“Os dados são o novo petróleo” – Começando com a máxima do matemático Clive Humby, podemos identificar porque esta frase está tão correta.
Em sua frase completa, Humby continua: "Os dados são o novo petróleo. É valioso, mas se não for refinado, não poderá ser usado de fato (...), portanto, os dados devem ser divididos, analisados para que tenham valor." (Data is the new oil. It’s valuable, but if unrefined it cannot really be used (…) so must data be broken down, analyzed for it to have value.).
O mundo dos dados já atingiu diversos setores, áreas, empresas, e no Marketing, está fazendo uma verdadeira revolução.
Quem poderia imagina dez anos atrás que teríamos um especialista de dados dentro de uma equipe de vendas para calcular a probabilidade de compra de um determinado grupo de pessoas?
E as ações não param por aí, principalmente porque não há limite para o que podemos coletar na era dos dados.
Segmentando um pouco no meio da Comunicação e Marketing, atualmente, trabalhamos com 3 pilares:
· Clustering models (segmentação)
· Propensity models (predição e propensão)
· Colaborative filtering (recomendação)
Em cada um dos pilares o Analista/Cientista de dados/estatístico tomam o protagonismo do profissional tradicional de Marketing.
Na fase de segmentação (clustering model), os agrupamentos dos usuários são separados em vários clusters para entender o comportamento (behavioral) do usuário ao realizar determinada compra.
Nesta mesma fase, também é analisada a sazonalidade de venda dos produtos (product based) que é utilizada para segmentar promoções e lançar campanhas.
Passando para o nível de predição e propensão (propensity model), as segmentações possíveis são muitas, no qual a mais utilizada é a propensão de compra, onde estudamos um conjunto de ações de um usuário e comparamos com outros usuários que realizaram o mesmo caminho para descobrir que esse usuário tem alta probabilidade de converter uma venda do mesmo produto do grupo, tal como no modelo. Essa ação é chamada de propensity tu buy.
Os modelos aplicados pelos estatísticos nesse nível são das mais variadas. A análise pode ser de conversão, abandono, engajamento, etc.
Por último e não menos importante, temos a recomendação (colaborative filtering), onde as táticas de machine learn utilizada nos pilares anteriores vão ser automatizadas para oferecer ao usuário exatamente o que o grupo da qual ele faz parte consumiu, utilizando todos os passos acima, a nível de entrega.
Claro que em todos os passos acima temos ferramentas para nos ajudar, tanto no nível de coleta, modelagem e automatização, porém, o primeiro passo é o mercado entender que as utilizações dos dados de forma correta podem trazer um crescimento inimaginável até uma década atrás.
Basta somente, tal como o petróleo, fomentarmos vários profissionais para poder refinar esses dados para fazerem cada vez mais as pessoas a encontrarem exatamente o que desejam.
Nenhum comentário:
Postar um comentário