Há muito tempo, nós, os caras da TI,
instalamos todos os tipos de sistemas transacionais: ERP, CRM, automação
da força de vendas, e-commerce e sistemas de gestão de warehouse, entre
muitos outros. Esses sistemas têm gerado pilhas de dados transacionais
que podem prover visões profundas dos negócios. Essa ideia se torna
ainda mais intrigante quando consideramos todos os dados de sistemas
não-transacionais que agora podemos coletar das redes sociais,
dispositivos móveis e outras fontes.
Mas se queremos obter valores reais de nossas análises de dados, temos que começar a fazer as coisas de forma diferente. Por muito tempo, nossos projetos de Business Intelligence têm sido mais sobre relatórios e visualizações do que insights. Parece esperar que, ao obter uma imagem mais bonita dos dados, as epifanias se seguirão. A fim de obter a inteligência real do BI, aqui estão algumas lições que aprendi:
1. Ouça os dados e ignore opiniões. É uma tendência natural do ser humano expressar nossas opiniões. Às vezes, essas opiniões filtram o que realmente os dados nos mostram sobre a relação causa/ efeito. Para evitar isso, temos que suspender nossas opiniões e deixar os dados falarem.
2. Traduza os dados em dinheiro. Com tantos dados, é fácil perseguir análises que nos agrada. Quando planejar a análise ou analisar um projeto, foque em onde está o dinheiro – quais atividades que trarão crescimento, retenção de clientes, margens de lucro etc.
3. Você não precisa de dados perfeitos. Muito frequentemente, projetos de análises desaceleram e perdem o foco por questões em torno dos dados perfeitos. Consumimos recursos escrevendo, testando e reescrevendo os scripts de conversão de dados. Quando se trata de limpeza de dados, sobretudo tendo em conta as pilhas de informações que temos, perto o suficiente é bom o suficiente.
4. As coisas mudam rapidamente; então suas análises também devem assim ser. Se levar meses para criar e validar um modelo de análise, você deve encontrar uma nova forma de fazer análises. Nesta dinâmica, de ambientes competitivos, você precisa tanto de precisão quanto de velocidade.
Recentemente, nós tivemos uma oportunidade de análise realmente interessante. Pensávamos ter os dados que direcionavam a retenção de clientes. Será que poderíamos usar esses dados para criar modelos analíticos que nos permitem identificar os clientes “em risco” e acionar a intervenção específica para mantê-los conosco? Se assim for, isso possivelmente seria o melhor trabalho que eu teria feito. Dada a minha história atribulada com inteligência de negócios, tenho certeza que segui as orientações acima conforme desenvolvíamos o nosso modelo de retenção de clientes.
Começamos por não fazer suposições sobre causa e efeito. Colocamos os dados numa avançada ferramenta de inteligência de negócios e deixamos os dados nos dizer o que levou ao abandono do cliente. Nós também deixamos os dados nos dizer quais ações específicas (lembretes de email, ofertas, call center) fariam a maior diferença na retenção.
Os dados disseram qual cliente responde a qual ação específica, assim como também informaram quando devemos fazer as intervenções. Sabendo disso, podemos descobrir as relações e nos certificar de que as intervenções valeram os custos.
Mais do que gastar tempo procurando os dados perfeitos, compreendemos que tínhamos dados suficientes
para generalizar os resultados; 80% dos nossos dados estavam bons, então assim foi a análise.
Finalmente, nossa ferramenta nos permitiu completar a análise em horas, não meses. E foi possível testar várias hipóteses. Podemos tentar a intervenção, analisar os dados e atualizar nosso modelo e nossos planos. Quando começamos este projeto, acreditava que este seria o melhor trabalho de toda minha vida. E acredito que tenha sido. Identificamos os elementos em comum para falha ou sucesso na retenção de clientes.
Mas se queremos obter valores reais de nossas análises de dados, temos que começar a fazer as coisas de forma diferente. Por muito tempo, nossos projetos de Business Intelligence têm sido mais sobre relatórios e visualizações do que insights. Parece esperar que, ao obter uma imagem mais bonita dos dados, as epifanias se seguirão. A fim de obter a inteligência real do BI, aqui estão algumas lições que aprendi:
1. Ouça os dados e ignore opiniões. É uma tendência natural do ser humano expressar nossas opiniões. Às vezes, essas opiniões filtram o que realmente os dados nos mostram sobre a relação causa/ efeito. Para evitar isso, temos que suspender nossas opiniões e deixar os dados falarem.
2. Traduza os dados em dinheiro. Com tantos dados, é fácil perseguir análises que nos agrada. Quando planejar a análise ou analisar um projeto, foque em onde está o dinheiro – quais atividades que trarão crescimento, retenção de clientes, margens de lucro etc.
3. Você não precisa de dados perfeitos. Muito frequentemente, projetos de análises desaceleram e perdem o foco por questões em torno dos dados perfeitos. Consumimos recursos escrevendo, testando e reescrevendo os scripts de conversão de dados. Quando se trata de limpeza de dados, sobretudo tendo em conta as pilhas de informações que temos, perto o suficiente é bom o suficiente.
4. As coisas mudam rapidamente; então suas análises também devem assim ser. Se levar meses para criar e validar um modelo de análise, você deve encontrar uma nova forma de fazer análises. Nesta dinâmica, de ambientes competitivos, você precisa tanto de precisão quanto de velocidade.
Recentemente, nós tivemos uma oportunidade de análise realmente interessante. Pensávamos ter os dados que direcionavam a retenção de clientes. Será que poderíamos usar esses dados para criar modelos analíticos que nos permitem identificar os clientes “em risco” e acionar a intervenção específica para mantê-los conosco? Se assim for, isso possivelmente seria o melhor trabalho que eu teria feito. Dada a minha história atribulada com inteligência de negócios, tenho certeza que segui as orientações acima conforme desenvolvíamos o nosso modelo de retenção de clientes.
Começamos por não fazer suposições sobre causa e efeito. Colocamos os dados numa avançada ferramenta de inteligência de negócios e deixamos os dados nos dizer o que levou ao abandono do cliente. Nós também deixamos os dados nos dizer quais ações específicas (lembretes de email, ofertas, call center) fariam a maior diferença na retenção.
Os dados disseram qual cliente responde a qual ação específica, assim como também informaram quando devemos fazer as intervenções. Sabendo disso, podemos descobrir as relações e nos certificar de que as intervenções valeram os custos.
Mais do que gastar tempo procurando os dados perfeitos, compreendemos que tínhamos dados suficientes
para generalizar os resultados; 80% dos nossos dados estavam bons, então assim foi a análise.
Finalmente, nossa ferramenta nos permitiu completar a análise em horas, não meses. E foi possível testar várias hipóteses. Podemos tentar a intervenção, analisar os dados e atualizar nosso modelo e nossos planos. Quando começamos este projeto, acreditava que este seria o melhor trabalho de toda minha vida. E acredito que tenha sido. Identificamos os elementos em comum para falha ou sucesso na retenção de clientes.
Dai veio as características dos clientes
que tendem a nos deixar, o que nos permitiu criar um perfil “em risco” e
assim as ações entrava em campo e, dependendo do perfil de cada um,
sabíamos que atitudes os manteriam longe do afastamento de nossa
companhia. Quando tudo foi dito e finalizado, a satisfação do cliente e
sua retenção subiram para mais de 15%, representando milhões de dólares
no bottom line.
0 comentários:
Postar um comentário