gestão de dados

Por Nélito Pereira, consultor de pré-vendas do SAS Brasil

Um cliente entra na loja, a única perfumaria em um raio de um quilômetro, e coloca produtos na cesta. Um bom e atento vendedor, ao reconhecê-lo e sabendo de suas preferências, comportamento e tendências de consumo, recomenda outros dois produtos. O cliente adiciona os itens à cesta e o valor de sua compra aumenta de R$ 94 para R$ 131,10. Bom este vendedor! Mas, e se ele não conhecesse o cliente, o que recomendaria? Esse exemplo parece ser uma história dos anos 80, naquela cidadezinha do interior.

Em um momento de crescente pressão por melhores resultados, empresas do segmento varejista têm procurado aumentar o valor do ticket médio de suas transações no e-commerce através de melhores recomendações de produtos para seus clientes. Para isso, é necessário entender o perfil de cada consumidor, conhecer seu histórico de compras e seu comportamento – de preferência em tempo real. Estamos falando de uma solução de recomendação inteligente, que define a próxima melhor oferta para cada cliente, utilizando técnicas de Big Data, inteligência analítica, regras de negócio e o comportamento do consumidor – tudo isso em real-time.

A decisão da ‘Next Best Offer’ (NBO) para um cliente específico passa pela gestão dos dados disponíveis e por um processo analítico, no qual técnicas de modelagem preditiva e de auto-aprendizagem automatizadas (self-learning analytical process) identificam suas propensões de compra. Consumidores não identificados assemelham-se a perfis comportamentais conhecidos e a recomendação inteligente e relevante também é uma realidade. Um motor de decisão orquestra toda esta inteligência analítica acrescida com as regras de negócios e estratégias da empresa e disponibiliza as recomendações personalizadas de forma dinâmica (em tempo real), no momento de cada interação do cliente com a loja.

Recentemente, na tentativa de aumentar seu ticket médio, uma empresa brasileira do segmento varejista e reconhecida por inovações, iniciou um piloto com um subconjunto de clientes definidos por amostragem randômica. O objetivo era avaliar a capacidade de entrega de inteligência analítica, regras de negócios e NBO em real-time em seu site de e-commerce. O primeiro passo foi a criação de modelos preditivos utilizando técnicas estatísticas para a determinação das propensões de cada perfil de cliente e a melhor associação entre os produtos. Em seguida, foram configuradas as regras de negócios e a integração do motor de decisão ao site. Para a avaliação e mensuração dos resultados, o motor de recomendação considerou dois diferentes grupos de controle (um exposto a recomendações aleatórias e um segundo a recomendações padrões) e registrou o histórico de tudo.

O sucesso desse piloto definiria a adoção ou não da solução e isso deu-se através de análises e comparações dos resultados dos grupos de controle com o grupo de clientes, que recebeu a NBO determinada pela recomendação inteligente. Após três meses de piloto, os resultados demonstraram que o aumento do valor do ticket médio obtido, projetado para todos os clientes, representou um incremento no lucro capaz de pagar o investimento em poucos meses, ou seja, do prazo de recuperação do capital investido na solução (payback).

Por essas razões, a mesma empresa varejista decidiu expandir o uso da solução para outros canais de interação com o cliente, como televendas e aplicativos móveis bem como para outros países onde também mantém operação. A inteligência analítica em tempo real é o “bom vendedor” do mundo atual, aumentando o ticket médio no varejo on-line.