TRANSFORMAMOS DADOS DE PESQUISA EM DECISÕES DE NEGÓCIO INTELIGENTES. Felipe Mendes, Presidente do Grupo GfK no Brasil

Tamanho: px

Começar a partir da página:

Download "TRANSFORMAMOS DADOS DE PESQUISA EM DECISÕES DE NEGÓCIO INTELIGENTES. Felipe Mendes, Presidente do Grupo GfK no Brasil"

Sérgio Dias Santiago
7 Há anos
Visualizações:

2 TRANSFORMAMOS DADOS DE PESQUISA EM DECISÕES DE NEGÓCIO INTELIGENTES Felipe Mendes, Presidente do Grupo GfK no Brasil

3 Os Benefícios do Big Data!

4 Big Data: do conceito à prática 80% conhece o conceito 47% entende o impacto 30% já executou projetos 5% criou uma estratégia

5 Qual o melhor exemplo de Big Data hoje no Brasil?

6 Tem certeza?...

7 É a Operação Lava Jato!

8 Tudo começa com uma boa pergunta! Números não conseguem falar sozinhos. Nós falamos através deles. Nós que damos sentido a eles. Nate Silver, O Sinal e o Ruído

9 Conceituando Big Data

10 7 elementos de uma estratégia de Big Data Privacidade e Segurança Visualização e acesso 6 7 Uma pergunta clara de negócio 2 3 Disponibildade de Bons Dados Capacidade para guardar Dados Capacidade analítica 5 4 Capacidade para processar Dados

11 3 grandes avanços tecnológicos vem democratizando o Big Data

12 Os 4 V s do Big Data demonstram sua complexidade?#! %& Variedade (dado em formatos diferentes) Dados chegam de fontes e sistemas diferentes, com estruturas diferentes Velocidade (dado em movimento) O dado está sendo gerado a todo momento, cada um sendo recortado em seu tempo Volume (dado em quantidade massiva) Primeiro você coleta, depois você pensa como analisar e utilizar. Veracidade (dado em questionamento) Ter muito dado não significa ter dado correto! É necessário reduzir o viés, higienizar.

13 Fundamental garantir que há reglas claras, que garantam a privacidade do shopper

14 Big Data no Vjo

15 A operação regular do Vjo já produz muito dado, bastante estruturado A nível Macro Centenas/Dezenas de lojas Milhs de sku s Processos de compra, logística e vendas Milhões de transações por ano A nível Micro: Clientes Dezenas de transações por ano, na loja e online Múltiplos canais: CRM, App s, Mídia Social Cartões de lealdade Falta apenas saber onde e como procurar, para balancear e referenciar o viés natural do Big Data

16 Estudo de Caso 1 Problema: um vjista multi-bandeira, notou queda de consumo na venda de pequenos eletrodomésticos e gostaria de ativar a categoria. Aprendizados 3 segmentos de clientes target: 20% dos clientes, 68% das vendas Principais compradores: mulheres, em sua maioria casadas, +35 anos e renda mais alta que a média da bandeira Ações possíveis Ofertas de lançamentos e marcas preferidas, em especial de itens mais premiums Ações promocionais em loja (Cozinhando com ) Outros segmentos potenciais 17% de mulheres mais jovens, ainda não casadas, com ticket e visitas médias 24% tem gasto médio/alto, porém baixa frequência de visita Call center com ações específicas para mulheres, para descobrir se está em época de enxoval Aprofundar conhecimento sobre lealdade à bandeira (estudo ou fusão via Empr. Pesq.)

17 Average Transaction Value Valor por visita/compra Estudo de Caso 1: Segmentação transacional Silver Platinum Top 20% ATV > PHP 2,500 9% 4% 8% 17% 3% 25% Próxima geração Gold Mid 40% ATV > PHP 654 ~ 2,500 15% 2% 17% 15% 9% 26% Bottom 40% ATV < PHP 654 % de Clientes 18% Bottom 40% Visits 1~11 1% % de Gastos 15% 4% Mid 40% Visits Frequência de visita 12~44 Frequency of Visits 7% 6% Top 20% Visits 45 and above Nota: baseado em transações dos últimos 12 meses (Maio-Abril)

Valor por visita/compra Estudo de Caso 1: Perfil demográfico e localização Average Transaction Value Top 20% ATV > PHP 2,500 64% 40% 73% 49% 81% Central Central 35 & older Region 35 & older Region 35

18 Valor por visita/compra Estudo de Caso 1: Perfil demográfico e localização Average Transaction Value Top 20% ATV > PHP 2,500 64% 40% 73% 49% 81% Central Central 35 & older Region 35 & older Region 35 & older Mid 40% ATV > PHP 654 ~ 2,500 Bottom 40% ATV 60% Female 64% Female 56% 35 & older 66% Female 48% married 44% married 69% Female 47% married 36% 61% 43% Central Region 37% married 71% Female 35 & older 73% Female 42% married Central Region 31% married 78% Female 80% Female 74% 35 & older 77% Female 53% married 50% Central Region 48% married 47% Central Region 36% married < PHP % 35 & older 35% Central Region 47% 35 & older 43% Central Region 60% 35 & older 48% Central Region Bottom 40% Visits 1~11 Frequência de visita Mid 40% Visits 12~44 Frequency of Visits Top 20% Visits 45 and above

19 Estudo de Caso 2 Problema: Centro de conveniência, negociando volume com operador de telefonia, busca plano de negócios para aumentar vendas de chips com planos mais caros Aprendizados 3 segmentos de clientes target: 19% dos clientes, 44% das vendas Homens, com alta frequência, ainda que o gasto médio varie Concentram gastos em Gasolina e moram em cidade vizinha Hipótese: se deslocam todo dia a Capital para trabalhar Outro segmento potencial Homens e mulheres, com alto gasto médio, que gastam em Outros Serviços (não identificados) Hipótese: Pet Shop Ações possíveis Entendimento das músicas com maior apelo para o target, através do Facebook (via Empr. Pesq.) Atividade promocional de Planos de Dados, com pacotes especiais de música Demonstração no Posto de Gasolina do Spotify, para quem está abastecendo Confirmação in loco da frequência e afluência de visitas do Pet Shop Confirmação da posse de Pets através do Facebook (via Empr. Pesq.)

20 Average Transaction Value Estudo de Caso 2: Segmentação transacional Next Generation Gold Platinum Top 20% ATV > RM 44 13% 16% 5% 13% 2% 17% Low potential-2 Mid segment Silver Mid 40% ATV RM 17~44 16% 5% 16% 13% 9% 21% Least potential Low potential-1 Frequent visitors Bottom 40% ATV < RM 17 17% 2% 15% 5% 8% 8% Nota: Baseado nas transações ocorridas em Dez-Fev Bottom 40% Usage 1 Mid 40% Usage 2~4 Top 20% Usage 5 and above Frequency of Usage

21 Estudo de Caso 2: Perfil Demográfico e Afiliação Nota: Baseado nas transações ocorridas em Dez-Fev

22 Estudo de Caso 2: Perfil de Gastos Nota: Baseado nas transações ocorridas em Dez-Fev Nota: Vjos segmentados de acordo à classificação da matriz

23 Estudo de Caso 2: Localização Nota: Baseado nas transações ocorridas em Dez-Fev Basedo no endereço citado no cadastro

24 Big Data para Decisões Inteligentes

25 Oportunidade: criar contexto, enriquecendo dados transacionais Produzido pelo Vjo Big data Big Data Dados gerados no Vjo Transações comerciais Cartão de fidelidade e CRM Tráfego no site Logística, Vendas, Operações, etc Outras fontes Big Data Dados de contexto Decisões inteligentes Outros dados de contexto Mídias Sociais Jornada de Compra online /mobile Consumo de Mídia Dados causais (promoções, gôndola) Pesquisa de mercado Comprador misterioso

Documentos relacionados

Big Data. Transformando a gestão de dados a favor do negócio. Estevão Lazanha

Big Data. Transformando a gestão de dados a favor do negócio. Estevão Lazanha Big Data Transformando a gestão de dados a favor do negócio Estevão Lazanha Itaú alguns números 63 a maior empresa do mundo (fonte: Forbes) 4,062 agências e PABs 24,597 caixas eletrônicos no Brasil US$