UNIVERSIDADE ANHEMBI MORUMBI

MARKUS MOREIRA HALBIG

ANLISE PREDITIVA; COM BIG DATA E
FERRAMENTAS DE ANLISE DE DADOS EM TEMPO
REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO
ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES
VAREJISTAS.











So Paulo
2014

MARKUS MOREIRA HALBIG













ANLISE PREDITIVA; COM BIG DATA E
FERRAMENTAS DE ANLISE DE DADOS EM TEMPO
REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO
ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES
VAREJISTAS.




Trabalho de Concluso de Curso apresentado como
exigncia parcial para a obteno do ttulo de
Especialista do curso de Gesto de TI da
Universidade Anhembi Morumbi, sob a orientao
do Prof. Osmar Masini Visibelli.




So Paulo
2014



MARKUS MOREIRA HALBIG




ANLISE PREDITIVA; COM BIG DATA E
FERRAMENTAS DE ANLISE DE DADOS EM TEMPO
REAL; VIABILIZANDO MAIOR ASSERTIVIDADE NO
ATENDIMENTO AOS ANSEIOS DOS CONSUMIDORES
VAREJISTAS.





Trabalho de Concluso de Curso apresentado como
exigncia parcial para a obteno do ttulo de
Especialista do curso de Gesto de TI da
Universidade Anhembi Morumbi, sob a orientao
do Prof. Osmar Masini Visibelli.


Aprovado em


Nome do orientador/titulao/IES

Nome do convidado/ titulao/IES

Nome do convidado/IES
RESUMO



O varejo contemporneo vivencia um cenrio desafiador, complexo; porm promissor. A
disputa acirrada pelo consumidor requer estratgias mais elaboradas do que simplesmente
focar na oferta do melhor preo final ao consumidor. Personalizao e convenincia
passaram a ser considerados fatores essenciais no atendimento a clientes; que devido
disponibilidade de tecnologia que viabiliza o compartilhamento de informaes atravs de
redes sociais, mobilidade e geo-localizao, bem como a facilidade de migrao entre loja
fsica, virtual e outros canais como o telemarketing; possibitam ao cliente uma ampla gama de
opes de compra; dificultando aos principais players do varejo a tarefa de fidelizao.
Obter vantagem competitiva no segmento depende e depender cada vez mais de adotar a
estratgia mais assertiva com a finalidade de demonstrar ao cliente o quo profundamente o
conhece e quanto se importa em atender a suas demandas. Utilizar a vasta quantidade de
informaes disponibilizada por tais clientes nas redes sociais, bem como analises em tempo
real, utilizando modelos estatsticos e algoritmos customizados, possibilitar entender tais
demandas e oferecer atendimento proativo, visando aumentar o volume de vendas e a base de
clientes fidelizada.



Palavras-chave: Big Data. Analise Preditiva. Tempo Real. Varejo.


ABSTRACT


The contemporary retail experiences a challenging scenario, complex; however promising.
The large dispute for the consumer requires more elaborate than simply focus on offering the
best "final price" consumer strategy. Customization and convenience are considered to be key
factors in customer service; due to the availability of technology that enables the sharing of
information through social networks, mobility and geo-location as well as the migration
facility between physical, virtual store and other channels such as telemarketing; let the
customer a wide range of options; making more difficult to the main "players" in retail the
task of loyalty consumers. Gain competitive advantage depends on the segment and will
increasingly depend on adopt more assertive strategy in order to demonstrate to the client how
deeply knows and cares with him to meet their demands. Using the vast amount of
information provided by such customers on social networks, and analysis in real time, using
statistical models and customized algorithms, allow retailers to understand these demands and
offer proactive offers, to increase sales volume and base of loyal customers .



Keywords: Big Data. Predictive Analysis. Real Time. Retail.



SUMRIO


INTRODUO ....................................................................................................................................... 7
1. EIXO TEMTICO DO MBA DE GESTO EMPRESARIAL ...................................................... 9
1.1 OBJETIVO GERAL ............................................................................................................................. 9
1.2 OBJETIVOS ESPECFICOS .................................................................................................................. 9
1.3 PROBLEMA ...................................................................................................................................... 9
1.4 JUSTIFICATIVA ............................................................................................................................... 11
1.5 HIPTESES ..................................................................................................................................... 12
1.6. REVISO BIBLIOGRFICA .............................................................................................................. 12
1.6.1 Tpico 1 ................................................................................... Error! Bookmark not defined.
1.6.2 Tpico 2 ................................................................................... Error! Bookmark not defined.
2. EMPRESA - CASE ........................................................................................................................... 20
2.1 CARACTERIZAO GERAL DA EMPRESA ......................................................................................... 20
2.2 PRODUTOS E SERVIOS .................................................................................................................. 20
3. METODOLOGIA DE PESQUISA .................................................................................................. 22
3.1 IDENTIFICAO DO MTODO .......................................................................................................... 22
3.1 APRESENTAO E ANLISE DE DADOS ........................................................................................... 22
CONSIDERAES FINAIS ................................................................................................................ 28
REFERNCIAS BIBLIOGRFICAS ................................................................................................ 30
APNDICE OU ANEXOS..................................................... ERROR! BOOKMARK NOT DEFINED.


7

0. INTRODUO



0.1 Apresentao

Em 2004, empresa americana O'Reilly Media popularizou o termo WEB 2.0,
referindo-se a uma quebra de paradigma; onde os usurios passariam no somente a consumir
contedo na internet; mas tambm a produzi-lo.

Atualmente, em algo como um minuto, mais de 2 milhes de buscas so feitas no
Google, usurios do Twitter enviam mais de 100 mil tweets e mais de US$ 250 milhes so
gastos por consumidores.

De acordo com um clipping publicado pela Bela Vista Servios em 03/09/2012; A
quantidade de dados digitais produzida em 2012 deve superar os 2,7 zettabytes no mundo.
Isso corresponde capacidade de armazenamento de cerca de 170 bilhes de iPads. So
nmeros incrveis que desafiam as empresas, que precisam no apenas proteger as
informaes, mas encontrar maneiras de extrair inteligncia dessa avalanche de informaes.
A essa imensa quantidade de dados produzida e disponibilizada de maneira exponencial dia
aps dia, d-se o nome de Big Data.

Rodolfo Ohl, country manager da SurveyMonkey no Brasil explica: Big Data
composto por dois diferentes tipos de dados: os Implcitos e os Explcitos. Dados implcitos
so aqueles coletados sem que necessariamente se tenha a anuncia das pessoas durante um
processo de anlise. Com estes dados, as empresas passam a conhecer os hbitos de seus
clientes e, desta forma, muitas vezes, conseguem prever suas prximas aes. Cada bloco de
dado disponvel est sendo destrinchado e esmiuado para posterior anlise. Os maiores
varejistas, das cadeias de supermercados aos bancos de investimentos, tm uma rea de
anlise preditiva, focada no apenas em entender os hbitos de compras dos consumidores,
mas tambm seus hbitos pessoais, buscando assim uma forma mais eficiente de comunicar e
vender para eles.

Rodolfo explica ainda Apesar da coleta de Dados Implcitos ser a mais utilizada, pelo
fato de que as informaes podem ser obtidas em grande escala, voc nunca saber se suas
8

predies esto corretas. Isto porque eles so baseados na coleta passiva dos hbitos e
comportamentos das pessoas. E exatamente por isso que no so 100% prova de falhas.
Com esse tipo de dados, no possvel para qualquer varejista saber se uma av est
comprando um presente de aniversrio para seu neto ou para si prpria. Da mesma forma, este
varejista no consegue saber se voc est comprando um livro para voc ou como presente
para um amigo. E, independentemente do quo genial seja o analista, ele nunca conseguir
sugerir uma msica certa sem PERGUNTAR para a pessoa se determinado ritmo lhe agrada.
Sendo assim, a dica : apenas pergunte. O simples ato de formular uma pergunta especfica
nos leva para os Dados Explcitos.

Dados Explcitos, porm costumavam ter alto custo e demandar muito tempo para
serem obtidos e apurados. Problema que passou a ser minimizado utilizando-se as tecnologias
disponveis atualmente para a obteno de tais dados em grandes volumes, atravs de diversas
plataformas na internet. Ao curtir ou avaliar determinada empresa, produto ou servio;
responder alguma pesquisa ou mesmo escrever uma resenha recomendando ou no um
restaurante ou filme; estamos fornecendo Dados Explcitos.

Um exemplo de ferramenta que se prope a explorar a obteno de Dados Explcitos
o Influentio. A misso de tal ferramenta reconstuir o comrcio ao redor das pessoas na
web. Atravs de uma soluo de SaaS, Software as a Service de social commerce que
possibilita aos clientes, e-commerces, ferramentas que permitem a seus consumidores criarem
contedo, interagir com os produtos e outros indivduos, se expressarem socialmente,
auxiliando na validao social e auxiliando os consumidores no processo de escolha dos
produtos, que disponibiliza contedo muito pobre, incompleto ou muitas vezes inexistentes.

Rodolfo, da SurveyMonkey, complementa A grande verdade que Dados Implcitos
e Explcitos devem trabalhar juntos, complementando-se. Usar apenas um tipo de dados
perigoso. Verifique os Dados Implcitos e os Dados Explcitos. Analise seus dados, mas no
se esquea de perguntar Por que?. Dados Implcitos so o O que. Dados Explcitos so o
Por que. Um sempre ser importante para sustentar o que se extrai do outro.




9

1. EIXO TEMTICO DO MBA DE GESTO DE TI



1.1 Objetivo geral

Formular estudo baseado em bibliografia previamente analisada, bem como em
hipteses elaboradas de acordo com experincias vivenciadas no segmento de varejo virtual;
demonstrando a importncia da utilizao de BIG DATA e ferramenta de anlise preditiva
na obteno de vantagem competitiva.

1.2 Objetivos especficos

Avaliar a utilizao de ferramentas de anlise de dados em tempo real na
consolidao, organizao e segmentao da imensa quantidade de dados disponvel na web e
principalmente nas redes sociais; viabilizando sua utilizao na oferta proativa e
personalizada de produtos/servios aos consumidores, de acordo com seus hbitos de
consumo.

1.3 Problema

O presente trabalho se prope a elucidar a questo - Como a anlise de dados em
tempo real pode contribuir no atendimento proativo aos consumidores varejistas; de acordo
com seus padres de consumo?

Inicialmente faz-se necessrio entender de que exatamente se trata a anlise
preditiva. Segundo BARI, CHAOUCHI e JUNG (2014), trata-se do estado da arte na
utilizao de dados para tomar decises mais assertivas. Trata-se da combinao de
minerao de dados, estatstica e matemtica. Dados so considerados um dos ativos
organizacionais mais valiosos. Porm, para extrair o valor de tais dados fundamental
minerar. Minerao de Dados consiste na descoberta de padres ocultos de dados atravs
da inteligncia artificial; utilizando algoritmos sofisticados para executar tal minerao.

10

J anlise preditiva se resume no processo de refinamento desse recurso (dados),
valendo-se do conhecimento de negcios, visando extrair o valor implcito desses novos
padres descobertos.

Um exemplo de ferramenta que ser em breve utilizada pelo mercado para anlise
preditiva o computador Watson da IBM. Segundo Edson Barbieri da ExactTarget; Ele foi
desenvolvido para entender a linguagem humana e responder a qualquer pergunta com
rapidez. Em 2011 a mquina em questo venceu o Jeopardy, um dos mais famosos programas
de pergunta e resposta dos Estados Unidos. Em novembro de 2013 a IBM anunciou que, pela
primeira vez, iria disponibilizar a tecnologia do Watson como uma plataforma de
desenvolvimento na nuvem. Com isso, a empresa permite que a comunidade mundial de
desenvolvedores de softwares construa, a partir da inteligncia cognitiva do Watson, uma
nova classe de aplicaes, capazes de aprender com a experincia do usurio, aprimorar-se a
cada interao e resultado e auxiliar na soluo das questes mais complexas da indstria.
Isso pode significar toda uma mudana na forma como as pessoas interagem com os
computadores e at mesmo no modo como vivem.

Em matria intitulada "Analytics comea a se popularizar no Brasil"; publicada pela
Information Week Brasil em 20/02/2014; cita-se Em busca de mais competitividade, cada
vez mais comum ouvir empresas que investiram ou pretendem investir em solues de BI,
anlise preditiva ou analytics, de maneira geral. O Gartner, por exemplo, prev que tais
softwares permanecero entre as prioridades dos CIOs ao menos at 2017. Alm disso,
quando se olha o universo de grandes corporaes, a aposta ainda maior. A mesma
consultoria acredita que at 2015, 25% dessas organizaes tero um Chief Data Officer
(CDO). Mas o interessante nesse movimento, que esse tipo de soluo comea a se
popularizar em empresas de mdio porte, onde, at um tempo atrs, no se via muitos projetos
com analticos, em primeiro lugar pela falta de maturidade das TIs e, em segundo lugar, pelos
preos.

Temos, portanto, que antecipar os anseios de clientes e prospectivos clientes, de modo
a lhes oferecer produtos e servios, antevendo suas demandas; permitir s empresas atender a
tais clientes de maneira proativa e diferenciada; inspirando o cliente a comprar mais com
aes relevantes e campanhas mais assertivas.

11

Trata-se da inteligncia de demanda, que procura estimar os volumes de vendas, que
podem ser muito variveis em funo de mudanas conjunturais ou eventos especficos;
fundamental poder prever o comportamento do mercado, que no segue o padro histrico
tradicional. necessrio aplicar novos modelos de estimativa de demanda, compreender o
tipo de cliente, como age na compra.

Fundamental tambm atentar inteligncia de estoque, visando tratar do correto
dimensionamento das necessidades de estoques para atender demanda; bem como a
inteligncia de fornecimento; tendo em vista a necessidade de avaliao contnua da
capacidade de atendimento dos fornecedores.

Somente dessa maneira ser de fato possvel atender a clientes de maneira de fato
diferenciada, agregando personalizao e agilidade.

1.4 Justificativa

O principal desafio do varejo contemporneo reside na fidelizao de clientes, tendo
em vista que a captao de novos clientes comprovadamente mais onerosa do que a
manuteno da base de clientes obtida previamente.

Desta maneira torna-se fundamental atender atual base de clientes da empresa de
maneira diferenciada e assertiva. Para tanto, nada mais inteligente do que utilizar dados
histricos de perfil de consumo, bem como insights provenientes de redes sociais para
oferecer a tais clientes de maneira proativa, produtos e servios que sejam de fato de seu
interesse.

Na criao da demanda, h diversas questes importantes a tratar, desde a gerao de
trfego at a fidelizao de clientes, e, especialmente, na converso de visitas em vendas. Para
tanto, a empresa necessita: otimizar os processos relacionados aos motores de buscas (SEO
Search Engine Optimization), o que reduz os custos de aquisio e aproveitamento do
potencial da cauda longa; melhorar a experincia do cliente, facilitando a navegao, em
interaes cada vez mais complexas; implantar a personalizao dinmica do site, ou seja,
oferecer uma experincia personalizada exclusiva para cada cliente, o que pode promover um
aumento da taxa de converso e do volume de pedidos.
12




1.5 Hipteses

Hiptese 1: A utilizao das tecnologias disponveis para anlise preditiva no
segmento de varejo on-line, proporciona maior assertividade na oferta e consequente aumento
na taxa de converso

Hiptese 2: Pro-atividade na oferta de itens de consumo "desejveis" pelo
consumidor, viabiliza maior identificao do mesmo com o varejista e facilita a fidelizao do
cliente

Hiptese 3: Concesso de descontos; bem como a sugesto de produtos
complementares e/ou kits promocionais; geram aumento no valor do ticket mdio do
consumidor

1.6. Reviso bibliogrfica

1.6.1 Conceituao

Em meados de 2012, o Brasil j se encontrava posicionado em quinto lugar entre os
pases com maior nmero de usurios de internet no mundo. Levando em considerao que
em meados de 1997, cerca de 0,7 % da populao brasileira acessava a internet; em meados
de 2012, o nmero de usurios conectados internet j estava em 45,6%. Ou seja; quase
metade da populao brasileira j acessava a internet. Dados estes demonstrados no subtpico
3.1.1.

O volume de transaes no e-commerce B2C (vendas ao consumidor final), tambm
cresce exponencialmente; conforme poder ser notado no subtpico 3.1.2.

Com o aumento expressivo aumento das vendas on-line, bem como o crescente
volume de catlogos de produtos, as plataformas, aplicativos e sistemas voltados ao e-
commerce esto se tornando cada vez mais importantes, com ambies mais elevadas,
impactos profundos e mais estratgicos nos sistemas de informao. Neste contexto, os
13

sistemas de BI (Business Intelligence) tornaram-se estratgicos na obteno de vantagem
competitiva.

Segundo LEME FILHO (2006) Business Intelligence (BI) deve ser considerado como
um recurso de vantagem competitiva para as organizaes, em seus processos de formulao
ou adequao de estratgias. Dentro desse contexto, a informao, tida como matria-prima
de ambientes de suporte deciso, caracterizada no como um fim em si prprio, mas como
fonte que precisa ser transformada em conhecimento. LEME FILHO, acrescenta
Compreeende-se ento que a informao, obtida atravs do tratamento dos dados pelos
sistemas informatizados de apoio deciso, matria-prima fundamental para o entendimento
de uma empresa, seu nicho de atuao e, conseqentemente, para a formulao ou adequao
gil de estratgias assertivas e inovadoras.

Segundo BARI, CHAOUCHI e JUNG (2014), a minerao de dados (data minning)
somada ao conhecimento de processos de negcios, viabiliza a anlise preditiva e agrega
valor ao negcio.

Considerando a enorme quantidade de dados implcitos e explcitos disponveis para
anlise na internet (BIGDATA); bem como a vasta disponibilidade de ferramentas que
viabilizam tal minerao de dados; faz-se necessrio apenas utilizar os algoritmos e modelos
da analise preditiva.

A anlise de dados em tempo real, utilizando o mtodo de anlise colunar e o poder do
processamento em memria, complementa a iniciativa da anlise preditiva, proporcionando
agilidade excepcional.

Torna-se, portanto fundamental alinhar a utilizao de algoritmos e modelos preditivos
no tratamento do enorme volume de dados disponvel na internet (BIG DATA), bem como a
agilidade dos sistemas de processamento de dados em tempo real, visando a obteno de
vantagem competitiva

1.6.2 Big Data

14

Segundo SCHONBERGER e CUKIER (2014), no existe definio rigorosa para Big
Data. A ideia inicial dava conta de que o volume de informaes havia crescido em to grande
escala, a ponto da quantidade analisada no mais ser atendida pela capacidade de memria
utilizada pelos computadores para processamento, demandando renovao por parte dos
engenheiros, das ferramentas utilizadas para analis-los. Ferramentas como o Hadoop e o
Googles Map Reduce, viabilizam uma gesto de volumes de dados bem mais expressivos do
que anteriormente.

O comrcio eletrnico pode ser considerado o precursor do Big Data, tendo em vista a
capacidade de varejistas lderes em armazenar cookies e histricos de compras de clientes,
propondo produtos similares em visitas posteriores.

ANAND (2012) conceitua: Big Data no varejo e em mercados consumidores refere-
se ao volume total ou extenso da atividade de dados que uma organizao armazena, assim
como ao tamanho dos conjuntos de dados que ela utiliza para o seu BI e analises. Big Data
tambm utilizado para descrever as dificuldades comumente associadas a essa atividade de
dados: volume ou extenso (no armazenamento e acesso aos dados), velocidade (com que
agilidade os dados devem ser capturados, processados, analisados e entregues), sua
complexidade (sofisticao e nvel de detalhe na anlise dos dados) e tipos (o diferente
numero de formatos que os dados assumem).

GOVIL e HILL (2012) acrescentam: Enormes volumes de dados esto sendo e
coletados massivamente e isto est crescendo exponencialmente. Este volume de dados est
crescendo mais rpido do que antes, devido proliferao das mdias sociais e telefones
celulares. De acordo com um estudo do IDC, a informao do mundo esta mais do que
dobrando a cada dois anos e prev que 1,8 ZB de dados sero criados e replicados, perto de 10
vezes os dados armazenados em 2006. Novas tecnologias no somente tornaram os dados
compostos, como tambm esto forando os varejistas a pensar de maneira diferente sobre
como usar tais dados, para transform-los em conhecimento prtico que fundamental para o
seu sucesso.

GOVIL e HILL (2012) exemplificam: Por exemplo, como os varejistas podem
utilizar os dados para conduzir novas abordagens para promoes, ruptura do ciclo de vida de
negociao entre fornecedores e vendedores, visando colaborar de forma mais eficaz com o
15

cliente diretamente. As opes so abundantes - mas exigem aproveitar os dados para agir e
mudar o modelo de negcio. A consutlria McKinsey prev que existe um potencial para
aumentar as margens operacionais de um varejista em 60%; utilizando-se corretamente o Big
Data.

Estimativas de mercado do conta que so perdidas vendas de US$ 165 bilhes por
ano em funo da falta de estoque do produto certo na hora certa. Fator agravado pelo volume
de vendas perdidas por outros motivos, como a ineficincia na comunicao com clientes de
maior potencial de compra, sobre quais as ofertas que eles podem aproveitar e em quais
estabelecimentos.

Conseguir analisar dados em volumes enormes, em tempo real e utilizando uma
variedade de fontes, so desafios para atacar estas questes e tambm so os pilares do Big
Data.

Tais fatores remetem tambm ao conceito de OMNI-CHANNEL; em voga na
atualidade. O consumidor de hoje multicanal e cross canal, ou seja, compra em diversos
canais no momento que for mais conveniente e pratico para ele e pode cruzar compras em
ambientes fsicos e virtuais. A utilizao do Big Data no contexto de Varejo passa a ser a
chamada SoLoMoMe: Informaes vindas das redes sociais (So), da localizao do cliente
(Lo), em um contexto mobile (Mo), com interesses personalizados (Me).

Conforme poder ser verificado vide sub-tpico 3.1.3, o OMNI-CHANNEL ainda tem
muito a amadurecer, visando se adequar demanda de disponibilidade dos consumidores. A
correta utilizao do Big Data, aliada a analise preditiva em tempo real pode auxiliar nesse
sentido.

1.6.3 Analise Preditiva

Diversos autores concordam na definio de aplicaes preditivas: devem ser capazes
de antecipar e individualizar, aprender quem o cliente realmente ; detectar a inteno do
usurio no momento do seu uso; combinar e consolidar funcionalidade e contedo para
atender as intenes e aperfeioar-se para o dispositivo (ou canal) de uso. O resultado que
16

aplicaes preditivas possuem conscincia contextual e adaptam-se para servir a um nico
indivduo, ou seja, oferecer atendimento personalizado.

GUAZZELLI, JENA e TAYLOR (2012), informam: Tcnicas avanadas de
minerao de dados, bem como de analise preditiva, transformam terabytes de dados sobre
consumidores, produtos, cadeias de suprimentos, entregas, ligaes ao SAC e mincias do
dia-a-dia das empresas modernas em insights para ao. Diversas ferramentas poderosas
existem para aplicar tais tcnicas aos dados e produzir modelos de analise preditiva para
estimar, por exemplo, a oportunidade de obteno de receita adicional de determinado cliente.
Nada mais em voga no momento, as tcnicas de minerao de dados e de analise preditiva,
esto transformando a maneira como as organizaes utilizam seus dados; como elas obtm
insights que viabilizam aes assertivas.

BARI, CHAOUCHI e JUNG (2014), citam empresas de varejo que de fato obtiveram
sucesso em suas iniciativas utilizando analise preditiva Companhias que obtiveram sucesso
na utilizao da analise preditiva para melhorar seu marketing e vendas so a Target
Corporation, Amazon e Netflix... Tais companhias se atentaram a personalizar a experincia
de compras na Internet, utilizando um algoritmo fazendo as vezes de um vendedor.

DAVENPORT, e HARRIS (2007) citam Na Netflix, por exemplo, o principal foco
em analise preditiva consiste em prever os filmes preferidos dos clientes. A Netflix emprega a
analise em duas importantes vertentes; ambas guiadas pelo comportamento do cliente e seus
padres de consumo. A primeira trata-se de um mecanismo de recomendao de filmes
chamado CineMatch, baseado em um software proprietrio guiado por algoritmos. A
companhia contratou matemticos com experincia em programao para desenvolver
algoritmos e cdigos visando determinar semelhanas entre filmes, conectar rankings de
avaliaes a tais determinaes, avaliando milhares de avaliaes por segundo, em fator da
comportamento do website tudo para oferecer um website personalizado por visitante. A
companhia tambm utiliza uma pratica de analise controversa conhecida como throttling
que balanceia a distribuio de solicitaes de entregas entre clientes habituais e no
habituais. Clientes no habituais tem preferncia nas entregas. A principal razo para tanto
deve-se ao custo fixo mensal independente do numero de filmes entregues; consequentemente
os clientes que consomem menor quantidade de filmes acabam sendo mais rentveis
companhia. Alguns consideram tal algoritmo como injusto.
17


BARI, CHAOUCHI e JUNG (2014), acrescentam: Sistemas de recomendaes foram
criados para maximizar os lucros dos varejistas. Tais sistemas se prope a personalizar a
experincia de compra na internet, utilizando um algoritmo fazendo as vezes de um vendedor.
Foram desenhados para vender, aumentar as vendas, fomentar venda casada, manter os
clientes comprometidos e voltando a comprar sempre. Quando um cliente compra um produto
ou mostra interesse no mesmo (atravs da visualizao do mesmo), o sistema recomenda um
outro produto ou servio que ele classifica com altamente relevante para tal cliente,
automaticamente. O objetivo gerar mais vendas; que dificilmente ocorreriam caso no
houvesse tal recomendao.

Exemplos de modelos de sistemas de recomendao comumente utilizas no varejo so:
Filtragem Colaborativa, Filtro colaborativo Baseado em Itens, Filtro Colaborativo Baseado
em Usurios, Filtro Baseado em Contedo.

Filtragem colaborativa foca nas caractersticas de usurios e caractersticas dos itens,
baseando-se em aes agrupamentos. Agrupam-se usurios com interesses ou preferncias
similares, utilizando algoritmos de classificao como o k-NN que computa similaridades
entre itens e usurios, valendo-se de mensuraes como a similaridade por cosseno.

O conceito geral trata de encontrar grupos de pessoas que gostam das mesmas coisas:
Se a pessoa A gosta de X, ento a pessoa B tambm gostar de X. Por exemplo: Se Maria que
cursa Gesto de TI na Anhembi Morumbi adquiriu determinado livro de analise preditiva,
Francisco, estudante do mesmo curso, est propenso a adquirir o mesmo livro.

Algoritmos de filtragem colaborativa geralmente requerem: 1) uma comunidade de
usurios para gerar dados, 2) criao de um banco de dados de interesses por itens, por
usurios, 3) frmulas que contabilizam as similaridades entre itens e usurios e 4) algoritmos
que possam casar usurios com os mesmos interesses.

Filtragem colaborativa baseada em itens pode ser identificada em sites que oferecem
ao usurio itens similares aos previamente visualizados, mesmo que no se tenha criado um
perfis em tal site. Trata-se da frequente oferta Clientes que compraram item X, tambm
compraram item Y.
18


Na abordagem baseada em usurios, o sistema pode calcular similaridades entre pares
de usurios, utilizando a similaridade por cosseno; tcnica bem parecida pela utilizada pela
abordagem por itens. Porm os clculos so mais morosos, devido : 1) quantidade de
usurios ser bem maior de que a quantidade de itens, 2) expectativa de alterao de itens ser
bem menor do que a de usurios, 3) com mais usurios e menor quantidade de alterao nos
itens, podem-se utilizar muitos mais atributos, do que simplesmente o histrico de compras,
no clculo das similaridades entre usurios.

Filtro baseado em contedo geralmente utiliza palavras-chave utilizadas na descrio
de itens como chave para fazer recomendaes aos usurios. Tais filtros utilizam-se de vrias
tcnicas para casar atributos de um item em particular com determinados perfis de usurios.
Incluem algoritmos de Inteligncia artificial que determinam perfis de usurios sem a
necessidade de fazer perguntas. A abordagem mais direta utilizar dados explcitos.

Varejistas virtuais geralmente associam seus itens a palavras chaves. Porm, algins
atributos podem ser subjetivos (depender de interpretao), o que pode levar a associaes
inexatas. Associaes baseadas em usurios se tornam um problema para sistemas de
classificao baseados em contedo devido: 1) credibilidade, 2) diversidade e 3)
inconsistncia.

Por isso dados explcitos dever ser utilizados em conjunto com dados implcitos
visando a obteno de uma anlise mais apurada e assertiva.

Diversos outros modelos e algoritmos existem atualmente e podem ser utilizados no
intuito de viabilizar analises assertivas.

1.6.4 Analise de Dados em Tempo Real

Banco de dados em memria trata-se da tecnologia que move os dados do disco rgido
para armazenamento na memria local ou cache. Como resultado, o processo de agregao
ou construo de indexao no mais necessrio. Dados provenientes de diferentes tabelas
so combinados em alta velocidade e armazenados em formato colunar, permitindo seu
particionamento em tempo real. Isso permite que grandes volumes de dados sejam
19

armazenados e recuperados em tempo real, alm de permitir analises em curtos perodos de
tempo, viabilizando tomada de deciso imediata. Diversas das funes analticas que
dependiam do tradicional banco de dados relacional esto mudando para em memria, o que
torna mais gil analisar e consultar dados para gerar resultados imediatos.

GOVIL e HILL JR (2012), salientam a importncia dos varejistas combinarem a
analise preditiva com o fator real time - Anlise em tempo real pode ajudar a aumentar
as vendas atravs de uma melhor abordagem de marketing, melhores ofertas de promoo e
aumento da satisfao do cliente. Quando um cliente est em uma loja, o varejista pode
aumentar as vendas por triangulao de vrias peas de informao (o que o cliente est
olhando para comprar, quais itens esto em estoque, e histrico de compras passado do
cliente) para fazer uma nova oferta ao cliente que vai seduzi-lo a comprar mais. Isto requer
que a loja tenha acesso a dados crticos (dados de inventrio, os dados POS Point of Sales, e
perfil do cliente), e que a loja seja capaz de se conectar e analis-los em tempo real para criar
uma oferta oportuna e relevante.

GOVIL e HILL JR (2012) exemplificam: Suponha que o cliente est em uma loja de
calados procurando determinado par de sapatos, e o varejista no tem disponvel o
estilo/tamanho que o cliente gosta. A loja poder combinar os estilos de sapato do gosto do
cliente (com base em uma combinao de informaes acerca de sapato em sua mo e em seu
perfil do cliente); analisar o inventrio em estoque na loja, e depois voltar para o cliente com
recomendaes para sapatos alternativas que cabem seu estilo, oramento e gostos (e mesmo
dar uma promoo no preo!). Hoje muitos desses processos envolvem o julgamento humano
e o dispndio de um grande montante de tempo - em anlise de memria melhora nesse
cenrio, permitindo que tais dados a serem processados rapidamente.

A tecnologia de analise de dados em memria tambm fornece em tempo real
insights sobre os padres de consumo dos clientes, por local de compra (at o nvel de loja)
e tempo (hora do dia, o tempo de semana, etc). Correlacionando isso com a densidade
demogrfica e outros dados viabiliza aos varejistas otimizar dinamicamente sortimento de
produtos e entrega.

Interessante insight da Gera remetendo a tal necessidade pode ser visualizado no
sub-tpico 3.1.4.
20




2. EMPRESA - CASE


2.1 Caracterizao geral da empresa

Esta pesquisa foi desenvolvida com informaes referentes empresa Dafiti; fundada
no incio de 2011 pelos scios Malte Horeyseck, Malte Huffmann, Thibaud Lecuyer e Philipp
Povel. O grande financiador da empresa o fundo alemo Rocket Internet; conhecido
mundialmente por participar de sites online de vendas de grande sucesso; investiu 50 milhes
de reais na mesma. J no primeiro ano de operao, com mais de 3,6 milhes de visitantes
nicos em novembro e 25 000 produtos venda, a Dafiti tornou-se o maior varejista online de
moda e acessrios do pas. Segundo informaes de mercado; a Dafiti atingiu em 2011, o
faturamento de 400 milhes de reais.

Em outubro de 2012 a Dafiti anunciou um novo aporte; dessa vez da ordem de 90
milhes de reais; por parte da J.P. Morgan Asset Management. Segundo artigo publicado pelo
Brasil Econmico em 21/08/2012; - "Esse aporte vai nos permitir fortalecer o portflio,
oferecendo mais opes de marcas e produtos a nossos consumidores; ampliar o estoque,
possibilitando entregar nossos produtos de forma ainda mais rpida e eficiente; e, finalmente,
expandir nossa presena em outros pases da Amrica Latina, como Mxico, Argentina, Chile
e Colmbia", afirmou Philipp Povel, cofundador da Dafiti, em comunicado.

Conforme poder ser verificado vide sub-tpico 3.1.2, o comrcio eletrnico de moda
representou 13,7% do volume total de vendas online no Brasil em 2013, algo como R$ 3,83
bilhes; ostentando o primeiro lugar dentre todos as categorias de itens comercializados via
internet no ano.


2.2 Produtos e servios

21

Segundo informaes obtidas junto a gestores da Dafiti; Devido ao seu crescimento,
a Dafiti no vende apenas sapatos e roupas online. Faz parte de seu catlogo de produtos
acessrios, produtos para beleza e para casa. Recentemente, a Dafiti expandiu seus negcios e
abriu mais dois sites, cada um com um direcionamento diferente, afim de ampliar a
experincia de compra e facilitar ao pblico o acesso a diferentes produtos com a
credibilidade da Loja Me.

Com um site inteiro dedicado pratica de esportes a Dafiti Sports oferece desde o
tnis mais simples at equipamentos variados para a prtica de lutas marciais, escalada,
camping e at jogos de videogame. A Dafiti tambm lanou como loja complementar a Dafiti
Premium , que um site especializado em alta moda, com peas de estilistas renomados como
Karina Duek, Ronaldo Fraga e Glria Coelho. Com trs plataformas diferentes, a Dafiti
consegue agregar todo tipo de consumidor e suprir suas necessidades de compra.





22

3. METODOLOGIA DE PESQUISA


3.1 Identificao do mtodo

Esta pesquisa foi desenvolvida pelo mtodo de pesquisa exploratria; fornecendo
conhecimento sobre a utilizao da enorme quantidade de dados disponibilizada a cada
momento em redes sociais, bem como em outros stios na internet - conhecida como Big
Data; em conjunto com ferramentas de consolidao e anlise de tais dados em tempo real;
visando a obteno de vantagem competitiva por parte das companhias varejistas que
souberem prever ou antever, os anseios dos consumidores finais; e consequentemente atender
a tais demandas pro ativamente.

A abordagem utilizada; a saber qualitativa; estimula o pensamento cientfico, por
meio da concepo mais aprofundada de um problema e da gerao de novas ideias ou
hipteses a serem testadas em pesquisas futuras. Esta abordagem tem sido empregada com
sucesso em pesquisas de opinio e mercadolgicas, detectando novos produtos e servios,
novas necessidades dos clientes, e captando suas reaes a produtos e servios antes de serem
lanados no mercado.

3.1 Apresentao e anlise de dados

3.1.1 Nmero de usurios da Internet no Brasil

Os 20 pases com maior nmero de usurios da Internet / TOTAL MUNDIAL

TOP 20 COUNTRIES WITH HIGHEST NUMBER OF
INTERNET USERS - JUNE 30, 2012
# Country or Region
Population,
2012 Est
Internet Users
Year 2000
Internet Users
Latest Data
Penetration
(% Population)
Users
% World
1 China 1,343,239,923 22,500,000 538,000,000 40.1 % 22.4 %
2 United States 313,847,465 95,354,000 245,203,319 78.1 % 10.2 %
3 India 1,205,073,612 5,000,000 137,000,000 11.4 % 5.7 %
4 Japan 127,368,088 47,080,000 101,228,736 79.5 % 4.2 %
5 Brazil 193,946,886 5,000,000 88,494,756 45.6 % 3.7 %
6 Russia 142,517,670 3,100,000 67,982,547 47.7 % 2.8 %
23

7 Germany 81,305,856 24,000,000 67,483,860 83.0 % 2.8 %
8 Indonesia 248,645,008 2,000,000 55,000,000 22.1 % 2.3 %
9 United Kingdom 63,047,162 15,400,000 52,731,209 83.6 % 2.2 %
10 France 65,630,692 8,500,000 52,228,905 79.6 % 2.2 %
11 Nigeria 170,123,740 200,000 48,366,179 28.4 % 2.0 %
12 Mexico 114,975,406 2,712,400 42,000,000 36.5 % 1.7 %
13 Iran 78,868,711 250,000 42,000,000 53.3 % 1.7 %
14 Korea 48,860,500 19,040,000 40,329,660 82.5 % 1.7 %
15 Turkey 79,749,461 2,000,000 36,455,000 45.7 % 1.5 %
16 Italy 61,261,254 13,200,000 35,800,000 58.4 % 1.5 %
17 Philippines 103,775,002 2,000,000 33,600,000 32.4 % 1.4 %
18 Spain 47,042,984 5,387,800 31,606,233 67.2 % 1.3 %
19 Vietnam 91,519,289 200,000 31,034,900 33.9 % 1.3 %
20 Egypt 83,688,164 450,000 29,809,724 35.6 % 1.2 %
TOP 20 Countries 4,664,486,873 273,374,200 1,776,355,028 38.1 % 73.8 %
Rest of the World 2,353,360,049 87,611,292 629,163,348 26.7 % 26.2 %
Total World Users 7,017,846,922 360,985,492 2,405,518,376 34.3 % 100.0 %
NOTES: (1) Top 20 Internet User Statistics were updated for June 30, 2012.
www.e-commerce.org.br Fonte: http://www.internetworldstats.com e institutos diversos - Junho/2012

Quantidade de pessoas conectadas a Web no Brasil

Data da
Pesquisa
Populao total IBGE Internautas (milhes)
% da Populao
Brasileira
Fontes de pesquisa Internautas
2012 /jun 198,9 88,52 45,6% InternetWorldStats
2011 /jun 196,4 75,98 37,4% InternetWorldStats
2008 / dez 191,3 67,51 34,3% InternetWorldStats
2007 / dez 188,6 42,60 22,8% InternetWorldStats
2006 / dez 186,7 30,01 17,2% InternetWorldStats
2005 / jan 185,6 25,90 13,9% InternetWorldStats
2004 / jan 178,4 20,05 11,5% Nielsen NetRatings
2003 / jan 176,0 14,32 8,1% Nielsen NetRatings
2002 / ago 175,0 13,98 7.9% Nielsen NetRatings
2001 / set 172,3 12,04 7.0% Nielsen NetRatings
2000 / nov 169,7 9,84 5.8% Nielsen NetRatings
1999 / dez 166,4 6,79 7.1% Computer Ind. Almanac
1998 / dez 163,2 2,35 1.4% IDC
1997 / dez 160,1 1,30 0.8% Brazilian ISC
1997 / jul 160,1 1,15 0.7% Brazilian ISC
Compilado por www.e-commerce.org.br / fonte: pesquisas diversas / populao: variaes anuais estimadas. / Internautas
refere-se a quantidade de pessoas que tem acesso Internet nas residncias, no trabalho ou locais pblicos. - Junho/2012



24

3.1.2 Vendas Comrcio Eletrnico Brasil

Faturamento anual entre 2001 e 2013


eBIT - Janeiro/2014






25


Categorias mais vendidas

eBIT - Janeiro/2014






















26



3.1.3 Omni-Channel


Accenture - Janeiro/2014


27




3.1.4 Perfis Demogrficos e de Compras



Gera - Maio/2014

28

CONSIDERAES FINAIS


Baseado nas hipteses apresentadas tem-se que:

Hiptese 1: A utilizao das tecnologias disponveis para anlise preditiva no
segmento de varejo on-line, proporciona maior assertividade na oferta e consequente aumento
na taxa de converso Confirmada

A presente hiptese foi confirma face aos seguintes fatos: 1) medida que se aumenta
o nvel de conhecimento sobre as preferncias e necessidades dos clientes, mais fcil se torna
oferecer proativamente bens e servios de acordo com o que tal cliente almeija consumir;
mesmo que inconscientemente; 2)Oferecer o produto certa, na hora certa tem sido a jogada de
mestre dos varejistas, na induo da compra por impulso e tem auxiliado no aumento da
taxa de converses; ou seja; em tornar prospectivos clientes em clientes de fato.

Hiptese 2: Pro-atividade na oferta de itens de consumo "desejveis" pelo
consumidor, viabiliza maior identificao do mesmo com o varejista e facilita a fidelizao do
cliente Confirmada

Segunda hiptese confirmada, tendo em vista ter-se observado que quanto mais o
cliente se sente bem atendido e se identifica com a marca, mais ele tende a comprar e
recomendar tal marca. Haja vista a quantidade de recomendaes positivas em redes sociais;
bem como negativas em sites como o reclameaqui, identifiquei a direta co-relao entre a
confiana na empresa/ marca que vende determinado produto ou presta determinado servio
com o sucesso na fidelizao de clientes por parte das mesmas.


Hiptese 3: Concesso de descontos; bem como a sugesto de produtos
complementares e/ou kits promocionais; geram aumento no valor do ticket mdio do
consumidor Confirmada

29

Segundo informao obtida junto a funcionrios, foi comprovado um aumento mdio
na ordem de 23% no ticket mdio dos consumidores habituais da Dafiti em razo de
determinada promoo que oferecia cupom de desconto no valor de R$100,00.

GUAZZELLI, JENA e TAYLOR (2012), tambm relatam um caso ocorrido em uma
companhia onde trabalharam. Utilizando tcnicas de analise preditiva, foi possvel identificar
quais dentre os clientes estariam propensos a descontinuar o consumo na companhia e quais a
aceitar venda-casada com produtos adicionais. Oferecer um segundo produto foi identificado
como uma estratgia efetiva na reduo do ndice de clientes descontinuados. Dois modelos
especficos de anlise preditiva foram construdos porm visando agregar valor companhia
tais modelos tiveram de possibilitar efetiva tomada de deciso no call center. A companhia
teve de migrar tais modelos do ambiente de analtico para o ambiente operacional de CRM, de
modo que scripts dinmicos pudessem ser utilizados usando as predies, bem como um
conjunto de dados adicionais de clientes.

Conclui-se, portanto que empresas varejistas que almejam obter vantagem competitiva
necessitam focar no atendimento gil, eficiente e proativo ao cliente e para tanto devem se
valer das tecnologias disponveis e emergentes no mercado visando atender a tais demandas.



30

REFERNCIAS BIBLIOGRFICAS


Livros

BARI, Anasse; CHAOUCHI, Mohamed; JUNG, Tommy. Predictive Analytics for
Dummies. JohnWiley & Sons Inc., Hoboken, New Jersey. 2014

DAVENPORT, Thomas H.; HARRIS, Jeanne G.. Competing on Analytics: The New
Science of Winning. Harvard Business School Publishing Corporation. Boston,
Massachusetts. 2007

GUAZZELLI, Alex; LIN, Wen-Ching; JENA, Tridivesh Jena e, TAYLOR, James.
PMML in Action (2nd Edition): Unleashing the Power of Open Standards for Data Mining
and Predictive Analytics. 2012

KUHN, Max; JOHNSON, Kjell. Applied Predictive Modeling. Springer Science +
Business Media. New York. 2013

SCHONBERGER, Viktor Mayer; CUKIER Kenneth. BIG DATA A Revolution
That Will Transform How We Live, Work, and Think. First Mariner Books, Boston. 2014

SIEGEL, Eric. Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie,
or Die. JohnWiley & Sons Inc., Hoboken, New Jersey. 2013




Pesquisas de Mercado e Trabalhos acadmicos

ANAND, Sahir; A New Retail Pardigm: Solving Big Data to Enhance Real-Time
Retailing. Aberdeen Group. 2012

GOVIL, Shivani; HILL JR, Russ. In-Memory Analytics for Retail: The Value of Real-
time Actionable Insight. March 29, 2012


31

LEME FILHO, Trajano. O Business Intelligence como apoio formulao de
estratgia. So Paulo, 2006.



Endereos eletrnicos


http://www.boavistaservicos.com.br/noticias/quem-pensa-o-seu-negocio/

http://www.brasileconomico.ig.com.br/noticias/jp-morgan-asset-investe-r-90-milhoes-na-
dafiti_121118.html

http://www.ecommercebrasil.com.br/artigos/inovacoes-para-2014-tendencias-que-prometem-
revolucionar-os-negocios/

http://www.e-commerce.org.br/