Como um grupo estadunidente de compras está resolvendo a lacuna de dados do pequeno varejo

Desafio

Quaisquer que sejam os problemas de negócios com os quais você esteja lidando agora, valerá a pena se você usar seus dados, não sua intuição, para resolvê-los. A pergunta é: como você conecta os pontos entre onde você está agora e o que você deve fazer para chegar a uma solução?

É aí que a maioria das empresas precisa de ajuda. Esta é a história de como ajudamos uma grande organização associativa conecte os pontos em um cenário com camadas de complicação.

A empresa nos trouxe para ajudá-los a resolver dois desafios principais:

1. Como obter e agregar mais valor a partir de seus próprios dados.

2. Como convencer mais membros de que compartilhar seus dados seria do interesse deles.

Entenda os problemas

Nosso cliente, uma organização bem estabelecida com milhares de membros, ajuda pequenos varejistas que vendem eletrodomésticos, eletrônicos e móveis de marcas nacionais concorra com grandes varejistas que vendem as mesmas marcas. Um membro pode ser uma loja familiar local que concorra com a seção de eletrodomésticos da Lowes ou com a seção de eletrônicos da Best Buy.

Ao ingressar na organização de nossos clientes, os membros têm acesso a alguns dos benefícios que os grandes varejistas têm.

O poder de compra, por exemplo, é um grande atrativo. Com tantos membros e o dobro do número de lojas independentes em todo o país, nosso cliente recebe descontos por volume dos fabricantes e os repassa aos membros.

Mas os grandes varejistas têm a vantagem adicional de toneladas de dados de centenas de lojas e seus sites de comércio eletrônico. Essa é uma diferença crítica.

Os gigantes do varejo são experientes em usar esses dados para tomar decisões informadas, como:

• Quais produtos transportar em quais lojas
• Como comercializar produtos
• Quais preços definir
• Para quem comercializar
• Quais características mais interessam aos clientes ao comprar os produtos

Nosso cliente reconheceu que lojas menores devem começar a competir na área de dados e senti que era o momento certo para procurar ajuda externa.

Se eles pudessem acessar os dados dos membros em milhares de lojas e compartilhar esse tipo de informação, isso os colocaria em uma liga diferente. Mas havia muitos obstáculos no caminho, como:

• A maioria dos membros são proprietários de pequenas lojas que não coletam dados.
• Alguns coletam dados por meio de sites de comércio eletrônico que nossos clientes criaram para ajudá-los a direcionar tráfego para suas lojas, mas os dados não são claros, falta a profundidade das informações de uma única fonte e não há sites suficientes para causar impacto.
• Os membros que coletam dados não fazem isso de forma consistente ou consistente com outras lojas
• Muitos não sabem muito sobre o mundo dos dados e têm medo de compartilhar o que têm.
• Alguns veem os dados como uma vantagem, então por que deveriam “doá-los” a outros membros? Eles precisariam estar convencidos de que vale a pena compartilhar seus dados.

Entre esses problemas e a tentativa de descobrir como extrair seus dados para fornecer valor, esse foi o cenário em que fomos chamados para ajudar.

A visão definitiva de nosso cliente é chegar ao ponto em que os membros vejam seus dados como uma oferta de valor, e os membros em potencial se unam não apenas para obter vantagens de compra, mas também para obter esses dados valiosos.

Solução

Em discussões preliminares com as principais partes interessadas, concordamos que nosso avaliação e processo abrangentes do COMPASS para resolver problemas de dados seria o caminho certo para encontrar uma solução.

As avaliações do COMPASS consistem nas seguintes etapas. Cada avaliação é diferente porque se concentra em seus problemas comerciais específicos e onde sua empresa, tecnologia, pessoas e processos específicos precisam de ajuda.

• Reúna opiniões das partes interessadas em sua organização
• Faça um inventário completo de sua pilha atual de dados e tecnologia
• Crie um MAPA personalizado que mostre visualmente onde você está agora e as etapas recomendadas a serem seguidas para atingir sua meta.

Todas as avaliações do COMPASS colocam em ação a estrutura MAP (Modern Analytics Platform) da Marlabs, que detalha toda a jornada que uma organização percorre para passar de um problema de dados à resolução.

Pegamos todas as nossas experiências e lições aprendidas em centenas de projetos de dados e criamos uma estrutura do que considerar/fazer para resolver um problema envolvendo dados — isso é o que é o MAP. Ele separa figurativamente a jornada em três seções: estratégia, execução e capacitação. Cada seção tem pontos de verificação de todos os fatores que você deve considerar ao longo do caminho se quiser que seu projeto seja bem-sucedido.

Assim como seu carro é avaliado com base em uma lista de verificação de 15 pontos quando você troca o óleo, o COMPASS oferece uma lista de verificação semelhante, mas muito mais completa, de coisas a serem consideradas ao longo de sua jornada de dados. Durante uma avaliação do COMPASS, não realizamos apenas uma verificação completa. Também corrigimos o que mais precisa ser reparado — ou pelo menos recomendamos como fazer essas correções, se for isso que o cliente preferir.

Estratégia

Começamos essa avaliação conduzindo extensas entrevistas com diferentes partes interessadas internas para descobrir o que estava funcionando com seus dados, o que não estava funcionando e o que elas gostariam de poder fazer.

Avaliamos sua governança de dados, qualidade, arquitetura de dados, plataformas, processos e muito mais. Depois de conversar com vários membros da equipe, pudemos criar uma imagem de como eles confiam em seus dados, os fornecem aos usuários e os analisam.

Na maioria das vezes, a organização tinha uma estratégia de dados muito sólida, mas a avaliação revelou que eles precisavam de ajuda com o alinhamento do valor comercial. Isso significa que eles estavam lutando para alinhar seus dados ao valor comercial, que foi um dos principais motivos pelos quais eles nos contrataram.

Explicamos o que eles precisariam fazer para desenvolver esse alinhamento e incluímos recomendações em nossa avaliação.

Execução

Em nossa descoberta, avaliamos a infraestrutura e analisamos os requisitos táticos de nossos clientes para atingir seus objetivos. Usamos o MAP para verificar muitos fatores, e os resultados nos ajudaram a criar um roteiro e um cronograma de implementação durante essa etapa. Concordamos em identificar o que absolutamente precisava ser corrigido e corrigir apenas essas coisas. Outros problemas podem ser resolvidos posteriormente.

Problemas de perfil de dados e modelagem semântica

Em relação ao restante da infraestrutura, descobrimos que nosso cliente era muito habilidoso em transferir todos os dados para o data warehouse do BigQuery.

Mas eles estavam criando perfis limitados, então mostramos a eles como criar um perfil melhor dos dados no próprio BigQuery.

Uma coisa que eles não podiam fazer com a ferramenta de geração de relatórios existente era modelar, uma lacuna que precisavam preencher. A ferramenta de geração de relatórios existente era muito linear, pois só permite visualizar um conjunto de dados por vez.

Nós recomendou que eles obtivessem uma ferramenta de business intelligence (BI) mais poderosa isso permitiria a modelagem. Sugerimos o Microsoft Power BI ou o Tableau, observando que o Power BI seria a melhor escolha, considerando seus propósitos, mas deixamos que nosso cliente tomasse essa decisão.

Nós também os ajudamos entender o valor da modelagem semântica. A modelagem semântica significa que, quando seus dados são brutos, você precisa reagrupá-los em coisas que combinam.

Por exemplo, se houver três lugares em que você tenha dados de visualização de página, esses dados precisarão ser agrupados em um conjunto maior de dados de marketing. Em seguida, dentro do pool de dados de marketing, esses dados precisam ser reunidos em dados de tráfego do site, que, por sua vez, precisam ser inseridos em outro grupo.

Nosso cliente estava trazendo seus dados brutos, mas não pensando na fonte dos dados nem os agrupando.

Quando você extrai dados sem um contexto como esse, as siglas ou abreviações usadas para descrever os dados podem não ser familiares para todos os usuários. Isso causa muita confusão e problemas — como aconteceu neste caso.

Os dados não são tão simples quanto algo que é inserido em sua organização em um só lugar e depois distribuído em outro lugar. São mais do que dois pontos finais. Ao longo do caminho, muitas pessoas diferentes precisam interagir com esses dados.

Por exemplo, você pode acabar com alguns lugares no banco de dados em que tem dados sobre quantas pessoas visitaram uma página em seu site, mas pode não haver nada comunicando qual foi a fonte desses dados. Pode ter sido o Google, a análise do site para uma plataforma ou outra plataforma de análise da web.

Você precisaria falar com alguém que pudesse explicar as siglas ou dizer de onde vêm os dados, quem os possui e para que são usados. Até que você esclareça essa confusão e faça o agrupamento, você não sabe o que fazer com os dados. Foi isso que os ajudamos a resolver.

A situação de nosso cliente ficou mais complicada porque sua equipe de dados não apenas tentou pegar esses dados e criar um relatório a partir deles, mas também tinha membros de fora da empresa que gostariam de obter insights dos mesmos dados.

Se você não identificou adequadamente os dados quando eles chegaram, fica ainda mais difícil fornecer dados aos membros — essa é a parte da modelagem semântica da modelagem de dados.

Devido à falta de modelagem semântica, sempre que solicitações de dados eram feitas na organização do nosso cliente, demorava muito para criar os relatórios de dados.

Demonstrando uma maneira melhor

Para mostre ao nosso cliente a diferença que a modelagem semântica faz, fizemos o despejo de dados de todos os dados em duas semanas, realizamos uma modelagem aproximada do perfil de todos os dados e, em seguida, demonstramos como é fácil criar instantaneamente um relatório sobre o que você quiser.

Diante de seus olhos, rapidamente arrastamos e soltamos os dados que eles queriam em um relatório e produzimos um relatório final, ali mesmo. Nosso cliente entendeu instantaneamente o valor da modelagem de perfil de seus dados para facilitar os relatórios.

Recomendações

Terminamos a lista de verificação, mas ainda precisávamos explicar como nosso cliente poderia fornecer melhores insights com seus dados e como incentivar os clientes a compartilhá-los.

Colocamos essas recomendações em um roteiro prático sobre o que eles precisavam fazer primeiro para seguir esse caminho, as decisões que precisavam tomar e a ordem em que recomendamos resolver esses problemas.

Aproveitando a experiência e a experiência de nossos próprios consultores em dados de varejo e marketing, muitas de nossas recomendações se concentraram em como apresentar melhor seus dados a três públicos diferentes: seus membros, os fabricantes e eles mesmos.

Aqui estão alguns exemplos das inúmeras recomendações que fizemos.

• Como representar seus dados de acordo com a forma como os varejistas visualizam seus dados ao longo do tempo (calendário de varejo) e consideram os ciclos de compra.
• Como colocar os dados em um contexto melhor para os ciclos de varejo.
• Como comparar dados antes, durante e depois da compra para identificar quando um cliente queria algo, mas não conseguiu encontrá-lo, encontrou algo, mas teve dificuldade em comprá-lo ou abandonou o carrinho.
• Que oportunidades eles perderam porque as pessoas estavam procurando um produto que não tinham. Esses dados seriam importantes porque os varejistas saberiam o que comprar mais para atender à demanda. Os dados mostrariam como os clientes compram produtos versus como os produtos são apresentados por meio do comércio eletrônico e na loja. Por exemplo, os dados de nossos clientes estavam centrados nos números dos modelos dos produtos, mas os consumidores pesquisam produtos com base nas características, da mesma forma que os fabricantes. Algo aparentemente tão pequeno fez com que perdesse a ideia de como apresentar seus dados. Esse pequeno ajuste faria uma grande diferença.
• Como criar dados contextuais. Mostramos a eles como representar seus dados de acordo com a forma como diferentes varejistas visualizam seus dados ao longo do tempo. Assim, eles veriam dados contextuais, como as oportunidades perdidas discutidas acima. Eles também puderam ver como comparar dados antes, durante e depois de uma compra, ou quando os clientes abandonaram um carrinho, etc.
• Como apresentar dados para diferentes públicos. Para corrigir os problemas mencionados no último item, fornecemos uma lista de diferentes maneiras pelas quais nosso cliente poderia apresentar seus dados para fornecer melhores informações a seus clientes, aos fabricantes e a si mesmos. Fornecemos exemplos a seguir e mostramos ao cliente como ele poderia conseguir isso com a infraestrutura que tinha instalado.
• Como incentivar os membros a compartilhar dados. Sugerimos que nosso cliente dissesse aos membros que enviariam pesquisas de satisfação do cliente em seu nome, desde que os membros compartilhassem os dados de feedback com nosso cliente. Esses dados seriam a base de um baú do tesouro do tipo de dados de clientes que a organização de nossos clientes tanto precisava. Ter dados consistentes de várias lojas criaria o valor que atrairia novos membros.

Capacitação

A capacitação é crucial para o sucesso. Você pode implementar os melhores processos e tecnologias, mas se seus usuários finais não souberem, entenderem ou usarem, é um desperdício de dinheiro.

Nosso cliente está focado na capacitação dentro de sua organização e sabe que também deve capacitar todas as organizações de seus membros. Fizemos um estudo de grupo de usuários para analisar as necessidades de seus membros e entender o que eles queriam.

Para incentivar a adoção, recomendamos:

• Campanhas de alfabetização de dados
• Uma estratégia de identificação de evangelistas fazer com que seus melhores membros usem os novos recursos e compartilhem com outros membros como eles são excelentes, o que ajudaria a atrair outros membros a bordo.

Resultados

Em um curto período de tempo, nossa avaliação COMPASS foi usada para avaliar a infraestrutura, os processos, os dados e o uso de recursos de nossos clientes. Durante a avaliação, resolvemos os problemas que identificamos ou ensinamos à equipe de dados do nosso cliente como resolvê-los.

Nós fornecemos um solução geral, recomendações e um roteiro priorizado que orienta nosso cliente nas etapas necessárias para resolver seus problemas.

Em relação aos seus dois principais desafios (ver Desafio seção), nós:

1. Explicou como obter e agregar mais valor com seus dados.

2. Forneceu recomendações que ajudarão seus membros de pequenos varejistas a se sentirem mais confortáveis em compartilhar seus dados e a entender o valor que obterão se todos contribuírem para o pool de dados.

Além disso, demos a eles uma orientação crítica sobre como abordar os dados de marketing e varejo de forma consistente com o setor, aproveitando nossa experiência nessas áreas.

Devido a essa avaliação do COMPASS, nosso cliente agora tem tranquilidade de que eles estão fazendo as coisas certas e avançando de forma lógica, concentrando-se em seus pontos problemáticos mais urgentes.

“Contratamos a Marlabs para fornecer serviços de consultoria para ajudar a maximizar nossas ofertas de análise para oferecer maior valor aos nossos clientes.

A Marlabs adotou as melhores práticas do ponto de vista da análise de marketing de varejo e analisou nossos dados em si para destacar os tipos de insights que poderiam estar disponíveis para nossa base de clientes.

A equipe da Marlabs trabalhou em estreita colaboração com todos os membros relevantes de nossa equipe para realmente entender nossos negócios, nossas necessidades e nossos dados.

Ao final do contrato, eles não apenas nos forneceram novas perspectivas sobre como produzir insights que impulsionam a tomada de decisões a partir de nossos dados, mas também orientações sobre como abordar melhor o gerenciamento e a entrega de nossos dados aos clientes.”

 -- CIO da principal organização estadunidense de compras‍‍

Impacto no cliente

• Alinhamento de valor comercial fornecido
• Estratégia definida para melhorar o valor dos dados e a inteligência de negócios
• Explicou como incentivar os membros a compartilhar dados‍