Passar para o conteúdo principal
Campo Obrigatório

Big Data - Analytics 3.0

Conheça a tendência "Big Data Analytics 3.0” e saiba como a usar para aumentar a competitividade internacional da sua empresa.

Na última década, o volume de dados gerados e disponíveis, nomeadamente para apoio à decisão empresarial, tem vindo a crescer exponencialmente, impulsionado pelo incremento das tecnologias de criação, extração e armazenamento de dados, bem como pela criação de outputs como os que, por exemplo, resultam de equipamentos que ligam à Internet das Coisas (IoT).

 

O QUE É O BIG DATA?

O conceito de Big Data – grandes quantidades de dados – refere-se a conjuntos de dados cuja dimensão extrapola a capacidade das ferramentas e software tradicionais para captar, armazenar, gerir e analisar os dados. Tem um potencial impacto positivo no marketing e operações, designadamente por, depois de analisados os dados e transformados em informação, permitir uma tomada de decisões mais sustentada. 

Repare-se, por exemplo, na quantidade de informação presente no Facebook, numa grande superfície ou no Google, sendo, de facto, a sua mais importante fonte de valor. Se, no passado,
esta enorme quantidade de dados era frequentemente desperdiçada e não transformada em informação útil, atualmente é possível às organizações identificar tendências a partir de dados indiretos e não estruturados em várias plataformas, podendo reagir e atuar com base nos resultados da análise desses dados.

Por esta razão, o conceito de Big Data não deve ser desligado do de Analytics – metodologias de análise – imprescindível para que estes dados sejam transformados em conhecimento utilizável.

ESPECIFICIDADES DO BIG DATA

Com frequência, o termo Big Data é referido como buzzword, num contexto em que se pretende referir aplicações de análise de informação, sendo esta realizada de uma forma mais inteligente e eficaz. 

Porém, o conceito vai muito para além disso; na realidade as organizações que utilizam Big Data tiram partido de informação em tempo real que pode ser obtida a partir de sensores, através de identificação por rádio frequência ou outros equipamentos, com o intuito de conhecerem melhor e mais profundamente o ambiente empresarial e as tendências de mercado, com impacto ao nível do seu esforço de marketing como, por exemplo, no lançamento de novos produtos.

Esta abordagem analítica de grandes quantidades de dados tem na sua génese, e face à abordagem tradicional de análise de dados, três grandes especificidades:

  • Consideram-se os fluxos de dados e não blocos fechados;
  • Privilegia-se, na organização, os desenvolvedores de produtos e de processos e especialistas de dados face aos ‘meros’ analistas de dados;
  • A análise dos dados deixa de ser restrita à área da tecnologia para passar a integrar o core business da empresa e as funções operacionais.


Como referido, Big Data e Analytics são frequentemente mencionados em conjunto, em contextos de utilização de novas e sofisticadas formas de análise a partir de grandes quantidades de dados e tradução desse conhecimento de mercado em vantagens competitivas. 

No entanto, Big Data designa mais do que simples bases de dados, integrando caraterísticas que distinguem estes dados de conceitos mais tradicionais. São conhecidas como os 3 V’s do Big Data.

Volume

Estima-se, hoje, que mais dados atravessam a Internet a cada segundo do que o que estava armazenado em toda a Internet há apenas 20 anos. Isto dá às empresas uma oportunidade de trabalhar com enormíssimas quantidades de dados em série - e não apenas a partir da Internet.

Velocidade

Para muitas aplicações, a velocidade de criação de dados é ainda mais importante do que o volume. A informação em tempo real (ou quase em tempo real) torna possível que uma empresa seja muito mais ágil do que os seus concorrentes, já para não referir os analistas das Bolsas de Valores, onde a velocidade da informação é crucial.

 

 

 

Variedade

Os grandes dados podem assumir diversas formas: mensagens, atualizações na internet, imagens em redes sociais, leitura de sensores, sinais GPS de telemóveis e muito mais, sendo que muitas das mais importantes fontes de dados são relativamente novas. As enormes quantidades de informação das redes sociais, smartphones e outros dispositivos fornecem enormes fluxos de dados ligados a pessoas, atividades e locais, o que faz com que as tradicionais bases de dados, que armazenavam a maioria das informações organizacionais, não sejam hoje adaptadas ao armazenamento e processamento desta variedade de dados.

A estas três caraterísticas do Big Data – os 3 Vs – há quem acrescente, por vezes, outras duas: veracidade e variabilidade, referindo-se a primeira à credibilidade dos dados e o segundo termo à sua capacidade de variação. 

Porém, é inquestionável que estas enormes quantidades de dados apenas poderão ser transformadas em informação útil se forem utlizadas técnicas avançadas de captação, armazenamento e análise. O que nos leva ao conceito de Analytics.

 

O QUE É ANALYTICS?

Analytics é a disciplina que aplica ciências matemáticas na análise de dados, com o propósito de a informação daí resultante poder fundamentar decisões otimizadas. Serve para converter grandes quantidades de dados em informação clara, compreensível e acionável para a tomada de decisões. 

Como outros conceitos ligados às organizações, e até mesmo a própria internet, esta abordagem de análise de dados tem vindo a evoluir, pelo que a presente nomenclatura do conceito conta já com os termos Analytics 1.0, 2.0 e 3.0. A figura 1 ilustra esta evolução.

Analytics 3.0

Figura 1 – Evolução da tipologia de análise de dados

 

Diferentes tipos e fases de análise de dados surgiram com a revolução dos grandes dados. Os três tipos mais comuns de análises – descritiva, preditiva e prescritiva – são soluções interligadas que ajudam as empresas a tirar o máximo partido dos grandes dados, em diferentes momentos e com resultados distintos, como esquematizado na figura 2.

 

Os diferentes tipos de Analytics

Figura 2 - Os diferentes tipos de Analytics

Analytics 1.0 | Análise Descritiva

Estima-se que a enorme maioria das organizações utilize hoje a análise descritiva, a forma mais básica de análise. A forma mais simples de definir a análise descritiva é que ela responde à pergunta "O que aconteceu?”. Este tipo de análise utiliza os dados que chegam em tempo real e os dados históricos para obter insights sobre a forma de abordar o futuro. 

Na internet, a análise descritiva é frequentemente baseada em simples contagens de seguidores, likes, posts, fãs; são, portanto, meros contadores de eventos. Estas métricas são utilizadas para análises sociais, como o tempo médio de resposta, o número médio de respostas por postagem, número de page views, etc. 

Trata-se da forma mais simples de análise e descreve ou resume os dados existentes, utilizando as ferramentas de business intelligence existentes. Assim, torna-se mais fácil compreender o que se está a passar ou o que aconteceu. As principais técnicas aqui utilizadas são a prospeção e a agregação de dados.

Os resultados de uma empresa a partir do servidor web, utilizando as ferramentas do Google Analytics, são o melhor exemplo de análise descritiva; eles ajudam a determinar o que exatamente ocorreu no passado e a determinar se um esforço promocional foi eficaz ou não, com base em métricas simples, tais como page views

Eis alguns casos de utilização de Análise Descritiva:

  • Utilização das redes sociais e dados de envolvimento (exemplo: likes no Facebook e Instagram);
  • Resumir eventos passados (exemplo: resultados de campanhas promocionais);
  • Recolha e descrição de resultados de inquéritos.

Analytics 2.0 | Análise Preditiva

Este tipo de análise difere da anterior ao incluir dados não estruturados e num fluxo constante, dados esses que são analisados com recurso a tecnologias específicas e diferentes da análise descritiva. 

Os dados são reunidos com informação histórica presente, por exemplo, nos sistemas CRM3 ou nos sistemas ERP4, para procurar padrões de dados e identificar relações entre diferentes variáveis do conjunto de dados. 

Esta análise fornece informação sobre tendências, que serve para predizer tendências futuras, facilitando o estabelecimento de objetivos realistas, planeamento estratégico e gestão de expetativas.

Contudo, a exemplo da análise descritiva, esta abordagem não gera informação acionável. A análise preditiva é utilizada por empresas para estudar os dados e encontrar respostas à pergunta "Qual poderá ser o resultado futuro com base em tendências e padrões anteriores?”

A análise preditiva pode ser ainda mais categorizada em:

  • Modelação Preditiva - O que vai acontecer a seguir? 
  • Análise de Causas - Por que razão isto acontece? 
  • Data Mining - Identificação de dados correlacionados 
  • Previsão - E se as tendências existentes persistirem? 
  • Identificação de padrões e alertas - Quando deve ser tomada uma iniciativa para corrigir um processo? 

Por exemplo, a análise dos sentimentos é muito comum na análise preditiva. Este modelo de aprendizagem tem a forma de texto simples e o resultado do modelo é uma pontuação de sentimento que ajuda a determinar se o sentimento é positivo, negativo, ou neutro, o que é útil, por exemplo, nas interações digitais com os clientes.

Analytics 3.0 | Análise Prescritiva

A análise prescritiva ocorre no final da análise preditiva, aconselhando sobre os possíveis resultados e ações suscetíveis de maximizar as métricas-chave do negócio. Utiliza simulação e otimização para perguntar: "O que deve fazer a organização?”. Este tipo de análise trouxe um avanço significativo nos processos de decisão, sugerindo comportamentos otimizados. 

A análise prescritiva é uma combinação de dados e regras; é possibilitada pela incorporação, em tempo real, de fluxos de informação provenientes de várias fontes (ver, adiante, a figura 3). 

Os dados analíticos prescritivos podem ser internos (da organização) ou externos (como os dados das redes sociais), sendo as regras de negócio as preferências do mercado, as melhores práticas, os condicionalismos legislativos e outras restrições. Já as técnicas de análise do Big Data, numa perspetiva prescritiva, incluem modelos matemáticos e estatísticos, data mining, web mining, machine learning, etc.

A simulação do futuro, a partir de vários conjuntos de pressupostos, permite a análise de cenários que, quando combinados com diferentes técnicas de otimização, conduz à realização de análises prescritivas, explorando várias ações possíveis e sugerindo medidas em função dos resultados combinados da análise preditiva e descritiva de um conjunto de dados específicos.
 

A LÓGICA DO ANALYTICS 3.0

Potenciada pela integração de grandes quantidades de dados, pela computação em nuvem e por novos métodos analíticos, a análise 3.0 fornece fundamentalmente novos conhecimentos sobre o efeito do marketing nas receitas, nas margens ou na reputação das marcas – o que aumenta a sua mensurabilidade. Envolve genericamente três atividades - ver figura 3 - que explicitam as fases da análise, bem como as fontes de dados que, tratados e analisados, hão de implicar uma resposta do mercado e o respetivo impacto no negócio.



O processo de otimização de dados resultante na análise 3.0

Figura 3 – O processo de otimização de dados resultante na análise 3.0

Atribuição

Nesta fase procura-se atribuir a cada componente da política de marketing um determinado impacto na resposta do mercado e nos objetivos organizacionais. Por exemplo, perceber a importância de uma campanha no Twitter, de um esforço de otimização do site (SEO) nas vendas de um determinado período ou uma campanha num dado mercado.

Para determinar como as atividades de marketing interagem para impulsionar as compras, começa-se pela recolha de dados. Muitas empresas estão inundadas de dados, embora dispersos e, muitas vezes, involuntariamente ignorados. Os dados relevantes são tipicamente oriundos das áreas de vendas, do departamento financeiro, do serviço ao cliente e da distribuição.

Para modelar com precisão os dados relevantes para o negócio, como se mostra na figura 3, as empresas devem ter em conta informação proveniente de diferentes grandes categorias: as condições de mercado, as atividades competitivas, e as suas ações no âmbito do marketing. Todos os dados recolhidos servirão para que possa ser atribuída a cada variável a respetiva parcela de impacto nos resultados empresariais.

Por outro lado, e após as três fases do processo analítico (atribuição, otimização e alocação), será também necessário medir todas as dimensões da resposta do mercado ao esforço da empresa (visitas ao site, pesquisas, encomendas, etc.) bem como os resultados comerciais, medidos em receitas, quota de mercado, evolução de notoriedade e outros aspetos relativos aos objetivos da política de marketing.

Otimização

Uma vez quantificada a contribuição relativa de cada variável das atividades de marketing e a influência de fatores exógenos importantes, o “jogo de guerra” é o passo seguinte. Envolve a utilização de ferramentas de previsão-analítica para executar cenários para o planeamento de negócios. 

Por exemplo, perceber o que acontecerá às receitas se se cortar em 20% a publicidade exterior ou se se transferir 15% do orçamento publicitário em televisão para campanhas de search and display online. Ou, ainda, identificar as implicações na publicidade se um concorrente reduzir os preços num dado mercado ou se os preços dos combustíveis e da energia subirem.

Trabalhando com as vastas quantidades de dados recolhidos e analisados através do processo de atribuição, é possível atribuir um determinado nível de "elasticidade" a cada driver de negócio medido, entendendo-se por elasticidade a razão entre a variação percentual de uma variável e a variação percentual de outra. Em suma, a modelação analítica 3.0 revela como todas as elasticidades das diversas variáveis interagem para afetar as vendas.

Os “jogos de guerra” utilizam a elasticidade real dos drivers do negócio para executar centenas ou milhares de cenários em minutos. Num processo típico de jogos de guerra, são definidos objetivos de marketing (tais como um determinado objetivo de receitas, de partilhas, ou objetivo de margens), muitas vezes através de múltiplos produtos e mercados geográficos. 

Com recurso à vasta base de dados de elasticidades das variáveis, o software de otimização gera um conjunto de cenários mais prováveis, juntamente com recomendações de marketing para os atingir, testando cenários específicos conhecidos como What if (Se ocorrer isto, o que deve ser feito?).

Alocação

A alocação envolve colocar no mercado os resultados da fase de atribuição e dos “jogos de guerra”, medir resultados, validar modelos (ou seja, realizar experiências no mercado para confirmar os resultados de uma análise), e fazer correções de curso.

Pode-se, agora, facilmente ajustar ou atribuir o esforço publicitário em diferentes mercados numa base mensal, semanal, ou diária - e, online, mesmo de uma fração de segundo para a outra.

Análises De Dados Online

Até ao momento, foi explicada a evolução das abordagens analíticas de dados e explanada a lógica de análise subjacente ao conceito mais recente – Analytics 3.0. Porém, qualquer análise pressupõe a existência de dados cuja medição inclui a existência de métricas que, analisadas, possam ser transformadas em insights interessantes e acionáveis. 

Assim, importa perceber, no contexto particular da presença online da organização, que dados podem ser recolhidos, o que nos leva ao conceito de Web Analytics, que pode ser genericamente entendido como a análise qualitativa e quantitativa de dados de um website e dos sites da concorrência que levem a uma melhoria contínua da experiência online de clientes e futuros clientes que se traduzirão nos resultados desejados (online e offline). 

Em ambiente online, o chamado Paradoxo dos Dados remete para uma situação comum em que a empresa detém muitos dados, mas muito pouca informação útil. Conhece-se o fluxo de cliques no site ou nas redes sociais, mas não existe expertise para criar insights daí provenientes.




Figura 4 – Do antigo ao novo paradigma de análise de dados no website
Figura 4 – Do antigo ao novo paradigma de análise de dados no website

A figura 4 ilustra a evolução necessária de uma fase em que o proprietário do site apenas sabe que clicks ocorrem na sua homepage, mas desconhece o que tal significa, porque os dados não foram tratados e analisados por forma a tomar as melhores decisões, designadamente face aos objetivos existentes – habitualmente o aumento de receitas, a redução de custos e o acréscimo da satisfação na experiência dos visitantes.

De acordo com a perspetiva anteriormente explicitada, em que se pretende atribuir a cada ocorrência (clicks, likes, partilhas, taxa de abandono do site, etc.) o seu impacto nos resultados, é importante passar do “quê” para o “quanto”, que a fase de atribuição facilita. 

De forma análoga, a capacidade de experimentar e testar alterações, bem como o feedback dos visitantes do site permitirá à organização os dados necessários para a fase da otimização e da alocação que levam, por sua vez, a decisões ótimas, num contexto de conhecimento sobre o que a concorrência está a fazer.

Numa perspetiva de análise avançada dos dados provenientes do site, a figura 5 refere exemplos das aplicações mais indicadas para a análise e tratamentos de dados, de acordo com as fases anteriormente referidas. A utilização destas ferramentas permite que os dados se transformem em informação útil para apoio à gestão.


Figura 5 – Exemplos de ferramentas de análise de dados num website
Figura 5 – Exemplos de ferramentas de análise de dados num website

EXEMPLOS DE IMPACTO DO BIG DATA ANALYTICS

Avon

Transformar dados em informação útil para suportar o processo de tomada de decisão e alinhá-lo com os objetivos estratégicos da companhia são os principais objetivos que levaram a Avon Brasil, fabricante de cosméticos que possui mais de 1 milhão de revendedoras e fatura cerca de cem mil pedidos por dia, a investir num projeto de Business Intelligence (BI) utilizando a plataforma da MicroStrategy.

Os benefícios desta aposta repercutem-se já nos resultados operacionais da empresa, concretamente através da integração das informações provenientes de diversas áreas, da análise mais profunda e complexa dos dados, numa maior agilidade na tomada de decisões, e na credibilidade e confiabilidade nos relatórios gerados.

Tratou-se de utilizar o grande volume de dados provenientes de muitas fontes, por vezes conflituantes, para desenvolver um data warehouse para facilitar a análise dos principais indicadores-chave de desempenho do negócio, a partir de um ponto de vista macro, chegando a uma perspetiva detalhada. E também identificar oportunidades de negócios, monitorar estratégias, ações e promover mudança de cultura.

Como resultado, a empresa tem agora disponíveis relatórios que permitem à área de marketing ter acesso a dados referentes a cada campanha em específico, de acordo inclusive com a segmentação de revendedoras, e ainda, avaliar o comportamento das vendas por região ou por idade do consumidor, permitindo a criação de ações mais eficientes. Foi possível ainda desenvolver um perfil mais analítico de cada utilizador.

Neste projeto foram envolvidos 24 departamentos e feitas entrevistas com utilizadores para obtenção de inputs referentes à procura de produtos e serviços, e ainda utilizados os serviços de uma consultora – a Microstrategy. Em consequência desta nova mentalidade, foram criadas duas áreas organizacionais – uma de arquitetura de dados em TI e outra específica de BI para atuar exclusivamente na entrega das informações.

Toyota

A Toyota, o maior fabricante de automóveis do Japão, vai lançar o que chama uma "função de supressão do acelerador" em carros novos a partir do Verão de 2022, começando no Japão e com perspetivas de ser alargado ao resto dos países onde a empresa tem presença. O sistema é uma resposta a uma causa cada vez mais comum de acidentes de viação onde o condutor, muitas vezes idoso, confunde o acelerador com o travão. 

Segundo a marca, cerca de 15% dos acidentes fatais nas estradas japonesas em 2018 foram causados por condutores com 75 anos de idade ou mais. O anúncio da Toyota vem na altura em que os fabricantes de automóveis a nível mundial investem fortemente em "caraterísticas de segurança ativa", uma vez que trabalham para desenvolver automóveis totalmente autónomos. 

Esta nova caraterística foi desenvolvida utilizando dados recolhidos a partir dos carros ligados à Internet que circulam na estrada, suprimindo o acelerador em função do comportamento de condução.

Target

Em 2021, a cadeia americana de supermercados Target utiliza Big Data em dois contextos. Nas lojas físicas, com tecnologia beacon, que são pequenos dispositivos localizados em cada loja, que enviam notificações push aos compradores que descarregaram a aplicação Target, alertando-os para recomendações de produtos e ofertas especiais. Com esta tecnologia, a Target aprofunda o conhecimento sobre os hábitos de compra, aperfeiçoando a ciência da recolha de dados de clientes na loja, o que, por sua vez, facilita a adaptação do serviço e proporciona uma experiência de compra mais valiosa para o cliente.

Na loja virtual, ao criar perfis de clientes que incluem histórico de compras, idade, estado civil, salário e histórico de navegação na Internet, este retalhista ajuda os clientes a tomar decisões de compra mais inteligentes, dado que está mais bem posicionado para fornecer aos clientes ofertas especiais e informações sobre produtos. 

Ao rastrear os visitantes do seu website, a empresa também recolhe informações sobre o número de visitantes não norte-americanos ao site, o que a ajuda a determinar mercados potencialmente importantes noutros países. Trabalha, neste âmbito, com o Borderfree, um fornecedor de tecnologias, serviços e plataformas de comércio eletrónico especializado no acesso a mercados estrangeiros.

Apron

Blue Apron é uma empresa norte americana que opera online e que distribui kits de produtos para fazer receitas alimentares. A Blue Apron usa a análise preditiva para prever a procura dos seus kits de refeição, racionalizando os stocks e reduzindo o desperdício, bem como otimizando a equipa, por exemplo, determinando quantas pessoas serão necessárias para enviar a mercadoria.

A partir de dados referentes às caraterísticas do cliente, dos produtos pedidos para confecionar as receitas e da sazonalidade, a análise preditiva possibilitada pela utilização de Analytics consegue prever volumes de receitas. Para efeitos de facilitar o inventário e as tarefas de planeamento da procura, é igualmente importante poder prever o número total de receitas que incluirá cada encomenda, independentemente do tipo de receita.

Implicações Do Big Data Analytics Para A Gestão E O Marketing

Na adoção de práticas de análise de dados numa perspetiva 3.0, a tecnologia é necessária, mas não suficiente para mover uma organização no sentido de utilizar os dados de forma inteligente. Há outros aspetos a serem tidos em conta: 

Adotar uma Visão Estratégica

A nível organizacional, o esforço deve ser promovido e patrocinado pelos responsáveis de topo. Na realidade, é sabido que, frequentemente, surgem bolsas de resistência a novas abordagens analíticas, uma vez que estas desafiam as crenças firmemente mantidas sobre o que funciona e o que não funciona na empresa. A adesão ao nível do topo da organização é essencial para ajudar a promover a clareza de visão e o alinhamento nas fases iniciais.

Designar Uma Responsável Pela Gestão Analítica

É igualmente importante designar um diretor ou gestor com espírito analítico para se tornar a pessoa ideal para este esforço. Deve ser alguém com fortes capacidades analíticas e com reputação de objetividade. 

Esta pessoa pode reportar à Administração ou integrar uma equipa interfuncional entre marketing e finanças. À medida que o projeto se expande, esta pessoa pode ajudar a orientar o planeamento empresarial e a atribuição de recursos entre as várias unidades.

 

 

Elaborar Um Inventário Dos Dados Existentes

Com base numa lista prioritária de perguntas a que há que responder, é preciso realizar um inventário dos dados existentes em toda a organização e que são imprescindíveis para a fase da Atribuição. 

Sabe-se que a inteligência essencial para o sucesso dos esforços analíticos está muitas vezes submersa noutras funções para além do marketing, desde as finanças ao serviço ao cliente. Porém, identificar e consolidar esses conjuntos de dados díspares e criar sistemas de recolha contínua é uma função crítica. 

Implementar Novas Práticas De Forma Gradual

É aconselhável começar em pequena escala, com provas de conceito, envolvendo uma determinada linha de negócio, uma geografia específica ou grupo de produtos. Devem construir-se modelos de âmbito limitado que permitam testar os conceitos. 

Testar E Otimizar

Por fim, é necessário testar agressivamente e alimentar o modelo com os resultados. Os testes no mercado são antigos – o que é novo é obter a atribuição de cross-media certeira para que os testes sejam mais eficazes. 

Por exemplo, se a análise de otimização sugerir que devem ser deslocados gastos com publicidade na imprensa para a exibição online, vale a pena fazer uma experiência num local e utilizar os resultados para refinar os seus cálculos. 
 

Quando as empresas têm vários canais de venda, como ocorre com as empresas que têm presença online, e em particular com venda de produtos em geografias distintas, a análise 3.0 pode tornar-se mais complexa e inviável para as equipas internas. É aí que os profissionais com capacidades analíticas e informáticas específicas são necessários. 

Mas qualquer empresa pode iniciar esta viagem e construir grande parte da infraestrutura necessária para a análise em casa, isto é, construir uma cultura de marketing adaptativo. 

Por último, é aconselhável que as empresas exportadoras que pretendam aproveitar os benefícios da utilização do Big Data identifiquem a informação relevante, seja interna ou adquirida exteriormente, e concebam, desde o início, uma estrutura de análise e tratamento de dados para um trabalho continuado.
 

Alianças e Parcerias na Internacionalização

Descarregue este estudo de tendência em PDF.

Inicie já a sua internacionalização

Para aceder a informação de mercado recomendada para a sua empresa inicie sessão ou registe-se na MY AICEP

Campo Obrigatório