Vivemos em um mundo no qual os dados estão crescendo exponencialmente, e cada vez mais esforços estão sendo feitos para fazer melhor uso deles. Os marqueteiros hoje têm dados mais do que suficientes disponíveis, mas estão procurando melhores maneiras de usar e conectar seus conjuntos de dados para obter insights mais profundos e valiosos.
O desafio está na forma como olhamos para a aplicação da ciência dos dados e na forma como nós, como cientistas de dados, fomos treinados. Trabalhando ao longo dos anos em projetos de análise e ciência de dados, pude ver uma maneira mais fácil de alcançar objetivos maiores e mais audaciosos.
É um processo de quatro etapas:
- Comece com o resultado ambicioso
- Quebrar o resultado em conjuntos de ação menores
- Explorar os dados e executar a análise (iterativo)
- Amarrar as conclusões ao resultado estabelecido
Este processo funciona melhor do que o processo tradicional de resolução de problemas da ciência de dados, pois reduz a ambigüidade e alimenta o desejo de resultados com todos os envolvidos. O processo tradicional de ciência de dados normalmente começa com a identificação de uma declaração de problema, depois avança para a coleta de dados, modelagem de dados e avaliação. No cerne do processo tradicional de ciência de dados está a complexidade. A complexidade geralmente nos obriga a pensar de forma mais racional, analítica e não nos obriga a usar nossa criatividade. A ambição, por outro lado, nos encoraja a começar com o pensamento criativo e, em seguida, avançar em direção ao nosso lado analítico do cérebro.
Agora vamos dividir nosso processo nas etapas individuais.
Comece com o resultado ambicioso
Digamos que você queira atingir 5% de participação adicional no próximo ano. Em primeiro lugar, defina seu ambicioso resultado. Neste caso, 5% a mais de participação. A psicologia comportamental diz que é importante reformular o objetivo de forma positiva, pois isso engana sua mente para pensar de forma mais criativa a fim de atingir os objetivos.
Neste exemplo, digamos que você queira aumentar sua participação, expandindo sua rede de distribuição na Indonésia. A Indonésia é um país muito fragmentado geograficamente, com 17.000 ilhas, e o transporte é um desafio. Para conseguir isto, o objetivo é atingir de 50% a 80% do mercado ao menor custo possível e tudo isto no espaço de um ano.
Quebre seu resultado em conjuntos de ação menores
Isto é crítico porque você quer quebrar seu grande resultado ambicioso em conjuntos menores e manejáveis. Isso também ajuda a colocar seus dados em conjuntos "mutuamente exclusivos e coletivamente exaustivos". Isto ajuda a dividi-los em múltiplos sub-objetivos e acelerar o processo. Em nosso exemplo, dividimos o resultado em três conjuntos de ação:
- Geografias densas que requerem configuração do distribuidor
- Geografias dispersas que requerem configurações de sub-distribuidor
- Grupos populacionais em crescimento
Explorar os conjuntos de dados e executar a análise
Esta é uma grande parte do processo. Comece explorando as fontes de dados e listando o que está disponível e o que não está (mas é obrigatório). Neste exemplo, podemos usar o censo de varejo Nielsen e os dados do painel de varejo com características diferentes como tamanho da loja, vendas da loja, coordenadas de localização da loja, etc. Podemos então integrar estes dois conjuntos de dados para chegar a uma série de características significativas.
No entanto, também reconhecemos onde nossos conjuntos de dados são insuficientes. Neste caso, podemos descobrir que existe uma área considerável fora de nosso escopo de varejo. Como resultado, podemos não ter certos tipos de informações, como população, número de bancos, que podem indicar prosperidade, e outros dados. Portanto, devemos identificar outras fontes, como os censos populacionais, para obter estas características.
Estes conjuntos de dados são então fundidos e passam por um modelo de regressão múltipla, que identifica a oportunidade para cada área/localidade.
Algumas iterações são provavelmente necessárias para garantir a precisão da previsão. Finalmente, estes dados podem ser fundidos com dados de clientes ou de primeira distribuição.
Amarrar as conclusões ao resultado
O passo final é unir todos os resultados da ação.
Neste exemplo, somos então capazes de utilizar estes dados para desenhar clusters de área/bloco que oferecem a maior oportunidade e podem ser realisticamente apoiados pela rede de distribuição existente com apenas um ligeiro aumento em seu raio e a criação de poucos sub-distribuidores em clusters em crescimento.
Neste exemplo, somos capazes de combinar vários conjuntos de dados para fornecer uma solução simples que esboça uma solução clara para um objetivo grande e ambicioso. O que mostra que nem sempre compensa começar com uma declaração de problemas, mas sim com uma meta positiva e ambiciosa.
Portanto, da próxima vez que você começar com um novo projeto, dê uma chance a este processo e comece com um objetivo ambicioso e um pensamento criativo.
