Como parte de um dos principais ecossistemas de startups do Brasil, o San Pedro Valley, a Dito e seus FERAs valorizam o enriquecimento da comunidade através da troca de experiências e conhecimento adquirido ao longo de sua jornada.
Assim sendo, não poderíamos deixar de participar do primeiro TDC BH, que nos deu a oportunidade de compartilhar e discutir com outros profissionais seus “problemas da vida real”, para acelerar nosso aprendizado.
Neste post, eu e o Luiz abrimos a palestra que apresentamos na trilha Data Science, cujo tema foi “Usando dados para gerar uma comunicação personalizada e reter clientes”. Além dos slides, trazemos aqui os principais pontos abordados, e alguns aprendizados de dois dos projetos de Analytics/Data Science nos quais trabalhamos atualmente.
A escolha do tema e a organização da equipe de Dados
Antes de falar sobre os projetos, é importante contextualizar o meio que nós, da equipe de Dados, estamos inseridos e porquê escolhemos esse tema para falar.
A Dito é uma plataforma que ajuda as empresas a conhecerem seus clientes e comunicarem de forma muito personalizada, combatendo o Marketing Genérico com inteligência de dados para indicar o melhor público e o melhor canal para cada tipo de campanha, fazendo com que nossos clientes comuniquem com seus consumidores final de uma maneira segmentada e personalizada.
Então, com a necessidade de ter uma equipe focada em analisar dados numa empresa que tem gerado muito valor em dez anos e alguns produtos depois, que somam mais de 70 milhões de usuários e mais de dois bilhões de atividades mapeadas, fez com que escolhêssemos esses projetos e aprendizados da área de Marketing Digital e CRM para compartilhar no evento.
Os projetos e aprendizados em Marketing Digital e CRM
- Ajudando as empresas a estimarem suas metas de performance.
Projeto Benchmark
Esse projeto é uma iniciativa de análise para demonstrar de forma clara e intuitiva o posicionamento das empresas em relação às concorrentes do mesmo segmento. Essa é uma demanda de muitos dos nossos clientes, que surgiu da necessidade de estimar metas mais assertivas e entender seu posicionamento no mercado, já que grandes players de várias indústrias no Brasil são clientes da Dito.
Com isso, a integração dos dados juntamente com relatórios inteligentes ajudam as empresas a entender melhor seu posicionamento e estimar suas metas baseadas em dados.
Ex.: Se um determinado cliente melhorar em 9% sua taxa de recompra, pode significar um aumento de 10M no faturamento anual*.
*Cálculo estimado em um dos casos reais utilizados nesse projeto.
Com base nessa estimativa, o cliente em questão possui um direcionamento tangível de até onde ele pode chegar no futuro e uma sugestão de meta a ser alcançada.
Aprendizado: Análise de dados também gera valor! Às vezes um projeto de análise pode trazer mais retorno que um projeto complexo cheio de coisas legais de Inteligência Artificial.
- Qual é o melhor horário para enviar um e-mail para o seu consumidor?
Projeto Send Time Optimization (STO)
Em uma campanha de Marketing, sabemos que nem todos os e-mails enviados para os clientes são abertos, e para as empresas, quanto mais pessoas expostas a algum anúncio, maior a chance de compras no final. Portanto, a Taxa de Abertura é uma métrica importante de acompanhar, uma vez que seu incremento pode ter resultado diretamente na receita final da campanha.
Para uma pessoa abrir um email depende de vários fatores como: conteúdo de interesse, engajamento do cliente com a marca, fase de vida (mandar coisas de gravidez para um homem pode não ser interessante a princípio, mas e se sua esposa estiver grávida?) e até mesmo o horário que o e-mail é enviado.
Existem alguns estudos fora do Brasil que mostram uma melhoria significativa na taxa de abertura com a otimização e personalização do horário de envio, e então fomos atrás do nosso STO.
O projeto consiste na criação de modelos de aprendizado de máquina para otimização do horário de envio de e-mails a partir dos dados históricos de abertura. Apresentamos nossos modelos de recomendação e classificação (faremos um blog post mais detalhado em breve), e alguns resultados parciais obtidos.
Aprendizado: Estimar retorno financeiro de projetos de Data Science é possível (e às vezes necessário) e nos ajuda a reforçar que ótimos modelos/soluções sem retorno para o negócio não são úteis no final.
Estamos iniciando o projeto com “baby steps”, com testes A/B, um modelo mais simples de referência antes de incluir soluções mais complexas no produto. Porém, estimamos que, se com essa solução for possível melhorar a taxa de abertura em 10%, poderia trazer um retorno de 4M para um determinado cliente (considerando a mesma proporção atual de e-mails abertos x conversões).
Confira abaixo o conteúdo da palestra do Leandro Correa e Luiz Henrique, cientistas de dados na Dito, apresentado na trilha de data science do primeiro TDC BH: