Varejo e seguros com marketing elevado à Inteligência Artificial

O marketing elevado à Inteligência Artificial tem três pilares – algoritmos, personalização e tempo real – que, aplicados às áreas de varejo e seguros, contribuem para a  prevenção, assim personalizando a experiência dos consumidores, desde a navegação até o preço.

Recordo um dos melhores exemplos de IA que ouvi do meu eterno mentor e ex-chefe Maurício Castro, quando me explicou, em 2005, o significado de “sexto sentido” na visão de um cientista: "O seu cérebro vai capturando, de forma inconsciente, milhões de dados das pessoas com quem você se relaciona no dia a dia. Daí ele vai comparando as alegrias e decepções dessas relações. Quando você desconfia de alguém graças ao que você chama de sexto sentido é porque essa pessoa tem traços que você não consegue explicar de forma consciente, mas seu inconsciente está formando uma opinião sobre eles".

É como se o seu cérebro fizesse uma pontuação, um score, para cada um dos micromovimentos, gestos, palavras e olhares daquela pessoa e desse uma nota, "desconfiança nível 9,5". É nesse momento que seu sexto sentido grita: "Tem coisa aí!"

Esse princípio científico do sexto sentido lembra o modo como um carro autônomo atua: ele não recebe regras “conscientes”, mas o algoritmo aprende com as idas e vindas de entradas e saídas dos dados “inconscientes”. Uma caixa preta se forma e nela tudo faz sentido. Mas ela é igual ao seu cérebro: impossível abri-lo para deduzir que “foi o dedo pra cima, combinado com o olhar pro centro” que causou aquela má impressão.

Na imagem acima, o algoritmo é uma caixa preta onde, por meio de fórmulas e regras, guardamos o aprendizado da relação entrada x saída. 

A consequência é uma “inteligência” usada na forma de uma aplicação (software) que vai dirigir carros por aí sem a necessidade de um motorista.

Aqui, o sexto sentido dizendo "Eu não gosto daquela pessoa" é a replicação do aprendizado da caixa preta (inconsciente), que aprendeu a partir das interações de pessoas boas e ruins com você.

HISTÓRIA Nº 1: VAREJISTA

O maior desejo de uma rede varejista que vende de tudo em mais de 100 lojas de rua e no site era mudar os preços dos seus produtos de forma dinâmica, ou seja, trocá-los todos os dias na loja física e de hora em hora no e-commerce. Mais que isso, o objetivo era criar um modelo inteligente, que fosse além do preço baseado em volume do estoque e/ou preço dos concorrentes, como normalmente se faz.

Na estratégia adotada, o primeiro passo foi escolher um produto para começar. Deveria ser um produto de baixa importância no volume total de vendas, mas com um bom volume mínimo para que pudéssemos ter dados para trabalhar. Assim poderíamos testar e errar até aprender. Como se trata de uma capital quente do Sudeste, o primeiro produto escolhido foi cobertor.

↘ Saídas:

• Compras de cobertor - registradas em nota fiscal

• Não compras de cobertor - toda nota fiscal que não incluía cobertor

↘ Entradas: são todas as informações possíveis de capturar para montar o modelo. Começando pelo mais óbvio, vamos usar a nota fiscal. Ela possui desde horário da compra até CPF (recorrência do consumidor), loja, endereço e outros produtos da mesma compra. Outros dados externos também foram agregados, como temperatura, chuva, Wi-Fi etc.

↘ Algoritmo: aqui a caixa preta dará lugar a uma série de correlações para entender as conexões entre dados do passado para, assim, prever (e mudar) o futuro

↘ A**plicação/Personalização:** juntando tudo isso, nosso software utilizará as fórmulas matemáticas aprendidas para mudar os preços dinamicamente.

Os quatro itens acima estão representados no diagrama a seguir:

Resultados:

• Correlações: não foram encontradas, por exemplo, correlações de impacto entre vendas e dia da semana. Até aqui parece óbvio, mas o mesmo aconteceu na correlação de vendas com a temperatura no dia da compra! Porém, uma correlação importante foi descoberta: quando a temperatura fica abaixo de um determinado valor em °C, mesmo que só por um dia, o impacto nas vendas no dia seguinte é enorme.

• Algoritmo: Se tivéssemos que demonstrar esse aprendizado em uma fórmula matemática, certamente utilizaríamos algo parecido com uma função “D-1 x Y°C = $$$”. Melhor do que entender os motivos, vamos aprender com a replicação:

• Aplicação/Personalização: Foi criada uma fórmula matemática (algoritmo) que mudava o tempo todo, definindo o preço ideal que, ao mesmo tempo, encontrava a melhor margem para a empresa e a melhor atratividade para o consumidor. Esse cálculo não só mudava os preços, mas também o preço máximo para compra de mídia! Ou seja, na hora de dar o lance na compra de banners, seja no Facebook ou na mídia programática, o CPC (custo por clique) e o CPM (custo por mil) eram definidos de acordo com essa predição e personalização da experiência.

Os benefícios não param por aí. Outra conquista foi a redução do volume deixado para a queima de estoque, ao final da estação. Ou seja, o varejista vendia todos os dias de forma otimizada, extraindo a melhor margem e não deixando nada para o fim da estação.

Impacto no negócio: O sucesso foi tão grande que outros produtos foram adicionados, com times de estatísticos e de programadores passando a trabalhar todo o portfólio. Já foram contabilizados mais de R$ 100 milhões de economia em compras e um incremento de mais de 7% na margem média final. Isso é muito para um grande varejista! O projeto já se pagou mais de 50 vezes.

Indo além, nas palavras do CEO, o grande desafio era o de que “muitas vezes, a venda ao consumidor era consequência de uma compra ruim”. Ou seja, a compra por volume criava um estoque enorme a ser queimado ao longo do ano em momentos de venda abaixo do esperado. A partir da nova dinâmica, otimizaram-se a venda do dia a dia e o cálculo de quantos produtos devem ser comprados (e estocados) para a próxima temporada.

HISTÓRIA Nº 2: SEGURADORA

A seguradora é apenas digital, nasceu digital e prometia fazer tudo pela internet. Porém, criou um call center de suporte para aqueles que merecem uma forcinha pessoal. Todos os dias, além de atender aos chamados, o call center também ligava para as pessoas que faziam pedidos de cotação on-line. Como consequência, mais de 80% dos fechamentos eram realizados pelo call center.

O desafio era separar o joio do trigo, de um jeito simples: prever quem são as pessoas que convertem usando apenas o site, antes de ligar para elas.

Em outras palavras, descobrir os traços comuns que caracterizam as pessoas que fizeram compra exclusiva no meio digital e usar essa informação (inteligência) para prever, e assim personalizar, o comportamento dos próximos visitantes.

↘ Saídas:

• Pessoas que compraram no site com contato do call center

• Pessoas que compraram no site sem contato do call center

• Pessoas que não compraram no site, com contato do call center

• Pessoas que não compraram no site, sem contato do call center

↘ Entradas: são todas as variáveis que capturamos na visita ao site, desde aquelas anônimas (tempo no site, visitas recorrentes, navegador, cidade, origem etc.) como também as identificadas, que têm como parte da cotação nome, idade, e-mail, gênero etc.

No diagrama, fica assim:

Resultados:

Correlações: se você acha que os jovens possuem maior propensão para compra on-line, errou. Aplicativos e redes sociais? Errou. E-commerce? Talvez. Algumas das variáveis com maior peso na propensão de compra exclusivamente digital foram:

1.      Origem – Por exemplo, link patrocinado

2.      Navegador – Chrome, por exemplo

3.      Tamanho Da Tela – Esse foi o mais impressionante: incluir o tamanho da tela em pixels também melhorava o modelo de predição para a compra apenas online

Aplicação em tempo real: Importante enfatizar que todas essas variáveis são anônimas. Ou seja, os novos usuários que entram no site já podem ser classificados com esses traços (migalhas de pão deixadas no caminho).

Coeficiente: Seguindo o princípio do sexto sentido, um coeficiente é aplicado para cada visitante do site, mesmo sendo anônimo. Quando aquele usuário é classificado em "alta propensão digital", a mágica da personalização acontece:

• O número do telefone para chamar o call center fica bem pequeno na tela.
• O usuário não vê os banners de interação com o chatbot.
• Se um pedido de cotação é enviado, o call center não liga para o visitante. 

Exemplo: se uma pessoa chega ao site depois de clicar na busca do Google (origem), estando em um navegador Safari e em um computador cujo tamanho da tela é 800x600, ele ganha muitos pontos e seu coeficiente de propensão “compra apenas digital” fica altíssimo. A partir daí, o número do telefone diminui, os banners de convite para chatbot desaparecem e o call center fica impedido de ligar para ele no dia seguinte.

Impacto no negócio:

• Redução de 50% no custo de aquisição da companhia. Isso porque o call center passou a ser usado apenas nas vendas nas quais a intervenção do operador realmente fazia a diferença no fechamento.
• Melhoria de 20% na satisfação dos novos clientes. O motivo é uma navegação que só mostra aquilo que o usuário quer, sem atrapalhar sua jornada.

Um dos melhores aprendizados no caso da seguradora foi o xeque-mate no profissional de marketing tradicional que adora recorrer ao "achômetro" dizendo que jovens convertem mais (não era verdade) ou que é bom colocar chatbot em toda tela (não serve para todo mundo!).

Para concluir, vale lembrar que a última história nasceu em uma reunião que tive há poucas semanas em um banco no qual o novo diretor de marketing é um cientista de dados. 

Esse diretor jamais havia tido aspirações de atuar no setor de marketing, mas há um ano deram-lhe uma área que, de tão pequena, o obrigou a cuidar também do marketing. 

Ele aplicou os modelos de propensão, algoritmos e personalização da experiência, um a um. Os resultados foram tão incríveis que ele acabou recebendo a tarefa de levar esse processo para todo o banco, já como novo diretor de marketing. Um resumo da história: