Cria uma boa cultura de dados e começa a colher os benefícios da personalização à escala.
Sim, o Data Science permite aos profissionais de marketing consolidar e extrair insights de todos os seus dados (independentemente do formato), reconhecer padrões nesses dados, e prever comportamentos futuros para criar campanhas de personalização à escala quase em tempo real. Abaixo, aprenderá como a sua equipa de marketing pode alavancar a ciência dos dados:
Unificar os silos de dados, permitindo uma visão de 360 graus dos clientes.
Fornecer acesso rápido e escalável aos dados através do apoio a cargas de trabalho simultâneas.
Construir condutas de dados eficientes para melhorar a velocidade de percepção e reduzir a complexidade. A sua infra-estrutura à prova de futuro para apoiar uma variedade de ferramentas, bibliotecas e estruturas sem a necessidade de reconstruir uma plataforma.
Integrar cientistas de dados em equipas empresariais para melhorar a exposição a problemas empresariais do mundo real.
Atrair e reter os melhores cientistas de dados.
Através da personalização, os marqueteiros podem enviar conteúdos e ofertas hiper-personalizadas que são mais susceptíveis de conduzir as compras e aumentar a fidelidade à marca.
91% dos consumidores tendem a comprar a empresas que reconhecem, recordam e fornecem ofertas e recomendações relevantes.
Por exemplo, ao empregar uma visão holística dos dados dos clientes, um retalhista pode mostrar anúncios de vestuário de corrida a pessoas que tenham a aplicação Strava fitness instalada nos seus telemóveis e também mostrar afinidade por maratonas, com base na elevada probabilidade de serem corredores. Além disso, os marqueteiros podem personalizar as recomendações de produtos nos seus sites e aplicações, resultando numa melhor experiência para o utilizador. Enquanto a personalização ajuda os marqueteiros a optimizar os gastos com publicidade e a melhorar o valor de vida do cliente, o tamanho do cesto e a retenção, em muitas organizações a personalização à escala é insustentável.
De acordo com um relatório Adobe "2020 Digital Trends", apenas 30% das empresas disseram que as suas plataformas tecnológicas podiam combinar dados conhecidos e anonimizados para permitir a criação de perfis de clientes em tempo real em todos os canais ao longo da viagem do cliente.
Para resolver estes problemas, as equipas de marketing com visão de futuro estão a integrar ferramentas e equipamento de ciência de dados nas suas operações. Abaixo, analisamos as melhores formas de utilizar a ciência dos dados e a aprendizagem de máquinas para obter uma visão de 360 graus dos seus clientes e proporcionar experiências e ofertas 1:1 em tempo real ou quase real.
O Data Science é o processo de utilização da aprendizagem mecânica e da modelação matemática para extrair conhecimentos e insights de dados estruturados, semi-estruturados e não estruturados. Uma das suas principais aplicações é reconhecer padrões a fim de prever o comportamento futuro. Os dados estruturados são apresentados em formatos padronizados e, para fins de marketing, incluem dados de localização, histórico de compras, impressões de anúncios e entradas de CRM. Os dados semi-estruturados têm um formato padrão de colunas e cordas, tais como o conteúdo das revisões ou consultas de clientes, e os dados não-estruturados não têm um formato definido, tais como ficheiros de áudio, vídeo ou imagem. Vejamos 4 exemplos de como as organizações de marketing estão a utilizar a Data Science para impulsionar o ROI:
Segmentação de clientes: Os cientistas de dados podem agrupar clientes e potenciais clientes em segmentos de audiência com base nos seus comportamentos e características relevantes. Os clientes de alto valor que compram produtos ou serviços frequentemente são um segmento típico, tal como os clientes em risco que podem estar em perigo de se perderem. Estes segmentos precisam de ser tratados de forma muito diferente, e é aqui que o conteúdo, as experiências e as ofertas personalizadas entram em jogo.
Optimização de campanhas em tempo real: Ao consultar dados num sistema de baixa latência, os marqueteiros podem ver o desempenho da campanha em tempo real e filtrar essa visão por segmento de audiência. A partir daí, o direccionamento e o envio de mensagens podem ser rapidamente ajustados para optimizar o desempenho.
Modelos de atribuição: Os marqueteiros podem optimizar os gastos com publicidade definindo o crédito para vendas ou conversões a ser atribuído a cada canal de comunicação. Podem utilizar uma variedade de abordagens, desde modelos que dão todo o crédito ao primeiro ou último ponto de toque até modelos que espalham o crédito por múltiplos pontos de toque.
Análise preditiva: Isto envolve a identificação de probabilidades de resultados futuros através da análise de dados históricos. Os métodos usados para melhorar as recomendações de produtos incluem a Lookalike Modeling, que identifica potenciais clientes que têm maior probabilidade de se tornarem clientes de alto valor, e a Affinity Scoring Modeling, que mede os interesses das pessoas com base no seu histórico de navegação. Graças à melhoria contínua dos modelos de aprendizagem de máquinas, estas previsões podem tornar-se cada vez mais precisas.
De acordo com a sexta edição do relatório do Estado de Marketing da Salesforce, espera-se que o número médio de fontes de dados utilizadas pelos comerciantes aumente 50%, de 8 para 12, entre 2019 e 2021.
Hoje em dia, as organizações de marketing têm dados de compra, dados de tráfego na Web, dados de meios pagos, dados de programas de fidelização, dados de correio electrónico e de aplicações móveis, e outros conjuntos de dados, que são frequentemente armazenados em sistemas separados e desconectados. Este efeito silo torna difícil obter a visão integrada dos clientes que é necessária para a personalização do marketing à escala. A maioria destes conjuntos de dados reside em plataformas de terceiros, o que agrava ainda mais o problema. Estas plataformas apenas oferecem relatórios empacotados com dados da sua própria plataforma, pelo que os cientistas de dados não podem facilmente ligar-se aos dados em bruto e consultá-los ou explorá-los de forma flexível à sua conveniência. Nem podem ser combinados dados de plataformas de terceiros com dados de outros clientes. Isto torna impossível ter uma visão holística dos clientes e potenciais clientes e impede a execução de modelos de atribuição multi-toque que espalham o crédito pelas vendas e ajudam os marqueteiros a optimizar os seus gastos. Ao consolidar conjuntos de dados de clientes na Data Cloud do Snowflake e na plataforma do Snowflake, que podem suportar nativamente todos os tipos de dados (estruturados, semi-estruturados e não estruturados) no mesmo sistema, os marqueteiros podem aproveitar mais o poder das suas ferramentas analíticas. Teriam também a capacidade de aceder a dados e consultar informações de clientes em tempo real. Isto é essencial para obter uma compreensão holística e actualizada dos clientes, o que por sua vez é necessário para a criação de modelos de personalização escaláveis.
Uma vez unificados os seus dados, as organizações devem ser capazes de suportar cargas de trabalho simultâneas. Isto é difícil em plataformas legadas que têm um número fixo de servidores. Uma plataforma elasticamente escalável, por outro lado, permite que dezenas ou mesmo centenas de utilizadores realizem simultaneamente cargas de trabalho de processamento e análise de dados, incluindo cargas de trabalho para personalização, modelos de atribuição, análises ad hoc e relatórios regulamentares. Isto assegura que o poder computacional necessário para realizar análises avançadas está disponível sem estrangulamentos noutros processos. As organizações de marketing precisam de investir numa plataforma de dados que possa escalar instantaneamente para fornecer mais poder computacional a pedido, libertando as equipas para produzir resultados o mais rapidamente possível. A elasticidade instantânea elimina a necessidade de agendamento e trabalhos em lote, para que os cientistas de dados possam executar modelos completos enquanto os utilizadores não técnicos têm a capacidade de aceder sem problemas aos painéis de instrumentos. Isto é especialmente importante para organizações que investem na personalização, uma vez que é necessário um poder de processamento significativo para preparar dados, actualizar algoritmos, regenerar características e reciclar múltiplos modelos de aprendizagem mecânica.
A medida que os dados passam de mera curiosidade a uma parte essencial das operações, as organizações estão a construir um número crescente de condutas de dados para apoiar casos de utilização crítica, tais como personalização e relatórios regulamentares. Quanto mais os resultados são gerados pelos dados, mais valor comercial é gerado, o que faz com que mais utilizadores desejem esses resultados, o que por sua vez promove a construção de cada vez mais condutas. Embora o preço dos oleodutos comece baixo, pode rapidamente tornar-se um enorme centro de custos, atingindo até dezenas de milhões de dólares por ano. Esta proliferação de condutas conduz a problemas de qualidade e manutenção de dados, bem como de eficiência e escala. Além disso, quando os dados ou formatos de dados subjacentes mudam, os oleodutos têm frequentemente de ser reconstruídos, gerando uma dívida técnica crescente. Para ajudar a quebrar este ciclo, as organizações precisam de ferramentas modernas que apoiem um processo flexível de Extrair, Carregar e Transformar (ELT) para lidar com alterações do tipo de dados no sistema de origem sem se quebrarem. Por outro lado, os sistemas legados de Extracto, Transformação e Carga (ETL) são frequentemente lentos, frágeis e caros, e raramente satisfazem as necessidades em mudança de toda a organização. Isto leva a uma má experiência do utilizador e à implementação de múltiplas soluções ETL por equipas diferentes, resultando em discrepâncias de dados e falta de confiança.
O Spark continua a ser um motor moderno e popular de processamento de dados para processamento ETL, mas requer trabalhar com Scala ou linguagens de programação semelhantes, o que constitui uma barreira para utilizadores não técnicos. O conhecimento de SQL, por outro lado, é muito mais omnipresente entre os analistas de dados e os utilizadores empresariais. Esta é outra razão para se juntar à Data Cloud e investir numa plataforma que potencia SQL, fornecendo uma forma mais padronizada de executar gasodutos ETL. Como resultado, muito mais pessoas podem escrever e actualizar condutas de dados, e os utilizadores empresariais não precisam de consultar um engenheiro de dados cada vez que precisam de fazer pequenas alterações. Para criar consistência entre Business Intelligence e casos de utilização de Machine Learning, também deve ser considerada uma loja de funcionalidades. Isto assegura que características como o Valor de Vida do Cliente são calculadas da mesma forma para cada consulta feita por qualquer utilizador. Uma vez definidas e calculadas centralmente, as características tornam-se uma única fonte de verdade que é referenciada em todas as consultas e relatórios.
A ciência dos dados está a evoluir rapidamente, e as inicializações com tecnologias avançadas de aprendizagem de máquinas estão constantemente a entrar no mercado. As organizações de marketing não devem fechar-se num único conjunto de ferramentas. Em vez disso, deveriam investir numa plataforma de dados com amplo apoio da indústria e da comunidade, para que tanto as ferramentas actuais como futuras possam ter acesso aos mesmos dados. É importante perceber que as preferências dos utilizadores mudam frequentemente ao longo do tempo. Por exemplo, enquanto os analistas de dados juniores tendem a confiar em ferramentas de aprendizagem de máquinas (AutoML), podem mudar para ferramentas de secretária, tais como Amazon SageMaker ou Zepl à medida que o seu conjunto de competências se expande. As variações regionais também precisam de ser tidas em conta. Embora Python seja a principal língua de dados científicos nos EUA, o R tende a ser a língua mais popular na Europa. O resultado final é que a sua plataforma deve suportar uma variedade de ferramentas, estruturas e línguas, ao mesmo tempo que fornece uma fonte consistente de verdade para os dados.
Para criar uma boa cultura de dados, é fundamental obter o buy-in a partir do topo. O director de marketing e outros executivos superiores devem comunicar proactivamente o investimento que está a ser feito na ciência dos dados e o valor que este trará ao negócio. Idealmente, estes executivos deveriam também desenvolver uma estratégia global de dados que abordasse objectivos chave, tecnologia, operações e pessoas, e tornar esse documento disponível a qualquer pessoa internamente. Em muitos casos, faz sentido incorporar cientistas de dados nas equipas empresariais em vez de criar uma equipa de dados separada e centralizada. Ao experimentarem problemas reais de negócios em primeira mão, os cientistas de dados estarão mais alinhados com os seus "clientes" internos (ou seja, as suas equipas de branding e marketing digital). Esta forma de organizar equipas pode ajudá-lo a alcançar vitórias rápidas facilmente. Por exemplo, ao observar de perto que uma nova campanha digital está a ter um mau desempenho com clientes de alto valor, o cientista de dados, integrado na equipa de marketing, pode rapidamente sugerir optimizações. Tais recomendações poderiam vir dias ou mesmo semanas mais tarde se a ciência dos dados fosse tratada como uma função isolada, separada das actividades de marketing do dia-a-dia.
Para uma colaboração eficaz entre equipas e funções, especialmente quando as equipas de ciência de dados são descentralizadas, é também essencial ter uma fonte única e centralizada de verdade sob a forma de conjuntos de dados limpos e cruzados que residam na plataforma de dados da sua organização. Para evitar resultados contraditórios e questões de confiança de dados, os utilizadores em toda a organização devem tirar conclusões a partir dos mesmos dados.
O termo "Data Scientist" foi classificado no LinkedIn como um dos principais empregos emergentes nos EUA durante três anos consecutivos, com uma taxa de crescimento anual projectada de 37% até 2020, e não há provas de que a procura esteja a abrandar na sequência da COVID-19.
A procura de cientistas e analistas de dados continua a ultrapassar a oferta, o que significa que os candidatos podem ser selectivos e que a contratação de gestores tem de ser estratégica. A adição de cientistas e analistas de dados pode ajudar a aumentar a entrega de modelos de personalização se a sua empresa tiver uma infra-estrutura de dados flexível e expansível. Mas contratar e reter cientistas e analistas de dados pode tornar-se uma batalha, mesmo quando a sua empresa oferece salários competitivos, benefícios alargados e modalidades de trabalho flexíveis. Por mais difícil que possa ser contratar cientistas de dados, é fundamental manter uma barra alta para o talento. Isto é especialmente importante para as suas contratações iniciais, que serão indispensáveis nos seus esforços de aquisição de talentos, alavancando as suas próprias redes profissionais para recrutar amigos e dirigir relatórios. Os profissionais qualificados tendem a contratar outros ao seu nível de experiência e competência ou próximo dele. É também importante procurar bons comunicadores com um historial de trabalho cruzado com equipas não técnicas. As organizações de marketing devem seguir a liderança de grandes empresas de tecnologia e considerar programas de estágio para ajudar a obter e desenvolver o talento da ciência dos dados. Devem também desenvolver a liderança tecnológica e os percursos de gestão de pessoas para fomentar o talento a todos os níveis. Finalmente, para ajudar na aquisição e retenção, devem oferecer oportunidades de desenvolvimento profissional - especialmente a oportunidade de formação em novas tecnologias como a PyTorch e a TensorFlow que podem ajudar os empregados a tornarem-se melhores profissionais de marketing mais tarde nas suas carreiras. É importante notar que ao aproveitar uma boa plataforma de dados pode também tornar os seus trabalhos de dados e de análise mais atractivos para os candidatos que recebem múltiplas ofertas. Uma infra-estrutura flexível e escalável pode eliminar muitas das demoradas tarefas de "gestão de dados", libertando os cientistas de dados para se concentrarem no trabalho de maior impacto que lhes interessa.
A ciência dos dados já transformou as nossas vidas para melhor, detectando padrões no comportamento quotidiano das pessoas e fazendo recomendações e previsões personalizadas numa variedade de aplicações. Melhora a indústria do entretenimento ao personalizar recomendações de filmes e programas de TV, e ajuda-nos a chegar em segurança e a tempo com sistemas de navegação ao vivo e relatórios de tráfego automóvel actualizados. Impulsiona a utilização de assistentes pessoais como Siri e Alexa, detecta fraudes com cartões de crédito e pode identificar automaticamente os seus amigos e família em fotografias. A lista de benefícios prossegue.
A personalização tem benefícios tanto para os consumidores como para as empresas que nela investem para melhorar os seus produtos e serviços.
Para criar uma cultura de dados bem sucedida que permita a personalização em escala, as organizações de marketing podem:
Unificar conjuntos de dados díspares de clientes numa única plataforma para obter uma visão de 360 graus dos seus clientes.
Investir numa plataforma de dados que forneça uma computação elasticamente escalável para permitir a um grande número de utilizadores executar uma grande variedade de cargas de trabalho simultâneas.
Construir condutas de dados que suportam um processo ELT flexível e resiliente.
Garantir que a plataforma de dados suporta uma grande variedade de ferramentas, estruturas empresariais e línguas, uma vez que as preferências dos cientistas de dados irão mudar com o tempo.
Obter a adesão dos quadros superiores e tornar os cientistas de dados parte das equipas de marketing e branding digital.
Estas acções representam um investimento significativo em tecnologia, operações e talento, mas o retorno do investimento da personalização pode ser substancial.
Referências: Todos os direitos reservados a Snowflake.