• Roberto Thomazette

Faça os seus dados trabalharem para você – parte 3


Essa sequência de textos é composta de:


Parte 1 – Falamos sobre a curva de maturidade das empresas em análise de dados, incidentes por fontes de dados e categorias das fontes de dados. Se você ainda não leu, você pode acessar aqui.


Parte 2 – Abordamos a sensibilidade dos dados ao tempo e análise de texto e fala. Você pode acessar aqui.


Leia agora a parte 3:



Linkagem de dados: a chave para descobrir relações significativas em dados discretos


Nossa primeira abordagem para identificar como devemos combinar numerosos elementos de dados discretos de forma diferente, para obter a máxima compreensão é reconhecer ser necessário mudar o foco interno e colocar o cliente no centro do universo. Resista à tentação de colocar somente os interesses da sua empresa como ponto central.



As organizações hoje em dia coletam, gerenciam e analisam volumes imensos de dados: visão 360º do cliente.


Duas coisas podem ser notadas nesse gráfico:


1. É possível visualizar como os processos internos podem afetar as motivações e comportamentos do cliente.


2. Pode-se ter uma visão mais holística sobre como os departamentos internos, ou os poderes informais, se tornam sem importância relativa.


Essa noção de associação aberta é um dos conceitos fundamentais da análise de linkagem.



Linkagem: a interconectividade dos dados


O próximo passo é pensar como esses elementos de dados podem ser interconectados, para que seja possível extrair insights valiosos a partir da observação de mais de um conjunto de dados em conjunto com outras peças de informação, para extrair respostas preciosas.



Análise: fatiamento dos dados para descobrir tudo o que pode ser aprendido


Aqui se faz uma revisão de algumas técnicas de análise que podem levar a insights mais profundos que não estão evidentes em métricas de desempenho de alto nível, como dashboards ou balanced scorecard.



Segmentação


As empresas frequentemente usam uma abordagem padrão com os clientes. O ponto fraco desse método é que ele não leva em consideração parâmetros importantes como produtos ou serviços usados, tamanho do local de origem ou até mesmo a diferença entre um consumidor com alta rentabilidade e alto potencial de compra versus um consumidor de baixa rentabilidade, que drena recursos. Da mesma forma, as empresas não diferenciam como um cliente valoriza seus produtos ou serviços.


Alguns tipos comuns de segmentação:


1. Baseada em valor, que facilita a implementação de diferentes níveis de serviço para os clientes de valores diferentes.


2. Baseada em comportamento, que permite a empresa personalizar os serviços em função do conhecimento sobre o consumidor.


3. Baseada em insights, que é desenvolvida a partir das informações e dados transacionais dos consumidores. Também permite a personalização da abordagem e da comunicação.


4. Baseada em necessidades, que tem por base a noção de que consumidores diferentes têm necessidades diferentes. Isso faz a ligação entre as características do produto e os atributos da marca, com as ações dos clientes.



Filtragem


Filtragem colaborativa (Collaborative Filtering) é uma ferramenta de personalização muito utilizada. Ela permite às organizações promover vendas cross-sell e up-sell [1] somente daqueles produtos e serviços que as pessoas tem mais tendência de adquirir. Certamente você já viu empresas que colhem informações sobre suas preferências, e compara com outras pessoas que têm preferências semelhantes e depois sugerem: “outras pessoas que gostaram disso, também gostaram daquilo”.


Para alcançar a personalização, a filtragem colaborativa é somente uma parte de um conjunto grande de modelos. Existem muitas situações em que a personalização tem grande efetividade.



Correlação e tabulação cruzada


Correlação é uma técnica estatística que pode mostrar se pares de variáveis estão relacionados e quão fortes são essas relações. A análise de correlação pode levar a um maior entendimento dos seus dados.


Muitos pesquisadores usam correlações com escalas de classificação porque os resultados normalmente refletem o mundo real. O problema com a correlação entre a satisfação e outras métricas comuns de lealdade é a forma com que a informação é colhida e analisada. No fundo, isolar o efeito da lealdade é muito mais difícil do que dizer que há uma correlação entre eles. Tanto lealdade quanto rentabilidade podem ser resultantes de outros vetores.


Um exemplo de como duas métricas podem ser ligadas a uma terceira: uma marca famosa de carros tem alto nível de lealdade e também é muito rentável. Entretanto, essas duas métricas são devidas aos excelentes produtos e serviços que essa empresa entrega. Lealdade e rentabilidade simplesmente são resultados da excelência dos produtos e serviços. Em outras palavras: nunca confunda a correlação com a causa!


Uma análise de tabulação cruzada é útil para mostrar as possíveis correlações entre a forma com que as pessoas responderam a duas ou mais questões. Permite ver uma distribuição entre variáveis específicas. É usada por que é fácil de entender. Normalmente, o grupo de controle ou variável independente está no eixo X (como idade, gênero, educação) e a variável dependente ou grupo sob estudo está localizado no eixo Y.



Data mining


Data mining permite um mergulho profundo em grandes quantidades de dados díspares. Isso torna possível categorizar o conjunto completo de dados, desde que o trabalho seja automatizado. É possível analisar a informação de várias formas, como por exemplo, identificar eventos de baixa frequência, separar ocorrências muito raras que poderiam ser perdidas, evitar os erros de análises manuais, etc.


Data mining pode também ser usada com os resultados da análise de texto e fala, desde que ambas as aplicações transformem os dados não estruturados (texto ou fala) em dados estruturados. Data mining reduz o custo da análise de grandes quantidades de dados e oferece grande flexibilidade de adaptação a mudanças nos dados. A análise em tempo real permite mais velocidade e profundidade para aplicações orientadas a detalhes.



Conclusão


Todos nós lidamos com uma avalanche de informações. Entretanto, a maioria das pessoas não tem uma estrutura para organizar e trazer sentido ao que é encontrado. Sem uma metodologia para analisar os nossos dados, não poderemos ver vantagens na razão primária de mantermos dados: extrair informações para a tomada de decisões embasadas no negócio.


Os executivos podem e devem tomar grandes decisões somente quando conhecem perfeitamente os fatos. Sabemos que é muito mais fácil tomar ação quando os problemas e as causas subjacentes estão claros, em oposição a serem apenas vagas ideias de que algo está errado.



Fique atento a tendências e novidades de mercado lendo outros textos do nosso blog e não se esqueça de deixar suas dúvidas e opiniões.