Philip Kotler para Marketing. David Ogilvy para Publicidade. Eric Siegel para Análise Preditiva. O que estamos querendo dizer com isso? Cada área, independente de segmento, possui alguém no qual se inspira, uma pessoa que uniu conceitos e dentro dela criou uma nova forma de pensar. De fazer. Por isso, de certa forma, tornou-se um mentor. Nesse caso, Eric Siegel pode ser considerado um dos desbravadores da análise preditiva aplicada em negócios. É exatamente sobre isso que se trata o best-seller do especialista, que traduzido significa “Análise Preditiva: O poder de de prever quem irá Clicar, Comprar, Mentir ou Morrer”. Você quer obter tal poder de previsão? Então, confira alguma das lições que Eric Siegel deixou ao visitar o Brasil, na conferência Data Driven Brasil: connecting data and business.

 

Eric Siegel: “a análise preditiva é a promessa da ciência de dados”

 

Com o big data, aprendemos que era preciso unir tecnologia com dados para gerar informação. O próximo passo, seria utilizar a prática inovadora como um novo meio para gerar valor. O que, num panorama geral, gera uma curva positiva no que vinham sendo os entregáveis das e para as empresas e como isso poderia ser explorado da melhor maneira. Em outras palavras, os dados passam a ganhar importância e surge uma forma de obter, como falamos, valor de diferentes formas: redução de gastos, lucros, gestão, oportunidades, retenção, entre outros. Com os dados, as possibilidades se tornaram infinitas. É nessa promessa, que de acordo com Eric Siegel, entra a análise preditiva, uma parte integrante do todo, o que chamamos de big data.

 

Para Eric Siegel, análise preditiva é a central do big data. Porém, é preciso pensar na predição não como uma teoria ou meramente uma possibilidade distante de aplicação. A predição precisa ser pensada e utilizada como uma capacidade ou uma função. É a ambição definitiva de integrar o marketing, de gerir riscos financeiros e otimizar as  operações em massa e de grande escala. Nesse momento, é comum pensar no quão difícil é prever um comportamento. Aliás, como podemos?

 

Análise preditiva: 84% dos líderes de mercado estarão utilizando

 

Eric Siegel trouxe como exemplo as eleições nos Estados Unidos. Recentemente, as estatísticas mostravam um desfecho final do embate entre Hillary vs Trump com uma probabilidade de 71% de vitória para a candidata. Mas, quando falamos em probabilidade, esse número está muito mais perto do 50% do que de 100%. É como arremessar uma moeda e tentar prever o vencedor. Quando falamos em análise preditiva, é preciso diferenciar forecast de predictive. No primeiro, trata-se agregar um tendência global. No outro, uma probabilidade para cada indivíduo.

 

Um exemplo que ajuda a trazer mais clareza para a diferenciação é a campanha vencedora de Obama em 2012. Na ocasião, utilizou-se análise preditiva como uma pontuação para cada eleitor. Nas palavras de Eric Siegel: “Não o quanto iriam vender, mas quem iria comprar. Ou seja, uma probabilidade para cada eleitor”. Não era uma questão de você votaria no Obama ou em outra pessoa, mas quem seria influenciado por cada atividade da campanha: quem deveria receber um telefonema, uma mala direta, mídias sociais, etc. Quem podemos influenciar? O que tiramos disso é que a análise preditiva permite que a empresa se mantenha competitiva dentro de cada análise de mercado. Eric Siegel alerta: “84% dos líderes de mercado estarão utilizando”.

 

Há ainda outras formas de utilizar a análise preditiva dentro do cotidiano: bombeiros podem ter informações sobre os prédios com maiores problemas e que podem causar incêndios. É possível ainda utilizar com bueiros e poçoes que estão precisando de manutenção com mais urgência ou onde há problemas na rede elétrica. Parece um mundo ideal. Saiba que isso já está acontecendo.

 

Como é possível utilizar a análise preditiva nos negócios?

 

Em 2012, a Harvard Business Review (HBR) alertava sobre o que todos chamavam de “ciências de dados” não era nada mais do que usar os dados de maneira inteligente. Ciência de dados ou Big data não pode, de forma alguma, ser confundida com uma tradução literal “um grande número de dados” ou, pior ainda, “muitos dados”. É preciso estar relacionado com um método ou abordagem específica. Indo mais além, com uma cultura organizacional e a visão do real valor do que está sendo entregue. Análise preditiva está muito mais para mineração de dados e machine learning do que uma “montanha de dados”. Niels Bohrs, muito antes da HBR, dizia “predição é muito difícil, especialmente se for sobre o futuro”. Não há bola de cristal, mas o efeito da análise preditiva é capaz de nos levar mais longe, embora nem sempre com 100% de perfeição.

 

Outro grande ponto sobre análise preditiva para os negócios, de acordo com Eric Siegel, está em responder: o que aprendemos com esse dados? O que temos hoje de valor? O que vai nos ajudar no desconhecido, ou seja, o futuro? Num negócio, você sabe que  entrou em contato com um cliente ontem. Hoje, que ele comprou. Tudo isso está no passado, mas há uma série de informações que podem ser captadas. São dados para serem usados para obter outros dados dentro de uma análise comportamental, demográfica, etc. Não é cientificamente desafiador, mas é uma operação difícil. Uma empresa de cartões de crédito começou a relacionar o comportamento dos clientes com a data e atrasos de pagamento. Por exemplo, se quem ia ao bar, tendia a atrasar. Se vai ao dentista, paga a fatura em dia. Contudo, a interpretação é subjetiva, não científica. Dados são sempre preditivos. Você achará correlações, mas não há relações de causa.

 

Quais informações competitivas os dados trazem para as empresas?

 

Com a análise preditiva, Eric Siegel lista uma série de vantagens competitivas que podem ser adquiridas, como a “retenção do alvo” ou os clientes que podem dar churn (romper contratos). Num caso citado pelo palestrante, uma editora pode utilizar de recursos como “descontos específicos” para garantir a retenção dessa base de clientes que estão prestes ou irão sair da base. Para isso, é possível usar uma “árvore de possibilidades”, em que se usa mais de uma variável para ir segmentando e sub-segmentando os dados. Os dados são os próprios criadores do modelo da árvores. Sempre há perguntas: sim ou não? Que irão levar a segmentação para um caminho diferente.

 

Por outro lado, nessa estratégia de retenção para evitar churns, Eric Siegel traz outro conceito que precisa ser estabelecido e praticado: não provocar o “sleeping dog client”. Aquele cliente que teria ficado na base, sem nenhum problema, caso não houvesse recebido uma comunicação, mesmo que seja a proposta de desconto. Siegel volta para a campanha de Obama ao exemplificar que haviam eleitores que caso recebessem uma abordagem “bater à porta”, alguém indo até sua casa, poderiam até mesmo mudar de lado ou diminuir a chance de serem influenciados.

 

Se falamos até agora em retenção, é necessário lembrar que a análise preditiva é bastante utilizada na detecção de fraudes. Sobre a área financeira, Eric Siegel relata que se trata da parte mais difícil da tomada de decisões, pois há sempre uma possibilidade de falha. Sendo assim, se há dados para serem usados, não utilize primeiro dentro de um modelo, mas faça a validação. Teste com amostras e controle o risco. Ele cita ainda o primeiro capítulo do livro “Análise Preditiva: O poder de de prever quem irá Clicar, Comprar, Mentir ou Morrer” como fonte para pesquisa do tema.

 

A sua empresa está preparada para análise preditiva?

 

Por mais que a análise preditiva possua desafios, ela é inevitável. Ela está presente no seu dia a dia. Google, Facebook e Mashable mostram que isso  é possível por meio da  criação de filtros. Dados que permitem criar o que podemos chamar de “tecnologia de relevância”. Você vê, lê e recebe aquilo que realmente é relevante para o seu perfil. Não é mais tecnologia do futuro. Ainda assim, Eric Siegel levanta, por fim, uma indagação que pode ser considerada como a mais relevante: a sua organização está pronta para receber esse modelo? A análise preditiva está relacionada não apenas com a parte técnica, mas também com uma mudança organizacional. Lembre-se: não é mais, também, um modelo do futuro.