lean e data science para levar o turismo brasileiro a outro patamar · 2015. 5. 27. · time de...
TRANSCRIPT
Lean e Data Science para levar o turismo brasileiro a outro patamar
Bruno Pereira
• CTO do HotelUrbano em 2014 • Trabalha com métodos ágeis desde de
2007 • Fundador e CEO da Rivendel
Tecnologia • Lean Startups/Innovation desde 2010:
60+ startups
Demetrius Rapello
• CTO do HotelUrbano • Desde 2007 trabalha com métodos ágeis • Há 14 anos desenvolvendo produtos para
internet • Mestre em Informática pela Puc-Rio, com
especialização em machine learning e sistemas de recomendação
Fonte: Exame (2014-04-11)
HotelUrbano
• maior agência de viagens online do brasil
• fundada em janeiro de 2011
1 diária vendida a cada 8 segundos
180 mil hotéis em 35 mil destinos, em
183 países
18 milhões de clientes na base
HU em números
"Proporcionar o sonho de viajar de todo brasileiro"
visão
• quantos milhões? • quantos destinos? • quantos hotéis?
Profissionalizar! Melhorando O quê e Quanto
Métricas Métricas Métricas
“ Measure what is measurable, and make measurable what is not so.” - Galileu
métricas
• Quantos gostariam de visitar algum desses lugares? • Quantos conseguem prestar atenção na palestra
depois disso? :) • Quantos acreditam que conseguimos cruzar
ociosidade com desejo de viajar e fechar negócios melhores para todos?
• Quantos querem conhecer uma história de Lean e Data Science aplicados para você viajar?
Panorama Inicial
dificuldades iniciais
• Estrutura organizacional
• Muitas vanity metrics, poucas actionable metrics
• Empresa sem cultura de dados. Muitas decisões subjetivas
Nossa empresa está organizada da melhor forma?
mudança na cultura
antes depois
Market Driven foco na necessidade de distribuição
Product Driven construir um produto baseado nas necessidades dos usuários
mudança na organização dos times
Gerente de Projeto
Lider Servidor
auto organizado
antes depois
começamos a planejar produto
Product Manager responsável por pensar nas necessidades do usuário e
alinhar com UX, TI e Business
Estamos atuando nos problemas corretos com as
pessoas certas?
priorização dos PO's
antes depois
baseada em opiniões subjetivas
baseada em coleta e análise de dados
foco nas pessoas
• contratação é o mais importante
• investimento em treinamento e eventos
• ambiente interno
• tech house
Lean e Métricas
Lean
• Pouco desperdício: buscando mínimo de esforço pra validar hipóteses
• Ciclos rápidos de inspeção e adaptação
• Stop the line: mobilizamos o que for necessário para evidenciar e corrigir problemas
Get Out of the fucking Building!!!
metrics for pirates
AARRR!
AARRR!!!• Acquisition: clientes chegam ao seu produto através de diferentes
canais
• Activation: clientes gostam da 1a interação - experiência feliz
• Retention: clientes voltam e usam seu produto várias vezes
• Referral: clientes gostam o suficiente do seu produto para indicá-lo para outras pessoas
• Revenue: clientes te geram receita
Qual etapa do funil é mais crítica pro seu produto AGORA?
exemplos de métricas
Escolha poucas métricas para acompanhar e otimizar o ciclo
Documentando Hipóteses e experimentos
formulando hipótesesAcredito que se fizermos X teremos um impacto positivo no produto, especialmente na etapa Y do funil
• Quais são métricas que precisamos acompanhar?
• Consigo definir o que é sucesso?
• Essa hipótese conflita com alguma outra já sendo testada?
• Importante documentar o experimento realizado pra que seja “formalizado" o aprendizado.
build measure and learn
Escolha poucas métricas para acompanhar e otimizar o ciclo
Data Science
“In god we trust. All others must bring data” - W. Edwards Deming
Data Science
• Extração de conhecimento a partir dos dados
• Aplicamos análises estatísticas e aprendizado de máquina para entender o histórico e prever comportamento futuro
• Comumente associado a Big Data, mas já conseguimos muitos aprendizados valiosos com Small Data.
time de data science e papéis
• Data Engineering: captura, extração/limpeza e disponibilização de dados
• Data Scientist: algoritmos de machine learning e estatística
• Data Visualization: implementam visualizações e usam análises exploratórias e preditivas para gerar insights de negócio
• Data Stewards: profissionais analíticos alocados nas áreas de negócio para apoiar na utilização do conhecimento obtido
Tão importante quanto gerar inteligência é garantir que ela seja usada. Realimentar áreas de negócio continuamente é essencial.
Use Cases• Marketing: prever LTV, segmentação de clientes, churn,
recomendação
• Vendas: priorização de leads, predição de demanda
• Risco: detecção de fraude, avaliação de crédito
• Varejo: precificação, layout de loja física, gestão de inventário, recomendação de novas lojas
• Hotelaria: precificação dinâmica, segmentação de clientes x produtos, priorização de investimentos
Claro, também dá pra resolver o problema das bicicletinhas de Amsterdam! ;)
Stack Realtime Stack Analítica
criando uma cultura data driven
premissas
• Colaboração e foco
• imersão no negócio
• métricas acionáveis
• respire dados
• repetível e escalável
onde estamos agora
O próximo tripulante pode ser você!