Como utilizamos I.A e Big Data para ajudar nosso cliente a vender mais
Nos últimos meses, começamos a nos perguntar na Neurotech se toda a expertise em I.A e Big Data que utilizamos há 19 anos para bancos, financeiras e seguradoras também poderia ser utilizada com um objetivo diferente: ajudar nossa carteira de clientes a vender mais através de modelos preditivos para o marketing.
Como podemos gerar mais conversão em vendas para e-commerces? Como priorizar visitantes mais propensos a compras em websites? Como prever consumidores que irão dar churn? Como identificar personas que podem ser top compradoras de uma base? Foi com esses questionamentos que criamos uma iniciativa de Digital Analytics e ajudamos um e-commerce com problemas de baixa conversão em vendas.
O desafio
Com mais de 2,5 milhões de usuários cadastrados em seu e-commerce, o cliente nos procurou com o desafio de identificar quais desses usuários deveriam ser priorizados para prospecção via campanhas de call center ativo. A empresa possui em torno de 30 colaboradores dedicados à realização de milhares de ligações telefônicas semanalmente.
Apesar de oferecer produtos com alto valor agregado, a maior parte dos usuários consomem apenas produtos free (ebooks, infoprodutos, etc) e não convertem em vendas reais. Esse tipo de cenário é bastante comum em e-commerces onde a concorrência é muito grande.
A Solução
Como o cliente já possuía uma base relevante de consumidores cadastrados na plataforma e que estavam prontos para serem trabalhados, nosso time pensou em criar um modelo de propensão a compras na base de já cadastrados do cliente com o objetivo de priorizar quais usuários possuiam maior chance de compras no website.
Portanto, em vez de se preocupar em atrair novos usuários para o e-commerce, e assim, gastar dinheiro com campanhas de marketing, adotamos a estratégia de buscar na base de já cadastrados aqueles que possuiam melhores chances de compras para serem abordados.
Backtesting
Antes da construção de qualquer modelo de Inteligência Artificial, realizamos um estudo analítico chamado de backtesting, que é a simulação de um modelo preditivo usando dados históricos. Estudar o passado para prever o futuro.
A partir de informações cadastrais, histórico de compras e o comportamento navegacional de cada usuário dentro do e-commerce, foi possível montar uma visão de dados e realizar o primeiro experimento. É importante frisar que, os dados utilizados neste estudo de caso estão em compliant com as regras de proteção de dados regidos pela LGDP.
Tendo como base a data de referência em Set/2019, entendemos todo o histórico dos consumidores desde Jan/2017 e projetamos o alvo de compra para 6 meses à frente, em Mar/2020. Esse tipo de análise é importante para saber quem são os compradores (ou não) contido nos dados em determinado período.
Na fase de criação do modelo preditivo, selecionamos uma amostra de 425 mil usuários e dividimos em dois conjuntos: 75% da base para treinamento, ou seja, achar os padrões de comportamento nos dados e os 25% restantes para teste do modelo treinado.
A partir do modelo desenvolvido, escoramos toda a base de usuários cadastrados do cliente para saber quais deles possuiam uma maior “probabilidade” de compra nos próximos 6 meses. O Score de Propensão varia de 0 a 100, quanto maior o score do usuário, maiores as chances de compras.
Como pode ser visto na imagem abaixo, geralmente criamos um gráfico de distribuição de scores para visualizar o comportamento do modelo criado. Para isso, distribuímos os usuários scorados em faixas de 10 em 10 e cruzamos com a Taxa de conversão, que é a chance de conversão daquele usuário dentro daquela faixa de score. Observe que nas faixas de score de 80 a 100, as chances de conversão são bem maiores e variam entre 25% a 43%, bem acima da taxa de conversão média de 6,6% informada pelo cliente.
Olhando apenas esse gráfico, foi possível visualizar que o modelo treinado separou bem a população dos possíveis compradores daqueles que estão apenas dormentes na base.
Observe que, em apenas 11,1% da base, é possível quase quadruplicar (4x) as chances de vendas neste e-commerce.
Resultados
Como os consumidores das faixas de score acima de 80 detinham maior chance de realizarem compras no e-commerce, separamos todos esses usuários que atendiam ao critério de possuirem telefone preenchido nos dados. Ao todo, foram mais de 19 mil usuários priorizados e enviados para o cliente prospectar via call center ativo.
Ao receber os leads quentes, o cliente criou um teste A/B com duas campanhas de vendas via call center: a primeira com os leads recebidos do modelo de propensão a compras e a segunda com uma lista de leads comumente utilizada pela empresa através de técnicas de marketing. Vale salientar que foram utilizados os mesmos tipos de ofertas e abordagens ao prospectar os consumidores em ambas as campanhas.
Após algumas semanas, recebemos os resultados de conversão coletados pelo cliente. Ficamos bastante animados ao saber que a nossa lista alcançou uma conversão 32% superior (Lift) e um ticket médio 2X maior para cada compra realizada.
“…conversão 32% superior (Lift) e um
ticket médio 2X maior para
cada compra realizada.”
Implantação em produção
Neste momento, estamos em processo de implantação em produção do modelo criado na operação do cliente. Precisamos automatizar toda a parte de acesso aos dados dos usuários recebidos e entregar inteligência via modelos de machine learning em tempo hábil de prospecção.
Vale salientar que, os dados que mais contribuíram para o bom desempenho do modelo foram os dados de comportamento digital dos usuários dentro do e-commerce. Esse tipo de informação de behavior possui uma grande relevância quando falamos de propensão a compras e a tecnologia utilizada na coleta desses dados de forma anonimizada será assunto de um próximo post.
