Uma visão de Data Science sobre a Black Friday
Todos os anos, empresas se preparam para a expectativa do aumento de vendas, tanto online quanto offline, durante a Black Friday. E em 2021 não será diferente. Apesar das questões econômicas atuais, com o andamento da vacinação e as políticas de flexibilização, uma parte da economia já começa a ver sinais de melhora. E é com este cenário que as lojas físicas e e-commerces esperam receber os clientes para a Black Friday deste ano.
Com isso, é importante observar como o uso de recursos de Data Science e análise de dados são aplicados para criar promoções e descontos mais interessantes nesta data, e também para fazer uma análise posterior dos gastos dos clientes em todo o período.
O que é a Black Friday – e por que ela é importante para seu negócio
Provavelmente, você já participou de uma Black Friday — um dia cheio de ofertas, descontos e promoções que marca o início da temporada de compras de fim de ano. Inclusive, muitas pessoas aguardam ansiosas por esta data, à espera de economizar nas compras de fim de ano. Fato é que os varejistas passam meses planejando este momento, bem como as oportunidades que oferecerão para seus clientes. É a chance de oferecer preços mais acessíveis em produtos com muito estoque, além de descontos em itens sazonais, eletrônicos, de decoração, entre outros.
De acordo com um estudo realizado pela Forbes, lojas de varejo sempre fizeram uso de dados históricos para acompanhar as tendências de vendas na Black Friday. Contudo, com a inovação tecnológica e, principalmente, o aumento do uso e compartilhamento de dados, torna-se muito mais fácil fazer uso de Data Science e análise de dados não apenas para rastrear informações relevantes, mas também criar análises preditivas de vendas e estratégias para ter o melhor retorno possível durante esse período do ano.
E esse interesse não é aleatório. Dados de 2018 mostraram um crescimento global de 117% nas vendas durante este período, tornando-o um dia crítico e lucrativo para o setor de varejo, e criando uma competição entre as empresas, demonstrando a necessidade da criação de estratégias mais avançadas e assertivas durante a data.
E justamente por isso é tão importante que o Varejo possua em mãos números adequados e as informações certas para gerar melhores insights sobre o comportamento de compra durante a Black Friday.
Uso de Data Science durante a Black Friday: um estudo de caso
A fim de demonstrar de forma mais visual e prática a importância da análise de dados para obter melhores insights sobre a Black Friday, faremos uso de um artigo da DataDriveInvestor, que realiza um estudo de caso com base em dados do Kaggle sobre a Black Friday.
De acordo com o texto, a partir da análise de alguns dados obtidos a partir de compras no Varejo durante este período, é possível obter informações interessantes, como qual a faixa etária predominante entre os clientes, se homens fizeram mais transações do que mulheres, se a ocupação dos usuários tem alguma relação com o número de transações, se a cidade tem algum impacto na quantidade de compras, entre outros.
Vejamos alguns insights interessantes que podemos obter deste exemplo:
1. Qual faixa etária gastou mais na Black Friday?
2. As mulheres gastaram mais do que os homens?
3. As ocupações dos usuários têm alguma relação com gastar dinheiro na Black Friday?
4. Os usuários que moram na cidade há mais de 1 ano gastam mais dinheiro?
5. A categoria da cidade tem impacto no valor total da compra?
6. O estado civil tem alguma correlação com o valor de compra da Black Friday?
Respostas
Assim, a partir da análise de dados, é possível obter a resposta para todas as perguntas acima. Na figura 1, por exemplo, pode-se perceber que a faixa etária predominante nas transações é de 26 a 35 anos, delimitando o público que mais compra durante a Black Friday, neste caso específico. Na figura 2, por outro lado, percebe-se que homens fizeram mais transações que mulheres, assim como usuários que não são casados também aproveitaram melhor a data para suas compras (Figura 6). Por fim, as figuras 3, 4 e 5 demonstram insights a partir da ocupação e localização geográfica dos clientes.
Vale dizer que todos os dados citados anteriormente foram baseados no total de transações realizadas. Porém, a análise de dados também poderia ser realizada com base no valor total de compra, por exemplo, ou outro tipo de abordagem.
Próximo passo: preparação, modelagem e análise dos dados obtidos
Certo, agora que temos uma compreensão melhor das informações obtidas, o próximo passo seria a fase do pré-processamento destes dados. Ou seja, criar um modelo de aprendizado de máquina treinado que possa prever quanto o consumidor vai gastar, entre outras informações. Para fazer isso, é preciso realizar uma “limpeza” nos dados, retirando os valores ausentes e obtendo um modelo bem formatado, com dados estruturados e limpos. Esse processo de limpeza e estruturação de dados brutos é conhecido como Data Wrangling, e representa cerca de 80% do trabalho de Data Science. É a mise en place da Ciência de Dados.
A próxima etapa é a Modelagem de Dados. Neste momento, o analista de dados já está ciente do aprendizado de máquina, e de seu funcionamento. Agora, é o momento de treinar diretamente vários modelos de aprendizado de máquina, supervisionado e avaliando os resultados de cada um. Aqui, o indicado é dividir os dados obtidos em dois grupos: o de treinamento e o de teste. O primeiro será usado para se ajustar ao seu modelo, ou seja, para aprendizagem, ajuste de parâmetros e minimização de erros.
Por fim, o restante dos dados (o grupo de teste) é utilizado para avaliar os resultados obtidos. O ideal é que essa divisão seja feita com 30% de dados em teste, e 70% em treinamento.
O que concluímos
Como vimos, a análise de dados pode ser muito útil para obter informações sobre os gastos dos clientes do varejo durante a Black Friday, prevendo o valor que um cliente provavelmente gastará em uma loja, e também outros dados sobre o comportamento de compra deste usuário.
Para isso, é preciso que a análise de dados passe por todos os estágios de captura, estruturação e tratamento de dados, permitindo ao varejista realizar análises e criar estratégias a partir destas informações, encontrando tendências interessantes não apenas para a Black Friday, mas também para o restante do ano.
E o que o varejo pode ganhar com tudo isso? Basicamente, a possibilidade de obter relatórios de análise completos e criar um modelo treinado e eficiente de análise de dados.
E ainda: poder entender melhor seu consumidor e oferecer os tipos de descontos que mais fazem sentido para ele, criando uma Black Friday cada vez mais assertiva e vendendo para o seu público aquilo que ele realmente deseja comprar.
