Social CRM na prática: decisões orientadas a dados

É inegável a ubiquidade das mídias sociais em nosso dia a dia. Em diversas empresas os call-centers tradicionais estão passando por mudanças nos canais de comunicação, atendendo via mensagens direta do Twitter, Facebook ou Whatsapp. Nesses canais os consumidores também passaram a expressar fortemente as suas opiniões e experiências em relação à produtos e serviços, dando origem ao fenômeno conhecido por boca a boca eletrônico.

A análise de tais dados se tornou impreterível. No entanto, essa grande quantidade de dados gerados pelos usuários, conhecido pelo seu acrônimo em inglês User-Generated Content (UGC), fez com que as análises manuais se tornassem humanamente impossíveis, impedindo a extração de conhecimentos que trouxessem consigo vantagens competitivas para as corporações. É nesse sentido que a análise automática de dados ganhou o seu espaço na gestão de relacionamento com os clientes por intermédio das mídias sociais.

Em um trabalho seminal, Foster Provost e Tom Fawcett[1] ressaltam justamente a relação entre o grande volume de dados que vêm sendo produzido (Big Data), a tomada de decisões orientadas aos dados (Data-driven Decision Making) e a ciênciados dados (Data Science), destacando o impacto nos negócios. Para entender essa relação, vejamos os conceitos.  O Big Data é caracterizado pelos chamados 5V´s, a saber:

i) Volume - refere-se à quantidade de dados a ser analisado. No Facebook, por exemplo, são mais de 10 bilhões de mensagens, 5 bilhões de interações  e 350 milhões de fotos compartilhadas todos os dia;

ii) Velocidade - essa característica diz respeito à velocidade com a qual esses dados são criados (o exemplo anterior ilustra isso). Ademais, essa velocidade impede a análise de dados em tempo real de forma eficiente;

iii) Variedade - no passado a maior parte dos dados disponíveis para análise encontravam-se estruturados em bancos relacionais, em outras palavras, tabulados. Atualmente estima-se que mais de 90% dos dados produzidos são de natureza não estruturadas (e bem variadas), como textos, vídeos, fotos, localizações, áudios. Tais tipos de dados requerem novas ferramentas de análise;

 iv) Veracidade - muito importante para os negócios, pois a informação deve ser verdadeira. Em tempos de fake news e uso indiscriminado de bots, as informações que circulam nas mídias sociais devem ser avaliadas e filtradas a fim de manter a confiabilidade dos resultados;

v) Valor - por fim, esses dados têm que ter o potencial valor aos negócios, trazendo insights para a tomada de decisões mais acuradas.

Data-Driven Decision Making refere-se à prática de se basear as decisões nos resultados das análise dos dados e não apenas em impressões ou intuições. Por fim, Data Science pode ser definido como um campo multidisciplinar que usa métodos científicos, processos e algoritmos para extrair conhecimentos e insights a partir de dados, sejam eles estruturados ou não.

Nesta tríade, o objetivo dos analistas é desenvolver métodos eficientes de análise de grandes volumes de dados e que descubram conhecimentos novos e potencialmente úteis para auxiliar na tomada de decisões em determinados setores.

Com o know-how de análise de dados do Laboratório de Inteligência Computacional da Universidade Federal do Pará e do Laboratório de Computação Aplicada da UFOPA, somado ao entendimento das demandas do mercado de Social CRM dos pesquisadores e empresas associadas ao Social CRM Research Center, vinculado à Universidade de Leipzig, Alemanha, realizamos um mapeamento entre esses três elementos:

  • métodos de análise de dados advindos de mídias sociais
  • tomada de decisão dentro do contexto de gestão de relacionamento com o cliente
  • conhecimentos a serem extraídos e insights gerados.

A primeira parte de mapeamento ocorreu consultando a literatura existente e especialistas na área de CRM que, por ser multidisciplinar, envolveu especialistas nas áreas de Marketing, Administração, Ciências da Computação, Design, entre outros.

Conforme visto acima, todas as áreas poderiam se beneficiar da análise do conteúdo gerado pelo usuário. Entendendo os desejos e ambições dos clientes é possível desenvolver novos produtos (Colaboração e Inovação), melhorar a experiência do usuário, auxiliar no planejamento de campanhas de marketing, impulsionar vendas, além de auxiliar na comunicação no pós-venda, até mesmo por intermédio das mídias sociais.

Em um segundo momento os pesquisadores envolvidos neste projeto analisaram os tipos de dados dispostos em mídias sociais, como perfil do usuário, postagens em texto, compartilhamento de localização, etc. Com a seleção dos dados foi possível identificar as possibilidades de análise, conforme dispostas na Figura abaixo.

 

Por meio da confrontação entre os setores envolvidos no processo de tomada de decisão e possíveis análises realizadas com os dados disponíveis, mapearam-se as possibilidades de uso dos resultados nos processos de decisão. Um resumo do resultado pode ser visto na Tabela a seguir.

Tabela 1: Potenciais análises e serviços vislumbrados no contexto do Social CRM, adaptado de (Lobato et al., 2017).

 Setores Relacionados ao CRM

 Portfólio de potenciais serviços em Social CRM

 Vendas

 Recomendação de produtos

 Predição de compra

 Identificador de leads (consumidor em potencial)

 Marketing

 Análise de mercado

 Campanhas em mídias sociais

 Gerência de marca adaptativa

 Avaliação do impacto de campanhas de publicidade

 Serviços & Suporte

 FAQs em mídias sociais

 Atribuição automática de postagens ao setor competente

 Fóruns de suporte à comunidade

 Inovação

 Redes sociais empresariais

 Identificação dos desejos e necessidades dos consumidores

 Identificação de tendências

 Colaboração

 Identificação de influenciadores digitais

 Recrutamento de colaboradores

 Experiência do consumidor

 Recrutamento de embaixadores de marca

 Identificação e fomento de comunidades de influenciadores

 

É interessante observar que já existem diversas ferramentas que proporcionam algumas das análises apresentadas. Outras, requerem um estudo aprofundado e específico para cada empresa[2]. Nossa pesquisa no Social CRM Research Center foca em soluções para aprofundamento e aperfeiçoamento dessas análises com suporte de um time de pesquisadores e analistas de mídias sociais capacitados para a coleta, análise e indicação de insights para impulsionar negócios.

 


[1] Data Science and its Relationship to Big Data and Data-Driven Decision Making Foster Provost and Tom Fawcett Big Data 2013 1:1, 51-59

[2] Uma discussão mais aprofundada dos potenciais das análises em Social CRM pode ser encontrada no trabalho intitulado Social CRM: Biggest Challenges to Make it Work in the Real World, apresentado no Workshop on Intelligent Data Analysis in Integrated Social CRM, ocorrido na 19th International Conference on Business Information Systems.

Autor convidado

Fábio Lobato
Fábio Lobato é professor no Instituto de Engenharia e Geociências da Universidade Federal do Oeste do Pará e está associado ao Social CRM Research Center desde 2015, onde atua na análise de dados para auxílio na tomada de decisão. Seus principais interesses são: data science, mídias sociais, data-driven decision making e mercados eletrônicos.
As linhas de pesquisa desenvolvidas em nosso grupo abrangem todas as etapas do processo de análise de dados empresariais, iniciando pelo entendimento das necessidades da coorporação, passando para a seleção das fontes de dados, extração de conhecimento, validação dos achados e incorporação do conhecimento nos processos de tomada de decisão. Nosso foco está na otimização de processos e desenvolvimento de novos métodos de análise, visando trazer vantagens competitivas às coorporações, sobretudo para as pequenas e médias empresas, considerando suas restrições de recursos.