Vocês conhecem a história dos dois caipiras que perceberam uma onça no encalço deles? Um deles fez menção de começar a correr, mas o outro abriu calmamente a mochila que trazia às costas, tirou um par de tênis de corrida de dentro e começou a calçá-lo. “Ué, compadre, estranhou o primeiro, “‘ocê acha que com esse tênis vai correr mais rápido que a onça?” “Não, compadre”, respondeu o segundo, “eu só preciso correr mais rápido que ‘ocê.”
Lembrei-me dela por causa do nosso artigo anterior sobre cinco insights para vencer a concorrência na Black Friday. Ao editá-lo, cheguei a me perguntar se valia a pena insistir em coisas que poderiam parecer óbvias para muitos leitores. Mas a resposta é definitivamente sim, pois são coisas básicas, elementos sem os quais nenhum planejamento fica de pé.
Nesse sentido, o artigo pode ser utilizado como um check-list básico – e extremamente útil.
De qualquer forma, se você gostaria de algo mais técnico, está no lugar certo.
Vamos dar um mergulho em águas mais profundas e descrever como uma plataforma de data analytics com XAI (explainable AI), a IA explicável, pode ajudar cientistas e analistas de dados a descobrir mais insights preditivos de conjuntos de dados de negócios.
Novo cenário, novos desafios
Em 2020, a vida tal como a conhecemos mudou da noite para o dia, e a humanidade como um todo ainda está em busca de descobrir qual será o nosso novo normal.
Mas nós estamos apostando em um mundo mais atento a dados. Em grande parte, por causa da Covid-19. Desde que a pandemia tornou-se uma realidade, um número cada vez maior de pessoas foi se acostumando a acordar, ligar o computador e conferir os painéis de controle que monitoravam a propagação do vírus e as consequências disso em outros campos de nossa vida – inclusive os reflexos na evolução dos negócios das empresas.
Se você está em uma posição de liderança em sua empresa, esta é a hora de entender um pouco mais profundamente sobre o assunto, pois não há dúvidas de que toda sua organização está atualmente ávida por mais insights sobre posições de caixa, cadeia de suprimentos, comportamento do consumidor, sentimentos do usuário etc. etc. etc.
O futuro e além
Como o mundo muda todos os dias, para prever o futuro imediato, precisamos da capacidade de capturar e monitorar dados mais recentes e melhorar continuamente os modelos. Ou seja, precisamos agora de uma forma de combinar “humanos + dados + IA” para uma tomada de decisão eficaz.
A seguir, vamos tentar mostrar como, na prática, uma empresa de varejo pode usar essa nova tecnologia para entender o comportamento de compra do consumidor em um nível que não poderia ter sido possível no passado.
Análise de gastos do consumidor da Black Friday
Vamos supor que você seja responsável pela análise de dados na rede de varejo “ABC” e seu objetivo seja criar insights acionáveis sobre as decisões de compra dos consumidores na Black Friday.
Considerando o comportamento histórico, precisará responder às seguintes perguntas para que as equipes de negócios tomem decisões mais precisas:
– Quais são os principais motivadores por trás das decisões de compra do consumidor?
– Quais são os fatores que levam um determinado segmento de consumidoras femininas a comprar?
– Quais cidades provavelmente gastarão mais?
– Quanto um consumidor vai gastar na Black Friday deste ano e por quê?
– As mulheres são mais propensas a gerar mais vendas do que os homens nessa loja?
Para fazer isso, existem cinco etapas principais que precisa seguir:
1. Colete dados e prepare-os para treinamento.
2. Execute análises exploratórias e crie recursos.
3. Construa uma série de modelos que possa ajustar.
4. Analise as previsões do modelo com explicações.
5. Operacionalize o modelo para obter insights contínuos.
Na verdade, é um processo cíclico que começa com um conjunto de dados que são preparados para treinamento, avaliação do modelo, comparação com outros modelos, realização de testes e análise para coletar insights, que podem realimentar o processo de treinamento para montar um modelo melhor.
No exercício que propomos aqui, vamos usar um conjunto de dados popular desenvolvido pela comunidade Kaggle para a Black Friday, pois achamos ser um bom representante de um conjunto de dados coletados de transações de compra em uma loja de varejo.
Esse dataset contém as seguintes variáveis sobre uma transação:
Análise exploratória de dados
Uma vez prontos para realizar algumas explorações básicas de dados e obter alguns insights, importamos o conjunto de dados para a plataforma como um arquivo simples e obtivemos as estatísticas de dados de alto nível.
A plataforma gera automaticamente estatísticas de dados, como distribuições de recursos, correlações de recursos e informações mútuas para que possamos obter uma compreensão de alto nível dos dados. Os três insights a seguir, por exemplo, podem ser obtidos rapidamente:
– A maioria das transações vem de cidades da categoria B.
– Os homens estão comprando mais do que as mulheres.
– A faixa etária de 26 a 35 anos é o grupo de compras dominante.
Construção e uso do modelo
A plataforma oferece duas opções:
1. Importar em um modelo pré-treinado personalizado;
2. Construir um modelo interpretável.
Nesse caso, usamos a opção nº 1 – um modelo de regressão que podia ser comparado a outros modelos treinados no mesmo conjunto de dados do Kaggle.
A plataforma também permite validar o modelo examinando os gráficos de dispersão reais versus previsões e a distribuição de erros, mostrando que o modelo está fazendo um bom trabalho ao capturar o conjunto de dados subjacente.
Vamos começar a explorar o modelo junto com o conjunto de dados para responder às nossas perguntas.
1: Quais são os principais motivadores por trás das decisões de compra?
A plataforma oferece uma maneira de responder a essa pergunta, analisando os dados através dos olhos do modelo e extraindo os principais fatores que influenciam as decisões de compra. Isso nos permite descobrir muito rapidamente que o principal motivador, de longe, é a categoria de produto 1, e ela é 64% importante para os consumidores que provavelmente comprarão durante a Black Friday nessa loja. É seguido por categoria de produto 2, tipo de ocupação, idade do consumidor etc.
2: Quais são os fatores que levam um determinado segmento de consumidoras femininas a comprar?
Digamos que sua empresa esteja interessada em direcionar uma campanha de marketing para jovens mulheres casadas, na faixa etária de 18 a 25 anos e pertencentes à categoria de cidade A como segmento de consumo e, para isso, está interessada no que impulsiona sua propensão a comprar.
Vemos no gráfico abaixo que esse segmento de consumidores é impactado pela “categoria de produto 1” apenas em 47% (barra azul escura) em comparação com a população em geral (barra azul clara), que é influenciada por ela tanto quanto 63 %. Alguns recursos, a saber, ‘tipo de ocupação’, ‘anos permanecidos na cidade atual’, ‘categoria de cidade’ são muito mais importantes para esse segmento do que para a população em geral.
3: Quais cidades têm maior probabilidade de gastar mais?
A plataforma oferece a capacidade de usar SQL para dividir os dados e explicá-los com o modelo. Além disso, permite expressar a consulta em SQL em um par de conjuntos de dados e modelos.
Ela pontua o modelo em relação ao conjunto de dados em tempo real e obtém previsões e atribuições explicativas para visualização.
Conforme mostrado na caixa de diálogo de consulta abaixo, a categoria de cidade que provavelmente obterá mais vendas em dólares será “cidade categoria B”, que seria de US$ 2.082 milhões.
4: Quanto um consumidor vai gastar e por quê?
Se a equipe de marketing quiser fazer microssegmentação e personalizar anúncios para um determinado usuário para impulsionar suas compras na Black Friday, usaremos uma consulta agrupada semelhante à anterior para descobrir que o usuário “1000869” provavelmente comprará itens no valor de US$ 8.290,53 em média durante a Black Friday. A presença da categoria de produto 1 e da categoria de produto 2 impulsiona as decisões de compra desse usuário em impressionantes 70%.
5: As mulheres têm maior probabilidade de gerar mais vendas do que os homens nessa loja?
Podemos executar uma consulta em todas as previsões do modelo e descobrir, conforme mostrado abaixo, que isso não é verdade.
Vemos que o tamanho médio previsto da transação em US$ para homens é de US$ 9.498, e é maior do que o das mulheres, que é de US$ 8.811.
Operacionalização e monitoramento
Satisfeitos com a análise, podemos operacionalizar esse modelo conectando-o a um repositório de dados (Data Warehouse, Data Base Marketing, Data Mart), processando continuamente novos dados transacionais e fornecendo explicações e previsões para usuários de negócios. Assim que o modelo estiver ativo, podemos monitorar o desempenho na produção e fechar o ciclo de feedback. Dessa forma, podemos acompanhar KPIs de negócios, métricas de desempenho e configurar alertas quando algo sair do comum.
Conclusão
Neste artigo, busquei descrever como uma plataforma de data analytics turbinada por IA explicável pode ajudar os executivos de negócio das empresas a descobrir mais insights preditivos em conjuntos de dados para garantir o sucesso na Black Friday – e além.
Para isso, usei um estudo de caso simples com um conjunto de dados Kaggle BlackFriday disponível publicamente.
Se você estiver interessado em aprender mais sobre a plataforma ou experimentá-la, sinta-se à vontade para enviar um e-mail para elcio@aodigital.com.br e marcarmos uma conversa.
Até o próximo.