--- title: Como Data Science pode impulsionar vendas description: A Ciência de Dados pode contribuir de forma significativa para os líderes de vendas administrarem suas operações com mais eficiência. Veja como e um caso prático de promoção de vendas em uma rede de fast-food url: https://ilumeo.com.br/categorias/2021-06-15-como-data-science-pode-impulsionar-vendas/ markdown_url: https://ilumeo.com.br/categorias/2021-06-15-como-data-science-pode-impulsionar-vendas.md type: post slug: 2021-06-15-como-data-science-pode-impulsionar-vendas author: ilumeo-admin published: 2021-06-15T12:36:58Z modified: 2023-07-28T14:28:05Z language: pt-BR taxonomies: category: - Categorias - Data & Tech - Marketing word_count: 1990 tokens: 3238 --- # Como Data Science pode impulsionar vendas   A Ciência de Dados pode contribuir de forma significativa para os líderes de vendas administrarem suas operações com mais eficiência. Veja como e um caso prático de promoção de vendas em uma rede de fast-food   É verdade que Ciência de Dados envolve algoritmos complexos, conjuntos de dados confusos e muitas linhas de código. Porém, tudo isso precisa estar conectado com objetivos e métricas de negócio para alcançar resultados reais e que impulsionem o crescimento das empresas. É aqui que entra a ligação entre Ciência de Dados e Vendas. Data Science pode contribuir de forma significativa para os líderes de vendas administrarem suas operações com mais eficiência. Neste sentido, vamos abordar aqui as principais contribuições que a área pode dar para impulsionar vendas.   Previsões de vendas de forma mais precisa e rápida A previsão de vendas é muito importante para as organizações, pois seus efeitos atingem outros processos de negócios, como gerenciamento de estoque, logística, produção e planejamento de mão de obra. A compra de matéria-prima e a manutenção do estoque de produtos acabados, por exemplo, são ainda mais impactados por essas previsões. Para organizações grandes e complexas, as previsões de vendas correm o risco de se tornar lentas e tediosas. Não é raro que as empresas gastem meses e centenas de milhares de dólares analisando dados sem dar às equipes de vendas tempo suficiente para colocar as descobertas em prática. Um exemplo é o que ocorreu na Cisco. A companhia reconheceu essas lacunas e buscou novas maneiras de analisar os dados com mais rapidez e de utilizar previsões para otimizar seus recursos de vendas. Nos últimos anos, a empresa manteve uma coleção de 60.000 modelos de propensão de compra (P2B) que usa para prever a demanda por produtos que vão de roteadores a telefones IP e caixas de TV a cabo. A Cisco usa esses modelos para ajudar as equipes de vendas a se concentrarem nas iniciativas de maior rendimento. O problema, no entanto, é que esses modelos levavam meses para ser implementados, deixando as equipes que lidam com o cliente com pouco tempo de resposta e reação. Então a empresa começou a usar uma tecnologia chamada H2O, que permite aos cientistas de dados construir, validar, testar e executar modelos de aprendizado de máquina com mais rapidez. Eles passaram a executar seus 60.000 modelos P2B em questão de horas. Mais do que os detalhes técnicos, o foco aqui é que as equipes de vendas ganharam mais tempo para aprender, criar materiais de capacitação e interagir com clientes em potencial. Leia mais no blog: As três grandes questões de Ciência de Dados na Cisco   Melhorar a geração de leads As empresas estão aproveitando um vasto recurso de dados para identificar os clientes certos no momento certo, principalmente quando se trata de mídias online. As empresas usam uma grande variedade de dados históricos para obter uma perspectiva mais ampla de suas vendas em potencial e muitas empresas estão ampliando o limite implantando algoritmos de pontuação de leads alimentados por dados granulares e segmentados sobre cada um de seus clientes em potencial. Uma visão 360 graus do cliente é gerada pela combinação de dados internos do cliente e dados externos de como mídias sociais, macroeconomia e notícias de mercado. Esses algoritmos orientam as estratégias de vendas ao prever os fatores essenciais para a conversão de leads. A análise de Big Data pode ser usada para prever prospects com maior probabilidade de fechamento, o que é útil no planejamento da alocação de recursos para melhorar a taxa de conversão de leads.  Ao empregar a automação inteligente no processo de geração de insights, as empresas estão percebendo um salto significativo em sua capacidade de identificar clientes potenciais promissores e se concentrar no momento certo para atingi-los. Em uma fase mais avançada, podem ser adotados agentes de inteligência artificial movidos por análises preditivas e processamento de linguagem natural para automatizar as atividades de pré-vendas e as atividades iniciais de geração de leads. Cross-selling e Up-selling Com a análise de dados, as empresas podem ter uma compreensão de como suas estratégias de up-sell e cross-sell terão um bom desempenho de antemão e também identificar parâmetros de vendas importantes, como itens de valor chave, produtos populares e produtos de alta demanda que podem afetar os resultados das vendas. A ciência de dados também é usada para fornecer recomendações de vendas cruzadas personalizadas – que sugerem produtos adicionais que um cliente gostaria de comprar junto com um item já comprado ou que pretende comprar.  Definir o preço certo A análise de negócios fornece uma previsão dos preços e permite que os vendedores cheguem a acordos comerciais e compensações viáveis durante as negociações. Embora os vendedores B2B tenham tradicionalmente confiado em sua experiência para tomar decisões sobre preços, as equipes de compras conseguiram obter vantagem com a implementação de ferramentas de precificação sofisticadas, colocando as equipes de vendas em segundo plano. A pontuação dinâmica de negócios nivelou o campo de jogo ao equipar os representantes de vendas com informações relevantes sobre negócios com bastante antecedência. Com ferramentas de ciência de dados, os representantes de vendas podem identificar compras semelhantes e informações apropriadas sobre negócios para fazer uma venda bem orientada.  Outro desafio que as equipes de vendas enfrentam é definir um preço ideal para novos produtos ou soluções, principalmente aqueles que não têm um produto semelhante para comparação no mercado ou quando as condições de mercado mudam drasticamente. As empresas estão implantando mecanismos de precificação dinâmica que unem o mercado em tempo real e os dados da concorrência com estratégias de vendas para obter preços ideais. Leia mais no blog: O uso de machine learning na otimização de pricing Os desafios da ciência de dados na formação de preços dinâmicos Prevenção contra a perda de clientes Embora seja importante para os gestores de vendas preverem as compras dos clientes, compreender a tendência de perda de clientes é de igual importância para melhorar os negócios.  Algoritmos de aprendizado de máquina vasculham os dados de CRM da empresa para encontrar consistência entre os clientes que pararam de comprar. Esses algoritmos encontram padrões no comportamento, na comunicação e nos pedidos dos clientes atritados, o que ajuda as empresas a entender as razões do atrito e prever os clientes que podem parar de comprar. Esses insights são um feedback valioso para as empresas melhorarem seus negócios e controlar a rotatividade de clientes.   Um caso prático   Para entender de forma mais prática o poder dos dados aliado a vendas, vamos trazer o caso de uma campanha promocional em uma rede de fast-food, mostrada por Tam Nguyen em artigo no Medium. A premissa do caso aqui é que, ao introduzir um novo produto no mercado, uma das perguntas comuns é qual promoção tem o maior efeito nas vendas. Uma rede de fast-food tenta testar isso apresentando o novo produto em locais de vários mercados selecionados aleatoriamente. Uma promoção diferente é usada em cada local e as vendas semanais são registradas nas primeiras quatro semanas. A questão principal da análise é: o que impulsiona as vendas, em milhares de dólares? Para responder a essa pergunta, começa-se explorando os dados, finalizando com aplicação de uma regressão linear múltipla para checar qual promoção ou tamanho de mercado tem o maior ROI. Os dados foram coletados a partir do site da IBM Watson, consistindo em 548 entradas, incluindo: AgeOfStores: Idade da loja em anos (1–28). A idade média de uma loja é de 8,5 anos. LocationID: identificador único para localização da loja. Cada local é identificado por um número. O número total de lojas é 137. Promotion: uma das três promoções testadas (1, 2, 3). Não sabemos realmente os detalhes de cada promoção. Sales in Thousands: valor das vendas em milhares de dólares para um LocationID, promoção e semana específica. O valor médio das vendas é de US$ 53,5 mil. Market size: existem três tipos de tamanho de mercado: pequeno, médio e grande. Week: uma das quatro semanas em que as promoções foram realizadas (1–4).   Todas essas variáveis são importantes para o processo de modelagem. A variável dependente é “vendas em milhares” e a análise trará quais variáveis contribuem mais para as vendas. Primeiro, importa-se o conjunto de dados e, em seguida, são instalados e carregados os pacotes – se necessário. Inicia-se com uma visualização exploratória, essencial para ver padrões no conjunto de dados e fazer suposições para testar a peça de modelagem. Os gráficos de densidade de valores numéricos no conjunto de dados Esses dois gráficos mostram a distribuição da densidade da idade das lojas e das vendas em milhares. A maioria das lojas é bastante jovem, variando de 1 a 10 anos, enquanto as vendas têm maior distribuição, a US$ 50 mil dólares por semana. Os gráficos de violino acima mostram as distribuições de Tamanho do Mercado, Semana e Promoções, que são variáveis de fator em relação às Vendas. A promoção 1 tem uma média de vendas mais alta e mais valores discrepantes, significando vendas mais altas em comparação com outras promoções. O grande tamanho do mercado também mostra vendas mais altas, enquanto a distribuição é mais ampla. A semana não mostra nenhum padrão particular de vendas mais altas, mas a distribuição mais gorda mostra que mais pessoas compram comida na primeira semana. A partir dessas visualizações, é possível a seguinte suposição: O grande tamanho do mercado e a promoção 1 são os fatores que impulsionam o aumento das vendas. O processo de modelagem pode ajudar a confirmar isso. No exemplo, usa-se regressão linear para o processo de modelagem, uma vez que os recursos são simples e precisam apenas de pequenos ajustes para torná-los adequados para a tarefa. Aqui estão alguns pontos importantes a serem observados sobre a regressão linear: A regressão linear visa prever um resultado Y a partir de uma ou várias entradas X. A suposição por trás desse algoritmo é que existe uma relação linear entre X e Y; O modelo linear, ou lm, tenta produzir uma relação linear de melhor ajuste, minimizando o critério dos mínimos quadrados. A linha de melhor ajuste é encontrada encontrando a menor soma dos erros quadrados; Um pequeno valor de p indica que é improvável observar uma relação substancial devido ao acaso. Portanto, se um pequeno valor p for observado, podemos ter certeza de que existe a relação entre X e Y. Para ilustrar este modelo de regressão linear múltipla, a equação de modelagem linear é definida da seguinte forma: y = Intercept + c1 x Promotion 1+ c2 x Promotion 3 + c3 x MarketSize_Medium +c4 x MarketSize_Large   Onde o: Intercept: é o que todas as previsões começam. Nesse caso, são 50 mil dólares. Coeficientes do modelo (c1 a c4): Estimativas que ajustam o peso dos recursos no modelo. O gráfico acima mostra a lista de recursos importantes organizados do maior valor p (Promotion_factor_X1) ao menor valor p (MarketSize_Large). A promoção 1 (11 mil dólares) e o mercado de grande porte (14 mil dólares) são os que mais contribuem para as vendas, conforme esperado em nossa visualização exploratória. Podemos então interpretar o modelo adicionando os coeficientes: y = 50+ 14 x (1) + 11x (1) = 75 Portanto, se usarmos a Promoção 1 em um grande mercado, podemos ganhar em média US$ 75 mil por semana. Essas são as vendas mais altas em comparação com a combinação de outras variáveis. Logo, para aumentar as vendas, a rede de fast food deve usar a Promoção 1 e visar o mercado de grande porte. A regressão linear é uma das abordagens mais simples de modelagem estatística, mas já fornece um bom poder de interpretação dos dados. O gráfico de importância da característica é capaz de mostrar o impacto comercial de cada variável, o que a torna fácil e relevante para as partes interessadas ou pessoas não técnicas. A lição aqui é que modelos simples têm preferência sobre modelos complexos se o conjunto de dados e o problema forem igualmente não muito complexos. Seja para melhorar a experiência do cliente, reduzir a rotatividade ou gerar leads, os líderes de vendas modernos precisam de dados para se manterem competitivos. Em todos os setores e funções, a adoção da ciência de dados irá impulsionar o poder das vendas.