Vivemos em um mundo em que os dados crescem exponencialmente e cada vez mais esforços são dedicados a fazer melhor uso deles. Atualmente, os profissionais de marketing têm dados mais do que suficientes à sua disposição, mas buscam maneiras melhores de usar e conectar seus conjuntos de dados para obter insights mais profundos e valiosos.
O desafio reside na forma como encaramos a aplicação da ciência de dados e na forma como nós, cientistas de dados, fomos treinados. Ao longo dos anos, trabalhando em projetos de ciência de dados e análise, consegui perceber uma maneira mais fácil de alcançar objetivos maiores e mais ousados.
É um processo de quatro etapas:
- Comece com um resultado ambicioso
- Divida o resultado em conjuntos de ações menores
- Explore os dados e execute a análise (iterativa)
- Relacione as conclusões ao resultado definido
Esse processo funciona melhor do que o processo tradicional de resolução de problemas da ciência de dados, pois reduz a ambiguidade e estimula o empenho de todos os envolvidos em obter resultados. O processo tradicional de ciência de dados geralmente começa com a identificação de um problema, depois passa para a coleta de dados, modelagem de dados e avaliação. No centro do processo tradicional de ciência de dados está a complexidade. A complexidade geralmente nos obriga a pensar de forma mais racional e analítica, e não nos faz usar nossa criatividade. A ambição, por outro lado, nos incentiva a começar com o pensamento criativo e depois passar para o lado analítico do cérebro.
Agora vamos dividir nosso processo em etapas individuais.
Comece com um resultado ambicioso
Digamos que você queira alcançar 5% de participação adicional no próximo ano. Primeiro, defina seu resultado ambicioso. Neste caso, 5% a mais de participação. A psicologia comportamental diz que é importante reformular a meta de forma positiva, pois isso leva sua mente a pensar de forma mais criativa para alcançar os objetivos.
Neste exemplo, digamos que você deseja aumentar a participação no mercado expandindo sua rede de distribuição na Indonésia. A Indonésia é um país muito fragmentado geograficamente, com 17.000 ilhas, e o transporte é um desafio. Para alcançar esse objetivo, a meta é atingir de 50% a 80% do mercado com o menor custo possível, e tudo isso no prazo de um ano.
Divida seu resultado em conjuntos de ações menores
Isso é fundamental porque você deseja dividir seu grande resultado ambicioso em conjuntos menores e mais fáceis de gerenciar. Também ajuda a colocar seus dados em conjuntos “mutuamente exclusivos e coletivamente exaustivos”. Isso ajuda a dividi-los em vários subobjetivos e acelerar o processo. Em nosso exemplo, dividimos o resultado em três conjuntos de ações:
- Geografias densas que exigem a instalação de distribuidores
- Geografias dispersas que exigem configurações de subdistribuidores
- Aumento dos aglomerados populacionais
Explore conjuntos de dados e execute a análise
Essa é uma parte importante do processo. Comece explorando fontes de dados e listando o que está disponível e o que não está (mas é essencial). Neste exemplo, podemos usar dados do censo de varejo e do painel de varejo da Nielsen com diferentes características, como tamanho da loja, vendas da loja, coordenadas da localização da loja, etc. Em seguida, podemos integrar esses dois conjuntos de dados para chegar a uma série de características significativas.
No entanto, também reconhecemos as lacunas dos nossos conjuntos de dados. Neste caso, podemos descobrir que existe uma área considerável fora do nosso âmbito de retalho. Como resultado, podemos não ter certos tipos de informação, como população, número de bancos, que podem indicar prosperidade, e outros dados. Por isso, temos de identificar outras fontes, como censos populacionais, para obter essas características.
Esses conjuntos de dados são então combinados e submetidos a um modelo de regressão múltipla, que identifica as oportunidades para cada área/localidade.
Provavelmente serão necessárias algumas iterações para garantir a precisão da previsão. Por fim, esses dados podem ser combinados com dados de distribuição do cliente ou de primeira mão.
Relacione as conclusões ao resultado
A etapa final é reunir todos os resultados dos conjuntos de ações.
Neste exemplo, podemos então usar esses dados para traçar agrupamentos de áreas/blocos que oferecem mais oportunidades e podem ser realisticamente suportados pela rede de distribuição existente, com apenas um ligeiro aumento no seu raio e a criação de alguns subdistribuidores em agrupamentos em crescimento.
Neste exemplo, conseguimos combinar vários conjuntos de dados para oferecer uma solução simples que delineia uma solução clara para um objetivo grande e ambicioso. Isso mostra que nem sempre vale a pena começar com uma declaração de problema, mas sim com um objetivo ambicioso e positivo.
Portanto, da próxima vez que você iniciar um novo projeto, experimente esse processo e comece com uma meta ambiciosa e um pensamento criativo.
