Análise de clientes com dados

A análise de clientes, ou customer analytics, estuda quem são os seus clientes, o que compram ou utilizam e que valor geram. O resultado ajuda a decidir o que oferecer a cada cliente, onde investir o orçamento e que grupo precisa de atenção.

Se pretende sobretudo perceber o que aconteceu, business intelligence é mais adequado. A análise de clientes procura padrões ao nível de cada cliente e é uma das nossas aplicações de IA.

O customer lifetime value (CLV), ou valor do cliente, é o valor que se espera que um cliente gere ao longo de toda a relação. Um modelo de CLV tem duas componentes: quanto a pessoa gasta e quanto tempo dura a relação.

Numa assinatura, é possível saber quando alguém a cancela. Numa loja online, não: nunca se sabe ao certo se alguém ainda é cliente. O modelo BG/NBD de Fader, Hardie e Lee estima essa probabilidade com base na frequência e na data das compras. O modelo Gamma-Gamma estima o valor gasto por compra.

A forma mais simples é o RFM: agrupar os clientes por recency, frequency e monetary value, ou seja, há quanto tempo compraram, com que frequência compram e quanto gastam. Se procura grupos com base no comportamento, pode usar um método de clustering como o k-means. Este método não escolhe sozinho o número de grupos; essa decisão é tomada com a equipa de marketing.

Na nossa análise de churn, a segmentação foi necessária para identificar padrões por tipo de assinatura, duração da relação e atividade. Um segmento só está completo quando leva alguém a tomar uma ação diferente.

O churn é o número de clientes que deixam de utilizar o seu produto ou serviço. Uma análise de churn é uma análise de clientes centrada numa pergunta: quem sai e porquê? Explicamos a nossa abordagem no artigo sobre redução do churn.

Defina antecipadamente quem conta como cliente perdido. Muitos assinantes cancelam temporariamente para obter um desconto. Não contabilizámos como perdidos os que regressaram rapidamente, para que o comportamento associado às saídas definitivas continuasse visível. Leia também o caso de estudo da DPG Media.

Compras ou utilização que possa associar a um cliente: encomendas da loja online, compras feitas com cartão de cliente, assinaturas, dados do CRM e utilização de sites e aplicações. Quanto mais destas fontes partilharem o mesmo identificador de cliente, menos trabalho manual será necessário para as relacionar.

Numa loja sem cartão de cliente, não é possível associar uma compra a uma pessoa. Ainda assim, é possível fazer uma análise de cabaz de compras: esta mostra que produtos são frequentemente comprados em conjunto. Saiba mais no nosso artigo sobre IA no retalho.

Agrupar clientes por comportamento ou preferências constitui definição de perfis. O Comité Europeu para a Proteção de Dados (EDPB) descreve-a como a análise automatizada de dados pessoais para avaliar aspetos pessoais, como comportamentos, preferências e interesses. Para isso, é necessária uma finalidade e um fundamento jurídico previsto no RGPD.

Não pode utilizar automaticamente para publicidade dados recolhidos para outra finalidade. Segundo a Comissão Europeia, os clientes podem sempre opor-se ao marketing direto. O encarregado da proteção de dados da sua organização avalia o fundamento jurídico; nós trabalhamos com o mínimo possível de dados pessoais.

De preferência, no ambiente que já utiliza. Como parceiros da Databricks e da Microsoft, desenvolvemos em Databricks ou Microsoft Fabric. Para a nossa análise de churn, utilizámos dbt em Snowflake. Saiba mais sobre esta escolha na página da plataforma de dados e IA.

Uma análise pontual produz segmentos. Se for necessário recalcular regularmente o valor do cliente, passa a ser um modelo que exige monitorização e um responsável. Pode ser a sua própria equipa, ou podemos assumir essa tarefa através da gestão e melhoria contínua.

Quando tem poucos grandes clientes que conhece pessoalmente, quando não é possível associar as compras a um cliente ou quando ninguém vai utilizar os resultados. Uma análise sem ação produz apenas um relatório.

Se pretende sobretudo acompanhar a evolução da faturação e do número de clientes, os dashboards Power BI são muitas vezes suficientes. Se não sabe onde estão os seus dados de clientes, comece por uma avaliação de maturidade. Foi assim que a Nationale Opera & Ballet obteve um plano de crescimento que relaciona os dados com salas cheias e um público mais amplo.