• Neurotech
    • Quem Somos
    • Por que a Neurotech
    • Hub de Parceiros
    • LGPD
  • Desafios
  • Plataformas
    • Riskpack

      • Plataforma
      • Riskpack Concessão
      • Riskpack Mais Concessão
    • Neurolake

      • Plataforma
      • Gestão de Limites
      • Sales Intelligence
      • Saúde
  • Blog
    • Artigos
    • E-Books
    • Webinars
    • Neurocast
  • Saúde
  • Carreiras
  • Fale Conosco

Como utilizamos I.A e Big Data para ajudar nosso cliente a vender mais

  • Neurotech
  • abril 15, 2020
  • 12:02 pm

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.

Sales Intelligence - Neurotech

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.

E você, como tem utilizado Dados e I.A
para tomar as melhores decisões de
marketing e vendas na sua empresa?



Matérias relacionados

INDC_Ago_23
ANÁLISE DE CRÉDITO

Demanda por crédito cai 6% em agosto, segundo INDC

Pelo oitavo mês consecutivo, busca por financiamento se retrai, segundo INDC

Leia mais »
23 de novembro de 2023 Nenhum comentário
capa_de_blog_Resolucao_Conjunta_BACEN
CONCESSÃO DE CRÉDITO

Resolução Conjunta nº 6/2023 do Bacen: compartilhamento de informações sobre suspeitas de fraude

A Resolução Conjunta nº 6/2023 do Bacen, do Banco Central do Brasil, atualiza as diretrizes de combate às fraudes. Saiba tudo sobre ela Aqui!

Leia mais »
22 de novembro de 2023 Nenhum comentário
capa_blog_Atualizacao_do_Rol_de_Procedimentos_com_cobertura_obrigatoria_pela_ANS
SAÚDE

Atualização do rol de procedimentos com cobertura obrigatória pela ANS

Reunimos aqui tudo o que você precisa saber sobre a atualização do rol de procedimentos com cobertura obrigatória pela ANS. Fique por dentro!

Leia mais »
10 de outubro de 2023 Nenhum comentário
Capa-INDC-Jul
CONCESSÃO DE CRÉDITO

Demanda por crédito cai 10% em julho segundo INDC

Bancos e financeiras puxaram os números para baixo ao registrarem recuo de 22% na comparação com o mesmo mês de 2022

Leia mais »
3 de outubro de 2023 Nenhum comentário
Capa_-_INDS_Ago_23
INDS

Demanda por seguros de autos cresce 9% em agosto

Mercado aquecido faz todos os estados registrarem forte alta nos últimos 12 meses, Minas Gerais e Rio Grande do Sul se destacam com incremento de dois dígitos.

Leia mais »
2 de outubro de 2023 Nenhum comentário
Capa-INDS-Jul_23
INDS

Demanda por seguros de autos cresce 4,82% em 12 meses

Em julho de 2023 quando comparado a junho, Minas Gerais se destaca com alta de 4,26% e Rio de Janeiro é o único estado que registra recuo.

Leia mais »
28 de setembro de 2023 Nenhum comentário
AnteriorAnteriorBancos e fintechs podem impulsionar crédito como alavanca econômica para amenizar efeitos da crise
PróximoQuais as diferenças entre Inteligência Artificial, Machine Learning e Deep Learning?Próximo

Inscreva-se para receber conteúdos:

Mais matérias

Newsletter

Receba em primeira mão lançamentos e novidades

  • Home
  • Neurotech
  • Desafios
  • Blog
  • Saúde
  • Fale Conosco
  • Acesso Clientes

Plataformas

    Neurotech

  • Quem Somos
  • Por que a Neurotech
  • Hub de Parceiros
  • LGPD

    Riskpack

  • Plataforma
  • Riskpack Concessão
  • Riskpack Mais Concessão

    Neurolake

  • Plataforma
  • Gestão de Limites
  • Sales Intelligence
  • Saúde

    Contato

  • Sugestões, dúvidas e reclamações

  • contato@neurotech.com.br

Recife

+ 55 81 3312-2740

R. de São Jorge, 240
Moinho Recife
Recife/PE – Brasil
CEP: 50.030-240

São Paulo

+ 55 11 3076-7900

Av. das Nações Unidas, 17007
Cj. 145-147 – Torre Alpha
Várzea de Baixo
São Paulo/SP – Brasil
CEP: 04730-080

Selo Great Place To Work
Política de Privacidade
Código de Ética e Conduta da Neurotech Politica da Segurança da Informação

CNPJ: 05.359.081/0002-15
© 2023, Neurotech. Todos os direitos reservados.

Neurotech, uma empresa B3.