No mundo digital atual, devemos sempre aspirar a atrair as pessoas mais relevantes para o nosso negócio, guiando-as para as secções certas com as ofertas certas para maximizar as hipóteses de elas fazerem uma compra. Para isso, precisamos de compreender as suas preferências e a sua disposição para comprar; aprender melhor o que as motiva.
Alguns clientes procuram sempre pechinchas e promoções, enquanto outros ficam mais entusiasmados com as novidades. Para identificarmos essas preferências e tendências, precisamos de ter um amplo conjunto de dados sobre cada cliente, como as suas características demográficas e histórico de compras. Esses dados devem ser integrados a partir de vários sistemas, limpos e combinados, para permitir que os modelos de segmentação, previsões e mecanismos de recomendação produzam resultados confiáveis.
Dito isto, devemos certificar-nos de que conhecemos a diferença entre os conjuntos de dados com que trabalhamos, para obter uma visão holística e de 360° dos nossos clientes. A maioria dos dados utilizados para a criação de perfis, segmentação e modelação preditiva são dados históricos e, por isso, estes processos não são, por natureza, em tempo real. Chamamos-lhes «Slow Data» (dados lentos). O envolvimento em tempo real usando sinais ao vivo é o que chamamos de “dados rápidos”. Ambos os tipos servem para fins diferentes e andam de mãos dadas como parte de uma Arquitetura Lambda. Neste artigo, vamos esclarecer como usar esses dois conjuntos de dados.
Agradável e lento
Veja este exemplo: quando um utilizador clica no botão de compra num site, isso não significa necessariamente que a compra será concluída, nem indica se o cliente está satisfeito com o produto recém-adquirido. Sabemos que uma transação pode ser recusada, que o cliente pode devolver o item ou até mesmo enviar uma avaliação negativa.
Como esses cenários acontecem, e na maioria das vezes, não podemos confiar apenas nos dados de engajamento obtidos em tempo real. Ao fazer isso, classificaremos erroneamente os clientes que devolveram sua última compra e deixaram uma avaliação negativa como “clientes recorrentes”.
Os dados mais precisos necessários para criar perfis de clientes confiáveis só podem ser obtidos a partir de “sistemas de registro” e, em seguida, esses dados devem ser processados e modelados. Além disso, algumas informações só podem ser geradas e validadas após as ações de um cliente serem comparadas com as de outro cliente. Tudo isso não acontece em tempo real.
Depois de termos os dados certos, podemos criar vários segmentos de clientes e aplicar modelos preditivos que nos ajudarão a personalizar a mensagem certa para o público certo.
Mais rápido do que uma montanha-russa
Há um ponto importante que precisa da nossa atenção aqui: já falámos sobre como a automação sem orquestração leva ao caos – e quanto mais granulares forem os nossos segmentos de clientes e quanto mais canais de execução adicionarmos, mais difícil se torna gerir eficazmente todas essas comunicações.
Em muitos casos, um único cliente pode ser elegível para várias campanhas e, se todas elas forem enviadas rapidamente, sem considerar quais outras campanhas já foram enviadas ou quais outras campanhas serão enviadas mais tarde naquele dia, o mesmo cliente pode receber ofertas contraditórias ou uma campanha menos relevante, o que pode resultar em uma oportunidade perdida. Devemos sempre planear as nossas campanhas de marketing com antecedência e definir um quadro de prioridades e regras de exclusão, para que o sistema possa orquestrar todas essas campanhas programadas e otimizar a comunicação com cada cliente.
Depois de conseguirmos atrair o nosso cliente para a loja, queremos mudar para um modo de operação diferente: Ainda temos todo o nosso perfil de cliente pré-processado, mas agora também temos um feed de atividades ao vivo da loja que precisamos usar para responder em tempo real a sinais específicos vindos do cliente. Por exemplo, se sabemos que uma determinada cliente é uma caçadora de promoções e vemos que ela está a ver produtos sem desconto, podemos indicar-lhe a secção de liquidação da loja. Outro exemplo poderia ser baseado na nossa modelagem da categoria de produtos preferida do cliente: podemos dar as boas-vindas a um cliente na nossa loja, destacando uma promoção para um produto dessa categoria específica.
A tartaruga e a lebre
Até agora, falámos sobre como o envolvimento na loja é um processo em tempo real, enquanto a criação de perfis e a orquestração inteligente não são em tempo real. Mas há também uma terceira opção entre as duas, na qual o plano de marketing é elaborado com antecedência, mas se adapta a atualizações de curto prazo. Considere o seguinte cenário: planeamos uma campanha para alguns dos nossos clientes ocasionais, tentando incentivá-los a fazer uma segunda compra, e programamos o envio dessa campanha para esta tarde. Vamos também supor que o nosso sistema já concluiu a modelagem e a priorização e identificou a lista ideal de clientes que devem receber esta campanha hoje, com as suas recomendações específicas de produtos. Mas, pouco antes da execução, descobrimos que alguns desses clientes acabaram de devolver os seus últimos itens comprados, o que altera significativamente o seu perfil e a forma como queremos abordá-los. Para eles, não estamos mais a tentar ativar clientes ocasionais, mas sim evitá-los de se tornarem clientes perdidos. Nesse caso, e mesmo que já tenhamos estabelecido a lista otimizada de destinatários da campanha para clientes ocasionais, precisamos reavaliar o público pouco antes do momento da execução, a fim de garantir que excluímos qualquer cliente que não corresponda mais ao perfil desejado. Este exemplo mostra como a Arquitetura Lambda, a combinação de processamento e modelagem de dados rápidos e lentos, pode ajudar a alcançar o resultado ideal.
Conclusão
A identificação do perfil de um cliente baseia-se em diferentes fontes de dados – integrando-as e limpando-as, agregando-as e executando vários modelos preditivos e de IA sobre elas. Mas, para obter uma visão completa e atender ao objetivo final de alcançar os clientes certos com as ofertas certas no melhor momento, é necessário não apenas conhecer a diferença entre dados lentos e rápidos, mas, mais importante, que eles sempre andam de mãos dadas.
