transformamos dados de pesquisa em...clientes, 68% das vendas –principais compradores: mulheres,...

TRANSFORMAMOS DADOS DE PESQUISA EM DECISÕES DE NEGÓCIO INTELIGENTES

Felipe Mendes,

Presidente do Grupo GfK no Brasil

Os Benefícios do Big Data!

felipe.mendes@gfk.com

Big Data: do conceito à prática

80%

conhece o conceito

47%

entende o impacto

30%

já executou projetos

5%

criou uma

estratégia

felipe.mendes@gfk.com

Qual o melhor exemplo de Big Data hoje no Brasil?

felipe.mendes@gfk.com

Tem certeza?...

felipe.mendes@gfk.com

É a Operação Lava Jato!

felipe.mendes@gfk.com

Tudo começa com uma boa pergunta!

“Números nãoconseguem falarsozinhos. Nós falamosatravés deles. Nós que damos sentido a eles.”

Nate Silver,

“O Sinal e o Ruído”

felipe.mendes@gfk.com

Conceituando Big Data

7 elementos de uma estratégiade Big Data

Capacidade para

guardar Dados

Visualização e

acesso

Disponibildade de

Bons Dados

Privacidade e

Segurança

Capacidade para

processar Dados

Capacidade analítica45

36

27

Uma perguntaclara de negócio

felipe.mendes@gfk.com

3 grandes avanços tecnológicosvem “democratizando” o Big Data

felipe.mendes@gfk.com

?#!

%&

Variedade(dado em formatosdiferentes)

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 seutempo

Volume (dado em quantidademassiva)

Primeiro você coleta, depoisvocê pensa como analisar e utilizar.

Veracidade(dado em questionamento)

Ter muito dado não significater dado correto! É necessário reduzir o viés, higienizar.

Os 4 V’s do Big Data demonstramsua complexidade

felipe.mendes@gfk.com

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

felipe.mendes@gfk.com

Big Data no Varejo

A operação regular do Varejo já produz muitodado, bastante estruturado

Falta apenas saber onde e como procurar, para balancear e referenciar o viés natural do Big Data

A nível Macro

Centenas/Dezenas de lojas

Milhares de sku’s

Processos de compra, logística e vendas

Milhões de transações por ano

A nível Micro: Clientes

Dezenas de transações por ano, naloja e online

Múltiplos canais: CRM, App’s, Mídia Social

Cartões de lealdade

felipe.mendes@gfk.com

Estudo de Caso 1

Aprendizados 3 segmentos de clientes target: 20% dos

clientes, 68% das vendas– Principais compradores: mulheres, em sua

maioria casadas, +35 anos e renda maisalta que a média da bandeira

Outros segmentos potenciais– 17% de mulheres mais jovens, ainda não

casadas, com ticket e visitas médias

– 24% tem gasto médio/alto, porém baixafrequência de visita

Ações possíveis Ofertas de lançamentos e marcas preferidas,

em especial de itens mais premiums Ações promocionais em loja (Cozinhando

com…)

Call center com ações específicas para mulheres, para descobrir se está em épocade enxoval

Aprofundar conhecimento sobre lealdade à bandeira (estudo ou fusão via Empr. Pesq.)

Problema: um varejista multi-bandeira, notou queda de consumo na venda de

pequenos eletrodomésticos e gostaria de ativar a categoria.

felipe.mendes@gfk.com

Estudo de Caso 1: Segmentação transacional

Val

or

po

rvi

sita

/co

mp

ra

Frequência de visita

15%

2%

17% 15%9%

26%

18%

1%

15%

4%7% 6%

Avera

ge T

ransaction V

alu

e

Mid 40%ATV

> PHP 654

~ 2,500

Bottom 40% ATV

< PHP 654

Bottom 40% Visits1~11

Mid 40% Visits12~44

Top 20% Visits45 and above

Frequency of Visits

9%4%

8%

17%

3%

25%Top 20%ATV

> PHP 2,500

Platinum

Gold

Silver

Próxima geração

% de Gastos% de Clientes

Nota: baseado emtransações dos últimos12 meses (Maio-Abril)

felipe.mendes@gfk.com

Estudo de Caso 1: Perfil demográfico e localização

Val

or

po

rvi

sita

/co

mp

ra

Ave

rag

e T

ran

sa

ctio

n V

alu

e

Mid 40%ATV

> PHP 654

~ 2,500

Bottom 40% ATV

< PHP 654

Bottom 40% Visits1~11

Mid 40% Visits12~44

Top 20% Visits45 and above

Frequency of Visits

Top 20%ATV

> PHP 2,500 81%are

35 & older

78% are

Female

53% are married

50% 73% are

35 & older

69% are

Female

47% are married

64% are

35 & older

60% are

Female

48% are married

56% are

35 & older

64% are

Female

44% are married

74% are

35 & older

80% are

Female

48% are married

61% are

35 & older

71% are

Female

42% are married

49% are

35 & older

66% are

Female

37% are married

60% are

35 & older

77% are

Female

36% are married

47% are

35 & older

73% are

Female

31% are married

Central Region

Central Region

Central Region

49% 40%

Central Region

Central Region

36% 43%

Central Region

35% Central Region

43%

Central Region

Central Region

48%

47%

Frequência de visita

felipe.mendes@gfk.com

Estudo de Caso 2

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.)

Problema: Centro de conveniência, negociando volume com operador de telefonia,

busca plano de negócios para aumentar vendas de chips com planos mais caros

felipe.mendes@gfk.com

Estudo de Caso 2: Segmentação transacional

16%

5%

16% 13%9%

21%

17%

2%

15%

5%8% 8%

Avera

ge T

ransaction V

alu

e

Mid 40%ATV

RM 17~44

Bottom 40% ATV

< RM 17

Bottom 40% Usage1

Mid 40% Usage2~4

Top 20% Usage5 and above

Frequency of Usage

13%16%

5%

13%

2%

17%

Top 20%ATV

> RM 44

PlatinumGold

Silver

Next Generation

Nota:

Baseado nastransações ocorridasem Dez-Fev

Frequent visitorsLow potential-1

Mid segment

Least potential

Low potential-2

felipe.mendes@gfk.com

Nota:

Baseado nastransações ocorridasem Dez-Fev

Estudo de Caso 2: Perfil Demográfico e Afiliação

felipe.mendes@gfk.com

Estudo de Caso 2: Perfil de Gastos

Nota:

Baseado nastransações ocorridasem Dez-Fev

Nota: Varejossegmentados de acordo à classificação da matriz

felipe.mendes@gfk.com

Estudo de Caso 2: Localização

Nota:

Baseado nastransaçõesocorridas emDez-Fev

Basedo no endereço citadono cadastro

felipe.mendes@gfk.com

Big Data para Decisões Inteligentes

Produzidopelo Varejo

BigData

Oportunidade: criar contexto, enriquecendo dados transacionais

• Dados gerados no Varejo• Transações comerciais

• Cartão de fidelidade e CRM

• Tráfego no site

• Logística, Vendas, Operações, etc

Bigdata

BigData

Outrasfontes

Dados de contexto

Decisõesinteligentes

• Outros dados de contexto• Mídias Sociais

• Jornada de Compra “online”/mobile

• Consumo de Mídia

• Dados causais (promoções, gôndola)

• Pesquisa de mercado

• Comprador misterioso

felipe.mendes@gfk.com