O que seria do Titanic se a análise preditiva já fosse uma realidade em seu tempo? Juntos, um dos navios mais famosos da história e seu grande vilão, o iceberg, são o pano de fundo perfeito para ilustrar a definição dessa ferramenta.
As informações e dados do negócio estão dispostos como em um iceberg. Ou seja, superficialmente pouco intimidadores, mas, levando em conta toda sua extensão, determinantes.
Capazes de mudar o curso de uma jornada e, principalmente, impossíveis de serem enxergados e analisados integralmente pelo olhar humano, a complexidade da arquitetura da informação está para as empresas assim como o iceberg esteve para aquela malfadada embarcação.
Mas, então, qual seria o desfecho do Titanic, um empreendimento bem segmentado e administrado por uma das mais reconhecidas empresas marítimas da época, se a análise preditiva tivesse indicado mares turbulentos e congelantes em seu percurso naquele dia?
Melhores escolhas e tempo suficiente para tomá-las.
No mundo dos negócios, prever cenários e tendências é mais do que uma vantagem competitiva frente aos concorrentes: é a oportunidade de escolher rotas mais seguras e lucrativas para a empresa.
Quer entender a força dessa ferramenta e como adotá-la nas estratégias da sua empresa para fugir dos icebergs corporativos? Acompanhe, neste post, um estudo completo e objetivo para a implementação dessa ferramenta.
O que é análise preditiva?
Estatísticas sempre fizeram parte das tomadas de decisão das empresas mais estruturadas, mas não foram capazes de impedir alguns naufrágios estratégicos.
Apesar de os números serem corretos, abordavam apenas uma das milhares de variáveis do negócio. Assim, baseadas apenas em estatísticas, as decisões dependiam de uma parcela de sorte e do chamado feeling empresarial.
Com o tempo, novos canais e sistemas foram criados para melhorar o atendimento e, por consequência, produziram um universo de dados que, apesar de fundamentais, eram humanamente impossíveis de serem analisados.
Nessas condições, a análise preditiva surgiu como uma solução viável e inteligente. Softwares de análise permitiram que todas as estatísticas e dados armazenados fossem agrupados, fornecendo insights e indicando padrões e tendências comportamentais.
Dados estruturados x Dados não estruturados
Um dos pontos relevantes que difere a análise preditiva da estatística pura e simples é a característica dos dados utilizados.
Enquanto a estatística pode lidar apenas com números e informações quantitativas, a análise preditiva permite, ainda, o uso de dados qualitativos — como registros textuais nos sistemas.
Dessa forma, o Big Data das empresas pode ser utilizado em sua integralidade. Essa nova ferramenta permite criar algoritmos complexos que transformam comentários nos sistemas de gestão de clientes, por exemplo, em padrões numéricos passíveis de serem analisados — e relacionados com outras informações.
Relação com o Big Data e Business Intelligence
O Big Data é a principal fonte de pesquisa para a construção dos modelos preditivos. A escolha dos dados — ou data mining — consiste em identificar quais registros e estatísticas podem construir as melhores informações estratégicas.
Já o Business Intelligence pode ser um setor dentro do organograma ou até mesmo a estratégia da empresa. Sua função é transformar ou apurar os dados para transformá-los em informação, o que, de certa forma, permite que seu nome seja utilizado de forma tão genérica.
Mas se o termo tem uma aplicação irrestrita, sua abrangência não deve se limitar aos níveis hierárquicos mais altos — e nem a setores específicos. Na verdade, sua aplicabilidade em áreas operacionais e decisões de baixa complexidade trazem resultados expressivos.
No contact center da empresa, por exemplo, o uso da análise preditiva é determinante para a criação do forecast, que, em uma explicação simplificada, seria a previsão da demanda de atendimento.
Em empresas multicanais com estratégia omnichannel, não basta prever apenas o volume de chamadas entrantes. É preciso apurar também a demanda por todos os formatos de comunicação e caminhos que um cliente escolhe para entrar em contato com a companhia.
Um forecasting bem realizado impede o superdimensionamento das equipes, gargalos nos processos e falhas entre os canais de interação — problemas que podem gerar prejuízos ao negócio e danos à satisfação dos clientes.
Quais são as vantagens dos modelos preditivos?
Seria possível resumir as vantagens dos modelos preditivos no aumento da qualidade e sucesso nas tomadas de decisão. No entanto, para que sua abrangência seja melhor compreendida, é possível destacar suas principais influências.
Melhorar a gestão de clientes
Se os algoritmos são capazes de apontar tendências comportamentais, fica claro que uma das consequências naturais é a antecipação das necessidades dos clientes.
Considerando a jornada do cliente desde as primeiras etapas de aquisição, a análise preditiva permite que todas as experiências vivenciadas sejam surpreendentes ao oferecer serviços e soluções personalizadas de acordo com os anseios do consumidor.
Reduzir prejuízos com alocação de recursos
A gestão de custos tem um papel crucial nos resultados da organização, e isso demanda que os recursos sejam alocados com inteligência.
Seja em relação a recursos humanos ou materiais, gestões fundamentadas pelos modelos preditivos são muito mais bem-sucedidas, pois permitem avaliar os impactos de diferentes cenários.
Se a expansão do negócio demanda o aumento da capacidade de atendimento, por exemplo, os modelos preditivos poderão sugerir alternativas mais viáveis para o negócio, como a terceirização de parte do call center — ou, pelo menos, por um período de transição.
E para contratar um call center terceirizado, a empresa, mais uma vez, poderá recorrer às suas informações estruturadas para determinar qual porte da operação negociar.
Potencializar estratégias de vendas
Durante a jornada de compra do cliente, o momento da abordagem para a concretização da venda pode ser considerado um dos mais críticos. Porém, ao usar informações que preveem padrões e tendências de consumo, a taxa de conversão pode aumentar consideravelmente.
O cliente de um banco pode ter utilizado o aplicativo para consultar informações sobre consórcios e financiamentos de veículos, por exemplo, e, dias depois, receber uma quantia de terceiros indicando uma possível venda de bem.
Nesse mesmo período, sua fonte pagadora pode ter renovado o pacote de benefícios bancários para seus funcionários, garantindo uma condição melhor para o financiamento.
Ainda que a oferta do consórcio seja mais vantajosa em termos de lucro para o banco, o cruzamento de todas essas informações pode construir uma abordagem ideal e irrecusável para ser utilizada pelo call center ou gerente da agência.
Sabendo que o financiamento é vantajoso para o cliente, o operador do call center pode até mesmo sugerir que apenas parte do valor recebido seja investido como entrada no financiamento, aplicando o restante em outros produtos bancários, como fundos e previdências.
Na rotina diária dos funcionários, seria quase impossível interpretar, de forma escalável, todos esses dados durante o atendimento — e milhares de negócios seriam perdidos.
Identificar atividades lesivas ou fraudulentas
Se tendências comportamentais são um dos dados analisados, ações lesivas à instituição também podem ser identificadas mais rapidamente.
Call centers, por exemplo, trabalham com SLAs — Service Level Agreement. Esses documentos definem, entre outras metas e parâmetros, o Tempo Médio de Atendimento (TMA) ideal para o serviço.
Como operadores também têm suas performances avaliadas por esses indicadores, desligamentos precoces e propositais das ligações poderiam ser provocados com o intuito de evitar advertências ou perdas de premiações.
Um supervisor de call center talvez não consiga identificar tais ações apenas por meio dos relatórios de telefonia. Com a análise preditiva da operação, por outro lado, é possível encontrar facilmente o padrão lesivo.
Criar estratégias diferenciadas no mercado
Estar à frente da concorrência é outra vantagem que as análises preditivas podem proporcionar. Com a identificação de padrões e tendências do mercado, a empresa consegue tomar decisões antecipadamente.
Uma rede de produtos de beleza pode identificar o aumento de consumidoras em determinada região e, assim, direcionar sua estratégia de expansão de franquias para aquela localidade.
Outro cenário exemplificado pela adoção da análise preditiva é a revelação de que o interesse por produtos sustentáveis cresceu. Dessa maneira, a companhia tem informações suficientes — e confiáveis — para decidir pelo desenvolvimento de uma linha de teste bem antes de seus concorrentes.
Gerenciar demanda e oferta
O gerenciamento de estoque e oferta também pode se beneficiar dos dados estruturados e cruzados de forma analítica.
Considerando, novamente, o exemplo dos produtos sustentáveis, a oferta não pode saturar o mercado a ponto de desvalorizar a mercadoria.
Por isso, os dados estatísticos de oferta e demanda devem ser aplicados na gestão do estoque para garantir boas negociações de reposição, e também de oferta, assegurando o interesse pelo produto e o valor da marca.
Posso confiar sempre nas estatísticas?
Sem a menor sombra de dúvidas, a análise preditiva é uma superferramenta, mas apostar o rumo dos negócios em um robô de inteligência artificial seria a decisão mais prudente?
Com ela, o Titanic poderia saber da existência do iceberg, mas dependeria do Comandante — e da eficiência de sua equipe — fazer a manobra necessária que o desviaria da fatídica rota de colisão.
Nas corporações, os modelos preditivos devem ter esse mesmo papel. Ou seja, auxiliar o gestor em suas decisões.
Pensar que a estatística avançada será suficiente para o sucesso do negócio é um posicionamento arriscado. Afinal de contas, ela tem a função de apontar as demandas, os riscos, as oportunidades e as falhas do negócio, mas são os gestores que devem se posicionar sobre as decisões a serem tomadas.
Além disso, é preciso considerar que, além dos números, o período de análise também é relevante. Intervalos pequenos, grandes demais ou que não correspondam temporalmente ao foco da pesquisa, podem distorcer a informação.
Então, sim, é possível confiar nas estatísticas, mas não promovê-las a tomadoras de decisão ou a verdades absolutas. Para que sejam confiáveis e úteis, outras ações devem corroborar na gestão, tais como:
Aplicá-las em todos os níveis hierárquicos
Por ser considerada uma inovação, a utilização do Big Data muitas vezes é inserida, inicialmente, nos níveis hierárquicos mais elevados.
Isso faz com que sua efetividade seja colocada em cheque, pois decisões complexas exigem muito mais perícia e conhecimento dos gestores do que números.
Em níveis operacionais, como o próprio call center, o efeito das decisões baseadas nas análises é muito mais perceptível.
Custos reduzidos e a satisfação dos clientes são resultados mais facilmente alcançados — se comparados às expectativas da alta gestão.
Não se limitar aos dados purificados
A busca incessante por dados purificados e perfeitos para a análise em questão é justamente uma das atitudes que impedem seu sucesso.
Os modelos preditivos não precisam ser criados com dados específicos, mas com todos aqueles que possam contribuir para o resultado.
Quanto mais relacionados ao tema, maior a contribuição para o percentual de acerto, mas isso não anula os efeitos dos demais dados disponíveis.
Ter um objetivo claro
Além de não ficar estagnado na busca por dados puros, é preciso compreender que o objetivo para aplicar a análise deve ser o guia central.
Um bom exemplo de objetivo é a melhoria da qualidade do atendimento no Help Desk.
Cruzar as avaliações dos clientes sobre o atendimento com o índice de erros em cada tipo de procedimento seria uma abordagem ideal para a construção de um calendário de treinamentos.
Também nesse exemplo, o processo de data mining é baseado no objetivo proposto, ou seja, melhorar a capacidade técnica dos atendentes.
Como conseguir analisar dados para fazer previsões?
Para fazer tais previsões de cenários, é preciso compreender o processo de construção das análises — desde o correto armazenamento de dados até o posterior monitoramento das informações coletadas.
Confira algumas sugestões para fazer isso adequadamente:
Defina um objetivo
Já foi falado que a análise preditiva não deve ser restrita aos gestores estratégicos, e essa abordagem permite que ela possa ser utilizada para tomadas de ações distintas.
Essa pulverização, porém, não exclui a importância da definição de um objetivo alinhado com o posicionamento e com a estratégia da organização.
Se a empresa está focada em ampliar seus negócios internacionais, não é vantajoso definir um objetivo contrário a essa operação.
Nesse caso, o gestor do call center não pode, por exemplo, colocar como objetivo de sua análise a redução do quadro de atendentes bilíngues no call center — mesmo que o intuito seja diminuir os custos dos processos.
Agrupe os dados
Com o objetivo traçado, selecionar os dados que podem melhor contribuir para a análise é o passo seguinte — o chamado data mining.
Existem diversas fontes de dados que podem ser utilizadas pela empresa. Elas vão desde o histórico de interações em seu sistema de CRM, passando pelas menções da marca nas redes sociais e dados estatísticos de instituições governamentais.
Crie modelos preditivos
O data mining é determinante para o sucesso da criação de modelos preditivos. Uma vez bem executado, esse processo permite que a organização dos dados seja realizada com sucesso.
Com podem combinar diversas fontes e formatos, a criação desses modelos exige uma hierarquização dos dados e condicionantes para situações em que existe perda de informações, por exemplo.
Selecione e prepare as variáveis
Ao criar o modelo, suas variáveis devem ser bem delimitadas, pois isso é o que vai definir o sucesso e a longevidade da estratégia.
Determinar as variáveis é particularmente importante quando as ações estudadas são complexas. Ações de marketing em call centers são ótimos exemplos.
Os custos operacionais por atendente, a aceitação do público, os melhores horários para ligar, abordagens, opções de pagamento disponíveis, restrições de chamadas em determinados estados e muitas outras condicionantes devem ser utilizadas.
Em vez de apenas criar uma lista de prospecção e distribuir para a operação, o uso da análise preditiva e a definição de suas variáveis permite que a ação seja muito mais eficiente em termos de custo e de oferta.
É possível, por exemplo, constatar que os clientes abordados pela manhã estarão mais dispostos a contratar o serviço oferecido. Assim, no lugar de envolver todos os turnos do call center — o que aumenta o custo da campanha —, apenas o turno de maior indicativo de sucesso seria acionado.
Processe e avalie todos os modelos
Usar a imagem do iceberg para ilustrar o Big Data é fundamental, pois, assim como o bloco de gelo, o volume de dados gerados, atualmente, pelas empresas é imenso.
Com essa amplitude de informações, é possível criar mais de um modelo preditivo e, posteriormente, fazer comparações para identificar qual deles é o mais eficiente.
Dessa maneira, as evidências e as informações de cada padrão são classificadas de acordo com o peso e valor ao negócio, fazendo com que a comparação e a escolha sejam compatíveis com a estratégia do negócio.
Valide um modelo
Por definição, os modelos devem ter uma performance similar ao que foi demonstrado em estudo.
Essa etapa é muito importante para o negócio. Por isso, para que os resultados esperados sejam conquistados ou a estratégia seja modificada em tempo hábil, o modelo deve ser sempre validado.
Aliás, a validação de um modelo demonstra que, apesar de matemática, a análise preditiva nunca é integralmente correta. Porém, quanto mais próxima for a performance em relação ao previsto, mais bem-feita será a estruturação dos dados.
Execute e monitore o modelo
Uma vez que o modelo esteja implantado, seu monitoramento deve ser constante. As variáveis do negócio podem mudar bruscamente e exigir ações igualmente rápidas da gestão.
É preciso lembrar que modelos preditivos também podem ser alternados e variar conforme as sazonalidades do negócio.
Que tecnologias são utilizadas?
Para criar um setor de Business Intelligence — BI ou command center —, a escolha das tecnologias tem um papel importante.
Todo investimento é um custo para a empresa e, obviamente, os resultados devem compensar a alocação do recurso. Por isso, mapear as necessidades da companhia é um importante primeiro passo.
Uma empresa que tem uma boa quantidade de dados gerados por voz necessita de uma ferramenta que converte esses dados em texto, por exemplo.
Softwares de BI também são essenciais, pois, com seus robôs de inteligência artificial, esses programas fazem análises complexas em pouco tempo. Ou seja, não se trata apenas de agilidade, mas da complexidade e variedade de dados que podem ser combinados.
As ferramentas utilizadas para inserir e armazenar informações também são importantes. Além de integrar diferentes canais, elas concentram uma boa parcela dos dados.
Sendo assim, sistemas de gestão de clientes, relatórios de telefonia, URA de atendimento e chatbots são outras tecnologias que contribuem para o sucesso da adoção das análises preditivas no negócio.
O cloud, armazenamento de dados na nuvem, também tem importante contribuição. Essa ferramenta deve ser de fácil acesso e ter capacidade compatível com a produção de dados da empresa.
A mobilidade e a acessibilidade são características importantes para negócios com gerenciamentos em diferentes localidades. Como os modelos preditivos devem ser criados nos principais níveis hierárquicos da organização, é preciso que a ferramenta esteja disponível em qualquer filial da empresa.
É necessário lembrar que a escolha dessas tecnologias tem efeitos nas principais áreas da empresa, e não somente para a análise preditiva.
No setor de atendimento, por exemplo, quanto mais atualizadas as ferramentas — e mais integradas umas às outras—, melhor será sua característica omnichannel.
O omnichannel não é mais uma estratégia opcional para os negócios, mas uma realidade. Clientes estão, a todo instante, interagindo nas redes sociais e demais ambientes online para tomarem a decisão de compra.
Considerando que a experiência do cliente deve ter a mesma qualidade em todos os canais — e permitir a navegação e a migração entre eles —, os sistemas devem ser o ponto de conexão.
É primordial oferecer opções para que o cliente conclua sua compra do site na loja ou faça o pedido em postos de autoatendimento. Assim, você tem o registro em todos os canais e poderá utilizar esses dados e padrões de compra para estratégias futuras.
Além disso, todas essas ferramentas e conexões devem ser operacionalizadas e monitoradas pelo chamado command center — responsável por assegurar a eficiência de todos os processos. Afinal de contas, possuir tais inovações não é uma garantia da efetividade.
Em muitos casos o que se vê é uma utilização muito inferior da capacidade tecnológica das ferramentas incorporadas nas empresas. Com um command center focado no aperfeiçoamento do uso de tais ferramentas, os resultados podem ser muito melhores.
Dizer que muitas empresas estão à beira de trágicos naufrágios pode até ser um exagero, mas a verdade é que muitas delas navegam em mares turbulentos e concorridos sem uma ferramenta que as direcione.
Especialmente na era dos dados, a análise preditiva pode ter uma importante contribuição no auxílio da gestão em sua busca por melhores resultados e crescimento sustentável.
Se você gostou deste conteúdo e gostaria de receber mais informações sobre inovações e estratégias para gestão, assine agora nossa newsletter.
