3 Aplicacoes Praticas de Social Big Data Para Fazer Hoje

  • Published on
    31-Jan-2016

  • View
    214

  • Download
    0

Embed Size (px)

DESCRIPTION

Muito show

Transcript

  • Social Big Data

    3 aplicaes prticasde Social Big Data

    para fazer hoje.

    Maro/2014

  • O que Big Data e Social Big Data?

    Big Data como o mercado convencionou chamar um grande volume de dados. Na dcada de 90, grandes armazns de dados (DataWarehouses) j eram utilizados por companhias como o Walmart, para identificar hbitos dos consumidores a partir das suas escolhas no ponto de venda. Foi assim que se descobriu que pais que compravam cerveja tambm eram os mesmos que compravam fraldas descartveis, permitindo que os varejistas trabalhassem promoes casadas.

    Na ltima dcada, o prefeito de Nova Iorque, Michael Bloomberg, tambm implementou um grande armazm de dados para a cidade. O objetivo era otimizar decises da gesto pblica como, por exemplo, vistoriar imveis entre os 900 mil da cidade - para impedir a ocorrncia de grandes incndios. O primeiro passo foi identificar as diferentes fontes de dados que geram informaes sobre a cidade: de imveis alugados, passando por emergncias mdicas, reclamaes sobre barulho na vizinhana, denncias de crimes, at avistamento de ratos.

    Estes dados estavam desestruturados e em silos diferentes (diferentes bases de dados, de acordo com a esfera municipal que tratava o problema). Primeiro passaram por um processo de estruturao para que fosse possvel sua manipulao. Foi criado ento um modelo estatstico para manipular os dados. A partir da implementao do modelo, cada nova queixa recebida pela prefeitura para perigo de incndio passou a ser checada usando o algoritmo novo. Resultado: o ndice de queixas atendidas que de fato representavam algum perigo eminente saltaram de 30% para 70%. A assertividade nasprevises economizou recursos para a cidade de Nova Iorque, uma vez que evitava o deslocamento de equipes para alarmes falsos.

    Iniciativa semelhante tambm foi aplicada a bueiros que explodiam em Nova Iorque. Este mesmo problema, que tem assolado outras cidades no mundo, como o Rio de Janeiro, na Big Apple foi tratado com Big Data. Para descobrir bueiros a ponto de explodir foram cruzados uma grande massa de dados de diferentes fontes, como mapas de tubulaes de gs, telefone, eletricidade, alm do trnsito nas imediaes.

    Assim como NYC, a Target, varejista americana, tambm transformou seu Big Data em insights ao prever se suas consumidoras estavam grvidas alguns meses antes delas darem a luz. O processo envolveu a anlise de um grande volume de dados de produtos consumidos e hbitos de compra, permitindo Target uma comunicao mais personalizada com o cliente. Conta-se, inclusive, que um pai irado ligou para o pessoal de marketing da Target reclamando que sua filha adolescente comeou a receber ofertas de produtos para bebs por e-mail. Algum tempo depois ele descobriu que sua filhaestava realmente grvida (e ele no sabia).

    Nos dois casos, tanto da cidade de Nova Iorque quanto da Target, os dados desestruturados formavam uma grande massa de dados (Big Data) que, aps passarem por anlises estatsticas, permitiram identificar insights importantes sobre hbitos de consumo no apenas atuais mas futuros.

  • Como o consumidor est compartilhando seus dados em mdias sociais?

    As redes sociais possuem um grande nmero de usurios. Hoje, somente o Twitter, possui mais de 200 milhes de users ativos e o Facebook mais de 1 bilho.

    Quando o consumidor faz parte de uma rede social, ele gera o que chamamos de Datafication, pois ao criar sua bio do Twitter, compartilhar fotos via Instagram ou realizar um check-in via Facebook, ele registra o seu dia a dia. Ao fazer isso, todas as suas interaes viram informaes que podero ser tabuladas e analisadas. As interaes dos usurios geram uma grande quantidade massificada de dados que, se analisadas de forma correta, podem identificar insights sobre hbitos de consumo atuais e futuros. Mas como devemos analisar o que os consumidores compartilham?

    Pensando nisso, criamos a metodologia 4P's of Insights para ajud-lo a analisar e obter insights atravs do comportamento de consumidores:

    Preferences (preferncia):Hoje possvel classificar e isolar comportamentos de pessoas de acordo com as suas tribos. Podemos analisar as preferncias atravs de:

    - Bio- Brand Mentions- Intention/ action- Apps- Rts

    Pricing (preo):

    Comrcios eletrnicos, como Ebay e Amazon, praticam estratgias de preos que variam a cada minuto de acordo com as tendncias do momento, comportamento, frequncia de compra, perfil do consumidor e diversas outras variveis. Ou seja, o preo do produto no importante mas sim a precificao, que o valor percebido do produto em tempo real.

    Com as redes sociais conseguimos compreender o processo de deciso de compra doconsumidor analisando o pricing atravs de:

    - Price or cost mentions- Brand mentions

    Places (Lugares):

    Atualmente, o consumidor cita diversos lugares que frequenta atravs de seus check-insvia Foursquare/Facebook, ele est sempre em movimento. A praa sempre foi a decisomais importante para abrir um negcio, porm, quando falamos disso em redes sociais,devemos falar no plural: praas.

    Podemos analisar o places atravs de:

    -Location-Check-in

  • People (Pessoas):

    Os consumidores, ao compartilharem seus dados, nos mostram qual o seucomportamento e personalidade.Podemos analisar o people atravs de:

    -Bio-Brand Mentions-Intention/ Action-Personality traits

    Ao analisar os dados compartilhados pelo consumidor utilizando a metodologia 4PS ofInsights podemos descobrir:

    O que bebem; Quais so os lugares que mais frequentam; Assistem quais canais da TV paga; Quais filmes mais assistem; Quais so suas marcas preferidas; Qual a percepo sobre os preos de determinada marca/produto; O trao de personalidade de quem menciona ou curte determinada marca.

    Hoje em dia, o consumidor est mais informado e atualizado em suas escolhas deconsumo, por isso utiliza as redes sociais para reafirmar e revelar suas preferncias ecomportamento de consumo.

  • Como usar o Buzzmonitor com Big Data

    Como sabemos, as pessoas em redes sociais falam sobre diversos assuntos, marcas, se envolvem em debates etc. Pensando nisso, desenvolvemos o Deep Profiling, o Big Data do Buzzmonitor. Graas a ele, o analista ter acesso a uma base de dados com mais de 1 bilho de posts em Twitter e Facebook, coletados atravs de mais de oito anos de monitoramento da E.life Group.

    Com o Deep Profiling voc poder entender melhor o comportamento de um determinado consumidor, identificando interesses atravs dos assuntos e marcas j mencionados por ele no passado.

    Todas as marcas que ele mencionou anteriormente. O Buzzmonitor possui um histrico de 1 bilho de posts e 55 milhes de consumidores;

    Nmero de followers; Gnero; Localidade; Friends; Total de tweets que o user j fez; Idioma do usurio; Bio.

    Veja a imagem a seguir:

    Com ele voc pode:

    1. Realizar aes de Sac 2.0 mais personalizadasAo conhecer em profundidade os hbitos, artistas favoritos, programas de televiso, lugares que mais frequenta e as marcas que o consumidor ama ou odeia fica mais fcil ter um atendimento ainda mais personalizado e surpreender o consumidor.

  • O analista, ao responder o consumidor, ter acesso a todas as suas informaes e assim poder respond-lo de forma mais criativa e pessoal. Como podemos comprovar neste case da E.life, onde o analista antes de responder o consumidor, verificou o deep profilling e respondeu com uma frase de sua msica predileta. Veja a seguir:

  • Veja como responder ao consumidor utilizando o Deep Profilling:

    1. Aps ler o tweet, clique em visualizar detalhes do perfil.

    2. Conhea o consumidor atravs do Deep Profilling

    3. Responda o consumidor, clicando na setinha da direita.

    Alm do Deep Profiling, disponibilizamos no Buzzmonitor o Author History, que ohistrico de tweets do usurio relacionado marca monitorada.

    Para ter acesso ao Author History, clique neste cone:

    Com o Author History e o Deep profilling possvel personalizar o seu atendimento deSAC 2.0 e melhorar o relacionamento do cliente com a empresa.

    2. Conhecer as tribos dos consumidores a partir das marcas que ele consome ou cita

    Segundo o professor Bernard Cova no artigo Tribal Marketing: the Tribalisation of Society and its Impact on the Conduct of Marketing (Marketing Tribal: a Tribalizao da Sociedade e seu impacto no Marketing), uma tribo definida como uma rede de pessoas heterogneas em termos de idade, sexo, rendimento etc. que esto ligadas por uma paixo ou emoo; uma tribo capaz de aes e comportamentos coletivos, seus membros no so simples consumidores, so advogados de marcas.

    Quando conectamos esta definio com o que ocorre hoje em plataformas de mdias sociais percebemos que estas tribos esto tomando conta do ambiente digital. H grupos no Facebook para discusso sobre vinho, golf, seguro sade, movimentos sociais e uma infinidade de outros tpicos. Experts em um tema influenciam milhares de consumidores com uma mensagem de 140 caracteres no Twitter. Yelp e Foursquare so o destino de quem procura informaes sobre lugares legais.

    Cada vez mais essas tribos esto tomando conta de pginas no Facebook onde marcas gerenciam seus contedos. Da mesma maneira os consumidores membros dessas tribos enviam mensagens para contas oficiais de marcas no Twitter, solicitando atendimento e,

  • de forma geral, pedindo por melhores produtos e servios. Do outro lado, muitosgestores de marcas administram um exrcito de analistas de Social CRM capazes deacalmar massas enfurecidas de consumidores em casos de levantes digitais, no poucofrequentes.

    Com o Deep Profiling possvel perceber quais as tribos que aquele consumidor pertencea partir das marcas que ele cita.

    Exemplo, ao monitorarmos a marca Coca Cola podemos isolar entre quem cita Coca Colaos fs de Harley Davidson. Como?

    Em Edit Report use a busca de bio e isole o termo. No caso aqui isolamos Harley.

    possvel ento encontrar algumas pessoas que citam Coca Cola e so fs das supermotocicletas Harley Davidson:

  • Ou olhando diretamente no perfil:

    3. Fazer aes de cross-selling e up-selling atravs das funes Author History e Deep Profiling

    Imagine o seguinte cenrio para Maria, uma representante de uma seguradora:

    O software de monitoramento da empresa envia prospectos de novos clientes todas as manhs, supervisionando Twitter e Facebook, buscando tpicos relevantes que os analistas definiram. Maria encontra o ltimo tweet de @Mom39, que diz ter completado 40 anos. Rapidamente, Maria tuta de volta para @Mom39 dizendo: 40 so os novos 30. Parabns! e segue-a.

    Alguns dias depois, Maria volta para sua home e envia outro tweet com um link sobre o seu seguro. Neste momento, @Mom39 est curiosa, clica no link e se cadastra no site da seguradora, deixando seu telefone. Bingo! Maria agora tem um novo lead e est pronta para comear o seu processo de venda. Maria continua monitorando o perfil de @Mom39 e v um recente check-in numa agncia de viagem; ento ela faz uma nota mental para mencionar seguro-viagem na prxima conversa.

    O cenrio acima est acontecendo neste momento em muitas empresas ao redor do globo. Os consumidores no so mais entidades estticas num banco de dados. Atravs do Deep Profiling e Author History, funes exclusivas do Buzzmonitor, todo o histrico digital que @Mom39 deixa para trs pode ser revisto a qualquer momento por um representante de vendas para contextualizar uma venda, por exemplo.

    Como voc j deve ter concludo, o Deep Profiling pode ser usado tanto para prospeco de novos clientes como para aes cross selling e up-selling.Espero que tenha gostado do nosso Ebook. No deixe de acessar o Buzzmonitor em:www.buzzmonitor.com.br