Análise Preditiva: o que os profissionais de marketing devem saber?

Análise preditiva é o uso de dados, algoritmos estatísticos e técnicas de machine learning para identificar a probabilidade de resultados futuros com base em dados históricos. Os modelos preditivos compõem a análise do desempenho passado para estimar a probabilidade de um cliente ter um comportamento específico.

O que a análise preditiva pode fazer?

Um relatório de 2014 do TDWI descobriu que a análise preditiva é utilizada basicamente para realizar cinco tarefas:

• Identificar tendências
• Entender os clientes
• Melhorar o desempenho dos negócios
• Promover a tomada de decisão estratégica
• Prever o comportamento

Porém, existem três tipos de análise preditiva que podem ser aplicadas no marketing:

• Clustering models (segmentação)
• Propensity models (predição)
• Collaborative filtering (recomendação)

Clustering models (modelos de agrupamento)

Os algoritmos criam os segmentos de clientes com base no comportamento dos usuários. Cria-se segmentos de forma automatizada quando os usuários passam a ter um comportamento semelhante. Pense em cluster como auto-segmentação. Existem alguns tipos de clusters:

Behavioral clustering (agrupamento comportamental)

É o agrupamento conforme o comportamento durante a compra. Pode-se criar clusters de comportamento integrando diferentes fontes de dados: quais os pontos de contato dos clientes? Quais são as promoções que estes participam? Qual a frequência de compra? Qual o ticket médio? Os algoritmos podem colaborar para definir o timing correto para enviar mensagens de marketing, bem como qual mensagem é mais relevante para cada cliente.

Product based clustering (agrupamento baseado em produto)

Dentro dos segmentos é possível levantar dados estatísticos de quais produtos esses clientes compram. É possível verificar quais produtos são comprados em cada época do ano, quais categorias são ignoradas e quais cores são preferidas. Estas informações podem definir quais produtos serão enviados nos e-mails ou na personalização da vitrine definindo quais produtos serão apresentados na home do site para cada cliente.

Propensity models (modelos de propensão)

Os Modelos de Propensão servem para analisar a probabilidade de um usuário realizar uma ação futura com base no comportamento anterior de outros usuários. Esse modelo é o mais utilizado por profissionais de marketing, pois colabora na projeção de ROI e de faturamento com base nos dados anteriores. Os clusters de clientes são parte integrante do modelo de propensão.

Predicted lifetime value (valor de vida útil previsto)

Com base no histórico de muitos outros clientes, é possível prever quanto um cliente vai gastar a partir da sua primeira compra. É possível dividir o LTV (lifetime value) por canais de aquisição, pois o comportamento de compra de clientes originários de redes sociais é muito diferente de clientes adquiridos por ações de inbound marketing. Os modelos de propensão permitem tomar decisões de marketing, como prioridade de investimentos.

Predicted share of wallet (Compartilhamento previsto da carteira)

Este modelo prevê a participação de um determinado produto no orçamento do consumidor. Em outras palavras, share of wallet significa o percentual de participação de um produto na carteira do consumidor que está reservada para determinada categoria. Por exemplo, se um cliente gasta R$ 1.500,00 por ano com calçados, é possível prever potencial de receita dentro de sua base de clientes existente e criar campanhas para captar essa receita.

Propensity to engage (propensão para engajar)

Este modelo prevê a probabilidade de um cliente clicar em seus links de e-mail (por exemplo). Com esta informação, você pode decidir não enviar um e-mail a um certo cliente com baixa probabilidade de clicar em determinada campanha.

Propensity to unsubscribe (propensão para cancelar a assinatura)

Este modelo prevê a chance de um cliente de abandonar a sua lista de e-mail (por exemplo) em qualquer período. Armado com esta informação você pode otimizar a frequência de e-mail. Você pode diminuir a frequência de envio para o segmento “alta probabilidade de se descadastrar” ou ainda escolher se comunicar com ele por outro canal.

Propensity to convert (propensão para converter)

Este modelo prevê a probabilidade de um cliente aceitar sua oferta. Por exemplo, as empresas podem utilizar este modelo em campanhas de mala direta, nas quais enfrentam um alto custo de comercialização.

Propensity to buy (propensão a comprar)

Este modelo prevê se os clientes estão prontos para fazer a compra. Muito utilizado em atividade de inbound sales, trata-se de quando um cliente está pronto para realizar uma compra com base na ações realizadas anteriormente.

Dentro do funil de vendas, é possível tratar esse aspecto sem a necessidade de uma oferta agressiva, especialmente em estágios avançados. Aqueles que estão propensos a comprar não vão precisar de descontos elevados, enquanto que os clientes que não estão propensos a comprar podem precisar de uma oferta mais agressiva, assim, trazendo-lhe a receita incremental.

Propensity to churn (propensão para desistência)

Este modelo determina a probabilidade de perder o cliente na compra, também informa quais clientes ativos estão em risco, para colocar em sua lista de observação ou para disparar uma campanha de win-back. Muitas vezes, é possível combinar os modelos de propensão. Por exemplo, você pode querer reconquistar um cliente que tem uma alta probabilidade de churn e um alto valor de compra.

Collaborative filtering (Filtragem colaborativa)

Filtragem colaborativa é o termo de marketing comumente utilizado para modelos de recomendação. Analisa-se dados de transações de outras compras e recomenda-se produtos com mais probabilidade de venda.

Up Sell Recommendations (recomendações de venda)

Do mesmo modo, fazemos essas recomendações depois que um cliente já comprou um produto, e você pode, por exemplo, incluí-las no e-mail de confirmação. Pode-se recomendar produtos para aumentar o ticket médio no momento da compra.

Cross Sell Recommendations (recomendações de venda relacionada)

Calcula a probabilidade, olhando para o histórico de todas as pessoas que compraram este produto, de comprar outro produto adicional (relacionado). Este modelo é muito mais efetivo quando cruzado com outros modelos de análise preditiva.

Next Sell Recommendations (próximas recomendações de venda)

Igualmente, essas recomendações são normalmente feitas depois que um cliente já comprou um produto, e você pode, por exemplo, incluir no e-mail de confirmação. Essas recomendações de venda são específicas para cada cliente, por isso é preciso levar em conta todos os dados de compra e navegação, e não apenas a sua transação mais recente. É possível oferecer produtos logo após a compra e adicionar ao pedido de forma automática.