O que Machine Learning e Ciência de Dados tem a ver com a Grécia antiga? Dividir para conquistar, a estratégia de dividir e quebrar concentrações de influência para facilitar a manutenção da soberania já era utilizada na Grécia antiga para a manutenção de seu império.
Partindo de uma estratégia semelhante, a segmentação de mercado nos ajuda a dividir consumidores para melhor endereçar oportunidades e, assim, identificar nichos de maior retorno.
Quais técnicas você utiliza na sua segmentação hoje?
Entenda como Machine Learning e Ciência de Dados podem auxiliar na segmentação de mercado e evite ficar na Antiguidade!
A segmentação de mercado parte da premissa de que a demanda no mercado é heterogênea, mas contém padrões de consumo em comum, portanto, pode ser separada em grupos ou segmentos.
O agrupamento desses padrões de consumo pode ser explicável de acordo com algumas características relevantes, que irão formar a sua base para a segmentação.
Neste Artigo você verá:
A escolha da base irá depender dos seus objetivos de marketing, porém, é importante que os atributos escolhidos sejam facilmente medidos e atualizados para que as mudanças no mercado sejam acompanhadas.
Você já tem clareza sobre qual base deve utilizar para a sua segmentação?
Veja alguns exemplos abaixo:
Na segmentação tradicional, as informações da sua base são coletadas por meio de entrevistas e pesquisas de mercado, um processo custoso e demorado.
Vivemos hoje em um mundo conectado e digitalizado, o uso de Big Data se torna essencial para sua segmentação!
Procure entender quais dados você já tem disponíveis em casa, fruto da sua própria operação, do seu CRM ou e-commerce e passe a organizá-los para entender melhor o seu mercado.
Não perca tempo e, se necessário, procure provedores externos para preencher as lacunas da sua base.
A escolha final da segmentação deve levar em conta fatores estratégicos como acesso a recursos, alcance, tendências de crescimento, comportamento da competição e posicionamento.
Um critério simples para segmentar o seu mercado é considerar que membros do mesmo segmento são mais semelhantes entre si do que membros de outros segmentos.
Essa classificação é conhecida na Ciência de Dados como clusterização, que vem do termo em Inglês “cluster” (agrupamento).
Existem diversas técnicas de aprendizado de máquina para realizar a clusterização baseada em dados e de forma automática.
E, uma simples e eficaz é usar o algoritmo conhecido K-means.
Para entender o K-means, podemos pensar no caso em que queremos identificar dois segmentos para um mercado B2B contendo 15 empresas a partir de uma base firme graphics com dois atributos: número de funcionários e faturamento.
Podemos visualizar essas empresas em um gráfico, em que cada uma delas é representada por um ponto especificado pelo par (faturamento, número de funcionários) que lhe é atribuído.
Quantos segmentos você consegue encontrar aqui?
O algoritmo passa a estabelecer aleatoriamente um centroide para cada segmento. Depois disso, ele conecta cada empresa ao segmento cujo centroide tem menor distância dos seus atributos.
O valor do centroide é recalculado de acordo com as empresas assinaladas em a cada segmento e o processo se repete até que a posição do centroide pare de mudar.
Ilustração da evolução das iterações do algoritmo K-means para clusterização.
Ao término do processo, as empresas agrupadas em cada segmento possuem características semelhantes entre si, enquanto empresas de segmentos diferentes possuem características diferentes.
No caso ilustrado acima, o segmento em vermelho possui número de funcionários menor e um faturamento maior do que o segmento em azul.
O padrão das características descobertas em cada segmento também auxilia na criação de perfis.
O simples exemplo ilustrativo acima pode levá-lo a acreditar que qualquer um poderia chegar à mesma conclusão.
Porém, é fácil perceber que seria muito complexo para um ser humano considerar, simultaneamente, mais do que três atributos em uma segmentação.
Com técnicas de clusterização, é possível encontrar padrões usando dezenas, centenas ou até milhares de atributos!
Além disso, também é possível encontrar o número mínimo de segmentos necessário para explicar os padrões do mercado.
Dependendo de como você montar a sua segmentação, nem sempre será possível atribuir um segmento a cada parte do seu mercado.
Isso pode acontecer porque sua regra de segmentação é baseada em atributos que, normalmente, não são observáveis como ticket médio, volume de compras, etc.
Nesse caso, não seria vantajoso ter a capacidade de prever a qual segmento um novo lead pertence?
Mesmo que você já tenha uma segmentação de mercado estabelecida, será que você já conhece tudo sobre os seus segmentos?
Com o alto dinamismo do mercado, talvez esteja na hora de rever sua segmentação.
O acesso a Big Data provê oportunidades únicas para identificar e reavaliar seus segmentos!
O problema de atribuir um lead a um segmento pré-determinado pode ser tratado com aprendizado de máquina por meio do uso de técnicas de classificação.
Para isso, é preciso que você tenha exemplos de leads que já foram corretamente segmentados para que o algoritmo possa aprender a partir desses exemplos.
Você também precisará de uma base que tenha atributos que sejam completamente observáveis e que você acredita que possam ajudar a prever seus segmentos.
Diversas técnicas de classificação podem ser utilizadas.
Uma simples e facilmente interpretável é conhecida como árvore de decisão, que faz predições a partir de um conjunto de regras encontradas automaticamente que, juntas, formam o desenho de uma árvore, por isso, o nome.
Suponha que você tem uma concessionária e segmenta seu mercado de acordo com o tipo de carro que vende: hatch, sedan, SUV e esportivo.
Um jovem casal entra na sua loja e você quer saber a qual segmento eles pertencem.
Para isso, você identifica uma árvore de decisão baseada no histórico de compras passadas que contém informações sobre seus clientes.
Dados como renda, profissão, estado civil, sexo e modelo de carro adquirido com esse histórico, você identifica uma árvore de decisão que chega, automaticamente, no conjunto de regras abaixo:
Árvore de decisão prevê que tipo de carro os clientes compram
A partir deste esquema, você oferta ao casal os modelos (Sedan) ou SUV devido ao histórico registrado. A mesma árvore ajuda na criação dos perfis de clientes e pode auxiliá-lo em suas campanhas de marketing direcionadas.
Neste post exploramos algumas possibilidades de utilização de estratégias de Ciência de Dados para segmentação de mercado.
Vimos como técnicas de clusterização podem ajudá-lo a descobrir padrões comuns no mercado para auxiliá-lo na segmentação, e como usar técnicas de classificação para reavaliar e compreender seus segmentos.
Mantenha-se à frente dos seus competidores e aprofunde seus conhecimentos sobre o seu mercado por meio de dados e de inteligência!
Autor convidado: André Bittencourt, Diretor de Analytics da Neoway
Conheça nosso curso de CRM e se torne um especialista no assunto!
Veja mais em nosso Blog:
CRM: Tudo O que Você Precisa Saber
Inside Sales: Tudo O que Você Precisa Saber
Gestão Comercial: Tudo O que Você Precisa Saber
Empresas B2B (business-to-business), naturalmente enfrentam desafios muito específicos por se tratar de um modelo de vendas em que os ciclos de vendas costumam ser mais
Eu disse antes que, embora dominar um nicho raramente seja simples, pode ser ainda mais difícil para empresas de serviços e plataformas, porque elas podem
É indiscutível que o funil de vendas é algo importante, e até mesmo indispensável, para qualquer área comercial acompanhar o crescimento geral e individual do
