DOI: / CONTECSI/PS-567 BIG DATA USAGE IN THE MARKETING INFORMATION SYSTEM

Transcrição

1 DOI: / CONTECSI/PS-567 BIG DATA USAGE IN THE MARKETING INFORMATION SYSTEM Alexandre Borba Salvador (Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo, São Paulo, Brasil) - alexandre.salvador@usp.br Ana Akemi Ikeda (Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo, São Paulo, Brasil) - anaikeda@usp.br Data generation, storage capacity, processing power and analytical capacity increase had created a technological phenomenon named big data that could create big impact in research and development. In the marketing field, the use of big data in research can represent a deep dive in consumer understanding. The essay discusses the big data uses in the marketing information system and its contribution for decision-making. It presents a revision of main concepts, the new possibilities of use, and a reflation about its limitations and ethical issues related to its adoption. Keywords: big data; marketing research; marketing information system. O USO DO BIG DATA NO SISTEMA DE INFORMAÇÃO DE MARKETING O aumento da geração, capacidade de armazenamento, processamento e análise de dados criaram um fenômeno tecnológico batizado de big data que pode gerar grandes impactos em pesquisas e desenvolvimento de soluções em diferentes áreas. Para marketing, a pesquisa por meio do big data pode representar a possibilidade de um profundo mergulho no entendimento do comportamento do consumidor. O presente ensaio discute o uso do big data no contexto do sistema de informação de marketing e sua utilidade nas decisões, apresentando uma revisão teórica dos principais conceitos, as novas possiblidades decorrentes de seu uso e conduzindo uma reflexão sobre suas limitações e cuidados éticos necessários para sua adoção. Palavras-chave: big data; pesquisa de marketing; sistema de informação de marketing. 11th CONTECSI Proceedings p.0608

2 1. Introdução Um bom sistema de informações é fundamental para obtenção de dados relevantes para a tomada de decisão em marketing. Quanto mais correta e relevante a informação, maior a probabilidade de acerto. A década de 1990 ficou conhecida como a década da sociedade em rede e da análise de dados transacionais (Chow-White & Green, 2013). No entanto, além desses dados críticos, existe um grande volume de informações menos estruturadas que podem ser analisados em busca de informações úteis (Dijcks, 2013). O aumento da geração, capacidade de armazenamento, processamento e análise de dados proporcionaram um fenômeno tecnológico batizado de big data que causaria grandes impactos em pesquisas e desenvolvimento de soluções em diferentes áreas. Para marketing, a pesquisa por intermédio do big data pode representar a possibilidade de um profundo mergulho no entendimento do comportamento do consumidor, através do acompanhamento de seu perfil (geodemográfico, atitudinal, comportamental), a sua declaração de áreas de interesse e preferências, e do monitoramento do comportamento de compra (Paul, 2012; Vitorino, 2013). A triangulação dos dados disponíveis em tempo real com informações previamente armazenadas e analisadas possibilitariam a geração de insights não possíveis pelo uso de outras técnicas (Nunan & Domenico, 2013). Contudo, para que as informações do big data sejam corretamente utilizadas pelas empresas alguns cuidados são necessários, como investimento em capacitação de pessoas e equipamentos. Mais do que isso, o aumento de acesso às informações pode gerar problemas relacionados a ética, como invasão de privacidade, classificação e diferenciação dos clientes (red linning) como também na pesquisa, como o uso de informação em pesquisa sem concordância dos pesquisados. De acordo com Shiraishi (2013), análises preditivas são modelos que buscam prever o comportamento do consumidor por meio de dados gerados em suas atividades de compra e ou consumo e com o advento do big data, as análises preditivas ganham importância para entender esse comportamento a partir dos dados gerados nas interações on-line dessas pessoas. O uso de sistemas preditivos também pode ser polêmico como exemplificado pelo caso da rede americana Target que identificou o comportamento de compra de mulheres em início de gravidez e enviou uma carta de parabenização à uma adolescente que ainda não havia informado seus pais sobre seu estado. O caso gerou grande repercussão negativa e a rede suspendeu a ação (Vitorino, 2013). O presente ensaio tem por objetivo discutir o uso do big data no contexto do sistema de informação de marketing, apresentar as novas possiblidades decorrentes de seu uso e conduzir uma reflexão sobre suas limitações e cuidados éticos necessários para sua adoção. Para isso serão exploradas visões de pesquisadores e especialistas expostas por suas publicações que serão analisadas e cotejadas, depreendendo-se assim ilações à respeito do assunto. 11th CONTECSI Proceedings p.0609

3 2. O uso de informação para a tomada de decisão em marketing O sistema de informação de marketing (SIM) foi definido por Cox e Good (1967, p.145) como uma série de procedimentos e métodos para a coleta planejada, análise e apresentação de informação, de forma regular, para o uso em tomadas de decisões em marketing. Para Bereson (1969, p.16) o SIM seria uma estrutura interativa de pessoas, equipamentos, métodos e controles, desenhada para criar um fluxo de informações capaz de prover uma base aceitável para a tomada de decisão em marketing. Sua necessidade de implantação derivaria de pontos que se mantém atuais até hoje: (i) o aumento da complexidade dos negócios demandaria mais informações e melhor desempenho; (ii) ciclo de vida dos produtos estaria ficando mais curto, exigindo maior assertividade de gerentes de marketing para captura de lucros em menor tempo; (iii) empresas estariam ficando tão grandes que a inexistência de um esforço para criação de um sistema de informação estruturado tornaria impossível sua gestão; (iv) os negócios estariam demandando decisões rápidas e por isso seria fundamental que marketing tenha um sistema de informações para possibilitar suporte na tomada de decisão; (v) apesar de um SIM não ser dependente de computadores, os avanços das tecnologias de hardware e software teriam proliferado seus usos em empresas, tornando o não uso de seus melhores recursos em uma penalidade competitiva. Os dados que alimentam um SIM podem ser estruturados ou não-estruturados quanto a sua forma de busca e internos (empresa) ou externos (micro e macro ambiente) quanto sua origem. A forma clássica e mais popular é a de organizá-la por meio de subsistemas (Chiusoli & Ikeda, 2010, 2012; Kotler & Keller, 2012; Kotler, 1998). Os subsistemas de entradas e processamento de um SIM são o subsistema de registros internos (informação estruturada e interna), subsistema de inteligência de marketing (informação de fontes secundárias, não estruturada e de origem externa) e o subsistema de pesquisa de marketing (informação de fontes primárias, estruturada de origem interna ou externa, geradas à partir de uma pergunta de pesquisa). 11th CONTECSI Proceedings p.0610

4 3. O big data O termo big data se aplica a informação que não poderia ser processada utilizando ferramentas ou processos tradicionais. De acordo com relatório da IBM (Zikopoulos & Eaton, 2012), as três características que definiriam o big data são volume, velocidade e variedade, pois juntas elas teriam criado a necessidade de novas habilidades e conhecimentos para melhorar a capacidade de lidar como as informações (Figura 3). Figura 3 Três dimensões do big data Fonte: adaptado de Zikopoulos e Eaton, 2012 A internet e o uso de mídia social transferiram o poder de criação de conteúdo para as pessoas, aumentando em muito a geração de informação na internet, contudo isso representa apenas uma pequena parte da informação gerada. Sensores automatizados, como RFID (identificação por radiofrequência), multiplicaram o volume de dados capturados e espera-se que o volume de dados armazenados no mundo salte de petabytes (PB) no ano 2000 para 35 zettabytes (ZB) em De acordo com a IBM, o enquanto o Twitter sozinho geraria mais de 7 terabytes (TB) de dados por dia, algumas empresas gerariam terabytes de dados por hora devido à seus sensores e controles. Com a proliferação dos sensores e tecnologias que incentivam a colaboração social portátil, como smartphones, os dados ficaram mais complexos, seja pelo seu volume, seja por suas diferentes origens e formatos, como arquivos frutos de controles automáticos, fotos, livros, avaliações em comunidades, dados de compra, mensagens eletrônicas e dados de navegação. A visão tradicional de velocidade para dados 11th CONTECSI Proceedings p.0611

5 consideraria sua recuperação (retrieval), contudo, devido à imensidão de sensores que captam informação em tempo real, aparece a preocupação com a velocidade de captura e análise da informação, aparecendo dessa forma a ideia de fluxo. A captura deixa de ser em lotes (batchs) e passa a ser contínua (streaming). Big data então diz respeito a um massivo volume de informações de zettabytes em vez de terabytes, capturado de fontes diferentes, em diversos formatos e em tempo real (Zikopoulos & Eaton, 2012). Um plano de trabalho com big data é uma jornada que deveria levar em conta três principais elementos: (i) junção e integração de um volume extraordinário de dados novos para mineração de insights frescos, (ii) seleção de modelos analíticos avançados com o objetivo de automatizar operações e predizer os resultados de decisões de negócio e (iii) criação de ferramentas para traduzir as saídas dos modelos em ações tangíveis e treinar os funcionários chave para uso das ferramentas. Internamente os benefícios dessa jornada seriam uma maior eficiência da corporação uma vez que a mesma passaria a ser direcionada por informações mais relevantes, acuradas e em tempo hábil, maior transparência do funcionamento das operações, melhor predição e maior velocidade em simulações e testes (Biesdorf, Stefan; Court, David; Willmott, 2013). Outra mudança apresentada pelo big data está na posse da informação. Os grandes armazéns de informações eram apenas de organizações governamentais e grandes corporações tradicionais. Atualmente, corporações realmente novas e ligadas a tecnologia (como Facebook, Google, LinkedIn) detêm grande parte das informações sobre as pessoas, e com um volume crescente de forma acelerada. Somadas, estas informações criam um rastro digital de cada pessoa e seu estudo pode levar a identificação de seu perfil, preferências e até predição de seu comportamento (Nunan & Domenico, 2013). Dentro da administração de empresas, a cada dia novos usos para as informações são identificados, com promessas de benefícios para operações (ganhos de produtividade), finanças (controle e previsão de cenários), recursos humanos (recrutamento e seleção, remuneração, identificação de fatores de retenção) e pesquisa e desenvolvimento (prototipagem virtual e simulações). Em marketing, as informações sobre big data podem ajudar tanto na melhoria da qualidade da informação para o planejamento estratégico de marketing como em preditivos para a definição de programas de ação. 11th CONTECSI Proceedings p.0612

6 4. Uso do big data no sistema de informação de marketing Marketing pode se beneficiar com o uso das informações extraíveis do big data e muitas empresas e institutos já estão se estruturando para oferecer serviços de pesquisa e monitoramento do mundo digital. O uso desta informação será apresentado seguindo o modelo de sistema de informação de marketing proposto por Kotler e Keller (2012). 4.1.Subsistemas de entradas Relatórios Internos Os relatórios internos passam a ser mais completos e complexos, envolvendo também as informações e métricas geradas pelas propriedades digitais da empresa (incluindo sites e fanpages), o que aumentaria também a quantidade de informações sobre consumidores, indo além dos dados de perfil de clientes. Com a aumento da informação de diferentes origens e formatos, o banco de dados interno mais rico torna-se fonte de pesquisa para obtenção de insights de negócios, mercados, clientes e consumidores, além das análises internas Inteligência de marketing Se por um lado a amplitude da informação vinda de inteligência de marketing aumenta, por outro, ela se concentra num território com ferramentas de busca e monitoramento mais estruturadas, de mais fácil armazenamento e integração. A leitura de jornais, revistas e relatórios setoriais adquire uma nova dimensão com o acesso de informações globalizadas em tempo real, mudando o desafio de acesso à informação para seleção da informação com valor, aumentando assim o valor de serviços de clipping digital. O monitoramento de concorrentes ganha uma nova dimensão uma vez que as movimentações da marca podem ser facilmente acompanhadas, sejam elas marcas locais ou globais. Cresce a oferta de serviços de monitoramento de marcas, com produtos como o GNPD da Mintel e o Buzzz Monitor da e.life Pesquisa de Marketing Desde o crescimento da internet e aumento das comunidades virtuais, a investigação do comportamento online virou, ao mesmo tempo, uma oportunidade e uma necessidade. A netnografia utiliza-se de fontes da etnografia ao se propor a estudar o comportamento de grupos pela observação de seu comportamento em seu ambiente natural. Nesse sentido, a etnografia (e a netnografia) tem a característica de minimizar os vieses de mudanças de comportamento ao não extrair o objeto de estudo de seu habitat, como ocorre com grupos de pesquisas. Contudo, publicações acadêmicas ainda não apresentam um consenso sobre a aplicação das técnicas e profundidade das análises (Gebera, 2008; RV Kozinets, 2002; Robert V. Kozinets, 2006). Enquanto Kozinets (2002, 2006) propõe um estudo profundo, no qual o pesquisador necessita adquirir grande conhecimento prévio sobre o grupo objeto e o acompanhamento por longos períodos, Gerbera (2008) não deixa claro tal necessidade de profundidade em seu entendimento da técnica, possibilitando o entendimento de algo assemelhado a uma análise de conteúdo com base 11th CONTECSI Proceedings p.0613

7 em conteúdo digital. Para o primeiro, tal qual a etnografia, questões éticas ganham peso ao passo que o pesquisador precisaria pedir autorização para acompanhar o grupo e tornar sua presença conhecida; enquanto para o segundo, a netnografia não exigiria a apresentação do observador ao partir de dados públicos coletados. O grande volume de dados capturado pelas redes sociais poderiam ser analisados utilizando-se a netnografia. Uma das técnica de pesquisa que ganha espaço no meio digital é a análise de conteúdo devido a, de um lado, uma grande quantidade de dados disponíveis para análise sobre diversos assuntos, e de outro, a proliferação de ferramentas automatizadas de análise gratuitas, como o Many Eyes da IBM, que oferece recursos de nuvens de termos, correlação de termos, contagens e gráficos, entre outros. O massivo volume de informação do big data proporciona um grande aumento da amostra, em alguns casos, possibilitando a investigação da população, com n=all (Vitorino, 2013). 4.2.Armazenamento, recuperação e análise Com o aumento massivo de volume e complexidade da informação, as atividades de armazenamento, recuperação e análise ganham ainda mais importância com o big data. Empresas que não estão preparadas para lidar com esse desafio, encontram amparo na terceirização do processo (Zikopoulos & Eaton, 2012). De acordo com Soat (2013), o uso de pontuação para as informações disponíveis digitalmente (e-scores) seria uma das formas de trabalhar com informações de origens diferentes, incluindo dados pessoais (dados coletados de programas de fidelidade ou mensagens de ), dados de navegação coletados através de cookies, e dados de terceiros, coletados através de instituições financeiras, censos, cartões de crédito. A análise destas informações possibilitaria a organização a desenvolver um perfil do cliente e apresentar análises preditivas que poderiam direcionar decisões de marketing, como identificação dos clientes com maior lifetime value Informação para a tomada de decisão em marketing O sistema de informação de marketing fornece informação para a tomada de decisões estratégicas (estrutura, segmentação e posicionamento) e operacionais (mix de marketing). A utilização do big data em marketing será analisada, a seguir, sob essas perspectivas Segmentação e Posicionamento Para Cravens e Piercy (2008), uma estratégia de segmentação envolve a análise de mercados, identificação do mercado a ser segmentado, avaliação sobre como segmentar, definir estratégias de micro segmentação. Uma análise de mercado pode identificar segmentos não reconhecidos ou mal atendidos de maneira eficiente pelos concorrentes (Cravens & Piercy, 2008). Uma estratégia segmentação para ser bem sucedida deve buscar grupos que sejam identificáveis e mensuráveis, substanciais, acessíveis, responsíveis e viáveis (Ferrel & Hartline, 2005). Posicionamento pode ser entendido como a característica, o benefício ou a imagem chave do que a marca representa para a mente coletiva do público geral 11th CONTECSI Proceedings p.0614

8 (Crescitelli & Shimp, 2012). É a ação de projetar a oferta ou a imagem da empresa para que ela ocupe um lugar diferenciado na mente do público alvo. Cravens e Piercy (2008, p.100) ligam a atividade de segmentação ao posicionamento pela identificação das oportunidades de valor dentro do segmento. Enquanto segmentar diz respeito a identificar o segmento estrategicamente importante para a empresa, posicionar diz respeito de ocupar o espaço desejado dentro do segmento. Ferramentas de pesquisa e monitoramento digital possibilitam estudos sobre comportamento do consumidor para utilização em segmentação comportamental. A atribuição de pontuações e o uso de análises avançadas ajudam a identificar e correlacionar variáveis, definir algorítmicos preditivos para serem usados no dimensionamento de mercados e cálculos de lifetime value (Payne & Frow, 2005; Soat, 2013). Os estudos netnográficos também são fontes importantes de entendimento do comportamento do consumidor e de suas crenças e atitudes, fornecendo informações relevantes para a geração de insights e definição do posicionamento de marcas e produtos Produto À partir do posicionamento, as informações disponíveis devem ser usadas para a definição dos atributos de produto considerando o valor criado para o consumidor. Informações sobre preferências dos consumidores e suas manifestações em comunidades e fórum são insumos para desenvolvimento e ajuste de produtos, bem como definição de serviços complementares. O consumidor também poderia participar do processo de desenvolvimento dos produtos com geração de ideias e avaliações em tempo real. O desenvolvimento de inovações também poderia se beneficiar do big data, seja pela investigação de insights com consumidores, ou pelo uso de informações para desenvolvimento do produto em si, ou ainda pela melhoria do processo de inovação por meio do uso da informação, se beneficiando de histórico de produtos de sucesso, análise das etapas do processo ou consultas a um repositório de ideias (Gobble, 2013). Como melhoria do processo de inovação, as pesquisas via big data possibilitariam a replicação dos estudos de Cooper (1990) para a definição de um processo de inovação mais eficaz, andando no limiar entre pesquisa de marketing e pesquisa em marketing Distribuição Além da localização da navegação no ambiente digital e do acompanhamento dos indicadores de visitantes, taxa de abandono, taxa de rejeição e tempo por página, as ferramentas de geo localização possibilitam o acompanhamento da localização física dos consumidores e de suas formas de deslocamento. Mais que isso, as informações de mercados e consumidores provenientes do big data possibilitam avaliar de forma mais holísticas as variáveis que afetam nas decisões de distribuição e localização (Kotler & Keller, 2012; Parente, 2000) Comunicação 11th CONTECSI Proceedings p.0615

9 A análise do big data possibilita o aparecimento de novas formas de pesquisa de comunicação através da observação sobre como os expectadores interagem com as redes sociais. Da análise de seu comportamento podem aparecer insights sobre suas preferências e ídolos (Paul, 2012) para a definição de conceitos e ajuste de detalhes de execução da campanha. Além disso, a interação online durante a exibição de ações offline das marcas possibilita a criação e acompanhamento de indicadores para monitoramento da comunicação (Paul, 2012; Talbot, 2011), sejam eles quantitativos ou qualitativos. O aumento da capacidade de armazenamento, processamento e disponibilidade de informação, possibilita a aplicação do conceito de CRM aos clientes de B2C, envolvendo as atividades de reunir, processar e analisar informação sobre clientes, oferecer insights sobre como e por que clientes fazem compras, otimizar os processos da empresa, facilitar a interação cliente-empresa, e oferecer acesso à informação do cliente para toda empresa Preço Mesmo negócios offline serão fortemente impactados pelo uso da informação de preços online. Em pesquisa do Google Shopper Marketing Council, divulgada em abril de 2013, 84% dos consumidores americanos consultam seus smartphones durante as compras em lojas físicas e 54% os usam para fazer comparações de preço. De acordo com Vitorino (2013) a informação disponível sobre preço em tempo real juntamente com o entendimento das opiniões dos consumidores e seus fatores de influência (opiniões declaradas, comentários sobre experiências, histórico de navegação, composição familiar, tempo da última compra, comportamento de compra), combinados com o uso de algorítmicos preditivos mudaria a dinâmica, podendo no limite, dar insumos para uma tomada de decisão de preço personalizada a cada momento. 11th CONTECSI Proceedings p.0616

10 5. Limitações e Ética Devido à falta de cultura no uso da informação e alto custo histórico de estocagem, muitas informações históricas foram perdidas ou simplesmente não coletadas. Um estudo da McKinsey (Biesdorf, Stefan; Court, David; Willmott, 2013) com empresas varejistas observou que redes não estavam apreendendo toda a potencialidade dos sistemas preditivos por falta de: (i) informação histórica, (ii) integração de informação e (iii) padronização mínima entre informações internas e externas da rede (Bughin, Livingston, & Marwaha, 2011). Quanto maior o histórico de informação, maior a precisão do algoritmo, desde que o ambiente no qual o sistema esteja inserido se mantenha estável. Biesdorf, Court e Willmott (2013) destacam o desafio de integração da informação proveniente de diferentes sistemas funcionais, sistemas legados e informações geradas fora da empresa, incluindo informações do macro ambiente e redes sociais. Pessoas capacitadas para direcionar as pesquisas e lidar com os sistemas e interfaces também são limitadores para pesquisas (Gobble, 2013), pelo menos no curto prazo. De acordo com Gobble (2013) um relatório da McKinsey identifica a necessidade de pessoas habilitadas para os trabalhos relacionados a análises (analytics) necessárias hoje. A qualificação da linha de frente deve ser acompanhar o desenvolvimeto de interfaces amigáveis (Biesdorf, Stefan; Court, David; Willmott, 2013). Além das pessoas diretamente ligada aos analytics, Schultz (2012) ainda aponta a necessidade de pessoas com conhecimento da vida real capazes de realizar a interpretação das informações geradas pelos algoritmos. Se o entendimento básico do consumidor não estiver lá, impregnado no modelo analítico, realmente não interessa por quantas iterações o dado passar ou quão rápido. A saída não valerá a pena (Schultz, 2012). A gestão de clientes de forma diferenciada através do CRM já apresenta uma série de críticas e limitações. Pensando na aplicação de CRM para marketing de serviços, de acordo com Hoffman et al (2010), suas limitações estariam no fato que uma referência baseada apenas no histórico, pode não refletir potencial real dos clientes; o tratamento desigual entre clientes poderia gerar conflitos e insatisfação dos clientes não listados como prioritários; e questões éticas envolvendo privacidade (compartilhamento indevido de informação) e tratamento diferenciado (como red linning). Estas questões podem ser aplicadas ainda em maior escala nas discussões do uso das informações provenientes do big data em pesquisa de marketing e sua aplicação a clientes e consumidores. Os modelos preditivos partem da premissa que o ambiente no qual o sistema em análise está inserido permaneça estável, o que por si só já é uma limitação do uso das informações. Além desta e da necessidade de investimento em estrutura ou gastos com terceirização, as principais limitações no uso do big data aparecem ligadas a três principais fatores: escassez e incompatibilidade de dados, qualificação de pessoas e uso adequado da informação. A total automação da decisão decorrente de modelos preditivos (Nunan & Domenico, 2013) também representa um risco uma vez que, por melhor que sejam os modelos, eles ainda são apenas formas binárias de entendimento de uma situação teórica limitada. Ao menos por enquanto, caberia aos modelos analíticos fazerem as análises e recomendações, mas as decisões ainda seriam de responsabilidade humana. 11th CONTECSI Proceedings p.0617

11 Nunan e Domenico (2013) também destacam que o comportamento das pessoas e seus relacionamentos nas redes sociais podem não refletir fielmente seu comportamento offline, sendo importante primeiramente aumentar o nível de entendimento da relação entre o comportamento social no mundo online e offline. Contudo, se por um lado as pessoas controlam o conteúdo da informação alimentada deliberadamente nas redes sociais, por outro uma infinidade de informações são colhidas de forma invisível, compondo seu rastro digital. O uso da informação sem consciência e autorização do pesquisado envolve a ética em pesquisa (Gebera, 2008; RV Kozinets, 2002; Robert V. Kozinets, 2006). A Figura 4 apresenta uma sugestão de continuum entre as informações que os clientes disponibilizariam de forma consciente e as informações que seriam disponibilizadas de forma inconsciente e involuntária para os sistemas preditivos. A consideração das questões éticas levantadas por Kozinets (2006), Nunan e Domenico (2013) e Boyd e Crawford (2011) reforça a importância do aumento do nível de consciência dos clientes sobre o uso de suas informações ou da garantia de não personalização das análises de informações obtidas de forma não consciente por parte das empresas. Figura 4 Continuum entre consciência e não consciência no uso das informações Informações não confidenciais Maior consciência e consentimento no fornecimento da informação dados abertos de sites e páginas pessoais comentários abertos informação sobre interesses (Like, Follow, RT) participação consciente em pesquisas (online survey) informações pessoais interesses relacionamentos localização geográfica (GPS) caminho percorrido até a compra comportamento on line registro de compras documentos confidenciais conteúdo de e.mails dados bancários Informações confidenciais Maior desconhecimento e não consentimento no fornecimento da informação Fonte: dos autores 11th CONTECSI Proceedings p.0618

12 11th CONTECSI Proceedings p.0619

13 6. Considerações finais Este ensaio discutiu o uso do big data no contexto do sistema de informação de marketing, e o que fica claro é que ainda estamos no começo de uma jornada sobre entendimento das suas possibilidades e usos e é possível observar a grande atenção que o tema gera, assim como a crescente preocupação ética. Conforme proposto por Nunan e Domenico (2013) o caminho da auto-regulamentação via ESOMAR (Sociedade Europeia para Pesquisa de Opinião e Mercado) se mostra como uma alternativa para ao mesmo tempo combater os abusos e excessos e possibilitar o bom uso das informações. Nunan e Domenico (2013) propõem como inclusões às atuais regras da ESOMAR o direito de ser esquecido (possibilidade de solicitar a apagamento de histórico), o direito de ter dados expirados (em complementariedade ao direito de ser esquecido os dados de transações também poderiam expirar), e o domínio do traço social ( ownership of a social graph - as informações coletadas sobre os indivíduos deveriam ser de conhecimento do mesmo). Em comunicação de marketing a auto-regulamentação no Brasil tem demonstrado resultados positivos, como nos exemplos da indústria de bebidas alcoólicas e alimentos infantis que diante da pressão da opinião pública adotaram medidas restritivas para coibir abusos e manter a comunicação das categorias (CONAR, 2013). Indústrias como cigarro e comunicação exterior em São Paulo são contra exemplos nos quais os excessos culminaram com grandes restrições para as categorias. Como num dilema dos prisioneiros (Pindyck & Rubinfeld, 1994), a autoregulamentação força a uma solução onde todos os participantes abrem mão de suas melhores opções individuais de curto prazo pelo bem do todo no longo prazo (Figura 5). Figura 5 Exercício livre de aplicação de dilema dos prisioneiros. Todos excedem. Eu excedo. Excessos em invasão de privacidade e excessos em comunicação. Altos investimento e resultados divididos entre todos. Sociedade prejudicada. Todos excedem. Eu não excedo. Excessos em invasão de privacidade e excessos em comunicação. Poucas informações e visibilidade para quem não excede. Sociedade e quem não excede prejudicados. Todos não excedem. Eu excedo. Todos não excedem. Eu não excedo. Sem invasão de privacidade e pouca comunicação relevante. Sem invasão de privacidade e pouca comunicação relevante. Baixos investimentos em comunicação. Alta visibilidade e Baixos investimentos em comunicação e resultados divididos resultados para quem comete excessos. Sociedade e quem entre todos. Sociedade beneficiada. comete excessos beneficiados. Quem não comete excesso prejudicado. Fonte: dos autores, baseado em Pindick e Rubinfeld (1994) 11th CONTECSI Proceedings p.0620

14 Por outro lado, se o consentimento do consumidor na liberação do uso de sua informação resolveria as questões éticas, as empresas nunca tiveram tanto poder para criar valor para seus clientes e consumidores. Resgatando a aplicação de marketing proposta em Broadening the concept of marketing (Kotler & Levy, 1969), a troca de liberação de consentimento poderia ser realizada pelo oferecimento de um valor não pecuniário superior. Este oferecimento de valor pode vir do bom uso da informação para gerar serviços ou novas propostas que aumentem o valor percebido pelo cliente (Kotler & Keller, 2012). Atualmente muitos aplicativos para mobile oferecem serviços para consumidores, aparentemente sem custos, em troca de sua audiência para anúncios e acesso à suas informações de redes sociais. Entender qual o serviço, coerente com sua proposta de negócio, que o consumidor enxerga valor e deixar claro a troca, o serviço e o consentimento do uso da informação poderia ser um dos caminhos para o acesso à informação de forma ética. Do ponto de vista de pesquisa de marketing, o desenvolvimento de sistemas de recuperação e análises de grandes volumes de informações não estruturadas prometeria trazer entendimento dos comportamentos dos consumidores. Questões relacionadas a descobertas e entendimento de consumidores em pesquisa de marketing são tratadas no campo qualitativo. Contudo, dado o volume de casos, poderiam as pesquisas através do big data trazerem ao mesmo tempo o entendimento do consumidor e a mensuração dos grupos com este comportamento? Uma sugestão de próximos trabalhos seria a investigação da união dos objetivos de pesquisa qualitativa e quantitativa com o uso do big data e sistemas analíticos no entendimento do comportamento do consumidor e mensuração da importância grupos. 11th CONTECSI Proceedings p.0621

15 7. Referências Biesdorf, Stefan; Court, David; Willmott, P. (2013). Big data: What s your plan? McKinsey Quarterly, (2), Bughin, J., Livingston, J., & Marwaha, S. (2011). Seizing the potential of big data. McKinsey, (October). Retrieved from Chiusoli, C. L., & Ikeda, A. (2010). Sistema de Informação de Marketing (SIM): ferramenta de apoio com aplicações à gestão empresarial. São Paulo: Atlas. Chow-White, P. A., & Green, S. E. (2013). Data Mining Difference in the Age of Big Data : Communication and the Social Shaping of Genome Technologies from 1998 to International Journal of Communication, 7, CONAR. Conselhor Nacional de Auto-regulamentação Publicitária. Disponível em < Acessado em 9/11/2013. Cravens, D. W., & Piercy, N. F. (2008). Marketing estratégico (8th ed.). São Paulo: McGraw Hill. Crescitelli, E., & Shimp, T. (2012). Comunicação de Marketing: integrando propaganda, promoção e outrs formas de divulgação. São Paulo: Cengage Learning. Dijcks, J. (2013). Oracle: Big Data for the Enterprise. Oracle White Paper. Retrieved from ata+for+the+enterprise#0 E.LIFE. Disponível em: < Acessado em: 9/11/2013. ESOMAR. Disponível em: Acessado em: 9/11/2013. Ferrel, O. C., & Hartline, M. D. (2005). Estratégia de Marketing. São Paulo: Pioneira Thompson Learning. Gebera, O. (2008). La netnografía: un método de investigación en Internet. Educar, Retrieved from Gobble, M. M. (2013). Big Data: The Next Big Thing in Innovation. Research- Technology Management, 56(1), doi: / x Kotler, P. (1998). Administração de marketing. São Paulo (5th ed.). São Paulo: Atlas. 11th CONTECSI Proceedings p.0622

16 Kotler, P., & Keller, K. (2012). Administração de marketing. São Paulo (14th ed.). São Paulo: Pearson Education. Kotler, P., & Levy, S. J. (1969). Broadening the concept of marketing. Journal of marketing, 33(1), Retrieved from Kozinets, RV. (2002). The field behind the screen: using netnography for marketing research in online communities. Journal of marketing research. Retrieved from Kozinets, Robert V. (2006). Click to Connect: Netnography and Tribal Advertising. Journal of Advertising Research, 46(3), 279. doi: /s MANY EYES. Disponível em: < Acessado em: 9/11/2013. MINTEL. Disponível em: < Acessado em: 9/11/2013 Nunan, D., & Domenico, M. Di. (2013). Market research and the ethics of big data Market research and the ethics of big data. International Journal of Market Research, 44(4), Parente, J. (2000). Varejo no Brasil: Gestão e Estratégia. São Paulo: Atlas. Paul, J. (2012). BIG DATA TAKES CENTRE ICE. Marketing, (Nov 30). Payne, A., & Frow, P. (2005). A strategic framework for customer relationship management. Journal of Marketing, 69(4), Pindyck, R. S., & Rubinfeld, D. L. (1994). Microeconomia. São Paulo: Makron Books. Schultz, D. (2012). Can Big Data Do It All? Marketing News, (November), 9. Shiraishi, G. (2013). Apostila da disciplina de Sistema de Informação de Marketing ministrado no curso de graduação de administração de empresas na FEA-USP. 2º semestre Soat, M. (2013). E-SCORES: The new face of predictive analytics. Marketing Insights, (September), 1 4. Talbot, D. (2011). Decoding Social Media patterns in tweets A Social- Media Decoder. Technology Review, (December 2011). Vitorino, J. (2013). Social big data. São Paulo. Retrieved from Zikopoulos, P., & Eaton, C. (2012). Understanding big data: Analytics for enterprise class hadoop and streaming data (p. 166). New York: Mc Graw Hill. Retrieved from 11th CONTECSI Proceedings p.0623