Tag SAS Brasil

Inteligência analítica em tempo real como arma secreta dos varejistas

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.

Tags, , , , , ,

SAS Brasil fecha primeiro semestre com crescimento acima de 50% em relação ao mesmo período de 2015

O SAS, líder de mercado em Analytics, registrou resultados significativos no primeiro semestre do ano. A subsidiária brasileira conquistou um crescimento em novas vendas de software acima de 50%, em comparação ao mesmo período do ano passado, e parte deste resultado deve-se ao investimento em áreas-chave como Data Management e Fraude, que tiveram grande destaque e mais que dobraram de tamanho ano a ano.

Os demais países da região do Cone Sul também obtiveram números bastante positivos. Argentina e Chile cresceram mais de 30% no primeiro semestre, em comparação a 2015. As soluções de destaque regionais foram Risco (crescimento de quatro dígitos) e Fraude (crescimento de três dígitos).“Estamos em movimento de crescimento acelerado, tanto no balanço anual total, quanto neste terceiro e quarto trimestres. Essa movimentação também deve se estender para o próximo ano”, explica Conrado Leister, presidente do SAS Brasil e Cone Sul.

Como reflexo disso, o SAS já realizou diversas contratações, expandiu a presença no Brasil com a abertura de escritório em Porto Alegre, reforçou o programa de canais e alianças com um aumento significativo de parceiros qualificados e lançou recentemente o curso Cientistas de Dados – registrando o dobro de interessados do que havia sido estimado inicialmente. “Já estamos com lista de espera para uma segunda turma que deve ser iniciada ainda em 2016”, afirma o executivo.

Segundo Leister, os bons resultados do período na região são fruto das excelentes soluções analíticas que o SAS oferece ao mercado, além do comprometimento e foco dos colaboradores. “A perspectiva é de crescimento acelerado para o restante do ano e as áreas de Customer Intelligence, Risco e Fraude devem se manter com um crescimento de três dígitos”, completa.

Tags, , ,

Cinco aplicações de IoT para ganhar competitividade no varejo – Por Rafael Paes

No sentido mais básico, a Internet das Coisas (IoT) é uma rede de objetos físicos conectados e embutidos de sensores. A tecnologia permite usar todos esses dispositivos para comunicar, analisar e compartilhar dados com o mundo físico ao nosso entorno, por meio de redes e plataformas de softwares baseadas em nuvem. No caso do varejo, essas ‘coisas’ incluem tags RFID (Radio-Frequency IDentification) para rastreamento de inventário, contadores de fluxo e outras aplicações inteligentes nas lojas. Vamos focar, particularmente, em cinco áreas que estão trazendo competitividade para as varejistas:

1 – A manutenção preditiva de equipamentos é utilizada para gerenciar o uso de energia, prever falhas nos equipamentos e detectar outras questões. Por exemplo, toda mercearia possui uma série de equipamentos complexos, como as unidades de refrigeração e, quando estão embutidos de sensores, é possível prever problemas de manutenção que afetam o consumo de energia, além de identificar as flutuações de temperatura e garantir a integridade dos alimentos.

2 – Um dos objetivos da logística inteligente no varejo é transportar a mercadoria de forma mais eficiente, e a IoT pode desempenhar importante papel na manutenção dos meios de transporte, monitoramento e otimização de rotas. Sabemos que, nos últimos anos, muitos varejistas têm utilizado tecnologias de GPS para rastrear e direcionar a frota de caminhões.

3 – Quando falamos de inteligência de demanda, estamos tratando de estoques dotados de automação e robótica, com controle de demanda para atender canais tradicionais e online. A Internet das Coisas nos permite monitorar oportunidades de vendas em tempo real e rastrear as vendas perdidas nas lojas. Atualmente, os tradicionais armazéns e centros de distribuição são organizados por corredores e prateleiras com base em uma esquematização predeterminada. Já os armazéns do futuro serão espaços abertos, com pallets automatizados e auto-organizáveis, direcionados pela demanda em tempo real.

4 – O consumidor conectado está impactando cada vez mais as lojas físicas e os varejistas entendem que clientes podem verificar preços e inventários das lojas pelos smartphones, à distância. Então, imagine oferecer promoções customizadas e serviços baseados na localização dos clientes dentro das lojas? E se fosse possível identificar os clientes mais leais e oferecer serviços de concierge? Antes, era comum promover campanhas de marketing de massa, com a expectativa de atingir um percentual aceitável com as ofertas. Com a IoT, compreendemos o contexto e identificamos onde e quando o cliente precisa de ajuda, agindo proativamente e com uma taxa de sucesso muito mais alta.

5– Em uma loja inteligente todo o fluxo de compras em shopping centers pode ser analisado pelos varejistas, a fim de entender a jornada de compras dos possíveis clientes. Isso significa substituir pesquisas caras e programas de treinamento de equipes pela inteligência analítica. Com isso, podemos identificar padrões de comportamento dos clientes dentro dos espaços das lojas e atuar em tempo real, direcionando um funcionário para ajudá-los ou analisar as informações para ajustar layouts de lojas, por exemplo. Adicionalmente, permite personalizar a experiência de compra, proporcionando diferentes oportunidades de marketing digital nas lojas, anunciando as ofertas via os dispositivos móveis.

E com o rápido crescimento do e-commerce, varejistas estão interessados em trazer a experiência dos clientes no ambiente digital às lojas. Eles querem ter acesso ao mesmo repertório rico de dados para analytics e alto desempenho no direcionamento das jornadas de compras, oferecendo novas experiências e coletando valiosos dados para prever como consumidores farão suas compras.

A diferenciação virá da habilidade dos varejistas em sentir, entender e agir com inteligência analítica em cima dos dados de IoT. Para tirar o máximo de vantagem dessa nova área promissora, varejistas precisarão focar nas aplicações que mais gerem valor e atendam às necessidades dos clientes.

Por Rafael Paes, Consultor do SAS Brasil

Tags, , , ,

Uso de ferramentas de Analytics e Big Data nas eleições de 2016 será o grande diferencial

Por Wesley Santos, Instrutor Estatístico do SAS Brasil

Quem é o meu eleitor? Qual a opinião das pessoas sobre as minhas propostas? Será que os eleitores gostaram da postagem que eu fiz ontem? Estas são algumas dúvidas que provavelmente passarão pela cabeça dos políticos que disputarem as eleições deste ano para prefeito, vice-prefeito e vereador. O modo tradicional de responder a estas perguntas se baseia nas pesquisas eleitorais feitas por grandes institutos. Mas fica a pergunta: e as milhares de opiniões geradas diariamente pelas redes sociais? Como quantificar um tuíte, um post no Facebook, um comentário feito no Youtube após um vídeo viral ou até mesmo um meme de um candidato? A resposta está no uso de ferramentas de Analytics voltadas para análise de grande quantidade de dados, ou seja, o Big Data.

Para se ter uma ideia do tamanho das informações que estamos falando, apenas nas eleições presidenciais de 2014, assuntos relacionados ao tema chegaram a 39 milhões de tuítes e cerca de 674 milhões de postagens no Facebook (incluindo curtidas e comentários), no período de julho a outubro de 2014. Esse novo cenário cria inúmeras vantagens para o partido que souber melhor aproveitar as soluções analíticas voltadas para a análise de grandes bases de dados.

Para dar conta dessa avalanche de informações são necessárias técnicas que apliquem conhecimentos avançados de estatística e de computação. Estamos falando de algoritmos de Machine Learning e tecnologias que possibilitam aos sistemas encontrar padrões e, assim, auxiliar na tomada de decisões rápidas. Uma técnica já aplicada com sucesso em áreas de inteligência analítica voltadas para marketing é o Support Vector Machine (SVM – Máquinas de Vetores de Suporte) – algoritmo que busca padrões para classificação de dados.

O SVM pode ser utilizado para saber a opinião, a satisfação e o sentimento dos eleitores nas redes sociais. Geralmente, essas percepções são chamadas de análises de sentimentos. Para o candidato, é interessante saber se determinada política ou programa eleitoral está com aceitação ou rejeição junto aos eleitores; ou ainda ter conhecimento, em tempo real, do sentimento das pessoas durante um debate eleitoral. Estamos falando de opiniões e comentários, sejam na forma de tuítes, curtidas, postagens em blogs, comentários em vídeos e até a reação de pessoas a determinados memes.

Outra técnica que pode ser utilizada é o algoritmo de classificação k-means. O objetivo, nesse caso, é encontrar grupos de eleitores com similaridade ou dissimilaridade de opiniões. Por exemplo, grupos de eleitores que demonstrem interesse em candidatos que defendam politicas voltadas a sustentabilidade ou melhorias no transporte público em detrimento ao uso de carros, entre outros exemplos. Também é possível identificar regiões com baixa adesão de eleitores e que mereçam maior engajamento. Dessa forma, os candidatos podem segmentar seus esforços em determinados grupos e terem um foco de atenção mais especifico.

Independente da técnica utilizada, o candidato que souber tirar melhor proveito das ferramentas de Analytics terá uma vantagem sobre os demais. As pessoas estão dizendo o que querem, mas agora a informação está dispersa, diluída, misturada em diferentes plataformas. Ter as ferramentas certas para analisar e traduzir em insights essa grande quantidade de informações será o diferencial que poderá levar o político a uma vitória na próxima eleição.

Wesley Santos é formado em Estatística pela USP (Universidade de São Paulo). Atua como instrutor nos cursos estatísticos do SAS Brasil. Possui experiência como consultor nas áreas de Modelagem de Risco de Crédito, Modelagem de Prevenção à Fraudes e Estatística Avançada.

Tags, ,