, então o uso de ferramentas de análise preditiva passa a fazer pouco sentido.
Enfim, prever o futuro é algo que se tornou mais exato com a evolução dos sistemas de análise preditiva.
Em um e-commerce, isso pode representar um ganho enorme de competitividade e inteligência de gestão. Afinal, diversos processos do negócio podem ser aprimorados, como a segmentação de ações de marketing, a gestão de inventário ou a precificação de ofertas.
Mas vale lembrar que o lojista não precisa aplicar as análises preditivas em todas as frentes da loja virtual. A postura racional, aqui, é importante não apenas para deixar os achismos de lado, mas também para saber quais áreas seriam mais bem impactadas pelas análises.
Além da análise preditiva, outra tendência que chega forte no e-commerce é o uso dos chatbots. Em nosso texto Chatbots: o próximo salto da relação homem-máquina, você confere como as plataformas conversacionais estão revolucionando a maneira como os consumidores interagem com as lojas virtuais.
A CCX Company em colaboração com a VTEX Commerce Cloud expressa sua gratidão por ter tido a oportunidade de enriquecer seu entendimento acerca das vantagens, tendências e demais elementos abordados no presente tema. Este artigo foi elaborado pela VTEX Commerce Cloud e é encaminhado até você pela CCX COMPANY
