Encontrando agulhas no palheiro. Por Roberto Carlos Mayer

Tamanho: px

Começar a partir da página:

Download "Encontrando agulhas no palheiro. Por Roberto Carlos Mayer"

Ana do Carmo Meneses Fonseca
8 Há anos
Visualizações:

1 Encontrando agulhas no palheiro Por Roberto Carlos Mayer

2 Roberto Carlos Mayer Fundador e Diretor da MBI (desde 1990) Mestre em Ciência da Computação (IME USP) e exprofessor da Universidade de São Paulo de 1988 a anos de experiência em informática Membro de diversos Conselhos de Eventos e Publicações de TI Colunista da revista Information Week (IT Midia) de 1999 a 2008 Presidente da Assespro São Paulo (desde 2007); Diretor-Secretário de 2003 a 2006

Membro de diversos Conselhos de Eventos e Publicações de TI Colunista da revista Information Week

3 Objetivos Introdução à amostragem Como usar técnicas de pesquisa de mercado de forma inovadora Para encontrar seus clientes mais rapidamente e a menor custo! Ilustrado com exemplos reais

4 Introdução à amostragem

5 Amostragem aleatória Universo = conjunto de interesse Amostra = pedaço sendo estudado Margem de erro = precisão Tamanho da população Margem de Erro Desejada 1% 2% 3% 4% 5% 10% < > Fonte: H. Arkin e R. Colton, Tables for Statisticians (Editora Barnes and Noble) Tutorial completo em MBI/ biblioteca/ tutoriais/ amostragem

000 1.765 938 574 375 98 7.000 1.842 949 579 378 99 8.000 1.905 976 584 381 99 9.000 1.957 989 592 383 99 10.000 5.000 2.000 1.000 600 383 99 15.000 6.000 2.143 1.034 606 390 99 20.000 6.667 2.222 1.

6 Pesquisas de Monitoramento de Mercado

7 O que é? Conhecer e acompanhar o mercado alvo de cada produto da sua empresa de forma continuada Manter o mesmo nível de investimento em inteligência competitiva usado tradicionalmente Ser capaz de antecipar as decisões estratégicas a respeito do mercado Gerar conteúdo de valor para a comunicação com o mercado

continuada Manter o mesmo nível de investimento em inteligência competitiva

8 Exemplo: Como funciona? Amostra de 400 entrevistas Ciclo de 8 meses

9 Pesquisas de Pré-Qualificação de Clientes

10 O Ciclo de Vendas Tradicional I Suspeição Sempre! II III Sem retorno Qualificação Validação Retorno da pessoa certa IV V VI Sem Chance Rejeitada Proposição Execução Cancelamento Conclusão RFP Proposta aceita Delivery/Faturamento Pós-venda: sair em busca de novas oportunidades

V VI Sem Chance Rejeitada Proposição Execução Cancelamento Conclusão

11 Já pensou nisto? Qual o custo de cada venda? Quanto tempo leva? De onde vem os suspects? Quantos suspects NUNCA aparecem no radar? I II III Sem retorno Suspeição Qualificação Validação Sempre! Retorno da pessoa certa IV V VI Sem Chance Rejeitada Proposição Execução Cancelamento Conclusão RFP Proposta aceita Delivery/Faturamento Pós-venda: sair em busca de novas oportunidades

I II III Sem retorno Suspeição Qualificação Validação Sempre!

12 Ciclo de Vendas baseado em Pesquisa de Mercado Fase Inicial = Pesquisa Aumento da base = ataque completo ao mercado potencial Custos menores Leads pré-qualificados Bye, bye, statistics!! I II III IV V VI Sem retorno Sem Chance Rejeitada Cancelamento Suspeição Sempre! Qualificação Validação Proposição Execução Retorno da pessoa certa RFP Proposta aceita Delivery/Faturamento Conclusão Pós-venda: sair em busca de novas oportunidades

! I II III IV V VI Sem retorno Sem Chance Rejeitada Cancelamento Suspeição Sempre!

13 Campinas 25 Americana 2 Hortolândia 6 Amparo 1 Pirassununga 6 Araras 1 Itapira 5 Cosmópolis 1 Rio Claro 3 Descalvado 1 Leme 3 Louveira 1 Paulínia 3 Mogi Guaçu 1 Sumaré 3 Santa Cruz das Palmeiras 1 Valinhos 2 Santa Rita do Passa Quatro 1 Mogi Mirim 2 Santo Antônio de Posse 1 Limeira 2 São João da Boa Vista 1 Jaguariúna 2 São Pedro 1 Indaiatuba 2 Piracicaba 1 Exemplo I Comercialização de software de ERP Numa região geograficamente limitada (DDD 19) Específico para laboratórios farmaceúticos

2 Santo Antônio de Posse 1 Limeira 2 São João da Boa Vista 1 Jaguariúna 2 São Pedro 1 Indaiatuba 2 Piracicaba 1 Exemplo I

14 Exemplo II Comercialização de SaaS para imobiliárias Numa região geograficamente limitada Alvo em empresas com 20 ou mais funcionários UF Cidade Imobiliárias SP São Paulo RJ Rio de Janeiro MG Belo Horizonte RS Porto Alegre PR Curitiba SP Santos SP Campinas SC Florianópolis RJ Niterói SP Praia Grande Cidades com mil ou mais (qualquer porte) 89 cidades com 100 ou mais UF Cidade Imobiliárias SP São Paulo 422 RJ Rio de Janeiro 266 MG Belo Horizonte 230 PR Curitiba 165 RS Porto Alegre 151 SP Santos 130 SP Campinas 60 RJ Niterói 57 PR Londrina 43 SP Praia Grande 37 SC Balneário Camboriú 32 MG Juiz de Fora 28 RJ Cabo Frio 25 SP São José do Rio Preto 25 SP São José dos Campos 24 ES Vitória 23 SC Florianópolis 22 ES Guarapari 22 SP Guarujá 20 Cidades com 20 ou mais Todas com 20 ou mais funcionários

206 Cidades com mil ou mais (qualquer porte) 89 cidades com 100 ou mais UF Cidade Imobiliárias SP São Paulo 422 RJ Rio de Janeiro 266 MG Belo Horizonte 230 PR Curitiba 165 RS Porto Alegre 151 SP

15 Exemplo III Comercialização de treinamento em TI Voltado ao consumidor final de renda acima da média Limitado geograficamente às proximidades das estações de metrô Uso da codificação de CEPs e nomes de bairros Identificação de poder aquisitivo Titular de uma ou mais linhas telefônicas fixas Titular de outros imóveis Banda larga instalada no domicílio

codificação de CEPs e nomes de bairros Identificação de poder aquisitivo Titular de uma

16 Note o que é comum a todos os casos Necessidade de definição clara de mercado-alvo Dispor de uma base de dados prévia Ou saber quem dispõe dela! Criação de um questionário que permita: Triar os suspects Uso das características dos clientes atuais como filtros

17 Outros usos da informação Mercado potencial que não vira lead de imediato: Não deve ser tratado como refugo marketing Database marketing Futuras rodadas de pré-qualificação

18 Dados de Contato Roberto Carlos Mayer Skype: rocmayer Meu perfil:

Documentos relacionados

Encontrando agulhas no palheiro. Por Roberto Carlos Mayer

Encontrando agulhas no palheiro Por Roberto Carlos Mayer Roberto Carlos Mayer Fundador e Diretor da MBI (desde 1990) Mestre em Ciência da Computação (IME USP) e exprofessor da Universidade de São Paulo