O Papel da Tecnologia da Informação no CRM - Final
-
Upload
rafael-turon-balbino -
Category
Documents
-
view
814 -
download
0
description
Transcript of O Papel da Tecnologia da Informação no CRM - Final
UNIVERSIDADE DE SÃO PAULO
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE
DEPARTAMENTO DE ADMINISTRAÇÃO
TRABALHO DE CONCLUSÃO DE CURSO
O PAPEL DA TECNOLOGIA DE INFORMAÇÃO NO CRM
Rafael Turon Balbino
Orientador: Prof. Dr. Hiroo Takaoka
São Paulo
2000
TRABALHO DE CONCLUSÃO DE CURSO
O PAPEL DA TECNOLOGIA DE INFORMAÇÃO NO CRM
Trabalho de Conclusão de Curso apresentado à Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo, para conclusão do Curso de Graduação em Administração de Empresas.
Orientador: Prof. Dr. Hiroo Takaoka
São Paulo
2000
2
RESUMO
O objetivo desse trabalho é o estudo da arquitetura de TI (Tecnologia de Informação) que
suporta as atividades do CRM Analítico, que cuida do gerenciamento da performance do negócio. O
gerenciamento do relacionamento com o cliente – CRM (Customer Relationship Management)
surge da busca pelo aumento da rentabilidade do cliente através do gerenciamento das interações
entre empresa e cliente contando com a capacidade de manipular grandes volumes de informações.
O CRM contribui para a conquista de novos clientes e retenção de clientes atuais com o aumento de
sua rentabilidade.
Uma solução de CRM não constitui somente na compra de um pacote de software sendo
necessário estar focado no negócio e conhecer os elementos da arquitetura de TI do sistema. No
alicerce do CRM Analítico estão as informações que possibilitam o uso estratégico dos dados. O
data warehouse é a coleção de dados que suportam as decisões gerenciais através de ferramentas de
análise que variam de simples gerados de relatórios até avançadas ferramentas de data mining.
O data mining utiliza técnicas de inteligência artificial, estatística e matemática para a extração
de informações úteis do negócio em grandes bancos de dados. O princípio de funcionamento do
data mining é semelhante ao do ser humano utilizando informações históricas para o aprendizado
sobre o passado.
O projeto de data mining para o CRM deve ser analisado sob os aspectos de aumento nas
receitas, aumento no lucro, diminuição dos custos, retorno sobre o investimento, vantagem
competitiva e pioneirismo na adoção da tecnologia. Um aspecto importante nesse tipo de projeto,
decorrente da complexidade inerente, é a possibilidade de se estabelecer um projeto-piloto que
levante as dificuldades e facilidades para a implementação de projetos maiores.
3
SUMÁRIO
RESUMO.............................................................................................................................................................................3
1. INTRODUÇÃO..............................................................................................................................................................5
1.1 Definição do Estudo...................................................................................................................................................5
1.2 Objetivo......................................................................................................................................................................6
1.3 Delimitação do Escopo...............................................................................................................................................6
2. O PAPEL DA TECNOLOGIA DE INFORMAÇÃO NO CRM................................................................................7
2.1 O Valor do CRM.........................................................................................................................................................72.1.1 Segmentação do Cliente......................................................................................................................................72.1.2 Lucratividade do Cliente.....................................................................................................................................82.1.3 Conquista do Cliente...........................................................................................................................................92.1.4 Retenção do Cliente...........................................................................................................................................112.1.5 Cross-Selling.....................................................................................................................................................12
2.2 Conceituação da Arquitetura de TI para o CRM.....................................................................................................132.2.1 Definição do Ecossistema do CRM...................................................................................................................132.2.2 CRM Operacional..............................................................................................................................................142.2.3 CRM Analítico..................................................................................................................................................152.2.4 CRM Colaborativo............................................................................................................................................16
2.3 Data Warehousing e o CRM.....................................................................................................................................172.3.1 O Processo de Data Warehousing.....................................................................................................................172.3.2 Arquitetura do Data Warehouse........................................................................................................................192.3.3 Aplicação ao Sistema de CRM..........................................................................................................................27
2.4 Data Mining e o CRM..............................................................................................................................................302.4.1 Definição do Data Mining.................................................................................................................................302.4.2 Técnicas de Data Mining...................................................................................................................................312.4.3 Atividades do Processo de Data Mining para o CRM.......................................................................................34
2.5 Implementação do Data Mining para o CRM..........................................................................................................362.5.1 Definição de um Projeto-Piloto.........................................................................................................................362.5.2 O Valor do Projeto de Data Mining para o CRM..............................................................................................372.5.3 Implementação de um Projeto de Data Mining para o CRM............................................................................38
3. CONCLUSÕES.............................................................................................................................................................44
4. BIBLIOGRAFIA..........................................................................................................................................................45
4
1. INTRODUÇÃO
1.1 Definição do EstudoO cenário de crescente competitividade e a atuação das empresas globalmente, tem trazido
alguns elementos que proporcionam o aumento da complexidade do gerenciamento do
relacionamento com o cliente - CRM (Customer Relationship Management). Entre eles podem ser
destacados alguns fatores como o ciclo de vida do produto cada vez mais reduzido, os custos
crescentes com o marketing, a grande oferta de novos produtos e competidores em nichos de
mercado. Esse cenário leva a uma tendência de mudança do foco de atuação nos mercados
agregados, sejam eles de massa ou de nichos, para o modelo orientado para o cliente. Isso implica
em uma mudança do atendimento de um mercado ou segmento da mesma forma de acordo com a
média de suas necessidades para um atendimento altamente individualizado. Os avanços na área de
TI (Tecnologia de Informação) tornaram viável o marketing um a um. O elemento importante é a
integração das três capacidades viabilizadas pelo computador - gerenciamento da informação,
comunicação interativa e produção customizada1.
Segundo Berson2, o CRM é um processo que gerencia as interações entre uma empresa e seus
clientes. Ele apresenta diversos benefícios como o aumento do conhecimento sobre o cliente com o
registro, manutenção e tratamento de um grande volume de informações sobre o cliente. Com isso,
pode ser alcançado um relacionamento diferenciado, otimizando o fluxo do pedido e atendimento.
Seu uso possibilita melhorias na prospecção de novos clientes, fidelização dos clientes atuais e uma
melhor estruturação desse processo. Bretzke3 define a prospecção como o planejamento das
campanhas, relacionamento com a agência de propaganda, marketing direto, database marketing e
mensuração e revisão das diversas campanhas. O database marketing é um processo de marketing
orientado pela informação e gerenciado pela tecnologia de banco de dados, o que permite aos
profissionais de marketing desenvolverem e implementarem programas e estratégias personalizadas
de marketing4. A fidelização é definida como a adaptação da estratégia às respostas dos clientes,
aos esforços de relacionamento da empresa, no que tange aos formatos, custos e rentabilidade por
cliente, sendo responsável pela retenção do cliente e por sua satisfação.
1 PEPPERS, Don. Empresa 1:1: instrumentos para competir na era da interatividade. 1. ed. Rio de Janeiro: Campus, 1997. p. 8-11.2 BERSON, Alex. Building Data Mining Applications for CRM. 1. ed. New York: McGraw-Hill, 1999. p.10-14.3 BRETZKE, Miriam. Marketing de Relacionamento e competição em tempo real com CRM (Customer relationship management). 1. ed. São Paulo: Atlas, 2000. p.101-107.4 SHEPARD, David. Database Marketing. 1.ed. São Paulo: Makron Books, 1993. p.6-8.
5
Um dos eixos centrais do avanço do CRM é a integração e interdependência do marketing e a
área de TI. O início do processo passa por uma análise estratégica da empresa e seu contexto de
atuação engloba a análise dos clientes, fornecedores e canais de distribuição diagnosticando a
competitividade, estrutura de custos e os serviços de valor agregado. A próxima etapa do processo é
a elaboração de uma lista das necessidades da empresa verificando quais seriam as necessidades de
melhoria em TI. A partir disso, finalmente, pode ser definida a solução tecnológica mais adequada
para empresa analisando os elementos de infra-estrutura de rede de comunicação de dados e
hardware, além da arquitetura da solução de CRM.
Segundo Flechter, a TI5 deve ser entendida como a coleta, processamento, armazenamento,
apresentação e transmissão da informação, em todas as suas formas.
1.2 ObjetivoO objetivo desse trabalho é o estudo da teoria sobre o tema de CRM abordando os aspectos de TI
relevantes para a sua análise e implementação.
1.3 Delimitação do EscopoO objeto de análise desse estudo são os elementos analíticos da tecnologia de CRM.
Primeiramente, é feita uma contextualização dos fatores de marketing mais relevantes para o CRM
e escolhido como objeto de análise o CRM Analítico. Para isso é feito um estudo dos elementos de
TI que apoiam as ferramentas analíticas de CRM.
5 FLECHTER, Keith. Marketing management and information technology. 1.ed. Cambridge, UK: Prentice Hall International (UK), 1990. p.5-6.
6
2. O PAPEL DA TECNOLOGIA DE INFORMAÇÃO NO CRM
2.1 O Valor do CRM
2.1.1 Segmentação do ClienteNo marketing de massa, o vendedor se engaja na produção em massa, distribuição em massa e
promoção em massa de um produto para todos os compradores. Porém, a proliferação de mídias de
propaganda e canais de distribuição está dificultando essa prática de marketing. Kotler6 define a
segmentação do mercado como a identificação e criação do perfil dos distintos grupos de
compradores que podem exigir produtos e/ou compostos de marketing distintos. Ela pode ser feita
em quatro níveis. O primeiro é o segmento de mercado que consiste em um grande e identificável
grupo no mercado podendo ser classificado por poder de compra, localização geográfica, atitudes
de compra e hábitos de compra. A segmentação é o ponto médio entre o marketing de massa e o
marketing individualizado. O segundo nível de segmentação é em nicho de mercado. Um nicho é
um grupo definido mais estreito sendo tipicamente um pequeno mercado em que as necessidades
não estão sendo bem atendidas. Normalmente, os nichos atraem poucos competidores de pequeno
porte que conquistam pedaços do mercado das grandes empresas. O terceiro nível é o marketing
local que surge da identificação de diferenças regionais na demografia e estilo de vida. Assim, os
programas de marketing nesse nível são adaptados às necessidades e desejos dos grupos locais de
clientes. Finalmente, o último nível de segmentação é o marketing individual também chamado de
marketing um a um ou marketing customizado. Essa segmentação surge da constatação que antes de
prevalecer o marketing de massa os consumidores eram servidos como indivíduos. As novas
tecnologias, especificamente computadores, banco de dados, produção por robôs e mídias de
comunicação instantânea como a Internet, estão permitindo que as empresas considerem a
possibilidade de retornar para o marketing customizado (customização em massa). Três importantes
capacidades de TI tornaram viável o marketing um a um:
Acompanhamento do cliente: os banco de dados eletrônicos podem ajudar as empresas a
lembrar e acompanhar a trajetória de numerosas interações complexas e individuais com os
clientes;
Diálogo interativo: o computador trouxe também a disponibilidade de uma gama cada vez
maior de ferramentas de comunicação interativa e;
6 KOTLER, Philip. Marketing management: analysis, planning, implementation, and control. 9.ed. New Jersey: Prentice Hall. p.249.
7
Customização em massa: aplicada à linha de montagem e ao sistema logístico, a tecnologia
da informação tornou possível às empresas entregar produtos e serviços customizados em
massa.
2.1.2 Lucratividade do ClienteA mensuração da lucratividade é resultante da existência de diferenças na lucratividade entre os
clientes de uma empresa sendo um importante indicador para a determinação da melhor
combinação dos esforços de marketing.
Geralmente, a melhor maneira de aumentar a lucratividade do cliente é através da fidelização. O
que se busca nos esforços de aumentar a fidelidade do cliente é uma maior lucratividade
incremental. Podemos defini-la como a receita gerada por um cliente em função de uma promoção
menos o custo da promoção.
Segundo Peppers7, a expressão ideal da determinação do valor real é o valor vitalício (LTV -
lifetime value) do cliente, o fluxo de lucros futuros líquidos esperados das transações com um
cliente, descontados a alguma taxa apropriada, para seu valor líquido corrente.
Três elementos são importantes na análise da tipologia de valor de clientes. O primeiro é o valor
real (realizado) que é a medida de quanto o cliente gera atualmente para a empresa. Outro elemento
importante é o valor estratégico (potencial) que indica quanto a empresa pode ganhar com o cliente
trabalhando alguns aspectos que são fazer que o cliente realize com a empresa negócios que ele
realiza com a concorrência, mudança de comportamento do cliente para que ele realize um negócio
adicional com empresa e desenvolvimento do cliente que possui um alto potencial de crescimento.
Finalmente, o último elemento é o custo de atendimento que ajuda a determinar a classificação do
tipo de cliente.
Peppers8 propõe a seguinte classificação que é ilustrada na Figura 2.1:
CMVs: Clientes Mais Valiosos são aqueles com os maiores LTVs. Eles representam a essência
de seus negócios atuais sendo o objetivo a retenção desses clientes.
CSNs: Clientes do Segundo Nível são aqueles com o mais alto potencial não realizado. Esses
clientes poderiam ser mais lucrativos do que são agora, e o objetivo é o desenvolvimento desses
clientes.
7 PEPPERS, Don. Empresa 1:1: instrumentos para competir na era da interatividade. 1.ed. Rio de Janeiro: Campus, 1997. p.26-35.8 PEPPERS, Don. Empresa 1:1 ... p.86-90.
8
AZs: Clientes Abaixo de Zero são aqueles que provavelmente jamais gerarão lucro suficiente
para justificar as despesas envolvidas em seu atendimento. Toda a empresa tem alguns desses
clientes, e o objetivo é descontinuar o relacionamento com esses clientes.
Fonte: PEPPERS, Don. Figura 2.1
2.1.3 Conquista do ClienteUm dos principais canais de crescimento para a maioria dos negócios é a conquista de novos
clientes. A atividade de prospecção possui alguns elementos importantes como o planejamento das
campanhas de marketing, relacionamento com a agência de propaganda, marketing direto, database
marketing, mensuração e revisão das diversas campanhas de prospecção.
O processo de elaboração de uma campanha de aquisição de clientes começa com a análise dos
dados disponíveis. De uma lista inicial para prospecção (prospect list), verifica-se a necessidade de
adicionar mais informação a essa lista recorrendo a outras fontes de dados. A partir desse estágio é
realizada uma campanha de teste com o objetivo de coletar dados adicionais para a análise. A seguir
realiza-se a avaliação das respostas da campanha de teste categorizando as respostas e
estabelecendo um limite de tempo para que os clientes dessa lista enviem suas respostas. A partir
disso, deve-se elaborar um modelo através das técnicas de data mining usando os comportamentos
de resposta e, também, tratando as respostas negativas (rejeições e não-respostas) no modelo. No
final, será obtido um modelo que fará a pontuação da lista para prospecção de maneira a selecionar
somente aqueles com maior probabilidade de responder à oferta da empresa.
9
Na maior parte das situações, o objetivo de uma campanha de marketing de aquisição de clientes
é tornar potenciais clientes em compradores de seu produto ou serviço. A avaliação do resultado de
uma campanha deve levar as seguintes categorias de resposta em consideração:
Pedido de Informação: demonstra interesse do cliente pelo produto ou serviço podendo ser o
sinal do começo de uma relação duradoura entre a empresa e o cliente;
Compra do produto/serviço ofertado: geralmente é a definição do sucesso da campanha de
marketing e;
Compra um produto/serviço diferente do ofertado: apesar de ser uma resposta diferente da
esperada, ela consiste em uma informação valiosa sobre a combinação cliente/produto que a
empresa não teria coletado de outra maneira.
No processo de venda direta o vendedor distribui seu tempos com as seguintes atividades:
identificação de suspect e prospect; qualificação de leads9; geração do interesse de compra;
conscientização sobre o produto; e fechamento da venda. Segundo pesquisa da DMA (Direct
Marketing Association), com a implantação do CRM ocorre uma inversão na alocação do tempo do
vendedor entre essas atividades conforme podemos verificar na Figura 2.2.
36% Identificação de suspect e prospect 6%
28% Qualificação de leads 12%
20% Geração do interesse de compra 20%
12% Conscientização sobre o produto 28%
6% Fechamento da venda 36%
SEM CRM COM CRM
Fonte: Pesquisa da DMA - Direct Marketing Association, USA 1996 Figura 2.2
O processo de implantação do CRM exige uma integração entre as várias funções de marketing e
os demais departamentos da empresa. Para tanto é necessário uma revisão dos processos
organizacionais e fluxo do trabalho. O fator-chave de sucesso da estratégia de CRM é garantir que
os processos relacionados com o cliente, mesmo antes do desenvolvimento de produtos, até o
atendimento pós-venda, sejam cumpridos de forma eficiente e eficaz por toda a organização 10.
Desse modo, deve ocorrer uma divisão dos clientes na curva ABC entre os vendedores e o canal de
9 Os leads são nomes e endereços de clientes potenciais.10 BRETZKE, Miriam. Marketing de Relacionamento e competição em tempo real com CRM ... p.55-58.
10
relacionamento. O vendedor deve trabalhar com os clientes A e B enquanto o canal de
relacionamento com os clientes C além do agendamento de visitas e assistência técnica (customer
care) para os clientes A e B.
2.1.4 Retenção do Cliente Peppers cita que entre as três diferentes disciplinas de valor, que são a excelência operacional, a
liderança de produto e a intimidade com o cliente, apenas a última é capaz de criar vantagem
competitiva duradoura e sustentável11. O que se busca para a retenção do cliente é o estabelecimento
do Relacionamento de Aprendizado Contínuo que consiste no esforço organizacional de aprender
com cliente de maneira a servi-lo de maneira mais personalizada e de acordo com suas necessidades
específicas. Com isso, o valor da empresa estará aumentando para o cliente.
No estabelecimento de uma relação de aprendizado visando a fidelização é importante para a
empresa o monitoramento de alguns eventos que podem gerar interações e negócios. Um grupo de
variáveis significativas estão relacionadas ao FRVC, que são as variáveis de monitoramento do
desempenho do cliente relacionadas a freqüência, recência (data mais recente), valor e categoria.
Além disso, alguns macroeventos que fazem parte do ciclo de vida de pessoas e empresas podem
representar oportunidades substanciais para a empresa. Temos como exemplos de oportunidades: a
mudança de endereço, nascimento de filho e férias.
Para Bretzke12, os programas de fidelização são um processo que utiliza a comunicação integrada
para estabelecer um relacionamento continuado, duradouro e gratificante com os clientes, visando
aumentar a lealdade e a rentabilidade pelo mecanismo de reconhecimento e recompensa dos mais
leais. Algumas campanhas podem aumentar a rentabilidade do cliente. Stan Rapp13 classificou em
sete tipos:
re-sell: levar o cliente à repetição da compra;
up-sell: incrementar a receita por meio de ações que levem o cliente a comprar categorias de
produtos com maior margem;
keep-sell: desenvolver ações de retenção, quando o banco de dados indicar propensão a
deixar a empresa ou quando existem indicadores do aumento da erosão da base;
cross-sell: são ações para vender produtos ainda não comprados pelo cliente;
11 PEPPERS, Don. Empresa 1:1 ... p.152.12 BRETZKE, Miriam. Marketing de Relacionamento e competição em tempo real com CRM ... p.126.13 RAPP, Stan, COLLINS, Thomas L. The new maximarketing: the classic guide to transforming your advertising, promotion, and marketing strategy for the information economy. New York: Makron McGraw Hill, 1996. p.259-281.
11
add-sell: lançamento de extensões de linhas por meio dos clientes atuais;
new-sell: é o uso do banco de dados de clientes atuais para novos negócios da empresa e;
friend-sell: visa transformar clientes em advogados da marca, solicitando indicações ou outro
mecanismo para fazer o cliente indicar a empresa para um amigo.
2.1.5 Cross-SellingA venda cruzada ou cross-selling atende a alguns objetivos no relacionamento entre empresa e
cliente. O primeiro é maximizar o tempo do relacionamento. O segundo é maximizar o número de
interações durante o relacionamento. E, por fim, o último é maximizar o lucro associado a cada
interação. Nesse contexto, cross-selling é o processo no qual a empresa oferece aos seus clientes
atuais novos produtos e serviços.
O uso das ferramentas de data mining nesse processo consiste de três passos:
1 - Modelagem do comportamento individual: é o processo onde os algoritmos de data mining
analisam os dados criando as funções matemáticas (os modelos) que podem ser utilizadas para
prever o comportamento do consumidor.
2 - Pontuação dos dados com modelos de previsão: é simplesmente o resultado do modelo e
corresponde à probabilidade do cliente comprar determinado produto ou serviço.
3 - Otimização: é a seleção da melhor das possíveis ofertas para cada cliente. Berson14 cita quatro
níveis possíveis de otimização:
Maximização Simples: consiste em selecionar a maior pontuação para cada cliente. Se a
pontuação for previsões da probabilidade de resposta para uma oferta em particular, essa
otimização irá maximizar o número possível de respostas à campanha de marketing;
Média Econômica: melhora a otimização anterior através da incorporação da informação
financeira sobre o valor de cada oferta. Dessa maneira, ao invés de maximizar o número de
resposta a uma oferta, maximiza-se o valor econômico total;
Valor Econômico Individual: o valor associado com cada combinação cliente/oferta é único.
A informação financeira única de cada cliente é usada para calcular o retorno esperado para
uma oferta particular e;
Otimização de Restrições: expande sobre outras formas de venda cruzada incorporando
restrições externas no processo de seleção da oferta. Esse tipo de otimização não é um
exercício de data mining, mas sim um processo que usa os resultados de exercícios
individuais e otimiza mais ainda eles baseando-se em restrições adicionais do usuário. As
14 BERSON, Alex. Building Data Mining ... p.270.
12
rotinas de otimização podem ser realizadas utilizando técnicas padrão como programação
linear e simulação.
2.2 Conceituação da Arquitetura de TI para o CRM
2.2.1 Definição do Ecossistema do CRMAs tecnologias que possibilitam o desenvolvimento do CRM estão começando a ficar maduras
projetando um grande crescimento nesse mercado. No entanto, um projeto de sistema de CRM pode
ser suscetível a fracassos por não estar devidamente focado no negócio e por falta de conhecimento
dos elementos da arquitetura do sistema. De acordo com Elizabeth Shahnam15, o CRM é usualmente
assumido como sendo um único pacote de software comprado. Para diminuir o risco de fracassos no
projeto, as empresas devem dominar a noção de CRM como uma filosofia de negócio com o
suporte de uma arquitetura de componentes de TI que integram o ecossistema do CRM.
O modelo de arquitetura de CRM do META Group é composto de três elementos. O primeiro é o
CRM Operacional que atua no gerenciamento das operações do negócio. O CRM Analítico é o
segundo elemento atuando no gerenciamento da performance do negócio. Finalmente, o terceiro
componente é o CRM Colaborativo que tem por objetivo atuar no gerenciamento da colaboração do
negócio. Esses componentes de uma solução de CRM devem estar integrados ao ambiente de TI da
organização (front-office e back-office). Assim, para alcançar um ecossistema tecnológico de CRM
totalmente integrado, deve ser planejado o esforço para a integração com outros sistemas como os
de ERP (enterprise resource planning). A figura 2.3 ilustra os componentes do CRM.
15 SHAHNAM, Elizabeth. The Customer Relationship Management Ecosystem. META GROUP INC.
13
Fonte: Adaptado de The Customer Relationship Management Ecosystem, DELTA Group
Figura 2.3
2.2.2 CRM OperacionalO lado operacional do CRM consiste nas ferramentas que integram os processos de negócios
envolvendo os diversos pontos de contato com o cliente como vendas, marketing e atendimento ao
consumidor (call center, serviço de campo, etc). Isso é feito através da integração do front-office e
back-office por meio dos múltiplos canais interconectados. Temos os seguintes componentes:
Automação de Vendas: é um segmento de grande crescimento no mercado de CRM com
funções importantes que incluem o gerenciamento de contas e contatos, gerenciamento de
cotações e orçamentos, gerenciamento das informações do ambiente interno e externo com a
enciclopédia de marketing, previsão de vendas e administração de vendas. Alguns pontos
relevantes na automação de vendas são a sincronização de usuários móveis e a configuração
integrada do produto entrando na área front-office em funções críticas como algoritmos de
precificação, variações da configuração do produto, integração da cadeia de suprimentos e
qualificação do pedido do cliente.
14
DataWarehouse
Data Mart:Atividadesdo Cliente
Data Mart:Cliente
Data Mart:Produto
Automação deMarketing
AplicativosVerticais
Gerenciamentode Categoria
Gerenciamentode Campanha
ERP
Gerenciamentodo Pedido
Supply ChainManagement
Legacy Systems
Sistemas antigos
Atendimento aoCliente
Vendas MóveisServiços de
Campo
Voz(IVR, CTI , ACD)
Conferência
Conferências pelaWeb
Gerenciamentode Respostas
Automação deMarketing
Automação deVendas
Carta / Fax Interação Direta
BackOffice
FrontOffice
MobileOffice
I nteracãocom oCliente
CRM Colaborativo
CRM AnalíticoCRM Operacional
ECOSSISTEMA DE CRM
EMA (Enterprise Marketing Automation): inclui o gerenciamento de potenciais clientes e
execução de campanha. O EMA automatiza e integra o planejamento, execução, avaliação e
refinamento de dezenas até centenas de campanhas altamente segmentadas com freqüência
diária, mensal ou intermitente. Pode gerenciar e monitorar as comunicações do cliente
através de múltiplos pontos de interação.
Atendimento ao Cliente: de acordo com Bretzke16, o serviço de atendimento ao cliente
evoluiu, assumindo várias funções, que antes eram descentralizadas em diversos
departamentos, passando a gerenciar um grande volume de informações em tempo real,
oferecendo mais serviços de valor agregados aos clientes. O call center, núcleo histórico de
interação, está evoluindo para uma nova era de centro de contato com o cliente ou CIC
(Customer Interaction Center). O CIC acomoda múltiplos canais para a interação com o
cliente e funções críticas incluindo atendimento/suporte ao cliente, agendamento de serviço
de campo, gerenciamento da qualidade, encaminhamento e repositório de conhecimento. As
tecnologias críticas estão relacionadas ao CTI (Computer Telephony Integration) que é a
integração das tecnologias de computação e telefonia.
Outros Componentes: os outros componentes que integram a arquitetura de uma solução de
CRM incluem mecanismo de personalização um a um, convergência de sistemas de
pagamento e os e-services.
2.2.3 CRM AnalíticoA análise dos dados gerados pelo CRM Operacional é feita pelo CRM Analítico com o propósito
de gerenciar a performance do negócio. Esse elemento da arquitetura de CRM está intimamente
ligado a uma arquitetura de data warehouse (DW) e ao uso da tecnologia de data mining.
Berson17 propõe como objetivo de um sistema de CRM o alcance do “closed loop marketing”
onde o sistema não apenas execute a campanha de marketing mas também feche o ciclo e possa
mensurar os resultados de uma campanha. Três passos básicos formam esse conceito que leva a um
melhoramento contínuo do marketing. São eles:
Medir: mede os resultados do esforço de marketing baseado na lucratividade do cliente. Usa
ferramentas baseadas na Web para ter acesso ao data warehouse do cliente e realizar análises
de ROI em nível corporativo.
16 BRETZKE, Miriam. Marketing de Relacionamento e competição em tempo real com CRM ... p.40.17 BERSON, Alex. Building Data Mining ... p.49.
15
Prever: usa a tecnologia de data mining para prever o comportamento do cliente e aprender
com as experiências passadas. Utiliza os resultados do sistema de data mining para focar e
refinar futuras campanhas.
Agir: usa os sistemas de gerenciamento de campanhas para certificar que as campanhas são
executadas de uma maneira clara e mensurável e que os resultados e ações são capturados no
data warehouse ou no data mart do cliente.
A evolução do CRM Analítico traz junto aos elementos que atuam na otimização da
lucratividade do cliente algumas forças contrárias. Essas forças possuem dois focos de atuação. O
primeiro tem origem interna na organização e está relacionado à fragmentação política entre os
diversos grupos que compõem uma organização. Uma das partes mais difíceis na construção de um
poderoso sistema de CRM é a dificuldade de conseguir as informações sobre o cliente entre os
diversos pontos de contato na mesma organização. Com freqüência, os grupos individuais não
querem cooperar ou compartilhar informação porque eles vêem isso como sendo contrário à
lucratividade de seus centros de custo, apesar de ser mais lucrativo para a empresa como um todo.
O segundo foco contrário, de origem externa, é o desejo de privacidade do cliente. Essa força tem
ganhado cada vez mais importância e segundo o relatório “Data Mining: Staking a Claim on Your
Privacy” de Ann Cavoukian, Comissária de Informação e Privacidade de Ontário, o data mining
“pode ser o desafio mais fundamental que os defensores da privacidade enfrentarão na próxima
década...” O relatório recomenda que seja dado três níveis de opção de saída ao consumidor em
relação a qualquer dado que tenha sido coletado:
não permitir nenhuma atividade de data mining com os dados do cliente.
permitir o data mining apenas para uso interno.
permitir o data mining para uso interno e externo.
Dessa maneira, temos que a grande quantidade de dados coletados dos indivíduos junto a
poderosas novas tecnologias como o data mining, gerarão um alto nível de preocupação nos
consumidores.
2.2.4 CRM ColaborativoO CRM Colaborativo é definido como o modelo de comunicação e coordenação entre os canais e
os pontos de acesso do clientes por todo o ciclo de vida ETFS (Engage, Transact, Fulfill, Service)
que pode ser definido como:
16
Engage: este é o estágio onde o reconhecimento inicial da organização/oferta é criado
através da propaganda/marketing. Tipicamente, existe um tipo de efeito funil começando
com o reconhecimento básico seguido pelos leads não qualificados e depois dos leads
qualificados resultando no movimento para o próximo passo que é a compra da oferta através
de algum tipo de transação. Este estágio do ciclo de vida do cliente também inclui o
gerenciamento da campanha de marketing.
Transact: este estágio consiste na própria compra da oferta (por exemplo, o cliente preenche
um contrato e o devolve para o departamento de vendas ou quando um formulário da Web é
preenchido especificando a configuração que o cliente deseja e o método de pagamento).
Fulfill: neste estágio, a oferta é entregue ao cliente. Isto pode consistir no produto sendo
fisicamente entregue ao cliente ou, no caso de um produto eletrônico, isto pode ser
simplesmente a transferência eletrônica. No caso de serviços, pode ser uma visita de um
consultor ao cliente ou a ativação do serviço (ex. água, eletricidade, telefone).
Service: este é o estágio final do ciclo de vida do cliente e tipicamente inclui a
disponibilidade do cliente obter ajuda na oferta adquirida variando do suporte técnico à troca.
No caso de empresas de serviço como seguradoras este estágio pode ser o processamento da
requisição. O noção de satisfação contínua do cliente deve ser buscada neste estágio.
2.3 Data Warehousing e o CRM
2.3.1 O Processo de Data WarehousingO data warehouse é um armazém integrado de informações coletadas de outros sistemas que se
torna o alicerce no suporte à decisão e análise de dados18. Ele é uma mistura de tecnologias com o
objetivo de integrar efetivamente banco de dados operacionais possibilitando o uso estratégico dos
dados. W.H. Inmon define um data warehouse como “uma coleção de dados orientados por assunto,
integrados, variando com o tempo e não volátil que suportam as decisões gerenciais.”
Sob o ponto de vista de TI, o data warehousing tem por objetivo a entrega no tempo certo da
informação correta para os indivíduos corretos numa organização. Isso é um processo contínuo e
não uma solução pontual exigindo uma abordagem distinta da usual no desenvolvimento de
sistemas orientados para transações. O data warehouse é focado no conceito (por exemplo, vendas)
ao invés do processo (por exemplo, emissão de pedidos). Ele contém todas as informações
18 Microsoft SQL Server Data Warehousing Framework, Microsoft Corporation.
17
relevantes de um conceito coletadas e vários sistemas de processamento. Essa informação é
coletada e armazenada em intervalos regulares e é relativamente estável:
Três tipos de dados do cliente (descritivo, promocional e transacional)
Coletando dados do cliente (fontes internas e dados da web)
Conectando dados do cliente (data warehouses e data marts; data pumps e connectors; long
distance connections)
Dados do cliente e privacidade
O data warehouse integra os dados operacionais usando convenções de nomenclatura, medidas,
atributos físicos e semântica consistentes. Os primeiros passos no design do data warehouse são
determinar quais áreas temáticas deverão ser incluídas e desenvolver um conjunto de definições de
comum acordo. Isso exige entrevistas com os usuários finais, analistas e executivos para entender e
documentar o escopo dos requisitos de informação. Essas questões devem ser cuidadosamente
entendidas antes que o processo lógico seja traduzido em um data warehouse físico.
Após o design físico, os sistemas de operação são colocados em ação para povoar o data
warehouse. Em função dos sistemas de operação e o data warehouse possuírem representações
distintas dos dados, o processo de povoar o data warehouse exige transformações nos dados:
resumo, tradução, decodificação, eliminação de dados inválidos, etc. Esses processos necessitam ser
automatizados de maneira que eles possam ser executados nos seguintes moldes: extração,
transformação e transporte dos dados originais no ritmo necessário para atender às necessidades do
negócio do data warehouse. A Figura 2.4 ilustra esse processo no data warehouse.
Nos sistemas de operação, os dados têm valor atual e preciso no momento do acesso. Por
exemplo, um aplicativo de requisição de pedido sempre mostra o valor atual do estoque para cada
produto. Esse valor pode variar entre dois acessos ao sistema em um curto intervalo de tempo. No
data warehouse, o dado representa a informação coletada em um longo período de tempo e é preciso
naquele momento específico. Assim, o data warehouse contém uma série longa de retratos de áreas-
chave de um negócio.
Por fim, a informação está disponível para pesquisa, análise e elaboração de relatórios. Muitas
ferramentas auxiliam na análise variando de simples geradores de relatórios até avançadas
ferramentas de data mining. Assim, a análise direciona as interações finais do processo de data
warehousing causando a revisão no design do data warehouse para acomodar novas informações,
melhorar a performance do sistema ou permitir novos tipos de análises. Com essas mudanças, o
processo começa novamente e continua por toda o ciclo de vida do data warehouse.
18
Figura 2.4
2.3.2 Arquitetura do Data WarehouseA arquitetura do data warehouse é baseada em um servidor de sistema de gerenciamento de
banco de dados relacional que funciona como repositório central de dados. Na arquitetura do data
warehouse, os dados e processamentos operacionais são completamente separados do
processamento do data warehouse.
A fonte de dados para o data warehouse são os aplicativos operacionais. Assim que o dado entra
no data warehouse, ele é transformado em um formato estruturado e integrado. O processo de
transformação pode envolver conversão, sumarização, filtragem e condensação dos dados. Em
função dos dados no data warehouse possuírem um grande componente histórico (às vezes de 5 a 10
anos), o data warehouse deve ser capaz de suportar e gerenciar um grande volume de dados, assim
como diferentes estruturas de dados para o mesmo banco de dados no decorrer do tempo.
19
Design
Povoar Analisar
Fonte: Adaptado de BERSON, Alex. Building Data Mining Application for CRM.
Figura 2.5
Esse repositório central de dados é cercado por um número de componentes-chave projetados
para fazer o ambiente todo do data warehouse funcional, gerenciável e acessível tanto pelos
sistemas de operação que fornecem dados para o data warehouse quanto pelas consultas dos
usuários finais e ferramentas de análise. Como representado na Figura 2.5, o data warehouse
apresenta os seguintes componentes:
Banco de Dados do Data WarehouseO elemento central do data warehouse é a tecnologia de sistema de gerenciamento de banco de
dados relacional (RDBMS – Relational Database Management System19). No entanto, a
implementação do data warehouse baseado na tecnologia tradicional de RDBMS geralmente tem
como restrição o fato de que as implementações tradicionais dos RDBMS são otimizadas para o
processamento de banco de dados transacionais. Assim, certos atributos específicos do data
19 O Database Management System (DBMS) é o software que controla e gerencia os dados para eliminar a redundância de dados e garantir a integridade, consistência e disponibilidade dos dados, entre outras utilidades.
20
ODS
DadosExternos eLegados
Plataforma deAdministração
Repositório
Aplicações eFerramentas
Ferramentasde Consulta e
Relatório
Ferramentasde OLAP
Ferramentasde Data Mining
Plataforma deGerenciamento
Data WarehouseDBMS
MRDB
MDDB
TransformarCarregar
ExtrairTransformar
Carregar
Sistema de Entrega de
Informações
Metadados
warehouse, como o tamanho muito grande do banco de dados, processamento de consultas em
contexto específico (ad hoc) e necessidade de flexibilidade na criação para o usuário, levaram ao
desenvolvimento de novas abordagens tecnológicas para o banco de dados do data warehouse. São
elas:
Design de banco de dados relacional paralelo que exige uma plataforma computacional
paralela como, por exemplo, multi-processadores simétricos (Symmetric Multiprocessor –
SMP), processadores massivamente paralelos (Massively Parallel Processors – MPPs) e
agrupamentos de uni ou multi-processadores (Uni- or Multiprocessor Clusters).
Abordagem inovativa para acelerar o sistema RDBMS tradicional pelo uso de novas
estruturas de índice que pulam o rastreamento relacional de tabelas.
Banco de dados multidimensionais (Multidimensional Databases - MDDBs) que são
baseados em tecnologia proprietária de banco de dados ou implementados usando os já
familiares sistemas RDBMS. Os banco de dados multidimensionais são projetados para
superar qualquer limitação colocada no data warehouse pela natureza do modelo de dados
relacionais. Essa abordagem está intimamente ligada ao uso das ferramentas OLAP20 (Online
Analytical Processing) que atuam como clientes para os banco de dados multidimensionais.
Essas ferramentas pertencem, em termos de arquitetura, ao grupo de componentes do data
warehouse categorizados como ferramentas de consulta de dados, análise e data mining.
ODS (Operational Data Store) O Operational Data Store (ODS) é uma coleção de dados orientados por assunto, integrados,
referentes ao momento presente e voláteis, utilizados para suportar processos táticos de tomada de
decisão.
Em um típico sistema de data warehouse, a informação passa por níveis de transformação da
origem para o ODS e finalmente para o data warehouse.
Ferramentas para a Integração (Extração, Limpeza, Transformação e Migração)Um esforço significativo de implementação do data warehouse é gasto na extração dos dados dos
sistemas de operação para a colocação no formato adequado aos aplicativos de informação que irão
se utilizar do data warehouse.
20 OLAP é a tecnologia computacional utilizada para analisar tendências e realizar análise de negócios usando visões multi-dimensionais dos dados do negócio.
21
As ferramentas de extração, limpeza, transformação e migração dos dados executam todas as
conversões sumarizações, mudanças-chave, mudanças estruturais e condensações necessárias para
transformar dados dispares em informações que podem ser utilizadas pelas ferramentas de suporte à
decisão. As funcionalidades dessas ferramentas incluem:
Remoção de dados não desejados dos banco de dados operacionais;
Conversão para nomenclatura e definições de dados padronizadas;
Cálculo de sumários e dados derivados;
Estabelecimento de padronização para dados ausentes;
Acomodação de mudanças nas definições dos dados fonte.
As ferramentas de extração, limpeza, transformação e migração devem trabalhar com as
seguintes questões:
Heterogeneidade do Banco de Dados: os sistemas de gerenciamento de banco de dados são
bem distintos em relação ao modelo de dados, linguagem de acesso de dados, navegação de
dados, operações, concorrência, integridade, recuperação de dados e etc.
Heterogeneidade dos Dados: é a diferença na maneira que os dados são definidos e usados
em diferentes modelos – homônimos, sinônimos, incompatibilidade de unidades (sistema
métricos vs. sistema americano), atributos distintos para a mesma entidade e maneiras
diferentes de modelar o mesmo fato.
MetadadosMetadado é a documentação ou informação eletrônica sobre os sistemas e processos de negócio
de uma empresa. São os dados que descrevem os dados do data warehouse. É utilizado para
construir, manter, gerenciar e utilizar o data warehouse. Pode ser classificado em duas categorias:
Metadados Técnicos: contém informações sobre os dados do data warehouse para uso de
designers e administradores quando estiverem realizando tarefas de desenvolvimento e
gerenciamento do data warehouse. Os documentos dessa categoria incluem:
informação sobre as fontes de dados;
descrição de transformação – o método de mapeamento dos bancos de dados operacionais
para o data warehouse e os algoritmos usados para converter/refinar/transformar os dados;
os objetos do data warehouse e as definições de estruturas de dados;
as regras usadas para realizar a limpeza e melhoria dos dados;
22
as operações de mapeamento de dados quando estiver capturando dados de sistemas fonte e
aplicando-os no banco de dados alvo do data warehouse;
autorizações de acesso, históricos de backup, de arquivamento, de entrega de informação, de
aquisição de dados, acesso de dados e etc.
Metadados do Negócio: contém informações que permitem ao usuário uma perspectiva fácil de
entender as informações armazenadas no data warehouse. Esses documentos incluem:
áreas de temáticas e objetos de tipo de informação incluindo consultas, relatórios, imagens,
vídeos e/ou clipes de áudio;
Homepages da Internet;
Outras informações para suporte de todos os componentes do data warehouse. Por exemplo,
a informação relacionada com o sistema de entrega da informação deve incluir a informação
de assinatura; informação de agendamento; detalhes dos destinos de entrega; e objetos de
consulta de negócios como modelos de consultas, relatórios e análises.
Fonte: Microsoft SQL Server Data Warehousing Framework Figura 2.6
23
FontesOperacionais
Transformaçãoe Limpeza de
Dados
Data Marts ouData
Warehouse
Design do Data Warehouse / Data Mart
Ferramentas dosUsuário Finais
Dir
etó
rio d
eIn
form
açã
o
Esquema Transformar Agendar Replicar InfoPublicação OLAP
Repositório (Metadados compartilhados persistente)
Gerenciamento do Data Warehouse
Construção Uso
Gere
nci
am
en
to
Fluxo de Dados Fluxo de Metadados
Outro papel importante do metadado, representado na Figura 2.6, é proporcionar o acesso aos
usuários ajudando a entender o conteúdo e encontrar informações. O gerenciamento de metadados é
feito pelo software de gerenciamento que pode ser usado para mapear os dados de extração para o
banco de dados alvo, para gerar código para as transformações de dados, para integrar e transformar
os dados, para controlar a movimentação de dados para o data warehouse. Um importante
componente funcional do repositório de metadados é o diretório de informação. O conteúdo do
diretório de informação são os metadados que ajudam os usuários técnicos e de negócios a explorar
o poder do data warehouse. Esse diretório ajuda a integrar, manter e visualizar os conteúdos do
sistema de data warehousing. Os requisitos técnicos do diretório de informação e de todo o
repositório de metadados são:
Deve servir de passagem para o ambiente do data warehouse e, dessa maneira, deve ser
acessível de qualquer plataforma via conexões transparentes e uniformes;
no mínimo, os componentes do diretório de informação devem ser acessíveis por qualquer
Web browser e deve rodar nas plataformas principais incluindo Windows (95/98/NT/2000) e
UNIX;
As estruturas de dados do repositório de metadados devem suportar todos as principais
plataformas de banco de dados relacionais e/ou orientadas a objeto;
Deve suportar uma fácil distribuição e replicação do seu conteúdo para uma alta performance
e disponibilidade;
Deve ter mecanismo de busca por palavras-chave do vocabulário de negócios;
Deve ser capaz de definir o conteúdo dos dados estruturados e não estruturados;
Deve ser plataforma de acesso para o usuário final e para as ferramentas de análise;
Deve suportar o compartilhamento de objetos de informação entre os usuários como
consultas, relatórios, coleções dados, assinaturas e etc.;
Deve suportar uma variedade de opções de agendamento para requisições no data warehouse,
incluindo entrega sob demanda, condicional, dependente de evento e repetitiva;
Deve suportar a distribuição dos resultados de consultas para um ou mais destinatários em
qualquer formato especificado pelo usuário (em conjunto com o sistema de Entrega de
Informação);
Deve suportar e proporcionar as interfaces para outros aplicativos como e-mail, planilhas e
agendas e;
24
Deve suportar ao usuário final o monitoramento do status do ambiente de data warehouse em
conjunto com os componentes de Administração e Gerenciamento.
Ferramentas de Acesso aos DadosFerramentas de Consultas e Relatórios (Query & Reporting Tools): Essas ferramentas são
voltadas para questões estruturadas com uma visão tabular dos dados. O resultado é apresentado
nessas ferramentas no formato de relatório.
Ferramentas OLAP: Essas ferramentas são voltadas para questões não estruturadas com uma
visão multidimensional dos dados. O resultado é apresentado no formato de grids e cross-tabs.
Data MiningUm fator crítico de sucesso para qualquer negócio atualmente é sua capacidade de usar as
informações efetivamente. O uso estratégico dos dados pode resultar em oportunidades de
descoberta de fatos ocultos, previamente não detectados e freqüentemente valiosos sobre clientes,
fornecedores e distribuidores. Podem também revelar tendências e direções do negócio. Uma
tecnologia relativamente nova que tem por objetivo atingir essa vantagem estratégica é conhecida
como data mining. O data mining é o processo de descoberta de novas correlações significativas,
padrões e tendências por meio da exploração da enorme quantidade de dados armazenados no data
warehouse. Isso é feito através do uso de técnicas de inteligência artificial, estatística e matemática.
Data Mart O data mart deve conter dados provenientes do data warehouse, customizados para suportar
necessidades analíticas de uma determinada área ou processo do negócio. No projeto de um data
mart deve ser levado em consideração a escalabilidade do sistema, a consistência dos dados e as
questões de gerenciamento. O fator-chave para o sucesso de uma estratégia de data mart é o
desenvolvimento de uma arquitetura genérica de data warehouse escalável.
No entanto, muitas vezes tem se observado a adoção de uma estratégia de data marts
independentes em detrimento de uma estratégia geral de data warehouse. Os fatores que motivam
isso incluem:
necessidades do usuário extremamente urgentes;
falta de um orçamento para uma estratégia completa de data warehouse;
falta de um patrocinador para uma estratégia de sistema de suporte a decisão para toda a
organização;
25
unidades de negócio descentralizadas;
argumentos de simplicidade e baixo custo do data mart, com os fornecedores dessa
ferramenta se colocando como uma alternativa ao data warehouse.
Esse ponto de vista do data mart como solução independente representa uma alternativa pontual
e fragmentada aos diversos tipos de problemas de uma organização. O ingrediente fundamental que
falta nessa abordagem é o cerne do conceito de data warehousing que é a integração dos dados.
Cada data mart independente faz suas próprias suposições sobre como consolidar os dados que
podem ser inconsistentes no conjunto dos data marts de uma organização.
Outro problema enfrentado por essa abordagem de data mart independente é a escalabilidade. O
primeiro data mart simples e barato normalmente é projetado sem sérias considerações em relação a
escala. No entanto, a medida que o uso aumenta (tamanho dos dados e número de usuários
simultâneos), a falta escalabilidade representa uma séria restrição.
A adoção de soluções pontuais de data mart não é necessariamente uma alternativa a ser evitada,
desde que sejam tomadas algumas medidas de precaução. A mais importante está ligada à definição
das dimensões comuns. Isto implica que as dimensões devem ser a mesma ou derivadas. Usando a
dimensão tempo como exemplo, temos que quando é usado em um data mart a medida por semana,
os dados de outro data mart estarão em conformidade se forem medidos por dia ou semana. Eles
não estariam em conformidade caso fosse utilizado as dimensões semana em um data mart e
trimestre fiscal em outro.
Internet e IntranetNa abordagem tradicional de cliente/servidor existem sérias dificuldades técnicas, logísticas, de
segurança e de gerenciamento para a implementação do data warehouse para um grande número de
usuário por toda a organização.
Esses desafios felizmente estão sendo resolvidos com a aplicação da tecnologia de Internet. O
uso da intranet tem resultado numa diminuição drástica do capital dispendido e as despesas
envolvidas na criação e implementação de aplicações pela Web. Atualmente, as empresas podem
montar servidores RDBMS, DSS e Web centralizados em único lugar podendo construir aplicações
de suporte a decisão usando ferramentas padrões e atingindo imediatamente centenas ou mesmos
milhares de usuários por toda a intranet da organização.
26
XML
O XML é uma linguagem de markup assim como o HTML. No entanto, o objetivo final do XML
é converter um fluxo de texto em um objeto de dado que pode ter uma estrutura interna altamente
complexa. O poder do XML reside em sua capacidade de definir como codificar dados estruturados
em um fluxo de texto de maneira padronizada. Em função da codificação ser padronizada, todos
podem ler a estrutura e entender a mensagem. O XML pode converte um byte de fluxo de texto em
um objeto de dado estruturado que está pronto para o uso nos aplicativos. Além disso, o XML é
extensível pois permite que os usuários definam seu próprio tipo de documento e dados.
Um aspecto interessante está relacionado à capacidade do XML permitir verificação da validade
do documento (estrutura, dados que estão faltando e tipos de dados incorretos). Esta capacidade é
proporcionada através da declaração da estrutura exata do documento. Isto é feito usando uma
declaração do tipo de documento (DTD – Document Type Declaration).
A riqueza de possibilidades e a promessa de redução de custos oferecidas pelo XML significam
que a adoção do XML pode ter um impacto significativo na arquitetura de TI em geral e na
arquitetura de data warehousing e CRM em particular. O XML tem surgido como elemento
principal para:
Intercâmbio de dados e metadados para aquisição de dados (aplicativos de ETL – Extract,
Transform, Load);
Aquisição de dados dos diversos pontos de contato com o cliente por toda a variedade de
canais da arquitetura de CRM;
Integração de dados para aplicações de data warehousing e OLAP.
2.3.3 Aplicação ao Sistema de CRMO data warehouse interage com o sistema de CRM sendo o elemento de suporte para os
aplicativos operacionais e ferramentas de análise de dados. Apesar de ser um elemento importante
para todo o ecossistema de CRM, a maior contribuição do data warehouse para a otimização da
lucratividade do cliente está no CRM Analítico. A arquitetura de ODS (Operational Data Store) e as
ferramentas de OLAP e data mining desempenham um papel fundamental nessa busca de maior
lucratividade.
No contexto do uso das ferramentas de data mining para o CRM Analítico o ODS é considerado
um importante componente no ambiente geral do data warehouse, especialmente na relação com o
data mining e atividades analíticas similares.
27
Um ODS é um conceito de arquitetura de apoio às atividades operacionais diárias de suporte à
decisão contendo dados atualizados propagados das aplicações operacionais. Além disso, ele pode
ser usado não somente para as atividades de suporte à decisão contra dados operacionais, mas
também como uma área intermediária para a aquisição de dados no data warehouse. O ODS pode
sustentar a mesma freqüência de atualizações dos dados do sistema de operações proporcionando,
dessa maneira, uma visão consistente dos dados operacionais para a análise e suporte à decisão.
Outra aplicação importante para o CRM é o uso das aplicações de negócio com as ferramentas
OLAP que incluem performance e lucratividade do produto, efetividade de um programa de vendas
ou campanha de marketing, previsão de vendas e planejamento de capacidade. Essas ferramentas
assumem que os dados são organizados em um modelo multidimensional por meio de um banco de
dados multidimensional especial (MDDB – Multidimensional Database) ou por um banco de dados
relacional projetado para possuir propriedades multidimensionais (MRDB – Multirelational
Database). As ferramentas de OLAP podem ter três classificações sendo que a Figura 2.7 ilustra
essas possibilidades:
MOLAP (Multidimensional Online Analytical Processing): Essa forma contém dados pré-
calculados considerando todas as possíveis respostas para um dado conjunto de questões. Ela
tem boa performance, independente da quantidade de consultas sendo que algumas alterações
levam à necessidade de recalcular o banco de dados. Além disso, os cubos podem ficar muito
grandes à medida que novas dimensões e dados detalhados são acrescentados sendo
recomendado quando os usuários têm problemas relativamente dentro de um escopo (por
exemplo, eles necessitam respostas para as mesmas questões todo dia / semana / mês).
ROLAP (Relational Online Analytical Processing): Essa forma não contém dados pré-
calculados sendo que intercepta a consulta e apresenta a questão para o banco de dados
relacional com o objetivo de obter os dados que respondem à questão. Em algumas situações,
são mais lentos que a tecnologia MOLAP sendo apropriado para grandes volumes de dados
com necessidade de grande detalhamento. É recomendado quando os usuários não sabem
exatamente o que vão perguntar ao longo do tempo.
HOLAP (Hybrid Online Analytical Processing): Essa forma apresenta uma estrutura híbrida
combinando características das duas formas anteriores. Apresenta dados agregados e
detalhados.
28
Figura 2.7
Já o data mining pode alcançar além das capacidades das ferramentas de OLAP, especialmente
em função do maior atrativo do data mining ser sua capacidade de construir modelos preditivos ao
invés de modelos retrospectivos.
A maioria das organizações utilizam as ferramentas de data mining para fazer:
Descoberta de Conhecimento: o objetivo da descoberta do conhecimento é determinar
explicitamente relações escondidas, padrões ou correlações entre os dados armazenados em
um banco de dados de uma organização. O data mining pode ser utilizado especificamente
para realizar o seguinte:
- Segmentação de Mercado: identifica as características comuns de clientes que compram
os mesmo produtos de uma empresa;
- Perda de Clientes: prediz quais clientes provavelmente deixarão a empresa para um
concorrente;
- Detecção de Fraude: identifica quais transações estão mais sujeitas a fraude;
- Marketing Direto: identifica quais prospects deveriam ser incluídos na mala direta para
obtenção de alta taxa de retorno;
29
VISÃO DO USUÁRIO
VISÃO DO USUÁRIO
DADOS DETALHADOS
DADOS DETALHADOSE AGREGADOS
VISÃO DO USUÁRIO
DADOS DETALHADOSE AGREGADOS
DADOSAGREGADOS
MOLAPMULTIDIMENSIONAL
OLAP
ROLAPRELATIONAL
OLAP
HOLAPHYBRIDOLAP
- Marketing Interativo: prediz o que cada indivíduo que acessa o site está mais interessado
em ver;
- Associação (Análise market basket): identifica quais produtos são comumente comprados
em conjunto;
- Análise de Tendências: revela as diferenças entre um típico cliente de um mês em relação
aos meses anteriores.
Visualização de Dados: os analista devem ser capazes de intuir sobre a grande quantidade de
dados armazenados nos banco de dados corporativos. Antes de qualquer análise, o objetivo é
“humanizar” a massa de dados que eles têm que manusear e descobrir maneiras inteligentes
de mostrar os dados.
Correção de Dados: No momento de consolidar banco de dados gigantescos, muitas
organizações descobrem que os dados não estão completos e que possuem invariavelmente
informações errôneas e contraditórias. As técnicas de data mining ajudam a identificar e
corrigir problemas na maneira mais consistente possível. O número de aplicações nessa
categoria é um pouco limitado em função das difícil natureza do processo de correção. A
substituição de valores ausentes ou correção daqueles valores julgados incorretos exige
demandas de julgamento que são difíceis de serem realizadas automaticamente.
2.4 Data Mining e o CRM
2.4.1 Definição do Data MiningO data mining ajuda os usuários finais extrair informações úteis sobre o negócio de grandes
bancos de dados. Pode ser definido como o processo de descoberta de novas correlações, padrões e
tendências significativas através da mineração (mining) de grande quantidades de dados
armazenados no data warehouse usando técnicas de inteligência artificial, estatística e matemática.
A maior atratividade dos modelos de data mining é capacidade de construir modelos preditivos ao
invés de retrospectivos.
O valor estratégico do data mining é sensível ao tempo, especialmente nos setores de varejo,
marketing e finanças. Além disso, as organizações que explorarem os dados primeiro ganharão
vantagem estratégica no atendimento e atração de clientes. Consequentemente, os benefícios
derivados do processo de data mining proporcionam substancial vantagem competitiva aos
pioneiros da tecnologia.
30
O uso do data mining para construir modelos preditivos para tomada de decisões apresenta
diversos benefícios. Um modelo deve explicar o motivo da tomada de determinada decisão. O
ajuste do modelo baseado no feedback levará a acumulação de experiências e ao verdadeiro
aprendizado organizacional. Finalmente, um modelo preditivo pode ser usado para automatizar uma
etapa decisória de um processo maior.
2.4.2 Técnicas de Data MiningO funcionamento do data mining é semelhante ao do ser humano. Ele utiliza informações
históricas (experiência) para aprender sobre o passado. No entanto, para que as técnicas de data
mining extraiam as informações valiosas do banco de dados, deve-se existir uma definição
descrevendo essas informações para que modelo analise o banco de dados utilizando informações
do passado para prever o futuro.
Temos como exemplo os programas de marketing direto em que se deseja ofertar apenas aos
consumidores interessados na proposta. O contato com apenas esses clientes interessados na oferta
otimiza os lucros pela maximização da receita e minimização dos custos. Também, é interessante
para os prospectos e clientes atuais pelo fato de não serem incomodados com ofertas que não
interessam a eles.
A metodologia de data mining utilizada atualmente consiste de poucos conceitos de grande
importância. O primeiro é o conceito de padrão que consiste em encontrar um padrão nos dados.
Isso pode ser definido como um evento ou combinação de eventos em um banco de dados que
ocorrem com freqüência maior que a esperada. Uma maneira de visualizar padrões é através da
utilização de gráficos.
Outro conceito importante é o de amostragem que é a capacidade de reconhecer padrões nos
dados sem a necessidade de analisar todos os exemplos para cada combinação possível das
variáveis (dimensões). Um aspecto crítico para a amostragem é que ela seja feita através de um
processo aleatório de maneira a evitar qualquer possível polarização que possa criar um modelo
inferior ao ótimo.
Finalmente, o conceito de validação do modelo é o passo mais importante desse processo. Isso
decorre do uso dos modelos de data mining para questões estratégicas por toda a empresa. Uma
maneira simples de validação de dados é a aplicação do modelo aos dados históricos já conhecidos
com a posterior comparação das diferenças. Se a diferença for grande é possível que o modelo não
seja válido na prática. Existem diversas técnicas de data mining entre as quais a estatística, nearest
neighbor, clustering, árvore de decisão, redes neurais e regras de indução.
31
EstatísticaA estatística é o ramo da matemática que estuda a obtenção e descrição dos dados. É uma técnica
adequada para resolução de problemas de predição, classificação e descoberta. A melhor ferramenta
para fazer o sumário de uma coleção de dados é o histograma. Os outros elementos de sumário
importante são: valor máximo, mínimo, média, mediana, moda e variância.
No uso da estatística para predição, a ferramenta de regressão é um poderoso elemento que é
freqüentemente utilizado. Existem diversos tipos de regressão em estatística mas o modelo básico
consiste em determinar um modelo de predição que minimize a distância (erro) entre a curva e o
conjunto de dados. A forma mais utilizada de regressão é a linear que utiliza uma equação de
primeiro grau (linear) para realizar a estimação.
Nearest NeighborEssa técnica da hipótese que objetos que estão próximos de outro terão valores de predição
similares. Dessa maneira, se é conhecido o valor de predição de um objeto, é possível fazer a
predição para o objeto vizinho mais próximo. Uma utilização para essa técnica é a predição para
recuperação de texto sendo usada para encontrar documentos que compartilhem características
importantes com os documentos que foram anteriormente definidos como interessantes.
ClusteringÉ um método em que os registros semelhantes são agrupados. Normalmente, isto é feito para
proporcionar ao usuário final uma visualização de alto nível sobre o banco de dados. Uma utilização
clássica desta técnica é para a segmentação de mercados.
Existem duas técnicas de agrupamento: hierárquicas e não-hierárquicas. Dentro da técnica
hierárquica pode-se utilizar algoritmo aglomerativo que inicia o processo com a formação do
número de agrupamentos iguais ao de registros no banco de dados. Os agrupamentos mais próximos
são reunidos em um novo agrupamento dentro de um processo que no limite gera um único
agrupamento para todos os registros. O outro algoritmo de técnica hierárquica é o divisivo que
utiliza uma abordagem oposta ao algoritmo aglomerativo. Ele parte de um agrupamento que contém
todos os registros e utiliza um processo de seguidas divisões desse agrupamento em unidades
menores. A técnica não-hierárquica também possui duas divisões. A primeira é o método da
passagem única que têm essa denominação pelo fato de fazer a leitura dos dados no banco de dados
para o agrupamento somente uma vez. A outra divisão é denominada de método de realocação que
32
consiste no movimento ou realocação de registros de um agrupamento para outro de maneira a criar
um número de agrupamentos definido pelo usuário.
Árvore de DecisãoA árvore de decisão é um modelo preditivo que faz predições baseado em uma série de decisões.
A árvore de decisão proporciona uma estrutura eficiente em que as decisões alternativas e as
implicações da tomada dessas decisões podem ser separadas e avaliadas. Também ajuda a forma um
cenário preciso e balanceado dos riscos e recompensas associados a determinada alternativa. É uma
excelente ferramenta para decisões financeiras onde muitas informações complexas devem ser
levadas em consideração.
Redes NeuraisRede neural é um tipo de inteligência artificial que tenta imitar a maneira de funcionamento do
cérebro humano. Ao invés de usar um modelo digital, onde todo o processamento manipula zeros e
uns, a rede neural funciona criando conexões entre os elementos de processamento, que é o
equivalente computacional aos neurônios. A organização e ponderação das conexões determina o
resultado. As redes neurais são particulamente eficientes na predição de eventos quando se tem um
grande banco de dados de exemplos anteriores para construir a rede. Assim, a rede neural implica
no processamento não digital, mas pode ser simulada em computadores digitais. A definição
rigorosa do termo rede neural é melhor descrita por “rede neural artificial” pois a verdadeira rede
neural se refere ao funcionamento dos sistemas biológicos (ex. cérebro).
As redes neurais são modelos de predição extremamente poderosos mas apresentam um alto grau
de dificuldade de uso e na implementação. As redes neurais criam modelos altamente complexos e
de difícil entendimento, inclusive para especialistas. Pode-se lidar com essas características do
modelo de duas maneiras. A primeira é a implementação de uma rede neural dentro de uma solução
completa empacotada como nos programas de detecção de fraude, por exemplo. A outra maneira é a
venda de serviços de consultoria associados à implementação de uma rede neural.
A rede neural está baseada na maneira que as pessoas acreditam que o cérebro humano é
organizado e em seu funcionamento. Isto resulta em duas estruturas básicas:
Nó: corresponde ao neurônio no cérebro humano;
Link: corresponde às conexões entre os neurônios no cérebro humano.
As redes neurais são utilizadas em inúmeras aplicações dentro de várias áreas da organização.
Seu pode variar da detecção do uso fraudulento do cartão de crédito e predição de risco de crédito
33
até o aumento das respostas em uma campanha de mala direta. Em outras áreas seu uso também é
importante como por exemplo na tecnologia de reconhecimento de voz.
Regras de InduçãoAs regras de indução são ferramentas de data mining em que um conjunto de objetos é
pesquisado para identificar similaridades. Essas similaridades são apresentadas em um formulário
de regra. Por exemplo, se determinada condição é atendida então têm-se uma conclusão. As regras
de indução utilizam dois parâmetros importantes para identificação de regras: a cobertura e a
precisão.
A cobertura é o número de linhas que apoiam determinada regra. A precisão é o percentual de
linhas de dados onde a regra é verdadeira. A Tabela 2.1 ilustra esses parâmetros das regras de
indução:
Baixa Precisão Alta Precisão
Alta Cobertura
A regra é raramente correta
mas pode ser usada com
freqüência.
A regra é freqüentemente
correta e pode ser usada com
freqüência.
Baixa Cobertura
A regra é raramente correta e
pode ser usada somente
raramente.
A regra é raramente correta
mas pode ser usada somente
raramente.
Fonte: BERSON, Alex. Building Data Mining Application for CRM Tabela 2.1
Os sistemas de regras de indução são altamente automatizados e provavelmente a melhor técnica
de data mining para expor todos os possíveis padrões em um banco de dados.
2.4.3 Atividades do Processo de Data Mining para o CRMExistem muitos estágios de atividades entre o momento em que o usuário da área de negócios
inicia o programa de marketing e o momento em que o programa é implementado para os clientes.
O tempo pode ser elevado entre a concepção inicial e a entrega final em função do número de partes
diferentes envolvidas no processo. A Tabela 2.2 ilustra as atividades e elementos desse processo.
Estágio do
Processo
Atividade Usuário Tempo
para
34
completar
Exploratório O usuário do negócio trabalha com ferramenta
de OLAP no data mart para construir intuições
sobre os negócios e seus dados propondo
possíveis programas de marketing
Usuário final da
área de negócio
De minutos
a horas
Definição Um analista estatístico trabalha com o usuário
do negócio tentando entender o processo de
negócio e determinar quais dados serão
trabalhados
Estatístico Dias
Extração Os estatísticos solicitam a extração dos dados
necessários do data warehouse em um formato
adequado às ferramentas de estatística
Pessoal de TI ou
Administrador do
banco de dados
Semanas
Análise Os estatísticos usam o banco de dados extraído
para construir modelos preditivos baseado no
entendimento do modelo do negócio
Estatístico Semanas
Confirmação O modelo recomendado pelos estatísticos é
devolvido ao usuário do negócio junto com um
valor do nível de precisão. As pressuposições
são revistas pelo usuário e os resultados
antecipados são avaliados
Usuário final da
área de negócio
Dias
Registro O modelo estatístico construído em um banco
de dados proprietário é registrado para funcionar
na estrutura de dados original do data
warehouse. O modelo deve ser testado
novamente nesse novo ambiente
Pessoal de TI,
Administrador do
banco de dados,
Estatístico
Semanas
Implantação O novo modelo roda com as informações
detalhadas do cliente no data warehouse e um
programa de marketing é lançado
Pessoal de TI,
Administrador do
banco de dados,
Estatístico
Semanas
Coleta Os clientes reagem ao programa de marketing e
os dados são coletados para enriquecer o
modelo
Pessoal de TI,
Administrador do
banco de dados,
Semanas
35
Estatístico
Tabela 2.2
2.5 Implementação do Data Mining para o CRM
2.5.1 Definição de um Projeto-PilotoUm projeto de CRM baseado em data mining é muito complexo e representa uma mudança
significativa na estratégia do negócio sendo importante estabelecer um caso de sucesso em uma área
específica. A partir disso, torna-se mais fácil levantar os recursos necessários para implementar
projetos de escopo maior. Esse projeto-piloto pode se iniciar atuando nas seguintes áreas:
campanhas de marketing simples ou em áreas com implementações de CRM pobremente
executadas;
situações de desparidade entre o valor do cliente e o investimento no cliente;
situações de inabilidade de mover os clientes para estados valor maior (clientes mais
valiosos).
36
2.5.2 O Valor do Projeto de Data Mining para o CRM
Figura 2.7
O valor do projeto de data mining para o negócio, ilustrado na Figura 2.7, pode ser definido
através dos seguintes parâmetros: aumento nas receitas; aumento no lucro; diminuição dos custos;
retorno sobre o investimento (ROI); vantagem competitiva e pioneirismo na adoção da tecnologia.
Os custos do projeto de data mining podem ser divididos em:
Dados: custos de coleta, armazenagem, processamento, limpeza e aquisição externa de
dados. Como aspectos importantes em relação aos custos dos dados, destaca-se os custos de
limpeza dos dados que podem ser inesperados e a necessidade de comprar informação
adicional externamente.
Infra-estrutura: são custos relacionados ao software de data mining, ao banco de dados
relacional, aos produtos de geração de relatórios e ferramentas OLAP, e ao hardware
necessário.
37
Visão Centrada nos Negócios
Definição dos Dados
Modelo Preditivo
DadosProblema
Definição do ROI
Predição do ROI
ROI
Definição do Valor
Definição do Valor
Implementação
Entendimento
Data Mining
Aplicação
Pessoal:
- data miner: pessoa com habilidades em análise de dados com as ferramentas de data
mining;
- web interface designer: pessoa que irá interagir com os usuários dos modelos de data
mining e das informações construindo uma interface do usuário que seja de fácil
utilização;
- data designer: irá compreender como construir tabelas e banco de dados relacionais que
permitam a otimização do uso dos sistemas de data mining assim como a fácil
manutenção;
- gerente do projeto: será responsável pela manutenção dos documentos de design do
projeto e pela criação e controle de calendários;
- marketing interface: será o responsável pela comunicação das necessidades de marketing
e interface genérica para a equipe de data mining;
- interface de banco de dados: será responsável pela coleta e armazenagem dos dados que
serão utilizados como entrado no sistema de data mining.
Os custos de manutenção do sistema de data mining estão relacionados ao custo de atualização e
manutenção do hardware e software, aos custos de atualizações periódicas dos dados de entrada do
sistema, aos custos de controle de qualidade e validação dos dados de entrada, aos custos de criação
de novos modelos de data mining, aos custos de implementação e aplicação de modelos de data
mining e aos custos de validação dos modelos de data mining.
2.5.3 Implementação de um Projeto de Data Mining para o CRMBerson propõe um modelo constituído de 10 passos para a implementação de uma solução de
CRM:
1. Definição do Problema
2. Definição do Usuário
3. Definição dos Dados
4. Refinamento dos Dados (limpeza, organização e dicionário de dados)
5. Definição do Escopo do Projeto
6. Testes
7. Controle de Qualidade
8. Educação
38
9. Lançamento
10. Continuidade
1. Definição do Problema
A definição do problema de data mining a ser tratado passa pela escolha entre a resolução de um
problema atual ou de um novo problema. No momento da definição do problema deve ser levado
em consideração as barreiras políticas que podem ameaçar o sucesso de um projeto. Por exemplo,
os analistas de dados podem não colaborar no projeto pois seus empregos podem estar ameaçados
caso o projeto seja bem sucedido por automatizar muitas vezes suas tarefas do dia-a-dia. Uma
possível solução para conseguir o envolvimento desses profissionais, que são extremamente
importantes em um projeto desse tipo, é engajá-los desde o início do projeto procurando soluções
para novos problemas relevantes para a organização.
Igualmente importante é a escolha de um problema importante para organização e que seja fácil
de definir e pequeno podendo ser acompanhado em etapas mensuráveis. Além disso, deve ser
definido o resultado final esperado como, por exemplo, a redução do nível de fraudes com cartão de
crédito. Também, deve ser entendido o processo e o fluxo de dados de CRM existente na
organização de maneira a evitar fracassos na implementação.
2. Definição do Usuário
O sucesso nessa etapa permite a elaboração de um sistema com o nível adequado de sofisticação
que permite balancear corretamente o aumento das funcionalidades e o atraso na entrega do projeto.
O aspecto mais importante é ter o foco na funcionalidade. Deve ser criado um perfil para cada tipo
de usuário sendo levantado seu nível de proficiência técnica, sua freqüência de uso do sistema, seu
entendimento sobre o data mining e seu nível de desejo pelo detalhamento. Uma abordagem para o
levantamento dessas questões é o lançamento de um programa de inicialização que:
fará a educação sobre data mining e como essa técnica tem sido utilizada;
discutirá os problemas do negócio e construirá uma lista de desejos e aspirações dos usuários
em relação às interações com um sistema ideal;
sessões interativas sobre como os aplicativos de data mining poderiam ser implementados de
maneira a satisfazer ao máximo o número de desejos dos usuários.
39
3. Definição dos Dados
O data mining é movido pelos dados disponíveis sendo que seu sucesso é fortemente dependente
da quantidade e qualidade dos dados disponíveis. O primeiro passo para a construção dessa infra-
estrutura confiável de dados é a criação do dicionário de dados ou dicionários que descrevam como
os dados serão usados pelo sistema. Esses dicionários podem ser diagramas lógicos, tabelas de
banco de dados relacionais, planilhas ou documentos de texto que contenham informações sobre o
conteúdo esperado de cada coluna de dados no banco de dados, descrição sobre a origem dos dados
e expectativas sobre a validade e uso dos dados.
Também, é importante a designação de uma ou duas pessoas para a tarefa de verificar a precisão
dos dados do banco de dados fornecendo informações sobre quais dados podem estar defasados ou
imprecisos.
Outro elemento importante na definição dos dados é o estabelecimento da métrica dos dados
verificando se os dados do banco de dados estão em conformidade.
4. Refinamento dos Dados
O primeiro passo é a avaliação no nível de integridade dos dados. Devem ser analisados a
percentagem de valores vazios, a discrepância entre o dicionário de dados e os dados reais, os
valores não esperados, os valores fora dos limites esperados e distribuição não esperados dos
valores.
Outro passo importante é a validação das fontes de dados verificando a consistência dos dados
originários de fontes distintas.
5. Definição do Escopo do Projeto
Os projetos de data mining podem ter espaço para um crescimento muito maior do que os
projetos de data warehouse. No entanto, caso não seja definido o escopo de maneira cuidadosa eles
podem se tornar grandes e complexos abrindo a possibilidade de se perder o controle do projeto de
data mining.
Todo o projeto de data mining deve ter uma documentação técnica que descreva detalhadamente
as funções que serão produzidas, a descrição dos objetivos do negócio e o cronograma associado a
isso. Este documento é utilizado para comunicar e negociar o escopo do projeto sendo possível
negociar com os patrocinadores do projeto prazos e itens a serem entregues.
40
Deve ser definido também o escopo da limpeza dos dados considerando os custos de validação
dos dados e reparo de valores inválidos ou vazios. Essas tarefas são caras devendo ser evitadas no
teste inicial.
Em um sistema de data mining, os dados se originam de diversas fontes sendo necessário a
coleta, carregamento e armazenagem no sistema de data mining. Na fase de teste essa
movimentação de dados pode ser manual mas é importante o dimensionamento da automação
posterior desse processo.
O escopo do modelo de data mining varia fortemente em função da dificuldade do problema
sendo importante estabelecer as expectativas do resultado esperado de um modelo determinado de
data mining.
Finalmente, depois de estar com o modelo de data mining pronto é importante estabelecer o
escopo da mensuração dos resultados. Um ponto delicado é o balanceamento entre a obtenção de
dados confiáveis, que tendem a ser gerados no longo prazo, e a manutenção do projeto em um ritmo
rápido de implementação.
6. Testes
A fase de testes representa a primeira aplicação prática do modelo de data mining em problemas
reais e mensuráveis. O primeiro aspecto importante relacionado aos testes é não demorar para
iniciar a fase de testes. O outro aspecto-chave é que o teste seja pequeno mas possa ser
implementado do início ao fim do processo. Ela deve passar da coleta de dados e processamento
para o processo de data mining e até a interação com estrutura de dados de marketing existente
como listas de mailing. Finalmente, a interface do usuário pode ser testada ganhando valiosas
informações sobre o que é útil e o que não é útil para o usuário redefinindo as prioridades dos
esforços de desenvolvimento. O sistema deve permitir alguma possibilidade de fazer relatório dos
resultados.
7. Controle de Qualidade
Em função das decisões de data mining estarem associadas a soluções de problemas de alto valor
para a organização, é importante um criterioso controle de qualidade durante todo o projeto de data
mining. Milhões de dólares podem ser perdidos caso seja tomada uma decisão errônea em função da
imprecisão do sistema de data mining.
41
Para atingir um alto nível de precisão, o controle de qualidade deve ser tratado como um
processo ao invés de um evento isolado. A especificação e atribuição do papel de controle de
qualidade para um membro da equipe é importante para garantir o sucesso desse controle.
Deve-se comunicar de maneira efetiva aos usuários das áreas de negócio, a credibilidade e
qualidade do sistema de data mining para que eles se comprometam com o sistema. Os indicadores
de falta de credibilidade variam da falta de interesse à não tomada de uma ação baseada nos
resultados indicados pelo sistema de data mining.
8. Educação
É importante que os usuários tenham um treinamento inicial significativo e também que se
continue a trabalhar com os usuários educando os a respeito de quais são os modelos e métricas e
como eles podem ser acessados e visualizados. Os itens que merecem atenção especial são:
a descrição da base de clientes e dos dados que estão disponíveis. Pode parecer de início
muito detalhado isso mas sem o entendimento dos dados pelos usuários finais, não existirá
confiança em como o sistema está sendo usado.
como os resultados de data mining são integrados no sistema de CRM. É importante para os
usuários das áreas de negócio que estarão mais interessados na visualização do modelo de
dados como apenas mais uma maneira de atingir os clientes e não estarão interessados em
como o data mining foi executado.
a maneira em que a métrica é calculada para o entendimento dos resultados do sistema de
data mining.
9. Lançamento
Em função dos valores envolvidos serem elevados em termos monetários, o lançamento inicial
do sistema deve ser 100% livre de erro. Devem ser escolhidos de três a cinco usuários iniciais do
sistema incluindo um pesquisador de marketing, um planejador de campanhas e um gerente de
produto ou diretor estratégico com responsabilidades financeiras.
Também, deve ser tomado a precaução de não divulgação dos resultados do sistema de data
mining até que eles possam ser formalmente validados. Erros nos dados de origem ou no processo
de data mining podem levar a uma performance excepcional do sistema. O sistema de controle de
qualidade deve capturar esses erros sendo prejudicial à credibilidade do sistema a divulgação
prematura de resultados que posteriormente possam ser anulados pelo controle de qualidade.
42
O outro ponto importante no lançamento do sistema é a ajuda aos usuário para que eles possam
interpretar corretamente os resultados obtidos. Além de incentivar os usuários a comparar os
resultados do sistema com resultados passados, é interessante trabalhar junto com os usuários na
análise dos resultados pois se pode obter um feedback sobre o sistema.
10. Continuidade
De maneira análoga à etapa de treinamento dos usuários, adicionar o data mining no processo de
CRM não é um evento único. Com o passar do tempo é importante para o sistema de data mining o
arquivamento dos modelos antigos pois dessa maneira será possível uma utilização futura do
modelo e uma análise da performance do modelo com o passar do tempo.
43
3. CONCLUSÕES
O presente estudo sobre O Papel da Tecnologia de Informação no CRM apresenta uma
contribuição para a análise dos aspectos teóricos relevantes no planejamento de uma arquitetura de
TI que possa suportar as ferramentas mais adequadas de análise para a implementação criteriosa de
uma solução de CRM Analítico.
O data warehouse desempenha uma função de grande importância no CRM Analítico sendo a
base para análises que agreguem valor ao negócio. Nesse âmbito, deve-se ter grande cuidado com a
qualidade dos dados utilizados através de processos adequados de extração, limpeza, transformação
e validação dos dados. O data warehouse deve ser planejado com cuidado para a adoção de soluções
que tenham escalabilidade e conformidade das dimensões dos dados sendo possível a integração e
consolidação dos dados gerados por toda a organização. Como barreira à implementação do data
warehouse estão as forças internas que são a fragmentação política e a dificuldade de
compartilhamento da informação. Externamente atua uma força crescente que é a preocupação dos
consumidores em relação a privacidade.
A construção de modelos de data mining completa o processo de montagem da arquitetura de
CRM Analítico. Esses modelos utilizam uma grande base de dados para realizar predições na
tomada de decisões. No processo de data mining, deve existir um gerenciamento cuidadoso dos
recursos humanos envolvidos e dos prazos de execução em cada estágio do processo desde de sua
fase exploratória até a fase de coleta dos resultados da campanha. O processo de implementação do
data mining no CRM é complexo sendo importante o estabelecimento de um projeto-piloto de
sucesso em determinada área da organização antes da adoção de uma solução de maior abrangência.
O modelo proposto por Berson para implementação do CRM consiste em dez etapas que
contribuem para superar as dificuldades inerentes à execução de um projeto de CRM Analítico. Os
elementos mais importantes desse modelo são a definição do escopo do projeto, o correto
tratamento dos dados, o treinamento e educação dos usuários e o estabelecimento de etapas de testes
e validação do modelo.
44
4. BIBLIOGRAFIA
BERSON, Alex. Building Data Mining Applications for CRM. 1. ed. New York: McGraw-Hill,
1999.
BRETZKE, Miriam. Marketing de Relacionamento e competição em tempo real com CRM
(Customer relationship management). 1. ed. São Paulo: Atlas, 2000.
KOTLER, Philip. Marketing management: analysis, planning, implementation, and control. 9.ed.
New Jersey: Prentice Hall, 1997.
PEPPERS, Don. Empresa 1:1: instrumentos para competir na era da interatividade. 1. ed. Rio de
Janeiro: Campus, 1997.
SHEPARD, David. Database Marketing. 1.ed. São Paulo: Makron Books, 1993.
FLECHTER, Keith. Marketing management and information technology. 1.ed. Cambridge, UK:
Prentice Hall International (UK), 1990.
RAPP, Stan, COLLINS, Thomas L. The new maximarketing: the classic guide to transforming your
advertising, promotion, and marketing strategy for the information economy. New York: Makron
McGraw Hill, 1996.
LAUDON, Kenneth C. Managing information systems: new approaches to organization and
technology. 5. ed. New Jersey: Prentice Hall.
MICROSOFT BUSINESS JOURNAL. CRM conquista usuários nacionais. São Paulo: IDG, v.5,
n.16, maio 2000.
WORLD TELECOM. O embaraço da interconexão. São Paulo: IDG, v.3, n.22, maio 2000.
GUIA BUSINESS CENTER – SUPLEMENTO ESPECIAL WORLD TELECOM. Aprenda a ouvir
seu cliente. Ou diga adeus a ele. São Paulo: IDG, v.3, n.22, maio 2000.
HUNTER, Pat. Microsoft Data Warehousing Framework. Aug. 1998.
SHAHNAM, Elizabeth. The Customer Relationship Management Ecosystem. META GROUP INC.
ZORNES, Aaron.. Customer Interaction Center Application Software: Accelerating the E-Customer
Feedback Loop. META GROUP INC.
45