O hábito de utilizar tecnologias para transformar dados em informação para melhorar e agilizar os processos de decisão vem se tornando cada vez mais frequente nas empresas líderes de mercado de diversos setores.
Esse número possivelmente aumentará nos próximos anos se observamos a receita estimada do mercado global de tecnologias como, por exemplo, software de inteligência artificial. Em 2024, projeta-se que a tecnologia irá gerar US$ 94,41 bilhões, quase o dobro do projetado para 2022.
Além disso, a Harvard Business Review Analytic Services divulgou que, em 2019, 73% dos líderes de empresas inovadoras trabalham com insights de múltiplas fontes de dados, internos e externos, e análise avançada, para tomar suas decisões.
No entanto, segundo um estudo da Gartner de 2020, ainda são poucas as corporações que conseguem extrair de forma bem-sucedida recomendações acionáveis baseadas em análise de dados.
Dito isso, é importante elaborar sobre as diferentes maneiras de como você pode transformar dados em informação, o desafio dessas operações e o futuro do uso de dados para a tomada de decisão. Por conta disso, decidi aprofundar um pouco mais sobre esses temas além de apresentar alguns exemplos utilizados de como estruturamos os dados no G4 Educação.
Assim como o G4 Educação, diversas empresas tem a visão do cliente como base da empresa. Neste caso, para uma melhor compreensão desse cliente, é necessário obter dados para eventualmente transformá-los em informação e tomar ações específicas.
Dito isso, colocar o cliente no centro significa que você deve entender a qual subgrupo ele pertence através de segmentações de base por características semelhantes. Ou seja, quais dores, dúvidas e desejos esses clientes tem em comum.
De modo geral, cada cliente deve sempre ser tratado como único, mas se torna impraticável olhá-los individualmente desde um ponto de vista analítico, o que consequentemente torna a tomada de decisão muito mais turva.
Para exemplificar, tomemos o caso de um dos nosso produtos, o Gestão 4.0 Imersão e Mentoria. Uma vez que os participantes são líderes de diversas empresas de muitos segmentos, é importante segmentá-los em subgrupos mediante a características como, por exemplo, o tamanho da empresa que cada um atua para tomar decisões mais assertivas.
Imersão e mentoria: grupo heterogêneo de 50 empresários e donos de empresa por turma. A composição desse grupo é comumente distribuída da seguinte maneira:
Uma vez que temos diversas empresas com diferentes níveis de maturidade, temos participantes figurando em diferentes subgrupos e, por conta disso, necessitamos adaptar os exemplos trazidos durante o evento.
Essas adaptações vão desde a profundidade dos assuntos até a forma pela qual serão transmitidas as informações (tom de voz, tipo de vocabulário, complexidade etc.).
O intuito é garantir que todos os participantes, independente do subgrupo, consigam captar e absorver todas as informações sem maiores complicações, pois dessa forma poderão levar esse aprendizados para a sua realidade e aplicá-los o mais rápido possível.
Focando-nos novamente no exemplo acima, se tomássemos a média do número de colaboradores por empresa, teríamos 250. No entanto, neste caso, utilizar a média como base para a preparação do conteúdo e da forma de entregá-lo seria um erro, pois não estaríamos considerando as diferenças que cada subgrupo possui, prejudicando a entrega final.
Com isso, reforçamos que não podemos tratar a base total de clientes da mesma maneira, como se ela fosse uma única pessoa.
Algo que também deve ser considerado, no caso das nossas imersões, são os subgrupos por composição societária, ou seja, empresas com um único ou mais de um sócio e empresas familiares.
Cada subgrupo possuirá dores, dúvidas e desejos diferentes, mas, no aspecto de composição societária, essas segmentações serão em termos de, por exemplo, governança, práticas de gestão, estrutura organizacional e tomada de decisão de cada empresa.
Além da características anteriormente citadas, existem outros aspectos que podem ser utilizados para determinar os subgrupos que a sua empresa atende:
Por último, aspectos demográficos como idade, gênero e classe social, além de outras particularidades como poder e padrão de compra também podem ser utilizadas para determinar e detalhar ainda mais os subgrupos, sempre e quando esses clientes possuam as mesmas dúvidas, dores e desejos.
Assim como mencionado, se queremos entender melhor o cliente, devemos extrair e juntar os dados pertinentes de cada cliente, transformá-los em informação relevante para assim tomar uma ação de melhoria na entrega.
No entanto, quais ações a sua empresa quer tomar? Para realizar essas ações, quais informações serão necessárias? Para gerar essas informação, quais dados devemos encontrar para depois estruturar?
Desde um ponto de vista de inteligência de negócios, é extremamente importante que você ou a pessoa encarregada dentro de sua empresa responda essas três perguntas para ter uma melhor otimização de tempo, evitar coletar informações redundantes e realizar ações mais assertivas.
A utilização de dados e informações estruturadas como base tomada de decisão é um dos fundamentos em comum que mais observo nas empresas que se mantém na liderança por longos período.
De fato, não só utilizei esse fundamento nas empresas que fundei (Kanui, Rappi Brasil, G4 Educação e Norte Ventures), mas também observo que ele é utilizado pelas empresas nas quais invisto ou pretendo investir.
Para exemplificar novamente, tomemos o exemplo das empresas citadas no parágrafo anterior, Kanui, Rappi Brasil, G4 Educação.
No caso da Kanui e da Rappi Brasil, por conta do volume de suas operações, torna-se mais complexa a consolidação dos dados que eventualmente se converterão em informações. Neste caso, para agilizar as decisões e reduzir a margem de erro nas coletas, exigi-se que parte do processo seja automatizado.
Em 2018, segundo uma publicação feita pela Forbes, estimava-se que 90% de todos os dados existentes haviam sido criados a partir de 2016.
Apesar de ser uma informação relativamente assustadora, se observamos a evolução da tecnologia nos últimos anos como, por exemplo, o 5G e o tão falado web 3.0/"metaverso", isso talvez não nos surpreenda tanto, pois esses avanços tecnológicos não só facilitaram a geração de dados como aceleraram a sua coleta.
No entanto, esses avanços na coleta de dados, mesclados com o volume de criação, termina sobrecarregando muitas empresas que ou não possuem os sistemas e a tecnologia necessárias para a segmentação de públicos ou não possuem processos e/ou pessoas suficientemente capacitadas para extrair as principais informações e tomar as decisões que seriam estrategicamente mais corretas.
Caso esse não seja o caso da sua empresa, utilize esses dados a seu favor para tomar melhores decisões, já seja apresentar ofertas mais personalizadas ou aprimorar seus produtos ou serviços em base as dores e desejos de seus clientes.
Além disso, certifique-se de montar um time tecnicamente apto e analítico –mesmo que você tenha que capacitá-los no inicio– para garantir que certas atividades operacionais passem a ser mais automatizas, gerando mais tempo para atividades que possuem maior valor agregado como, por exemplo, a gerações de insights.
Assim como mencionado no começo, a utilização da tecnologia para transformar dados em informação –para eventualmente auxiliar na tomada de decisões– vem crescendo bastante nos últimos anos.
O futuro, neste caso, é uma presença cada vez maior das análises preditivas junto ao machine learning (em português, aprendizado de máquina), onde a tecnologia traz informações já analisadas e com recomendações, tornando a tomada de decisões mais incisiva.
Segundo um estudo conduzido pela Gartner, estima-se que, em 2022, metade das empresas globais incorporarão inteligência artificial e machine learning para coletar e transformar dados em informação. Além disso, a Gartner identificou que essas duas tecnologias são as que possuem o maior potencial para não só auxiliar como também mudar a vida das empresas nos próximos anos.
De fato, se nos centramos no quesito transformar dados em informação, um estudo conduzido pela Algorithmia e publicado pela Statista (gráfico abaixo) mostrou que, entre 2020 e 2021, houve um aumento 17% no número de empresas implementando inteligência artificial e machine learning para a geração de insights/informação de seus consumidores.
Além disso, essas tecnologias são bastante utilizadas para melhorar a experiencia do consumidor, interação com consumidores, aumentar o engajamento a longo prazo e detecção de fraude.
Recentemente, por conta da alta nas vendas no café da manhã, uma rede global de fast food se deparava com um pequeno dilema: até qual horário deveria oferecer as refeições neste período do dia em seus estabelecimentos.
Neste caso, a dúvida era um tanto lógica pois uma mudança de horário possui riscos que incluem os custos dos ingredientes utilizados na preparação dos alimentos específicos para esta refeição, o estoque destes alimentos, a logística de produção e a atribuição de mais tarefas a uma cozinha que já possui um grande volume de demanda.
Dito isso, após uma análise de dados baseada em predição, conduzido em parceria com a Mastercard, os resultados vieram a favor da extensão dos produtos oferecidos no café da manhã. No entanto, os dados informaram que a rede de fast food deveria deixar esses alimentos disponíveis o dia todo e não só por algumas horas a mais.
Ao transformar os dados em informação, foi deduzido que essa extensão traria mais clientes para um café da manhã em horários mais próximos do meio-dia (conhecido também como brunch), como também aumentaria o gasto dos clientes já existentes.
Essa decisão, baseada em grande detalhamento do comportamento do consumidor por geolocalização, terminou tendo uma ótima aceitação e gerando grande aumento nas vendas. Por conta disso, essa estratégia de expansão de horário e reforço do cardápio matinal também foi implementada pela rede em suas franquias internacionais.
Do lado da Mastercard, a empresa também teve a sua expansão, mas em sua linha de atuação. Neste caso, a empresa foi além dos métodos de pagamento e cartão de crédito e, aproveitando-se do fato que processa bilhões de pagamentos por ano, decidiu utilizar sua gigantesca base de dados para, de forma segura e ética, orientar a empresas de diferentes indústrias na tomada de decisões.
Após adquirir algumas startups, a Mastercard passou a também ser um centro (hub) de soluções relacionadas a transformar dados em informação, analisando-os por meio de tecnologias como inteligência artificial e machine learning.
Para ilustrar, tomemos o caso da Applied Predictive Technologies (APT), empresa de software de análise baseada em nuvem adquirida pela Mastercard em 2015.
Seu software, o Test & Learn, que utiliza algoritmos sofisticados para analisar grandes quantidades de dados, permitindo que líderes de negócios conduzam experimentos e tomem decisões ideais, foi o responsável por detectar que haveria uma aceitação do público em relação ao cardápio estendido de café da manhã da rede de fast food.
No Brasil, esse mesmo software foi utilizado por uma rede de supermercados para mapear não só os grupos de consumidores já cativos, mas também os de seus concorrentes, com foco maior nos consumidores que mensalmente compravam em grandes quantidades. Ao transformar essa informação em dados, a rede adquiriu importantes insights para futuras decisões.
Assim como vimos, os avances tecnológicos facilitaram a geração de dados e possibilitaram uma obtenção e transformação desses dados em informação, de uma maneira mais rápida e menos complexa, tornando a tomada de decisão cada vez mais eficiente.
Ao analisar a massa de dados que a sua empresa possua, você passa a entender qual (ou quais) o grupo de clientes mais mais fiel que a empresa possui para poder entender melhor as suas dores, dúvidas e desejos. Ao fazer isso, você passa a ter dois excelentes diferencias competitivos: poder tomar decisões mais assertivas e ter uma maior velocidade e agilidade organizacional.
No caso das decisões mais assertivas, transformar dados em informação ajuda na predição de quais ações o consumidor faz e/ou irá fazer com o seu produto ou serviço.
Por sua vez, isso priorizará ações mais centradas no consumidor, entregando experiências “customizadas” que solucionam suas dores e satisfazem seus desejos, consequentemente trazendo um maior retorno para a empresa.
Em relação a velocidade e agilidade organizacional, ao automatizar e consolidar a estruturação de dados através de tecnologias como inteligência artificial e machine learning, que geram informações mais avançadas, os responsáveis passam a ter mais tempo para tomar decisões e gerir seus times, tornando mais rápidos os processos dentro da empresa e agregando qualidade aos resultados.
