Como saber que um cliente vai cancelar a assinatura de um serviço antes dele mesmo? Por que a aposentadoria precoce reduz a expectativa de vida? Por que os vegetarianos perdem menos voos? Como a Target descobre que uma mulher está grávida? Como a Hewlett-Packard deduz que um funcionário está prestes a pedir demissão? Como, enfim, prever o comportamento do consumidor?
As respostas a perguntas como essas estão longe do campo da adivinhação: moram na ciência de dados. A forma como as empresas captam, mineram e usam esses dados permite que elas tomem decisões melhores, determinando que consumidor deve ser abordado, de que forma e quando.
“[A análise preditiva] direciona anúncios, otimiza a cadeia de suprimentos e oferece suporte a decisões sobre produtos e vitrines – em quais SKUs focar e onde construir o próximo ponto de venda”, explica Eric Siegel, um dos maiores especialistas no assunto e autor do livro “Análise Preditiva: O poder de prever quem vai clicar, comprar, mentir ou morrer”.
Siegel será um dos destaques do Latam Retail Show 2021, maior evento de consumo e varejo B2B do Brasil, que será realizado entre os dias 14 e 16 de setembro (clique aqui para mais informações). Em entrevista à Mercado&Consumo, ele explicou como a ciência de dados ajuda as empresas a compreender o comportamento do consumidor e falou sobre como as mudanças no consumo decorrentes da pandemia de Covid-19 intensificaram a necessidade de análises preditivas.
Mercado&Consumo: Que valor a análise preditiva oferece às empresas de varejo quando se fala em prever o comportamento do consumidor?
Eric Siegel: A análise preditiva, que é outra palavra para machine learning (quando aplicada a negócios), gera uma pontuação preditiva para cada indivíduo – como cada cliente, usuário, transação, etc. O valor vem em como essa função é aplicada. Em marketing, é um meio de direcionar, seja para adquirir novos clientes, seja para reter clientes existentes. Por exemplo, visando aqueles que estão em maior risco de cancelamento, a fim de fornecer-lhes uma oferta de retenção.
Além do marketing, a pontuação preditiva se aplica amplamente a empresas de varejo e a todos os setores. É o meio de detectar e filtrar transações fraudulentas. Ela direciona anúncios, otimiza a cadeia de suprimentos e oferece suporte a decisões sobre produtos e vitrines – em quais SKUs focar e onde construir o próximo ponto de venda.
M&C: Que tipo de transformação – e evolução – a ciência de dados teve durante a pandemia de Covid-19?
ES: Ciência de dados é uma expressão ampla que pode muito bem se referir a qualquer esforço para usar dados para valor de negócios, então irei abordar a questão conforme ela se aplica a análises preditivas e machine learning, uma vez que são bem definidos. As mudanças intensas no comportamento do consumidor decorrentes da pandemia intensificam a necessidade de análises preditivas. A forma de gerar pontuações preditivas é pelo aprendizado com os dados. Cada vez que você cria um novo modelo preditivo, está usando dados mais recentes, portanto, está “aprendendo” com o histórico mais recente. Portanto, dada a maneira como a pandemia pode criar um “novo mundo” em qualquer semana, a capacidade de atualizar o comportamento dos negócios para se adaptar rapidamente ao “novo normal” é muito mais importante.
M&C: Quais são os maiores desafios na adoção da análise preditiva?
ES: O grande desafio é organizacional, não técnico. É o requisito frequentemente esquecido de uma prática de liderança muito particular para garantir que a análise de números realmente gere valor de negócios, o que só acontece se o modelo preditivo for realmente implantado. Essa implantação significa que as previsões por indivíduo são incorporadas às operações de negócios existentes para que essas operações sejam alteradas e aprimoradas levando-se em consideração as pontuações. Esse resultado final muitas vezes não é alcançado e, portanto, todo o projeto de machine learning é um fracasso do ponto de vista do negócio. Para resolver isso, esse plano de implantação deve ser compreendido e acordado em toda a organização. Essa meta organizacional só é alcançada seguindo um processo de liderança de machine learning muito específico.
M&C: Quais são as tendências atuais em análises e com que rapidez elas mudam?
O método de machine learning mais eficiente atualmente é o deep learning. É muito avançado e poderoso. No entanto, para a aplicação nos negócios, geralmente é um exagero. Muitas vezes, não vale a pena o aumento da complexidade, pois pode representar um ganho muito pequeno na melhoria preditiva. Em geral, melhorar a quantidade e a qualidade dos dados compensa muito mais do que aumentar a complexidade do método de modelagem.
M&C: Que desafios você vê para os profissionais da área de análise de dados?
ES: De longe, o maior desafio – o problema que mais frequentemente mata um projeto de análise preditiva – é o dilema organizacional que mencionei acima, a falta de um caminho pré-estabelecido para uma implantação bem-sucedida. O motivo pelo qual essa prática de liderança específica deve ser adotada é que o foco da maioria das pessoas está muito na tecnologia central “empolgante”, em vez de em como ela realmente exigirá grandes mudanças nas operações de grande escala existentes. As necessidades de gerenciamento de mudanças são subestimadas. Certifique-se de planejar exatamente como o valor será gerado ativamente com o machine learning. A análise principal e a análise de números não são independentes – não podem ser conduzidas no vácuo. É apenas um componente de um projeto de toda a organização.
Imagens: Envato e Divulgação
