Como o mercado de bens de consumo utiliza Ciência de Dados

O mercado de bens de consumo é um dos mais amplos para aplicar Data Science e extrair insights poderosos, dada a enorme quantidade de dados gerados. Nos supermercados, há uma infinidade de usos possíveis para fazer dos dados um diferencial competitivo.

Grandes redes de supermercados internacionais, como Walmart, Aldi e Carrefour estão entre os maiores varejistas do mundo e investem consideravelmente em Big Data, análises de dados, Inteligência Artificial, Machine Learning e Data Science para maximizarem suas operações em diversos sentidos.

Neste post, baseado no artigo do australiano Richard Farnworth, compartilhamos alguns dos principais usos dessas tecnologias que impactam de forma significativa uma área em que todos nós somos clientes: os supermercados.

Disposição de produtos e prateleiras

As prateleiras são um ponto importante dentro dos supermercados e há muitas estratégias de marketing e estudos de comportamento do consumidor para formar a composição dos produtos. Porém, ter um bom desempenho não é tão simples quanto escolher os produtos de maior venda ou aqueles com as margens mais altas. Se fosse, toda a loja seria apenas leite e bananas. É preciso atender a todos os diferentes clientes que entram na loja e os diferentes hábitos e objetivos que os motivam.

Por exemplo, um determinado condimento pode não ser um campeão de vendas, mas se for importante para o público mais antigo, removê-lo das prateleiras pode forçá-los a comprar em outro lugar. Ou se um cliente pensa em fazer comida mexicana no sábado a noite, pode encontrar a maioria dos ingredientes no mercado, mas se não puder comprar tortilhas, pode acabar no concorrente.

Ao mesmo tempo, uma variedade ampla de produtos aumenta os custos do negócio, exigindo uma logística mais complexa com mais linhas de abastecimento para gerenciar e novas negociações contratuais com fornecedores, onde itens como preço, promoções, níveis de fornecimento e gastos com publicidade são acordados.

Tudo isso cria uma questão complexa na qual a Ciência de Dados pode desempenhar um papel fundamental, pois os produtos são avaliados regularmente de acordo com uma série de critérios, como vendas, lucratividade, número de clientes que os compraram e a fidelidade desses clientes ao produto quando não está em promoção.

Modelos de aprendizado de máquina, treinados em exemplos anteriores de mudanças de alcance, podem ser usados para prever como os clientes reagirão às mudanças propostas no futuro. Levando em consideração as características da loja, como tamanho, dados demográficos locais e proximidade com os concorrentes, as prateleiras podem ser otimizadas de forma personalizada em cada loja da rede de supermercados.

As promoções

Normalmente, existem três tipos principais de promoção:

• X% de desconto – Geralmente destinado a encorajar as pessoas a experimentar algo novo ou mudar para um produto mais caro. Isso impulsiona as vendas a curto prazo, com a expectativa de que alguns desses clientes mudem seu comportamento a longo prazo;

• 2 pelo preço de 1 – São projetados para aumentar o valor gasto pelos clientes em um produto ou categoria. Ao enviar para casa o cliente com mais estoque, existe a tentativa de antecipar potenciais compras futuras e aumentar a taxa de consumo do cliente. Por exemplo, se um cliente compra um bloco de chocolate de R$ 3,00 uma vez a cada 15 dias, mas aproveita a promoção “2 por R$ 5”, eles podem esperar quatro semanas antes da próxima compra (estoque da despensa), mas também podem comer o dobro de chocolate, mudando seu comportamento e potencialmente se tornando mais valiosos com o tempo;

• Preço baixo todos os dias – projetados para serem comparadores aos preços em supermercados concorrentes que levam as pessoas à loja. Por exemplo, se as fraldas são sempre mais baratas no supermercado, muitos pais de crianças pequenas farão as compras inteiras em sua loja, pela conveniência de já estarem lá para comprar as fraldas.

Ao escolher uma estratégia, a modelagem de elasticidade de preço cruzado olhando para promoções históricas pode ser usada, bem como para definir referências de quão bem é esperada que a promoção seja executada. Isso também pode informar a profundidade promocional, frequência e quais produtos você não deve promover juntos.

É importante avaliar os efeitos das promoções em relação aos objetivos originais, para o mercado garantir que não está apenas dando desconto para as pessoas que teriam comprado esses produtos de qualquer maneira.

Personalização de ofertas

A ciência de dados mudou as propagandas tradicionais de TV, rádio ou catálogos impressos para comunicações personalizadas direto nas caixas de entrada de e-mail.

Um caso é o da rede de supermercado Woolworths, na Austrália, que envia e-mail marketing semanal para seus milhões de membros do cartão de fidelidade. Cada e-mail é personalizado com base em um enorme modelo contendo milhões de recursos por cliente.

Em vez de apenas destacar as maiores promoções da semana, o modelo leva em consideração o comportamento de compra anterior do cliente, incluindo o tempo decorrido desde a compra de itens específicos. Isso significa que as informações não são relevantes apenas para os gostos do cliente, mas suas recomendações provavelmente estão relacionadas às coisas que estão acabando nesta semana. Ao fornecer essas informações personalizadas, a probabilidade dos clientes prestarem atenção e, em seguida, entrarem na loja e fazerem uma compra, aumenta muito.

Um caso concreto

A Tesco, grande varejista de alimentos do Reino Unido, utiliza big data e análises em tempo real para otimizar suas operações. Em entrevista a Bernard Marr, o chefe de previsão e análise da Tesco, Mike Moss, conta que:

“Modelar tendências no comportamento do cliente gerou alguns insights úteis, por exemplo, como as pessoas compram, mas não apenas como eles compram em cada loja, mas como eles compram para cada produto. Usando análises, clustering e coisas do gênero, descobrimos que a maneira como pensávamos que os produtos se encaixavam – a maneira como compramos produtos – não é realmente a maneira como os produtos se comportam”. 

Com esse conhecimento, a empresa pode fazer o pedido dos produtos da maneira certa, garantindo que eles estarão sempre em estoque, reduzindo o desperdício.

Sensores espalhados pelas lojas também são cada vez mais usados, por exemplo, no monitoramento da temperatura de geladeiras e freezers. Cada máquina é monitorada centralmente e algoritmos preditivos são usados para determinar quando uma unidade específica precisará de manutenção.

Com 3.500 lojas somente no Reino Unido, e cada loja estocando em média 40.000 produtos, rastrear todos eles apenas uma vez envolve a criação de mais de 100 milhões de pontos de dados. É aqui que a análise no banco de dados entra em ação – implementando tecnologia de análise onde os dados são armazenados, em vez de mover os dados em lotes para análises externas.

A Tesco fez um processo de mudança de um data warehouse para um modelo de data lake, que funciona como um repositório centralizado e baseado em nuvem para todos os seus dados, codificados de forma a torná-los acessíveis e utilizáveis por qualquer braço da empresa. Outro movimento foi a cultura de desenvolvimento de código aberto, e os desenvolvedores, engenheiros e cientistas de dados são incentivados a usar a tecnologia de código aberto sempre que possível e a retribuir às comunidades do sistema operacional.

Passos a avançar

Embora grandes redes de supermercados sejam grandes utilizem ciência de dados e IA, existem conceitos interessantes que podem se tornar mais populares nos próximos anos.

Algumas lacunas ainda são percebidas, como no rastreamento do pagamento e do comportamento dos clientes. Apesar do uso em larga escala do cartão de crédito, é comum o uso de vários cartões pelo mesmo cliente ou o uso do cartão de seu parceiro. Também existe o problema de que se alguém entrar na loja, mas sair sem comprar, sua visita não será registrada (isso é mais um problema para varejistas de vestuário). A tecnologia de reconhecimento facial tenta preencher um pouco dessas lacunas e até mesmo fornecer dados sobre como as pessoas se movimentam na loja. Ter dados sobre onde uma pessoa passou, em que pontos parou e quanto tempo ficou na loja ajudará a montar o layout da loja, a disponibilização de produtos em promoção e também a composição das prateleiras. 

As lojas de checkout automático também têm sido um grande ponto de discussão desde a inauguração da primeira Amazon Go nos EUA. Os clientes simplesmente pegam os itens que desejam da prateleira e saem pela porta. Os itens são rastreados por meio de RFID e o pagamento ocorre automaticamente por meio de um aplicativo no celular. Reduzir o tempo para fazer uma compra permite compras mais frequentes e impulsivas com um custo operacional mais barato.