Integre a Analítica Preditiva de Segmentação do Cliente em Aplicativos de Negócios

Métodos para uso de negócios

A segmentação do cliente é um excelente primeiro passo para equipes técnicas iniciando a participação na analítica preditiva. Usando software de prateleira e bancos de dados transacionais existentes, as empresas podem gerar rapidamente modelos de segmentação que formam a base para otimizar vendas e processos de marketing, bem como para outras análises preditivas. Porém, integrar os resultados estatísticos nos processos de negócios pode ser uma tarefa difícil. Este artigo fornece orientação e um procedimento gradual para implementar um modelo de segmentação para os usuários de negócios.

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.



17/Set/2012

A analítica preditiva e sua estatística de apoio são usadas nas ciências e no meio acadêmico há décadas. Aprofundando-nos ligeiramente, também é possível encontrar processos analíticos semelhantes em economia. Até recentemente, o uso comercial da analítica preditiva estava limitado a testes farmacêuticos (pesquisa científica) e a projetos de marketing para grandes empresas.

Com a introdução de software de processamento mais rápidos e fáceis de usar, o uso comercial da analítica preditiva está em expansão em departamentos além dos tradicionais. Grandes aumentos nos volumes de dados de sistemas de transações de dados estruturados e não estruturados significam que a necessidade de mineração de dados e analítica preditiva está aumentando significativamente.

A segmentação do cliente é uma área da analítica preditiva útil para qualquer organização. Conhecer quem são seus clientes, obviamente, é importante. Os sistemas de gerenciamento de relacionamento com o cliente (CRM) realizam as tarefas de monitorar atividades, coordenar recursos e manter, de um modo geral, sua organização no caminho certo com os processos de vendas. O âmbito da analítica preditiva é ir além do rastreamento e de transações para obter insight. À medida que o processamento e o software avançam, a analítica preditiva está, cada vez mais, se deslocando em direção a atividades mais relacionadas a CRM. Basicamente, segmentar e agrupar clientes semelhantes possibilita diversos outros processos analíticos. Alguns processos mais avançados irão funcionar de maneira eficiente até que você divida logicamente seus clientes em agrupamentos coerentes. (Alguns desses processos mais avançados podem incluir prever as taxas de novos pedidos, a sazonalidade por tipo de cliente, o gerenciamento do ciclo de vida do cliente, o marketing segmentado e as iniciativas de venda cruzada ou adicional.)

Há alguns anos, a ideia de uma empresa usar milhões de transações em seus arquivos históricos e dezenas de características de clientes para criar previsões estatisticamente baseadas sobre negócios futuros estava limitada a empresas de grande porte. Atualmente, as mudanças no panorama tecnológico trouxeram os processos analíticos preditivos a um nível de preço que possibilita que empresas de pequeno e médio porte analisem seus dados e implementem modelos preditivos. No futuro, à medida que mais dados não estruturados entram nos negócios, os conceitos de Big Data serão abordados em empresas de pequeno e médio porte da mesma maneira que tem ocorrido em empresas de grande porte atualmente.

A analítica preditiva é informação acionável

A analítica preditiva é o uso de análise estatística sobre dados. O resultado é um insight sobre o conjunto de dados, além de previsões ou orientação sobre atividades futuras. De maneira realista, são estatísticas além da estatística com a qual a maioria das pessoas está familiarizada: a média. A parte prática, por assim dizer, é de que maneira implementar o insight obtido (estatística descritiva) de modo que seja compreensível para um executivo comum e acionável nos processos de negócios.


A analítica preditiva não é geração de relatórios

A geração de relatórios sobre dados históricos pode ter diversas formas e fornecer a base para fazer inferências sobre atividades futuras. Entretanto, mostre o mesmo relatório para outras pessoas e será possível obter diferentes interpretações. A analítica preditiva elimina o fator da intuição humana —ou, pelo menos, fornece uma base sólida para que o vendedor ou profissional de marketing tome uma decisão mais bem informada sobre os eventos futuros.

Isso dito, a resposta não é mais educação nem mais experiência. Parece óbvio, mas os volumes de dados estão aumentando, e não há sinal de que menos dados serão coletados no futuro. Os analistas terão o problema semelhante, e em constante crescimento, de acompanhar os volumes de dados e o aumento na variedade dos dados sendo recebidos. Por isso a necessidade de aplicar processos analíticos automatizados.


Clusters de cliente: o principal item da segmentação

Como em qualquer processo de analítica preditiva, diversas metodologias e algoritmos estão disponíveis para a segmentação dos clientes. Algumas das categorias mais comuns incluem máquinas de vetor de suporte, algoritmos de armazenamento em clusters de diversos tipos e redes neurais. Há vários outros lugares para descobrir qual técnica é melhor em diferentes situações, e muitos profissionais têm suas próprias preferências. O objetivo deste artigo não é julgar os méritos matemáticos das técnicas, mas guiá-lo sobre como integrar os resultados dos processos de modelagem de segmentação em aplicativos de linha de negócios (LOB).

O IBM ® SPSS® Statistics inclui diversas entre as técnicas estatísticas mencionadas acima disponíveis. A Figura 1 mostra algumas das opções disponíveis, integradas no SPSS Statistics como comandos de menu.

Figura 1. O submenu de classificação padrão no SPSS Statistics
O submenu de classificação padrão no SPSS Statistics

A Figura 2 mostra que o SPSS Statistics organizou alguns dos processos em um menu especial, que inclui a segmentação do cliente como uma opção de clique rápido.

Figura 2. O menu pop-up para a opção Direct Marketing
O menu pop-up para a opção Direct Marketing

As saídas desses processos analíticos são variadas. Todas geram tabelas que fornecem a definição de cada cluster, e essas tabelas apresentam valores médios usando todas as variáveis de entrada relevantes. As tabelas apresentam a faixa de valores para cada variável e cada cluster —informações essenciais para integrar programaticamente os modelos de armazenamento em cluster em aplicativos LOB. Entretanto, sozinhos, as tabelas e os números são de difícil interpretação por parte da equipe técnica. São praticamente ininteligíveis para um executivo comum.

Felizmente, a maioria das saídas de modelo também inclui gráficos, enquanto outras exibem uma árvore de decisão. Eu ressalto ambos os tipos de saída gráfica, pois formam a base para entender o que o modelo está dizendo.

Armazenar os gráficos em cluster mostra o agrupamento de clientes. Obviamente, há um limite no número de variáveis que podem ser colocadas em um único gráfico. Frequentemente, é necessário visualizar diversos gráficos usando diferentes combinações de variáveis para obter um bom entendimento da maneira como os clientes estão sendo divididos.

A maioria dos algoritmos normaliza as variáveis para cluster. Se você não estiver familiarizado com o conceito de normalização de variáveis, a Wikipédia oferece mais informações (consulte Recursos). Tenha essas informações em mente ao interpretar os gráficos e, em especial, ao explicar os modelos para executivos.

A outra saída gráfica mencionada é a árvore de decisão— um gráfico de lógica usado para passar do geral ao específico usando testes em cada ponto de ramificação, para, por fim, chegar a um nó final. Nesse caso, o nó final é a associação a um segmento específico.


Usos de negócios dos modelos de segmentação

É provável que seus executivos tenham algum tipo de modelo de segmentação. Pode, inclusive, haver vários. É natural que as pessoas tentem agrupar as "coisas" em categorias, uma vez que fazer isso facilita interpretações futuras.

O problema para a maioria das empresas é que há provavelmente vários modelos de segmentação em operação. Cada um é aplicado por departamentos diferentes e pessoas diferentes dentro dos departamentos, e cada um é usado de maneira diferente agora e ao longo do tempo. Isso gera uma grande confusão.

Ao conduzir um projeto de modelagem de segmentação, é possível obter concordância em toda a organização. Será possível evitar conflito entre os departamentos e codificar um único modelo de segmentação que possua uma base sólida. Em minha experiência, os dois principais departamentos na maioria das organizações comerciais usa segmentação do cliente: marketing e vendas.

Marketing

A maioria dos profissionais de marketing gosta de agrupar clientes. A própria palavra marketing implica que há um mercado ou grupo de clientes em potencial. Entretanto, há um antigo ditado: "metade de todo dinheiro gasto em marketing é desperdiçado. Infelizmente, ninguém sabe qual metade". A segmentação mais eficaz reduz os custos de marketing ao mesmo tempo que aumenta o impacto. Possuir um modelo de segmentação consistente é um bom passo para reduzir o desperdício.

Um modelo de segmentação de cliente funciona para o marketing de diversas maneiras. Entre os usos genéricos, estão: focar em uma campanha em clientes com maior probabilidade de resposta, não segmentar clientes com campanhas irrelevantes, projetar produtos para segmentos específicos e entrar em novos mercados. Aqui, o objetivo é reduzir os gastos, obter mais pedidos pelo dinheiro gasto e não desperdiçar dinheiro em palpites.

Vendas

Os departamentos de vendas também usam modelos de segmentação. O uso pode ser mais informal e disperso entre vendedores individuais, mas os efeitos são surpreendentes.

Um bom modelo de segmentação ajuda os vendedores a realizar a venda cruzada de produtos. O histórico de pedidos dos clientes no mesmo segmento pode ser usado para realizar a venda cruzada para clientes semelhantes. Afinal, clientes semelhantes representam uma chance maior de realizar o pedido de produtos semelhantes.

Alguns modelos de segmentação dividem o ciclo de vida de um cliente. Os vendedores são capazes de detectar sinais que indicam que os clientes irão parar de realizar compras, e os processos de vendas devem ser projetados para reter os clientes por mais tempo e preservar os relacionamentos. Da mesma maneira, os padrões de pedidos de novos clientes podem ser simulados para um prazo mais longo de maneira mais rápida.


Interagir com o modelo de segmentação

Após o desenvolvimento do modelo de segmentação, há diversos níveis de interação com pessoas e processos.

O nível de apresentação

Mesmo com a melhor matemática de modelagem e uma preparação de dados excepcionalmente boa, é necessário "convencer" seus usuários de negócios sobre o modelo. Para isso, é necessário apresentar os processos de modelagem e os resultados finais em uma reunião.

Anteriormente, foi mencionado que o SPSS Statistics apresenta gráficos e quadros dos modelos de segmentação: eles são necessários. Na verdade, é provável que diversos tenham que ser usados, e eles deverão ser simples. Inclua um diagrama de árvore ou, pelo menos, um exemplo de uma ramificação de uma árvore maior. Esses gráficos irão auxiliar na comunicação do modelo.

Porém, não menospreze as informações de backup. Alguns executivos irão se lembrar das estatísticas. Eles desejarão visualizar a metodologia usada para criar o modelo de segmentação. Podem não entender tudo, mas necessitam de evidências. (Em uma aplicação real, haveria um comitê para orientá-lo, incluindo os principais executivos. No entanto, será necessário convencer o restante das pessoas sobre a qualidade do modelo antes de adaptar os processos de negócio aos resultados.)

Nesse nível, o SPSS Statistics pode ajudá-lo, e diversas opções de documentação estão disponíveis para fornecer a comprovação à qual os usuários buscam. Também é necessário incluir uma seção abrangendo a matemática usada. É possível que ninguém o questione com relação a isso, mas é interessante incluir, para conduzir as perguntas com as informações fornecidas.

O nível da planilha

Em uma planilha, demonstre o funcionamento do seu modelo durante o processo de adoção. Antes que executivos se sintam confortáveis com os modelos de segmentação e suas previsões, o modelo deverá ser implementado em uma planilha.

Às vezes, empresas de grande porte podem ignorar essa etapa, pois é necessário que a equipe de LOB siga os procedimentos completamente, e na ordem correta, por padrão. Essa é a natureza da burocracia de grandes empresas. Porém, considero útil implementar uma interface de planilha no modelo, para aprimorar seu próprio nível de tranquilidade e o nível de tranquilidade dos executivos. Em empresas de médio porte, serão necessários modelos de planilha para fornecer essa mesma tranquilidade aos executivos em suas planilhas familiares, antes de implementar aplicativos de planejamento de recursos empresariais (ERP) e CRM.

A maneira mais fácil de executar essa etapa é começar com uma planilha de clientes atuais ou em potencial. Cada cliente atual ou em potencial representa uma linha, e os valores nas colunas são as características que o modelo precisa classificar. O SPSS Statistics pontua cada cliente em potencial em uma planilha com relação ao modelo, retornando uma associação de segmento para cada cliente em potencial.

O nível de integração de ERP e CRM

O principal objetivo da implementação de qualquer sistema preditivo é integrá-lo aos processos de negócios. Para a maioria das empresas, isso significa incluir o insight e as previsões específicas nos aplicativos de ERP e CRM.

Os modelos de segmentação de cliente que passaram pelos dois níveis anteriores de avaliação estão prontos para a integração. Eles possuem a aceitação dos executivos e foram validados por planilhas. Os modelos podem, em seguida, ser integrados programaticamente nas telas de informações do cliente, telas de entrada de pedidos e sistemas CRM, além de serem usados para criar recomendações de vendas cruzadas, entre outros.

Dependendo da maneira como o modelo será usado, há diversas maneiras de interação entre os aplicativos e o modelo de segmentação. Em primeiro lugar, o modelo pode ser consultado diretamente. Se o modelo tiver sido abordado usando o conceito de árvore de decisão, será possível criar consultas complexas, mas rápidas, que tenham os critérios para associação de segmentação na consulta. Apenas imagine uma única consulta que procura um cliente atual ou em potencial, usa alguns campos no banco de dados para esse cliente atual ou em potencial e, em seguida, realiza uma grande instrução IF para informar em que segmento ou cluster o cliente se enquadra.

Outra maneira seria consultar com relação ao modelo, como foi feito acima, no nível de planilha. O IBM SPSS Modeler fornece suporte a consultas ativas com relação ao modelo existente. Envie os valores relevantes do banco de dados para um cliente atual ou em potencial ao SPSS Modeler e ele irá retornar uma classificação.

Uma terceira maneira seria classificar todos os clientes atuais e em potencial em processos em lote e, em seguida, formar uma coluna com esses resultados em um arquivo de dados do cliente no aplicativo ERP ou CRM. Isso pode parecer um método menos eficaz, afinal, não é em tempo real e não envolve consultas e programas a serem integrados. Na verdade, indivíduos que não estão familiarizados com a consulta de modelos preditivos podem usar o arquivo de dados para outros fins. As classes de segmentação tornam-se apenas outro campo no banco de dados que podem ser acessadas e consultadas para outros fins, incentivando a experimentação e o uso adicional.

Pelo lado negativo, há atraso. A associação de segmentação pode mudar antes que seja possível atualizar o arquivo de banco de dados. Novos clientes em potencial precisam ser pontuados por você ou outra pessoa com acesso ao SPSS Statistics. Porém, se você escolher integrar o modelo de segmentação, terá incluído a analítica preditiva com êxito nas operações da sua empresa.


As ferramentas da IBM conduzem ao resultado

Já mencionei o SPSS Statistics, que é o ponto de partida para análise. Usar essa ferramenta requer revisar seu material sobre estatística da faculdade. A segmentação é, felizmente, uma área da estatística bastante simples de dominar.

Ao passar para a produção usando alguns dos níveis de integração discutidos na seção anterior, será necessário possuir o SPSS Modeler executando em um servidor, para poder realizar consultas com relação ao seu modelo de segmentação. O SPSS Modeler é o principal produto para a classificação em tempo real de clientes atuais e novos em potencial. É o aplicativo de servidor que responde à entrada variável e, em seguida, retorna uma classificação em tempo real. (Consulte os Recursos.)


Big data no futuro

Atualmente, a maioria das empresas (especialmente organizações de pequeno e médio porte) não coleta diversos dados que se enquadrem na categoria de Big data, exceto organizações de marketing rastreando a navegação em websites. No entanto, isso vem mudando rapidamente. Estão sendo criados novos elementos de dados que certamente se enquadram em Big data.

No futuro, pode ser possível que os varejistas rastreiem os clientes individuais pelas lojas. Os fabricantes talvez possam rastrear o uso dos produtos pelos clientes. Esses e outros tipos de dados chegam ao datacenter como dados desestruturados ou semidesestruturados, e há muito a ser analisado manualmente. Essas características certamente se assemelham a Big data.

Apresento o conceito de Big data para não intimidá-lo: é possível testar o Big data usando o IBM InfoSphere® BigInsights™. Usar o InfoSphere BigInsights Basic Edition, seja como um download gratuito ou com o IBM SmartCloud™ , é uma ótima maneira de explorar Big data usando elementos de dados atuais e integrando adições de dados futuras.

Isso pode ser considerado um sinal: as habilidades e técnicas que aprendidas atualmente em analítica preditiva têm um lugar em um futuro de Big data.


Conclusão

A maioria dos negócios precisa segmentar seus clientes para obter um entendimento uniforme em vários departamentos diferentes. Há diversas histórias de sucesso em varejo, distribuição, saúde, governo e todos os tipos de empresas que realizam transações pela Internet. Para causar um impacto sobre os processos de negócios, a segmentação deve ser incluída nos processos de negócios de modo que os usuários de negócios possam agir com base nessas informações.

A análise de segmentação do cliente envolve estatísticas comumente compreendidas e é facilmente discutida com os executivos. É um importante primeiro passo no domínio da analítica preditiva.

Recursos

Aprender

Obter produtos e tecnologias

  • InfoSphere BigInsights Basic Edition é um download integrado, testado e pré-configurado gratuito para qualquer um que deseje testar o Hadoop. Também é possível usar esse produto na nuvem.
  • Avalie mais produtos IBM da maneira que for melhor para você: faça download da versão de teste de um produto, avalie um produto online, use-o em um ambiente de nuvem ou passe algumas horas no SOA Sandbox aprendendo a implementar Arquitetura Orientada a Serviços de forma eficiente.

Discutir

  • Participe da Comunidade do developerWorks. Entre em contato com outros usuários do developerWorks e explore os blogs, fóruns, grupos e wikis voltados para desenvolvedores.

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, Information Management
ArticleID=834677
ArticleTitle=Integre a Analítica Preditiva de Segmentação do Cliente em Aplicativos de Negócios
publish-date=09172012