Summit Sobre Big Data Analytics - abemd.org.br · 13 –Tudo na nuvem 14 –IoT –Internet das...

Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18

Eduardo Ramalho

SummitSobre Big Data Analytics

17 de Maio de 2018 das 10h00 às 12h00

Abemd – Av. São Luiz, 50 – 13 andar – cj 132b

São Paulo

1


iDBM

Bem-vindos

2


O que é Big Data Analytics

Onde estamos deixando dinheiro sobre a mesa.

3

Agenda


VOLUME VELOCIDADE VARIEDADE VERACIDADE

VALOR

5 Vs

O Que é Big Data

4


CADÊ O ?

5


Muito além de compras e consumo


Exemplos de usos do big data

7


Mudanças nos nossos comportamento cotidiano:

Impacto nos consumidores?

8


Impacto nos negócios

Todo negócio é um negócio de dados.

9


O Ciclo Virtuoso

Novastecnologias

Novos Comportamentos

Mundanças nos

Negócios

Dados

10


1 – Celular first2 – Mais ecommerce3 – Integração a loja física com virtual (omnichannel)4 – Melhor experiência de compra (self checkout)5 – Lojas físicas sem estoque6 – Entregas por drones7 – Atendimento: chatbots, robôs, etc8 – Fintech (bitcoin, empréstimo, pagamento, etc)9 – Serviços de assinatura10 – Impressoras 3D11 - Etiquetas inteligentes12 – Câmeras inteligentes13 – Tudo na nuvem14 – IoT – Internet das Coisas15 – Indústria 4.016 - Produção sob encomenda17 – Inteligência artificial.

O que vem com o Big Data?

11


Onde estamos deixando dinheiro sobre a mesa hoje, por não usar o

Big Data Analytics?

12


O que estamos mais perdendo?

1 - Estratégia de Dados

2 - Capacidade Analítica

3 - Integração do off com o on

Monetização do Dado

13



Estratégia de Dados

14


1 - Dados offline: contato, sócio demográficos, transacionais, domicilio, mercado, pesquisa, etc.

2 – Dados da Internet

3 - Dados do Mobile

4 – Dados de Sensores, Wi-fi, Beacon, Bluetooth, Radar, Videos, Câmeras, Fotos, Imagens, Textos, Telemetria, Biometria, QR Codes, etc.

12%

88%

Estruturados off-line x não estruturados

Os Dados do Big Data

15


Dados das Redes Sociais

2004 – 120 M

2002 – 29 M

2009 – 120 M 2005 – 98 M 2006 – 33 M2010 – 45 M

2011 –2011 – 22 M 2011 – 2010 –

Dados da Internet

16


ACONTE-

CIMENTOS

TRIGGERS

INTERESSES

DE

TRABALHO

17

Dados do Facebook


Dados

Uma nova moeda de troca

Se você não está pagando por algo, você não é cliente, você é produto que está sendo vendido.

O dado existe

18


A Niantic (a empresa que desenvolveu o jogo) pode legalmente:

-coletar suas fotos, -imagens da sua casa, -dos lugares que você visita, -gravar suas conversas, -monitorar seus caminhos, -fazer o uso que quiser desses dados.

Dados – a nova moeda de troca

19



http://www.prefeitura.sp.gov.br/cidade/secretarias/transportes/institucional/sptrans/acesso_a_informacao/index.php?p=212432


https://www.youtube.com/watch?v=0Td

Hj9vruwU

O mais incrível vidente holandês


https://www.youtube.com/watch?v=YxY148GiyaU21


Muito útil para:

Monitoramento das Redes Sociais

O que monitorar?

1 – Intenções de compra, preferências, hobbies, triggers, etc.

2 - O que estão falando de minha marca, dos meus produtos e dos concorrentes

3 – Novidades na área de atuação (contratações, investimentos, inovações, etc)

Geração de leads (intenção de compras)

Relacionamento/Atendimento de clientes

Prevenção de risco de imagem

Inteligência competitiva

Política de preços

Pesquisa

Insights de produtos

Construção de marcas.

22


Construção de Marca via encantamento do cliente

• O QUE: um cliente escreveu no Twitter que estava num voo da American com chegada prevista às 7:00 pm no Aeroporto Newark e após um longo dia de trabalho seu sonho era um belo jantar no Morton’s.

• COMO: com monitoria real time das redes sociais, o Morton’s identificou que este era um cliente frequente com muitos seguidores no Twitter. Também identificou o histórico de pedidos para ver seu prato favorito.

• RESULTADOS: ao sair do avião, um garçom de smokingaguardava o cliente com uma bandeja com um cupom.

• DIFERENCIAL: o caso se tornou viral e deu uma grande exposição à marca Morton’s.

Sua empresa/agência seria capaz de fazer algo assim?


23



24

Halls – Lançamento do Halls mini em substituição ao Halls Xs sem açúcar. Os consumidores não perdoaram a marca e reclamações foram feitas no Twitter, Facebook e até mesmo no site “Reclame Aqui”, onde a insatisfação podia ser registrada de maneira mais formal. Com o argumento “Errar é humano. Acabar com o erro é Halls”, a marca tomou uma decisão que foi comemorada pelos seus fãs. Por meio de um vídeo publicado no Facebook e no Youtube, um personagem fictício chamado Almeida, que seria o responsável pelo setor de atendimento da Halls, pede desculpas pela mudança na fórmula e resolve reparar a falha, voltando a fabricar a bala com sua fórmula original.

Domino’s Pizza – com base no monitoramento das redes remodelou sua massa e o molho, aumentando os lucros em 9%. Ela diz abertamente que a rede social reinventou a marca, recuperou clientes e alavancou a lucratividade. Entrega de pizza em carro sem motorista, digita a senha e o vidro abre para retirar pizza

– Dell - Ideastorm: gerou nos últimos 8 anos mais de 16 mil ideais e 500 inovações. Site aberto a reclamações sugestões, troca de ideias, interação com usuários, clientes e não clientes (SAC ativo). Tem também um processo de monitoramento das redes sociais, que monitora mais de 25 mil comentários/dia, entre posts do FB, mensagens no Twitter, conteúdos nas redes, capta sentimentos, share of voice, geografia e tendências, tornando-a mais participativa em diálogos online.



25


perfil dos seus clientesLoja

O que estão dizendo nas

redes sociais?

O perfi da loja é compatível

com o perfil do público da

área de influência?

Área de influência dos pontos de vendas (número de clientes por

faixa de distância)


26


Linkedin:

Download de seus contatos.

Dados da Internet

27


Como Alcançar e Envolver o Consumidor Conectado

Dados do Mobile


Push notification

Reconhecimento de Visitantes as Lojas Físicas


Exemplos:1 – Lançamento de lojas de butique de carne.

2 - Identificar praticantes de esportes para venda de tenis de corrida – Empresa de material esportivo.

3 – Identificação de moradores de uma residencia e oferta de plano familiar de telefonia para todos os residentes, baseado no perfil socio-economico da residência – Telco.

4 – Identificar o aniversariante de um domicilio e mandar um SMS/push para o aniversariante parabenizando e dizendo que ele merece um presente. Simultaneamente, manda um SMS/push para todos os moradores do domicilio dando um cupom de desconto para a loja mais próxima do domicilio ou para a compra no ecommerce da empresa – Empresa de beleza.

O dado de localizaçao é extremamente importante

Dados do Mobile

30


Dados do Mobile

Iphone:

•Locais por onde andou

•Sua saúde (Healthy)

31


Dados da IoT – Internet das Coisas



Exemplos:

34

Lugar completo esperando por vc.


Estratégia de Dados - Case Inseminação Artificial

Resultados:Tx de inseminação de 70% para 95%

Tx de sucesso de gravidez de 40% para 67%Possibilidade de escolher o sexo


35


“DADOS ESTÃO DISPONÍVES EM ABUNDÂNCIA. ONDE HÁ ESCASSEZ É NA CAPACIDADE DE EXTRAIR INTELIGÊNCIA DELES”

– Hal Varian , Chief Economist @ Google

3636



Capacidade Analítica

37


DadoInsights/

ConhecimentoAção/

Decisão de Negócios

Inteligência de Dados

O que é Analytics?

38


1 - Análise Descritiva

2 – Análise Diagnóstica

3 - Análise Preditiva

4- Análise Prescritiva

O Ecossistema Analítico

5 - Analytics 2.06 - Inteligência

Artificial

- Machine Learning- Deep Learning- Robotic

Dados

O que é Analytics?

39


Moneyball

Análise Descritiva

40

Eduardo Ramalho – Summit sobre Big Data Analytics – Abemd - 17/05/18 Fonte: Prof. João Pedro Santanna

Análise Descritiva

Churrasco combina com cerveja que combina com pais e filhos pequenos que precisam de fraldas.

41


Inteligência de Dados

• Otimização de visitas via importância do cliente.

• Captura de novos clientes via CNAE.

• Captura de novos clientes que são sócios de empresas já clientes.

• Aumento da penetração na base de clientes existentes de alto potencial.

• Redução de taxas de perdas de clients via aumento de cross selling.

• Segmentação de clientes via curva ABC e RFV.

• Melhoria da avaliação de crédito/cobrança via informações de emprego.

Análise Descritiva

42


Funil de Vendas

MídiasDigitais

Impactados

Visitantes

Leads

Clientes

Tx de Visitantes

Tx de Leads

Tx de Conversão

Mensuração: CPA e LTV

CPM

Análise Diagnóstica

Mídias

43


Mídia Mix Optimization

Análise Diagnóstica

https://docs.google.com/spreadsheets/d/1-

jUYmR78kpwhRvoXIWJlu0H3IUrpxRg

HNsOHzlw71po/edit#gid=2042217320

44


Porque funciona

2 - Modelos Preditivos

Através de um modelo matemático chamado 'dispersão', analisa as conexões de duas pessoas que tem grupos diferentes de amigos.... pode identificar de forma precisa com quem você está saindo e se o relacionamento está em perigo.

Facebook pode prever quando seu namoro vai acabar

Análise Preditiva

Pode prever quando você vai perder o emprego.

45


Séries TemporaisÍndice de Interesse mensal por Churrasco no Brasil (2012-2017)

Análise Preditiva

1 – Fonte de dados: Google Trendshttps://trends.google.com/trends/explore?date=2012-01-01%202017-12-31&geo=BR&q=churrasco

2 – Exporta para Google Sheets ou Excelhttps://docs.google.com/spreadsheets/d/1koda319Z-Mi8HzEJ5OGMrZIttljI71-69u3iypPOw48/edit#gid=1487834046

3 - Como obter os dados da série temporal• Utilize no Excel a função Previsão.• Projete a previsão para o período desejado.

Fonte: Prof. Leo Naressi - ESPM46


Google Trends - Séries TemporaisÍndice de Interesse mensal por Churrasco no Brasil (2012-2017)

Análise Preditiva



Modelos Preditivos rápidos e fáceis

Análise Preditiva

Dados: (1) Consumo de Cerveja (2) Preços de veículoshttps://docs.google.com/spreadsheets/d/1koda319Z-Mi8HzEJ5OGMrZIttljI71-69u3iypPOw48/edit#gid=0

https://docs.google.com/spreadsheets/d/1koda319Z-Mi8HzEJ5OGMrZIttljI71-69u3iypPOw48/edit#gid=1353522308

Como fazer:• Instale a função Add-On Smart Auto-Fill no Google Sheets• Utilize a função para prever as células faltantes



Discover weekly

O que essas empresas têm em comum?

Quem está ausente?

Análise Prescritiva

49



Integração do dado offline com o online

50


Integração offline e online

MundoOFFLINE

MundoONLINE


Permite abordagens personalizadas e contextualizadas em tempo real.

O perfil comportamental é muitomais importante do que o sócio-

demográfico.



MÍDIA DIGITAL Todo mundo quer

53


Mídia Digital Aberta é “Spray and Pray”

Mídia Digital

54


3comScore 55


E, OS DADOS ONLINE NÃO CONVERSAM COM OS

DADOS OFFLINE.

56


O CONCEITO MAIS IMPORTANTE DESSA

PALESTRA É ...57


MONETIZAR O BIG DATA

Como integrar o dado offline com o online?

Como levar a precisão do marketing direto para a mídia digital?Offline + Online = Onlife

58



59


www.pipl.com

60



Reconhecimento Facial no Itaú

Melhorar a experiência de compra:Avaliar quem passa em frente da loja, como interage com a

vitrine, qtos entram na loja, reconhece o visitante, faz oferta relevante, analisa tempo de permanência em setores, se está desassistida, medir tempo de check out (idoso, problema com

cc, falta de troco, pico, etc)

Captura 40 sinais de alerta por dia x 4 mil agências = 160 mil sinais, que passam por uma pré-avaliação e restam 3.200 sinais

administrados por 22 funcionários.


61


https://www.digitaltrends.com/cool-tech/algorithm-movie-trailers/

Como um algoritmo de reconhecimento faz no trailer do filme "WOLF OF WALL STREET"


62


Quem tem a sua private network?

63



Resolve 4 pontos fundamentais do Marketing:

1 – Permite rentabilizar a carteira de clientes.

2 – Permite reconhecer visitantes anônimos no seu site e aumentar a eficiência de conquista de novos clientes.

3 – Permite mensurar os investimentos em mídias digitais cujas vendas são feitas nas lojas físicas.

4 – Permite uma melhor experiência de consumo.


64


Sem IntegraçãoAddressable Media


65


Com integraçãoAddressable Media


66


1.Client arrives at your website

2. Visitor attributes detected,segmentation determined

4. Relevant content is immediately served as page

loads

Website Personalization

3. Targeting business rules & test design

applied

Combine your marketing objectives,

available data, creative content and customer

intent to effectively target content/calls to

action.

Addressable Media

67


EngajamentoPersonalizado

68



ENGAJAMENTO PERSONALIZADO

ADDRESSABLE MEDIA

Mudança radical na área de comunicação:A compra de espaço de mídia dá lugar para

comprar pessoas onde elas estão e mais importante, permite que a pessoa interaja com o anúncio.


69


13:10Paulo está em busca de

seguro Auto e faz busca no Google e clica na landing

page da Empresa X

13:11Na página da Empresa X, Paulo tem dificuldade de

selecionar um seguro auto e clica num formulário.

13:12Paulo seleciona uma opção,

mas logo abandona pelo longo formulário que precise preencher, como 9 de cada

10 visitantes.

SEM OTIMIZAÇÃO

COM OTIMIZAÇÃO:

13:11O site da Empresa X

reconhece o Paulo e pop up uma oferta personalizada, especifica para o perfil do

Paulo

13:15Paulo recebe uma ligação da Empresa X para que finalize

o processo de venda do seguro Auto.

OtimizaçãoA plataforma

identifica o Paulo e sabe qual o perfil

dele.

OtimizaçãoMesmo que o Paulo não tenha deixado

nenhuma informação, ele é

reconhecido, sabemos seu perfil e seus dados de contato, que são enviados para a operadora de call center entrar em contato com ele

para fazer e finalizar uma oferta

personalizada..

Otimização de Gastos com Search

70


8/12/2017 20:13Carla pesquisou no site do Extra.com por TV de 55”, viu o preço de R$3.500,00, não se logou, não preencheu carrinho, saiu do site e não comprou.

Real timeO Programa de Milhagem manda uma mensagem por e-mail para a Carla, informando que ela pode comprar a TV de 55” no site do Extra.com, por R$2.000,00, desde que utilize seus 35.000 pontos no programa de milhagem.

Real timeA plataforma identifica a Carla no site do Rxtra.com, e sabe que ela é cliente do Programa de Milhagem XPTO.

08/12/2017, 20:25Surpreendida com o benefício que ganhou, Carla compartilha sua experiência no Facebook e conta para os amigos sobre o seu Programa de Milhagem XPTO.

Real timeCarla possui 35.000 pontos acumulados no Programa de Milhagem e pode abater R$1.500,00 na compra da TV de 55”.

08/12/2017, 20:18Carla entra no site do Extra.com e realiza a compra da TV de 55”, pagando R$2.000,00 mais 35.000 pontos do Programa de Milhagem.

Rentabilizar clientes de um Programa de Milhas

71


08/09/2017, 12:00Renata entra no shopping JK Iguatemi para encontrar com umas amigas

Real timeA plataforma identifica que Renata faz compras frequentes em lojas de produtos de beleza femininos

Real timeA empresa de Cartão de Crédito da Renata dá desconto para clientes que pagarem com o cartão de crédito nas Lojas Sephora.

08/09/2017, 12:02Renata recebe uma push message em seu iPhone informando do desconto que o Cartão oferece

08/09/2017, 12:10Renata, que foi ao shopping apenas almoçar com as amigas, vai a Sephora e compra R$240 em produtos com seu cartão

08/09/2017, 12:30Renata conta para as amigas durante o almoço a experiência e o desconto que recebeu na Sephora do seu Cartão de Crédito

Parcerias cartão de crédito e varejo

72


08/09/2017, 20:50Luiz acessa o WebMotors e compara preço de SUVs e sedans

Real timeA plataforma identifica que Luiz possui um carro hatch e tem feito compras frequentes em lojas para bebês

09/09/2017, 9:05Ao chegar no banco a gerente da conta do Luiz visualiza um alerta de que ele pode estar interessado em um financiamento de carro

09/09/2017, 10:00A gerente da conta liga para Luiz oferecendo uma linha de financiamento para a compra de carros.

Experiência Multicanal

73


PII (Cookies únicos)

Industria Varejo Varejo

Banco de

Dados

Empresa de Onboarding

Agência da Indústria

Mídias de Contato

Pontos de Venda

Cliente

Cervejas

Parceria indústria-varejo nas plataformas digitais

Parceria indústria - varejo

74


Melhoria da Experiência de ConsumoMelhoria da Experiência de Consumo


Big Data Analytics

O que é mais importante

1 – Dado, uma nova moeda de troca, falta uma estratégia.

2 – Dado existe, falta capacidade analítica

3 – Dado offline precisa ser integrado ao dado online, Transformação Digital.

4 – Dado comportamental / contextual é mais importante que o sócio-demográfico.

5 – Dado transforma a mídia, compra de espaço de mídia dá lugar para compra de pessoas.


Pense grande

Comece pequeno

Cresça rápido.

77


OBRIGADO!OBRIGADO!

Eduardo [email protected]

78


Mudança do comportamento do consumidor

- Nos últimos 5 anos, as compras em supermercados feitas pela Internet aumentaram 30% e a China se tornou o país onde o comercio eletrônico mais cresce. (5 x + rápido do que no Mercado Americano).

- As varejistas Macy’s, J.C.Penney e Sears foram as que mais encerraram operações no mundo.- Entre os 10 maiores varejistas do mundo, apenas o Walmart manteve a posição de liderança nos

últimos 15 anos.- Walmart e Amazon seguem caminhos opostos, enqto o Walmart aumenta a presença digital, o Amazon

com a compra do Whole Foods investe em lojas físicas. As duas estão se preparando para o future, com a junçao dos dois mundos, físico e online (virtual).

- Os consumidores querem a comodidade e preço mais barato do online com a experiência de compra e a pronta entrega do físico.

- A lojas físicas não vão desaparecer, mas vão mudar para proporcionar uma melhor experiência de consumo, possibilidade de comprar e buscar os produtos onde quiserem, atendimento especializado nos itens que procuram.

- Na média, os 250 maiores varejos do mundo têm margem de 2,8% de lucro.- Exemplos bem sucedidos no Brasil: Magazine Luiza (testando a entrega em menos de 3 horas após a

compra), compra no virtual e retira na física (é possível alguem comprar uma churrasqueira no virtual e receber ofertas de fraldas ou cervejas artesanais pelo aplicativo da loja instalado no cellular. A correlação é dada pela inteligencia de dados: churrasco combina com cerveja que combina com pais e filhos pequenos que precisam de fraldas. Também sao importantes os estudos de abandono de carrrinho para acertar nas recomendaçoes. Via Varejo (Ponto Frio e Casas Bahia), Pao de Acuca, Leroy Merlin também integraram on e off, permitindo analisar os hábitos dos clients e checasse quais pridutos sao mais comprados e em quais endereços sao feitas as retiradas, de forma a adequar os estouqes de aord com a preferencia dos consumidores de cada regiao, reduzindo significativamente o custo de entrega.


1 - Dados antes não capturados hoje podem ser: compras, escutar música, tirar fotos, falar no telefone, locomoção, likes, tweets, intenções, etc.

2 – Dado nova moeda de troca. Tendência inexorável – a tecnologia impactando o nosso modo de viver, que impacta os negócios e isso não para de crescer

3 – Barateamento da tecnologia de acesso e análise dos dados (ferramentas, processamento e armazenamento), abre oportunidades para desenvolver mais e mais usos para os dados, permeando todas as atividades dos serem humanos.

4 – Big Data é usado para redução de custo, melhoria operacional e otimização de marketing: aquisição de clientes, rentabilização da carteira de clientes e experiência de compra.

Por que é tão importante?

Big Data Analytics


Learning Machine – Exemplo Chatbots

Interações em linguagem natural escrita ou falada com o usuário. Faz perguntas e respostas dentro de um contexto que parece realmente uma conversa natural. Exemplo: Mary Kay.

Ex: Personal Shopper, sistemas que ajudam o cliente a tomar decisões. Exemplo, uma marca de cosmético pode estabelecer um diálogo com o consumidor, que restrinja a lista de 10 mil itens para apenas 2 que mais se ajustam as necessidades e interesse do consumidor. Exemplo: Make up Genius da L’Oreal.

Outro exemplo mais simple: executivos adoram ter um app que mostre no celular os resultados de uma loja durante um determinado período de tempo, por exemplo, no dia de ontem. Ao invés de digitar as perguntas, pode ser feito por comando de voz, denominado de Speech Text, que responde e interage. Imagine que o sistema respondeu que a loja faturou R$30 mil, o usuário pode automaticamente perguntar e quanto era a meta? E qto faturou no acumulado dos últimos 30 dias, e como estamos em relação a meta anual, etc, permitindo uma perfeita interação da maquina e usuário.

5 – Inteligência Artificial


Deep Learning

Você ensina a máquina e depois de aprender ela cria seu próprio algoritmo de solução.

Por exemplo, pode ensinar o sistema a reconhecer pessoas, ensinar a ler as fotos e depois tirar suas conclusões. Mostra para o sistema algumas fotos de pessoas informando que é pessoa do sexo masculino, branco, idade 35 anos e outras fotos de outras pessoas diferents com outras informações. Com o tempo o sistema aprende o que é pessoa do sexo masculino, idade, etc.

Outro exemplo, pode aprender o que o seu cliente gosta através de likes e deslikes nas redes sociais. Se vc tem uma loja de moda e o cliente faz vários likes em determinadas fotos, o sistema aprende os gostos do cliente, permitindo interações personalizadas com seus clientes.

Outro exemplo e capturar o tom dos comentários na sua página na rede social ou no seu blog. O sistema através do Tom analyzer captura cada post, comentários, e define o tom que estão falando, se estão gostando, contentes, indiferentes, entusiasmados, com raiva, etc. O sistema aprende e entende melhor sua audiência no ambiente digital, permitindo levar mais valor para seus clientes.



Exemplos - Inteligência Artificial

Que produtos de roupa farão mais sucesso entre os consumidores durante a Black Friday

Impacto da chuva na venda de meus produtos

SEO – prever tráfego no site, define melhor título que produz mais CTR, que posiciona melhor organica/e.

Que propaganda mostro para que tipo de perfil de público-alvo

Quais as 10 músicas mais românticas do mundo, cientificamente mais perfeitas

Qual o estilo de roupa que mais combina com o seu estilo de vida

Que produto recomendo para um cliente. Aprende a recomendar a melhor oferta automaticamente, cada vez que o usuário clica no anuncio.

Que tipo de cerveja é mais adequada ao seu paladar

Como o reconhecimento facial podem indicar seu nível de stress e fazer recomendação de parada, música, etc

Como os dados de um aplicativo no celular podem indicar um potencial acidente de carro

Como escolher um vinho

Qual youtuber se ajusta melhor ao seu produto.



Exemplos - Inteligência Artificial

• Com o cruzamento de dados estruturados – como histórico de compras dos clientes com esta marca – e não-estruturados – como os dados gerados pelas pessoas em redes sociais –, aliados às tradicionais pesquisas de mercado, é possível à empresa compreender quais têm sido os principais padrões de busca por peças de roupas (cor, tamanho, corte, estilo e dezenas de outras características) e quais são as intenções de próximas compras do consumidor.

• Com esses insights em mãos, a marca é capaz de prever, com bastante precisão, quais serão suas peças mais desejadas na Black Friday e, assim, planejar sua disponibilidade de produtos. Além disso, a gestão de estoque e de toda a cadeia logística da empresa é otimizada.

• SEO – prever tráfego no site. Prever o melhor título, para descobrir o melhor CTR e com melhor CTR sua pagina fica melhor posicionada organicamente.

• Permite fazer oferta de recomendação de oferta na web q aprende a recomendar as melhores ofertas automaticamente, cada vez que o usuário clica no anuncio.



Inteligência Artificial – Estilo de RoupaSão Paulo Fashion Week – 2017

Máquina saca estilo via Inteligência Artificial – Folha de São Paulo – 31/08/17

Sistema de Inteligência Artificial criado pela Microsft promete indicar quais marcas se encaixam ao estilo dos usuários.

Um totem armado no evento lê o corpo dos fashionistas e indica o que ajuste mais ao estilo da pessoa.

Primeiro o sistema faz o reconhecimento facial, interpreta o rosto e estima a idade da pessoa, reconhece óculos e maquiagem e baseado em 55 milhões de imagens em um banco de dados, busca reconhecer diferentes gostos por moda.

O robô ainda não interage, mas fala baseado no que está interpretando, por exemplo diz: vi que vc está usando uma regata vermelha e uma calça escura. Acho que você pode gostar das seguintes coleções ......

Na realidade o algoritmo interpreta as faces e as peças que a pessoa está vestindo e baseado nisso sugere um estilo de roupa, ainda restrito a apenas 3 estilos: cool, urbano ou sofisticado moderno.



Inteligência Artificial no Marketplace de Influenciadores e Marcas

• Plataforma de gestão de influenciadores que têm seguidores nas redes sociais

• Busca o long tail, milhares de influenciadores com baixo volume de seguidores

• Machine Learning casa a oferta de influenciadores com a demanda dos anunciantes

• Influenciadores são remunerados por clique

• Marcas via ML escolhem os influenciadores e pagam por resultado.



Fonte: Toque Humano, [email protected]

Situação: Prospect está navegando no site da empresa de Telco. Ele está buscando novas opções de planos de dados. Pelo reconhecimento dos cookies do browser/computador desta pessoa, você consegue perceber que ele já passou por outras empresas, fazendo a mesma busca. Você consegue saber como os outros players estão posicionados neste produto. Também sabe o perfil do cliente, é homem, tem 30 anos, viaja bastante e gosta de festas.

Solução Proposta: usar modelos de Machine Learning para identificar a probabilidade de aquisição do cliente variando o perfil da oferta e os preços do produto dentro de um período de fidelização.

KPI de Marketing: Customer Acquisition, quantos clientes estamos trazendo para a empresa com essa abordagem em comparação a nenhuma outra abordagem.

Case – Telco

Uso do Big Data Analytics


Situação: Cliente está com problemas com seu fornecedor de TV por assinatura. Ele foi primeiro ao site, depois ligou no call center onde teve que repetir toda sua solicitação. Foi depois ao Facebook onde manifestou sua insatisfação com o serviço e depois abriu uma ocorrência na Anatel. A empresa quer um sistema que permita a antecipação ao problema de forma proativa.

Solução Proposta: A partir da visita ao site e reconhecido o cookie, é possível usar modelos de Machine Learning para prever a probabilidade de reclamação de um cliente. Baseado nessa probabilidade, apresentar uma interação proativa em um contato telefônico ou via mensagem de texto, evitando o desgaste na relação.

KPI de Marketing: Redução do índice de reclamação e menor o customer churn, ou probabilidade de que o cliente mova seus serviços para o concorrente.

Case – TV por assinatura



Situação: O e-commerce gostaria de ofertar preços em seu site de forma dinâmica, conforme a demanda do voo e o nível de interesse do cliente para datas específicas, usando dados do cookie do navegador ou eventualmente informações de área logada.

Solução Proposta: usar modelos de Machine Learning para prever a probabilidade de compra de uma passagem aérea baseado no nível de interesse do cliente e a demanda de um voo em específico.

KPI de Marketing: elasticidade de preço: uma métrica que permite entender qual os patamares de preço que podem ser praticados em um eventual produto de maneira que sua margem aumente sem prejudicar suas vendas.

Case – Ecommerce



Sinais: redução do tempo de uso, ou no volume de compras ou na interação com a marca

Exemplo: T-Mobile reduziu em 6 meses 50% do churn

- Análise: que produtos uso, qdo/horários, intensidade, canais de atendimento, etc.

- Potencial de consumo e risco de inadimplência

- Tendência de alta na interações com outras operadoras

- Mudança de localização: nova área de cobertura, mudou relação ligaçoes locais x a distancia

- Índice de reclamações nas redes sociais.

Case – Como o Big Data Analytics pode prever e reduzir as saídas de cliente da sua empresa



3 – Quais os Resultados?

FB uma das mais antigas redes sociais do mundo, criada em 2003, atingiu em junho de 2017 mais de 2 bilhões de usuários (1,3 bi usando diariamente) e com 5 milhões de anunciantes (era 2 milhões no final de 2015).

Enquanto a base de usuários mensais cresceu 17% por trimestre em 2017 sobre 2016, a base de usuários diários saltou a uma taxa um pouco maior a 18% durante o mesmo período. De forma geral, o crescimento se mantém firme, algo que é único para uma companhia com uma base tão global e massiva de usuários. No trimestre anterior, o Facebook reportou taxas de crescimento idênticas.

A receita e os lucros da empresa também estão crescendo. O Facebook acumulou US$ 3,06 bilhões em receita líquida de uma receita total de US$ 8,03 bilhões, marcando um aumento de 76% em relação ao ano anterior e um aumento de 49% na receita. A empresa também superou as estimativas de receita de analistas por oito trimestres consecutivos.

Case 2 – Facebook


Case 3 – Google

92



1 – Qual problema Big Data ajuda resolver?Assertividade: trazer a informação correta de uma pesquisa feita, não importa onde esteja. Como o computador sabe se uma informação é boa ou não?Rapidez: construir uma indexação de dados para pesquisar toda a Internet e buscar a informação onde ela estiver em milionésimo de segundos. Saber o IP preciso onde a informação está armazenada.Abrangência: aumentar o acesso a dados, quanto mais dados armazenados, melhores e mais rápidas as respostas.

2 – Como o Big Data é usado na prática?

Google não inventou o conceito de busca ou a Web Index, mas desde que foi lançado em 1997, virou marca. Google torna dados não estruturados (conteúdos das webpages) em dados estruturados necessários para quantificar aquela informação e classificá-la para sua utilidade.

Google construiu seu index através de robôs (crawlers ou spiders) que captura todos os textos, fotos, sons, contendo numa website e copia nos arquivos no Google (consome 0,01% da energia do mundo). Tudo centralizado fica mais rápida a busca.

Case 3 – Google


3 – Quais os Resultados?

Google é responsável por 89% de toda busca na Internet. Depois vem Yahoo, Bing e Baidu.

Google tem o maior big data e é a principal empresa responsável por trazer os benefícios da análise e interpretação do Big Data. Qdo fazemos uma pesquisa, estamos usando o big data. O tamanho do index do Google (o arquivo de cada web page que ele acha, que é usado para retorno da pesquisa) é estimado em 100 pentabytes (100 milhões de gigabytes).

4 – Que dados são usados?

Qq tipo de dado existente na Internet. Prioriza os dados de fontes seguras e outros sites que tem sidos classificados como provedores de informações precisas via algoritmos de machine learning desenvolvidos para avaliar a confiabilidade dos dados.

Além disso, Google usa informações que ele sabe sobre o usuário, como seu passado histórico, sua navegação, seus devices, e qq outra informação que entra no perfil do Google Plus, para entregar um toque pessoal a seus resultados. Isso significa que uma mesma busca por duas pessoas diferentes muito possivelmente receberão resultados diferentes.

Case 3 – Google


4 – Que dados são usados? Cont...

Google usa além do search, informações do maior Web browser (Chrome), da maior empresa de e-mail (Gmail), do maior sistema operacional de telefonia celular (Android), da maior rede online de propaganda online (Double Click), do maior sistema de GPS (Google Maps e Waze) e do maior site de vídeo(Youtube). Já está preparando para usar os dados da Nest, empresa de IoT adquirida em 2013.

5 – Quais são os detalhes técnicos?

Google tem 100 petabytes de informações cobrindo cerca de 35 trilhões de webpages. Entretanto isso representa apenas 4% das informações online do mundo, o restante está armazenado em sites privados onde os robôs do Google não conseguem acessar.

Google usa seu próprio sistema de database e ferramentas de analises denominado BigTable e BigQuery.

Só recentemente Google tornou essas tecnologias disponíveis para outras empresas no cloud, em linha com outros competidores como Amazon e IBM.

Case 3 – Google


6 – Desafios a serem superados?

3 desafios básicos: melhorar o processo de busca, a qualificação e acesso a informação.

Google e outras empresas de search tem sido tradicionalmente limitada pela barreira de língua entre homem e máquina. A maior dificuldade é transformar a linguagem humana em linguagem de maquina (linguagem lógica binária 1s e 0s), a única maneira que computadores podem realmente compreender.

Para melhorar a assertividade entre o que o usuário está buscando e a resposta obtida, os algoritmos do Google buscam não só as informações nos index do seu database, mas também em outros databases de dados científicos, dados históricos, data de tempo, dados financeiros, etc, para encontrar referências para o que o Google imagina que vc está buscando.

Em 2012 começou a desenvolver o Knowledge Graph, que permitiu construir o conteúdo do seu database não somente com os fatos, mas também com a relação entre fatos. Posteriormente implementou algoritmos de machine learning para estabelecer a confiabilidade dos fatos, que usa mais do que um particular pedaço do dado. Ele também valida a autoridade de um site, ao identificar quantos sites regulares estão ligados ao site provedor da informação. Também, se muitas pessoas confiam ou acessam ou se ligam a um site, a avaliação do site fica melhor avaliada.

Case 3 – Google


7 – Principais aprendizados?

Google é a empresa que sabe como ninguém como monetizar o big data. Disponibiliza um serviço gratuito de busca e junta dados do gmail, celular, Waze? Google Maps? Youtube? Nest? e cria perfis dos internautas para se tornar o maior vendedor de publicidade online.

O Brasil é o segundo maior mercado de visualizações do Youtube no mundo, perdendo apenas para os EUA.

8 – O futuro?

Construir um sistema que reconheça voz, permitindo fazer uma pergunta e receber a resposta como se estivesse digitando a questão.

Também estão investindo pesadamente em novas tecnologias, tais como carros autoguiados e IoT, via a empresa Nest, adquirida em 2013.

Case 3 – Google


As maiores são redes sociais: FB (fundada em 2003), Whatsapp, Instagram (8), Twitter (9), Skype (10), Linkedin (17).Linkedin: Usa dados para sugerir: pessoas que vc pode conhecer, baseados no perfil, se trabalhou na mesma empresa que vc ou se tem amigos em comum.Linkedin usa machine learning para refinar seus algorítmos e fazer melhores sugestões. Por exemplo trabalhou na empresa A faz 8 anos e na B faz 4 anos. Se quem está interagindo é da empresa A, reforça as indicações da empresa A.Também permite vc ver quem está acessando o seu perfil, quem é a pessoa, a empresa, a localização, numero de amigos em comum, etc.Também informa de pessoas que recentemente entraram no site, quem obteve novo trabalho, pessoas que comemoram aniversários no trabalho, pessoas que tiveram artigos com like ou shared.Analisam perfil de quem clica num determinado anúncio, para expansão, etc.Linkedin ganha dinheiro com serviços de recrutamento, serviços pagos de usuários e mídia (25%). Linkedin captura cada movimento dos usuários no site, qq coisa liked, shared, cada job clicado, cada mensagem enviada, etc.

Case 4 - Linkedin


Algumas alternativas:

1 – Capturar hotleads - reconhecer visitantes anônimos na sua loja

virtual.

2 – Capturar hotleads - reconhecer visitantes anônimos na sua loja

física.

3 – Capturar leads na rede social.

4 – Fazer Look-alike nas redes sociais.

5 – Utilizar uma base de prospects offline com o perfil dos seus

melhores clientes para ser abordados nas plataformas digitais, via data

onboarding.

6 – Fazer internamente o Inbound Marketing ou Marketing de Conteúdo.

7 – Comprar leads qualificados no mercado.

Melhoria da Eficiência de Prospecção


• Visitante entra na loja e é reconhecido via

facial ou celular.

• Ao ser reconhecido, recebe via celular uma

oferta baseada no seu perfil de compra.

• Após finalizar a compra, ao passar no

caixa, informa a oferta recebida, para os

devidos descontos no preço final.

4. Reconhecimento de Visitantes Nas Lojas Físicas


- Quando o cliente entrar na loja na loja física, recebe via celular, uma oferta específica para o seu perfil de consumo.

- Idem quando entra numa loja virtual, é reconhecido e recebe uma oferta específica.

- Identifica o perfil de compra

- Se for comprador de produtos naturais, passar informações sobre ingredientes, aditivos, dados sobre manipulação genética, teor de açúcar, produtos que estão prestes a vencer a validade, preços de versões antigas que vão ser substituídas por novas versões, etc.

- Se for gourmet, fazer ofertas de produtos relacionados, de receitas para pessoas gourmet, etc.

Supermercados

4. Reconhecimento de Visitantes Nas Lojas Físicas


Digite a palavra cerveja no:Mercado Livre x Shopfácil

Aumento da eficiência de vendas da indústria no varejo


Recomendação – O que é?

Recomendação personalizada de produto é uma atividade intensiva de Analytics.

Combina: várias fontes de dados, como o comportamento de compra do cliente, interesses, passatempos, histórico de visualizações, atividades em redes sociais, etc.

As recomendações também levam em consideração as similaridades dos clientes e os comportamentos de outros clientes também para oferecer produtos / serviços específicos e relacionados.

O sucesso da recomendação depende do profundo conhecimento de clientes, só possível com programas de relacionamento.

3 – Análise Prescritiva


Saber a navegação dos consumidores dentro das lojas físicas e virtuais. Junte isso com Informações sócio demográficas + histórico de compras = assertividade.

Saber onde os consumidores andam e gastam seu tempo nas lojas permitindo otimizar a distribuição da loja e das propagandas visuais.

Saber a intenção de compra, para direcionar mensagens mais relevantes e que promoção funciona melhor.

Saber onde os consumidores estão, para fazer ofertas em tempo real, contextualizadas.

Saber os dados históricos, permitindo que se faça análises de padrão de consumo para prever o que os consumidores irão comprar e fazer a oferta no momento e canais adequados, otimizando estoques e reduzindo perdas.

Integração offline e online permite:


Case - Netflix

105

Análise Prescritiva


1 – Qual problema Big Data ajuda resolver?Ofertar exatamente o filme que o consumidor gosta de assistir.

2 – Como o Big Data é usado na prática?

Usado para prever o que os consumidores gostam de assistir. Big Data é o combustível que alimenta a máquina de recomendação desenvolvida para esse propósito.

3 – Que dados são usados?

Os algoritmos de recomendação e as decisões de conteúdo são alimentados pelos seguintes dados:

-títulos que os assinantes assistem, horas do dia que assistem, tempo gasto selecionando filmes, quantas vezes playback é interrompido (pelo usuário ou problemas de rede), escore que dão para o filme assistido.

Para analisar a experiência de consumo, a Netflix coleta dados em atrasos por buffering and bitrate e localização do assinante.

Case 1 – Netflix


6 – Desafios a serem superados?

Enquanto dados estruturados são facilmente coletados, como por exemplo qual ator um assinante gosta de ver e que horas do dia assiste filme ou TV, um volume imenso de valiosos dados não estruturados são armazenados, como dados de vídeo e áudio.

Para trazer essas informações nas análises, Netflix inicialmente pagou milhares de pessoas para indexar as informações não estruturadas, transformando-as em estruturadas, utilizando para tanto um manual com 32 páginas, que orientava como identificar um filme com cenas mais românticas, agressivas, religiosas, forte presença feminina, etc.

Esses dados geraram mais de 80 mil micro-gêneros como: comédia falando de animais, drama histórico com temas gay ou lésbico, etc.

Hoje esse processo é feito de forma automática, usando sofisticada tecnologia de IA, tais como reconhecimento facial e analise de cores. A precisão é tamanha que a Netflix consegue identificar se o usuário desliga a TV após um filme com cenas mais pesado ou picantes, e baseado nisso, oferece alternativas mais leves na próxima sugestão de filme.

Case 1 – Netflix


7 – Principais aprendizados?

1 - Prever o que os usuários querem ver é o seu principal diferenciador e um gde negócio para a rede, distribuidores e produtores, tudo levando para TV personalizada, onde indivíduos assistem o que querem, na hora que querem.

2 – Prolongar o tempo de Netflix, assistindo o filme que mais te agrada, melhora a experiência de consumo. Boa experiência de consumo, provoca propaganda boca-a-boca, que resulta em aquisição de novos clientes.

3 – Prever conteúdo de programação/filme foi a grande sacada, baseada nos dados do que os assinantes assistiam, mas analisar o comportamento do assinante provocou uma tremenda melhora na experiência de consumo.

4 – No question about – vc monta seu pacote e sai dele qdo quiser sem tentativa de retenção.

8 – O futuro?

Netflix começou a desenvolver a TV personalizada, onde usuários terão seu próprio pacote de entretenimento, baseado nas análises de suas preferências.

Case 1 – Netflix


Case: Caterpillar

• Os equipamentos são monitorados via satélite e informações como nível de óleo, horímetro, nível de utilização dos componentes do motor, etc, são enviados realtime e através de processos pré-definidos são executados automaticamente.

• Permitiu criar oportunidades de negócios, cf situação atual das máquinas para vendas de serviços e reposição de peças.

• Envio de propostas automáticas, sugerindo substituição de peças desgastadas de acordo com o padrão de utilização dos equipamentos.

• Criação de visitas técnicas para os vendedores de campo, assim como a priorização de equipamentos considerando a criticidade do cliente e evolução do desgaste dos equipamentos.

• Previsão de estoque de peças e estimativa da demanda de consultores (vendedor de campo) que serão necessários para atender a demanda.


Summit Sobre Big Data Analytics - abemd.org.br · 13 –Tudo na nuvem 14 –IoT –Internet das...

Documents

Transcript of Summit Sobre Big Data Analytics - abemd.org.br · 13 –Tudo na nuvem 14 –IoT –Internet das...