Prever tendências, perigos e resultados é uma parte crucial do trabalho dos profissionais de Marketing modernos. Afinal, saber o que vem pela frente é uma boa maneira de driblar riscos desnecessários, gerenciar rotinas de forma mais eficiente e, claro, maximizar ganhos. Contudo, “prever o futuro” não é uma tarefa fácil, e as análises preditivas exigem das empresas uma maturidade consistente no que diz respeito ao uso dos dados.

Em participação no Workshop Mundo do Marketing, Rafael Pittigliani, CEO da Neoperformance, abordou as nuances das análises preditivas, o elo central de uma corrente que começa com as análises descritivas e termina com as análises cognitivas. O caminho percorrido entre os dois extremos descreve a evolução da maturidade de dados observada em uma empresa.

Neste cenário, ferramentas de Inteligência Artificial e machine learning vêm desempenhando um papel importante no que tange a tarefa de prever resultados e, a partir deles, decidir qual será o próximo passo. “Depois da análise preditiva, vamos para as análises prescritivas e cognitivas - o que faremos sobre determinada situação e o que ainda não sabemos e que pode mudar todo o aprendizado que a gente tem”, reflete o CEO.

Foco nos dados 

O primeiro passo para alcançar a maturidade de dados, segundo Pittigliani, é ter um Data Lake – um repositório centralizado capaz de armazenar grandes volumes de dados. “Isto vai concentrar todas as informações de todas as plataformas com as quais trabalhamos. Os dados da empresa, os dados do cliente, tudo o que tiver influência na performance do resultado final desejado. Se estamos falando das vendas em uma empresa, estamos falando de SDRs ligando, EIs, telefonando para as pessoas. Como isso está funcionando? Qual é a qualidade desses leads? Tudo isso precisa estar interconectado”, começa.

Embora o nome Data Lake soe imponente e, talvez, fora de alcance, a essência do conceito pode ser aplicada através de uma ferramenta simples e bem conhecida pela maioria dos usuários de tecnologia. “Imagine uma grande planilha de Excel de um terabyte. Isso é um data lake. O objetivo é integrar todos os dados e conseguir fazer uma organização dentro da qual possamos ter, em um “mundo imaginário”, por exemplo, a coluna do CPI, a coluna das conversões, a coluna do investimento, tudo organizado para possibilitar o cruzamento entre os dados e a extração de informações para projetar o que vai acontecer”, prossegue.

Após adquirir e organizar grandes volumes de dados, o passo seguinte é limpar as inconsistências. “Removemos erros e duplicatas para garantir que possuímos dados únicos e limpos, dos quais possamos tirar os insights corretos. Depois, tentamos encontrar os padrões. Utilizando técnicas de machine learning, podemos fazer uma regressão para influenciar esses dados e projetá-los para frente. Então, quanto mais dados tivermos, melhor. Mas se você tiver que escolher entre a qualidade e o volume, escolha sempre a qualidade”, recomenda Pittigliani.

O CEO elencou a importância deste conjunto de passos para a abrangência da análise preditiva no mundo real em oito cenários práticos:

Vendas e receitas: “Conseguimos utilizar estratégias de vendas, identificar oportunidades de crescimento e identificar o quanto teremos de projeção em cima de uma campanha ou de uma fonte de tráfego”;Análise do cliente: “Prevê rotatividade e identificamos um cliente prestes a cancelar um serviço - e quantos farão isso - antes que ele o faça, entendendo também o que influenciou a decisão”;Análise de Marketing: “Prevê a resposta dos clientes a certas campanhas e, assim, podemos otimizar os gastos, identificar segmentos e personalizar as comunicações”;Análise de riscos: “Prevê atividades fraudulentas e toma decisões baseadas em dados para mitigar riscos”;Otimização da Cadeia de Suprimentos: “Gerencia o inventário, prevê a demanda, planeja a aquisição e garante a entrega pontual”;Análise Financeira: “Avalia anomalias de investimento e toma decisões financeiras mais seguras baseadas nos dados coletados”;Análise de RH: “Prevê a rotatividade de funcionários, identifica candidatos de alto potencial e otimiza o planejamento da força de trabalho”;Análise de Operações: “Ajuda a prever falhas em equipamentos, otimiza cronogramas de manutenção e melhora a eficiência operacional como um todo”.Leia também: 5 formas que os profissionais de Marketing usarão IA em 2024