Mesmo as empresas que têm muito bem definidos seus objetivos comunicacionais, seu composto de marketing e seus posicionamentos mercadológico e de marca têm enfrentado cada vez mais dificuldade em entender os hábitos de consumo dos seus clientes e se manterem competitivas, como observa Yanaze (2011a, p. 8): “[...] nem sempre as organizações conseguem definir com clareza os produtos que oferecem ou mesmo definir e conhecer o mercado em que atuam”. Isso leva a recorrentes erros, desde a tomada de decisão para o desenvolvimento do produto até da comunicação interna ou com o mercado, gerando prejuízos às organizações, como por exemplo com produtos que logo são retirados de linha devido ao fracasso nas vendas. Também é comum que as empresas percam oportunidades por não conseguirem enxergar a tempo demandas, tendências e megatendências, lançando produtos
34 tardiamente ou não os lançando. Uma das formas de se manter atualizado é estar inserido no universo da comunicação digital, é estar conectado às mídias sociais, mas, para quem quer se manter competitivo nos dias de hoje, isso já não é mais um grande diferencial, é requisito mínimo. Então, a grande questão é como usar o volume abissal de informações despejadas nas redes diariamente.
[...] as informações sobre os produtos estão se tornando mais importantes que os produtos em si. Portanto, praticamente todas as empresas têm que estar no negócio de gerar conteúdo. Se o conteúdo gerado para a tomada de decisão de compra de um determinado produto não for adequado, a tendência da compra ser direcionada a outro produto torna-se bem maior. (TAURION, 2013, posição 140, versão Kindle).
Se determinado produto está com baixo desempenho comparado à média do portfólio de certa empresa e seus profissionais de comunicação não conseguem identificar o problema por meio das ferramentas tradicionais de análise, talvez os dados possam ajudar a esclarecer a questão de forma rápida e precisa. Basta coletar nas redes sociais os comentários sobre a qualidade do produto, sobre preço e sobre onde encontrá-lo. Lançar as perguntas certas sobre esses milhares ou milhões de informações e embutir velocidade. Ao final, deve-se comparar o resultado obtido com o posicionamento de marca utilizado para vender esse produto. Certamente emergirão respostas baseadas em fatos, e não mais em deduções, possibilitando rápidas intervenções para “salvar” o produto de um naufrágio. Isso é tecnologia da informação aliada ao marketing, possibilitando minimizar os erros das decisões baseadas em dados desatualizados e restritos. Já com as pesquisas tradicionais de opinião, as mesmas respostas talvez sejam obtidas, porém com uma velocidade muito menor, limitando as tomadas de decisão, dada a alta competitividade do mercado atual, sem contar que o volume e a disponibilidade de informação para as pesquisas tradicionais são limitados se comparados ao tamanho da amostra e à facilidade em quebrar barreiras geográficas com o uso do Big Data.
A inteligência de marketing tem tradicionalmente se apoiado em pesquisas de marketing para entender o comportamento do consumidor e aprimorar produtos. Por exemplo, as empresas usam as pesquisas de satisfação para estudar atitudes de consumo. Com tecnologias de análise de Big Bata, fatores- -chave para estratégias de decisão de marketing, como opinião do consumidor a respeito de um produto, serviço ou empresa, podem ser automaticamente monitorados pela exploração de dados nas mídias sociais. (SHAOKUN et al., 2015, p. 28, tradução nossa9).
9 Texto original: Marketing intelligence has traditionally relied on market surveys to understand consumer behavior and improve product design. For example, companies use consumer satisfaction surveys to study customer attitudes. With big data analytic technologies, key factors for strategic marketing decisions,
35
Ainda baseado na comunicação das empresas com o mercado, avançamos para outras grandes questões: como identificar hábitos desconhecidos e que vão além de localismos e línguas?
O que faremos com as bases de segmentação geográficas em um mundo sem fronteiras e em contínuo aprimoramento do livre-comércio? Como desenvolver produtos personalizados, que garantam a satisfação dos clientes no mundo todo, mas que, ao mesmo tempo, sejam padronizados, o que garantiria a redução de custos e o aumento da competitividade? (MARKUS, 2012, p. 434).
Esses são os grandes questionamentos que o pesquisador de marketing Kleber Markus faz em seus estudos sobre marketing intercultural e internacional. Já Shaokun et al. relatam que Para um marketing efetivo, é essencial identificar um grupo específico de consumidores que compartilham preferências similares e respondem a sinais específicos de marketing. As aplicações de segmentação de consumidor ajudam a identificar diferentes comunidades (segmentos) de consumidores que devem compartilhar interesses similares. (2015, p. 29, tradução nossa10).
Markus (2012) ainda frisa que em pleno século XXI a tentativa e erro é uma técnica muito usada por profissionais de comunicação para entrar em novos mercados, levando organizações multinacionais gigantescas a se lançarem em mercados globalizados sem o mínimo de pesquisa prévia e sem planejamento. Mas, em plena era da informação e da abundância de dados, será que ainda é necessário correr esses altos riscos? Não. Pelo menos é o que apontam Frankwick et al. (2015, p. 1.563, tradução nossa11):
[...] pequenos varejistas essencialmente ignoram os potenciais benefícios da implantação da análise dos consumidores. Intuitivamente, análise SWOT, pesquisas com consumidor e variedade de novos produtos podem promover
insights de negócios úteis para o desenvolvimento de novos produtos em
algumas situações. No entanto, o desenvolvimento de novos produtos em uma indústria e mercado em rápido movimento é uma complexa atividade que
such as customer opinions toward a product, service, or company, can be automatically monitored by mining social media data.
10 Texto original: For effective marketing, it is essential to identify a specific group of customers who share similar preferences and respond to a specific marketing signal. Customer segmentation applications can help identify different communities (segments) of customers who may share similar interests.
11 Texto original: Small retailers essentially ignore the potential benefits of deploying customer analytics. Intuitively, SWOT analysis, consumer surveys, and NPV models may still provide useful business insights for NPD in some situations. However, NPD in more rapidly moving industries and markets is a complex activity requiring large amounts of data from many sources to understand customers' demands and markets' future.
36 requer muitos dados de muitas fontes para entender as demandas do consumidor e do futuro do mercado.
Frankwick et al. (2015) ressaltam que os resultados nos negócios com o uso do marketing em sua forma tradicional aliado à análise de dados por meio de Big Data podem ser extrapolados se comparado com o uso do marketing tradicional isoladamente. Os autores dizem também que o Big Data traz dados em tempo real e acabam por melhorar as tomadas de decisão e minimizam as incertezas. Ainda sobre o uso isolado do marketing em sua forma tradicional, os autores afirmam que na prática as empresas se apoiam no conhecimento informal da experiência de seus gerentes para as tomadas de decisão: “O conhecimento individual, a forma de pensar e o ambiente afetam a qualidade das tomadas de decisão.” (FRANKWICK et al., 2015, p. 1.565). Os autores sugerem a fusão dos conhecimentos tradicionais do marketing com a análise de dados por meio de Big Data, como na figura seguinte.
Figura 4 – Fusão entre marketing tradicional e Big Data Analytics
Fonte: Frankwick et al. (2015, p. 1.564).
Em um levantamento da consultoria empresarial McKinsey & Company (2011) sobre alguns casos de aplicação de Big Data, identificou-se que em grandes mercados hoteleiros, como Brasil, África do Sul, Rússia, Índia e China, existem significativas similaridades nas preferências dos hóspedes, possibilitando às redes hoteleiras implantarem serviços padronizados em mercados com culturas muito distintas. Algumas das preferências em comum detectadas foram que os quartos devem ser de não fumante, ter vista para piscina e estar no piso térreo. Nas preferências pessoais, os hóspedes gostam de welcome drink e que o hotel tenha serviços de entretenimento. No histórico de uso identificou-se o acesso à internet, academias de ginástica e refeições em restaurantes. A parte mais curiosa desse estudo, e que a McKinsey
37 & Company faz questão de ressaltar, é que todas essas informações não são diferentes das que já existiam registradas em um sistema baseado em materiais impressos. Isso reforça as análises desse estudo sobre a possibilidade de aprimoramento e inovação por meio da aplicação de tecnologias da informação associadas a estratégias de marketing.
Na obra Comportamento do consumidor (2000), Blackwell et al. apresentam os estágios de tomada de decisão de compra pelo consumidor da seguinte forma:
Figura 5 – Estágios do processo de tomada de decisão de compra
Fonte: Blackwell et al. (2000, p. 86).
Baseado no processo de tomada de decisão acima, o autor deste estudo sugere uma visão desse mesmo diagrama com a inferência da análise de dados por meio de Big Data em cada etapa do processo:
• Reconhecimento da necessidade: baseado no comportamento prévio desse consumidor, já é possível prever a demanda que será gerada por ele, antecipando-se até mesmo à busca de informação que ele venha a fazer sobre a sua necessidade. É como o exemplo da ferramenta Anticipatory Shipping da Amazon, citado no início deste capítulo.
38 • Busca da informação e avaliação das alternativas pré-compra: antes mesmo de iniciar buscas na web por produtos ou serviços desejados, anúncios com sugestões desses bens já podem aparecer em portais, mensagens de SMS, sites de buscas como o Google, e-mail marketing etc. Já durante todo o processo de busca há a alimentação do banco de dados com os padrões utilizados para fazer essa busca, como termos digitados, links clicados, comportamento dentro de um determinado website etc. Ao encontrar o que buscava, o consumidor pode ser impactado com sugestões similares baseadas no comportamento prévio que se iniciou na etapa de reconhecimento da necessidade. Algoritmos baseados em dados são utilizados pelo Netflix e pela Amazon para sugerir filmes e séries ou produtos ao usuário desses serviços de forma precisa, de acordo com seus comportamentos anteriores dentro dessas plataformas, e não mais apenas com base em categorias de produtos similares.
• Compra: após a aquisição do bem, o cruzamento de dados fica ainda mais amplo, possibilitando, por exemplo, avaliar o que foi adquirido, qual foi o comportamento prévio que levou à essa aquisição, em que momento e como cada fase se deu, informações demográficas e até psicográficas e, então, encontrar na web pessoas com perfis muito parecidos ou até mesmo fazer melhorias de comunicação e de produto. O que o diagrama de Blackwell et al. não prevê é o caso da “não compra”, que no atual mundo dos dados possibilita basicamente as mesmas análises da “compra”, porém para entender o porquê não houve a conversão.
• Consumo e avaliação pós-consumo: durante e após o consumo é possível coletar dados da experiência que o consumidor teve com o bem por meio de comentários, áudios ou vídeos nas redes sociais e no website do fornecedor e cruzá-los, por exemplo, com informações obtidas pelo serviço de atendimento ao consumidor para análises de sentimento, pesquisa e desenvolvimento, aprimoramento, forma de consumo etc.
A sugestão acima do cruzamento da análise de dados com o diagrama dos estágios dos processos de compra do consumidor aborda a aquisição de um produto que não necessariamente tem conexão com a internet, como um telefone celular ou até mesmo um automóvel. Caso o produto em questão desempenhe funções que dependam de conexão com a internet, ou seja, faça troca de dados entre o produto e uma rede de internet, a análise de dados se torna ainda mais abrangente e rápida, elevando-se o processo analítico para um novo patamar, o da Internet das Coisas (Internet of Things ou IoT). Segundo Dave Evans, da Cisco Internet Business Solutions Group [IBSG], no artigo Internet das Coisas: como a próxima evolução da Internet está mudando tudo (2011, p. 2), “a IoT é o momento exato em que foram conectados à Internet
39 mais ‘coisas ou objetos’ do que pessoas”. No artigo, o autor revela que em 2003 havia aproximadamente 6,3 bilhões de pessoas no mundo e 500 milhões de dispositivos conectados à internet, o que resulta em menos de 0,08 dispositivo por pessoa. Após a Apple em 2007 apresentar o iPhone12 ao mundo, a venda desse tipo de aparelho de telefone fez explodir o número de dispositivos conectados à internet em todo o planeta, chegando a 12,5 bilhões contra uma população mundial de 6,8 bilhões, denominando-se então, segundo a IBSG, a Internet das Coisas.
No gráfico abaixo, a IBSG faz um comparativo e uma projeção da evolução do número de dispositivos conectados à internet com o número de habitantes do planeta.
Figura 6 – Dispositivos conectados à internet vs. população mundial
Fonte: Evans (2011).
É importante deixar claro que a análise de dados vai muito além dos interesses publicitários. No artigo da Cisco IBSG, Dave Evans relata casos como o de criadores de gados que já utilizam sensores nos animais para rastrear seus movimentos e monitorar sua saúde, podendo oferecer melhor qualidade de vida aos bichos, além de carne e leite de melhores qualidades aos consumidores. Na área da saúde já há testes de sensores que conectam pacientes aos seus médicos, disparando alertas em casos de alterações corporais que possam colocá-los
12 O iPhone não foi o primeiro smartphone (telefone inteligente), mas foi o primeiro acessível ao público, já que
40 em risco, como, por exemplo, oscilações da frequência cardíaca, da pressão arterial ou dos índices de glicose. Além de uma significativa melhora da qualidade de vida das pessoas, essa aplicação pode representar diminuição dos gastos com saúde pública e privada por meio da prevenção de doenças.