Análise e Discussão Big Data Blogueiro Convidado

Big Data Analytics em tempo real: captação de detalhes e garantia de melhor experiência de compra para o cliente

experiência de compra
0

Análises de grandes massas de dados de diversas fontes estão sendo utilizadas pelas empresas para otimizar seus processos de negócio. Alguns varejistas estão otimizando seus estoques com base em predições geradas pelos dados transacionais, pelos comentários em redes sociais, pelas tendências de busca na web e, até mesmo, pelas previsões meteorológicas.

Outros varejistas estão conseguindo atrair e fidelizar seus clientes antevendo suas próximas ações. Perfis detalhados e completos do comportamento desses clientes estão sendo usados para calcular métricas, automatizar painéis e sugerir ofertas personalizadas.

O uso de Big Data Analytics também pode oferecer ao varejista vantagens quando o assunto for eficiência e produtividade dos funcionários. Este novo artigo trará exemplos concretos, passíveis de serem adotados, combinando Big Data e melhoria dos processos de atendimento ao cliente.

É possível avaliar a produtividade e amabilidade do atendente?

Imagine que os registros de início e fim da compra do cliente em um determinado estabelecimento possam ser capturados por um sistema. Chamo de início o momento em que o funcionário registra o primeiro item no leitor de código de barras e de fim o momento em que esse mesmo funcionário comunica ao sistema a forma de pagamento.

Esses dados de início e fim associados à quantidade de itens apontam, entre outras coisas, a habilidade e agilidade com que o funcionário registra a compra. Infelizmente não assinala a amabilidade com que o funcionário trata o cliente. Entretanto, se o registro for combinado, posteriormente, a uma pesquisa respondida pelo cliente, será possível identificar sua satisfação. Saber se um cliente pagou rapidamente suas compras e foi atendido de forma amável pode ser  um diferencial competitivo no cenário atual.

Acrescente à análise a forma como o cliente paga sua compra (dinheiro, cartão de crédito ou débito) e a rapidez com que ele mesmo faz isso. Habilidade do atendente aliada à velocidade no pagamento e à satisfação do cliente podem garantir uma boa experiência no caixa. Mas se uma destas variáveis desviar do resultado esperado, o que pode significar?

Será que falta troco ou o problema é de visão?

Imagine que a rapidez do atendente tenha sido satisfatória e que o cliente tenha dado uma nota alta para o quesito amabilidade no atendimento. Agora, acrescente à análise a variável forma de pagamento: dinheiro. Imagine que, pelos números apurados, tenha havido uma demora superior ao normal (mais que o dobro) para um pagamento dessa natureza.

Um primeiro insight sugere uma falta de moedas de X centavos ou notas de Y reais para o troco. Pensando agora em predição, o resultado anterior de tempo extra para pagamento da compra em espécie pode apontar não um problema imediato, mas uma tendência futura de escassez de troco. Venhamos e convenhamos, nada é mais irritante para o cliente (ou para quem está na fila) do que esperar pelo atendente enquanto esse troca notas de dinheiro com o atendente do caixa ao lado. Antecipar-se ao problema e se prevenir é melhor do que remediar ou dar descontos.

As análises podem revelar ainda outros pontos de melhoria. Suponha que, por meio de Big Data Analytics, o varejista perceba um padrão recorrente de lentidão maior quando o cliente paga sua compra com cartão de débito do Banco A. Será que a comunicação eletrônica com o referido Banco, para autorização do pagamento, não deve ser revista? Ou ainda, se a demora não tiver relação direta com o cartão de um Banco em especial, mas possuir relação com a idade dos clientes. A morosidade é maior quando o cliente tem mais de 60 anos, por exemplo. Será que não valeria a pena aumentar o tamanho dos números dos visores? Não seria um problema de visão?

Posso ajudar?

Outro bom uso das análises de Big Data para melhoria da produtividade da equipe pode ser retratado pelo caso a seguir. Imagine que seja colocado um sensor no carrinho ou cesto de compras da loja. Ou, ainda, que o celular do cliente seja monitorado por meio de antenas espalhadas pela loja.

Com o uso das informações baseadas em presença ou tempo de espera nas seções da loja, é possível dar atendimento especial ao cliente. Considere que um potencial consumidor esteja parado na seção de vinhos por tempo superior ao habitual. Por meio da coleta das informações e processamento em tempo real, um alerta pode ser enviado ao especialista de bebidas que está em atendimento em outra seção. Ao receber o alerta, esse especialista desloca-se para o local indicado com o objetivo de esclarecer possíveis dúvidas do cliente. Ao chegar na seção, o especialista tem a chance de oferecer ao cliente um produto de maior valor agregado (up selling) e, posteriormente, indicar itens complementares (cross selling), convertendo uma venda quase perdida em faturamento real.

Outra vantagem para o varejista, neste caso, refere-se à otimização dos recursos humanos. Imagine que o tempo médio de atendimento a um cliente em uma loja especializada em vinhos seja de 15 minutos. Suponha, então, que o vendedor esteja há 20 minutos auxiliando um determinado cliente e que existam outros 2 consumidores à espera pela assistência. Mais uma vez, de posse das análises imediatas das informações, um novo alerta pode ser enviado para um outro atendente, indicando-lhe a necessidade de ajuda.

Poucos funcionários, se bem orientados e com o dispositivo de alerta na mão, podem produzir mais, atendendo melhor os clientes e, consequentemente, proporcionando economia de custos ao varejista.


Leia também: Upsell e Cross-sell: Big Data na linha de frente para sua empresa fechar mais negócios


Administração de filas, todos os caixas em funcionamento?

O mesmo raciocínio pode ser feito observando-se o tempo de espera na fila para pagamento de uma compra. Neste caso, a decodificação das imagens de vídeo em informações pode ser o gatilho para um alerta de mobilização da equipe em prol da abertura de novos caixas.

Ainda sobre o tema administração de filas, vale destacar o que Big Data Analytics pode proporcionar à equipe de Gestão de Gente. Por predição, sabe-se que em um determinado dia e horário, seja por sazonalidade ou devido a um evento específico nas proximidades da loja, existirão mais clientes no estabelecimento. De posse desta informação, é possível redimensionar a equipe e a quantidade de PDVs abertos para dar conta da demanda.

Garantir um tempo mínimo de espera durante o processo de pagamento das compras, hoje em dia, é condição fundamental para uma boa experiência. De nada adianta acertar no atendimento inicial mas pecar na reta final.

E se o PDV for do tipo inteligente (em que o cliente interage com a máquina)?

Mesmo com os PDVs inteligentes, que permitem ao próprio cliente registrar seus itens e realizar seu pagamento sem acompanhamento de funcionários, é fundamental analisar as informações de tempo. A demora para a realização desta tarefa pode indicar, entre outras coisas, a necessidade de maior clareza das instruções da máquina. Pode revelar também a imprecisão do leitor dos códigos de barra dos itens, sendo necessária manutenção imediata.

Enfim, existem inúmeros exemplos de possíveis insights obtidos por meio das análises, em tempo real, de grandes massas de dados. Como visto, as medições e seu acompanhamento podem proporcionar melhoria contínua dos processos de atendimento ao cliente. Em todos os exemplos do texto, entender o que as informações revelam e capacitar a equipe para um serviço mais adequado às expectativas dos clientes é fundamental para sobrevivência do varejista.

Sobre o autor:

Leonardo Pellegrino é executivo de varejo e consultor de empresas com passagem por GPA (Pão de Açúcar), Dia% Group, Lojas Marisa, Grupo Multiformato e Ernest & Young. Economista e mestre em ciência da informação pela UFMG. Especialista em gestão e uso competitivo da informação. Participante ativo em projetos de inovação que unem varejo e Big Data Analytics.

 

Related Post

  • Marcos Filipe Godoy

    Excelente texto, parabéns pelo trabalho. Pretendo virá um Cientista de Dados.

    • Hekima

      Aí sim, Marcos!