Numa realidade marcada pela alta tecnologia capaz de recolher e analisar grandes volumes de dados sobre os ambientes circundantes, importa compreender e refletir a influência da estrutura e das tecnologias IoT nos ambientes de retalho e no conhecimento sobre o consumidor.
De acordo com Greengard os dados tornar-se-ão um ativo económico valioso para as empresas perante a ideia de uma estrutura IoT global (2015). Vários estudos estatísticos indicam o crescimento do número de dispositivos conectados e do volume de dados gerados nos próximos anos. De acordo com a previsão da empresa britânica na indústria dos serviços de informação, Information Handling Services (IHS), o mercado IoT atingirá os 75,4 mil milhões de dispositivos conectados em 2025 (Lucero, 2016).
O aumento do número de equipamentos conectados e inteligentes terá, por sua vez, um impacto significativo na quantidade de dados gerados, que segundo o estudo “Data Age
2025” desenvolvido pela International Data Corporation (IDC), o crescimento global do
volume de dados pode atingir 163 zettabytes, o que significa um aumento de dez vezes mais dados gerados em 2025 em comparação com 2016 (Reinsel, Gantz & Rydning, 2017).
Para entendermos o que estes valores representam, o valor de um zettabyte equivale aproximadamente a “250 bilion DVD's, which is more than 35 years of nonstop viewing of high-definition video” (Greengard, 2015, p.44). O mesmo estudo identifica os sistemas inteligentes e a IoT como uma das cinco tendências chave para o panorama de mudança futuro, prevendo que “By 2025, an average connected person anywhere in the world will interact with connected devices nearly 4,800 times per day — basically one interaction every 18 seconds” (Reinsel et al., 2017, p.3).
Como verificamos na Figura 1, os dados estabelecem a base de todo o conhecimento, ou seja, os dados são a primeira matéria-prima informacional sobre o que está à nossa volta e quando analisada transforma-se em informações. Por sua vez, o homem consegue a partir destas mesmas informações inferir conhecimento sobre determinado assunto, alcançando em última instância a sabedoria sobre determinado tema (Evans, 2011). Os dados constituem, portanto, a primeira instância do conhecimento geral sobre o consumidor.
Figura 1: "Os humanos transformam os dados em sabedoria" Fonte: Evans (2011: 7)
Greengard afirma metefóricamnente que os “Sensors are the eyes, ears, nose, and fingers of the IoT” (2015, p.57) e à medida que o número de sensores disponíveis em qualquer lugar
e em qualquer “coisa” aumenta, mais dados podem ser recolhidos, processados e analisados, sendo possível obter informação em tempo real, conhecimentos mais profundos e enriquecedores do comportamento individual do consumidor (Kellmereit & Obodovski, 2013).
A interseção de dados extraídos a partir de objetos inteligentes, de sensores, e de dispositivos móveis transportados pelos consumidores (como o smartphone), quando analiticamente combinados e cruzados permitem gerar novas formas para estudar e acompanhar tendências, padrões, e comportamentos individuais (Greengard, 2015).
Ao analisarmos as fases constituintes da estrutura IoT a “aquisição de dados” representa o ponto de partida para a agregação de conhecimento sobre o consumidor numa loja física impactada pela IoT. Neste sentido, a existência de hardware distribuído ao longo da loja compreende uma das áreas estratégicas para os gestores das lojas, concentrados na identificação dos pontos de recolha de dados durante a visita do consumidor e sobre as suas preferências dentro da loja.
A riqueza das diferentes fontes de recolha de dados, tanto nos ambientes físicos (lojas) quanto nos ambientes digitais, e o seu entrelaçamento, beneficiam o conhecimento que o marketing pode auferir sobre o consumidor. A aquisição de dados abrange diversas fontes de recolha de dados além dos objetos inteligentes, sensores, e dispositivos móveis dentro ou perto das lojas. A combinação de dados com outras fontes, como as redes sociais, aumenta o volume de dados adquiridos, enriquece o cruzamento de dados e a sua adequada análise possibilita um alto nível de conhecimento sobre o consumidor (Greengard, 2015) para viabilizar tomadas de decisões sustentadas por parte das marcas/empresas.
As estatísticas que abordam os números de utilizadores das redes sociais revelam a sua utilização massiva na nossa sociedade. O número de utilizadores de redes sociais ao nível mundial em 2017 era de 2,46 mil milhões de pessoas (Statista, 2017b)16 e a rede social líder a nível mundial continua a ser o Facebook, que em abril de 2017 contava com 1,97 mil milhões de utilizadores ativos mensalmente (Statista, 2017c)17. Em termos globais os
16 Statista, “Number of social media users worldwide from 2010 to 2021 (in billions)” 2017b: https://goo.gl/caXXWW
17 Statista, “Most famous social network sites worldwide as of September 2017, ranked by number of active
utilizadores de internet dispensam 135 minutos por dia nas redes sociais (Statista, 2017d)18. No universo português, e no ano de 2015, o número de utilizadores de redes sociais atingiu o valor de 54,8% da população, segundo um estudo da Marketest3 (Observador, 2016)19, que também revelou que 25% dos utilizadores de redes sociais entrevistados consideram ter aumentado o tempo dedicado às redes sociais no último ano (Group Marketest, 2016)20.
O volume de dados gerados nas redes sociais sofre uma tendência de crescimento, o que demonstra a valiosa oportunidade de retirar conhecimento sobre preferências, interesses, e padrões do utilizador. As redes sociais “provide a real-time glimpse into behavior, trends, and attitudes in areas as diverse as politics, entertainment, fashion, and consumption” (Greengard, 2015, p.41). Atualmente é possível medir estes dados em tempo real através de práticas como o social listening21 e big data analytics22.
Há uns anos esta parte, o acompanhamento do percurso do consumidor desde a primeira pesquisa sobre o produto até à efetiva compra, e a experiência com o produto, era uma tarefa bem mais complicada do que é hoje, muito em parte porque hoje beneficiamos das capacidades oferecidas pela tecnologia móvel, como os smartphones, incorporados com sensores e com capacidades de comunicação em tempo real (Greengard, 2015). Além disso as técnicas de análise social listening e big data analytics permitem conhecer cada clique do utilizador e transformar os dados gerados nas redes sociais e noutras plataformas digitais em conhecimento.
18 Statista, "Social Media Statistics & Facts”, 2017d: https://goo.gl/pwTnpT
3 O estudo da Marketest “Os Portugueses e as Redes Sociais 2016” é um estudo realizado pela Marktest
Consulting, com o objetivo de conhecer índices de notoriedade, utilização, opinião e hábitos dos portugueses face às redes sociais (Group Marketest, 2016: https://goo.gl/B8dc9p).
19 Observador, 2016: https://goo.gl/2jYLin 20 Group Marketest, 2016: https://goo.gl/B8dc9p
21 Social listening é uma prática para monitorizar o que está a ser dito sobre determinada marca, empresa ou
industria, na internet, em especial, nos canais dos media sociais, nos sites, fóruns ou fontes de notícias. Existem diferentes processos de social listening, desde os alertas Google, até as plataformas especializadas em social listening com o objetivo de filtrar grandes quantidades de dados não-estruturados, sobre discussões online que implicam de alguma forma a marca ou empresa. Este processo requer análise e reflexão sobre o que os consumidores estão a dizer online, de forma a responder personalizadamente, criar conteúdos específicos, acompanhar tendências e descobrir oportunidades. (Kotler, 2017; Steimer, 2017: https://goo.gl/gBft9n).
22 Big data analytics utiliza técnicas analíticas avançadas para examinar grandes quantidades de dados
estruturados e não-estruturados, de diferentes fontes, para obter novos conhecimentos, identificar oportunidades, descobrir padrões, correlações e outros insights ocultos, no sentido de melhorar e tornar mais rápidas as tomadas de decisão (SAS: https://bit.ly/2Tce4r3).
As redes sociais são uma valiosa fonte catalisadora de dados disponíveis na internet, contudo o verdadeiro valor segundo uma visão IoT está na combinação e cruzamento de diferentes fontes de recolha de dados, que oferecem uma nova forma de medir e gerir os acontecimentos (Greengard, 2015). Um elevado número de dispositivos conectados, de dispositivos móveis, sensores, objetos inteligentes, o volume de dados nas redes sociais, na verdade qualquer relação machine-to-machine, human-to-machine e machine-to-human, resulta num elevado volume de dados em bruto. E, o desafio perante esta realidade centra- se na fase de análise de dados e na correta utilização dos dados para campanhas de marketing baseadas nas informações obtidas.
A fase de “análise de dados” do ecossistema IoT é igualmente valiosa para os marketers na missão de acompanhar e conhecer detalhadamente a experiência do consumidor em loja. A fase de “análise de dados” depende de tecnologias que convertem os dados em informações valiosas e que aumentam o nível de conhecimento do ativo que se pretende estudar (Greengard, 2015). A computação em nuvem e o big data analytics desempenham funções de destaque para a obtenção de informações para aproveitamento humano. A computação em nuvem é uma das soluções IoT para o armazenamento e tratamento dados. Uma das vantagens desta tecnologia é a flexibilidade e eficiência na comunicação com aparelhos e aplicações IoT, que através da ligação via internet, conseguem aceder à “nuvem” e utilizar os dados para as ações no ambiente físico (Borgia, 2014).
A correta identificação dos dados relevantes e a gestão eficiente dos conjuntos de dados para tomadas de decisão mais eficazes representam dois dos desafios para as marcas e empresas numa realidade IoT. Neste âmbito, as técnicas de análise de dados constituem uma ferramenta indispensável para a obtenção de informações precisas considerando o volume, variedade e velocidade cada vez superior de aquisição de conjuntos de dados e do cruzamento de diferentes fontes de dados (digitais, organizacionais e das “coisas”) que permitem tomadas de decisão baseadas em fatos mensuráveis.