Após uma fase dominada pelo branding e pela RSC, o atual objetivo dos retailers centra-se na maximização do ROI das ações de marketing para libertar o stock acumulado durante os meses de paragem, bem como para comunicar os novos lançamentos a um consumidor que tenha adotado novos hábitos de compra. No ambiente online, agora de importância estratégica, as aplicações de data science no e-commerce no sector do retail já têm um longo historial de tentativa de melhorar a eficiência das lojas online, automatizar processos e refinar a experiência do utilizador de modo a que se traduza em vendas máximas.
Aplicações de data science em retail
Embora inquéritos como o Big Data and AI Executive Survey 2019 conduzido pela NewVantage Partners tenham relatado que apenas 30% das empresas nos Estados Unidos foram consideradas como sendo data-driven, a crise desencadeada pela pandemia do SARS-CoV-2 acelerou a transformação digital. Os retailers que operam em ambientes online e que já aplicam técnicas de data science têm uma vantagem competitiva em tempos conturbados. Veja de seguida três das aplicações mais proeminentes:
1. Gestão de preços com um foco baseado em dados
Gerir a política de preços com o apoio de insights reais em vez de intuição é um instrumento valioso para impulsionar as vendas em períodos de baixa conjuntura e tirar partido do aumento da procura durante os picos de atividade. Isto é possível desde que o retailer seja capaz de unificar os seus dados sob características comuns e sem excluir nenhum canal de venda.
Com esta classificação inicial, onde os dados são armazenados em data lakes, processados e utilizados para alimentar modelos de machine learning, poder-se-ia:
- Personalizar a política de descontos ou preços em função do usuário: A análise de dados deteta padrões comuns e identifica clusters de clientes com base no seu comportamento anterior online e interesses de histórico e compras. Desta forma, é possível conceber uma estratégia de promoções muito próxima dos tipos de utilizadores encontrados e, portanto, mais suscetível de conversão.
- Definir preços por segmentos: neste caso, o catálogo de produtos e serviços e o preço são estabelecidos tendo em conta segmentos de audiência mais vastos. Por exemplo, uma opção seria ter preços padronizados para a maioria dos utilizadores, mas também integrar outra estratégia com descontos mais agressivos dirigida aos clientes cujo motor de compra é o preço puro ou, por outro lado, incluir ofertas premium com serviços ou características especiais para aqueles que procuram segurança extra.
2. Recomendações personalizadas de ‘upselling’ e venda cruzada em e-commerce
Uma das grandes referências nestas técnicas de data science é a Amazon e o seu algoritmo avançado para mostrar recomendações aos utilizadores do marketplace. Neste sentido, os modelos de machine learning mais estabelecidos são concebidos para:
- Oferecer uma versão melhorada do produto elegido (upselling).
- Recomendar outros produtos relacionados com o artigo comprado como, por exemplo, uma bola de fitness com a sua bomba de ar.
- Sugerir artigos que utilizadores semelhantes tenham comprado ao mesmo tempo. Isto é algo muito comum no e-commerce de moda, onde o objetivo é potenciar a venda de outfits completos.
A vantagem de utilizar machine learning para gerir estas recomendações é que se ganha em eficiência ao não precisar de executar centenas de testes A/B para tomar decisões: é o próprio algoritmo que determina que produtos ensinar a cada utilizador de uma forma personalizada. Isto é conseguido sujeitando o modelo a formação prévia, ou seja, é necessário classificar previamente os dados e estabelecer traços que relacionem os itens entre si. Após a implementação, estes algoritmos aperfeiçoam a seleção de recomendações e otimizam-na constantemente. São muito precisos, uma vez que são alimentados por um histórico de dados cada vez mais extenso que lhes permite analisar minuciosamente as reações dos utilizadores às sugestões.
3. Modelos de atribuição avançados com machine learning
A complexidade dos itinerários de compras dos utilizadores no retail cresceu devido à implementação de uma estratégia omnicanal em que as fronteiras entre as ações online e offline esbatem-se; ao aumento do número de plataformas de venda; e ao aparecimento de novos ambientes publicitários como o TikTok. No marketing, a análise da buyer’s journey sempre foi um tema de estudo, mas até agora não tinha sido possível rastreá-lo com um nível de precisão tão elevado. E os responsáveis por isto são os modelos avançados de atribuição com machine learning.
Os modelos de atribuição que funcionam com machine learning radiografam o comportamento online do utilizador a todo o momento. Para o efeito, integram dados recolhidos em plataformas externas (por exemplo, de campanhas publicitárias em diferentes canais) e informações do próprio site. Com base neste cenário realista, é possível controlar a rentabilidade de cada canal, redistribuir orçamentos ou avaliar a eficácia da rede de afiliados. Outra vantagem deste tipo de modelo de atribuição é a sua capacidade de detetar cliques fraudulentos.
Data science: uma fonte de certezas para os retailers
Tomar as decisões corretas tornou-se crucial para a sobrevivência de muitos retailers, que tentam fazer o seu caminho num ambiente de consumo profundamente marcado pela incerteza. Por esta razão, os retalhistas que aplicam estas técnicas de data science no seu e-commerce estarão um passo à frente dos seus concorrentes ao serem capazes de enriquecer a experiência online dos seus utilizadores e ter toda a informação para reagir com flexibilidade e rapidez às mudanças.
