SEGMENTAÇÃO DE CLIENTES

Transcrição

1 SEGMENTAÇÃO DE CLIENTES As empresas estão constantemente à procura de maneiras de melhorar a eficácia da abordagem aos clientes. O objetivo é casar os desejos do cliente com uma boa oferta. Por meio de segmentação de clientes a empresa é capaz de testar diferentes ações nos grupos particularmente relevantes de clientes. Ao longo do tempo, os resultados dessas campanhas podem ser medidos e comparados para encontrar as ofertas mais eficazes para cada segmento de clientes. Por exemplo, uma vez que um segmento de clientes de supermercado é identificado como tendo preferencia por carnes, pode-se incentivar os clientes a comprar tipos de carnes diferentes e produtos de outras categorias, tais como carne gourmet molhos ou acessórios de churrasco. Além de vendas a curto prazo, essa abordagem normalmente aumenta a fidelização de clientes a longo prazo. A análise de grupos (clusters) usa um modelo matemático para descobrir grupos de clientes semelhantes encontrando grupos com preferencias semelhantes e Arvores de decisão são usadas para determinar regras de classificação simples que podem ser facilmente compreendidas. Clusters de Clientes A segmentação de clientes em grupos é a prática de classificar seus clientes em grupos distintos chamados clusters, com base nas semelhanças inerentemente existentes no seio da população de clientes e que são relevantes para o negócio, mas que não são visíveis numa análise estatística convencional Para gerar uma analise de cluster usamos as informações disponíveis dos clientes, tais como, informações pessoais (sexo, idade, estilo de vida, etc.), demográficas e geográficas e comportamentais. Geramos clusters para aplicações como: Alocação de investimentos em marketing diferenciada por segmento Melhorar a satisfação de clientes, aprimorar a fidelização e desenvolver estratégias de retenção 1

2 As duas principais vantagens da análise de cluster sobre a segmentação simples baseada em limite ou regras, são: Maior precisão é praticamente impossível usar regras predeterminadas para segmentar clientes ao longo de muitas dimensões. Homogeneidade - em comparação com a segmentação baseada em regras que normalmente agrupa clientes muito diferentes uns dos outros, variações dentro de cada grupo resultante são muito pequenas em análise de cluster. A análise de cluster parte de um banco de dados das categorias de compras de clientes. Por exemplo, na figura abaixo onde cada ponto representa um cliente vemos três clusters diferenciados por horários de compra. 2

3 Mercearias e supermercados, normalmente usariam categorias como frutas, carnes, laticínios, vegetais, padaria, etc. Níveis mais granulares de categoria também podem ser selecionados se o objetivo é descobrir clientes em uma categoria. Por exemplo, o supermercado poderia tentar comercializar queijos especiais para os amantes de queijo ao segmentar os clientes baseados em suas compras de várias categorias de queijo (por exemplo, Cheddar, Cottage, Monterrey Jack, Mozzarella, suíço). O próximo passo é realizar a análise de cluster em todos os clientes para identificar distintos grupos homogêneos de clientes com mínima variação entre seus comportamentos de compras. Isto identifica "protótipos de cliente" exclusivos como apreciadores de carne ou apreciadores de produtos gourmet para os quais ofertas específicas podem ser direcionadas. CLUSTERING NA PRÁTICA Na figura abaixo as entradas para o funil (algoritmo) são dados retirados da base de dados da loja relativos às compras de cada cliente e as saídas os possíveis clusters resultantes. Claramente podemos ver que faz todo o sentido direcionar marketing personalizado para cada um dos clusters. Promoções % comprada em promoção % comprada em anuncio Valor da compra R$ Carrinho R$ por dept. R$ por marca Clustering 3

4 Uma loja de perfumes quer identificar quais clientes existentes são os melhores candidatos para um novo produto que estão lançando. Uma árvore de decisão como a mostrada abaixo, construída usando dados dos clientes ajudará a entender quem é susceptível de aceitar o novo produto e quem não é. Observe que as informações utilizadas também são de comportamento, por isso a criação do perfil dos clientes irá ajudar a projetar uma campanha de marketing direcionada. Abaixo temos uma tela com apenas quatro operadores que realiza uma análise de cluster no RapidMiner. 4

5 Michel Janos 5/2015 5

6 PROMOÇÕES A maioria dos varejistas consolida e agrega seus dados para entender o comportamento básico do negócio: o que estão vendendo, quantas unidades e o valor das vendas. No entanto, poucos são os que analisam as informações no seu nível mais baixo de granularidade: a analise da cesta de compras (Market basket analysis). A principal razão talvez seja a noção preconcebida que olhar para dados a este nível de granularidade é caro e tem limitado valor comercial. Market basket analysis é o processo de análise de dados a nível de transação com o objetivo de gerar valor para o negócio. A este nível de detalhe, a informação pode ser muito útil, pois revela como cada um dos clientes fez compras na loja. Os dados revelam não só a quantidade de itens que foram comprados numa cesta particular, mas como o itens comprados estão assoociados. Por sua vez, esse recurso permite análises avançadas tais como: Afinidade entre itens: define a probabilidade de dois (ou mais) itens serem comprados juntos Itens geradores de vendas: permite a identificação dos itens que sempre precisam estar nas prateleiras Classificação da compra: analisa o conteúdo da cesta e classifica a compra em categorias como compras semanais, noturnas, ocasiões especiais, etc. Produto A Oferta especial Produto B Canal de Vendas Data Associações possíveis numa compra 6

7 ANÁLISE DE AFINIDADE Existem afinidades naturais entre produtos. Por exemplo, uma pessoa que compra carne para hambúrguer possivelmente comprará pães de hambúrguer, bem como ketchup, mostarda, tomate e outros itens que compõem um hambúrguer. Porém existem algumas afinidades que não são óbvias. O exemplo clássico é a compra de pasta de dentes associada a atum. Parece que as pessoas que comem atum são mais propensas a escovar os dentes logo após terminar sua refeição. A noção de afinidade entre produtos é fundamental para planejar adequadamente promoções, por exemplo reduzindo o preço de alguns itens associados a outros itens. As regras de associação têm como premissa básica encontrar elementos que implicam na presença de outros elementos em uma mesma transação, ou seja, encontrar relacionamentos ou padrões frequentes entre conjuntos de dados. Na tabela temos cinco transações, sendo os itens os objetos entre os quais identificamos associações, leite, pão, manteiga e cerveja. transação leite pão manteiga cerveja As regras são declarações do tipo {farinha, açúcar} {ovos} Ou seja, se você tem os itens à esquerda então é provável que estará também interessado no item á direita 7

8 O resultado de uma análise de cesta de mercado é um conjunto de regras que podemos explorar para tomar decisões de negócios relacionadas à preços ou posicionamento fisico. Para isso é usada uma terminologia específica. O suporte de um item (ou conjunto de itens) é a fração do total de transações que contêm esse item (ou itens). Por exemplo, na tabela temos: Suporte leite = 2/5 = 0,4 Suporte pão = 4/5 = 0,8 Suporte manteiga = 2/5 = 0,4 Suporte cerveja = 1/5 = 0,2 os produtos {leite} e {pão} juntos. Desta maneira, o suporte da regra {leite} e {pão} é: 2 / 5= 0,4 Observe agora que na base de dados, existem duas transações que contêm o produto {manteiga} e que apenas em uma delas foi comprado {leite} e {pão}. Então a confiança da regra é 50% ou 0,5. {leite} Þ {pão} ==> manteiga Em geral, é bom identificar as regras de associação que têm um alto suporte pois estas serão aplicáveis a um grande número de transações. Para uma padaria é provável que as regras envolvam produtos como pão e leite. Já para um varejista de cartuchos de impressora provavelmente não haverá produtos com alto suporte porque cada cliente compra apenas os cartuchos que são específicos para sua própria impressora. Na figura acima são mostrados itens associados, i.e., que ocorrem juntos nas transações. A força das relações (confiança) é indicada pela espessura da linha. A frequência (suporte) do item é indicada pelo tamanho do círculo que representa o produto. 8

9 PUBLICIDADE Suponha que temos três opções de mídias para anunciar um produto de uma rede de 200 franquias. Podemos optar por anunciar em mídia impressa como revistas e jornais, na televisão ou na web via Google Adwords. Antes de decidir qualquer coisa temos que responder várias perguntas. Existe uma relação entre o orçamento de publicidade e vendas? Nosso primeiro objetivo é levantar evidências de uma associação entre as despesas de publicidade e vendas. Quão forte é a relação entre o orçamento de publicidade e vendas? Supondo que existe uma relação entre publicidade e vendas, gostaríamos de saber a força desta relação. Em outras palavras, dado um determinado orçamento de publicidade, podemos prever vendas com um alto nível de precisão? Esta seria uma relação forte. Ou é uma previsão de vendas com base em apenas uma suposição aleatória de custos publicitários? Esta seria uma relação fraca. Que midias contribuem para as vendas? Fazer, por exemplo, televisão, web e jornal contribui para as vendas, ou apenas um ou dois dos meios de comunicação contribuem? Para responder a esta pergunta, temos que encontrar uma maneira de separar os efeitos individuais de cada meio. Como exatamente podemos estimar o efeito de cada midia sobre as vendas? Para cada real gasto em publicidade em um meio específico, qual será o aumento das vendas? Exatamente como podemos prever esse aumento? Com que precisão podemos prever vendas futuras? Para qualquer nível de publicidade em midia impressa, web ou televisão, qual é a nossa previsão de vendas, e qual é a precisão da previsão? Existe sinergia entre os meios de publicidade? Talvez gastar R$ na publicidade televisiva e R$ na web gere mais vendas do que alocar R$ para televisão ou web individualmente. Em marketing, isso é conhecido como um efeito de sinergia, enquanto em estatística chama-se um efeito de interação. Dado um orçamento quanto devemos investir em cada mídia para obter o máximo retorno? O modelo Adstock descreve o efeito da publicidade no comportamento de compra do consumidor ao londo do tempo. Sabemos por experiência que o efeito da publicidade é imediato e ao mesmo tempo, uma parte do efeito dura mesmo após a campanha terminar e lentamente se esvai (é gradualmente esquecido). O modelo mostra como resposta a publicidade cresce e decai em mercados consumidores. A ideia-chave por trás do modelo Adstock é a suposição de que em cada período de vendas (p. ex. um trimestre) você retém uma fração do resultado do período anterior de publicidade. Por exemplo, se a fração for 80% (0,8), então um anúncio de um período atrás tem 80% do efeito de um anúncio no período corrente; um anúncio há dois períodos tem (0,80) 2 = 51,2% de efeito no período corrente; e assim por diante. O modelo Adstock assume que o efeito da publicidade "deprecia" ou se desgasta de maneira semelhante à forma como uma máquina desgasta. Para predizer um valor de vendas este modelo leva em consideração um nível básico de vendas na ausência de sazonalidade e publicidade, a elasticidade do produto e a sazonalidade, 9

10 Como resultado saberemos quanto da eficácia de publicidade é perdida a cada período. Considerando esta perda de eficácia poderíamos adotar uma estratégia pulsante em que se pode alternar entre um nível alto e baixo da publicidade. Existem trabalhos que discutem as condições sob quais esta estratégia é ideal. Porém, o consenso geral é que, em situações reais, uma estratégia contínua de gasto em publicidade é melhor do que uma estratégia pulsante. Otimizando o investimento em de mídias Um método usado para alocar os gastos em mídias que maximiza a eficácia da publicidade é conhecido como um modelo de seleção de mídia. Você pode desenvolver um modelo em que é possível alocar um orçamento de publicidade em TV que garanta que os anúncios da empresa serão vistos um número determinado de vezes para grupos demográficos especificos. Considere que uma empresa automobilistica decidiu que seus anúncios de TV em um dado mês, sejam vistos conforme a tabela abaixo. Grupos Faixa de idade Público atingido ( em milhões) Mulheres 18 a 30 5 Mulheres 31 a 40 4,5 Mulheres 41 a 50 4 Mulheres Acima de 50 3,5 Homens 18 a 30 5 Homens 31 a 40 4,5 Homens 41 a 50 4 Homens Acima de 50 3,5 Orçamento Total: R$ ,00 Uma exposição a um grupo ocorre quando um membro do grupo vê um anúncio. Por exemplo, um dos objetivos é ter seus anúncios vistos pelo menos por 5 milhões de mulheres 18 a 30 anos e assim por diante. Esses números geralmente são determinados pelas experiências das Agências de publicidade. A empresa pode anunciar nos telejornais nacionais e locais, intervalo de novelas, etc.. Cada programa tem um perfil de audiência e um custo conforme a tabela a seguir. 10

11 Audiência em % Prog. Aud.* Custo** M1 M2 M3 M4 H1 H2 H3 H4 A % 10% 10% 10% 10% 10% 20% 20% B % 15% 5% 10% 20% 15% 20% 20% C 0,1 10 5% 15% 10% 10% 10% 10% 20% 20% D % 15% 15% 10% 10% 15% 15% 10% E 0, % 10% 15% 15% 10% 10% 15% 15% *Milhões **por 30 segs (R$ mil) O modelo matemático para este caso deverá determinar a forma mais barata para cumprir a meta de exposição, limitado a um investimento R$ 2 milhões. Como resultado da aplicação do modelo teríamos um tabela contendo quanto de cada programa deveríamos comprar como por exemplo, Programas Número de anúncios Programa A 5 Programa B 10 Programa C 20 Programa D 3 Programa E 0 11

12 VALOR DO CLIENTE É comum um cliente passar por vários estágios no ciclo de vida do cliente. Por exemplo, um titular de apólice de seguro de carro pode começar como um adolescente que tem vários acidentes e se transformar em um segurado com 30 anos de idade que nunca terá outro acidente. Um cliente que recebe mala direta pode começar como alguém que comprou um perfume no mês passado e transformar-se em alguém que não tenha feito outra compra nos últimos dois anos. O valor de um cliente, portanto, depende de onde o cliente está atualmente neste ciclo de vida (Figura abaixo). 12

13 Calcular o valor do cliente com base neste ciclo pode ser conseguido usando a técnica de analise RFM (recência, frequência, valor monetário). O produto final da analise RFM é a atribuição de um valor ao cliente baseado em respostas passadas, seja de uma mala direta ou de uma compra espontânea. Este valor definirá o nível de investimento a ser feito no Cliente. As seguintes variáveis são usadas para medir o valor do Cliente: recência: tempo desde a última compra por catálogo frequência: quantas compras foram feitas nos últimos anos valor monetário: quanto foi gasto nos últimos anos O advento de campanhas de marketing e software de gestão de relacionamento de clientes, as avaliações de clientes tornaram-se uma ferramenta muito importante para direcionamento de campanhas. Usando a análise RFM, os clientes são classificados numa escala de 1 a 5 (sendo 5 o melhor) para cada parâmetro RFM. Os três scores em conjunto compõe uma célula RFM de um cliente. Um banco de dados é montado para determinar quais foram "os melhores clientes" no passado, em que um ranking de célula de "555" é o máximo. Depois de classificar os clientes em células RFM, podemos atribuir a taxa de resposta para cada célula RFM de acordo com dados históricos dos respondentes. Se é a primeira vez que estamos usando uma análise RFM e não há nenhum dado histórico, podemos selecionar alguns clientes, digamos 10% aleatoriamente e enviar s como uma forma de contar a taxa de resposta. Abaixo um exemplo de tabela de taxa de resposta. 13

14 A Simulação de Monte Carlo é um método para modelar a incerteza e estimar um intervalo de resultados pela repetição simulada de uma situação muitas vezes (até mesmo milhões de vezes). O nome Monte Carlo derivou dos casinos em Mônaco por ter uma semelhança com os jogos de dados e roleta, em que se repetem por várias vezes a mesma ação. A ideia é ilustrada na figura abaixo. Queremos determinar o tamanho da área em azul. Para isto jogamos, digamos mil pontos no quadrado cuja área conhecemos. A seguir contamos o número de pontos que ficaram dento da área azul e guardamos o resultado. Fazemos isto milhares de vezes e tiramos a media dos resultados. Ao final teremos um número que será um boa representação da área da parte azul. A simulação de Monte Carlo pode ser explicada como uma análise "e se...". Basicamente, o modelo nos permite alimentar um conjunto limitado de variáveis, sobre as quais temos estimativas de probabilidade e então, baseado naquelas entradas, gerar um conjunto de conclusões que podemos usar para executar cálculos de probabilidades estatisticamente válidos para uma variedade de cenários possíveis. Por exemplo, com base numa simulação seria possível concluir que um cliente que colocou o pedido duas vezes e cuja último pedido foi há três campanhas anteriores tem uma chance de 10% de fazer um novo pedido. Isso pressupõe que a evolução futura do cliente depende apenas de seu estado atual. Então, na análise de compras futuras só precisamos saber que ela pediu duas vezes e seu último pedido foi há três campanhas atrás. Não é necessário saber, por exemplo, quando estes pedidos foram colocados. Em muitas situações os resultados de uma decisão de uma ação de Marketing consideram muitas variáveis e são altamente incertos, sendo a simulação de Monte Carlo uma ferramenta poderosa para analisa-los. 14

15 MEDINDO EFICIÊNCIAS RELATIVAS EM UMA REDE DE LOJAS Na última década a face do varejo mudou radicalmente. O padrão tem sido uma maior fragmentação e individualização dos clientes, a adição do comercio eletrônico e o aumento da concorrência. Nesta era de supercompetição, redes de UPs (Unidade Produtivas) como as franquias precisam ter uma melhor compreensão do desempenho das unidades individuais para planejar o mix de produtos com maior precisão e definir objetivos de merchandising mais realistas. Métodos tradicionais para medir resultados relacionam as saídas (vendas ou lucratividade) contra as entradas (custos fixos e variáveis). O problema com estes métodos é que são incapazes de identificar o nível ideal das saídas. Por exemplo, uma unidade franqueada têm pessoal, localização (representado pelo valor do aluguel) e mercadorias como entradas. O método de análise tradicional de eficiência é agregar estas entradas em uma medida única de despesas. Estas três entradas devem, no entanto, permanecer separadas numa análise e não somadas, caso contrário, a UP pode ter ótimas mercadorias, excelente localização mas poucas vendas, ou vice-versa. Usando uma medida de entrada agregada como esta, o gestor não é capaz de identificar qual das entradas pode estar causando o pequeno volume de vendas. Por outro lado, a maioria dos indicadores de eficiência para tomada de decisões continuam sendo relações tais como vendas por metro quadrado ou vendas por empregado. Esses métodos tradicionais são problemáticos quando diferentes unidades de uma rede tem performances muito diferentes, apesar de comercializarem os mesmos produtos ou serviços. Por exemplo, se uma rede de cosméticos tem unidades nos Shopping Centers e em regiões comerciais mais populares, não podemos simplesmente comparar as performances. Análise de Envoltória de Dados (DEA) A Análise de Envoltória de Dados (DEA), do inglês Data Envelopment Analysis, também chamada de análise de fronteira, é uma técnica de medição de desempenho que, pode ser usada para avaliar a eficiência relativa das unidades em uma rede (por exemplo, unidades de uma rede de franquias). Aqui uma UP (unidade produtiva) é uma unidade distinta dentro de uma rede que tem flexibilidade no que diz respeito a algumas das decisões que toma. Por exemplo numa rede de franquias de cosméticos o franqueado pode decidir quantos funcionários deve contratar, mas não pode decidir a marca dos produtos a vender. Os elementos principais em um estudo DEA são um conjunto de unidades de UPs, no exemplo, as UPs franqueadas, juntamente com suas medidas de entradas e saídas. As UPs devem ser razoavelmente homogêneas e gerenciados separadamente. No caso ideal, as UPs tem um conjunto bem definido de entradas e saídas comuns. Exemplos em que a DEA tem sido aplicada rede de UPs, agências bancárias, delegacias, hospitais, e muito mais. Para ilustrar vejamos um exemplo. Cinco UPs franqueadas de produtos de beleza todas vendendo os mesmos produtos tem atividades do mês passado resumida na Tabela abaixo. 15

16 Área (mt 2 ) Vendas Linha M Vendas Linha F Outros produtos Vendas totais (R$ mil) Produtividade Eficiência UP ,0 0,80 UP ,8 0,96 UP ,5 0,70 UP ,0 1,00 UP ,5 0,90 Usando os dados nessa tabela, a tarefa é identificar as UPs eficientes e as ineficientes. Neste exemplo, produtividade é calculada como a proporção de vendas totais (saídas) produzidas por área da UP (entradas) (Vendas Totais R$/ Área (mt2)). Por exemplo, a produtividade da UP 5 é R$ 72,000/16 = 4,5. A classificação de eficiência na tabela é apenas uma medida normalizada da mesma coisa. Em outras palavras, o valor de 1,00 é atribuído para o máximo de produtividade do conjunto (para UP 4), e os valores restantes são calculados como a relação da produtividade de cada UP para a UP com a máxima de produtividade no conjunto. A Figura 1 exibe duas das saídas, isto é, vendas para linha M no eixo horizontal e para a linha F no eixo vertical. Cada unidade é um ponto no gráfico. Assim, a UP 1 corresponde ao ponto (vendas M = 10 e vendas F = 31), Pela figura vemos que as UPs mais eficientes são as que tem maiores vendas nas duas linhas, ou seja, as UPs 1, 3 e 5 são eficientes, já as UPs 2 e 4 tem desempenho claramente inferior às 1, 3 e 5, e portanto não são eficientes. 16

17 Figura 1 Sem acesso ao conhecimento detalhado sobre o funcionamento de cada UP, pode-se inferir que UP 4 alcançou sua classificação de eficiência máxima devido a fatores como: Compras mais bem programadas (tecnologia) Melhores incentivos aos vendedores (procedimentos) Pessoal de vendas mais bem treinado (gestão) Propaganda mais eficiente (gestão) Algo destas categorias de fatores provavelmente está faltando para as outras UPs. Por exemplo, se a UP 1 empregasse a mesma tecnologia, procedimentos e gestão que a UP 4, então esperaríamos que com 15 mt 2, ela deveria ser capaz de atingir vendas de R$ (15 x 60,000 /12). Alternativamente, esperamos que a mesma venda de R$ deve ser alcançável com apenas 12 mt 2. Em qualquer caso, a análise comparativa fornece dois tipos de informações para UP 1: em primeiro lugar, sua produtividade poderia ser 25% maior do que realmente é, e em segundo lugar, ele poderia aprender estudando e imitando a operação de UP 4. 17

18 O ponto chave da análise de DEA é que nesta abordagem presumimos que uma UP ineficiente pode melhorar seu desempenho, emulando uma ou mais das características das UPs eficientes. Como mostra a figura 2, no caso da UP 2, isso significaria emular aspectos de UPs 1 e 3. No caso de UP 4, isso significaria emular os aspectos das UPs 3 e 5. Dizemos que a UP 2 é dominada pela UP 3, e a UP 4 é dominada pelas UPs 3 e 5. Então para melhorar a performance das UPs 2 e 4 observamos o que podemos aplicar nestas que já está funcionando nas UPs 1, 3 e 5. Na figura 2 a linha que une as UPs 1, 3 e 5 é chamada de fronteira eficiente. Nela estão os pontos que representam as melhores UPs. Qualquer UP abaixo da fronteira eficiente é considerada ineficiente, e consequentemente poderia melhorar sua performance. O conjunto composto das UP s (UPs) eficientes é chamado de o conjunto de referência do modelo. Em nosso exemplo o conjunto é formado pelas UPs 1, 3 e 5. Fronteira eficiente 3 Figura 2 Note que sob nossa definição de eficiência, a UP 1 é eficiente, embora tenha muito menor venda da linha M que a UP 3 e vendas da linha F minimamente maiores. Da mesma forma, uma UP com vendas apenas R$ maior que a UP 1 e sem qualquer venda para a linha M também seria eficiente. Isso é porque podemos conceber um conjunto de pesos para vendas da linha F e da linha M que a fariam uma UP a mais produtiva de todas as UPs. Por exemplo se a linha F for muito mais rentável, e a linha M não for muito 18

19 rentável, então, a UP 1 com R$ 1.000,00 a mais em vendas da linha F teria uma saída total mais valiosa em termos de rentabilidade. O truque matemático usado na DEA é que o algoritmo calcula por si só os pesos de cada entrada e/ou saída para o conjuto das UP s, ou seja, a importância, e determina uma eficiência para cada UP. Seleção das entradas e saídas A DEA destina-se a determinar quais UPs fazem uso eficiente de suas entradas e quais não. Para as UP s ineficientes, a análise pode quantificar quais níveis de melhoria do desempenho podem ser atingidos. Além disso, a análise indica onde uma UP ineficiente pode procurar um benchmarking como forma de melhorar sua eficiência. A escolha adequada de entradas e saídas é uma das etapas mais críticas na utilização da DEA. Por exemplo, num estudo realizado nos EU (*) a diretoria identificou 6 entradas e 3 saídas como medidas de eficiência operacional para avaliar uma amostra de 57 UPs, conforme abaixo: a) entradas (recursos): 1. valor das mercadorias é selecionado como o valor que apresenta a entrada básica. 2. o número médio de empregados em tempo integral é entrada muito importante por sua influência sobre o comportamento do cliente e também na percepção de imagem e qualidade de UP. Comparado aos empregados em tempo parcial, empregados em tempo integral tendem a ser mais bem informados, têm mais experiência e são mais eficazes na geração de vendas. 3. área (mt 2 ) de venda é importante indicador de recursos. 4. nível de estoque médio é uma medida da eficácia do processo operacional. Quanto maior o inventário maiores serão as expectativas de lucros da administração. 6. os custos de mão de obra que são também medida de habilidades profissionais. 7. outras despesas operacionais são todos os custos, exceto os custos da mão de obra. b) saídas (resultados): 1. Vendas 2. Lucratividade 3. Satisfação dos Clientes O resultado resumido global da análise foi: No. de UP s eficientes 18 No. de UP s ineficientes 39 Estes resultados ficaram razoavelmente em linha com as projeções da administração e aquelas dezoito UPs passaram a formar o conjunto de referência. Até este ponto, as UPs foram avaliadas sem estimar sua localização. A avaliação foi injusta para as UPs em situação competitiva mais acentuada ou em locais com menor movimento de pessoas. A administração 19

20 interessou-se em considerar a influência da localização da UP em resultados de eficiência relativa. Tal situação foi possível tratar dividindo as UPs em 3 categorias. UPs em locais melhores ficaram na categoria 3, UPs em locais medios na categoria 2 e UPs no piores locais na categoria 1. Então foram avaliadas UPs na categoria 1, somente dentro de seu grupo, UPs na categoria 2, com referência a UPs na categoria 1 e 2 e UPs na categoria 3, em todas as UPs no modelo. Isso significa que as UPs nas categorias superiores não podem ser escolhidas como variáveis básicas para UPs na categoria mais baixa. Categoria 1 Categoria 2 Categoria 3 No. de UP s No. de UP s eficientes Como esperado, a abordagem categórica fez grandes diferenças de eficiência relativa, comparando com os resultados anteriores da eficiência. Conclusão Muitos estudos que visam a melhoria de desempenho do varejo contêm falhas metodológicas. Estas falhas são atribuídas principalmente à perspectiva simplista, uni-variável, da medição de produtividade e eficiência. A DEA é comprovadamente um método robusto de avaliação de desempenho, que hoje está à disposição para redes de UPs de médio e pequeno porte com investimento muito baixos. Podemos resumir as vantagens de estabelecer uma medição de desempenho DEA, como: Prescinde de atribuição prévia de pesos às variáveis consideradas no estudo; A eficiência de cada unidade é definida de forma individualizada, considerando a atuação das demais unidades em estudo, porém permitindo que a alocação de pesos aos fatores seja efetuada de forma a maximizar sua eficiência relativa; As diferenças de porte podem ser tratadas com a adoção de modelos que prevejam retornos variáveis em escala, sem prejuízo às unidades de pequeno porte; Diferentemente dos sistemas de atribuição de pontos, mais de uma empresa pode ser classificada como eficiente, compondo a fronteira de eficiência relativa e servindo como referência para a atuação das demais unidades; Para as unidades consideradas ineficientes, são apresentadas contribuições de melhoria, com o estabelecimento de metas de atuação; Pode ser aplicada a diversos períodos, possibilitando a verificação da evolução da eficiência das unidades e o estudo dos fatores que contribuíram para seu crescimento ou decrescimento; fornece uma visão multifacetada da eficiência, permitindo a análise dos fatores que mais contribuem para seu atingimento; O indicador obtido mostrou-se de fácil interpretação, em contraposição com indicadores contábeis tradicionais. 20

21 As informações nas bases de dados das empresas vêm em geral de formulários, nos quais não há chance de variabilidade na resposta. Ou seja, responder sim ou não, colocar um número, ou optar por respostas previamente elaboradas. A esse tipo de banco de dados chamamos de estruturados em que as informações vêm com um alto grau de organização, de forma que a inclusão em um banco de dados é facilmente pesquisável por algoritmos de mecanismo de busca simples. Os dados não estruturados são bem diferentes. Os dados não estruturados são aqueles de vêm de redes sociais, entrevistas, caixas de comentários e call centers, imagens, áudio, video entre outras fontes. A avaliação desses dados, em particular aqueles em forma de texto, pode complementar o conhecimento já oferecido pelos dados estruturados para as ações de business intelligence. A análise de texto, ou mineração de texto, envolve tecnologias e práticas para extrair informações relevantes de conteúdos não estruturados. Os softwares da área são sofisticados, pois usam linguagem natural e costumam incluir aprendizado de maquina. 21

22 MARKETING SOCIAL As redes sociais oferecem um campo muito interessante para a aplicação desses métodos. Nelas, os usuários expõem pensamentos e sentimentos, que podem ser decisivos para processos de compra e mesmo para a solução de problemas percebidos em comentários negativos. Uma vez identificados os canais adequados (Facebook, Twittter, etc.) essa técnica pode ser muito relevante para o marketing, e também áreas como recursos humanos e produção. Em geral, uma rede é constituída por pontos ou nós que são conectados por links ou arcos. Em uma rede como o Facebook, os nós são os membros do Facebook e um link existente entre dois nós representa uma ligação de amizade. A difusão de novos produtos se dá através de indivíduos com maior influência on-line. Por isso devemos ter uma maneira de medir a importância de um nó ou link. Por exemplo, na Internet, Google, Wikipedia e Amazon.com são alguns dos nós mais importantes. Os sites de vendas adorariam ter uma medida da importância de cada nó para assim alcançar as pessoas mais influentes ou saber como os posts e tweets de uma pessoa afetam a opinião de outras pessoas, ou ainda modelar a dinâmica que torna um vídeo viral. A Mineração de Texto nas redes sociais refere-se ao processo de usar métodos estatísticos para recolher informações úteis de texto não estruturado. Todos os dias o Twitter processa mais de 400 milhões de tweets. Muitos destes tweets comentam produtos, programas de TV ou anúncios. Esses tweets contêm uma grande quantidade de informação que é valiosa para os profissionais de marketing. Por exemplo, se você ler cada tweet relacionado ao lançamento de um novo filme, você pode determinar se o publico gostou ou odiou o filme. A este tipo de mineração de texto dá-se o nome de análise de sentimento. Claro, é impraticável ler cada tweet que discute um filme. O que é necessário é um método para localizar todos os tweets com as palavras chaves, no caso, o nome do filme ou a atriz principal e detectar se existe associação com comentários positivos ( muito bom, amei, etc.) ou negativos (péssimo, odiei, etc.). Além de analisar os tweets, você pode usar mineração de texto para analisar, blog posts, restaurantes, artigos de jornal, etc.. Felizmente existem ferramentas prontas de alta qualidade que executam estas tarefas. O que caberá ao usuário é a analise e tomada de ações. As ferramentas modernas de mineração de texto e analise de sentimento permitem acompanhar tendências de consumo, intenção de compra, atributos do produto, formadores de sentimento, concorrentes ou conversas a nível de categorias. 22

23 Seis graus de separação É a ideia que todos os seres vivos estão a seis ou menos passos distantes um do outro, ou seja, uma cadeia de "amigo de um amigo" pode ser feita para conectar duas pessoas quaisquer em um máximo de seis passos. Em 1967, 0 professor de Sociologia de Harvard Stanly Milgram realizou uma interessante experiência. Ele deu a 296 residentes de Omaha, Nebraska, uma carta com o nome e o endereço de um corretor da bolsa vivendo em um subúrbio de Boston. O objetivo era que a carta para o corretor da bolsa chegasse com o número mínimo postagens. A regra do jogo era que a cada postagem a carta só podia ser enviada a um amigo da pessoa enviando a carta. 217 cartas dos moradores de Omaha foram enviadas e 64 chegaram ao corretor. A cada vez que a carta era postada contou-se um "salto". Levou em média 5,2 saltos para conseguir que a carta chegasse ao corretor (nunca mais de 10 saltos!) e o número médio de saltos foi 6, daí a frase "seis graus de separação". 23

24 A importância de um nó pode ser avaliada pelo seu grau de centralidade. E a de um link pode ser avaliada pelo grau de ligação, que são conceitos matemáticos definidos na Teoria dos Gráficos. A estrutura de uma grande rede complexa pode ser resumida por dois números: L = uma medida da distância média entre nós da rede. Essencialmente um valor pequeno para L significa que para um par escolhido aleatoriamente de nós é provável que exista um caminho bastante curto que conectam os nós. Por outro lado, um grande valor de L indica que muitos pares de nós não estão conectados por caminhos curtos. C = coeficiente de cluster local, que mede a extensão em que seus amigos são amigos uns dos outros. C é um número entre 0 e 1 que mede a tendência dos amigos de uma pessoa a serem amigos uns dos outros. Porque a maioria dos seus amigos se conhecem, você esperaria que a maioria das redes sociais para ter um coeficiente de cluster relativamente grande. Analise de sentimento Não é difícil ver como organizações podem afundar em uma montanha de dados que não fazem sentido depois de gastar tempo e dinheiro em um programa de mídia social e aparecer de mãos vazias. De mãos vazias, porque embora de posse dos dados críticos para o negócio, eles não sabem como decifrá-los. Um bom lugar para começar a descobrir que tipo de dados que você precisa é verificando sua concorrência on-line. As diversas redes sociais (com o Facebook, Instagram, LinkedIn e Twitter,) lhe darão uma boa imagem do que seus rivais fazendo. A análise competitiva também requer que você ouça as conversas, hashtags, tweets acerca de sua empresa. Você também precisa saber quem está falando sobre você. Estes são os influenciadores que você vai querer identificar para a propagação positiva na rede. Os Tweets mais influentes em 25/10/2015 as 1:54 PM GMT 24

25 Analise de sentimento l Monitor de opinião sobre marca de produto 25

26 As ferramentas modernas de mineração de texto permitem acompanhar tendências de consumo, intenção de compra, atributos do produto,,formadores de sentimento, concorrentes ou conversas a nível de categorias. Um dos grandes desafios na mineração de texto é, partindo de um pedaço não estruturado de texto como um tweet, artigo de jornal, ou postagem no blog, transformar seu conteúdo em um formato de planilha. Depois que foi dada alguma estrutura para o texto, aplicamos técnicas de aprendizado de maquina (como redes neurais ou regressão logística) para organizer as informações. Muitas ferramentas prontas estão disponíveis para mineração de texto na web, porém a analise dos resultados não é trivial. Como vimos acima, através da mineração de texto, podemos: Monitorar o que falam de seu produto nas redes sociais em tempo real Acompanhar a concorrência Realizar campanhas em função de eventos Encontrar oportunidades de novos negócios Tenha uma visão clara e objetiva do seu monitoramento em gráficos detalhados produzidos automaticamente pela ferramenta. 26