Machine learning e big data salvarão o varejo físico? – Franchise Intelligence

Machine learning e big data salvarão o varejo físico?

Machine learning e big data salvarão o varejo físico?

Não podemos mais questionar que a tecnologia está transformando o varejo físico, tornando-o melhor e mais atrativo para o consumidor. A mudança acontece desde o PDV, que oferece uma experiência única para o cliente, até os bastidores da loja, no estoque, com chip RFID. Mas, há duas tecnologias que unem todas estas e trazem coesão para o resultado final: big data e machine learning (aprendizado da máquina).

Muitas marcas já utilizam o big data para mandar emails com ofertas na semana do aniversário do cliente, para dividir os consumidores demograficamente ou de acordo com o histórico de compras. Essas ações são importantes, mas são só o primeiro passo de uma personalização muito maior que o machine learning pode apresentar. Os nossos clientes evoluem, seu modo de comprar evolui e o varejo físico precisa acompanhar essas mudanças, assim como a sua interação com o público.

Mas o que é machine learning?

Machine Learning (aprendizado de máquina) é um método de análise de dados que automatiza o desenvolvimento de modelos analíticos baseando-se em um raciocínio indutivo, onde generalizações são obtidas a partir de premissas mais particulares. Usando algoritmos que aprendem ao interagir com o volume de dados, o machine learning permite que as máquinas encontrem insights sem serem programadas para procurar algo em específico.

Ou seja, a partir do volume de dados, da relação entre eles, o computador pode identificar padrões, tendências, mudanças de comportamento e muitos outros aspectos, sem alguém precisar programar o tempo todo o que ele deve buscar.

Muito além do histórico de compras

Analisar o histórico pode trazer informações interessantes sobre os seus clientes. Muito mais do que saber o que ele já comprou, é importante entender as variações de compras e em qual situação elas ocorreram.

Por exemplo, uma pessoa sempre compra roupas na mesma faixa de preço, porém possui algumas situações de peças bastante acima dessa faixa. O que aconteceu? Era presente? A peça estava em oferta? Essa pessoa recebeu um bônus e usou nesse item?

Em uma comunicação simplista, a loja apenas mandaria peças dentro da faixa de preço que é comum da pessoa, perdendo a chance de divulgar peças mais caras quando estão em oferta ou de oferecer bônus em situações especiais. Em outra situação, poderia acontecer de, após a compra do item mais caro, a loja passasse a mandar emails apenas com itens nessa nova faixa de preço, mesmo que não seja do interesse do cliente.

Analisar caso a caso é quase impossível para uma pessoa e é nesse momento que o machine learning se alia ao big data para salvar o varejo. A máquina pode entender essas situações fora do comum e apontar os motivos para o gestor e até sugerir quais ações se deve tomar. Isso porque ela analisa todos os dados que a loja já possui, percebe padrões, anomalias e até causas e consequências.

A melhor indicação de produto complementar

Sempre é recomendado aos vendedores que se ofereça um segundo item no momento da venda, para fazer isso, ele precisa ser treinado para tanto entender o cliente, saber fazer uma sondagem eficiente e também conhecer os produtos da loja. Normalmente, oferecer o item adicional é feito de maneira intuitiva e baseando-se nas experiências anteriores.

Por outro lado, os e-commerces também fazem isso, mas a partir de dados, muitos dados, da pesquisa feita pelo consumidor, da relação dos produtos e de compras de outros clientes. Essa lógica, mais precisa, é possível também aplicar para o varejo físico.

Com o machine learning, a máquina analisa e cruza todos os dados fornecidos pelos ERPs e outros sistemas utilizados no PDV, relacionando o perfil do cliente (gênero, idade, profissão etc), histórico de compra, dados demográficos e o histórico de compras de outros clientes. Assim, é possível ofertar um segundo item com mais chances de entrar para a sacola do consumidor.

Estoque mais preciso e sustentável

Assim como o item anterior, muitas vezes a gestão de estoque é feita de maneira intuitiva. Muitos gestores acreditam que essa maneira funciona, mas a quantidade de dinheiro e oportunidades perdidas por conta de estoque sem giro ou rupturas é grande, o que prejudica consideravelmente o faturamento da operação.

Com a ajuda de big data e machine learning, é mais fácil e claro identificar tendências de produtos e a capacidade de cobertura de cada um deles. Alguns produtos específicos possuem uma clara tendência em determinadas épocas do ano, como material escolar em janeiro e fevereiro, biquínis durante o verão ou botas no inverno. Mas nem sempre é fácil identificar essas variações em outros grupos de produtos, o que se torna possível com o machine learning.

Por vezes, a variação de vendas de um produto não é analisada somente pelo histórico dos outros anos, mas há outras variáveis que também influenciam, como localização da operação, região, sazonalidade, situação socioeconômica do país, moda, tendências externas e muitas outras. Uma pessoa não considera todos esses fatores ao se fazer um novo pedido, mas a máquina pode destacar mudanças e sugerir as melhores opções para se ter um estoque sustentável.

Promoção na medida certa

Em regra geral, os preços são determinados pela oferta e demanda. Os produtos sem giro vão para promoção e aqueles com muita saída recebem um preço mais alto. Mas será que não tem momentos em que é mais interessante diminuir um pouco o preço de um item popular para lucrar com a demanda maior? Ou, ao se fazer promoção, qual a melhor oferta para o seu público? Descontos progressivos? Uma grande queima de estoque na loja? E qual desconto dar para não sair no prejuízo?

Todos esses questionamentos podem ser respondidos mais facilmente com o machine learning e que também irá te auxiliar a vender mais, por um preço mais competitivo e, claro, sem prejudicar o seu lucro.

Antecipar (predizer) o desejo do consumidor

O cliente muda ao longo dos anos o seu modo de consumo. Por exemplo, uma pessoa de 20 anos pode estar acostumada a comprar roupas básicas, mais baratas, determinados produtos de higiene, alimentos mais práticos e baratos. Porém, aos 25, é provável que isso mude, que este cliente invista em roupas mais caras, sociais, em alimentos mais sofisticados ou em novas marcas de higiene pessoal.

Outro exemplo são as mulheres grávidas que compram várias coisas para os bebês, mas com o passar do tempo, tem que considerar que a criança cresceu e precisará de coisas diferentes. Não se pode oferecer para sempre itens de bebês, pois não atenderá mais a necessidade da consumidora.

Desse modo, o varejo físico precisa se atentar à evolução do consumo da sociedade de forma geral, mas também de forma particular de cada um dos seus clientes. Oferecer sempre e somente itens que pessoa compra atualmente fará apenas com que a marca perca futuras oportunidades de vendas e até de clientes.

A Target e as futuras mães

A Target é a segunda maior rede de departamento dos Estados Unidos e a sua fama se deu por ter todos os departamentos que uma rede varejista possui por preços baixos e promoções de atacadista. Mas, o ouro da Target não se baseia somente na variedade de itens ou nos preços, mas em como ela utiliza todas as informações dos seus clientes.

Um exemplo que ficou famoso pelo livro “O Poder do Hábito – Por que fazemos o que fazemos na vida e nos negócios”, de Charles Duhigg, é o modo como a Target identificava a futuras mães sem elas falarem sobre isso.

Após muitas análises, a empresa identificou que as futuras mães sempre compravam alguns itens quando descobriam que estavam grávidas, como suplementos, hidratantes específicos para gravidez, itens sem cheiro e entre outras coisas. Com essa informação, a Target podia identificar qualquer mulher que passasse a comprar esses produtos e aproximar até em qual mês de gestação a mulher estava.

Desse modo, a empresa enviava para essas mulheres cupons de descontos para fraldas, carrinhos de bebês e outros itens relacionados no meio do material já enviado normalmente para os clientes. Assim, a cliente não sentia que a privacidade dela foi invadida e acreditava que aqueles cupons eram aleatórios.

Não é preciso mencionar o quanto a Target aumentou o seu faturamento apenas se utilizando de machine learning e big data para identificar as novas mães.

 

Big data e machine learning já são realidade no varejo físico brasileiro e são eles que irão salvar o mercado, pois possibilitam que se ofereça o que o consumidor busca: personalização e experiência única. Uma marca que possua forte essas duas características com certeza irá se destacar e também fidelizar os seus clientes.

Leave a comment

Your email address will not be published.


*