Onde Iniciar a Mineração de Dados na Distribuição no Atacado

Aplique análise preditiva à distribuição desde o início para o Big Data

Os grandes distribuidores estão abrindo o caminho na análise preditiva para a distribuição, o que deixa os distribuidores de médio porte em uma situação excelente para aproveitar os sucessos e fracassos das grandes empresas. Neste artigo, veja exemplos de possíveis usos da análise preditiva para melhorar as operações de negócios em vários departamentos de funções diferentes em um distribuidor atacadista e saiba mais sobre o conjunto de produtos da IBM, que trabalha da exploração e das primeiras aplicações até o Big Data, à medida que as suas qualificações e dados aumentarem no futuro.

David Gillman, Director, Services, Data Sooner

Photo of David GillmanDavid Gillman trabalha nas áreas de inteligência de negócios, mineração de dados e análise preditiva há 20 anos. Ele é formado em matemática aplicada, otimização e análise estatística, com ênfase na aplicação a atividades comerciais. Possui experiência prática na melhora de operações de negócios por meio da analítica aplicada nos segmentos de mercado de distribuição, manufatura, varejo e hotelaria com organizações de vários tamanhos. É possível entrar em contato com o David pelo email gillman@datasooner.com.



31/Ago/2012

A análise preditiva e seus processos analíticos associados são o assunto de muitos textos. Se você pensa que está vendo mais desses assuntos em muitos fóruns diferentes, está correto. Além disso, esses textos não estão restritos a discussões técnicas áridas. É possível ler sobre a análise preditiva (um termo atualizado e expandido para designar a mineração de dados) em revistas e sites técnicos e de TI, operações de negócios e revistas do segmento de mercado de distribuição e até em revistas comuns de notícias.

Embora a análise preditiva não possa ser considerada como algo comum na distribuição atacadista, ela está sendo utilizada mais amplamente. Como acontece com muitas tecnologias, há um fluxo de adoção que começa com as grandes empresas e chega às de porte médio. Simultaneamente ao aumento da adoção, ocorre a proliferação de ferramentas comerciais e de software livre. Há tantas ferramentas neste ponto que qualquer pessoa que não seja conhecedora do assunto podem se perder no processo de escolher um conjunto de ferramentas para seguir em frente.

Definindo a análise preditiva

Para começar, vamos ver o que a análise preditiva não é.:

  • Não é relatório. A apresentação de informações resumidas provenientes de um banco de dados transacional é útil, mas não é analítica preditiva. A análise preditiva usa processos estatísticos para apresentar aos usuários corporativos informações que não podem ser coletadas por meio dos relatórios tradicionais.
  • Não se trata de processamento analítico online (OLAP), cubos de dados nem bancos de dados na memória. Embora o surgimento de tecnologias não relacionais de armazenamento de dados seja uma dádiva para entregar informações aos usuários corporativos, essas técnicas não são análise preditiva. Não que eu esteja querendo menosprezar os avanços no desempenho de bancos de dados na memória e mecanismos de OLAP, mas a mera colocação de informações históricas nesses formatos não melhora o insight para o tomador de decisões corporativas.
  • Não se trata de planilha. Essa fica em cima do muro. O aplicativo de planilha mais conhecido realmente tem um pouco de estatística, que vai além dos cálculos comuns de máximo, mínimo, soma e média. (Entretanto, poucas pessoas estão familiarizadas com as funções estatísticas mais avançadas.) Esse aplicativo pode realizar vários tipos de regressão que são úteis para prever tendências futuras. Apesar disso, as planilhas têm várias limitações relacionadas à quantidade de dados que conseguem manipular, velocidade e capacidade de aplicar as previsões (ou seja, realizar uma previsão baseada em novos dados e comunicar essa previsão a outras pessoas).

Quanto ao que a análise preditiva é, isso pode variar de acordo com a pessoa com quem você conversa. Minha definição genérica é que a analítica preditiva é o processo de analisar dados usando processos estatísticos automatizados e resumir os resultados em informações úteis. A forma das informações úteis também pode variar bastante, mas, para o distribuidor, elas devem estar em um formato que possa ser implementado pelos tomadores de decisões corporativas ou podem ser codificadas em aplicativos para inclusão automática na lógica de negócios baseada no Planejamento de Recursos Empresariais (ERP).

A análise preditiva é útil porque há uma quantidade excessiva de dados para uma única pessoa absorver, analisar e implementar no seu sistema de ERP e outros bancos de dados que não são de ERP. Os dados de histórico do pedido, do gerenciamento de relacionamento com o cliente (CRM), compras e inventário entram e ficam acumulados nos sistemas de ERP em um ritmo constante e gerenciável para os servidores. Você tem relatórios que resumem essas informações, e os executivos e usuários de linha de negócios (LOB) consultam esses relatórios continuamente. No entanto, essas informações históricas, por si mesmas, não dão recomendações nem preditivas nem prescritivas. É aí que entra a análise preditiva.

Os conceitos, técnicas e ferramentas que os grandes distribuidores usam podem ser aplicados com êxito a operações e dados em distribuidores de médio porte. Vamos mostrar onde é possível aproveitar os dados no seu aplicativo de ERP usando análise preditiva. Em seguida, é possível explorar ferramentas para realizar e implementar análise preditiva e Big Data e ver como você pode usar as ferramentas e conceitos de Big Data em dados não estruturados ou semiestruturados.


Exemplos de análise preditiva na distribuição

Procuras rápidas na Internet com termos relevantes rendem muitos exemplos de aplicação da análise preditiva em diversos departamentos funcionais. Estes são alguns dos meus favoritos.

Compra

Uma das aplicações da análise preditiva utilizada há muito tempo é a otimização de compras. Frequentemente, os distribuidores de porte médio instalaram sistemas que observam o inventário e histórico de pedidos de produtos individuais para recomendar quantidades e planejamentos de compra. O resultado final é a redução dos níveis de inventário.

Muitas vezes, a sazonalidade é um componente oculto na estocagem excessiva. A analítica preditiva detecta tendências de sazonalidade. O mais impressionante é que alguns distribuidores usam a análise preditiva para identificar a sazonalidade sequencial. Por exemplo, um distribuidor de enfeites natalinos pode detectar, por meio do processo de analítica preditiva, que a venda de árvores de Natal artificiais e pisca-piscas apresentam as mesmas tendências, mas a progressão e os picos têm cinco dias de diferença.

Finanças

Lidar com o crédito dos clientes sempre é complicado. Quando a sua empresa cria um histórico, é possível aplicar a análise preditiva aos seus arquivos de CRM e contas a receber (AR) para monitorar clientes individualmente e em grupo. Geralmente, quando o cliente é novo, o crédito é estendido com base em um relatório sobre ele, emitido por uma agência externa. Raramente os relatórios são examinados antes que ocorra algum problema com o AR do cliente em dias pendentes ou com o crédito total estendido. Os modelos de análise preditiva podem examinar o histórico dos clientes que apresentam problemas e procurar sinais de alerta. Alguns distribuidores combinaram os arquivos de AR e CRM em um modelo preditivo e detectaram que o aumento do atraso dos clientes no retorno das ligações é um sinal de alerta importante.

Marketing

A divisão de clientes em grupos é algo natural que a maioria das organizações fazem para planejar e estabelecer metas. Embora seja fácil adotar uma segmentação heurística, a aplicação de técnicas de análise preditiva pode gerar um sistema de segmentação com um melhor ajuste fino. Em seguida, o modelo de segmentação é aplicado a possíveis e novos clientes. Os usos específicos envolvem obter os padrões de compra dos novos clientes para que eles correspondam mais rapidamente os padrões dos clientes bons e antigos do mesmo segmento.

O gerenciamento do ciclo de vida dos clientes é outra forma ótima de utilizar o modelo de segmentação de clientes. O conhecimento da progressão dos clientes por diversos estágios da condição de cliente ajudará a sua empresa a criar programas e incentivos para ajudar a manter esses clientes.

Vendas

Alguns dos conceitos do uso da análise preditiva no marketing também vão diretamente para o departamento de vendas. O conhecimento do ciclo de vida de um cliente ajuda o vendedor a identificar os locais onde o distribuidor pode estar perdendo negócios lentamente.

os departamentos de vendas têm vários outros usos para a análise preditiva. O meu favorito é o modelo de venda cruzada — um sistema automatizado ou semiautomatizado que apresenta produtos cuja compra por parte do cliente é provável, mas que ele ainda não comprou. O acréscimo de linhas as pedidos é uma das melhores formas para os distribuidores aumentarem as margens de forma bastante direta. A verdadeira análise preditiva é mais do que simplesmente exibir os principais produtos de um departamento para a venda cruzada. Muitas vezes, os clientes já acabariam comprando esses produtos. Os melhores modelos de venda cruzada atuam quase como assistentes pessoais de compras ao recomendar produtos que têm uma associação positiva, mas não óbvia.

O modelo de venda cruzada também é útil para transformar clientes de valor baixo em clientes de maior valor. Pense nisso como algo que permite ao vendedor aumentar o pedido do cliente, um item de cada vez. Esse método é sutil e efetivo.


Ferramentas e soluções de software da IBM

Como já foi mencionado, há muitas ferramentas que podem fazer, total ou parcialmente, tudo o que precisa ser feito. Há centenas de produtos disponíveis — antigos, novos, comerciais e de software livre. Se você está procurando uma ferramenta baseada na IBM, há uma clara progressão para passar do teste para a produção e o Big Data como a principal (atual) aplicação da mineração de dados de negócios.

O IBM® SPSS® Statistics é o pacote base necessário para começar na análise preditiva. Muitos cursos (talvez você se lembre do seu curso de estatística na faculdade) estão disponíveis para guiar você nos processos de analisar dados. Conforme você progride, inclui outros módulos no SPSS. A intenção de usar o SPSS Statistics é obter um conhecimento básico de estatística e ter a capacidade de aplicar esse conhecimento aos seus dados. Posso garantir que, embora esse seja o primeiro passo, você e a sua empresa obterão muito valor com o insight de padrões e tendências que você descobre.

Depois de demonstrar dentro da sua empresa a utilidade do uso de análise estatística para obter insight, você verá o retorno sobre investimento (ROI) absoluto e convencerá facilmente a gerência a passar para o próximo nível. O próximo nível é o IBM SPSS Modeler. É nesse ponto que você tem condições de aplicar a análise preditiva aos seus dados em um ambiente de produção.

Há duas versões do SPSS Modeler que se aplicam aos dados estruturados: Professional e Server. Como uma empresa de porte médio, é quase certeza que você irá começar com o Professional e, em seguida, passar para o Server à medida que implementa os modelos preditivos em tarefas de processamento automatizado. (Consulte Recursos para obter mais informações.)

Ao longo do caminho, você também verá os benefícios de um armazém de dados. Os dados inválidos são o fator que mais pode contribuir para desacelerar a análise preditiva (ou levar a modelos errôneos). A utilização de uma origem de dados purificada (ou seja, um armazém de dados ou datamart) elimina uma grande etapa de um projeto de mineração de dados. A IBM ajuda nessa questão fornecendo uma família de pacotes de armazém de dados, tudo dentro da linha de produtos IBM InfoSphere® . Há vários pacotes de warehouse que podem ser utilizados, dependendo da área da empresa que você trabalha. Confira os pacotes do InfoSphere Warehouse para insight sobre o cliente, mercado, campanha e cadeia de fornecimento.

Na progressão acima, você joga com os Fortune 500 da análise preditiva. Continue lendo para conhecer uma visão do futuro.


Big data

Big data designa a análise de dados estruturados ou semiestruturados. Na discussão geral, o termo frequentemente designa a analítica de texto — inclusive a análise do Twitter, Facebook e outros sites de mídia social para coletar informações. Esse tipo de dados não se enquadra no modelo tradicional de dados de transações e, portanto, é indiferente para o trabalho.

Os dados não estruturados também podem tomar outras formas para o distribuidor. Pense nas etiquetas de identificação de radiofrequência nos produtos e seus registros de movimentação no armazém, em torno do armazém e para o cliente. Se a sua empresa administra a frota de entrega, os sensores dos caminhões podem ser outra fonte de informações importantes para ajudar a otimizar o processo de entrega.

A análise dessa massa de dados não estruturados é a área do Big Data.

A IBM fornece um caminho claro para o Big Data. A linha de produtos BigInsights faz parte da família de produtos InfoSphere. Essa linha é formada por vários produtos de software livre, como Apache Hadoop para armazenamento de dados e várias linguagens administrativas e de consulta projetadas para trabalhar com grandes quantidades de dados não estruturados.

É possível iniciar gratuitamente fazendo o download e instalando o IBM InfoSphere BigInsights Basic Edition (consulte Recursos). Conforme você progride em relação à quantidade de dados e o tipo de análise que você quer, é necessário fazer algumas escolhas.

A próxima etapa em relação ao software é o IBM InfoSphere BigInsights Enterprise Edition. Aqui, é possível usar todo o poder das ferramentas incluídas para extrair insight. A sua escolha se refere ao local de implementação.

Deliberadamente, as tecnologias subjacentes no BigInsights se destinam a ser executadas em hardware comercial (com algumas exceções referentes a alguns nós de controle). Nem todos dispõem de hardware sobrando, portanto, a IBM também pode hospedar o BigInsights na Nuvem IBM. É possível configurar a quantidade de nós de armazenamento e processamento que você quer e pagar somente o processamento utilizado por hora.


Conclusão

A análise preditiva fará a diferença na sua organização de distribuição. Examinando as histórias de sucesso, você vê benefícios em quase todos os departamentos. Muitas vezes, a aplicação da análise preditiva leva a milhares ou milhões de melhorias pequenas e incrementais. Isoladamente, cada melhoria é quase imperceptível mas, quando são multiplicadas por milhares de clientes ou milhões de transações, o resultado final para a empresa é bastante significativo.

É difícil acreditar que no futuro haverá menos dados ou menos análise na sua empresa. Obter as qualificações e o conhecimento agora é a melhor forma de permanecer relevante na sua organização. Iniciar a análise preditiva agora significa que você liderará na sua empresa mas pode se basear na experiência de pessoas fora da sua organização.

Recursos

Aprender

  • Software SPSS: saiba mais sobre o portfólio de produtos SPSS.
  • SPSS Modeler: explore as diferenças entre as edições Modeler Professional e Server.
  • IBM InfoSphere Warehouse: saiba mais sobre esse produto que oferece uma ampla variedade de produtos para praticamente qualquer necessidade de data warehousing.
  • Pacotes do InfoSphere Warehouse: confira esses warehouses pré-desenvolvidos para a analítica de negócios avançada.
  • Prevendo o Futuro (Alex Guazzelli, developerWorks, 2012): confira essa série com quatro partes para saber mais sobre aspectos importantes da análise preditiva.
  • Segmentos de mercado no developerWorks: Obtenha todos os recursos técnicos específicos do segmento de negócio mais recentes para desenvolvedores.
  • DeveloperWorks no Twitter: entre hoje para seguir os tweets do developerWorks.
  • Podcasts do developerWorks: Ouça entrevistas e discussões interessantes para desenvolvedores de software.
  • Demos on demand do developerWorks: Acompanhe demos que abrangem desde a instalação de produto e configuração para iniciantes até funcionalidade avançada para desenvolvedores experientes.

Obter produtos e tecnologias

Discutir

Comentários

developerWorks: Conecte-se

Los campos obligatorios están marcados con un asterisco (*).


Precisa de um ID IBM?
Esqueceu seu ID IBM?


Esqueceu sua senha?
Alterar sua senha

Ao clicar em Enviar, você concorda com os termos e condições do developerWorks.

 


A primeira vez que você entrar no developerWorks, um perfil é criado para você. Informações no seu perfil (seu nome, país / região, e nome da empresa) é apresentado ao público e vai acompanhar qualquer conteúdo que você postar, a menos que você opte por esconder o nome da empresa. Você pode atualizar sua conta IBM a qualquer momento.

Todas as informações enviadas são seguras.

Elija su nombre para mostrar



Ao se conectar ao developerWorks pela primeira vez, é criado um perfil para você e é necessário selecionar um nome de exibição. O nome de exibição acompanhará o conteúdo que você postar no developerWorks.

Escolha um nome de exibição de 3 - 31 caracteres. Seu nome de exibição deve ser exclusivo na comunidade do developerWorks e não deve ser o seu endereço de email por motivo de privacidade.

Los campos obligatorios están marcados con un asterisco (*).

(Escolha um nome de exibição de 3 - 31 caracteres.)

Ao clicar em Enviar, você concorda com os termos e condições do developerWorks.

 


Todas as informações enviadas são seguras.


static.content.url=http://www.ibm.com/developerworks/js/artrating/
SITE_ID=80
Zone=Segmentos de mercado
ArticleID=829649
ArticleTitle=Onde Iniciar a Mineração de Dados na Distribuição no Atacado
publish-date=08312012