O planejamento estratégico define prioridade, direção e ritmo do negócio, os quais são desdobrados em objetivos e metas. Dentre estas estratégias podemos encontrar iniciativas relacionadas à proposta de valor da empresa (específicas), assim como estratégias amplamente utilizadas pelo mercado (genéricas).
Dentre as genéricas, as estratégias de cross-sell se concentram em fornecer valor adicional aos clientes, em vez de limitá-los aos produtos que já consideraram ou compraram. A chave para seu sucesso é entender o que seus clientes mais valorizam e, então, responder com produtos e serviços que realmente atendam a essas necessidades no momento certo e por meio do canal ideal.
As práticas de cross sell não são novas. Muito antes da era digital já recebíamos sugestões de compra adicional como “com qual lanche você vai querer sua batata frita?”. Porém o uso do machine learning (ou aprendizado de máquina) é relativamente novo, e colaborou exponencialmente para o crescimento de diversos negócios.
Estamos rodeados de estratégias de vendas cruzadas em todos os lugares, não é raro recebermos sugestões do tipo “clientes que compraram isto, também compraram …” em um site de comércio eletrônico, ou sugestões para um novo filme/série em seu serviço de streaming com base em seu histórico de acesso.
Conforme vimos no artigo “Dados que direcionam estratégias comerciais”, as estratégias de Cross Sell (Venda Cruzada) são criadas a partir da Análise de Cesta de Compras (Market Basket Analysis), que faz uso de regras de associação para identificar os hábitos de compra dos clientes, fornecendo uma visão da combinação de produtos dentro das cestas de compras dos clientes analisados.
Mas como funciona na prática uma análise de Análise de Cesta de Compras?
Vamos supor que estamos tentando comprovar a relação entre a compra de celulares e smartwatches. Para ilustrar o exemplo, vamos considerar os seguintes dados referentes a vendas:
Resumindo, foram realizadas 1.000 vendas totais, sendo 375 vendas de celulares e 200 vendas de smartwatches, onde em 150 delas ocorreu a venda dos dois produtos na mesma transação.
As regras de associação visam encontrar relacionamentos e estabelecer padrões nas compras. Esses relacionamentos são usados para construir perfis contendo regras if-then (se-então) dos itens comprados. Neste caso, as compras de celulares são chamadas de antecedente {A} e as de smartwatches de consequente {B}, onde o relacionamento é modelado na forma de um algoritmo condicional: IF {celular} THEN {smartwatch}.
Para a comprovação entre esses relacionamentos, são utilizadas três medidas principais: suporte, confiança e comparação de precisão.
O Suporte (Support) calcula a frequência com que a compra dos dois itens ocorre sobre de todas as transações. Neste exemplo hipotético foram analisadas 1.000 operações, onde em 150 delas continham tanto celular como smartwatch. Logo, o suporte para essa relação é de 150/1.000 = 0,15. Ou seja, existe a probabilidade de 15% de uma venda conter os dois produtos conjuntos.
A Confiança (Confidence) mede a proporção do número de transações que incluem os dois itens analisados sobre o número de operações que incluem o item {A}. No exemplo, dentre as 1.000 transações, 375 continham a venda de celulares. Assim, a confiança seria 150/375 = 0,4. Significa que em 40% das vendas de celulares, ele foi adquirido junto a um smartwatch.
O cálculo do Lift (Elevação) resulta na relação entre a confiança e frequência de {B} sobre o total de transações. Sabendo que a confiança é igual a 0,4 e que ocorreram 200 vendas totais de smartwatch, a medida seria 0,4/(200/1.000) = 2. Um lift maior que 1 sugere que a presença do antecedente (celular) aumenta as chances de que o consequente (smartwatch) ocorra em uma determinada transação. Um lift abaixo de 1 indica que comprar o antecedente reduz as chances de comprar o consequente na mesma transação.
Resumindo, o suporte para a regra indica seu impacto em termos do tamanho geral e a confiança determina a utilidade operacional da regra. Logo, quanto maior o suporte e maior a confiança, mais forte é a regra. Já o lift mede a dependência entre o antecedente e o consequente. A partir da análise dos dados e da identificação dessas medidas, estratégias de marketing e vendas podem ser realizadas com maior confiança pelos tomadores de decisão.
Note que este é apenas um exemplo didático. Na prática, uma regra precisa do suporte de milhares de transações, antes que possa ser considerada estatisticamente significativa.
